摩尔定律魔术的背後

半导体制造是如何持续演进?数据的价值为何?什麽样的关键能力值得学习?

电子产品的制造,从一开始的PCB,到後来的半导体,尺寸越来越小,而今日半导体的制程大战更是已经到了几十奈米(5nm制程的gate pitch约50nm上下)的等级。虽然在制作PCB板等较大的电子零组件时还可以用人力去检测与调整,凭经验来找到最佳制造方式。但一旦到了接近半导体制程的等级便很难用人工的方式去应付,因为制程的瑕疵已经不是肉眼能够判断的。不过,在半导体尺寸越来越小,生产难度越来越高的情况下,半导体制造仍然能够年年进步,有什麽力量在驱动这样的发展呢?背後有怎麽样的关键能力值得学习呢?

半导体怎麽应付复杂的制程而能年年进步?

其实半导体制造从来就不是单一学科的事,而是整个科技生态系一起演进的结果,从IC设计,不同制程步骤的硬体/软体开发商,到设计制程&整合所有硬体的半导体制造商,所有的厂商都必须要一起进步,整个制程制造能力才有办法前进。但,我认为不管是半导体的硬体设备(ASML、 KLA、LAM……),以及半导体的制造商(TSMC、Samsung、Intel……)都有大量的朝自动化、数位化及智慧化迈进的趋势。就像整个汽车工业渐渐的被数位化的趋势席卷一样(如特斯拉的资料系统), 整个半导体业早早的就大量的利用数据来帮助制造可以做得越精密、快速、便宜。

这些进步其实不是像很多人想的直接导入A.I.就会解决所有的问题。整个半导体制造的大系统其实是可以被划分为很多个小系统,像堆积木一样,然後每个小系统去随着时间优化、改善,再将这些持续的进步堆叠成每一个node的跃进。

比如说,每一种制程的机台都会根据半导体制造商的要求进行做一代又一代的改进,然後半导体制造商再将研发新一代制程将所有制程机台的进步整合,以达成最新一代晶片的要求(如图2)。再来,每一种制程的机台其实都会有硬体和软体,其硬体和软体的发展也都会与时俱进。所以整体来说,每一种制程的软体 / 硬体子系统推着单一制程设备的进步,而各种不同设备的进步和半导体制造商的整合推动着整体半导体制程的演进。文明就是这样堆叠出来的,而半导体制造的精度和效率也是聚集很多子系统的改善而让我们感觉到每年巨大的进步。

资料科学在半导体制造的价值和其底层逻辑

不过,半导体硬体设备开发成本极高,半导体设备厂想要用更有效的方式提升设备的效能时,该怎麽做呢?半导体设备厂目前有一个趋势是用演算法改善的方式,在硬体不变的情况下就增加原本设备整体的性能。而半导体制造商也积极的发展制程控制演算法将原本有的半导体设备的组合发挥到极致,来满足它们对制程控制的需求。演算法改善也有其优势,第一、它比一般的硬体开发时程来得短,第二、它比一般的硬体开发成本来得低, 所以目前在半导体机台的开发中其实透过演算法改善是一个重要的方向。

随着资料科学这个名词越来越火红,各种新的资料科学的观念也被导入半导体制程控制的实践中,而很多在半导体制造早就行之有年的观念、和一些机器学习的观念,这几年也被大家特别抽取出来作为智慧制造的「新观念」,比如说「边缘运算」及「Digital Twin」。

在这边我也整理几个在半导体制造领域做智慧制造的底层重要概念跟大家分享(这些其实也跟很多科学概念有关):

1. 科学量化(Digital Twin的基本概念):

科学量化其实是很重要但很容易被忽略的概念。科学量化其实是很多高阶技术的最底层逻辑,因为可量化,所以才可分析,才能进一步做制程控制&监控。这其实就是很多人在讲的「Digital Twin」的概念。而作量化也是所有做制程持续改善的起点,先量化,才能有基准点,才能做不同测试和实验去改善。而各个不同制程机台的准确度其实就是在某一个基准点上持续去做优化的。

2. 资料串连(大数据框架的基本概念):

资料串连也是另一个基本功,但它是挖掘跨机台资料价值的一个重要开端。资料其实是现实的体现,将现实情况量化以後就能将不同的资料去做整合和管理,进一步的让工程团队从资料当中找出优化的实际情况的方法,或是持续挖掘资料的价值。

3. 诊断/分析框架:

