Analyse des causes
Georgia Z. Morgan, statisticienne principale, retraitée
L'analyse des causes est un terme général appliqué aux tâches visant à enquêter, analyser et finalement déterminer les facteurs causaux d'une ou de plusieurs anomalies. Les méthodes avancées d'apprentissage automatique et d'autres outils d'exploration de données ont permis de réduire le temps et les efforts d'analyse des données.
La préparation des données, c'est-à-dire les étapes d'acquisition et de transformation des données en informations, requiert une expertise métier. Pour identifier les causes profondes d'un processus de fabrication complexe, il est probable que les experts métier proviennent de différentes organisations fonctionnelles et que les données proviennent de sources différentes.
Mon expérience est partagée par d’autres :
« Souvent, les données se trouvent dans différents systèmes et doivent être consultées et transformées en un ensemble de données pouvant être utilisé pour l'exploration de données et l'apprentissage automatique. …
Cela nécessite souvent un volume important d'agrégation et de transformation de données. Une fois la table de base analytique agrégée, les autres aspects du cycle de vie entrent en jeu. L'expérimentation des données étant nécessaire, la phase de préparation est également très itérative : l'analyste teste différents types de données pour obtenir les résultats prédictifs les plus précis .
(na), (nd), Data Mining from A to Z. Récupéré le 31 juillet 2017 sur le site Web de SAS https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper1/data-mining-from-az-104937.pdf
Comme je l'ai souligné à maintes reprises, il existe une différence considérable entre l'exploration de données et la réponse à des questions. Tout ensemble de données offre un aperçu particulier de la réalité, mais aucun ensemble de données n'offre à lui seul une vision parfaite, holistique et impartiale de l'existence dans sa globalité. Cela signifie que, pour analyser des données, il est, à bien des égards, bien plus important de bien les comprendre que d'avoir un doctorat en statistiques.”
Leetaru, K. (12 juin 2016) Pourquoi nous avons besoin de plus d'experts en sciences des données . Consulté le 31 juillet 2017 sur le site de Forbes : https://www.forbes.com/sites/kalevleetaru/2016/06/12/why-we-need-more-domain-experts-in-the-data-sciences/#14ee761e3b50
D’après mon expérience, il est également vrai que :
- La plupart des itérations de données prennent du temps.
- Les jointures sont presque toujours hors ligne, donc chaque itération nécessite une autre réunion, en d'autres termes,
- Pas agile !
Cette présentation a deux objectifs. Mon objectif principal est de démontrer comment la jointure virtuelle JMP peut aider une équipe d'analyse des causes profondes à gagner en agilité lors de la combinaison de tables. Mon objectif secondaire est de recueillir des propositions alternatives pour les analyses des causes qui seront présentées. Cet exemple est hypothétique : il ne décrit pas un problème réel que j'ai observé, mais s'appuie sur plusieurs expériences de problèmes potentiels. De plus, toutes les données sont simulées. Bien que cet exemple s'inspire de la fabrication de semi-conducteurs (CI), ce problème pourrait survenir dans n'importe quelle usine de transformation, voire dans le cadre d'études pharmaceutiques.
Un bref aperçu des aspects de la fabrication des circuits intégrés, afin de contextualiser les données et les anomalies, sera suivi de détails sur les jonctions virtuelles, puis des analyses. À noter que l'exemple présenté ici est l'un des deux exemples décrits dans l'article ci-joint.
Mots-clés : anomalie , RCA (Root Cause Analysis), outils d'exploration de données, fabrication de semi-conducteurs, jointure virtuelle JMP®, JSL, processus réentrant, IC (circuit intégré), FEOL (Front End Of Line), BEOL (Back End Of Line), EOL (End Of Line, généralement, tests de rendement et de performance et préparation des matrices), PM (Maintenance préventive).
