AI人機協作降半導體製程開發成本(3)

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)人類基準測試的目標成本的基準是由人類玩家決定的。志願者包括六名擁有物理科學博士學位的專業製程工程師。工程師們根據他們之前對製程趨勢和電漿參數依賴關係的瞭解，利用機械性假設來設計其實驗。作為參考，三名無相關製程經驗的人員也參與其中。參加這場比賽的電腦演算法為貝氏最佳化演算法，這是一種適合於昂貴黑盒函數的常用機器學習方法。 結果說明 虛擬製程環境為半導體產業的製程開發提供了不同的測試方法，在真實的實驗室中開發製程是非常昂貴的。人類在從專家到新手的不同技能程度表現，為同一製程提供了定性的比較點。結果顯示，資深製程工程師開發製程的成本約為助理製程工程師目標成本的一半，這顯示了領域知識在產業中的重要性。 與專家相比，缺乏任何先前訓練的電腦演算法表現得很差，其所有軌跡中只有不到5%的軌跡以較低的目標成本達到目標。這驗證了團隊最初的預期，即從零開始的電腦將失敗，儘管它們可以達到目標，但成本過高。這就是小數據問題的展現。要取得電腦準確預測製程配方所需的數據量，其成本是團隊無法承擔的。 這項研究的一個關鍵結果是HF–CL策略的成功。這一策略取決於專家在製程開發早期的優勢和電腦演算法在後期的出色表現。透過將二者的優勢相結合，HF–CL被證明可以將目標成本比單獨專家的目標成本降低一半。人類專家的優勢歸因於領域知識的重要性，而這些演算法缺乏這種知識，因此無法定性地駕馭看似無限的配方選擇可能性。 可以直覺地認為，人類的指導對電腦有幫助，但如果演算法在處理大規模的複雜問題上更勝一籌，那麼它們在開發初期就能居主導地位[24]。相反地，電腦演算法只有在提供了相關數據之後才能發揮作用，...