良率算法实战：基于SPC数据的良率趋势预测与模型部署 - 第1节
1.1 半导体制造流程简介
半导体制造是当今最复杂的精密制造工艺之一，其核心目标是在硅片上构建由数十亿个晶体管组成的集成电路。整个流程可概括为“从沙子到芯片”的蜕变，主要包含以下四大阶段：
- 晶圆制备：将高纯度多晶硅拉制成单晶硅锭，再切割成薄片并抛光，形成洁净的衬底。
- 前段制程（FEOL）：在晶圆表面通过氧化、光刻、刻蚀、离子注入等步骤形成晶体管等有源器件。
- 后段制程（BEOL）：沉积金属层并刻蚀出互连导线，将晶体管连接成完整电路。
- 测试与封装：对晶圆上的每个芯片进行电性测试，合格品切割后封装为成品芯片。
关键认知： 制造流程中任何一步的微小偏差（如温度波动、颗粒污染）都会在后续工序中被放大，最终导致良率损失。这正是引入统计过程控制（SPC）的核心原因。
1.2 良率定义与重要性
在半导体行业中，良率（Yield） 是衡量制造效率与盈利能力的最核心指标。根据统计阶段不同，良率分为以下两类：
| 良率类型 | 定义 | 计算公式 | 典型范围 |
|---|---|---|---|
| 晶圆良率（Wafer Yield） | 通过电性测试的芯片数占晶圆上总芯片数的比例 | Ywafer = (合格芯片数 / 总芯片数) × 100% | 85% – 98% |
| 封装良率（Assembly Yield） | 封装后通过最终测试的芯片比例 | Ypkg = (最终测试通过数 / 封装投入数) × 100% | 92% – 99% |
良率每提升 1%，对于月产 10 万片晶圆的工厂而言，意味着每年可增加数千万美元的利润。因此，良率预测与提升 是半导体工厂数据科学团队的首要任务。
⚠ 常见误区： 良率问题并非只在测试阶段才暴露。大量良率损失源于前段制程的“隐形缺陷”——它们可能在后续数周的生产中才显现。这正是需要利用 SPC 数据进行趋势预测的原因。
1.3 SPC（统计过程控制）基础概念
统计过程控制（Statistical Process Control, SPC）是一种利用统计方法监控生产过程稳定性的技术。在半导体制造中，SPC 是确保工艺一致性的“第一道防线”。
1.3.1 SPC 的核心要素
- 控制图（Control Chart）：以时间顺序绘制过程参数，包含中心线（CL）、上控制限（UCL）和下控制限（LCL）。
- 过程能力指数（Cpk / PpK）：衡量过程输出与规格限的匹配程度。Cpk ≥ 1.33 通常视为过程稳定。
- 特殊原因 vs. 普通原因：普通原因（Common Cause）是系统固有的随机波动；特殊原因（Special Cause）是可归因的异常事件，需立即排查。
1.3.2 半导体 SPC 常用控制图类型
| 控制图类型 | 适用场景 | 监控参数示例 |
|---|---|---|
| X̄-R 图 | 子组样本均值与极差 | 膜厚、CD 线宽 |
| X̄-S 图 | 子组样本均值与标准差 | 刻蚀速率、离子注入剂量 |
| I-MR 图 | 单值数据与移动极差 | 缺陷密度、颗粒数 |
| P 图 / U 图 | 不合格品率 / 单位缺陷数 | 芯片良率、每片缺陷数 |
1.4 课程目标与学习路径
本课程旨在帮助学员掌握从 SPC 数据到良率预测模型的全链路实战技能。课程采用“理论 + 代码 + 案例”三位一体的教学模式，确保学以致用。
1.4.1 课程核心目标
- 理解数据：掌握半导体 SPC 数据的结构、特征与常见质量问题。
- 构建模型：使用 Python 实现基于时间序列与机器学习的良率预测算法。
- 部署上线：将训练好的模型封装为 API 或仪表盘，实现实时预测。
- 持续优化：建立模型监控与再训练机制，适应工艺漂移。
1.4.2 学习路径概览
1.4.3 预备知识要求
- 基础 Python 编程能力（Pandas / NumPy 基本操作）。
- 了解基本统计学概念（均值、标准差、正态分布）。
- 对半导体制造有初步认知（非必需，本课程会补充背景）。
💡 学习建议： 每章结束后，建议动手运行配套的 Jupyter Notebook 示例代码。理论与实践交替进行，能最大程度巩固对 SPC 数据与良率模型的理解。