知名行业专家 James Moyne 与 Samantha Duchscherer 展开了一场精彩对话,深入探讨将人工智能 (AI) 等先进技术及额外信息整合到半导体行业排程与派工流程中的重要性。本系列文章共分四部分,重点涵盖数据价值与优势、AI 技术应用、人机协作等核心议题,同时深入分析当前面临的挑战,并针对数字孪生技术的角色提供独到见解。
在本系列的第一篇文章中,两位专家将聚焦排程与派工的发展现状。
James: 半导体行业在排程与派工方面领先于其他所有行业,因为半导体制造是一个高度自动化、快速运转且灵活多变的系统,需要快速且自动化地做出决策。
目前,实时排程派工技术几乎仍是半导体制造业所独有的。过去五年间,虽然制药和航空航天等行业已开始引入相关技术,但仍难以望其项背。事实上,这些行业正以半导体制造为标杆,试图复制其成功经验。
James: 目前的排程与派工都是基于规则的系统。通过专家经验与数据来控制操作,比如“当某个事件发生,并且伴随A、B、C 的情况,需做出决策并将某个任务分配到至特定位置。”
这其中既有推动式也有拉动式机制。在推动模式中,重点是如何将晶圆从上层系统被分配到下游的资源上。这本质上是“我有晶圆,并且知道该把他们送到哪台设备”。
而在拉动模式下,则是决定加工顺序。例如,一台设备被分配了四片晶圆需要加工,这时需要决定处理它们的顺序。推动和拉动模式协同工作,通过 APF RTD™ 等基于规则的解决方案来实现。
James: 当前的系统兼具预测性和反应性功能。其反应性体现在:当遇到未预测到的事件时,系统没有预设或自动化的应对方案。面对意外情况,系统基本上会“束手无策”。这时就需要领域专家进行人工干预。专家会判断是否需要新增规则,以应对未来可能再次发生的类似情况;或者,如果认为这只是偶发事件,则会在当下制定解决方案。
系统的预测性则体现在:它会综合考虑预设规则、设备运行方式、预期产能和质量要求等因素,然后做出诸如“将一些成本更高的晶圆分配给产能更高的设备”这类决策。
James: 我们已经开始在排程与派工系统中引入预测功能,这正是数据发挥作用的关键所在。首先需要收集大量数据——不仅包括排程与派工本身的数据,还要涵盖所有可能对其产生影响的因素。设备维护就是典型例子:通过收集大量数据,您可能会发现某台设备存在特定的维护规律。您将逐渐掌握设备故障的时间节点、频率,更重要的是这些数据的波动特征。这些洞见最终都能整合到排程与派工的决策中。
预测性维护的可信度取决于历史数据的积累程度。数据越丰富,越能识别历史规律。例如,当您拥有某台设备两年的维护日志时,就能准确判断该设备的维护特性,并据此优化后续决策。若缺乏此类历史数据,则需从零开始逐步建立预测模型的可信度。因此,预测能力本质上取决于:数据存储的时间跨度、数据可靠性、数据质量、行为模式的动态变化等关键维度。
James: 我们的研究发现,预测功能可分为两个层面:首先时处理微小异常。例如当生产整体平稳运行时,某台设备的加工时间从1分钟波动到1分10秒,系统就基于这种预测和波动做出相应决策。
第二个层面是预测重大中断事件。比如预测计划外停机并提前通知排程派工系统,从而能做出更关键的决策,比如重新分配任务。可以看出,数据驱动在这一层面起到了关键作用,帮助应对那些需要我们对排程派工决策做出重大调整的灾难性或大规模变更。
需要强调的是,数据不仅直接影响排程派工,还会通过其他应用的输出间接产生影响。例如预测性维护和批次间控制,这些应用旨在提高生产效率和晶圆质量。如果您知道批次间控制系统在 A 设备上生产出的晶圆质量优于 B 设备,这对排程来说就是非常重要的信息。
我们目前正在尝试将这类信息整合到排程派工系统中。未来,数据驱动技术(如集成人工智能、机器学习和数字孪生)将为排程派工带来更多革新机遇。
结论
半导体制造业在实时排程与派工领域处于领先地位。随着其他行业将其视为实施标杆时,半导体行业已开始利用数据提供的机遇,开发更具预测性的排程派工系统,从而提升生产效率与质量。
在下一篇文章中,我们将详细阐述人工智能 (AI) 与机器学习 (ML) 的定义。
Moyne 博士简介
James Moyne 博士是密歇根大学副研究科学家,专注于通过增强排程与派工领域的数据整合来优化决策。他在预测性维护、基于模型的过程控制、虚拟计量及良率预测等前瞻性技术方面拥有丰富经验,同时致力于数字孪生与分析等智能制造概念的研发,推动微电子行业的智能制造落地。
Moyne 博士积极参与先进过程控制 (APC) 的推广工作,担任多个行业协会的联合主席及领导职务,包括 IMA-APC 委员会、国际设备与系统路线图 (IRDS) 工厂集成专题组、SEMI 信息与控制标准委员会,以及美国年度 APC-SM 会议。
凭借其深厚的专业知识与丰富的行业经验,Moyne 博士被公认为标准和技术领域的权威顾问,在智能制造、预测和大数据领域做出了重大贡献。