首頁Top區塊

物聯網(IoT)發展與成長迅速，相關裝置更是高度成長，根據產業研究機構資策會MIC研究指出，全球具自主反應功能的IoT主動式裝置(Active Device)在2015年時共有129億個，2020年突破到212億個，2025年時預計達到342億個，呈現穩定成長的趨勢。 如以具備IoT功能來加以區分，預計在2021年時，具有IoT功能的主動式裝置已達50%，2025年預計達到62%，顯示全球有愈來愈多的裝置具備數據感測、資料蒐集、資料互聯的功能。 全球主動式IoT裝置數量2015年，約有28億個，2019年為IoT裝置數量首次超過全球人口總數的年份，2020年更將挑戰100億個大關，2025年則預計達到215億個，是2020年的兩倍之多。 全球人均IoT數量(全球平均每人所擁有的IoT裝置)，2020年為1.3個、2025年將達2.69個，意味著當年全球每人將有近3個能夠蒐集環境數據的裝置或設備，與人類的日常生活更加密不可分。  

在人工智慧的協助下，臉部辨識技術於不同環境中的辨識能力都已大幅提升，包括隨機(Wild)影像，以及使用者為了身分驗證而刻意捕捉的影像。根據Gartner發布的2019年企業IT與消費者十大預測，在人工智慧臉部辨識功能的協助下，2023年成熟市場裡的失蹤人口，將比2018年減少80%。 美國情報高級研究計畫署(IARPA)在2017年的IARPA臉部辨識準確度獎金挑戰賽(FRPC)即指出臉部辨識技術確實有所提升，該競賽首獎由上海新創公司「依圖(YITU Technology)」抱走。依圖的辨識技術與微軟Azure雲端運算平台進行整合，其領先業界的資料庫配對系統可以在3秒內搜尋超過10億筆紀錄。 除了應用於辨識人臉外，非洲國家也已開始試用臉部辨識技術來尋找走失的動物。舉例來說，阿里巴巴正和肯亞共和國的觀光與野生動物部合作，使用臉部辨識技術搭配物聯網(IoT)來保護園區裡瀕臨絕種的大象、犀牛和獅子。 臉部辨識實際應用結果顯示，即使樣本數量大，一對多比對的辨識速度仍然表現突出(低於600微秒)，且誤漏和誤認比例都在可以接受的範圍內。不過這樣的測試仍無法立即用於多數應用，因為模型的開發相當耗時，而影像比對也必須先擁有影像辨識集才能做到，這跟「現場」辨識是不一樣的產品架構；但至少對於從影像庫中辨識失蹤的人口依然有用，因此百度等臉部辨識技術供應商，正在開發預測準確度更高的技術。 此外，臉部辨識技術也能拿多年前拍攝的照片進行比對，根據父母長相來評估此人是否就是當年失蹤兒童的可能性；2017年，中國大陸即有個孩子在失蹤27年後，因臉部辨識技術而被尋獲。 臉部識別應用增　比對/分析技術持續革新　 我們預測未來幾年將有更多影像辨識被應用於協尋失蹤人口，尤其是尋找那些非自願性失蹤，但因為年幼無知，或年事已高、身心障礙等原因而回不了家的人。不過這項預測並不包括遭逢災禍(例如建築物傾倒和天然災害)，或因組織犯罪被害而喪命的失蹤人口。 企業組織將採取更積極的行動來提升臉部比對與分析技術，比如設點讓人成排走過公共及私人攝影機，為的是蒐集資料以利即時辨識人群，並於稍後進行後製處理，或未來在人們失蹤時予以協助。臉部比對和3D臉部成像技術將成為上述弱勢人口(包括兒童、老人或其他殘障人士)資料蒐集裡十分重要的選項，能減少失蹤人口，且毋須針對數量龐大的群眾進行大規模搜尋。 而在未來，當有了更穩健的影像擷取能力、影像圖庫開發、影像分析策略和更高的公眾接受度，臉部辨識技術最重要的突破也將隨之而生。此外，隨著攝影機裝置內部和邊緣人工智慧功能提升，公部門和私人組織將可以預先過濾必要的影像資料，而不必將所有影像串流傳送到雲端才能進行處理。 邊緣運算興起　隱私權挑戰逐漸克服 企業組織可將臉部辨識視為比散布式編碼(Scatter Code)、條碼和RFID標籤更具流動性和可靠的一個步驟，以定位這類系統的同樣方式來管理各個臉部辨識應用的場域，藉此增加可靠的臉部判讀數量。由於演算法和資料會因為年齡、種族和性別而大不相同，所以建議根據所在城市或國家裡失蹤人口的族群特質，來排定演算法和資料收集的優先順序；同時將臉部辨識視為一種生物辨識手段，以深入了解公民和員工在不同環境下的應用洞察。 當然，人們對於臉部辨識涉及的隱私權議題仍存在疑慮。但攝影機技術的發展正使邊緣運算模型的數量增加，進而減少不當蒐集資料的狀況。若法規要求，甚至可以定期清除資料。企業也必須部署邊緣運算方法並強化管理，以便根據在地文化來保障隱私權。不過由於失蹤人口在全球都是個嚴重問題，即使當事人並非因為犯罪事件而失蹤，都會耗費執法資源。臉部辨識只是解決失蹤人口問題這整個大拼圖的一部分，仍需其他如兒童專用智慧手表以及老人用GPS追蹤器等技術共同協助。 (本文作者CK Lu為Gartner資深研究總監；Whit Andrews為Gartner副總裁暨傑出分析師)

