数字孪生 Digital Twin
为设备、腔体与整线建立虚拟对照体，同步真实状态并支持场景模拟。
AI × ADVANCED MANUFACTURING
AI 贯穿九大工艺段
以可验证的前沿架构为基准，导入设备与工艺现场。
POSITIONING
我们如何看待 AI
AI 对半导体制造的价值，在于把传感、量测与检测数据转化为可执行的判断。
倍特尔以公开发表的产业界与学术界架构为对标基准，按工艺场景选择合适方法导入。
以下所列架构与量化结果均为第三方研究成果，仅作为技术基准参考，并非倍特尔自有量测数据。
THREE PILLARS
三大贯穿主轴
不同工艺段共用同一套方法论骨架。
物理仿真 Physics Simulation
以等离子体、热传导、流体与离子输运等物理模型推算工艺行为。
LithoDreamer / ILT
以生成式方法与反演光刻修正处理图形与光学邻近效应。
BENCHMARK ARCHITECTURES
AI 架构对标表
下列均为第三方公开研究成果，作为导入对标基准。
| 领域 | 代表模型（年份） | 核心架构 | 输入数据特征 | 输出／评估指标 | 关键量化结果 |
|---|---|---|---|---|---|
| 晶圆图缺陷分类 | G2LGAN＋CNN（2025） | 两阶段 GAN 增强＋MobileNetV2 | 晶圆图图像（类别不平衡数据） | Accuracy／F1／1-NN（生成质量） | Acc 98.39%、F1 93.01% |
| 晶圆图缺陷分类 | CNN-ESN（2026） | ResNet34＋回声状态网络 | 含噪声晶圆图 | Acc（含 σ=0.1 噪声鲁棒性） | 干净 94.74%、噪声 87.30% |
| SEM 缺陷分类 | IBM ASMC（2025） | ViT（DINOv2）＋半监督 | SEM 图像（每类<15 张） | 分类准确率 | >90%（小样本） |
| 良率预测 | PDF Exensio（2025） | XGBoost＋PCA | 在线缺陷、量测、电测、FDC | die/wafer pass-fail、precision/recall | 可调阈值平衡 overkill/underkill |
| 良率根因 | TSMC 智能制造 | RNN（时序 FDC）＋联邦学习 | 设备传感器时序、检测数据 | 良率影响缺陷预测准确率 | ~92%（28–3nm）、逃逸率-15% |
| 热仿真代理 | DeepOHeat-v1（2025） | DeepONet＋KAN＋GMRES 细化 | 功耗图／floorplan（物理信息训练，无需仿真数据） | MAPE、训练时间、内存 | MAPE 0.035%、训练-62×、内存-31× |
| 热-IR 联合 | ThermEDGe/IREDGe | Encoder-Decoder CNN | 时变功耗图、PDN 密度 | IR 误差（mV）、温度轮廓 | 平均 IR 误差 0.053mV |
| 2.5D 电热协同 | TTSV-HMO（2025） | 等效模型＋混合元启发式（PSO+SA） | TTSV 间距、chiplet 位置、功耗密度 | 温度/阻抗 MAE、fitness | 温度 MAE 0.35%、阻抗 3.97% |
| 静态 IR Drop | MaxViT/U-Net（2026） | MaxViT 编码＋U-Net/FPN 解码 | 电阻图、电流图、电源焊盘图（SPICE 转图像） | MAE、F1（>90% 峰值热点）、推理时间 | MAE<15×10⁻⁵V、较 NGSPICE 快 10–30× |
| 静态 IR Drop | ICCAD'23 冠军流 | ConvNeXtV2-Nano＋UPerNet | 各金属层电阻图＋有效距离图 | MAE（mV）、F1 | MAE 0.075mV、F1 0.56 |
| 动态 IR Drop | PDNNet（2024） | GNN（PDNGraph）＋CNN 异构 | PDN 结构图＋动态电流图 | NMAE、加速比 | NMAE 改善 39.3%、545× 加速 |
| 动态 IR Drop | 双路径时空模型（DATE'25） | 3D SW-MSA Transformer | 时序窗分解功耗图（内部/开关/漏电/翻转率） | 热点预测精度 | 超越 2D/3D-CNN 与递归 U-Net |
