Fab传感技术与分析技术相结合，为提高汽车的可靠性提供了一条途径。
半导体制造生态系统已开始就有效利用晶圆数据以满足汽车集成电路严格的质量和可靠性要求的方法进行合作。
硅制造公司现在利用设备和检查监控器在电气测试之前主动识别有影响的缺陷。利用机器学习技术，他们将监测数据与后续制造步骤的反馈相结合，以提高产量、质量和可靠性。
晶圆制造和晶圆测试有丰富的数据，工程师们用这些数据来支持他们的工作。制造数据的使用计量统计过程控制(SPC)图表的数据。与此同时，晶圆测试使用通过/失败限制来对好与坏的晶圆进行分类，这是从简单的值开始的。
在过去的二十年中，采用统计驱动的测试方法，如部分平均测试(PAT)，已经有效地提高了质量，同时减少了假阴性。现在，工程师在后续测试步骤中利用晶圆测试数据，同时减少测试时间和漏失。
新的是利用晶圆设备传感器数据和晶圆检测监测数据前馈到测试步骤。当测试数据反馈到生产步骤时，也会发生相反的情况。这些跨越更多制造步骤的大数据分析为硅供应商提供了另一种工具，以满足汽车制造商要求的10亿分之一的不良率。
随着汽车行业从成熟流程向前沿流程的转变，这也变得越来越复杂，特别是在避免物体以及辅助和自动驾驶中做出瞬间决策所需的集中逻辑方面。这正在推动汽车IC生态系统的心态发生重大变化。
英特尔技术营销首席科学家道格•萨瑟兰(Doug Sutherland)表示:“晶片厂过去常常将缺陷降低到最终测试时芯片会屈服的程度。心理契约．“现在，他们需要将缺陷降低到芯片在离开晶片厂5到10年后仍能继续工作的程度。成品率会影响芯片寿命周期内的可靠性。”
这种不太成熟的10/7/5nm工艺的使用要求汽车IC制造商不仅要管理随机缺陷，而且还要管理不断增加的残余系统缺陷。KLA战略合作高级总监杰伊•拉瑟特(Jay Rathert)表示:“我们必须了解系统缺陷的所有来源，并更快地解决这些缺陷，因为从工艺进入市场到零件进入汽车的时间现在以月为单位，而不是以年为单位。”
连接数据竖井对于更快地学习至关重要。"半导体行业历来非常擅长收集数据，"美国半导体公司半导体事业部副总裁兼总经理Doug Elder说OptimalPlus．“然而，这些数据是非常特定于操作或设备系列的。传统上，这种孤立的数据不容易与其他流程步骤或历史数据相关联。没有通用的数据格式、平台或工具来执行这些分析。然而，随着传感器技术(各种形式)的进步以及数据收集、工程、分析和存储能力的提高，这一切都在改变。”
半导体制造行业的每个人都在改变。“设备传感器通常作为晶圆的单点报告数据，而可靠性受到设备径向性能的影响，随着时间的推移而变化，特别是在晶圆边缘，”英特尔设备智能副总裁Jason Shields说林的研究．“由这些单点传感器组合而成的多变量模型，与产量或在线指标相关，可以成为提高可靠性和产量的强大工具。”
数据分析现在的框架使得连接晶圆厂设备监控、晶圆检查和测试数据成为可能。与任何复杂的系统一样，细节与整体框架同样重要。
传感器:现场测量，检查健康，检查晶圆
半导体制造传感器有几种类型。设备监控传感器可以检查影响制造正确性的设备属性。在晶圆加工过程中，原位传感器在设备中进行测量。在加工晶圆之间，健康检查传感器在设备内部进行测量。检测传感监控器检查生产晶圆是否异常。
Jon Holt, fab应用的高级总监PDF的解决方案，指出设备测量类型和设备传感器数量随着晶圆尺寸和工艺复杂性的增长而增长。看看这些平均数字:
设备传感器以确定的频率采样数据，结果是时间序列图。制造商以原始形式和方程的形式存储这些数据。数学技术提取时间序列图的特征来推导方程。对于大型晶圆制造商来说，一天产生1pb (1015)的传感器数据。
