Atonarp质谱仪设备与工艺协同优化EPCO: 380亿美元的制造优化机会

先进的工艺需要设备和工艺协同优化 EPCO. 麦肯锡公司 McKinsey & Co. 在2021年发表的一篇论文表明, 利用人工智能 AI 和机器学习 ML 进行半导体制造优化, 通过提高产量和吞吐量, 有望节省380亿美元的成本.

麦肯锡强调, 帮助企业实现这些好处的干预点是调整工具参数, 使用当前和以前步骤的实时工具传感器数据, 使 AI/ML 算法优化工艺操作之间的非线性关系.

成功部署 AI/ML 的关键是可操作的实时数据. 上海伯东 Aston™质谱仪的原位实时分子诊断和云连接数据是实现这一能力的关键技术, 从而解锁半导体设备与工艺协同优化的潜力.

问题
随着工艺节点的缩小, 影响工艺良率的新变量出现, 挑战了已建立的 Copy Exactly！ 方法论. 其中一些可能影响工艺性能的关键变量包括局部虚拟真空泄漏, 细微的反应气体分压变化, 由于泵送性能变化导致的晶片表面饱和, 由于晶片温度变化导致的表面反应性, 腔室清洁终点和腔室老化曲线.

其他挑战, 如层间粘附, 300mm 晶圆机械应力, 新的原子级沉积和蚀刻化学, 低电阻接触和填充金属, 严格的交叉污染协议和提高吞吐量, 都需要更深入地了解工艺和设备的相互作用, 优化诸如此类的先进工艺现在需要更高精度的计量工具, 增加了 Copy Exactly! 方法学协议的原位分子复杂性.

上海伯东日本 Atonarp Aston™质谱仪提供设备与工艺协同优化解决方案:原位,实时数据
半导体过程控制 FAB 环境中的数据主要分为三种类型:
1. 在工艺工具上实时获取的现场数据
2. 处理步骤后测量结果的在线数据（通常立即）
3. 参数或 Fab 后数据（用于晶圆生产线良率和晶圆出货验收标准）

此外, 这三个主要数据可以进一步分为三个子类型
1. 目标数据, 即作为配方一部分的工具所针对的目标, 例如, 目标温度: 327 °C, 目标 SiF4 摩尔浓度: 100 mol/l
2. 测量数据, 即在给定情况下测量的数据, 例如, 测量温度 9 °C, 实际 CF4 摩尔浓度: 0.097 mol/l
3. 信息数据, 例如晶圆批号: 8F2342G, 设备序列号和腔室: 32FF4567-4

在分子水平上测量原位实时数据可以真正洞察过程是如何设置和进行的, 提供丰富, 可操作和有影响力的数据. 反应物, 副产物和分压浓度可以被识别和量化, 允许动态过程控制, 以确保对给定过程模块在运行到运行, 腔室到腔室, 工具到工具之间进行严格的平均和标准偏差控制 -工具, 甚至站点到站点. 管理整体复杂的半导体工艺控制和生产线良率首先要严格控制各个工艺步骤, 并确保低可变性和严格的统计工艺控制 SPC.

上海伯东日本 Atonarp Aston™质谱的设计初衷是为了满足原位分子分析的需求, 从而实现 EPCO, Aston 强大的实时原位分子传感器解决方案具有许多先进的性能优势, 包括:
• 准确的实时终点检测
• 逐次运行和实时 EPCO
• 参数调整
• 机器学习, 人工智能、
• 过程统计过程控制和偏差识别
• 生产线良率根本原因分析
• 优化的防护性维护
• 跟踪重要工具或流程

审核编辑黄宇