CN105264640B - 用于线内合格率监测的关键参数电测试参数的自动确定的系统及方法 - Google Patents
用于线内合格率监测的关键参数电测试参数的自动确定的系统及方法 Download PDFInfo
- Publication number
- CN105264640B CN105264640B CN201480028376.1A CN201480028376A CN105264640B CN 105264640 B CN105264640 B CN 105264640B CN 201480028376 A CN201480028376 A CN 201480028376A CN 105264640 B CN105264640 B CN 105264640B
- Authority
- CN
- China
- Prior art keywords
- electrical testing
- classification
- parameter
- qualification rate
- value
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 169
- 238000012797 qualification Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims description 64
- 239000000523 sample Substances 0.000 claims abstract description 67
- 239000004065 semiconductor Substances 0.000 claims description 68
- 235000012431 wafers Nutrition 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 44
- 238000003070 Statistical process control Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 10
- 238000004886 process control Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 4
- 239000013078 crystal Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 241001269238 Data Species 0.000 description 8
- 238000005520 cutting process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
-
- 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
-
- 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
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- 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
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- General Factory Administration (AREA)
Abstract
线内合格率监测可包含使用一或多个算法软件模块。线内合格率监测可包含使用例如学习模块及预测模块的两个相关算法软件模块。所述学习模块可从探针电测试合格率及参数电测试PET属性值的数据学习关键PET参数。所述关键PET参数可最佳地分离所述合格率数据中的离群值及内群值。所述预测模块可使用由所述学习模块发现的所述关键PET参数以预测晶片是探针测试分类中的内群值还是离群值。
Description
优先权主张
本专利主张2013年4月7日申请的第61/809,407号美国临时专利申请案的优先权,所述申请案的全部内容以引用的方式并入本文中。
技术领域
本发明涉及裸片合格率的线内监测。更特定来说,本发明涉及在半导体制造厂或铸造厂中使用电测试数据进行的裸片合格率的线内监测。
背景技术
当前,半导体制造厂及铸造厂可采用在两个级别处的电测试以便确定其裸片合格率。电测试的两个级别可包含(例如)在晶片级别上的参数电测试(PET)及在裸片级别处的探针电测试(例如,箱排序(binsort))。
在制造过程期间可在制造厂或铸造厂内部的晶片上执行PET。可在制造过程中以各种步骤采取PET以确保所生产的材料的质量合适。PET可被视为(例如)在制造过程期间执行的电健康检查。PET可充当在制造过程期间发生的潜在问题的指示符。PET的执行通常相对廉价且PET具有快速周转时间。由于小成本及快速周转,制造厂通常可在一批次(而非整个批次)中的较大晶片样本上执行PET。
然而,PET产生大量数值属性(大约10,000个属性)。过程工程师可基于物理及/或历史数据将一小组这些属性标记为关键。可对这些关键属性的值设置统计过程控制阈值,且可针对合格率监测及紧密地控制与这些阈值的所有偏差。
然而,在给出大量PET属性的情况下,手动地确定所述属性中哪些关键及哪些不关键为困难的工程任务;尤其是对于当存在较少量的过程信息时在相位斜坡期间的新产品。针对关键PET属性设置统计过程阈值也可为困难的手动工程任务(尤其是对于在相位斜坡期间的新产品)。由于大的手动任务,制造厂中的工程师可由于不知道哪些数据重要及哪些数据不重要而花费过量时间来筛分大量数据。因此,此类过程可为劳动密集的,且增加制造厂成本并缩减制造厂效率。另外,由于这些问题,制造厂管理者可能不具有驱动有效地管理制造厂度量及维持盈利率的战术及策略决策所需要的可操作洞察力。
