CN112397404B - 半导体制程检测方法及检测系统 - Google Patents
半导体制程检测方法及检测系统 Download PDFInfo
- Publication number
- CN112397404B CN112397404B CN201910750785.7A CN201910750785A CN112397404B CN 112397404 B CN112397404 B CN 112397404B CN 201910750785 A CN201910750785 A CN 201910750785A CN 112397404 B CN112397404 B CN 112397404B
- Authority
- CN
- China
- Prior art keywords
- classifier
- wafer
- key
- historical data
- accuracy
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Abstract
本发明实施例涉及一种半导体制程检测方法及检测系统,检测方法包括:基于所述晶圆标签以及所述历史数据,对每一所述工艺站点建立分类器,所述历史数据作为所述分类器的输入,所述晶圆标签作为所述分类器的输出;基于所述分类器对每一工艺站点进行分类验证,获取每一工艺站点对应的实际准确度,所述实际准确度越高表征相应工艺站点对晶圆质量的贡献率越大;基于所述分类验证的结果,检测获取影响晶圆质量的至少一个关键工艺站点;上报所述关键工艺站点。本发明实施例能够及时有效的检测出多个工艺站点中影响晶圆质量的关键工艺站点。
Description
技术领域
本发明涉及半导体技术领域,特别涉及一种半导体制程检测方法及检测系统。
背景技术
半导体器件生产中,从晶圆到制成最终产品,须经历数十甚至上百道工序。为了确保产品性能合格、稳定可靠,并有高的成品率,根据各种产品的生产情况,对所有工艺步骤都要有严格的具体要求。
晶圆经历不同的工艺站点,在每一工艺站点进行相应的工艺步骤;且每一工艺站点设置有相应的工艺参数,该工艺参数由至少两个关键传感器采集的数据表征。产品的电性及良率,是由多个工艺站点所累加影响的表现。
如何从多个工艺站点中检测影响产品电性及良率的工艺站点,是目前亟需解决的问题。
发明内容
本发明实施例提供一种半导体制程检测方法以及检测系统,能够从多个工艺站点中获取影响晶圆质量的关键工艺站点。
为解决上述问题,本发明实施例提供一种半导体制程检测方法,半导体制程包括多个工艺站点,包括:收集晶圆标签以及所述多个工艺站点的历史数据,所述晶圆标签用于表征晶圆质量是否合格,且所述历史数据包括与每一所述工艺站点相对应的传感器数据;基于所述晶圆标签以及所述历史数据,对每一所述工艺站点建立分类器,所述历史数据作为所述分类器的输入,所述晶圆标签作为所述分类器的输出;基于所述分类器对每一工艺站点进行分类验证,获取每一工艺站点对应的实际准确度,所述实际准确度越高表征相应工艺站点对晶圆质量的贡献率越大;基于所述分类验证的结果,检测获取影响晶圆质量的至少一个关键工艺站点;上报所述关键工艺站点。
另外,所述检测获取影响晶圆质量的至少一个关键工艺站点,方法包括:提供第一阈值;获取大于或等于所述第一阈值的若干实际准确度,将所述若干准确度对应的所述工艺站点选定为所述关键工艺站点。
另外,还包括:设定多个特征参数,所述特征参数为预先设定影响所述晶圆质量的变量参数;所述对每一所述工艺站点建立分类器,包括:基于所述特征参数对所述历史数据进行特征选择,从所述历史数据中筛选出与所述特征参数对应的相关数据;基于所述相关数据以及所述晶圆标签,建立分类器。
另外,在获取所述关键工艺站点之后,还包括:对所述关键工艺站点中的特征参数进行乱序处理;获取所述乱序处理后的所述分类器的准确度变化;基于所述准确度变化,获取所述关键工艺站点中的至少一个关键特征参数。
另外,所述获取所述关键工艺站点中的至少一个关键特征参数,包括:基于分类器对进行乱序处理后的关键工艺站点进行预测分类验证,获取所述乱序处理后的预测准确度;基于所述预测准确度与所述实际准确度,检测获取影响晶圆质量的至少一个关键特征参数。
另外,所述检测获取影响晶圆质量的至少一个关键特征参数,方法包括:提供第二阈值;获取所述预测准确度与所述实际准确度之间的差值;获取大于或等于所述第二阈值的若干差值,将所述若干差值对应的所述特征参数选定为所述关键特征参数。
另外,所述多个特征参数包括:温度参数、压力参数、气体种类参数或者气体流量参数中的任意多种。
