2. SPC理论基础：统计过程控制原理、控制图（X-bar/R图、P图、U图）的数学原理与解读

统计过程控制（Statistical Process Control, SPC）是半导体良率预测的基石。在晶圆制造中，数千道工艺步骤（如光刻、刻蚀、薄膜沉积）会产生海量的过程参数（温度、压力、膜厚、线宽等）。SPC通过监控这些参数的波动，帮助我们区分普通原因变异（系统固有）与特殊原因变异（可归因的异常），从而在良率下降前发出预警。

2.1 统计过程控制原理

SPC基于两个基本统计假设：

1. 正态性假设：当过程仅受普通原因影响时，质量特性（如膜厚）近似服从正态分布。
2. 独立性假设：连续样本之间的波动是随机的，不存在自相关。

通过中心极限定理，即使单个测量值非正态，样本均值的分布也会趋近正态，这为X-bar图提供了理论支撑。

2.2 控制图的数学原理

所有控制图的核心是3σ控制限原则。假设过程输出服从正态分布 N(μ, σ²)，则：

• 点落在 μ ± 1σ 内的概率 ≈ 68.27%
• 点落在 μ ± 2σ 内的概率 ≈ 95.45%
• 点落在 μ ± 3σ 内的概率 ≈ 99.73%

因此，当点超出 μ ± 3σ 时，属于特殊原因的概率高达 99.73%，即虚报风险仅为 0.27%。控制限计算公式为：

UCL = μ + 3σ    # 上控制限
CL  = μ         # 中心线
LCL = μ - 3σ    # 下控制限

2.3 计量型控制图：X-bar/R图

X-bar/R图是半导体制造中最常用的控制图组合，用于监控位置（均值）和离散度（极差）。

其中 A₂、D₃、D₄ 是依赖于子组大小 n 的常数，查表可得：

2.4 计件型控制图：P图

P图（比例图）用于监控不合格品率，例如晶圆缺陷密度超过阈值的比例。假设每个晶圆被独立检查，不合格概率为 p，则样本不合格数服从二项分布。

数学原理：

• 中心线：CL = p̄（平均不合格率）
• 控制限：UCL/LCL = p̄ ± 3 × √(p̄(1-p̄)/n)

其中 n 为每个子组的样本量。注意：当 n 变化时，控制限也随之变化，P图会呈现“锯齿状”控制限。

2.5 计点型控制图：U图

U图（单位缺陷数图）用于监控单位产品上的缺陷数，例如每片晶圆上的颗粒缺陷数。假设缺陷随机分布，则单位缺陷数服从泊松分布。

数学原理：

• 中心线：CL = ū（平均单位缺陷数）
• 控制限：UCL/LCL = ū ± 3 × √(ū/n)

其中 n 为检查单位数（如晶圆面积）。U图与C图的区别在于：C图监控固定样本量的总缺陷数，U图监控单位缺陷数，允许样本量变化。

2.6 控制图的判读规则

即使点都在控制限内，仍可能存在特殊原因。以下为Western Electric规则（八大判异准则）中最常用的几条：

2.7 控制图在良率预测中的角色

SPC控制图不是直接预测良率，而是提供过程健康度指标。在良率预测模型中，控制图统计量可作为关键特征：

• 失控次数：过去N批中超出控制限的次数
• 趋势斜率：X-bar图中最近M点的线性回归斜率
• 极差变异：R图中极差的滚动标准差
• Cpk/Ppk：过程能力指数，直接关联理论良率上限

2.8 本章小结

SPC控制图是半导体良率预测的第一道防线。通过本章学习，你应掌握：

1. 变异分类：普通原因 vs 特殊原因，以及它们对良率的不同影响
2. 控制限原理：3σ原则与正态分布假设
3. 三种核心控制图：X-bar/R图（计量型）、P图（计件型）、U图（计点型）的数学公式与适用场景
4. 判读规则：Western Electric规则在FAB中的实际应用
5. 特征映射：如何将SPC统计量转化为良率预测模型的特征