CN101436062A - 预测批次工具的晶片结果的方法 - Google Patents
预测批次工具的晶片结果的方法 Download PDFInfo
- Publication number
- CN101436062A CN101436062A CNA2008101727107A CN200810172710A CN101436062A CN 101436062 A CN101436062 A CN 101436062A CN A2008101727107 A CNA2008101727107 A CN A2008101727107A CN 200810172710 A CN200810172710 A CN 200810172710A CN 101436062 A CN101436062 A CN 101436062A
- Authority
- CN
- China
- Prior art keywords
- batch
- batch processed
- data
- wafer
- result
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 claims abstract description 72
- 230000008878 coupling Effects 0.000 claims description 24
- 238000010168 coupling process Methods 0.000 claims description 24
- 238000005859 coupling reaction Methods 0.000 claims description 24
- 229910052581 Si3N4 Inorganic materials 0.000 claims description 22
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 claims description 22
- 238000005516 engineering process Methods 0.000 claims description 11
- 239000004065 semiconductor Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000005137 deposition process Methods 0.000 claims description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 4
- 238000005496 tempering Methods 0.000 claims description 4
- 235000012239 silicon dioxide Nutrition 0.000 claims description 2
- 239000000377 silicon dioxide Substances 0.000 claims description 2
- 239000013078 crystal Substances 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 15
- 235000012431 wafers Nutrition 0.000 description 126
- 230000006870 function Effects 0.000 description 49
- 239000010408 film Substances 0.000 description 18
- 239000007789 gas Substances 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000000151 deposition Methods 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000002310 reflectometry Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005229 chemical vapour deposition Methods 0.000 description 4
- 239000010409 thin film Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 229940095676 wafer product Drugs 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- MROCJMGDEKINLD-UHFFFAOYSA-N dichlorosilane Chemical compound Cl[SiH2]Cl MROCJMGDEKINLD-UHFFFAOYSA-N 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 238000007669 thermal treatment Methods 0.000 description 1
- 230000032258 transport Effects 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
- G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
-
- 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
- G05B2219/32188—Teaching relation between controlling parameters and quality parameters
-
- 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
- G05B2219/32194—Quality prediction
-
- 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]
-
- 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
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S430/00—Radiation imagery chemistry: process, composition, or product thereof
- Y10S430/146—Laser beam
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)
- Chemical Vapour Deposition (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Abstract
一种预测批次工具的晶片结果的方法，包括收集在批次处理工具中以批次处理的一批晶片的制造数据，以形成一批次处理结果；根据制造数据，定义批次处理结果的自由度；以及根据批次处理结果，通过尝试错误法对批次处理结果的最佳函数模型实施一最佳曲线匹配。
Description
本发明要求于2007年5月4日申请的美国临时申请第60/916,194号的优先权，其标题为“准确预测晶片的方法及装置(Method and Apparatus to Enable Accurate Wafer Prediction)”，其全部内容结合于此作为参考。
技术领域
本发明涉及一种半导体批次结果预测系统，更特别地，涉及预测一批次处理工具的晶片结果的方法。
背景技术
半导体集成电路晶片由晶片制造厂(fab)的多个工艺产生。这些工艺(以及相关的制造工具)包含热氧化工艺、扩散工艺、离子植入工艺、快速热处理工艺(RTP)、化学气相沉积工艺(CVD)、物理气相沉积工艺(PVD)、磊晶工艺、蚀刻工艺以及微影工艺。在制造阶段期间，使用量测工具(metrology tool)监控与控制产品(例如，半导体晶片)的品质与优良率。随着集成电路特征尺寸(feature size)缩小，需要增加更多的监控与控制。然而，这会增加量测工具的数量、增加实施监控与控制的人力以及制造循环时间(cycle time)中相关的延迟，因而增加成本。
