从数据到良率：芯片边/云协同检测混合方案 - 平衡效率与精度，落地即见效!

作者：Anne Meixner

原文：https://semiengineering.com/hybrid-approach-emerges-for-edge-cloud-inspection-of-chips/

检测图像与计量测量数据呈爆炸式增长，给芯片制造商及其设备供应商带来了一系列复杂需求。一方面，他们需要云端的海量存储与计算资源，以运行基于人工智能（AI）/ 机器学习（ML）的模型；另一方面，为在工具层面实现调整，他们又需要边缘计算提供更快的响应速度。

平衡这些需求是一项艰巨且高成本的挑战。要实现这一点，不仅需要获取上下游数据，还依赖于成熟的机器学习模型。其核心目标是：仅将高质量数据传输至云端，借助机器学习算法高效处理海量数据；进而让决策模型能够提供高速检测与计量所需的精度和准确度。与此同时，这还要求在检测 / 计量设备层面、工厂层面及跨设施层面，加大对数据存储与计算资源的投入。

PDF

ML的应用进展：

从技术渗透到数据整合起步

过去几年，机器学习已逐步渗透至检测与计量领域，但云端与边缘端数据的整合才刚刚起步。实践证明，机器学习在多种半导体工艺中均能发挥效用，涵盖光学、电子束、X 射线、红外及声学检测，可用于多种衬底的计量与检测工作。

厂商实践：检测系统的 AI 赋能案例

KLA 公司发言人表示：“我们的检测系统能够捕捉并识别晶圆、掩模版、封装件、IC 衬底及 PCB 上的缺陷。这些检测设备借助 AI，从周围的图形与工艺噪声中区分出细微的缺陷信号，并能适配不断变化的检测需求。通过集成 AI，这些检测系统可提供对关键缺陷的详细洞察，帮助制造商加速研发进程、优化生产流程，并缩短创新电子设备的上市时间。”

Microtronic 总裁Reiner Fenske指出：“针对宏观缺陷的自动光学检测（AOI）技术，采用特定角度的同轴与离轴照明组合来捕捉各类缺陷。计算机处理能力的持续提升、用于提高套刻精度的精密硬件、机器学习技术及软件算法的不断改进，均对该技术的检测能力产生了显著影响。”

PDF

业内视角：云端与边缘计算的平衡逻辑

尽管基于 ML 的决策在检测环节完成，但边缘端计算算法实则由云端 ML 算法衍生而来。行业内对二者的平衡及混合方案的应用，形成了多维度共识：

Nordson Test & Inspection 先进技术解决方案产品工程高级总监 Charlie Zhu表示：“AI/ML 在检测领域的应用已从‘是否用’转向‘如何用’，云端与边缘计算存在明确权衡 —— 边缘端负责 100% 在线检测（响应更快），云端承担模型训练（需 GPU 算力），训练完成后推理所需算力大幅降低。”

yieldWerx 首席执行官 Aftkhar Aslam表示：“设备供应商需云端数据排查故障，IDM 需云端数据做跨制造关联分析，建议混合方案：将早期技术导入、NPI 阶段（数据重叠度高）及良率关联数据存储于云端，而非边缘端。”

普迪飞（PDF Solutions）技术产品管理总监 Steve Zamek表示：“不存在‘一刀切’的方案。采用具备企业级平台的混合架构，允许将模型部署至边缘端，这种方案或许能提供最优解。这些考量并非仅适用于 AI/ML 模型 —— 多年前，我们的许多客户就已采用类似方案部署基于规则的模型。然而，如今模型规模不断扩大，部分大型模型的训练必须依赖可扩展的集中式基础设施，即云端。”

表 1：不同部署方案的优缺点（绿色代表“良好”，黄色代表“可接受”，红色代表“较差”） 来源：PDF Solutions

PDF

云端层面：算力支撑、数据整合与模型开发

云端是处理复杂图像分析、开发 ML 模型及整合多源数据的核心载体，其价值体现在三大维度：

1、海量算力与模型开发优势

面对复杂图像分析任务，先进 ML 算法可显著提升缺陷检测能力。开发 ML 模型需数十万张相关图像，云端凭借高效 GPU 算力，成为处理海量数据、支撑模型训练的关键—— 这是边缘端难以替代的核心优势。

2、数据整合趋势与质量要求

当前行业趋势是：将检测 / 计量数据与上下游数据结合，以发现细微缺陷。这一趋势推动更多计算向云端转移，也要求构建可整合多数据源的基础设施平台，而数据质量是确保分析有效性的前提。

3、厂商实践与成本优化

Onto Innovation产品营销总监 Woo Young Han指出：基于 ML 的检测依赖预训练缺陷模型，算法从多类训练图像提取特征，适配部分管芯与晶圆边缘检测；缺陷分类与检测同步进行，提升效率与准确性。

Nordson高级总监Charlie Zhu表示：客户采用 AI 的最大障碍是数据收集精力成本，通过提供 “通用模型”（如覆盖QFP、QFN 封装的PCB 元件模型），厂商承担数据训练工作，大幅降低客户应用门槛。

