CN101976045B - 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统 - Google Patents

Abstract

本发明公开一种用于TFT-LCD蚀刻制程的面板品质虚拟量测方法与系统，先进制程控制单元获取至少一制程机台的制程参数资料值；量测机台获取面板品质量测值，面板品质数据处理单元将抽样的面板品质量测值先减去面板品质量测值的平均值，再除以面板品质量测值的标准偏差；关键参数挑选单元挑选关键制程参数数据值，线性模型预估单元以线性最小二乘算法建立初始预估模型；多产品效益处理单元产生初始多产品预估模型；干扰项系数处理单元得到估计值，以时间序列回归算法处理该误差值，产生干扰项系数后建立虚拟量测模型单元。本发明能对同一制程配方但不同规格的各式面板进行质量预测，降低抽样量测的频率，减轻预估模型的复杂度。

Description

用于TFT-LCD蚀刻制程的面板品质虚拟量测方法与系统

技术领域

本发明涉及一种用于预测薄膜晶体管液晶显示器(TFT-LCD)制程的面板品质虚拟量测方法及其系统，特别是一种应用于TFT-LCD蚀刻制程的面板品质虚拟量测方法及其系统。

背景技术

目前，在TFT-LCD的前段制程中，蚀刻制程是在以光阻剂部份覆盖在要保留的薄膜上，并曝光显影后，用物理或化学的方式将之去除的制程，以形成所需要的图案。蚀刻制程依照蚀刻精度、蚀刻手段及目的的不同可分为：湿式蚀刻法及干式蚀刻法两大种类。其中，干式蚀刻法包含了电浆蚀刻法，以及反应性离子蚀刻法；而湿蚀刻则是使用各种化学溶液，经由与被露出的薄膜产生化学反应以达到蚀刻的目的。蚀刻技术的好坏决定电路的关键尺寸(CD)，故在蚀刻制程完成之后，会进行蚀刻后检视，以判断蚀刻过程中是否有变异发生，确保面板生产过程的良率。

目前，基于成本的考虑，大部份TFT-LCD的制程对于生产机台的面板品质检测方法都采用抽样检查的方式，即每天对该机台抽样1～3个同一规格的面板产品，以便监测生产的质量是否稳定，从而决定面板产品的质量。然而，若面板在制造的过程中出现问题，就必须等待检测时才会发现，而此时出现问题的生产机台可能已经产出多批不良品。因此，从制程的操作变量发生变化到面板质量出现问题，便会有一定的时间落后。所以，如何在最短的时间内发现面板的质量是否出现问题，便是面板制造商面临的主要问题之一。为了提高机台的生产效率，多数的生产线同时都会有多种不同规格的面板同时生产，常规的抽样量测方法通常是会对每种面板进行抽样，这无疑会增加检测的工作量，延长面板的生产时间。因此，如何降低抽检的成本，提高抽检效率，同样也是面板厂商面临的主要问题之一。

虚拟量测(VM)技术是解决上述问题的主要手段之一，其基本概念是利用大量的可以在线测量的过程变量，如先进制程控制数据(APC)去估计生产面板的质量，以便于在生产机台发生异常时能及时发现，并且同时鉴别出不良品，以节约后续制程的能源，并提高生产的良率。然而，APC系统的数据量庞大，且某些变量存在强烈的相关性，传统的处理方法是采用统计回归的方法，而其中应用最多的，就是主成分回归分析(PCR)与部分最小平方(PLS)方法。但对于PCR/PLS方法来说，它是将数据压缩之后来取代原始变量，以致于现场工程师无法理解各个变量对面板质量的影响，也无法找到发生变异的关键因素。因此，为了能更好地了解或掌握生产系统，以有物理意义的变量来建立预估模型无疑是非常有利的。这些有物理意义的变量对系统的故障诊断，以及提高系统的运行效率都是很有参考价值的。另外，在TFT-LCD制程中存在很多的不可测的变量，比如在TFT-LCD的蚀刻制程中，蚀刻液的实际消耗量或蚀刻液中离子的浓度等，皆无法精确的量测。然而这些变量却会直接影响蚀刻制程后面板的最终关键尺寸值。因此，在虚拟量测系统中必须考虑这些因素的影响，来提高预估精度。

