CN107408522B - 使用高维变量选择模型确定关键参数 - Google Patents
使用高维变量选择模型确定关键参数 Download PDFInfo
- Publication number
- CN107408522B CN107408522B CN201580065268.6A CN201580065268A CN107408522B CN 107408522 B CN107408522 B CN 107408522B CN 201580065268 A CN201580065268 A CN 201580065268A CN 107408522 B CN107408522 B CN 107408522B
- Authority
- CN
- China
- Prior art keywords
- tool
- semiconductor manufacturing
- parameters
- manufacturing tool
- variable selection
- 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
- 239000004065 semiconductor Substances 0.000 claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000007689 inspection Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012356 Product development Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- 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
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Vending Machines For Individual Products (AREA)
- Feedback Control In General (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
高维变量选择单元从来自例如半导体检验工具或其它类型的半导体制造工具等半导体制造工具的传感器数据及参数工具测量值确定关键参数列表。举例来说,高维变量选择模型可为弹性网、前向逐阶段回归或最小角回归。所述关键参数列表可用于设计下一代半导体制造工具,用于使所述半导体制造工具返回到正常状态,用于使半导体制造工具的结果与另一半导体制造工具的结果相匹配,或用于开发所述半导体制造工具的规范。
Description
相关申请案交叉参考
本申请案主张对2014年12月3日提出申请且被授予第62/087,187号美国申请案的临时专利申请案及对2015年6月22日提出申请且被授予第62/183,101号美国申请案的临时专利申请案的优先权,所述临时专利申请案的揭示内容特此以引用的方式并入。
技术领域
本发明涉及用于确定制造工具中的关键参数的模型。
背景技术
在半导体制造过程中,使用工具匹配来确保半导体制造工具(“工具”)的相同模型中的两者或多于两者产生类似结果。举例来说,所述工具可为半导体检验工具(“检验工具”)。工具匹配对于检验工具来说可为特别重要的。来自相同类型的检验工具的检验结果之间的差异可影响针对制造过程的根本原因分析。举例来说,可能将实际半导体制造漂移与检验工具中的差异混淆。此还在其它工具中可为重要的,这是因为其它类型的结果变异(例如,沉积厚度、化学机械抛光均匀性或离子植入角度)可影响根本原因分析。
半导体制造商通常在周期性预防维护(PM)期间执行检验工具匹配练习。由于有限维护计划,现场维修工程师仅可有一天时间来完成包含工具匹配练习的PM。随着检验工具给半导体制造商提供更强大功能性及灵活性,这些检验工具已变得非常复杂。成千上万个参数被跟踪,且所收集数据对于现场维修工程师来说可为压倒性的。对于现场维修工程师来说再检查成千上万个参数以确定将调整的正确参数以便匹配检验工具是极其麻烦的。
检验工具的复杂性随每一代增加。知晓显著影响工具性能的关键参数帮助工程师做出关于改进当前及下一代检验工具中的哪些组件或子系统的决策。在制造检验工具时需要开发工具规范。针对一工具开发数千个规范是不实际的。且从准确地表征工具的性能的超过10,000个可测量参数挑选少数工具参数是非常具挑战性的。此小参数子集充当工具的指纹且足以捕获大多数工具差异,这使得针对集合选择最佳工具参数是重要的。
在当前方法中,形成具有已知缺陷位置及大小的特殊晶片(称作缺陷标准晶片(“DSW晶片”))。检验工具使用DSW晶片来将所检测缺陷区与DSW晶片的实际缺陷区进行比较,且可(举例来说)输出介于0与1之间的类似性得分。类似性得分(称为“匹配因数”)或其它工具性能测量值在系统层级下测量检验工具的性能。系统工程师一次使一个工具参数与匹配因数相关以检查哪些参数可影响工具性能。由于系统工程师无法在合理时间量内针对所有工具参数重复此练习,因此对将调查的参数的选择单纯基于系统工程师的主观判断及经验。此可导致关键参数被忽视。“一次一个参数”方法的另一缺点是其错过参数之间的交互作用。举例来说,工程师可发现两个参数对匹配因数具有高度影响。但这两个参数可能高度相关。举例来说,一者可为另一者的替代物。因此,监测及针对两个参数形成规范可为冗余的。除在系统层级下的性能测量值外,此方法还可应用于工具的子系统及功能组件。