AI走出資料中心　產業應用價值浮現 AI在本次物聯網共創峰會中，無疑是最熱門的議題之一，從工業製造到零售，再到醫療、能源產業，每個主題論壇幾乎都有機器學習(Machine Learning)、神經網路(Neural Network, NN)這類AI關鍵字。這也顯示各產業未來的日常運作，都將或多或少使用到AI技術。 不過，目前絕大多數的AI推論都是在雲端資料中心上執行，對許多產業應用而言，這種系統架構未必符合需求。因此，直接在嵌入式裝置上執行模型推論的邊緣運算架構，成為許多產業評估AI部署方式時的首選，也連帶使得低功耗AI處理器/加速器方案成為半導體業者不能缺席的重要戰場。 英特爾物聯網事業群(IoT Group)副總裁Jonathan Ballon(圖1)表示，許多基於AI的新應用出現，使得物聯網架構出現轉變。在過去，AI運算只發生在資料中心或雲端，這意味著如果某種應用需要AI功能，必然要仰賴雲端來提供。但現在AI正在從雲端走向終端，走進實體世界。 圖1　英特爾物聯網事業群副總裁Jonathan Ballon認為，AI正在從雲端資料中心走向邊緣節點，並創造出更大的產業應用價值。 在過去4年，GPU在AI領域取得巨大成功，特別是在資料中心跟演算法訓練上，由GPU和CPU組合而成的異質運算架構，無疑是最主流的解決方案。不過，這只是AI發展的第一個階段，在這個階段，人工智慧演算法在ImageNet這類固定、已知的龐大資料集進行訓練，證明自己在圖像辨識上的能力可以超越人類。 但這些技術上的突破，距離產業應用跟創造價值，還有一段距離。就以圖像辨識為例，對產業應用來說，這項技術真正的價值在於用機器判讀沒有看過的圖像，並取得正確的判斷結果，也就是AI推論。 英特爾觀察到，在過去12個月，不同領域企業已經把重點轉向這個領域，例如智慧城市、醫療、工業製造相關企業。然而，這些從物聯網蒐集而來的不特定資料，因為種種原因，大約有45~50%無法上傳到雲端，自然無法在雲端進行推論。因此，這些資料的處理、分析跟推論，必然要在本地端執行，也就是所謂的邊緣運算。 在邊緣運算的情境中，GPU未必是最理想的處理器選擇，因為很多應用情境不會允許設備內有散熱風扇這類可動的零部件，或是功耗預算極為有限，無法支撐GPU運作。因此，邊緣運算的異質化程度會比資料中心更高，除了CPU、GPU之外，還有各種專用加速器存在的市場空間。 但Ballon認為，隨著邊緣裝置的運算能力越來越強，「訓練在雲端，推論在邊緣」的狀況會出現變化，有些AI的訓練也可能在邊緣直接進行。 機器視覺結合AI最成熟　模組方案搶食升級商機 在各種AI應用中，機器視覺結合AI是進展速度最快的領域，而且可以發展出來的應用功能也最多。以零售業為例，從店鋪內的人流偵測、貨架上的商品存量檢查，甚至商品是否放錯位置，都可以用AI搭配機器視覺來檢測。在製造業，AI加上機器視覺最主要的應用則是生產線的品管檢查。在智慧城市、醫療等領域，AI結合機器視覺的應用也越來越多，從交通流量偵測、自動停車到判讀醫學影像等。 要讓這些應用加快普及，強大的開發工具是非常重要。為此，英特爾已經推出OpenVino開發工具，並免費提供給開發相關應用的客戶。這項工具支援CPU、GPU、FPGA與Movidius等各種硬體處理器，讓應用開發者可以把運算任務配置給最適合的處理器核心或加速器，提升應用的執行效能。該工具支援目前業界常用的各種框架、模型，還有大量的演算法參考範例，可以讓應用開發的速度明顯提升。 但除了軟體工具之外，硬體本身的效能也必須跟著提升，才能讓機器視覺結合AI真正落實到各種應用上。英特爾近期發表的Myriad X視覺處理器(VPU)，本身的封裝尺寸僅8×8mm，卻具備4TOPS運算效能，且功耗低於2瓦。對許多機器視覺應用來說，1顆Myriad X的效能已經相當足夠，但如果應用需要更高效能，該VPU還可支援雙路到八路不等的配置。