半導體製程技術優化

DIGITIMES 企劃，應用 BigData 分析 創造半導體製程技術優化條件，2016/09/08

晶圓製程持續優化，目前主流製程已來到 20nm 線寬水準，進階製程更挑戰 10nm或是更小線寬要求，微縮後的電子電路對比現實環境的頭髮僅有萬分之一的寬度，不僅小小的誤差就會導致成本良率問題，艱鉅的製程優化只能藉由大數據技術追蹤改善... 

電子產品持續追求輕、薄、效能與電池續航力等要求下、半導體製程持續進行對應優化，半導體晶圓製程自 20nm 進階縮小至 10nm，甚至挑戰更小的半導體線寬設計，持續追求半導體製程優化下，各種自材料面、製造面可能遭遇的技術挑戰也越來越艱難，必須在整個製程中導入更科學化的優化技術，才能讓半導體製程持續挑戰更小的線寬製作需求。 

其實早在 2000 年，半導體廠早已導入各種數據蒐集與分析技術，進行半導體、晶圓製程的優化工作，透過掌握製程控制的每項參數、變因進行製程的持續優化，挑戰進階製程下的半導體物理極限。 

但隨著自動化生產器械在 IoT、工業自動化趨勢下，透過大量感測器裝載與實時監控，能在加工機台透過製作過程擷取的生產設備數據已經有數倍、甚至數十倍成長，加上半導體晶圓動輒千道製作程序，加工設備與材料對應產生的數據量已不可同日而語，在優化製程使用傳統的分析工具已無法達成目標，必須導入新一代因應大數據特性優化的分析工具才能達到優化製程目的。 

但現實的狀況是，在初期導入數據分析透過生產階段的設備、材料等數據，在以「秒」計的持續彙整下，單一產線累積的區段資料已經相當高，產線為了追一個數據影響跑對應的分析處理一般都要花上一週時間才能獲得結果，在資料採集技術、分析工具限制下，當時產線數據難以轉至大量分析處理數據的層次，頂多只能作問題分析與小幅優化的工作，這種狀況直到 2010 年做有導入各種大數據、大資料分析技術，在數據化分析生產數據的效益才逐漸產生。... 

現階段半導體廠，在製程更往物理極限推進的同時，也開始意識到半導體生產導入大數據分析工具的重要性，加上新一代製程設備早已將大量感測器、實時數據採集等功能列為標準配備，甚至要在半導體廠導入生產優化大數據分析，光靠設備機台提供的基本款量測數據採集可能還不夠，有可能還需要在設備上線後自行優化、增加資料擷取終端與自行開發大數據採集的數據預處理機制，才能為後繼大數據分析製程提供最佳化的數據採集來源。 

至於在大數據分析方向，多數半導體廠都會針對設備機台的控制 (Tool Control)、生產機台的健康狀態 (Tool Healthy) 進行基本數據採集與分析，進階用途為針對生產機台生產力 (Tool Productivity) 優化、生產品質控管 (Quality Control) 應用、甚至是加工人員的生產力 (People Productivity) 優化方面，都可以以大數據分析作為基礎，將大量積累的數據、找出可優化的關鍵項目進行數據分析應用。 

數據分析多半處理歷史資料，多數只有製程出現狀況才能透過分析追蹤找出問題元兇，數據使用的策略過於被動，現在半導體廠也嘗試要將大數據分析目標提高至預測分析 (Predictive Analytics)、機器學習 (Machine Learning) 等進階應用，透過大數據採集、分析搭配數據分析數據形態提早找出生產設備可能出現的問題成因，再透過分析預警標示可疑機台進行重點設備檢修，透過設備機台的提早修復避免問題發生導致的鉅額損失，甚至更終極的目標為連結機台自我診斷、自我預警甚至是自我修復目標，朝向智慧工廠的目標持續發展。 

現有導入大數據分析的業者，大多在系統端選用 Hadoop 平台，除了搭配 HBase 資料庫進行彙整設備機台產出的數據外，運用平行處理系統之 Hadoop 加速數據處理，應用如 SPSS、SAS、R 語言等數據統計分析工具進行資料分析。 

對於設備機台產出的數據而言，若未經前置處理基本上是毫無用處的雜亂訊息，必須先將資料本身進行前置處理、過濾不需要的數據後，再透過數據的特徵萃取過程，使用數據分析工具進行資料採礦處理，才有機會找到影響製程的關鍵因子，另一種數據用法為將大數據初步分析，透過視覺化工具呈現數據，讓數據所代表的現象以圖表呈現，例如用來觀察產能與機台設備流程的關係，讓操作機台設備的工程人員可以看到統計圖表就能掌握設備與製程現況，輔助操作者判斷製程問題與進行相關處理決策。