Die Oberflächenrauheit ist ein wichtiges Maß für die Fehlerquote in der Halbleiter- und Displayindustrie, da die Oberflächenrauheit die elektrische Leistung des Geräts beeinträchtigt und seine Lebensdauer beeinträchtigt. Während des Bearbeitungsprozesses können die Ursachen für das Versagen des Oberflächenrauheitsprozesses variieren. Aufgrund des Mangels an effektiven Modellen, die Oberflächenrauheitsindikatoren umfassend bewerten und analysieren können, stehen wir jedoch vor großen Herausforderungen bei der Verbesserung des Prozesses. Ziel dieses Projekts ist die EtablierungDas JMP -Analysepaket verbindet Oberflächenrauheitsmessindikatoren mit Nicht-Normalverteilungsmodellen für eine effiziente Ursachenanalyse und Prozessanpassungen. Dieses Projekt verwendet die JMP Random Simulation- Plattform, um Rauheits-Z-Profildaten zu generieren und diese in sechs nicht-normale Verteilungsmodelle zu unterteilen: (1) normal (2) einheitlich; ) bimodal; (6) Ausreißer (3 %). Es wurden fünf Indikatoren zur Messung der Oberflächenrauheit (Ra, Rz, Rp, Rv, Rk) und acht statistische Parameter berechnet , die die Verteilung beschreiben . Verschiedene Clustering-Methoden, darunter hierarchischer Cluster, K-Mittel-Cluster, Normalmischungen, Clustervariablen, multivariate Korrelation, Hauptkomponentenanalyse und modellgesteuerte Kontrolldiagramme , wurden verglichen, um zu sehen, ob sie sechs nichtnormale Verteilungsmodelle effektiv kombinieren können. Schwanzcluster und diskrete Punkte, und 13 Variablen wurden in Peak-Clustering, asymmetrisches Clustering und Light-Tailed-Clustering unterteilt. Unterscheiden Sie effektiv die Beziehung zwischen Oberflächenrauheitsmessindikatoren und Nicht-Normalverteilungsmodellen und prognostizieren Sie sie. Das JMP-Projekt „ Oberflächenrauheits -Data-Mining “ kann die Ursache von Prozessfehlern effektiv erkennen und so die Prozess-Debugging-Zeit verkürzen. Darüber hinaus haben wir innerhalb des Unternehmens ein starkes funktionsübergreifendes JMP-Team für die Analyse der Oberflächenrauheit aufgebaut, um Datenbanken (Rauheit, Roh-Z- Profile, Rauheitsmessungen, Prozessanpassungen) aufzubauen und Vorhersagemodelle für das gesamte Unternehmen Applied Materials zu entwickeln.
