1956年是公認的人工智慧元年。這一年，在美國漢諾斯小鎮寧靜的達特茅斯學院中，舉辦了一場影響深遠的研討會。在這次研討會上，與會者討論了多項在當時的電腦技術水平都還沒有解決的問題。在這次腦力激盪式的會議中，「人工智慧」的概念第一次被提出，人工智慧正式被視為一個獨立的研究領域。

但受限於當時的電腦算力的限制，人工智慧（Artificial Intelligence，簡稱AI）始終沒有走到前台應用。隨著摩爾定律的發展，晶片的整合度越來越高，運算能力也得到了空前的發展。綜觀人工智慧的發展歷程，一個顯著的特徵就是算力與演算法的共同進步。由於採用半導體製造技術的發展，AI的實現成為了可能。

隨著近年來Chatgpt的大熱，AI迅速火出圈，引起了業界的極大關注，也激發了半導體產業對人工智慧晶片的市場需求，全球迎來了一波以人工智慧為引領的科技浪潮，也由此，人工智慧被戲稱為「第四次科技革命」。

事實上，除了當下火熱的Chatgpt等被應用於文字和圖像生產外，AI也正在賦能各行各業，例如半導體製造領域也逐漸引入了AI技術。

01 EDA工具與人工智慧

Cadence副總裁、中國區總經理汪曉煜認為，「摩爾定律推動製程提升，線寬縮小勢必帶來更複雜、更大規模的設計。儘管考慮經濟效益，可以採用3DIC和先進封裝設計，但對散熱、訊號完整性、電磁效應、良率和可靠性都產生一系列的挑戰，基於傳統EDA設計流程已然難以應對挑戰。

汪曉煜指出，EDA工具需更快回應新需求，需要更進一步的智慧化，實現多運算、多引擎才能加快晶片迭代速度，支撐半導體產業向後摩爾時代發展。利用LLM技術將生成式AI擴展到設計流程中，可有效提升驗證與調試效率，加速從IP到子系統再到SoC level的程式碼迭代收斂。

Cadence因此推出了JedAI平台。透過JedAI平台，設計流程可從大量資料中透過自主學習，不斷優化，進而最終減少設計人員的人工決策時間，大幅提升生產力，從而不斷提升生產力。

透過JedAI平台，Cadence將統一旗下各種AI平台的大數據分析－包括Verisium驗證、Cerebrus實作和Optimality系統最佳化，及其他第三方矽生命週期管理系統。利用JedAI平台，使用者可以輕鬆管理設計複雜性越來越高的新興消費、超大規模運算、5G通訊、汽車電子和行動等相關應用。客戶在使用Cadence模擬/數位/PCB實現、驗證和分析軟體（甚至第三方應用）時，都可以透過JedAI平台來統一部署其所有的大數據分析任務。

此外，Cadence的佈局佈線工具Innovus，裡面也內建了AI 演算法，以提升Floorplan的效率和品質。 Project Virtus，透過機器學習解決EM-IR 和Timing 之間的相互影響；還有Signoff Timing 和SmartLEC等工具，都嵌入了人工智慧演算法。

除了Cadence外，Synopsys也在2020年推出業界首個用於晶片設計的自主人工智慧應用程式－DSO.ai (Design Space Optimization AI)。作為一款人工智慧和推理引擎，DSO.ai能夠在晶片設計的巨大求解空間裡搜尋優化目標。該解決方案大規模擴展了對晶片設計流程選項的探索，能夠自主執行次要決策，幫助晶片設計團隊以專家級水平進行操作，並大幅提高整體生產力，從而在晶片設計領域掀起新一輪革命。

將AI技術與EDA工具結合，有兩個核心價值，首先是力圖讓EDA更加智能，減少重複且繁雜的工作，讓使用者用相同甚至更短時間設計出PPA更好的晶片；其次是大幅降低使用者的門檻，解決人才短缺的挑戰。

02 OPC與人工智慧

除了在設計環節的EDA中大量使用了AI技術外，晶片製造環節也逐漸引入了人工智慧技術。在半導體製造業中，人工智慧尤其是機器學習有全面的應用場景，如裝備監控、流程最佳化、製程控制、裝置建模、光罩資料校正、版圖驗證等等。

隨著摩爾定律帶來的積體電路元件持續微縮，需要在晶圓片上製作出更小尺寸的圖形，這對晶圓圖案化（Wafer Patterning）帶來極大的挑戰，而其中光刻技術是晶圓圖案化的主要手段。但隨著製程的進步，其實早在180奈米技術節點上，隨著光學影像失真的日益嚴重光刻機的光學影像解析度就已經跟不上製程的發展了。為了補償光學影像失真，業界引入了光學鄰近校正（OPC）技術來補償光學畸變效應。

實作OPC的方法主要有基於規則的OPC（Rule-Based OPC）和基於模型的OPC(Model-Based OPC)兩種。早期的基於規則的OPC,由於其簡單和計算快速的特點被廣泛使用。然而這種方法需要人為制定OPC規則，隨著光學畸變加劇，這些規則變得極為龐雜而難以延續。這時基於模型的OPC（Model Based OPC）應運而生。傳統的基於模型的OPC需要精準的光刻建模，一般包含光學建模和光阻建模兩個部分。透過光阻模型可以把光學影像轉換為光阻圖形，而光阻模型直接決定了模型的精確度。

過去十年來，電腦科技的進步使得深度學習大放異彩。卷積神經網路（CNN）已廣泛用於影像處理上，OPC的研究人員也將此技術應用於光刻建模。隨著人工智慧最新的研究成果不斷在OPC領域得到應用，從兩層神經網絡，到遷移學習甚至GAN，OPC領域已成為人工智慧應用的試驗田。

