Bagaimana AI Mengoptimalkan Yield Wafer Semikonduktor Melalui Analisis Pola Cacat

Manufaktur semikonduktor adalah salah satu proses produksi paling kompleks dan mahal yang ada. Ratusan langkah proses, masing-masing dengan spesifikasi ketat, mengubah wafer silikon kosong menjadi perangkat bernilai ratusan atau ribuan dolar. Yield, persentase die yang baik per wafer, secara langsung menentukan profitabilitas. Bahkan satu poin persen peningkatan yield dapat berarti jutaan dolar per tahun bagi pabrik fab volume tinggi.

Deteksi cacat dilakukan secara menyeluruh. Alat inspeksi otomatis memindai wafer setelah langkah proses kritis dan mencatat lokasi, ukuran, dan jenis setiap cacat yang terdeteksi. Tantangannya bukan menemukan cacat melainkan memahami penyebabnya. Di sinilah analisis pola berbasis AI menjadi sangat penting.

Peta Cacat dan Pola Spasial

Ketika cacat diplot pada peta wafer, mereka kerap membentuk pola yang menunjukkan akar penyebab tertentu. Cincin cacat di dekat tepi wafer memberi petunjuk adanya masalah peralatan yang memengaruhi bagian tepi secara berbeda dari bagian tengah, seperti masalah chuck atau ketidakseragaman aliran gas. Sekelompok cacat di lokasi tertentu mungkin menunjukkan sumber partikel di peralatan. Pola yang berulang lintas medan reticle menunjuk pada cacat litografi.

Insinyur yield berpengalaman dapat mengenali pola umum, tetapi volume data di pabrik fab modern membanjiri analisis manual. Setiap wafer menghasilkan peta cacat dengan potensi ribuan cacat. Setiap lot berisi 25 wafer. Pabrik memproses ratusan lot per minggu. Menemukan sinyal di tengah noise tersebut membutuhkan bantuan komputasi.

Bagaimana AI Mengidentifikasi Akar Penyebab

Sistem analisis yield berbasis AI mengklasifikasikan peta cacat wafer ke dalam kategori pola secara otomatis. Sistem belajar mengenali puluhan tanda tangan spasial dan mengaitkan masing-masing dengan akar penyebab potensial. Algoritma clustering mengelompokkan pola serupa lintas wafer dan lot, mengidentifikasi masalah sistemik yang memengaruhi banyak wafer secara konsisten.

AI juga mengkorelasikan pola cacat dengan data proses. Setiap wafer membawa riwayat lengkap dari setiap langkah proses: suhu, tekanan, aliran gas, waktu, dan identifier peralatan. Ketika AI mengidentifikasi pola cacat yang berkorelasi dengan deviasi parameter proses tertentu, ia mempersempit akar penyebab ke langkah dan peralatan tertentu.

Deteksi Excursion

Selain kehilangan yield kronis, AI menangkap excursion yield, yaitu penurunan yield mendadak yang menunjukkan adanya masalah. Sistem memantau data cacat yang masuk secara real-time dan membandingkannya dengan baseline yang diharapkan. Ketika densitas cacat atau karakteristik pola bergeser di luar variasi normal, sistem memicu peringatan dengan dugaan akar penyebab berdasarkan analisis pola.

Deteksi excursion dini sangat penting karena wafer yang sedang diproses membutuhkan beberapa minggu untuk selesai. Tanpa deteksi dini, masalah yang dimulai hari ini dapat memengaruhi produksi berminggu-minggu sebelum muncul di data yield akhir.

Metrologi Virtual

AI juga mengurangi kebutuhan akan metrologi yang memakan waktu dengan memprediksi hasil pengukuran dari data proses. Alih-alih mengukur setiap wafer di setiap langkah, AI memprediksi hasil pengukuran berdasarkan kondisi proses dan menandai hanya wafer yang hasil prediksinya anomali. Hal ini mengurangi kemacetan metrologi sambil tetap menjaga jaminan kualitas.

Untuk informasi lebih lanjut tentang AI dalam manufaktur canggih, kunjungi halaman analisis manufaktur FirmAdapt.