工業技術研究院 資訊與通訊研究所 任佳珉

HBM 堆疊精度要求低於 20 微米，一疊即報廢。AI 代理模型結合 Isaac Sim 數位雙生，在虛擬場域中預先排除掉片與壓合異常，讓良率穩步起飛。

前言

製程參數優化是提升製造效率、穩定品質與降低成本的重要方法，過去已廣泛應用於石化、玻璃與半導體等產業。然而，隨著生成式AI、A伺服器與高效能運算需求快速成長，高頻寬記憶體（High Bandwidth Memory, HBM）成為支撐AI晶片效能的關鍵元件，也使得HBM堆疊製程面臨更高精度、更高成本以及更長驗證週期的挑戰。由於HBM堆疊涉及晶片取放、搬運、對位、真空吸附壓力與接觸壓力等多項參數影響，若僅依賴人工經驗進行調參，將難以快速掌握較佳參數組合。因此，本文結合AI代理模型與NVIDIA Isaac Sim數位雙生模擬，建立HBM堆疊製程的虛擬參數優化流程，期望在實體試作前先完成參數篩選，降低試誤成本，並提升開發效率。

製程參數優化技術

製程參數優化是提升製造效率與品質的重要途徑之一。無論是石化、玻璃等製造業或半導體高科技業，皆面臨參數組合複雜、調整風險高與品質穩定要求提升等挑戰。傳統調參多仰賴工程師經驗，但隨著製程複雜度增加，單靠人工試誤已難以有效掌握溫度、壓力、入料量、添加比例等多參數交互影響，不僅調整效率受限，也可能帶來安全與品質風險。因此，導入製程參數優化技術，將有助於突破傳統人工調參的瓶頸，降低試誤成本並提升製程穩定度。

• 代理模型輔助循序式取樣與AI-enhanced建模

製程參數優化是一個黑盒最佳化問題，亦即可取得製程參數設定與對應的實驗結果，但製程內部的物理、化學或設備交互作用機制，往往難以完整描述。因此需透過資料驅動方法來建立參數與結果之間的近似關係。為了解決黑盒優化問題，本文導入AI代理模型輔助最佳化的循序式取樣方法[1]，先利用少量實驗資料或歷史製程數據，建立可逼近真實製程反應的代理模型，用於預測不同參數組合下的品質結果。接著透過最佳化演算法篩選候選參數，再進行實際驗證，並將實驗結果回饋更新模型。流程如圖1所示，包括代理模型訓練、參數推薦、實驗驗證與模型更新等步驟。

圖1 代理模型輔助循序式取樣架構

上述流程的關鍵在於代理模型的準確性。若僅依賴少量現場實驗資料，模型可能無法充分涵蓋複雜的參數空間，因此本文進一步開發AI-enhanced建模方法，融合模擬器產生的製程資料與現場實際數據，建立多資料來源的預測與優化模型。如圖2所示，首先，利用模擬器資料建立初始預測模型，用於描述製程參數與品質結果之間的關聯；接著，針對模型預測值與現場量測值之間的差異，建立殘差修正模型，以補償模擬器與實際製程之間的落差。最後，將初始預測模型與殘差修正模型整合為最終的AI-enhanced代理模型，使其兼具模擬器資料的參數探索能力與現場數據的真實校正能力，進而提升循序式取樣過程中的參數推薦可靠度。

圖2 融合多資料來源之AI-enhanced建模示意圖

• 技術應用實績

製程參數優化技術已應用於世界級石化大廠與國內玻璃大廠。於石化案例中，系統可依來料、設備與製程狀況，在安全與品質限制下提供參數調整建議，經驗證可節省約3％能耗，並帶來數百萬元年度能源成本與約千噸減碳效益。於玻璃窯爐案例中，亦透過參數推薦達成約3％節能，每年可節省約千萬元的燃料成本。

AI運算需求下的HBM堆疊製程優化挑戰

上述石化與玻璃產業案例顯示，製程參數優化技術已能透過資料建模與參數推薦，協助現場達到節省能耗與降低成本的效果。隨著技術逐步成熟，其應用價值不僅限於傳統製造場域，也可進一步延伸至製程精度要求更高、試作成本更高的半導體先進封裝領域。尤其近年生成式AI、AI伺服器與高效能運算需求快速成長，推動晶片系統朝向更高運算效能、更高記憶體頻寬與更低功耗發展，也使得先進封裝成為提升AI晶片效能的重要關鍵。在此趨勢下， HBM能夠透過多層記憶體晶片堆疊與先進封裝技術，在有限空間內提供更高頻寬與更低功耗，因而成為支撐AI晶片與高效能運算架構的關鍵元件。

