CN110083849A - 半导体制造设备的软测量方法、计算机和计算机可读介质 - Google Patents

半导体制造设备的软测量方法、计算机和计算机可读介质 Download PDF

Info

Publication number
CN110083849A
CN110083849A CN201810074164.7A CN201810074164A CN110083849A CN 110083849 A CN110083849 A CN 110083849A CN 201810074164 A CN201810074164 A CN 201810074164A CN 110083849 A CN110083849 A CN 110083849A
Authority
CN
China
Prior art keywords
parameter
vector
prediction
detection data
measured 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.)
Pending
Application number
CN201810074164.7A
Other languages
English (en)
Inventor
康盛
汤骏遥
龚文剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Semiconductor Manufacturing International Shanghai Corp
Semiconductor Manufacturing International Beijing Corp
Original Assignee
Semiconductor Manufacturing International Shanghai Corp
Semiconductor Manufacturing International Beijing Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Semiconductor Manufacturing International Shanghai Corp, Semiconductor Manufacturing International Beijing Corp filed Critical Semiconductor Manufacturing International Shanghai Corp
Priority to CN201810074164.7A priority Critical patent/CN110083849A/zh
Publication of CN110083849A publication Critical patent/CN110083849A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种半导体制造设备的软测量方法、计算机和计算机可读介质，本发明实施例的技术方案根据采集的软测量样本集合和待预测参数(特定的工艺参数、失效模式或制造缺陷)的实测值进行建模，建立多个预测模型。然后从多个预测模型中选取一个作为软测量模型，并以传感器检测数据作为输入根据软测量模型对待预测参数进行预测。由此，通过为每一种失效模式或制造缺陷建立软测量模型，可以自动地对每一种失效模式或制造缺陷进行较为准确的预测，减少工程师需要处理的信息量，提高了半导体器件的生产效率。

Description

半导体制造设备的软测量方法、计算机和计算机可读介质
技术领域
本发明涉及半导体制造以及检测技术领域，具体涉及一种半导体制造设备的软测量方法、计算机和计算机可读介质。
背景技术
随着半导体制造设备的不断演进，设备的复杂程度越来越高，制程工艺的参数要求也越来越高。在现有的半导体制造过程中，需要通过大量传感器采集海量的数据来监控设备的运行，以保证产品不出现制造缺陷。但是，大量的传感器检测数据会导致大量的干扰信息，使得工程师需要花费大量时间进行筛选和过滤。在FDC(Fault Detection andClassification，故障检测和分类)数据引入后，这一影响尤为明显。在现有的制造过程中，工程师会根据设备单个传感器的数据来对设备进行管控，但是数据量的不断上升会导致大量的误报警。也即，实际上没有出现设备故障或工艺错误，但是仍然出现报警。例如，在某型号的多晶硅刻蚀设备上，特定参数每个月会导致约550次停机检查，但是经过人工检测后实际出现工艺缺陷的数量仅为38，误报警了达到了85％以上。这使得制造效率大幅下降，同时还可能导致工程师遗漏真正的制造缺陷。
发明内容
有鉴于此，本发明的目的是提供一种半导体制造设备的软测量方法、计算机和计算机可读介质，从而可以自动地对每一种失效模式或制造缺陷进行较为准确的预测，减少工程师需要处理的信息量，提高生产效率。
根据本发明实施例的第一方面，提供一种半导体制造设备的软测量方法，所述方法包括：
