CN111814116B - 用于分析晶圆失效指标的方法和设备以及计算机可读介质 - Google Patents
用于分析晶圆失效指标的方法和设备以及计算机可读介质 Download PDFInfo
- Publication number
- CN111814116B CN111814116B CN202010668775.1A CN202010668775A CN111814116B CN 111814116 B CN111814116 B CN 111814116B CN 202010668775 A CN202010668775 A CN 202010668775A CN 111814116 B CN111814116 B CN 111814116B
- Authority
- CN
- China
- Prior art keywords
- curve
- wafer
- randomization
- wafers
- failure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 237
- 235000012431 wafers Nutrition 0.000 claims abstract description 214
- 230000008569 process Effects 0.000 claims abstract description 166
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 25
- 238000013519 translation Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 85
- 230000014616 translation Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q50/00—Systems or methods specially adapted for 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
Abstract
本文描述了用于分析晶圆的失效指标的方法和设备以及计算机可读介质。在此描述的用于分析晶圆的失效指标的方法包括:针对多个批次的晶圆,分别确定制造工艺的多个工序的晶圆随机化标识符与表示失效程度的失效指标之间的拟合关系;针对所述多个工序,分别基于与所述多个批次中的参考批次的晶圆相对应的拟合关系和与所述多个批次中的其余批次的晶圆相对应的拟合关系之间的比较,确定相应的相似度值;以及基于与所述多个工序分别相对应的所述相似度值,确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与对应于所述失效指标的失效问题之间的相关性。
Description
技术领域
本公开的实施例一般地涉及芯片制造技术领域,并且更具体地涉及用于分析晶圆的失效指标的方法和设备以及计算机可读介质。
背景技术
芯片的制造工艺流程包括多个工序。在每个工序中,可能使用一个或多个生产机台。生产机台可以由至少一个工艺腔室构成,各个工艺腔室在某种程度上相互独立。每个批次的晶圆具有固有的晶圆标识符(ID)。例如,每个批次的晶圆可以具有晶圆ID(#1至25)。
各个批次的晶圆按照晶圆ID(#)从小到大的顺序分别依次进入生产机台和工艺腔室以进行相应的工序。在其中一个工艺腔室发生问题时,就会导致在一个批次的晶圆中,每两片、每三片或每四片晶圆中一片晶圆出现问题。这就是所谓的基于晶圆ID的by2/by3/by4失效规律。在上千道工序的整个工艺流程中,由于存在很多遵循这种失效规律的生产机台,在执行工艺腔室共性分析以便找出导致低良率事件的工艺腔室时,会发现很多工序的工艺腔室都与失效晶圆具有共性,导致无法快速找到真正出问题的工艺腔室。
发明内容
本公开的实施例提供了用于分析晶圆的失效指标的方法和设备以及计算机可读介质,其能够有效地确定与晶圆随机化标识符相关联的工序与失效问题之间的相关性。
在第一方面,提供了一种用于分析晶圆的失效指标的方法。该方法包括:针对多个批次的晶圆,分别确定制造工艺的多个工序的晶圆随机化标识符与表示失效程度的失效指标之间的拟合关系;针对所述多个工序,分别基于与所述多个批次中的参考批次的晶圆相对应的拟合关系和与所述多个批次中的其余批次的晶圆相对应的拟合关系之间的比较,确定相应的相似度值;以及基于与所述多个工序分别相对应的所述相似度值,确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与对应于所述失效指标的失效问题之间的相关性。
在一些实施例中,所述多个批次的晶圆在所述制造工艺的多个阶段中分别具有通过晶圆随机化而重新排序的晶圆随机化标识符,每个阶段包括一个或多个工序。
在一些实施例中,确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与对应于所述失效指标的失效问题之间的相关性包括:如果确定与特定工序相对应的所述相似度值均大于阈值,确定所述工序的所述晶圆随机化标识符与所述失效问题相关。
在一些实施例中,确定制造工艺的多个工序的晶圆随机化标识符与表示失效程度的失效指标之间的拟合关系包括:确定所述晶圆随机化标识符与所述失效指标之间的由多项式表示的拟合曲线。
在一些实施例中,确定相应的相似度值包括:将与所述其余批次中的每个批次的晶圆相对应的拟合曲线在所述晶圆随机化标识符的轴的方向上移位,每次移位一位,并且移位的次数与每个批次的晶圆的所述晶圆随机化标识符的数目相对应;基于与所述参考批次的晶圆相对应的参考拟合曲线和与所述其余批次中的每个批次的晶圆相对应的拟合曲线经过每次移位后的第一曲线之间的比较,确定多次移位的相似度值;以及从多次移位的相似度值中选择最大值作为与每个工序相对应的所述相似度值。
