半導体業界は、歩留まり向上のためのデータ抽出と活用において、大きな課題に直面しています。欠陥ワークショップのミッションの一つは、製造プロセスに起因する製造ウェーハ上の物理的欠陥を特定し、特定することです。これらの欠陥は製品の電気的性能に直接影響を与える可能性があるため、欠陥レベル（ウェーハ1枚あたりの欠陥数）とプロセス間の相関関係をより深く理解する必要性が生じています。これらのプロセスは非常に複雑で、複数のパラメータによって駆動されるため、欠陥との関係は、歩留まり向上とコスト最適化に向けたプロセスチューニングの重要な要素となります。
私の電子ポスターのプレゼンテーションへようこそ。タイトルは「JMP による欠陥プロセスの相関関係の使用」ケース スタディです。
それでは、概要に移り、データの視覚化と操作のさまざまなポイントを確認し、それによってプロセスの変更に関する決定をどのように行うことができるかを見ていきます。
本日はまず、欠陥率についてお話しします。私たちの仕事は、半導体業界におけるウェーハ検査です。工程の中で、基本的に特定のステップにおけるウェーハ上の欠陥数を数えます。これが本日のY軸の主な反応変数となります。この分析では歩留まりの向上を目指しており、グラフビルダーがどのようにそれを実現したかを見ていきます。
まず、データが一目でどのように見えるかを示し、次にさまざまなパラメータを使用して相関分析を実行し、どのパラメータが欠陥数変数に最も影響を与えているかをどのように結論付けることができるかを確認します。
JMPに切り替えて、実際に見てみましょう。これが私のデータセットです。1,000行あり、各行はロット内のウェーハを表しています。つまり、各ロットには25枚のウェーハがあります。各ウェーハには欠陥数の値があり、これが主な変数です。後ほど説明する様々な列が欠陥数にどのように影響しているかを確認したいと思います。
まず最初に、グラフビルダーを使ってデータを一目で視覚化する方法を説明します。グラフビルダーを開き、中央に連続している欠陥数変数をドラッグ＆ドロップすると、外れ値があることがわかります。X軸にロット番号とウェーハ番号を上部に入力します。つまり、ここにある各データポイントが1行を表します。
では、母集団がどのように分布しているかを素早く確認してみましょう。X軸を欠陥数の多い順に並べ替えます。すると、母集団の一部で欠陥数が多いことが分かりました。その理由を特定してみましょう。
表に戻ると、最初のパラメータは、特定のステップのプロセスで使用されたツールです。ここにはツールA、B、Cの3つのツールがあります。この列は、テーブル結合機能を使用してデータセットに追加されました。ここでは使用していませんが、Excelから取得した別のテーブルを使用しています。このテーブルには、基本的にウェーハ番号とロット番号、そして関連するツールが含まれています。2つの列を一致させると、2つのテーブルを結合してツール列を追加できます。
各ウェーハには、それぞれ独自のプロセスツールが関連付けられました。パラメータAについても同様の手順で設定しました。パラメータAはカテゴリ変数ではなく連続変数です。これについては後ほど説明します。ツールに戻り、グラフビルダーに戻って、ツールが欠陥数にどのような影響を与えているかを確認しましょう。Y軸の欠陥数です。ツールをX軸に配置し、プラス記号をクリックすると、ツールがどのように動作するかを確認できます。
もう少し凝った表示にするために、カラーセクションにX変数も追加するのが好きです。拡大表示すると、私のツールが私の3Dツールの中で最高であることがはっきりと分かります。数値を追加したい場合は、Shiftキーを押しながらクリックしてキャプションボックスを追加し、場所セクションでAccessテーブルを選択します。これで、各母集団の平均値を表示できます。
ここで必要なのは、サンプル数、つまり平均値と中央値です。これで、ツールCが母集団として、他のツールの平均値をさらに正確に表していることが確認できます。
これが最初の要素です。ツールCが最も優れており、ツールBが最も劣っていることが分かっています。表に戻って、データセットに含めた連続変数であるパラメータAについても同じことをします。まず、YX適合分析を行います。Y軸に欠陥数、X軸にパラメータAを入力します。
