实践案例｜功率半导体 AI 量产落地：良率与成本双突破

在 APEC 2026《AI 与数字孪生重塑功率器件创新》主题论坛上，普迪飞重磅展示了两项已成功落地量产的 AI/ML 应用案例。这些案例沉淀自我们与功率半导体制造商长达十余年的深度合作，本文将提炼其中的核心实践经验。

本文及配套演讲，是普迪飞半导体与功率半导体制造 AI/ML 落地实用方法系列内容的重要组成部分，同系列还包括：

解锁化合物半导体制造新范式：端到端良率管理的核心力量

机器学习（ML）赋能化合物半导体制造：从源头破局良率难题，Exensio平台实现全流程精准预测

功率半导体的独特性何在？

如今，AI 驱动的良率提升在逻辑与存储芯片制造中已不是新鲜事，但功率半导体（包括碳化硅 SiC、氮化镓 GaN、IGBT、分立硅器件等）的 AI 落地，却要面对一系列独特挑战。这类产品材料更复杂、缺陷率更高，且制造流程的垂直整合度拉满 —— 从晶锭生长、衬底分级，到外延、老化测试、芯片贴装和模块封装，全流程都要自主把控。
更关键的是，不少功率半导体产线设备老旧，数据可追溯性和质量都跟不上，这些问题在成熟硅基晶圆厂早就不是难题了。值得关注的是，Yole《2025 年电力电子产业报告》中的 11 家上榜企业，全都是 Exensio 平台的十年以上长期客户。我们在 APEC 会议分享的两大案例，正是源于这些企业的量产实战经验。

数据来源：Yole 2025《电力电子产业现状》

PDF

案例一

碳化硅（SiC）衬底受限型良率提升

核心痛点

衬底质量是导致碳化硅制造良率损失的核心因素之一。行业亟待解决的关键问题是：能否在投入高成本下游制程前，提前预判哪些衬底会制约良率，并针对性采取应对措施？

解决方案

过去识别致命缺陷，主要靠缺陷致死率（Kill Ratio）这个核心指标：用 2×2 混淆矩阵对比有无缺陷芯片的良率差异，说到底就是靠芯片级的缺陷汇总数据来判断。
做硅基芯片的时候，衬底基本没什么缺陷，大家的注意力都放在晶圆厂或代工厂制程中产生的在线缺陷上。但到了化合物半导体这里，情况就复杂多了 —— 不仅要过好几道检测工序，还要覆盖裸衬底（外延前后）、图形化晶圆（在线检测）等不同场景。之前的芯片级汇总方法根本行不通：没做图案化的衬底没有清晰的芯片网格，单靠晶圆电测，也没法判断芯片到底好不好。
更何况，功率器件得在大电流、高电压和特殊负载的严苛条件下验证性能，这些条件在晶圆电测阶段通常很难满足。

为此，我们提出的解决方案是：

用裸衬底和外延层的缺陷数据训练 AI 预测模型，生成专属的预测电性能分档图。这样一来，不用等正式电性能测试，就能提前给每片晶圆、每颗芯片的通断状态做好预判。依靠这个模型，操作员在启动完整制造流程前就能完成衬底分级，还能支持任意虚拟芯片尺寸的良率预测，方便用户测试不同芯片尺寸方案，精准算出对应的良率。

落地成效

下面这些成果，都来自多家碳化硅衬底供应商的量产实战验证 —— 而且这套方法不局限于碳化硅，其他类型半导体也能用。在实际生产中，这个模型能做到：

• 精准识别制约良率的衬底，其结论与碳化硅缺陷致死机制的公开研究成果高度一致；
• 通过上游衬底筛选决策，将整体良率提升数个百分点；
• 生成实际值 / 预测值 / 差值分档图，让模型决策逻辑具备可解释性与可审计性；

不仅如此，模型还为每类缺陷划分了四种分类结果，把不同判定情况会带来什么影响说清楚了：

量产落地的核心挑战

从试点验证到规模化量产，方案落地过程中暴露出诸多现实难题：

1

检测设备差异：同一衬底在不同批次、不同制程里，可能会用不同的检测设备测量。但不同设备的缺陷分类标准不一样，缺陷数量得先做标准化处理才能对比；而且检测方案本身还不够成熟，一直在调整优化。

