CN101192050A

CN101192050A - 过滤制程数据的方法及其系统

Info

Publication number: CN101192050A
Application number: CNA2006101611281A
Authority: CN
Inventors: 叶曙纯; 林俊贤
Original assignee: Taiwan Semiconductor Manufacturing Co TSMC Ltd
Current assignee: Taiwan Semiconductor Manufacturing Co TSMC Ltd
Priority date: 2005-11-30
Filing date: 2006-11-30
Publication date: 2008-06-04
Anticipated expiration: 2026-11-30
Also published as: CN101192050B; TWI325109B; TW200721348A; US7200523B1

Abstract

本发明揭露一种过滤制程数据的方法及其系统，用以过滤送到一统计控制模型的制程数据，以提升该控制模型的性能。该数据过滤器从一组制程数据中选取一组样版数据、形成包括该组样版数据以及一组采样数据的一组网格、并计算出该组网格中的一网格的每一点间的一绝对距离以及使用该绝对距离计算出该网格的一点的一最小累加距离。依据该点的该最小累加距离，定义出一整体最佳路径、以及依据该整体最佳路径以及一组参考数据，重新对应该组采样数据以形成一组改变后数据。本发明可将制程数据变成与测量点的一组一致，进而提升制程效能。软件触发器失效问题也可通过消除其他晶圆包含的数据，从异常的晶圆制程中排除。

Description

过滤制程数据的方法及其系统

技术领域

本发明是有关于一种过滤统计制程数据(statistical processdata)的方法及系统，用以增强制程效能。

背景技术

在半导体制程中，晶圆群组或批次是经由一系列的制程所产生。一般而言，一或多个制程将被进行多种测量以评估其效能。此类的测量包括晶圆温度、晶圆厚度及其相关的测量。接着，这些测量结果将送至一控制模型，以提供每个制程状态的统计特性描述。然而，由于以下某些因素，这类数据的特性描述是不够的。一个因素是由于制程与制程间的时间间隔并不一致。另一个因素为所有晶圆批次的制程总时间可能不同。其次是因为彼此间的采集(collection)的时间登记并不一致，且共同的事件也不一定对准(align)。另一个因素为数据采集中并未包含某些测量。所以，控制模型的限制参数必须定义的较广，此导致原先可被侦测到的潜在误差可能无法被侦测到。

一般而言，控制模型利用统计分析以包容这些潜在误差。一种统计分析装置是对每一批次制程步骤的时间采样的读数计算其平均值。然而，此一装置无法显示随时间的动态变动情形，因为其只是计算出晶圆批次的每个制程步骤的一个平均值。举例来说，即使相对于时间的变动的文件(profile)表现非常不一样，但多个晶圆或多个批次间的平均值也可能保持非常接近。此外，由于控制模型的投射曲线并非一致(unsynchronized)，使得预期的数据样本可能没办法得到，因此导致不正确的结果。

再者，假设从控制模型中漏掉了某些测量，这些漏掉的测量将被假设为不影响采集的数据。举例来说，若在一个数据采集中漏掉了某一项测量，所有测量的平均值计算将由计算剩余测量的平均值取代。这结果将导致无法提供数据的正确统计特性。

此外，现行的控制模型对于尖端或其他突然的改变(例如数值的大量降低)并不灵敏，因此这些问题需要额外的小心。此也将导致无法提供数据的正确统计特性的结果。

因此，需要一种控制模型以及筛选或过滤采集的数据的方法，以晶圆与晶圆或批次与批次(batch)成熟度(maturity)一致、等量化晶圆制程的时间、控制漏掉的数据以及调整偶发的异常现象的方式，来筛选或过滤采集的数据。

发明内容

有鉴于此，本发明提供一种过滤制程数据的方法，用以监控一具有多个制程的一设备(facility)的制程效能，用以处理半导体晶圆的批次。此方法包括下列步骤。首先，接收所述制程中的一组制程数据。接着，过滤此组制程数据，以形成一组过滤数据。最后，将此组过滤数据送至一统计控制模型。此统计控制模型将使用此组过滤数据以提供一制程效能分析。