其它统计过程控制方法集中于寻找单个有效工具参数来监测工具偏移。然而,此方法对于具有大量工具参数的工具可为无效的。此外,参数可为互相关的,或可不具有足够影响以值得考虑,这可意味着有效工具参数可具有意外影响或可不提供最大潜在影响。因此,需要一种可迅速导航大量工具参数且识别可影响工具性能的几个最重要参数的技术。
发明内容
在第一实施例中,提供一种系统。所述系统包含:输入单元,其经配置以从半导体制造工具接收多个传感器数据及参数工具测量值;高维变量选择单元,其与所述输入单元进行电子通信,经配置以从所述多个传感器数据及参数工具测量值确定关键参数列表;及输出单元,其与所述高维变量选择单元进行电子通信,经配置以传达所述关键参数。经配置以显示所述关键参数的显示器可连接到所述输出单元。
所述半导体制造工具可为半导体检验工具。所述半导体制造工具可包含载台、光源、图像处理器及连接到所述输入单元的光学器件。
在第二实施例中,提供一种方法。在所述方法中,从半导体制造工具接收多个传感器数据及参数工具测量值。使用高维变量选择模型分析所述多个传感器数据及参数工具测量值。使用所述经分析传感器数据及参数工具测量值来从所述多个传感器数据及参数工具测量值产生关键参数列表。所述半导体制造工具可为半导体检验工具。
可修改所述半导体制造工具上所述关键参数中的至少一者的设定以使所述半导体制造工具返回到正常状态。可修改所述半导体制造工具上所述关键参数中的至少一者的设定以使所述半导体制造工具的结果与另一半导体制造工具的结果匹配。可基于所述关键参数列表而开发所述半导体制造工具的规范。
所述高维变量选择模型可包含弹性网、前向逐阶段回归或最小角回归中的一者。所述高维变量选择模型可包含公式(min(Y-BX))2+λ(‖X‖+||X||2),其中Y是所述半导体制造工具的性能测量值,X是输入参数的向量,B是待估计系数的向量,且λ控制惩罚参数系数的程度。
可在所述半导体制造工具闲置时收集所述多个传感器数据及参数工具测量值。
所述高维变量选择模型可以阶层方式重新参数化。
在第三实施例中,提供一种用于确定关键参数列表的装置。所述装置包含:处理器:电子存储装置,其与所述处理器进行电子通信;及通信端口,其与所述处理器进行电子通信。所述处理器经编程以:在所述通信端口处从半导体制造工具接收多个传感器数据及参数工具测量值;使用高维变量选择模型分析所述多个传感器数据及参数工具测量值;及使用所述经分析传感器数据及参数工具测量值来从所述多个传感器数据及参数工具测量值产生关键参数列表。
所述高维变量选择模型可包含弹性网、前向逐阶段回归或最小角回归中的一者。所述高维变量选择模型可包含公式(min(Y-BX))2+λ(‖X‖+||X||2),其中Y是所述半导体制造工具的性能测量值,X是输入参数的向量,B是待估计系数的向量,且λ控制惩罚参数系数的程度。
所述半导体制造工具可为半导体检验工具。
所述处理器可进一步经编程以在所述半导体制造工具闲置时收集所述多个传感器数据及参数工具测量值。
所述处理器可进一步经编程而以阶层方式将所述高维变量选择模型重新参数化。
附图说明
为更全面理解本发明的性质及目标,应参考联合附图做出的以下详细描述,在附图中:
图1是根据本发明的使用高维变量选择单元的系统的实施例的框图;
图2是根据本发明的过程的实施例的流程图;
图3是使用弹性网的示范性结果;
图4是开发下一代工具的流程图;
图5是维修工具的流程图;
图6是开发工具的规范的流程图;及
图7是根据本发明的工作流程实施例的流程图。
具体实施方式
尽管将就某些实施例描述所主张的标的物,但包含不提供本文中所述的全部优点及特征的实施例的其它实施例也在本发明的范围内。可在不背离本发明的范围的情况下做出各种结构、逻辑、过程步骤及电子改变。因此,本发明的范围仅参考所附权利要求书来界定。
本文中所揭示的实施例可迅速导航大量工具参数且识别可影响工具性能的几个最重要参数。不同于集中于寻找有效工具参数来监测工具偏移的其它统计过程控制方法,本文中所揭示的实施例提供高维统计方法来将工具的影响工具性能的独特关键参数划分优先级。本发明在复杂工具(例如检验工具)具有超过7,000个参数要考虑且针对产品开发、制造过程及维修划分优先级时可为特别有帮助的。
图1是使用高维变量选择(HDVS)单元102的系统100的框图。输入单元101及输出单元103与HDVS单元102进行电子通信。输入单元101经配置以从工具104接收传感器数据及参数工具测量值。举例来说,输入单元101与工具104之间的连接可为无线或硬线连接的。输出单元103经配置以传达关键参数。举例来说,输出单元103可将关键参数发送到显示器105。输出单元103还可产生报告、制备电子表格、打印文档或与便携式装置通信。
传感器数据可为来自工具传感器的常规数据,例如温度或压力。一些参数工具数据是从传感器数据导出以测量工具状态或性能的某些方面。举例来说,净空(headroom)是从来自工具的光传感器的数据计算的参数工具数据。
