本文出自

哈佛教你精通大數據

哈佛教你精通大數據

台積電以大數據提升製造智慧

簡禎富 簡禎富
瀏覽人數:23051
半導體產業的決勝關鍵,在於搶先對手導入新世代製程量產,以享受隨之而來的經濟效益和技術價值。台積電是全球半導體製造龍頭,它的製程快速量產能力持續領先群雄,大數據分析是其中的關鍵之一。清華大學講座教授簡禎富在過去十幾年來一直和台積電有密切的產學合作研究,並深入參與各項專案,藉由資料挖礦(Data Mining)與大數據分析技術,協助台積電提升良率和製造智慧;並曾在2005 到2008 年,成為第一位借調至台積電的國內學者,協助創造具體產業效益。《哈佛商業評論》全球繁體中文版特別邀請簡禎富教授分享與台積電在大數據分析的合作案例,以及他對大數據分析的洞察。

半導體產業發展至今已超過五十年,隨著應用愈來愈廣泛,人類對電子產品的依賴程度也愈來愈深,使得半導體產業的角色日趨重要。英特爾(Intel)的共同創辦人高登.摩爾(Gordon Moore),在1965年提出摩爾定律(Moore''s Law),認為製程技術的進步,每12 個月就能在相同單位面積的晶圓(wafer)中,放入加倍數量的電晶體(transistors)。發展至今,半導體元件不斷地微縮,線寬已經進入16 奈米,一顆如指甲大小的積體電路(IC)就可以放進超過十億個電晶體,其中的線路比人頭髮的十分之一還要細。

積體電路的製造,是要將設計的電路布局,經由反覆地曝光、顯影、離子植入、蝕刻等幾百道迴流的複雜製造程序,和超過一個月以上的生產週期時間,直到把多達三十層以上的每一層電路,都準確成形於一片片如圓餅般的薄片晶圓上,最後經過後段的封裝測試而成為一顆顆晶片(Chips),有賴先進的微影技術、腦力密集的尖端人才,以及非常昂貴的精密設備。

半導體進入奈米製程世代之後,製程更複雜冗長、影響變數更多、製程技術門檻又愈來愈高,研發成本與產能資本支出形成雙重負擔,生產過程中稍有不慎或異常,就可能造成良率損失甚至產品報廢。另一方面,隨著IC 產品的多樣化、生命週期愈 愈短,如何藉助大數據分析,以快速提升奈米製程良率,已成為國際半導體大廠的競爭策略。

學以致用,開拓產學合作契機

1996 年,我從美國威斯康辛大學麥迪遜分校取得決策科學與作業研究博士(副修統計),返回清華大學任教,並成立決策分析研究室。我希望能結合理論與實務的理念,深耕高科技產業的大數據分析與數位決策技術,透過產學合作研究,解決台灣高科技製造業面臨的問題,也培養能解決實際問題的人才。因此,與台積電、旺宏、聯發科、創意電子、台達電、廣達電腦、晶電、采鈺、茂迪等公司合作,建立雙贏的產學合作機制,做到理論研究經的起嚴格的學術檢驗,而實際效益能夠達到合作廠商的產業化要求。

首先,我們應用資料挖礦和決策分析方法研究半導體良率提升的問題,針對低良率的晶圓進行分類,再挖掘造成低良率的製程、產品類別、設備、時間等可能的原因,發展分析模式,並結合演算法、資訊科技與圖形使用者介面,成為「良率提升系統」台積電 以大數據提升製造智慧(Yield Enhancement System, YES)的核心。

另一方面,也發現一般思考良率的提升,只著重在解決製程和設備異常的問題,但「良率」的本質應該是在一片晶圓上產出最多可賣錢的晶粒。因此,發展「綜合晶圓效益」(Overall Wafer Effectiveness,OWE)指標架構,並提出利用資料分析,以改變晶粒排列方式提升晶圓良率的創新想法。因此,使OWE 成為半導體產業標準之一,也就是由晶粒有效產出來評估效益,並引導改善方向,改變一般生產效益由機台角度出發,卻因為產品組合不同導致生產力未必能夠因此提高的限制。我們利用資料挖礦整理最佳化晶圓產出的IC 尺寸設計指引(Gross DieAdvisor),使工程師不論經驗多寡都可以迅速地決定晶圓曝光的最佳配置方式,並有效證明可以增加晶粒產出、提升工作效率和設備效益,並減少客戶抱怨,平均效益估計每年可達新台幣4.25 億元,這項技術已經導入台積電8 吋及12 吋廠,以提供其客戶。

