০২ মে, ২০২৫·8 মিনিট
KLA এবং ফ্যাব ইয়েল্ড: পরিদর্শন ও মেট্রোলজি যা খরচ কমায়
KLA-শৈলীর পরিদর্শন ও মেট্রোলজি কীভাবে ইয়েল্ড, স্ক্র্যাপ, সাইকেল টাইম ও খরচ প্রভাবিত করে—কি ট্র্যাক করবেন এবং ফ্যাবগুলো টুল কিভাবে বেছে নেয় তার একটি ব্যবহারিক গাইড।
KLA-শৈলীর পরিদর্শন ও মেট্রোলজি কীভাবে ইয়েল্ড, স্ক্র্যাপ, সাইকেল টাইম ও খরচ প্রভাবিত করে—কি ট্র্যাক করবেন এবং ফ্যাবগুলো টুল কিভাবে বেছে নেয় তার একটি ব্যবহারিক গাইড।
পরিদর্শন ও মেট্রোলজি ফ্যাবের “চোখ” — তবে তারা ভিন্ন জিনিস খোঁজে।
পরিদর্শন (Inspection) উত্তর দেয়: ওয়েফারে কোথাও কি ভুল হচ্ছে? এটি কণিকা, আঁচড়, প্যাটার্ন ভাংচেঙ্গা, দূষণ, বা ভবিষ্যতের ব্যর্থতার সঙ্গে সম্পর্কিত সূক্ষ্ম অস্বাভাবিকতা স্ক্যান করে।
মেট্রোলজি (Metrology) উত্তর দেয়: প্রক্রিয়াটি কি আমরা যা চেয়েছিলাম তা করছে? এটি ক্রিটিক্যাল ডাইমেনশন (CD), ওভারলে (লেয়ার-টু-লেয়ার অ্যালাইনমেন্ট), ফিল্ম পুরুত্ব এবং অন্যান্য প্যারামিটার মাপে যা চিপ কাজ করবে কিনা তা নির্ধারণ করে।
একটি ফ্যাব কেবল সেটাই নিয়ন্ত্রণ করতে পারে যা সেটা মাপতে পারে—তবুও পরিমাপ নিজেই টুল টাইম, ইঞ্জিনিয়ারিং মনোযোগ, এবং কিউ স্পেস নেয়। এর ফলে একটি চিরস্থায়ী ট্রেড-অফ থাকে:
যদি পরিদর্শন খুব ধীর হয়, ত্রুটিগুলো অনেক লটে ছড়াতে পারে আগে কেউ লক্ষ্য করার আগেই। যদি মেট্রোলজি খুব noisy হয়, ইঞ্জিনিয়াররা হয়তো “ভূতগুলোকে তাড়া” করবে—একটি প্রকৃতপক্ষে ড্রিফট না করা প্রক্রিয়াকে ঠিক করার চেষ্টা করবে।
সর্বোচ্চ প্রভাবশালী ফ্যাব সিদ্ধান্তগুলোর বেশিরভাগ নাটকীয় নয়—এগুলো প্রতিদিন কয়েক dozen বার মাপদাতা ডেটার উপর ভিত্তি করে নেওয়া রুটিন কল:
এই কলগুলো চুপচাপ ইয়েল্ড, সাইকেল টাইম, এবং প্রতি ওয়েফারের খরচ নির্ধারণ করে। সেরা ফ্যাবগুলো শুধু “অধিক মাপ” করে না—তারা সঠিক জিনিস মাপে, সঠিক ফ্রিকোয়েন্সিতে, সিগনালে আত্মবিশ্বাস সহকারে।
এই আর্টিকেলটি সেই ধারণাগুলোর উপর কেন্দ্রীভূত যা আপনাকে বোঝাতে সাহায্য করবে কেন বিক্রেতারা (যেমন KLA) ইয়েল্ড ম্যানেজমেন্টে কিভাবে ফিট করে—কোন মাপগুলো গুরুত্বপূর্ণ, সেগুলো কীভাবে অ্যাকশন চালায়, এবং কীভাবে অর্থনীতিতে প্রভাব ফেলে।
এটি মালিকানাধীন স্পেসিফিকেশন বা মডেল-স্টোরি দাবিতে ডুববে না। বরং পরিদর্শন ও মেট্রোলজি পছন্দগুলোর পেছনের বাস্তব-জীবন যুক্তি ব্যাখ্যা করবে, এবং কীভাবে সেই সিদ্ধান্তগুলো প্রতিযোগিতার দিকে ছড়ায়।
একটি ওয়েফার "একবার" মাপা হয় না। এটি প্যাটার্নিং এবং মেটেরিয়াল পরিবর্তনের লুপের মাধ্যমে চলতে চলতে বারবার পরীক্ষা করা হয়। সরল পথটি: লিথোগ্রাফি (প্যাটার্ন প্রিন্ট) → ইচ (ট্রান্সফার) → ডিপোজিশন (ফিল্ম যোগ) → CMP (প্লানারাইজ) → ডজনেরও বেশি লেয়ারের জন্য পুনরাবৃত্তি → ইলেকট্রিক্যাল টেস্ট ও ফাইনাল সোর্ট।
পরিমাপগুলি ঠিক সেখানে রাখা হয় যেখানে পরিবর্তন পরে মেরামত করতে ব্যয়বহুল হয়ে ওঠে:
ফ্যাবগুলো সব কিছু একই হারে মাপেন না। ক্রিটিক্যাল লেয়ার্স (টাইট ডিজাইন রুলস, সংবেদনশীল ওভারলে বাজেট, নতুন প্রক্রিয়া স্টেপ) সাধারণত উচ্চতর স্যাম্পলিং পায়—একটু বেশি ওয়েফার প্রতি লট, ওয়েফার প্রতি বেশি সাইট, এবং বেশি ঘন ঘন পরিদর্শন। পরিপক্ক বা কম গুরুত্বপূর্ণ স্তরগুলো প্রায়শই থ্রুপুট রক্ষা করার জন্য হালকা স্যাম্পলিং ব্যবহার করে।
স্যাম্পলিং প্ল্যান একটি ব্যবসায়িক সিদ্ধান্ত—কম মাপলে escapes বাড়ে; বেশি মাপলে সাইকেল টাইম খারাপ হয়।