工具104可为检验工具、度量工具、蚀刻工具、沉积工具、化学机械抛光工具、离子植入器或其它半导体制造设备。在一实例中,工具104是检验工具,例如用于缺陷检验的检验工具。举例来说,此检验工具可包含载台、光源、图像处理器及与输入单元101进行电子通信的光学器件。在一实例中,用于工具104的控制器关于检验工具的各种组件与输入单元101通信。
HDVS单元102经配置以从传感器数据及参数工具测量值确定关键参数列表。HDVS单元102可包含处理器106、与处理器106进行电子通信的电子存储装置107及与处理器106进行电子通信的通信端口108。
图2是用于使用高维变量选择模型来确定关键参数的过程的实施例的流程图。在200处,从工具(例如图1中的工具104)接收传感器数据及参数工具测量值。在201处,使用HDVS模型分析传感器数据及参数工具测量值。举例来说,此可在图1的HDVS单元102中发生。在202处,使用HDVS模型从传感器数据及参数工具测量值产生关键参数列表。
关键参数是对校准或工具性能测量值(例如匹配因数)具有重大合意影响的参数。因此,关键参数可为具有超出阈值的影响的参数。此阈值可由操作者通过HDVS单元102或使用其它技术设定。此阈值可基于应用而变化。举例来说,阈值可针对特定半导体制造商、半导体设计或工具模型而较高或较低。在进一步调查之后可使针对关键参数的阈值变化。与常规参数相比,关键参数可用于表征特定过程且在制造时影响统计过程控制。关键参数可不与具有规范及/或阈值的参数有联系。关键参数可为对工具性能具有较大影响或最大影响且可用于解释大多数工具差异的所有可用工具测量值的子集。
在一实例中,在工具闲置时收集传感器数据及参数工具测量值。当执行主要PM时,可采集包含DSW匹配因数的较全面工具数据集。当新DSW匹配因数数据变得可用时,数据合并与预处理程序可自动将在不同时间戳处的历史工具参数与DSW匹配因数相关联。特定来说,针对DSW匹配因数,将保留落在预定义时间窗中的工具参数的最新值。
HDVS模型可使用回归分析来估计例如传感器数据及参数工具测量值等变量当中的关系。举例来说,本文中所描述的HDVS模型可为弹性网、前向逐阶段回归、最小角回归或其它统计模型。实际模型可取决于应用、工具或可用数据而变化。尽管来自弹性网、前向逐阶段回归及最小角回归的结果通常一致且重叠,但可归因于弹性网的计算效率而选择弹性网。
弹性网是将LASSO(最小绝对收缩及选择运算子)及岭回归方法的L1及L2惩罚线性组合的正规化回归模型。岭回归还称作吉洪诺夫正规化(Tikhonov regularization)且产生二次项。弹性网正规化利用二次岭回归项来克服LASSO的两个限制:(1)在大量变量p的情形中,少量取样数据n,在饱和之前最多选择m个变量;及(2)在高度相关变量的情形中,从群组选择一个变量且忽视其它变量。通过几个实例,弹性网模型在高维数据集中可为有利的。弹性网模型同时执行自动变量选择及连续收缩,且其可选择相关变量的群组。
前向逐阶段回归是找出具有最具解释性能力的变量且沿正确方向更新所述变量的权重的回归模型。前向逐阶段回归是前向选择的谨慎版本,且是用以在连续小步骤中构建回归函数的迭代程序。前向逐阶段回归遵循用于构造稀疏回归估计序列的策略。其以所有系数等于零开始,且迭代地更新实现与当前余数的最大绝对内积的变量的系数(少量)。
最小角回归(LARS)是回归模型选择方法。LARS可视为前向逐阶段回归的在计算上较快的版本,且是通过其相对容易地识别其中逐阶段程序的无限小版本将转弯且在新向量之后开始的点的事实而激发。LARS沿经选择以与模型中的变量中的每一者成相等相关的优化方向做出优化跳跃。LARS类似于前向回归,但替代在每一步骤处包含变量,沿等角于彼此与余数的相关的方向增加所估计参数。LARS产生全分段线性解决路径,这在调谐模型的类似尝试的交叉验证中是有用的。在每一阶段处,LARS估计接近但从未达到对应普通最小二乘估计。
在一实例中,弹性网可用作HDVS模型。弹性网可向正规多元回归模型中添加正规化项以惩罚模型中的数目过多的参数,这可为有益的。弹性网的实施例使用以下方程式1。
(min(Y-BX))2+λ(‖X‖+||X||2) (方程式1)
在方程式1中,Y是工具的性能测量值,例如DSW匹配因数,X是输入参数的向量,B是待估计系数的向量,且λ控制惩罚参数系数的程度。如在图3中看出,图的顶部上的数目是具有非零系数的参数的数目。仅具有非零系数的参数可影响DSW匹配因数。λ变量控制模型复杂性(及,参数的数目及预测误差)。在图3处从右向左看,当λ足够大时,所有参数系数收缩为零。随着λ逐渐增加,越来越多的变量将具有非零系数且这些变量可对DSW匹配因数或其它工具性能测量值具有高度影响。垂直轴(均方误差)是预测准确性的度量。在一个特定实例中,在78个参数已进入模型之后,通过将较多参数添加到HDVS模型中的益处是边际的。HDVS模型接着输出78个参数作为最关键参数。
可以阶层方式将高维变量选择模型重新参数化。举例来说,参见以下方程式2及3。
min(Y-∑BiXi)2 (方程式2)
Xi=ΓZ+λi(‖Γ‖+‖Γ‖2) (方程式3)
在方程式2及3中,Y是工具的性能测量值,例如DSW匹配因数,Z是每一子系统i的输入参数的向量,Xi是用以估计子系统层级处的性能的隐藏变量。Γ是其子系统内的每一输入参数的权重,而B是每一子系统对总体工具性能的权重因数,且λ控制惩罚参数系数的程度。
