Fabryka półprzewodników Model na żywo

Prowadzisz halę litografii fabryki wafli 300 mm — osiem skanerów, cleanroom i recepturę, która musi mieścić się w specyfikacji. Wafle stoją w kolejce, urządzenia się psują, cząstki wnikają, a uzysk zmienia się z każdą decyzją.

Czego się nauczysz

Symulator

Czas 0 h
Dostępność urządzeń 100% · Praca w toku 20 · Klasa ISO cleanroomu 3,4S1⚙S2▶S3▶S4▶S5▶S6▶S7‖S8‖WIP 20▶ 34 wph
  • Produkcja
  • Gotowość
  • Inżynieria
  • Przestój (naprawa)
  • Cząstki w powietrzu

Sterowanie

Wafle wprowadzane do hali na godzinę.

Udział czasu skanera przeznaczony na eksperymentalne partie płytek, które uczą proces: teraz mniejsza produkcja, później mniej defektów.

Każdy technik naprawia jedno urządzenie naraz.

Więcej wymian powietrza rozcieńcza cząstki; moc wentylatora rośnie z sześcianem prędkości.

Każda osoba w ubraniu ochronnym nadal emituje cząstki.

Wafle mierzone na godzinę: ostrzejsza karta SPC, nieco mniejsza wydajność.

Trwa 3 h i dodaje 2 osoby w pomieszczeniu na czas pracy.

2 h przy połowie wydajności, potem proces wraca do celu.

Wskaźniki

Dobre struktury na wyjściu
19547/h
Uzysk
89,8%
normalny
Klasa ISO cleanroomu
3,4
normalny
Czas cyklu hali
1,6h
normalny
Dostępność urządzeń100 %
Wykorzystanie urządzeń71 %
Czas inżynieryjny10 %
Wprowadzone starty wafli34 wph
Praca w toku20 wafers
Gęstość defektów0,110 /cm²
Zdolność procesu Cpk1,25 · ostrzeżenie
Poza specyfikacją (ekwiwalent wafli)0,0 wph
Moc hali1339 kW

Trend

Dobre struktury na wyjściu: — /h250000

Próbka SPC (odchylenie CD)

Próbka SPC (odchylenie CD): 0 ⚑+3σ−3σ

Scenariusze kryzysowe

Poziom 1 · Odchylenie cząstek

Rutynowa zmiana na linii układów mobilnych. Gdzieś nad halą zaraz zawiedzie filtr sufitowy. Utrzymaj cleanroom w klasie, chroń uzysk — i nie zostawiaj wentylatorów na pełnej prędkości dłużej, niż trzeba.

  • Klasa ISO z powrotem ≤ 3,6 na końcu
  • Nigdy powyżej klasy 4,55 po pierwszej godzinie
  • Średni uzysk ≥ 87 % w pierwszych godzinach odchylenia
  • Średnia moc hali ≤ 1380 kW w drugiej połowie

Poziom 2 · Awaria skanerów

Hala pracuje na wysokich obrotach przy 38 startach wafli na godzinę. Trzy skanery zaraz wypadną jednocześnie. Nie dopuść do eksplozji kolejki, aż je przywrócisz, i nadal dostarczaj dobre struktury.

  • WIP ≤ 60 wafli na końcu
  • Czas cyklu po awarii nigdy powyżej 3,5 h (okno czasu kolejki)
  • Co najmniej 900 000 dobrych struktur w 48 h
  • Wprowadź co najmniej 1600 startów wafli w 48 h (plan startów: 34 na godzinę)

Poziom 3 · Dryf receptury

Wczoraj wieczorem weszła nowa wersja receptury. Nikt jeszcze nie wie, że powoli przesuwa wymiar krytyczny. Obserwuj kartę SPC: wychwyć dryf i cofnij recepturę, zanim wafle wyjdą poza specyfikację.

  • Najwyżej 12 ekwiwalentów wafli poza specyfikacją łącznie
  • Cpk ≥ 1,2 na końcu
  • Co najmniej 620 000 dobrych struktur

Poziom 2 · Narastanie nowego produktu

Duży układ akceleratora wchodzi do produkcji z niedojrzałym procesem: gęstość defektów jest wysoka, a struktura 600 mm² nie wybacza. Linia jest załadowana przy 42 startach wafli na godzinę. Masz 14 dni. Zrównoważ dzisiejszą produkcję z nauką na jutro.

  • Gęstość defektów ≤ 0,08 /cm² w dniu 14
  • Co najmniej 660 000 dobrych struktur w 14 dni

Podstawa — model stojący za liczbami

Każda zależność używana przez symulator, wraz ze źródłem. Stałe oznaczone jako założenia to kalibracje poglądowe.

