本文来自2021年9月21日KLA发布的智能汽车跨行业报告，欲了解具体内容，请阅读报告原文

CPU l 面板 l RF l CMOS l FPGA l 光刻机 l EDA

封测 l OLED l LCD l 设备 l 材料 l IP l 功率 l SiCGaN l 第三代 l 汽车半导体 l 滤波器 l 模拟 l 射频 基带 l 大硅片 l PA l MOSFET l 光刻胶 l RISC－VIGBT l NOR l Mini－LED l 代工 l 偏光片 l ODM华为 l 特斯拉 l 小米 l 刻蚀机 l MLCC l 电源管理 高通 l 被动元器件 l CREE l 三星 l MCU l 台积电DRAM l AIoT l MLCC l 储能 l 钠离子 l 电子气体

KLA电动汽车纪要

免责声明：本纪要仅供方正证券的客户使用，本公司不会因接收人收到本纪要而视其为本公司的当然客户；会议纪要由方正证券科技团队翻译／整理，可能存在与该公司官方公布的纪要原文／录音有不一致或不准确之处，请投资者以上市公司发布的纪要原文／录音为准；会议纪要内容仅供投资者参考，不包含任何方正证券研究所的投资意见和建议，投资者需自行承担投资决策的风险。 公司名称：KLA会议时间：2021年9月21日 主要内容：关于电汽车，花旗最近发布了一份关于智能汽车的跨行业报告，预计未来4－5年内，电动汽车、ADAS和其他服务等科技的汽车行业销售额将超过智能手机、个人／平板电脑等变量的总和。KLA在其EPC集团内拥有一系列横跨半导体、特种半导体工艺和 PCB市场的产品，并涉及到电动汽车。Oreste Donzella（EPC集团负责人）会与我们讨论关于电动汽车。

汽车半导体有巨大的增长机会，而KLA处于独特的位置，可以实现这种增长。KLA的财务状况：年收入达60亿美元，1976年以来一直存在于半导体设备领域。KLA与同行的区别之一是我们在R＆D上花费的金额。我们每年将收入的15％用于研发。这使得我们的产品始终能够满足客户的要求。我们从事半导体流程控制（Semiconductor ProcessControl，SPC）已经多年，这是我们自1976年以来的核心业务（找到重要的芯片缺陷和影响性能的因素）。

最近，我们开始收购公司，其中最大的一笔交易是Orbotech（包括SPTS），并整合了Orbotech，SPTS和ICOS（于2008年收购），组建了EPC集团（ElectronicsPackaging and Components）。总裁兼首席执行官 Rick Wallace 和三个业务组（EPC由我管理，Ahmad Khan负责半导体流程控制，Brian Lorig负责服务业务）。

汽车在三个业务组都有涉及，我们在电子产业链中非常重要，不仅是半导体流程控制，在与晶圆、光罩（reticles）、封装组件、印刷电路板和显示器都有涉及。我们为电子供应链的众多细分市场提供服务，也在与终端市场合作。

汽车将为整个电子供应链，尤其是汽车半导体供应商提供一个难以置信的机会，我们看到汽车半导体的长期增长超过了其他终端市场（移动或数据中心等）。让我在这里谈谈汽车行业的演变，并试图解释汽车行业正在发生的事情。首先，从汽车在过去几年的发展以及未来5－10年的发展开始。这一切都是关于数据和连接性，当我们谈论汽车行业时，会想到电气化，考虑如何连接车内的一切，或者最终在未来如何通过自动驾驶来驱使汽车。为了实现这些革命，需要大量的半导体和新的电子产品。例如，连接性（Connectivity）需要更高的射频／调制解调器（RF／Modem content）。电气化方面，越来越多的第三代半导体材料如碳化硅和氮化镓被采用。我们也看到更多的汽车内部采用了内存芯片。因此，现代汽车中有各种各样的半导体器件，而且在未来会更多，并且半导体器件涉及的范围非常广。这为整个行业带来了机遇和风险（指缺陷芯片）。

那么疫情期间到底发生了什么？ 汽车行业在半导体需求方面有所下降，在 2020年 COVID之前的2019年是汽车半导体低谷。当时我们预计2020年会出现增长，但一切都因为COVID而停止，人们不再订购汽车半导体。但在几个季度后，我们看到汽车的需求大幅增长。随之而来的，我们看到对汽车半导体的需求也大幅上升，库存因此耗尽。越来越多的人采购燃油汽车、电动汽车以及其他一些更现代的汽车。这些车里涉及到的半导体，库存无法提供整个行业所需求的数量。出于这种原因，我们看到芯片严重短缺。这种趋势在2020年COVID之后正在加速。越来越多的人转向电动汽车，并对自动驾驶和 ADAS非常感兴趣。当然，汽车的网络连接以及安全系统仍然是最重要的。

