Ist es möglich, eine plasmaunterstützte chemische Gasphasenabscheidung (PECVD) mit nur 25 Testwafern zu optimieren? Auf jeden Fall! Bei der Halbleiterherstellung sind Einschränkungen wie ein 25-Wafer-Durchlauf auf einem Werkzeug üblich, aber sie müssen den Erfolg nicht einschränken. Die Nutzung von Prozessdaten zur Information des Versuchsdesigns ist eine erfolgreiche Strategie, um mit begrenzten Ressourcen effektive Ergebnisse zu erzielen.
Die Versuchsplanung (Design of Experiments, DOE) ist der Goldstandard für die Leistungsoptimierung von Geräten oder Werkzeugen, die zur Herstellung von Halbleiterbauelementen verwendet werden. Für die Durchführung eines effektiven Experiments ist ein gut durchdachter Datenerfassungsplan erforderlich, der die erforderlichen Informationen zur Verbesserung der Werkzeugleistung liefert und gleichzeitig die Budgetbeschränkungen einhält.
Halbleiterfabriken verarbeiten Hunderte bis Tausende von Halbleiterbauelementen (Chips) auf einem einzigen Siliziumwafer. Die Herstellung eines Wafers kann etwa drei Monate und tausend Prozessschritte dauern. Experimente mit vielen Wafern können kostspielig sein, was die Herstellungszeit und -kosten angeht, und es kann zum Verlust von Chips kommen, die nicht verkauft werden können. Aufgrund dieser Kosten ist die Anzahl der Testwafer, die für Experimente in einer Halbleiterfabrik zur Verfügung stehen, häufig begrenzt.
In unserem Szenario hat ein Prozessingenieur die Aufgabe, ein PECVD-Werkzeug zu optimieren, das einen isolierenden Film auf einem Wafer abscheidet. Dazu verwendet unser Ingenieur experimentelle Daten aus einem DOE, um ein statistisches Modell des Prozesses zu entwickeln, mit dem das Werkzeug angepasst werden kann, um eine gewünschte Abscheidungsdicke und -gleichmäßigkeit zu erreichen. Unser Prozessingenieur ist auf eine Charge von 25 Testwafern beschränkt, um das Experiment durchzuführen. Jeder Wafer stellt einen Test oder Durchlauf in einem PECVD-Experiment dar.
Es gibt Dutzende von Variablen, die die Dicke und Gleichmäßigkeit eines Abscheidungsfilms in einem PECVD-Werkzeug steuern. Experimente mit vielen Faktoren erfordern viele Wafer, wenn eine DOE-Datenerfassungsstrategie verwendet wird. Wenn wir beispielsweise davon ausgehen, dass das Werkzeug in unserem Experiment 10 einstellbare kontinuierliche Variablen hat und alle 10 Variablen miteinander interagieren, würde das Experiment mindestens 56 Testwafer erfordern, um ein Regressionsmodell zu erhalten. Da nur 25 Wafer verfügbar sind, muss unser Ingenieur die Faktorenliste auf die wichtigsten vier eingrenzen.
Glücklicherweise haben nur eine Handvoll der unserem Ingenieur zur Verfügung stehenden Steuerelemente oder Variablen einen großen Einfluss auf die Dicke und Gleichmäßigkeit der Ablagerung. Welche der vielen Variablen sind wichtig? Welche Variablen interagieren? Welche haben einen kurvenförmigen Beitrag zur Dicke der Ablagerung? Was ist der beste Weg, um aus einer großen Anzahl von Optionen die Variablen auf diejenigen einzugrenzen, die für den Erfolg des Experiments entscheidend sind?
Die Beantwortung all dieser Fragen ist mit den in JMP und JMP Pro verfügbaren Prozessdaten und Tools möglich. Der folgende Prozess kann als Leitfaden dienen.
Auf Grundlage seines Verständnisses der Geschäftsziele, seiner praktischen Erfahrung und der Physik hat unser Ingenieur das Ziel verfeinert und eine nützliche Liste von Antworten und Faktoren erstellt.
|
Ziel: Definieren Sie ein PECVD-Tool-Rezept, das mit nicht mehr als 25 Wafern eine gleichmäßige isolierende Abscheidungsschicht von 6500 Å erreicht.
|
 |
 |
Als nächstes besteht das Ziel darin, anhand von Beobachtungsdaten sowohl Faktoren als auch Modellterme für unser DOE-Regressionsmodell auszuwählen. Die Auswahl der Modellterme ist eine Motivation für die Verwendung eines Regressionsansatzes anstelle anderer maschineller Lernstrategien.
