大數據分析與人工智慧正逐漸成為半導體製造不可或缺的環節。然而，真正的挑戰不在於資料蒐集，而在於 能否取得足以讓工程師和系統大規模地運用、分析並據此採取行動的數據。 正如 PDF Solutions 的 Jon Holt 在 PDF Solutions 2025 用戶大會上指出：
“我們該如何處理這場冰球賽‑曲線狀的數據，將來自不同資料孤島的資訊整合起來，並以達到實際成效所需的規模與效能運作？」。
在半導體晶圓廠所產生的眾多資料類型中， 「故障檢測與分類」（FDC） 堪稱製程控制與良率分析中最關鍵、也最具挑戰性的資料來源之一。FDC 廣泛用於監控製程設備，並確保製程參數維持在規格範圍內。同時，FDC 設備追蹤資料能直接記錄晶圓處理過程中設備的運作狀況，且往往與良率及電氣測試結果呈現高度相關性。
挑戰在於 FDC 資料是 很高‑、高‑高頻率且複雜，使得有效管理與分析變得困難。若缺乏 分析‑即用的 FDC 數據基礎，便難以可靠地運用 FDC 數據來進行根本原因分析、實現自動化，或開發AI 驅動的應用程式。
本文闡述 為何分析‑已預先分析好的 FDC 數據對產量根源分析‑根本原因分析，以及它如何協助 揭露產量與‑測試問題——這些問題僅憑內嵌測量無法解釋，以及它如何 使人工智慧應用程式能在生產環境中獲得信賴。
註：本文中所指的 FDC 數據，特指時間‑系列工具感測器曲線，用以記錄加工過程中腔室與設備的運作狀況。
1. 在半導體製造中，何謂 FDC 資料？
FDC 設備追蹤（ET）資料包含 時間‑在晶圓製程期間從半導體設備所收集的基於時間的感測器訊號。這些訊號（例如壓力、溫度、氣體流量、射頻功率、運動及時序）可記錄設備在執行製程配方時的實際運作狀況。
在每次製程運行期間，製程設備會持續產生反映其實際運作狀態的感測器數據。當這些訊號與製程背景資訊（例如製程設備、腔室、製程配方及步驟資訊）結合時，便會形成一份詳細的紀錄，說明 製程的執行過程的詳細紀錄，而不僅僅是記錄其是否成功完成。
這種對設備行為的本質性觀點，使 FDC 工具的追蹤數據成為理解製程穩定性、監控變異性，以及將設備行為與下游良率及電氣性能建立關聯的基礎來源。
2. 為何 FDC 在晶片製造中如此重要？
半導體製造的根本在於 製程‑驅動。元件的性能、良率與可靠性，不僅取決於設計意圖，更取決於每片晶圓在數百個嚴格控管的製程步驟中，能否以高度一致且精確的方式進行處理。
FDC 工具追蹤資料之所以重要，是因為它能提供 對製造製程本身的直接可視性。雖然下游測量能揭示製程結果，但工具軌跡數據則能捕捉在每次運行中產生這些結果的物理條件，包括壓力穩定性、熱響應、氣體輸送行為、射頻特性以及時序等。
許多與產量及參數相關的問題，起初並非以突發性故障的形式出現。相反地，它們往往源於 設備行為中微小且漸進的變化：緩慢的漂移、各腔室間的不匹配、控制響應劣化，或是維護後引入的變化。這些變化在相當長的一段時間內可能不會被警報或線上測量所察覺，但它們會逐漸累積，最終影響良率或電氣性能。FDC 設備的軌跡記錄通常是觀察到這些變化的最早跡象。
圖 1. FDC 資料蒐集與應用程式資料流
由於 fabs 運作 產能與複雜度不斷提升，產品橫跨多種製程設備、處理室及供應商之際，FDC 提供一致且 數據‑數據驅動的 方法，用以比較設備的運作表現，並系統性地 識別 變異來源。
3. FDC 傳統上如何用於工具控制？
傳統上，FDC 系統是用來即時監控設備運作狀況，並透過預先定義的指標來偵測異常。工程師通常不會針對每次運行分析完整的感測器波形，而是依賴從每個製程步驟中的特定時間區間所計算出的摘要指標。
這些指標是透過對原始刀具軌跡進行統計運算（例如平均值、最大值、最小值、標準差、斜率或穩定性）而得出的。每個指標都會與代表刀具正常運作狀況的歷史基準線或控制限進行比較。
在生產過程中，傳統的 FDC 會解答諸如以下問題：
- 腔室壓力是否在預期的工作範圍內？
- 在該製程步驟中，射頻功率是否穩定？
- 氣體流動是否呈現預期的上升與趨穩行為？
- 溫度反應是否符合指定條件？