探针电测试(例如,箱排序)是以每裸片为基础在最终晶片上执行的另一组电测量。探针电测试产生晶片的裸片合格率,被定义为晶片上的良好裸片的数目对晶片上的裸片的总数的百分比。来自探针电测试的此裸片合格率结果可由制造厂及铸造厂用作其最终合格率统计及产品质量的总体量度。然而,因为在晶片完成处理之后执行探针电测试,所以所述测试在合格率监测方面并不十分有用。另外,由于制造厂及铸造厂通常不具有探针测试装备,故大多数探针电测试是在现场外发生。因此,到晶片已被探针测试时,晶片为成品,且可采取很少或不能采取校正动作以补救晶片自身上的任何缺陷。另外,从探针电测试得到的对合格率问题(例如,合格率损失)的根本原因的任何洞察力具有长周期时间,且在此周期时间期间可能已使用相同有缺陷过程处理更多晶片或批次,这对于制造厂来说可为经济损失。也归因于探针电测试的成本而引发额外成本。探针电测试的成本通常比PET的成本多5到10倍。
发明内容
在某些实施例中,一种计算机实施方法包含在计算机处理器处从用于在使用半导体过程生产的一组半导体晶片上执行的探针电测试的合格率值的数据库接收合格率值数据的输入。在所述计算机处理器处从用于在所述一组半导体晶片上执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入。所述计算机处理器可将所述所接收的合格率值数据分类为内群值类别及离群值类别。所述计算机处理器可基于所述所接收的合格率值数据的所述内群值类别及所述离群值类别以及所述所接收的参数电测试属性值数据评估一或多个关键参数电测试属性。所述计算机处理器可评估对应于所述关键参数电测试属性中的一或多者的一或多个统计过程控制阈值。所述统计过程控制阈值可为用于所述半导体过程的过程控制阈值。所述计算机处理器可产生关键参数电测试参数的数据库。所述关键参数电测试参数可包含关键参数电测试属性及其对应统计过程控制阈值。
在某些实施例中,一种计算机实施方法包含在计算机处理器处从用于在使用半导体过程生产的一组半导体晶片上执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入。所述计算机处理器可从关键参数电测试参数的数据库接收关键参数电测试参数的输入。所述关键参数电测试参数可包含用于所述半导体过程的关键参数电测试属性及其对应统计过程控制阈值。所述计算机处理器可评估用参数电测试所测试的一或多个半导体晶片的探针电测试分类。所述评估可基于所述所接收的参数电测试属性值数据及所述所接收的关键参数电测试参数。所述探针电测试分类可包含将半导体晶片分类为探针电测试合格率数据的内群值类别或离群值类别。所述计算机处理器可使用所述所评估的探针电测试分类产生探针电测试分类的数据库。
附图说明
结合随附图式参考根据本发明的目前优选但仍为说明性的实施例的以下详细描述将更全面地了解本发明的方法及设备的特征及优势,其中:
图1描绘用于线内合格率监测的应用的层次的实施例。
图2描绘学习模块过程的实施例的流程图。
图3描绘被展示为晶片的数目相对于合格率(就合格率百分比而说)的合格率值数据的曲线图的实施例。
图4描绘基于相互信息统计的属性排名以确定关键PET属性的实施例的表示。
图5描绘表示基于属性值而排序的PET属性的球形。
图6描绘预测模块过程的实施例的流程图。
图7描绘最高排名PET属性值相对于用于(先前)非关键属性的探针电测试合格率的曲线图的实例。
虽然本发明容许各种修改及替代形式,但其特定实施例是作为实例而在图式中予以展示且将在本文中予以详细地描述。图式可不按比例绘制。应理解,图式及其详细描述并非旨在将本发明限制于所揭示的特定形式,而相反地,意图是覆盖属于如由随附权利要求书定义的本发明的精神及范围内的所有修改、等效物及替代方案。
具体实施方式
如本文中所揭示,线内合格率监测描述在半导体晶片的半导体处理期间的参数及/或属性的监测以产生所要及/或最大化合格率。在某些实施例中,线内合格率监测应用于单一技术(例如,在制造厂或铸造厂中操作的单一半导体过程)或通过分组类似产品而应用于相同技术的多个产品上。在一些实施例中,线内合格率监测应用于多个批次或多个晶片。图1描绘如本文中所揭示的用于线内合格率监测的应用的层次的实施例。
在某些实施例中,线内合格率监测包含使用一或多个算法软件模块。算法软件模块可为相关的。在某些实施例中,线内合格率监测包含使用两个相关算法软件模块。举例来说,线内合格率监测可包含学习模块及预测模块,其为相关算法软件模块。
图2描绘学习模块过程200的实施例的流程图。过程200可用于(例如)评估(“学习”)最佳地分离合格率数据中的离群值与合格率数据中的内群值(例如,正常合格率数据)的关键参数电测试(PET)参数,其中使用探针电测试发现合格率数据。
在某些实施例中,数据库202是用于在一组半导体晶片上执行的探针电测试(例如,箱排序合格率)的合格率值的数据库。可使用半导体过程生产半导体晶片。在某些实施例中,数据库204是用于在一组半导体晶片上执行的参数电测试的参数电测试(PET)属性值的数据库。可在与探针电测试相同的一组半导体晶片上执行PET测试。在一些实施例中,PET属性值的数据库包含至少一些缺失属性值。缺失属性值可为并非所有PET在所述组中的所有半导体晶片上被执行的结果。
在某些实施例中,学习模块206从数据库202及/或数据库204接收输入。学习模块206可(例如)从数据库202接收合格率值数据的输入且从数据库204接收PET属性值数据的输入。
在某些实施例中,学习模块206自动地确定(例如,自动地处理数据以确定)来自数据库202的合格率值数据输入中的内群值类别及离群值类别。因此,学习模块206可将合格率值数据分类为内群值类别及离群值类别。在某些实施例中,无监督分类算法将合格率值数据分类为内群值类别及离群值类别。
在某些实施例中,学习模块206(图2所展示)将所接收的合格率值数据排序为分布。举例来说,可依据合格率百分比排序合格率值数据的分布。图3描绘被展示为晶片的数目相对于合格率(就合格率百分比而说)的合格率值数据的曲线图的实施例。可对一组半导体晶片使用一或多个探针电测试产生用于曲线图300的数据点。
