制造芯片需要很多不同类型的工艺设备，包括沉积、光刻、刻蚀和清洁等设备。大规模生产要求芯片制造商使用大量相同腔室的设备组来执行特定的工艺步骤，例如用于制造3D晶体管的鳍片刻蚀。理想情况下，设备组中的每个晶圆批次都会得到相同的处理，这意味着每个晶圆腔室的运行过程将与其他所有晶圆腔室完全相同。不过在实际操作中，腔室的性能会因许多控制参数的极微小差异而有所不同，进而影响到工艺流程是否成功。这些参数包括压力、温度、电力输送和表面条件，都必须协同优化。

腔室匹配挑战

使腔室性能更接近的过程称为“腔室匹配”。随着芯片器件尺寸的缩小和工艺公差的日益严格，腔室匹配所面临的挑战也在增加。传统的方法包括“黄金腔室”方法和子部件匹配。“黄金腔室”方法会将一个腔室定为标准，并试图调整所有其他腔室以达成相同的结果。子部件匹配的重点在于硬件子系统，并定义每个腔室必须满足的严格公差规格。这种方法的假设是，如果每个腔室的所有部件完全相同，那么每个腔室也理应相同。这两种传统方法在处理先进等离子工艺复杂的物理和化学相互作用时都有其局限性。

制造芯片需要很多不同类型的工艺设备，包括沉积、光刻、刻蚀和清洁等设备。大规模生产要求芯片制造商使用大量相同腔室的设备组来执行特定的工艺步骤，例如用于制造3D晶体管的鳍片刻蚀。理想情况下，设备组中的每个晶圆批次都会得到相同的处理，这意味着每个晶圆腔室的运行过程将与其他所有晶圆腔室完全相同。不过在实际操作中，腔室的性能会因许多控制参数的极微小差异而有所不同，进而影响到工艺流程是否成功。这些参数包括压力、温度、电力输送和表面条件，都必须协同优化。

腔室匹配挑战

使腔室性能更接近的过程称为“腔室匹配”。随着芯片器件尺寸的缩小和工艺公差的日益严格，腔室匹配所面临的挑战也在增加。传统的方法包括“黄金腔室”方法和子部件匹配。“黄金腔室”方法会将一个腔室定为标准，并试图调整所有其他腔室以达成相同的结果。子部件匹配的重点在于硬件子系统，并定义每个腔室必须满足的严格公差规格。这种方法的假设是，如果每个腔室的所有部件完全相同，那么每个腔室也理应相同。这两种传统方法在处理先进等离子工艺复杂的物理和化学相互作用时都有其局限性。

泛林数据分析仪：经过验证的解决方案

泛林集团Equipment Intelligence^®（设备智能）数据分析仪已被广泛用于2300^®平台上刻蚀腔室的设备组匹配和大数据分析。世界各地的许多晶圆厂都报告了腔室匹配性能的显著提升，同时腔室排除故障的速度、正常运行时间及MTBC（清洗之间的平均时间）均得到有效提升与改善。 

数据分析仪采用的方法是查看晶圆加工过程中设备传感器输出的大型数据集，并识别一系列腔室中的自然分布，以检测不匹配的腔室，然后挖掘根本原因并进行纠正。这是一种大数据多元机器学习方法，观察一个腔室内或腔室子系统内的诸多信号。

图1. 泛林集团2300^®刻蚀系统（每个系统有6个独立的腔室）及其在Equipment Intelligence^‍®数据分析仪大数据机器学习分析前后的工艺窗口分布图示

现可用于多站工艺模块

为等离子体增强化学气相沉积 (PECVD) 和原子层沉积 (ALD) 腔室设计的新版Equipment Intelligence^®数据分析仪目前已被部署在多个晶圆厂。该软件已经过调整，可适应PECVD/ALD腔室与刻蚀腔室（多基座vs.单晶圆腔）中晶圆流动场景的差异。新解析方案的增加，可以对单片晶圆的移动进行跨多站工艺模块的跟踪。

该软件中还应用了自动调和，以处理PECVD/ALD晶圆流特有的配方组、子配方和多次配方迭代。

图2. 泛林PECVD工艺设备与4x4（一次四片晶圆）腔室的不同视图

虚拟传感器的创新

目前，我们已有多个客户的晶圆厂开始使用Equipment Intelligence^®数据分析仪，利用VECTOR^® Strata^® PECVD设备组的生产数据，并正在加速满足客户最关键的需求，如延长预防性维护周期和正常运行时间。这包括根据回归模型创建和部署预测控制图，使用分类模型预测指标，以及向关键人员发送通知、以便及早发现问题并迅速解决潜在问题。使用基于虚拟计量的回归模型可以预测生产设备的性能表现，且更容易挖掘生产趋势的根本原因。数据分析仪还被用于快速诊断多种关键设备的问题，如腔室匹配或计划外停机。

在半导体制造量产中使用大数据机器学习方法（如数据分析仪）的关键目标之一是使工艺设备实现比以往任何时候都更高的生产力（以更低的成本生产出更多优质晶圆），世界各地多个客户的晶圆厂正在实现这一目标。

泛林数据分析仪：经过验证的解决方案

泛林集团Equipment Intelligence^®（设备智能）数据分析仪已被广泛用于2300^®平台上刻蚀腔室的设备组匹配和大数据分析。世界各地的许多晶圆厂都报告了腔室匹配性能的显著提升，同时腔室排除故障的速度、正常运行时间及MTBC（清洗之间的平均时间）均得到有效提升与改善。 

数据分析仪采用的方法是查看晶圆加工过程中设备传感器输出的大型数据集，并识别一系列腔室中的自然分布，以检测不匹配的腔室，然后挖掘根本原因并进行纠正。这是一种大数据多元机器学习方法，观察一个腔室内或腔室子系统内的诸多信号。

图1. 泛林集团2300^®刻蚀系统（每个系统有6个独立的腔室）及其在Equipment Intelligence^‍®数据分析仪大数据机器学习分析前后的工艺窗口分布图示

现可用于多站工艺模块

为等离子体增强化学气相沉积 (PECVD) 和原子层沉积 (ALD) 腔室设计的新版Equipment Intelligence^®数据分析仪目前已被部署在多个晶圆厂。该软件已经过调整，可适应PECVD/ALD腔室与刻蚀腔室（多基座vs.单晶圆腔）中晶圆流动场景的差异。新解析方案的增加，可以对单片晶圆的移动进行跨多站工艺模块的跟踪。

该软件中还应用了自动调和，以处理PECVD/ALD晶圆流特有的配方组、子配方和多次配方迭代。

图2. 泛林PECVD工艺设备与4x4（一次四片晶圆）腔室的不同视图

虚拟传感器的创新

目前，我们已有多个客户的晶圆厂开始使用Equipment Intelligence^®数据分析仪，利用VECTOR^® Strata^® PECVD设备组的生产数据，并正在加速满足客户最关键的需求，如延长预防性维护周期和正常运行时间。这包括根据回归模型创建和部署预测控制图，使用分类模型预测指标，以及向关键人员发送通知、以便及早发现问题并迅速解决潜在问题。使用基于虚拟计量的回归模型可以预测生产设备的性能表现，且更容易挖掘生产趋势的根本原因。数据分析仪还被用于快速诊断多种关键设备的问题，如腔室匹配或计划外停机。

在半导体制造量产中使用大数据机器学习方法（如数据分析仪）的关键目标之一是使工艺设备实现比以往任何时候都更高的生产力（以更低的成本生产出更多优质晶圆），世界各地多个客户的晶圆厂正在实现这一目标。