第146章 高端產線升級的效果，重構光刻機系統

  這條產線是一條十二寸的中型產線，有8台光刻機，型號是阿斯麥1980di，但應該已經經過了一輪的魔改。

  另外離子注入機10台、刻蝕機40台，還有研磨機、電子電壓監測設備等等一系列的設備。

  紀弘一邊參觀一邊了解著情況，同時，產線這邊的負責人還給他送來了產線以及產線設備的相關技術資料——這些資料與原版已經有所不同，尤其是光刻機，經過了很大程度的魔改。

  產能方面，以成熟產線的14nm工藝計，這條產線月產晶圓大約為一萬片，以一般芯片的面積計，一片晶圓大約切割良品芯片約五六十，也就是說，這條產線月芯片產量大約在五六十萬左右。

  但麒麟9000s用SAQP四重曝光技術，效率大約要下降30%，再加上良率受到的影響，實際產能可能只剩下一半，也就是大約二三十萬片。

  ……

  改造產線，紀弘沒打算從硬件入手，這裡的情況和宏圖微電子的情況還不同，那裡的硬件設備確實落後，一些自動化和智能化的模塊不夠用才需要重新設計和改造。

  但這裡，本就是先進製程工藝產線，尤其是華為和中芯的工程師已經還已經對它進行過改造，硬件設備已經完全能夠滿足智能化的需要了。

  對產線的優化，紀弘不懂，即便懂，也不可能比得上先後在AMD、台積電、三星，現在是中芯國際聯席CEO的梁松。

  這裡的產線大概率就是他負責設計和工藝、良率以及產能的提升的。

  雖然沒有可靠的證據，但是，能夠幫助華為建立先進工藝產線，先後實現等效7nm等效5nm工藝的量產，不說國內，找遍全世界可能也就只有一個梁松。

  梁松這個人很傳奇，早年在AMD，加入台積電的第一件事兒，就是帶領台積電在130nm製程領域擊敗了老牌強敵IBM。

  後來因為一些原因離開台積電加入三星，直接助力三星在14nm這個工藝節點領先台積電半年，後被台積電起訴履行競業限制條款離開三星。

  加入中芯國際之後，更是直接提升了中芯國際28nm工藝的良品率。隨後更是跳過22nm等中間節點，直接跳代研發14nm工藝，隻用了一年不到的時間就並成功實現量產，而且良品率達到90%以上。

  前兩年，華為麒麟710A中芯國際重置版就是利用的這個工藝生產的。

  而現在，DUV光刻機量產的7nm和5nm……

  梁松，紀弘還特意查了查，1952的年的人，現年已經72歲了，主要工作估計是頤養天年了，只有有重大情況或者問題的時候才會出手。

  此時，這邊在產線上負責的是一位高工，名叫曾學成。

  “曾工，你現在有梁先生幾分的功力啊？”紀弘半開玩笑的問道。

  “紀總別開玩笑了，十個我捆一起也不如梁先生一半！”曾學成介紹著梁松的豐功偉績，紀弘也確認了，這邊的核心工作確實出自他手。

  “想不想超過他？”紀弘誘惑道。

  曾學成心道：我在家哄我兒子也是這口氣，想不想考年級第一？問題是有那實力嗎？
  他要真能考年級第一，那我就該懷疑這是不是我的種了。

  不過心裡這麽想，嘴上不可能這麽說，他也知道紀弘是過來幹什麽的，於是說道：“但憑紀總吩咐！”

  紀弘知道他不信，但配合就好。

  雖然得到了一些芯片設計和光刻機相關的靈感，但先進工藝這種東西十分複雜和系統，不是說有三兩個好點子就能搞定的。

  他的主業還是訓練AI。

  “我這邊先了解一下產線的情況，”紀弘介紹著自己的工作安排：“然後生產的各個環節、流程相關數據實時給到我這邊。

  “前期主要用於AI訓練，後期，根據AI的反饋調整和升級產線工藝。”

  紀弘強調道：“我剛剛跟你說的話，你可以不信，但是一定要不打折扣的執行。”

  “明白！”曾學成對卷耳智能科技是做什麽的門兒清，只不過以前都是軟件和設計層面的，難道AI對產線的優化也能起到關鍵作用？

  他心裡突然就冒出一個想法：我自己比梁老師那是這輩子都沒希望了，但是如果我加上AI呢？
  顯然，曾學成對紀弘的思想和言論也是關注了的，一小會兒的功夫就想明白了這一層，也意識到紀弘剛剛的問他的問題並不是隨口一說，也並不是開玩笑。

