CN110910021A - 一种基于支持向量机监控在线缺陷的方法 - Google Patents
一种基于支持向量机监控在线缺陷的方法 Download PDFInfo
- Publication number
- CN110910021A CN110910021A CN201911174280.7A CN201911174280A CN110910021A CN 110910021 A CN110910021 A CN 110910021A CN 201911174280 A CN201911174280 A CN 201911174280A CN 110910021 A CN110910021 A CN 110910021A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- data
- support vector
- model
- abnormal
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 235000012431 wafers Nutrition 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 2
- 239000000047 product Substances 0.000 description 40
- 230000006870 function Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000013256 coordination polymer Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于支持向量机监控在线缺陷的方法,收集已出货的晶圆在过去一个生产周期内的缺陷数据和产品质量数据的样本,并定义产品质量为异常的范围;在样本中选择良率测试站点加扫数量多的晶圆的数据,并去除缺陷数量或产品质量失效率异常大的数据,得到优化后的样本;从优化后的样本中随机选择出80%的数据,利用支持向量机进行样本训练并建立模型;对模型进行优化,提高模型的检出率;根据优化后的模型对在线产品的缺陷数据和产品质量数据进行预测和分类,将异常产品刷选出来。本发明可以提前将良率不过关的产品刷选出来,节约后续的生产、测试成本。
Description
技术领域
本发明涉及半导体制造领域,特别是涉及一种基于支持向量机监控在线缺陷的方法。
背景技术
对于成熟的半导体工艺制程,产品质量(CP/FT)主要取决于工艺机台的性能表现,主要包括线下(offline)、在线(inline)、WAT测试以及缺陷(defect)等数据。其中defect在半导体工艺流程的每一步都会产生,且不同工艺步骤引入的defect种类、数量及分布都不一样,对于产品质量的影响程度也不尽相同。通常根据不同工艺、类型的defect与最终Bin的分布和失效率归纳总结不同工艺和defect对于CP的影响,但缺少一种综合全部工艺流程的defect情况,对于最终产品质量的预测和分类的方法。
因此,需要提出一种新的方法来解决上述问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于支持向量机监控在线缺陷的方法,用于解决现有技术中缺少一种综合全部工艺流程的缺陷情况,对于最终产品质量的预测和分类的方法的问题。
为实现上述目的及其他相关目的,本发明提供一种基于支持向量机监控在线缺陷的方法,该方法至少包括以下步骤:步骤一、收集已出货的晶圆在过去一个生产周期内的缺陷数据和产品质量数据的样本,并定义所述产品质量为异常的范围;步骤二、在所述样本中选择良率测试站点加扫数量多的晶圆的数据,并去除缺陷数量或产品质量失效率大于5%的数据,得到优化后的样本;步骤三、从所述优化后的样本中随机选择出80%的数据,利用支持向量机进行样本训练并建立模型;步骤四、对所述模型进行优化,提高模型的检出率;步骤五、根据优化后的模型对在线产品的缺陷数据和产品质量数据进行预测和分类,将异常产品刷选出来。
优选地,步骤一中所述过去一个生产周期为过去12个月。
优选地,步骤一中所述产品质量数据为晶圆的Bin测试中的Mbist数据。
优选地,所述产品质量为异常的范围为:产品Mbsit失效率大于1.6%为异常值。
优选地,步骤三中利用向量机进行样本训练的过程包括:从所述优化后的样本中得到分类标准,并建立模型。
优选地,步骤三中利用向量机进行样本训练的过程包括:从所述优化后的样本中得到函数,并建立模型。
优选地,步骤三中的分类标准为:定义一特征值,若Bin大于该特征值,则分类为异常值1;若Bin小于该特征值,则分类为正常值0。
优选地,步骤三中建立的模型包括:定义异常数据量为:分类为异常值的数据/样本总数;定义准确率为:将正常值验证为正常值的比例;将异常值验证为异常值的比例;定义检出率为:能够将异常值验证出来的比例;定义误报率为:把正常值验证为异常值的比例。
优选地,步骤三中建立的模型包括:将正常值验证为正常值记为TN;将正常值验证为异常值记为FP;将异常值验证为正常值记为FN;将异常值验证为异常值记为TP;所述准确率为:(TN+TP)/TN+FP+FN+TP;所述检出率为:TP/(FN+TP)所述误报率为:FP/(FP+TN)。
