作者：史蒂夫·扎梅克、喬恩·霍爾特、桑迪·陳
在 2026 年亞太經合組織（APEC）年會（IS02.1 場次：人工智慧與數位孿生如何推動功率裝置創新）上，我們的團隊分享了兩個已投入生產的 AI/ML 應用案例，這些案例源自我們與功率半導體製造商合作逾十年的經驗。本文將彙整其中的關鍵經驗教訓。
這篇部落格文章和簡報，是本團隊關於在半導體及功率半導體製造中部署人工智慧／機器學習之實務方法的系列出版物的一部分：
為什麼功率半導體與眾不同？
在邏輯與記憶體製造領域，由人工智慧驅動的良率提升已受到廣泛研究。然而，功率半導體（如 SiC、GaN、IGBT 及分立式矽元件）則面臨著獨具挑戰性的製造環境。 這些產品的材料組合更為複雜、缺陷率更高，且製造流程的垂直整合程度更深：包括單晶生長、基板分級、外延、多次老化測試、晶片黏著，以及模組組裝。相較於成熟的矽晶圓廠——這些廠房早在數年前便已大幅解決了可追溯性與資料品質的問題——功率半導體的製造設施通常較為老舊，相關技術也較不成熟。
在 Yole《2025 年功率電子產業報告》中提及的企業中，有十一家是 Exensio® 的活躍使用者，且均已使用該產品超過十年。我們在 APEC 會議上展示的這兩項應用案例，正體現了我們從這些部署中汲取的經驗。
用例 1：SiC 中的基板限制產率
問題
基板品質是導致碳化矽（SiC）製造過程中良率損失的主要因素之一。問題在於：能否預測哪些基板會限制良率，並在進行昂貴的下游加工之前，根據該預測採取相應措施？
方法
識別致命缺陷的傳統方法仰賴「致命率」指標：透過 2×2 混淆矩陣，比較「乾淨」與「有缺陷」晶片之間的良率。此方法依賴於各缺陷類別的晶片層級彙總數據。在矽晶片中，基板幾乎沒有缺陷，因此主要關注點在於晶圓廠或代工廠製程中引入的在線缺陷。
在化合物半導體領域，情況則較為複雜。您需要處理多個檢測步驟、裸基板（外延前與外延後）以及已圖案化的晶圓（線上檢測）。 晶粒層級的摘要資料難以直接套用，因為未圖案化基板上晶粒的佈局尚未確定。此外，僅憑晶圓電氣分選來判斷晶粒的良壞亦不充分。功率元件需要在特殊負載條件下進行高電流、高電壓測試，而這些條件通常無法在晶圓分選過程中實現。
我們的方法利用裸基板與外延缺陷資料來訓練一個預測模型，該模型可生成預測的電氣分級圖，在進行電氣測試之前，針對每個晶粒和每片晶圓，對預期合格／不合格的結果進行分類。此模型讓操作人員能在將基板送入完整的製程流程之前，先對其進行分級。此外，此類預測可針對任何虛擬晶粒尺寸進行，並讓使用者能透過嘗試不同晶粒尺寸來估算良率。
結果
下文討論的結果是基於我們對來自多家不同供應商的碳化矽基板所累積的經驗。儘管如此，相同的方法亦可應用於其他類型的半導體，並不限於 SiC。在生產部署中，該模型：
- 能正確識別出限制產量的底物，且其結果與已發表的關於 SiC 缺陷消除機制之文獻相符
- 透過在上游階段便能決定基材的處置方式，可節省數個百分點的產量
- 產生「實際值」、「預測值」及「差異」的分箱圖，使模型行為具有可解釋性與可稽核性
該模型還針對每種缺陷類別提供了四個分類類別：
- TP（真陽性）：實際通過、預測通過 — 判定正確
- TN（真陰性）：實際失敗、預測失敗 — 處置正確
- FP（假陽性）：實際失敗，預測通過——判定過寬，會導致良率損失
- FN（假陰性）：實際通過，預測為未通過——過度防禦，會造成成本負擔
製作上的挑戰
從試點階段過渡到量產階段，暴露了各種挑戰。
檢測：同一基板可能在不同批次或物料流中，透過不同的檢測設備進行測量。各設備的缺陷分類方案不盡相同，若未經標準化處理，其缺陷計數便無法直接相互比較。檢測處方尚未臻於成熟，且持續進行修訂。
