CN105225979A - 一种半导体器件制程预测系统和方法 - Google Patents
一种半导体器件制程预测系统和方法 Download PDFInfo
- Publication number
- CN105225979A CN105225979A CN201410276855.7A CN201410276855A CN105225979A CN 105225979 A CN105225979 A CN 105225979A CN 201410276855 A CN201410276855 A CN 201410276855A CN 105225979 A CN105225979 A CN 105225979A
- Authority
- CN
- China
- Prior art keywords
- data
- predicted
- information
- semiconductor device
- processing procedure
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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], 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], 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
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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]
Abstract
本发明提供一种半导体器件制程预测系统和方法,涉及半导体技术领域。本发明的半导体器件制程预测系统,包括数据采集模块、数据转换模块以及具有神经网络模型的结果预测模块,可以根据线上数据利用神经网络模型及时计算出待预测信息预测结果,从而可以预防半导体器件制程发生重大可靠性和/或良率问题。本发明的半导体器件制程预测方法,包括采集与待预测信息的预测相关的原始数据、将所述原始数据转换成可计算的标准化数据、利用神经网络预测模型计算待预测信息预测结果的步骤,可以根据线上数据利用神经网络模型及时计算出待预测信息预测结果,从而可以预防半导体器件制程发生重大可靠性和/或良率问题。
Description
技术领域
本发明涉及半导体技术领域,具体而言涉及一种半导体器件制程预测系统和方法。
背景技术
在半导体技术领域中,良率(yield)和可靠性(reliability)是影响半导体制造业的发展和盈利能力的两个重要因素。通常地,半导体器件的可靠性根据半导体器件制程结束后的测试结果进行计算获取。与此类似,半导体器件的良率也是在制程结束后的晶圆测试结果中才能够获得。
由于良率和可靠度是对盈利能力非常重要的因素,如何准确预测可靠性风险和良率是半导体器件制造者确保盈利的必要因素。
目前,对可靠性风险和良率的评估仅可以通过对经过整个制程的晶圆进行测试获得,或基于之前的经验获得。这会导致存在高风险的晶圆最终因发生风险而被废弃,进而导致半导体器件制造过程的成本增加。
由此可见,现有技术中并不存在一种通过对线上(inline)数据的即时预测来预防半导体器件制程发生重大可靠性或良率问题的方案。因此,为解决上述技术问题,有必要提出一种半导体器件制程预测系统和方法。
发明内容
针对现有技术的不足,本发明提供一种半导体器件制程预测系统和方法,可以根据即时采集的线上数据,预防半导体器件制程发生重大可靠性或良率问题。
本发明实施例一提供一种半导体器件制程预测系统,所述预测系统包括:
数据采集模块,用于采集与待预测信息的预测相关的原始数据,其中所述待预测信息包括可靠性和/或良率;
数据转换模块,用于将所述原始数据转换成可计算的标准化数据;
结果预测模块,用于根据所述标准化数据计算出待预测信息预测结果,并将所述待预测信息预测结果与预设的待预测信息标准进行比对;
其中,所述结果预测模块包括神经网络预测模型,所述神经网络预测模型用于根据所述标准化数据计算出所述待预测信息预测结果。
可选地,所述神经网络预测模型的参数通过如下方法进行配置:
设定参数实验范围;
通过实验设计表格进行实验;
对实验结果进行平均误差判断,将平均误差最小的参数配置作为所述神经网络预测模型的配置。
可选地,所述结果预测模块还包括预测结果判断单元,其中所述预测结果判断单元用于将待预测信息预测结果与预设的待预测信息标准进行比对并针对不同的比对结果执行相应的判断。
可选地,所述针对不同的比对结果执行相应的判断包括:
如果预测结果落在合格标准线以上,判定产品的待预测信息正常;
如果预测结果落在不合格标准线以下,判定产品的待预测信息异常;
如果预测结果落在合格标准线与不合格标准线之间,判定产品需要做进一步分析。
可选地,所述数据采集模块将所述原始数据存储到指定的数据库中。
可选地,所述原始数据包括:线上量测数据、机台监控系统数据、制造及等待时间数据和晶圆电性测试数据。
可选地,所述机台监控系统数据包括功率、压力、加热头温度和气体,所述线上量测数据包括金属连线的线宽、沟槽的线宽、隔绝层的厚度、连接洞的直径。
可选地,所述数据转换模块包括数据格式转换功能和数据标准化功能,其中,所述数据标准化功能采用如下方式进行:
(Value-Min)/(Max-Min);
其中,Value为实际数据,Max为建模时使用的最大数据,Min为建模时使用的最小数据。
可选地,所述预测系统还包括模型参数检验模块,其中所述模型参数检验模块用于将待预测信息的实际测试结果与所述待预测信息预测结果进行实时比对,并将误判率和预设标准进行比对,如果超标则触发模型优化指令,如果没超标则系统正常运行。
本发明实施例二提供一种半导体器件制程预测方法,所述预测方法包括:
步骤S101:采集与待预测信息的预测相关的原始数据;
步骤S102:将所述原始数据转换成可计算的标准化数据;
步骤S103:利用神经网络预测模型根据所述标准化数据计算出待预测信息预测结果,并将所述待预测信息预测结果与预设的待预测信息标准进行比对。
可选地,在所述步骤S103中,所述神经网络预测模型的参数通过如下方法进行配置:
设定参数实验范围;
通过实验设计表格进行实验;
