💠 Fàbrica de semiconductors Model en directe

Base: el model darrere de les xifres

Totes les relacions que fa servir el simulador, amb la seva font. Les constants marcades com a supòsits són calibratges il·lustratius.

Els estats dels equips segueixen SEMI E10: productiu, en espera, enginyeria, aturada programada i no programada.

Availability = up tools / 8 · Utilization = productive tool-hours / total[1]

Les eines fallen a l’atzar amb un temps fins a la fallada exponencial; les reparacions esperen un tècnic lliure.

P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Supòsit: les magnituds (MTBF, taxes de generació, k, τ) són calibratges il·lustratius, no dades d’una fàbrica real.

La llei de Little relaciona el treball en curs, el cabal i el temps de cicle.

CT = WIP / TH = T0 + queue / TH, T0 = 1 h[6][5]

En una línia estable, la producció és igual al ritme de llançament, de manera que un inici d’oblia que no es llança és una oblia que no surt mai. Les oblies que esperen massa entre passos incompleixen la finestra de temps de cua.

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]Supòsit: el límit de temps de cicle de 3,5 h substitueix una finestra de temps de cua; les finestres reals les fixa l’enginyeria de procés pas a pas, i les oblies que les incompleixen normalment es rebutgen.

Aproximació de Kingman: el temps de cua creix com u/(1−u); explota quan la utilització s’apropa al 100 %.

CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Es mostra per a la intuïció: la cua del simulador sorgeix d’arribades aleatòries i de capacitat aleatòria, no d’aquesta fórmula.

Límit de classe ISO 14644-1 per a partícules de mida D; a 0,1 µm la classe és el logaritme de la concentració.

Cn = 10^N · (0.1/D)^2.08 ⇒ N = log10(C≥0.1µm)[2]

Sala ben barrejada: concentració = generació ÷ (renovacions d’aire × volum × eficiència del filtre).

C = G / (ACH · V · η)[13][11]Supòsit: les magnituds (MTBF, taxes de generació, k, τ) són calibratges il·lustratius, no dades d’una fàbrica real.

Llei d’afinitat dels ventiladors: la potència creix amb el cub de la velocitat.

P_fan = P_max · (speed)³[10]

Rendiment binomial negatiu: els defectes s’agrupen, de manera que el rendiment baixa més a poc a poc del que prediu el model de Poisson.

Y = (1 + A·D/α)^(−α), α = 2 (α→∞: Y = e^(−A·D))[3][4][15][14]

Aprenentatge del rendiment: la densitat de defectes decau cap a un nivell madur a mesura que es dedica temps d’enginyeria.

D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Supòsit: τ està comprimit en el temps unes 100 vegades respecte de les taxes d’aprenentatge de la indústria (4–6,5 % al mes, Leachman) perquè un escenari de 14 dies en mostri l’efecte.

Les partícules que cauen a les oblies afegeixen defectes letals en proporció a la concentració a l’aire.

D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Supòsit: una constant il·lustrativa; les fàbriques reals calibren les taxes de defectes letals amb les seves pròpies dades d’inspecció.

Rendiment paramètric: la part d’un procés normal que cau dins dels límits d’especificació; el Cpk en mesura el marge.

Y_param = Φ((USL−μ)/σ) − Φ((LSL−μ)/σ), Cpk = min(USL−μ, μ−LSL)/(3σ)[7][8][19]

SPC: mitjanes de n mostres, amb límits de control ±3σ/√n i regles de zones.

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]

Altres constants de funcionament que fa servir el model.

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 %Supòsit: les magnituds (MTBF, taxes de generació, k, τ) són calibratges il·lustratius, no dades d’una fàbrica real.

Xips bruts per oblia de 300 mm per a un xip d’àrea A.

DPW = π·d²/(4A) − π·d/√(2A), d = 300 mm[9]

Aleatorietat: un generador mulberry32 amb llavor; distribucions utilitzades: uniforme, exponencial (CDF inversa), normal (Box–Muller), Poisson (Knuth). La llavor es mostra i es pot compartir.

Fonts

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