这条产线是一条十二寸的中型产线，有8台光刻机，型号是阿斯麦1980di，但应该已经经过了一轮的魔改。

    另外离子注入机10台、刻蚀机40台，还有研磨机、电子电压监测设备等等一系列的设备。

    纪弘一边参观一边了解着情况，同时，产线这边的负责人还给他送来了产线以及产线设备的相关技术资料——这些资料与原版已经有所不同，尤其是光刻机，经过了很大程度的魔改。

    产能方面，以成熟产线的14nm工艺计，这条产线月产晶圆大约为一万片，以一般芯片的面积计，一片晶圆大约切割良品芯片约五六十，也就是说，这条产线月芯片产量大约在五六十万左右。

    但麒麟9000s用SAQP四重曝光技术，效率大约要下降30%，再加上良率受到的影响，实际产能可能只剩下一半，也就是大约二三十万片。

    ……

    改造产线，纪弘没打算从硬件入手，这里的情况和宏图微电子的情况还不同，那里的硬件设备确实落后，一些自动化和智能化的模块不够用才需要重新设计和改造。

    但这里，本就是先进制程工艺产线，尤其是华为和中芯的工程师已经还已经对它进行过改造，硬件设备已经完全能够满足智能化的需要了。

    对产线的优化，纪弘不懂，即便懂，也不可能比得上先后在AMD、台积电、三星，现在是中芯国际联席CEO的梁松。

    这里的产线大概率就是他负责设计和工艺、良率以及产能的提升的。

    虽然没有可靠的证据，但是，能够帮助华为建立先进工艺产线，先后实现等效7nm等效5nm工艺的量产，不说国内，找遍全世界可能也就只有一个梁松。

    梁松这个人很传奇，早年在AMD，加入台积电的第一件事儿，就是带领台积电在130nm制程领域击败了老牌强敌IBM。

    后来因为一些原因离开台积电加入三星，直接助力三星在14nm这个工艺节点领先台积电半年，后被台积电起诉履行竞业限制条款离开三星。

    加入中芯国际之后，更是直接提升了中芯国际28nm工艺的良品率。随后更是跳过22nm等中间节点，直接跳代研发14nm工艺，只用了一年不到的时间就并成功实现量产，而且良品率达到90%以上。

    前两年，华为麒麟710A中芯国际重置版就是利用的这个工艺生产的。

    而现在，DUV光刻机量产的7nm和5nm……

    梁松，纪弘还特意查了查，1952的年的人，现年已经72岁了，主要工作估计是颐养天年了，只有有重大情况或者问题的时候才会出手。

    此时，这边在产线上负责的是一位高工，名叫曾学成。

    “曾工，你现在有梁先生几分的功力啊？”纪弘半开玩笑的问道。

    “纪总别开玩笑了，十个我捆一起也不如梁先生一半！”曾学成介绍着梁松的丰功伟绩，纪弘也确认了，这边的核心工作确实出自他手。

    “想不想超过他？”纪弘诱惑道。

    曾学成心道：我在家哄我儿子也是这口气，想不想考年级第一？问题是有那实力吗？

    他要真能考年级第一，那我就该怀疑这是不是我的种了。

    不过心里这么想，嘴上不可能这么说，他也知道纪弘是过来干什么的，于是说道：“但凭纪总吩咐！”

    纪弘知道他不信，但配合就好。

    虽然得到了一些芯片设计和光刻机相关的灵感，但先进工艺这种东西十分复杂和系统，不是说有三两个好点子就能搞定的。

    他的主业还是训练AI。

    “我这边先了解一下产线的情况，”纪弘介绍着自己的工作安排：“然后生产的各个环节、流程相关数据实时给到我这边。

    “前期主要用于AI训练，后期，根据AI的反馈调整和升级产线工艺。”

    纪弘强调道：“我刚刚跟你说的话，你可以不信，但是一定要不打折扣的执行。”

