数据密度带来的挑战完全可以在一个晶圆上体现出来从IC设计，制造到封装测试，一个晶圆要经过上百道工序，每一道工序都会产生大量的数据这些海量数据在追踪问题和提高半导体工厂产量方面发挥着越来越重要的作用
但是半导体公司做数据分析是极其困难的，因为半导体产业链极其漫长，高度细分，每一个环节都由大量的专业公司来做这意味着在小晶片上连接数据有许多实际困难这是实现半导体工业4.0的第一步
目前传统半导体数据分析的现状是，几乎90%的时间都花在前期的数据清理和数据整合上普迪飞半导体高级应用总监杨德昌向王记伟指出爱德华曾在苹果，恩智浦和罗克韦尔等领先公司工作，拥有20多年的行业经验目前，他在普迪飞负责Exensio分析平台的全球应用工程团队
作为新生产力的数据，能给半导体行业带来什么价值。
良率是半导体产业最重要的核心要素，是衡量芯片从实验室阶段到量产的重要尺度同时，从经济角度来看，芯片良率与整体成本的关系更为密切
对于芯片企业来说，芯片良率直接反映了芯片可以销售的比例，从而直接影响芯片制造成本，这也是半导体厂商如此重视良率的原因半导体材料制造商Entegris执行副总裁兼首席运营官托德埃德伦德在接受媒体采访时简单算了一笔账:对于3D NAND晶圆厂来说，1%的产量提升可能意味着每年净赚1.1亿美元对于复杂的逻辑晶圆厂来说，1%的收益率意味着1.5亿美元的净利润
与此同时，伴随着智能终端应用的爆炸式增长，半导体芯片对全球各行业的重要性逐年提升，在产品中所占的比重也不断增加，这对可靠性提出了越来越高的要求。
伴随着先进半导体制造工艺的发展，成品率问题不仅仅是晶圆厂技术能力的问题其中，数据的价值日益凸显，因为从芯片设计到晶圆制造，再到封装，测试，PCB模板，再到将产品制作成实际应用场景，任何一个环节出现问题都可能影响最终的良率
可是，半导体行业作为所有前沿技术的基础，在挖掘数据价值和为产业发展提供有效洞察方面并不领先数据密集型半导体产业正经历着技术和应用的快速发展，面临着大数据的挑战
具体来说，芯片设计和制造决定良率，封装测试决定产品最终良率良率还需要细分为晶圆良率，Die良率和封测良率，总良率是这三者的乘积影响芯片产量的因素复杂多样一般来说，设计越复杂，工艺步骤越多，工艺偏移率越大，芯片良率越低同时，环境因素也会对产量产生一定的影响其中，影响最大的因素包括晶圆尺寸，环境因素和技术成熟度
造成晶圆缺陷的原因在整个生产过程中有很多，可能是环境，设备，工艺问题，原材料或人员因素等爱德华指出:如果产品有问题，要第一时间知道是哪个环节出了问题整个半导体行业都需要重新审视这个问题，引入更有效的手段和工具在半导体的先进工艺节点，尤其是7nm和5nm，伴随着工艺复杂度的提高，很多缺陷并不在晶圆表面，而是埋在其中，这使得在R&D和量产中对缺陷的监控非常困难因此，除了技术调整之外，通过全产业链端到端的数据分析来提高产量尤为关键
从某种意义上来说，这种挖掘数据价值提高半导体产业良率的方式甚至可以看作是摩尔定律的又一次延续。
如何挖掘晶圆片上数据的价值。
那么，如何挖掘出晶圆上密集数据的价值，进而对半导体设计，生产，封装，测试和应用提出有效的改进方案呢这些都是半导体企业在实践中不易操作的
除了数据量巨大之外，Edward指出，半导体行业大数据分析的一个主要问题是半导体行业的大数据种类繁多，这也给数据分析带来了困难一个晶圆包含了从IC设计，制造到封装测试的各种数据，每个环节的数据形式和分析方法都不一样如果组织得不好，数据就会杂乱无章，很难追溯到一些问题，找到提高产量的解决方案
Edward进一步指出，要实现覆盖整个半导体产业链的数据分析，遇到的首要问题是如何实现这些数据格式的标准化管理，比如将数据从晶圆厂发送到后续的测试工厂，以及数据格式如何标准化同时，工业领域还有ERP，MES等各种工业软件系统还有如何规范数据格式的问题这些都是半导体行业实施工业4.0智能制造的关键点，也是半导体厂商面对数据分析时最大的痛点
普迪飞推出的半导体大数据平台Exensio平台就是为此而诞生的它整合了整个产业链的大数据，包括数据的清理和分析功能，服务于产业链中的各类公司深耕半导体产业链20余年的普迪飞半导体，是唯一一家打通整个半导体产业链，实现产业链端到端全覆盖的半导体大数据分析公司
Edward介绍，Exensio平台是半导体供应链的大数据分析基础设施如果把整个产业链大致分为设计，制造和封装测试三个环节，根据每个环节的特点，Exensio平台都有相应的产品模块可供选择
Exensio—Process Control)，产品测试优化模块(Exensio—Test Operations)，半导体良率管理系统模块(Exensio—Manufacturing Analytics)与封装优化模块 (Exensio ndash， Assembly Operations) 等，覆盖从IC设计，晶圆制造，到封装和测试等的半导体全产业链。
