CN101067742B - 量测方法以及虚拟量测系统 - Google Patents
量测方法以及虚拟量测系统 Download PDFInfo
- Publication number
- CN101067742B CN101067742B CN2006101498908A CN200610149890A CN101067742B CN 101067742 B CN101067742 B CN 101067742B CN 2006101498908 A CN2006101498908 A CN 2006101498908A CN 200610149890 A CN200610149890 A CN 200610149890A CN 101067742 B CN101067742 B CN 101067742B
- Authority
- CN
- China
- Prior art keywords
- data
- mentioned
- metric
- measurement
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000004519 manufacturing process Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 7
- 239000004065 semiconductor Substances 0.000 abstract description 7
- 238000003070 Statistical process control Methods 0.000 abstract description 5
- 235000012431 wafers Nutrition 0.000 description 49
- 238000012360 testing method Methods 0.000 description 23
- 238000012544 monitoring process Methods 0.000 description 19
- 230000007246 mechanism Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 240000000233 Melia azedarach Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种量测方法以及虚拟量测系统，特别涉及一种适用于半导体制造的虚拟量测系统与方法。接收程序数据与量测数据。根据程序数据与量测数据透过学习控制模型而产生预测数据。适用于制造厂的虚拟量测系统包括用以接收程序数据的错误侦测与分类系统，以及统计程序控制系统，用以对历史的实体量测数据执行统计程序控制而产生量测数据，且虚拟量测应用系统是用以根据程序数据与量测数据透过学习控制模型而产生预测数据。本发明所提供的量测方法以及虚拟量测系统，可透过降低实际程序或工具监控数据而改善产品制造的周期时间。
Description
技术领域
本发明是有关于一种半导体制造，特别是有关于一种适用于半导体制造的虚拟量测系统与方法。
背景技术
在半导体制造工业中，量测(metrology)操作的目的是用以确保半导体装置的品质。这些操作包括程序鉴定(processqualification)、工具鉴定(tool qualification)、日常工具监控(daily tool monitoring)、定期工具保养(periodical toolmaintenance)、工具修复监控(tool recovery monitoring)、程序控制监控(process control monitoring)以及产品监控等。目前，这些操作是透过作业员操作量测工具而达成。然而，取得量测工具的成本非常高。再者，除了主程序步骤之外，需要额外的人力来操作量测工具。这些额外的人力操作将会增加产品的周期时间。
发明内容
有鉴于此，本发明提供一种量测方法，用以实现制造厂中的虚拟量测操作，包括：接收程序数据以及量测数据，接收上述程序数据包括：于一晶圆处理期间接收来自至少一生产设备的一即时感测数据；以及对上述即时感测数据执行前置处理而形成上述程序数据；对上述即时感测数据执行前置处理以形成上述程序数据的步骤包括：接收来自一工程数据数据库以及至少一量测设备的数据；验证上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据的品质；正规化上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据，以产生一正规化数据；以及对上述正规化数据执行一逐步选取；以及根据程序数据与量测数据透过学习控制模型而产生预测数据，其中接收上述量测数据包括：搜集由至少一实体量测工具处理多个晶圆所产生的一历史数据；以及对上述历史数据执行统计程序控制以形成上述量测数据，其中上述程序数据代表上述学习控制模型的已知输入，上述量测数据代表上述学习控制模型的已知输出，且上述学习控制模型是为一类神经网络控制模型。
本发明所述的量测方法，更包括：判断上述预测数据与上述量测数据之间是否具有差异；当上述预测数据与上述量测数据之间具有差异时，回应上述预测数据至一统计程序控制系统，以适当的训练上述学习控制模型；以及根据上述预测数据来调整多个输入以控制至少一生产设备。
本发明所述的量测方法，其中回应上述预测数据至上述统计程序控制系统的步骤是由一进阶设备控制系统以及一虚拟量测应用系统所执行，且调整多个输入以控制至少一生产设备的步骤是由一进阶程序控制系统所执行。
再者，本发明提供一种虚拟量测系统，适用于制造厂中的虚拟量测操作，包括：错误侦测与分类系统，用以接收程序数据，接收上述程序数据包括：于一晶圆处理期间接收来自至少一生产设备的一即时感测数据；以及对上述即时感测数据执行前置处理而形成上述程序数据；对上述即时感测数据执行前置处理以形成上述程序数据的步骤包括：接收来自一工程数据数据库以及至少一量测设备的数据；验证上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据的品质；正规化上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据，以产生一正规化数据；以及对上述正规化数据执行一逐步选取；统计程序控制系统，用以对历史实体量测数据执行统计程序控制，以形成量测数据；以及虚拟量测应用系统，用以根据程序数据与量测数据透过学习控制模型而产生预测数据，其中上述程序数据代表上述学习控制模型的已知输入，上述量测数据代表上述学习控制模型的已知输出，且上述学习控制模型是为一类神经网络控制模型。
本发明所述的虚拟量测系统，其中上述虚拟量测应用系统更用以比较上述预测数据与上述量测数据，并且判断上述预测数据与上述量测数据之间是否具有差异，且当上述预测数据与上述量测数据之间具有差异时，上述统计程序控制系统更用以透过上述预测数据而适当的训练上述学习控制模型。
