El proceso de fabricación de obleas semiconductoras es una proeza asombrosa de la física y la ingeniería, que implica miles de pasos minuciosos que se combinan para crear dispositivos esenciales para el mundo moderno. En cada etapa del proceso, distintos conjuntos de herramientas realizan operaciones que alteran físicamente la superficie de las obleas para lograr los perfiles de capa deseados. Debido a la complejidad de todo el proceso, es fundamental que las herramientas estén calibradas con configuraciones optimizadas para minimizar los defectos y maximizar el rendimiento del producto.
Gracias a la producción en masa, muchos de los problemas más evidentes se han resuelto, y ahora recae directamente en los ingenieros de producto la responsabilidad de perfeccionar aún más el proceso, eliminando los defectos más sutiles. Estas señales de defectos suelen asemejarse a la estructura física o los patrones de movimiento de las herramientas de proceso y presentan bajas tasas de fallo (<500 ppm), ocultas tras la variación del proceso y la gran cantidad de datos de fallos de las pruebas. Mediante la metodología descrita en este artículo, se logró un éxito demostrable en la detección de señales de defectos ocultos en las obleas, lo que permitió al fabricante realizar análisis de fallos y tomar medidas correctivas.
Cada oblea que fabricamos guarda secretos, patrones diminutos que pueden determinar el éxito o el fracaso del rendimiento. Durante más de una década, JMP ha sido una herramienta clave en mi arsenal para desentrañar estos secretos.
Soy Jason Paquette, ingeniero de desarrollo de productos en AMD, y hoy quiero mostrarles cómo JMP nos ha ayudado a mi equipo y a mí a descubrir señales ocultas e impulsar un cambio real. Antes de nada, una aclaración: todos los datos que he recopilado para esta presentación son simulados y tienen fines meramente ilustrativos, únicamente para cumplir con los requisitos legales de nuestro departamento legal y poder presentarlos aquí.
En mi puesto, dedico aproximadamente el 90 % de mi tiempo a analizar datos de pruebas de productos en busca de oportunidades para mejorar el rendimiento. Esto se debe a que la fabricación de obleas representa uno de los mayores costes para nuestra empresa, e incluso pequeñas mejoras en el rendimiento pueden suponer un ahorro de millones de dólares. La pérdida de rendimiento puede deberse a diversos motivos, pero hoy me gustaría centrarme en los defectos sistemáticos que se producen durante la fabricación de obleas.
Durante la fabricación de obleas, estas pasan por cientos de pasos extremadamente precisos donde pueden producirse defectos debido a la contaminación por partículas, la variación del proceso, la desalineación o la mala calibración del equipo, o incluso las sensibilidades del diseño, por nombrar solo algunos.
Si observamos el centro del póster, vemos lo que llamamos un mapa de obleas. Este se generó con JMP Map Shapes, visualizado en la plataforma Graph Builder. Cada pequeño rectángulo del mapa de obleas, ampliado en este rectángulo rojo más grande, se conoce como chip, que básicamente es un chip sin encapsular. La forma estándar de visualizar espacialmente los datos de defectos es apilando mapas de obleas para mostrar el resultado promedio de aprobación/rechazo para cada ubicación del chip en varias obleas. En este caso particular, elegí el esquema de color de radiación de cuerpo negro de JMP, que representa las áreas de bajo rendimiento en claro y las de alto rendimiento en oscuro. Estos mapas de obleas a nivel de tinte son excelentes herramientas para detectar patrones a gran escala, como los que se pueden observar en el centro y en el borde. Sin embargo, este método resulta insuficiente para detectar patrones muy sutiles, especialmente cuando el tamaño del chip del producto es considerable.
Para solucionar esto, podemos profundizar aún más. En lugar de usar solo los resultados de aprobado/suspenso a nivel de dado, podemos analizar los resultados a nivel de subdado, a las que llamamos «tiles». Cada dado se compone de muchos tiles, cada uno con su propia funcionalidad específica y la posibilidad de probarlos individualmente. Con nuestra base de datos de diseño, podemos extraer la información de coordenadas de todos los vértices de estos tiles y generar archivos de forma de mapa para visualizar espacialmente las tasas de fallo de los tiles en Graph Build. Un ejemplo de esto se muestra en la esquina superior derecha, con un plano de planta de los tiles y una representación de uno de estos tiles de forma irregular.
