🔗 원문 전체 보기 → Venturesquare.net
요약
세미에이아이는 세미콘 타이완 2026에서 공정·장비·계측·결함 데이터를 담당하는 여러 AI 에이전트가 협업하는 반도체 제조 기술을 소개한다. 멀티 피어 에이전트 아키텍처는 수율 위험 예측부터 근본 원인 분석, 시뮬레이션, 대응 방안 추천을 하나의 워크플로우로 연결한다.... The post 공정·장비 AI가 함께 수율 원인 추적…세미에이아이, ‘자율 팹’ 기술 공개 appeared first on 벤처스퀘어.
본문
- 9월 2일 세미콘 타이완 실리콘 스타트업 스테이지서 예측 수율·자율 팹 분석 기술 발표
- 공정·장비·계측·결함 에이전트가 가설 교차검증…가상계측·인과추론·물리 시뮬레이션 결합
반도체 수율 저하는 하나의 공정 변수만으로 설명하기 어렵다. 공정 조건과 장비 상태, 계측값, 결함 패턴이 시간과 생산 단위에 따라 복합적으로 영향을 미친다. 이상을 발견한 뒤에도 어느 장비와 챔버, 레시피가 원인인지 확인하려면 엔지니어가 여러 시스템의 데이터를 대조해야 한다. 세미에이아이는 이 과정을 전문 영역별 AI 에이전트의 협업으로 연결해 수율 예측부터 원인 분석과 조치 추천까지 수행하는 ‘자율 팹’ 기술을 선보인다.
반도체 제조 AI 기업 세미에이아이는 오는 9월 2일부터 4일까지 대만 타이베이 타이난강 전시센터에서 열리는 ‘세미콘 타이완 2026’에 참가한다고 발표했다. 지태권 대표는 행사 내 실리콘 스타트업 스테이지 연사로 참여한다.
세미콘 타이완 공식 일정에 따르면 지 대표는 9월 2일 오후 3시 40분부터 10분 동안 ‘예측 수율 및 자율 팹 분석을 위한 에이전틱 AI’를 주제로 발표한다. 공정·장비·계측·결함 데이터를 분석하는 여러 AI 에이전트가 협업해 수율 문제를 해결하는 기술 구조를 소개할 예정이다.
세미에이아이는 반도체 제조 공정에 특화된 AI 소프트웨어 플랫폼 ‘스마일(SMILE)’을 개발하고 있다. 스마일은 제조 데이터를 기반으로 수율 저하 가능성을 예측하고 근본 원인 후보와 대응 방안을 엔지니어에게 제시하는 플랫폼이다. 예측과 원인 분석, 시뮬레이션, 엔지니어 지원 기능을 하나의 업무 흐름으로 연결한다.
발표의 핵심은 ‘멀티 피어 에이전트 아키텍처(Multi-Peer Agent Architecture)’다. 하나의 중앙 AI가 전체 데이터를 한꺼번에 처리하는 구조 대신 공정과 장비, 계측, 결함, 과거 이력을 담당하는 전문 에이전트를 각각 운영한다.
각 에이전트는 담당 데이터를 분석해 수율 저하 원인에 관한 가설과 근거를 생성한다. 이후 다른 에이전트와 분석 결과를 교환하고 서로의 가설을 검증해 가능성이 높은 원인과 조치를 좁혀간다. 여러 분야의 엔지니어가 각자 분석한 결과를 공유하며 문제를 해결하는 방식과 유사하다.
수율 리스크는 웨이퍼와 로트, 챔버, 레시피 단위로 예측한다. 특정 로트에서 이상이 발생했을 때 전체 공정 평균만 확인하는 대신 어떤 장비의 어느 챔버와 레시피가 영향을 줬는지 세부 생산 단위까지 추적하는 구조다.
여기에는 가상계측과 이상 감지, 인과 추론, 물리 정보 기반 시뮬레이션이 결합된다. 가상계측은 모든 웨이퍼를 직접 측정하지 않고도 공정과 장비 데이터를 이용해 계측 결과를 추정하는 기술이다. 측정 결과를 기다리는 시간을 줄이고 이상 가능성이 높은 웨이퍼나 로트를 먼저 선별하는 데 활용할 수 있다.
이상 감지는 정상 생산 패턴에서 벗어난 공정 조건과 장비 신호를 찾는다. 인과 추론은 여러 변수의 상관관계 가운데 실제 수율 저하에 영향을 줬을 가능성이 높은 원인을 구분한다. 물리 정보 기반 시뮬레이션은 공정 원리와 장비 특성을 반영해 레시피 변경이나 대응 조치의 영향을 사전에 검토하는 역할을 맡는다.
