股票
板块
用户
资讯
首页
天眼
自选
发现
开户
首页
天眼
自选
发现
我的

五天变半天!中新赛克以 AI 破解 MEMS 芯片制造工艺漂移溯源难题

一块MEMS芯片从晶圆制造到封装测试,历经数十道工序,每道工序的测试数据以TB级增长。当某批次良率出现异常波动时,质量工程师需要从成百上千个参数维度中逐一排查。一位资深工程师曾耗时五天,翻遍十几个工序的测试日志,才锁定导致Bin分类偏移的根因——某温度补偿参数在第三周出现了0.3%的渐进性漂移。

这家企业是中国最早的MEMS传感器本土企业之一,科创板上市,具备从芯片设计到封装测试的全流程IDM能力。随着产能持续扩张,TB级测试数据与有限的质量分析人力之间的矛盾日益尖锐。该企业选择与中新赛克携手,以中新赛克AI-WorkForce为底座,打造"质检分身"——一个能实时诊断、自主进化的AI质量分析智能体。

▲ 芯片制造车间概念图

01

两百条规则,从脑子里搬进模型里

一位在产线干了十五年的质量工程师退休后,接任者面对密密麻麻的测试数据无从下手。老师傅脑子里存着两百多条判读规则——哪些参数组合意味着晶圆边缘缺陷,哪些波动模式预示封装应力异常,这些经验从未被系统性记录。

中新赛克团队的第一步,是将隐性经验显性化。通过多源数据治理,将散落在MES、CP测试机台、良率管理系统中的数据归集、清洗、对齐,构建统一质量数据资产库。在此之上,利用RAG(检索增强生成)技术,将两百多条判读规则、历史缺陷案例、工艺标准转化为模型可理解的知识,再通过SFT(监督微调)让模型习得判读逻辑。

关键在于,这些规则不是被简单写入规则引擎,而是被转化为模型权重——系统能够基于上下文动态推理,而非机械匹配。两百条判读规则从老师傅的脑中迁移到模型权重里,经验从此不再随人员流动而流失。


02

三层穿透:让0.3%的漂移在第一周现形

传统质检依赖固定阈值——参数超出设定范围即报警。问题在于,芯片制造中的很多缺陷并非突变,而是渐进性漂移:某个温度补偿参数每周偏移0.05%,连续数周累积到0.3%才触发报警,此时异常已扩散到多个批次。

"质检分身"核心能力分为三层

第一层 · 离散点判断
AI实时监控每颗芯片关键参数,基于历史数据建立动态基线,采用SPC统计过程控制计算置信区间——0.3%的漂移在第一周就会被捕捉到。

第二层 · Bin分类分析
AI自动对芯片进行Bin分布统计与异常归类,识别异常Bin并关联到对应工序。

第三层 · 根因分析
基于Agentic RAG架构,AI自主拆解复杂质量问题,多步骤检索历史案例与工艺文档,逐步推理出完整根因链路,每条结论附带数据来源链接,确保可追溯。

工程师只需描述现象——"某批次CP测试Bin3占比异常升高"——AI便能在数秒内完成多维交叉分析,直接给出可能的根因方向。


03

越用越准:工程师的每次修正都在训练AI

上线三个月后,AI根因分析建议被采纳比例

60%→85%以上

这并非模型自身变聪明了,而是系统内置了反馈驱动的持续进化机制。当AI输出诊断结果后,工程师对结论进行确认或修正。每一次反馈通过RLHF(人类反馈强化学习)回传至模型训练管线,调整参数组合的权重分配。同时,新发现的缺陷模式、新判读规则持续纳入RAG知识库,实时检索调用。系统不是部署即定型的静态工具,而是随使用不断进化——产线上每出现一个新问题,AI的诊断能力就扩展一分。

▲ 质检分身智能体架构

04

让AI长在质检流程里

"质检分身"的构建并非另起炉灶。中新赛克AI-WorkForce以轻量化嵌入方式,将智能体无缝接入企业现有的MES和良率管理系统,工程师在熟悉的工作界面中即可调用AI能力。

业务助手

AI辅助数据检索、异常初筛、报告草拟
人做决策

数字员工

AI自主执行从监控到根因推送全流程
人负责监督修正

回到开头那个场景:一位资深工程师耗时五天才找到的温度补偿参数漂移问题,"质检分身"在半天内定位并推送预警。这不是实验项目,而是每天都在产线上运转的日常工作。



??欢迎致电 400-100-8102 转 1

咨询 中新赛克 AI-WorkForce




SINOVATIO

推/荐/阅/读



南京市市长李忠军莅临中新赛克调研指导

点击阅读

今天,中新赛克在上海,让AI融入制造业

点击阅读

DATA+AI战略首发:中新赛克让 AI 真正扎根业务一线创造价值

点击阅读



原文链接
多空观点 观点仅供交流,不构成投资建议
点赞
踩一踩
收藏
分享

评论 (0)

0/200
声明:社区内容仅代表用户个人观点,不构成任何投资建议。投资有风险,入市需谨慎。