KLA และผลผลิตในโรงงาน: การตรวจสอบและเมโทรโลยีที่ช่วยลดต้นทุน

ทำไมการตรวจสอบและเมโทรโลยีจึงกำหนดผลลัพธ์ของโรงงาน

การตรวจสอบและเมโทรโลยีเป็น “ดวงตา” ของโรงงาน (fab) แต่ทั้งสองมองหาสิ่งต่างกัน

การตรวจสอบ ตอบคำถามว่า: มีอะไรผิดที่ใดบนเวเฟอร์หรือไม่? มันสแกนหาข้อบกพร่องเช่น อนุภาค รอยขีด การแตกของแพทเทิร์น การปนเปื้อน หรือความผิดปกติเล็กน้อยที่สัมพันธ์กับความล้มเหลวในอนาคต

เมโทรโลยี ตอบคำถามว่า: กระบวนการเป็นไปตามที่ตั้งใจไว้หรือไม่? มันวัดขนาดวิกฤติ (CD), overlay (การจัดชั้นต่อชั้น), ความหนาฟิล์ม และพารามิเตอร์อื่น ๆ ที่กำหนดว่าแชิปจะทำงานหรือไม่

ความเร็วและความแม่นยำแปลเป็นผลผลิตโดยตรง

โรงงานควบคุมได้เพียงสิ่งที่วัดได้—แต่การวัดเองก็ใช้เวลาของเครื่องมือ ความสนใจเชิงวิศวกรรม และพื้นที่คิว สิ่งนี้สร้างการแลกเปลี่ยนอย่างต่อเนื่อง:

• การวัดที่เร็วยิ่งขึ้น หมายถึงการเรียนรู้เร็วขึ้น การควบคุมเข้มงวดขึ้น และเวเฟอร์ที่ผลิตโดยไม่ต้อง “มืด” น้อยลง
• การวัดที่แม่นยำและทำซ้ำได้มากขึ้น หมายถึงการเตือนที่ผิดพลาดน้อยลงและการพลาดปัญหาน้อยลง

ถ้าการตรวจสอบช้าเกินไป ข้อบกพร่องอาจแพร่กระจายข้ามล็อตก่อนจะมีใครสังเกตเห็น ถ้าเมโทรโลยีมีสัญญาณรบกวนมาก วิศวกรอาจไล่ตามผี—ปรับกระบวนการที่แท้จริงแล้วไม่ได้เลื่อน

การตัดสินใจเงียบ ๆ ที่กำหนดผลผลิตและต้นทุน

การตัดสินใจที่มีผลกระทบสูงสุดส่วนใหญ่ไม่ใช่เหตุการณ์ใหญ่—แต่เป็นการตัดสินใจประจำวันซ้ำ ๆ หลายครั้งต่อวันที่อิงกับข้อมูลการวัด:

• หยุด vs ดำเนินการต่อ: เราหยุดเครื่องมือเพราะเส้นแนวโน้มดูเสี่ยงหรือปล่อยให้การผลิตดำเนินต่อ?
• รีเวิร์ก vs ทิ้ง: ปัญหาสามารถแก้ไขได้ไหม (ทำความสะอาด กัดย้อน ทำลิทใหม่) หรือไม่คุ้มค่ากับเวลาเพิ่มเติม?
• ส่งสินค้า vs รอ: เราปล่อยผลิตภัณฑ์เลยหรือกักล็อตเพื่อตรวจทานเพิ่มเพื่อลดการหลุดรอด?

การตัดสินใจเหล่านี้กำหนดผลผลิต เวลาในวงจร และต้นทุนต่อเวเฟอร์อย่างเงียบ ๆ โรงงานที่ดีที่สุดไม่ได้แค่ “วัดมาก” แต่จะวัด สิ่งที่ถูกต้อง ใน ความถี่ที่เหมาะสม ด้วย ความมั่นใจในสัญญาณ

บทความนี้จะ (และจะไม่) ทำอะไร

บทความนี้เน้นแนวคิดที่ช่วยให้เข้าใจว่าผู้ขายอย่าง KLA เข้าไปอยู่ในการจัดการผลผลิตอย่างไร—ทำไมการวัดบางอย่างจึงสำคัญ พวกมันขับเคลื่อนการกระทำอย่างไร และส่งผลต่อเศรษฐศาสตร์อย่างไร

บทความจะไม่ลงลึกสเปคเฉพาะรุ่นหรือคำอ้างรายรุ่น แต่จะอธิบายตรรกะเชิงปฏิบัติของการเลือกการตรวจสอบและเมโทรโลยี และวิธีที่ตัวเลือกเหล่านั้นส่งผลต่อความสามารถในการแข่งขัน

บทบาทของการวัดในไหล่การผลิต

เวเฟอร์ไม่ได้ "ถูกวัดครั้งเดียว" มันถูกตรวจสอบซ้ำ ๆ ขณะเคลื่อนผ่านรอบของการพิมพ์แพทเทิร์นและการเปลี่ยนวัสดุ เส้นทางที่ง่ายอาจเป็น: ลิท (พิมพ์แพทเทิร์น) → กัด (ถ่ายแพทเทิร์น) → ชุบ/ฝากฟิล์ม → CMP (ทำให้เรียบ) → ทำซ้ำเป็นหลาย ๆ ชั้น → การทดสอบทางไฟฟ้าและคัดแยกสุดท้าย

จุดแทรกการวัด (และเหตุผล)

การวัดถูกแทรกตรงที่การเบี่ยงเบนจะมีค่าใช้จ่ายสูงหากแก้ไขช้า:

• หลังลิท: ตรวจ CD และ overlay เพื่อยืนยันว่าแพทเทิร์นมีขนาดและตำแหน่งถูกต้องก่อนกัด การจับปัญหาตรงนี้ป้องกันการ "อบ" ข้อผิดพลาดลงไป
• หลังการกัด: ตรวจสอบและตรวจการถ่ายแพทเทิร์น การเบี่ยงของการกัดอาจเปลี่ยนฟีเจอร์ได้แม้ลิทจะดูดี
• หลังการฝากฟิล์ม: ตรวจความหนาและความสม่ำเสมอของชั้นที่เติมเข้าไป ความผิดพลาดเล็ก ๆ น้อย ๆ ในความหนาสามารถสะสมได้ในสแต็ก
• หลัง CMP: เมโทรโลยียืนยันความเรียบและความหนาที่เหลือ การขัดเกินไปอาจเอาวัสดุที่ทำงานได้ออก; ขัดไม่พออาจทำให้หน้าต่างโฟกัสของลิทพัง

