从三星×Palantir合作看半导体良率分析我用Ontology做了一个MVP三星把最高机密交给了一家AI公司只为提升几个百分点的良率。本文拆解背后的技术逻辑并用 Python Streamlit 复刻了一个最小可运行的良率分析系统。github:https://github.com/BumbleBee-ZDS/fab_ontology_yed_mvp一、起因三星为什么铤而走险2024年底三星电子DS半导体部门做了一个在业内看来近乎疯狂的决定——将晶圆厂核心制造数据接入美国公司Palantir的AI分析平台。要知道半导体工艺数据是比芯片设计图纸更敏感的商业机密。台积电、英特尔从来不会让任何第三方触碰产线数据。三星之所以破例是因为2nm GAA工艺的良率已经跌到了30%左右时间节点良率后果2024年早期~10-20%试产失败客户观望2025年Q1~30%高通、英伟达转单台积电量产门槛≥70%Exynos 2600无法按时出货30%良率意味着每10片晶圆只有3片能用成本是台积电的2倍以上。三星急需一个外力来打破僵局。最终三星选择了Palantir核心条件是数据不出厂、Palantir不留存任何数据、服务器部署在三星内部机房。二、理论拆解Palantir到底怎么帮三星提良率2.1 半导体良率问题的本质一颗2nm芯片要经过300-500道工艺步骤光刻、刻蚀、沉积、离子注入、清洗、CMP……每步有数十到数百个可调参数。产线上数千个传感器实时采集温度、压力、气体流量、薄膜厚度、缺陷分布……在14nm及以下节点良率损失的主因不再是随机颗粒污染而是多参数耦合导致的系统性失效。人类工程师靠经验和传统SPC统计过程控制很难从高维数据中快速定位根因。2.2 Palantir Foundry的核心Ontology本体论建模Palantir的杀手锏不是某个具体的ML算法而是其Ontology数据建模层┌─────────────────────────────────────────────┐ │ 应用层仪表盘 / 决策工作流 / AIP对话 │ ├─────────────────────────────────────────────┤ │ 分析引擎层ML模型 / 因果推断 / 异常检测 │ ├─────────────────────────────────────────────┤ │ 数据基础层数据管道 / Ontology建模 │ └─────────────────────────────────────────────┘Ontology做的事情将散落在MES、SPC、缺陷检测、电性测试等几十个异构系统中的数据统一建模为一张因果关联网络——晶圆→批次→设备→工艺步骤→参数→缺陷→测试结果之间的所有关系被显式定义机器可以直接在这张网络上做关联查询和推理。2.3 具体怎么提升良率五个环节环节做什么效果数据整合将MES/SPC/检测/测试数据统一接入用Ontology建模消除信息孤岛关联分析缺陷空间分布 × 设备 × 工艺步骤自动关联根因定位从周级→小时级参数排序ML模型对良率影响因子做重要性排序找到Top-N关键参数实时预警流处理管道预判批次良率异常时触发干预减少废品知识沉淀每次分析结论回写Ontology形成可复用知识库避免经验流失一句话总结Palantir不是造芯片的AI而是帮工程师更快找到问题在哪的AI。三、实践我用Python复刻了一个MVP理解了上述原理后我决定做一个最小可运行项目MVP验证Ontology建模 关联分析在良率场景下的可行性。3.1 项目定位FabOntology—— 半导体晶圆厂本体论驱动的良率分析MVP不依赖真实Fab数据用模拟器生成2nm GAA工艺数据不依赖真实AI/ML模型用统计方法模拟分析能力核心验证点Ontology能否将异构数据统一并在其上完成关联分析3.2 技术栈Python 3.11 / Streamlit / Pandas / Plotly / Pydantic v2 / DeepSeek LLM可选3.3 项目结构fab_ontology_yed_mvp/ ├── app.py # Streamlit 主入口 ├── config.py # 全局配置工艺步骤、设备列表、隐藏规则阈值 ├── requirements.txt ├── .env # DeepSeek API Key可选 ├── .streamlit/config.toml # 深色主题配置 ├── ontology/ │ ├── schema.py # Pydantic 数据模型Ontology 核心实体 │ ├── graph.py # 本体关系图查询批次追溯、晶圆谱系 │ └── knowledge_base.py # 知识沉淀历史分析结论存储与检索 ├── data/ │ ├── simulator.py # 模拟数据生成器埋入隐藏规律 │ └── loader.py # 数据加载与 