歩留まりとは、「生産したチップのうち、良品として出荷できる割合」

例：

・100個中95個良品 → 歩留まり95％
・100個中60個良品 → 歩留まり60％

先端ノードでは、

・初期量産：30〜50％

・安定量産：90％以上　まで改善される。

半導体不良は単純ではない。

原因は複合的。

・装置ばらつき

・材料変動

・環境変化

・設計依存

・工程相互作用

人間の勘だけでは追えない。

だからこそ、統計とデータ科学が必要になる。

歩留まり管理の基礎技術。

工程データを統計的に監視し、異常を早期検知する。

代表指標：

・膜厚

・CD寸法

・エッチング深さ

・注入量

 

主な管理手法：

・管理図（Control Chart）

・平均値管理

・ばらつき監視

 

狙いは、不良が出る前に止めること。

工程の安定性を数値化。

・Cp：ばらつき能力

・Cpk：中心ズレ含む能力

目安：

・Cpk 1.0未満 → 不安定

・Cpk 1.33以上 → 量産基準

・Cpk 1.67以上 → 高品質工程

先端工場では常時監視。

歩留まりは欠陥密度と直結。

・パーティクル

・スクラッチ

・残渣

欠陥密度が下がるほど、チップ良品率は上昇。

ウェハマップ解析で評価。

不良分布を可視化。

例：

・中心集中 → 成膜問題

・周辺集中 → エッチング不均一

・ストライプ → 装置起因

空間分布から原因を推定。

装置データ監視技術。

リアルタイムで装置挙動を解析。

監視項目例：

・温度波形

・圧力変動

・RF電力

・モーター電流

異常兆候を事前検出。

装置ビッグデータ解析。

・数千センサーデータ

・長期トレンド

・装置間比較

SPCより広範囲。

装置予知保全にも活用。

単一パラメータでは原因特定不可。

多変量解析で相関抽出。

例：

・温度 × 圧力 × 時間

・膜厚 × CD × エッチング条件

複雑因果関係を可視化。

プロセス最適化の王道。

複数条件を体系的に変化させ、最適条件を導出。

例：

・成膜温度

・ガス流量

・圧力

歩留まり最大条件を探索。

近年の主役。

活用領域：

・欠陥分類

・歩留まり予測

・異常検知

・原因推定

人間では見えない相関を抽出。

次世代ファブの姿。

・in-line歩留まり監視

・自動補正

・フィードフォワード制御

プロセスが自律最適化。

歩留まりは単工程では決まらない。

統合対象：

・設計データ

・装置データ

・検査データ

・材料ロット

統合解析で真因特定。

・AI×SPC融合

・デジタルツイン歩留まり予測

・欠陥画像Deep Learning

・自律プロセス制御

・スマートファブ化

歩留まり改善は、経験工学からデータ科学へ移行。

・歩留まりは工場利益の核心指標

・SPCが品質管理の基盤

・欠陥密度と歩留まりは直結

・FDCで装置異常を早期検知

・DOEで最適条件導出

・AI解析が次世代の主役

１．SPCの目的を一言で説明せよ。

２．ウェハマップ解析で何が分かるか？

３．DOEが歩留まり改善に有効な理由は？

４．AI歩留まり解析の強みは何か？

 

 

 

 

コラム監修：角本 康司 (オーティス株式会社)
語学留学や商社での企画開発を経て2011年にオーティス株式会社入社。経営企画部を中心に製造・技術部門も兼任し、2018年より代表取締役として事業成長と組織強化に努めている。

 

※本記事は教育・啓発を目的とした一般的な技術解説であり、特定企業・製品・技術を示すものではありません。