先進的工藝需要設備和工藝協同優化 EPCO. 麥肯錫公司 McKinsey & Co. 在2021年發表的一篇論文表明, 利用人工智能 AI 和機器學習 ML 進行半導體制造優化, 通過提高產量和吞吐量, 有望節省380億美元的成本.

麥肯錫強調, 幫助企業實現這些好處的干預點是調整工具參數, 使用當前和以前步驟的實時工具傳感器數據, 使 AI/ML 算法優化工藝操作之間的非線性關系.

成功部署 AI/ML 的關鍵是可操作的實時數據. 上海伯東 Aston?質譜儀的原位實時分子診斷和云連接數據是實現這一能力的關鍵技術, 從而解鎖半導體設備與工藝協同優化的潛力.

問題
隨著工藝節點的縮小, 影響工藝良率的新變量出現, 挑戰了已建立的 Copy Exactly！ 方法論. 其中一些可能影響工藝性能的關鍵變量包括局部虛擬真空泄漏, 細微的反應氣體分壓變化, 由于泵送性能變化導致的晶片表面飽和, 由于晶片溫度變化導致的表面反應性, 腔室清潔終點和腔室老化曲線.

其他挑戰, 如層間粘附, 300mm 晶圓機械應力, 新的原子級沉積和蝕刻化學, 低電阻接觸和填充金屬, 嚴格的交叉污染協議和提高吞吐量, 都需要更深入地了解工藝和設備的相互作用, 優化諸如此類的先進工藝現在需要更高精度的計量工具, 增加了 Copy Exactly! 方法學協議的原位分子復雜性.

上海伯東日本 Atonarp Aston?質譜儀提供設備與工藝協同優化解決方案:原位,實時數據
半導體過程控制 FAB 環境中的數據主要分為三種類型:
1. 在工藝工具上實時獲取的現場數據
2. 處理步驟后測量結果的在線數據（通常立即）
3. 參數或 Fab 后數據（用于晶圓生產線良率和晶圓出貨驗收標準）

此外, 這三個主要數據可以進一步分為三個子類型
1. 目標數據, 即作為配方一部分的工具所針對的目標, 例如, 目標溫度: 327 °C, 目標 SiF4 摩爾濃度: 100 mol/l
2. 測量數據, 即在給定情況下測量的數據, 例如, 測量溫度 9 °C, 實際 CF4 摩爾濃度: 0.097 mol/l
3. 信息數據, 例如晶圓批號: 8F2342G, 設備序列號和腔室: 32FF4567-4

在分子水平上測量原位實時數據可以真正洞察過程是如何設置和進行的, 提供豐富, 可操作和有影響力的數據. 反應物, 副產物和分壓濃度可以被識別和量化, 允許動態過程控制, 以確保對給定過程模塊在運行到運行, 腔室到腔室, 工具到工具之間進行嚴格的平均和標準偏差控制 -工具, 甚至站點到站點. 管理整體復雜的半導體工藝控制和生產線良率首先要嚴格控制各個工藝步驟, 并確保低可變性和嚴格的統計工藝控制 SPC.

上海伯東日本 Atonarp Aston?質譜的設計初衷是為了滿足原位分子分析的需求, 從而實現 EPCO, Aston 強大的實時原位分子傳感器解決方案具有許多先進的性能優勢, 包括:
? 準確的實時終點檢測
? 逐次運行和實時 EPCO
? 參數調整
? 機器學習, 人工智能、
? 過程統計過程控制和偏差識別
? 生產線良率根本原因分析
? 優化的防護性維護
? 跟蹤重要工具或流程

審核編輯黃宇