Onto Innovation Discover

Kurzfazit

Onto Innovation Discover ist eine KI-Analyseplattform für Halbleiterfabs, die mit Machine Learning Zusammenhänge in Prozess-, Metrologie- und Inspektionsdaten aufdeckt, die Ingenieure manuell kaum finden würden. Ihre Paradedisziplinen sind Yield-Optimierung, virtuelle Metrologie und Prozessvorhersage über einen embedded Digital Twin. Discover ist kein Allround-Analysetool, sondern fest im Onto-Ökosystem verankert: Wer ohnehin mit Onto-Inspektions- und Messsystemen (Dragonfly, Atlas, Iris) arbeitet, bekommt einen durchgängigen Datenpfad ohne Medienbrüche. Wer eine herstellerneutrale Yield-Management-Software für eine gemischte Geräteflotte sucht oder die größtmögliche Referenzbasis braucht, ist bei KLA häufig besser aufgehoben. Die fehlende Preistransparenz und der englischsprachige Support kosten Punkte.

Für wen ist Onto Innovation Discover?

Yield-Engineering-Teams in Halbleiterfabs: Wer täglich Ausbeute-Verluste jagt, bekommt mit Discover ein Werkzeug, das Prozess- und Inspektionsdaten zusammenführt und systematische Muster sichtbar macht. Statt einzelne Wafer-Maps manuell zu vergleichen, schlägt die Plattform Modelle vor und priorisiert die Faktoren, die den Yield wirklich treiben.

Fabs mit Onto-Inspektions- und Metrologie-Infrastruktur: Hier liegt die eigentliche Zielgruppe. Wenn Dragonfly, Atlas oder Iris ohnehin inline laufen, fügt Discover die Datenanalyse als logische Schicht obendrauf. Der Wert steigt mit jedem zusätzlichen angebundenen Onto-Tool.

Advanced-Packaging- und Specialty-Hersteller: Gerade in Nischen mit kleinen Losgrößen und teuren Messschritten ist virtuelle Metrologie attraktiv, die Plattform sagt Messwerte vorher, sodass nicht jeder Wafer physisch durch die Messstation muss. Das spart Messzeit und erhöht den Durchsatz.

Prozessingenieure mit Digital-Twin-Ambitionen: Wer Prozessparameter datengetrieben vorhersagen und nachregeln will, findet im embedded AI / Prozess-Digital-Twin einen ernstzunehmenden Ansatz, sofern die Datenbasis stimmt.

Weniger geeignet für: Fabs mit gemischter Geräteflotte ohne nennenswerten Onto-Anteil (der Integrationsvorteil verpufft), Unternehmen, die zwingend deutschsprachigen Support und Schulung brauchen, sowie alle, die generische Fertigungs-Qualitätsprüfung außerhalb der Halbleiterwelt suchen, dafür sind Cognex, KEYENCE oder Maddox AI die passenderen Werkzeuge.

Preise im Detail

Modell	Preis	Was du bekommst
Discover (SaaS-Lizenz)	Auf Anfrage	KI-Analyseplattform, lizenziert als Service. Umfang variiert je nach Modulwahl (Yield-Optimierung, virtuelle Metrologie, Prozessvorhersage, Digital Twin)
Im Verbund mit Onto-Tools	Auf Anfrage	Discover als Datenanalyse-Schicht oberhalb angebundener Onto-Inspektions- und Metrologiesysteme, typischer Beschaffungsweg
Implementierung & Modelltraining	Projektbasiert	Aufbau der Datenanbindung, fab-spezifisches Modelltraining, Inbetriebnahme, Schulung

Einordnung: Discover folgt dem klassischen Enterprise-Muster der Halbleiter-Ausrüster: kein Listenpreis, alles individuell verhandelt. Das ist branchenüblich, macht eine schnelle Wirtschaftlichkeitsrechnung aber unmöglich, du musst den Vertrieb kontaktieren, die Fab-Konfiguration offenlegen und ein Angebot einholen. Wirtschaftlich rechnet sich die Plattform am ehesten dort, wo bereits Onto-Tools laufen und die Lizenz auf eine vorhandene Datenbasis aufsetzt. Wer Discover als reine Stand-alone-Analyse ohne Onto-Hardware kaufen will, sollte den Mehrwert kritisch gegen herstellerneutrale Alternativen abwägen. Für Lab-Budgetierung gilt: Plane die Kosten für Datenanbindung und Modelltraining mit ein, die Lizenz allein ist nicht die ganze Rechnung.

