1. 课程导论：什么是DOE、DOE在工艺优化与良率提升中的核心价值、课程目标与学习路径
1.1 什么是DOE？——从“试错”到“科学实验”
DOE（Design of Experiments，实验设计） 是一套通过系统化、结构化的实验方案来研究多个输入变量（因子）对输出响应（结果）影响的统计方法。在半导体制造与先进工艺开发中，DOE 是取代传统“单因子轮换法”和“盲目试错法”的核心工具。
核心思想： 同时改变多个因子，用最少的实验次数获取最大量的工艺信息，识别出因子间交互作用，并建立输入与输出之间的数学模型。
传统试错法（OFAT：One-Factor-At-a-Time）与 DOE 的对比：
| 对比维度 | 传统试错法（OFAT） | DOE 实验设计 |
|---|---|---|
| 实验策略 | 每次只改变一个因子，固定其他因子 | 同时改变多个因子，按正交/最优设计矩阵 |
| 交互作用 | 无法检测因子间交互效应 | 可量化交互作用与高阶效应 |
| 实验次数 | 随因子数线性增长，效率低 | 随因子数对数增长，效率高 |
| 结论可靠性 | 易受噪声干扰，结论局部最优 | 统计显著，全局最优或稳健最优 |
| 典型应用场景 | 简单调试、单参数粗调 | 工艺窗口开发、良率优化、CMP/刻蚀/薄膜参数调优 |
1.2 DOE 在工艺优化与良率提升中的核心价值
在半导体制造中，良率（Yield）直接决定产品成本和产能。DOE 通过以下四个维度为工艺优化和良率提升提供不可替代的价值：
- 快速定位关键工艺参数（Critical Parameters）：从数十个潜在因子中筛选出对良率影响最大的少数关键因子，减少后续实验维度。
- 量化因子间交互作用（Interaction Effects）：例如刻蚀速率同时受 RF 功率和气体流量影响，DOE 能揭示这种非线性耦合关系。
- 建立工艺响应面模型（Response Surface Model）：通过回归分析得到 Y = f(X₁, X₂, ..., Xₖ) 的数学方程，用于预测和优化。
- 实现工艺稳健性设计（Robust Design）：在噪声因子存在的情况下，找到使良率波动最小的因子设置组合。
良率提升实例： 某 28nm 栅极刻蚀工艺，通过 2⁴⁻¹ 部分因子设计（8 次实验）替代传统 81 次试错，将刻蚀倾斜角偏差从 ±3° 缩小到 ±0.5°，良率提升 12%。
1.3 课程目标与学习路径
本课程面向半导体制造、先进封装、光电及泛半导体领域的工艺工程师、良率工程师、设备工程师及技术管理人员。课程目标如下：
| 目标层级 | 具体目标 | 对应章节 |
|---|---|---|
| 基础认知 | 理解 DOE 基本概念、术语、统计原理 | 第 1-3 章 |
| 方法掌握 | 掌握全因子、部分因子、响应面、混料设计等主流方法 | 第 4-10 章 |
| 工具实操 | 熟练使用 Minitab / JMP 进行 DOE 设计与分析 | 第 11-15 章 |
| 工艺应用 | 在刻蚀、CMP、薄膜、光刻等工艺中实战应用 | 第 16-22 章 |
| 良率整合 | 将 DOE 与良率管理、SPC、FDC 系统集成 | 第 23-27 章 |
| 高阶进阶 | 掌握贝叶斯DOE、序贯实验、AI辅助实验设计 | 第 28-30 章 |
学习建议： 本课程强调“理论 + 案例 + 软件实操”三位一体。建议学员在每章结束后，使用配套的工艺数据集（如刻蚀速率、膜厚均匀性、缺陷密度等）在 Minitab 或 JMP 中复现实验设计与分析过程。
1.4 课程特色与学习资源
- 真实工艺数据集：每章配套来自 300mm 晶圆厂的刻蚀、CMP、薄膜沉积、光刻等工艺数据。
- 软件操作视频：Minitab 和 JMP 的 DOE 模块操作录屏，步骤清晰可跟练。
- 交互式练习：每章末提供选择题、计算题和软件实操题，巩固知识点。
- 案例库：收录 20+ 个半导体工艺 DOE 案例，覆盖 28nm 至 3nm 节点。
预备知识： 建议学员具备基础统计学知识（均值、方差、正态分布、假设检验）和至少一种数据分析软件（Minitab / JMP / Python）的基本操作能力。如基础薄弱，建议先学习本课程配套的《半导体工艺统计基础》速成模块。