如何提高半导体设备WPH：AI优化产能的实战指南
做过产线的人都知道，设备买回来只是开始，真正的战场在WPH上。同一台机器，有人能跑出每小时25片的成绩，有人只能跑18片，差距就在那些看不见的几秒钟里。这篇文章聊聊WPH到底受什么影响，传统方法优化到什么程度就到头了，以及AI能在哪些地方再往上推一把。
WPH到底在衡量什么
WPH，全称Wafers Per Hour，字面意思就是每小时处理多少片晶圆。这个指标看起来简单，但它其实是设备综合能力的一个缩影。你的工艺时间长不长、传片快不快、换recipe要多久、抽真空稳不稳定——所有这些因素最终都会反映在WPH这一个数字上。
我刚入行的时候觉得WPH就是个产能数字，后来才明白它直接关系到fab的经济账。一条月产5万片的产线，假设某道关键工序的设备WPH从20提升到22，算下来一年能少买一到两台设备，省的钱是千万级别的。所以fab里对WPH的追求几乎是无止境的，哪怕提升半片都值得折腾。
WPH的构成：时间都花在哪了
要提升WPH，得先搞清楚一片晶圆在设备里的时间到底怎么分配的。简单拆开来看，就两大块：工艺时间（process time）和辅助时间（overhead time）。
工艺时间好理解，就是wafer在chamber里真正跑recipe的时间。比如一道CVD沉积，gas稳定、沉积、purge，加一起可能90秒。这个时间是由工艺需求决定的，不能随便砍。
但overhead time就复杂了。传片机械手从loadlock把wafer送进chamber要多久？chamber之间transfer呢？pump down到base pressure要多长时间？recipe切换的时候系统idle多久？lot和lot之间换cassette呢？这些零零碎碎加在一起，在很多设备上能占到总周期时间的30%甚至40%。我见过一台PVD设备，真正溅射的时间只占cycle time的一半出头，剩下的全是搬来搬去和抽气等待。
还有一块容易被忽视的：非计划停机。设备跑着跑着突然报警了，工程师过来排查、复机、重新qualify，这段时间虽然不直接体现在单片cycle time里，但会拉低实际的有效WPH。你设备spec上写的WPH是25，但算上每周停机几个小时，实际可能只有20出头。
传统优化做到什么程度就到顶了
说实话，传统的WPH优化手段并不少，而且很多都挺有效。
Recipe优化是最直接的。有经验的工艺工程师会去review每一步recipe step，看看有没有可以缩短的余地。比如某一步purge时间设了15秒，实际上10秒就够了，那就省5秒。gas stabilization的时间能不能压缩？升温ramp rate能不能调快一点？这些一步步抠下来，单片cycle time可能能省个十几二十秒，对WPH的提升就很可观。
传片路径优化也是常规操作。好的设备软件会做scheduling，让多个chamber并行跑，wafer在chamber之间的transfer尽量不等待。这个层面设备厂商其实做了不少工作，但具体到每个fab的工况不同，实际效果参差不齐。
PM（预防性维护）频率的设定也影响WPH。PM做勤了，设备可用时间少；PM做少了，非计划停机的风险又上去了。大部分fab的做法是按固定的wafer count或者RF hour来排PM，比如跑了2000片就做一次clean。这个数字通常是设备厂商建议加上自己的经验来定的。
但这些方法做到一定程度就碰到天花板了。recipe参数之间是互相耦合的，你压了purge时间，可能粒子就上去了；你加快了deposition rate，均匀性可能变差。工程师凭经验能找到一个还不错的点，但不太可能找到全局最优。PM周期也是，靠经验定的区间通常偏保守，因为没人敢冒险让设备跑到出问题。
我之前在一个项目上碰到过典型的情况：工艺工程师花了三个月反复调一道刻蚀recipe，WPH从19.5提到了21，已经很不错了。但再往上就动不了了，因为每改一个参数都可能影响CD均匀性，风险太大，谁也不敢再动。
AI能在哪些环节再往上推
Recipe参数的全局优化
AI做recipe优化的核心优势在于它能同时处理多维参数空间。一道recipe可能有几十个参数，温度、压力、气体流量、功率、时间——这些参数之间的交互关系，靠人脑是理不清楚的。但机器学习模型可以从历史run data里学出这些参数和结果（薄膜厚度、均匀性、粒子数、cycle time）之间的映射关系。
有了这个模型，就可以在满足所有质量约束的前提下，去搜索cycle time最短的参数组合。不是盲目地缩短时间，而是找到那些”原来设长了但其实可以更短”的step。实际项目中我们发现，很多recipe里都藏着10-20%的时间冗余，只是工程师不敢动，因为不确定改了会怎样。模型给出的建议加上小批量验证，就能把这部分冗余找出来。
预测性维护：减少非计划停机
非计划停机对WPH的杀伤力比很多人想象的大。一台设备突然down了，不光这台设备的产出受影响，前后工序的在制品（WIP）也会被打乱，调度压力传导到整条线上。
AI做预测性维护的思路是监控设备的传感器数据——chamber压力变化趋势、RF match的反射功率、MFC的响应时间、温度控制的偏差等等——从这些信号里提前识别出设备状态退化的苗头。比如某个chamber的base pressure最近两周一直在缓慢上升，虽然还没到报警阈值，但模型判断再跑300片大概率要触发interlock。这时候可以提前安排一次mini-PM，选在产线负荷低的时段做，比突然停机强太多了。
衡量这个效果一般看MTBF（平均故障间隔时间）。我接触过的案例中，上了预测性维护之后MTBF提升20-30%是比较常见的数字，对应到设备可用率（availability）能提高两三个百分点。
智能调度减少设备空转
设备idle是产线上一个很隐蔽的产能杀手。你去看任何一条线的设备利用率报告，总会发现有些设备utilization只有70%多，大量时间在等wafer。原因很多——前道工序bottleneck、lot到了但recipe不对需要换、不同产品的优先级冲突。
传统的调度规则基本是人工设定的优先级加上一些简单逻辑。AI调度可以综合考虑整条线的WIP分布、各设备的当前状态、各lot的交期压力，给出更优的dispatch方案。说白了，就是让wafer在正确的时间到正确的设备上，减少不必要的等待。这块的效果在混合产品线上特别明显，因为产品种类越多，调度的复杂度越高，人脑越吃力。
PM周期的动态调整
前面说了，传统PM是按固定周期来的，这其实是一种”一刀切”的策略。但实际上，设备状态受很多因素影响——跑的recipe类型不同、环境温湿度变化、耗材批次差异——同样跑了2000片，chamber的脏污程度可能差很多。
基于设备实时状态数据来动态决定PM时机，本质上就是在”做早了浪费时间”和”做晚了可能出事”之间找到最优平衡点。实际操作中，这可以把PM频率降低15-25%，同时还能减少非计划停机——因为真正需要做PM的时候不会漏掉，不需要做的时候也不会过度维护。
WPH和良率之间的平衡
聊到WPH优化，不得不提一个根本性的约束：良率。
在fab里，WPH和良率经常是一对矛盾。你把deposition时间压短了，throughput上去了，但薄膜均匀性可能变差，良率就掉了。对fab来说，一个点的良率损失造成的经济损失，远远大于WPH提升带来的收益。所以任何WPH优化都必须在良率不降的前提下进行，这是铁律。
AI在这里的价值恰恰在于它能同时把良率作为约束条件。不是单纯地最大化WPH，而是在良率、均匀性、粒子等所有关键指标都达标的情况下，找到WPH的最大值。这比人工trial-and-error的方式安全得多，也高效得多。
实际效果：能提升多少
说到底，搞工程的人最关心实际数字。根据我们在不同设备类型上的项目经验，AI优化带来的WPH提升通常在5-15%这个范围。
这个数字看起来不大，但别急着小看它。以一台WPH为20的设备为例，提升10%就是22片/小时。一年8000多个小时的计划运行时间，就是多产出16000片晶圆。如果是300mm wafer、先进制程，每片的价值可能在几千到上万元，多出来的产能价值是非常可观的。更重要的是，这是在不增加设备投资的前提下实现的，相当于”免费”多了产能。
当然，具体能到5%还是15%，取决于设备原来的优化程度。已经被资深工程师优化过很多轮的设备，AI能提的空间就小一些；那些还在跑”原始recipe”的设备，空间就大得多。另外，设备类型也有影响——overhead time占比高的设备（比如multi-chamber的PVD、CVD），可优化的空间通常比单chamber设备大。
写在最后
WPH优化不是什么新鲜事，fab里的工程师们一直在做。AI的加入不是要取代这些工程师的经验，而是给他们一个更强大的工具——能看到更多维度的数据，能尝试更多的参数组合，能更精准地预判设备状态。
如果你对AI在产线设备上的应用感兴趣，可以了解一下我们的NeuroBox E3200产线智能系统，它就是专门为设备端的实时优化设计的。另外，我们之前写过一篇关于设备OEE与AI优化的文章，和今天聊的WPH话题高度相关，推荐一起看看。
