1. 芯片量產(chǎn)爬坡到底在爬什么1.1 從流片成功到月產(chǎn)十萬片的距離很多剛?cè)胄械呐笥延袀€(gè)誤解覺得芯片設(shè)計(jì)公司把GDSII文件交給晶圓廠流片回來點(diǎn)亮了這事就算成了。實(shí)際上點(diǎn)亮只是拿到了入場(chǎng)券真正決定一款芯片能不能賺錢、能不能按時(shí)交付給客戶全看量產(chǎn)爬坡這一段路走得順不順。所謂量產(chǎn)爬坡英文叫Ramp-up指的是從首片硅片產(chǎn)出到達(dá)到目標(biāo)月產(chǎn)能、同時(shí)良率穩(wěn)定在可接受水位之上的整個(gè)過程。這個(gè)過程短則三四個(gè)月長則一年半載中間任何一個(gè)環(huán)節(jié)卡住損失都是按天算的。我見過太多項(xiàng)目實(shí)驗(yàn)室里跑出來的樣品參數(shù)漂亮得不行一到量產(chǎn)階段良率曲線就像過山車今天85%明天62%FAB那邊給的參數(shù)漂移報(bào)告看得人頭皮發(fā)麻。問題出在哪出在大家把流片成功當(dāng)成了終點(diǎn)而沒有把量產(chǎn)爬坡當(dāng)成一個(gè)需要建模、需要量化、需要持續(xù)迭代的系統(tǒng)工程。這篇文章我就把我在幾個(gè)不同工藝節(jié)點(diǎn)上摸爬滾打攢下來的經(jīng)驗(yàn)結(jié)合一套我自己常用的數(shù)學(xué)模型完整地拆一遍。不管你是設(shè)計(jì)端的良率工程師還是FAB端的工藝整合工程師或者是負(fù)責(zé)量產(chǎn)導(dǎo)入的產(chǎn)品工程師這套思路都能直接拿去用。1.2 為什么必須用數(shù)學(xué)模型來管爬坡有人會(huì)說爬坡不就是盯著良率曲線看嘛掉了就查升了就繼續(xù)跑要什么數(shù)學(xué)模型這話放在二十年前也許成立那時(shí)候一個(gè)工藝節(jié)點(diǎn)能活五六年爬坡周期長靠老師傅的經(jīng)驗(yàn)慢慢磨也能磨出來。但現(xiàn)在不一樣了先進(jìn)工藝節(jié)點(diǎn)生命周期短客戶催得急競爭對(duì)手虎視眈眈你還在靠感覺調(diào)參數(shù)別人已經(jīng)用數(shù)據(jù)驅(qū)動(dòng)的方式把爬坡周期壓縮了百分之三四十。數(shù)學(xué)模型的價(jià)值在于三點(diǎn)。第一它能把良率隨時(shí)間的下降和恢復(fù)量化成可比較、可預(yù)測(cè)的曲線而不是一堆散點(diǎn)。第二它能幫你區(qū)分哪些良率損失是隨機(jī)缺陷導(dǎo)致的哪些是系統(tǒng)性的工藝偏移這兩者的處理策略完全不同。第三有了模型你才能做“如果我把某道工序的CPK從1.0提到1.33良率能漲幾個(gè)點(diǎn)”這種反事實(shí)推演而不是盲目地全流程撒網(wǎng)。我下面要展開的這套模型核心就是把FAB端的工藝參數(shù)分布、缺陷密度、以及最終的良率曲線用一個(gè)統(tǒng)一的數(shù)學(xué)框架串起來再用Python把它跑通。2. 良率曲線的數(shù)學(xué)本質(zhì)與核心參數(shù)2.1 良率曲線不是一條線是三條線的疊加新手最容易犯的錯(cuò)誤就是把良率曲線當(dāng)成一條簡單的指數(shù)衰減或者對(duì)數(shù)增長曲線。實(shí)際上你在報(bào)表上看到的那條“良率vs時(shí)間”曲線至少是三個(gè)獨(dú)立過程的疊加隨機(jī)缺陷導(dǎo)致的良率損失、系統(tǒng)性工藝偏移導(dǎo)致的良率損失、以及學(xué)習(xí)效應(yīng)帶來的良率恢復(fù)。這三者隨時(shí)間變化的規(guī)律完全不同混在一起看就會(huì)覺得良率忽上忽下毫無規(guī)律。隨機(jī)缺陷部分通常用泊松模型或者負(fù)二項(xiàng)分布來描述核心參數(shù)是缺陷密度D0和缺陷聚集因子α。