Halvlederfab Live-model

Du driver litografibay’en på en 300 mm waferfab — otte scannere, et renrum og en recept, der skal holde sig inden for specifikationen. Wafere står i kø, værktøjer går i stykker, partikler driver ind, og udbyttet ændrer sig med hver beslutning.

Det lærer du

Simulator

Tid 0 t
Værktøjstilgængelighed 100% · Varer i arbejde 20 · Renrummets ISO-klasse 3,4S1⚙S2▶S3▶S4▶S5▶S6▶S7‖S8‖WIP 20▶ 34 wph
  • Produktiv
  • Standby
  • Ingeniørarbejde
  • Nede (reparation)
  • Luftbårne partikler

Betjening

Wafere sluset ind i bay’en pr. time.

Andel af scannertiden givet til eksperimentelle waferpartier, der lærer processen op: mindre output nu, færre defekter senere.

Hver tekniker reparerer ét værktøj ad gangen.

Flere luftskift fortynder partikler; ventilatoreffekten vokser med hastigheden i tredje potens.

Hver person i renrumsdragt afgiver stadig partikler.

Wafere målt pr. time: skarpere SPC-kort, lidt mindre kapacitet.

Tager 3 t og tilføjer 2 personer i rummet, mens de arbejder.

2 t med halv kapacitet, derefter er processen tilbage på målet.

Indikatorer

Gode chips ud
19547/h
Udbytte
89,8%
normal
Renrummets ISO-klasse
3,4
normal
Bay-gennemløbstid
1,6h
normal
Værktøjstilgængelighed100 %
Værktøjsudnyttelse71 %
Ingeniørtid10 %
Frigivne waferstarter34 wph
Varer i arbejde20 wafers
Defekttæthed0,110 /cm²
Proceskapabilitet Cpk1,25 · advarsel
Uden for specifikation (waferækvivalenter)0,0 wph
Bay-effekt1339 kW

Tendens

Gode chips ud: — /h250000

SPC-prøve (CD-afvigelse)

SPC-prøve (CD-afvigelse): 0 ⚑+3σ−3σ

Krisescenarier

Niveau 1 · Partikeludsving

Et rutinemæssigt skift på mobilchiplinjen. Et sted over bay’en er et loftfilter ved at svigte. Hold renrummet i klassen, beskyt udbyttet — og lad ikke ventilatorerne køre på fuld hastighed længere end nødvendigt.

  • ISO-klasse tilbage på ≤ 3,6 til sidst
  • Aldrig over klasse 4,55 efter den første time
  • Gennemsnitligt udbytte ≥ 87 % i de første timer af udsvinget
  • Gennemsnitlig bay-effekt ≤ 1.380 kW i anden halvdel

Niveau 2 · Scannernedbrud

Bay’en kører varmt med 38 waferstarter i timen. Tre scannere er ved at gå ned på én gang. Forhindr, at køen eksploderer, mens du får dem tilbage, og lever stadig gode chips.

  • WIP ≤ 60 wafere til sidst
  • Gennemløbstid aldrig over 3,5 h efter nedbruddet (køtidsvindue)
  • Mindst 900.000 gode chips på 48 t
  • Frigiv mindst 1600 waferstarter på 48 h (startplan: 34 i timen)

Niveau 3 · Receptdrift

En ny receptrevision gik i luften i går aftes. Ingen ved endnu, at den langsomt forskyder den kritiske dimension. Hold øje med SPC-kortet: opdag driften, og gå tilbage, før wafere falder uden for specifikationen.

  • Højst 12 waferækvivalenter uden for specifikation i alt
  • Cpk ≥ 1,2 til sidst
  • Mindst 620.000 gode chips

Niveau 2 · Opstart af nyt produkt

En stor acceleratorchip går i produktion med en umoden proces: defekttætheden er høj, og en 600 mm² chip er ubarmhjertig. Linjen er belastet med 42 waferstarter i timen. Du har 14 dage. Afvej output i dag mod læring til i morgen.

  • Defekttæthed ≤ 0,08 /cm² på dag 14
  • Mindst 660.000 gode chips over 14 dage

Grundlag — modellen bag tallene

Alle sammenhænge, simulatoren bruger, med deres kilde. Konstanter markeret som antagelser er illustrative kalibreringer.

Udstyrstilstande følger SEMI E10: produktiv, standby, ingeniørarbejde, planlagt og uplanlagt nedetid.
Availability = up tools / 8 · Utilization = productive tool-hours / total[1]
Værktøjer svigter tilfældigt med en eksponentiel tid til svigt; reparationer venter på en ledig tekniker.
P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Antagelse: størrelsesordener (MTBF, generationsrater, k, τ) er illustrative kalibreringer, ikke data fra en rigtig fab.
Littles lov forbinder varer i arbejde, gennemløb og gennemløbstid.
CT = WIP / TH = T0 + queue / TH, T0 = 1 h[6][5]
I en stabil linje er gennemstrømningen lig med frigivelsesraten, så en waferstart, der ikke frigives, er en wafer, der aldrig kommer ud. Wafere, der venter for længe mellem trinene, overskrider køtidsvinduet.
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]Antagelse: grænsen på 3,5 h for gennemløbstid står i stedet for et køtidsvindue; rigtige vinduer fastsættes trin for trin af procesingeniørerne, og wafere, der overskrider dem, kasseres typisk.
Kingmans approksimation: køtiden vokser som u/(1−u) — den eksploderer, når udnyttelsen nærmer sig 100 %.
CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Vist for intuitionens skyld: simulatorens kø opstår af tilfældige ankomster og tilfældig kapacitet og ikke af denne formel.
ISO 14644-1-klassegrænse for partikler af størrelse D; ved 0,1 µm er klassen logaritmen af koncentrationen.
Cn = 10^N · (0.1/D)^2.08 ⇒ N = log10(C≥0.1µm)[2]
Veludblandet rum: koncentration = generation ÷ (luftskift × volumen × filtereffektivitet).
C = G / (ACH · V · η)[13][11]Antagelse: størrelsesordener (MTBF, generationsrater, k, τ) er illustrative kalibreringer, ikke data fra en rigtig fab.
Ventilatorernes affinitetslov: effekten stiger med ventilatorhastighedens tredje potens.
P_fan = P_max · (speed)³[10]
Negativ binomial-udbytte: defekter klumper sig sammen, så udbyttet falder langsommere, end Poisson-modellen forudsiger.
Y = (1 + A·D/α)^(−α), α = 2 (α→∞: Y = e^(−A·D))[3][4][15][14]
Udbyttelæring: defekttætheden aftager mod et modent niveau, efterhånden som der bruges ingeniørtid.
D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Antagelse: τ er tidskomprimeret omkring 100 × i forhold til de rapporterede læringsrater i branchen (4–6,5 % pr. måned, Leachman), så et scenarie på 14 dage viser effekten.
Partikler, der lander på wafere, tilføjer dræbende defekter i forhold til luftkoncentrationen.
D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Antagelse: en illustrativ konstant — rigtige fabs kalibrerer raterne for dræbende defekter ud fra deres egne inspektionsdata.
Parametrisk udbytte: andelen af en normal proces, der falder inden for specifikationsgrænserne; Cpk måler marginen.
Y_param = Φ((USL−μ)/σ) − Φ((LSL−μ)/σ), Cpk = min(USL−μ, μ−LSL)/(3σ)[7][8][19]
SPC: gennemsnit af n prøver med kontrolgrænser på ±3σ/√n og zoneregler.
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]
Andre driftskonstanter, som modellen bruger.
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 %Antagelse: størrelsesordener (MTBF, generationsrater, k, τ) er illustrative kalibreringer, ikke data fra en rigtig fab.
Brutto antal chips pr. 300 mm-wafer for en chip med arealet A.
DPW = π·d²/(4A) − π·d/√(2A), d = 300 mm[9]

Tilfældighed: en seedet mulberry32-generator; anvendte fordelinger — uniform, eksponentiel (invers CDF), normal (Box–Muller), Poisson (Knuth). Seed vises og kan deles.

Kilder

  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

Hvem arbejder med dette

Uddannelsesmodel — ikke til operative beslutninger. Rigtige anlæg kalibrerer hver konstant efter deres eget udstyr og data.