semi.org に投稿されました 元の記事を見るにはここをクリック
著者：ボブ・スミス
PDFソリューションズのCEO兼共同創業者であり、ESDアライアンス（ESDA）運営評議会のメンバーであるジョン・キバリアン氏が、10月に開催されるSEMICONWestのCEOサミットにおいて基調講演を行います。講演タイトルは「半導体協業の革命：AI駆動型産業プラットフォームの台頭」です。 同氏は最近、講演内容の概要と、協業が半導体産業を1兆ドル規模へ成長させる鍵である理由、そしてその実現方法に関する見解を私に共有した。
スミス：今日、協業を不可欠にしている主要な産業の進化や動向は何ですか？
キバリアン：半導体産業は、単純な直線的なプロセスから複雑な協業エコシステムへと劇的に進化した。以前は、すべての工程がウエハー工場で行われていた。テストはウエハー選別工程で実施され、パッケージの歩留まりは高く、最終テストは単純明快で、製品が出荷されていた。協業は主にファウンドリとファブレス顧客の間で行われ、初期の認定試験やテストチップ段階では集中的に行われ、生産が安定すると日常的な歩留まり監視へと移行した。
今日の先進的なパッケージング技術では、複数のチップレットを単一のパッケージに封入するため、テスト挿入ポイントが爆発的に増加している。これによりテストの複雑さとコストが大幅に上昇した。フロントエンド工場には最も複雑な装置が導入される一方、かつては比較的単純だったテスト・組立施設には、ロボットを統合した高度なシステムレベルテスターが導入されている。組立ツールは高度に複雑化し、ダイアタッチ工程ではますます厳しい公差が要求されるようになった。
現在、成功にはシステム企業から機器ベンダーに至るまでの全チェーンにわたる連携が不可欠であり、新製品の立ち上げから継続的な生産維持管理に至るまで、あらゆる局面で協業が求められている。
企業は、テストや装置制御を問わず、こうした複雑な生産フローを管理するためにAIと機械学習（ML）を導入している。これは、ファウンドリ、ファブレス企業、OSAT、装置ベンダーなど、単一の組織が管理できない複数のソースからのデータを統合する必要があるため、より広範な連携を要求する。かつては二者間の単純な引き継ぎだったものが、継続的な調整を必要とする相互依存関係の複雑なネットワークへと変化した。
スミス：チップレットとチップレットベースのアーキテクチャが話題となっており、ムーアの法則の減速に対する主要な解決策あるいは実用的な解決策のようだ。これはバリューチェーン全体にわたる驚異的なレベルの連携と調整を要求する。これが主流になり始める規模で実現可能だろうか？
キバリアン：半導体業界は、チップレット製造を大規模に実現するために前例のない協力が必要となる。しかしこれは可能だ！EUVリソグラフィーを例に考えてみよう：当初は65nm世代での導入が予想されていたが、非常に複雑な技術であるにもかかわらず、予想より何年も遅れた。並外れた技術力が必要だっただけでなく、ASML、サプライヤー、顧客、そしてファブレス業界全体との広範な協力も不可欠だったのだ。
業界がEUV（極紫外線露光）でこのレベルの連携を実現したなら、チップレットでも同様の連携が可能だ。ただし、チップレット製造では、より多くの企業が複数のサプライヤーから供給されるチップレットを用いたシステムを構築するため、さらに大規模な協業が必要となる。
今日のチップレットベースのシステムでは、通常すべての部品を単一メーカーから調達するため、企業がサプライチェーン全体を管理できることから、UCIeのような標準規格の重要性は低くなっています。しかし、コスト効率化のためにサードパーティ製部品の使用が増えるにつれ、この状況は変化していくでしょう。
今後ますます、複数のプレーヤーのコンポーネントを活用して市場投入コストを削減するシステムが増加するでしょう。その結果、将来の生産フローは大幅に複雑化し、基板とベースダイ、サードパーティ製ダイとインターポーザー、OSAT（組立・テスト・アセンブリ）および特定構成の専用テスターの調整が必要となります。
このオーケストレーションは、初期立ち上げ時だけでなく継続的な生産段階でも機能する必要があり、さらに異なる製品向けにチップレットの組み合わせを再構成する際にも、すべて迅速かつ自動化された対応が求められる。
迅速な対応のためには、これら全てを自動化する必要がある。製造フローの複雑さを考慮すると、人々はAI/MLを適用して、製造される個々の製品で何が起きているかを予測したいと考えるだろう。
製造工程におけるチップとパッケージの全数手動検査は、大規模では非現実的である。この監視と品質管理は自動化されたAIエージェントが担わねばならない。この自動化を拡大するには、製造主体と製品企業のエンジニアリングチーム間の緊密な連携が不可欠である。
この複雑な複数企業プロセスを管理する全ソフトウェアパッケージ間では、これまでとは異なるレベルの連携と調整が必要となる。財務向け基幹業務システム（ERP）は、資材の行き先、需要、予測を把握している。一方、製造実行システムは、どの工具がいつ利用可能になるかを個別に把握する必要がある。
多くの場合、これらの製造システムは製品会社が所有しない工場で稼働します。製品会社のPLMシステムは部品表とテストフローを管理しますが、これらのテストはOSATで実施されるため、異なるプロセス領域を管理する複数企業のソフトウェアシステム間の複雑な連携が必要となります。この調整は組織の境界を越え、上流のテスト結果からデータを取得し、下流で実行するテストを決定する能力が求められます。 これは、適切なチップレットを短サイクルタイムで効率的にパッケージに組み込み、すべてを稼働させるためにF1ピットクルー並みの対応を必要としないために不可欠である。
