中文 英语

下一个挑战:千万亿部件

在追求用于芯片制造的材料纯度的过程中,有好的,有坏的,也有意想不到的。

受欢迎程度

随着对芯片在越来越长的使用寿命中可靠性的需求持续上升,对半导体制造所用材料纯度的要求正被推至前所未有(而且越来越难以证明)的水平。虽然对供应链的许多部分来说,这似乎是一个遥远的问题,但它可能会影响从制造芯片所需材料的可用性到产品的最终成本等方方面面。

这一趋势背后有两个主要驱动力。其中之一是oem和系统公司对汽车和航空航天等关键安全领域的可靠性感到担忧,这些领域的芯片预计将在20年内保持功能。第二个是关键任务应用程序的停机成本,比如数据中心的服务器,设备预计可以使用7到10年,或者在工业操作中,设备预计可以使用20年。材料中的杂质会以意想不到的方式影响可靠性,从而降低设备的寿命或晶圆厂内的整体成品率。在所有情况下,这都会增加总成本,而总成本通常是由客户支付的。

英特尔(Intel)高级供应链经理史蒂夫•普特纳(Steve Putna)在最近的一次演示中表示:“只要有一批产品出问题,所有产品就会报废。”“需要在持续的基础上检测到这一点,并在分析中纳入持续的可变性,这是非常重要的。但理想情况下,你应该有一个整体模型,它可以映射回你的供应链的整体映射,水平和垂直的,这样你就可以很容易地分辨出这种材料可能是好是坏。它甚至可以驱动持续的改进工作。所以建造这样的模型很有价值。我们正在内部与某些供应商合作,做更多这方面的工作。”

但是,先进节点的材料纯度也提出了几个问题,至少到目前为止,还没有解决办法。其中包括:

  • 新的纯度目标现在超过了一些检测和测量设备的能力。
  • 除去杂质后,还能除去什么并不总是很清楚。这可能会改变材料的基本性质以及它们随时间的反应方式。
  • 提高纯度需要更多的测试、建模和分析,这反过来又提高了芯片的整体价格。

两年前,一些材料的目标是在十亿分之一范围内,大多数材料公司甚至不确定这是否可能。

"我们目前的水平是万亿分之一(PPT), "美国工业和信息化部执行董事Tom Brown表示布鲁尔科学.“我们正试图弄清楚下一步如何达到千万亿分之一。我们在设备上工作,我们正在推动超出他们销售能力的工具,也就是次级ppt离子。但电子或半导体级的产品正在超越你现在能买到的水平。”

这将大大增加测试和认证不同材料所需的时间。

“今天,我们必须测试每一种原材料,”布朗说。“15年前,我们还没这么做。他们有很多家谱,可以追溯到他们所说的“很多”的供应商范围。”

在很大程度上,这些问题一直隐藏在行业的阴影中,往往是孤立的。然而,这种情况正在开始改变,尤其是在公差更严格的先进节点。

“过程世界中的任何人——在Lam,我们主要从事清洁、沉积和蚀刻市场——总是非常关注材料,”David Fried,计算产品副总裁说林的研究.这些材料范围从前体材料到最终沉积材料再到祭祀材料。如果考虑到腐蚀气体,这些气体不应该停留在晶圆上。它们是用来清除物质的。但是这些气体的纯度和材料特性会影响最终的性能、缺陷和晶圆的组成。这很难算出来,因为它不在晶圆上了。那要怎么追溯呢?这些系统中的材料监测和材料传感是过程优化和质量的重要组成部分。”

它也不会止步于此。在制造方面,每道工序的每一步都与某种程度上的物质纯度有关。Jerry Broz是国际测试解决方案公司的高级副总裁,该公司生产用于测试探针的清洁材料。他说,他的公司正在研究每千万亿分是什么样子,以及需要什么样的工程才能达到这种纯度。

“如果你不能测量它,这意味着什么?””被问。“对于后端测试,我们更多地关注事故发生率,而不是百万分之一或十亿分之一,这是汽车市场看待这个问题的方式。我们不知道千万亿分之一会如何影响罗马数字(多芯片模块),我们不知道这会如何影响测试成本。”

高科技的侦探工作
找出半导体制造中的问题一直是一项挑战。但对于材料而言,这就困难得多了,因为许多化合物在制造过程中会消失。这包括气体,材料,用于抛光晶圆的浆液,薄膜和光刻胶材料,它们被旋转到晶圆上。

甚至不清楚如何对这些散装材料进行取样。例如,在一个55加仑的桶内可能有一个缺陷,这可能是包含在一些粘稠的、低粘度的黏液中。

Lam的Fried说:“这就是Lam在SPIE上与ASML和Imec合作推出的干阻技术如此强大的主要原因之一。”“对材料属性的控制是如此之高,而废弃物的数量是如此之低。如果你能更好地控制材料性能,减少浪费,这个过程的价值是巨大的。”

更糟糕的是,这些材料中有些是为其他行业开发的工业化学品的混合物。因此,虽然芯片制造商可能只需要一桶或更少的芯片,但对供应商来说,这是整体业务中微不足道的一部分。此外,这些原材料可能会闲置数年才会被消耗掉,而在这段时间内,对纯度的要求也会发生变化。

数据驱动的解决方案
通常情况下,在现场最终测试中出现的任何问题都被认为是可以接受的,直到证明不是这样。但随着人工智能开始进入更多的应用领域,半导体含量的价值也在增加。这一点在汽车和机器人等越来越自动化的设备中表现得尤为明显,但在工业应用中也是如此。因此,对冰箱等基本家电或汽车召回来说,维修或更换的价格可能会非常高昂。

