CN113721121A - 一种用于半导体工艺的故障检测方法及装置 - Google Patents
一种用于半导体工艺的故障检测方法及装置 Download PDFInfo
- Publication number
- CN113721121A CN113721121A CN202111025544.XA CN202111025544A CN113721121A CN 113721121 A CN113721121 A CN 113721121A CN 202111025544 A CN202111025544 A CN 202111025544A CN 113721121 A CN113721121 A CN 113721121A
- Authority
- CN
- China
- Prior art keywords
- data
- index parameter
- sensor
- fault
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 139
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 239000004065 semiconductor Substances 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 3
- 239000007789 gas Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000001307 helium Substances 0.000 claims description 7
- 229910052734 helium Inorganic materials 0.000 claims description 7
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 claims description 7
- 238000001636 atomic emission spectroscopy Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000000295 emission spectrum Methods 0.000 claims 1
- 235000012431 wafers Nutrition 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000012495 reaction gas Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请公开了一种用于半导体工艺的故障检测方法、装置、系统及计算机可读存储介质。所述故障检测方法包括：获取预定时间周期内表示正常工艺状态的原始数据集；对原始数据集进行去相关处理，以降低原始数据集的维度并去除冗余信息；基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；根据预设的故障判断准确率计算指标参数集的阈值；在工艺过程中获取待检测数据并计算其指标参数集；以及响应于与待检测数据对应的指标参数集超出阈值，识别出工艺过程发生故障。
Description
技术领域
本申请涉及半导体器件领域，更具体地，涉及一种用于半导体工艺的故障监控和检测的方法。
背景技术
在半导体工艺流程中，检测装置检测的工艺数据可用于直接反馈产品的工艺参数，但是这些参数通常具有滞后性，不能实现对工艺流程的实时检测。反之，传感器可实时采集到工艺流程中的数据。因此，可利用传感器采集到的数据来反映工艺数据，从而实现在线实时的故障检测。
目前，在复杂的半导体工艺流程中，衡量性能的指标会受到很多因素的影响，因而通过大量传感器获取的多维度工艺数据结构复杂。然而，现有的数据分析方法主要针对单一参数整体进行监控，无法处理多维度数据的复合异常表现。因此，需要提出一种适用于半导体机台的故障检测方法和装置，以实时判断参数是否出现异常并定位到具体故障。
应当理解，该背景技术部分旨在部分地为理解该技术提供有用的背景。然而，该背景技术部分也可以包括在本文中所公开的主题的相应有效申请日之前不属于相关领域的技术人员已知或理解的内容的一部分的观点、构思或认识。
发明内容
为了解决或部分解决现有技术中存在的上述问题中，本申请的一方面提供了一种用于半导体工艺的故障检测方法，所述方法可包括：获取预定时间周期内表示正常工艺状态的原始数据集；对所述原始数据集进行去相关处理，以降低所述原始数据集的维度并去除冗余信息；基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；根据预设的故障判断准确率计算所述指标参数集的阈值；在工艺过程中获取待检测数据并计算其指标参数集；以及响应于与所述待检测数据对应的指标参数集超出所述阈值，识别出所述工艺过程发生故障。