从所述半导体设备的检测数据向量集合中选取至少部分检测数据向量获取软测量样本集合，所述检测数据向量集合包括至少一个半导体设备的检测数据向量，所述检测数据向量包括一个半导体制造设备在一个制造过程中获取的多个传感器检测数据；
对所述软测量样本集合进行特征提取，获取特征数据向量集合，特征数据向量集合中的特征数据向量与软测量样本集合中的检测数据向量一一对应；
对于预定的待预测参数，对所述特征数据向量集合和对应的参数实测值重复地进行N次分组以获取N个不同的训练数据组和N个不同的验证数据组，每个所述验证数据组对应于一个所述训练数据组，N为大于等于2的整数；
分别根据所述N个不同的训练数据组训练获取N个预测模型，所述预测模型用于获取所述待预测参数的参数预测值；
分别根据N个验证数据组对对应的预测模型进行验证，获取所述N个预测模型的每一个的验证指标；
根据所述验证指标选取一个预测模型作为软测量模型；以及
根据实时获取的传感器检测数据和所述软测量模型对所述待预测参数进行预测。
根据本发明实施例的第二方面，提供一种计算机，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述第一方面所述方法的步骤。
根据本发明实施例的第三方面，提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行实现上述第一方面所述方法的步骤。
相比于现有技术，本发明实施例的技术方案根据采集的软测量样本集合和待预测参数(特定的工艺参数、失效模式或制造缺陷)的实测值进行建模，建立多个预测模型。然后从多个预测模型中选取一个作为软测量模型，并以传感器检测数据作为输入根据软测量模型对待预测参数进行预测。由此，通过为每一种失效模式或制造缺陷建立软测量模型，可以自动地对每一种失效模式或制造缺陷进行较为准确的预测，减少工程师需要处理的信息量，提高了半导体器件的生产效率。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的软测量方法的流程图；
图2是本发明实施例的一个实现方式中获取软测量样本集合的流程图；
图3是特征数据向量在特征子空间中分布的示例性示意图；
图4是计算两个特征数据向量集合的距离的示例性示意图；
图5是本发明实施例的软测量方法进行多模型建模的流程图；
图6是本发明实施例在待预测参数为离散值时进行数据分组的流程图；
图7是本发明实施例在待预测参数为连续值时进行数据分组的流程图；
图8是本发明实施例的软测量方法的数据流向图；
图9是现有技术进行刻蚀缺陷管控的参数示意图；
图10是应用本发明实施例的软测量方法进行刻蚀缺陷预测的统计图；
图11是本发明实施例的计算机的结构示意图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
图1是本发明实施例的软测量方法的流程图。如图1所示，本实施例的软测量方法包括：
步骤S100、从半导体设备的检测数据向量集合中选取至少部分检测数据向量获取软测量样本集合。其中，所述检测数据向量集合包括至少一个半导体设备的检测数据向量，每个检测数据向量包括一个半导体制造设备在一个制造过程中获取的多个传感器检测数据。
步骤S200、对所述软测量样本集合进行特征提取，获取特征数据向量集合，特征数据向量集合中的特征数据向量与软测量样本集合中的检测数据向量一一对应。
步骤S300、对于预定的待预测参数，对所述特征数据向量集合和对应的参数实测值重复地进行N次分组以获取N个不同的训练数据组和N个不同的验证数据组。其中，每个所述验证数据组对应于一个所述训练数据组，N为大于等于2的整数。
步骤S400、分别根据所述N个不同的训练数据组训练获取N个预测模型。其中，所述预测模型用于获取所述待预测参数的参数预测值。
步骤S500、分别根据N个验证数据组对对应的预测模型进行验证，获取所述N个预测模型的每一个的验证指标。
步骤S600、根据所述验证指标选取一个预测模型作为软测量模型。
步骤S700、根据实时获取的传感器检测数据和所述软测量模型对所述参数进行预测。
其中，步骤S100-步骤S600为软测量模型建模的过程。步骤S700为在软测量模型建模完成后使用模型进行预测的过程。建模的过程和进行预测的过程可以在不同的计算机上完成。
为了使得软测量模型能够适应于设备设置和设备的自然老化导致的设备特性变化，本发明实施例的软测量方法还可以进一步包括如下步骤：
步骤S800、根据预测获得的参数预测值与对应的参数实测值计算模型监控系数。
步骤S900、在所述模型监控系数满足预定条件时进行触发重新建立软测量模型。
也就是说，在模型建立完成后，根据不断更新的数据来对软测量模型的预测准确性进行监控，如果预测准确性不符合要求，则对当前使用的软测量模型进行修正。所述模型修正可以是根据新的样本数据对软测量模型进行重新建模。
