半導體晶圓製造流程是一項令人驚嘆的物理和工程技術，它包含數千個精細的步驟，這些步驟環環相扣，最終製造出對現代世界至關重要的裝置。在製程的每個階段，不同的工具組合都會執行各種操作，對晶圓表面進行物理改變，以獲得所需的層狀結構。由於整個製程的複雜性，必須使用最佳化的製程對工具進行校準，以最大限度地減少缺陷並提高產品良率。
透過大規模生產，許多容易解決的問題已經解決，產品工程師的重任完全落在了進一步改進工藝、剔除更細微缺陷的肩上。這些缺陷特徵通常與製程設備的物理結構或運動模式相似，且故障率極低（<500ppm），隱藏在製程偏差和大量的測試失敗資料之下。本文概述的方法已成功揭示了這些隱藏的晶圓缺陷特徵，並最終促成了代工廠的故障分析和糾正措施。
我們製造的每一片晶圓都蘊藏著秘密，其中微小的圖案決定著良率的成敗。十多年來，JMP 一直是我揭開這些秘密的關鍵工具。
我是 Jason Paquette，AMD 的產品開發工程師。今天我想向大家展示 JMP 如何幫助我和我的團隊發現隱藏訊號並推動真正的變革。首先聲明一下，我為本次演示準備的所有數據均為模擬數據，僅用於說明目的，以滿足我們法務團隊的要求，以便我們能夠在此進行演示。
在我的工作中，大約90%的時間都花在分析產品測試數據，尋找提高良率的機會。原因很簡單，晶圓製造是我們公司最大的成本之一，即使良率只提高幾個百分點，也能節省數百萬美元的成本。良率損失本身可能由多種原因造成，但今天我只想重點討論晶圓製造過程中出現的系統性缺陷。
在晶圓製造過程中，晶圓要經過數百個極為精確的步驟，由於顆粒污染、製程偏差、設備未對準或未校準，甚至設計敏感度等原因，都可能出現缺陷。
如果我們看一下海報的中心，可以看到我們稱為晶圓圖的圖形。它是使用 JMP Map Shapes 在 Graph Builder 平台中產生的。我在這張更大的紅色矩形框中放大的晶圓圖上的每個小矩形都稱為一個晶片，它本質上就是一個未封裝的晶片。我們通常將缺陷資料空間視覺化，方法是將多個晶圓圖堆疊起來，以顯示每個晶片位置在多個晶圓上的平均合格/不合格結果。在這個例子中，我選擇了 JMP 漂亮的黑體輻射顏色方案，它將良率低的區域顯示為淺色，將高率的區域顯示為深色。這些染料級晶圓圖是識別大尺度圖案的絕佳工具，例如您可能在靶心和邊緣看到的圖案。但遺憾的是，對於非常精細的特徵，尤其是在產品晶片尺寸變得非常大時，這種方法就顯得力不從心了。
為了解決這個問題，我們可以深入分析。與其僅使用晶片層級的合格/不合格結果，我們還可以查看子晶片層級的結果，我們將這些子晶片層級的結構稱為「瓦片」。每個晶片由許多瓦片組成，每個瓦片都有其特定的功能，我們可以對它們進行單獨測試。利用我們的設計佈局資料庫，我們可以提取這些瓦片所有頂點的座標信息，並產生用於在 Graph Build 中以空間方式顯示瓦片不合格率的地圖形狀檔案。右上角的範例展示了瓦片的平面圖以及其中一個異形瓦片的詳細外觀。
這確實大大改善了我們的粒度分析，但也存在一些明顯的限制。首先，這種簡單的晶片故障率或良率數據無法解釋我們所說的隨機缺陷。這是因為晶片本身的密度並不統一，實際上差異很大。簡而言之，電路密度較高的晶片比密度較低的晶片更容易出現隨機缺陷。如果我們不進行校正，正常的波動本身就可能被誤判為異常值，甚至我們真正想要尋找的異常值也可能被淹沒在雜訊之中。
為了解決這個問題，我們再次利用設計資料庫計算所謂的臨界區域。對於每塊磁磚，我使用幻燈片上展示的泊松屈服模型方程式對磁磚缺陷資料進行歸一化處理。這樣就能得到按面積劃分的真實缺陷密度，以便更能反映實際情況。我們面臨的第二個限制是，空間資料本身通常是逐一進行分析的。不同的產品有不同的染料尺寸、不同的形狀和不同的瓷磚鋪設方式。這使得跨產品直接比較變得相當困難。
如果無法以標準化的方式直接比較產品，常見的特徵往往難以檢測和察覺。單獨來看，異常特徵甚至可能顯得微弱或像噪音。但如果我們能將它們全部結合起來呢？
以下是我們的實作方法。首先，我們使用我編寫的 JSL 腳本（位於左上角）來建立晶圓圖的標準化形狀文件，該晶圓圖具有精細的 1 毫米見方網格。腳本中輸入的晶圓圖非常精細。接下來，我們計算產品圖塊與標準化網格之間的重疊面積。在本例中，我們使用了 Python 中一個名為 Shapely 的便捷套件來完成此操作。最後，我們將先前計算的所有圖塊密度資料合併，並根據每個圖塊在晶圓圖上每個給定網格的重疊貢獻進行縮放。這樣，我們就能夠產生標準化的缺陷密度晶圓圖。
如果我們觀察右上角，可以看到一個分佈圖，它顯示了所有這些方形網格的重疊區域。很明顯，有相當一部分網格僅與產品單元部分重疊。這是因為均勻網格不僅與我們想要的單元重疊，還與晶片之間以及晶片邊緣的那些我們不太關心的薄區域重疊。為了提高缺陷密度圖的精確度，我們將從後續分析中排除這些網格區域。
所有細節都處理完畢後，讓我們來看看結果如何。
左側展示的是四張虛構的產品缺陷密度圖，每張圖都單獨呈現，但都比較模糊。有些缺陷特徵可能比其他缺陷更明顯，但關鍵特徵缺失，導致整體影像不夠完整。這種方法的妙處在於，當我們把所有產品的缺陷密度圖疊在一起時，所有隱藏的缺陷都會清楚展現出來。
我知道這些都是模擬數據，但這圖是不是很酷？是不是很棒？我覺得是。如果你好奇的話，這些特徵都是用JMP的隨機函數和三角函數組合生成的，並做了一些微調，讓它們看起來更美觀，更適合演示。
利用這種方法，我們能夠偵測到一些非常細微的缺陷特徵，這些特徵原本會被完全忽略。更重要的是，這些訊號的清晰度為我們製造合作夥伴的製程工程師提供了可靠的調試方向，從而能夠更快、更有針對性地採取糾正措施。此外，來自多個產品的數據共同構成了相同的觀察結果，這使得我們向合作夥伴傳遞的訊息更具說服力。
雖然本專案專門針對半導體數據，但這種方法可以應用於各種其他應用，特別是如果您有任何類型的空間資料可以使用的話。
我的演講到此結束。非常感謝您抽空聆聽，希望您覺得內容有趣。如果您有任何意見或問題，請隨時與我聯繫。我很樂意與您交流。
