CN101238421A - 用于监控工艺环境中的动态参数的自校正多变量分析 - Google Patents

用于监控工艺环境中的动态参数的自校正多变量分析 Download PDF

Info

Publication number
CN101238421A
CN101238421A CNA2006800291551A CN200680029155A CN101238421A CN 101238421 A CN101238421 A CN 101238421A CN A2006800291551 A CNA2006800291551 A CN A2006800291551A CN 200680029155 A CN200680029155 A CN 200680029155A CN 101238421 A CN101238421 A CN 101238421A
Authority
CN
China
Prior art keywords
current
parameter
benchmark model
multivariable analysis
sign
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.)
Pending
Application number
CNA2006800291551A
Other languages
English (en)
Inventor
U·J·利弗-艾米
L·亨德勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MKS Instruments Inc
Original Assignee
MKS Instruments Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MKS Instruments Inc filed Critical MKS Instruments Inc
Publication of CN101238421A publication Critical patent/CN101238421A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Drying Of Semiconductors (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Stored Programmes (AREA)

Abstract

提供了用于工艺监控的方法和设备。工艺监控包括(i)根据与工艺环境的监控参数相对应的数据，产生工艺环境的多变量分析基准模型；(ii)指定与工艺环境的成熟相关的至少一个监控参数；(iii)收集与监控参数相对应的当前工艺数据，其中包括至少一个经指定的参数；以及(iv)基于至少一个经指定的参数的当前工艺数据来调整多变量基准模型以解释工艺环境的成熟。该方法进一步包括：根据当前工艺数据来产生用于表示工艺环境当前状态的一个或多个当前多变量分析工艺度量；以及将当前工艺度量和调整的基准模型进行比较以确定工艺环境的当前状态是否可接受。

