Le processus de fabrication des plaquettes de semi-conducteurs est une prouesse de physique et d'ingénierie, impliquant des milliers d'étapes minutieuses qui s'enchaînent pour créer des dispositifs essentiels au monde moderne. À chaque étape, différents outils modifient physiquement la surface des plaquettes afin d'obtenir les profils de couches souhaités. Compte tenu de la complexité du processus, il est impératif que les outils soient calibrés selon des paramètres optimisés pour minimiser les défauts et maximiser le rendement.
Grâce à la production en grande série, la plupart des problèmes les plus faciles à résoudre ont été réglés, et il incombe désormais aux ingénieurs produits d'affiner le processus en éliminant les défauts les plus subtils. Ces signatures de défauts ressemblent souvent à la structure physique ou aux mouvements des outils de production et présentent de faibles taux de défaillance (< 500 ppm), masqués par les variations de processus et une masse considérable de données d'échecs de tests. L'utilisation de la méthodologie décrite dans cet article a permis de déceler avec succès des signatures de défauts de plaquettes difficilement identifiables, conduisant à une analyse des défaillances et à la mise en œuvre de mesures correctives par la fonderie.
Chaque plaquette que nous produisons recèle des secrets, de minuscules motifs qui peuvent influencer considérablement le rendement. Depuis plus de dix ans, JMP est un outil essentiel pour percer ces secrets.
Je suis Jason Paquette, ingénieur en développement produit chez AMD, et aujourd'hui, je souhaite vous montrer comment JMP a permis à mon équipe et moi de déceler des signaux cachés et d'impulser de véritables changements. Petite précision d'emblée : toutes les données utilisées dans cette présentation sont simulées et servent uniquement à illustrer le propos, afin de satisfaire aux exigences légales de notre service juridique et de pouvoir la présenter ici.
Dans le cadre de mes fonctions, je consacre environ 90 % de mon temps à analyser les données des tests produits afin d'identifier les pistes d'amélioration du rendement. En effet, la fabrication des plaquettes représente l'un des postes de dépenses les plus importants de notre entreprise, et même une légère amélioration du rendement peut se traduire par des millions de dollars d'économies. Les pertes de rendement peuvent avoir diverses origines, mais aujourd'hui, je souhaite me concentrer sur les défauts systématiques qui surviennent lors de la fabrication des plaquettes.
Lors de la fabrication des plaquettes, celles-ci passent par des centaines d'étapes extrêmement précises où des défauts peuvent survenir en raison de la contamination par des particules, de variations de processus, d'un mauvais alignement ou d'un mauvais étalonnage des équipements, ou même de sensibilités de conception, pour ne citer que quelques exemples.
Au centre de l'affiche, vous trouverez ce que nous appelons une carte de plaquette. Celle-ci a été générée à l'aide de JMP Map Shapes, visualisés dans l'outil Graph Builder. Chaque petit rectangle de la carte, agrandi dans le rectangle rouge, représente une puce, c'est-à-dire un composant non encapsulé. La méthode standard de visualisation spatiale des défauts consiste à superposer les cartes de plaquette afin d'afficher le taux de réussite/échec moyen pour chaque emplacement de puce sur plusieurs plaquettes. J'ai ici opté pour le schéma de couleurs « rayonnement du corps noir » de JMP, qui représente les zones à faible rendement en clair et les zones à rendement élevé en foncé. Ces cartes de plaquette, au niveau des colorants, sont très efficaces pour repérer les défauts à grande échelle, comme ceux que vous pouvez observer au centre et sur les bords. Malheureusement, elles sont insuffisantes pour les signatures très fines, notamment lorsque la taille des puces devient importante.
Pour contourner ce problème, nous pouvons approfondir l'analyse. Au lieu de nous contenter des résultats de réussite/échec au niveau du dé, nous pouvons examiner les résultats au niveau des sous-dés, que nous appelons « tuiles ». Chaque dé est composé de nombreuses tuiles, chacune ayant sa propre fonctionnalité et que nous pouvons tester individuellement. Grâce à notre base de données de conception, nous pouvons extraire les coordonnées de tous les sommets de ces tuiles et générer des fichiers de formes cartographiques pour afficher spatialement les taux d'échec des tuiles dans Graph Build. Un exemple est visible en haut à droite, avec un plan d'étage et une illustration détaillée de l'une de ces tuiles de forme irrégulière.
