Сприятливі фактори та перешкоди для підключення різноманітних даних

На кожному етапі виробничого процесу збирається більше даних, що дає можливість поєднувати дані новими способами для вирішення інженерних проблем. Але це далеко не просто, і об'єднати результати не завжди можливо.

Спрага напівпровідникової промисловості до даних породила його океани від виробничого процесу. Крім того, великі та малі конструкції напівпровідників тепер мають вбудовані схеми, які забезпечують додаткову інформацію про електричні випробування, що надходить у ці океани даних. Команди інженерів повинні керувати цим потоком даних і сприяти використанню даних різними групами інженерів.

Можна об’єднати більше даних, ніж раніше, але не всі й не в 100% випадків. Навіть там, де це можливо, це часто вимагає попередніх узгоджених інженерних зусиль. Для будь-якого окремого продукту об’єднання всіх джерел даних в одну систему чи модель не обов’язково є практичним чи необхідним для повсякденного проектування.

Складність технологій CMOS збільшила як кількість, так і типи даних, що збираються під час виробничого процесу. Здебільшого інженери використовували ці дані в закритому режимі, особливо під час виготовлення пластин, процесу складання та пов’язаних процесів тестування. Щоб впоратися з проблемами вдосконалених вузлів процесу CMOS (22 нм і нижче), інженери все частіше звертаються до об’єднання різних типів даних для досягнення цільових показників продуктивності та якості. Приклади:

• Дані історії інструменту та результати тестування на рівні блоку для визначення основної причини вихідних екскурсій;
• Дані про фізичне розташування продукту та об’ємні випробування для покращення технологічності;
• На кристалі відстежуються схеми та тестові дані, щоб налаштувати межі проходження/непроходження тесту, а також
• 100% дані перевірки та тестування для оптимізації витрат на тестування.

«Бажання поєднати багато різносторонніх джерел даних було поширеним протягом тривалого часу. Існує прямий зв’язок між наявністю багатьох різних джерел даних, доступних для аналізу, і досягненням вищої якості результатів, оскільки існує більше даних, які можна зіставити разом, щоб допомогти виділити проблеми», – сказав Гай Кортез, менеджер із маркетингу продуктів у групі цифрового дизайну компанії Синопсис. «Однак те, що заважає клієнтам, так це їхня нездатність зібрати всі різноманітні дані — і якщо вони мали дані, зрозуміти, як проаналізувати, вирівняти, нормалізувати, об’єднати та скласти дані за розумний проміжок часу».

Вбудовані монітори, які стають все більш поширеними в критично важливих додатках, де від пристроїв очікується стабільна робота протягом тривалого терміну служби, лише збільшили обсяг даних, що генеруються.

«Оскільки ми впроваджуємо рішення життєвого циклу кремнію, питання управління даними є дуже актуальним», — сказала Ейлін Раян, старший директор із стратегії портфоліо, рішення життєвого циклу кремнію Tessent у Siemens EDA. «Зараз існує багато джерел даних. Виробничий процес (включаючи виробничі випробування) є одним. Але функціональні, структурні та параметричні монітори, вбудовані в чіп, також можуть збирати інформацію під час початкової фази запуску та налагодження, а також протягом всього життя чіпа в польових умовах».

Цю тенденцію поєднання різноманітних джерел даних також можна спостерігати в зрілих технологіях, які зазвичай мають нижчі ASP. У цих технологіях об’єднання різноманітних джерел даних дає змогу інженерам швидше реагувати на екскурсії врожайності та отримати додаткові 2–3% врожайності під час остаточного тестування. Таку ж паралель можна спостерігати як у передових, так і в зрілих технологіях пакування.

«Прогресивні виробничі потужності об’єднували дані з метою вдосконалення роботи вже понад 25 років. Це не нова діяльність для успішних виробничих підприємств. Останніми роками ця діяльність стала основною завдяки змінам у продуктивності та вдосконаленню архітектурних можливостей для великомасштабних баз даних», — сказав Майк Макінтайр, директор із управління програмними продуктами компанії До інновацій. «Оскільки ці бази даних тепер можуть перевищувати 100 або 200 терабайт, вони все ще ефективні для своєчасного отримання запитуваних даних. Інструменти, які допомагають обробляти та очищати дані перед їх надходженням у базу даних, а також інтерфейси, за допомогою яких звичайний користувач може отримати доступ до цих даних, допомогли зробити ці великі сховища даних ще більш цінними».

Інформаційні та інтелектуальні технології виробництва
Інженери завжди цінують більше даних, але вони повинні мати контекст, щоб приймати рішення як у реальному часі, так і через місяці чи навіть роки після їх створення. Архітектури зберігання даних і бази даних забезпечують основу, на якій можна зробити інженерний запит. Варіанти обчислень слідують цьому прикладу, і вони повинні враховувати типи прийнятих рішень.

Ці рішення варіюються від простих до складних, причому останні підвищують вимоги до обчислювальних архітектур. Стандартні аналізи, такі як статистичні контрольні діаграми процесу та інформаційні панелі врожаю, допомагають у загальному моніторингу роботи заводу та здоров’я продукції відповідно. Піднімаючи це на сходинку вище, це можливість поєднувати величезні обсяги тестових даних у картах пластин, а потім дозволяти деталізацію для виявлення аномалій та сигнатур історії інструментів.