প্রায়োগিক লক্ষ্য হলো ভারসাম্য: পর্যাপ্ত inline কভারেজ যাতে সময়মতো প্রক্রিয়াকে steer করা যায়, এবং data বলে যখন কিছু পরিবর্তিত হয়েছে তখন লক্ষ্যমাত্রিক offline কাজ।
পরিদর্শনকে প্রায়শই “ত্রুটি খোঁজা” বলা হয়, কিন্তু অপারেশনাল কাজ হলো কোন সিগন্যালগুলোর উপর প্রতিক্রিয়া করা উচিত তা সিদ্ধান্ত নেওয়া। আধুনিক একটি ফ্যাব দিনে মিলিয়ন-রকমের ত্রুটি “ইভেন্ট” তৈরি করতে পারে; মাত্র একটি ভাগই ইলেকট্রিক্যাল পারফরম্যান্স প্রভাবিত করে। প্ল্যাটফর্ম ও টুল (তদন্তে KLA-ক্লাস সিস্টেম সহ) কাঁচা ইমেজকে সিদ্ধান্তে রূপান্তর করতে সাহায্য করে—কিন্তু ট্রেড-অফ সবসময় বিদ্যমান।
ত্রুটিগুলো লেয়ার, প্যাটার্ন, ও প্রক্রিয়া স্টেপ অনুযায়ী পরিবর্তিত হয়:
প্রথম দৃষ্টিতে এদের অনেকটাই সমান দেখায়। একটি উজ্জ্বল “ব্লব” এক স্তরে হয়তো নির্দোষ রেজিস্ট কণা, কিন্তু অন্য স্তরে yield-killer হতে পারে।
একটি killer defect হলো এমনটি যা কার্যকরী ব্যর্থতার সম্ভাবনা রাখে (open, short, leakage, প্যারামেট্রিক শিফট)। একটি nuisance defect বাস্তব বা আপাত কিন্তু yield-এ প্রভাব ফেলে না—ধরে নিন কস্মেটিক প্যাটার্ন রফত যা মার্জিনের মধ্যে থাকে।
ক্লাসিফিকেশন গুরুত্বপূর্ণ কারণ ফ্যাবগুলো কেবল detection-ই নয়; detection কী ট্রিগার করে তাতেই খরচ দেয়: রিভিউ টাইম, লট হোল্ড, রিওয়ার্ক, ইঞ্জিনিয়ারিং বিশ্লেষণ, এবং টুল ডাউনটাইম। ভাল ক্লাসিফিকেশন ব্যয়বহুল প্রতিক্রিয়াগুলো কমায়।
উচ্চ স্তরে, ত্রুটি ঘনত্ব হলো “একক ক্ষেত্রফলের প্রতি কতটি ত্রুটি।” চিপ বড় হওয়া বা ডিজাইন রুল টাইট হওয়ার সাথে সাথে, ক্রিটিক্যাল এলাকায় অন্তত একটি killer পড়ার সম্ভাবনা বাড়ে। এজন্য killer defect density সামান্য কমালেও লক্ষ্যনীয় yield উন্নতি দেখা দিতে পারে।
কোনো ইনস্পেকশন সিস্টেম নিখুঁত নয়:
লক্ষ্য “সবকিছু খুঁজে পাওয়া” নয়। লক্ষ্য হলো সঠিক জিনিসগুলো যথেষ্ট সময় আগে—এবং সাশ্রয়ীভাবে—ধরা যাতে ফলাফল বদলে যায়।
মেট্রোলজি হল কিভাবে একটি ফ্যাব বলে "টুলটি চালিয়েছে" থেকে "প্যাটার্নটি সত্যিই আমরা যা চেয়েছিলাম তা"—তিনটি মাপ সব জায়গায় দেখা যায় কারণ এগুলো সরাসরি ট্রানজিস্টর ও তার তারের কাজের সাথে যুক্ত: ক্রিটিক্যাল ডাইমেনশন (CD), ওভারলে, এবং ড্রিফট।
CD হলো একটি প্রিন্ট করা ফিচারের মাপ—ট্রানজিস্টরের গেট দৈর্ঘ্য বা একটি সংকীর্ণ মেটাল লাইনের প্রস্থ মনে করুন। CD সামান্য হলেও ভুল হলে ইলেকট্রিক্যাল আচরণ দ্রুত বদলে যায়: খুব সংকীর্ণ হলে রেজিস্ট্যান্স বাড়তে পারে বা open হতে পারে; খুব চওড়া হলে পার্শ্ববর্তী লাইনের সাথে শর্ট হতে পারে বা ট্রানজিস্টরের ড্রাইভ কারেন্ট বদলে যায়। আধুনিক ডিজাইনগুলোর মার্জিন ছোট, তাই কয়েক ন্যানোমিটার বায়াস অনেক ডাই জুড়ে আপনাকে “নিরাপদ” থেকে “সিস্টেম্যাটিক ব্যর্থতা” তে নিয়ে যেতে পারে।
CD সমস্যা প্রায়ই স্বীকৃত ফোকাস/এক্সপোজার সিগনেচার রাখে। যদি ফোকাস খারাপ হয়, লাইনের আকার গোল হয়ে, সঙ্কুচিত বা "পিন্চড" দেখাতে পারে। যদি এক্সপোজার ডোজ খারাপ হয়, ফিচারগুলো খুব বড় বা খুব ছোট প্রিন্ট হতে পারে। এগুলো প্যাটার্ন fidelity ইস্যু: গড় প্রস্থ ঠিক থাকলেও আকৃতি বিকৃত হতে পারে।
