1. 概述
晶圆制造是半导体制造环节中投资最大、耗时最多、工艺最为复杂的一个阶段，其本质特征在于产品种类多、生产批量大。根据工艺平台复杂性的不同，通常晶圆在制造过程中大约要经历500~800多道生产或是量测工序，且晶圆生产无法用传统的单一生产线进行生产，而是要通过晶圆制造厂的一些主要工作站点(离子注入、薄膜、刻蚀、光刻等)进行重复加工，因此，半导体晶圆制造具有可重入制造系统的特征 [1] 。
半导体晶圆制造投资大，制程复杂。随着摩尔定律逐渐逼近极限，晶圆制造的制程尺寸也越来越小，这就对制程稳定性提出了更高的要求，其中，良率水平的高低是直接关系到制程能力的关键因素，对于晶圆制造企业而言，高良率就代表其制程稳定，可以为企业减少不良品损失，进而提高企业的利润 [2] [3] 。但晶圆制造的复杂、可重入特性使得产品良率具有很大的不确定性，具体地说，影响良率(电性测试结果、白像素点结果等)的因素贯穿于晶圆制造的全过程，包括：铸锭原材料的自身特性(铸锭直径、外延层厚度、外延层电阻率、表面颗粒大小、表面平坦度、衬底厚度、弯曲度等)、产品制程尺寸、生产设备类型、工艺水平的影响、无尘室洁净度 [4] [5] 等方面，因此很难进行管控，以CIS (Contact Image Sensor，CIS，接触式传感器件)产品为例，白像素(whitepixel)一直是晶圆制造CIS产品良率的重要参数，它直接制约着摄像头类产品的传感芯片最终成像清晰度，不仅直接关系着相关图像传感器类产品的拍照、摄像视频质量，也是晶圆制造企业CIS类产品良率控制的重要指标之一。目前针对CIS产品的良率控制，主要是从晶圆电性测试，重金属污染、铸锭原材料等方面展开，而晶圆铸锭自身良率特性对晶圆良率的影响作用最大，而目前国内的半导体企业对晶圆铸锭的管控方法研究较少，鲜有文献涉及，因此对晶圆制造铸锭原材料的管控水平较低。晶圆铸锭自身良率特性必将对后期产品良率产生极大的影响，为有效提升晶圆制造铸锭原材料的管控水平，本文以CIS产品白像素点控制为例，通过应用数据统计分析方法，全方位、深度分析晶圆制造铸锭原材料及对良率参数的影响及相关的晶圆铸锭原材料管控解决方案。
2. 解决方案
晶圆制造铸锭原材料(Ingot)的各类自身属性(包括：铸锭直径、外延层厚度、外延层电阻率、表面颗粒大小、表面平坦度、衬底厚度、弯曲度等)都会对良率参数产生重要影响，如果铸锭自身就含有严重缺陷，以现有的技术，铸锭自身良率无法从工艺上进行修复，如果将该铸锭长期应用于生产，那么会继续对后期的产品良率造成长期且持续的影响。目前各晶圆制造厂对铸锭的管理方法是将供应商提供的各类铸锭原始数据进行抽样检测并录入数据库，该方法不仅是静态方法，也缺乏对这类数据的深度分析，因此对晶圆制造铸锭原材料的管控水平较低。本文通过应用数据统计分析方法，并结合我单位的芯片制造实际，全方位、深度分析晶圆制造铸锭原材料及对良率参数的影响，具体包括：自动化的晶圆铸锭数据采集、规范化的铸锭品质管控方法和铸锭良率预警反馈应用三个方面，解决方案如图1所示。
2.1. 铸锭数据采集
铸锭数据采集接口方案及处理流程如图2所示，主要是通过C#编写数据采集脚本每天早上八点定时采集铸锭原始数据和产品白像素原始数据分别存入铸锭原始数据表和产品白像素原始数据表，而后同样采用C#编写另一个数据采集脚本每天九点通过主键连接的方式获取铸锭–白像素数据视图，通过这一方法，为后续的铸锭品质管控方法数据分析奠定基础。
Figure 1. Ingot quality management solution for wafer manufacturing
图1. 晶圆制造铸锭良率管控解决方案
Figure 2. Ingot quality management handling process
图2. 铸锭良率管控处理步骤
2.2. 铸锭品质管控方法
2.2.1. 铸锭自身参数对whitepixel影响的相关性分析
相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
铸锭原材料的各类自身属性，包括：铸锭直径、外延层厚度、外延层电阻率、表面颗粒大小、表面平坦度、衬底厚度、弯曲度等因素都会对whitepixel产生重要影响，因此本部分主要通过相关性分析方法，找出各因子中对whitepixel影响最大的因素为外延层电阻率和衬底厚度，并在铸锭入库检测中，进行重点管控，通过检查发现对whitepixel影响最大的因素是外延层电阻率。
2.2.2. 异常铸锭发现
设定阈值标准，重点标记出异常铸锭，其处理流程如图3所示：
1) 选择产品种类。根据所选择的产品类型，得到铸锭列表信息；
2) 计算并保存该类产品的白像素点平均数值。将该数值进行保存并作为铸锭品质评估的标准；
3) 根据正态分布理论及数据统计，建立异常铸锭发现的阈值标准为：平均值±3*标准偏离；
4) 对异常铸锭进行标记并生成结果输出。
2.2.3 异常铸锭发现
通过标记超过Whitepixel平均值±3*STD。范围之外的Ingot为“异常Ingot”，而未超过此区间的为“未见异常Ingot”，可通过编写C#脚本的方式，将其以图片的方式发送Email给相关的工程师，实现实时的铸锭良率管控。
3. 结束语
晶圆制造铸锭原材料对良率参数产生重要影响，如果铸锭自身就含有严重缺陷，以现有的技术，无法从工艺上进行修复，如果将该铸锭长期应用于生产，那么会继续对后期的产品良率造成长期且持续的影响。为有效提升晶圆铸锭管控水平，本文结合CIS产品中的whitepixel参数和铸锭原始数据，通过应
Figure 3. Abnormal Ingot identification flow
图3. 异常铸锭发现流程
用数据统计分析方法，从自动化的晶圆铸锭数据采集、规范化的铸锭品质管控方法和铸锭良率预警反馈应用三个方面，全方位、深度分析晶圆制造铸锭原材料及对良率参数的影响，有望从根本上提升晶圆制造企业的铸锭管理水平。