AI 与大数据驱动的半导体制造时代：面向分析就绪的 FDC 技术

大数据分析与人工智能已成半导体制造核心技术，行业核心挑战并非数据采集，而是获取可被大规模使用、分析并快速响应的就绪型数据。普迪飞 Jon Holt 在 2025 年用户大会提出：“如何应对数据爆发式增长，整合数据孤岛信息，以所需规模与性能实现实际价值？”
故障检测与分类（FDC）是晶圆厂制程控制和良率分析的关键数据源，其设备轨迹数据与良率、电性测试结果高度相关，但因高容量、高频率、高复杂度难以高效管理分析；缺乏分析就绪的 FDC 数据，便无法可靠支撑良率根因分析、自动化控制及 AI 驱动应用。
本文将阐述分析就绪型 FDC 数据对良率根因分析的重要性，揭示其破解在线量测相关难题、赋能生产环境可信 AI 应用的路径。

注：本文所述 FDC 数据，特指记录加工期间腔体与设备运行状态的时序传感器轨迹数据。

PDF

一、半导体制造中的 FDC 数据是什么？

FDC 设备轨迹（ET）数据，是晶圆加工时从半导体设备采集的时序传感器信号，涵盖压力、温度、气体流量等参数，记录设备执行制程配方的真实状态。

每次制程运行都会持续生成传感器数据，结合设备、腔体等上下文信息，可完整还原制程执行过程，而非仅判断制程成败。

这种对设备状态的直观记录，使其成为分析制程稳定性、监控参数波动、关联设备状态与下游良率及电性性能的核心数据源。

PDF

二、FDC 在芯片制造中为何重要？

半导体制造以制程为核心，器件性能、良率与可靠性，既取决于设计目标，更依赖数百道精密工序中晶圆加工的一致性与精准度。

FDC 设备轨迹数据的核心价值，在于直接呈现制程真实状态 —— 下游量测反映结果，而设备轨迹记录压力稳定性、热响应等结果产生的物理条件。

多数良率与参数问题并非突发故障，而是源于设备微小渐进式变化，这类变化长期不触发告警、难被在线量测察觉，却会累积影响良率与电性性能，FDC 设备轨迹是捕捉此类变化的最早数据源。

图 1 FDC 数据采集与应用流程图

随着晶圆厂产能与复杂度提升，FDC 提供了统一的数据驱动方法，可对比多设备、多腔体、多供应商的设备状态，系统性定位波动根源。

PDF

三、传统 FDC 如何用于设备控制？

传统 FDC 系统用于设备实时监控，通过预设指标检测异常。工程师一般不分析每次运行的完整传感器波形，而是针对配方步骤的特定时间窗口计算统计指标。

这些指标从原始设备轨迹中提取，涵盖均值、最大值、最小值、标准差、斜率、稳定性等维度，再与设备正常状态的历史基线或控制限比对。

生产中，传统 FDC 主要解决以下问题：

腔体压力是否在预期范围？

制程步骤中射频功率是否稳定？

气体流量是否符合预期的爬升与稳定规律？

温度响应是否与认证条件一致？

指标超限时，系统触发告警，可执行晶圆标记、工程师通知、腔体锁定等操作。此时 FDC 充当设备保护与制程稳定机制，保障加工全程处于认证运行窗口内。

图 2 FDC 指标生成与管控总览图

PDF

四、FDC 如何追溯良率与电性测试波动？

基于告警的 FDC 可有效捕捉明显异常，但多数良率与电性测试偏移，源于未突破单一控制限的细微制程变化。压力漂移、射频不稳等问题隐蔽存在，最终会导致关键尺寸偏移、参数漂移或良率损失。

从设备轨迹提取的 FDC 指标，能远早于下游检测捕捉此类变化。工程师通过跨设备、腔体、时段及批次的 FDC 数据关联分析，可识别以下规律：

腔体匹配差异导致系统性电性测试偏移

传感器或控制漂移引发长期参数漂移

制程稳定性渐进衰减关联随机良率损失

区分正常晶圆与异常晶圆的制程特征

FDC 并非良率分析的替代方案，而是有效补充。在常规良率排查中，它提供上游视角，直接关联设备真实运行状态与产品最终结果。

PDF

五、Exensio 如何借助分析就绪型 FDC 数据定位良率波动根因？

Exensio 良率感知 FDC 突破传统 FDC 边界，既支持设备监控，更可作为良率与参数分析的核心数据源。其生成的指标具备结构化、可追溯、分析就绪特性，能便捷关联设备状态与下游电性测试、在线量测、缺陷数据，为深度分析筑牢基础。

实战案例：快速揪出 spacer 蚀刻工序的良率元凶

某客户应用中，工程师通过 FDC 指标与电性测试结果的多参数相关性排序，快速发现 spacer 蚀刻工序反射功率指标与晶体管漏电流高度相关，数小时内即定位至单一设备信号与制程模块，无需全流程排查。

图 3 隔离层蚀刻反射功率与晶体管漏电流相关性示例

借助 Exensio 集成工作流分析该指标时间趋势，发现常规预防性维护（PM）后指标显著上升；钻取原始 FDC 设备轨迹对比，证实反射功率信号尖峰区与稳态区整体上移，属于系统性制程变化而非随机噪声。结合指标物理意义与制程步骤匹配性，工程师推断出维护操作导致的腔体或等离子体状态改变。

数据驱动整改：告别试错，精准施策

基于分析结论，针对性整改措施落地：收紧相关传感器统计制程控制（SPC）规范、优化维护流程、增加老化运行、腔体复产前验证 FDC 信号稳定性。全程以数据为依据，替代传统试错模式。

图 4 Exensio 系统中时序变化及原始传感器轨迹提取示例

模板化复用：推动 FDC 分析常态化

Exensio 内置基于普迪飞多客户实践的分析模板，封装腔体匹配分析、漂移检测等成熟方法，工程师无需复杂配置即可直接应用。

图 5 Exensio 面向新增数据的可复用模板

新模板可一键复用至新数据集，实现设备与模块状态持续监控，推动 FDC 分析从一次性专项工作，升级为可复用、规模化的日常良率工程标准流程。

PDF

六、FDC 与在线量测在良率控制中如何互补？

在线量测的核心价值与固有局限

在线量测是半导体制造的核心支柱，光学量测、CD-SEM、套刻量测、膜厚监控等技术，为验证制程结果是否符合设计目标提供关键反馈，是制程开发、认证与生产监控的必备手段。

但在线量测存在固有局限，且随器件结构微缩、复杂度提升愈发突出。其高度依赖人工定义的量测配方，即便配方经过精细优化，也只能简化呈现复杂的物理系统。当制程条件变化时，量测结果可能保持稳定，却无法反映底层制程状态的真实改变，仅能捕捉配方敏感信息，而非器件或材料层的全部变化。

在先进工艺节点下，这一挑战更为显著。埋层界面、GAA 结构有源区等良率关键结构难以光学直测，在线量测只能依赖间接代理指标；应力、组分、电阻率、界面质量等影响良率的关键材料特性，也无法在产品晶圆上实现高分辨率直接量测。

FDC 设备轨迹数据的互补优势

FDC 设备轨迹数据恰好弥补上述缺口，可记录每片晶圆加工时设备内部的真实制程条件。压力、温度、气体输送、射频状态、时序、腔体状态等信号，能持续呈现器件形成的制程环境，即便关键结构无法直接量测。

在线量测虽能反馈制程结果，但未必与良率、电性测试结果强相关。部分限制良率的核心机制，源于标准在线量测无法直接观测的制程条件。此类场景中，FDC 设备轨迹数据与良率、电性测试的相关性更清晰、更强，可帮助工程师将良率波动追溯至特定设备、腔体、制程步骤与运行状态，揭示仅靠量测数据无法发现的根因。

PDF

七、为何强大的分析就绪型 FDC 数据平台是 AI 分析的基础？

晶圆厂布局 AI 分析时普遍发现，核心挑战不在于模型选择，而在于数据就绪度。在制造场景下，AI 应用成功的首要前提，是输入数据的质量、结构与一致性。

AI 模型无法直接从原始 FDC 设备轨迹中有效学习，需依托定义清晰、具备物理意义、可跨设备 / 腔体 / 时间稳定表征制程状态的指标。若指标定义粗糙、与制程步骤脱节或跨设备缺乏一致性，即便采用复杂模型，也只能输出不稳定、不可解释的结果。

这正是指标质量优于模型复杂度的核心原因。生产环境中可信赖的 AI，对指标有着明确要求：

反映真实制程状态，而非噪声或伪影

基于清晰的制程感知时间窗口计算

跨设备、腔体、配方版本稳定可比

工程师可解释，便于验证与根因推理

Exensio - FDC 以分析为核心目标设计，而非仅满足告警需求，可提供结构化框架，用于定义、管理、验证适用于高级分析与 AI 应用的 FDC 指标。其制程感知指标定义、跨设备一致性校准、传感器优先级划分等功能，能够确保指标形成稳定可信的特征空间。

经合理结构化处理后，制造数据中的 FDC 设备轨迹尤其适配 AI 应用，核心优势如下：

高密度采集，覆盖每一次制程运行，而非周期性采样

与制程物理原理直接关联，具备明确的因果逻辑

包含设备、腔体、配方、步骤等丰富上下文信息

对制程早期变化高度敏感，可早于良率影响显现

值得注意的是，AI 转型无需彻底重构现有工作流。对于已基于制程理解定义指标、保持 FDC 数据采集一致性、常态化分析数据趋势与相关性、并将 FDC 技术用于良率排查的晶圆厂而言，其本身已具备 AI 与高级制程控制的落地基础。

从这个角度看，AI 并非优秀 FDC 实践的替代，而是价值延伸。FDC 指标管理的质量与规范性越高，AI 应用所能创造的价值就越大。