另外,所述基于所述特征参数对所述历史数据进行特征选择,包括:采取遗失值判断法,对所述历史数据进行第一过滤选择;采取返工值判断法,对所述历史数据进行第二过滤选择;采取卡方检验法,对所述历史数据进行第三过滤选择。
另外,所述建立分类器,包括:利用神经网络模型建立第一分类器;利用随机森林模型建立第二分类器;基于所述第一分类器和所述第二分类器进行权重分析,建立所述分类器。
另外,所述晶圆标签包括:用于表征晶圆性能合格的第一标签值,用于表征晶圆性能不合格的第二标签值;所述分类器为二分类分类器。
相应的,本发明实施例还提供一种半导体制程检测系统,半导体制程包括东哥工艺站点,包括:数据收集模块,用于收集晶圆标签以及所述多个工艺站点的历史数据,所述晶圆标签用于表征晶圆质量是否合格,且所述历史数据包括与每一所述工艺站点相对应的传感器数据;分类器建立模块,用于基于所述晶圆标签以及所述历史数据建立分类器,基于所述晶圆标签以及所述历史数据,对每一所述工艺站点建立分类器,所述历史数据作为所述分类器的输入,所述晶圆标签作为所述分类器的输出;分类验证模块,用于基于所述分类器对每一工艺站点进行分类验证,获取每一工艺站点对应的实际准确度,所述实际准确度越高表征相应工艺站点对晶圆质量的贡献率越大;关键工艺站点获取模块,且基于所述分类验证模块的分类验证结果,检测获取影响晶圆质量的至少一个关键工艺站点;报警模块,用于上报所述关键工艺站点。
另外,所述分类器建立模块基于多个特征参数建立所述分类器;还包括:关键特征参数获取模块,用于获取所述关键工艺站点中的至少一个关键特征参数。
另外,所述关键特征参数获取模块包括:乱序处理单元,用于对关键工艺站点中的特征参数进行乱序处理;预测分类验证单元,用于基于分类器对进行乱序处理后的关键工艺站点进行预测分类验证,获取所述乱序处理后的预测准确度;检测单元,基于所述预测准确度与所述实际准确度,检测获取影响晶圆质量的至少一个关键特征参数。
另外,所述报警模块包括:第一报警单元,用于上报所述关键工艺站点;第二报警单元,用于上报所述关键特征参数。
与现有技术相比,本发明提供的技术方案具有以下优点:
本发明实施例提供的半导体制程检测方法,基于收集的晶圆标签和多个工艺站点的历史数据,对没有工艺站点建立分类器;然后基于分类器对每一工艺站点进行分类验证,获取每一工艺站点的实际准确度;基于分类验证的结果,检测获取影响晶圆质量的至少一个关键工艺站点;上报关键工艺站点。本发明实施例提供一种利用分类器获取关键工艺站点的方法,从而能够及时有效的将多个工艺站点中影响晶圆质量的关键工艺站点检出,便于工程师进行即时查看并进行处理。
另外,还设定多个特征参数,并基于特征参数对历史数据进行特征选择,从历史数据中筛选出于特征参数对应的相关数据;基于相关数据以及晶圆标签建立分类器。如此,有利于降低分类器建立的难度,且改善分类器的性能,从而提高检测出关键工艺站点的准确度。
另外,还对所述关键工艺站点中的特征参数进行乱序处理;获取所述乱序处理后的所述分类器的准确度变化;基于所述准确度变化,获取所述关键工艺站点中的至少一个关键特征参数。如此,通过乱序处理后分类器的分类性能的变化,能够检测出影响晶圆质量的至少一个关键特征参数,便于提醒工程师进行查看。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,除非有特别申明,附图中的图不构成比例限制。
图1为本发明一实施例提供的半导体制程检测方法的流程示意图;
图2为本发明一实施例提供的建立分类器的流程示意图;
图3为本发明实施例提供的半导体制程检测系统的功能模块图。
具体实施方式
由背景技术可知,如何从多个工艺站点中检测到影响产品性能的关键工艺站点,是目前亟需解决的问题。
为解决上述问题,本发明实施例提供一种半导体制程检测方法,能够检测出影响晶圆质量的至少一个关键工艺站点。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。
图1为本发明一实施例提供的半导体制程检测方法的流程示意图。
参考图1,半导体制程包括多个工艺站点,检测方法包括:
步骤S1、收集晶圆标签(label)以及多个工艺站点的历史数据,晶圆标签用于表征晶圆质量是否合格,且历史数据包括与每一所述工艺站点相对应的传感器数据。
晶圆标签用于区分晶圆性能是否合格。
在半导体制程中,为了实时检测各工艺站点的运行状态,各个工艺站点都安装有传感器,这些传感器数据直接表明工艺站点运行时的包含工艺配方等信息的物理性质,如传感器数据包括温度数据、压力数据、气体的流速数据等。
