【白皮书下载】 | 用JMP Bootstrap森林法进行良率分析

admin

世界半导体行业的竞争日益激烈，迫使制造商大幅缩短产品的上市时间。为此，他们需要在更短的时间内完成制造过程的每一个步骤，同时保持高水准的控制和质量。这就要求企业必须满足越来越多的要求，才能满足客户的需求，特别是针对汽车行业和医疗行业的产品。​尽管工程师可以借助高效的工具来控制由数百个单独步骤组成的制造过程，但为了在生产现场识别出缺陷零件，仍然需要进行更多的测试。​

由于可能存在各种变化原因，包括工艺参数的变化、意外和未受监控的制造事件、缺陷设备等，因此对良率工程师来说，解释良率的任何差异都意味着一项挑战。工程师必须掌握使用高性能的工具和方法，方便尽可能快速、可靠地找出问题的根源。考虑到在生产批次的每个阶段收集的大量数据，以及有时在描述问题的统计量有限，传统技术并不总是能很好地解决良率工程师面临的问题。

多年来，数据挖掘已被证实可作为这些技术非常有效的补充。在本白皮书中，我们将使用多个实际案例来演示分割技术的使用。我们将基于JMP® Pro 中用于根因分析的“Bootstrap 森林法”，通过意法半导体公司的两个实际案例详细阐述如何通过先进的数据挖掘技术发现根因，从而更高效快速地解决问题。

案例一涉及在制造过程中未检测到电性良率损失情况下使用分割进行根因识别。在这个案例中，我们在意法半导体产品的一个重要BIN上观察了数周的良率损失。这一过程得到过充分的研究并且保持稳定，具有较高的基线良率水平。一些晶圆的良率损失高达 20%。缺陷分析确定了问题的性质，它影响了100 多片晶圆。通过扫描电子显微镜 (SEM) 可以看到产生缺陷的详细视图。不幸的是，在线参数分析无法确定问题的原因。Bootstrap 森林法为识别根因提供了适当的解决方案。最后，通过与设备相关的物理分析和数据分析，工艺团队确认了根因。



第二个案例考察制造过程中检测到的电性良率变化。在本案例中，我们发现BIN10损失（在某些晶圆上的良率损失高达10%）与某个参数效应有关。一旦确定了PT参数，就很容易找到相关的过程参数，因此我们的目标是要找到与BIN10最密切相关的PT参数。如果分析所有参数的相关性极其困难，所以这里使用 Bootstrap森林法识别出了对响应影响最大的参数，然后使用这些参数再进行后续相关性研究。




想进一步了解Bootstrap森林法如何帮助你快速识别问题的根因，提高工作效率，点击这里即可免费下载32页完整版的白皮书进行学习。