CN105981151A - 将定制度量与全局分类法结合以在极端高处理量下监测加工工具状况的基于晶片及批次的层级式方法 - Google Patents

Abstract

本发明揭示用于监测加工工具状况的方法及系统。所述方法将单个晶片、单个批次内的多个晶片及多个批次信息一起统计地组合为到定制分类引擎的输入，所述定制分类引擎可消耗单个或多个扫描、通道、晶片及批次以确定加工工具状态。

Description

将定制度量与全局分类法结合以在极端高处理量下监测加工工具 状况的基于晶片及批次的层级式方法

相关申请案的交叉参考

本申请案根据35 U.S.C.§119(e)规定主张2014年2月14日申请的第61/939,739号美国临时申请案的权利。所述第61/939,739号美国临时申请案的全文以引用方式并入本文中。

技术领域

本发明大体上涉及半导体装置制造的领域，特定地说，本发明涉及用于监测加工工具状况的方法。

背景技术

薄抛光板(例如硅晶片及其类似者)是现代技术的非常重要部分。例如，晶片是指用于制造集成电路及其它装置的半导体材料的薄片。薄抛光板的其它实例可包含磁盘衬底、块规及其类似者。尽管此处所描述的技术主要涉及晶片，但应了解，所述技术也适用于其它类型的抛光板。

发明内容

本发明涉及一种用于监测加工工具状况的方法。所述方法包含：获得多个晶片的多个晶片图像，所述多个晶片包含多个晶片批次中制造的晶片；计算所述多个晶片中的每一特定晶片的晶片级度量，基于针对每一特定晶片获得的晶片图像来计算所述特定晶片的所述晶片级度量；计算所述多个晶片批次中的每一特定晶片批次的批次级统计值，至少部分基于每一特定晶片批次中制造的晶片的晶片级度量及指定加工群组中的至少一个额外晶片批次中制造的晶片的晶片级度量来计算所述特定晶片批次的所述批次级统计值；及基于所述晶片级度量或所述批次级统计值来执行所述加工工具的统计分析。

本发明的进一步实施例涉及一种加工工具状况监测系统。所述系统包含成像装置及处理器。所述成像装置经配置以获得多个晶片的多个晶片图像，其中所述多个晶片包含多个晶片批次中制造的晶片。所述处理器经配置以计算所述多个晶片中的每一特定晶片的晶片级度量，其中基于针对每一特定晶片获得的晶片图像来计算所述特定晶片的所述晶片级度量。所述处理器还经配置以计算所述多个晶片批次中的每一特定晶片批次的批次级统计值，其中至少部分基于每一特定晶片批次中制造的晶片的晶片级度量及指定加工群组中的至少一个额外晶片批次中制造的晶片的晶片级度量来计算所述特定晶片批次的所述批次级统计值。接着，所述处理器基于所述晶片级度量或所述批次级统计值来识别潜在加工工具漂移状况。

本发明的额外实施例涉及一种用于监测加工工具状况的方法。所述方法包含：获得多个晶片的多个全晶片图像，所述多个晶片包含多个晶片批次中制造的晶片；计算所述多个晶片中的每一特定晶片的晶片级度量，基于针对每一特定晶片所获得的全晶片图像来计算所述特定晶片的所述晶片级度量；计算所述多个晶片批次中的每一特定晶片批次的批次级统计值，至少部分基于每一特定晶片批次中制造的晶片的晶片级度量及指定加工群组中的至少一个额外晶片批次中制造的晶片的晶片级度量来计算所述特定晶片批次的所述批次级统计值；基于所述晶片级度量或所述批次级统计值来识别潜在加工工具漂移状况；接收与所述所识别的潜在加工工具漂移状况相关的用户调整；及基于所述用户调整来调整用于识别所述潜在加工工具漂移状况的过程。

应了解，以上一般描述及以下详细描述两者只是示范性的及解释性的，且未必限制本发明。并入本说明书中且构成本说明书的部分的附图说明本发明的主题。所述描述及图式一起用于解释本发明的原理。

