Oradores :
Jiaping Shen, ingeniero de soporte de procesos, materiales aplicados
El tema del discurso:
Aplicación del análisis JMP DOE y optimización del modelado para predecir la tasa de crecimiento del silicio epitaxial
Resumen del discurso:
En la fabricación de semiconductores, el silicio epitaxial se utiliza ampliamente en sustratos de obleas, pMOS SiGe, nMOS SiP, relleno de zanjas y otras aplicaciones. La tasa de crecimiento de la capa de silicio epitaxial se verá afectada por múltiples pasos y múltiples parámetros del proceso. Para construir un modelo de predicción tan fuertemente interactivo de manera más eficiente, necesitamos una evaluación DOE exhaustiva y completa y el diseño de un DOE altamente ortogonal. Este proyecto utiliza datos históricos sobre las tasas de crecimiento del silicio epitaxial como punto de partida para la evaluación del diseño. Para construir modelos predictivos, esta estructura de datos históricos tiene un poder débil, una baja eficiencia D, una pobre uniformidad de diseño y una alta correlación de efectos y varianza de predicción. Durante el modelado, el algoritmo paso a paso de RSM es inestable debido a la falta de libertad del modelo, lo que da como resultado una repetibilidad deficiente del modelo e intervalos de confianza demasiado amplios para los puntos de diseño óptimos. Además de esto, se observaron dos pares de interacciones fuertes en el modelo RSM: un par de interacciones puede atribuirse a la alta correlación entre los efectos mientras que el otro par de interacciones está relacionado con el mecanismo competitivo del proceso. Luego se realiza el diseño de tolerancia utilizando un diseño robusto y simulación Monte Carlo, y se utiliza un perfilador de espacio de diseño para el análisis de asignación de tolerancia para simular requisitos tecnológicos futuros. Para mejorar la estructura DOE existente y optimizar el modelo de predicción con un costo mínimo, no adoptamos un nuevo DOE, sino que utilizamos el método de diseño mejorado para mejorar la estructura DOE existente a través de tres métodos: (1) eliminar datos no ortogonales; (2) Algoritmo de mejora predeterminado; (3) Algoritmo de mejora central. A través de un diseño de mejora muy completo, JMP recomendó los cuatro mejores puntos de datos de mejora, lo que en última instancia mejoró la estructura del DOE, mejoró en gran medida la eficiencia de utilización de los datos históricos y acortó significativamente el ciclo y el costo de desarrollo del proceso.