Stärken im Detail

Datenübergreifende ML-Analyse statt Einzelauswertung. Discovers Kernidee ist, Prozess-, Metrologie- und Inspektionsdaten in einem Modell zu betrachten, statt jede Quelle isoliert zu analysieren. Machine Learning findet dabei Zusammenhänge, die in getrennten Auswertungen untergehen, etwa, dass ein Defektmuster mit einem bestimmten Anlagenzustand drei Prozessschritte vorher korreliert. Für Yield-Engineering ist genau das der Hebel: nicht „wo ist der Defekt”, sondern „warum entsteht er”.

Virtuelle Metrologie spart echten Messaufwand. Statt jeden Wafer physisch zu vermessen, sagt Discover Messwerte aus vorhandenen Prozess- und Inline-Daten vorher. Das reduziert Belegungszeit an teuren Messstationen und erhöht den Gesamtdurchsatz, ein direkter, quantifizierbarer Produktivitätshebel, besonders in Fabs mit Metrologie-Engpässen.

Embedded AI als Prozess-Digital-Twin. Die Plattform modelliert den Prozess so, dass Vorhersage und Nachregelung von Parametern nahezu in Echtzeit möglich werden. Statt erst nach der Messung zu reagieren, lässt sich proaktiv eingreifen, bevor ein Los aus der Spezifikation läuft. Das verschiebt die Prozesskontrolle von reaktiv zu vorausschauend.

Modell-Empfehlung nimmt Data-Science-Last ab. Discover testet mehrere analytische Modelle gegen einen Datensatz und schlägt das geeignetste vor. Das senkt die Einstiegshürde für Ingenieurteams ohne tiefe Data-Science-Expertise, sie müssen nicht selbst entscheiden, welcher Algorithmus passt, sondern bekommen einen begründeten Vorschlag samt verständlicher Visualisierung.

Nahtlose Integration ins Onto-Ökosystem. Der größte praktische Vorteil: Wer Onto-Inspektions- und Messsysteme betreibt, bekommt die Daten ohne Konnektor-Bastelei in den Analysepfad. Discover ist für genau dieses Zusammenspiel gebaut, das spart Integrationsaufwand, den eine herstellerneutrale Lösung erst leisten müsste.

Schwächen ehrlich betrachtet

Der Integrationsvorteil ist Onto-zentrisch, und das ist die Kehrseite. Discover entfaltet seinen Wert vor allem mit Onto-eigenen Tools. In einer Mixed-Fleet-Fab mit überwiegend KLA- oder anderen Inspektionssystemen schrumpft der Vorteil erheblich: Die Datenanbindung wird aufwendiger, und du zahlst für eine Tiefe, die du nicht voll nutzen kannst. Wer keinen relevanten Onto-Anteil hat, sollte herstellerneutrale Plattformen ernsthaft prüfen.

Null Preistransparenz. Es gibt kein öffentliches Preismodell, keine Richtwerte, keine Staffelung. Du erfährst die Kosten erst nach einem Vertriebsgespräch und der Offenlegung deiner Fab-Konfiguration. Das ist branchenüblich, erschwert aber jede schnelle Vorab-Bewertung, und verschiebt die Verhandlungsmacht klar zum Anbieter.

Kleinere Marktposition als KLA. In der Yield- und Prozesskontroll-Software ist KLA der Platzhirsch mit der breitesten Referenzbasis und dem größten Ökosystem. Onto Discover ist solide, aber die schmalere Verbreitung bedeutet: weniger öffentlich dokumentierte Erfahrungsberichte, kleinere Community, potenziell engerer Talentpool für Spezialisten.

Keine Out-of-the-Box-Genauigkeit. ML-Modelle für Yield und Defektklassifizierung sind nur so gut wie ihre Trainingsdaten. In der Praxis brauchst du fab-spezifische, sauber gelabelte Datensätze, bevor die Vorhersagen belastbar sind, das ist ein mehrwöchiger Aufbau- und Validierungsprozess, kein Plug-and-play. Wer schnelle Ergebnisse erwartet, wird enttäuscht.