附图说明

所属领域技术人员可通过参考附图而更好地理解本发明的诸多优点，其中：

图1是说明用于监测加工工具状况的方法的流程图；

图2是描绘装置、层、批次及晶片之间的层级式关系的说明图；

图3是描绘使用第一判别式的分类分析的说明图；

图4是描绘使用第二判别式的分类分析的说明图；

图5是描绘显示多个报告特征的示范性报告的说明图；

图6是描绘显示单个报告特征的示范性报告的说明图；及

图7是描绘加工工具状况监测系统的框图。

具体实施方式

现将详细参考附图中所说明的所揭示标的物。

半导体装置的制造涉及使用多个加工工具集的高度复杂加工流程。所述加工工具可包含光刻工具、蚀刻工具、沉积工具、抛光工具、热加工工具、植入工具及其类似者。以预定顺序在此类工具中加工晶片或晶片批次(晶片批次或批次界定为作为单个群组一起加工的一些晶片)。在半导体制造工艺期间维持高精度是至关重要的。

归因于称为工具漂移的现象，这些加工工具的精度随时间降级。用于处置加工工具漂移的常规技术包含使用学习方法(其中加工工程师凭经验估算出加工工具多长时间之后需要维修保养)或监测系统(其仅可在降级已发生之后发现问题)。这些常规技术一般导致晶片及材料的损耗，这是因为操作者将在多个晶片批次已被损坏之后注意到工具漂移(晶片损耗)，或相反地在执行加工工具维修保养时过度积极，从而不必要地替换部件(材料损耗)。

另外，常规技术无法提供加工工具问题的早期检测。此类技术仅可在问题已发生且产生仅可接着被捕获的缺陷之后检测到问题。鉴于制造系统的速度，晶片取样率极低，检测技术因而不切实际且产生大量额外开销，对于具有一到两天维修保养周期的加工工具来说尤其如此。此类检测技术也可引起晶片及材料损耗，且因此降低产量。这对于每装置仅可制造几个批次的晶片代工厂来说尤为严重。

本发明涉及用于提供具有高处理量的稳健早期预警系统以在半导体生产流程中标记加工工具漂移的方法及装置。根据本发明的方法及装置还减少由加工工具漂移引起的晶片及材料损耗。更具体地说，根据本发明的方法及装置使用新算法来将单个晶片、单个批次及多个批次信息一起统计地组合为到定制分类引擎的输入，所述定制分类引擎可消耗单个或多个扫描、通道、晶片及批次以确定加工工具状态。

参考图1，展示描绘用于监测加工工具状况的方法100的流程图。应注意，此方法在无需检测特定晶片缺陷的情况下确定加工工具漂移。确切地说，所述方法计算基于晶片及基于批次的宽度量且将这些宽度量馈送到分类引擎中以识别及提取加工工具漂移。此技术允许根据本发明的方法较稳健且因此能够提供早期检测。此外，此技术可在较简单光学模式(即，低光学分辨率要求)下操作，由此实现高处理量。

如图1中所描绘，在步骤102中获得晶片图像。在一个实施例中，获得整个晶片/全晶片的图像，所述图像可为晶片的前侧、后侧或边缘表面或其组合。然而，应预期，在不脱离本发明的精神及范围的情况下，也可利用部分晶片图像。例如，在某些实施例中，可将此过程分解成较小晶片区段，且可(例如)在分布式计算架构中并行处理所述区段。替代地，可尤其关注晶片的一或多个特定区域，且可获得此类特定区域的图像用于分析目的。应预期，可以各种不同方式来界定这些晶片区域，例如，所述晶片区域可被界定为扇形、片段、多边形、环形、椭圆形或任何其它几何形状。

还应预期，所获得的晶片图像无需为高分辨率图像。相反地，在某些实施例中，优选的是，利用较低分辨率图像以减少加工其所需的资源量(例如存储器空间、计算电力及其类似者)。在某些实施例中，如果获得高分辨率图像，那么可实施降取样过程以将分辨率降低到优选水平。应预期，根据本发明的某些实施例，使用从高分辨率图像降取样的图像允许使用高分辨率微小缺陷检测过程来实时且同时获得晶片图像，且不影响晶片扫描时间。应了解，可由用户根据即将到来的挑战，对晶片图像的分辨率进行不同程度的细节调谐(从扫描分辨率到数毫米范围的任何点)。

一旦获得晶片图像，可在步骤104中基于图像来计算各种晶片级度量。这些晶片级度量经设计以提取加工工具标识且识别各种晶片之间的不一致性，其又可指示加工工具可经历的潜在问题。更具体地说，这些晶片级度量经设计以量化及跟踪较长时间段内的制造工艺状况，且所述晶片级度量能够测量由加工工具引起的唯一标识(例如抛光/平坦化、蚀刻、光刻、光、植入或其类似者)，无论所述标识是否由正常过程或失控过程引起。