本发明所述的过滤制程数据的方法，该过滤该组制程数据，以形成该组过滤数据的步骤包括：将该组制程数据分为一组样版数据以及一组采样数据；由该组样版数据以及该组采样数据形成一组网格，其中该组网格中每一网格具有至少一点；以及计算该采样数据以及该网格中的一点的一绝对距离，以产生该组过滤数据。

本发明所述的过滤制程数据的方法，该计算该绝对距离的步骤更包括：计算该网格中的一点的一最小累加距离；依据该点的该最小累加距离，定义出一整体最佳路径；以及依据该整体最佳路径以及该组样版数据，重新对应该组采样数据。

本发明所述的过滤制程数据的方法，该组样版数据是从晶圆的一批次中采集得到，且该批次具有在一时间周期内采集最频繁的测量数据。

本发明所述的过滤制程数据的方法，该组样版数据以及该组采样数据包括一或多个变量的多个观察结果且所述变量包括晶圆温度以及晶圆压力。

本发明所述的过滤制程数据的方法，该网格包括一组的点，其中在该组的点中的每一点表示一样版数据以及采样数据组合的一组测量值。

本发明所述的过滤制程数据的方法，该网格中的每一点间的该绝对距离是依据区域连续限制参数计算出。

本发明还提供一种过滤统计制程数据的系统，该过滤统计制程数据的系统用以提升制程效能，其包括：一采集器，用以从晶圆批次的制程中采集一组的制程数据；一数据过滤器，用以过滤该组制程数据，以形成一组过滤数据；以及一统计控制模型，用以依据该组过滤数据以判断一制程的效能；其中该数据过滤器是依据该制程数据的制程参数来从该组制程数据中选出一组样版数据、形成包括该组样版数据以及一组采样数据的一组网格(grid)、并计算出该组网格中的一网格的每一点间的一绝对距离。

本发明所述的过滤统计制程数据的系统，该数据过滤器更用来：依据该绝对距离计算出该网格中的一点的一最小累加距离、依据该点的该最小累加距离，定义出一整体最佳路径、以及依据该整体最佳路径以及该组样版数据，重新对应该组采样数据以形成该组过滤数据。

本发明所述的过滤统计制程数据的系统，该采集器包括一先进制程控制系统、该数据过滤器包括一错误侦测与分类系统、以及该统计控制模型包括一虚拟量测系统。

本发明所述的过滤制程数据的方法及其系统，可将制程数据变成与测量点的一组一致，进而提升制程效能。软件触发器失效问题也可通过消除其他晶圆包含的数据，从异常地晶圆制程中排除。

