Pusvadītāju fabrika Dzīvais modelis

Jūs vadāt 300 mm plākšņu fabrikas litogrāfijas nodalījumu — astoņus skenerus, tīrtelpu un recepti, kam jāpaliek specifikācijas robežās. Plāksnes veido rindu, iekārtas lūzt, daļiņas ieplūst un raža mainās ar katru lēmumu.

Ko jūs uzzināsiet

Simulators

Laiks 0 h
Iekārtu pieejamība 100% · Nepabeigtais darbs 20 · Tīrtelpas ISO klase 3,4S1⚙S2▶S3▶S4▶S5▶S6▶S7‖S8‖WIP 20▶ 34 wph
  • Produktīvs
  • Gaidstāve
  • Inženiertehniskais
  • Nestrādā (remonts)
  • Gaisā esošās daļiņas

Vadīklas

Plākšņu skaits, kas stundā tiek palaists nodalījumā.

Skenera laika daļa, kas atvēlēta eksperimentālām plākšņu partijām, kuras apmāca procesu: tagad mazāk izlaides, vēlāk mazāk defektu.

Katrs tehniķis remontē vienu iekārtu vienlaikus.

Vairāk gaisa maiņu atšķaida daļiņas; ventilatora jauda aug ar ātruma kubu.

Katrs tērpā ģērbies cilvēks tāpat atbrīvo daļiņas.

Plākšņu skaits, ko mēra stundā: asāka SPC diagramma, nedaudz mazāka jauda.

Aizņem 3 h un, kamēr tie strādā, pievieno 2 cilvēkus telpā.

2 h ar pusi jaudas, tad process atkal ir mērķī.

Rādītāji

Derīgie kristāli izlaidē
19547/h
Raža
89,8%
normāls
Tīrtelpas ISO klase
3,4
normāls
Nodalījuma cikla laiks
1,6h
normāls
Iekārtu pieejamība100 %
Iekārtu noslodze71 %
Inženiertehniskais laiks10 %
Palaistās plāksnes34 wph
Nepabeigtais darbs20 wafers
Defektu blīvums0,110 /cm²
Procesa spēja Cpk1,25 · brīdinājums
Ārpus specifikācijas (plākšņu ekvivalenti)0,0 wph
Nodalījuma jauda1339 kW

Tendence

Derīgie kristāli izlaidē: — /h250000

SPC paraugs (CD nobīde)

SPC paraugs (CD nobīde): 0 ⚑+3σ−3σ

Krīzes scenāriji

Līmenis 1 · Daļiņu novirze

Ierasta maiņa mobilo mikroshēmu līnijā. Kaut kur virs nodalījuma griestu filtrs drīz atteiks. Noturiet tīrtelpu klasē, aizsargājiet ražu — un neatstājiet ventilatorus pilnā ātrumā ilgāk, nekā nepieciešams.

  • ISO klase atgriezta ≤ 3.6 beigās
  • Nekad virs 4.55 klases pēc pirmās stundas
  • Vidējā raža ≥ 87 % pirmajās novirzes stundās
  • Vidējā nodalījuma jauda ≤ 1,380 kW otrajā pusē

Līmenis 2 · Skeneru avārija

Nodalījums darbojas karsti pie 38 plākšņu palaišanām stundā. Trīs skeneri drīz vienlaikus izies no ierindas. Neļaujiet rindai eksplodēt, kamēr tos atjaunojat, un tomēr izlaidiet derīgus kristālus.

  • Nepabeigtais darbs ≤ 60 plāksnes beigās
  • Cikla laiks pēc avārijas nekad nepārsniedz 3,5 h (rindas laika logs)
  • Vismaz 900,000 derīgu kristālu 48 h laikā
  • Palaist vismaz 1600 plākšņu 48 h laikā (palaišanas plāns: 34 stundā)

Līmenis 3 · Receptes novirze

Vakar vakarā ekspluatācijā nonāca jauna receptes versija. Neviens vēl nezina, ka tā lēnām nobīda kritisko izmēru. Vērojiet SPC diagrammu: pamaniet novirzi un atceliet versiju, pirms plāksnes iziet ārpus specifikācijas.

  • Kopā ne vairāk kā 12 ārpus specifikācijas plākšņu ekvivalenti
  • Cpk ≥ 1.2 beigās
  • Vismaz 620,000 derīgu kristālu

Līmenis 2 · Jauna produkta uzskrējiens

Liels akseleratora mikroshēmas kristāls nonāk ražošanā ar nenobriedušu procesu: defektu blīvums ir augsts, un 600 mm² kristāls ir nepiedodošs. Līnija ir noslogota ar 42 plākšņu palaišanām stundā. Jums ir 14 dienas. Līdziniet šodienas izlaidi ar rītdienas apguvi.