为了分类合格率值数据,学习模块206(图2所展示)可在合格率值数据的分布(例如,由图3中的曲线图300展示的分布)中评估四分位数范围。评估四分位数范围可包含评估合格率值数据的内四分位数范围。在一些实施例中,由在线之间含有50%的数据点的最细线对来定义内四分位数范围。线对302(图3所展示)是在线之间含有曲线图300的50%的数据点的线对的实例。在某些实施例中,在定义内四分位数范围之后,评估(例如,由学习模块206评估)内四分位数范围中的数据点(例如,由线对302围封的数据点)的均值及标准差。在某些实施例中,使用数据点的高斯拟合(Gaussian fit)(例如,合格率值分布的头部的高斯拟合)来评估均值及标准差。
在评估均值及标准差之后,学习模块206可将离群值类别(合格率值数据分布的尾部)指派到合格率值数据(例如,曲线图300)。在某些实施例中,离群值类别经指派为低于(第一四分位数-选定值×内四分位数范围)或高于(第三四分位数+选定值×内四分位数范围)。在一些实施例中,基于针对合格率值数据的内四分位数范围所发现的均值及标准差确定用于离群值类别指派的选定值。在一些实施例中,合格率值数据(例如,曲线图300)中不存在离群值。然而,如果确实存在离群值,那么其将属于合格率值数据分布的尾部上。内群值类别(合格率值分布的头部)可经指派为未指派到离群值类别的数据值(例如,属于定义离群值类别的界限内的数据值)。
在合格率值数据的分类之后,学习模块206(图2所展示)可使用合格率值数据的分类以评估(例如,确定)一或多个关键PET属性。在某些实施例中,基于所接收的合格率值数据的内群值类别及离群值类别以及所接收的PET属性值数据评估关键PET属性。在某些实施例中,关键PET属性是提供离群值类别及内群值类别的所要分离的PET测试属性(例如,关键PET属性为经选择以最佳地分离合格率值数据的离群值类别及内群值类别的PET属性)。
在某些实施例中,监督分类算法评估关键PET属性。监督分类算法可包含使用离群值类别及内群值类别的分类作为监督类别,及使用PET属性值数据作为监督类别的特征。随后,可用这些特征的子组产生关于分类能力的品质因数。
在一些实施例中,品质因数是基于相互信息统计的属性排名。图4描绘基于相互信息统计的属性排名以确定关键PET属性的实施例的表示。对于基于相互信息统计的属性排名,如图4所展示,在合格率值数据的分类之后,每一PET属性(由球形表示)被给予头部(由球形402表示的内群值类别)或尾部(由球形404表示的离群值类别)指定。另外,基于针对PET属性所测试的晶片的探针电测试结果(例如,箱排序结果)将每一PET属性指派到箱(例如,箱1或箱2)。对于PET属性,箱计数(频率)可由X表示,而合格率分类(例如,头部或尾部)可由Y表示。因此,I(X;Y)可为用于PET属性的介于X与Y之间的相互信息统计。
对于每一PET属性,可基于属性值排序表示PET属性的球形,如图5所展示。如图5所展示,可发现单一切割(例如,线500),其将球形402与球形404最佳地分离成2个箱(例如,箱1及2)。在某些实施例中,最佳单一切割是最大化用于每一属性的相互信息统计额定值的切割。在用于每一PET属性的最大化相互信息统计额定值的确定之后,可对应于PET属性的最大化相互信息统计额定值来排名PET属性。接着,可选择具有最高相互信息统计额定值的选定数目个PET属性作为关键PET属性。因此,基于PET属性对探针电测试合格率的关键性将大量PET属性缩减(例如,自动地削减)到小的最佳一组PET属性。
在一些实施例中,如上文所描述,PET属性值数据包含至少一些缺失属性值。然而,学习模块206(图2所展示)仍可在给出缺失属性值的情况下评估关键PET属性。举例来说,在使用基于相互信息统计的排名的情况下,非缺失属性值的比例可用以排名PET属性。在给出不具有任何缺失值的2个PET属性A1及A2的情况下,如果依照相互信息统计,X1及X2对于给定Y合格率分类是所述2个PET属性的最佳2个箱分配,那么当且仅当I(X1;Y)≥I(X2;Y)时A1≥A2。对于具有任何缺失值的2个PET属性A1及A2,如果依照相互信息统计(其中不在分配中考虑缺失属性),X1及X2对于给定Y合格率分类是所述2个PET属性的最佳2个箱分配,那么当且仅当p1I(X1;Y)≥p2I(X2;Y)时A1≥A2;其中pi是用于Ai的非缺失属性值的比例。
在一些实施例中,过程200将使用当前关键性识别方法(例如,手动工程方法)可能不被识别为关键PET属性的选定PET属性识别为关键。过程200可将(先前)非关键PET属性识别为关键,这是因为此PET属性具有高关键性排名(例如,基于高相互信息统计的排名)。举例来说,(现在)关键属性可提供内群值类别与离群值类别之间的完美或几乎完美的分类。
图7描绘最高排名PET属性值相对于用于(先前)非关键属性的探针电测试合格率的曲线图的实例。内群值类别(头部)属性被识别为数据700,而离群值类别(尾部)属性被识别为数据702。线704表示将属性值分离成2个箱的切割(例如,使用基于相互信息统计的属性排名发现的单一切割)。如图7所展示,(先前)非关键属性提供内群值类别数据700与离群值类别数据702之间的几乎完美的分类。
在评估关键PET属性之后,学习模块206可评估对应于关键PET属性中的一或多者的一或多个统计过程控制阈值。统计过程控制阈值可为(例如)用于用以生产一组半导体晶片的半导体过程的过程控制阈值。关键PET属性及其对应统计过程控制阈值的组合可被称为关键PET参数。在某些实施例中,学习模块206产生关键PET参数的数据库。学习模块206可将关键PET参数的数据库输出到数据库208(图2所展示)。因此,数据库208可为对应于用于一组半导体晶片的数据库202及数据库204的关键PET参数的数据库。
在某些实施例中,使用过程200产生的关键PET参数用于指示使用PET测试所测试的半导体晶片被分类为内群值类别还是离群值类别。举例来说,可使用用于一或多个半导体晶片的参数电测试数据(例如,由计算机处理器接收及处理)以基于关键PET参数预测每一晶片被分类为内群值类别还是离群值类别。可(例如)使用预测算法软件模块执行预测。
