DE102020215716A1

DE102020215716A1 - Verfahren zur Herstellung eines Halbleiterbauelements und Fertigungslinie

Info

Publication number: DE102020215716A1
Application number: DE102020215716.2A
Authority: DE
Inventors: Mark Herrmann; Octavio Trovarelli; Peter Ebersbach; Salvatore Speciale; Sarah Fischbach
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2020-12-11
Filing date: 2020-12-11
Publication date: 2022-06-15

Abstract

Verfahren (100) zur Herstellung eines Halbleiterbauelements mit Hilfe einer Fertigungslinie mit den Schritten Speichern (110) von Daten aus verschiedenen Datenquellen in einer nicht-relationalen Datenbank, wobei die Daten Produktionsdaten und Zuverlässigkeitsdaten umfassen, Erzeugen (120) von ersten Datensätzen aus den Produktionsdaten, wobei die ersten Datensätze eine erste Datendichte aufweisen, Erzeugen (130) von zweiten Datensätzen aus den Zuverlässigkeitsdaten, wobei die zweiten Datensätze eine zweite Datendichte aufweisen, wobei die zweite Datendichte der ersten Datendichte entspricht, Ermitteln (140) von Zusammenhängen zwischen den ersten Datensätzen und den zweiten Datensätzen mit Hilfe von maschinellen Lernverfahren, Bestimmen (150) von relevanten Untergruppen aus den ermittelten Zusammenhängen, wobei die relevanten Untergruppen als Eingangsparameter für Zuverlässigkeitsmodelle basierend auf maschinellen Lernverfahren verwendet werden, wobei die Zuverlässigkeitsmodelle virtuelle Zuverlässigkeitswerte erzeugen, die als Zuverlässigkeitsvorhersagen verwendet werden, und Verändern (160) von Eingangsdaten der Fertigungslinie in Abhängigkeit der Zuverlässigkeitsvorhersagen.

Description

Stand der Technik
Die Erfindung betrifft ein Verfahren zur Herstellung eines Halbleiterbauelements und eine Fertigungslinie.
Halbleiterchips durchlaufen während und nach der Herstellung zahlreiche Tests. Allerdings sind Fehlermechanismen wie Massenreduzierung durch Elektronenmigration, Ablösen von Materialoberflächen und Veränderung der Trägerkonzentration, bekannt, die erst nach einiger Einsatzzeit des Halbleiterchips beobachtet werden können. Diese führen zu einer signifikanten Veränderung der Leistungsfähigkeit und im schlimmsten Fall zum Ausfall des Halbleiterchips.
Um derartige Ausfälle während des Einsatzes des Halbleiterchips zu vermeiden, werden Kontrollmessungen durchgeführt, die einen Langzeiteinsatz der Halbleiterchips simulieren, indem der Halbleiterchip hohen Strömen und hohen Spannungen, sowie hohen und tiefen Temperaturen ausgesetzt wird. Diese Kontrollmessungen erfolgen beispielsweise auf dem Halbleiterwafer vor dem Dicen oder im verpackten Halbleiterchip. Derartige Kontrollmessungen werden zu Beginn der Produktion eines bestimmten Halbleiterchips mit einer hohen Wiederholrate durchgeführt. Nach Anlauf der Serienproduktion des bestimmten Halbleiterchips werden die Kontrollmessungen in unregelmäßigen Abständen mit einer geringen Wiederholrate durchgeführt, da die Kontrollmessungen zeit- und kostenintensiv sind. In Abhängigkeit der Kontrollmessungen werden die statistischen Verteilungen gefittet, sodass eine durchschnittliche Einsatzzeit bis zum Ausfall oder eine durchschnittliche Ausfallmenge bestimmt werden kann.
Nachteilig ist hierbei, dass diese Zuverlässigkeitsmessungen nur bei einer geringen Anzahl von Wafern implementiert werden können. Dadurch können Änderungen während des Produktionsprozesses zu einer Abnahme der Bauteilzuverlässigkeit führen, die eine lange Zeit unentdeckt bleiben kann.
Die Kontroll- bzw. Zuverlässigkeitsmessungen werden häufig auf speziellen Teststrukturen durchgeführt, die an wenigen Stellen auf dem Halbleiterchip angeordnet sind.
Nachteilig ist hierbei, dass eine lineare Interpolation zwischen den Messpunkten angewendet wird, die vor allem an den Waferrändern keine akkuraten Ergebnisse liefert.
Des Weiteren ist es nachteilig, dass die Zuverlässigkeitsmessungen nur an Endprodukten wie den hergestellten Halbleiterbauelementen auf Waferlevel oder gepackten Halbleiterchips durchgeführt werden können, obwohl Einflüsse während des Herstellungprozesses entscheidend sein können. Um eine möglichst exakte Vorhersage durchführen zu können, wird eine enorme Datenmenge benötigt.
Die Aufgabe der Erfindung ist es, diese Nachteile zu überwinden.
Offenbarung der Erfindung
Das erfindungsgemäße Verfahren zur Herstellung eines Halbleiterbauelements mit Hilfe einer Fertigungslinie umfasst das Speichern von Daten aus verschiedenen Datenquellen in einer nicht-relationalen Datenbank, wobei die Daten Produktionsdaten und Zuverlässigkeitsdaten umfassen. Das Verfahren umfasst das Erzeugen von ersten Datensätzen aus den Produktionsdaten und das Erzeugen von zweiten Datensätzen aus den Zuverlässigkeitsdaten. Die ersten Datensätze weisen dabei eine erste Datendichte auf und die zweiten Datensätze eine zweite Datendichte, wobei die zweite Datendichte der ersten Datendichte entspricht. Das Verfahren umfasst das Ermitteln von Zusammenhängen zwischen den ersten Datensätzen und den zweiten Datensätzen mit Hilfe von maschinellen Lernverfahren und das Bestimmen von relevanten Untergruppen aus den ermittelten Zusammenhängen, wobei die relevanten Untergruppen als Eingangsparameter für Zuverlässigkeitsmodelle basierend auf maschinellen Lernverfahren verwendet werden. Dabei erzeugen die Zuverlässigkeitsmodelle virtuelle Zuverlässigkeitswerte, die als Zuverlässigkeitsvorhersagen verwendet werden. Das Verfahren umfasst des Weiteren das Verändern von Eingangsdaten der Fertigungslinie in Abhängigkeit der Zuverlässigkeitsvorhersagen.
Der Vorteil ist hierbei, dass Zuverlässigkeitskontrollmechanismen implementiert sind, die die Zuverlässigkeitseinflussfaktoren umfassend berücksichtigen, sodass Zuverlässigkeitsprobleme frühzeitig erkannt werden und im Produktionsprozess berücksichtigt werden können. Hierdurch wird die Fertigungslinie stabilisiert.
In einer Weiterbildung umfassen die Daten Felddaten, wobei dritte Datensätze aus den Felddaten erzeugt werden und Zusammenhänge zwischen den ersten Datensätzen, den zweiten Datensätzen und den dritten Datensätzen mit Hilfe von maschinellen Lernverfahren ermittelt werden.
Vorteilhaft ist hierbei, dass neben den Herstellungsdaten auch Benutzungsdaten des Halbleiterchips bei der Zuverlässigkeitsvorhersage berücksichtigt werden.
In einer weiteren Ausgestaltung werden die zweiten Datensätze durch Algorithmen maschineller Lernverfahren, insbesondere SMOTE, erweitert.
Der Vorteil ist hierbei, dass die ersten Datensätze und die zweiten Datensätze die gleiche Datenlänge aufweisen, sodass maschinelle Lernverfahren angewendet werden können.
In einer weiteren Ausgestaltung werden die dritten Datensätze durch Algorithmen maschineller Lernverfahren, insbesondere SMOTE, erweitert.
Der Vorteil ist hierbei, dass die ersten Datensätze, die zweiten Datensätze und die dritten Datensätze die gleiche Datenlänge aufweisen, sodass maschinelle Lernverfahren angewendet werden können.
In einer Weiterbildung verwenden die Algorithmen Deep Learning Algorithmik, insbesondere Generative Adversarial Networks.
Der Vorteil ist hierbei, dass Korrelationen zwischen urprünglich unterschiedlich großen Datensätzen ermittelt werden können.
In einer weiteren Ausgestaltung werden die relevanten Untergruppen mit Hilfe von Anomaliedetektion, Clustermethoden und Klassifikationsmethoden durch Algorithmen maschineller Lernverfahren oder des Deep Learnings bestimmt.
Vorteilhaft ist hierbei, dass der Einfluss von Designaspekten und Produktionsschritten bei den Zuverlässigkeitsvorhersagen berücksichtigt wird, sodass der Herstellungsprozess verbessert werden kann.
In einer Weiterbildung verwenden die Modelle für Zuverlässigkeitsvorhersagen Klassifikations- und Regressionsmethoden durch Algorithmen maschineller Lernverfahren zur Vorhersage von Messwerten innerhalb der Zuverlässigkeitsmessungen.
Vorteilhaft ist hierbei, dass die Verwendung der maschinellen Lernverfahren die Verarbeitung einer Vielzahl von Einflussparametern aus den bestimmten Untergruppen erlaubt.
Die Fertigungslinie zur Herstellung von Halbleiterbauelementen umfasst eine nicht-relationale Datenbank, die Produktionsdaten und Zuverlässigkeitsdaten aus verschiedenen Datenquellen speichert, und eine Steuereinheit, die erste Datensätze aus Produktionsdaten erzeugt, wobei die ersten Datensätze eine erste Datendichte aufweisen. Die Steuereinheit erzeugt zweite Datensätze aus Zuverlässigkeitsdaten, wobei die zweiten Datensätze eine zweite Datendichte aufweisen und die zweite Datendichte der ersten Datendichte entspricht, wobei die Steuereinheit Zusammenhänge zwischen den ersten Datensätzen und den zweiten Datensätzen mit Hilfe maschineller Lernverfahren ermittelt. Erfindungsgemäß bestimmt die Steuereinheit relevante Untergruppen aus den Zusammenhängen, wobei die relevanten Untergruppen als Eingangsparameter dienen, wobei die Zuverlässigkeitsmodelle virtuelle Zuverlässigkeitswerte erzeugen, die Zuverlässigkeitsvorhersagen umfassen. Die Steuereinheit verändert die Eingangsdaten der Fertigungslinie in Abhängigkeit der Zuverlässigkeitsvorhersagen.
Der Vorteil ist hierbei, dass die Zuverlässigkeit von Halbleiterchips während des Produktionsbetriebs sukkzessive angepasst werden kann.
Weitere Vorteile ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen bzw. den abhängigen Patentansprüchen.
Figurenliste
Die vorliegende Erfindung wird nachfolgend anhand bevorzugter Ausführungsformen und beigefügter Zeichnungen erläutert. Es zeigen:

1 das Verfahren zur Herstellung eines Halbleiterbauelements, und
2 ein vereinfacht dargestelltes Übersichtsdiagramm der Parameter, die in dem erfindungsgemäßen Verfahren in einer Fertigungslinie verwendet werden.

1 zeigt ein Verfahren 100 zur Herstellung eines Halbleiterbauelements mit einer Fertigungslinie. Das Verfahren 100 startet mit einem Schritt 110, in dem Daten aus verschiedenen Datenquellen in einer nicht-relationalen Datenbank gespeichert werden. Die Daten umfassen sowohl Produktionsdaten als auch Zuverlässigkeitsdaten. Die Produktionsdaten umfassen beispielsweise Yielddaten, Prozesskontrollüberwachungsdaten, Defektdaten, sensorische Daten der Produktionsanlagen und Informationen über das Produktdesign. Die Zuverlässigkeitsdaten umfassen beispielsweise Wafer-Level-Zuverlässigkeitsmessungen, Zuverlässigkeitsmessungen auf dem Packagelevel, sowie Fehleranalysedaten. In einem folgenden Schritt 120 werden erste Datensätze aus den Produktionsdaten erzeugt. Die ersten Datensätze weisen dabei eine erste Datendichte auf. In einem folgenden Schritt 130 werden zweite Datensätze aus den Zuverlässigkeitsdaten erzeugt, wobei die zweiten Datensätze eine zweite Datendichte aufweisen und die zweite Datendichte der ersten Datendichte entspricht. Dies ist notwendig, damit in einem folgenden Schritt 140 maschinelle Lernverfahren angewendet werden können, um Zusammenhänge zwischen den ersten Datensätzen und den zweiten Datensätzen mit Hilfe maschineller Lernverfahren zu ermitteln, obwohl die initiale Datendichte der Zuverlässigkeitsdaten geringer ist als die initiale Datendichte der Produktionsdaten. In einem folgenden Schritt 150 werden relevante Untergruppen aus den ermittelten Zusammenhängen bestimmt. Die releventen Untergruppen fungieren dabei als Eingangsparameter für Zuverlässigkeitsmodelle, die mittels maschinellen Lernverfahren erzeugt werden. Die relevanten Untergruppen werden mit Hilfe von Anomaliedetektion, Clustermethoden und Klassifikationsmethoden durch Algorithmen maschineller Lernverfahren oder des Deep Learnings bestimmt. Die Zuverlässigkeitsmodelle verwenden ebenfalls maschinelle Lernverfahren, insbesondere Klassifizierungsmethoden, wie Random Forests oder Support Vector Machines, und Regressionsmodelle. Die Zuverlässigkeitsmodelle erzeugen dabei Zuverlässigkeitswerte, die Zuverlässigkeitsvorhersagen umfassen. In einem folgenden Schritt 160 werden die Eingangsdaten der Fertigungslinie in Abhängigkeit der Zuverlässigkeitsvorhersagen verändert.
In einem Ausführungsbeispiel umfassen die Daten zusätzlich Felddaten. Dabei handelt es sich um Kundenrücklaufdaten oder andere Daten, die im Betrieb des Halbleiterchips erfasst werden. Die Felddaten sind sehr selten, sodass die initiale Datendichte der Felddaten gering ist. Damit Zusammenhänge zwischen den Produktionsdaten, den Zuverlässigkeitsdaten und den Felddaten mit Hilfe maschineller Lernverfahren ermittelt werden können, müssen die ersten Datensätze, die zweiten Datensätze und die dritten Datensätze die gleiche Datendichte aufweisen. Dazu werden die zweiten Datensätze und die dritten Datensätze mit Hilfe spezieller Algorithmen, z. B. SMOTE, erweitert. Die Alogrithmen können Deep Learning Algorithmik verwenden, z. B. Generative Adversarial Networks.
Das Verfahren 100 findet Anwendung bei der Reduzierung der Ausfälle hergestellter Halbleiterbauelemente. Werden designbezogene Fehler detektiert, so werden Verbesserungen in zukünftigen Designs und Produkten der Halbleiterbauelemente implementiert. Mit Hilfe des Verfahrens 100 können verbesserte Teststrukturen erzeugt werden. Befinden sich die Zuverlässigkeitsprobleme innerhalb des Produktionsprozesses, so können die Eingangsdaten der Fertigungslinie zeitnah bzw. im laufenden Produktionsbetrieb verändert werden.
2 zeigt ein vereinfacht dargestelltes Übersichtsdiagramm der Parameter, die in dem erfindungsgemäßen Verfahren in einer Fertigungslinie 200 verwendet werden. Die Fertigungslinie 200 weist eine nicht-relationale Datenbank 208 und eine nicht gezeigte Steuereinheit auf, und erfasst Eingangsdaten 201. Die Eingangsdaten 201 umfassen Daten zu Design, Layout, Materialien und Prozessschritte zur Herstellung eines bestimmten Halbleiterbauelements. Die nicht-relationale Datenbank 208 speichert Wafer-Level-Zuverlässigkeitsdaten 204, Chiplevel-Testdaten 205, Prozessdaten 206 und Felddaten 207. Die Steuereinheit erzeugt virtuelle Zuverlässigkeitswerte mittels Modellen und Algorithmen, die auf maschinellen Lernenverfahren 209 basieren. Diese virtuellen Zuverlässigkeitswerte enthalten die Zuverlässigkeitsvorhersagen 210. Die Zuverlässigkeitsvorhersagen 210 werden sowohl für die Lernverfahren als auch für die Herstellung der Halbleiterbauelemente verwendet. Die Steuereinheit ändert dabei die Eingangsdaten 201 in Abhängigkeit der Zuverlässigkeitsvorhersagen 210.

