Análisis de causa
Georgia Z. Morgan, Estadística sénior, jubilada
El análisis de causa es un término general que se aplica a las tareas que se utilizan para investigar, analizar y, en última instancia, determinar los factores causales de una o varias anomalías. Los métodos avanzados de aprendizaje automático y otras herramientas de minería de datos han reducido el tiempo y el esfuerzo necesarios para analizar los datos.
La preparación de datos, los pasos para adquirir datos y transformarlos en información, requiere experiencia en el dominio. Para identificar la causa raíz de un proceso de fabricación complejo, es probable que los expertos en el dominio pertenezcan a diferentes organizaciones funcionales y que los datos provengan de distintas fuentes.
Mi experiencia es compartida por otros:
“A menudo, los datos se encuentran en diferentes sistemas y es necesario acceder a ellos y convertirlos en un conjunto de datos que pueda usarse para la minería de datos y el aprendizaje automático. …
Esto suele requerir una cantidad significativa de agregación y transformación de datos. Una vez agregada una única tabla base de análisis, entran en juego los demás aspectos del ciclo de vida. Dado que es necesario experimentar con los datos, la etapa de preparación también es muy iterativa, ya que el analista prueba diferentes tipos de datos para obtener los resultados predictivos más precisos .
(na), (nd), Minería de datos de la A a la Z. Recuperado el 31 de julio de 2017 del sitio web de SAS https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper1/data-mining-from-az-104937.pdf
Como he señalado en innumerables ocasiones, existe una enorme diferencia entre extraer datos y responder preguntas. Cualquier conjunto de datos ofrece una visión particular de la realidad, pero ningún conjunto de datos por sí solo ofrece una visión perfecta, holística e imparcial de la totalidad de la existencia. Esto significa que, a la hora de analizar datos, en muchos sentidos es mucho más importante comprenderlos que tener un doctorado en estadística.”
Leetaru, K. (12 de junio de 2016) Por qué necesitamos más expertos en ciencias de datos . Recuperado el 31 de julio de 2017 del sitio web de Forbes : https://www.forbes.com/sites/kalevleetaru/2016/06/12/why-we-need-more-domain-experts-in-the-data-sciences/#14ee761e3b50
También es mi experiencia que:
- La mayoría de las iteraciones de datos consumen mucho tiempo.
- Las uniones son casi siempre fuera de línea, por lo que cada iteración requiere otra reunión, en otras palabras,
- ¡No ágil!
Esta presentación tiene dos objetivos. Mi objetivo principal es demostrar cómo la Unión Virtual de JMP puede ayudar a un equipo de análisis de causa raíz a ser más ágil al combinar tablas. Mi objetivo secundario es recopilar propuestas alternativas para los análisis de causa que se presentarán. El ejemplo es hipotético, ya que no describe un problema real que haya observado, sino que se basa en diversas experiencias sobre qué puede salir mal. Además, todos los datos son simulados. Si bien este ejemplo se basa en la fabricación de semiconductores (CI), este problema podría ocurrir en cualquier fábrica de procesamiento o incluso en estudios de fármacos.
Se presentará una breve descripción general de los aspectos de la fabricación de circuitos integrados para contextualizar los datos y la anomalía, seguida de algunos detalles sobre las uniones virtuales y, finalmente, los análisis. Cabe destacar que el ejemplo presentado es uno de los dos que se describen en el documento adjunto.
Palabras clave: anomalía , RCA (análisis de causa raíz), herramientas de minería de datos, fabricación de semiconductores, unión virtual JMP®, JSL, proceso reentrante, IC (circuito integrado), FEOL (extremo frontal de la línea), BEOL (extremo posterior de la línea), EOL (final de la línea, típicamente, pruebas de rendimiento y desempeño y preparación de la matriz), PM (mantenimiento preventivo).
Un poco de contexto
Los circuitos integrados (CI) se crean mediante numerosos pasos de procesamiento: oxidación, implantación, deposición de películas y metales pulverizados con diferentes características de conductividad y barrera (no conductividad), modelado, planarización y, por supuesto, limpieza y medición. Comienza con una oblea de silicio desnudo y dopado [1] y termina con múltiples chips (CI) por oblea. El número máximo de chips por oblea depende del tamaño de la oblea (diámetro) y del chip [2]. Véase la Figura 1(L).
La Figura 1(R) es una caricatura que representa un segmento muy pequeño de un chip con una interconexión de metal Cu de 5 capas BEOL.[3] Aunque la arquitectura, el espesor del metal, el diseño y posiblemente la receta pueden ser diferentes para cada capa de Cu, normalmente se procesan en la misma área de fábrica (bahía de fabricación) y con las mismas herramientas.