세미에이아이는 이 기술을 통해 수율 이상 발견과 근본 원인 분석, 대응 방안 추천을 폐쇄형 워크플로우로 연결한다는 구상이다. 엔지니어가 반복적으로 수행하던 데이터 조회와 비교, 원인 후보 정리 시간을 줄이고 최종 판단에 필요한 근거를 제공하는 것이 목표다.
‘정답 추천’보다 중요한 현장 검증과 엔지니어 승인
반도체 제조 현장에서 AI의 가치는 예측 정확도만으로 결정되지 않는다. 문제가 없는 공정을 이상으로 판단하는 오탐이 반복되면 생산 중단과 불필요한 계측 비용이 발생하고, 실제 결함 가능성을 놓치면 웨이퍼 손실과 수율 하락으로 이어질 수 있다.
에이전트가 제시한 근본 원인도 과거 데이터에서 함께 변한 변수와 실제 불량 원인을 구분할 수 있어야 한다. 분석 결과를 다른 기간과 장비, 제품군 데이터에서 반복 검증하고 엔지니어가 이해할 수 있는 근거를 제공해야 현장의 조치로 연결될 수 있다.
특히 공정 레시피 변경이나 장비 제어처럼 생산 결과에 직접 영향을 주는 작업에는 권한 범위와 승인 절차가 필요하다. AI가 대응 방안을 추천하더라도 실제 적용 전에는 엔지니어가 예상 영향과 근거를 확인하고, 문제가 발생하면 이전 설정으로 되돌릴 수 있는 구조가 요구된다.
데이터 통합도 핵심 과제다. 반도체 팹에서는 장비 제조사와 공정 세대마다 데이터 형식과 수집 주기, 센서 명칭이 다를 수 있다. 공정·장비·계측·결함 데이터를 같은 시간과 웨이퍼 기준으로 연결하지 못하면 여러 에이전트가 분석하더라도 서로 다른 생산 상황을 비교할 가능성이 있다.
세미에이아이는 글로벌 반도체 제조사와 장비기업을 대상으로 가상계측과 오버레이 예측, 결함 분석, AI 진단 관련 기술검증을 진행해 왔다. 다만 개별 프로젝트의 고객사와 데이터 규모, 예측 정확도, 수율 개선 결과 등 구체적인 성과는 이번 자료에서 공개하지 않았다. 양산 적용 경쟁력은 실제 팹 데이터에서의 오탐률과 미탐률, 원인 분석 시간 단축, 수율 개선 효과로 확인될 필요가 있다.
지태권 대표는 UC버클리에서 기계공학 박사 학위를 받은 뒤 SK하이닉스와 ASML, 삼성전자, 램리서치에서 15년 이상 반도체 공정과 수율 개선 업무를 경험했다. 제조 현장에서 축적한 경험을 바탕으로 세미에이아이의 기술 개발과 해외 사업을 이끌고 있다.
세미에이아이는 지난 5월 램리서치의 투자 조직 램 캐피탈이 개최한 ‘2026 램 캐피탈 벤처 컴피티션’에서 글로벌 10개 파이널리스트에 선정됐다.
지 대표는 “반도체 팹의 방대한 데이터를 활용해 수율 문제를 조기에 발견하고 원인 분석부터 실제 조치까지 연결하는 과정의 효율을 높일 필요가 있다”며 “여러 AI 에이전트가 하나의 엔지니어링 팀처럼 협업하는 제조 AI 비전을 소개하고 글로벌 기업들과 기술 협력 기회를 확대하겠다”고 말했다.
세미에이아이가 제시하는 자율 팹의 경쟁력은 에이전트 수보다 이들이 제시한 가설과 조치가 실제 제조 결과로 이어지는 비율에서 확인된다. 수율 위험을 얼마나 빨리 발견하는지, 근본 원인 분석 시간을 얼마나 줄이는지, 엔지니어가 추천을 얼마나 채택하는지, 적용 이후 수율이 실제로 개선되는지가 주요 지표다. 이번 세미콘 타이완 발표는 멀티 에이전트 구조를 글로벌 반도체 제조사와 장비기업에 설명하고 현장 검증 기회를 확보하는 단계가 될 것으로 보인다.
