图：芯率智能联合创始人蒋晓军

2023年7月13-14日，第三届中国集成电路设计创新大会暨IC应用博览会（ICDIA 2023）在无锡太湖国际博览中心召开。

芯率智能科技的联合创始人蒋晓军先生在第十届汽车电子创新大会上表示，良率是半导体产业的生命线，涉及到公司效益甚至是生死存亡。对于代工厂产线来讲，良率一直是非常关键性的指标，尤其是在现在国产设备替代的大背景下，持续维护高良率是长期课题。而良率的关键，就是和各个环节的Know how紧密相关。

当下车规级芯片成为拉动半导体行业出货量的中流砥柱，未来毫无疑问将会成为重要的市场方向。车规级芯片的认证上车和良率提升也将成为业界探讨的重要话题。芯率智能结合最新人工智能技术的工具化产品，在车规级芯片领域将会起到重要的作用。

车规级芯片国产替代势在必行

根据PwC 数据，全球主要国家/地区中，大部分将在2030年-2040 年间，通过仅可销售零排放车辆或者禁止销售燃油车等方式，来实现 CO2减排。而另一方面，包括巴黎、雅典、罗马、阿姆斯特丹、奥斯陆等欧洲主要城市中，也提出了禁售燃油车/柴油车的计划，普遍将在 2024年-2030 年实施禁售。

蒋晓军先生表示，传统汽车需要300-500块芯片，电动智能汽车对芯片的需求直线上升，高达上千块，未来L4以上的高等级智能驾驶汽车需要3000块以上。目前车载芯片价值占汽车整车成本约为35%，预计2030年到2035年会占到整车成本的50%上下。

图：来半导体价值占整车比例   源于亚太芯谷研究院 

蒋晓军先生补充道，我国每年汽车销售高达2500万辆，中国不仅仅是最大的汽车消费市场，未来毫无疑问会成为汽车最大的生产国。2021年中国汽车芯片市场规模约为150亿美元，占全球市场比重30%。未来我国对汽车芯片的需求会非常巨大，但是国产芯片占比非常低，国产替代意义重大且势在必行。

蒋晓军先生称，汽车芯片的高可靠性、高安全性、高长效性造就了其的高门槛。

所谓高可靠性，是指汽车芯片的运行条件十分恶劣，有较大的温度区间，有较多的震动与冲击。优秀的汽车芯片应该在恶劣的环境下持续、稳定、高效的工作。并且汽车的设计寿命普遍较长，高达15年或者20万公里左右，汽车芯片的产品生命周期，要求在15年以上，持续供货周期可能在20年以上。

汽车芯片绝不能宕机，功能安全极为重要，并且要考虑到信息安全因素。这就是车规级芯片强调的高安全性。

高长效性是指因为汽车开发周期较长，新车型开发至少需要两年，芯片设计必须有前瞻性，能够满足未来3-5年的前瞻性需求。并且芯片需要支持未来操作系统和应用软件的持续迭代需求。

汽车芯片良率提升的痛点和难点

虽然在人工智能的助力下，车规级芯片良率检测得到更多赋能。蒋晓军强调，汽车芯片良率提升还是有非常多的痛点和难点：

一是，亟需对于汽车芯片良率和可靠性要求的深度理解和行业共识，形成汽车芯片规范化的检测认证标准和便捷标准化的检测流程。

二是，需要汇聚汽车芯片的良率产业链相关数据，基于大数据和AI能力，实现多维度的有效分析，形成不同环节数据的有效协同。

三是，需要汽车芯片良率相关的专家经验知识库和行业Know-How的持续积累，从而针对性解决车规级芯片良率和可靠性的痛点和难点。

四是，依托便捷、高效的专业良率分析工具、全网检测平台和行业深度咨询服务，支持汽车芯片良率和可靠性的管理和优化提升。

众所周知，芯片的良率和Fab关系极大，也受其它生产制造环节的影响，围绕工艺改善、设备智能化管理，可以有很多方法可以帮助有效提高芯片的良率。

芯率智能从2006年开始就服务半导体产业的头部企业，17年以来陆续为半导体行业提供了200多个软件产品和解决方案。蒋晓军先生表示，芯率智能长期和先进制程Fab厂合作，特别是积累了很多Know how和行业认知与理解，可以为未来汽车芯片的发展提供很多的帮助。芯率智能的经验证明，良率管理和提升需要全产业链的共同努力，需要各个环节的数据相互协同。

