con­va­nit

convanit
Menü
Beratung zu Yield und Datenanalyse

con­va­nitBera­tung zu Yield und Datenanalyse

    • DE
    • EN
  • Über­sicht
  • Kon­takt
  • Kom­pe­ten­zen
  • Impres­sum
  • 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