作者：Anne Meixner

原文：https://semiengineering.com/hybrid-approach-emerges-for-edge-cloud-inspection-of-chips/

檢測圖像與計量測量數(shù)據(jù)呈爆炸式增長，給芯片制造商及其設(shè)備供應(yīng)商帶來了一系列復(fù)雜需求。一方面，他們需要云端的海量存儲與計算資源，以運行基于人工智能（AI）/ 機器學(xué)習(xí)（ML）的模型；另一方面，為在工具層面實現(xiàn)調(diào)整，他們又需要邊緣計算提供更快的響應(yīng)速度。

平衡這些需求是一項艱巨且高成本的挑戰(zhàn)。要實現(xiàn)這一點，不僅需要獲取上下游數(shù)據(jù)，還依賴于成熟的機器學(xué)習(xí)模型。其核心目標是：僅將高質(zhì)量數(shù)據(jù)傳輸至云端，借助機器學(xué)習(xí)算法高效處理海量數(shù)據(jù)；進而讓決策模型能夠提供高速檢測與計量所需的精度和準確度。與此同時，這還要求在檢測 / 計量設(shè)備層面、工廠層面及跨設(shè)施層面，加大對數(shù)據(jù)存儲與計算資源的投入。

PDF

ML的應(yīng)用進展：

從技術(shù)滲透到數(shù)據(jù)整合起步

過去幾年，機器學(xué)習(xí)已逐步滲透至檢測與計量領(lǐng)域，但云端與邊緣端數(shù)據(jù)的整合才剛剛起步。實踐證明，機器學(xué)習(xí)在多種半導(dǎo)體工藝中均能發(fā)揮效用，涵蓋光學(xué)、電子束、X 射線、紅外及聲學(xué)檢測，可用于多種襯底的計量與檢測工作。

廠商實踐：檢測系統(tǒng)的 AI 賦能案例

KLA 公司發(fā)言人表示：“我們的檢測系統(tǒng)能夠捕捉并識別晶圓、掩模版、封裝件、IC 襯底及 PCB 上的缺陷。這些檢測設(shè)備借助 AI，從周圍的圖形與工藝噪聲中區(qū)分出細微的缺陷信號，并能適配不斷變化的檢測需求。通過集成 AI，這些檢測系統(tǒng)可提供對關(guān)鍵缺陷的詳細洞察，幫助制造商加速研發(fā)進程、優(yōu)化生產(chǎn)流程，并縮短創(chuàng)新電子設(shè)備的上市時間。”

Microtronic 總裁Reiner Fenske指出：“針對宏觀缺陷的自動光學(xué)檢測（AOI）技術(shù)，采用特定角度的同軸與離軸照明組合來捕捉各類缺陷。計算機處理能力的持續(xù)提升、用于提高套刻精度的精密硬件、機器學(xué)習(xí)技術(shù)及軟件算法的不斷改進，均對該技術(shù)的檢測能力產(chǎn)生了顯著影響?！?/p>

PDF

業(yè)內(nèi)視角：云端與邊緣計算的平衡邏輯

盡管基于 ML 的決策在檢測環(huán)節(jié)完成，但邊緣端計算算法實則由云端 ML 算法衍生而來。行業(yè)內(nèi)對二者的平衡及混合方案的應(yīng)用，形成了多維度共識：

Nordson Test & Inspection 先進技術(shù)解決方案產(chǎn)品工程高級總監(jiān) Charlie Zhu表示：“AI/ML 在檢測領(lǐng)域的應(yīng)用已從‘是否用’轉(zhuǎn)向‘如何用’，云端與邊緣計算存在明確權(quán)衡 —— 邊緣端負責(zé) 100% 在線檢測（響應(yīng)更快），云端承擔(dān)模型訓(xùn)練（需 GPU 算力），訓(xùn)練完成后推理所需算力大幅降低?！?/p>

yieldWerx 首席執(zhí)行官 Aftkhar Aslam表示：“設(shè)備供應(yīng)商需云端數(shù)據(jù)排查故障，IDM 需云端數(shù)據(jù)做跨制造關(guān)聯(lián)分析，建議混合方案：將早期技術(shù)導(dǎo)入、NPI 階段（數(shù)據(jù)重疊度高）及良率關(guān)聯(lián)數(shù)據(jù)存儲于云端，而非邊緣端?！?/p>

普迪飛（PDF Solutions）技術(shù)產(chǎn)品管理總監(jiān) Steve Zamek表示：“不存在‘一刀切’的方案。采用具備企業(yè)級平臺的混合架構(gòu)，允許將模型部署至邊緣端，這種方案或許能提供最優(yōu)解。這些考量并非僅適用于 AI/ML 模型 —— 多年前，我們的許多客戶就已采用類似方案部署基于規(guī)則的模型。然而，如今模型規(guī)模不斷擴大，部分大型模型的訓(xùn)練必須依賴可擴展的集中式基礎(chǔ)設(shè)施，即云端。”