值得一提的是，普迪飞独有的CV(characterization vehicle)良率提升方法，不仅可以对工艺和产品特性提供针对性的设计，还可以通过灵活的工艺流程缩短监测的周期整个系统包括高分辨的设计结构，高速并行的测试机台以及高效的良率分析软件而在此之前，传统工艺技术采用导入工艺器件检测结构的方式来实现，如采用SRAM测试芯片来监测，诊断良率，但这种方法不够全面且周期很长迄今，普迪飞已经提供了100多种10nm及以下的CV测试芯片特别是CVi系统提供的大量的器件表征数据结合Exensio Platform中的数据分析功能，可以建立精确的，针对特定产品的性能模型，以实现针对特定产品的最佳工艺设置，从而最大程度地提高制造可靠性和可预测性
连接全产业链的数据
这种全产业链数据分析的价值不止于此，Edward指出，更为重要的是，通过这样一个连通全产业链的数据平台，原本独立分工的各个产业链环节实现数据层面的互联这种互联不仅仅只是设备之间的，同时也将各个环节的半导体工程师与所有的芯片生产，封装，测试设备连接起来，为设计和制造提供重要的回馈，有助于降低各项成本，提高性能和良率
去年，普迪飞半导体与爱德万测试宣布建立合作伙伴关系，双方以普迪飞的 Exensio软件分析平台为基础，建立由Exensio驱动的爱德万测试云(Advantest Cloud)，供爱德万公司内部和外部客户使用通过这一合作，能为半导体工程师连接起横跨半导体价值链的自动化测试设备(Automated Test Equipment， ATE)，推动重要设计并产生制造分析，藉此降低测试成本，提升效能
全球前十大的半导体企业都是普迪飞的客户迄今为止，在IC设计部分，普迪飞的Fire Engine软件分析了100亿个晶体管的版图结构，在晶圆制造环节，全球超过24，000台芯片生产设备通过其提供的生产监控软件进行连接，在封装测试部分，全球超过15个头部封测服务供应商的工厂数据与该平台对接，超过16，000台测试机和封装设备通过其监控整个运营情况的软件相连接
值得一提的是，普迪飞也同样关注半导体初创公司和中小型企业的数据分析需求，针对不同成长阶段和规模的半导体企业，推出相应的数据分析模块以满足个性化的需求。
行业数据显示，截止到2020年中国的IC设计企业达到了2218家，比2019年的1780家多了438家，数量增长了24.6%但从规模上看，大部分公司还局限在小而弱的状态Edward指出，最近几年来，国内的半导体工艺一直在更新换代，IC设计公司也成长很快，但总体来看，目前国内的IC设计公司，尽管设计能力很强，可是在做数据分析，IT维护，导入量产方面，与国外公司相比则较弱针对此，普迪飞专门推出了一款基于云端部署的半导体数据分析平台Exensio Fabless Quick Start，由普迪飞维护IT设备资源，可以帮助处于起步阶段的设计公司实现定制化的数据分析能力，从而实现数据的深度追踪和挖掘
更高质量的数据，更智能的预见性分析
据Edward观察，在服务半导体产业链的过程中，半导体厂商的数据分析需求在过去十多年中也不断发生着变化从早期的由客户提供数据，然后普迪飞基于这些提供的数据进行分析并给出调整相应工艺制程的建议，渐渐转变到从客户希望达到的效果和目标入手，普迪飞基于此来建议客户需要做哪些分析，需要采集什么样的数据，同时也会帮助客户去采集相关的数据
，采集到高质量的数据，对于数据分析的效率以及产生的价值意义重大，Edward指出去年，普迪飞收购了智能制造和工业4.0设备连接产品供应商Cimetrix，就是看重其强大的数据采集能力
据介绍，超过150家半导体设备公司使用Cimetrix产品为数百种设备类型提供工厂自动化连接这些软件产品是随设备一起装运的，这样工厂就可以很容易地从设备中获取数据，以改进制造此外，Cimetrix Sapience智能工厂平台使世界各地的半导体制造，测试，封装与系统厂能够轻松地连接到工厂车间设备，以实现先进分析
Edward指出，普迪飞将 Exensio与基于标准的领先连接产品Cimetrix相结合，采集到的数据实现统一标准，格式，且数据更高频高质量，数据分析的效率和质量都将得到大大提升。
高质量的数据对于训练人工智能模型从而应用到半导体行业中，实现更智能，准确的预见性分析有重要意义而整个行业也开始越来越注重在问题发生之前如何预警从而规避人工智能技术的导入也是业界趋势
Edward举例，以晶圆厂为例，普迪飞的Process Control软件中有一部分功能用于监测机台设备，通过收集的过往数据来分析预测机器大约会在运作多少小时之后容易出现问题，导致生产的wafer报废通过该功能可以实现提前停机检修而以往，都是等到机器开始生产报废的wafer后，才会停机此外，人工智能还可以把很多的专家经验进行数字化整合，从而实现管理和预测在不需要专家在场的情况下，依然能够实现大规模推广应用，其关键点是需要大量的数据来支撑实现
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