由於研華是英特爾的重要合作夥伴，因此在英特爾發表該VPU之際，研華已同步推出搭載單VPU的板卡模組，未來研華還會提供搭載多路VPU的模組。 英特爾和研華有很深遠的夥伴關係，而且彼此有共同的願景。例如英特爾的Market Ready解決方案和研華的物聯網應用解決方案(SRP)，在本質上就有許多類似之處。這使得英特爾跟研華能在許多領域進行深度合作，甚至在產品還沒正式發表前，就進行共同研發。 AI模組大軍蜂擁而上 模組方案對加快AI走向真實世界的速度相當關鍵。如果沒有模組方案，已經部署到現場的設備將難以就地升級，只能汰換成新設備。但如果有模組卡，既有設備只要有保留介面，就可以立刻升級。以單VPU的模組為例，研華的模組卡就是採用業界標準的M.2規格；搭載多路VPU的模組，則料將採用mini PCIe或標準PCIe。 研華網路通訊事業群協理林俊杰指出，對應用或設備製造商而言，晶片只是關鍵零組件之一，如果應用開發商要獨力將晶片整合到設備上，需要投入相當的設計研發人力，產品開發的時間也會拉長。因此，市場對AI模組解決方案的需求，可望隨著AI從雲端走向邊緣裝置的趨勢而提升。 不過，物聯網應用本質上是一個多元而分散的市場，因此對推論運算的需求也會有所出入。有些嵌入式裝置可能需要非常高的運算能力，功耗預算也比較寬裕，採用GPU或FPGA擴充卡會是可行的選項。有些嵌入式裝置對功耗的要求比較嚴格，運算效能的需求較低，這時候加速器模組方案會比較有吸引力(圖2)。 圖2　各種AI處理器/加速器優劣勢比較 因此，除了和英特爾合作推出搭載Myriad X的模組外，研華跟索思未來(Socionext)、瑞薩(Renesas)、賽靈思(Xilinx)、NVIDIA等晶片業者，也保持密切合作的關係，並已陸續推出搭載上述晶片商產品的模組或板卡，以協助各家應用開發商快速將AI推論功能導入到產品中。

愛德萬機電整合事業處/新產品事業處副總經理蘇勇鴻表示，IoT基本上是一個很廣義的名詞，涵蓋各種應用市場，例如車聯網、行動通訊、AR/VR、醫療等領域。而為能大量生產IoT產品，自動化測試需求持續增加，除了單顆IC測試之外，也有越來越多的模組需要測試。然而，不論是何種IoT產品、元件或模組等，除了要有傳輸功能、夠高的安全防護，另一個要點便是低功耗，也就是夠省電，也因此，量測儀器商便須針對這些測試需求推出更高效的解決方案。 為此，愛德萬日前便宣布於該公司旗下的V93000單一可擴充平台，新搭載FVI16浮動電源VI供應器，使其性能再升級。據悉，FVI16可用於測試汽車以及工業用或消費性行動充電應用的電源與類比IC，包括成長快速的電動車和快充市場。新電源供應模組能提供250瓦高脈衝功率，直流電供應最高可達40瓦，充足的電源供給使機台能在測試新一代元件的同時，兼顧穩定而重複的量測工作。 除此之外，該產品還具備更高的儀器通道密度，能做到細密精微的系統設置以配合該公司旗下A級測試接頭，進而降低測試成本；且還具備16通道加上4象限作業，使電源供應得以在高電流測試時達到單片測試卡最高155安培的測試。至於在高電壓測試方面，該產品則能達到單卡+180伏特，浮動電壓範圍 +200伏特的功能；另外還具有整合快速電流限流保護設定，能防護載板硬體、探針卡接腳與待測物插座，以免元件毀損造成短路。 愛德萬機電整合事業處/新產品事業處副總經理蘇勇鴻(右2)表示，如何滿足效能、尺寸及電源，是IoT測試須克服的挑戰。  

國立台北科技大學機電學院院長張合指出，執行許多產學計畫是北科大的重要特色，與產業界極深的連結也是該學院的重要優勢。在未來，北科大機電學院也將持續實行更多不同的產學計畫。 其中，人工智慧(AI)與綠能是未來產業的重要發展方向。在開創新產業的路上，北科大也不會缺席。 圖1 　國立台北科技大學機電學院院長張合表示，執行許多產學計畫是北科大很大的特色，與產業界的連結極深也是該學院的重要優勢。 AI促跨領域課程興起 要發展人工智慧應用，感測器是其中一項不可或缺的關鍵零組件。張合分享，近期北科大也剛通過一項教育部專案計畫，未來感測器相關的人才培育將會成為北科大未來的重要發展方向。近年來，人工智慧成為熱門議題，無論是在智慧醫療、自動駕駛、智慧製造等等應用場域之中，感測器都是其中的關鍵技術。張合提到，有鑑於此，北科大聯合了機電學院與電資學院跨領域合作，共同投入感測技術的開發；預計將針對車用、生醫、工業應用領域研發感測技術。 由於人工智慧技術近年相當受到重視，北科大也期盼學生能夠盡早對於相關概念有初步的了解。