¿Es posible optimizar una deposición química en fase de vapor mejorada con plasma (PECVD) con solo 25 obleas de prueba? ¡Por supuesto! En la fabricación de semiconductores, las limitaciones como la ejecución de 25 obleas en una herramienta son comunes, pero no tienen por qué limitar el éxito. Aprovechar los datos del proceso para fundamentar el diseño de experimentos es una estrategia ganadora para obtener resultados efectivos con recursos limitados.
El diseño de experimentos (DOE) es el estándar de oro para optimizar el rendimiento de los equipos o herramientas que se utilizan para fabricar dispositivos semiconductores. Para llevar a cabo un experimento eficaz se requiere un plan de recopilación de datos bien pensado que genere la información necesaria para mejorar el rendimiento de las herramientas sin salirse de las limitaciones presupuestarias.
Las fábricas de semiconductores procesan cientos o miles de dispositivos semiconductores (matriz) en una sola oblea de silicio. La fabricación de una oblea puede llevar aproximadamente tres meses y mil pasos de proceso. Los experimentos que involucran muchas obleas pueden resultar costosos en términos de tiempo y gastos de fabricación, así como en la pérdida de cualquier matriz que no se pueda vender. Debido a estos costos, es común tener límites en la cantidad de obleas de prueba disponibles para realizar experimentos en una fábrica de semiconductores.
En nuestro escenario, un ingeniero de procesos tiene la tarea de optimizar una herramienta de PECVD que deposita una película aislante sobre una oblea. Para ello, nuestro ingeniero utilizará datos experimentales de un DOE para desarrollar un modelo estadístico del proceso que se pueda utilizar para ajustar la herramienta a fin de lograr un espesor y una uniformidad de deposición deseados. Nuestro ingeniero de procesos está limitado a un lote de 25 obleas de prueba para ejecutar el experimento. Cada oblea representa una prueba o ejecución en un experimento de PECVD.
Existen docenas de variables que controlan el espesor y la uniformidad de una película de deposición en una herramienta de PECVD. Los experimentos con muchos factores requieren muchas obleas cuando se utiliza una estrategia de recopilación de datos del DOE. Por ejemplo, si suponemos que la herramienta de nuestro experimento tiene 10 variables continuas ajustables y que las 10 variables interactúan entre sí, el experimento requeriría un mínimo de 56 obleas de prueba para obtener un modelo de regresión. Con solo 25 obleas disponibles, nuestro ingeniero necesita reducir la lista de factores a las cuatro principales.
Afortunadamente, solo un puñado de los controles o variables disponibles para nuestro ingeniero tienen un gran impacto en el espesor y la uniformidad de la deposición. De todos ellos, ¿cuáles son importantes? ¿Qué variables interactúan? ¿Cuáles tienen una contribución curvilínea al espesor de la deposición? ¿Cuál es la mejor manera de limitar las variables de un gran conjunto de opciones a aquellas que son cruciales para el éxito del experimento?
Es posible responder a todas estas preguntas con los datos de proceso y las herramientas disponibles en JMP y JMP Pro. El siguiente proceso puede servir como guía.
Basándose en el conocimiento de los objetivos comerciales, la experiencia práctica y la física, nuestro ingeniero ha perfeccionado el objetivo y ha elaborado una lista útil de respuestas y factores.
|
Objetivo: Definir una receta de herramienta PECVD que logre una capa de deposición aislante uniforme de 6500 Å con no más de 25 obleas.
|
 |
 |
A continuación, el objetivo es utilizar datos de procesos de observación para seleccionar tanto factores como términos de modelo para nuestro modelo de regresión DOE. La selección de términos de modelo es una motivación para utilizar un enfoque de regresión en lugar de otras estrategias de aprendizaje automático.
Es importante señalar que en los datos de observación, los factores no se manipulan, sino que se establecen en el nivel que requiere el proceso. Sin embargo, hay suficiente fluctuación en el proceso como para que la señal de los factores sea observable con la estrategia de modelado adecuada. Si se utiliza la regresión de mínimos cuadrados, se determina un coeficiente para cada término del modelo propuesto. Determinar qué términos son importantes cuando se incluyen todos es un desafío. Los problemas con los datos de observación, como la multicolinealidad, pueden dificultar aún más las cosas. La personalidad de regresión generalizada en JMP Pro ofrece técnicas de selección de términos que son más efectivas cuando se utilizan datos de observación.
Al utilizar la regresión, la elección del modelo de partida requiere cierto razonamiento. En nuestro caso, un modelo de superficie de respuesta proporciona un buen punto de partida, ya que se esperan interacciones y términos de curvatura. En este ejercicio se utilizan las estrategias de estimación penalizada de red elástica y lazo. En ambos métodos, algunos coeficientes se pueden estimar como cero, lo que los hace útiles en la selección de términos.
Ambos métodos de estimación funcionan de manera similar según el AICc. Las estadísticas del AICc y del BIC son útiles para evaluar el ajuste del modelo para métodos distintos de los métodos de mínimos cuadrados estándar. Son deseables los modelos con una diferencia de cuatro, donde cuanto menor, mejor.
Muchos de los términos del modelo han sido penalizados a cero. De los términos restantes, nuestro ingeniero ha elegido los 10 primeros clasificados según el chi-cuadrado de Wald, que es el cuadrado de la estimación/error estándar. El chi-cuadrado de Wald es una medida de la relación señal-ruido para los términos del modelo. Los términos restantes tienen una relación señal-ruido relativamente baja y no deben considerarse para la experimentación.
La clasificación estadística debe ser solo una parte de la consideración. La comprensión del proceso y las limitaciones experimentales también deben tenerse en cuenta. Dado que los factores no se manipulan deliberadamente, es posible que los datos del proceso no contengan suficiente variación para captar todos los términos significativos. También es posible que algunos términos significativos no sean prácticos para experimentar. En nuestro ejemplo, había datos disponibles para cambios de mandril electrostático. Un mandril electrostático sostiene la oblea mientras se procesa. Cambiar un mandril en un experimento aleatorio, dados solo 25 obleas, a menudo no es factible. Además, la presión es un factor significativo con interacciones significativas en el modelo, pero es una función del flujo de gas. La presión se puede dejar fuera del experimento sabiendo que se incluye el flujo de gas. Finalmente, el espaciado al cuadrado no aparece en la clasificación, pero se incluyó en función de la experiencia. En general, la comprensión del proceso por parte de nuestro ingeniero ha reducido la cantidad de términos y la cantidad de ejecuciones del experimento.
El experimento final, un diseño personalizado de cuatro factores, requiere solo 21 ejecuciones. Hay cuatro obleas adicionales. Una buena opción es dejar que el diseñador personalizado elija las cuatro ejecuciones restantes de manera óptima configurando la opción especificada por el usuario en 25 en el diseñador personalizado.
En resumen, los datos de proceso, la experiencia en procesos y la plataforma de regresión generalizada en JMP Pro pueden generar resultados efectivos para la optimización de herramientas de semiconductores en situaciones donde los recursos son limitados.