优选地,步骤四中对所述模型进行优化的过程包括优化模型的参数。
优选地,所述模型的参数包括:Gamma、权重和惩罚系数。
如上所述,本发明的基于支持向量机监控在线缺陷的方法,具有以下有益效果:通过神经网络和支持向量机将已知产品的defect和良率情况作为样本进行学习和分类,找到对产品良率或Bin影响较大的相应工艺的defect。利用这些关键工艺的defect情况和产品的良率或Bin建立联系,并通过之后线上的产品defect情况,结合WAT参数对产品的最终良率进行一个预测、分类,提前将良率不过关的产品刷选出来,节约后续的生产、测试成本。
附图说明
图1a至图1c显示为惩罚系数对误差的宽容度的示意图;
图2显示为本发明的基于支持向量机监控在线缺陷的方法流程示意图;
图3显示为本发明中误报率、检出率、准确率的关系图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1a至图3。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供一种基于支持向量机监控在线缺陷的方法,SVM(Support VectorMac)又称为支持向量机,于1964年提出,是一种基于监督学习对数据进行二分类的广义线性分类器,对于给定的训练样本,支持向量机将找到空间中的一个更够将所有数据样本划开的超平面,并且使得样本集合中所有数据到这个超平面的距离最短,及决策边界,利用决策边界将样本分类。
支持向量机模型的构建关键为内积核函数,核函数的基本作用就是接受两个低维空间里的向量,能够计算出经过某个变换后在高维空间里的向量内积值。主要的核函数包括以下几种:线性核函数:主要用于线性可分的情况,特征空间到输入空间的维度是一样的,其参数少速度快;多项式核函数:可以实现将低维的输入空间映射到高纬的特征空间,但是多项式核函数的参数多,当多项式的阶数比较高的时候,计算复杂且计算量大;
Sigmoid核函数:采用sigmoid核函数,支持向量机实现的就是一种多层神经网络;RBF核函数:高斯径向基函数是一种局部性强的核函数,其可以将一个样本映射到一个更高维的空间内,该核函数是应用最广的一个,无论大样本还是小样本都有比较好的性能,而且其相对于多项式核函数参数要少,因此大多数情况下在不知道用什么核函数的时候,优先使用高斯核函数。
利用RBF作为支持向量机的核函数,会引入一个参数Gamma,代表支持向量的作用范围,Gamma值大,支持向量越少,Gamma值越小,支持向量越多。此外,SVM模型有两个非常重要的参数C与权重。,如图1a至图1c所示,其中C是惩罚系数,即对误差的宽容度。c越高,说明越不能容忍出现误差,容易过拟合。C越小,容易欠拟合。C过大或过小,泛化能力变差。
本发明提供一种基于支持向量机监控在线缺陷的方法,如图2所示,图2显示为本发明的基于支持向量机监控在线缺陷的方法流程示意图。该方法至少包括以下步骤:
步骤一、收集已出货的晶圆在过去一个生产周期内的缺陷数据和产品质量数据的样本,并定义所述产品质量为异常的范围;本发明进一步地,步骤一中所述过去一个生产周期为过去12个月。更进一步地,步骤一中所述产品质量数据为晶圆的Bin测试中的Mbist数据,亦即晶圆某一Bin测试项(Mbist)数据。本发明更进一步地,步骤一中所述产品质量为异常的范围为:产品Mbsit失效率大于1.6%为异常值。本实施例中将过去12个月出货晶圆的所有defect和Mbist数据,并定义Mbist>1.6%为异常值,所述Mbist为晶圆Bin的一个测试项,属于Bin的一种。
步骤二、在所述样本中选择良率测试站点加扫数量多的晶圆的数据,并去除缺陷数量或产品质量失效率大于5%的数据,得到优化后的样本;所谓“选择良率测试站点加扫数量多的晶圆的数据”解释为:由于晶圆(wafer)进站扫描的次数会多。(例:若流程Flow中共10个YE站点,100片wafer跑完整条flow,其中有5个站点一片wafer都没有进站扫描将被去除,有2个站点分别扫描了50片wafer,3个站点分别扫描了10片)。
步骤三、从所述优化后的样本中随机选择出80%的数据,利用支持向量机进行样本训练并建立模型;本发明进一步地,步骤三中利用向量机进行样本训练的过程包括:从所述优化后的样本中得到分类标准,并建立模型。更进一步地,步骤三中的分类标准为:定义一特征值,若Bin大于该特征值,则分类为异常值1;若Bin小于该特征值,则分类为正常值0。这里是对数据进行分类(异常值与正常值),分类标准时Bin大于或小于某一特征值a。例:Bin大于a定于为异常值,用1表示;小于a为正常值,用0表示。本实施例中,步骤三中建立的模型包括:定义异常数据量为:分类为异常值的数据/样本总数;定义准确率为:将正常值验证为正常值的比例;将异常值验证为异常值的比例;定义检出率为:能够将异常值验证出来的比例;定义误报率为:把正常值验证为异常值的比例。下表示例性地给出Bin和CP的分类标准。
本实施例中,步骤三中建立的模型包括:将正常值验证为正常值记为TN;将正常值验证为异常值记为FP;将异常值验证为正常值记为FN;将异常值验证为异常值记为TP。
所述准确率为:(TN+TP)/TN+FP+FN+TP;
所述检出率为:TP/(FN+TP);
所述误报率为:FP/(FP+TN)。