Un peu de contexte
Les circuits intégrés (CI) sont créés à partir de nombreuses étapes de traitement : oxydation, implantation, dépôt de films et de métaux pulvérisés présentant différentes caractéristiques de conductivité et de barrière (non-conductivité), structuration, planarisation, et bien sûr nettoyage et mesure. Le processus commence par une plaquette de silicium nue et dopée [1] et se termine par plusieurs puces (CI) par plaquette. Le nombre maximal de puces par plaquette dépend de la taille de la plaquette (diamètre) et de la taille de la puce [2]. Voir la figure 1(L).
La figure 1(R) est un dessin animé représentant un très petit segment d'une puce avec une interconnexion métallique en cuivre à 5 couches BEOL.[3] Même si l'architecture, l'épaisseur du métal, la disposition et éventuellement la recette peuvent être différentes pour chaque couche de cuivre, elles sont généralement traitées dans la même zone d'usine (fab bay) et sur les mêmes outils.
Figure 1 ( L ) Support de 25 plaquettes de silicium nues avec plaquette plate et entièrement traitée avec encoche ( R ) Un graphique IC d'une interconnexion Cu à cinq couches BEOL.
Les couches FEOL et BEOL sont segmentées. Même une infime quantité de cuivre diffuse rapidement à travers les oxydes, créant des défauts et dégradant la qualité de l'oxyde de grille.
La figure 2 illustre un aménagement possible d'usine pour un FEOL [4]. Les équipements de traitement de même type et de même fonction sont répartis en baies. Leur disposition est optimisée pour la plomberie, la distribution de produits chimiques en vrac, les échappements et les drains. Un système de rails aériens, appelé système de manutention automatique des matériaux (AMHS), transporte les lots de fabrication d'une station à l'autre ou les stocke temporairement dans un stockeur distant jusqu'à ce qu'un outil soit disponible. Il n'existe pas d'aménagement standard ; chaque entreprise de semi-conducteurs possède son propre groupe de planification d'usine. La plupart des files d'attente de l'usine sont réentrantes. Par exemple, les quatre outils des baies 7 et 9 peuvent effectuer sept étapes de nettoyage différentes. La connaissance du flux de production et de l'utilisation des équipements est essentielle à l'analyse des causes profondes. Dans cet exemple, un seul outil peut potentiellement affecter un lot de fabrication jusqu'à sept fois, et certains lots de fabrication peuvent n'avoir jamais été traités sur cet équipement.
Consultez les références [7] ou effectuez une recherche rapide sur le Web pour trouver des vidéos et d’autres sources pour en savoir plus sur la fabrication de semi-conducteurs.
Figure 2 Disposition possible de l'usine pour un processus FEOL. 
Les séquences de traitement, le temps entre les étapes, le moment où le produit a été traité sur un outil spécifique et la manipulation peuvent être des facteurs importants contribuant à une anomalie, un problème affectant la qualité du circuit intégré. Chaque plaquette de silicium possède un numéro gravé dans le silicium. Il existe une norme industrielle permettant de retracer l'origine de chaque plaquette. Depuis une vingtaine d'années, les équipements et les manutentionnaires des usines de fabrication sont équipés de lecteurs RFID. Les systèmes de fabrication enregistrent l'heure exacte d'entrée et de sortie des plaquettes d'un outil, et bien plus encore. Les données de simulation présentées (et jointes) utilisent un système de numérotation simple. Il ne s'agit pas d'une réplique des données de fabrication, mais elles fournissent les caractéristiques souhaitées pour cet exemple.
Rejoindre virtuellement
A Rejoindre virtuellement:
- Permet à une table principale de se lier à plusieurs tables auxiliaires sans les joindre physiquement.
- Nécessite la définition de deux propriétés de colonne : Référence de lien (table principale) et ID de lien (table auxiliaire).
- Les colonnes de la table de données référencée (liée) sont affichées sous forme de variables groupées dans la table principale.
- Ces colonnes peuvent être utilisées dans des formules, des graphiques, des analyses et des commandes de tableau.
- Peut être créé à partir de l'interface utilisateur et peut être créé et géré à l'aide de JSL.
