उद्योग गाइड

सेमीकंडक्टर फैब यील्ड ऑप्टिमाइजेशन में एआई

सेमीकंडक्टर फैब उपज अनुकूलन में एआई दोषों को खोजने, माप की भविष्यवाणी करने और लक्ष्य पर विनिर्माण प्रक्रियाओं को रखने के लिए वेफर निरीक्षण छवियों, टूल सेंसर डेटा और परीक्षण परिणामों पर मशीन लर्निंग का उपयोग करता है।

इस गाइड को सुनेंएआई-नैरेटेड · ~3 min

इस पृष्ठ पर3 मिनट लाल
  1. सिंहावलोकन
  2. गहरा गोता
  3. वास्तविक विश्व कार्यान्वयन
  4. सेमीकंडक्टर फैब यील्ड ऑप्टिमाइजेशन में एआई का भविष्य
  5. इसे व्यवहार में लाना
  6. अन्वेषण करते रहें
  7. अक्सर पूछे जाने वाले प्रश्नों

सिंहावलोकन

यह मायने रखता है क्योंकि एक आधुनिक चिप सैकड़ों प्रक्रिया चरणों से गुजरती है, और प्रति वेफर कार्यशील चिप्स के अंश में छोटे सुधार सीधे बड़ी लागत बचत और अधिक आपूर्ति में तब्दील हो जाते हैं।

गहरा गोता

उपज वेफर पर काम करने वाले चिप्स (डाई) का अंश है। फैब्स यादृच्छिक कणों, व्यवस्थित प्रक्रिया समस्याओं और उपकरणों में धीमी बहाव के कारण उपज खो देते हैं। क्योंकि एक वेफर फैब में हफ्तों बिता सकता है, किसी समस्या को कई दिनों की देरी से पकड़ने से कई चीजें बर्बाद हो सकती हैं। AI तीन मुख्य क्षेत्रों में मदद करता है। सबसे पहले दोष का पता लगाना और वर्गीकरण करना है। ऑप्टिकल और इलेक्ट्रॉन-बीम निरीक्षण उपकरण वेफर्स पर विसंगतियों का पता लगाते हैं, और स्वचालित दोष वर्गीकरण मॉडल उन्हें प्रकार के आधार पर लेबल करते हैं। अलग से, विद्युत परीक्षण वेफर मानचित्र तैयार करता है जो दर्शाता है कि कौन सा डाई विफल रहा। स्थानिक पैटर्न एक सुराग है: एक किनारे की अंगूठी नक़्क़ाशी जैसी प्रक्रिया के दौरान वेफर किनारे पर एक समस्या का सुझाव देती है, जबकि एक खरोंच क्षति से निपटने का सुझाव देती है। वास्तविक फैब वेफर मानचित्रों से तैयार किया गया सार्वजनिक WM-811K डेटासेट, इन पैटर्न को वर्गीकृत करने के अनुसंधान में व्यापक रूप से उपयोग किया जाता है। दूसरा है वर्चुअल मेट्रोलॉजी. प्रत्येक चरण पर प्रत्येक वेफर को मापना धीमा और महंगा है, इसलिए फैब्स नमूना। वर्चुअल मेट्रोलॉजी पहले से ही रिकॉर्ड किए गए सेंसर डेटा टूल्स, जैसे दबाव, तापमान, गैस प्रवाह और आरएफ पावर से माप परिणामों की भविष्यवाणी करती है, जो प्रत्येक वेफर के लिए एक अनुमान देती है। तीसरा है प्रक्रिया नियंत्रण. दोष का पता लगाने और वर्गीकरण प्रणालियाँ असामान्य व्यवहार के लिए टूल सेंसर के निशानों पर नज़र रखती हैं, और रन-टू-रन नियंत्रक परिणामों को लक्ष्य पर रखने के लिए लॉट के बीच रेसिपी सेटिंग्स को समायोजित करते हैं। मशीन लर्निंग गैर-रेखीय रिश्तों की मॉडलिंग करके उन दोनों में सुधार कर सकती है जो पारंपरिक सांख्यिकीय प्रक्रिया नियंत्रण से चूक जाते हैं। कई गलतफहमियां आम हैं. फैब्स के पास प्रत्येक दोष प्रकार के लिए बड़े लेबल वाले डेटासेट नहीं होते हैं: दुर्लभ दोष केवल कुछ ही बार दिखाई दे सकते हैं, कक्षाएं भारी असंतुलित होती हैं, और लेबल विशेषज्ञ इंजीनियरों पर निर्भर होते हैं। जब उपकरण रखरखाव से गुजरते हैं या व्यंजनों में बदलाव होता है तो मॉडल भी पुराने हो जाते हैं। और केवल एक भविष्यवाणी ही पर्याप्त नहीं है; किसी प्रक्रिया को बदलने से पहले इंजीनियरों को एक विश्वसनीय भौतिक कारण की आवश्यकता होती है। यह विषय विनिर्माण से संबंधित है, चिप लेआउट डिज़ाइन से नहीं।