擔任台積電製造技術顧問

2003 年起,我應邀擔任台積電製造技術中心製造技術委員會的資深顧問,成為該委員會唯一外部委員。台積電著名的知識管理,主要是透過各種技術委員會做為跨廠區單位的知識分享與標竿學習平台。然而,製造管理和其他結構化的製程技術不同的是,在某個廠區最佳的製造管理實務(Best Practice)並不一定能直接應用在其他地方,我從參加相關會議和旁觀領域專家的討論中,將複雜的實際問題架構成數學模式,並建立可以隨時空環境轉換的決策分析模式,並導入資料挖礦降低生產週期時間(cycle time)以提升生產力的方法。

半導體進入消費電子時代之後,產品價值隨著時間快速折舊,因此上市時間和生產週期時間的縮短極為重要。另一方面,由於半導體的生產模式相當複雜,所以傳統生產管理理論僅能處理小範圍的工作站,我們利用半導體製造的巨量資料,分析影響在製品水位和線上等候時間的影響因子,以找出每個工作站線上在製品的理想水位和產出關係,透過宏觀調控機制以維持生產系統的平衡與加工流程的順暢,有效

地降低生產週期時間。相關成果榮獲美國電機電子工程師學會年度最佳論文(IEEE TASE 2011 Best Paper)。

台積電用大數據提升良率

台積電曾把晶圓廠自動化的發展,分為擬人化、無人化、超人化三個階段。也就是說,一開始是用電腦和設備學習人的做法,接下來是將機械性的工作自動化以取代人,最後則是發展一個集結眾人智慧的製造系統。讓系統不僅能自動化,還能「智能化」地知道如何判斷和決策,而超越一般人的能力。這不僅是未來趨勢,也是一項極大的挑戰。

半導體奈米製程的技術難度和變異有增無減,完全自動化的12 吋晶圓廠月產能超過十萬片,線上同時用十幾種製程配方參數(recipe)生產各種產品,每片晶圓要經過數百道到上千道反覆循環的製造程序,每個工作站有幾個到幾十個精密的反應室(chamber)可以選擇、生產過程中可以隨著時間讀取幾萬種即時監控資料、近萬個線上抽樣檢測的量測值(metrology),以及幾百種在一片晶圓上不同位置測量的電性測試參數,再加上積體電路複雜的生產模式,使得資料除了具有大數據常見的4V 特性,也就是大量(Volume)、多樣(Variety)、快速變動(Velocity)以及真實性(Veracity)等之外,還有資料主效應不明顯、資料分布不均衡、前後製程的交互作用複雜等挑戰。另一方面,隨著半導體製程持續微縮挑戰物理極限,允差(編按:對指定量量值的限定範圍或允許範圍)也不斷緊縮,使得即使是資深工程師也很難單憑專業知識和經驗,或傳統的統計分析方法,從大數據中迅速找出製程異常的原因。儘管商用的統計軟體逐漸可以支援大數據分析,但由於缺乏針對半導體產業需求和特性的應用模組,影響了一般工程師的使用意願。