工具可为复杂的且可包含数个子系统。在检验工具中,这些子系统可包含(举例来说)载台、光源、图像处理器及光学器件。系统工程师可能期望理解每一子系统或其它组件的性能可如何由小的工具参数集合表征,或所有子系统参数或其它组件如何共同影响总体工具性能。在方程式2中,正规回归模型描述工具性能Y与每一子系统的性能Xi之间的关系。方程式3对所测量变量Z影响特定子系统的性能的程度建模。注意,针对每一子系统引入正规化项λi,使得模型仅选择影响对应子系统的必要变量。
在(例如)由系统工程师或经由软件细化关键参数列表之后,可重新运行且任选地细化HDVS模型。可重复此过程直到系统工程师对输出满意为止,如在图7中看到。在工具闲置时自动收集参数数据700。在PM期间获得DSW匹配因数701。合并且预处理702此参数及/或DSW匹配因数数据,此后交互式系统重复地细化关键参数列表703。将所述关键参数列表发送到控制系统以修正数据收集704。控制系统可用于基于来自在图7中看到的HDVS模型-人类细化引擎的推荐而引导在未来将收集哪些参数。
可以多种方式使用关键参数。举例来说,可使用所述关键参数列表来设计下一代工具以关于工具修改关键参数中的至少一者的设定以使工具返回到正常状态、以使工具的结果与另一工具的结果相匹配或者以开发工具的规范。举例来说,这些实施例中的工具可为检验工具、蚀刻工具、沉积工具、化学机械抛光工具、离子植入器或另一件半导体制造设备。
如在图4中看到,可使用关键参数列表来设计下一代工具。在工具制造过程期间,收集各种传感器数据及参数工具测量值来计量工具行为。周期性地,工具运行经过DSW晶片以诊断检验能力。系统采取贯穿整个制造生命循环产生的所有参数数据及性能数据400。接着,系统执行HDVS模型401以输出系统认为对工具性能有影响的参数列表402。这些参数可为关键参数。此后,系统工程师或计算机软件可再检查参数列表403且确定所述参数是否对下一代工具是重要的404。系统工程师可删除模型中的其无法在工具控制系统中设定值的变量、向模型添加新变量或者使用类似于模型中的变量的变量。系统对经修改输入变量执行HDVS。迭代过程继续直到系统工程师对用于下一代工具开发的所建议关键参数列表满意为止。输出针对下一代工具的关键参数列表405。
如在图5中看到,可使用关键参数列表来修改工具上关键参数中的至少一者的设定以使工具返回到正常状态或使工具的结果与另一工具的结果相匹配。在经计划PM期间,可使工具彼此匹配,使得工具将具有在相同晶片上运行的类似结果,例如检验工具中的检验结果。在未计划现场升级中,维修团队成员具有有限时间来识别非预期工具性能的根本原因。系统可使用在工具闲置时自动收集的参数数据500及在PM期间收集的DSW匹配因数数据501,应用HDVS模型502,且建议待修改的关键参数列表以使工具返回到正常状态503。随后,现场维修工程师调整工具参数504且重新运行DSW检验505。如果结果仍未达到预期,那么现场维修工程师可对输入参数增加约束,从输出列表移除不相关参数或者向模型建议新参数。迭代过程继续直到工具返回到正常且与其它工具相匹配为止506。还将更新参数数据收集策略,其中集中于收集更多关键参数测量值。
如在图6中看到,可使用关键参数列表来开发工具的规范。在(举例来说)新产品开发中可使用工具的规范。关键参数列表可充当工具的指纹。类似于本文中先前所描述的内容,系统对在制造期间收集的数据运行HDVS模型601(例如工具或工具家族的参数性能数据600)且输出关键参数列表602。基于对工具的每一组件的理解,系统工程师再检查关键参数列表603以查看其是否覆盖工具状态的所有方面、捕获大多数工具差异604及/或足够简洁。具有尽可能少的工具参数同时捕获大部分工具差异可为合意的,此为足够简洁所指代的平衡。如果并非如此,系统工程师可修改列表中的参数且重新运行HDVS模型直到系统工程师对结果满意为止。系统工程师可开发最终关键参数列表中的每一参数的上限及下限。如果关键参数列表捕获大部分工具差异,那么可输出工具指纹605。
通过集中于所识别的关键参数,在调谐或设计工具时可节省时间及人力。在一实例中,在调谐或以其它方式优化检验工具的关键参数之后,可使用此检验工具识别测试晶片上的超过99%的缺陷。完成分析从而确定关键参数列表所需的时间量也减小。举例来说,使用本文中所揭示的HDVS模型的实施例可在大约几周内结束先前花费数月来完成的找出关键参数的工具分析。
在一实例中,在从超过120个检验工具的最后工具组装之后收集超过7,000个工具参数且将其馈送到HDVS模型。HDVS模型迅速地检查大量输入参数与通过DSW匹配因数测量的工具性能之间的关系,且接着将输入参数缩减为对工具性能具有高度影响的78个关键参数的列表。这78个关键参数可以仅3%误差描述工具性能。输出列表帮助系统工程师滤除噪声或不相关参数且迅速确定其应密切监测并从其开发规范的参数列表。本文中所揭示的实施例改进对下一代工具开发、规范验证、制造循环时间及维修PM界定的信心,这使得这些实施例对于产品开发、制造及维修是实际的。
尽管已关于一或多个特定实施例描述了本发明,但将理解,可在不背离本发明的范围的情况下做出本发明的其它实施例。因此,本发明应视为仅受所附权利要求书及其合理解释限制。
Claims (17)
1.一种用于确定半导体制造工具中的关键参数列表的系统,其包括:
输入单元,其经配置以从半导体制造工具接收多个传感器数据及参数工具测量值;
高维变量选择单元,其与所述输入单元进行电子通信,经配置以从所述多个传感器数据及参数工具测量值确定关键参数列表,其中所述高维变量选择单元包括高维变量选择模型,所述高维变量选择模型包含公式(min(Y-BX))2+λ(‖X‖+‖X‖2),其中Y是所述半导体制造工具的性能测量值,X是输入参数的向量,B是待估计系数的向量,且λ控制惩罚参数系数的程度;及
输出单元,其与所述高维变量选择单元进行电子通信,经配置以传达所述关键参数。
2.根据权利要求1所述的系统,其中所述半导体制造工具是半导体检验工具。
3.根据权利要求1所述的系统,其中所述半导体制造工具包括载台、光源、图像处理器及连接到所述输入单元的光学器件。
4.根据权利要求1所述的系统,其进一步包括连接到所述输出单元且经配置以显示所述关键参数的显示器。
5.一种用于确定半导体制造工具中的关键参数列表的方法,其包括:
从半导体制造工具接收多个传感器数据及参数工具测量值;
使用高维变量选择模型分析所述多个传感器数据及参数工具测量值,其中所述高维变量选择模型包含公式(min(Y-BX))2+λ(‖X‖+‖X‖2),其中Y是所述半导体制造工具的性能测量值,X是输入参数的向量,B是待估计系数的向量,且λ控制惩罚参数系数的程度;及
使用经分析传感器数据及参数工具测量值来从所述多个传感器数据及参数工具测量值产生关键参数列表。
6.根据权利要求5所述的方法,其进一步包括修改所述半导体制造工具上所述关键参数中的至少一者的设定以使所述半导体制造工具返回到正常状态。
7.根据权利要求5所述的方法,其进一步包括修改所述半导体制造工具上所述关键参数中的至少一者的设定以使所述半导体制造工具的结果与另一半导体制造工具的结果相匹配。
8.根据权利要求5所述的方法,其进一步包括基于所述关键参数列表而开发所述半导体制造工具的规范。
9.根据权利要求5所述的方法,其中所述高维变量选择模型包括弹性网、前向逐阶段回归或最小角回归中的一者。
10.根据权利要求5所述的方法,其中所述半导体制造工具是半导体检验工具。
11.根据权利要求5所述的方法,其进一步包括在所述半导体制造工具闲置时收集所述多个传感器数据及参数工具测量值。
12.根据权利要求5所述的方法,其进一步包括以阶层方式将所述高维变量选择模型重新参数化。
13.一种用于确定半导体制造工具中的关键参数列表的装置,其包括:
处理器;
电子存储装置,其与所述处理器进行电子通信;及
通信端口,其与所述处理器进行电子通信;
其中所述处理器经编程以:
在所述通信端口处从半导体制造工具接收多个传感器数据及参数工具测量值;
使用高维变量选择模型分析所述多个传感器数据及参数工具测量值,其中所述高维变量选择模型包含公式(min(Y-BX))2+λ(‖X‖+‖X‖2),其中Y是所述半导体制造工具的性能测量值,X是输入参数的向量,B是待估计系数的向量,且λ控制惩罚参数系数的程度;及
使用经分析传感器数据及参数工具测量值来从所述多个传感器数据及参数工具测量值产生关键参数列表。
14.根据权利要求13所述的装置,其中所述高维变量选择模型包括弹性网、前向逐阶段回归或最小角回归中的一者。
15.根据权利要求13所述的装置,其中所述半导体制造工具是半导体检验工具。
16.根据权利要求13所述的装置,其中所述处理器进一步经编程以在所述半导体制造工具闲置时收集所述多个传感器数据及参数工具测量值。
17.根据权利要求13所述的装置,其中所述处理器进一步经编程而以阶层方式将所述高维变量选择模型重新参数化。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462087187P | 2014-12-03 | 2014-12-03 | |
US62/087,187 | 2014-12-03 | ||
US201562183101P | 2015-06-22 | 2015-06-22 | |
US62/183,101 | 2015-06-22 | ||
US14/955,752 US10361105B2 (en) | 2014-12-03 | 2015-12-01 | Determining critical parameters using a high-dimensional variable selection model |
US14/955,752 | 2015-12-01 | ||
PCT/US2015/063463 WO2016090013A1 (en) | 2014-12-03 | 2015-12-02 | Determining critical parameters using a high-dimensional variable selection model |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107408522A CN107408522A (zh) | 2017-11-28 |
CN107408522B true CN107408522B (zh) | 2020-12-29 |
Family
