第4章：根本原因分析（RCA）：用鱼骨图与5-Why挖出真凶
良率出了问题，第一反应往往是「赶紧调参数」。但我做了十几年项目，吃过太多亏——调完参数良率上去了，过两周又掉回来。为什么？因为没找到根因。
根本原因分析，说白了就是刨根问底。不是问「哪里坏了」，而是问「为什么会坏」。这一章，我带你走一遍我常用的RCA流程。
4.1 鱼骨图：把问题拆开来看
鱼骨图也叫因果图，是日本人石川馨发明的。我习惯叫它「鱼骨头」。它的好处是：逼你把所有可能的原因都列出来，而不是只盯着眼前那一个。
画鱼骨图有个口诀：人机料法环测。这是制造业通用的六大维度。
| 维度 | 含义 | 半导体中的例子 |
|---|---|---|
| 人（Man） | 操作人员、工程师 | 操作不规范、培训不足 |
| 机（Machine） | 设备、工具 | 光刻机对焦偏移、刻蚀机腔体污染 |
| 料（Material） | 原材料、化学品 | 光刻胶批次差异、靶材纯度不够 |
| 法（Method） | 工艺参数、流程 | 曝光剂量偏差、刻蚀时间过长 |
| 环（Environment） | 环境条件 | 温湿度波动、洁净度下降 |
| 测（Measurement） | 检测方法、设备 | CD-SEM校准偏差、测试程序错误 |
举个例子。有一次我们遇到金属线短路问题，良率掉了8%。我带着团队画鱼骨图，光「机」这一项就列了12个可能原因。最后发现，真正的问题出在「测」——CD-SEM的测量程序里有个参数设错了。
关键点：鱼骨图不是用来找答案的，是用来找方向的。别指望画完图就知道根因，但画完图你至少知道该往哪查。
4.2 5-Why分析法：连续问五个为什么
鱼骨图帮你找到嫌疑方向，5-Why帮你锁定真凶。这个方法很简单：针对一个问题，连续问「为什么」，直到找到根本原因。
我见过很多工程师问两三个「为什么」就停了。嗯，这不够。真正的根因，往往藏在第五个甚至第六个「为什么」后面。
给你看个真实案例：
问题：晶圆边缘颗粒数超标
Why 1：为什么颗粒数超标？
因为CMP后清洗不彻底。
Why 2：为什么清洗不彻底？
因为清洗液喷嘴堵塞了。
Why 3：为什么喷嘴会堵塞？
因为清洗液中有结晶物。
Why 4：为什么会有结晶物？
因为清洗液温度低于设定值，导致溶质析出。
Why 5：为什么温度会低于设定值？
因为加热器的温控传感器漂移了，实际温度比显示低3℃。
根因：温控传感器漂移，导致清洗液温度偏低，溶质结晶堵塞喷嘴。你看，如果只问到Why 2就停了，你可能会去换喷嘴。换了喷嘴，过两周又堵。只有找到传感器漂移这个根因，问题才算真正解决。
我的习惯：每次做5-Why，我都会在纸上画一条「因果链」。每个「为什么」之间画个箭头，确保逻辑是通的。如果中间跳了一步，那答案很可能不对。
4.3 针对Top Defect进行深度挖掘
良率提升有个原则：二八定律。80%的良率损失，来自20%的缺陷类型。所以别想着把所有缺陷都搞定，先搞定Top Defect。
怎么定义Top Defect？我一般用帕累托图。把缺陷按数量从高到低排序，画个柱状图，再画条累计百分比曲线。累计到80%的那几个缺陷，就是Top Defect。
举个例子，某批次晶圆的缺陷分布如下：
| 缺陷类型 | 数量（个） | 占比 | 累计占比 |
|---|---|---|---|
| 颗粒污染 | 450 | 45% | 45% |
| 划伤 | 220 | 22% | 67% |
| 桥接 | 130 | 13% | 80% |
| 空洞 | 80 | 8% | 88% |
| 其他 | 120 | 12% | 100% |
颗粒污染、划伤、桥接这三个加起来占了80%。那好，集中精力搞定它们。
针对每个Top Defect，再分别做鱼骨图和5-Why。这样效率最高。
注意：Top Defect不是一成不变的。你搞定了一个，另一个可能就顶上来了。所以每两周更新一次帕累托图，动态调整优先级。
4.4 验证根本原因假设
找到根因假设之后，别急着下结论。我吃过这个亏——有一次我信誓旦旦地说「肯定是光刻胶的问题」，结果换了三个批次，良率纹丝不动。后来发现是显影液的温度控制出了问题。
验证假设，我常用三种方法：
- DOE验证：设计一组实验，故意改变你怀疑的那个因素，看缺陷率是否跟着变。如果变了，说明假设成立。
- 分片对比：同一批晶圆，一半用原工艺，一半用修正后的工艺。对比两组的缺陷率差异。
- 历史数据回溯：翻出过去三个月的记录，看你怀疑的那个因素发生变化时，缺陷率是不是也跟着波动。
举个例子。我们怀疑刻蚀机的射频功率波动导致侧壁粗糙。怎么验证？
我做了个简单的DOE：固定其他参数不变，把射频功率分别设为标准值、+5%、-5%。结果发现，功率+5%时侧壁粗糙度明显改善，-5%时恶化。这就坐实了假设。
验证原则：一次只变一个变量。如果你同时变了三个参数，就算良率上去了，你也不知道是哪个起了作用。
4.5 避坑指南
做RCA这么多年，我踩过的坑不少。挑几个典型的说说：
- 别被表象迷惑：有一次颗粒超标，大家第一反应是「清洗机坏了」。结果查了半天，是上游的CMP机台把研磨液溅到了晶圆背面。所以，别只看缺陷的位置，要看缺陷的来源。
- 别过早下结论：我见过一个工程师，鱼骨图还没画完就说「肯定是设备问题」。结果换了三个部件，问题依旧。后来发现是操作员的手套上有残留化学品。你想想看，如果早做5-Why，能省多少时间？
- 别忽略小概率事件：有一次良率突然掉了一截，所有常规检查都没问题。最后发现是空调系统的一个阀门卡住了，导致局部温度升高。这种小概率事件，平时没人会想到。
我的建议：每次做完RCA，把根因和验证过程记录下来。半年后回头看，你会发现很多规律。比如某个季节容易出什么问题，某个机台容易出什么故障。这些经验，比任何理论都值钱。
好了，这一章就到这里。记住一句话：找到根因，问题才算解决了一半。另一半，是验证它。