图 1：AOI PCB图像分割 （利用AI对图像中的特征进行分割/标记） 来源： Nordson Test & Inspection

模型的训练闭环与迭代：模型构建中，检测图像数据与电学测试数据结合已成标准做法。这些额外信息可为模型提供输入，帮助区分干扰性缺陷与影响性缺陷。模型部署到边缘端后，直接应用于检测环节，但需通过多工厂、多工具数据反馈至云端持续优化，再重新部署至现场工具，形成迭代闭环。

普迪飞（PDF Solutions）Steve Zamek表示：“以简单的图像分类任务为例，在模型训练过程中，我们可将电学测试作为判断缺陷是‘致命缺陷’还是‘干扰性缺陷’的‘基准依据’。要实现这一点，需从晶圆分选、封装级测试、老化测试等多个生产环节收集电学测试数据，且这些数据需覆盖不同生产站点；为便于后续调用与分析，数据最好集中存储在云端。此外，模型训练需海量图像支撑，以覆盖不同工艺技术、检测方法与设备、检测工艺参数等场景，而这类大规模数据处理需要可扩展的计算资源—— 这也再次推动行业选择云端解决方案，以满足算力与存储需求。”

PDF

多源数据整合：跨环节关联与全局优化的基础

整合多源数据是突破 “单设备 / 单工厂数据局限”、实现全局优化的关键，其核心价值与实践路径如下：

数据整合的核心价值工程团队可通过多源数据开发先进 ML 模型，揭示上游设备参数与下游图像、电学测试数据的关联，快速识别异常并定位根本原因，提升跨环节问题解决效率。

实践应用与数据流程

普迪飞（PDF Solutions）Steve Zamek ：晶圆厂与代工厂的在线计量和检测工作，面临一项关键挑战：设备端训练与部署的模型，受限于该设备可获取的数据类型，而这类数据本身存在显著局限性。我们始终在提供系统平台，可将所有生产运营环节、所有站点的数据整合至同一平台。同时，我们也观察到，越来越多的应用场景中，企业正通过构建并部署模型，实现计量数据与工艺控制监测（PCM）数据、在线检测数据与良率的关联分析。

Onto Innovation 总监 Melvin Lee Wei Heng表示：AI/ML 模型提升了数据可追溯性，工厂可关联前后端工序信息，在部件进入后端前部署预测模型，缩短响应时间、提高决策准确性，优化缺陷管理。

图 2：典型制造数据传输流程

（数据传输至云端，用于跨工厂构建模型）来源：PDF Solutions

PDF

边缘端层面：

实时决策、本地算力部署与产线保障

边缘端是确保产线连续性、实现实时决策的关键，其核心定位与实践围绕 “低延迟”和“本地算力” 展开：

1、边缘端的核心作用

模型在云端构建、在边缘端应用—— 若依赖云端决策，数据传输延迟可能导致产线停滞，边缘端可实现“检测 - 决策 - 调整” 的实时闭环，快速采取纠正措施，评估在制品（WIP）的影响。

2、实践应用

正如测试系统会在自动测试设备（ATE）旁增配计算盒一样，如今检测与计量设备供应商也会提供独立的本地 GPU 计算资源。

YieldWerx 的 Aslam 表示：需基于检测与计量数据快速决策，明确缺陷工艺步骤、返工需求及对 WIP 的影响；单纯依赖云端存在安全、延迟、访问障碍等问题，数据不可用会导致停产及高额成本损失。

Onto Innovation 总监 Melvin Lee Wei Heng：基于机器学习的检测需配独立 GPU，与传统检测技术并行运行，既能保障吞吐量不受影响，又能提升缺陷检测与分类能力。

KLA 公司发言人：AI 已将图像处理、数据提取的工作负载转移至 GPU，提升图像计算机效率与性能；这类 GPU 架构属边缘端系统，支持实时数据处理与 AI 算法应用，可缩短半导体制造商的结果获取时间、提高良率。

3、边缘端的 “兜底” 价值

单纯依赖云端存在安全、延迟、访问障碍等风险，边缘端可离线运行预部署模型，避免网络中断导致的批次与设备暂停，减少产线损失。

PDF

结论：AI/ML 落地检测领域的关键要素与良率优化方向

成功将 AI/ML 应用于检测领域，需满足三大核心条件，且其价值需通过全局优化实现：

核心条件：需云端与边缘端的协同算力；需积累海量图像数据（模型构建环节，云端至少需 10 万张，通常超 100 万张）；需构建集中式数据湖，整合检测与其他设备数据以支撑可扩展云端算力访问。

良率优化逻辑：从 “缺陷与工艺环节的孤立优化”，转向 “相互关联因素构成的整体良率空间优化”，通过 AI/ML 识别复杂模式、结合场景分析，最大化全局良率。

明确价值：ML 已被验证可积极提升制造工厂的良率与质量，是工艺复杂度提升、数据量激增背景下的核心技术支撑。