在某些情况下现在可以集成多种类型的数据，但仍然不容易。

在制造过程的每一步都在收集更多数据，这提高了以新方式组合数据以解决工程问题的可能性。但这远非如此简单，合并结果并不总是可能的。

半导体制造过程中连接不同数据

半导体行业对数据的渴望从制造过程中创造了数据的海洋。此外，大大小小的半导体设计现在都有片上电路，它提供了流入这些数据海洋的额外电气测试信息。工程团队需要管理大量的数据，他们需要促进不同工程团队使用数据。

与过去相比，可以将更多数据连接在一起，但不是全部，也不是 100% 的时间。即使在可能的情况下，它通常也需要预先协调一致的工程努力。对于任何一种产品，将所有数据源连接到一个系统或模型中对于日常工程来说不一定实用或者说是必不可少。

CMOS 技术的复杂性增加了制造过程中收集的数据的数量和类型。在大多数情况下，工程师以孤立的方式使用这些数据，特别是在晶圆制造、组装过程和相关的测试过程中。为了应对先进 CMOS 工艺节点（22nm 及以下）的挑战，工程师越来越多地转向合并不同类型的数据以满足良率和质量目标。例子包括：

工具历史数据和单元级测试结果，以确定根本原因产量偏差；

• 产品物理布局数据和体积测试，以提高可制造性；
• 片上电路监控和测试数据以调整测试通过/失败限制，以及
• 100% 检验和测试数据，以优化测试成本。

“将许多多方面的数据源结合起来的愿望已经盛行了很长时间“。 Synopsys 数字设计部门产品营销经理 Guy Cortez 表示，拥有许多不同的数据源可用于分析与获得更高质量的结果之间存在直接关联，因为您可以将更多数据关联在一起以帮助隔离问题。 “然而，阻碍客户的是他们无法收集所有不同的数据——如果他们有数据，那么了解如何在合理的时间内解析、对齐、规范化、合并和堆叠数据。”

片上监视器在安全和关键任务应用中变得越来越普遍，在这些应用中，设备有望在更长的使用寿命内始终如一地运行，只会增加生成的数据量。

西门子 EDA 的 Tessent 硅生命周期解决方案产品组合战略高级总监 Aileen Ryan 表示：“在我们实施硅生命周期解决方案时，数据管理问题非常重要。 “现在有很多数据源。制造过程（包括制造测试）是其中之一。但是嵌入在芯片中的功能、结构和参数监视器也可以在初始启动和调试阶段收集信息，并贯穿芯片在现场的整个生命周期。”

这种结合不同数据源的趋势也可以在成熟的技术中观察到，这些技术通常具有较低的 ASP。在这些技术中，结合不同的数据源使工程师能够更快地响应产量偏差，并在最终测试中将产量提高 2% 到 3%。在先进和成熟的封装技术中都可以观察到相同的相似之处。

“25 多年来，先进的制造设施一直在结合数据以改进运营。对于成功的制造设施而言，这并不是一项新活动。近年来，由于大规模数据库的性能变化和架构能力的进步，这项活动已成为主流，”Onto Innovation 软件产品管理总监 Mike McIntyre 说。 “由于这些数据库现在可以超过 100 或 200 TB，它们仍然可以有效地及时检索请求的数据。在数据进入数据库之前帮助处理和清理数据的工具，以及普通用户可以导航以访问这些数据的界面，有助于使这些大型数据存储变得更加有价值。”

信息和智能制造技术的推动者

工程师总是重视更多的数据，但它需要有上下文来支持实时和创建后数月甚至数年的决策。数据存储和数据库架构提供了进行工程查询的基础。计算选项紧随其后，它们需要考虑正在做出的决策类型。

这些决定从简单到复杂不等，后者提高了对计算架构的要求。统计过程控制图和产量仪表板等标准分析有助于分别对工厂运营和产品健康进行一般监控。将其提升一个档次是能够在晶圆图中组合大量测试数据，然后允许深入识别异常和工具历史特征。

二十多年来，工程团队一直依靠机器学习进行晶圆和封装检测。但正是连接更多不同数据集的前景——检查、晶圆测试、单元测试、工具历史——促使工程师和数据分析平台供应商通过深度学习计算深入研究数据海洋。

为了满足高质量和可靠性的期望，100% 检测正在扩展到更多的晶圆层和组装工艺步骤。这导致要管理和使用的数据显着增加。传统上，工程师使用这些数据作为特定设备和处理步骤的反馈。现在，他们正在为某些应用程序前馈检查数据，以增强测试中的通过/失败决策。

数据泛滥的另一个原因是工厂采用物联网以及随后的物联网传感器数据流。这使得数据的实时处理成为可能，从而对感知到的异常做出实时反应。

“在晶圆前端工程流程（例如，蚀刻、沉积、原子层沉积）中，嵌入式设备具有更多功能，这使得计算资源可以直接应用于数据处理、流传输和集成。它可以在本地发生，也可以在生成数据的仪器附近发生，或者在更远的地方聚合在一起，”泰瑞达的 Eli Roth 智能制造产品经理说。 “改进的带宽和边缘计算能力支持流分析。时间序列分析通过在流程或流程中集成不同的实体，可以识别连接和推理。规范性分析将所有这些新的相互关联的数据转化为可操作的情报。”

