KI in der Halbleiterfertigung Der Einfluss von KI auf Inspektion und Metrologie in der Halbleiterfertigung

Anbieter zum Thema

Nordson Deutschland GmbH

Micro-Epsilon Messtechnik GmbH & Co. KG

MicroConsult Academy GmbH

Syslogic GmbH

Künstliche Intelligenz wird zunehmend in der Halbleiterinspektion und Metrologie eingesetzt, um Defekterkennung zu automatisieren und Durchsatz zu steigern. Charlie Zhu von Nordson Advanced Technology Solutions erläutert, wie KI-basierte Systeme bisher kaum lösbare Herausforderungen adressieren.

Die Halbleiterindustrie steht unter zunehmendem Druck, Defekte und Inkonsistenzen mit nahezu perfekter Genauigkeit zu erkennen, während die Nachfrage nach kleineren, schnelleren und leistungsfähigeren Chips steigt. Je kleiner, schneller und leistungsfähiger diese Chips werden, desto komplexer werden jedoch auch die Fertigungsprozesse.

Traditionell eingesetzte manuelle Inspektionsmethoden stoßen bei steigenden Produktionsvolumina und zunehmender Komplexität schon länger an Grenzen. Künstliche Intelligenz (KI) wird daher zu einem wichtigen Werkzeug in Inspektion und Metrologie, um Prozesse zu automatisieren, Genauigkeit und Durchsatz zu erhöhen und mit der Komplexität moderner Chip-Designs Schritt zu halten.

KI-basierte Defekterkennung

Solche KI-gestützten Systeme nutzen große Datenmengen, um Muster und Anomalien zu erkennen, die herkömmliche Methoden übersehen können. „In den meisten Fällen kann KI bessere Entscheidungen treffen als ein menschlicher Bediener, mit weniger Fehlausschüssen. Dazu kann eine komplexere, erweiterte Analyse geboten werden als durch traditionelle Algorithmen, die auf einfachen Grenzwerten und einem binären Pass-/Fail-System basieren“, erklärt Charlie Zhu, Direktor, R&D bei Nordson Advanced Technology Solutions.

KI-Analysen könnten in den meisten Fällen auch schneller laufen als Standard-Algorithmen, was zu zusätzlichen Zeiteinsparungen führe. Neben der Minimierung von Energie- und Materialverschwendung sei dies ein bedeutender Faktor für die Wirtschaftlichkeit. Was Unternehmen jedoch laut Zhu am meisten antreibe, sei die einzigartige Fähigkeit einer KI, Herausforderungen zu lösen, die zuvor nicht adressierbar waren.

Bei der Inspektion mikroskopisch kleiner Bauteile hätten traditionelle Methoden Schwierigkeiten, bestimmte Fehler oder Anomalien zu erkennen – etwa bei der Corner-Fill-Inspektion, bei der konventionelle Methoden wie die Blob-Analyse an Grenzen stoßen. Durch Deep Learning könnten KI-integrierte Systeme mit einer geringeren Abhängigkeit von Fachkräften Probleme erkennen und kennzeichnen, die sonst missinterpretiert oder übersehen werden würden.

TSV-Inspektion: Von einer Stunde auf unter eine Minute

Ein Beispiel sei die Inspektion von Through-Silicon Vias (TSVs) auf Mikron-Ebene. Während konventionelle Methoden etwa eine Stunde für diesen komplexen Prozess benötigen, kann KI laut Herstellerangaben dasselbe Genauigkeitsniveau in unter einer Minute erreichen.

Ein weiterer Vorteil sei die Fähigkeit der künstlichen Intelligenz zur Echtzeit-Inline-Inspektion. Während umfangreiche Datenanalysen früher die Produktionslinie verlangsamten, ermöglicht KI nun eine schnelle Datenverarbeitung großer Volumen, ohne den Produktionsdurchsatz wesentlich zu verlangsamen. Machine-Learning-Modelle (ML) passen sich zudem automatisch an neue Produktionsanforderungen an. Diese Anpassungsfähigkeit könne auf schnelllebigen Produktionsflächen kritisch sein, um Engpässe zu reduzieren und die Produktivität zu steigern.

Supervised und Unsupervised Learning

Zentral für die Weiterentwicklung von KI-Inspektion ist Machine Learning. Supervised Learning basiert auf vorab gelabelten Daten, um KI-Modelle zu trainieren, spezifische Defekttypen zu erkennen. Unsupervised Learning hingegen benötigt keine gelabelten Daten und analysiert Daten eigenständig, um Muster, Ausreißer oder Anomalien zu identifizieren. „Das bedeutet, dass es unbekannte und neuartige Defekte erkennen kann, die zuvor nicht gesehen wurden oder von denen Kunden möglicherweise nicht einmal wissen, dass sie existieren“, so Zhu. Das Unternehmen Nordson setzt deswegen sowohl Supervised als auch Unsupervised Learning in seinem KI-Ökosystem Nordson Intelligence ein.

Herausforderung: Kundendaten und Sicherheit

Eine der größten Herausforderungen beim Einsatz von KI ist insbesondere das Management von Kundendaten zum Trainieren intelligenter Systeme. Datensicherheit und -vertraulichkeit haben für Kunden oberste Priorität, und viele seien verständlicherweise zurückhaltend, direkten Zugriff auf ihre Daten zu gewähren. Deswegen hat Nordson eigenen Angaben zufolge sichere Lösungen entwickelt, darunter private Cloud-Domänen und geschützten Remote-Zugriff. Denn: Der Zugang zu nutzbaren, realen Daten bleibt kritisch für zukünftiges Machine Learning.

Ausblick: Predictive Maintenance und generative KI

Nordson konzentriert sich laut Zhu auf aufkommende Wachstumsbereiche wie Predictive Maintenance, generative KI und automatisiertes ML. Parallel werde das aktuelle Lösungsportfolio weiterentwickelt, einschließlich laufender Systementwicklung und Supervised Learning. „Die KI-Entwicklung schreitet weiter voran und erschließt neue Anwendungsfelder in der Halbleiterinspektion“, schließt Zhu. (sb)

* Charlie Zhu ist Direktor, R&D bei Nordson Advanced Technology Solutions.

(ID:50836635)