在 APEC 2026《AI 與數(shù)字孿生重塑功率器件創(chuàng)新》主題論壇上，普迪飛重磅展示了兩項(xiàng)已成功落地量產(chǎn)的 AI/ML 應(yīng)用案例。這些案例沉淀自我們與功率半導(dǎo)體制造商長(zhǎng)達(dá)十余年的深度合作，本文將提煉其中的核心實(shí)踐經(jīng)驗(yàn)。

本文及配套演講，是普迪飛半導(dǎo)體與功率半導(dǎo)體制造 AI/ML 落地實(shí)用方法系列內(nèi)容的重要組成部分，同系列還包括：

解鎖化合物半導(dǎo)體制造新范式：端到端良率管理的核心力量

機(jī)器學(xué)習(xí)（ML）賦能化合物半導(dǎo)體制造：從源頭破局良率難題，Exensio平臺(tái)實(shí)現(xiàn)全流程精準(zhǔn)預(yù)測(cè)

功率半導(dǎo)體的獨(dú)特性何在？

如今，AI 驅(qū)動(dòng)的良率提升在邏輯與存儲(chǔ)芯片制造中已不是新鮮事，但功率半導(dǎo)體（包括碳化硅 SiC、氮化鎵 GaN、IGBT、分立硅器件等）的 AI 落地，卻要面對(duì)一系列獨(dú)特挑戰(zhàn)。這類(lèi)產(chǎn)品材料更復(fù)雜、缺陷率更高，且制造流程的垂直整合度拉滿 —— 從晶錠生長(zhǎng)、襯底分級(jí)，到外延、老化測(cè)試、芯片貼裝和模塊封裝，全流程都要自主把控。
更關(guān)鍵的是，不少功率半導(dǎo)體產(chǎn)線設(shè)備老舊，數(shù)據(jù)可追溯性和質(zhì)量都跟不上，這些問(wèn)題在成熟硅基晶圓廠早就不是難題了。值得關(guān)注的是，Yole《2025 年電力電子產(chǎn)業(yè)報(bào)告》中的 11 家上榜企業(yè)，全都是 Exensio 平臺(tái)的十年以上長(zhǎng)期客戶。我們?cè)?APEC 會(huì)議分享的兩大案例，正是源于這些企業(yè)的量產(chǎn)實(shí)戰(zhàn)經(jīng)驗(yàn)。

數(shù)據(jù)來(lái)源：Yole 2025《電力電子產(chǎn)業(yè)現(xiàn)狀》

PDF

案例一

碳化硅（SiC）襯底受限型良率提升

核心痛點(diǎn)

襯底質(zhì)量是導(dǎo)致碳化硅制造良率損失的核心因素之一。行業(yè)亟待解決的關(guān)鍵問(wèn)題是：能否在投入高成本下游制程前，提前預(yù)判哪些襯底會(huì)制約良率，并針對(duì)性采取應(yīng)對(duì)措施？

解決方案

過(guò)去識(shí)別致命缺陷，主要靠缺陷致死率（Kill Ratio）這個(gè)核心指標(biāo)：用 2×2 混淆矩陣對(duì)比有無(wú)缺陷芯片的良率差異，說(shuō)到底就是靠芯片級(jí)的缺陷匯總數(shù)據(jù)來(lái)判斷。
做硅基芯片的時(shí)候，襯底基本沒(méi)什么缺陷，大家的注意力都放在晶圓廠或代工廠制程中產(chǎn)生的在線缺陷上。但到了化合物半導(dǎo)體這里，情況就復(fù)雜多了 —— 不僅要過(guò)好幾道檢測(cè)工序，還要覆蓋裸襯底（外延前后）、圖形化晶圓（在線檢測(cè)）等不同場(chǎng)景。之前的芯片級(jí)匯總方法根本行不通：沒(méi)做圖案化的襯底沒(méi)有清晰的芯片網(wǎng)格，單靠晶圓電測(cè)，也沒(méi)法判斷芯片到底好不好。
更何況，功率器件得在大電流、高電壓和特殊負(fù)載的嚴(yán)苛條件下驗(yàn)證性能，這些條件在晶圓電測(cè)階段通常很難滿足。

