那天良率掉到 85%，老闆的臉比無塵室還白
還記得好幾年前，我們一批新產品剛量產，照理說應該是 95% 上的良率，結果第一批投下去，隔天良率報告出來，直接跳一個 85%！整個產線的資深工程師都傻眼了。老闆臉色比無塵室的牆壁還白，直接開早會，問說：「到底是哪個環節出問題？我們製程不是都穩穩的？」大家你看看我，我看看你，一片靜默。最後還是我跳出來說：「老闆，我們先不要急，我們來算一下缺陷密度，搞不好是機台參數跑掉，或是某個批次特別慘。」
良率怎麼會跟缺陷密度扯上關係？
你可能會想，良率就良率，缺陷就缺陷，這兩者有什麼關係？說穿了，良率就是你的產品裡面，「沒有缺陷」的比例。你今天生產 100 顆晶圓，如果裡面有 90 顆是好的，那良率就是 90%。但問題是，你怎麼知道這些「好的」晶圓裡面，是不是剛好沒遇到缺陷？或是缺陷很小，沒被量測到？
我們在半導體廠裡，不會只看最終良率。因為良率掉下來，往往已經是好幾天之後的事了。我們要做的，是「預測」良率。怎麼預測？靠的就是缺陷密度。
想像一下，你的晶圓就像一張桌子，上面的灰塵就是缺陷。如果桌子很大，灰塵很多，那你拿到一張「乾淨」的桌子的機率就變低了。這個缺陷的數量跟分佈，我們可以用一個叫做「Poisson 模型」的東西來描述。
所以重點是：透過缺陷密度，我們可以預測未來的良率。這跟你在家裡看天氣預報一樣，雖然不一定百分之百準，但至少有個方向。
實際上怎麼算？
我們通常會先找一個測試晶圓，或是直接在產線上的晶圓，做缺陷掃描。假設我們掃描了 10 片晶圓，每一片面積是 100 平方公分，總共發現 500 個缺陷。
- 計算缺陷密度 (D0)：
這個 D0 就是你的「單位面積缺陷數」。
- 用 Poisson 模型預測良率：
其中：
* e 是自然對數的底數，約等於 2.71828。
* A 是你的晶片面積。
* D0 就是我們剛剛算出來的缺陷密度。
舉個例子，如果你的晶片面積是 2 平方公分，D0 是 0.5 個/平方公分。
那麼預測良率 = e^(-2 * 0.5) = e^(-1) ≈ 0.3678，也就是 36.78%。
換句話說，當你發現缺陷密度是 0.5 的時候，你的晶片良率大概只有三成多。這時候你就要趕快去查是哪個機台，哪個製程出問題了。
最常見的坑，跟老闆吵架吵不完
我遇過最常見的坑，就是大家只看總良率，忽略了缺陷密度。有一次我們有個產品，良率一直掉，從 95% 掉到 92%。老闆說：「才掉 3% 而已，是不是量測變異？」結果我跟他說：「老闆，我們缺陷密度已經從 0.2 飆到 0.4 了，這表示缺陷數量翻倍，良率遲早會掉更多。」老闆一開始還不信，覺得我小題大作。
後來我們把那批有問題的晶圓拿去重新掃描，發現果然缺陷數量爆增，而且很多都是同一個區域的缺陷。這才回頭去查，發現是某台蝕刻機的反應腔壁有堆積，造成很多 particle 掉下來。如果我們早點看缺陷密度，而不是等良率掉下來才反應，那批貨根本不會爛掉。
說實話，很多時候，良率報告出來，已經是好幾天後的事了。但缺陷密度，你每天都可以掃描，可以監控。這就像你開車，是看油表還是等車子拋錨才知道沒油？
今天能做的一件事
每天打開你的缺陷監控報表，看看 D0 值有沒有異常跳動。