Більше двох десятиліть інженерні групи покладаються на це навчання за допомогою машини для вафель і упаковки перевірка. Але саме перспектива об’єднання різноманітних наборів даних — інспекції, тестування пластин, модульного тестування, історії інструменту — спонукає інженерів і аналіз даних постачальники платформ, щоб заглибитися в океани даних за допомогою глибокого навчання обчислень.

Щоб задовольнити очікування щодо високої якості та надійності, 100% перевірка поширюється на більшу кількість шарів пластин і етапів обробки складання. Це призводить до значного збільшення даних для керування та споживання. Традиційно інженери використовували ці дані як зворотний зв’язок для конкретного обладнання та етапів обробки. Тепер вони пересилають дані перевірок для деяких програм, щоб посилити рішення про проходження/незавершення тестування.

Ще одним фактором, що вплинув на поток даних, стало прийняття IoT на заводах і подальша потокова передача даних датчиків IoT. Це дозволяє обробляти дані в режимі реального часу і, отже, реагувати в режимі реального часу на сприйняті аномалії.

«У процесах розробки передніх пластин (наприклад, травлення, осадження, осадження атомних шарів) у вбудованих пристроях є більше можливостей, що дозволяє використовувати обчислювальні ресурси безпосередньо для обробки даних, потокової передачі та інтеграції. Це може відбутися локально, або в безпосередній близькості від приладів, які генерують дані, або бути агрегованими разом трохи далі», — сказав менеджер із продуктів інтелектуального виробництва Елі Рот. Терадин. «Покращена пропускна здатність і можливість периферійних обчислень підтримують потокову аналітику. Аналітика часових рядів з інтеграцією різних сутностей у процеси або потоки дозволяє ідентифікувати зв’язки та висновки. Рекомендований аналіз перетворює всі ці нові взаємопов’язані дані в практичну розвідку».

Ключ до підключення різноманітних даних — інтеграція в заводських налаштуваннях.

«Великими змінами, які дозволили нашим клієнтам охопити наскрізні дані про продукт, є заводська інтеграція з розширеним підключенням інструментів/обладнання, більш складне обладнання та тестери, які генерують більше даних, а також широкомасштабовані хмарні аналітичні рішення, які пропонують нижчі витрати на зберігання даних на терабайт із вищою продуктивністю зберігання та отримання даних для швидшої аналітики», — сказав Грег Превітт, директор із рішень Exensio у Рішення PDF.

На задньому плані послуг зі складання та тестування групи інженерів також користуються перевагами даних датчиків Інтернету речей у реальному часі для налаштування подальшого обладнання. Перегляд даних тестової групи із сотень тестових комірок із візуалізацією даних полегшує тягар виявлення неефективності. Все це вимагає додаткових інвестицій в ІТ-інфраструктуру для зберігання, мереж і обчислень.

«Контейнери, Kubernetes, алгоритми штучного інтелекту, а також підключені пристрої та обладнання з датчиками стали останніми ключовими технологічними досягненнями», — зазначив Джордж Гарріс, віце-президент глобальних служб тестування в Технологія Amkor. «Поява передавання даних і більш високих обчислювальних архітектур (на джерелі, на межі, в центрі обробки даних і в хмарі), а також спеціалізованих процесорів (ЦП проти DSP проти графічних процесорів) і пам’яті/сховища стали критично важливими для переміщення та обробки експоненціально зростаючого обсяг даних».

Хмарне сховище, хмарні обчислення та машинне навчання необхідні, щоб справлятися з океанами даних, які надходять із різноманітних джерел даних.

«Найважливішими є хмарні платформи аналітики даних, які дозволяють завантажувати глибокі дані з багатьох джерел, сайтів і географічних регіонів в єдине узгоджене і масштабоване озеро даних. Тоді машинне навчання є найкращим способом обробки та отримання значущої та дієвої інформації з цих великих наборів даних», – сказав Нір Север, старший директор із маркетингу продуктів компанії proteanTecs. «Оптимальний підхід полягає в тому, щоб знати, на що звернути увагу під час створення даних. Якщо дані витягуються з урахуванням аналітики, це дає набагато більш узгоджену картину наявних проблем».

Інші погоджуються з необхідністю отримувати дані з урахуванням аналітики. «Позначення певних типів даних стає критичним із зростанням розміру даних», — сказав Мелвін Лі Вей Хенг, менеджер із програм Onto Innovation. «Наскільки точно та як швидко теги даних можуть посилатися на дані, стає важливим із зростанням розмірів даних. Обробка даних, близька до режиму реального часу, може стати нормою в майбутньому, коли дані збиратимуться».