现有的应用于半导体制程的“Method of monitoring and/or controlling a semiconductormanufacturing apparatus and a system”(美国专利第6616759号)，提出了一种基于PLS方法而计算出制程新的参数设定值，此方法并不能让工程师理解各个变量对面板质量的影响；而应用于半导体晶圆温度预测的“Method for predicting temperature，test wafer for use intemperature prediction and method for evaluating lamp heating system”(美国专利第6666577号)，则提出了一种预测晶圆制程温度的方法，此方法只能适用于特定种类的机台，缺乏通用性。中国专利申请号为200610108408.6、名称为“半导体制造的虚拟量测预估与建立预估模型的方法与系统”公开一种建立预估模型的方法，此方法建立多个预估模型，并用相关指标选择最佳模型，但其缺陷是：若多个预估的相关指标都低于给定阈值时，系统会出现无输出值。中国专利申请号为200610149890.8、名称为“量测方法以及虚拟量测系统”提出一种基于类神经网络建立虚拟量测模型的方法，其缺陷是：模型的训练时间长，模型的结构复杂，且容易出现局部最优的现象。

发明内容

本发明的目的就是提供一种用于预测TFT-LCD制程的面板品质虚拟量测方法及其系统，以解决现有虚拟量测方法因将数据压缩来取代原始变量，以致于现场工程师无法理解各个变量对面板质量的影响，也无法找到发生变异的关键因素的问题；同时降低多产品抽样量测的频率；此外，解决制程不可测变量对面板品质的影响，提高虚拟量测的精度。

本发明的虚拟量测方法采用的技术方案是采用如下步骤：

1)先进制程控制单元获取至少一制程机台的制程参数资料值后，原始数据处理单元将各制程参数数据值先减去制程参数数据值的平均值，再除以制程参数数据值的标准偏差；

2)量测机台获取抽样量测加工后的面板品质量测值，面板品质数据处理单元将抽样的面板品质量测值先减去面板品质量测值的平均值，再除以面板品质量测值的标准偏差；

3)关键参数挑选单元以逐步回归的方式从制程参数数据值中挑选与面板品质量测值最相关的关键制程参数数据值，先在所有的制程参数数据值中寻找出对最终面板品质最大的偏F值，再将其加入模型中形成第一模型，再将剩下的制程参数数据值个别加入第一模型中计算其偏F值，确定该制程参数数据值是否大于进入阈值，当制程参数数据值其中之一的偏F值大于进入阈值时，则该制程参数数据值被设定为关键制程参数数据值；然后挑选出最大的偏F值加入模型中形成第二模型，当第二模型中的制程参数数据值超过3个后，将其个别移出第二模型看其偏F值是否有小于剔除阈值，然后挑选出偏F值最小的制程参数数据值予以删除后再继续加入其他制程参数数据值，如此一直执行直至达到设定所需的制程参数数据值个数后，或当剩下的制程参数数据值个别加入模型都小于进入阈值时即停止；所述偏F值的计算方法是：

由公式y＝α+β₁x₁+ε、y＝α+β₁x₁+β₂x₂+ε先计算面板品质的估计值，并根据实际的面

$\hat{B}={\left({\mathrm{XX}}^T\right)}^{-1}\mathrm{XY}$

板品质量测值(192)，由公式 $\begin{array}{c}\mathrm{SSR}=\hat{B}\mathrm{XY}\\ \mathrm{SSE}=Y^{T}Y-\hat{B}\mathrm{XY}\end{array}$ 得到回归的平方和SSR(1)、SSR(2)以

$\mathrm{MSE}=\frac{\mathrm{SSE}}{N-p}$

及残差平方和MSE(1)，再由公式

算出偏F值；

公式中： $Y=\left[\begin{array}{c}{y}_1\\ y_2\\ M\\ y_N\end{array}\right]$ 为面板的品质， $X=\left[\begin{array}{ccc}1& L& 1\\ x_{\mathrm{1,1}}& L& x_{1,N}\\ x_{\mathrm{2,1}}& L& x_{2,N}\end{array}\right]$ 为制程参数数据值， $B=\left[\begin{array}{c}\mathrm{\α}\\ {\mathrm{\β}}_1\\ {\mathrm{\β}}_2\end{array}\right]$ 为第二模型参数，ε为预估误差，N为量测面板的个数，