La figure 3 (L) illustre sept tables jointes, reliées par le numéro de plaquette unique (Wafernum). La référence de lien est affichée sous forme de clé ombrée bleue lorsqu'elle est liée et grise lorsqu'elle est dissociée. Cliquez sur l'icône d'affichage pour référencer les colonnes de cette table.
Figure 3 (G) Données de rendement/performance/anomalie EOL jointes virtuellement aux données de l'équipement pour 7 opérations, (M) Panneau de table auxiliaire M1 avec ID de lien, (R) Menu de table, Fusionner les données référencées,
La figure 3 (M) illustre le panneau de l'une de ces tables (M1, la première couche Cu). L' ID de lien est une clé essentielle. La Référence de lien et l'ID de lien doivent être du même type de données. Les valeurs de l'ID de lien doivent être uniques et ne pas contenir de doublons. Si vous utilisez JSL, ou pour pouvoir relier des tables lors d'une autre session, celles-ci doivent être enregistrées sur le disque. La liste ci-dessous présente quelques caractéristiques des jointures virtuelles. La figure 3(R) montre qu'il est possible de fusionner à tout moment un ensemble sélectionné de liens de table. Sélectionnez les références de lien à fusionner, ou n'en sélectionnez aucune pour toutes les colonnes liées, puis sélectionnez « Fusionner » dans le menu principal de la table. La fusion dans la table principale est aussi simple que cela.
Éléments à noter
- Le chemin est sensible à la casse, mais un nom de chemin n'est pas requis si la table de données jmp auxiliaire se trouve dans le même répertoire que la table de données principale. (Utilisez la syntaxe posix c:/temp/ si l'équipe travaille avec un mélange de différents systèmes d'exploitation).
- Pour les données de fabrication, les liens typiques seraient : lot, identifiant de plaquette, voire matrice (ligne, colonne). L'équipe RCA doit convenir d'une norme, et chaque représentant régional doit être propriétaire de ses données et se préparer en créant l' identifiant du lien . Cela permet de corriger les données en parallèle des réunions RCA et de les relier facilement une fois prêtes.
- N'utilisez pas de nom de base de données pour les liens, car chaque table liée nécessite une référence de lien unique et un identifiant de lien correspondant. Utilisez une fonction pour les liens. La mise à jour des données sera plus facile et la valeur du lien sera également mise à jour. (Chaque Wafernum.M) (la colonne utilise une formule de colonne pour la colonne DB Wafernum.)
- Les scripts de plateforme enregistrés utilisent une syntaxe détaillée pour référencer une colonne liée.
Colonne référencée( « Outil [Wafernum.M1] » ,
Référence( Colonne (:Wafernum.M1), Référence( Colonne ( :Outil ))))
Cette syntaxe plus simple semble fonctionner.
: Nom ( "Outil[Wafernum.M1] " ) en d'autres termes, : Nom ( " nom de la colonne [ID de lien]" )
- Fermez la table auxiliaire plutôt que de la dissocier, en particulier si le lien peut être utilisé ultérieurement, éventuellement pour un fichier différent.
Recommandé:
Créez un complément ou des scripts pour créer automatiquement des liens et ouvrir les fichiers de liens établis.
Avantages de l'adhésion virtuelle :
- Gestion des noms de colonnes . La figure 4 montre 3 des 7 tables liées. Elles portent toutes le même nom de colonne. Toutes les jointures JMP ajoutent des informations sur la table source pour les colonnes portant le même nom. Cependant, les noms sont ceux de la table source, souvent longs et complexes. Pour une jointure virtuelle , vous définissez la référence du lien et l'ID du lien . Grâce à une syntaxe moins verbeuse, la gestion des noms est plus simple et plus lisible pour la liaison et l'écriture de scripts.
