CN110945563A - 用于提高产出率的自动评估方法及其评估系统 - Google Patents
用于提高产出率的自动评估方法及其评估系统 Download PDFInfo
- Publication number
- CN110945563A CN110945563A CN201980003369.9A CN201980003369A CN110945563A CN 110945563 A CN110945563 A CN 110945563A CN 201980003369 A CN201980003369 A CN 201980003369A CN 110945563 A CN110945563 A CN 110945563A
- Authority
- CN
- China
- Prior art keywords
- feature
- evaluation
- defect
- detectable
- root cause
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 143
- 230000007547 defect Effects 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000003860 storage Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000000034 method Methods 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000011157 data evaluation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 229910003460 diamond Inorganic materials 0.000 description 4
- 239000010432 diamond Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
- Selective Calling Equipment (AREA)
- General Factory Administration (AREA)
Abstract
一种评估系统包括存储设备和处理电路。处理电路耦合至存储设备并且被配置为执行存储在存储设备中的指令。所述存储设备被配置用于存储进行以下操作的指令：提取分别与在对象上检测到的至少一个缺陷相对应的至少一个特征参数；分别根据所述至少一个特征参数来确定至少一个特征评估；对所述至少一个特征评估进行加权，以分别计算至少一个加权的特征评估；对所述至少一个加权的特征评估进行求和，以计算与至少一个教训吸取案例相对应的至少一个总得分；以及对与所述至少一个教训吸取案例有关的所述至少一个总得分进行排序，以找出与所述至少一个教训吸取案例中的具有更高优先级的一个相对应的疑似根本原因。
Description
发明背景
1、技术领域
本发明涉及一种自动评估方法及评估系统，更具体地，本发明涉及一种通过防止产出率损失、减少周期时间、使对后续制造工艺的影响最小化以及增加产品可靠性和准确性等等来提高产品产出率的评估方法和评估系统。
2、背景技术
缺陷，尤其是主要缺陷，会影响对象(例如用于工业应用的半导体产品)的构造和功能。存在各种类型的明显缺陷——例如刮擦、裂纹、厚度不均匀以及错位，这些缺陷可能是由加工工具、制造厂环境、原材料、前体气体固有地造成的和/或由工艺、错误操作等外在地造成的。除了通过检测缺陷并指定缺陷位置来监测工艺线和线中产品的运行状况之外，找出缺陷的根本原因在制造行业中也应发挥越来越重要的作用。
发明内容
因此，本发明提供了一种用于监测缺陷的自动评估方法和评估系统，从而防止产出率损失、减少周期时间、使对后续制造工艺的影响最小化以及提高可靠性和准确性，等等。
本申请的实施例公开了一种评估系统，其包括存储设备和处理电路。处理电路耦合至存储设备并且被配置为执行存储在存储设备中的指令。所述存储设备被配置用于存储进行以下操作的指令：提取分别与在对象上检测到的至少一个缺陷相对应的至少一个特征参数；分别根据所述至少一个特征参数来确定至少一个特征评估；对至少一个特征评估进行加权，以分别计算至少一个加权的特征评估；对所述至少一个加权的特征评估进行求和，以计算与至少一个教训吸取案例相对应的至少一个总得分；以及对与所述至少一个教训吸取案例有关的所述至少一个总得分进行排序，以找出与所述至少一个教训吸取案例中的具有更高优先级的一个相对应的疑似根本原因。
本申请的实施例公开了一种评估方法，其包括：提取分别与在对象上检测到的至少一个缺陷相对应的至少一个特征参数；分别根据所述至少一个特征参数来确定至少一个特征评估；对所述至少一个特征评估进行加权，以分别计算至少一个加权的特征评估；对所述至少一个加权的特征评估进行求和，以计算与至少一个教训吸取案例相对应的至少一个总得分；以及对与所述至少一个教训吸取案例有关的所述至少一个总得分进行排序，以找出与所述至少一个教训吸取案例中的具有更高优先级的一个相对应的疑似根本原因。