ID=56092399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580065268.6A Active CN107408522B (zh) | 2014-12-03 | 2015-12-02 | 使用高维变量选择模型确定关键参数 |
Country Status (7)
Country | Link |
---|---|
US (2) | US10361105B2 (zh) |
JP (2) | JP6641372B2 (zh) |
KR (1) | KR20170093878A (zh) |
CN (1) | CN107408522B (zh) |
IL (2) | IL280008B (zh) |
SG (2) | SG11201704383QA (zh) |
WO (1) | WO2016090013A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10438699B2 (en) * | 2016-05-10 | 2019-10-08 | Macau University Of Science And Technology | Method and system for determining an association of biological features with a medical condition |
TWI662424B (zh) * | 2017-12-25 | 2019-06-11 | 帆宣系統科技股份有限公司 | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 |
CN109901058B (zh) * | 2019-03-29 | 2021-04-02 | 上海华力集成电路制造有限公司 | 一种半导体器件的分析方法 |
JP2020181959A (ja) | 2019-04-26 | 2020-11-05 | 東京エレクトロン株式会社 | 学習方法、管理装置および管理プログラム |
CN110377941B (zh) * | 2019-06-10 | 2020-04-24 | 中国人民解放军军事科学院国防科技创新研究院 | 建立卫星温度场的罚盲似然克里金代理模型的方法 |
KR102404982B1 (ko) | 2020-04-28 | 2022-06-02 | 이진행 | 엘라스틱 넷 회귀를 이용한 변수 선택 장치 및 방법 |
KR20220039118A (ko) | 2020-09-21 | 2022-03-29 | 이진행 | 가중 정보 가치를 이용한 변수 선택 장치 및 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998553A (zh) * | 2011-09-09 | 2013-03-27 | 英飞凌科技股份有限公司 | 用于确定电子元件的操作参数值的测试集的方法和装置 |
TW201432479A (zh) * | 2013-02-07 | 2014-08-16 | Foresight Technology Company Ltd | 製程參數的搜尋與分析方法及其電腦程式產品 |
WO2014172750A1 (en) * | 2013-04-26 | 2014-10-30 | Minelab Electronics Pty Limited | Discrimination method of a metal detector |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06168863A (ja) | 1991-03-01 | 1994-06-14 | Texas Instr Inc <Ti> | 半導体製造装置の監視および制御を実行する装置と方法 |
US6519498B1 (en) | 2000-03-10 | 2003-02-11 | Applied Materials, Inc. | Method and apparatus for managing scheduling in a multiple cluster tool |
EP1806589A4 (en) | 2004-10-29 | 2012-02-29 | Jsr Corp | SONDER TO WAFER INSPECTION, WAFER INSPECTION SAMPLE CARD AND WAFER INSPECTION DEVICES |
JP4741936B2 (ja) * | 2004-11-19 | 2011-08-10 | 株式会社日立ハイテクノロジーズ | データ処理装置,検査作業支援システム、およびデータ処理方法 |
US7454312B2 (en) | 2006-03-15 | 2008-11-18 | Applied Materials, Inc. | Tool health information monitoring and tool performance analysis in semiconductor processing |
