高级分析、机器学习和人工智能的应用，正在使传统的制造和运营方法遭受冲击。虽然半导体制造公司在应用这些技术方面有些限制，但可能很快就会有所改变——并且它们也有很好的理由去改变。现在，要想将一款新的集成电路推向市场，所需要的时间在每个节点上都在逐渐上升。新的设计和制造技术，是造成这个问题的一个原因。但是，更复杂的检查、测试和验证程序，也是产生延误的原因。

 

半导体产业链的现状表明，晶圆厂需要多个领域的共同协助。在过去几年的设计过程中，测试和验证时间增加了50％。新产品引进和升级，现在通常需要12到18个月的调试和调整。类似地，组装和测试过程中30％的资本支出，都是不给产品增加任何价值的测试。芯片进入市场后，问题也不会停止：客户可能会遇到意想不到的性能问题，并要求半导体公司帮助解决这些问题 ——这是一项艰巨的任务，因为厂商们没有办法追踪芯片从生产到使用的所有过程。 此外，许多晶圆厂没有有效地记录生产过程中遇到的问题，也没有采取措施来尝试解决这些问题。

 

在许多情况下，出现问题的原因，是因为尽管有一定程度的自动化，重要任务仍然需要频繁的手动操作干预。为了改进这一流程，许多技术公司正在创建分析工具。这些工具，可以帮助晶圆厂用基于事实的知识、模式识别和结构学习，来代替猜测和人类的直觉。除了减少错误、精简生产和降低成本之外，这些工具甚至可以帮助晶圆厂发现新的业务模型，并获取额外的价值。

 

尽管这些分析工具才刚刚开始获得晶圆厂的关注，但半导体制造商已经有很多选项可供选择。因为，许多技术人员最近已经开发出专门的解决方案，来简化芯片制造过程。我们从大量创新者中选出了三家公司，作为新生搅局者的代表性例子。我们访问了他们的业务部门和技术部门的领导，以进一步了解其能力。我们的目标不是选择性地认可某一家公司，而是为可能不熟悉新产品的半导体公司，提供不同的新兴解决方案。

 

主动防止错误，进而优化产量

高级数据分析，可以在虚拟或数字设计文件中，测试和标记出可能的故障点，为晶圆厂提供了极大的方便。不需要测试成品，半导体公司就可以提前纠正物理设计中的错误，提高产量和可靠性。 晶圆厂商还可以使用相同的技术，来生成和运行虚拟芯片进行测试 ，从而允许他们识别和消除边际效应的同时，进行流程优化。最后，高级数据分析可以让晶圆厂将来自传感器的数据大量输入，与广泛的流程级信息相结合，创建丰富的多变量数据集。然后，它们可以快速诊断芯片或设备故障的可能来源，从而为潜在的问题提供早期警告。这些工具，可以从先前的设计中进行初步学习，并随时间增强检测故障的能力。为了更多地了解这些防范错误的新工具，我们与Motivo首席执行官Bharath Rangarajan进行了访谈。Motivo是一家高级分析公司，通过使用专有算法、机器学习和人工智能，来增强预测分析能力，从而提供更多的有洞察力的诊断，防止复杂的芯片故障产生。

 

麦肯锡：你能谈谈我们看到的芯片生产中的一些问题，特别是错误检测问题吗？

Bharath Rangarajan：每个工厂都有数千个工艺步骤，而这些步骤又有数千个参数可以用于不同的组合。因为有这么多的因素，所以才导致了很多芯片故障或缺陷。但是每个误差的频率往往非常低，因为在设计和生产过程中，参数很少会是一样的。这使得，即使是最强的工程团队，也难以预测发生问题的地点和时间。

 

由于晶圆厂传统上几乎没有分析工具，所以他们试图通过制作模型、运行测试晶片和执行基本分析来发现出现较多的问题。换句话说，他们会改变一个设计或过程，看看是否消除了一个常见的错误。在仅需要改变几个参数的情况下，这种方法会降低一些高频问题，但这并不能帮助晶圆厂识别出更广泛存在的、更难发现的低频和中频误差。它也不能识别只能通过改变许多参数来解决的高频误差，而这些错误，很多时候是产量降低的原因。

 

传统的纠错方法，还存在另外一个问题，那就是很难从过去的经验中进行学习。正如我所说，晶圆厂已经能够通过调整多个参数来消除缺陷，但这仅仅有助于他们处理当前批次的产品。他们的测试方法，并不能让他们了解导致问题的内在原因。我的意思是，他们没有显示出改进的确切变化，所以可能会在将来重复同样的错误。许多设计团队和负责流程的工程师之间存在沟通问题，他们在描述问题、甚至共享过去故障信息的方式上并不相同。我可以理解为什么会发生这种情况 —— 很多时候，设计和流程人员甚至都不在同一个地点办公。他们使用不同的语言，有些甚至可能不知道已经存在一些问题。