需要大量控制的设备自然需要更多的传感器。例如,EUV光刻设备有上千台。等离子体工具也属于这一类。Holt指出:“等离子体工具上的传感器越来越多，售后公司提供的传感器可以专门针对等离子体工具进行改装。
工程师定期对设备进行健康检查时，有两种选择。一种方法是通过工具运行空白晶圆(即非产品)，并光学扫描其缺陷。另一种方法依靠光学传感器在设备内进行测量。
该公司首席执行官Subhodh Kulkarni表示:“我们的传感器主要用于提高产量和生产率CyberOptics．“由碳化物材料制成，在晶圆加工过程中不应该出现这种物质。它们提供的是诊断信息，而不是现场工艺信息。”
这并不是行业专家所期望的事情会如何发展。Kulkarni表示:“看看我们在过去5年里出货的传感器数量，我们的间隙传感器(用于测量等离子体室电极之间的间距)是我们销量最高的产品。“我们销售的最小容量传感器是我们的粒子传感器。如果你在7、8年前问我，哪一款会卖得最多，我会给出完全相反的预测。”
在晶圆厂内部，粒子计数一直备受关注。这包括尺寸，在晶圆上的位置和发生在每个工艺步骤。但是设备运行状况检查只能提供推测的测量，例如晶圆步骤之间发生了什么。长期用于检测工艺偏差，检查生产晶片是另一种推断的颗粒测量方法。
在寻找异常时，使用光学测量技术。这项技术在历史上一直是在抽样基础上应用的。但有两件事发生了变化——扫描晶圆的技术变得更快了，以及汽车对近乎完美质量的需求现在要求它。
拉瑟特说:“我们过去认为，最终测试是判断一个骰子是否可靠的基本事实。”“我们了解到，我们的在线缺陷信息在帮助确定长期可靠的模具方面同样重要。”
所有这一切加起来，收集了大量数据，这些数据可能与潜在缺陷有关，也可能与潜在缺陷无关，而这正是汽车制造商最担心的问题。
它还与整个供应链的协同推动相辅相成，以跟踪用特定设备制造的设备。公司首席执行官John O 'Donnell表示:“我们越来越重视可追溯性yieldHUB．“你必须能够重新生成晶圆数据，并能够搜索特定的芯片。我们的客户在模块、最终测试和晶圆排序中都有数据。您不可能测试所有内容，但是有了良好的数据，您可以测试一个参数或另一个参数，并从数据中得到一些没有数据就无法得到的东西。您还可以查看数据库的趋势，并远远超出目前可用的内容。这是一个重要的趋势。”
潜在的缺陷来自哪里?
汽车生态系统认识到，需要做更多的工作来发现可靠性缺陷。潜在的缺陷可能被检测为在制造测试期间的电应力或现场故障后的故障。那么是什么原因造成的呢?这些缺陷在设备的什么地方表现出来?怎样才能更快地发现它们呢?
让我们从头说起。影响产品质量的缺陷可能是由于内在或外在的力量造成的。
霍尔特说:“ESD是由材料特性的内在损伤引起的潜在缺陷的代表，了解了缺陷机制，那么你可能会看到像蚀刻器或沉积工具这样的等离子体生成工具。至少就ESD而言，这是潜在缺陷的最重要的产生者之一。”等离子体工具可以影响栅氧化物的完整性和金属互连之间的绝缘层。
“外部缺陷很难发现，”他说。“它们更难找到的原因是这些缺陷往往是随机的。你希望你的在线检查能发现后续的缺陷。”
粒子主要导致这些外部缺陷，这促使使用粒子计数传感器来评估设备和光学扫描仪来检查晶圆。由于后者的速度较慢，工程师通常检查采样的晶圆群。
幸运的是,晶片检查技术发展得越来越快，及时满足了汽车行业的更高期望。拉瑟特表示:“整车厂和一级车厂告诉我们，最终测试和老化不足以阻止所有的泄漏，尤其是潜在的可靠性缺陷。“这促使我们将过去孤立的各个领域的数据融合在一起。因此，在线晶圆厂缺陷数据绝对是未来可靠性解决方案的一部分。”
新的连接带来了使用设备和检测数据的新方法
硅制造设备有助于内在和外在缺陷，在成熟的工艺中，这些缺陷似乎是随机发生的。但正如多位行业专家指出的那样，如果你深入研究来自多个来源的数据，就会发现它们并不一定是随机的。这推动了行业对使用这些数据更快地发现问题并以审慎的方式做出反应的兴趣。
