CN110717898A - 一种运用ai和大数据管理的半导体制造缺陷自动管理方法 - Google Patents
一种运用ai和大数据管理的半导体制造缺陷自动管理方法 Download PDFInfo
- Publication number
- CN110717898A CN110717898A CN201910910469.1A CN201910910469A CN110717898A CN 110717898 A CN110717898 A CN 110717898A CN 201910910469 A CN201910910469 A CN 201910910469A CN 110717898 A CN110717898 A CN 110717898A
- Authority
- CN
- China
- Prior art keywords
- analysis
- defect
- big data
- platform
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种运用AI和大数据管理的半导体制造缺陷自动管理方法,包括以下步骤:一、当缺陷检测以及review(拍照)完成后,由AI模型-1运行平台自动读取review结果并进行分类,其中拍照设置为20秒100张图片;二、分类完成后,由系统对缺陷问题是否超设定阈值进行判定;三、对超阈值的问题,触发分析命令给到:a1、数据中台:调取所需的工程数据,本发明目的在于提供一个基于AI和大数据管理的缺陷管理平台,通过大数据平台收集的海量数据信息,以及快速的读取检索,再配合以AI模型对数据分析挖掘能力进行深度开发,最后通过现有系统的整合,应用RPA技术自动对问题产品处置,使得该管理平台能够实现自动,准确,快速的缺陷管理。
Description
技术领域
本发明涉及半导体制造缺陷自动管理技术领域,具体是一种运用AI和大数据管理的半导体制造缺陷自动管理方法。
背景技术
缺陷是引起芯片制造良率和可靠性降低的最主要原因,因此对缺陷的管理控制在半导体制造过程中尤为重要。目前对缺陷的主要管理方法是:1、进行缺陷定期检测;2、对检测结果进行拍照(review)以及分类,并对分类结果进行阈值管控;3、对超阈值的缺陷种类进行溯因分析;4、对缺陷根源进行优化处置,以及对超阈值的缺陷产品进行后续处置(继续生产或返工或报废等)。
目前的方法是由人来完成该缺陷管理工作,即所有的数据收集,信息提取挖掘以及最后的处置操作都严重依赖人员。它的缺点在于:
1)数据获取效率低:对于数据收集,人员需要从不同系统中导出,进行数据重构。
2)分析能力有限:由于人的认知局限,大多数只能进行单变量线性的分析,无法对复杂情况(四维多变量)建模,导致对根源的分析不全面,不准确。
3)稳定性差:不同人员的处理能力,同一人员工作状态的波动都导致对问题处理的稳定性,一致性差。
4)简单重复工作的处理效率低:以缺陷图片分类为例,人大概需要10分钟左右为100张图片分类,其他的处理事件会更久。
所有这些缺点都会带来一个问题,那就是对缺陷问题的发现会有很大的延迟,由于半导体制造是24小时不间断地运行,这样的延迟会造成问题设备的带病运行,从而使得对产品的危害范围扩大,造成比较大的经济损失,因此,本领域技术人员提供了一种运用AI和大数据管理的半导体制造缺陷自动管理方法,以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种运用AI和大数据管理的半导体制造缺陷自动管理方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种运用AI和大数据管理的半导体制造缺陷自动管理方法,包括以下步骤:
一、当缺陷检测以及review(拍照)完成后,由AI模型-1运行平台自动读取review结果并进行分类,其中拍照设置为20秒100张图片;
二、分类完成后,由系统对缺陷问题是否超设定阈值进行判定;
三、对超阈值的问题,触发分析命令给到:
a1、数据中台:调取所需的工程数据;
A2、自动分析平台:包括常用的分析模型,以及针对该缺陷的溯因分析AI模型-2;
四、当分析完成后,分析结果输出到自动处理平台,平台根据设定好的处置流程,进行RPA操作,实现自动处理的实现。
通过AI缺陷图片分类模型,快速地对缺陷进行分类,从原先的10分钟左右降低到0.2分钟。
由于90%的缺陷问题为常见问题,通过相应的软件配置,利用大数据平台快速调取所需数据,并执行由大量数据建立的AI溯因分析模型,快速定位到缺陷的根本原因。
通过整合的现有系统,按照已知道处理标准流程,利用RPA技术可实现自动化处置。
通过本发明的系统,可以实现对后段金属互连层的效率提升50%以上,问题处置流程大大缩短,可以实现大部分的自动处置。
与现有技术相比,本发明的有益效果是:
1、解决了目前方法造成的效率低下,速度慢造成的经济损失偏大的问题。
2、解放了人力,摆脱了重复低价值劳动的束缚,可以将时间花在更有价值的工业机理的研究,更好地理解问题,提高技术。
3、利用AI模型,可以有效地将工程技术人员的知识进行系统传承。
附图说明
图1为一种运用AI和大数据管理的半导体制造缺陷自动管理方法的工作流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中,一种运用AI和大数据管理的半导体制造缺陷自动管理方法,包括以下步骤:
一、当缺陷检测以及review(拍照)完成后,由AI模型-1运行平台自动读取review结果并进行分类,其中拍照设置为20秒100张图片;