表 1：不同部署方案的優(yōu)缺點（綠色代表“良好”，黃色代表“可接受”，紅色代表“較差”） 來源：PDF Solutions

PDF

云端層面：算力支撐、數(shù)據(jù)整合與模型開發(fā)

云端是處理復(fù)雜圖像分析、開發(fā) ML 模型及整合多源數(shù)據(jù)的核心載體，其價值體現(xiàn)在三大維度：

1、海量算力與模型開發(fā)優(yōu)勢

面對復(fù)雜圖像分析任務(wù)，先進 ML 算法可顯著提升缺陷檢測能力。開發(fā) ML 模型需數(shù)十萬張相關(guān)圖像，云端憑借高效 GPU 算力，成為處理海量數(shù)據(jù)、支撐模型訓(xùn)練的關(guān)鍵—— 這是邊緣端難以替代的核心優(yōu)勢。

2、數(shù)據(jù)整合趨勢與質(zhì)量要求

當(dāng)前行業(yè)趨勢是：將檢測 / 計量數(shù)據(jù)與上下游數(shù)據(jù)結(jié)合，以發(fā)現(xiàn)細微缺陷。這一趨勢推動更多計算向云端轉(zhuǎn)移，也要求構(gòu)建可整合多數(shù)據(jù)源的基礎(chǔ)設(shè)施平臺，而數(shù)據(jù)質(zhì)量是確保分析有效性的前提。

3、廠商實踐與成本優(yōu)化

Onto Innovation產(chǎn)品營銷總監(jiān) Woo Young Han指出：基于 ML 的檢測依賴預(yù)訓(xùn)練缺陷模型，算法從多類訓(xùn)練圖像提取特征，適配部分管芯與晶圓邊緣檢測；缺陷分類與檢測同步進行，提升效率與準確性。

Nordson高級總監(jiān)Charlie Zhu表示：客戶采用 AI 的最大障礙是數(shù)據(jù)收集精力成本，通過提供 “通用模型”（如覆蓋QFP、QFN 封裝的PCB 元件模型），廠商承擔(dān)數(shù)據(jù)訓(xùn)練工作，大幅降低客戶應(yīng)用門檻。

圖 1：AOI PCB圖像分割 （利用AI對圖像中的特征進行分割/標記） 來源： Nordson Test & Inspection

模型的訓(xùn)練閉環(huán)與迭代：模型構(gòu)建中，檢測圖像數(shù)據(jù)與電學(xué)測試數(shù)據(jù)結(jié)合已成標準做法。這些額外信息可為模型提供輸入，幫助區(qū)分干擾性缺陷與影響性缺陷。模型部署到邊緣端后，直接應(yīng)用于檢測環(huán)節(jié)，但需通過多工廠、多工具數(shù)據(jù)反饋至云端持續(xù)優(yōu)化，再重新部署至現(xiàn)場工具，形成迭代閉環(huán)。

普迪飛（PDF Solutions）Steve Zamek表示：“以簡單的圖像分類任務(wù)為例，在模型訓(xùn)練過程中，我們可將電學(xué)測試作為判斷缺陷是‘致命缺陷’還是‘干擾性缺陷’的‘基準依據(jù)’。要實現(xiàn)這一點，需從晶圓分選、封裝級測試、老化測試等多個生產(chǎn)環(huán)節(jié)收集電學(xué)測試數(shù)據(jù)，且這些數(shù)據(jù)需覆蓋不同生產(chǎn)站點；為便于后續(xù)調(diào)用與分析，數(shù)據(jù)最好集中存儲在云端。此外，模型訓(xùn)練需海量圖像支撐，以覆蓋不同工藝技術(shù)、檢測方法與設(shè)備、檢測工藝參數(shù)等場景，而這類大規(guī)模數(shù)據(jù)處理需要可擴展的計算資源—— 這也再次推動行業(yè)選擇云端解決方案，以滿足算力與存儲需求?！?/p>

PDF

多源數(shù)據(jù)整合：跨環(huán)節(jié)關(guān)聯(lián)與全局優(yōu)化的基礎(chǔ)

整合多源數(shù)據(jù)是突破 “單設(shè)備 / 單工廠數(shù)據(jù)局限”、實現(xiàn)全局優(yōu)化的關(guān)鍵，其核心價值與實踐路徑如下：

數(shù)據(jù)整合的核心價值工程團隊可通過多源數(shù)據(jù)開發(fā)先進 ML 模型，揭示上游設(shè)備參數(shù)與下游圖像、電學(xué)測試數(shù)據(jù)的關(guān)聯(lián)，快速識別異常并定位根本原因，提升跨環(huán)節(jié)問題解決效率。