蒋晓军先生分析，汽车芯片良率检测环节有产线缺陷检测、产线电性测试、wafer针测封装后测试、失效分析和系统应用级测试、汽车芯片相关特殊检测等等，与生产制造流程中产生的数据共同形成汽车芯片良率和可靠性大数据。这些大数据不仅仅是做简单的分析，最重要的是产生各种各样的Know how和专家经验的积累。只有如图形成有效的闭环，才能够真正把良率提升做好。

目前最热门的人工智能大模型，对于工程数据分析和发掘相关的行业Know how，以及为车规级芯片良率提升，必将产生非常重要的作用。

芯率智能技术顾问曾文滔先生曾表示，我国没有大量有经验的半导体设计、工艺、过程等工程师，也没有时间和试错成本来从头培养这些工程师。但我们有这么多年来在半导体领域设计、生产、制造中积累大量的数据。而这些数据，加上人工智能的引擎，将是我们的巨大机会和财富！

芯率智能有一系列的面对不同生产制造环节的产品和工具，可以助力汽车芯片的良率管理和提升。

AI ADC缺陷自动分类

AI ADC缺陷自动分类采用基于机器视觉的动态缺陷分类方法，根据产线实际缺陷示例而不是参照以“最佳拟合”近似值或“模糊逻辑”描述特征进行分类;方案结合晶圆制造业务需求，针对晶圆缺陷特征类型，使用包括了深度学习算法在内的非参照分类方法。

每个晶圆上的缺陷数量和种类会非常之多，不同的缺陷可能会来自于不同的机理，哪些会对汽车芯片的良率有影响都需要区分出来，所以需要依据空间特征进行有效识别和分类。

AI ADC缺陷自动分类有利于.提化产品与简现场配置，易于集成到生产环境中，并支持可扩展高速分类增值服务。

产品经过三年研发，已在多条本土头部晶圆量产产线实际应用并取得基于KPI衡量的卓越成效。

虚拟量测

蒋晓军先生称，量测检测贯穿芯片生产制造的全部流程。但是对于所有晶圆片进行逐一量测，不但成本高昂，而且非常耗时。虚拟量测(Virtual Metrology)基于对设备和工艺数据的分析建模，实现对重要生产制造环节的工艺和产品特性的预测，而无需在所有模组/晶圆上进行完全量测。

对于某些工艺流程，每次设备和工艺的维护调整后，都需要对采样晶片进行破坏性测量，难度比较大，需要大量的时间和成本的消耗。基于设备和工艺数据的分析建模的虚拟量测，可以快速跟踪工艺和设备的调整，实现产线工艺和设备的有效管控。

设备生产状态的评估、管理及预测

由于芯片产业的特殊性，半导体生产制造企业的生产线设备需要动态监督和评估工作状况。

通常情况下，发现前道、后道设备异常往往是事后，有可能生产的原料已经报废，浪费了产能，还得需要投入工程师资源走事后处理流程。能不能把事后的管理变成事中和事先？通过对工艺、设备进行建模，对整个生产流程进行实时预警，可以有效地降低产线的异常情况，提升产线的效率。还可以在事先做一些预测性的设备维护。

蒋晓军先生称，多设备一致性匹配对于汽车芯片生产来讲非常关键。汽车芯片代工厂通常情况下通过人工调节来实现设备一致性，一方面需要操作人员有大量实操的经验，对主观判断的依赖很强，存在各种风险；另一方面由于不定时需要人工在线处理，效率很低。通过基于人工智能的生产制造环节的智能化管理系统，可以比较好地解决这样的问题。

蒋晓军先生补充道，基于芯片生产制造企业生产工艺、设备信息、Recipe、设备日志和实时工况等数据，芯率智能通过深度学习和多维相关性分析，可以帮助半导体生产制造企业监控生产设备，实时异常预警，实现前瞻性的设备状态管理和预测性的设备维护。

在国内半导体设备、材料与国外有巨大差距的现实前提下，芯率智能在集成电路制造关键领域的工业软件发力，利用数据智能驱动半导体的工艺改进、设备增强及优化，为半导体工业软件自主可控贡献本土力量。

同时，因为芯率智能与半导体生产制造环节和量测检测环节企业有多年的业务合作，积累了大量的行业know how。随着外部技术封锁愈加严峻，充分发挥数据模型的威力，推动半导体生产制造和相关工业机理的优化提升，可以为汽车芯片的加速国产替代，提供全新的机遇。

阅读原文