这些历史数据即为在半导体制程中会影响晶圆性能的过程变量数据。为了便于分析,将历史数据分为与每一工艺站点相对应的传感器数据。
步骤S2、基于晶圆标签以及历史数据,对每一工艺站点建立分类器(classifier),历史数据作为分类器的输入,晶圆标签作为分类器的输出。
该分类器的准确度(ACC)越高,则相应工艺站点对晶圆质量的贡献率越大,即该工艺站点对晶圆性能的影响越大,相应的该工艺站点为需要关注的工艺站点。
晶圆标签包括:用于表征晶圆性能合格的第一标签值,用于表征晶圆性能不合格的第二标签值。本实施例中,第一标签值为1,第二标签值为0,也就说,晶圆性能合格的晶圆被标记为1,晶圆性能不合格的晶圆被标记为0。因此,本实施例中,分类器为二分类分类器。
具体地,以每一工艺站点为单元,将大量的历史数据划分为不同的数据子集,每一个数据子集仅包含单个工艺站点中的全部过程变量数据。
另外,由于历史数据包含的过程变量数据种类过多,为了降低建立分类器的难度且提高分类器的准确度,本实施例中,在建立分类器之前,设定多个特征参数,该特征参数为预先判断影响晶圆性能的变量参数。其中,特征参数包括温度参数、压力参数、气体种类参数或者气体流量参数中的任意多种。
例如,对于工艺站点为沉积工艺站点而言,影响晶圆性能的变量参数包括温度、气体种类、气体流量、压强,因此选取历史数据中与温度、气体种类、气体流量和压强相关的历史数据,以建立分类器。对于工艺站点为光刻胶工艺站点而言,影响晶圆性能的变量参数包括:曝光能量、曝光时长、显影液浓度、显影时长等,因此选取历史数据中与上述变量参数相关的历史数据,以建立分类器。
相应的,基于设定的特征参数对历史数据进行特征选择(feature selection),从历史数据中筛选出与特征参数对应的相关数据;然后,基于筛选出的相关数据和晶圆标签,建立分类器。
本实施例中,采用过滤法(Filter)基于特征参数对历史数据进行特征选择。包括:采取遗失(missing value)值判断法,对所述历史数据进行第一过滤选择;采取返工(re-work value)值判断法,对所述历史数据进行第二过滤选择;采取卡方(keep var vaule)检验法,对所述历史数据进行第三过滤选择。
理想情况下,每一片晶圆都具有相应的过程变量数据,如果晶圆中缺少一个或多个与特征参数相关的过程变量数据,则过滤去除缺少该过程变量数据对应的历史数据。理想情况下,一片晶圆只做工一次,但是历史数据中包括重复做工(即返工)的晶圆对应的历史数据,则过滤去除重复做工对应的历史数据。还可以采用卡方检验法(Chi-square test/Chi-Square Goodness-of-Fit Test),过滤去除相关性低的历史数据。
可以理解的是,本实施例中,基于特征参数,对历史数据进行了三个层次的特征选择。在其他实施例中,也可以基于特征参数对历史数据进行一个层次的特征选择或者两个层次的特征选择。
图2为本发明一实施例提供的建立分类器的流程示意图。参考图2,建立分类器包括:
从收集的晶圆标签以及历史数据中,选取部分数量样本作为训练样本,以用于建立分类器;选取部分数量样本作为验证样本,便于后续基于分类器对每一工艺站点进行分类验证。
步骤S21、利用神经网络(Neural Network)模型建立第一分类器。
具体地,从历史数据中选取训练样本,将每一工艺站点中的历史数据作为神经网络模型的输入,将相应的晶圆标签作为输出,进行神经网络模型的训练,以建立第一分类器。
第一分类器具有第一准确度,第一准确度越高表征相应工艺站点对晶圆质量的贡献率越大。
步骤S22、利用随机森林(Random Forest)模型建立第二分类器。
具体地,从历史数据中选取训练样本,将每一工艺站点中的历史数据作为随机森林模型的输入,将相应的晶圆标签作为输出,进行随机森林模型的训练,以建立第二分类器。
第二分类器具有第二准确度,第二准确度越高表征相应工艺站点对晶圆质量的贡献率越大。
步骤S23、基于第一分类器和第二分类器进行权重分析,建立分类器。
具体地,第一分类器按照第一准确度由高到低的排序具有第一排序结果,第二分类器按照第二准确度由高到地的排序具有第二排序结果;对第一排序结果以及第二排序结果加权平均,作为最终的分类器的准确度的排序结果。
步骤S3、基于分类器对每一工艺站点进行分类验证,获取每一工艺站点对应的实际准确度,该实际准确度越高表征相应工艺站点对晶圆质量的贡献率越大。
具体地,采用每一工艺站点对应的历史数据中的验证样本对分类器进行验证,从而获取每一工艺站点对应的实际准确度。
