智能视觉：美光如何利用 AI 提高良率和质量

制造过程在无菌制造室（称为洁净室）中进行，以防止微小的灰尘落在原始晶圆上。但损坏仍时有发生。这些易脆裂的晶圆可能会受到刮擦、划伤或刺穿，也可能会在保护膜下形成气泡。

这些瑕疵通常很微小，肉眼完全看不见。即使可见，检测人员在扫视每个晶圆的 30 到 40 张照片时，也可能会因为眼睛疲劳或暂时走神而未注意到缺陷。眨眼之间，他们便可能漏掉一些瑕疵品。

如果到测试阶段才发现问题，就会浪费大量时间和金钱。这些瑕疵的根源问题不仅仅只影响一片晶圆，而可能影响成千上万片晶圆。

在生产中还有其他方面也可能会出现问题。零件磨损；管道危险化学品泄漏或滴落到产品或员工身上。我们必须及早发现这些问题并予以纠正。一旦停工，往往就要付出很高的代价，导致收入损失并错失生产良机。由于半导体制造的复杂性，恢复生产需要耗费大量的时间，这可能会使真实成本达到数百万美元。并且，还存在很多与员工受伤相关的风险。最后，美光对可持续发展的承诺还要求工艺过程尽可能节能增效。

及时检测出产品和机械问题，对于生产效率、效能和安全至关重要。遗憾的是，人难免会犯错。即使是最专业的员工也未必总能察觉出细微的问题迹象。

而 AI 技术可以在极短的时间内以极高的精度完成这些任务。美光从 570,000 多个来源收集了 PB 级的制造数据，并将其添加到自己的云数据库环境中。

图像分析

美光的 AI 制造基于图像分析技术。Koen 解释道：“图像在半导体制造工艺中具有强大的作用，我们可以分析每个工艺步骤的详细图像。”

他还表示：“通过分析每个阶段的图像，我们可以快速识别发生的任何偏差。所有过程都完全采用自动化方式。这种分析涵盖各个方面，包括前道、封装与测试。”

除了图像分析，美光还采用视频分析来消除封装和测试中的质量问题。您也许会认为视频的数据量太大，因而不太可行。但是美光还是使用 AI 来确定需要分析的关键位置。AI 会适时启动和停止视频流，仅捕获关键过程，从而控制数据量的大小。

图像和视频非常有用，因为晶圆瑕疵有很多种形式。它们大多属于这些常见类型：晶圆边缘附近有小孔，或外层薄膜上有划痕和气泡。在晶圆制造过程中，光刻机在晶圆上蚀刻电路时，其摄像头会捕获一些图像，美光的 AI 系统使用“计算机视觉”技术在这些图像上识别上述缺陷。

工程师可能会指示系统扫描晶圆边缘的小点（孔）或者连续/轻微断开的线条（划痕），系统也可以根据深浅不同的斑点或图案来找出颜色变化。其中一些瑕疵几乎可以实时发现，系统在拍摄图像后几秒钟内就会发出警报。在照片存储几分钟后的二次扫描中可能会发现其他缺陷。所有这些过程都依赖于 AI 系统对数据库环境中存储的 200 万张图像进行比较和对照。

事实证明，这些结果比工程师的评估要准确得多，因为 AI 计算机视觉具有更高的准确性和高效率。最重要的是，工程师们现在可以专注于研究问题和收集数据。

此外，借助美光的 AI 自动缺陷分类 (ADC) 系统，技术人员和工程师不再需要手动对晶圆缺陷进行分类。AI-ADC 系统使用深度学习技术，每年可以对数百万个缺陷进行排序和分类。美光创建的这个系统采用了当今市场上前沿的成像技术，包括神经网络技术，这是一种受生物学启发的编程范式，使计算机能够从观察数据中学习。

这种形式的机器学习根据图像中的缺陷对图像进行分类，然后将它们放在离散的集群中。这个过程不仅可以帮助工程师发现制造中出现的问题，以便尽早修复，避免更多缺陷，还可以让 AI 系统自行发现缺陷，并在每次迭代中完善结果。

声学监听

美光除了将 AI 成像作为制造工艺的核心外，还利用声学监听来预防问题。“异常”声音往往表示部件存在磨损或即将发生故障。

美光的 AI 系统可以通过声学传感器监听工厂机械的异常情况。这些传感器通常有计划地安装在机器人执行装置或泵设备附近。这些麦克风可以连续数周对正常工作状况录音，软件将检测到的频率转换为图形或图表，以视觉数据来描述声音。当出现新的音高或频率时，系统会发出警报。很多情况下，系统甚至可以辨别出发生异常的原因。

