這篇部落格文章最初發表於 cimetrix.com
在本系列第四篇文章《故障檢測與分類》中，我們重點介紹了迄今為止推動業界廣泛採用 EDA（設備資料擷取）標準的主要驅動力——即故障檢測與分類（FDC）。在本篇文章中，我們將探討另一項能有效發揮 EDA 標準功能的關鍵應用：機隊配對與管理。
問題陳述
設備群配對（亦涵蓋腔室與工具配對）所解決的問題，在於將大量同類設備維持在相同的運作點，藉此透過驅動現代晶圓廠運作的即時排程與調度系統，將批次排程的靈活性最大化。此舉可避免特定設備實例被專門用於（因而預留給）某些產品、製程或配方中的關鍵層，此類情況可能降低受影響製程區域的有效產能。 這種情況的發生，是因為設備隨時間推移會自然產生「漂移」，尤其是當對設備進行手動調整時，或是其他因素（例如維護作業、耗材更換、關鍵子系統更換等）影響了設備的運作範圍。
當然，問題的一部分在於該選擇哪種設備作為所謂的「黃金工具」。而且，視晶圓廠的產品／製程組合範圍而定，可能有多個候選目標可供選擇，這使得任務更加複雜。
解決方案的組成部分
解決當今許多複雜的製造問題，都需要大量高品質的設備數據，而機隊配對也不例外。與 FDC 一樣，選擇「黃金工具」同樣需要一些資訊，例如哪些近期批次展現出最高的良率，且必須將這些資訊與整個製程中使用的設備相互關聯。 然而，與 FDC 不同的是，無需針對各種情境組合建立數百（甚至數千）個專屬的多變量故障模型，因為腔室／工具／設備群配對的基本原理是：「如果一套設備的所有基本運作機制都能穩定運作，那麼該設備群的整體行為也應同樣穩定。」 這意味著配對過程在很大程度上可以獨立於製程配方，相較於其他基於統計的應用，這是一項重大的簡化。
這並非如乍看之下那般簡單，因為一套複雜的設備可能包含數十種此類機制（如壓力／流量控制、多區域溫度控制、運動控制、電力／相位產生等），為了準確描述與監控設備的運作狀況，必須蒐集數以千計的參數。此外，靜態與動態的設備配置資訊也至關重要，因為在某些製程中，相似（但並非完全相同）的工具可能具有互換性。
這正是 EDA 標準發揮作用之處。
EDA 標準的應用
雖然 SEMI EDA 標準並未明文規定，但其設計者的初衷與期望，是支援一種比大多數 SECS/GEM 實作中實際可行的更豐富（即「更詳細」）的設備元資料模型。就設備群匹配與管理而言，這不僅包含關鍵設備機制（如上所述）的高階狀態變數，還包括其底層元件的設定點、內部控制參數以及詳細狀態。
元數據模型還必須包含一套完整的設備常數，這些常數用以控制工具的運作，因為操作員有時會於允許範圍內「即時」調整這些「常數」。雖然這可能是一種可接受的生產做法，但它仍會影響工具的運作範圍，因此必須在配對演算法中加以考量。
此外，通訊介面應能以足夠高的頻率對這些詳細參數進行採樣與資料擷取，以便完整觀察這些機制的即時運作狀況，讓製程與設備工程師能更深入地了解設備的實際運作方式。支援此等級的設備可視性，亦是 EDA 標準中明文規定的一項要求。
一旦收集到這些數據，便可運用各種分析工具來檢視設備參數中的相似性與異常現象，從而找出對實現穩定製程表現至關重要的因素。截至本文撰寫之際，已有不少企業將此領域視為人工智慧與機器學習技術的理想應用場景。敬請持續關注此領域令人振奮的發展動態。
受影響的關鍵績效指標 (KPI)
受製程配對與管理應用程式影響最大的關鍵績效指標（KPI）是整體廠區週期時間，因為排程系統能夠最佳化利用所有可用設備，以推動物料在晶圓廠內流轉。
設備的正常運行時間也因此得到提升，因為作為機隊配對基礎的持續設備機制「指紋識別」流程，能在潛在問題導致整台設備故障之前就及早發現並處理。最後，當有更多設備實例可用於執行實驗性批次（而非僅靠專用設備來處理）時，新製程的良率爬坡期也能相應縮短。
若您目前正面臨如何讓一大批表面上相同的設備保持穩定運轉的挑戰，歡迎致電我們。我們能協助您了解如何建置以標準為基礎的「智慧製造」資料蒐集基礎架構，以支援在最新一代製造應用中日益普及的機器學習演算法……包括設備配對與管理。