AI Roadmap

用设备自己留下的数据，来改进设备

ZAFS 已经为每一片晶圆记录原始扫描波形、对准诊断值与动作履历。迄今为止，这些记录是出问题之后由人去翻看的资料。今后，它将成为在问题发生之前读出征兆的素材。

物理能解释的，交给物理；
剩下的，才交给数据。

What we already have

起点是数据，不是算法

把 AI 引入设备，最常见的失败是在没有可学习数据的情况下先挑模型。 ZILAB 走的是相反的顺序。

Raw data

一片晶圆的全部

不只是补偿之后的结果值，上下传感器的原始扫描波形与位置数据也一并保存，日后可以换一种方式重新计算。

Diagnostics

对准诊断快照

无论对准成功还是失败，都会留下当时的边缘信号与中间推定值。失败案例可以在事后完整复现，用以缩小原因范围。

Physics + Sim

物理模型与仿真器

自重挠曲、平台基准面等物理模型已经建立，并且有一套无需硬件即可跑完整流程的仿真层。这意味着学习结果在上实机之前有地方可以验证。

Four stages

应用路线图

不是从容易的做起，而是从可验证的做起。每一阶段都以前一阶段所产生的数据与信任为前提。

STAGE 1

预告停机 —— 异常预知

对准失败与搬运停机并非毫无征兆。在走向失败之前的数十分钟里，先行指标就已开始波动。ZILAB 通过对失败案例的事后分析，已经确认存在先于失败而动的指标。学习这些指标，让阈值由数据而不是由人来决定。

得到的：把非计划停机变成计划停机。让客户能够选择产线何时停下，比稼动率数字本身更重要。
STAGE 2

在物理模型之上叠加学习 —— 混合补偿

自重挠曲与平台基准面可由物理方程解释。但实机上仍会留下物理方程无法完全解释的残差—— 装配公差、温度、长期漂移之类。 只有这部分残差交给学习模型。

得到的：学习数据较少时也不会崩塌；在学习范围之外的条件下，物理项仍会把数值托住。机台间差异与长期漂移随之减小。
STAGE 3

让设备自己找参数

扫描速度与加减速、对准视窗宽度、采样区间、等待时间—— 左右设备性能的参数有数十个，如今由人凭经验设定。以实测节拍与离散度作为目标函数，在仿真器上自动寻优，再到实机上确认。

得到的：不更换硬件即可同时提升产能与重复性。每台设备自己找到属于自己的最优点。
STAGE 4

改变开发流程本身

在「需求 → 代码 → 回归验证 → 文档」这条链路上引入 AI 辅助。在仿真器上跑数百次自动回归，使上实机的代码在此之前就已通过验证。

得到的：发布周期缩短，回归缺陷减少。客户的需求反映到设备上所需的时间随之变短。

Expected quality gain

产品品质从哪里变好

下表是各阶段实际改变的地方。我们不以数字作出承诺，而是写清什么会怎样不同。

项目	现在	应用 AI 之后
非计划停机	对准 / 搬运失败发生之后再应对	依先行指标提前告警，转为计划停机
机台间差异	以主晶圆标定与机台匹配控制在规格之内	残差学习进一步缩小差异，并自动跟随长期漂移
测量重复性	理想条件下标准差 0.002 ~ 0.003 µm	按干扰条件分别补偿，缩小实际生产条件下的离散度
节拍	55 秒 / 片 —— 由人设定的固定参数	按机台自动寻优，从同一硬件中收回余量
异常检出	将超出规格的晶圆判为 Reject	对规格之内但异于平常的模式，作为工艺异常征兆上报
软件品质	由人在实机上确认	在仿真器上以自动回归于发布之前筛除

Principles

把 AI 放进计量设备时，我们守住的三条

01

不取代物理

连能解释的部分也交给学习，一旦遇到没有数据的条件，数值就会崩塌。学习只用于物理未能解释的残差。

02

没有依据的判定不输出

计量设备的判定，是把客户的晶圆丢掉的判定。凡是无法用数据回溯其判定理由的结果，一律不输出。

03

在设备上学，在设备上验

学习与验证都使用实机产生的数据。先在仿真器上跑，在实机上确认之后，才设为默认值。