こんにちは。皆様、ようこそ。本日は、JMPスクリプトとワークフロー自動化が半導体業界の効率性をどのように向上させるかを探ります。プレゼンターの簡単な紹介です。私はNXP Semiconductorのシニアプリンシパルエンジニア、Su-Heng Linです。Martin DemelはJMPのプリンシパルシステムエンジニアです。本日のプレゼンテーションについてご説明いたします。まず、ワークフロー自動化が半導体製造においてなぜ重要なのかという動機からお話しします。次に、ウェーハ製造プロセスを例に、私たちが直面する複雑さについて理解を深めます。次に、プロセス変更と技術移転を比較し、それぞれの違いとビジネスフローを明らかにします。DOEやCpk分析といったデータ駆動型フレームワークが、評価と意思決定をどのようにサポートするのかを詳しく解説します。その後、パフォーマンスベンチマークと電気パラメータ分布について概説します。そして最後に、MartinによるJMPワークフロービルダーのライブデモを行います。最後に、重要なポイントをまとめ、質疑応答の時間を設けます。
半導体エンジニアリングにおいて、エンジニアは標準化された実験を日常的に実施し、変更管理、技術移転、監査コンプライアンスのためのレポートを作成します。これらのレポートは、多くの場合、JMPやExcelなどのツールを使用して手作業で作成され、その後PowerPointやWord文書にまとめられます。このプロセスでは、時間がかかり、一貫性がなく、時には不完全なものになります。また、メロディー作成者のスキルにばらつきがあるため、特に拠点間の技術移転において、非効率性や再現性、コンプライアンスのギャップが生じます。
本日は、JMPワークフロービルダーを使って、データクリーニング、統計分析、レポート作成などのタスクを自動化することで、このプロセス全体を効率化する方法をご紹介します。堅牢で標準化された出力を数分で作成できます。コーディングは不要で、ワークフローはデータの整合性を確保しながらチームの効率性を向上させます。このセクションの後半では、MartinがJMP19 Proを使ってワークフローを簡単に構築する方法をご紹介します。
半導体製造には数百もの工程と長いサイクルタイムが伴います。ここで、ウェハ製造の複雑さについて少し考えてみましょう。まず、ウェハロット（通常は25枚のベイヤーシリコンウェハ）から始めます。これらのウェハは、数百を超える複雑なプロセスステップを経、最低でも9～16週間を要します。工程は、酸化、フォトリソグラフィー、エッチングで回路パターンを定義することから始まります。続いて洗浄と鉄イオン注入を行い、電気特性を修正します。そして、金属と誘電体の堆積によって、相互接続と絶縁に必要な層を構築します。デバイスの性能と信頼性を確保するには、各工程を厳密に制御する必要があります。製造が完了すると、クラスプローブとも呼ばれるウェハ受け入れ試験が行われます。この試験では、トランジスタやコンデンサなどの個々のデバイスをサンプリングし、品質を検証します。
合格したウェハはユニットプローブに送られ、そこですべての色素が回路ラベルで検査されます。この厳格なプロセスにより、高品質のウェハのみがパッケージングと最終試験に進むことができます。プロセス変更や技術移転を行う際には、これらの全工程における整合性を維持する必要があるため、このフローを理解することは不可欠です。だからこそ、堅牢な評価と自動化は、私たちの業界で非常に重要なのです。
プロセス変更と技術移転を比較してみましょう。プロセス変更は、工場内の特定のステップを改善することを目的としており、社内課題に基づいており、特定の検証方法と承認フローを伴います。一方、技術移転は、戦略的な意思決定に基づいて生産能力の拡大、または生産への移行を目的としており、より広範なプロセスフローとより複雑な承認プロセスを伴います。このように範囲と意図は異なりますが、どちらの工程にも重要な類似点があります。どちらも同じ実験と分析のバックボーンに依存しています。実験計画法、統計分析、そして適格性評価ゲートは、どちらの工程でも中心的な役割を果たします。プロセスをローカルで改善する場合でも、グローバルに移転する場合でも、データに基づく検証の厳密さは変わりません。この共通の基盤こそが、ワークフロー自動化を非常に強力なものにしているのです。ワークフロー自動化は、両方のシナリオにおいてこの共通ステップを標準化し、加速化します。
