半導体製造は、現存する最も複雑で高価な生産プロセスの一つです。それぞれが厳しい仕様を持つ何百ものプロセスステップが、空のシリコンウエハを数百ドルから数千ドル相当のデバイスに変換します。歩留まり、つまりウエハ1枚あたりの良品ダイの割合は、収益性を直接決定します。歩留まりがわずか1%向上するだけでも、大量生産ファブにとっては年間数百万ドルの収益を意味することがあります。
欠陥検出は徹底的に行われます。自動検査ツールは重要なプロセスステップの後にウエハをスキャンし、検出されたすべての欠陥の位置、サイズ、種類を記録します。課題は欠陥を見つけることではなく、何がそれを引き起こしているかを理解することです。ここでAIによるパターン分析が不可欠になります。
欠陥マップと空間パターン
欠陥がウエハマップ上にプロットされると、特定の根本原因を示すパターンを形成することがよくあります。ウエハの端付近に欠陥のリングが現れる場合、チャックの問題やガス流の不均一性など、中心とは異なる影響を周辺部に与える装置の問題が示唆されます。特定の場所での欠陥のクラスターは、装置内のパーティクル発生源を示している可能性があります。レチクルフィールドにわたって繰り返されるパターンは、リソグラフィ欠陥を指し示します。
経験豊富な歩留まりエンジニアは一般的なパターンを認識できますが、現代のファブにおけるデータ量は手作業による分析を圧倒します。各ウエハは数千の欠陥を含む可能性のある欠陥マップを生成します。各ロットには25枚のウエハが含まれます。ファブは週に数百ロットを処理します。そのノイズの中からシグナルを見つけるには、計算機による支援が必要です。
AIによる根本原因の特定方法
AIベースの歩留まり分析システムは、ウエハ欠陥マップを自動的にパターンカテゴリーに分類します。システムは数十の空間的サインを認識し、それぞれを潜在的な根本原因と関連付けることを学習します。クラスタリングアルゴリズムは、ウエハやロット間で類似のパターンをグループ化し、複数のウエハに一貫して影響を与える系統的な問題を特定します。
AIはまた、欠陥パターンとプロセスデータを相関させます。各ウエハには、すべてのプロセスステップの完全な履歴が記録されています。温度、圧力、ガス流、所要時間、装置識別子などです。AIが特定のプロセスパラメータの逸脱と相関する欠陥パターンを特定すると、根本原因を特定のステップと装置に絞り込みます。
異常変動の検出
慢性的な歩留まり損失だけでなく、AIは歩留まり異常変動、つまり何かに問題が発生したことを示す突然の歩留まり低下も検出します。システムは入ってくる欠陥データをリアルタイムでモニタリングし、期待されるベースラインと比較します。欠陥密度やパターンの特性が通常のばらつきを超えて変化した場合、パターン分析に基づいた疑わしい根本原因とともにアラートを発します。
異常変動の早期検出は極めて重要です。なぜなら、処理中のウエハは完成までに数週間かかるからです。早期検出がなければ、今日始まった問題が、最終的な歩留まりデータに現れる前に数週間分の生産に影響を与えてしまう可能性があります。
仮想計測
AIはまた、プロセスデータから測定結果を予測することで、時間のかかる計測の必要性を低減します。すべてのウエハをすべてのステップで測定する代わりに、AIはプロセス条件に基づいて測定結果を予測し、予測結果が異常なウエハだけにフラグを立てます。これにより、品質保証を維持しながら計測のボトルネックを削減できます。
先進的な製造業におけるAIの活用についての詳細は、FirmAdapt製造業分析ページをご覧ください。