Figura 1 ( I ) Portador de 25 obleas de silicio desnudas con oblea plana y completamente procesada con muesca ( D ) Gráfico de IC de una interconexión BEOL de Cu de cinco capas.
El FEOL y el BEOL están segmentados. Incluso una cantidad mínima de Cu se difunde rápidamente a través de los óxidos, creando defectos y degradando la calidad del óxido de compuerta.
La Figura 2 muestra una posible disposición de una fábrica para un FEOL [4]. Los equipos de procesamiento del mismo tipo y función se ubican en bahías. Su disposición está optimizada para la conexión de tuberías al suministro de productos químicos a granel, escapes y desagües. Un sistema de rieles elevados, denominado sistema automático de manejo de materiales (AMHS), transporta lotes de fabricación de una estación a la siguiente o los almacena temporalmente en un almacén remoto hasta que haya una herramienta disponible. No existe una disposición estándar; cada empresa de semiconductores tiene su propio grupo de planificación de fábrica. La mayoría de las colas de la fábrica son reentrantes. Por ejemplo, las cuatro herramientas en las bahías 7 y 9 podrían realizar siete pasos de limpieza diferentes. Conocer el flujo de la fábrica y el uso de los equipos es esencial para el análisis de causa raíz. En este ejemplo, una sola herramienta podría afectar potencialmente a un lote de fabricación hasta siete veces, y algunos lotes de fabricación podrían no haberse procesado nunca en ese equipo.
Consulte las referencias [7] o realice una búsqueda rápida en la web de videos y otras fuentes para obtener más información sobre la fabricación de semiconductores.
Figura 2. Posible diseño de fábrica para un proceso FEOL. 
Las secuencias de procesamiento, el tiempo entre pasos, el momento del procesamiento en una herramienta específica y la manipulación pueden ser factores importantes que contribuyen a una anomalía, un problema que afecta la calidad del circuito integrado (CI). Cada oblea de silicio tiene un número grabado en el silicio. Existe un estándar industrial que permite rastrear el origen de cada oblea. Desde hace unos 20 años, los equipos de procesamiento y los manipuladores de las fábricas cuentan con lectores RFID. Los sistemas de fabricación registran el momento exacto en que las obleas entran y salen de una herramienta, entre otros. Los datos de simulación presentados (y adjuntos) utilizan un sistema de numeración simple. No son una réplica de los datos de la fábrica, pero proporcionan las características deseadas para este ejemplo.
Unión virtual
A Unión virtual:
- Permite que una tabla principal se vincule a varias tablas auxiliares sin unirlas físicamente.
- Requiere que se configuren dos propiedades de columna: Referencia de vínculo (tabla principal) e ID de vínculo (tabla auxiliar).
- Las columnas de la tabla de datos referenciada (vinculada) se muestran como variables agrupadas en la tabla principal.
- Estas columnas se pueden utilizar en fórmulas, gráficos, análisis y comandos de tabla.
- Se puede crear desde la interfaz de usuario y se puede crear y administrar mediante JSL.
La Figura 3 (L) muestra siete tablas unidas por el número único de oblea (Wafernum). La referencia de enlace se muestra como una clave azul sombreada cuando está vinculada y gris cuando no lo está. Haga clic en el icono de divulgación para consultar las columnas de esa tabla.
Figura 3 (I) Datos de rendimiento/anomalía/rendimiento de fin de línea virtualmente unidos con datos de equipo para 7 operaciones, (METRO) Panel de tabla auxiliar M1 con ID de enlace, (D) Menú de tabla, Combinar datos referenciados,
La Figura 3 (M) muestra el panel de tabla de una de estas tablas (M1, la primera capa de Cu). El ID de enlace es una clave dorada. La Referencia de enlace y el ID de enlace deben ser del mismo tipo de datos. Los valores del ID de enlace deben ser únicos, sin valores duplicados. Si se utiliza JSL, o para poder volver a vincular tablas en otra sesión, es necesario guardarlas en el disco. La lista a continuación muestra algunas características de las uniones virtuales. La Figura 3(R) muestra que se puede fusionar un conjunto seleccionado de enlaces de tabla en cualquier momento. Seleccione las Referencias de Enlace que desee fusionar o seleccione ninguna para todas las columnas vinculadas; luego, seleccione Fusionar en el menú principal de la tabla. Así de fácil es fusionarlas en la tabla principal.