根据本发明的某些实施例利用各种源来计算晶片级度量。用于计算晶片级度量的变量可包含(但不限于)照明源类型、强度及波长、照明及收集光学几何形状、各种形状的可变光学孔径、光偏振或其类似者。另外，还从各种图像处理源计算晶片级度量。例如，用于此计算的输入图像可包含晶片图案，或替代地，可减去所述图案。也可通过各种图像融合技术根据在不同系统状况(照明、收集、加工)下获得的多个扫描图像来产生输入图像。此外，根据特定用户/加工要求，可在整个图像处理阶段应用各种图像滤波技术。

应预期，所产生的度量类型将与由系统成像的光学状况下的晶片的光学信号响应固有地关联。在某些实施例中，步骤104中实施的计算过程经设计以提取从各种图像分量的像素强度直接导出的各种度量、囊括与可能晶片标识有关的信息的各种空间度量，及考虑可变频率范围及全部振幅、相位及能量信息内容的若干频率空间度量。也应预期，可在不脱离本发明的精神及范围的情况下，计算及利用额外度量，且用户可利用根据本发明的方法来配置及定制待产生的特定类型的度量。

接着，在步骤106中将所计算的晶片级度量馈送到统计计算模块中以执行统计分析。根据本发明，所述统计计算模块同时考虑单个晶片、单个批次内的多个晶片以及多个批次信息以建立在统计上应被视为正常用于分类目的的内容。图2是有助于更详细描述统计计算过程的说明。

在典型制造操作中，将半导体制造工艺细分成各种技术节点、装置及层。默认的每一独特节点/装置/层三联体界定指代“加工群组”的内容。分批地运行用于每一节点/装置/层组合的晶片(批次由多个晶片(例如，通常为25个晶片)组成)。换句话来说，如图2中所展示，装置(例如处理器、存储器、摄像机或任何其它传感器、汽车芯片、MEMS、电路芯片或其类似者)可包含一或多个层；对于每一层，可加工一或多个晶片批次；且每一晶片批次可包含一起加工的多个晶片。对研究特定加工工具的行为有兴趣的加工工程师(即，用户)可具有与何种加工组件由所述特定工具处置相关的知识，且可因此建立检验取样策略，其中选择来自每一批次的晶片的最优子集用于统计分析。例如，层M_i、M_j及M_k(来自相同或不同技术节点及装置)可包含工程师想要作为群组来分析的晶片(或晶片批次)。提供共同分析的能力(即，采用多个批次及批次间(即，晶片批次的混合物)度量来作出共同决定)使根据本发明的统计计算更稳健且对用户而言更不繁冗。

应注意，基于从步骤104接收的数据来实施步骤106，需要初始训练阶段来建立每一加工群组的基线。在某些实施例中，需要从每一加工群组(即，装置及层的组合)的最小数目个晶片及批次收集数据以具有用于训练系统的适当统计数据。例如，初始建议是针对每一加工群组使用来自10个不同批次的最少50个晶片来训练系统。然而，应了解，可在不脱离本发明的精神及范围的情况下配置及变动此数目。通常，训练晶片越多，提供的统计模型越稳健。

一旦已建立用于用户指定加工群组的适当基线，计算每一原始度量的正规化度量。这允许全部度量跨越类似标度，且更重要的是，正规化值对事件的发生概率具有直接意义。在一个实施例中，属于相同批次的晶片的正规化度量经共同处理以获得批次级度量，且晶片级度量及/或批次级度量两者均接着可用于分析及分类目的。更具体地说，以批次级共同地计算多个批次度量及批间度量。例如，特定批的正规化统计值可计算如下：

${\mathrm{NormRg}}_{\mathrm{lo}t}=<\frac{x_1-{\mathrm{\&mu;}}_{PG}}{{\mathrm{\&sigma;}}_{PG}}{>}_{\{i\&Element;Lot\}}$

其中x_i标示针对批次中的第i个晶片所接收的原始度量，μ_PG标示计算平均值，且σ_PG标示相同加工群组内的群体的计算标准偏差。应注意，加工群组是指由用户指定的分析群组，如先前所描述。参考上文所说明的实例，加工群组包含层M_i、M_j及M_k。

