在开发制造微芯片的新方法时，最好的方法可能不是单独依赖人类或计算机进行开发，而是两者的结合。一项新的研究发现，与单独依赖人类专家相比，这种合作可能将开发成本降低一半。
“虽然人类仍然必不可少，因为他们能解决具有挑战性的开箱即用问题的专业知识和能力，但我们的研究结果表明,'人类第一，计算机最后'策略可以帮助解决工艺开发的繁琐部分，大大加快创新速度，”该研究的高级作者Richard Gottscho说，他是位于加利福尼亚州弗里蒙特的Lam Research Corp.的战略顾问。“随着芯片制造商寻求克服与扩展3D NAND、FinFETS、DRAM和其他器件相关的许多挑战，其影响确实令人兴奋。”
制造微芯片的瓶颈之一是，开发制造晶体管和存储单元的半导体工艺的成本越来越高。这是一个复杂的工艺，每一个都包括数百个步骤，目前仍然是由训练有素的工程师手工构思的。
AI在复杂任务上胜过人类，例如象棋和围棋等棋盘游戏，表明计算机算法也可能有助于开发半导体工艺。然而，为了在棋盘游戏中击败对手，计算机被训练出大量廉价的数据。相比之下，生成半导体工艺数据的成本很高。由于材料、设备和分析工具的成本，单个实验可能要花费一千多美元。
半导体实验的高成本意味着，工程师通常从事的半导体工艺开发，是在按顺序测试大约一百种不同的制造设备和机器参数的组合或“处方”的基础上实现的，例如等离子体压力和晶片温度。这种有限的数据使得很难建立一个精确到原子尺度的预测模型。
“当在3D NAND器件中创建存储孔或蚀刻另一个器件特征时，工艺工程师面临着超过100万亿种不同的高纵横比蚀刻方法，”Gottscho说。“这个数字简直让人应接不暇。”
在新的研究中，研究人员调查了AI如何降低开发半导体工艺的成本。具体来说，他们探索了基于贝叶斯推理（Bayesian reasoning）的统计方法的优化算法，其中先验知识有助于计算不确定选择可能是正确的机会。贝叶斯优化算法在缺乏数据时可以证明是有效的，科学家们之前已经研究过它们在半导体行业中的其他应用。
为了证明机器在这项任务中是否比人做得更好，科学家们创造了一种系统地相互比较它们的方法。受计算机在国际象棋和围棋方面的进步启发，该研究的主要作者，Lam Research的技术总经理Keren Kanarik建议开发一个游戏作为比较的测试平台。
实验中，玩家在实验室模拟器上工作，他们按要求蚀刻一个记忆孔，这是二氧化硅薄膜中的一个沟槽，用于创建一个存储单元。目标是用尽可能少的钱找到一个“处方”，产生一个具有特定深度、宽度和形状的记忆洞。
真正的玩家是三种计算机算法：三名拥有博士学位的人类高级工程师，每个人都有七年以上的工作经验；三个拥有博士学位的初级工程师，每个人都只有不到一年的经验；和三名对半导体工艺一无所知的志愿者。每一轮结束时，玩家提交一批一个或多个“处方”。每个“处方”的晶圆和测量成本为1000美元，每个批次的工具操作成本为1000美元。
最佳玩家是一名人类高级工程师，他在总成本为105，000美元后制作出了所要求的记忆洞。在300次计算机尝试中，只有13次（不到5%）击败了这位人类专家。总之，科学家们发现，对于相同的进度，人类高级工程师所需的成本大约是人类初级工程师的一半。
运行这个游戏的科学家发现，每个人类工程师的工作被分成两个阶段。在最初的粗调阶段，他们在实现目标方面表现出快速的进步，而在后期的微调阶段，他们在同时实现所有期望的目标方面进展缓慢。
研究人员认为，计算机算法失败是因为它们缺乏专业知识，因此浪费了在大量可能性中导航的实验。因此，他们测试了一种策略，其中最佳玩家在“人类优先，计算机最后”的场景中指导算法。他们发现，这种混合方法只需52，000美元就能达到目标，不到人类专家单独成本的一半。
这项新研究揭示，人类工程师可能在粗略调整的早期阶段表现出色，那时他们可以利用自己的经验和直觉。在努力达到精确目标的后期微调阶段，计算机算法可能被证明更具成本效益。
“这项研究强化了人类工程师和人类创造力的重要性和内在价值，也向我们展示了一种放大这些好处的方法，同时通过将它们交给非常适合这项任务的机器来减少工程中回报较少的方面，”Gottscho说。“你可以将人类所能提供的最好的东西以及数据科学和机器所能提供的最好的东西结合在一起，创造出一个比单独一方表现更好的组合。”
科学家指出，未来的研究可以系统地调查何时将人类的工作交给计算机来完成。他们补充说，让人类与计算机合作可能还会有文化上的挑战。例如，这项研究发现，虽然人类工程师经常从一个实验到另一个实验只改变一两个参数，但计算机可能会在没有解释的情况下改变更多，人类可能很难接受他们不理解的“处方”。
“AI和计算机处理信息的方式对大多数人来说是反直觉的，”Gottscho说。“为了让‘人类第一，计算机最后’的非常规方法获得成功，工艺工程师需要抵制对机器工艺的干预。这可能需要人类行为的改变。对AI方法的更好理解可能有助于工程师信任机器的发现，并最终导致未来利用计算机算法的更大潜在机会。”
原文链接：