因此，在2018年開始重新招生的北科大五專部課程中，將由一年級下學期就開始安排人工智慧課程，期盼學生能夠在專業課程的起步階段就能夠具備人工智慧的基礎概念。 另外，張合也提到，產業的快速變化使得跨領域整合的學程、課程越來越多；因此，大學部的課程安排必須要盡量減少總學分數或是必修學分數的占比，才能讓學生有更多機會做到跨領域的學習或是培養第二專長。 因此，北科大也提出了「自主學習」方案，也就是說每個學生在四年的就學過程中，將有一次機會能夠提出自身想要學習的題目，並且跨院自主學習，最後由一名學校老師來判定該學生的自學學習計畫是否合格，若是則拿到學分。 風力發電微學程　助新產業起飛 隨著科技的演進，學院的課程內容也會隨之改變；尤其是對於與產業界連結更為密切的科大體系而言更是如此。國家發展的需求影響了教育部的政策，各大專院校的教學計畫便會隨之改變。因此，學院的教學安排隨時都在變動之中。舉例而言，綠色能源的發展便是一個很重要的發展項目，未來將投入大量資源在該領域，有望使綠能成為一個全新的產業鏈。其中，除了太陽能發電之外，風力發電更是另外一塊備受注目的應用領域。 近來台灣政府正積極推動離岸風力發電，未來在彰化、台中離岸將會建置許多風力發電設備。因此，現在北科大已組成跨學院學程以培養相關人才。張合進一步說明，離岸風力發電設備與陸上風力發電設備有相當大的差異。例如，海風會帶來較高的設備腐蝕問題，同時發電機械設備的維修也較為困難；另外，地基的土木知識也與陸上風力發電設備不同。以上種種難題，需要仰賴不同學院的專業，並且跨領域合作。 有鑑於此，目前北科大組成了包含工程學院、電資學院、機電學院的跨學院團隊，接受經濟部檢驗局的訓練。由2019年開始，北科大也將推出「離岸風力發電微學程」，可供未來大學部學生選修。張合認為，未來，在離岸風力發電產業中，北科大的團隊將占有一席之地。對於北科大而言，培育該產業所需人才，也是一項重要的教學方向。

隨著邏輯裝置的線寬不斷縮小、3D NAND架構的堆疊層數不斷增加，連DRAM記憶體密度也屢創新高，整個製程對於污染也越來越敏感，而瑕疵對裝置效能影響也大大增加。為讓晶圓良率與可靠度達到最高，整個微電子產業須針對高效能技術越來越嚴格的材料使用與純度要求提出一套辦法，因應從化學製造到使用端的整個流程。 為了有效控制製程污染，就必須從每一片晶圓直接接觸的化學品著手。為了確保製程潔淨度並改善裝置良率，第一步就是提升化學純度。而這正是裝置製造商不斷要求化學供應商提供純度接近千兆分率(ppq)的化學品，以避免在化學品包裝、運輸與配送過程中出現污染物的理由(圖1)。 圖1　新一代半導體製造純度等級正朝著千兆分率(ppq)目標邁進。 另外，材料純度與液體輸送系統中的結構材料也一樣重要。若是沒有控制污染的化學品包裝、過濾、泵浦輸送及液體處理零組件，化學品就容易受到粉塵、金屬與雜質的二次污染。 而在瑕疵控制流程中，利用污染分布圖了解污染來源是至關重要的一環，然而，當製造業者分散採購產品，並將這些來自不同廠商、潔淨度不一的產品批次合併使用時，接著再追查污染源可能會困難重重(圖2)。 圖2　為維護從生產端到使用端的潔淨液體路徑，整個供應鏈必須攜手合作，共同管理污染以確保潔淨的化學輸送過程。 化學品製造商、OEM廠商與裝置製造商須與零組件供應商合作，共同管理污染物，並維護化學品、貯存槽與液體輸送系統的高純淨度。本文特別從粉塵剝離與可濾出的金屬污染兩大重點領域，探討業界在純度規範所面臨的種種挑戰，以及為全面符合尖端技術所要求的純度規格，添購更潔淨的液體輸送系統所能獲得的好處。 利用污染分布圖減少粉塵污染 有鑑於高純度化學品的用量不斷增加，而業界對純度的要求也越來越嚴苛，化學品製造商必須投入重資來防止粉塵污染，同時確保化學品在運送至晶圓廠過程中維持一定的純度。為了讓全新建構的化學品產線符合規範，業界投入大部分時間及費用來清洗管線、液體零組件與過濾器，以消除表面污染。半導體業界每年在清潔用化學品上的開銷就高達20億美元；預估其中有近10%的費用是在管線沖洗等非生產活動上，目的是透過清洗液體流動路徑，來確保製程潔淨無污染。 這些粉塵通常不會在第一次清洗就能完全沖刷乾淨，而隨著化學品長期停留在漫長的管線中或是不斷地循環使用，細微粉塵就容易從材料上剝離脫落，進而污染管線內的所有液體，最終造成晶圓的瑕疵。 