应预期，可对从步骤104接收的每一类型的原始度量独立执行此正规化批次级计算。以此方式，对于步骤104中计算的每一类型的原始度量，统计计算步骤106将产生加工群组中的每一批次的正规化值。同样地，可根据各种聚合方案来计算导出属性及合并属性。例如，一些导出属性可考虑全部度量或其子群组的最大值、最小值、平均值、标准偏差、带宽以及其它统计数据。在另一实例中，一些合并属性可考虑全部度量或其子群组的范数、总和、平方和以及其它统计数据。另外，可计算跨不同度量的合并及求导的混合值。此外，加权表决方案可用于进一步仲裁计算数据且将计算数据合并成单个全局属性。

还应预期，上文所描述的统计计算模块可将时间分量并入到分析中。例如，可在某一时间段内分析正规化度量以监测加工工具健康状况，例如，作为触发机制以确定特定加工工具何时需要维修保养或故障检修。可定期更新所建立的基线以反映制造工艺状况中的缓慢预期漂移，且可再访过去基线以获得制造工艺随时间的平均行为的准确历史记录。

此时，一旦在步骤106中完成统计计算，在步骤108中将结果提供到分类引擎以识别任何潜在问题。应预期，分类引擎可采用若干方法来促进分类过程。在一个实施例中，采用无监督方法，其中分类引擎基于从步骤106接收的正规化值来计算给定类型的测量度量的统计正常值。在此无监督操作模式中，分类引擎仅根据每一晶片及批次偏离训练基线的程度来对所述晶片及批次进行分级。用户可基于一或多个晶片级或批次级度量以及导出属性、合并属性或全局属性中的任一者来设置被视为离群者的阈值。接着，分类引擎可基于此阈值来识别及报告离群者(如果存在)。由于无需来自用户的监督或详细分类输入，所以将此方法称为无监督方法。

替代地及/或另外，可利用监督方法，其中用户可重查由分类引擎确定的识别离群者，且根据此类识别离群者是否被确认为偏移而对系统作出响应。以此方式，用户输入可用于训练分类引擎，且应了解，在不脱离本发明的精神及范围的情况下，各种类型的机器学习技术可用于促进此训练过程。

例如，在一个实施例中，分类引擎需要由用户将某数目个晶片及/或批次手动分类为一或多个所关注类别。将此信息传递到分类引擎且产生每一分类加工群组的统计模型。随后，将由引擎根据具有相关联置信水平的所述类别中的一者来对每一晶片进行分类。用户可具有各种选项：a)接受监督分类引擎的默认分类结果；b)基于所述置信水平来设置阈值以进一步判别结果；或c)拒绝答案且重新训练引擎以并入所述拒绝作为改善分类引擎的性能的方式。

应预期，用户可选择使分类引擎在无监督模式中操作还是在监督模式中操作。无监督模式的优点包含易用性，这是因为几乎无需用户输入。另外，无监督模式实现趋向使用情况，其中关键方面不聚焦于特定事件的分类，而是聚焦于过程数据在潜在有害方向上的漂移的识别。此能力允许用户在非所要事件实际上发生之前注意到趋势。另一方面，监督模式也提供若干优点。例如，监督模式能够判别两个或两个以上晶片类别。监督模式还能够处理高维空间中的数据，且自动确定用于使不同类别分离的最优判别超表面。图3及4中说明这些能力，其中分析不同判别式，且可识别提供最优可分离性的判别式且将其用于分类目的。

还应预期，用户可选择具有确定何种度量参与分类机制的全控制。替代地及/或另外，系统可基于性能来自用于分类目的的各种度量自动选择。

应了解，在不脱离本发明的精神及范围的情况下，分类引擎可利用各种机器学习及分类技术。在某些实施例中，分类技术利用包含(但不限于)以下项的过程：分析度量的统计相关性及线性独立性，以将度量群体削减到含有用于分类的大多数有用信息的最小集合；基于其使类别分离的能力来对度量进行分级的多个方案；基于分类群体大小，通过信息论来最终选择度量；对剩余度量维数进行聚类分析，其中可绘制不同类别的群体之间的非线性分割线且施加定制类别权重以微调所述分割线偏向全部其它类别中的每一类别的严重程度；及分析分类群体以确定冗余且因此在不损失分类质量的情况下大幅削减计算时间。此外，应预期，监督模式也可依递归方式用于发掘更多坏晶片实例，且经由用户校正来进一步改善其自身性能。

