數字孿生：云闊憑魚躍，天高任鳥飛
加入技術交流群
核心要點
數字孿生技術雖仍存諸多待解問題，但其相關投資持續走高，初代版本已開始落地，芯片行業各細分領域均在展開相關試驗 —— 一方面探索其應用場景，另一方面也是為了避免被新老競爭對手搶占先機。若數字孿生能如期兌現其技術潛力，將實現以下突破：
推動可測試性設計（DFT）、可制造性良率設計（DFY）和可制造性設計（DFM）在芯片設計到制造的全流程中進一步左移，同時向流程后端進一步延伸；
構建晶圓廠內特定類型數據的正向反饋與逆向追溯機制；
集成智能體人工智能（或智能體式 AI）中間件，實現不同工藝環節的數據融合；
為芯片、晶圓、封裝體或工藝制程生成更全面、更精細的黃金基準模型，更易識別異常并及時調整參數。
而這僅僅是開端。芯片行業內外眾多企業的長期愿景是：在芯片流片前，實現從初始架構設計到量產啟動階段的全流程洞察；在芯片流片后，將終端現場的運行數據反向回傳至晶圓廠或封測廠。這一過程將產生海量數據，進而對計算算力和存儲資源提出極高要求。
數字孿生的應用可大可小：既可以模擬整輛汽車、整座城市，也可以模擬某個子系統、單顆芯片，甚至是單一工藝在不同工作負載或環境條件下的運行狀態 —— 且這一切都能在芯片或系統正式量產前完成。
泰瑞達智能制造產品經理伊萊?羅斯表示：“數字孿生就像一個系統之系統，能將各個模塊整合為一體。它從原本相對孤立的仿真和驗證環境發展而來，如今已能實現從芯片設計、封裝到測試全流程的一體化融合，堪稱‘超級強化版’的 SOLIDWORKS 建模工具，可無縫接入英偉達元宇宙 3D 模型。在芯粒和異構集成領域，數字孿生的價值尤為凸顯：芯片裸片、基板、材料與熱管理之間的耦合度越來越高，哪怕是微小的翹曲都可能引發高成本的失效問題。如果能在將這些器件集成到高成本、高耦合度的系統前，通過數字孿生預判并解決問題，將帶來極大的價值。”
愛德萬測試云解決方案高級咨詢經理朱文軒（文森特?朱）對此表示認同：“這些理念具有顛覆性意義。如今業內探討的晶圓廠工藝數字孿生，往往僅局限于前段工藝；若能將其與后段測試結合 —— 畢竟自動測試設備（ATE）掌握著器件的黃金測試標準 —— 就能讓前段工藝的仿真更精準。通過在數字孿生環境中實現各環節的數據正向流轉，我們可以搭建模型、開展各類假設場景模擬，進而提升后段測試流程的效率。”
這其中包括通過多版本篩選提升生產吞吐量和產品良率，這一點在多裸片集成封裝中尤為關鍵。朱文軒說：“我們當下生產的 AI 芯片普遍采用異構集成技術，核心挑戰是如何在封裝前確保每一顆裸片的品質。這類封裝體尺寸巨大，集成了數顆甚至數十顆裸片，若未能提前篩除存在問題的裸片，最終可能導致整個封裝體報廢。”
盡管芯片量產前的數字孿生投入更高，但由此帶來的良率提升、產品可靠性增強，以及更貼合具體應用場景和工作負載的設計優化，能大幅減少產品返修授權（RMA）的發生，最終實現顯著的成本節約。不過，如何協調整合數字孿生的各個環節，仍是一項極具挑戰性的工作。
PDF 解決方案公司首席執行官約翰?基巴良指出：“晶圓在工廠完成測試后，工作人員并不知道這些芯片后續會送往何處進行封裝、組裝和二次測試，因此也無法確定物料的調配方向，這是行業長期存在的痛點。數字孿生相當于用低代碼或無代碼的方式打通各大應用系統，需要整合產品生命周期管理（PLM）、企業資源規劃（ERP）、制造執行系統（MES），以及工程數據、生產良率數據，最終對接設計自動化信息。只有整合好這些信息，才能實現人工環節的自動化替代，讓人工智能做出合理決策，這正是我們研發數字孿生的核心目標。”
人工智能與數字孿生的雙向賦能
機器學習與深度學習模型對數字孿生的支撐
組件孿生：單一零部件與設備的數字化映射