在一些实施例中,确定多次移位的相似度值包括:确定所述参考拟合曲线中与所述第一曲线不重叠的部分,并且将所述参考拟合曲线的所述部分平移到相对端部处,使得所述部分在所述相对端部处与所述第一曲线重叠;在所述第一曲线和与所述参考拟合曲线经过部分平移之后的第二曲线重叠时,确定所述第一曲线与所述第二曲线之间的相似度值;以及将多次重叠时的相似度值确定为多次移位的相似度值。
在一些实施例中,确定所述第一曲线与所述第二曲线之间的相似度值包括:通过人工智能识别方法来确定所述第一曲线与所述第二曲线之间的相似度值。
在一些实施例中,确定所述第一曲线与所述第二曲线之间的相似度值包括:计算所述第一曲线和所述第二曲线中的与所述晶圆随机化标识符相对应的各个区段与所述晶圆随机化标识符的轴形成的面积的重合面积部分,以确定针对各个区段的相似度;将针对各个区段的重合面积部分除以所述重合面积部分之和,以确定针对各个区段的占比系数;将针对各个区段的相似度分别乘以针对各个区段的占比系数,以确定针对各个区段的乘积;以及将所述乘积相加,以确定所述第一曲线与所述第二曲线之间的相似度值。
在一些实施例中,将与所述其余批次中的每个批次的晶圆相对应的拟合曲线在所述晶圆随机化标识符的轴的方向上移位包括:如果确定所述其余批次中的特定批次的晶圆的所述晶圆随机化标识符的数目小于所述参考批次的晶圆的所述晶圆随机化标识符的数目,则根据所述特定批次的晶圆的所述晶圆随机化标识符的先后顺序,重新顺序地排列所述晶圆随机化标识符,以生成归一化的晶圆随机化标识符;基于与所述特定批次的晶圆相对应的拟合曲线,确定针对所述归一化的晶圆随机化标识符的归一化曲线;以及将所述归一化曲线在所述归一化的晶圆随机化标识符的轴的方向上移位,每次移位一位,并且移位的次数与所述归一化的晶圆随机化标识符的数目相对应。
在一些实施例中,确定多次移位的相似度值包括:在每次移位之后的所述归一化曲线和与所述参考拟合曲线重叠时,确定所述归一化曲线和与所述参考拟合曲线之间的相似度值;以及将多次重叠时的相似度值确定为多次移位的相似度值。
在一些实施例中,确定制造工艺的多个工序的晶圆随机化标识符与表示失效程度的失效指标之间的拟合关系包括:确定所述多个工序的各个处理工具的所述晶圆随机化标识符与所述失效指标之间的拟合关系。
在一些实施例中,确定相应的相似度值包括:确定所述晶圆随机化标识符与所述失效指标之间的由多项式表示的拟合曲线;以及针对所述多个工序的各个处理工具,分别基于与所述参考批次的晶圆相对应的参考拟合曲线与所述其余批次的晶圆相对应的拟合曲线之间的比较,确定相应的相似度值。
在一些实施例中,确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与对应于所述失效指标的失效问题之间的相关性包括:基于与所述多个工序的各个处理工具分别相对应的所述相似度值,确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与所述失效问题之间的相关性。
在一些实施例中,确定相应的相似度值包括:对与所述多个批次中的参考批次的晶圆相对应的拟合关系和与所述多个批次中的其余批次的晶圆相对应的拟合关系执行关键特征提取;以及基于关键特征提取之后的拟合关系之间的比较,确定相应的相似度值。
在一些实施例中,所述方法进一步包括:如果确定所述多个批次中的至少两个批次的与特定工序相对应的所述相似度值高于预定值,发送与所述工序相关联的警告信息,其中所述多个批次包括待确定失效的批次。
在第二方面,提供了一种电子设备。该电子设备包括:处理单元;存储器,耦合至所述处理单元并且包括存储于其上的程序,所述程序在由所述处理单元执行时使所述电子设备执行所述方法。
在第三方面,提供了一种计算机可读存储介质。该计算机可读存储介质上存储有机器可执行指令,当所述机器可执行指令在被至少一个处理器执行时,使得所述至少一个处理器实现上述方法。
根据本公开的实施例,用于分析晶圆的失效指标的方案能够有效地确定与晶圆随机化标识符相关联的工序与失效问题之间的相关性。以此方式,能够在工艺流程的多个工序中快速找出出现失效问题的工序及其工艺腔室。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。在本公开的示例性实施例中,相同的参考标号通常代表相同部件。在附图中:
图1A至图1D示出了晶圆随机化标识符与失效指标的拟合曲线;
图2是示出根据本公开的实施例的用于分析晶圆的失效指标的方法的流程图;
图3示出了针对一道工序的晶圆随机化标识符与失效指标的拟合曲线;
图4A和图4B分别示出了针对一道工序中的两个工艺腔室的晶圆随机化标识符与失效指标的拟合曲线;
图5A至图5C分别示出了针对一道工序的三个批次的晶圆的晶圆随机化标识符与失效指标的拟合曲线;
图6示出了针对一道工序的晶圆随机化标识符与失效指标的拟合曲线;
图7A至图7C是分别示出根据本公开的实施例的针对一道工序的两个批次的晶圆的晶圆随机化标识符与失效指标的拟合曲线之间的比较的示意图;
图8示出了针对一道工序的晶圆随机化标识符与失效指标的拟合曲线;
图9示出了根据本公开的实施例的针对一道工序的归一化晶圆随机化标识符与失效指标的拟合曲线;
图10是示出根据本公开的实施例的针对一道工序的归一化晶圆随机化标识符与失效指标的拟合曲线与参考拟合曲线之间的比较的示意图;
图11A和图11B是示出根据本公开的实施例的用于说明拟合曲线相似度数学计算模型的示意图;以及
图12是示出用于实施本公开的实施例的电子设备的示意性框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中示出了本公开的优选实施例,然而应该理解,本公开可以以各种形式实现而不应被这里阐述的实施例限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
传统方案提出了在制造工艺流程中多次插入执行晶圆随机化。通过晶圆随机化,每个批次的晶圆不再按照固有的晶圆ID(#)的顺序依次进入机台以用于进行相应工序,而是每数道工序就被打乱一次,即,重新随机排序。机台会根据重新随机排序的晶圆的顺序来对该批次的晶圆依次进行处理。经过重新随机排序的晶圆具有晶圆随机化标识符(SlotID)。下文中,晶圆随机化标识符可以被简称为随机化ID。