空間對位：在裸基板上進行的光學檢測會使用全球晶圓座標。這些座標必須與晶粒座標正確對位。 許多較舊的晶圓廠，其整體晶圓座標與晶粒座標之間並未建立恰當的對位關係。此外，非立方晶格半導體（例如 SiC）中的缺陷，其尺寸可能較大，並可能跨越多個晶粒。然而，檢測掃描所獲得的資訊不足，無法釐清這些缺陷的空間範圍。
探測 + 老化測試：資料品質不佳已成普遍問題——方向錯誤、檢測座標與測試座標間的晶片偏移，以及不一致的晶片識別碼規範，都使得空間對齊變得非同小可。因此，必須先進行資料清理與驗證，才能建立出具有實質意義的模型。
模組 + 老化測試：許多製造商正苦於實現端到端的晶粒可追溯性。在基板層級進行「精選」與分級，意味著外延製程後的晶圓廠批次，其組成可能與外延製程前的批次截然不同。透過晶圓分選，同一批次中的幾乎每片晶圓都可能源自不同的外延前材料批次。而在模組組裝階段，則需跨子組件追蹤個別晶粒的流向。
缺失資料：會帶來額外的偏誤風險。若您僅是直接剔除檢測資料缺失的紀錄，這並非隨機剔除。 您更有可能剔除特定工具類型、時間區間或材料等級的記錄，這會系統性地偏頗您的訓練資料集。例如，缺失資料往往源於組裝過程中將瑕疵晶粒剔除。剔除這些晶粒意味著您移除了大量瑕疵晶粒，從而導致模型過度樂觀（亦稱「過度保守」）。
用例 2：組裝前的預測性晶片分級
問題
功率模組（例如汽車牽引逆變器）是價格極為昂貴的元件，由來自多個晶圓的多個晶粒組裝而成，這些晶粒往往來自多種產品和多家供應商。若因品質管控疏漏，導致不良晶粒被組裝進模組中，所造成的損失將極為高昂。問題在於：能否根據晶圓分選數據預測最終測試結果，並利用該預測來優化組裝前的晶粒配置？
這現象並非電力半導體所獨有。高階運算模組（用於資料中心的多晶片模組，MCMs）也面臨相同的挑戰。這兩者每組模組內均包含數十顆晶片。在兩種情況下，模組故障所造成的成本都會波及該模組中每顆晶片的組裝成本。
方法
目標是建立一個二元分類器（用於判斷模組期末測驗的「通過／未通過」），該分類器以晶圓分選的參數資料進行訓練，並針對最終模組成本而非準確度來優化分類閾值。
為何考量成本而非準確度？因為「檢測不足」與「檢測過度」所產生的成本極具非對稱性。若將一個無法通過模組測試的晶粒送往組裝，將浪費整個模組的組裝成本，這筆費用可能高達單顆晶粒成本的 50 倍。反之，對合格晶粒進行過度檢測，則僅會浪費該顆晶粒本身的成本（$x）。在考量這些非對稱後果的前提下，能將總預期成本降至最低的分類器，即是最佳的分類器。
現實世界的複雜性
此類解決方案在實際環境中的部署非常複雜：
- 雜亂且缺失的資料：量產中的實際分箱圖與參數圖可能會因空間變形、測試不完整，或資料轉換而產生損壞。這是因為測試機與探針台是由不同的工程部門負責編程所致。探針台的任務是精準定位晶圓上的正確晶粒，而測試機則專注於執行測試程式。 因此，測試機的輸出結果往往會出現不正確的晶粒尺寸、座標，甚至晶圓方向。
- 多重測試環節：晶圓探測、晶圓老化測試、模組組裝測試、模組老化測試、最終測試，每個環節皆有其專屬的資料格式、限值及分級規範。這引發了多項問題：何謂良品與次品的「真實標準」？對於那些測試結果為良品，卻因空間異常篩選（例如 GDBN）而被標記為次品，進而未能進入後續測試的晶粒，該如何處理？
- 含有數十顆晶粒的模組：不同的產品、不同的批次、不同的製程，每種情況都需要專屬的預測模型，並有其獨特的可追溯性要求。含有數十顆晶粒的模組會導致模型訓練的計算量呈指數級增長。訓練此類模型所需的運算基礎設施，是許多製造商無法負擔的。
- 多重子組裝：零件會經過分層的子組裝流程，其中在某個步驟中完成組裝與測試的零件，將成為更高整合層級下一個子組裝步驟的起始材料。 這引發了一個問題——優化目標究竟是什麼？雖然每個子組裝步驟都需要做出獨立的決策（分類），但最終目標卻是所有子組裝步驟的總成本。隨著子組裝步驟數量的增加，複雜度也會急遽上升。
- 可追溯性不足：在功率半導體製造中，從晶圓到模組的晶粒可追溯性需要投入明確的工程資源，這並非自動完成的