为估计的模型系数，p是估计的模型系数

的个数，p＝3；

4)线性模型预估单元则根据关键制程参数数据值及其对应的实际面板品质量测值的关系，以线性最小二乘算法建立初始预估模型；

5)在初始预估模型的基础上将同一配方下误差的总变动量，依产品种类解成不同的部份，多产品效益处理单元根据同一配方下各个面板的产品效益产生初始多产品预估模型；

6)干扰项系数处理单元根据关键制程参数数据值，由初始多产品预估模型得到估计值，并计算该估计值与各估计值所对应的实际面板品质量测值之间的误差值，以时间序列回归算法处理该误差值，产生干扰项系数后建立虚拟量测模型单元。

本发明的虚拟量测系统采用的技术方案是：包含一制程机台、一先进制程控制单元和一量测机台、制程机台的输出连接先进制程控制单元的输入，先进制程控制单元的输出连接原始数据处理单元的输入，原始数据处理单元的输出连接关键参数挑选单元的输入，关键参数挑选单元的输出连接线性模型预估单元的输入，线性模型预估单元的输出连接多产品效益处理单元的输入，多产品效益处理单元的输出连接干扰项系数处理单元的输入，干扰项系数处理单元的输出连接虚拟量测模型单元的输入；所述量测机台的输出连接面板品质数据处理单元的输入，面板品质数据处理单元的输出连接多产品效益处理单元的输入；将干扰项系数处理单元与关键参数挑选单元相连。

本发明具有如下优点：

(1)由逐步回归方法挑选出关键的制程参数来建立虚拟量测模型，藉此可提高现场工程师对该些制程参数对面板质量影响的了解。

(2)藉由ANCOVA建立虚拟量测模型，藉此可对同一制程配方但不同规格的各式面板进行质量预测，降低抽样量测的频率，减轻预估模型的复杂度。

(3)由时间序列技术弥补不可测参数对面板质量的影响。

附图说明

图1为本发明用于TFT-LCD蚀刻制程的面板品质虚拟量测系统的构造示意图；

图2为本发明挑选关键制程参数数据值示意图；

图3为本发明用于预测TFT-LCD制程面板品质的虚拟量测系统实施例示意图；

图4为本发明时间序列法拟合结果示意图；

图5为本发明多产品虚拟量测结果示意图；

图中：110.制程机台；120.先进制程控制单元；130.原始数据处理单元；131.制程参数资料值；140.关键参数挑选单元；141.关键制程参数数据值；150.线性模型预估单元；160.多产品效益处理单元；161.初始多产品预估模型；170.干扰项处理单元；171.干扰项系数；180.虚拟量测模型单元；190.量测机台；191.产品品质数据处理单元；192.产品品质量测值；210.第一模型；220.第二模型；230.第三模型；240.第四模型；250.第五模型；260.第四制程参数集合；270.第三制程参数集合；280.第二制程参数集合；290.第一制程参数集合；310.酸液；320.蚀刻槽；330.面板；340.输送装置；350.供液装置；360.输送泵；370.储存槽；380.喷头装置。

具体实施方式

参阅图1，本发明用于预测TFT-LCD制程面板品质的虚拟量测系统包含一制程机台110、一先进制程控制单元120、一原始数据处理单元130、一关键参数挑选单元140、一线性模型预估单元150、一量测机台190、一面板品质数据处理单元191、一多产品效益处理单元160、一干扰项系数处理单元170、以及一虚拟量测模型单元180。制程机台110的输出连接先进制程控制单元120的输入，先进制程控制单元120的输出连接原始数据处理单元130的输入，原始数据处理单元130的输出连接关键参数挑选单元140的输入，关键参数挑选单元140的输出连接线性模型预估单元150的输入，线性模型预估单元150的输出连接多产品效益处理单元160的输入，多产品效益处理单元160的输出连接干扰项系数处理单元170的输入，干扰项系数处理单元170的输出连接虚拟量测模型单元180的输入。量测机台190的输出连接面板品质数据处理单元191的输入，面板品质数据处理单元191的输出连接多产品效益处理单元160的输入；同时，将干扰项系数处理单元170与关键参数挑选单元140相连。