在工艺流程中,随着各个工序的执行,将会依次插入多次晶圆随机化。因此,各个批次的晶圆在每次晶圆随机化之后具有不同的随机化ID,并且每个批次的晶圆按照在当前工序中具有的随机化ID的顺序依次进入该工序的机台。这样,在机台中的工艺腔室出问题,就能基于对应的随机化ID通过工艺腔室共性分析找到出问题工序的工艺腔室。
如上所述,随机化ID通过分段重新排序来打乱晶圆ID的by2/by3/by4失效规律,以帮助工艺腔室共性分析。此外,在晶圆失效分析时,对制造工艺流程中的各个不同的随机化ID与晶圆失效的相关性进行分析,来找到出问题的工序。
通过良率管理系统,将待分析的晶圆的失效指标(metric)和随机化ID进行相关性统计分析,以找出从统计学角度高相关的随机化ID所对应的工序。失效指标可以是指各种失效形式、失效严重程度的数值表征,诸如bin的良率损失、测试参数数值、晶圆可接受性测试参数数值等。
图1A至图1D示出了随机化ID与失效指标的拟合曲线。在图1A至图1D中,横坐标表示随机化ID,作为示例,例如1至25,并且纵坐标表示一种失效指标。
随机化ID和失效指标除了像by2/by3/by4等的特定失效规律,通常可能还会有如下相关性:与一个批次中的其它随机化ID相比,与最后几个随机化ID相对应的失效指标不同,如图1A所示;与前面几个随机化ID相对应的失效指标不同,如图1B所示;以及与首尾的随机化ID相对应的失效不同,如图1C所示。比如,在湿法蚀刻工序中,如果发生失效问题,则在随机化ID和失效指标之间通常具有图1C所示的拟合曲线。因此,如果得到的随机化ID和失效指标之间的拟合曲线与如图1C所示的拟合曲线相似,则基于相关性统计分析,确定在湿法蚀刻工序可能发生失效问题。
但是,不是所有失效批次都遵循随机化ID和失效指标之间的拟合曲线的上述特定的规律。图1D示出了随机化ID与失效指标的另一种拟合曲线。
如图1D所示,根据针对一个工序的随机化ID和失效指标之间的拟合曲线,纵轴的失效指标几乎不随横轴随机化ID变化。在此情况下,通过相关性统计分析只能得出该工序的随机化ID与失效问题没有相关性。然而,在实际实践中,与该随机化ID相对应的工序就可能与失效问题相关,只是失效问题没有通过相关性统计分析而被体现出来。这种传统方案中的随机化ID与失效指标之间的相关性统计不能发现与随机化ID相关的隐藏的失效问题。
至少为了解决上述问题,本公开的实施例提供了用于分析晶圆的失效指标的改进方案。根据实施例,针对多个批次的晶圆,分别确定多个工序的随机化ID与失效指标之间的拟合关系。针对多个工序,分别基于与参考批次的晶圆相对应的拟合关系和与其余批次的晶圆相对应的拟合关系之间的比较,来确定对应工序的相应的相似度值。基于与多个工序分别相对应的各个相似度值,确定多个工序中的至少一个工序的随机化ID与失效问题之间的相关性。这样,通过针对每个工序将随机化ID与失效指标之间的诸如拟合曲线的拟合关系进行相似度比较,基于拟合关系之间的相似度值来确定与随机化ID相对应的该工序与失效问题之间的相关性。以此方式,通过所确定的相关性报告能够有效地确定哪道工序中出现了失效问题,从而尽早采取对应措施来降低生产线的损失。
下文中将结合附图参考各种实施例来详细描述本公开的各种示例实施例。
图2示出根据本公开的实施例的用于分析晶圆的失效指标的方法200的流程图。
在框202,针对多个批次的晶圆,分别确定制造工艺的多个工序的晶圆随机化标识符与表示失效程度的失效指标之间的拟合关系。
在一些实施例中,每个批次的多个晶圆在每个工序中具有对应的晶圆随机化标识符。多个批次的晶圆在制造工艺的多个阶段中分别具有通过晶圆随机化而重新排序的晶圆随机化标识符,每个阶段包括一个或多个工序。每个批次的晶圆在制造工艺的不同阶段具有不同晶圆随机化标识符。
在一些实施例中,在每个工序中,具有对应的晶圆随机化标识符的每个批次的晶圆经过工艺处理,并且获取对应的失效指标。失效指标可以是指各种失效形式、失效严重程度的数值表征。失效指标可以包括bin的良率损失、测试参数数值、晶圆可接受性测试参数数值等。针对每个工序,确定与每个批次的多个晶圆分别相对应的失效指标。
在一些实施例中,通过各种已知工具,针对每个工序,确定每个批次的晶圆的晶圆随机化标识符与失效指标之间的拟合关系。因此,通过框202,可以确定每个批次的晶圆在各个工序中的晶圆随机化标识符与失效指标之间的相应拟合关系。在一些实施例中,通过良率管理工具,对晶圆随机化标识符与失效指标进行多项式拟合,以确定由多项式表示的拟合曲线。每个批次的晶圆在每个工序中具有一个拟合曲线。
在一些实施例中,在一个工序中可能要使用一个或多个工艺腔室或处理工具。在一个工序中利用多个处理工具的情况下,可以针对每个工序的各个处理工具,分别确定晶圆随机化标识符与失效指标之间的拟合关系。这样,针对每个工序中利用的每个处理工具,确定每个批次的晶圆的晶圆随机化标识符与失效指标之间的相应拟合关系。
在框204,针对多个工序,分别基于与多个批次中的参考批次的晶圆相对应的拟合关系和与多个批次中的其余批次的晶圆相对应的拟合关系之间的比较,确定相应的相似度值。
在一些实施例中,将多个批次中的任意一个批次设置为参考批次,以用于与其余批次进行比较。针对每个工序,将参考批次的晶圆的晶圆随机化标识符和失效指标之间的参考拟合关系与其余批次的晶圆的晶圆随机化标识符和失效指标之间的多个对应拟合关系分别进行比较,以确定各个拟合关系之间的相似度值。这样,可以得到针对每个工序的多个相似度值,其数目等于与参考批次相比较的其余批次的批次数目。在一些实施例中,将与参考批次相对应的参考拟合曲线和与其余批次分别相对应的比较拟合曲线分别进行比较,以确定相应的相似度值。
在一些实施例中,在将与参考批次相对应的参考拟合曲线和与其余批次分别相对应的比较拟合曲线分别进行比较时,将利用比较拟合曲线的移位和参考拟合曲线的平移。具体地,将与其余批次中的每个批次的晶圆相对应的比较拟合曲线在晶圆随机化标识符的横轴的方向上移位,每次移位一位,并且移位的次数与每个批次的晶圆的晶圆随机化标识符的数目相对应。移位的次数等于随机化ID的数目减去二。然后,基于参考拟合曲线和与比较拟合曲线经过每次移位后的曲线之间的比较,确定多次移位的相似度值。在进行比较时,确定参考拟合曲线中与比较拟合曲线经过每次移位后的曲线不重叠的部分,并且将参考拟合曲线的该部分平移到相对端部处,使得该部分在相对端部处与比较拟合曲线经过每次移位后的曲线重叠。这样,得到参考拟合曲线经过部分平移之后的曲线。也就是说,平移的横轴长度等于参考拟合曲线中与比较拟合曲线经过每次移位后的曲线重叠的部分的横轴长度。随后,确定比较拟合曲线经过每次移位后的曲线与参考拟合曲线经过部分平移之后的曲线之间的相似度值。
