组合不同类型Fab数据的巨大回报

收集和组合来自不同制造工艺的不同数据类型可以在提高半导体产量、质量和可靠性方面发挥重要作用，但要实现这一点，需要整合来自各种不同工艺步骤的深厚领域专业知识，并筛选分散在全球供应链上的大量数据。

半导体制造IC数据流水线持续走强淹没数据管理系统，而且并非所有数据都得到有效利用。问题在于，如果没有预先考虑和充分的计划，几乎不可能将tb的不同类型集成到一个内聚的、有用的数据管理中。一种方法不能适用于所有情况，要真正有用，这些系统需要领域知识以及良好的底层技术。

这就解释了为什么工程团队正在远离传统的关系数据库，取而代之的是捕获所收集数据上下文的数据库。数据分析平台位于数据存储和数据库解决方案之上。

但是让这一切正常工作比看起来要难得多。这些系统需要足够快，并提供足够的容量来跨越从接入点到数据生成点的物理距离。他们还需要打破目前半导体供应链中存在的业务界限，在这种情况下，数据访问往往受到限制，而且是孤立的。

其目标是允许工程师组合不同的数据源，包括设计资料、设备传感器、检测图像、电气测试数据和设备谱系。通过更加集成的数据系统，工程师可以更有效地组合不同的数据类型来解决日常问题。十年前，对于工程团队来说，将工具历史与测试数据或客户反馈与任何上游数据联系起来是一个艰巨的过程。存储来自测量的元数据提供了一个上下文，这支持工程探索关系并根据需要深入到数据中。此外，通过良好集成的数据系统和嵌入式领域专业知识，数据分析平台现在可以监控和排除常见的制造问题，并向工程团队提供建议的行动。

DR yield首席执行官Dieter Rathei表示:“所有的数据都到位了，可以更快地做出反应，从而产生短途旅行。“从不同数据源收集、对齐和关联数据所需的时间可能很重要，在时间紧迫的情况下，让所有数据随时可用可以节省大量成本。”

将数据从头到尾连接在一起对于构建整体图景具有巨大的价值，这对于日益复杂的设计至关重要。

“如果不把数据捆绑在一起，就无法推导出发生了什么事情的完整故事，”李伟恒(Melvin Lee Wei Heng)表示上的创新．“就像在犯罪现场一样，侦探调查整个犯罪过程，法医人员查看犯罪现场留下的痕迹证据，并将这些信息提供给侦探帮助调查。与半导体数据源类似，如果出现问题，每个数据集都有一些“证据”。我们的目标是将所有数据拼凑在一起，找出根本原因。”

数据格局，端到端
当芯片设计进入制造管道时，每个处理步骤都会收集几层数据。这些数据分为两大类，测量数据和元数据。测量数据可以特定于管道中正在处理的晶圆或单元。它还可以包括来自工艺和测试设备的数据，这些数据生成基于传感器的测量，如压力、温度和湿度。与此同时，元数据为测量提供了上下文。这可以包括时间戳、维护记录、操作员姓名、消耗品来源、工具标识符和负载板/探测卡标识符。

图1:制造数据堆栈，半导体制造和测试流程。来源:Anne Meixner/半导体工程

除了生产数据，还有产品的设计抵押品。这可以包括光栅及其相关的网络列表，库交换格式(lef)，设计交换格式(DEFs)，以及封装和半导体器件之间具有凹凸/衬垫连接的封装设计。这些都提供了有价值的信息，可用于良率、质量和故障分析工程师深入研究为什么模具逃脱了测试步骤，或者为什么当周的生产良率会下降。

产量和质量目标都激励收集、存储和连接数据。

”收益管理这反映了晶圆厂的成功。避免偏移是质量管理或产量管理的一部分吗?李伟恒说。通过适当的产量管理基础设施来分析FDC(故障检测分类)、缺陷数据和产品测试结果，可以实施适当的控制来管理偏差。有句话说得好:‘你只能控制你能监控的东西。’”

在涉及存储和操作的协同关系中，数据驻留在哪里、保存多长时间以及工程师使用它做什么是必不可少的组成部分。一些数据停留在某个流程步骤的本地，一些数据驱动该流程步骤的决策，一些数据驱动管道的后续操作。通常，有些数据隐藏在本地数据库中，有些则存储在数据库中制造执行系统(MES)，有的则存储在试验结果或检验图像数据库中。

晶圆厂设备的本地数据以统计过程控制(SPC)监视器的形式用于良率的提高。即使所有的SPC监控器都工作正常，仍然会有产量偏差。为了理解根本原因，每个工具的SPC监控器可以跨多个流程步骤进行关联。测试数据也可以连接回特定的晶圆厂设备，以提供额外的见解。虽然这种类型的分析一直是可能的，但由于竖井数据以及竖井数据带来的对齐和完整性问题，创建反馈循环一直是一项工程挑战。