スミス：データの量は驚異的です。特に設計データに関してはなおさらです。このビジョンを大規模に実現し、あらゆるものを接続するには何が必要でしょうか？
キバリアン：これは、人間が境界ボックスを設定し、その枠内でシステムがエージェントを運用して日々の業務や時間単位の作業を遂行する仕組みの融合である。
良い例として、製造実行システム（MES）がERPシステムと接続してデータを共有する方法が挙げられる。企業がオーケストレーションを設定する際、システム間で情報が流れる方法を規定するルールを作成する。これらのルールはERPシステムに「各工程ステップのコストを計算するには、使用するレシピ情報はこれだ」と指示する。
これらのルールが設定されると、日常業務を制御するガイドラインとして機能します。AIエージェントはMESから収集した実際のデータに基づき自動的に知見を生成し、これらのルールに従ってシステム間でデータを移動させます。ERP AIエージェントはこのデータを活用し、コスト上昇を検知してアラートを発信し、生産歩留まりの低下を察知し、歩留まり低下がコストに与える影響を算出し、問題解決のための措置を講じます。
この同じプロセスは、機器サプライヤーと製造施設の間でも発生します。両者は事前設定されたルールに基づきデータを自動的に共有し、AIが問題の特定と是正措置の実施を支援します。ファブは、どの機械に誰がいつアクセスできるか、どのような種類のデータをどの経路で送信できるか、そしてこれらの送信がどの頻度で行われるかを決定します。機器を稼働させるための新しいソフトウェアやAIモデルが導入される際には、システムがインストール前に完了すべきウイルススキャンやセキュリティチェックを指定します。
人間のオペレーターは主に、最も効果的な連携プロトコルを決定することでこれらの制御システムを設定する。しかし、日常的な実行は自動化されたエージェントによって処理される。これは、データ量と運用中に継続的に発生する膨大な数のトランザクションの両面で、関与する規模が非常に大きいためである。
人間がそのデータを確認したりレビューしたりすることはありません。その例を二つ挙げましょう。一つは業界外から、もう一つは業界内から。
2019年のユーザーカンファレンスにおいて、取締役でありハーバード・ビジネス・スクールの教授であるマルコ・イアンシティ氏が、自身の著書に基づくビジネスにおけるAIに関する洞察を共有した。同氏は、中国政府の介入前に爆発的な成長を遂げていたアリババの銀行部門であるアント銀行と、伝統的な銀行を比較した。
アントのAIは特に高度ではなかったが、そのプロセスは画期的だった。従来の銀行では顧客が融資申請書を記入し、それを人間の融資担当者が審査するのに対し、アントのシステムは自動的にインターネットやソーシャルメディアから情報を収集し、申請者の情報を確認する。数秒以内にアルゴリズムが融資の承認または拒否を決定する。
決定的な違いは、Antが計算能力だけが制約要因だったため指数関数的に拡大できた点にある。従来の銀行は事業を倍増させるには融資担当者を増員する必要があり、この人的ボトルネックが成長を制限している。
彼に講演を依頼したのは、6年前からこの原則を信じていたからであり、今ではさらに確信を深めている。
半導体産業において、複雑な統合システムを備えた1兆ドル産業を構築するには、データ集約型プロセスへの人的介入を最小限に抑える必要がある。当業界のステークホルダー間の信頼問題にもかかわらず、協業は依然として不可欠である。解決策には、AIエージェントが自律的に動作できる体系的な原則の確立が求められる。これが指数関数的成長を達成する道筋である。
蟻の銀行の事例は、我々の業界が求めるものを完璧に示しています。PDFでは、このアプローチが業界の発展に不可欠だと確信しています。考えてみてください：私たちはペタバイト規模のデータを管理しているにもかかわらず、人間が実際に検証するのはその5～10％に過ぎません。これは、AIが人間の監視なしに業務の大部分を処理できる可能性を物語っています。
現実として、当社の顧客は週に数百万個、年間で数十億個のチップを製造しています。彼らはすべてのデータセットを確認することはできません。アルゴリズムなら可能であり、AIなら可能です。昨年、当社は「ガイデッド・アナリティクス」という製品を発表しました。 昨年のユーザーグループで、あるエンジニアがこれについて話しました。彼女の会社には数千もの製品があります。彼女のチームは毎日それらを追跡することはできませんでしたが、ガイデッド・アナリティクスはそれができました。彼女のチームが朝出勤すると、日次レポートにはチップの90%が正常であること、あるいは問題のある箇所を指摘するアラートが記載されていました。これは単純なAIボットがデータをクロールし、根本原因がどこにあるかを特定するものです。
当業界の拡大にはより多くのエージェントが必要となる。それらのエージェントは業界全体に展開されるが、人間である我々は、彼らが活動するための統治原則を確立しなければならない。これが、業界が必要とする速度を実現し、自社ビジネス向けに開発したAIの恩恵を得るために、膨大な設計・製造データを処理する我々の手法である。