在一些实施例中,针对每个工序,将参考拟合曲线与其中一个比较曲线进行比较之后,获得与多次移位/平移相对应的多个相似度值,其数目等于移位的次数。从多个相似度值中选择最大值作为与每个工序相对应的参考拟合曲线与该比较曲线之间的相似度值。这样,针对每个工序,获得参考拟合曲线与比较曲线之间的多个相似度值,其数目等于其余批次的数目。
在框206,基于与多个工序分别相对应的相似度值,确定多个工序中的至少一个工序的晶圆随机化标识符与对应于失效指标的失效问题之间的相关性。
在一些实施例中,针对每个工序,将与参考批次的晶圆相对应的拟合关系和与其余批次的晶圆相对应的拟合关系之间的多个相似度值与预定阈值进行比较。针对每个工序,确定多个相似度值是否均大于预定阈值。如果确定与特定工序相对应的多个相似度值均大于预定阈值,则确定该工序的晶圆随机化标识符与失效问题相关。这样,针对每个工序通过与晶圆随机化标识符相对应的拟合关系在全部批次之间的比较,能够确定哪一道工序的各个批次的拟合关系彼此相似。也就是说,确定在哪一道工序中某个批次的晶圆随机化标识符与失效指标之间的拟合曲线能够反映或解释所有失效批次的拟合曲线。随后,所确定的工序被认为与失效问题相关。以此方式,从多个工序中找出与失效问题相关的工序。
根据本公开的实施例,基于各个批次的晶圆在每个工序中具有的晶圆随机化标识符与失效指标之间的拟合关系之间的比较,来确定哪个工序与失效问题相关,而不是仅基于某个批次的晶圆在某个工序中的拟合关系的呈现形式如何。以此方式,能够确定仅通过拟合关系的呈现不能体现出的隐藏的失效问题。因此,根据本公开的实施例的改进方案能够提供更加有效的良率问题相关性报告,使得出现问题的工序能够快速准确地被找到。
图3示出了针对一道工序的晶圆随机化标识符(可以被简称为随机化ID)与失效指标的拟合曲线。图4A和图4B分别示出了针对一道工序中的两个工艺腔室的随机化ID与失效指标的拟合曲线。
在一些实施例中,确定多个工序的各个处理工具的随机化ID与失效指标之间的拟合关系。通过良率管理工具,将多个失效批次的晶圆在各个工序中的随机化ID与失效指标之间的散点图进行多项式拟合。针对第n道工序(n为自然数),对散点图进行多项式拟合,获得如图3所示的拟合曲线。此外,针对第n道工序,针对该工序中用到的第一工艺腔室和/或第二工艺腔室,对散点图进行多项式拟合,获得如图4A和图4B所示的拟合曲线。
在一些实施例中,第一工艺腔室和第二工艺腔室可以在一道工序中均被使用,并且每个批次的晶圆在第一工艺腔室和第二工艺腔室中被处理之后获得相应的拟合曲线。在其他实施例中,一个批次的晶圆在特定工序中进入第一工艺腔室以进行工艺处理,从而获得针对特定工序的第一工艺腔室的拟合曲线。此外,另一个批次的晶圆在该特定工序中进入第二工艺腔室以进行工艺处理,从而获得针对特定工序的第二工艺腔室的拟合曲线。
在一些实施例中,针对所有批次的与同一道工序相对应的拟合曲线依次进行比较,以计算出与每一道工序相对应的拟合曲线的相似度值。可以仅按照同一道工序进行比较,或者可以按照同一道工序中的工艺腔室进行比较。按照同一道工序中的工艺腔室进行比较就是各自比较不同批次的与相同工艺腔室相对应的拟合曲线的相似度,这是因为与不同工艺腔室相对应的拟合曲线表现可能会不一样。仅按照同一道工序进行比较就是只比较不同批次的与相同工序相对应的拟合曲线相似度,是因为由于工艺原因不同机台或不同工艺腔室的基于随机化ID的拟合曲线表现是类似的。例如,一个批次的晶圆在第n道工序中在机台1的工艺腔室A中经过处理,另一个批次的晶圆在第n道工序中在机台2的工艺腔室B中经过处理。由于第n道工序的工艺原因,不同工艺腔室的基于随机化ID的拟合曲线表现类似。这时如果按照工艺腔室分析这两个批次的晶圆,则不会放在一起做相似度分析了,这样就得不到正确的分析结果。
在一些实施例中,针对多个工序中的各个处理工具,确定随机化ID与失效指标之间的拟合曲线。对于一道工序中的每个处理工具,分别确定参考批次的晶圆在该处理工具中的拟合曲线与其他批次的晶圆在该处理工具中的拟合曲线之间的相似度。基于该相似度值,确定该随机化ID、该处理工具和/或该工序与失效问题相关。
在一些实施例中,利用人工智能对多项式拟合曲线进行关键特征提取,即,抽取曲线轮廓的图像特征。基于关键特征提取之后的拟合曲线之间的比较,确定相应的相似度值。
图5A至图5C分别示出了针对一道工序的三个批次的晶圆的随机化ID与失效指标的拟合曲线。
图5A示出了针对第n道工序的第一批次的晶圆的随机化ID与失效指标的拟合曲线。作为示例,第一批次被选择为参考批次。
图5B和图5C分别示出了针对第n道工序的第二批次和第三批次的晶圆的随机化ID与失效指标的拟合曲线。在一些实施例中,如图5B和图5C所示的比较拟合曲线分别与如图5A所示的参考拟合曲线进行比较,以确定拟合曲线之间的相似度值。如果确定相似度值均大于阈值,则表示针对第n道工序的三个批次的拟合曲线彼此相似。因此,第n道工序被确定为与失效问题相关,以发出相关性分析报告。
图6示出了针对一道工序的随机化ID与失效指标的拟合曲线。如图6所示,针对第n道工序的随机化ID和失效指标的散点图中,纵轴的失效指标几乎不随横轴随机化ID变化。在传统方案中,在作随机化ID相关性分析时,如果与第n道工序相对应的散点图或拟合曲线如图6所示,则得出结论针对第n道随机化ID和失效问题没有相关性。
相比之下,根据本公开的实施例,将如图6所示的与第n道工序相对应的拟合曲线与其他批次的晶圆在第n道工序中的拟合曲线进行相似度比较。如果确定针对第n道工序的与所有失效批次的晶圆相对应的拟合曲线均是相似的,则可以将第n道工序确定为与失效问题相关,并且发出相关性分析报告。以此方式,能够有效地确定制造工艺中的哪一道工序出现了失效问题。
