CN112433472A - 半导体生产控制方法及控制系统 - Google Patents

半导体生产控制方法及控制系统 Download PDF

Info

Publication number
CN112433472A
CN112433472A CN201910788986.6A CN201910788986A CN112433472A CN 112433472 A CN112433472 A CN 112433472A CN 201910788986 A CN201910788986 A CN 201910788986A CN 112433472 A CN112433472 A CN 112433472A
Authority
CN
China
Prior art keywords
data
historical
wafers
prediction model
prediction
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.)
Granted
Application number
CN201910788986.6A
Other languages
English (en)
Other versions
CN112433472B (zh
Inventor
陈振豪
赖国文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changxin Memory Technologies Inc
Original Assignee
Changxin Memory Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changxin Memory Technologies Inc filed Critical Changxin Memory Technologies Inc
Priority to CN201910788986.6A priority Critical patent/CN112433472B/zh
Publication of CN112433472A publication Critical patent/CN112433472A/zh
Application granted granted Critical
Publication of CN112433472B publication Critical patent/CN112433472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

本发明实施例涉及一种半导体生产控制方法以及控制系统，控制方法包括：基于历史数据建立预测模型，预测模型用于预测第二步骤后的晶圆的特征参数，且历史数据包括历史第一步骤的历史工艺参数、历史第二步骤的历史工艺参数以及第二步骤后的晶圆的历史特征参数；在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据；基于预测模型，对同一批次晶圆中其余数量晶圆的特征参数进行预测，获取预测数据；基于预测数据以及实测数据，对第二步骤的工艺参数进行调整。本发明实施例能够改善工艺生产自动化的调整机制。

