ML-i kasutamine Fab-ajastamise täiustamiseks

Fab-võimsuse suurendamine on aeglane ja kulukas isegi ideaalsetes tingimustes. Viimastel aastatel on see olnud veelgi keerulisem, kuna pandeemiaga seotud nappus on pingestanud seadmete tarneahelaid.

Kui integraallülituste nõudlus kasvab kiiremini, kui laiendused seda tühimikku täita suudavad, püüavad tehased paremate toimingute abil leida "peidetud" võimsust. Nad loodavad, et tõhusamad töövood võimaldavad olemasolevatel seadmetel tarnida rohkem valmis vahvleid.

See on oluline eesmärk, kuid see on tööstusele selle loomisest peale väljakutseid esitanud. Shiladitya Chakravorty, vanemandmeteadlane aadressil GlobalFoundries, selgitas eelmise aasta ASMC konverentsil esitletud töös, et suurepärane ajakava on niinimetatud tööpoe ajastamise probleemi väga keeruline versioon.⁠[1] Iga vahvlipartii läbib sadu protsessietappe. Kuigi sammude loend on fikseeritud, siseneb voog uuesti, kuna partii külastab mõnda protsessi rohkem kui üks kord.

Iga etapi jaoks saadaolevate tööriistade täpne arv erineb, kuna tööriistad võetakse hoolduseks või remondiks võrguühenduseta. Mõned etapid, nagu difusioonahjud, koondavad mitu partiid suurteks partiideks. Mõned järjestused, nagu fotoresisti töötlemine, peavad järgima rangeid ajapiiranguid. Litograafiarakud peavad sobitama vahvlid sobivate võrestikuga. Partii prioriteedid muutuvad pidevalt. Isegi üksiku protsessietapi jaoks kuluv aeg võib muutuda, kuna jooksvalt käitatavad juhtimissüsteemid kohandavad retseptiaegu optimaalsete tulemuste saavutamiseks.

Kõigil neil põhjustel puudub täieliku pooljuhttehase deterministlik "esimeste põhimõtete" mudel ja puudub võimalus ühe vahvli tsükliaega või täpset marsruuti täpselt ennustada. Ajastamine tugineb tavaliselt reeglipõhisele heuristikale ning inimjuhtide ja tööriistade operaatorite võimele teha reaalajas lähetusotsuseid.

Teisest küljest ütles Chakravorty, et fabidel on oma tegevuse kohta palju andmeid. Neil on ajaloolised andmed selliste muutujate kohta nagu protsessiaeg ja tsükliaeg nii üksikute protsessielementide kui ka kogu fabi kohta. Nad teavad, kui sageli tööriistad üles ütlevad, kui kaua nende parandamine aega võtab ja kus on kitsaskohad. Kuna masinõppesüsteemid muutuvad võimekamaks, võivad need andmed aidata neid koolitada, et aidata inimestest otsustajaid.

Suurepärasel tasemel võib masinõpe toetada paremat tsükliaja prognoosimist ja võimsuse planeerimist. Protsessi lahtri või klastri tööriista tasemel võib see teavitada WIP-i ajastamise otsuseid. Vahepeal võib see hõlbustada paremat koormuse tasakaalustamist ja tellimuste saatmist. Esimese sammuna vajavad kõik need rakendused täpseid fab-keskkonna mudeleid, mis on keeruline probleem.

Suurepärane simulatsioon generatiivse AI-ga
Selle aasta Semicon Westi ettekandes soovitas minds.ai CTO Jasper van Heugten, et generatiivsed AI tööriistad võivad olla osa lahendusest. Generatiivne AI ekstrapoleerib uued andmed, mis "sobivad" olemasoleva andmekogumiga. Näiteks võib generatiivse pilditööriista kasutada stseeni rekonstrueerimiseks madala eraldusvõimega fotost. Ettevõte kasutab sarnaseid tehnikaid olemasolevate fab-andmekogumite proovivõtmiseks. Seda tehnikat saab kasutada fabi üksikasjalikuma esituse väljatöötamiseks või see võib häirida reaalmaailma andmeid, et luua mitu potentsiaalset stsenaariumi.

Mõlemal juhul saavad loodud andmed treenida paremaid võimsusmudeleid ja dispetšertööriistu. Nagu Peter Lendermann, D-Simlab Technologiesi äriarendusjuht sama konverentsi laiendatud kiibivõimsuse sessioonil selgitas, püüavad võimsusmudelid ennustada tööriistadele vahvlite antud määramise tulemust. Huvipakkuvad mõõdikud hõlmavad tsükliaega ja läbilaskevõimet, aga ka tehase võimet tellimusi õigeaegselt tarnida ning partiide määramise mõju toote kvaliteedile. Kui fab kiirendab kõrge prioriteediga partiide tarnimist, siis kui palju see aeglustab madalama prioriteediga partiid? Mudelid võivad anda teavet, kuid konkureerivate prioriteetide tasakaalustamine nõuab inimlikku panust.