因此我们看到在汽车行业和整个半导体供应链正处于加速趋势。汽车行业对半导体产生巨大依赖性。在过去六个月中的一些新闻和消息表示，预计今年芯片短缺将使该行业损失1100亿美元的收入。

现在我们正面临挑战，总有一天，汽车的供需将重新平衡。在此之前，我们将可靠性和质量作为首要任务。在汽车领域，零缺陷至关重要，因为召回的成本和需要在车内安装极其可靠，保障安全的半导体器件。随着自动驾驶和连接性的发展，再次推动了汽车半导体要求更高的可靠性。我们有转向更先进的半导体检测设备的趋势。随着车辆内部半导体更先进的技术节点攀升，半导体的质量和可靠性的检测／验证在汽车中变得更加严峻。因此，汽车行业需要达到十亿分之一的质量要求，这是迄今为止对半导体质量和可靠性要求最严格的行业。

汽车行业长期以来一直在做的是设置大量远超其他行业的测试，例如，老化测试（burn－in）、压力测试（stress test）、这些让可靠性变得更高的测试手段试图捕获最终因任何操作条件而处于边缘状态（marginal）的芯片。如果这些芯片中的一个在您驾驶汽车时出现故障，责任是巨大的。出于这种原因，汽车行业一直在进行这种压力非常大的测试。然而，这些还不够，我们仍然看到测试逃逸（test escapes）或所谓的潜在可靠性缺陷（latent reliability defects）。它们是什么？ 测试逃逸是最终逃过所有电气测试、可靠性和老化测试的缺陷，因为某些覆盖差距（coverage gap）或有时因为测试不是100％的准确。潜在可靠性缺陷更加棘手，是可以通过所有的功能、可靠性，老化，压力测试的缺陷，但它们在某些恶劣的环境条件下是边缘（marginal）的。潜在可靠性缺陷是目前汽车行业的头号敌人。

如何防止测试逃逸或潜在可靠性缺陷发生呢？这就是KLA在过去3－4年中一直关注的领域。KLA不仅可以为汽车半导体行业制造和输送流程控制设备，还研发了最大限度地减少甚至防止潜在可靠性缺陷和测试逃逸发生的技术I－PAT。I－PAT的意思是InlineParts Average Testing，是KLA在过去3－4年里一直在开发的晶圆厂级别的新的在线筛选标准（new inline screening standard），并于2021年6月发布。我会稍后解释。话题回到半导体器件的测试，流程控制是 KLA在 25年前发明的，在 KLA 明场设备（Brightfield Tool）（现在称之为宽带等离子体成像设备）上使用在线监测（inline monitoring）概念。该概念采用非常严格的方法来控制缺陷和 X、Y、Z 方向的所有几何形状，帮助客户提高产量。我们在半导体设备与晶圆厂的集成流程中建立多个工艺步骤，我们认为这些是需要监控的最关键的工艺步骤（如下图所示）。

然而，即使工艺控制对于识别良率杀手（yield killers）和最小化偏移（excursions）非常重要，但并非所有晶圆都被测量。出于这种原因，流程控制的想法不能在分类（sorting）上实施。另一方面，电气测试是在100％芯片（Die）上完成的。但正如我所说，仍然有逃逸发生的可能。原因是因为测试覆盖率不是100％，或者是因为在测试条件下表现良好的潜在可靠性缺陷，但由于环境压力，它们可能在稍后的汽车中失效了。这就是为什么这两种方法存在的原因。它们相辅相成，但并不完美。因此，I－PAT是一种在线缺陷筛选，可以对某些特定工艺步骤进行100％的检查，而不是所有步骤，否则晶圆厂的成本非常昂贵。一般来说，我们使用8xxx系列和机器学习方法，引导客户检查需要检查的晶圆，并给出该设备能够检测的任何缺陷的权重因子，然后基于所有的机器学习方法和模型，可以得知步骤X的缺陷A是测试后潜在可靠性故障方面最关键的一个。

我们已经在这种特定的方法论上研究了三年，首先需要大量数据来确保神经网络模型。其次，需要对机器学习技术进行多次迭代，以确保将在线筛选潜在的可靠性故障的信息提供给客户。下图是直观的没有I－PAT的例子

