25개의 테스트 웨이퍼로 플라즈마 강화 화학 기상 증착(PECVD)을 최적화하는 것이 가능할까요? 물론입니다! 반도체 제조에서 도구에서 25개의 웨이퍼를 실행하는 것과 같은 제약은 흔하지만 성공을 제한할 필요는 없습니다. 제한된 리소스로 효과적인 결과를 얻기 위한 성공적인 전략은 프로세스 데이터를 활용하여 실험 설계를 알리는 것입니다.
실험 계획(DOE)은 반도체 소자를 제조하는 데 사용되는 장비나 도구의 성능을 최적화하기 위한 황금 표준입니다. 효과적인 실험을 실행하려면 예산 제한 내에서 도구 성능을 개선하는 데 필요한 정보를 생성하는 잘 고안된 데이터 수집 계획이 필요합니다.
반도체 팹은 단일 실리콘 웨이퍼에서 수백에서 수천 개의 반도체 장치(다이)를 처리합니다. 웨이퍼를 제작하는 데 약 3개월과 수천 개의 공정 단계가 걸릴 수 있습니다. 많은 웨이퍼를 포함하는 실험은 제조 시간과 비용이 많이 들 수 있으며 판매할 수 없는 다이를 잃을 수도 있습니다. 이러한 비용으로 인해 반도체 팹에서 실험을 실행하는 데 사용할 수 있는 테스트 웨이퍼 수에 제한이 있는 것이 일반적입니다.
우리의 시나리오에서 프로세스 엔지니어는 웨이퍼에 절연 필름을 증착하는 PECVD 도구를 최적화하는 작업을 맡습니다. 이를 위해 엔지니어는 DOE의 실험 데이터를 사용하여 도구를 조정하여 원하는 증착 두께와 균일성을 달성하는 데 사용할 수 있는 프로세스의 통계적 모델을 개발합니다. 프로세스 엔지니어는 실험을 실행하기 위해 25개의 테스트 웨이퍼 로트 하나로 제한됩니다. 각 웨이퍼는 PECVD 실험에서 하나의 테스트 또는 실행을 나타냅니다.
PECVD 도구에서 증착 필름의 두께와 균일성을 제어하는 수십 개의 변수가 있습니다. DOE 데이터 수집 전략을 사용할 때 많은 요인을 가진 실험에는 많은 웨이퍼가 필요합니다. 예를 들어, 실험에서 도구에 조정 가능한 연속 변수가 10개 있고 모든 10개 변수가 서로 상호 작용한다고 가정하면 실험에는 회귀 모델을 얻기 위해 최소 56개의 테스트 웨이퍼가 필요합니다. 사용 가능한 웨이퍼가 25개뿐이므로 엔지니어는 요인 목록을 상위 4개로 좁혀야 합니다.
다행히도 엔지니어가 사용할 수 있는 제어 또는 변수 중 소수만이 증착 두께와 균일성에 큰 영향을 미칩니다. 그 중 어떤 것이 중요할까요? 어떤 변수가 상호 작용할까요? 증착 두께에 곡선적으로 기여하는 것은 무엇일까요? 많은 옵션 세트에서 실험의 성공에 중요한 변수로 변수를 좁히는 가장 좋은 방법은 무엇일까요?
이러한 모든 질문에 답하는 것은 JMP와 JMP Pro에서 사용 가능한 프로세스 데이터와 도구를 통해 가능합니다. 다음 프로세스는 가이드 역할을 할 수 있습니다.
비즈니스 목표, 실무 경험, 물리학에 대한 이해를 바탕으로 엔지니어는 목표를 세부화하고 유용한 응답 및 요소 목록을 제시했습니다.
|
목표: 최대 25장의 웨이퍼로 균일한 6500Å 절연 증착층을 형성하는 PECVD 도구 레시피를 정의합니다.
|
 |
 |
다음으로, 목표는 관찰 프로세스 데이터를 사용하여 DOE 회귀 모델에 대한 요인과 모델 용어를 모두 선택하는 것입니다. 모델 용어 선택은 다른 머신 러닝 전략 대신 회귀 접근 방식을 사용하는 동기입니다.