最近，工程师们开始探索在晶圆生产过程中收集的数据的前馈，以影响测试过程，以优化测试制造成本和提高质量。例如，缺陷检测数据可以预测哪个模具会在晶圆或最终测试中失败，它可以用来确定哪个模具应该经过burn-in步骤。

这种前馈操作只有在关键晶圆加工步骤100%检查时才可能实现。人们可以预见关键装配工艺步骤的最终100%检查，同时允许工程师预测故障并指导后续的测试步骤。

需要领域专业知识
在任何半导体器件的制造中，所有工程师都受益于连接来自制造过程不同部分的数据和相关的产品设计数据。“端到端分析”一词让人联想到一个数据库系统拥有所有数据，而一个模型神奇地将所有数据放在一起。对于大多数制造工程需求，这根本不是必需的。

在日常实践中，工程师们跨越创建边界组合数据，搜索共性、模式和/或相关性，然后根据需要进一步深入到更本地化的数据中。因此，工程师需要通过内部或第三方数据分析平台以及相关工具和可视化来实现这三个基本功能。

工作职能决定要组合哪些数据，工程师的工作职能可以更关注产量或质量。

“如果你在晶圆制造工厂工作，产量是最重要的，这是你的最高优先级，”该公司战略业务创造经理肯•巴特勒(Ken Butler)表示美国效果显著．“如果你是一名产品工程师，负责一条或多条产品线的产品交付和质量，那么你更有可能专注于与质量相关的应用。”

下表有助于说明在制造环境中，交叉数据交互在哪里为客户提供了最大的价值。

图2:按ROI效益排名的半导体制造业数据组合来源:Onto Innovation

Onto Innovation的软件产品管理总监迈克·麦金太尔(Mike McIntyre)说:“识别最高价值的互动点将基于你的工作和背景。”“例如，就制造(工艺工程师，fab管理等)的价值而言，当用户交叉材料工艺历史(又名在制品或MES数据)和基于材料的数据时，就会出现单一的最高交互点计量，无论是内联测试还是电测。产品设计师和设备集成工程师可能会说，设备测试中的电气性能和内联计量结果的结合将提供最大的价值。还有其他用户社区会有他们自己的数据组合偏好。”

结合不同的数据类型，例如来自检测和设计掩模的数据，一个关键的工程挑战是培养足够的工程专业知识来了解什么是重要的。芯片制造包括一些世界上最复杂的工艺，在制造工艺管道的任何子站都需要专业知识。要连接来自每个站点的数据，您需要一些专业知识来了解要保留什么和连接什么。

Exensio解决方案主管Greg Prewitt表示:“许多公司低估了实现这一切所需的深厚领域知识PDF的解决方案．“这不仅仅是一个数据科学项目。如果没有深厚的半导体知识，就真正利用所有这些组合数据的价值而言，你只是触及了表面。”

例如，考虑要保存的检测数据量和向工程师展示数据的方式。“来自晶圆厂的原始缺陷数据大量且嘈杂。结合数据源并成功地使用机器学习的关键挑战之一是清理和对齐数据，”ibm战略合作高级总监Jay Rathert说心理契约．“我们专注于从我们的工具检测到的每个缺陷中提取每一点有用的信息，但以一种有用的、可操作的方式向外呈现这些数据，并为每个相关的人保留知识产权。它需要深厚的领域专业知识来理解哪些数据很重要。”

在考虑结合哪些数据以获得有用的见解时，其他人同意对领域专业知识的基本要求。

Onto的McIntyre说:“简单地说，当尝试结合不同的数据时，关键的挑战是拥有必要的内容知识，并对这两种数据类型如何相互作用有基本的理解。”“缺乏这一点就会造成混乱。组合数据类型非常类似于在一个复杂的拼图中放置碎片。某些片段不能直接组合在一起，需要中间数据来连接它们，而另一些片段则整齐地排列在一起。如果没有看到大局，你所拥有的只是碎片。”

延迟、经度和纬度挑战
在上下文中存储数据(数据及其元数据)为不同的数据提供了连接粘合剂。然而，在连接数据之前，必须管理时间跨度和物理距离的挑战。

首先，考虑响应晶圆测试的良率学习。根据半导体技术的不同，从晶圆开始到晶圆测试的原始时间可以从60天到120天不等。数据是否保存了足够长的时间，以便工程师确定根本原因?不总是正确的。