Elementos a tener en cuenta
- La ruta distingue entre mayúsculas y minúsculas, pero no se requiere un nombre de ruta si la tabla de datos auxiliar jmp se encuentra en el mismo directorio que la tabla de datos principal. (Use la sintaxis POSIX "c:/temp/" si el equipo trabaja con varios sistemas operativos).
- Para los datos de fabricación, los enlaces típicos serían Lote, ID de oblea y, posiblemente, Matriz (fila, columna). El equipo de RCA debe acordar un estándar, y cada representante de área debe ser responsable de sus datos y prepararse creando el ID de enlace . Esto permite realizar correcciones de datos en paralelo a las reuniones de RCA y se puede vincular fácilmente una vez listo.
- No utilice un nombre de base de datos para los enlaces, ya que cada tabla vinculada requiere una Referencia de enlace única y su correspondiente ID de enlace. Utilice una función para los enlaces. Actualizar los datos será más sencillo y el valor del enlace también se actualizará. (Cada Wafernum.M) La columna utiliza una fórmula de columna para la columna DB Wafernum).
- Los scripts de plataforma guardados utilizan una sintaxis detallada para hacer referencia a una columna vinculada.
Columna referenciada( "Herramienta[Wafernum.M1]" ,
Referencia( Columna (:Wafernum.M1), Referencia( Columna ( :Herramienta ))))
Esta sintaxis más simple parece funcionar.
: Nombre ( "Herramienta[Wafernum.M1] " ) en otras palabras, : Nombre ( " nombre de columna [ID del enlace]" )
- Cierre la tabla auxiliar, en lugar de desvincularla, especialmente si el vínculo se puede utilizar más adelante, posiblemente para un archivo diferente.
Recomendado:
Cree un complemento o scripts para crear enlaces automáticamente y abrir archivos de enlaces establecidos.
Beneficios de unirse virtualmente:
- Gestión de nombres de columnas . La Figura 4 muestra 3 de las 7 tablas vinculadas. Todas comparten los mismos nombres de columna. Todas las uniones JMP añaden información sobre la tabla de origen para las columnas con los mismos nombres; sin embargo, estos nombres son los de la tabla de origen, que suelen ser largos y complejos. Para una unión virtual , se establecen los nombres de referencia de enlace y el ID de enlace . Con una sintaxis menos detallada, la gestión de nombres es más sencilla y legible para la vinculación y la creación de scripts.
- Trabajando en paralelo. Supongamos que el miembro del equipo de análisis de causas de M5 indicó que sus datos tenían un problema. Cierre la tabla de datos de M5, permita que el equipo continúe y, cuando esté listo, abra la tabla corregida y vuelva a vincularla haciendo clic derecho en la columna Wafernum.M5 de la tabla principal y seleccione Referencia de enlace . Aparecerá una lista de archivos; seleccione el archivo M5.
Figura 4 Datos del equipo Fab para 3 operaciones, mismos nombres de columna
Ejemplo simulado: Resistencia M3 EOL con falla intermitente
Una de las causas más difíciles de erradicar es la contaminación, especialmente si esta se elimina mediante mantenimiento programado (MP) y se disipa con el uso (es reparable), y si es condicional. Se creó una simulación de una planta de fabricación de semiconductores BEOL para una pulverización catódica de metal de 7 capas para demostrar esta anomalía.
Es probable que la epidemiología, los estudios de medicamentos y el procesamiento de alimentos y medicamentos experimenten un tipo similar de anomalía con cierta frecuencia.
SRHO es una métrica de calidad de la resistencia del metal. Existen numerosas causas potenciales para un aumento de SRHO, incluso restringiendo la investigación solo al bucle M3. Si las líneas son demasiado estrechas, la resistencia aumenta. Si las líneas presentan grietas u otros defectos, o la contaminación del metal puede afectar las características conductoras del metal. La Figura 5 muestra el efecto. El gráfico superior representa el material de referencia durante varias semanas antes de un cierre por vacaciones. El gráfico inferior muestra el material posterior a las vacaciones. Algunos indicadores de fin de vida (EOL) de lotes intermitentes para la resistencia M3 fallan en el SPC y están tan fuera de control que las obleas deben desecharse. Solo hubo unos pocos lotes anómalos, luego no se detectó ninguno. Entonces, la "regla eventual" entra en juego: las señales pequeñas eventualmente se convierten en señales grandes. Una oleada de lotes defectuosos aparece al final de la línea.
Figura 5 M3.SRHO (T) Promedio del lote base ( B ) Promedio del lote posterior a las vacaciones versus herramientas de pulverización catódica M3 
Preguntas de análisis de causa
- ¿La herramienta de anomalía es específica?
