| 作品介紹 |
隨著工業4.0的推動下，創新技術為工廠帶來了重大變革，晶圓廠專注於 APC 以改善製程控制，AEC 以提高設備效率，以及進一步降低晶圓製造成本的其他方法。
在晶圓切割過程中，晶圓廠必須分析機器生成的資料，以了解在晶圓後側壁崩裂（或稱為晶圓崩裂）發生之前是否存在一些跡像或共同點。如果是這樣，人們可以提前實施預防措施，盡可能避免這種情況發生。從技術上講，Spearman[1][2][3]、Pearson[4][5]、Kendall[6]等相關性分析通常用於分析晶圓切割參數之間的相關性。人們可以根據資料是否為線性以及是否連續，來判斷哪種方法適合進行資料相關性分析。這樣一來，就不能只看單一的切割參數變化，而是要檢查所有關鍵切割參數之間是否存在相關性，並觀察所有關鍵切割參數在發生晶圓崩裂時不同組合的不同變化。
晶圓廠仍有許多晶圓切割技術使用早期的切割機台（例如 DFD6560）。機台在切割過程中經常會判斷切割信號的變化，以便及時調整關鍵切割參數，以減少大面積晶圓崩裂的發生。通常，現場加工或應用簡單數據分析的負責人負責調整生產機器中的關鍵切割參數。然而，對於人們如何應對發生的特定情況並及時處理現場過程的嚴峻考驗已經出現，或者簡單的數據分析無法挖掘隱藏的主要影響因素。因此，本研究提出了一種檢測和預測晶圓切割過程中發生崩裂的方法，可以及時適當調整關鍵切割參數，以減少大面積崩裂的發生，顯著地提高晶圓切割良率，並減少製造成本的損耗。
半導體工廠在晶圓切割過程中遇到了很多問題，例如採集數據漏失、數據呈非線性分佈、相關隱藏參數遺失等諸多問題。本研究採用時間序列、隨機森林、重要性分析和相關性分析等方法對晶圓切割信號進行分析，篩選出關鍵切割參數。然後我們使用PCA和Barnes-Hut t-SNE對關鍵切割參數進行降維以進行晶圓崩裂預測。更重要的是有關資料處理方面，降維數據依照崩裂現象發生面積區分為崩裂現象10%以下、10~15%、15~20%以及20~30%四種，並且透過平均池化的方式來生成一筆新的資料，導入到數據驅動BLSTM (DD-BLSTM)模型中，用於訓練和預測晶圓崩裂。結果，本研究方法進行晶圓崩裂預測的準確度可以達到93.14%，及時調整切割關鍵參數，大幅降低晶圓崩裂的發生。因此本研究的貢獻是有效改善切割刀片的劣化程度，大幅減少晶圓製造的成本。 |