工藝孿生：整個生產工廠的數字化映射
企業孿生：整個制造生命周期的數字化映射
人工智能對數字孿生的賦能
人工智能算法可實現數據采集、整合與處理的自動化，確保數字孿生模型的精準性，實時反映物理系統的運行狀態；生成式人工智能能對數字孿生的輸入數據進行結構化處理，并對輸出結果進行融合分析。
同時，數字孿生也為生成式人工智能提供了可靠的測試與學習環境。
人工智能驅動的數字孿生核心價值
預測性維護：提前識別潛在故障，減少設備停機時間與維護成本；
性能優化：分析數據挖掘優化空間，提升整體運營效率；
輔助決策：提供數據驅動的洞察，支撐更科學的決策制定；
提效降耗：精簡業務流程，減少生產浪費；
無風險測試：通過虛擬環境模擬場景、驗證設計，降低研發風險與成本。
跨學科融合的技術挑戰
當前數字孿生的發展水平，與行業愿景仍有較大差距。要實現最終目標，需分階段推進，首要任務是減少制造工藝中的參數波動，進而提升芯片從量產之初到全生命周期的可靠性。
西門子數字工業軟件汽車芯片解決方案總監李?哈里森表示：“多年來，芯片測試環節一直在向設計前端左移，如今這一趨勢已達到極致。一名可測試性設計工程師，同時也需要承擔功能架構師的工作。我們在設計中采用 PCIe 接口，通過工藝控制測試流程，搭建安全隔離區；因此，可測試性設計工程師必須完成包含功能總線、嵌入式軟件的完整子系統架構設計，還要掌握 PCI 和 UCIe 接口的調試方法。我們內部正推動可測試性設計工程師向功能設計師轉型，因為在芯粒這類大型設計中，測試基礎設施的控制、監控與整體配置，已不再通過器件外部的隨機引腳實現，而是由專門的小型功能域完成。”
數字孿生同樣可用于驗證可測試性設計的基礎設施與架構設計。哈里森說：“這是可測試性設計工程師首次登上設計與驗證大會（DVCon）的舞臺。我們能在自動測試設備上對整個測試基礎設施進行虛擬試運行，在芯片流片前驗證其可行性。”
這一過程，相當于先從谷歌地球的宏觀視角切入，再逐步深入分析特定工作負載下的熱梯度對 2 納米晶體管的微觀影響。它需要將以往從未關聯的各類模塊打通，并且能在不同壓力條件下對這些模塊進行調整，以得出最優或至少可行的解決方案。目前，大型仿真已實現了有限范圍內的這類操作，但能靈活調控各類工藝、替換不同組件（如不同制程的芯粒、不同互連方式或存儲器件）的能力，仍是全新的技術突破。
新思科技資深架構師亞當?克朗稱：“我們的仿真能力已實現從原子級到整機系統級的全覆蓋。數字孿生的核心是仿真，實現無需實體制造的各類驗證。事實上，芯片流片前的功能模式仿真，本質上就是數字孿生的應用。如果仿真發現問題，要么放棄流片，要么至少能明確問題所在。芯片制造不僅成本高昂，且耗時漫長，在啟動量產前通過數字孿生完成驗證，能大幅提升研發效率。”
邁向更優的技術落地效果
要充分釋放數字孿生的潛力，需要不同行業間的深度協作，部分場景下甚至需要行業內各細分領域的協同配合。
克朗表示：“目前行業仍處于單點解決方案階段。我們已落地知識助手工具，也實現了腳本的自動生成；如果需要特定的技術文檔，工具也已具備相關功能 —— 只需在界面發起指令，就能自動生成并嵌入研發流程。我們正逐步向智能體化方向發展：系統可自動識別設計規則檢查（DRC）中的違規問題，并通過工具自動修復；未來，智能體之間還能實現互聯互通，這一功能已在部分專屬環境中落地。”
數字孿生也可用于優化單一制造工藝。昂通創新企業軟件業務單元產品經理肖恩?金說：“它能充分挖掘各類入廠、出廠檢測數據的價值，還能提升設備的運行性能。我們的檢測和量測設備正采集更多數據，并將其匯聚至統一平臺，通過識別數據不一致性，讓所有數據在中央平臺實現協同聯動，從而掌握設備的運行狀態及相互匹配度。基于此，我們可搭建設備預測性維護的數字孿生模型，確保設備穩定運行。而對于客戶而言，我們的設備數據是其搭建質量檢測、物料分析數字孿生模型的核心輸入。如果客戶無法信任我們的設備輸出數據，其模型的可靠性也就無從談起。”
