Mahdollisuudet ja esteet erilaisten tietojen yhdistämiselle

Lisää tietoa kerätään jokaisessa valmistusprosessin vaiheessa, mikä lisää mahdollisuuksia yhdistää tietoja uusilla tavoilla teknisten ongelmien ratkaisemiseksi. Mutta tämä ei ole kaukana yksinkertaisesta, ja tulosten yhdistäminen ei ole aina mahdollista.

Puolijohdeteollisuuden tiedonjano on luonut sen valtameret valmistusprosessista. Lisäksi suurissa ja pienissä puolijohdemalleissa on nyt on-die-piirit, jotka tarjoavat ylimääräistä sähköistä testaustietoa, joka virtaa näihin tietomeriin. Suunnittelutiimien on hallittava tätä datatulvaa, ja heidän on helpotettava tietojen käyttöä erilaisten suunnittelutiimien kesken.

Enemmän dataa voidaan yhdistää yhteen kuin aikaisemmin, mutta ei kaikkea eikä 100 % ajasta. Silloinkin, kun se on mahdollista, se vaatii usein etukäteistä, yhteistä suunnittelutyötä. Kaikkien tietolähteiden yhdistäminen yhteen järjestelmään tai malliin ei ole välttämättä käytännöllistä tai välttämätöntä jokapäiväisen suunnittelun kannalta.

CMOS-tekniikoiden monimutkaisuus on lisännyt sekä valmistusprosessin aikana kerätyn tiedon määrää että tyyppejä. Suurimmaksi osaksi insinöörit ovat käyttäneet näitä tietoja silotulla tavalla, erityisesti kiekkojen valmistuksen, kokoonpanoprosessin ja niihin liittyvien testiprosessien aikana. Edistyneiden CMOS-prosessisolmujen (22 nm ja alle) haasteiden kohtaamiseksi insinöörit ovat yhä useammin yhdistäneet erityyppisiä tietoja tuotto- ja laatutavoitteiden saavuttamiseksi. Esimerkkejä:

• Työkaluhistoriatiedot ja yksikkötason testitulokset perussyyn tuottopoikkeamien määrittämiseksi;
• Tuotteen fyysiset asettelutiedot ja tilavuustesti valmistettavuuden parantamiseksi;
• On-die-piirin monitorit ja testitiedot testin hyväksymis-/hylkäysrajojen säätämiseksi
• 100 % tarkastus- ja testitiedot testauskustannusten optimoimiseksi.

”Halu yhdistää monia monitahoisia tietolähteitä on ollut vallalla jo pitkään. On suora korrelaatio sen välillä, että käytettävissä on useita eri tietolähteitä analysoitavaksi ja saavutetaan parempi tulosten laatu, koska on enemmän tietoja, joita voit vertailla yhdessä ongelmien eristämiseksi”, sanoi Guy Cortez, digitaalisen suunnittelun ryhmän tuotemarkkinointipäällikkö. Synopsys. "Asiakkaita on kuitenkin jarruttanut heidän kyvyttömyys kerätä kaikkea erilaista dataa – ja jos heillä olisi tiedot, he ymmärtävät kuinka jäsentää, kohdistaa, normalisoida, yhdistää ja pinota tiedot kohtuullisessa ajassa."

On-die-monitorit, jotka ovat yleistymässä turvallisuus- ja toimintakriittisissä sovelluksissa, joissa laitteiden odotetaan toimivan johdonmukaisesti pidemmän käyttöiän ajan, ovat vain lisänneet syntyvän tiedon määrää.

"Kun otamme käyttöön piin elinkaariratkaisuja, tiedonhallinnan kysymys on erittäin elävä", sanoi Aileen Ryan, salkkustrategian johtaja, Tessentin piielinkaariratkaisut. Siemens EDA. "Tietolähteitä on nyt paljon. Valmistusprosessi (mukaan lukien valmistustesti) on yksi. Mutta siruun upotetut toiminnalliset, rakenteelliset ja parametriset näytöt voivat myös kerätä tietoa ensimmäisen käynnistys- ja virheenkorjausvaiheen aikana sekä sirun käyttöiän aikana kentällä."