Overlay মাপে কতটা ভাল একটি লেয়ার আগের লেয়ারের সাথে মিলছে। যদি অ্যালাইনমেন্ট ত্রুটি জমতে থাকে, ভায়া টার্গেট মিস করবে, কন্ট্যাক্ট আংশিক ল্যান্ড করবে, বা এজগুলো ভুলভাবে ওভারল্যাপ করবে। একটি চিপ প্রতিটি লেয়ারে "পারফেক্ট" CD থাকতে পারে এবং তবুও ব্যর্থ হতে পারে কারণ লেয়ারগুলো মিলে না।
উচ্চ স্তরে, ফ্যাবগুলো দ্রুত, উচ্চ-থ্রুপুট মাপের জন্য অপটিক্যাল মেট্রোলজি ব্যবহার করে এবং খুব সূক্ষ্ম, তীক্ষ্ণ ভিউ দরকার হলে SEM-ভিত্তিক মেট্রোলজি ব্যবহার করে। বিক্রেতারা নির্বাচিত হয় সেই অনুযায়ী কিভাবে মাপগুলি প্রকৃত ড্রিফট ধরা পড়ার আগে ধরতে পারে—লট-ওয়াইড yield ক্ষতিতে পরিণত হওয়ার আগে।
প্রক্রিয়া ড্রিফট হল নীরব শত্রু: তাপমাত্রা, কেমিস্ট্রি, টুল ঘুটতি, বা রেটিকল পরিবর্তন CD ও overlay একটু করে ঠেলতে পারে, যতক্ষণ না হঠাৎ ফ্যাব স্পেসিফ-এর বাইরে চলে যায়।
পরিমাপগুলোই খরচ কমায় যখন তারা ধারাবাহিক সিদ্ধান্ত ট্রিগার করে। সেই "লাস্ট মাইল" হল Statistical Process Control (SPC): রুটিন যা পরিদর্শন ও মেট্রোলজি সিগন্যালকে এমন অ্যাকশনে পরিণত করে যাতে অপারেটররা বিশ্বাস করে।
ধরা যাক একটি ইচ স্টেপের পরে CD মাপ ধীরে ধীরে চওড়া হচ্ছে।
ফিডব্যাক কন্ট্রোল হলো ক্লাসিক লুপ: আপনি ফলাফল মাপেন, তারপর ইচারের রেসিপি এডজাস্ট করেন যাতে পরবর্তী লট লক্ষ্যতে ফিরে আসে। শক্তিশালী তবে সবসময় পিছনে থাকে।
ফিডফরওয়ার্ড কন্ট্রোল upstream তথ্য ব্যবহার করে ত্রুটি পরে না দেখানোর চেষ্টা করে। উদাহরণস্বরূপ, যদি লিথোগ্রাফি ওভারলে বা ফোকাস মাপ্ড একটি নির্দিষ্ট স্ক্যানারে পরিচিত বায়াস নির্দেশ করে, আপনি স্বয়ংক্রিয়ভাবে downstream ইচ বা ডিপোজিশন সেটিংস অগ্রীমে সামঞ্জস্য করতে পারেন—লট প্রসেস করার আগে।
SPC চার্টগুলো একটি টার্গেটের চারপাশে কন্ট্রোল লিমিট আঁকে (প্রায়শই প্রক্রিয়া ভ্যারিয়েশনের উপর ভিত্তি করে)। যখন ডেটা সেই লিমিট অতিক্রম করে, সেটি একটি এক্সকার্শন—ইঙ্গিত যে প্রক্রিয়া পরিবর্তন হয়েছে, শুধু নয় স্বাভাবিক শব্দ।
যদি টিমগুলো নিয়মিত অ্যালার্ম ওভাররাইড করে কারণ “এটি সম্ভবত ঠিক আছে”, তাহলে দুটি ঘটনা ঘটে:
বিশ্বাসযোগ্য অ্যালার্ম দ্রুত, পুনরাবৃত্তিপূর্ণ containment সক্ষম করে: সঠিক কারণে লাইন বন্ধ করুন, না যে সবসময়।
ল্যাটেন্সি হলো প্রসেসিং থেকে ব্যবহারযোগ্য পরিমাপ পর্যন্ত সময়ের ব্যবধান। যদি CD ফলাফল বহু লট পরে আসে, ফিডব্যাক সংশোধন ভবিষ্যত ঠিক করে—কিন্তু ত্রুটিগুলো তখনও বর্তমানের মধ্যে জমা হয়। ল্যাটেন্সি কমানো (অথবা স্মার্ট স্যাম্পলিং) “এ-রিস্ক” উপকরণকে সংকুচিত করে এবং ফিডব্যাক ও ফিডফরওয়ার্ড উভয়েরই গুণগত মান বাড়ায়।
যখন লিমিট, প্রতিক্রিয়া পরিকল্পনা, এবং দায়িত্ব পরিষ্কার থাকে, ত fewer lots "জাস্ট ইন কেস" হোল্ডে যায়, এবং কম ওয়েফার ব্যয়বহুল রিওয়ার্ক লাগে। ফলাফলঃ শব্দ কম, আগামি বিস্ময় কম, এবং দ্রুত yield শিখন।
ফ্যাবে পরিমাপ "ওভারহেড" নয়—এটি পছন্দের সেট যা বা তো ব্যয়বহুল ভুল প্রতিরোধ করে বা ব্যয়বহুল কাজ তৈরি করে। খরচের প্রভাব পূর্বানুমেয় বাক্সে দেখা যায়:
পরিদর্শনে বেশি সংবেদনশীলতা (উদাহরণস্বরূপ, ছোট ত্রুটি আকার ধরা) escapes কমাতে পারে—কিন্তু এটি ইঞ্জিনিয়ারকে nuisance সিগন্যাল দিয়ে ভরিয়ে দিতে পারে। যদি প্রতিটি “সম্ভাব্য ত্রুটি” একটি হোল্ড হয়ে যায়, ফ্যাবটি টুল idle টাইম, কিউ বৃদ্ধি, এবং বিশ্লেষণ শ্রমে ব্যয় করে।
অর্থনীতির প্রশ্নটি হল “টুল কি দেখতে পারে?” নয়, বরং “তার উপর কাজ করা কি এমন ক্ষতি প্রতিরোধ করে যা তার থেকে বেশি ব্যয় সৃষ্টি করে?”
