L'IA dans l'optimisation du rendement des usines de semi-conducteurs

Le rendement est la fraction de puces (matrices) sur une plaquette qui fonctionnent. Les Fabs perdent du rendement à cause des particules aléatoires, des problèmes de processus systématiques et de la lente dérive des équipements. Étant donné qu'une plaquette peut passer des semaines dans l'usine de fabrication, détecter un problème plusieurs jours plus tard peut ruiner de nombreux lots. L’IA aide dans trois domaines principaux. Le premier est la détection et la classification des défauts. Les outils d'inspection optique et par faisceau d'électrons détectent les anomalies sur les tranches et les modèles de classification automatique des défauts les classent par type. Séparément, les tests électriques produisent des cartes de tranches montrant quelles puces ont échoué. La configuration spatiale est un indice : un anneau de bord suggère un problème au bord de la tranche lors d'un processus comme la gravure, tandis qu'une rayure suggère un dommage de manipulation. L'ensemble de données public WM-811K, tiré de véritables cartes de plaquettes de fabrication, est largement utilisé dans la recherche sur la classification de ces modèles. Deuxièmement, la métrologie virtuelle. Mesurer chaque tranche à chaque étape est lent et coûteux, donc les usines échantillonnent. La métrologie virtuelle prédit les résultats de mesure à partir des données de capteurs déjà enregistrées, telles que la pression, la température, le débit de gaz et la puissance RF, donnant une estimation pour chaque tranche. Troisièmement, le contrôle des processus. Les systèmes de détection et de classification des défauts surveillent les traces des capteurs d'outils pour détecter tout comportement anormal, et les contrôleurs d'exécution en exécution ajustent les paramètres de recette entre les lots pour maintenir les résultats sur la cible. L’apprentissage automatique peut améliorer les deux en modélisant des relations non linéaires qui manquent au contrôle statistique traditionnel des processus. Plusieurs idées fausses sont courantes. Les Fabs ne disposent pas d'énormes ensembles de données étiquetés pour chaque type de défaut : des défauts rares peuvent apparaître seulement quelques fois, les classes sont fortement déséquilibrées et les étiquettes dépendent d'ingénieurs experts. Les modèles deviennent également obsolètes lorsque les outils subissent une maintenance ou que les recettes changent. Et une prédiction seule ne suffit pas ; les ingénieurs ont besoin d’une cause physique plausible avant de modifier un processus. Ce sujet concerne la fabrication et non la conception de la configuration des puces.