Esto mejora considerablemente la granularidad de nuestros datos, pero presenta algunas limitaciones importantes. La primera es que la llamada defectuosidad aleatoria no se tiene en cuenta con estos datos simples de tasa de fallos o rendimiento de los mosaicos. Esto se debe a que los mosaicos no tienen una densidad estándar ni uniforme, sino que varían considerablemente. En otras palabras, los mosaicos con mayor densidad de circuitos tendrán una mayor probabilidad de sufrir un defecto aleatorio que los mosaicos con menor densidad. Si no corregimos esto, la variación normal podría interpretarse como valores atípicos, e incluso los valores atípicos reales que buscamos podrían quedar ocultos entre el ruido.
Para abordar este problema, calculamos lo que denominamos un área crítica, nuevamente, utilizando nuestra base de datos de diseño. Para cada baldosa, normalizo los datos de fallos mediante la ecuación del modelo de fluencia de Poisson que se muestra en esta diapositiva. Esto nos proporciona una densidad de defectos real por área para representar mejor la situación. La segunda limitación a la que nos enfrentamos es que los datos espaciales se suelen analizar producto por producto. Los distintos productos tienen diferentes tamaños de tinte, formas y colocaciones de baldosas. Esto dificulta bastante la comparación directa entre productos.
Sin poder comparar directamente los productos de forma estandarizada, las firmas comunes suelen pasar desapercibidas. Por sí solas, las firmas atípicas pueden incluso parecer débiles o ruido. ¿Pero qué pasaría si pudiéramos combinarlas todas?
Este es nuestro método. Primero, creamos archivos shapefile estandarizados de un mapa de obleas con una cuadrícula fina de un milímetro cuadrado, utilizando un script JSL que escribí (aquí arriba a la izquierda), e introducimos este mapa de obleas de alta precisión. A continuación, calculamos la superposición de área entre las teselas del producto y la cuadrícula del mapa estandarizado. Para ello, utilizamos Shapely, un paquete muy útil de Python. Finalmente, combinamos todos los datos de densidad de teselas calculados previamente y los escalamos según la contribución de superposición de cada tesela para cada cuadrado de la cuadrícula del mapa de obleas. De esta forma, generamos un mapa de obleas estandarizado de densidad de defectos.
Si observamos la esquina superior derecha, vemos un gráfico de distribución que muestra el área de superposición dentro de todas estas cuadrículas. Es evidente que una parte importante de las cuadrículas solo se superpone parcialmente con las piezas del producto. Esto se debe a que la cuadrícula uniforme, además de superponerse con las piezas que nos interesan, también se superpone con todas estas áreas delgadas que se encuentran entre los troqueles y en su perímetro, las cuales no son de especial interés. Para obtener mayor precisión en nuestros mapas de densidad de defectos, omitiremos estos espacios de la cuadrícula en nuestro análisis posterior.
Una vez aclarados todos los detalles, echemos un vistazo a lo que muestran los resultados.
A la izquierda se muestran cuatro mapas ficticios de densidad de defectos de productos generados individualmente. Cada uno presenta una estructura tenue, con algunos detalles más evidentes que otros, pero con características clave ausentes, lo que impide una visión completa. La clave de este enfoque reside en superponer todos los productos en un único mapa de densidad de defectos, revelando con total claridad todos los defectos ocultos.
Sé que son datos simulados, pero ¿no es una imagen genial? ¿No es interesante? A mí me lo parece. Para quienes tengan curiosidad, todas estas firmas se crearon con una ingeniosa combinación de las funciones aleatorias y trigonométricas de JMP, con algunos retoques para que la presentación fuera más presentable.
Mediante este método, hemos podido detectar defectos muy sutiles que, de otro modo, habrían pasado completamente desapercibidos. Y lo que es más importante, la claridad de estas señales ha proporcionado a los ingenieros de procesos de nuestros socios fabricantes una base sólida para centrar sus esfuerzos de depuración, lo que se traduce en una acción correctiva más rápida y precisa. Además, el hecho de que los datos de múltiples productos contribuyan a las mismas observaciones colectivas hace que la información que transmitimos a nuestros socios sea mucho más eficaz.
Aunque este proyecto se centró específicamente en datos de semiconductores, este enfoque podría aplicarse a una amplia variedad de otras aplicaciones, especialmente si se dispone de algún tipo de datos espaciales que se puedan utilizar.
Con esto concluye mi presentación. Les agradezco mucho el tiempo que se han tomado para escucharla y espero que les haya resultado interesante. No duden en contactarme si tienen algún comentario o pregunta. Estaré encantado de hablar con ustedes.