আপনি যেখানে বেশি বা কম মাপেন তা টুল কেনাকাটার চেয়ে বেশি গুরুত্বপূর্ণ। উচ্চ-ঝুঁকিপূর্ণ স্তর (নতুন প্রক্রিয়া স্টেপ, টাইট overlay স্তর, পরিচিত এক্সকার্শন পয়েন্ট) সাধারণত ঘন স্যাম্পলিং প্রাপ্য। স্থিতিশীল, পরিপক্ক স্তরগুলো হালকা স্যাম্পলিং + শক্তিশালী SPC গার্ডরেইল দিয়ে ভালো সেবা পায়।
অনেক ফ্যাব পরিদর্শন/মেট্রোলজি আউটপুট ব্যবহার করে স্তর-অনুয়ায়ী কভারেজ টিউন করতে: যেখানে এক্সকার্শন ঘন, সেখানে কভারেজ বাড়ান; যেখানে সিগন্যালগুলি বিরলভাবে অ্যাকশন চালায়, সেখানে সরে যান।
একটি ভাল ধরন: একটি ফোকাস ড্রিওফসের প্রাথমিক সনাক্তকরণ যা পুরো লটকে নামাছে—দ্রুত সংশোধন করে ডাউনস্ট্রিম লিথো/ইচ ধাপগুলোর ক্ষমতা বাঁচায়।
ব্যয়বহুল নয়েজ: বারবার নির্দোষ প্যাটার্নিং আর্টিফ্যাক্ট ফ্ল্যাগ করা যা হোল্ড ও রিভিউ ট্রিগার করে, অথচ yield ও ইলেকট্রিক্যাল ফলাফল অপরিবর্তিত থাকে—সাইকেল টাইম পোড়ায় কিন্তু স্ক্র্যাপ কমায় না।
ইয়েল্ড শিখন “বিনামূল্যে” ঘটে না। প্রতিটি ইনস্পেকশন স্ক্যান, মেট্রোলজি স্যাম্পল, এবং ত্রুটি রিভিউ দুর্লভ টুল টাইম খায়—এবং যখন সেই ক্যাপাসিটি টাইট হয়, পরিমাপ একটি ফ্যাক্টরি কনস্ট্রেইন্ট হয়ে সাইকেল টাইম বাড়ায়।
বেশিরভাগ সাইকেল-টাইম প্রভাব স্ক্যান নিজেই নয়; এটি অপেক্ষার সময়। ফ্যাব সাধারণত কিউ বাড়তে দেখে:
এসব কিউ লটগুলো লাইন জুড়ে ধীর করে, WIP বাড়ায়, এবং সাবঅপ্টিমাল সিদ্ধান্ত নিতে বাধ্য করে—যেমন কনফার্মেটরি পরিমাপ বাদ দিয়ে শুধু মেটেরিয়াল চলতে দেওয়া।
মেট্রোলজি ক্যাপাসিটি পরিকল্পনা কেবল “প্রচুর টুল কেন” নয়। এটি ক্যাপাসিটিকে রেসিপি মিক্স-এর সাথে মিলানো। একটি দীর্ঘ, সংবেদনশীল ইনস্পেকশন রেসিপি একটি হালকা মনিটরের চেয়ে টুল টাইম বহু গুণ খেয়ে নিতে পারে।
ফ্যাবগুলো যে মূল লিভারগুলো ব্যবহার করে:
অটোমেশন তখনই সাইকেল টাইম উন্নত করে যখন এটি “মধ্যবর্তী” কাজগুলো কমায়:
দ্রুততার সবচেয়ে বড় ফল হল শিখন। যখন ইনস্পেকশন এবং মেট্রোলজি ফলাফল দ্রুত একটি স্পষ্ট, ক্রিয়াময় নির্ণয়ে ঢোকে, ফ্যাব একই এক্সকার্শনকে একাধিক লট জুড়ে পুনরায় না করেই এড়াতে পারে। এভাবে রিওয়ার্ক, স্ক্র্যাপ ঝুঁকি, এবং “আরও স্যাম্পলিং কারণ আমরা উদ্বিগ্ন”–র কম্পাউন্ডিং সাইকেল-টাইম হিট কমে।
ফিচার ছোট হওয়া শুধু চিপকে দ্রুত করে না—এটা পরিমাপকে কঠিন করে তোলে। উন্নত নোডে, “অনুমোদিত ত্রুটি” উইন্ডো এত ছোট হয়ে যায় যে পরিদর্শনের সংবেদনশীলতা এবং মেট্রোলজির নির্ভুলতা একই সাথে উন্নত হতে হবে। ফলাফল সাধারণ: একটি ত্রুটি বা কয়েক ন্যানোমিটার ড্রিফট যা আগে নির্দয় ছিল না, হঠাৎ ওয়েফারকে "ভালো" থেকে "মার্জিনাল"-এ নিয়ে যেতে পারে।
EUV পর defect ও মেট্রোলজি সমস্যাকে কয়েকটি গুরুত্বপূর্ণ পথে পরিবর্তন করে:
এটি ফ্যাবগুলোকে আরো সংবেদনশীল পরিদর্শন, স্মার্ট স্যাম্পলিং, এবং মাপা ও যা অ্যাডজাস্ট করা হচ্ছে তার মধ্যে টাইট লিঙ্কের দিকে ঠেলে দেয়।
EUV-ও থাকলেও, অনেক স্তরই মাল্টি-প্যাটার্নিং স্টেপ এবং জটিল 3D স্ট্যাক (আরও ফিল্ম, বেশি ইন্টারফেস, বেশি টোপোগ্রাফি) জড়িত। ফলে সম্ভাব্যতা বাড়ে:
মেট্রোলজি টার্গেট কম প্রতিনিধিত্বশীল হয়ে উঠতে পারে, এবং রেসিপিগুলো প্রায়ই বেশি ফ্রিকোয়েন্ট টিউনিং চায় যাতে yield-এর সাথে সম্পর্ক বজায় থাকে।
প্রতিটি স্তরের জন্য একই সংবেদনশীলতা বা নির্ভুলতা দরকার হয় না। লজিক, মেমরি, এবং পাওয়ার ডিভাইস ভিন্ন ব্যর্থ-যন্ত্রগত ফেইলিওর মেকানিজমকে গুরুত্ব দেয়, এবং এক চিপের ভিতরও গেট, কন্টাক্ট, ভায়া, এবং মেটাল স্তর ভিন্ন ইনস্পেকশন থ্রেশহোল্ড ও মেট্রোলজি অনিশ্চয়তা চাইতে পারে। জয়ী ফ্যাবগুলো মাপ কৌশলকে স্তর-অনুয়ায়ী ইঞ্জিনিয়ারিং হিসেবে দেখে, এক-সাইজ-সবার জন্য নয়।
পরিদর্শন ও মেট্রোলজি তখনই ইয়েল্ডে সাহায্য করে যখন ফলাফল শিফট থেকে শিফট এবং টুল থেকে টুল পর্যন্ত পুনরাবৃত্তিযোগ্য হয়। বাস্তবে, এটি পরিমাপের পদার্থবিজ্ঞানের চেয়ে অপারেশনাল শৃঙ্খলার উপর বেশি নির্ভর করে: রেসিপি, টুল ম্যাচিং, ক্যালিব্রেশন, এবং নিয়ন্ত্রিত পরিবর্তন।
একটি “রেসিপি” হলো সংরক্ষিত সেট—মাপার অবস্থান, অপটিক/বিম সেটিং, ফোকাস স্ট্র্যাটেজি, থ্রেশহোল্ড, স্যাম্পলিং প্ল্যান, এবং ক্লাসিফিকেশন রুলস—যা একটি নির্দিষ্ট লেয়ার/প্রোডাক্টে ব্যবহৃত হয়। ভাল রেসিপি ব্যবস্থাপনা একটি জটিল টুলকে একটি সঙ্গত কারখানা যন্ত্রে পরিণত করে।
ছোট রেসিপি পার্থক্যগুলো "নকল" এক্সকার্শন সৃষ্টি করতে পারে—এক শিফটে বেশি ত্রুটি দেখা যাবে কেবলকারণ সংবেদনশীলতা বদলে গেছে। অনেক ফ্যাব রেসিপিকে প্রোডাকশন অ্যাসেট হিসেবে বিবেচনা করে: ভার্সন্ড, অ্যাক্সেস কন্ট্রোল্ড, এবং প্রোডাক্ট/লেয়ার আইডির সাথে বেঁধে যাতে একই ওয়েফার প্রতিবার একইভাবে মাপা হয়।
উচ্চ ভলিউম ফ্যাবগুলো সাধারণত ক্যাপাসিটি ও redundancy-এর জন্য একাধিক টুল (প্রায়ই একাধিক জেনারেশন) চালায়। যদি টুল A টুল B-এর তুলনায় 3 nm বেশি CD পড়ায়, তাহলে আপনার কাছে দুটি প্রক্রিয়া নেই—আপনার কাছে দুটি রুলার আছে।
ক্যালিব্রেশন রুলারকে রেফারেন্সে লেগে রাখে। ম্যাচিং বিভিন্ন রুলারকে সনাক্ত করে সংযুক্ত রাখে। এতে পিরিয়ডিক গেজ চেক, রেফারেন্স ওয়েফার, এবং অফসেট ও ড্রিফটের স্ট্যাটিস্টিকাল মনিটরিং অন্তর্ভুক্ত। বিক্রেতারা ম্যাচিং ওয়ার্কফ্লো দেয়, কিন্তু ফ্যাবগুলোকে স্পষ্ট মালিকানা দরকার: কে অফসেট APPROVE করে, কত ঘন ঘন রি-ম্যাচ করবেন, এবং কোন লিমিটে স্টপ ট্রিগার হবে।
রেসিপি তখনই বদলাতে হবে যখন মেটেরিয়াল, প্যাটার্ন, বা টার্গেট বদলে যায়—কিন্তু প্রতিটি পরিবর্তনকে ভ্যালিড করতে হয়। একটি প্রচলিত পদ্ধতি হলো “শ্যাডো মোড”: আপডেটেড রেসিপি সমান্তরালে চালান, ডেল্টা তুলনা করুন, তারপর সেটি প্রচার করুন শুধুমাত্র যদি এটি সম্পর্ক রক্ষা করে এবং downstream SPC লিমিট ভাঙে না।
দৈনন্দিন স্থিতিশীলতা দ্রুত, সঙ্গত সিদ্ধান্তের উপর নির্ভর করে:
যখন ওয়ার্কফ্লো স্ট্যান্ডার্ডাইজড থাকে, পরিমাপ একটি নির্ভরযোগ্য কন্ট্রোল লুপ হয়ে ওঠে, আর একটি ভিন্ন পরিবর্তনশীলতার উৎস নয়।