  一念至此，曾學成更加的積極了——如果說之前的表態只是為了工作，那現在就完全充滿期待了。

  ……

  一連好幾天的時間，紀弘都在產線這邊，產線的數據不斷的在提供，類思維AI的訓練也一直在進行。

  “這裡，看到了沒？”紀弘說道：“矽片對準標識和掩膜板對準標識的中心坐標差值，根據這些數據分析，AI認為還有優化空間。

  “主要是……”

  紀弘跟曾學成講解著相關內容，並讓他配合對產線的運動控制模塊兒的算法進行著調整。

  曾學成稍微一計算，就知道這東西應該對產線工藝是增益的。

  雖然具體的結果還需要生產來驗證，但，能夠有找到梁松老師設計和規劃，甚至優化了好久的產線的一個問題，還是讓曾學成十分激動：
  “我加上AI，真的能達到梁松老師的水平？”

  能夠找到問題，就是水平的體現，哪怕調整完了是副作用，也是實力。

  畢竟，沒有哪個人敢說我動一下就是升級，哪怕是梁松，調整產線的相關模塊兒也是摸索摸索再摸索，最終才確定的方案。

  紀弘沒有回答他這個問題，而是問道：“你比梁松老師差在哪兒？最關鍵的點！”

  要說差在哪兒，以曾學成現在的水平，那差的多了去了。

  要說最關鍵的點，他沉思了一會兒，說道：“就是對問題的敏銳程度。比如一個新的工藝節點，測試產線放在這兒了，梁松老師的對問題就非常敏銳。

  “他手一指，這兒是瓶頸，改進這兒，可以提升良率，那兒可能有問題。排查下去，幾乎八九不離十。

  “事實上，怎麽說呢，當他把問題指出來之後，我去看，大多數時候我也能看出來，甚至能解決。”

  “但，就是知道哪兒有問題，才是最關鍵的是吧？”紀弘笑道：“那今天這個問題呢？你看出來了嗎？”

  “現在我也能看出來！”曾學成突然明悟：“AI現在扮演的是梁松老師的角色？”

  梁松怎麽判斷問題所在的，紀弘不清楚，可能是直覺，也可能是經驗。

  但，AI是怎麽判斷的，紀弘清楚的很——少部分的類思維加上大量的計算，甚至還有一部分推演在裡邊。

  世界模型一直在運行，65nm以下級別的智能EDA工具靈韻在各大高校實驗室也已經開始使用，流片式仿真的訓練也一直在進行。

  類推能力，尤其是精密工業領域的類推能力也有了不少的提升。

  比如今天發現的這個問題，改進了之後能有多少提升，AI都已經做過類推了。

  但方式不重要，能發現問題，能優化和改進才是最關鍵的。

  “能調整嗎？”紀弘問道。
    “當然能！”曾學成信心十足：“即便是梁松老師在，也是他指出問題，然後我帶人實施的。”

  “嗯。”紀弘點了點頭：“那正好，來吧，試試看。”

  設備是不需要動的，而程序的設計和優化，紀弘也帶來了神器——完整版本的靈犀。

  曾學成帶著團隊分工協作，很快，優化工作就完成了。

  安裝，重啟，測試當即進行。

  “邊界更加清晰了。”

  高倍顯微鏡下，樣品對比數據很明顯。曾學成是這麽說的，但紀弘確實沒看出來。

  “具體如何，還得看良率有沒有提升。”紀弘對肉眼觀測的東西不太信任，尤其是曾學成，紀弘感覺他太激動了，眼睛開了光環也說不一定。

  “那就得等明天才能知道了。”

  ……

  翌日，數據出爐，良品率提升2%。

  “才2%？”紀弘很不滿意。

  “基數是94%啊老大，提高2%到96%已經非常大了好吧！”曾學成已經管紀弘叫上老大了：“如果用四重曝光，提升肯定會更大。

  “現在這幾條產線都差不多，做四重曝光的良率基本都在55%左右，我們需要測試嗎？”