DR Yield的Rathei说:“我可以举一个反例，说明没有把所有东西都整合起来所带来的成本。”“我记得有一个案例，晶圆测试数据清楚地显示了一个特定工具的腔室依赖性。但是，在哪个腔室中加工哪片晶圆的记录仅存储在工具的本地。更糟糕的是，当晶圆到达测试时，它们已经被删除了。因此，为了调查这个问题，我们必须等到新的晶圆(现在正在记录腔室日志)从工艺工具中取出进行测试。由于数据没有被全面存储，因此损失了大量时间。”

当不同的数据没有适当地连接时损失时间是一个常见的主题。

公司产品营销高级总监Nir Server表示:“我们看到测试站和平台之间的错误相关性是如何导致产品工程师浪费时间和资源的proteanTecs．这些问题可能源于设计、制造或测试程序本身的问题。跨测试关联数据增强了更好的调试、缺陷检测和调优的可见性，并允许更精细的根本原因。另一个重要因素是需要外包和多源制造能力，特别是考虑到最近半导体行业的短缺，以及跨不同地点和地理位置的活动。”

管道沿途主要站点之间的物理距离带来了挑战。每个晶圆和组装和测试工厂可以有明显不同的经纬度坐标。无论是否涉及IDM、代工厂、OSAT或无晶圆厂芯片制造商，跨不同站点连接数据仍然是工程团队需要管理的现实。但是，通过IDM内部创建或第三方提供的数据管理系统和数据分析平台，可以更容易地连接不同工厂和相关测试设备之间的数据。

质量问题
与产量相比，质量和可靠性方面的时间线变得更长。这为工程团队连接不同的数据类型带来了额外的挑战。

“质量是一个更难计算的问题，因为它通常是基于百万分率(DPPM)，即使经过广泛的测试，你也可能直到几个月或几年后才知道最终的DPPM率是多少。因此，成本分析是一个比收益率分析长得多的“循环”。PDF的Prewitt说

长循环的第一站是最终测试，这需要几个月的时间。最后一站是终端客户系统，以年为单位。

在最终测试或系统测试和客户返回的情况下，组合不同的数据源支持工程团队解决根源问题，并根据需要指导后续的纠正行动。行动可以从识别有问题的工艺设备和相关模具，到贴出一套新的掩模以解决设计漏洞。

“这是至关重要的，特别是如果在芯片被放置到昂贵的封装后，在最终测试(FT)或系统级测试(SLT)中出现问题，”ibm的数字设计组产品营销经理Guy Cortez说Synopsys对此．“能够快速找到根本原因，并查看制造过程中是否有一个参数可以预测FT或SLT的问题，这是至关重要的。然而，追溯与设计相关的问题的根本原因还需要访问LEF/DEF信息，以确定硅内部的故障机制位于何处，以便进行故障分析，以确认真正发生了什么。”

其他人也提出了类似的担忧。“数据的收集、存储和管理对我们的客户在产量和运营方面越来越重要，特别是在运行体积扫描诊断以帮助提高产量时，”该公司运营产品管理总监Matt Knowles说西门子EDA．“消除任何和所有改善系统性良率问题的障碍，是所有半导体供应商每天面临的挑战。我们提供的软件工具(Tessent Diagnosis和YieldInsight)将制造测试数据转换为可操作的良率改进。如果没有大量可供分析的测试数据，这些工具就无法工作。扫描诊断从故障分析指南到根本原因监控的发展需要一个稳定的、专用的数据管道，从制造测试到无晶圆厂客户。在产生扫描诊断数据结果后，这些时间敏感的数据需要被分析系统用于快速关联和决策。”

结论
产量、质量、可靠性、产品、设计和故障分析工程师都受益于连接来自制造过程和产品设计抵押品的大量不同数据类型。

虽然组合不同的数据类型并不新鲜，但先进的数据管理、存储、集成和分析平台极大地促进了所有这些数据之间的连接。将其组合成一个整体模型和系统仍然是一个圣杯。但在日常实践中，有了自己的领域知识，工程师们可以明智地结合他们需要的数据来解决手头的问题。这些问题会影响数据系统和平台的有效设计，因为工程师知道哪些数据需要连接，哪些数据需要保存数月甚至数年。

有关的故事
Fab和测试数据太多，利用率低
目前，收集到的数据的增长已经超过了工程师分析所有数据的能力。

芯片制造中的数据问题越来越多
主数据实践使产品工程师和工厂IT工程师能够处理各种数据类型和质量。

连接不同数据的使能器和障碍
在某些情况下，集成多种类型的数据是可能的，但仍然不容易。

基础设施影响数据分析
收集制造数据只是问题的一部分。有效地管理这些数据对于机器学习的分析和应用至关重要。