利用传感器数据提高产量和正常运行时间

半导体设备供应商开始在他们的工具中添加更多的传感器，以努力提高晶圆厂的正常运行时间和晶圆产量，并降低拥有成本和芯片故障。

从这些工具中收集的大量数据有望提供比过去更多的关于多种类型和变化来源的详细信息，包括变化发生的时间和地点，以及设备故障发生的时间和原因。结合现场设备故障的数据，以及设计布局和验证在美国，现在有可能创建一个详细的时间表，记录芯片是如何设计、制造的，以及在这个过程中出现了什么问题。反过来，这可以用于改进质量，识别潜在的缺陷来源，并增加过程的效率。

“我们有机会使用来自我们自己实验室的数据，并与客户合作，将我们的数据与他们的数据结合起来，使我们的工具更加可靠，并使半导体资本设备预测性维护的梦想成为现实，”Rick Gottscho说林的研究．“这已经被承诺和谈论了几十年，你可以看到其他行业也在发生这种情况。在我们的行业中，这可能是一场斗争，但这是必然的。”

这相当于半导体制造业发生了翻天覆地的重大变化。例如，不仅仅是检查或测试模具，还可以收集来自数百万个模具的所有数据，并从中挖掘模式和偏差。但它也需要重新思考各种操作是如何以及何时完成的，以及为什么它们有时会导致缺陷，这可能会影响长期存在的做事方式。虽然在商业方面可能会有一笔意外之财，但要实现这一目标可能会引发一些动荡。

“设备在晶圆厂的操作方式，以及在晶圆厂的维护方式，都将受到影响，”戈特肖说。“客户显然会更加重视公司的数据产品是什么，他们的数据战略是什么，以及它如何与他们自己的战略保持一致。这对整个行业来说是一个巨大的挑战。你总是听说数据就是一切，谁拥有数据谁就有很大的优势。这有点过于简单，但人们从字面上理解，所以有一种倾向，试图囤积数据。这对每个人来说都是适得其反的。我们必须找到共享数据的方法，这样公司才能保持竞争优势。数据非常有价值，但同样有价值的是领域知识。挑战在于调整数据，知道如何过滤、按摩数据，并将其转化为对给定应用程序有用的东西，这都是关于领域知识的。”

因此，尽管从更多地方连续收集数据的好处是显著的，但要实现全部好处可能需要一段时间。

该公司首席技术官David Fried表示:“该设备具有传感器，可以分析工具操作数据并监控晶圆过程。Coventor．“例如，传感器和数据日志正在收集有关哪个晶圆进入哪个腔室的信息，以及机器人手臂在任何时间点的位置等。所有这些数据都必须进入一个可以实时收集和分析的系统。这还只是一台设备的数据。在晶圆厂里，你有很多这样的设备，然后你有各种各样的其他设备和不同的工艺。这是一个巨大的大数据挑战，你真正想做的是从这些数据中学习。”

变异
这种分析的主要目标之一是变异在整个供应链中，这是一个越来越成问题的问题，而且往往很难确定。半导体制造中一直存在变化，但随着先进节点和先进封装的公差收紧，以及芯片越来越多地用于汽车、医疗和工业等安全关键市场，了解其来源变得越来越重要。这种变异可以包括一切EUV扫描仪是用来测定薄膜中材料的纯度的，否则就会出现完全随机的误差。结果也可能因生产的方式和地点以及用于开发这些芯片的材料供应链的控制程度而有所不同。

“所有工艺工具都增加了总体变化，”英特尔半导体技术和战略董事总经理里贾纳•弗里德(Regina Freed)表示应用材料．关键部件是关键尺寸均匀性(CDU)覆盖和线边粗糙度(LER)光刻技术，以及CDU和加载从沉积和蚀刻。可以使用蚀刻和材料改性技术来降低LER，这对转向EUV的客户非常有帮助。但在3nm的情况下，这还不足以产生产量。所有这些变化都会转化成一个边缘布置错误问题。因为我们要处理系统和非系统的变化，把这个考虑进去制造设计(DFM)是不够的。这就是为什么我们与客户密切合作，以实现新的创新模式方案，目标是使用材料工程来消除EPE错误。”

