כך פיתחנו מיקרוסקופ-על שנעזר ב-AI כדי לגלות פגמים בשבבים

תהליך הייצור הלא מושלם גורם לכך שאין שני שבבים זהים, ואם נוסיף לכך את אלפי שלבי הייצור שמשפיעים עליהם – הרי שתהליך הבקרה הופך למאתגר מאוד. כך לקחנו את החוזקות של המיקרוסקופ האופטי והמיקרוסקופ האלקטרוני ויצרנו מערכת-על

תהליך ייצור השבבים מוקפד מאוד וכולל אלפי שלבים (צילום: Dreamstime)

מאת אמיר בר, ראש תחום בינה מלאכותית ופיתוח תוכנה בחטיבת מוצרי בקרת תהליך אופטית ב-Applied Materials

שבבים מניעים את העולם – הם נמצאים בכל מכשיר אלקטרוני, ברכבים, במטוסים, במכונות במפעלים ועוד. הביקוש הגובר להם מחייב את התעשייה כולה לתהליך שיפור מתמיד – משלב התכנון, דרך הפיתוח ועד לשלבי הייצור ובקרת האיכות.

את רוב השבבים בעולם מייצרים על גבי פרוסות סיליקון בקוטר 30 ס"מ, ובכל פרוסה ישנם מאות עד אלפי שבבים המיוצרים בבת אחת. תהליך הייצור מוקפד מאוד וכולל אלפי שלבים, שבכל אחד מהם מבצעים על פרוסת סיליקון תהליכים כימיים, פיזיקליים, תרמיים ואופטיים.

על מנת לשלוט בתהליכים ובכך להבטיח ייצור אופטימלי, חייבים לעקוב אחר התהליכים השונים ולמדוד אותם. לטובת הניטור עושים שימוש בשתי משפחות עיקריות של מיקרוסקופים: מיקרוסקופים אופטיים מבוססי אור (פוטונים) ומיקרוסקופים מבוססי קרן אלקטרוניים.

השילוב המנצח

בגלל מגבלות הפיזיקה (רזולוציה), המערכת היחידה שיכולה לזהות את הפגמים – המיקרוסקופ האלקטרוני – היא כל כך איטית שאין טעם לצלם איתה את כל שטח השבב. לכן משתמשים במיקרוסקופ אופטי, המהיר בהרבה. אבל חלק מהיתרון שלו הוא גם חיסרון: זו מערכת שלא מסוגלת לזהות בבירור פגמים (שוב, רזולוציה) – היא יכולה בעיקר לראות שינויים עדינים מאוד שעשויים להיות פגם, אבל באותה מידה יכולים להתאים להרבה שינויים בתהליך הייצור, שאינם בעייתיים מבחינת התוצר הסופי.

השילוב של האתגרים הללו הביא אותנו לפתח מערכת שמנצלת את שתי המשפחות של המיקרוסקופים: מיקרוסקופ אופטי חדש ומהיר שמסוגל לצלם את השבב תוך דקות, ומיד להעביר את הנתונים למחשב-על שינתח אותם על מנת למצוא נקודות חשודות. את הנקודות החשודות שהתגלו במיקרוסקופ האופטי שולחים למיקרוסקופ האלקטרוני, שהוא אמנם איטי יותר אך בעל יכולת לצלם ברזולוציה של ננומטר בודד, המאפשרת לזהות את הפגם ספציפי כדי להבין את המקור שלו ולקבל החלטה נכונה כיצד למנוע אותו.

תוך כדי פיתוח הגרסה החדשה של המיקרוסקופ האופטי התמודדנו עם שני אתגרים מרכזיים.

האתגר הראשון: מעניין או לא מעניין?

הפגמים שאנחנו מחפשים בשבבים הם קטנים בהרבה מהרזולוציה שמיקרוסקופ אופטי יכול לראות, כאמור. כדי להתמודד עם האתגר הזה צריך לסנן המון "רעש", ובשביל לעשות זאת ביעילות צריך לפתח מודלים של ה"רעש".

