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（F DC ）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 sp ac er 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。