制造芯片需要很多不同類型的工藝設備，包括沉積、光刻、刻蝕和清潔等設備。大規模生產要求芯片制造商使用大量相同腔室的設備組來執行特定的工藝步驟，例如用于制造3D晶體管的鰭片刻蝕。理想情況下，設備組中的每個晶圓批次都會得到相同的處理，這意味著每個晶圓腔室的運行過程將與其他所有晶圓腔室完全相同。不過在實際操作中，腔室的性能會因許多控制參數的極微小差異而有所不同，進而影響到工藝流程是否成功。這些參數包括壓力、溫度、電力輸送和表面條件，都必須協同優化。
腔室匹配挑戰
使腔室性能更接近的過程稱為“腔室匹配”。隨著芯片器件尺寸的縮小和工藝公差的日益嚴格，腔室匹配所面臨的挑戰也在增加。傳統的方法包括“黃金腔室”方法和子部件匹配。“黃金腔室”方法會將一個腔室定為標準，并試圖調整所有其他腔室以達成相同的結果。子部件匹配的重點在于硬件子系統，并定義每個腔室必須滿足的嚴格公差規格。這種方法的假設是，如果每個腔室的所有部件完全相同，那么每個腔室也理應相同。這兩種傳統方法在處理先進等離子工藝復雜的物理和化學相互作用時都有其局限性。
泛林數據分析儀：經過驗證的解決方案
泛林集團Equipment Intelligence?（設備智能）數據分析儀已被廣泛用于2300?平臺上刻蝕腔室的設備組匹配和大數據分析。世界各地的許多晶圓廠都報告了腔室匹配性能的顯著提升，同時腔室排除故障的速度、正常運行時間及MTBC（清洗之間的平均時間）均得到有效提升與改善。
數據分析儀采用的方法是查看晶圓加工過程中設備傳感器輸出的大型數據集，并識別一系列腔室中的自然分布，以檢測不匹配的腔室，然后挖掘根本原因并進行糾正。這是一種大數據多元機器學習方法，觀察一個腔室內或腔室子系統內的諸多信號。
圖1. 泛林集團2300?刻蝕系統（每個系統有6個獨立的腔室）及其在Equipment Intelligence??數據分析儀大數據機器學習分析前后的工藝窗口分布圖示
現可用于多站工藝模塊
為等離子體增強化學氣相沉積 (PECVD) 和原子層沉積 (ALD) 腔室設計的新版Equipment Intelligence?數據分析儀目前已被部署在多個晶圓廠。該軟件已經過調整，可適應PECVD/ALD腔室與刻蝕腔室（多基座vs.單晶圓腔）中晶圓流動場景的差異。新解析方案的增加，可以對單片晶圓的移動進行跨多站工藝模塊的跟蹤。
該軟件中還應用了自動調和，以處理PECVD/ALD晶圓流特有的配方組、子配方和多次配方迭代。
圖2. 泛林PECVD工藝設備與4x4（一次四片晶圓）腔室的不同視圖
虛擬傳感器的創新
目前，我們已有多個客戶的晶圓廠開始使用Equipment Intelligence?數據分析儀，利用VECTOR? Strata? PECVD設備組的生產數據，并正在加速滿足客戶最關鍵的需求，如延長預防性維護周期和正常運行時間。這包括根據回歸模型創建和部署預測控制圖，使用分類模型預測指標，以及向關鍵人員發送通知、以便及早發現問題并迅速解決潛在問題。使用基于虛擬計量的回歸模型可以預測生產設備的性能表現，且更容易挖掘生產趨勢的根本原因。數據分析儀還被用于快速診斷多種關鍵設備的問題，如腔室匹配或計劃外停機。
在半導體制造量產中使用大數據機器學習方法（如數據分析儀）的關鍵目標之一是使工藝設備實現比以往任何時候都更高的生產力（以更低的成本生產出更多優質晶圓），世界各地多個客戶的晶圓廠正在實現這一目標。