在阅读了以下在各个附图中示出的优选实施例的详细说明之后，本发明的这些和其他目的对于本领域的普通技术人员无疑将变得显而易见。
附图说明
图1是根据本发明的示例的评估系统的示意图。
图2是根据本发明的示例的评估方法的流程图。
图3是图1的评估系统中的告警的示意图。
具体实施方式
图1是根据本发明的示例的评估系统10的示意图。评估系统10可以包括处理器电路100、存储设备110和成像设备120。处理器电路100可以是微处理器或专用集成电路(ASIC)，但不限于此。存储设备110可以是能够存储程序代码114以及要由处理器电路100访问和执行的数据库的任何数据存储设备。存储设备110的示例可以是只读存储器(ROM)、闪存、随机存取存储器(RAM)、硬盘、光学数据存储设备、非易失性存储设备、非暂时性计算机可读介质，但不限于此。成像设备120可以是光学显微镜、扫描电子显微镜(SEM)、检测器或可以对对象成像以供处理器电路100处理的其他设备。
图2是根据本发明的示例的评估方法20的流程图。评估方法20可以编译到程序代码114中并且在评估系统10中使用。评估方法20包括以下步骤：
步骤200：开始
步骤202：提取与在对象上检测到的至少一个缺陷相对应的至少一个特征参数。
步骤204：分别根据所述至少一个特征参数来确定至少一个特征评估。
步骤206：对所述至少一个特征评估进行加权，以分别计算至少一个加权的特征评估。
步骤208：对所述至少一个加权的特征评估进行求和，以计算与至少一个教训吸取案例相对应的至少一个总得分。
步骤210：对与所述至少一个教训吸取案例相对应的的所述至少一个总得分进行排序，以找出与所述至少一个教训吸取案例中的具有更高优先级的一个相对应的疑似根本原因。
步骤212：结束
简而言之，本发明的评估系统10采用特征提取来获得特征参数，并且利用存储在评估系统10的存储设备110中的数据库在大数据分析中快速实现数据检索和数据匹配。根据评估方法20来检测缺陷、分析最疑似的根本原因并自动通知适当的人员可能会导致：防止产出率损失、减少周期时间、使对后续制造工艺的影响最小化以及提高可靠性和准确性。
具体而言，发现缺陷后，然后对缺陷进行检查和分类，以指明造成缺陷的设备和工艺。在步骤202中，提取与至少一个缺陷相对应的至少一个特征参数。与至少一个检测到的缺陷相对应的至少一个特征参数是用于判断至少一个检测到的缺陷的根本原因的关键信息。与至少一个检测到的缺陷相对应的至少一个特征参数可以是检测性产品符号、检测性层符号、检测性缺陷代码、检测性缺陷图、检测性缺陷计数、检测性默认检测和分类(FDC)、检测性工具状态或者检测性离线监测数据。
在一些实施例中，在步骤202中，可以利用评估系统10的成像设备120来对对象例如晶圆进行视觉表示。在一些实施例中，具有缺陷的布局图案(pattern)由成像设备120捕获。评估系统10通过将布局图案与期望的没有缺陷的布局图案进行比较来识别缺陷。当布局图案与期望的布局图案之间的差异超过预设阈值时，识别出缺陷。然后从布局图案中提取与对象的缺陷相对应的特征参数。在一些实施例中，对具有缺陷的布局图案的信息进行量化或数字化以生成特征参数。在一些实施例中，在步骤202中记录缺陷在对象上的位置以获得特征参数。
对应于至少一个特征参数，教训吸取案例可以包括至少一个预定参数。在存储在评估系统10的存储设备110中的数据库中，存在多个教训吸取案例。这些教训吸取案例中的一个教训吸取案例中的至少一个预定的参数可以是默认产品符号、默认层符号、默认缺陷代码、默认缺陷图、默认缺陷计数、默认FDC、默认工具状态、默认离线监测数据，或者默认教训吸取案例状态。
在步骤204中，分别根据至少一个特征参数来确定至少一个特征评估。此外，这些教训吸取案例中的一个教训吸取案例中的至少一个预定参数(例如，教训吸取案例一)也可以影响至少一个特征评估。至少一个特征评估中的每一个分别相关于至少一个特征参数中的一个与至少一个默认特征参数中的一个之间的相似性。在步骤206中，至少一特征评估乘以至少一个特征权重，以分别计算至少一个加权的特征评估。步骤204至步骤206可以进一步描述如下。
为了进一步说明，请参阅表1。表1示出了在图1的评估系统10中的尚未建立的进行中的教训吸取案例与在数据库中记录的另一个教训吸取案例(例如，教训吸取案例一)之间的比较。正在进行的教训吸取案例与在评估方法20中检测到的至少一个缺陷相对应。
(表1)
检测性产品符号可以与对象相关联，该对象可以是具有特定IC设计的晶圆。由于IC设计不同，因此检测性产品符号也会改变。检测性产品符号可以是例如但不限于Y009。如果默认产品符号也为Y009，则在步骤204中计算出的产品符号评估为，例如但不限于，1。换句话说，产品符号评估的大小是基于检测性产品符号与默认产品符号之间的相似性。然后将产品符号评估乘以适当的权重(即，产品符号权重)，并且在步骤206中结果是加权的产品符号评估。产品符号权重的确切值取决于产品符号评估的重要性。