עד הגרסה האחרונה של המיקרוסקופ האופטי השתמשנו במודלים המבוססים על אלגוריתמיקה קלאסית. בגרסה החדשה הכנסנו מודלים המבוססים על AI שעזרו לנו למדוד טוב יותר את הרעש, ובכך לגלות פגמים יותר ויותר קטנים. כשהתחלנו לתכנן מערכת מבוססת AI, מצאנו שרוב העבודות שנעשות היום בתעשייה או באקדמיה פותרות בעיות מהעולם המוחשי – שבו מסתכלים על תמונה או טקסט, לדוגמה, אותם ניתן לתאר.

אצלנו הבעיה שונה, מאחר שלא ברור ברוב המקרים אם המידע הדרוש לגילוי נמצא בתמונה. בתחום שלנו אין דרך לסמן למערכת על כל התמונות מהם פגמים מעניינים או לא מעניינים, מכיוון שהם רבים וקטנים. בנוסף, לא כל שינוי שנראה בתמונה הוא בהכרח פגם, אבל כל שינוי מייצר "רעש".

למעשה, אין שני שבבים זהים כי תהליך הייצור לא מושלם, אבל זה לא מונע מהם לתפקד ולהיות תקינים. לכן שוני הוא לא בהכרח פגם. כדי לפתור את הבעיה היינו צריכים להמציא שיטות משל עצמנו או להתאים שיטות מעולמות אחרים.

כך התמודדנו: איך מגדירים מה שווה התמקדות ובחינה לעומק? איך מגדירים למערכת מה מעניין ומה לא מעניין? כדי להתמודד עם האתגר הזה שמנו דגש רב על פתרון בעיות באמצעות שימוש בשיטות למידה עמוקה לשערוך ההסתברות של המידע, ואז המשכנו לשפר את המדידה בתוספת מעט מאוד דוגמאות מעניינות שמסוגלות לעדכן את המודל.

האתגר הוא למצוא בכל פעם מחדש את מודל ה"רעש" שיתאר כמה שיותר במדויק אם שינוי מזערי של כמה רמות אפור שנקלט בגלאי הוא אכן אנומליה או סתם עוד שינוי סטנדרטי בתהליך. בשביל לקבל החלטה אופטימלית אנחנו צריכים להגדיר לכל פיקסל בתמונה מהם המשתנים הזמניים והסביבתיים שרלוונטיים לו, ואז למצוא את הקשרים המתמטיים ביניהם.

מכיוון שמדובר בכמויות אדירות של נתונים וקצבים אדירים של תעבורת מידע, עדיין יש לוודא שהפתרון הנמצא נכנס במגבלות החישוביות בזמן ועלות סבירים. למרות שהגרסה החדשה היא הרבה יותר רגישה מזו שהייתה לפניה, עדיין לא פתרנו את הבעיה הזו עד סופה וכל עוד ימשיכו לפתח את טכנולוגיות הייצור גם אנחנו נצטרך להמשיך לשפר את האלגוריתמיקה שלנו, מאחר שאנחנו עדיין רחוקים מפתרון עקרוני של הבעיה.

האתגר השני: לשמור על יעילות בלי לייקר את התהליך

המודל שפיתחנו עושה שימוש בכמויות אדירות של דאטה, והפיתוח של הגרסה הנוכחית הצריך מאיתנו תשתיות מחשוב ותוכנה שלא היו לנו. בגלל שהמערכת החדשה מבוססת AI, היינו צריכים להמציא מערכת מחשוב מקבילה לטובת האלגוריתמיקה החדשה. אחת הבעיות בעבודה עם מודל מבוסס AI היא שבדרך כלל נעשה שימוש באלגוריתמים שהם מטבעם זללנים של חישובים, ולכן היינו צריכים לייצר מערכת שתוכל להריץ חישובים אדירים בזמן קצר – מה שמצריך מערכת מחשוב מאוד חזקה – אך גם כזאת שלא תהיה יקרה משמעותית. זהו אתגר שתמיד נמצא בראש סדרי העדיפויות, אבל כשעובדים עם מודל מבוסס AI הוא מתעצם באופן משמעותי.

