AI ในการเพิ่มประสิทธิภาพผลผลิต Fab ของเซมิคอนดักเตอร์

อัตราผลตอบแทนคือเศษของชิป (ตาย) บนเวเฟอร์ที่ใช้งานได้ Fabs สูญเสียผลผลิตให้กับอนุภาคแบบสุ่ม ปัญหากระบวนการที่เป็นระบบ และการเคลื่อนตัวช้าในอุปกรณ์ เนื่องจากเวเฟอร์สามารถใช้เวลาหลายสัปดาห์ในโรงงาน การมาช้าในวันที่มีปัญหาอาจสร้างความเสียหายได้มากมาย AI ช่วยในสามส่วนหลัก ประการแรกคือการตรวจหาและจำแนกข้อบกพร่อง เครื่องมือตรวจสอบลำแสงและลำแสงอิเล็กตรอนจะค้นหาความผิดปกติบนเวเฟอร์ และแบบจำลองการจำแนกข้อบกพร่องอัตโนมัติจะติดป้ายกำกับสิ่งผิดปกติตามประเภท การทดสอบทางไฟฟ้าแยกกันจะสร้างแผนที่เวเฟอร์เพื่อแสดงว่าแม่พิมพ์ตัวใดล้มเหลว รูปแบบเชิงพื้นที่เป็นเบาะแส: วงแหวนขอบบ่งบอกถึงปัญหาที่ขอบเวเฟอร์ในระหว่างกระบวนการเช่นการกัด ในขณะที่รอยขีดข่วนบ่งบอกถึงการจัดการความเสียหาย ชุดข้อมูลสาธารณะ WM-811K ซึ่งดึงมาจากแผนที่เวเฟอร์ fab จริง ถูกนำมาใช้กันอย่างแพร่หลายในการวิจัยเกี่ยวกับการจำแนกรูปแบบเหล่านี้ ประการที่สองคือมาตรวิทยาเสมือน การวัดทุกเวเฟอร์ในทุกขั้นตอนนั้นช้าและมีราคาแพง ดังนั้นจึงเป็นตัวอย่างที่ยอดเยี่ยม มาตรวิทยาเสมือนคาดการณ์ผลการวัดจากเครื่องมือข้อมูลเซ็นเซอร์ที่บันทึกไว้แล้ว เช่น ความดัน อุณหภูมิ การไหลของก๊าซ และกำลัง RF โดยให้ค่าประมาณสำหรับเวเฟอร์ทุกอัน ประการที่สามคือการควบคุมกระบวนการ ระบบการตรวจจับและจำแนกข้อผิดพลาดจะคอยติดตามเซ็นเซอร์เครื่องมือเพื่อดูพฤติกรรมที่ผิดปกติ และผู้ควบคุมแบบรันต่อรันจะปรับการตั้งค่าสูตรระหว่างล็อตเพื่อรักษาผลลัพธ์ไว้ที่เป้าหมาย การเรียนรู้ของเครื่องสามารถปรับปรุงทั้งสองอย่างได้ด้วยการสร้างแบบจำลองความสัมพันธ์แบบไม่เชิงเส้นซึ่งการควบคุมกระบวนการทางสถิติแบบเดิมๆ ขาดไป ความเข้าใจผิดหลายประการเป็นเรื่องปกติ Fabs ไม่มีชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่สำหรับข้อบกพร่องทุกประเภท: ข้อบกพร่องที่หายากอาจปรากฏขึ้นเพียงไม่กี่ครั้ง คลาสไม่สมดุลอย่างมาก และป้ายกำกับขึ้นอยู่กับวิศวกรผู้เชี่ยวชาญ โมเดลจะล้าสมัยเมื่อเครื่องมือได้รับการบำรุงรักษาหรือเปลี่ยนสูตร และการทำนายเพียงอย่างเดียวนั้นไม่เพียงพอ วิศวกรจำเป็นต้องมีสาเหตุทางกายภาพที่เป็นไปได้ก่อนที่จะเปลี่ยนกระบวนการ หัวข้อนี้เกี่ยวข้องกับการผลิต ไม่ใช่การออกแบบโครงร่างชิป