核心要点：
左移策略通过将问题检测环节提前来提升良率。晶圆厂正利用设备传感器的实时数据以及AI/ML技术，在工艺模块内部识别工艺异常，从而改进先进过程控制。
更高的采样频率、数百个传感器参数以及亚秒级分析，正在使制造数据的体量、速度和种类同步增长。
数据的上下文信息与连通性依然至关重要，但模块级别的优化会同时影响这两者。
半导体晶圆厂正在利用AI/ML模型和原始设备数据来加快良率学习速度，但它们所收集的数据量——有些厂一年甚至多达数百拍字节（PB）——正迫使企业在"优化"与"保留上下文"之间做出艰难取舍。
企业面临的数据量之所以激增，是因为检测与计量设备的采样频率不断提高，用以发现良率问题。这其中就包括来自设备传感器的流式数据，这是数据体量增长中一个相对较新的来源。AI/ML推理模型利用这些传感器数据进行原位分析，从而实现响应更快的先进过程控制（APC），并能更迅速地识别可能影响下游良率的变化。
"过去五年里，设备数据这一块呈指数级增长，"英特尔代工厂自动化部门高级数据工程经理阿希什·古普塔（Ashish Gupta）表示，"这种爆发式增长主要源于晶圆厂推行左移策略，将控制环节前移到原位、实时的工艺控制中。"
其他业内人士也认同，设备数据使用量的增加已成为数据量指数级增长的来源。
"设备数据在三个维度上都在扩张，"安徒生创新（Onto Innovation）企业软件业务副总裁朴载勇（Jae Yong Park）表示，"过去几年里，供应商增加了数百个参数；采样频率从大约每秒一次提高到每几十毫秒一次；工程师也越来越多地直接使用原始轨迹数据，而非汇总数据。这些变化共同导致流式数据量急剧增加。"
设备数据的增多同时推高了数据的体量、速度和种类。如今在工艺模块内实时使用数据，要求处理速度达到亚秒级。数百个设备传感器使数据种类比十年前至少增加了10倍。
"几乎各个环节都在源源不断地产生数据，"新思科技（Synopsys）产品管理高级总监卡尔蒂克·文卡塔拉曼（Kartik Venkataraman）表示，"即便是晶圆厂能从设备供应商那里获取的数据，相对于设备实际产生的总数据量而言也只是很小一部分。部分原因是设备厂商想保留这些数据——这是他们的知识产权；但很多时候，其实是晶圆厂根本处理不了这么多数据。比如刻蚀腔或CVD腔中的射频等离子体源，其工作频率达到兆赫兹级别。如果是脉冲模式——而脉冲恰恰是一个关键参数——其频率则是千赫兹级。每一个脉冲都有自己的波形，有其特定的瞬态响应和衰减特性。这些波形中蕴含着许多特征，其中一些可能具有可操作性，能揭示工艺状态的信息，但你不可能对每一个脉冲都进行监测。这涉及到每秒数兆字节的数据量。"
对于先进制程节点而言，实时/原位数据分析能力的提升有助于加快良率学习并改进先进过程控制。通常，工程师需要等待数天、数周甚至数月，才能从电测等后续筛选环节获得良率异常的信号。借助AI/ML模型，晶圆厂往往可以将识别和决策环节前移到工艺模块内部完成。系统可以据此调整工艺模块参数，或在工艺进行中直接中止操作。这种转变要求对海量高分辨率数据进行持续监测。
晶圆厂进一步左移
几十年来，半导体测试一直在不断将测试内容向流程前端迁移。其目标是通过在晶圆级测试中增加测试内容，提升最终测试或系统级测试的良率。近年来，随着小芯片（chiplet）的普及，针对单颗裸片又新增了一道测试工序。更早的筛选能提高"已知良品裸片"（KGD）出货的可信度，从而提升最终产品的良率与质量。
同样地，晶圆厂也在将设备数据向流程前端迁移，利用工艺模块数据来检测良率异常，并改进先进过程控制算法。依靠设备传感器数据以及专门构建的虚拟计量模型，工艺模块能够快速自行识别出设备内部出现的、会影响良率的不良变化。这样一来，工艺工程师就不必再等待下游筛选环节发出良率问题的警示，AI/ML推理模型的结果可以近乎实时地识别出良率问题的成因。
