convanit

convanit
Menü
Yield und Datenanalyse

convanitYield und Datenanalyse

    • DE
    • EN
  • Übersicht
  • Kontakt
  • Kompetenzen
  • Impressum
  • c-Alice
  • Projektbeispiele
  • Team
  • Partner
  • Referenzen
convanit

Verbesserung von Defekt-Engineering Methoden

Was wir darunter verstehen

Frühzeitiges Erkennen von Prozessproblemen und proaktives Gegensteuern gewährleistet geringste Reklamationsraten.

Wie wir es tun

Wir erarbeiten durch Methoden wie Sampling, Entwicklung von Messstrategien, Defekt- zu Yield Korrelationen, Defekt Reportings, Erarbeitung von Defektkatalogen, statistische Analysen von Defektdaten im Zusammenhang mit den in Ihrem Produktionsumfeld anfallenden Daten die richtige und effektivste Herangehensweise für Sie und sorgen für eine nachhaltige Nutzung in Ihrer Organisation.

  • Yield/Qualität
  • Datenanalyse
  • Beratung
  • Organisation
  • Datenintegration
  • Umsetzung
    • Workshops
    • Coaching
    • Bestandsanalyse (IST/Soll)
    • Konzeptentwicklung
    • Produktausbeute- und Zuverlässigkeitsoptimieurng
    • Defekt Engineering
    • Prozesskontrollmethodik
    • Toolmonitoring
    • Kritische Prozessparameter
    • Korrelationsanalysen
    • Signatur- und Bild Analyse
    • Machine Learning / Künstliche Intelligenz
    • Datenanalyse und Reporting Anwendungen
    • Yieldkorrelation und -vorhersage, andere Methoden
    • Teamentwicklung
    • Verankerung der Veränderung
    • Unterstützung bei der Überführung in die Produktion
    • Einführung neuer Methoden
    • Machbarkeit (POC)
    • Workflow Design
    • Methoden- und Toolauswahl
    • Maßgeschneiderte Lösungen
    • Prototyping

    Beispiel 1

    Chip basierte Defekt zu Yield Korrelation

    kill-rate-berechnung

    ‚Contigency table‘ Methode / Berechnung von Kill Rate & Defect Related Loss

    Randbedingungen

    Güte der Inspektionsrezepte, Defektfilterung: große Defekte, ‚Adder‘, ‚Defect(s) of Interest‘ je Inspektionsschritt, niedriger parametrischer Yield Loss, Ausschluss von ‘low yielding wafern‘

    Prozesschritt A

    defects-defect-engineering-projektbeispiel
    kill-rate-defect-engineering-projektbeispiel

    Kill Rate: 21%
    Defect Related Loss: 3,1%
    (All Binsorts)

    Beispiel 2

    Yield correlation with intitial large detect filters

    large-defects-defect-engineering-projektbeispiel

    4 weeks data, one product, standard wafer, Large defects only, special defect related binsorts used, low yielding wafer excluded

    Beispiel 3

    Large Defect Filter definition and optimization

    defect-filter-optimization-before-projektbeispiel

    Filter:
    Volume > 35 & Grade > 50

    Initial definition of Large Defect filter by inspection tool raw parameters: Volume/ Grade (DF inspection), DSIZE (BF inspection)

    defect-filter-optimization-volume-kill-rate
    defect-filter-optimization-grade-kill-rate

    New Filter:
    Volume > 25 & Grade > 50

    Optimization of Large Defect filter by kill rate and defective related yield loss analysis

    Initial definition of Large Defect filter by inspection tool raw parameters: Volume/ Grade (DF inspection), DSIZE (BF inspection)

    Optimization of Large Defect filter by kill rate and defective related yield loss analysis

    Kompetenzen und Schlagworte

    Übersicht

    convanit

    Beratung zu Yield und Datenanalyse

    Impressum und Datenschutz

    Kontakt