Description

用于监控工艺环境中的动态参数的自校正多变量分析
背景技术
已经证实多变量分析(MVA)在包含大量监控参数的过程监控中是一种有效的工具，尤其适用于故障检测。多变量分析检测在参数协方差和对射变换中所看到的过程变化。MVA一般需要基于作为基准的已知的可接受工作条件来构造过程基准模型。
可以由测量到的工艺参数来构建上述基准模型。通常，可以把该模型分解成用于各工艺步骤的各个与时间有关的模型，然后再被构建成概括整个工艺的上级模型。
用于该工艺的故障检测的所有后续实施都按相同方式(即形成工艺步骤模型和概括成上级模型)来比较相同的测量参数，并且通过统计方法确定与基准模型所根据的已知可接受工艺相比所存在的重大偏离。MVA的有效实施大多取决于该模型的质量。
发明内容
可以从使用MVA的故障检测中获益的各种工艺通常在本质上都是动态的。工艺的性能通常由于老化而随时间漂移。例如，在各种半导体工艺中，在容器壁上的沉积物可能导致内部RF场分布中的差异，这会影响该工艺中所涉及的等离子体的特性。因此，当该工艺自然地成熟时，上述MVA基准模型在检测缺陷方面效能变差，因为该模型认为新的工作条件在统计上与上述模型显著不同，从而不能包括工艺老化或成熟。
对随时间成熟的工艺有效实施MVA就需要一种机制的定义来识别由于成熟引起的偏移和由于工艺偏离引起的工艺中的偏移。如图1的例子所示，工艺成熟一般遵循某种标准图形，它以与周期性维护相一致的循环来重复其本身。MVA结果将工艺老化显示成一条成熟路径，其形式是理想化的斜坡。其它工艺可以有不同的特征成熟路径，但是路径的特定轮廓是不重要的。
图2是根据现有技术的、用于示出产生MVA基准模型的方法以解释工艺老化的工艺成熟图。尤其，一种方法包括创建解释工艺成熟的基准模型，包括在单个周期上选择工艺样本。例如，参考图2，可以使用沿工艺成熟路径的点5a，5b，…5n处选择的样本(总共5个)来创建一基准模型，即使当工艺恢复不理想时也不会导致沿后续的成熟路径的工艺报警(或故障指示)的。这种模型的缺点是，虽然由点5c处示出的漂移所定义的事件是一个缺陷，但是有可能不能标识它为缺陷。
另外的模型化解决方案是周期性地更新用于故障检测的基准模型。然而，这个解决方案需要大量模型，这些模型要求花费正常处理时间执行频繁的维护。而MVA故障检测对于工艺漂移和正常缺陷两者都是强有力的，MVA的实施需要大量的人的干预，并且会导致关于执行下一个模型更新的潜在的人为差错。
本发明涉及一种方法，该方法使作为自校正机制的工艺本身的特性与工艺的多变量分析结合。经常，在各种工艺中，诸如在工艺成熟导致MVA结果中出现漂移的那些工艺中，可以标识与MVA漂移结果相关的各个工艺参数。例如，当半导体工艺成熟时，可以标识晶片的蚀刻速率并以之作为按相关方式改变的参数。作为另一个例子，当半导体工艺成熟时，气流速率会因气孔中的沉积而变化。
可以在MVA模型中将与工艺成熟相关的参数定义成“初始条件”。可以使用这些初始条件把沿工艺成熟曲线的当前工艺状态告知该模型。每当监控该工艺时，MVA模型从以前的工艺事件来调整相关的参数以确定该工艺可以在工艺成熟路径的何处找到它自己。然后MVA模型器可以调节MVA的控制阈值以补偿实际的工艺漂移。按该方式，模型能够区分正常操作条件的漂移和由于已知成熟工艺引起的操作条件改变。
只要成熟曲线是该工艺的特性并且发现与成熟曲线相关的工艺参数，成熟曲线的特性就是不重要的。初始条件的实施允许MVA模型自调节当前的成熟条件，同时保持其标识工艺偏离正常工艺条件的能力。使用初始条件保持模型的坚固性排除了经常更新模型的需求和保持经常性的模型版本控制的需求。
根据一个方面，本发明的特征是用于工艺监控的一种方法和设备，包括下列步骤或结构：从与工艺环境的监控参数相对应的数据中产生工艺环境的多变量分析基准模型；标识与工艺环境的成熟相关的至少一个监控参数；收集与包括上述至少一个经标识的参数的监控参数相对应的当前工艺数据；以及根据至少一个经标识的参数的当前工艺数据来调整多变量基准模型以解释工艺环境的成熟。
特定实施例还包括下列步骤或结构：对在调整多变量基准模型中使用的至少一个经标识的参数进行加权。
特定实施例还包括下列步骤或结构：从当前工艺数据中产生用于表示工艺环境的当前状态的一个或多个当前多变量分析工艺度量；以及将一个或多个当前工艺度量与调整的基准模型进行比较，以确定工艺环境的当前状态是否可接受。
特定实施例还包括下列步骤或结构：产生关于表示工艺环境状态的度量的度量值和一组阈值，这组阈值定义与工艺环境后续状态相关联的可接受的度量值的范围。
特定实施例还包括下列步骤或结构：根据至少一个经标识的参数的当前工艺数据来调整基准模型的那组阈值，以解释工艺环境的成熟。
特定实施例还包括下列步骤或结构：从当前工艺数据中产生表示工艺环境的当前状态的一个或多个当前多变量分析工艺度量；以及将一个或多个当前工艺度量与调整的那组阈值进行比较，以确定工艺环境的当前状态是否可接受。
根据另一个方面，本发明的特征是用于工艺监控的一种方法和设备，包括下列步骤或结构：从与半导体工艺容器的监控参数相对应的数据产生半导体工艺容器的多变量分析基准模型；标识与半导体工艺腔室的成熟相关的至少一个监控参数；收集与包括至少一个经标识的参数的工艺腔室的监控参数相对应的当前工艺数据；以及根据至少一个经标识的参数的当前工艺数据来调整多变量基准模型，以解释半导体工艺腔室的成熟。
特定实施例还包括下列步骤或结构：对在调整多变量基准模型中使用的至少一个经标识的参数进行加权。
特定实施例还包括下列步骤或结构：从当前工艺数据中产生表示半导体工艺腔室的当前状态的一个或多个当前多变量分析工艺度量；以及对一个或多个当前多变量分析工艺度量与调整的基准模型进行比较，以确定工艺环境的当前状态是否可接受。
附图说明
从如附图中所示的下述较佳实施例的更特定的说明，本发明的上述和其它目的、特征和优点将变得显而易见，其中在所有附图中相同的标号表示相同的部件。附图不一定按比例，其重点只是为了说明本发明的原理。