Like this:
Like Loading...Related
Process and Equipment AI Collaborate to Track Yield Causes… Semi-AI Unveils 'Autonomous Fab' Technology
The decline in semiconductor yield is difficult to explain using only a single process variable. Process conditions, equipment status, measurements, and defect patterns have a complex impact depending on time and production units. Even after an anomaly is detected, engineers must cross-reference data from multiple systems to identify which equipment, chamber, or recipe is the cause. Semi-AI introduces 'Autonomous Fab' technology, which connects this process through the collaboration of AI agents specializing in specific domains to perform tasks ranging from yield prediction to cause analysis and action recommendations.
SemiAI, an AI semiconductor manufacturing company, announced that it will participate in 'Semicon Taiwan 2026,' which will be held at the Tainan River Exhibition Center in Taipei, Taiwan, from September 2 to 4. CEO Ji Tae-kwon will participate as a speaker on the Silicon Startup Stage during the event.
According to the official schedule for Semicon Taiwan, CEO Ji will give a 10-minute presentation on the topic of "Agentic AI for Predictive Yield and Autonomous Fab Analysis" starting at 3:40 PM on September 2. He is scheduled to introduce a technology architecture in which multiple AI agents collaborate to solve yield problems by analyzing process, equipment, measurement, and defect data.
Semi-AI is developing 'SMILE,' an AI software platform specialized for semiconductor manufacturing processes. Based on manufacturing data, SMILE predicts the potential for yield degradation and presents engineers with candidate root causes and countermeasures. It integrates prediction, cause analysis, simulation, and engineer support functions into a single workflow.
The core of the presentation is the 'Multi-Peer Agent Architecture.' Instead of a structure where a single central AI processes all data at once, it operates specialized agents responsible for processes, equipment, measurement, defects, and historical data.
Each agent analyzes their assigned data to generate hypotheses and evidence regarding the causes of yield decline. Subsequently, they exchange analysis results with other agents and verify each other's hypotheses to narrow down the most likely causes and corrective measures. This is similar to the method used by engineers from various fields to solve problems by sharing their respective analysis results.
Yield risk is predicted at the wafer, lot, chamber, and recipe levels. When an anomaly occurs in a specific lot, instead of just checking the overall process average, the structure tracks down to the detailed production unit to identify which equipment, chamber, and recipe had an impact.
This combines virtual measurement, anomaly detection, causal inference, and physical information-based simulation. Virtual measurement is a technology that estimates measurement results using process and equipment data without directly measuring every wafer. It can be used to reduce waiting times for measurement results and to prioritize the selection of wafers or lots with a high probability of anomalies.
Anomaly detection identifies process conditions and equipment signals that deviate from normal production patterns. Causal inference distinguishes causes likely to have influenced actual yield reduction among the correlations of various variables. Physical information-based simulation plays the role of reviewing the impact of recipe changes or countermeasures in advance by reflecting process principles and equipment characteristics.
Semi-AI envisions using this technology to connect yield anomaly detection, root cause analysis, and response recommendations into a closed workflow. The goal is to reduce the time engineers spend repetitively querying, comparing, and organizing candidate causes, while providing the evidence necessary for final decision-making.
On-site verification and engineer approval are more important than 'correct answer recommendations'.
In semiconductor manufacturing, the value of AI is not determined solely by prediction accuracy. Repeated false positives, which identify problem-free processes as abnormal, lead to production stoppages and unnecessary measurement costs; conversely, missing potential actual defects can result in wafer loss and a decline in yield.
The root causes presented by the agent must also be able to distinguish between variables that have changed alongside historical data and the actual causes of the defect. To ensure that analysis results lead to corrective actions in the field, they must be verified against data from different periods, equipment, and product families, and provided with a basis that engineers can understand.
In particular, tasks that directly affect production results, such as changing process recipes or controlling equipment, require scope of authority and approval procedures. Even if AI recommends countermeasures, a structure is required that allows engineers to verify the expected impact and rationale before actual implementation, and to revert to previous settings if problems arise.
Data integration is also a key challenge. In semiconductor fabs, data formats, collection cycles, and sensor names may vary depending on the equipment manufacturer and process generation. If process, equipment, measurement, and defect data cannot be linked based on the same time and wafer, there is a possibility that different production situations may be compared even if multiple agents perform the analysis.
Semi-AI has been conducting technology verification related to virtual measurement, overlay prediction, defect analysis, and AI diagnosis for global semiconductor manufacturers and equipment companies. However, specific achievements such as individual project clients, data scale, prediction accuracy, and yield improvement results were not disclosed in this document. Competitiveness for mass production application needs to be verified through false positive and false negative rates in actual fab data, reduction in cause analysis time, and yield improvement effects.
