Ursachenanalyse
Georgia Z. Morgan, Senior-Statistikerin, im Ruhestand
Ursachenanalyse ist ein allgemeiner Begriff für die Untersuchung, Analyse und letztendliche Bestimmung der Ursachen einzelner oder mehrerer Anomalien. Fortschrittliche Methoden des maschinellen Lernens und andere Data-Mining-Tools haben den Zeit- und Arbeitsaufwand für die Datenanalyse reduziert.
Die Datenaufbereitung, also die Schritte zur Erfassung und Umwandlung von Daten in Informationen, erfordert Fachwissen. Um die Ursachen eines komplexen Fertigungsprozesses zu ermitteln, stammen die Fachexperten wahrscheinlich aus unterschiedlichen Funktionsorganisationen und die Daten stammen aus unterschiedlichen Quellen.
Meine Erfahrung wird von anderen geteilt:
„Oftmals liegen die Daten in unterschiedlichen Systemen vor und müssen abgerufen und in einen Datensatz umgewandelt werden, der für Data Mining und maschinelles Lernen verwendet werden kann. …
Dies erfordert oft einen erheblichen Aufwand an Datenaggregation und -transformation. Sobald eine einzige analytische Basistabelle für die Analyse aggregiert ist, kommen die anderen Aspekte des Lebenszyklus ins Spiel. Da mit Daten experimentiert werden muss, ist die Vorbereitungsphase zudem sehr iterativ, wobei der Analyst verschiedene Datentypen ausprobiert, um möglichst genaue Vorhersageergebnisse zu erzielen .
(na), (nd), Data Mining von A bis Z. Abgerufen am 31. Juli 217 von der SAS-Website https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper1/data-mining-from-az-104937.pdf
Wie ich schon unzählige Male betont habe, besteht ein gewaltiger Unterschied zwischen der Datenanalyse und der Beantwortung von Fragen. Jeder Datensatz bietet einen bestimmten Einblick in die Realität, aber kein einzelner Datensatz bietet eine perfekte, ganzheitliche und unvoreingenommene Sicht auf die Gesamtheit der Existenz. Das bedeutet, dass es bei der Datenanalyse in vielerlei Hinsicht viel wichtiger ist, die Daten zu verstehen, als einen Doktortitel in Statistik zu haben.”
Leetaru, K. (12. Juni 2016) Warum wir mehr Fachexperten in den Datenwissenschaften brauchen . Abgerufen am 31. Juli 2017 von der Forbes-Website https://www.forbes.com/sites/kalevleetaru/2016/06/12/why-we-need-more-domain-experts-in-the-data-sciences/#14ee761e3b50
Ich habe auch die Erfahrung gemacht, dass:
- Die meisten Dateniterationen sind zeitaufwändig.
- Joins sind fast immer offline, so dass jede Iteration ein weiteres Meeting erfordert, mit anderen Worten,
- Nicht agil!
Diese Präsentation verfolgt zwei Ziele. Mein Hauptziel ist es zu zeigen, wie JMP Virtual Join einem Ursachenanalyse-Team dabei helfen kann, beim Zusammenführen von Tabellen flexibler zu sein. Mein zweites Ziel ist es, alternative Vorschläge für die zu präsentierenden Ursachenanalysen zu sammeln. Das Beispiel ist hypothetisch, da es kein tatsächliches Problem beschreibt, das ich selbst beobachtet habe, sondern auf verschiedenen Erfahrungen basiert, die zeigen, was schiefgehen kann. Alle Daten sind simuliert. Obwohl dieses Beispiel aus der Halbleiterfertigung (IC) stammt, könnte dieses Problem in jeder Verarbeitungsfabrik oder sogar bei Arzneimittelstudien auftreten.
Nach einem kurzen Überblick über Aspekte der IC-Fertigung, der den Kontext der Daten und Anomalien liefert, folgen einige Details zu virtuellen Joins und anschließend die Analysen. Beachten Sie, dass das hier vorgestellte Beispiel eines von zwei Beispielen ist, die im beigefügten Dokument beschrieben werden.