為此，我們提出的解決方案是：

用裸襯底和外延層的缺陷數(shù)據(jù)訓(xùn)練 AI 預(yù)測(cè)模型，生成專屬的預(yù)測(cè)電性能分檔圖。這樣一來(lái)，不用等正式電性能測(cè)試，就能提前給每片晶圓、每顆芯片的通斷狀態(tài)做好預(yù)判。依靠這個(gè)模型，操作員在啟動(dòng)完整制造流程前就能完成襯底分級(jí)，還能支持任意虛擬芯片尺寸的良率預(yù)測(cè)，方便用戶測(cè)試不同芯片尺寸方案，精準(zhǔn)算出對(duì)應(yīng)的良率。

落地成效

下面這些成果，都來(lái)自多家碳化硅襯底供應(yīng)商的量產(chǎn)實(shí)戰(zhàn)驗(yàn)證 —— 而且這套方法不局限于碳化硅，其他類(lèi)型半導(dǎo)體也能用。在實(shí)際生產(chǎn)中，這個(gè)模型能做到：

• 精準(zhǔn)識(shí)別制約良率的襯底，其結(jié)論與碳化硅缺陷致死機(jī)制的公開(kāi)研究成果高度一致；
• 通過(guò)上游襯底篩選決策，將整體良率提升數(shù)個(gè)百分點(diǎn)；
• 生成實(shí)際值 / 預(yù)測(cè)值 / 差值分檔圖，讓模型決策邏輯具備可解釋性與可審計(jì)性；

不僅如此，模型還為每類(lèi)缺陷劃分了四種分類(lèi)結(jié)果，把不同判定情況會(huì)帶來(lái)什么影響說(shuō)清楚了：

量產(chǎn)落地的核心挑戰(zhàn)

從試點(diǎn)驗(yàn)證到規(guī)?；慨a(chǎn)，方案落地過(guò)程中暴露出諸多現(xiàn)實(shí)難題：

1

檢測(cè)設(shè)備差異：同一襯底在不同批次、不同制程里，可能會(huì)用不同的檢測(cè)設(shè)備測(cè)量。但不同設(shè)備的缺陷分類(lèi)標(biāo)準(zhǔn)不一樣，缺陷數(shù)量得先做標(biāo)準(zhǔn)化處理才能對(duì)比；而且檢測(cè)方案本身還不夠成熟，一直在調(diào)整優(yōu)化。

2

空間坐標(biāo)匹配：裸襯底光學(xué)檢測(cè)用的是晶圓全局坐標(biāo)，得和芯片坐標(biāo)精準(zhǔn)對(duì)應(yīng)才行。很多老舊晶圓廠沒(méi)有建立全局坐標(biāo)和芯片坐標(biāo)的規(guī)范映射關(guān)系；再加上碳化硅這類(lèi)非立方晶格半導(dǎo)體的缺陷尺寸大，可能覆蓋好幾顆芯片，檢測(cè)掃描根本沒(méi)法完整捕捉到缺陷的空間分布情況。

3

探針測(cè)試與老化數(shù)據(jù)質(zhì)量：數(shù)據(jù)問(wèn)題特別常見(jiàn) —— 比如測(cè)試方向搞錯(cuò)、檢測(cè)和測(cè)試的芯片坐標(biāo)對(duì)不上、芯片 ID 的規(guī)則不統(tǒng)一等，這些都會(huì)導(dǎo)致空間對(duì)齊困難。所以，必須先把數(shù)據(jù)清洗干凈、驗(yàn)證無(wú)誤，才能做出能用的預(yù)測(cè)模型。

4

模塊封裝與老化的追溯難題：大部分廠商沒(méi)法實(shí)現(xiàn)芯片的端到端追溯。襯底篩選分級(jí)后，外延后的批次和外延前的批次組成完全不一樣；到了晶圓電測(cè)環(huán)節(jié)，同一批次的晶圓可能來(lái)自不同的外延前材料批次；等進(jìn)入模塊封裝，還要精準(zhǔn)追蹤子組件里每一顆芯片的去向，整個(gè)追溯過(guò)程難度極高。