পরিমাপ তখনই প্রতিযোগিতায় উন্নতি আনে যখন এটি প্রক্রিয়া ড্রিফটের চেয়ে দ্রুত সিদ্ধান্ত বদলে দেয়। নিচের KPI গুলো ইনস্পেকশন/মেট্রোলজি পারফরম্যান্সকে ইয়েল্ড, সাইকেল টাইম, এবং খরচের সাথে সংযুক্ত করে—বিনা দরকারে সাপ্তাহিক রিভিউকে ডেটা ডাম্পে পরিণত না করে।
Capture rate: আপনার ইনস্পেকশন যে অংশিকভাবে "বাস্তব" yield-লিমিটিং ত্রুটিগুলো খুঁজে পায় তার ভাগ। এটাকে ত্রুটি টাইপ ও লেয়ার অনুযায়ী ট্র্যাক করুন, একক হেডলাইন নয়।
Defect adder: পরিমাপ ধাপগুলো দ্বারা প্রবর্তিত ত্রুটি (হ্যান্ডলিং, অতিরিক্ত কিউ সময় যা WIP ঝুঁকি বাড়ায়, রিওয়ার্ক)। আপনার adder বাড়লে “অধিক স্যাম্পলিং” পিছনে পড়ে লাভ নষ্ট করতে পারে।
Nuisance rate: আবিষ্কৃত ইভেন্টগুলোর অংশ যা actionable নয় (নয়েজ, নিরসন্ট বল প্যাটার্নিং আর্টিফ্যাক্ট)। উচ্চ nuisance rate রিভিউ ক্ষমতা খায় এবং রুট-কারণ কাজ দেরি করে।
Precision: একই ফিচারে একটি টুলের পুনরাবৃত্তি; এটি আপনার কন্ট্রোল লিমিট কতটুকু টাইট হতে পারে তা নির্ধারণ করে।
Accuracy: সত্য মান বা সম্মত রেফারেন্সের কাছাকাছি হওয়া। শুধুমাত্র precision থাকলে systematic mis-control হতে পারে।
TMU (total measurement uncertainty): একটি ব্যবহারিক রোল-আপ যা repeatability, matching, sampling effect, এবং recipe সংবেদনশীলতা একত্র করে।
Tool matching: একই রেসিপি চালানো বিভিন্ন টুলের মধ্যে চুক্তি। খারাপ ম্যাচিং প্রক্রিয়া ভ্যারিয়েশনকে বাড়ায় এবং ডিসপ্যাচিং জটিল করে।
Excursion rate: প্রক্রিয়া কতবার তার স্বাভাবিক উইন্ডো ছেড়ে যায় (মডিউল, লেয়ার, শিফট অনুযায়ী)। এটি escape rate-এর সাথে জুড়ুন (ডাউনস্ট্রিম প্রভাবের আগে ধরতে না পারা এক্সকার্শন)।
Mean time to detect (MTTD): এক্সকার্শন শুরু থেকে সনাক্তকরণের সময়। MTTD কমানো প্রায়শই কাঁচা টুল স্পেক সামান্য উন্নতির চেয়ে বড় লাভ দেয়।
Lots on hold: মেট্রোলজি/ইনস্পেকশন সিগন্যালের কারণে হোল্ড করা লটের ভলিউম ও বয়স। খুব কম মানতে পারে আপনি সমস্যাগুলো মিস করছেন; খুব বেশি হলে সাইকেল টাইম ক্ষতিগ্রস্ত হয়।
Yield learning rate: বড় পরিবর্তনের পরে (নতুন নোড, নতুন টুলসেট, বড় রেসিপি রিভিশন) প্রতি সপ্তাহ/মাসে yield উন্নতির হার।
Cost of poor quality (COPQ): স্ক্র্যাপ + রিওয়ার্ক + এক্সপেডাইট + দেরিতে আবিষ্কার করা খরচ যা escapes-কে আনা হয়।
Cycle time impact: পরিমাপ-উদ্ভুত কিউ সময় ও রিওয়ার্ক লুপ থেকে সাইকেল-টাইম। একটি ব্যবহারযোগ্য ভিউ হলো “প্রতি লট কন্ট্রোল স্টেপ দ্বারা যোগ হওয়া মিনিট”।
শুরুতে সহজ একটি সেট চাইলে প্রতিটি গ্রুপ থেকে একটি KPI নিন এবং সেটি SPC সিগন্যালের সাথে একই মিটিংয়ে রিভিউ করুন। মেট্রিকসকে অ্যাকশন লুপে কিভাবে রূপান্তর করা যায় সে সম্পর্কে আরও জানতে দেখুন /blog/from-measurements-to-action-spc-feedback-feedforward।
ফ্যাবে টুল নির্বাচন একটি স্ট্যান্ডঅ্যালোন যন্ত্র কেনার মতো নয়—এটি ফ্যাক্টরির নার্ভাস সিস্টেমের অংশ বাছাই করার মত। টিমগুলো সাধারণত হার্ডওয়্যার এবং চারপাশের মেজরমেন্ট প্রোগ্রাম উভয়কেই মূল্যায়ন করে: এটি কি খুঁজে পায়, কত দ্রুত চলে, এবং কত নির্ভরযোগ্যভাবে তার ডেটা সিদ্ধান্ত চালাতে পারে।