附图说明

图1为一示意图是显示一依据本发明实施例的过滤统计数据系统的流程图。

图2为一示意图是显示一数据处理系统的网络，其中具有一个用来过滤统计制程数据以增加制程效能的系统。

图3为一流程图是显示一依据本发明实施例的过滤统计制程数据以提升制程效能的制程方法。

图4A为一示意图是显示一示范的参考以及采样数据。

图4B为一示意图是显示一包括参考以及采样批次的一组网格的示范例。

图5A至图5D为一示意图是显示加上各种区域连续性限制参数的示范例。

图6为一示意图是显示每个点的最小累加距离的计算方式范例。

图7为一示意图是显示从一组网格的一终点到一起点的一整体最佳路径的示范搜寻例。

图8为一示意图是显示利用整体最佳路径重新对应采样批次的示范例。

图9为一示意图是显示晶圆批次的制程间的时间延迟。

图10为一示意图是显示一晶圆制程式样的范例。

图11为一示意图是显示一触发器失效的评估示范例。

图12为一示意图是显示一目前(current)统计分析模型的数据分析示范例。

图13为一示意图是显示一依据本发明的数据过滤器的数据分析示范例。

图14为一示意图是显示一依据本发明的数据过滤器的数据范围缩紧的示范例。

具体实施方式

为使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。

本发明是有关于一种过滤统计制程数据的方法及系统，用以增强制程效能。以下讨论的实施例仅仅是用以例示本发明。如同以下参照图示说明的实施例所例示的，一些更动、润饰或修改这些被描述的方法或装置都可能对于本领域技术人员来说是非常明显的。而这些从本发明的揭露所延伸的更动、润饰或修改，都当视为落入本发明的精神与范围内。所以，以下的说明及图示并不应该用以限定本发明，而本发明也不应该被限定在以下所揭露的实施例。再者，图示中部分重复的编号是为了方便说明，并非表示图示中需要任何的方法或装置的组合。

图1是显示一依据本发明实施例的过滤统计数据系统的流程图。统计制程数据10是于晶圆批次的制造过程中由不同的工具(制程设备)所采集而得，其包括同一制造步骤中晶圆的不同批次间的时间延迟(lags)。即使晶圆的各个批次的制程参数(recipe)一样，晶圆的各个批次间的时间延迟也可能不一样。此外，对于同一批次的晶圆而言，统计制程数据10中的制程间隔也不一样。因此，同一批次的制造时间也不一致。此外，统计制程数据10中每一制程步骤间的时间间隔也不一样。其他未显示于图1的统计制程数据10的特性包括漏掉的测量以及时间登记非一致，其中时间登记非一致是表示晶圆的文件样本于不同时间点到达其峰值。于一实施例中，如箭头S1所示，统计制程数据10是直接地用来当作统计方法14的输入，并利用此数据判断每个制程的状态。于另一实施例中，如箭头S2所示，统计制程数据10是在送到统计方法14前送到一数据过滤器(data filter)或前置处理器12(以下简称数据过滤器)，此将详细说明于下。

在一示范的实施例中，数据过滤器12提供“正确”的数据送到统计方法14，使得所有感兴趣的特性可在不受较差的统计伤害时预先保留。此处“正确”的数据是指一个较完整以及一致化的数据集合。数据过滤器12采用一种对照一组的参考数据来对应(map)一组的采集数据，并通过转换、扩展或缩小(contracting)每组数据中的局部区段来判断一最小的距离。就终点监控(finalmonitoring)而言，此组的参考数据表示合理的一般操作条件并提供最佳结果。因此，数据过滤器12可获得更多晶圆批次的重要特性。通过数据过滤器12，采集到的具有不一致大小的统计制程数据10可被转换为大小一致的数据集合。此表示采集到的统计制程数据10将有相同数量的测量。此外，共同的事件，例如峰值以及下降值，可被一致化并且不用给予特别的处理。再者，软件引起的触发器失效问题可被适当地评估。每个制程步骤间的时间间隔可被等量化。漏掉的数据可被回填，使得文件完整；并且偶发的例外部分(outlier)可在不丧失大体上的特性下被调整。其中，例外部分为采集到非预期的数据。此外，数据变动的范围可能与原始数据相关。因此，晶圆文件的变动可能会变小。

图2是显示一数据处理系统的网络示意图，其中具有一个用来过滤统计制程数据以增加制程效能的系统。数据处理系统20包括一个网络22，其是作为一提供连接于数据处理系统20中不同装置以及计算机装置间的通讯链接的介质。网络22可包含以有线、无线或光纤电缆线连线的方式。网络22也可包含因特网及/或以传输控制协议/因特网协议(TCP/IP)系列协议彼此通讯的这类网络与信道的组合。于其他例子中，网络22可包含多种不同型态的网络，例如局域网(LAN)或广域网(WAN)。

于此实施例中，一个服务器21连同一个储存装置23是耦接至网络22上。此外，用户端(client)24、25以及26也耦接至网络22上。其中，用户端(client)24、25以及26可为个人计算机(PC)或者其他类型的用户端装置，例如个人数字助理(PDA)、平板个人计算机(tablet PC)及其类似的装置。于此实施例中，服务器21提供如开机文件、操作系统映像以及应用程序这类的数据至用户端24至26。此外，服务器21也可为一半导体设备。数据处理系统20也可包含此处未显示的额外服务器、用户端以及其他装置。过滤统计制程数据以提升制程效能的方法及系统可实现于用户端24、25、及/或26或服务器21中。图2仅用以辅助说明，并非用以限定本发明的架构仅止于此。

