わずか 25 枚のテスト ウェーハでプラズマ化学気相成長 (PECVD) を最適化することは可能でしょうか? もちろんです! 半導体製造では、ツールで 25 枚のウェーハを実行するなどの制約が一般的ですが、成功を制限する必要はありません。プロセス データを活用して実験設計に情報を提供することは、限られたリソースで効果的な結果を得るための優れた戦略です。
実験計画法 (DOE) は、半導体デバイスの製造に使用される装置やツールのパフォーマンスを最適化するためのゴールド スタンダードです。効果的な実験を実行するには、予算の制限内でツールのパフォーマンスを向上させるために必要な情報を生成する、よく考えられたデータ収集計画が必要です。
半導体工場では、1 枚のシリコン ウェーハ上で数百から数千の半導体デバイス (ダイ) を処理します。ウェーハの製造には、約 3 か月と 1,000 のプロセス ステップを要します。多数のウェーハを使用する実験では、製造時間と費用がかさむだけでなく、販売できないダイが失われることもあります。これらのコストのため、半導体工場で実験を実行するために使用できるテスト ウェーハの数には制限があるのが一般的です。
このシナリオでは、プロセス エンジニアは、ウェハー上に絶縁膜を堆積する PECVD ツールを最適化することを任されています。これを実行するため、エンジニアは DOE の実験データを使用して、ツールを調整して目的の堆積厚さと均一性を達成するために使用できるプロセスの統計モデルを開発します。プロセス エンジニアは、実験を実行するために 25 個のテスト ウェハーの 1 ロットに制限されています。各ウェハーは、PECVD 実験の 1 つのテストまたは実行を表します。
PECVD ツールの堆積膜の厚さと均一性を制御する変数は数十個あります。DOE データ収集戦略を使用する場合、多くの要因を伴う実験には多くのウェーハが必要です。たとえば、実験のツールに 10 個の調整可能な連続変数があり、10 個の変数すべてが相互に作用すると仮定すると、回帰モデルを取得するには実験で最低 56 個のテスト ウェーハが必要になります。使用できるウェーハは 25 個しかないため、エンジニアは要因リストを上位 4 つに絞り込む必要があります。
幸いなことに、エンジニアが利用できる制御や変数のうち、堆積の厚さと均一性に大きな影響を与えるものはほんの一握りです。多くの変数のうち、どれが重要ですか? どの変数が相互作用しますか? 堆積の厚さに曲線的な影響を与えるのはどれですか? 多数のオプションから、実験の成功に不可欠な変数に絞り込む最適な方法は何ですか?
これらすべての質問に答えることは、JMP および JMP Pro で利用可能なプロセス データとツールによって可能です。次のプロセスはガイドとして役立ちます。
当社のエンジニアは、ビジネス目標、実践経験、物理学の理解に基づいて目標を絞り込み、有用な対応と要因のリストを作成しました。
|
目標: 25 枚以下のウェーハで均一な 6500 Å の絶縁堆積層を実現する PECVD ツール レシピを定義します。
|
 |
 |
次に、観測プロセス データを使用して、DOE 回帰モデルの要因とモデル項の両方を選択することが目標です。モデル項の選択は、他の機械学習戦略の代わりに回帰アプローチを使用する動機です。
観測データでは因子が操作されていないことに注意することが重要です。因子はプロセスに必要なレベルに設定されます。ただし、プロセスには十分な変動があるため、適切なモデリング戦略を使用すれば因子からのシグナルを観察できます。最小二乗回帰を使用すると、提案されたモデルのすべての項の係数が決定されます。すべての項が含まれている場合にどの項が重要であるかを判断するのは困難です。多重共線性などの観測データの問題により、状況はさらに困難になる可能性があります。JMP Pro の一般化回帰パーソナリティは、観測データを使用するときにより効果的な項選択テクニックを提供します。
回帰を使用する場合、開始モデルの選択にはある程度の推論が必要です。この場合、相互作用と曲率項が予想されるため、応答曲面モデルが適切な開始点となります。この演習では、Lasso および Elastic Net のペナルティ付き推定戦略が使用されます。どちらの方法でも、一部の係数はゼロとして推定できるため、項の選択に役立ちます。
どちらの推定方法も、AICc では同様に機能します。AICc と BIC の統計は、標準の最小二乗法以外の方法のモデル適合性を評価するときに役立ちます。差が 4 のモデル (低いほど良い) が望ましいです。
モデル項の多くは、ペナルティがゼロになっています。残りの項のうち、当社のエンジニアは、推定値/標準誤差の二乗である Wald カイ二乗でランク付けされた上位 10 項目を選択しました。Wald カイ二乗は、モデル内の項の信号対雑音の尺度です。残りの項は信号対雑音が比較的低いため、実験の対象とはなりません。
統計的なランキングは、検討事項の一部に過ぎません。プロセスの理解と実験の制限も考慮する必要があります。要因は意図的に操作されていないため、プロセス データにすべての重要な項を捕捉するのに十分な変動が含まれていない可能性があります。また、いくつかの重要な項は実験に実用的ではない可能性もあります。この例では、静電チャックの交換に関するデータが利用可能でした。静電チャックは、処理中にウェーハを保持します。ランダム化実験で、ウェーハが 25 枚しかない場合、チャックを交換することは多くの場合実行可能ではありません。また、圧力はモデル内で重要な相互作用を伴う重要な要因ですが、ガス流量の関数です。ガス流量が含まれていることがわかっているため、圧力を実験から除外できます。最後に、間隔の 2 乗はランキングには表示されませんが、経験に基づいて含まれています。全体として、エンジニアのプロセスに対する理解により、項の数と実験の実行回数が削減されました。
最後の実験である 4 因子カスタム デザインでは、実行回数は 21 回だけです。追加のウェーハは 4 枚あります。カスタム デザイナーでユーザー指定オプションを 25 に設定して、残りの 4 回の実行をカスタム デザイナーが最適に選択できるようにすることが適切な選択です。
要約すると、プロセス データ、プロセスの専門知識、および JMP Pro の一般化回帰プラットフォームは、リソースが限られている状況で半導体ツールの最適化に効果的な結果をもたらすことができます。
こんにちは、これにはビデオ授業がありますか？ ありがとうございます！
