化合物半導体産業は根強い課題に直面している：結晶成長やエピタキシー工程で生じた欠陥は、最終試験や組立工程まで顕在化せず、その時点で歩留まり損失を防ぐには手遅れでコストがかかりすぎる。 炭化ケイ素（SiC）、窒化ガリウム（GaN）、および砒化ガリウム（GaAs）材料を扱うメーカーにとって、問題は基板欠陥が歩留まりに影響するかどうかではなく、ウェハーが下流工程へ移る前にその影響を予測し軽減する方法にある。
化合物半導体製造の課題
化合物半導体は、シリコンでは対応できない用途において不可欠な存在となっている。その高い電子移動度は、現代通信を支える5G/6G RFチップや高速電子機器を実現する。直接バンドギャップ特性により、LED、レーザーダイオード、赤外線センサーにおける効率的な発光が可能となる。高い絶縁破壊電圧と優れた熱伝導性を兼ね備えるため、EV用パワーエレクトロニクス、急速充電器、再生可能エネルギーシステムに求められる過酷な条件下での動作を可能にする。
しかしながら、これらの性能上の利点は製造上の複雑さを伴い、以下の三つの重大な問題を引き起こす：
材料欠陥は発生源にある。 結晶成長とエピタキシーは高コストなプロセスであり、欠陥の発生源となるが、これらの欠陥は多くの場合、後工程の試験や組立段階で初めて明らかになる。その時点では、最終的に廃棄されるか歩留まりが低下するウェハーに多大な付加価値が与えられている。統合されたデータシステムなしでは、基板やエピタキシャル層に起因するこれらの不具合をその発生源まで遡及することは困難である。
異なるシステムに分散したサイロ化されたデータ。 製造データは複数の拠点、工場、設備システムに断片化して存在している。基板欠陥、インライン工程データ、最終電気試験結果を結びつける一元的な視点がなければ、根本原因分析は体系的なエンジニアリングプロセスではなく、時間のかかる手作業となってしまう。
信号を圧倒する厄介な欠陥。 ウェーハ欠陥マップは、歩留まりに影響しない非重大な「不要な欠陥」で溢れかえり、真に致命的な重要欠陥を覆い隠してしまう。リワークやロット分割による基板ID変更といったデータ品質の問題が加わると、ノイズ対信号比が問題となり、有意義な分析が困難になる。
エンドツーエンドのデータ統合アプローチ
これらの課題に対処するには、製造フロー全体（ボウル成長からエピタキシー、ウェーハ前工程処理を経て、最終的に組立・最終試験に至るまで）にわたるデータを統合できるプラットフォームが必要です。Exensioプラットフォームは、インライン欠陥・計測データ、装置センサーデータ、電気的試験結果、組立トレーサビリティを単一の整合性のある階層構造に統合します。
この統一されたデータ構造により、不良ダイを原材料ロット、使用された特定の工具とレシピ、さらにはそれを生み出したプロセス条件まで遡って追跡することが可能となる。化合物半導体メーカーにとって、この完全なトレーサビリティこそが、予測機械学習を実用化する基盤である。
当プラットフォームは現在、世界中の100社以上の半導体企業に導入されており、10社以上の化合物半導体メーカーがIDM、ファウンドリ、ファブレス事業全体にわたる企業全体の歩留まり管理に活用しています。
機械学習手法：基板欠陥から歩留まり予測へ機械学習手法：基板欠陥から歩留まり予測へ
中核となる革新は、製造フローの初期段階で発生する基板欠陥と、電気試験における最終的な合格/不合格判定を関連付けることである。これにより、どの欠陥タイプが実際に歩留まりに影響を与えるかを特定し、プロセスのより早い段階で歩留まりを予測し、さらには基板が下流工程へ移る前に等級付けを行うことが可能となる。
アナリティクスフロー
機械学習のワークフローは、以下の5つの主要なステップで構成されます：
- データ収集とマッピング。 基板欠陥データ（または後工程のインライン欠陥データ）は、電気的テストのビンマップデータと共に収集される。Pythonスクリプトが絶対欠陥座標をビンマップ構成で定義されたダイ座標系にマッピングし、電気的テスト結果との欠陥数のダイ単位比較を可能にする。
- インテリジェント欠陥フィルタリング。 すべての欠陥が同じように扱われるわけではありません。Pythonスクリプトは2つの特別なカテゴリを識別しフィルタリングします：
- 強力なキラー: キル率0.9を超える欠陥で、ほぼ常にダイの故障を引き起こすもの。強力なキラーを含むダイは自動的に不合格と判定される。
- 負の相関を示す欠陥: 不合格ダイスよりも合格ダイスで奇妙に高頻度で発生する欠陥。これは歩留まりを制限する要因ではないことを示している。
両カテゴリはトレーニングデータセットから除外されるため、モデルは意味のある予測信号のみに集中する。
- 特徴量削減。 欠陥特徴量は標準化され、主成分分析（PCA）が適用され、分散の95%が保持される。この次元削減は重要な情報を捉えつつ、冗長または有用性の低い特徴量でモデルが過負荷になるのを防ぐ。