图3为一程序流程图，是显示一依据本发明实施例的过滤统计制程数据以提升制程效能的方法示意图。如图3所示，程序开始于步骤30，选取一个可产生终点监控时的最完整结果的参考批次。一个产生终点监控时的最完整结果的参考批次是指具有在一特定时间周期内采集最频繁的测量结果数据的一批次。举例来说，从一给定时间周期内采集到的100个测量结果里，在这段时间中具有采集到99个测量结果的一批次将被选取为一参考批次，因为此批次产生数据为一较完整集合，并且具有相较于剩下的批次较高数量的测量结果。

一旦选取了上述参考批次，便开始执行步骤31，形成参考/样板(template)以及采样批次的一网格(grid)的基底。关于参考以及采样批次的一网格的基底将详细描述于以下的图4A以及图4B说明中。于此步骤中，区域连续限制参数将被建立。接着，执行步骤32，依据区域连续限制参数，计算每个网格的绝对距离。关于每个网格的绝对距离以及区域连续限制参数的计算将分别详细描述于以下的图5A至图5D以及图6说明中。

接着，执行步骤33，计算出每个点的最小累加距离。关于每个点的最小累加距离的计算将详述于以下的图7说明中。其次执行步骤34，通过每个点的最小累加距离，搜寻从网格的终点到起点的一个整体最佳路径。关于整体最佳路径的搜寻将详细描述于以下的图8说明中。最后，执行步骤35，被采样的批次利用步骤34决定的整体最佳路径重新对应。关于被采样的批次利用整体最佳路径重新对应的方法将详细描述于以下的图9说明中。于是，整个流程在步骤35之后结束。

图4A是显示一示范的参考以及采样数据的示意图。如图4A所示，样版数据T为一参考批次，其提供终点监控时的最完整结果。样版数据T包括对N个变量的t个观察结果。观察结果表示其中一进行某一测量的时间点。举例来说，t个观察结果的变量包含晶圆的温度、晶圆的压力、晶圆的厚度及其类似变量。采样数据R是为一采样批次，其包括对N个变量的r个观察结果。样版数据T的一个例子为50批晶圆批次中具有最完整测量结果的一批，其中这50批晶圆批次都共用同一制程操作参数(recipe)。剩下的49批晶圆批次将变成采样数据R。于此实施例中，示范的样版数据T中第一变量由1到t的观察结果是显示于列40，以及示范的采样数据R中第一变量由1到r的观察结果的显示于列42。

图4B是显示一包括参考以及采样批次的一组网格的示范例。如图4B所示，是依据图4A中的样版数据T 40以及采样数据R 42形成一组网格44的集合。此组网格44中的每个网格都包含一组的点。每个点表示对某一特定样版数据以及采样数据的组合的一组测量值。举例来说，K(1，1)表示样版数据以及采样数据的组合[T(1，1)，R(1，1)]的一组测量值，亦即(3，5)。K(3，1)表示样版数据以及采样数据的组合[T(3，1)，R(1，1)]的一组测量值，亦即(11，5)。K(5，4)表示样版数据以及采样数据的组合[T(5，1)，R(4，1)]的一组测量值，亦即(220，4)。同样地，K(t，1)表示样版数据以及采样数据的组合[T(t，1)，R(1，1)]的一组测量值，亦即(221，5)。K(1，r)表示样版数据以及采样数据的组合[T(1，1)，R(r，1)]的一组测量值，亦即(3，220)。K(t，r)表示样版数据以及采样数据的组合[T(t，1)，R(r，1)]的一组测量值，亦即(221，220)。

