挂载在芯片制造数据的问题

对收益管理系统计算的那句老格言,“垃圾/垃圾”依然犀利。调整和清理数据仍然是一个肮脏的生意。

增加价值的半导体供应链中的数据,现在基本上是两个并行运行的供应链。一个涉及到物理产品被创造出来,而其他包括与每个流程步骤相关的数据和生产设施。要想成功,芯片制造商需要严格管理。

在晶片、组装和测试生产设备,数据可以对齐之间产品测试程序,步骤,和设施。一旦完成,对齐可以管理与检查,维修,在数据管理基础设施和警报。每当数据错了,系统的地方抓住这样一个工程师可以检查并确定原因。

数据争论——获得干净的数据分析可以是一个巨大的水槽为工程师或数据科学家寻求从半导体中提取信息的数据。在某些情况下,它可以吸收80%到90%的时间。努力简化这个过程已经经过近20年来的发展。最初的目标是制造过程的前端,但最近的注意力已经转移到晶片的后端测试,装配,和最终的测试。

后端仍然是最难理解的半导体领域数据分析,很大程度上是因为它是单调乏味的工作涉及数据生成器。数据科学家,令人兴奋的东西涉及到分析、自适应流,和预测模型建立在数据。

“什么不是很好理解的复杂性,和方法解决,整个供应链数据对齐,”格雷格·普瑞维特说:Exensio应用解决方案的主管PDF的解决方案。“设备和各自的谱系数据复杂的ML模型的训练是很重要的。复杂性包括使用不同的标识符在不同的步骤,以及reverse-BOM(材料清单,一个单位很多设备),然后BOM(许多设备一个单位)”。

大挑战之一涉及到如何测试和组装设备存储数据的差异。“在后台进程显著具有良好的可视性,插入数据从一个到另一个插入可以有不同的格式,使得它难以用在其他插入,”基斯说肖布,副总裁技术和策略效果显著美国。“我们正在做的最重要的事情就是使数据跨多个测试使用插入,并最终在整个测试周期”。

其他报告看到同样的问题。“只是一个缺乏测试单元和测试程序的通用数据格式数据,“说Shai艾森,产品营销的副总裁proteanTecs。“如果行业收敛在常见的结构,这将帮助。还有一个技术限制和数据。解析,翻译,以及增加的数据,和数据的清洗、极其资源——而且耗时。不仅仅是一种常见的数据结构。你读什么,你怎么读取和存储,如何将其格式化,你如何使用它。”

今天,工程团队花费能量调整和修复制造业数据产生的后端。虽然这不是一个技术障碍,做错了可以使数据无法使用。这是主数据概念背后的动力在这世界,开发处理孤立和不一致的企业级业务系统中的数据。过程包括识别特定类型的信息的主要来源,分配方负责相关数据,建立数据的维护程序。

为什么测试和组装数据不一致
将这一概念应用于半导体制造被证明是更加困难,。

”有两个主要驱动因素,打破桥接和校准数据今天在半导体制造空间,”迈克·麦金太尔说,软件产品管理主管上的创新。“第一个发生在材料,或一些组件的材料,是企业之间转移。主数据实践发生在第二打破自动化是不足的地方支持设备和其数据生成和收集需求。”

之间有上百流程步骤一个未成形的晶片和最后的包装单位。这些本身是复杂的,这使得数据管理一项艰巨的任务。最重要的是,铸造模型设计和制造过程之间的边界。虽然IDMs可能在某些领域有优势,他们也外包一些制造步骤。

为了让事情更加混乱,工厂不同命名约定和操作实践。有时候这存在于同一家公司,一个问题通常是由重复的收购。

图1:生产线/铸造2017年供应链数据来源:全球铸造厂

更多的问题源于遗留设备生成测试程序。很难对齐数据在组装和测试设施老比晶片探针有几个原因。首先,他们有更多的材料。其次,后台操作有更多不同的步骤在整个物质流,因此有更多的机会问题数据正确性,清洁和对齐。第三,少遗留设备和工厂自动化导致所有这些问题。

由于其业务的性质,high-mix /容量设施更具挑战性的时间和数据一致性,因为有更少的从产品数据一致性。每个产品都有一个独特的测试程序由不同的工程师,并经常在测试不同细胞组织,吃,loadboards和处理程序。一天,一个试验间网站可能会改变的三至四倍。

不结盟数据阻碍了收益率工程师的分析整个供应链。它还阻碍产品工程师使用一种自适应测试流的能力。

“我们如何正确地识别数据库键链接和关联数据从一个过程到另一个?尽管从软件公司营销宣传,这很少是一个简单的练习,”首席执行官韦斯·史密斯说银河半导体。“了解哪些产品是哪些机器哪个对应哪个过程数据处理是一项艰巨的任务。通常唯一可用的关键链接数据的时间戳。”

校准数据是乏味的
没有人能避免单调乏味的工作,正确的数据一致性问题。它需要不同的利益相关者在同一个房间里。这种努力可以测量在数周或数月。

“在许多情况下,这些人不是在同一部门或甚至在同一个办公室,“麦金太尔说。“也是必不可少的目标或目标调整数据。在最好的情况下,一个工厂的失调可能在几周内得到解决。在某些情况下,花了几个月或季度解决。”

预先计划对齐通常需要更多的努力。迈克尔•Schuldenfrei倪的家伙,共享早期数据对齐练习与主要客户:“从一个特定的日期和开始,他们制定了一套指令为所有新产品,确保数据记录一致。我们和他们一起坐在系列的基础上,建立规则,抓住每一个可能的变化值之外的接受的格式,或以外的相关查询。”

