AI가 결함 패턴 분석을 통해 반도체 웨이퍼 수율을 최적화하는 방법

반도체 제조는 현존하는 가장 복잡하고 비싼 생산 공정 중 하나입니다. 각각 엄격한 사양을 가진 수백 개의 공정 단계가 빈 실리콘 웨이퍼를 수백 또는 수천 달러 가치의 디바이스로 변환합니다. 웨이퍼당 양호한 다이의 비율인 수율은 수익성을 직접 결정합니다. 단 1퍼센트 포인트의 수율 개선조차도 대량 생산 팹의 경우 연간 수백만 달러를 의미할 수 있습니다.

결함 감지는 철저합니다. 자동화된 검사 도구는 중요한 공정 단계 후 웨이퍼를 스캔하고 감지된 모든 결함의 위치, 크기, 유형을 기록합니다. 도전 과제는 결함을 찾는 것이 아니라 무엇이 결함을 야기하는지 이해하는 것입니다. 그것이 AI 패턴 분석이 필수적인 이유입니다.

결함 맵과 공간 패턴

결함이 웨이퍼 맵에 표시될 때, 종종 특정 근본 원인을 나타내는 패턴을 형성합니다. 웨이퍼 가장자리 근처의 결함 고리는 척(chuck) 문제나 가스 흐름 비균일성과 같이 중심부와 다르게 주변부에 영향을 미치는 장비 문제를 시사합니다. 특정 위치의 결함 클러스터는 장비의 입자 원천을 나타낼 수 있습니다. 레티클 필드에 걸쳐 반복되는 패턴은 리소그래피 결함을 가리킵니다.

경험 많은 수율 엔지니어는 일반적인 패턴을 인식하지만, 현대 팹의 데이터 양은 수동 분석을 압도합니다. 각 웨이퍼는 잠재적으로 수천 개의 결함이 있는 결함 맵을 생성합니다. 각 로트에는 25개의 웨이퍼가 포함됩니다. 팹은 주당 수백 개의 로트를 처리합니다. 그 잡음 속에서 신호를 찾으려면 계산적 지원이 필요합니다.

AI가 근본 원인을 식별하는 방법

AI 기반 수율 분석 시스템은 웨이퍼 결함 맵을 자동으로 패턴 범주로 분류합니다. 시스템은 수십 가지 공간 시그니처를 인식하고 각각을 잠재적 근본 원인과 연결하는 법을 배웁니다. 클러스터링 알고리즘은 웨이퍼와 로트에 걸쳐 유사한 패턴을 그룹화하여, 여러 웨이퍼에 일관되게 영향을 미치는 시스템적 문제를 식별합니다.

AI는 또한 결함 패턴을 공정 데이터와 상관시킵니다. 각 웨이퍼는 모든 공정 단계의 완전한 이력을 운반합니다. 온도, 압력, 가스 흐름, 시간, 장비 식별자가 그것입니다. AI가 특정 공정 매개변수 편차와 상관관계가 있는 결함 패턴을 식별할 때, 근본 원인을 특정 단계와 장비로 좁힙니다.

이상 변동(Excursion) 감지

만성적 수율 손실 외에도, AI는 무언가 잘못되었음을 나타내는 갑작스러운 수율 하락인 수율 이상 변동을 잡아냅니다. 시스템은 들어오는 결함 데이터를 실시간으로 모니터링하고 예상 기준선과 비교합니다. 결함 밀도나 패턴 특성이 정상적인 변동을 넘어 이동할 때, 패턴 분석에 기반한 의심되는 근본 원인과 함께 경고를 트리거합니다.

공정 중인 웨이퍼는 완성에 몇 주가 걸리기 때문에 조기 이상 변동 감지는 매우 중요합니다. 조기 감지 없이는 오늘 시작된 문제가 최종 수율 데이터에 나타나기 전에 몇 주의 생산에 영향을 미칠 수 있습니다.

가상 계측(Virtual Metrology)

AI는 또한 공정 데이터로부터 측정 결과를 예측함으로써 시간이 많이 걸리는 계측의 필요성을 줄입니다. 모든 단계에서 모든 웨이퍼를 측정하는 대신, AI는 공정 조건에 기반하여 측정 결과를 예측하고 예측된 결과가 비정상적인 웨이퍼만 표시합니다. 이는 품질 보증을 유지하면서 계측 병목 현상을 줄입니다.

고급 제조에서의 AI에 대한 자세한 내용은 FirmAdapt 제조 분석 페이지를 방문해 주십시오.