一旦网格44形成，一网格的每点间的一个绝对距离d，一般将由1到N计算。一绝对距离d可依下列公式(50)计算出：

d (i, j) = {Σ_{n = 1}^{N} [T (i, n) - R (j, n)]}^{2},

n为1到N......(50)

亦即

d(t，r)＝[T(t，1)-R(r，1)+T(t，2)-R(r，2)+...+T(t，N)-R(r，N)]²

公式50是用来计算网格的每点间的一绝对距离。举例来说，假设N为1时，K(t，r)的绝对距离可由[T(t，1)-R(r，1)]²所算出，其等于(221-220)²＝1。同样地，K(3，1)的绝对距离可由[T(3，1)-R(1，1)]²所算出，其等于(11-5)²＝36。

为了决定出通过一个网格的所有点的最佳路径，必须定义多个因子，其中一个因子为区域连续限制参数。区域连续限制参数定义了路径的区域化特性，例如，路径的一个斜率。如图5B所示，当每个网格的一个绝对距离都算出后，斜率上并没有参数限制。斜率接着从点(i，j)指到点(i-1，j)、(i-1，j-1)以及(i，j-1)中的其中一点。由于斜率上并不受参数限制，只要算出的绝对距离d为最小值，路径可能为水平、垂直或对角转换的其中之一。相较于未设限于斜率，路径的斜率也可被附加其他的限制参数。图5A、图5C以及图5D是显示路径的斜率上加上各种限制参数的例子。

图6为一示意图是显示每个点的最小累加距离的计算方式范例。为了计算每个点的最小累加距离，此处有一些假设。第一个假设为D(i，j)定义为从点(1，1)至点(i，j)的最小累加距离。第二个假设为D(1，1)是等于绝对距离d(1，1)。第三个假设为假设整体最佳路径P经过点(i，j)，则到点(i，j)的最佳路径为整体最佳路径P的一部分。第四个假设为到点(i，j)的最佳路径与前一个网格点相关。

如图6所示，公式70来计算每个点的最小累加距离。于此例子中，最小累加距离D(i，j)是等于d(i，j)加上累加距离D(i-1，j)、D(i-1，j-1)以及D(i，j-1)三者中的最小值。对D(i，j)而言，因为D(i-1，j)(其值为1048)以及D(i，j)(其值为1084)间的累加距离相较于其他最小累加距离为最小，D(i，j)的最小累加距离是与D(i-1，j)一同计算。

图7为一示意图是显示从一组网格的一终点到一起点的一整体最佳路径的示范搜寻例。如图7所示，是依据公式70所算出的每点的最小累加距离，搜寻从网格(t，r)的集合的终点到网格(1，1)的集合的起点的一个整体最佳路径80。值得注意的是，除了从终点搜寻到起点以找出一个整体最佳路径外，也可于不脱离本发明的精神与范围下用其他的搜寻方法以搜寻整体最佳路径，例如从起点搜寻到终点。

图8为一示意图是显示利用整体最佳路径重新对应采样批次的示范例。如图8所示，输入数据R 90是为图4A、图4B中的采样数据R。依据样版数据T 92以及整体最佳路径P 94，输入数据R 90被重新对应为改变后数据(warped data)R’96，此改变后数据R’96包括有一致时间的N个变量的t个观察结果。

图9为一示意图是显示晶圆批次的制程间的时间延迟。如图9所示，一个制程数据采集100包括具有制程间的时间延迟的批次。这些批次不具有时间上的一致，也不具有等量化的间隔。通过本发明所提供的数据过滤器，可产生一个制程数据采集102。制程数据采集102包括随着时间位移以及伸展的批次。因此，制程间的时间延迟为最小。

图10为一示意图是显示一晶圆制程式样的范例。如图10所示，制程数据110是多个晶圆批次的采集结果。式样中的每一列表示一个不同的晶圆批次。制程数据110包括了非对准(misaligned)以及非符合的式样。因此，晶圆批次的晶圆与晶圆成熟度并未一致。在使用本发明所提供的数据过滤器后，产生了制程数据112，制程数据112中包括较对准以及较符合的式样。因此，批次间的晶圆与晶圆成熟度于是变成一致。

