AI 设计芯片难在制造

人工智能在半导体设计领域的导航能力正在不断进步。它可以搜索设计空间、优化约束条件、生成布局、探索权衡方案，并且越来越多地与现有的 EDA 流程进行交互。但是，设计芯片和制造芯片之间存在重大差异。

设计主要存在于一个由模型、规则、约束条件、库和求解器输出构成的结构化环境中。而制造则不是这样；它创造的是一个物理系统。这个物理系统可能会因为工艺条件、材料、设备行为、几何形状、组装顺序、温度、负载和时间等因素而与预期设计产生偏差。

设计意图与实际构建的现实并不相同

设计工具可以处理预期的几何形状。而制造必须处理实际构建的几何形状。这种区别在先进封装中尤为重要。一个封装可能被设计成具有以下标称值：

凸点间距
支架高度
键合线厚度
芯片放置
共面性
对准
衬底平整度
底部填充厚度
热界面

但是，制造出来的封装并不存在于一个单一的标称点上。它存在于一个分布中。放置会发生变化。回流会改变几何形状。底部填充会流动和固化。材料会收缩。翘曲会形成。芯片倾斜会改变。键合线厚度会在界面处变化。热梯度会在运行过程中改变局部尺寸。

因此，制造完成后存在的物理系统与设计环境中存在的系统并不完全相同。

制造人工智能必须理解物理状态

这是人工智能面临的一个不同问题。在设计中，代理通常可以询问：这个解决方案是否满足规则或约束条件？而在制造中，问题变成了：工艺实际上创建了什么物理状态？这需要不同类型的证据。

制造人工智能可能需要解释：

工艺历史
设备状态
材料批次
计量学
尺寸变化
缺陷图
热数据
电气测试
光学测试
可靠性结果
良率特征

价值不仅仅在于收集更多数据。挑战在于确定哪些数据描述了产品的实际状态。

翘曲是一个很好的例子

考虑封装翘曲。一个制造数据库可能只包含一个最大翘曲值，但封装中可能同时存在几种不同的空间效应。全局封装弯曲会产生区域芯片倾斜。区域芯片倾斜会改变局部凸点支架高度。

相同的变形可能会改变光学对准。然后，局部界面可能会经历更高的应力或降低的热接触。产品后果可能会后来表现为：

分层
疲劳
光学耦合损耗
热降解
电气裕度损失

因此，相关链条可能如下所示：

工艺条件 → 封装变形 → 区域几何形状变化 → 局部界面变化 → 产品响应

一个只能看到最终失败信号的 AI 系统可能会识别相关性。但它可能无法理解机制。

底部填充使问题更加复杂

底部填充是另一个很好的例子。很容易将底部填充视为一个材料选择问题。然而，一旦集成到封装中，它就成为机械结构的一部分，其效果取决于：

模量
CTE
固化收缩
粘度
分配模式
凸点间距
芯片尺寸
局部间隙
粘附力
回流历史
热历史

局部填充条件可以改变残余应力。这种应力可以区域性地重新分布。由此产生的变形会影响封装翘曲，而封装翘曲会反作用于局部界面应力。因此，制造人工智能不能仅凭材料数据表进行推理；它必须根据制造结构内部的材料进行推理。

计量成为智能闭环的一部分

这就是计量如此重要的原因。制造人工智能需要一种方法来确定工艺预测的物理状态是否实际存在。翘曲测量、声学检测、X射线、CT、光学对准测量、热映射、电气测试和其他方法提供了对该状态的不同视角。

重要的是，这些测量回答了不同的问题。封装级变形图和局部界面缺陷图不应自动简化为一个汇总数字。它们之间的空间关系可能包含真正的工程信息。

例如：

最高曲率在哪里？
分层发生在哪里？
在热循环后，同一区域是否发生变化？
晶圆倾斜是否与光学对准运动相对应？

这就是人工智能系统在提出有用的制造建议之前需要的那种证据。

相关性并不足够

这可能是制造分析学和制造智能之间最大的区别。如果翘曲和分层一起增加，这并不能证明其中一个是另一个的原因。真正的驱动因素可能是：

回流曲线
固化条件
材料批次差异
CTE失配
局部厚度
放置偏移
热梯度
工具漂移
机械约束

这就是实验设计（DOE）和控制扰动仍然至关重要的地方。有用的工程顺序是：

改变一个工艺变量 → 测量物理状态 → 观察响应 → 测试关系是否重复

这开始区分相关性与因果关系。对于人工智能来说，这很重要，因为一个学习错误因果关系的系统可能会推荐错误的工艺更改。

漂移使因果推理复杂化

制造也会随时间变化。工具状态会漂移。材料批次会变化。环境条件会变化。工艺腔室会老化。维护事件会改变行为。即使一个有效的反事实比较也可能变得具有误导性，如果基准本身已经移动了。

这意味着使用人工智能的制造可能需要不断更新的参考条件，而不是一个永久固定的基准。问题不仅在于：发生了什么变化？它还在于：相对于当前工艺状态发生了什么变化？这更接近于经验丰富的制造工程师已经思考的方式。

换句话说，使用人工智能的制造需要工程背景。更深层次的挑战是制造数据不能自我解释。温度波动、对准偏移、声学图像、良率下降或翘曲结果只有在与其周围的物理背景连接起来时才变得有用。因此，人工智能需要比模式识别更多的东西。

它需要连接：

工艺 → 几何形状 → 材料状态 → 测量行为 → 产品响应

这比仅仅在工厂中添加另一个模型要困难得多。

困难之处在于信任

最后一个问题是AI能否生成制造建议。能。更难的问题是工程师能否信任这个建议。这种信任取决于系统是否能够展示：

物理状态发生了什么变化
哪些证据支持了结论
关系是因果关系还是仅仅是相关性
基线有多稳定
结果是否会重复
还有哪些不确定性

这就是制造AI与通用自动化不同的地方。目标不仅仅是更快地做决定；而是更有根据的决定。

从设计AI到制造AI

AI已经证明它可以在半导体设计中发挥有意义的作用。制造是下一个挑战。但一旦AI离开设计环境，规则就会改变。系统必须处理：

实际几何形状而不是标称几何形状
测量状态而不是模拟状态
工艺变化而不是确定性规则
因果关系证据而不是仅仅相关性
物理漂移而不是静态假设

这就是为什么制造可能成为更难的考验。下一代半导体AI将不仅会被评价它能否设计出达到流片标准的器件。它还会被评价它能否理解实际制造了什么——以及工程师能否信任后续的决定。

莫·科尔贝哈迪博士是Socionext美国公司IC/封装部门的资深总监。

相关内容

文章AI可以设计芯片，但制造它更难首先出现在EDN。