Schlüsselwörter: Anomalie , RCA (Root Cause Analysis), Data-Mining-Tools, Halbleiterfertigung, JMP® Virtual Join, JSL, reentrischer Prozess, IC (integrierter Schaltkreis), FEOL (Front End Of Line), BEOL (Back End Of Line), EOL (End Of Line, typischerweise Ertrags- und Leistungstests und Die Prep), PM (Preventive Maintenance).
Etwas Kontext
Integrierte Schaltkreise (ICs) entstehen in zahlreichen Prozessschritten: Oxidation, Implantation, Abscheidung von Filmen und gesputterten Metallen mit unterschiedlichen Leitfähigkeits- und Barriereeigenschaften (Nichtleitfähigkeit), Strukturierung, Planarisierung sowie natürlich Reinigung und Messung. Ausgangspunkt ist ein blanker, dotierter Siliziumwafer [1], der mit mehreren Chips (ICs) pro Wafer endet. Die maximale Anzahl der Chips pro Wafer hängt von der Wafergröße (Durchmesser) und der Chipgröße [2] ab. Siehe Abbildung 1 (L).
Abbildung 1 (R) ist eine Skizze, die ein sehr kleines Segment eines Chips mit einem 5-lagigen Cu-Metall-Interconnect-BEOL zeigt.[3] Auch wenn die Architektur, die Metalldicke, das Layout und möglicherweise das Rezept für jede Cu-Schicht unterschiedlich sein können, werden sie normalerweise im selben Fabrikbereich (Fab Bay) und auf denselben Werkzeugen verarbeitet.
Abbildung 1 ( L ) Träger aus 25 nackten Silizium-Wafern mit flachem und vollständig verarbeitetem Wafer mit Kerbe ( R ) Eine IC-Grafik eines fünfschichtigen Cu-Interconnect-BEOL.
FEOL und BEOL sind segmentiert. Selbst kleinste Mengen Cu diffundieren schnell durch Oxide, verursachen Defekte und verschlechtern die Qualität des Gateoxids.
Abbildung 2 zeigt ein mögliches Fabriklayout für eine FEOL [4]. Prozessanlagen gleichen Typs und gleicher Funktion sind in Stationen angeordnet. Ihre Anordnung ist für die Versorgung mit Chemikalien, Abluft und Abflüssen optimiert. Ein Hängebahnsystem, ein sogenanntes automatisches Materialhandhabungssystem (AMHS), transportiert die Fertigungschargen von einer Station zur nächsten oder lagert sie vorübergehend in einem externen Lager, bis ein Werkzeug verfügbar ist. Es gibt kein Standardlayout; jeder Halbleiterkonzern hat seine eigene Fabrikplanungsgruppe. Die meisten Warteschlangen in der Fabrik sind wiedereintrittsfähig. Beispielsweise könnten die vier Werkzeuge in den Stationen 7 und 9 sieben verschiedene Reinigungsschritte ausführen. Kenntnisse über den Fabrikablauf und die Gerätenutzung sind für die Ursachenanalyse unerlässlich. Anhand dieses Beispiels könnte ein einzelnes Werkzeug eine Fertigungscharge bis zu sieben Mal beeinflussen, und einige Fertigungschargen könnten nie auf dieser Anlage verarbeitet worden sein.
Lesen Sie die Referenzen [7] oder führen Sie eine schnelle Websuche nach Videos und anderen Quellen durch, um mehr über die Halbleiterherstellung zu erfahren.
Abbildung 2: Mögliches Fab-Layout für einen FEOL-Prozess. 
