芯片堆叠是实现存储卡类产品提高存储容量的主流技术之一。在存储卡外形尺寸固定的情况下,解决芯片堆叠高度限制的方法就是将堆叠的芯片厚度减薄。就Micro SD卡1 mm厚度的空间而言,以三星25 μm厚度的Chip为例,排除PCB板、模具厚度等因素,堆叠层数极限可达到8层或9层。但是,随着晶圆尺寸的增大,在芯片减薄的工艺阶段,必然会出现芯片碎裂和晶圆翘曲、不平整等问题,导致产品成品率的下降。因此,如何在晶圆减薄后,对抽样的样本数据进行统计分析,捕捉晶圆减薄工序的主要变异来源,对于提高和改进晶圆减薄工序的质量控制具有重要的实用意义,这也是多工序制造系统当前所面临的重大挑战之一[1]。
通常,统计质量控制是基于过程的观测数据满足统计独立且服从同分布的假设,而实际工作中,过程数据并不是总能满足彼此统计独立的假设前提。特别是在多工序制造过程中,本工序制造的质量控制参数是由本工序与上一道工序质量共同决定。此时,采集到的数据往往会存在数据自相关,传统的统计过程控制理论不能有效、恰当地控制过程质量,若使用控制图将会出现大量的误报。Vasilopoulos等[2]对数据建立自回归二阶,修正了休哈特控制图,重新计算受控状态均值的方差,使得控制图控制限之间的宽度适合于自相关过程中样本均值的方差和样本标准差的方差。文献[3-4]分别同时证明了在观测数据是具有自相关的特征情况下,通过观测数据得到的控制图效果较差,特别是在正常生产情况下,会出现较多误报。文献[5]研究表明,在有限样本下,可以用小波方法构造的检验量来检测方差中的变点。
在实际晶圆生产过程中,在经过晶圆减薄工艺工序后会对每个产品进行质量检验,厂方发现当前生产过程每个批次都会出现较多的误报。通过,研究晶圆减薄工艺生产过程质量检测数据得出,该数据具有一定的自相关性。符合文献[3-4]证明的假设前提,拟采用时间序列的分析方法,建立该参数自回归滑动平均模型,重新计算质量控制图的上下限。结合误差流理论与多尺度估计理论对质量控制参数的方差变化使用累积和方法分析,获得产品质量参数的方差变化进行监控。
1 减薄工艺生产过程质量控制与建模分析半导体减薄工艺是在芯片外形尺寸固定的情况下,解决芯片堆叠高度限制的常用方法。堆叠过程中,减薄工序通常是同一台磨床对一批晶圆连续减薄后,再堆叠。因此,每个晶圆减薄的质量与上一个晶圆加工完后,砂轮的磨损情况、定位角度变化等干扰因素相关,具有一定的误差传递性。如何在晶圆减薄后,对样本数据进行统计分析,捕捉晶圆减薄工序的主要变异来源,对于提高和改进晶圆减薄工序的质量控制具有重要的实用意义。
本文采用数据驱动的统计质量分析方法,针对正常生产中,该工序质量出现误报较多的问题,分析其出现误报的原因,并在此基础上建立自回归滑动平均模型,提出使用基于多尺度理论的方差变化检测方法,对生产过程中的方差变化原因进行讨论。
1.1 工序质量表达与建模当前生产中,大部分的加工过程都是多工序生产过程,随着加工工序顺序地进行,输入加工系统的坯件误差就转换成输出的产品误差。这个输入加工系统的坯件误差有序地变换为产品误差的变化过程就称为加工误差的流动[1](简称误差流),它表征了制造过程中误差的形态变化,是制造系统不可逆过程中不断变化的广义流。这种坯件误差按照加工顺序依次通过各道工序,有序地变换为产品误差的过程就是多工序生产过程中误差传递的过程。在多工序制造过程中,随着加工工序的顺序进行,加工误差经过各道工序转换并发生变化的规律就称为误差传递规律。
一般单道工序的质量偏差可以分为2部分:一部分是上道工序传递的误差
$\quad\quad{Y_i} = f({x_i}) + {E_i}{\text{。}}$ | (1) |
其中,
若是质量出现异常,则会有以下2类错误:
1) 上道工序方差变大,即
2) 本道工序方差变大,即
不论哪类错误,方差变小意味着最终质量的提高。为了讨论简便,认为这种情况不属于讨论范围。综上所述,过程质量模型如图1所示。
多尺度估计理论(multiscale estimation theory, MSET)把基于模型的动态系统分析方法与基于统计特性的信号多尺度变化和分析方法相结合,将小波变化作为连接在不同尺度上模型和信号的桥梁,进而使动态系统模型信息加入了多尺度系统理论。将传统的基于测量值分析的过程监控技术转化为基于状态估计值的过程监控策略。相比传统的方法具有较少的误报率与更好的稳定性。使用该方法可以对采集的信号进行任意尺度上的重构或分解,从而获得对信号在不同尺度的描述[6]。该理论利用了小波变换的多尺度解析分析最大优点——不同的解析度都可以分解为一嵌套系列的闭合子空间[7],即如果原始数据集合
${V_n} = {V_{n - 1}} \oplus {W_{n - 1}} = ... = {V_0} \oplus {W_0} \oplus {W_1} \oplus ... \oplus {W_{n - 2}} \oplus {W_{n - 1}}{\text{。}}$ | (2) |
其中,
图2中,hi与li为第i级的相应高通与低通滤波器,离散小波变换具体定义如式(3),Haar小波变换的尺度函数与母小波如式(4)。
$\quad\quad y(t) = \sum\limits_{k \in Z} {{c_{j,k}}{\phi _{j,k}}(t) + } \sum\limits_{n = - \infty }^j {\sum\limits_{k \in Z} {{d_{n,k}}{\psi _{n,k}}(t)} }{\text{。}} $ | (3) |
