Félvezetőgyár Élő modell

Ön egy 300 mm-es ostyagyár litográfiai mezőjét vezeti — nyolc szkenner, egy tisztatér és egy recept, amelynek a specifikáción belül kell maradnia. Az ostyák sorban állnak, a gépek elromlanak, a részecskék beszivárognak, és a hozam minden döntéssel mozdul.

Mit fog megtanulni

Szimulátor

Idő: 0 h
Gépek rendelkezésre állása 100% · Folyamatban lévő munka 20 · Tisztatér ISO-osztálya 3,4S1⚙S2▶S3▶S4▶S5▶S6▶S7‖S8‖WIP 20▶ 34 wph
  • Termelő
  • Készenlét
  • Mérnöki
  • Leállva (javítás)
  • Levegőben lévő részecskék

Vezérlők

Óránként a mezőbe elengedett ostyák.

A szkenneridő azon része, amelyet a folyamatot tanító kísérleti szelettételek kapnak: most kisebb kibocsátás, később kevesebb hiba.

Minden technikus egyszerre egy gépet javít.

Több légcsere hígítja a részecskéket; a ventilátor teljesítménye a sebesség köbével nő.

Minden overallos ember is bocsát ki részecskéket.

Óránként mért ostyák: élesebb SPC-diagram, valamivel kisebb kapacitás.

3 h-t vesz igénybe, és 2 fővel növeli a teremben lévők számát, amíg dolgoznak.

2 h fél kapacitáson, aztán a folyamat visszatér a célértékre.

Mutatók

Legyártott jó chipek
19547/h
Hozam
89,8%
normális
Tisztatér ISO-osztálya
3,4
normális
Mező átfutási ideje
1,6h
normális
Gépek rendelkezésre állása100 %
Gépek kihasználtsága71 %
Mérnöki idő10 %
Bebocsátott ostyaindítások34 wph
Folyamatban lévő munka20 wafers
Hibasűrűség0,110 /cm²
Folyamatképesség Cpk1,25 · figyelmeztetés
Specifikáción kívül (ostyaegyenértékek)0,0 wph
Mező teljesítménye1339 kW

Trend

Legyártott jó chipek: — /h250000

SPC-minta (CD-eltérés)

SPC-minta (CD-eltérés): 0 ⚑+3σ−3σ

Válsághelyzeti forgatókönyvek

1. szint · Részecske-kitérés

Egy rutinműszak a mobilchip-soron. Valahol a mező felett egy mennyezeti szűrő mindjárt tönkremegy. Tartsa a tisztateret az osztályban, védje a hozamot — és ne hagyja a ventilátorokat teljes sebességen a szükségesnél tovább.

  • ISO-osztály vissza ≤ 3,6 a végén
  • Soha nem lépi át a 4,55-ös osztályt az első óra után
  • Átlagos hozam ≥ 87 % a kitérés első óráiban
  • Átlagos mezőteljesítmény ≤ 1380 kW a második felében

2. szint · Szkenner-összeomlás

A mező forrón megy, óránként 38 ostyaindítással. Három szkenner egyszerre áll le. Ne engedje felrobbanni a sort, amíg visszahozza őket, és közben szállítson jó chipeket.

  • WIP ≤ 60 ostya a végén
  • Átfutási idő soha nem több 3,5 h-nál az összeomlás után (várakozásiidő-ablak)
  • Legalább 900 000 jó chip 48 h alatt
  • Legalább 1600 ostyaindítás bebocsátása 48 h alatt (indítási terv: óránként 34)

3. szint · Recept-eltolódás

Tegnap éjjel élesbe ment egy új receptverzió. Még senki sem tudja, hogy lassan elmozdítja a kritikus méretet. Figyelje az SPC-diagramot: kapja el az eltolódást, és állítsa vissza a receptet, mielőtt az ostyák kicsúsznak a specifikációból.

  • Összesen legfeljebb 12 specifikáción kívüli ostyaegyenérték
  • Cpk ≥ 1,2 a végén
  • Legalább 620 000 jó chip

2. szint · Új termék felfutása

Egy nagy gyorsítóchip éretlen folyamattal kerül gyártásba: a hibasűrűség magas, és egy 600 mm²-es chip könyörtelen. A sor óránként 42 ostyaindítással terhelt. Önnek 14 napja van. Egyensúlyozza ki a mai kibocsátást a holnapi tanulással.