為了減少沖洗管線所需耗費的龐大費用與時間，同時減少長期的粉塵剝離脫落現象，化學品製造商對於使用超潔淨與穩定聚合物的零組件技術紛紛感到興趣。這些零組件供應商正與化學品製造商攜手合作，共同開發一系列可減少表面粉塵的解決方案，同時了解這類解決方案對其系統的影響。 有鑑於現今的電路線寬不斷縮減，而製程節點也即將邁入低於10奈米的水準，製造過程中任何一個表面粉塵都將對邏輯裝置造成嚴重的損傷；因此，潔淨的化學品輸送方案便顯得比以往更加重要。同理，隨著3D NAND記憶體堆疊裡的電晶體數量不斷增加，任何一個瑕疵都可能堵塞多個晶胞，進而影響整個裝置的效能。一旦出現這種情況，產線就必須確認所有可能的污染區域，並採取適當的步驟來避免出現瑕疵。 一旦系統通過潔淨品質認證，而且化學品也符合所需的純度規範時，這時製程重點將轉為維持化學品運送至晶圓廠過程的純度。化學品在運輸過程或從大型化學品容器中分裝到較小的容器、運輸包裝，乃至於液體輸送系統裡存放時，過程中很可能受到粉塵的污染。為確保化學品的純度不變，所有的液體路徑都必須受到嚴格的污染控制，以保持環境的穩定。 另外，為維護化學品的純淨，我們必須慎選化學貯存容器。舉例來說，原先潔淨的光阻劑在抵達晶圓廠之後，便不符合粉塵規定，這時運輸容器便很可能是污染源。在選擇容器時，如果只是單純依據結構材料與容量的話，就會忽略了達成長期污染防制效果的關鍵層面。 這時如果製造商願意和持續測試並開發各項結構材料與產品製造方法的材料專家合作的話，就能生產出粉塵產生數量更低的容器。添購經污染控制的化學品運輸與輸送系統，能協助確保化學品潔淨無污染，同時提高產品良率並降低財務損失。當化學品運送到晶圓廠時，用來抽取容器內化學品，同時進行過濾，最終分配到晶圓廠各個生產線的設備，必須負責確保化學品的潔淨，而不能使其遭受污染。 晶圓設備投資續飆高　維持潔淨更不容忽視 最新出刊的SEMI全球晶圓廠預測報告指出，2018年全球花在晶圓廠設備的經費，預計將達到630億美元的歷史新高。這波大增的投資大部分來自於韓國三星半導體與SK海力士半導體，而部分則來自中國、歐洲與美國等地(圖3)。 圖3　半導體業者設備支出持續增加。 重金投資的設備當然不能讓人失望，而這樣的設備也必須立即有能力為晶圓廠提供純度極高的化學品，並維持穩定的品質。為了充分了解不同的化學品潔淨度相對等級，來指定送入晶圓廠化學品輸送系統所採用的零組件全程符合運送規範，所有的裝置製造商與OEM廠商無不戰戰兢兢地評估各種零組件。 這些OEM廠商與晶圓廠承包商在收到各種零組件規格之後，必須針對設備需要選出最適當的解決方案，確保送入晶圓廠的化學品在整個輸送系統中全程維持潔淨。 每當有新的晶圓廠建廠完成，就會開始建置大量的液體處理系統，而這些系統在開始輸送化學品之前，都必須經過預先沖洗、測試與吹淨流程。預先沖洗流程主要是對系統進行洩漏測試，同時去除系統內的表面污染物。一旦化學品開始流經系統，晶圓廠工程師便須持續監控化學品純度與晶圓瑕疵，接著沖掉化學品並進行整個流程，直到獲得理想的良率。整個過程不但曠日廢時，還會浪費化學品，造成鉅額的成本支出。 為此，我們需要盡可能減少製程產線認證所需耗費的時間與成本，及早找到更潔淨的零組件並使用計量技術以提高瑕疵偵測率與預防效果。如同化學品製造商，裝置製造商需要採購污染控制液體系統時，如果能夠仔細評估以確保此系統不會污染整個製程，甚至可以提升製程的潔淨度時，將可受益良多。 當結構日趨複雜的記憶體與邏輯裝置對於粉塵的敏感度日漸增加時，去除這些粉塵的需要將會變得更加迫切。為了有效控制製程流程中的污染物，透過複雜的液體過濾方式是業界認可的方式。 液體過濾有效控制流程汙染物 最先進的過濾薄膜技術已經能夠去除小於10奈米的粉塵，對於提升整體作業效率，乃至於推進尖端技術而言，是不可或缺的大功臣。現今的過濾器解決方案具備新穎的聚合物設計、多元的薄膜製造技術與先進的潔淨技術，能夠幫助裝置製造商依據使用的化學品特性及所需達到的狀態，量身打造合適的污染控制方案。透過製程監控、統計資料分析與客戶協作方式，這類液體零組件並可提供穩定且可重複實施的解決方案，有效控制污染物。 在無塵潔淨度與污染控制的條件上，沒有一樣零組件是相同的(圖4)。由於每一家HDPE鼓式容器供應商生產條件都不同，因此了解樹脂選擇與持續測試的重要性，乃至於如何運用製程控制方法來維持鼓式容器純度一致性，便顯得格外重要。這時，可以執行每日粉塵測試來達到這個目的。 