應用材料
大數據結合主題專業知識 半導體製程分析更快/穩/準
智慧製造會應用大數據分析來提升現有的分析能力以及如預測性分析的全新能力,然後再運用資料(也就是大數據)在數量、速度、多樣性、準確性(即資料品質)和價值(分析)上的重大發展。這些得到提升的新能力(表1)被視為是延伸先進製程控制(APC)系列的一部分。
半導體製造設備和製程分析的出現和發展,部分是因為三個關鍵產業挑戰而形成。這些挑戰已存在數十年,並非是智慧製造或大數據革命才有。
但是,在某種程度上,這些是半導體製造業獨有的挑戰,這些挑戰分別為:設備和製程複雜性、製程動態和背景豐富性,以及不良的資料品質(在精確性和可用性方面)。
這些挑戰導致半導體產業分析解決方案無法嚴格做到資料驅動。機台、製程和分析領域知識或主題專業知識(SME)也是大部分晶圓製造廠解決方案的關鍵組成部分。因此,半導體產業的製程分析目前和未來也將以此為考量來設計和運用。實際上,通常SME輸入機制在各方面都有正式的界定,從資料收集、資料處理、參數選擇、模型建構、模型和限值優化到解決方案實施和維護。
定義維度能力識別分析方法
過去十年中,分析方法呈現爆炸式成長,而且許多方法都是利用大數據機會開發而得。識別和歸類這些分析法的一個方法是定義分析的維度能力,以及指定或規劃與這些維度的相關分析能力。
圖1提供半導體製造中與分析相關的維度分類。就這些維度來看,可從能力在每個維度中的價值來定義應用或分析。例如,主成份分析(PCA)(一種通常在多元分析(MVA)、故障偵測(FD)和設備健全監控(EHM)中使用的方法)是無監控且回應式分析;MVA通常為靜態和無狀態分析,並且不包含SME。
圖1 分析維度能力,以及傳統半導體製造APC解決方案對這些維度的對應,唯象模型是表示製程知識的物理模型形式;這些都是使用統計數據進行調整或修改。
在分析應用程式方面,當今晶圓製造廠中的FD大部分均為無監控、回應式、單變數、靜態和基於統計學的分析,並且在FD模型開發中結合SME。透過使用這些維度和其他維度的定義分析法和分析應用程式,可以為識別能力差距、提升機會以及(從長遠來看)改善路線提供框架。
半導體製造APC應用程式近年來的發展體現了工廠控制方法從回應式到預測式(甚至是主動式)的轉變。這主要是依靠大數據的爆炸式成長,其中對於更大數量和更長久資料存檔的支援在某種程度上使得預測式解決方案能夠破譯多變數參數互動的複雜性、描述系統動態、拒絕干擾和濾除資料品質問題。
在許多情況下,為利用大數據解決方案提供的平行計算和即時處理資料,必須重寫這些解決方案中的演算法。同時,還可以開發更易處理大數據的新演算法。例如,早期的預測式解決方案依靠單核CPU和序列處理,而大數據可使用偏最小二乘法(PLS)和支援向量機(SVM)在伺服器集群上進行平行計算。同樣,為處理更多資料而重寫自組織對應(SOM)和產生拓撲對應(GTM)等無監控資料探索技術,能夠讓使用者快速進行深入探索。
同樣地,可以重寫隱馬爾可夫模型(HMM)和粒子群演算法等耗時的統計技術,大大提高計算效率。但是,過多的技術和大量的資料不一定會帶來更深入的了解和預測式能力。筆者認為沒有一種方法或多種方法組合是萬靈丹;相反地,應利用現有資料來自訂符合應用程式的方法,但是,我們認為SME將繼續引導解決方案的開發和維護。
AI/大數據分析迅速竄起
AI可用來描述感知環境並採取措施完成目標的任何裝置或分析法。現在,AI通常用於類比人腦功能的裝置或分析法概念(例如在自動駕駛汽車的應用中)。人工神經網路(ANN)這類分析的一個例子已經存在了數十年,且此類AI分析法在大數據發展中再度出現。例如,深度學習(一種與結構化ANN非常類似的技術)利用分層抽象實現品質更高、速度更快的大量資料分析。
深度學習可用於解決大數據分析中的一些較高維度問題,包括從二維度影像(如晶圓圖)中提取複雜的圖案。深度學習技術得益於資料量大增,並使用資料驅動型受監控技術尋找資料中的關係。這些技術的主要缺點是相對無法在模型開發和維護中合併SME。所開發的模型通常不明確可用,因此難以評估,同時半導體製造分析中涉及的背景複雜性和動態阻礙深度學習使用大量且持續的資料量。
近年來,研究工作的重點是結合SME和AI技術,該方法有望在未來應用於生產現場。另一種獲得極大關注的大數據分析能力是背景分析,該分析使用通常稱為「網路爬蟲」的解決方案。這些應用程式會挖掘背景中的資料,並尋找有關係的圖案或分析結果,例如接近故障的零件。然後,這些應用程式會以非同步方式通知如工廠控制系統的應用程式,以便能夠採取適當的措施。這種方法還會使診斷和預測更具有可重構性。