图1是示出工艺成熟的周期性特性的图。
图2是工艺成熟的图，用于示出现有技术中产生MVA基准模型以解释工艺老化的方法。
图3是根据一个实施例的流程图，示出产生基准MVA模型的方法。
图4是根据一个实施例的状态图，示出初始基准模型的工艺成熟和对应的MVA结果和阈值。
图5是根据一个实施例的流程图，示出使用MVA基准模型分析工艺环境的当前状态的方法。
图6是根据一个实施例的状态图，示出在调整而解释工艺成熟之后的基准模型的工艺成熟和对应的MVA结果和阈值。
图7是根据一个实施例的系统图，示出用于工艺环境中的动态参数分析的、执行自校正多变量分析基准模型化的工艺监控器。
图8是表示使用静态基准模型的硅晶片在一个周期上的半导体工艺的多变量分析(MVA)曲线图。
图9A是示出所选择的工艺参数在经处理的晶片的一个周期上的实际值的曲线图。
图9B是用于图9A所选择的工艺参数值的样本的指数加权移动平均(EWMA)信号的图。
图9C是曲线图，示出所选择的工艺参数从一个晶片到一个晶片的变化。
图10是多变量分析(MVA)曲线图，表示使用用图9C的变量增量值补偿的自校正MVA基准模型在硅晶片的一个周期上的半导体工艺。
具体实施方式
本发明的特征是在工艺环境中用于监控动态参数的自校正多变量分析方法。为了示例的目的，描述在半导体工艺环境中使用的本发明的一个实施例。熟悉本领域的技术人员容易理解，本发明的实施例也可以容易地应用于其它工艺环境。
在一般半导体工艺中，一系列硅晶片通过用于材料沉积、蚀刻或其它工艺步骤的工艺腔室。对于这些工艺，可以使用多变量分析根据工艺环境的特征而不是晶片本身的特征来估算所处理的晶片的质量。为了完成这种分析，使用MVA产生工艺环境的基准模型。使用MVA基准模型作为确定后续工艺环境状态以及因而后续处理晶片是否符合可接受标准的基础。本发明的优点在于标识为“初始条件”的一组工艺参数与工艺的老化相关。因此，可以根据初始条件参数值产生单个基准模型以及接着进行调整以解释工艺老化，来代替产生故障检测效率相当不高和无效的多个基准模型或单个通用基准模型。调整包括根据初始条件的任何分析性调节。
图3是流程图，示出产生基准MVA模型的方法。在步骤10处，根据工艺环境的监控参数收集历史数据。例如，在半导体工艺中，监控参数可以包括晶片标识(“晶片ID”)、蚀刻速率、压力、RF功率、质谱测定法数据、红外谱测定法、温度和描述工艺腔室和工艺的物理特性的其它参数中的任何一个或多个。可以为一系列晶片处理收集这种数据，并且根据晶片ID进行组织。
在步骤20处，选择一组历史数据用于产生MVA基准模型。在半导体工艺中，所选择的历史数据只包括对应于通过处理晶片的外部测试认为可接受的晶片的数据。例如，如果收集50个晶片的历史数据，认为其中可接受的只有45个，则历史数据组局限于与可接受的45个晶片对应的数据。
在步骤30处，指定一个或多个监控参数为产生模型中使用的“初始条件”。初始条件是与该工艺的正常老化或成熟相关的工艺监控参数。因此，当工艺成熟时，可以根据初始条件参数值的变化通过调整模型来校正初始基准模型。换言之，初始条件表示沿工艺成熟路径的工艺成熟状态。可以根据特定工艺的知识或通过在该工艺的生命周期上对监控参数进行经验分析来确定初始条件参数。例如，在半导体工艺中，初始条件可以包括蚀刻速率和/或气流速率。
在步骤40处，根据所选择的历史数据和指定的初始条件来产生MVA基准模型。使用数据多变量分析的模型的产生在现有技术中一般是众知的。所产生的MVA基准模型把大量工艺参数的历史数据精简为代表可接受的工艺环境的独立抽象度量的较小的组(例如，MVA结果)。每个抽象度量进一步与定义可接受度量值偏离基准值的范围的一组控制阈值相关联。使用这些阈值作为确定后续工艺环境和因而后续处理晶片是否符合可接受标准的基础。
例如，图4是根据一个实施例的状态图，示出工艺成熟和对应的MVA结果和初始基准模型的阈值。具体地，MVA结果6a是基准模型的示范性度量，而MVA结果6b和6c是所定义的阈值，这些阈值与用于工艺环境的后续模型化状态的可接受MVA结果的范围对应。
根据一个实施例，可以使用来自总部在瑞典Umea的UMetrics的MVA软件SIMCA P+或SIMCA QM+来产生MVA基准模型。还可以使用本领域已知的其它多变量分析软件、硬件或其它技术。一旦提供了基准模型，就可以使用它来调整工艺环境的当前状态。
图5是根据一个实施例的流程图，示出使用MVA基准模型分析工艺环境的当前状态的方法。
在步骤50处，根据工艺环境的监控参数收集当前数据。监控参数最好与用于产生基准模型的监控参数相同，除了在本例子中是对于单个工艺事件来收集数据的。例如，在半导体工艺中，为处理单个晶片(例如，蚀刻或材料沉积)而收集数据。监控参数还包括以前指定作为“初始条件”参数的一个或多个参数。
在步骤60处，相对于对于初始条件参数所收集的数据调整MVA基准模型的控制阈值。如上所述，初始条件参数与工艺的自然老化或成熟相关。换言之，当一个或多个初始条件变化时，该工艺和MVA基准模型沿其成熟路径老化。因此，原始的基准模型可以简单地调整每个抽象度量的控制阈值，以代替根据工艺老化而创建新的基准模型。可以相对于初始条件参数的实际值或相对于根据初始条件参数的实际值导出的值来调整控制阈值以解释工艺的自然老化。
例如，图6是根据一个实施例的状态图，示出在调整而解释工艺成熟之后的基准模型的工艺成熟和对应的MVA结果和阈值。具体地，MVA结果6a是基准模型的初始度量，而MVA结果6b’和6c’是所调整的阈值，这些阈值与用于工艺环境的后续测量状态的可接受MVA结果的新范围对应。因此，如果工艺环境的当前状态对应于图2所示的MVA结果5c以及MVA结果的阈值范围在6b’和6c’之间，则检测到故障。
返回而参考图5，在步骤70处，使用根据单个工艺事件的监控参数收集的数据来产生表示工艺环境的当前状态的MVA工艺度量。按与基准模型相同的方式产生当前工艺模型。例如，在半导体工艺中，在将单个晶片处理成为表示当前环境的独立抽象度量的较小组的期间，所产生的当前工艺分析精简了关于晶片工艺腔室的数据。
在步骤80处，然后就对当前工艺模型的一个或多个抽象度量与对应的阈值范围进行比较，该阈值范围是在已经调整而解释工艺老化的基准模型中定义的。在半导体工艺中，如果当前模型的度量落在所定义的基准模型的阈值范围内，则认为对应的工艺环境以及因而对应的处理晶片为可接受的。如果一个或多个当前模型度量落在所定义的阈值范围外，则认为对应的工艺环境以及因而对应的处理晶片为不可接受的，并且因此而设置晶片。
图7是根据一个实施例的系统图，示出用于工艺环境中的动态参数分析的、执行自校正多变量分析基准模型化的工艺监控器。这个系统包括工艺环境100以及工艺监控器200。在所示的实施例中，工艺环境100是晶片工艺腔室，晶片105进入容器进行材料沉积、蚀刻或其它半导体工艺。
工艺监控器200包括MVA模块210、工艺接口220、用户接口240以及数据库230。用户接口240通过工艺接口220控制MVA模块210和数据库230的操作。工艺接口220根据工艺环境100的监控参数收集数据，并且根据晶片ID把数据存储在数据库230中。根据一个实施例，可以使用来自总部在马萨诸塞州Wilmington的MKS仪器公司的TOOLweb故障检测和分类(FDC)系统来实施工艺监控器200。
为了产生工艺的MVA基准模型，通过用户接口240选择与可接受的处理晶片相关联的历史数据。工艺接口220从数据库230检索所选择的历史数据，并且把数据传送到MVA模块210。通过用户接口240指定一个或多个工艺参数的一个组作为初始条件，并且经由工艺接口220把它也传送给MVA模块210。
MVA模块220产生使用已知多变量分析技术的MVA基准模型。尤其，所产生的MVA基准模型把大量工艺参数的历史数据精简为表示可接受工艺环境的独立抽象度量的较小的组。每个抽象度量进一步与定义可接受度量值偏离基准值的范围的一组控制阈值相关联。使用这些阈值作为确定后续工艺环境和因而后续处理晶片是否符合可接受标准的基础。可以使用来自UMetrics的MVA软件SIMCA P+或SIMCA QM+来实施MVA模块。把存储在MVA模块210中的基准模型或基准模型的指数(index)返回给工艺接口220。
为了使用MVA基准模型进行工艺环境的故障检测，用户接口240指挥工艺接口220收集诸如晶片工艺事件之类一批独立工艺事件的数据。工艺接口220收集每个事件的工艺事件数据，并且根据晶片ID把数据存储在数据库230中。工艺接口220把所收集的包括指定初始条件参数值的工艺事件的数据并行地传送给MVA模块210以解释表示工艺环境100的当前状态的MVA结果。MVA模块210产生当前结果，并且还相对于一个或多个初始条件参数调整与基准模型的抽象度量相关联的阈值以解释工艺老化。
然后MVA模块210对当前分析的度量与基准模型的校正阈值进行比较。如果度量落在所调整的基准模型的阈值范围内，则认为对应的工艺环境以及因而在半导体工艺中的对应的处理晶片为可接受的。如果当前度量落在所定义的阈值范围外，则认为对应的工艺环境以及因而对应的处理晶片为不可接受的，并且由工艺接口220通过用户接口240向工艺工程师报警以相应地处置晶片。
图8-10示出使用用于多变量分析的自校正基准模型的漂移校正的一个实际例子。图8是表示使用静态基准模型的硅晶片在一个周期上的半导体工艺的多变量分析(MVA)曲线图。使用Hotelling的T2的多变量分析来分析半导体工艺。曲线300是在沿X轴定义的晶片的一个周期上沿Y轴的半导体工艺的T2度量值。
该曲线还标识了临界极限310、320、330，用于警告操作者诸如晶片工艺腔室之类的工艺环境不满足操作条件。例如，该工艺的临界极限包括配置成“警告极限”的95％临界极限310，99％临界极限320和报警水平330。报警水平330一般设置在警告极限的约2x处以便指示与半导体工艺相关联的出错条件。当T2度量值超过报警水平330时，系统的操作者或自动处理一般采取校正动作，诸如清理晶片工艺腔室。
如示范性曲线300所示，Hotelling的T2多变量分析表示半导体工艺大部分都失去控制，以致在工艺环境的周期性维护之间出现超过可接受极限310、320、330的范围的大量漂移。事实上，半导体工艺没有失去控制。而是，所检测到的漂移是由正常工艺老化和成熟引起的。然而，因为多变量分析技术使用从与一小组“优良”晶片相关联的工艺参数产生的静态基准模型，所以基准模型不考虑正常的周期性工艺计划。检测由正常工艺老化和成熟引起的任何偏离作为出错情况。因此，基准模型不表示正常的漂移工艺。
为了补偿工艺漂移而无需扩大晶片组，标识与半导体工艺的Hotelling的T2多变量分析相关的特定工艺参数。图9A是曲线，示出所选择的参数在经处理的晶片的一个周期上的实际值。如曲线400所示，所选择的参数按照周期性的锯齿图形漂移。这个图形与多变量分析曲线300的锯齿图形相似。因此，所选择的工艺参数适合于作为初始条件和补偿多变量基准模型在半导体工艺中的固有漂移。在特定实施例中，可以从一个或多个工艺参数得到所选择的工艺参数。
因为图9A中所选择的工艺参数的实际值是有点噪声的，所以可以产生指数加权移动平均(EWMA)信号以便滤除原始信号的自然差异和得到工艺参数中的变化的“清楚”指示。例如，图9B是用于图9A所选择的工艺参数值的样本的指数加权移动平均(EWMA)信号的图。如所示，信号410通过所选择的工艺参数的晶片概括数据示出实际晶片。信号420是对相同概括数据使用指数加权移动平均(EWMA)信号的经平滑的趋势。熟悉本领域的技术人员还可以利用已知的其它平滑功能。另外，当发现不受较大随机噪声影响的强的相关参数时，可以使用所选择的工艺参数本身的实际值作为模型的补偿值来代替平滑趋势数据。