評価には、主要なパラメータを最適化し、それらが認定基準を満たしていることを確認することが含まれます。標準化されたフォーマットとワークフローは効率を改善できます。このスライドでは、半導体製造における変更を評価するために使用するフローの構造を概説しました。これは DOE 分析から始まります。ここでは、対象の主要なパラメータに基づいてモデルを最適化し、最終工程のパフォーマンスを改善します。各設計には独自のアプローチが必要になる場合がありますが、目標は一貫しています。最も影響力のある変数を特定します。次に、電気パラメータの分布を比較して、すべての主要なメトリックが Cpk とデルタシグマの基準を満たしていることを確認します。このステップでは、標準化されたフォーマットと自動ワークフローの大きなメリットが得られ、効率と再現性の両方が向上します。次に、Cpk と歩留まりレポートを生成し、最適化されたパラメータが認定ゲートの基準にどの程度適合しているかを評価します。これは、提案された変更が統計的に健全で、生産準備が整っているかどうかを検証する場所です。
最後に、チームはすべてのデータに基づいて、次の学習サイクルに向けた推奨事項を策定します。このフローは、堅牢な評価を保証するだけでなく、継続的な改善をサポートし、プロセス変更と技術移転の両方に適用できます。ここでの継続的な改善ループは、実験的な製造、集中的なデータ分析、そしてパフォーマンスレビューで構成されます。パフォーマンスが改善した場合は、次の実験を反復します。改善しない場合は、根本原因を特定することで外れ値を排除します。このプロセスは、製造オペレーションを効果的に管理・改善するのに役立ちます。ここで重要なのは、オペレーションのコンテキストを理解することです。プロセス変更は通常、変更アクションボード（CAB）によって管理され、標準化された分析プラットフォームの構築において製造IT部門の支援を受けることがよくあります。一方、技術移転はよりアドホックです。管理と提案販売の比較評価だけにとどまらず、単一のウェーハロットにおける複数の変更処理も含まれる場合があります。この複雑さは、IT部門が汎用的なソリューションに投資するための投資収益率の閾値を満たさないことがよくあります。そこで、エンジニアはJMPスクリプト、自動化、ワークフローツールを使用して、効率的で反復可能な独自の分析プラットフォームを構築することで、主導権を握ることができます。これにより、チームは送信者以外のシナリオでも厳密さとスピードを維持できるようになります。例として、技術移転を取り上げ、ワークフローがデバイスエンジニアの効率をどのように向上させるかを説明します。
スライド9に進み、技術移転プロセスのマイルストーンとゲートレビューの概要を説明します。プロジェクトの開始と計画立案から始まります。ここでは、スコープと目標を定義し、コンセプト、定義、計画の承認を得ます。プロジェクトの準備が整ったら、検証フェーズに移行します。これには、準備状況の確認、プロセス凍結の承認、リスク発生の承認が含まれます。このゲートレビューにより、プロセスの安定性が確保され、スケールアップ前にリスクが理解されます。
最後に、リリースとクローズのフェーズに到達します。このフェーズでは、プロジェクトが正式に本番環境にリリースされ、開発サイクルから終了します。各ゲートは、チーム間の品質、整合性、そして責任を維持するためのチェックポイントとして機能します。このフレームワークを理解することで、次のスライドで説明する詳細なパフォーマンスレビュー手順を理解するのに役立ちます。
包括的なパフォーマンスレビューをご紹介します。まず、サイトレベルのPCデータ抽出から始まり、続いてデータクリーニングと処理が行われます。次に、記述統計分析、レポート作成、配布、比較、そして最後に、能力と歩留まりの分析へと進みます。これらの各ステップは、移送プロセスが品質と信頼性の基準を満たすために不可欠です。時間的な制約があるため、このフローのすべてのブロックでJMPの自動化のメリットを享受できますが、本日のデモでは、青でハイライトされた2つのブロックに焦点を絞ります。
