Dal possesso diffuso di smartphone all'ascesa dell'AI, del 5G e delle auto a guida autonoma, è ormai chiaro che il mondo sta entrando sempre più nell'era della connessione digitale. E i semiconduttori sono le fondamenta su cui di basa ogni cosa.

Data la rapida crescita dell'infrastruttura digitale, non sorprende che le aziende che producono semiconduttori - quelle che si trovano al livello base dell'ecosistema digitale - debbano affrontare una serie di sfide competitive in continua evoluzione. Alcuni sono familiari, come la continua pressione per migliorare le prestazioni del chip. Oggi tuttavia, i produttori di chip devono anche affrontare una serie di requisiti competitivi in continua evoluzione, che hanno molto a che fare con i processi che seguono, a cominciare dalla progettazione.

Nel regno della produzione di chip, il packaging - il modo in cui le parti di un semiconduttore vengono assemblate per l'uso in un dispositivo - è sempre stato fondamentale. Oggi, tuttavia, la questione del packaging è diventata un importante fattore di differenziazione competitivo che incide su potenza, prestazioni e funzionalità dei chip, per non parlare del loro costo.

Cosa significa questo per i processi? Con strutture di packaging che diventano sempre più complesse, l'intero ciclo - dallo sviluppo alla creazione di prototipi, fino alla fase di test - si è notevolmente allungato. Nel processo di produzione, il passaggio dalla progettazione al prodotto finito richiede la giusta serie di istruzioni altamente dettagliate su più di 100 parametri, con un margine di errore minimo o nullo.

Con i metodi convenzionali, i produttori di chip sono costretti ad effettuare una serie di aggiustamenti incrementali per identificare la "ricetta" ottimale. Oltre all'enorme onere per i "cuochi" in questa equazione - gli ingegneri di sviluppo - il sottoprodotto di questo approccio per tentativi ed errori è un aumento degli sprechi e una minore resa di produzione.

Riduce il ciclo di sviluppo del

30%

riducendo al minimo il numero di tentativi ed errori nella formulazione della ricetta

Riduce i costi di manutenzione delle apparecchiature per i clienti produttori di semiconduttori del

50%

attraverso l'ottimizzazione basata sui dati

Aziende come Panasonic Connect - attraverso la Process Automation Business Division - esistono per aiutare i produttori di semiconduttori ad affrontare queste sfide di processo, ottimizzare i processi produttivi e offrire prodotti di alta qualità. Con 30 anni di esperienza nella fornitura di apparecchiature di produzione specializzate ai produttori di chip, Panasonic ha riconosciuto di essere in una posizione privilegiata per aiutarli ad adattarsi alle nuove tendenze di packaging dei semiconduttori.

Secondo Mitsuru Hiroshima, Director of the Semiconductor Process Business Group, è stata di particolare interesse l'opportunità di infondere l'analytics avanzata nelle proprie soluzioni di apparecchiature per consentire risultati davvero rivoluzionari per i suoi clienti di produzione. "Il punto centrale della nostra visione era l'idea che la combinazione di deep learning e automazione potesse portare le operazioni di progettazione e produzione ad un livello di ottimizzazione completamente nuovo", afferma.

All'epoca, nel 2019, Hiroshima e il suo team sapevano che la realizzazione di questa visione - trasformandola in una soluzione concreta da immettere sul mercato - avrebbe richiesto all'azienda di ampliare le proprie competenze di apparecchiature principali. "Stavamo cercando di collaborare con un [vendor] che potesse portare una profonda esperienza nei processi di settore, insieme a un portfolio di tecnologie analytics avanzate in aree come l'AI e il deep learning", spiega Hiroshima. "IBM si è proposta come l'unico provider che poteva portare forza in entrambi questi domini critici".

Tecnico Panasonic che lavora a un computer

Algoritmi di machine learning e la ricetta ottimale

Il team assemblato da IBM per il progetto comprendeva esperti di AI e deep learning di IBM® Research ed esperti di processo e consulenti del settore di IBM® Consulting. Nei primi intensi mesi di attività, i team IBM e Panasonic hanno collaborato per identificare e perfezionare le opportunità di soluzioni. IBM ha applicato la metodologia IBM® Garage - portando il personale IT e delle operazioni in una collaborazione iterativa, ad alto impatto - per impostare il tono per la collaborazione, individuare l'obiettivo generale e collaborare per creare soluzioni.

Sulla base delle sfide e di una valutazione del time-to-value più rapido, il team congiunto ha definito due soluzioni di controllo di processo che sono emerse come le prime offerte di fabbrica intelligente di Panasonic. La prima soluzione prevedeva la creazione di una macchina per dicing al plasma avanzata automatizzando completamente la generazione della ricetta.

Macchina per wafer di silicio Panasonic in produzione

Il packaging al plasma è un po' come la magia. Per un ingegnere che cerca di trovare la giusta ricetta al plasma, il risultato finale deve essere un wafer con schemi di taglio precisi. Questo significa prendere la giusta combinazione di decisioni su variabili come pressione e potenza del vuoto, energia degli elettroni, energie e gas ionici, solo per citarne alcune.

Per sviluppare la soluzione proof-of-concept, il team IBM Research ha sviluppato algoritmi di deep learning che, attraverso un numero enorme di calcoli, hanno consentito agli ingegneri di ricavare rapidamente la combinazione ottimale di punti variabili. "Invece di affidarsi all'intuizione o all'approccio per tentativi ed errori", spiega Hiroshima, "gli ingegneri dispongono di un'interfaccia visiva intuitiva [progettata da IBM Consulting] in grado di simulare il processo con precisione e in pochi secondi."