Es ist wichtig zu beachten, dass Faktoren in Beobachtungsdaten nicht manipuliert werden. Sie werden auf dem Niveau festgelegt, das der Prozess erfordert. Es gibt jedoch genügend Schwankungen im Prozess, sodass mit der richtigen Modellierungsstrategie Signale von Faktoren beobachtbar sind. Wenn eine Regression mit kleinsten Quadraten verwendet wird, wird ein Koeffizient für jeden Term im vorgeschlagenen Modell bestimmt. Herauszufinden, welche Terme wichtig sind, wenn alle einbezogen werden, ist eine Herausforderung. Probleme mit Beobachtungsdaten, wie z. B. Multikollinearität, können die Sache noch schwieriger machen. Die verallgemeinerte Regressionspersönlichkeit in JMP Pro bietet Termauswahltechniken, die bei der Verwendung von Beobachtungsdaten effektiver sind.
Bei der Verwendung einer Regression muss die Wahl des Ausgangsmodells überlegt werden. In unserem Fall bietet ein Response Surface-Modell einen guten Ausgangspunkt, da Wechselwirkungen und Krümmungsterme erwartet werden. In dieser Übung werden Lasso- und Elastic Net-Schätzstrategien mit Strafen verwendet. Bei beiden Methoden können einige Koeffizienten als Null geschätzt werden, was sie bei der Termauswahl nützlich macht.
Beide Schätzmethoden erzielen laut AICc ähnliche Ergebnisse. AICc- und BIC-Statistiken sind nützlich, wenn die Modellanpassung für andere Methoden als die Standardmethode der kleinsten Quadrate beurteilt wird. Modelle mit einer Differenz von vier, wobei niedriger besser ist, sind wünschenswert.
Viele der Modellterme wurden auf Null abgewertet. Von den verbleibenden Termen hat unser Ingenieur die Top 10 ausgewählt, die nach Walds Chi-Quadrat-Wert bewertet wurden. Dies ist das Quadrat des Schätzwerts/Standardfehlers. Walds Chi-Quadrat ist ein Maß für das Signal-Rausch-Verhältnis der Terme im Modell. Die verbleibenden Terme haben ein relativ niedriges Signal-Rausch-Verhältnis und sollten nicht für Experimente in Betracht gezogen werden.
Die statistische Rangfolge sollte nur ein Teil der Betrachtung sein. Prozessverständnis und experimentelle Einschränkungen sollten ebenfalls berücksichtigt werden. Da Faktoren nicht absichtlich manipuliert werden, ist es möglich, dass die Prozessdaten nicht genügend Variationen enthalten, um alle signifikanten Terme zu erfassen. Es ist auch möglich, dass einige signifikante Terme für Experimente nicht praktikabel sind. In unserem Beispiel waren Daten für den Wechsel elektrostatischer Spannfutter verfügbar. Ein elektrostatisches Spannfutter hält den Wafer, während er verarbeitet wird. Das Wechseln eines Spannfutters in einem randomisierten Experiment mit nur 25 Wafern ist oft nicht praktikabel. Auch der Druck ist ein signifikanter Faktor mit signifikanten Wechselwirkungen im Modell, aber er ist eine Funktion des Gasflusses. Der Druck kann aus dem Experiment herausgelassen werden, da bekannt ist, dass der Gasfluss berücksichtigt wird. Schließlich erscheint der Abstand im Quadrat nicht in der Rangfolge, wurde aber aufgrund von Erfahrungswerten einbezogen. Insgesamt hat das Verständnis unseres Ingenieurs für den Prozess die Anzahl der Terme und die Anzahl der Durchläufe für das Experiment reduziert.
Das letzte Experiment, ein benutzerdefiniertes Vier-Faktor-Design, erfordert nur 21 Durchläufe! Es gibt vier zusätzliche Wafer. Eine gute Wahl ist, den Designer die verbleibenden vier Durchläufe optimal auswählen zu lassen, indem er die benutzerdefinierte Option im Designer auf 25 setzt.
Zusammenfassend lässt sich sagen, dass Prozessdaten, Prozesskompetenz und die verallgemeinerte Regressionsplattform in JMP Pro in Situationen mit begrenzten Ressourcen zu effektiven Ergebnissen bei der Optimierung von Halbleiterwerkzeugen führen können.
