CN113342906B - 一种对晶圆量测数据分布形态的分类方法以及装置 - Google Patents
一种对晶圆量测数据分布形态的分类方法以及装置 Download PDFInfo
- Publication number
- CN113342906B CN113342906B CN202110640729.5A CN202110640729A CN113342906B CN 113342906 B CN113342906 B CN 113342906B CN 202110640729 A CN202110640729 A CN 202110640729A CN 113342906 B CN113342906 B CN 113342906B
- Authority
- CN
- China
- Prior art keywords
- measured object
- data model
- measured
- data
- initial
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
Abstract
本申请实施例提供一种对晶圆量测数据分布形态的分类方法以及装置,所述分类方法包括:获取与设定量测参数对应的量测数据,其中,所述量测数据是对一片晶圆或者同批次生产的多片晶圆上分布的被测对象进行测量或者测试得到的;根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括的初始被测对象,其中,通过所述多类数据模型用于表征所述测试数据存在的双峰或者拖尾现象;根据所述各个数据模型包括的初始被测对象的近邻被测对象调整相应数据模型包括的被测对象,得到所述各个数据模型的目标被测对象集。本申请的一些实施可以构建精准的晶圆测试数据分类模型,最终达到优化生产工艺和降低生产缺陷的技术效果。
Description
技术领域
本申请涉及晶圆生产测试领域,具体而言本申请实施例涉及一种对晶圆量测数据分布形态的分类方法以及装置。
背景技术
量测是晶圆厂工艺控制的一个重要手段,通过对产品的主要生产阶段的关键参数的测量来确定产品是否符合设计要求,来确保最终的良率符合要求。同时通过量测,可以了解到目前存在的问题,及时反馈进行工艺调整实现最终产品的高良率。晶圆在测试的时候,会产生大量量测数据,理想情况下,针对同一时间段、同一机台、同一批次/晶圆的某一个量测参数进行测试得到的量测数据(连续型数值数据)应该服从正态分布,但实际生产情况下由于制作工艺等异常导致测试得到的量测数据会有其他形态的数据分布,相关技术可以通过量测数据获取多种形态在晶圆上的分布形状来对晶圆的制造工艺等进行监控获取制造工艺等存在的问题,以改善晶圆工艺和提升良率。然而采用相关技术对量测数据进行分类的方法获取的分布形状准确性较差,进而降低了基于这些量测数据进一步提升制造工艺的技术效果。
因此提升对量测数据的分类方法以精确反映量测数据对应的多种形态的分布形状成了亟待解决的技术问题。
发明内容
本申请实施例的目的在于提供一种对晶圆量测数据分布形态的分类方法以及装置,通过本申请一些实施例提供的对晶圆量测数据进行分类的方法得到的数据模型能够将量测数据精准的区分成正态分布的基准量测数据模型(简称baseline),正态分布的pattern形状数据模型(简称pattern)以及远离正态分布的离群缺陷数据模型(简称defect)这三种基本数据模型,从而为晶圆工艺改善和良率提升的分析工作,提供精准的数据源。
第一方面,本申请的一些实施例提供一种对晶圆量测数据分布形态的分类方法,所述分类方法包括:获取与设定量测参数对应的量测数据,其中,所述量测数据是对一片晶圆或者同批次生产的多片晶圆上分布的被测对象进行测量或者测试得到的;根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括的初始被测对象以及所述初始被测对象的属性;根据所述各个数据模型包括的初始被测对象的近邻被测对象调整相应数据模型包括的被测对象,得到所述各个数据模型的目标被测对象集。
本申请的一些实施例通过基于晶圆生产产生的量测参数(包括测量或者测试)的量测数据(包括测量或者测试得到的数据)的统计值以及被测对象的在晶圆上的坐标拓扑关系(即与所述初始被测对象相邻的被测对象),构建精准的晶圆量测数据分类模型,最终提升生产缺陷原因查找的技术效果。
在一些实施例中,所述统计值包括:所述量测数据的最大值、最小值和中位值;其中,所述根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括初始被测对象,包括:根据所述统计值得到统计图,其中,所述统计图用于表征各个步长范围内的初始被测对象的数量,所述步长与所述晶圆上被测对象的总数量,以及所述中位值相关;根据所述统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类,得到所述各个数据模型包括的初始被测对象。
在一些实施例中,所述量测数据的最大值、最小值和平均值;其中,
所述根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括初始被测对象,包括:根据所述统计值得到统计图,其中,所述统计图用于表征各个步长范围内的初始被测对象的数量,所述步长与所述晶圆上被测对象的总数量,以及所述平均值相关;根据所述统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类,得到所述各个数据模型包括的初始被测对象。
本申请的一些实施例通过统计图来确定极值进而根据极值对各数据分类模型包括的被测对象进行粗分类,得到各个数据模型包括的初始被测对象,这样可以避免求解曲线方程之后再根据曲线方程求导来确定极值造成的计算量大且运算速度慢的技术缺陷。
在一些实施例中,所述统计图为柱状分布图,所述柱状分布图的纵坐标用于表征所述各个步长范围内的初始被测对象的数量,所述柱状分布图的横坐标用于表征所述各个步长范围、所述最大值和所述最小值;其中,所述根据所述统计图确定至少一个极值,包括:根据所述各个步长范围对应的纵坐标的值依次确定各相邻的两个步长范围的斜率;至少在确认两个相邻斜率值的符号发生改变时,将中间步长范围的纵坐标的值作为所述极值,其中,所述中间步长范围位于符号发生改变的所述两个相邻斜率值所对应的多个步长范围的中间位置。
本申请的一些实施例通过柱状分布图(简称柱状分布图)来确定极值避免了数学函数难以确定的问题,以及对平滑曲线,再求导函数造成的计算量大的问题。
在一些实施例中,所述统计图为柱状分布图,所述柱状分布图的纵坐标用于表征所述各个步长范围内的初始被测对象的数量,所述柱状分布图的横坐标用于表征所述各个步长范围、所述最大值和所述最小值;其中,所述根据所述统计图确定至少一个极值,包括:根据所述各步长范围对应的纵坐标的值确定各相邻两个步长范围的斜率值,得到与所述各个步长范围次序相关的多个斜率值;若连续两个以上的斜率值为正,接着连续两个以上的斜率值为负,则确认一个极大值;若连续两个以上的斜率值为负,接着连续两个以上的斜率值为正,则确认一个极小值。
本申请的一些实施例根据至少连续五个以上步长范围对应的四个以上连续斜率值的变化情况,确定极值点可以有效的去掉毛刺避免假极值点的存在,提升了得到的极值的准确性,并进一步提升根据极值对各数据模型进行粗分类的准确性。
在一些实施例中,所述多类数据模型包括:正态分布的基准量测数据模型、正态分布的pattern形状数据模型(或称为正态分布的特殊分布形状模型)和远离正态分布的离群缺陷数据模型;所述根据所述统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类,得到所述各个数据模型包括的初始被测对象,包括:根据所述统计图确定第一极大值、与第一极大值相邻的第一极小值、比所述第一极大值小的至少一个第二极大值,以及与各第二极大值相邻的第二极小值;将所述第一极大值作为所述正态分布的基准量测数据模型的中心值,并所述第一极小值作为所述正态分布的基准量测数据模型的分布边界;将所述各第二极大值分别作为一个所述正态分布的pattern形状数据模型的中心值,并将与相应第二极大值相邻的第二极小值作为对应的正态分布的pattern形状数据模型的分布边界;或者将由位于边缘的第二极大值和位于边缘的第二极小值限定的区域作为所述远离正态分布的离群缺陷数据模型的分布边界;根据所述分布边界确认相应数据模型包括的初始被测对象。
本申请的一些实施例通过极值来区分各个数据模型包括的初始分布区域进而可以确定与初始分布区域对应的初始被测对象,完成了基于极值的对量测数据进行粗分类的目的。
在一些实施例中,所述多类数据模型包括:正态分布的基准量测数据模型和正态分布的pattern形状数据模型;其中,所述方法还包括:根据所述各个数据模型对应的初始被测对象的量测数据,获取与各个所述模型对应的标准偏差;所述根据所述各个数据模型包括的初始被测对象的近邻被测对象调整相应数据模型包括的被测对象,得到所述各个数据模型的目标被测对象集,包括:根据所述标准偏差确定与所述初始被测对象相邻的任一被测对象的量测数据满足设定条件,则将所述任一被测对象作为所述目标被测对象集中的一个。
本申请的一些实施例根据晶圆上被测对象的拓扑关系(即与初始被测对象相邻的任一被测对象)以及对应的量测数据来确定是否将该被测对象作为正态分布的基准量测数据模型或者正态分布的pattern形状数据模型中的被测对象,进一步完善了这两类模型包括的被测对象的数量以及在晶圆上的形状,与相关技术直接用环形或者扇形粗略表征数据模型在晶圆上的分布区域的方式明显改善了各类数据模型对应的形状的精度,提升了根据这些数据模型对应的量测数据识别工艺缺陷的准确率。
在一些实施例中,所述根据所述标准偏差确定与所述初始被测对象相邻的任一被测对象的量测数据满足设定条件,则将所述任一被测对象作为所述目标被测对象集中的一个,包括:获取与第i初始被测对象相邻的一个或多个被测对象,其中,i的取值范围为[1,N],其中,N为第一数据模型包括的初始被测对象的总数量,所述第一数据模型为所述各个数据模型中的任意一个,所述第一数据模型包括的所有初始被测对象位于所述晶圆上的第一初始分布区域;确认所述一个或多个被测对象不属于所述第一初始分布区域;根据所述一个或多个被测对象的量测数据和所述标准偏差确认满足所述设定条件;将所述一个或多个被测对象作为所述目标被测对象集中的一个或多个对象,并扩大所述第一初始分布区域;重复上述过程,直至遍历所述第一初始分布区域包括的所有初始被测对象,得到与所述第一数据模型对应的目标被测对象集。
本申请的一些实施例通过确认初始被测对象的相邻被测对象的测试值满足要求,将被测对象作为对应模型中的一个被测对象,进一步提升对应模型包括的被测对象的数量,并进一步完善该模型在晶圆上的分布区域。
在一些实施例中,所述设定条件包括:所述一个或多个被测对象的量测数据位于设定范围内,其中,其中,所述的设定范围是由与所述第一数据模型对应的平均值和所述标准偏差所限定的,或者,所述的设定范围是由与所述第一数据模型对应的中位值和所述标准偏差所限定的。
本申请的一些实施例通过设定条件可以将绝大部分的被测对象包含在对应的数据模型中,改善了初始被测对象组成的分布区域形状不完善的技术问题。
