2016-09-08
應用BigData分析 創造半導體製程技術優化條件
應用BigData分析 創造半導體製程技術優化條件
2016/09/08 02:49-DIGITIMES企劃
晶圓製程持續優化，目前主流製程已來到20nm線寬水準，進階製程更挑戰10nm或是更小線寬要求，微縮後的電子電路對比現實環境的頭髮僅有萬分之一的寬度，不僅小小的誤差就會導致成本良率問題，艱鉅的製程優化只能藉由大數據技術追蹤改善...
電子產品持續追求輕、薄、效能與電池續航力等要求下、半導體製程持續進行對應優化，半導體晶圓製程自20nm進階縮小至10nm，甚至挑戰更小的半導體線寬設計，持續追求半導體製程優化下，各種自材料面、製造面可能遭遇的技術挑戰也越來越艱難，必須在整個製程中導入更科學化的優化技術，才能讓半導體製程持續挑戰更小的線寬製作需求。
半導體廠導入數據分析、優化製程
其實早在2000年，半導體廠早已導入各種數據蒐集與分析技術，進行半導體、晶圓製程的優化工作，透過掌握製程控制的每項參數、變因進行製程的持續優化，挑戰進階製程下的半導體物理極限。
但隨著自動化生產器械在IoT、工業自動化趨勢下，透過大量感測器裝載與實時監控，能在加工機台透過製作過程擷取的生產設備數據已經有數倍、甚至數十倍成長，加上半導體晶圓動輒千道製作程序，加工設備與材料對應產生的數據量已不可同日而語，在優化製程使用傳統的分析工具已無法達成目標，必須導入新一代因應大數據特性優化的分析工具才能達到優化製程目的。
但現實的狀況是，在初期導入數據分析透過生產階段的設備、材料等數據，在以「秒」計的持續彙整下，單一產線累積的區段資料已經相當高，產線為了追一個數據影響跑對應的分析處理一般都要花上一週時間才能獲得結果，在資料採集技術、分析工具限制下，當時產線數據難以轉至大量分析處理數據的層次，頂多只能作問題分析與小幅優化的工作，這種狀況直到2010年做有導入各種大數據、大資料分析技術，在數據化分析生產數據的效益才逐漸產生。
早期數據分析應用有限 優化進階製程效益受限
另一方面，早期數據分析做的不夠多、但仍可優化部分製程的關鍵在於，早期製程可能是對應40nm以上的半導體晶圓製作，可以這麼說，製作的電子電路線寬與現在的20nm甚至是10nm以下製程要求更寬鬆，製程優化難度差異大，早期即便沒有大數據分析優化生產數據，仍可利用有限的分析工具與電子生產技術改善製程良率，但隨著製程技術不斷探索新的極限與發展可能，舊的方法與優化技術已遭遇發展瓶頸，或可以說是根本行不通了。
再來檢視現有的製程現況，如果以12吋晶圓製程、現有生產數據採集技術進行產線數據擷取，以現有感測器部署方案進行生產資料採集，一般每秒可達到超過100萬筆資料以上，早期每個重點生產機台設置的感測器約在500個終端左右，現在一部高階製程使用的設備機台，部署的感測器終端會超過數千組以上，產生的設備數據採集資料量會更為驚人，採用土法煉鋼的方式逐批分析數據已經不可行，甚至會錯失發現關鍵數據資訊的重要機會，導致更嚴重的商業損失。
新製程線寬挑戰物理極限 大數據分析找出優化關鍵
然而，挑戰新的微縮製程，就有如挑戰新的物理極限，每一次製程進展，即會在研發階段遭遇到以前沒有碰過的問題，此時，大數據分析可以在相關現況還不明朗的限制下，先用數據分析找出可能的設備或製程優化的機會點，尤其在先進製程的發展初期，生產數據的採樣與進階分析，即便無法在數據探索階段找到製程解法，但仍可從無間斷的重複採樣、歸納發掘可能的數據Pattern，進而持續縮小查找分析範圍、將製程問題逐步收斂進而發覺到重點優化數據，大數據分析可以說是拿來收斂問題、甚至解決製程問題的重要工具。
從一開始自產製設備採集的生產數據，資料量大在所難免，因為數據不夠細緻、不足量，分析資料跨距就會因為過大反而錯失發現資料線索的關鍵，而在資料量小的早期製程分析需求，或許可以利用統計工具進行數據的優化與結果收斂，但新一代製程與設備數據採集，不僅數據跨距更精密、數據更多，設備一開機所匯出的數據即以誇張速度增長，使用基本的統計工具已經很難進行數據處理。
尤其是矽晶圓製程動輒對材料進行近千道甚至超過千次的加工處理程序，製程又橫跨數個加工站點，甚至製作程序也不是逐道進行，有時還會回流處理、甚至回流至與原先不同的上游工站進行材料處理，這對於資料採集、彙整與後續分析時，還需參照對應的工作站資料節點進行追蹤分析，以便於對生產流程做全面完整的數據分析。
DIGITIMES中文網 原文網址: 應用BigData分析 創造半導體製程技術優化條件 http://www.digitimes.com.tw/tw/dt/n/shwnws.asp?cnlid=13&cat=10&id=0000480330_H8744H0W2BFVHB1KF75AR#ixzz4JcXPh1VG
