Les variations typiques, lentes et rapides du processus de fabrication des dispositifs semi-conducteurs peuvent être déterminées à l'aide d'un simple indicateur numérique, tel que le score Z (écart-type par rapport à la cible du processus). Cette méthode garantit la confirmation des variations cibles du processus et une livraison rapide des puces pour la validation interne de leur fonctionnement chez NXP Semiconductors.
Les oscillateurs annulaires de surveillance de processus (PMRO) sont un ensemble de 18 oscillateurs annulaires par puce. Les résultats de délai des PMRO ont été corrélés aux structures de test d'acceptation de la plaquette (WAT) à l'aide d'un diagramme de dispersion JMP. Les paramètres les plus corrélés ont servi à construire le modèle. Les données de variation de production d'un dispositif précédent utilisant la même technologie ont été utilisées comme variable prédictive. L'outil de simulation de JMP Prediction Profiler a été utilisé pour une simulation Monte Carlo afin de prédire la variation de durée de vie des anneaux. La moyenne et l'écart type du modèle, ainsi que les données PMRO de chaque puce, ont permis de calculer le score Z pour chaque puce.
Le modèle PMRO a également été utilisé pour simuler les données de courant (IDD), ce qui, à son tour, a permis de prédire la puissance maximale du dispositif en production, ainsi que de définir la limite supérieure IDD dans le programme de test ATE.
Bonjour. Je m'appelle Nivetha Shivan. Je suis ingénieure produit chez NXP Semiconductors. Aujourd'hui, je vais vous montrer comment réaliser une simulation Monte Carlo avec JMP Profiler pour évaluer le processus de fabrication du silicium.
Une plaquette de semi-conducteurs est généralement composée d'environ 4 000 puces semi-conductrices de taille moyenne. Dans les usines de fabrication de plaquettes, on utilise un test d'acceptation de plaquette (WAT) pour vérifier sa conformité aux spécifications du client. Ces structures de test WAT sont généralement situées entre les puces sur la plaquette. Il y a environ 11 puces adjacentes et 9 emplacements sur une plaquette, soit environ 99 puces adjacentes à ces structures WAT.
Dans nos dispositifs NXP les plus récents, nous avons implémenté la technologie PMRO (oscillateurs annulaires de surveillance des processus). Ces structures sont présentes sur chaque puce de la plaquette, soit environ 4 000 puces par plaquette. Alors que le test WAT n'est disponible qu'au niveau de la plaquette, le PMRO est disponible au niveau de la plaquette, pour les tests finaux et pour les tests sur carte, offrant ainsi une bien plus grande flexibilité d'analyse des données.
L'objectif principal est d'observer et d'évaluer l'écart d'une puce semi-conductrice par rapport à la cible de procédé, et de garantir une livraison rapide de ces échantillons à nos équipes internes. Pour ce faire, nous avons demandé un échantillonnage plus poussé sur la plaquette (WAT). De neuf points de mesure, nous sommes passés à l'ensemble de la plaquette. Nous avons ensuite effectué des corrélations entre les mesures PMRO et WAT, à la fois au niveau de la puce et au niveau de la plaquette. Les corrélations au niveau de la puce étant faibles en raison des variations entre les plaquettes, nous avons finalement opté pour les corrélations au niveau de la plaquette. Je vais réaliser une démonstration JMP pour illustrer cela.
Voici un exemple de jeu de données comprenant environ 22 plaquettes issues de différents procédés de fabrication. Cette colonne indique la médiane des plaquettes PMRO, et la suivante la médiane des plaquettes WAT. Dans un premier temps, je vais vérifier la cohérence des données. Je vais donc utiliser l'outil Analyser, puis Ajuster Y en fonction de X pour créer un graphique de régression. PMRO sera en ordonnée et WAT en abscisse. Je cliquerai sur OK.
Je vais ajouter une légende aux données de répartition. Pour une première estimation, voici à quoi cela ressemble : une plaquette lente présente un temps de latence plus élevé qu'une plaquette rapide, par exemple, dont le temps de latence est plus court. Les données sont donc cohérentes.
Je vais tracer une courbe d'ajustement (triangle rouge et courbe d'ajustement). Le coefficient de détermination (R²) est de 0,97, ce qui indique une forte corrélation entre le WAT et le PMRO. L'erreur quadratique moyenne (RMSE) est d'environ 0,11, ce qui est plutôt faible.
Ensuite, je vais effectuer les simulations de Monte Carlo, pour lesquelles j'ai besoin d'accéder à la plateforme Fit Model. Je vais me rendre dans le menu Analyser, Fit Model, PMRO sur Y et WAT dans Effets. J'utiliserai la méthode des moindres carrés standard pour la personnalité, en privilégiant la sélection par effet, puis je cliquerai sur Exécuter.
Voici le même graphique de régression que nous avons vu précédemment. Je vais maintenant faire défiler vers le bas jusqu'au profileur de prédiction. Le triangle rouge à côté contient une option « Simulateur ».
Ici, je vais modifier le type de données (fixes ou aléatoires) pour effectuer des simulations de Monte Carlo. JMP nous permet de saisir la moyenne et l'écart type. J'utiliserai les données d'un appareil en production depuis plus de deux ans, ce qui représente un volume important de données. Je retient cette valeur pour les besoins de cette démonstration. Il s'agit d'un jeu de données d'exemple, et non de valeurs réelles.
Ensuite, j'ajouterai le nombre de simulations. Je vais simuler environ 1 000 plaquettes. Cela correspond à 4 000 dés par plaquette, et donc 1 000 plaquettes au total. Ensuite, je réintégrerai l'erreur quadratique moyenne (RMSE) dans le modèle, puis je lancerai la simulation.
JMP nous fournit ici un petit histogramme. Il s'agit du modèle PMRO simulé. Je dois en extraire la moyenne et l'écart type. J'utilise la fonction « Simulateur vers tableau » en bas de l'interface, puis « Créer un tableau ». JMP nous a fourni ce modèle PMRO pour environ 1 000 plaquettes.
Je vais tracer un histogramme du PMRO. La moyenne est d'environ 14,9 et l'écart type d'environ 0,38. Le modèle semble suivre une distribution normale. Je vais ensuite intégrer la moyenne et l'écart type du modèle dans l'équation des scores Z.
Nous allons utiliser un autre jeu de données. Celui-ci contient environ 1 200 puces semi-conductrices différentes. Elles sont identifiées ici, ainsi que leurs procédés de fabrication, tels que je les connais actuellement. Les données présentées sont les données PMRO de chaque puce, et j'ai également une formule pour les scores Z. Ici, j'ai la moyenne du modèle moins les données individuelles, divisée par l'écart type du modèle.
Ensuite, je vais vérifier la cohérence des données. Je vais effectuer une analyse à un facteur : Analyser, Ajuster Y par X, Scores Z sur Y, Séparer sur X. Cliquer sur OK.
Ensuite, je vais calculer les quantiles. Les quantiles médians se trouvent ici. Cela indique que les matrices rapides sont à environ +3 sigma de la cible, les matrices lentes à environ -3 sigma de la cible, et les matrices typiques sont centrées autour de 0.
Les limites de fabrication de ces puces semi-conductrices ont été évaluées avec succès. Plusieurs dispositifs NXP utilisent le même modèle PMRO, et celui-ci fonctionne comme prévu. Plus important encore, une fonction similaire du profileur JMP a permis de réaliser une simulation Monte Carlo avec succès, de manière très rapide et efficace. Je vous recommande vivement d'utiliser également la fonction Monte Carlo de JMP pour vos projets. Merci.