Tämä erilaisten tietolähteiden yhdistämissuuntaus on havaittavissa myös kypsissä teknologioissa, joiden keskimääräiset arvot ovat yleensä alhaisemmat. Näissä teknologioissa eri tietolähteiden yhdistäminen mahdollistaa sen, että insinöörit voivat reagoida nopeammin tuottopoikkeamiin ja puristaa 2–3 % lisätuottoa viimeisessä testissä. Sama rinnakkaisuus voidaan havaita sekä edistyneissä että kypsissä pakkaustekniikoissa.

”Kehittyneet tuotantolaitokset ovat yhdistäneet tietoja toiminnan parantamiseksi yli 25 vuoden ajan. Tämä ei ole uusi toiminta onnistuneille tuotantolaitoksille. Viime vuosina tämä toiminta on yleistynyt suurten tietokantojen suorituskyvyssä ja arkkitehtonisissa ominaisuuksissa tapahtuneiden muutosten vuoksi", sanoi Mike McIntyre, ohjelmistotuotehallinnan johtaja Innovaatioihin. "Koska nämä tietokannat voivat nyt ylittää 100 tai 200 teratavua, ne ovat edelleen tehokkaita hakemaan pyydetyt tiedot oikea-aikaisesti. Työkalut, jotka auttavat käsittelemään ja puhdistamaan tietoja ennen niiden syöttämistä tietokantaan, sekä käyttöliittymät, joita tavallinen käyttäjä voi navigoida päästäkseen käsiksi näihin tietoihin, ovat auttaneet tekemään näistä suurista tietovarastoista entistä arvokkaampia.

Tiedon ja älykkään valmistustekniikan mahdollistajat
Insinöörit arvostavat aina enemmän dataa, mutta sillä on oltava konteksti, jotta päätökset voidaan tehdä sekä reaaliajassa että kuukausia tai jopa vuosia sen luomisen jälkeen. Tietojen tallennus ja tietokanta-arkkitehtuurit tarjoavat perustan, jolle voidaan tehdä tekninen kysely. Laskennalliset vaihtoehdot seuraavat perässä, ja niiden on otettava huomioon, millaisia ​​päätöksiä tehdään.

Nämä päätökset vaihtelevat yksinkertaisista monimutkaisiin, ja jälkimmäinen lisää laskennallisten arkkitehtuurien vaatimuksia. Vakioanalyysit, kuten tilastolliset prosessinohjauskaaviot ja tuottonäytöt, auttavat valvomaan tehtaan toimintaa ja tuotteen kuntoa. Sen edistyminen on kyky yhdistää valtavia määriä testidataa kiekkokarttoihin ja sallia sitten poraukset havaitakseen poikkeavuuksia ja työkaluhistorian allekirjoituksia.

Insinööritiimit ovat luottaneet yli kahden vuosikymmenen ajan koneoppiminen vohvelille ja pakkaukselle tarkastus. Mutta se mahdollisuus yhdistää monipuolisempia tietojoukkoja – tarkastus, kiekkotesti, yksikkötesti, työkaluhistoria – saa insinöörit ja data-analyyttinen alustan toimittajat sukeltamaan tietomeriin syvän oppimislaskennan avulla.

Korkean laadun ja luotettavuuden odotusten täyttämiseksi 100 %:n tarkastus laajennetaan koskemaan useampia kiekkokerroksia ja kokoonpanon käsittelyvaiheita. Tämä lisää merkittävästi hallittavan ja kulutettavan tiedon määrää. Perinteisesti insinöörit ovat käyttäneet näitä tietoja palautteena tietyille laitteille ja käsittelyvaiheille. Nyt ne välittävät tarkastustietoja joillekin sovelluksille lisätäkseen hyväksymis-/hylkäyspäätöksiä testissä.

