通过智能技术改善半导体制造

物联网（IoT）设备已成为半导体收入的最大驱动力，无线通信、汽车和人工智能产品紧随其后。

半导体制造设施与其他任何设施都不同。他们可以在人类有史以来为商业用途制造的一些最小的产品上投资数亿美元。如此之小，以至于一粒灰尘都会对最终产品造成无法弥补的损坏。几十年来，该行业开创了许多开创性的程序，其他工业制造商最终将在几十年后采用这些程序。随着越来越多的产品、设备和系统依赖于计算能力和复杂的纳米结构来运行，对这些薄晶圆的需求预计只会增长。

但是，这种与工业制造世界其他地区的差异化正在不可避免地成为看似永无止境的运营创新以实现更高投资回报的压力点。过去几十年中所做的许多改进都非常有价值，但它们的成功造成了回报递减的旅程。这些改进通常是以更高产量的名义进行的。毫无疑问，这是一个关键的指标，但专注于单一的优化因素可能会导致工程师将自己设计成一个角落。从这个立场来看，历史上有两种选择;投资更小的节点或更大的晶圆。两者都有利可图，但需要数十亿美元的前期资本投资。

这使得除了最大的铸造厂和制造商之外，几乎所有人都不可能竞争。这就是智能制造的用武之地。在最简单的层面上，所有制造设施都有三个调节旋钮可以转动：成本、时间和质量。智能制造所做的是改进这三个旋钮的微调，从而更好地控制企业。还有其他好处，例如基于规则的规划和流程优化，将智能制造定位为摆脱收益递减角落的受欢迎途径。

集成电路发展的新时代

增长加速

物联网（IoT）设备已成为半导体收入的最大驱动力，无线通信、汽车和人工智能产品紧随其后。1.如此广泛的设备将为行业带来更多的变化，但优化如此多样化的产品的制造将成为更大的障碍。生产所有这些不同产品的最佳时间表是什么？生产是否会被视为一个黑匣子，不知道实时发生了什么？如果需要对设计进行更改，调整流程需要多长时间？生产效率能否与变革前相媲美？

跟踪和追溯要求

许多半导体应用也在社会中承担着更重要的安全关键角色，负责人类生活的福祉。为了应对OEM面临的这种新风险，许多企业希望或需要严格的跟踪和追溯协议。如果新车中的高级驾驶员辅助功能比预期更早发生故障，详细的过程信息对于找到根本原因将非常宝贵。安全和生物识别等其他应用需要确保在制造过程中没有任何设计被更改或篡改。消费电子市场中越来越多的人对他们购买的产品的可持续性感兴趣。客户如何知道他们收到的是他们购买的？

良率优化越来越难

良率无疑是优化盈利能力的关键指标，但这一过程的大部分已经实现了自动化和优化，尤其是在最大的晶圆厂和最先进的节点。智能制造不仅仅是优化的次要途径，它还是制图师绘制所有其他可能的途径，以提高效率和盈利能力，并在更换制造设施中的传感器之前测试其功效。

通往成功之路

智能制造的价值在于其灵活性，这是西门子Xcelerator软件、服务和应用开发平台产品组合的核心组成部分，可为组织带来新的见解、机遇和自动化。在大规模生产时，即使是对工艺的微小调整也可以节省大量成本。为了说明这种方法在推动创新方面的重要性，将讨论两个示例 - 批量大小优化和调度优化。

“数字孪生可以是产品、生产或性能。理想情况下，这些数字孪生相互提供见解和持续改进。Siemens Xcelerator产品组合涵盖了数字孪生的设计，实现和优化，“Siemens Digital Industries Software电子与半导体行业副总裁Alan D. Porter说。

假设正在建造一个新的制造设施，投资近140亿美元。运行前 60 天会产生 100，000 个可行的 IC 单元。最重要的是，其中大约 25% 将直接移动到存储中。这是一个房间里的大量投资，但这在整个行业中很常见。