Englischsprachiger Support. Onto ist ein US-Unternehmen; Dokumentation, Schulungen und Support laufen primär auf Englisch. Für deutsche Fab-Teams ist das in der Halbleiterbranche meist verkraftbar (Englisch ist Arbeitssprache), aber ein dedizierter deutschsprachiger Support fehlt, ein Nachteil gegenüber europäischen Anbietern, falls Sprache ein Kriterium ist.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Herstellerneutrale Yield-/Defektmanagement-Software mit größter Referenzbasis willst	KLA Klarity
KI-Oberflächeninspektion für allgemeine Fertigung (nicht nur Halbleiter) suchst	Cognex
Eine deutsche, schnell trainierbare Defekt-KI für die Qualitätsprüfung brauchst	Maddox AI
Industrielle Bildverarbeitung mit breitem Sensor-Ökosystem willst	KEYENCE
Eine Computer-Vision-Plattform für anpassbare Inspektionsmodelle suchst	Landing AI

Erwähnenswert ohne hier verlinkte Vertiefung: Synopsys und Siemens bieten ebenfalls Yield- und Prozessanalyse im EDA- und Fab-Umfeld, und PDF Solutions ist ein etablierter Spezialist für fab-übergreifende Yield-Analytik. Onto Discover ist kein generischer Yield-Allrounder, seine Stärke ist die Tiefe im eigenen Ökosystem. Genau danach sollte die Entscheidung fallen: Wer Onto-Hardware fährt, prüft Discover zuerst; wer eine gemischte Flotte oder Stand-alone-Analyse braucht, vergleicht ernsthaft mit den Alternativen.

So steigst du ein

Schritt 1: Vertriebskontakt mit Bestandsaufnahme. Discover wird nicht im Self-Service gekauft. Der Einstieg ist ein Gespräch mit dem Onto-Vertrieb, in dem die vorhandene Inspektions- und Metrologie-Infrastruktur, die relevanten Defekttypen und die Yield-Ziele analysiert werden. Bringe konkrete Problemfelder mit (welcher Prozessschritt, welche Verlustquelle), das macht das Angebot belastbarer.

Schritt 2: Datenanbindung und Trainingsdaten aufbauen. Bevor die ML-Modelle Wert liefern, muss die Datenbasis stehen. Verbinde die relevanten Inline-Tools, sammle und labele Defekt- und Prozessdaten und baue einen sauberen Trainingsdatensatz auf. Rechne hier mit mehreren Wochen, die Qualität dieses Schritts bestimmt die spätere Genauigkeit.

Schritt 3: Mit einem klar umrissenen Use Case starten. Beginne nicht mit „alles auf einmal”, sondern mit einem konkreten Ziel, etwa virtuelle Metrologie für einen Engpass-Messschritt oder Mustererkennung für einen bekannten systematischen Defekt. Validiere die Vorhersagen gegen die manuelle Referenz, bis die Übereinstimmung stimmt, und skaliere erst dann auf weitere Prozessschritte.

Ein konkretes Beispiel

Eine 200-mm-Fab für Leistungshalbleiter in Süddeutschland betreibt mehrere Onto-Inspektionssysteme und kämpft mit einem wiederkehrenden, schwer lokalisierbaren Yield-Verlust in der Metallisierung. Das Yield-Team bindet die Inline-Daten an Discover an und lässt die Plattform Prozess-, Mess- und Defektdaten gemeinsam auswerten. Nach rund zwölf Wochen Datenaufbau identifiziert das Modell eine Korrelation zwischen einer Temperaturdrift in einem vorgelagerten Schritt und der späteren Defektsignatur, ein Zusammenhang, den die manuelle Analyse über Wochen nicht herausgearbeitet hatte. Parallel reduziert das Team über virtuelle Metrologie die Belegung einer Engpass-Messstation, weil ein Teil der Messwerte nun vorhergesagt statt physisch gemessen wird. Die Zeit bis zur Eskalation eines Prozessausreißers sinkt von rund sechs Stunden auf unter 45 Minuten, und der Messdurchsatz steigt spürbar. Die Lizenzkosten amortisieren sich über den vermiedenen Yield-Verlust eines einzigen größeren Loses.