检测性层符号可以与缺陷的位置相关联。缺陷的位置与设备故障或工艺故障高度相关。因为晶圆可以具有多层堆叠结构，所以在任何层中都可能发现缺陷。检测性层符号表示缺陷所在的层。检测性层符号可以是，例如但不限于，V1_CMP(或AAA)。如果默认层符号也是V1_CMP(或AAA)，则在步骤204中计算出的层符号评估将是，例如但不限于，1。换句话说，层符号评估的大小基于检测性层符号与默认层符号之间的相似性。然后将层符号评估乘以适当的权重(即，层符号权重)，并且在步骤206中结果是加权的层符号评估。层符号权重的确切值取决于层符号评估的重要性。
检测性缺陷代码可以与缺陷的类型相关联。例如，检测缺陷代码可以指示划痕或杂质，但不限于此。如果检测性缺陷代码和默认缺陷代码二者都是划痕，则在步骤204中计算出的缺陷代码评估将是，例如但不限于，1。换句话说，缺陷代码评估的大小基于检测性缺陷代码与默认缺陷代码之间的相似性。然后将缺陷代码评估乘以适当的权重(即，缺陷代码权重)，并且在步骤206中结果是加权的缺陷代码评估。缺陷代码权重的确切值取决于缺陷代码评估的重要性。
检测性缺陷图可以与缺陷的形状或大小相关联。在一些实施例中，检测性缺陷图可以指示弧形或三角形。在一些实施例中，检测性缺陷图可以指示缺陷的两个相对边缘之间的距离。如果检测性缺陷图和默认缺陷图二者都是弧形，则在步骤204中计算出的缺陷图评估将是，例如但不限于，1。换句话说，缺陷图评估的大小基于检测性缺陷图与默认缺陷图之间的相似性。然后将缺陷图评估乘以适当的权重(即，缺陷图权重)，并且在步骤206中结果是加权的缺陷图评估。缺陷图权重的确切值取决于缺陷图评估的重要性。
检测性缺陷计数可以与布局图案的缺陷的数量相关联。在步骤204中计算出的缺陷计数评估的大小等于布局图案中的缺陷的数量。然后可以将缺陷计数评估乘以适当的权重(即，缺陷计数权重)，并且在步骤206中结果是加权的缺陷计数评估。缺陷计数权重的确切值取决于缺陷计数评估的重要性。
检测性FDC可以与工艺偏移相关联。可以针对用户定义的限制对来自设备并被连续监测的传感器数据进行分析，以检测工艺偏移。工艺偏移可以是正在进行的步骤的一个或多个降级设备部分的结果，也可能是来自先前步骤中任何一个步骤的工艺或设备的结果。例如，当设备中的放电经历辉光到电弧过渡时，诸如射频功率之类的传感器数据可能会增加。如果检测性FDC和默认FDC二者都指示某些工艺偏移或没有明显的工艺偏移，则在步骤204中计算出的FDC评估将是，例如但不限于，1。换句话说，FDC评估的大小基于检测性FDC与默认FDC之间的相似性。然后将FDC评估乘以适当的权重(即，FDC权重)，并且在步骤206中结果是加权的FDC评估。FDC权重的确切值取决于FDC评估的重要性。
检测工具状态可以与正在进行的步骤或任何先前步骤的设备状态相关联。例如，如果某些设备将要维修或刚刚维护，则设备状态很可能不完美。如果默认工具状态也指示某些维护事件，则在步骤204中计算出的工具状态评估将是，例如但不限于，1。换句话说，工具状态评估的大小基于检测性工具状态与默认工具状态之间的相似性。然后将工具状态评估乘以适当的权重(即，工具状态权重)，并且在步骤206中结果是加权的工具状态评估。工具状态权重的确切值取决于工具状态评估的重要性。
检测性离线监测数据可以与设备故障相关联。具体而言，由许多重复的顺序过程组成的用于制造产品(例如晶圆)的制造程序也被应用于测试样品。在线监测数据来自产品的制造过程。另一方面，当将制造程序用于测试样品时，可以生成离线监测数据。因此，离线监测数据可以直接反映具体的设备故障。如果默认的离线监测数据也指示测试样品的某些设备故障，则在步骤204中计算出的离线监测数据评估将是，例如但不限于，1。换句话说，离线监测数据评估的大小基于检测性离线监测数据与默认离线监测数据之间的相似性。然后将离线监测数据评估乘以适当的权重(即，离线监测数据权重)，并且在步骤206中结果是加权的离线监测数据评估。离线监测数据权重的确切值取决于离线监测数据评估的重要性。
默认的教训吸取案例状态可以与教训吸取案例的诊断可靠性、准确性或确定性相关联(例如，表1和表2中所示的教训吸取案例一)。例如，某些教训吸取案例可能没有足够的证据来对缺陷的根本原因做出明确的结论；但是，教训吸取案例可以表明某些根本原因最有可能是真实的。在这种情况下，对教训吸取案例一的判断越明确，教训吸取案例的状态评估就越高。换句话说，在步骤204中计算出的缺陷计数评估的大小是基于教训吸取案例一的诊断确定性的。然后将教训吸取案例状态评估乘以适当的权重(即，教训吸取案例状态权重)，并且在步骤206中结果是加权的教训吸取案例状态评估。教训吸取案例状态权重的确切值取决于教训吸取案例状态评估的重要性。
在步骤208中，与(记录的)教训吸取案例(例如，教训吸取案例一)相对应的总得分是加权的特征评估的总和。例如，产品符号评估、层符号评估、缺陷代码评估、缺陷图评估、缺陷计数评估、FDC评估、工具状态评估、离线监测数据评估、教训吸取案例状态评估可以分别是1、1、1、1、3、1、0、0和0.5。产品符号权重、层符号权重、缺陷代码权重、缺陷图权重、缺陷计数权重、FDC权重、工具状态权重、离线监测数据权重、教训吸取案例状态权重可以分别为0.5、0.5、3、5、1、1、10、7和4。加权的产品符号评估、加权的层符号评估、加权的缺陷代码评估、加权的缺陷图评估、加权的缺陷计数评估、加权的FDC评估、加权的工具状态评估、加权的离线监测数据评估以及加权的教训吸取案例状态评估则可以分别是0.5(0.5＝0.5*1)、0.5(0.5＝0.5*1)、3(3＝3*1)、5(5＝5*1)、3(3＝1*3)、1(1＝1*1)、0(0＝10*0)、0(0＝7*0)和2(2＝4*0.5)。
