Revolutionäre Software Siegfried König, Panoratio Database Images, München

In der Halbleiterproduktion spielt die Analyse von Equipment- und Prozessdaten im gesamten Herstellungsprozess – vom Roh-Silizium bis zum fertigen Baustein – eine wichtige Rolle. In den Hightech-Fabriken der führenden Hersteller werden auf 300 mm Wafern mit Deep Submicron (DSM)-Prozessen und Cu-Technologien extrem schnelle und immer leistungsfähigere Mikro-Prozessoren und Speicher-Chips hergestellt. Allein durch den Übergang von 8 Inch auf 12 Inch bei den Waferdurchmessern steigt die Zahl der Chips pro Wafer um mehr als das Doppelte – und damit auch die Anzahl der erzeugten Datenmengen: Messwerte, Betriebszustände und Testergebnisse können mehrere Gigabyte umfassen.

Ein 300 mm Wafer kann den Gegenwert eines Kleinwagens haben. Somit ist klar, dass Prozess-Fehler in Zukunft noch stärker die Kosten beeinflussen, als dies noch bei 200 mm Wafern der Fall war. Kosteneffizienz ist also das K.O.-Kriterium bei der Fertigung. Um effizient zu produzieren, müssen die Ingenieure genaue Kenntnisse des verwendeten Equipments haben. Der Produktionsverantwortliche und die Produkt/Yield-Abteilungen müssen wissen, wie sich einzelne Parameter in der Produktionskette verhalten, wie, wodurch und wann sie sich verändern, und welchem Einfluss die Ausbeute unterliegt. Wie in kaum einem anderen Industriezweig gilt es in der Halbleiterindustrie, die Ausbeute an funktionierenden VLSI-Bausteinen, die Produktionsgeschwindigkeit und die Zeit vom ersten Design bis zum Produktionshochlauf, ständig zu kontrollieren und zu optimieren.

Mit einem neuartigen Verfahren der Datenanalyse – portable database images (pdi) – können nun Prozess-, Produktions- und Produkt-Verantwortliche in enger Anlehnung an Konzepte wie APC/AEC (advanced process/equipment control), Run-to-Run Control, SPC (statistical process control) und FMEA (failure mode and effects analysis), die unübersichtliche Anzahl von Parametern analysieren.

Anwendungsbeispiele sind in erster Linie Prozesse, in denen es gilt die „Key Performance Indicators“ (KPI) der Produktion zu identifizieren und daran anschließend deren optimale Wertebereiche, im Kontext der sich ständig ändernden Produktionsumgebung, zu ermitteln. Die für die Performance kritischen Parameter in einer APC/AEC Umgebung müssen erst gefunden werden. Das kann nur über eine relativ große Datenmenge (z.B. über eine Jahresproduktion) geschehen. Aus einer Vielzahl von bis zu 10.000 Parametern in insgesamt 500 Prozessschritten müssen einzelne Parameter sowie deren Auswirkungen auf die Ausbeute bzw. auf den Durchsatz, sowie die Reaktion der gesamten Produktion und anderer Parameter auf Abweichungen der KPIs analysiert werden. Erst nach detaillierter Analyse und damit erworbenen tieferen Einsichten in die Produktionsprozesse und in das dort verwendete Equipment erhält man das Wissen, um derartig ermittelte KPIs in ein Online-Monitoring-Konzept einzubinden. Nur so können die Verantwortlichen zum Beispiel in den nachgeschalteten Prozessen im Sinne einer Yield-Optimierung entsprechend gegensteuern.

Beim Einsatz der pdis in prozessorientierte FMEA Strategien treten deren Stärken in der interaktiven Cause-Effect-Analyse in den Vordergrund. Hier ist es erstmals möglich, auf Basis eines pdi in einem Team von entsprechenden Prozess- und Produktspezialisten interaktiv und in Echtzeit (Antwortzeit der Abfragen typisch kleiner als eine Sekunde) eine Hypothese-Antwort-Folgefrage-Kette aufzubauen und eine derartige Expertenrunde schnell und effektiv in der Problemfindung zu unterstützen. Die Verifikation von Hypothesen durch Statistiken aus Millionen von Datensätzen geht hierbei ebenso schnell wie die Korrelation von ungewöhnlichen Parameter-Kombinationen mit oft sehr überraschenden Ergebnissen. Diese wiederum kämen bei einer zeitintensiven SQL Query in der Datenbank nur selten zustande.

Andere Anwendungen beschreiben zum Beispiel effiziente Korrelationen zwischen einzelnen Tools in der Prozesskette (z.B. Tools unterschiedlicher Hersteller) oder zwischen verschiedenen Shrink- oder Test-Programm-Versionen. Auch ist es auf einfache und automatisierte Weise möglich, ein pdi mit den Produktionsdaten der vergangenen Nacht oder Woche auf den aktuellen Stand zu bringen, und diese neuen Daten mit den durchschnittlichen Referenzdaten einer Produktion zu vergleichen. Hier ergeben sich bisher ungeahnte Möglichkeiten zur Erkennung von Langzeit Drifteffekten in einzelnen Anlagen.

Die Generierung eines pdi aus einer relationalen Datenbank läuft dabei weitgehend automatisiert. Lediglich im ersten Generator-Lauf über einen Datensatz gibt der Anwender mit Hilfe einer wieder verwendbaren XML-Konfigurationsdatei dem Generator spezielle Vorgaben bzgl. diverser gewünschter pdi-Eigenschaften. Das so generierte pdi kann dann mit Hilfe des Database Image Explorers und seiner speziell für die Analyse von pdis entwickelten Oberfläche von allen Seiten in tausenden von Dimensionen (Parametern) analysiert werden (Bild 1).

Die dabei verwendete RAM-basierende Technologie in Form eines pdis erlaubt die Auswertung und Betrachtung von Millionen von Datensätzen mit mehreren tausend Parametern in Sekundenschnelle. Statistische Zusammenhänge im Halbleiterproduktionsprozess, die bisher im Dunkeln lagen, werden durch die Software von Panoratio sichtbar. Ingenieure können das in den Datenbanken verborgene Wissen mit ihrem Expertenwissen kombinieren, und so bislang unentdeckte Optimierungspotenziale identifizieren sowie in die Produktion einfließen lassen. Durch die hohe Kompression der Datenbank wird dieses Wissen überdies portabel und lässt sich somit auch auf einfache Weise zwischen verschiedenen Standorten bzw. Engineering-Teams in elektronischer Form austauschen.

Der Einsatz von richtungsweisenden Technologien wie der pdis wird bald eine entscheidende Rolle in der Wettbewerbsfähigkeit von produzierenden Unternehmen spielen – überall dort wo es gilt, schnell und effektiv zu reagieren, aus den Fehlern der Vergangenheit ein für allemal zu lernen, und in Zukunft pro-aktiv zu agieren.

EPP 463