半导体模型能隐藏多少信息？

核心要点：

• 先进封装正把工艺行为推向跨公司边界，因此一家供应商隐藏的内容如今会影响另一家公司的预测。
• 加密和抽象能干净地保护配方，但两者都无法告诉接收方的工程师模型在哪里失效。
• 一个模型可以很准确，却仍然无法回答所提出的问题，这使得其适用范围与模型本身一样都是交付成果。

目标看似简单——共享模型而不共享工艺。材料供应商不应为了能让客户预测材料在封装中的表现而透露专有配方，代工厂也不应为了提供一个有用的芯粒模型而交出自己的配方。但先进封装正在让这种分离变得难以维持。

多年来，工程师们通过数据手册、设计规则和鉴定规范在公司之间传递所需的大量信息，而制造知识则保留在供应商手中。只要各个部分表现得相互独立，这种安排就行之有效；但如今一家公司留在其工艺内部的内容，会影响另一家公司的部分在封装组装后的性能。工艺可能仍属于供应商，但其影响不再止步于工厂大门。

“针对这一挑战已有一些初步工作，但如何在公司之间插入一层膜，让它们共享一定量的数据而非全部？”PDF Solutions Exensio Test Operations 产品管理总监 Greg Prewitt 说，“你要对它进行混淆吗？还是归一化？共享多少才能让双方团队解决一个问题，却看不到任何一方的专有 IP？”

难点在于决定这层膜应该放行什么。隐藏得太少，供应商就会泄露其多年开发的工艺知识；隐藏得太多，模型就可能丢失对方工程师做出有效预测所需的行为、变异或极限信息。这就留下一个更难的问题——多少信息可以在膜内消失，才不会隐藏预测真正需要的东西？

材料以最简单的形式展现了这个问题。工程师可能需要知道材料如何随温度变化、基板是否会翘曲到影响组装的程度，或者工艺变异如何传导至电气性能，而无需知道产生这些行为的专有细节。客户不需要材料公司的配方来为其材料的行为建模，但数据手册上的几个静态数字可能也不够。

“虽然专有配方不能共享，但针对目标应用相关条件范围的材料表征可以提供更全面的材料行为描述，使模型更好地反映真实世界条件并提高预测精度，”Brewer Science 高级研究员兼团队负责人 Hanlin Chen 说，“使用单一固定值作为材料输入的数字孪生，永远会低估真实世界的风险。”

数据交接的挑战
对更精细模型的需求正在增长，因为先进封装汇集了工程历史在不同地方积累的各个部件。在成品封装到达系统之前，它们可能经过多家公司，但到那时没有任何一家公司必然掌握完整的历史。

“先进封装的实现依托于高度协作的供应链，”Amkor 全球工厂 IT 与自动化副总裁 Joon Ahn 表示。“裸片、基板、材料和设计信息由多个合作伙伴共同提供。每位参与者都拥有与其在价值链中所处环节相关的独特专长和数据。”

一旦设计流程需要在一切制造完成之前获取制造信息，这种分散的所有权就成了问题。流程可以留在一家公司内部，但其足够多的行为特性必须能够在其他地方被使用。

传递给下一位工程师的信息通常足以描述设计出来的部件，但不一定足以解释它在组装后的行为。标称尺寸和基本的电气或材料属性相对容易传递，而生产偏差以及这些数字背后的历史则很难随之传递。

“我认为要构建连通的数字主线，并不需要完全的数据透明，”ASE 企业研发副总裁 CP Hung 表示。“我们真正需要的是一种可信的方式，共享足够的信息以做出下一步工程决策。”

这并不意味着每个上游细节都要进入模型。有些信息消失后不会改变预测结果，而另一些只有当封装中其他地方暴露出其影响时才显得重要。例如，一个芯粒的热响应对于某项分析可能已经足够，但工艺偏差可能以下游模型无法察觉的方式改变这一响应。

因此，问题不在于能共享多少信息，而在于在工艺本身被隐藏之后，哪些信息仍然重要。一个保留正确行为的模型可以保护其底层的配方。但如果隐藏了不该隐藏的东西，不确定性就会从模型中消失，尽管它从未从封装中消失。

一个模型能隐藏多少物理特性？
降阶模型和代理模型以不同方式解决类似的计算问题。降阶模型对高保真度的物理表征进行简化，而代理模型则在采样的设计或工艺空间内近似行为。两者都使得在每次运行底层模型耗时过长的情况下进行分析成为可能，但运行速度更快并不会让它们更值得信赖。