5

數(shù)據(jù)缺失導(dǎo)致模型偏差：要是直接刪掉檢測(cè)數(shù)據(jù)缺失的記錄，可不是隨機(jī)剔除那么簡(jiǎn)單，很可能會(huì)丟掉特定設(shè)備、特定時(shí)間段或特定材料等級(jí)的數(shù)據(jù)，讓訓(xùn)練集產(chǎn)生系統(tǒng)性偏差。舉個(gè)例子，缺失的數(shù)據(jù)往往是封裝階段標(biāo)記的壞片，刪掉這些數(shù)據(jù)會(huì)讓訓(xùn)練集中的壞片樣本大幅減少，最后模型的判斷會(huì)過(guò)于樂(lè)觀，漏判的風(fēng)險(xiǎn)也會(huì)跟著上升。

PDF

案例二

封裝環(huán)節(jié)的預(yù)測(cè)性芯片分檔

核心痛點(diǎn)

功率模塊（比如汽車(chē)上的牽引逆變器）是妥妥的高價(jià)值核心部件，通常由幾十顆芯片組裝而成 —— 這些芯片可能來(lái)自不同晶圓、不同產(chǎn)品，甚至不同供應(yīng)商。要是有壞片沒(méi)被篩出來(lái)，被裝進(jìn)模塊里導(dǎo)致質(zhì)量問(wèn)題，造成的經(jīng)濟(jì)損失可不小。這就引出了一個(gè)關(guān)鍵問(wèn)題：能不能靠晶圓電測(cè)的數(shù)據(jù)，提前預(yù)測(cè)芯片最終測(cè)試的結(jié)果，進(jìn)而在封裝前優(yōu)化芯片的篩選策略？
其實(shí)不只是功率半導(dǎo)體有這個(gè)難題，高端計(jì)算模塊（比如數(shù)據(jù)中心用的多芯片組件 MCM）也面臨同樣的挑戰(zhàn)。這兩類(lèi)產(chǎn)品都是一個(gè)模塊里裝幾十顆芯片，一旦模塊失效，損失的成本會(huì)平攤到所有芯片的封裝費(fèi)用上，最后損失直接翻倍。

解決方案

我們的目標(biāo)是構(gòu)建二分類(lèi)模型（預(yù)測(cè)模塊最終測(cè)試的通斷狀態(tài)），以晶圓電測(cè)參數(shù)數(shù)據(jù)為訓(xùn)練輸入。與常規(guī)模型不同，該模型不以預(yù)測(cè)準(zhǔn)確率為優(yōu)化目標(biāo)，而是以最小化最終模塊總成本為核心優(yōu)化方向。

為何選擇成本而非準(zhǔn)確率作為目標(biāo)？

因?yàn)槁┡信c誤判的成本存在極度不對(duì)稱性：將最終模塊測(cè)試中會(huì)失效的芯片送入封裝環(huán)節(jié)，會(huì)浪費(fèi)整個(gè)模塊的封裝成本，其損失可能是單顆芯片成本的 50 倍；而誤判一顆合格芯片，僅損失該芯片本身的成本。因此，最優(yōu)分類(lèi)器應(yīng)是在這種不對(duì)稱成本結(jié)構(gòu)下，能最小化總預(yù)期成本的模型。

量產(chǎn)落地的復(fù)雜性

這類(lèi)方案的實(shí)際落地過(guò)程極為復(fù)雜，主要面臨以下挑戰(zhàn)：

1

數(shù)據(jù)混亂與缺失：生產(chǎn)中實(shí)際用到的分檔圖和參數(shù)圖，常常會(huì)出現(xiàn)空間變形、測(cè)試沒(méi)做完、數(shù)據(jù)轉(zhuǎn)換出問(wèn)題等情況。之所以會(huì)這樣，核心是探針臺(tái)和測(cè)試機(jī)由不同的工程團(tuán)隊(duì)負(fù)責(zé)編程—— 探針臺(tái)只管把芯片定位準(zhǔn)確，測(cè)試機(jī)負(fù)責(zé)跑測(cè)試程序，兩邊銜接不暢，就導(dǎo)致測(cè)試結(jié)果里經(jīng)常出現(xiàn)芯片尺寸、坐標(biāo)甚至晶圓方向記錄錯(cuò)誤的問(wèn)題。

