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。
在本系列的第四篇（也是最终篇）文章中，两位专家将探讨数字孪生的两个关键方面：数字孪生的核心定义与常见误解，以及数字孪生框架的概念。
定义解析
数字孪生技术示例
James: 当然可以。我们以灯泡灯丝的老化过程为例。你可能记得，这种灯泡在烧毁前会突然变亮。如果我们监测灯泡的温度或灯丝的亮度，并预测它何时会损坏，那么这个模型就可以作为数字孪生的一部分，用于预测故障。在这个例子中，我们不仅仅是模拟灯泡的理论故障，而是让模型与实际灯泡的数据保持同步。
James: 没错，数字孪生会以时间敏感的方式与现实实体保持同步。这里需要特别注意：这种同步不一定是实时的，但必须是时间敏感的。以灯泡为例，我可能需要每秒同步一次模型数据，因为要在灯泡熄灭前60秒内做出预测。
但在半导体制造环境中，比如派工和排程场景中，我只需要在新晶圆到达时进行同步即可。
James: 数字孪生的关键输出是预测或检测（比如某物已损坏或即将损坏）。但正如我们上期讨论的，它还必须提供准确度信息。如果数字孪生告诉你灯泡灯丝即将损坏，它必须指明何时损坏。如果它给出的时间是60秒，误差为 ± 5秒，且概率为95%，你就可以据此订购替换灯泡。
框架剖析
James: 没错！比如很多人没意识到，早在上世纪90年代初，我们就已在半导体制造的批次间控制 (Run-to-Run Control) 中应用数字孪生。如今它已无处不在。该技术通过建立设备模型来预测最佳工艺配方，从而提升设备的质量或产能。批次间控制本质上就是一种基于模型的过程控制形式，同样使用了过程的数字孪生。
预测性维护也是一种数字孪生技术，已经存在了十余年，可预测某些故障机制——就像我们之前讨论的灯泡案例，它同样运用了数字孪生技术。虚拟量测 (Virtual Metrology) 是另一种数字孪生应用：虚拟量测孪生通过采集设备测量数据来预测计量值，并与实际计量工具同步以更新模型。
因此正如您所指出的，必须强调数字孪生技术已有很长的应用历史。如果我们腰围行业建立数字孪生框架，就必须设计能兼容所有这些现有应用的架构体系。
Sam: 如何构建这种集成化框架？
James: 本质上，我们需要同时实现数字孪生的复用和组合功能。
首先讨论复用。假设我们已建立应用材料公司刻蚀设备的数字孪生用于预测设备产能。虽然可以开发适用于所有刻蚀设备的通用模型，但其精度有限。若针对特定品牌或具体机台优化模型——比如确定需增加的传感器类型，或调整特定刻蚀设备的算法方程——就能获得更高精度的孪生模型。这正是我们所说的“泛化层级“ (generalization hierarchy) 。
另一关键则是数字孪生的组合，这对排程和派工尤为重要。假设我们已有以下数字孪生：基于规则的排程与派工模型，决定不同晶圆在不同设备的排程；基于批次间控制的孪生模型，评估目标设备加工质量；预测性维护孪生，预判设备故障及概率。若创建能聚合这些信息的排程派工孪生——综合设备生成质量、故障时间及概率数据——就能构建更优的排程派工方案。这就是数字孪生聚合 (aggregation of digital twins) 的价值。
James: 没错！通过开发通用接口和标准化的模型交互方式，我们就能打造一个支持多样化应用的平台。
数字孪生可以整合来自不同组件的机器学习能力，从而构建更高效的系统。
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。
