在 APEC 2026《AI 與數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的 AI/ML 應用案例。這些案例沉淀自我們與功率半導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驗。

本文及配套演講，是普迪飛半導體與功率半導體制造 AI/ML 落地實用方法系列內容的重要組成部分，同系列還包括：

解鎖化合物半導體制造新范式：端到端良率管理的核心力量

機器學習（ML）賦能化合物半導體制造：從源頭破局良率難題，Exensio平臺實現全流程精準預測

功率半導體的獨特性何在？

如今，AI 驅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)。這類產品材料更復雜、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。
更關鍵的是，不少功率半導體產線設備老舊，數據可追溯性和質量都跟不上，這些問題在成熟硅基晶圓廠早就不是難題了。值得關注的是，Yole《2025 年電力電子產業(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)的量產實戰(zhàn)經驗。

數據來源：Yole 2025《電力電子產業(yè)現狀》

PDF

案例一

碳化硅（SiC）襯底受限型良率提升

核心痛點

襯底質量是導致碳化硅制造良率損失的核心因素之一。行業(yè)亟待解決的關鍵問題是：能否在投入高成本下游制程前，提前預判哪些襯底會制約良率，并針對性采取應對措施？

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據來判斷。
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生的在線缺陷上。但到了化合物半導體這里，情況就復雜多了 —— 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據訓練 AI 預測模型，生成專屬的預測電性能分檔圖。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測，方便用戶測試不同芯片尺寸方案，精準算出對應的良率。

落地成效

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

• 精準識別制約良率的襯底，其結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，將整體良率提升數個百分點；
• 生成實際值 / 預測值 / 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果，把不同判定情況會帶來什么影響說清楚了：

量產落地的核心挑戰(zhàn)

從試點驗證到規(guī)?；慨a，方案落地過程中暴露出諸多現實難題：

1

檢測設備差異：同一襯底在不同批次、不同制程里，可能會用不同的檢測設備測量。但不同設備的缺陷分類標準不一樣，缺陷數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，一直在調整優(yōu)化。

2

空間坐標匹配：裸襯底光學檢測用的是晶圓全局坐標，得和芯片坐標精準對應才行。很多老舊晶圓廠沒有建立全局坐標和芯片坐標的規(guī)范映射關系；再加上碳化硅這類非立方晶格半導體的缺陷尺寸大，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

探針測試與老化數據質量：數據問題特別常見 —— 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，這些都會導致空間對齊困難。所以，必須先把數據清洗干凈、驗證無誤，才能做出能用的預測模型。

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

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

PDF

案例二

封裝環(huán)節(jié)的預測性芯片分檔

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、不同產品，甚至不同供應商。要是有壞片沒被篩出來，被裝進模塊里導致質量問題，造成的經濟損失可不小。這就引出了一個關鍵問題：能不能靠晶圓電測的數據，提前預測芯片最終測試的結果，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體有這個難題，高端計算模塊（比如數據中心用的多芯片組件 MCM）也面臨同樣的挑戰(zhàn)。這兩類產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

我們的目標是構建二分類模型（預測模塊最終測試的通斷狀態(tài)），以晶圓電測參數數據為訓練輸入。與常規(guī)模型不同，該模型不以預測準確率為優(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)分類器應是在這種不對稱成本結構下，能最小化總預期成本的模型。

量產落地的復雜性

這類方案的實際落地過程極為復雜，主要面臨以下挑戰(zhàn)：

1

數據混亂與缺失：生產中實際用到的分檔圖和參數圖，常常會出現空間變形、測試沒做完、數據轉換出問題等情況。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編程—— 探針臺只管把芯片定位準確，測試機負責跑測試程序，兩邊銜接不暢，就導致測試結果里經常出現芯片尺寸、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)的數據格式、合格閾值、分檔規(guī)則都不一樣。這就帶來了兩個關鍵問題：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，模型訓練需要處理的數據量一下子就上去了，多數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：產品要經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：在功率半導體制造中，要實現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 模型的訓練數據收集和結果驗證，帶來了很大的麻煩。

我們的量產落地方案，會在確保全制造環(huán)節(jié)數據對齊、追溯鏈路完整、數據集滿足分析要求后，再啟動模型訓練。即便如此，模型的構建、驗證、部署與長期維護，依然充滿挑戰(zhàn)。

數據基礎設施：AI 落地的核心前提

兩個案例的實踐均指向同一個底層結論：數據的分析可用性是 AI 成功落地的關鍵前提。多家客戶反饋，數據準備與驗證工作，占據了成功量產應用這些模型所需工程工作量的90%。

功率半導體行業(yè)的制造數據，天生就帶著高度碎片化的特點。比如無晶圓廠企業(yè)，芯片來自不同供應商，還得交給不同的外包封測廠（OSAT）加工，想把這些分散的數據整合到一個平臺上，難度特別大。
有人覺得，那些垂直整合的 IDM（自有制造）企業(yè)應該更有優(yōu)勢？其實不然。就算數據都屬于同一家公司，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)和數據標準都不一樣，形成了一個個 “數據孤島”。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 作為單一數據平臺與基準，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。

這種端到端的數據基礎設施絕非錦上添花，而是開展深度 AI 分析與應用的必備前提條件。

行動倡議：打造 AI 適配的數據體系

基于與功率半導體制造商十余年的量產落地經驗，我們認為，構建成功的 AI 戰(zhàn)略需先夯實以下五大基礎：

1

搭建完善的制造 IT 基礎設施

AI 模型無法在不可用的數據上有效運行，因此應優(yōu)先投資數據采集、存儲與訪問的基礎設施建設，確保數據源頭的穩(wěn)定性與可用性。

2

打破數據孤島

將所有制造相關數據 —— 包括物料數據、在線晶圓數據、設備運行數據、封裝與測試數據等 —— 整合到單一平臺。無法實現關聯的數據，根本不具備建模價值。

3

從源頭保障數據質量

理想情況下，應在數據采集環(huán)節(jié)就建立質量管控機制；若無法實現，則需搭建企業(yè)級 “數據清洗層”，在數據進入分析環(huán)境前完成格式統(tǒng)一、數值驗證與異常標記，確保數據準確性。

4

推進跨廠區(qū)與制程的數據標準化

國際半導體設備與材料協(xié)會（SEMI）標準難以滿足深度數據分析的需求，廠商需針對各數據域制定自有標準，并在全廠區(qū)、全制程中統(tǒng)一執(zhí)行，確保數據的一致性與可比性。

5

建立全供應鏈追溯體系

功率半導體產品種類繁多，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，實現每顆芯片的源頭追溯難度極大，但考慮到功率半導體的材料特性往往是決定模塊性能與可靠性的關鍵，這項工作必不可少。

這五大基礎是實現制造卓越的前提?；诓煌暾?、不匹配、存在偏差的數據訓練出的 AI 模型，必然會產生誤導性結果；而在生產篩選系統(tǒng)中，這類誤導性結果將直接轉化為顯著的成本損失。

當前，半導體行業(yè)的 AI 轉型已全面提速。能夠在這場轉型中最大化獲取價值的廠商，未必是擁有最復雜模型的企業(yè)，而是那些腳踏實地做好數據適配基礎工作的先行者。