本文来自微信公众号“半导体产业纵横”，由半导体产业纵横（ID:ICVIEWS）编译自analyticsindiamag。
人工智能和数字孪生技术的进步提供了芯片设计和生产过程的潜力。
数字孪生，简单定义为对现实世界的实时模拟，最近开始在半导体领域获得发展势头。例如，AR是英特尔全球制造过程中不可或缺的一部分，从维护和整修，使他们能够进行远程通信以进行国际故障排除并准备交互式培训材料。
半导体制造是一个漫长而复杂的过程。建立晶圆制造厂需要精确、清洁的环境、昂贵的设备和时间。例如，领先的半导体制造商GlobalFoundries通常需要三个月的时间才能将硅晶圆蚀刻并制造成多层半导体。当芯片短缺时，在上升周期中增加产量变得困难，因为新工厂的启动和运行需要数年时间。人工智能和数字孪生技术的进步提供了加速芯片设计和生产过程的潜力，并帮助制造商迅速缩小供需差距。
革新半导体制造
“数字孪生”将为协作工作铺平道路，并从根本上改变员工培训方式。光刻设备工具对于半导体工厂来说最为重要，每台成本高达4000万美元（对于300毫米晶圆尺寸）。但是，随着芯片制造工艺向较低节点迁移，成本会猛增。建立任何新晶圆厂的一个重要方面是技术转让费，其中包括收到新设施的专家和对员工进行拟议节点技术培训。但是，创建模拟环境可以减少在任何新工厂进行生产的时间。
英伟达的数字孪生指南解释说，在使用这项新技术之前，员工甚至可以在昂贵的系统上接受培训。一旦接受培训，工人就可以对这些机器进行鉴定、操作和维修，而无需踏入安装它们的超洁净室。因此，虚拟工厂将允许专家更快、更便宜地设计和测试新工艺，而无需中断实体工厂的运营。
除了创建整个工厂的数字副本外，制造商还可以使用AI技术处理来自实际工厂内部传感器的数据，并找到新的材料路线方式，以减少浪费并加快运营速度。
在CES 2023上，英伟达还宣布与中国台湾电子制造商富士康合作打造自动驾驶汽车平台。富士康将为基于英伟达DRIVE Sim平台的汽车制造电子控制单元(ECU)，而该平台又基于Omniverse，使汽车制造商能够设计汽车内饰并保留完全在虚拟世界中的体验。通过注入AI和元宇宙，英伟达旨在让制造更智能、更高效。富士康将为Fisker Inc生产第二款车型，并为Lordstown Motors Corp和Apple产品生产电动汽车。
因此，芯片制造和组装的未来是机器人技术、仿真和机器学习之间的联系。该技术还被吹捧为长期可持续发展努力的关键，因为它为组织提供了一种建模和理解如何减少排放和能源使用的方法，以便他们可以测试情景以最终实现可持续性和气候目标。事实上，Capgemini的研究发现，57%的组织认为数字孪生对于提高可持续性至关重要。
数字孪生的挑战
然而，采用数字孪生技术也存在挑战。Front End Analytics总经理Juan Betts说：“系统越复杂，AI框架就越复杂，如果使用传统“AI”技术，则需要的数据也就越多。因此，培训人工智能通常是其使用的主要障碍。”
为了确保可靠的输出，在许多情况下，在经常需要手动输入来标记这些数据集的情况下，会使用受监督的机器学习模型。然而，该方法成本高昂、容易出错且耗时，尤其是在复杂且动态的制造环境中。这也引用了Alexopoulo等人(2020)的研究，指出数字孪生模型本身如何通过生成适当的训练数据集并通过模拟工具链自动对其进行标记来加速ML训练阶段，从而减少用户参与培训过程。
Clear Ventures的创始人Chris Rust解释说，像LAM Research、博世（已经在其德国半导体工厂中使用了数字孪生）和应用材料等组织已经在使用替代机器学习模型，这些模型“更准确，最高可达比传统的基于物理的模拟快百万倍”。他还补充说，Tignis、AspenTech和Ansys等技术公司在这一领域处于领先地位，他们利用数字孪生来简化工业运营，并使几乎所有应用程序都可以访问AI和ML。
有鉴于此，工业数字孪生协会(IDTA)总经理Christian Mosch提出了多个数字孪生之间的“可互操作”方法，其中数据在不同生命周期阶段共享，包括设计、规划、建设、培训和运营，除其他外。仅就半导体制造而言，我们可以看到数字孪生建模和数字孪生数据标记之间的互操作框架如何简化整个过程，类似于真实世界的系统。
人工智能的使用
同样，在人工智能方面，许多系统已经在各个领域进行中。例如，制造领域的一些常见用例包括需求预测、库存优化、调度和预测性维护。美光科技智能制造（印度工厂）和人工智能总监Shisheer Kotha指出，其中一项重要应用是自动缺陷分类，它使用图像分析和深度学习在更短的时间内识别根本原因，并有助于提高良率.他补充说：“这些解决方案通过结合物联网和深度学习技术，提高了组装和测试操作的质量和早期检测。”
