协同创新实现数据共享 半导体设备智能更进化

2018-06-21 14:00:43 来源: 老杳吧
与其他制造业相比,半导体芯片的制造,可以说是最接近工业4.0愿景的制造业。但即便如此,在人工智能(AI)、机器学习(ML)等新技术浪潮的冲击下,半导体制造设备产业仍就需要与时具进。半导体设备产业未来必须协同创新,打破数据串流的障碍,方可让半导体设备进入下一个世代。
我们身处的世界正不断改变。事实上,科技正以指数函数的倍数步伐飞速进展。由于网际网络带来的指数级变化速度,再加上摩尔定律的指数级成长脚步,让我们面临着如此前所未有、难以掌握、以及迅雷般的快速变化。
不仅如此,机器学习和人工智能(AI)的浪潮正席卷而来,包括制造业,各行各业都将受到破坏式创新的全面冲击。
大数据/深度学习带动半导体设备节点化
过去,半导体设备业者销售制程设备给晶圆厂,包含腔体(Chamber)、控制器等。这些设备能与主机通讯,将机台上的数据传送给主机,进而累积成数据库。透过建置数据库,半导体设备的用户试图了解并运用从设备撷取到的数据,但这些数据库仍然是零碎、不完整的,因为一定会有一些资讯潜藏于机台之中。
为了掌握制程的特征并有效进行制程控制,晶圆厂必须执行的量测数量正快速增加。然而,许多撷取到的量测值,对于了解制程情况并不是那么有用,因为资讯不够完整。因此,可以预期的是,未来的晶圆厂不会采用将资讯封锁住的硬件设备。
为了因应这个趋势,科林研发(Lam Research)已设法将每台设备都变成网络上的节点。机台数据将会与自我学习演算法结合,这些演算法会使用到相关零件、量测(Metrology)、上游与下游制程,以及元件和良率等所有数据。资讯会跟随着晶圆进出机台,而所有的制程数据都将由传感器收集、记录,并以正确的格式、在正确的时间进行传输,以提供精密的控制。
理想上,网络节点应该具备以下特性:
.具自我感知(Self-aware)与自我控制功能。
.知道何时需要维修。
.能够根据错误结果的条件进行自我修正,来稳定结果与良率,进而将生产力最大化与降低成本
这是一个建立在大数据(Big Data)、深度学习演算法、以及制程专用化(Process Specialization)基础之上的宏大愿景,也是半导体设备智能化更上一层楼的基石。
以腔体设备为例,这种设备作为半导体制程的中心节点,除了使用当站机台(At-the Tool)的数据外,还要结合上下游制程设备的数据,才能让使用者掌握制程的确切状况,例如蚀刻温度的调整,会对整个制程造成的影响。科林的愿景是开发出具备自我感知能力的设备,并使其成为网络中的一环。
六大技术实现智能半导体设备
要实现自我驱动(Self-driving)或智能型晶圆设备,以下六个领域的技术将扮演重要角色。
数据组织(Data Organization)
对设备供应商及其客户来说,取得机台中的数据是整个系统的起始点。但是,每座晶圆厂都不尽相同,而且每家客户都希望尽可能取得更多的数据,每家客户的数据分析与建置方式也都各自不同。
以科林为例,其做法是建立一个介面,可以提供客户所需的灵活性。透过标准API,客户可存取机台数据的各种型态、速度以及数量,并同时保有数据的完整性。
客户从机台撷取到数据后,需要进一步管理数据、并将其整合到晶圆厂中。针对如何管理数据,设备供应商再度面临了各种不同的客户需求。有些客户要求把数据放在自己的系统中,有些要求放在设备供应商的系统,有些希望采用混合的方式,还有晶圆厂希望把数据放在云端。
大数据机器学习平台
为了满足客户各式各样的需求,科林有意开发一个平台,使其可作为管道或储存数据库,利用与现今使用的系统相同的业界标准元件来进行数据管理、支援通讯标准整合及提供横跨所有科林机台的巨集式控制能力,使其在实行上能更有弹性。这样一来,客户便能从此平台中选择他们想采用的方式。
除了建立可将数据合理化及管理跨机台的演算法之外,这些演算法还必须能持续进行更新。建立标准,以便能可靠稳定地使用第三方软件是很重要的—须厘清哪些工作要在机台上或在Wrapper环境中执行。
自动化
