yieldWerx
แพลตฟอร์มวิเคราะห์ยีลด์ตั้งแต่เวเฟอร์ถึงการทดสอบผลิตภัณฑ์ ขุดหาต้นตอของของเสีย
yieldWerx เป็นแพลตฟอร์มการจัดการและวิเคราะห์ยีลด์ของเซมิคอนดักเตอร์ เก็บข้อมูลจากทุกขั้นตอน ทั้งการผลิตเวเฟอร์ probe test การประกอบ และการทดสอบขั้นสุดท้าย เข้าคลังเดียวกัน แล้วหารูปแบบของการสูญเสียยีลด์
จุดเด่นของฟีเจอร์และสถานการณ์การใช้งาน
คุณค่าหลักอยู่ที่ข้ามขั้นตอน ปัญหายีลด์ของเซมิคอนดักเตอร์มักไม่ได้อยู่ที่จุดเดียว ค่าพารามิเตอร์ตัวหนึ่งในโรงงานเวเฟอร์ที่ดริฟต์ กว่าจะปรากฏก็ตอนทดสอบขั้นสุดท้าย แต่ข้อมูลสองชุดนี้มักอยู่คนละระบบ คนละรูปแบบ หรือแม้แต่คนละบริษัท (ข้อมูลของบริษัท fabless มาจากโรงหล่อและโรงทดสอบประกอบ) ต้องร้อยเข้าด้วยกันทำการวิเคราะห์ความสัมพันธ์ ถึงจะมีโอกาสหาต้นตอที่แท้จริง
วิธี AI และสถิติรวมการวิเคราะห์เชิงพยากรณ์ที่ช่วยด้วย AI PAT (Part Average Testing คัดชิปที่ผิดปกติทางสถิติแต่ยังอยู่ในสเปก) GDBN (Good Die in Bad Neighborhood ชิปดีแต่รอบข้างเสียหมด ความน่าเชื่อถือน่าสงสัย) และการวิเคราะห์ความสัมพันธ์ เหล่านี้ล้วนเป็นวิธีจัดการยีลด์ที่เติบโตเต็มที่ในวงการ จุดสำคัญคือการรันอัตโนมัติ
ฟังก์ชันอื่นรวมแดชบอร์ดเฝ้าติดตามยีลด์และกระบวนการแบบเรียลไทม์ การตรวจจับข้อบกพร่องและวิเคราะห์ต้นตออัตโนมัติ การเทียบข้ามล็อตข้ามโรงงาน การรวมเวเฟอร์หลายมิติ เวิร์กโฟลว์และเอนจินกฎที่ปรับแต่งได้ การผสานรวมกับ MES/ERP/QMS และการติดตั้งบนคลาวด์ บนเครื่อง หรือแบบผสม
ลูกค้าครอบคลุมบริษัท fabless, IDM, โรงหล่อเวเฟอร์, โรงทดสอบประกอบ, ผู้ผลิตอุปกรณ์ทดสอบ และผู้ให้บริการวิศวกรรมผลิตภัณฑ์ พื้นที่การใช้งานตั้งแต่ออปโตอิเล็กทรอนิกส์ MicroLED, ASIC, MEMS ไปจนถึงยานยนต์และอวกาศ
บริษัท fabless ในไทยเหมาะเป็นพิเศษที่จะคิดโจทย์นี้ ข้อมูลยีลด์ของคุณกระจายอยู่ที่โรงหล่อ โรงทดสอบประกอบ และในโปรแกรมทดสอบของคุณเอง ใครมีภาพรวม
ฟีเจอร์เด่น
- ผสานรวมข้อมูลการผลิตเวเฟอร์ probe การประกอบ และการทดสอบขั้นสุดท้าย
- การวิเคราะห์ยีลด์เชิงพยากรณ์ที่ช่วยด้วย AI
- PAT, GDBN และวิธีจัดการยีลด์ของวงการอัตโนมัติ
- แดชบอร์ดเฝ้าติดตามยีลด์และกระบวนการแบบเรียลไทม์
- การเทียบข้ามล็อต ข้ามโรงงาน และการรวมเวเฟอร์หลายมิติ
- เวิร์กโฟลว์และเอนจินกฎที่ปรับแต่งได้
- ผสานรวม MES, ERP, QMS ติดตั้งบนคลาวด์/บนเครื่อง/แบบผสม
ข้อดี
- ผสานรวมข้ามขั้นตอนการผลิต หาต้นตอที่จุดเดียวมองไม่เห็นได้
- วิธีที่เติบโตเต็มที่อย่าง PAT, GDBN ทำอัตโนมัติ ไม่ต้องเขียนสคริปต์เอง
