用于質(zhì)量管理的機器學習

在臺積電中，機器學習用于實現(xiàn)自動缺陷分類（ADC），并保持高級缺陷分類（ADC）識別的準確性。我們使用的機器學習方法是人機交互 （HITL），它利用人類和機器智能來創(chuàng)建機器學習模型。有了足夠的數(shù)據(jù)和人工調(diào)整，這些機器算法可以快速、準確地識別和分析圖像，而無需工程師不斷教機器缺陷到底是什么樣子的。因此，人類智能將在機器學習中發(fā)揮重要作用，這意味著所提供的經(jīng)驗和算法對于成功的機器學習模型至關(guān)重要且與眾不同。

臺積電在內(nèi)聯(lián)邊緣計算ADC和離線云計算ADC中廣泛部署加工學習，特別關(guān)注刀具缺陷防御的關(guān)鍵制造階段。ADC的功能和優(yōu)點是每天處理數(shù)百萬張以上的圖像，提高圖像缺陷檢測采樣率。用于在線邊緣計算ADC，即所謂的“鷹視圖”，它嵌入在工具中，并在加工和隔離材料時檢測缺陷。用于離線云計算ADC，在檢測缺陷的同時將其插入進程，然后保持批次以防止進一步損失。加工學習的靈活性得到開發(fā)和擴展，以維持不同的工程要求，如尺寸測量、缺陷分類和顆粒檢測，以擴展質(zhì)量管理的規(guī)模。

?

用于產(chǎn)量和質(zhì)量防御的大數(shù)據(jù)分析

對于客戶信任的承諾，批次級和晶圓級的可追溯性現(xiàn)在是不夠的。更重要的是，材料和模具可追溯性的綜合方法是包裝制造的可靠性要求。

臺積電不斷加強對完整可追溯性的數(shù)據(jù)管理，甚至是每個晶粒映射到晶圓廠晶圓位置的數(shù)據(jù)管理。我們使用二維條形碼對所有產(chǎn)品數(shù)據(jù)進行編碼，并追溯所有可追溯性信息，例如源晶圓位置、料箱代碼和工程實驗標簽。為每個包裹單獨生成二維條形碼標記。生成的二維條形碼與圖案軟件系統(tǒng)中每個包裝的獨特光刻圖案相結(jié)合。上傳唯一標志時，所有工藝和產(chǎn)品信息，包括工藝歷史、刀具日志、材料和生產(chǎn)良率，都將被列出并搜索，即所謂的“產(chǎn)品簡歷”。使用此產(chǎn)品簡歷，我們可以快速定義有問題的材料或工藝問題的影響范圍，并通過數(shù)據(jù)關(guān)聯(lián)分析低產(chǎn)量的根本原因，從而最大限度地減少缺陷影響范圍。

?