記述統計分析と電気パラメータの分布比較。まず、JMPを使用することで、ロットとウェーハ全体の主要指標、平均値、標準偏差、歩留まりを迅速にまとめることができます。これはベースラインを確立し、早期の傾向を特定するのに役立ちます。次に、JMPを使用して、サイト間または条件間のパラメータ分布を作成します。統計的検定を用いて有意な変化を検出します。これらのステップは、ソースファブと受入ファブ間の整合性を検証するための基礎となります。このタスクを自動化することで、エンジニアは数分で一貫性のある正確な洞察を生成でき、より深い分析と意思決定のための時間を確保できます。
それでは、実際にこれがどのように機能するかを詳しく見ていきましょう。このスライドでは、主要なプロセス要因と、目標に適合する対応するウェーハを特定するための実験分析について説明します。X_344の変動分析に焦点を当て、25ウェーハロットの異なる部品の目標値と切り替えポイントを示します。このX_344の改善事例では、設計からウェーハプロセスと実験を完了するまでに5か月かかります。私自身も、すべてのエンドオブラインパラメータデータを収集し、レポートを生成して次の実験の議論に備えるまでにさらに1か月かかりました。この分析により、プロセスを最適化し、パフォーマンス目標を確実に達成することができました。データ分析とレポート作成のサイクルタイムは、少し長すぎます。
ここで、これらのすべての分析において、評価に使用した電気パラメータをリストアップしました。これらは、製造および定量化におけるP1信頼性パラメータとオプションのP2パラメータに分類されます。W80の完全な電気パラメータリストは、P1とP2のカテゴリに分かれています。P1には信頼性の重要パラメータが含まれ、さらにWACとモニターリストにまで広がります。P2は、拡張分析のためのオプションの指標をカバーします。これらはPPAとRおよびE gazeで評価されます。ワークシートの下には、主要な成果物、合否結果、Ppkレポート、改善計画、トレインチャージ、ロットトレーサビリティの概要がまとめられています。このフレームワークは、技術移転プロセス全体を通して一貫した評価を保証し、データに基づく意思決定をサポートします。
こちらは、このパラメータ評価のCpkと歩留まりレポートです。他のすべてのパラメータのプロセス能力に関する洞察を提供します。これは今回の焦点となるパラメータではありません。パフォーマンスが低いパラメータはハイライト表示され、さらにレビューする必要があります。このスライドは、企業が定義した基準に基づいて技術移転ゲートを通過するために必要な要約レポートです。このレポートはゲートレビューに不可欠です。意思決定のための定量的な根拠を提供し、生産開始前に移転プロセスがパフォーマンスと信頼性基準を満たしていることを保証します。
次のスライドは、技術移転やプロセス変更時の電気パラメータ分布を評価するためのリスクベースのフレームワークを示しています。このフレームワークでは、2つの主要な指標、すなわち、サイド間のばらつきを測るデルタシグマと、パラメータが仕様範囲内にどれだけ収まっているかを示すプロセス能力（Cpk）を使用しています。パラメータは5つのリスクレベルに分類されます。リスクレベル1は、対応が不要であることを意味します。リスクレベル2は、事業部門との協議を推奨します。リスクレベル3と4は、対応またはより詳細な検討が必要であることを示します。リスクレベル5は、必須の対応を必要とする重大な問題であることを示します。
この例では、APF ゲインの評価に取り組んでいます。APF ゲインの評価では、リスク レベル 1 と 3 は合格カテゴリと見なされ、その他は不合格となります。この指標は、チームがリソースの優先順位付け、意思決定の調整、評価中の品質基準の維持に役立ちます。ファブ間の電気的パラメータ分布の比較は、変動と調整の問題を特定するのに役立ちます。これが、本日ライブでデモを行うレポートです。これは、移管チームがマザー ファブとチャイルド ファブ間の最終工程のパラメータ パフォーマンスのマッチングを評価および改善するために使用する重要なツールです。この表では、複数のロットにわたって電気的パラメータを比較し、基準ファブと移管されたファブの両方について、下限仕様、上限仕様、平均、標準偏差、Cpk などの主要な指標を示しています。また、デルタの重要性と、リスク レベル 1 からリスク レベル 5 に割り当てられたリスク レベルも含まれており、どのパラメータが適切に調整されており、どのパラメータがファザー アクションを必要とするかを迅速に特定するのに役立ちます。