  • Hibasűrűség ≤ 0,08 /cm² a 14. napon
  • Legalább 660 000 jó chip 14 nap alatt

Alap — a számok mögötti modell

A szimulátor által használt minden összefüggés a forrásával. A feltevésként jelölt állandók szemléltető kalibrációk.

A berendezésállapotok a SEMI E10-et követik: termelő, készenléti, mérnöki, tervezett és nem tervezett állásidő.
Availability = up tools / 8 · Utilization = productive tool-hours / total[1]
A gépek véletlenszerűen, exponenciális meghibásodási idővel romlanak el; a javítások szabad technikusra várnak.
P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Feltevés: a nagyságrendek (MTBF, keletkezési ütemek, k, τ) szemléltető kalibrációk, nem egy valódi gyár adatai.
A Little-törvény összekapcsolja a folyamatban lévő munkát, az átbocsátást és az átfutási időt.
CT = WIP / TH = T0 + queue / TH, T0 = 1 h[6][5]
Stabil sorban az átbocsátás egyenlő a bebocsátási ütemmel, így egy be nem bocsátott ostyaindítás olyan ostya, amely soha nem jön ki. A lépések között túl sokáig váró ostyák megszegik a várakozásiidő-ablakot.
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]Feltevés: a 3,5 h-s átfutásiidő-korlát egy várakozásiidő-ablakot (queue time) helyettesít; a valós ablakokat a folyamatmérnökök lépésenként állítják be, és az ezeket megszegő ostyákat jellemzően selejtezik.
Kingman-közelítés: a sorbanállási idő u/(1−u) szerint nő — felrobban, ahogy a kihasználtság megközelíti a 100 %-ot.
CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Az intuíció kedvéért mutatjuk: a szimulátor sora véletlen érkezésekből és véletlen kapacitásból adódik, nem ebből a képletből.
Az ISO 14644-1 osztályhatár D méretű részecskékre; 0,1 µm-nél az osztály a koncentráció logaritmusa.
Cn = 10^N · (0.1/D)^2.08 ⇒ N = log10(C≥0.1µm)[2]
Jól kevert terem: koncentráció = keletkezés ÷ (légcserék × térfogat × szűrési hatásfok).
C = G / (ACH · V · η)[13][11]Feltevés: a nagyságrendek (MTBF, keletkezési ütemek, k, τ) szemléltető kalibrációk, nem egy valódi gyár adatai.
Ventilátor-affinitási törvény: a teljesítmény a ventilátor sebességének köbével nő.
P_fan = P_max · (speed)³[10]
Negatív binomiális hozam: a hibák csoportosulnak, ezért a hozam lassabban esik, mint a Poisson-modell jósolja.
Y = (1 + A·D/α)^(−α), α = 2 (α→∞: Y = e^(−A·D))[3][4][15][14]
Hozamtanulás: a hibasűrűség a mérnöki idő ráfordításával az érett szint felé csökken.
D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Feltevés: a τ az iparág jelentett tanulási ütemeihez (havi 4–6,5 %, Leachman) képest kb. 100×-osan idősűrített, hogy egy 14 napos forgatókönyv megmutassa a hatást.
Az ostyákra hulló részecskék a levegő koncentrációjával arányosan okoznak végzetes hibákat.
D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Feltevés: szemléltető állandó — a valódi gyárak a végzetes hibák ütemét a saját ellenőrzési adataikból kalibrálják.
Paraméteres hozam: egy normális folyamat azon hányada, amely a specifikációs határokon belülre esik; a Cpk a tartalékot méri.
Y_param = Φ((USL−μ)/σ) − Φ((LSL−μ)/σ), Cpk = min(USL−μ, μ−LSL)/(3σ)[7][8][19]
SPC: n minta átlagai, ±3σ/√n ellenőrzési határokkal és zónaszabályokkal.
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]
A modell által használt egyéb üzemi állandók.
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 %Feltevés: a nagyságrendek (MTBF, keletkezési ütemek, k, τ) szemléltető kalibrációk, nem egy valódi gyár adatai.
Bruttó chipek 300 mm-es ostyánként egy A területű chip esetén.
DPW = π·d²/(4A) − π·d/√(2A), d = 300 mm[9]

Véletlenszerűség: magolt mulberry32 generátor; a használt eloszlások — egyenletes, exponenciális (inverz CDF), normális (Box–Muller), Poisson (Knuth). A mag látható és megosztható.

Források

  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

Kik csinálják ezt hivatásszerűen

Oktatási modell — nem működési döntésekhez. A valódi telephelyek minden állandót a saját berendezésükhöz és adataikhoz kalibrálnak.