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，...

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，...

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)實驗團隊執行製程虛擬遊戲，將該製程的模擬參數化，然後使用基於物理和經驗的關係將輸入機台參數組合「配方」與虛擬晶片上的輸出蝕刻結果相關聯，將其從現有資料校準到專有的特徵輪廓模擬器中。該遊戲的目的是找到一種配方，使此配方能夠產出符合目標的輸出指標，並最小化達成此目標的成本。 人類基準測試 接續上篇的虛擬製程遊戲，在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：三位擁有七年以上經驗的資深工程師，和三位擁有不到一年經驗的助理工程師。 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。選擇一個平均為四個配方的批次規模，在95%的配方選擇中使用單變數或雙變數參數變換。作為參考，三名無相關製程經驗的人員也參與其中。 製程工程師的軌跡如圖2所示。其軌跡定性地顯示出相似的路徑，漸進式地朝著目標推進。將其表徵為兩個階段：粗略調整和精細調整。粗略調整指的是最初朝著目標的方向快速改進，而精細調整指的是在軌跡末端的緩慢推進，工程師們努力同時滿足所有輸出指標。要取得相同的進度，資深工程師所需的成本大約是助理工程師的一半。獲勝的人類參與者是1號資深工程師，目標成本為105,000美元，如圖2的插圖所示。這是團隊中的「專家」人類基準。 圖2　人類工程師的遊戲軌跡。軌跡是由「方法」中定義的進度追蹤器進行監測。當進度追蹤器為0時，表示達到目標。資深工程師的軌跡以實線表示，助理工程師的軌跡以虛線表示。插圖中標示出獲勝專家(資深工程師1)的軌跡，顯示了HF–CL策略中使用的轉移點A至E。AU表示任意單位 電腦演算法基準測試 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[12-14]。這類演算法已經在半導體產業的其他應用中進行了研究[15-17]。團隊選擇了三種不同的貝氏最佳化：(1)Algo1使用馬可夫鏈(Markov...

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[1、2]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[3]上產出可接受的結果。電腦演算法所面臨的挑戰是，由於獲得數據的成本較高，可用的實驗數據有限，因此很難建立精確到原子級的預測模型。 因此團隊研究貝氏(Bayesian)最佳化演算法，以探討人工智慧(AI)如何降低半導體晶片複雜製程的開發成本。團隊特別製作了一款可控的虛擬製程遊戲，系統性地對人類和電腦在設計半導體製造製程中的表現進行了評估。 從實驗中發現，人類工程師在開發的早期階段表現出色，而在接近目標的嚴格公差時，演算法的成本效率則要高得多。此外，研究發現，與僅使用人類設計師相比，在人先機後(Human...