人工智能和數(shù)字孿生技術(shù)的進步提供了芯片設(shè)計和生產(chǎn)過程的潛力。

數(shù)字孿生，簡單定義為對現(xiàn)實世界的實時模擬，最近開始在半導體領(lǐng)域獲得發(fā)展勢頭。例如，AR是英特爾全球制造過程中不可或缺的一部分，從維護和整修，使他們能夠進行遠程通信以進行國際故障排除并準備交互式培訓材料。

半導體制造是一個漫長而復雜的過程。建立晶圓制造廠需要精確、清潔的環(huán)境、昂貴的設(shè)備和時間。例如，領(lǐng)先的半導體制造商GlobalFoundries通常需要三個月的時間才能將硅晶圓蝕刻并制造成多層半導體。當芯片短缺時，在上升周期中增加產(chǎn)量變得困難，因為新工廠的啟動和運行需要數(shù)年時間。人工智能和數(shù)字孿生技術(shù)的進步提供了加速芯片設(shè)計和生產(chǎn)過程的潛力，并幫助制造商迅速縮小供需差距。

革新半導體制造 “數(shù)字孿生”將為協(xié)作工作鋪平道路，并從根本上改變員工培訓方式。光刻設(shè)備工具對于半導體工廠來說最為重要，每臺成本高達4000萬美元（對于300毫米晶圓尺寸）。但是，隨著芯片制造工藝向較低節(jié)點遷移，成本會猛增。建立任何新晶圓廠的一個重要方面是技術(shù)轉(zhuǎn)讓費，其中包括收到新設(shè)施的專家和對員工進行擬議節(jié)點技術(shù)培訓。但是，創(chuàng)建模擬環(huán)境可以減少在任何新工廠進行生產(chǎn)的時間。

英偉達的數(shù)字孿生指南解釋說，在使用這項新技術(shù)之前，員工甚至可以在昂貴的系統(tǒng)上接受培訓。一旦接受培訓，工人就可以對這些機器進行鑒定、操作和維修，而無需踏入安裝它們的超潔凈室。因此，虛擬工廠將允許專家更快、更便宜地設(shè)計和測試新工藝，而無需中斷實體工廠的運營。

除了創(chuàng)建整個工廠的數(shù)字副本外，制造商還可以使用AI技術(shù)處理來自實際工廠內(nèi)部傳感器的數(shù)據(jù)，并找到新的材料路線方式，以減少浪費并加快運營速度。

日前，英偉達還宣布與富士康合作打造自動駕駛汽車平臺（點擊查看詳情）。富士康將為基于英偉達DRIVE Sim平臺的汽車制造電子控制單元 (ECU)，而該平臺又基于Omniverse，使汽車制造商能夠設(shè)計汽車內(nèi)飾并保留完全在虛擬世界中的體驗。通過注入AI 和元宇宙，英偉達旨在讓制造更智能、更高效。富士康將為Fisker Inc生產(chǎn)第二款車型，并為Lordstown Motors Corp和Apple產(chǎn)品生產(chǎn)電動汽車。

數(shù)字孿生的挑戰(zhàn)

然而，采用數(shù)字孿生技術(shù)也存在挑戰(zhàn)。Front End Analytics總經(jīng)理Juan Betts表示，系統(tǒng)越復雜，AI框架就越復雜，如果使用傳統(tǒng) “AI”技術(shù)，則需要的數(shù)據(jù)也就越多。因此，培訓人工智能通常是其使用的主要障礙。

為了確保可靠的輸出，在許多情況下，在經(jīng)常需要手動輸入來標記這些數(shù)據(jù)集的情況下，會使用受監(jiān)督的機器學習模型。然而，該方法成本高昂、容易出錯且耗時，尤其是在復雜且動態(tài)的制造環(huán)境中。

Clear Ventures 的創(chuàng)始人Chris Rust說道，像LAM Research、博世（已經(jīng)在其德國半導體工廠中使用了數(shù)字孿生）和應(yīng)用材料等組織已經(jīng)在使用替代機器學習模型，這些模型“更準確，最高可達比傳統(tǒng)的基于物理的模擬快百萬倍”。他還補充說，Tignis、AspenTech 和 Ansys等技術(shù)公司在這一領(lǐng)域處于領(lǐng)先地位，他們利用數(shù)字孿生來簡化工業(yè)運營，并使幾乎所有應(yīng)用程序都可以訪問AI 和 ML。

有鑒于此，工業(yè)數(shù)字孿生協(xié)會 (IDTA) 總經(jīng)理Christian Mosch提出了多個數(shù)字孿生之間的“可互操作”方法，其中數(shù)據(jù)在不同生命周期階段共享，包括設(shè)計、規(guī)劃、建設(shè)、培訓和運營，除其他外。僅就半導體制造而言，就可以看到數(shù)字孿生建模和數(shù)字孿生數(shù)據(jù)標記之間的互操作框架如何簡化整個過程，類似于真實世界的系統(tǒng)。 人工智能的使用

同樣，在人工智能方面，許多系統(tǒng)已經(jīng)在各個領(lǐng)域進行中。例如，制造領(lǐng)域的一些常見用例包括需求預(yù)測、庫存優(yōu)化、調(diào)度和預(yù)測性維護。美光科技智能制造（印度工廠）和人工智能總監(jiān)Shisheer Kotha指出，其中一項重要應(yīng)用是自動缺陷分類，它使用圖像分析和深度學習在更短的時間內(nèi)識別根本原因，并有助于提高良率. 他補充說：“這些解決方案通過結(jié)合物聯(lián)網(wǎng)和深度學習技術(shù)，提高了組裝和測試操作的質(zhì)量和早期檢測?！?

審核編輯 ：李倩