Toinen tietotulvan aiheuttaja on ollut hyväksyminen Esineiden internet tehtaissa ja sitä seuraava IoT-anturidatan suoratoisto. Tämä mahdollistaa tietojen reaaliaikaisen käsittelyn ja siten reaaliaikaisen reagoinnin havaittuihin poikkeamiin.

"Kiekkojen etupuolen suunnitteluprosesseissa (esim. etsaus, pinnoitus, atomikerrospinnoitus) sulautetuissa laitteissa on enemmän mahdollisuuksia, mikä on mahdollistanut laskentaresurssien soveltamisen suoraan tietojen käsittelyyn, suoratoistoon ja integrointiin. Se voi tapahtua paikallisesti tai dataa tuottavan instrumentoinnin välittömässä läheisyydessä tai se voi koota yhteen hieman kauempana”, sanoi Eli Roth älykkään valmistuksen tuotepäällikkö. Teradyne. "Parannettu kaistanleveys ja reunalaskenta-ominaisuus tukevat suoratoistoanalytiikkaa. Aikasarjaanalytiikka ja erilaisten kokonaisuuksien integrointi prosesseihin tai virtoihin mahdollistavat yhteyksien ja päätelmien tunnistamisen. Preskriptiivinen analyysi muuntaa kaiken tämän uuden yhteenliitetyn tiedon toimivaksi älykkyydeksi."

Avain erilaisten tietojen yhdistämiseen on integrointi tehdasasetuksiin.

"Suuret muutokset, jotka ovat antaneet asiakkaillemme mahdollisuuden omaksua kokonaisvaltaiset tuotetiedot, ovat tehdasintegraatio, jossa työkalujen/laitteiden liitettävyys on parempi, kehittyneemmät laitteet ja testaajat, jotka tuottavat enemmän dataa, sekä massiivisesti skaalautuvat pilvipohjaiset analytiikkaratkaisut, jotka tarjoavat vähemmän tiedon tallennuskustannukset teratavua kohden tehokkaammalla tallennus- ja tiedonhaulla nopeampaa analytiikkaa varten", sanoi Greg Prewitt, Exensio-ratkaisujen johtaja PDF-ratkaisut.

Kokoonpano- ja testauspalveluiden takaosassa insinööritiimit hyötyvät myös IoT:n reaaliaikaisista anturitiedoista säätämään loppupään laitteita. Tietojen tarkastelu satojen testisolujen testikerroksessa datavisualisoinneilla helpottaa tehottomuuksien tunnistamista. Kaikki tämä edellyttää enemmän investointeja IT-infrastruktuuriin tallennusta, verkottumista ja laskentaa varten.

"Säiliöt, Kubernetes, tekoälyalgoritmit ja yhdistetyt laitteet ja laitteet antureilla ovat olleet viime aikoina keskeisiä teknologian edistysaskeleita", totesi George Harris, globaalien testipalvelujen varatoimitusjohtaja Amkor-tekniikka. "Tiedonsiirron ja korkeampien laskenta-arkkitehtuurien (lähteessä, reunassa, datakeskuksessa ja pilvessä) sekä erikoistuneiden prosessorien (CPU:t vs. DSP:t vs. GPU:t) ja muistin/tallennustilan tulo on ollut ratkaisevan tärkeää eksponentiaalisesti kasvavan tiedon siirtämisessä ja käsittelyssä. datan suuruus."

Pilvitallennus, pilvitallennus ja koneoppiminen ovat välttämättömiä eri tietolähteistä peräisin olevan datan valtamerten käsittelemiseksi.

"Tärkeimmät ovat pilvipohjaiset data-analytiikka-alustat, jotka mahdollistavat syvän datan lataamisen useista lähteistä, sivustoista ja maantieteellisistä alueista yhteen yhtenäiseen ja skaalautuvaan datajärveen. Koneoppiminen on sitten paras tapa käsitellä ja tuottaa merkityksellisiä ja käyttökelpoisia oivalluksia näistä suurista tietokokonaisuuksista", sanoi Nir Sever, tuotemarkkinoinnin johtaja proteanTecs. "Optimaalinen lähestymistapa on tietää, mitä etsiä tietoja luotaessa alun perin. Jos tiedot poimitaan analytiikkaa ajatellen, se antaa paljon yhtenäisemmän kuvan käsillä olevista ongelmista."