數字孿生落地的核心挑戰在于數據的整合與管理，唯有實現數據的高效利用，才能精準識別、預防或解決問題。肖恩?金強調：“結果輸出的時效性至關重要，這取決于我們要解決的具體問題、其背后的價值、數據處理的部署方式 —— 是本地部署，還是部署在外部高成本的大型服務器或云端；同時也要避免過度設計，搭建超出實際需求的模型，否則會增加問題定位的難度。針對設備漂移這類具體問題，我們能精準定位并制定最優應對策略，但在多供應商的生態體系中，若各方缺乏統一的溝通與數據共享標準，問題就會變得復雜。”
解決這些差異是行業面臨的一大難題。哈里森介紹：“歐洲正在推進一個名為 CHASSIS 的大型汽車項目，全稱是‘面向軟件定義汽車的芯粒化硬件架構’，該項目的核心環節之一，是搭建整個平臺的數字孿生模型，讓為系統提供芯粒的各供應商能通過虛擬環境接入自研芯粒，驗證其兼容性。比如，測試基礎設施能否實現互聯互通并正常運行？芯粒集成至整體系統后，可測試性設計基礎設施能否正常啟動？最糟糕的情況是，一堆功能完美的芯粒組合在一起，卻因可測試性設計的連接問題，只能完成一半的測試工作 —— 這樣的產品看似優秀，實則毫無價值，無法應用于汽車生產，因為其可測試性僅有 50%。”
各類異構數據的互聯互通也是一大難題，而這正是人工智能的用武之地。PDF 解決方案公司全球晶圓廠應用解決方案經理喬恩?霍爾特說：“我們發現業內正采用智能體化的解決方案。目前行業內仍存在大量遺留系統和數據孤島，部分系統通過可編程邏輯控制器（PLC）或電子設計自動化（EDA）控制器實現數據交互，還有部分通過制造執行系統（MES）完成。哪怕是隨產品交付的簡易數據手冊，只要錄入系統并完成數字化，就能成為智能體的一部分。我們將每個系統、每份文檔都視為一個智能體，這樣就無需傳輸知識產權相關的全部信息，僅需在信息使用節點，通過智能體完成所需數據的交互即可。”
霍爾特表示，研發目標是將所有智能體的數據整合，并在智能體化的工作流中實現自動化處理。“我們要在現有遺留基礎設施的基礎上，結合生成式人工智能或大語言模型的能力實現技術升級，其中的關鍵是保障數據傳輸鏈路的安全。無論采用何種技術方案，都需要部署傳感器，以支撐結果分析所需的粒度，精準映射物理世界 —— 這意味著傳感器的采樣頻率可根據需求調整，比如對生產環境按小時采樣，或對射頻脈沖沉積設備按毫秒采樣。”
行業標準的制定將為數字孿生的發展提供助力。過去六年，國際半導體設備與材料協會（SEMI）一直致力于數字孿生的信息共享，舉辦多場研討會探討其在制造和供應鏈韌性中的作用。相較于最初的概念，如今的數字孿生技術迎來兩大關鍵突破：一是云端近乎無限的計算資源成為標配，二是人工智能實現了各類異構數據的整合。這讓數字孿生既能實現大規模部署，也能針對細分場景進行深度落地，還能靈活實現視角的縮放與聚焦。
朱文軒說：“數字孿生的仿真可分為多個層級。測試單元本身可擁有虛擬身份，比如為測試設備和測試流程搭建虛擬模型，虛擬測試設備能離線運行測試程序，并在仿真中調用歷史數據日志，模擬不同條件下的測試結果；另一層級是器件本身，比如為芯片搭建虛擬硅模型，在實際流片前完成測試方案的初步驗證。如果測試車間內的所有測試設備都擁有數字孿生模型，系統就能基于當前的測試條件，通過自適應測試模型預測良率和生產吞吐量，還能搭建模型仿真整個測試設備集群的運行狀態，對比實際生產與計劃的偏差。芯片流片后，正式的物理測試才會啟動，而行業目前的趨勢是對器件進行參數調優 —— 可通過 Verilog 模型仿真器件特性，再運行測試程序模擬量產場景。仿真所使用的數據可以是合成數據，基于同系列器件的歷史量產數據構建，即便新器件暫無實際生產數據也能實現仿真。”