因此，使用虚拟量测模型来降低成本的生产控制以及其它目的。然而，目前虚拟量测模型仅用于预测单一晶片制造工具的晶片结果。在一批次处理工具中制造的一批晶片无法用于适当地预测晶片结果。例如，热处理室(thermal processing chamber)可包含一垂直炉，以固持及处理在不同垂直位置的一批晶片。通常，该炉针对不同垂直高度位置具有其热场(thermal field)。批次处理工具中的每批晶片可经历特殊处理环境。相关的晶片结果变化无法通过现有的方法以及现有的虚拟量测方法加以预测。
因此，需要一种用于增加监控、控制和/或预测一批次处理工具所制造的产品品质和/或优良率的系统与方法。
发明内容
本发明提供了一种能预测一批次处理工具的晶片结果的方法。本方法包括收集在批次处理工具中以批次处理的一批晶片的制造数据，以形成一批次处理结果；根据制造数据，定义批次处理结果的自由度；以及根据制造数据，通过尝试错误法对批次处理结果的最佳函数模型实施一最佳曲线匹配。
前述的方法中，制造数据可包括从量测工具收集的一批次处理产品数据，以及从批次处理工具收集的一批次处理工具数据。本发明可进一步包括实施部分最小平方匹配(partial least square fitting)，以形成批次处理产品数据与处理工具数据间的关系方程式。本方法可进一步包括将最佳函数模型与关系方程式组合成一批次产品结果预测模型。定义自由度的步骤可包括发现与批次处理产品数据相关的矩阵的特征值及特征函数。实施最佳曲线匹配可包括使用一分段曲线匹配(piecewise curve fitting)。本方法可进一步包括根据自由度、最佳函数模型以及批次处理结果数据，选择最佳抽样点。批次处理工具包括一热炉管。批次处理工具可用于一晶片工艺，而且晶片工艺选自氮化硅沉积法、热二氧化硅以及热回火所组成的群组。
本发明同时提出了与预测批次处理工具的晶片结果相关的方法的另一实施例。本方法包括收集在批次处理工具中以批次处理的一批晶片的制造数据，其中制造数据包括批次处理产品数据与批次处理工具数据；根据批次处理产品数据，定义批次处理产品结果的自由度；根据该批次处理产品数据，通过尝试错误法对批次处理结果的最佳函数模型实施一最佳曲线匹配法；根据自由度、最佳函数模型与批次处理产品数据，选择最佳抽样点；以及使用部分最小平方匹配，以形成批次处理产品数据与处理工具数据间的关系方程式。
前述披露的方法可进一步包括将最佳函数模型与关系方程式组合成一批次产品结果预测模型。本发明的方法可具有不同实施例。例如，批次产品预测模型适用于批次处理工具制造新产品期间的动态微调(dynamic tuning)。本方法可进一步包括使用批次结果预测模型，预测通过批次处理工具处理的新晶片的批次晶片结果。预测批次晶片结果的步骤包括预测一产品参数。预测产品参数的步骤进一步包括预测一薄膜厚度。定义自由度的步骤包括发现与批次处理产品数据相关的矩阵的特征值与特征函数。实施最佳曲线匹配的步骤包括使用一分段曲线匹配。
本发明同时提供了一半导体批次结果预测系统。本系统包括用于收集制造数据的数据收集器，且制造数据包括与批次处理工具相关的批次处理工具数据，以及与批次处理工具所处理的一批晶片相关的批次处理产品数据；一最佳曲线匹配模块，根据批次处理产品数据以产生一最佳函数模型；以及最小平方匹配(PLSF)模块，被设计以产生批次处理产品数据与批次处理工具数据间的关系方程式。
前述的系统可进一步包括自由度模块(DF)，以定义与批次处理产品数据相关的产品参数的自由度。本系统可进一步包括批次结果预测模块，以根据最佳函数模型与关系方程式的组合，预测在批次处理工具中处理的批次晶片结果。
附图说明
为使本发明各方面的叙述更加详尽与完备，可参照下列描述并配合附图说明。附图仅提供范例说明并未依比例绘制。事实上，为使本发明的描述更加清楚，各特征尺寸可以随意地增大或缩小。
图1是用以预测批次晶片的方法的一实施例的简化流程图。
图2是根据本发明的一方面构成的制造数据的一实施例的方块图。
图3是一批次处理炉的一实施例的概略图。
图4是实施在图1的方法的虚拟感测器系统的一实施例的方块图。
图5是一虚拟制造系统的方块图，而且图4的虚拟感测器系统系使用于其中。
具体实施方式
下述讨论将提供多种用以实施本发明的各种特征的不同的实施例或实例。组件或组装的特殊实例将于后续说明，以简化本发明。当然，各种实例于此仅用以提供说明，并非用以限定本发明。此外，本发明说中所披露的参考标号或文字可重复地出现在不同的实例中。这些重复仅为清楚及简化本发明的描述，并非用以规定所论述的各种实施例和/或结构的关系。本发明提供了一种能预测批次处理工具的晶片结果的新方法，且后续将提供各种实例、实施例、变化和说明。
图1是能预测批次晶片的方法100的简化流程图。图4是用以实施方法100的虚拟感测器系统(或软感测系统)400的一实施例的方块图。本发明提供了预测批次制造工具数据(或工具数据)的批次晶片结果的方法与系统。本方法100与系统400参照图1与图4详细说明如下。
方法100开始于步骤112，收集制造数据。如图2所示，为一实施例中的制造数据202方块图，制造数据202包括批次处理产品数据204(或批次处理晶片数据)，而且批次处理产品数据204由一个或多个量测工具206收集取得。批次处理产品数据204包括经由批次处理工具(或批次制造工具)210处理后的一批晶片208的测试与量测结果。例如，批次处理产品数据204可为产品参数(或晶片参数)的量测值，例如批次处理工具所产生的材料层的厚度、反射率或传导率。在一实例中，批次处理产品数据202包括由形成在这批晶片208的次切线(subscribe line)上的测试结构而来的线上测试结果。在其它实例中，批次处理产品数据202包括这批晶片208制造完成后的最后测试结果。
制造数据202还包括从批次处理工具210收集而来的批次处理工具数据212。批次处理工具数据212与硬件参数相关。在一实例中，硬件参数包含主动参数，例如电源、气体流量和/或制造时间。硬件参数可进一步包括被动参数，例如温度、反射率和/或沉积率等。批次处理工具数据212包括至少一与批次处理工具的硬件参数相关的量测及测试数据的子集合。收集制造数据的程序可由数据收集模块404执行。
批次处理工具210是一种制造工具，设计及建构于制造多个产品，例如批次的多个半导体晶片。批次处理工具210可为，例如，设计于批次处理的化学气相沉积(CVD)系统、蚀刻系统、热氧化系统、离子植入系统、快速热回火(RTA)系统或其它半导体制造工具之一。
在一实例中，图3示出了设计于氮化硅沉积工艺的热炉管300的示意图，同时氮化硅炉管也并入参考。热炉管300包括一管柱302，且管柱302垂直地设置且进一步设置为单层或者双层。热炉管300包括环绕管柱302的加热器304，以将管柱302加热及维持在适合于氮化硅沉积工艺的较高温度。管柱302被设计成使得一批晶片306可放置于其中，并且进行氮化硅沉积工艺。在一实例中，在热炉管300中处理的这批晶片306包含50片晶片。这批晶片306可固定于一晶片支撑架上，例如晶舟(wafer boat)308上。包括但是不局限于绝缘单元的附加结构310，为了绝热作用而设置在管柱302中，而且接近晶舟308。平板312接合于管柱302，且设计用于将内管柱与外界环境隔绝以及其它功能，例如支撑绝缘单元。热炉管300进一步包括一气体输入口314，用于提供适当气体，例如反应气体SiH2Cl2(二氯硅烷)以及NH3(氨气)，以产生氮化硅。热炉管300还包括一气体输出口316用于排放气体。在此实例中，主动参数可包括制造配方(process recipe)中的参数，例如加热器功率、气体分压与沉积时间。被动硬件参数可包括其它不包括在制造配方中的参数，例如晶片温度与反应室污染物。批次处理工具数据可进一步包括其它数据，例如工具辨识码、工具维修历史以及气体规格。当一批晶片306(例如50片晶片)置于管柱302中以进行氮化硅沉积工艺时，每片晶片位于一特殊位置。实际上，管柱内的温度是非均匀的，而且具有与一空间相关(space-dependent)的分布以形成一热场(thermal field)。再者，管柱内部的其它参数，例如反应气体分压/气体流量也可以是非均匀的。氮化硅沉积率可依照晶片温度以及其它参数而定。因此，沉积率将依照一批内每个晶片的特殊位置而定。因此，针对单一晶片的现存晶片结果预测模型无法提供适当结果给在批次处理工具内处理的晶片。本发明提供了一种方法以产生一批次晶片结果预测模型，使得根据批次处理工具数据预测批次晶片结果。