Toiset ovat samaa mieltä tarpeesta poimia tietoja analytiikkaa ajatellen. "Tietyistä tietotyyppien merkitsemisestä tulee kriittistä tiedon koon kasvaessa", sanoi Melvin Lee Wei Heng, Onto Innovationin sovelluspäällikkö. ”Se, kuinka tarkasti ja kuinka nopeasti datatunnisteet voivat viitata tietoihin, tulee tärkeäksi datan koon kasvaessa. Lähes reaaliaikainen tietojen käsittely voi tulla normiksi tulevaisuudessa, kun tietoja kerätään."

Datan yhdistämisen haasteita
Laskenta-arkkitehtuurien, tietokantarakenteiden ja tiedontallennustekniikoiden viimeaikainen kehitys mahdollistaa eri tietotyyppien yhdistämisen. Mutta toiminnalliset esteet jatkuvat, jotta se olisi täysin mahdollista. Kaksi yleistä ongelmaa ovat standardoidun tietomuodon puute kokoonpanolaitteissa ja nykyisten vaatimusten puute STDF ATE:n tuottamaa dataa varten. Lisäksi puolijohdelaitteiden toimitusketjun pirstoutuminen vaikeuttaa eri lähteistä peräisin olevien tietojen hyödyntämistä.

Nämä ongelmat voidaan voittaa, mutta ei ilman ikävää suunnittelutyötä. Vaikka joitakin standardeja on olemassa tietojen siirtämiseen tehtaalta, kokoonpano- ja testauslaitteista, ei ole standardeja nimeämiskäytännöille (alias tietojen hallinta).

”Keskeinen haaste on tiedon nimeämiskyky. Esimerkiksi jotkut kutsuvat sitä WAT:ksi (kiekkojen hyväksymistesti), jotkut kutsuvat sitä WETiksi (kiekon sähkötesti) ja jotkut kutsuvat sitä SST:ksi (kirjoitusrakennetesti), sanoo Onton Heng. ”Lisäksi tietomuotorakenne on suuri haaste. Koska taustapakkauksista on tulossa entistä kriittisempi toimitusketjussa, vakiomuotoista tietorakennetta ei edelleenkään ole. Havaitsemme markkinoilla tällä hetkellä, että monet yritykset kamppailevat eri formaattien kanssa taustapakkausmaailman valtavasta määrästä laitteita. Tietojen jäsentämisestä ja muotoilusta ennen niiden lataamista tietokantarakenteeseen tulee yleinen tehtävä, jota tarvitaan."

Usein sanomatta jäänyt haaste on se, ettei yksikään insinööri tai insinööritiimi ymmärrä kaikkea laajassa valtameressä olevaa dataa, joka on tallennettu paikallisesti tai pilveen. Tämä pätee erityisesti valimo/fabless-malliin. Ota huomioon, että missä tahansa suunnittelutalossa IC-laitteessa voi olla vähintään kaksi valimoa ja kaksi OSATia, jotka valmistavat tuotteitaan. Tietojen kohdistaminen näiden tehtaiden välillä niin, että suunnittelutalo voi nähdä kokonaiskuvan, on toiminnallinen este tietojen hallintaan liittyvien ongelmien ja tietoturvaongelmien vuoksi.

”Yksi keskeisistä haasteista on toimialan hajaantuminen ja siirtyminen sopimusvalmistusvirtoihin. Näissä tapauksissa eri osapuolet omistavat työkalut, jotka ovat tiedon lähteitä, sen sijaan, että kaikki olisi ”yhden katon alla” vuosia sitten vallitsevissa IDM-malleissa”, totesi Ken Butlerin strateginen liiketoiminnan luomispäällikkö. Advantest Amerikka. "Nämä uudet rajat tekevät eri toimijoiden tietolähteiden integroimisesta haastavampaa ja silti kaikkien tietoturvan ja immateriaalioikeuksien säilyttämisen."

