L'industria dei semiconduttori si trova ad affrontare sfide significative nell'estrazione e nell'utilizzo dei dati per migliorare la resa. Una delle missioni del workshop sulla difettosità è individuare e identificare i difetti fisici sui wafer di produzione causati dal processo. Questi difetti possono avere un impatto diretto sulle prestazioni elettriche del prodotto, evidenziando la necessità di una migliore comprensione della correlazione tra i livelli di difettosità (numero di difetti per wafer) e il processo coinvolto. Altamente complessi, questi processi sono guidati da molteplici parametri, il che significa che la loro relazione con la difettosità è un fattore determinante per l'ottimizzazione del processo al fine di migliorare la resa e i costi.
In questo studio di caso, dimostriamo l'efficienza di JMP come strumento per la gestione e la formattazione dei dati dalla raccolta in linea del processo attraverso i seguenti passaggi:
Infine, una visualizzazione chiara dei risultati è estremamente utile per la dirigenza quando si valuta un potenziale cambiamento di processo e si prendono decisioni informate in merito al rapporto costi-rendimento.
Benvenuti alla presentazione del mio poster elettronico, intitolato Utilizzo di JMP per la difettosità per elaborare la correlazione del caso di studio.
Quindi, passando all'astratto, esamineremo i diversi punti della visualizzazione dei dati, della loro manipolazione e vedremo come ciò ci ha permesso di prendere decisioni sui cambiamenti di processo.
Per iniziare oggi, parleremo di difettosità. Il nostro compito è ispezionare i wafer nell'industria dei semiconduttori. Durante il processo, conteremo sostanzialmente quanti difetti abbiamo sul wafer in una fase specifica del processo. Quindi questa sarà la nostra principale variabile di risposta sull'asse Y oggi. Vogliamo migliorare la resa con questa analisi e vedremo come il generatore di grafici ci ha permesso di farlo.
Quindi, per prima cosa mostrerò come appaiono i miei dati a prima vista, poi proveremo a fare un'analisi di correlazione con diversi parametri e vedremo come possiamo concludere quale parametro ha la maggiore influenza sulla nostra variabile di conteggio dei difetti.
Passiamo ora a JMP. Ecco il mio set di dati. Potete vedere che abbiamo mille righe, ciascuna delle quali rappresenta un wafer all'interno di un lotto. Quindi ogni lotto ha 25 wafer. Per ogni wafer abbiamo un valore di conteggio dei difetti, che è la nostra variabile principale. Vogliamo vedere come le diverse colonne che analizzerò più avanti influenzano il conteggio dei difetti.
Innanzitutto, mostrerò come il generatore di grafici può aiutarci a visualizzare i nostri dati a prima vista. Se entriamo nel generatore di grafici e trasciniamo la variabile "conteggio difetti", che è continua al centro, ora posso vedere che ci sono valori anomali. Inserisco sull'asse X il numero di lotto e il numero di wafer in alto. Quindi ogni punto dati qui rappresenta una riga.
Ora voglio vedere rapidamente come è distribuita la mia popolazione. Ordinerò l'asse X in base al conteggio dei difetti in ordine decrescente. Ora possiamo vedere che una certa parte della popolazione è più alta e cercheremo di capire perché.
Tornando alla tabella, abbiamo il primo parametro, ovvero lo strumento utilizzato durante il processo per una fase specifica. Abbiamo tre strumenti, ovvero gli strumenti A, B e C. Questa colonna è stata aggiunta al set di dati utilizzando la funzione di unione delle tabelle. Ho utilizzato un'altra tabella che non ho qui, proveniente da Excel, con fondamentalmente il numero di wafer e il numero di lotto, nonché lo strumento associato. Quando si esegue la corrispondenza tra le due colonne, è possibile unire le due tabelle e aggiungere la colonna relativa allo strumento.
A ogni wafer è ora associato il proprio strumento di processo. Lo stesso è stato fatto con il parametro A, che non è una variabile categorica ma una variabile continua. Ne parlerò più avanti. Tornando agli strumenti, tornando al generatore di grafici, vogliamo sapere come lo strumento influisce sul conteggio dei difetti. Di nuovo, il conteggio dei difetti in Y. Ora posso posizionare lo strumento sull'asse X e cliccare sul riquadro con il segno più per vedere come si comporta.
Mi piace aggiungere anche lo strumento della variabile X nella sezione colore per renderlo un po' più elaborato. Ingrandendo, vedo chiaramente che il mio strumento, vedi, è il migliore tra i miei strumenti 3D. Ora, se voglio accertarmene e aggiungere dei numeri, posso fare clic tenendo premuto Maiusc e aggiungere la casella di didascalia qui e nella sezione posizione selezionare la tabella di accesso. Ora posso visualizzare la media di ogni popolazione.
Ora quello che voglio è il numero di campioni, diciamo la media e la mediana. Questo conferma che lo strumento C come popolazione ha una media ancora maggiore degli altri.
Questo è il primo elemento. Sappiamo che lo strumento C è il migliore e lo strumento B è il peggiore. Tornando alla tabella, vogliamo fare lo stesso per il parametro A, che è una variabile continua che abbiamo incluso nel nostro set di dati. Innanzitutto, possiamo eseguire un'analisi di adattamento YX. Inseriamo il conteggio dei difetti sull'asse Y e il parametro A sull'asse X.