通过对所有加权的特征评估进行求和，计算出与(记录的)教训吸取案例(例如，教训吸取案例一)相对应的总得分。例如，可以通过将加权的产品符号评估、加权的层符号评估、加权的缺陷代码评估、加权的缺陷图评估、加权的缺陷计数评估、加权的FDC评估、加权的工具状态评估、加权的离线监测数据评估以及加权的教训吸取案例状态评估相加到一起来获得与(记录的)教训吸取案例一相对应的总得分。其等于15。
在步骤210中，分别根据它们相应的总得分来计算所有教训吸取案例的排名。以这种方式，确定了与至少一个具有较高优先级的教训吸取案例相对应的疑似根本原因。例如，(记录的)教训吸取案例一获得总得分15表示在电弧放电工艺中可能发生制造工艺问题，这被认为是所提出的根本原因。数据库中记录的与(记录的)教训吸取案例二相对应的总得分是45，并且教训吸取案例二表示制造工艺问题可能发生于金刚石刀片期间，这被认为是所提出的根本原因。与(记录的)教训吸取案例三相对应的总得分为7，而教训吸取案例三则表示制造工艺问题可能发生在化学机械抛光/平面化(CMP)工艺中，这被认为是所提出的根本原因。与(记录的)教训吸取案例四相对应的总得分为13，而教训吸取案例四则表示制造工艺问题可能发生在退火工艺中，这被认为是所提出的根本原因。
由于教训吸取案例二的得分高于其他教训吸取案例，因此最疑似的根本原因可能是金刚石刀片。为了进一步说明步骤210，请参阅表2。表2示出了关于图1的评估系统10中的所有(记录的)教训吸取案例的信息。尽管仅示出了教训吸取案例一至教训吸取案例四，但本发明不限于此，教训吸取案例的数量可以改变。
(表2)
根据教训吸取案例二指示的最疑似根本原因，将执行金刚石刀片工艺的特定执行设备选甄别为切割设备YND3。在一些实施例中，可以自动发出关于最疑似根本原因的告警以通知用户或技术人员，并且疑似根本原因(例如，具有金刚石刀片的切割设备YND3的不可靠性)指示为什么出现该至少一个缺陷。评估系统10可以自动编辑告警，以指示最疑似的根本原因，并提供与检测到的缺陷相对应的至少一个特征参数的详细信息。它允许工程师配置在检测到缺陷时必须采取的措施。为了进一步说明，请参阅图3。图3是图1的评估系统10中的告警的示意图。在一些实施例中，评估系统10可以自动采取预设动作。检测此类缺陷、分析最疑似的根本原因并自动通知适当人员可以实现防止产出率损失、减少周期时间、使对后续制造工艺的影响最小化以及提高可靠性和准确性。
在一些实施例中，表1和图3中所示的正在进行的教训吸取案例变为新的教训吸取案例。在一些实施例中，可以将与当前检测到的缺陷和/或最疑似的根本原因相对应的至少一个特征参数的详细信息建立为新的教训吸取案例。新的教训吸取案例将保存在评估系统10的存储设备110中的数据库中。换句话说，评估系统10的数据库是动态的，并且可以在运行时改变。
在一些实施例中，可以将由评估系统10判断的最疑似根本原因(根据教训吸取案例二)与通过人眼手动检查判断的可能根本原因进行比较。计算出评估系统10的确定准确度。如果评估系统10的确定准确度高于手动检查的确定准确度，则可以自动向用户通知关于最疑似根本原因的告警。以这种方式，减少了周期时间、减少了对后续制造工艺的影响，并提高了准确度。
可以以复杂的方式来确定特征权重。具体而言，请参照表3至表5。表3示出了在图1的评估系统10中的尚未建立的(进行中的)教训吸取案例与在数据库中记录的具有未优化的特征权重的另一个(记录的)教训吸取案例(例如，教训吸取案例一)之间的比较。表4示出了关于图1的评估系统10中的所有(记录的)教训吸取案例的信息。表5再次示出了尚未建立的进行中的教训吸取案例与图1的评估系统10中具有优化的特征权重的、所记录的教训吸取案例之间的比较。
(表3)
(表4)
(表5)
为了确定适当的特征权重，可以最初将每个特征评估的特征权重(或特征初始权重)分别设置为1。例如，产品符号权重、层符号权重、缺陷代码权重、缺陷图权重、缺陷计数权重、FDC权重、工具状态权重、离线监测数据权重以及教训吸取案例状态权重都可以设置为1。在这种情况下，加权的产品符号评估、加权的层符号评估、加权的缺陷代码评估、加权的缺陷图评估、加权的缺陷计数评估、加权的FDC评估、加权的工具状态评估、加权的离线监测数据评估、加权的教训吸取案例状态评估则可以分别改变为1(1＝1*1)、1(1＝1*1)、1(1＝1*1)、1(1＝1*1)、3(3＝1*3)、1(1＝1*1)、0(0＝1*0)、0(0＝1*0)、0.5(0.5＝1*0.5)。
如步骤208所示，通过对所有加权的特征评估进行求和来计算与教训吸取案例相对应的总得分。例如，在这种情况下，与(记录的)教训吸取案例一相对应的总分可以等于8.5。在步骤210中，分别根据它们相应的总得分来计算所有教训吸取案例的排名。例如，教训吸取案例二的获得了较高的得分，最疑似的根本原因可以是电弧放电工艺。
