製造半導體晶片的瓶頸之一，是開發電晶體和記憶體儲存單元的化學電漿製程所需的成本越來越高。這些製程仍然是由訓練有素的工程師以人工方式進行開發，透過尋找機台上的參數組合，以便在矽晶圓上產出可接受的結果。
(承前文)此外，團隊預計，如果目標放寬，V形的右側可能不明顯，或者相反，可能在只需要重新調整的製程中占首要地位，例如在腔體配對中(或將一道製程轉移到另一個機台)。人類知識在高維度探索空間中可能特別重要，可以有效延遲向電腦的轉移。可能影響轉移點的其他因素包括製程雜訊、製程漂移、目標公差、批次大小、受限制範圍和成本結構。團隊還有很多東西要學。這些議題可在虛擬製程平台上，進行進一步的系統性研究。
除了技術上的挑戰之外，在人類與電腦的合作中也可能面臨文化上的挑戰[26、27]。在研究中，團隊觀察到電腦行為與製程工程師通常開發製程的方式並不一致。(1)工程師們幾乎只使用單變數和雙變數參數變換來使其實驗設計合理化，而電腦則在沒有任何解釋的情況下使用多變數參數變換。人類可能會發現很難接受他們不理解的配方。(2)工程師們要求每批平均進行四次實驗，而電腦每批只能進行一次實驗，這在實驗室中可能被視為效率低下。(3)工程師們朝著目標穩步推進，而電腦則採用似乎是犧牲式的探索性配方選擇策略。在電腦遊戲中，反直覺和無感情的作法都是有根據的[28]。在實驗室中，製程工程師需要在沒有任何成功保證的情況下，抵禦干預和無意中增加的成本。因此，信任電腦演算法意謂著，將改變幾十年來製程開發的文化與行為。團隊希望，虛擬環境可協助製程工程師理解如何在開發製程技術時與電腦合作。
展望與結論
AI在製程工程中的應用仍處於起步階段。在可預見的未來，人類的專業知識仍然是至關重要的，因為領域知識在探索製程開發的早期階段仍然是不可或缺的。然而，HF-CL策略的成功顯示，與先前的自動化應用一樣，人類將很快從製程開發的繁瑣環節中解脫出來。在未來，可透過將領域知識編碼到演算法中(明確地或間接地)來增強電腦演算法的能力，以實現更早的轉移點。在領域移轉學習方面有著豐富的文獻，可以利用其中來自相似但不相同領域的數據來加速新領域的學習[29]。
AI的另一個令人感興趣的領域是，把領域知識以先前信念的形式印記下來[23、30]。事實上，建立或學習一個好的先驗將能夠與本文研究的HF–CL策略相互競爭。
文獻中的其他潛在方法包括納入機械物理學模型[10]。在任何情況下，輸入與輸出參數之間的高度非線性和複雜關係意謂著，需要更多數據才能更新目標附近的任何先前模型，在該模型中，高階互動變得突出。為解決特定問題，對更多數據量的需求是永無止境的，這也意謂著即使在電腦演算法的協助下，製程工程也將繼續受小數據問題的影響。
總之，儘管電腦演算法本身可以透過使用大量數據獨立開發一道製程，但它們未能以低於人類基準的目標成本做到這一點。只有與專家合作，將其引導至有希望的訓練規則時，這些演算法才能成功。這項研究的結果為結合人類與電腦的優勢而大幅降低目標成本指明了一條道路。這種非傳統的製程工程方法需要改變人類的行為才能實現其優勢。這項研究的結果增強了團隊的信心，團隊正朝大幅改善半導體晶片製程開發的方向發展。透過這樣做， 團隊將利用這些半導體製程所帶來的強大運算能力，加速半導體生態系統中的關鍵環節。實際上，AI將幫助創造自己，就像著名的M.C.Escher的雙手互畫的圓形圖表一樣。
(本文作者任職於Lam Research)
參考資料：
[26] Dietvorst, B. J., Simmons, J. P. & Massey, C. Algorithm aversion: people erroneously avoid algorithms after seeing them err. J. Exp. Psychol. Gen. 144, 114–126 (2015).
[27] Dafoe, A. et al. Cooperative AI: machines must learn to find common ground. Nature 593, 33–36 (2021).
[28] AlphaGo versus Lee Sedol. Wikipedia https://en.wikipedia.org/wiki/AlphaGo_versus_Lee_ Sedol (2021).
[29] Pan, S. J. & Yang, Q. A survey on transfer learning. IEEE Trans. Knowl. Data Eng. 22, 1345– 1359 (2010).
[30] Ziatdinov, M. A., Ghosh, A. & Kalinin, S. V. Physics makes the difference: Bayesian optimization and active learning via augmented Gaussian process. Mach. Learn. Sci. Technol. 3, 015003 (2022).
AI人機協作降半導體製程開發成本(4)