量测工具206可包括电气工具、光学工具和/或分析工具，例如显微镜、显微分析工具、线宽量测工具、屏蔽及光罩缺陷工具(maskand reticle defects tools)、微粒分布工具、表面分析工具、应力分析工具、电阻值与接触电阻量测工具、移动率与载子浓度量测工具、界面深度量测工具、薄膜厚度工具、闸极氧化整体测试工具、电容-电压(C-V)量测工具、集中离子束(FIB)以及其它测试与量测工具。晶片数据可包括晶片结果，例如经由量测工具取得的晶片参数。举例说明，晶片参数可包括片电阻值(sheet resistance)、反射率、应力、微粒密度与临界尺寸。晶片数据可进一步包括其它数据，例如晶片辨识码与产品类型。
在一实例中，成批或个别形式的多个产品(半导体晶片)经由不同工艺步骤而制造。工艺步骤可以以批次模式在批次处理工具210实施。其它工艺步骤可在其它适当制造工具中实施。当在批次处理工具210内处理一批晶片时，批次处理工具210依照工艺配方加以程序化、设定以及调整。工艺配方可定义多个子步骤(sub-step)。例如，热炉管配方可定义下列子步骤：升温、沉积以及抽真空(pump-down)。每个子步骤可分别以特定时间间隔加以定义，而且将不同硬件参数设定于特定水准。批次晶片根据工艺配方在批次制造工具210内完成批次处理后，可使用一个或多个量测工具进行测试与量测，以取得批次处理产品数据。批次处理产品数据也可经由批次制造工具210取得。制造数据包括批次处理晶片数据与批次处理工具数据，而且制造数据可使用数据收集机404分别收集来自量测工具206与批次处理工具210的数据。
方法100进行至步骤114，以定义这批晶片的自由度(DOF)。热炉管300作为批次处理工具的一实例。在热炉管300内的50个晶片成批的处理结果是相关联的。依据本发明，无需量测这批中的每个晶片以便明了这批的50个晶片的处理结果。例如，量测第4片、第14片以及第27片晶片的厚度即可提供足够的信息，以预测这批的其余晶片的薄膜厚度。在此特别实例中，与以热炉管300作为批次处理工具相关的这批晶片的自由度是3。因此，仿真批次处理工具210中处理的这批晶片的晶片参数分布(例如，氮化硅薄膜厚度)的最佳函数模型需要至少3种量测值。在此实例中，最佳函数模型包括3个由至少3种量测值决定的参数。定义自由度的适当程序包括使用一方法，以发现晶片参数矩阵的特征值与特征函数。例如，批次处理工具210(例如，热炉管300)中处理的多批晶片由一个或多个量测工具206量测，以得到晶片参数(例如，氮化硅薄膜厚度)的批次处理产品数据。批次处理产品数据产生与晶片参数(例如，氮化硅薄膜厚度)相关的晶片参数矩阵。例如，每批晶片的晶片参数的量测结果代表晶片参数矩阵的一列。多批量测结果组成晶片参数矩阵。计算特征值、特征函数以及自由度的方法是已知技术，而且应用于晶片参数矩阵。在此程序中定义自由度(DOF)。自由度(DOF)的定义步骤可通过使用算法的自由度模块406实施，以实施上述的计算。
方法100进行至步骤116，通过尝试错误法实施最佳曲线匹配，以根据批次处理产品数据产生对于批次处理结果的最佳函数模型。在此步骤中，最佳函数模型用于描述在批次处理工具中处理的晶片的晶片结果，作为晶片位置的函数。例如，假如批次处理工具210是热炉管，则最佳函数模型可用于预测由热炉管形成的氮化硅薄膜的厚度。最佳函数模型包括刻度(pitch)作为批次处理产品数据所决定的可变参数与其它参数。刻度被定义为批次处理工具210内处理的这批晶片中的晶片的连续位置数量。在一实施例中，函数模型可定义为
Y＝a+b*(e-0.7x)+c*(x4) (1)
其中Y是氮化硅薄膜厚度；x是刻度；a、b及c是需决定的参数(通过批次处理产品数据)。此模型的参数数量与上述定义的自由度有关。在一实例中，参数a、b及c通过最佳曲线匹配法(例如部分最小平方匹配(partial least square fitting))而决定。函数模型的形式可为多项式函数或根据批次处理产品数据分布图形的其它形式函数。根据量测晶片结果和/或进一步与工程师输入值互动，而且输入值与工程师的知识与经验相关，函数模型的形式自动通过算法产生。函数模型包含分段函数(piecewise function)。例如，有效范围从第1刻度至第25刻度间的第1段可通过多项式函数加以仿真，而且有效范围从第26刻度至第50刻度间的第2段可通过包含指数项(例如方程式(1))的多项式函数加以仿真。一批或多批晶片的氮化硅薄膜厚度已在步骤112量测，以收集制造数据。量测结果通过部分最小平方匹配法，以决定本发明的函数模型的参数a、b与c以及相关系数R。假如相关系数R等于或大于一特定标准，例如0.9，则认为本发明的函数模型是最佳的。否则，此程序将重复其它尝试函数，直到产生最佳函数模型为止。因此，本方法也称为尝试错误法。此步骤的曲线最佳匹配程序通过系统400的最佳曲线匹配(OCF)模块408加以实行。氮化硅薄膜厚度、为3的自由度以及上述函数，仅使用于实施例以说明此步骤的程序。
方法100进行至步骤118，根据自由度及最佳函数模型以选择抽样点。当自由度已在步骤114定义，根据自由度选择适当刻度的数量，使得在选定刻度的晶片的氮化硅薄膜厚度可通过最佳化函数模型预测在其它刻度的晶片的氮化硅薄膜厚度。例如，假如自由度是3，则适当选择三个刻度。选定的抽样点代表这批晶片的大部分氮化硅薄膜厚度信息。选择程序可使用通过尝试错误方法的算法，而且进一步包括工程输入(engineering input)。选定的抽样点可通过适当标记(例如相关系数)而评估，而且相关系数与最佳函数模型相关。当相关系数低于一特定标准时，重复上述的选择程序，直到最佳抽样点为止。在一批容量为50片晶片以及自由度为3的热炉管的实例中，对于特殊氮化硅薄膜厚度分布，最佳抽样点可为4、14以及27。
方法100进行至步骤120，使用最小平方匹配以产生批次处理产品数据204与批次处理工具数据212间的关系方程式。产生最佳函数模型后，该程序建立批次处理产品数据204与批次处理工具数据212间的数量关系式，使得晶片结果(例如氮化硅薄膜厚度)直接由批次处理工具210(例如热炉管300)的相关硬件参数(或相关硬件关键参数)决定。在最佳函数模型中，所有参数例如方程式(1)的a、b与c与硬件关键参数相关，这包含批次处理工具210的主动和/或被动参数，且因此所有参数是可预测的。批次产品数据204与制造工具数据212间的关系可由不同函数表示。可选择不同函数用于不同模型及进一步针对通过最小平方匹配程序决定的系数。因此，最佳化函数模型的参数(例如方程式(1)的a、b与c)可表示为批次处理工具的硬件关键参数的不同函数以及通过最小平方匹配法公式化。工程师和/或算法可能与选择的或决定的不同函数相关。上述的最小平方匹配法可以使用所有可利用的批次处理产品数据204与制造工具数据212。这些制造数据通常包含一批或多批。在一实施例中，可通过降低数据容量(data volume)，使得制造数据在最小平方匹配程序的使用更加有效，因此称为部分最小平方匹配法。例如，来自多于一批并与相同组的批次处理工具数据相关的批次处理数据加以平均，以降低数据容量。部分最小平方匹配程序可以通过系统400的最小平方匹配(LSF)模块410实施。
方法100进行至步骤122，组合最佳曲线匹配与部分最小平方匹配结果以形成一单一模型，参考图4中的批次晶片结果预测模型402。批次晶片结果预测模型402包括通过步骤116的最佳曲线匹配法所产生的最佳函数。再者，最佳函数的参数表示为批次处理工具的硬件关键参数的函数，而且通过步骤120的部分最小平方匹配程序决定。根据处理成批晶片时，来自批次处理工具的批次处理工具数据，成批晶片的晶片结果可以通过批次晶片结果预测模型而预测。
方法100可进一步进行以实施晶片结果预测。当产生批次结果预测模型402用于批次制造工具时，晶片结果(晶片参数，例如薄膜厚度)可经由此模型而预测。预测程序可包括收集与已处理晶片相关的新批次处理工具数据，以及使用批次结果预测模型402计算晶片参数的数值。预测的晶片结果传送至相关拥有者，例如工程师。
在一实施例中，方法100的不同步骤与程序可以实施在虚拟量测系统400中。系统400可进一步包含附加组件加以组合、分布与协调，以产生批次结果预测模型402，而且通过批次结果预测模型402预测批次晶片结果。批次结果预测模型402可包括多个次模型，次模型与预测的不同产品参数(例如薄膜厚度及薄膜反射率)以及多个批次处理工具(例如氮化硅沉积的热炉管以及热氧化的其它炉管)的组合相关。批次结果预测模型的每个次模型与一产品参数及一批次制造工具相关。