系統(tǒng)性偏移部分往往跟特定工序的參數(shù)漂移強(qiáng)相關(guān)比如光刻的焦距偏移、刻蝕的腔體狀態(tài)變化、薄膜厚度的均勻性波動(dòng)。學(xué)習(xí)效應(yīng)部分則跟工程團(tuán)隊(duì)的問題解決速度、FAB的工藝穩(wěn)定性提升速度有關(guān)通常呈現(xiàn)為一條漸近上升的曲線。把這三部分拆開建模再疊加起來你才能解釋為什么有時(shí)候良率會(huì)先跌后升為什么有些批次突然崩盤。2.2 核心參數(shù)D0與α的物理含義D0也就是缺陷密度單位是每平方厘米多少個(gè)致命缺陷。這個(gè)參數(shù)直接決定了良率的理論上限。用泊松模型的話良率Y等于exp(-D0*A)其中A是芯片面積。舉個(gè)例子假設(shè)D0是0.1每平方厘米芯片面積是100平方毫米也就是1平方厘米那么理論良率就是exp(-0.1)約等于90.5%。如果D0惡化到0.5良率直接掉到60.7%。這就是為什么先進(jìn)大芯片對(duì)缺陷密度如此敏感。但泊松模型有個(gè)問題它假設(shè)缺陷是均勻隨機(jī)分布的實(shí)際上缺陷往往有聚集性一個(gè)區(qū)域出問題周圍一片都遭殃。這時(shí)候就要用負(fù)二項(xiàng)模型引入聚集因子α。α越小聚集越嚴(yán)重良率對(duì)D0的變化越不敏感但一旦出問題就是大面積崩。α通常通過歷史數(shù)據(jù)擬合得到不同工藝、不同產(chǎn)品甚至不同F(xiàn)AB的α都不一樣。我在實(shí)際項(xiàng)目里一般會(huì)先用負(fù)二項(xiàng)模型擬合歷史良率數(shù)據(jù)反推出D0和α的初始值然后再用新批次的數(shù)據(jù)去更新這兩個(gè)參數(shù)。2.3 用Python擬合良率曲線的實(shí)操框架理論說再多不如直接上代碼。我常用的擬合流程是這樣的先把歷史良率數(shù)據(jù)按批次整理成時(shí)間序列然后用scipy的curve_fit去擬合一個(gè)復(fù)合模型。這個(gè)復(fù)合模型的形式是Y(t) Y_random(t) * Y_systematic(t) * Y_learning(t)。其中Y_random用負(fù)二項(xiàng)模型Y_systematic用一個(gè)跟關(guān)鍵工藝參數(shù)偏移量相關(guān)的指數(shù)項(xiàng)Y_learning用一個(gè)S型函數(shù)或者指數(shù)趨近函數(shù)。import numpy as np from scipy.optimize import curve_fit import matplotlib.pyplot as plt def yield_model(t, D0, alpha, k_sys, tau_learn, Y_inf): # 隨機(jī)缺陷部分負(fù)二項(xiàng)模型近似 A 1.0 # 芯片面積單位平方厘米按實(shí)際替換 Y_random (1 D0 * A / alpha) ** (-alpha) # 系統(tǒng)性偏移部分假設(shè)隨時(shí)間指數(shù)恢復(fù) Y_systematic 1 - k_sys * np.exp(-t / 10) # 學(xué)習(xí)效應(yīng)部分趨近于Y_inf Y_learning Y_inf - (Y_inf - 0.5) * np.exp(-t / tau_learn) return Y_random * Y_systematic * Y_learning # 假設(shè)有一組歷史良率數(shù)據(jù) t_data np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) y_data np.array([0.62, 0.68, 0.73, 0.77, 0.80, 0.82, 0.84, 0.85, 0.86, 0.865]) popt, pcov curve_fit(yield_model, t_data, y_data, p0[0.3, 1.0, 0.2, 5.0, 0.9], bounds([0, 0.1, 0, 1, 0.7], [2, 10, 0.5, 50, 1.0])) print(擬合參數(shù):, popt)這段代碼跑出來的參數(shù)D0和α可以拿去跟FAB的缺陷密度報(bào)告做交叉驗(yàn)證k_sys和tau_learn則反映了工程團(tuán)隊(duì)的問題解決效率。