先进制程控制单元120获取至少一制程机台110的APC系统的制程参数资料值131后；再以原始数据处理单元130对该制程参数数据值131进行标准化，进行标准化时，原始数据处理单元130将各制程参数数据值131先减去制程参数数据值131的平均值，再除以制程参数数据值131的标准偏差。量测机台190获取抽样量测加工后的面板品质量测值192，再以面板品质数据处理单元191对该面板品质量测值192进行标准化，标准化时，面板品质数据处理单元191将抽样的面板品质量测值192先减去面板品质量测值192的平均值，再除以面板品质量测值192的标准偏差。以关键参数挑选单元140从制程参数数据值131中挑选与面板品质量测值192最相关的关键制程参数数据值141，挑选时，关键参数挑选单元140以逐步回归的方式，即：按着制程参数数据值131对面板品质贡献大小，由大到小地逐个引入回归方程；而已被引入回归方程的制程参数，在引入新的制程参数后也可能失去重要性，而需要从回归方程中剔除出去。这样，就由制程参数数据值131中挑选最相关的关键制程参数数据值141，且当制程参数数据值131其中之一的偏F值大于进入阈值时，则该制程参数数据值131即被设定为关键制程参数数据值141，而当制程参数数据值131其中之一的偏F值小于剔除阈值时，则该制程参数数据值即不被设定为关键制程参数数据值其中之一。线性模型预估单元150则根据关键制程参数数据值141及其对应的实际面板品质量测值192的关系，以实际面板品质量测值与预估面板品质值的误差平方和最小为准则，用线性最小二乘算法建立一初始预估模型151；在初始预估模型151的基础上，藉由共变异数分析方法(ANCOVA)，即将同一配方下误差的总变动量，依产品种类解成不同的部份，再以假设检定的方法来判断这些产品因素是否确实能解释资料的变动。多产品效益处理单元160根据同一配方下各个面板的产品效益产生一初始多产品预估模型161；干扰项系数处理单元170根据关键制程参数数据值141，由初始多产品预估模型161得到估计值，并计算该估计值与各估计值所对应的实际面板品质量测值192之间的误差值，按时间序列排序，再籍由曲线拟合与参数估计的时间序列回归算法，处理该误差值，产生一干扰项系数171后，建立虚拟量测模型单元180。

参阅图2，关键参数挑选单元140从制程参数数据值131中挑选与面板品质量测值192最相关的关键制程参数数据值141时，一开始先在所有的制程参数数据值131中寻找出对最终面板品质最有贡献的制程参数数据值131，即最大的偏F值，再将其加入模型中形成图2中的第一模型210，接着，将剩下的制程参数数据值131个别加入第一模型210中，计算其偏F值，来确定该制程参数数据值131是否对模型有所贡献，大于进入阈值，然后挑选出最有贡献的制程参数数据值131加入模型中形成第二模型220，当第二模型中的制程参数数据值131超过3个之后，就需做制程参数数据值131的剔除检定，也就是将制程参数数据值131个别移出第二模型看其偏F值是否有小于剔除阈值，然后挑选出偏F值最小的制程参数数据值131予以删除后再继续加入其他制程参数数据值131。如此一直执行下去直至达到所设定所需的制程参数数据131值个数后，或者是当剩下的制程参数数据值131个别加入模型都小于进入阈值时，即会停止。

偏F值的计算步骤为：由以下公式(1)、(2)先计算面板品质的估计值，并根据实际的面板品质量测值192，由公式(5)得到回归的平方和SSR(1)、SSR(2)，以及残差平方和MSE(1)，再籍由公式(3)算出偏F值。

下面将详细叙述从第一制程参数集合290中选取第一个制程参数数据值x₁加入第一模型210后，如何从第二制程参数数据集合280(x₂，x₃，L，x_p)挑选出适当的制程参数数据值进入第一模型210之中。

第一模型210为方程式：

y＝α+β₁x₁+ε      (1)

将制程参数数据值x₂加入第一模型210形成第二模型220，则，第二模型220的方程变化为：

y＝α+β₁x₁+β₂x₂+ε(2)

