使用人工智能(AI)和机器学习(ML)关注差异

在生产制造控制环节中使用 SmartFactory Productivity AI/ML 平台获得更智能的体验。

作者: Jeong Cheol Seo和Madhav Kidambi
Minding the Gap with AI and ML Processes

在英国,“mind the gap”是指注意地铁和站台之间的间隙。在每个地铁站,每天都能听到数千次这种自动警报。一般来说,这个词组的意思是关注、观察某物,探索缺失或不存在的东西。

对于正在考虑使用人工智能(AI)和机器学习(ML)技术的半导体晶圆厂管理者来说,有一些需要考虑的问题:您是否注意到自己晶圆厂数据中的缺口?您意识到它们了吗? 您的生产运营中缺少了什么,或者有什么阻碍您向智能制造迈进?您的运营要求和可达成的结果之间存在差距吗?

本文重点阐述实现智能制造相关的问题,并探讨使用高效人工智能和机器学习流程对现有晶圆厂系统做出改变的价值,重点关注预测模型问题并通过优化实现设备控制。这里,我们通过一个案例来说明如何使用人工智能/机器学习平台预测批次生产周期。

自我认识、限制和延迟

在晶圆厂目前的生产系统和控制环境中,存在三个关键的限制因素,阻碍着制造商迈向智能制造(见图 1):

  1. 手动调节。 对于多区域排程和调度规则,制造商很大程度上依赖于其现有的技能和知识,而这些技能和知识往往并不充足,而且耗时。
  2. 模型限制。 从模型运行时间和准确性的角度来看,目前用于工厂动态预测的仿真模型存在明显的局限性。
  3. 延迟。 在排程、调度、设备和健康运行控制方面,由于集成度低、预测速度慢以及准确性差,设置配置值存在延迟的现象仍然普遍。
Figure 1 Current Fab Challenges
图 1. 阻碍制造商迈向智能制造的三个关键限制, 以及我们解决这些限制的方法

更智能的方式

如果制造商能够利用高效人工智能和机器学习流程对当前的系统进行一些必要的改变,就可以实现改进,并以更智能的方式控制生产活动。具体地说,通过有效使用人工智能和机器学习模型和算法,您可以为解决两类制造问题奠定基础(见图 2):

  1. 第一类问题与预测模型问题有关,即与批次生产周期预测、动态瓶颈预测和良率预测相关的问题。比较好的解决方案是对每一个问题使用合适的机器学习算法。
  2. 问题涉及考虑在实时状态和未来状态之下,找到最佳逻辑或参数值,以最适宜的方式控制生产流程或设备操作。强化学习(RL)模型是一种很好的解决方案,它可基于密集训练流程找到并学习最优逻辑和参数设置。
Figure 2 Problems and Solutions
图 2. 借助人工智能和机器学习流程解决的两个关键晶圆厂问题, 以及这些问题的具体解决方案

关注差异

为帮助解决这些问题,我们的 SmartFactory 高效人工智能/机器学习平台提供了一个工具集,可用于 (1) 构建自定义算法以解决广泛存在的问题,(2) 驱动自动化流程,以及 (3) 使制造设备和制程实现更高效率更高效益。使用此工具集可以将开发和部署整体机器学习解决方案所需的时间减少 30% 以上。

此平台由以下几部分组成:

  1. 预定义的特征因子,用于解决常见的生产效率问题。特征因子是一种静态值,如每一站点的平均生产周期或每一站点的平均批次数量。每个特征因子均代表一个批次、设备或站点的某个特征。凭借人工智能/机器学习平台,制造商可以重用或修改 APF 格式化报表,可专门为预定义的特征因子进行特征计算而创建相应的报表。通过使用 APF 格式化程序,制造商可以轻松地管理特征因子和特征计算。
  2. 即用型机器学习模型,用于解决常见的工厂生产效率和供应链问题。这些模型是“基线”解决方案,您也可以根据需要自由修改和重用。您可以在机器学习模型开发生命周期的所有阶段(从数据准备到部署和监控)使用当前的 APF 平台构建和部署机器学习模型。如果您熟悉当前的 APF 平台,还可以更容易地构建自己的机器学习模型。
  3. 自动设置排程和调度参数的即用型算法。这些算法基于强化学习模型,并围绕基于模拟的优化而构建。
  4. 用于评估和监控的预构建解决方案用户界面(UI)。这些用户界面可加快构建和部署新机器学习模型的整个过程。