Verarbeitungssequenzen, die Zeit zwischen den Schritten, der Zeitpunkt der Verarbeitung auf einem bestimmten Werkzeug und die Handhabung können wichtige Faktoren für eine Anomalie sein, ein Problem, das die IC-Qualität beeinträchtigt. Jeder Siliziumwafer ist mit einer Wafernummer versehen. Es gibt einen Industriestandard, der die Herkunft jedes Wafers zurückverfolgen kann. Seit etwa 20 Jahren sind Verarbeitungsanlagen und -handler in Fabriken mit RFID-Lesegeräten ausgestattet. Fertigungssysteme erfassen den genauen Zeitpunkt, zu dem Wafer ein Werkzeug betreten und verlassen, und vieles mehr. Die dargestellten (und beigefügten) Simulationsdaten verwenden ein einfaches Nummerierungssystem. Sie sind keine Nachbildung der Fabrikdaten, liefern aber die gewünschten Eigenschaften für dieses Beispiel.
Virtueller Beitritt
A Virtueller Beitritt:
- Ermöglicht die Verknüpfung einer Haupttabelle mit mehreren Hilfstabellen, ohne diese physisch zu verbinden.
- Erfordert die Festlegung zweier Spalteneigenschaften: Linkreferenz (Haupttabelle) und Link-ID (Hilfstabelle).
- Spalten der referenzierten (verknüpften) Datentabelle werden als gruppierte Variablen in der Haupttabelle angezeigt.
- Diese Spalten können in Formeln, Diagrammen, Analysen und Tabellenbefehlen verwendet werden.
- Kann über die Benutzeroberfläche erstellt und mithilfe von JSL erstellt und verwaltet werden.
Abbildung 3 (L) zeigt sieben verknüpfte Tabellen, die über die eindeutige Wafernummer (Wafernum) verknüpft sind. Die Link-Referenz wird bei Verknüpfung als blau schattierter Schlüssel und bei Nichtverknüpfung als grauer Schlüssel angezeigt. Klicken Sie auf das Symbol, um die Spalten der Tabelle zu referenzieren.
Abbildung 3 (L) EOL-Ertrags-/Leistungs-/Anomaliedaten virtuell mit Gerätedaten für 7 Vorgänge verknüpft, (M) M1-Hilfstabellenfeld mit Link-ID, (R) Tabellenmenü, Referenzierte Daten zusammenführen,
Abbildung 3 (M) zeigt das Tabellenpanel für eine dieser Tabellen (M1, die erste Cu-Ebene). Die Link-ID ist ein Goldschlüssel. Link-Referenz und Link-ID müssen vom gleichen Datentyp sein. Die Link-ID -Werte müssen eindeutig sein und dürfen keine Duplikate enthalten. Bei Verwendung von JSL oder um Tabellen in einer anderen Sitzung erneut verknüpfen zu können, müssen die Tabellen auf der Festplatte gespeichert werden. Die folgende Liste zeigt einige Merkmale virtueller Verknüpfungen. Abbildung 3 (R) zeigt, dass eine ausgewählte Gruppe von Tabellenverknüpfungen jederzeit zusammengeführt werden kann. Wählen Sie die zusammenzuführenden Link-Referenzen aus oder wählen Sie für alle verknüpften Spalten keine aus und wählen Sie anschließend „Zusammenführen“ im Hauptmenü der Tabelle. So einfach ist das Zusammenführen in die Haupttabelle.
Zu beachtende Punkte
- Der Pfad ist groß- und kleinschreibungsabhängig, ein Pfadname ist jedoch nicht erforderlich, wenn sich die zusätzliche JMP-Datentabelle im selben Verzeichnis wie die Hauptdatentabelle befindet. (Verwenden Sie die POSIX-Syntax c:/temp/, wenn das Team mit verschiedenen Betriebssystemen arbeitet.)
- Typische Links für Fertigungsdaten wären Lot, Wafer-ID und ggf. Die (Zeile, Spalte). Das RCA-Team sollte sich auf einen Standard einigen, und jeder Bereichsvertreter sollte seine Daten besitzen und sich durch die Erstellung der Link-ID vorbereiten. Dies ermöglicht Datenkorrekturen parallel zu RCA-Meetings und lässt sich nach Fertigstellung einfach verknüpfen.