批次结果预测模型402可以是适合模型，即可不断地维持以匹配批次制造工具而且遵循批次制造工具的改变持续一段时间。维持适合模型可包括根据新的制造数据调整模型，此步骤进一步包括根据制造数据实施最佳曲线匹配及部分最小平方匹配。在相关的批次制造工具的维护、修理、晶片产品改变和/或一段特定时间后，评估适合模型。只要适合模型实时调整而且适当反应批次制造工具和/或晶片产品的改变、移动与飘移，程序未必限制于如上所述步骤。
虚拟量测系统400可进一步包括沟通界面416，以沟通系统400间的预测晶片结果以及相关的制造拥有者/客户。例如，预测晶片结果可传送至工程师426用以评估、产品监控和/或工艺改善。在另一实例中，工程师可以提供输入于方法100的不同步骤中，例如在最佳抽样点选择步骤与最佳曲线匹配步骤。工程师426可以通过沟通界面416与系统沟通。当晶片结果超出预定数值时、具有明显飘移现象或者具有其它严重改变，沟通界面416提供警示给工程师。晶片结果预测可以传送至数据控制中心，例如制造执行系统(MES)，其中进一步处理、组织及散布晶片结果预测，以用于数据监控、评估、分析和/或控制，例如统计工艺控制(SPC)。晶片结果预测可以传送至在下一个工艺步骤的批次处理工具210和/或制造工具，其中可以调整工艺配方与硬件参数，以补偿相异于最佳晶片品质、性能及优良率的目前工艺的任何飘移和/或移动。
只要产生批次结果测试模型用于一个(或多个)批次制造工具，维护模型与实施批次晶片结果预测模型未必需要以上述的方法100的顺序进行。实施批次晶片结果预测模型的维护与实施可以以平行方式进行。因此，模型402实质上代表在批次制造工具上处理的成批晶片。
图4的系统400仅作为本发明的一实例。每个模块包括软件和/或硬件以实施模块功能。例如，批次制造工具的批次结果预测模型402可包括硬件，例如用于操作与存储的计算器与内存。模型可进一步包括具有所有批次处理产品数据以及批次处理工具数据的数据库。每个模块可以设定及连接至其它模块以及半导体制造的其它组件。系统400可以以不同方式设定与组织，例如可在不背离本发明的精神下具有较少或较多的模块。系统400可以进一步连接网络430。在一实例中，系统400可以连接或者包括图5的虚拟晶片制造厂(fab)，将在下文详述。
因此，另一方面，晶片结果可以通过使用方法100的系统400预测，并非直接量测。根据批次处理工具数据，在有限量测工具与量测成本下，批次晶片结果对于提升工艺性能与提升晶片优良率可以有效地监控。本发明所披露的方法与系统提供了一种新的解决方案于批次晶片制造监控与可提升效率与降低成本(包括量测成本)的控制。
图5示出了虚拟集成电路制造系统(“虚拟晶片制造厂(fab)”)，而且连接图4的系统400。虚拟晶片制造厂(fab)500包括多个实体502、504、426、206、422、400a、400b、516...N，这些由网络518连接。网络518可为单一网络或者各种不同网络，例如局域网(intranet)与网际网(Internet)，而且包括有线与无线通讯信道。
在此实例中，实体502代表服务合作与准备的服务系统，实体504代表客户，实体426代表工程师，实体206代表用于IC测试与量测的量测工具(或设备)，实体422代表包含批次处理工具210的制造工具，实体400a代表与晶片制造工具422相关的图4的虚拟量测系统400，实体400b代表图4的第二虚拟量测系统400(例如，与其它也可以是实体的批次处理工具相关)，且实体516代表其它虚拟晶片制造厂(例如，属于关系企业或者企业合作伙伴的虚拟晶片制造厂)。每个实体间可相互有来往，且可从其它实体提供和/或接收服务。
为说明起见，每个实体可称为内部实体(例如，工程师、客户服务人员、自动系统工艺、制造厂的设计等)用以形成虚拟晶片制造厂(fab)500的一部分，或者称为外部组件以与虚拟晶片制造厂(fab)500相互来往。应该明了这些实体可集中在单一位置或者加以分散，而且一些实体可并入其它实体中。再者，每个实体可能系统辨识信息与相关，根据与每个实体辨识信息相关的授权水准(authority level)以允许控制存取系统内的信息。为IC制造和服务准备的目的，虚拟晶片制造厂(fab)500可以在实体间交互作用。在此实例中，IC制造包括接受客户的IC订单与相关运作以生产订购的IC，而且将IC送至客户端，例如IC的设计、制造、测试与运送。
虚拟晶片制造厂(fab)500提供的服务的之一在设计、工程与物流(logistics)等领域的合作与信息存取。例如，在设计的部分，给予客户504经由服务系统502存取与产品设计相关的信息与工具。工具使客户504可以实施优良率增进分析、观看布局信息以及取得相似信息。在工程部分，工程师426可与其它工程师合作使用与试作优良率运转、风险分析、品质及信赖度相关的信息。物流部分可提供制造状态、测试结果、订单维护以及运送日期给客户504。应该明了这些领域仅为例示说明，其它的信息也可经由虚拟晶片制造厂(fab)500而取得。
虚拟晶片制造厂(fab)500的其它服务可整合工厂间系统，例如量测工具/设备206与晶片制造厂工具422间。这类整合使得工厂可以协调本身运作。例如，整合量测工具206与晶片制造厂工具422可使得制造信息更有效地合并至制造程序中，而且可将来自量测工具206的晶片数据传送回晶片制造厂工具422用以改善与整合。
上述方法与系统仅作为范例说明。上述的方法与系统可加以延伸与修改，且可包含适当变形、实施例与替代方案而不背离本发明的精神。例如，热炉管可为用于热氧化或热回火的批次处理工具。可预期的晶片结果可包括其它参数，例如薄膜电阻值或者薄膜反射率。在其它实施例中，批次晶片结果预测模型可以结合最佳曲线匹配与部分最小平方匹配，因此晶片参数可以部分根据批次处理工具数据与部分根据批次处理产品数据加以预测。在一实例中，由热炉管300成批处理的晶片的氮化硅薄膜厚度，可通过量测最佳抽样点的薄膜厚度在第一段时间加以预测，而且随后通过收集热炉管300的硬件关键参数在第二段时间或者在第一段时间加以预测。两个预测方法间的差异可用于激活系统100以微调及调整批次结果预测模型402。
虽然本发明已通过实施例加以描述，本领域技术人员应该了解本发明也可在不背离本发明的精神与范围内的情形下加以改变、替代或变化实施。因此，凡其它在本发明所揭示的精神下所完成的改变、替代或变化均应包含在下述的申请专利范围内。
主要组件符号说明
100 批次晶片预测的方法 202 制造数据
204 批次处理产品数据 206 产品量测工具
208 一批晶片 210 批次处理工具
212 批次处理工具数据 300 热炉管
302 管柱 304 加热器
306 一批晶片 308 晶舟
310 附加结构 312 平板
314 气体输入口 316 气体输出口
400 虚拟感测系统 400a 虚拟感测器
400b 虚拟感测器 402 批次晶片结果预测模型
404 数据收集模块 410 最小平方匹配(LSF)模块
416 沟通界面 422 晶片制造厂工具
426 工程师 430 网络
500 虚拟晶片制造厂(fab) 502 服务系统
504 客户 516 其它虚拟晶片制造厂
518 网络。
Claims (10)
1.一种预测一批次处理工具的晶片结果的方法，包括：
收集在所述批次处理工具中以批次处理的一批晶片的制造数据，以形成一批次处理结果；
根据所述制造数据，定义所述批次处理结果的一自由度；以及
根据所述批次处理结果，通过尝试错误法对所述批次处理结果的一最佳函数模型实施一最佳曲线匹配。
2.根据权利要求1所述的方法，其中所述制造数据包括：
从量测工具收集的批次处理产品数据；以及
从所述批次处理工具收集的批次处理工具数据。
3.根据权利要求2所述的方法，进一步包括：
实施部分最小平方匹配，以形成所述批次处理产品数据与所述批次处理工具数据间的一关系方程式。
4.根据权利要求3所述的方法，进一步包括：
将所述最佳函数模型与所述关系方程式组合成一批次产品结果预测模型。
5.根据权利要求2所述的方法，其中定义一自由度的步骤包括发现与所述批次处理产品数据相关的一矩阵的特征值与特征函数。
6.根据权利要求2所述的方法，其中实施一最佳曲线匹配的步骤包括使用一分段曲线匹配法。
7.根据权利要求2所述的方法，进一步包括：
根据所述自由度、所述最佳函数模型以及所述批次处理产品数据，选择最佳抽样点。