- Travailler en parallèle. Supposons que le membre de l'équipe d'analyse des causes pour M5 signale un problème avec ses données. Fermez la table de données M5, laissez l'équipe poursuivre et, une fois prête, ouvrez la table corrigée et reliez-la en faisant un clic droit sur la colonne principale de la table, Wafernum.M5, puis en sélectionnant « Référence de lien » . Une liste de fichiers apparaît. Sélectionnez le fichier M5.
Figure 4 Données sur l'équipement de fabrication pour 3 opérations, mêmes noms de colonnes
Exemple simulé - Résistance M3 EOL défaillante intermittente
L'une des causes les plus difficiles à éliminer est la contamination, surtout si elle est éliminée grâce à une maintenance programmée (MP) et dissipée à l'usage (réparable), et si elle est conditionnelle. Une simulation d'une usine de fabrication de semi-conducteurs BEOL pour une pulvérisation métallique à 7 couches a été réalisée afin de démontrer cette anomalie.
L’épidémiologie, les études sur les médicaments et la transformation des aliments et des médicaments connaissent probablement un type d’anomalie similaire à une certaine fréquence.
Le SRHO est une mesure de la qualité de la résistance des métaux. Les causes potentielles d'une augmentation du SRHO sont nombreuses, même en limitant l'analyse à la seule boucle M3. Si les lignes sont trop étroites, la résistance augmente. Si les lignes sont fissurées, ou si d'autres défauts ou une contamination métallique peuvent affecter les caractéristiques conductrices du métal. La figure 5 illustre cet effet. Le graphique du haut représente le matériau de référence pendant plusieurs semaines avant une interruption pendant les vacances. Le graphique du bas illustre le matériau après les vacances. Quelques indicateurs de fin de ligne de lots intermittents pour la résistance M3 échouent au SPC et sont tellement hors de contrôle que les plaquettes doivent être mises au rebut. Seuls quelques lots anormaux ont été détectés, puis aucun n'a été détecté. C'est alors que la « règle finale » entre en jeu : les petits signaux finissent par devenir des signaux importants. Une multitude de lots défectueux apparaissent en fin de ligne.
Figure 5 M3.SRHO (T) Moyenne du lot de base ( B ) Moyenne du lot après les vacances par rapport aux outils de pulvérisation M3 
Questions d'analyse des causes
- L'outil d'anomalie est-il spécifique ?
- Les processus sont-ils cohérents, utilisent-ils les mêmes produits chimiques ?
- Étant donné la nature intermittente, cela pourrait-il être lié à l’état de l’outil ?
- Cela pourrait-il être lié à la séquence du processus, aux temps d'attente, au temps entre une étape et une autre, etc.
Seule la pulvérisation cathodique M1-M7 a été simulée avec une file d'attente FIFO, à une exception près. Les lots complets contiennent 25 wafers, les demi-lots 12 wafers et les lots à rotation rapide 6 wafers. L'exception FIFO réside dans la priorité accordée au lot de 6 wafers. Pour plus de réalisme, des temps de traitement aléatoires pour les « autres » étapes du processus ont été utilisés afin de varier les temps de réentrée entre M1 et M2, etc. Ces autres temps de traitement étaient basés sur des temps de configuration fixes ; des temps de traitement basés sur le nombre de wafers et la priorité ; et des temps de file d'attente aléatoires. Dans une analyse des causes réelles avec des données réelles, chaque outil et chaque file d'attente de la boucle doivent être étudiés. Seuls les outils de pulvérisation cathodique ont été simulés afin de limiter la complexité et de se concentrer sur les méthodes. Il convient également de noter que l'article indique que les données de dimensions critiques en ligne n'ont montré aucune modification de la taille de la ligne. Pour éliminer les ruptures ou fissures de ligne, un démontage ou des visuels en ligne sont généralement examinés. Aucun problème n'a été détecté, l'accent étant donc mis sur le métal lui-même.
