ИИ в производстве электроники и чипов: предсказание дефектов, оптимизация выхода годной продукции и автоматизация тестирования

Современная фабрика по производству микросхем (fab) — одно из самых технологически сложных производств в мире. Один нанометровый дефект на кремниевом чипе — и вся схема не работает. Выход годной продукции (yield) в 90% — это хорошо. 95% — отлично. Разница между 90% и 95% на крупном fab — миллиарды долларов годовой прибыли.

Кейс 1. TSMC — AI для максимизации yield

Инструменты

• ML-анализ дефектов на каждом этапе производства
• Predictive Yield Modeling: предсказание выхода годной продукции до завершения партии
• Computer Vision для инспекции пластин (wafer inspection)
• AI-оптимизация параметров техпроцесса в реальном времени

Что происходит

TSMC производит чипы для Apple, NVIDIA, AMD на 2–5 нм техпроцессе. Каждая пластина проходит сотни шагов обработки. ML-система анализирует данные с каждого оборудования и выявляет: если на шаге литографии отклонилась температура — это повлияет на выход годной продукции через 30 шагов. Предупреждение инженера сейчас — исправить партию ещё до проблемы.

CV-инспекция: высокоразрешающие камеры + ML сканируют поверхность каждой пластины после каждого этапа. Дефекты классифицируются автоматически: случайные (пыль) vs системные (проблема с оборудованием).

Результаты

• TSMC yield на 5нм+ техпроцессе: >85% — один из лучших в отрасли
• Скорость выявления системных проблем: с нескольких дней до часов с ML-аналитикой
• TSMC оценивает вклад AI в дополнительный yield: +2–3 п.п. = $500+ млн дополнительной годовой прибыли

Кейс 2. NVIDIA и Google — AI для проектирования чипов (EDA)

Инструменты

• ML для Place & Route — автоматическое размещение элементов на чипе
• Google's AI для дизайна TPU (RL-агент)
• NVIDIA cuLitho — ML-ускорение литографических расчётов
• Синтез HDL (Hardware Description Language) с AI

Что происходит

Проектирование чипа — многомесячный процесс. «Place & Route» (размещение миллиардов транзисторов и связей между ними) традиционно занимало недели работы инженеров. Google применила Reinforcement Learning: RL-агент обучался размещать компоненты на плане чипа — через миллионы итераций в симуляции. Результат: за 6 часов CPU-времени агент находит размещение, сопоставимое или лучшее по PPA (Power, Performance, Area) с размещением, которое команда инженеров делала за месяцы.

NVIDIA cuLitho: ML-ускорение литографических расчётов (Optical Proximity Correction) — ускорение в 40+ раз vs традиционные вычисления.

Результаты

• Google RL для Place & Route: время с недель до часов, результат не хуже человека
• NVIDIA cuLitho: экономия >₽100 000 вычислительного времени на один дизайн
• Первый чип, спроектированный с AI-Place & Route: успешно произведён TSMC и работает в TPU v4

Кейс 3. AI-тестирование электроники для массового производства

Инструменты

• Automated Test Equipment (ATE) с ML-оптимизацией
• Предсказательный анализ: какие чипы склонны к отказу в поле
• CV + ML для AOI (Automated Optical Inspection) плат
• ML-классификация дефектов пайки

Что происходит

Производство печатных плат: после пайки — каждая плата проходит AOI (автоматическую оптическую инспекцию). Традиционная AOI даёт много ложных тревог (false positives): система сообщает о «дефекте», которого нет. ML-калиброванная AOI: разделяет реальные дефекты и нормальные вариации производства значительно точнее.

Predictive Field Failures: анализируя данные тестирования, ML выявляет паттерны, предшествующие отказам в эксплуатации. Чип прошёл тест, но ML видит пограничные параметры → «высокий риск отказа через 2–3 года». Отдельная сортировка для надёжных применений (авиация, медицина).

Результаты

• Ложные тревоги AOI с ML: снижение с ~40% до ~8% — значительная экономия на повторных проверках
• Выявление реальных дефектов: сохранение при снижении ложных тревог
• ML-предсказание field failures: снижение гарантийных возвратов на ~20% для производителей, применяющих технологию

Источники: TSMC Annual Report and Technology Symposium, Google Brain «Chip Placement with RL» paper (Nature 2021), NVIDIA cuLitho announcement, IPC AI in Electronics Manufacturing.