在当今行业中，半导体制造业的质量检查至关重要。已经开发了许多传统的故障检测和诊断技术来确定过程中趋势或模式的存在，或者特定过程变量是否正常。
图片来源：Asharkyu/Shutterstock.com
由于基本的过程动力学，这些故障检测方法有时可能无法产生几个隐藏的过程特征或检测过程中的故障。
在本文中，我们将讨论故障检测，半导体蚀刻过程以及一些克服有效故障检测方法中当前挑战的新方法。
什么是工程中的故障检测？
检测，隔离和恢复故障是与监视系统有关的控制工程的一个分支，确定何时发生故障，指出缺陷的性质和位置，然后采取适当的措施以防止未来的故障或不利的事故。在高成本和安全敏感的过程中，由于早期检测阻止了不可预见的情况，故障检测至关重要。
故障检测和诊断激起了许多工业部门的兴趣，以改善许多过程性能。
半导体及其用途
半导体是可以根据需要的情况作为导体和绝欧洲杯足球竞彩缘体行为的材料。通常，随着温度的升高，材料的电阻率降低。
半导体用于生产二极管，晶体管和集成电路等，以及其他旨在管理和控制电流流量的电子设备。半导体由于其可靠性，功率效率，低成本和紧凑性而广泛使用。半导体的例子包括硅和砷化甘蓝。
什么是蚀刻，为什么半导体蚀刻很重要？
蚀刻是一种化学或电解过程，在金相磨削和抛光后应用于增加表面的对比度，从而可以看到微观结构或宏观结构。它也可用于去除在磨削和抛光过程中形成的薄，高度变形的层。
在半导体装置制造中使用的蚀刻用于描述任何技术从底物上的薄膜中选择性去除材料的任何技术，其表面上有或没有先前存在的结构，以在基板上创建该材料的模式。
通常将蚀刻分组为湿和干蚀刻。干燥和湿的蚀刻程序既可以有效去除表面材料并在表面上创建图案。欧洲杯足球竞彩湿蚀刻与干蚀刻不同，因为它采用了液体化学物质或蚀刻剂，而干蚀刻则采用等离子体或蚀刻气体。
某些类型的半导体蚀刻过程是各向同性自由基蚀刻，反应性离子蚀刻，物理溅射和离子铣削。
蚀刻过程中的故障检测方法
我们将讨论一些尝试改善故障检测系统的尝试。
如前所述，检测错误的过程，确定发生异常情况并迅速对故障的根本原因进行分类对于在当今的半导体制造中最大化设备利用至关重要。2020欧洲杯下注官网但是，从生产设备中获取的工具数据包含大量信息，由于其庞大的体积和复杂性，通常难以分析。2020欧洲杯下注官网
为了更好地利用此数据，Hong等人在发表在半导体制造的IEEE交易，提出了一个模块化神经网络模型作为一种方法，可用于血浆蚀刻中的故障检测。
Dempster-shafer的证据推理理论用于证明在子系统级别上的成功故障检测，并以零遗漏的警报显示，并在室内泄漏故障模拟中介绍了确定故障根本原因的分类。研究人员意识到，结合各种相关信息并合并工程专家知识可能会导致成功的故障检测系统。
在另一种情况下，为了提高生产率并减少由于错误处理而导致的晶圆产量损失，需要在血浆过程中更有效的故障检测。工艺故障可能是由不正确的设备条件引起的，并且通常无法识别复杂半导体制造设备的零件或组2020欧洲杯下注官网件的性能漂移，但最终可能导致等离子体条件的变化。
在最近发表在《期刊》上的一项研究中电子产品，研究人员建议使用光发射光谱数据提高过程故障检测的稳定性和准确性。
扩展的隔离森林方法用于在受控的任意诱导的断层场景的受控实验设置下检测光发射光谱数据中的异常，并且在准确性和速度方面的传统隔离森林方法的表现优于常规隔离森林方法。
研究人员还使用光发射光谱数据来生成与电子温度相关的特征，并发现将电子温度特征与设备状态可变识别和光学发射光谱数据相结合，提高了过程/设备故障检测的预测准确性高达0.84％。2020欧洲杯下注官网
故障检测的深度学习方法
研究人员还利用技术的最新进展来改善故障检测过程。在杂志上发表的另一项研究中半导体制造的IEEE交易，研究人员提出了一种基于学习的深度域适应方法，用于半导体制造中的故障诊断。
近年来，智能数据驱动的状况监测方法已成功地在工业应用中开发和应用。尽管条件监测的表现有希望，但现有方法通常假定培训和测试数据来自相同的分布。
实际上，由于制造过程的变化，收集的数据通常在不同的操作条件下受到不同分布的影响，这大大降低了数据驱动方法的性能。
研究人员试图通过提出一种方法来解决此问题，该方法基于对现实世界半导体制造数据集的实验结果提供了有效且广义的数据驱动的故障诊断方法，以进行质量检查。
简而言之，在半导体制造中，故障检测越来越重要。故障检测的传统方法在检测所有故障特性时面临挑战。鼓励研究人员利用技术的进步来开发复杂的算法，这些算法可以更有效地检测模式并产生可扩展且可概括的故障诊断方法。
来自AZOM的更多内容：对半导体直接热电气传感器技术的综述
参考和进一步阅读
Abbasi，I。（2022）。半导体制造中使用的蚀刻技术[在线的]。azom.com。可用网址：//www.wireless-io.com/article.aspx?articleId=21487
Azamfar，M.，Li，X。和Lee，J。（2020）。基于深度学习的域适应方法，用于半导体制造中的故障诊断。半导体制造的IEEE交易，，，，33（3），pp.445-453。https://ieeexplore.ieee.org/document/9096390
Hong，S.J.，Lim，W.Y。，Cheong，T。和May，G.S。（2011）。半导体制造的血浆蚀刻设备中的故障检测和分类。2020欧洲杯下注官网半导体制造的IEEE交易，，，，25（1），第83-93页。https://ieeexplore.ieee.org/document/6074955
Kwon，H。和Hong，S.J。（2022）。使用光发射光谱数据来检测血浆蚀刻设备中质量流控制器的故障。2020欧洲杯下注官网电子产品，，，，11（2），第253页。https://doi.org/10.3390/electronics11020253
Park，Y.J。，Fan，S.K.S。和C.Y.（2020）。关于工业过程中的故障检测和过程诊断的综述。过程，8（9），第1123页。https://doi.org/10.3390/pr809112
免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。