After earning a Ph.D. in Mechanical Engineering from UC Berkeley, CEO Ji Tae-kwon gained over 15 years of experience in semiconductor process and yield improvement at SK Hynix, ASML, Samsung Electronics, and Lam Research. Based on his experience accumulated in the manufacturing field, he is leading SemiAI's technology development and overseas business.
SemiAI was selected as one of the 10 global finalists in the '2026 Lam Capital Venture Competition' hosted by Lam Capital, Lam Research's investment arm, last May.
CEO Ji said, “It is necessary to utilize the vast amount of data from semiconductor fabs to detect yield issues early and improve the efficiency of the process connecting cause analysis to actual action,” adding, “We will introduce a manufacturing AI vision where multiple AI agents collaborate like a single engineering team and expand opportunities for technological cooperation with global companies.”
The competitiveness of the autonomous fab proposed by SemiAI is confirmed not by the number of agents, but by the rate at which their proposed hypotheses and measures lead to actual manufacturing results. Key indicators include how quickly yield risks are detected, how much time is reduced for root cause analysis, how often engineers adopt recommendations, and whether yield actually improves after implementation. This presentation at Semicon Taiwan is expected to serve as a step to explain the multi-agent architecture to global semiconductor manufacturers and equipment companies and to secure opportunities for on-site verification.
工程・装備AIが共に歩留まり原因追跡…セミエイアイ、「自律ファブ」技術公開
半導体歩留まりの低下は、１つのプロセス変数のみで説明するのが難しい。プロセス条件と機器の状態、計測値、欠陥パターンが時間と生産単位によって複合的に影響を及ぼす。異常を発見した後も、どの機器やチャンバー、レシピが原因であるかを確認するには、エンジニアが複数システムのデータを照合しなければならない。セミエーアイはこの過程を専門領域別AIエージェントのコラボレーションにつなげ、歩留まり予測から原因分析と措置推薦まで行う「自律ファブ」技術を披露する。
半導体製造AI企業セミエイアイは来る9月2日から4日まで台湾台北台南江展示センターで開かれる「セミコン台湾2026」に参加すると発表した。チ・テクォン代表はイベント内のシリコンスタートアップステージ連写として参加する。
セミコン台湾公式日程によると、チ代表は9月2日午後3時40分から10分間、「予測収率および自律ファブ分析のためのエージェンティックAI」をテーマに発表する。工程・装備・計測・欠陥データを分析する複数のAIエージェントが協業して歩留まり問題を解決する技術構造を紹介する予定だ。
セミエーアイは半導体製造工程に特化したAIソフトウェアプラットフォーム「スマイル（SMILE）」を開発している。スマイルは、製造データに基づいて歩留まり低下の可能性を予測し、根本原因候補と対応策をエンジニアに提示するプラットフォームである。予測と原因分析、シミュレーション、エンジニア支援機能を1つのワークフローにリンクします。
発表の核心は「マルチピアエージェントアーキテクチャ（Multi-Peer Agent Architecture）」だ。一つの中央AIが全データを一括で処理する仕組みの代わりに、工程と機器、計測、欠陥、過去履歴を担当する専門エージェントをそれぞれ運営する。
各エージェントは担当データを分析し、歩留まり低下の原因に関する仮説と根拠を生成する。その後、他のエージェントと分析結果を交換し、互いの仮説を検証し、可能性の高い原因と措置を絞り込む。さまざまな分野のエンジニアがそれぞれの分析結果を共有し、問題を解決する方法と似ています。