然而，當製程參數優化技術應用於HBM堆疊製程時，所面臨的挑戰比一般製造場域更為複雜。HBM堆疊涉及多層晶片搬運取放、超精細晶片對位（低於10-20微米[2]）與接合壓力等多項關鍵參數，且參數之間具有高度耦合關係。微小的速度、位置、壓力或對位偏差，都可能造成接合不良、晶片損傷與搬運過程中晶片掉落。由於HBM試作成本高與驗證週期長，若仍依賴工程師經驗與人工試誤方式進行調參，不僅難以有效掌握最佳參數組合，也會造成材料浪費。因此，HBM堆疊製程更需要結合AI建模、參數推薦與虛擬驗證，以提升製程效率並降低不必要的試作風險。

AI與數位雙生整合之HBM堆疊參數優化應用

為了因應HBM堆疊製程中多參數耦合、試作成本高與驗證週期長等挑戰，本文開發以AI代理模型輔助最佳化為核心，並結合NVIDIA Isaac Sim [3]數位雙生模擬環境，建立HBM堆疊製程的循序式參數優化流程。如圖3所示，整體概念是先定義製程可調參數與優化目標，再由AI代理模型推薦候選參數組合，並將參數帶入Isaac Sim中進行晶片取放搬運、機器手臂控制與接觸壓力等虛擬驗證。模擬結果會回饋至AI代理模型，使模型持續學習不同參數組合對製程結果的影響，並在未達終止條件時推薦下一組參數；當達到終止條件後，系統即輸出歷史最佳參數組合作為單一回合最佳調參結果。透過「參數推薦、虛擬模擬、結果回饋、模型更新」的閉環流程，可在減少實體試作依賴的情況下，逐步搜尋較佳參數組合，降低試誤成本並提升HBM堆疊製程開發效率。

圖3 整合AI與數位雙生（Isaac Sim）模擬HBM堆疊參數優化流程架構

• 流程步驟說明

Step 1：定義製程調控參數與優化目標

首先需定義HBM堆疊製程中可調控參數與優化目標。製程參數包含三大類：第一類為氣動控制參數，如真空壓力，用於控制晶片吸取穩定性；第二類為運動控制參數，如搬運速度、取放速度與加速度，用於控制晶片搬運與取放過程的動態穩定性；第三類為壓合力與穩定延遲參數，如下壓力比例、穩定等待時間與停留時間，用於控制晶片放置後的接觸穩定性與壓合品質。優化目標包含三項：第一為放置精度，衡量晶片實際放置位置相對於目標中心點的平均X軸及Y輔的偏移量；第二為接合力誤差，衡量實際接合力與目標接合力之間的相對偏差；第三為循環時間，計算單顆晶片完成吸取、搬運、放置與壓合所需總時間，作為製程效率與產能表現之評估指標。

Step 2：AI代理模型訓練

接著利用初始模擬結果來訓練AI代理模型，以建立一個可快速近似「參數組合與製程結果」關係的AI預測模型，用於判斷不同參數設定可能造成的放置精度、接合力誤差、取放穩定性或壓力變化等結果。

Step 3：參數組合推薦

AI代理模型建置完成後，可評估候選參數的預測值與不確定性的資訊，並經由取樣函數來衡量參數組合是否要被推薦。此步驟相當於在參數空間中選擇下一個最值得驗證的實驗點，避免以人工方式盲目嘗試大量參數組合。

Step 4：Isaac Sim模擬環境執行單一回合模擬

候選參數會於Isaac Sim數位雙生模擬環境中進行驗證。現階段模擬重點聚焦於晶片搬運取放、晶片超精細對位與壓合力控制。系統會將推薦參數轉換為機器手臂控制器可執行的設定，並在Isaac Sim中完成單一回合的模擬。

Step 5：取得模擬結果並更新AI代理模型

模擬完成後，系統會取得該組參數對應的模擬結果，例如對位誤差偏移量、接合力誤差、模擬所需總時間以及晶片搬運過程是否成功完成，作為新的訓練資料，並更新AI代理模型，使得模型逐步修正對製程行為的預測能力。

Step 6：判斷是否達到終止條件

每一回合模擬完成後，系統會判斷是否達到終止條件（如最大迭代次數、對位誤差偏移量已低於設定門檻、壓力控制達到安全範圍或連續多回合的結果改善幅度有限）。若尚未達到條件，會回到參數推薦步驟，持續進行下一回合優化。

Step 7：輸出歷史最佳參數組合

當流程達到終止條件後，系統會輸出歷史最佳參數組合，作為HBM堆疊製程中單一回合的最佳調參結果，用於協助工程師在進入實體試作前先縮小參數搜尋範圍。

整體而言，此架構可將HBM堆疊參數優化從傳統人工試誤，轉變為AI輔助的循序式優化流程。AI代理模型負責提升參數搜尋效率，Isaac Sim提供虛擬驗證環境，以降低實體試作次數與減少材料浪費。