관찰 데이터에서 요인은 조작되지 않는다는 점에 유의하는 것이 중요합니다. 요인은 프로세스에 필요한 수준에서 설정됩니다. 그러나 프로세스에 충분한 변동이 있어 요인의 신호가 올바른 모델링 전략으로 관찰 가능합니다. 최소 제곱 회귀를 사용하는 경우 제안된 모델의 모든 용어에 대한 계수가 결정됩니다. 모든 용어가 포함되었을 때 어떤 용어가 중요한지 파악하는 것은 어렵습니다. 다중공선성과 같은 관찰 데이터 문제는 상황을 더욱 어렵게 만들 수 있습니다. JMP Pro의 일반화 회귀 개성은 관찰 데이터를 사용할 때 더 효과적인 용어 선택 기술을 제공합니다.
회귀를 사용할 때 시작 모델을 선택하려면 약간의 추론이 필요합니다. 우리의 경우, 상호작용과 곡률 항이 예상되므로 반응 표면 모델이 좋은 시작점을 제공합니다. 이 연습에서는 올가미와 탄성 네트 페널티 추정 전략이 사용됩니다. 두 방법 모두 일부 계수는 0으로 추정할 수 있으므로 항 선택에 유용합니다.
두 추정 방법 모두 AICc에 의해 비슷한 성과를 보입니다. AICc와 BIC 통계는 표준 최소 제곱법 이외의 방법에 대한 모델 적합성을 평가할 때 유용합니다. 차이가 4인 모델이 바람직하며, 낮을수록 더 좋습니다.
모델 항목 중 다수가 0으로 페널티를 받았습니다. 나머지 항목 중에서 엔지니어는 추정치/표준 오차의 제곱인 Wald 카이 제곱으로 순위가 매겨진 상위 10개를 선택했습니다. Wald 카이 제곱은 모델의 항목에 대한 신호 대 잡음 측정값입니다. 나머지 항목은 신호 대 잡음이 비교적 낮아 실험에 고려되어서는 안 됩니다.
통계적 순위는 고려 사항의 일부일 뿐입니다. 프로세스 이해와 실험적 한계도 고려해야 합니다. 요인은 의도적으로 조작되지 않으므로 프로세스 데이터에 모든 중요한 항목을 포착하기에 충분한 변동이 포함되지 않을 수 있습니다. 일부 중요한 항목은 실험하기에 실용적이지 않을 수도 있습니다. 우리의 예에서 정전 척 교체에 대한 데이터를 사용할 수 있었습니다. 정전 척은 웨이퍼가 처리되는 동안 웨이퍼를 고정합니다. 25개의 웨이퍼만 주어진 무작위 실험에서 척을 교체하는 것은 종종 실행 가능하지 않습니다. 또한 압력은 모델에서 상당한 상호 작용을 하는 중요한 요인이지만 가스 흐름의 함수입니다. 가스 흐름이 포함된다는 것을 알면 압력은 실험에서 제외할 수 있습니다. 마지막으로 간격 제곱은 순위에 나타나지 않지만 경험에 따라 포함되었습니다. 전반적으로 엔지니어의 프로세스 이해로 인해 실험에 대한 항목 수와 실행 횟수가 줄었습니다.
마지막 실험인 4인자 맞춤형 설계는 21회만 실행하면 됩니다! 추가 웨이퍼가 4개 있습니다. 좋은 선택은 맞춤형 설계자가 사용자 지정 옵션을 맞춤형 설계자에서 25로 설정하여 나머지 4회 실행을 최적으로 선택하도록 하는 것입니다.
요약하자면, 프로세스 데이터, 프로세스 전문성 및 JMP Pro의 일반화 회귀 플랫폼은 리소스가 제한적인 상황에서 반도체 도구 최적화를 위한 효과적인 결과를 가져올 수 있습니다.
안녕하세요, 여기에 비디오 교육이 있나요? 감사합니다!