或者本发明的步骤三中利用向量机进行样本训练的过程也可是包括从所述优化后的样本中得到函数,并建立模型。YE站点很多,但不同站点wafer进去扫描的频率不同。有些站点不是很重要,量产wafer不会进去,有些重要站点,模型是指从数据库中刷选出80%数据,利用支持向量机对这些数据进行学习后得到的分类标准或函数。
步骤四、对所述模型进行优化,提高模型的检出率;本发明进一步地,步骤四中对所述模型进行优化的过程包括优化模型的参数。更进一步地,步骤四中所述模型的参数包括:Gamma、权重和惩罚系数。其中C(惩罚系数):即对误差的宽容度。C越高,说明越不能容忍出现误差,容易过拟合。C越小,容易欠拟合。C过大或过小,泛化能力变差。Gamma:RBF的幅宽,影响每个支持向量对应的高斯的作用范围,Gamma太大,高斯分布窄,会造成只会作用于支持向量样本附近,对于未知样本分类效果很差,存在训练准确率可以很高,而测试准确率不高的可能,就是通常说的过训练;而如果设的过小,平滑效应太大,无法在训练集上得到特别高的准确率,也会影响测试集的准确率;Class weight:类别的权重。通过调整这三个参数,支持向量机对于数据源中每个数据的处理会有不同,最终得到的分类标准或函数也会有差别。
步骤五、根据优化后的模型对在线产品的缺陷数据和产品质量数据进行预测和分类,将异常产品刷选出来。本发明在进行步骤五之前,也可以利用模型对剩余的20%数据进行判断,得到结果。
如图3所示,图3显示为本发明中误报率、检出率、准确率的关系图。由此可见,通过神经网络和支持向量机将已知产品的defect和良率情况作为样本进行学习和分类,找到对产品良率或Bin影响较大的相应工艺的defect。利用这些关键工艺的defect情况和产品的良率或Bin建立联系,并通过之后线上的产品defect情况,结合WAT参数对产品的最终良率进行一个预测、分类,提前将良率不过关的产品刷选出来,节约后续的生产、测试成本。
综上所述,本发明通过神经网络和支持向量机将已知产品的defect和良率情况作为样本进行学习和分类,找到对产品良率或Bin影响较大的相应工艺的defect。利用这些关键工艺的defect情况和产品的良率或Bin建立联系,并通过之后线上的产品defect情况,结合WAT参数对产品的最终良率进行一个预测、分类,提前将良率不过关的产品刷选出来,节约后续的生产、测试成本。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种基于支持向量机监控在线缺陷的方法,其特征在于,该方法至少包括以下步骤:
步骤一、收集已出货的晶圆在过去一个生产周期内的缺陷数据和产品质量数据的样本,并定义所述产品质量为异常的范围;
步骤二、在所述样本中选择良率测试站点加扫数量多的晶圆的数据,并去除缺陷数量或产品质量失效率大于5%的数据,得到优化后的样本;
步骤三、从所述优化后的样本中随机选择出80%的数据,利用支持向量机进行样本训练并建立模型;
步骤四、对所述模型进行优化,提高模型的检出率;
步骤五、根据优化后的模型对在线产品的缺陷数据和产品质量数据进行预测和分类,将异常产品刷选出来。
2.根据权利要求1所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤一中所述过去一个生产周期为过去12个月。
3.根据权利要求1所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤一中所述产品质量数据为晶圆的Bin测试中的Mbist数据。
4.根据权利要求3所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤一中所述产品质量为异常的范围为:产品Mbsit失效率大于1.6%为异常值。
5.根据权利要求4所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤三中利用向量机进行样本训练的过程包括:从所述优化后的样本中得到分类标准,并建立模型。
6.根据权利要求4所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤三中利用向量机进行样本训练的过程包括:从所述优化后的样本中得到函数,并建立模型。
7.根据权利要求5所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤三中的分类标准为:定义一特征值,若Bin大于该特征值,则分类为异常值1;若Bin小于该特征值,则分类为正常值0。
8.根据权利要求7所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤三中建立的模型包括:定义异常数据量为:分类为异常值的数据/样本总数;定义准确率为:将正常值验证为正常值的比例;将异常值验证为异常值的比例;定义检出率为:能够将异常值验证出来的比例;定义误报率为:把正常值验证为异常值的比例。
9.根据权利要求8所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤三中建立的模型包括:将正常值验证为正常值记为TN;将正常值验证为异常值记为FP;将异常值验证为正常值记为FN;将异常值验证为异常值记为TP;所述准确率为:(TN+TP)/TN+FP+FN+TP;所述检出率为:TP/(FN+TP)所述误报率为:FP/(FP+TN)。