图7A至图7C是示出根据本公开的实施例的针对一道工序的两个批次的晶圆的随机化ID与失效指标的拟合曲线之间的比较的示意图。在图7A至图7C中,横坐标表示随机化ID,纵坐标表示失效指标,Lot1表示作为参考批次的第一批次,Lot2表示第二批次。应当理解的是,横坐标和纵坐标的具体数值仅是示例,本公开不限于该具体数值。
图7A示出了与第一批次Lot1相对应的参考拟合曲线和与第二批次Lot2相对应的比较拟合曲线。此时,参考拟合曲线和比较拟合曲线在纵轴上彼此正好重叠。在一些实施例中,可以通过人工智能识别方法来确定如图7A所示的参考拟合曲线和比较拟合曲线之间的相似度Similarity(0)。
在将参考拟合曲线和与比较拟合曲线进行比较时,将利用比较拟合曲线的移位和参考拟合曲线的平移。图7B示出了比较拟合曲线在平行于横轴的正方向上移位或步进了一次,移位的步长对应于横轴的单位值。
如图7B所示,确定参考拟合曲线中与比较拟合曲线经过一次移位后的曲线不重叠的部分,即,如图7B所示的虚线部分。如图7B中的虚线箭头所示,将参考拟合曲线的该虚线部分平移到相对端部处,即,如图7B所示的方框处,平移的长度等于参考拟合曲线中与移位后的比较曲线重叠的部分在横轴上的长度。这样,该虚线部分平移之后在相对端部处呈现为与比较拟合曲线经过一次移位后的曲线在横轴上重叠的实线部分。这样,得到如图7B所示的参考拟合曲线经过部分平移之后的曲线。在一些实施例中,可以通过人工智能识别方法来确定如图7B所示的分别经过移位和平移的两个曲线之间的相似度Similarity(1)。
图7C示出了比较拟合曲线在平行于横轴的正方向上移位了k次。如图7C所示,确定参考拟合曲线中与比较拟合曲线经过k次移位后的曲线不重叠的部分,即,如图7C所示的虚线部分。如图7C中的虚线箭头所示,将参考拟合曲线的该虚线部分平移到相对端部处,即,如图7C所示的方框处,平移的长度等于参考拟合曲线中与移位后的比较曲线重叠的部分在横轴上的长度。这样,该虚线部分平移之后在相对端部处呈现为与比较拟合曲线经过k次移位后的曲线在横轴上重叠的实线部分。这样,得到如图7C所示的参考拟合曲线经过部分平移之后的曲线。在一些实施例中,可以通过人工智能识别方法来确定如图7C所示的分别经过移位和平移的两个曲线之间的相似度Similarity(k)。
随后,继续将比较拟合曲线在平行于横轴的正方向上移位,在移位n次之后,确定两个曲线之间的相似度Similarity(n)。在移位n+1次之后,如果两个曲线之间不存在重叠的部分,则结束比较拟合曲线的移位。n的值可以等于随机化ID的数目减去二。从获得的相似度Similarity(0)、Similarity(1)…、Similarity(k)…、Similarity(n)之中,确定最大值。在一些实施例中,如图7C所示的两个曲线之间的相似度最大,则将该相似度值确定为与第一批次Lot1相对应的参考拟合曲线和与第二批次Lot2相对应的比较拟合曲线之间的相似度值。
针对其他批次,通过相似的方法分别确定第三批次Lot3至第N批次LotN的比较拟合曲线与第一批次Lot1的参考拟合曲线之间的相似度值。随后看,基于各个相似度值与预定阈值之间的比较,确定与这些拟合曲线相对应的工序与失效问题的相关性。
根据本公开的实施例,通过比较拟合曲线的移位/步进和参考拟合曲线的平移,能够准确地确定两个曲线之间的相似度值。以此方式,基于多个批次在工序中的拟合曲线之间的相似度值,有效地确定与失效问题相关的工序。
图8示出了针对一道工序的随机化ID与失效指标的拟合曲线。图9示出了根据本公开的实施例的针对一道工序的归一化随机化ID与失效指标的拟合曲线。
当出现有些批次的晶圆不满批(即,晶圆数目小于标称满片数)时,如图8所示,针对一些随机化ID不存在对应的失效指标。这可能是该批次在制造过程中被分批了,或者部分晶圆由于某种原因被报废了。与这种批次相对应的拟合曲线会变得不完整,影响相似度计算。
在一些实施例中,如果特定批次的晶圆的随机化ID的数目小于参考批次的晶圆的随机化ID的数目或标称数目,如图8所示,则根据该批次的晶圆的随机化ID的先后顺序,从1开始重新顺序地排列随机化ID,以生成归一化的随机化ID。
基于与该批次的晶圆相对应的原始拟合曲线,确定针对归一化的随机化ID的归一化曲线。将与原随机化ID相对应的失效指标在曲线图中移动到与归一化的随机化ID相对应,从而获得如图9所示的归一化曲线。
随后,将归一化曲线与参考拟合曲线相比较。图10是示出根据本公开的实施例的针对一道工序的归一化随机化ID与失效指标的拟合曲线与参考拟合曲线之间的比较的示意图。在图10中,横坐标表示随机化ID,并且纵坐标表示失效指标。
如图10所示,仅比较与第四批次Lot4相对应的归一化曲线与第一批次Lot1相对应的参考拟合曲线的虚线框部分,即,参考拟合曲线中的与归一化拟合曲线在横轴上的长度相对应的部分。
在一些实施例中,在将归一化曲线与参考拟合曲线进行比较时,利用归一化曲线在平行于横轴的正方向上的移位。将归一化曲线在归一化的随机化ID的轴的正方向上移位,每次移位一位,并且移位的次数与归一化的随机化ID的数目相对应。基于参考拟合曲线与每次移位后的归一化曲线之间的比较,确定每次移位后的相似度值。从所确定的多个相似度中确定最大值,以作为针对第四批次Lot4的归一化曲线与参考拟合曲线之间的相似度值。
在一些实施例中,在一个批次的晶圆的数目介于第一阈值和第二阈值之间的数值范围内时执行上述归一化处理。如果晶圆的数目大于第一阈值并且小于第二阈值,则执行归一化处理。如果晶圆的数目大于第二阈值,则直接利用参考图7A至图7C描述的曲线的移位和平移的相似度分析方法。如果晶圆的数目小于第一阈值,由于噪声太大,不作相似度分析。
根据本公开的实施例,通过随机化ID的归一化处理以及归一化曲线与参考拟合曲线的对应曲线段匹配,能够通过统一计算方法来计算不常规批次的晶圆在工序中的拟合关系曲线与常规批次的晶圆在工序中的拟合关系曲线之间的相似度值,从而提高本公开的实施例的方案的适用性并且扩大应用范围。
在一些实施例中,可以利用人工智能方法来确定两个拟合曲线之间的相似度值。在其他实施例中,可以利用数学计算模型来确定拟合曲线之间的相似度。