歩留まりリスクはウエハとロット、チャンバ、レシピ単位で予測する。特定のロットで異常が発生したときに全体のプロセス平均だけを確認するのではなく、どの機器のどのチャンバーとレシピが影響を与えたかを詳細生産単位まで追跡する仕組みだ。
これには仮想計測と異常感知、因果推論、物理情報ベースのシミュレーションが結合される。仮想計測は、すべてのウェハを直接測定することなく、プロセスと機器データを用いて計測結果を推定する技術である。測定結果を待つ時間を短縮し、異常の可能性が高いウエハやロットを先に選別するのに活用できる。
異常検出は、通常の生産パターンから逸脱したプロセス条件と機器信号を探します。因果推論は、様々な変数の相関関係のうち、実際の歩留まり低下に影響を与えた可能性が高い原因を区別する。物理情報ベースのシミュレーションは、プロセス原理と機器特性を反映してレシピ変更や対応措置の影響を事前に検討する役割を担う。
セミエイアイはこの技術を通じて歩留まり異常発見と根本原因分析、対応方案推薦を閉鎖型ワークフローにつなげるという構想だ。エンジニアが繰り返し実行していたデータ照会と比較、原因候補整理時間を短縮し、最終判断に必要な根拠を提供することが目標だ。
「正解推薦」より重要な現場検証とエンジニア承認
半導体製造現場では、AIの価値は予測精度だけでは決まらない。問題のないプロセスを異常と判断する誤検出が繰り返されると、生産中断と不要な計測コストが発生し、実際の欠陥の可能性を逃すとウェーハ損失と歩留まり低下につながる可能性がある。
エージェントが提示した根本原因も、過去のデータで一緒に変化した変数と実際の不良原因とを区別できなければならない。分析結果を他の期間と機器、ファミリデータで繰り返し検証し、エンジニアが理解できる根拠を提供しなければ現場の措置に結びつけることができる。
特にプロセスレシピの変更や機器の制御など、生産結果に直接影響を与える作業には権限範囲と承認手続きが必要です。 AIが対応策を推薦しても、実際の適用前にはエンジニアが予想影響と根拠を確認し、問題が発生すると以前の設定に戻すことができる構造が求められる。
データ統合も重要な課題だ。半導体ファブでは、機器メーカーとプロセス世代ごとにデータ形式と収集周期、センサ名が異なる場合がある。工程・装置・計測・欠陥データを同じ時間とウェーハ基準で連結できないと、複数のエージェントが分析しても異なる生産状況を比較する可能性がある。
セミエーアイはグローバル半導体メーカーと機器企業を対象に仮想計測とオーバーレイ予測、欠陥分析、AI診断関連技術検証を進めてきた。ただし、個別プロジェクトの顧客会社とデータ規模、予測精度、歩留まり改善の結果など、具体的な成果は今回の資料で公開しなかった。量産適用競争力は、実際のファブデータでの誤検出率と未発見率、原因分析時間短縮、歩留まり改善効果で確認する必要がある。
ジテクォン代表はUCバークレーで機械工学博士号を取得した後、SKハイニックスとASML、サムスン電子、ラムリサーチで15年以上の半導体プロセスと歩留まり改善業務を経験した。製造現場で蓄積した経験をもとに、セミエーアイの技術開発と海外事業をリードしている。
セミエイアイは去る5月、ラムリサーチの投資組織ラムキャピタルが開催した「2026ラムキャピタルベンチャーコンピティション」でグローバル10のファイナリストに選ばれた。
チ代表は「半導体ファブの膨大なデータを活用して歩留まり問題を早期に発見し、原因分析から実際の措置まで連結する過程の効率を高める必要がある」とし、「複数のAIエージェントが一つのエンジニアリングチームのように協業する製造AIビジョンを紹介し、グローバル企業と技術協力の機会を拡大する」と話した。
セミエーアイが提示する自律ファブの競争力は、エージェント数よりも彼らが提示した仮説と措置が実際の製造結果につながる割合で確認される。歩留まりリスクをどれだけ早く発見するのか、根本原因分析時間をどれだけ短くするのか、エンジニアが推薦をどれだけ採用するのか、適用後の歩留まりが実際に改善されるかが主要指標だ。今回のセミコン台湾発表は、マルチエージェント構造をグローバル半導体メーカーと装備企業に説明し、現場検証機会を確保する段階になると見られる。
工艺和设备人工智能协同工作，追踪良率原因……半人工智能揭开“自主晶圆厂”技术的神秘面纱
半导体良率的下降很难仅用单一工艺变量来解释。工艺条件、设备状态、测量数据和缺陷模式都会对良率产生复杂的影响，且这种影响会随时间和生产单元的变化而变化。即使检测到异常情况，工程师也必须交叉引用来自多个系统的数据，才能确定是哪个设备、腔室或配方导致了问题。Semi-AI 引入了“自主晶圆厂”技术，该技术通过特定领域的 AI 代理的协作，将这一过程连接起来，从而执行从良率预测到原因分析和行动建议等一系列任务。
人工智能半导体制造公司SemiAI宣布将参加于9月2日至4日在台湾台北台南河展览馆举行的“2026台湾半导体展”。公司CEO池泰权将在展会期间作为演讲嘉宾出席硅谷创业舞台。
根据台湾半导体展的官方日程安排，季先生将于9月2日下午3点40分发表题为“用于预测良率和自主晶圆厂分析的智能体AI”的10分钟演讲。他计划介绍一种技术架构，在该架构中，多个AI智能体通过分析工艺、设备、测量和缺陷数据来协作解决良率问题。
Semi-AI 正在开发一款名为“SMILE”的人工智能软件平台，该平台专为半导体制造工艺而设计。SMILE 基于制造数据，预测良率下降的可能性，并为工程师提供可能的根本原因和应对措施。它将预测、原因分析、仿真和工程师支持功能集成到一个统一的工作流程中。
本次演示的核心是“多对等代理架构”。它并非采用单一中央人工智能同时处理所有数据的结构，而是运行专门的代理，分别负责流程、设备、测量、缺陷和历史数据。
