晶圆制造生产线的排货方法与流程

本发明涉及一种半导体集成电路的制造方法，特别是涉及一种晶圆制造生产线(fab)的排货方法。

背景技术：

晶圆(wafer)制造生产线用于实现在晶圆上制造芯片产品，一片芯片产品完成生产往往需要经过多道如数百道工艺步骤，中间要经历过多个机台，且通常会在同一机台进行前后多次工艺。在晶圆制造生产线中，机台的设备成本本身昂贵，投资成本较大，一条晶圆制造生产线的设备投资成本往往需要数十亿美元，所以在生产过程中往往希望能提高机台的利用率，使机台的产能得到充分的利用。另外，一片芯片产品的工艺复杂，所经历的工艺步骤多，需要使用的机台多，在同一晶圆制造生产线往往会有众多的晶圆即在制品(wip)同时进行生产，在不同的工艺阶段都有多片晶圆，当多片晶圆都需要使用到同一机台时，就会形成竞争关系；如果同一机台之前等待的晶圆数目较多，则晶圆的积累较多，而机台的负载也大，这些都会对产品的良率造成不必要的影响，产品的交付时间会延期；如果，在同一机台之前等待的晶圆数目较少或没有，往往容易造成机台闲置，这就不能有效利用机台的产能，机台的折旧成本高。

因此，在晶圆制造生产线进行排货是很重要的，排货合理，则能充分利用机台的产能，且又不会造成过多的wip积累在等待时间内。其中，机台的产能和机台的跑货量(move)相关，一台机台的跑货量为机台在单位时间如一天内完成晶圆生产的数目，晶圆在一台机台中通常仅生产一种对应的工艺步骤。

现有方法中，在排货时，都会参考机台组群的安全wip数量(safetywip)进行。但是现有方法中，safetywip都是靠人为经验判断，可能存在判断不准确的情况；而且经验本身是和人相关的，人有主观因素，同一个人在不同的时间阶段或不同的环境下以及不同的人之间不能保存一致的判断，难免会出现不同的误差，故出现判断不准确的情况是必然存在的。所以，如果能排除人为因素，采用科学的数据作为判断标准则比将会提高排货的准确性。

技术实现要素：

本发明要解决的技术问题是提供一种晶圆制造生产线的排货方法，能提高排货的准确性和科学性。

为解决上述技术问题，本发明提供的晶圆制造生产线的排货方法包括如下步骤：

步骤一、收集晶圆制造生产线上以往形成的wip的数量、uptime、processtime和机台数量，其中wip为在制品，uptime为机台的实际从事生产的时间，processtime为制造时间；以及收集和wip的数量、uptime、processtime和机台数量相对应的跑货量；得到wip的数量、uptime、processtime和机台数量和对应的跑货量的第一映射关系。

步骤二、在所述第一映射关系的基础上，以uptime和processtime的平均值为输入，改变wip的数量并得到和wip的数量相对应的跑货量，形成在uptime和processtime的平均值的基础上的wip的数量和跑货量的第二关系曲线。

步骤三、在所述第二关系曲线上得到wip的数量的转折点值以及饱和跑货量。

步骤四、根据wip的数量的所述转折点值以及饱和跑货量进行排货安排。

进一步的改进是，步骤一至四都通过人工神经网络算法模拟得到。

进一步的改进是，所述第二关系曲线中，当wip的数量大于等于所述转折点值时所述跑货量保持为所述饱和跑货量；当wip的数量小于所述转折点值时，wip增加时所述跑货量也增加。

进一步的改进是，步骤四中，根据所述晶圆制造生产线的实际wip的数量和所述第二关系曲线的关系对所述实际wip的数量进行调节，当所述实际wip的数量小于所述转折点值时，增加排货量以增加所述实际wip的数量，提高所述晶圆制造生产线的机台的产能的利用率。

进一步的改进是，步骤四中，根据所述晶圆制造生产线的实际wip的数量和所述第二关系曲线的关系对所述实际wip进行调节，当所述实际wip的数量大于所述转折点值时，减少排货量以减少所述实际wip的数量，减少wip的堆积，从而缩短生产周期(cycletime)和提高效率。

进一步的改进是，所述晶圆为硅衬底晶圆。

进一步的改进是，所述晶圆制造生产线为8英寸以上的生产线。

进一步的改进是，所述晶圆制造生产线的机台分成多个机群组，一个机群组具有相同的一个以上的加工能力。

进一步的改进是，所述机台分组按照机台类型进行分组。

进一步的改进是，所述机台的类型包括光刻机台、刻蚀机台、清洗机台、炉管机台、化学机械研磨机台、化学气相沉积机台、物理气相沉积机台和离子注入机台。

进一步的改进是，按照所述机台的分组通过步骤一和步骤二得到每一组所述机台对应的所述第一映射关系和所述第二关系曲线，步骤三得到对应组的所述机台对应的wip的数量的转折点值以及饱和跑货量，步骤四、根据各组的所述机台对应的wip的数量的转折点值以及饱和跑货量安排排货。

进一步的改进是，在同一种类型的所述机台中，还能根据各所述机台所实际实现的工艺制程不同进行分组。

本发明对排货方法进行了特别的设计，首先，收集晶圆制造生产线上以往形成的数据，如wip的数量、uptime、processtime和机台数量以及对应的跑货量，并对收集到的数据进行组合形成第一映射关系。之后，根据得到的第一映射关系，得到在uptime和processtime为平均值的条件下wip的数量和相对应的跑货量之间的第二关系曲线。通过第二关系曲线就能得到wip的数量的转折点值以及饱和跑货量，这样根据wip的数量的转折点值以及饱和跑货量就能进行排货安排；所以本发明的排货安排完全是在对大量数据进行收集的基础上并进行相应的映射组合得到的，这种排货安排具有准确性，不会受到人为因素的影响；且这种安排是在对大数据进行统计分析的基础上形成的，具有科学性。

另外，本发明的排货方法中涉及到对大数据的采集和分析以及学习过程都能通过人工神经网络算法实现，实现了机器学习和fab生产的相结合，能进一步的提高生产效率。

附图说明

下面结合附图与具体实施方式对本发明作进一步详细的说明：

图1是本发明实施例晶圆制造生产线的排货方法的流程图；

图2是本发明实施例方法形成的第二关系曲线。

具体实施方式

如图1所示，是本发明实施例晶圆制造生产线的排货方法的流程图；本发明实施例晶圆制造生产线的排货方法包括如下步骤：

步骤一、收集晶圆制造生产线上以往形成的wip的数量、uptime、processtime和机台数量，其中wip为在制品，uptime为机台的实际从事生产的时间，processtime为制造时间；以及收集和wip的数量、uptime、processtime和机台数量相对应的跑货量；得到wip的数量、uptime、processtime和机台数量和对应的跑货量的第一映射关系。

步骤二、在所述第一映射关系的基础上，以uptime和processtime的平均值为输入，改变wip的数量并得到和wip的数量相对应的跑货量，形成在uptime和processtime的平均值的基础上的wip的数量和跑货量的第二关系曲线。

步骤三、在所述第二关系曲线上得到wip的数量的转折点值以及饱和跑货量。

步骤四、根据wip的数量的所述转折点值以及饱和跑货量进行排货安排。

本发明实施例中，步骤一至三都通过人工神经网络算法模拟得到。

如图2所示，是本发明实施例方法形成的第二关系曲线101，所述第二关系曲线中，当wip的数量大于等于所述转折点值时所述跑货量保持为所述饱和跑货量；当wip的数量小于所述转折点值时，wip增加时所述跑货量也增加。由曲线101所示可知，所述转折点值位于虚线圈102中，在标记103所示区域中，当wip的数量小于所述转折点值时，wip增加时所述跑货量也增加，所以增加wip有利于提高跑货量；在标记104所示区域中，所述跑货量保持为所述饱和跑货量，也就wip的数量增加时所述跑货量不再改变。

步骤四中，根据所述晶圆制造生产线的实际wip的数量和所述第二关系曲线的关系对所述实际wip的数量进行调节，当所述实际wip的数量小于所述转折点值时，增加排货量以增加所述实际wip的数量，提高所述晶圆制造生产线的机台的产能的利用率。

当所述实际wip的数量大于所述转折点值时，减少排货量以减少所述实际wip的数量，减少wip的堆积，从而缩短生产周期和提高效率，最后能实现按期交货。

本发明实施例中，所述晶圆为硅衬底晶圆。所述晶圆制造生产线为8英寸以上的生产线。所述晶圆制造生产线的机台分成多个机群组，一个机群组具有相同的一个以上的加工能力。fab定义机台的加工能力是用capability表示，一个capability包含一个或多个机台，也就一个以上的机台具有相同的capability时，就能组成一个机群组，机群组内的机台都可以实现相同的加工，使得晶圆可以根据机群组内的机台的空闲或工作的状态进行晶圆的生产安排，也即晶圆进行需要进行相应的工艺加工时，可以安排在相对空闲机台上进行生产。另外，同一机群组中可以包括多个capability，但一个capability只对应唯一的一个机群。

所述机台分组按照机台类型进行分组。所述机台的类型包括光刻机台、刻蚀机台、清洗机台、炉管机台、化学机械研磨机台、化学气相沉积机台、物理气相沉积机台和离子注入机台。

按照所述机台的分组通过步骤一和步骤二得到每一组所述机台对应的所述第一映射关系和所述第二关系曲线，步骤三得到对应组的所述机台对应的wip的数量的转折点值以及饱和跑货量，步骤四、根据各组的所述机台对应的wip的数量的转折点值以及饱和跑货量安排排货。

另外，也能为：在同一种类型的所述机台中，还能根据各所述机台所实际实现的工艺制程不同进行分组。

本发明实施例对排货方法进行了特别的设计，首先，收集晶圆制造生产线上以往形成的数据，如wip的数量、uptime、processtime和机台数量以及对应的跑货量，并对收集到的数据进行组合形成第一映射关系。之后，根据得到的第一映射关系，得到在uptime和processtime为平均值的条件下wip的数量和相对应的跑货量之间的第二关系曲线。通过第二关系曲线就能得到wip的数量的转折点值以及饱和跑货量，这样根据wip的数量的转折点值以及饱和跑货量就能进行排货安排；所以本发明的排货安排完全是在对大量数据进行收集的基础上并进行相应的映射组合得到的，这种排货安排具有准确性，不会受到人为因素的影响；且这种安排是在对大数据进行统计分析的基础上形成的，具有科学性。

另外，本发明实施例的排货方法中涉及到对大数据的采集和分析以及学习过程都能通过人工神经网络算法实现，实现了机器学习和fab生产的相结合，能进一步的提高生产效率。

以上通过具体实施方式对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。