02 मई 2025·8 मिनट
KLA और फैब यील्ड: ऐसा निरीक्षण व मेट्रोलॉजी जो लागत घटाता है
KLA-स्टाइल निरीक्षण और मेट्रोलॉजी किस तरह यील्ड, स्क्रैप, साइकिल टाइम और लागत को प्रभावित करते हैं—क्या ट्रैक करें और फैब टूल कैसे चुनते हैं, इसकी व्यावहारिक गाइड।
KLA-स्टाइल निरीक्षण और मेट्रोलॉजी किस तरह यील्ड, स्क्रैप, साइकिल टाइम और लागत को प्रभावित करते हैं—क्या ट्रैक करें और फैब टूल कैसे चुनते हैं, इसकी व्यावहारिक गाइड।
निरीक्षण और मेट्रोलॉजी फैब की “आँखें” हैं, पर वे अलग चीज़ों को देखते हैं।
निरीक्षण यह बताता है: क्या वेफर पर कहीं कुछ गलत है? यह कण, खरोंच, पैटर्न ब्रेक, संदूषण या ऐसे सूक्ष्म अनियमितताओं के लिए स्कैन करता है जो भविष्य में खराबी से जुड़ती हैं।
मेट्रोलॉजी यह बताती है: क्या प्रोसेस ने वही किया जो हमने इरादा किया था? यह क्रिटिकल डायमेंशन (CD), ओवरले (लेयर-टू-लेयर एलाइनमेंट), फिल्म मोटाई और अन्य पैरामीटर नापती है जो तय करते हैं कि चिप काम करेगा या नहीं।
एक फैब केवल वही नियंत्रित कर सकता है जो वह माप सकता है—फिर भी माप करना स्वयं टूल टाइम, इंजीनियरिंग ध्यान और कतार स्थान उपभोग करता है। इससे हमेशा एक ट्रेड-ऑफ बनता है:
यदि निरीक्षण बहुत धीमा है, तो दोष लॉट्स में फैल सकते हैं इससे पहले कि कोई नोटिस करे। यदि मेट्रोलॉजी बहुत शोर करती है, तो इंजीनियर भूतों का पीछा कर सकते हैं—ऐसा प्रोसेस समायोजित करते हुए जो वास्तव में नहीं ढल रहा।
सबसे अधिक प्रभाव वाले फैब निर्णय नाटकीय नहीं होते—वे रोज़ाना दर्जनों बार माप डेटा के आधार पर किए गए रूटीन कॉल होते हैं:
ये कॉल चुपके से यील्ड, साइकिल टाइम, और प्रति-वेफर लागत तय करते हैं। बेहतरीन फैब केवल "ज़्यादा मापते" नहीं—वे सही चीज़ें, सही आवृत्ति पर, और सिग्नल पर भरोसा करके मापते हैं।
यह लेख ऐसे सिद्धांतों पर केंद्रित है जिन्हें आप समझने के लिए इस्तेमाल कर सकते हैं कि KLA जैसे वेंडर यील्ड प्रबंधन में कैसे फिट बैठते हैं—क्यों कुछ माप मायने रखते हैं, वे कार्रवाई को कैसे चलाते हैं, और वे अर्थशास्त्र को कैसे प्रभावित करते हैं।
यह कॉपीराइटेड स्पेसिफ़िकेशंस या मॉडल-ज़र-मॉडल दावों में नहीं जाएगा। इसके बजाय यह निरीक्षण और मेट्रोलॉजी विकल्पों के व्यावहारिक तर्क को समझाएगा, और कैसे वे विकल्प प्रतिस्पर्धात्मकता में तरंगित होते हैं।
एक वेफर "एक बार मापा" नहीं जाता। यह पैटर्निंग और मटेरियल चेंज के लूप्स के माध्यम से चलते हुए बार-बार जांचा जाता है। एक सरलीकृत पथ दिखता है: लिथोग्राफी (पैटर्न प्रिंट) → एच्च (ट्रांसफर) → डिपॉज़िशन (फिल्म जोड़ना) → CMP (प्लेनराइज़) → दर्जनों लेयर्स के लिए दोहराव → इलेक्ट्रिकल टेस्ट और अंतिम सॉर्ट।
माप उन जगहों पर डाले जाते हैं जहाँ परिवर्तन को बाद में ठीक करना महँगा हो जाता है:
फैब हर चीज़ को एक ही दर पर नहीं मापते। महत्वपूर्ण लेयर्स (कठोर डिज़ाइन नियम, संवेदनशील ओवरले बजट, नए प्रोसेस स्टेप) आम तौर पर उच्च सैंपलिंग पाते हैं—लॉट प्रति अधिक वेफर्स, वेफर प्रति अधिक साइट्स, और अधिक बार निरीक्षण। कम महत्वपूर्ण या परिपक्व लेयर्स अक्सर थ्रूपुट की रक्षा के लिए हल्की सैंपलिंग का उपयोग करती हैं।
सैंपलिंग प्लान तकनीकी जितना ही व्यापारिक निर्णय है: कम मापें और एस्केप्स बढ़ते हैं; ज़्यादा मापें और साइकिल टाइम प्रभावित होता है।