对实验结果进行平均误差判断,将平均误差最小的参数配置作为所述神经网络预测模型的配置。
可选地,在所述步骤S103中,将所述待预测信息预测结果与预设的待预测信息标准进行比对包括如下内容:
如果预测结果落在合格标准线以上,判定产品的待预测信息正常;
如果预测结果落在不合格标准线以下,判定产品的待预测信息异常;
如果预测结果落在合格标准线与不合格标准线之间,判定产品需要做进一步分析。
可选地,在所述步骤S101中,所述原始数据包括:线上量测数据、机台监控系统数据、制造及等待时间数据和晶圆电性测试数据。
可选地,在所述步骤S102中,将所述原始数据转换成可计算的标准化数据包括数据标准化的步骤,其中,所述数据标准化的步骤采用如下方式进行:(Value-Min)/(Max-Min);
其中,Value为实际数据,Max为建模时使用的最大数据,Min为建模时使用的最小数据。
可选地,在所述步骤S103之后还包括步骤S104:
将所述待预测信息的实际测试结果与所述待预测信息预测结果进行实时比对,并将误判率和预设标准进行比对,如果超标则触发模型优化指令,如果没超标则系统正常运行。
本发明的半导体器件制程预测系统,包括数据采集模块、数据转换模块以及具有神经网络模型的结果预测模块,可以根据线上数据利用神经网络模型及时计算出待预测信息预测结果,从而可以预防半导体器件制程发生重大可靠性和/或良率问题。本发明的半导体器件制程预测方法,包括采集与待预测信息预测相关的原始数据、将所述原始数据转换成可计算的标准化数据、利用神经网络预测模型计算待预测信息预测结果的步骤,可以根据线上数据利用神经网络模型及时计算出待预测信息预测结果,从而可以预防半导体器件制程发生重大可靠性和/或良率问题。
附图说明
本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述,用来解释本发明的原理。
附图中:
图1为本发明实施例一的半导体器件制程预测系统的一种原理框图;
图2为本发明实施例二的半导体器件制程预测方法的一种流程图;
图3为本发明实施例二的半导体器件制程预测方法的另一种流程图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。
然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
应当理解的是,本发明能够以不同形式实施,而不应当解释为局限于这里提出的实施例。相反地,提供这些实施例将使公开彻底和完全,并且将本发明的范围完全地传递给本领域技术人员。在附图中,为了清楚,层和区的尺寸以及相对尺寸可能被夸大。自始至终相同附图标记表示相同的元件。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时,单数形式的“一”、“一个”和“所述/该”也意图包括复数形式,除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”,当在该说明书中使用时,确定所述特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时,术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明,将在下列的描述中提出详细的步骤以及详细的结构,以便阐释本发明提出的技术方案。本发明的较佳实施例详细描述如下,然而除了这些详细描述外,本发明还可以具有其他实施方式。
实施例一
本发明实施例提供一种半导体器件制程预测系统,可以通过对线上数据的采集以及待预测信息结果预测来预防半导体器件制程发生重大可靠性和/或良率问题。其中,对可靠性和/或良率结果的预测,主要采用神经网络模型(NeuralNetworksModule)来实现。
如图1所示,本实施例提供一种半导体器件制程预测系统100,其包括数据采集模块101、数据转换模块102、结果预测模块103。其中,结果预测模块103包括神经网络预测单元1031与预测结果判断单元1032。此外,半导体器件制程预测系统100还可以包括预测单元参数检验模块104。
在本实施例中,数据采集模块101用于采集与待预测信息的预测相关的各种原始数据。在本实施例中,所述待预测信息包括可靠性和/或良率,还可以包括其他信息。其中,数据的采集可以为实时采集。采集到的数据可以存储到指定的数据库中。
在一个实例中,数据采集模块101可以自动从半导体器件生产线的各个系统和机台中收集与需要分析的与待预测信息(例如可靠性或良率)相关的线上数据。
采集原始数据时,通常需要对与待预测信息(例如可靠性或良率)的预测相关的原始数据进行筛选,确定具体采集哪些数据。在本实施例中,在对与待预测信息的预测相关的原始数据进行筛选时,可以采用回归分析(regressionanalysis)的方法。例如,对于与输出反馈相关度低的数据,可以不进行采集。通过采用回归分析的方法对拟采集的数据进行筛选,可以提高预测的准确度。
示例性地,经筛选之后,所采集的原始数据可以包括:
A.线上(Inline)量测数据:
此数据为产品关键制程参数,通过量测机台自动将相应数据传到过程统计控制(SPC)系统,然后通过自动筛选将数据录入预测模型中。
B.机台监控系统(iEMS)数据:
此数据为机台实时数据,是机台在生产过程中的真实状况的体现,通过机台端的端口(port)录入到iEMS系统中,然后通过筛选将数据导入到模型中。
C.等候时间(Q-time)数据:
此数据为产品在一些关键制程中的等候时间,此数据和自然氧化层的生长和缺陷有关,通过制造执行系统(MES)中的制品管理(WIP)信息经过一些计算得到,然后自动录入到预测模型中。
D.晶圆电性测试(WAT)数据:
此数据为晶圆的电性测试数据,此数据通过WAT量测机台,将数据录入到良率管理系统(YMS)中,然后再筛选后进入预测模型。
在本实施例中,需要对数据采集模块101采集的各种数据(即,系统输入的数据)进行选择。在选择输入的数据时,需要考虑到相关生产线的制程对相应待预测信息的测试的影响。
例如:如果建立模型预测芯片金属间电介质层(IMD)的绝缘特性的可靠性或良率,那么,输入因素(即,输入的数据)应选择那些与金属间电介质层的沉积相关的重要参数,例如来自于机台端(iEMS)的参数(反应腔内的功率、压力、加热头的温度、以及四氟硅烷、硅烷之类的气体)、生产过程中硅片的线上量测数据(比如金属层的研磨和蚀刻的厚度、宽度)以及制程前后步骤之间的等待时间(可能影响自然氧化效应和缺陷颗粒水平等)等。