  “扔給華為去測吧。”紀弘想了想，他這邊的主要工作是層疊ALU的生產，下一步的重點是層疊工藝的推進。

  雙重四曝光不是地點。

  ……

  就這樣，AI不斷的進行著訓練，也不斷的對產線相關的數據進行著一次又一次的計算。

  而曾學成則是根據AI的反饋結果對產線進行各方面的微調，現在的他已經完全成為了紀弘的跟班了，這與領導無關。

  之前跟著梁松，但梁松獨特的眼光和技能他學不來，紀弘這兒則是完全不一樣，AI在那，用起來非常的簡單和方便。

  在曾學成的協助下，利用靈犀，他們把各個控制系統的軟件和系統也進行了一定程度的重構，各模塊兒都加入了AI判定和控制，AI慢慢的融入到了整個生產流程的控制之中。

  這也多虧了他們原本就使用的不是官方的系統，而是自己開發的，源碼還都在。

  重構的過程很順利，甚至系統的更新都沒有影響生產——產線一直在保持低產能運轉的狀態，甚至都沒有停工。

  但工藝的提升……

  紀弘有點兒不滿意。

  “提升是不是小了點啊？”這天吃飯的時候，紀弘還跟曾學成抱怨：“只有兩個點的良率。”

  聽紀弘說這樣的話，曾學成一口飯沒咽下去，直接就噴了，米粒都從鼻孔裡出來了：“老大啊，這才幾天，你還想提升多大？直接搞定4nm？用EUV？”

  紀弘微微搖了搖頭，他不懂紀弘在想什麽。

  這麽長的時間，其實真正比較大的調整就只有運動控制那一次，剩下的幾乎全都是微調。

  這些微調說有效果吧，可能有一點點，都不太明顯，甚至是稍微誤差一下下的事兒，也就在統計學的概念裡，有了一點點的提升。

  難道除了發現的那一個問題之外，其他的地方真的全都到極限了？
  紀弘總覺得哪裡有些不對，因為極限是很難達到的。

  舉個最簡單的例子：用正多邊形模擬求圓的面積的問題。

  大家都知道，邊數越多，正多邊形就越接近圓。但如果是人去畫，邊的數量你不論怎麽花那都是有限的。

  但如果換計算機來做，上就直接循環執行個幾萬幾十萬次，精確度就會有非常大的提升。

  產線工藝也是類似的，是一個不斷的在逼近極限的過程，前期當然非常簡單，隨便搞搞就能提升。

  但工藝越先進，再想提升就越複雜。

  但，這條產線給紀弘的感覺就是，它真的已經趨近於極限了。

  難道梁松真就這麽厲害？

  他隨手指一指，就能發現所有的瓶頸？就能解決所有的問題？就能讓產線上的每一個流程和數據都逼近極限？

  這有點兒離譜了吧？

  還是說他也將所有數據循環執行了幾萬幾十萬次，算出的最優解？

  紀弘問了曾學成這個問題，曾學成當即說道：
  “產線的數字化模擬肯定是有的，但那個東西主要是數字，隱藏在數字中的有哪些問題，還是需要人去判斷的。跟老大的這個AI比差太遠了，完全不是一個層次的東西。”

  紀弘明白了，這就不對。

  人再怎麽挑，細微之處總是會被忽略掉的，也不能挑乾挑淨，尤其是個個都幾乎達到極限。

  不過他也沒有糾結這個，回頭找個機會去拜訪梁松，問問就知道了。

  他現在的主要任務是，利用AI加上曾學成，在現在的基礎上，實現層疊ALU的生產工藝。

  “光刻產線這邊的的難度其實不大，”曾學成對層疊ALU的布局已經做到了心中有數：
  “關鍵核心就是晶圓上下聯通位置的精準預留，現在我們改進了控制算法，精度完全可以滿足。

  “更大的問題應該是在封裝那邊，現在的導通技術是上下一體垂直導通。但，層疊ALU的話，要複雜非常多。”

  卷耳智微那邊已經發過來了一批測試版圖樣例，曾學成已經看到了，按照布局設計，多層矽晶圓之間，某個點可能一層和二層需要導通，但和三層不需要導通，四層五層可能又需要導通。

  這樣搞個幾十層，而且需要導通的點位又十分密集，一個精度控制不好，可能整個晶圓就廢了。

  “ALU運算器畢竟比存儲器複雜，想要每層都完全一致是不可能的，但是，也沒你想的那麽複雜，雖然每兩層的導通點位都不一樣，但是還是具有一定的規律性的。”

  紀弘笑道：“精度控制，現在的硬件是能滿足需求的，至於密集和複雜的問題，就交給AI吧，無非就是算力的事兒，不行多加點顯卡。”

  (本章完)