图6描绘预测模块过程600的实施例的流程图。过程600可用于(例如)评估(“预测”)用PET测试所测试的半导体晶片的探针电测试分类。因此,过程600可用作用于实际探针电测试过程的“代理”(例如,过程600允许PET测试结果产生类似于使用实际探针电测试过程发现的结果的分类结果)。
在某些实施例中,预测模块602从数据库204及/或数据库208接收输入。预测模块602可(例如)从数据库204接收PET属性值数据的输入且从数据库208接收关键PET参数的输入。在某些实施例中,来自数据库204的PET属性值数据输入是不同于输入到学习模块206(图2所展示)中的数据的输入数据。举例来说,输入到预测模块602中的PET属性值数据可包含用于相比于输入到学习模块206中的一组半导体晶片为额外及/或不同组的半导体晶片的数据。
在某些实施例中,预测模块602评估(例如,预测)一或多个半导体晶片的探针电测试分类。在一些实施例中,使用PET测试半导体晶片。评估可基于所接收的PET值数据及所接收的关键PET参数。在某些实施例中,探针电测试分类包含将半导体晶片分类为探针电测试合格率数据的内群值类别或离群值类别(例如,根据由学习模块206发现的合格率值数据类别而分类半导体晶片)。
在某些实施例中,预测模块602使用所评估的探针电测试分类产生探针电测试分类的数据库。预测模块602可将探针电测试分类的数据库输出到数据库604。因此,数据库604可为对应于用于一组半导体晶片的数据库204及数据库208的探针电测试分类的数据库。
在一些实施例中,基于所评估的探针电测试分类、所接收的参数电测试属性值数据及所接收的关键参数电测试参数修改用于半导体过程的一或多个操作条件。在一些实施例中,在从数据库604接收到探针电测试分类数据的输入之后修改操作条件。在晶片处理期间对半导体晶片仅进行PET测试之后评估探针电测试分类数据允许更直接修改操作条件,这由于在非想要操作条件下处理更少晶片而导致更高合格率。对半导体晶片进行PET测试之后评估探针电测试分类数据也可缩减针对探针电测试的需要,这是因为仅需探测小的样本大小以产生最终分类数据。缩减探针电测试的使用可缩减花费及/或物流问题(例如,关于晶片的运输及收集的问题)。因此,制造厂及/或铸造厂可缩减其总成本且以及时方式发现合格率问题。
在某些实施例中,使用可由处理器(例如,计算机处理器或集成电路)执行的软件操作本文中描述的一或多个过程步骤。举例来说,过程200或过程600(图2及6所展示)可分别具有使用可由处理器执行的软件控制或操作的一或多个步骤。另外,可使用可由处理器执行的软件控制或操作一或多个模块(例如,学习模块206或预测模块602)。在一些实施例中,过程步骤作为程序指令而存储在计算机存储器或计算机可读存储媒体(例如,非暂时性计算机可读存储媒体)中,且程序指令可由处理器执行。
应理解,本发明不限于所描述的当然可变化的特定系统。还应理解,本文中使用的术语仅是出于描述特定实施例的目的且不旨在为限制性的。如本说明书中所使用,单数形式“一(a、an)”及“所述(the)”包含多个指示物,除非内容另有明确指示。因此,举例来说,对“一属性”的参考包含两个或两个以上属性的组合。
对所属领域的技术人员来说,鉴于此描述,本发明的各种方面的进一步修改及替代实施例将变得显而易见。因此,此描述应仅被认作说明性的且是出于向所属领域的技术人员教示实施本发明的一般方式的目的。应理解,本文中展示及描述的本发明的形式将作为目前优选实施例。元件及材料可取代本文中说明及描述的元件及材料,可颠倒部件及过程,且可独立地利用本发明的某些特征,这对所属领域的技术人员来说,在具有本发明的此描述的权益之后都将变得显而易见。在不脱离如在所附权利要求书中描述的本发明的精神及范围的情况下,可对本文中描述的元件做出改变。
Claims (17)
1.一种计算机实施方法,其包括:
在计算机处理器处从用于对使用半导体过程生产的一组半导体晶片执行的探针电测试的合格率值的数据库接收合格率值数据的输入;
在所述计算机处理器处从用于对所述一组半导体晶片执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入;
使用所述计算机处理器将所述所接收的合格率值数据分类为内群值类别及离群值类别;
使用所述计算机处理器基于所述所接收的合格率值数据的所述内群值类别及所述离群值类别以及所述所接收的参数电测试属性值数据评估一或多个关键参数电测试属性;
使用所述计算机处理器评估对应于所述关键参数电测试属性中的一或多者的一或多个统计过程控制阈值,其中所述统计过程控制阈值是用于所述半导体过程的过程控制阈值;及
使用所述计算机处理器产生关键参数电测试参数的数据库,其中所述关键参数电测试参数包括关键参数电测试属性及其对应统计过程控制阈值,
其中将所述所接收的合格率值数据分类为所述内群值类别及所述离群值类别包括:
将所述所接收的合格率值数据排序为分布;
评估所述分布的四分位数范围;
评估所述分布的内四分位数范围;
评估所述内四分位数范围的均值及标准差;及
将所述离群值类别指派为低于(第一四分位数-选定值×所述内四分位数范围)或高于(第三四分位数+所述选定值×所述内四分位数范围)。
2.根据权利要求1所述的方法,其中使用对所述内群值类别合格率值数据的高斯拟合发现所述均值及标准差。
3.根据权利要求1所述的方法,其中所述一或多个关键参数电测试属性包括提供所述合格率值数据的所述离群值类别及所述内群值类别的所要分离的参数电测试属性。
4.根据权利要求1所述的方法,其中用于对所述一组半导体晶片执行的参数电测试的参数电测试属性值的所述数据库包括至少一些缺失属性值,且其中在给出所述缺失属性值的情况下评估所述一或多个关键参数电测试属性。
5.根据权利要求1所述的方法,其进一步包括使用监督分类算法评估所述一或多个关键参数电测试属性。
6.根据权利要求5所述的方法,其中所述监督分类算法包括:
使用所述离群值类别及所述内群值类别的所述分类作为监督类别;
使用所述参数电测试属性值数据作为所述监督类别的特征;及
用所述特征的子组产生关于分类能力的品质因数。
7.根据权利要求1所述的方法,其进一步包括在所述计算机处理器处接收用于一或多个半导体晶片的参数电测试数据,及基于所述关键参数电测试参数预测每一晶片被分类为所述内群值类别还是所述离群值类别。
8.一种计算机实施方法,其包括:
在计算机处理器处从用于对使用半导体过程生产的一组半导体晶片执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入;
在所述计算机处理器处从关键参数电测试参数的数据库接收关键参数电测试参数的输入,其中所述关键参数电测试参数包括用于所述半导体过程的关键参数电测试属性及其对应统计过程控制阈值;
使用所述计算机处理器评估用参数电测试所测试的一或多个半导体晶片的探针电测试分类,其中所述评估是基于所述所接收的参数电测试属性值数据及所述所接收的关键参数电测试参数,且其中所述探针电测试分类包括将半导体晶片分类为探针电测试合格率数据的内群值类别或离群值类别;及
使用所述计算机处理器而使用所述所评估的探针电测试分类产生探针电测试分类的数据库,
其中将所述半导体晶片分类为所述探针电测试合格率数据的所述内群值类别或所述离群值类别包括:
将所述探针电测试合格率数据排序为分布;
评估所述分布的四分位数范围;
评估所述分布的内四分位数范围;
评估所述内四分位数范围的均值及标准差;及
将所述离群值类别指派为低于(第一四分位数-选定值×所述内四分位数范围)或高于(第三四分位数+所述选定值×所述内四分位数范围)。
9.根据权利要求8所述的方法,其进一步包括基于所述所评估的探针电测试分类、所述所接收的参数电测试属性值数据及所述所接收的关键参数电测试参数修改用于所述半导体过程的一或多个操作条件。
10.根据权利要求8所述的方法,其进一步包括在所述计算机处理器处接收探针电测试分类数据的输入,及基于所述所评估的探针电测试分类及所述所接收的参数电测试属性值数据以及所述所接收的关键参数电测试参数修改用于所述半导体过程的一或多个操作条件。
11.根据权利要求8所述的方法,其中通过以下方式产生探针电测试合格率数据的所述内群值类别及所述离群值类别:
在所述计算机处理器处从用于对使用所述半导体过程生产的一组半导体晶片执行的探针电测试的合格率值的数据库接收合格率值数据的输入;
在所述计算机处理器处从用于对所述一组半导体晶片执行的参数电测试的参数电测试属性值的所述数据库接收所述参数电测试属性值数据的输入;及
使用所述计算机处理器将所述合格率值数据分类为所述内群值类别及所述离群值类别。
12.根据权利要求8所述的方法,其中通过以下方式产生关键参数电测试参数的所述数据库:
在所述计算机处理器处从用于对使用所述半导体过程生产的一组半导体晶片执行的探针电测试的合格率值的数据库接收合格率值数据的输入;
在所述计算机处理器处从用于对所述一组半导体晶片执行的参数电测试的参数电测试属性值的所述数据库接收所述参数电测试属性值数据的输入;
使用所述计算机处理器将所述合格率值数据分类为所述内群值类别及所述离群值类别;
使用所述计算机处理器基于所述合格率值数据的所述内群值类别及所述离群值类别以及所述参数电测试属性值数据评估一或多个关键参数电测试属性;
使用所述计算机处理器评估对应于所述关键参数电测试属性中的一或多者的一或多个统计过程控制阈值,其中所述统计过程控制阈值是用于所述半导体过程的过程控制阈值;及
使用所述计算机处理器产生关键参数电测试参数的所述数据库。
13.一种计算机实施系统,其包括:
计算机存储器,其经配置以存储计算机程序指令;及
计算机处理器,其经配置以执行所述计算机程序指令且致使所述系统:
从用于对使用半导体过程生产的一组半导体晶片执行的探针电测试的合格率值的数据库接收合格率值数据的输入;
从用于对所述一组半导体晶片执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入;
将所述所接收的合格率值数据分类为内群值类别及离群值类别;
基于所述所接收的合格率值数据的所述内群值类别及所述离群值类别以及所述所接收的参数电测试属性值数据评估一或多个关键参数电测试属性;
评估对应于所述关键参数电测试属性中的一或多者的一或多个统计过程控制阈值,其中所述统计过程控制阈值是用于所述半导体过程的过程控制阈值;及
产生关键参数电测试参数的数据库,其中所述关键参数电测试参数包括关键参数电测试属性及其对应统计过程控制阈值;
其中所述关键参数电测试参数用于指示使用参数电测试所测试的半导体晶体被分类为所述内群值类别还是所述离群值类别,
其中将所述所接收的合格率值数据分类为所述内群值类别及所述离群值类别包括:
将所述所接收的合格率值数据排序为分布;
评估所述分布的四分位数范围;
评估所述分布的内四分位数范围;
评估所述内四分位数范围的均值及标准差;及
将所述离群值类别指派为低于(第一四分位数-选定值×所述内四分位数范围)或高于(第三四分位数+所述选定值×所述内四分位数范围)。
14.根据权利要求13所述的系统,其中所述一或多个关键参数电测试属性包括提供所述合格率值数据的所述离群值类别及所述内群值类别的所要分离的参数电测试属性。
15.根据权利要求13所述的系统,其中使用监督分类算法评估所述一或多个关键参数电测试属性。
16.一种计算机实施系统,其包括:
计算机存储器,其经配置以存储计算机程序指令;及
计算机处理器,其经配置以执行所述计算机程序指令且致使所述系统:
从用于对使用半导体过程生产的一组半导体晶片执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入;
从关键参数电测试参数的数据库接收关键参数电测试参数的输入,其中所述关键参数电测试参数包括用于所述半导体过程的关键参数电测试属性及其对应统计过程控制阈值;
