AI 设计芯片难在制造

AI 在半导体设计方面正变得越来越好。 它可以搜索设计空间、优化约束、生成布局、探索权衡，并越来越多地与现有的 EDA 流程交互。 但设计和制造芯片之间存在重大差异。 设计主要存在于一个结构化的环境中，包括模型、规则、约束、库和求解器输出。 而制造则不同，它创造一个物理系统。 这个物理系统可能因为工艺条件、材料、设备行为、几何形状、组装顺序、温度、负载和时间而与预期设计不同。 设计意图并不等于实际构建的现实。 设计工具可以处理预期几何形状，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为具有标称值的：凸点间距、支架高度、键合线厚度、芯片放置、共面性、对准、基板平整度、底部填充厚度、热界面。 但制造出来的封装并不存在于一个标称点。 它存在于一个分布中。 放置会偏移。 回流会改变几何形状。 底部填充会流动和固化。 材料会收缩。 翘曲会发展。 芯片倾斜会改变。 键合线厚度在界面处会变化。 热梯度在运行时改变局部尺寸。 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相同。 制造 AI 必须理解物理状态。 这是 AI 面临的不同问题。

在设计过程中，代理通常可以问：这个解决方案满足规则或约束吗？ 而在制造过程中，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 AI 可能需要解释：工艺历史、设备条件、材料批次、计量、尺寸变化、缺陷图、热数据、电气测试、光学测试、可靠性结果、良率签名。 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。 制造数据库可能只包含一个最大翘曲值，但封装可能同时包含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。 相同的变形会改变光学对准。 然后局部界面可能会经历更高的应力或降低的热接触。 产品后果可能后来表现为：分层、疲劳、光学耦合损耗、热降解、电气裕度损耗。 因此，相关链可能如下所示：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。 但它可能不理解机制。 底部填充使问题变得更加困难。 底部填充很容易被视为一个材料选择问题。

但是一旦集成到封装中，它就成为机械结构的一部分，其效果取决于：模量、CTE、固化收缩率、粘度、分配模式、凸点间距、芯片尺寸、局部间隙、粘附、回流历史、热历史。 一个局部的底部填充条件可以改变残余应力。 这种应力可以重新分配区域。 由此产生的变形会影响封装翘曲，而封装翘曲可以反馈到局部界面应力。 因此，制造 AI 不能仅根据材料数据表进行推理； 它必须根据材料在制造结构内部的存在情况进行推理。 计量变得成为智能循环的一部分。