半导体制造产品质量分析应用：从缺陷检测到工艺优化的智能化解决方案

半导体制造产品质量分析应用：从缺陷检测到工艺优化的智能化解决方案

半导体制造过程复杂且良率具有不确定性，这对企业的成本和生产资源利用率产生重要影响。因此，提高半导体制造良率对于企业生存和发展至关重要，而质量分析成为实现这一目标的基础和关键手段。从新产品开发初期的良率突破到量产后保持高水平良率，缺陷检测和改善是必不可少的重要步骤。

应用场景

• 如何在半导体生产过程中快速定位缺陷，并通过分类模型对缺陷进行识别？同时，如何在生产过程中不断积累缺陷数据，并对分类模型进行自动迭代？
• 当缺陷出现时，如何进行相关性分析，找到核心影响因素？如何避免大规模的人工干预，提升分析效率，并通过数据给出量化指标以辅助专业判断？
• 在半导体生产前，如何通过历史数据和当前工艺参数预测产品质量？在生产中，如何通过批次生产过程的数据收集及快速分析，得到生产状况评估，并依据评估进行参数推荐，帮助后续生产进行工艺优化？
• 如何实现快速及精准的器件可追溯性？大型客户要求整个供应链能够精确地跟踪到芯片的问题出现在哪一个机台、哪一片Wafer、哪一个位置。只有跟踪到才能确认出哪个步骤出了问题，所以整个端到端的可追溯性是先进制程需要进一步提升的地方。

通过工业互联网的架构，构建新型质量分析系统，充分利用数据智能的能力对质量进行分析，找到问题关键，对半导体制造商已有的良率系统进行数据支撑和能力补充。

方案优势

• 数据驱动： 充分利用大数据分析以及AI的能力，降低人工依赖。
• 边云协同： 通过工业互联网平台架构，实现边云部署分离，数据协同。
• 功能模组化： 在过程中不断汲取数据，定时对模型进行修正。
• 自动迭代： 充分利用大数据分析以及AI的能力，降低人工依赖。
• 动态设备监控： 通过对高频的设备运行和工艺数据实时采集监控和异常预警；设备系统联动自动化控制；设备稳定性分析；设备停机原因分析判断；设备配方参数集中管理维护等。
• 精准的质量分析： 依据产品质量数据采集和分析，实现从拉单晶、切片、外延到组装实现全生产链的正向品质实时监控预警和反向异常精准追溯理；设备参数、程序、参数自动配方与校验。

方案功能

自动缺陷分类

基于机器视觉和图像识别等AI算法技术训练自动缺陷分类模型，实时根据模型自动识别图片是否正常及标注缺陷的位置和类型。

• 实时数据采集：高性能实时数据采集（SECS/GEM等工业协议）。
• 边缘端实时图像预处理：对图像实时进行各种图像预处理，如剪裁、滤波、反转、分割等。
• 边缘端实时缺陷分类识别标注：根据缺陷分类模型实时判别图片是否正常并标注位置和类型。
• 云端训练缺陷判别模型：利用历史图片及实时图片信息训练，通过图像处理、深度学习等算法，建立缺陷分类模型。
• 模型版本管理：对分类模型进行版本管理。
• 模型发布管理：模型可经过模型发布流程和规则进行自动/审批后发布。

缺陷相关性分析

按批次对产生的各种缺陷关联同批次来自CIM各子系统（SPC，EDC，FDC，YMS，MES等）人机料法环测的数据进行相关度分析（其中可能会用到主成分分析或关键参数分析或其他算法过滤一些参数），同时做相关度大小排序。

• 业务要素数据采集：按批次集人机料法环测数据。
• 业务要素数据预处理：对人机料环数据预处理。
• 工艺参数预处理及筛选：统一量纲、统计分布、参数相关性分析、PLS/PCA/机理等方法筛选重要的工艺参数。
• 缺陷与业务要素关联分析：对缺陷与业务要素使用关联算法做关联度排序，缺陷与设备、物料、环境、生产人员关联的集中性。
• 参数关联分析：对缺陷与业务要素使用关联算法做关联度排序，查看工艺参数的波动性。

工艺参数优化

• 工艺参数分析：工艺参数的数据分析统计min、max、mean、avg、时间序列、UCL、LCL、CL、趋势图，使用PLS/PCA等算法降维做重要工艺参数筛选。
• 工艺数建模优化：利用线性回归或神经网络建立重要工艺参数与质量目标量关系模型，利用最优化算法（如蚁群、遗传算法等）搜索最优工艺参数，同时要保证满足质量标准。
• 高级过程控制：工艺参数推荐到APC/MES实时或手动根据最新参数生产控制。
• 模型版本管理：对模型进行版本管理。
• 模型发布管理：模型可经过模型发布流程和规则进行自动/审批后发布。

SPC统计过程控制

基于WECO rule/GB/T4091—2001的规则，对生产实际工艺参数和量测数据，进行统计UCL、LCL、CL、CP、CPK、X-R、X-S等。

• 海量数据采集：高性能实时数据采集(SECS/GEM，Interface-A)。
• 海量数据存储：支持海量时序数据的写入和查询。
• 工艺指标实时监测：关键工艺指标的实时监测，告警管理。
• 关键输出指标的稳定性控制：统计工艺参数或量测参数UCL、LCL、CL、Max、Min、Mean、CP、CPK、X-R、X-S，统计工艺参Pareto、Stack bar chart、Boxplot、Trend chart、Scatter plot，时间序列等。

虚拟量测VM

利用工艺流程和晶圆状态信息（包括Upstream量测和/或传感器数据）预测工艺后量测结果。使用人工智能算法对芯片制造工艺参数和量测结果进行建模分析，包括厚度、缺陷密度/数量、方块电阻、以及在线电测试结果等。

用蚀刻工艺参数对MOS管Ion进行虚拟测量，使用规则集成算法（Rules Ensemble）来减少变量的数量，然后使用随机森林（Random Forest）来构建具有高预测能力和良好通用性的模型。