如果没有足够的数据来建立一个更紧密的分布，以显示导致异常数据点的原因，这些问题尤其难以追踪。

“零缺陷成功的一个较大障碍是所谓的潜在缺陷，”英特尔高级主管罗布•卡佩尔(Rob Cappel)表示心理契约．“这些缺陷的大小或位置可能最初不会破坏模具，或者它们可能位于模具的未经测试的区域，这是复杂soc中日益严重的问题。结果，有风险的模具通过了电气测试并逃逸到供应链中。高热量、高湿度和高振动的苛刻汽车环境有时会激活这些潜在的缺陷，导致过早失效。长期以来，该行业一直依靠电气测试作为剔除坏模具的方法，但潜在缺陷通过电气测试，因此需要其他方法来阻止成本较低的源头附近的漏口。业界估计，每通过一层集成，逃逸成本就会增加10倍，从而强烈推动人们发现晶圆厂潜在的缺陷。可变性是潜在可靠性缺陷的一个重要来源——特别是任何类型的光刻图型相关的可变性，如CD、覆盖、线边缘粗糙度和局部光刻可变性。这些变化的来源可能并且确实会造成部分空洞或桥，然后在极端的汽车操作环境中可能会破裂。蚀刻(部分蚀刻)和CMP (CMP碟形)的任何图案问题也是如此。”

共享数据日益增长的价值
使用更多的传感器来自晶圆厂内部工具的数据可以对许多这些问题产生很大的影响，但这些数据也需要放在其他数据的背景下，例如芯片布局和结构、设计和材料。实际上，它必须包括更广泛的供应链。虽然流程对于某些设备来说可能已经足够成熟，但是新的流程节点和更新的技术，例如印刷电子产品与过去相比，我们需要更多不同种类的数据。实际上，该行业并没有停滞不前，需要为所有内容开发新的工具和数据源。

“对于金属复合结构(可能是油墨)，故障往往是机械的，”苹果设备工程和产品开发总监瑞安·吉德(Ryan Giedd)说布鲁尔科学．“最严重的问题是长期漂移。这有两个部分。一是质量控制。基本上，你需要在同一时间以同样的方式测试每个传感器。第二部分是了解设备在现场的表现。与我们一起工作的大多数人都非常乐于合作，因为他们希望确保一切顺利。但我们也想弄清楚如何让它变得更好，有时这需要我们回到比任何人想要解决漂移问题更远的地方。从环境中的杂质到基材或屏障层，各种因素都可能导致漂移。”

来自所有这些步骤的数据也需要放在上下文中。事物需要断裂才能理解它们是如何断裂的以及为什么断裂的。

“我们从非破坏性测试开始，因为我们有x射线，所以我们可以检查模块和组件，看看我们认为出了问题的地方是否真的出了问题，”Gert Jørgensen说三角洲的ASIC。“然后我们尝试对装配模块或组件进行破坏性测试，以找到根本原因。这通常是不同类型的失败。它可以是电子，静电放电，闪电，电压过高-我们在电子元件中看到的不同失效机制。”

走向预测分析
过去，由于两个主要原因，有关制造和现场故障的数据供应不足。首先，一些大型数据挖掘公司对半导体行业产生的数据量嗤之以鼻，尤其是与云中的数据挖掘相比。其次，由于竞争原因，晶圆厂对他们从运营中收集的数据高度保密。

过去几年发生了很多变化，而且这些变化还在继续演变。首先，在前沿节点上竞争的代工厂越来越少，而且它们的工艺现在也有了很大的不同。此外，晶圆代工厂已经认识到，要想大批量生产芯片，他们需要与他们的客户更紧密地合作EDA和知识产权供应商和他们的顶级客户。因此，数据开始比过去更加自由地流动，随着更多的传感器被添加到工具甚至芯片本身，数据流将会增加。

“这不仅仅是质量问题，”苹果公司企业技术研究员迈克尔•舒尔登弗雷(Michael Schuldenfrei)表示最优+．“这也是一个制造成本问题。你可以提高产量，减少废料。在汽车行业，我们使用人工智能要做检查．但我们也使用数据来预测电子组装的故障，特别是在焊接方面。”

