كيف يُحسّن الذكاء الاصطناعي إنتاجية رقاقات أشباه الموصلات عبر تحليل أنماط العيوب

يُعد تصنيع أشباه الموصلات من أكثر عمليات الإنتاج تعقيداً وتكلفة في الوجود. فمئات خطوات العملية، ولكل منها مواصفات دقيقة، تُحوّل الرقاقة السيليكونية الخام إلى جهاز يُساوي مئات أو آلاف الدولارات. وتُحدد الإنتاجية، أي نسبة الشرائح السليمة لكل رقاقة، الربحية بصورة مباشرة. حتى نقطة مئوية واحدة من تحسين الإنتاجية يُمكنها أن تعني ملايين الدولارات سنوياً لمصنع عالي الإنتاج.

يجري الكشف عن العيوب بصورة شاملة. إذ تمسح أدوات التفتيش الآلي الرقاقات بعد كل خطوة عملية حرجة، وتُسجل موقع كل عيب يُكتشَف وحجمه ونوعه. والتحدي ليس في إيجاد العيوب، بل في فهم مُسبباتها. وهنا يُصبح تحليل الأنماط بالذكاء الاصطناعي أمراً جوهرياً.

خرائط العيوب والأنماط المكانية

عندما تُرسم العيوب على خريطة الرقاقة، فإنها كثيراً ما تُكوّن أنماطاً تُشير إلى أسباب جذرية محددة. فحلقة من العيوب قرب حافة الرقاقة تُوحي بمشكلة في المعدات تُؤثر في المحيط بصورة مغايرة لتأثيرها في المركز، كمشكلة في الحامل أو عدم انتظام في تدفق الغاز. ويُمكن أن تُشير مجموعة من العيوب في موقع محدد إلى مصدر جسيمات في المعدات. أما النمط الذي يتكرر عبر مجال الشبكية الكهروضوئية فيُؤشر إلى عيب في الطباعة الحجرية.

يُميز مهندسو الإنتاجية المتمرسون الأنماط الشائعة، إلا أن حجم البيانات في المصانع الحديثة يفوق طاقة التحليل اليدوي. فكل رقاقة تُولد خريطة عيوب تحتوي على آلاف العيوب احتمالياً. وتحتوي كل دفعة على 25 رقاقة. ويُعالج المصنع مئات الدفعات في الأسبوع. والعثور على الإشارة وسط هذا الضجيج يستوجب مساعدة حاسوبية.

كيف يُحدد الذكاء الاصطناعي الأسباب الجذرية

تُصنف أنظمة تحليل الإنتاجية المُرتكزة على الذكاء الاصطناعي خرائط عيوب الرقاقات إلى فئات أنماط تلقائياً. ويتعلم النظام تمييز عشرات التواقيع المكانية، وربط كل منها بأسباب جذرية محتملة. وتُجمّع خوارزميات التجميع الأنماطَ المتشابهة عبر الرقاقات والدفعات، فتُحدد المشكلات النظامية التي تُؤثر في رقاقات متعددة بصورة متسقة.

كما يربط الذكاء الاصطناعي أنماط العيوب ببيانات العملية. فكل رقاقة تحمل سجلاً كاملاً لكل خطوة عملية، يشمل درجات الحرارة، والضغوط، وتدفقات الغاز، والأزمنة، ومُعرّفات المعدات. وعندما يُحدد الذكاء الاصطناعي نمط عيب يرتبط بانحراف معامل عملية محدد، فإنه يُضيق نطاق السبب الجذري ليصل إلى خطوة بعينها ومعدات بعينها.

الكشف عن الانحرافات

إلى جانب الفقد المزمن في الإنتاجية، يلتقط الذكاء الاصطناعي الانحرافات في الإنتاجية، أي الانخفاضات المفاجئة التي تُشير إلى أن خللاً ما قد وقع. ويرصد النظام بيانات العيوب الواردة في الزمن الحقيقي، ويُقارنها بخط الأساس المتوقع. وعندما تنحرف كثافة العيوب أو خصائص النمط بصورة تتجاوز التباين الطبيعي، يُطلق تنبيهاً مع السبب الجذري المُشتبه فيه استناداً إلى تحليل النمط.

ويكتسب الكشف المبكر عن الانحرافات أهمية حاسمة؛ لأن الرقاقات قيد المعالجة تستغرق أسابيع لإكمالها. فمن دون الكشف المبكر، قد تُؤثر مشكلة تبدأ اليوم في أسابيع من الإنتاج قبل أن تظهر في بيانات الإنتاجية النهائية.

القياس الافتراضي

يُقلل الذكاء الاصطناعي أيضاً الحاجة إلى القياسات المستهلكة للوقت بتنبئه بنتائج القياس من بيانات العملية. فبدلاً من قياس كل رقاقة عند كل خطوة، يتنبأ الذكاء الاصطناعي بنتيجة القياس بناءً على ظروف العملية، ويُؤشر فقط إلى الرقاقات التي تكون النتيجة المتوقعة لها شاذة. ويُقلل ذلك من اختناقات القياس مع المحافظة على ضمان الجودة.

لمزيد من المعلومات حول الذكاء الاصطناعي في التصنيع المتقدم، تفضل بزيارة صفحة تحليل التصنيع لدى FirmAdapt.