Ajakava optimeerijad saavad oma ettepanekute testimiseks ja „parima” ajakava tuvastamiseks kasutada tugevat võimsusmudelit. Kuid isegi see "ideaal" on vaid lähtepunkt. Kuigi suurepärastel plaanijatel ei ole võimalik tegelikus tehases toimuvatele sündmustele reaalajas reageerida, on tarkvara väljasaatmise juhiste seadmine oluline samm edasi. Tihti ei ole suure võimsuse muutuste ja tsükliaja vahelised koostoimed intuitiivsed. Kuna saatmistarkvara peab toimima reaalajas, eelistab see „piisavalt hea“ lahenduse kiiret leidmist „parima“ lahenduse asemel.

D-Simlab väitis masinõppe kasutamist, et toetada "olukorrapõhist saatmist". Fab-simulatsiooni abil koolitatud lähetaja saab teada, millised partiid annavad konkreetsetes olukordades „häid” tulemusi, ja kasutab neid teadmisi tehases sarnaste otsuste tegemiseks.

Kohaliku sõiduplaani käsitlemine reaalajas
Kohalikud protsessirakud on nii tavaliste kui ka masinõppemeetodite jaoks oluliselt paremini juhitavad. Tootlikkuse paranemine kitsaskohtades võib oluliselt mõjutada fabi kui terviku.

Selle aasta ASMC-s esitletud töös arutas Flexcitoni uurimis- ja arendusjuht Semya Elaoud Seagate Springtowni projekti, mis sidus suurepärase planeerija kohaliku tööriistakomplekti planeerijaga. Ülemaailmne ajakava kasutas tulevaste protsessietappide jaoks prognoositud ooteaegu, et WIP-partiid vastavalt vajadusele iga paari minuti järel ümber seada, seejärel seadis tööriistakomplekti planeerijatele värskendatud prioriteedid. Tööriistakomplekti planeerijad, kuna need keskendusid väiksematele tööriistaklastritele, suutsid pakkuda ühiselt täpseid ajakavasid iga tööetapi jaoks. Kombineeritud süsteem saavutas 8.7% tõusu üldises suurepärases läbilaskevõimes, kusjuures konkreetselt litograafia tööriistakomplektide partiide liikumine suurenes 9.4%. Selle töö käigus leiti ka, et automaatne lähetamine võib saavutada parema koormuse tasakaalustamise. Inimdispetšerid kaldusid eelistama lähetustöökoha lähedal asuvaid tööriistu, samas kui automatiseeritud süsteem sai sellest eelarvamusest jagu.[2]

Kohalik ajakava tõstab esile ka seosed tootlikkuse näitajate (nt tsükliaeg) ja tootekvaliteedi näitajate (nt saagis) vahel. Näiteks hõlmab hoolduse ajakava tingimata kompromissi tööriista kättesaadavuse ja potentsiaalselt halvenenud tootekvaliteedi vahel. Kui nõudlus on suur, võib fab ajutiselt töötada üle nimivõimsuse, lükates hoolduse edasi. Juhid vajavad tööriistu, mis aitavad hinnata selle lähenemisviisi riske ja eeliseid.

Ajastamine aitab määrata ka ajaliselt piiratud protsessijadadega saavutatud saagist. Näiteks mõne fotoresisti puhul pildi kvaliteet aja jooksul halveneb. Kui kogu litograafiaprotsess alates kaitsekihist kuni kokkupuute ja väljatöötamiseni piiratud aja jooksul lõpule ei viida, väheneb saagis ja suureneb ümbertöötlemine.

Need järjestused, mida kirjanduses nimetatakse "ajapiirangu tunneliteks" või "järjekorraaja piiranguteks", tekitavad ajastamissüsteemidele erilisi probleeme. Enne partii saatmist järjestuse esimesse etappi peab süsteem hindama tsükli koguaega ja kinnitama, et partii jõuab õigeaegselt viimasesse etappi ja et teisi tunnelis juba olevaid partiisid see negatiivselt ei mõjuta. Näiteks võib olla tõhusam käitada kõiki sama võrgustikku nõudvaid partiisid koos, kuid ainult siis, kui see ei viivita teisi partiisid liigselt.

GlobalFoundriesi rühm demonstreeris närvivõrgu meetodite tõhusust ajapiiranguga tunnelite saatmiseks. Sisendparameetrite ja tsükliaja vaheline seos on keeruline ja mittelineaarne. Nagu eespool mainitud, on masinõppemeetodid eriti kasulikud sellistes olukordades, kus statistilised andmed on saadaval, kuid täpne modelleerimine on keeruline. Võrreldes olemasoleva lineaarse regressioonimudeliga saavutasid kahe erineva kunstliku närvivõrgu mudeli tsükliaja prognoosid võrreldavad keskmised vead, kuid oluliselt paremad ruutkeskmised vead. Lineaarne regressioonimudel andis halvemaid tulemusi kõrge tsükliajaga stsenaariumide puhul, just olukordades, kus täpsed prognoosid on kõige olulisemad.