แผนการสุ่ม: ไม่ใช่ทุกเลเยอร์เท่ากัน

โรงงานไม่ได้วัดทุกอย่างด้วยอัตราเดียวกัน เลเยอร์สำคัญ (กฎการออกแบบเข้มงวด งบ overlay ตึง ขั้นตอนกระบวนการใหม่) มักจะได้รับ การสุ่มที่สูงกว่า—เวเฟอร์ต่อล็อตมากกว่า จุดต่อเวเฟอร์มากกว่า และการตรวจสอบบ่อยขึ้น เลเยอร์ที่ไม่สำคัญหรือมีความมั่นคงมักใช้การสุ่มเบา ๆ เพื่อปกป้องอัตราการผ่าน

แผนการสุ่มเป็นการตัดสินใจเชิงธุรกิจเท่ากับเชิงเทคนิค: วัดน้อยเกินไปการหลุดรอดเพิ่ม; วัดมากเกินไปเวลาวิ่งจะเสียหาย

Inline vs offline: ความเร็วเทียบกับความลึก

• Inline metrology/inspection อยู่ในสายการผลิต ใกล้เครื่องมือที่สร้างผลลัพธ์ เร็วกว่าเพื่อวงปิดควบคุมและจำกัดเวลาคิว
• Offline measurements ทำในพื้นที่หรือห้องแลปเฉพาะ (มักวิเคราะห์ลึกกว่า บางครั้งช้ากว่า) เหมาะกับการแก้ปัญหา การสร้างโมเดล และยืนยันสาเหตุหลัก—แต่สามารถล่าช้าในการดำเนินการ

เป้าหมายเชิงปฏิบัติคือสมดุล: coverage แบบ inline เพียงพอที่จะชี้นำกระบวนการทันเวลา พร้อมงาน offline แบบมุ่งเป้าที่ทำเมื่อตัวเลขชี้ว่ามีการเปลี่ยนแปลง

ข้อบกพร่อง: สิ่งที่พบ สิ่งที่พลาด และทำไมมันสำคัญ

การตรวจสอบมักถูกอธิบายว่าเป็นการ "ค้นหาข้อบกพร่อง" แต่หน้าที่เชิงปฏิบัติคือการตัดสินใจว่าสัญญาณใดควรตอบสนอง โรงงานสมัยใหม่สามารถสร้างล้านๆ เหตุการณ์ข้อบกพร่องต่อวัน; มีเพียงสัดส่วนน้อยที่มีผลต่อประสิทธิภาพทางไฟฟ้า แพลตฟอร์มและเครื่องมือ (รวมถึงระบบระดับ KLA) ช่วยเปลี่ยนภาพดิบเป็นการตัดสินใจ—แต่การแลกเปลี่ยนยังคงมีอยู่เสมอ

ประเภทข้อบกพร่องทั่วไป (และทำไมซับซ้อน)

ข้อบกพร่องแตกต่างตามเลเยอร์ แพทเทิร์น และขั้นตอนกระบวนการ:

• อนุภาค: ฝุ่น คราบ หรือตะกอนที่ตกบนเวเฟอร์แล้วพิมพ์ลงในฟิล์มหรือเรซิสต์
• ข้อบกพร่องแพทเทิร์น: ฟีเจอร์หาย ฟีเจอร์เพิ่ม รอยขาดของเส้น หรือการบิดตัวท้องถิ่นที่เปลี่ยนเลย์เอาต์ที่ตั้งใจไว้
• รอยขีดและรอยจากการจัดการ: ความเสียหายเชิงกลจากหุ่นยนต์ ตัวพา หรือการปฏิสัมพันธ์ระหว่าง CMP
• สะพาน/ช็อต: การเชื่อมต่อโดยไม่ได้ตั้งใจระหว่างเส้น มักเกิดจากการ scumming ของเรซิสต์ ปัญหาการกัด หรือการล้มของแพทเทิร์น

หลายอย่างเหล่านี้ดูคล้ายกันในตอนแรก จุดสว่างหนึ่งจุดอาจเป็นเศษเรซิสต์ที่ไม่เป็นอันตรายในเลเยอร์หนึ่ง แต่เป็นตัวทำลายผลผลิตในอีกเลเยอร์หนึ่ง

ข้อบกพร่อง nuisance vs killer

Killer defect คือข้อบกพร่องที่มีแนวโน้มทำให้เกิดความล้มเหลวทางฟังก์ชัน (open, short, leakage, การเปลี่ยนแปลงพารามิเตอร์)

Nuisance defect คือจริงหรือที่เห็นแต่ไม่มีผลต่อผลผลิต—คิดถึงผิวแพทเทิร์นที่ไม่สวยงามแต่ยังอยู่ในพิกัด

การจำแนกสำคัญเพราะโรงงานไม่ได้จ่ายเพียงการตรวจจับ แต่จ่ายสำหรับสิ่งที่การตรวจจับกระตุ้น: เวลาการรีวิว การกักล็อต การรีเวิร์ก การวิเคราะห์วิศวกรรม และการหยุดเครื่อง การจำแนกที่ดีย่อมหมายถึงการตอบสนองที่มีค่าใช้จ่ายน้อยลง

ความหนาแน่นของข้อบกพร่องและผลผลิต (ในระดับสูง)

โดยสรุป ความหนาแน่นของข้อบกพร่อง คือ “จำนวนข้อบกพร่องต่อตารางหน่วย” เมื่อชิปใหญ่ขึ้นหรือกฎการออกแบบเข้มขึ้น ความน่าจะเป็นที่อย่างน้อยหนึ่ง killer จะตกในพื้นที่สำคัญเพิ่มขึ้น นั่นคือเหตุผลที่การลดความหนาแน่นของ killer แม้เพียงเล็กน้อยก็สามารถยกผลผลิตได้อย่างมีนัยสำคัญ