DataFrame 视图 ├── analysis/ │ ├── correlation.py # 缺陷-设备-步骤关联分析 │ ├── importance.py # 参数重要性排序皮尔逊 分箱增益 │ └── yield_tracker.py # 良率计算与趋势 └── ui/ ├── sidebar.py # 侧边栏导航 全局筛选器 ├── dashboard.py # 总览仪表盘 ├── wafer_map.py # 晶圆缺陷图可视化 ├── lot_trace.py # 批次追溯视图 ├── param_analysis.py # 参数分析页 └── nl_query.py # 自然语言查询页规则匹配 LLM增强3.4 架构分层┌─────────────────────────────────────────────────┐ │ Streamlit UI │ │ Dashboard │ WaferMap │ LotTrace │ Param │ NL │ ├─────────────────────────────────────────────────┤ │ Analysis Layer统计分析 │ │ Correlation │ Importance │ YieldTracker │ ├─────────────────────────────────────────────────┤ │ Ontology Layer本体服务 │ │ Schema(Pydantic) │ Graph(关系查询) │ Knowledge │ ├─────────────────────────────────────────────────┤ │ Data Layer数据管道 │ │ Simulator(模拟生成) │ Loader(DataFrame视图) │ ├─────────────────────────────────────────────────┤ │ Config全局配置 │ │ 工艺步骤 │ 设备列表 │ 隐藏规则阈值 │ UI配色 │ └─────────────────────────────────────────────────┘四、核心设计详解4.1 Ontology数据模型Pydantic v2这是整个系统的骨架。我用Pydantic定义了7个核心实体classProcessStepType(str,Enum):LITHOGRAPHY光刻ETCH刻蚀DEPOSITION薄膜沉积IMPLANT离子注入CLEAN清洗CMP化学机械抛光INSPECTION检测classEquipment(BaseModel):equipment_id:strname:strstep_type:ProcessStepType chamber_count:int1status:strrunningclassProcessStep(BaseModel):step_id:strname:strstep_type:ProcessStepType equipment:Equipment parameters:dict[str,float]# 参数名 - 当前值parameter_specs:dict[str,tuple[float,float]]# 参数名 - (下限, 上限)classWafer(BaseModel):wafer_id:strlot_id:strslot_number:intdefect_map:list[dict]# [{x, y, defect_type, size_um}]is_good:boolTrueclassLot(BaseModel):lot_id:strproduct:str# e.g., Exynos_2600process_node:str# e.g., 2nm GAAwafer_count:int25wafers:list[Wafer]status:strin_progressclassDefectRecord(BaseModel):defect_id:strwafer_id:strlot_id:strx:floaty:floatdefect_type:str# particle / scratch / pattern_bridge / voidsize_um:floatdetected_at_step:strclassElectricalTest(BaseModel):wafer_id:strlot_id:strparam_name:str# Vth / Ion / Ioffvalue:floatspec_min:floatspec_max:floatis_pass:bool顶层用OntologyGraph将所有实体关联classOntologyGraph(BaseModel):lots:list[Lot]process_steps:list[ProcessStep]equipment_list:list[Equipment]defects:list[DefectRecord]electrical_tests:list[ElectricalTest]关键设计思想这不是简单的数据库表而是一张语义网络。