• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>日本経営工学会論文誌 >多品種小量生産履歴データに基づく半導体ウェハ加工プロセス予測制御モデルの構築手法: MCMC法による統計的予測モデル構築のエンジニアリングサービス実現
【24h】

多品種小量生産履歴データに基づく半導体ウェハ加工プロセス予測制御モデルの構築手法: MCMC法による統計的予測モデル構築のエンジニアリングサービス実現

机译：基于高混合小批量生产历史数据的半导体晶圆加工过程预测控制模型的构建方法：MCMC法构建统计预测模型的工程服务实现

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

半導体製造プロセスでは，微細化の進展に伴い，ウェハプロセスの加工ばらつきを減らすことが急務になっている．そこで，加工後のウェハ検査データのフィードバックやフィードフォワードにより自動的にプロセス条件を制御するAPC（Advanccd Process Control）や，製造装置の状態を監視して異常検知等を行うEES（Equipment Engineering System）が用いられるようになった．APCやEESでは生産履歴データから加工効率を予測する統計的モデルを活用する．装置の高度化に伴い，これらモデル構築のエンジニアリングサービスが提案されている．しかし，多品種小量の生産履歴データから予測モデルを構築するには，十分なデータ蓄積と製品知識に基づく人手による前処理が必要となり，予測モデル構築の課題になっていた?本稿では．多品種小量の生産履歴データから精度の高い加工効率予測モデルを構築する手法を提案した．提案手法は，MCMC法（Markov chain Monte Carlo methods）を活用することにより，製品知識に基づくデータの前処理を行わなくても，品種毎の加工効率シフトパラメータを備えた予測モデルの自動構築を可能にする．製品知識に基づく調整を不要にする特徴は，装置管理サイドにおける予測モデル構築のエンジニアリングサービス実現に好適である．半導体CMPプロセスに提案手法を適用し，数値実験により有効性を検証した．%This paper proposes a generic methodology for engineering service to build a statistical predictive model based on historical data of many products in small quantities. The methodology is evaluated via simulations for polishing rate prediction in a semiconductor chemical mechanical polishing (CMP) process. The process control model enables process engineers to control the polished amount, while the equipment monitoring model enables equipment maintenance engineers to replace consumed materials at the appropriate point. The model can quickly predict the polishing rate based on equipment-derived data to ensure prompt handling of high-speed process drift. However, the polishing rate varies randomly in the production of many products in small quantities. To separate the equipment drift in the polishing rate from the seemingly random effects of product switching, we developed a new predictive model and method for building this model. In the methodology, multilevel model configuration is employed to allow the polishing rate prediction model to be adjusted to individual variability of products. 'Parameters of the complicated predictive model including those for individual variability of products are identified using a procedure including Markov chain Monte Carlo (MCMC) sampling from probability variables defined in a hierarchical Bayesian model. Simulation results show that the proposed methodology could identify the model parameters for individual variability of products with a high degree of accuracy despite the skewed distribution of data of many products in small quantities. Furthermore, root-mean-square deviations of the control of polished amount are suppressed by 20% using the predictive model. The results show that the methodology is suitable for use in engineering service.
机译：在半导体制造工艺中，随着小型化的发展，迫切需要减少晶片工艺中的工艺变化。因此，提供了通过处理后的晶片检查数据的反馈和前馈来自动控制处理条件的APC（高级处理控制），以及监视制造设备的状态并检测异常的EES（设备工程系统）。它开始被使用。 APC和EES利用统计模型根据生产历史数据预测加工效率。随着设备的成熟，已经提出了用于构建这些模型的工程服务。但是，为了从许多少量的生产历史数据构建预测模型，需要足够的数据存储和基于产品知识的手动预处理，这在构建预测模型时存在问题吗？我们提出了一种从大量小批量生产历史数据中构建高精度加工效率预测模型的方法。通过使用MCMC（马尔可夫链蒙特卡罗方法），该方法可以自动构建具有针对每种产品类型的处理效率变化参数的预测模型，而无需基于产品知识的预处理数据。至不需要基于产品知识进行调整的功能就适合在设备管理端实现预测模型构建的工程服务。将该方法应用于半导体CMP工艺，并通过数值实验验证了其有效性。通过仿真评估该方法，以预测半导体化学机械抛光（CMP）工艺中的抛光速率。控制模型使工艺工程师可以控制抛光量，而设备监控模型使设备维护工程师可以在适当的时候更换消耗的材料。该模型可以根据设备派生的数据快速预测抛光速率，从而确保对高速度的漂移，但是在小批量生产的许多产品中抛光速率会随机变化，为了将设备抛光速率的漂移与产品切换看似随机的影响分开，我们开发了一种新的预测模型和方法来构建在该方法中，多层模型配置是em复杂的预测模型的参数，包括用于产品个体可变性的参数，是通过包括马尔可夫链蒙特卡洛（MCMC）采样在内的程序从所定义的概率变量中识别出来的，从而可以将抛光速率预测模型调整为产品的个体可变性。仿真结果表明，尽管许多产品的数据少量分布偏斜，但所提出的方法仍可以高度准确地识别产品个体差异的模型参数。使用预测模型将抛光量的控制抑制了20％。结果表明该方法适用于工程服务。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号