编辑 | 绿萝
目前，芯片制造遇到的瓶颈之一，是开发制造晶体管和存储单元的半导体工艺的成本不断增长。这些复杂的过程，每一个都涉及数百个步骤，仍然是由训练有素的工程师手工构思的。
计算机算法面临的挑战是，由于获取成本高，实验数据的可用性有限，因此很难形成精确到原子尺度的预测模型。
近日，来自美国芯片制造设备供应商泛林集团（Lam Research Corporation）的研究人员，通过研究贝叶斯优化算法，来探究人工智能 (AI) 如何降低开发复杂半导体芯片工艺的成本。
最新研究发现，与仅依靠人类专家相比，人类专家与计算机合作，芯片制造成本可能降低一半。
该研究的主要作者、Lam Research Corp. 执行副总裁兼首席执行官战略顾问 Richard Gottscho 说：
「虽然由于人类的专业知识和解决具有挑战性的现成问题的能力，人类仍然是必不可少的，但我们的研究结果表明，[人先机后]（human first–computer last，HF–CL）策略可以帮助解决流程开发的繁琐方面，从而大大加快加速创新，随着芯片制造商寻求克服与缩放 3D NAND、FinFETS、DRAM 和其他设备相关的挑战，其影响真的很令人兴奋。」
具体而言，研究人员创建了一个受控的虚拟过程比赛，系统地对人类和计算机在设计半导体制造过程中的表现进行了比较。研究发现人类工程师在开发的早期阶段表现出色，而算法在接近目标的严格容差时成本效益要高得多。此外，还表明，在人先机后的策略中，同时使用具有高度专业知识的人类设计师和算法，与只使用人类设计师相比，可以将目标成本降低一半。最后，研究强调了在开发半导体工艺中引入 AI 时需要解决的人类与计算机合作的文化挑战。
该研究以「Human–machine collaboration for improving semiconductor process development」为题，于 2023 年 3 月 8 日发布在《Nature》上。
芯片制造工艺繁琐，成本高
半导体芯片是 AI 系统的核心，在由纳米级晶体管和存储单元定义的数字 0 和 1 状态下运行。在硅晶圆上制造这些微型设备是一个复杂的制造过程，涉及数百个专门的工艺步骤，其中近一半需要复杂的化学等离子体工艺，例如蚀刻和沉积。
讽刺的是，开发这些支持 AI 的关键流程仍然是由人类工艺工程师利用他们的直觉和经验来完成的，并且经常转向反复试验。
AI 在许多复杂任务（例如国际象棋和围棋等棋盘游戏）中胜过人类，那么，计算机算法也可能有助于开发半导体工艺。然而，为了在棋盘游戏中打败人，计算机接受了大量廉价数据的训练。相比之下，生成半导体工艺数据的成本很高。由于材料、设备和分析工具的成本，单个实验的成本可能超过 1000 美元。
半导体实验的高成本，意味着工程师通常通过测试大约一百种不同的参数组合或「配方」来开发半导体工艺——例如，等离子压力和晶圆温度，用于制造设备的机器。这种有限的数据使得研究人员很难创建精确到原子尺度的预测模型。
在此，研究人员研究了 AI 如何降低开发半导体工艺的成本。具体来说，研究人员探索了基于贝叶斯优化算法，这种方法中，先验知识有助于计算一个不确定选择可能正确的几率。当数据稀缺时，贝叶斯优化算法可以证明是有效的。
虚拟过程比赛
为了研究机器在这项任务上是否比人类做得更好，科学家们创造了一种方法来系统地对彼此的表现进行基准测试。受国际象棋和围棋计算机进步的启发，该研究的主要作者、Lam Research 的技术总经理 Keren Kanarik 建议开发一款比赛作为比较试验台。
比赛是在模拟实验室的虚拟环境中进行的。该研究的案例研究过程是二氧化硅薄膜中高纵横比孔的单步等离子蚀刻，这是用于制造半导体芯片的许多蚀刻步骤之一。
图 1：比赛中使用的虚拟过程示意图。（来源：论文）
与在实验室中一样，该比赛的目标是，最大限度地降低找到能够生产满足目标输出指标的配方的成本。
玩家是三个计算机算法（三种不同的贝叶斯优化方法）；三名具有博士学位的人类高级工程师，每名工程师均具有七年以上的经验；三名拥有博士学位的人类初级工程师，每人的工作经验都不到一年；和三名对半导体工艺一无所知的人类志愿者。在每一轮结束时，玩家提交一批一个或多个配方。每个配方的晶圆和测量成本为 1,000 美元，每个批次的工具操作成本为 1,000 美元。
最好的玩家是一名人类高级工程师，他在总成本为 105,000 美元后制作了所要求的记忆孔。在 300 次计算机尝试中，只有 13 次（不到 5%）击败了这位人类专家。
总而言之，仅靠算法就无法赢得与人类专家的竞争。科学家们发现，要取得相同的进展，人类高级工程师所需的成本大约是人类初级工程师的一半。
图 2：人类工程师的比赛轨迹。（来源：论文）
人先机后，成本减半
研究人员发现每个人类工程师的工作分为两个阶段。在最初的粗调阶段，他们表现出快速的改进，以达到目标，在后期的微调阶段，他们进展缓慢，同时达到所有预期目标。
研究人员表示，计算机算法之所以失败，是因为它们缺乏专业知识，因此浪费了探索大量可能性的实验。因此，研究人员测试了一种策略，在这种策略中，让最好的玩家在「人先机后」的场景中指导算法。
图 3：使用 HF–CL 策略的目标成本。（来源：论文）
研究发现这种混合方法仅需 52,000 美元即可达到目标，仅是人类专家成本的一半。
这项新研究表明，人类工程师可能会在粗调的早期阶段表现出色，因为他们可以利用自己的经验和直觉。在努力达到精确目标的后期微调阶段，计算机算法可能会证明更具成本效益。
机遇与挑战
AI 在流程工程中的应用仍处于起步阶段。在可预见的未来，人类的专业知识仍然是必不可少的，因为领域知识在流程开发的早期阶段仍然不可或缺。
HF-CL 策略的成功表明，正如在以前的自动化应用中一样，人类很快就会从流程开发的繁琐方面中解脱出来。将来，可以通过将领域知识编码到算法中来增强计算机算法的能力。
总而言之，尽管仅靠计算机算法就可以通过使用大量数据独立开发流程，但它们无法以低于人类基准的成本实现目标。只有与专家合作，算法才能成功。
这项研究的结果指出了一条通过结合人类和计算机优势来大幅降低目标成本的途径。
在人类与计算机合作方面也可能存在文化挑战。例如，该研究发现，虽然人类工程师经常只在实验之间改变一两个参数，但计算机可能会在没有解释的情况下改变更多，而人类可能会发现很难接受他们不理解的配方。
论文链接：https://www.nature.com/articles/s41586-023-05773-7
参考内容：https://spectrum.ieee.org/chip-design