上图的左侧有一个在线流程控制，你会看到你可以停止偏移（excursion lot），但最终因为没在每日、每周和每一步进行检测，因此会有劣质芯片通过。然后电气测试可以阻止大部分故障，但有些逃逸会发生。I－PAT所做的实际上是在这里放置了一个新过滤器。它是在线筛选，以确保在所有功能参数、电气、可靠性和老化测试之后会得到更少的逃逸（Escapes），如下图：

正如我所说，这是一种机器学习方法。我们拥有在晶圆厂线上进行的每一次检查的计量属性（metrologyattributes）。我们拥有来自测试的所有数据，以及客户愿意与我们分享以构建此模型的所有潜在可靠性故障示例。当然，这种方法论只有在我们和客户之间存在非常密切和可信的合作的情况下才能实施。因为它是基于数据的，需要数据保护，我们非常谨慎的保护客户的信息。客户也保护使用机器学习模型生成的信息。我们创建了这个相关引擎，对每一步的每一个缺陷都给予权重，并进行聚合。最后，我们提出了一个度量标准，该度量标准可以让检查人员了解在此特定过程的此步骤中潜在可靠性故障的最关键缺陷。

I－PAT是一个集成的解决方案。这是一个工具的组合，通常是在线筛选检查工具 8xxx系列加上信息收集。这确实提供了更深层次的Defect DNA，并从这些晶圆中提取了每一个潜在的属性，以生成最终将输入到SPOT产品中的数据，该产品是我们基于机器学习的神经网络模型。最终，通过Klarity缺陷数据库和分析系统，将最终输出给我们的客户，告诉他们什么才是重要的。

我在2月份展示了许多关于I－PAT在现实世界中如何工作的例子。下图是其中一个，这是我们与一位客户合作的例子。我们在8xxx工具中获取数据，并获得了从晶圆分类（wafer sort）到封装、单元探测（unit probe）、最终测试（finanl test）、老化和老化后测试的数据。然后我们运行了机器学习模型，通过相关性计算得出在功能测试之后几乎没有逃逸缺陷。

因此，在实现晶圆厂的特定工艺步骤中没有I－PAT的话，这些缺陷芯片会通过最终测试或者在老化时失败，并产生很多额外的费用。更糟糕的情况是，他们通过了每一次电气测试，直到它们安装在车上。I－PAT能够筛选出并避免这些非常昂贵的召回和巨大的责任。I－PAT在如何生成与数据相关的解决方案以最大限度地减少汽车可靠性故障方面几乎是创新的。所以在介绍过的I－PAT 的基础上我们推出了四款产品，于2021年6月推出。C205是我们为汽车市场定制的宽带等离子成像设备。然后8935是用于在线筛选的最新的8xxx系列。宽带等离子成像往往主要用于先进技术，汽车半导体的研发和斜坡阶段，8935则是在线筛选的主力军。还有Surfscan，是无图案晶圆检测监控设备。我们推出了为汽车定制的两种新配置，称为SPA2和SP A3。所有设备都将连接到I－PAT。现在I－PAT已经与8935连接，接下来我们会创建其他设备的连接以备不时之需。关于汽车定制，意味着我们还在这些设备上开发了一些独特的软件和算法功能，以确保我们有更好的分类来减少过度杀伤（over－kill），改善欠杀伤（under－kill）检测，以及芯片内部的可追溯性（traceability）。

关于第三代半导体，在收购 Orbotech 和 SPTS 之后，我们在EPC内部也有一个部门，它不生产检测计量产品，而是生产工艺类产品，特别是PVD、CVD和刻蚀。长期以来，SPTS一直是功率半导体的市场领导者，并且直到几年前Silicon Power是唯一用于汽车的功率半导体，但现在我们看到越来越多的第三代半导体被采用，特别是碳化硅。我们也看到了氮化镓被用于非车载充电器和其他一些非汽车应用，主要是与射频基础设施相关的应用。在电动汽车领域，碳化硅正在成为一种非常流行且增长最快的第三代半导体。第三代半导体的最大价值在于它们可以在更高的温度下运行，并且在功耗方面非常高效。因此，它们确实有助于解决车辆电气化的最大问题，即电源效率。我们目前正在开发 SPTS，这是一种新的工艺解决方案，主要是蚀刻，以在我们的客户现场实现从硅到碳化硅电源的转变。因此，由于碳化硅采用率的增加，我们预计2021年SPTS的收入趋势将在今年大幅上升。