图11A和图11B是示出根据本公开的实施例的用于说明拟合曲线相似度数学计算模型的示意图。在图11A和图11B中,横坐标表示随机化ID,并且纵坐标表示失效指标。在本实施例中,随机化ID的数目设置为25。该数值仅是示例,本公开不限于该具体数值。
图11A示出了与第一批次Lot1相对应的由拟合多项式或公式f(x)确定的参考拟合曲线、以及与第二批次Lot2相对应的由拟合多项式或公式g(x)确定的比较拟合曲线。图11A示出了在比较拟合曲线移位之前,参考拟合曲线和比较拟合曲线在横轴上正好重叠的情况(也就是重叠区域的面积)。此时,通过以下公式来计算相似度值Similarity(0):
本文中,min(x)函数表示其中的最小值,并且max(x)表示其中的最大值。上述公式(1)的计算原理如下。计算参考拟合曲线和比较拟合曲线中的与横轴相对应的各个曲线区段与横轴形成的面积的重合面积部分,以确定针对各个区段的相似度。两个积分的min值(即,最小值)为重合面积部分。通过将重合面积部分与两个积分的max值(即,最大值)比较,可以得到重合面积部分与max值的占比,从而确定两个曲线的重合比例。重合比例越大,表示两个曲线相似度越高。
如图11A所示,由于曲线是由例如25个x值间距为1的数据点拟合而成,将各个曲线等间距分成24个区段,计算各个曲线的24个区段与横轴的重合面积部分,作为每区段两个曲线的相似度,该相似度是介于0到1的数值。
将针对各个区段的重合面积部分除以重合面积部分之和,以确定针对各个区段的占比系数。将针对各个区段的相似度分别乘以针对各个区段的占比系数,以确定针对各个区段的乘积。随后将针对各个区段的乘积相加,以确定参考拟合曲线与比较拟合曲线之间的相似度值Similarity(0)。
图11B示出了比较拟合曲线向横轴的正方向移位一位,并且参考拟合曲线的部分平移到相对端处。比较拟合曲线一次移位之后,由公式g(x-1)表示。参考拟合曲线的部分平移到相对端处之后,平移的部分由公式f(x-24)表示,剩余部分保持不变,由公式f(x)表示。在比较拟合曲线第n次移位之后,通过以下公式来计算相似度值Similarity(n):
针对图11B示出的在比较拟合曲线第1次移位之后,此时24个区段的相似度的计算会被拆成两部分。第一部分为公式(2)的分子的第一项,即由公式f(x)表示的参考拟合曲线的部分与移位后的比较拟合曲线g(x-1)之间的重合面积部分,一共23个区段。第二部分为公式(2)的分子的第二项,即由公式f(x-24)表示的参考拟合曲线的部分与移位后的比较拟合曲线g(x-1)之间的重合面积部分,一共1个区段。将这24个区段的相似度求平均,即为第1次移位后的相似度Similarity(1)。
对于比较拟合曲线第n次移位,将n代入上述描述,即可获得公式(2)的一般表示。
此外,针对参考图9描述的归一化曲线,上述方法同样适用。可以通过以下公式来计算针对归一化曲线的相似度值Similarity(n):
在归一化曲线的比较之后,由于不需要平移参考拟合曲线的一部分区段,不需要上述描述中的第二部分的计算,只需要由公式f(x)表示的参考拟合曲线与移位后的比较拟合曲线g(x-n)之间的重合面积部分的第一部分的计算。在此省略对公式(3)的详细说明。
在一些实施例中,多个批次是失效批次。在若干个批次失效之后,进行上述的随机化ID的相关性分析。
在其他实施例中,多个批次包括待确定失效的批次。在此情况下,如果确定多个批次中的至少两个批次的与特定工序相对应的相似度值高于预定值,发送与该工序相关联的警告信息。通过这种实时主动分析,在每个批次的测试完成时就对该批次的随机化ID与失效指标的多个拟合曲线进行相似度分析。一旦发现两个批次在某一道工序中基于随机化ID的曲线相似度高于预定值时,系统就会主动推送,以通知相关用户。以此方式,能够尽早发现生产线上发生的问题,大大降低损失。
根据本公开的实施例,确定各个批次的晶圆在工序中的随机化ID与失效指标之间的相应相似度值,并且基于相应相似度值来确定该工序与失效问题的相关性。以此方式,能够有效地确定多个工序中的哪一道工序中发生了失效问题。
图12是示出用于实施本公开的实施例的电子设备1200的示意性框图。如图12所示,设备1200包括中央处理单元(CPU)1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序指令或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序指令,来执行各种适当的动作和处理。在RAM 1203中,还可存储有电子设备1200操作所需的各种程序和数据。CPU 1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法200,可以由处理单元1201执行。例如,在一些实施例中,方法200可以被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序被加载到RAM 1203并由CPU1201执行时,可以执行上文描述的方法200种的一个或多个步骤。
根据本公开的实施例的方案可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种用于分析晶圆的失效指标的方法,包括:
针对多个批次的晶圆,分别确定制造工艺的多个工序的晶圆随机化标识符与表示失效程度的失效指标之间的拟合关系,其中包括确定所述晶圆随机化标识符与所述失效指标之间的由多项式表示的拟合曲线;
针对所述多个工序,分别基于与所述多个批次中的参考批次的晶圆相对应的拟合关系和与所述多个批次中的其余批次的晶圆相对应的拟合关系之间的比较,确定相应的相似度值;以及
基于与所述多个工序分别相对应的所述相似度值,确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与对应于所述失效指标的失效问题之间的相关性;
其中确定相应的相似度值包括:
将与所述其余批次中的每个批次的晶圆相对应的拟合曲线在所述晶圆随机化标识符的轴的方向上移位,每次移位一位,并且移位的次数与每个批次的晶圆的所述晶圆随机化标识符的数目相对应;