本发明所述的虚拟量测系统，更包括：一进阶程序控制系统，用以当上述预测数据与上述量测数据之间具有差异时，根据上述预测数据调整多个输入以控制至少一生产设备。
再者，本发明提供一种计算机可读取介质，具有编码于计算机可读取介质上的处理器，包括：接收程序数据以及量测数据；以及根据程序数据与量测数据透过学习控制模型而产生预测数据。
本发明所述的计算机可读取介质，其中接收上述程序数据包括：于一晶圆处理期间接收来自至少一生产设备的一即时感测数据；以及对上述即时感测数据执行前置处理而产生上述程序数据。
本发明所述的计算机可读取介质，其中接收上述量测数据包括：搜集由至少一实体量测工具处理多个晶圆所产生的一历史数据；以及对上述历史数据执行统计程序控制以形成上述量测数据。本发明所述的计算机可读取介质，其中上述程序数据代表上述学习控制模型的已知输入，而上述量测数据代表上述学习控制模型的已知输出。
本发明所述的计算机可读取介质，更包括：判断上述预测数据与上述量测数据之间是否具有差异；当上述预测数据与上述量测数据之间具有差异时，回应上述预测数据至一统计程序控制系统，以适当的训练上述学习控制模型；以及如一方法所定义，调整多个输入以控制至少一生产设备。
本发明所述的计算机可读取介质，其中对上述即时感测数据执行前置处理而产生上述程序数据的步骤包括：接收来自一工程数据数据库以及至少一量测设备的数据；验证上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据的品质；正规化上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据，以产生一正规化数据；以及对上述正规化数据执行一逐步选取。
本发明所提供的量测方法以及虚拟量测系统，可透过降低实际程序或工具监控数据而改善产品制造的周期时间。
附图说明
图1是显示实体量测操作与虚拟量测操作之间的比较。
图2是显示由量测工具所执行的实体量测操作的内容。
图3是显示根据本发明实施例所述的虚拟量测应用系统的示意图。
图4是显示根据本发明实施例所述的虚拟量测应用系统的系统架构的示意图。
图5是显示根据本发明实施例所述的虚拟量测应用系统的前置处理的流程图。
图6是显示根据本发明实施例所述的由虚拟量测应用系统对数据执行前置处理的方块图。
具体实施方式
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合所附图式，作详细说明如下。
本发明是揭露一种适用于虚拟量测应用系统的系统架构。此虚拟量测应用系统可用以将系统的设备控制信息(equipmentcontrol system information)转换为制造设备的程序与工具效能信息(process and tool performance information)。 程序与工具效能信息又叫做预测数据。将预测数据与不同的工具结合可用以取代或提升现有的实体量测操作与工具。
根据本发明实施例，虚拟量测应用系统是提供数据前置处理机制(data pre-processing mechanism)，用以搜集由制造设备所即时感应的量测数据并且对这些量测数据执行前置处理。在图6中将会详细说明如何对数据执行前置处理。再者，虚拟量测应用系统包括与统计程序控制(statistical process control，SPC)连接的界面，用以学习控制模型(control model)。产生控制模型的其中一种方法是为透过使用类神经网络(Artifical NerualNetwork，ANN)。然而，其他方法也可用来产生控制模型，例如产生虚拟测量控制器的学习模型(learning model)。
再者，虚拟测量应用系统是为模型学习应用系统(modellearning application)，模型学习应用系统可与其他元件整合而产生即时预测数据。这些元件包括统计程序控制系统以及错误侦测与分类(fault detection and classification，FDC)系统。一旦产生预测数据，虚拟测量应用系统会自动的调整控制模型的属性(attribute)为适用于使用自我调整机制来学习。自我调整机制可透过量测工具来侦测预测数据与实际量测数据之间的差异。
图1是显示实体量测操作与虚拟量测操作之间的比较。如图1所示，实体量测操作是由量测设备100所执行，量测设备100是量测由生产设备104所制造的监控晶圆(monitoring wafer)102的传输时间。再者，量测设备100是用以检查监控晶圆(monitoringwafer)102的品质。然而，实体量测操作需要许多的控制晶圆。再者，量测设备100的成本很高且需要额外的人力来操作机台，如此一来便会增加产品的周期时间。有关量测设备100(例如晶圆交换机(wafer exchange machine)以及分类机(sorter machine))的其他问题包括工具的问题(tool hangup)或是遗漏的程序(missedoperation)。有关实体量测操作的细节将于图2中讨论。
本发明所揭露的虚拟量测应用系统可用以取代传统透过使用者使用具有虚拟量测操作的量测设备100所执行的实体量测操作。根据本发明实施例，虚拟量测操作包括即时对生产设备104的感应器110所取得的数据执行前置处理，并且透过虚拟量测程序112而产生虚拟量测数据114。根据本发明实施例，虚拟量测程序112包括模型学习应用程序(model learning application)，模型学习应用程序是与其他元件结合而产生虚拟量测数据114。
图2是显示透过使用量测工具所执行实体量测操作的内容。如图2所示，工具监控操作员200首先检查监控计划表202。当监控计划表202中指出需要执行品质检验时，工具监控操作员200会要求测试晶圆准备程序206准备一测试晶圆204。测试晶圆准备程序206会回应一测试晶圆准备程序就绪信息208，这个信息代表测试晶圆执行程序已就绪。
工具监控操作员200在正常晶圆程序236中暂停正常晶圆追踪210，并且触发测试晶圆制造程序212以测试晶圆准备程序206。接下来，测试晶圆准备程序206透过程序工具216制造测试晶圆214，并且传送测试晶圆至量测工具220执行量测218。接下来，量测工具220会将量测结果输入至统计程序控制图(SPC chart)224中的统计程序控制系统。统计程序控制图224会回应工具监控结果232给工具监控操作员200，以执行分析。再者，统计程序控制图224是侦测工具监控结果232中的异常监控事件(abnormalmonitoring event)256，并且呼叫例外处理程序226执行系统回复228。接下来，例外处理程序226会通知工具监控操作员200系统回复完成230。