图11为一示意图是显示一触发器失效的评估示范例。触发器失效是由采集不同晶圆制程间的测量结果数据的软件所产生的问题。一般而言，晶圆的数据采集120可由一制程启动事件或一制程参数步骤的初始化来触发。然而，因为软件的限制，使得数据采集120的品质不佳。举例来说，当晶圆被投入到每个制程步骤时，尽管第一片晶圆已经被处理过，第一片晶圆采集到的数据可能也会包含第二片晶圆的数据。如此将影响判断是否一个晶圆真正的制程问题存在或者仅仅只是一个软件错误的能力。

此外，若使用本发明的数据过滤器于数据采集120时，将提升此类数据的品质。数据采集122是显示使用数据过滤器的结果。在数据采集122中，介于25秒到35秒的范围内的数据将与时间一致。因此，可适当地从晶圆的实际制程事件中隔离出触发器失效的问题。

图12为一示意图是显示一目前(current)统计分析模型的数据分析示范例。如图12所示，只有多变量模型(multivariate model)(平均数为+3以及平均数为-3个标准差)被显示。请注意，图示中并未显示任何原始数据文件。于此例子中，多变量分析模型130反应出只有一个晶圆(例外部分)可经由步骤14来处理。此外，部分晶圆将漏掉数据，例如，“步骤ID”的值。因为数据漏掉，分析引擎便无法控制属于这群组的数据。尽管只有其中一个步骤的数据漏掉，也将使得整个晶圆文件无法显示。此外，当晶圆与晶圆间变换时也将有相减的步骤(minus steps)发生。此表示来自其他晶圆的数据将被包含在前一次处理或/及下一次处理晶圆的数据中，也因此影响了数据的可靠度。

图13为一示意图是显示一依据本发明的数据过滤器的数据分析示范例。如图13所示，在使用依据本发明的数据过滤器后，所有因图12中的步骤误差以及漏掉数据造成的不协调都被适当地对准。除了只有多变量模型之外，所有16个晶圆的数据也同时显示在数据采集140中。此外，相减步骤从多变量分析模型130中被移除，并且漏掉数据也被回填。数据采集140提供了一个比图12中的多变量分析模型130更完整的晶圆文件。

图14为一示意图是显示一依据本发明的数据过滤器的数据范围缩紧的示范例。如图14所示，若利用现有的统计分析模型，晶圆温度的平均范围150为73摄氏度。使用本发明的数据过滤器后，晶圆温度的平均范围152变为61摄氏度。因此，数据变动的范围可缩小，并且可定义出一较小的控制限制参数。

综上所述，依据本发明的数据过滤器可将制程数据变成与测量点的一组一致，进而提升制程效能。此外，晶圆制程文件的峰值点可对准。软件触发器失效问题也可通过消除其他晶圆包含的数据，从异常地晶圆制程中排除。再者，通过数据过滤器，漏掉数据可被回填且可消除例外的部分。晶圆制程文件数据范围可变小，且可定义较窄的控制限制参数。

此外，依据本发明的过滤制程数据的系统中，也可包括未绘示的多个系统以辅助数据的采集、过滤以及统计，如采集器可包括一先进制程控制系统(APC)，数据过滤器可包括一错误侦测与分类系统(FDC)，统计控制模型则可包括一虚拟量测系统(VM)。其中，先进制程控制系统用以调整制程参数(例如沉积的时间)，以控制晶圆的结果(例如晶圆的厚度)。错误侦测与分类系统是部署于12寸晶圆厂中，可用来采集每秒的工具数据(例如功率)。虚拟量测系统则利用错误侦测与分类系统所采集到的数据以预测晶圆的结果(例如晶圆的厚度或CD)。