其中,对于机台端的实时参数,主要包括如下内容:
功率:影响沉积速率以及制程过程中硅片的温度;
压力:影响沉积速率以及薄膜的性质;
加热头温度:影响沉积速率和沉积薄膜的密度;
气体:气体的流量会影响沉积速率以及薄膜的性质。
对于线上(Inline)量测数据,主要包括金属连线的线宽、沟槽的线宽、隔绝层的厚度、连接洞的直径等,其中金属连线的线宽影响薄膜层的填洞能力(线宽较大会在薄膜中形成空洞)。
在本实施例中,数据转换模块102,用于将各种类型的原始数据转换成可计算的标准化数据。
示例性地,数据转换模块102包括数据格式转换和数据标准化两个功能,其分别用于将各种类型的原始数据转换成量化的系统可计算的数据以及将转换格式后的数据进行标准化,以提供给结果预测模块103(主要指神经网络预测模型1031)进行计算。
在神经网络预测中,使用(0,1)标准化后的数据可以得到较准确的预测结果,因此所有录入的数据都要经一步预处理(标准化)才能真正运用到预测系统上。
在本实施例中,对数据进行标准化的方式为:
(Value-Min)/(Max-Min);
其中,Value为实际数据,Max为建模时使用的最大数据,Min为建模时使用的最小数据。
在本实施例中,结果预测模块103,用于根据数据转换模块102转换后的数据(即,标准化数据)计算出待预测信息(例如可靠性或良率)预测结果,并将待预测信息预测结果与预设的待预测信息标准进行比对。
其中,结果预测模块103包括神经网络预测模型1031和预测结果判断单元1032。神经网络预测模型1031用于根据数据转换模块102转换后的数据计算出待预测信息预测结果。预测结果判断单元1032用于将待预测信息预测结果与预设的待预测信息标准(例如,包括合格标准线和不合格标准线)进行比对,然后针对不同的结果执行相应的判断。
在本实施例中,神经网络预测模型1031是本系统的核心模块。对于每一批产品,神经网络预测模型1031会根据数据转换模块102转换后的所有数据,计算出产品的待预测信息预测结果。
其中,神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力等优点,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。本实施例采用神经网络预测模型1031计算待预测信息预测结果(例如:可靠性或良率预测结果),可以使得整个预测系统具有上述优点。
在本实施例中,神经网络预测模型1031除了需要确定输入因素的数据外,还要对模型本身的参数进行配置。用实验设计(DesignOfExperiment;DOE)的方式可以很快找到合适的配置参数。
示例性地,用实验设计的方式寻找配置参数的方法,包括:
(1)设定参数实验范围。
一般选择神经网络的训练数据、验证数据和测试数据的样本量百分比中的2个作为参数,神经元的点数也是需要考虑的,例如选择验证数据和测试数据的样本量百分比,然后设定变化范围为10%~30%,神经元的点数一般按照因子个数用公式L=sqrt(m+n)的值再增加10~20个点数作为变化范围。
(2)通过实验设计表格进行实验。
实验进行的方式推荐使用最优设计方法,这可以最大限度的减少实验次数提高精度。
(3)对实验结果进行平均误差判断,将平均误差最小的参数配置作为最终的神经网络预测模型1031的设置。
通常,神经网络预测模型1031的最终建立需要经过如下步骤:
步骤A:建立和配置神经网络预测模型。
其中,通常采用实验设计(DOE)的方式去寻找训练(training)、生效(validation)、测试数据比(testdataratio)以及隐藏神经元(hiddenneurons)数量的最优条件。
步骤B:训练和生效神经网络预测模型。
通常采用最优条件来训练和生效神经网络模型。并定义基于最小样本的可接受的错误和最大的R反馈。
在本实施例中,预测结果判断单元1032会将待预测信息预测结果和预先设定的待预测信息标准进行比较,并分别进行如下操作:
i.如果预测结果落在合格标准线以上,判定产品的待预测信息正常,准备出货。
ii.如果预测结果落在不合格标准线以下,判定产品的待预测信息异常。此时可以自动安排给相关工程师(例如可靠性或良率改善工程师)进行待预测信息(例如可靠性或良率)的测量和分析。
iii.如果预测结果落在合格标准线与不合格标准线之间,判定产品需要做进一步分析。此时可以发送给相关单位做检验。
在本实施例中,模型参数检验模块104,用于将定期的待预测信息的实际测试结果与结果预测模块103计算出的待预测信息预测结果进行实时比对,并将误判率和预设标准进行比对,如果超标则触发模型优化指令,如果没超标则系统可正常运行。
示例性地,模型参数检验模块104主要进行如下操作:
a.将产品定期的待预测信息(例如可靠性或良率)检验数据汇总到模型自检数据库中。
b.通过预设的标准,自动判断现有的神经网络预测模型1031是否工作正常,是否有偏离数据产生。
c.神经网络预测模型1031一旦偏离预设的误差允许最大值,系统会报警以提醒管理员对是否要改进神经网络预测模型1031的参数进行判断。其中,该报警可能为误报警,需要管理员一并进行判断。
由此可见,本实施例的半导体器件制程预测系统,包括数据采集模块101、数据转换模块102以及具有神经网络模型1031的结果预测模块103,可以根据线上数据利用神经网络模型1031及时计算出待预测信息(例如可靠性或良率)预测结果,从而可以预防半导体器件制程发生重大可靠性和/或良率问题。并且,由于该系统对可靠性和/或良率预测结果的计算主要通过结果预测模块103中的神经网络模型1031来实现,可以实现对预测的最优控制。
实施例二
本发明实施例提供一种半导体器件制程预测方法,采用实施例一所述的半导体器件制程预测系统实现。该半导体器件制程预测方法,可以通过对线上数据的采集以及待预测信息(可靠性或良率)的结果预测来预防半导体器件制程发生重大可靠性和/或良率问题。其中,对待预测信息(例如可靠性或良率)预测结果的计算,主要采用神经网络模型来实现。
下面,参照图2和图3来介绍本实施例的半导体器件制程预测方法。其中,图2为本发明实施例的半导体器件制程预测方法的一种流程图;图3为本发明实施例的半导体器件制程预测方法的另一种流程图。