举例来说,半导体制程包括十个工艺站点,分别记录为operation1、operation2……operation9、operation10;相应的,每一个工艺站点对应的实际准确度记录为ACC1、ACC2……ACC9、ACC10。实际准确度的取值在0-100%以内。
步骤S4、基于分类验证的结果,检测获取影响晶圆质量的至少一个关键工艺站点。
可以理解的是,实际准确度越高的,相应工艺站点对晶圆质量的贡献率越大,即该工艺站点对晶圆不合格贡献率大,需要上报该工艺站点,提醒工程师去检测该工艺站点是否异常。
其中,检测获取影响晶圆质量的至少一个关键工艺站点,方法包括:提供第一阈值;获取大于或等于第一阈值的若干实际准确度,将该若干实际准确度对应的工艺站点选定为关键工艺站点。
具体地,可以将前述分类验证获取的多个实际准确度按照由大到小进行排序处理;获取处于前N个排序位置的实际准确度,且处于前N个排序位置的实际准确度均大于第一阈值。
第一阈值可以设置为99%、98%、97%、90%或者85%,可以根据实际情况,设置第一阈值的大小。具体地,可以通过前N个排序位置中的N的值,将处于第N个排序的实际准确度作为第一阈值;举例来说,需要获取前10个排序时,将处于第10个排序的实际准确度作为第一阈值;需要获取前5个排序时,将处于第5个排序的实际准确度作为第一阈值。
本实施例中,通过建立分类器以及进行分类验证的方法,能够检测获取到影响晶圆质量的关键工艺站点,并且能够获知影响晶圆质量贡献率由大到小的工艺站点的排序,该排序按照分类准确度由大到小进行排列。
步骤S5、对关键工艺站点中的特征参数进行乱序处理(shuffle),获取乱序处理后的分类器的准确度变化;基于准确度变化,获取关键工艺站点中的至少一个关键特征参数。
具体地,若进行乱序处理的特征参数为正常变量,则进行乱序处理后分类器的准确度保持不变或者变化可以忽略不计;若进行乱序处理的特征参数为关键变量,则进行乱序处理后分类器的准确度将明显减小。
为了便于说明,前述分类器的建立满足如下五个假设:
1.仅有一个关键变量;
2.关键变量在对应“0”和“1”两类晶圆标签时数据为简单的0/1;
3.当前训练的分类器的分类性能以达到最优;
4.正常变量在对应所有晶圆标签时的数值相同;
5.训练样本中晶圆标签为“0”和晶圆标签为“1”的数据比例相同。
具体地,获取关键工艺站点的至少一个关键特征参数,包括:基于分类器对乱序处理后的关键工艺站点进行预测分类验证,获取乱序处理后的预测准确度;基于预测准确度与实际准确度,检测获取影响晶圆质量的至少一个关键特征参数。
举例来说,乱序操作对每一个温度传感器在每一个晶圆中的数据交换到其他晶圆中,然后重新测试分类器的分类性能,即重新获取分类器的预测准确度。
检测获取影响晶圆质量的至少一个关键特征参数,包括:提供第二阈值;获取预测准确度与实际准确度之间的差值;获取大于或等于第二阈值的若干差值,将该若干差值对应的特征参数选定为关键特征参数。
具体地,可以将前述差值按照由大到小进行排序处理;获取处于前X个排序位置的差值,且处于前X个排序位置的差值均大于第二阈值。
第二阈值可以设置为0.05、0.1、0.5、0.6或者0.7,可以根据实际情况,设置第二阈值的大小。具体地,可以通过前X个排序位置中的X的值,将处于第X个排序的差值作为第二阈值;举例来说,需要获取前2个排序时,将处于第2个排序的差值作为第二阈值;需要获取前1个排序时,将处于第1个排序的差值作为第二阈值。
例如,在对温度传感器数据对应的特征参数进行乱序处理后,乱序处理后分类器的预测准确度与实际准确度差值为0.57,则表明乱序处理后分类器的分类性能明显下降,该温度传感器数据对应的特征参数为关键特征参数,也就是说,温度传感器数据对应的特征参数为这一关键工艺站点中的该关键特征参数。
步骤S6、上报关键工艺站点以及关键特征参数。
本实施例中,在上报关键工艺站点的同时,还上报关键特征参数。上报关键工艺站点和关键特征参数,便于工程师进行查看检验。
本实施例提供的半导体制程检测方法,基于建立的分类器,可以获取影响晶圆质量的关键工艺站点;并且,通过乱序洗牌的方式,可以获取关键工艺站点中影响晶圆质量的关键特征特征参数。
此外,还应用卡方判定、遗失比例判定和工艺重做比例判定的方法,对历史数据做特征选择,解决了动态资料难以做特征选择的困难。
相应的,本发明实施例还提供一种半导体制程检测系统,图3为本发明实施例提供的半导体制程检测系统的功能模块图。
参考图3,半导体制程检测系统包括:数据收集模块101,用于收集晶圆标签以及所述多个工艺站点的历史数据,晶圆标签用于表征晶圆质量是否合格,且历史数据包括与每一所述工艺站点相对应的传感器数据;分类器建立模块102,用于基于晶圆标签以及所述历史数据建立分类器,基于晶圆标签以及所述历史数据,对每一工艺站点建立分类器,历史数据作为所类器的输入,晶圆标签作为分类器的输出;分类验证模块103,用于基于分类器对每一工艺站点进行分类验证,获取每一工艺站点对应的实际准确度,实际准确度越高表征相应工艺站点对晶圆质量的贡献率越大;关键工艺站点获取模块104,且基于分类验证模块的分类验证结果,检测获取影响晶圆质量的至少一个关键工艺站点;报警模块105,用于上报关键工艺站点。
以下将对本实施例提供的半导体制程检测系统进行详细说明,需要说明的是,本实施例提供的半导体制程检测系统应用于上述实施例的半导体制程检测方法,因此与前一实施例相同或相应的部分,可参考前述实施例的详细说明,在此不再赘述。
本实施例中,分类器建立模块102基于多个特征参数建立分类器。半导体制程检测系统还包括:关键特征参数获取模块106,用于获取关键工艺站点中的至少一个关键特征参数。
具体地,关键特征参数获取模块106包括:乱序处理单元116,用于对关键工艺站点中的特征参数进行乱序处理;预测分类验证单元126,用于基于分类器对进行乱序处理后的关键工艺站点进行预测分类验证,获取所述乱序处理后的预测准确度;检测单元136,基于所述预测准确度与所述实际准确度,检测获取影响晶圆质量的至少一个关键特征参数。
本实施例提供的半导体制程检测系统,既能检测出多个工艺站点中影响晶圆质量的关键工艺站点,还能够检测出关键工艺站点中影响晶圆质量的关键特征参数。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各自更动与修改,因此本发明的保护范围应当以权利要求限定的范围为准。
Claims (13)
1.一种半导体制程检测方法,半导体制程包括多个工艺站点,其特征在于,包括:
收集晶圆标签以及所述多个工艺站点的历史数据,所述晶圆标签用于表征晶圆质量是否合格,且所述历史数据包括与每一所述工艺站点相对应的传感器数据;
基于所述晶圆标签以及所述历史数据,对每一所述工艺站点建立分类器,所述历史数据作为所述分类器的输入,所述晶圆标签作为所述分类器的输出;
基于所述分类器对每一工艺站点进行分类验证,获取每一工艺站点对应的实际准确度,所述实际准确度越高表征相应工艺站点对晶圆质量的贡献率越大;
基于所述分类验证的结果,检测获取影响晶圆质量的至少一个关键工艺站点;
上报所述关键工艺站点;
还包括:设定多个特征参数,所述特征参数为预先设定影响所述晶圆质量的变量参数;所述对每一所述工艺站点建立分类器,包括:基于所述特征参数对所述历史数据进行特征选择,从所述历史数据中筛选出与所述特征参数对应的相关数据;基于所述相关数据以及所述晶圆标签,建立分类器。
2.如权利要求1所述的半导体制程检测方法,其特征在于,所述检测获取影响晶圆质量的至少一个关键工艺站点,方法包括:提供第一阈值;获取大于或等于所述第一阈值的若干实际准确度,将所述若干准确度对应的所述工艺站点选定为所述关键工艺站点。
3.如权利要求1所述的半导体制程检测方法,其特征在于,在获取所述关键工艺站点之后,还包括:对所述关键工艺站点中的特征参数进行乱序处理;获取所述乱序处理后的所述分类器的准确度变化;基于所述准确度变化,获取所述关键工艺站点中的至少一个关键特征参数。
4.如权利要求3所述的半导体制程检测方法,其特征在于,所述获取所述关键工艺站点中的至少一个关键特征参数,包括:基于分类器对进行乱序处理后的关键工艺站点进行预测分类验证,获取所述乱序处理后的预测准确度;基于所述预测准确度与所述实际准确度,检测获取影响晶圆质量的至少一个关键特征参数。
5.如权利要求4所述的半导体制程检测方法,其特征在于,所述检测获取影响晶圆质量的至少一个关键特征参数,方法包括:提供第二阈值;获取所述预测准确度与所述实际准确度之间的差值;获取大于或等于所述第二阈值的若干差值,将所述若干差值对应的所述特征参数选定为所述关键特征参数。
6.如权利要求1所述的半导体制程检测方法,其特征在于,所述多个特征参数包括:温度参数、压力参数、气体种类参数或者气体流量参数中的任意多种。
7.如权利要求1所述的半导体制程检测方法,其特征在于,所述基于所述特征参数对所述历史数据进行特征选择,包括:采取遗失值判断法,对所述历史数据进行第一过滤选择;采取返工值判断法,对所述历史数据进行第二过滤选择;采取卡方检验法,对所述历史数据进行第三过滤选择。