- Verwenden Sie für die Links keinen Datenbanknamen, da jede verknüpfte Tabelle eine eindeutige Link-Referenz und eine entsprechende Link-ID benötigt. Verwenden Sie für die Links eine Funktion. Das Aktualisieren der Daten wird dadurch einfacher und der Link-Wert wird ebenfalls aktualisiert. (Jedes Wafernum.M Spalte verwendet eine Spaltenformel für die DB-Spalte Wafernum.)
- Gespeicherte Plattformskripte verwenden eine ausführliche Syntax, um auf eine verknüpfte Spalte zu verweisen.
Referenzierte Spalte( "Werkzeug[Wafernum.M1]" ,
Referenz( Spalte (:Wafernum.M1), Referenz( Spalte ( :Werkzeug ))))
Diese einfachere Syntax scheint zu funktionieren.
: Name ( "Werkzeug[Wafernum.M1] " ) mit anderen Worten, : Name ( " Spaltenname [Link-ID]" )
- Schließen Sie die Hilfstabelle, anstatt die Verknüpfung aufzuheben, insbesondere, wenn die Verknüpfung später möglicherweise für eine andere Datei verwendet werden könnte.
Empfohlen:
Erstellen Sie ein Add-In oder Skripts, um automatisch Links zu erstellen und erstellte Linkdateien zu öffnen.
Vorteile der virtuellen Teilnahme:
- Verwaltung von Spaltennamen Abbildung 4 zeigt drei der sieben verknüpften Tabellen. Sie haben jeweils dieselben Spaltennamen. Alle JMP-Joins fügen Informationen zur Quelltabelle für Spalten mit denselben Namen hinzu. Die Namen entsprechen jedoch den Quelltabellennamen, die oft lang und komplex sind. Für einen virtuellen Beitritt legen Sie die Namen für Linkreferenz und Link-ID fest. Die weniger ausführliche Syntax vereinfacht die Namensverwaltung und erleichtert die Lesbarkeit beim Verknüpfen und Skripting.
- Paralleles Arbeiten: Angenommen, das Mitglied des Ursachenanalyse-Teams für M5 hat angegeben, dass seine Daten ein Problem aufweisen. Schließen Sie die M5-Datentabelle, lassen Sie das Team fortfahren und öffnen Sie, sobald die korrigierte Tabelle fertig ist, die korrigierte Tabelle. Verknüpfen Sie sie erneut, indem Sie mit der rechten Maustaste auf die Spalte Wafernum.M5 der Haupttabelle klicken und „Link-Referenz“ auswählen. Eine Liste mit Dateien wird angezeigt. Wählen Sie die M5-Datei aus.
Abbildung 4: Fab-Ausrüstungsdaten für 3 Vorgänge, gleiche Spaltennamen
Simuliertes Beispiel – Zeitweise fehlerhafter EOL M3-Widerstand
Eine der schwieriger zu behebenden Ursachen ist ein Kontaminationsproblem, insbesondere wenn die Kontamination durch planmäßige Wartung (PM) entfernt wird und sich durch Gebrauch auflöst (reparierbar) und bedingt ist. Um diese Anomalie zu demonstrieren, wurde eine Simulation für eine BEOL-Halbleiterfertigungsfabrik für einen 7-Schicht-Metallsputter erstellt.
In der Epidemiologie, bei Arzneimittelstudien sowie bei der Lebensmittel- und Arzneimittelverarbeitung kommt es wahrscheinlich mit einer gewissen Häufigkeit zu ähnlichen Anomalien.