本实施例的半导体器件制程预测方法,如图2所示,主要包括如下步骤:
步骤S101:采集与待预测信息(例如可靠性和/或良率)的预测相关的原始数据。其中,所述待预测信息包括可靠性和/或良率。
其中,该与待预测信息的预测相关的原始数据的采集,采用实施例一中的数据采集模块101实现。
示例性地,在步骤S101中,在采集与待预测信息预测相关的原始数据之后,还包括将所述原始数据存储到指定的数据库中的步骤。
在本实施例中,原始数据可以包括:线上量测数据、机台监控系统数据、等候时间数据和晶圆可接受测试数据等。其中,机台监控系统数据可以包括功率、压力、加热头温度和气体等,线上量测数据可以包括金属的线宽等。
步骤S102:将所述原始数据转换成可计算的标准化数据。
其中,步骤S102采用实施例一中的数据转换模块102来实现。
示例性地,将所述原始数据转换成可计算的标准化数据包括数据标准化的步骤,其中,所述数据标准化采用如下方式进行:
(Value-Min)/(Max-Min);
其中,Value为实际数据,Max为建模时使用的最大数据,Min为建模时使用的最小数据。
也就是说,标准化的数据为根据公式(Value-Min)/(Max-Min)所计算出的数值。
步骤S103:根据所述标准化数据利用神经网络预测模型计算出待预测信息预测结果,并将所述待预测信息预测结果与预设的待预测信息标准进行比对。
其中,步骤S103采用实施例一中的结果预测模块103实现。所述神经网络预测模型为实施例一中所述的神经网络预测模型1031。
示例性地,所述神经网络预测模型的参数通过如下方法进行配置:
设定参数实验范围;
通过实验设计表格进行实验;
对实验结果进行平均误差判断,将平均误差最小的参数配置作为所述神经网络预测模型的配置。
示例性地,将所述待预测信息预测结果与预设的待预测信息标准进行比对采用实施例一中的预测结果判断单元(1032)实现。将所述待预测信息预测结果与预设的待预测信息标准进行比对,具体包括:将待预测信息预测结果与预设的待预测信息标准进行比对,并针对不同的比对结果执行相应的判断。其中,所述针对不同的比对结果执行相应的判断包括如下内容:
如果预测结果落在合格标准线以上,判定产品的待预测信息正常;
如果预测结果落在不合格标准线以下,判定产品的待预测信息异常;
如果预测结果落在合格标准线与不合格标准线之间,判定产品需要做进一步分析。
至此,完成了本实施例的半导体器件制程预测方法的关键步骤的介绍。
在步骤S103之后,如图3所示,本实施例的半导体器件制程预测方法还可以包括步骤S104:将待预测信息的实际测试结果与所述待预测信息预测结果进行实时比对,并将误判率和预设标准进行比对,如果超标则触发模型优化指令,如果没超标则系统正常运行。
其中,步骤S104可以采用实施例一中的模型参数检验模块104来实现。
本实施例的半导体器件制程预测方法,包括采集与待预测信息的预测相关的原始数据、将所述原始数据转换成可计算的标准化数据、利用神经网络预测模型计算待预测信息预测结果的步骤,可以根据线上数据利用神经网络模型及时计算出待预测信息预测结果,从而可以预防半导体器件制程发生重大可靠性和/或良率问题。
其中,图2示出了本发明实施例的半导体器件制程预测方法的一种流程图,具体包括:
步骤S101:采集与待预测信息的预测相关的原始数据,其中所述待预测信息包括可靠性和/或良率;
步骤S102:将所述原始数据转换成可计算的标准化数据;
步骤S103:利用神经网络预测模型根据所述标准化数据计算出待预测信息预测结果,并将所述待预测信息预测结果与预设的待预测信息标准进行比对。
图3示出了本发明实施例的半导体器件制程预测方法的另一种流程图,具体包括:
步骤S101:采集与待预测信息的预测相关的原始数据,其中所述待预测信息包括可靠性和/或良率;
步骤S102:将所述原始数据转换成可计算的标准化数据;
步骤S103:利用神经网络预测模型根据所述标准化数据计算出待预测信息预测结果,并将所述待预测信息预测结果与预设的待预测信息标准进行比对;
步骤S104:将所述待预测信息的实际测试结果与所述待预测信息预测结果进行实时比对,并将误判率和预设标准进行比对,如果超标则触发模型优化指令,如果没超标则系统正常运行。
本发明已经通过上述实施例进行了说明,但应当理解的是,上述实施例只是用于举例和说明的目的,而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是,本发明并不局限于上述实施例,根据本发明的教导还可以做出更多种的变型和修改,这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。
Claims (15)
1.一种半导体器件制程预测系统,其特征在于,所述预测系统包括:
数据采集模块,用于采集与待预测信息的预测相关的原始数据,其中所述待预测信息包括可靠性和/或良率;
数据转换模块,用于将所述原始数据转换成可计算的标准化数据;
结果预测模块,用于根据所述标准化数据计算出待预测信息预测结果,并将所述待预测信息预测结果与预设的待遇差信息标准进行比对;
其中,所述结果预测模块包括神经网络预测模型,所述神经网络预测模型用于根据所述标准化数据计算出所述待预测信息预测结果。
2.如权利要求1所述的半导体器件制程预测系统,其特征在于,所述神经网络预测模型的参数通过如下方法进行配置:
设定参数实验范围;
通过实验设计表格进行实验;
对实验结果进行平均误差判断,将平均误差最小的参数配置作为所述神经网络预测模型的配置。
3.如权利要求1所述的半导体器件制程预测系统,其特征在于,所述结果预测模块还包括预测结果判断单元,其中所述预测结果判断单元用于将待预测信息预测结果与预设待预测信息标准进行比对并针对不同的比对结果执行相应的判断。
4.如权利要求3所述的半导体器件制程预测系统,其特征在于,所述针对不同的比对结果执行相应的判断包括:
如果预测结果落在合格标准线以上,判定产品的待预测信息正常;
如果预测结果落在不合格标准线以下,判定产品的待预测信息异常;
如果预测结果落在合格标准线与不合格标准线之间,判定产品需要做进一步分析。
5.如权利要求1所述的半导体器件制程预测系统,其特征在于,所述数据采集模块将所述原始数据存储到指定的数据库中。
