台积电包装厂的自动化

用于质量管理的机器学习

在台积电中，机器学习用于实现自动缺陷分类（ADC），并保持高级缺陷分类（ADC）识别的准确性。我们使用的机器学习方法是人机交互 （HITL），它利用人类和机器智能来创建机器学习模型。有了足够的数据和人工调整，这些机器算法可以快速、准确地识别和分析图像，而无需工程师不断教机器缺陷到底是什么样子的。因此，人类智能将在机器学习中发挥重要作用，这意味着所提供的经验和算法对于成功的机器学习模型至关重要且与众不同。

台积电在内联边缘计算ADC和离线云计算ADC中广泛部署加工学习，特别关注刀具缺陷防御的关键制造阶段。ADC的功能和优点是每天处理数百万张以上的图像，提高图像缺陷检测采样率。用于在线边缘计算ADC，即所谓的“鹰视图”，它嵌入在工具中，并在加工和隔离材料时检测缺陷。用于离线云计算ADC，在检测缺陷的同时将其插入进程，然后保持批次以防止进一步损失。加工学习的灵活性得到开发和扩展，以维持不同的工程要求，如尺寸测量、缺陷分类和颗粒检测，以扩展质量管理的规模。

用于产量和质量防御的大数据分析

对于客户信任的承诺，批次级和晶圆级的可追溯性现在是不够的。更重要的是，材料和模具可追溯性的综合方法是包装制造的可靠性要求。

台积电不断加强对完整可追溯性的数据管理，甚至是每个晶粒映射到晶圆厂晶圆位置的数据管理。我们使用二维条形码对所有产品数据进行编码，并追溯所有可追溯性信息，例如源晶圆位置、料箱代码和工程实验标签。为每个包裹单独生成二维条形码标记。生成的二维条形码与图案软件系统中每个包装的独特光刻图案相结合。上传唯一标志时，所有工艺和产品信息，包括工艺历史、刀具日志、材料和生产良率，都将被列出并搜索，即所谓的“产品简历”。使用此产品简历，我们可以快速定义有问题的材料或工艺问题的影响范围，并通过数据关联分析低产量的根本原因，从而最大限度地减少缺陷影响范围。