    “明白！”曾学成对卷耳智能科技是做什么的门儿清，只不过以前都是软件和设计层面的，难道AI对产线的优化也能起到关键作用？

    他心里突然就冒出一个想法：我自己比梁老师那是这辈子都没希望了，但是如果我加上AI呢？

    显然，曾学成对纪弘的思想和言论也是关注了的，一小会儿的功夫就想明白了这一层，也意识到纪弘刚刚的问他的问题并不是随口一说，也并不是开玩笑。

    一念至此，曾学成更加的积极了——如果说之前的表态只是为了工作，那现在就完全充满期待了。

    ……

    一连好几天的时间，纪弘都在产线这边，产线的数据不断的在提供，类思维AI的训练也一直在进行。

    “这里，看到了没？”纪弘说道：“硅片对准标识和掩膜板对准标识的中心坐标差值，根据这些数据分析，AI认为还有优化空间。

    “主要是……”

    纪弘跟曾学成讲解着相关内容，并让他配合对产线的运动控制模块儿的算法进行着调整。

    曾学成稍微一计算，就知道这东西应该对产线工艺是增益的。

    虽然具体的结果还需要生产来验证，但，能够有找到梁松老师设计和规划，甚至优化了好久的产线的一个问题，还是让曾学成十分激动：

    “我加上AI，真的能达到梁松老师的水平？”

    能够找到问题，就是水平的体现，哪怕调整完了是副作用，也是实力。

    毕竟，没有哪个人敢说我动一下就是升级，哪怕是梁松，调整产线的相关模块儿也是摸索摸索再摸索，最终才确定的方案。

    纪弘没有回答他这个问题，而是问道：“你比梁松老师差在哪儿？最关键的点！”

    要说差在哪儿，以曾学成现在的水平，那差的多了去了。

    要说最关键的点，他沉思了一会儿，说道：“就是对问题的敏锐程度。比如一个新的工艺节点，测试产线放在这儿了，梁松老师的对问题就非常敏锐。

    “他手一指，这儿是瓶颈，改进这儿，可以提升良率，那儿可能有问题。排查下去，几乎八九不离十。

    “事实上，怎么说呢，当他把问题指出来之后，我去看，大多数时候我也能看出来，甚至能解决。”

    “但，就是知道哪儿有问题，才是最关键的是吧？”纪弘笑道：“那今天这个问题呢？你看出来了吗？”

    “现在我也能看出来！”曾学成突然明悟：“AI现在扮演的是梁松老师的角色？”

    梁松怎么判断问题所在的，纪弘不清楚，可能是直觉，也可能是经验。

    但，AI是怎么判断的，纪弘清楚的很——少部分的类思维加上大量的计算，甚至还有一部分推演在里边。

    世界模型一直在运行，65nm以下级别的智能EDA工具灵韵在各大高校实验室也已经开始使用，流片式仿真的训练也一直在进行。

    类推能力，尤其是精密工业领域的类推能力也有了不少的提升。

    比如今天发现的这个问题，改进了之后能有多少提升，AI都已经做过类推了。

    但方式不重要，能发现问题，能优化和改进才是最关键的。

    “能调整吗？”纪弘问道。

    “当然能！”曾学成信心十足：“即便是梁松老师在，也是他指出问题，然后我带人实施的。”

    “嗯。”纪弘点了点头：“那正好，来吧，试试看。”

    设备是不需要动的，而程序的设计和优化，纪弘也带来了神器——完整版本的灵犀。

    曾学成带着团队分工协作，很快，优化工作就完成了。

    安装，重启，测试当即进行。

    “边界更加清晰了。”

    高倍显微镜下，样品对比数据很明显。曾学成是这么说的，但纪弘确实没看出来。

    “具体如何，还得看良率有没有提升。”纪弘对肉眼观测的东西不太信任，尤其是曾学成，纪弘感觉他太激动了，眼睛开了光环也说不一定。

    “那就得等明天才能知道了。”

    ……

    翌日，数据出炉，良品率提升2%。

    “才2%？”纪弘很不满意。

    “基数是94%啊老大，提高2%到96%已经非常大了好吧！”曾学成已经管纪弘叫上老大了：“如果用四重曝光，提升肯定会更大。

    “现在这几条产线都差不多，做四重曝光的良率基本都在55%左右，我们需要测试吗？”