"左移发生在每一个宏观阶段内部（设计 => 晶圆制造 => 测试分选 => 先进封装 => 最终测试），"英特尔代工厂的古普塔表示，"但把检测环节提前到晶圆厂工艺模块内部、设计周期内部或测试单元内部，正是数据工程挑战加剧的地方。与其等待汇总的分级结果或工序后检测，阶段内的左移需要持续的高分辨率监控、腔内/原位分析、异常检测、虚拟计量、自适应测试等。这些活动共同造成了体量、速度、种类、真实性这'4V'式的数据洪流。"
从根本上说，向工艺模块内部监测的转变增加了三个环节。AI/ML推理模型会实时获取设备传感器数据；这些模型可以标记出存在问题的晶圆加工情况，要求调整设备参数或直接中止操作；对于后一种情况，根因分析将指明后续应采取的纠正措施，例如设备维护。
管理这些数据依然是一个关键议题，因为晶圆厂正越来越多地向设备供应商索要更多数据。为支持原位分析，设备日志需要向工艺工程师开放，以便用于模型构建与监测。
"如今，让供应商以标准格式导出关键相关数据至关重要，因为芯片制造商已开始在传统系统（良率管理系统、故障检测与分类系统、运行到运行控制系统）之外自行利用这些数据，"安徒生创新销售与产品营销高级总监普拉萨德·巴奇拉朱（Prasad Bachiraju）表示，"此外，企业还需要以标准格式，将某一基板（晶圆/面板）所经历的工艺信息传递到下一道工序，以便这些信息被有效利用，从而优化后续工艺。"
还有人强调，实时决策的增长，需要依靠设备数据来支撑虚拟计量模型。
"各项指标应当在线实时测量，而非事后才去测量，因为可能对产品质量造成负面影响的变化随时都可能发生，"PDF Solutions产品管理总监史蒂夫·扎梅克（Steve Zamek）表示，"我们现在已经有软件能够捕捉到这些故障，并在造成更多报废之前及时拦截设备，将所谓的'产品风险'降到最低。在那些拥有可靠虚拟计量模型的场景中尤其如此，这类模型能够利用实时设备参数，准确预测原本无法直接测量的原位产品质量指标。"
设施相关数据同样能从左移策略中受益。水温、水压以及电力波动的变化，都可能影响良率。"这种技术也应当应用到厂务辅助系统（sub-fab）数据上，因为与某台晶圆厂设备直接相关的部件运行参数，正对该设备所加工材料的质量产生越来越大的影响，"扎梅克补充道，"目前行业标准和系统技术已经具备支持这类近乎实时分析的能力，所以这一应用场景的落地障碍其实很小。"
为AI/ML模型提供数据
AI/ML推理模型正支撑着利用设备传感器数据进行更复杂原位监测的趋势。与多变量统计过程控制（SPC）相比，推理模型能够主动消化和分析更大体量、更多种类的数据，以支持腔体分析、异常检测和虚拟计量。
"很难量化目前有多少比例的采集数据被真正用于分析。不过，随着机器学习和人工智能的发展，晶圆厂正越来越多地收集和使用原始轨迹数据来进行异常检测和根因分析，而不是仅仅依赖汇总级别的数据，"安徒生创新的巴奇拉朱表示，"这样做的动机是为了识别出传统统计分析方法可能遗漏的细微信号。"
其他业内人士也证实了如今为AI/ML推理模型提供的数据正在增多。
"将缺陷检测环节向晶圆厂模块内部前移，正直接推动检测频率提高、计量采样密度加大，以及晶圆上站点级测量范围的扩大。与此同时，设备传感器精度和模态方面的突破，也在为支撑下一代先进过程控制（APC）、异常检测和虚拟计量应用的丰富AI/ML模型提供燃料，"英特尔代工厂的古普塔表示。
左移策略带来的好处，从提升产品良率到提高整体设备效率（OEE）不等。
