第227章 小芯AI辅助排查121个工艺缺陷

  赵静盯著屏幕上不断滚动的数字，眉头紧锁。在她的左侧屏幕上，小芯ai正在运行“工艺缺陷主动学习模型”的第一轮预筛选；右侧则是从14纳米產线传来的实时数据流，包含了过去三个月所有流片批次的三千七百多万个工艺参数记录。

  会议室里坐满了人，但安静得只听得见键盘敲击声和伺服器风扇的低鸣。张京京团队的七位资深工艺工程师、林薇带来的三位仿真专家、还有赵静自己的十二名ai算法研究员——这是为121个工艺缺陷点专门组建的“联合诊断组”。

  “第一轮预筛选完成。”年轻的ai研究员小刘抬起头，声音有些沙哑，“基於歷史数据的相关性分析，121个缺陷点被分为三类：第一类，35个『高置信度关联缺陷』，ai判断其与特定工艺参数强相关，建议优先排查；第二类，58个『中等置信度关联缺陷』，需要更多实验数据確认；第三类，28个『低置信度隨机缺陷』，可能是环境因素或未被监测的变量导致。”

  “35个优先排查……”张京京揉著太阳穴，“按照传统方法，每个点需要至少三轮实验验证，一轮实验两天，总共需要210天。我们没有那么多时间。”

  “所以不能用传统方法。”赵静调出一个全新的界面，“小芯ai刚刚完成了『虚擬实验平台』的升级。它可以根据物理模型和歷史数据，对每个缺陷点进行数万次的虚擬实验，快速缩小可疑参数的范围。实际流片验证只需要针对最有希望的几个假设进行。”

  她演示了一个例子：针对第47號缺陷点——“氧化层厚度边缘不均匀性”。传统排查需要调整温度、压力、气体流量、时间等十几个参数，排列组合上千种可能。而ai在分析了所有相关数据后，提出了一个假设：问题可能不在於氧化工艺本身，而在於前一道清洗工序留下的表面微观形貌差异。

  “ai是怎么想到这个的？”一位工艺工程师质疑，“清洗和氧化是完全不同的工序。”

  “因为ai发现了时间相关性。”赵静调出数据图，“在每周一的流片中，这个缺陷的出现概率比其他时间高32%。而周一上午，正好是设备周末停机后重新启动的时间点。ai进一步分析了清洗设备的启动曲线，发现温度稳定需要比平时多五分钟，这可能导致清洗液在硅片表面的润湿角发生微小变化，进而影响后续氧化层的成核均匀性。”

  会议室里响起一阵低语。这种跨工序、跨时间的关联性，人类工程师很难察觉，因为每个团队通常只关注自己负责的工序。

  “验证这个假设需要多少时间？”张京京问。

  “虚擬实验已经完成。”赵静点击运行按钮，屏幕上开始播放模擬动画：硅片表面微观形貌的变化如何影响氧化层生长，“ai模擬了128种不同的表面状態，结论是：如果表面存在纳米级的高度差超过0.5纳米，氧化层厚度不均匀性会增加三倍。而要解决这个问题，只需要在清洗设备启动阶段，增加一个五分钟的『预稳定流程』，让温度梯度更平缓。”

  “实际验证呢？”

  记住我们101看书网

  “今天下午就可以安排。我们已经標记了一批晶圆，一半用现有流程，一半增加预稳定流程，晚上就能看到结果。”

  张京京的眼睛亮了。如果这个方法可行，他们解决一个缺陷点的时间可以从六天压缩到一天。