這一理念還可延伸至芯片電路的老化監測與分析，這對于汽車、航空航天等安全關鍵型和任務關鍵型應用至關重要。同一顆芯片，若承擔的工作負載使其核心模塊利用率大幅提升，其電遷移現象的發生概率會更高，老化速度也會遠快于承擔低負載工作的同類芯片。
克朗表示：“我們可搭建可校準模型，模擬汽車芯片的各類老化退化現象。該模型能預判芯片性能或漏電率的衰減程度，而芯片本身也會內置這一模型。通過將硅生命周期管理（SLM）與可測試性設計技術進行一體化整合，汽車每次啟動或熄火，甚至運行過程中的每微秒，系統都能驗證模型的準確性，進而提前預判芯片是否能達到設計壽命，或是否出現異常老化。這讓數字孿生從工廠延伸至終端現場，實現了全生命周期的價值落地。”
依托高質量的數據和定義清晰的數字孿生模型，這類預測的精準度將大幅提升。普羅蒂安泰克公司業務發展高級總監尼爾?塞弗說：“可測量，即可預測；可預測，即可預防。通過長期的量測數據，能掌握芯片的退化速率，進而推斷其失效時間。一旦實現這一點，就能提前發出預警，避免直至故障發生才采取措施。”
借助合適的模型和數據，這一過程可實現實時監測。塞弗指出：“如果測試實現 100% 覆蓋，且器件在絕對最大負載下完成可靠性測試，那么在模型準確的前提下，合格器件本不應出現提前失效的情況。但實際應用中存在太多不確定因素，我們能做的是盡可能提升模型的精準度，因此需要加大測試投入；而要在故障發生前識別潛在的異常退化，全生命周期監測仍是不可或缺的環節。”
哈里森補充道，數字孿生還能驗證片上監測器是否能有效識別異常的性能退化。“在芯片上集成各類監測器后，如何確認其能提供有效數據？數字孿生能模擬我們想要檢測的各類失效效應，比如芯片退化、過壓等；在安全領域，我們也正通過數字孿生模擬各類側信道攻擊。能在芯片流片前，通過虛擬環境完成各類方案的驗證，對研發工作而言意義重大。”
全生命周期的雙向賦能
數字孿生的應用場景具有無限可能性，這也是其近十年來始終占據行業視野的原因。而數據融合的技術需求，也解釋了為何 PDF 解決方案公司去年收購 secureWise、新思科技收購安世亞太 —— 各大企業正積極布局，為數字孿生技術的下一階段發展蓄力，并持續加大相關投資。
如今，數字孿生技術迎來了落地的關鍵節點：充足的計算資源、成熟的數據管理與挖掘工具、完善的人工智能 / 機器學習基礎設施，這些核心技術要素均已就位，讓數字孿生終于能在芯片行業發揮實際價值。
羅斯說：“試想一下產品返修的場景：一批器件出現故障，原因何在？三個月前的生產環節究竟發生了什么？我們可以調取所有生產數據、測試結果和工藝流程記錄。但芯片的生產流程極為復雜，哪些環節完成了老化測試，哪些沒有？這些決策是如何做出的？負責返修的工程師往往并非搭建測試方案的工程師，他們需要從復雜的測試程序中尋找答案，而這些測試程序可能由二三十人共同開發，想要理清其中的邏輯，難度堪比破解謎案。但如果能通過器件型號、庫存單位（SKU）等信息，在虛擬環境中重新還原測試過程并完成調試，問題就能迎刃而解，這將是極具價值的技術突破。”
在芯片從設計到制造的全流程中，實現數據的快速篩選與靈活應用，是行業的一大技術飛躍。朱文軒表示：“我們需要實現晶圓廠前段工藝到后段工藝的數據正向反饋，因為想要優化前段工藝參數，就需要參考后段的測試性能數據，而這一切都取決于模型的完善程度。若能為前后段工藝都搭建完善的數字孿生模型，就能實現各環節的數據流轉與仿真分析。”
目前，數字孿生技術仍處于發展初期，諸多難題仍待攻克，但它為芯片行業帶來的工藝優化、系統可靠性提升和全流程成本降低的價值，真實且巨大。
評論