还应预期，可协同使用无监督模式及监督模式。例如，可首先使用无监督模式来突显离群晶片，所述离群晶片变为可能候选者以馈送为监督分类引擎所需的多个分类晶片类别。在另一实例中，可基于两种模式对不同特征的响应而一起使用两种模式。更具体地说，特征对无监督模式无偏向；另一方面，监督引擎将调谐到区分给定晶片类别的特征。此时，如果存在无法由训练类别捕获且影响其它特征的一种新过程变动，那么特征偏向监督引擎可完全错过所述变动。对于此类情况，假设用户意识到此新类型已显现，用户将必须重新训练监督引擎以捕获此新类别。相反地，无监督方法(作为统计异常的通用指示)将最可能将此新事件标记为离群者。

在某些实施例中，无监督分类器及/或监督分类器的多个实例可同时运行，所述多个实例各自经具体调谐以识别不同种类的离群者，其与运行单个分类器以涵盖可实现较差分类性能的多个不同标识相反。应预期，在不脱离本发明的精神及范围的情况下，是否利用多个分类器可变动，且此类分类器的特定数目可变动。

无论监督或无监督，应将分类的结果以文字及/或图形表示报告给用户。应预期，可以各种方式可视化晶片级度量/数据及批次级度量/数据两者。参考图5及6，图中展示识别潜在离群者的示范性报告。此类示范性报告的x轴可识别被分析的各种晶片批次的指数，且此类示范性报告的y轴可识别当前被显示的测量度量的类型。如先前所描述，由于独立处理每一类型的测量度量，所以可将此类度量的列表提供给用户以从其中选择用于报告目的的度量。应预期，报告可基于用户偏好及选择来同时显示多个特征(例如多个类型的度量)(如图4中所展示)或显示单个特征(如图5中所展示)。应了解，所描绘的此类示范性报告仅用于说明目的；可在不脱离本发明的精神及范围的情况下利用其它类型的报告及报告格式。

现参考图7，图中展示描绘加工工具状况监测系统700的框图。系统700可包含成像装置(例如扫描仪、摄像机、显微镜及其类似者)702，其经配置以获得半导体装置706(例如晶片或晶片批次)的图像。例如，成像装置702可捕获半导体装置706的空中图像(例如俯视图)且将所述图像提供到经配置以处理所获得图像的处理器704。应预期，在不脱离本发明的精神及范围的情况下，系统700可包含一个以上成像装置。某些系统可提供同时捕获半导体装置的全部表面(前侧、后侧及边缘)的能力。

可利用任何独立或嵌入计算装置(例如计算机、处理单元/电路或其类似者)来实施处理器704。一旦从成像装置702接收图像，处理器704可执行上文所描述的分类过程。接着，可经由用户接口708来将分类报告提供到用户，用户接口708也可从所述用户接收输入作为先前所描述的训练过程的部分。

应预期，可记录计算统计数据及训练分类引擎(例如，将计算统计数据及训练分类引擎存储于数据库中)以供未来参考。可再使用所存储的数据及/或随时间推移而改善所存储的数据，或可复制所存储的数据且将其加载到另一加工工具状况监测系统中。此外，应预期，可跨多个监测系统共享所存储的数据，且可以分散方式操作这些系统，这可在各种制造环境中加以了解。

应注意，根据本发明的用于监测加工工具状况的系统及方法能够在无需检测特定晶片缺陷的情况下确定加工工具漂移。仅需要计算基于晶片及基于批次的宽度量，且分类引擎能够识别可指示加工工具漂移且提供早期预警的潜在离群者。此检测过程对半导体制造业而言非常有价值，这是因为其减少晶片及材料损耗。此外，应注意，由于无需高分辨率图像，所以有益地降低对光学系统的要求，这是因为其能够增加晶片取样且又增加处理量。

如上文所描述，根据本发明的用于监测加工工具状况的系统及方法提供若干优点。此类优点包含：了解加工工具行为的趋势以在影响多个批次的昂贵问题出现之前采取预防措施；归因于低光学要求及可调水平的降取样操作而提供高处理量加工；允许不同水平的用户与对应水平的性能结合；提供维持全制造制造工艺的历史记录的能力；及支持针对短转回时间内的特定挑战的定制。