当制程内容量化,资料结构建立以後,便可开始累积分析的经验,而可以将分析的手法与经验设计成框架。这样子的框架可以让工程和研发团队持续的快速累积经验,而累积的经验又可以写成新的分析功能或延伸的框架,对研发团队的经验累积形成一个正向的循环,有研发工具的团队会比单兵作战的团队进步得快许多。而在做诊断的过程当中,难免会需要将一些复杂的资料萃取出精髓或者是KPI,来做更进一步的决策,而当这些分析手法成熟,KPI稳定了以後,其实可以将部分运算放在边缘,只抽取主要的KPI到最後决策中心做判断即可,也可以省去大量资料传输的时间,这其实就是所谓的「边缘运算」的概念。

### 4. 智能化:

当前三项具备了以後,就能导入一些机器学习的演算法,将原本诊断框架里的演算法再做进一步的提升,而因为诊断框架里的资料架构已经是有意义的资料架构了,所以演算法的精进可以再持续的提升诊断框架的效益,或是对於原本框架内的内容给予新的刺激。换句话说,智能化这件事情必须建立在对於科学量化以及资料有一定程度的经验,而去提升其价值,光是有人工智慧演算法但没有适当的资料和框架是无法突然就发挥价值的。

从基本功堆叠出来的巨大效益

那麽,为什麽半导体制造要大费周章地去做前面几个基本功呢?因为半导体市场的需求可以带来足够优渥的报酬去支撑这些努力。而所有的努力其实只为了达成一个主要的目的,就是「把很复杂的事情(制程)做准做快」,而达到每两年单位运算成本变成一半的经济效益。而前面讲的从科学量化到诊断框架的这些基本功的重要性在哪里,实际上又能够做些什麽呢?底下可以举几个例子:

1. 统计 / 生产效能分析:

当生产数据量化/数位化以後,自然就方便於整理以及统计,而进一步的变成生产效能监控以及分析的工具,成为改善和决策的重要关键。

2. 问题诊断/troubleshooting:

有时候,这些生产上的问题是极为复杂的。而如果资料的搜集和整理在第一时间有做好,就可以帮助有经验的工程师大大的降低问题诊断所需要的时间,当然,在每天大量出货的半导体厂这些省下来的时间就具有大量的经济价值。

3. 先进制程研发(做实验):

先进制程的研发并不是靠一个聪明的人就解决所有的问题的,其实研发的背後是大量的尝试错误与学习。而科学量化正是让大家可以客观判断各种不同方法效益的依据。以这些量化的结果来当作讨论的起点,各个不同的团队才能在同一个基准点上讨论事情,进而快速地推动研发的进程。有很多人误以为只要取得某一种高科技就能够达成研发目标而高枕无忧,其实是不对的。摩尔定律的竞赛是一个一直不断持续下去的竞赛,只有能够打好研发工具的基础,还有培养出可以持续成长的研发团队,才能在竞赛当中持续地保持领先。

所有的进步几乎都是从这些基本功一点一点去堆叠出来的。但也是因为半导体市场持续的需求所带来的经济效益,半导体厂愿意持续的去投资这些一点一滴的改善。

结论:我们能够从半导体先进制程的研发经验中学到什麽呢?

其实半导体制造和其他产业最主要的差别,就是在科学制造的DNA。而我觉得最重要的DNA就是下列三项:

1. 科学量化思维的效益:

科学量化的思维是所有进步的根本,它帮助我们从老师傅的经验思维升级到能够累加经验。科学量化思维让我们能设计不同的实验,再从数据结果去持续学习。经验当然是重要的,但如果能够将经验量化的话,经验才有办法叠加,整个系统才有办法更快速的持续进步。

2. 系统性迭代的效益:

半导体制程的进步是持续地站在之前的经验上去做改进而达成的,而因为有量化,有data的关系大家可以一直站在彼此的肩膀上持续往前,这种系统性的进步会比单兵作战的速度来得巨大很多,很多好的创新也由此而来。

3. 研发的方法论:

业界的研发其实是大量尝试把理论转换成实际有效益的产品的过程。也因此,尝试不同的可能性并找到最佳的方案是必须的。如何最有效的完成这样的过程呢?就是创造工具和系统让大家可以快速地做不同的尝试,而且让不同的工具和系统能够持续吸收彼此的优点演化,都能促进研发的进程。当然,创造一个易於交流的环境也是非常重要的,因为研发的关键资产就是人还有其交流激荡出来的火花。

而我想半导体制造给想要做智慧制造的公司的启示就是,如何从科学量化的思维开始慢慢地发展出组织使用资料的能力以及创造出能够持续不断迭代进步的智慧系统。而这才是不同公司能够持续地应付市场上竞争甚至胜出的关键。

责任编辑:陈建钧、郭昱彣

(本文由Vince Liu授权转载自其粉丝专页)

《》长期徵稿,针对时事科技议题,需要您的独特观点,欢迎各类专业人士来稿一起交流。,文长至少800字,请附上个人100字内简介,文章若采用将经编辑润饰,如需改标会与您讨论。

(观点文章呈现多元意见,不代表《》的立场)