"AI/ML正成为推动质量提升的重要驱动力，因为它能让企业从被动式问题解决，转向主动式缺陷预防，"PDF Solutions产品管理高级总监乔恩·霍尔特（Jon Holt）表示，"通过分析大量运营、工艺和设备数据，AI模型能够识别出人类往往难以察觉的模式，帮助团队在质量问题发生之前就加以预测。这能提升工艺稳定性、减少波动、加快根因分析速度，并最终提高良率和产品一致性。在复杂的制造环境中，AI还能支持预测性维护和工艺优化，降低因设备老化或工艺漂移而导致质量问题外泄的可能性。"
左移策略虽然改变了单个工序的运作方式，但晶圆厂依然不能忽视筛选环节，也不能忽视在工艺模块之间连接数据的必要性。
检测、计量和测试环节，依然是捕捉这些新型AI/ML推理模型所遗漏问题的有效屏障。此外，当这些环节与工艺模块数据相连接时，检测、计量和测试步骤还能帮助识别模型的改进空间。然而，用于连接晶圆厂各工艺步骤间数据的AI/ML模型，必须基于可信数据运行，因此这些工序之间的可追溯性以及数据上下文信息都必须得到妥善保留。
要在数据可信度与可追溯性之间取得平衡并不容易，部分原因在于目前缺乏统一的可追溯性标准，部分原因在于团队往往倾向于以单个工艺模块为单位来优化数据管理。
"这种局部优化的陷阱，会导致一种可以描述为'数据丰富但上下文匮乏'的局面，"古普塔表示，"每个工艺模块都在为自身特定的、受时间约束的挑战而进行激进优化，而企业级数据整合、跨模块可追溯性和全局关联性（数据真实性挑战）则更难被优先考虑。"
打通全厂数据
如何在工艺模块自身优化与跨模块数据连接需求之间取得平衡，依然是一项挑战。然而颇具讽刺意味的是，恰恰是打通这些数据，才能训练和维护用于工艺模块内原位推理的AI/ML模型。具体来说，如果某个工艺模块只针对自身约束条件进行优化，而非考虑跨多道晶圆厂工序的互联数据，那么该模块的数据就可能缺乏足够的上下文信息，这反过来又会削弱打通工厂内部乃至跨工厂数据孤岛的能力。
其中一大挑战，是如何找准正确的切入点。"不仅工具数量在增加，而且每台工具产生的数据量也更大，数据模式也更加丰富，"西门子EDA Calibre半导体研发部门首席幕僚吉姆·希利（Jim Schiely）表示，"当你看看Rapidus或Terafab这样的新兴大型企业时，就会发现它们有机会直接从现有的认知出发来搭建体系，而不必像过去那样，各部门各自建立局部本体、局部数据溯源的小模型。每个部门都可以从零开始，把这当作一门信息产业来做。我们必须把各种不同的数据串联成线索，理清它们之间如何相互关联，并构建起一张庞大的数据图谱。这些图谱，正是AI得以发挥作用的'燃料'。"
对于已经成熟运营的晶圆厂而言，这意味着需要重新构建芯片制造核心所依赖的各类模型。"25年前我们做光刻建模的时候，团队里有一批堪称'建模界米开朗基罗'的高手，"希利说道，"只有他们才懂得怎么做。如果你手头有一组棘手的数据集，找到这些人，他们就能想办法让模型跑起来。如今建模这门学科已经日趋成熟，相关工具不仅体现在计算硬件上，也体现在Python可用的各种库和模型上。过去，自动化神经网络模型根本是不可能的事。25年前如果谈论自动化模型拟合，听起来简直是天方夜谭。而且如果你没办法让数据保持更新，那么花力气生成这些图谱、追踪这些数据也就没有意义了，尤其是当它们最终被闲置不用的时候。"
AI与数字孪生技术能够解决上述部分问题，但在半导体领域，这些抽象模型还必须与多物理场仿真及实测结果相互印证。
"核心引擎仍然必须生成'地面真值'（ground truth），而这是大语言模型做不到的，"新思科技的文卡塔拉曼表示，"我们依然需要经历这样一个过程：首先确保人类专家的操作是正确的，并通过真实数据对其进行验证和校准。校准环节至关重要。物理模型能告诉你系统理应如何表现，但你需要真实数据将其锚定在现实之中。一旦做到这一点，你就不再只是单纯地收集数据、被动地观察结果，而是能够理解数据背后的成因。这正是数字孪生技术本应揭示给你的东西——它应该向你揭示背后的物理规律。真正的学习正是由此而来，也正因如此才能实现可泛化的学习能力。"