8.根据权利要求1所述的方法，其中所述批次处理工具包括一热炉管，所述热炉管被设计成用于选自氮化硅沉积工艺、热二氧化硅工艺以及热回火工艺所组成的群组的一晶片工艺。
9.一种预测批次处理工具的晶片结果的方法，包括：
收集在所述批次处理工具中以批次处理的一批晶片的制造数据，其中所述制造数据包括一批次处理产品数据与一批次处理工具数据；
根据所述批次处理产品数据，定义所述批次处理产品结果的一自由度；
根据所述批次处理产品数据，通过尝试错误法对所述批次处理结果的一最佳函数模型实施一最佳曲线匹配；
根据所述自由度、所述最佳函数模型与所述批次处理产品数据，选择最佳抽样点；以及
使用部分最小平方匹配，以形成所述批次处理产品数据与所述处理工具数据间的关系方程式。
10.一种半导体批次结果预测系统，包括：
一数据收集器，用于收集制造数据，所述制造数据包括与一批次处理工具相关的一批次处理工具数据，以及与所述批次处理工具所处理的一批晶片相关的一批次处理产品数据；
一最佳曲线匹配模块，根据所述批次处理产品数据以产生一最佳函数模型；
一部分最小平方匹配模块，被设计以产生所述批次处理产品数据与所述批次处理工具数据间的一关系方程式。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US11/941,518 US8145337B2 (en) | 2007-05-04 | 2007-11-16 | Methodology to enable wafer result prediction of semiconductor wafer batch processing equipment |
| US11/941,518 | 2007-11-16 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101436062A true CN101436062A (zh) | 2009-05-20 |
| CN101436062B CN101436062B (zh) | 2015-09-16 |
Family
ID=40750958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN200810172710.7A Expired - Fee Related CN101436062B (zh) | 2007-11-16 | 2008-11-11 | 预测批次工具的晶片结果的方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US8145337B2 (zh) |
| CN (1) | CN101436062B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102540895A (zh) * | 2012-02-28 | 2012-07-04 | 中国科学院微电子研究所 | 一种先进过程控制系统及其测试方法 |
| CN107541716A (zh) * | 2016-06-27 | 2018-01-05 | 台湾积体电路制造股份有限公司 | 沉积制程的参数调整方法 |
| CN112309918A (zh) * | 2020-10-30 | 2021-02-02 | 上海华力微电子有限公司 | Vt-bs模型的先进工艺控制方法、系统及半导体设备 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8433434B2 (en) | 2009-07-09 | 2013-04-30 | Taiwan Semiconductor Manufacturing Company, Ltd. | Near non-adaptive virtual metrology and chamber control |
| US8620468B2 (en) * | 2010-01-29 | 2013-12-31 | Applied Materials, Inc. | Method and apparatus for developing, improving and verifying virtual metrology models in a manufacturing system |
| 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 |
| 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 |
| US8295965B2 (en) * | 2010-07-19 | 2012-10-23 | Taiwan Semiconductor Manufacturing Company, Ltd. | Semiconductor processing dispatch control |
| KR20120064427A (ko) * | 2010-12-09 | 2012-06-19 | 삼성전자주식회사 | 반도체 공정 산포의 제어 방법 |
| US10522427B2 (en) * | 2011-07-06 | 2019-12-31 | Taiwan Semiconductor Manufacturing Company, Ltd. | Techniques providing semiconductor wafer grouping in a feed forward process |
| US10419401B2 (en) * | 2016-01-08 | 2019-09-17 | Capital One Services, Llc | Methods and systems for securing data in the public cloud |
| US11144842B2 (en) | 2016-01-20 | 2021-10-12 | Robert Bosch Gmbh | Model adaptation and online learning for unstable environments |
| TWI625615B (zh) * | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
| JP2020509431A (ja) | 2017-02-22 | 2020-03-26 | エーエスエムエル ネザーランズ ビー．ブイ． | コンピュータによる計測 |
| US11029359B2 (en) * | 2018-03-09 | 2021-06-08 | Pdf Solutions, Inc. | Failure detection and classsification using sensor data and/or measurement data |
| CN110648935A (zh) * | 2019-09-25 | 2020-01-03 | 上海众壹云计算科技有限公司 | 一种运用ai模型的半导体制造缺陷动态随机取样方法 |
Family Cites Families (66)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5048800A (en) * | 1988-12-27 | 1991-09-17 | Kabushiki Kaisha Toshiba | Vertical heat treatment apparatus |
| US5408405A (en) * | 1993-09-20 | 1995-04-18 | Texas Instruments Incorporated | Multi-variable statistical process controller for discrete manufacturing |
| US5440478A (en) * | 1994-02-22 | 1995-08-08 | Mercer Forge Company | Process control method for improving manufacturing operations |