当接收到系统回复完成230通知时，工具监控操作员200便会继续正常晶圆程序236中的正常晶圆制造程序234。在正常晶圆程序236中，程序工具216是使用量测工具220执行线内监控(inlinemonitoring)240，并且将监控结果输入至统计程序控制图224中的统计程序控制系统242。统计程序控制图224是回应工具监控结果244至正常晶圆程序236，以执行分析。再者，统计程序控制图224是侦测工具监视结果244中的异常监控事件246，并且呼叫例外处理程序226执行系统回复248。接下来，例外处理程序226会通知正常晶圆程序236系统回复完成250，且正常晶圆程序236会继续执行晶圆制造252。因此，很明显的，在图2是显示使用量测工具220执行量测操作中，除了晶圆制造之外仍需要额外的时间与力气。
图3是显示根据本发明实施例所述的虚拟量测应用系统的示意图。虚拟量测应用系统是用以产生全面的虚拟量测信息。如图3所示，根据本发明实施例所述的虚拟量测应用系统300包括两个界面：电子设计组合(electronic design assembly，EDA)界面302以及连接至公共信息模型(common information model，CIM)的界面304。
EDA界面302包括用以管理界面的EDA界面管理模块306、感测数据前置处理机制308以及量测数据界面310。感测数据前置处理机制308是即时聚集来自生产设备的感测数据并且对这些数据执行前置处理。除了即时感测数据之外，感测数据前置处理机制308可于生产设备离线时聚集批次数据(batch data)以及获接数据(legacy data)。量测数据界面310是聚集由量测工具所搜集的实际量测数据。之后，虚拟量测应用系统300会将实际量测数据与预测数据执行比较，以自动的调整控制模型的属性。
公共信息模型CIM是为适用于系统、网络、应用程序以及服务的管理信息的共通定义，并且允许厂商延伸公共信息模型CIM。公共信息模型CIM的共通定义是致能厂商透过网络交换不同系统之间不同语意的充足的管理信息。根据本发明实施例，连接至公共信息模型的界面304包括控制模型发展模块312、CIM整合模块314以及试验设计模块316。
控制模型发展模块312是发展一种用以学习工具监视数据的控制模型。根据本发明实施例，控制模型发展模块312可使用类神经网络而产生用以学习的控制模型。为了产生控制模型，可学习以错误侦测与分类数据以及实际日常监控数据为模型的类神经网络。另外，其他方法亦可用以产生控制模型，例如学习会产生虚拟量测控制器的模型。
CIM整合模块314是与其他元件整合(例如统计程序控制系统)，以搜集量测结果。再者，CIM整合模块314可与制造执行系统(manufacturing execution system，MES)整合，以保持执行状态(running hold)。透过此方法，来自这些系统的数据亦可用以改善控制模型的学习能力。试验设计模块316是根据控制模型设计适用于虚拟量测应用系统300的实验。
图4是显示根据本发明实施例所述的虚拟量测应用系统的系统架构。在以制造执行系统为基础的架构中，生产设备404是用以制造晶圆并且产生程序数据402。错误侦测与分类系统408是接收来自耦接至生产设备404的不同感测器的即时数据，且为了辨识发生错误的根本原因(root cause)，感测数据前置处理机制是对数据执行前置处理以侦测工具与程序变异。接下来，错误侦测与分类系统408是提供程序数据402至类神经网络410，以训练控制模型。对类神经网络410来说，程序数据402是为已知的输入。
统计程序控制系统412是对历史量测数据406执行统计程序控制。历史量测数据406是于生产设备404处理测试晶圆时由实体量测工具所产生。统计程序控制的结果是提供至类神经网络410，以训练控制模型。对类神经网络410来说，统计程序控制的结果是为已知的输出。使用由类神经网络410、预测数据414所产生的控制模型可透过虚拟量测应用系统根据权重法(weight approach)416而产生。类神经网络的训练模型会自动地提供权重。
类神经网络是为类神经的内连群组，类神经是使用适用于执行信息处理的数学或算数模型根据连接取向(conne ctionistapproach)来执行运算。一般来说，前馈式(feedforward)类神经网络至少有三层：输入层、隐藏层以及输出层。输入层是为用以输入至网络的数据向量。输入层是输入隐藏层，隐藏层再输入输出层。网络中实际处理程序是发生于隐藏层或输出层的节点。当某一层具有足够的神经连接时，可训练网络以使用训练演算法来执行某些功能。本发明是揭露利用类神经网络的优点根据程序数据(已知的输入)以及量测数据(已知的输出)产生预测数据。训练演算法是产生并储存于类神经网络中。因此，是将整个神经网络模型输入至虚拟量测应用系统以执行预测。
一旦透过控制模型产生预测数据414，进阶设备控制(Advanced Equipment Control，AEC)系统与虚拟量测应用系统420是将预测数据414与实际量测数据406执行比较，以判断预测数据414与实际量测数据406之间是否具有差异。假如预测数据414与实际量测数据406之间具有差异，进阶设备控制系统与虚拟量测应用系统420是回应预测数据至统计程序控制系统412，以适当的训练控制模型。再者，进阶程序控制(Advanced ProcessingControl，APC)系统418是使用预测数据414以根据例如结合持续时间、温度、压力以及流体型态以及混合物等方法来调整至少一输出，以控制生产设备404。透过这样的方法，可提升处理监控晶圆的下一叠代(iteration)的品质。
图5是显示根据本发明实施例所述的虚拟量测应用系统的程序流程图。如图5所示，处理程序是开始于当生产设备处理测试晶圆时(S502)。接下来，接收来自生产设备的即时感测数据(S504)，且感测数据前置处理机制是对感测数据执行前置处理(S506)。接下来，是将数据提供至类神经网络以训练控制模型(S508)。对类神经网络来说，程序数据是为已知的输入。
统计程序控制系统是对处理测试晶圆所产生的历史量测数据执行统计程序控制(S510)。对类神经网络来说，执行统计程序控制的结果是为已知的输出。使用由类神经网络所产生的控制模型可根据已知的输入与已知的输出而产生预测数据(S514)。接下来，进阶设备控制与虚拟量测应用系统是将预测数据与实际量测数据执行比较(S516)。
接下来，判断预测数据与量测数据之间是否具有差异(S518)。如果预测数据与量测数据之间不具有差异，则结束程序。然而，当预测数据与量测数据之间具有差异时，虚拟量测应用系统是回应预测数据至统计程序控制系统，以适当的训练控制模型(S520)。接下来，进阶程序控制是根据预测数据调整至少一输入，以控制生产设备(S522)，如此一来可提升后续测试晶圆的品质。最后，结束程序。
图6是显示根据本发明实施例所述，由虚拟量测应用系统对数据执行前置处理的示意图。如图6所示，一旦虚拟量测应用系统搜集由生产设备600、工程数据数据库602、量测设备604所产生的数据，虚拟量测应用系统是验证所搜集的数据606的品质。