可以将由评估系统10判断的最疑似的根本原因(根据教训吸取案例二)与标准答案进行比较，该标准答案可以是真实情况，或者可以根据使用人眼的手动检查找到。在一些实施例中，基于工具、阶段、模块或产品信息来计算由评估系统10判断的所提出的根本原因与标准答案之间的匹配值，以便确定模式特征权重。在一些实施例中，可以利用权重分析方法来计算特征权重。在一些实施例中，可以通过执行预定的统计分析(例如线性回归算法、多线性回归算法或线性代数)来确定特征权重。这样，至少一个特征初始权重可以被改变为分别在表5中示出的至少一个特征权重。
在一些实施例中，可以手动执行评估方法。例如，图4是根据本发明的示例的、手动执行的评估方法40的流程图。评估方法40包括以下步骤：
步骤400：开始
步骤402：当至少一个缺陷发生时，手动收集在对象上检测到的至少一个缺陷的现场数据。
步骤404：对所述现场数据进行手动分析以确定疑似根本原因。
步骤406：手动发出关于所述疑似根本原因的告警，其中，所述疑似根本原因指示所述至少一个缺陷为什么发生。
步骤408：用所述告警来手动通知适当人员。
步骤410：结束
如上所述，由于评估方法40是手动执行的，因此与自动的评估方法20相比，可能需要更多时间来完成通知。因此，周期时间可以增加。此外，随后的制造过程可能会受到影响，并且准确度会下降。
总而言之，本发明的评估系统10采用特征提取来获得特征参数，并且利用存储在评估系统10的存储设备110中的数据库在大数据分析中快速实现数据检索和数据匹配。根据评估方法20来检测缺陷、分析最疑似的根本原因并自动通知适当的人员可能会导致：防止产出率损失、减少周期时间、使对后续制造工艺的影响最小化以及提高可靠性和准确性。
本领域技术人员将容易观察到：在保持本发明的教导的同时，可以对设备和方法进行多种修改和变更。因此，以上公开内容应被解释为仅由所附权利要求的界限来限定。
Claims (20)
1.一种评估系统，包括：
存储设备，用于存储进行以下操作的指令：
提取分别与在对象上检测到的至少一个缺陷相对应的至少一个特征参数；
分别根据所述至少一个特征参数来确定至少一个特征评估；
对所述至少一个特征评估进行加权，以分别计算至少一个加权的特征评估；
对所述至少一个加权的特征评估进行求和，以计算与至少一个教训吸取案例相对应的至少一个总得分；以及
对与所述至少一个教训吸取案例对应的所述至少一个总得分进行排序，以找出与所述至少一个教训吸取案例中的具有更高优先级的一个相对应的疑似根本原因；以及
处理电路，耦合至所述存储设备，被配置为执行存储在所述存储设备中的所述指令。
2.根据权利要求1所述的评估系统，其中，所述存储设备还存储进行以下操作的指令：
自动发出关于所述疑似根本原因的告警，其中，所述疑似根本原因指示所述至少一个缺陷为什么发生。
3.根据权利要求1所述的评估系统，其中，与所述至少一个缺陷相对应的所述至少一个特征参数包括下列各项中的至少一项：检测性产品符号、检测性层符号、检测性缺陷代码、检测性缺陷图、检测性缺陷计数、检测性FDC、检测性工具状态、检测性离线监测数据以及检测性教训吸取案例状态。
4.根据权利要求1所述的评估系统，其中，所述至少一个特征评估中的每一个分别相关于所述至少一个特征参数中的一个与至少一个默认特征参数中的一个之间的相似性。
5.根据权利要求1所述的评估系统，其中，所述至少一个特征评估被乘以至少一个特征权重，以分别计算所述至少一个加权的特征评估，并且所述至少一个特征权重是分别根据线性回归算法来确定的。
6.根据权利要求5所述的评估系统，其中，至少一个特征初始权重分别被设置为1，并且分别根据线性回归算法被改变为所述至少一个特征权重。
7.根据权利要求5所述的评估系统，其中，计算至少一个提议的根本原因与标准答案之间的至少一个匹配值，以分别确定所述至少一个特征权重。
8.根据权利要求1所述的评估系统，其中，所述对象是晶圆。
9.根据权利要求1所述的评估系统，其中，将与所述至少一个缺陷和所述疑似根本原因相对应的所述至少一个特征参数建立为新的教训吸取案例，并将所述新的教训吸取案例存储在所述存储设备中。
10.根据权利要求1所述的评估系统，还包括：
成像设备，其被配置为对所述对象进行成像以供所述处理器电路处理。
11.一种评估方法，包括：
提取分别与在对象上检测到的至少一个缺陷相对应的至少一个特征参数；
分别根据所述至少一个特征参数来确定至少一个特征评估；
对所述至少一个特征评估进行加权，以分别计算至少一个加权的特征评估；
对所述至少一个加权的特征评估进行求和，以计算与至少一个教训吸取案例相对应的至少一个总得分；以及
对与所述至少一个教训吸取案例对应的所述至少一个总得分进行排序，以找出与所述至少一个教训吸取案例中的具有更高优先级的一个相对应的疑似根本原因。
12.根据权利要求11所述的评估方法，还包括：
自动发出关于所述疑似根本原因的告警，其中，所述疑似根本原因指示所述至少一个缺陷为什么发生。
13.根据权利要求11所述的评估方法，其中，与所述至少一个缺陷相对应的所述至少一个特征参数包括下列各项中的至少一项：检测性产品符号、检测性层符号、检测性缺陷代码、检测性缺陷图、检测性缺陷计数、检测性FDC、检测性工具状态、检测性离线监测数据以及检测性教训吸取案例状态。