总结：在汽车领域，可靠性和新材料非常重要。KLA在汽车行业中真正独特的2点，首先是我们的过程控制筛选方法。第二个是我们在 SPTS 所做的，通过蚀刻和沉积解决方案使碳化硅成为可能。两者的结合使我们在汽车领域处于非常有利和独特的位置。

我们看到了识别芯片缺陷的挑战，和碳化硅等新型复合材料为电动汽车找到标准的开发筛选解决方案或工艺解决方案，并最终推出专为汽车行业定制的产品组合的挑战。在接下来的几年里，我们将继续致力于推出硬件和软件相结合的新产品。

Q＆AQ：汽车芯片的质量和可靠性要求与更广泛的半导体有何不同，以及故障率要求如何比较？A：正如我在演讲中所说的，汽车行业一直是半导体设备可靠性和质量方面最严格的行业，它比任何其他行业（如移动或 IT 相关行业，甚至数据中心）都要严格得多。它是十亿分之一的要求，几乎是零缺陷，这就是零缺陷的全部意义，如果我们能够达到这些零值，那么十亿分之一的故障最终会降到零。因此，尽管某些行业也有扩大规模的机会，例如数据中心必须在100％的时间内正常运行。因此，也许我们会看到其中一些可靠性和质量要求从汽车行业也延伸到其他行业，例如服务器和数据中心。然而，回到汽车领域，它在可靠性和质量方面的要求绝对是最严格的。我们一直面临着可靠性召回的巨额成本以及汽车制造商的潜在责任问题。因此IPAT的意义在于此，我们尝试定义方法来筛选晶圆厂中潜在的可靠性故障，而不是等待芯片在汽车中出现故障。 

Q：在2019年，KLA定义了新的筛选方法，以最大限度地减少汽车半导体技术中的故障。您在今年2 月IPAT上提出了一个有趣的主题演讲SPIE。你在生产线缺陷、零缺陷的热平均测试中谈到了它，这些新筛选方法的采用情况如何？在你的主题演讲中，你谈到了你正在为一些客户做案例研究。请谈谈这些新方法的采用情况以及您对 ServeScan、it系列等产品的影响。

A：正如我所说，我们已经研究了3－4年。这是一段漫长的旅程，同时我们需要大量数据。为了拥有这些数据，我们确保与客户合作来回传输数据，并提供交换这些信息所需的所有保护。这就是为什么需要一段时间才能获得这种方法的原因。然后当我们改进模型时，这又是一个机器学习的模型，我们开始了第一次验证。概念验证的第一个证明是去年完成的。事实上，我在SPIE中展示了很多案例，在2月份之后，我们开始了客户网站的测试版，主要是汽车半导体设备的客户，从Foundry的40nm到模拟部件。然后产品已经在6月发布，正如我所说，我们非常有信心，因为我们已经做了4年的概念验证，也收到了最初的订单。再次，IPAT是一个组合软件的算法解决方案，而且最初也是在8XXX系列上实现的。事实上，这个设备在汽车行业的推动下，我们也看到今年收入的显着增长。所以人们购买 8935 就像我之前介绍的那样是因为该设备的功能，它与IPAT 相关联，这两种解决方案相互交流，它们可以很好地协同工作。 

Q：用于功率半导体的碳化硅、氮化镓等新材料对您的汽车领域销售有什么影响？A：碳化硅和氮化镓，我称它们为奇异材料，因为它们是尚未得到证实的材料。我们使用硅已经有50多年的历史。所以我们非常非常了解硅。碳化硅是一种全新的材料。首先，它有不同类型的缺陷故障，也不同于蚀刻，例如，它是非常难以蚀刻的材料，我们需要开发新的工艺控制解决方案。SPTS和我们的蚀刻解决方案，今年的收入增长了很多。这些设备需要修改，或者我们制作全新的腔室，一个是为了蚀刻硅，另一个是蚀刻碳化硅。这些材料之间的沉积有点相似，但蚀刻却非常不同。出于这种原因，我们很早就与SPTS合作，与我们的客户合作提供蚀刻碳化硅的解决方案，现在我们在收入方面取得了相当大的成果。这是一个漫长的旅程，碳化硅成为汽车电源的行业标准还需要一段时间，至少需要几年时间，碳化硅现在是6英寸，最终行业将转向8英寸。虽然硅功率是12英寸，所以从晶圆尺寸的角度来看它更高效，但我相信我们会达到目标。到目前为止，我们看到的是我们的SPTS解决方案得到了很好的采用，而且采用率在未来会增加。 

