制造 / 半导体
Micron：制造异常检测与工艺分析
- 企业
- Micron
- 国家
- 美国
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
Micron的晶圆工序要经过约1,500道步骤，耗时数月，出错和报废的空间很大。划伤或保护膜下气泡这类缺陷肉眼看不见。即便看得见，人工翻看每片晶圆拍摄的30到40张照片时，也会因眼睛疲劳而漏检。设备零件磨损或管道泄漏若发现得晚，损失也会扩大。
使用的技术与数据
Micron从超过59万个源头汇集PB级制造数据，送入云端分析环境。感知AI把computer vision、声学监听和热成像结合使用。系统从摄像头拍摄的图像中自动查找边缘的小孔、线状划伤和颜色变化，要查找哪些形态由工程师指定。自动缺陷分类系统用深度学习每年分类数百万件缺陷。技术员和工程师不再手工分类晶圆缺陷，而是专注于数据采集和根因解决。声学方面，机器人驱动部或泵附近的麦克风连续数周录制正常声音以建立基准，一旦出现新的频率就发出警报。
成果
Micron表示，59万个传感器每周产生1亿张晶圆图像和4亿3,600万个管控点，全部经过AI模型。已存储数据为77PB，每天新增58TB。公司依据2016年至2025年的内部数据和分析，给出的成果包括：制造设备开动率提升4%、劳动生产率每年改善100万小时、新产品上市周期缩短50%、产品报废减少50%。良率管理平台在公司内部有超过14,000人使用。
局限与待解问题
所给出的改善数字是基于2016年至2025年内部数据与分析的累计值，不是某一年的单独效果，也不是经外部验证的结果。
来源
本案例根据公开资料整理，并非 ATF Works 客户的成果。