聚时科技定位于用AI技术赋能高端制造，而半导体封测领域的AI创新与落地是聚时科技的重要发展方向之一。
AI深度学习之于先进封装的重要性
随着半导体制造越来越逼近摩尔定律极限，本次大会最多讨论的高精密封装。半导体封测从最早的传统封装到先进封装，再到高精密封装，成为行业趋势。缺陷检测与良率控制的挑战来自于封测工艺流程的巨大变革。缺陷检测和复杂分析扮演着越来越重要的角色，而传统AOI检测方法已经无法适应半导体封装的快速迭代发展要求。
“毫无疑问，深度学习在降低重复性人工、提高良率、管控精度和效率，降低检测成本，AI深度学习驱动的AOI具有广阔的市场前景，但驾驭起来并不简单。”郑军博士在大会上详细分享了基于AI深度学习的缺陷检测与缺陷复杂分析的技术经验和实际落地经验。
聚芯系列的客户案例分享
郑军博士认为，将深度学习和机器视觉用于半导体高端制造的AOI，主要挑战来自于几个方面：首先需要叠加专门设计和优化的硬件包括光学系统，才能综合解决某些场景下的AI效力的问题，其次才是AI算法问题。围绕上述问题，郑军博士分享了聚芯2000和5000系统在这方面的技术进展和落地客户案例。聚芯2000把设备自动化与AI算法优势进行了深度融合创新。跟国外设备对比方面，郑军博士分享了量化的参数对比、功能对比和生产实际数据对比。MatrixSemi®️驱动的聚芯2000系统，不管是性能和功能，都超越了类似国外检测设备。
聚芯5000的ADC（缺陷自动化分类）系统，与国内最大的封测企业合作，实现了AI深度学习自动化分析、同时实现1拖N的分布式系统部署模式，容易兼容客户既有设备。郑军博士分析聚芯5000与国外设备的对比情况。相对于国外ADC设备系统，聚芯5000的数据吞吐量处理能力、数据复杂度处理能力、算法复杂性和准确性，都大幅提高。
将AI用于半导体封测的技术挑战
除了要驾驭硬件与光学系统的融合优化，如何应对AI深度学习本身的技术挑战，如何实现落地，保证AI检测的大规模生产的可靠性，是行业参会者关心的主要问题。郑军博士从两个维度进行了详细的分享：
数据与模型驾驭能力
要深入跟踪和研究客户开放的场景数据，才能有针对性的设计底层深度网络，包括Pre-train和全新设计Backbone深度网络。一方面要驾驭场景化的Image Know How数据、驾驭缺陷标准界定，又要具备有原生的深度神经网络设计开发能力。如果仅仅是应用开源、或者直接套用泛在的AI模型，或者没有深入驾驭KnowHow数据，AI落地会有问题。
跨产品模型迁移能力
与半导体前道不同，半导体后道的巨大挑战之一，就是待检测产品之多样性。同样的AOI检测与ADC设备系统要应对过百过千的产品类型，“多批次小批量”是半导体后道的行业特点。如何脱离纷繁复杂的产品背版，做统一检测和分类模型，是巨大的技术挑战。郑军博士结合目前的封测客户案例，分享了聚时科技在这方面的技术进展和落地应用情况。
基于AI深度学习的MatrixSemi®️产品方案
在本次封测大会上，聚时科技展示了MatrixSemi®️的产品方案。MatrixSemi®️是聚时科技针对半导体AI检测、深度学习与复杂视觉应用而开发的产品平台化方案，可以适配到前道后道不同的半导体工艺领域。基于MatrixSemi®️产品平台，聚时科技研发了引线框架和基板类AI检测设备聚芯2000 、晶圆级先进封装的ADC检测设备系统聚芯5000。