在一些实施例中,所述标准偏差为方差,所述设定条件包括:确认所述一个或多个测试对象对应的量测数据位于距离所述平均值或者中位值为三倍方差范围内的值。
本申请的一些实施例通过确认量测数据是否位于距离中位值或者平均值的三倍方差内,可以将99.7%的被测对象划分在相应的数据模型中,进一步完善了各数据模型的形状和包括的被测对象的数量。
在一些实施例中,所述多类数据模型包括:远离正态分布的离群缺陷数据模型,所述统计值包括平均值和标准偏差;其中,所述根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括的初始被测对象,包括:根据所述平均值和所述标准偏差确定所述远离正态分布的离群缺陷数据模型包括的初始被测对象;所述确认所述各个数据模型包括的初始被测对象的近邻被测对象是否属于相应的数据模型,得到所述各个数据模型的目标被测对象集,包括:根据所述初始被测对象确定所述远离正态分布的离群缺陷数据模型包括的中心被测对象以及所述中心被测对象的近邻被测对象;根据所述近邻被测对象和所述中心被测对象的近邻被测对象,确定所述远离正态分布的离群缺陷数据模型对应的目标被测对象集。
本申请的一些实施例通过判定中心区域或中心点被测对象的量测数据超限或呈现样本数据的最值以及围绕中心区域或中心点数据呈现陡峭渐变这两个条件,或者通过判断中心区域或中心点芯片失效导致数据不可测以及围绕中心区域或中心点数据呈现陡峭渐变,来确定远离正态分布的离群缺陷数据模型包括的所有被测对象,得到该数据模型对应的目标被测对象集。
在一些实施例中,所述根据所述初始被测对象确定所述远离正态分布的离群缺陷数据模型包括的中心被测对象,包括:确认第k初始被测对象存在近邻被测对象;若确认所述第k初始被测对象的近邻被测对象存在量测数据且确认与所述第k初始被测对象对应的量测数据的大小满足要求,则将所述第k初始被测对象作为所述中心被测对象;若确认所述第k初始被测对象的近邻被测对象存在量测数据且确认与所述第k初始被测对象对应的量测数据的大小不满足要求,则从所述第k初始被测对象的近邻被测对象中查找所述中心被测对象;或者,若确认所述第k初始被测对象的近邻被测对象不存在量测数据,则从所述第k初始被测对象的近邻被测对象中查找所述中心被测对象。
本申请的一些实施例通过判断初始被测对象是否存在近邻被测对象,存在近邻被测时这些近邻被测对象是否具有量测数据以及初始被测对象与近邻被测对象对应的量测数据之间的大小关系是否满足要求,来确定各个远离正态分布的离群缺陷数据模型的中心点对应的中心被测对象,提升了得到各远离正态分布的离群缺陷数据模型的在晶圆上分布的准确性。
在一些实施例中,所述中心被测对象包括一个无量测数据的被测对象,或多个相邻的无量测数据的被测对象。
通过本申请的一些实施例还可以得到多个相邻的无量测数据的远离正态分布的离群缺陷数据模型所包括的目标被测对象集。
在一些实施例中,所述根据所述中心被测对象和所述中心被测对象的近邻被测对象,确定所述远离正态分布的离群缺陷数据模型对应的目标被测对象集,包括:根据所述中心被测对象的近邻被测对象的量测数据,得到多个近邻斜率;当所有的近邻斜率满足设定条件时,则将所述中心被测对象和所述中心被测对象的近邻被测对象作为所述远离正态分布的离散缺陷模型包括的目标被测对象集。
本申请的一些实施例通过确认各近邻被测对象与对应的中心被测对象之间的近邻斜率的正负特性是否相同来调整对应数据模型的目标被测对象集,例如,如果近邻被测对象对应的近邻斜率值均为正或者均为负则将该中心被测对象和所有近邻被测对象都作为该数据模型的目标被测对象集中的对象,如果近邻斜率有正值也有负值,则舍弃该中心被测对象,跳转到判断下一个对象,如果所有被判断对象都不符合标准则该数据模型对应的目标被测对象集为空不包括任何被测对象。
在一些实施例中,所述根据所述各个数据模型包括的初始被测对象的近邻被测对象调整相应数据模型包括的被测对象,得到所述各个数据模型的目标被测对象集之后,所述方法还包括:根据所述目标被测对象集在所述晶圆上的分布区域确定所述量测数据和工艺异常之间的相关性。
本申请的实施例由于细化了各个数据模型的具体形状以及包括的被测对象,因此得到的各数据模型更加精确,之后基于精确的数据模型结果可以提高查找量测数据和工艺异常之间潜在关系的准确率,进而有针对性的改善工艺流程等进而提升晶圆的良率。
在一些实施例中,所述量测数据的类型包括:工艺流水线上的量测数据(即inline量测数据),WAT量测数据,WS(或称CP)量测数据或者FT终测数据。
本申请实施例提供的可以对晶圆制造的各个阶段的量测数据进行分类,具体的inline量测数据对应工艺流水线上的量测数据、WAT量测数据对应晶圆接收测试用于测量元器件电性参数、WS(或称CP)量测数据指代晶圆的芯片级测试以及FT终测数据对应封装后的量测数据,因此本申请实施例的数据模型分类方法具有很强的通用性。
第二方面,本申请的一些实施例提供一种对晶圆量测数据分布形态的分类方法装置,所述分类装置包括:量测数据获取模块,获取与设定量测参数对应的量测数据,其中,所述量测数据是对一片晶圆或者同批次生产的多片晶圆上分布的被测对象进行测量或者测试得到的;第一分类模块,被配置为根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括的初始被测对象;第二分类模块,被配置为根据所述各个数据模型包括的初始被测对象的近邻被测对象调整相应数据模型包括的被测对象,得到所述各个数据模型的目标被测对象集。
第三方面,本申请的一些实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时可实现第一方面或第一方面的任意可能的实现方式中的方法。
第四方面,本申请的一些实施例提供一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现第一方面或第一方面的任意可能的实现方式中的方法。
第五方面,本申请提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行第一方面或第一方面的任意可能的实现方式中的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为相关技术中晶圆制造流程中主要测试环节示意图;
图2为本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之一;
图3为本申请实施例提供的针对柱状分布图的极值确定方法的示意图;
图4为本申请实施例提供的用于确定多倍方差的示意图之一;
图5为本申请实施例提供的用于确定多倍方差的示意图之二;
图6为本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之二;
图7为本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之三;
图8为本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之四;
图9为本申请实施例提供的本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之五;
图10为本申请实施例提供的本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之六;
图11为本申请实施例提供确定defect数据模型区间的示意图;
图12为本申请实施例提供的本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之七;
图13为本申请实施例提供的本申请实施例提供的对晶圆量测数据分布形态的分类方法的流程图之八;
图14为本申请实施例提供的对晶圆量测数据分布形态的分类装置的组成框图;
图15为本申请实施例提供的电子设备的组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
缩略语和关键术语定义:
WAT(Wafer accept testing):指晶圆在工厂出货之前对划痕道的电路单元结构的电性测试,表征晶圆的工艺稳定性。
WS(Wafer sorting):指晶圆上芯片(或称为裸片、die)测试,分为高温、常温和低温测试,按照设计规格对芯片按照最严格的工作条件进行合格品测试。
FT(Final testing):指芯片切割完塑封后的成品进行终测,终测基本按照产品规格需求进行测试,一般会在终测前进行一道筛选封测导致的失效测试。
Normal distribution:理想情况下量测数据属于正态分布。
Baseline(对应于本申请正态分布的基准量测数据模型简写):芯片量产时的大量数据的基准表现,芯片性能和规格符合设计的预期表现。
Pattern(对应于本申请正态分布的特殊形状数据模型简写):芯片量产时,由于工艺上或测试上某些环节的偏差,使得量测参数对应的量测数据(或称为量测数据)异于Baseline的表现,往往在晶圆上呈现一定的几何形状。
Defect(对应于本申请远离正态分布的离群缺陷数据模型简写):芯片由于工艺上的缺陷,导致失效,这些失效的芯片的表现形式如:失效无数据,失效但数据超出规格。
相关技术的工艺异常分析是取晶圆上所有芯片的平均值或中位值进行相关性分析得到的。例如,利用EDA公司提供的数据分析软件,该软件提供的是固定区域Zone模板(例如、环形cycle或者扇形sectors等)来对晶圆量测数据进行不同区域的分类,也就是说,相关技术是将量测数据对应的数据模型简单划分为环形或者扇形。当前的数据分析模式优点是简单快捷,但是EDA工具的模板准确性不够,不能够精准反应各数据模型对应的量测数据的特征和形貌,从而不能很精准的确定量测数据和工艺异常之间的相关性。
本申请的一些实施例基于芯片生产过程中产生的量测数据的极值(即大小相近的量测数据在晶圆上分布密度较大(对应于极大值)或者较小(对应于极小值)的区域所包括的初始被测对象的数量),以及晶圆上的被测对象(例如,芯片)的坐标拓扑关系,构建精准的晶圆量测数据分类模型。将单片或者单个批次晶圆的量测数据(与被测对象对应)分类为baseline,pattern,defect三种基本模型的数据,从而为晶圆工艺改善和良率提升的分析工作,提供精准的数据源。需要说明的是,本申请实施例所基于的量测数据可以包括:晶圆生产的inline量测数据,WAT量测参数对应的量测数据,芯片的WS量测参数对应的量测数据或者FT量测参数对应的量测数据等,因此本申请的量测数据分类方法可以应用于半导体行业芯片制造整个流程的数据相关性及共性分析。
也就是说,本申请的一些实施例建立了一种精确的数据分类模型,该模型能够将量测数据精准地区分成baseline,pattern,defect三种基本数据模型,从而为晶圆工艺改善和良率提升的分析工作,提供精准的数据源。相较于当前EDA公司的数据分析软件在数据分析中采用的固定模板的简单分类方法,基于本申请一些实施例得到各数据模型对应的量测数据或者被测对象,可实现对实际生产产生的量测数据进行灵活的分类,可对不同产品,不同批次,不同晶圆提供特定的数据分组,从而实现精准数据模型分析的需要。
