半导体制造数据中工艺参数的动态调整

Question

我有来自半导体的工艺参数数据，manufacturing.and的要求是建议工艺参数的最佳参数调整，以获得更好的成品率，即高成品率的最佳途径。哪种机器学习/Statistical模型最适合这一需求

注意:我已经考虑过使用决策树，它可以给我们提供高收益的最佳路径。

我想知道任何其他更有效的方法。

数据就像lotno x1 x2 x3 x4 x5 yield(%)

<95%的收益率为0，>95%的为1

Answer 1

我对这里的问题不是很确定，但作为一名前半导体工艺工程师，以下是我如何看待成品率提高方法的观点。

流程开发。DOE:通常，我会运行结构化DOE来理解我的流程(#4)。我会首先确定“潜在的”“因素”，并运行各种“筛选”实验，以确定统计意义。这里的目标基本上是确定统计上最显着的(就此而言，是最不显着的)因素。因此，这些实验本质上是简单的，低#的“水平”并不以理解响应面的曲率为目标，它们只是寻找响应随因子的大小变化。一般来说，我最关心的是‘过程’因素，但重要的是要认识到，变量输入的影响可能不仅仅来自“机器旋钮”。变量可能来自1)人，2)环境(湿度，温度等)，3)消耗品(在过程中使用)，4)设备(在此工具上为40磅/平方英寸，在不同工具上为40磅/平方英寸) 4)过程变量设置。

对于最具统计意义的因素，我将使用主要因素运行更详细的DOE，并分析这些数据以开发一个模型。这里通常使用更多的“级别”，以便通过分析来洞察响应面的曲率。这里有许多类型的标准实验设计结构。而且有专门为进行这种分析而设置的软件，例如JMP。

从这里开始，我们的想法是生成一个响应=F(因子)形式的模型。这使您可以根据这些因素从本质上优化响应，其中响应反映了您的让步标准。

在这里，工程师通常会执行具有优化因子的确认运行，以确认优化的响应。

请注意，软件分析通常允许工程师阐明任何运行顺序依赖关系。DOE的执行通常以随机化单元方式执行。(每个“细胞”是实验的一组条件)。类似地，这些实验包括一定程度的重复，以衡量“系统”的“重复性”。这种包含可以是显式的(将同一单元运行两次)，但设计中也存在一定程度的可重复性，因为您运行的是多个单元，尽管设置不同。但一般来说，实验包括明确重复的细胞。

最后是可制造性的概念，它包括时间、成本、物理限制、设备能力等的约束。(理想的过程效果很好，但它需要10年的时间，花费100万美元，并且需要工具能力之外的计划设置。)

由于您有制造业数据，希望您也有捕获其他类型因素(1,2,3)的数据，因此您应该专门分析数据以尝试识别这些影响。这通常是作为A与B的比较来完成的。人员A与B，工具A与B，消耗品A与B，消耗品批次A与B，夏季与冬季，等等。基本上，您可以在这里设想各种类型的比较，并检查两组人群之间的统计差异。

关于回应的评论:什么是产量标准？您应该知道这一点，以便制定模型。对于半导体，我们既有生产线良率(工艺良率)，也有器件良率。我假设对于您的工作，您主要关心的是线路成品率。因此，将因子(从1,2,3,4)中的可变性最小化以实现所需的响应(具有最小可变性的目标响应)是主要目标。

先进过程控制( APC )在许多情况下，无论出于什么原因，都会有显著的趋势；糟糕的工具控制(工具加热)，糟糕的消耗品(目标材料磨损，抛光垫磨损，化学浴加载，等等)，所以这里的想法是如何根据之前的历史调整下一批/批次/晶片。要么改进制造以避免/最小化这种趋势(运行顺序依赖)，要么调整工艺以适应它以实现所需的响应。

午餐时间到了，希望你发布的这篇helps...if关于具体的流程模块类型，甚至设备和消耗品，我也许能提供更多的见解。