পরবর্তী আপপরবর্তী গাইড
লাস্ট-মাইল ডেলিভারি এবং রুট অপ্টিমাইজেশানে AI
শিল্প
শিল্প নির্দেশিকা
সেমিকন্ডাক্টর ফ্যাব ফলন অপ্টিমাইজেশানে AI ত্রুটিগুলি খুঁজে বের করতে, পরিমাপ ভবিষ্যদ্বাণী করতে এবং উত্পাদন প্রক্রিয়াগুলিকে লক্ষ্যে রাখতে ওয়েফার পরিদর্শন চিত্র, টুল সেন্সর ডেটা এবং পরীক্ষার ফলাফলগুলিতে মেশিন লার্নিং ব্যবহার করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
এটি গুরুত্বপূর্ণ কারণ একটি আধুনিক চিপ শত শত প্রক্রিয়ার ধাপ অতিক্রম করে, এবং প্রতি ওয়েফারের কাজের চিপগুলির ভগ্নাংশে ছোট উন্নতি সরাসরি বড় খরচ সঞ্চয় এবং আরও সরবরাহে অনুবাদ করে।
ফলন হল একটি ওয়েফারে চিপসের ভগ্নাংশ (মৃত্যু) যা কাজ করে। ফ্যাবগুলি এলোমেলো কণা, পদ্ধতিগত প্রক্রিয়া সমস্যা এবং সরঞ্জামগুলির ধীর গতিতে ফলন হারায়। কারণ একটি ওয়েফার ফ্যাবে কয়েক সপ্তাহ কাটাতে পারে, সমস্যা দিন দেরিতে ধরলে অনেক কিছু নষ্ট হয়ে যেতে পারে। AI তিনটি প্রধান ক্ষেত্রে সাহায্য করে। প্রথম ত্রুটি সনাক্তকরণ এবং শ্রেণীবিভাগ। অপটিক্যাল এবং ইলেক্ট্রন-বিম পরিদর্শন সরঞ্জামগুলি ওয়েফারগুলিতে অসামঞ্জস্য খুঁজে পায় এবং স্বয়ংক্রিয় ত্রুটি শ্রেণীবিভাগের মডেলগুলি তাদের প্রকার অনুসারে লেবেল করে। আলাদাভাবে, বৈদ্যুতিক পরীক্ষা ওয়েফার ম্যাপ তৈরি করে যা দেখায় যে ব্যর্থ হয়েছে। স্থানিক প্যাটার্ন হল একটি ক্লু: একটি এজ রিং এচিং এর মত প্রক্রিয়া চলাকালীন ওয়েফার প্রান্তে একটি সমস্যা নির্দেশ করে, যখন একটি স্ক্র্যাচ ক্ষতি পরিচালনা করার পরামর্শ দেয়। প্রকৃত ফ্যাব ওয়েফার মানচিত্র থেকে আঁকা সর্বজনীন WM-811K ডেটাসেট, এই নিদর্শনগুলিকে শ্রেণিবদ্ধ করার গবেষণায় ব্যাপকভাবে ব্যবহৃত হয়। দ্বিতীয়টি হল ভার্চুয়াল মেট্রোলজি। প্রতিটি ধাপে প্রতিটি ওয়েফার পরিমাপ করা ধীর এবং ব্যয়বহুল, তাই ফ্যাবস নমুনা। ভার্চুয়াল মেট্রোলজি পূর্বাভাস দেয় সেন্সর ডেটা টুল থেকে পরিমাপের ফলাফল যা ইতিমধ্যেই রেকর্ড করা হয়েছে, যেমন চাপ, তাপমাত্রা, গ্যাস প্রবাহ এবং আরএফ পাওয়ার, প্রতিটি ওয়েফারের জন্য একটি অনুমান দেয়। তৃতীয় হল প্রক্রিয়া নিয়ন্ত্রণ। ত্রুটি সনাক্তকরণ এবং শ্রেণিবিন্যাস