Est-il possible d'optimiser un dépôt chimique en phase vapeur assisté par plasma (PECVD) avec seulement 25 plaquettes de test ? Absolument ! Dans la fabrication de semi-conducteurs, des contraintes telles qu'un cycle de 25 plaquettes sur un outil sont courantes, mais elles ne doivent pas nécessairement limiter le succès. L'exploitation des données de processus pour éclairer la conception des expériences est une stratégie gagnante pour obtenir des résultats efficaces avec des ressources limitées.
La conception d'expériences (DOE) est la référence absolue pour optimiser les performances des équipements ou des outils utilisés pour fabriquer des dispositifs à semi-conducteurs. La réalisation d'une expérience efficace nécessite un plan de collecte de données bien pensé qui génère les informations nécessaires pour améliorer les performances des outils tout en respectant les limites budgétaires.
Les usines de fabrication de semi-conducteurs fabriquent des centaines, voire des milliers de dispositifs semi-conducteurs (matrices) sur une seule plaquette de silicium. La fabrication d'une plaquette peut prendre environ trois mois et un millier d'étapes de processus. Les expériences impliquant de nombreuses plaquettes peuvent être coûteuses en termes de temps et de dépenses de fabrication, ainsi que de perte de toute matrice qui ne peut être vendue. En raison de ces coûts, il est courant d'avoir des limites sur le nombre de plaquettes de test disponibles pour effectuer des expériences dans une usine de fabrication de semi-conducteurs.
Dans notre scénario, un ingénieur de procédé est chargé d'optimiser un outil PECVD qui dépose un film isolant sur une plaquette. Pour ce faire, notre ingénieur utilisera les données expérimentales d'un DOE pour développer un modèle statistique du procédé qui peut être utilisé pour ajuster l'outil afin d'obtenir l'épaisseur et l'uniformité de dépôt souhaitées. Notre ingénieur de procédé est limité à un lot de 25 plaquettes de test pour réaliser l'expérience. Chaque plaquette représente un test ou une exécution dans une expérience PECVD.
Il existe des dizaines de variables qui contrôlent l'épaisseur et l'uniformité d'un film de dépôt dans un outil PECVD. Les expériences avec de nombreux facteurs nécessitent de nombreuses plaquettes lors de l'utilisation d'une stratégie de collecte de données DOE. Par exemple, si nous supposons que l'outil de notre expérience comporte 10 variables continues réglables et que les 10 variables interagissent entre elles, l'expérience nécessiterait un minimum de 56 plaquettes de test pour obtenir un modèle de régression. Avec seulement 25 plaquettes disponibles, notre ingénieur doit réduire la liste des facteurs aux quatre premiers.
Heureusement, seule une poignée de contrôles ou de variables à la disposition de notre ingénieur ont un impact important sur l'épaisseur et l'uniformité du dépôt. Parmi ces nombreux paramètres, lesquels sont importants ? Quelles variables interagissent ? Quelles sont celles qui ont une contribution curvilinéaire à l'épaisseur du dépôt ? Quelle est la meilleure façon de réduire les variables d'un large ensemble d'options à celles qui sont cruciales pour le succès de l'expérience ?
Il est possible de répondre à toutes ces questions grâce aux données de processus et aux outils disponibles dans JMP et JMP Pro. Le processus suivant peut servir de guide.
En s’appuyant sur une compréhension des objectifs commerciaux, de l’expérience pratique et de la physique, notre ingénieur a affiné l’objectif et élaboré une liste utile de réponses et de facteurs.
|
Objectif : Définir une recette d'outil PECVD permettant d'obtenir une couche de dépôt isolante uniforme de 6 500 Å avec pas plus de 25 plaquettes.
|
 |
 |
Ensuite, l’objectif est d’utiliser les données de processus d’observation pour sélectionner à la fois les facteurs et les termes du modèle pour notre modèle de régression DOE. La sélection des termes du modèle est une motivation pour utiliser une approche de régression au lieu d’autres stratégies d’apprentissage automatique.
Il est important de noter que dans les données d'observation, les facteurs ne sont pas manipulés. Ils sont définis au niveau requis par le processus. Cependant, il existe suffisamment de fluctuations dans le processus pour que le signal des facteurs soit observable avec la bonne stratégie de modélisation. Si la régression des moindres carrés est utilisée, un coefficient est déterminé pour chaque terme du modèle proposé. Déterminer quels termes sont importants lorsque tous sont inclus est un défi. Les problèmes liés aux données d'observation, tels que la multicolinéarité, peuvent rendre les choses encore plus difficiles. La personnalité de régression généralisée de JMP Pro offre des techniques de sélection de termes qui sont plus efficaces lors de l'utilisation de données d'observation.
Lors de l'utilisation de la régression, le choix du modèle de départ nécessite un certain raisonnement. Dans notre cas, un modèle de surface de réponse constitue un bon point de départ car des interactions et des termes de courbure sont attendus. Des stratégies d'estimation pénalisées par lasso et par filet élastique sont utilisées dans cet exercice. Dans les deux méthodes, certains coefficients peuvent être estimés à zéro, ce qui les rend utiles dans la sélection des termes.
Les deux méthodes d'estimation fonctionnent de manière similaire selon l'AICc. Les statistiques AICc et BIC sont utiles pour évaluer l'adéquation du modèle à des méthodes autres que les méthodes standard des moindres carrés. Les modèles avec une différence de quatre, où une valeur plus faible est meilleure, sont souhaitables.
De nombreux termes du modèle ont été pénalisés à zéro. Parmi les termes restants, notre ingénieur a choisi les 10 premiers classés par le khi-carré de Wald, qui est le carré de l'estimation/erreur standard. Le khi-carré de Wald est une mesure du rapport signal/bruit pour les termes du modèle. Les termes restants ont un rapport signal/bruit relativement faible et ne doivent pas être pris en compte pour l'expérimentation.
Le classement statistique ne doit être qu'une partie de la considération. La compréhension du processus et les limites expérimentales doivent également être prises en compte. Étant donné que les facteurs ne sont pas délibérément manipulés, il est possible que les données du processus ne contiennent pas suffisamment de variation pour saisir tous les termes significatifs. Il est également possible que certains termes significatifs ne soient pas pratiques à expérimenter. Dans notre exemple, les données étaient disponibles pour les changements de mandrin électrostatique. Un mandrin électrostatique maintient la plaquette pendant son traitement. Le changement de mandrin dans une expérience randomisée, avec seulement 25 plaquettes, n'est souvent pas réalisable. De plus, la pression est un facteur important avec des interactions significatives dans le modèle, mais elle est fonction du débit de gaz. La pression peut être exclue de l'expérience sachant que le débit de gaz est inclus. Enfin, l'espacement au carré n'apparaît pas dans le classement mais a été inclus sur la base de l'expérience. Dans l'ensemble, la compréhension du processus par notre ingénieur a réduit le nombre de termes et le nombre d'exécutions de l'expérience.
L'expérience finale, une conception personnalisée à quatre facteurs, ne nécessite que 21 exécutions ! Il y a quatre plaquettes supplémentaires. Une bonne option consiste à laisser le concepteur personnalisé choisir les quatre exécutions restantes de manière optimale en définissant l'option spécifiée par l'utilisateur sur 25 dans le concepteur personnalisé.
En résumé, les données de processus, l’expertise des processus et la plate-forme de régression généralisée de JMP Pro peuvent conduire à des résultats efficaces pour l’optimisation des outils de semi-conducteurs dans les situations où les ressources sont limitées.
Bonjour, est-ce que ce cours propose des cours vidéo ? Merci !
