PM 后 Chamber Seasoning：AI 如何把 Dummy Wafer 从 25 片降到 10 片

一、Seasoning 为什么必须做

Chamber seasoning（腔体驯化）不是一道可选工序，而是物理必需。每次 PM 后，chamber 内部都经历了几个关键变化：

变化一：壁面状态重置。PM 里清洗掉了过去几周积累的 polymer / oxide 沉积。chamber 壁面突然从”有覆盖层”变成”暴露的不锈钢 / 陶瓷”，对 plasma 和工艺气体的响应完全不同。

变化二：温度场平衡被打破。PM 拆装过 heater、shower head、pedestal，这些部件重新组合后的热接触电阻改变，chamber 温度分布需要重新达到稳态。

变化三：表面吸附基线变化。暴露在大气中的 chamber 内表面吸附了水汽、有机物。重新点 plasma 后，这些吸附物以不可控速率释放，干扰工艺。

Seasoning 的作用是通过跑几片”牺牲 wafer”（dummy wafer），让 chamber 内壁重新形成稳定的 passivation 层、温度场达到工况平衡、吸附物被消耗掉。不做 seasoning 直接跑产品 wafer，典型会看到前 5-10 片的 CD / 膜厚 / 均匀性严重偏离。

二、为什么”减 dummy wafer 数量”是个坑

看到 seasoning 要烧 25 片 dummy，很多产线工程师的第一反应是”减量试试”。这在 9 成场景下会出问题，原因是：

坑一：seasoning 进度不是线性的。第 1-5 片 dummy 贡献了 60% 的 passivation 层厚度，第 6-15 片贡献 30%，第 16-25 片只贡献最后的 10%——但就是这 10% 决定了过程能力是 CPK 1.5 还是 1.7。减到第 20 片停，表面上看 OK，实际 CPK 跌了，客户批次不良才会爆出来。

坑二：不同 PM 后的 seasoning 曲线不同。一次小 PM（只换 O-ring）和一次大 PM（换 heater + shower head + focus ring）对 chamber 状态的扰动完全不同。固定”跑 25 片”是用最保守数量覆盖最坏情况——结果在小 PM 后就严重浪费。

坑三：减量节省的是 dummy wafer 成本，但产品 wafer 一次不良损失更大。一片 dummy wafer 成本 1000 元，但一批 product wafer 不良可能损失 50 万元。没有数据支撑直接减 dummy 数量，是典型的”省小钱亏大钱”。

三、AI 的切入点：seasoning 进度的实时观测

传统 seasoning 用”固定片数”方案，本质上是因为工程师看不到seasoning 真正完成没有——只能等 20-30 片跑完、抽测量厚度、回归是否到稳态。这是典型的”事后测量”模式。

AI 的价值是引入”实时观测”——通过 chamber 内已有的传感器数据（不用加装），实时判断”seasoning 进行到什么程度”。三个关键信号：

信号 1：OES 光谱稳定性

Plasma 中 polymer 精确组分会变化，OES (Optical Emission Spectroscopy) 特征波长强度曲线是最敏感的指标。seasoning 初期 OES 曲线每片之间差异大，稳态后曲线基本重合。AI 模型学习”稳态 OES pattern”，每跑一片计算 similarity score，达到阈值就可以判定 seasoning 完成。

信号 2：RF 匹配参数漂移

plasma impedance 随 chamber 内壁状态变化。RF match network 的 tune/load 位置是直接反映这个变化的指标。seasoning 早期 tune position 每片都会调整，稳态后几乎不动。这个信号几乎所有 plasma chamber 都可以直接采。

信号 3：温度场稳态

Heater power / pedestal temperature 达到稳态的时间取决于 PM 的 extent。对于包括 heater 更换的大 PM，温度场需要 10-15 片才能完全稳态；小 PM 可能 3-5 片。AI 实时追踪温度波动，作为 seasoning 完成的独立证据。

四、三层技术路径

AI-assisted seasoning 的部署有三个成熟度层级：

层级 1：固定 wafer 数但按 PM extent 分级

最基础的做法——PM 按 extent 分成 3-5 类（例如：O-ring 更换、heater 更换、shower head 更换、chamber swap），每一类预设一个 dummy wafer 数量。这不是严格意义上的 AI，但比”一刀切 25 片”已经有 30-40% 的节省。

实施难度：低。需要的是历史 PM 数据的分类整理和统计分析。

层级 2：基于实时信号的自适应 seasoning

用 OES + RF match + 温度 三路信号 fusion，每跑完一片 dummy 计算 seasoning 完成度。当完成度 > 阈值（如 95%），seasoning 可以提前结束。典型效果：从 25 片降到 10-14 片。

实施难度：中。需要 chamber 级别的数据采集、信号 fusion 模型训练。通常 3-6 个月 PoC 可以看效果。

层级 3：预测性 seasoning 序列设计

最高级的做法——不只是”判断何时结束”，而是”设计整个 seasoning 序列”。AI 基于本次 PM 的 extent 和 chamber 历史状态，预测最优的 seasoning recipe 序列（不一定是同一个 recipe 跑 25 片，可能是 recipe A 3 片 + recipe B 5 片 + 产品 recipe 2 片 trial）。

典型效果：dummy wafer 降到 6-10 片，首片到产品 wafer 的 CPK 快速稳定。

实施难度：高。需要大量历史 PM 数据、跨 chamber 的 transfer learning、和工艺工程师深度协作。

五、部署落地的三个注意点

注意点一：第一次部署先从 etch / CVD 单工艺切入。不要一口气覆盖整条 line 所有设备。选一个 PM 频率高（每 2-3 周一次）、seasoning 成本大的 chamber 做 PoC，3 个月见效后再横向复制。

注意点二：Seasoning 完成度的判定要留安全边界。模型预测”已完成 95%”时，不要真的就停——加一片”buffer wafer”确认再开产。AI 的价值是降低 dummy 数量的期望值，不是追求极限。运营稳定性优先于节省。

注意点三：第一批 product wafer 必须抽检。在 AI 认为 seasoning 完成后，前 3 批 product wafer 的关键 CD / 厚度必须手工测量对比传统方案，累积信心需要 30-50 批数据。这个过程急不得。

六、ROI 测算

对一台 4 腔 CVD 设备、每月 PM 一次的场景：

• 传统方案：每次 PM 烧 25 片 × 4 腔 × 12 月 = 1200 片/年
• 层级 2 AI：每次 12 片 × 4 腔 × 12 月 = 576 片/年
• 节省：624 片/年
• 按 12 寸 wafer 成本 4000 元计：年化节省约 250 万元人民币

对一座 50 台主力设备的 Fab，全线部署可节省 8000-12000 片 dummy wafer/年，相当于 3200-4800 万元人民币。

这还不算”PM 后恢复生产时间缩短 30-50%”的产能收益——节省出来的 chamber time 可以多做实际产品。

七、对 Fab 工艺团队的建议

建议一：先做 PM 分类，不要盲目上 AI。把过去 2 年的 PM 记录按 extent 分类整理本身就能带来 30% 节省，成本几乎为零。做完这步，再决定是否投入更复杂的 AI 方案。

建议二：和设备 OEM 早期合作。seasoning 优化需要 chamber 内传感器数据访问权——这在没有 OEM 配合的情况下很难拿到。现在是和主力设备商签数据合作的好时机。

建议三：把 seasoning 优化和 PM 频率优化放在一起看。真正的下一代优化是”让 PM 本身更不频繁”——通过 predictive maintenance 把 PM 间隔从 21 天延长到 28 天，seasoning 总成本下降 25%。这两个方向是互补的，别只盯 seasoning。

如果你负责 Fab 的 PM 效率或 OEE 优化，NeuroBox E3200 提供 seasoning 进度实时观测和自适应 wafer 数量控制。单 chamber PoC 3 个月见效，典型节省 50-60% dummy wafer。预约 30 分钟 PM/seasoning 技术沟通。

延伸阅读

• R2R 控制完整指南：从原理到工艺落地
• CVD 机台断流检测：AI 实时卡点方案
• 半导体 AI 落地第一步：VM、R2R 还是 DOE