Stany urządzeń wg SEMI E10: produkcja, gotowość, inżynieria, przestój planowany i nieplanowany.
Availability = up tools / 8 · Utilization = productive tool-hours / total[1]
Urządzenia psują się losowo z wykładniczym czasem do awarii; naprawy czekają na wolnego technika.
P(fail in Δt) = 1 − e^(−Δt/MTBF), MTBF = 250 h; repair ~ Exp(mean 6 h) once a technician is free[17][1]Założenie: rzędy wielkości (MTBF, tempo generacji, k, τ) to kalibracje poglądowe, a nie dane z prawdziwej fabryki.
Prawo Little’a łączy zapas produkcji w toku, przepustowość i czas cyklu.
CT = WIP / TH = T0 + queue / TH, T0 = 1 h[6][5]
W stabilnej linii przepustowość równa się tempu wprowadzania, więc niewprowadzony start wafla to wafel, który nigdy nie wyjdzie. Wafle czekające zbyt długo między krokami przekraczają okno czasu kolejki.
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]Założenie: limit czasu cyklu 3,5 h zastępuje okno czasu kolejki (queue-time); rzeczywiste okna ustala inżynieria procesu krok po kroku, a wafle, które je przekroczą, są zwykle złomowane.
Przybliżenie Kingmana: czas w kolejce rośnie jak u/(1−u) — eksploduje, gdy wykorzystanie zbliża się do 100 %.
CTq ≈ ((ca² + ce²)/2) · (u/(1−u)) · te[5]Pokazane dla intuicji: kolejka symulatora wynika z losowych przyjazdów i losowej wydajności, a nie z tego wzoru.
Graniczna wartość klasy ISO 14644-1 dla cząstek o rozmiarze D; przy 0,1 µm klasa to logarytm stężenia.
Cn = 10^N · (0.1/D)^2.08 ⇒ N = log10(C≥0.1µm)[2]
Dobrze wymieszane pomieszczenie: stężenie = generacja ÷ (wymiany powietrza × objętość × sprawność filtra).
C = G / (ACH · V · η)[13][11]Założenie: rzędy wielkości (MTBF, tempo generacji, k, τ) to kalibracje poglądowe, a nie dane z prawdziwej fabryki.
Prawo podobieństwa wentylatorów: moc rośnie z sześcianem prędkości wentylatora.
P_fan = P_max · (speed)³[10]
Uzysk dwumianu ujemnego: defekty się grupują, więc uzysk spada wolniej, niż przewiduje model Poissona.
Y = (1 + A·D/α)^(−α), α = 2 (α→∞: Y = e^(−A·D))[3][4][15][14]
Uczenie się uzysku: gęstość defektów spada do poziomu dojrzałego w miarę poświęcania czasu inżynieryjnego.
D(t+Δt) = D∞ + (D − D∞)·e^(−Δt/τ), τ = 120 h · (0.10 / engineering share)[15][18]Założenie: τ jest skompresowane w czasie około 100 razy względem raportowanych branżowych tempów uczenia się (4–6,5 % miesięcznie, Leachman), aby 14-dniowy scenariusz pokazał efekt.
Cząstki osiadające na waflach dodają defekty zabójcze proporcjonalnie do stężenia w powietrzu.
D_total = D_learn + k · C, k = 4·10⁻⁶ cm⁻² per particle/m³Założenie: stała poglądowa — prawdziwe fabryki kalibrują tempo defektów zabójczych na podstawie własnych danych z inspekcji.
Uzysk parametryczny: odsetek normalnego procesu mieszczący się w granicach specyfikacji; Cpk mierzy zapas.
Y_param = Φ((USL−μ)/σ) − Φ((LSL−μ)/σ), Cpk = min(USL−μ, μ−LSL)/(3σ)[7][8][19]
SPC: średnie z n próbek, z granicami kontrolnymi ±3σ/√n i regułami stref.
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]
Pozostałe stałe robocze używane w modelu.
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 %Założenie: rzędy wielkości (MTBF, tempo generacji, k, τ) to kalibracje poglądowe, a nie dane z prawdziwej fabryki.
Brutto liczba struktur na wafel 300 mm dla struktury o powierzchni A.
DPW = π·d²/(4A) − π·d/√(2A), d = 300 mm[9]

Losowość: generator mulberry32 z ziarnem; użyte rozkłady — jednostajny, wykładniczy (odwrotna dystrybuanta), normalny (Box–Muller), Poissona (Knuth). Ziarno jest widoczne i można je udostępnić.

Źródła

  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

Kto się tym zajmuje zawodowo

Model edukacyjny — nie do decyzji operacyjnych. Prawdziwe obiekty kalibrują każdą stałą do własnego sprzętu i danych.