SDH科学数据基因组平台光刻胶（Photoresist）又称光致抗蚀剂，是指通过紫外光、电子束、离子束、X射线等的照射或辐射，其溶解度发生变化的耐刻蚀薄膜材料。光刻胶是光刻工艺的关键材料，在半导体制造过程中有着不可替代的作用，甚至已经成为中国芯片自主化的关键。
图 | 半导体制造工艺流程（来源：ASML公告）
光刻胶是由成膜剂、光敏剂、溶剂和添加剂等不同性质的原料，通过不同的排列组合，经过复杂、精密的加工工艺而制成，配方技术与质量控制技术是光刻胶研发过程的核心和难点。而在量产供货前，产品还需要经过长达6-24个月的客户端验证。为达到对产品稳定性、一致性的要求，客户通常会测试50个批次以上，在小试之前往往还要经过信息反馈和配方改进等步骤。面对如此高的行业门槛和复杂的研发工艺流程，如何采取有效手段对大量工艺过程数据进行融合、梳理、分析，从而快速精准获取最优配方，快速溯源与定位问题所在，确保工艺过程的稳定性与产品质量，是加速光刻胶产品研发的关键环节。
图 | 光刻胶研发工艺流程（来源：方正证券研究所）
然而，当前大部分光刻胶研发企业仍然采用传统的数据管理方式，使得数据在融合、调用、分析等方面存在诸多困境。
研发痛点一：如何轻松实现跨部门数据整合与共享
例如，在确认某感光剂的酯化率与最终的图形角度是否存在某种关系时，通常需要从感光剂合成、质量测试、配方工艺以及工艺测试等多部门调取数据，而不同部门的数据标准、存储格式往往不同，这给数据的整合与分析带来极大挑战。
这时，我们可以利用科学数据基因组SDH将来自不同部门、不同数据源的感光剂合成数据、酯化率测试数据、配方调配数据以及工艺测试数据进行清洗抽提、匹配整合，形成一目了然的统一视图。
界面图 | SDH通过实验ID，将不同数据源数据进行整合
研发痛点二：如何建立数据模型寻优CPP/CQA
在众多过程参数中，如何确定关键工艺参数（CPP）/关键质量属性（CQA）以及最优区间？当多数据源数据在SDH中实现融合之后，业务人员不需要任何IT背景可以直接根据自己的需求抽取相关数据，输出数据基因组（数据模型）。再利用DOE（试验设计）和机器学习建立寻优模型的工作流（MaXFlow平台），实现模型驱动的CPP/CQA确认与寻优。
界面图 | SDH中建立光刻胶研发工艺数据基因组：树状图与旭日图
研发痛点三：如何实现工艺过程的在线分析与实时监控
数据模型建立之后，可利用SDH中的BI报表进行在线数据展示与分析，无需将数据下载。
界面图 | 感光剂酯化率与图形角度的关系（散点图）
此外，SDH平台BI报表模块中的在线可视化质量工具，可以直接进行关键参数的在线监控，辅助QC等业务部门快速响应数据异常，确保过程的质量管控。
界面图 | 监控不同批次样品的膜厚趋势（I-MR图）
界面图 | 分析膜厚稳定性是否与工艺人员存在相关性（箱线图）
