AI 提高晶圆良率能减少多少材料浪费

AI 提高晶圆良率能减少多少材料浪费

良率提升通常有助于减少报废，但能减少多少材料浪费，必须看缺陷发生在何时、返工多少以及产量是否同步变化。

建立晶圆投入、工序报废、返工、合格芯粒和材料消耗的对应关系，区分缺陷检出阶段。建立数据基础时，应先回答哪些记录描述同一对象、哪些只是相似。不同单位、批次与时间窗口需要分别核对，无法匹配的内容保持待查。模型生成的摘要不能覆盖原件，后续判断还应能够返回具体证据，避免错误在多次转述后变得难以发现。

用过程模型比较同等合格产出所需投入，AI 定位缺陷来源，并估算提前发现的材料收益。可以建立同等合格产出的物料模型，将每个阶段报废和返工计入。AI 定位缺陷模式，工艺实验核实原因，核算工具再估计避免后续消耗的数量。良率、材料和资源收益不能自动等比例换算，尤其要检查改善是否增加检测、清洗或其他环节的投入。

质量优化要把缺陷发生、检测、返工与报废连成过程，区分预防缺陷和筛出不良。模型可以发现多变量组合与变化趋势，但相关性仍需工程验证。评价应以可靠合格产出为基础，不允许通过降低检验或可靠性要求制造更高的表面良率。

假设缺陷在前段被发现，可避免继续消耗后续材料；若只是终检更准确，资源收益路径就不同。这个假设说明，系统既要发现支持某个结论的线索，也要主动寻找可能推翻它的证据，避免单向放大已有判断。

一个重要区别是缺陷预防与缺陷筛除。预防让同等合格产出需要的投入减少，筛除则可能只减少不良品流向客户。两者都有价值，但环境收益不同。模型可以帮助重建缺陷出现、检出和处置时间，让节材估算从一个良率百分点，落到真实避免消耗的工序与物料。

更有价值的方向，是让系统知道哪些事情可以自动核对、哪些需要进一步测量、哪些必须交由专业人员决定。边界清楚之后，自动化才可能稳定减少负担，而不是将风险藏进流畅回答。

为提高良率增加的检测、清洗和计算也应计入，不能把所有产量增长都称为节约。核算资源收益时应考虑缺陷所处阶段、额外检测、返工和计算负担。关键缺陷、总体报废与客户失效需要分别观察，模型面对新材料或新工况时应重新验证，而非沿用过去的平均准确率。

分别报告材料总量、每颗合格芯粒消耗与报废阶段变化，并给出假设区间。试点要预先确定对照条件和可接受边界，尤其说明哪些变化不能归功于 AI。保留未采纳建议及原因，也保留人工修正。运行一段代表性时间后，再检查净收益、错误与使用负担；只有改进能够持续且证据可复核，才适合扩大应用。

没有统一的节约比例，只有能被生产数据验证的具体改善。

参考资料（背景核对，检索截至2026年10月26日）：

imec：Sustainable Semiconductor Technologies and Systems

https://www.imec-int.com/en/expertise/cmos-advanced/sustainable-semiconductor-technologies-and-systems-ssts