在本申请的一个实施方式中，所述方法还可包括：响应于与所述待检测数据对应的指标参数集超出所述阈值，通过分析所述指标参数集的方差贡献率来追溯造成故障的至少一个指标参数来定位故障。
在本申请的一个实施方式中，所述方法还可包括：通过气体传感器、氦气传感器、光学发射光谱传感器、压力传感器、射频传感器、温度传感器和Recipe传感器中的至少一个获取所述原始数据集和所述。
在本申请的一个实施方式中，所述方法还可包括：在对所述原始待检测数据集进行去相关处理之前，按照获取所述原始数据集的传感器类型对所述原始数据集进行分类，使得所述确定的步骤和所述计算的步骤分别基于经分类的数据执行。
在本申请的一个实施方式中，所述方法还可包括：采用主元分析法对所述原始数据集进行所述去相关处理。
在本申请的一个实施方式中，所述方法还可包括：通过多元线性回归和决策树回归方法中的至少一种确定所述指标参数集。
在本申请的一个实施方式中，所述指标参数集被确定为主方差和随机误差，其中，计算所述指标参数集的阈值包括：针对所述经过去相关处理的数据，计算其各自的主方差初始阈值和随机误差初始阈值，并以故障判断准确率高于预定值作为条件对其进行训练，得到所述主方差的阈值和所述随机误差的阈值，作为所述指标参数集的阈值。
本申请的另一方面提供了一种用于半导体工艺的故障检测装置，可包括：传感器模块，设置为：获取预定时间周期内表示正常工艺状态的原始数据集，并在工艺过程中获取待检测数据；处理模块，设置为：对所述原始数据集进行去相关处理，以降低所述原始数据集的维度并去除冗余信息；基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；根据预设的故障判断准确率计算所述指标参数集的阈值；计算从所述传感器模块获取的待检测数据的指标参数集；以及响应于与所述待检测数据对应的指标参数集超出所述阈值，识别出所述工艺过程发生故障。
在本申请的一个实施方式中，所述处理模块可进一步配置为：响应于与所述待检测数据对应的指标参数集超出所述阈值，通过分析所述指标参数集的方差贡献率来追溯造成故障的至少一个指标参数来定位故障。
在本申请的一个实施方式中，所述传感器模块可包括气体传感器、氦气传感器、光学发射光谱传感器、压力传感器、射频传感器、温度传感器和Recipe传感器中的至少一个。
在本申请的一个实施方式中，所述处理模块可进一步配置为：在对所述原始数据集进行去相关处理之前，按照获取所述原始数据集的传感器类型对所述原始数据集进行分类，使得所述确定的步骤和所述计算的步骤分别基于经分类的数据执行。
在本申请的一个实施方式中，所述处理模块可进一步配置为：采用主元分析法对所述原始数据集进行所述去相关处理。
在本申请的一个实施方式中，所述处理模块可进一步配置为：通过多元线性回归和决策树回归方法中的至少一种确定所述指标参数。
在本申请的一个实施方式中，所述处理模块可进一步配置为：所述指标参数集被确定为主方差和随机误差，其中，计算所述指标参数集的阈值包括：针对所述经过去相关处理的数据，计算其各自的主方差初始阈值和随机误差初始阈值，并以故障判断准确率高于预定值作为条件对其进行训练，得到所述主方差的阈值和所述随机误差的阈值，作为所述指标参数集的阈值。
本申请的再一方面提供了一种用于半导体工艺的故障检测系统，其特征在于，可包括：存储器，存储有计算机可执行指令；处理器，执行所述计算机可执行指令以：对在预定时间周期内获得的表示正常工艺状态的原始数据集进行去相关处理；基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；根据预设的故障判断准确率计算所述指标参数集的阈值；计算待检测数据的指标参数集；以及响应于与所述待检测数据对应的指标参数集超出所述阈值，识别出所述工艺过程发生故障。
本申请的又一方面提供了一种存储有可执行指令的计算机可读介质，当该可执行指令由处理器执行时，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，当所述计算机程序被执行时以：对在预定时间周期内获得的表示正常工艺状态的原始数据集进行去相关处理；基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；根据预设的故障判断准确率计算所述指标参数集的阈值；计算待检测数据的指标参数集；以及响应于与所述待检测数据对应的指标参数集超出所述阈值，识别出所述工艺过程发生故障。
本申请可利用传感器采集的数据与产品工艺数据之间的相关性，导出对工艺数据有显著影响的指标参数集，并将这些指标参数集作为故障检测的依据，从而实现对半导体工艺的在线故障检测。
附图说明