如果tau_learn太大說明學(xué)習(xí)曲線太慢得查是不是問題定位流程有問題或者FAB的響應(yīng)速度跟不上。3. FAB工藝參數(shù)如何映射到良率3.1 關(guān)鍵工序的CPK與良率損失的定量關(guān)系FAB里工序成百上千但真正對(duì)良率有決定性影響的通常就是那么十幾道。光刻的CD均勻性、刻蝕的深度控制、離子注入的劑量精度、薄膜沉積的厚度均勻性這幾道工序的CPK每提升0.1最終良率可能就差出好幾個(gè)百分點(diǎn)。CPK和良率損失之間的關(guān)系可以用一個(gè)簡單的積分來算假設(shè)某道工序的參數(shù)分布是正態(tài)分布規(guī)格上下限是LSL和USL那么超出規(guī)格的概率就是良率損失。具體來說如果某道工序的CPK是1.0意味著參數(shù)分布的中心距離規(guī)格限有3個(gè)標(biāo)準(zhǔn)差超出規(guī)格的概率大約是0.27%也就是2700個(gè)ppm。如果這道工序有10道類似的累積起來就是2.7%的良率損失。如果CPK提到1.33超出概率降到0.0063%也就是63個(gè)ppm10道累積才0.063%。這就是為什么FAB拼命要推CPK提升因?yàn)槊恳稽c(diǎn)提升在量產(chǎn)階段都是真金白銀。3.2 用Python計(jì)算多工序累積良率實(shí)際項(xiàng)目中我會(huì)把每道關(guān)鍵工序的CPK和規(guī)格限整理成一張表然后用Python批量計(jì)算累積良率損失。下面這個(gè)函數(shù)就是干這個(gè)的。from scipy.stats import norm def process_yield_loss(cpk, lsl, usl, mean, std): # 計(jì)算超出規(guī)格的概率 p_low norm.cdf(lsl, mean, std) p_high 1 - norm.cdf(usl, mean, std) return p_low p_high def total_yield_loss(process_list): total_loss 1.0 for p in process_list: loss process_yield_loss(p[cpk], p[lsl], p[usl], p[mean], p[std]) total_loss * (1 - loss) print(f工序 {p[name]}: 單道損失 {loss*1e6:.1f} ppm) return total_loss # 示例三道關(guān)鍵工序 processes [ {name: 光刻CD, cpk: 1.2, lsl: 45, usl: 55, mean: 50, std: 1.39}, {name: 刻蝕深度, cpk: 1.1, lsl: 95, usl: 105, mean: 100, std: 1.52}, {name: 注入劑量, cpk: 1.3, lsl: 1e12, usl: 1.2e12, mean: 1.1e12, std: 2.56e10}, ] final_yield total_yield_loss(processes) print(f累積良率: {final_yield*100:.2f}%)注意這里的std是根據(jù)CPK反推的公式是std (USL - LSL) / (6 * CPK)。這個(gè)計(jì)算過程能幫你快速定位哪道工序是良率殺手優(yōu)先去推那道工序的CPK提升。