প্রথমে, ফ্যাবরা দেখে সেনসিটিভিটি (সবচেয়ে ছোট ত্রুটি বা প্রক্রিয়া পরিবর্তন যা টুল নির্ভরযোগ্যভাবে ধরতে পারে) এবং nuisance rate (কতবার এটি নির্দোষ সিগন্যাল ফ্ল্যাগ করে)। একটি টুল আরো সমস্যা খুঁজে পেলে সবসময় ভালো নয় যদি তা ইঞ্জিনিয়ারদের false alarm-এ ভরিয়ে দেয়।
দ্বিতীয়টি হল থ্রুপুট: প্রয়োজনীয় রেসিপি সেটিংসে প্রতিঘণ্টায় ওয়েফার সংখ্যা। একটি টুল যা শুধু স্লো মোডে স্পেস মেটায় তা বটলনেক তৈরি করতে পারে।
তৃতীয় হল মালিকানার খরচ (cost of ownership), যা শুধু ক্রয় মূল্য নয়:
ফ্যাবরা কিভাবে টুলটি বিদ্যমান সিস্টেমে প্লাগ-ইন করে তাও মূল্যায়ন করে: MES/SPC, স্ট্যান্ডার্ড ফ্যাব কমিউনিকেশন ইন্টারফেস, এবং ডেটা ফরম্যাট যা অটোমেটেড চার্টিং, এক্সকার্শন সনাক্তকরণ, এবং লট ডিসপোজিশন সক্ষম করে। ততটাই গুরুত্বপূর্ণ হলো রিভিউ ওয়ার্কফ্লো—কিভাবে ত্রুটিগুলো ক্লাসিফাই করা হয়, কিভাবে স্যাম্পলিং ম্যানেজ করা হয়, এবং ফলাফল কত দ্রুত প্রসেস মডিউলে ফিরে আসে।
একটি প্রচলিত পাইলট কৌশল হলো স্প্লিট লট ব্যবহার করা (ম্যাচ করা ওয়েফারগুলো বিভিন্ন মেজারমেন্ট পদ্ধতিতে পাঠান) প্লাস গোল্ডেন ওয়েফার টুল-টু-টুল সামঞ্জস্য চেক করতে সময় ধরে। ফলাফল একটি বেসলাইন বনাম তুলনা করা হয়: বর্তমান yield, বর্তমান ডিটেকশন লিমিট, এবং দ্রুত সংশোধনের গতি।
অনেক ফ্যাবে, KLA-র মতো বিক্রেতাদের একই মানদণ্ডে মূল্যায়ন করা হয়—ক্ষমতা, কারখানা ফিট, এবং অর্থনীতি—কারণ জয়ী পছন্দ হল যেটি প্রতি ওয়েফারে সিদ্ধান্ত উন্নত করে, কেবল প্রতি ওয়েফার মাপ বাড়ায় না।
ইয়েল্ড শিখন একটি সরল কারণ-কার্য সম্পর্ক চেইন, যদিও টুলগুলো জটিল: detect → diagnose → correct।
পরিদর্শন বলে কোথায় এবং কখন ত্রুটি দেখা দিয়েছে। মেট্রোলজি বলে কতটা প্রক্রিয়া ড্রিফট করেছে (CD, overlay, ফিল্ম পুরুত্ব ইত্যাদি)। প্রক্রিয়া কন্ট্রোল সেই প্রমাণকে অ্যাকশনে পরিণত করে—রেসিপি অ্যাডজাস্ট করা, স্ক্যানার/ইচ টুল টিউন করা, রক্ষণাবেক্ষণ টাইট করা, অথবা স্যাম্পলিং প্ল্যান পরিবর্তন করা।
এই তালিকাটি ব্যবহার করুন যখন আপনি বেশি yield প্রভাব চাচ্ছেন কিন্তু “শুধু আরো পরিমাপ কেনা” নয়।
একটি কম মূল্যায়িত লিভার হলো দলগুলো কত দ্রুত পরিমাপ ডেটাকে কার্যকরী আকারে operationalize করতে পারে—SPC সিগন্যাল, টুল ম্যাচিং স্টেটাস, হোল্ড এজিং, এবং MTTD/escape-rate ট্রেন্ড যে ড্যাশবোর্ডে একত্র করা হয়।
এখানেই একটি ভিব-কোডিং প্ল্যাটফর্ম যেমন Koder.ai সহায়ক হতে পারে: টিমগুলো চ্যাটে কানা�
Inspection খুঁজে দেখছে অপ্রত্যাশিত ত্রুটি (কণিকা, খসা, প্যাটার্ন ভাঙা, অস্বাভাবিকতা) এবং উত্তর দেয়: “ওয়েফারে কোথাও কি সমস্যা আছে কি?”
Metrology মাপছে উদ্দেশ্যভিত্তিক প্রক্রিয়ার আউটপুট (CD, overlay, ফিল্ম পুরুত্ব, প্লানারিটি) এবং উত্তর দেয়: “প্রক্রিয়াটি কি টার্গেট মেরেছে?”