SRHO ist ein Qualitätsmaß für den Metallwiderstand. Es gibt zahlreiche mögliche Ursachen für einen Anstieg von SRHO, selbst wenn man die Untersuchung auf die M3-Schleife beschränkt. Sind die Leitungen zu schmal, steigt der Widerstand. Sind die Leitungen gerissen oder anderweitig defekt, kann dies die Leitfähigkeit des Metalls beeinträchtigen. Abbildung 5 veranschaulicht die Auswirkungen. Das obere Diagramm zeigt das Basismaterial für mehrere Wochen vor einer Betriebsunterbrechung durch die Feiertage. Das untere Diagramm zeigt das Material nach den Feiertagen. Die EOL-Indikatoren für den M3-Widerstand einiger unregelmäßiger Chargen erfüllen die SPC nicht und geraten so außer Kontrolle, dass die Wafer verschrottet werden müssen. Es gab nur wenige anomale Chargen, dann wurden keine mehr beobachtet. Dann greift die „Eventualregel“: Aus kleinen Signalen werden irgendwann große Signale. Am Ende der Linie erscheint eine Flut fehlerhafter Chargen.
Abbildung 5 M3.SRHO (T) Basislinien-Chargendurchschnitt ( B ) Chargendurchschnitt nach den Feiertagen im Vergleich zu M3-Sputter-Tools 
Fragen zur Ursachenanalyse
- Ist das Anomalie-Tool spezifisch?
- Sind die Prozesse konsistent und werden dieselben Chemikalien verwendet?
- Könnte dies angesichts der intermittierenden Natur mit dem Werkzeugzustand zusammenhängen?
- Könnte dies mit der Prozessabfolge, Wartezeiten, der Zeit zwischen den einzelnen Schritten usw. zusammenhängen?
Nur das M1-M7-Sputtern wurde mit einer FIFO-Warteschlange simuliert, mit einer Ausnahme. Volle Chargen umfassen 25 Wafer, halbe Chargen umfassen 12 Wafer und Schnelldrehchargen umfassen 6 Wafer. Die FIFO-Ausnahme besteht darin, dass eine 6-Wafer-Charge Vorrang hat. Um der Simulation mehr Realität zu verleihen, wurden zufällige Durchlaufzeiten für „andere“ Prozessschritte verwendet, um unterschiedliche Wiedereintrittszeiten zwischen M1 und M2 usw. zu erreichen. Diese anderen Verarbeitungszeiten basierten auf festen Rüstzeiten, einer Verarbeitungszeit basierend auf der Anzahl der Wafer und der Priorität sowie zufälligen Wartezeiten. In einer realen Ursachenanalyse mit realen Daten muss jedes Werkzeug und jede Warteschlange in der Schleife untersucht werden. Um die Komplexität zu begrenzen und sich auf die Methoden zu konzentrieren, wurden nur die Sputterwerkzeuge simuliert. Beachten Sie außerdem, dass in der Arbeit davon ausgegangen wird, dass die Inline-Daten zu kritischen Abmessungen keine Veränderung der Liniengröße zeigten. Um Linienbrüche oder -risse auszuschließen, werden typischerweise ein Stripback oder Inline-Visuals überprüft. Es wurde nichts gefunden, daher liegt der Fokus auf dem Metall selbst.
Zur Beantwortung von Frage 1 wird ein Vergleich der Häufigkeit nach Tools durchgeführt. Meistens wird dabei jedes Tool einzeln von den Modulen geprüft und beim ersten RCA-Teammeeting besprochen. Alternativ kann ein Data-Mining-Tool mit Merkmalsauswahl auf eine umfangreiche Tabelle mit Spalten aus mehreren Schritten angewendet werden. Anstelle einer einzelnen monolithischen Datei kann eine virtuell verknüpfte Haupttabelle wie in Abbildung 3 (L) verwendet werden.
Frage Nr. 2: Um die Geschichte fortzusetzen: Eine chemische Untersuchung der Hauptsysteme ergab keine Ergebnisse. Alle Werkzeuge sind an dieselben Systeme angeschlossen. An dieser Stelle könnten die Anomaliedaten mit Tabellen von Inline-Monitordaten und Werkzeugsensordaten verknüpft und analysiert werden.
