Wafer defect map monitoring : model adaptation and inspection tools to handle resolution changes

This thesis and the material presented have been developed in the manufacturing plant of STMicroelectronics located in Agrate Brianza, Italy during a 10 months internship in collaboration with the Politecnico di Milano. STMicroelectronics is one of the leading manufacturers in the sector of semiconductors. Integrated Circuits and MEMS are produced in lots on circular wafers in different production lines, including many specialized step that manipulate wafers progressively stacking layers of different materials. Due to the complexity of the production process, wafers are constantly monitored by inspection machines. Such machines provide Wafer Defect Maps, which report the coordinates of the defects detected on each wafer. Wafer Defect Maps are high-dimensional sparse data and may have different granularities, depending on the resolution of the inspection machine generating it. While it is normal to observe defects randomly spread on the wafer, specific defect patterns can arise due to specific malfunctioning in the production line and should be promptly identified to minimize losses. In this thesis, we cast online wafer monitoring to a machine learning classification problem, where we model the known defect patterns as the classes of our problem. The purpose is to provide STMicroelectronics with an online wafer monitoring solution that is able to consistently classify Wafer Defect Maps coming from the integrated circuits and the MEMS production lines, regardless of the different resolution implemented by their respective inspection machines. Starting from the available annotated high-resolution dataset, we propose a method to generate synthetic low-resolution Wafer Defect Maps to build a new low-resolution dataset, without incurring in the demanding time and resources efforts required to collect it. Synthetic low-resolution data let us train a new classifier able to discriminate among the defectivity patterns proper of the MEMS production steps. Finally, we industrialize our solution for online wafer monitoring as a classification framework that allows to maintain learned models and evaluate their discriminative capabilities.

Questa tesi e il materiale presentato sono stati sviluppati nello stabilimento industriale di STMicrolectronics situato ad Agrate Brianza, Italia durante un tirocino di 10 mesi in collaborazione con il Politecnico di Milano. STMicrolectronics è uno dei produttori leader nel settore dei semiconduttori. Circuiti Integrati e MEMS vengono prodotti in lotti su wafer circolari in diverse linee di produzione. Ogni linea di produzione implementa complessi step di produzione che manipolano il wafer e depositano progressivamente strati di materiale diverso. A causa della complessità del processo produttivo, i wafer sono costantemente monitorati usando Macchine di Ispezione al termine di ogni step. L’ispezione produce delle Wafer Defect Map, che contiene le coordinate dei difetti rilevate su ciascun wafer. Le Wafer Defect Map sono dati sparsi ad alta dimensionalità, che possono avere diverse granularità, a seconda della risoluzione a cui opera la macchina di ispezione che la genera. In condizioni di produzioni normali, i difetti sono distribuiti normalmente sulle Wafer Defect Maps. Tuttavia può anche accadere che i difetti sulle Wafer Defect Maps compongano specifici pattern riconducibili a malfunzionamenti nella linea di produzione, che dovrebbero essere identificati rapidamente per minimizzare le perdite. In questa tesi l’online wafer monitoring viene affrontato come un problema di classificazione di machine learning, dove i pattern di difettosità noti costituiscono le classi del problema. Lo scopo della tesi è di sviluppare per STMicrolectronics un sistema che classifichi consistentemente le Wafer Defect Map provenienti da diverse linee di produzione, indipendentemente dalla risoluzione cui operano le rispettive macchine di ispezione. Data la scarsa disponibilità di dati a bassa risoluzione, proponiamo un metodo per generare dati sintetici a bassa risoluzione a partire da quelli già disponibili nel dataset ad alta risoluzione, per evitare i costi di tempo e risorse che normalmente richiederebbe la raccolta di un nuovo dataset. Questi dati sintetici ci hanno permesso di apprendere un nuovo modello in grado di discriminare tra i pattern di difettosità propri della linea MEMS. Infine, abbiamo industrializzato la nostra soluzione come un framework di classificazione, che permette di mantenere i modelli imparati e di valutarne le capacità discriminative.