IA en la optimización del rendimiento de las fábricas de semiconductores

El rendimiento es la fracción de chips (troqueles) de una oblea que funcionan. Las fábricas pierden rendimiento debido a partículas aleatorias, problemas de proceso sistemáticos y deriva lenta en los equipos. Debido a que una oblea puede pasar semanas en la fábrica, detectar un problema con días de retraso puede arruinar muchos lotes. La IA ayuda en tres áreas principales. El primero es la detección y clasificación de defectos. Las herramientas de inspección óptica y de haz de electrones encuentran anomalías en las obleas y los modelos automáticos de clasificación de defectos las etiquetan por tipo. Por otra parte, la prueba eléctrica produce mapas de obleas que muestran qué troqueles fallaron. El patrón espacial es una pista: un anillo en el borde sugiere un problema en el borde de la oblea durante un proceso como el grabado, mientras que un arañazo sugiere daños por manipulación. El conjunto de datos público WM-811K, extraído de mapas de obleas reales y fabulosos, se utiliza ampliamente en la investigación sobre la clasificación de estos patrones. En segundo lugar está la metrología virtual. Medir cada oblea en cada paso es lento y costoso, por lo que las muestras son fabulosas. La metrología virtual predice los resultados de las mediciones a partir de los datos de los sensores que las herramientas ya registran, como la presión, la temperatura, el flujo de gas y la potencia de RF, dando una estimación para cada oblea. En tercer lugar está el control de procesos. Los sistemas de clasificación y detección de fallas observan los rastros de los sensores de las herramientas en busca de comportamientos anormales, y los controladores de ejecución a ejecución ajustan la configuración de recetas entre lotes para mantener los resultados en el objetivo. El aprendizaje automático puede mejorar ambos mediante el modelado de relaciones no lineales que el control de procesos estadístico tradicional pasa por alto. Son comunes varios conceptos erróneos. Las fábricas no tienen enormes conjuntos de datos etiquetados para cada tipo de defecto: los defectos raros pueden aparecer solo unas pocas veces, las clases están muy desequilibradas y las etiquetas dependen de ingenieros expertos. Los modelos también se vuelven obsoletos cuando las herramientas reciben mantenimiento o cambian las recetas. Y una predicción por sí sola no es suficiente; Los ingenieros necesitan una causa física plausible antes de cambiar un proceso. Este tema se refiere a la fabricación, no al diseño del chip.