接下来，数据会被正规化608并且执行逐步选取(stepwiseselection)610。逐步选取是为允许在任一方向移动且在不同的步骤中减少或增加变量的方法。逐步选取可以为顺向选取，从寻找最佳的单一特征开始。接下来，给定一组选定的特征，首先加入可使效能改善最多的特征。另外，逐步选取可以为逆向选取，逆向选取可以快速的从一组选定的特征中删除使效能降低最多的特征。在执行逐步选取610后的结果是提供至神经网络612训练模型。
综上所述，本发明所揭露的虚拟量测操作具有一些优点，包括不需要实体量测操作即可提供品质保证的方法。当与外部量测方法比较时，该品质保证方法可透过降低实际程序或工具监控数据而改善产品制造的周期时间。再者，该品质保证方法可透过降低日常工具监视频率与产品晶圆监视频率而降低操作成本。再者，该品质保证方法可透过提供整合晶圆品质预测值而改善产品的产量。此预测值无法在所产生的晶圆上测得。再者，该品质保证方法可透过排除一些晶圆或工具监控而降低人力负荷。该品质保证方法可透过降低工具监控时间而改善工具的可利用性，并且提供工具预报系统(prognostic system)，以支援延长工具监控周期。
本发明所揭露的实施例可以为纯硬件实施例、纯软件实施例或是包括硬件与软件实施例的形式。虽然上述实施例是以软件的方法实现，但实施例也可以韧体、固有的软件以及微码的方式实现，并非限定为以软件的方法实现。
再者，所揭露的实施例可以为可存取的实体计算机可使用或计算机可读取介质的计算机程序产品，用以提供被计算机或任何指令执行系统使用的程序码或与计算机或任何指令执行系统连接的程序码。为了方便说明，实体计算机可使用或计算机可读取介质可以为任何可保存、储存、沟通、传播或传送程序的装置，可用以被指令执行系统或装置使用或与指令执行系统或装置连接。
介质可以为电性、磁性、光学、电磁、红外线、半导体系统(或装置)或是传播介质。计算机可读取介质包括例如半导体或固态存储器(solid state memory)、磁带(magnetic tape)、可移除式计算机磁盘(removable computer diskette)、随机存取存储器(random access memory，RAM)、只读存储器(read-onlymemory，ROM)、硬式磁盘(rigid magnetic disk)以及光盘(optical disk)。目前的光学磁盘可包括光盘(compact disk)-只读存储器(CD-ROM)，光盘-读写式光盘(CD-R/W)以及数字影音光盘(DVD)。
以上所述仅为本发明较佳实施例，然其并非用以限定本发明的范围，任何熟悉本项技术的人员，在不脱离本发明的精神和范围内，可在此基础上做进一步的改进和变化，因此本发明的保护范围当以本申请的权利要求书所界定的范围为准。
附图中符号的简单说明如下：
100、604：量测设备
102：监控晶圆
104、404、600：生产设备
106：产品
108：实际量测数据
110：感测数据Xij
112：虚拟量测机制
114：虚拟量测数据
200：工具监控操作员
202：检查控制计画表
204：要求准备测试晶圆
206：测试晶圆准备程序
208：测试晶圆准备就绪
210：暂停正常晶圆追踪
212：触发测试晶圆制造程序
214：制造测试晶圆
216：程序工具
220：量测工具
224：统计程序控制图
226：例外处理程序
228、248：系统回复
236：正常晶圆程序
238：晶圆制造
240：线内监控
246：异常监控事件
300：虚拟量测应用系统
302：电子设计组合界面
306：界面管理模块
310：量测数据界面
312：控制模型发展模块
314：公共信息模型整合模块
316：试验设计模块
402：程序数据
406：量测数据
408：错误侦测与分类系统
410：类神经网络
412：统计程序控制系统
414：预测数据
416：权重法
418：进阶程序控制系统
422：比较与训练
602：工程数据数据库
606：数据品质
608：正规化
610：逐步选取
612：神经网络
218：传送测试晶圆以进行量测
222：输入量测结果至统计程序控制系统
230、250：通知系统回复完成
232、244：回应工具监控结果
234、252：继续正常晶圆制造程序
242：输入结果至统计程序控制
304：连接至公共信息模型的界面
308：感测数据前置处理机制
420：进阶设备控制/虚拟量测系统
Claims (6)
1.一种量测方法，其特征在于，用以实现一制造厂中的一虚拟量测操作，所述量测方法包括：
接收一程序数据以及一量测数据，接收上述程序数据包括：
于一晶圆处理期间接收来自至少一生产设备的一即时感测数据；以及
对上述即时感测数据执行前置处理而形成上述程序数据；
对上述即时感测数据执行前置处理以形成上述程序数据的步骤包括：
接收来自一工程数据数据库以及至少一量测设备的数据；
验证上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据的品质；
正规化上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据，以产生一正规化数据；以及
对上述正规化数据执行一逐步选取；以及
根据上述程序数据与上述量测数据透过一学习控制模型而产生一预测数据，
其中，接收上述量测数据包括：
搜集由至少一实体量测工具处理多个晶圆所产生的一历史数据；以及
对上述历史数据执行统计程序控制以形成上述量测数据，
上述程序数据代表上述学习控制模型的已知输入，上述量测数据代表上述学习控制模型的已知输出，且上述学习控制模型是为一类神经网络控制模型。
2.根据权利要求1所述的量测方法，其特征在于，更包括：
判断上述预测数据与上述量测数据之间是否具有差异；
当上述预测数据与上述量测数据之间具有差异时，回应上述预测数据至一统计程序控制系统，以适当的训练上述学习控制模型；以及
根据上述预测数据来调整多个输入以控制至少一生产设备。
3.根据权利要求2所述的量测方法，其特征在于，回应上述预测数据至上述统计程序控制系统的步骤是由一进阶设备控制系统以及一虚拟量测应用系统所执行，且调整多个输入以控制至少一生产设备的步骤是由一进阶程序控制系统所执行。
4.一种虚拟量测系统，其特征在于，适用于一制造厂中的一虚拟量测操作，所述虚拟量测系统包括：
一错误侦测与分类系统，用以接收一程序数据，接收上述程序数据包括：
于一晶圆处理期间接收来自至少一生产设备的一即时感测数据；以及
对上述即时感测数据执行前置处理而形成上述程序数据；
对上述即时感测数据执行前置处理以形成上述程序数据的步骤包括：
接收来自一工程数据数据库以及至少一量测设备的数据；
验证上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据的品质；
正规化上述即时感测数据以及来自上述工程数据数据库以及至少一量测设备的数据，以产生一正规化数据；以及