10.根据权利要求8所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤四中对所述模型进行优化的过程包括优化模型的参数。
11.根据权利要求10所述的基于支持向量机监控在线缺陷的方法,其特征在于:步骤四中所述模型的参数包括:Gamma、权重和惩罚系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174280.7A CN110910021A (zh) | 2019-11-26 | 2019-11-26 | 一种基于支持向量机监控在线缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911174280.7A CN110910021A (zh) | 2019-11-26 | 2019-11-26 | 一种基于支持向量机监控在线缺陷的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910021A true CN110910021A (zh) | 2020-03-24 |
Family
ID=69819716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911174280.7A Pending CN110910021A (zh) | 2019-11-26 | 2019-11-26 | 一种基于支持向量机监控在线缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910021A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488182A (zh) * | 2020-11-27 | 2021-03-12 | 上海华力集成电路制造有限公司 | 一种半导体器件的良率预测方法及装置 |
CN113191399A (zh) * | 2021-04-12 | 2021-07-30 | 普赛微科技(杭州)有限公司 | 一种基于机器学习分类器提高半导体芯片良品率的方法 |
CN114648534A (zh) * | 2022-05-24 | 2022-06-21 | 成都理工大学 | 基于视频帧聚类的管网缺陷智能识别方法及装置、介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5606164A (en) * | 1996-01-16 | 1997-02-25 | Boehringer Mannheim Corporation | Method and apparatus for biological fluid analyte concentration measurement using generalized distance outlier detection |
CN101093470A (zh) * | 2006-06-23 | 2007-12-26 | 联华电子股份有限公司 | 集成电路工艺与半导体工艺的数据分析方法 |
CN101996855A (zh) * | 2009-08-21 | 2011-03-30 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆缺陷分析方法 |
US20110112999A1 (en) * | 2009-11-06 | 2011-05-12 | Inotera Memories, Inc. | Method for predicting and warning of wafer acceptance test value |
CN103187329A (zh) * | 2011-12-28 | 2013-07-03 | 无锡华润上华科技有限公司 | 一种晶圆良率分析方法 |
US20130279795A1 (en) * | 2012-04-19 | 2013-10-24 | Applied Materials Israel Ltd. | Optimization of unknown defect rejection for automatic defect classification |
CN103855050A (zh) * | 2014-03-27 | 2014-06-11 | 上海华力微电子有限公司 | 晶圆良率监测方法 |
CN104063710A (zh) * | 2014-06-13 | 2014-09-24 | 武汉理工大学 | 基于支持向量机模型的实测光谱曲线中异常光谱剔除方法 |
CN104867840A (zh) * | 2014-02-20 | 2015-08-26 | 中芯国际集成电路制造(上海)有限公司 | Ye在线检测管控方法 |
CN106206356A (zh) * | 2016-08-31 | 2016-12-07 | 上海华力微电子有限公司 | 提高良率提升缺陷监测效率的方法 |
CN108074019A (zh) * | 2017-12-29 | 2018-05-25 | 广州飞毛腿数码技术有限公司 | 一种基于支持向量机的光伏发电功率预测方法 |