Questo eseguirà un'analisi bivariata. Cliccando su "OK" e ingrandendo, possiamo vedere che le nostre due variabili hanno una sorta di correlazione, ma non è chiara. Siamo in grado di identificare visivamente tre sezioni al di sotto di 300, diciamo tra 300 e 400 e al di sopra di 400. Vi mostrerò come possiamo differenziare queste tre categorie e poi analizzare queste tre relazioni. Possiamo usare le colonne qui.
Le utility offrono una funzione di formula di binning che consente di creare una nuova colonna subito dopo la colonna del parametro A, e di scegliere dinamicamente il valore per separare le popolazioni. Quello che ho fatto io è stato lo stesso. Ho fatto lo stesso per 300 e 400, e poi l'ho ripetuto con i bin più sottili come 75 che userò più avanti. Questo mi crea una variabile categoriale qui. Ora potrò analizzare il bit Y tramite X e inserire nuovamente il conteggio dei difetti e usare la colonna pin qui per eseguire un'analisi unidirezionale questa volta.
Ma quello che devo considerare è che voglio isolare lo strumento peggiore per vedere come si comporta il conteggio dei difetti per uno strumento specifico. Quindi aggiungerò un filtro dati locale e un filtro sullo strumento. Ora puoi vedere che posso selezionare lo strumento che voglio analizzare per questa colonna. Di nuovo, ingrandendo per vedere meglio cosa sta succedendo, la cosa interessante da fare è confrontare i test T di Student.
Ora possiamo identificare che il parametro A ha una buona influenza sul conteggio dei difetti quando è inferiore a 300 per lo strumento B, mentre per gli altri strumenti non è così significativo perché i cerchi qui sono vicini, mentre qui sono molto distanti.
Per continuare, possiamo anche studiare un altro parametro che vi mostrerò come è stato impostato. Quindi sappiamo che per un certo strumento abbiamo una configurazione diversa a partire da una certa data. Per creare queste informazioni nella tabella, nel set di dati, andrò nel generatore di grafici e lo farò dinamicamente. Quindi inserirò di nuovo il conteggio dei difetti.
Questa volta, invece di inserire solo il numero di lotto e il numero di wafer, utilizzerò la colonna "Ora di ispezione", che indica l'ora in cui il wafer è stato ispezionato. Userò la funzione "Data e ora", perché si tratta di una variabile data, e la trasformerò in una nuova variabile "Mese, Anno" (scusate, ma è anch'essa categorica). In questo modo, potrò inserirla nel generatore di grafici per visualizzare il mese di ispezione.
Ora voglio separare gli strumenti, quindi voglio aggiungere anche un filtro locale sugli strumenti. So che per lo strumento B, da settembre 2023 abbiamo una nuova configurazione per il parametro B. Questo è da qui. Ora quello che posso fare è selezionare questi punti qui e questi verranno selezionati nel set di dati.
Qui puoi vedere che ho selezionato 246 righe. Ora posso usare la colonna di selezione del nome delle righe. Questo creerà un nuovo parametro di colonna B con i valori selezionati come configurazione A o B e selezionato l'altro. Ora puoi usare un altro generatore di grafici, scusa, che è questo, che è un po' elaborato.
Ma ora potete vedere che per 2B, quando inserisco il colore nella configurazione, ho la configurazione A per il parametro B, perché ho il parametro di colonna B creato utilizzando la selezione del nome nella funzionalità di colonna. Questo è interessante perché possiamo vedere che per questo strumento sembra che la variazione sia molto migliore da quando è stata modificata.
Ora che abbiamo studiato tutti i nostri parametri, vi mostrerò come ho creato un grafico riassuntivo che può aiutarci a prendere una decisione. Ecco il grafico. In pratica, combiniamo tutte le colonne sull'asse X utilizzando il conteggio dei difetti sull'asse Y con un binning più sottile per il parametro A, quindi 0,75. La cosa interessante ora è che possiamo vedere tutti gli effetti contemporaneamente.
Possiamo vedere che lo strumento C è il migliore. Lo strumento B era il peggiore con la configurazione B. La configurazione A consente un buon miglioramento per lo strumento B. Possiamo anche vedere che per ogni strumento, con l'aumento del parametro A, aumenta anche il conteggio degli effetti. Sotto i 300 sembra abbastanza buono.
Quindi, tornando alle slide, è tutto riassunto qui. Siamo partiti da una popolazione di base e abbiamo cercato di isolare i parametri e studiare come influenzassero le variabili di conteggio dei difetti. Questo ci ha permesso di... Questo ci ha permesso di prendere una decisione sui parametri di processo e di migliorare il processo e la resa. Abbiamo scelto la configurazione, la migliore, la configurazione A per il parametro B sullo strumento peggiore, che è anche lo strumento B. Abbiamo limitato il parametro A a 300 anche su quello strumento.
Ecco come utilizziamo il generatore di grafici e principalmente il generatore di grafici e un po' di ANOVA per identificare e assicurarci di avere il processo migliore e migliorare la resa in termini di difettosità.