• 工研院的技術貢獻

本文的技術貢獻在於提出一套結合AI代理模型與Isaac Sim數位雙生模擬環境的HBM堆疊參數優化架構，將傳統依賴人工經驗與實體試作的調參方式，轉換為可循序迭代的虛擬優化流程。透過定義晶片搬運取放、晶片超精細對位與壓力控制等關鍵參數，AI代理模型可依據模擬結果持續學習參數組合與製程品質之間的關聯，並推薦下一組具改善潛力的候選參數；Isaac Sim則作為虛擬驗證平台，模擬機器手臂執行晶片吸取、搬運與放置動作，評估取放穩定性與壓力控制結果。

• 範例展示與後續應用

圖4 HBM堆疊Isaac Sim模擬環境

（上圖：晶片吸取；左下圖：晶片對位；右下圖：晶片壓合）

圖 4為HBM堆疊製程之Isaac Sim模擬環境，上圖中前方晶圓載台上的藍色晶片陣列為待取放之Memory Die，後方目標載台為Logic Die放置區。機械手臂末端吸取頭將Memory Die自晶圓載台上吸取（圖4上圖），經搬運橫移至目標載台上方完成落點對位（圖4左下圖），再下壓貼合並逐層堆疊至Logic Die上方（圖4右下圖），藉此模擬HBM多層晶片堆疊製程中的取放、搬運、對位、壓合與堆疊流程。隨著製程進行，前方晶圓載台上的Memory Die之晶片逐漸被吸取，而後方目標載台上的堆疊層數則同步增加。

目前驗證內容已可模擬多層Logic Die連續堆疊情境，並針對每一層堆疊過程取得對位偏差、是否掉片、接觸壓力是否超限與單回合循環時間等結果，作為評估參數組合優劣的依據。這些模擬結果可進一步回饋至AI代理模型，反覆進行參數推薦與Isaac Sim虛擬驗證，逐步搜尋較佳的取放速度、搬運加速度、真空壓力、壓合力與穩定等待時間等參數組合，最終輸出歷史最佳參數；預期可解決實務上需經由高成本試誤來取得最佳參數組合之痛點。

於產業應用上，此架構可推廣至半導體先進封裝製程中的HBM堆疊、3D IC堆疊與異質整合等先進封裝製程，協助工程師在實體試作前先完成虛擬參數篩選，減少晶片材料浪費與試誤成本。對於封裝設備商而言，可用於新設備開發、機器手臂路徑規劃、取放參數調校與客戶製程驗證；對半導體製造與封測廠而言，可用於新產品導入、堆疊良率改善與設備參數標準化。未來若進一步整合實際設備感測資料、自動光學檢測（Automated Optical Inspection, AOI）對位量測結果以及溫度、熱應力、翹曲與接合品質等多物理模擬，將可形成更貼近量產現場的AI-enhanced製程優化平台，支援高成本、高精度封裝製程的快速開發與良率提升。

結論

本文以AI代理模型輔助最佳化為核心，結合Isaac Sim數位雙生模擬環境，建立可循序迭代的HBM堆疊參數優化流程。透過數位雙生虛擬環境模擬Memory Die取放、搬運、對位、壓合與多層堆疊過程，並將對位偏差、掉片風險、接觸壓力與循環時間等結果回饋至AI模型，可逐步篩選較佳參數組合，減少對大量實體試作的依賴。此方法不僅有助於降低晶片材料浪費與試誤成本，也可提升高精度封裝製程的開發效率與參數決策可靠度。未來若進一步整合現場設備感測資料、AOI量測結果與多物理模擬模型，將可形成更貼近量產需求的AI-enhanced製程優化平台，並推廣應用於HBM堆疊、3D IC堆疊、與異質整合等先進封裝製程。

參考文獻

[1] D. Golovin, B. Solnik, S. Moitra, G. Kochanski, J. E. Karro, D. Sculley, "Google Vizier: A Service for Black-Box Optimization", in: Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Halifax, NS, Canada, 2017, pp. 1487-1495.
[2] D. Tsai, W. Y. Han, "Bridging Performance and yield: The Evolving role of Interconnect Technologies in HBM", https://ontoinnovation.com/resources/bridging-performance-and-yield-the-evolving-role-of-interconnect-technologies-in-hbm, Sept. 2025 (accessed May 2026).
[3] NVIDIA, "What is Isaac Sim? — Isaac Sim documentation", https://docs.isaacsim.omniverse.nvidia.com/latest/index.html, Jan. 2026 (accessed May 2026).