2

多測(cè)試環(huán)節(jié)的標(biāo)準(zhǔn)統(tǒng)一：從晶圓探針測(cè)試、晶圓老化測(cè)試，到模塊封裝測(cè)試、模塊老化測(cè)試，再到最后的性能測(cè)試，每個(gè)環(huán)節(jié)的數(shù)據(jù)格式、合格閾值、分檔規(guī)則都不一樣。這就帶來(lái)了兩個(gè)關(guān)鍵問(wèn)題：首先得明確，芯片 “合格” 到底怎么定義？其次，有些芯片測(cè)試本身合格，但因?yàn)榭臻g異常（比如 GDBN）被篩選剔除、沒(méi)進(jìn)入后續(xù)測(cè)試，這些芯片該怎么歸類(lèi)處理？

3

多芯片模塊的算力壓力：不同產(chǎn)品、不同批次、不同制程，都得單獨(dú)建模型，還得滿足全流程追溯的要求。再加上一個(gè)模塊里就有幾十顆芯片，模型訓(xùn)練需要處理的數(shù)據(jù)量一下子就上去了，多數(shù)廠商根本扛不住這么高的算力需求。

4

多級(jí)子封裝的目標(biāo)協(xié)同：產(chǎn)品要經(jīng)過(guò)一級(jí)一級(jí)的子封裝：上一級(jí)封裝測(cè)試好的部件，會(huì)直接拿去做下一級(jí)更復(fù)雜的封裝。每一級(jí)子封裝都得做篩選決策，但最終目的是讓所有子封裝的總成本最低。這就意味著，子封裝的步驟越多，要平衡的決策就越復(fù)雜，難度會(huì)急劇增加。

5

追溯能力薄弱的行業(yè)痛點(diǎn)：在功率半導(dǎo)體制造中，要實(shí)現(xiàn)從晶圓到模塊的芯片全程追溯，得專門(mén)投入工程資源去做，沒(méi)法自動(dòng)完成。這給 AI 模型的訓(xùn)練數(shù)據(jù)收集和結(jié)果驗(yàn)證，帶來(lái)了很大的麻煩。

我們的量產(chǎn)落地方案，會(huì)在確保全制造環(huán)節(jié)數(shù)據(jù)對(duì)齊、追溯鏈路完整、數(shù)據(jù)集滿足分析要求后，再啟動(dòng)模型訓(xùn)練。即便如此，模型的構(gòu)建、驗(yàn)證、部署與長(zhǎng)期維護(hù)，依然充滿挑戰(zhàn)。

數(shù)據(jù)基礎(chǔ)設(shè)施：AI 落地的核心前提

兩個(gè)案例的實(shí)踐均指向同一個(gè)底層結(jié)論：數(shù)據(jù)的分析可用性是 AI 成功落地的關(guān)鍵前提。多家客戶反饋，數(shù)據(jù)準(zhǔn)備與驗(yàn)證工作，占據(jù)了成功量產(chǎn)應(yīng)用這些模型所需工程工作量的90%。

功率半導(dǎo)體行業(yè)的制造數(shù)據(jù)，天生就帶著高度碎片化的特點(diǎn)。比如無(wú)晶圓廠企業(yè)，芯片來(lái)自不同供應(yīng)商，還得交給不同的外包封測(cè)廠（OSAT）加工，想把這些分散的數(shù)據(jù)整合到一個(gè)平臺(tái)上，難度特別大。
有人覺(jué)得，那些垂直整合的 IDM（自有制造）企業(yè)應(yīng)該更有優(yōu)勢(shì)？其實(shí)不然。就算數(shù)據(jù)都屬于同一家公司，也分散在各個(gè)廠區(qū)的不同系統(tǒng)里 —— 像制造執(zhí)行系統(tǒng)（MES）、企業(yè)資源計(jì)劃（ERP）這些，而且不同廠區(qū)的系統(tǒng)和數(shù)據(jù)標(biāo)準(zhǔn)都不一樣，形成了一個(gè)個(gè) “數(shù)據(jù)孤島”。這時(shí)候，部署 Exensio 這類(lèi)企業(yè)級(jí)良率管理平臺(tái)，就顯得至關(guān)重要了。