व्यवहारिक लक्ष्य संतुलन है: प्रोसेस को समय पर निर्देशित करने के लिए पर्याप्त inline कवरेज, और जब डेटा कुछ बदलने का संकेत दे तो लक्षित offline काम।
निरीक्षण अक्सर "दोष ढूँढना" के रूप में वर्णित होता है, पर संचालन का काम यह तय करना है कि कौन से सिग्नल पर प्रतिक्रिया करने लायक हैं। एक आधुनिक फैब प्रतिदिन लाखों दोष "इवेंट" जेनरेट कर सकता है; केवल एक अंश ही इलेक्ट्रिकल प्रदर्शन को प्रभावित करता है। प्लेटफॉर्म और टूल (जिनमें KLA-क्लास सिस्टम शामिल हैं) कच्ची इमेजों को निर्णयों में बदलने में मदद करते हैं—पर ट्रेड-ऑफ हमेशा मौजूद रहते हैं।
दोष लेयर, पैटर्न और प्रोसेस स्टेप के अनुसार बदलते हैं:
इनमें से कई पहली नज़र में समान दिखते हैं। एक चमकीला "ब्लॉब" किसी लेयर पर हानिरहित रेसिस्ट दाग हो सकता है, पर किसी दूसरे लेयर पर यील्ड-हैमर साबित हो सकता है।
एक किलर दोष वह है जो संभावित रूप से फंक्शनल फेलियर करेगा (ओपन, शॉर्ट, लीकैज, पैरामीट्रिक शिफ्ट)। एक न्यूसेंस दोष वास्तविक या प्रकट है पर यील्ड पर असर नहीं डालता—सोचिए कॉस्मेटिक पैटर्न रफनेस जो मार्जिन में रहती है।
क्लासिफिकेशन मायने रखता है क्योंकि फैब्स सिर्फ डिटेक्शन के लिए भुगतान नहीं करते; वे उस डिटेक्शन से क्या ट्रिगर होता है उसके लिए भुगतान करते हैं: रिव्यू समय, लॉट होल्ड, रिवर्क, इंजीनियरिंग विश्लेषण, और टूल डाउनटाइम। बेहतर क्लासिफिकेशन का मतलब है कम महँगी प्रतिक्रियाएँ।
उच्च-स्तर पर, दोष घनत्व है "एकाई क्षेत्रफल पर कितने दोष"। जैसे-जैसे चिप बड़े होते हैं या डिज़ाइन नियम तंग होते हैं, न्यूनतम एक क्रिटिकल एरिया में कम से कम एक किलर का उतरने की संभावना बढ़ती है। इसलिए किलर दोष घनत्व को घटाना—यहां तक कि मामूली रूप से—महत्वपूर्ण यील्ड लाभ पैदा कर सकता है।
कोई निरीक्षण प्रणाली परफेक्ट नहीं है:
लक्ष्य "सब कुछ ढूँढना" नहीं है। लक्ष्य है सही चीज़ें इतनी जल्दी और सस्ती तरह से ढूँढना कि वे परिणाम बदल सकें।
मेट्रोलॉजी वह तरीका है जिससे फैब यह समझते हैं कि "टूल चला" का मतलब "पैटर्न वास्तव में जैसा हमने चाहा वैसा है"। तीन माप प्रायः यील्ड सीखने में हर जगह आते हैं क्योंकि वे सीधे इस बात से जुड़े होते हैं कि ट्रांजिस्टर और तार काम करेंगे या नहीं: क्रिटिकल डायमेंशन (CD), ओवरले, और ड्रिफ्ट।
CD किसी प्रिंटेड फीचर की मापी गई चौड़ाई है—गेट लेंथ या पतली मेटल लाइन की चौड़ाई सोचिए। जब CD थोड़ी भी गलत होती है तो इलेक्ट्रिकल व्यवहार तेज़ी से बदलता है: बहुत पतला होने पर रेजिस्टेंस बढ़ सकता है या ओपन हो सकते हैं; बहुत चौड़ा होने पर पड़ोसियों से शॉर्ट हो सकता है या ट्रांजिस्टर ड्राइव करंट बदल सकता है। आधुनिक डिज़ाइनों में मार्जिन छोटे हैं, इसलिए कुछ नैनोमीटर का बायस आपको कई डाइस पर "सुरक्षित" से "सिस्टमेटिक फेलियर" तक ले जा सकता है।
CD समस्याओं का अक्सर पहचान योग्य फोकस/एक्सपोज़र सिग्नेचर होता है। अगर फोकस ऑफ है, तो लाइन्स गोल दिख सकती हैं, नैकेड या "पिन्च" हो सकती हैं। अगर एक्सपोज़र डोज ऑफ है, फीचर्स बहुत बड़े या छोटे प्रिंट हो सकते हैं। ये पैटर्न फिटनैस इश्यूज हैं: आकृति विकृत हो सकती है भले ही औसत चौड़ाई स्वीकार्य लगे।
ओवरले यह मापता है कि एक लेयर पिछले लेयर के सापेक्ष कितनी अच्छी तरह से अलाइन है। अगर अलाइनमेंट त्रुटियाँ जमा हो जाती हैं, तो vias अपने टार्गेट मिस कर लेते हैं, कॉन्टैक्ट आंशिक रूप से लगते हैं, या किनारे गलत जगह ओवरलैप करते हैं। एक चिप पर प्रत्येक लेयर पर "परफेक्ट" CD होने के बावजूद यह फेल हो सकती है क्योंकि लेयर्स सही से नहीं मिलतीं।
