Amélioration de la productivité de la fabrication de semi-conducteurs

Réduction des coûts de fabrication des semi-conducteurs.

Analyse des données extraites des équipements de production et amélioration de la productivité sur la base de l'analyse.

Ce cas d'utilisation se compose des trois thèmes suivants. 1. Prise en charge de l'analyse de la cause de la défaillance basée sur les modèles de carte de plaquette Au stade final de la fabrication du semi-conducteur, chaque puce sur une plaquette est testée et un modèle des puces défaillantes réparties sur la plaquette est produit. L'analyse de la cause de la défaillance est effectuée sur la base du modèle et de l'historique d'utilisation des dispositifs de fabrication. L'analyse s'appuie sur les quatre technologies suivantes. 1.1 Regroupement des motifs de carte de plaquette Le regroupement des motifs de carte de plaquette est effectué afin d'avoir une vue d'ensemble de l'occurrence de la défaillance. Comme il y a 200 000 wafers par mois, un algorithme de clustering rapide est nécessaire pour fournir rapidement des informations aux ingénieurs. En utilisant des k-means ++ évolutifs, le processus de clustering est 72,5 fois plus rapide que la méthode précédente. 1.2 Estimation de la cause basée sur l'exploration de modèles Si la défaillance d'un dispositif de fabrication particulier se produit fréquemment dans l'historique d'une tranche appartenant à un cluster de cartes de tranches et que la défaillance du dispositif se produit rarement dans l'historique d'autres tranches, alors le dispositif est susceptible d'être le cause de la panne. Les candidats pour la cause de la panne et leurs probabilités sont calculés sur la base du nombre d'occurrences des combinaisons des dispositifs rapidement comptés par un algorithme d'exploration de modèles FPGrowth et classés par le test du chi carré. 1.3 Classification de la carte de plaquette basée sur CNN Une carte de plaquette est classée en cartes de plaquette typiques enregistrées afin de surveiller la récurrence de la défaillance. La précision de la classification (score F1) avec SVM était de 0,898. En utilisant CNN, la précision est améliorée à 0,95. 1.4 Portail Web pour l'analyse du rendement Les informations fournies par les technologies ci-dessus sont affichées dans un portail Web. Le portail a amélioré le temps d'analyse moyen de six heures à deux heures. 2. Classification automatique des images au microscope électronique à balayage (SEM) des défauts Les tests des plaquettes sont effectués non seulement au stade final de la production, mais également entre les processus, où le résultat des processus précédents est vérifié. L'un des tests est la classification d'images d'aspects microscopiques des défauts observés au MEB. Trente mille images sont prises quotidiennement. Il s'agit d'un test important car la classe d'un défaut peut fournir des informations précieuses pour l'estimation de la cause. Auparavant, la classification était effectuée de manière semi-automatique par un ingénieur avec un outil à fonction de classification. Cependant, la charge de travail humaine était relativement élevée car la capacité des outils était assez limitée. Grâce à CNN, le nombre de catégories de défauts classables automatiquement a considérablement augmenté. Aujourd'hui, le taux d'automatisation est de 83 %, contre 49 %. 3. Analyse de la cause de variation d'une valeur caractéristique de qualité Dans l'opération Yokkaichi, la cause de la variation d'une valeur caractéristique de qualité est identifiée et le rendement est maintenu par des contre-mesures. Pour une identification rapide, diverses données, y compris les paramètres de processus et les mesures de capteur d'un appareil de fabrication, sont stockées dans une base de données. Par conséquent, le nombre d'attributs devient énorme au moment de l'achèvement de la production. Il n'est pas rare que le nombre d'attributs soit bien supérieur au nombre de produits à analyser, parfois par plusieurs commandes. En utilisant la régression Lasso pour les données avec 23 600 attributs et 303 produits, un modèle de régression prédisant une valeur caractéristique de qualité a été construit, avec sélection automatique des caractéristiques. Les tâches d'identification des causes des ingénieurs sont également prises en charge par un diagramme de réseau qui visualise la structure causale des entités sélectionnées. De ce fait, le temps moyen d'analyse passe de sept jours à un jour. Cette proposition est basée sur l'initiative de collecte de cas d'utilisation promue par la Société japonaise d'intelligence artificielle (JSAI).