每个代理人分析分配给他们的数据，提出关于收益率下降原因的假设并收集证据。随后，他们与其他代理人交换分析结果，互相验证假设，从而缩小最可能的原因范围，并制定相应的纠正措施。这类似于不同领域的工程师通过分享各自的分析结果来解决问题的方法。
良率风险预测涵盖晶圆、批次、腔室和配方等多个层面。当特定批次出现异常时，系统不再仅仅检查整体工艺平均值，而是深入到具体的生产单元，以确定哪些设备、腔室和配方产生了影响。
这项技术结合了虚拟测量、异常检测、因果推断和基于物理信息的仿真。虚拟测量是一种利用工艺和设备数据估算测量结果的技术，无需直接测量每个晶圆。它可用于缩短测量结果的等待时间，并优先选择异常概率较高的晶圆或批次。
异常检测能够识别偏离正常生产模式的工艺条件和设备信号。因果推断则能够从各种变量的相关性中区分出可能导致实际产量下降的原因。基于物理信息的仿真通过反映工艺原理和设备特性，预先评估配方变更或应对措施的影响。
半人工智能设想利用这项技术将产量异常检测、根本原因分析和响应建议整合到一个封闭的工作流程中。其目标是减少工程师重复查询、比较和整理候选原因所花费的时间，同时提供最终决策所需的证据。
现场验证和工程师认可比“正确答案建议”更重要。
在半导体制造领域，人工智能的价值并非仅仅取决于预测准确率。反复出现误报（将无问题的工艺识别为异常）会导致生产停工和不必要的测量成本；反之，漏检潜在的实际缺陷则可能导致晶圆报废和良率下降。
代理人提出的根本原因分析必须能够区分随历史数据变化的变量和缺陷的真正原因。为确保分析结果能够指导现场的纠正措施，必须使用来自不同时期、设备和产品系列的数据进行验证，并提供工程师能够理解的依据。
尤其对于直接影响生产结果的任务，例如更改工艺配方或控制设备，需要明确的权限范围和审批程序。即使人工智能提出了应对措施建议，也需要建立一套机制，使工程师能够在实际实施前验证预期影响和合理性，并在出现问题时恢复到之前的设置。
数据集成也是一项关键挑战。在半导体晶圆厂中，数据格式、采集周期和传感器名称可能因设备制造商和工艺代数而异。如果工艺、设备、测量和缺陷数据无法基于同一时间和晶圆进行关联，即使由多个机构进行分析，也可能比较不同的生产情况。
Semi-AI一直致力于为全球半导体制造商和设备公司提供虚拟测量、套刻预测、缺陷分析和AI诊断等技术验证服务。然而，本文档并未披露具体成果，例如单个项目客户、数据规模、预测精度和良率提升效果等。其在大规模生产应用中的竞争力，需要通过实际晶圆厂数据的误报率和漏报率、原因分析时间的缩短以及良率提升效果来验证。
池泰权（音译）先生在加州大学伯克利分校获得机械工程博士学位后，在SK海力士、ASML、三星电子和Lam Research等公司积累了超过15年的半导体工艺和良率提升经验。凭借在制造领域积累的丰富经验，他领导着SemiAI的技术研发和海外业务。
去年五月，Lam Capital（Lam Research 的投资部门）举办的“2026 年 Lam Capital 创业大赛”选出了 10 家全球决赛入围企业之一。
季先生表示：“必须利用半导体晶圆厂的大量数据，及早发现良率问题，提高将原因分析与实际行动联系起来的流程效率。”他还补充道：“我们将引入制造人工智能愿景，让多个人工智能代理像一个工程团队一样协作，并扩大与全球公司技术合作的机会。”
SemiAI提出的自主晶圆厂的竞争力并非取决于智能体的数量，而是取决于其提出的假设和措施转化为实际制造结果的速度。关键指标包括良率风险的检测速度、根本原因分析时间的缩短幅度、工程师采纳建议的频率，以及实施后良率是否真正得到提升。此次在台湾半导体展上的演讲旨在向全球半导体制造商和设备公司阐释多智能体架构，并争取现场验证的机会。
L'IA des processus et des équipements collabore pour identifier les causes des variations de rendement… Semi-AI dévoile une technologie d'« usine autonome »
La baisse du rendement des semi-conducteurs est difficile à expliquer par une seule variable de procédé. Les conditions de production, l'état des équipements, les mesures et les schémas de défauts ont un impact complexe qui varie dans le temps et selon les unités de production. Même après la détection d'une anomalie, les ingénieurs doivent recouper les données de plusieurs systèmes pour identifier l'équipement, la chambre ou la recette en cause. Semi-AI introduit la technologie « Autonomous Fab », qui centralise ce processus grâce à la collaboration d'agents d'IA spécialisés dans des domaines spécifiques. Ces agents réalisent des tâches allant de la prédiction du rendement à l'analyse des causes et aux recommandations d'actions.