Pour répondre à la question n° 1, une comparaison de l'incidence par outil est effectuée. Le plus souvent, il s'agit d'une analyse outil par outil, effectuée par les modules et examinée lors de la première réunion de l'équipe RCA. Un outil d'exploration de données avec sélection de caractéristiques pourrait également être appliqué à une table volumineuse contenant des colonnes provenant de plusieurs étapes. Au lieu d'un fichier monolithique unique, une table principale virtuellement liée, comme celle illustrée à la figure 3 (L), pourrait être utilisée.
Question n° 2 : pour poursuivre le récit, un examen chimique des systèmes en vrac ne révèle rien. Tous les outils sont raccordés aux mêmes systèmes. À ce stade, les données d'anomalie pourraient être reliées aux tableaux de données de surveillance en ligne et aux données des capteurs d'outils, puis analysées.
Au fil du récit, un ingénieur explique que quelques semaines avant l'arrêt, la formule chimique du M5 a été modifiée afin de rendre le dépôt plus conforme à la topographie (structures) du M5. La caractérisation préalable à la mise en œuvre a porté sur quelques plaquettes de M5, puis sur quelques plaquettes de M1, puis sur les autres couches. Tous les résultats étaient conformes aux valeurs de référence.
Le responsable de l'équipe RCA demande une analyse du nombre de plaquettes pour les modèles M3 et M5, afin de répondre à la question n° 3 concernant l'état de l'outil. Supposons que le premier fichier de l'ingénieur ne contienne que le nombre total de plaquettes. Fermez le tableau et demandez à l'ingénieur d'ajouter une colonne pour le nombre cumulé de plaquettes M5 produites avant M3. Une fois les données modifiées, ouvrez le nouveau fichier et établissez un lien. La figure 6 montre que différents fichiers et différentes itérations peuvent être liés aux données d'anomalie.
Figure 6 Données d'anomalie M3 EOL post-vacances liées aux compteurs PMCounters de l'outil M3
Figure 7 - M3.SRHO post-vacances versus PM_WFRCOUNT par outil (seul SPUTT02 est affiché ici)
La figure 7, un graphique d'ajustement Y par X des données M3.SRHO en fonction du nombre de plaquettes pour SPUTT02, montre que des défaillances se sont produites avec un nombre de plaquettes faible et élevé. La simulation prévoyait un SPC toutes les 500 plaquettes et une PM après 5 000 plaquettes, soit environ 2 500 plaquettes par chambre. Un effet d'épuisement semble être observé sur les lots complets (une diminution à chaque plaquette). De plus, en raison de la nature de cette simulation, le matériel post-vacances comportait de nombreux lots de 6 plaquettes à rotation rapide.
Étant donné que la caractérisation préalable à la mise en œuvre n'a montré aucun effet avec seulement quelques plaquettes M5 exécutées, cela pourrait-il être dû à une accumulation ou au séquençage, en d'autres termes, question n°4 ?
Pour les analyses passées, j’ai utilisé des analyses d’événements pour mes prochaines étapes.
- Créez un tableau de tous les événements d'outils. ( Données MES pour les pulvérisateurs.)
- Créez des colonnes représentant 10 décalages ou plus. Cette opération est plus simple à réaliser avec un outil. Les étapes sont les suivantes : créer un sous-ensemble par outil, écrire un script pour créer des décalages (voir lagit.jsl), et combiner les fichiers de l'outil.
- Sélectionnez les données d'opération M3, car cette anomalie potentielle d'état de l'outil ne semble affecter que M3. Utilisez donc uniquement les lignes M3. Consultez le fichier M3 Last 20.jmp. Créez l' ID du lien Wafernum.M3.
- Ouvrez ce fichier et, à partir des données d'anomalie, faites un clic droit sur la colonne Wafernum.M3, puis sélectionnez « Référence de lien » . Utilisez les méthodes d'arborescence (partitionnement) et la sélection de caractéristiques pour trouver un motif.
Le séquençage des événements peut être effectué assez rapidement grâce à la fonction JMP Lag( :col, n ), qui traite les colonnes de caractères. Dans ce cas, l'historique de l'outil, c'est-à-dire les exécutions précédentes, est créé.