| US5963881A (en) * | 1995-09-22 | 1999-10-05 | Texas Instruments Incorporated | Method and system for enhancing the identification of causes of variations in the performance of manufactured articles |
| JP3934719B2 (ja) * | 1995-12-22 | 2007-06-20 | 株式会社東芝 | 光近接効果補正方法 |
| JP3022315B2 (ja) * | 1996-04-26 | 2000-03-21 | 松下電器産業株式会社 | 回路抽出方法 |
| US5847965A (en) * | 1996-08-02 | 1998-12-08 | Avant| Corporation | Method for automatic iterative area placement of module cells in an integrated circuit layout |
| JP3739201B2 (ja) * | 1998-03-06 | 2006-01-25 | 富士通株式会社 | 半導体チップの相関解析方法及び装置、半導体チップ歩留まり調整方法並びに記憶媒体 |
| US6408219B2 (en) * | 1998-05-11 | 2002-06-18 | Applied Materials, Inc. | FAB yield enhancement system |
| US6045619A (en) * | 1998-12-15 | 2000-04-04 | United Microelectronics Corp. | Horizontal-type silicon-nitride furnace |
| US6810286B2 (en) * | 2000-03-06 | 2004-10-26 | Medtronic, Inc | Stimulation for delivery of molecular therapy |
| US6410351B1 (en) * | 2000-07-13 | 2002-06-25 | Advanced Micro Devices, Inc. | Method and apparatus for modeling thickness profiles and controlling subsequent etch process |
| US6657117B2 (en) * | 2000-07-14 | 2003-12-02 | Microsoft Corporation | System and methods for providing automatic classification of media entities according to tempo properties |
| WO2002023289A2 (en) * | 2000-09-15 | 2002-03-21 | Advanced Micro Devices, Inc. | Adaptive sampling method for improved control in semiconductor manufacturing |
| US6549864B1 (en) * | 2001-08-13 | 2003-04-15 | General Electric Company | Multivariate statistical process analysis systems and methods for the production of melt polycarbonate |
| US6616759B2 (en) * | 2001-09-06 | 2003-09-09 | Hitachi, Ltd. | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor |
| US7152215B2 (en) * | 2002-06-07 | 2006-12-19 | Praesagus, Inc. | Dummy fill for integrated circuits |
| AU2003274370A1 (en) * | 2002-06-07 | 2003-12-22 | Praesagus, Inc. | Characterization adn reduction of variation for integrated circuits |
| US6773931B2 (en) * | 2002-07-29 | 2004-08-10 | Advanced Micro Devices, Inc. | Dynamic targeting for a process control system |
| US8185230B2 (en) * | 2002-08-22 | 2012-05-22 | Advanced Micro Devices, Inc. | Method and apparatus for predicting device electrical parameters during fabrication |
| US6810296B2 (en) * | 2002-09-25 | 2004-10-26 | Advanced Micro Devices, Inc. | Correlating an inline parameter to a device operation parameter |
| US6959224B2 (en) * | 2002-11-08 | 2005-10-25 | Advanced Micro Devices, Inc. | Probability constrained optimization for electrical fabrication control |
| 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 |
| US6791679B2 (en) * | 2003-02-04 | 2004-09-14 | Timbre Technologies, Inc. | Adaptive correlation of pattern resist structures using optical metrology |
| JP4266668B2 (ja) * | 2003-02-25 | 2009-05-20 | 株式会社ルネサステクノロジ | シミュレーション装置 |
| JP4317701B2 (ja) * | 2003-03-12 | 2009-08-19 | 東京エレクトロン株式会社 | 処理結果の予測方法及び予測装置 |
| US7313279B2 (en) * | 2003-07-08 | 2007-12-25 | Computer Associates Think, Inc. | Hierarchical determination of feature relevancy |
| US6968253B2 (en) * | 2003-05-07 | 2005-11-22 | Kla-Tencor Technologies Corp. | Computer-implemented method and carrier medium configured to generate a set of process parameters for a lithography process |
| US20050021272A1 (en) * | 2003-07-07 | 2005-01-27 | Jenkins Naomi M. | Method and apparatus for performing metrology dispatching based upon fault detection |
| US7100134B2 (en) * | 2003-08-18 | 2006-08-29 | Aprio Technologies, Inc. | Method and platform for integrated physical verifications and manufacturing enhancements |
| US7010364B1 (en) * | 2003-09-22 | 2006-03-07 | The Mathworks, Inc. | System and method for performing process visualization |
