半導体製造工場の歩留まり最適化における AI

歩留まりとは、ウェーハ上で機能するチップ（ダイ）の割合です。ファブは、ランダムな粒子、系統的なプロセスの問題、装置のドリフトの遅さによって歩留まりを失います。ウェーハは工場で何週間も過ごすことがあるため、問題の発見が数日遅れると多くのロットが台無しになる可能性があります。 AI は 3 つの主要な領域で役立ちます。 1 つ目は欠陥の検出と分類です。光学および電子ビーム検査ツールはウェーハ上の異常を検出し、自動欠陥分類モデルは種類別にラベルを付けます。これとは別に、電気テストにより、どのダイが故障したかを示すウェーハ マップが生成されます。空間パターンは手がかりです。エッジ リングはエッチングなどのプロセス中にウェーハのエッジに問題があることを示唆し、スクラッチは取り扱いによる損傷を示唆します。実際のファブ ウェーハ マップから抽出された公開 WM-811K データセットは、これらのパターンを分類する研究で広く使用されています。 2 つ目は仮想計測です。すべてのステップですべてのウェーハを測定するのは時間がかかり、コストがかかるため、ファブはサンプルを採取します。仮想計測は、圧力、温度、ガス流量、RF 電力など、すでに記録されているセンサー データ ツールからの測定結果を予測し、ウェーハごとに推定値を与えます。 3つ目はプロセス制御です。障害検出および分類システムは、異常な動作がないかツール センサー トレースを監視し、ランツーラン コントローラーがロット間のレシピ設定を調整して、目標どおりの結果を保持します。機械学習は、従来の統計的プロセス制御では見逃していた非線形関係をモデル化することで、両方を改善できます。いくつかの誤解がよくあります。ファブには、あらゆる種類の欠陥に対してラベル付けされた巨大なデータセットがあるわけではありません。まれな欠陥は数回しか出現しない可能性があり、クラスは大きく不均衡であり、ラベルは専門のエンジニアに依存しています。ツールがメンテナンスを受けたりレシピが変更されたりすると、モデルも古くなります。そして、予測だけでは十分ではありません。エンジニアはプロセスを変更する前に、納得できる物理的原因が必要です。このトピックは製造に関するものであり、チップ レイアウト設計に関するものではありません。