- ¿Los procesos son consistentes y utilizan los mismos productos químicos?
- Dada la naturaleza intermitente, ¿podría esto estar relacionado con el estado de la herramienta?
- ¿Podría esto estar relacionado con la secuencia del proceso, los tiempos de espera, el tiempo entre un paso y otro, etc.?
Solo se simuló la pulverización catódica M1-M7 con una cola FIFO, con una excepción. Los lotes completos son de 25 obleas, los medios lotes son de 12 obleas y los lotes de entrega rápida son de 6 obleas. La excepción FIFO es que un lote de 6 obleas tiene prioridad. Para añadir realismo a la simulación, se utilizaron tiempos de procesamiento aleatorios para "otros" pasos del proceso para tener tiempos de reentrada variables entre M1 y M2, etc. Estos otros tiempos de procesamiento se basaron en tiempos de configuración fijos; tiempo de procesamiento basado en el número de obleas y la prioridad; y tiempos de cola aleatorios. En un análisis de causa real con datos reales, cada herramienta y cola del bucle requiere investigación. Solo se simularon las herramientas de pulverización catódica para limitar la complejidad y centrarse en los métodos. Cabe destacar también que el artículo utiliza la narrativa de que los datos de dimensión crítica en línea no mostraron cambios en el tamaño de la línea. Para eliminar roturas o grietas en la línea, normalmente se revisa un desmontaje o imágenes en línea. No se encontró nada, por lo que el enfoque se centra en el metal en sí.
Para responder a la pregunta n.° 1, se revisa una comparación de la incidencia por herramientas. Generalmente, esta revisión se realiza individualmente por cada módulo y se revisa en la primera reunión del equipo de RCA. También se podría aplicar una herramienta de minería de datos con selección de características a una tabla extensa con columnas de varios pasos. En lugar de un único archivo monolítico, se podría utilizar una tabla principal virtualmente enlazada como la que se muestra en la Figura 3 (L).
Pregunta n.° 2: Para continuar con la narrativa, una revisión química de los sistemas a granel no revela resultados. Todas las herramientas están conectadas a los mismos sistemas. En este punto, los datos de anomalías podrían vincularse con tablas de datos del monitor en línea y datos de los sensores de las herramientas, y analizarse.
A medida que continúa la narración, un ingeniero afirma que un par de semanas antes del cierre, se modificó la fórmula de M5 y la mezcla química para que la deposición se ajustara mejor a la topografía (estructuras) de M5. La caracterización previa a la implementación incluyó algunas obleas de M5, seguidas de algunas de M1, y se repitió para las demás capas. Todos los resultados se mantuvieron dentro de los parámetros de referencia.
El jefe del equipo de RCA solicita un análisis del recuento de obleas tanto para M3 como para M5, intentando responder a la pregunta n.º 3 sobre el estado de la herramienta. Supongamos que el primer archivo del ingeniero solo contenía el recuento total de obleas. Cierre la tabla y pida al ingeniero que añada una columna para el número acumulado de obleas M5 procesadas antes de M3. Una vez modificados los datos, abra el nuevo archivo y vincúlelo. La Figura 6 muestra cómo se pueden vincular diferentes archivos y diferentes iteraciones a los datos de anomalías.
Figura 6 Datos de anomalías M3 al final de la vida útil después de las vacaciones vinculados con la herramienta M3 PMCounters
Figura 7 - M3.SRHO posterior a las vacaciones versus PM_WFRCOUNT por herramienta (aquí solo se muestra SPUTT02)
La Figura 7, un gráfico de ajuste Y por X de los datos de M3.SRHO frente al número de obleas para SPUTT02, demuestra que se produjeron fallos con un número bajo y alto de obleas. La simulación programó un SPC cada 500 obleas y se realizó un PM después de 5000 obleas, o aproximadamente 2500 obleas por cámara. Parece observarse un efecto de agotamiento en los lotes completos (una disminución con cada oblea). Además, debido a la naturaleza de esta simulación, el material inicial posterior a las vacaciones presentó muchos lotes de 6 obleas de rotación rápida.
Dado que la caracterización previa a la implementación no mostró ningún efecto con solo unas pocas obleas M5 procesadas, ¿podría esto deberse a una acumulación o a la secuenciación, en otras palabras, a la pregunta n.° 4?
Para los análisis pasados, he utilizado análisis de eventos para mis próximos pasos.
- Cree una tabla de todos los eventos de herramientas. ( Datos MES para los pulverizadores catódicos).