基于与所述参考批次的晶圆相对应的参考拟合曲线和与所述其余批次中的每个批次的晶圆相对应的拟合曲线经过每次移位后的第一曲线之间的比较,确定多次移位的相似度值;以及
从多次移位的相似度值中选择最大值作为与每个工序相对应的所述相似度值。
2.根据权利要求1所述的方法,其中所述多个批次的晶圆在所述制造工艺的多个阶段中分别具有通过晶圆随机化而重新排序的晶圆随机化标识符,每个阶段包括一个或多个工序。
3.根据权利要求1所述的方法,其中确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与对应于所述失效指标的失效问题之间的相关性包括:
如果确定与特定工序相对应的所述相似度值均大于阈值,确定所述工序的所述晶圆随机化标识符与所述失效问题相关。
4.根据权利要求1所述的方法,其中确定多次移位的相似度值包括:
确定所述参考拟合曲线中与所述第一曲线不重叠的部分,并且将所述参考拟合曲线的所述部分平移到相对端部处,使得所述部分在所述相对端部处与所述第一曲线重叠;
在所述第一曲线和与所述参考拟合曲线经过部分平移之后的第二曲线重叠时,确定所述第一曲线与所述第二曲线之间的相似度值;以及
将多次重叠时的相似度值确定为多次移位的相似度值。
5.根据权利要求4所述的方法,其中确定所述第一曲线与所述第二曲线之间的相似度值包括:
通过人工智能识别方法来确定所述第一曲线与所述第二曲线之间的相似度值。
6.根据权利要求4所述的方法,其中确定所述第一曲线与所述第二曲线之间的相似度值包括:
计算所述第一曲线和所述第二曲线中的与所述晶圆随机化标识符相对应的各个区段与所述晶圆随机化标识符的轴形成的面积的重合面积部分,以确定针对各个区段的相似度;
将针对各个区段的重合面积部分除以所述重合面积部分之和,以确定针对各个区段的占比系数;
将针对各个区段的相似度分别乘以针对各个区段的占比系数,以确定针对各个区段的乘积;以及
将所述乘积相加,以确定所述第一曲线与所述第二曲线之间的相似度值。
7.根据权利要求1所述的方法,其中将与所述其余批次中的每个批次的晶圆相对应的拟合曲线在所述晶圆随机化标识符的轴的方向上移位包括:
如果确定所述其余批次中的特定批次的晶圆的所述晶圆随机化标识符的数目小于所述参考批次的晶圆的所述晶圆随机化标识符的数目,则根据所述特定批次的晶圆的所述晶圆随机化标识符的先后顺序,重新顺序地排列所述晶圆随机化标识符,以生成归一化的晶圆随机化标识符;
基于与所述特定批次的晶圆相对应的拟合曲线,确定针对所述归一化的晶圆随机化标识符的归一化曲线;以及
将所述归一化曲线在所述归一化的晶圆随机化标识符的轴的方向上移位,每次移位一位,并且移位的次数与所述归一化的晶圆随机化标识符的数目相对应。
8.根据权利要求7所述的方法,其中确定多次移位的相似度值包括:
在每次移位之后的所述归一化曲线和与所述参考拟合曲线重叠时,确定所述归一化曲线和与所述参考拟合曲线之间的相似度值;以及
将多次重叠时的相似度值确定为多次移位的相似度值。
9.根据权利要求1所述的方法,其中确定制造工艺的多个工序的晶圆随机化标识符与表示失效程度的失效指标之间的拟合关系包括:
确定所述多个工序的各个处理工具的所述晶圆随机化标识符与所述失效指标之间的拟合关系。
10.根据权利要求9所述的方法,其中确定相应的相似度值包括:
针对所述多个工序的各个处理工具,分别基于与所述参考批次的晶圆相对应的参考拟合曲线与所述其余批次的晶圆相对应的拟合曲线之间的比较,确定相应的相似度值。
11.根据权利要求10所述的方法,其中确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与对应于所述失效指标的失效问题之间的相关性包括:
基于与所述多个工序的各个处理工具分别相对应的所述相似度值,确定所述多个工序中的至少一个工序的所述晶圆随机化标识符与所述失效问题之间的相关性。
12.根据权利要求1所述的方法,进一步包括:
如果确定所述多个批次中的至少两个批次的与特定工序相对应的所述相似度值高于预定值,发送与所述工序相关联的警告信息,其中所述多个批次包括待确定失效的批次。
13.一种电子设备,包括:
处理单元;
存储器,耦合至所述处理单元并且包括存储于其上的程序,所述程序在由所述处理单元执行时使所述电子设备执行根据权利要求1至12中任一项所述的方法。
14.一种计算机可读存储介质,所述计算机可读存储介质上存储有机器可执行指令,当所述机器可执行指令在被至少一个处理器执行时,使得所述至少一个处理器实现根据权利要求1至12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668775.1A CN111814116B (zh) | 2020-07-13 | 2020-07-13 | 用于分析晶圆失效指标的方法和设备以及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668775.1A CN111814116B (zh) | 2020-07-13 | 2020-07-13 | 用于分析晶圆失效指标的方法和设备以及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814116A CN111814116A (zh) | 2020-10-23 |
CN111814116B true CN111814116B (zh) | 2024-03-26 |
Family
ID=72842485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668775.1A Active CN111814116B (zh) | 2020-07-13 | 2020-07-13 | 用于分析晶圆失效指标的方法和设备以及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814116B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1048956A2 (en) * | 1999-04-28 | 2000-11-02 | Lucent Technologies Inc. | Method and apparatus for analizing a semiconductor wafer manufacturing process |
CN104318031A (zh) * | 2014-10-31 | 2015-01-28 | 电子科技大学 | 一种基于退化曲线相似度的电子产品健康度预测方法 |
CN109242016A (zh) * | 2018-08-30 | 2019-01-18 | 天津理工大学 | 一种空间曲线的相似性判断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7031860B2 (en) * | 2004-09-22 | 2006-04-18 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and system of semiconductor fabrication fault analysis |
CN110162433A (zh) * | 2019-04-10 | 2019-08-23 | 浙江省北大信息技术高等研究院 | 芯片失效分析方法、装置、设备及存储介质 |
-
2020
- 2020-07-13 CN CN202010668775.1A patent/CN111814116B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1048956A2 (en) * | 1999-04-28 | 2000-11-02 | Lucent Technologies Inc. | Method and apparatus for analizing a semiconductor wafer manufacturing process |
CN104318031A (zh) * | 2014-10-31 | 2015-01-28 | 电子科技大学 | 一种基于退化曲线相似度的电子产品健康度预测方法 |
CN109242016A (zh) * | 2018-08-30 | 2019-01-18 | 天津理工大学 | 一种空间曲线的相似性判断方法 |
Non-Patent Citations (1)
Title |
---|
LED芯片检测系统视觉图像分析技术研究;李蒙;中国优秀硕士学位论文全文数据库 信息科技辑(第05期);I138-1213 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814116A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7471312B2 (ja) | センサ計測データ統合 | |
US8762970B2 (en) | Method, computer program and computer system for assisting in analyzing program | |
CN111652518B (zh) | 用于分析工艺数据的方法和设备以及计算机可读介质 | |
TW201415385A (zh) | 半導體處理控制方法和電腦程式產品 | |
CN113994453A (zh) | 半导体装置制造系统以及半导体装置制造方法 | |
US9443051B2 (en) | Generating root cause candidates for yield analysis | |
Verwer et al. | A likelihood-ratio test for identifying probabilistic deterministic real-time automata from positive data | |
CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
CN111814116B (zh) | 用于分析晶圆失效指标的方法和设备以及计算机可读介质 | |
CN116664335B (zh) | 基于智能监控的半导体生产系统运行分析方法及系统 | |
CN116502057B (zh) | 一种格兰杰因果关系发现方法、设备及存储设备 | |
CN111414528B (zh) | 确定设备标识的方法、装置、存储介质及电子设备 | |
CN111710616B (zh) | 用于预测芯片的良率的方法和设备以及计算机可读介质 | |
CN116681350A (zh) | 智慧工厂故障检测方法及系统 | |
CN115098548B (zh) | 一种数据决策方法、系统及云平台 | |
CN115878987A (zh) | 一种基于贡献值和因果图的故障定位方法 | |
JP2004145390A (ja) | 工程修正システム | |
CN111258788B (zh) | 磁盘故障预测方法、装置及计算机可读存储介质 | |
JP2020173547A (ja) | 画像検査システム、画像検査装置及び画像検査プログラム | |
Plugatarev et al. | Model for determining the message source by analyzing their arrival time | |
US20120330450A1 (en) | Comprehensive analysis of queue times in microelectronic manufacturing | |
CN115858208B (zh) | 一种获取目标数据提取文本列表的方法 | |
CN115543950B (zh) | 一种日志范化的数据处理系统 | |
CN114996536B (zh) | 维修方案查询方法、装置、设备及计算机可读存储介质 | |
CN114265870A (zh) | 一种基于代码扫描的问题识别方法及系统 |
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 |