对上述正规化数据执行一逐步选取；
一统计程序控制系统，用以对一历史实体量测数据执行统计程序控制，以形成一量测数据；以及
一虚拟量测应用系统，用以根据上述程序数据与上述量测数据透过一学习控制模型而产生一预测数据，
其中，上述程序数据代表上述学习控制模型的已知输入，上述量测数据代表上述学习控制模型的已知输出，且上述学习控制模型是为一类神经网络控制模型。
5.根据权利要求4所述的虚拟量测系统，其特征在于，上述虚拟量测应用系统更用以比较上述预测数据与上述量测数据，并且判断上述预测数据与上述量测数据之间是否具有差异，且当上述预测数据与上述量测数据之间具有差异时，上述统计程序控制系统更用以透过上述预测数据而适当的训练上述学习控制模型。
6.根据权利要求5所述的虚拟量测系统，其特征在于，更包括：
一进阶程序控制系统，用以当上述预测数据与上述量测数据之间具有差异时，根据上述预测数据调整多个输入以控制至少一生产设备。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US73175105P | 2005-10-31 | 2005-10-31 | |
| US60/731,751 | 2005-10-31 | ||
| US11/378,833 US7359759B2 (en) | 2005-10-31 | 2006-03-17 | Method and system for virtual metrology in semiconductor manufacturing |
| US11/378,833 | 2006-03-17 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101067742A CN101067742A (zh) | 2007-11-07 |
| CN101067742B true CN101067742B (zh) | 2010-11-10 |
Family
ID=37997553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2006101498908A Expired - Fee Related CN101067742B (zh) | 2005-10-31 | 2006-10-31 | 量测方法以及虚拟量测系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US7359759B2 (zh) |
| CN (1) | CN101067742B (zh) |
| TW (1) | TWI338910B (zh) |
Families Citing this family (55)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8639489B2 (en) * | 2003-11-10 | 2014-01-28 | Brooks Automation, Inc. | Methods and systems for controlling a semiconductor fabrication process |
| US8639365B2 (en) * | 2003-11-10 | 2014-01-28 | Brooks Automation, Inc. | Methods and systems for controlling a semiconductor fabrication process |
| US10086511B2 (en) | 2003-11-10 | 2018-10-02 | Brooks Automation, Inc. | Semiconductor manufacturing systems |
| US20070282480A1 (en) * | 2003-11-10 | 2007-12-06 | Pannese Patrick D | Methods and systems for controlling a semiconductor fabrication process |
| US7595467B2 (en) * | 2005-12-01 | 2009-09-29 | Promos Technologies Inc. | Fault detection system and method for managing the same |
| TWI315054B (en) * | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
| US7954072B2 (en) * | 2006-05-15 | 2011-05-31 | Taiwan Semiconductor Manufacturing Company, Ltd. | Model import for electronic design automation |
| US7756657B2 (en) * | 2006-11-14 | 2010-07-13 | Abb Inc. | System for storing and presenting sensor and spectrum data for batch processes |
| US7974728B2 (en) * | 2007-05-04 | 2011-07-05 | Taiwan Semiconductor Manufacturing Company, Ltd. | System for extraction of key process parameters from fault detection classification to enable wafer prediction |
| US8145337B2 (en) * | 2007-05-04 | 2012-03-27 | Taiwan Semiconductor Manufacturing Company, Ltd. | Methodology to enable wafer result prediction of semiconductor wafer batch processing equipment |
| TWI338916B (en) * | 2007-06-08 | 2011-03-11 | Univ Nat Cheng Kung | Dual-phase virtual metrology method |
| US8572155B2 (en) * | 2007-08-23 | 2013-10-29 | Applied Materials, Inc. | Virtual sensors |
| US20090222123A1 (en) * | 2007-11-07 | 2009-09-03 | Optessa, Inc. | Method and system for scheduling a set of events in real time |
| US8078552B2 (en) * | 2008-03-08 | 2011-12-13 | Tokyo Electron Limited | Autonomous adaptive system and method for improving semiconductor manufacturing quality |
| US8725667B2 (en) * | 2008-03-08 | 2014-05-13 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
| US8190543B2 (en) * | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
| US8396582B2 (en) | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
| US9449314B2 (en) * | 2008-10-02 | 2016-09-20 | International Business Machines Corporation | Virtualization of a central processing unit measurement facility |
| US8437870B2 (en) * | 2009-06-05 | 2013-05-07 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for implementing a virtual metrology advanced process control platform |
| US8433434B2 (en) * | 2009-07-09 | 2013-04-30 | Taiwan Semiconductor Manufacturing Company, Ltd. | Near non-adaptive virtual metrology and chamber control |
| US9002492B2 (en) * | 2010-02-16 | 2015-04-07 | Applied Materials, Inc. | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology |
| CN102262188B (zh) * | 2010-05-28 | 2013-06-05 | 先知科技股份有限公司 | 工件抽样检验的方法 |
| US8406912B2 (en) * | 2010-06-25 | 2013-03-26 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for data mining and feature tracking for fab-wide prediction and control |
| TW201205440A (en) * | 2010-07-16 | 2012-02-01 | Nat Univ Tsing Hua | Virtual measuring system and method thereof for predicting the quality of thin film transistor liquid crystal display processes |
| TWI427722B (zh) * | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
| CN101976045B (zh) * | 2010-08-25 | 2012-05-23 | 江苏大学 | 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统 |
| US20130024019A1 (en) * | 2011-07-22 | 2013-01-24 | Taiwan Semiconductor Manufacturing Company, Ltd. | Apparatus and methods for end point determination in semiconductor processing |
| US9153506B2 (en) * | 2012-07-06 | 2015-10-06 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for through silicon via yield |
| US9176183B2 (en) * | 2012-10-15 | 2015-11-03 | GlobalFoundries, Inc. | Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness |
| US9164398B2 (en) * | 2013-02-27 | 2015-10-20 | Taiwan Semiconductor Manufacturing Co., Ltd. | Overlay metrology method |
| US9965577B2 (en) | 2013-03-14 | 2018-05-08 | Coventor, Inc. | System and method for performing directed self-assembly in a 3-D virtual fabrication environment |
| US10242142B2 (en) | 2013-03-14 | 2019-03-26 | Coventor, Inc. | Predictive 3-D virtual fabrication system and method |
| CN103278714B (zh) * | 2013-05-15 | 2015-10-28 | 江苏大学 | 一种混合制程的虚拟测量方法与系统 |
| KR102026069B1 (ko) | 2013-08-05 | 2019-09-30 | 삼성전자 주식회사 | 반도체 설비의 센서 데이터 분할 시스템 및 그 방법 |
| CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
| TWI712945B (zh) * | 2015-09-08 | 2020-12-11 | 美商康維特公司 | 用於在３ｄ虛擬製作環境中執行導向式自組裝之系統及方法 |