Figure 8 Extrait du tableau M3 Last 20.jmp Structure avec décalages des événements d'outils
Figure 9 Répartition de la moyenne du lot M3.SRHO par rapport aux 20 derniers événements d'outil
La figure 8 présente un extrait de la structure du tableau et la figure 9 l'historique des partitions. Les décalages 1, 2 et 3 ont été choisis dans l'ordre, et à chaque fois, en se divisant sur l'événement M5LotMoveIn. La figure 8 présente une colonne de formules pour simplifier le séquençage. Il s'agit de la concaténation des événements codés : 0 = PM, 5 = M5 et 1 pour tous les autres événements. La figure 10 présente le graphique de la mise à jour de la gestion RCA.
Figure 10 Graphique de présentation de l'effet du traitement des lots M3SRHO
Commentaires
- La simulation a produit l’effet escompté.
- La modélisation standard de ce type d’anomalie est difficile en raison de la saturation intégrée, des PM et de l’épuisement.
- Le séquençage et la recherche d'effets spécifiques sont (étaient) mon BKM.
- Trouvez tous les lots M3 où M5 a été exécuté juste avant.
- Calculer le delta par rapport à la ligne de base. Comparer l'effet au nombre de plaquettes.
- Étudier les effets de l’épuisement des plaquettes.
- Actuellement, je fais des recherches sur le séquençage de fiabilité et je recherche des suggestions pour normaliser ces méthodes.
- L'article contient plus de détails et un autre exemple d'analyse des causes. Le dossier de données joint contient les fichiers readme.txt concernant la simulation et l'effet modélisé. Une fois liés, les fichiers de données contiennent des scripts permettant de recréer les graphiques et la partition.
Les jointures virtuelles permettent des mises à jour et des restructurations de données agiles, ce qui est particulièrement utile pour RCA.
Références
[1] Figure 1 (G) Plaquette de silicium nue, (na), (nd), plaquette de silicium . Consulté le 31 juillet 2017 sur le site web de TechInstro : https://www.techinstro.com/silicon-wafer/
[2] Figure 1 (L), (na), 9 avril 2013, Formule de matrice par plaquette et calculateur (gratuit) . Consulté le 31 juillet 2017 sur le site web d'anysilicon : http://anysilicon.com/die-per-wafer-formula-free-calculators/
[3] Figure 1(R) (na), (nd), Fin de ligne . Consulté le 31 juillet 2017 sur Wikipédia, l'encyclopédie libre, https://en.wikipedia.org/wiki/Back_end_of_line
[4] Figure 2, 유광재, 20 janvier 2015, Optimal Fab SDM LAB, KAIST Industrial & Systems Engineering , Figure 2. Conception optimale de l'agencement FAB basée sur le flux de matériaux entre les types de processus. Récupéré le 31 juillet 2017, de http://sdm.kaist.ac.kr/wordpress/korean/%EC%9C%A0%EA%B4%91%EC%9E%AC/ , http://sdm.kaist.ac.kr/wordpress/korean/wp-content/uploads/sites/2/2015/01/YGJ_2.png .
[5] Leetaru, K. (12 juin 2016) Pourquoi nous avons besoin de plus d'experts en sciences des données . Consulté le 31 juillet 2017 sur le site de Forbes : https://www.forbes.com/sites/kalevleetaru/2016/06/12/why-we-need-more-domain-experts-in-the-data-sciences/#14ee761e3b50
[6] (na), (nd), Data Mining from A to Z. Récupéré le 31 juillet 2017 sur le site Web de SAS https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper1/data-mining-from-az-104937.pdf
[7] Autres sites Web pour en savoir plus sur la fabrication de semi-conducteurs
https://www.bloomberg.com/news/articles/2016-06-09/how-intel-makes-a-chip
https://www.youtube.com/watch?v=vmAyXWvLHeI (FOUP Charger le film)
https://www.youtube.com/watch?v=4Q_n4vdyZzc (Technologie des semi-conducteurs chez TSMC, 2011)