6.如权利要求1所述的半导体器件制程预测系统,其特征在于,所述原始数据包括:线上量测数据、机台监控系统数据、制造及等待时间数据和晶圆电性测试数据。
7.如权利要求6所述的半导体器件制程预测系统,其特征在于,所述机台监控系统数据包括功率、压力、加热头温度和气体,所述线上量测数据包括金属连线的线宽、沟槽的线宽、隔绝层的厚度、连接洞的直径。
8.如权利要求1所述的半导体器件制程预测系统,其特征在于,所述数据转换模块具有数据格式转换功能和数据标准化功能,其中,所述数据标准化功能采用如下方式进行:
(Value-Min)/(Max-Min);
其中,Value为实际数据,Max为建模时使用的最大数据,Min为建模时使用的最小数据。
9.如权利要求1所述的半导体器件制程预测系统,其特征在于,所述预测系统还包括模型参数检验模块,其中所述模型参数检验模块用于将待预测信息的实际测试结果与所述待预测信息预测结果进行实时比对,并将误判率和预设标准进行比对,如果超标则触发模型优化指令,如果没超标则系统正常运行。
10.一种半导体器件制程预测方法,其特征在于,所述预测方法包括:
步骤S101:采集与待预测信息的预测相关的原始数据,其中所述待预测信息包括可靠性和/或良率;
步骤S102:将所述原始数据转换成可计算的标准化数据;
步骤S103:利用神经网络预测模型根据所述标准化数据计算出待预测信息预测结果,并将所述待遇差信息预测结果与预设的待预测信息标准进行比对。
11.如权利要求10所述的半导体器件制程预测方法,其特征在于,在所述步骤S103中,所述神经网络预测模型的参数通过如下方法进行配置:
设定参数实验范围;
通过实验设计表格进行实验;
对实验结果进行平均误差判断,将平均误差最小的参数配置作为所述神经网络预测模型的配置。
12.如权利要求10所述的半导体器件制程预测方法,其特征在于,在所述步骤S103中,将所述待预测信息预测结果与预设的待预测信息标准进行比对包括如下内容:
如果预测结果落在合格标准线以上,判定产品的待预测信息正常;
如果预测结果落在不合格标准线以下,判定产品的待预测信息异常;
如果预测结果落在合格标准线与不合格标准线之间,判定产品需要做进一步分析。
13.如权利要求10所述的半导体器件制程预测方法,其特征在于,在所述步骤S101中,所述原始数据包括:线上量测数据、机台监控系统数据、制造及等待时间数据和晶圆电性测试数据。
14.如权利要求10所述的半导体器件制程预测方法,其特征在于,在所述步骤S102中,将所述原始数据转换成可计算的标准化数据包括数据标准化的步骤,其中,所述数据标准化的步骤采用如下方式进行:(Value-Min)/(Max-Min);
其中,Value为实际数据,Max为建模时使用的最大数据,Min为建模时使用的最小数据。
15.如权利要求10所述的半导体器件制程预测方法,其特征在于,在所述步骤S103之后还包括步骤S104:
将所述待预测信息的实际测试结果与所述待预测信息预测结果进行实时比对,并将误判率和预设标准进行比对,如果超标则触发模型优化指令,如果没超标则系统正常运行。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410276855.7A CN105225979A (zh) | 2014-06-19 | 2014-06-19 | 一种半导体器件制程预测系统和方法 |
US14/736,231 US20150371134A1 (en) | 2014-06-19 | 2015-06-10 | Predicting circuit reliability and yield using neural networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410276855.7A CN105225979A (zh) | 2014-06-19 | 2014-06-19 | 一种半导体器件制程预测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105225979A true CN105225979A (zh) | 2016-01-06 |
Family
ID=54869968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410276855.7A Pending CN105225979A (zh) | 2014-06-19 | 2014-06-19 | 一种半导体器件制程预测系统和方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20150371134A1 (zh) |
CN (1) | CN105225979A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106252252A (zh) * | 2016-08-30 | 2016-12-21 | 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 |
CN106469230A (zh) * | 2015-08-19 | 2017-03-01 | 北大方正集团有限公司 | 一种非作业时间长度确定方法及其系统 |
CN107369635A (zh) * | 2017-06-06 | 2017-11-21 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能半导体装备系统 |
CN107993962A (zh) * | 2017-11-21 | 2018-05-04 | 长江存储科技有限责任公司 | 酸槽制程干燥能力的验证方法及验证装置 |
CN109993233A (zh) * | 2016-06-13 | 2019-07-09 | 第四范式(北京)技术有限公司 | 基于机器学习来预测数据审核目标的方法及系统 |
CN111861050A (zh) * | 2019-04-25 | 2020-10-30 | 鸿富锦精密电子(天津)有限公司 | 生产制程管控装置、方法及计算机可读存储介质 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
CN112163799A (zh) * | 2020-12-02 | 2021-01-01 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析系统 |
CN112966827A (zh) * | 2021-02-26 | 2021-06-15 | 普赛微科技(杭州)有限公司 | 一种存储器开发过程中的良品率预测方法 |
CN112990479A (zh) * | 2021-02-26 | 2021-06-18 | 普赛微科技(杭州)有限公司 | 利用机器学习分类器提高半导体芯片良品率的方法 |
CN113075527A (zh) * | 2021-02-23 | 2021-07-06 | 普赛微科技(杭州)有限公司 | 基于Shmoo测试的集成电路芯片测试方法、系统及介质 |
CN113687995A (zh) * | 2021-10-27 | 2021-11-23 | 成都嘉纳海威科技有限责任公司 | 一种基于神经网络的芯片筛测方法 |
WO2021244510A1 (zh) * | 2020-06-02 | 2021-12-09 | 上海哥瑞利软件股份有限公司 | 一种集成电路晶圆制造中的良率预测方法 |
CN114002574A (zh) * | 2021-10-29 | 2022-02-01 | 上海华力微电子有限公司 | 半导体结构的测试方法 |
WO2022052540A1 (zh) * | 2020-09-10 | 2022-03-17 | 长鑫存储技术有限公司 | 新增生产工具的合格检验方法和检验系统 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107430396B (zh) * | 2015-03-20 | 2019-09-24 | 株式会社村田制作所 | 产品检查装置、产品检查方法及存储计算机程序的存储介质 |
CN106024664B (zh) * | 2016-05-25 | 2019-04-12 | 上海华力微电子有限公司 | 一种金属层膜厚堆叠模型校准的方法及系统 |
US10197908B2 (en) | 2016-06-21 | 2019-02-05 | Lam Research Corporation | Photoresist design layout pattern proximity correction through fast edge placement error prediction via a physics-based etch profile modeling framework |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
CN106980895A (zh) * | 2017-02-22 | 2017-07-25 | 中国科学院自动化研究所 | 基于旋转区域的卷积神经网络预测方法 |
KR102578644B1 (ko) | 2017-08-30 | 2023-09-13 | 삼성전자주식회사 | 반도체 집적회로의 수율 예측 장치, 및 이를 이용한 반도체 장치 제조 방법 |
US10572697B2 (en) * | 2018-04-06 | 2020-02-25 | Lam Research Corporation | Method of etch model calibration using optical scatterometry |
CN112005347A (zh) | 2018-04-10 | 2020-11-27 | 朗姆研究公司 | 抗蚀剂和蚀刻建模 |
KR20200130870A (ko) | 2018-04-10 | 2020-11-20 | 램 리써치 코포레이션 | 피처들을 특징화하기 위한 머신 러닝의 광학 계측 |
US10977405B2 (en) | 2019-01-29 | 2021-04-13 | Lam Research Corporation | Fill process optimization using feature scale modeling |
CN113366390B (zh) | 2019-01-29 | 2024-02-20 | Asml荷兰有限公司 | 半导体制造过程中的决定方法 |
TWI776015B (zh) * | 2019-01-30 | 2022-09-01 | 晶喬科技股份有限公司 | 半導體元件的製程開發方法以及系統 |
JP7156975B2 (ja) * | 2019-02-26 | 2022-10-19 | 三菱重工業株式会社 | 運営評価装置、運営評価方法、およびプログラム |
US11293981B2 (en) | 2020-01-15 | 2022-04-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for false-positive reduction in power electronic device evaluation |
US20220075345A1 (en) * | 2020-09-10 | 2022-03-10 | Changxin Memory Technologies, Inc. | Acceptability check method and check system for newly-added production tools |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6704691B2 (en) * | 2001-07-18 | 2004-03-09 | Promos Technologies, Inc. | Method and system for in-line monitoring process performance using measurable equipment signals |
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
CN101067742A (zh) * | 2005-10-31 | 2007-11-07 | 台湾积体电路制造股份有限公司 | 量测方法以及虚拟量测系统 |
CN103278714A (zh) * | 2013-05-15 | 2013-09-04 | 江苏大学 | 一种混合制程的虚拟测量方法与系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6622059B1 (en) * | 2000-04-13 | 2003-09-16 | Advanced Micro Devices, Inc. | Automated process monitoring and analysis system for semiconductor processing |
JP2004047885A (ja) * | 2002-07-15 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 半導体製造装置のモニタリングシステム及びモニタリング方法 |
KR100485388B1 (ko) * | 2003-02-28 | 2005-04-27 | 삼성전자주식회사 | 트렌치 형성 방법 및 이를 이용한 반도체 장치의 제조 방법 |
DE602004013985D1 (de) * | 2003-08-05 | 2008-07-03 | Oji Paper Co | Wärmetransferaufnahmebogen, verfahren zur herstellung desselben und verfahren zur bilderzeugung damit |
JP4241856B2 (ja) * | 2006-06-29 | 2009-03-18 | 三洋電機株式会社 | 半導体装置および半導体装置の製造方法 |
US7894926B2 (en) * | 2006-09-22 | 2011-02-22 | Pdf Solutions, Inc. | Global predictive monitoring system for a manufacturing facility |
US8876638B2 (en) * | 2010-01-29 | 2014-11-04 | Mlb Advanced Media, L.P. | Real time pitch classification |
-
2014
- 2014-06-19 CN CN201410276855.7A patent/CN105225979A/zh active Pending
-
2015
- 2015-06-10 US US14/736,231 patent/US20150371134A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6704691B2 (en) * | 2001-07-18 | 2004-03-09 | Promos Technologies, Inc. | Method and system for in-line monitoring process performance using measurable equipment signals |
US20050288812A1 (en) * | 2004-06-03 | 2005-12-29 | National Cheng Kung University | Quality prognostics system and method for manufacturing processes |
CN101067742A (zh) * | 2005-10-31 | 2007-11-07 | 台湾积体电路制造股份有限公司 | 量测方法以及虚拟量测系统 |
CN103278714A (zh) * | 2013-05-15 | 2013-09-04 | 江苏大学 | 一种混合制程的虚拟测量方法与系统 |
Non-Patent Citations (2)
Title |
---|
刘宏等: "《仿人多指灵巧手及其操作控制》", 31 March 2010 * |
卢辉: "《数据挖掘与数据化运营实战 思路、方法、技巧与应用》", 30 June 2013 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469230A (zh) * | 2015-08-19 | 2017-03-01 | 北大方正集团有限公司 | 一种非作业时间长度确定方法及其系统 |
CN109993233A (zh) * | 2016-06-13 | 2019-07-09 | 第四范式(北京)技术有限公司 | 基于机器学习来预测数据审核目标的方法及系统 |
CN109993233B (zh) * | 2016-06-13 | 2022-11-01 | 第四范式(北京)技术有限公司 | 基于机器学习来预测数据审核目标的方法及系统 |
CN106252252A (zh) * | 2016-08-30 | 2016-12-21 | 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 |
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 |
CN107369635A (zh) * | 2017-06-06 | 2017-11-21 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能半导体装备系统 |
CN107993962A (zh) * | 2017-11-21 | 2018-05-04 | 长江存储科技有限责任公司 | 酸槽制程干燥能力的验证方法及验证装置 |
CN107993962B (zh) * | 2017-11-21 | 2019-11-26 | 长江存储科技有限责任公司 | 酸槽制程干燥能力的验证方法及验证装置 |
CN111861050A (zh) * | 2019-04-25 | 2020-10-30 | 鸿富锦精密电子(天津)有限公司 | 生产制程管控装置、方法及计算机可读存储介质 |
CN111861050B (zh) * | 2019-04-25 | 2024-02-20 | 富联精密电子(天津)有限公司 | 生产制程管控装置、方法及计算机可读存储介质 |
WO2021244510A1 (zh) * | 2020-06-02 | 2021-12-09 | 上海哥瑞利软件股份有限公司 | 一种集成电路晶圆制造中的良率预测方法 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
WO2022052540A1 (zh) * | 2020-09-10 | 2022-03-17 | 长鑫存储技术有限公司 | 新增生产工具的合格检验方法和检验系统 |
CN112163799B (zh) * | 2020-12-02 | 2021-03-02 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析系统 |
CN112163799A (zh) * | 2020-12-02 | 2021-01-01 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析系统 |
CN113075527A (zh) * | 2021-02-23 | 2021-07-06 | 普赛微科技(杭州)有限公司 | 基于Shmoo测试的集成电路芯片测试方法、系统及介质 |
CN112966827A (zh) * | 2021-02-26 | 2021-06-15 | 普赛微科技(杭州)有限公司 | 一种存储器开发过程中的良品率预测方法 |
CN112990479A (zh) * | 2021-02-26 | 2021-06-18 | 普赛微科技(杭州)有限公司 | 利用机器学习分类器提高半导体芯片良品率的方法 |
CN112966827B (zh) * | 2021-02-26 | 2022-02-11 | 普赛微科技(杭州)有限公司 | 一种存储器开发过程中的良品率预测方法 |
CN112990479B (zh) * | 2021-02-26 | 2022-02-11 | 普赛微科技(杭州)有限公司 | 利用机器学习分类器提高半导体芯片良品率的方法 |
CN113687995A (zh) * | 2021-10-27 | 2021-11-23 | 成都嘉纳海威科技有限责任公司 | 一种基于神经网络的芯片筛测方法 |
CN113687995B (zh) * | 2021-10-27 | 2022-01-04 | 成都嘉纳海威科技有限责任公司 | 一种基于神经网络的芯片筛测方法 |
CN114002574A (zh) * | 2021-10-29 | 2022-02-01 | 上海华力微电子有限公司 | 半导体结构的测试方法 |
Also Published As
Publication number | Publication date |
---|---|
US20150371134A1 (en) | 2015-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105225979A (zh) | 一种半导体器件制程预测系统和方法 | |
CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
CN110375787B (zh) | 一种计量仪表运行状态在线评价方法 | |
Lin et al. | Time series prediction algorithm for intelligent predictive maintenance | |
CN103838202B (zh) | 参数控制方法和参数控制系统 | |
JP6298214B2 (ja) | ユーティリティグリッド内での信号注入テストパターンの予想効用を最大化するためのシステム及び方法 | |
TW201615844A (zh) | 異因分析與校正方法與系統 | |
US10698371B2 (en) | Systems and methods for classifying in-situ sensor response data patterns representative of grid pathology severity | |
TW201405330A (zh) | 標的裝置的基底預測保養方法與其電腦程式產品 | |
CN107067100A (zh) | 风电功率异常数据辨识方法及辨识装置 | |
CN103926490A (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
KR20090001148A (ko) | 가상 계측 시스템 및 가상 계측 방법 | |
CN116772944A (zh) | 配气站的智能监控系统及其方法 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
Jiang et al. | Partial cross mapping based on sparse variable selection for direct fault root cause diagnosis for industrial processes | |
CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
Fan et al. | A Bayesian framework to integrate knowledge-based and data-driven inference tools for reliable yield diagnoses | |
CN113255917B (zh) | 一种基于电力大脑的数据接入与集成方法 | |
CN113944801B (zh) | 基于数据分析的燃气调压器性能检测方法及装置 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
TWI815123B (zh) | 運用人工智慧之巨量資料分析平台及其運作方法 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
KR102367597B1 (ko) | 인공지능 기반의 제조공정 품질검사 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160106 |