आगेअगली गाइड
लास्ट-माइल डिलीवरी और रूट ऑप्टिमाइज़ेशन में एआई
उद्योग
उद्योग गाइड
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
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।
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।
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।
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।
मुफ़्त न्यूज़लेटर
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
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
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।
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 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।
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 वास्तविक फैब वेफर मानचित्रों का एक सार्वजनिक सेट है जिसका व्यापक रूप से दोष पैटर्न वर्गीकरण पर शोध के लिए उपयोग किया जाता 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
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं
आगेअगली गाइड
लास्ट-माइल डिलीवरी और रूट ऑप्टिमाइज़ेशन में एआई
उद्योग