Description

半导体生产控制方法及控制系统
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生产控制方法及控制系统。
背景技术
随着半导体产品集成度和制造产能的提高，半导体制造工艺变得越来越复杂，对半导体制造装备及其控制性能的要求也越来越高。
半导体制造过程主要可以分为五个制造阶段，分别位于晶圆制备、晶圆制作、晶圆测试/挑拣、装配与封装、终测。半导体制造过程中R2R(Run-to-Run)控制方法的性能，影响着半导体产品的良率、再工(re-work)次数和半导体制造产业的产能及经济效益。
然而，现有的R2R控制方法对于提升半导体生产线的品质及效能的效果仍有待提高。
发明内容
本发明实施例提供一种半导体生产控制方法及控制系统，提升半导体生产线的品质及效能。
为解决上述问题，本发明实施例提供一种半导体生产控制方法，半导体生产包括依次进行的第一步骤以及第二步骤，包括：基于历史数据建立预测模型，所述预测模型用于预测第二步骤后的晶圆的特征参数，且所述历史数据包括历史第一步骤的历史工艺参数、历史第二步骤的历史工艺参数以及第二步骤后的晶圆的历史特征参数；在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据；基于所述预测模型，对所述同一批次晶圆中其余数量晶圆的特征参数进行预测，获取预测数据；基于所述预测数据以及所述实测数据，对第二步骤的工艺参数进行调整。
另外，所述基于历史数据建立预测模型，步骤包括：收集所述历史数据；基于所述历史数据，建立大数据平台；基于所述大数据平台，获取所述预测模型。
另外，所述建立大数据平台，包括：基于所述历史数据设计矩阵，所述矩阵的输入表征所述历史第一步骤的历史工艺参数以及所述历史第二步骤的历史工艺参数，所述矩阵的输出表征所述历史第二步骤后的晶圆的历史特征参数；利用所述大数据平台，在所述矩阵的基础上建立所述预测模型。
另外，在所述基于所述历史数据设计矩阵之前，还包括步骤：对所述历史数据进行挑拣处理，选择所述历史数据中的有用数据信息；所述基于所述历史数据设计矩阵，包括：基于所述有用数据信息设计矩阵。
另外，所述基于所述大数据平台，获取所述预测模型，方法包括：基于所述大数据平台，建立线性模型，用所述线性模型解释线性效应；基于所述大数据平台，建立KNN回归模型，用所述KNN回归模型解释局部线性效应；基于所述大数据平台，建立神经网络模型，用所述神经网络模型解释非线性效应；基于所述线性模型、所述KNN回归模型以及所述神经网络模型，获取所述预测模型。
另外，所述历史数据包括：预设时间段内的多批次晶圆中每一批次晶圆随机抽样的历史实测数据；采用所述预测模型对所述随机抽样的晶圆进行预测的历史预测数据；在建立所述预测模型后，还包括步骤：基于所述历史数据对所述预测模型进行更新，获取更新后的预测模型。
另外，所述基于历史数据对预测模型进行更新的方法包括：基于同一片晶圆的所述历史实测数据与所述历史预测数据的差异，对所述预测模型进行更新，获取所述更新后的预测模型。
另外，所述基于所述预测数据以及所述实测数据，对第二步骤的工艺参数进行调整，包括：获取差值，所述差值包括所述预测数据与目标数据之间的差异以及所述实测数据与目标数据之间的差异；基于所述差值，对第二步骤的工艺参数进行调整。
相应的，本发明实施例还提供一种半导体生产控制系统，包括：预测模型生成模块，用于基于历史数据建立预测模型，所述预测模型用于预测同一批次晶圆在第二步骤后的特征参数，且所述历史数据包括历史第一步骤的历史工艺参数、历史第二步骤的历史工艺参数以及第二步骤后的晶圆的历史特征参数；实测数据获取模块，在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据；预测数据获取模块，用于基于所述预测模型对同一批次晶圆中其余数量晶圆的特征参数进行预测，获取预测数据；控制模块，用于基于所述预测数据以及所述实测数据，对第二步骤的工艺参数进行调整。
另外，所述预测模型生成模块包括：历史数据收集单元，收集所述历史数据；大数据平台单元，用于基于所述历史数据建立大数据平台；模型生成单元，用于基于所述大数据平台，获取所述预测模型。
另外，所述预测模型生成模块还包括：历史量测数据获取单元，用于对所述当前第二步骤之前预设时间段内的多个批次晶圆中的每一批次晶圆进行随机抽样，获取随机抽样的晶圆的历史量测数据；更新校正单元，用于基于所述历史量测数据对所述预测模型进行更新，获取更新后的预测模型。
