数据共享推动半导体制造零缺陷

随着数字技术的普及和芯片短缺的加剧，半导体行业面临着巨大的压力，既要生产缺陷尽可能少的产品，又要迅速向市场推出创新产品。如今产生的大量数据为整个行业创造了新的机会，以最大限度提高生产、创新和降低成本。材料相关行业的参与者都知道，需要通过数据协作来加快总产量、生产/研究和质量，但必须要解决几个挑战。rIIesmc

首先，考虑到初期投入的成本和时间，单家企业不愿意建立一个孤立的生态系统。其次，企业通常拥有不同的数据系统、漫长的学习周期和冗长的流程来构建新的能力。最后，目前还没有一种合适的解决方案，既能解决这些问题，又能保护知识产权(IP)，并确保公司对其数据拥有完全的控制权。rIIesmc

半导体制造对协作数据生态系统的需求

原材料中十亿分之一级别的杂质也可能最终会影响客户的工艺性能。机器学习是该行业的一个重要工具，它被用来理解偏差并构建预测模型，以便及早发现与产量相关的挑战。然而，这些算法的有效性取决于从供应商到最终产品的整个生产过程中数据的完美和一致。这一过程十分耗时，通常需要几个月到一年的时间来汇总，然后才能对相关数据进行操作。rIIesmc

由于原材料、成品材料和设备流程数据都可以组合在一起，因此拥有一个协作数据生态系统有助于确定可以自动处理的数据关系。同样重要的是，根据特定参数和现场性能来优化设备的性能和维护，从而引导正确的资源，最大限度地延长正常运行时间并降低成本。rIIesmc

开放式数据分析平台已被TEL和Micron等公司采用，它允许半导体行业的参与者能够就相关信息展开合作。对半导体生态系统的好处是，所有参与者现在都可以开始了解和材料和设备质量的新情况，以及这些情况与制造工艺的关系。rIIesmc

此外，他们还能从供应链透明度和可持续性洞察中获益。通常，每家公司都在关注自身流程的优化，但当我们将供应链上的所有各方汇聚在一起时，我们就能看到数据集之间的相互作用。这些相互作用(数据之间的关系)会影响对绩效——换言之，如果不将各方聚集在一起并分析这些数据之间的关系，那么这些影响绩效的数据关系就会被隐藏起来。如果有全面的数据集，分析可在数天内完成，这具有显著的时间和资源优势。rIIesmc

生态系统中的每个参与者如何受益？

材料供应商可通过协作分析提高质量和FAB厂参与度，协助管理次级供应商，并通过整合生产和质量数据实现前所未有的透明度来提高效率。rIIesmc

设备制造商可以通过主动识别根本原因和实现更严格的质量控制，来减少停机时间和质量偏差的影响。他们可以通过单一、安全的平台与供应商及其数据互动，并提供持续的反馈。数据整合可实现预测分析，减少质量偏差，加快产品上市时间。rIIesmc

设备供应商通过利用数据分析进行预测性维护，提高设备运行的可视性和有效性。他们通过更好的工具匹配、共同优化设备、工艺参数和优化维护计划来减少停机时间，从而帮助设备制造商快速提升产量。rIIesmc

协作生态系统如何保护机密信息？

保护半导体行业的机密信息和知识产权至关重要，但在共享非敏感数据时过于谨慎会影响关键学习能力。提供多级控制、安全性和可追溯性以确保机密信息保密的能力是协作生态系统的基础。rIIesmc

数据访问是一个值得关注的重要问题，特别是当数据被引入共享生态系统时。如果各方不愿意共享原始流程数据，则可以选择在共享前对其进行混淆和标准化处理。此外，单个组织对其提供给生态系统中其他成员的数据拥有完全的所有权和控制权。rIIesmc

例如，一个组织的参与者在研究特定流程模块时，只能访问该组资源或进行分析所需的材料供应商的数据子集。因此，要监控用户和项目数据访问情况，就需要有系统的跟踪功能，并考虑到具体操作业务或分析目标。这就为平台提供了原生的高度审计功能，从而有助于在生态系统内其他多层次安全的基础上进行构建。该平台可确保敏感数据的处理符合数据隐私规则，例如GDPR、法规和标准。该软件可提供一流的安全性、访问控制、分区审计和问责功能，以支持负责任的数据使用。rIIesmc

数据规范化和混淆方式

标准化是任何数据分析工作流程中不可或缺的方法，它在协作环境中更为重要。在流程制造中，数据集和变量在量级和计量单位上可能存在显著差异。为了找到有意义的关系并开发不受比例影响的稳定模型，有必要对数据做线性化处理，并将数据比例调整到可比较的范围内。如果将目光投向整个半导体制造和价值链上的不同业务，数据集之间的差异就会更加突出。rIIesmc

rIIesmc

图1：一个简化的数据平台示例 资料来源：AthiniarIIesmc

图1展示了一个简化的数据平台示例，该平台可自动对供应商和集成设备制造商之间的数据进行适当的转换和缩放。图中显示了双方的数据流程，数据经过一系列转换后产生了一个可共享的数据集版本。在这个示例中，通过配置文件(config)定义并应用特定的规范化方案，然后使用编码器函数对列名进行混淆处理，从而生成可共享的数据集，并通过连接键与其余各方进行合并。rIIesmc

有多种数据标准化技术可供选择，包括量化、缩放、变量转换、特征创建和排序。图2显示了每种技术的优缺点。rIIesmc

rIIesmc

表1：多种数据标准化技术的优缺点rIIesmc

协同洞察，以便做出更好的决策

通过自动数据摄取和机器学习，将关键数据汇集到一个中央枢纽，从而随着信息的增加而不断改进，提高质量并减少可能造成供应链短缺的偏差。生态系统参与者可以利用数据分析、人工智能和机器学习工具，结合各公司拥有的工艺知识和化学知识，获得推动更好业务决策所需的重要见解。这个统一的系统必须在安全的环境中包含典型的数据科学工作流程，然后在整个供应基地和设备制造商中实现标准化。rIIesmc

本文翻译自国际电子商情姊妹刊EETimes Europe，原文标题：How Data Sharing Advances Zero-Defect Semiconductor ManufacturingrIIesmc