机器学习+数十年的经验
PDF Solutions通过将大数据基础架构和机器学习应用程序与数十年的制造和测试经验相结合,使企业能够从工业4.0获益,为客户提供量身定制的解决方案,以实现特定成果。

在大批量生产中得到验证
我们的Advanced Insights for Manufacturing(AIM)是一个可配置的知识型系统,该系统可从正在进行的计算和用户输入中学习,从而在大批量生产环境中快速做出明智的决策。 在过去的十年中,我们开发了一系列经过生产验证的AIM解决方案,这些解决方案利用我们的大数据和机器学习功能为制造、测试操作以及组装和封装领域的客户提供可观的投资回报率(ROI)。

AIM解决方案概述:
自适应特征诊断(ASD)
ASD是一个用于异常晶圆良率特征检测、分类和根本原因分析的自动化系统。 分析传入的新晶圆的空间特征,并将其分类,这些类别可使用基于用户输入的机器学习动态地进行细化,这种是我们称为协作学习。 对每种唯一的晶圆类别自动执行深入分析,并生成报告,以确认已知根本原因的再次出现或突出显示造成晶圆良率下降的新潜在来源。
投资回报率:确定晶圆良率下降的根本原因,其确定速度比传统分析技术快5倍,并且可以在机器学习模型中获取专家知识以进行持续改进。
数据源:Wafersort / Binsort,PCM,LEH / WEH,计量学,缺陷,工具FDC
能力和效率提升(CEI)
CEI通过循序渐进的方法利用Exensio Analytics Platform内的设备性能跟踪(EPT)功能,通过匹配工具和腔室操作来优化OEE(总体设备效率)、晶圆厂产能和晶圆吞吐量。 从每个配方微步骤收集的数据可捕获工具之间任何的性能不匹配,然后通过对FDC数据的详细分析来消除这些不匹配。
投资回报率:瓶颈工具能力提高10%,效率/吞吐量提高20%以上,快速识别配方与设置以及设备硬件问题,这些问题会产生与生产能力模型的偏差。
数据源:工具传感器FDC数据
降低耗材成本(CCR)
CCR解决方案利用Process Control模块(Exensio Analytics Platform的核心模块)收集的eBOM数据集,其中包括ERP,MES,EAM和FAC数据以及易损件、维护零件和材料以及化学和材料成分报告,以系统地减少材料消耗,优化使用并捕获材料成分偏移。 通过结构化的分析工作流可以识别性能不佳的设备、零件和供应商,从而指导用户完成优化过程。
投资回报率:减少材料消耗成本,减少良率和可靠性偏差,并优化零件和材料的使用
数据源:消耗品批次ID,事件数据,配方ID,FDC数据,PM信息,物料成分报告,MES数据
早期失效检测(ELF)
ELF解决方案优化了产量和现场可靠性故障之间的质量成本权衡。经典的离群算法,例如“零件平均测试”(PAT),通常用于识别和筛选有早期寿命失效风险的零件。 Exensio的ELF超越了PAT,通过利用Exensio Analytics Platform的端到端数据库和基础架构提供了全面的die质量分级和风险分类解决方案。使用多种变量的机器学习方法分析从多个数据源生成的高级指标数,该方法可适应新信息的出现(例如8D报告,FA中发现的根本原因,其他RMA引入等)。
投资回报率:通过在晶圆上检测高风险芯片来防止质量和可靠性下降
数据源:晶圆分类,最终测试,PCM,老化,退货,缺陷,计量,LEH / WEH,FDC
设备故障保护(ETP)
ETP is the next generation FDC solution for wafer fabs and assembly floors. Going beyond the standard approach of FDC data collection, feature selection and SPC alarm limits, ETP links FDC data with tool events and uses AI and ML to detect and classify abnormal equipment sensor traces into good vs. bad vs. unknown. The classification system adapts as users judge new signals and identify root causes, enabling fast issue detection and containment.
投资回报率:+ 1%DPW产量,+ 5%晶圆产量,+ 2%线产量,+ 2%工具利用率,节省工程FTE
数据源:工具传感器FDC数据和设备活动
智能材料处置(IMD)
“材料审查会议”(MRB)是用于提高出库产品质量的常用技术。 IMD解决方案极大地减少了MRB过程中的人工工作和人为影响的频率。它使用自动化工作流程来捕获每个客户业务和产品线的特定质量标准,从而在数分钟而不是数小时或数天的时间内提供lot和wafer的质量等级。全面的分析和全面的自动化确保统一的结果和高质量的决策制定。
投资回报率:将lot处置的工程工作量减少了50%以上。 防止逸出,提高一致性,并确保晶圆配置的决策质量。
数据源:PCM / WAT,Wafersort / Binsort,最终测试

智能测试
制造复杂性,先进的封装技术和高密度芯片设计共同推动了Wafer Sort和Final Test的成本。 Exensio的智能测试解决方案使用机器学习在与每个产品芯片相关的海量数据集中查找微弱的信号,并应用人工智能来调制测试流程并以较低的成本实现更高的产品质量。 通过人工智能/机器学习的方法识别出最高质量的die,以跳过昂贵的测试点(例如老化测试),从而在满足DPPM要求的同时优化测试成本。 PDF可以提供机器学习算法,同时您也可以补充您的算法。该系统专为生产运营而设计,安装在OSAT测试平台,可实现高效,低延迟的运行,较长的正常运行时间和最小的数据丢失。
投资回报率:将老化需求降低30-60%,根据测试的数量和成本,每年最多可节省数百万美元。
数据源:PCM / WAT,Wafersort,最终测试(以及可用的计量,缺陷,MES和FDC数据)
Yield Aware FDC
YA-FDC是技术和服务的组合,利用Exensio的大数据平台来改进工艺稳定性,识别影响功能和参数良率的设备条件和不稳定性来源,并通过专有的分析和建模技术设置适当的SPC spec,以识别关键参数。分析通过报告和dashboard实现自动化,以快速提高产量,提高稳定性,减少偏离值。 人工智能/机器学习提供预测模型以实现更好的反馈和前馈控制,预测PM可以优化工具可用性,并提供虚拟计量学以进行自适应在线采样。
投资回报率:良率提高8%,偏移降低40%,NPI斜坡学习速度提高7%
数据源:工具传感器FDC数据,计量,缺陷,PCM / WAT,Wafersort,测试,组装