US7716023B2 (en) | 2007-02-13 | 2010-05-11 | Oracle America, Inc. | Multidimensional process corner derivation using surrogate based simultaneous yield analysis |
US7372583B1 (en) | 2007-04-12 | 2008-05-13 | Tokyo Electron Limited | Controlling a fabrication tool using support vector machine |
US8285414B2 (en) | 2009-03-31 | 2012-10-09 | International Business Machines Corporation | Method and system for evaluating a machine tool operating characteristics |
US8255346B2 (en) | 2009-11-11 | 2012-08-28 | International Business Machines Corporation | Methods and systems for variable group selection and temporal causal modeling |
US8346688B2 (en) | 2009-11-25 | 2013-01-01 | International Business Machines Corporation | Predicting states of subjects |
US8723869B2 (en) * | 2011-03-21 | 2014-05-13 | Tokyo Electron Limited | Biologically based chamber matching |
US10096478B2 (en) * | 2012-04-12 | 2018-10-09 | Kla-Tencor Corporation | System and method for rejuvenating an imaging sensor degraded by exposure to extreme ultraviolet or deep ultraviolet light |
US9746849B2 (en) | 2012-11-09 | 2017-08-29 | Tokyo Electron Limited | Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing |
CN103488135B (zh) | 2013-08-14 | 2015-11-04 | 沈阳中科博微自动化技术有限公司 | 一种用于半导体生产加工过程监控的统计过程控制方法 |
-
2015
- 2015-12-01 US US14/955,752 patent/US10361105B2/en active Active
- 2015-12-02 SG SG11201704383QA patent/SG11201704383QA/en unknown
- 2015-12-02 KR KR1020177018327A patent/KR20170093878A/ko unknown
- 2015-12-02 JP JP2017529680A patent/JP6641372B2/ja active Active
- 2015-12-02 IL IL280008A patent/IL280008B/en unknown
- 2015-12-02 WO PCT/US2015/063463 patent/WO2016090013A1/en active Application Filing
- 2015-12-02 CN CN201580065268.6A patent/CN107408522B/zh active Active
- 2015-12-02 SG SG10201912731QA patent/SG10201912731QA/en unknown
-
2017
- 2017-05-07 IL IL252146A patent/IL252146B/en active IP Right Grant
-
2019
- 2019-06-23 US US16/449,400 patent/US11456194B2/en active Active
- 2019-12-27 JP JP2019237842A patent/JP6893549B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102998553A (zh) * | 2011-09-09 | 2013-03-27 | 英飞凌科技股份有限公司 | 用于确定电子元件的操作参数值的测试集的方法和装置 |
TW201432479A (zh) * | 2013-02-07 | 2014-08-16 | Foresight Technology Company Ltd | 製程參數的搜尋與分析方法及其電腦程式產品 |
WO2014172750A1 (en) * | 2013-04-26 | 2014-10-30 | Minelab Electronics Pty Limited | Discrimination method of a metal detector |
Also Published As
Publication number | Publication date |
---|---|
IL280008B (en) | 2022-09-01 |
JP6641372B2 (ja) | 2020-02-05 |
IL252146B (en) | 2021-01-31 |
US11456194B2 (en) | 2022-09-27 |
IL280008A (en) | 2021-03-01 |
SG11201704383QA (en) | 2017-06-29 |
JP6893549B2 (ja) | 2021-06-23 |
JP2020061575A (ja) | 2020-04-16 |
US10361105B2 (en) | 2019-07-23 |
US20190311928A1 (en) | 2019-10-10 |
CN107408522A (zh) | 2017-11-28 |
IL252146A0 (en) | 2017-07-31 |
WO2016090013A1 (en) | 2016-06-09 |
JP2018504772A (ja) | 2018-02-15 |
KR20170093878A (ko) | 2017-08-16 |
US20160163574A1 (en) | 2016-06-09 |
SG10201912731QA (en) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107408522B (zh) | 使用高维变量选择模型确定关键参数 | |
KR102179988B1 (ko) | 오버레이 오차, 근본 원인 분석 및 공정 제어의 피드 포워드 및 피드백 정정을 위한 통계적 오버레이 오차 예측 | |
KR101930420B1 (ko) | 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품 | |
CN105830069B (zh) | 依据要求的目标及工艺灵敏度分析 | |
KR102144373B1 (ko) | 탐색 장치 및 탐색 방법 | |
KR102055956B1 (ko) | 문제가 있는 어드밴스드 프로세스 제어 파라미터들을 검출하고 보정하기 위한 방법 및 시스템 | |
US8989888B2 (en) | Automatic fault detection and classification in a plasma processing system and methods thereof | |
JP2017508273A5 (zh) | ||
WO2018162048A1 (en) | Test apparatus and method for characterizing a device under test | |
US11849212B2 (en) | Method and system for tuning a camera image signal processor for computer vision tasks | |
US20150025872A1 (en) | System, method, and apparatus for modeling project reliability | |
JP2009500853A (ja) | プロセス環境における動的パラメータのモニタリングに用いる自己訂正型多変量解析 | |
CN109213098B (zh) | 调整运行参数的方法、装置、电子设备和计算机可读介质 | |
JP7153142B2 (ja) | レシピ情報提示システム、レシピエラー推定システム | |
CN111566789B (zh) | 使用电子显微法的半导体计量及缺陷分类 | |
JP7354421B2 (ja) | エラー要因の推定装置及び推定方法 | |
KR102425936B1 (ko) | 장치 진단 장치, 플라스마 처리 장치 및 장치 진단 방법 | |
JP7188949B2 (ja) | データ処理方法およびデータ処理プログラム | |
US8682058B2 (en) | Defect analysis method, apparatus, and recording medium using pattern dependence degree | |
JP7188950B2 (ja) | データ処理方法およびデータ処理プログラム | |
JP2010113527A (ja) | バグ摘出予測システム | |
JP2020025116A (ja) | 探索装置および探索方法 | |
WO2019045780A1 (en) | QUICK SETTING OF METROLOGY MEASUREMENT PARAMETERS BASED ON PROCESS VARIATION |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |