半导体晶圆制造工艺是一项令人惊叹的物理和工程技术，它包含数千个精细的步骤，这些步骤环环相扣，最终制造出对现代世界至关重要的器件。在工艺的每个阶段，不同的工具组合都会执行各种操作，对晶圆表面进行物理改变，以获得所需的层状结构。由于整个工艺的复杂性，必须使用优化的工艺流程对工具进行校准，以最大限度地减少缺陷并提高产品良率。
通过大规模生产，许多容易解决的问题已经得到解决，产品工程师的重任完全落在了进一步改进工艺、剔除更细微缺陷的肩上。这些缺陷特征通常与工艺设备的物理结构或运动模式相似，且故障率极低（<500ppm），隐藏在工艺偏差和大量的测试失败数据之下。本文概述的方法已成功揭示了这些隐蔽的晶圆缺陷特征，并最终促成了代工厂的故障分析和纠正措施。
我们制造的每一片晶圆都蕴藏着秘密，其中微小的图案决定着良率的成败。十多年来，JMP 一直是我揭开这些秘密的关键工具。
我是 Jason Paquette，AMD 的产品开发工程师。今天我想向大家展示 JMP 如何帮助我和我的团队发现隐藏信号并推动真正的变革。首先声明一下，我为本次演示准备的所有数据均为模拟数据，仅用于说明目的，以满足我们法务团队的要求，以便我们能够在此进行演示。
我的工作中，大约90%的时间都花在分析产品测试数据，寻找提高良率的机会。原因很简单，晶圆制造是我们公司最大的成本之一，即使良率只提高几个百分点，也能节省数百万美元的成本。良率损失本身可能由多种原因造成，但今天我只想重点讨论晶圆制造过程中出现的系统性缺陷。
在晶圆制造过程中，晶圆要经过数百个极其精确的步骤，由于颗粒污染、工艺偏差、设备未对准或未校准，甚至设计敏感性等原因，都可能出现缺陷。
如果我们看一下海报的中心，可以看到我们称之为晶圆图的图形。它是使用 JMP Map Shapes 在 Graph Builder 平台中生成的。我在这张更大的红色矩形框中放大的晶圆图上的每个小矩形都称为一个芯片，它本质上就是一个未封装的芯片。我们通常将缺陷数据空间可视化，方法是将多个晶圆图堆叠起来，以显示每个芯片位置在多个晶圆上的平均合格/不合格结果。在这个例子中，我选择了 JMP 漂亮的黑体辐射颜色方案，它将良率低的区域显示为浅色，将良率高的区域显示为深色。这些染料级晶圆图是识别大尺度图案的绝佳工具，例如您可能在靶心和边缘看到的图案。但遗憾的是，对于非常精细的特征，尤其是在产品芯片尺寸变得非常大时，这种方法就显得力不从心了。
为了解决这个问题，我们可以深入分析。与其仅仅使用芯片级别的合格/不合格结果，我们还可以查看子芯片级别的结果，我们将这些子芯片级别的结构称为“瓦片”。每个芯片由许多瓦片组成，每个瓦片都有其特定的功能，我们可以对它们进行单独测试。利用我们的设计布局数据库，我们可以提取这些瓦片所有顶点的坐标信息，并生成用于在 Graph Build 中以空间方式显示瓦片不合格率的地图形状文件。右上角的示例展示了瓦片的平面图以及其中一个异形瓦片的详细外观。
这确实大大改善了我们的粒度分析，但也存在一些明显的局限性。首先，这种简单的芯片故障率或良率数据无法解释我们所说的随机缺陷。这是因为芯片本身的密度并不统一，实际上差异很大。简而言之，电路密度较高的芯片比密度较低的芯片更容易出现随机缺陷。如果我们不进行校正，正常的波动本身就可能被误判为异常值，甚至我们真正想要寻找的异常值也可能被淹没在噪声之中。
为了解决这个问题，我们再次利用设计数据库计算所谓的临界区域。对于每块瓷砖，我使用幻灯片上展示的泊松屈服模型方程对瓷砖缺陷数据进行归一化处理。这样就能得到按面积划分的真实缺陷密度，从而更好地反映实际情况。我们面临的第二个限制是，空间数据本身通常是逐个产品进行分析的。不同的产品具有不同的染料尺寸、不同的形状和不同的瓷砖铺设方式。这使得跨产品直接比较变得相当困难。
如果无法以标准化的方式直接比较产品，常见的特征往往难以检测和察觉。单独来看，异常特征甚至可能显得微弱或像噪音。但如果我们能将它们全部结合起来呢？
以下是我们的实现方法。首先，我们使用我编写的 JSL 脚本（位于左上角）创建晶圆图的标准化形状文件，该晶圆图具有精细的 1 毫米见方网格。脚本中输入的晶圆图非常精细。接下来，我们计算产品图块与标准化网格之间的重叠面积。在本例中，我们使用了 Python 中一个名为 Shapely 的便捷包来完成此操作。最后，我们将之前计算的所有图块密度数据合并，并根据每个图块在晶圆图上每个给定网格的重叠贡献进行缩放。这样，我们就能够生成标准化的缺陷密度晶圆图。
如果我们观察右上角，可以看到一个分布图，它显示了所有这些方形网格的重叠区域。很明显，有相当一部分网格仅与产品单元部分重叠。这是因为均匀网格不仅与我们想要的单元重叠，还与芯片之间以及芯片边缘的那些我们不太关心的薄区域重叠。为了提高缺陷密度图的精度，我们将从后续分析中排除这些网格区域。
所有细节都处理完毕后，让我们来看看结果如何。
左侧展示的是四张虚构的产品缺陷密度图，每张图都单独呈现，但都比较模糊。有些缺陷特征可能比其他缺陷更明显，但关键特征缺失，导致整体图像不够完整。这种方法的妙处在于，当我们把所有产品的缺陷密度图叠加在一起时，所有隐藏的缺陷都会清晰地展现出来。
我知道这些都是模拟数据，但这图是不是很酷？是不是很棒？我觉得是。如果你好奇的话，这些特征都是用JMP的随机函数和三角函数组合生成的，并做了一些微调，让它们看起来更美观，更适合演示。
利用这种方法，我们能够检测到非常细微的缺陷特征，这些特征原本会被完全忽略。更重要的是，这些信号的清晰度为我们制造合作伙伴的工艺工程师提供了可靠的调试方向，从而能够更快、更有针对性地采取纠正措施。此外，来自多个产品的数据共同构成了相同的观察结果，这使得我们向合作伙伴传递的信息更具说服力。
虽然本项目专门针对半导体数据，但这种方法可以应用于各种其他应用，特别是如果您有任何类型的空间数据可以使用的话。
我的演讲到此结束。非常感谢您抽出时间聆听，希望您觉得内容有趣。如果您有任何意见或问题，请随时联系我。我很乐意与您交流。