图9C是曲线图，示出所选择的工艺参数从一个晶片到一个晶片的变化。对于曲线500中沿X轴标识的每个晶片，沿Y轴标识对应的变量增量值组，这些变量增量值表示来自以前晶片的所选择的工艺参数的实际值或平滑值的变化。例如，在晶片号8处，变量增量值组包括第一变量增量值510b，该值表示工艺参数相对于前一个晶片号7的平滑的概括统计值的变化。变量增量值510a和510c标识对应于关于变量增量值510b的所选择的工艺参数的自然差异的真实范围的上和下界限。然后把这些变量增量值馈送到MVA基准模型进行调整，因此而补偿容器中要处理的下一个晶片的模型。因此，这些变量增量值是MVA模型中预期工艺漂移的补偿值。当执行这个补偿时，MVA模型知道了工艺漂移，并且适当地校正Hotelling的T2参数。相对于变量增量值520，这些值从以前的和后续的变量增量值组大大地逐渐增加。这种偏离可能由噪声或其它出错情况引起。在这种情况下，不使用变量增量值420来调整基准模型。而是，再使用紧接在变量增量值520之前的变量增量值。如果变量增量值520后面的变量增量值保持这种数值中的逐渐增加，则系统可以把这个情况向人类操作者报警，并且请求确认逐渐变化的这种偏离是否为预期的。
调整包括基于初始条件的任何分析调节。例如，在多变量分析中，在称之为超平面的n-维平面中形成诸如半导体工艺之类的工艺模型。把“优良”晶片的初始组的工艺监控值映射到超平面，以致得到“云雾”或点子组以产生MVA基准模型。最好从足够大的数据组来构建MVA模型以致在数据中表示了所有正常工艺差异。MVA基准模型表示正常工艺性能。把在超空间中的代表数据点子投射到最佳地配合数据点子的超平面上。基于投射到该超平面上的数据点子，找到模型的中心。一旦已经定义了模型，使用指定为初始条件的一个或多个工艺参数的改变来定义模型中心的适当的偏移以便补偿工艺漂移不影响工艺质量。为了根据工艺漂移调整这个MVA模型，可以使用特定物理参数中一个晶片到一个晶片的值的变化，以致定义变量增量值为初始条件，把该初始条件输入到对于中心点的移动进行模型化以计及漂移的功能。虽然允许模型的中心移动而补偿工艺漂移，但是不要求校正相对于经校正的模型中心的模型阈值。
而调整包括基于所选择的工艺参数进行计算以补偿工艺漂移，在多变量计算中还存在又一个方面，其中可以对任何特定参数的重要性进行加权以增加或减少它对多变量计算的影响。因此，可以对选择作为初始条件以补偿工艺漂移的工艺参数进行加权以提供足够的漂移补偿。在一个以上的初始条件的情况中，可以对指定的工艺参数在比较的基础上进行加权以补偿两个或多个初始条件可能有的任何交互作用。
图10是多变量分析(MVA)曲线图，表示使用用图9C的变量增量值补偿的自校正MVA基准模型在硅晶片的一个周期上的半导体工艺。从用于产生图8的未补偿曲线的相同数据来产生经补偿的Hotelling的T2线600。如所示，曲线600包括Hotelling的T2值的漂移减少，并且大多数晶片落在2x95％T2的临界值下，这是典型的报警水平330。然后可以利用存在的报警310、320和330作为要求通过所监控的工具进行周期性维护的一个指示。
虽然在上述例子中，把单个工艺参数标识为初始条件，但是也存在工艺漂移是由多个独立源引起的一些实例。在这些实例中，可以使用多个初始条件来补偿多变量分析模型，每个初始条件都需要选择对应的正交工艺参数。
可以在数字电子电路中、或在计算机硬件、固件、软件或它们的组合中实施上述技术。还可以以不是电子性质但是执行相同滤除结果的另外的形式来实施。实施可以作为计算机程序产品，即，在信息载体中(例如，在机器可读出存储器件中或在传播的信号中)明白地实施的计算机程序，由执行或控制数据处理设备的操作，所述数据处理设备例如，可编程处理器、计算机或多台计算机。
可以用包括汇编或编译语言之类任何形式的编程语言来写计算机程序，并且可以以任何形式配置，包括作为独立程序或作为模块、部件、子例程或适用于计算环境的其它单元。可以配置计算机程序使之在一个现场或分布在多个现场和通过通信网络互连的情况下在一台计算机或多台计算机上执行。
可以通过执行计算机程序以执行本发明的功能的一个或多个可编程处理器对输入数据进行运算和产生输出而执行方法步骤。还可以通过特殊用途逻辑电路，例如，FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行方法步骤和实现设备。模块可以涉及计算机程序的一部分和/或实施功能的处理器、特殊电路。
作为例子，适合于执行计算机程序的处理器包括通用和特殊用途微处理器两者以及任何类型的数字计算机中的任何一个或多个处理器。通常，处理器从只读存储器或随机存取存储器或两者接收指令和数据。计算机的重要元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器件。通常，计算机还包括用于存储数据的一个或多个海量存储器件(例如，磁盘、磁光盘或光盘)，或计算机可操作地与之耦合以接收数据或传送数据、或两者。还可以在通信网络上发生数据传输和指令。
适合于实施计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，作为例子包括半导体存储器件，例如，EPROM、EEPROM、闪存器件；磁盘，例如，内部硬盘或可移动盘；磁光盘；以及CD-ROM和DVD-ROM盘。特殊用途逻辑电路可以补充或结合处理器和存储器。
这里所使用的术语“模块”和“功能”的意思是，但是不局限于，执行某些任务的软件或硬件部件。可以有利地配置模块使之驻留在可寻址的存储介质中以及配置成在一个或多个处理器上执行。可以用通用集成电路(IC)、FPGA或ASIC实施模块的全部或部分。因此，作为例子，模块可以包括诸如软件部件、面向对象的软件部件部件、类别部件和任务部件之类的部件、进程、功能、属性、过程、子例程、程序代码段、驱动器、固件、微码、电路、数据、数据库、数据结构、表格、阵列和变量。可以结合部件和模块所具备的功能成为较少的部件和模块，或进一步分开成另外的部件和模块。
在已经参考本发明的较佳实施例特别地示出和描述了本发明的同时，熟悉本领域的技术人员可以理解，可以对本发明作出形式上和细节上的各种修改而不偏离所附权利要求书包含的本发明的范围。

