CN110889260B - 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 - Google Patents
用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN110889260B CN110889260B CN201811030795.5A CN201811030795A CN110889260B CN 110889260 B CN110889260 B CN 110889260B CN 201811030795 A CN201811030795 A CN 201811030795A CN 110889260 B CN110889260 B CN 110889260B
- Authority
- CN
- China
- Prior art keywords
- process parameter
- detected
- training
- pattern
- training process
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical Vapour Deposition (AREA)
- Drying Of Semiconductors (AREA)
Abstract
本公开的实施例提出一种用于侦测工艺参数的方法及装置、电子设备和计算机可读介质,属于集成电路制造技术领域。该用于侦测工艺参数的方法包括:获取待侦测工艺参数;将所述待侦测工艺参数转换成待侦测工艺参数图形;将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。通过本公开实施例提供的技术方案,能够提高侦测异常工艺参数的准确率,并实现侦测的自动化。
Description
技术领域
本公开属于集成电路制造技术领域,具体而言,涉及一种用于侦测工艺参数的方法及装置、电子设备和计算机可读介质。
背景技术
半导体元件制造过程可以分为前段制程、后段制程。其中,前段制程又可包括晶圆处理制程(Wafer Fabrication)和晶圆针测制程(Wafer Probe)。后段制程又可包括封装和测试制程。
其中,晶圆处理制程的主要工作为在晶圆上制作电路与电子元件(如晶体管、电容、逻辑门等),为上述各制程中所需技术最复杂且资金投入最多的过程,以微处理器为例,其所需处理步骤可达数百道,而其所需加工机台先进且昂贵,动辄数千万一台,其所需制造环境为一温度、湿度与含尘均需控制的无尘室,详细的处理程序随着产品种类与所使用的技术有关。其基本处理步骤通常是晶圆先经过适当的清洗之后,接着进行氧化及沉积,最后进行显影、蚀刻及离子植入等反复步骤,以完成晶圆上电路的加工与制作。
在这些制作过程中,需要严格控制各种工艺参数,若工艺参数不符合要求,会导致半导体元件制造失败,给生产企业造成重大损失。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
根据本公开的一个方面,提供一种用于侦测工艺参数的方法,包括:获取待侦测工艺参数;将所述待侦测工艺参数转换成待侦测工艺参数图形;将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。
在本公开的一种示例性实施例中,还包括:构建数据库,所述数据库中包括至少两类训练工艺参数图形;根据所述数据库中的所述至少两类训练工艺参数图形训练所述分类模型。
在本公开的一种示例性实施例中,所述构建数据库包括:获取训练工艺参数;将所述训练工艺参数转换成训练工艺参数图形;采用分群方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
在本公开的一种示例性实施例中,所述构建数据库包括:获取训练工艺参数;将所述训练工艺参数转换成训练工艺参数图形;采用统计方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
在本公开的一种示例性实施例中,还包括:根据所述目标图形类别判断所述待侦测工艺参数是否异常;若所述待侦测工艺参数异常,则发送警报信息。
在本公开的一种示例性实施例中,所述获取待侦测工艺参数包括:通过先进过程控制系统收集待测晶圆经半导体制造工艺制作完成后的所述待侦测工艺参数。
在本公开的一种示例性实施例中,所述待侦测工艺参数包括:功率、压力、气体体积、温度中的任意一种或者多种。
在本公开的一种示例性实施例中,若所述待侦测工艺参数为功率,则所述目标图形类别包括标准图形、不稳定功率图形、等离子体尖峰图形中的任意一种。
在本公开的一种示例性实施例中,所述半导体制造工艺包括刻蚀工艺、化学气相沉积薄膜工艺中的任意一种或者多种。
在本公开的一种示例性实施例中,所述分类模型包括卷积神经网络模型。
根据本公开的一个方面,提供一种用于侦测工艺参数的装置,包括:参数获取模块,配置为获取待侦测工艺参数;图形转换模块,配置为将所述待侦测工艺参数转换成待侦测工艺参数图形;图形分类模块,配置为将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。
在本公开的一种示例性实施例中,所述装置还包括:数据库构建模块,配置为构建数据库,所述数据库中可以包括至少两类训练工艺参数图形;模型训练模块,配置为根据所述数据库中的所述至少两类训练工艺参数图形训练所述分类模型。
在本公开的一种示例性实施例中,所述数据库构建模块包括:训练数据获取单元,配置为获取训练工艺参数;训练图形转换单元,配置为将所述训练工艺参数转换成训练工艺参数图形;分群单元,配置为采用分群方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
在本公开的一种示例性实施例中,所述数据库构建模块包括:训练数据获取单元,配置为获取训练工艺参数;训练图形转换单元,配置为将所述训练工艺参数转换成训练工艺参数图形;统计分类单元,配置为采用统计方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
在本公开的一种示例性实施例中,所述装置还包括:异常判断模块,配置为根据所述目标图形类别判断所述待侦测工艺参数是否异常;警报通知模块,可以配置为若所述待侦测工艺参数异常,则发送警报信息。
根据本公开的一个方面,提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述实施例任一所述的方法。
根据本公开的一个方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述实施例任一所述的方法。
附图说明
通过结合附图考虑以下对本公开的优选实施方式的详细说明,本公开的各种目标、特征和优点将变得更加显而易见。附图仅为本公开的示范性图解,并非一定是按比例绘制。在附图中,同样的附图标记始终表示相同或类似的部件。其中:
图1是相关技术中一种用于侦测工艺参数的方法的示意图;
图2是示出根据本公开实施例的一种用于侦测工艺参数的方法的流程图;
图3是示出根据本公开实施例的另一种用于侦测工艺参数的方法的流程图;
图4是示出根据本公开实施例的又一种用于侦测工艺参数的方法的流程图;
图5是示出根据本公开实施例的一种构建数据库的示意图;
图6是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形的标准图形的示意图;
图7是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形的不稳定功率图形的示意图;
图8是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形的等离子体尖峰图形的示意图;
图9是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形分群方式分类的示意图;
图10是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形的标准图形的示意图;
图11是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形的Dep OX超处理时间图形的示意图;
图12是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形的功率下降图形的示意图;
图13是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形分群方式分类的示意图;
图14是示出根据本公开实施例的一种训练分类模型的示意图;
图15是示出根据本公开实施例的一种预测图形类别的示意图;
图16是示出根据本公开实施例的一种用于侦测工艺参数的装置的框图;
图17是示出根据本公开实施例的另一种用于侦测工艺参数的装置的框图;
图18是示出根据本公开实施例的又一种用于侦测工艺参数的装置的框图;
图19是示出根据本公开实施例的一种电子设备的框图;
图20是示出根据本公开实施例的一种计算机可读介质的示意图。
具体实施方式
体现本公开特征与优点的典型实施例将在以下的说明中详细叙述。应理解的是本公开能够在不同的实施例上具有各种的变化,其皆不脱离本公开的范围,且其中的说明及附图在本质上是作说明之用,而非用以限制本公开。
在对本公开的不同示例性实施方式的下面描述中,参照附图进行,所述附图形成本公开的一部分,并且其中以示例方式显示了可实现本公开的多个方面的不同示例性结构、系统和步骤。应理解,可以使用部件、结构、示例性装置、系统和步骤的其他特定方案,并且可在不偏离本公开范围的情况下进行结构和功能性修改。
图1是相关技术中一种用于侦测工艺参数的方法的示意图。
一般的半导体工艺参数可以通过先进过程控制(Advanced process control,APC)来做工艺监控,通常的做法是在标准工艺参数(Raw data)的数据基础上加上控制规格,具体的控制规格可以根据统计大量的raw data的异常情况来设定上下限,当待侦测工艺参数数据超过规格范围时,例如超过上限或者低于下限均代表有异常情况发生,则可以发出警报通知。
如图1所示,图中纵坐标是功率(Power,简写为P),横坐标是时间(time,简写为t)。其中左边的图110代表待侦测工艺参数数据处于规格范围之内,即处于功率上限USL和功率下限LSL之间,此时可以认为当前待侦测工艺参数处于正常运作状态。中间的图120的功率超过了上限USL,此时可以认为当前待侦测工艺参数处于非正常运作状态,可以发出警报通知。
但是,当出现图1右边的图130的情况时,功率出现了一个不稳定情况,根据上述相关技术方案无法侦测到这种异常情况,此时需要人工审核。因此,上述相关技术还存在侦测准确率较低的缺陷,同时无法区分具体的异常类型,从而无法帮助技术人员快速定位出现问题的原因,找到相应的解决方案。
图2是示出根据本公开实施例的一种用于侦测工艺参数的方法的流程图。
如图2所示,本发明实施方式提供的用于侦测工艺参数的方法可以包括以下步骤。
在步骤S210中,获取待侦测工艺参数(raw data)。
在示例性实施例中,所述获取待侦测工艺参数可以包括:通过先进过程控制系统(APC)收集待测晶圆经半导体工艺制作完成后的所述待侦测工艺参数。但本发明并不限定于此,例如,还可以通过设备自动化过程(Equipment Automation Process,EAP)系统完成收集待测晶圆经半导体工艺制作完成后的所述待侦测工艺参数。在下面的实施例中,以APC收集待侦测工艺参数为例进行说明。
需要说明的是,通常利用APC技术或EAP技术监控半导体制造过程,其记录下来的所有机台的工艺过程、时间与所有参数,即称为raw data。
在示例性实施例中,所述半导体工艺可以包括刻蚀(ETCH)工艺、化学气相沉积(Chemical Vapor Deposition,CVD)工艺或者其他半导体设备工艺中的任意一种或者多种。
本发明实施例中,无论是对刻蚀工艺、CVD薄膜工艺或其他半导体设备工艺,均可使用本发明实施例提供的方法来侦测工艺参数是否存在异常。
在示例性实施例中,所述待侦测工艺参数可以包括:功率、压力、气体体积、温度等中的任意一种或者多种。
需要说明的是,本发明实施例中所述待侦测工艺参数根据具体的应用场景而确定。
在步骤S220中,将所述待侦测工艺参数转换成待侦测工艺参数图形。
本发明实施例中,若所述待侦测工艺参数为半导体工艺参数,可以在每一片晶圆经半导体设备完成相应的制造工艺后,收集工艺参数的raw data,并将其转换成待侦测工艺参数图形(pattern)。
在步骤S230中,将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。
在示例性实施例中,若所述待侦测工艺参数为功率,则所述目标图形类别可以包括标准图形、不稳定功率图形、等离子体尖峰图形中的任意一种。
需要说明的是,所述目标图形类别可以根据具体的半导体工艺、当前侦测的工艺参数类型等来确定,本发明对此不作限定。
在示例性实施例中,所述分类模型可以包括卷积神经网络(ConvolutionalNeural Network,CNN)模型。
其中,卷积神经网络是一种前馈神经网络,人工神经元可以响应周围单元,可以进行大型图像处理。卷积神经网络包括卷积层和池化层。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。本发明实施例中可以应用三维卷积神经网络进行待侦测工艺参数图形的识别和分类。
需要说明的是,本发明所述方法并不限定于采用CNN作为所述分类模型,其他任意的合适的分类算法或者模型均可以应用于本发明,在下面的实施例中,以CNN为例进行说明。
本发明实施方式提供的用于侦测工艺参数的方法,利用半导体工艺结束后收集到的待侦测工艺参数数据,再将待侦测工艺参数转换为待侦测工艺参数图形,再通过训练好的分类模型对所述待侦测工艺参数图形进行识别和分类,获得所述待侦测工艺参数图形所属的目标图形类别,从而可以将其应用于判断所述待侦测工艺参数是否存在异常,提高了工艺参数异常侦测的准确性,并且不需要人工审核,提高了工艺参数异常侦测的效率,降低了人力时间和成本。
图3是示出根据本公开实施例的另一种用于侦测工艺参数的方法的流程图。
如图3所示,本发明实施方式提供的用于侦测工艺参数的方法可以包括以下步骤。
在步骤S310中,构建数据库,所述数据库中包括至少两类训练工艺参数图形。
在示例性实施例中,所述构建数据库可以包括:获取训练工艺参数;将所述训练工艺参数转换成训练工艺参数图形;采用分群方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
本发明实施例中,在构建用于训练分类模型的训练数据集时,可以对训练工艺参数转换后的训练工艺参数图形采用分群方式进行分类,不同类别的训练工艺参数图形会落在不同的分群区域。
本发明实施例中,所述至少两类训练工艺参数图形可以根据当前待检测的半导体工艺的不同而不同,例如,若当前待检测的半导体工艺为刻蚀工艺,则所述至少两类训练工艺参数图形可以如图6-8所示。再例如,若当前待检测的半导体工艺为化学气相沉积薄膜工艺,则所述至少两类训练工艺参数图形可以如图10-12所示。但本公开并不限定于此。
在示例性实施例中,所述构建数据库可以包括:获取训练工艺参数;将所述训练工艺参数转换成训练工艺参数图形;采用统计方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
本发明实施例中,当采用统计方式对训练工艺参数图形进行分类时,可以通过比对训练工艺参数pattern的特征与已知半导体工艺制程异常的pattern,做相对应的图形分类。
在步骤S320中,根据所述数据库中的所述至少两类训练工艺参数图形训练所述分类模型。
在步骤S330中,获取待侦测工艺参数。
在步骤S340中,将所述待侦测工艺参数转换成待侦测工艺参数图形。
在步骤S350中,将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。
上述步骤S330-350的具体实施可以参照上述图2所示实施例中的步骤S210-230,在此不再赘述。
本发明实施方式提供的用于侦测工艺参数的方法,通过分群方式和/或统计方式构建数据库,所述数据库中包括用于训练分类模型的至少两类训练工艺参数图形,从而可以提高收集训练数据集的效率和准确率,训练数据集中各类半导体工艺参数异常图形收集的样本越多,类型越多,则训练出来的分类模型准确率越高,能够识别的工艺参数异常类型越丰富。
图4是示出根据本公开实施例的又一种用于侦测工艺参数的方法的流程图。
如图4所示,本发明实施方式提供的用于侦测工艺参数的方法可以包括以下步骤。
在步骤S410中,获取待侦测工艺参数。
在步骤S420中,将所述待侦测工艺参数转换成待侦测工艺参数图形。
在步骤S430中,将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。
上述步骤S410-430的具体实施可以参照上述图2所示实施例中的步骤S210-230,在此不再赘述。
在步骤S440中,根据所述目标图形类别判断所述待侦测工艺参数是否异常;若所述待侦测工艺参数异常,则进入步骤S450;反之,跳回到步骤S410。
在步骤S450中,发送警报信息。
本发明实施方式提供的用于侦测工艺参数的方法,可以根据待侦测工艺参数对应的待侦测工艺参数图形所属目标图形类别判断出所述待侦测工艺参数是否异常,并在发现异常情况时,及时发送警报信息,从而可以减少异常持续发生,有助于技术人员快速发现异常。
图5是示出根据本公开实施例的一种构建数据库的示意图。
如图5所示,这里以刻蚀设备501为例进行说明。通过传感器502实时监控刻蚀设备501在半导体制造过程中的各种工艺数据,并将采集的各种工艺数据传输给APC 503,生成工艺参数raw data 504,例如压力、功率,气体体积,温度等等,特征抽取(featureextraction)505可以通过统计方式(statistical approach)5051和/或分群(clustering,例如y=ax+b,其中a,b是常数,x,y是变量)或者二维像素(2D pixel)方式5052对raw data形成工艺参数的图形进行特征抽取,并对其进行分类,获得具有各类特征的图形(featurepatterns)506,例如标准图形5061,不稳定功率图形(unstable power)5062,等离子体尖峰(plasma spiking)图形5063等等,将各类图形存储至数据库507中,完成构建数据库的过程,可以将数据库中的pattern作为CNN的输入图形。
继续参考图5所示实施例中,所述方法还可以包括:在所述数据库中针对各类异常图形预先存储相应的解决方案信息508,例如通过针对unstable power 5062这种情况,可以通过改变距离、电压,自偏置(self-bias),气体输入/输出设置等来解决该工艺参数异常情况。这样,当训练好的分类模型接收到待侦测工艺参数图形时,当预测出其所述目标类别图形后,可以根据其所属类别,查找相应的解决方案信息返回给用户,进一步提高问题解决的速度和效率。
图6是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形的标准图形的示意图。
如图6所示,纵坐标为功率(power,简写为P),横坐标为时间(time,简写为t),这里绘制的是刻蚀工艺中的主要步骤的标准图形。
图7是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形的不稳定功率图形的示意图。
如图7所示,ETCH制造过程中,主要ETCH步骤中,若power不稳定(圆圈里为unstable power)会出现图7的pattern,这是一类异常情况。
图8是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形的等离子体尖峰图形的示意图。
如图8所示,ETCH制造过程中,主要ETCH步骤中,若plasma异常后会出现图8图形,圆圈里为等离子体尖峰(plasma spiking),这是一类异常情况。
需要说明的是,图7和8仅是用于举例说明ETCH工艺过程中,两类发生异常的工艺参数图形,实际应用中,可以尽可能多收集各类异常pattern。
图9是示出根据本公开实施例的一种刻蚀工艺的功率训练工艺参数图形分群方式分类的示意图。
如图9所示,901对应图6所述标准图形的分群区域,902对应图7所述不稳定功率图形的分群区域,903对应图8所述等离子体尖峰图形的分群区域。
图10是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形的标准图形的示意图。
如图10所示,纵坐标为射频功率(RF power,简写为RF P),横坐标为时间(time,简写为t),这里绘制的是化学气相沉积薄膜工艺的标准图形,即原始CVD薄膜工艺制造过程无异常存在。其中,S1为射频功率稳定阶段,S2为Dep BSG(Deposition Borosilicate Glass,化学气相沉积掺杂硼的硅玻璃),S3为Dep OX(Deposition Silicon Dioxide,化学气相沉积二氧化硅)。
图11是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形的Dep OX超处理时间图形的示意图。
如图11所示,CVD制造过程中,Dep OX过多时间时后,会出现图11所示的pattern,其中,ext代表过多处理时间(extra process time)。
图12是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形的功率下降图形的示意图。
如图12所示,CVD制造过程中,功率下降(power drop,图示中的Pd)会出现如图12的图形。
需要说明的是,图11和12仅是用于举例说明CVD工艺过程中,两类发生异常的工艺参数图形,实际应用中,可以尽可能多收集各类异常pattern。
图13是示出根据本公开实施例的一种化学气相沉积薄膜工艺的射频功率训练工艺参数图形分群方式分类的示意图。
如图13所示,1301对应图10所述标准图形的分群区域,1302对应图11所述Dep OX超处理时间图形的分群区域,1303对应图12所述功率下降图形的分群区域。
图14是示出根据本公开实施例的一种训练分类模型的示意图。
如图14所示,从数据库中提取并输入至CNN的任意图形1410,经过卷积神经网络和全连接层(CNN&Fully Connection)1420,输出当前图形对应的类别1430,将其与数据库中已经提前标注的图形类别相互比对,训练1440CNN分类模型,设置epoch(迭代次数,1个epoch等于使用训练集中的全部样本训练一次,一个epoch等于所有训练样本的一个正向传递和一个反向传递)、batch size(批大小或者批尺寸,即每次训练在训练集中取batchsize个样本训练)和/或number of iterations(迭代,1个iteration等于使用batch size个样本训练一次,1个iteration等于使用batch size个样本训练一次)。
其中,CNN&Fully Connection 1420可以进一步包括输入层1421、编码层1422、隐藏状态层1423、译码层1424和输出层1425。但本发明并不限定于此。
图15是示出根据本公开实施例的一种预测图形类别的示意图。
如图15所示,接收新的raw data(例如,功率、压力、气体体积、温度等)图形1510,将其输入至训练好的CNN&Fully Connection1520,输出预测的raw data图形所属图形类别1530。
类似的,CNN&Fully Connection 1520可以进一步包括输入层1521、编码层1522、隐藏状态层1523、译码层1524和输出层1525。但本发明并不限定于此。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
图16是示出根据本公开实施例的一种用于侦测工艺参数的装置的框图。
如图16所示,本发明实施方式提供的用于侦测工艺参数的装置1600可以包括参数获取模块1610、图形转换模块1620以及图形分类模块1630。
其中,参数获取模块1610可以配置为获取待侦测工艺参数。
在示例性实施例中,参数获取模块1610可以包括参数获取单元,所述参数获取单元可以配置为通过先进过程控制系统收集待测晶圆经半导体工艺制作完成后的所述待侦测工艺参数。
在示例性实施例中,所述半导体工艺包括刻蚀工艺、化学气相沉积薄膜工艺中的任意一种或者多种。
在示例性实施例中,所述待侦测工艺参数包括:功率、压力、气体体积、温度中的任意一种或者多种。
图形转换模块1620可以配置为将所述待侦测工艺参数转换成待侦测工艺参数图形。
图形分类模块1630可以配置为将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。
在示例性实施例中,所述分类模型包括卷积神经网络模型。
在示例性实施例中,若所述待侦测工艺参数为功率,则所述目标图形类别包括标准图形、不稳定功率图形、等离子体尖峰图形中的任意一种。
上述的用于侦测工艺参数的装置中各模块的具体细节已经在对应的用于侦测工艺参数的方法中进行了详细的描述,因此此处不再赘述。
图17是示出根据本公开实施例的另一种用于侦测工艺参数的装置的框图。
与上述图16所示实施例的不同之处在于,用于侦测工艺参数的装置1700还可以包括:数据库构建模块1710,所述数据库构建模块1710可以配置为构建数据库,所述数据库中可以包括至少两类训练工艺参数图形;模型训练模块1720,所述模型训练模块可以配置为根据所述数据库中的所述至少两类训练工艺参数图形训练所述分类模型。
在示例性实施例中,所述数据库构建模块1710可以进一步包括:训练数据获取单元、训练图形转换单元以及分群单元。其中,所述训练数据获取单元可以配置为获取训练工艺参数。所述训练图形转换单元可以配置为将所述训练工艺参数转换成训练工艺参数图形。所述分群单元可以配置为采用分群方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
在示例性实施例中,所述数据库构建模块1710可以进一步包括:训练数据获取单元、训练图形转换单元以及统计分类单元。其中,所述训练数据获取单元可以配置为获取训练工艺参数。所述训练图形转换单元可以配置为将所述训练工艺参数转换成训练工艺参数图形。所述统计分类单元可以配置为采用统计方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
上述的用于侦测工艺参数的装置中各模块的具体细节已经在对应的用于侦测工艺参数的方法中进行了详细的描述,因此此处不再赘述。
图18是示出根据本公开实施例的又一种用于侦测工艺参数的装置的框图。
与上述图16所示实施例的不同之处在于,用于侦测工艺参数的装置1800还可以包括:异常判断模块1810,所述异常判断模块可以配置为根据所述目标图形类别判断所述待侦测工艺参数是否异常;警报通知模块1820,所述警报通知模块可以配置为若所述待侦测工艺参数异常,则发送警报信息。
上述的用于侦测工艺参数的装置中各模块的具体细节已经在对应的用于侦测工艺参数的方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图19来描述根据本发明的这种实施方式的电子设备600。图19显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图19所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图2中所示的步骤S210:获取待侦测工艺参数;S220:将所述待侦测工艺参数转换成待侦测工艺参数图形;S230:将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
图20是示出根据本公开实施例的一种计算机可读介质的示意图。
参考图20所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
以上详细地描述和/或图示了本公开提出的用于侦测工艺参数的方法及其装置的示例性实施方式。但本公开的实施方式不限于这里所描述的特定实施方式,相反,每个实施方式的组成部分和/或步骤可与这里所描述的其它组成部分和/或步骤独立和分开使用。一个实施方式的每个组成部分和/或每个步骤也可与其它实施方式的其它组成部分和/或步骤结合使用。在介绍这里所描述和/或图示的要素/组成部分/等时,用语“一个”、“一”和“上述”等用以表示存在一个或多个要素/组成部分/等。术语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。此外,权利要求书及说明书中的术语“第一”和“第二”等仅作为标记使用,不是对其对象的数字限制。
虽然已根据不同的特定实施例对本公开提出的隔垫物制作方法进行了描述,但本领域技术人员将会认识到可在权利要求的精神和范围内对本公开的实施进行改动。
Claims (13)
1.一种用于侦测工艺参数的方法,其特征在于,包括:
获取待测晶圆经半导体制造工艺制作完成后的待侦测工艺参数,所述待侦测工艺参数包括:功率、压力、气体体积、温度中的任意一种或者多种;
将所述待侦测工艺参数转换成待侦测工艺参数图形;
将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别,所述分类模型包括卷积神经网络模型;
根据所述目标图形类别判断所述待侦测工艺参数是否异常;
若所述待侦测工艺参数异常,则发送警报信息。
2.根据权利要求1所述的方法,其特征在于,还包括:
构建数据库,所述数据库中包括至少两类训练工艺参数图形;
根据所述数据库中的所述至少两类训练工艺参数图形训练所述分类模型。
3.根据权利要求2所述的方法,其特征在于,所述构建数据库包括:
获取训练工艺参数;
将所述训练工艺参数转换成训练工艺参数图形;
采用分群方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
4.根据权利要求2所述的方法,其特征在于,所述构建数据库包括:
获取训练工艺参数;
将所述训练工艺参数转换成训练工艺参数图形;
采用统计方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
5.根据权利要求1所述的方法,其特征在于,所述获取待侦测工艺参数包括:
通过先进过程控制系统收集待测晶圆经半导体制造工艺制作完成后的所述待侦测工艺参数。
6.根据权利要求5所述的方法,其特征在于,若所述待侦测工艺参数为功率,则所述目标图形类别包括标准图形、不稳定功率图形、等离子体尖峰图形中的任意一种。
7.根据权利要求5所述的方法,其特征在于,所述半导体制造工艺包括刻蚀工艺、化学气相沉积薄膜工艺中的任意一种或者多种。
8.一种用于侦测工艺参数的装置,其特征在于,包括:
参数获取模块,配置为获取待测晶圆经半导体制造工艺制作完成后的待侦测工艺参数,所述待侦测工艺参数包括:功率、压力、气体体积、温度中的任意一种或者多种;
图形转换模块,配置为将所述待侦测工艺参数转换成待侦测工艺参数图形;
图形分类模块,配置为将所述待侦测工艺参数图形输入至训练好的分类模型中,获得所述待侦测工艺参数图形的目标图形类别,所述分类模型包括卷积神经网络模型;
异常判断模块,配置为根据所述目标图形类别判断所述待侦测工艺参数是否异常;
警报通知模块,可以配置为若所述待侦测工艺参数异常,则发送警报信息。
9.根据权利要求8所述的装置,其特征在于,还包括:
数据库构建模块,配置为构建数据库,所述数据库中可以包括至少两类训练工艺参数图形;
模型训练模块,配置为根据所述数据库中的所述至少两类训练工艺参数图形训练所述分类模型。
10.根据权利要求9所述的装置,其特征在于,所述数据库构建模块包括:
训练数据获取单元,配置为获取训练工艺参数;
训练图形转换单元,配置为将所述训练工艺参数转换成训练工艺参数图形;
分群单元,配置为采用分群方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
11.根据权利要求9所述的装置,其特征在于,所述数据库构建模块包括:
训练数据获取单元,配置为获取训练工艺参数;
训练图形转换单元,配置为将所述训练工艺参数转换成训练工艺参数图形;
统计分类单元,配置为采用统计方式对所述训练工艺参数图形进行分类,形成所述至少两类训练工艺参数图形。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811030795.5A CN110889260B (zh) | 2018-09-05 | 2018-09-05 | 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811030795.5A CN110889260B (zh) | 2018-09-05 | 2018-09-05 | 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889260A CN110889260A (zh) | 2020-03-17 |
CN110889260B true CN110889260B (zh) | 2023-01-17 |
Family
ID=69744264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811030795.5A Active CN110889260B (zh) | 2018-09-05 | 2018-09-05 | 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889260B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112097830A (zh) * | 2020-08-27 | 2020-12-18 | 中山大学 | 一种基于图模型的mocvd腔体稳定性检测方法及系统 |
CN112529107B (zh) * | 2020-12-28 | 2022-05-31 | 华中科技大学 | 基于可见光图像识别的等离子体温度瞬态诊断方法和系统 |
CN113792506B (zh) * | 2021-09-27 | 2024-04-02 | 中山大学 | 基于图像处理与机器学习的mocvd腔内状态识别方法 |
CN114358168A (zh) * | 2021-12-29 | 2022-04-15 | 苏州赛美特科技有限公司 | 一种数据对比方法、装置设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7337019B2 (en) * | 2001-07-16 | 2008-02-26 | Applied Materials, Inc. | Integration of fault detection with run-to-run control |
US20090308734A1 (en) * | 2008-06-17 | 2009-12-17 | Schneider Automation Inc. | Apparatus and Method for Wafer Level Arc Detection |
US20170083813A1 (en) * | 2015-09-23 | 2017-03-23 | Charles Augustine | Electronic neural network circuit having a resistance based learning rule circuit |
WO2017171891A1 (en) * | 2016-04-02 | 2017-10-05 | Intel Corporation | Systems, methods, and apparatuses for modeling reticle compensation for post lithography processing using machine learning algorithms |
-
2018
- 2018-09-05 CN CN201811030795.5A patent/CN110889260B/zh active Active
Non-Patent Citations (4)
Title |
---|
ATC在先进工艺晶圆测试中的应用;李强 等;《集成电路应用》;20180630(第6期);46-49 * |
Determination of frequency dependent transmission line parameters on product related on chip test line structures using S-parameter measurements;T.-M. Winkel et al;《IEEE》;20031208;全文 * |
On-chip test infrastructure design for optimal multi-site testing of system chips;S.K. Goel et al;《IEEE》;20050321;全文 * |
声表面波器件小型化工艺中芯片的测试与改进;董姝 等;《压电与声光》;20150131(第1期);147-148,153 * |
Also Published As
Publication number | Publication date |
---|---|
CN110889260A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889260B (zh) | 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质 | |
Hsu et al. | Multiple time-series convolutional neural network for fault detection and diagnosis and empirical study in semiconductor manufacturing | |
JP6896069B2 (ja) | k近傍およびロジスティック回帰アプローチを用いた時系列異常検出、異常分類、ならびに遷移分析 | |
JP6568565B2 (ja) | データプリプロセッシングのためのシステム及び方法 | |
Chien et al. | A data mining approach for analyzing semiconductor MES and FDC data to enhance overall usage effectiveness (OUE) | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
CN1860487A (zh) | 使用第一原理仿真分析半导体处理工具执行的处理的系统和方法 | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
US20230324888A1 (en) | System, Method, and Computer Program Product for Optimizing a Manufacturing Process | |
WO2021197782A1 (en) | Data processing for industrial machine learning | |
US20240192672A1 (en) | System and method of monitoring an industrial environment | |
KR102494420B1 (ko) | 머신러닝 기반 클린룸 관리 시스템 및 방법 | |
CA3189344A1 (en) | Explaining machine learning output in industrial applications | |
Chowdhury | Semiconductor manufacturing process improvement using data-driven methodologies | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
Yang et al. | Streaming data analysis framework for cyber-physical system of metal machining processes | |
US20230376795A1 (en) | Device, computing platform and method of analyzing log files of an industrial plant | |
CN113377630B (zh) | 一种通用的kpi异常检测框架实现方法 | |
CN116204774A (zh) | 一种基于分层元学习的刀具磨损稳定预测方法 | |
US20210201164A1 (en) | Method and system for identifying relevant variables | |
CN113361811A (zh) | 运行状态预测方法、系统、设备及计算机可读存储介质 | |
KR20230002862A (ko) | 웨이퍼 빈 맵 기반 근본 원인 분석 | |
CN117194963B (zh) | 工业fdc质量根因分析方法、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |