💠 Fábrica de semiconductores Modelo en vivo

Base: el modelo detrás de las cifras

Todas las relaciones que usa el simulador, con su fuente. Las constantes marcadas como supuestos son calibraciones ilustrativas.

Los estados del equipo siguen SEMI E10: productivo, en espera, ingeniería, parada programada y no programada.

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

Los equipos fallan al azar con un tiempo hasta el fallo exponencial; las reparaciones esperan a un técnico libre.

P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Supuesto: las magnitudes (MTBF, tasas de generación, k, τ) son calibraciones ilustrativas, no datos de una fábrica real.

La ley de Little relaciona el trabajo en curso, el rendimiento y el tiempo de ciclo.

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

En una línea estable, la producción es igual al ritmo de lanzamiento, así que una oblea que no se lanza es una oblea que nunca sale. Las obleas que esperan demasiado entre pasos incumplen la ventana de tiempo de cola.

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]Supuesto: el límite de 3.5 h de tiempo de ciclo representa una ventana de tiempo de cola; las ventanas reales las fija la ingeniería de procesos paso a paso, y las obleas que las incumplen suelen desecharse.

Aproximación de Kingman: el tiempo de cola crece como u/(1−u); se dispara cuando la utilización se acerca al 100 %.

CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Se muestra por intuición: la cola del simulador surge de llegadas aleatorias y capacidad aleatoria, no de esta fórmula.

Límite de clase ISO 14644-1 para partículas de tamaño D; a 0.1 µm la clase es el logaritmo de la concentración.

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

Sala bien mezclada: concentración = generación ÷ (renovaciones de aire × volumen × eficiencia del filtro).

C = G / (ACH · V · η)[13][11]Supuesto: las magnitudes (MTBF, tasas de generación, k, τ) son calibraciones ilustrativas, no datos de una fábrica real.

Ley de afinidad de los ventiladores: la potencia crece con el cubo de la velocidad.

P_fan = P_max · (speed)³[10]

Rendimiento binomial negativo: los defectos se agrupan, así que el rendimiento cae más despacio de lo que predice el modelo de Poisson.

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

Aprendizaje del rendimiento: la densidad de defectos decae hacia un nivel maduro a medida que se dedica tiempo de ingeniería.

D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Supuesto: τ está comprimido en el tiempo unas 100 veces respecto a las tasas de aprendizaje de la industria publicadas (4–6.5 % al mes, Leachman) para que un escenario de 14 días muestre el efecto.

Las partículas que caen sobre las obleas añaden defectos letales en proporción a la concentración en el aire.

D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Supuesto: una constante ilustrativa; las fábricas reales calibran las tasas de defectos letales con sus propios datos de inspección.

Rendimiento paramétrico: la proporción de un proceso normal que cae dentro de los límites de especificación; Cpk mide el margen.

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

SPC: medias de n muestras, con límites de control ±3σ/√n y reglas de 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]

Otras constantes de funcionamiento que usa el modelo.

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 %Supuesto: las magnitudes (MTBF, tasas de generación, k, τ) son calibraciones ilustrativas, no datos de una fábrica real.

Dados brutos por oblea de 300 mm para un dado de área A.

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

Aleatoriedad: un generador mulberry32 con semilla; distribuciones usadas: uniforme, exponencial (CDF inversa), normal (Box–Muller), Poisson (Knuth). La semilla se muestra y se puede compartir.

Fuentes

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