其中,
${\psi _{j,k}}(t) = {2^{ - {j / 2}}} \cdot \psi ({2^{ - j}}t - k);\psi (t) = \left\{ {\begin{array}{*{20}{l}}{\;\;\;1,\;\;\;0 {\text{<}} t {\text{<}} 1/2;}\\{ - 1,\;\;\;1/2 {\text{<}} t {\text{<}} 1;}\\{\;\;\;0,\;\;\;{\rm{otherwise}}{\text{。}}}\end{array}} \right.$ | (4) |
则使用Haar基的迭代多尺度分解,尺度系数
$\quad\quad c_{i,k}^y = [({y_k} + \cdots + {y_{k - {2^i} + 1}})]/{2^{{i / 2}}} ,$ | (5) |
$d_{i,k}^y = [({y_{k - {2^i} + 1}} + \cdots + {y_{k - {2^{i - 1}}}}) - ({y_{k - {2^{i - 1}} - 1}} + \cdots + {y_k})]/{2^{{i / 2}}} {\text{。}}$ | (6) |
对于一个时间序列或者确定性随机系统来说,其自相关函数的傅里叶变换可以有效地显示过程输出在各个频带上的方差变化。若过程模型是ARMA(m, n)模型,其自相关谱更可以表示为式(7),其中,
$\quad\quad f_0^y(\omega ) = \frac{{{\varDelta _t}\sigma _x^2{{\left| {{{\rm{e}}^{mi\omega {\varDelta _t}}} - {\theta _1}{{\rm{e}}^{(m - 1)iw{\Delta _t}}} - \cdots - {\theta _m}} \right|}^2}}}{{2{\rm{{\text{π}} }} {{\left| {{{\rm{e}}^{ni\omega {\varDelta _t}}} - {\phi _1}{{\rm{e}}^{(n - 1)iw{\varDelta _t}}} - \cdots - {\phi _n}} \right|}^2}}},$ | (7) |
$\quad\quad f_0^e(\omega ) = \frac{{{\varDelta _t}\sigma _e^2}}{{2{\rm{{\text{π}} }} }}{\text{。}}$ | (8) |
由上文讨论可知,针对两类质量异常导致的方差变化,其变化前后自相关谱比率可以使用式(9)、(10)描述。
$\quad\quad\frac{{F_{H_1^1}^y(\omega )}}{{F_{{H_0}}^y(\omega )}} = \frac{{\delta _u^2f_0^u(\omega ) + f_0^e(\omega )}}{{f_0^u(\omega ) + f_0^e(\omega )}},$ | (9) |
$\quad\quad\frac{{F_{H_1^2}^y(\omega )}}{{F_{{H_0}}^y(\omega )}} = \frac{{f_0^u(\omega ) + \delta _e^2f_0^e(\omega )}}{{f_0^u(\omega ) + f_0^e(\omega )}}{\text{。}}$ | (10) |
由式(9)与(10)可知方差变化率会被单道工序误差的自相关谱与上道工序误差自相关谱影响。因此,分析这种影响,可以获得两种误差引起的方差变化情况。又由于小波变化能将检测信号分解为高频与低频两部分,直接对高频部分分析可以获得方差信息的变化。
1.3 状态估计值与测量值方差变化的关系Haar变化的频率响应分析可以知道,高通滤波器用于产生高频参数,并且会限制低频部分。因此,通过高通滤波器可获得求解出高频参数的相关信息。
由式(10)可知,若忽略上道工序传入的误差,则方差变化将会作用在所有频段,如式(11)。此时,由式(11)可以得出:在任意分辨率的等级内,高频参数将可以检测出方差变化。实际中,上道工序传入的误差是不可忽略的,同时,该误差会降低当前工序的误差变化率。因此,可以通过选择最优的分解层次获得最大的方差变化率。
$\quad\quad\frac{{F_{H_1^2}^e(\omega )}}{{F_{{H_0}}^e(\omega )}} = \delta _e^2{\text{。}}$ | (11) |
同理,可得式(12)。
$\quad\quad\frac{{F_{H_1^1}^u}}{{F_{{H_0}}^u}} = \delta _u^2{\text{。}}$ | (12) |
由式(6)可知,高频参数是测量结果数据的线性组合,本道工序的方差将叠加在所有层次上,因此,
$\quad\quad{d_{j,k}} \sim N(0,{\rho _j}\sigma _u^2 + \sigma _e^2),$ | (13) |
$\quad\quad{d_{j,k}^{{y}}} \sim N(0,\delta _u^2{\rho _j}\sigma _u^2 + \sigma _e^2){\text{。}}$ | (14) |
则高频参数的方差变化率为式(15),其中,
$\quad\quad\delta _{{d_j}}^2 = \frac{{\sigma _{{d_{j,k|{H_1}}}}^2}}{{\sigma _{{d_{j,k|{H_0}}}}^2}} = \delta _u^2 - \frac{{\delta _u^2 - 1}}{{1 + {\xi _j}}}{\text{。}}$ | (15) |
基于式(15)可知,由于
类似,可以获得在第2类错误中,高频参数的方差变化率可表示为式(16)。基于式(16)可知,由于
$\quad\quad\delta _{{d_j}}^2 = 1 + \frac{{\delta _e^2 - 1}}{{1 + {\xi _j}}}{\text{。}}$ | (16) |
综上所述,在一个高阶动态系统中,一个最大
晶圆(wafer)减薄是进行芯片堆叠封装过程中的关键工序之一。实际生产中,一般是在一个批次产品中抽取若干个晶圆进行检验,通过质量控制图筛选合格产品。根据晶圆减薄工序后样本的样本质量,对磨片后的晶圆厚度质量进行检测。文中,从某半导体厂家获取2组连续生产的,减薄工艺完成后的晶圆厚度测量值。第1组数据是可控生产过程产品数据,第2组产品是出现缺陷产品测量数据。其归零后测量值图如图3所示。
以可控生产过程质量数据为参考,建立减薄工艺的统计模型。针对连续生产过程,考虑使用时间序列分析方法对数据建立统计模型。分析该生产过程发现,过程质量数据呈现平稳,无明显趋势变化,因此考虑使用自回归滑动平均模型(autoregres- sive moving average model,ARMA模型)描述。该模型是由Box等在20世纪70年代提出的经典时间序列模型。其一般形式为
$\begin{split}&\quad\quad{Y_t} - {\varphi _1}{Y_{t - 1}} - {\varphi _2}{Y_{t - 2}} - \cdots - {\varphi _p}{Y_{t - p}} =\\&{\varepsilon _t} + {\theta _1}{\varepsilon _{t - 1}} + {\theta _2}{\varepsilon _{t - 2}} + \cdots + {\theta _q}{\varepsilon _{1 - q}}{\text{。}}\end{split}$ | (17) |
其中,
由ARMA模型的定义可知,使用该模型必须先对时间序列数据的进行相关分析。首先,检验序列观测值之间是否存在相关性,即纯随机性检验。如果序列数据之间不存在任何的相关性,将无法使用ARMA模型对其建模分析。构造统计量Q,如式(18),其中,
$\quad\quad Q = \sum\limits_{l = 1}^k {\left( {\sqrt N {{\hat \rho }_l}} \right)} {\text{。}}$ | (18) |
如果序列值之间存在相关性,则应继续检验其是否满足平稳性。判断平稳性常用的方法有数据图检验法、自相关偏相关系数图检验法、特征根检验法、逆序检验法和游程检验法等。在完全不了解序列特性的情况下,用游程检验法较为可靠[9]。游程检验法是通过判断时间序列的值与序列的均值进行比较,获得一个符号序列;从该序列中获取样本数据出现的次序,认为该次序没有明显趋势,则可以认为原序列是平稳的;在符号序列中的每一段连续相同的符号序列叫做一个游程。设序列的长度为N,N1和N2分别是记号序列中“+”与“–”连续出现的次数,游程总数为r。当r>15,N足够大时,可以构造统计量Z,如式(19),判断统计量Z是否服从正态分布。对采样数据进行分析,可得N1=65,N2=10,r=18,
$\quad\quad Z = \frac{{r - E\left( r \right)}}{{\sigma \left( r \right)}}{\text{。}}$ | (19) |
完成上述2个检验后,认为原序列可以使用ARMA模型描述,使用模型截尾性的特点初步定阶为p=2,q=2。通过使用AIC准则(Akaike Information Criterion)检验,最终确定阶数为p=2,q=1,自回归系数{–0.3273, –0.1203},滑动平均系数{–0.4275}。
2.2 减薄工艺质量数据的多尺度估计理论应用减薄工序上道工序正常质量参数服从
经过多尺度变换后的图像如图3所示,
累积和(cumulative sum, CUSUM)控制图不仅能用来监控过程均值的变化, 而且能用于监控过程变量的变化的,特别是具有检测过程小变动比较灵敏的特点。本文选用累积和控制图对图3进行了分析,根据文献[11]的结论,当测量值
$\quad\quad{v_i} = \left( {\sqrt {\left| {{{{y_i}} / {{\sigma ^2}}}} \right|} - 0.822} \right)/0.349{\text{。}}$ | (20) |
根据式(15)与式(16)的分析得出,最小的
随着电子产品朝着轻、薄、短、小及多功能集成化方向的逐渐发展,封装技术在集成电路产品中将扮演着越来越重要的角色。对于存储卡类产品而言,在相当长的一段时间内,芯片堆叠封装技术仍将是提高其存储容量和功能集成的主流技术之一。这对于有外形尺寸要求的存储卡类产品而言,需要对堆叠的芯片进行减薄处理。如何提高减薄工艺质量是现实面临的重大问题,具有很重大的理论与实际意义。本文使用多尺度估计理论,对工艺的质量参数进行了分析,获得了很好的结果。下一步,研究将围绕如何提高方差变化检测的速度,同时,引入均值漂移检测,实现成两种检测的在线诊断。
[1] |
SHI J, ZHOU S. Quality control and improvement for multistage systems: a survey[J].
IIE transactions, 2009, 41(9): 744-753.
DOI: 10.1080/07408170902966344. |
[2] |
VASILOPOULOS A V, Stambonlis A P. Modification of control chart limits in the presence of data correlation[J].
Journal of Quality Technology, 1978, 10(1): 20-30.
DOI: 10.1080/00224065.1978.11980809. |
[3] |
LOREDO E L, JEARKPAPORN D P, BORROR C M. Model-based control chart for autoregressive and correlated data[J].
Quality and Reliability Engineering International, 2002, 18(4): 489-496.
|
[4] |
孙静, 徐立广. 自相关过程的调整均值控制图[J].
中国质量, 2002(12): 25-32.
SUN Jing, XU Liguang. Batch average control chart of the auto-correlated process[J]. China Quality, 2002(12): 25-32. |
[5] |
王景乐, 郑明. 非参数回归中方差变点的小波检测[J].
应用概率统计, 2012, 28(4): 413-439.
WANG Jingle, ZHENG Ming. Detection of change points in volatility of non-parametric regression by wavelets[J]. Chinese Journal of Applied Probability and Statistic, 2012, 28(4): 413-439. |
[6] |
WEN Chenglin, ZHOU Donghua. Multiscale stochastic system modeling and recursive data fusion estimation[J].
Chinese Journal of Electronics, 2002, 11(2): 192-195.
|
[7] |
CHOU K C, GOLDEN S, WILLSKY A S. Modeling and estimation of multiscale stochastic process[C]. Toronto: Processing of IEEE International Conference on ASSP, 1991: 1709-2497.
|
[8] |
钮轶君, 钱省三, 任建华. ARIMA模型在半导体产品需求预测上的应用[J].
半导体技术, 2007, 32(5): 391-394.
NIU Yijun, QIAN Xingsan, REN Jianhua. Application of ARIMA model in semiconductor demand forecasting[J]. Semiconductor Technology, 2007, 32(5): 391-394. |
[9] |
杜辉. 基于时间序列的半导体封装设备维护方法的研究与优化[D]. 成都: 电子科技大学, 2007.
DU Hui. Research on the equipment productive throughput and operation time between failures based on time series ARIMA model[D]. Chengdu: UESTC, 2007. |
[10] |
张公绪. 两种质量诊断理论及其应用[M]. 北京: 科学出版社, 2001, 150-151.
|
[11] |
HAWKINS D M. A CUSUM for a scale parameter[J].
Journal of Quality Technology, 1981, 13(4): 228-231.
DOI: 10.1080/00224065.1981.11978762. |
[12] |
HAWKINS D M. Cumulative sum control charting: an underutilized SPC tool[J].
Quality Engineering, 1993, 5(3): 463-467.
DOI: 10.1080/08982119308918986. |