2011 年起,台積電推動既有的工程資料分析(Engineering Data Analysis)系統的升級改版計畫,雖然有國外顧問公司爭取合作開發,但台積電作為產業龍頭,面對的是最先進的問題,為了避免將來開發的分析訣竅有可能外溢的風險,因此委託我們執行「製造智慧以協助先進奈米製程提升良率」的產學合作計畫,並展開為六個子計畫,分別與各相關部門協同開發。能創造具體產業價值的專業分析技術,加上長期合作的信賴關係和使命必達的配合度,是我們團隊能與台積電長期合作的主要原因。儘管長期從事半導體資料挖礦和良率提升的相關研究,但我很快就發現,過去使用的方法和技術已不再能應付現今半導體大數據分析的難題。半導體資料的分析難度就在於,台積電 以大數據提升製造智慧半導體製造各階段中產生的資料,具有密切的關聯性,因此,必須考慮資料的時間性、群集性、連動性,再結合我們團隊發展的理論方法,而不是濫用電腦計算能力,而「瞎子摸象」似地作資料撈取(Datadredging),由於我們一直是「撩落去」去處理大數據,已從實戰中學習到扎實的資料準備技巧和分析技術,因此,對特殊資料的處理方式與分析架構等有深入的體會和見解,能進一步透過大數據分析技術,將自動累積的大數據轉成有價值的資訊,再結合決策者的經驗與能力,成為企業專屬的製造智慧。

為了達成奈米新製程良率提升的任務,除了投入決策分析研究室原有人力外,我還緊急招募五個博士後研究員,包括跨領域的生物資訊領域人才,其中有些人也因此在計畫結束後,轉換領域,加入台積電大數據分析的相關部門。透過與台積電合作開發單位和領域專家的密切合作,結合理論與領域知識作全面性的資料分析,以建立對複雜半導體製造系統的了解與掌握,整合大數據分析、資料挖礦、圖形化技術、和決策分析等方法及資訊系統,發展適合半導體資料特性之資料挖礦架構與演算法,終於成功發展多變量事故分析和診斷等不同分析技術模組,縮短使用者的學習曲線,輔助工程師進行後續的資料分析等專業判斷,大幅提升工程師的決策品質,加速良率提升。

資料導向創新,決策流程再造

決策是管理的核心,可以從企業的組織、決策者以及輔助決策的工具等三個維度來思考。隨著企業營運環境的快速變動,為維持競爭優勢,單憑直覺和經驗進行決策在大數據時代已不足夠,決策者就必須快而準地進行決策,可藉由資料導向創新和各種資訊系統的輔助,才能精確、快速且系統化地進行複雜的分析評估,以因應不斷的新挑戰。我們也曾接受台積電人力資源管理組織委託,從分析人力資源資料中,挖掘出員工屬性及其工作績效的關聯,找出各單位高績效工作人員的特質,發現頂尖學校科系畢業的人才,不見得在每個工作領域都有最佳表現,革新了許多過往對人力招募的既定概念與做法,進一步發展出更符合企業需求的招募規則。所以企業應該打破迷思,找到最適合公司文化和工作職能的人才,做到適才適所,才能有效改善人員流動率。

2005 年起,借調擔任台積電工業工程處副處長三年期間,我引進決策分析方法,以「軍機處」為定台積電 以大數據提升製造智慧位,用「兵、馬、錢、糧」對應至人力、設備、資本及訂單等企業營運資源,積極促進組織變革與決策流程再造,並推動「IE 十大建設」來發展相關分析技術和決策支援系統,提升資源運籌與經營績效,並將工業工程處轉型為「營運資源規畫處」。

隨著半導體產業進入大者恆大的競爭賽局,建造一座12 吋廠至少投資四十億美元以上,其中超過六成的資金都用於購買機台。半導體產業進入門檻高退出門檻也高,一次的投資還不夠,在製程技術持續演進與產品的更迭下,必須每年更換或升級相關設備,才足以維持競爭力。然而,半導體產能建置擴充前置時間長,加上需求變動大、不確定性高等因素,都造成產能規畫的困難。

換句話說,半導體廠的產能規畫決策,往往必須在需求高度不確定下進行。因此,利用大數據分析技術,我們整合產品生命週期與技術擴散理論,檢驗產業環境的實際影響因子,發展考慮多世代技術擴散、技術替代、重複購買、價格、市場成長率和季節等因素的「產品生命週期和資料挖礦的需求估計技術」,並建立一個可隨著時間推移,而調整和更新需求預估模型的機制,作為預測未來需求,以輔助制定中長程產能策略的依據,並結合最小化最大可能後悔(mini-max regret)的賽局策略,動態調整產能規畫,避免產能不足或產能供過於求的風險和產能建置追高殺低的決策陷阱,以提升資本報酬及整體獲利。因此,受台積電推薦榮獲經濟部大學產業經濟貢獻獎。

