Silicon wafers defect classification and characterization : dataset construction for machine learning and production quality improvement

Industry 4.0, a new conception of manufacturing processing, which revolves around concepts such as Big Data analysis, Internet of Things and Smart Factory, demands the upgrade of modern industries to face new challenges, such as real-time process optimization and machines interconnection. In particular, a crucial point is that a large amount of data, not taken into consideration before, could be extremely useful, once treated in the right way, in order to achieve rapid decision-making and improved productivity. One possible application of the concept of Industry 4.0 lies in the automatic image classification, further enhanced by the use of neural networks, computational models which resemble the learning behaviour of human brain. In this approach, a large amount of collected data is usually analyzed in order to construct a proper data set, a cluster of images which are used by the neural network to perform the deep learning process. Up to now, several combined applications of this type of approach have been investigated, boosted for example by the big project of self-driving cars. More specifically, automatic defect classification takes a large part in this application, ranging between fields such as steel sheets issues in steel industry and cracks in civil infrastructures. The aim of this thesis is to make use of image recognition through deep learning to implement an automatic classification of the defects observed during the production of electronic devices on silicon wafers, a kind of application which has not been widely explored yet. Electronic devices manufacturing is a long and complex process which is susceptible to a certain amount of errors and defects formation; these defects can be detrimental to the quality of the final product if not correctly detected and classified. In the worst case, these defects can lead to product malfunctioning, causing serious issues for the customers. One of the most critical steps of the manufacturing process is photolithography, which has the aim to define the correct geometries and the smallest feature size of the device. At the current state, in ST Agrate fab, defect classification after this step is performed manually by operators, and therefore can be affected by drawbacks such as the required time, the subjectivity in the classification and the possibility of human error. Automatic defect classification could provide a support for the classification process, allowing for more accurate defects classification and for a more rapid correction in the process. Due to the large amount of lithographic layers belonging to the overall manufacturing process, only two of them have been taken into account: active area layer and n+ implant layer. The first step in the development of this work has been the construction of a proper data set for each layer, containing a suitable number and type of examples of defects observed in production line by automatic defect detection tools. e defects have also been characterized, to gain a better insight of their features and root causes. Then, the neural network provided by ST has been trained, generating a model for the automatic defect classification. The performance of the training has been evaluated and the model has been applied in the production line. Finally, also the results obtained from production-line application have been evaluated and a comparison with the results of the first training has been made. The final result has been the generation of an automatic defect classifier with a global classification performance which exceeds the 90% threshold defined by ST standards. Although the model shows some imprecisions and other training cycles are going to be performed, the results up to now can be considered very promising: the automatic defect classification system is suitable to be implemented with a supportive role for the operators in the production line. The development of this application for the future includes the extension of this tool to a wider range of lithographic layers and product technologies; moreover, one possible future goal is the complete automatization of the classification process. This last perspective, though currently far from being achievable, opens the semiconductor manufacturing process to the possibility to be performed by smart and interconnected machines, able to automatically rise warnings upon issues and to operate rapid intervention.

L'industria 4.0, un nuovo approccio al processo produttivo basato su concetti come l'analisi dei Big Data, l'Internet of Things e la Smart Factory, richiede un aggiornamento da parte dell'industria moderna al fine di tenere il passo con sfide particolarmente difficili e stimolanti, ad esempio l'ottimizzazione in tempo reale del processo e l'interconnessione tra le macchine. Un punto cruciale in questo senso è il trattamento di una grande quantità di informazioni raccolte durante il processo e fino ad oggi non abbastanza sfruttate; esse possono rivelarsi estremamente utili, una volta analizzate nella maniera corretta, per ottenere una rapida capacità di intervento e per migliorare la produttività. Una possibile applicazione dell'Industria 4.0 riguarda la classificazione automatica di immagini, in particolar modo tramite l'utilizzo di reti neurali, modelli computazionali che tramite "neuroni" artificiali simulano il processo di apprendimento del cervello umano. In questo contesto, un gran numero di informazioni raccolte viene analizzato al fine di costruire un data set adatto allo scopo, ovvero un insieme di immagini che verranno usate dalla rete neurale per attuare il processo di apprendimento, chiamato deep learning. Ad oggi, l'applicazione delle reti neurali alla classificazione automatica di immagini è stata esplorata in diversi ambiti, anche se una spinta decisiva in questo senso è arrivata soprattutto dall'ambizioso progetto delle automobili a guida autonoma. Altri esempi in cui la classificazione automatica di immagini assume un ruolo centrale sono l'identificazione dei problemi sui fogli di lamiera nelle acciaierie e la presenza di crepe nelle infrastrutture civili. L'obiettivo della tesi è di utilizzare il riconoscimento automatico di immagini tramite reti neurali al fine di implementare un sistema di classificazione automatica di difetti riscontrati durante la produzione di dispositivi elettronici su wafer di silicio, una tipologia di applicazione ancora per la gran parte da esplorare. La produzione di dispositivi elettronici è un processo estremamente lungo e complesso, soggetto ad un numero considerevole di possibili errori e difetti, che possono risultare dannosi dal punto di vista della qualità del prodotto finale. Nella peggiore delle ipotesi, la presenza di difetti può portare al malfunzionamento del prodotto finale, causando gravi danni ai clienti. Una delle fasi più critiche nel processo produttivo è la litografia, tramite la quale si definiscono le geometrie corrette e la minima dimensione caratteristica di un dispositivo elettronico. Allo stato attuale, all'interno dello stabilimento di ST ad Agrate, la classificazione dei difetti dopo litografia viene fatta manualmente dagli operatori; essa è perciò soggetta a problematiche come l'eccessivo tempo richiesto, il grado di soggettività nella classificazione e la possibilità di un errore umano. L'implementazione di un sistema di classificazione automatica potrebbe fornire un valido supporto agli operatori di produzione, permettendo di avere una classificazione dei difetti più accurata. Inoltre, renderebbe possibile intervenire in maniera più tempestiva per risolvere i problemi evidenziati dai difetti. Per questa tesi, visto l'elevato numero di livelli di litografia facenti parte dell'intero processo produttivo, ne sono stati presi in considerazione due: il layer dell'area attiva e quello dell'impiantazione n+. Il primo passo nella realizzazione di questo lavoro è stata la costruzione di un data set per ogni layer, ogni data set contenente al suo interno un numero adeguato di tipologie e di esempi di difetti osservati in produzione dalle macchine di ispezione automatica. Il primo passaggio è stato l'identificazione delle classi più frequenti di difetti che si osservano su questi livelli, dopodichè la composizione del data set è avvenuta andando a popolare man mano le classi di difetti, cercando di ottenere una distribuzione quanto più uniforme tra i prodotti classificati. Allo stesso tempo, sui difetti è stata fatta una caratterizzazione; ciò ha permesso di avere una migliore conoscenze delle caratteristiche del difetto stesso e di fare considerazioni riguardanti le possibili cause legate alla sua formazione. Questa caratterizzazione è avvenuta tramite gli strumenti messi a disposizione da ST e presenti in reparto. Successivamente, il data set realizzato è stato utilizzato per il training della rete neurale sviluppata e messa a disposizione da ST, con la conseguente generazione di un modello per la classificazione automatica dei difetti. La performance del training è stata quindi valutata e il modello è stato applicato in produzione. Infine, i risultati ottenuti in produzione dal modello sono stati valutati ed è stato fatto un confronto con i risultati ottenuti dal training iniziale. Il risultato finale è consistito nella generazione di un classificatore automatico di difetti con una performance globale di classificazione ben oltre la soglia del 90% definita dagli standard di ST. Sebbene il modello mostri ancora alcune imprecisioni e siano necessari ulteriori cicli di training, i risultati fino ad ora possono essere considerati molto promettenti: il sistema di classificazione automatica dei difetti è idoneo ad essere implementato in produzione con un ruolo di supporto per gli operatori. Lo sviluppo futuro di questa applicazione include l'estensione di questo strumento ad una gamma più ampia di layer di litografia e di tecnologie di prodotti; inoltre, un possibile obiettivo a lungo termine è la completa automatizzazione del processo di classificazione. Quest'ultima prospettiva futura, nonostante allo stato attuale sia lontana dall'essere realizzata, fa spazio alla possibilità che il processo produttivo dei semiconduttori venga organizzato in modo più automatizzato, utilizzando macchine "intelligenti" ed interconnesse, in grado di rilevare automaticamente eventuali anomalie e di operare o suggerire interventi rapidi di correzione.