此时再以下列公式计算其偏F值

$F=\frac{\mathrm{SSR}\left(1\right)-\mathrm{SSR}\left(2\right)}{\mathrm{MSE}\left(1\right)}---\left(3\right)$

式中，(1)与(2)是指代第一模型210，第二模型220。SSR、MSE由公式(5)算出。

此时，F大于进入阈值时，则加入制程参数数据值x₂，反之，则不加入。

以下将详细解说SSR及MSE的计算方法：

公式(2)可改写为：

Y＝X^TB+ε(4)

式中： $Y=\left[\begin{array}{c}{y}_1\\ y_2\\ M\\ y_N\end{array}\right]$ 为面板的品质， $X=\left[\begin{array}{ccc}1& L& 1\\ x_{\mathrm{1,1}}& L& x_{1,N}\\ x_{\mathrm{2,1}}& L& x_{2,N}\end{array}\right]$ 为制程参数值， $B=\left[\begin{array}{c}\mathrm{\α}\\ {\mathrm{\β}}_1\\ {\mathrm{\β}}_2\end{array}\right]$ 为第二模型参数，ε为预估误差，N为量测面板的个数，

而：

$\hat{B}={\left({\mathrm{XX}}^T\right)}^{-1}\mathrm{XY}$

$\mathrm{SSR}=\hat{B}\mathrm{XY}$

$\mathrm{SSE}=Y^{T}Y-\hat{B}\mathrm{XY}---\left(5\right)$

$\mathrm{MSE}=\frac{\mathrm{SSE}}{N-p}$

其中，

为估计的模型系数，p是估计的模型系数

的个数，p＝3。

这样，在第二制程参数集合280(x₂，x₃，L，x_p)中，制程参数x₃的F值最大，最终的第二模型220包含制程参数x₁和x₃。而剩余未挑选的制程参数集合变化为第三制程参数集合270(x₂，x₄，x₅L，x_p)。

同理，依据上述方法，依次计算第三制程参数集合270中所有制程参数的F值，将最大F值所对应的制程参数x₄加入第三模型230，得到第三模型方程：

y＝α+β₁x₁+β₂x₃+β₃x₄+ε(6)

即：第三模型230包含制程参数：x₁，x₃，x₄。

由于第三模型包含的参数个数大于3，需要做剔除检定，依次将第三模型230中的制程参数x₁，x₃，x₄从方程(6)中剔除，并由公式(3)计算其对应的偏F值(总共3个值)，此时，制程参数x₄所对应的F值最小，且小于0.05，需要从第三模型230中剔除，即得到第四模型240，而此时剩余参数集合变化为第四制程参数集合260(x₂，x₃，x₅L，x_p)。

依次类推，依据挑选变数的方法，第四制程参数集合260中，挑选关键参数加入第四模型中，得到第五模型250，直到没有任何变数加入与剔除为止。

实施例

参阅图3，本发明系统在实施时，由蚀刻槽320、酸液310、喷头装置380，供液装置350、输送泵360、储存槽370，以及输送装置340等构成。面板330放置在输送装置340上，并以39℃至44℃的酸液自喷头装置380的喷嘴洒向面板330，面板330藉由输送装置340左右摇摆，使其与酸液310充分反应，进而移除薄膜表面的原子，以达到蚀刻的目的。由图可知，蚀刻的效果与蚀刻的时间、冲洗的喷洒压力、酸液温度和酸液的消耗过程有直接的关系。其中，蚀刻的时间、反应的温度、喷洒的压力等都可以籍由相关的仪器直接获得，但是酸液的消耗(实时反应的浓度)却很难直接量测。

首先以先进制程控制单元120收集传感器信息。该蚀刻制程有40个制程参数，其中有10个制程参数对蚀刻的宽度有相当大的影响。在这10个制程参数中，蚀刻的温度(Temperature)和蚀刻液的流速(Flow Rate)为最重要的制程参数，其余的制程参数是为了要使制程稳定的制程参数。接着原始数据处理单元130将所有制程参数进行前处理，针对各个制程参数的及其蚀刻后面板的关键尺寸值进行z-分数，即：减去平均数(μ_i，x，μ_i，y)，除以标准偏差(σ_i，x，σ_i，y)，如下列方程式所示：