在我們的生產部署過程中，我們不遺餘力地確保所有製造作業中的資料均保持一致、維持可追溯性，並在任何模型訓練開始前，使資料集達到可進行分析的狀態。儘管如此，建構、驗證、部署及維護此類模型仍是一項挑戰。
數據基礎設施的必要性
這兩種使用情境都指向同一個根本挑戰：讓資料達到可供分析的狀態。多位客戶反映，資料準備與驗證的工作量，佔了成功將這些模型投入生產環境所需工程工作量的 90%。
電力半導體產業的製造數據確實相當分散。對於無晶圓廠公司而言，晶粒來自不同的供應商，並送往不同的外包封裝測試廠（OSAT），要將所有數據彙整到單一平台上，實屬艱鉅任務。有人可能會認為，擁有內部製造能力的垂直整合型裝置製造商，面臨的挑戰會較小。 然而，事實遠非如此。雖然資料可能屬於同一家公司，但卻分散在多個據點及各式各樣的系統中——包括製造執行系統（MES）、企業資源規劃系統（ERP）、品質管理系統（QMS）、工廠數據收集系統（FDC）以及統計過程控制（SPC）系統；而且不同據點往往採用不同的系統。每個系統都成為一個資訊孤島，這正是為何在全企業範圍內部署像 Exensio 這樣的良率管理平台至關重要。
作為此類部署的範例，讓我們以 onsemi 為例。在 2025 年 12 月舉行的 PDF Solutions 用戶大會上，onsemi 的Tom Grein闡述了該公司如何將 Exensio 作為單一平台，並作為其整個碳化矽（SiC）製造流程中橫跨各環節的「單一真相來源」：從碳化矽粉末開始，歷經晶體生長、外延、元件製造，直至模組組裝。 他們的血統鏈追蹤路徑為：坯體生長 → 基板 → 外延 → 晶圓製造 → 模組。這類端到端數據基礎架構並非可有可無的選項，而是進行任何嚴謹分析的先決條件。
行動呼籲：讓您的資料做好人工智慧的準備
根據與功率半導體製造商合作超過 10 年的生產部署經驗，以下是建立成功 AI 策略基礎所需的要素：
- 建立製造業的 IT 基礎架構。若資料未以可用形式存在，便無法在該資料上運行 AI 模型。首要之務是投資於資料蒐集、儲存及存取的基礎架構。
- 打破資料孤島。將所有製造資料、物料、生產線上的晶圓、生產線上的設備、組裝及測試等資料，整合至單一平台中。無法進行關聯的資料，便無法建模。
- 在資料來源處進行資料清理。理想情況下，應在資料蒐集階段即確保資料品質 。若無法執行此步驟，則應建立企業級的「資料清理層」，在資料進入分析環境之前，對格式進行標準化、對數值進行驗證，並標記異常值。
- 在各據點及物料流之間實現標準化。SEMI 標準所提供的標準化程度尚不足以應對資料分析所面臨的挑戰。製造商需要針對每個資料領域建立自身資料標準，並在各據點及物料流之間一致地執行這些標準。
- 建立供應鏈可追溯性。功率半導體產品種類繁多，導致物料流向極為多元。這種物料流向通常是完全內部生產、部分外包以及完全外包（交鑰匙）模式的組合。從原材料到出貨的模組，要追溯任何一個晶片從出貨模組回溯至原始原料，絕非易事。然而，在功率半導體領域中，正是這些材料往往決定了模組品質的優劣，以及是否會從實際應用現場被退回。
這五個步驟是推動卓越製造的先決條件。若人工智慧模型是基於不完整、不一致或帶有偏見的資料所訓練，將會產生誤導性的結果；而在生產處置系統中，誤導性的結果將直接導致成本上的後果。
半導體產業的 AI 轉型正穩步推進。能夠創造最大價值的製造商，未必是擁有最先進模型的那群；而是那些已完成這項看似不起眼、卻至關重要的工作——讓數據能夠用於學習——的企業。
本文內容源自 2026 年亞太經濟合作組織（APEC）會議中，由 PDF Solutions 的 Steve Zamek、Jon Holt 及 Sandy Chen 於 2026 年 3 月 24 日所發表的簡報「運用進階分析與人工智慧提升半導體成本與品質」（議程編號 IS02.1）。