สิ่งที่พลาด: false negatives และ false positives

ไม่มีระบบตรวจสอบใดสมบูรณ์แบบ:

• False negatives (พลาด killer) เป็นอันตรายที่สุด: การสูญเสียผลผลิตจะปรากฏทีหลัง หลังจากเพิ่มมูลค่าแล้ว
• False positives (nuisance ถูกแท็กเป็นข้อบกพร่อง) เพิ่มค่าใช้จ่ายเงียบ ๆ: รีวิวเพิ่ม การออกนอกแผนที่ไม่จำเป็น และเวลาในวงจรที่ช้าลง

เป้าหมายไม่ใช่ "หาให้หมด" แต่คือหาสิ่งที่ถูกต้องพอและถูกพอที่จะเปลี่ยนผลลัพธ์

พื้นฐานเมโทรโลยี: CD, overlay และการไหลของกระบวนการ

เมโทรโลยีคือวิธีที่โรงงานเปลี่ยน "เครื่องมือรัน" เป็น "แพทเทิร์นจริงๆ ตามที่ตั้งใจหรือไม่" การวัดสามอย่างปรากฏอยู่ทั่วไปเพราะเชื่อมต่อโดยตรงกับว่าสวิตชิ่งและสายนำจะทำงานหรือไม่: critical dimension (CD), overlay, และการไหล/drift ของกระบวนการ

Critical dimension (CD): ความกว้างที่กำหนดพฤติกรรมอุปกรณ์

CD คือความกว้างของฟีเจอร์ที่พิมพ์—คิดถึงความยาวเกตของทรานซิสเตอร์หรือความกว้างของเส้นโลหะเล็ก ๆ เมื่อ CD เบี่ยงเบน แม้เล็กน้อย พฤติกรรมทางไฟฟ้าจะแปรเปลี่ยนอย่างรวดเร็ว: แคบเกินไปทำให้ความต้านทานสูงขึ้นหรือทำให้ขาด; กว้างเกินไปอาจทำให้ชอร์ตกับเพื่อนบ้านหรือเปลี่ยนกระแสขับของทรานซิสเตอร์ การออกแบบสมัยใหม่มีมาร์จิ้นเล็กมาก ดังนั้นการบาเยิสของไม่กี่นาโนเมตรสามารถทำให้จาก "ปลอดภัย" กลายเป็น "ล้มเหลวเป็นระบบ" ข้ามหลายดาย

ปัญหา CD มักมี ลายเซ็น focus/exposure ที่จำแนกได้ ถ้า focus ผิด เส้นอาจดูมน หด หรือ "บีบ" ถ้า exposure ผิด ฟีเจอร์อาจพิมพ์ใหญ่หรือเล็กเกินไป นี่คือปัญหาความเที่ยงของแพทเทิร์น: รูปร่างอาจถูกบิดแม้ค่าเฉลี่ยความกว้างดูรับได้

Overlay: เมื่อชั้นไม่ลงตำแหน่งกัน

Overlay วัดว่าชั้นหนึ่งจัดตำแหน่งต่อชั้นก่อนหน้าได้ดีแค่ไหน ถ้าการจัดแนวสะสม ความต่างของชั้นจะทำให้ vias พลาดเป้าหมาย คอนแทคลงไม่เต็ม หรือขอบซ้อนทับผิดที่ ชิปอาจมี CD "สมบูรณ์" ในแต่ละชั้นแต่ยังล้มเหลวเพราะชั้นไม่ลงตัว

วิธีที่โรงงานวัด (ในเชิงแนวคิด)

โดยรวม โรงงานใช้ เมโทรโลยีเชิงแสง สำหรับการวัดที่รวดเร็วและผ่านสูง และ เมโทรโลยีแบบ SEM เมื่อจำเป็นต้องดูรายละเอียดที่คมชัดขึ้นของฟีเจอร์ขนาดจิ๋ว ผู้ขายถูกเลือกจากความสามารถที่การวัดจะจับการเบี่ยงเบนจริงได้ตั้งแต่ต้น—ก่อนที่จะกลายเป็นการสูญเสียทั้งล็อต

การไหลของกระบวนการคือศัตรูเงียบ: อุณหภูมิ เคมี การสึกหรอของเครื่อง หรือการเปลี่ยนแปลงแผ่นแม่แบบ (reticle) สามารถผลักดัน CD และ overlay อย่างช้า ๆ จนกระทั่งโรงงานอยู่นอกสเปคโดยไม่รู้ตัว

จากการวัดสู่การกระทำ: SPC, feedback และ feedforward

การวัดลดต้นทุนได้เมื่อมันกระตุ้นการตัดสินใจที่สม่ำเสมอได้ ส่วนสุดท้ายนี้คือ Statistical Process Control (SPC): รูทีนที่เปลี่ยนสัญญาณการตรวจสอบและเมโทรโลยีให้เป็นการกระทำที่ผู้ปฏิบัติงานเชื่อถือได้

Feedback vs feedforward (ตัวอย่างง่ายๆ)

ลองนึกภาพการวัด CD หลังการกัดเริ่มเบี่ยงกว้างขึ้น

Feedback control คือวงจรแบบคลาสสิก: คุณวัดผล แล้วปรับสูตรของเครื่องกัดเพื่อให้ ล็อตถัดไป กลับไปยังเป้าหมาย มันทรงพลังแต่ตามหลังเสมอ

Feedforward control ใช้ข้อมูลจากขั้นตอนขึ้นต้นเพื่อป้องกันความผิดพลาดไม่ให้เกิดขึ้นต่อมา ตัวอย่างเช่น ถ้าการวัด overlay หรือตัวชี้วัด focus จากการลิทบ่งชี้ bias ที่รู้จักในสแกนเนอร์บางตัว คุณสามารถปรับการตั้งค่าเครื่องกัดหรือการฝากฟิล์มในขั้นตอนถัดไป ก่อน ประมวลผลล็อตนั้น

ขีดจำกัดการควบคุม การออกนอกค่า และทำไมสัญญาณเตือนต้องเชื่อถือได้

ชาร์ต SPC วาด ขีดจำกัดการควบคุม (มักอิงกับความแปรปรวนของกระบวนการ) รอบเป้าหมาย เมื่อข้อมูลข้ามขีดจำกัดเหล่านั้น นั่นคือ excursion—สัญญาณว่ากระบวนการเปลี่ยน ไม่ใช่แค่เสียงรบกวนปกติ