כך התמודדנו: במקום להחליף את כל המערכת, מה שהיה מייקר אותה בצורה משמעותית, פיתחנו מערכת מחשוב שמקבילה למערכת המחשוב הקיימת שיודעת להתלבש עליה באופן היברידי, לנצל את המידע שהיא מוציאה ואז להוסיף לה יכולות. הרעיון שהוביל אותנו (ואנחנו מצויים בשלבים של רישומו כפטנט) היה מעולמות הציתות: בנינו מערכת מחשוב שעובדת במקביל למערכת הקיימת ומצותתת לה, תוך שהיא מעבדת את כל הדאטה שהיא מקבלת בכניסה לטובת העברה למערכת הקיימת ואז ביציאה מקבלת גם את התוצאות שלה. זו מערכת היברידית שמכילה הרבה יכולות חישוב ומעבדים שמתאימים ספציפית לעבודה עם אלגוריתמים של AI.

לסיכום, כדי לאפשר את ההתקדמות הטכנולוגית בעידן שלנו, שבו בכל שנה-שנתיים יוצאים דגמים חדשים של מוצרים שונים עם מעבדים משופרים, השרשרת הטכנולוגית כולה נדרשת להשתפר כך שבצורה תמידית נמתחים גבולותיה מול המגבלות הפיזיקליות וההנדסיות האדירות עמם מתמודדת התעשייה הזאת. באותו אופן גם אנחנו צריכים כל הזמן לשפר את כל אחד ממרכיבי המערכת שלנו. לכן, אנחנו לא ממהרים לנוח ובימים אלו כבר התחלנו לעבוד על השיפור המשמעותי הבא שיאפשר את הדור הבא של המעבדים.

הכתבה בחסות אפלייד מטיריאלס

אפלייד מטיריאלס ישראל מפתחת ומייצרת מערכות מתקדמות המאפשרות ללקוחות הגלובליים של החברה לייצר שבבים באופן חכם, מהיר ויעיל יותר וכך להבטיח המשך קידמה ופריצות דרך טכנולוגיות בכל תחום בחיינו ובעתיד.
רמת התחכום והאתגר הטכנולוגי גדלים ומתפתחים כל הזמן, בהתאם לתנופה קדימה של תעשיית השבבים שהיא בין התחרותיות והתובעניות ביותר בעולם. הפתרונות של אפלייד מחייבים שילוב התמחויות בתחומי חומרה ותוכנה מגוונים בהם בינה מלאכותית, ביג דאטה, למידת מכונה, אלגוריתמים, הנדסת מערכת, פיסיקה, מכניקה, אלקטרוניקה ועוד, ועובדיה מותחים את גבולות האפשר, מידי יום.
מהנדסים מכל התחומים, א.נשים שלא חוששים מאתגר טכנולוגי ומחפשים בית אמיתי שיש בו מבחר רחב של אפשרויות קריירה,– מוזמנים.ות לשלוח קורות חיים

כתב אורח

אנחנו מארחים מפעם לפעם כותבים טכנולוגים אורחים, המפרסמים כתבות בתחומי התמחות שלהם. במידה ואתם מעוניינים לפרסם פוסט בשמכם, פנו אלינו באמצעות טופס יצירת קשר באתר.

הגב

1 תגובה על "כך פיתחנו מיקרוסקופ-על שנעזר ב-AI כדי לגלות פגמים בשבבים"

avatar
Photo and Image Files
 
 
 
Audio and Video Files
 
 
 
Other File Types
 
 
 

* היי, אנחנו אוהבים תגובות!
תיקונים, תגובות קוטלות וכמובן תגובות מפרגנות - בכיף.
חופש הביטוי הוא ערך עליון, אבל לא נוכל להשלים עם תגובות שכוללות הסתה, הוצאת דיבה, תגובות שכוללות מידע המפר את תנאי השימוש של Geektime, תגובות שחורגות מהטעם הטוב ותגובות שהן בניגוד לדין. תגובות כאלו יימחקו מייד.

סידור לפי:   חדש | ישן | הכי מדורגים
גבי
Guest

אחת החברות הישראליות שבחזית הטכנולוגיה. בזכותה כל העולם מקבל מחשבים עם צ'יפים לא תקולים במחיר נמוך. להשקיע!

wpDiscuz

תגיות לכתבה: