數字孿生 Digital Twin
為機台、腔體與整線建立虛擬對照體，同步真實狀態並支援情境模擬。
AI × ADVANCED MANUFACTURING
AI 貫穿九大製程
以可驗證的前沿架構為基準，導入設備與製程現場。
POSITIONING
我們如何看待 AI
AI 對半導體製造的價值，來自把感測、量測與檢測資料轉換為可行動的判斷。
倍特爾以公開發表的產業與學界架構為對標基準，依製程場景選擇合適方法導入。
以下所列架構與量化結果均為第三方研究成果，作為技術基準參考，非倍特爾自有量測數據。
THREE PILLARS
三大貫穿主軸
不同製程共用同一套方法論骨架。
物理仿真 Physics Simulation
以電漿、熱傳、流體與離子傳輸等物理模型推算製程行為。
LithoDreamer / ILT
以生成式方法與反演式微影修正處理圖形與光學鄰近效應。
BENCHMARK ARCHITECTURES
AI 架構對標表
下列均為第三方公開研究成果，作為導入對標基準。
| 領域 | 代表模型（年份） | 核心架構 | 輸入數據特徵 | 輸出／評估指標 | 關鍵量化結果 |
|---|---|---|---|---|---|
| 晶圓圖缺陷分類 | G2LGAN＋CNN（2025） | 兩階段 GAN 增強＋MobileNetV2 | 晶圓圖影像（類別不平衡資料） | Accuracy／F1／1-NN（生成品質） | Acc 98.39%、F1 93.01% |
| 晶圓圖缺陷分類 | CNN-ESN（2026） | ResNet34＋回聲狀態網路 | 含雜訊晶圓圖 | Acc（含 σ=0.1 雜訊穩健性） | 乾淨 94.74%、雜訊 87.30% |
| SEM 缺陷分類 | IBM ASMC（2025） | ViT（DINOv2）＋半監督 | SEM 影像（每類<15 張） | 分類準確率 | >90%（少樣本） |
| 良率預測 | PDF Exensio（2025） | XGBoost＋PCA | 線上缺陷、計量、電測、FDC | die/wafer pass-fail、precision/recall | 可調閾值平衡 overkill/underkill |
| 良率根因 | TSMC 智慧製造 | RNN（時序 FDC）＋聯邦學習 | 設備感測器時序、檢測資料 | 良率影響缺陷預測準確率 | ~92%（28–3nm）、逃逸率-15% |
| 熱模擬代理 | DeepOHeat-v1（2025） | DeepONet＋KAN＋GMRES 細化 | 功耗圖／floorplan（物理資訊訓練，無需模擬資料） | MAPE、訓練時間、記憶體 | MAPE 0.035%、訓練-62×、記憶體-31× |
| 熱-IR 聯合 | ThermEDGe/IREDGe | Encoder-Decoder CNN | 時變功耗圖、PDN 密度 | IR 誤差（mV）、溫度輪廓 | 平均 IR 誤差 0.053mV |
| 2.5D 電熱協同 | TTSV-HMO（2025） | 等效模型＋混合元啟發式（PSO+SA） | TTSV 間距、chiplet 位置、功耗密度 | 溫度/阻抗 MAE、fitness | 溫度 MAE 0.35%、阻抗 3.97% |
| 靜態 IR Drop | MaxViT/U-Net（2026） | MaxViT 編碼＋U-Net/FPN 解碼 | 電阻圖、電流圖、電源焊墊圖（SPICE 轉影像） | MAE、F1（>90% 峰值熱點）、推論時間 | MAE<15×10⁻⁵V、較 NGSPICE 快 10–30× |
| 靜態 IR Drop | ICCAD'23 冠軍流 | ConvNeXtV2-Nano＋UPerNet | 各金屬層電阻圖＋有效距離圖 | MAE（mV）、F1 | MAE 0.075mV、F1 0.56 |
| 動態 IR Drop | PDNNet（2024） | GNN（PDNGraph）＋CNN 異構 | PDN 結構圖＋動態電流圖 | NMAE、加速比 | NMAE 改善 39.3%、545× 加速 |
| 動態 IR Drop | 雙路徑時空模型（DATE'25） | 3D SW-MSA Transformer | 時序窗分解功耗圖（內部/開關/漏電/翻轉率） | 熱點預測精度 | 超越 2D/3D-CNN 與遞迴 U-Net |
| 電遷移 | Dey et al.（2020） | 10 層 NN 迴歸＋邏輯迴歸分類 | J、L、T、IR Drop、MTTF 標註（KLU＋Black） | R²、AMSE、失效段偵測 | 顯著加速、MTTF 可比精確模型 |
| 電遷移 | BPINN-EM-Post（2025） | 貝氏 PINN | Korhonen PDE 物理殘差＋觀測 | 不確定性量化、壽命分佈 | 克服 PINN 過擬合、支援多線段 |
| ATPG | InF-ATPG（2025） | FFR 劃分＋QGNN＋DQN | 邏輯狀態、SCOAP 可控/可觀測性 | 回溯數、故障覆蓋率、UFP | 回溯-55.06%、UFP 0.50% |
| ATPG（商用） | Synopsys TSO.ai | AI 設定調優（黑盒優化） | 設計特性、ATPG 引擎行為、約束 | 圖樣數、覆蓋率、收斂迭代 | 圖樣-20~25%（部分>50%） |
| BIST 強化 | LITE（2025） | 標準單元掃描增強＋SCOAP 分析 | 網表超圖、CC0/CC1/CObs | 圖樣數、隨機圖樣覆蓋率 | ATPG 圖樣-31%、改善 RPR 覆蓋 |
| KGD/離群偵測 | GPR/RevTransC/共形預測 | GPR 空間建模、無監督轉換、共形 QR＋CatBoost | 晶圓級參數測試資料、WAT | AUROC、DPPM、Vmin 區間覆蓋率 | 優於 DPAT；Vmin ~90% 覆蓋保證 |
| 測試時間 | GPU 即時適應性測試 | GPU 加速 ML（產線部署） | 即時測試資料流 | 測試時間、缺陷覆蓋維持 | Blackwell 量產：-25% 測試時間 |
| 佈局熱點 | 可解釋 GAT（ASP-DAC'26） | 圖注意力網路（8 頭） | 佈局圖（節點特徵 5 維、鄰接矩陣） | Recall、誤報率、可解釋性 | 記憶體較影像法省 5–12× |
| e-Beam 複審 | SEMVision H20（2025） | 深度學習影像分類（產線持續訓練） | CFE e-beam 影像 | 複審速度、真/假缺陷區分 | 3× 速度、已導入 2nm/GAA 客戶 |
資料來源為第三方公開發表之研究與產業資訊，倍特爾以其作為導入對標基準。
PROCESS × AI
製程與 AI 對應
九大製程各自對應的主要導入方向。
| 製程 | 主要對標架構 | 導入重點 |
|---|---|---|
| 黃光段 | LithoDreamer／ILT、可解釋 GAT（ASP-DAC'26） | 光罩圖形生成修正、佈局熱點預測、軌道數字孿生 |
| 蝕刻段 | 電漿物理仿真、TSMC RNN 時序 FDC＋聯邦學習 | 蝕刻速率推算、異常偵測、終點判定 |
| 化學氣相沉積 | DeepOHeat-v1（2025）、ThermEDGe/IREDGe | 熱場代理、膜厚均勻度、腔體數字孿生 |
| 烘烤製程 | DeepOHeat-v1（2025）、ThermEDGe/IREDGe | 溫度輪廓推算、熱預算優化、批次數字孿生 |
| 離子植入 | 蒙地卡羅物理仿真、BPINN-EM-Post（2025）、GPR | 摻雜剖面模擬、不確定性量化、空間離群偵測 |
| CMP 研磨 | 研磨物理仿真、PDF Exensio（2025）、RNN 時序 FDC | 移除率均勻度、良率預測、耗材壽命趨勢 |
| 晶圓水洗 | IBM ASMC（2025）ViT、RNN 時序 FDC | SEM 少樣本缺陷分類、藥液異常偵測、顆粒根因 |
| 晶圓檢測 | G2LGAN＋CNN、CNN-ESN、SEMVision H20、GPU 適應性測試、KGD 共形預測、InF-ATPG | 晶圓圖分類、e-beam 複審、測試時間優化、離群偵測 |
| 掩模版製程 | LithoDreamer／ILT、MaxViT/U-Net、可解釋 GAT | 圖形修正、風險區定位、寫入數字孿生 |
HOW WE DELIVER
AI 導入五步驟
從場景界定到團隊移交，指標可驗證。
-
01
諮詢
界定問題場景與可量化目標，評估資料可得性與導入價值。
-
02
資料接入
整併設備感測、製程量測與檢測資料，建立一致的資料格式。
-
03
模型導入
依場景選擇對標架構並調校，建立訓練與推論流程。
-
04
驗證
以既定指標比對基線，確認穩定性與可重現性。
-
05
培訓
移交操作與判讀方法，建立客戶自主維運能力。