このレポートは、意思決定のための定量的な基盤を提供するため、特に変動性が高いです。エンジニアがミスマッチを特定し、変動性を理解し、是正措置の優先順位を決定するのに役立ちました。JMPでこの分析を自動化することで、この洞察を迅速かつ一貫して生成し、学習サイクルの迅速化と技術移転の信頼性向上に貢献します。
このスライドは、前回の分布比較の結果を示しています。パラメータ分布比較の別のビューです。これを使用して、エンジニアリングリソースの優先順位付けを行います。ここでは、パフォーマンスが最も低いパラメータ、つまりリスクレベル5に分類されるパラメータをリストアップしました。このパラメータは、アライメントとプロセス全体の能力が低いことを示しているため、レビューが不可欠です。チャートは、これらのパラメータが高リスクゾーンにあることを視覚化し、表はCpkやデルタシグマなどの特定の指標を強調表示しています。次のスライドでは、これらのリスクレベル5のパラメータのトレンドチャートを調べて、さらに詳しく分析します。これは、チームが経時的な安定性を評価し、改善のための次のステップを導くのに役立ちます。
このスライドは、リスクレベル5にリストされているパラメータのうち2つのトレンドチャートを示しています。例として、前回の分布比較で強調表示されたX_30とX_349を使用しています。これは、パフォーマンスの変化を視覚化し、重要な懸念事項を特定するのに役立ちます。これは、より広い分布と平均変化の両方である場合もあれば、平均変化のみである場合もあります。マザーファブからのベースラインデータを追加し、受入ファブとのビデオ比較を可能にしました。このチャートは、変動とグループ平均を追跡することで、移送プロセスが時間の経過とともにどの程度整合しているかを評価するのに役立ちます。これにより、持続的なミスや改善点を特定できます。この視覚化は、是正措置を導き、天候調整が目標に近づいている場所を検証するために不可欠です。
これが皆さんに共有していただく最後のチャートです。デルタシフトプロットは、現在の統合フローであるWDと以前の統合フローであるWCの間の変化を示しています。良好ゾーンと不良ゾーン間のパラメータの移動に焦点を当てています。以前は、高リスクレベル5のパラメータと、それらのマザーファブベースラインとの整合性に焦点を当てていました。ここでは、より広い視点を取り入れます。経営陣と移管チームは、WDで新たに特定されたプロセス要因がWCと比較してどのように機能したかを理解したいと考えています。これは、統合がパラメトリックな動作よりも本当に改善されているかどうかを評価するのに役立ちます。私たちは、ウェーハ全体のCpkとデルタシグマのシフトに注目し、どのパラメータが不良ゾーンから良好ゾーンに移動しているのか、またはその逆に移動しているのかを特定しています。この比較分析は、将来の統合戦略を導き、プロセス変更の有効性を検証するために不可欠です。
では、ライブデモに移ります。Martinさん、JMP19 Proを使ったワークフローの構築方法をお見せください。このデモは約10分です。
ありがとう、スーヘン。
問題ない。
詳しく見てみましょう。Su-Hengのプレゼンテーションでご覧いただいたように、実行するべきステップはいくつかあり、過去にはExcelシートで行われていました。リスクレベルレポートでは、隣り合った2つのプロットが表示され、それらの変化も把握する必要がありました。このプロセス全体には複数のステップが含まれており、何度も繰り返し実行する必要があります。Su-Hengが述べたように、1か月の分析時間はかなり長くなります。私たちは、より効率的にするために、これを妥当な時間に短縮しようと試みました。基本的な手順は、マザーファブの概要データテーブルを作成するときに、平均値と標準偏差を取得する必要があるというものでした。また、Cpkデータも取得する必要があります。これはレポートから取得します。現在の設計と以前の設計についても同じことを行う必要があります。次に、これらのデータをすべて1つのビッグデータテーブルに統合し、現在の設計、以前の設計、そしてシフトレポートのリスクレベルレポートを作成する必要があります。JMP19のグラフビルダーを使えば、2つのプロットを並べて「このポイントはどこ？」「このポイントはどこ？」と理解しようとするのではなく、グラフビルダー内でシフトを直接視覚化できます。その後、関心のあるパラメータについて、トレンドチャートも作成します。
