英伟达用NIM + NV-Tesseract模型，提高芯片生产良率

在指甲盖大小的芯片上动辄集成数百亿个晶体管，只要一个微小的瑕疵，数百万美元的投入就可能瞬间归零。

英伟达正用AI给这个天价难题开出新药方。

1833年，法拉第偶然发现硫化银晶体的导电性跟金属正好相反，温度越高，导电能力越强。这个小小的发现，就是半导体世界的开端。

后来，人们捣鼓出了点接触整流效应，拿到了“猫须”检波器（早期无线电时代用于检测无线电信号的半导体器件）的专利，直到1947年，贝尔实验室的三个天才搞出了晶体管，电子工业的时代才算真正拉开序幕。

造芯片，本质上跟在沙子上盖楼差不多，只不过这“沙子”是超纯的硅晶圆，楼是纳米级的电路结构。为了盖好这楼，得用上光刻、蚀刻、扩散、沉积等几百道工序，每一步都不能出错。

怎么知道有没有出错？

最开始，靠的是人眼。没错，就是用显微镜一个一个地看。这种方法主观性太强，而且效率极低。随着芯片上的晶体管越来越多，小到人眼根本看不见，这条路就走不通了。

后来有了光学检测工具，用机器拍照扫描，速度是快了，但稍微有点变化就认不出来，误报率高得吓人。好好的产品被它当成次品，也是一笔不小的损失。

更高级的武器是电子显微镜（SEM, TEM），能把缺陷放大到极致，看得清清楚楚。但它太慢了，一台设备一天也看不了几片晶圆，只能在实验室里做做分析，根本上不了生产线。

还有一种办法叫统计过程控制（SPC），用统计学的方法监控生产过程中的各种数据，比如腔室压力、气体流量、温度等等。这方法有点像医生看体检报告，只看那些超出正常范围的指标。可有些毛病是潜移默化的，或者是几个指标凑在一起才显现出来的“疑难杂症”，SPC就发现不了。

英伟达搞了一个叫NV-Tesseract的模型家族，专门用来处理时间序列数据。像一个超级敏感的侦探，能从一大堆看似杂乱无章的数据（比如传感器每分每秒的读数）里，嗅出不对劲的味道。

这个侦探团伙内部有明确分工，有的负责“异常检测”，有的负责“预测”，有的负责“分类”。

时间序列人工智能领域有一个基本共识，没有任何单一模型能够有效处理所有预测任务。NV-Tesseract基于这一理念，提供了一系列为不同功能优化的专用模型：

异常检测模型实时检测运营或财务异常，能够在问题升级前进行主动干预。预测模型预测未来趋势、需求波动和价格变化，以支持战略规划和资源分配。分类模型对时间序列数据进行高精度分类，减少大量人工标注的需求，提升模式识别能力。

NV-Tesseract利用基于Transformer的嵌入来有效捕捉时间序列数据中细微的长程依赖关系，即使在输入存在噪声或偏移的情况下也能保持较高的分类准确率。

其模块化架构便于与其他模型集成，能在信号不完整或不稳定的情况下提升性能。

多头注意力层使NV-Tesseract能够无缝适应突发变化，如季节性变动或市场激增，确保在动态环境下保持稳定的准确性。

在内部测试中，NV-Tesseract比那些传统的浅层神经网络、逻辑回归模型，准确率和F1分数高了5%到20%。在医疗健康领域的一个测试中，它识别血压峰值的F1分数达到了0.96，这证明了它的能力是实打实的。

英伟达推出了NIM（NVIDIA Inference Microservices，英伟达推理微服务）。

它把那些复杂的AI模型，比如NV-Tesseract，打包成一个个即插即用的微服务。只需要像运行一个普通的软件一样，几行命令就能把NV-Tesseract系列模型部署到生产线上。

NIM内置了TensorRT、TensorRT-LLM这些英伟达自家的优化引擎，能把GPU的性能压榨到极致，实现低延迟、高吞吐量的推理。

而且你可以把它部署在任何有英伟达GPU的地方，不管是云端、数据中心，还是车间里的工作站，并可借助Kubernetes和Slurm等编排框架扩展至数百个微服务。

有了NIM，NV-Tesseract模型就可以大规模部署到工厂里。能够在单信号和多个相关传感器的时间序列中，识别出异常发生的确切时刻。

这种精细程度对晶圆厂至关重要，因为可以精确确定从哪个时间点开始晶圆可能出现故障，立即采取纠正措施，并防止损失向下游蔓延。

半导体晶圆厂会产生大量的传感器数据——压力、流量、温度和振动等，每一项数据都可能发出故障信号。几十年来，工程师们一直依赖固定阈值和手动调整的规则。然而，面对现代芯片制造中的噪声、漂移和规模问题，这些方法就失灵了。

通过NIM整合NV-Tesseract系列模型，用在半导体晶圆厂生产中，发挥出了巨大作用：

针对特定工厂数据进行微调。使模型能够使其异常定义适应单个工具、工艺或生产线。

提供用于精确率与召回率权衡的调节旋钮，以便晶圆厂能够调整检测灵敏度，以满足其运营需求。

等离子体强度、气体流量或温度的细微偏差都可能导致整批晶圆报废。通过更早发现异常，晶圆厂可以在良率受损前暂停生产、进行调整或维修。

曾经数小时未被察觉的传感器故障或校准漂移可被立即检测到，从而防止长时间停机或工具故障的连锁反应。

误报会削弱信心，而漏报异常则会影响运营。NV-Tesseract能够减少干扰，同时突出显示真实事件，这有助于建立对自动化监控的信任。

晶圆厂无需为每种工具或流程定制解决方案，而是可以轻松地在数百台机器上部署统一的异常检测功能，在加快应用速度的同时降低集成成本。

将AI应用到制造业的各个环节，各道工序中，已成未来发展大趋势。

例如，全球检测设备巨头KLA公司，就把AI和自家的电子束检测技术结合起来，结果误报率直接从40-50%降到了10%以下，硬件都没换。

NV-Tesseract和NIM的组合，给半导体制造打开了一扇新的大门。

不仅能实时发现问题，还能通过分析设备传感器的长期数据，AI可以预测某台机器什么时候可能会出故障，提醒工程师提前进行维护，避免生产中断。

还能分析工艺参数和缺陷数据之间的关系，告诉工程师什么样的温度、压力、化学浓度组合，才能生产出良率最高的芯片。

英伟达还计划让NV-Tesseract能够针对特定工厂、特定生产线的数据进行微调，变得更加“懂行”。

参考资料：

https://www.indium.tech/blog/traditional-vs-ai-semiconductor-defect-detection

https://developer.nvidia.com/blog/new-nvidia-nv-tesseract-time-series-models-advance-dataset-processing-and-anomaly-detection

https://developer.nvidia.com/blog/advancing-anomaly-detection-for-industry-applications-with-nvidia-nv-tesseract-ad

https://developer.nvidia.com/blog/new-nvidia-nv-tesseract-time-series-models-advance-dataset-processing-and-anomaly-detection