要透过自动化来降低芯片生产运作的变异性,有许多步骤须要考虑。举例来说,我们需利用机器学习来分析数据、侦测元件差异(Component Drift)与模式,以便能重新调校(Re-tune)、利用元件和子系统的背景识别(Context Identification)来追踪使用率、开发子系统健康状况与元件使用寿命的模型、监控零件故障以及早期故障,并实现自动化的硬件认证、校正、设定与疑难排除。
举例来说,在芯片生产的过程中,许多时间是用来确认腔体是否已达到稳定的制程条件。不管是蚀刻腔体或沉积设备,耗费在腔体状态确认的时间都会越来越长。
其次是机台维修与零件更换的问题。为实现自动化预防性维护,我们必须了解系统的目前状态,并且借由增加传感器的数量,来得知零件何时快要故障。
更换零件是困难的。单是了解设备中的哪个零件,这个看似简单的工作,正变得越来越具挑战性。这不仅是输入零件的序列编号而已,它还需要了解是哪个零件,才能让模型与节点来为其补偿。
然而,使用者可以针对设备本身制定策略。例如自动更换零件,并用高度自动化的方式进行维修保养,进而提升生产力。
传感器与制程控制
许多目前在机台上发生的事件都会限制其生产力与制程功能。我们可以针对监控内容、如何分析数据数据、以及如何透过利用传感器来快速取得结论等项目来改善此一情况。我们想要利用单一制程期间及其上游制程所收集到的资讯来做出即时决策。在设备上增加传感器,能取得更多的资讯,用来控制实际量产的晶圆。
制程控制是昂贵的。晶圆厂必须取得大量的量测资讯,才能了解制程情况,而且所需的量测资讯只会越来越多,不会变少。晶圆厂花费约9%的预算在量测与制程控制。要获得结构特性的描述,可能须要撷取上千张的TEM影像来进行分析。但是,因为杂讯和品质等因素,约有80%的量测数据通常不能使用。
由于进行量测所需的技术成本日益增加,如果我们无法找出解决方案,以更低的成本实现更多的量测,那么业界势必将面临经济效益的问题。有鉴于此,科林正透过综合晶圆制程以及上游或下游制程的可用资讯,来得到制程稳定性的有效控制回圈,如此才能进一步降低量测的成本。
要达到这个目标的挑战在于,设备供应商需结合内部(In Situ)大数据与分析等不同的元素来提升生产力、以不同类型的前向与反馈控制以及相关演算法来降低变异性,以及了解调整制程机台上的不同参数会带来的影响。
虚拟处理  (Virtual Processing)
如果我们能校正代表腔体效能的特定制程模型,那么当客户利用实验设计(DoE)来开发制程时,便能排除上述那些耗费大量精力,却又徒劳无功的作业。
相较于量测上千次的结构或上千张的TEM影像,我们不如利用虚拟处理,以更短的时间量测百万张TEM。我们可以检视非量测的结构的次数,并了解制程腔体对整个元件布局造成的影响。我们还能扩展此功能,使我们能同时从微影和蚀刻来检视不同的制程效应,因此可采取更精细的方式来实现模型辅助(Model-assisted)制程开发。
先进的生产力解决方案
要提供这些先进的设备控制与疑难排除、维修品质与自动化、智能型数据管理、以及远端监控,进而让整体设备效率(OEE)达到最佳化,将有赖于服务与软件支援的完整生态系统。
以科林本身为例,该公司已建立好对应的组织结构,并将持续扩展其功能,以支援未来的服务框架—不仅为机台提供支援,还要将其转变为网络上的节点。
典范移转:协同合作/推动创新
没有单一公司能够提供毕竟其功的所有解决方案。在跨晶圆厂的智能网络中,将机台作为一个智能节点是一个宏远的愿景,须要整合各家公司的技术与核心竞争优势。
此一目标的成功,有赖于团队合作。要在此复杂的环境中执行各项任务,协同合作创新将是关键。但是,协同合作创新却不是那么容易的。生态系中的成员须回答的最困难问题是,哪些业者需负责哪些工作,以及我们应如何共享价值。我们应如何与客户、供应商、合作伙伴、以及甚至竞争对手,来推动业界的协同合作?
目前在半导体设备相关领域,还有许多跟数据有关的争论在进行中,需要进行详细的评估,才能厘清各家业者应如何共享数据,以期能为共同的客户开发出所需的解决方案。未来,针对协同合作创新,业界将会有更标准的作法出现。
科林已经完成研发这些标准的初期工作,并且引领业界透过传感器的投资增加、虚拟处理、大数据架构与管理、软件与控制、平台与机器人、以及先进服务等,进入“智能设备”世代。透过业界的共同合作,我们将持续推动创新,将此先进的制程愿景带给我们的客户。
责任编辑:星野
半导体行业观察
摩尔芯闻

热门评论