ARCHIMEDES - Automatische und zuverlässige Klassifizierung von hochlinear gemessenen Waferkantenfehlern mit eingebetteten Screenern

In den letzten Jahren wurde eine von Grund auf neue Messtechnologie zur optischen Vermessung von Objektkanten entwickelt und patentiert, und in mehreren FFG Basisprogrammprojekten zu einem funktions- und demonstrationsfähigen Laborprototyp weiterentwickelt, welcher kontinuierliche Messwerte zur Objektrandgeometrie liefert. Das sogenannte "Wafer Edge Screener" Messsystem soll speziell zur Randinspektion von Waferscheiben in der Halbleiterindustrie eingesetzt werden, und eröffnet komplett neue Einsatzmöglichkeiten zur Prozessoptimierung und Qualitätskontrolle, um Fehler in der Produktion früh zu erkennen und die Produktionsausbeute zu erhöhen. Bereits existierende Systeme zur Randdefekterkennung verwenden meist aufwändige Multi-Kamera Visionsysteme und Bildverarbeitung, deren Informationen schwierig zu interpretieren sind, und welche sehr kostenintensive (sechs- bis siebenstellige $-Beträge) und üblicherweise schrankgroße Apparaturen sind. Deswegen werden sie in der Produktion auch meist nur an Schlüsselpositionen und stichprobenartig eingesetzt. Der Wafer Edge Screener hingegen hat ein sehr kompaktes Format, misst direkt das geometrische Randdickenprofil welches zur automatischen Erkennung und Charakterisierung von Defekten verwendet werden kann, und funktioniert weitgehend unabhängig vom Wafermaterial und dessen optischer Eigenschaften (transparent, reflektierend, absorbierend). Er kann daher flächendeckend direkt vor oder nach Prozessschritten in viele Anlagen zur Qualitätskontrolle eines jeden einzelnen Wafers integriert werden, was mit bisheriger Technologie undenkbar ist. Ziel dieses F&E-Projekts ist die Erforschung von Lösungsansätzen und Methoden zur vollautomatischen und integrierten Messdatenanalyse, um eine autonome Signalinterpretation, Feature Charakterisierung, und in Folge eine robuste Entscheidungsableitung zu ermöglichen. Es sollen jegliche Defekte und Randkontaminationen zuverlässig von natürlichen Waferrand-Features unterschieden, sowie klassifiziert und parametrisiert werden. Sowohl eine Pilotinstallation, als auch eine Installation in einer Laborumgebung soll umfangreiche Messdaten als notwendige Grundlage für Machine Learning Algorithmen liefern. Ebenfalls soll bereits laufende Forschung weitergeführt werden, um die bestehende Messgenauigkeit und Messrate drastisch zu verbessern, was u.A. zur zuverlässigen Erkennung von mikroskopischen Defekten erforderlich ist, und deren Früherkennung während der Produktion verbessert. Ebenso soll eine überarbeitete Prototypserie gebaut werden, und mit den notwendigen Interfaces zur Integration in Fertigungsanlagen ausgestattet werden. Erste Forschungsergebnisse sollen in das Messsystem integriert und sowohl in Laborumgebung als auch später in der Pilotinstallation getestet werden.