La seconda proof of concept creata in collaborazione dal team ha affrontato un altro punto debole: la necessità di ottimizzare le prestazioni delle macchine pulitrici al plasma attraverso pratiche di manutenzione più intelligenti e basate sui dati. "Invece delle ricette, l'applicazione di pulizia del plasma utilizza calcoli avanzati per identificare il momento ottimale per eseguire la pulizia e la manutenzione", afferma Hiroshima. "Se l'operazione viene eseguita troppo presto crea costi inutili, mentre se viene eseguita troppo tardi si rischiano una scarsa qualità e anche guasti alla macchina."

Come la soluzione di dicing, l'applicazione dello stato della macchina è gestita da algoritmi sviluppati da IBM Research. Utilizzando i dati dei sensori montati sulla macchina, l'applicazione correla le variazioni nell'efficienza operativa della macchina con le condizioni di varie parti della macchina. L'output visivo altamente intuitivo, osserva Hiroshima, è come una lista dei desideri per i tecnici sovraccaricati. "I tecnici della fabbrica ricevono un avviso, ad esempio, che indica che un particolare pulitore al plasma tra molti sta funzionando a un livello non ottimale e che la causa più probabile è della polvere sull'elettrodo", afferma. "Questo insight consente ai tecnici di intraprendere azioni correttive che mantengono un'elevata qualità e riducono al minimo le interruzioni della produzione".

Sulla strada verso la produzione autonoma in fabbrica

Per Hiroshi Benno, Manager di Product Marketing per la Process Automation Business Division e figura chiave nello sforzo di sviluppo, entrambe le applicazioni dimostrano come la potente analytics nella linea di produzione abbia il potenziale per trasformare il modo in cui vengono progettati e prodotti i chip. "Nei rigorosi test e simulazioni che abbiamo eseguito, la soluzione di taglio al plasma ha ridotto il ciclo di sviluppo fino al 30%", afferma Benno. "Il ciclo ridotto riflette il modo in cui l'analytics basata sull'AI consente agli ingegneri di aggirare gran parte dei tentativi ed errori nella formulazione della ricetta al plasma ottimale." Inoltre, l'ottimizzazione basata sull'AI ha anche ridotto significativamente gli sprechi generati dal processo.

Come è stato progettato, l'applicazione di pulizia al plasma di Panasonic ha mostrato come gli insight del machine learning possono fornire le basi per un approccio completamente nuovo e basato sui dati alle decisioni di manutenzione delle apparecchiature. I test hanno dimostrato che l'applicazione ha il potenziale - grazie a una combinazione di manutenzione meno superflua, ordinazione proattiva delle parti e minori interruzioni delle macchine - di ridurre del 50% i costi di manutenzione per i clienti di produzione.

Mentre Panasonic si prepara a portare queste nuove soluzioni sul mercato, queste metriche contengono un messaggio potente: che l'AI nella linea di produzione dei semiconduttori è pronta a fornire l'ottimizzazione della progettazione e della produzione. E che adottando queste pratiche, i produttori di chip possono soddisfare meglio le crescenti richieste del mercato globale ipercompetitivo di oggi.

Secondo Hiroshima, il lavoro di Panasonic con IBM finora ha anche fatto progredire in modo decisivo il percorso verso la sua visione a lungo termine. "Abbiamo dimostrato che, analizzando i dati sullo stato delle singole macchine all'edge, abbiamo creato le basi per apparecchiature di produzione autonome, in cui la macchina opera in condizioni ottimali", spiega. “Il prossimo passo in questa progressione consiste nell'integrazione di più macchine nel cloud per consentire la produzione autonoma a livello di fabbrica. Questo gruppo di macchine altamente autonome - la fabbrica autonoma - è la forma ultima di assistenza che perseguiamo. In questo modo, una collaborazione con IBM che trascenda i confini di un'azienda può fare un grande passo in quella direzione. Innoveremo al di là delle idee e dei processi esistenti."

Logo Panasonic Connect

Informazioni su Panasonic Connect

Con sede a Osaka, in Giappone, Panasonic Connect (link esterno a ibm.com) è un'unità di Panasonic Holdings Corporation incentrata sulla trasformazione digitale. La Process Automation Business Division dell'azienda fornisce apparecchiature, software e servizi a clienti produttori di tutto il mondo.

Componenti della soluzione

IBM® Consulting
IBM® Research

© Copyright IBM Corporation 2022. IBM Corporation, New Orchard Road, Armonk, NY 10504

Prodotto negli Stati Uniti d'America, ottobre 2022.

IBM, il logo IBM, ibm.com, IBM Consulting e IBM Research sono marchi di International Business Machines Corp., registrati in molte giurisdizioni in tutto il mondo. Altri nomi di servizi o prodotti possono essere marchi di IBM o di altre società. Un elenco aggiornato dei marchi IBM è disponibile sul web all'indirizzo www.ibm.com/legal/copytrade.

Questo documento è aggiornato alla data iniziale della pubblicazione e può essere modificato da IBM senza necessità di preavviso. Non tutte le offerte sono disponibili in ogni paese in cui opera IBM.

I dati relativi alle prestazioni e gli esempi relativi ai clienti, citati nel presente documento, vengono presentati a scopo meramente esplicativo. Le prestazioni reali possono variare a seconda delle specifiche configurazioni e condizioni operative. LE INFORMAZIONI CONTENUTE IN QUESTO DOCUMENTO SONO FORNITE NELLO STATO IN CUI SI TROVANO, SENZA ALCUNA GARANZIA, ESPRESSA O IMPLICITA, INCLUSE, A TITOLO DI ESEMPIO, GARANZIE IMPLICITE DI COMMERCIABILITÀ E DI IDONEITÀ PER UNO SCOPO SPECIFICO E DI NON VIOLAZIONE. I prodotti IBM sono garantiti secondo i termini e le condizioni dei contratti che ne regolano la fornitura.