在本实施例中，待预测参数可以是半导体制造设备制造过程中特定的工艺参数、失效模式或制造缺陷。由此，通过针对不同的参数建立模型，并基于传感器检测数据对参数进行预测，就可以对制造过程中的工艺参数、失效模式或制造缺陷进行直接预测、监控和预警，相对于根据传感器检测数据进行管控的方式，大幅提高了制造过程管控的精确性，减少了工程师需要处理的信息，提高了生产效率。
软测量样本集合是本发明实施例进行预测模型建模的基础，其包括一个或多个半导体制造设备在多个相同或不同的产品的制造过程中的检测数据向量。图2示出了一个可选实现方式中获取软测量样本集合的流程图。如图2所示，步骤S100可以包括如下步骤：
步骤S110、获取所述检测数据向量集合。
其中，所述检测数据向量集合包括多个半导体设备对应的检测数据向量。也就是，检测数据向量集合中的检测数据向量分为多个子集合，其中，每一个检测数据向量子集合对应于一个半导体制造设备在多次制造过程中采集的数据。检测数据向量集合可以包括n个p维向量。每个检测数据向量中的元素可以表示对应的一个传感器(共p个传感器)的检测值。不同的向量代表同一个半导体制造设备在不同的制造过程中采集的数据。其中，不同的制造过程可以包括相同产品的制造过程也可以包括不同产品的制造过程。由此，每一个传感器检测数据集合可以表示为矩阵X：
在步骤S120、对所述检测数据向量集合进行特征提取，获取每个半导体制造设备的特征数据向量集合。
在本步骤，将所有的检测数据向量放在一起计算特征子空间，在计算获得一个统一的特征子空间后。计算每个检测数据向量在特征子空间中的投影。该投影就是检测数据向量经过特征提取后的特征数据向量，其表现为在特征子空间中的坐标。每个特征数据向量都是特征子空间中的一个点。进一步，根据检测数据向量与不同的半导体制造设备的对应关系，对特征数据向量进行划分，从而可以获得每个半导体制造设备的特征数据向量集合。
在本实现方式中，采用主成分分析法(PCA，Principal Component Analysis)进行特征提取。具体地，主成分分析法包括如下步骤：
步骤S121、计算传感器检测数据的归一化的协方差矩阵。
具体地，对于传感器检测数据X＝{x1,x2,……,xn},xi＝{xi1,……,xip}，归一化的协方差矩阵R可以通过如下公式计算获得：
步骤S122、计算所述协方差矩阵的特征值和特征向量。
优选地，可以通过奇异值分解(Singular Value Decomposition，SVD)来获取矩阵的特征值和特征向量。应注意，这里的特征向量是指矩阵的非简并的非零向量，其用于构成矩阵的特征空间。特征向量区别于与每一个检测数据向量对应的特征数据向量。
步骤S123、根据主成分选取标准选取满足条件的多个特征向量构成传感器数据的主成分。
主成分获得后，用于进行特征提取的特征子空间就构建完成。由此，可以计算各检测数据向量在特征子空间中对应的特征数据向量，完成特征提取。
通过特征提取，可以获取一组相互线性不相关的特征向量，从而实现对于共线性的传感器检测数据的合并，降低数据处理的维度，减小计算量，便于后续进行建模。这些特征向量也构成了对应的半导体制造设备的特征空间。
图3示出了投影在特征子空间中的两个特征数据向量集合的示例。在图3中，通过主成分分析选取了2个特征向量作为主成分。由此，特征子空间为一个2维空间。每个检测数据向量被映射为该2维空间中的一个点。由此，半导体制造设备EP1对应的所有特征数据向量集合表现为一组点集。同时，半导体制造设备EP2对应的所有特征数据向量集合表现为另一组点集。上述两组点集分布在特征子空间中。如果半导体制造设备EP1和半导体制造设备EP2的特性基本相同，则上述两组点集分布的区域应当基本相同。由此，通过计算点集之间的距离可以判断半导体制造设备EP1和半导体制造设备EP2的相似性。
步骤S130、计算每两个半导体制造设备对应的特征数据向量集合的距离。
其中，按照如下方式计算所述距离：
其中，D(p,q)为所述距离，Gp为一个特征数据向量集合，Gq为另一个特征数据向量集合，np为Gp中特征数据向量的数量，nq为Gq中特征数据向量的数量，dij为Gp中第i个特征数据向量和Gq中第j个特征数据向量的欧式距离。
图4计算两个特征数据向量集合的距离的示例性示意图。如图4所示，点集Gp具有点1、点2和点3，点集Gq中具有点4、点5和点6。每两点之间的距离均被计算和求和，由此，就可以计算获得上述的点集之间的距离D(p,q)。
步骤S140、根据所述距离对所述多个半导体制造设备进行分组。
在两个半导体制造设备的特征数据向量集合的距离小于预定值时，将两个半导体设备放在同一组中。通过多次比较，就可以实现对半导体制造设备分组。将所有特性相似的半导体制造设备分在同一个组中。
可选地，步骤S110-步骤S140可以以迭代的方式进行多次，每次一个分组作为新的检测数据向量集合来进行特征提取、距离计算、分组的操作直至不同特征数据向量集合的距离趋近于零为止。这可以使得最后获取的分组中的半导体制造设备高度相似，最大限度提高预测模型的精确度。
步骤S150、合并属于同一组的半导体制造设备的检测数据向量以获取软测量样本集合。
由此，就可以获取对于该组中所有半导体制造设备均可以适用的软测量样本集合。这一方面获得较多数量的软测量样本集合，有利于提高软测量模型的准确性，另一方面，也使得软测量模型可以适用于更多的工况类似的半导体制造设备。