実際にこのツール全体を実行して、何時間もかかっていた手順を数クリックで完了できる仕組みを理解しましょう。まず、マザーファブのデータを選択し、概要分析を行ってデータテーブルを作成します。次に、現在の設計データを収集する必要があります。これも同じように、このツール全体を作成します。最後に、以前の設計データを取得します。テストで情報を収集した後、データテーブルを再度結合し、リスクレベルダッシュボードとパラメータのトレンドチャートを作成します。トレンドチャートについては今は説明しません。ダッシュボードについて簡単に説明します。右側に、現在の設計とリスクレベルレポートが表示されています。1と3の合格率など、このゾーンにあるすべてのものが表示されています。上部のフィールドには以前の設計のデータが表示されており、複数の範囲における変化も確認できます。
絞り込みにはいくつかの方法があります。まず、リスクレベルは同じだが、何かが変化していないか、少なくとも焦点がより良くなっているかを確認したい場合、それらを調べます。しかし、さらに興味深いのは、もちろん変化です。リスクレベル1の以前の設計を考えてみましょう。これは良いパスであり、良いものでした。現在の設計で最悪の状態に向かっているものはあるでしょうか？いくつかあります。これはおそらく赤で表示されている、リスクレベル5なので最も重要なものです。これはリスクレベル1からリスクレベル5に移動しました。以前の設計から現在の設計、そして他の設計についても間違いなく調べる必要があります。これらも調べると良いでしょう。また、特定のパラメータ値でフィルタリングすることもできます。
あるいは、別の方法として、これを少し非表示を解除して、現在の設計から最も重要なものにアクセスし、それらが何をしたか、どのように移動したか、どこを通過したかを確認し、いくつかの項目をリンクさせます。リスクレベルの変化をどのビューで確認するかによって、すべてのドットを見て「これはリスクレベルが変化しています」と比較するのではなく、視覚化したいものに集中できるようになります。これはリスクレベルの変化ではなく、変数です。反対側にあるデータポイントを確認したいのです。まだここにあることがわかります。1つずつ確認することも、すべてをまとめてフィルターすることもできます。これがここでの大きな動きの1つです。
最後に、リスクレベルの色分けと、何が影響しているかなどの追加情報を含む最終データテーブルが作成されます。では、どうやってこれにアクセスするのでしょうか？新しいワークフロービルダーを開きましょう。新しいワークフローを開きます。「ファイル」→「新しいワークフロー」にあります。それでは、実際に作業を開始しましょう。何かをする前に必ず履歴をクリアして、ログ履歴に何も残らないようにします。まず、マザーファブデータを開きます。これを使って何かを行いたいからです。「OK」と答えると、「これらの手順を記録しますか？」と尋ねられます。「はい」と答えます。ヒントやコツ、何が理にかなっているのか、何がそうでないのかについて少しお話しします。
この場合、次のステップはレポートの作成です。時間の都合上、ここでは最終的なレポートのみを示しています。これはCpkレポートです。これを閉じると、レポートのスナップショットが取得され、計算と集計も完了していることがわかります。そのため、バックグラウンドで何が起こっているかを確認できます。これが開いているテーブルです。説明やメモも操作して変更できます。これは必要に応じてスクリプトです。これはハードコードされたファイルです。ここでは最初のヒントに従います。まず、データテーブルを開きたい場合、常に同じではない場合、「次のステップでAustin mother fab dataというデータテーブルを要求するので、このステップは不要です」と言うことができます。それがない場合は、どうすればよいか尋ねられます。
