先进过程控制 (APC) 提升半导体制造的 10 种方式

芯片尺寸不断缩小，公差要求不断提高，晶圆厂面临着在不增加人手的情况下，不断提高合格芯片产量的压力。半导体制造中的先进工艺控制 (APC) 已成为实现这一目标的基石——它并非晶圆厂的锦上添花，而是确保数百个相互关联的工艺步骤始终符合规格、晶圆一盘一盘、批次一盘一盘的控制系统。

对于晶圆厂经理、工艺工程师和自动化负责人来说，在评估下一步投资方向时，他们通常考虑的不是自动工艺控制（APC）是否重要，而是它能在哪些方面带来最快、最可衡量的回报。这种压力并非仅限于尖端逻辑晶圆厂。外包半导体组装测试（OSAT）、专业模拟晶圆厂以及为第三方生产线构建工艺模块的设备制造商，都在努力应对同样的根本挑战：更多的工艺步骤、更严格的公差，以及对过去在老工艺节点和小批量生产中行之有效的、由工程师主导的手动调整方式的容忍度更低。

以下列举了先进工艺控制技术改进半导体制造的十个具体方法，从良率和周期时间到使这一切成为可能的设备通信层。

半导体制造中的先进过程控制（APC）是什么？

高级过程控制（ APC）是指利用软件、模型和反馈/前馈回路，持续监控过程数据并自动调整设备配方，以确保产量符合目标规格。APC 系统并非仅仅依赖固定配方和事后检验，而是从过程工具、计量站和传感器实时采集数据，然后利用统计模型（从简单的运行间调整到机器学习驱动的预测）在产生废品之前纠正偏差。

传统的自动过程控制 (APC) 侧重于识别工艺腔室中的问题，并微调工艺参数，例如调整气体流量或曝光时间。如今的 APC 平台更进一步，融合了虚拟计量、故障检测和人工智能驱动的模式识别技术，能够捕捉到传统统计过程控制完全无法发现的问题。这种演进至关重要，因为随着特征尺寸的缩小，误差容限也随之降低——以下十项优势均建立在实时闭环控制的基础之上。

APC通常使用少数几个核心技术来描述，这些技术协同工作而不是孤立地运作：

• 跑动间（R2R）控制—— 根据先前运行的测量结果，调整晶圆或批次运行之间的配方参数，以补偿工具漂移和来料变化。
• 模型预测控制（MPC） — 使用过程模型来预测一个或多个输入的变化将如何影响输出，从而实现多变量的前瞻性调整，而不是单变量的被动反应。
• 故障检测与分类（FDC） — 在流程步骤中实时监控传感器跟踪数据，以便在异常情况发生时立即标记出来，而不是事后才标记。
• 虚拟计量学—— 根据工艺数据预测晶圆的测量特性，减少对物理测量步骤的依赖，从而延长周期时间。

了解这些基本组成部分很重要，因为接下来的十项好处并不是单一算法的产物，而是这些技术如何结合、调整并用可靠的设备数据输入的结果。

1. 更高、更稳定的产量

良率是衡量晶圆厂经理业绩的关键指标，也是APC投资获得批准的最重要原因。APC通过持续测量工艺输出并在偏差演变为缺陷之前调整输入，将结果分布范围缩小到目标规格附近，而不是任其向控制限边缘漂移。案例结果直接证实了这一点：在一家晶圆厂，部署APC后良率提高了0.5%——在大规模生产中，即使是百分之几的提升也意味着每月增加数千颗合格芯片，因此可以转化为实际收益。

该机制很简单。传统的工艺控制是在晶圆经过多个工序后，在下游环节发现问题。而APC（高级工艺控制）则在上游环节介入，根据上一片晶圆的数据调整下一片晶圆的工艺配方——这意味着更少的晶圆会偏离目标值，从而避免最终报废。

2. 降低不同工具和腔室之间的工艺变异性

即使是同一OEM厂商生产的同一型号工艺腔室，其性能也各不相同。腔室间和设备间的差异是半导体制造中良率损失最持久的来源之一，而APC（自动工艺控制）正是为了消除这种差异而设计的。运行间（R2R）控制模型会跟踪每个腔室的个体行为，并应用针对特定腔室的校正，因此在3号腔室中处理的晶圆最终与在7号腔室中处理的晶圆在统计学上没有区别。

随着晶圆厂横向扩展，增加并行设备以提高产能，这一点变得越来越重要。如果没有APC来规范不断扩展的设备集的行为，每增加一个腔室，变异性就会加剧——这使得扩展策略从产能提升变成了良率风险。