通过本申请的一些实施例提供的对晶圆量测数据分布形态的分类方法,用于构建以下三种基本数据模型:
第一,正态分布的基准量测数据模型(Baseline parameter performance),在一些实施例中该数据模型用于表征芯片量产时的大量数据的基准表现。
第二,正态分布的pattern形状数据模型(pattern distribution of theparameter,或称为正态分布的特殊分布形状模型),在一些实施例中该数据模型用于表征量测参数对应的量测数据异于正态分布的基准量测数据模型的表现。
第三,远离正态分布的离群缺陷数据模型,这种缺陷会有以下数据特征(defectinduced outliner):A.中心区域或中心点芯片数据超限或呈现样本数据的最值,且围绕中心区域或中心点数据呈现陡峭渐变;或者,B.中心区域或中心点芯片失效导致数据不可测且,围绕中心区域或中心点数据呈现陡峭渐变。
请参看图1,图1的晶圆制造流程包括:晶圆投入,依次对晶圆投入的晶圆进行薄膜、光罩、刻蚀以及扩散,为了监控这些流程的工艺情况可以对薄膜操作后的晶圆进行缺陷测试,对光罩处理后的晶圆进行缺陷测试并对刻蚀后的晶圆进行测试,进而得到由这些量测数据对应的制程前段的量测数据。需要说明的是,制程前段的过程工艺检测主要是对晶圆制造过程中工艺性能参数进行测试,需要对晶圆的缺陷类型、膜厚、线宽、关键尺寸等进行测量,属于前道测试过程,并且前道测试的测试结果通常以晶圆缺陷图像类型的形式进行呈现。
图1的制程末端包括晶圆允收测试和晶圆针测。制程末端的WAT测试环节(对应于晶圆允收测试)与CP测试环节(对应于晶圆针测)则是对晶圆的电学性能以及晶圆的功能进行测试的过程,并且最终会依据测试结果对晶粒进行功能等级划分,测试结果通常以电学性能参数、晶圆产品合格率的形式进行体现。
晶圆制造是将设计好的逻辑电路制造集成于细小的芯片中,其制造难度与工艺管控难度不言而喻,而通过制造前段与后段的晶圆产品质量控制,能够有效提升晶圆产品的质量状况。例如,晶圆生产企业在晶圆制造完成之后、封装之前,需要对晶圆的电学性能进行WAT测试,用以反映晶圆制造的质量情况。
需要说明的是,本申请一些实施例所基于的量测数据可以是图1示出的制程前段的量测数据也可以是制程末端的量测数据。本申请实施例的量测数据对应的量测参数属于连续型数据,也就是说如0/1的布尔型数据不属于本申请实施例的量测参数。例如,本申请一些实施例所基于的WAT测试的量测参数类型包括源漏击穿电压(BVDS)、器件关闭状态下漏电流(IOFF)、连接电阻(RCFV)、工作状态下的饱和电流(IDSAT)或者电容器漏电流(GLK)等,本申请的实施例并不限定具体的连续量测参数的类型。
在本申请的一些实施例中,首先,将单片或者单个批次晶圆的某一项量测参数(对应于各类测试的某一个具体的量测参数,例如,WS测试类型包括的漏电量测参数Idd_off)的测试数数据存入到输入文件夹,然后运用任何一种脚本语言编写的脚本或者APP应用软件(该脚本或者应用程序用于实现本申请一些实施例提供的对晶圆量测数据进行分类的方法),对量测数据建立精准的分类模型。
需要说明的是,上述的任何一种脚本语言,包括但不限于perl,python,Java等;也可以使用任何EDA软件编程工具,包括但不限于Synopsys的YieldExplorer编程环境,Odyssey工具的编程环境等。
下面结合图2示例性阐述本申请一些实施例的对晶圆量测数据进行分类的方法。
如图2所示,本申请的一些实施例提供一种对晶圆量测数据分布形态的分类方法,该分类方法包括:S101,获取与设定量测参数(包括测量参数或者测试参数)对应的量测数据,其中,量测数据是对一片晶圆或者同批次生产的多片晶圆进行测量或者测试得到的。S102,根据量测数据的统计值,确定设定的多类数据模型中各个数据模型包括的初始被测对象。S103,根据所述各个数据模型包括的初始被测对象的近邻被测对象相应的数据模型包括的被测对象,得到所述各个数据模型的目标被测对象集。
需要说明的是,对于WAT测试,被测对象指划片槽(scribe line)上的特殊测试结构和元器件(Testkey)。对于test tran被测对象指晶圆上如MPW chip或者产品芯片内的特殊结构或元器件,用作生产工艺参数监控。晶圆上实际的产品芯片,对于WS测试或者其他晶圆级芯片测试,被测对象指代晶圆上的被测的裸片die。在本申请的一些实施例中,S102涉及的设定的多类数据模型至少能够表征所述量测数据存在的双峰或者拖尾现象,但是本申请的实施例并不限定仅存在这两种数据模型。例如,在本申请的实施例中,设定的多类数据模型包括正态分布的基准量测数据模型。
下面示例性阐述上述过程涉及的相关步骤。
S101涉及的量测参数类型包括inline量测数据,WAT量测数据,WS(或称CP)量测数据或者FT终测数据。例如,S101的量测参数是WAT量测数据包括的电容器漏电流(GLK),相应的S101包括读取对某一片晶圆上各被测对象的电容器漏电流(GLK)进行测试得到的量测数据。例如,S101的量测参数是WAT量测数据包括的器件关闭状态下漏电流(IOFF),相应的S101包括读取对某一批晶圆中各晶圆上被测对象的器件关闭状态下漏电流(IOFF)进行测试得到的量测数据。
在本申请的一些实施例中,S102涉及的多个数据模型包括:正态分布的基准量测数据模型、正态分布的pattern形状数据模型(用于表征量测数据存在的双峰或多峰现象,每个峰值对应一个正态分布的pattern形状数据模型)以及远离正态分布的离群缺陷数据模型(用于表征量测数据存在的拖尾现象),但是本申请并不限定只包括这三类数据模型。需要说明的是,对于某些生产质量好的晶圆可能仅存在一个正态分布的基准量测数据模型;对于边缘质量差的晶圆,可能仅存在正态分布的基准量测数据模型和一个或多个远离正态分布的离群缺陷数据模型;对于某些晶圆可能同时存在正态分布的基准量测数据模型、正态分布的pattern形状数据模型以及远离正态分布的离群缺陷数据模型这三类数据模型,且正态分布的pattern形状数据模型的数量有可能包括多个,例如,在该晶圆上存在三个甚至四个正态分布的pattern形状数据模型。
本申请实施例涉及的被测对象以及S102涉及的初始被测对象指代分布在晶圆上的可以被量测的元器件或者裸片(或称为芯片)。在一些实施例中,对于WAT测试被测对象是划痕道中的元器件。在本申请的一些实施例中,对于WS测试,被测对象指代晶圆上的被测的裸片。可以理解的是,在不同的测试阶段对应的被测对象的类型是具有差异性的。本申请的实施例并不限定测试参数处于晶圆生成的那个阶段,也不限定具体的测试参数的类型。
在本申请的一些实施例中,S102获取各个数据模型的初始被测对象即获取这些初始被测对象在晶圆上的分布区域以及数量。也就是说,本申请一些实施例根据统计值的粗分类是指:确定各数据模型中初始被测对象的数量和在晶圆上的分布区域。
在本申请的一些实施例中,S103通过被测对象在晶圆上拓扑关系获取与所述初始被测对象近邻被测对象(近邻被测对象即在晶圆上距离初始近邻被测对象较近的被测对象,例如,近邻被测对象包括:与初始被测对象直接相邻的被测对象,或者与初始被测对象相邻的被测对象的相邻被测对象(即与所述初始被测对象次邻的被测对象))。需要说明的是,晶圆上所有被测对象的坐标是已知的,因此在本申请的一些实施例可以根据坐标确定与所述初始被测对象相邻或者次邻的被测对象,得到初始被测对象的近邻被测对象。
在本申请的一些实施例中,数据模型包括正态分布的基准量测数据模型或者正态分布的pattern形状数据模型,量测数据是对电容器漏电流(GLK)进行测试得到的数据,S103包括:读取与第一初始被测对象相邻的第一被测对象对应的电容器漏电流测试值;确认该电容器漏电流测试值处于与相应数据模型对应的目标正态分布区间(例如,该区间通过标准偏差进行表征)中,则将该第一被测对象添加至相应的数据模型中,作为该相应数据模型的目标被测对象集中的一个对象。
在本申请的一些实施例中,数据模型为远离正态分布的离群缺陷数据模型,量测数据是对电容器漏电流(GLK)进行测试得到的数据,S103包括:读取与第一初始被测对象相邻的所有被测对象对应的电容器漏电流测试值;确认所有被测对象对应的电容器漏电流测试值与第一初始被测对象的初始值的差值(作为近邻斜率值计算的一个示例)满足设定条件,则将该所有被测对象添加至相应的数据模型中,作为该相应数据模型的目标被测对象集中的对象。
需要说明的是,对于正态分布的基准量测数据模型和正态分布的pattern形状数据模型判断近邻数据的标准是通过标准偏差的范围,具体地,对于这两类数据模型上述示例涉及的目标正态分布区间是距离该类数据模型的中位值或者平均值为若干倍标准偏差的范围。例如,量测参数为漏电流,量测数据对应的平均值为5A,若干倍的标准偏差为正负三倍标准偏差3sigma,该3sigma的具体值为0.6A,读取的第一被测对象对应的量测数据为4.6A,则判断4.6A属于[5-0.6,5+0.6],则将该第一被测对象作为相应数据模型内的被测对象。对于defect离群缺陷模型(即远离正态分布的离群缺陷数据模型),判断近邻数据的标准是通过周围近邻芯片(作为被测对象的一种)数据的斜率,如果都为正或者都为负,则代表属于缺陷模型集的被测对象,如果有正有负则舍弃该中心被测对象。
下面结合一些实施例示例性阐述本申请的对晶圆量测数据进行分类的方法。
在本申请的一些实施例中S102可以根据极值确定各数据模型包括的初始被测对象,而为了减小求解极值的复杂度,在本申请的一些实施例通过统计图来求取极值。需要说明的是,本申请一些实施例的极值用于表征大小相近的量测数据(例如,通过柱状分布图上的一个步长范围来表征大小相近的一组量测数据)在晶圆上分布密度的较大(对应于极大值)或者较小(对应于极小值。
在本申请的一些实施例中,S102涉及的统计值包括:量测数据的最大值、最小值和中位值。在本申请的另一些实施例中,S102涉及的统计值包括:量测数据的最大值、最小值和平均值。相应的S102包括:根据统计值得到统计图;根据统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类,得到所述各个数据模型包括的初始被测对象。例如,根据确定的极值得到所述各个数据模型所包括的一个或多个步长范围;根据得到的一个或多个步长范围确定与各个数据模型对应的初始被测对象。需要说明的是,统计图用于表征位于各个步长范围内的初始被测对象的数量(即大小相近的量测数据在晶圆上对应的初始被测对象的数量),所述各个步长范围(例如,对于柱状分布图的步长单位)与所述被测对象的数量,以及所述中位值或者所述平均值中的一个相关。
在本申请的一些实施例中,S102的统计图为柱状分布图,则对应的步长的计算公式为:
其中,步进值即步长值,中位值即量测数据的中位值,样本数量即被测晶圆上所有被测对象的总数量,sigma是与一个数据模型对应的量测数据的方差,Min表示从样本数量和数值100中选择一个较小值。
需要说明的是,上述公式中的中位值可以替换为平均值(即晶圆上所有量测数据的平均值或中位值),上述公式分母中的数值100可以替换为其他固定值,该数值的具体大小可以根据经验或者具体的应用场景来获得,上述公式中的sigma可以替换为相应数据模型对应的所有量测数据的标准差,且上述公式中的3sigma可以替换为n倍的sigma,其中,n属于正整数,一般取值为3、4或者5等。
在本申请的一些实施例中,S102涉及的统计图为柱状分布图,该柱状分布图的横坐标用于表征所述各个步长范围、所述最大值和所述最小值,即该柱状分布图的横坐标是由量测数据的最大值和量测数据的最小值限定的范围内的多个步长范围,该柱状分布图包括多个与设定步长对应的矩形,该柱状分布图的纵坐标用于表征位于相应步长范围内的被测对象的数量,每个步长范围分别对应一个纵坐标值。S102包括:根据各个步长范围对应的纵坐标的值依次确定各相邻的两个步长范围的斜率值;至少在确认两个相邻斜率值的符号发生改变时,将中间步长范围的纵坐标的值作为所述极值,其中,所述中间步长范围位于符号发生改变的所述两个相邻斜率值所对应的多个步长范围的中间位置。
在本申请的一些实施例中,统计图为柱状分布图,该柱状分布图的纵坐标用于表征各个步长范围内的初始被测对象的数量,该柱状分布图的横坐标用于表征所述各个步长范围、所述最大值和所述最小值;其中,S102确定至少一个极值的过程包括:根据各步长范围对应的纵坐标的值确定各相邻两个步长范围的斜率值,得到与各个步长范围次序相关的多个斜率值(即得到与各步长范围次序相同的多个斜率值);若连续两个以上的斜率值为正,接着连续两个以上的斜率值为负,则确认一个极大值;若连续两个以上的斜率值为负,接着连续两个以上的斜率值为正,则确认一个极小值。可以理解的是,通过这些实施例可以将只有一个斜率值为正(或负),接着一个斜率值为负(或正)的极值点滤除,去掉柱状分布图上存在的毛刺点,提升得到的极值的准确性。
例如,S102涉及的统计图为柱状分布图,该柱状分布图的横坐标用于表征所述各个步长范围、所述最大值和所述最小值,即该柱状分布图的横坐标是由量测数据的最大值和量测数据的最小值限定的范围内的多个步长范围,该柱状分布图包括多个与设定步长对应的矩形,该柱状分布图的纵坐标用于表征位于相应步长范围内的被测对象的数量,所述各个步长范围中的每个步长范围分别对应一个纵坐标值,该柱状分布图包括依次相邻的第一步长范围、第二步长范围、第三步长范围、第四步长范围以及第五步长范围(如图3所示连续相邻的五个柱子对应的横坐标范围);其中,S102包括:根据各步长范围对应的纵坐标的值依次确定各相邻的两个步长范围的斜率值,得到相邻的第一斜率值、第二斜率值、第三斜率值以及第四斜率值(如图3所示连续四个斜率);至少在确认所述第一斜率值和所述第二斜率值的符号相同,所述第三斜率值和所述第四斜率值的符号相同,且所述第二斜率值和所述第三斜率值的符号不同时,则确定与所述第三步长范围对应的纵坐标为所述极值。
需要说明的是,上述第一斜率值是通过上述第一步长范围的纵坐标和上述第二步长范围的纵坐标得到的,上述第二斜率值是通过上述第二步长范围的纵坐标和上述第三步长范围的纵坐标得到的,上述第三斜率值是通过上述第三步长范围的纵坐标和上述第四步长范围的纵坐标得到的,上述第四斜率值是通过上述第四步长范围的纵坐标和上述第五步长范围的纵坐标得到的。
下面结合图3示例性阐述S102采用柱状分布图确定极值以及根据确定的极值确定各数据模型包括的初始被测对象的方法。
图3为根据统计值得到量测数据的柱状分布图。图3的X轴表征量测数据的分布情况,其中横坐标的Max对应量测数据的最大值,Min值对应量测数据的最小值,图3中的各个柱子所占据的横坐标的区间与一个步长范围对应,图3中横坐标对应量测参数的单位随量测参数类型的改变而改变。图3的Y轴表示每个单位间距(即每个步长范围内)包含的被测对象的数量。
图3中相邻两个柱子(或称为矩形)在横轴上的距离为设定的步长。例如,量测参数选择电容器漏电流(GLK),对晶圆上元器件进行测量得到的电容器漏电流的最大值为5A,最小值为0.1A,则Min值为0.1A,Max的值为5.1A,假设计算得到的步长(例如,采用上述的步长计算公式)为1A,则对应的步长范围分别为[0.1A,1.1A]、[1.1A,2.1A]、[2.1A,3.1A]、[3.1A,4.1A]以及[4.1A,5.1A],可以理解的是示例的这几个步长范围是采用闭区间方式表征的。
图3的纵坐标表示处于某一步长范围内被测对象的数量,即大小相近的测量数据在晶圆上的分布密度。例如,量测参数选择电容器漏电流(GLK),对晶圆上元器件进行测量得到的电容器漏电流的最大值为5A,最小值为0.1A,则Min值为0.1A,Max的值为5.1A,假设计算得到的设定步长为1A,则对应的步长范围分别为[0.1A,1.1A]、[1.1A,2.1A]、[2.1A,3.1A]、[3.1A,4.1A]以及[4.1A,5.1A],且经过统计得到位于[0.1A,1.1A]步长范围的被测对象的数量为20个电容器,则对应于该步长范围的纵坐标为20,相应的通过统计各步长范围对应的被测电容器的数量可以确定相应步长范围的纵坐标值。可以理解的是示例的这几个步长范围是采用闭区间方式表征的。
图3的各相邻两个步长范围的斜率值的计算公式为:
其中,由于图3的柱状分布图中各柱子(即各矩形)对应的步长相同(即dx的值相同),因此可以直接通过相邻两个柱子的纵坐标的差值来确定相邻两个柱子的斜率值。需要说明的是,本申请一些实施例根据斜率值确定极值的原则为:连续两个以上斜率为正,接着连续两个以上斜率为负,判断为极大值;连续两个以上斜率为负,接着连续两个以上斜率为正,判断为极小值;只有一个斜率为正(负),接着一个斜率为负(正),则判断为毛刺,不是极值因此需平滑掉,如图3中的圆圈圈出的极值为需要去掉的极值。
下面示例性阐述S102涉及的根据确定的极值确定各数据模型包括的初始被测对象的过程。
在本申请的一些实施例中,多类数据模型包括:正态分布的基准量测数据模型和正态分布的pattern形状数据模型。相应的S102包括:根据统计图确定第一极大值、与第一极大值相邻的第一极小值、比所述第一极大值小的至少一个第二极大值,以及与各第二极大值相邻的第二极小值;将第一极大值作为正态分布的基准量测数据模型的中心值,并将第一极小值作为所述正态分布的基准量测数据模型的分布边界;将所述各第二极大值分别作为一个所述正态分布的pattern形状数据模型的中心值,并将与相应第二极大值相邻的第二极小值作为对应的正态分布的pattern形状数据模型的分布边界;根据所述分布边界确认相应数据模型包括的初始被测对象。
下面结合图3以包括一个第二极大值的情况示例说明根据极值划分正态分布的基准量测数据模型和正态分布的pattern形状数据模型包括的所有步长范围的过程。
图3的柱状分布图存在一个第一极大值(对应于图3的baseline极大值)、与第一极大值相邻的第一极小值(对应于图3的极小值)、比第一极大值略小的第二极大值(对应于图3的pattern极大值),结合本申请的对晶圆量测数据进行分类的方法将第一极大值作为正态分布的基准量测数据模型的中心点,将Min值和极小值作为正态分布的基准量测数据模型的分布边界;将pattern极大值作为正态分布的pattern形状数据模型的中心点,将由极小值作为正态分布的pattern形状数据模型的一个边界。可以理解的是,通过图3的柱状分布图的极值可以确定大小相近的量测数据在晶圆上的分布密度的较大值和较小值,进而根据较大值和较小值对各类数据模型进行粗分类,得到各数据模型包括的初始被测对象,即位于相应数据模型对应的边界范围内的所有被测对象。
下面以多个第二极大值为例示例性阐述各个数据模型的边界如何确定。
在本申请的一些实施例中第二极大值包括:第三极大值和第四极大值,且与第三极大值相邻的极小值为第三极小值,与第四极大值相邻的第四极小值时,与图3仅存在一个第二极大值的示例不同本示例包括两个正态分布的pattern形状数据模型。具体地,将第三极大值作为第一正态分布的pattern形状数据模型的中心点,将第三极小值作为该第一正态分布的pattern形状数据模型对应的边界;将第四极大值作为第二正态分布的pattern形状数据模型的中心点,将第四极小值作为该第二正态分布的pattern形状数据模型对应的边界。
如何对正态分布的基准量测数据模型和正态分布的pattern形状数据模型得粗分类进行精细化处理,以修改正这些模型包括的被测对象,在本申请的一些实施例中还需要根据各个数据模型对应的初始被测对象的量测数据获取与各个数据模型对应的标准偏差。相应的S103包括:根据标准偏差确定与初始被测对象相邻的任一被测对象的量测数据满足设定条件,则将该任一被测对象作为所述目标被测对象集中的一个。本申请的一些实施例根据晶圆上被测对象的拓扑关系(即与初始被测对象相邻的任一被测对象)以及对应的量测数据来确定是否将该相邻或者次邻的被测对象作为正态分布的基准量测数据模型或者正态分布的pattern形状数据模型中的被测对象,进一步完善了这两类模型包括的被测对象的数量以及在晶圆上的形状,与相关技术直接用环形或者扇形粗略表征数据模型在晶圆上的分布区域的方式明显改善了各类数据模型对应的形状的精度,提升了根据这些数据模型对应的量测数据识别工艺缺陷的准确率。
具体地,S103包括:选取第i初始被测对象,其中,i的取值范围属于[1,N];获取与第i初始被测对象相邻的一个或多个被测对象;确认该一个或多个被测对象不属于第一初始分布区域;根据该一个或多个被测对象的量测数据和标准偏差确认满足设定条件;将该一个或多个被测对象作为目标被测对象集中的一个或多个对象,并扩大第一初始分布区域;重复上述过程,直至遍历第一初始分布区域包括的所有初始被测对象,得到与该第一数据模型对应的目标被测对象集。需要说明的是,N为第一数据模型包括的初始被测对象的总数量,第一数据模型为各个数据模型中的任意一个且该数据模型属于正态分布的基准量测数据模型或者正态分布的pattern形状数据模型,第一数据模型包括的所有初始被测对象位于晶圆上的第一初始分布区域。
需要说明的是,S103的设定条件包括:该一个或多个被测对象的量测数据位于设定范围内,其中,所述的设定范围是由第一数据模型对应的平均值和标准偏差所限定的,或者,所述的设定范围是由中位值和标准偏差所限定的。例如,S103的标准偏差为方差,满足设定条件即:确认该一个或多个测试对象对应的量测数据位于距离平均值或者中位值为三倍方差范围内的值。
下面结合图4示例性阐述S103的设定条件。
下面以被测对象为晶圆上的芯片die并以柱状分布图作为统计图为例,示例性阐述本申请一些实施例提供的对晶圆量测数据进行分类的方法。
第一步,确定样本数据的最大值、最小值和平均值(或中位值)等统计值,根据统计值获取量测数据分布的柱状分布图。需要说明的是,柱状分布图的横纵坐标以及与统计值之间的关系可以参考前文描述为避免重复在此不做过多赘述。
第二步,根据柱状分布图确定的极值对数据模型进行粗分类(baseline,pattern,defect),极大值作为分类模型的正态分布中位值,极小值作为分布的正负边界范围,并计算对应数组的标准偏差(例如,方差sigma值),初步定义baseline,pattern,defect三类数组模型,得到这三类数据模型各自包括的初始被测试芯片。需要说明的是,根据柱状分布图确定极值的方法可以参考前文描述,为避免重复在此不做过多赘述。