वास्तविक विश्व कार्यान्वयन

एक दृढ़ तंत्रिका नेटवर्क विद्युत परीक्षण से वेफर मानचित्रों को किनारे-रिंग, केंद्र, खरोंच या यादृच्छिक जैसे पैटर्न में वर्गीकृत करता है, जो संभावित दोषपूर्ण प्रक्रिया चरण की ओर इंजीनियरों को इंगित करता है।

एक वर्चुअल मेट्रोलॉजी मॉडल डिपोजिशन टूल सेंसर ट्रेस से प्रत्येक वेफर के लिए फिल्म की मोटाई की भविष्यवाणी करता है, इसलिए फैब भौतिक रूप से केवल एक नमूना मापता है जबकि अभी भी बहाव को पकड़ता है।

स्वचालित दोष वर्गीकरण दोषों की हजारों स्कैनिंग इलेक्ट्रॉन माइक्रोस्कोप छवियों को कणों, पुलों और पैटर्न पतन जैसी श्रेणियों में क्रमबद्ध करता है, जिससे मैन्युअल समीक्षा का समय कम हो जाता है।

एक रन-टू-रन नियंत्रक पिछले लॉट के मापे गए और पूर्वानुमानित परिणामों के आधार पर अगले लॉट के लिए खोदने के समय को समायोजित करता है, जिससे क्रमिक चैम्बर बहाव की भरपाई होती है।

सेमीकंडक्टर फैब यील्ड ऑप्टिमाइजेशन में एआई का भविष्य

जैसे-जैसे चिप सुविधाएँ सिकुड़ती हैं और डिज़ाइन 3डी संरचनाओं और उन्नत पैकेजिंग की ओर बढ़ते हैं, प्रक्रिया चरणों की संख्या और प्रत्येक द्वारा उत्पन्न डेटा बढ़ता रहता है, जिससे स्वचालित विश्लेषण की मांग बढ़ जाती है। संभावित निर्देशों में ऐसे मॉडल शामिल हैं जो उपज हानि का उसके स्रोत तक पता लगाने के लिए चरणों में डेटा को जोड़ते हैं, और कुछ लेबल किए गए उदाहरणों से सीखने के लिए बेहतर तरीके शामिल हैं। गोद लेने में सावधानी बरती जाएगी: फैब्स केवल मजबूत सबूतों के साथ प्रक्रियाओं को बदलते हैं, और एक गलत स्वचालित समायोजन महंगे वेफर्स को स्क्रैप कर सकता है। मानव इंजीनियरों से अपेक्षा की जाती है कि वे मूल-कारण निर्णयों पर नियंत्रण रखें।

इसे व्यवहार में लाना

यह क्यों मायने रखता है?

  • संदर्भ और नियम. उद्योग संदर्भ यह निर्धारित करता है कि एआई विचार वास्तविकता के संपर्क में बने रहेंगे या नहीं।
  • गुणवत्ता नियंत्रण. डोमेन बाधाएँ स्वीकार्य त्रुटि दर और निरीक्षण मॉडल को प्रभावित करती हैं।
  • विकल्प बनाएं. सफल तैनाती तकनीकी क्षमता को फ्रंटलाइन वर्कफ़्लो के साथ संरेखित करती है।

