A Review of Predictive Maintenance in the Semiconductor Fabrication Process

No Thumbnail Available

Files

URL

Journal Title

Journal ISSN

Volume Title

Insinööritieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-09-21

Department

Major/Subject

Kone- ja rakennustekniikka

Mcode

ENG3043

Degree programme

Insinööritieteiden kandidaattiohjelma

Language

en

Pages

33

Series

Abstract

The semiconductor fabrication process is arguably the most complex single fabrication process in the world today, requiring hundreds of steps and an array of advanced tools. Demand for integrated circuits keeps growing, and production needs to run without interruptions. Because of this, equipment failures have severe consequences and can be extremely costly. As modern machine learning algorithms become increasingly advanced, there is growing interest in detecting faults ahead of time, allowing for predictive maintenance. Due to the high equipment expenditures associated with semiconductor fabrication, predictive maintenance can lead to significant reductions in downtime as well as maintenance-associated labor and spare part expenditures. This thesis is a review of how predictive maintenance is used in the semiconductor industry. The current state of the semiconductor fabrication process is reviewed along with the faults commonly found in semiconductor fabrication equipment. Two of the most critical steps in the fabrication process, etching and lithography, are studied in more detail through case studies. The two processes are chosen due to their importance as well as the difference between existing literature on the two methods. The results of the case studies are used to evaluate the state of the industry and to identify the biggest current challenges. Based on the case studies, a suggestion is made for a move toward large-scale implementation across the fabrication plant. Especially for etching tools, the state of the art is mature enough to apply PdM for all tools in a fabrication plant. Due to the complexity of lithography equipment, more complex machine learning methods are needed before implementation across an entire fab. The biggest challenge for applying PdM in semiconductor fabrication is the quality of data, which needs to be improved in order to make accurate predictions.

Tillverkning av halvledare är en av de mest komplexa tillverkningsprocesserna i världen idag. Processen kräver hundratals steg och en mängd specificerade och avancerade verktyg. Efterfrågan på integrerade kretsar fortsätter att växa, produktionen måste ske dygnet runt och utan avbrott. Utrustningskostnaden för tillverkning av de mest avancerade integrerade kretsarna är extremt höga, vilket betyder att fel i utrustningen leder till stora förluster. Framsteg inom moderna maskinlärningsalgoritmer har ökat intresset för att upptäcka fel i förväg, vilket möjliggör prediktivt underhåll. Genom att förutspå möjliga fel i utrustning kan reservdelar och reparationsarbete beställas i förväg, och underhållsåtgärder kan vidtas förrän större fel sker. Detta kandidatarbete är en översikt över hur prediktivt underhåll kan användas i halvledarindustrin. Traditionella strategier för underhåll av utrustning inom tillverkande industri diskuteras och jämförs med nuvarande prediktiva metoder. Stegen för produktion av moderna halvledarprodukter samt typiska fel i produktionsprocessen beskrivs. Två av tillverkningsprocessens mest kritiska steg, etsning och litografi, studeras i mer detalj med hjälp av två fallstudier. I fallstudierna diskuteras resultat from en mäng litteraturkällor angående prediktivt underhåll för de två respektive processtegen. Dessa två processer har valts på grund av deras viktiga roll i tillverkningsprocessen samt mängden litteratur som finns angående de två metoderna. Resultaten av fallstudierna används för att utvärdera industrins nuvarande läge och identifiera de största utmaningarna. Baserat på fallstudierna föreslås en övergång till implementering i stor skala över hela tillverkningsanläggningen. Speciellt för etsverktyg är senaste tekniken tillräckligt mogen för att tillämpa prediktivt underhåll på fabriksomfattande nivå. På grund av komplexiteten hos litografiutrustning behövs mer komplexa maskinlärningsmetoder innan prediktivt underhåll kan tas i bruk över hela fabriken. Den största utmaningen för att tillämpa prediktivt underhåll i halvledartillverkning är kvaliteten på data, som ofta är för låg för att utveckla en noggrann prediktiv modell. För att uppnå goda resultat som kan tas i bruk inom hela produktionslinjer måste högkvalitativa data samlas.

Description

Supervisor

Viitala, Raine

Thesis advisor

Huuki, Juha

Keywords

semiconductor fabrication, predictive maintenance, photolithography, etching, artificial intelligence

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202411267508

Collections

[kand] Insinööritieteiden korkeakoulu / ENG