2

空间坐标匹配：裸衬底光学检测用的是晶圆全局坐标，得和芯片坐标精准对应才行。很多老旧晶圆厂没有建立全局坐标和芯片坐标的规范映射关系；再加上碳化硅这类非立方晶格半导体的缺陷尺寸大，可能覆盖好几颗芯片，检测扫描根本没法完整捕捉到缺陷的空间分布情况。

3

探针测试与老化数据质量：数据问题特别常见 —— 比如测试方向搞错、检测和测试的芯片坐标对不上、芯片 ID 的规则不统一等，这些都会导致空间对齐困难。所以，必须先把数据清洗干净、验证无误，才能做出能用的预测模型。

4

模块封装与老化的追溯难题：大部分厂商没法实现芯片的端到端追溯。衬底筛选分级后，外延后的批次和外延前的批次组成完全不一样；到了晶圆电测环节，同一批次的晶圆可能来自不同的外延前材料批次；等进入模块封装，还要精准追踪子组件里每一颗芯片的去向，整个追溯过程难度极高。

5

数据缺失导致模型偏差：要是直接删掉检测数据缺失的记录，可不是随机剔除那么简单，很可能会丢掉特定设备、特定时间段或特定材料等级的数据，让训练集产生系统性偏差。举个例子，缺失的数据往往是封装阶段标记的坏片，删掉这些数据会让训练集中的坏片样本大幅减少，最后模型的判断会过于乐观，漏判的风险也会跟着上升。

PDF

案例二

封装环节的预测性芯片分档

核心痛点

功率模块（比如汽车上的牵引逆变器）是妥妥的高价值核心部件，通常由几十颗芯片组装而成 —— 这些芯片可能来自不同晶圆、不同产品，甚至不同供应商。要是有坏片没被筛出来，被装进模块里导致质量问题，造成的经济损失可不小。这就引出了一个关键问题：能不能靠晶圆电测的数据，提前预测芯片最终测试的结果，进而在封装前优化芯片的筛选策略？
其实不只是功率半导体有这个难题，高端计算模块（比如数据中心用的多芯片组件 MCM）也面临同样的挑战。这两类产品都是一个模块里装几十颗芯片，一旦模块失效，损失的成本会平摊到所有芯片的封装费用上，最后损失直接翻倍。

解决方案

我们的目标是构建二分类模型（预测模块最终测试的通断状态），以晶圆电测参数数据为训练输入。与常规模型不同，该模型不以预测准确率为优化目标，而是以最小化最终模块总成本为核心优化方向。

为何选择成本而非准确率作为目标？

因为漏判与误判的成本存在极度不对称性：将最终模块测试中会失效的芯片送入封装环节，会浪费整个模块的封装成本，其损失可能是单颗芯片成本的 50 倍；而误判一颗合格芯片，仅损失该芯片本身的成本。因此，最优分类器应是在这种不对称成本结构下，能最小化总预期成本的模型。

量产落地的复杂性

这类方案的实际落地过程极为复杂，主要面临以下挑战：

1

数据混乱与缺失：生产中实际用到的分档图和参数图，常常会出现空间变形、测试没做完、数据转换出问题等情况。之所以会这样，核心是探针台和测试机由不同的工程团队负责编程—— 探针台只管把芯片定位准确，测试机负责跑测试程序，两边衔接不畅，就导致测试结果里经常出现芯片尺寸、坐标甚至晶圆方向记录错误的问题。

2

多测试环节的标准统一：从晶圆探针测试、晶圆老化测试，到模块封装测试、模块老化测试，再到最后的性能测试，每个环节的数据格式、合格阈值、分档规则都不一样。这就带来了两个关键问题：首先得明确，芯片 “合格” 到底怎么定义？其次，有些芯片测试本身合格，但因为空间异常（比如 GDBN）被筛选剔除、没进入后续测试，这些芯片该怎么归类处理？

3

多芯片模块的算力压力：不同产品、不同批次、不同制程，都得单独建模型，还得满足全流程追溯的要求。再加上一个模块里就有几十颗芯片，模型训练需要处理的数据量一下子就上去了，多数厂商根本扛不住这么高的算力需求。