| TWI594835B (zh) | 2015-11-06 | 2017-08-11 | 財團法人工業技術研究院 | 加工設備的健康評估方法與健康評估裝置 |
| US10234401B2 (en) * | 2016-02-22 | 2019-03-19 | Qoniac Gmbh | Method of manufacturing semiconductor devices by using sampling plans |
| WO2017210153A1 (en) | 2016-05-30 | 2017-12-07 | Coventor, Inc. | System and method for electrical behavior modeling in a 3d virtual fabrication environment |
| CN106252252B (zh) * | 2016-08-30 | 2019-03-26 | 上海华力微电子有限公司 | 保形沉积的薄膜厚度预测模型建立及应用方法 |
| US10921369B2 (en) | 2017-01-05 | 2021-02-16 | Xcalipr Corporation | High precision optical characterization of carrier transport properties in semiconductors |
| TWI632441B (zh) * | 2017-01-20 | 2018-08-11 | 財團法人工業技術研究院 | 機台的預診斷方法及預診斷裝置 |
| US11144701B2 (en) | 2017-06-18 | 2021-10-12 | Coventor, Inc. | System and method for key parameter identification, process model calibration and variability analysis in a virtual semiconductor device fabrication environment |
| CN109213086B (zh) * | 2017-06-29 | 2020-10-23 | 台湾积体电路制造股份有限公司 | 制程系统与制程方法 |
| CN108416470B (zh) * | 2018-02-11 | 2020-11-17 | 广州兴森快捷电路科技有限公司 | 线路板的良品率预测方法 |
| US11568198B2 (en) * | 2018-09-12 | 2023-01-31 | Applied Materials, Inc. | Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools |
| US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
| CN112433472B (zh) * | 2019-08-26 | 2022-10-18 | 长鑫存储技术有限公司 | 半导体生产控制方法及控制系统 |
| WO2021106646A1 (ja) * | 2019-11-29 | 2021-06-03 | 東京エレクトロン株式会社 | 推論装置、推論方法及び推論プログラム |
| US20220019203A1 (en) * | 2020-07-16 | 2022-01-20 | Changxin Memory Technologies, Inc. | Method and device for processing semiconductor manufacturing information |
| CN114065687A (zh) * | 2020-08-07 | 2022-02-18 | 奥特斯奥地利科技与系统技术有限公司 | 基于人工智能确定用于制造部件承载件的行动规划 |
| US11853042B2 (en) | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
| US11720088B2 (en) | 2021-03-26 | 2023-08-08 | Lynceus Sas | Real-time AI-based quality assurance for semiconductor production machines |
| US11928009B2 (en) * | 2021-08-06 | 2024-03-12 | International Business Machines Corporation | Predicting a root cause of an alert using a recurrent neural network |
| US11687066B2 (en) * | 2021-08-31 | 2023-06-27 | Siemens Industry Software Inc. | Virtual cross metrology-based modeling of semiconductor fabrication processes |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1242848A (zh) * | 1996-11-20 | 2000-01-26 | 罗伯特·J·詹恩阿罗尼 | 多内核神经网络并行学习、监视和预报系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1546828A1 (en) * | 2002-08-01 | 2005-06-29 | Applied Materials, Inc. | Method, system, and medium for handling misrepresentative metrology data within an advanced process control system |
| US6868512B1 (en) * | 2002-08-27 | 2005-03-15 | Advanced Micro Devices, Inc. | Fault detection system with real-time database |
| US6917849B1 (en) * | 2002-12-18 | 2005-07-12 | Advanced Micro Devices, Inc. | Method and apparatus for predicting electrical parameters using measured and predicted fabrication parameters |