- モデルトレーニング。 フィルタリングおよび削減された特徴量セットを用いて、XGBoost分類器を10分割交差検証で訓練する。この際、単一の結果への偏りを防ぐため、クラスバランスを調整する。モデルは欠陥特性に基づき、ダイ単位の合格/不合格確率を予測することを学習する。
- 予測と評価。 訓練済みモデルは、各ダイが電気試験に合格するか不合格かを予測する。オーバーライドルールにより、重大な致命欠陥を持つダイはモデルの確率出力に関わらず自動的に不合格となる。結果には混同行列、分類指標（精度、再現率、F1スコア）、そして最も重要な予測値と実際のウェーハ歩留まりの比較が含まれる。
アンダーキルとオーバーキルのバランス
主要な機能は、ビジネス上の優先度に基づいてモデルの挙動を調整できる可変確率閾値です。閾値を下げると、不良ダイを見逃すリスク（アンダーキル）は増加しますが、良品ダイを廃棄するリスク（オーバーキル）は減少する可能性があります。閾値を上げると逆の効果が得られます。この柔軟性により、エンジニアは特定の経済的制約に基づき、歩留まり損失と製造コストのバランスを取ることが可能となります。
実運用向けインタラクティブユーザーインターフェースインタラクティブユーザーインターフェース（実運用向け）
分析ツールは、エンジニアが日常業務で実際に活用できる場合にのみ価値がある。実装には直感的な操作を可能にするインタラクティブなユーザーインターフェースが含まれる：
- A ランディングページ 概要とサイドバーナビゲーションを提供します
- An 導入ページ 入力要件とデータインポート手順を一覧表示します
- A 使用方法ページ ユーザーが入力設定を行う手順を案内し、デフォルトモデルをカスタマイズされたPythonスクリプトで置き換える方法を示します
- The 予測ページ は実際の作業が行われる場所であり、グループ化列の選択、欠陥座標マッピングの実行、合格/不合格閾値の設定、予測の実行のための入力フィールドを備えています
- 結果セクション 特別な欠陥カテゴリ、分類性能指標、3種類のウェーハマップ比較（実測マップ、予測マップ、および偽陰性・偽陽性を示す差分マップ）、ならびにウェーハおよびロットごとの実測歩留まりと予測歩留まりの比較表／散布図を表示します
- 付録ページ 付録ページ テンプレートを支える背景知識をまとめたページ
重要な点として、ユーザーはテンプレート内で直接Pythonスクリプトを開いて変更できるため、自身のプロセス知識や要件に合わせてモデルを適応させることが可能である。
実世界での応用：炭化ケイ素の事例研究
この手法は、電気自動車（EV）や高電力アプリケーションに不可欠な広バンドギャップ材料である炭化ケイ素で検証された。本ケーススタディでは、基板欠陥を電気的試験結果にマッピングし、欠陥をフィルタリング・分類した後、XGBoostモデルを訓練してダイレベルの歩留まりを予測した。
結果は以下の実用的な能力を示している：
- 基板欠陥に基づく早期歩留まり予測 付加価値が顕著になる前の基板欠陥に基づく
- 殺傷欠陥タイプの特定 真に歩留まりに影響を与える欠陥と、単なる厄介な良性欠陥の区別
- 基板の等級分け ウェハーが高価な後工程に入る前の潜在的な選別
- 視覚的証拠 エンジニアが意思決定の指針として活用できる、ビットマップ比較による視覚的証拠
- 定量的指標 モデル性能および歩留まり予測精度
中核的な製造課題の解決
この統合的アプローチは、化合物半導体製造における3つの根本的な課題に直接対処する：
遅れて現れる材料欠陥： エンドツーエンドのデータ統合と機械学習を活用することで、製造業者は欠陥の影響を工程のより早い段階で予測し、致命的な欠陥を特定し、ウェハーが下流工程へ移動する前に基板の等級付けを可能にします。
分断されたサイロ化されたデータ： プラットフォームは複数拠点およびレガシーシステムからのデータを単一環境に統合し、根本原因分析のための完全なトレーサビリティと、より効果的なサプライヤーフィードバックを実現します。
煩わしい欠陥と変動性： インテリジェントな欠陥フィルタリングと相関分析により、無害な欠陥と真に重大な欠陥を分離。調整可能な閾値を備えた予測機械学習モデルにより、ユーザーは特定のリスクとコスト優先度に基づいて、検知不足と過剰検知のバランスを調整可能。
今後の道筋
次世代アプリケーションにおいて、5G/6G通信から電気自動車、再生可能エネルギーに至るまで、化合物半導体の重要性が増すにつれ、メーカーは複雑化に対応できるツールを必要としています。統合されたデータ統合、インテリジェントなフィルタリング、機械学習による予測を組み合わせることで、早期介入、より賢明な意思決定、そして最終的には高い歩留まりを実現する道が開かれます。
エクセンシオプラットフォームは、すでに10社以上の化合物半導体メーカーが量産工程で採用している実績があります。業界が拡大を続ける中、ソース欠陥による歩留まり損失を予測・防止する能力は、単なる優位性ではなく、競争力ある製造における必須要件となるでしょう。