应预期，除提供识别潜在加工工具漂移的能力之外，根据本发明的用于监测加工工具状况的系统及方法也可提供使用次分辨率异常加工标识来突显晶片的能力。换句话来说，根据本发明的系统及方法具有找到常规缺陷检测方法无法找到(归因于缺陷大小低于其光学分辨率)的用户所关注的问题(例如圆形刮痕、隐微过度抛光及抛光不足、步进散焦或其类似者)的能力。另外，根据本发明的系统及方法也可提供加工窗监测，其涉及微调加工工具状况。应注意，由于此应用的固有方面是训练到良好/正常加工所呈现的样子的基线，所以用户可接着识别何种加工优化产生将显著偏离此基线的结果，其与将产生具有类似结果的加工相反。应预期，在不脱离本发明的精神及范围的情况下，根据本发明的系统及方法可用于各种其它目的。

也应预期，尽管上述实例涉及晶片测量，但在不脱离本发明的精神及范围的情况下，根据本发明的系统及方法也可应用于其它类型的抛光板。用于本发明中的术语“晶片”可包含制造集成电路及其它装置时所使用的半导体材料的薄片、以及其它薄抛光板(例如磁盘衬底、块规及其类似者)。

应了解，本发明可实施为软件/固件封装的形式。此封装可为计算机程序产品，其采用包含存储计算机程序码的计算机可读存储媒体/装置，所述存储计算机程序码用于编程计算机以执行本发明的揭示功能及过程。所述计算机可读媒体可包含(但不限于)任何类型的软盘、光盘、CD-ROM、磁盘、硬盘驱动器、磁光盘、ROM、RAM、EPROM、EEPROM、磁卡或光学卡、或适合于存储电子指令的任何其它媒体。

所揭示的方法可通过单个产生装置及/或多个产生装置来实施为指令集。此外，应了解，所揭示方法中的步骤的特定顺序或层级是示范性方法的实例。应了解，基于设计偏好，可重新布置方法中的步骤的特定顺序或层级，同时保持在本发明的精神及范围内。所附方法权利要求以样本顺序呈现各种步骤的要素，且未必表示受限于所呈现的特定顺序或层级。

据信，将通过以上描述而理解本发明的系统及方法及其诸多伴随优点，且应明白，在不脱离所揭示主题的情况下或在不牺牲主题的全部材料优点的情况下，可对组件的形式、构造及布置作出各种改变。所描述的形式仅具解释性。

Claims (20)

1.一种用于监测加工工具状况的方法，所述方法包括：

获得多个晶片的多个晶片图像，所述多个晶片包含在多个晶片批次中制造的晶片；

计算所述多个晶片中的每一特定晶片的晶片级度量，基于针对每一特定晶片获得的所述晶片图像来计算所述特定晶片的所述晶片级度量；

计算所述多个晶片批次中的每一特定晶片批次的批次级统计值，至少部分基于每一特定晶片批次中制造的晶片的晶片级度量及指定加工群组中的至少一个额外晶片批次中制造的晶片的晶片级度量来计算所述特定晶片批次的所述批次级统计值；及

基于所述晶片级度量或所述批次级统计值来执行所述加工工具的统计分析。

2.根据权利要求1所述的方法，其中针对每一特定晶片获得的所述晶片图像是全晶片图像。

3.根据权利要求1所述的方法，其中所述晶片级度量包含基于像素强度的度量、基于空间的度量及基于频率空间的度量中的至少一者。

4.根据权利要求1所述的方法，其中在用户指定加工群组中指定所述至少一个额外晶片批次。

5.根据权利要求4所述的方法，其中计算每一特定晶片批次的批次级统计值包含正规化所述特定晶片批次中制造的晶片的所述晶片级度量。

6.根据权利要求5所述的方法，其中基于以下公式来计算每一特定晶片批次的所述批次级统计值：

${\mathrm{NormRg}}_{lot}=<\frac{x_i-{\mathrm{\&mu;}}_{PG}}{{\mathrm{\&sigma;}}_{PG}}{>}_{\left\{i\&Element;Lot\right\}}$