二、分类完成后,由系统对缺陷问题是否超设定阈值进行判定;
三、对超阈值的问题,触发分析命令给到:
a1、数据中台:调取所需的工程数据;
A2、自动分析平台:包括常用的分析模型,以及针对该缺陷的溯因分析AI模型-2;
四、当分析完成后,分析结果输出到自动处理平台,平台根据设定好的处置流程,进行RPA操作,实现自动处理的实现。
通过AI缺陷图片分类模型,快速地对缺陷进行分类,从原先的10分钟左右降低到0.2分钟。
由于90%的缺陷问题为常见问题,通过相应的软件配置,利用大数据平台快速调取所需数据,并执行由大量数据建立的AI溯因分析模型,快速定位到缺陷的根本原因。
通过整合的现有系统,按照已知道处理标准流程,利用RPA技术可实现自动化处置。
通过本发明的系统,可以实现对后段金属互连层的效率提升50%以上,问题处置流程大大缩短,可以实现大部分的自动处置。
本发明的工作原理是:
本发明目的在于提供一个基于AI和大数据管理的缺陷管理平台,通过大数据平台收集的海量数据信息,以及快速的读取检索,再配合以AI模型对数据分析挖掘能力进行深度开发,最后通过现有系统的整合,应用RPA技术自动对问题产品处置,使得该管理平台能够实现自动,准确,快速的缺陷管理。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种运用AI和大数据管理的半导体制造缺陷自动管理方法,其特征在于,包括以下步骤:
一、当缺陷检测以及review(拍照)完成后,由AI模型-1运行平台自动读取review结果并进行分类;
二、分类完成后,由系统对缺陷问题是否超设定阈值进行判定;
三、对超阈值的问题,触发分析命令;
四、当分析完成后,分析结果输出到自动处理平台,平台根据设定好的处置流程,进行RPA操作,实现自动处理的实现。
2.根据权利要求1所述的一种运用AI和大数据管理的半导体制造缺陷自动管理方法,其特征在于,所述拍照设置为20秒100张图片。
3.根据权利要求1所述的一种运用AI和大数据管理的半导体制造缺陷自动管理方法,其特征在于,所述分析命令将信号传递给数据中台和自动分析平台。
4.根据权利要求3所述的一种运用AI和大数据管理的半导体制造缺陷自动管理方法,其特征在于,所述数据中台调取所需的工程数据。
5.根据权利要求3所述的一种运用AI和大数据管理的半导体制造缺陷自动管理方法,其特征在于,所述自动分析平台包括常用的分析模型,以及针对该缺陷的溯因分析AI模型-2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910469.1A CN110717898A (zh) | 2019-09-25 | 2019-09-25 | 一种运用ai和大数据管理的半导体制造缺陷自动管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910469.1A CN110717898A (zh) | 2019-09-25 | 2019-09-25 | 一种运用ai和大数据管理的半导体制造缺陷自动管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717898A true CN110717898A (zh) | 2020-01-21 |
Family
ID=69210106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910910469.1A Pending CN110717898A (zh) | 2019-09-25 | 2019-09-25 | 一种运用ai和大数据管理的半导体制造缺陷自动管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717898A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680808A (zh) * | 2020-06-15 | 2020-09-18 | 江苏电力信息技术有限公司 | 一种基于rpa机器人的固定资产报废自动化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000172843A (ja) * | 1998-12-01 | 2000-06-23 | Tokyo Seimitsu Co Ltd | 外観検査装置及び方法 |
JP2000269276A (ja) * | 1999-03-16 | 2000-09-29 | Toshiba Corp | 欠陥解析システムおよびその方法 |
CN103295930A (zh) * | 2013-06-04 | 2013-09-11 | 上海华力微电子有限公司 | 一种快速高效的晶背缺陷识别方法 |
CN104238505A (zh) * | 2014-08-28 | 2014-12-24 | 华南理工大学 | 一种fpc制造过程质量控制专家系统及方法 |
CN107656986A (zh) * | 2017-09-12 | 2018-02-02 | 武汉华星光电技术有限公司 | 微观缺陷整合预警方法及装置 |
CN108495129A (zh) * | 2018-03-22 | 2018-09-04 | 北京航空航天大学 | 基于深度学习方法的块分割编码复杂度优化方法及装置 |
CN109754392A (zh) * | 2018-12-20 | 2019-05-14 | 上海集成电路研发中心有限公司 | 一种缺陷图像自动分析的装置及方法 |
-
2019
- 2019-09-25 CN CN201910910469.1A patent/CN110717898A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000172843A (ja) * | 1998-12-01 | 2000-06-23 | Tokyo Seimitsu Co Ltd | 外観検査装置及び方法 |
JP2000269276A (ja) * | 1999-03-16 | 2000-09-29 | Toshiba Corp | 欠陥解析システムおよびその方法 |
CN103295930A (zh) * | 2013-06-04 | 2013-09-11 | 上海华力微电子有限公司 | 一种快速高效的晶背缺陷识别方法 |
CN104238505A (zh) * | 2014-08-28 | 2014-12-24 | 华南理工大学 | 一种fpc制造过程质量控制专家系统及方法 |
CN107656986A (zh) * | 2017-09-12 | 2018-02-02 | 武汉华星光电技术有限公司 | 微观缺陷整合预警方法及装置 |
CN108495129A (zh) * | 2018-03-22 | 2018-09-04 | 北京航空航天大学 | 基于深度学习方法的块分割编码复杂度优化方法及装置 |
CN109754392A (zh) * | 2018-12-20 | 2019-05-14 | 上海集成电路研发中心有限公司 | 一种缺陷图像自动分析的装置及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680808A (zh) * | 2020-06-15 | 2020-09-18 | 江苏电力信息技术有限公司 | 一种基于rpa机器人的固定资产报废自动化方法 |
CN111680808B (zh) * | 2020-06-15 | 2022-03-11 | 江苏电力信息技术有限公司 | 一种基于rpa机器人的固定资产报废自动化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
WO2000014790A1 (fr) | Systeme d'inspection et procede de production d'un dispositif electronique l'utilisant | |
CN103676868A (zh) | 一种fpc制造关键工序自动监控与智能分析系统 | |
CN116594857A (zh) | 一种基于人工智能的办公软件智能交互管理平台 | |
CN105302123A (zh) | 在线测量数据的监控方法 | |
CN114429256A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
CN110000705B (zh) | 一种磨机异常加工操作的检测方法、系统及相关组件 | |
CN110717898A (zh) | 一种运用ai和大数据管理的半导体制造缺陷自动管理方法 | |
Eger et al. | Knowledge capturing platform in multi-stage production systems for zero-defect manufacturing | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
JP2002110493A (ja) | 加工プロセス工程の異常抽出方法及び装置 | |
CN105933677A (zh) | 工业现场视频数据处理系统 | |
US20220139744A1 (en) | Wafer defect analysis method and system, device and medium | |
CN110096383B (zh) | 一种信号设备维护信息自动分类方法 | |
CN115186935A (zh) | 一种机电设备非线性故障预测方法及系统 | |
CN114446027A (zh) | 一种基于物联网的设备故障报警方法、系统、设备及介质 | |
US20100010763A1 (en) | Method for detecting variance in semiconductor processes | |
CN110889395A (zh) | 基于机器学习的机械运动识别方法及系统 | |
CN110087066B (zh) | 一种应用于网上巡查的一键自动巡检方法 | |
US20050075835A1 (en) | System and method of real-time statistical bin control | |
CN111813063A (zh) | 一种监控生产设备的方法和装置 | |
JP2002324206A (ja) | データ解析方法及び装置 | |
CN117649107B (zh) | 自动决策节点创建方法、装置、系统及可读介质 | |
CN117032147B (zh) | 一种基于人工智能的生产线机床数字化调节系统及方法 | |
CN115641068A (zh) | 基于产品研发的全生命周期管理系统及跟踪方法 |
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 |