14.根据权利要求11所述的评估方法，其中，所述至少一个特征评估中的每一个分别相关于所述至少一个特征参数中的一个与至少一个默认特征参数中的一个之间的相似性。
15.根据权利要求11所述的评估方法，其中，所述至少一个特征评估被乘以与至少一个特征权重，以分别计算所述至少一个加权的特征评估，并且所述至少一个特征权重是分别根据线性回归算法来确定的。
16.根据权利要求15所述的评估方法，其中，至少一个特征初始权重分别被设置为1，并且分别根据线性回归算法被改变为所述至少一个特征权重。
17.根据权利要求15所述的评估方法，其中，计算至少一个提议的根本原因与标准答案之间的至少一个匹配值，以分别确定所述至少一个特征权重。
18.根据权利要求11所述的评估方法，其中，所述对象是晶圆。
19.根据权利要求11所述的评估方法，其中，将与所述至少一个缺陷和所述疑似根本原因相对应的所述至少一个特征参数建立为新的教训吸取案例，并将所述新的教训吸取案例存储在数据库中。
20.根据权利要求11所述的评估方法，其中，成像设备被配置为对所述对象进行成像以检测所述至少一个缺陷。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/116814 WO2021088027A1 (en) | 2019-11-08 | 2019-11-08 | Automatic assessment method and assessment system thereof for yield improvement |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110945563A true CN110945563A (zh) | 2020-03-31 |
Family
ID=69913010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980003369.9A Pending CN110945563A (zh) | 2019-11-08 | 2019-11-08 | 用于提高产出率的自动评估方法及其评估系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11480531B2 (zh) |
| CN (1) | CN110945563A (zh) |
| TW (1) | TWI784228B (zh) |
| WO (1) | WO2021088027A1 (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1392954A (zh) * | 2000-10-02 | 2003-01-22 | 应用材料有限公司 | 缺陷知识库 |
| CN102576045A (zh) * | 2009-07-01 | 2012-07-11 | 克拉-坦科股份有限公司 | 对时变的缺陷分类性能的监视 |
| US20140212021A1 (en) * | 2013-01-31 | 2014-07-31 | Applied Materials Israel Ltd. | System, a method and a computer program product for patch-based defect detection |
| CN106104575A (zh) * | 2016-06-13 | 2016-11-09 | 北京小米移动软件有限公司 | 指纹模板生成方法及装置 |
| CN107203450A (zh) * | 2016-03-16 | 2017-09-26 | 伊姆西公司 | 故障的分类方法和设备 |
| CN108898051A (zh) * | 2018-05-22 | 2018-11-27 | 广州洪森科技有限公司 | 一种基于视频流的人脸识别方法及系统 |
| CN110109821A (zh) * | 2019-03-19 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 软件程序质量评价方法、装置、计算机设备及存储介质 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4220595B2 (ja) | 1998-08-10 | 2009-02-04 | 株式会社日立製作所 | 欠陥の分類方法並びに教示用データ作成方法 |
| US6466895B1 (en) * | 1999-07-16 | 2002-10-15 | Applied Materials, Inc. | Defect reference system automatic pattern classification |
| US7904845B2 (en) | 2006-12-06 | 2011-03-08 | Kla-Tencor Corp. | Determining locations on a wafer to be reviewed during defect review |
| US7805258B2 (en) * | 2007-02-16 | 2010-09-28 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for film stress and curvature gradient mapping for screening problematic wafers |
| US7805639B2 (en) | 2007-08-16 | 2010-09-28 | International Business Machines Corporation | Tool to report the status and drill-down of an application in an automated manufacturing environment |
| US8260034B2 (en) | 2008-01-22 | 2012-09-04 | International Business Machines Corporation | Multi-modal data analysis for defect identification |
| CN101847163B (zh) | 2010-05-28 | 2012-06-13 | 广东工业大学 | 一种多特征融合的外观设计专利图像检索方法 |
| TWI447605B (zh) | 2011-06-22 | 2014-08-01 | Inotera Memories Inc | 半導體製程之失效偵測方法及執行此方法之系統架構 |
| US8607169B2 (en) | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
| US9053390B2 (en) | 2012-08-14 | 2015-06-09 | Kla-Tencor Corporation | Automated inspection scenario generation |
| CN103295930B (zh) * | 2013-06-04 | 2017-07-07 | 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 |
| KR102124111B1 (ko) | 2013-10-02 | 2020-06-18 | 에이에스엠엘 네델란즈 비.브이. | 산업 공정과 관련된 진단 정보를 얻는 방법 및 장치 |
| US10430719B2 (en) * | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
| JP6329923B2 (ja) * | 2015-06-08 | 2018-05-23 | 東京エレクトロン株式会社 | 基板の検査方法、コンピュータ記憶媒体及び基板検査装置 |
| TWI637250B (zh) | 2017-03-31 | 2018-10-01 | 林器弘 | 智慧加工調變系統及方法 |
| US10839507B2 (en) * | 2017-11-30 | 2020-11-17 | Taiwan Semiconductor Manufacturing Co., Ltd. | Defect offset correction |
| US11423035B2 (en) * | 2019-02-04 | 2022-08-23 | Pearson Education, Inc. | Scoring system for digital assessment quality with harmonic averaging |
| CN110243834B (zh) * | 2019-07-11 | 2020-03-31 | 西南交通大学 | 基于知识图谱的变压器设备缺陷分析方法 |
-
2019
- 2019-11-08 WO PCT/CN2019/116814 patent/WO2021088027A1/en active Application Filing
- 2019-11-08 CN CN201980003369.9A patent/CN110945563A/zh active Pending
- 2019-12-24 US US16/726,275 patent/US11480531B2/en active Active
- 2019-12-30 TW TW108148323A patent/TWI784228B/zh active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1392954A (zh) * | 2000-10-02 | 2003-01-22 | 应用材料有限公司 | 缺陷知识库 |
| CN102576045A (zh) * | 2009-07-01 | 2012-07-11 | 克拉-坦科股份有限公司 | 对时变的缺陷分类性能的监视 |
| US20140212021A1 (en) * | 2013-01-31 | 2014-07-31 | Applied Materials Israel Ltd. | System, a method and a computer program product for patch-based defect detection |