图 3 对比了当前手动控制系统与用于自动控制的人工智能/机器学习嵌入式系统。除了特性因子,人工智能/机器学习平台还具有以下几个特性:

  1. 此平台提供一种带有机器学习/强化学习算法数据驱动方法,因此您可以自动配置或调整调度与排程参数,从而无需手动调整。调度和排程参数示例:Hot_lot_factor、Prefer_tool_factor 和 Step_move_target_factor。
  2. 此平台还提供能够快速运行的机器学习预测模型,使排程器和调度器能够使用实时运算结果,提高准确性。此模型甚至可以自动将训练与基于时间或条件的模式结合在一起,为您提供更好的可视性和更快的需求响应。
  3. 基于预测模型的改进后能力,您可以更有效地集成实时数据和预测数据,消除与关键可配置参数控制相关的延迟。
  4. APF 格式化程序设有一个 Python 模块,该模块可运行由 Python 编码的机器学习模型,因此,如果您将 APF 平台用于当前的排程和调度规则开发环境,则机器学习模型的部署将与当前的规则部署过程类似。这是应用材料公司人工智能/机器学习平台为当前 APF 用户提供的一个巨大便利,因为用户可以在不改变当前开发和部署环境的情况下开发和部署人工智能/机器学习模型。
  5. 最后,在将模型部署到生产环境之后,您必须监控模型性能,并定期根据性能重新训练模型。在应用材料公司人工智能/机器学习平台中,活动管理器(Activity Manager)自动管理此工作流过程。
Figure 3 Current vs AI Platform
图 3. 当前人工控制系统与用于自动化控制的 人工智能/机器学习嵌入式系统的区别

使用先进人工智能/机器学习控制预测批次生产周期

为说明人工智能/机器学习平台的使用情况,我们将预测批次生产周期的挑战作为一个示例来进行观察。批次生产周期预测是指预测每一站点中每个批次的完成时间。有了准确的批次完成时间预测,晶圆厂管理者可以检查其日常晶圆封装计划是否符合进度,因此该功能在成功实现按时交付方面发挥着重要作用。

图 4 展示了如何为批次生产周期预测构建机器学习模型(站点 1-5)。对于一个站点中的一个批次,如果在晶圆封装完成前有 12 个站点,则将生成 12 个模型,一个模型对应一个站点,并对每个模型进行训练。而后聚合的模型文件将被部署到生产环境中。

Figure 4 Use Case 1A Build
图 4. 建立机器学习模型来预测批次生产周期

图 5 展示了批次生产周期预测模型的部署和结果(站点 1-4)。要训练和测试模型,您可以使用历史批次交易数据和各种未来的模拟数据作为输入数据。要测试和评估模型,可以使用类似度量标准的基本精度矩阵测试。部署方面,您可以使用 APF 格式化程序预测每个批次的完成时间。要获得批次生产周期预测,可将特征数据和训练好的机器学习模型导入到一个 Python 模块中,此 Python 模块的执行结果就是批次生产周期预测结果。

Figure 5 Use Case 1B Predict
图 5. 部署批次生产周期预测模型

结论

您是否注意到自己工厂数据中的缺口?您管理预测批次出库、批次到站和设备故障事件的情况如何?高效人工智能/机器学习平台是一组用于解决与此类事件相关问题的工具集。它为自动化过程提供动力,使制造设备和工艺流程实现更高效率和更高效益。这些工具集通过支持高效的特征计算和管理,支持通用人工智能/机器学习模型开发和部署生命周期。此平台使制造商能够利用当前排程和调度规则开发环境轻松地部署机器学习模型。将模型部署到生产环境后,制造商可以监控模型性能,并根据晶圆厂内的性能和明显波动对模型进行再训练。

相关文章

适应或者落后

Adapt or fall Behind-1
在工厂运营排程和工业物联网(lloT)的丛林竞争中生存和成长

利用 SmartFactory AI 建立您的竞争优势

smartfactoryai-competitive-advantage
利用预构建的人工智能/机器学习模型提高生产效率

Vericell Rx™启用实时在线片剂检测系统,最大化地提升质量和生产效率

Vericell Rx™ Enables real Time
在制药业达到优化的产品产率,实现100%在线检测,这在以前是不可能实现的。