का ध्यान रखें

  • नियामक आवश्यकताएँ अन्यथा मजबूत प्रोटोटाइप को अमान्य कर सकती हैं।
  • ऐतिहासिक डेटा पूर्वाग्रह को कूटबद्ध कर सकता है जो विशिष्ट समुदायों को नुकसान पहुँचाता है।
  • लीगेसी प्रणालियाँ एकीकरण बाधाएँ और छिपी हुई लागतें पैदा कर सकती हैं।

अगले चरण

  1. समस्या निर्धारण से लेकर मूल्यांकन तक डोमेन विशेषज्ञों को शामिल करें।
  2. लॉन्च से पहले ऑडिट ट्रेल्स और दस्तावेज़ीकरण डिज़ाइन करें।
  3. अनुपालन और सुरक्षा दायित्वों को शीघ्र सत्यापित करें।
  4. स्पष्ट स्टॉप और रोलबैक मानदंडों के साथ चरणों में रोल आउट करें।

अन्वेषण करते रहें

मुफ़्त न्यूज़लेटर

दैनिक एआई ब्रीफिंग प्राप्त करें

हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।

प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।

स्वयं की जांच करो

Take the AI in Semiconductor Fab Yield Optimization quiz

प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।

प्रश्नोत्तरी प्रारंभ करें

निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें

अक्सर पूछे जाने वाले प्रश्नों

सेमीकंडक्टर फैब यील्ड ऑप्टिमाइजेशन में AI क्या है?

सेमीकंडक्टर फैब उपज अनुकूलन में एआई दोषों को खोजने, माप की भविष्यवाणी करने और लक्ष्य पर विनिर्माण प्रक्रियाओं को रखने के लिए वेफर निरीक्षण छवियों, टूल सेंसर डेटा और परीक्षण परिणामों पर मशीन लर्निंग का उपयोग करता है। यह मायने रखता है क्योंकि एक आधुनिक चिप सैकड़ों प्रक्रिया चरणों से गुजरती है, और प्रति वेफर कार्यशील चिप्स के अंश में छोटे सुधार सीधे बड़ी लागत बचत और अधिक आपूर्ति में तब्दील हो जाते हैं।

अर्धचालक विनिर्माण में 'उपज' का क्या अर्थ है?

यील्ड एक वेफर पर चिप्स का हिस्सा है जो सही ढंग से कार्य करता है; इसे बढ़ाने से प्रति अच्छी चिप की लागत कम हो जाती है।

वर्चुअल मेट्रोलॉजी क्या करती है?

वर्चुअल मेट्रोलॉजी माप का अनुमान लगाने के लिए दबाव, तापमान और आरएफ शक्ति जैसे सेंसर डेटा का उपयोग करती है, इसलिए फैब्स भौतिक रूप से केवल एक नमूना मापते समय प्रत्येक वेफर की निगरानी कर सकते हैं।

वेफ़र मानचित्र पर एक किनारे-रिंग पैटर्न संभवतः किसकी ओर इशारा करता है?

स्थानिक पैटर्न सुराग लेकर चलते हैं; एक किनारे की अंगूठी वेफर किनारे पर केंद्रित एक प्रक्रिया समस्या का सुझाव देती है, जबकि एक खरोंच क्षति से निपटने का सुझाव देती है।

WM-811K डेटासेट का उपयोग किसके लिए किया जाता है?

WM-811K वास्तविक फैब वेफर मानचित्रों का एक सार्वजनिक सेट है जिसका व्यापक रूप से दोष पैटर्न वर्गीकरण पर शोध के लिए उपयोग किया जाता है।

वर्चुअल मेट्रोलॉजी मॉडल को बार-बार पुन: अंशांकन की आवश्यकता क्यों होती है?

निवारक रखरखाव, उम्र बढ़ने और नुस्खा परिवर्तन बहाव का कारण बनते हैं, इसलिए मॉडल को बदलाव का पता लगाना चाहिए और नए भौतिक मापों का उपयोग करके अद्यतन करना चाहिए।

सीखते रहो

संबंधित मार्गदर्शिकाएँ

इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं

निःशुल्क AI प्रमाणपत्र प्राप्त करेंएक संक्षिप्त निःशुल्क पाठ्यक्रम और परीक्षा। कोई कीमत नहीं, कोई कार्ड नहीं. लगभग 2.5 घंटे.निःशुल्क प्रारंभ करें →