Claims (20)

1.一种工艺监控方法，包括：
根据与工艺环境的监控参数相对应的数据，产生工艺环境的多变量分析基准模型；
标识与工艺环境的成熟相关的至少一个监控参数；
收集与监控参数相对应的当前工艺数据，其中包括至少一个经标识的参数；以及
基于至少一个经标识的参数的当前工艺数据，调整多变量基准模型，以解释工艺环境的成熟。
2.如权利要求1所述的方法，还包括：
根据当前工艺数据，产生用于表示工艺环境当前状态的一个或多个当前多变量分析工艺度量；以及
将一个或多个当前工艺度量和调整后的基准模型进行比较，以确定工艺环境的当前状态是否可接受。
3.如权利要求1所述的方法，其特征在于，产生基准模型包括：
产生关于用于表示工艺环境状态的度量的度量值和一组阈值，这组阈值定义与工艺环境后续状态相关联的可接受度量值的范围。
4.如权利要求3所述的方法，其特征在于，调整基准模型包括：
基于至少一个经标识的参数的当前工艺数据，调整基准模型的那组阈值，以解释工艺环境的成熟。
5.如权利要求4所述的方法，还包括：
根据当前工艺数据，产生用于表示工艺环境当前状态的一个或多个当前多变量分析工艺度量；
将一个或多个当前多变量分析工艺度量和调整后的那组阈值进行比较，以确定工艺环境的当前状态是否可接受。
6.一种半导体工艺监控方法，包括：
根据与半导体工艺腔室的监控参数相对应的数据，产生半导体工艺腔室的多变量分析基准模型；
标识与半导体工艺腔室的成熟相关的至少一个监控参数；
收集与工艺腔室的监控参数相对应的当前工艺数据，其中包括至少一个经标识的参数；以及
基于至少一个经标识的参数的当前工艺数据，调整多变量基准模型，以解释半导体工艺腔室的成熟。
7.如权利要求6所述的方法，还包括：
根据当前工艺数据，产生用于表示半导体工艺腔室当前状态的一个或多个当前多变量分析工艺度量；以及
将一个或多个当前多变量分析工艺度量和调整后的基准模型进行比较，以确定工艺环境的当前状态是否可接受。
8.一种工艺监控设备，包括：
多变量分析模块，它能够根据与工艺环境的监控参数相对应的数据来产生工艺环境的多变量分析基准模型；
多变量分析模块还能够接收与工艺环境的成熟相关的至少一个监控参数的标识；
工艺接口，它能够收集与监控参数相对应的当前工艺数据，其中包括至少一个经标识的参数；以及
多变量分析模块还能够基于至少一个经标识的参数的当前工艺数据来调整多变量基准模型以解释工艺环境的成熟。
9.如权利要求8所述的设备，其特征在于，所述多变量分析模块还能够：根据当前工艺数据来产生用于表示工艺环境当前状态的一个或多个当前多变量分析工艺度量；以及将一个或多个当前工艺度量和调整后的基准模型进行比较以确定工艺环境的当前状态是否可接受。
10.如权利要求8所述的方法，其特征在于，所述多变量分析模块能够产生关于用于表示工艺环境状态的度量的度量值和一组阈值，这组阈值定义与工艺环境后续状态相关联的可接受度量值的范围。
11.如权利要求10所述的方法，其特征在于，所述多变量分析模块能够基于至少一个经标识的参数的当前工艺数据来调整基准模型的那组阈值以解释工艺环境的成熟。
12.如权利要求11所述的方法，其特征在于，所述多变量分析模块能够：根据当前工艺数据来产生用于表示工艺环境当前状态的一个或多个当前多变量分析工艺度量；以及将一个或多个当前多变量分析工艺度量和调整后的那组阈值进行比较以确定工艺环境的当前状态是否可接受。
13.一种半导体工艺监控设备，包括：
多变量分析模块，它能够根据与半导体工艺腔室的监控参数相对应的数据来产生半导体工艺腔室的多变量分析基准模型；
多变量分析模块还能够接收与半导体工艺腔室的成熟相关的至少一个监控参数的标识；
工艺接口，它能够收集与工艺腔室的监控参数相对应的当前工艺数据，其中包括至少一个经标识的参数；以及
多变量分析模块能够基于至少一个经标识的参数的当前工艺数据来调整多变量基准模型以解释半导体工艺腔室的成熟。
14.如权利要求13所述的设备，其特征在于，所述多变量分析模块能够：根据当前工艺数据来产生用于表示半导体工艺腔室当前状态的一个或多个当前多变量分析工艺度量；以及将一个或多个当前多变量分析工艺度量和调整的基准模型进行比较以确定工艺环境的当前状态是否可接受。
15.一种工艺监控器，包括：
用于根据与所期望的工艺环境的监控参数相对应的数据来产生所期望的工艺环境的多变量分析基准模型的装置；
用于标识与工艺环境的成熟相关的至少一个监控参数的装置；
用于收集与监控参数相对应的当前工艺数据的装置，其中包括至少一个经标识的参数；以及
用于基于至少一个经标识的参数的当前工艺数据来调整多变量基准模型以解释工艺环境的成熟的装置。
16.如权利要求1所述的方法，还包括对在调整多变量基准模型中所使用的至少一个经标识的参数进行加权。
17.如权利要求6所述的方法，还包括对在调整多变量基准模型中所使用的至少一个经标识的参数进行加权。
18.如权利要求8所述的设备，其特征在于，所述多变量分析模块能够对在调整多变量基准模型中所使用的至少一个经标识的参数进行加权。
19.如权利要求13所述的设备，其特征在于，所述多变量分析模块能够对在调整多变量基准模型中所使用的至少一个经标识的参数进行加权。
20.如权利要求15所述的工艺监控器，还包括用于对在调整多变量基准模型中所使用的至少一个经标识的参数进行加权的装置。
CNA2006800291551A 2005-07-07 2006-07-05 用于监控工艺环境中的动态参数的自校正多变量分析 Pending CN101238421A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US69785905P 2005-07-07 2005-07-07
US60/697,859 2005-07-07

