回复：力争零缺陷产品在了解了机器学习和神经网络所产生的海量数据后，几乎没有什么问题可以帮助识别半加工制造中的关注缺陷。
1）在使用（AOI）自动光学系统检测各种工艺步骤中的在线缺陷的常规方法中，我们仅关注消除可能在晶片级或产品级上使管芯失效的缺陷，因此我们从战略上进行了检查最重要的关注领域中的食谱。为了最有效地利用我们的制造过程资源，我们避免的是捕获非杀伤性缺陷。根据机器学习算法并查找特定的缺陷（可能在所有晶圆上的关键区域或非关键区域），这是否会危害周期时间？它是否显示出与功能和产品故障相关的高相关系数？
2）专注于减少缺陷和客户期望，（D0）方法是否专注于消除所有缺陷？如果是这样，是否比目前使用AOI的做法更具成本效益？
3）您可以基于这种方法共享一些非专有数据来显示一些相关性吗？
谢谢！
/ Sajid Shamsi
回复：力争零缺陷产品你好 @sajid --
我们与Ed Hutchins联络，以便他可以直接做出回应。他的话是这样的：
1）根据我们的经验，可以实现使用机器学习算法来识别致命缺陷，从而与AOI系统相比，它不会在过程中增加可观的周期时间。 但是，要实现这一目标，必须考虑到以下几个实际因素来建立一个系统：检查系统生成多少数据，运行机器学习算法的计算机的功能有多强，以及该计算机相对于何处到检查系统。 如果考虑到这些因素并适当地设计了系统，则整个过程可以快速运行，根据需要分析多少数据，每个晶片从几秒到几分钟不等。 如果经过适当培训，机器学习算法将非常准确，并且我们会发现其发现与下游产品属性或故障之间存在直接关联。
2）零缺陷和自动缺陷检测是互补的。 如果启用了自动检查设备和机器学习算法，则100％的检查将大大节省成本和时间。 这些系统在促进零缺陷方面做两件事：它们通过防止任何缺陷进入产品来提高下游产量，并通过准确描述缺陷的发生（甚至是很少出现的缺陷）来实现上游改进活动。
3）Wolfspeed的Robert Leonard博士在2019年碳化硅及相关材料内部会议（ICSCRM）上介绍了机器学习的应用。 发布会议记录时，他的论文将包含展示相关性的示例图像。
追求零缺陷产品 
Ed Hutchins, Wolfspeed, outlines the new and powerful ways engineers are striving to create zero-defect products. Wolfspeed 的 Ed Hutchins 概述了工程师们为打造零缺陷产品所采用的全新有效方法。Wolfspeed的 Ed Hutchins 概述了工程师们为打造零缺陷产品所采用的全新有效方法。各组织正在拥抱产品生产和交付过程中日益增长的自动化和数字经济的兴起。随着工业物联网 (IIoT) 和先进测量系统兴起所带来的在线传感器的使用，他们正在生成和收集比以往任何时候都更加复杂的数据。Wolfspeed（Cree 旗下公司）的产品工程经理 Ed Hutchins 在本视频片段中进行了讲解。您可以点播观看完整的小组讨论。
我之前就讨论过海量数据，但这仅仅是个开始。我认为数据的使用方式正在发生变化，而且是最近才发生的。过去，使用自动化检测工具时，需要定义配方来查找特定的特征、属性和缺陷。
“但现在随着机器学习和深度神经网络的出现，你可以创建一种算法来寻找肉眼可见的缺陷，但很难将其简化为一组有限的参数或指令。
“这些东西让我们能够发现原本需要人工干预或取样的缺陷，现在我们可以全面了解情况。
“我们可以查看整个产品，我们可以查看每个晶圆，我们可以查看每个示例，以尝试找到这些特征，作为实现零缺陷的一种方式，这也是我们当今客户期望的一部分。”
以下是点播网络直播的预览：
Wolfspeed 的 Ed Hutchins 概述了工程师使用质量工程和机器学习来创造零缺陷产品的全新而强大的方法。