IC 產業同盟,促進供應鏈垂直整合

2012 年起,我擔任國科會「IC 產業同盟」計畫暨「清華─台積電卓越製造中心」總主持人,希望將研究團隊 積多年的實證研究成果和分析技術,擴散到半導體供應鏈上下游,並能整合相關需求結合軟硬體開創新局,累積「問題點」的突破,擴大為「系統面」的大數據分析架構與半導體製造智慧解決方案,協助台灣高科技產業建立能同時兼顧生產效率和良率的「製造智慧」的系統平台,並促進半導體供應鏈廠商的「虛擬垂直整合」,協助台灣以水平分工為主的產業結構,力抗垂直整合為主的國外半導體廠商,以在大數據時代中保持競爭力,避免在知識密集的尖端設備和製程技術競賽中敗陣。

台灣由於缺乏先進半導體機台設備製造商,使得台灣半導體廠改進生產流程,和提升良率的許多參台積電以大數據提升製造智慧數設定和調整,往往在國外設備廠商進行保養時就可以發覺,而有可能外流給設備商的其他客戶,無形中助長了潛在對手跟進的競爭力。透過結合資訊系統和大數據分析打造的製造智慧平台,可以將公司累積的分析知識和重要訣竅,儲存在內部的雲端知識系統,避免流失的風險,使產品良率、產能利用率、生產效率、機台妥善率等得到驚人提升。

大數據分析以提升台灣高科技產業的製造智慧,是台灣半導體產業未來能否持續領先的關鍵,也是「IC 產業同盟」努力的目標。台灣高科技產業在自動化製造和檢測過程中,累積了大數據,由於資料的變動性、這些資料若未能即時有效分析,只是花錢買設備系統儲存而未善加利用,不僅不能成為資產,反而是企業的負債。所以,若能導入大數據分析技術,從中挖掘潛在有用的資訊,是料敵機先的制勝關鍵。

數位決策時代,人人都是決策者自動化技術和機械人的發展使無人工廠愈來愈可能成真,大數據分析更創造了智慧工廠的未來。

根據 IBM 的研究顯示,商業分析與最佳化(BusinessAnalysis Optimization, BAO)能協助企業決策者,更系統化地分析複雜資料、找出最佳方案,提升資源運用的效益,讓高階主管有更多時間和充分的資訊,來規畫策略和思考決策,是未來企業經營的核心能力。

過去的觀念認為,決策是高層主管的工作,基層員工只需執行即可。但公司的組織架構,應該是要協助組織做出比競爭對手 好、 快的決策,在網路時代,如果所有人都要坐等高階主管下決策後才開始行動,反應速度肯定來不及。所以,層級分明的官僚結構已不符合現今產業的需求。在大數據時代,每人每

天都接收到大量的資訊,企業決策者的角色和定位必須改變,需要進行決策流程再造。卓越企業應該是「決策型組織」(Decision Organization),使「人人都是決策者」,來提升決策反應的速度和品質。高階主管要能適當授權,轉而成為制訂策略、維持價值和整合決策資訊的領導人,讓第一線接觸資料的員工,能藉助大數據分析工具即時做適當的判斷,透過層級分析出每個人的關鍵績效指標和決策所有權。釐清權責,使很多事情能在第一時間處理,才能因應網路時代的快速競爭,掌握決策契機。



簡禎富 簡禎富

現為清華講座教授及科技部「IC 產業同盟」計畫暨「清華─台積電卓越製造中心」主持人,發表超過120 篇學術期刊論文、獲得八項半導體製造發明專利,著有《決策分析與管理》、《半導體製造技術與管理》及《資料挖礦與大數據分析》等書,並為哈佛商學院撰寫台積電、聯發科等九篇管理個案。榮獲行政院國家品質獎、國科會傑出研究獎、經濟部大學產業經濟貢獻獎、教育部產學合作研究獎等殊榮,也是國科會《學與致用》的九個標竿之一。


本篇文章主題資訊科技