उच्च-स्तर पर, फैब तेज़, उच्च-थ्रूपुट माप के लिए ऑप्टिकल मेट्रोलॉजी और बहुत छोटे फीचर्स के लिए अधिक तीखे, अधिक विस्तृत देखने के लिए SEM-आधारित मेट्रोलॉजी का उपयोग करते हैं। वेंडर का चयन इस बात पर निर्भर करता है कि माप असली ड्रिफ्ट को कितनी जल्दी पकड़ते हैं—उससे पहले कि वह लॉट-व्यापी यील्ड लॉस में बदल जाए।
प्रोसेस ड्रिफ्ट चुपके से दुश्मन है: तापमान, रसायन, टूल घिसाव, या रेटिकल परिवर्तन CD और ओवरले को धीरे-धीरे नudge करते हैं, जब तक फैब अचानक स्पेक से बाहर न हो जाए।
माप केवल तब लागत घटाते हैं जब वे सुसंगत निर्णयों को ट्रिगर करते हैं। वह "अंतिम मील" है Statistical Process Control (SPC): वह दिनचर्या जो निरीक्षण और मेट्रोलॉजी सिग्नलों को ऑपरेटरों के भरोसेमंद कार्यों में बदल देती है।
मान लीजिए एच्च स्टेप के बाद CD माप चौड़ा होने लगती है।
फीडबैक कंट्रोल क्लासिक लूप है: आप परिणाम मापते हैं, फिर एच्चर रेसिपी को समायोजित करते हैं ताकि अगला लॉट फिर लक्ष्य पर आए। यह शक्तिशाली है, पर यह हमेशा एक कदम पीछे रहता है।
फीडफॉरवर्ड कंट्रोल अपस्ट्रीम जानकारी का उपयोग त्रुटि को आने से पहले रोकने के लिए करता है। उदाहरण के लिए, अगर लिथोग्राफी ओवरले या फोकस माप एक ज्ञात बायस दिखाते हैं उस विशेष स्कैनर पर, तो आप डाउनस्ट्रीम एच्च या डिपॉज़िशन सेटिंग्स को स्वचालित रूप से समायोजित कर सकते हैं लॉट प्रोसैसिंग से पहले।
SPC चार्ट टार्गेट के चारों ओर कंट्रोल लिमिट्स ड्रॉ करते हैं (अकसर प्रोसेस वेरिएशन पर आधारित)। जब डेटा उन लिमिट्स को पार करता है, तो वह एक एक्सकर्शन है—इशारा कि प्रोसेस बदला है, सिर्फ सामान्य शोर नहीं।
अगर टीमें नियमित रूप से अलार्म्स को ओवरराइड करती हैं क्योंकि "शायद ठीक होगा," तो दो चीज़ें होती हैं:
भरोसेमंद अलार्म तेज़, दोहराने योग्य कण्ट्रेनमेंट सक्षम करते हैं: सही कारणों के लिए लाइन रोकें, न कि लगातार।
लेटेंसी वह समय है प्रोसेसिंग और उपयुक्त माप परिणाम के बीच। अगर CD परिणाम कई लॉट्स के चलने के बाद आते हैं, तो फीडबैक सुधार भविष्य को ठीक करते हैं जबकि दोष वर्तमान में जमा होते हैं। कम लेटेंसी (या स्मार्ट सैंपलिंग) "एट-रिस्क" सामग्री को छोटा करती है और दोनों फीडबैक व फीडफॉरवर्ड को बेहतर बनाती है।
जब लिमिट्स, प्रतिक्रिया योजनाएँ, और स्वामित्व स्पष्ट होते हैं, तो कम लॉट्स "बजाए" ही होल्ड पर जाते हैं, और कम वेफर महँगे रिवर्क के लिए जाते हैं। इसका भुगतान शांत संचालन में मिलता है: कम भिन्नता, कम आश्चर्य, और तेज़ यील्ड सीखना।
फैब में माप "ओवरहेड" नहीं है—यह विकल्पों का सेट है जो या तो महँगी गलतियों को रोकता है या महँगा बिज़ीवर्क बनाता है। लागत प्रभाव निश्चित बकेट्स में दिखता है:
निरीक्षण में उच्च संवेदनशीलता (उदा., छोटे दोष आकार तक धकेलना) एस्केप्स घटा सकती है—पर यह इंजीनियरिंग को न्यूसेंस सिग्नलों के साथ भर सकती है। अगर हर "संभावित दोष" होल्ड बन जाता है, तो फैब टूल खाली समय, कतार वृद्धि, और विश्लेषण लेबर में भुगतान करता है।
आर्थिक प्रश्न यह नहीं है "क्या टूल इसे देख सकता है?" बल्कि "क्या उस पर कार्रवाई करने से उत्पन्न होने वाला लाभ उस कार्रवाई की लागत से ज्यादा है?"