    “扔给华为去测吧。”纪弘想了想，他这边的主要工作是层迭ALU的生产，下一步的重点是层迭工艺的推进。

    双重四曝光不是地点。

    ……

    就这样，AI不断的进行着训练，也不断的对产线相关的数据进行着一次又一次的计算。

    而曾学成则是根据AI的反馈结果对产线进行各方面的微调，现在的他已经完全成为了纪弘的跟班了，这与领导无关。

    之前跟着梁松，但梁松独特的眼光和技能他学不来，纪弘这儿则是完全不一样，AI在那，用起来非常的简单和方便。

    在曾学成的协助下，利用灵犀，他们把各个控制系统的软件和系统也进行了一定程度的重构，各模块儿都加入了AI判定和控制，AI慢慢的融入到了整个生产流程的控制之中。

    这也多亏了他们原本就使用的不是官方的系统，而是自己开发的，源码还都在。

    重构的过程很顺利，甚至系统的更新都没有影响生产——产线一直在保持低产能运转的状态，甚至都没有停工。

    但工艺的提升……

    纪弘有点儿不满意。

    “提升是不是小了点啊？”这天吃饭的时候，纪弘还跟曾学成抱怨：“只有两个点的良率。”

    听纪弘说这样的话，曾学成一口饭没咽下去，直接就喷了，米粒都从鼻孔里出来了：“老大啊，这才几天，你还想提升多大？直接搞定4nm？用EUV？”

    纪弘微微摇了摇头，他不懂纪弘在想什么。

    这么长的时间，其实真正比较大的调整就只有运动控制那一次，剩下的几乎全都是微调。

    这些微调说有效果吧，可能有一点点，都不太明显，甚至是稍微误差一下下的事儿，也就在统计学的概念里，有了一点点的提升。

    难道除了发现的那一个问题之外，其他的地方真的全都到极限了？

    纪弘总觉得哪里有些不对，因为极限是很难达到的。

    举个最简单的例子：用正多边形模拟求圆的面积的问题。

    大家都知道，边数越多，正多边形就越接近圆。但如果是人去画，边的数量你不论怎么花那都是有限的。

    但如果换计算机来做，上就直接循环执行个几万几十万次，精确度就会有非常大的提升。

    产线工艺也是类似的，是一个不断的在逼近极限的过程，前期当然非常简单，随便搞搞就能提升。

    但工艺越先进，再想提升就越复杂。

    但，这条产线给纪弘的感觉就是，它真的已经趋近于极限了。

    难道梁松真就这么厉害？

    他随手指一指，就能发现所有的瓶颈？就能解决所有的问题？就能让产线上的每一个流程和数据都逼近极限？

    这有点儿离谱了吧？

    还是说他也将所有数据循环执行了几万几十万次，算出的最优解？

    纪弘问了曾学成这个问题，曾学成当即说道：

    “产线的数字化模拟肯定是有的，但那个东西主要是数字，隐藏在数字中的有哪些问题，还是需要人去判断的。跟老大的这个AI比差太远了，完全不是一个层次的东西。”

    纪弘明白了，这就不对。

    人再怎么挑，细微之处总是会被忽略掉的，也不能挑干挑净，尤其是个个都几乎达到极限。

    不过他也没有纠结这个，回头找个机会去拜访梁松，问问就知道了。

    他现在的主要任务是，利用AI加上曾学成，在现在的基础上，实现层迭ALU的生产工艺。

    “光刻产线这边的的难度其实不大，”曾学成对层迭ALU的布局已经做到了心中有数：

    “关键核心就是晶圆上下联通位置的精准预留，现在我们改进了控制算法，精度完全可以满足。

    “更大的问题应该是在封装那边，现在的导通技术是上下一体垂直导通。但，层迭ALU的话，要复杂非常多。”

    卷耳智微那边已经发过来了一批测试版图样例，曾学成已经看到了，按照布局设计，多层硅晶圆之间，某个点可能一层和二层需要导通，但和三层不需要导通，四层五层可能又需要导通。

    这样搞个几十层，而且需要导通的点位又十分密集，一个精度控制不好，可能整个晶圆就废了。

    “ALU运算器毕竟比存储器复杂，想要每层都完全一致是不可能的，但是，也没你想的那么复杂，虽然每两层的导通点位都不一样，但是还是具有一定的规律性的。”

    纪弘笑道：“精度控制，现在的硬件是能满足需求的，至于密集和复杂的问题，就交给AI吧，无非就是算力的事儿，不行多加点显卡。”

    (本章完)


　　(https://www.kenwen.cc/book/469946/18275318.html)


1秒记住啃文书库：www.kenwen.cc。手机版阅读网址：m.kenwen.cc