Проблеми з об’єднанням даних
Останні досягнення в обчислювальних архітектурах, структурах баз даних і технологіях зберігання даних дозволяють поєднувати різні типи даних. Але операційні бар'єри залишаються, щоб повністю зробити це так. Двома поширеними проблемами є відсутність стандартизованого формату даних у складальному обладнанні та невідповідність існуючому STDF формат для даних, створених ATE. Крім того, фрагментація ланцюжка постачання напівпровідникових пристроїв ускладнює використання даних з різних джерел.

Ці проблеми можна подолати, але не без нудних інженерних зусиль. Незважаючи на те, що деякі стандарти існують для перенесення даних із фабрики, монтажного та тестового обладнання, стандартів щодо домовленостей про іменування (також відомого як керування даними) немає.

«Ключовою проблемою є можливість іменування даних. Наприклад, деякі називають це WAT (тест прийому пластини), деякі називають це WET (тест електричних пластин), а деякі називають це SST (тест на структуру пластини)», — сказав Хенг з Onto. «Крім того, серйозною проблемою є структура формату даних. Оскільки базове пакування стає все більш критичним у ланцюжку постачання, досі не існує стандартної структури даних формату. І те, що ми спостерігаємо на ринку в цей час, так це те, що багато компаній борються з різними форматами виходу через величезну кількість обладнання, доступного у світі внутрішнього пакування. Розбір і форматування даних перед завантаженням у структуру бази даних стає звичайним завданням, яке необхідно».

Проблема, про яку часто не говорять, полягає в тому, що жоден інженер або команда інженерів не розуміє всіх даних у величезному океані, які зберігаються локально або в хмарі. Особливо це стосується ливарної/безфабричної моделі. Врахуйте, що для будь-якої конструкторської компанії пристрій IC може мати принаймні два ливарні цехи та два OSAT, які виробляють свою продукцію. Узгодження даних між цими фабриками, щоб дизайнерський будинок міг бачити загальну картину, є робочим бар’єром через проблеми з керуванням даними та безпеку даних.

«Одним із ключових викликів є дезагрегація галузі та перехід до потоків контрактного виробництва. У цих випадках різні сторони володіють інструментами, які є джерелами даних, на відміну від того, що все знаходиться під «одним дахом» у моделях IDM, які були домінуючими кілька років тому», – зазначив Кен Батлер, менеджер зі стратегічного створення бізнесу в Передова Америка. «Ці нові межі ускладнюють інтеграцію джерел даних від різних гравців і збереження інформаційної безпеки та інтелектуальної власності кожного».

У той час як екосистема fabless/foundry продовжує демонструвати напругу, пов’язану із суворим захистом процесу та інтелектуальної власності, це починає змінюватися.

«IDM мають невід’ємну перевагу: менше перешкод для обміну даними між проектуванням, виробництвом і тестуванням», – сказав Джей Ретерт, старший директор із стратегічного співробітництва компанії ОАК. «Але існує величезний стимул для ливарних заводів знайти шлях до обміну даними з належним рівнем деталізації, який зберігає IP-адресу процесу, але дозволяє інженерам-випробувачам краще вибрати відповідний режим тестування для кожного вхідного пристрою, щоб зменшити кількість випадків низьконадійна матриця втікає в поле».

Висновок
Інженери отримують вигоду від підключення різноманітних джерел даних у всьому ланцюжку постачання напівпровідників. Об’єднання даних новими способами підтримує їхню місію підвищення якості та врожайності та водночас знижує витрати на виробництво.

Сьогодні існують аналітичні платформи для підключення кількох джерел даних. Проте управління океанами даних виробництва напівпровідникових пристроїв залишається нетривіальним завданням. Це не стільки тому, що інженери не мають технологій для зберігання та організації даних. Це більше тому, що підключення даних потребує досвіду домену, щоб визначити, які джерела даних підключати одне до одного. Крім того, існують проблеми з керуванням даними та безпекою даних, які заважають інженерам ефективно та ефективно з’єднувати різні типи даних. Таким чином, не завжди існує гладка інтеграція різних типів даних, але команди інженерів наполегливо прагнуть до цих зв’язків.

«Дані ведуть до знань, а знання ведуть до здатності людини ефективно вирішувати проблеми», — сказав Макінтайр з Onto. «По суті, це мотивація, яка спонукає наших клієнтів об’єднувати те, що спочатку було дуже різнорідними даними, в організоване сховище даних. Без цієї комбінації даних інженерам на заводах було б важко вирішити свої щоденні проблеми».

Пов'язані історії:

Забагато чудових і тестових даних, низький рівень використання
Наразі зростання зібраних даних перевищило здатність інженерів проаналізувати їх усе.

Проблеми з даними зростають у виробництві мікросхем
Методи головних даних дозволяють інженерам із продуктів і фабричним ІТ-інженерам мати справу з даними різних типів і якості.

Хмара проти Аналітика на місці
Не вся аналітика даних переміститься в хмару, але сама думка про це означає радикальну зміну.

Зробіть тест прозорим із кращими даними
Як новий стандарт тестових даних може зробити тестовий майданчик більш доступним у режимі реального часу.

Великі зміни у великих даних
Чому зростання хмарних і периферійних обчислень і обробка більшої кількості даних матиме глибокий вплив на проектування та виробництво напівпровідників.

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