সিস্টেমগুলি অস্বাভাবিক আচরণের জন্য টুল সেন্সর ট্রেস দেখে এবং রান-টু-রান কন্ট্রোলারগুলি লক্ষ্যে ফলাফল ধরে রাখতে লটের মধ্যে রেসিপি সেটিংস সামঞ্জস্য করে। মেশিন লার্নিং অরৈখিক সম্পর্কের মডেলিং করে উভয়ের উন্নতি করতে পারে যা ঐতিহ্যগত পরিসংখ্যান প্রক্রিয়া নিয়ন্ত্রণ মিস করে। বেশ কিছু ভুল ধারণা প্রচলিত। ফ্যাব-এ প্রতিটি ত্রুটির প্রকারের জন্য বিশাল লেবেলযুক্ত ডেটাসেট নেই: বিরল ত্রুটিগুলি শুধুমাত্র কয়েকবার প্রদর্শিত হতে পারে, ক্লাসগুলি ব্যাপকভাবে ভারসাম্যহীন, এবং লেবেলগুলি বিশেষজ্ঞ প্রকৌশলীদের উপর নির্ভর করে। সরঞ্জামগুলি রক্ষণাবেক্ষণের মধ্য দিয়ে গেলে বা রেসিপিগুলি পরিবর্তন হলে মডেলগুলিও বাসি হয়ে যায়। এবং শুধুমাত্র একটি ভবিষ্যদ্বাণী যথেষ্ট নয়; প্রকৌশলীদের একটি প্রক্রিয়া পরিবর্তন করার আগে তাদের একটি যুক্তিসঙ্গত শারীরিক কারণ প্রয়োজন। এই বিষয়টি ম্যানুফ্যাকচারিং এর সাথে সম্পর্কিত, চিপ লেআউট ডিজাইন নয়।
একটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক বৈদ্যুতিক পরীক্ষা থেকে ওয়েফার মানচিত্রগুলিকে প্রান্ত-রিং, কেন্দ্র, স্ক্র্যাচ বা এলোমেলো, সম্ভাব্য ত্রুটিপূর্ণ প্রক্রিয়া পদক্ষেপের দিকে ইঞ্জিনিয়ারদের নির্দেশ করে প্যাটার্নগুলিতে শ্রেণীবদ্ধ করে।
একটি ভার্চুয়াল মেট্রোলজি মডেল ডিপোজিশন টুল সেন্সর ট্রেস থেকে প্রতিটি ওয়েফারের জন্য ফিল্ম বেধের পূর্বাভাস দেয়, তাই ফ্যাব শারীরিকভাবে শুধুমাত্র একটি নমুনা পরিমাপ করে যখন এখনও ড্রিফ্ট ধরা পড়ে।
স্বয়ংক্রিয় ত্রুটির শ্রেণিবিন্যাস ত্রুটির হাজার হাজার স্ক্যানিং ইলেক্ট্রন মাইক্রোস্কোপ চিত্রগুলিকে কণা, সেতু এবং প্যাটার্নের পতনের মতো বিভাগে, ম্যানুয়াল পর্যালোচনার সময় কাটায়।
একটি রান-টু-রান কন্ট্রোলার পূর্ববর্তী লটের পরিমাপ এবং পূর্বাভাসিত ফলাফলের উপর ভিত্তি করে পরবর্তী লটের জন্য এচ টাইম সামঞ্জস্য করে, ধীরে ধীরে চেম্বার ড্রিফটের জন্য ক্ষতিপূরণ দেয়।