第三步,利用芯片坐标的网络拓扑关联(即与初始被测芯片相邻的被测芯片),重定义各数据模型的容量和空间分布(例如,重新确定相邻的被测芯片是否也属于对应的数据模型),还可以通过批次内(lot level)其他晶圆同类数据模型进一步完善各数据模型容量(即各数据模型的目标被测对象集包括的芯片总数量)和空间分布(即与各数据模型的目标被测对象集在晶圆上的分布形状),最终形成baseline,pattern和defect三种基本数据模型的数组,得到各数据模型包括的目标被测对象集。
如图4和图5所示,具体包括:根据各数据模型包括的初始被测对象的量测数据计算对应数据模型的sigma值(即方差)、两倍sigma值以及三位sigma值,分别得到各个数据模型的1sigma、2sigma以及3sigma(例如,得到图4的baseline对应的三个范围,以及图5的pattern对应的三个范围,其中图4和图5的上部的圆形为一片晶圆),之后判断与初始被测对象相邻被测对象(或者与相邻被测对象相邻的被测对象)的近邻量测数据是否处于3sigma范围内,如果位于该范围内则将与初始被测对象近邻的被测对象作为相应数据模型内的被测对象。
第四步,利用第三步得到的数据模型,进行差异化的数据相关性分析和机台共性分析,找出测试或工艺异常点,从而实现晶圆工艺改善和良率提升。
通过本申请的一些实施例的技术方案,能够对量测参数数据建立精准的数据模型,进而利用对应的数据模型进行差异化的数据相关性分析和机台共性分析,找出测试或工艺异常的根本原因,从而实现晶圆工艺改善和良率提升。本申请实施例的技术方案能够极大的排除生产中的噪音数据,有利于快速解决问题根源,从而为产品快速量产和良率提升提供有力技术支持。例如,对于pattern类型的是根据目标被测对象集的形状即在晶圆上的分布情况确认相关性,对于defect模型,通过坐标的拓扑关系,确定defect完整数据集后,实际应用中可以做相关性分析,也可以叠图看defect的分布特征,还可以统计相关晶圆的分布规律确定是否由生产工艺机台造成。
如图6所示,本申请一些实施例提供的对测试晶圆上芯片die(即被测对象为晶圆上的芯片)得到的量测数据分布形态的分类方法包括:
S201,读取连续型的晶圆量测数据。这是由于本申请的实施例不适用于0/1布尔型数据,只适用于连续性量测参数。
S202,确定量测数据的统计值,并根据统计值获取极值。该处的统计值包括量测数据的最大值、最小值、平均值或者中位值、等分区间(对应于上文的步长),这些统计值的具体含义以及相关的获取方法请参考上文。需要说明的是,柱状分布图的步长是根据所有量测数据的平均值、中位值和方差这些统计值确定的。
S203,根据极值对预定的数据模型进行粗分类。通过执行S203可以得到各数据模型对应的初始被测对象。也就是说,根据极值可以确定各数据模型包括的初始被测对象的数量以及在晶圆上的初始分布区域。
S204,根据晶圆上被测对象的拓扑关系(即获取初始被测对象的各相邻被测对象)优化预定的数据模型包括的各数据模型的分类结果,即确定各数据模型的目标被测对象集。
通过执行S204可以利用芯片(即被测对象)在晶圆上坐标的网络拓扑关联,重定义与各数据模型对应的数组的数据容量(即目标被测对象集包括的被测对象的总数量)和分布空间(即目标被测对象集在晶圆上的最终分布区域)。
S205,基于各数据模型进行应用分析。例如,进行相关性分析以确定工艺流程中存在的瑕疵或者故障。
下面以晶圆上的芯片作为被测对象,结合柱状分布图说明获取各数据模型包括的初始被测芯片的过程。
如图7所示,本申请一些实施例的对测试晶圆上芯片die(即被测对象为晶圆上的芯片)得到的量测数据分布形态的分类方法包括:
S301,选择量测参数,对晶圆上的所有芯片进行测试,得到量测数据。
S302,将各芯片坐标以及与各芯片对应的量测数据存入哈希表,方便后续查找调用。
S303,根据存储的量测数据求解所有量测数据的统计值,即确定这些量测数据的最大值、最小值、平均值(或者中位值)以及等分区间(或称为步长)。
S304,根据统计值做出量测数据分布的柱状分布图(或称为分布柱状图)。具体的,柱状分布图的横轴用于展示量测数据的最大值、最小值以及各个步长范围(即一个柱子的一条边),柱状分布图的纵坐标用于展示处于某一步长范围(即大小位于某一范围内的量测数据)的芯片的数量。
S305,对柱状分布图求导确定极值。具体的实现细节请参考上文描述,为避免重复在此不做过多赘述。
S306,记录极值、并区分极大值和极小值。极值点(极大值或极小值)用于表征该点对应的量测数据的分布密度或者数量,用于粗分类数据模型。
S307,判断确定正态分布的基准量测数据模型,即根据记录的极值判断确定正态分布的基准量测数据模型。
S308,将最大的极大值作为与正态分布的基准量测数据模型的中心点,将与最大的极大值相邻的极小值和最小值作为正态分布的基准量测数据模型的边界。将边界范围内的芯片作为正态分布的基准量测数据模型的初始被测对象。
S309,将其余各极大值分别作为一个正态分布的patttern形状数据模型的中心点,将与其余各极大值相邻的极小值作为相应正态分布的patttern形状数据模型的边界,将位于边界内的芯片作为相应正态分布的patttern形状数据模型的初始被测对象。
S310,在本申请的一些实施例中,将量测数据的边界(例如,量测数据的最大值)和与边缘的正态分布的patttern形状数据模型对应的极小值作为远离正态分布的离群缺陷数据模型的初始被测对象。
需要说明的是,S310仅示出了一种确定远离正态分布的离群缺陷数据模型的初始被测对象的方法。在本申请的另一些实施例中,通过所有量测数据的多倍标准偏差(例如,3sigma)到所有量测数据的最大值区间确定远离正态分布的离群缺陷数据模型的分布边界(该分布边界内的被测对象作为该数据模型的初始被测对象)。在本申请的一些实施例中,对于远离正态分布的离群缺陷数据,可以使用边缘正态分布的patttern形状数据模型对应的极小值到所有量测数据的最大值确定边界,也可以通过所有量测数据的若干倍标准偏差(例如,3sigma)到所有量测数据的最大值确定边界,以这两种方法确定的较小区间为远离正态分布的离群缺陷数据模型的初始被测对象均可。
下面结合图8以芯片作为被测对象,示例性阐述根据初始被测对象确定正态分布的基准量测数据模型包括的目标被测对象的过程。
S401,获取正态分布的基准量测数据模型包括的所有的初始被测对象,初始对象具体指代初始芯片。
S402,获取标准偏差值。需要说明的是,标准偏差值是通过对正态分布的基准量测数据模型包括的所有初始芯片的量测数据得到的。
S403,获取被选择的初始被测对象的量测数据,即获取第i初始芯片的量测数据。其中,i的取值范围大于等于1或者小于等于N(或用闭区间表征为[1,N]),其中N为正态分布的基准量测数据模型包括的所有初始芯片的总数量。需要说明的是,本申请其他实施例中涉及的闭区间表征的范围与该处i的取值范围的含义相同,属于数学上常规的采用闭区间表征某个数值范围的含义。
S404,判断被选中的初始被测对象的近邻的坐标或者量测数据是否存在,如果为否,跳转到S408;判断被选中的初始被测对象的近邻是否属于初始被测试对象,如果为是,则跳转到S408,如果为否则执行S405。
S405,读取近邻的坐标和近邻的量测数据。
S406,根据标准偏差确定近邻的量测数据是否位于设定范围内,当位于设定范围内时则执行S407,否则认为该近邻不属于相应数据模型包括的芯片,不应该包含在该数据模型对应的目标被测对象集中。在本申请的一些实施例中,可以确定近邻量测数据与平均值或者中位值的距离是否位于3倍的标准偏差内。
S407,将近邻(即近邻芯片)作为相应数据模型的被测对象,作为目标被测对象集中的一个。
S408,加载下一个初始被测对象(即加载第i+1初始芯片),并返回S403。
S409,重复上述过程,直至遍历完该数据模型包括的所有初始芯片得到相应数据模型的目标被测对象集。
下面结合图9以芯片作为被测对象,示例性阐述以确定正态分布的pattern形状的数据模型包括的目标被测对象的过程。图9与图8的差异在于图9对应的是一个正态分布的pattern形式的数据模型,为避免重复不对图9做过多赘述。为避免重复不对图9做过多赘述。
需要说明的是,当执行S404确认近邻坐标不存在则表征该近邻判断结束,跳到该初始被测对象的下一个近邻对象继续判断。
当确认第i初始芯片的所有近邻均满足目标被测对象集的要求时,则S407可以包括将近邻的四个被测芯片(即与第i初始芯片相邻上、下、左和右四个方位的芯片)加入相应数据模型,或者将近邻的8个芯片(即与第i初始芯片相邻上、下、左、右、左上、左下、右上以及右下八个方位的芯片)加入相应数据模型。
下面示例性阐述远离正态分布的离群缺陷数据模型的目标被测对象集如何确定的过程。
如图10所示,在本申请的一些实施例中,多类数据模型为远离正态分布的离群缺陷数据模型,S102的统计值包括平均值和标准偏差。相应的本申请一些实施例提供的确定远离正态分布的离群缺陷数据模型的目标被测对象集的方法包括:S501(对应于S102),根据平均值和标准偏差确定远离正态分布的离群缺陷数据模型包括的初始被测对象,或者,S501也可以替换为:将量测数据的边界(例如,量测数据的最大值)和与边缘的正态分布的patttern形状数据模型对应的极小值作为远离正态分布的离群缺陷数据模型的初始被测对象,或者S501也可以替换为:以上两种方法确定的较小区间作为远离正态分布的离群缺陷数据模型的初始被测对象的量测数据所分布的区间;S502,根据初始被测对象确定远离正态分布的离群缺陷数据模型包括的中心被测对象;S503,根据与该近邻被测对象和该中心被测对象,确定所述远离正态分布的离群缺陷数据模型对应的目标被测对象集。可以理解的是,图5的S502和S503与图1的S103对应。
下面示例性阐述S502确定中心被测对象的过程。
在一些实施例中,所述根据所述初始被测对象确定所述远离正态分布的离群缺陷数据模型包括的中心被测对象,包括:确认第k初始被测对象存在近邻被测对象;若确认所述第k初始被测对象的近邻被测对象存在量测数据且确认与所述第k初始被测对象对应的量测数据的大小满足要求,则将所述第k初始被测对象作为所述中心被测对象;若确认所述第k初始被测对象的近邻被测对象存在量测数据且确认与所述第k初始被测对象对应的量测数据的大小不满足要求,则从所述第k初始被测对象的近邻被测对象中查找所述中心被测对象;或者,若确认所述第k初始被测对象的近邻被测对象不存在量测数据,则从所述第k初始被测对象的近邻被测对象中查找所述中心被测对象。
例如,依次执行如下过程确定各个远离正态分布的离群缺陷数据模型的中心被测对象:通过遍历第i初始被测对象(对应于第i远离正态分布的离群缺陷数据模型)的近邻被测对象,判断近邻被测对象是否存在;遍历第i初始被测对象的近邻被测对象,判断近邻被测对象是否存在量测数据;对于近邻被测对象的量测数据值不存在的情况,该第k初始被测对象不能作为中心点,而应该以近邻的没有测试值的一个或几个对象,看成一个修正后的中心点。对于近邻被测对象的量测数据都存在的情况,如果该第k初始对象的量测数据不是最大值或最小值,则以近邻被测对象中具有最大值或最小值的被测对象为中心点(该近邻应该也是包含在defect缺陷模型集里)。可以理解的是,确定了各个远离正态分布的离群缺陷数据模型的中心被测对象后就可以再进行近邻斜率判断以最终确定相应数据模型包括的目标被测对象集。