这是业界追求的目标。但从设计到制造的整个流程中，与数据相关的挑战依然存在，而且当涉及多道工序时，这些挑战还会进一步叠加。
"随着先进器件日趋复杂，无论是逻辑芯片中的全环绕栅极（GAA）器件、3D DRAM、堆叠式NAND，还是像HBM、系统级封装中SoC这样更复杂的多芯片封装方案，我们都面临着越来越高的复杂度，"泛林集团（Lam Research）设备智能产品开发总经理拉塞尔·多佛（Russell Dover）表示，"因此我们需要引入智能工具来支撑数字线程，利用AI技术来管理远超人力所能应付的工作量。从根本上说，这关乎问题解决的速度，以及更快的学习周期。"
工程师们正把优化范围从单个工艺模块，扩展到跨晶圆厂的整个设备群。"借助AI，我们可以构建一种纠正模型，利用来自不同类型工艺设备的反馈或前馈信息，为芯片制造商带来更优的整体集成效果，"多佛表示，"而数据并不受物理位置的限制。举例来说，如果你在亚洲有一家晶圆厂，而在世界其他地方还有一家姊妹晶圆厂，你完全可以将两边的数据混合起来，把它们当作一个虚拟的统一设备群来对待。这样一来，你就能超越传统意义上针对某一晶圆厂、某一特定工艺来优化设备群的'工具匹配'方式，进而实现跨不同地点的腔体群匹配与产出优化，提升该工艺的Cpk值和良率。"
这一思路同样适用于其他工艺。例如，由于腔体壁面残留物导致的条件不断变化，等离子体工艺就为虚拟计量提供了一个很好的应用平台。"同一种工艺化学品，在刚清洁过的腔体和已经处理过数百片晶圆的腔体中，表现可能截然不同，"SandboxAQ半导体材料创新与跨行业战略负责人莎莉妮·夏尔马（Shalini Sharma）表示，"以等离子体刻蚀为例，腔壁上的聚合物残留会逐渐改变腔体内的气相化学反应，并随着腔体老化而使刻蚀速率发生漂移。工程师们通常通过设计实验、腔体遥测数据和监测晶圆来表征这些相互作用，再通过清洁、调理和逐批运行控制来加以管理。机器学习能够识别出射频阻抗、气体流量等传感器数据中人工难以察觉的规律，而虚拟计量则可以在常规测量结果出来之前，就对薄膜厚度或刻蚀深度等结果进行预估。"
结语
将检测与工艺控制环节在制造流程中进一步前移，正在加速良率学习的进程，但同时也给晶圆厂内部的数据基础设施带来了巨大压力。随着制造企业在不同工艺步骤中不断优化AI/ML模型，如何在保证数据上下文完整性的同时，兼顾晶圆厂分析与工艺优化所需的数据可追溯性，将成为未来面临的核心挑战。
Q&A
Q1：什么是左移策略？它在晶圆厂里有什么作用？
A：左移策略是指将检测和工艺控制环节尽量提前到制造流程的早期阶段，比如工艺模块内部，而不是等到后续的检测、计量或电测环节才发现问题。通过结合设备传感器实时数据和AI/ML推理模型，晶圆厂可以在工艺模块内部就及时发现良率异常，从而加快良率学习速度，改进先进过程控制。
Q2：晶圆厂为什么现在要处理这么庞大的设备数据量？
A：这是因为检测与计量设备的采样频率大幅提高，加上设备供应商近年来新增了数百个传感器参数，采样间隔从每秒一次缩短到每几十毫秒一次，工程师也更多直接使用原始轨迹数据而非汇总数据。这些因素叠加在一起，使得设备数据的体量、速度和种类都呈指数级增长，有些晶圆厂一年产生的数据量甚至高达数百拍字节。
Q3：虚拟计量模型和AI/ML在晶圆厂里具体能解决什么问题？
A：虚拟计量模型可以利用实时设备参数，预测那些原本无法直接测量的原位产品质量指标，比如薄膜厚度或刻蚀深度。结合AI/ML技术，工程师能够从海量传感器数据中识别出人工难以发现的异常模式，提前预测质量问题，支持预测性维护和工艺优化，从而提升良率和产品一致性。