“如果用于创建代理模型的仿真数据是准确的，那么代理模型就是可信的，”Silvaco AI 制造高级副总裁兼总经理 Eric Guichard 表示。“要让仿真数据准确且具有预测性，用于生成这些数据的物理模型必须经过校准。而校准只能针对实验数据进行。这些实验数据通常是可获得的，且不属于专有信息。物理模型校准只是等式的一部分，另一部分是对详细工艺配方的了解。”

问题可以拆分为两类截然不同的信息。实验测量可以提供校准模型所需的证据,而不会泄露太多关于工艺本身的信息,但要构建一个具有预测能力的表示,可能仍需要公司绝不会直接交给客户的细节。

让这一方案可行的是建模与用模之间的不对称性。创建模型的组织可能需要足够了解工艺,才能弄清它为何如此表现。而使用模型的工程师可能只需要访问该行为。例如,一个衬底模型可以暴露厚度、材料响应以及工艺波动的影响,而不会泄露供应商在制造中如何实现这些特性。

“如果只向代理模型的使用者暴露少数几个关键旋钮,我们就可以合理地认为专有工艺细节得到了保护,”Guichard 说。

配方并没有消失,它只是被移到了模型边界之后。但这只是把披露问题转移了位置,而非解决它,因为模型构建者仍然需要供应商试图保护的东西。

“详细工艺配方的可获得性实际上才是挑战所在,”Guichard 补充道。

加密保护专有数据
加密提供了一种将有用行为与专有实现分离开来的方法。Synopsys 的 HFSS(高频结构仿真器)支持加密的电磁模型,元件供应商可以将其分享给客户用于仿真,而不会暴露底层几何和材料信息。

“这些加密模型解决了一个重大但非技术性的障碍——如何在不泄露商业机密的情况下,将电子元器件的仿真模型分享给客户,”Synopsys 产品管理总监 Lang Lin 说。

加密可以干净利落地处理披露问题。接收模型的工程师可以使用它,却无法访问封装在里面的内容。但加密无法告诉该工程师的是,模型对于所要解决的问题是否仍然有效。

“这一直是仿真领域的核心关注点之一,”Lin 说。“它与实际情况到底匹配得有多好?”

一个模型可以是安全的,却在其所处的使用条件下并不正确。如果它是围绕某个封装或工艺窗口构建的,那么即使在设计早已超出这些条件之后,其结果在数值上可能仍然显得精确。加密会让这一点更难被发现,因为用户无法查看内部、确认原始假设在何处失效。IP 可以得到完美保护,而工程决策却出了问题。

因此,模型共享需要加密模型之外的某些东西。接收者可能不需要知道模型内部如何工作,但仍需要知道在哪些条件下可以信任它。

当模型失效时
材料让这个问题更容易被看清。一份datasheet(数据表)可以完全准确,却只描述了材料生命周期中的某一时刻。一旦该材料经过固化、装配并投入使用,用于构建模型的那些属性可能就开始发生变化。

Brewer 公司的 Chen 表示：“数据手册只给你一个快照——CTE、模量、粘附力、粘度——都是在某一时间点、某一组条件下测得的。机械和热性能会随固化程度而变化。交联密度在加工完成后可能继续演变，粘附强度也高度依赖于具体的键合界面。CTE 同样会变化，尤其是在聚合物 Tg(玻璃化转变温度)附近的温度区间。把这些中的任何一个当作单一的静态数值，都会造成大量仿真与硅片之间的偏差。”

供应商不必公开配方也能解释这种行为。在交接中必须保留的，是足以说明材料在封装可能遇到的条件如何变化的信息。标称值在设计空间的某一点可能够用，但在别处就可能产生误导。

代理模型让同样的有效性问题尤为明显。它们在训练数据所覆盖的区域内可以非常精确，但当用户走出该区域后，仍可能返回一个看起来合理的答案。此时模型未必失败了——只是它被问了一个其底层数据从未打算回答的问题。

Guichard 说：“基本原则是，代理模型在训练数据所覆盖的区域内插值时是可靠的，而在超出该区域外推时可靠性较低。”

困难在于，输出中没有任何东西必然会标示出这种越界。从训练区域之外返回的数值，可能与从区域内返回的数值看起来一模一样。

因此，一个有用的黑箱需要围绕它有一个可见的边界。配方可以保密，但划定模型适用范围的条件不能保密。使用它的工程师需要知道问题何时已经超出了模型真正了解的领域。模型构建者必须让这个领域可见，而用户也必须尊重它。

接口增加复杂性
在接口处问题会变得更棘手，因为 IP 分界线往往恰好落在两个独立构建的模型必须开始描述同一物理行为的地方。

材料、基板或裸片模型在其供应商预期的条件下可能完全有效。麻烦始于把这些模型拼接在一起时，它们底层的假设并不一致。一个模型可能把温度、几何形状或其他条件视为固定值，而另一个模型却允许其变化。

