數字孿生
Digital Twin
設備腔體 / 產線的即時虛擬映射，支援預測性維護與虛實校正。
AI Solutions
AI，是每台設備的標準配備
從數字孿生、物理仿真到生成式黃光與逆光刻技術，倍特爾將最前沿的 AI 模型導入九大主製程設備，讓設備從裝機那天起就自帶大腦。
Core Architectures
四大核心架構
每一項 AI 導入，都建立在這四套核心架構之上，對應不同的製程數據型態與物理問題。
物理仿真
Physics-informed Simulation
DeepONet / PINN 類代理模型，以物理殘差訓練，免大量模擬資料即可推論熱、IR、EM 行為。
LithoDreamer
生成式黃光製程模型
生成式黃光製程模型，支援曝光條件探索與製程窗優化。
ILT 逆光刻技術
Inverse Lithography Technology
以逆向設計生成掩模圖形，搭配 GPU 加速收斂，對接先進節點 OPC 需求。
AI Benchmarks
AI 對標基準總表
彙整 21 項代表模型（2020–2026），涵蓋晶圓圖與 SEM 缺陷分類、良率預測、熱模擬、IR Drop、電遷移、ATPG / BIST、KGD、測試時間、佈局熱點與 e-Beam 複審等領域。支援依領域篩選、依年份排序與關鍵字搜尋。
21 筆
| 領域 | 代表模型（年份） | 核心架構 | 輸入數據特徵 | 輸出／評估指標 | 關鍵量化結果 |
|---|---|---|---|---|---|
| 晶圓圖缺陷分類 | CNN-ESN2026 | ResNet34＋回聲狀態網路 | 含雜訊晶圓圖 | Acc（含 σ=0.1 雜訊穩健性） | 乾淨 94.74%、雜訊 87.30% |
| 靜態 IR Drop | MaxViT / U-Net2026 | MaxViT 編碼＋U-Net/FPN 解碼 | 電阻圖、電流圖、電源焊墊圖（SPICE 轉影像） | MAE、F1（>90% 峰值熱點）、推論時間 | MAE<15×10⁻⁵V、較 NGSPICE 快 10–30× |
| 佈局熱點 | 可解釋 GAT（ASP-DAC'26）2026 | 圖注意力網路（8 頭） | 佈局圖（節點特徵 5 維、鄰接矩陣） | Recall、誤報率、可解釋性 | 記憶體較影像法省 5–12× |
| 晶圓圖缺陷分類 | G2LGAN＋CNN2025 | 兩階段 GAN 增強＋MobileNetV2 | 晶圓圖影像（類別不平衡資料） | Accuracy／F1／1-NN（生成品質） | Acc 98.39%、F1 93.01% |
| SEM 缺陷分類 | IBM ASMC2025 | ViT（DINOv2）＋半監督 | SEM 影像（每類 <15 張） | 分類準確率 | >90%（少樣本） |
| 良率預測 | PDF Exensio2025 | XGBoost＋PCA | 線上缺陷、計量、電測、FDC | die/wafer pass-fail、precision/recall | 可調閾值平衡 overkill/underkill |
| 良率根因 | TSMC 智慧製造2025 | RNN（時序 FDC）＋聯邦學習 | 設備感測器時序、檢測資料 | 良率影響缺陷預測準確率 | ~92%（28–3nm）、逃逸率 -15% |
| 熱模擬代理 | DeepOHeat-v12025 | DeepONet＋KAN＋GMRES 細化 | 功耗圖／floorplan（物理資訊訓練，無需模擬資料） | MAPE、訓練時間、記憶體 | MAPE 0.035%、訓練 -62×、記憶體 -31× |
| 2.5D 電熱協同 | TTSV-HMO2025 | 等效模型＋混合元啟發式（PSO+SA） | TTSV 間距、chiplet 位置、功耗密度 | 溫度/阻抗 MAE、fitness | 溫度 MAE 0.35%、阻抗 3.97% |