| 电迁移 | Dey et al.（2020） | 10 层 NN 回归＋逻辑回归分类 | J、L、T、IR Drop、MTTF 标注（KLU＋Black） | R²、AMSE、失效段检测 | 显著加速、MTTF 可比精确模型 |
| 电迁移 | BPINN-EM-Post（2025） | 贝叶斯 PINN | Korhonen PDE 物理残差＋观测 | 不确定性量化、寿命分布 | 克服 PINN 过拟合、支持多线段 |
| ATPG | InF-ATPG（2025） | FFR 划分＋QGNN＋DQN | 逻辑状态、SCOAP 可控/可观测性 | 回溯数、故障覆盖率、UFP | 回溯-55.06%、UFP 0.50% |
| ATPG（商用） | Synopsys TSO.ai | AI 设置调优（黑盒优化） | 设计特性、ATPG 引擎行为、约束 | 图形数、覆盖率、收敛迭代 | 图形-20~25%（部分>50%） |
| BIST 强化 | LITE（2025） | 标准单元扫描增强＋SCOAP 分析 | 网表超图、CC0/CC1/CObs | 图形数、随机图形覆盖率 | ATPG 图形-31%、改善 RPR 覆盖 |
| KGD/离群检测 | GPR/RevTransC/共形预测 | GPR 空间建模、无监督转换、共形 QR＋CatBoost | 晶圆级参数测试数据、WAT | AUROC、DPPM、Vmin 区间覆盖率 | 优于 DPAT；Vmin ~90% 覆盖保证 |
| 测试时间 | GPU 实时自适应测试 | GPU 加速 ML（产线部署） | 实时测试数据流 | 测试时间、缺陷覆盖维持 | Blackwell 量产：-25% 测试时间 |
| 版图热点 | 可解释 GAT（ASP-DAC'26） | 图注意力网络（8 头） | 版图（节点特征 5 维、邻接矩阵） | Recall、误报率、可解释性 | 内存较图像法省 5–12× |
| e-Beam 复检 | SEMVision H20（2025） | 深度学习图像分类（产线持续训练） | CFE e-beam 图像 | 复检速度、真/假缺陷区分 | 3× 速度、已导入 2nm/GAA 客户 |
数据来源为第三方公开发表的研究与产业信息，倍特尔以此作为导入对标基准。
PROCESS × AI
工艺与 AI 对应
九大工艺段各自对应的主要导入方向。
| 工艺段 | 主要对标架构 | 导入重点 |
|---|---|---|
| 光刻（黄光） | LithoDreamer／ILT、可解释 GAT（ASP-DAC'26） | 掩模图形生成修正、版图热点预测、涂胶显影数字孪生 |
| 刻蚀段 | 等离子体物理仿真、TSMC RNN 时序 FDC＋联邦学习 | 刻蚀速率推算、异常检测、终点判定 |
| 化学气相沉积 | DeepOHeat-v1（2025）、ThermEDGe/IREDGe | 热场代理、膜厚均匀性、腔体数字孪生 |
| 热处理（烘烤） | DeepOHeat-v1（2025）、ThermEDGe/IREDGe | 温度轮廓推算、热预算优化、批次数字孪生 |
| 离子注入 | 蒙特卡罗物理仿真、BPINN-EM-Post（2025）、GPR | 掺杂剖面仿真、不确定性量化、空间离群检测 |
| CMP 化学机械抛光 | 抛光物理仿真、PDF Exensio（2025）、RNN 时序 FDC | 去除率均匀性、良率预测、耗材寿命趋势 |
| 晶圆清洗 | IBM ASMC（2025）ViT、RNN 时序 FDC | SEM 小样本缺陷分类、药液异常检测、颗粒根因 |
| 晶圆检测 | G2LGAN＋CNN、CNN-ESN、SEMVision H20、GPU 自适应测试、KGD 共形预测、InF-ATPG | 晶圆图分类、e-beam 复检、测试时间优化、离群检测 |
| 掩模版工艺 | LithoDreamer／ILT、MaxViT/U-Net、可解释 GAT | 图形修正、风险区定位、直写数字孪生 |
HOW WE DELIVER
AI 导入五步骤
从场景界定到团队交接，指标可验证。
-
01
咨询
界定问题场景与可量化目标，评估数据可获得性与导入价值。
-
02
数据接入
整合设备传感、工艺量测与检测数据，建立统一的数据格式。
-
03
模型导入
按场景选择对标架构并调优，建立训练与推理流程。
-
04
验证
以既定指标比对基线，确认稳定性与可复现性。
-
05
培训
交接操作与解读方法，建立客户自主运维能力。