- วิธีติดตั้งยืดหยุ่น ความต้องการเก็บข้อมูลในประเทศจัดการง่าย
ข้อเสีย
- ไม่เปิดเผยราคา
- คุณค่าขึ้นกับว่าได้ข้อมูลจากฝั่งโรงหล่อและโรงทดสอบประกอบไหม ซึ่งมักเป็นปัญหาการเจรจาธุรกิจไม่ใช่ปัญหาเทคนิค
- อุตสาหกรรมนอกเซมิคอนดักเตอร์ใช้ไม่ได้
กรณีการใช้งาน
- บริษัท fabless ผสานรวมข้อมูลยีลด์ฝั่งโรงหล่อและโรงทดสอบประกอบ
- การคัดชิปผิดปกติด้วย PAT ของชิปยานยนต์
- การวิเคราะห์ต้นตอของยีลด์ที่ตกข้ามล็อต
- การติดตามการไต่ยีลด์ในช่วงนำผลิตภัณฑ์ใหม่เข้าสายการผลิต
บันทึกบรรณาธิการ
ยีลด์เป็นตัวเลขเดียวที่สำคัญจริงในอุตสาหกรรมเซมิคอนดักเตอร์ แต่ความเป็นเจ้าของข้อมูลกระจายอยู่ทั้งห่วงโซ่อุปทาน บริษัทออกแบบ IC ในไทยจริงๆ ค่อนข้างเป็นฝ่ายตั้งรับในเรื่องนี้ ชิปที่คุณจ่ายเงินทำ ข้อมูลกลับไม่ได้เป็นของคุณทั้งหมด ก่อนนำเครื่องมือประเภทนี้มาใช้ ไปอ่านเงื่อนไขข้อมูลในสัญญาให้ครบก่อน อันนั้นอาจสำคัญกว่าการเลือกเครื่องมือเสียอีก
คำถามที่พบบ่อย
บริษัท fabless ได้ข้อมูลจากโรงหล่อไหม
นี่คือปัญหาที่จริงที่สุด และมักไม่ใช่ข้อจำกัดทางเทคนิคแต่เป็นข้อตกลงทางธุรกิจ ก่อนนำมาใช้ควรยืนยันก่อนว่าเงื่อนไขการแลกเปลี่ยนข้อมูลระหว่างคุณกับโรงหล่อและโรงทดสอบประกอบครอบคลุมฟิลด์ใด ความถี่เท่าไร เครื่องมือดีแค่ไหน ไม่มีข้อมูลก็วิเคราะห์อะไรไม่ออก
PAT ต่างจากการทดสอบสเปกทั่วไปตรงไหน
การทดสอบทั่วไปคือ เกินสเปกหรือไม่ ส่วน PAT คือ เบี่ยงเบนจากการกระจายตัวเชิงสถิติของล็อตเดียวกันหรือไม่ ชิปบางตัวค่าพารามิเตอร์ทุกตัวอยู่ในสเปก แต่เป็นค่าผิดปกติชัดเจน ความน่าเชื่อถือระยะยาวต่ำกว่า ยานยนต์และอวกาศเพราะมีข้อกำหนดอัตราความล้มเหลวเข้มงวดมากจึงทำ PAT เป็นปกติ
เครื่องมือ AI ที่เกี่ยวข้อง
Motobook
เว็บไซต์ราคากลางมือสองมอเตอร์ไซค์แห่งแรกในไต้หวัน รวบรวมรถมือสองกว่า 37,000 คัน และราคาประเมินกว่า 812 รุ่น
Carbook
ระบบบันทึกราคาซื้อขายจริงรถมือสองในไต้หวัน──เช็คราคาตลาดจริง ปริมาณ และอัตราการรักษาเรทราคาจบในหน้าเดียว
實價雷達 HouseTW
เว็บไซต์ค้นหาข้อมูลราคาบ้านฟรีในไต้หวัน ที่รวมประกาศราคาซื้อขายจริง 3.49 ล้านรายการ พร้อมปักหมุดความเสี่ยงเรื่องดินเหลว รอยเลื่อน และน้ำท่วม ไว้บนแผนที่เดียวกัน
Perplexity
เครื่องมือค้นหาและตอบคำถามด้วย AI พร้อมระบุแหล่งที่มาอ้างอิง
AtScale
ชั้นความหมายทั่วไปเจ้าเก่า ให้ BI และ AI ใช้นิยามตัวชี้วัดชุดเดียวกัน
Promethium
ชั้นข้อมูลองค์กรที่ค้นข้ามระบบได้โดยตรง ให้เอเจนต์ AI ได้คำตอบที่มีบริบท