實踐應(yīng)用與數(shù)據(jù)流程

普迪飛（PDF Solutions）Steve Zamek ：晶圓廠與代工廠的在線計量和檢測工作，面臨一項關(guān)鍵挑戰(zhàn)：設(shè)備端訓(xùn)練與部署的模型，受限于該設(shè)備可獲取的數(shù)據(jù)類型，而這類數(shù)據(jù)本身存在顯著局限性。我們始終在提供系統(tǒng)平臺，可將所有生產(chǎn)運營環(huán)節(jié)、所有站點的數(shù)據(jù)整合至同一平臺。同時，我們也觀察到，越來越多的應(yīng)用場景中，企業(yè)正通過構(gòu)建并部署模型，實現(xiàn)計量數(shù)據(jù)與工藝控制監(jiān)測（PCM）數(shù)據(jù)、在線檢測數(shù)據(jù)與良率的關(guān)聯(lián)分析。

Onto Innovation 總監(jiān) Melvin Lee Wei Heng表示：AI/ML 模型提升了數(shù)據(jù)可追溯性，工廠可關(guān)聯(lián)前后端工序信息，在部件進入后端前部署預(yù)測模型，縮短響應(yīng)時間、提高決策準確性，優(yōu)化缺陷管理。

圖 2：典型制造數(shù)據(jù)傳輸流程

（數(shù)據(jù)傳輸至云端，用于跨工廠構(gòu)建模型）來源：PDF Solutions

PDF

邊緣端層面：

實時決策、本地算力部署與產(chǎn)線保障

邊緣端是確保產(chǎn)線連續(xù)性、實現(xiàn)實時決策的關(guān)鍵，其核心定位與實踐圍繞 “低延遲”和“本地算力” 展開：

1、邊緣端的核心作用

模型在云端構(gòu)建、在邊緣端應(yīng)用—— 若依賴云端決策，數(shù)據(jù)傳輸延遲可能導(dǎo)致產(chǎn)線停滯，邊緣端可實現(xiàn)“檢測 - 決策 - 調(diào)整” 的實時閉環(huán)，快速采取糾正措施，評估在制品（WIP）的影響。

2、實踐應(yīng)用

正如測試系統(tǒng)會在自動測試設(shè)備（ATE）旁增配計算盒一樣，如今檢測與計量設(shè)備供應(yīng)商也會提供獨立的本地 GPU 計算資源。

YieldWerx 的 Aslam 表示：需基于檢測與計量數(shù)據(jù)快速決策，明確缺陷工藝步驟、返工需求及對 WIP 的影響；單純依賴云端存在安全、延遲、訪問障礙等問題，數(shù)據(jù)不可用會導(dǎo)致停產(chǎn)及高額成本損失。

Onto Innovation 總監(jiān) Melvin Lee Wei Heng：基于機器學(xué)習(xí)的檢測需配獨立 GPU，與傳統(tǒng)檢測技術(shù)并行運行，既能保障吞吐量不受影響，又能提升缺陷檢測與分類能力。

KLA 公司發(fā)言人：AI 已將圖像處理、數(shù)據(jù)提取的工作負載轉(zhuǎn)移至 GPU，提升圖像計算機效率與性能；這類 GPU 架構(gòu)屬邊緣端系統(tǒng)，支持實時數(shù)據(jù)處理與 AI 算法應(yīng)用，可縮短半導(dǎo)體制造商的結(jié)果獲取時間、提高良率。

3、邊緣端的 “兜底” 價值

單純依賴云端存在安全、延遲、訪問障礙等風(fēng)險，邊緣端可離線運行預(yù)部署模型，避免網(wǎng)絡(luò)中斷導(dǎo)致的批次與設(shè)備暫停，減少產(chǎn)線損失。

PDF

結(jié)論：AI/ML 落地檢測領(lǐng)域的關(guān)鍵要素與良率優(yōu)化方向

成功將 AI/ML 應(yīng)用于檢測領(lǐng)域，需滿足三大核心條件，且其價值需通過全局優(yōu)化實現(xiàn)：

核心條件：需云端與邊緣端的協(xié)同算力；需積累海量圖像數(shù)據(jù)（模型構(gòu)建環(huán)節(jié)，云端至少需 10 萬張，通常超 100 萬張）；需構(gòu)建集中式數(shù)據(jù)湖，整合檢測與其他設(shè)備數(shù)據(jù)以支撐可擴展云端算力訪問。

良率優(yōu)化邏輯：從 “缺陷與工藝環(huán)節(jié)的孤立優(yōu)化”，轉(zhuǎn)向 “相互關(guān)聯(lián)因素構(gòu)成的整體良率空間優(yōu)化”，通過 AI/ML 識別復(fù)雜模式、結(jié)合場景分析，最大化全局良率。

明確價值：ML 已被驗證可積極提升制造工廠的良率與質(zhì)量，是工藝復(fù)雜度提升、數(shù)據(jù)量激增背景下的核心技術(shù)支撐。