CN108510615A (zh) * | 2018-04-02 | 2018-09-07 | 深圳智达机械技术有限公司 | 一种半导体制造设备和工艺的控制系统 |
CN108960113A (zh) * | 2018-06-26 | 2018-12-07 | 江苏师范大学 | 一种基于支持向量机的心率变异性识别方法 |
CN109767996A (zh) * | 2018-12-29 | 2019-05-17 | 上海华力微电子有限公司 | 晶圆缺陷分析系统及分析方法 |
CN110060228A (zh) * | 2017-12-19 | 2019-07-26 | 三星电子株式会社 | 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统 |
CN110083849A (zh) * | 2018-01-25 | 2019-08-02 | 中芯国际集成电路制造(上海)有限公司 | 半导体制造设备的软测量方法、计算机和计算机可读介质 |
-
2019
- 2019-11-26 CN CN201911174280.7A patent/CN110910021A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5606164A (en) * | 1996-01-16 | 1997-02-25 | Boehringer Mannheim Corporation | Method and apparatus for biological fluid analyte concentration measurement using generalized distance outlier detection |
CN101093470A (zh) * | 2006-06-23 | 2007-12-26 | 联华电子股份有限公司 | 集成电路工艺与半导体工艺的数据分析方法 |
CN101996855A (zh) * | 2009-08-21 | 2011-03-30 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆缺陷分析方法 |
US20110112999A1 (en) * | 2009-11-06 | 2011-05-12 | Inotera Memories, Inc. | Method for predicting and warning of wafer acceptance test value |
CN103187329A (zh) * | 2011-12-28 | 2013-07-03 | 无锡华润上华科技有限公司 | 一种晶圆良率分析方法 |
US20130279795A1 (en) * | 2012-04-19 | 2013-10-24 | Applied Materials Israel Ltd. | Optimization of unknown defect rejection for automatic defect classification |
CN104867840A (zh) * | 2014-02-20 | 2015-08-26 | 中芯国际集成电路制造(上海)有限公司 | Ye在线检测管控方法 |
CN103855050A (zh) * | 2014-03-27 | 2014-06-11 | 上海华力微电子有限公司 | 晶圆良率监测方法 |
CN104063710A (zh) * | 2014-06-13 | 2014-09-24 | 武汉理工大学 | 基于支持向量机模型的实测光谱曲线中异常光谱剔除方法 |
CN106206356A (zh) * | 2016-08-31 | 2016-12-07 | 上海华力微电子有限公司 | 提高良率提升缺陷监测效率的方法 |
CN110060228A (zh) * | 2017-12-19 | 2019-07-26 | 三星电子株式会社 | 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统 |
CN108074019A (zh) * | 2017-12-29 | 2018-05-25 | 广州飞毛腿数码技术有限公司 | 一种基于支持向量机的光伏发电功率预测方法 |
CN110083849A (zh) * | 2018-01-25 | 2019-08-02 | 中芯国际集成电路制造(上海)有限公司 | 半导体制造设备的软测量方法、计算机和计算机可读介质 |
CN108510615A (zh) * | 2018-04-02 | 2018-09-07 | 深圳智达机械技术有限公司 | 一种半导体制造设备和工艺的控制系统 |
CN108960113A (zh) * | 2018-06-26 | 2018-12-07 | 江苏师范大学 | 一种基于支持向量机的心率变异性识别方法 |
CN109767996A (zh) * | 2018-12-29 | 2019-05-17 | 上海华力微电子有限公司 | 晶圆缺陷分析系统及分析方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488182A (zh) * | 2020-11-27 | 2021-03-12 | 上海华力集成电路制造有限公司 | 一种半导体器件的良率预测方法及装置 |
