Fabrika poluvodiča Živi model

Vodite litografski bay fabrike pločica od 300 mm — osam skenera, čista soba i recept koji mora ostati unutar specifikacije. Pločice čekaju u redu, alati se kvare, čestice nadiru, a prinos se mijenja uz svaku odluku.

Šta ćete naučiti

Simulator

Vrijeme 0 h
Raspoloživost alata 100% · Posao u obradi 20 · ISO klasa čiste sobe 3,4S1⚙S2▶S3▶S4▶S5▶S6▶S7‖S8‖WIP 20▶ 34 wph
  • Produktivno
  • Pripravnost
  • Inženjering
  • Zastoj (popravak)
  • Čestice u zraku

Kontrole

Pločice puštene u bay na sat.

Udio vremena skenera dodijeljen eksperimentalnim serijama pločica koje uče proces: sada manje proizvodnje, kasnije manje defekata.

Svaki tehničar popravlja jedan alat odjednom.

Više izmjena zraka razrjeđuje čestice; snaga ventilatora raste s kubom brzine.

Svaka osoba u zaštitnom odijelu i dalje ispušta čestice.

Pločice izmjerene na sat: oštriji SPC dijagram, nešto manje kapaciteta.

Traje 3 h i dodaje 2 osobe u prostoriji dok rade.

2 h pri pola kapaciteta, zatim se proces vraća na cilj.

Pokazatelji

Ispravnih čipova na izlazu
19547/h
Prinos
89,8%
normalno
ISO klasa čiste sobe
3,4
normalno
Vrijeme ciklusa baya
1,6h
normalno
Raspoloživost alata100 %
Iskorištenost alata71 %
Inženjersko vrijeme10 %
Puštena pokretanja pločica34 wph
Posao u obradi20 wafers
Gustoća defekata0,110 /cm²
Sposobnost procesa Cpk1,25 · upozorenje
Izvan specifikacije (ekvivalent pločica)0,0 wph
Snaga baya1339 kW

Trend

Ispravnih čipova na izlazu: — /h250000

SPC uzorak (CD pomak)

SPC uzorak (CD pomak): 0 ⚑+3σ−3σ

Krizni scenariji

Nivo 1 · Odstupanje čestica

Rutinska smjena na liniji mobilnih čipova. Negdje iznad baya plafonski filter uskoro će otkazati. Držite čistu sobu u klasi, zaštitite prinos — i ne ostavljajte ventilatore na punoj brzini duže nego što treba.

  • ISO klasa natrag na ≤ 3,6 na kraju
  • Nikad iznad klase 4,55 nakon prvog sata
  • Prosječan prinos ≥ 87 % u prvim satima odstupanja
  • Prosječna snaga baya ≤ 1.380 kW u drugoj polovini

Nivo 2 · Otkaz skenera

Bay radi vruće s 38 pokretanja pločica na sat. Tri skenera uskoro će istovremeno otkazati. Spriječite eksploziju reda dok ih vraćate i ipak isporučite ispravne čipove.

  • WIP ≤ 60 pločica na kraju
  • Vrijeme ciklusa nikad iznad 3,5 h nakon otkaza (prozor vremena čekanja)
  • Najmanje 900.000 ispravnih čipova u 48 h
  • Pustite najmanje 1600 pokretanja pločica za 48 h (plan pokretanja: 34 na sat)

Nivo 3 · Pomak recepta

Nova revizija recepta pokrenuta je sinoć. Još niko ne zna da polako pomjera kritičnu dimenziju. Pratite SPC dijagram: uhvatite pomak i vratite recept prije nego pločice ispadnu iz specifikacije.

  • Najviše 12 ekvivalenata pločica izvan specifikacije ukupno
  • Cpk ≥ 1,2 na kraju
  • Najmanje 620.000 ispravnih čipova

Nivo 2 · Uspon novog proizvoda

Veliki akceleratorski čip ulazi u proizvodnju s nezrelim procesom: gustoća defekata je visoka, a čip od 600 mm² ne prašta. Linija je opterećena s 42 pokretanja pločica na sat. Imate 14 dana. Uravnotežite današnji izlaz s učenjem za sutra.

  • Gustoća defekata ≤ 0,08 /cm² 14. dana
  • Najmanje 660.000 ispravnih čipova u 14 dana

Osnova — model iza brojeva

Svaka relacija koju simulator koristi, s njenim izvorom. Konstante označene kao pretpostavke su ilustrativne kalibracije.

Stanja opreme prate SEMI E10: produktivno, pripravnost, inženjersko, planirani i neplanirani zastoj.
Availability = up tools / 8 · Utilization = productive tool-hours / total[1]
Alati otkazuju nasumično s eksponencijalnim vremenom do kvara; popravke čekaju slobodnog tehničara.
P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Pretpostavka: veličine (MTBF, stope generiranja, k, τ) su ilustrativne kalibracije, a ne podaci iz stvarne fabrike.
Littleov zakon povezuje posao u obradi, protok i vrijeme ciklusa.
CT = WIP / TH = T0 + queue / TH, T0 = 1 h[6][5]
U stabilnoj liniji protok je jednak stopi puštanja, pa je nepušteno pokretanje pločice pločica koja nikad ne izađe. Pločice koje predugo čekaju između koraka prekoračuju prozor vremena čekanja.
TH = release rate while u < 1 ⇒ wafers out ≈ Σ starts; queue wait = CT − T0 = queue / TH ≤ queue-time window (3.5 h CT in semi-tool-crash)[5][16]Pretpostavka: granica vremena ciklusa od 3,5 h zamjenjuje prozor vremena čekanja; stvarne prozore postavlja procesni inženjering korak po korak, a pločice koje ih prekorače obično se odbacuju.
Kingmanova aproksimacija: vrijeme u redu raste kao u/(1−u) — eksplodira kad se iskorištenost približi 100 %.
CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Prikazano radi intuicije: red u simulatoru nastaje iz nasumičnih dolazaka i nasumičnog kapaciteta, a ne iz ove formule.
Granica klase ISO 14644-1 za čestice veličine D; na 0,1 µm klasa je logaritam koncentracije.
Cn = 10^N · (0.1/D)^2.08 ⇒ N = log10(C≥0.1µm)[2]
Dobro izmiješana prostorija: koncentracija = generiranje ÷ (izmjene zraka × volumen × efikasnost filtera).
C = G / (ACH · V · η)[13][11]Pretpostavka: veličine (MTBF, stope generiranja, k, τ) su ilustrativne kalibracije, a ne podaci iz stvarne fabrike.
Zakon srodnosti ventilatora: snaga raste s kubom brzine ventilatora.
P_fan = P_max · (speed)³[10]
Prinos negativne binomne raspodjele: defekti se grupiraju, pa prinos pada sporije nego što predviđa Poissonov model.
Y = (1 + A·D/α)^(−α), α = 2 (α→∞: Y = e^(−A·D))[3][4][15][14]
Učenje prinosa: gustoća defekata opada prema zreloj razini kako se troši inženjersko vrijeme.
D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Pretpostavka: τ je vremenski sabijen oko 100 puta u odnosu na prijavljene stope učenja u industriji (4–6,5 % mjesečno, Leachman) kako bi 14-dnevni scenarij pokazao učinak.
Čestice koje padnu na pločice dodaju smrtonosne defekte proporcionalno koncentraciji u zraku.
D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Pretpostavka: ilustrativna konstanta — stvarne fabrike kalibriraju stope smrtonosnih defekata iz vlastitih podataka inspekcije.
Parametarski prinos: udio normalnog procesa koji pada unutar granica specifikacije; Cpk mjeri rezervu.
Y_param = Φ((USL−μ)/σ) − Φ((LSL−μ)/σ), Cpk = min(USL−μ, μ−LSL)/(3σ)[7][8][19]
SPC: prosjeci n uzoraka, s kontrolnim granicama ±3σ/√n i pravilima zona.
x̄ ~ N(μ, σ/√n), control limits ±3σ/√n; zone rules (2 of 3 beyond 2σ, 4 of 5 beyond 1σ, 8 on one side)[8][7][12]
Ostale radne konstante koje model koristi.
8 scanners × 6 wafer-starts/h · metrology −0.5 % capacity per sampled wafer/h · rollback: 2 h at half capacity + 4 wafer-equivalents reworked · drift 0.25 nm/h · crash repair 18 technician-hours · leak crew +2 people for 3 h · tools 150 kW busy / 60 kW idle, fans 150 kW at 100 %Pretpostavka: veličine (MTBF, stope generiranja, k, τ) su ilustrativne kalibracije, a ne podaci iz stvarne fabrike.
Bruto čipova po pločici od 300 mm za čip površine A.
DPW = π·d²/(4A) − π·d/√(2A), d = 300 mm[9]

Nasumičnost: mulberry32 generator sa seedom; korištene raspodjele — uniformna, eksponencijalna (inverzna CDF), normalna (Box–Muller), Poissonova (Knuth). Seed se prikazuje i može se dijeliti.

Izvori

  1. SEMI E10 — Specification for Definition and Measurement of Equipment Reliability, Availability, and Maintainability (RAM) and Utilization — SEMI
  2. ISO 14644-1:2015 Cleanrooms and associated controlled environments — Part 1: Classification of air cleanliness by particle concentration — ISO, 2015
  3. C. H. Stapper, F. M. Armstrong, K. Saji — Integrated circuit yield statistics — Proceedings of the IEEE 71(4), 1983
  4. J. A. Cunningham — The use and evaluation of yield models in integrated circuit manufacturing — IEEE Trans. Semiconductor Manufacturing 3(2), 1990
  5. W. J. Hopp, M. L. Spearman — Factory Physics (3rd ed.), ch. 7–8: Little’s law, Kingman (VUT) equation — Waveland Press, 2008
  6. J. D. C. Little — A Proof for the Queuing Formula L = λW — Operations Research 9(3), 1961
  7. D. C. Montgomery — Introduction to Statistical Quality Control (x̄ charts, process capability Cpk) — Wiley, 2019
  8. NIST/SEMATECH e-Handbook of Statistical Methods — 6.3 Univariate and Multivariate Control Charts; 6.1.6 Process capability — NIST
  9. Dies-per-wafer estimate DPW = πd²/(4S) − πd/√(2S) (de Vries, “Investigation of gross die per wafer formulas”, IEEE TSM 18(1)) — IEEE, 2005
  10. Fan affinity laws: flow ∝ speed, pressure ∝ speed², power ∝ speed³ — U.S. DOE — Improving Fan System Performance: A Sourcebook for Industry
  11. EN 1822-1:2019 High efficiency air filters (EPA, HEPA and ULPA) — classification (U15 ≥ 99.9995 % at MPPS) — CEN, 2019
  12. Western Electric Statistical Quality Control Handbook (1956) — zone rules for control charts — Western Electric / NIST e-Handbook 6.3.2
  13. W. Whyte — Cleanroom Technology: Fundamentals of Design, Testing and Operation (2nd ed.), ch. on dispersion of particles from people; well-mixed room dilution equation — Wiley, 2010
  14. Yu. I. Bogdanov, N. A. Bogdanova, V. L. Dshkhunyan — Statistical Yield Modeling for IC Manufacture: Hierarchical Fault Distributions (§2 Compound Poisson distribution, after Eq. (17), p. 4 of the arXiv PDF — large-area clustering negative binomial model: the cluster parameter’s “typical values approximately range from 0.3 to 7”) — arXiv physics/0303039, 2003
  15. R. C. Leachman — Yield Modeling and Analysis (Poisson, Murphy, Seeds, negative-binomial models; §8: SMLY survey with C. N. Berglund for International SEMATECH, 2002–03 — yield loss fitted as YL(t) = YL(0)·e^(−λt), Table 2 averages 4.4 / 4.0 / 6.5 %/month at 350 / 250 / 180 nm) — UC Berkeley, IEOR 130 course notes (unpublished), 2014
  16. A. Klemmt, L. Mönch — Scheduling jobs with time constraints between consecutive process steps in semiconductor manufacturing (time windows set by process engineering against native oxidation and contamination; jobs that violate them are scrapped) — Proceedings of the 2012 Winter Simulation Conference, 2012
  17. NIST/SEMATECH e-Handbook of Statistical Methods — 8.1.6.1 Exponential distribution (constant failure rate) — NIST
  18. C. Weber — Yield learning and the sources of profitability in semiconductor manufacturing and process development — IEEE Trans. Semiconductor Manufacturing 17(4), 2004
  19. M. Abramowitz, I. Stegun — Handbook of Mathematical Functions, 26.2.17 — NBS, 1964

Ko se time bavi profesionalno

Edukativni model — nije za operativne odluke. Stvarni objekti kalibriraju svaku konstantu prema vlastitoj opremi i podacima.