これで二変量分析が行われます。「OK」をクリックして拡大表示すると、2つの変数に何らかの相関関係があることがわかりますが、明確ではありません。300未満、例えば300～400と400以上の3つのセクションを視覚的に識別できます。これら3つのカテゴリを区別し、3つの関係性に基づいて分析を行う方法を説明します。ここでは列を使用できます。
ユーティリティにはビニング式機能があり、パラメータA列の直後に新しい列を作成し、値を動的に選択して母集団を分離できます。私も同じことをしました。300と400についても同じことを行い、後で使用する75などのより狭いビンについても再度同じことをしました。これでカテゴリ変数が作成されました。これで、ビットYをXで分析し、欠陥数を再び入力して、ピン列を使用して一元配置分析を行うことができます。
ここで考慮すべき点は、最も問題のあるツールを特定し、特定のツールにおける欠陥数の変化を確認したいということです。そこで、ローカルデータフィルターを追加し、ツールでフィルターを適用します。これで、この列で分析するツールを選択できることがわかります。ここでも、ズームインして何が起こっているかをよりよく確認し、平均学生t検定を比較してみるのが興味深いでしょう。
ここで、パラメータ A がツール B では 300 未満の場合に欠陥数に良い影響を与えていることが分かります。他のツールでは、円が一緒になっているのに対し、ここでは非常に離れているため、それほど重要ではありません。
続けて、別のパラメータも確認してみましょう。設定方法をお見せします。特定のツールについて、特定の日付から異なる設定が行われたことがわかります。この情報をテーブル、つまりデータセットに作成するには、グラフビルダーを使って動的に行います。つまり、欠陥数を再度入力します。
今回はロット番号とウェーハ番号だけでなく、ウェーハが検査された時刻を表す検査時刻列を使用します。これは日付変数なので、日付と時刻の機能を使って、新しい変数（月、年、すみません、これもカテゴリ変数です）に変換します。こうすることで、グラフビルダーに入力して検査月を確認できるようになります。
ツールを分離したいので、ツールにもローカルフィルターを追加したいと思います。ツールBについては、2023年9月以降、パラメータBに新しい設定が適用されていることが分かっています。これはここからです。ここでこれらのポイントを選択すると、データセット内で選択されます。
ここでは246行が選択されています。これで行名選択列を使用できるようになりました。これにより、選択された値が設定AまたはBで、もう1つが選択されている新しい列パラメータBが作成されます。これで、別のグラフビルダー（すみません、こちらです）を作成できます。少し凝ったものです。
しかし、2Bの設定に色を入れると、列パラメータBの設定Aが設定されていることがわかります。これは、列パラメータBが列内の名前選択機能を使って作成されたためです。これは興味深い点です。このツールでは、変更後、バリエーションが大幅に改善されているように見えるからです。
すべてのパラメータを検討したので、意思決定に役立つサマリーグラフの作成方法をご紹介します。これがグラフです。基本的に、Y軸に欠陥数を、X軸にすべての列を結合し、パラメータAのビニングを0.75と狭く設定しています。ここで興味深いのは、すべての効果を同時に確認できることです。
ツールCが最も優れていることがわかります。ツールBは設定Bでは最も効果が低いツールでした。設定AではツールBの効果が大幅に改善されます。また、各ツールにおいて、パラメータAが増加すると効果数も増加していることがわかります。300未満であれば、問題ないようです。
スライドに戻ると、ここで全てがまとめられています。基本的な母集団からパラメータを分離し、それらが欠陥数変数にどのように影響するかを調査しました。これにより、プロセスパラメータに関する決定を下し、プロセスと歩留まりを改善することができました。最悪のツール（つまりツールB）におけるパラメータBについて、最適な設定、つまり設定Aを選択しました。このツールでもパラメータAを300に制限しました。
このように、グラフ ビルダーと主にグラフ ビルダーと少しの ANOVA を使用して、最適なプロセスを特定し、欠陥の歩留まりを向上させます。