式中，

为制程参数x_i(k)的标准化值；

为关键尺寸y(k)的标准化值；μ_i，x为制程参数x_i(k)的平均值，μ_i，y为关键尺寸y(k)的平均值；σ_i，x为制程参数x_i(k)的标准差；σ_i，y为关键尺寸y(k)的标准差；i为制程参数的序号；L为制程参数的总个数；k为量测面板的序号；N为量测面板的总个数。

接着关键参数挑选单元140藉由逐步回归方法挑选出影响抽样量测的面板品质的关键制程参数。其系对所有的制程参数做一个筛选的动作，并非所有制程参数同时拿来进行建模，而是依据解释能力的大小，逐步的检视每一个制程参数的影响，将对模型有贡献的制程参数选择为模型最终所使用的制程参数。每一步选进或剔除制程参数的依据是偏F值。假定当某制程参数的偏F值大于进入阈值时则将该制程参数选进模型，而当制程参数的偏F值小于剔除阈值时则将该制程参数剔除出模型。通常，进入阈值会大于等于剔除阈值。藉由关键参数挑选单元140可以获取影响面板CD的关键制程参数：

式中，p为关键制程参数的个数。

关键参数挑选单元140接着把选出来的制程参数当成输入制程参数，而蚀刻后的CD值当成系统输出值，利用线性最小二乘算法，获取系统的模型，这里要注意的是，模型的系数必须具有物理意义，即：需要解有约束的优化方程：

s.t.a_i＜0

式中，a_i系统模型的系数，J为累积的误差值

然后针对同一配方下的多个面板，考虑各个产品的产品效益，使用ANCOVA技术来建立统一的初始模型：

(11)

式中，

为面板的预估关键尺寸值，τ_j为产品的效益，j为产品的序号，m为总产品数。接着利用ANCOVA的模型，对所有建模的输入制程参数

进行模型预测，得到当下的估计值

进而得到系统的残差η(k)：

$\mathrm{\η}\left(k\right)=y\left(k\right)-\hat{y}\left(k\right)---\left(12\right)$

式中，η(k)初始模型的估计残差。

接着采用时间序列拟合的方法，拟合IMA(1，1)的模型参数θ，其拟合结果如第4图所示，从而得到最终虚拟量测模型：

(13)

式中，ε(k)为最终的模型误差，θ为IMA(1，1)的参数

为了克服系统的扰动，需要用固定采样频率的量测动作来更新系统的误差ε(k)，此时，并不需要量测每一种面板的CD值，只需量测在相同制程配方下的某种面板的CD值，以捕获系统当下的扰动情况。本实施例之评估指标系使用均方误差(MSE)，如下方程序所示：

$\mathrm{MSE}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(y\left(k\right)-\hat{y}\left(k\right))}^2---\left(14\right)$

本实施例的预测结果如图5所示，图5共有4种规格的面板，其中实线为实际量测CD值，虚线则为虚拟量测CD值。#1-#4产品的MSE分别为：0.116、0.177、0.257与0.354分别如图5(a)、5(b)、5(c)、5(d)所示，而平均R²为80％，由此可知其变量解释模型的能力相当好。

本发明藉由逐步回归方法挑选出关键的制程参数来建立虚拟量测模型，藉此可提高现场工程师对该些制程参数对面板质量影响的了解，且其更藉由共变异数分析技术建立虚拟量测模型，藉此可对同一制程配方但不同规格的各式面板进行精准的质量预测，同时藉由时间序列分析方法，提高虚拟量测模型的预测精度。

Claims (2)

1.一种用于TFT-LCD蚀刻制程的面板品质虚拟量测方法，其特征是采用如下步骤：

1)先进制程控制单元(120)获取至少一制程机台(110)的制程参数资料值(131)后，原始数据处理单元(130)将各制程参数数据值(131)先减去制程参数数据值(131)的平均值，再除以制程参数数据值(131)的标准偏差；

2)量测机台(190)获取抽样量测加工后的面板品质量测值(192)，面板品质数据处理单元(191)将抽样的面板品质量测值(192)先减去面板品质量测值(192)的平均值，再除以面板品质量测值(192)的标准偏差；