3.3 工藝參數(shù)漂移的早期預(yù)警信號(hào)量產(chǎn)爬坡最怕的不是良率低而是良率突然崩。崩之前其實(shí)有信號(hào)只是很多人沒注意。我總結(jié)下來有三個(gè)早期預(yù)警信號(hào)特別靈。第一某道關(guān)鍵工序的SPC控制圖上連續(xù)7個(gè)點(diǎn)偏向中心線同一側(cè)哪怕還在控制限內(nèi)也說明工藝在漂。第二設(shè)備腔體的匹配度變差同一道工序不同腔體跑出來的參數(shù)分布開始出現(xiàn)顯著差異。第三缺陷檢測(cè)的顆粒數(shù)雖然沒超規(guī)格但顆粒的尺寸分布開始往大尺寸偏移。這些信號(hào)用Python做起來很簡單就是算移動(dòng)極差和EWMA控制圖。我一般會(huì)設(shè)一個(gè)閾值比如EWMA的λ取0.2控制限取3σ一旦觸發(fā)就自動(dòng)發(fā)郵件給工藝整合工程師。這套預(yù)警機(jī)制幫我至少提前了兩周發(fā)現(xiàn)過一次刻蝕腔體的慢漏避免了整批晶圓報(bào)廢。4. 量產(chǎn)爬坡的完整實(shí)操流程4.1 從首片到穩(wěn)定量產(chǎn)的五個(gè)階段我把量產(chǎn)爬坡分成五個(gè)階段每個(gè)階段的目標(biāo)和退出條件都不一樣。第一階段是首片驗(yàn)證目標(biāo)是確認(rèn)工藝跑通退出條件是電學(xué)參數(shù)在規(guī)格內(nèi)。第二階段是小批量試產(chǎn)通常跑25到50片目標(biāo)是評(píng)估初始良率和主要缺陷模式退出條件是良率數(shù)據(jù)足夠擬合出初始D0和α。第三階段是工程批放量跑200到500片目標(biāo)是驗(yàn)證工藝穩(wěn)定性退出條件是CPK達(dá)標(biāo)、SPC受控。第四階段是風(fēng)險(xiǎn)量產(chǎn)跑1000片以上目標(biāo)是驗(yàn)證產(chǎn)能和良率的可重復(fù)性退出條件是連續(xù)三批良率波動(dòng)小于2%。第五階段才是正式量產(chǎn)這時(shí)候良率曲線應(yīng)該已經(jīng)進(jìn)入平臺(tái)期。每個(gè)階段的轉(zhuǎn)換不是自動(dòng)的需要開評(píng)審會(huì)看數(shù)據(jù)說話。我見過太多項(xiàng)目工程批還沒跑穩(wěn)就急著轉(zhuǎn)風(fēng)險(xiǎn)量產(chǎn)結(jié)果良率一崩客戶那邊交不了貨最后賠錢又賠信譽(yù)。4.2 用Python搭建爬坡數(shù)據(jù)看板爬坡期間數(shù)據(jù)量很大靠Excel看不過來。我一般會(huì)用Python搭一個(gè)簡單的看板核心功能就三個(gè)實(shí)時(shí)良率曲線、關(guān)鍵工序CPK趨勢(shì)、缺陷密度帕累托圖。數(shù)據(jù)源直接從FAB的MES系統(tǒng)導(dǎo)出CSV用pandas做清洗matplotlib出圖。import pandas as pd import matplotlib.pyplot as plt # 讀取良率數(shù)據(jù) df pd.read_csv(yield_data.csv) df[date] pd.to_datetime(df[date]) df df.sort_values(date) # 計(jì)算移動(dòng)平均 df[yield_ma] df[yield].rolling(window5).mean() # 繪制良率曲線 fig, ax1 plt.subplots(figsize(12, 6)) ax1.plot(df[date], df[yield], o, alpha0.5, label單批良率) ax1.plot(df[date], df[yield_ma], -, linewidth2, label5批移動(dòng)平均) ax1.set_xlabel(日期) ax1.set_ylabel(良率 (%)) ax1.legend(loclower right) ax1.grid(True, alpha0.3) plt.title(量產(chǎn)爬坡良率趨勢(shì)) plt.tight_layout() plt.savefig(yield_trend.png, dpi150)這個(gè)看板我一般會(huì)掛在內(nèi)網(wǎng)服務(wù)器上每天早上自動(dòng)更新團(tuán)隊(duì)所有人可見。