圖4　在無塵潔淨度與污染控制的條件上，沒有一樣零組件是相同的。 此外，使用多家管線供應商可能會大幅增加污染變異的風險。這時，必須選擇對含氟聚合物處理有專業了解的供應商，並定期進行污染分布圖評估作業，以了解各種潛在的污染來源及其控制方式。 污染分布圖的概念，在於勘驗整個液體系統並將其細分為個別零組件一一檢視，然後從使用的材料以及/或是材料的製程中找出粉塵污染物的來源。一旦製程末端所使用的化學品出現粉塵數量激增現象，檢視各個零組件有助於釐清粉塵出自哪個零組件。 確定污染物出處之後，零組件供應商必須對其製程進行污染分布圖評估，包括設備、材料，乃至於生產零組件的製程，全都須要進行仔細分析。 一旦確定污染源來自材料本身，則整個製程將回到供應鏈的上一個環節，並由材料供應商進行製程的污染分布圖分析，以判斷污染物是出自其原物料饋送材料或是聚合物處理過程。此舉的目的是在整個供應鏈中採取主動檢視的策略，以去除污染物的來源。 為確保系統整體潔淨度，重要的步驟之一是促成使用者和零組件與設備供應商的合作，而這些供應商可在共同執行污染分布圖評估時溯源至整個供應鏈，進而了解並減少污染源。為確保能夠讓OEM廠商與晶圓廠持續收到潔淨的零組件，善用零組件供應商的污染分析能力也能小兵立大功。 除了評估較不容易出現粉塵剝離過濾現象的結構材料之外，還須要持續關注零組件組態、有效減少盲管與截流區，同時降低閥門、泵浦與過濾器的零件移動期間所產生的粉塵數量。計算流體力學分析是零組件製造商用來最佳化產品設計，同時提升零組件沖洗效果的另一項工具。 減少可濾出金屬污染　液體路徑更潔淨 半導體製程中如微影成像、濕蝕刻與清潔在先進的製程節點上對於金屬的敏感度越來越高。在全含氟聚合物輸送系統上，從PFA管線、閥門與純化器等零組件材料中濾出來的金屬物質會降低裝置良率。 無論投入多少資金或時間，想盡辦法沖洗系統以去除其中的粉塵污染，仍舊存在一個無法藉由沖洗方式解決的結構性問題。當化學品停留在貯存容器與漫長的管線裡的時間越久，材料裡的金屬離子就會開始剝離脫落或是濾出，進而污染管線內的所有液體。如此一來，化學品製造商與裝置製造商除了須要找出粉塵污染的原因之外，還必須額外花上許多時間巡察整個化學品輸送系統，藉此判斷金屬離子的來源(圖5)。 圖5　材料等級與製程計畫會因製造商而異，為了準確偵測出可導致金屬污染的製程與金屬變異，執行金屬溶出測試絕對有其必要。 這些金屬污染物通常得花上數個月時間，才會慢慢地從材料中濾出來。密封容器製造商不斷地尋求各種方式，希望藉由金屬含量較低的創新聚合物來降低金屬污染。零組件製造商也努力研發超潔淨的PFA材料，希望藉此降少管線與其他零組件所帶來的污染。 化學品製造商與晶圓廠不但對潔淨的管線深感興趣，還一同參與零組件供應商的研究，目的在於評估並確定管線材料對系統的影響。不過，並非每家供應商都對自家產品進行金屬溶出測試，也不是所有供應商都會想辦法最佳化製程以減少污染。若要準確偵測可導致金屬污染的製程與材料變異，定期分析零組件是重要的法門。 不同的PFA等級以及這些材料的處理方式，都會導致不同的純度等級。出現在原物料饋送過程的污染物，最終會出現在含氟聚合物裡，後者經過擠出加工變成管線或閥門管壁，或是變成過濾器薄膜，而後在整個液體輸送系統中移動穿梭，最終接觸到晶圓並造成晶圓瑕疵。實施污染分布圖分析，有助於找到污染源。 樹脂製造過程始於單體，由於單體本身可能已經存在污染，在經過聚合反應作用室(Polymerization Chamber)時，如果此作用室本身以金屬材質製成，便可能對產出的聚合物粉末造成污染。聚合物在乾燥與擠出為顆粒的過程中，也有機會將一些污染物帶進聚合物顆粒。當零組件供應商將這些聚合物顆粒加工成型為管線時，整個擠出過程也會對最終產品構成另一層潛在的污染源。因此，對材料供應鏈實施污染分布圖分析，攸關是否能夠順利確認金屬污染源，以立即採取修正措施。 光阻劑噴量泵浦之類的製程清潔工具與零組件，也可減少金屬污染的影響。光阻劑與其他微影溶劑無法強力地去除金屬污染物，但是這些污染物一段時間以後還是會濾出，而光阻劑與金屬離子之間的化學反應就會造成凝膠瑕疵與微橋接電路，進而導致晶圓出現電路短路現象。 在先進的邏輯節點上，這些污染物都會對減損裝置良率。在面對光阻劑應用中所使用的各種超純淨、極性，乃至於非極性溶劑時，溶劑純化器能夠極為有效地去除溶劑中已溶解及膠狀金屬污染物。