CN113191399A (zh) * | 2021-04-12 | 2021-07-30 | 普赛微科技(杭州)有限公司 | 一种基于机器学习分类器提高半导体芯片良品率的方法 |
CN113191399B (zh) * | 2021-04-12 | 2022-05-27 | 普赛微科技(杭州)有限公司 | 一种基于机器学习分类器提高半导体芯片良品率的方法 |
CN114648534A (zh) * | 2022-05-24 | 2022-06-21 | 成都理工大学 | 基于视频帧聚类的管网缺陷智能识别方法及装置、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI834916B (zh) | 基於機器學習的取樣缺陷檢測 | |
CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
CN110910021A (zh) | 一种基于支持向量机监控在线缺陷的方法 | |
Devika et al. | Convolutional neural network for semiconductor wafer defect detection | |
US11686689B2 (en) | Automatic optimization of an examination recipe | |
Xu et al. | Hybrid feature selection for wafer acceptance test parameters in semiconductor manufacturing | |
Liao et al. | Similarity searching for defective wafer bin maps in semiconductor manufacturing | |
CN113191399B (zh) | 一种基于机器学习分类器提高半导体芯片良品率的方法 | |
CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
Fan et al. | Fault diagnosis of wafer acceptance test and chip probing between front-end-of-line and back-end-of-line processes | |
CN110782546A (zh) | 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法 | |
Huang et al. | The mahalanobis taguchi system—adaptive resonance theory neural network algorithm for dynamic product designs | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
US8265903B2 (en) | Method for assessing data worth for analyzing yield rate | |
US7100081B1 (en) | Method and apparatus for fault classification based on residual vectors | |
CN114912501A (zh) | 半导体加工过程传感器数据异常检测的方法 | |
Lee et al. | A new intelligent SOFM-based sampling plan for advanced process control | |
CN117649397A (zh) | 基于多聚合度邻域聚合特征的新类别工业缺陷发现方法 | |
TWI709054B (zh) | 預測模型的建立裝置、建立方法與產品品質監控系統 | |
Yong et al. | Anomaly detection of semiconductor processing data based on DTW-LOF algorithm | |
KR20230002862A (ko) | 웨이퍼 빈 맵 기반 근본 원인 분석 | |
CN114742123A (zh) | 一种用于样本不足的工控系统的工控异常检测方法 | |
Tsai et al. | Enhancing the data analysis in IC testing by machine learning techniques | |
CN113781479A (zh) | 一种基于图像分割算法的半导体外观缺陷量化方法 | |
Tao et al. | A Detection Approach for Wafer Detect in Industrial Manufacturing based on YOLOv8 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |