发表于《半导体文摘》。 点击此处查看原文
作者：史蒂夫·扎梅克
半导体行业正经历一场范式转变。
尽管硅材料在过去数十年间主导着半导体领域，但由周期表中两种或多种元素组成的化合物半导体正迅速崛起，成为下一代技术的基础。从电动汽车到5G基础设施，这些先进材料正推动着传统硅材料无法实现的创新突破。
然而，化合物半导体的制造面临着独特的挑战，需要精密的解决方案。在本深度解析中，我们将探讨先进数据分析与端到端良率管理如何重塑化合物半导体制造，使其效率更高、成本效益更佳、可靠性更强，达到前所未有的水平。
化合物半导体革命
化合物半导体市场正经历爆发式增长，尤其在碳化硅（SiC）、砷化镓（GaAs）、磷化铟（InP）和氮化镓（GaN）等高产量技术领域。尽管这些材料的市场规模尚不及硅CMOS，但其年增长率已显著超越传统半导体技术。
这种增长源于其显著优势：化合物半导体在高功率、高频和高温应用中表现卓越。它们是电动汽车电力电子设备、无线通信系统、固态照明和光子互连的关键组件。
然而，在成熟度和优化程度上，其制造工艺比硅CMOS落后数十年。
化合物半导体制造中的大数据挑战
现代半导体制造会产生海量数据——整个生产流程中每块晶圆的数据量往往高达数太字节。在汽车应用领域，这一挑战更为严峻：数据保留的严格要求迫使企业必须在存储成本与海量数据分析性能之间寻求精妙平衡。
制造周期涉及存储于不同系统中的多种数据类型，始于晶圆制造数据。这包括制造执行系统（MES）数据、设备数据与车间事件、设备日志及在线传感器轨迹、批次谱系追踪（涵盖晶圆与批次关系，包括返修数据）以及结合计量与检测的在线数据。 该数据体系还涵盖测试数据，例如工艺控制监测器（PCM）电子测试或晶圆验收测试（WAT）。晶粒级测试会生成晶圆分选数据，包含每个晶粒的分级状态及丰富的多维参数数据。随着多代工技术协同封装趋势的兴起，封装级与模块级数据的复杂度也在持续攀升。
管理这种数据复杂性需要先进的大数据分析平台，能够对数据进行归档、聚合和预处理，从而在整个制造流程中实现有意义的分析。
化合物半导体有何不同之处
化合物半导体制造的经济特性与硅基CMOS截然不同。在化合物半导体生产中，尤其是碳化硅领域，昂贵的裸衬底或外延晶圆会消耗早期工序中相当大比例的总成本。这种成本结构使得早期分析与缺陷管理对盈利能力至关重要。而能够将所有制造环节的数据贯穿至最终测试环节，对于洞察如何提升良率具有关键意义。
与硅CMOS制造不同，后者因基板成本相对低廉，制造商可将分析工作集中在后期流程中进行；而化合物半导体制造商必须从一开始就实施精密的监测与分析。这一需求推动了针对化合物半导体制造的专用应用场景和分析方法的发展。
下面我们将探讨凸显复合半导体分析必要性的应用场景。首先阐述缺陷堆叠与重新归类在根本原因分析中的优势。传统晶圆级缺陷分析往往难以揭示可操作的信息。
当缺陷数据按批次或产品层级进行堆叠并按特定属性过滤时，会显现出可归因于晶体缺陷或外延生长工艺问题的独特模式。这使制造商能够更快地识别根本原因，运用预测模型预判下游问题，并在缺陷影响良率前实施纠正措施。
第二个应用场景聚焦于衬底供应商的质量管理。 该方案采用精密分析技术，采集外延生长前后的缺陷数据，按衬底与外延供应商进行聚合分析，生成晶体级的三维缺陷分布图。通过多维度属性筛选，制造商可推动供应商质量提升：识别晶体生长缺陷源，创建贯穿组装环节的质量信息传递图谱，并筛除缺陷晶粒以预防现场故障。
将边缘工艺参数与计量结果相关联是另一种应用场景。许多制造工厂从数十至数百个设备传感器收集大量设备追踪数据，却很少将这些数据与下游计量结果进行关联分析。
先进的分析平台能够将设备数据与制造执行系统（MES）数据进行关联，从而追踪晶圆、工艺配方运行与特定腔室之间的关联性；识别工艺波动的根本原因；实现维护后的腔室鉴定；并对计量偏差进行详细的根本原因分析。
第四种应用场景是利用分析技术改进在线检测。传统方法通过晶圆级汇总数据来理解在线缺陷如何影响最终良率。化合物半导体制造存在独特复杂性，例如需要对不同供应商设备上进行的未图案化与图案化缺陷扫描结果进行缺陷图对齐。
因此，缺陷扫描需要通过多次晶圆测试插入以及老化测试、组装和最终测试中的虚拟操作，与多个二进制映射图进行对齐。先进的数据平台现已同时支持传统报废率分析和复杂的机器学习模型——这些模型利用在线数据和基板数据针对电气参数进行训练，从而实现更精准的良率预测和工艺改进。
用例五阐述了晶圆筛选与油墨图谱在汽车应用中的重要性。汽车应用要求卓越的质量水平，需要结合多道制造工序数据的精密筛选方法，包括材料供应商提供的外延缺陷、晶圆前端缺陷图谱、电学晶圆分选图谱以及老化测试的参数图谱。
通过在这个多维空间中分析模具，制造商能够实施异常值筛选，防止潜在缺陷零件流入汽车客户手中。
最后，我们注意到在组装和测试环节对预测性老化测试的需求日益增长，这已成为提升运营效率而不损害质量的有效途径。相变材料（PCM）与晶圆探针测试结果的应用，似乎能为老化测试结果提供精准预测，从而优化测试流程并降低制造成本。
先进收益管理背后的技术
要实现这些复杂的分析，需要一个包含多层架构的综合性大数据平台：
- 连接层： 采用标准 API和连接器与各类设施系统及数据库对接，确保在整个制造流程中实现无缝数据采集。
- 数据层与控件：经行业 验证的数据模型，特别是
专为半导体制造设计，可整合多种数据类型并实现全面分析。
- 应用层： 融合最新人工智能/机器学习框架的高级 分析应用，支持先进预测建模与实时决策。
- 可视化层：一套 全面的映射与图表工具，让数据探索既轻松又高效。毕竟，眼见为实。
- 完全可追溯性： 对任何物理或逻辑实体实现全向（向前或向后）的完整 可追溯性，贯穿整个制造过程。鉴于半导体制造的复杂性——模块通常包含多个晶圆厂产品，涉及多种返工步骤、批次重铸及重组操作——此项能力至关重要。
通过高级分析加速行业成熟度
尽管化合物半导体产业落后于硅CMOS数十年，但这种差距反而创造了独特机遇。通过借鉴硅制造中成熟的先进数据分析技术，化合物半导体制造商能够显著加速其发展进程。
高市场增长率与相对不成熟的制造工艺相结合，为实施复杂的分析解决方案创造了理想环境。
几年前就拥抱这些技术的公司，如今正随着化合物半导体市场的持续快速扩张，获得显著的竞争优势。
当前行业部署如今 ，包括IDM、无晶圆厂公司和代工厂在内的主要化合物半导体制造商已开始实施这些先进的分析解决方案。我们的12家客户均为大型IDM企业，其加工领域涵盖碳化硅、砷化镓、氮化镓及其他化合物半导体技术，这表明行业正大力采用精密的良率管理方法。
这些部署正推动应用场景的持续拓展与系统易用性的不断提升，形成良性循环，惠及整个化合物半导体生态系统。
前进之路
化合物半导体产业正处于关键转折点。市场需求正推动着前所未有的增长，而制造挑战则需要日益精密的解决方案。依托先进数据分析技术实现的端到端良率管理，为制造卓越提供了清晰路径。
通过实施能够应对化合物半导体制造独特挑战的综合分析平台——从昂贵的早期基底到复杂的汽车质量要求——制造商可实现以下关键目标：
- 在所有制造步骤中显著提高良品率
- 提高质量和可靠性，以满足严格的应用要求
- 通过早期发现和根本原因分析提高效率
- 构建预测能力，在质量问题发生前予以预防化合物半导体制造的未来属于能够有效利用制造数据的企业。随着行业持续成熟与发展，那些今天投资于先进良率管理能力的企业，将最能把握明日机遇。
化合物半导体制造领域的革命不仅关乎新材料或新工艺——更在于通过智能应用数据分析，彻底改变我们对生产每个环节的理解、掌控与优化方式。
拥抱这场变革的企业将定义半导体行业的未来。