大数据分析和人工智能正逐渐成为半导体制造不可或缺的环节。然而，真正的挑战不在于数据收集，而在于 能否获取到工程师和系统能够直接利用、分析并据此大规模采取行动的数据。 正如 PDF Solutions 的 Jon Holt 在 PDF 2025用户大会上所言：
“我们该如何处理这场比赛‑曲球般的数据曲线，将分散在不同数据孤岛中的信息整合起来，并以所需的规模和性能实现切实的成果？”。
在半导体工厂生成的众多数据类型中， 故障检测与分类（FDC） 无疑是工艺控制和良率分析中最为关键、也最具挑战性的数据来源之一。FDC被广泛用于监控设备，确保工艺参数保持在规格范围内。与此同时，FDC的设备追踪数据能直接捕捉晶圆加工过程中设备的运行状态，且通常与良率及电气测试结果呈现出显著的相关性。
问题在于，FDC数据是 很高‑、高‑，且结构复杂，使得其难以得到有效管理和分析。若没有 分析‑现成的FDC数据基础，就很难可靠地应用FDC数据来实现根本原因分析、自动化或AI驱动的应用程序。
本文解释了 为何分析‑的FDC数据至关重要‑的根本原因分析，其作用 揭示产量和‑测试问题，以及它如何 使人工智能应用能够在生产环境中被信赖。
注：本文中的FDC数据特指时间‑工具传感器记录的数据，这些记录捕捉了加工过程中腔室和设备的运行状态。
1. 半导体制造中的FDC数据是什么？
FDC设备跟踪（ET）数据包括 时间‑在晶圆加工过程中从半导体设备采集的基于时间的传感器信号。这些信号（如压力、温度、气体流量、射频功率、运动和时序）记录了设备在执行工艺配方时的实际运行状态。
在每次工艺运行过程中，设备会持续生成反映其实际运行状态的传感器数据。当这些信号与工艺背景信息（如设备、腔室、工艺配方和步骤信息）相结合时，便形成了一份详细的记录， 工艺的执行过程，而不仅仅是是否成功完成。
这种对设备行为的内在理解，使得FDC工具的追踪数据成为理解工艺稳定性、监测波动，以及将设备行为与下游良率及电气性能建立关联的基础数据源。
2. 为什么FDC在芯片制造中如此重要？
半导体制造从根本上来说 工艺‑由。器件的性能、良率和可靠性不仅取决于设计意图，还取决于在数百个严格受控的工艺步骤中，每片晶圆的加工是否始终如一且精准。
FDC 工具追踪数据之所以重要，是因为它提供了 对制造过程本身的直接可视化。下游测量虽能揭示工艺结果，但工具轨迹数据却能捕捉每次运行中产生这些结果的物理条件，包括压力稳定性、热响应、气体输送行为、射频特性以及时序。
许多与屈服和参数相关的问题并非以突发故障的形式出现。相反，它们往往源于 设备行为中细微而渐进的变化：缓慢漂移、腔室间不匹配、控制响应退化，或是维护后引入的改变。这些变化可能在很长一段时间内不会触发报警或被在线测量检测到，但它们会不断累积，最终影响良率或电气性能。FDC 设备曲线往往是观察到这些变化的最早迹象。
图1. FDC 数据采集与应用数据流
作为 fabs 在 规模和复杂度不断提升，产品涉及多台设备、多个腔室及多家供应商，FDC 提供了一套一致的、 数据驱动的驱动 的方法来比较设备行为并系统地 识别 变异来源。
3. FDC 传统上是如何用于工具管理的？
传统上，FDC 系统用于通过预定义指标实时监控设备运行状况并检测异常。工程师通常不会对每次运行的完整传感器波形进行分析，而是依赖于从每个配方步骤中的特定时间窗口计算得出的汇总指标。
这些指标是通过统计运算（如平均值、最大值、最小值、标准差、斜率或稳定性）从原始刀具轨迹中得出的。每个指标都会与代表正常刀具行为的历史基准线或控制限进行对比。
在生产过程中，传统的FDC会回答以下问题：
- 腔室压力是否在预期的工作范围内？
- 在该工艺步骤中，射频功率是否稳定？
- 气体流量是否符合预期的上升和稳定趋势？
- 温度响应是否符合限定条件？
当某项指标超出限值时，系统会触发警报，这可能导致对晶圆进行标记、通知工程师或暂停腔室运行。在此过程中，FDC 作为设备保护和工艺稳定机制，确保加工过程始终保持在合格的操作范围内。
图2. FDC指示器生成与控制概述
4. 如何利用FDC追踪产量和E-Test的变异性？
虽然基于警报的FDC（反馈控制）在捕捉明显偏差方面非常有效，但许多良率变化和电气测试偏差其实源于细微的工艺变化，这些变化并未违反任何单一控制限值。压力漂移、射频不稳定、气体流量波动、温度偏移或腔室不匹配等问题可能长期悄然存在，直到后期才表现为CD偏移、参数波动或良率下降。
基于工艺设备数据（FDC）的指标能够捕捉到这些变化，且远在这些变化在下游环节显现之前。通过分析不同设备、腔室、时间段及受影响批次之间的FDC数据关联，工程师可以识别出以下规律：
- 腔室匹配偏差导致系统性电气测试偏差
- 传感器或控制漂移导致参数长期变化
- 与随机收率损失相关的工艺稳定性逐渐下降
- 处理能够区分正常晶圆与有问题的晶圆的特征
FDC 并非取代其他产率分析方法，而是对其进行补充。当作为常规产率调查的一部分使用时，FDC 能够提供一种上游视角，将工艺的内在行为与产品结果直接联系起来。
5. Exensio 如何利用可直接分析的 FDC 数据帮助识别产量波动的根本原因？
Exensio Yield Aware FDC 通过使工程师不仅能将FDC 指标用于监控，还能将其作为良率及参数分析的数据源，从而扩展了传统 FDC 系统的价值。在Exensio 过程控制系统中生成的指标具有结构化、可追溯且可直接用于分析的特点，这使得将设备行为与下游响应（如电气测试、在线测量或缺陷数据）相关联变得十分简单。
在某客户案例中，工程师们将FDC指标与电气测试结果相结合，并对多个参数之间的相关性进行了排序。这立即揭示了晶体管漏电流与特定间隔层刻蚀步骤中反射功率指标之间的强烈相关性。调查工作无需在整个工艺流程中广泛排查，仅用数小时便锁定了一个具体的设备信号和工艺模块。
图3. 间隔层刻蚀反射功率与晶体管漏电流之间相关性的示例。
一旦发现这种关联，工程师们便利用 Exensio 的集成工作流对反射功率指标进行了时间趋势分析。趋势显示，在一次例行预防性维护（PM）之后，该指标出现了明显的上升趋势。随后，工程师们直接从指标趋势深入到原始 FDC 工具波形中，对比了维护前后传感器的运行状况。
对原始曲线数据的分析表明，反射功率信号的尖峰区域和稳态区域均向上偏移，这表明存在系统性的工艺变化，而非随机噪声。由于该指标具有物理意义且与工艺步骤高度吻合，工程师能够解读信号行为，并针对预防性维护期间引入的腔室或等离子体条件变化提出具体假设。
这一发现促使我们采取了有针对性的纠正措施，包括收紧相关传感器的统计过程控制（SPC）规范、修改维护程序、增加预运行次数，以及在将试验箱恢复生产前明确验证FDC信号的稳定性。重要的是，这些措施是基于数据的，而非靠试错法得出的。
图 4. Exensio 中时间序列变化及原始传感器轨迹提取的示例
除了具体案例之外，Exensio 还提供了基于 PDF Solutions 在众多客户项目中积累的经验而开发的内置分析模板。这些模板集成了常见的分析模式，例如反应室匹配分析、漂移检测和超标筛查，使工程师能够以最少的准备工作应用经过验证的方法。
最后，一旦定义了新的模板，工程师只需单击一下，即可将相同的分析重新应用于新数据，从而能够持续监控工具和模块随时间的变化情况。这使得FDC分析从一次性的活动转变为可重复、可扩展的工作流程，并能自然地融入日常良率工程实践中。
图5. Exensio 可复用模板（用于未来将要添加的数据）
6. 在良率控制方面，FDC 与在线测量如何相辅相成？
在线测量仍是半导体制造的关键支柱。光学测量、CD-SEM、对准测量和膜厚监测等技术，能够提供关键反馈，以判断工艺结果是否符合设计意图。这些测量对于工艺开发、认证和生产监控而言不可或缺。
与此同时，在线测量本身存在固有局限性，尤其是在器件结构不断微缩且日益复杂的情况下。每项在线测量都依赖于人为定义的测量方案，其中包括照明设置、光学模型、拟合算法以及对被测结构的假设。尽管这些方案经过了精心优化，但它们不可避免地只是对高度复杂的物理系统的一种简化呈现。
随着工艺条件的变化，即使底层工艺行为发生改变，在线测量结果仍能保持稳定。在这种情况下，测量结果反映的是工艺配方所敏感的因素，而不一定反映设备或材料堆栈中发生的所有变化。
在先进工艺节点上，这一挑战变得更加突出。许多对良率至关重要的结构（例如埋入式界面或GAA架构中的有源器件区域）难以通过光学手段进行检测。因此，在线测量往往依赖于间接指标，而非直接观察那些最终决定电气性能的结构。此外，许多对良率影响重大的材料特性（如应力、成分、电阻率或界面质量）也无法在产品晶圆上以足够的分辨率进行直接测量。
FDC 工具轨迹数据通过在每次晶圆运行期间捕获设备内部的实际工艺条件，弥补了这些不足。压力、温度、气体输送、射频行为、时序以及腔室状态等信号，能够持续反映器件形成过程中的工艺环境，即使关键结构无法直接测量时也是如此。
虽然在线测量能提供有关工艺结果的重要反馈，但其结果并不总是与良率或电气测试结果呈显著相关。某些限制良率的机制是由工艺条件驱动的，而这些条件无法通过标准的在线测量直接观测到。
在这些情况下，FDC 设备追踪数据往往能更清晰、更明确地反映设备内部的固有工艺环境，从而与良率及电气测试表现呈现出更显著的相关性。这使工程师能够将良率波动追溯到具体的设备、腔室、工艺步骤及设备行为，从而揭示那些仅凭计量数据难以发现的根本原因。
7. 为什么功能强大的、支持分析的FDC数据平台对基于人工智能的分析至关重要？
随着晶圆厂开始探索基于人工智能的分析，许多企业发现，主要挑战并非模型选择，而是数据的准备情况。在制造环境中，人工智能能否取得成功，首先取决于输入数据的质量、结构和一致性。
仅凭原始的FDC工具轨迹，AI模型无法有效学习。它们依赖于定义明确且具有物理意义的指标，这些指标能够一致地反映不同工具、腔室和时间跨度下的工艺行为。如果指标定义不明确、与工艺步骤不匹配，或在不同设备间不一致，即使是最先进的模型也会产生不稳定或无法解读的结果。
这就是为什么指标质量比模型复杂度更重要的原因。要想让人工智能在生产环境中获得信任，指标必须：
- 反映真实的流程行为，而非噪声或伪影
- 应基于明确定义且考虑流程的时间窗口进行计算
- 在不同工具、腔室和配方版本之间保持稳定且可比
- 便于工程师理解，从而支持验证和根本原因分析
Exensio Process Control 的设计初衷是以分析为核心目标，而不仅仅是生成报警。它提供了一个结构化的框架，用于定义、管理和验证适用于高级分析和人工智能应用的 FDC 指标。诸如基于工艺的指标定义、跨工具一致性以及传感器优先级排序等功能，确保了指标能够形成一个稳定且值得信赖的特征空间。
在各类制造数据源中，FDC 工具轨迹数据经过适当结构化处理后，特别适合用于人工智能：
- 它具有高密度，是在每次运行时捕获的数据，而非定期抽样获得的
- 这与过程物理学有着直接的联系
- 其中包含丰富的背景信息，例如工具、腔室、配方和步骤说明
- 它对工艺的早期变化非常敏感，往往在良率受影响显现之前就能察觉
重要的是，为人工智能做好准备并不需要对工作流程进行根本性的改变。那些已经基于工艺理解定义指标、保持一致的FDC数据收集、分析趋势和相关性，并在良率调查中使用FDC的晶圆厂，自然而然地为人工智能和先进的工艺控制奠定了基础。
从这个意义上说，人工智能并非优质FDC实践的替代品，而是其延伸。随着FDC指标管理质量和规范性的提升，人工智能的价值也会随之增加。
参考文献：
| 缩写 | 定义 |
| FDC | 故障检测与分类 |
| ET | 设备轨迹 |
| RF | 射频 |
| CD | 关键尺寸 |
| e-test | 电气测试 |
| SPC | 统计过程控制 |
| CD-SEM | 关键尺寸扫描电子显微镜 |
| GAA | 四面围墙 |
| AI | 人工智能 |
| APC | 高级过程控制 |