这里的最终目标是预测分析，可以在工具和流程产生问题之前对其进行调整。但这又增加了另一种复杂性。虽然拥有更多的数据是件好事，但并非所有的数据都是好的。

“如果你没有很好的数据，就很难进行预测分析，”facebook营销副总裁戴维·帕克(David Park)说PDF的解决方案．“这不仅仅是这个行业的问题。对于电池，您可能会在出现故障之前看到峰值。在那之后你可能有50个周期没有失败，这可能告诉你你现在还有一个月的时间。这对车队来说很好，因为它们永远不会停止使用。但如果你没有好的数据，你就需要好的学习模型。我们看到一家大型半导体公司的根本原因分析似乎是一个随机错误。但是，如果您可以进行多变量分析，您就可以发现人类永远无法发现的东西并防止失败。这让你找到了一个你永远不会发现的共性，因为有太多的数据。如果你搜索这个，你可能会发现15次中有8次是随机失败的。”

这就是人工智能开始发挥作用的地方，因为它可以快速从数据中识别出可以用于特定目的的模式。

应用材料公司副总裁Sanjay Natarajan表示:“我们正在将人工智能植入我们的设备，以更好地处理数十亿比特的数据。”“工具有传感器和执行器收集数据并对数据做出反应，在大多数系统中，这是通过算法实现的。新兴的人工智能功能最终将实现一种推理方法，其中数据可用于训练和推断，因此该工具将根据检测到的数据领域进行相应调整。”

这为之前出现的模式提供了可见性。

纳塔拉扬说:“你也可以看到，事情比用算法来解决要好。”“我们能获得的训练数据的绝对数量令人难以置信。这些工具日复一日地生成这些数据，收集重要的输入和输出，并且真的不需要理解从输入到输出的动态，因为数据被添加到训练引擎中。然后，这可能会导致这些信息被用于前馈模式，以控制材料的厚度或相位，或者何时停止工具。这可以控制工具以及晶圆片的质量和变化。”

该公司副总裁Ira Leventhal说，这种方法也可以用于为小批量和更有针对性的应用定制工艺效果显著的新概念产品主动性。“标准的数学优化会导致次优调度，”他说，并补充说，未来需要基于深度强化学习的调度来利用这些数据。

图1:深度强化学习。来源:效果显著

更细粒度，更集成
这里的关键是理解数据如何应用于制造的特定部分，这可能涉及多步骤操作中的一个步骤，以及它如何影响其他步骤。由于各种原因，这种跨工具、跨流程的数据更像是一种方向声明，而不是今天的现实。首先，它需要从刚刚在现场测试的新设备中提取数据。因此，对于无人驾驶汽车中的人工智能系统来说，除了目前的模拟和各种类型的一次性测试方法之外，没有足够的真实世界数据。

展望未来，挑战将是理解运行设备的数据，特别是在各种用例下对信号和数据进行各种类型的芯片监控，然后在整个供应链中循环这些数据。所有这些数据都需要在如何使用的背景下进行精简和理解，这又增加了所有这些的复杂性。

“在芯片领域，数据太多了，”英特尔首席执行官鲁珀特•贝恩斯(Rupert Baines)表示UltraSoC．“关键是拥有低成本的智能和低成本的过滤，以大幅减少数据量。如果你只是用2GHz时钟和64位总线对信号进行愚蠢的采样，你就可以在一个单道中达到每秒100千兆比特的速度。所以你说的是太字节或拍字节很快。为了将大量数据转化为高价值的智能信号，智能的局部滤波是绝对必要的。”

这在制造方面和芯片层面都是如此。

“我们可以收集来自每种工具的每一点信息，但随后你还需要将其与内联的每一块集成在一起计量，在线缺陷检查分类，在线电气测试，一直到全功能测试，”科文特公司的弗里德说。“所以你有所有这些不同的数据源。第一类问题是大数据问题——将所有数据转换成可用的结构和格式，因为我们正在处理来自大量不同格式的大量数据源的大量数据。解决格式问题听起来并不困难，但想想沉积工具中的温度传感器与为CMP工具提供料浆槽中的浆液pH监测器。这是一种不同类型的数据，用不同的方法，用不同的单位。只是将其转换成一种可以对数据集进行操作的格式，这是一个巨大的大数据问题。”

这个问题需要在其他大量数据的背景下解决。所以，虽然每个人都想要更好的数据，更好的洞察，更好的数据，得到更好的数据并不是微不足道的。

-苏珊·兰博对此报道也有贡献。