高級分析、機器學習和人工智能的應用，正在使傳統的製造和運營方法遭受衝擊。雖然半導體製造公司在應用這些技術方麵有些限製，但可能很快就會有所改變——並且它們也有很好的理由去改變。現在，要想將一款新的集成電路推向市場，所需要的時間在每個節點上都在逐漸上升。新的設計和製造技術，是造成這個問題的一個原因。但是，更複雜的檢查、測試和驗證程序，也是產生延誤的原因。

 

半導體產業鏈的現狀表明，晶圓廠需要多個領域的共同協助。在過去幾年的設計過程中，測試和驗證時間增加了50％。新產品引進和升級，現在通常需要12到18個月的調試和調整。類似地，組裝和測試過程中30％的資本支出，都是不給產品增加任何價值的測試。芯片進入市場後，問題也不會停止：客戶可能會遇到意想不到的性能問題，並要求半導體公司幫助解決這些問題 ——這是一項艱巨的任務，因為廠商們沒有辦法追蹤芯片從生產到使用的所有過程。 此外，許多晶圓廠沒有有效地記錄生產過程中遇到的問題，也沒有采取措施來嚐試解決這些問題。

 

在許多情況下，出現問題的原因，是因為盡管有一定程度的自動化，重要任務仍然需要頻繁的手動操作幹預。為了改進這一流程，許多技術公司正在創建分析工具。這些工具，可以幫助晶圓廠用基於事實的知識、模式識別和結構學習，來代替猜測和人類的直覺。除了減少錯誤、精簡生產和降低成本之外，這些工具甚至可以幫助晶圓廠發現新的業務模型，並獲取額外的價值。

 

盡管這些分析工具才剛剛開始獲得晶圓廠的關注，但半導體製造商已經有很多選項可供選擇。因為，許多技術人員最近已經開發出專門的解決方案，來簡化芯片製造過程。我們從大量創新者中選出了三家公司，作為新生攪局者的代表性例子。我們訪問了他們的業務部門和技術部門的領導，以進一步了解其能力。我們的目標不是選擇性地認可某一家公司，而是為可能不熟悉新產品的半導體公司，提供不同的新興解決方案。

 

主動防止錯誤，進而優化產量

高級數據分析，可以在虛擬或數字設計文件中，測試和標記出可能的故障點，為晶圓廠提供了極大的方便。不需要測試成品，半導體公司就可以提前糾正物理設計中的錯誤，提高產量和可靠性。 晶圓廠商還可以使用相同的技術，來生成和運行虛擬芯片進行測試 ，從而允許他們識別和消除邊際效應的同時，進行流程優化。最後，高級數據分析可以讓晶圓廠將來自傳感器的數據大量輸入，與廣泛的流程級信息相結合，創建豐富的多變量數據集。然後，它們可以快速診斷芯片或設備故障的可能來源，從而為潛在的問題提供早期警告。這些工具，可以從先前的設計中進行初步學習，並隨時間增強檢測故障的能力。為了更多地了解這些防範錯誤的新工具，我們與Motivo首席執行官Bharath Rangarajan進行了訪談。Motivo是一家高級分析公司，通過使用專有算法、機器學習和人工智能，來增強預測分析能力，從而提供更多的有洞察力的診斷，防止複雜的芯片故障產生。

 

麥肯錫：你能談談我們看到的芯片生產中的一些問題，特別是錯誤檢測問題嗎？

Bharath Rangarajan：每個工廠都有數千個工藝步驟，而這些步驟又有數千個參數可以用於不同的組合。因為有這麽多的因素，所以才導致了很多芯片故障或缺陷。但是每個誤差的頻率往往非常低，因為在設計和生產過程中，參數很少會是一樣的。這使得，即使是最強的工程團隊，也難以預測發生問題的地點和時間。

 

由於晶圓廠傳統上幾乎沒有分析工具，所以他們試圖通過製作模型、運行測試晶片和執行基本分析來發現出現較多的問題。換句話說，他們會改變一個設計或過程，看看是否消除了一個常見的錯誤。在僅需要改變幾個參數的情況下，這種方法會降低一些高頻問題，但這並不能幫助晶圓廠識別出更廣泛存在的、更難發現的低頻和中頻誤差。它也不能識別隻能通過改變許多參數來解決的高頻誤差，而這些錯誤，很多時候是產量降低的原因。

 

傳統的糾錯方法，還存在另外一個問題，那就是很難從過去的經驗中進行學習。正如我所說，晶圓廠已經能夠通過調整多個參數來消除缺陷，但這僅僅有助於他們處理當前批次的產品。他們的測試方法，並不能讓他們了解導致問題的內在原因。我的意思是，他們沒有顯示出改進的確切變化，所以可能會在將來重複同樣的錯誤。許多設計團隊和負責流程的工程師之間存在溝通問題，他們在描述問題、甚至共享過去故障信息的方式上並不相同。我可以理解為什麽會發生這種情況 —— 很多時候，設計和流程人員甚至都不在同一個地點辦公。他們使用不同的語言，有些甚至可能不知道已經存在一些問題。