以安森美（onsemi）為例：在 2025 年 12 月 普迪飛用戶大會(huì)上，安森美的Tom Grein展示了如何以 Exensio 作為單一數(shù)據(jù)平臺(tái)與基準(zhǔn)，覆蓋碳化硅全制造流程 —— 從碳化硅粉末、晶體生長(zhǎng)、外延、器件制造到模塊封裝，構(gòu)建了 “晶錠生長(zhǎng)→襯底→外延→晶圓制造→模塊” 的完整追溯鏈路。

這種端到端的數(shù)據(jù)基礎(chǔ)設(shè)施絕非錦上添花，而是開(kāi)展深度 AI 分析與應(yīng)用的必備前提條件。

行動(dòng)倡議：打造 AI 適配的數(shù)據(jù)體系

基于與功率半導(dǎo)體制造商十余年的量產(chǎn)落地經(jīng)驗(yàn)，我們認(rèn)為，構(gòu)建成功的 AI 戰(zhàn)略需先夯實(shí)以下五大基礎(chǔ)：

1

搭建完善的制造 IT 基礎(chǔ)設(shè)施

AI 模型無(wú)法在不可用的數(shù)據(jù)上有效運(yùn)行，因此應(yīng)優(yōu)先投資數(shù)據(jù)采集、存儲(chǔ)與訪問(wèn)的基礎(chǔ)設(shè)施建設(shè)，確保數(shù)據(jù)源頭的穩(wěn)定性與可用性。

2

打破數(shù)據(jù)孤島

將所有制造相關(guān)數(shù)據(jù) —— 包括物料數(shù)據(jù)、在線晶圓數(shù)據(jù)、設(shè)備運(yùn)行數(shù)據(jù)、封裝與測(cè)試數(shù)據(jù)等 —— 整合到單一平臺(tái)。無(wú)法實(shí)現(xiàn)關(guān)聯(lián)的數(shù)據(jù)，根本不具備建模價(jià)值。

3

從源頭保障數(shù)據(jù)質(zhì)量

理想情況下，應(yīng)在數(shù)據(jù)采集環(huán)節(jié)就建立質(zhì)量管控機(jī)制；若無(wú)法實(shí)現(xiàn)，則需搭建企業(yè)級(jí) “數(shù)據(jù)清洗層”，在數(shù)據(jù)進(jìn)入分析環(huán)境前完成格式統(tǒng)一、數(shù)值驗(yàn)證與異常標(biāo)記，確保數(shù)據(jù)準(zhǔn)確性。

4

推進(jìn)跨廠區(qū)與制程的數(shù)據(jù)標(biāo)準(zhǔn)化

國(guó)際半導(dǎo)體設(shè)備與材料協(xié)會(huì)（SEMI）標(biāo)準(zhǔn)難以滿足深度數(shù)據(jù)分析的需求，廠商需針對(duì)各數(shù)據(jù)域制定自有標(biāo)準(zhǔn)，并在全廠區(qū)、全制程中統(tǒng)一執(zhí)行，確保數(shù)據(jù)的一致性與可比性。

5

建立全供應(yīng)鏈追溯體系

功率半導(dǎo)體產(chǎn)品種類(lèi)繁多，制程路線多樣，涵蓋全自研、部分外包、全外包（交鑰匙）等多種模式。從原材料到最終出貨模塊，實(shí)現(xiàn)每顆芯片的源頭追溯難度極大，但考慮到功率半導(dǎo)體的材料特性往往是決定模塊性能與可靠性的關(guān)鍵，這項(xiàng)工作必不可少。

這五大基礎(chǔ)是實(shí)現(xiàn)制造卓越的前提?；诓煌暾?、不匹配、存在偏差的數(shù)據(jù)訓(xùn)練出的 AI 模型，必然會(huì)產(chǎn)生誤導(dǎo)性結(jié)果；而在生產(chǎn)篩選系統(tǒng)中，這類(lèi)誤導(dǎo)性結(jié)果將直接轉(zhuǎn)化為顯著的成本損失。

當(dāng)前，半導(dǎo)體行業(yè)的 AI 轉(zhuǎn)型已全面提速。能夠在這場(chǎng)轉(zhuǎn)型中最大化獲取價(jià)值的廠商，未必是擁有最復(fù)雜模型的企業(yè)，而是那些腳踏實(shí)地做好數(shù)據(jù)適配基礎(chǔ)工作的先行者。