- Cree columnas que representen 10 o más rezagos. Esto es más fácil de hacer con la herramienta. Los pasos son: crear un subconjunto por herramienta, escribir un script para crear rezagos (ver lagit.jsl) y combinar los archivos de la herramienta.
- Seleccione los datos de la operación M3, ya que esta posible anomalía del estado de la herramienta solo parece afectar a M3. Es decir, utilice solo las filas M3. Consulte el archivo M3 Last 20.jmp. Cree el ID de enlace Wafernum.M3.
- Abra este archivo y, desde los datos de anomalía, haga clic derecho en la columna Wafernum.M3 y seleccione Referencia de enlace . Utilice métodos de árbol (Partición) y selección de características para encontrar un patrón.
La secuenciación de eventos se puede realizar con bastante rapidez mediante la función JMP Lag( :col, n ), que funciona en columnas de caracteres. En este caso, se crea el historial de la herramienta, es decir, lo que la herramienta ha ejecutado previamente.
Figura 8 Fragmento de la tabla M3 Last 20.jmp Estructura con rezagos de eventos de herramientas
Figura 9 Partición del promedio del lote M3.SRHO vs. los últimos 20 eventos de herramientas
La Figura 8 muestra un fragmento de la estructura de la tabla y la Figura 9, el historial de particiones. Los rezagos 1, 2 y 3 se seleccionaron en orden, y cada vez se dividieron según el evento M5LotMoveIn. La Figura 8 muestra una columna de fórmula para simplificar la secuencia. Representa la concatenación de eventos codificados: 0 = PM, 5 = M5 y 1 para todos los demás eventos. La Figura 10 muestra el gráfico de la actualización de la gestión de RCA.
Figura 10 Gráfico de presentación del efecto del procesamiento de lotes de M3SRHO
Comentarios
- La simulación logró el efecto previsto.
- El modelado estándar de este tipo de anomalía es difícil debido a la saturación, la PM y el agotamiento incorporados.
- La secuenciación y la búsqueda de efectos específicos es (era) mi BKM.
- Encuentre todos los lotes M3 en los que se ejecutó M5 justo antes.
- Calcule la diferencia con la línea base. Compare el efecto con el número de obleas.
- Investigar los efectos del agotamiento de las obleas.
- Actualmente, estoy investigando la secuenciación de confiabilidad y buscando sugerencias para estandarizar estos métodos.
- El artículo contiene más detalles y otro ejemplo de análisis de causa. La carpeta de datos adjunta contiene archivos readme.txt sobre la simulación y el efecto modelado. Una vez vinculados, los archivos de datos incluyen scripts para recrear los gráficos y la partición.
Las uniones virtuales permiten actualizaciones y reestructuraciones de datos ágiles, lo que resulta especialmente útil para RCA.
Referencias
[1] Figura 1(L) Oblea de silicio desnudo, (n/a), (s/f), Oblea de silicio . Recuperada el 31 de julio de 2017 del sitio web de TechInstro: https://www.techinstro.com/silicon-wafer/
[2] Figura 1 (L), (na), 9 de abril de 2013, Fórmula de matriz por oblea y calculadora (gratuita) . Recuperado el 31 de julio de 2017 del sitio web de anysilicon: http://anysilicon.com/die-per-wafer-formula-free-calculators/
[3] Figura 1(R) (na), (nd), Extremo posterior de la línea . Recuperado el 31 de julio de 2017 de Wikipedia, la enciclopedia libre, sitio web: https://en.wikipedia.org/wiki/Back_end_of_line
[4] Figura 2, 유광재, 20 de enero de 2015, Optimal Fab SDM LAB, KAIST Industrial & Systems Engineering , Figura 2. Diseño óptimo de la disposición de la FAB basado en el flujo de materiales entre los tipos de proceso. Recuperado el 31 de julio de 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 de junio de 2016) Por qué necesitamos más expertos en ciencias de datos . Recuperado el 31 de julio de 2017 del sitio web 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), Minería de datos de la A a la Z. Recuperado el 31 de julio de 2017 del sitio web de SAS https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper1/data-mining-from-az-104937.pdf
[7] Otros sitios web para aprender más sobre la fabricación de semiconductores
https://www.bloomberg.com/news/articles/2016-06-09/how-intel-makes-a-chip
https://www.youtube.com/watch?v=vmAyXWvLHeI (FOUP Cargar película)
https://www.youtube.com/watch?v=4Q_n4vdyZzc (Tecnología de semiconductores en TSMC, 2011)
