利用虛擬感測器創新,實現更高生產力

作者 : Phillip Jones、Brian Williams,Lam Research

藉由以虛擬量測為基礎的迴歸模型,可以預測生產效能,並深入了解生產趨勢的根本原因,並能快速診斷重要的機台問題…

製造晶片需要用到許多不同類型的製程機台,包括薄膜沉積、極紫外光(EUV)微影、蝕刻以及晶圓清洗等。而對大規模生產來說,晶片製造商還需採用相同腔體類型的機台群來執行特定的製程步驟,例如用於製造3D電晶體的鰭片蝕刻。理想情況下,每一批晶圓都會在跨整個機台中進行相同的處理,這意味著每個腔體的行為都應該是一致的。

然而,在現實中,由於許多攸關製程成功與否的控制參數存在著細微差異,使得效能也隨著腔體的變異而有所不同。這些參數,包括壓力、溫度、功率傳輸和表面條件等,都必須進行協同最佳化,才能實現更高的生產力。

腔體匹配挑戰

促使效能趨近一致的過程稱為「腔體匹配」(chamber matching)。隨著晶片元件尺寸的微縮和製程容差越來越嚴格,腔體匹配帶來的挑戰也日益凸顯。傳統方法包括「黃金腔體」(golden chamber)方式或子組件(sub-component)匹配。「黃金腔體」法是指先把一個腔體定義為理想腔體,然後再嘗試調整所有其他腔體,以產生出相同的結果。子組件匹配則側重於硬體子系統,並定義每個腔體必須滿足的嚴格容差規範。此方法假設如果每個腔體的所有組件都匹配相同,那麼整個腔體也應該匹配。但是,當面對先進電漿製程的複雜物理和化學相互作用時,這兩種傳統方法都有其局限性。

經過驗證的數據分析儀

Equipment Intelligence數據分析儀(Data Analyzer)採用大數據(big data)多元機器學習方式,透過檢視腔體內部或子系統中的許多訊號來發掘問題。其方法是在檢視晶圓處理過程中機台感測器輸出的大型數據資料,並辨認出機台腔體中的自然分佈,據此偵測不匹配的腔體再深入找出根本原因以進行修正。

該分析儀現已廣泛用於2300平台的蝕刻機台腔體匹配以及大數據分析。全球各地多家晶圓廠在採用後,均展現出腔體匹配效能的顯著改進、能更快排除腔體故障問題以及正常運行時間和平均清洗間隔時間(MTBC)的改善等多種效益。

每台配置六個獨立腔體新型蝕刻系統機台及其在數據分析儀執行大數據機器學習分析前後的製程分佈

現可支援多站製程模組

新版本Equipment Intelligence專為電漿輔助化學氣相沉積(PECVD)和原子層沉積(ALD)腔體所設計,現已部署於多座晶圓廠中。其軟體已經過調整,可適應PECVD/ALD腔體中與蝕刻腔體(多基座 vs. 單晶圓腔體)有關的晶圓流動差異。此外,軟體中增加了新的解析方法,能夠跨多站製程模組追蹤單一晶圓的移動。

該軟體中並建置適應機制,以處理配方區塊、子配方以及多個配方疊代,這些都是PECVD/ALD晶圓獨特的製流程特性。

PECVD製程機台每個腔體配置四站,可同時處理四片晶圓。

創新的虛擬感測器

Equipment Intelligence利用來自VECTOR Strata PECVD機台群的生產數據,並加速滿足最關鍵的客戶要求,例如延長預防性維護(PM)週期和改善正常運行時間。它的功能包括建立和部署以回歸模型為基礎的預測性控制圖表,使用預測指標的分類模型,以及發送通知給主要人員,以便提前預警和快速解決潛在問題。

藉由採用以虛擬量測為基礎的回歸模型,可以預測生產效能,並深入了解生產趨勢的根本原因。該數據分析儀還能以反應方式使用,可快速診斷多個重要的機台問題,例如腔體匹配或未預期的停機時間。

在大量製造的晶圓廠中採用大數據機器學習方法(例如數據分析器),其關鍵目標之一在於讓製程機台能夠實現比以往更高的生產力(即以更低成本生產更多優質晶圓),而在全球各地多家晶圓廠中也已實現此一目標。

加入LINE@,最新消息一手掌握!

發表評論