ถ้าทีมมักยกเลิกการเตือนเพราะ "น่าจะไม่มีอะไร" จะเกิดสองสิ่ง:

• Excursion จริง ๆ จะกลมกลืนกับเสียงพื้นหลัง
• โรงงานจะเปลี่ยนจากการป้องกันเป็นการดับเพลิง (hold, meeting, rework)

สัญญาณเตือนที่เชื่อถือได้ช่วยให้การกั้นเหตุการณ์รวดเร็วและทำซ้ำได้: หยุดสายการผลิตด้วยเหตุผลที่ถูกต้อง ไม่ใช่บ่อยเกินไป

ทำไมความล่าช้าของการวัดจึงเปลี่ยนคุณภาพการแก้ไข

Latency คือเวลาระหว่างการประมวลผลกับการได้ผลการวัดที่ใช้ได้ หากผล CD มาถึงหลังจากหลายล็อตถูกทำไปแล้ว การแก้ไขแบบ feedback จะแก้อนาคต ในขณะที่ข้อบกพร่องสะสมในปัจจุบัน หาก latency ต่ำลง (หรือการสุ่มชาญฉลาดขึ้น) วัสดุที่เสี่ยงจะลดลงและทั้ง feedback และ feedforward ดีขึ้น

วินัย SPC ลดการกักและการรีเวิร์ก

เมื่อขีดจำกัด แผนตอบสนอง และความรับผิดชอบชัดเจน หลายล็อตจะไม่ถูกกัก "กันไว้เผื่อ" และเวเฟอร์ต้องรีเวิร์กน้อยลง ผลตอบแทนคือการดำเนินงานที่เงียบขึ้น: ความแปรปรวนน้อยลง ความประหลาดใจน้อยลง และการเรียนรู้ผลผลิตที่เร็วขึ้น

เศรษฐศาสตร์: การเลือกการวัดเปลี่ยนต้นทุนต่อเวเฟอร์อย่างไร

การวัดไม่ใช่แค่อินพุต "โอเวอร์เฮด" ในโรงงาน—มันเป็นชุดการตัดสินใจที่หรือป้องกันความผิดพลาดที่มีค่าใช้จ่ายสูงหรือสร้างงานยุ่งที่มีค่าใช้จ่าย การกระทบทางเศรษฐศาสตร์จะแสดงในบักเก็ตที่คาดได้:

• ของเสีย (scrap): เวเฟอร์หรือไดที่ต้องทิ้ง
• รีเวิร์ก: ทำลิท/กัด/ล้างซ้ำ ขั้นตอนเมโทรโลยีเพิ่ม การจับ-ย้ายเพิ่มความเสี่ยง
• เวลาเครื่อง: ความจุที่หายไปเพราะการกัก คิว และการประมวลผลซ้ำ
• WIP และความล่าช้า: สินค้าคงคลังที่รอการแก้ปัญหาและโทษเวลาในวงจร
• การเร่งและแยกล็อต: งานปั่นป่วนที่เพิ่มความแปรปรวนและข้อผิดพลาด

ความไวมากขึ้นอาจเพิ่มต้นทุนถ้าไม่จับคู่กับการจัดลำดับความสำคัญ

ความไวในการตรวจสอบที่สูงขึ้น (เช่น มองไปยังขนาดข้อบกพร่องที่เล็กลง) อาจลดการหลุดรอด—แต่ก็อาจท่วมทีมวิศวกรรมด้วยสัญญาณ nuisance ถ้าทุก "ข้อบกพร่องที่เป็นไปได้" กลายเป็นการกัก โรงงานจ่ายด้วยเวลาเครื่องที่หยุด คิวที่ยาว และแรงงานวิเคราะห์เพิ่ม

คำถามเชิงเศรษฐศาสตร์คือไม่ใช่ "เครื่องมือเห็นได้ไหม?" แต่คือ "การตอบสนองต่อมันป้องกันการสูญเสียได้มากกว่าที่มันสร้างหรือไม่?"

กลยุทธ์การสุ่มเป็นคันโยกต้นทุนโดยตรง

ที่วัดมากหรือน้อยมีความสำคัญเท่ากับเครื่องมือที่ซื้อ เลเยอร์ความเสี่ยงสูงมักสมควรได้รับการสุ่มหนาแน่นกว่า เลเยอร์ที่นิ่งและสุกแล้วอาจให้บริการด้วยการสุ่มที่เบากว่าและกรง SPC ที่แข็งแรง

โรงงานหลายแห่งใช้ผลจากการตรวจสอบ/เมโทรโลยีเพื่อปรับแต่งนี้แบบรายเลเยอร์: เพิ่ม coverage เมื่อเกิด excursion บ่อย และลดเมื่อสัญญาณไม่ค่อยขับการกระทำ

“การจับที่ดี” vs เสียงรบกวนแพง ๆ

การจับที่ดี: การตรวจพบ early ของการ drift ของ focus ที่จะทำให้ทั้งล็อตเสื่อมค่า ช่วยให้แก้ไขเร็วและประหยัดขั้นตอน downstream

เสียงรบกวนที่แพง: การแท็กซ้ำ ๆ ของลักษณะแพทเทิร์นที่เป็นมิตรซึ่งกระตุ้นการกักและรีวิว ขณะที่ผลผลิตและผลทางไฟฟ้าคงที่—เผาผลาญเวลาในวงจรโดยไม่ลดของเสีย

Throughput และเวลาในวงจร: การวัดคือข้อจำกัดของโรงงาน

การเรียนรู้ผลผลิตไม่ได้เกิดขึ้น "ฟรี" ทุกการสแกน การสุ่มตัวอย่างเมโทรโลยี และการรีวิวข้อบกพร่องใช้เวลาเครื่องมือ เมื่อความสามารถนั้นตึง การวัดกลายเป็นข้อจำกัดของโรงงานที่ยืดเวลาในวงจร

จุดที่เวลาในวงจรเติบโตจริง ๆ

ผลกระทบเวลาส่วนใหญ่ไม่ใช่การสแกนเอง แต่เป็นการรอ โรงงานมักเห็นคิวสะสมที่:

• เครื่องมือเมโทรโลยี (CD, overlay, ความหนา) เมื่อการสุ่มพุ่งหลังการเปลี่ยนกระบวนการ
• สถานีรีวิวการตรวจสอบ เมื่อล็อตที่มีข้อบกพร่องสูงกระตุ้นการจำแนกและการตรวจด้วยมือ
• การกักทางวิศวกรรม ขณะทีมคลี่คลายสัญญาณขัดแย้ง (เครื่อง A บอก "excursion" เครื่อง B บอก "ในสเปค")

คิวเหล่านี้ชะลอล็อตข้ามสาย เพิ่ม WIP และอาจบังคับให้ตัดสินใจย่ำแย่—เช่น ข้ามการวัดยืนยันเพื่อให้วัสดุเดินต่อ

การวางแผนความจุ: throughput, recipe mix, utilization

การวางแผนความจุการวัดไม่ใช่แค่ "ซื้อเครื่องให้พอ" แต่มันคือการจับคู่ความจุกับ recipe mix สูตรตรวจสอบที่ยาวและละเอียดอาจกินเวลาเครื่องมือหลายเท่าของเมนูน้ำหนักเบา

คันโยกสำคัญที่โรงงานใช้:

• กำหนดแผนการสุ่มตามความเสี่ยง ไม่ใช่นิสัย (เพิ่มการสุ่มสำหรับเครื่องมือ/วัสดุใหม่และขั้นตอนที่อ่อนแอ)
• กันความจุสำรองสำหรับ surges เมื่อเกิด excursion หรือปรับขยายกระบวนการ
• รักษาช่องว่างการใช้งาน; การรันเมโทรโลยีเกือบ 100% มักสร้างคิวที่ไม่เสถียร

อัตโนมัติช่วยลดการรอที่ซ่อนอยู่

อัตโนมัติปรับปรุงเวลาในวงจรเมื่อลดงาน "กลาง ๆ" ระหว่างขั้นตอน:

• การจัดการเวเฟอร์อัตโนมัติ และการเชื่อมต่อแน่นกับตัวจัดกำหนดการของโรงงานลดช่องว่างว่างงาน
• การเลือกสูตรอัตโนมัติ โดยผลิตภัณฑ์ เลเยอร์ และบริบท ป้องกันการรันสูตรผิดและรีเวิร์ก
• การกำหนดเส้นทางอัจฉริยะ ไปยังเครื่องมือที่ว่างสมดุลโหลดและหลีกเลี่ยงคอขวดเดี่ยว

การหาสาเหตุเร็วป้องกันการเกิดซ้ำของ excursion

ผลตอบแทนที่ใหญ่ที่สุดของความเร็วคือการเรียนรู้ เมื่อผลการตรวจสอบและเมโทรโลยีไหลเข้าสู่การวินิจฉัยที่ชัดเจนและนำไปสู่การปฏิบัติได้เร็ว โรงงานจะหลีกเลี่ยงการทำซ้ำ excursion เดิมข้ามหลายล็อต ลดรีเวิร์ก ของเสีย และผลกระทบเวลาที่สะสมจาก "การเพิ่มการสุ่มเพราะเรากังวล"

ความท้าทายกระบวนการขั้นสูง: EUV, ความซับซ้อน และมาร์จิ้นที่แคบขึ้น

การหดขนาดฟีเจอร์ไม่ได้ทำให้ชิปเร็วขึ้นเท่านั้น—แต่มันทำให้การวัดยากขึ้น ที่โหนดขั้นสูง ช่องว่างของความผิดพลาดที่ยอมรับได้นั้นแคบลงมาก จนการเพิ่มความไวของการตรวจสอบและความแม่นยำเมโทรโลยีต้องดีขึ้นพร้อมกัน ผลคือ: ข้อบกพร่องหรือการ drift เพียงไม่กี่นาโนเมตรที่ก่อนหน้านี้ไม่เป็นไร สามารถพลิกเวเฟอร์จาก "ดี" เป็น "เสี่ยง" ได้ทันที

EUV: โหมดการล้มเหลวใหม่ พื้นที่เฉลี่ยน้อยลง

EUV เปลี่ยนปัญหาข้อบกพร่องและเมโทรโลยีในหลายด้านสำคัญ:

• ข้อบกพร่องเชิงสโตแคสติก: เหตุการณ์สุ่มคล้ายเสียงช็อต (วัสดุหาย/เกิน, micro-bridges, micro-breaks) ปรากฏแม้กระบวนการ nominal ทำงานดี พวกมันเป็นช่วง ๆ ทำให้จับด้วยการตรวจจุดยาก
• ความเสี่ยงที่เกี่ยวกับมาสก์: มาสก์ EUV เป็นแบบสะท้อนและซับซ้อน ข้อบกพร่องบนหรือใต้สแตกของมาสก์อาจพิมพ์ในรูปแบบที่ไม่ชัดเจน และบางปัญหามาสก์ทำงานต่างกันข้ามฟิลด์

สิ่งนี้ผลักดันโรงงานไปสู่การตรวจสอบที่ไวขึ้น การสุ่มที่ชาญฉลาดขึ้น และการเชื่อมโยงที่แน่นขึ้นระหว่างสิ่งที่วัดกับสิ่งที่ปรับ

ความซับซ้อน: multi-patterning และสแต็กสูงทำให้เป้าหมายตึง

แม้มี EUV หลายเลเยอร์ยังต้องผ่าน multi-patterning และ สแต็ก 3 มิติซับซ้อน (ฟิล์มมากขึ้น พื้นผิวมากขึ้น) ซึ่งเพิ่มโอกาสของ:

• การสะสมของ overlay ข้ามขั้นตอน
• CD targets เคลื่อนเพราะ "ขอบที่วัด" อาจไม่ใช่ "ขอบเชิงไฟฟ้า"
• สัญญาณที่ยากต่อการจำลองเมื่อวัสดุและโปรไฟล์เปลี่ยน

เป้าหมายเมโทรโลยีอาจไม่เป็นตัวแทนที่ดีพอ และสูตรมักต้องจูนบ่อยเพื่อคงการสอดคล้องกับผลผลิต

ความต้องการต่างกันตามเลเยอร์และอุปกรณ์

ไม่ใช่ทุกเลเยอร์ต้องการความไวหรือความแม่นยำเท่ากัน Logic, memory, และอุปกรณ์พลังงานเน้นกลไกความล้มเหลวต่างกัน และในชิปเดียวกัน gate, contact, via, และชั้นโลหะ อาจต้องการเกณฑ์การตรวจสอบและความไม่แน่นอนของเมโทรโลยีที่ต่างกัน โรงงานที่ชนะจะปฏิบัติกลยุทธ์การวัดเป็นงานวิศวกรรมรายเลเยอร์ ไม่ใช่การตั้งค่าแบบเดียวสำหรับทุกอย่าง

ความจริงเชิงปฏิบัติ: สูตร การแมตช์ และความเสถียรประจำวัน

การตรวจสอบและเมโทรโลยีช่วยผลผลิตได้เมื่อผลลัพธ์ทำซ้ำได้ระหว่างกะและระหว่างเครื่อง ในทางปฏิบัติ เรื่องนี้ขึ้นอยู่กับวินัยในการปฏิบัติการมากกว่าฟิสิกส์การวัด: สูตร การจับคู่เครื่องมือ การสอบเทียบ และการควบคุมการเปลี่ยนแปลง

การจัดการสูตร = ความสามารถทำซ้ำ

"สูตร" คือชุดการตั้งค่าที่บันทึกไว้ เช่น ตำแหน่งการวัด การตั้งค่าออพติก/บีม ยุทธศาสตร์โฟกัส เกณฑ์ การสุ่ม และกฎการจัดจำแนกที่ใช้กับเลเยอร์/ผลิตภัณฑ์หนึ่ง ๆ การจัดการสูตรที่ดีเปลี่ยนเครื่องมือที่ซับซ้อนให้เป็นเครื่องมือในโรงงานที่สม่ำเสมอ

ความแตกต่างเล็กน้อยของสูตรสามารถสร้าง "excursion เทียม"—กะหนึ่งเห็นข้อบกพร่องมากขึ้นเพียงเพราะความไวเปลี่ยน หลายโรงงานปฏิบัติสูตรเป็นทรัพย์สินการผลิต: เวอร์ชัน ควบคุมการเข้าถึง และผูกกับ product/layer ID เพื่อให้เวเฟอร์เดียวกันถูกวัดแบบเดียวกันทุกครั้ง

การสอบเทียบและการจับคู่ระหว่างเครื่อง

โรงงานที่มีปริมาณสูงมักรันหลายเครื่อง (มักหลายเจเนอเรชัน) เพื่อความจุและสำรอง หากเครื่อง A อ่าน CD สูงกว่าเครื่อง B 3 นาโนเมตร คุณจะไม่ใช่สองกระบวนการ—แต่เป็นสองไม้บรรทัด

การสอบเทียบยึดไม้บรรทัดให้ติดกับอ้างอิง การจับคูทำให้ไม้บรรทัดต่าง ๆ สอดคล้องกัน ซึ่งรวมถึงการตรวจเช็กเกจเป็นช่วง วาเฟอร์อ้างอิง และการติดตามสถิติเกี่ยวกับ offset และการไหล ผู้ขายให้ workflow การจับคู่ แต่โรงงานยังต้องมีการกำกับชัดเจน: ใครอนุมัติ offset, ควรจับคู่บ่อยแค่ไหน, และขีดจำกัดใดเรียกการหยุด

การควบคุมการเปลี่ยนแปลงและการยืนยัน

สูตรต้องเปลี่ยนเมื่อวัสดุ แพทเทิร์น หรือเป้าหมายเปลี่ยน—แต่ทุกการเปลี่ยนต้องได้รับการยืนยัน การปฏิบัติทั่วไปคือ "โหมดเงา": รันสูตรที่อัปเดตคู่ขนาน เปรียบเทียบความแตกต่าง แล้วโปรโมตเมื่อมันรักษาการสอดคล้องและไม่ทำให้ขีด SPC แตก

เวิร์กโฟลว์ของผู้ปฏิบัติงาน: รีวิว → จัดประเภท → กำหนดชะตากรรม

ความเสถียรประจำวันขึ้นกับการตัดสินใจที่เร็วและสอดคล้อง:

• รีวิว: ยืนยันคุณภาพสัญญาณและตัดปัญหาเครื่องมือ/การจัดการ
• การจัดประเภท: แยกเสียงรบกวนออกจากข้อบกพร่องเป็นระบบจริง
• การกำหนดชะตากรรม: ตัดสินใจว่าจะรีเวิร์ก กัก ส่งให้วิศวกรรม หรือดำเนินการต่อ

เมื่อเวิร์กโฟลว์นี้เป็นมาตรฐาน การวัดจะกลายเป็นวงควบคุมที่เชื่อถือได้ มากกว่าจะเป็นแหล่งความแปรปรวนอีกแหล่งหนึ่ง

สิ่งที่ต้องติดตาม: KPI ที่เชื่อมการวัดกับการแข่งขัน

การวัดช่วยการแข่งขันได้เมื่อมันเปลี่ยนการตัดสินใจก่อนที่กระบวนการจะเบี่ยง ค่า KPI ด้านล่างเชื่อมการแสดงผลของการตรวจสอบ/เมโทรโลยีกับผลผลิต เวลาในวงจร และต้นทุน—โดยไม่ทำให้การรีวิวรายสัปดาห์เป็น dump ข้อมูล

KPI การตรวจสอบ (เรากำลังเห็นข้อบกพร่องที่ถูกต้องไหม?)

Capture rate: สัดส่วนของข้อบกพร่องจำกัดผลผลิตที่การตรวจสอบของคุณจับได้ ติดตามตามประเภทข้อบกพร่องและเลเยอร์ อย่าใช้ตัวเลขรวมเดียว

Defect adder: ข้อบกพร่องที่เกิดจากขั้นตอนการวัดเอง (การจัดการ, เวลาในคิวที่เพิ่มความเสี่ยง WIP, รีเวิร์ก เพิ่มขึ้น) ถ้า adder เพิ่ม การสุ่มมากขึ้นอาจสวนทาง

Nuisance rate: สัดส่วนของเหตุการณ์ที่ตรวจพบที่ไม่สามารถนำไปใช้ได้จริง (เสียงรบกวน, ลักษณะแพทเทิร์นที่ไม่เป็นอันตราย) อัตรา nuisance สูงจะกินกำลังการรีวิวและชะลอการหาสาเหตุ

KPI เมโทรโลยี (เราวางใจตัวเลขข้ามเครื่องและเวลาได้ไหม?)

Precision: ความสามารถทำซ้ำของเครื่องมือบนฟีเจอร์เดียวกัน; ผูกกับความเข้มงวดของขีด SPC ที่คุณตั้งได้

Accuracy: ความใกล้เคียงกับค่าจริง (หรืออ้างอิงที่ตกลงกัน) Precision โดยไม่มี accuracy สามารถขับการควบคุมผิดระบบได้

TMU (total measurement uncertainty): มุมมองรวมหรือประยุกต์ที่รวม repeatability, matching, ผล sampling และความไวสูตร

Tool matching: ความเห็นพ้องระหว่างเครื่องที่รันสูตรเดียวกัน การจับคู่ไม่ดีเพิ่มความแปรปรวนที่เห็นและทำให้การส่งงานซับซ้อน

KPI การตอบสนองของโรงงาน (เราทำก่อนที่ผลผลิตจะเสียหายไหม?)

Excursion rate: ความถี่ที่กระบวนการออกจากหน้าต่างปกติ (โดยโมดูล เลเยอร์ และกะงาน) จับคู่กับ escape rate (excursion ที่หลุดไม่ถูกจับก่อนผลกระทบ downstream)

Mean time to detect (MTTD): เวลาจากจุดเริ่มต้น excursion ถึงการตรวจพบ การลด MTTD มักให้ผลดีมากกว่าการปรับสเปคเครื่องมือเพียงเล็กน้อย

Lots on hold: ปริมาณและอายุของล็อตที่ถูกกักเพราะสัญญาณเมโทรโลยี/การตรวจสอบ ต่ำเกินไปอาจหมายถึงพลาดปัญหา สูงเกินไปทำร้ายเวลาในวงจร

KPI ทางธุรกิจ (การวัดคืนทุนไหม?)

Yield learning rate: การปรับปรุงผลผลิตต่อสัปดาห์/เดือนหลังการเปลี่ยนใหญ่ (โหนดใหม่ ชุดเครื่องมือใหม่ หรือ revision สูตรใหญ่)

Cost of poor quality (COPQ): ของเสีย + รีเวิร์ก + เร่งด่วน + ค่าใช้จ่ายการค้นพบล่าช้าที่มาจากการหลุดรอด

Cycle time impact: เวลาคิวและวงจรที่เกิดจากการวัดและรีเวิร์ก มุมมองที่มีประโยชน์คือ “นาทีที่เพิ่มต่อล็อต” โดยขั้นตอนควบคุม

ถ้าต้องการชุดเริ่มง่าย เลือก KPI อย่างละหนึ่งจากแต่ละกลุ่มแล้วรีวิวควบคู่กับสัญญาณ SPC ในการประชุมเดียวกัน สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการเปลี่ยนเมตริกให้เป็นวงจรปฏิบัติ ดูข้อความ "/blog/from-measurements-to-action-spc-feedback-feedforward"

วิธีโรงงานประเมินเครื่องมือและผู้ขาย (รวมถึง KLA)

การเลือกเครื่องมือไม่เหมือนการซื้อเครื่องเดี่ยว แต่มันเหมือนการเลือกส่วนหนึ่งของระบบประสาทโรงงาน ทีมมักประเมินทั้งฮาร์ดแวร์และโปรแกรมการวัดรอบข้าง: มันจับอะไรได้เร็วแค่ไหน วิธีการรัน และข้อมูลเชื่อถือได้เพียงใดเพื่อนำไปสู่การตัดสินใจ

เกณฑ์ประเมินหลัก

อันดับแรก โรงงานดูที่ ความไว (ขนาดเล็กสุดของข้อบกพร่องหรือการเปลี่ยนแปลงกระบวนการที่เครื่องจับได้อย่างน่าเชื่อถือ) และ อัตรา nuisance (บ่อยแค่ไหนที่มันแท็กสัญญาณไร้ผล) เครื่องมือที่จับปัญหาได้มากกว่าไม่จำเป็นดีกว่าเสมอถ้ามันท่วมวิศวกรด้วยเตือนเท็จ

ข้อที่สองคือ throughput: เวเฟอร์ต่อชั่วโมงที่การตั้งค่า recipe ที่ต้องการ เครื่องมือที่ทำได้ตามสเปคแค่ในโหมดช้าอาจสร้างคอขวด

ข้อที่สามคือ ต้นทุนการเป็นเจ้าของ, ซึ่งรวมมากกว่าราคาซื้อ:

• Uptime และความมั่นคง (ต้องการการแทรกแซงบ่อยแค่ไหน)
• ค่าบริโภคและสัญญาบริการ
• เวลาเชิงวิศวกรรมในการดูแลสูตร การจับคู่ และการตั้งเตือน
• พื้นที่พื้นและสาธารณูปโภค

การบูรณาการและความเหมาะสมของเวิร์กโฟลว์

โรงงานยังประเมินว่าเครื่องต่อระบบเดิมได้เรียบร้อยแค่ไหน: MES/SPC, อินเทอร์เฟซการสื่อสารมาตรฐานของโรงงาน, และรูปแบบข้อมูลที่เอื้อต่อการแผนภูมิอัตโนมัติ การตรวจสอบเวิร์กโฟลว์รีวิว—วิธีที่ข้อบกพร่องถูกจัดจำแนก การจัดการการสุ่ม และความเร็วของผลลัพธ์ที่กลับไปยังโมดูลกระบวนการ—ก็สำคัญไม่น้อย

วิธีการรันพายโลต

กลยุทธ์พายโลตทั่วไปใช้ split lots (ส่งเวเฟอร์ที่จับคู่ผ่านวิธีการวัดต่างกัน) พร้อม golden wafers เพื่อตรวจความสอดคล้องเครื่องมือเมื่อเวลาผ่าน ผลลัพธ์ถูกเปรียบเทียบกับ baseline: ผลผลิตปัจจุบัน ขอบเขตการตรวจพบปัจจุบัน และความเร็วในการแก้ไข

KLA อยู่ตรงไหน

ในหลายโรงงาน ผู้ขายอย่าง KLA ถูกประเมินร่วมกับซัพพลายเออร์การตรวจสอบและเมโทรโลยีอื่น ๆ ในหมวดเดียวกัน—ความสามารถ ความเหมาะสมต่อโรงงาน และเศรษฐศาสตร์—เพราะการเลือกที่ชนะคือสิ่งที่ปรับปรุงการตัดสินใจต่อเวเฟอร์ ไม่ใช่แค่จำนวนการวัดต่อเวเฟอร์

ข้อสรุปเชิงปฏิบัติและเช็คลิสต์สำหรับการเรียนรู้ผลผลิตที่ดีขึ้น

การเรียนรู้ผลผลิตเป็นโซ่เหตุและผลที่เรียบง่าย แม้เครื่องมือจะซับซ้อน: ตรวจพบ → วินิจฉัย → แก้ไข

การตรวจสอบหาว่า ที่ไหน และ เมื่อใด ข้อบกพร่องเกิดขึ้น เมโทรโลยีอธิบาย ว่ากระบวนการเบี่ยงแค่ไหน (CD, overlay, ความหนาฟิล์ม ฯลฯ) การควบคุมกระบวนการเปลี่ยนหลักฐานนั้นเป็นการกระทำ—ปรับสูตร จูนสแกนเนอร์/เครื่องกัด ปรับการบำรุงรักษา หรือเปลี่ยนแผนการสุ่ม

เช็คลิสต์เพื่อปรับปรุง ROI ของการวัด

ใช้รายการนี้เมื่อคุณอยากเห็นผลกระทบต่อผลผลิตโดยไม่ใช่แค่ "ซื้อการวัดเพิ่ม":

• เริ่มจากการตัดสินใจ ไม่ใช่เครื่องมือ: การวัดจะกระตุ้นการตัดสินใจอะไร (กักล็อต, รีเวิร์ก, ปรับสูตร, บำรุงรักษา)? ถ้าไม่มีการกระทำชัดเจน ROI จะอ่อน
• ปรับขนาดการสุ่มให้เหมาะสม: วัดมากขึ้นในที่ที่ความแปรปรวนสูง (ขั้นตอนใหม่ เครื่องมือหลังซ่อม) และน้อยลงในที่ที่กระบวนการพิสูจน์แล้ว
• ลด latency: การวัดที่สมบูรณ์แต่มาช้าหลัง 2–3 ล็อต แพงมาก ให้ความสำคัญกับการจัดเส้นทางเร็ว การควบคุมคิว และอัตโนมัติสำหรับขั้นตอนความเสี่ยงสูง
• แยกการตรวจจับออกจากการกำหนดชะตากรรม: ให้มีความจุรีวิวพอที่จะจำแนกข้อบกพร่องหลักอย่างรวดเร็ว (killer vs nuisance) มิฉะนั้นคุณจะ "พบ" ปัญหาโดยไม่เรียนรู้
• จับตาเตือนเท็จ: ข้อบกพร่อง nuisance มากเกินไปหรือเมโทรโลยีไม่เสถียรสร้างการกักที่ไม่จำเป็น จูนเกณฑ์และรักษาการจับคู่เครื่องมือ
• ปิดวง: ยืนยันว่า feedback/feedforward ลด excursion จริง (ชาร์ตก่อน/หลัง, hits กฎ SPC, การเปลี่ยนแปลงอัตราของเสีย)
• วัดการวัด: ติดตามความสามารถทำซ้ำ การจับคู่ และสุขภาพการสอบเทียบ เมโทรโลยีแย่ยิ่งกว่าไม่มีเพราะมันขับการกระทำที่ผิด

เปลี่ยนข้อมูลการวัดเป็นเครื่องมือภายในที่ใช้งานได้ (โดยไม่ต้องโครงการซอฟต์แวร์ยาว)

คันโยกที่มักถูกมองข้ามคือความเร็วที่ทีม นำข้อมูลการวัดมาใช้งานเชิงปฏิบัติ—แดชบอร์ดที่รวมสัญญาณ SPC, สถานะการจับคู่เครื่องมือ, อายุการกัก, และแนวโน้ม MTTD/escape-rate

นี่คือที่แพลตฟอร์มแบบ vibe-coding อย่าง Koder.ai อาจช่วย: ทีมสามารถอธิบายเวิร์กโฟลว์ที่ต้องการเป็นแชทแล้วสร้างเว็บแอปภายในอย่างรวดเร็ว (ตัวอย่างเช่น คอนโซลรีวิว SPC, คิวคัดกรอง excursion, หรือแดชบอร์ด KPI) แล้วทำซ้ำเมื่อกระบวนการเปลี่ยน เพราะ Koder.ai รองรับเว็บแอปแบบ React พร้อม backend Go + PostgreSQL — และส่งออกโค้ดได้ — มันจึงเหมาะทั้งกับพายโลตอย่างรวดเร็วและการส่งมอบต่อให้ทีมวิศวกรรม

การอ่านต่อ

ถ้าต้องการทบทวนว่าชิ้นส่วนเหล่านี้เชื่อมต่อกันอย่างไร ดู "/blog/yield-management-basics" สำหรับคำถามเกี่ยวกับต้นทุนและการนำไปใช้ ให้ดู "/pricing" เพื่อช่วยกรอบว่า ROI ที่ดีควรเป็นอย่างไร

ข้อสรุปเชิงปฏิบัติ (สำหรับผู้เกี่ยวข้องที่ไม่ใช่เชิงเทคนิค)

• การวัดที่เร็วและนำไปใช้ได้จริงลดต้นทุนที่ซ่อนอยู่: ของเสีย รีเวิร์ก และความล่าช้าในเวลา
• โปรแกรมที่ดีที่สุดให้ความสำคัญกับ ความเร็วและความชัดเจนของการตัดสินใจ ไม่ใช่ปริมาณข้อมูลดิบ
• ถ้าคุณอธิบายไม่ได้ว่าการวัดจะกระตุ้นการกระทำอะไร การวัดนั้นมีแนวโน้มจะไม่ปรับปรุงผลผลิต