数字孪生
Digital Twin
设备腔体 / 产线的实时虚拟映射，支持预测性维护与虚实校正。
AI Solutions
AI，是每台设备的标准配置
从数字孪生、物理仿真到生成式光刻与逆光刻技术，倍特尔将最前沿的 AI 模型导入九大主工艺设备，让设备从装机那天起就自带大脑。
Core Architectures
四大核心架构
每一项 AI 导入，都建立在这四套核心架构之上，对应不同的工艺数据形态与物理问题。
物理仿真
Physics-informed Simulation
DeepONet / PINN 类代理模型，以物理残差训练，无需大量仿真数据即可推理热、IR、EM 行为。
LithoDreamer
生成式光刻工艺模型
生成式光刻工艺模型，支持曝光条件探索与工艺窗口优化。
ILT 逆光刻技术
Inverse Lithography Technology
以逆向设计生成掩模图形，搭配 GPU 加速收敛，对接先进节点 OPC 需求。
AI Benchmarks
AI 对标基准总表
汇总 21 项代表模型（2020–2026），涵盖晶圆图与 SEM 缺陷分类、良率预测、热仿真、IR Drop、电迁移、ATPG / BIST、KGD、测试时间、布局热点与 e-Beam 复检等领域。支持按领域筛选、按年份排序与关键字搜索。
21 项
| 领域 | 代表模型（年份） | 核心架构 | 输入数据特征 | 输出／评估指标 | 关键量化结果 |
|---|---|---|---|---|---|
| 晶圆图缺陷分类 | CNN-ESN2026 | ResNet34＋回声状态网络 | 含噪声晶圆图 | Acc（含 σ=0.1 噪声稳健性） | 干净 94.74%、噪声 87.30% |
| 静态 IR Drop | MaxViT / U-Net2026 | MaxViT 编码＋U-Net/FPN 解码 | 电阻图、电流图、电源焊盘图（SPICE 转图像） | MAE、F1（>90% 峰值热点）、推理时间 | MAE<15×10⁻⁵V、较 NGSPICE 快 10–30× |
| 布局热点 | 可解释 GAT（ASP-DAC'26）2026 | 图注意力网络（8 头） | 布局图（节点特征 5 维、邻接矩阵） | Recall、误报率、可解释性 | 内存较图像法节省 5–12× |
| 晶圆图缺陷分类 | G2LGAN＋CNN2025 | 两阶段 GAN 增强＋MobileNetV2 | 晶圆图图像（类别不平衡数据） | Accuracy／F1／1-NN（生成质量） | Acc 98.39%、F1 93.01% |
| SEM 缺陷分类 | IBM ASMC2025 | ViT（DINOv2）＋半监督 | SEM 图像（每类 <15 张） | 分类准确率 | >90%（少样本） |
| 良率预测 | PDF Exensio2025 | XGBoost＋PCA | 在线缺陷、量测、电测、FDC | die/wafer pass-fail、precision/recall | 可调阈值平衡 overkill/underkill |
| 良率根因 | TSMC 智能制造2025 | RNN（时序 FDC）＋联邦学习 | 设备传感器时序、检测数据 | 良率影响缺陷预测准确率 | ~92%（28–3nm）、逃逸率 -15% |
| 热仿真代理 | DeepOHeat-v12025 | DeepONet＋KAN＋GMRES 细化 | 功耗图／floorplan（物理信息训练，无需仿真数据） | MAPE、训练时间、内存 | MAPE 0.035%、训练 -62×、内存 -31× |
| 2.5D 电热协同 | TTSV-HMO2025 | 等效模型＋混合元启发式（PSO+SA） | TTSV 间距、chiplet 位置、功耗密度 | 温度/阻抗 MAE、fitness | 温度 MAE 0.35%、阻抗 3.97% |
| 动态 IR Drop | 双路径时空模型（DATE'25）2025 | 3D SW-MSA Transformer | 时序窗分解功耗图（内部/开关/漏电/翻转率） | 热点预测精度 | 超越 2D/3D-CNN 与递归 U-Net |
| 电迁移 | BPINN-EM-Post2025 | 贝叶斯 PINN | Korhonen PDE 物理残差＋观测 | 不确定性量化、寿命分布 | 克服 PINN 过拟合、支持多线段 |
| ATPG | InF-ATPG2025 | FFR 划分＋QGNN＋DQN | 逻辑状态、SCOAP 可控/可观测性 | 回溯数、故障覆盖率、UFP | 回溯 -55.06%、UFP 0.50% |
| BIST 强化 | LITE2025 | 标准单元扫描增强＋SCOAP 分析 | 网表超图、CC0/CC1/CObs | 测试图形数、随机图形覆盖率 | ATPG 测试图形 -31%、改善 RPR 覆盖 |
| KGD／离群检测 | GPR / RevTransC / 共形预测2025 | GPR 空间建模、无监督转换、共形 QR＋CatBoost | 晶圆级参数测试数据、WAT | AUROC、DPPM、Vmin 区间覆盖率 | 优于 DPAT；Vmin ~90% 覆盖保证 |
| 测试时间 | GPU 实时自适应测试2025 | GPU 加速 ML（产线部署） | 实时测试数据流 | 测试时间、缺陷覆盖维持 | Blackwell 量产：-25% 测试时间 |
| e-Beam 复检 | SEMVision H202025 | 深度学习图像分类（产线持续训练） | CFE e-beam 图像 | 复检速度、真/假缺陷区分 | 3× 速度、已导入 2nm/GAA 客户 |
| 热-IR 联合 | ThermEDGe / IREDGe2024 | Encoder-Decoder CNN | 时变功耗图、PDN 密度 | IR 误差（mV）、温度轮廓 | 平均 IR 误差 0.053mV |
| 动态 IR Drop | PDNNet2024 | GNN（PDNGraph）＋CNN 异构 | PDN 结构图＋动态电流图 | NMAE、加速比 | NMAE 改善 39.3%、545× 加速 |
| ATPG（商用） | Synopsys TSO.ai2024 | AI 配置调优（黑盒优化） | 设计特性、ATPG 引擎行为、约束 | 测试图形数、覆盖率、收敛迭代 | 测试图形 -20~25%（部分 >50%） |
| 静态 IR Drop | ICCAD'23 冠军方案2023 | ConvNeXtV2-Nano＋UPerNet | 各金属层电阻图＋有效距离图 | MAE（mV）、F1 | MAE 0.075mV、F1 0.56 |
| 电迁移 | Dey et al.2020 | 10 层 NN 回归＋逻辑回归分类 | J、L、T、IR Drop、MTTF 标注（KLU＋Black） | R²、AMSE、失效段检测 | 显著加速、MTTF 可比精确模型 |
数据来源：各公开论文／厂商发表（2020–2026）。
Deployment Flow
AI 导入流程
四个步骤，从数据盘点到持续学习，把对标模型真正落地到你的产线。
- 01
数据盘点
盘点厂内 FDC 传感时序、检测图像、晶圆图与历史良率数据，评估数据质量与可用性。
- 02
模型选型
对标上方基准总表，按数据形态与目标指标选定候选架构，进行小规模验证。
- 03
与设备 FDC/SECS-GEM 对接
打通设备通信接口与数据管线，完成实时推理与产线系统的部署整合。
- 04
上线持续学习
上线后以产线新数据持续再训练，滚动优化模型表现，保持长期准确度。