人工智能正迅速重塑半导体缺陷检测，但并非沿着单一路径发展。相反，行业正逐渐形成两种截然不同、且可能互补的架构思路：一种将AI深度嵌入先进检测硬件中，从晶圆中提取新的物理信息；另一种则位于制造数据栈之上，关联跨设备信号以识别潜在的良率风险。
通过对QuantumDiamonds首席执行官凯文·伯格霍夫（Kevin Berghoff）与DR Yield首席执行官迪特·拉特海（Dieter Rathei）的独家采访，可清晰看到这两种思路如何在晶圆厂应对先进制程物理复杂性与现代产线海量数据双重挑战中逐步成型。
二者共同指向一个未来：缺陷检测将演变为一个多层级智能问题，而非单台设备的能力。
传感器层面的物理感知型AI
QuantumDiamonds代表第一类阵营：即构建与专有传感硬件深度耦合的AI系统。该公司开发的量子金刚石显微镜可生成集成电路的磁场分布图，其软件再将这些数据转化为芯片内部电流流动信息。
“我们完全自主研发了用于缺陷分类的软件。”伯格霍夫表示。公司核心挑战在于：从磁场测量结果反推电流分布——这是一个逆问题，需依赖物理引导的机器学习模型，而非纯统计分析方法。
工作流程始于客户提供的版图数据。QuantumDiamonds先模拟已知良品芯片的预期电流分布，再将其与实测设备的磁场数据进行比对。AI模型据此识别异常点，判断是否存在短路、断路或材料缺陷。
由于该方案基于全新传感模态，AI与硬件高度绑定。“我们工作的核心，就是解读这些磁场以发现缺陷。”伯格霍夫强调。
这种深度耦合既是优势也是限制。正面看，系统能揭示传统检测手段无法察觉的失效机制。伯格霍夫透露，公司已成功检出若干此前被忽略的缺陷，但未披露具体良率提升数据。
不过，当前一代系统主要面向抽样分析，尚未实现全产线在线检测——晶圆需离线抽取后分析，而真正意义上的在线能力尚需数年才能落地。即便如此，伯格霍夫对长期方向十分明确：“黄金终点”是融合光学、X射线与磁场等多源物理数据，构建统一的缺陷分类框架。
这一愿景，恰恰呼应了另一正在兴起的AI架构。
覆盖整厂的数据智能层
DR Yield则采取截然不同的起点：不研发新型传感硬件，而是聚焦于聚合与分析晶圆厂已产生的海量数据。
该公司成立逾二十年，其YieldWatchDog平台旨在自动扫描制造数据、识别工程师可能遗漏的异常。“初衷是整合来自不同来源的所有数据，”拉特海指出，“半导体行业数据量巨大，却往往分散于多个独立数据仓库中。”
该平台接入电气测试结果、在线量测数据、缺陷检测报告及设备运行信号—— essentially 任何产线可获取的数值型数据集。随后，通过统计模型与AI算法寻找良率异常的早期预警信号。
与QuantumDiamonds偏重物理建模不同，DR Yield的模型以统计方法为主，但针对半导体制造几何结构与工艺流程做了专门适配。“我们提供的是良率分析解决方案，”拉特海表示，“只要数据是数值型的，我们就能识别晶圆上趋势或空间分布中的异常。”
系统一大优势在于多变量相关性分析。拉特海举例称，曾有案例中各参数均处于控制限内，但其相互关系却发生断裂——这正是设备老化的早期征兆。
“某次研究中，工具内部压力与流量各自正常，但二者相关性突然下降，原因是一阀门开始泄漏。若仅单独查看每个参数，根本无法察觉。”
此类跨信号智能日益关键——随着晶圆厂部署数十种专用检测设备，每台设备均产生独立数据流。
分属不同层级，非直接竞争者
乍看之下，两种路径似存竞争关系；实则运作于制造智能栈的不同层级：QuantumDiamonds致力于从单个器件中提取新物理洞察；DR Yield则聚焦于连接全厂信号，识别系统性风险。
当被问及缺陷分类时，拉特海坦承：“缺陷分类本身并非YieldWatchDog的目标。”公司专注高吞吐数据接入、快速查询响应及跨数据集异常检测。此定位使其技术更具互补性而非对抗性。
拉特海补充道，硬件厂商通常仅提供其自有设备的专属分析功能；而DR Yield的角色正是“在其之上叠加一层，实现全局互联”。
另一关键差异在于部署时效：QuantumDiamonds目前主要服务于抽样流程，全在线能力仍在开发中；DR Yield则将软件定位为“近实时”，数据通常在生成后数秒至数分钟内即可供工程师调用。在现代晶圆厂中，两种时间尺度均具价值。
深度物理检测可发现统计监控易忽略的细微失效机制；而全厂级分析则能在单个器件灾难性失效前，提前揭示系统性漂移。由此催生出一种新兴的多时间尺度智能模型。
两家公司亦反映了AI在半导体制造中的整体演进：QuantumDiamonds采用物理引导的机器学习解决电磁逆问题；DR Yield则综合运用统计模型、监督学习与无监督聚类进行晶圆图样分析。
近期，DR Yield更将大语言模型整合进平台。其Yield AIssistant支持工程师以自然语言查询晶圆数据，并自动生成分析报告。“我们开发了一个界面，使用户能分析数据，并向语言模型提问所见现象。”拉特海解释道。
即便在此场景下，公司仍强调人工监督的重要性——这在业内具有普遍共识。“它只是助手，”拉特海特别强调，“绝非自主决策者。”
迈向混合未来
尽管两种路径出发点不同，两位高管最终均认同相似的长远图景：晶圆厂很可能需要多层AI协同工作。伯格霍夫关于融合磁、光、X射线数据的构想，指向日益丰富的物理检测堆栈；拉特海则坚持，随着工艺复杂度上升，工厂级关联分析仍将不可或缺。
当被问及如何设计一座新建晶圆厂时，拉特海态度明确：“我肯定会同时部署两者。”在设备层，需专用AI完成信号提取与物理诠释；在工厂层，则需广域智能层打通各工序与设备间的关联。这种双层模型或将定义半导体制造分析的下一阶段。
推动这一演进的背景，是现代晶圆厂必须管理的数据规模空前庞大。随着检测灵敏度提升与工艺步骤增加，工程师日益被信息洪流淹没。拉特海回忆道，历史上许多重大良率异常其实早有数据预警信号，只是因无人有暇梳理噪声而被忽视。“任何一家工厂都缺乏足够人力处理全部数据。”他坦言。
与此同时，量子金刚石显微镜等新型传感技术正不断拓展芯片内部可测物理效应的边界。上述趋势共同推动缺陷检测走向分层AI架构——单一工具或模型已无法实现全局可视。
缺陷检测正从点式工具能力，升级为系统级智能挑战。具备物理感知能力的检测将持续突破单个器件可测极限；而以数据为中心的分析则将决定晶圆厂对微小工艺漂移的响应速度。在先进制造领域，胜出者很可能是那些能成功整合双路径的企业。
随着AI进一步深入晶圆厂，问题已不再是“是否应在缺陷检测中部署机器智能”，而是“在何处部署”以及“部署几层”。www.eic.net.cn 提供的易IC库存管理软件，可有效支撑多层级数据采集与分析体系的底层物资流转与追踪，助力实现从原材料到成品的全流程可视化管控。