尽管新的职权,这些数据并不总是满足一致性要求的水平。这导致产品组进行更改到现有测试程序发布。“这是一个非常乏味的问题,因为你在游戏中发现的太迟了,”Schuldenfrei说。“最后他们开始集成流程的开发测试程序,以确保测试程序发布时,它已经见过数据记录的规则。”

把数据文件
收益管理系统添加自动化管理客户主数据。如前所述,有很多投资在这样的努力在每个字段编码有效数据和检查适当的文件已经发送。当数据是不正确的,触发警报。

绝大多数的对齐,一旦最初的基本工作完成后,可以通过自动化监测和控制。不过,设置它当你有一个制程与多个分包商的供应链,并不是简单的。它需要时间去找出所有的失调和为什么这些发生。

“通常与大客户(数以百万计的晶片,数百种产品)我们花了大约两个月经过学习的过程,“保罗·西蒙说分析主任硅生命周期管理Synopsys对此。“然后我们有非常干净的数据,只有百分之一左右的数据,我们可以手动处理。在我们YMS平台,我们有一个数据集成平台,客户没有看到。它清理所有的数据的问题。对每一个产品我们设置它,这样在数据进入数据库之前,我们检查的完整性和准确性。如果有一个问题,数据集成平台自动修复数据。如果我们不能自动修复,然后这些数据继续持有。工程师试图识别数据的问题的根源,然后更新数据和配方,以反映这个特定的数据问题应该如何处理。”

西蒙指出,在这个学习的过程工程师可以找到坏的根源数据并将其发送回数据供应商,这样他们就可以修复它。这可以包括将在错误的批号,接受错误的或不完整的文件和失踪的测试数据。

但由于遗留系统,并不是所有的数据问题可以固定,所以工程师不使用这些数据。当涉及到决策的制造业数据,不完整的准确的数据比完全不准确的数据。

提高数据对齐
之间的映射数据属性之间的工厂测试步骤和制造业和产品组后经常出现的事实。产品,工厂和工程组织也可以通过调整预先解决这个数据和业务和操作流程。

材料标识符标准帮助。“经典的挑战之一是缺乏通用数据模式有效地协调数据,构建独特的标识符,“DeukYong Yun说,公司自动化团队的成员安靠。“我们正在利用半标准。作为一个例子,E142为衬底映射规范,但它没有定义材料。我们预计这个标准很快得到更新以适应现代半导体单元级可追溯性(过错)的需求。”

当聚集在工厂或产品组业务流程(即操作实践),工程团队需要考虑精简流程——用更少的步骤简单。GlobalFoundries经理分享了他最近的经验之间的数据比较和调整各种工厂、和自然试图bkm分享。

“你想把BKM但业务流程并不总是相同的,“说苏尼尔时称,应用智能解决方案高级主管GlobalFoundries。“除非你对齐的基本业务流程在很大程度上,在技术上你可以把只有那么多努力标准化的东西。”

校准提供了一个机会来简化自动化或自动化改进之前,这是很重要的。“否则,如果你试图自动化标准化之前,你要把问题从业务到技术方面,“Narayanan说。“这意味着你将需要继续修复它。你增加了数量的技术债务。”

然而工厂的多个数据源生成大量数据- pb每天在工厂如何找出你首先是主数据问题?

“在过去的几年中,我们已经强调主数据管理,”他说。“我们有一个单独的组织绘制,但当数据量如此之高,组织无法解决这个问题。我们的数据是分散在多个领域和各种数据存储系统。一个组织不能解决MDM挑战,除非他们有工具来告诉他们问题在哪里,和被打破的东西在哪里?我们有一个主要计划称为数据编目。通过利用技术,我们试图自动化这些东西显然将显示数据沿袭,从数据来自何处,数据注入发生,最终的数据。”

总结
半导体制造业继续在主数据管理的进步,以及提供更清洁的数据工程师需要找出收益率远足,质量问题和设备问题。的挑战,仍比技术操作。仍然,有普遍的协议分析和自动化专业,更多的标准化有助于该行业。,其中可能包括测试数据标准,工厂自动化标准以及工程学科更好地简化操作和达成一致的命名法。越是这种情况调整数据的负担减少。

与此同时,当制程公司或工厂带来的收益管理系统,校准偏差显示他们的贡献。“当你把一个系统,客户开始欣赏这个问题他们已经在调整数据,“Schuldenfrei说。“它会将他们推向项目改善pre-fact对齐。他们开始明白还有很多可以做的事情,他们可能会产生更多的价值,如果他们做了更多的工作在调整之前的过程。”

收益管理系统和制造自动化解决方案可以使工程团队一起通过支持主数据系统、数据可视化和预测模型。预测模型不能没有很好地执行完整、准确和一致的数据。努力使数据需要艰苦的主数据管理流程的侦探工作。

有关的故事
可追溯性在汽车芯片的必要性
开车去更高级别的ADAS需要知道生产过程的每一步。
基础设施影响数据分析
收集生产数据仅仅是问题的一部分。有效地管理这些数据对于分析和机器学习的应用是至关重要的。
太多的工厂和测试数据,利用率较低
现在,增长超过了工程师收集的数据分析的能力。
电子供应链信任标准出现
碎片仍然猖獗,但是有进步的迹象。