कहाँ आप ज़्यादा—या कम—मापते हैं उतना ही मायने रखता है जितना कि आप कौन-सा टूल खरीदते हैं। उच्च-जोखिम लेयर्स (नए प्रोसेस स्टेप्स, तंग ओवरले लेयर्स, ज्ञात एक्सकर्शन पॉइंट्स) आमतौर पर घनी सैंपलिंग के हकदार होते हैं। स्थिर, परिपक्व लेयर्स अक्सर हल्की सैंपलिंग और मजबूत SPC गार्डरिल्स से बेहतर सेवा पाती हैं।
कई फैब निरीक्षण/मेट्रोलॉजी आउटपुट का उपयोग लेयर-वार यह ट्यून करने के लिए करते हैं: जहाँ एक्सकर्शन बार-बार होते हैं वहां कवरेज बढ़ाएँ, और जहाँ सिग्नल दुर्लभता से कार्रवाई चलाते हैं वहां वापस खींचें।
एक अच्छी पकड़: फोकस ड्रिफ्ट का प्रारंभिक पता जो पूरे लॉट को खराब कर देता, उसे जल्दी पकड़कर एक तेज़ सुधार कर के डाउनस्ट्रीम लिथो/एच्च स्टेप्स बचा लेना।
महँगा शोर: बार-बार बेनाइन पैटर्निंग आर्टिफैक्ट्स को फ्लैग करना जो होल्ड और रिव्यू ट्रिगर करते हैं, जबकि यील्ड और इलेक्ट्रिकल परिणाम अपरिवर्तित रहते हैं—साइकिल टाइम जल रहा होता है बिना स्क्रैप कम किए।
यील्ड सीखना "मुफ़्त" नहीं होता। हर निरीक्षण स्कैन, मेट्रोलॉजी सैंपल, और दोष रिव्यू दुर्लभ टूल टाइम उपभोग करते हैं—और जब वह क्षमता तंग हो, मापन एक फैक्टरी बाधा बन जाता है जो साइकिल टाइम लंबा कर देता है।
कई बार साइकिल-टाइम प्रभाव स्कैन का समय नहीं होता; यह इंतज़ार होता है। फैब आमतौर पर कतारें देखते हैं:
वे कतारें लॉट्स को लाइन भर धीमा करती हैं, WIP बढ़ाती हैं, और उपयुक्त निर्णयों को बाध्य कर सकती हैं—जैसे पुष्टि मापों को छोड़ देना बस इसलिए कि सामग्री आगे बढ़ाते रहें।
मापन क्षमता प्लान करना केवल "पर्याप्त टूल खरीदो" नहीं है। यह क्षमता को रेसिपी मिक्स से मैच करना है। एक लंबा, संवेदनशील निरीक्षण रेसिपी एक हल्के मॉनिटर की तुलना में कई गुना टूल टाइम ले सकती है।
फैब जिन प्रमुख लीवरों का उपयोग करते हैं:
जब यह "बीच के" काम को कम करता है तो ऑटोमेशन साइकिल टाइम में सुधार लाता है:
गति का सबसे बड़ा भुगतान सीखना है। जब निरीक्षण और मेट्रोलॉजी के परिणाम जल्दी से स्पष्ट, कार्रवाई योग्य निदान में बहते हैं, फैब उसी एक्सकर्शन को कई लॉट्स में दोहराने से बचता है। इससे रिवर्क, स्क्रैप जोखिम, और "ज़्यादा सैंपलिंग क्योंकि हम चिंतित हैं" के चक्र-टाइम दंड का संयोजन घटता है।
फीचर्स को छोटा करना केवल चिप्स को तेज़ नहीं बनाता—यह मापन को भी कठिन कर देता है। एडवांस्ड नोड्स पर, "अनुमत त्रुटि" खिड़की इतनी छोटी हो जाती है कि निरीक्षण संवेदनशीलता और मेट्रोलॉजी प्रिसिजन दोनों को साथ में सुधारना पड़ता है। नतीजा सरल है: एक दोष या कुछ नैनोमीटर की ड्रिफ्ट जो पहले हानिरहित थी अचानक एक वेफर को "अच्छा" से "मार्जिनल" में बदल सकती है।
EUV मेट्रोलॉजी और दोष समस्या को कुछ महत्वपूर्ण तरीकों से बदलता है:
यह फैब्स को और अधिक संवेदनशील निरीक्षण, स्मार्ट सैंपलिंग, और मापे गए और समायोजित किए जाने वाले मामलों के बीच तंग कड़ियों की ओर धकेलता है।
EUV के बावजूद, कई लेयर्स में अभी भी मल्टी-पैटर्निंग स्टेप्स और जटिल 3D स्टैक्स (ज़्यादा फिल्में, ज़्यादा इंटरफेसेस, ज़्यादा टोपोग्राफी) होते हैं। इससे संभावना बढ़ती है:
मेट्रोलॉजी टार्गेट कम प्रतिनिधि हो सकते हैं, और रेसिपीज़ को अक्सर यील्ड से जुड़े रहने के लिए बार-बार ट्यून करना पड़ता है।
हर लेयर को समान संवेदनशीलता या प्रिसिजन की ज़रूरत नहीं होती। लॉजिक, मेमोरी, और पावर डिवाइसेस अलग-अलग फेल्योर मेकेनिज्म पर जोर देते हैं, और एक ही चिप के भीतर गेट, कॉन्टैक्ट, वाया, और मेटल लेयर्स अलग निरीक्षण थ्रेशहोल्ड और मेट्रोलॉजी अनिश्चितता माँग सकते हैं। जीतने वाली फैब माप रणनीति को लेयर-दर-लेयर इंजीनियरिंग के रूप में ट्रीट करती हैं, न कि एक सिंगल-सेटिंग के रूप में।
निरीक्षण और मेट्रोलॉजी तभी यील्ड में मदद करती है जब परिणाम शिफ्ट-टू-शिफ्ट और टूल-टू-टूल दोहराए जा सकें। व्यवहार में, यह मापन के भौतिकी से कम और ऑपरेशनल अनुशासन (रेसिपीज़, टूल मैचिंग, कैलिब्रेशन, नियंत्रित परिवर्तन) से अधिक निर्भर करता है।
"रेसिपी" वे सेव्ड सेटिंग्स हैं: मापन स्थान, ऑप्टिक्स/बीम सेटिंग्स, फोकस स्ट्रैटेजी, थ्रेशहोल्ड्स, सैंपलिंग प्लान, और क्लासिफिकेशन नियम जो किसी विशेष लेयर/प्रोडक्ट पर उपयोग होते हैं। अच्छा रेसिपी प्रबंधन एक जटिल टूल को एक सुसंगत फैक्टरी इंस्ट्रूमेंट में बदल देता है।
छोटी रेसिपी भिन्नताएँ "फेक" एक्सकर्शन पैदा कर सकती हैं—एक शिफ्ट अधिक दोष देख सकती है सिर्फ इसलिए कि संवेदनशीलता बदल गई। कई फैब रेसिपीज़ को प्रोडक्शन एसेट्स की तरह ट्रीट करते हैं: वर्शन किए गए, एक्सेस-कंट्रोल्ड, और प्रोडक्ट/लेयर IDs से जोड़ा हुआ ताकि वही वेफर हर बार एक ही तरीके से मापा जाए।
अधिकांश हाई-वॉल्यूम फैब कैपेसिटी और रेडंडेंसी के लिए कई टूल (अक्सर कई पीढ़ियाँ) चलाते हैं। अगर टूल A टूल B की तुलना में 3 nm बड़ा CD पढ़ता है, तो आपके पास दो प्रोसेसेस नहीं—आपके पास दो पैमाने हैं।
कैलिब्रेशन रूलर को रेफरेंस पर एंकर रखता है। मैचिंग अलग-अलग रूलर्स को संरेखित रखती है। इसमें नियमित गेज चेक, रेफरेंस वेफर्स, और ऑफसेट व ड्रिफ्ट की सांख्यिकीय निगरानी शामिल है। वेंडर मैचिंग वर्कफ़्लो प्रदान करते हैं, पर फैब्स को फिर भी स्पष्ट स्वामित्व चाहिए: कौन ऑफसेट्स को अप्रूव करता है, कितनी बार री-मैच करना है, और कौन से लिमिट्स स्टॉप ट्रिगर करते हैं।
जब मटेरियल, पैटर्न, या टार्गेट बदलते हैं तब रेसिपीज़ को बदलना चाहिए—पर हर परिवर्तन को वैलिडेशन चाहिए। सामान्य अभ्यास "शैडो मोड" है: अपडेटेड रेसिपी को पैरेलल चलाएँ, डेल्टाज़ की तुलना करें, और तभी प्रमोट करें अगर यह कोरिलेशन बनाए रखता है और डाउनस्ट्रीम SPC लिमिट्स को नहीं तोड़ता।
रोज़मर्रा की स्थिरता तेज़, सुसंगत निर्णयों पर निर्भर करती है:
जब यह वर्कफ़्लो मानकीकृत होता है, तो माप एक भरोसेमंद कंट्रोल लूप बन जाता है न कि वैरिएबिलिटी का एक और स्रोत।
माप केवल तभी प्रतिस्पर्धात्मकता सुधारती है जब यह प्रोसेस के ड्रिफ्ट होने से पहले निर्णय बदल दे। नीचे दिए KPI निरीक्षण/मेट्रोलॉजी प्रदर्शन को यील्ड, साइकिल टाइम, और लागत से जोड़ते हैं—बिना आपके साप्ताहिक रिव्यू को डेटा डंप बनाए बिना।
कैप्चर रेट: आपका निरीक्षण कितना हिस्सा "असली" यील्ड-सीमित दोषों का पता लगाता है। इसे लेयर और दोष प्रकार के अनुसार ट्रैक करें, केवल एक हेडलाइन नंबर के रूप में नहीं।
दोष ऐडर: मापन स्टेप्स द्वारा पेश किए गए दोष (हैंडलिंग, अतिरिक्त कतार समय से WIP रिस्क, रिवर्क)। अगर आपका ऐडर बढ़ता है, तो "ज़्यादा सैंपलिंग" बैकफायर कर सकती है।
न्यूसेंस रेट: मिलीं घटनाओं का भाग जो कार्रवाई योग्य नहीं है (शोर, हानिरहित पैटर्निंग आर्टिफैक्ट)। उच्च न्यूसेंस रेट रिव्यू क्षमता खा जाती है और रूट-कॉज़ कार्य को देर कर देती है।
प्रिसिशन: एक ही फीचर पर टूल की रिपीटेबिलिटी; यह सीधे तय करता है कि आप कितने तंग कंट्रोल लिमिट रख सकते हैं।
एक्यूरेसी: सच्ची वैल्यू (या सहमत रेफरेंस) के कितने करीब है। प्रिसिशन बिना एक्यूरेसी के सिस्टमेटिक मिस-कंट्रोल चला सकती है।
TMU (कुल मापन अनिश्चितता): रिपीटेबिलिटी, मैचिंग, सैंपलिंग प्रभाव, और रेसिपी संवेदनशीलता को संयोजित करने वाला प्रायोगिक रोल-अप।
टूल मैचिंग: एक ही रेसिपी चलाने वाले टूल्स के बीच सहमति। खराब मैचिंग स्पष्ट प्रोसेस वेरिएशन को फ़ुलाती है और डिस्पैचिंग को जटिल बनाती है।
एक्सकर्शन रेट: प्रोसेस कितना बार अपनी सामान्य विंडो छोड़ता है (मॉड्यूल, लेयर, और शिफ्ट अनुसार)। इसे एस्केप रेट (डाउनस्ट्रीम प्रभाव से पहले पकड़े न जाने वाली एक्सकर्शन) के साथ पेयर करें।
मीन टाइम टू डिटेक्ट (MTTD): एक्सकर्शन शुरू होने से पहचान तक का समय। MTTD घटाना अक्सर कच्चे टूल स्पेक्स को मामूली सुधारने से बड़ा लाभ देता है।
होल्ड पर लॉट्स: मेट्रोलॉजी/निरीक्षण सिग्नलों के कारण होल्ड पर लॉट्स का वॉल्यूम और आयु। बहुत कम होना मतलब आप मुद्दे मिस कर रहे हैं; बहुत ज़्यादा होना साइकिल टाइम को नुकसान पहुँचाता है।
यील्ड लर्निंग रेट: मुख्य परिवर्तन के बाद प्रति सप्ताह/महीने यील्ड सुधार की दर (नया नोड, नया टूलसेट, बड़ा रेसिपी संशोधन)।
कॉस्ट ऑफ़ पुअर क्वालिटी (COPQ): स्क्रैप + रिवर्क + एक्सपीडाइट + देर से खोज लागतें जो एस्केप्स को जानते हुए atribu होती हैं।
साइकिल टाइम प्रभाव: मापन-प्रेरित कतार समय और रिवर्क लूप्स। एक उपयोगी दृश्य है "प्रति लॉट कंट्रोल स्टेप द्वारा जोड़े गए साइकिल टाइम के मिनट्स।"
यदि आप एक आसान प्रारंभिक सेट चाहते हैं, तो हर समूह से एक KPI चुनें और उसे SPC संकेतों के साथ उसी मीटिंग में समीक्षा करें। मेट्रिक्स को कार्रवाई लूप में बदलने पर अधिक के लिए देखें /blog/from-measurements-to-action-spc-feedback-feedforward।
एक फैब में टूल चयन किसी अलग उपकरण को खरीदने जैसा नहीं है; यह फैक्टरी की नर्वस सिस्टम का हिस्सा चुनने जैसा है। टीमें आमतौर पर हार्डवेयर और उसके आस-पास के मापन प्रोग्राम दोनों का मूल्यांकन करती हैं: यह क्या ढूँढ सकता है, यह कितना तेज़ चलता है, और क्या इसका डेटा निर्णय चलाने के लिए भरोसेमंद है।
सबसे पहले, फैब संवेदनशीलता (छोटी से छोटी दोष या प्रोसेस बदलाव जो टूल भरोसेमंद तरीके से पकड़ सकता है) और न्यूसेंस रेट (कितनी बार यह हानिरहित सिग्नल फ्लैग करता है) देखते हैं। अधिक समस्याएँ ढूँढने वाला टूल अपने आप बेहतर नहीं होता अगर वह इंजीनियरों को फॉल्स अलार्म से भर दे।