8.如权利要求1所述的半导体制程检测方法,其特征在于,所述建立分类器,包括:利用神经网络模型建立第一分类器;利用随机森林模型建立第二分类器;基于所述第一分类器和所述第二分类器进行权重分析,建立所述分类器。
9.如权利要求1所述的半导体制程检测方法,其特征在于,所述晶圆标签包括:用于表征晶圆性能合格的第一标签值,用于表征晶圆性能不合格的第二标签值;所述分类器为二分类分类器。
10.一种半导体制程检测系统,半导体制程包括多个工艺站点,其特征在于,包括:
数据收集模块,用于收集晶圆标签以及所述多个工艺站点的历史数据,所述晶圆标签用于表征晶圆质量是否合格,且所述历史数据包括与每一所述工艺站点相对应的传感器数据;
分类器建立模块,用于基于所述晶圆标签以及所述历史数据建立分类器,基于所述晶圆标签以及所述历史数据,对每一所述工艺站点建立分类器,所述历史数据作为所述分类器的输入,所述晶圆标签作为所述分类器的输出;
分类验证模块,用于基于所述分类器对每一工艺站点进行分类验证,获取每一工艺站点对应的实际准确度,所述实际准确度越高表征相应工艺站点对晶圆质量的贡献率越大;
关键工艺站点获取模块,且基于所述分类验证模块的分类验证结果,检测获取影响晶圆质量的至少一个关键工艺站点;
报警模块,用于上报所述关键工艺站点;
分类器建立模块还包括:设定多个特征参数,所述特征参数为预先设定影响所述晶圆质量的变量参数;所述对每一所述工艺站点建立分类器,包括:基于所述特征参数对所述历史数据进行特征选择,从所述历史数据中筛选出与所述特征参数对应的相关数据;基于所述相关数据以及所述晶圆标签,建立分类器。
11.如权利要求10所述的半导体制程检测系统,其特征在于,所述分类器建立模块基于多个特征参数建立所述分类器;还包括:关键特征参数获取模块,用于获取所述关键工艺站点中的至少一个关键特征参数。
12.如权利要求11所述的半导体制程检测系统,其特征在于,所述关键特征参数获取模块包括:乱序处理单元,用于对关键工艺站点中的特征参数进行乱序处理;预测分类验证单元,用于基于分类器对进行乱序处理后的关键工艺站点进行预测分类验证,获取所述乱序处理后的预测准确度;检测单元,基于所述预测准确度与所述实际准确度,检测获取影响晶圆质量的至少一个关键特征参数。
13.如权利要求11所述的半导体制程检测系统,其特征在于,所述报警模块包括:第一报警单元,用于上报所述关键工艺站点;第二报警单元,用于上报所述关键特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750785.7A CN112397404B (zh) | 2019-08-14 | 2019-08-14 | 半导体制程检测方法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750785.7A CN112397404B (zh) | 2019-08-14 | 2019-08-14 | 半导体制程检测方法及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112397404A CN112397404A (zh) | 2021-02-23 |
CN112397404B true CN112397404B (zh) | 2022-03-22 |
Family
ID=74601456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750785.7A Active CN112397404B (zh) | 2019-08-14 | 2019-08-14 | 半导体制程检测方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112397404B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807441B (zh) * | 2021-09-17 | 2023-10-27 | 长鑫存储技术有限公司 | 半导体结构制备中的异常传感器监测方法及其装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963802A (zh) * | 2010-08-25 | 2011-02-02 | 江苏大学 | 批次制程的虚拟量测方法与系统 |
TW201117128A (en) * | 2009-11-06 | 2011-05-16 | Inotera Memories Inc | Advanced WAT predict and warning system |