Im weiteren Verlauf der Erzählung erklärt ein Ingenieur, dass einige Wochen vor der Abschaltung das M5-Rezept und die chemische Mischung geändert wurden, um die Abscheidung besser an die Topographie (Strukturen) von M5 anzupassen. Die Charakterisierung vor der Implementierung umfasste einige M5-Wafer, gefolgt von einigen M1-Wafer, und wurde für die anderen Schichten wiederholt. Alle Ergebnisse lagen im Normbereich.
Der Leiter des RCA-Teams bittet um eine Analyse der Waferanzahl für M3 und M5, um Frage 3 zum Werkzeugzustand zu beantworten. Angenommen, die erste Datei des Ingenieurs enthielt nur die Gesamtzahl der Wafer. Schließen Sie die Tabelle und bitten Sie den Ingenieur, eine Spalte für die kumulierte Anzahl der M5-Wafer hinzuzufügen, die vor M3 ausgeführt wurden. Öffnen Sie nach der Änderung der Daten die neue Datei und verknüpfen Sie sie. Abbildung 6 zeigt, dass verschiedene Dateien und Iterationen mit den Anomaliedaten verknüpft werden können.
Abbildung 6: M3-Anomaliedaten nach dem Ende der Feiertage, verknüpft mit PMCountern des M3-Tools
Abbildung 7 – M3.SRHO nach den Feiertagen im Vergleich zu PM_WFRCOUNT nach Tool (hier wird nur SPUTT02 angezeigt)
Abbildung 7, ein Y-x-Fit-Diagramm der M3.SRHO-Daten im Vergleich zur Waferanzahl für SPUTT02, zeigt, dass Fehler sowohl bei niedrigen als auch bei hohen Waferanzahlen auftraten. Die Simulation sah eine SPC alle 500 Wafer vor, und eine PM wurde nach 5000 Wafern bzw. etwa 2500 Wafern pro Kammer durchgeführt. Es scheint einen Erschöpfungseffekt bei den vollen Chargen zu geben (ein Rückgang mit jedem Wafer). Aufgrund der Art dieser Simulation enthielt das Material nach den Feiertagen außerdem viele 6-Wafer-Chargen mit schnellem Umschlag.
Da die Charakterisierung vor der Implementierung bei nur wenigen ausgeführten M5-Wafern keine Wirkung zeigte, könnte es sich hierbei um eine Ansammlung handeln oder auf die Sequenzierung zurückzuführen sein, mit anderen Worten Frage Nr. 4?
Für meine nächsten Schritte habe ich Ereignisanalysen verwendet, um die bisherigen Analysen zu verstehen.
- Erstellen Sie eine Tabelle aller Werkzeugereignisse. ( MES-Daten für die Sputterer.)
- Erstellen Sie Spalten für 10 oder mehr Lags. Dies ist mit einem Tool einfacher. Die Schritte sind: Teilmenge nach Tool. Schreiben Sie ein Skript zum Erstellen von Lags (siehe lagit.jsl). Kombinieren Sie die Tool-Dateien.
- Wählen Sie die M3-Betriebsdaten aus, da diese potenzielle Werkzeugzustandsanomalie nur M3 zu betreffen scheint. Verwenden Sie daher nur M3-Zeilen. Siehe Datei M3 Last 20.jmp. Erstellen Sie die Link-ID Wafernum.M3.
- Öffnen Sie diese Datei, klicken Sie in den Anomaliedaten mit der rechten Maustaste auf die Spalte Wafernum.M3 und wählen Sie Link-Referenz . Verwenden Sie Baummethoden (Partition) und Merkmalsauswahl, um ein Muster zu finden.
Die Ereignissequenzierung kann relativ schnell mit der JMP-Funktion Lag( :col, n ) durchgeführt werden, die mit Zeichenspalten arbeitet. Dabei wird der Tool-Verlauf erstellt, also die zuvor vom Tool ausgeführten Aktionen.
