產業應用案例

AI 應用 - 半導體產業

透過 Profet AI 不同領域的製程專家，運用製程數據建立預測模型，進行製程參數優化、品質問題因子、開線前參數模擬以及製造結果虛擬量測。

現況

半導體產業可以說是 21 世紀最重要的產業之一，半導體廣泛應用在我們生活的各個角落，包括電腦、手機、工業應用、車載資通訊系統、自駕車與電動車、AIOT、5G 等等，2023 年半導體產業也延續 2022 年的供需吃緊狀況，依然蓬勃發展。世界半導體貿易統計組織（WSTS）預估，2024 年全球半導體產值可望年增約 13.1%。

挑戰

半導體產業對於製程精密度、成本管控、交期的高要求，以及廠內需要良好的控制生產環境、較多的設備控制參數及監控數據，使得 AI 擁有非常好的應用機會與價值。目前半導體製造業卻面臨人力資源跟不上產量需求提高的挑戰，如何透過 AI 導入來提升內部品質、效率會是關鍵的課題。

應用場景

半導體原物料研發、IC 設計電路優化、晶圓製造製程改善、封裝測試製程改良
應用製程：Wet Clean、CMP、黃光顯影、蝕刻、薄膜、擴散等製程改善

虛擬量測

品質、效率、成本是製造業關注的重點，為了兼顧製造效率與品質，產線會有部分檢測站點採用抽檢方式提高生產效率。對半導體產業而言，AI 虛擬量測在晶圓製造與封裝測試等製程中，能大幅提高生產異常的掌握度，從而提高產品質量與製程效率，提高客戶滿意度，對行業具深遠影響。

材料研發 - 關鍵要因查找

隨著技術進步，對於更高效能與小型化的晶片需求日益增加。
新材料的開發，如高導熱性能的基材等，可提升晶片製造的穩定度以及晶片的性能。因此在新材料開發時，研發人員須透過多次的實驗設計，驗證新材料品質是否能達到客戶的要求，透過 AI 快速找到實驗中的關鍵要因，縮短研發新材料所需時間，會是各廠研發人員皆重視的。

機台異常

廠區大量設備於高頻率保養現況下，有固定的人力與維保成本，是否存在過度保養或備品庫存過多所導致人力時間與成本上的浪費，目前這議題已開始被正視。越來越多的工廠管理者，開始使用 AI 機器學習技術找尋設備內可能導致異常或故障的重要特徵值，並透過該異常診斷機制，對相關重要設備進行預防性的異常診斷作業。

快速調參並加速產能提升

半導體產業中不管是晶圓製造或是封裝測試，每當有新產品導入時，所有工程人員最頭痛的往往就是會花很多時間來時進行製程參數調校，可藉由 AI 協助下，快速從少量的製程參數的歷史數據有效率地快速調整製程參數讓新產品量產，提高新產品開發速度，變成是各廠競爭的關鍵。

IC 設計（WAT 參數設定優化）

晶圓製造過程中，晶圓半成品會透過晶圓接受測試（WAT）來確認產品是否為良品，但 WAT 參數的設定通常是與晶圓代工廠商共同努力取得的成果，需經過反覆的投片調整，找出取得最佳良率的 WAT 參數。
藉由 AI 機器學習技術，透過少量測試快速找出最佳 WAT 設定參數提高晶圓良率，以達到降低成本及保護 IC 設計生產 know-how 的目的。