SemiAI, une entreprise de fabrication de semi-conducteurs pour l'IA, a annoncé sa participation à « Semicon Taiwan 2026 », qui se tiendra au Tainan River Exhibition Center de Taipei, à Taïwan, du 2 au 4 septembre. Son PDG, Ji Tae-kwon, interviendra en tant que conférencier sur la scène Silicon Startup Stage lors de cet événement.
Selon le programme officiel de Semicon Taiwan, le PDG Ji donnera une présentation de 10 minutes sur le thème « Intelligence artificielle pour la prédiction du rendement et l'analyse autonome des usines de fabrication » à partir de 15h40 le 2 septembre. Il devrait présenter une architecture technologique dans laquelle plusieurs agents d'IA collaborent pour résoudre les problèmes de rendement en analysant les données relatives aux processus, aux équipements, aux mesures et aux défauts.
Semi-AI développe « SMILE », une plateforme logicielle d'IA spécialisée dans les procédés de fabrication de semi-conducteurs. À partir des données de production, SMILE prédit les risques de baisse de rendement et propose aux ingénieurs des causes potentielles ainsi que des solutions. Elle intègre la prédiction, l'analyse des causes, la simulation et l'assistance aux ingénieurs dans un flux de travail unique.
L'élément central de la présentation est l'« architecture multi-agents ». Au lieu d'une structure où une seule IA centrale traite toutes les données simultanément, elle exploite des agents spécialisés responsables des processus, des équipements, des mesures, des défauts et des données historiques.
Chaque agent analyse les données qui lui sont assignées afin de formuler des hypothèses et de recueillir des éléments de preuve concernant les causes de la baisse de rendement. Ils échangent ensuite leurs résultats d'analyse avec les autres agents et vérifient leurs hypothèses respectives pour identifier les causes les plus probables et les mesures correctives à mettre en œuvre. Cette démarche est similaire à la méthode employée par les ingénieurs de différents domaines pour résoudre des problèmes en partageant leurs résultats d'analyse.
Le risque de non-conformité est évalué au niveau de la plaquette, du lot, de la chambre et de la recette. En cas d'anomalie dans un lot spécifique, au lieu de se limiter à la moyenne globale du processus, le système remonte jusqu'à l'unité de production détaillée pour identifier l'équipement, la chambre et la recette incriminés.
Cette méthode combine la mesure virtuelle, la détection d'anomalies, l'inférence causale et la simulation basée sur des données physiques. La mesure virtuelle est une technologie qui estime les résultats de mesure à partir des données de processus et d'équipement, sans mesurer directement chaque plaquette. Elle permet de réduire les délais d'obtention des résultats et de prioriser la sélection des plaquettes ou lots présentant une forte probabilité d'anomalies.
La détection d'anomalies identifie les conditions de processus et les signaux des équipements qui s'écartent des schémas de production normaux. L'inférence causale permet de distinguer, parmi les corrélations entre différentes variables, les causes susceptibles d'avoir influencé la réduction réelle du rendement. La simulation basée sur des données physiques permet d'anticiper l'impact des modifications de recettes ou des mesures correctives en tenant compte des principes du processus et des caractéristiques des équipements.