透明化數(shù)據(jù)有個(gè)好處就是誰的問題一目了然推諉扯皮的空間就小了。4.3 工程批的問題定位與根因分析工程批跑出來良率不達(dá)標(biāo)怎么定位我的套路是三步走。第一步看良率損失的空間分布是隨機(jī)散布還是集中在某個(gè)區(qū)域。隨機(jī)散布通常是缺陷密度問題集中在某個(gè)區(qū)域往往是某道工序的均勻性問題。第二步把良率損失按工序拆解用前面說的CPK累積模型看哪道工序貢獻(xiàn)最大。第三步針對(duì)貢獻(xiàn)最大的工序調(diào)取該工序的SPC數(shù)據(jù)、設(shè)備日志、以及缺陷檢測(cè)的詳細(xì)報(bào)告做根因分析。這里有個(gè)經(jīng)驗(yàn)不要一上來就懷疑光刻雖然光刻確實(shí)容易出問題但根據(jù)我的統(tǒng)計(jì)量產(chǎn)爬坡階段良率損失的頭號(hào)殺手其實(shí)是刻蝕和薄膜沉積因?yàn)檫@兩道工序的腔體狀態(tài)變化最頻繁維護(hù)周期也最難精確控制。光刻的問題往往在流片階段就暴露了能走到量產(chǎn)爬坡的光刻一般不會(huì)太離譜。5. 常見問題與排查技巧實(shí)錄5.1 良率突然下跌的緊急排查清單良率突然跌了別慌按這個(gè)清單走。第一確認(rèn)是不是所有批次都跌還是只有特定批次。如果只有特定批次查那批晶圓在FAB的流轉(zhuǎn)記錄看有沒有跳站、返工、或者設(shè)備異常。第二確認(rèn)是不是所有芯片都跌還是只有特定區(qū)域。如果只有特定區(qū)域查光刻的曝光地圖和刻蝕的腔體匹配。第三確認(rèn)是不是所有參數(shù)都跌還是只有特定參數(shù)。如果只有特定參數(shù)查對(duì)應(yīng)的工序。第四查最近的設(shè)備維護(hù)記錄和工藝變更記錄百分之八十的突然下跌都能在這里找到原因。我印象最深的一次良率一夜之間從82%掉到61%查了一圈沒找到問題最后發(fā)現(xiàn)是某臺(tái)刻蝕機(jī)的一個(gè)射頻匹配網(wǎng)絡(luò)老化了導(dǎo)致腔體阻抗漂移。這種問題SPC控制圖上看不出來因?yàn)閰?shù)還在規(guī)格內(nèi)但分布已經(jīng)變了。所以除了看控制限還要看分布的形狀。5.2 模型擬合不收斂怎么辦用curve_fit擬合良率曲線有時(shí)候會(huì)不收斂或者擬合出來的參數(shù)物理上不合理比如D0是負(fù)數(shù)。這種情況通常有三個(gè)原因。第一數(shù)據(jù)量太少自由參數(shù)太多過擬合了。解決辦法是固定一些參數(shù)比如α可以根據(jù)歷史經(jīng)驗(yàn)設(shè)一個(gè)典型值只擬合D0和tau_learn。第二數(shù)據(jù)噪聲太大良率波動(dòng)劇烈。解決辦法是先做平滑比如用移動(dòng)平均或者Savitzky-Golay濾波。第三模型形式不對(duì)比如你的良率曲線明顯有個(gè)拐點(diǎn)但模型是單調(diào)的。這時(shí)候要換模型比如引入一個(gè)分段函數(shù)或者用高斯過程回歸。我個(gè)人的習(xí)慣是先用簡單的模型跑看殘差圖。如果殘差有系統(tǒng)性偏差說明模型形式不對(duì)再換復(fù)雜的。不要一上來就上神經(jīng)網(wǎng)絡(luò)那玩意兒在數(shù)據(jù)量不夠的時(shí)候就是災(zāi)難。