除了上述所介绍的技术之外，数据内插(interpolation)也可用来前置处理或过滤数据。数据内插是将一任意大小的数据曲线转换成一相同大小的数据曲线。此数据内插利用原始数据中可用的点，以从批次起点到终点以一常数递增量产生点。虽然数据内插容易实现，但其无法确保晶圆文件式样或事件可适当地对准。

上述说明提供多种不同实施例或应用本发明的不同特性的实施例。实例中的特定元件以及制程是用以帮助阐释本发明的主要精神及目的，当然本发明不限于此。

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：

10：统计制程数据

12：数据过滤器

14：统计方法

20：数据处理系统

21：服务器

22：网络

23：储存装置

24、25、26：用户端

30-35：步骤

T：样版数据

R：采样数据

K(i，j)：测量值

d：绝对距离

D(i，j)：最小累加距离

90：输入数据R

92：样版数据T

94：整体最佳路径P

96：改变后数据R’

100、102：制程数据采集

110、112：制程数据

120、122：数据采集

130：多变量分析模型

140：数据采集

150、152：晶圆温度的平均范围

Claims

1.一种过滤制程数据的方法，其特征在于，该过滤制程数据的方法，用以监控在一具有多个制程的一设备的制程效能，用以处理半导体晶圆的批次，该方法包括下列步骤：

由所述制程中接收一组制程数据；

过滤该组制程数据，以形成一组过滤数据；以及

提供该组过滤数据至一统计控制模型；

其中该统计控制模型使用该组过滤数据以提供一制程效能分析。

2.根据权利要求1所述的过滤制程数据的方法，其特征在于，该过滤该组制程数据，以形成该组过滤数据的步骤包括：

将该组制程数据分为一组样版数据以及一组采样数据；

由该组样版数据以及该组采样数据形成一组网格，其中该组网格中每一网格具有至少一点；以及

计算该采样数据以及该网格中的一点的一绝对距离，以产生该组过滤数据。

3.根据权利要求2所述的过滤制程数据的方法，其特征在于，该计算该绝对距离的步骤更包括：

计算该网格中的一点的一最小累加距离；

依据该点的该最小累加距离，定义出一整体最佳路径；以及

依据该整体最佳路径以及该组样版数据，重新对应该组采样数据。

4.根据权利要求2所述的过滤制程数据的方法，其特征在于，该组样版数据是从晶圆的一批次中采集得到，且该批次具有在一时间周期内采集最频繁的测量数据。

5.根据权利要求2所述的过滤制程数据的方法，其特征在于，该组样版数据以及该组采样数据包括一或多个变量的多个观察结果且所述变量包括晶圆温度以及晶圆压力。

6.根据权利要求2所述的过滤制程数据的方法，其特征在于，该网格包括一组的点，其中在该组的点中的每一点表示一样版数据以及采样数据组合的一组测量值。

7.根据权利要求2所述的过滤制程数据的方法，其特征在于，该网格中的每一点间的该绝对距离是依据区域连续限制参数计算出。

8.一种过滤统计制程数据的系统，其特征在于，该过滤统计制程数据的系统用以提升制程效能，其包括：

一采集器，用以从晶圆批次的制程中采集一组的制程数据；

一数据过滤器，用以过滤该组制程数据，以形成一组过滤数据；以及

一统计控制模型，用以依据该组过滤数据以判断一制程的效能；

其中该数据过滤器是依据该制程数据的制程参数来从该组制程数据中选出一组样版数据、形成包括该组样版数据以及一组采样数据的一组网格、并计算出该组网格中的一网格的每一点间的一绝对距离。

9.根据权利要求8所述的过滤统计制程数据的系统，其特征在于，该数据过滤器更用来：依据该绝对距离计算出该网格中的一点的一最小累加距离、依据该点的该最小累加距离，定义出一整体最佳路径、以及依据该整体最佳路径以及该组样版数据，重新对应该组采样数据以形成该组过滤数据。

10.根据权利要求8所述的过滤统计制程数据的系统，其特征在于，该采集器包括一先进制程控制系统、该数据过滤器包括一错误侦测与分类系统、以及该统计控制模型包括一虚拟量测系统。