যেহেতু চিপ বৈশিষ্ট্যগুলি সঙ্কুচিত হয় এবং ডিজাইনগুলি 3D কাঠামো এবং উন্নত প্যাকেজিং-এ চলে যায়, প্রক্রিয়া পদক্ষেপের সংখ্যা এবং প্রতিটি তৈরি করা ডেটা ক্রমাগত বাড়তে থাকে, যা স্বয়ংক্রিয় বিশ্লেষণের চাহিদা বাড়ায়। সম্ভাব্য দিকনির্দেশগুলির মধ্যে এমন মডেলগুলি অন্তর্ভুক্ত রয়েছে যা বিভিন্ন ধাপে ডেটা একত্রিত করে ফলন হ্রাসকে তার উত্সে ফিরে পেতে এবং কয়েকটি লেবেলযুক্ত উদাহরণ থেকে শেখার জন্য আরও ভাল পদ্ধতি। দত্তক নেওয়া সতর্ক থাকবে: ফ্যাবগুলি শুধুমাত্র শক্তিশালী প্রমাণের সাথে প্রক্রিয়া পরিবর্তন করে এবং একটি ভুল স্বয়ংক্রিয় সমন্বয় ব্যয়বহুল ওয়েফারগুলিকে স্ক্র্যাপ করতে পারে। মানব প্রকৌশলীরা মূল-কারণ সিদ্ধান্তের নিয়ন্ত্রণে থাকবেন বলে আশা করা হচ্ছে।
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
সেমিকন্ডাক্টর ফ্যাব ফলন অপ্টিমাইজেশানে AI ত্রুটিগুলি খুঁজে বের করতে, পরিমাপ ভবিষ্যদ্বাণী করতে এবং উত্পাদন প্রক্রিয়াগুলিকে লক্ষ্যে রাখতে ওয়েফার পরিদর্শন চিত্র, টুল সেন্সর ডেটা এবং পরীক্ষার ফলাফলগুলিতে মেশিন লার্নিং ব্যবহার করে। এটি গুরুত্বপূর্ণ কারণ একটি আধুনিক চিপ শত শত প্রক্রিয়ার ধাপ অতিক্রম করে, এবং প্রতি ওয়েফারের কাজের চিপগুলির ভগ্নাংশে ছোট উন্নতি সরাসরি বড় খরচ সঞ্চয় এবং আরও সরবরাহে অনুবাদ করে।
ফলন হল একটি ওয়েফারে চিপসের ভাগ যা সঠিকভাবে কাজ করে; এটি উত্থাপন ভাল চিপ প্রতি খরচ কম করে.
ভার্চুয়াল মেট্রোলজি পরিমাপ অনুমান করার জন্য সেন্সর ডেটা যেমন চাপ, তাপমাত্রা এবং আরএফ শক্তি ব্যবহার করে, তাই ফ্যাবগুলি শারীরিকভাবে শুধুমাত্র একটি নমুনা পরিমাপ করার সময় প্রতিটি ওয়েফার নিরীক্ষণ করতে পারে।
স্থানিক নিদর্শনগুলি সূত্র বহন করে; একটি প্রান্ত রিং ওয়েফার প্রান্তে কেন্দ্রীভূত একটি প্রক্রিয়া সমস্যা প্রস্তাব করে, যখন একটি স্ক্র্যাচ ক্ষতি পরিচালনার পরামর্শ দেয়।
WM-811K হল প্রকৃত ফ্যাব ওয়েফার মানচিত্রের একটি সর্বজনীন সেট যা ত্রুটির প্যাটার্ন শ্রেণীবিভাগের উপর গবেষণার জন্য ব্যাপকভাবে ব্যবহৃত হয়।
প্রতিরোধমূলক রক্ষণাবেক্ষণ, বার্ধক্য এবং রেসিপি পরিবর্তনগুলি প্রবাহিত করে, তাই মডেলগুলিকে অবশ্যই নতুন শারীরিক পরিমাপ ব্যবহার করে পরিবর্তনগুলি সনাক্ত করতে হবে এবং আপডেট করতে হবে।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
লাস্ট-মাইল ডেলিভারি এবং রুট অপ্টিমাইজেশানে AI
শিল্প