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生产控制方法的技术方案中，基于历史数据建立预测模型，该预测模型用于预测第二步骤后的晶圆的特征参数；在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据；基于预测模型，对同一批次晶圆其余数量晶圆的特征参数进行预测，获取预测数据；基于预测数据和实测数据，对第二步骤的工艺步骤参数进行调整。由于预测数据和实测数据可以很好的反映同一批次所有晶圆的特征参数信息，有效的增加对第二步骤的工艺参数的调整的参考依据，从而提高对第二步骤的工艺参数调整的准确度，有效的提升半导体生产线的品质和效能。同时无需增加量测的晶圆的数量，因而无需增加工艺成本。
另外，基于历史数据建立大数据平台，在大数据平台的基础上获取预测模型，有利于增加模型运算效率，提升建立预测模型所需的运算速度。
另外，基于线性模型、局部线性模型以及非线性模型建立预测模型，因而使得预测模型能够综合考虑线性影响因素、局部线性影响因素以及非线性影响因素，从而提高利用该预测模型进行预测的准确性。
另外，在建立预测模型后，还对当前第二步骤之前预设时间段内的多批次晶圆中的每一批次晶圆进行随机抽样，获取随机抽样的晶圆的历史量测数据；基于所述历史量测数据对所述预测模型进行更新，获取更新后的预测模型。相较于固定采样而言，对每一批次晶圆进行随机抽样获取历史量测数据具有信息最大化的特性，有利于进一步的提高更新后的预测模型的准确性。
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为一种半导体生产控制方法流程示意图；
图2为本发明一实施例提供的半导体生产控制方法的流程示意图；
图3为本发明另一实施例中建立预测模型的流程示意图；
图4为本发明实施例提供的半导体生产控制系统的功能模块图。
具体实施方式
由背景技术可知，目前的半导体生产控制方法对于品质及效能的提升效果有限。
目前半导体控制方法是基于量测结果进行反馈控制。图1为一种半导体生产控制方法流程示意图，参考图1，半导体生产控制方法包括以下步骤：步骤S1、进行刻蚀工艺步骤；步骤S2、在所述刻蚀工艺步骤后，量测同一批次晶圆中若干个晶圆的特征参数；步骤S3、基于所述量测到的特征参数与目标特征参数，对所述刻蚀工艺步骤的工艺参数进行调整。
然而，上述控制方法对于刻蚀工艺步骤的工艺参数调整的效果较差。分析发现，导致上述控制方法所起的效果有限的原因如下：
量测会影响半导体生产成本，量测的数量会直接影响生产线的产能，但是为了有效的控制半导体工艺生产的过程，量测又是一个不可缺少的步骤；为了平衡，半导体工艺生产后的量测通常以一个固定的抽样比例来进行量测，例如当一个批次(lot/batch)中具有25片晶圆(wafer)时，只选取其中两片晶圆进行量测，例如固定量测第二片以及第二十三片，基于这两个量测结果进行反馈控制。然而，由于缺少其余二十三片晶圆的生产结果信息，这两个量测结果难以反馈同一批次所有晶圆的生产结果，进而导致相应的半导体控制方法对于提升品质及效能的效果有限。
为解决上述问题，本发明实施例提供一种半导体生产控制方法，借由预测数据和实测数据改善半导体生产自动化控制的反馈机制，提升生产线的品质及效能。
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2为本发明一实施例提供的半导体生产控制方法的流程示意图。
参考图2，半导体生产包括依次进行的第一步骤以及第二步骤，本实施例提供的半导体生产控制方法包括以下步骤：
步骤S21、基于历史数据建立预测模型，预测模型用于预测第二步骤后的晶圆的特征参数，且历史数据包括历史第一步骤的历史工艺参数、历史第二步骤的历史工艺参数以及第二步骤后的晶圆的历史特征参数。
其中，历史工艺参数包括：温度、湿度、压强、气体流量或气体类型等，历史特征参数包括：晶圆膜层厚度或晶圆被刻蚀厚度等。本实施例中，将以历史第一步骤为曝光显影步骤、历史第二步骤为刻蚀步骤进行详细说明。
步骤S22、在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据。
以同一批次晶圆的数量为25片为例，通常选择量测第2片以及第23片晶圆的特征参数。可以理解的是，在其他实施例中，也可以选择量测同一批次晶圆中任意晶圆的特征参数进行量测，但是为了节约成本，量测的晶圆的数量少于同一批次晶圆的总数量。