Publications (1)

Publication Number Publication Date
CN101238421A true CN101238421A (zh) 2008-08-06

Family

ID=37492025

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2006800291551A Pending CN101238421A (zh) 2005-07-07 2006-07-05 用于监控工艺环境中的动态参数的自校正多变量分析

Country Status (7)

Country Link
US (1) US7809450B2 (zh)
EP (1) EP1907908A2 (zh)
JP (1) JP2009500853A (zh)
KR (1) KR20080040694A (zh)
CN (1) CN101238421A (zh)
TW (1) TW200715083A (zh)
WO (1) WO2007008538A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI496019B (zh) * 2011-12-06 2015-08-11 Taiwan Semiconductor Mfg Co Ltd 自動計算半導體製造程序邊界的方法
CN111241477A (zh) * 2020-01-07 2020-06-05 支付宝(杭州)信息技术有限公司 构建监控基准线的方法、监控数据对象状态的方法及装置

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7596718B2 (en) * 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
US7587296B2 (en) * 2006-05-07 2009-09-08 Applied Materials, Inc. Adaptive multivariate fault detection
WO2008137544A1 (en) * 2007-05-02 2008-11-13 Mks Instruments, Inc. Automated model building and model updating
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
US7765020B2 (en) * 2007-05-04 2010-07-27 Applied Materials, Inc. Graphical user interface for presenting multivariate fault contributions
US20090282296A1 (en) * 2008-05-08 2009-11-12 Applied Materials, Inc. Multivariate fault detection improvement for electronic device manufacturing
US8335582B2 (en) * 2008-05-19 2012-12-18 Applied Materials, Inc. Software application to analyze event log and chart tool fail rate as function of chamber and recipe
US8494798B2 (en) * 2008-09-02 2013-07-23 Mks Instruments, Inc. Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection
US8527080B2 (en) * 2008-10-02 2013-09-03 Applied Materials, Inc. Method and system for managing process jobs in a semiconductor fabrication facility
US9069345B2 (en) * 2009-01-23 2015-06-30 Mks Instruments, Inc. Controlling a manufacturing process with a multivariate model
US8989887B2 (en) 2009-02-11 2015-03-24 Applied Materials, Inc. Use of prediction data in monitoring actual production targets
US8855804B2 (en) 2010-11-16 2014-10-07 Mks Instruments, Inc. Controlling a discrete-type manufacturing process with a multivariate model
US10425336B2 (en) * 2011-06-24 2019-09-24 Centurylink Intellectual Property Llc System and method of adaptive congestion management
US20130041709A1 (en) * 2011-08-11 2013-02-14 International Business Machines Corporation Hybrid Analysis of Emerging Trends for Process Control
WO2013026026A2 (en) * 2011-08-17 2013-02-21 Smiths Detection Inc. Shift correction for spectral analysis
US9915940B2 (en) 2011-10-31 2018-03-13 Applied Materials, Llc Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data
WO2013150686A1 (ja) * 2012-04-02 2013-10-10 三菱電機株式会社 パラメータ設定装置
US9541471B2 (en) 2012-04-06 2017-01-10 Mks Instruments, Inc. Multivariate prediction of a batch manufacturing process
US9429939B2 (en) 2012-04-06 2016-08-30 Mks Instruments, Inc. Multivariate monitoring of a batch manufacturing process
CN104239704A (zh) * 2014-09-03 2014-12-24 兰州空间技术物理研究所 空间等离子体和电推进产生等离子体间势垒定量分析方法
JP7009438B2 (ja) * 2016-07-07 2022-01-25 アスペン テクノロジー インコーポレイテッド 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法
CN107968042B (zh) 2017-11-28 2020-07-17 北京北方华创微电子装备有限公司 一种不同反应腔室之间工艺结果的匹配方法和装置
US20230137741A1 (en) 2021-11-01 2023-05-04 Matterworks Inc Methods and compositions for analyte quantification

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03232215A (ja) * 1990-02-08 1991-10-16 Toshiba Corp 位置合せ方法
US5479340A (en) 1993-09-20 1995-12-26 Sematech, Inc. Real time control of plasma etch utilizing multivariate statistical analysis
US5408405A (en) 1993-09-20 1995-04-18 Texas Instruments Incorporated Multi-variable statistical process controller for discrete manufacturing
US5544256A (en) 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
US5442562A (en) 1993-12-10 1995-08-15 Eastman Kodak Company Method of controlling a manufacturing process using multivariate analysis
SE9304246L (sv) 1993-12-22 1995-06-23 Asea Brown Boveri Förfarande vid övervakning av multivariata processer
US5619432A (en) * 1995-04-05 1997-04-08 The United States Of America As Represented By The Secretary Of The Navy Discriminate reduction data processor
US5710700A (en) 1995-12-18 1998-01-20 International Business Machines Corporation Optimizing functional operation in manufacturing control
JP3576335B2 (ja) * 1996-10-31 2004-10-13 松下電器産業株式会社 プロセス加工工程の異常抽出方法及び装置
WO1998044839A1 (en) 1997-04-03 1998-10-15 National Research Council Of Canada Method of assessing tissue viability using near-infrared spectroscopy
US6153115A (en) 1997-10-23 2000-11-28 Massachusetts Institute Of Technology Monitor of plasma processes with multivariate statistical analysis of plasma emission spectra
SE9801949D0 (sv) * 1998-06-02 1998-06-02 Astra Ab Process control
CA2301829C (en) * 1998-07-21 2008-07-08 Dofasco Inc. Multivariate statistical model-based system for monitoring the operation of a continuous caster and detecting the onset of impending breakouts
US6594620B1 (en) * 1998-08-17 2003-07-15 Aspen Technology, Inc. Sensor validation apparatus and method
US6442445B1 (en) 1999-03-19 2002-08-27 International Business Machines Corporation, User configurable multivariate time series reduction tool control method
US6975944B1 (en) * 1999-09-28 2005-12-13 Alpha Mos Method and apparatus for monitoring materials used in electronics
US6456899B1 (en) 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
US20010034477A1 (en) * 2000-02-18 2001-10-25 James Mansfield Multivariate analysis of green to ultraviolet spectra of cell and tissue samples
GB0007063D0 (en) 2000-03-23 2000-05-10 Simsci Limited Mulitvariate statistical process monitors
US20020010566A1 (en) * 2000-04-11 2002-01-24 Chester Thomas Lee Methods for modeling, predicting, and optimizing high performance liquid chromatography parameters
US6556884B1 (en) 2000-06-16 2003-04-29 Advanced Micro Devices, Inc. Method and apparatus for interfacing a statistical process control system with a manufacturing process control framework
WO2002014562A2 (en) * 2000-08-11 2002-02-21 Dofasco Inc. Desulphurization reagent control method and system
DE10040731A1 (de) 2000-08-17 2002-03-07 Teccon S R I Verfahren zur Durchführung eines automatisierten Produktionsprozesses
US20050037515A1 (en) 2001-04-23 2005-02-17 Nicholson Jeremy Kirk Methods for analysis of spectral data and their applications osteoporosis
US7901873B2 (en) 2001-04-23 2011-03-08 Tcp Innovations Limited Methods for the diagnosis and treatment of bone disorders
US7107491B2 (en) * 2001-05-16 2006-09-12 General Electric Company System, method and computer product for performing automated predictive reliability
US6876931B2 (en) * 2001-08-03 2005-04-05 Sensys Medical Inc. Automatic process for sample selection during multivariate calibration
US6549864B1 (en) 2001-08-13 2003-04-15 General Electric Company Multivariate statistical process analysis systems and methods for the production of melt polycarbonate
IL145649A0 (en) 2001-09-25 2002-06-30 Nira Sciences Ltd Method and apparatus for real-time dynamic chemical analysis
US6721616B1 (en) * 2002-02-27 2004-04-13 Advanced Micro Devices, Inc. Method and apparatus for determining control actions based on tool health and metrology data
US7191106B2 (en) * 2002-03-29 2007-03-13 Agilent Technologies, Inc. Method and system for predicting multi-variable outcomes
US6853925B2 (en) 2002-07-03 2005-02-08 Northwestern University Gas flow method for detection of local preform defects based on statistical analysis
JP2005533928A (ja) 2002-07-19 2005-11-10 テクニツク・インコーポレーテツド 電気めっき浴の性能を即時にモニタリングし、不良を早期に検出するための方法および装置
US6830939B2 (en) 2002-08-28 2004-12-14 Verity Instruments, Inc. System and method for determining endpoint in etch processes using partial least squares discriminant analysis in the time domain of optical emission spectra
AU2003290932A1 (en) * 2002-11-15 2004-06-15 Applied Materials, Inc. Method, system and medium for controlling manufacture process having multivariate input parameters
US6885977B2 (en) 2002-12-20 2005-04-26 Applied Materials, Inc. System to identify a wafer manufacturing problem and method therefor
JP2004259894A (ja) 2003-02-25 2004-09-16 Toshiba Corp 半導体装置の解析方法、解析システム及びプログラム
US7138629B2 (en) 2003-04-22 2006-11-21 Ebara Corporation Testing apparatus using charged particles and device manufacturing method using the testing apparatus
US7328126B2 (en) * 2003-09-12 2008-02-05 Tokyo Electron Limited Method and system of diagnosing a processing system using adaptive multivariate analysis
US6980873B2 (en) 2004-04-23 2005-12-27 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for real-time fault detection, classification, and correction in a semiconductor manufacturing environment
TW200632719A (en) * 2004-09-17 2006-09-16 Mks Instr Inc Multivariate control of semiconductor processes

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI496019B (zh) * 2011-12-06 2015-08-11 Taiwan Semiconductor Mfg Co Ltd 自動計算半導體製造程序邊界的方法
CN103151284B (zh) * 2011-12-06 2015-10-21 台湾积体电路制造股份有限公司 用于半导体工艺的自动边界控制的系统和方法
US9250619B2 (en) 2011-12-06 2016-02-02 Taiwan Semiconductor Manufacturing Co., Ltd. Systems and methods of automatic boundary control for semiconductor processes
CN111241477A (zh) * 2020-01-07 2020-06-05 支付宝(杭州)信息技术有限公司 构建监控基准线的方法、监控数据对象状态的方法及装置
CN111241477B (zh) * 2020-01-07 2023-10-20 支付宝(杭州)信息技术有限公司 构建监控基准线的方法、监控数据对象状态的方法及装置

Also Published As

Publication number Publication date
US7809450B2 (en) 2010-10-05
WO2007008538A3 (en) 2007-03-01
US20070021859A1 (en) 2007-01-25
KR20080040694A (ko) 2008-05-08
TW200715083A (en) 2007-04-16
EP1907908A2 (en) 2008-04-09
JP2009500853A (ja) 2009-01-08
WO2007008538A2 (en) 2007-01-18

Similar Documents

Publication Publication Date Title
CN101238421A (zh) 用于监控工艺环境中的动态参数的自校正多变量分析
US10409231B2 (en) Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
US10627788B2 (en) Retrieval apparatus and retrieval method for semiconductor device processing
KR101335896B1 (ko) 의존 인덱스를 이용하는 가상 계측을 활용한 고급 공정 제어 시스템
US8989888B2 (en) Automatic fault detection and classification in a plasma processing system and methods thereof
CN113302478A (zh) 半导体设备的缺陷分类和来源分析
Yugma et al. Integration of scheduling and advanced process control in semiconductor manufacturing: review and outlook
US7127304B1 (en) System and method to predict the state of a process controller in a semiconductor manufacturing facility
US11456194B2 (en) Determining critical parameters using a high-dimensional variable selection model
US8452441B2 (en) Process quality predicting system and method thereof
US20130173332A1 (en) Architecture for root cause analysis, prediction, and modeling and methods therefor
CN102474968B (zh) 预测刻蚀率均匀性以评测校正等离子体腔的方法和装置
CN1324515C (zh) 处理工具优化系统和方法
JP2006148070A (ja) センサデータの補正方法及びインターロックシステムのインターロック評価方法
US20060265098A1 (en) System and method for real time prediction and/or inheritance of process controller settings in a semiconductor manufacturing facility
Jalali et al. Predicting time-to-failure of plasma etching equipment using machine learning
US20130080372A1 (en) Architecture and methods for tool health prediction
CN109816191A (zh) 多工作站系统的质量预测方法及其系统
JP2011054804A (ja) 半導体製造装置の管理方法およびシステム
Liu Predictive Modeling for Intelligent Maintenance in Complex Semiconductor Manufacturing Processes.
Wan et al. Predictive maintenance for improved sustainability—an ion beam etch endpoint detection system use case
Biswas et al. Maintaining accuracy of test compaction through adaptive re-learning
Munga et al. A mathematical programming approach for determining control plans in semiconductor manufacturing
Ou et al. MIMO EWMA-CUSUM condition-based statistical process control in manufacturing processes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20080806