| 動態 IR Drop | 雙路徑時空模型（DATE'25）2025 | 3D SW-MSA Transformer | 時序窗分解功耗圖（內部/開關/漏電/翻轉率） | 熱點預測精度 | 超越 2D/3D-CNN 與遞迴 U-Net |
| 電遷移 | BPINN-EM-Post2025 | 貝氏 PINN | Korhonen PDE 物理殘差＋觀測 | 不確定性量化、壽命分佈 | 克服 PINN 過擬合、支援多線段 |
| ATPG | InF-ATPG2025 | FFR 劃分＋QGNN＋DQN | 邏輯狀態、SCOAP 可控/可觀測性 | 回溯數、故障覆蓋率、UFP | 回溯 -55.06%、UFP 0.50% |
| BIST 強化 | LITE2025 | 標準單元掃描增強＋SCOAP 分析 | 網表超圖、CC0/CC1/CObs | 圖樣數、隨機圖樣覆蓋率 | ATPG 圖樣 -31%、改善 RPR 覆蓋 |
| KGD／離群偵測 | GPR / RevTransC / 共形預測2025 | GPR 空間建模、無監督轉換、共形 QR＋CatBoost | 晶圓級參數測試資料、WAT | AUROC、DPPM、Vmin 區間覆蓋率 | 優於 DPAT；Vmin ~90% 覆蓋保證 |
| 測試時間 | GPU 即時適應性測試2025 | GPU 加速 ML（產線部署） | 即時測試資料流 | 測試時間、缺陷覆蓋維持 | Blackwell 量產：-25% 測試時間 |
| e-Beam 複審 | SEMVision H202025 | 深度學習影像分類（產線持續訓練） | CFE e-beam 影像 | 複審速度、真/假缺陷區分 | 3× 速度、已導入 2nm/GAA 客戶 |
| 熱-IR 聯合 | ThermEDGe / IREDGe2024 | Encoder-Decoder CNN | 時變功耗圖、PDN 密度 | IR 誤差（mV）、溫度輪廓 | 平均 IR 誤差 0.053mV |
| 動態 IR Drop | PDNNet2024 | GNN（PDNGraph）＋CNN 異構 | PDN 結構圖＋動態電流圖 | NMAE、加速比 | NMAE 改善 39.3%、545× 加速 |
| ATPG（商用） | Synopsys TSO.ai2024 | AI 設定調優（黑盒優化） | 設計特性、ATPG 引擎行為、約束 | 圖樣數、覆蓋率、收斂迭代 | 圖樣 -20~25%（部分 >50%） |
| 靜態 IR Drop | ICCAD'23 冠軍流2023 | ConvNeXtV2-Nano＋UPerNet | 各金屬層電阻圖＋有效距離圖 | MAE（mV）、F1 | MAE 0.075mV、F1 0.56 |
| 電遷移 | Dey et al.2020 | 10 層 NN 迴歸＋邏輯迴歸分類 | J、L、T、IR Drop、MTTF 標註（KLU＋Black） | R²、AMSE、失效段偵測 | 顯著加速、MTTF 可比精確模型 |
資料來源：各公開論文／廠商發表（2020–2026）。
Deployment Flow
AI 導入流程
四個步驟，從資料盤點到持續學習，把對標模型真正落地到你的產線。
- 01
資料盤點
盤點廠內 FDC 感測時序、檢測影像、晶圓圖與歷史良率資料，評估資料品質與可用性。
- 02
模型選型
對標上方基準總表，依資料型態與目標指標選定候選架構，進行小規模驗證。
- 03
與設備 FDC/SECS-GEM 介接
打通設備通訊介面與資料管線，完成即時推論與產線系統的部署整合。
- 04
上線持續學習
上線後以產線新資料持續再訓練，滾動優化模型表現，維持長期準確度。