ASE 的 Hung 说：“挑战在于，数据往往以不同的格式、不同的详细程度、并带着不同的背后假设而来。例如，一项材料特性只有在我们知道它如何随温度、湿度、时间和工艺历史变化时才真正有意义。一个组件模型本身可能工作得很好，却不足以说明它被集成进封装后会发生什么。”

封装组装完成后，这些假设就更难分开了。裸片中产生的热量在其周围结构中传导，由此产生的温度变化又会改变封装内其他位置的材料行为和机械应力。这些模型可能是分别创建的，但封装并不是那样运作的。

Hung 说：“真正的挑战不只是把数据从一家公司转移到另一家，而是确保这些数据的物理含义不会在途中丢失。”

热分析显示了信息问题蔓延得有多快。基板和中介层的数据可能存在于上游，但下游设计流程需要以一种能与封装其余部分结合的形式获取这些数据。

“谈到热问题时，涉及的不仅仅是裸片，”Synopsys 产品管理高级总监 Amlendu Shekhar Choubey 说，“这是一个整体性问题。你需要整个堆栈。”

但即使拥有所有部分，也不能保证它们能彼此契合。一家供应商可能在某组条件下对行为进行表征，而接口另一侧的模型却假设的是另一组条件。即使是同一个标称参数，如果它是在不同温度下测量的、源自不同的工艺状态，或者面向不同的工作范围，其含义也可能不同。

更难的问题不在于跨接口传递更多数据。交接必须充分保留数据背后的假设，让下一个模型知道如何使用它，否则每个模型可能单独来看都是对的，而它们共同描述的封装却是错的。

模型需要携带什么
模型本身正在成为一种公司之间的工程契约。一方并不承诺公开工艺的运作方式，而是承诺对该工艺所实现的功能做足够多的描述，使另一位工程师能在约定的条件范围内使用其结果。配方、方法或实现可以保持隐藏，只要模型展现出下一位工程师真正需要的行为。接收方工程师仍然需要知道所做出的是哪一种承诺。

“不确定性和模型有效性需要随模型一起传递，”Synopsys 3D-IC 产品管理高级总监 Kenneth Larsen 说，“仅仅交换几何结构、材料属性或仿真结果是不够的。每个模型还需要携带决定其是否可信的上下文——数据来自哪里、是如何测量或校准的、使用了哪些假设、有效范围是什么，以及它旨在支持哪些决策。”

当模型被抽象化或加密时，这种上下文最为重要。适用于架构探索的模型对于最终签核未必可信，而在某个工艺窗口内构建的代理模型在封装改变后也不一定能保持预测能力。仅凭输出，工程师无法得知原有的承诺已不再适用。

实际的解决办法不是要求一切都变得可见，而是让模型的有用行为及其局限足够可见，使接收它的公司能够判断它是否适用。

供应商边界不会消失，其背后工艺的竞争价值也不会消失。在许多情况下，这些专有细节恰恰是客户当初选择该供应商的原因。正在改变的是，有多少工程信息可以止步于与供应商的边界。传统的黑盒可以同时隐藏工艺及其大部分行为，因为客户主要需要的只是一份规格说明。而一个被纳入紧密耦合封装的模型，则必须隐藏配方，同时让其后果的足够部分保持可见，以便他人做出经得起推敲的决策。

结语
多年来，黑箱一直是一种可行的妥协。供应商可以保护某样东西的制造方式，客户则围绕规格进行设计，两者之间通常存在足够的余量，足以吸收双方都看不见的东西。先进封装正在收窄这一余量，因为一个部件的行为越来越依赖于另一个部件在两者相遇之前经历了什么。

这并不意味着专有工艺知识的价值降低了。如果说有什么变化的话，随着封装对材料、装配方法和制造窗口提出针对特定架构的调优要求，工艺本身可能变得更有价值。但现在的模型必须承载旧规格往往不具备的东西——足够的证据，说明那个隐藏的工艺做了什么、其行为在哪里发生变化，以及何时不应再信任该表征。

把这个问题解决得最好的公司，很可能不是那些分享得最多的公司。而是那些能够把专有工艺知识转化为其他工程师可以使用、却无法重构其底层内容的模型的公司。配方可以保密，但其后果不能。

相关文章
AI 正在改写 IP 规则手册
随着半导体生态系统转向 AI，IP 的创建、验证、管理和销售方式正在发生转变。

一项测量结果能保持有效多久？
当芯片、测试路径或结果背后的假设发生变化后，测量结果可能会产生误导。

符合用途的 AI 模型
在模型创建时的语境之外使用模型，可能导致误导性信息。