DSGVO & Datenschutz

• Anbieter: Onto Innovation Inc., Wilmington, Massachusetts (USA). Börsennotiert an der NYSE (ONTO).
• Datenhosting: Discover wird als Service lizenziert; die konkrete Datenhaltung (on-premise im Fab-Netz, private Cloud oder Anbieter-Cloud) hängt von der vereinbarten Deployment-Variante ab und ist vertraglich zu klären. Eine garantierte EU-Region ist nicht standardmäßig dokumentiert, explizit nachfragen.
• Art der Daten: Verarbeitet werden Produktions-, Prozess- und Inspektionsdaten (Wafer-Maps, Defektkoordinaten, Messwerte). Diese sind Betriebsgeheimnisse und geistiges Eigentum der Fab, Schutz des Know-hows ist hier praktisch relevanter als personenbezogener Datenschutz.
• Personenbezug: In der Regel kein nennenswerter Personenbezug. DSGVO-Relevanz entsteht vor allem über Nutzerkonten, Logins und Remote-Support-Zugänge.
• Auftragsverarbeitung & Verträge: AVV, Geheimhaltung und die Regelung von Remote-Support-Verbindungen müssen vertraglich fixiert werden. Cloud-Komponenten sollten auf Datenstandort und Standardvertragsklauseln geprüft werden.
• Empfehlung für Unternehmen: Vor Einführung Deployment-Variante, Datenstandort und Remote-Zugriffe verbindlich klären. Bei Cloud-Anteilen eine Bewertung nach DSGVO-Maßstab durchführen, auch wenn der Personenbezug gering ist, der IP-Schutz rechtfertigt die Sorgfalt allemal.

Gut kombiniert mit

• KLA Klarity, in Mixed-Fleet-Fabs kann KLA-Software die KLA-Tools abdecken, während Discover die Onto-Seite analysiert. Eine bewusste Zweigleisigkeit, die beide Ökosysteme jeweils in ihrer Tiefe nutzt, sinnvoll dort, wo eine einheitliche Plattform die Hardware-Realität nicht abbildet.
• Cognex, für ergänzende Bildverarbeitungsaufgaben außerhalb des reinen Wafer-Inline-Pfads (z. B. Endkontrolle, Packaging-Schritte) ist Cognex eine etablierte Komponente, deren Ergebnisse in die übergreifende Qualitätssicht einfließen können.
• Maddox AI, wo eine schnell trainierbare, deutschsprachig betreute Defekt-KI für angrenzende Fertigungsschritte gebraucht wird, ergänzt Maddox AI das spezialisierte Halbleiter-Setup von Discover um eine flexiblere, generische Inspektionsschicht.

Unser Testurteil

Onto Innovation Discover verdient 3 von 5 Sternen. Die Plattform ist technisch ernstzunehmend: datenübergreifende ML-Analyse, virtuelle Metrologie und ein embedded Prozess-Digital-Twin adressieren genau die richtigen Hebel im Yield-Engineering. Im eigenen Ökosystem, mit Onto-Inspektions- und Messsystemen, ist der durchgängige Datenpfad ein echter, schwer zu kopierender Vorteil. Den Sprung zu vier Sternen verhindern die strukturellen Einschränkungen: die starke Onto-Zentrierung (in Mixed-Fleet-Fabs verpufft viel davon), die vollständige Preisintransparenz, die im Vergleich zu KLA schmalere Marktposition und der fehlende deutschsprachige Support. Für Fabs, die ohnehin auf Onto-Hardware setzen, ist Discover eine naheliegende und gute Wahl. Für alle anderen ist es eine Option, die man sorgfältig gegen herstellerneutrale Alternativen abwägen sollte, nicht der automatische Default.

Was wir bemerkt haben

• Mai 2026, Onto positioniert Discover inzwischen klar als KI-/ML-Plattform für Yield-Optimierung, virtuelle Metrologie, Prozessvorhersage und embedded Digital Twin und vermarktet sie ausdrücklich „licensed as a service”. Das ist eine Verschiebung weg von der reinen Offline-Defekt-Review-Auswertung hin zu einer breiteren prädiktiven Analyse-Schicht über die gesamte Prozesskette.
• Mai 2026, Die früher kolportierte Modulstruktur „Discover Review / Discover Patterns” findet sich auf der aktuellen Produktseite so nicht mehr prominent wieder; Onto kommuniziert Discover als zusammenhängende AI-Software-Plattform mit den Anwendungsfeldern Yield-Optimierung, virtuelle Metrologie und Prozess-Tuning. Wer auf ältere Datenblätter trifft, sollte die Modulbezeichnungen mit dem Vertrieb abgleichen.
• 2019, Onto Innovation entstand aus der Fusion von Rudolph Technologies und Nanometrics. Discover bündelt Analytik-Kompetenz aus beiden Häusern, relevant, weil die Plattform damit auf einer breiteren Metrologie- und Inspektions-Historie aufsetzt als ein reines Neuprodukt.
• 2025, Onto Innovation überschritt erstmals die Umsatzmarke von rund 1 Mrd. USD (NYSE: ONTO, ~1.760 Mitarbeitende). Das untermauert die Stabilität des Anbieters, ändert aber nichts an der gegenüber KLA kleineren Position speziell im Software-Segment.