Claims

Verfahren (100) zur Herstellung eines Halbleiterbauelements mit Hilfe einer Fertigungslinie mit den Schritten: • Speichern (110) von Daten aus verschiedenen Datenquellen in einer nicht-relationalen Datenbank, wobei die Daten Produktionsdaten und Zuverlässigkeitsdaten umfassen, • Erzeugen (120) von ersten Datensätzen aus den Produktionsdaten, wobei die ersten Datensätze eine erste Datendichte aufweisen, • Erzeugen (130) von zweiten Datensätzen aus den Zuverlässigkeitsdaten, wobei die zweiten Datensätze eine zweite Datendichte aufweisen, wobei die zweite Datendichte der ersten Datendichte entspricht, • Ermitteln (140) von Zusammenhängen zwischen den ersten Datensätzen und den zweiten Datensätzen mit Hilfe von maschinellen Lernverfahren, • Bestimmen (150) von relevanten Untergruppen aus den ermittelten Zusammenhängen, wobei die relevanten Untergruppen als Eingangsparameter für Zuverlässigkeitsmodelle basierend auf maschinellen Lernverfahren verwendet werden, wobei die Zuverlässigkeitsmodelle virtuelle Zuverlässigkeitswerte erzeugen, die als Zuverlässigkeitsvorhersagen verwendet werden, und • Verändern (160) von Eingangsdaten der Fertigungslinie in Abhängigkeit der Zuverlässigkeitsvorhersagen.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Daten Felddaten umfassen und dritte Datensätze aus den Felddaten erzeugt werden, die eine dritte Datendichte aufweisen, wobei in Schritt (140) Zusammenhänge zwischen den ersten Datensätzen, den zweiten Datensätzen und den dritten Datensätzen mit Hilfe von maschinellen Lernverfahren ermittelt werden.
Verfahren (100) nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass die zweiten Datensätze durch Algorithmen maschineller Lernverfahren erweitert werden, insbesondere durch SMOTE.
Verfahren (100) nach einem der Ansprüche 2 oder 3, dadurch gekennzeichnet, dass die dritten Datensätze durch Algorithmen maschineller Lernverfahren erweitert werden, insbesondere durch SMOTE.
Verfahren (100) nach einem der Ansprüche 3 oder 4, dadurch gekennzeichnet, dass die Algorithmen Deep Learning Algorithmik verwenden, insbesondere Generative Adversarial Networks.
Verfahren (100) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die relevanten Untergruppen mit Hilfe von Anomaliedetektion, Clustermethoden und Klassifikationsmethoden durch Algorithmen maschineller Lernverfahren oder des Deep Learnings bestimmt werden.
Verfahren (100) nach Anspruch 6, dadurch gekennzeichnet, dass die maschinellen Lernverfahren zur Erzeugung von Zuverlässigkeitsmodellen Klassifizierungsmethoden und Regressionsmodelle umfassen.
Fertigungslinie zur Herstellung von Halbleiterbauelementen mit • einer nicht-relationalen Datenbank, die Produktionsdaten und Zuverlässigkeitsdaten aus verschiedenen Datenquellen speichert, und • einer Steuereinheit, die o erste Datensätze aus den Produktionsdaten erzeugt, wobei die ersten Datensätze eine erste Datendichte aufweisen, o zweite Datensätze aus den Zuverlässigkeitsdaten erzeugt, wobei die zweiten Datensätze eine zweite Datendichte aufweisen, wobei die zweite Datendichte der ersten Datendichte entspricht, und o Zusammenhänge zwischen den ersten Datensätzen und den zweiten Datensätzen mit Hilfe von maschinellen Lernverfahren ermittelt, dadurch gekennzeichnet, dass die Steuereinheit relevante Untergruppen aus den Zusammenhängen bestimmt, wobei die relevanten Untergruppen als Eingangsparameter für Zuverlässigkeitsmodelle durch maschinelle Lernverfahren dienen, wobei die Zuverlässigkeitsmodelle virtuelle Zuverlässigkeitswerte erzeugen, die Zuverlässigkeitsvorhersagen umfassen, und die Steuereinheit die Eingangsdaten der Fertigungslinie in Abhängigkeit der Zuverlässigkeitsvorhersagen verändert.