超薄压电传感器检测制造过程中的异常

2020/09/30

超薄压电传感器制造过程异常检测与AI结合大幅提升生产效率

#少子老龄化

在生产现场，“提高产量”是永恒的挑战。例如，由于半导体器件制造过程中的异常等离子体放电对成品率影响很大，因此需要检测技术。 AIST 是耐热压电薄膜开发出薄型结构的AE传感器，通过将其安装在制造设备内成功检测到异常等离子体放电我做到了。此外，通过将该传感技术与基于人工智能的异常诊断技术相结合，大大提高了制造过程中的异常检测率，有助于提高制造现场的产量。

我想快速检测制造过程中的异常放电

　由于IT技术的进步，在制造广泛使用的LSI和MEMS器件时，干法蚀刻和溅射等使用等离子体的工艺是必不可少的，但在这些工艺过程中可能会发生异常等离子体放电。这可能会导致晶圆上制造的器件布线短路并损坏设备内的组件，从而导致器件良率下降。此外，这种异常放电还可能引发其他问题，生产现场希望尽快检测并修复。

　“器件制造过程中的等离子处理过程可以重复30次以上。如果没有注意到缺陷，继续进行后续工序，花费大量时间并增加价值，那么它就会成为次品，损失相当大。因此，需要一种能够在异常放电发生时立即检测到并抑制对制造过程的影响的技术。”生产过程评估研究小组负责人田原龙夫解释道。

我们需要一种技术来检测晶圆周围的异常放电，这种放电会直接导致晶圆损坏，但迄今为止还没有有效的检测方法。其原因在于，半导体器件的量产设备极其紧凑且设计精密，因此很难安装传感器。

　当材料变形或破坏时，会发生一种称为 AE（声发射）的现象，其中存储在内部的应变能以弹性波的形式释放。当发生异常放电时，冲击也会以弹性波的形式传播，可以由使用压电元件的 AE 传感器检测到。然而，半导体器件的量产设备内部狭小，电磁波四处传播，热量增加，因此无法安装厚度较厚且耐热性不高的通用AE传感器。还有一种在设备外部附加传感器的方法，但各种噪声进入系统，导致很难确定传感器的响应是否为异常放电。

　在研究检测传感器时，田原认为，如果使用氮化铝（压电陶瓷中耐热性最高（1200摄氏度））制造薄型AE传感器，则该传感器可以内置到设备制造设备中。

　氮化铝是一种压电材料，当对其施加力时会产生电荷，并且已知即使将其制成薄膜也可以用作压电传感器。 Tahara 接受了挑战，将氮化铝压电传感器用作薄型 AE 传感器，以便将其放置在晶圆制造设备内。

　所开发的传感器是超薄型的，元件厚度为3μm，检测部分厚度为1mm。当我们在实际设备制造过程中尝试这一点时，我们能够检测异常等离子体放电而不受噪声干扰。这终于使得检测流程中的异常成为可能，而这在以前是很困难的。''

异常诊断与AI结合，诊断准确率大幅提升

　这种氮化铝薄膜传感器还可用于传感器检测有效但没有空间安装通用AE传感器的工艺，例如用于批量生产和汽车零部件加工的焊线机。

　田原所属的生产过程评估研究小组的优势在于，除了开发像这样的新型高精度传感器外，我们还可以结合各种传感器和数据分析方法，提出适合每个现场的有效异常检测系统的方法。

　目前，我们正在研究如何通过结合传感和机器学习来提高异常诊断的准确性。即使传感器本身已经存在，通过将它们与信息技术相结合，我们也可以解决以前无法解答的问题。”（田原）

　近年来，人们积极进行研发，使人工智能（AI）从大数据中学习并将其连接到某种解决方案。物联网在制造业的应用正在取得进展，每秒都在获取和处理各种信息。

　“然而，在制造领域，数据量的保障往往很困难，因此我们关注价值和质量。”

Shuichi Ishida 表示，他正在研究通过结合制造过程和机器学习的传感数据来提高诊断准确性。我们正在努力诊断传感器获得的信号是否会导致问题，并提高诊断的正确率。

　在机器学习中，人工智能的目的是记住好的产品并诊断其他产品有缺陷，但实际上，在制造现场，人工智能很少有训练数据来了解这是正确的答案。”

通常，在制造设备时，我们会先检查下线的几件东西，如果没有问题，我们就会认真启动生产线。换句话说，只有前几个设备被确定为“良好”，而后续设备虽然被认为是良好的，但并不严格地被认为是良好的。此外，由于当前的制造地点在制造不同类型的产品之间切换，因此获得确认同一类型的产品是好产品的数据的机会较少。

　如果仅使用那些明确被认为“好”的数据作为训练数据，则只能确保少量的训练数据，并且诊断准确性不会提高。为了克服这个问题，石田不得不思考如何有效地利用他所拥有的少量信息。

　只是生产线上生产的产品并不能严格判定为好产品，虽然根据生产线的不同可能会有细微的差异，但实际上在该生产线上生产的产品大部分都是好产品。根据这些信息，我们认为值得将其作为训练数据。为了使数据量统一，我们决定从未经测试的产品中选择有价值的数据，即即使质量存在一些差异也可以判断为高质量的产品，并将其导入作为训练数据。”

　通过增加学习的数据量，人工智能的模式推理能力得到了加强，我们已经能够获得真正可以用于异常诊断的指标。通过将基于传感器的异常检测与机器学习的结果相结合，一个制造工厂成功地将异常检测率从约 30% 提高到 96%。这种将适当的传感和信息处理相结合的方法不仅提高了异常检测率，而且还可以阐明异常本身的原因并提出流程改进的建议。

　生产过程评估研究小组希望进一步推进研究，以准确识别异常迹象，开发有效的预防性维护技术，并为提高制造现场的生产率做出贡献。”