大數據分析日益進步提升製造良率
當邁向智慧製造時,顯而易見的一點是分析法將在實現良率的過程中繼續發揮更大的作用,同時可使產量最大化並降低成本。大數據的進步將推動這些分析法的發展,筆者認為,到目前為止所取得的進展已經提供一些重要發現,這些發現將有助這些分析法達到最大能力。
第一個重要發現是,半導體產業期待開發或加強的許多分析法解決方案都可以利用相同的模型開發(靜態資料)和模型執行/維護(動態資料)結構。例如,用於PdM的6步模型開發流程(如圖2a和2b中所總結)可用於虛擬量測,甚至預測良率。使用通用的方法不僅能夠節省推廣這些技術所需的時間和精力,還能夠讓製造廠商交叉利用分析法持續進步。
圖2a 使用MVA預測器及其部分的PdM方法,包括故障前時間範圍以及預測置信度或範圍的某種表示。
圖2b 利用離線模型建構和最佳化提供合併SME機制的PdM方法,可用於多種APC預測能力。
第二個重要發現是,智慧製造將使這些分析法的應用範圍延伸。例如,透過將診斷、控制和預測從晶圓製造廠內擴展到供應鏈中,可以更有效控制客戶需求並提高解決區域良率等問題的能力。第三個可能是最重要的發現為,SME將在半導體產業的分析法應用程式中繼續發揮重要的作用。應用程式將有所不同,但設備和製程專業知識仍然會是半導體製造分析解決方案的關鍵組成部分。
(本文作者皆任職於應用材料)
加快MRAM量產腳步 應材先進PVD平台亮相
物聯網(IoT)、AI、雲端運算、工業4.0等應用推升資訊量呈現爆炸性的成長,所有資料都必須在邊緣收集,並從邊緣到雲端的多個層級進行處理和傳輸、儲存和分析。因應如此龐大的資料儲存、傳輸需求,在DRAM、SRAM、快閃記憶體等存在已久的記憶體技術愈顯吃力的情況下,新興記憶體技術MRAM趁勢而起,而為加快MRAM量產普及速度,應用材料推出全新物理氣相沉積(PVD)平台。
應用材料公司半導體事業群金屬沉積產品處全球產品經理周春明表示,由AI和大數據所推動的新運算需求,加上摩爾定律擴展的趨緩,造成硬體開發和投資的復興。各種規模的企業正競相開發新的硬體平台、架構與設計,以提升運算效率,新興記憶體技術也隨之興起(MRAM、ReRAM和PCRAM等),這些新型記憶體提供更多工具來增強近記憶體運算(Near Memory Compute),同時也是下一階段記憶體內運算(In-Memory Compute)的建構模組。
MRAM採用硬碟機中常見的精緻磁性材料,具備快速且非揮發性的特性,就算在失去電力的情況下,也能保存軟體和資料。由於速度快與元件容忍度高,MRAM最終可能做為第3級快取記憶體中SRAM的替代產品;且MRAM可以整合於物聯網晶片設計的後端互連層,進而實現更小的晶粒尺寸,並降低成本。
新興記憶體技術隨著越來越多資料量而誕生。
不過,新興記憶體技術的出現也意味著為量產製程帶來獨特挑戰,須在設備技術上有所突破才能實現全面生產。周春明指出,MRAM是一種非常複雜的薄膜多層堆疊,由10多種不同材料和超過30層以上的薄膜與堆疊組成。部分薄膜層的厚度僅達數埃,相近於一顆原子的大小;要如何控制這些薄膜層的厚度、沉積均勻性、介面品質等參數是關鍵所在,因為在原子層任何極小的缺陷都會影響裝置效能。總結來說,矽上沉積和整合新興材料的能力將影響新型記憶體裝置的效能和可靠性,要如何推疊這麼多層數的薄膜並維持高效能,是MRAM量產的最大挑戰。
也因此,應材推出全新Endura Clover MRAM物理氣相沉積平台,該設備是由 9 個獨特的晶圓處理反應室組成,可在超高真空環境下執行多流程步驟,實現整個MRAM單元製造,包括材料沉積、介面清潔和熱處理。其核心是Clover PVD反應室,可在原子層級精度下沉積多達五種材料。至於影響效能關鍵的穿隧阻障氧化鎂,是透過應材獨特的Clover PVD氧化鎂技術沉積而成,以實現低功耗、高耐久性的MRAM效能。
周春明說明,Clover PVD氧化鎂沉積技術是目前市場上唯一可以透過陶瓷濺鍍來沉積氧化鎂的解決方案;和另一種替代技術,即先沉積鎂,然後再氧化形成氧化鎂(需要兩步驟製程)相比,Clover PVD 系統已經通過驗證,可提供改良的讀取訊號耐久性100倍以上。
應材研發全新Clover PVD平台,加快MRAM量產速度及降低量產成本。