Cela améliore considérablement la granularité de nos données, mais présente des limitations importantes. La première est que ce que nous appelons la défectuosité aléatoire n'est pas pris en compte par ces simples données de taux de défaillance ou de rendement des tuiles. En effet, la densité des tuiles n'est ni standardisée ni constante ; elle varie considérablement. Autrement dit, les tuiles à forte densité de circuits ont une probabilité plus élevée de présenter un défaut aléatoire que celles à faible densité. Sans correction, les variations normales pourraient être interprétées comme des valeurs aberrantes, et même les véritables valeurs aberrantes que nous recherchons pourraient être noyées dans le bruit.
Pour remédier à cela, nous calculons ce que nous appelons une zone critique, toujours à partir de notre base de données de conception. Pour chaque carreau, je normalise les données de défaillance à l'aide de l'équation du modèle de rendement de Poisson présentée ici. Cela nous donne une densité de défauts réelle par zone, reflétant au mieux la situation réelle. La seconde limitation à laquelle nous sommes confrontés est que les données spatiales sont généralement analysées produit par produit. Or, chaque produit possède des tailles de colorant, des formes et des emplacements de carreaux différents. Il est donc très difficile de comparer directement les produits entre eux.
Faute de pouvoir comparer directement les produits de manière standardisée, les signatures communes passent souvent inaperçues. Prises individuellement, les signatures atypiques peuvent même paraître faibles ou parasites. Mais que se passerait-il si nous pouvions toutes les combiner ?
Voici notre méthode. Nous créons d'abord des fichiers de formes standardisés pour la cartographie de la plaquette, avec une grille fine d'un millimètre carré, à l'aide d'un script JSL que j'ai écrit (en haut à gauche). Ce script utilise cette carte de plaquette très précise. Ensuite, nous calculons le recouvrement entre les tuiles de produit et la grille standardisée. Pour cela, nous avons utilisé Shapely, un module Python très pratique. Enfin, nous intégrons toutes les données de densité de tuiles calculées précédemment et nous les pondérons par la contribution de chaque tuile au recouvrement de chaque carré de la grille. Nous obtenons ainsi une carte de densité de défauts standardisée pour la plaquette.
En haut à droite, un graphique de distribution illustre la zone de chevauchement au sein de chaque grille carrée. On constate clairement qu'une part importante des carrés de la grille ne chevauche que partiellement les tuiles du produit. Ceci s'explique par le fait que la grille uniforme, en plus de chevaucher les tuiles souhaitées, recouvre également les fines zones situées entre les puces et à leur périphérie, zones qui nous importent peu. Afin d'améliorer la précision de nos cartes de densité de défauts, nous exclurons ces zones de la grille de notre analyse ultérieure.
Maintenant que tous les détails techniques sont réglés, voyons ce que les résultats montrent.
À gauche figurent quatre cartes fictives de densité de défauts de produits, générées individuellement. Ces cartes, bien que peu détaillées, présentent parfois des signatures plus évidentes que d'autres, mais des éléments clés manquent, empêchant d'obtenir une image complète. Toute la puissance de cette approche réside dans la superposition de toutes les cartes de densité de défauts des produits, révélant ainsi au grand jour tous les défauts cachés.
Je sais que ce sont des données simulées, mais c'est une image plutôt sympa, non ? C'est chouette, non ? Je trouve. Pour les curieux, toutes ces signatures ont été créées grâce à un petit mélange amusant de fonctions aléatoires et trigonométriques de JMP, avec quelques petites retouches ici et là pour une présentation plus présentable.
Grâce à cette méthode, nous avons pu détecter des défauts très subtils qui seraient autrement passés inaperçus. Plus important encore, la clarté de ces signaux a permis aux ingénieurs de nos partenaires industriels de cibler précisément leurs efforts de débogage, ce qui a conduit à des actions correctives plus rapides et plus ciblées. De plus, la convergence des données issues de plusieurs produits vers des observations communes renforce considérablement l'impact des informations transmises à nos partenaires.
Bien que ce projet se soit concentré spécifiquement sur les données des semi-conducteurs, cette approche pourrait s'appliquer à une grande variété d'autres applications, notamment si vous disposez de tout type de données spatiales exploitables.
Ma présentation est maintenant terminée. Je vous remercie infiniment de l'avoir écoutée et j'espère qu'elle vous a intéressé(e). N'hésitez pas à me contacter si vous avez des commentaires ou des questions. Je serais ravi(e) d'échanger avec vous.