4

多级子封装的目标协同：产品要经过一级一级的子封装：上一级封装测试好的部件，会直接拿去做下一级更复杂的封装。每一级子封装都得做筛选决策，但最终目的是让所有子封装的总成本最低。这就意味着，子封装的步骤越多，要平衡的决策就越复杂，难度会急剧增加。

5

追溯能力薄弱的行业痛点：在功率半导体制造中，要实现从晶圆到模块的芯片全程追溯，得专门投入工程资源去做，没法自动完成。这给 AI 模型的训练数据收集和结果验证，带来了很大的麻烦。

我们的量产落地方案，会在确保全制造环节数据对齐、追溯链路完整、数据集满足分析要求后，再启动模型训练。即便如此，模型的构建、验证、部署与长期维护，依然充满挑战。

数据基础设施：AI 落地的核心前提

两个案例的实践均指向同一个底层结论：数据的分析可用性是 AI 成功落地的关键前提。多家客户反馈，数据准备与验证工作，占据了成功量产应用这些模型所需工程工作量的90%。

功率半导体行业的制造数据，天生就带着高度碎片化的特点。比如无晶圆厂企业，芯片来自不同供应商，还得交给不同的外包封测厂（OSAT）加工，想把这些分散的数据整合到一个平台上，难度特别大。
有人觉得，那些垂直整合的 IDM（自有制造）企业应该更有优势？其实不然。就算数据都属于同一家公司，也分散在各个厂区的不同系统里 —— 像制造执行系统（MES）、企业资源计划（ERP）这些，而且不同厂区的系统和数据标准都不一样，形成了一个个 “数据孤岛”。这时候，部署 Exensio 这类企业级良率管理平台，就显得至关重要了。

以安森美（onsemi）为例：在 2025 年 12 月 普迪飞用户大会上，安森美的Tom Grein展示了如何以 Exensio 作为单一数据平台与基准，覆盖碳化硅全制造流程 —— 从碳化硅粉末、晶体生长、外延、器件制造到模块封装，构建了 “晶锭生长→衬底→外延→晶圆制造→模块” 的完整追溯链路。

这种端到端的数据基础设施绝非锦上添花，而是开展深度 AI 分析与应用的必备前提条件。

行动倡议：打造 AI 适配的数据体系

基于与功率半导体制造商十余年的量产落地经验，我们认为，构建成功的 AI 战略需先夯实以下五大基础：

1

搭建完善的制造 IT 基础设施

AI 模型无法在不可用的数据上有效运行，因此应优先投资数据采集、存储与访问的基础设施建设，确保数据源头的稳定性与可用性。

2

打破数据孤岛

将所有制造相关数据 —— 包括物料数据、在线晶圆数据、设备运行数据、封装与测试数据等 —— 整合到单一平台。无法实现关联的数据，根本不具备建模价值。

3

从源头保障数据质量

理想情况下，应在数据采集环节就建立质量管控机制；若无法实现，则需搭建企业级 “数据清洗层”，在数据进入分析环境前完成格式统一、数值验证与异常标记，确保数据准确性。

4

推进跨厂区与制程的数据标准化

国际半导体设备与材料协会（SEMI）标准难以满足深度数据分析的需求，厂商需针对各数据域制定自有标准，并在全厂区、全制程中统一执行，确保数据的一致性与可比性。

5

建立全供应链追溯体系

功率半导体产品种类繁多，制程路线多样，涵盖全自研、部分外包、全外包（交钥匙）等多种模式。从原材料到最终出货模块，实现每颗芯片的源头追溯难度极大，但考虑到功率半导体的材料特性往往是决定模块性能与可靠性的关键，这项工作必不可少。

这五大基础是实现制造卓越的前提。基于不完整、不匹配、存在偏差的数据训练出的 AI 模型，必然会产生误导性结果；而在生产筛选系统中，这类误导性结果将直接转化为显著的成本损失。

当前，半导体行业的 AI 转型已全面提速。能够在这场转型中最大化获取价值的厂商，未必是拥有最复杂模型的企业，而是那些脚踏实地做好数据适配基础工作的先行者。