Der Vertreter von SemiAI, Choi Tae-kyun, erklärte kürzlich, dass die Einführung von KI in den Halbleiterfertigungsprozess es ermöglicht, in Daten von Tausenden von Wafern über 3 Millionen Hypothesen in nur 4 Stunden zu erstellen und zu validieren, während eine manuelle Überprüfung Monate in Anspruch nehmen würde. Die von dem Unternehmen entwickelte Software zur Vorhersage von Defekten und Ursachendiagnose, „SMILE“, analysiert mithilfe von KI die großen Datenmengen, die im Halbleiterfertigungsprozess entstehen, um die Ursachen von Defekten zu lokalisieren und die Ausbeute zu verbessern. Der Kern besteht darin, die ursprünglich auf der Erfahrung und dem Urteil von Ingenieuren basierende Prozessanalyse zu automatisieren, um die Analysezeit zu verkürzen und die Kosten zu senken.
Choi Tae-kyun hat zuvor bei globalen Halbleiterunternehmen wie Intel, Lam Research, ASML, Samsung Electronics und SK Hynix gearbeitet und dabei direkt die Schwierigkeiten bei der Analyse der Ausbeute erfahren. Er wies darauf hin, dass die Suche nach den Ursachen von Defekten und die Validierung von Verbesserungsbedingungen in den komplexen Prozessdaten stark von der Erfahrung und Fähigkeit des Ingenieurs abhängen. Um dieses Problem zu lösen, gründete er im Januar letzten Jahres SemiAI mit dem Ziel, Prozess-, Geräte- und Messdaten zu integrieren und den Prozess der Hypothesenbildung und -validierung durch KI zu automatisieren.
SemiAI wendet KI-Technologie im Halbleiterfertigungsprozess an
Die technische Wettbewerbsfähigkeit von SemiAI liegt in der Kombination des im Halbleiterfertigungsbereich angesammelten Prozesswissens mit KI. Da die Daten zur Halbleiterfertigung Unternehmensgeheimnisse sind, ist es für externe Unternehmen schwierig, auf die tatsächlichen Prozessdaten zuzugreifen, was die KI-Trainings- und Technologiebewertungsprozesse einschränkt. Das Unternehmen nutzt die Technologie der „virtuellen Waferfabrik“, um auf der Grundlage des von Choi Tae-kyun angesammelten Prozesswissens sowie physikalischer und mathematischer Prinzipien virtuelle Daten zu erstellen, die verschiedene Szenarien simulieren, die in der tatsächlichen Fertigung auftreten können. Dadurch wird die Abhängigkeit von echten Prozessdaten verringert, sodass die KI die Bedingungen und Muster für das Auftreten verschiedener Defekte lernen kann.
Gleichzeitig analysiert das Unternehmen mithilfe von KI die Beziehungen zwischen Prozess-, Geräte- und Waferdaten, um Hypothesen zu den Ursachen von Defekten abzuleiten und zu validieren. Dabei wird nicht nur nach Datenkorrelationen gesucht, sondern es werden auch weiterführende Schlussfolgerungen über die Ursachen von Defekten gezogen. Choi Tae-kyun erklärte, dass die Glaubwürdigkeit von KI in der Halbleiterfertigung nicht nur durch das Sammeln großer Mengen an Kundendaten erreicht werden kann. Das Unternehmen lernt unter Verwendung der virtuellen Waferfabrik, die das Prozesswissen widerspiegelt, unter verschiedenen Bedingungen und vergleicht diese mit den Messwerten aus tatsächlichen Waferfabriken, um fehlende Stellen in den synthetischen Daten zu identifizieren und somit die Glaubwürdigkeit zu erhöhen.
Langfristig plant SemiAI, eine übermenschliche KI für die Halbleiterfertigung zu entwickeln, die in der Lage ist, die Analysefähigkeiten von Ingenieuren zu übertreffen, komplexe Ausbeuteprobleme autonom zu erkennen und Vorhersagen sowie Ursachenanalysen nach Prozessschritten zu verknüpfen, um Verbesserungsvorschläge unter Genehmigung der Ingenieure zu testen.