在另一个可选实现方式中，由于半导体制造设备可能会以不同的工艺参数制造不同类型的产品，因此可以在划分时使得每个检测数据向量子集合对应于一个半导体制造设备制造一个类型的产品的过程中检测获得的数据。例如，半导体制造设备EP1在多次制造类型A的产品的过程中获得的多个检测数据向量构成一个检测数据向量子集合，同时，同一台设备EP1多次制造类型B的产品的过程中获得的检测数据向量构成了另一组检测数据向量子集合。基于此，可以通过合并不同类型产品的传感器检测数据获得软测量样本集合，由此，使得相同的软测量模型可以应用于类似的配方或产品的制造过程监控中。
在步骤S200，对于合并获得的软测量样本集合进行特征提取，提取过程与获取软测量样本集合过程中特征提取过程相同，在此不再赘述。
应理解，由于步骤S200进行特征提取的对象不同，因此，计算获得的特征子空间可能和在前获取软测量样本集合中获得的特征子空间不同，进而使得获得的投影(也即，特征数据向量)不同。
图5是本发明实施例的软测量方法进行多模型建模的流程图。如图3所示，在步骤S300，对于预定的待预测参数(例如，是否出现特定故障等)，对特征数据向量和对应的参数实测值独立地进行N次数据抽样以获取N个不同的训练数据组和验证数据组。
可选地，在进行分组前，还可以包括步骤S300a，先对数据进行数据清洗，以去除部分不符合要求的检测数据向量。
具体地，如图6所示，在所述待预测参数为离散值时，步骤S300包括：
步骤S310、对于参数实测值的每一个可能值，分别从对应的特征数据向量子集合中随机抽取预定比例的特征数据向量。也即，根据可能值来将特征数据向量划分为多个子集合，从多个子集合中抽取预定比例的特征数据向量。
步骤S320、合并所有抽取的特征数据向量。
步骤S330、组合合并获得的特征数据向量和对应的参数实测值作为训练数据组，并将剩余的特征数据向量和对应的参数实测值作为验证数据组。
举例来说，所述参数可以为是否出现预定的制造缺陷，也即，可以用0或1来表示。将预定比例设置为85％。在步骤S300，对于所有对应的参数实测值为0的特征数据向量，随机抽取其中的85％作为第一部分。对于所有对应的参数实测值为1的特征数据向量，也随机抽取其中的85％作为第二部分。将第一部分和第二部分合并作为训练数据组。将剩余的15％的特征数据作为验证数据组。
具体地，如图7所示，在所述待预测参数为连续值时，步骤S300包括：
步骤S340、从特征数据集合中抽取预定比例的特征数据向量。
步骤S350、组合抽取的特征数据向量和对应的参数实测值获取训练数据组，并将剩余的特征数据向量和对应的参数实测值作为验证数据组。
训练数据组的作用是训练预测模型，而验证数据组的作用是评估预测模型的验证指标，从而便于使用者或者计算机根据预定的规则选择最优的预测模型作为软测量模型。
在步骤S400，根据所述N个不同的训练数据组分别训练获取N个预测模型。
在本实施例中，可以采用各种现有的建模方式来获取所述预测模型，例如，逻辑回归法、偏最小二乘法、逐步回归法、偏最小二乘分类法、决策树算法、神经网络建模法、支持向量机算法、梯度提升决策树算法和随机森林算法中的任意一种。其中，逻辑回归法、偏最小二乘分类法和决策树算法适用于待预测参数为离散值的情形。偏最小二乘法和逐步回归法则适用于待预测参数为连续值的情形。神经网络建模法、支持向量机算法、梯度提升决策树算法和随机森林算法则对两种情形均可适用。
在步骤S500，分别根据验证数据组对对应的预测模型进行验证，获取所述N个预测模型的每一个的验证指标。
如图5所示，将验证数据组中的特征数据向量输入到预测模型中，可以获得一组输出(也即，参数预测值)，由于验证数据组中还包括参数实测值，因此，可以根据参数预测值与参数实测值的匹配程度来获取验证指标。对于不同类型的待预测参数，可以采用不同的方式来获取验证指标。
在待预测参数为离散值时，步骤S500可以包括：
步骤S510、根据验证数据组中的特征数据向量和进行验证的预测模型获取对应的一组参数预测值。
步骤S520、对于参数实测值的每一个的可能值，比较参数预测值和验证数据组中的参数实测值获取预测成功的数量和预测失败的数量。
步骤S530、根据所有可能值对应的预测成功数量和预测失败数量计算获得多个比例因子。
步骤S540、根据预定的权重组合计算所述多个比例因子以获取所述验证指标。
以待预测参数为是否出现预定的制造缺陷为例，待预测参数可以以0和1表示。由此，可能出现四种情况，分为用FN、FP、TN和TP表示，如下表所示：
参数实测值为0 参数实测值为1
参数预测值为0 FN FP
参数预测值为1 TN TP
由此，可以计算参数实测值为0的情况下的预测正确比例、预测失败比例，参数实测值为1的情况下的预测正确比例和预测失败比例等各种比例因子，并根据需要设置权重来组合计算一个验证指标。例如，在希望软测量模型对缺陷灵敏度较高时，可以增加在参数实测值为0的情况下的比例的权重，从而可以从多个预测模型中挑选出参数实测值为零0的情况下更准确的模型。
在待预测参数为连续值时，所述验证指标包括参数预测值和参数实测值的标准化均方误差和重复性及复现性参数中的至少一项。
其中，重复性及复现性参数根据如下公式计算：
VSGRR为所述重复性及复现性参数，其实际上可以表征预测模型作为一种虚拟传感设备的测量重复性和复现性。VSGRR越小，则测量误差相对于产品误差就越小，测量的精确度越高。通常，作为软测量模型的预测模型的VSGRR要小于30％。
可选地，验证指标还可以是验证数据的参数预测值与对应的参数实测值的散点分布图以及训练数据的参数预测值与对应的参数实测值的散点分布图，通过人工或通过计算机图形处理比较两个散点分布图，可以判断预测模型的预测效果。
在步骤S600，就可以通过验证指标选取一个预测模型作为软测量模型，并进而在后续的运行过程中使用软测量模型对运行参数、故障或制造缺陷进行预测，并根据预测结果进行报警。
在步骤S700，根据实时获取的传感器检测数据和所述软测量模型对所述参数进行预测。其中，需要首先对传感器检测数据进行处理以将其排列成检测数据向量，并根据软测量模型中的特征提取方式(也即在步骤S200获取的提取方式)将检测数据向量转换为特征数据向量。再将特征数据向量输入到软测量模型中进行预测。
进一步，在步骤S800和步骤S900，通过持续地监控软测量模型对新的检测数据向量的预测准确度或精度来判断是否需要进行模型修正。
具体地，通过模型监控系数来进行上述判断。
在本实施例中，模型监控系数第一监控系数和第二监控系数中的至少一个：
其中，第一监控系数根据如下公式计算：
其中，SG为所述第一监控系数，fF.inv()为F分布反函数，yi为软测量样本集合中的一个样本对应的参数实测值，为根据所述样本和软测量模型预测获得的参数预测值；ni为软测量样本集合的样本数量；yk为软测量模型建立后在运行数据中采集的一个样本对应的参数实测值，根据所述运行数据中采集的样本和软测量模型预测获得的参数预测值；nk为运行数据的样本数量；
第二监控系数根据如下公式计算：
其中，MG为所述第二监控系数，ft.inv()为t分布反函数；yi为软测量样本集合中的一个样本对应的参数实测值，为根据所述样本和软测量模型预测获得的参数预测值；ni为软测量样本集合的样本数量；yk为软测量模型建立后在运行数据中采集的一个样本的参数实测值，根据运行数据中采集的样本和软测量模型预测获得的参数预测值；nk为运行数据的样本数量。
如果第一监控系数或第二监控系数过高，则说明当前软测量模型的测量精度下降，需要根据新采集的检测数据向量构建新的软测量样本集合，并重新进行软测量模型建模。由此，可以不断的地修正更新软测量模型，保证软测量的准确度。
图8是本发明实施例的软测量方法的数据流向图。如图8所示，来自多个半导体制造设备的质量数据X在步骤S100被处理和筛选，形成为软测量样本集合X’。软测量样本集合X’输入到步骤S200-S600的模块中可以被处理为软测量模型F(x)。在步骤S700，通过软测量模型F(x)和实时获取的检测数据向量x来进行参数预测，输出参数预测值y。在步骤S800和S900，通过参数预测值来进行软测量模型的监控和修正。
本发明实施例的软测量方法应用于实际半导体制造过程可以大幅减少工程师的工作量，提高生产效率，并且具有较高的准确度。
图9是现有技术进行刻蚀缺陷管控的参数示意图。对于Lam 9400刻蚀设备。ESCcurrent leak(ESC漏电流)参数与不完全刻蚀缺陷(partial etch defect issue)相关。因此，一旦检测ESC current leak的传感器的检测数据偏高就需要扫描是否出现上述制造缺陷，确认是否能够继续制造过程。根据图9可见，在阈值以上存在大量的需要停机检测的情况。但是，除了其中标为“x”的点外，其他的点均为误报警。根据统计，每个月会出现月550次报警，实际出现缺陷的情况仅为38次。这导致大量的扫描机台资源的占用。
图10是应用本发明实施例的软测量方法直接对局部刻蚀缺陷进行预测的结果。根据图10可见，在报警阈值以上点的数量大幅减小，并且后续扫描表明预测报警的点大部分出现了缺陷。由此，一方面，工程师的工作量大幅降低，另一方面，对制造过程管控的精确度大幅提高。
图11是本发明实施例的计算机的结构示意图。图11所示的计算机为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器111和存储器112。处理器111和存储器112通过总线113连接。存储器112适于存储处理器111可执行的指令或程序。处理器111可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器111通过执行存储器112所存储的指令，从而执行如上所述的本申请实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线113将上述多个组件连接在一起，同时将上述组件连接到显示控制器114和显示装置以及输入/输出(I/O)装置115。输入/输出(I/O)装置115可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置115通过输入/输出(I/O)控制器116与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种半导体制造设备的软测量方法，其特征在于，所述方法包括：
从所述半导体设备的检测数据向量集合中选取至少部分检测数据向量获取软测量样本集合，所述检测数据向量集合包括至少一个半导体设备的检测数据向量，所述检测数据向量包括一个半导体制造设备在一个制造过程中获取的多个传感器检测数据；
对所述软测量样本集合进行特征提取，获取特征数据向量集合，特征数据向量集合中的特征数据向量与软测量样本集合中的检测数据向量一一对应；
对于预定的待预测参数，对所述特征数据向量集合和对应的参数实测值重复地进行N次分组以获取N个不同的训练数据组和N个不同的验证数据组，每个所述验证数据组对应于一个所述训练数据组，N为大于等于2的整数；
分别根据所述N个不同的训练数据组训练获取N个预测模型，所述预测模型用于获取所述待预测参数的参数预测值；
分别根据N个验证数据组对对应的预测模型进行验证，获取所述N个预测模型的每一个的验证指标；
根据所述验证指标选取一个预测模型作为软测量模型；以及
根据实时获取的传感器检测数据和所述软测量模型对所述待预测参数进行预测。
2.根据权利要求1所述的方法，其特征在于，获取软测量样本集合包括：
获取所述检测数据向量集合，所述检测数据向量集合包括多个半导体设备对应的检测数据向量；
对所述检测数据向量集合进行特征提取，获取每个半导体制造设备的特征数据向量集合；
计算每两个半导体制造设备对应的特征数据向量集合之间的距离；
根据所述距离对所述多个半导体制造设备进行分组；以及
合并属于同一组的半导体制造设备的检测数据向量以获取软测量样本集合。
3.根据权利要求1所述的方法，其特征在于，获取软测量样本集合包括：
获取检测数据向量集合，所述检测数据向量集合包括多个检测数据向量子集合，每个检测数据向量子集合包括一个半导体制造设备多次制造一个类型的产品获得的检测数据向量；
对所述检测数据向量集合进行特征提取，获取每个检测数据向量子集合对应的特征数据向量集合；
计算每两个特征数据向量集合的距离；
根据所述距离对所述多个检测数据向量子集合进行分组；以及
合并属于同一组的检测数据向量子集合以获取软测量样本集合。
4.根据权利要求2或3所述的方法，其特征在于，按照如下公式计算两个特征数据向量集合之间的距离：
其中，D(p,q)为所述距离，Gp为一个特征数据向量集合，Gq为另一个特征数据向量集合，np为Gp中特征数据向量的数量，nq为Gq中特征数据向量的数量，dij为Gp中第i个特征数据向量和Gq中第j个特征数据向量的欧氏距离。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据预测获得的参数预测值与对应的参数实测值计算模型监控系数；
在所述模型监控系数满足预定条件时触发重新建立软测量模型。
6.根据权利要求5所述的方法，其特征在于，所述模型监控系数包括第一监控系数和第二监控系数中的至少一个：
其中，第一监控系数根据如下公式计算：
其中，SG为所述第一监控系数，fF.inv()为F分布反函数，yi为软测量样本集合中的一个样本对应的参数实测值，为根据所述样本和软测量模型预测获得的参数预测值；ni为软测量样本集合的样本数量；yk为软测量模型建立后在运行数据中采集的一个样本对应的参数实测值，根据所述运行数据中采集的样本和软测量模型预测获得的参数预测值；nk为运行数据的样本数量；
第二监控系数根据如下公式计算：
其中，MG为所述第二监控系数，ft.inv()为t分布反函数；yi为软测量样本集合中的一个样本对应的参数实测值，为根据所述软测量样本集合中的样本和软测量模型预测获得的参数预测值；ni为软测量样本集合的样本数量；yk为软测量模型建立后在运行数据中采集的一个样本的参数实测值，根据运行数据中采集的样本和软测量模型预测获得的参数预测值；nk为运行数据的样本数量。
7.根据权利要求1-3中任一项所述的方法，其特征在于，所述进行特征提取包括通过主成分分析法进行特征提取。
8.根据权利要求1所述的方法，其特征在于，所述待预测参数为离散值；
进行分组以获取训练数据组和验证数据组包括如下步骤：
对于参数实测值的每一个可能值，分别从对应的特征数据向量子集合中随机抽取预定比例的特征数据向量；
合并所有抽取的特征数据向量；以及
组合合并获得的特征数据向量和对应的参数实测值作为训练数据组，并将剩余的特征数据向量和对应的参数实测值作为验证数据组。
9.根据权利要求1所述的方法，其特征在于，所述待预测参数为连续值；
进行分组以获取训练数据组和验证数据组包括如下步骤：
从特征数据集合中抽取预定比例的特征数据向量；以及
组合抽取的特征数据向量和对应的参数实测值获取训练数据组，并将剩余的特征数据向量和对应的参数实测值作为验证数据组。
10.根据权利要求1所述的方法，其特征在于，通过逻辑回归法、偏最小二乘法、逐步回归法、偏最小二乘分类法、决策树算法、神经网络建模法、支持向量机算法、梯度提升决策树算法和随机森林算法之一训练获取预测模型。
11.根据权利要求1所述的方法，其特征在于，所述待预测参数为离散值；
对预测模型进行验证，获取验证指标包括如下步骤：
根据验证数据组中的特征数据向量和进行验证的预测模型获取对应的一组参数预测值；
对于参数实测值的每一个的可能值，比较参数预测值和验证数据组中的对应的参数实测值获取预测成功的数量和预测失败的数量；
根据所有可能值对应的预测成功数量和预测失败数量计算获得多个比例因子；以及
根据预定的权重组合计算所述多个比例因子以获取所述验证指标。
12.根据权利要求1所述的方法，其特征在于，所述待预测参数为连续值：
所述验证指标包括参数预测值和参数实测值的标准化均方误差和重复性及复现性参数中的至少一项；
其中，重复性及复现性参数根据如下公式计算：
其中，VSGRR为所述重复性及复现性参数。
13.根据权利要求1所述的方法，其特征在于，所述验证指标为验证数据的参数预测值与对应的参数实测值的散点分布图以及训练数据的参数预测值与对应的参数实测值的散点分布图。
14.一种计算机，其特征在于，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-13中任一项所述方法的步骤。
15.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行实现权利要求1-13中任一项所述方法的步骤。
CN201810074164.7A 2018-01-25 2018-01-25 半导体制造设备的软测量方法、计算机和计算机可读介质 Pending CN110083849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810074164.7A CN110083849A (zh) 2018-01-25 2018-01-25 半导体制造设备的软测量方法、计算机和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810074164.7A CN110083849A (zh) 2018-01-25 2018-01-25 半导体制造设备的软测量方法、计算机和计算机可读介质

Publications (1)

Publication Number Publication Date
CN110083849A true CN110083849A (zh) 2019-08-02

Family

ID=67412020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810074164.7A Pending CN110083849A (zh) 2018-01-25 2018-01-25 半导体制造设备的软测量方法、计算机和计算机可读介质

Country Status (1)

Country Link
CN (1) CN110083849A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910021A (zh) * 2019-11-26 2020-03-24 上海华力集成电路制造有限公司 一种基于支持向量机监控在线缺陷的方法
CN113537642A (zh) * 2021-08-20 2021-10-22 日月光半导体制造股份有限公司 产品品质预测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200951752A (en) * 2008-06-06 2009-12-16 Inotera Memories Inc A method for prognostic maintenance in semiconductor manufacturing
CN102301289A (zh) * 2009-01-23 2011-12-28 Mks仪器股份有限公司 用多变量模型控制制造工艺
CN102361014A (zh) * 2011-10-20 2012-02-22 上海大学 大规模半导体制造过程的状态监控与故障诊断方法
CN106897775A (zh) * 2017-01-25 2017-06-27 浙江大学 基于贝叶斯集成学习的软测量建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200951752A (en) * 2008-06-06 2009-12-16 Inotera Memories Inc A method for prognostic maintenance in semiconductor manufacturing
CN102301289A (zh) * 2009-01-23 2011-12-28 Mks仪器股份有限公司 用多变量模型控制制造工艺
CN102361014A (zh) * 2011-10-20 2012-02-22 上海大学 大规模半导体制造过程的状态监控与故障诊断方法
CN106897775A (zh) * 2017-01-25 2017-06-27 浙江大学 基于贝叶斯集成学习的软测量建模方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110910021A (zh) * 2019-11-26 2020-03-24 上海华力集成电路制造有限公司 一种基于支持向量机监控在线缺陷的方法
CN113537642A (zh) * 2021-08-20 2021-10-22 日月光半导体制造股份有限公司 产品品质预测方法、装置、电子设备及存储介质
CN113537642B (zh) * 2021-08-20 2024-07-16 日月光半导体制造股份有限公司 产品品质预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Cai et al. Application of Bayesian networks in reliability evaluation
Long et al. Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance
Pereira et al. A multifractal model for the velocity gradient dynamics in turbulent flows
CN107633155A (zh) 用于组件故障树的基于计算机的生成的方法和设备
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
Jiang et al. A Gaussian mixture model clustering ensemble regressor for semiconductor manufacturing final test yield prediction
Huang et al. Handling discontinuous effects in modeling spatial correlation of wafer-level analog/RF tests
CN107408522A (zh) 使用高维变量选择模型确定关键参数
KR20200096992A (ko) 전자 현미경을 사용한 반도체 계측 및 결함 분류
CN110334478A (zh) 机器设备异常检测模型构建方法、检测方法及模型
CN117111544B (zh) 一种自动适配的楼宇物联网监控方法及系统
Lim et al. Smart soft-sensing for the feedwater flowrate at PWRs using a GMDH algorithm
CN114139589A (zh) 故障诊断方法、装置、设备与计算机可读存储介质
CN110083849A (zh) 半导体制造设备的软测量方法、计算机和计算机可读介质
CN112966547A (zh) 一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质
Gastoni et al. Robust state-estimation procedure based on the maximum agreement between measurements
JP7212292B2 (ja) 学習装置、学習方法および学習プログラム
TWI427487B (zh) 工件抽樣檢驗的方法及其電腦程式產品
Hammadi et al. Risk models based on uncertainty quantification for illicit traffic time series in customs context
JP2024523836A (ja) 予測不確実性を評価するためにアンサンブルニューラルネットワークデバイスをトレーニングするシステム
JP7190047B2 (ja) 検査装置、検査方法、および、検査プログラム、ならびに、学習装置、学習方法、および、学習プログラム
CN112423031B (zh) 基于iptv的kpi监测方法、装置及其系统
Zhang et al. Two‐stage nonparametric framework for missing data imputation, uncertainty quantification, and incorporation in system identification
CN112528500A (zh) 一种场景图构造模型的评估方法及评估设备
CN115600352A (zh) 故障检测方法、装置、电子设备和可读存储介质

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