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)體制造商長達十余年的深度合作，本文將提煉其中的核心實踐經(jīng)驗。

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平臺實現(xiàn)全流程精準預(yù)測

功率半導(dǎo)體的獨特性何在？

如今，AI 驅(qū)動的良率提升在邏輯與存儲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，卻要面對一系列獨特挑戰(zhàn)。這類產(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、襯底分級，到外延、老化測試、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)報告》中的 11 家上榜企業(yè)，全都是 Exensio 平臺的十年以上長期客戶。我們在 APEC 會議分享的兩大案例，正是源于這些企業(yè)的量產(chǎn)實戰(zhàn)經(jīng)驗。

數(shù)據(jù)來源：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

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)判哪些襯底會制約良率，并針對性采取應(yīng)對措施？

解決方案

過去識別致命缺陷，主要靠缺陷致死率（Kill Ratio）這個核心指標：用 2×2 混淆矩陣對比有無缺陷芯片的良率差異，說到底就是靠芯片級的缺陷匯總數(shù)據(jù)來判斷。
做硅基芯片的時候，襯底基本沒什么缺陷，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 —— 不僅要過好幾道檢測工序，還要覆蓋裸襯底（外延前后）、圖形化晶圓（在線檢測）等不同場景。之前的芯片級匯總方法根本行不通：沒做圖案化的襯底沒有清晰的芯片網(wǎng)格，單靠晶圓電測，也沒法判斷芯片到底好不好。
更何況，功率器件得在大電流、高電壓和特殊負載的嚴苛條件下驗證性能，這些條件在晶圓電測階段通常很難滿足。

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)測模型，生成專屬的預(yù)測電性能分檔圖。這樣一來，不用等正式電性能測試，就能提前給每片晶圓、每顆芯片的通斷狀態(tài)做好預(yù)判。依靠這個模型，操作員在啟動完整制造流程前就能完成襯底分級，還能支持任意虛擬芯片尺寸的良率預(yù)測，方便用戶測試不同芯片尺寸方案，精準算出對應(yīng)的良率。

落地成效

下面這些成果，都來自多家碳化硅襯底供應(yīng)商的量產(chǎn)實戰(zhàn)驗證 —— 而且這套方法不局限于碳化硅，其他類型半導(dǎo)體也能用。在實際生產(chǎn)中，這個模型能做到：

• 精準識別制約良率的襯底，其結(jié)論與碳化硅缺陷致死機制的公開研究成果高度一致；
• 通過上游襯底篩選決策，將整體良率提升數(shù)個百分點；
• 生成實際值 / 預(yù)測值 / 差值分檔圖，讓模型決策邏輯具備可解釋性與可審計性；

不僅如此，模型還為每類缺陷劃分了四種分類結(jié)果，把不同判定情況會帶來什么影響說清楚了：

量產(chǎn)落地的核心挑戰(zhàn)

從試點驗證到規(guī)?；慨a(chǎn)，方案落地過程中暴露出諸多現(xiàn)實難題：

1

檢測設(shè)備差異：同一襯底在不同批次、不同制程里，可能會用不同的檢測設(shè)備測量。但不同設(shè)備的缺陷分類標準不一樣，缺陷數(shù)量得先做標準化處理才能對比；而且檢測方案本身還不夠成熟，一直在調(diào)整優(yōu)化。

2

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

3

探針測試與老化數(shù)據(jù)質(zhì)量：數(shù)據(jù)問題特別常見 —— 比如測試方向搞錯、檢測和測試的芯片坐標對不上、芯片 ID 的規(guī)則不統(tǒng)一等，這些都會導(dǎo)致空間對齊困難。所以，必須先把數(shù)據(jù)清洗干凈、驗證無誤，才能做出能用的預(yù)測模型。

4

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

5

數(shù)據(jù)缺失導(dǎo)致模型偏差：要是直接刪掉檢測數(shù)據(jù)缺失的記錄，可不是隨機剔除那么簡單，很可能會丟掉特定設(shè)備、特定時間段或特定材料等級的數(shù)據(jù)，讓訓(xùn)練集產(chǎn)生系統(tǒng)性偏差。舉個例子，缺失的數(shù)據(jù)往往是封裝階段標記的壞片，刪掉這些數(shù)據(jù)會讓訓(xùn)練集中的壞片樣本大幅減少，最后模型的判斷會過于樂觀，漏判的風(fēng)險也會跟著上升。

PDF

案例二

封裝環(huán)節(jié)的預(yù)測性芯片分檔

核心痛點

功率模塊（比如汽車上的牽引逆變器）是妥妥的高價值核心部件，通常由幾十顆芯片組裝而成 —— 這些芯片可能來自不同晶圓、不同產(chǎn)品，甚至不同供應(yīng)商。要是有壞片沒被篩出來，被裝進模塊里導(dǎo)致質(zhì)量問題，造成的經(jīng)濟損失可不小。這就引出了一個關(guān)鍵問題：能不能靠晶圓電測的數(shù)據(jù)，提前預(yù)測芯片最終測試的結(jié)果，進而在封裝前優(yōu)化芯片的篩選策略？
其實不只是功率半導(dǎo)體有這個難題，高端計算模塊（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)。這兩類產(chǎn)品都是一個模塊里裝幾十顆芯片，一旦模塊失效，損失的成本會平攤到所有芯片的封裝費用上，最后損失直接翻倍。