5.3 跨部門協(xié)作的溝通技巧量產(chǎn)爬坡從來不是一個(gè)人能搞定的事設(shè)計(jì)、工藝、測(cè)試、封裝、可靠性哪個(gè)環(huán)節(jié)掉鏈子都不行。我踩過最大的坑就是早期只顧著跟FAB的工藝整合工程師對(duì)接忽略了測(cè)試部門。結(jié)果良率數(shù)據(jù)拿回來測(cè)試程序本身有問題把好芯片判成壞芯片白白折騰了兩周。后來我學(xué)乖了爬坡一開始就拉一個(gè)跨部門群每天同步數(shù)據(jù)每周開一次復(fù)盤會(huì)。數(shù)據(jù)格式統(tǒng)一用CSV字段名統(tǒng)一用英文避免歧義。問題追蹤用簡單的看板誰負(fù)責(zé)、什么時(shí)候閉環(huán)寫得清清楚楚。這套流程看起來笨但實(shí)際跑下來問題閉環(huán)速度至少快了一倍。6. 模型迭代與爬坡經(jīng)驗(yàn)沉淀6.1 用新數(shù)據(jù)持續(xù)更新模型參數(shù)模型不是擬合一次就完事了量產(chǎn)爬坡期間數(shù)據(jù)每天都在產(chǎn)生模型參數(shù)也要跟著更新。我的做法是每周用新數(shù)據(jù)重新擬合一次但不會(huì)完全替換舊參數(shù)而是用指數(shù)加權(quán)的方式做平滑。比如新的D0等于0.7乘以舊的D0加上0.3乘以擬合出來的D0。這樣既能跟上工藝變化又不會(huì)因?yàn)閱闻鷶?shù)據(jù)的噪聲導(dǎo)致參數(shù)跳變。這個(gè)平滑系數(shù)怎么定看你的工藝穩(wěn)定性。如果FAB的工藝很穩(wěn)系數(shù)可以小一點(diǎn)比如0.1到0.2。如果工藝波動(dòng)大系數(shù)可以大一點(diǎn)比如0.3到0.4。我一般會(huì)先設(shè)0.2然后根據(jù)實(shí)際效果調(diào)整。6.2 把爬坡經(jīng)驗(yàn)固化成檢查清單每個(gè)項(xiàng)目爬坡結(jié)束后我都會(huì)花半天時(shí)間做復(fù)盤把踩過的坑、用過的招、驗(yàn)證有效的參數(shù)全部整理成檢查清單。下一個(gè)項(xiàng)目啟動(dòng)時(shí)這份清單就是第一手參考資料。比如我現(xiàn)在手里就有一份“28nm工藝爬坡檢查清單”里面列了37項(xiàng)檢查點(diǎn)從光刻的焦距校準(zhǔn)到刻蝕的腔體匹配從測(cè)試程序的correlation到封裝的熱阻驗(yàn)證事無巨細(xì)。這份清單的價(jià)值在于它把個(gè)人經(jīng)驗(yàn)變成了團(tuán)隊(duì)資產(chǎn)。新來的工程師拿著清單走一遍至少不會(huì)犯低級(jí)錯(cuò)誤。而且清單本身也在迭代每次項(xiàng)目結(jié)束都往里加幾條幾年下來就是一本厚厚的實(shí)戰(zhàn)手冊(cè)。6.3 從數(shù)學(xué)模型到?jīng)Q策支持的最后一公里模型跑得再漂亮最終還是要落到?jīng)Q策上。我見過太多精美的分析報(bào)告圖表做得跟藝術(shù)品似的但決策者看完不知道要干什么。所以我現(xiàn)在做模型最后一定會(huì)附一頁“行動(dòng)建議”用大白話寫清楚當(dāng)前良率的主要瓶頸是什么建議優(yōu)先改進(jìn)哪道工序預(yù)期能提升多少良率需要投入多少資源風(fēng)險(xiǎn)是什么。這一頁紙往往比前面幾十頁的分析都重要。因?yàn)闆Q策者要的不是數(shù)學(xué)是方向。你把方向給對(duì)了資源自然就來了。方向給錯(cuò)了模型再精確也是白搭。最后分享一個(gè)我個(gè)人的小習(xí)慣每次爬坡期間我都會(huì)在手機(jī)備忘錄里記“爬坡日記”每天寫三句話今天良率多少主要問題是什么明天打算干什么。項(xiàng)目結(jié)束后回頭看這三句話串起來就是一部完整的爬坡史比任何正式報(bào)告都真實(shí)、都有料。下次再遇到類似問題翻翻日記答案往往就在里面。