Q：如何看待汽车销售的长期增长？A：我很乐观。2021年是特殊的一年，每个人都知道芯片短缺以及急于订购。供应链仍然中断。我不相信汽车的供需失衡会很快结束。还需要几个季度才能实现这种供需平衡。但总体而言，前景良好有两个原因。首先，因为汽车中半导体的含量会更多。第二个原因是因为汽车制造商及其供应链现在面临的挑战的复杂性，正如我所说的碳化硅或可靠性方面的要求越来越严格或采用更先进半导体。一切都为KLA描绘了一幅非常乐观的图景，在这个背景下增长。 

Q：您能否谈谈碳化硅设备的等离子蚀刻市场，以及KLA 的产品与竞争对手的产品有何不同？A：首先，我们使用不同的碳化硅腔室，这些腔室多年来一直在开发，以确保我们在沟槽或平面上具有正确的轮廓。碳化硅工艺可以在平面或沟槽中完成。因此，无论您采用碳化硅平面还是碳化硅沟槽类型的工艺堆栈，我们都有一台能够获得最佳蚀刻工艺均匀性的机器。作为功率硅的领导者，实施硅功率的所有学习经验并采用新模型。我们正在利用我们在2－3年前与客户合作时学到的知识。而且他们还在继续进步。例如在蚀刻中，正如我所说，有两种方法可以蚀刻碳化硅：平面结构或沟槽结构。人们将越来越多地转向沟槽结构，而沟槽结构在支撑所需的沟槽轮廓方面将面临更多挑战。 沟槽的底部必须是圆（rounded）和直的（straight）。因此，SPTS就像蚀刻解决方案中的瑞士军刀公司，它一直在定制工艺应用程序，根据客户需求进行定制。所以我们做了很多定制，每当一个行业或像碳化硅这样的新工艺开始发展时，这对我们是有利的。 

Q：您简要地提到了碳化硅与 GaN 以及您的双方。您能否在用途、优势、成本、比较、工艺和制造工艺的差异方面比较和对比这两种设备的机会和材料、技术？A：首先，我相信它们将用于不同的应用程序。关于碳化硅，我相信它将取代硅用于汽车中的功率逆变器。我没有看到氮化镓用于它。氮化镓用于硅或碳化硅的组合，在射频，5G 基础设施和5G基站中的射频设备领域。我们看到越来越多的氮化镓用于高功率线路。这更像是一种工业类型的应用。所以可以肯定的是，这两种材料在几年内会有所进步，但它们将是互补的。我不认为他们喜欢互相替换。我相信这个空间在功率半导体中是巨大的，最终在射频通信中，将会有采用的空间，碳化硅和氮化镓的采用率都会增加。当然，它们面临着不同类型的挑战。例如，这两种材料在市场上的上市时间都不及硅。它们是硬质材料。它们是难以管理的材料。存在有问题的缺陷。我们在外延生长过程中看到了某种类型的缺陷，这是我们以前在硅中从未见过的。它在流程控制中有很大的潜力。这两种材料都会被大量采用，用于不同的应用。 

Q：关于在6 月宣布的新产品。能谈谈有多少软件在这些产品中发挥了更大的作用？谈到了机器学习，能否量化软件与实际物理产品的价值？A：软件变得越来越重要，但我们不量化它。我们与KLA的数据科学家一起开发了许多 AI类型的算法。但人工智能在 KLA 已经存在很长时间了。我们开始采用人工智能，使用我们的宽带等离子成像设备对缺陷进行分类，现在甚至可以在我们最先进的检测中检测缺陷，涵盖整个检测产品组合，包括我们几个月前发布的新光束检测系统ebeam。我们长期以来一直在使用这个AI对缺陷进行分类，现在甚至可以检测缺陷。我们也使用AI来模拟我们想要测量的轮廓的结构，这些做法持续了10年，已经有很长时间了。现在我们使用人工智能来定义一种新的方法来筛选汽车市场中潜在的可靠性故障。因此，人工智能和机器学习神经网络模型现在对于半导体过程控制领域的进步变得必不可少。现在我们也在封装方面做了很多工作。即使在封装方面，我们现在也在采用一些人工智能经验。我们正在让这些AI机器学习算法更加智能，并对缺陷进行分类，无论是在晶圆级封装，还是在组装和测试。所以软件绝对是必不可少的。硬要量化的话软件在30％％，它是解决方案的一个组成部分。