需要说明的是,S502涉及的中心被测对象可以包括一个无量测数据的被测对象也可以包括多个相邻的无量测数据的被测对象。
在一些实施例中,S503包括:根据为第一远离正态分布的离群缺陷数据模型确定的中心被测对象的近邻被测对象的量测数据,得到多个近邻斜率;当所有的近邻斜率满足设定条件时,则将所述中心被测对象和所述中心被测对象的近邻被测对象作为所述远离正态分布的离散缺陷模型包括的目标被测对象集。
作为一个示例,当确定的第一远离正态分布的离群缺陷数据模型的中心被测对象有量测数据值,则根据该量测数据和与中心被测对象近邻的量测数据计算得到多个近邻斜率,并判断所有近邻斜率的正负特征来确定这个中心被测对象和其近邻是否构成第一远离正态分布的离群缺陷数据模型的目标被测对象集(例如,如果所有近邻斜率都为正,且次近邻与近邻斜率也都为非负,将近邻和次近邻都作为第一远离正态分布的离群缺陷数据模型的目标被测对象集中的对象)。例如,近邻斜率的值是将一个近邻被测对象与中心被测对象量测数据的差再除以近邻坐标距离(即近邻被测对象与中心被测对象之间的距离)得到的,相邻的坐标距离为1,次近邻坐标为2,斜对角坐标距离为1.4。需要说明的是,当中心被测对象没有量测数据,确定远离正态分布的离群缺陷数据模型的过程相同,只是斜率计算为近邻与次近邻的斜率都为同一趋势(同一趋势代表同为正或者同为负)。当中心被测对象为多个对象,且这多个对象无量测数据,则将位于中心的多个无值的被测对象作为一个中心被测对象处理(即合并对象),判断该合并对象的近邻与次近邻的斜率是否为同一趋势(同一趋势代表同为正或者同为负)。
下面以裸片作为被测对象示例性阐述获取远离正态分布的离群缺陷数据模型包括的目标被测对象的过程。
图10的S501确定defect数据模型包括的初始被测对象的过程包括:根据量测数据的最大值Max或最小值Min,量测数据的平均值Average(或者中位值Median)值和方差Sigma(STDV)值,确定defect数据模型的初始被测对象的计算公式如下:
Defect数据区间=(平均值+3sigma)---Max或
Defect数据区间=Min---(平均值-3sigma)
在本申请的一些实施例中,上述区间公式表征远离正态分布的离群缺陷数据模型(或称为defect数据模型)对应的数据区间包括:“平均值+3sigma”至最大值Max范围内,即量测数据大于“平均值+3sigma”且小于量测数据最大值Max之间的量测数据对应的被测对象属于初始被测试对象。在本申请的另一些实施例中,上述区间公式表征defect数据模型对应的数据区间包括:最小值Min至“平均值-3sigma”范围内,即量测数据大于量测数据最小值“Min”且小于“平均值-3sigma”的量测数据对应的被测对象属于初始被测试对象。如图11所示,在该图上展示了一个Defect区间(即Defect数据区间),该数据区间位于“平均值+3sigma(sigma对应于所有量测数据的方差)”至Max(对应于所有量测数据的最大值),而另一个Defect数据区间由于“平均值-3sigma”与量测数据最小值Min重合,因此该区间为空。
例如,晶圆上包括1000颗被测对象,3倍的标注偏差(即3sigma)包含99.7%的baseline数据模型或者pattern数据模型数据,只有3颗裸片die属于defect数据模型包括的初始被测对象。
下面以被测对象为芯片(die)阐述图10的过程。
第一步,遍历远离正态分布的离群缺陷数据模型包括的初始被测对象,例如,遍历上述的三颗die。
第二步,确定每个die周围近邻8颗die坐标是否在晶圆内存在。
第三步,在die坐标存在的基础上,遍历这些近邻,从而确定中心被测对象:
情况1:存在量测数据,对近邻die求近邻斜率,判断该近邻die为中心被测对象(或称为中心点);
情况2:由于近邻die失效导致参数值不存在,重定义该近邻die为中心点,重复第二步和第三步。
情况3:中心被测对象确定可能是多个失效die,且不存在参数值,需重定义中心pattern的近邻,重复第二步和第三步。
第四步,确定近邻斜率,判断标准如下:
情况1:只判断近邻斜率,如果所有近邻斜率同时为正(负),则该中心被测对象为defect,周围die划为该defect数据模型中的被测对象;其他情况则舍弃;
情况2和情况3:判断近邻die和次近邻die,如果近邻与次近邻间斜率同为正(负),则该点为defect,周围die划为defect数组;其他情况则舍弃;
可以理解的是,经过上述第二步和第三步对远离正态分布的离群缺陷数据模型包括的被测对象集合(即Defect数组)重定义完成重定义defect数组,得到远离正态分布的离群缺陷数据模型对应目标被测对象集。
需要说明的是,远离正态分布的离群缺陷数据模型包括的初始被测对象本身全是失效,并且不存在量测数据,且周围对象的每一个量测数据都在baseline数组表现中不存在斜率梯度的表现,该情况远离正态分布的离群缺陷数据模型不能通过样本的量测数据定位到,同时由于无defect数据数组,不具备数据分析价值。
下面结合图12和图13以被测对象为芯片(或称为裸片),示例性阐述图10的方法。
S601,获取defect数据模型(即远离正态分布的离群缺陷数据模型)包括的所有初始裸片。
S602,获取所有初始裸片(对应于初始被测对象)的量测数据。
S603,确定第i初始裸片作为中心被测对象。
S604,遍历第i初始裸片近邻的8个裸片。需要说明的是,在本申请的另一些实施例中也可以遍历第i初始裸片的近邻的4个裸片。
S605,确认8个裸片与中心被测裸片的近邻斜率值满足预设条件,对于预设条件的具体含义可以参考上述示例(如近邻斜率符号同为正,或者同为负)。
S606,遍历次近邻(即与近邻相邻的裸片)的12个裸片。需要说明的是,在本申请的另一些实施例中次近邻也可以不包括12个裸片。
S607,确认次近邻对应的近邻斜率值满足预设条件,对于预设条件的具体含义可以参考上述示例(如近邻斜率符号同为正,或者同为负)。
S608,确定defect数据模型对应的目标被测对象集,即将近邻或者次近邻满足条件的都放入目标被测对象集中。
图13以被测对象为芯片示例性阐述了获取中心被测对象的过程。
S701,获取defect数据模型数据,即获取所有远离正态分布的离群缺陷数据模型包括的初始芯片(对应初始被测对象),一个初始芯片可能对应一个远离正态分布的离群缺陷数据模型。
S702,读取远离正态分布的离群缺陷数据模型数组包括各初始裸片的坐标和量测数据。
S703,判断任意初始裸片是否属于中心被测对象。也就是说,对于defect里面的每一个初始被测对象,都会单独的判断该初始被测对象是否可以作为一个远离正态分布的离群缺陷数据模型的中心被测对象。以任意初始被测对象为第k裸片为例,中心被测对象的确定过程包括:
S704,遍历近邻8个裸片,即遍历该对象的近邻裸片。
S705,判断近邻的8个裸片坐标是否存在,即判断近邻裸片是否存在。
S706,查询数据hash表,判断第k裸片的近邻被测对象的量测数据是否存在,当存在时,则执行S713的记录近邻位置以进一步确定近邻斜率是否满足将该近邻作为目标被测对象集中对象的条件,否则执行S708;
S707,判断量测数据是否存在,若是则执行S713,若否则执行S708。
S708,重新定义中心die,也就是说,对于近邻die的量测数据不存在的情况,该第k裸片不能作为中心被测对象,而应该以近邻裸片的没有量测数据的一个或几个对象,看成一个修正后的中心被测对象。
需要说明的是,对于近邻裸片的量测数据都存在的情况,如果该第k裸片的量测数据不是最大值或最小值,则以近邻具有最大值或最小值的裸片为中心被测对象。
需要说明的是,在本申请的一些实施例中,S103之后,所述方法还包括:根据与所述目标被测对象集对应的量测数据确定所述量测数据和工艺异常之间的相关性。本申请的实施例由于细化了各个数据模型的具体形状以及包括的被测对象,因此基于精确的数据模型结果可以提高查找量测数据和工艺异常之间潜在关系的准确率。
请参考图14,图14示出了本申请实施例提供的对晶圆量测数据分布形态的分类装置,应理解,该装置与上述图2方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置的具体功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。装置包括至少一个能以软件或固件的形式存储于存储器中或固化在装置的操作系统中的软件功能模块,该分类装置包括:量测数据获取模块101,获取与设定量测参数对应的量测数据,其中,所述量测数据是对一片晶圆或者同批次生产的多片晶圆上分布的被测对象进行测量或者测试得到的;第一分类模块102,被配置为根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括的初始被测对象,其中,通过所述多类数据模型至少能够表征所述量测数据存在的双峰或者拖尾现象;第二分类模块103,被配置为被配置为根据所述各个数据模型包括的初始被测对象的近邻被测对象调整相应数据模型包括的被测对象,得到所述各个数据模型的目标被测对象集。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述图2方法中的对应过程,在此不再过多赘述。
本申请的一些实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时可实现图2的实现方式中的方法。
如图15所示,本申请的一些实施例提供一种电子设备500,包括存储器510、处理器520以及存储在存储器510上并可在处理器520上运行的计算机程序,其中,处理器520通过总线530从存储器510上读取程序并执行所述程序时可实现图2的实现方式中的方法。
本申请提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行图2实现方式中的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (19)
1.一种对晶圆量测数据分布形态的分类方法,其特征在于,所述分类方法包括:
获取与设定量测参数对应的量测数据,其中,所述量测数据是对一片晶圆或者同批次生产的多片晶圆上分布的被测对象进行测量或者测试得到的,所述被测对象指代分布在所述晶圆上的可以被量测的元器件或者裸片;
根据所述量测数据的统计值;
根据所述统计值得到统计图;
根据所述统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类,确定设定的多类数据模型中各个数据模型包括的初始被测对象,其中,所述多类数据模型包括:正态分布的基准量测数据模型、正态分布的pattern形状数据模型以及远离正态分布的离群缺陷数据模型,所述确定设定的多类数据模型中各个数据模型包括的初始被测对象是指确定各数据模型中初始被测对象的数量和在晶圆上的分布区域;
确认所述正态分布的基准量测数据模型和所述正态分布的pattern形状数据模型包括的初始被测对象的近邻被测对象的测试数据满足要求,将所述被测试对象作为对应模型中的一个被测对象,得到相应数据模型的目标被测对象集,其中,所述近邻被测对象位于相应数据模型包括的所有初始被测试对象所在的分布区域之外,所述满足要求是指根据标准偏差确定与所述初始被测对象相邻的任一被测对象的量测数据满足设定条件。
2.如权利要求1所述的分类方法,其特征在于,所述统计值包括:所述量测数据的最大值、最小值和中位值;
所述统计图用于表征各个步长范围内的初始被测对象的数量,所述步长与所述晶圆上被测对象的总数量,以及所述中位值相关。
3.如权利要求1所述的分类方法,其特征在于,所述统计值包括:所述量测数据的最大值、最小值和平均值;
其中,
所述根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括初始被测对象,包括:
根据所述统计值得到统计图,其中,所述统计图用于表征各个步长范围内的初始被测对象的数量,所述步长与所述晶圆上被测对象的总数量,以及所述平均值相关;
根据所述统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类,得到所述各个数据模型包括的初始被测对象。
4.如权利要求2或3所述的分类方法,其特征在于,所述统计图为柱状分布图,所述柱状分布图的纵坐标用于表征所述各个步长范围内的初始被测对象的数量,所述柱状分布图的横坐标用于表征所述各个步长范围、所述最大值和所述最小值;
其中,
所述根据所述统计图确定至少一个极值,包括:
根据所述各个步长范围对应的纵坐标的值依次确定各相邻的两个步长范围的斜率;
至少在确认两个相邻斜率值的符号发生改变时,将中间步长范围的纵坐标的值作为所述极值,其中,所述中间步长范围位于符号发生改变的所述两个相邻斜率值所对应的多个步长范围的中间位置。
5.如权利要求2或3所述的分类方法,其特征在于,所述统计图为柱状分布图,所述柱状分布图的纵坐标用于表征所述各个步长范围内的初始被测对象的数量,所述柱状分布图的横坐标用于表征所述各个步长范围、所述最大值和所述最小值;
其中,
所述根据所述统计图确定至少一个极值,包括:
根据所述各步长范围对应的纵坐标的值确定各相邻两个步长范围的斜率值,得到与所述各个步长范围次序相关的多个斜率值;
若连续两个以上的斜率值为正,接着连续两个以上的斜率值为负,则确认一个极大值;若连续两个以上的斜率值为负,接着连续两个以上的斜率值为正,则确认一个极小值。
6.如权利要求5所述的分类方法,其特征在于,所述多类数据模型包括:正态分布的基准量测数据模型、正态分布的pattern形状数据模型;
所述根据所述统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类,得到所述各个数据模型包括的初始被测对象,包括:
根据所述统计图确定第一极大值、与第一极大值相邻的第一极小值、比所述第一极大值小的至少一个第二极大值,以及与各第二极大值相邻的第二极小值;
将所述第一极大值作为所述正态分布的基准量测数据模型的中心值,并将所述第一极小值作为所述正态分布的基准量测数据模型的分布边界;
将所述各第二极大值分别作为一个所述正态分布的pattern形状数据模型的中心值,并将与相应第二极大值相邻的第二极小值作为对应的正态分布的pattern形状数据模型的分布边界;
根据所述分布边界确认相应数据模型包括的初始被测对象。
7.如权利要求1-3任一项所述的分类方法,其特征在于,若所述多类数据模型为所述正态分布的基准量测数据模型和所述正态分布的pattern形状数据模型;
所述方法还包括:
根据所述各个数据模型对应的初始被测对象的量测数据,获取与各个所述数据模型对应的标准偏差;
所述确认所述正态分布的基准量测数据模型和所述正态分布的pattern形状数据模型包括的初始被测对象的近邻被测对象的测试数据满足要求,将所述被测试对象作为对应模型中的一个被测对象,得到所述各个数据模型的目标被测对象集,包括:根据所述标准偏差确定与所述初始被测对象相邻的任一被测对象的量测数据满足设定条件,则将所述任一被测对象作为所述目标被测对象集中的一个。
8.如权利要求7所述的分类方法,其特征在于,
所述根据所述标准偏差确定与所述初始被测对象相邻的任一被测对象的量测数据满足设定条件,则将所述任一被测对象作为所述目标被测对象集中的一个,包括:
获取与第i初始被测对象相邻的一个或多个被测对象,其中,i的取值范围为[1,N],其中,N为第一数据模型包括的初始被测对象的总数量,所述第一数据模型为所述各个数据模型中的任意一个,所述第一数据模型包括的所有初始被测对象位于所述晶圆上的第一初始分布区域;
确认所述一个或多个被测对象不属于所述第一初始分布区域;
根据所述一个或多个被测对象的量测数据和所述标准偏差确认满足所述设定条件;
将所述一个或多个被测对象作为所述目标被测对象集中的一个或多个对象,并扩大所述第一初始分布区域;
重复上述过程,直至遍历所述第一初始分布区域包括的所有初始被测对象,得到与所述第一数据模型对应的目标被测对象集。
9.如权利要求8所述的分类方法,其特征在于,所述统计值包括平均值或者中位值,所述设定条件包括:所述一个或多个被测对象的量测数据位于设定范围内,其中,所述的设定范围是由与所述第一数据模型对应的平均值和标准偏差所限定的,或者,所述的设定范围是由与所述第一数据模型对应的中位值和标准偏差所限定的。
10.如权利要求9所述的分类方法,其特征在于,所述标准偏差为方差,满足所述设定条件包括:确认所述一个或多个测试对象对应的量测数据位于距离所述平均值或者中位值为三倍方差范围内的值。
11.如权利要求7或8所述的分类方法,其特征在于,若所述多类数据模型为所述远离正态分布的离群缺陷数据模型,所述统计值包括平均值和标准偏差;
其中,
所述根据所述量测数据的统计值,确定设定的多类数据模型中各个数据模型包括的初始被测对象,包括:根据所述平均值和所述标准偏差确定所述远离正态分布的离群缺陷数据模型包括的初始被测对象;
所述方法还包括:
根据所述初始被测对象确定所述远离正态分布的离群缺陷模型包括的中心被测对象;
根据所述中心被测对象和所述中心被测对象的近邻被测对象,确定所述远离正态分布的离群缺陷模型对应的目标被测对象集。
12.如权利要求11所述的分类方法,其特征在于,所述根据所述初始被测对象确定所述远离正态分布的离群缺陷数据模型包括的中心被测对象,包括:
确认第k初始被测对象存在近邻被测对象;
若确认所述第k初始被测对象的近邻被测对象存在量测数据且确认与所述第k初始被测对象对应的量测数据的大小满足要求,则将所述第k初始被测对象作为所述中心被测对象;若确认所述第k初始被测对象的近邻被测对象存在量测数据且确认与所述第k初始被测对象对应的量测数据的大小不满足要求,则从所述第k初始被测对象的近邻被测对象中查找所述中心被测对象;或者,若确认所述第k初始被测对象的近邻被测对象不存在量测数据,则从所述第k初始被测对象的近邻被测对象中查找所述中心被测对象。
13.如权利要求12所述的分类方法,其特征在于,所述中心被测对象包括一个无量测数据的被测对象,或多个相邻的无量测数据的被测对象。
14.如权利要求11所述的分类方法,其特征在于,所述根据所述中心被测对象和所述中心被测对象的近邻被测对象,确定所述远离正态分布的离群缺陷数据模型对应的目标被测对象集,包括:
根据所述中心被测对象的近邻被测对象的量测数据,得到多个近邻斜率;
当所有的近邻斜率满足设定条件时,则将所述中心被测对象和所述中心被测对象的近邻被测对象作为所述远离正态分布的离散缺陷模型包括的目标被测对象集。
15.如权利要求1所述的分类方法,其特征在于,所述方法还包括:
根据所述目标被测对象集对应的量测数据确定所述量测数据和工艺异常之间的相关性。
16.如权利要求1所述的分类方法,其特征在于,所述量测数据的类型包括:工艺流水线上的量测数据,WAT量测数据,WS量测数据或者FT终测数据。
17.一种对晶圆量测数据分布形态的分类装置,其特征在于,所述分类装置包括:
量测数据获取模块,获取与设定量测参数对应的量测数据,其中,所述量测数据是对一片晶圆或者同批次生产的多片晶圆上分布的被测对象进行测量或者测试得到的,所述被测对象指代分布在所述晶圆上的可以被量测的元器件或者裸片;
第一分类模块,被配置为根据所述量测数据的统计值,根据所述统计值得到统计图,根据所述统计图确定至少一个极值,并根据所述极值对所述被测对象进行初次分类确定设定的多类数据模型中各个数据模型包括初始被测对象属性,其中,所述多类数据模型包括:正态分布的基准量测数据模型、正态分布的pattern形状数据模型以及远离正态分布的离群缺陷数据模型,所述确定设定的多类数据模型中各个数据模型包括的初始被测对象是指确定各数据模型中初始被测对象的数量和在晶圆上的分布区域;
第二分类模块,被配置为若确认所述正态分布的基准量测数据模型和所述正态分布的pattern形状数据模型包括的初始被测对象的近邻被测对象的测试数据满足要求,将所述被测试对象作为对应模型中的一个被测对象,得到相应数据模型的目标被测对象集,其中,所述近邻被测对象位于相应数据模型包括的所有初始被测试对象所在的分布区域之外,所述满足要求是指根据标准偏差确定与所述初始被测对象相邻的任一被测对象的量测数据满足设定条件。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时可实现权利要求1-16中任意一条权利要求所述的方法。
19.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现权利要求1-16中任意一条权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640729.5A CN113342906B (zh) | 2021-06-09 | 2021-06-09 | 一种对晶圆量测数据分布形态的分类方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640729.5A CN113342906B (zh) | 2021-06-09 | 2021-06-09 | 一种对晶圆量测数据分布形态的分类方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113342906A CN113342906A (zh) | 2021-09-03 |
CN113342906B true CN113342906B (zh) | 2023-10-20 |
Family
ID=77475678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110640729.5A Active CN113342906B (zh) | 2021-06-09 | 2021-06-09 | 一种对晶圆量测数据分布形态的分类方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113342906B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796239A (zh) * | 2022-03-14 | 2023-09-22 | 长鑫存储技术有限公司 | 芯片分类方法和封装方法、芯片分类系统和封装系统 |
CN114817274B (zh) * | 2022-07-01 | 2022-09-16 | 长沙广立微电子有限公司 | 晶圆数据的处理方法、装置、电子装置和存储介质 |
CN116563419B (zh) * | 2023-07-11 | 2023-09-19 | 上海孤波科技有限公司 | 晶圆图配置数据的修正方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11126736A (ja) * | 1997-10-23 | 1999-05-11 | Mitsubishi Electric Corp | 半導体装置の製造管理装置および半導体装置の製造管理システム |
KR20000011981A (ko) * | 1998-07-28 | 2000-02-25 | 가나이 쓰토무 | 결함검사장치및그방법 |
CN101576747A (zh) * | 2008-05-05 | 2009-11-11 | 中芯国际集成电路制造(北京)有限公司 | 检测测量数据非单峰分布的方法及装置 |
JP2011191296A (ja) * | 2010-03-16 | 2011-09-29 | Ngr Inc | パターン検査装置および方法 |
JP2014024130A (ja) * | 2012-07-25 | 2014-02-06 | Mitsubishi Materials Corp | 高速断続切削加工で硬質被覆層がすぐれた耐チッピング性を発揮する表面被覆切削工具 |
CN104718428A (zh) * | 2012-10-15 | 2015-06-17 | 株式会社日立高新技术 | 图案的检查、测量装置及程序 |
TW201530125A (zh) * | 2014-01-28 | 2015-08-01 | Macronix Int Co Ltd | 量測與分析晶片或晶圓表面結構的方法 |
CN107689335A (zh) * | 2017-09-26 | 2018-02-13 | 中航(重庆)微电子有限公司 | 一种多种产品晶圆缺陷的分析方法 |
JP2018122438A (ja) * | 2017-01-30 | 2018-08-09 | 東レ株式会社 | フィルムロール |
CN110516726A (zh) * | 2019-08-19 | 2019-11-29 | 上海华力微电子有限公司 | 一种自动识别晶圆空间图案分布的分类方法 |
CN110765993A (zh) * | 2019-09-25 | 2020-02-07 | 上海众壹云计算科技有限公司 | 基于ai算法的sem图形量测方法 |
CN112102226A (zh) * | 2019-05-29 | 2020-12-18 | 三星Sds 株式会社 | 数据处理方法、图案检测方法及晶圆缺陷图案检测方法 |
CN112397409A (zh) * | 2020-11-24 | 2021-02-23 | 安测半导体技术(江苏)有限公司 | 一种芯片晶圆测试数据分析方法及系统 |
-
2021
- 2021-06-09 CN CN202110640729.5A patent/CN113342906B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11126736A (ja) * | 1997-10-23 | 1999-05-11 | Mitsubishi Electric Corp | 半導体装置の製造管理装置および半導体装置の製造管理システム |
KR20000011981A (ko) * | 1998-07-28 | 2000-02-25 | 가나이 쓰토무 | 결함검사장치및그방법 |
CN101576747A (zh) * | 2008-05-05 | 2009-11-11 | 中芯国际集成电路制造(北京)有限公司 | 检测测量数据非单峰分布的方法及装置 |
JP2011191296A (ja) * | 2010-03-16 | 2011-09-29 | Ngr Inc | パターン検査装置および方法 |
JP2014024130A (ja) * | 2012-07-25 | 2014-02-06 | Mitsubishi Materials Corp | 高速断続切削加工で硬質被覆層がすぐれた耐チッピング性を発揮する表面被覆切削工具 |
CN104718428A (zh) * | 2012-10-15 | 2015-06-17 | 株式会社日立高新技术 | 图案的检查、测量装置及程序 |
TW201530125A (zh) * | 2014-01-28 | 2015-08-01 | Macronix Int Co Ltd | 量測與分析晶片或晶圓表面結構的方法 |
JP2018122438A (ja) * | 2017-01-30 | 2018-08-09 | 東レ株式会社 | フィルムロール |
CN107689335A (zh) * | 2017-09-26 | 2018-02-13 | 中航(重庆)微电子有限公司 | 一种多种产品晶圆缺陷的分析方法 |
CN112102226A (zh) * | 2019-05-29 | 2020-12-18 | 三星Sds 株式会社 | 数据处理方法、图案检测方法及晶圆缺陷图案检测方法 |
CN110516726A (zh) * | 2019-08-19 | 2019-11-29 | 上海华力微电子有限公司 | 一种自动识别晶圆空间图案分布的分类方法 |
CN110765993A (zh) * | 2019-09-25 | 2020-02-07 | 上海众壹云计算科技有限公司 | 基于ai算法的sem图形量测方法 |
CN112397409A (zh) * | 2020-11-24 | 2021-02-23 | 安测半导体技术(江苏)有限公司 | 一种芯片晶圆测试数据分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
Ouchi, M等.Trainable Die-To-Database for Fast e-Beam Inspection: Learning Normal Images to Detect Defects.《Conference on Metrology, Inspection, and Process Control for Microlithography XXXIV》.2020,全文. * |
吴斌.晶圆表面缺陷模式的在线探测与自适应识别研究 .《计算机工程与应用 》.2016,全文. * |
胖子.直方图山峰定位方法.《知乎专栏》.2021, * |
Also Published As
Publication number | Publication date |
---|---|
CN113342906A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113342906B (zh) | 一种对晶圆量测数据分布形态的分类方法以及装置 | |
TWI808815B (zh) | 半導體製作製程控制之系統及方法,以及電腦程式產品 | |
JP4931710B2 (ja) | ウエハにおける良品チップ分類方法、それを用いたチップ品質判定方法、ならびにチップ分類プログラム、チップ品質判定プログラム、マーキング機構及び半導体装置の製造方法 | |
US9916653B2 (en) | Detection of defects embedded in noise for inspection in semiconductor manufacturing | |
US8170707B2 (en) | Failure detecting method, failure detecting apparatus, and semiconductor device manufacturing method | |
JP3940718B2 (ja) | 試験装置、良否判定基準設定装置、試験方法及び試験プログラム | |
US20150110384A1 (en) | Image inspection method of die to database | |
CN105074896A (zh) | 图案测定装置以及半导体测量系统 | |
KR102142167B1 (ko) | 계측 타겟 특성화 | |
CN106407490A (zh) | 在芯片设计布局中发现未知问题图案的系统与方法 | |
JP2012501553A (ja) | 局部的な基板の幾何的特性評価 | |
US20190026419A1 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on caa pre-diagnosis database | |
US9142014B2 (en) | System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering | |
TWI733221B (zh) | 系統性故障定位系統及系統性故障定位的方法 | |
US20110013824A1 (en) | Inspection area setting method, inspection area setting apparatus, and computer program product | |
CN112908874B (zh) | 半导体结构的量测方法及量测装置 | |
US8682058B2 (en) | Defect analysis method, apparatus, and recording medium using pattern dependence degree | |
JP2006119927A (ja) | パターンマッチング方法およびプログラム | |
JP2011054804A (ja) | 半導体製造装置の管理方法およびシステム | |
Blanton et al. | DFM evaluation using IC diagnosis data | |
US20210166362A1 (en) | Wafer map identification method and computer-readable recording medium | |
Siatkowski et al. | Consistency in wafer based outlier screening | |
TW202328665A (zh) | 分析缺陷的方法 | |
CN113420842A (zh) | 晶圆测试数据处理方法 | |
US8126257B2 (en) | Alignment of semiconductor wafer patterns by corresponding edge groups |
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 |