03 缺陷檢測與人工智慧

隨著摩爾定律的發展，晶片生產流程越來越複雜，晶片電路單元的尺寸越小，生產過程就越容易出現各種缺陷。需要在生產過程中及早發現缺陷，及時排除缺陷原因，丟棄缺陷樣本，以防止缺陷晶粒繼續加工，影響良率及生產率。

隨著線寬的不斷縮小，曾經無害的微小顆粒變成影響良率的缺陷，使得偵測與缺陷校正的難度日益增加。同樣地，3D電晶體的形成和多重製程技術也帶來了細微變化，導致降低良率的缺陷倍增。

半導體晶圓的缺陷是多種多樣的，包括形貌缺陷（Topography），污染物（Contamination）, 晶體缺陷（Crystal Defect）等等。同時，半導體晶圓缺陷的不規則和細微性給晶圓缺陷檢測帶來了極大的困難。

半導體產業中缺陷檢測的方法目前主要有兩種：自動光學檢測系統（Automatic Optic Inspection , AOI ）以及掃描電子顯微鏡檢測系統（Scanning Electron Microscope ,SEM）。

在自動光學偵測方面，鑑於晶圓缺陷的不規則性，影像感測器擷取影像後晶圓缺陷的目標偵測任務在使用傳統影像處理演算法進行處理時往往無法兼顧所有可能出現的缺陷。而深度學習方法（基於CNN的影像辨識方法）對於影像分類和目標偵測的高效能表現，可以大幅提升不規則的缺陷辨識率，提升整體系統的效能和速度。

2021年，著名的半導體設備企業AMAT便推出了基於大數據和人工智慧的ExtractAI 。據了解，由應用材料公司資料科學家開發的ExtractAI技術解決了最艱鉅的晶圓檢測問題，即：從高端光學掃描儀產生的數百萬個有害訊號或「雜訊」中，迅速且精確地辨別降低良率的缺陷。 ExtractAI技術可將由光學檢測系統產生的大數據與可對特定良率訊號進行分類的電子束檢測系統進行即時連接，從而推斷Enlight系統解決了所有晶圓圖的訊號，將降低良率的缺陷與噪音區分開來。 ExtractAI技術能夠僅憑藉千分之一樣品的檢測，即可在晶圓缺陷圖上描繪所有潛在缺陷的特徵。這樣就可以獲得一個可操作的已分類缺陷晶圓圖，有效提升半導體節點發展速度、爬坡和良率。人工智慧技術在大規模量產期間能夠適應並快速識別新的缺陷，隨著掃描晶圓數量的增多，其效能和效率也逐漸提升。

在電子束方面，KLA在其2020年推出的eSL10電子束圖案化晶圓缺陷檢查系統便導入深度學習演算法，將人工智慧系統運用於其中。憑藉其先進的人工智慧系統，eSL10能滿足IC製造商不斷發展的偵測要求，杜絕了對裝置性能影響最關鍵的缺陷。

除了在製造環節的晶圓缺陷檢測外，AI技術也逐漸滲透到了封裝測試環節的缺陷檢測中。 2020年，KLA推出了Kronos1190 晶圓級封裝檢測系統、ICOS F160XP 晶片分類和檢測系統以及下一代的ICOS T3 / T7 系列封裝集成電路（IC）組件檢測及測量系統。新設備採用A​​I 解決方案以提高良率和品質並推動半導體封裝創新。

總而言之，傳統上對光學和電子束缺陷影像的檢測需要人工幹預來驗證缺陷類型。 AI系統學習和適應，能夠快速分類和識別缺陷，減少錯誤，並且不會減緩生產速度。

04 製程開發與人工智慧

隨著晶片從平面結構向三維結構等的升級，新元件新製程推動著材料創新，人工智慧在數據分析、機器學習等方面的強大能力，能夠加速半導體製程的開發過程，從而顯著降低研發週期和成本。

目前英偉達開發的cuLitho計算光刻庫已獲國際半導體設備、半導體製造廠等應用，加速2奈米製程的晶片設計與生產開發；泛林集團（Lam Research）透過人工智慧加速了深度晶矽刻蝕。

2023年，Lam集團在《自然》上發表了一項研究，研究了在晶片製造製程開發中使用人工智慧（AI）的潛力。

為了製造設計的每個晶片或晶體管，經驗豐富且技術嫻熟的工程師必須先創建一個專門的配方，概述每個製程步驟所需的特定參數和排列。在矽晶圓上建構這些奈米尺寸的裝置需要數百個步驟。製程步驟通常包括將材料薄層沉積到矽晶圓上並以原子級精度蝕刻掉多餘材料的多個實例。半導體開發的這個重要階段目前由人類工程師完成，主要使用他們的直覺和「試錯」方法。由於晶片設計的每個配方都是獨一無二的，並且有超過100 兆種可能的選項可供整合，因此製程開發可能既費力又耗時且成本高昂，從而越來越減慢實現下一個技術突破所需的時間。

在Lam的研究中，機器和人類參與者競相以最低的成本創建有針對性的工藝開發配方，權衡了與測試批次、計量和管理費用相關的各種因素。研究得出的結論是，雖然人類擅長解決具有挑戰性和開箱即用的問題，但混合人先、電腦後的策略可以幫助解決工藝開發的繁瑣方面，並最終加速工藝工程創新。

未來智慧積體電路製造將利用工廠中的連接性來推動自動化改進。 AI系統可以處理大量資料集，深入洞察趨勢和潛在偏差，並利用這些資訊做出決策。(半導體產業縱橫)