中阳期货官网

现在人工智能（AI）正在变化多个行业。有一个很有趣的征象：人工智能正在辅助推悦耳工智能芯片的提高。早在2021年6月，谷歌就行使AI来设计其TPU芯片。谷歌示意，人工智能可以在不到6小时的时间内完成人工需要数月时间完成的芯片设计事情。《Nature》的一篇谈论称这项研究是一项“主要成就”，并指出此类事情可以辅助抵消摩尔定律的终结。除此之外，英伟达已经最先使用人工智能来有用地改善和加速 GPU 设计；三星也已经谈论到了使用人工智能设计芯片。

但这远不是人工智能辅助芯片的*应用，AI手艺正渗透到更多芯片业的焦点环节，其中在制造这一芯片产业链的要害环节，AI也在悄然发力。

芯片制造环节，良率越来越受到磨练

现在险些所有的应用包罗5G、物联网、汽车、数据中央等的实现与生长都确立在更高性能、更低功耗、更大算力的芯片的基础之上。芯片的需求大幅提升，而芯片的供应却跟不上需求，提升现有产物的良率是业内公认的有用措施。

然而，良率的提升却给芯片设计商和制造商都带来了很大的挑战。

制造是半导体产业链的要害一环。整个制造历程主要分为八个步骤：晶圆加工 - 氧化 - 光刻 - 刻蚀 - 薄膜沉积 - 互连 - 测试 - 封装，每个芯片的制造步骤又需要数百个工艺。芯片生产制造的周期动辄两三个月，生产历程中发生的数据量庞杂，涉及的参数变量繁多，任何一点细小的转变都能影响到最终芯片的良率。

遵照着摩尔定律的工艺制程演进是芯片实现高性能盘算最为有用的途径之一，也是产业追逐的偏向。而随着芯片工艺来到更先进的5nm、3nm，芯片设计庞大度呈几何倍数增添，生产流程的不停加长，芯片的制造变得极其庞大与周详，良率变得*挑战。据半导体装备供应商巨头应用质料公司示意，从2015年到2021年，芯片制造的工艺步骤的数目增添了48%。相比成熟节点，先进节点的基准良率也越来越低。

而在半导体的商业化历程中，良坦白接关系到芯片的产量、生产成本与企业的盈利能力。以是说，仅仅通过芯片工艺手艺的改善来提高PPA变得越来越难题，而且从性价比来看，芯片流片的用度越来越贵，只有少少数的芯片公司才气肩负得起。

因此，既要提升芯片的良率又要在经济上可行，必须要多管齐下，探索创新的方式。在现在这个高度自动化的时代，引入人工智能/机械学习等手艺，推动芯片的制造流程，提升芯片的良率，进而辅助我们快速弥合算力供需之间的差距。

AI的强势出击

芯片制造是天下上最昂贵的生产工艺之一。芯片产量决议了诸如英特尔、三星、台积电等晶圆厂商的成败。他们不惜投入大量资源来使晶圆厂全天候运营，以实现耐久利润*化。

半导体制造商需要依赖扫描、测试和诊断来辅助故障剖析以解决良率问题。后端的缺陷检测无疑是提升芯片良率的一大“把关者”。现在大多数先进的SoC使用了极小的制造工艺，有的甚至引入EUV光刻手艺，对制造商来说加倍难以定位芯片上的细小故障和缺陷；而且在制造3D结构和执行庞大的多图案化步骤时，其中一些小的差异会累积以发生良率抑制缺陷，若是其中的一些细小的差异被延迟检测到，那么之后举行的所有流程步骤基本上都是虚耗时间和款项。他们发现缺陷的时间越长，损失的钱就越多。

为领会决这一行业难题，半导体装备供应商应用质料（Applied Materials）将人工智能融入到晶圆检测流程，从2016年最先应用质料就使用ExtractAI手艺开发Enlight系统，于 2020 年推出了新一代Enlight光学半导体晶圆检测机，该检测装备引入了大数据和AI手艺。Enlight 系统只需不到一个小时就可以绘制出晶圆上数百万个潜在缺陷。