3)关键参数挑选单元(140)以逐步回归的方式从制程参数数据值(131)中挑选与面板品质量测值(192)最相关的关键制程参数数据值(141)，先在所有的制程参数数据值(131)中寻找出对最终面板品质最大的偏F值，再将其加入模型中形成第一模型(210)，再将剩下的制程参数数据值(131)个别加入第一模型(210)中计算其偏F值，确定该制程参数数据值(131)是否大于进入阈值，当制程参数数据值(131)其中之一的偏F值大于进入阈值时，则该制程参数数据值(131)被设定为关键制程参数数据值(141)；然后挑选出最大的偏F值加入模型中形成第二模型(220)，当第二模型(220)中的制程参数数据值(131)超过3个后，将其个别移出第二模型(220)看其偏F值是否有小于剔除阈值，然后挑选出偏F值最小的制程参数数据值(131)予以删除后再继续加入其他制程参数数据值(131)，如此一直执行直至达到设定所需的制程参数数据值(131)个数后，或当剩下的制程参数数据值(131)个别加入模型都小于进入阈值时即停止；

所述偏F值的计算方法是：

由公式y＝α+β₁x₁+ε、y＝α+β₁x₁+β₂x₂+ε先计算面板品质的估计值，并根据实际

$\hat{B}={\left({\mathrm{XX}}^T\right)}^{-1}\mathrm{XY}$

的面板品质量测值(192)，由公式 $\begin{array}{c}\mathrm{SSR}=\hat{B}\mathrm{XY}\\ \mathrm{SSE}=Y^{T}Y-\hat{B}\mathrm{XY}\end{array}$ 得到回归的平方和SSR(1)、SSR(2)

$\mathrm{MSE}=\frac{\mathrm{SSE}}{N-p}$

以及残差平方和MSE(1)，再由公式

算出偏F值；

公式中： $Y=\left[\begin{array}{c}{y}_1\\ y_2\\ M\\ y_N\end{array}\right]$ 为面板的品质， $X=\left[\begin{array}{ccc}1& L& 1\\ x_{\mathrm{1,1}}& L& x_{1,N}\\ x_{\mathrm{2,1}}& L& x_{2,N}\end{array}\right]$ 为制程参数数据值， $B=\left[\begin{array}{c}\mathrm{\α}\\ {\mathrm{\β}}_1\\ {\mathrm{\β}}_2\end{array}\right]$ 为第二模型参数，ε为预估误差，N为量测面板的个数，

为估计的模型系数，p是估计的模型系数

的个数，p＝3；

4)线性模型预估单元(150)根据关键制程参数数据值(141)及其对应的实际面板品质量测值(192)的关系，以线性最小二乘算法建立初始预估模型(151)；

5)在初始预估模型(151)的基础上将同一配方下误差的总变动量，依产品种类解成不同的部份，再以假设检定的方法来判断这些产品因素是否确实能解释资料的变动，多产品效益处理单元(160)根据同一配方下各个面板的产品效益产生初始多产品预估模型(161)；

6)干扰项系数处理单元(170)根据关键制程参数数据值(141)，由初始多产品预估模型(161)得到估计值，并计算该估计值与各估计值所对应的实际面板品质量测值(192)之间的误差值，以时间序列回归算法处理该误差值，产生干扰项系数(171)后建立虚拟量测模型单元(180)。

2.一种用于TFT-LCD蚀刻制程的面板品质虚拟量测系统，包含一制程机台(110)、一先进制程控制单元(120)和一量测机台(190)、制程机台(110)的输出连接先进制程控制单元(120)的输入，其特征是：先进制程控制单元(120)的输出连接原始数据处理单元(130)的输入，原始数据处理单元(130)的输出连接关键参数挑选单元(140)的输入，关键参数挑选单元(140)的输出连接线性模型预估单元(150)的输入，线性模型预估单元(150)的输出连接多产品效益处理单元(160)的输入，多产品效益处理单元(160)的输出连接干扰项系数处理单元(170)的输入，干扰项系数处理单元(170)的输出连接虚拟量测模型单元(180)的输入；所述量测机台(190)的输出连接面板品质数据处理单元(191)的输入，面板品质数据处理单元(191)的输出连接多产品效益处理单元(160)的输入；将干扰项系数处理单元(170)与关键参数挑选单元(140)相连。

Images