本实施例中，以随机取样的方式对同一批次晶圆中部分数量晶圆的特征参数进行量测，有利于达到信息最大化的目的。在其他实施例中，也可以采用固定取样的方式对以批次晶圆中部分数量晶圆的特征参数进行量测。
步骤S23、基于预测模型，对同一批次晶圆中其余数量晶圆的特征参数进行预测，获取预测数据。
由于预测模型能够预测第二步骤后的晶圆的特征参数，因此能够基于预测模型，获取未进行量测的晶圆的特征参数，得到预测数据。该预测数据可以反映晶圆的实际特征参数。
步骤S24、基于所述预测数据以及所述实测数据，对第二步骤的工艺参数进行调整。
具体地，获取差值，该差值包括预测数据与目标数据之间的差异以及实测数据与目标数据之间的差异；基于该差值，对第二步骤的工艺参数进行调整，从而实现对第二步骤的R2R控制，进而使得调整后的第二步骤的工艺参数更适于提高晶圆的生产质量。
其中，目标数据为在经历第二步骤后晶圆具有的特征参数的期望值。
在建立预测模型后，还可以包括步骤：对当前第二步骤之前预设时间段内的多批次晶圆中的每一批次晶圆进行随机抽样，获取随机抽样的晶圆的历史量测数据；并基于该历史量测数据对预测模型进行更新，获取更新后的预测模型。具体地，基于历史量测数据对预测模型进行更新的方法包括：采用预测模型对随机抽样的晶圆的特征参数进行预测，获取历史预测数据；基于历史量测数据与历史预测数据的差异，对预测模型进行更新，使得相较于历史预测数据而言，依据更新后的模型进行预测获得的更新预测数据更接近历史量测数据。
更具体地，历史数据包括：预设时间段内的多批次晶圆中每一批次晶圆随机抽样的历史实测数据；采用所述预测模型对所述随机抽样的晶圆进行预测的历史预测数据。相应的，基于历史数据对预测模型进行更新，获取更新后的预测模型。其中，基于历史数据对预测模型进行更新的方法包括：基于同一片晶圆的历史实测数据和历史预测数据的差异，对预测模型进行更新，获取更新后的预测模型。
可以根据需求合理设置预设时间段的时长，保证进行随机取样的晶圆的批次数量合适，在提高更新后的预测模型的准确性的同时，保证仍具有较低的生产成本。举例来说，可以选取预设时间段内第一批次的第2片以及第23片晶圆获取历史量测数据；选取第二批次的第5片以及低20片晶圆获取历史量测数据；选取第5批次的第3片以及第25片晶圆获取历史量测数据。
对第二步骤之前预设时间段内的多批次晶圆中的每一批次晶圆进行随机取样，获得的历史量测数据的信息量比固定取样获得的信息量更大，因而能够更好的对预测模型进行更新，使得更新的预测模型能够更好的预测晶圆的特征参数。
本实施例提供的半导体生产控制方法中，先建立预测模型，用该预测模型预测第二步骤后晶圆的特征参数，获取预测数据；并且还实际量测同一批晶圆中部分晶圆的特征参数，获取实测数据；基于实测数据和预测数据对第二步骤的工艺参数进行调整。实测数据和预测数据相结合，能够实际反映同一批次所有晶圆的特征参数，因而能够极限最大化特征参数反馈的信息，增加了第二步骤工艺参数调整的参考依据，借由该信息建立反馈机制，从而提升生产线的品质及效能。
并且，本实施例中通过预测模型来预测同一批次晶圆中未实际量测的晶圆的特征参数，因而不需要增加工艺成本(主要包括硬件成本及时间成本)。
此外，采用随机取样的方式量测同一批次晶圆中部分数量晶圆的特征参数，不再局限于量测固定的晶圆的特征参数，有利于达到信息最大化，从而更好的反馈调整第二步骤的工艺参数。
本发明另一实施例还提供一种半导体生产控制方法，与前一实施例不同的，本发明另一实施例将详细说明建立预测模型的工艺步骤。以下将结合附图对本实施例通过的半导体生产控制方法进行详细说明，需要说明的是，与前一实施例相同或相应的部分，可参考前述实施例，以下将不做详细赘述。
图3示出了本发明另一实施例中建立预测模型的流程示意图。参考图3，本实施例中，基于历史数据，建立预测模型包括：
步骤S301、收集历史数据。
具体地，从生产环境参数(Fault detection and classification，FDC)系统中收集历史第一步骤的历史工艺参数以及历史第二步骤的历史工艺参数，其中，历史工艺参数可以由FDC系统中相应传感器获得并存储。例如，可以从湿度传感器中获取湿度数据，从温度传感器中获取温度数据。
从量测系统中收集第二步骤后的晶圆的历史特征参数，其中，历史特征参数可以包括厚度参数、均匀性参数、刻蚀厚度参数、刻蚀形貌参数等。
在收集历史数据后，基于历史数据建立大数据平台(Big Data Platform)。本实施例中。本实施例中，建立大数据平台，包括以下步骤：
步骤S303、基于历史数据设计矩阵(matrix)，该矩阵的输入表征历史第一步骤的历史工艺参数以及历史第二步骤的历史工艺参数，矩阵的输出表征第二步骤后的晶圆的历史特征参数。
矩阵为后续预测模型的训练计算做准备。
需要说明的是，在步骤S303之前，还可以先执行步骤S302、对历史数据进行挑拣处理，选择历史数据中的有用数据信息。
相应的，基于历史数据设计矩阵包括，基于该有用数据信息设计矩阵。通过挑拣处理，能够剔除难以提供有用信息的历史数据，从而减小基于历史数据设计的矩阵的复杂度，减小计算量。
步骤S304、利用大数据平台，在矩阵的基础上建立预测模型。
大数据平台能够提升数据计算的效率效能，同时还能够整合第一步骤的工艺参数、第二步骤的工艺参数以及历史特征参数。运行大数据平台可以增加预测模型运算的效率。
本实施例中，同时考虑线性效应(linear effect)、局部线性效应(partiallinear effect)和非线性效应(nonlinear effect)以建立预测模型，有利于提高预测模型的准确度。
具体地，获取预测模型的方法包括：
基于大数据平台，建立线性模型，用该线性模型解释线性效应。在一个实施例中，可以利用线性回归(linear regession)理论来建立线性模型。基于大数据平台，建立KNN(K-Nearest Neighbor)回归模型，用该KNN回归模型解释局部线性效应。基于大数据平台，建立神经网络(NN，Neutral Network)模型，用该神经网络模型解释非线性效应。
基于线性模型、KNN回归模型以及神经网络模型，获取预测模型。具体地，均衡考虑线性影响、非线性影响以及局部线性影响，获取预测模型。
当一个生产周期为60天时，可以采用60天的历史数据建立预测模型。需要说明的是，也可以基于大于一个生产周期的历史数据建立预测模型。
在建立预测模型后，关于“获取实测数据、获取预测数据、对第二步骤的工艺参数进行调整”的说明，可参考前述实施例，在此不再赘述。
本实施例提供的半导体生产控制方法中，建立的预测模型同时考虑了线性影响、非线性影响以及部分线性影响，且结合FDC系统中的历史数据进行预设模型的建立。通过该预测模型预测晶圆的特征参数的准确率高，有利于改善生产工艺自动化的调整机制，进一步的改善生产线的品质。
相应的，本发明实施例还提供一种半导体生产控制系统。图4示出了本发明实施例提供的半导体生产控制系统的功能模块图。
参考图4，本实施例提供的半导体生产控制系统包括：预测模型生成模块401，用于基于历史数据建立预测模型，预测模型用于预测同一批次晶圆在第二步骤后的特征参数，且历史数据包括历史第一步骤的历史工艺参数、历史第二步骤的历史工艺参数以及第二步骤后的晶圆的历史特征参数；实测数据获取模块402，在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据；预测数据获取模块403，用于基于预测模型对同一批次晶圆中其余数量晶圆的特征参数进行预测，获取预测数据；控制模块404，用于基于预测数据以及实测数据，对第二步骤的工艺参数进行调整。
以下将对本实施例提供的半导体生产控制系统进行详细说明。
需要说明的是，为了便于更好的说明本实施例中的半导体生产控制系统，图4中示出了历史第一步骤41、历史第二步骤42以及当前第二步骤43。
本实施例中，预测模型生成模块401包括：历史数据收集单元411，收集历史数据；大数据平台单元412，用于基于历史数据建立大数据平台；模型生成单元413，用于基于大数据平台，获取预测模型。
历史数据收集单元411收集历史第一步骤41以及历史第二步骤42的历史数据。有关历史数据的详细说明，可参考前述实施例，在此不再赘述。
预测模型生成模块401还包括：历史量测获取单元414，用于对当前第二步骤之前预设时间段内的多个批次晶圆中的每一批次晶圆进行随机抽样，获取随机抽样的晶圆的历史量测数据；更新校正单元415，用于基于历史量测数据对预测模型进行更新，获取更新后的预测模型。
控制模块404包括：差值获取单元(未图示)，用于获取差值，该差值包括预测数据与目标数据之间的差异以及实测数据与目标数据之间的差异；控制单元(未图示)，基于差值获取单元获取的差值，对第二步骤的工艺参数进行调整。
本实施例提供的半导体生产控制系统，通过控制模块结合预测模型生成模块相结合的方式，使得控制模块能够基于预测数据和实测数据进行反馈，调整第二步骤的工艺参数，提升自动化控制的效果。并且，本实施例中的半导体生产控制系统用于调整第二步骤的工艺参数的参考依据明显增加，因而有利于提升控制结果的准确性以及稳定度。
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 (11)

1.一种半导体生产控制方法，半导体生产包括依次进行的第一步骤以及第二步骤，其特征在于，包括：
基于历史数据建立预测模型，所述预测模型用于预测第二步骤后的晶圆的特征参数，且所述历史数据包括历史第一步骤的历史工艺参数、历史第二步骤的历史工艺参数以及第二步骤后的晶圆的历史特征参数；
在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据；
基于所述预测模型，对所述同一批次晶圆中其余数量晶圆的特征参数进行预测，获取预测数据；
基于所述预测数据以及所述实测数据，对第二步骤的工艺参数进行调整。
2.如权利要求1所述的半导体生产控制方法，其特征在于，所述基于历史数据建立预测模型，步骤包括：收集所述历史数据；基于所述历史数据，建立大数据平台；基于所述大数据平台，获取所述预测模型。
3.如权利要求2所述的半导体生产控制方法，其特征在于，所述建立大数据平台，包括：基于所述历史数据设计矩阵，所述矩阵的输入表征所述历史第一步骤的历史工艺参数以及所述历史第二步骤的历史工艺参数，所述矩阵的输出表征所述历史第二步骤后的晶圆的历史特征参数；利用所述大数据平台，在所述矩阵的基础上建立所述预测模型。
4.如权利要求3所述的半导体生产控制方法，其特征在于，在所述基于所述历史数据设计矩阵之前，还包括步骤：对所述历史数据进行挑拣处理，选择所述历史数据中的有用数据信息；所述基于所述历史数据设计矩阵，包括：基于所述有用数据信息设计矩阵。
5.如权利要求2所述的半导体生产控制方法，其特征在于，所述基于所述大数据平台，获取所述预测模型，方法包括：基于所述大数据平台，建立线性模型，用所述线性模型解释线性效应；基于所述大数据平台，建立KNN回归模型，用所述KNN回归模型解释局部线性效应；基于所述大数据平台，建立神经网络模型，用所述神经网络模型解释非线性效应；基于所述线性模型、所述KNN回归模型以及所述神经网络模型，获取所述预测模型。
6.如权利要求1所述的半导体生产控制方法，其特征在于，所述历史数据包括：预设时间段内的多批次晶圆中每一批次晶圆随机抽样的历史实测数据；采用所述预测模型对所述随机抽样的晶圆进行预测的历史预测数据；在建立所述预测模型后，还包括步骤：基于所述历史数据对所述预测模型进行更新，获取更新后的预测模型。
7.如权利要求6所述的半导体生产控制方法，其特征在于，所述基于历史数据对预测模型进行更新的方法包括：基于同一片晶圆的所述历史实测数据与所述历史预测数据的差异，对所述预测模型进行更新，获取所述更新后的预测模型。
8.如权利要求1所述的半导体生产控制方法，其特征在于，所述基于所述预测数据以及所述实测数据，对第二步骤的工艺参数进行调整，包括：获取差值，所述差值包括所述预测数据与目标数据之间的差异以及所述实测数据与目标数据之间的差异；基于所述差值，对第二步骤的工艺参数进行调整。
9.一种半导体生产控制系统，其特征在于，包括：
预测模型生成模块，用于基于历史数据建立预测模型，所述预测模型用于预测同一批次晶圆在第二步骤后的特征参数，且所述历史数据包括历史第一步骤的历史工艺参数、历史第二步骤的历史工艺参数以及第二步骤后的晶圆的历史特征参数；
实测数据获取模块，在当前第二步骤后，对同一批次晶圆中部分数量晶圆的特征参数进行量测，获取实测数据；
预测数据获取模块，用于基于所述预测模型对同一批次晶圆中其余数量晶圆的特征参数进行预测，获取预测数据；
控制模块，用于基于所述预测数据以及所述实测数据，对第二步骤的工艺参数进行调整。
10.如权利要求9所述的半导体生产控制系统，其特征在于，所述预测模型生成模块包括：历史数据收集单元，收集所述历史数据；大数据平台单元，用于基于所述历史数据建立大数据平台；模型生成单元，用于基于所述大数据平台，获取所述预测模型。
11.如权利要求10所述的半导体生产控制系统，其特征在于，所述预测模型生成模块还包括：历史量测数据获取单元，用于对所述当前第二步骤之前预设时间段内的多个批次晶圆中的每一批次晶圆进行随机抽样，获取随机抽样的晶圆的历史量测数据；更新校正单元，用于基于所述历史量测数据对所述预测模型进行更新，获取更新后的预测模型。
CN201910788986.6A 2019-08-26 2019-08-26 半导体生产控制方法及控制系统 Active CN112433472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910788986.6A CN112433472B (zh) 2019-08-26 2019-08-26 半导体生产控制方法及控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910788986.6A CN112433472B (zh) 2019-08-26 2019-08-26 半导体生产控制方法及控制系统

Publications (2)

Publication Number Publication Date
CN112433472A true CN112433472A (zh) 2021-03-02
CN112433472B CN112433472B (zh) 2022-10-18

Family

ID=74690479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910788986.6A Active CN112433472B (zh) 2019-08-26 2019-08-26 半导体生产控制方法及控制系统

Country Status (1)

Country Link
CN (1) CN112433472B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002574A (zh) * 2021-10-29 2022-02-01 上海华力微电子有限公司 半导体结构的测试方法
CN114841378A (zh) * 2022-07-04 2022-08-02 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质
WO2022227018A1 (zh) * 2021-04-30 2022-11-03 华为数字能源技术有限公司 一种功率半导体器件的测试系统、云服务器及测试机

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1679155A (zh) * 2002-08-22 2005-10-05 先进微装置公司 在制造过程中预测装置的电气参数的方法及系统
CN1858665A (zh) * 2005-05-03 2006-11-08 台湾积体电路制造股份有限公司 用以监控半导体生产设备中的处理工具的方法与系统
CN101067742A (zh) * 2005-10-31 2007-11-07 台湾积体电路制造股份有限公司 量测方法以及虚拟量测系统
TW201117128A (en) * 2009-11-06 2011-05-16 Inotera Memories Inc Advanced WAT predict and warning system
TW201631631A (zh) * 2014-12-03 2016-09-01 克萊譚克公司 使用干涉儀預測及控制在晶圓中之關鍵尺寸問題及圖案缺陷
CN109612999A (zh) * 2017-09-26 2019-04-12 三星电子株式会社 用于晶圆图分析的系统和方法
CN109636026A (zh) * 2018-12-07 2019-04-16 东华大学 一种基于深度学习模型的晶圆良率预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1679155A (zh) * 2002-08-22 2005-10-05 先进微装置公司 在制造过程中预测装置的电气参数的方法及系统
CN1858665A (zh) * 2005-05-03 2006-11-08 台湾积体电路制造股份有限公司 用以监控半导体生产设备中的处理工具的方法与系统
CN101067742A (zh) * 2005-10-31 2007-11-07 台湾积体电路制造股份有限公司 量测方法以及虚拟量测系统
TW201117128A (en) * 2009-11-06 2011-05-16 Inotera Memories Inc Advanced WAT predict and warning system
TW201631631A (zh) * 2014-12-03 2016-09-01 克萊譚克公司 使用干涉儀預測及控制在晶圓中之關鍵尺寸問題及圖案缺陷
CN109612999A (zh) * 2017-09-26 2019-04-12 三星电子株式会社 用于晶圆图分析的系统和方法
CN109636026A (zh) * 2018-12-07 2019-04-16 东华大学 一种基于深度学习模型的晶圆良率预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022227018A1 (zh) * 2021-04-30 2022-11-03 华为数字能源技术有限公司 一种功率半导体器件的测试系统、云服务器及测试机
CN114002574A (zh) * 2021-10-29 2022-02-01 上海华力微电子有限公司 半导体结构的测试方法
CN114841378A (zh) * 2022-07-04 2022-08-02 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN112433472B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN112433472B (zh) 半导体生产控制方法及控制系统
US8437870B2 (en) System and method for implementing a virtual metrology advanced process control platform
KR102376824B1 (ko) 제조 공정들을 학습하고 제조 공정들을 최적화하기 위한 시스템 및 방법
EP0865666B1 (en) A system for monitoring and analyzing manufacturing processes using statistical simulation with single step feedback
US6161054A (en) Cell control method and apparatus
CN109147878B (zh) 一种水泥熟料游离钙软测量方法
US8452441B2 (en) Process quality predicting system and method thereof
US20140222376A1 (en) Method for searching, analyzing, and optimizing process parameters and computer program product thereof
US11022968B2 (en) Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
Su et al. A processing quality prognostics scheme for plasma sputtering in TFT-LCD manufacturing
CN111190393B (zh) 半导体制程自动化控制方法及装置
CN115769336A (zh) 加工设备的控制
KR101290199B1 (ko) 반도체 제조 설비에서 런-투-런 제어를 위한 컨텍스트 오프셋들을 추정하기 위한 방법 및 시스템
US8433434B2 (en) Near non-adaptive virtual metrology and chamber control
US7324865B1 (en) Run-to-run control method for automated control of metal deposition processes
JP2010141042A (ja) プロセス処理装置の制御システム、プロセス処理装置の制御方法、プロセス処理装置の制御プログラム、および、プログラム記録媒体
US20230195078A1 (en) Methods and mechanisms for adjusting process chamber parameters during substrate manufacturing
US20230222264A1 (en) Processing chamber calibration
CN115114852A (zh) 基于lstm的半导体制造机台虚拟量测装置
US7117059B1 (en) Run-to-run control system and operating method of the same
CN101075132A (zh) 利用统计工艺控制管理机器的方法
CN111898311A (zh) 一种基于卷积神经网络的多阶段半导体过程虚拟计量方法
TW202409764A (zh) 用於基板處理設備的多維感測器資料的整體分析
TW202409765A (zh) 多運行循環處理過程的分析
Wribhu Comparative analyses of control charts in studying tool efficiency in semiconductor fabrication

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