Планирование мощности в полупроводниковом производстве: встреча коротких циклов продукции

Прогнозирование спроса с помощью машинного обучения

Традиционные методы прогнозирования, основанные на скользящих средних или линейной регрессии, недостаточны, когда циклы продуктов измеряются в месяцах. Ведущие фабы используют модели машинного обучения, которые потребляют десятки сигналов: исторические заказы, макроэкономические показатели, данные о выигрыше в дизайне клиентов, даже данные социальных сетей вокруг новых смартфонов. Эти модели генерируют вероятностные прогнозы (например, «70% вероятность того, что спрос на чип X упадет между 8000 и 12000 пластин в месяц в 3 квартале»), а не единую точечную оценку. Планировщики мощности затем используют эти диапазоны для размера буферов емкости.

Хорошим примером является подход, используемый системой управления пропускной способностью TSMC, которая постоянно обновляет свой производственный план на основе видимости заказов в режиме реального времени и окон клиентов. Хотя детали являются собственностью, отраслевые анализы показывают, что прогнозирование на основе ИИ снизило ошибки прогнозирования спроса на 15-20% в ведущих фабах.

Буферы стратегических возможностей и кольцевое ограждение

Учитывая волатильность спроса, некоторая сумма «буферной» емкости неизбежна. Вопрос в том, где ее разместить. Планировщики должны решить между буферами одеяла (дополнительная емкость по всем инструментам) и целевыми буферами на конкретных инструментах узкого места. Для коротких циклов продукта целевые буферы более эффективны.

Один из методов — кольцевое ограждение: резервирование части емкости группы инструментов (например, 10% часов литографии) исключительно для продуктов короткого цикла, которые нуждаются в быстром обороте. Хотя это снижает общее теоретическое использование, это гарантирует, что когда новый продукт входит в фазу «рампы», он не будет заблокирован долгосрочными устаревшими продуктами.

Другая стратегия буфера — это инвентаризация спекуляций : создание небольшого запаса «обычных» пластин (например, частично обработанных пластин до переднего конца линии), которые могут быть быстро настроены на конкретный продукт позже. Это аналогично отсрочке в автомобильном производстве. Риск заключается в том, что общие пластины могут устареть до настройки, поэтому техника работает лучше всего, когда базовый процесс стабилен для нескольких продуктов.

Совместное планирование с клиентами и поставщиками

Полупроводниковые фабы не могут планировать в изоляции. Короткие циклы продуктов означают, что клиенты (OEM-производители, фаблетированные дизайнерские дома) часто имеют наиболее точное представление о будущем спросе - они знают свои собственные дорожные карты продуктов и планы строительства OEM. Необходима совместная структура планирования, прогнозирования и пополнения (CPFR). Еженедельные или даже ежедневные обновления спроса через электронный обмен данными (EDI) позволяют фабуле корректировать распределение мощности в режиме реального времени.

Аналогичным образом, поставщики оборудования и материалов должны быть частью цикла. Если новый продукт требует специального химического вещества или расходной части с длительным сроком выполнения, поставщику необходимо раннее предупреждение. Многие литейные заводы теперь разделяют требования к пропускной способности (с соответствующей защитой конфиденциальности) с ведущими поставщиками 12-18 месяцев. Это был ключевой урок из нехватки полупроводников 2020-2023 годов, где отсутствие видимости поставщиков способствовало узким местам.

Прогнозирование доходности и управление кривой обучения

Поскольку эффективная мощность зависит от урожайности, планирование мощности должно быть интегрировано с технологией урожайности. Для каждого нового продукта планировщики работают с инженерами-технологами для создания кривой доходности, обычно моделируемой как логистическая или силовая функция. Как только первый лот завершается, фактические данные о урожайности подаются обратно в модель для уточнения скорости пандуса. Это позволяет динамическое перепланирование: если урожайность растет быстрее, чем ожидалось, планировщик может выпустить меньше пластин для достижения той же цели выхода, освобождая емкость для других продуктов.

Некоторые продвинутые фабы используют технику под названием «скорректированная мощность» или V-емкость, где емкость выражается в терминах «хорошо-умерщвляемая», а не «начало пластин». Это заставляет все отделы — планирование, производство и урожайность — говорить на одном языке. Для более подробной информации о моделировании урожайности документ IEEE «Рамп и планирование мощности» обеспечивает строгую обработку.

Роль технологии в обеспечении адаптивного планирования потенциала

Все вышеперечисленные стратегии зависят от современного технологического стека. Несколько ключевых инструментов стали незаменимыми для фабов, занимающихся короткими циклами продукта.

Цифровые близнецы и симуляция

Цифровой двойник fab — высокоточная имитационная модель, которая отражает набор оборудования, доступность инструмента, графики операторов и маршруты продуктов — позволяет планировщикам запускать сценарии «что-если», не рискуя реальным производством. Например, что произойдет, если мы добавим новый продукт, который требует дополнительного шага транша? Это вызывает узкое место? Цифровые двойники могут имитировать влияние на время цикла и пропускную способность. Крупные поставщики автоматизации fab, такие как платформа Inductria , теперь предлагают эти возможности в качестве услуги.