このブログはもともとcimetrix.comに掲載されていました。
本シリーズ「スマート製造におけるEDAの応用と利点」の第3回では、主要半導体メーカーにおけるEDA/インターフェースA規格群の機能を活用する製造アプリケーションの第一弾を紹介しました。第4回となる本稿では、これまで業界全体でEDA導入を牽引してきた主要アプリケーション、すなわち故障検出・分類（FDC）に焦点を当てます。
問題の定義
FDCが対処する問題は、何らかの理由で許容動作範囲から外れた装置による材料加工から生じる不良品の発生防止である。現在の主要FDCシステムで広く採用されている手法は、「良品」と「不良品」のランデータに基づくトレーニングセットを用い、様々な生産動作点に対する「縮小次元」統計的故障モデルを開発することである。 これらのモデルは、処理中に装置から収集される主要パラメータ（通常はトレースデータ）を用いてリアルタイムで評価され、プロセス逸脱を検知し、差し迫った装置故障を予測します。最先端のファブでは、FDCソフトウェアはプロセスフローを管理するシステムと深く統合されており、稼働中の装置操作を中断して不良品の発生を防止・低減することさえ可能です。
もちろん、この種のアルゴリズムにおける課題は、潜在的な故障の原因をすべて捕捉できるほど「厳密」なモデルを開発しつつ（つまり偽陰性を排除しつつ）、偽陽性（誤警報、あるいは「狼少年」とも呼ばれる）の発生を最小限に抑えるための十分な余裕を残すことです。 これには、機器からの高品質なデータに加え、処理プロセス設計と統計分析の専門知識が大量に必要となる。これにより、対応すべき多様な生産ケースに対応する故障モデルを開発・更新できるのだ。多品種生産の鋳造環境では、この状況がさらに深刻化する。
ソリューションコンポーネント
現代のFDCシステムの核心は、大量の時系列データを処理可能な堅牢な多変量統計解析ツールボックスである。「大量」とは、個別の設備パラメータの数と各パラメータのサンプル数の両方を指す。これらのソフトウェアツールは、潜在的に数百に及ぶパラメータを、限られた設備パラメータ群（例えば20～30個）を用いてオンザフライで計算可能な少数の「主成分」に集約する。 これらの主成分を総合的に見れば、プロセス状態を十分に正確に表し、標準からの逸脱を検出できる。また、現実的にリアルタイムで計算可能なため、本アプリケーションはオンライン設備健全性監視装置として機能する。
生産用FDCシステムのもう一つの主要な構成要素は、多数のモデルを扱える故障モデルライブラリ管理機能である。これは、多変量アプローチでは主成分の物理的意味（すなわち「第一原理」に基づくものではない）がほとんど、あるいは全く考慮されていないため、機器の異なる動作点ごとに固有の故障モデルセットが必要となるためである。 特定の運転点に適したモデルは、モデル保存時に使用された「コンテキストパラメータ」の値と、特定の実行時の値を照合することで選択される。たとえ一部のモデルが複数の運転点で共有可能であっても、ファウンドリ・メガファブ向けの個別モデル数は依然として数千に上る。
EDA（装置データ収集）規格の活用
先進的なファブでは、特定の用途に対して、基本的なロットレベルの要約情報から、基板レベル、さらにはダイ/サイト単位で利用可能な詳細なリアルタイムデータに至るまで、幅広いデータ収集の選択肢が用意されている。FDC（ファースト・ダイ・チェック）におけるこの選択肢の範囲は、以下の表に示す通りである。
|
SEMI標準レベル |
機能性 | メリット |
| GEM/GEM300 | 初期開発後にデータ収集要件が変更された場合、障害モデルの変更が困難である | ベースライン |
| EDA凍結 I
(1105) |
故障モデルが進化し新たなデータが必要となるにつれ、機器データ収集計画を容易に変更可能；
モデル開発環境は本番システムとは分離できる |
エンジニアリングにおける労力削減；故障モデルの改善と誤警報率の低減 |
| EDA凍結II
(0710) |
条件付きトリガーを使用してトレースデータを正確に「フレーム」化し、全体的なデータ収集要件を削減する；サブファブコンポーネント／サブシステムデータを故障モデルに組み込む | さらに優れた故障モデル；故障またはプロセス逸脱の平均検出時間（MTTD）の短縮；データ後処理がほとんどまたは全く不要 |
| EDA共通メタデータ (E164) |
高度にターゲットを絞ったトレースデータ収集のため、標準的なレシピステップレベルの遷移イベントを含める； メタデータモデルを使用して必要なデータ収集計画を生成することにより、初期機器特性評価プロセスを自動化する |
ツール特性評価と故障モデル開発時間の短縮 |
| 工場固有の EDA要件 |
故障モデルに従来利用できなかった機器信号を組み込む；
プロセスおよびレシピの変更後に、データ収集計画と障害モデルを自動的に更新する； レシピ設定値を機器メタデータモデルに含める |
未定（まだ該当しない） |
左の列は、必要な機器データを提供するために使用されるSEMI規格のレベルを示します。「機能性」列はそのデータがFDC環境でどのように使用されるかを説明し、「利点」列はこれらの機能がもたらす可能性のある影響を強調しています。
あるファブが、表の3行目と4行目に記載された機能（EDA Freeze II (0710) および E164準拠のEDA共通メタデータ）を導入したと仮定しましょう。 この場合、プロセス装置は、最も要求の厳しいFDCモデルの「特徴抽出」アルゴリズムを評価するのに十分な、レシピステップ固有のサンプリングレートで詳細なプロセスパラメータを提供できる…特定のプロセス条件に最適なモデル群を選択するためのコンテキストデータと共に。 また、特定の装置パラメータは必然的にプロセス依存となるものの、レシピ実行イベントを監視し、トレースデータを提供するデータ収集計画（DCP）を生成し、モデル管理ライブラリが使用するコンテキストデータを組み立てるソフトウェアの大部分は、E164規格によって規定されたファブ全体での装置インターフェースの一貫性により、真に汎用的なものとなり得る。
FDCチームが活用できるEDA規格のもう一つの側面は、マルチクライアント機能によって実現されるシステムアーキテクチャの柔軟性である。装置が生産データ管理インフラに接続されている間も、故障モデルを開発・改良するプロセスエンジニアや統計専門家は、プロセス挙動分析、実験、継続的改善に特化した独立したデータ収集システムを利用できる。新しい故障モデルが生産段階に移行する準備が整った時点で、生産用DCPをこれらの新たな要件に合わせて更新することが可能となる。
影響を受ける主要業績評価指標
FDCは、予定外の設備停止によるコストの高さと高い製品歩留まりの維持が重要であることから、現代のファブにおいて「ミッションクリティカル」なアプリケーションと見なされている。端的に言えば、「FDCがダウンすれば、装置全体がダウンする」ということだ。これは、このアプリケーションを支えるリアルタイムデータ収集インフラも同様にミッションクリティカルであることを意味する。したがって、FDCの性能向上はファブのパフォーマンスに大きな影響を与える可能性がある。
具体的には、FDCは故障検出感度を高めることでプロセス歩留まりと廃棄率のKPIに直接影響を与え、また誤警報の発生頻度を低減することで設備稼働率および関連KPIに影響を及ぼします。誤警報はしばしば設備の生産停止を必要とするためです。
だから何？
キャリア初期に賢明な同僚から、プレゼンテーションや記事、会話の最後に必ずこの質問への答えを用意するよう助言された。今回の投稿では財務的観点からこの問いに答えるため、量産300mmファブにおけるFDC誤警報のコストを検討しよう。
仮定すると
- ツール稼働時間1時間は2200米ドル相当、合格ウェハー1枚は250米ドル、エンジニア/技術者時間1時間は150米ドルである。
- 誤警報を解決するには、工具作業時間5時間、エンジニアリング時間2時間、および6枚の品質検査用ウェーハが必要です。
誤警報1件あたり、会社に約12,000ドルの損失が発生します。2,000台の設備を有するファブで、平均誤警報率が1台あたり年間2件の場合、年間コストは約5,000万ドルに上ります！誤警報率を50％削減（これは非現実的ではない）すれば、年間2,500万ドルの節約効果が得られます。
これが「本物の価値」に思えるなら、ぜひお電話ください。最新のFDCシステムやそれ以降の世代を支えるために必要な、標準ベースのデータ収集インフラを基盤としたスマート製造への道筋について、その実現方法を理解するお手伝いをいたします。
自動化要件に関するEDA/Interface A規格の詳細については、本日、EDA/Interface Aホワイトペーパーをダウンロードしてください。