Semi-AI envisage d'utiliser cette technologie pour intégrer la détection des anomalies de rendement, l'analyse des causes profondes et les recommandations de solutions dans un flux de travail intégré. L'objectif est de réduire le temps que les ingénieurs consacrent à la recherche, la comparaison et l'organisation répétitives des causes potentielles, tout en fournissant les éléments de preuve nécessaires à la prise de décision finale.
La vérification sur site et l'approbation de l'ingénieur sont plus importantes que les « recommandations de réponses correctes ».
Dans la fabrication de semi-conducteurs, la valeur de l'IA ne se mesure pas uniquement à la précision de ses prédictions. Les faux positifs répétés, qui identifient des processus fonctionnant correctement comme anormaux, entraînent des arrêts de production et des coûts de mesure inutiles ; à l'inverse, la non-détection de défauts potentiels peut engendrer des pertes de plaquettes et une baisse de rendement.
Les causes profondes présentées par l'agent doivent permettre de distinguer les variables ayant évolué parallèlement aux données historiques des causes réelles du défaut. Afin que les résultats de l'analyse débouchent sur des actions correctives sur le terrain, ils doivent être validés par des données issues de différentes périodes, équipements et gammes de produits, et présentés sur une base compréhensible par les ingénieurs.
En particulier, les tâches ayant un impact direct sur les résultats de production, comme la modification des recettes de fabrication ou le contrôle des équipements, nécessitent une définition précise des responsabilités et des procédures d'approbation. Même si l'IA propose des contre-mesures, une structure est indispensable pour permettre aux ingénieurs de vérifier l'impact attendu et la justification de ces mesures avant leur mise en œuvre, et de revenir aux paramètres précédents en cas de problème.
L'intégration des données représente également un défi majeur. Dans les usines de semi-conducteurs, les formats de données, les cycles de collecte et les noms des capteurs peuvent varier selon le fabricant de l'équipement et la génération de procédés. Si les données relatives aux procédés, aux équipements, aux mesures et aux défauts ne peuvent être liées en fonction du moment et de la plaquette, il est possible de comparer des situations de production différentes, même si plusieurs intervenants effectuent l'analyse.
Semi-AI réalise des vérifications technologiques liées à la mesure virtuelle, à la prédiction de superposition, à l'analyse des défauts et au diagnostic par IA pour des fabricants et des équipementiers de semi-conducteurs du monde entier. Cependant, ce document ne présente pas de résultats précis, tels que les clients des projets, le volume de données, la précision des prédictions et l'amélioration du rendement. La compétitivité de ces solutions pour une application en production de masse doit être vérifiée en analysant les taux de faux positifs et de faux négatifs dans les données réelles de production, la réduction du temps d'analyse des causes et l'impact sur le rendement.
Après avoir obtenu un doctorat en génie mécanique à l'Université de Californie à Berkeley, Ji Tae-kwon, PDG de SemiAI, a acquis plus de 15 ans d'expérience dans l'amélioration des procédés et des rendements de fabrication de semi-conducteurs chez SK Hynix, ASML, Samsung Electronics et Lam Research. Fort de cette expérience dans le secteur manufacturier, il dirige aujourd'hui le développement technologique et les activités internationales de SemiAI.
SemiAI a été sélectionnée parmi les 10 finalistes mondiaux du concours « 2026 Lam Capital Venture Competition » organisé par Lam Capital, la branche investissement de Lam Research, en mai dernier.
Le PDG Ji a déclaré : « Il est nécessaire d'utiliser l'immense quantité de données provenant des usines de semi-conducteurs pour détecter rapidement les problèmes de rendement et améliorer l'efficacité du processus reliant l'analyse des causes à l'action concrète », ajoutant : « Nous allons introduire une vision de l'IA de fabrication où plusieurs agents d'IA collaborent comme une seule équipe d'ingénierie et élargir les opportunités de coopération technologique avec les entreprises mondiales. »
La compétitivité de l'usine autonome proposée par SemiAI se mesure non pas au nombre d'agents, mais à la rapidité avec laquelle leurs hypothèses et mesures se traduisent en résultats concrets de production. Parmi les indicateurs clés figurent la rapidité de détection des risques de rendement, le gain de temps consacré à l'analyse des causes profondes, la fréquence d'adoption des recommandations par les ingénieurs et l'amélioration effective du rendement après leur mise en œuvre. Cette présentation à Semicon Taiwan devrait permettre d'expliquer l'architecture multi-agents aux fabricants de semi-conducteurs et aux équipementiers du monde entier et de favoriser les essais sur site.