评估用参数电测试所测试的一或多个半导体晶片的探针电测试分类,其中所述评估是基于所述所接收的参数电测试属性值数据及所述所接收的关键参数电测试参数,且其中所述探针电测试分类包括将半导体晶片分类为探针电测试合格率数据的内群值类别或离群值类别;及
使用所述所评估的探针电测试分类产生探针电测试分类的数据库,
其中将所述半导体晶片分类为所述探针电测试合格率数据的所述内群值类别或所述离群值类别包括:
将所述探针电测试合格率数据排序为分布;
评估所述分布的四分位数范围;
评估所述分布的内四分位数范围;
评估所述内四分位数范围的均值及标准差;及
将所述离群值类别指派为低于(第一四分位数-选定值×所述内四分位数范围)或高于(第三四分位数+所述选定值×所述内四分位数范围)。
17.根据权利要求16所述的系统,其中所述计算机处理器进一步致使所述系统:
从用于对使用所述半导体过程生产的一组半导体晶片执行的探针电测试的合格率值的数据库接收合格率值数据的输入;
从用于对所述一组半导体晶片执行的参数电测试的参数电测试属性值的所述数据库接收所述参数电测试属性值数据的输入;
将所述合格率值数据分类为所述内群值类别及所述离群值类别;
基于所述合格率值数据的所述内群值类别及所述离群值类别以及所述参数电测试属性值数据评估一或多个关键参数电测试属性;
评估对应于所述关键参数电测试属性中的一或多者的一或多个统计过程控制阈值,其中所述统计过程控制阈值是用于所述半导体过程的过程控制阈值;及
产生关键参数电测试参数的所述数据库。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361809407P | 2013-04-07 | 2013-04-07 | |
US61/809,407 | 2013-04-07 | ||
US14/242,528 US20140303912A1 (en) | 2013-04-07 | 2014-04-01 | System and method for the automatic determination of critical parametric electrical test parameters for inline yield monitoring |
US14/242,528 | 2014-04-01 | ||
PCT/US2014/033216 WO2014168883A1 (en) | 2013-04-07 | 2014-04-07 | System and method for the automatic determination of critical parametric electrical test parameters for inline yield monitoring |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105264640A CN105264640A (zh) | 2016-01-20 |
CN105264640B true CN105264640B (zh) | 2018-02-27 |
Family
ID=51655058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480028376.1A Active CN105264640B (zh) | 2013-04-07 | 2014-04-07 | 用于线内合格率监测的关键参数电测试参数的自动确定的系统及方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20140303912A1 (zh) |
KR (1) | KR102258942B1 (zh) |
CN (1) | CN105264640B (zh) |
TW (1) | TWI631351B (zh) |
WO (1) | WO2014168883A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9689923B2 (en) * | 2013-08-03 | 2017-06-27 | Kla-Tencor Corp. | Adaptive electrical testing of wafers |
KR101924487B1 (ko) | 2013-12-17 | 2018-12-03 | 에이에스엠엘 네델란즈 비.브이. | 수율 추산 및 제어 |
US10921369B2 (en) | 2017-01-05 | 2021-02-16 | Xcalipr Corporation | High precision optical characterization of carrier transport properties in semiconductors |
KR102440695B1 (ko) | 2017-08-11 | 2022-09-05 | 삼성전자주식회사 | 웨이퍼 맵 분석 장치, 이를 이용한 웨이퍼 맵 분석 방법 및 반도체 장치 제조 방법 |
US11087065B2 (en) * | 2018-09-26 | 2021-08-10 | Asml Netherlands B.V. | Method of manufacturing devices |
CN110968984B (zh) * | 2018-09-28 | 2022-12-09 | 长鑫存储技术有限公司 | 集成电路工艺分析系统及分析方法 |
US10705514B2 (en) | 2018-10-09 | 2020-07-07 | Applied Materials, Inc. | Adaptive chamber matching in advanced semiconductor process control |
US10657214B2 (en) * | 2018-10-09 | 2020-05-19 | Applied Materials, Inc. | Predictive spatial digital design of experiment for advanced semiconductor process optimization and control |
US10930531B2 (en) * | 2018-10-09 | 2021-02-23 | Applied Materials, Inc. | Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes |
CN109741779B (zh) * | 2018-12-29 | 2020-10-16 | 西安紫光国芯半导体有限公司 | 一种在晶圆测试过程中动态调整测试条件的方法 |
US11156991B2 (en) * | 2019-06-24 | 2021-10-26 | Nanotronics Imaging, Inc. | Predictive process control for a manufacturing process |
KR102366120B1 (ko) * | 2019-11-05 | 2022-02-22 | 한국전력공사 | 발전 설비 성능 감시 장치 |
US20210325860A1 (en) * | 2020-04-17 | 2021-10-21 | Primeconcept S.R.L. | Quality control system for series production |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1723544A (zh) * | 2002-12-11 | 2006-01-18 | Pdf全解公司 | 在集成电路系统和方法中电气故障的快速定位 |
CN101937836A (zh) * | 2003-09-08 | 2011-01-05 | 株式会社东芝 | 半导体器件的制造系统与制造方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6210983B1 (en) * | 1998-10-21 | 2001-04-03 | Texas Instruments Incorporated | Method for analyzing probe yield sensitivities to IC design |
US6324481B1 (en) * | 1998-10-21 | 2001-11-27 | Texas Instruments Incorporated | Method for the calculation of wafer probe yield limits from in-line defect monitor data |
US6319737B1 (en) | 1999-08-10 | 2001-11-20 | Advanced Micro Devices, Inc. | Method and apparatus for characterizing a semiconductor device |
US20110178967A1 (en) * | 2001-05-24 | 2011-07-21 | Test Advantage, Inc. | Methods and apparatus for data analysis |
KR100389135B1 (ko) * | 2001-02-20 | 2003-06-25 | 삼성전자주식회사 | 웨이퍼 디펙트 소스의 성분별 불량칩수 표시 방법 |
US6965895B2 (en) * | 2001-07-16 | 2005-11-15 | Applied Materials, Inc. | Method and apparatus for analyzing manufacturing data |
JP2003077972A (ja) * | 2001-09-04 | 2003-03-14 | Hitachi Ltd | 半導体装置の製造方法 |
JP4008899B2 (ja) * | 2003-09-08 | 2007-11-14 | 株式会社東芝 | 半導体装置の製造システムおよび半導体装置の製造方法 |
KR100909474B1 (ko) * | 2005-08-10 | 2009-07-28 | 삼성전자주식회사 | 웨이퍼 결함지수를 사용하여 국부성 불량 모드를 갖는결함성 반도체 웨이퍼의 검출 방법들 및 이에 사용되는장비들 |
JP5095278B2 (ja) * | 2006-08-10 | 2012-12-12 | 株式会社日立製作所 | 半導体デバイス歩留り予測システムおよび方法 |
US8126255B2 (en) * | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
US8543576B1 (en) * | 2012-05-23 | 2013-09-24 | Google Inc. | Classification of clustered documents based on similarity scores |
-
2014
- 2014-04-01 US US14/242,528 patent/US20140303912A1/en not_active Abandoned
- 2014-04-07 TW TW103112738A patent/TWI631351B/zh active
- 2014-04-07 CN CN201480028376.1A patent/CN105264640B/zh active Active
- 2014-04-07 WO PCT/US2014/033216 patent/WO2014168883A1/en active Application Filing
- 2014-04-07 KR KR1020157031962A patent/KR102258942B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1723544A (zh) * | 2002-12-11 | 2006-01-18 | Pdf全解公司 | 在集成电路系统和方法中电气故障的快速定位 |
CN101937836A (zh) * | 2003-09-08 | 2011-01-05 | 株式会社东芝 | 半导体器件的制造系统与制造方法 |
Non-Patent Citations (1)
Title |
---|
Spatiotemporal Pattern Modeling for Fault Detection and Classification in Semiconductor Manufacturing;H.J.Chang等;《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》;20120229;第25卷(第1期);第72-82页 * |
Also Published As
Publication number | Publication date |
---|---|
TW201447327A (zh) | 2014-12-16 |
WO2014168883A1 (en) | 2014-10-16 |
CN105264640A (zh) | 2016-01-20 |
KR102258942B1 (ko) | 2021-06-02 |
KR20150140358A (ko) | 2015-12-15 |
US20140303912A1 (en) | 2014-10-09 |
TWI631351B (zh) | 2018-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105264640B (zh) | 用于线内合格率监测的关键参数电测试参数的自动确定的系统及方法 | |
Yuan-Fu | A deep learning model for identification of defect patterns in semiconductor wafer map | |
Chien et al. | A system for online detection and classification of wafer bin map defect patterns for manufacturing intelligence | |
US20050194590A1 (en) | System and method for controlling manufacturing apparatuses | |
CN109844916A (zh) | 基于缺陷与设计属性的缺陷检视取样和标准化 | |
CN101432864A (zh) | 缺陷分布分类方法及系统、故障源设备确定方法及系统、计算机程序、以及存储介质 | |
CN112200806A (zh) | 一种晶圆的缺陷分析方法和系统 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
CN104062305B (zh) | 一种集成电路缺陷的分析方法 | |
US20230074247A1 (en) | Method for monitoring products for defects, electronic device, and storage medium | |
KR102530950B1 (ko) | 반도체 시편에서의 결함들의 분류 | |
US20140278234A1 (en) | Method and a system for a statistical equivalence test | |
CN106680693A (zh) | 基于故障数据灰度图谱的半导体芯片批量测试方法 | |
CN107330454B (zh) | 非线性海量高维序列数据分类特性可视化及定量分析方法 | |
KR20240018407A (ko) | 반도체 신뢰성 불량의 z-pat 결함 유도 통계적 이상치 검출을 위한 시스템 및 방법 | |
TW202244795A (zh) | 製造缺陷分類系統及方法 | |
JP2011187836A (ja) | 半導体製造装置の管理方法及び管理システム | |
TW569373B (en) | Method for analyzing defect inspection parameters | |
JP2008033902A (ja) | 警報装置 | |
US20230063456A1 (en) | Detection method and detection device of wafer testing machine | |
CN104217093B (zh) | 利用不良样本的缺陷地图判定问题设备的方法及其装置 | |
Lin et al. | Forecasting rare faults of critical components in LED epitaxy plants using a hybrid grey forecasting and harmony search approach | |
JP4051332B2 (ja) | 検査データ解析システム | |
Chen et al. | Using data mining technology to improve manufacturing quality-a case study of LCD driver IC packaging industry | |
Tsai et al. | Enhancing the data analysis in IC testing by machine learning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |