An artificial intelligence-based method for prediction of the quality of semiconductor devices using production process data

Burn-In (BI) testing is performed by semiconductor manufacturingcompanies to ensure the quality and reliability of electronic devices. It involvesextensive testing under accelerated stress conditions to identify and eliminate defective electronic devices. Since performing BI testing is costly, and time and energyconsuming, this work develops an innovative method to predict the quality of theproduction of a specific machine employed for the semiconductor production usingsignal measurements. The main challenges to be addressed are: 1) handling timeseries of measured signals; 2) lack of labeled data containing signal measurementsand the machine corresponding health state to train and validate the predictivemodel. The latter issue is due to the fact that electronic devices are processedby several machines performing different recipes during their production; then, aquality reduction in a production lot can be originated by any machine and it isnot possible to know the responsible one. Given these challenges, the proposedmethod is built upon a model based on a stacked autoencoder (SAE) with LongShort-Term Memory (LSTM) cells for reconstructing the signal values expected innormal conditions. Specifically, the degree of abnormality of a machine performinga specific recipe during the production of a wafer is assessed considering the difference between the measured and reconstructed signal values. Then, a strategy isdeveloped to estimate the overall lot quality. It is based on the aggregation of thedegrees of abnormality of the different wafers of the lot. The proposed method isapplied to data collected from a machine performing the deposition process, whichis one of the most critical steps of semiconductor production, and it is validated byconsidering the information about the quality of a lot obtained from the analysisof wafer maps and BI tests. The results show that the proposed method is able toaccurately predict the lot quality. Future work will be devoted to the developmentof a method which considers the estimates of the lot quality, for supporting thedecision making on the BI policy to be applied.

Il testing di Burn-In (BI) viene eseguito dalle aziende di produzione di semiconduttori per garantire la qualità e l'affidabilità dei dispositivi elettronici. Coinvolge un ampio testing in condizioni di stress accelerate per identificare e eliminare dispositivi elettronici difettosi. Poiché eseguire il testing BI è costoso, richiede tempo ed energia, questo lavoro sviluppa un metodo innovativo per prevedere la qualità della produzione di una specifica macchina impiegata nella produzione di semiconduttori utilizzando misurazioni del segnale. Le principali sfide da affrontare sono: 1) gestire le serie temporali di segnali misurati; 2) mancanza di dati etichettati contenenti misurazioni del segnale e lo stato di salute corrispondente della macchina per addestrare e convalidare il modello predittivo. L'ultimo problema è dovuto al fatto che i dispositivi elettronici sono processati da diverse macchine che eseguono ricette diverse durante la loro produzione; quindi, una riduzione della qualità in un lotto di produzione può essere causata da qualsiasi macchina e non è possibile sapere quale sia quella responsabile. Date queste sfide, il metodo proposto si basa su un modello basato su un Stacked Autoencoder (SAE) con Long Short-Term Memory (LSTM) per la ricostruzione dei valori del segnale attesi in condizioni normali. In particolare, il grado di anormalità di una macchina che esegue una specifica ricetta durante la produzione di una wafer viene valutato considerando la differenza tra i valori del segnale misurati e ricostruiti. Successivamente, viene sviluppata una strategia per stimare la qualità complessiva del lotto. Essa si basa sull'aggregazione dei gradi di anormalità delle diverse wafer del lotto. Il metodo proposto viene applicato a dati raccolti da una macchina che esegue il processo di deposizione, che è una delle fasi più critiche della produzione di semiconduttori, e viene convalidato considerando le informazioni sulla qualità di un lotto ottenute dall'analisi di mappe wafer e test BI. I risultati mostrano che il metodo proposto è in grado di prevedere con precisione la qualità del lotto. Il lavoro futuro sarà dedicato allo sviluppo di un metodo che tiene conto delle stime della qualità del lotto, per supportare la presa di decisioni sulla politica BI da applicare.