| US8014991B2 (en) * | 2003-09-30 | 2011-09-06 | Tokyo Electron Limited | System and method for using first-principles simulation to characterize a semiconductor manufacturing process |
| US7198964B1 (en) * | 2004-02-03 | 2007-04-03 | Advanced Micro Devices, Inc. | Method and apparatus for detecting faults using principal component analysis parameter groupings |
| TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
| WO2006018741A2 (en) * | 2004-08-20 | 2006-02-23 | Pdf Solutions Sa | A method for improving efficiency of a manufacturing process such as a semiconductor fab process |
| US7212878B2 (en) * | 2004-08-27 | 2007-05-01 | Tokyo Electron Limited | Wafer-to-wafer control using virtual modules |
| US20060129257A1 (en) | 2004-12-13 | 2006-06-15 | Taiwan Semiconductor Manufacturing Co., Ltd. | Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework |
-
2006
- 2006-03-17 US US11/378,833 patent/US7359759B2/en not_active Expired - Fee Related
- 2006-10-16 TW TW095138037A patent/TWI338910B/zh not_active IP Right Cessation
- 2006-10-31 CN CN2006101498908A patent/CN101067742B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1242848A (zh) * | 1996-11-20 | 2000-01-26 | 罗伯特·J·詹恩阿罗尼 | 多内核神经网络并行学习、监视和预报系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI338910B (en) | 2011-03-11 |
| CN101067742A (zh) | 2007-11-07 |
| TW200717592A (en) | 2007-05-01 |
| US7359759B2 (en) | 2008-04-15 |
| US20070100487A1 (en) | 2007-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101067742B (zh) | 量测方法以及虚拟量测系统 | |
| CN101989087B (zh) | 工业化加工渣油的在线实时故障监测与诊断的系统装置 | |
| CN100465842C (zh) | 数据分析系统和方法 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN105372581A (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
| KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN108170566A (zh) | 产品故障信息处理方法、系统、设备和协同工作平台 | |
| US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
| Cohen et al. | A smart process controller framework for Industry 4.0 settings | |
| CN1926487A (zh) | 加工厂中的异常状况预防 | |
| RU2686257C1 (ru) | Способ и система удалённой идентификации и прогнозирования развития зарождающихся дефектов объектов | |
| CN110320893A (zh) | 一种基于rcm的火电机组设备检修方法 | |
| CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
| Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
| CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
| CN107918339A (zh) | 光伏运维智能云平台及其控制方法 | |
| Hung et al. | Development of an AVM system implementation framework | |
| CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| CN115827318A (zh) | 数据中心的异常处理方法、装置、电子设备及介质 | |
| TWI761719B (zh) | 推論系統或產品品質異常的智能方法與系統 | |
| CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
| CN112115128A (zh) | 一种基于多维传感器的5g实时动态故障处理系统 | |
| CN108121303A (zh) | 一种应用于制造设备统计分析过程的日志记录方法 | |
| Kim et al. | Introduction of equipment level FDC system for semiconductor wet-cleaning equipment optimization and real-time fault detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101110 |