প্র্যাকটিক্যালি, ফ্যাবগুলো inspection ব্যবহার করে yield-killer গুলো আগে ধরে ফেলার জন্য, আর metrology ব্যবহার করে প্রক্রিয়ার drift কে লট-ওয়াইড ক্ষতিতে পরিণত হওয়া রোধ করতে।
কারণ পরিমাপগুলি নিয়মিত সিদ্ধান্ত তৈরি করে যা সময়ের সাথে করে yield এবং খরচে বড় প্রভাব ফেলে:
দ্রুততা, পুনরাবৃত্তিধর্মিতা, এবং শ্রেণিবিভাগ ভালো হলে পরিমাপ দ্রুত containment করে এবং ব্যয়বহুল অপ্রত্যাশিত ঘটনার সংখ্যা কমে।
সাধারণ “ইনসার্ট পয়েন্ট”গুলো হলো যেখানে পরবর্তীতে ভূল ঠিক করা ব্যয়বহুল হয়ে ওঠে:
মৌলিক ধারণা: সিদ্ধান্ত নিতে পর্যাপ্তভাবে দ্রুত মাপা যাতে সময় থাকতে সমস্যা ধরা যায়।
একটি স্যাম্পলিং প্ল্যান নির্ধারণ করে কত ঘন ঘন এবং কত গভীরভাবে আপনি মাপবেন (লট প্রতি ওয়েফার সংখ্যা, ওয়েফার প্রতি সাইট সংখ্যা, কোন স্তর)।
প্র্যাকটিক্যাল নিয়ম:
অতিরিক্ত স্যাম্পলিং সাইকেল টাইমে ব্যত্যয় ঘটায়; অপর্যাপ্ত স্যাম্পলিং escape ঝুঁকি বাড়ায়।
Inline পরিমাপ প্রোডাকশন ফ্লো-এ ঘটে, সেই টুলের কাছাকাছি যেখানে ফলাফল তৈরি হয়েছে—এটি কন্ট্রোল লুপের জন্য দ্রুত।
Offline পরিমাপ সাধারণত ডেডিকেটেড ল্যাবে হয়—তারা গভীর বিশ্লেষণ দেয় কিন্তু ধীর হতে পারে (ডিবাগ, মডেল বিল্ডিং, রুট-কারণ কনফার্মেশন)।
ভালো অপারেটিং মডেল: দিনে-দিনে কন্ট্রোল চালাতে যথেষ্ট inline coverage এবং inline সিগন্যাল বদলে গেলে টার্গেটেড offline কাজ।
A killer defect হলো এমন একটি ত্রুটি যা ইলেকট্রিক্যাল ফেইলিউর ঘটানোর সম্ভাবনা বেশি (open, short, leakage, প্যারামেট্রিক শিফট)।
A nuisance defect বাস্তবে থাকতে পারে (বা দেখা-টাই থাকতে পারে) কিন্তু yield-এ প্রভাব ফেলে না।
ক্লাসিফিকেশন গুরুত্বপূর্ণ কারণ খরচ শুধু detection নয়—এর পর যা হয় (হোল্ড, রিভিউ, রিওয়ার্ক, ডাউনটাইম)। ভাল ক্লাসিফিকেশন কম ব্যয়বহুল over-reaction কমায়।
False negatives (মিস করা killer) পরে yield ক্ষতির আকারে দেখা দেয়—আরও মান যোগ হওয়ার পরে—তাই এগুলো সবচেয়ে বিপজ্জনক।
False positives “ব্যয়বহুল নয়েজ” তৈরি করে: অনাবশ্যক হোল্ড, অতিরিক্ত রিভিউ, এবং লম্বা কিউ।
প্র্যাকটিক্যাল লক্ষ্য হলো “সব কিছু খুঁজে পাওয়া” নয়, বরং ঠিক সিগন্যালগুলো যথেষ্ট আগে এবং সাশ্রয়ী খরচে খুঁজে পাওয়া।
CD (critical dimension) হলো প্রিন্ট হওয়া একটি ফিচারের মাপ—যেমন ট্রানজিস্টরের গেট দৈর্ঘ্য বা একটি সংকীর্ণ মেটাল লাইনের প্রস্থ।
সামান্য CD ড্রিফটও দ্রুত ইলেকট্রিক্যাল আচরণ বদলে দিতে পারে (প্রতিরোধ বাড়া, open, শর্ট বা ড্রাইভ কারেন্ট পরিবর্তন)।
অনেক CD ইস্যুর পরিচিত focus/exposure সিগনেচার থাকে, তাই CD metrology ও SPC রেসপন্স প্ল্যান জোড়া দিলে ROI বেশি হয়।
Overlay মাপক করে একটি লেয়ার কীভাবে আগের লেয়ারের সঙ্গে সুষমভাবে মিলছে।
প্রতি লেয়ারে “ভাল” CD থাকা সত্ত্বেও যদি লেয়ারগুলো ঠিকমতো মিল না হয় তবে ভায়া লক্ষ্য হ্রাস পেতে পারে বা কন্টাক্ট আংশিকভাবে পড়তে পারে—ফলে চিপ ব্যর্থ হতে পারে।
Overlay কন্ট্রোল বিশেষ করে তখন κρίটিক্যাল যখন alignment বাজেট টাইট বা স্তরগুলোর মধ্যে ত্রুটি জোড়া হয়ে যায়।
Latency হলো প্রসেসিং থেকে ব্যবহারযোগ্য পরিমাপ ফলাফলের মধ্যে সময়।
যদি ফলাফল কয়েকটি লট চারেও চলে আসার পর আসে, তাহলে আপনি কেবল ভবিষ্যত ঠিক করতে পারবেন—পূর্বে হওয়া ক্ষতি ঠিক করতে পারবেন না।
Latency কমাতে:
এগুলো প্রায়শই কাঁচা টুল স্পেসিফিকেশনের অল্প বাড়তি উন্নতির চেয়ে বেশি ফল দেয়।