當指標超出其限值時，系統會觸發警報，這可能導致晶圓被標記、通知工程師，或暫停處理室運作。在此功能下，FDC 作為工具保護與製程穩定機制，確保處理過程始終維持在合格的運作範圍內。
圖 2. FDC 指示器產生與控制概覽
4. 如何利用 FDC 來追蹤產率與 E-Test 的變異？
雖然基於警報的 FDC 對於偵測明顯的偏差相當有效，但許多良率與電氣測試的偏移，其實源自於細微的製程變化——這些變化並未違反任何單一控制限值。壓力漂移、射頻不穩定、氣流波動、溫度偏移或腔室不匹配等現象，可能長期悄然存在，直到後來才以電化學偏移、參數變化或良率損失的形式顯現。
由製程設備追蹤資料衍生的 FDC 指標，能在這些變化於下游階段顯現之前，便準確地捕捉到這些變化。透過跨製程設備、晶圓室、時間段及受影響批次進行 FDC 數據的關聯分析，工程師得以辨識出諸如以下的模式：
- 腔室匹配偏差導致系統性電氣測試偏移
- 感測器或控制系統的漂移導致長期參數變化
- 與隨機產率損失相關的製程穩定性逐漸惡化
- 可區分正常晶圓與有問題晶圓的製程特徵
FDC 並非用以取代其他產率分析方法，而是對其進行補充。當作為例行產率調查的一部分時，FDC 能提供上游視角，將製程的內在行為直接與產品結果建立關聯。
5. Exensio® 如何利用「分析就緒型」FDC 數據協助找出產量波動的根本原因？
Exensio Yield Aware FDC 透過讓工程師不僅能將FDC 指標用於監控，更能作為良率與參數分析的資料來源，從而擴展了傳統 FDC 系統的價值。在Exensio Process Control中產生的指標具有結構化、可追溯且可直接進行分析的特性，使工程師能輕鬆將設備行為與下游反應（例如電氣測試、在線量測或缺陷資料）建立關聯。
在某個客戶案例中，工程師將 FDC 指標與電氣測試結果結合，並對多個參數之間的相關性進行排序。這立即揭示了晶體管洩漏電流與特定間隔層蝕刻步驟所產生的反射功率指標之間存在強烈相關性。調查工作無需在整個製程流程中廣泛搜尋，而是在數小時內便鎖定至單一設備訊號與製程模組。
圖3. 間隔層蝕刻反射功率與電晶體洩漏電流之間相關性的範例。
一旦確認了這項關聯性，工程師便利用 Exensio 的整合式工作流程，對反射功率指標進行時間趨勢分析。趨勢圖顯示，在一次例行預防性維護（PM）作業結束後，該指標立即出現明顯的上升趨勢。接著，工程師直接從指標趨勢圖深入檢視FDC 工具的原始波形，並比較維護前後感測器的運作狀況。
經檢視原始波形後發現，反射功率訊號的尖峰區段與穩態區段均向上偏移，這表明此現象源於系統性的製程變化，而非隨機雜訊。由於該指標在物理上具有實質意義，且與製程步驟高度吻合，工程師得以解析訊號的行為，並針對預防性維護期間所引發的腔室或等離子體條件變化提出具體假說。
這項洞見促使我們採取針對性的矯正措施，包括收緊相關感測器的 SPC 規格、修改維護程序、增加預熱運行，以及在將腔室恢復生產前明確驗證 FDC 訊號的穩定性。重要的是，這些措施是基於數據而非試錯法而實施的。
圖 4. Exensio 中時間序列變化與原始感測器曲線擷取的範例
除了個別案例之外，Exensio 還提供內建的分析範本，這些範本是根據 PDF Solutions 在眾多客戶專案中的經驗所開發而成。這些範本整合了常見的調查模式，例如室間比對分析、漂移檢測及超出範圍篩選，讓工程師能夠以最少的設定步驟，直接套用經過驗證的方法。
最後，一旦定義了新的範本，工程師只需輕點一下，即可將相同的分析重新套用至新資料，從而能夠持續監控工具與模組隨時間的運作狀況。這使得 FDC 分析從一次性活動，轉變為可重複且可擴展的工作流程，並能自然地融入日常的良率工程實務中。
圖 5. Exensio 未來數據的可重複使用範本
6. 在良率控制方面，FDC 與內嵌式測量如何相輔相成？
在線量測仍是半導體製造的重要支柱。諸如光學量測、CD‑SEM、對位量測及薄膜厚度監測等技術，能提供關鍵回饋，用以判斷製程結果是否符合設計意圖。這些量測對於製程開發、認證及生產監控而言，皆不可或缺。
與此同時，在線測量存在固有的局限性，特別是在裝置結構微縮且日益複雜的情況下。每項在線測量皆依賴於由人定義的測量流程，其中包含照明設定、光學模型、擬合演算法，以及對被測量結構的假設。儘管這些流程經過仔細優化，但它們無可避免地僅能呈現高度複雜物理系統的簡化視圖。
隨著製程條件的變化，即使底層製程行為發生改變，線上測量結果仍能保持穩定。在這種情況下，測量結果反映的是製程配方所敏感的因素，而不一定涵蓋裝置或材料堆疊中發生的所有變化。
在先進製程節點中，這項挑戰變得更加明顯。許多對良率至關重要的結構（例如埋入式介面或 GAA 架構中的主動元件區域）難以透過光學方式檢測。因此，線上測量只能依賴間接指標，而非直接觀察這些最終決定電氣性能的結構。此外，許多對良率影響重大的材料特性（例如應力、成分、電阻率或介面品質），無法在產品晶圓上以足夠的解析度直接測量。
FDC 工具追蹤資料透過在每次晶圓製程運行期間，擷取設備內部實際的製程條件，來彌補這些缺口。壓力、溫度、氣體輸送、射頻行為、時序及腔室狀態等訊號，即使在無法直接測量關鍵結構的情況下，仍能持續提供關於元件形成過程環境的完整可視性。
雖然在線測量能提供有關製程結果的重要回饋，但其結果未必總是與良率或電氣測試結果呈高度相關。某些限制良率的機制，其實是由標準在線測量無法直接觀察到的製程條件所驅動的。
在這些情況下，FDC 設備追蹤數據往往能反映設備內部固有的製程環境，因此與良率及電氣測試表現呈現更清晰且更強烈的關聯性。這使工程師能夠將良率波動追溯至特定的設備、處理室、製程步驟及設備行為，並揭示那些若僅依賴量測數據便難以發現的根本原因。
7. 為何強大的、具備分析就緒能力的 FDC 資料平台對於基於人工智慧的分析至關重要？
隨著晶圓廠開始探索基於人工智慧的分析技術，許多廠商發現，主要的挑戰並非模型選擇，而是資料的準備程度。在製造環境中，人工智慧能否成功，首先取決於輸入資料的品質、結構與一致性。
AI 模型無法僅憑 FDC 工具的原始追蹤資料有效學習。它們仰賴定義明確且具物理意義的指標，這些指標須能一貫地反映跨工具、跨腔室及跨時間的製程行為。若指標定義不當、與製程步驟不對齊，或跨設備之間不一致，即使是最先進的模型，也會產生不穩定或無法解讀的結果。
這就是為什麼指標的品質比模型的複雜度更為重要。若要讓人工智慧在實際運作中獲得信任，指標必須：
- 反映真實的流程行為，而非雜訊或人工產物
- 應根據明確定義且符合流程的時段進行計算
- 在各種工具、腔室及配方版本之間保持穩定且可比性
- 能讓工程師理解，從而進行驗證及追溯根本原因
Exensio 製程控制系統的設計以分析為首要目標，而不僅僅是產生警報。它提供了一個結構化的框架，用於定義、管理和驗證適合進階分析與人工智慧應用的 FDC 指標。諸如「具備製程感知能力的指標定義」、「跨工具一致性」及「感測器優先級設定」等功能，可確保這些指標構成一個穩定且值得信賴的特徵空間。
在各類製造數據來源中，FDC 工具追蹤數據若經過適當結構化，特別適合用於人工智慧：
- 這是一種高密度數據，是在每次運行時皆會記錄，而非定期抽樣所得
- 這與製程物理學有直接關聯
- 其中包含豐富的相關資訊，例如工具、容器、食譜及步驟說明
- 它能敏銳地察覺製程的早期變化，往往在產量受影響的跡象顯現之前便已察覺
重要的是，為人工智慧做好準備，並不需要對工作流程進行根本性的改變。那些已經根據製程理解來定義指標、維持一致的 FDC 資料蒐集、分析趨勢與關聯性，並在良率調查中運用 FDC 的晶圓廠，自然而然地正在為人工智慧與先進製程控制奠定基礎。
從這個意義上來說，人工智慧並非用來取代良好的 FDC 實務，而是對其的延伸。隨著 FDC 指標管理的品質與規範性不斷提升，人工智慧的價值也會隨之增加。
參考文獻：
人工智慧在製程控制領域的演進：從基礎的統計製程控制（SPC）到代理式人工智慧系統
| 縮寫 | 定義 |
| FDC | 故障檢測與分類 |
| ET | 設備軌跡 |
| RF | 射頻 |
| CD | 關鍵尺寸 |
| e-test | 電氣測試 |
| SPC | 統計製程控制 |
| CD-SEM | 關鍵尺寸掃描電子顯微鏡 |
| GAA | 四面皆有大門 |
| AI | 人工智慧 |
| APC | 進階製程控制 |