半导体良率太低？AI自动查原因，4小时搞定数月工作

韩国那边的, 有个做AI的半导体初创公司, 名字叫做SemiAI。这个公司自己说, 他们的缺陷诊断软件, 能在4个小时之内，验证超过300万条假设。要是靠人工来操作的话, 那是需要几个月时间的。这一种效率上的差距, 让行业的很多人重新去审视, 关于良率分析自动化的落地速度。

01.韩国初创瞄准良率痛点

SemiAI是由池泰权在韩国创立的, 成立时间是2025年1月, 其核心方向聚焦于半导体制造过程中的缺陷预测以及原因诊断环节。该公司的创始人曾在英特尔、ASML、三星电子、SK海力士等多家企业任职。因为长期处在这样的行业环境中, 所以深切体会到了良率分析领域依赖个人经验所带来的瓶颈问题。

半导体良率太低？AI自动查原因，4小时搞定数月工作(图1)

它的核心产品叫做“SMILE”这个软件, 它是通过人工智能技术来分析晶圆制造过程中所产生的数据, 能够自动定位导致缺陷的根本原因, 并且辅助企业改善良品率, 这样一来, 就把原本需要几个月才能完成的排查周期, 直接压缩到了仅仅4个小时, 从而显著降低了制造企业在这方面的分析成本。

半导体工艺的数据属于企业的核心机密, 所以外部的AI公司难以获取生产线上的真实数据来用于模型训练。SemiAI采用了虚拟晶圆厂这项技术, 该技术基于物理和数学的原理去生成模拟的数据。这些模拟数据覆盖了多种缺陷场景, 从而降低了对真实数据的依赖程度。

公司也在用AI代表来处理工艺数据和设备数据还有量测数据之间的关系, 他们不只是在找这些数据的共同点, 还要往深处去想, 去推测那个缺陷到底是怎么来的, 这样一来, 从先假设然后去验证这一整串步骤, 都能让它自己自动完成了。

池泰权强调了一个问题，那就是人工智能的可信度, 这个事情, 不能只是靠着把客户的数据堆积起来就获得的。

半人工智这一家公司, 他们使用办法是建一个虚拟的晶圆工厂, 通过这个途径来学习到不少种类的生产工艺条件, 而后会把模型算出来的结果, 拿去和实际测量得到的数值, 一个对一个地进行比较, 通过这样的方法去发现合成数据里有哪些地方被漏掉了, 还有哪些地方出现偏离正常的情况。

采取这种把模拟放在前面、再把校准放在后面的方法做法, 让模型在缺少完整的产线数据的环境下, 依然能保持很高的诊断准确率情况, 这样就为商业化的部署工作提供了可信度的认可效果。

半导体良率太低？AI自动查原因，4小时搞定数月工作(图2)

传统的良率改善工作, 它非常地依赖于那些资深工程师个人的主观判断, 这一过程耗费的时间比较长, 花上去的成本也很高, 而且这种方法很难在不同生产线之间去进行复制。

SemiAI这款工具, 它可以把工程师们的宝贵经验, 给编码变成那种人工智能可以直接执行的操作规则, 这样一来, 就实现了那种分析能力的顺利转移以及大规模的应用。

根据CNMO科技了解到的情况, 这项技术在涉及了数千片晶圆数据的范围里开展验证工作, 面对的是超过300万条的假设内容, 整个流程只用掉了4个小时。与之形成对比的是, 如果依靠人工去逐条进行确认, 那么大概需要花费几个月的时间。这样一来, 效率方面提升的程度超过了两个数量级。

池泰权这个家伙说, 他的那个长期的打算是这样的。他要让整个AI, 去把单个工程师的那个能力给超越掉。然后它还得自己去发现那些很复杂的良率问题。还要按照工艺的各个环节, 去把它们串联起来。去做一些预测工作, 还有找出原因的工作。最后, 就是在工程师点头同意之后了, 自动地去进行测试改善方案的操作。

这句话的意思是, 半导体制造领域会实现一种转变。这种转变是从以前那种“人找问题”的方式, 变成由人工智能来推动提出问题, 而人类来做决策。在这种新模式之下, 工程师的角色会发生逐渐的变化。他们会从原来的操作执行者这个身份, 一步步转变为方案审批者的角色。

在当前ASML以及泛林集团, 还有三星和sk海力士这些大企业都已经开始布局ai良率工具的大背景下, SemiAI这个初创公司选择了切入这个领域, 他们是靠着创始人在不同企业里面的现场工作经验, 还有虚拟晶圆厂技术, 来构建出差异化的竞争壁垒的。

不过核心工艺数据获取仍是最大的瓶颈。要是未来代工厂开放数据合作, 那么初创的技术优势存在被巨头快速复制的风险。

现在人工智能可以在四个小时之内做完从前要花几个月才能弄好的良率检查工作, 那么从事半导体工作的工程师主要该靠什么来体现自己的价值呢? 欢迎大家在下面的留言区说一说他们的想法, 如果觉得这个内容有帮助的话, 请用点赞的方式来表达支持, 并且把这个信息转发给你身边的同行人员。