3. 实时故障检测与分类（FDC）

故障检测与分类 (FDC) 是 APC 决策的传感层，它本身就是一项优势。FDC 系统无需等到生产线末端的电气测试或光学检测才能发现问题（此时可能已有数十甚至数百片晶圆受到影响），而是在生产过程中持续监测设备传感器数据（压力、温度、射频功率、气体流量），并在异常情况发生时立即发出警报。

这使得晶圆厂从被动应对转变为主动预测。射频匹配漂移或腔室密封缓慢劣化等问题，会在出现可见缺陷之前，在跟踪数据中留下细微的痕迹，从而为工程师提供干预窗口——无论是自动修正配方、发出维护警报，还是在问题进一步恶化之前抽取一批产品进行检测。

4. 降低废品率和减少返工

每片在生产过程中报废的晶圆都代表着无法挽回的材料损失、设备时间和人工成本。APC（自动过程控制）通过及早发现工艺偏差并进行纠正，而非在整批晶圆无法挽回后才发现问题，从而直接减少废品。反馈和前馈回路意味着，来自上游测量的数据（例如沉积后的薄膜厚度）可以自动调整下游刻蚀或平坦化步骤的参数，从而补偿上游的偏差，而不是任其发展成缺陷。

废晶圆减少也意味着试运行和重运行减少，从而减少了对设备产能的消耗，而这些产能原本可以用于生产量——这是次要的吞吐量优势，当废料减少仅仅被视为成本问题时，很容易被忽视。

5. 光刻技术中关键尺寸 (CD) 的精确控制

在光刻工艺中，APC 的价值往往体现得最为明显，因为关键尺寸控制与器件性能直接相关。在 CD 控制应用中，APC 持续测量晶圆上图案化的关键尺寸，并近乎实时地调整扫描仪曝光设置，以确保这些尺寸保持在目标范围内。随着制程节点的缩小，可接受的 CD 偏差也随之同步缩小，手动或纯粹被动的调整根本无法满足现代光刻工艺对公差的要求。

同样的闭环逻辑也适用于化学机械抛光 (CMP) 工艺，其中 APC 会调整工艺参数以保持晶圆表面平整度的一致性——这是后续每一层正确图案化的先决条件。如果 CMP 工艺出错，误差不会局限于某一层，而是会波及到其上构建的每一层。

6. 问题发生时，能更快地进行根本原因分析

即使部署了强大的自动检测控制 (APC) 和故障检测控制 (FDC) 系统，异常情况仍然会发生——设备老化、耗材劣化、进料质量波动等。APC 的优势在于能够显著提升工程团队查找根本原因的速度。由于 APC 系统会记录高频跟踪数据、模拟残差并控制每片晶圆的运行情况，因此工程师在排查问题时，可以利用包含丰富时间戳的数据集，而无需仅仅依赖操作员日志和生产线末端测试结果。

设备通信层对于自动故障检测 (APC) 的有效性至关重要。APC 平台依赖于通过 SECS/GEM（半导体晶圆厂设备与主机通信的标准协议）从工艺设备高频采集数据。完善的 SECS/GEM 集成使 APC 软件能够订阅设备事件并以进行有效根本原因分析所需的频率提取跟踪数据——否则，APC 将只能处理稀疏或延迟的数据，根本原因调查将退而求其次，最终只能依靠人工侦查。

实际差异体现在工程团队如何分配时间上。有了丰富的追踪数据，工程师在调查良率下降问题时，只需几分钟即可按工具、腔室、工艺步骤和时间窗口进行筛选，将特定的传感器特征与受影响的晶圆关联起来。如果没有这种精细的数据，同样的调查往往只能依靠访谈操作人员、调取维护日志以及逐一验证假设——这个过程可能会将原本当天就能解决的问题拖延成一个长达数周的工程项目，而根本问题却持续影响着生产。

7. 提高整体设备效率 (OEE) 和吞吐量

APC技术在良率和质量方面的优势备受关注，但它对整体设备效率和生产效率的影响同样显著。通过减少因超出规格条件而导致的计划外停机次数、最大限度地减少试运行周期以及降低工程师手动调整配方的需求，APC技术能够确保设备在更多时间内高效运转，从而提高晶圆生产效率。

这里还涉及到直接的人员效率提升。有记录显示，一家晶圆厂部署自动工艺控制（APC）系统后，节省的成本相当于避免雇用一名额外的工艺工程师，估计每年可节省 120,000 万至 160,000 万美元——这种价值并非通过增加人手来更密切地监控工艺流程而产生，而是通过自动化监控和自动调整来实现的。

8. 跨多种工具、工艺步骤和制造厂的可扩展性

现代APC框架并非为单个腔室或单个工艺步骤而设计，而是旨在扩展到晶圆厂内的数十个设备和工艺模块，并且越来越多地扩展到多个晶圆厂，最终汇聚到同一个数据基础设施。这种可扩展性使制造商能够在整个晶圆厂范围内应用一致的控制策略，而无需维护一套针对特定设备、由工程师调整的零散设置，这些设置无法在工艺转移到新设备或新厂时迁移。

对于在多个工厂运营的 OEM 和 OSAT 公司而言，这种可扩展性通常是决定 APC 投资是否值得的决定性因素：一个只适用于一种工具类型或一个晶圆厂的框架，无法像可扩展的标准化平台那样产生复合收益。

可扩展性还会影响晶圆厂将新工艺技术上线的速度。当成熟的APC框架已经存在时，将其扩展到新设备、新工艺模块或新增生产线主要只需进行配置——重用现有模型、控制策略和数据管道，而不是从头开始重建。这种可重用性缩短了新产能的良率提升时间，这直接关系到资本设备投资的回报率。

9. 人工智能和机器学习驱动制造的基础

先进过程控制（APC）一直以来都对数据需求极高，这使其成为晶圆厂引入人工智能和机器学习的天然途径。机器学习通过实现比传统统计模型更复杂的实时监控和控制来增强APC——它能够识别传感器轨迹中细微的多变量模式，在传统统计过程控制（SPC）的检测限之前预测漂移，并随着晶圆数据的不断积累持续改进自身模型。

虚拟计量是这种演进在实践中最清晰的例证之一：基于机器学习的虚拟计量模型无需等待物理测量，即可直接从工艺传感器数据预测晶圆的测量属性，并将预测结果反馈到自动工艺控制（APC）回路中，速度远超传统计量工具的测量结果。将大数据、物联网连接和人工智能与传统APC相结合，为晶圆厂提供了真正更强大的控制系统，而不仅仅是速度更快的版本。

10. 与MES和全厂自动化更好地集成

APC并非独立运行——当它与制造执行系统（MES）以及更广泛的工厂自动化系统紧密集成时，其价值将成倍增长。将APC的决策和结果反馈到MES中，意味着配方调整、质量控制和调度决策都基于相同的实时过程智能，而不是APC和MES作为独立的系统，基于不同的晶圆厂状态信息运行。

这种集成再次依赖于强大的设备通信。SECS/GEM 和 GEM300 连接层使得 APC、FDC 和 MES 都能从一致、高频的设备数据流中获取信息——正因如此，那些将设备通信基础设施视为战略资产而非仅仅作为一项通用功能而进行管理的晶圆厂，往往能够从构建在其上的每一层（包括 APC）获得更可靠的性能。

设备通信层为何决定着APC的成功

值得注意的是，上述几乎所有优势都贯穿着一个共同的主题：APC 的性能完全取决于其接收的数据质量。模型预测控制、运行间调整、故障检测和虚拟计量都依赖于晶圆厂设备及时、完整、高频的数据。当设备与主机系统之间的 SECS/GEM 通信不可靠、速度慢或不完整时，APC 系统将被迫基于过时或不完整的信息做出决策——无论控制模型本身多么复杂，都会削弱此处描述的十项优势。

因此，成功实施APC需要的不仅仅是优秀的算法，还需要对晶圆厂和封装工序有深入的了解，以及专为满足半导体制造需求而设计的通信和自动化基础设施。

构建能够带来实际成效的APC战略

以上十项优势并非彼此独立，而是相辅相成。更精准的故障检测有助于更快地进行根本原因分析；更低的变异性有助于提高良率；可扩展的框架使得人工智能驱动的自动过程控制（APC）能够应用于整个晶圆厂，而不仅仅局限于单条试生产线。其共同之处在于，控制系统基于可靠的实时设备数据构建，并由一支既精通工艺工程又了解底层自动化基础设施的团队负责实施。

对于晶圆厂经理、工艺工程师和自动化决策者而言，在评估如何加强工艺控制策略时，通常首先要认真审视数据基础：设备通信是否足够快速和完整，足以支持晶圆厂实际所需的控制级别？确保这一层数据到位，才能将自动化过程控制 (APC) 的投资转化为可衡量的良率、产能和成本提升，而不是仅仅浪费软件许可。

要了解更多关于如何实施针对您晶圆厂特定工艺和设备的先进过程控制解决方案的信息，请访问eInnoSys 的先进过程控制解决方案页面。