解決方案

我們的目標是構(gòu)建二分類模型（預(yù)測模塊最終測試的通斷狀態(tài)），以晶圓電測參數(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)測準確率為優(yōu)化目標，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確率作為目標？

因為漏判與誤判的成本存在極度不對稱性：將最終模塊測試中會失效的芯片送入封裝環(huán)節(jié)，會浪費整個模塊的封裝成本，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)分類器應(yīng)是在這種不對稱成本結(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

這類方案的實際落地過程極為復(fù)雜，主要面臨以下挑戰(zhàn)：

1

數(shù)據(jù)混亂與缺失：生產(chǎn)中實際用到的分檔圖和參數(shù)圖，常常會出現(xiàn)空間變形、測試沒做完、數(shù)據(jù)轉(zhuǎn)換出問題等情況。之所以會這樣，核心是探針臺和測試機由不同的工程團隊負責(zé)編程—— 探針臺只管把芯片定位準確，測試機負責(zé)跑測試程序，兩邊銜接不暢，就導(dǎo)致測試結(jié)果里經(jīng)常出現(xiàn)芯片尺寸、坐標甚至晶圓方向記錄錯誤的問題。

2

多測試環(huán)節(jié)的標準統(tǒng)一：從晶圓探針測試、晶圓老化測試，到模塊封裝測試、模塊老化測試，再到最后的性能測試，每個環(huán)節(jié)的數(shù)據(jù)格式、合格閾值、分檔規(guī)則都不一樣。這就帶來了兩個關(guān)鍵問題：首先得明確，芯片 “合格” 到底怎么定義？其次，有些芯片測試本身合格，但因為空間異常（比如 GDBN）被篩選剔除、沒進入后續(xù)測試，這些芯片該怎么歸類處理？

3

多芯片模塊的算力壓力：不同產(chǎn)品、不同批次、不同制程，都得單獨建模型，還得滿足全流程追溯的要求。再加上一個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

多級子封裝的目標協(xié)同：產(chǎn)品要經(jīng)過一級一級的子封裝：上一級封裝測試好的部件，會直接拿去做下一級更復(fù)雜的封裝。每一級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，難度會急劇增加。

5

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

我們的量產(chǎn)落地方案，會在確保全制造環(huán)節(jié)數(shù)據(jù)對齊、追溯鏈路完整、數(shù)據(jù)集滿足分析要求后，再啟動模型訓(xùn)練。即便如此，模型的構(gòu)建、驗證、部署與長期維護，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

兩個案例的實踐均指向同一個底層結(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)準備與驗證工作，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。比如無晶圓廠企業(yè)，芯片來自不同供應(yīng)商，還得交給不同的外包封測廠（OSAT）加工，想把這些分散的數(shù)據(jù)整合到一個平臺上，難度特別大。
有人覺得，那些垂直整合的 IDM（自有制造）企業(yè)應(yīng)該更有優(yōu)勢？其實不然。就算數(shù)據(jù)都屬于同一家公司，也分散在各個廠區(qū)的不同系統(tǒng)里 —— 像制造執(zhí)行系統(tǒng)（MES）、企業(yè)資源計劃（ERP）這些，而且不同廠區(qū)的系統(tǒng)和數(shù)據(jù)標準都不一樣，形成了一個個 “數(shù)據(jù)孤島”。這時候，部署 Exensio 這類企業(yè)級良率管理平臺，就顯得至關(guān)重要了。

以安森美（onsemi）為例：在 2025 年 12 月 普迪飛用戶大會上，安森美的Tom Grein展示了如何以 Exensio 作為單一數(shù)據(jù)平臺與基準，覆蓋碳化硅全制造流程 —— 從碳化硅粉末、晶體生長、外延、器件制造到模塊封裝，構(gòu)建了 “晶錠生長→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，而是開展深度 AI 分析與應(yīng)用的必備前提條件。

行動倡議：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，我們認為，構(gòu)建成功的 AI 戰(zhàn)略需先夯實以下五大基礎(chǔ)：

1

搭建完善的制造 IT 基礎(chǔ)設(shè)施

AI 模型無法在不可用的數(shù)據(jù)上有效運行，因此應(yīng)優(yōu)先投資數(shù)據(jù)采集、存儲與訪問的基礎(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)備運行數(shù)據(jù)、封裝與測試數(shù)據(jù)等 —— 整合到單一平臺。無法實現(xiàn)關(guān)聯(lián)的數(shù)據(jù)，根本不具備建模價值。

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)量管控機制；若無法實現(xiàn)，則需搭建企業(yè)級 “數(shù)據(jù)清洗層”，在數(shù)據(jù)進入分析環(huán)境前完成格式統(tǒng)一、數(shù)值驗證與異常標記，確保數(shù)據(jù)準確性。

4

推進跨廠區(qū)與制程的數(shù)據(jù)標準化

國際半導(dǎo)體設(shè)備與材料協(xié)會（SEMI）標準難以滿足深度數(shù)據(jù)分析的需求，廠商需針對各數(shù)據(jù)域制定自有標準，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，這項工作必不可少。

這五大基礎(chǔ)是實現(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，必然會產(chǎn)生誤導(dǎo)性結(jié)果；而在生產(chǎn)篩選系統(tǒng)中，這類誤導(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。能夠在這場轉(zhuǎn)型中最大化獲取價值的廠商，未必是擁有最復(fù)雜模型的企業(yè)，而是那些腳踏實地做好數(shù)據(jù)適配基礎(chǔ)工作的先行者。