| US20070055892A1 (en) * | 2003-09-26 | 2007-03-08 | Mentor Graphics Corp. | Concealment of information in electronic design automation |
| US7360191B2 (en) * | 2003-11-06 | 2008-04-15 | Clear Shape Technologies, Inc. | Delta information design closure integrated circuit fabrication |
| DE10355573B4 (de) * | 2003-11-28 | 2007-12-20 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren zum Erhöhen der Produktionsausbeute durch Steuern der Lithographie auf der Grundlage elektrischer Geschwindigkeitsdaten |
| US7523429B2 (en) * | 2004-02-20 | 2009-04-21 | Takumi Technology Corporation | System for designing integrated circuits with enhanced manufacturability |
| US7301604B2 (en) * | 2004-02-25 | 2007-11-27 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method to predict and identify defocus wafers |
| JP4183185B2 (ja) * | 2004-03-10 | 2008-11-19 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
| 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 |
| TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
| US7062737B2 (en) * | 2004-07-28 | 2006-06-13 | Lsi Logic Corporation | Method of automated repair of crosstalk violations and timing violations in an integrated circuit design |
| US20060048010A1 (en) * | 2004-08-30 | 2006-03-02 | Hung-En Tai | Data analyzing method for a fault detection and classification system |
| TW200632719A (en) * | 2004-09-17 | 2006-09-16 | Mks Instr Inc | Multivariate control of semiconductor processes |
| JP4768251B2 (ja) * | 2004-11-01 | 2011-09-07 | 株式会社東芝 | 半導体集積回路の設計方法、半導体集積回路の設計システム及び半導体集積回路の製造方法 |
| US7751921B2 (en) * | 2004-12-28 | 2010-07-06 | Tokyo Electron Limited | Semiconductor manufacturing apparatus, method of detecting abnormality, identifying cause of abnormality, or predicting abnormality in the semiconductor manufacturing apparatus, and storage medium storing computer program for performing the method |
| JP4455359B2 (ja) * | 2005-01-31 | 2010-04-21 | Ｎｅｃエレクトロニクス株式会社 | 半導体装置設計プログラム |
| US7477960B2 (en) * | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
| US7144297B2 (en) * | 2005-05-03 | 2006-12-05 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and apparatus to enable accurate wafer prediction |
| US7487054B2 (en) * | 2005-05-11 | 2009-02-03 | International Business Machines Corporation | Automated dynamic metrology sampling system and method for process control |
| JP2006343952A (ja) * | 2005-06-08 | 2006-12-21 | Fujitsu Ltd | 製造管理装置、製造管理方法および製造管理プログラム |
| US7325225B2 (en) * | 2005-10-05 | 2008-01-29 | Yasushi Tanaka | Method and apparatus for reducing OPC model errors |
| US7359759B2 (en) * | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
| US7570796B2 (en) * | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
| US7870381B2 (en) * | 2006-02-08 | 2011-01-11 | International Business Machines Corporation | Schema-based portal architecture for assessment and integration of silicon IPs |
| US7630064B2 (en) * | 2006-03-16 | 2009-12-08 | Tokyo Electron Limited | Prediction method and apparatus for substrate processing apparatus |
| US7502709B2 (en) * | 2006-03-28 | 2009-03-10 | Tokyo Electron, Ltd. | Dynamic metrology sampling for a dual damascene process |
| US7503029B2 (en) * | 2006-03-31 | 2009-03-10 | Synopsys, Inc. | Identifying layout regions susceptible to fabrication issues by using range patterns |
| US7519885B2 (en) * | 2006-03-31 | 2009-04-14 | Tokyo Electron Limited | Monitoring a monolayer deposition (MLD) system using a built-in self test (BIST) table |
| US8336002B2 (en) * | 2006-05-15 | 2012-12-18 | Taiwan Semiconductor Manufacturing Company, Ltd. | IC design flow enhancement with CMP simulation |
| US7954072B2 (en) * | 2006-05-15 | 2011-05-31 | Taiwan Semiconductor Manufacturing Company, Ltd. | Model import for electronic design automation |
| US7685558B2 (en) * | 2006-05-15 | 2010-03-23 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method for detection and scoring of hot spots in a design layout |
| US7689954B2 (en) * | 2006-05-25 | 2010-03-30 | Wisconsin Alumni Research Foundation | Efficient statistical timing analysis of circuits |
| US20080243289A1 (en) * | 2007-03-28 | 2008-10-02 | Honeywell International, Inc. | Model maintenance architecture for advanced process control |
| US7531368B2 (en) * | 2007-03-30 | 2009-05-12 | Tokyo Electron Limited | In-line lithography and etch system |
| US20080277659A1 (en) * | 2007-05-10 | 2008-11-13 | Shih-Hsun Hsu | Test structure for semiconductor chip |
| DE102007046850B4 (de) * | 2007-09-29 | 2014-05-22 | Globalfoundries Dresden Module One Limited Liability Company & Co. Kg | Verfahren zum Bestimmen einer Überlagerungsgenauigkeit |
| US7865864B2 (en) * | 2008-02-01 | 2011-01-04 | International Business Machines Corporation | Electrically driven optical proximity correction |
-
2007
- 2007-11-16 US US11/941,518 patent/US8145337B2/en not_active Expired - Fee Related
-
2008
- 2008-11-11 CN CN200810172710.7A patent/CN101436062B/zh not_active Expired - Fee Related
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102540895A (zh) * | 2012-02-28 | 2012-07-04 | 中国科学院微电子研究所 | 一种先进过程控制系统及其测试方法 |
| CN107541716A (zh) * | 2016-06-27 | 2018-01-05 | 台湾积体电路制造股份有限公司 | 沉积制程的参数调整方法 |
| CN107541716B (zh) * | 2016-06-27 | 2019-09-13 | 台湾积体电路制造股份有限公司 | 沉积制程的参数调整方法 |
| CN112309918A (zh) * | 2020-10-30 | 2021-02-02 | 上海华力微电子有限公司 | Vt-bs模型的先进工艺控制方法、系统及半导体设备 |
| CN112309918B (zh) * | 2020-10-30 | 2023-09-22 | 上海华力微电子有限公司 | Vt-bs模型的先进工艺控制方法、系统及半导体设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| US8145337B2 (en) | 2012-03-27 |
| US20080275676A1 (en) | 2008-11-06 |
| CN101436062B (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101436062B (zh) | 预测批次工具的晶片结果的方法 | |
| CN100451888C (zh) | 用以监控半导体生产设备中的处理工具的方法与系统 | |
| CN100568249C (zh) | 用基本原理仿真辅助半导体制造过程的系统和方法 | |
| KR100734534B1 (ko) | 반도체 공정을 위한 자동화된 공정 모니터링 및 분석 시스템 | |
| JP4795957B2 (ja) | 半導体製造プロセスを制御する第１の原理シミュレーションを用いたシステム及び方法。 | |
| JP5032118B2 (ja) | 半導体製造プロセスにおいて第１の原理シミュレーションを用いたシステム及び方法。 | |
| CN1860487B (zh) | 使用第一原理仿真分析半导体处理工具执行的处理的系统和方法 | |
| JP4955393B2 (ja) | 半導体製造プロセスを制御するために第１の原理シミュレーションを用いたシステム及び方法。 | |
| US6368884B1 (en) | Die-based in-fab process monitoring and analysis system for semiconductor processing | |
| US8682466B2 (en) | Automatic virtual metrology for semiconductor wafer result prediction | |
| CN102201324B (zh) | 半导体制造方法与系统 | |
| CN101853776B (zh) | 具有新型采样策略的高级处理控制 | |
| CN102160164A (zh) | 自我诊断的半导体设备 | |
| CN103137513B (zh) | 集成电路制造设备状态监测系统和方法 | |
| CN102063063B (zh) | 半导体制造方法及系统 | |
| CN102299044A (zh) | 工艺控制系统及其实现方法 | |
| CN101581930B (zh) | 实现自动虚拟量测的创新方法 | |
| EP1290727A2 (en) | Method and apparatus for controlling deposition parameters based on polysilicon grain size feedback | |
| JP2014099437A (ja) | 半導体装置の製造方法 | |
| CN103811379B (zh) | 工具优化调节系统和相关方法 | |
| CN117238814B (zh) | 基于快速响应决策的芯片生产控制方法及系统 | |
| JP2010141042A (ja) | プロセス処理装置の制御システム、プロセス処理装置の制御方法、プロセス処理装置の制御プログラム、および、プログラム記録媒体 | |
| CN113853448B (zh) | 用于在生产条件下采集cvd反应器的状态的方法 | |
| CN118502509A (zh) | 一种半导体清洗液的自适应温度控制系统 | |
| Collins et al. | A Methodology for the Development of Semiconductor Equipment/Process Models |
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: 20150916 |