搜索这些庞大的数据库可能非常耗时。当机器有可能发生故障时，工厂经理需要立即知晓情况。相比基于 CPU 的系统，将数据发送到由 GPU、加速器以及美光的高性能内存和存储设备组成的 AI 系统可以更快获得及时、智能的结果。这些 AI 系统具有数十万个 GPU 核心和大容量内存，可以同时协同工作，瞬间优化结果，几乎无需人工干预。此外，它们还可以在每次迭代中改进诊断机制，类似于人脑的工作方式。

热成像

并不是每种故障都会发出声响。在制造环境中，寂静无声也可能隐藏着致命危险。比如，温度的变化。直到最近，人们检测温度骤升的方法仍然只有观察红光、火花或烟雾。当这些状况出现时，意味着事态已进入危险阶段，工厂需要尽快疏散员工。

因此，除了图像分析和声学监听外，美光还使用热成像技术测量关键器件的温度。

Koen 解释道：“测量变压器的温度是防止过热的关键。及早发现问题也许只需要进行简单的修理，否则很可能需要更换整套昂贵的设备。”

最后，这些用于图像、声音和温度的 AI 传感器还体现了美光对可持续发展的承诺。Koen 补充道：“这些传感器在提高质量和效率方面表现出色，在促进可持续发展方面同样作用巨大。它们能够实现细粒度的能源计量，能够显著节约原材料和能源。”

数据

美光通过 570,000 个传感器生成 230 万张晶圆图像，涉及到 2.29 亿个控制点。所有这些数据每周都会通过 AI 模型进行处理。此外，已存储 34 PB 数据，并且每天捕获 30 TB 的新数据。

美光大规模采用 AI 技术，用于分析各个领域的创新数据科学应用，包括良率分析、数字孪生规划、物联网和图像分析、优化和高级算法、流程自动化和移动应用等。

结果*毋庸置疑：

• 制造工具可用性提高 4%
• 员工生产效率提高 18%
• 新品上市时间缩短 50%
• 产品报废率降低 22%
• 质量问题解决时间缩短 50%

*改进结果基于美光 2016-2020 年收集的内部数据和分析

数据分析和 AI 的优势不仅限于晶圆厂，还延伸到美光运营的各个方面，包括销售和营销、人力资源、业务运营、研发等。

Koen 表示：“这是整个企业层面的转型，而不仅仅是车间改造。我们可以将这些技术和方法应用到公司内部的所有业务流程。”

生态系统合作伙伴关系

美光不仅在内部优化制造工艺，还直接与供应商合作，向他们提供与产品相关的详细反馈，以确保尽可能提高能效。美光同这些供应商一起协调 DIMS（数据摄入美光系统），尽可能提高数据摄取的频率。美光工程师会实时监控这些摄取状态，同时持续进行精益求精的校正和优化。

此外，通过与供应商合作，美光使用遥测数据来衡量我们的产品在其数据中心的效果。这些数据与美光内部数据相结合，可支持实时协作，以便改进产品，使其满足特定工作负载的需求。

我们也会密切监控模型的性能。使用 AI 处理传入的数据并进行反复训练，工程师能够更深入地专注于自动化机器学习的流程。（否则，就永远不会有足够的数据科学家推动技术发展，他们将会忙于研究那些已经发生的事件。）

这些计划得到了内部数据科学学院的支持，同时公司也在内部数据科学家、工程师和解决方案架构师方面进行了持续投资。通过这些资源以及我们的公民数据科学模型，职能专家能够有效利用 AI 支持的工具和见解。

行业领导力

如今，美光正在将丰富的核心工艺知识与 AI 出类拔萃的效率相结合。数据专家们创建了大型良率管理平台，公司内有 6,000 名员工正在使用这些平台。与此同时，以前专注于日常良率优化的专业团队正在快速集成周期中构建新的原型。我们经常会应用这些原型来优化主要平台。

同时，结果证明了一切。得益于美光团队成员的奉献精神和 AI 驱动的制造工艺，我们的 1α (1-alpha) 节点 DRAM 和 176 层 NAND 达到了美光历史上的最高良率。行业前沿的 1β (1-beta) DRAM 和 232 层 NAND 比任何其他美光技术都更快地达到了成熟良率。

美光正在优化 AI 改变制造业的方式。新技术不仅不会取代团队成员的工作，反而会为团队助力和赋能，让他们无需再忙于获取数据并进行大量基础分析。现在，他们可以专注于自己擅长的事情——通过创新来开发行业前沿产品。