其中x_i标示所述特定晶片批次中的第i个晶片的所述晶片级度量，μ_PG标示所述用户指定加工群组的计算平均值，且σ_PG标示所述用户指定加工群组的计算标准偏差。

7.根据权利要求1所述的方法，其中所述加工工具的所述统计分析用于以下各项中的至少一项：

识别潜在加工工具漂移状况；

使用次分辨率异常加工标识来识别晶片；及

提供用于微调所述加工工具状况的加工窗监测。

8.一种加工工具状况监测系统，其包括：

成像装置，所述成像装置经配置以获得多个晶片的多个晶片图像，所述多个晶片包含在多个晶片批次中制造的晶片；及

处理器，所述处理器经配置以：

计算所述多个晶片中的每一特定晶片的晶片级度量，基于针对每一特定晶片获得的所述晶片图像来计算所述特定晶片的所述晶片级度量；

计算所述多个晶片批次中的每一特定晶片批次的批次级统计值，至少部分基于每一特定晶片批次中制造的晶片的晶片级度量及指定加工群组中的至少一个额外晶片批次中制造的晶片的晶片级度量来计算所述特定晶片批次的所述批次级统计值；及

基于所述晶片级度量或所述批次级统计值来识别潜在加工工具漂移状况。

9.根据权利要求8所述的系统，其中针对每一特定晶片获得的所述晶片图像是全晶片图像。

10.根据权利要求8所述的系统，其中所述晶片级度量包含基于像素强度的度量、基于空间的度量及基于频率空间的度量中的至少一者。

11.根据权利要求8所述的系统，其中在用户指定加工群组中指定所述至少一个额外晶片批次。

12.根据权利要求11所述的系统，其中计算每一特定晶片批次的批次级统计值包含正规化所述特定晶片批次中制造的晶片的所述晶片级度量。

13.根据权利要求12所述的系统，其中基于以下公式来计算每一特定晶片批次的所述批次级统计值：

${\mathrm{NormRg}}_{lot}=<\frac{x_i-{\mathrm{\&mu;}}_{PG}}{{\mathrm{\&sigma;}}_{PG}}{>}_{\left\{i\&Element;Lot\right\}}$

其中x_i标示所述特定晶片批次中的第i个晶片的所述晶片级度量，μ_PG标示所述用户指定加工群组的计算平均值，且σ_PG标示所述用户指定加工群组的计算标准偏差。

14.根据权利要求8所述的系统，其进一步包括：

用户接口，所述用户接口经配置以接收与所述所识别的潜在加工工具漂移状况相关的用户调整。

15.根据权利要求14所述的系统，其中所述处理器进一步经配置以基于所述用户调整来调整用于识别所述潜在加工工具漂移状况的过程。

16.一种用于监测加工工具状况的方法，所述方法包括：

获得多个晶片的多个全晶片图像，所述多个晶片包含在多个晶片批次中制造的晶片；

计算所述多个晶片中的每一特定晶片的晶片级度量，基于针对每一特定晶片获得的所述全晶片图像来计算所述特定晶片的所述晶片级度量；

计算所述多个晶片批次中的每一特定晶片批次的批次级统计值，至少部分基于每一特定晶片批次中制造的晶片的晶片级度量及指定加工群组中的至少一个额外晶片批次中制造的晶片的晶片级度量来计算所述特定晶片批次的所述批次级统计值；

基于所述晶片级度量或所述批次级统计值来识别潜在加工工具漂移状况；

接收与所述所识别的潜在加工工具漂移状况相关的用户调整；及

基于所述用户调整来调整用于识别所述潜在加工工具漂移状况的过程。

17.根据权利要求16所述的方法，其中所述晶片级度量包含基于像素强度的度量、基于空间的度量及基于频率空间的度量中的至少一者。

18.根据权利要求16所述的方法，其中在用户指定加工群组中指定所述至少一个额外晶片批次。

19.根据权利要求18所述的方法，其中计算每一特定晶片批次的批次级统计值包含正规化所述特定晶片批次中制造的晶片的所述晶片级度量。

20.根据权利要求19所述的方法，其中基于以下公式来计算每一特定晶片批次的所述批次级统计值：

${\mathrm{NormRg}}_{lot}=<\frac{x_i-{\mathrm{\&mu;}}_{PG}}{{\mathrm{\&sigma;}}_{PG}}{>}_{\left\{i\&Element;Lot\right\}}$

其中x_i标示所述特定晶片批次中的第i个晶片的所述晶片级度量，μ_PG标示所述用户指定加工群组的计算平均值，且σ_PG标示所述用户指定加工群组的计算标准偏差。