| CN107203450A (zh) * | 2016-03-16 | 2017-09-26 | 伊姆西公司 | 故障的分类方法和设备 |
| CN106104575A (zh) * | 2016-06-13 | 2016-11-09 | 北京小米移动软件有限公司 | 指纹模板生成方法及装置 |
| CN108898051A (zh) * | 2018-05-22 | 2018-11-27 | 广州洪森科技有限公司 | 一种基于视频流的人脸识别方法及系统 |
| CN110109821A (zh) * | 2019-03-19 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 软件程序质量评价方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11480531B2 (en) | 2022-10-25 |
| US20210140897A1 (en) | 2021-05-13 |
| TW202119336A (zh) | 2021-05-16 |
| WO2021088027A1 (en) | 2021-05-14 |
| TWI784228B (zh) | 2022-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6265232B1 (en) | Yield based, in-line defect sampling method | |
| WO2013035421A1 (ja) | 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法 | |
| JP4694618B2 (ja) | 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体 | |
| US6701204B1 (en) | System and method for finding defective tools in a semiconductor fabrication facility | |
| US20040028267A1 (en) | Wafer inspection methods and an optical inspection tool | |
| KR19990066870A (ko) | 결함 해석 방법, 기록 매체 및 공정 관리 방법 | |
| JP2001230289A (ja) | 欠陥解析方法および欠陥解析システム | |
| US20120029679A1 (en) | Defect analysis method of semiconductor device | |
| TWI235447B (en) | Method and system for analyzing defects of an integrated circuit wafer | |
| JP2019196985A (ja) | 検査装置及び検査方法 | |
| TWI755468B (zh) | 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法 | |
| JP4652917B2 (ja) | 欠陥データ処理方法、およびデータの処理装置 | |
| JP2012173017A (ja) | 欠陥分類装置 | |
| KR20160139207A (ko) | 기판의 결함 검사 방법 | |
| JP4611369B2 (ja) | デバイスの製造方法 | |
| CN110945563A (zh) | 用于提高产出率的自动评估方法及其评估系统 | |
| JP2010287179A (ja) | 画像検査装置、画像検査方法および画像検査プログラム | |
| CN115621145A (zh) | 一种晶圆缺陷检测优化方法及设备 | |
| JP2022169974A (ja) | 検査方法、情報処理装置、及びプログラム | |
| JP6744365B2 (ja) | 検査方法及び検査システム | |
| JP2004296826A (ja) | 品質管理装置及び品質管理方法 | |
| CN115621147B (zh) | 晶圆检测方法、装置及电子设备 | |
| JP5241302B2 (ja) | 特性分布解析方法および装置、基板分類方法および装置、上記特性分布解析方法または基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| US6658361B1 (en) | Heaviest only fail potential | |
| JP2023036131A (ja) | 検査システム、方法、及びプログラム |
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 |