一、半导体材料的发展历史和现状
（一）半导体材料的发展历史
半导体材料的发现最早可追溯到1833年，英国巴拉迪最早发现了硫化银的电阻会随着温度变化而不同于一般金属，其电阻会随着温度升高不断下降，这是半导体现象最早的发现。1839年法国贝克莱尔发现了一种由电解质和半导体接触形成的结，这种结在光照影响下会产生一个电压，这种现象被称为光生伏特效应，是半导体被发现的第二个特征。20世纪50年代，第一代半导体——元素半导体出现，这是一种以硅和锗为代表的半导体材料，它的出现首次取代了传统的电子管，为微电子工业、IT产业的发展创造了良好条件。随后，国际上又相继研制出以砷化镓为代表的第二代半导体材料和以碳化硅、氮化镓为代表的第三代半导体材料。目前，半导体材料凭借自身优异的特性，在国防、光伏储能、航空航天等领域有着广阔应用前景。
（二）半导体材料的发展现状
目前，全球已探明的硅储量十分丰富，半导体材料价格相对低廉。半导体材料拥有良好的热性能与机械性能，在目前的研制中已经十分成熟。目前，以碳化硅为代表的半导体材料，基本能满足500℃以上环境的使用需求，但目前氮化镓射频技术也在快速发展，其在功率型上的优势已经超过碳化硅，碳化硅在半导体材料市场上的地位正面临挑战。锗（化）硅化合物半导体材料在科技不断进步的过程中，由于MBE、CBE等技术日渐成熟，为硅衬底上结出Ge-Ci合金，得出Si/SiGe异质结创造了良好条件[1]。目前，半导体材料行业中出现了许多先进工艺，逐渐取代了传统半导体工艺，如兼容手段通过引入外延生长法，使硅片表面外延长出几微米薄膜，从而生产出相应的半导体基片。
二、基于大数据分析的半导体工艺发展新模式
大数据时代下，基于大数据分析的半导体工艺新模式的出现，有利于实现半导体工艺良率提升的目标。大数据时代下，半导体制造数据在数量、速度、种类等方面取得了巨大进展，半导体工艺快速发展过程中，如先进封装产品包括系统级封装、2.5D/3D封装等的出现，促使许多半导体封测企业将研究重点放在封测产品良率上，将其作为提高自身收益和竞争力的一种方式。半导体封测是一项高精密离散制造，在封测产品良率的过程中，整合了电子、材料、机械、信息控制、图像识别等先进技术，工艺流程十分复杂，工艺流程对加工精度要求较高，产品材料比较脆弱。传统标杆封测厂内每天封测的产品数量较多，并且同时会有数千台设备运行，很容易影响良率提升，怎样发现、定位并锁定不良，属于提高半导体工艺良率的关键，只有通过专业化的良率分析，才能实现半导体工艺良率提升的目标。
三、基于大数据分析的半导体工艺良率分析技术
（一）数据接入与存储
基于数智化平台整合各系统、各接口的各类数据，满足后期数据持续接入的要求，为数据清洗、数据分析创造良好条件。数智化平台在良率分析的数据接入与存储中，要表现出强大的计算功能和可扩展的大数据存储功能。
（二）数据建模
采用大数据分析技术在数智化平台上构建半导体工艺相对应的数据模型，将半导体生产与改善中积累的相关信息进行整合与组织，对产品生产过程实现全面表征，为后期进行多维度细化分析创造良好条件。建立数据模型时，应保证模型能完整反映整个工艺流程，包括工艺流程中使用的Spare Part、芯片来自哪片Wafer等[2]，要囊括各类设备的参数信息、检测数据等，基于反映工艺全过程的事实表进行多维度富化，增加各对象的动静态属性，为后期开展多维分析提供支持。由于不同企业数据颗粒度存在差异，在实际建模时可以根据数据能力，根据敏捷迭代的思想分步骤实施。
（三）多维数据分析
多维数据分析中要应用可视化、多维分析等技术，对预先建立的模型进行切片、切块、转换等操作，支持各业务部门从不同角度观测和分析数据，开展数据对比工作，提高数据分析的灵活性。
（四）缺陷定位
根据多层堆叠产品中各产品的加工履历开展大数据追溯操作，对产品中的不良缺陷进行识别，准确定位不良产品，基于大数据分析缩短异常数据分析的时间，提高封测不良分析的效率。
（五）可视化呈现
采用场景驱动方法，选择适当图表开展可视化分析工作，综合采用热力图、Stack Map、累积概率图等大数据分析工具，如通过Stack Map对Wafer Map Gallery进行叠图[3]，强化原本不明显的空间分布特征。
四、基于大数据的半导体工艺良率提升方法
封测良率分析是半导体工艺良率提升的主要方法，其主要通过数据整合、计算指标、不良分析、锁定不良等步骤完成不良率提升，上述步骤输出良率提升的方法有利于形成产品良率提升的闭环管理，封测良率分析流程如下[4]：①数据整合。产品生产和改善业务中积累了大量数据，这些数据在EEs、MES等系统中，因为系统供应商不同，存在不同的数据格式，因此在封测良率分析前要将各系统中的数据进行整合，通过标准化处理打通数据链路，为后期分析提供支持。②计算指标。良率计算指标多样，主要包括单工程良率、多工程良率两种。单工程良率为初期良率，计算方法为——合格数/投产数；多工程良率分为累积良率和标准化良率，前者以初期良率的乘积进行计算，后者以初期良率的几何平均进行计算。③不良分析。不良分析分为数据分析与失效分析两个部分。数据分析在产品制作中，可以通过统计计算或图表可视化对不良的规律性信息进行探索，主要包括聚类分析、相关性分析、中心分析等多种方法，需要根据业务场景及算法特点灵活选取数据分析方式；失效分析需要根据数据分析的结果，选择不良样品实施分析，可以采用PFA物性分析和EFA电性分析两种方法，利用精密仪器开展微观分析工作，精确对Package中的不良位置及其形态进行定位，因失效分析时要采用专业的仪器设备，需要专业人员进行操作，因此能够选取的样品数量较少，最终得出的数据需要与数据分析结果匹配，在二者一致的情况下可得出最终结论，如果二者不一致又需要重复上述步骤。④锁定根因。在上述封测良率分析步骤中，将不良分析形成的信息与设备失效模式、各半导体工艺进行整合，对导致不良发生的机理进行明确，以便后期采取针对性的改善策略，按计划执行改善策略直接促进半导体工艺良率提升。
结语：综上所述，本文从半导体工艺流程着手，引入基于数智化平台的封测不良分析方法，在准确识别和定位产品不良的基础上，为改善半导体工艺流程提供参考依据，以此达到提高半导体工艺良率提升的目标。本文认为大数据分析支持封测良率分析工作的开展，能显著提高良率识别和定位、良率提升的效率，对传统半导体工艺具有显著优化作业，有利于促进半导体材料行业发展。
参考文献
[1]. 化工大数据 图说磁性陶瓷——铁氧体[J]. 广州化工,2022,50(09):7-8.
[2]吕晋. 基于专利大数据的先进制造工艺前沿热点预见方法研究[D].机械科学研究总院,2020.
[3]黄桂花,余祖发,周婧,鄢春根,景普国. 从专利申请大数据看半导体陶瓷创新态势[J]. 山东陶瓷,2019,42(06):7-13.
[4]凌希. 基于大数据的A半导体公司供应链信息管理系统优化设计[D].广东财经大学,2018.
作者简介：刘文平（1990-）男，汉族， 湖北阳新人， 硕士研究生， 武汉新芯集成电路制造有限公司。研究方向：半导体芯片良率提升