Vaikka tarinoiden ja valimoiden ekosysteemissä on edelleen prosessin ja suunnittelun IP:n tiivistä vartiointia koskeva jännitys, tämä alkaa muuttua.

"IDM:illä on luontainen etu, koska sillä on vähemmän esteitä tietojen jakamiseen suunnittelu-, valmistus- ja testialueiden välillä", sanoi Jay Rathert, strategisen yhteistyön vanhempi johtaja KLA. "Mutta valimoilla on valtava kannustin löytää tie eteenpäin tietojen jakamiseen sopivalla tarkkuudella, joka säilyttää niiden prosessin IP-osoitteen, mutta jonka avulla testiinsinöörit voivat paremmin valita sopivan testausohjelman jokaiselle saapuvalle laitteelle vähentääkseen tapausten esiintyvyyttä. heikon luotettavuuden muotti karkaa kentälle."

Yhteenveto
Insinöörit hyötyvät erilaisten tietolähteiden yhdistämisestä puolijohdevalmistuksen toimitusketjussa. Tietojen yhdistäminen uusilla tavoilla tukee niiden tavoitetta parantaa laatua ja tuottoa ja samalla vähentää valmistuskustannuksia.

Nykyään on olemassa Analytics-alustoja useiden tietolähteiden yhdistämiseen. Silti puolijohdelaitteiden valmistustietojen valtamerten hallinta on edelleen ei-triviaali tehtävä. Se ei johdu niinkään siitä, että insinööreillä ei ole tekniikoita tietojen tallentamiseen ja järjestämiseen. Se johtuu enemmän siitä, että tietojen yhdistäminen vaatii toimialueen asiantuntemusta määrittääkseen, mitkä tietolähteet yhdistetään toisiinsa. Tämän lisäksi on olemassa tiedonhallintaan liittyviä ongelmia ja tietoturvaongelmia, jotka estävät insinöörejä yhdistämästä tehokkaasti ja tehokkaasti eri tietotyyppejä. Eri tietotyyppien integrointi ei siis aina ole sujuvaa, mutta suunnittelutiimit pyrkivät sinnikkäästi näihin yhteyksiin.

"Data johtaa tietoon, ja tieto johtaa kykyyn ratkaista tehokkaasti ongelmia", sanoi Onton McIntyre. ”Pohjimmiltaan tämä on motivaatio, joka saa asiakkaamme yhdistämään alun perin hyvin erilaiset tiedot järjestetyksi tietovarastoon. Ilman tätä tietojen yhdistelmää tehtaiden insinöörit estyisivät yrittämästä ratkaista jokapäiväisiä ongelmiaan.

Aiheeseen liittyvät tarinat:

Liian paljon Fab- ja testitietoja, alhainen käyttöaste
Toistaiseksi kerättyjen tietojen kasvu on ylittänyt insinöörien kyvyn analysoida kaikki.

Datan ongelmat kiinnittyvät sirunvalmistukseen
Perustietokäytäntöjen avulla tuotesuunnittelijat ja tehtaan IT-insinöörit voivat käsitellä erilaisia ​​tietotyyppejä ja laatua.

Pilvi vs. Tilan analyysi
Kaikki data-analytiikka ei siirry pilveen, mutta pelkkä ajatus siitä edustaa radikaalia muutosta.

Testin läpinäkyvyys paremmilla tiedoilla
Kuinka uusi testidatastandardi voi tehdä testilattiasta helpommin saavutettavissa reaaliajassa.

Suuret muutokset Big Datassa
Miksi pilvi- ja reunalaskennan kasvulla ja tiedon lisäämisellä on syvällinen vaikutus puolijohteiden suunnitteluun ja valmistukseen.

Lähde: https://semiengineering.com/enablers-and-barriers-for-connecting-diverse-data/