DefectRecord.detected_at_step指向ProcessStepProcessStep.equipment指向Equipment——沿着这条链任何缺陷都能追溯到具体设备和具体参数。4.2 模拟数据埋入可被发现的规律数据模拟器不是随机生成噪声而是刻意埋入因果关系12台设备中ETCH-02被设为异常RF功率870W 阈值850W腔温408°C 阈值405°C经过ETCH-02的晶圆60%概率在右半部分产生pattern_bridge缺陷隐藏规则RF功率 850W 且 腔温 405°C → 良率下降15%50 Lot × 25 Wafer 1250片晶圆时间跨度30天这样关联分析模块如果能发现ETCH-02是罪魁祸首、RF功率是Top-1重要参数就证明Ontology 统计方法的有效性。4.3 分析模块correlation.py关联分析按设备分组统计缺陷率 → 输出嫌疑设备Top-N按工艺步骤统计缺陷增量 → 输出嫌疑步骤Top-N缺陷空间分布左/右/上/下/中心与设备交叉分析# 伪代码示意importpandasaspddefcorrelate_defects_by_equipment(defects:pd.DataFrame,equipment:pd.DataFrame)-pd.DataFrame:按设备分组统计缺陷率mergeddefects.merge(equipment,left_onequipment_id,right_onequipment_id)returnmerged.groupby(equipment_id).agg(defect_rate(defect_id,count),...).sort_values(defect_rate,ascendingFalse)importance.py参数重要性皮尔逊相关系数每个数值参数与良率标签的线性相关性分箱增益参数分5箱后各箱良率差异模拟决策树信息增益输出参数重要性排行榜yield_tracker.py良率追踪按天/按Lot/按设备/按步骤四个维度计算良率支持时间窗口筛选4.4 五个页面页面核心功能 总览仪表盘KPI卡片、良率趋势折线图含70%目标线、设备良率对比、异常告警 晶圆缺陷图圆形晶圆轮廓 缺陷散点按类型着色、电性测试、正常vs缺陷对比 批次追溯Lot步骤时间线甘特图、参数vs Spec对比、异常设备红色高亮 参数分析重要性排行榜、散点图、分箱箱线图、关联规则发现卡片 智能查询规则匹配5种预定义查询 DeepSeek LLM增强规则未命中时调用五、运行效果启动python-mvenv .venv .venv\Scripts\pipinstall-rrequirements.txt .venv\Scripts\streamlit run app.py浏览器访问 http://localhost:8501 。界面展示验收结果验收项状态一键启动无报错✅5个页面全部可访问✅1250片晶圆数据生成 1秒✅晶圆图正确显示圆形轮廓缺陷分布✅参数分析识别刻蚀RF功率为Top-1分数0.8042✅批次追溯高亮ETCH-02红色✅智能查询响应5种预定义查询 LLM增强✅六、从MVP到真实Fab差距在哪这个MVP验证了架构可行性但距离真实Fab部署还有巨大鸿沟维度MVP真实Fab数据规模1250片晶圆数百万片/年数据源模拟器MES/SPC/EDS/缺陷检测KLA/AMAT等20系统协议直接读内存OPC-UA / SECS-GEM / GEM300实时性离线分析毫秒级流处理安全无物理隔离、数据不出厂、审计日志模型皮尔逊相关深度学习 因果推断 物理仿真混合后续迭代路线版本扩展方向V0.2接入SQLite持久化支持历史数据积累V0.3引入真实LLM替换规则引擎做NL查询V0.4加入Isolation Forest时序异常检测V0.5支持多Fab/多产品线Ontology扩展V1.0对接真实MES/SPC数据源SECS-GEM协议七、总结三星与Palantir的合作揭示了一个趋势半导体制造的竞争正在从谁的物理工艺更强扩展到谁的数据智能更强。Ontology不是银弹但它解决了一个根本问题——让数据从散落在20个系统里的CSV变成机器可推理的因果网络。有了这张网络无论是传统的统计方法还是前沿的LLM都有了施展拳脚的基座。这个MVP用不到2000行Python代码验证了这条路径的最小闭环。希望对你有所启发。参考韩国经济日报三星DS引入Palantir提升良率2025.03Palantir Foundry 官方文档Ontology概念三星2nm GAA工艺良率公开报道2024-2026