現今市面上的溶劑純化器可去除小於ppt單位的污染物，並成功減少原物料製造乃至於晶圓供應過程中，源自金屬的瑕疵。 另外，在粉塵與金屬含量上，沒有一樣負責材料處理的零組件是相同的。評估機械零組件與結構材料可提高純度等級，協助確保安全及經污染控制的化學品輸送環境。為達到這個目的，全球各地的化學品製造商首先必須確保符合，甚至是超越嚴格的純度規定，同時控制密封容器與配送系統中的粉塵與金屬污染量。 化學/設備/材料三方須緊密合作確保化學品潔淨　 在確保液體系統的整體潔淨度上，另一個重要的步驟是促成使用者和零組件及設備供應商的合作，而這些供應商可在共同執行污染分布圖評估時溯源至整個供應鏈，進而了解並減少污染源。在污染減量策略上，評估零組件潔淨度並採購最潔淨的化學品輸送、過濾、計量與液體處理系統是不可或缺的一環。 整個半導體產業得益於化學品製造商、設備與材料供應商的三方合作，獲得其經污染控制的潔淨產品，以確保從化學品生產到使用端的每個製程步驟的潔淨。如此一來，裝置效能與良率都同步提升，連帶使得成本下降不少。 總而言之，材料商了解潔淨的化學品輸送過程所面對的種種獨特挑戰，因此與客戶共同開發及最佳化各項作業方式，希望藉由找出潛在的污染源，搭配適當的解決方案以去除製程中所產生的粉塵與金屬雜質。從安全有效率的化學貯存及輸送系統，到全系列液體處理產品，乃至於過濾與純化技術的專業知識，協助客戶確保整個製程的潔淨，進而提升良率。 (本文由英特格提供)

在CES 2019期間，Wi-Fi 6帶來了相當的討論聲量，近日Wi-Fi聯盟也宣布Wi-Fi 6相關認證計畫將在2019年第三季上線。可以想見，在認證計畫上路之後，勢必也將帶動終端產品的導入速度，Wi-Fi 6的時代已然來臨。 Wi-Fi聯盟行銷總監Kevin Robinson表示，Wi-Fi 6支援了大量的新功能，這為互通性、互操作性(Interoperability)帶來新的挑戰。正因如此，相關的認證計畫內容，也將隨著互通性、互操作性的重要性提升，而出現許多新挑戰。 Wi-Fi 6採用許多進階版本的MU-MIMO技術，也就是允許一次傳輸更多的資料。Robinson說明，Wi-Fi資料傳輸的過程就像是一列車隊的運行，以往車隊的目的地相同，但現在不僅是增加了車隊中卡車的數量，而且要允許卡車個別前往不同的目的地。也就是說，Wi-Fi 5的MU-MIMO就像是一輛具有四輛卡車的車隊，它們可以同時將數據並行移動到多個客戶端；但是Wi-Fi 6不僅將使得車輛數增加一倍，並且這八輛卡車可以透過不同路徑傳送給不同客戶端，這將能夠大幅增加網路的整體吞吐量。 Wi-Fi 6能有效提升2.4GHz和5GHz頻段的效能，此外，也能提高電源效率。除此之外，聯邦通訊委員會(FCC)也正在考慮將6GHz頻段納入，以因應更多免執照頻段(Unlicensed Band)需求所用。Robinson認為，業界相當期待Wi-Fi 6能夠納入6GHz頻段，IEEE也已經開始針對此需求展開工作。 市場研究單位ABI預期，到了2022年，Wi-Fi 6晶片組產量將超過10億。市場研究單位IDC也預測，到了2019年中旬，就能看到Wi-Fi 6產品開始展示；在2020年，才能看到大量產品出現在市場上。當然，一旦認證計畫開始啟動，滿足設備的互操作性需求以及安全標準立定後，勢必將加快普及速度。  

根據市場研究和戰略諮詢公司Yole Développement(Yole)研究，未來五年高分子材料市場營收將大幅成長。在進一步小型化和更高功能的推動下，AI、5G和AR/VR等大趨勢應用正在創造巨大的商機。因此，這些大趨勢直接促進了先進封裝產業的發展，年複合成長率(CAGR)達7%，並且市場規模在2023年達到390億美元。包括高密度FOWLP、3D堆疊TSV記憶體、WLCSP和覆晶封裝等。 創新的先進封裝平台已經達到了一個新的複雜程度，現在需要更高的整合度要求，這些標準將大幅影響對具有新技術規格的先進材料日益成長的需求，以實現更好的性能。關於材料，Yole表示，高分子材料已經在一些先進的封裝製程中大量製造應用。目前包括：RDL、bump/UBM、TSV和組件層級。 Yole指出封裝廠可以使用的各種高分子材料如：PI、PBO、BCB、環氧樹脂、矽氧烷和丙烯酸，這些都是由它們的恆定介電、固化溫度、應力等決定的。高分子材料具有優異的電氣、化學和機械特性；它們可以提供比任何其他類型材料更好的性能。 高分子材料市場在2018年營收超過7億美元。預計到2023年將成長到約13億美元的水準，年平均複合成長率為12%。市場是由介電材料部門推動的，在其報告中分析了Yole的團隊。高分子材料的成長將主要得到對更複雜元件的介電材料膨脹的支持，隨後廣泛導入高分子臨時鍵合材料。後者將透過在DRAM記憶體應用中提升3D堆疊TSV來加速。  

