机器学习革新半导体製程管理
固德科技报｜机器学习革新半导体製程管理#AI
#机器学习
#半导体
Posted On : 04 Dec. 2023
当机台的手臂发生异常时，可能会对製程产生多种影响，例如，製程可能需要停止或暂停，这会导致生产效率下降。停机时间越长，损失就越大。
半导体製程中的PVD与CVD的差别
薄膜沉积的目的是在晶圆上增加导电特性，常见的方法有PVD及CVD两种，都有其优势和特定的应用领域。在半导体製程中，这两种技术可能会被结合使用，以实现不同层次和属性的薄膜需求。
PVD是一种通过物理手段将材料转换为蒸气，然后在晶圆表面沉积成薄膜的技术。这涉及将材料加热到高温，使其转换成蒸气，然后在晶圆表面冷凝形成薄膜。PVD过程不涉及化学反应，主要是物理过程。而CVD是一种通过化学反应在晶圆表面生成薄膜的技术。在CVD中，气相前体（通常是气体或挥发性液体）在表面上进行化学反应，生成固体薄膜。CVD可以提供更高的薄膜均匀性和複杂的薄膜成分。
＃薄膜沉积 ＃半导体 ＃PVD ＃CVD
沉积过程：PVD通常包括蒸镀、溅镀、离子佈植等方法。这些方法通常在真空环境中进行，以确保有效的材料转换和薄膜的沉积。而CVD过程中，气相前体透过化学气相反应如：热电浆、光等进行转化，生成固体薄膜。这通常涉及在高温下进行，并使用化学气体进行反应，使固体产物在晶圆表面沉积。
应用方面： PVD通常用于金属或合金的沉积，例如铜、铝、钛等，以及一些陶瓷材料。应用范围包括金属导体、反应层和装饰性薄膜。而CVD更适用于沉积復杂的化合物薄膜，包括氧化物、氮化物、碳化物等。这使得CVD在製造非金属材料的薄膜时更具优势，例如绝缘体、光学膜和半导体製程中的绝缘层。
CVD PVD机台手臂对于製程的重要性
PVD及CVD机台通常包含多个部分，其中手臂是一个重要的组成部分。手臂主要用于将晶圆移动到不同的位置，以进行不同步骤的薄膜沉积。
当机台的手臂发生异常时，可能会对製程产生多种影响，例如，製程可能需要停止或暂停，这会导致生产效率下降。停机时间越长，损失就越大，手臂的异常也可能导致薄膜均匀沉积不一致，使得每个晶圆的处理结果不同。此外，手臂的异常也可能影响到製程的安全性，可能会对操作人员和设备造成潜在的安全风险。因此，使用者必须掌握机台状态，以确保设备高度的可靠性和稳定性才能让製程顺利运行。
如何监测CVD PVD机台手臂？
VMS-ML机器学习智能监控系统能够将CVD、PVD机台动态讯号与机械学习动作可视化，系统藉由学习机械动作并量测除了能够得知机台作动中稳定性差异，利用数据趋势可以说明机台的稳定度标准，还能够作为维修后的效益确认出机前的验证。运用机器学习的技术，学习正确的製程流程规范，搭配製程特性的感测器，将微小的讯号一网打尽。
量测 1. VHP-PVD-NSK
机型：VHP-PVD-NSK
VHP-PVD-NSK作动讯号学习规范
量测异常结果：X1轴与X2轴运行颤振
量测异常结果：X2轴启动收回突波异常
量测 2. VHP-Producer-NSK
机型：VHP-Producer-NSK
VHP-Producer-NSK作动讯号学习规范
量测异常结果：X轴前伸后收磨损
量测异常结果：TH轴启动异常
维修前后效益趋势比较
维修确认：藉由VMS-ML机械学习量测在维修前以相似度75%作为门槛得知稳定性差异跳动，维修后相似度变化皆在75%以上稳定趋势作为出机标准。
出机前验证：维修后烧机测试趋势线产出可以向客户说明我们机台是稳定的，如有不稳定也可以由图形趋势呈现被判为FAIL机台。
固德能为传统封装、先进封装、CoWos、3D Fabric製程技术等，规划合适的设备监测製程品质解决方案，欢迎与我们联络。
机器学习与半导体製程常见问题（FAQ）
机器学习如何应用于半导体製程？
机器学习（Machine Learning，ML）可分析半导体製程与设备长时间累积的感测数据，从大量资料中建立正常运转模式，并辨识异常变化。透过振动、温度、压力、电流、流量等设备数据，可应用于设备异常侦测、製程趋势分析、品质预测及预知保养，协助工程人员提早掌握可能影响製程稳定性的设备变化。
机器学习如何侦测半导体设备异常？
机器学习可利用设备正常运转期间的历史数据建立基准模型，再持续比较即时数据与正常模式之间的差异。当振动、温度、压力或其他特徵逐渐偏离正常范围时，即使尚未超过传统固定门槛，也能作为设备状态改变的预警依据，协助工程人员进一步检查异常原因。
机器学习与传统固定门槛有什么不同？
传统固定门槛通常依照单一数值的上下限判断设备是否异常，适合已有明确规范的监测项目；机器学习则可从历史数据学习设备正常运转模式，分析多项特徵与变化趋势。因此对于不同机台、负载或製程条件造成的差异，可提供更多设备状态判断依据。实际应用时，固定门槛、统计方法与机器学习也可依需求搭配使用。
半导体设备导入机器学习需要哪些数据？
需要的数据会依设备与监测目的而不同，常见资料包括振动、温度、压力、电流、流量、速度、位移及设备运转状态等。除了感测数据之外，若能同步取得机台编号、製程阶段、运转条件、维修纪录及异常事件等资讯，也有助于建立更完整的设备分析模型。
机器学习如何协助设备预知保养？
机器学习可分析设备长时间累积的历史与即时数据，追踪设备特徵随时间产生的变化。当模型侦测到设备状态逐渐偏离正常模式时，可在明显故障发生前提供异常预警，让工程人员依据设备状态安排检查与维护，降低非预期停机及故障对製程造成的影响。