“供应链正变得越来越受数据驱动,”该公司业务开发总监戴夫•亨特利(Dave Huntley)表示PDF的解决方案.“你需要绘制所有这些数据。你可能有几百个骰子,每个骰子有几百根电线。然后你需要查看过程,材料和特征,并创建一个失败模式。你还需要设备来支持和捕捉所有这些数据,并跟踪所有这些数据,这样当你获得RMA(退货授权)时,可能只需点击一下,你就可以引爆所有这些谱系。”

ASTM 1422标准对这个问题进行了一次打击,在混合中加入了“消耗品”,而不仅仅是晶圆上的模具。这是侦查工作真正开始的地方,因为不是所有在制造过程中使用的东西最终都在芯片上。事实上,遗留下来的东西有时会引起问题。

“我们看到的是,先进的产品质量规划更为关键,”该公司质量材料总监朱莉•普莱(Julie Ply)表示布鲁尔科学.“最大的问题是子供应链中缺乏数据。在贸易战中,次级供应商面临寻找材料的挑战,如果我们在这方面缺乏透明度,问题就会出现。通常情况下,你有一个“拇指指纹”,你可以充分地描述原材料的特征,当他们进入一个合格程序。有时是和合作伙伴一起完成的,有时不是。但其目标是根据许多不同的化学和结构特征来确定一个基线。从那里,你可以看到什么时候有‘游览’,然后你可以把它与指纹进行比较。”

这在大多数情况下都是可行的,但是在物理证据消失后,追踪错误就变得困难了。在这一点上,唯一的解决方案是通过模型和统计分析追踪污染物,而这需要供应链中多个供应商的输入。有时结果让每个人都感到惊讶。

“如果你把东西做得太纯,你可能会去掉一些功能上必须的东西,”Ply说。“如果使用的是另一种材料,而这种材料中含有污染物,就会降解我们的材料。”

因为通过检验这一点并不明显,所以需要某种数据的外推。所以,虽然表面缺陷检测技术仍然有很大的空间,但大部分是物理检测。但是检查不会穿透薄膜和其他材料。这需要数据建模。

“多年来,我们一直在使用复杂的机器学习算法来执行缺陷检测和许多其他2D检测任务,”Tim Skunes,技术和业务发展副总裁说CyberOptics.“最近,我们还将深度学习应用于缺陷检测的专业应用。在我们的MRS(多反射抑制)算法中,这些算法并不基于机器学习方法。不过,我们正在为未来几代MRS算法寻找深度学习方法。”

更多的数据,更多的时间
在这一点上,它归结为谁拥有最好的数据和最好的建模工具。但另一个复杂因素是,这些设备中的一些预计可以使用10年或更久。在汽车领域也是如此,它正将辅助和自动驾驶的人工智能逻辑推向最先进的节点,以及工业应用。

“新的挑战是数据存储时间的长度,”该公司业务发展副总裁Walter Ng表示联华电子.“有时是10年或12年。铸造厂一般会为消费者保留5到6年的数据,而在其他方面,它更多的是关于黄金流动。我们在汽车行业看到的是一套更加有限的黄金流,对晶圆的控制更加严格。为了实现这一目标,供应链必须调整。对于所有进入的基材,我们都有一个质量保证程序。作为这些基质的消费者,我们还需要进行一定数量的测试。但对于汽车客户来说,他们也要求供应商保留所有这些数据,以便保持可追溯性。”

Ng指出,这在mil/ airo领域已经有一段时间了,那里对质量有严格的要求。但是,随着汽车向更先进的节点推进,随着芯片成为未来战略的一部分,整个生态系统需要在数据上保持同步。

他表示:“在供应链上下分享这些数据方面仍存在顾虑。”“即使是小芯片,数据共享也是潜在的绊脚石之一。从材料的角度来看,你得到硅的过程是不同的,有OSATs有不同的解决方案。为了便于测试和调试,每个人都需要共享数据。在被俘虏的供应商手下做东西是一回事。而将其作为一个开放的生态系统发挥作用则是另一回事。”

当出现问题时,需要对所有内容进行审查。

英特尔的普特纳说:“显然,这不必对每一批都这样做。”“但如果存在需要进一步调查的问题,就会促使你回去取额外的参数。我们发现,对于一种聚合物,两种体系在形态上存在功能上的差异。他们不一样。我们利用这一点对供应链绩效的可变性进行了审查。”

复杂的因素
其中一个复杂的因素是超定制。随着垂直市场分裂成更多的子市场,解决方案正在为每个应用程序定制。从云端到边缘都在发生这种情况,并给供应链增加了新的压力。

“包装正在创造自己版本的定制化和规模化,”Ben Rathsack说,他是该公司的副总裁兼技术和制造副总经理电话.“无论是手机还是个人电脑系统,都会有更多的定制,让你的内存和处理器更接近。”

事实上,系统公司/原始设备制造商的目标之一就是能够追踪到晶圆上单个晶圆的故障,晶圆的制造日期,以及进入晶圆的所有其他组件。

普特纳说:“将这些点连接起来有很大的价值。”“我们想要整合垂直和水平的元素,以真正理解供应链中影响某些产品性能的可变性的所有来源。在大多数情况下,我们基本上不在这里,至少在物质空间中。我们可能会在设备领域走得更远一些。”



留下一个回复


(注意:此名称将公开显示)