连接不同数据的关键是在工厂设置中集成

“使我们的客户能够接受端到端产品数据的重大变化是工厂集成与工具/设备的更大连接性、生成更多数据的更复杂的设备和测试仪，以及可大规模扩展的基于云的分析解决方案，提供更低的成本。” PDF Solutions 的 Exensio 解决方案主管 Greg Prewitt 说：“通过更高性能的存储和数据检索以实现更快的分析，每 TB 的数据存储成本降低了。

在组装和测试服务的后端，工程团队还可以利用物联网实时传感器数据来调整下游设备。使用数据可视化查看来自数百个测试单元的测试层的数据可以减轻识别低效率的负担。所有这些都需要对用于存储、网络和计算的 IT 基础设施进行更多投资。

Amkor Technology 全球测试服务副总裁 George Harris 指出：“容器、Kubernetes、人工智能算法以及带有传感器的连接设备和设备是最近的关键技术进步。 “数据传输和更高计算架构（在源、边缘、数据中心和云）以及专用处理器（CPU 与 DSP 与 GPU）和内存/存储的出现对于移动和处理呈指数增长的数据和数据量来说至关重要。”

云存储、云计算和机器学习是应对来自不同数据源的海量数据所必需的。

“最重要的是云托管的数据分析平台，它可以将来自多个来源、站点和地理位置的深度数据上传到一个连贯且可扩展的数据湖中。然后，机器学习是从这些大数据集中处理和产生有意义且可操作的见解的最佳方式，”proteanTecs 产品营销高级总监 Nir Sever 说。 “最佳方法是首先知道在生成数据时要寻找什么。如果在提取数据时考虑到分析，这将为手头的问题提供更加连贯的画面。”

其他人同意需要在考虑分析的情况下提取数据。 “随着数据规模的增长，特定的数据类型标记变得至关重要，”Onto Innovation 的应用程序经理 Melvin Lee Wei Heng 说。 “随着数据规模的增长，数据标签引用数据的准确度和速度变得多么重要。未来收集数据时，接近实时的数据处理可能会成为一种常态。”

合并数据的挑战

计算架构、数据库结构和数据存储技术的最新进展使不同数据类型的组合成为可能。但运营障碍仍然存在，以完全实现这一目标。两个常见问题是装配设备缺乏标准化的数据格式，以及不符合现有的 ATE 生成数据的 STDF 格式。此外，碎片半导体器件供应链的复杂化使得利用来自不同来源的数据变得复杂。

这些问题是可以克服的，但并非没有繁琐的工程工作。虽然确实存在一些用于从晶圆厂、组装和测试设备移植数据的标准，但没有命名约定（也称为数据治理）的标准。

“一个关键挑战是数据命名能力。例如，有人称其为 WAT（晶圆验收测试），有人称其为 WET（晶圆电气测试），有人称其为 SST（划线结构测试），”Onto 的 Lee Wei Heng 说。 “此外，数据格式结构也是一大挑战。随着后端封装在供应链中变得越来越重要，仍然没有标准格式的数据结构。我们目前在市场上观察到的情况是，许多公司都在为后端封装世界中大量可用设备的不同格式输出而苦苦挣扎。在加载到数据库结构之前解析和格式化数据成为一项常见的任务。”

一个经常被忽视的挑战是，没有一个工程师或工程团队了解存储在本地或云端的浩瀚海洋中的所有数据。在代工/无晶圆厂模型中尤其如此。考虑到对于任何设计公司，IC 设备可能至少有两个代工厂和两个 OSAT 制造他们的产品。由于数据治理问题和数据安全问题，在这些工厂之间对齐数据以便设计公司可以查看整体情况是一个操作障碍。

“其中一个关键挑战是行业的分解和向合同制造流程的转变。在这些情况下，不同方拥有作为数据来源的工具，而不是在多年前占主导地位的 IDM 模型中，一切都在‘一个屋檐下’，”Advantest America 的战略业务创建经理 Ken Butler 指出。 “这些新的边界使得整合来自不同参与者的数据源并仍然维护每个人的信息安全和知识产权变得更具挑战性。”

虽然无晶圆厂/代工厂生态系统继续表现出严密保护工艺和设计 IP 的紧张局势，但这种情况正在开始改变。

“IDM 具有固有的优势，可以减少跨设计、制造和测试领域共享数据的障碍，”KLA 战略合作高级总监杰伊·拉特 (JayRart) 说。 “但是代工厂有很大的动力去寻找以适当的粒度级别共享数据的途径，以保留他们的工艺 IP，但它允许测试工程师更好地为每个传入的设备选择合适的测试方案，以减少发生低可靠性芯片逃逸到现场。”

结论

工程师受益于连接整个半导体制造供应链的不同数据源。以新的方式组合数据支持他们提高质量和产量的使命，同时降低制造成本。

目前存在连接多个数据源的分析平台。然而，管理半导体设备制造数据的海洋仍然是一项重要的任务。并不是因为工程师没有存储和组织数据的技术。这更多是因为连接数据需要领域专业知识来确定哪些数据源要相互连接。最重要的是，存在数据治理问题和数据安全问题，这阻碍了工程师有效地连接各种数据类型。因此，不同数据类型的集成并不总是顺利，但工程团队坚持不懈地努力实现这些连接。

“数据导致知识，知识导致一个人有效解决问题的能力，”Onto 的 McIntyre 说。 “从根本上说，这是促使我们的客户将最初高度分散的数据合并到一个有组织的数据存储库中的动机。如果没有这种数据组合，工厂的工程师将无法解决日常问题。”