💠 Usine de semi-conducteurs Modèle en direct

Base — le modèle derrière les chiffres

Chaque relation utilisée par le simulateur, avec sa source. Les constantes signalées comme hypothèses sont des calibrations illustratives.

Les états de l'équipement suivent SEMI E10 : productif, attente, ingénierie, arrêt planifié et non planifié.

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

Les outils tombent en panne au hasard avec un temps de défaillance exponentiel; les réparations attendent un technicien libre.

P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Hypothèse : les ordres de grandeur (MTBF, taux de génération, k, τ) sont des calibrations illustratives, et non des données d'une usine réelle.

La loi de Little relie les en-cours, le débit et le temps de cycle.

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

Dans une ligne stable, le débit égale le taux de lancement : une tranche qui n’est pas lancée est une tranche qui ne sort jamais. Les tranches qui attendent trop longtemps entre deux étapes dépassent la fenêtre de temps d’attente.

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]Hypothèse : la limite de temps de cycle de 3,5 h tient lieu de fenêtre de temps d’attente (queue time); les fenêtres réelles sont fixées étape par étape par l’ingénierie des procédés, et les tranches qui les dépassent sont généralement mises au rebut.

Approximation de Kingman : le temps d'attente croît comme u/(1−u) — il explose quand l'utilisation approche 100 %.

CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Présenté pour l'intuition : la file du simulateur émerge d'arrivées aléatoires et d'une capacité aléatoire plutôt que de cette formule.

Limite de classe ISO 14644-1 pour les particules de taille D; à 0,1 µm, la classe est le logarithme de la concentration.

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

Salle bien mélangée : concentration = génération ÷ (renouvellements d'air × volume × efficacité du filtre).

C = G / (ACH · V · η)[13][11]Hypothèse : les ordres de grandeur (MTBF, taux de génération, k, τ) sont des calibrations illustratives, et non des données d'une usine réelle.

Loi d'affinité des ventilateurs : la puissance croît avec le cube de la vitesse.

P_fan = P_max · (speed)³[10]

Rendement à binomiale négative : les défauts s'agglutinent, si bien que le rendement baisse plus lentement que ne le prédit le modèle de Poisson.

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

Apprentissage du rendement : la densité de défauts décroît vers un niveau mature à mesure que du temps d'ingénierie est investi.

D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Hypothèse : τ est compressé dans le temps d'environ 100× par rapport aux taux d'apprentissage rapportés dans l'industrie (4 à 6,5 % par mois, Leachman) afin qu'un scénario de 14 jours montre l'effet.

Les particules qui se déposent sur les tranches ajoutent des défauts fatals proportionnellement à la concentration dans l'air.

D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Hypothèse : une constante illustrative — les vraies usines calibrent les taux de défauts fatals à partir de leurs propres données d'inspection.

Rendement paramétrique : la part d'un procédé normal qui tombe à l'intérieur des limites de spécification; le Cpk mesure la marge.

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

SPC : moyennes de n échantillons, avec limites de contrôle de ±3σ/√n et règles de zone.

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]

Autres constantes d'exploitation utilisées par le modèle.

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 %Hypothèse : les ordres de grandeur (MTBF, taux de génération, k, τ) sont des calibrations illustratives, et non des données d'une usine réelle.

Puces brutes par tranche de 300 mm pour une puce de surface A.

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

Aléa : un générateur mulberry32 à graine; lois utilisées — uniforme, exponentielle (fonction de répartition inverse), normale (Box–Muller), de Poisson (Knuth). La graine est affichée et partageable.

Sources

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