CN107910276A (zh) * | 2017-11-24 | 2018-04-13 | 上海华力微电子有限公司 | 一种晶圆缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201205440A (en) * | 2010-07-16 | 2012-02-01 | Nat Univ Tsing Hua | Virtual measuring system and method thereof for predicting the quality of thin film transistor liquid crystal display processes |
-
2019
- 2019-08-14 CN CN201910750785.7A patent/CN112397404B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201117128A (en) * | 2009-11-06 | 2011-05-16 | Inotera Memories Inc | Advanced WAT predict and warning system |
CN101963802A (zh) * | 2010-08-25 | 2011-02-02 | 江苏大学 | 批次制程的虚拟量测方法与系统 |
CN107910276A (zh) * | 2017-11-24 | 2018-04-13 | 上海华力微电子有限公司 | 一种晶圆缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112397404A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
CN109564422A (zh) | 工具状况监测及匹配 | |
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
CN104062305B (zh) | 一种集成电路缺陷的分析方法 | |
CN114935703B (zh) | 一种变频组件自动测试方法、装置及系统 | |
CN201820260U (zh) | 避孕套质量信息实时监测、反馈、识别系统 | |
CN109165242B (zh) | 一种基于熵排序与时空分析的故障诊断及预警方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
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 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
CN110826855A (zh) | 智能配电房状态监测传感器入网性能的检验方法及系统 | |
CN116825169B (zh) | 一种基于测试设备的异常存储芯片检测方法 | |
CN112397404B (zh) | 半导体制程检测方法及检测系统 | |
CN110490329A (zh) | 一种基于机器学习的大规模电力异常数据检测方法及系统 | |
CN117150283A (zh) | 一种基于大数据分析的突发环境事件安全预警方法 | |
TW200411801A (en) | Method for analyzing defect inspection parameters | |
CN115169832A (zh) | 一种基于曲线形态变化的敏感性分析方法及系统 | |
CN111223799B (zh) | 工艺控制方法、装置、系统及存储介质 | |
CN112782365A (zh) | 一种基于多级分类器的混合气体识别方法 | |
CN110796187A (zh) | 不良分类方法及装置 | |
Chen et al. | A data mining projects for solving low-yield situations of semiconductor manufacturing | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 |
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 |