Überblick
Ziel des Projektes ist die Qualitätssicherung bzw. -steigerung des Produktionsablaufes in der Halbleiterproduktion. Die zu entwickelnde Software soll in der Lage sein, Maschinenparameter sowie Messdaten von Wafern zu analysieren. Mit Hilfe des Systems sollen zwei Ziele erreicht werden: Zum einen sollen Korrelationen zwischen typischen Fehlverhalten produzierter Halbleiter mit den dafür ursächlichen Produktionsparametern hergestellt werden. Zum anderen sollen Produktionsabbrüche auf Grund von Maschinenfehlern in den Produktionsanlagen vorhergesagt werden.
Vorgehensweise
Während der Produktion werden zum einen chargenbasierte Wafermesswerte, zum anderen produktionsschrittabhängige Anlagenparameter gemessen. Diese von den Projektpartnern zur Verfügung gestellten Daten werden mit künstlichen neuronalen Netzen bzw. mit Methoden des maschinellen Lernens untersucht. Zunächst werden die Daten mit Hilfe der Sequential Floating Forward Selection für die Anwendung auf Chip-Daten optimiert. Je nach Aufgabenstellung (Korrelation oder Vorhersage) der so erhaltenen Daten kommen entweder Fuzzy ARTmaps oder Support Vector Machines (SVM) zum Einsatz. Fuzzy ARTmap wird zur Aufdeckung von Korrelationen zwischen Fehlverhalten von Chips und Produktionsparametern herangezogen, wobei der Einfluß der Produktionsparameter auf das Fehlverhalten über Sugeno Fuzzy Regeln erfasst werden soll. Im Gegensatz dazu wird die SVM zur Vorhersage von Anlagenfehlern im Produktionsablauf herangezogen, da dessen Stärken in der Analyse hochdimensionaler Daten (z.B. Zeitreihen) liegen.
|
Vishnoo
English Pages