一直专注于设备分析和跨多个制造步骤的分析。
Lam Research的Shields表示:“设备传感器不太可能预测单个模具故障。”“然而，来自设备传感器的数据可用于评估工艺设备的晶圆产量是否满足质量和良率要求。事实上，传感器的灵敏度、数据采集密度和采样频率使模型的构建能够实时评估设备的性能。与传统的计量或电气数据验证相比，这些设备模型能够以更低的成本和更低的周期时间实现更高质量的晶圆。”
然而，这不是一夜之间发生的。硅器件制造商已经从使用SPC图表发展到应用先进的多变量模型。十年前，制造商开始认识到单变量SPC图不能直接应用于设备传感器数据。
“他们开始在传感器数据上实施它，”霍尔特说。“但随着传感器数量的增加和数据采样的增加，即使你实施6-西格玛控制限制(99.97%的可变性)来检测过程中的异常变化，你也会关闭工厂。”
当工程师应用先进的分析设备时，传感器数据可以用来降低缺陷。首先，制造商需要知道要监控哪些传感器数据，而这只能通过下游数据源的反馈来实现，比如跨越多个制造步骤。
埃尔德说:“我们可以从前端设备获取数据并分析这些数据。“然后，我们可以将其与测试数据相关联，并从前端步骤将硅的性能与测试性能/设备参数测试结果进行建模。这已经通过ML模型完成，以帮助预测性能(潜在缺陷，婴儿死亡率等)。”
即使使用健康检查数据，设备制造商也会构建ML模型。“像台积电和三星这样的晶圆厂正在利用这些售后传感器数据做更多的工作，而不仅仅是监控设备，”Kulkarni说。“来自传感器的数据在制造过程中前后传递。他们有自己的高级AI/ML流程。”
反馈来自哪里，在多远的上游或下游?
“这取决于下一个计量点在哪里，”霍尔特说。“有时它直接来自工具后的测量。有些计量是在工具中进行的，比如CMP，有些则是在下游进行的。”
工程师们想知道应该把注意力集中在哪些传感器上。有了领域专业知识，工程师可以识别出明显的问题。使用ML技术，更复杂的数据分析可以指向不太明显但有影响力的传感器。
所有生产晶圆的晶圆检测数据为满足汽车高质量和可靠性的零部件筛选提供了新的途径。在可靠性风险较大的层上，晶圆厂正在这样做。拉瑟特说:“他们将使用高速检测仪，在可靠性关键层上100%地检查晶圆，寻找异常晶圆，并越来越多地寻找单个异常晶圆，特别是如果你将它们的缺陷集中在几个层上。”
零件平均测试筛选方法现在已经上升到晶圆检查步骤。此外，检查所有晶圆可以使生产测试和现场故障追溯到相关的晶圆工艺步骤。
结论
工艺复杂性促使设备制造商增加设备传感器采样和扫描异常晶圆，而可靠性仍然是汽车集成电路的挑战。这两个世界现在已经融合在一起。
时间零点和现场故障的原因是众所周知的。将设备产生的原因与故障联系起来需要建模。10年前，要找出哪些传感器重要是不可能的。工程师们既没有计算能力，也没有建模技术，无法在复杂的半导体制造设施中大海捞针。
连接多个数据源之间的数据，并使用机器学习技术主动识别要修复的问题，筛选缺陷或修改测试流程，已经引起了整个半导体行业的关注。
“毫不奇怪，设备制造商正在增加对大数据管理和数据科学团队的投资，以开发在线模型，评估每片晶圆的质量，”Lam的Shields说。“工艺设备供应商正在与设备制造商合作，使预测设备模型能够以与传统计量方法相同或更低的风险和成本提供所需的晶圆质量。”
对智能制造框架的投资可以实现跨制造步骤的数据共享，并提供反馈，从而创建一个持续学习系统。还有更多的工作要做。PDF的霍尔特说:“目前还没有人在这些方法上取得100%的成功。“如果我们想要达到10亿分之10的汽车可靠性标准，我们必须变得更加成功。”
KLA的拉瑟特对此表示赞同。“我们必须跨域合并数据。所有人都齐心协力来完成这项工作。”
有关的故事
|
|
|
|
|
|
|
|
|
|
留下回复