Siin on jällegi kriitilise tähtsusega eesmärkide määratlemine kvalifitseeritud inimese poolt. Väljasaatmissüsteem, mis saadab tunnelisse korraga vaid ühe partii, ei rikuks tõenäoliselt kunagi ajalisi piiranguid, vaid sunniks ka stepperit pikemaks ajaks jõude istuma.

Klastritööriistad on veel üks juhtum, mille puhul täpsel kohalikul ajastamisel võib olla olulisi eeliseid. Kuni 8 protsessikambrit integreerivad klastritööriistad tekitavad palju samu probleeme, mida teeb üldine fab-planeerimine, kuid väiksemas mahus. Igal partiil võib olla erinev retsept ja see võib tööriista kaudu erineda. Üksikute kambrite saadavus muutub. Tööriista sees ei ole puhvrit, kuid jooksvalt käitatav protsessi juhtimissüsteem võib pikendada või lühendada viibimisaega antud kambris. Vaakumpumbal võib soovitud protsessitingimuste loomiseks kuluda rohkem või vähem aega. Ja reaalajas sõiduplaanisüsteemil võib olla vaid mõni sekund, et vahvli liigutuste vahel "mõtleda".

Siin näitasid Peer Groupi turundusdirektor Doug Suerich ja peaarendaja Trevor McIlroy tugevdavate õppemeetodite kasulikkust. Tugevdusõpe toimib nii, et agent pakub simuleeritud keskkonnale lahendusi, mida tulemuste põhjal premeeritakse või karistatakse. Kuigi algselt juhuslikud, paranevad lahendused aja jooksul.

Peer Groupi töös kasutati võrguühenduseta ajakavade loomiseks tugevdusõpet, mida kasutati reaalajas planeerija lähtepunktina. Reaalajas planeerija omakorda simuleeris olemasoleva aja jooksul võimalikult palju potentsiaalseid käike, otsides esmalt "kehtivat" jada, mis ei rikuks etteantud reegleid. Kui kehtiv järjestus oli avastatud, kasutas süsteem järelejäänud aega parema järjestuse leidmiseks.⁠[3]

Mis järgmiseks?
Üldiselt jagunevad suurepärase ajastamise masinõppe tööriistad kahte suurde kategooriasse. Suured võrguühenduseta mudelid võivad püüda leida optimaalseid suurepäraseid lahendusi, kuid nõuavad reaalajas tegutsemiseks liiga palju arvutusi. Väiksemad kohalikud mudelid aga püüavad reageerida muutustele, kui need toimuvad. Kuna mõlemat tüüpi mudelid muutuvad võimekamaks, tehakse nende kahe ühendamise viiside kallal üha rohkem tööd.

See liides võib toimuda olemasoleva partiide väljasaatmissüsteemi kaudu, nagu Seagate Springtowni töös. Või, nagu Peer Groupi projektis, võib sarnaseid mudeleid kasutada erinevate ajahorisontidega. Benjamin Kovács ja kolleegid Klagenfurti ülikoolist töötavad välja avatud lähtekoodiga simulatsioonitööriistu, et toetada uute lahenduste võrdlusuuringuid ja testimist.⁠[4]

viited

1. S. Chakravorty ja N. N. Nagarur, “Analysis of Artificial Neural Network Based Algorithms For Real Time Dispatching”, 2022, 33rd Annual SEMI Advanced Semiconductor Manufacturing Conference (ASMC), Saratoga Springs, NY, USA, 2022, lk 1–6, doi: 10.1109/ASMC54647.2022.9792495.
2. S. Elaoud, D. Xenos ja T. O'Donnell, „Tehaste ja tööriistakomplektide planeerijate integreeritud raamistiku juurutamine tõelise suuremahulise tehase jõudluse parandamiseks”, 2023. aasta 34. aasta SEMI täiustatud pooljuhtide tootmise konverents (ASMC), Saratoga Springs, NY, USA, 2023, lk 1–6, doi: 10.1109/ASMC57536.2023.10121116.
3. D. Suerich ja T. McIlroy, "Tehisintellekt reaalajas klastri tööriistade ajakava jaoks: EO: seadmete optimeerimine", 2022 33. aasta SEMI Advanced Semiconductor Manufacturing Conference (ASMC), Saratoga Springs, NY, USA, 2022, lk 1. , doi: 3/ASMC10.1109.
4. B. Kovács, et. al., „Kohandatav tehisintellekti uurimise simulaator pooljuhttehaste kavandamiseks”, 2022. aasta 33. aasta SEMI täiustatud pooljuhtide tootmise konverents (ASMC), Saratoga Springs, NY, USA, 2022, lk 1–6, doi: 10.1109MC54647.2022.9792520/XNUMX. XNUMX.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
• Allikas: https://semiengineering.com/using-ml-for-improved-fab-scheduling/