スクリプトのこの部分を実行してみましょう。これを開きます。使用するデータテーブルを尋ねられます。まだ開いていないデータテーブルなので、これを選択します。これで既に2つのステップが作成されています。すべてうまく機能しているようです。次はこれらのテーブルを結合する必要があります。表作成ツールに移動し、「これをデータテーブルにする」と指定します。ここでも同じように、データテーブルを作成します。この場合は右クリックして「データテーブルにする」を選択します。両方が追加されているのがわかります。
ここで、いくつか追加事項を見てみましょう。ここでは列グループ PC が使用されています。これはどこから取得したのでしょうか？基本的にはデータテーブルから取得したもので、これはテーブルを構成するのに適した方法です。分析列のすべての列を PC と呼ばれるグループにまとめています。こうすることで、テーブルの作成が簡単になります。なぜなら、一部のプラットフォームではこの処理が適切に行われないからです。これは、表作成ツールがすべての変数をカテゴリとして取得するためです。基本的に、この列グループオプションをここに設定し、それらのパラメータをすべて使用せずに、列グループを指定するだけで済みます。なぜこれが便利なのでしょうか？これは列の名前付けとは独立しているため、非常に便利です。テーブル内の列をグループ化すると、自動化を行う際に大きな違いが生じます。これはここで実行できることです。
では、私が作成したオリジナルのデータワークフローと比較してみましょう。マザーファブのサマリーデータを作成する必要があるのがわかります。これをプレゼンテーションモードから通常モードに移動して、並べて表示してみましょう。ここで、列グループPCも使用しました。列グループPCを使って他のものも作成しました。ここでいくつか追加作業を行いました。ここにオブジェクトを作成しました。これもここに追加します。これは表計算です。これで正解でした。ここに参照オブジェクトを追加しましたが、今はここにはありません。これは基本的に、ヘルパーファイルまたはヘルパーデータテーブルを作成するために使用し、特定の名前を付けるためです。この名前は、後でデータテーブルを識別子、つまり一意の名前を付けて結合するときに参照できます。そのため、この名前でレポートを閉じました。スクリプトと組み合わせる必要があるかもしれません。非常に複雑なものを作成する場合は、スクリプトが必要になるかもしれません。しかし、ほとんどの場合、ここで作成したワークフローを使用して作業することができました。
Su-Hengさんにお返しする前に最後に一言。私は個人的に、左側にあるような複雑なワークフローで既に複数のステップがある場合は、記録は使用しません。完了したものはそのまま残しておき、ブロック履歴に追加します。興味のあるものだけをワークフローに取り込みます。そして、それを基にメモを取り、問題がなければ、例えば最初のステップとして選択したものをグループ化します。この場合、何が起こるのかが明確になるように、グループ名を「最初のステップ」に変更し、ここにいくつかの追加の文言を加えました。これが左側で行った操作です。ここまではほんの数例です。それでは、Su-Hengさんにまとめをお願いしました。これが最後のスライドです。
マーティン、本当にありがとうございます。私の1ヶ月分の作業を数分で終わらせてくれました。素晴らしいですね。今日のプレゼンテーションの締めくくりとして、JMPのスクリプトとワークフロービルダーによって、エンジニアが複数の拠点やプロジェクトにわたって繰り返し可能でスケーラブルな分析を実行できるようになる方法について説明しました。ワークフローを自動化することで、手作業を大幅に削減できます。以前は数日かかっていた作業が、今では数分で完了します。標準化されたフォーマットと評価基準は、効率性を向上させるだけでなく、特に技術移転において一貫性とコンプライアンスを確保します。これにより、エンジニアはデータの処理から、より良い実験の設計と学習サイクルの加速へと焦点を移すことができます。重要なのは、自動化によって構造化されたプロセス変更と、よりアドホックな技術移転シナリオの両方をサポートできることです。データの整合性とトレーサビリティが向上することで、チームはより迅速かつ自信を持って意思決定を行うことができます。ご清聴ありがとうございました。それでは、ご質問とディスカッションをお願いいたします。