应用质料示意，连系他们的Enlight光学检测、ExtractAI手艺和SEMVision eBeam审查功效，他们解决了最难题的检测挑战：将影响良率的缺陷与噪声区脱离来，还可以实时学习温顺应工艺转变。而且通过天生大数据，Enlight系统将捕捉要害缺陷的成本降低了3倍。这将使晶圆厂可以比以往更快地吸收更多可操作的数据，从而降低拥有成本并加速产量和上市时间。现在，这些最新的工具集已经安装在多个晶圆厂中，这些晶圆厂都在使用它来缩短*的良率。

应用质料公司示意，Enlight是其产物线中*个使用人工智能来改善生产历程的系统，另有更多人工智能增强系统正在筹备中。

检测装备是后期制造环节提升良率中的一个措施，而若是能在IC开发的物理设计阶段就接纳需要的措施，将良率的把控逐步转移到芯片前端设计，来确保能够准确地制造设计，那么就能提高产量并防止产物交付给客户后可能泛起的缺陷。这在行业内称之为DFM（Design-for-Manufacture），该看法险些存在于所有工程学科中。

在芯片设计端的DFM，EDA供应商们正致力于将种种AI功效集成到工具流中。

举例来看，西门子EDA的Calibre SONR工具就内嵌了机械学习引擎TenssorFlow，通过将并行盘算和ML手艺融入到EDA工具中去，使得EDA工具具有更快的运行速率。Calibre物理验证平台涵盖了Signoff级验证的Layout、Mask以及芯片制造历程中所有验证步骤。Calibre的产物线还在不停扩充，通过产物之间的互补优势真正做到从芯片设计端一起延伸至芯片制造端。这不仅能够辅助设计职员可以胸中有数地实行物理验证和交付设计，并能大幅提升流片良率，缩短芯片产物上市时间并加速创新速率。

仿真一直是芯片设计师的痛，随着先进工艺和超低电压的生长需求，仿真领域面临着数据量大、时序库提取时间长、暴力穷举太慢、STA工具做内差法精度不够等痛点，而若是行使机械学习算法，通过大数据的方式剖析已有数据库，通过多个外面模子互联，构建一个多维模子，‍‍通过这样模子的确立去推测‍出一个新的‍‍ Corner下的数据库。这样的方式与SPICE仿真或者内差法相比，可以说是跨代竞争，无论是速率照样精度，都有伟大的优势。西门子EDA推出的Solido机械学习手艺，能够对单一时序库文件的提取加速近百倍（相较传统SPICE方式），对整体时序库提取速率提升2到3倍，同时还可以把精度控制在可接受的局限之内。

验证也在随同着SoC的庞大而日益庞大和难题的一项事情，验证事情在芯片研发中所占的比重也越来越大，由于云云繁重的验证事情必须保证百分之百准确才气确保流片的乐成。关于这个挑战，也可以交给AI，机械学习被用来自动选择剖析器战略，以执行西门子EDA OneSpin中与形式验证有关的断言证实。

随着工艺和设计向前推进，良率丢失的根因变得越来越庞大，故障隔离手艺面临挑战，提高诊断分辨率成为削减良率爬坡时间的主要义务。在这方面，西门子EDA 的Tessent Diagnosis的疆土感知和单元感知手艺，连系Tessent YieldInsight的无监视机械学习手艺，即Root Cause Deconvolution（简称为RCD），可以找到最可能的缺陷漫衍并移除低概率嫌疑点，从而提高分辨率和准确性。现在格芯、UMC和中芯国际等都在使用该手艺来快速的定位到影响良率的准确根因并快速实现良率提升。

可以看出，借助AI/ML手艺，EDA工具越来越成为解决良率爬升的利器。人工智能/机械学习已经可以在先进工艺节点良率爬升、机械学习手艺在尺度单元变量感知型时序库特征提取、在量产化诊断驱动良率剖析中的应用、显著缩短 ASIC/FPGA 验证周期等自动化IC设计新领域，都能施展壮大的作用。

结语

通过各个领域的芯片厂商的创新，人工智能手艺已经在许多领域显示出其优势，应用AI不仅可以大幅缩短芯片设计所需时间，芯片缺陷检测的时间，降低芯片设计公司的人工成本等，还能有用知足市场对集成电路庞洪水平的需求。行使人工智能手艺来辅助设计和制造芯片已经成为事态所趋。信托在不久的未来，会有更多在芯片生产领域对人工智能手艺的探索和应用。