Abbildung 8: Ausschnitt der Tabelle „M3 Last 20.jmp“ mit Verzögerungen der Tool-Ereignisse
Abbildung 9 Aufteilung des M3.SRHO-Chargendurchschnitts im Vergleich zu den letzten 20 Werkzeugereignissen
Abbildung 8 zeigt einen Ausschnitt der Tabellenstruktur und Abbildung 9 den Partitionsverlauf. Die Lags 1, 2 und 3 wurden der Reihe nach ausgewählt und jeweils beim Ereignis M5LotMoveIn aufgeteilt. Abbildung 8 zeigt eine Formelspalte zur Vereinfachung der Sequenzierung. Sie stellt die Verkettung codierter Ereignisse dar: 0 = PM, 5 = M5 und 1 für alle anderen Ereignisse. Abbildung 10 zeigt das Diagramm für das RCA-Management-Update.
Abbildung 10 Präsentationsdiagramm des M3SRHO-Chargenverarbeitungseffekts
Kommentare
- Die Simulation erzielte die beabsichtigte Wirkung.
- Aufgrund der eingebauten Sättigung, PM und Erschöpfung ist die Standardmodellierung dieser Art von Anomalie schwierig.
- Sequenzierung und die Suche nach bestimmten Effekten ist (war) mein BKM.
- Finden Sie alle M3-Lose, auf denen kurz zuvor M5 gelaufen ist.
- Berechnen Sie das Delta zum Ausgangswert. Vergleichen Sie den Effekt mit der Anzahl der Wafer.
- Untersuchen Sie die Auswirkungen der Waferverarmung.
- Derzeit erforsche ich die Zuverlässigkeitssequenzierung und suche nach Vorschlägen zur Standardisierung dieser Methoden.
- Das Dokument enthält weitere Details und ein weiteres Beispiel zur Ursachenanalyse. Der angehängte Datenordner enthält readme.txt-Dateien zur Simulation und zum modellierten Effekt. Die verknüpften Datendateien enthalten Skripte zum Erstellen der Diagramme und der Partitionierung.
Virtuelle Verknüpfungen ermöglichen eine agile Datenaktualisierung und -umstrukturierung, was insbesondere für RCA nützlich ist.
Verweise
[1] Abbildung 1(L) Nackter Siliziumwafer, (na), (nd), Siliziumwafer . Abgerufen am 31. Juli 2017 von der TechInstro-Website, https://www.techinstro.com/silicon-wafer/
[2] Abbildung 1 (L) , (na), 9. April 2013, Formel und (kostenloser) Rechner für Die-pro-Wafer . Abgerufen am 31. Juli 2017 von der anysilicon-Website, http://anysilicon.com/die-per-wafer-formula-free-calculators/
[3] Abbildung 1(R) (na), (nd), Hinteres Zeilenende . Abgerufen am 31. Juli 2017 von Wikipedia, der freien Enzyklopädie, Website, https://en.wikipedia.org/wiki/Back_end_of_line
[4] Abbildung 2, 유광재, 20. Januar 2015, Optimal Fab SDM LAB, KAIST Industrial & Systems Engineering , Abbildung 2. Optimales FAB-Layoutdesign basierend auf dem Materialfluss zwischen den Prozesstypen. Abgerufen am 31. Juli 2017 von 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. Juni 2016) Warum wir mehr Fachexperten in den Datenwissenschaften brauchen . Abgerufen am 31. Juli 2017 von der Forbes-Website https://www.forbes.com/sites/kalevleetaru/2016/06/12/why-we-need-more-domain-experts-in-the-data-sciences/#14ee761e3b50
[6] (na), (n.a.), Data Mining von A bis Z. Abgerufen am 31. Juli 217 von der SAS-Website https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper1/data-mining-from-az-104937.pdf
[7] Weitere Websites, um mehr über die Halbleiterherstellung zu erfahren
https://www.bloomberg.com/news/articles/2016-06-09/how-intel-makes-a-chip
https://www.youtube.com/watch?v=vmAyXWvLHeI (FOUP-Film laden)
https://www.youtube.com/watch?v=4Q_n4vdyZzc (Halbleitertechnologie bei TSMC, 2011)