140亿美元中的25%是大量的储蓄损失，特别是与收益率增加四分之一（2000万至4000万美元）的回报相比。为什么会这样？因为许多公司对其制造设施的精确细节没有足够的可见性。

批量优化

像许多其他学科一样，半导体制造也可能成为传统的牺牲品。大多数生产小于300mm晶圆的晶圆厂的批量约为25个晶圆，但在某些情况下，较小的批量可能更有效。但批量大小优化并不关心这些指标。相反，它专注于从这些晶圆组装多芯片模块所需的芯片数量。

例如，IC封装可能包括一个处理器芯片，该芯片派生自可容纳10，000个芯片的初级晶圆。一个免费的存储芯片晶圆可能有 15，000 个芯片。通常，将构建10，000个多芯片模块以匹配初级芯片数量，因为这是常态，而且它们是更昂贵的芯片。这留下了 5，000 个额外的内存死亡。这种超额会怎样？它们通常存放在设施的某个地方，在那里它们会萎靡不振，可能会过期或丢失在存储中。最终，损失被视为收益损失。这可能导致价值数百万美元的免费模具丢失或报废。

这是一笔可观的钱。但是，这并不是损失的全部价值。这些模具必须制造出来，占用制造能力。他们经过组装，使用更有价值的资源，直到它们最终被存放在架子上并且很难找到。不过，还有更多的损失 - 每个初级晶圆10，000个芯片正好适合。订单可能只有8，000个单位，但主模具价格昂贵，因此它们被过度构建了20%。

根据我们与世界各地半导体制造商的经验，这是一个保守的估计。许多晶圆厂经常过度建造30%。是的，一些积压库存可以稍后出售，但如果有周期中期修订怎么办？这留下了大约15%的总收入损失。

芯片级可追溯性

许多产品可能还需要可追溯性，以了解模具何时进行生产，条件是什么，或者该批次的故障率是否更高。但要完全优化批量大小和调度，需要一种更精确的跟踪方法：模具级可追溯性。跟踪单个模具从生产到装配再到现实世界，消除了高效和盈利生产的许多障碍。

调度优化

为了提高操作清晰度，需要建立一些流程：

首先，需要一个有限的调度系统。一个实时了解正在发生的一切的人。但这需要数字化转型。随时访问有关生产车间每个流程的数据可以更深入地了解整体效率，但如果没有从机器和工人到管理和控制流程的连续数字线程，几乎毫无用处。

其次，为了建立有限调度系统的数字线程，物联网传感器需要在整个制造设施中积极部署。幸运的是，对于许多晶圆厂来说，他们的机器可能已经在生成大量数据。这包括高度准确的温度和湿度读数，以确保半导体的稳定和最佳生产环境。它甚至可以包括机器内伺服系统的速度或固定晶圆所需的力。

最后一个要求是需要准确模拟整个工厂车间。理论处理时间与实际时间相比如何？流程中的各个步骤呢？切换工具需要多长时间？为了使这些答案收敛并实现优化，需要将来自物联网基础设施的真实数据反馈到仿真模型中。这将创建一个闭环模型，最终可以支持机器学习等高级 AI 功能。

这三个步骤使生产更快、更高效。但还有一个关键因素：批量优化。如果在没有此功能的情况下实施这四个步骤，存储速率只会增长，因为生产将超过需求。

结论：

产量是一个很好的指标，但它们并不是高效半导体晶圆厂的唯一指标，特别是因为市场预计产能和复杂性只会增长。如果不考虑字面生产以外的其他流程，数百万美元要么坐在储藏室里，要么更糟，要么被扔在垃圾桶的底部。智能制造旨在扩大优化工厂时的兴趣范围。作为西门子Xcelerator产品组合的一部分，用于半导体开发和生产的工具正在为今天的工厂带来明天的生产效率。

审核编辑：郭婷