  • Defektu blīvums ≤ 0.08 /cm² 14. dienā
  • Vismaz 660,000 derīgu kristālu 14 dienās

Pamats — modelis aiz skaitļiem

Katra simulatora izmantotā sakarība ar tās avotu. Konstantes, kas atzīmētas kā pieņēmumi, ir ilustratīvas kalibrācijas.

Iekārtu stāvokļi seko SEMI E10: produktīvs, gaidstāve, inženiertehniskais, plānotais un neplānotais dīkstāves laiks.
Availability = up tools / 8 · Utilization = productive tool-hours / total[1]
Iekārtas atsakās nejauši ar eksponenciālu laiku līdz atteicei; remonti gaida brīvu tehniķi.
P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Pieņēmums: lielumi (MTBF, ģenerēšanas ātrumi, k, τ) ir ilustratīvas kalibrācijas, nevis dati no īstas fabrikas.
Litla likums saista nepabeigto darbu, caurlaidību un cikla laiku.
CT = WIP / TH = T0 + queue / TH, T0 = 1 h[6][5]
Stabilā līnijā caurlaidspēja ir vienāda ar palaišanas intensitāti, tāpēc nepalaista plāksne ir plāksne, kas nekad neiznāks. Plāksnes, kas starp soļiem gaida pārāk ilgi, pārkāpj rindas laika logu.
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]Pieņēmums: 3,5 h cikla laika robeža aizstāj rindas laika logu; reālos logus procesa inženieri nosaka katram solim atsevišķi, un plāksnes, kas tos pārkāpj, parasti tiek brāķētas.
Kingmana tuvinājums: rindas laiks aug kā u/(1−u) — tas eksplodē, kad noslodze tuvojas 100 %.
CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Parādīts intuīcijas dēļ: simulatora rinda rodas no nejaušām ierašanās reizēm un nejaušas jaudas, nevis no šīs formulas.
ISO 14644-1 klases robeža daļiņām ar izmēru D; pie 0,1 µm klase ir koncentrācijas logaritms.
Cn = 10^N · (0.1/D)^2.08 ⇒ N = log10(C≥0.1µm)[2]
Labi sajaukta telpa: koncentrācija = ģenerēšana ÷ (gaisa maiņas × tilpums × filtra efektivitāte).
C = G / (ACH · V · η)[13][11]Pieņēmums: lielumi (MTBF, ģenerēšanas ātrumi, k, τ) ir ilustratīvas kalibrācijas, nevis dati no īstas fabrikas.
Ventilatora afinitātes likums: jauda aug ar ventilatora ātruma kubu.
P_fan = P_max · (speed)³[10]
Negatīvi binomiālā raža: defekti grupējas, tāpēc raža krītas lēnāk, nekā paredz Puasona modelis.
Y = (1 + A·D/α)^(−α), α = 2 (α→∞: Y = e^(−A·D))[3][4][15][14]
Ražas apguve: defektu blīvums samazinās uz nobriedušu līmeni, kad tiek veltīts inženiertehniskais laiks.
D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Pieņēmums: τ ir laika ziņā saspiests apmēram 100 reižu salīdzinājumā ar publicētajiem nozares apguves tempiem (4–6,5 % mēnesī, Leachman), lai 14 dienu scenārijs parādītu efektu.
Daļiņas, kas nokļūst uz plāksnēm, pievieno nāvējošus defektus proporcionāli gaisa koncentrācijai.
D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Pieņēmums: ilustratīva konstante — īstas fabrikas kalibrē nāvējošo defektu ātrumus pēc savas pārbaužu datiem.
Parametriskā raža: normāla procesa daļa, kas iekrīt specifikācijas robežās; Cpk mēra rezervi.
Y_param = Φ((USL−μ)/σ) − Φ((LSL−μ)/σ), Cpk = min(USL−μ, μ−LSL)/(3σ)[7][8][19]
SPC: n paraugu vidējie, ar ±3σ/√n kontroles robežām un zonu noteikumiem.
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]
Citas modeļa izmantotās darbības konstantes.
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 %Pieņēmums: lielumi (MTBF, ģenerēšanas ātrumi, k, τ) ir ilustratīvas kalibrācijas, nevis dati no īstas fabrikas.
Bruto kristālu skaits uz 300 mm plāksni kristālam ar laukumu A.
DPW = π·d²/(4A) − π·d/√(2A), d = 300 mm[9]

Nejaušība: sēklas mulberry32 ģenerators; izmantotie sadalījumi — vienmērīgais, eksponenciālais (apgrieztā CDF), normālais (Box–Muller), Puasona (Knuth). Sēkla tiek rādīta un to var kopīgot.

Avoti

  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

Kas ar to nodarbojas profesionāli

Izglītojošs modelis — nav paredzēts ekspluatācijas lēmumiem. Reālas vietas kalibrē katru konstanti pēc savas iekārtas un datiem.