愛美科(imec)與荷蘭應用科學研究機構TNO在國際消費性電子展(CES)期間聯合發表一款新型健康監測貼片，該貼片具備心率、呼吸與血氧濃度監測功能，且所有電子電路均包覆在柔軟、不會刺激皮膚的材料中，外觀令人聯想到處理小傷口用的ok蹦。這款新型健康貼片由兩家研究機構在荷蘭埃因霍溫共同設立Holst Center開發完成，除了舒適之外，該貼片的電池續航力可長達7天，這在此類設備中也是前所未見的。另外，由於製造成本比前幾代產品大幅降低，因此這款貼片的定位是拋棄式產品，不必重複使用，對講求衛生的醫療產業而言，是十分理想的患者監護方案。 愛美科聯網健康解決方案系統架構師Bernard Grundlehner表示，與前幾代健康貼片相比，最新款健康貼片最大的改良在於增加了血氧濃度監測功能，並導入愛美科自行研發的MUSEIC V3系統單晶片，使得系統功耗明顯降低，而且成本變得十分低廉，可以當作拋棄式產品來使用。TNO印刷電子專案總監Jeroen van den Brand則補充，該貼片的基板材料是非常薄而且有伸展性的TPU材料，電路功能則是用印刷電路技術印在基板上，並整合了乾式電極，可以在人體和貼片之間建立起穩定的電子連結，從而實現感測功能。 目前市面上的健康監測貼片，電池續航力通常只有3~4天，但愛美科與TNO聯手開發出來的新一代貼片，電池續航力可以超過7天。對病患來說，這意味著上醫院更換新貼片的頻率可大幅降低，且透過聯網技術，醫療人員可以遠端監控病患的重要生命特徵。此外，目前的健康貼片無法直接量測血氧濃度，必須在病患的指尖上連接額外的設備才能量到相關數據，但對於病患的日常生活來說，這種量測方式會造成很大的干擾。因此，愛美科發展出新的量測技術，藉由反射式光體積變化描記圖法(Reflective Photoplethysmography)，當貼片貼在胸口上時，可以取得血氧飽和度的讀數。這是目前的貼片無法做到的量測功能。

人工智慧(AI)應用無所不在，為因應龐大商機，除了處理器、數位訊號處理器(DSP)、繪圖晶片業者皆開始強化對神經網路(NN)、機器學習或深度學習等演算法支援之外，微控制器(MCU)供應商也來分一杯羹，期能讓MCU也能具備基本的AI運算能力。例如意法半導體(ST)近日便擴展旗下STM32微控制器開發生態系統「STM32CubeMX」，增加AI功能，使STM32CubeMX軟體工具擴展包「STM32Cube.AI」可生成優化代碼，在STM32微控制器上運行神經網路。 意法半導體微控制器和數位積體電路產品部總裁Claude Dardanne表示，AI技術使用經過訓練的人工神經網路對運動和振動感測器、環境感測器、麥克風和圖像感測器的資料訊號進行分類，比傳統的手工訊號處理方法更加快速、高效。該公司所推出的新型神經網路開發工具箱，正在將AI引入基於微控制器的智慧邊緣和節點設備，以及物聯網、智慧樓宇、工業和醫療應用中的嵌入式設備。 據悉，該工具支持Caffe、Keras(帶有TensorFlow後台)、Lasagne、ConvnetJS框架和Keil、IAR、System Workbench等IDE開發環境。 開發人員可以用STM32Cube.AI將預先訓練的神經網路轉成可在STM32 微控制器上運行的C代碼，調用經過優化的函式程式庫；而STM32Cube.AI附帶即用型軟體功能包「FP-AI-SENSING1」，提供支援基於神經網路的端到端運動(人類活動識別)和音訊(音訊場景分類)應用代碼示例。該功能包利用ST的SensorTile參考板在訓練之前捕獲和標記感測器資料，然後，電路板運行優化神經網路的推論，也可在ST BLE Sensor mobile app移動應用程式上立即使用這些代碼示例。 ST指出，在2019年1月8~12日，於美國拉斯維加斯所舉辦的世界消費電子展(CES)期間，該公司將會使用STM32微控制器展示STM32Cube.AI開發應用程式；而未來ST合作夥伴計畫和STM32 AI/ML社區的合作夥伴也會為開發者提供支援服務。