दूसरा है थ्रूपुट: आवश्यक रेसिपी सेटिंग्स पर प्रति घंटे वेफर्स। केवल धीमे मोड में स्पेक पर पहुँचने वाला टूल बॉटलनेक बना सकता है।
तीसरा है ओनरशिप कॉस्ट, जिसमें खरीद कीमत से ज्यादा शामिल है:
फैब यह भी आकलन करते हैं कि टूल मौजूदा सिस्टम्स में कितनी सहजता से प्लग इन होता है: MES/SPC, स्टैंडर्ड फैब कम्युनिकेशन इंटरफेस, और डेटा फॉर्मैट जो ऑटोमेटेड चार्टिंग, एक्सकर्शन डिटेक्शन, और लॉट डिस्पोजिशन सक्षम करते हैं। उतना ही महत्वपूर्ण है रिव्यू वर्कफ़्लो—कैसे दोष क्लासिफ़ाई होते हैं, सैंपलिंग कैसे मैनेज होती है, और परिणाम कितनी तेज़ी से प्रोसेस मॉड्यूल तक लौटते हैं।
एक सामान्य पायलट रणनीति में स्प्लिट लॉट्स (मिलते-जुलते वेफर्स को अलग-अलग मापन दृष्टिकोणों से भेजना) और गोल्डन वेफर्स शामिल होते हैं ताकि टूल-टू-टूल संगति समय के साथ जाँची जा सके। परिणाम एक बेसलाइन के खिलाफ तुलना किए जाते हैं: मौजूदा यील्ड, मौजूदा डिटेक्शन लिमिट्स, और सुधारात्मक कार्रवाई की गति।
कई फैब्स में, KLA जैसे वेंडर इन ही श्रेणियों—क्षमता, फैक्टरी फिट, और अर्थशास्त्र—में अन्य निरीक्षण और मेट्रोलॉजी सप्लायर्स के साथ के रूप में मूल्यांकित होते हैं। क्योंकि जीतने वाला विकल्प वह है जो प्रति-वेफर निर्णयों में सुधार लाता है, न कि सिर्फ प्रति-वेफर मापों में वृद्धि।
यील्ड सीखना एक सरल कारण-और-प्रभाव श्रृंखला है, भले ही टूल जटिल हों: डिटेक्ट → डायग्नोज़ → करेक्ट।
निरीक्षण बताता है कहाँ और कब दोष आते हैं। मेट्रोलॉजी बताती है कि प्रोसेस कितना ड्रिफ्ट हुआ (CD, ओवरले, फिल्म मोटाई आदि)। प्रोसेस कंट्रोल उन सबूतों को कार्रवाई में बदलता है—रेसिपीज़ समायोजित करना, स्कैनर्स/एतर टूल्स ट्यून करना, रखरखाव कसना, या सैंपलिंग प्लान बदलना।
इसे तब उपयोग करें जब आप बिना "बस अधिक माप खरीदने" के बेहतर यील्ड प्रभाव चाहते हों:
एक कम आंका गया लीवर है कि टीमें कितनी जल्दी मापन डेटा को "ऑपरेशनलाइज़" कर सकती हैं—SPC सिग्नल, टूल मैचिंग स्थिति, होल्ड एजिंग, और MTTD/एस्केप-रेट ट्रेंड्स को मिलाने वाले डैशबोर्ड्स।
यहाँ एक वाइब-कोडिंग प्लेटफॉर्म जैसे Koder.ai मदद कर सकता है: टीमें बताकर चैट में जो वर्कफ़्लो चाहती हैं एक हल्का आंतरिक वेब ऐप जनरेट कर सकती हैं (उदा., एक SPC रिव्यू कंसोल, एक एक्सकर्शन ट्रायज क्यू, या KPI डैशबोर्ड), फिर जैसे-जैसे प्रोसेस विकसित हो इसका इतरेटिव संशोधन कर सकती हैं। Koder.ai React-आधारित वेब एप्स को Go + PostgreSQL बैकेंड के साथ सपोर्ट करता है—और सोर्स कोड एक्सपोर्ट देता है—इसलिए यह त्वरित पायलट्स और औपचारिक हैंडऑफ दोनों में फिट हो सकता है।
यदि आप देखना चाहें कि ये हिस्से कैसे जुड़ते हैं, तो देखें /blog/yield-management-basics। लागत और अपनाने के संदर्भ में प्रश्नों के लिए, /pricing यह ढाँचा देता है कि "अच्छा" ROI कैसा दिखता है।
Inspection ऐसे अनपेक्षित दोषों (कण, खरोंच, पैटर्न ब्रेक, अनोमली) की तलाश करता है और जवाब देता है: “क्या वेफर पर कहीं कुछ गलत है?”
Metrology मापता है कि इरादे के मुताबिक प्रोसेस आउटपुट कैसे निकला (CD, ओवरले, फिल्म मोटाई, समतलता) और जवाब देता है: “क्या प्रोसेस लक्ष्य पर है?”
व्यवहार में, फैब्स निरीक्षण का उपयोग यील्ड-घातक समस्याओं को जल्दी पकड़ने के लिए करते हैं, और मेट्रोलॉजी प्रोसेस ड्रिफ्ट को लॉट-व्यापी नुकसान में बदलने से रोकती है।
क्योंकि मापन रोज़मर्रा के निर्णयों को चलाते हैं जो यील्ड और लागत पर गुणात्मक प्रभाव डालते हैं:
बेहतर गति, दोहराव और वर्गीकरण माप को तेज़ कंटेनमेंट और कम महंगे सरप्राइज में बदल देते हैं।
आम “इन्सर्ट प्वाइंट” वे होते हैं जहाँ बाद में विविधता ठीक करना महँगा हो जाता है:
मूल विचार यह है कि निर्णय बदलने के लिए पर्याप्त जल्दी वहां माप करें जहाँ वह मायने रखता है।
सैंपलिंग प्लान यह परिभाषित करता है कि आप कितनी बार और कितनी गहराई से मापते हैं (लॉट में वेफर्स, वेफर पर साइट्स, कौन-सी लेयर)।
व्यावहारिक नियम:
ओवर-सैंपलिंग साइकिल टाइम को बाधित कर सकती है; अंडर-सैंपलिंग एस्केप रिस्क बढ़ाती है।
Inline मेट्रोलॉजी/निरीक्षण प्रोडक्शन फ्लो में, उस टूल के पास होता है जिसने रिजल्ट बनाया—इसलिए यह कंट्रोल लूप्स के लिए तेज़ होता है और "एट-रिस्क" WIP को कम करता है।
Offline माप डेडिकेटेड एरिया या लैब में किए जाते हैं—आम तौर पर गहराई से (ट्रबलशूटिंग, मॉडल बनाना, रूट कॉज़ कन्फर्म करना) पर धीमे हो सकते हैं।
एक अच्छा ऑपरेटिंग मॉडल: दिन-प्रतिदिन कंट्रोल के लिए पर्याप्त inline कवरेज, और जब डेटा कुछ बदलने का इशारा करे तो लक्षित offline काम।
एक किलर दोष वह है जो आमतौर पर फंक्शनल फेलियर का कारण बनेगा (ओपन, शॉर्ट, लीकैज, पैरामीट्रिक शिफ्ट)।
एक न्यूसेंस दोष वास्तविक है (या दिखाई देता है) पर यील्ड पर प्रभाव नहीं डालता।
क्लासिफिकेशन इसलिए महत्वपूर्ण है क्योंकि लागत सिर्फ डिटेक्शन की नहीं है—बल्कि उस डिटेक्शन से जो क्रिया होती है (होल्डs, रिव्यू, रिवर्क, डाउनटाइम) उसकी भी है। बेहतर क्लासिफिकेशन महँगे ओवर-रिएक्शन को कम करता है।
False negatives (छूटी हुई किलर) बाद में यील्ड लॉस के रूप में दिखती हैं—जब अधिक वैल्यू जुड़ चुकी होती है—इसलिए वे सबसे खतरनाक हैं।
False positives महँगा शोर पैदा करते हैं: अनावश्यक होल्ड, अतिरिक्त रिव्यू, और लंबी कतारें।
व्यावहारिक लक्ष्य यह नहीं है कि "सब कुछ ढूँढो", बल्कि सही संकेतों को पर्याप्त जल्दी ढूँढना है ताकि सही कार्रवाई की जा सके और लागत स्वीकार्य रहे।
CD (क्रिटिकल डायमेंशन) उस प्रिंटेड फीचर की नाप है—जैसे ट्रांजिस्टर का गेट लेंथ या पतली मेटल लाइन की चौड़ाई।
थोड़ी सी CD ड्रिफ्ट भी इलेक्ट्रिकल व्यवहार को तेज़ी से बदल सकती है (रेज़िस्टेंस, लीक, ड्राइव करंट) क्योंकि आधुनिक मार्जिन बहुत छोटे होते हैं।
कई CD समस्याओं के पहचानने योग्य फोकस/एक्सपोज़र सिग्नेचर होते हैं, इसलिए CD मेट्रोलॉजी के साथ अच्छी SPC प्रतिक्रिया योजनाएँ अक्सर उच्च ROI देती हैं।
ओवरले यह मापता है कि एक लेयर दूसरी लेयर के मुकाबले कितनी सही तरह से अलाइन हुई है।
यदि अलाइनमेंट गलत हुई तो vias टार्गेट मिस कर सकते हैं या कॉन्टैक्ट आंशिक रूप से लग सकते हैं—इस तरह एक चिप परत-दर-परत “in-spec” होने के बावजूद फेल हो सकती है।
जब अलाइनमेंट बजट तंग हों या त्रुटियाँ कई स्टेप्स में जमा हों, तो ओवरले कंट्रोल खासकर क्रिटिकल हो जाता है।
लेटेंसी उस समय को कहते हैं जो प्रोसेसिंग और उपयोगी मुआयने के रिजल्ट के बीच लगता है।
अगर रिजल्ट कई लॉट्स के चलने के बाद आते हैं, तो आप केवल भविष्य को ठीक कर सकते हैं जबकि वर्तमान में नुकसान जमा हो रहा होता है।
लेटेंसी प्रभाव घटाने के उपाय:
अकसर ये कदम कच्ची टूल संवेदनशीलता में मामूली सुधार से ज्यादा परिणाम देते हैं।