通过参照以下附图对非限制性实施方式所做出的详细描述，本申请的其它特征、目的和优点将会变得更为显而易见。本申请的实施方式在附图的图示中以示例性的方式而非限制性的方式示出，在附图中，相同的附图标记指示类似的元件。其中：
图1是根据本申请的一个实施方式的用于半导体工艺的故障检测方法的流程图；
图2是根据本申请的一个实施方式的故障检测装置的结构示意图；
图3是根据本申请的一个实施方式的故障检测系统的结构示意图；
图4是根据本申请的一个实施方式的对来自GAS传感器的分类数据进行故障检测的性能仿真图；以及
图5是根据本申请的一个实施方式的对来自RF传感器的分类数据进行故障检测的性能仿真图。
具体实施方式
为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。另外，在本申请中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。另外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。另外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
本文中使用的术语仅用于描述各种示例，而不是用于限制本公开。冠词“一”、“一个”和“所述”旨在还包括复数形式，除非上下文另外明确地指示。尽管本文中可使用诸如“第一”、“第二”和“第三”的术语来描述各种部件或步骤，但是这些部件或步骤并不受限于这些术语。相反地，这些术语仅用于将一个部件或步骤与另一个部件或步骤区分开。因此，在不脱离各示例的教导的情况下，本文所描述的示例中所引用的第一部件或步骤也可以被称作第二部件或步骤。
除非另外限定，否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
在下文中描述了本申请的许多特定的细节，例如器件的结构、材料、尺寸、处理工艺和技术，以便更清楚地理解本申请。但正如本领域的技术人员能够理解的那样，可以不按照这些特定的细节来实现本申请。
需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。另外，除非明确限定或与上下文相矛盾，否则本申请所记载的方法中包含的具体步骤不必限于所记载的顺序，而可以任意顺序执行或并行地执行。
下面将参考附图并结合实施方式来详细说明本申请。
本申请的一方面提供了一种用于半导体工艺的故障检测方法，图1示出了根据本申请的一个实施方式的故障检测方法100的流程图。
如图1所示，故障检测方法100可包括以下步骤：
S110：获取预定时间周期内表示正常工艺状态的原始数据集；
S120：对原始数据集进行去相关处理；
S130：基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；
S140：根据预设的故障判断准确率计算指标参数集的阈值；
S150：在工艺过程中获取待检测数据并计算其指标参数集；以及
S160：响应于与待检测数据对应的指标参数集超出阈值，识别出工艺过程发生故障。
下面将结合附图对上述各个步骤的操作进行详细的描述，以使本领域技术人员能够更加显而易见地知晓上述方法100的具体实施。
步骤S110
在步骤S110中，获取预定时间周期内表示正常工艺状态的原始数据集。作为示例，该时间周期可设置为上个月或上一季度。
在半导体制造工艺中，需要经过上百道工艺步骤，涉及到很多的机台，每一道工艺步骤的机台中会有大量的传感器对机台的运行状况进行监测。各种传感器可按照预设的采样率获取监测机台状态的原始数据集。
半导体工艺过程中采用的传感器的种类繁多，所采集到的数据也是多种多样的。作为示例，原始数据集可通过以下类型的传感器获取：气体(GAS)传感器、氦气传感器、光学发射光谱传感器、压力传感器、射频(RF)传感器、温度传感器和Recipe传感器。例如，传感器A获取的数据是参与制程的反应气体的流量，传感器B获取的数据是制程中反应腔的温度值。
原始数据集可包括微秒级数据和/或毫秒级数据。可增加采样频率以改进原始数据集的粒度，从而提高数据的质量。原始数据集的精度越高，包含的细节特征越清晰。然而，在1毫秒内的数据漂移可能影响产品缺陷、产量和质量。目前，通过考虑数据存储成本，对原始数据集进行秒级的数据采样。
步骤S120
在步骤S120中，对原始数据集进行去相关处理，以降低原始数据集的维度并去除冗余信息。经去相关处理的数据集可保留大部分的特征信息(例如，85％或90％以上的信息)。
作为示例，上述去相关处理可通过主元分析法将原始数据集线性变换为各维度之间线性无关的特征数据，从而有效地去除数据之间的相关性并且保留了大部分特征信息。
进一步地，还可将原始数据集和特征数据存储到关系数据库或大数据平台，以方便对故障数据的追溯以定位故障。例如，可采用分布式文件系统对数据进行存储。
进一步地，在对原始数据集进行去相关处理之前，还可按照获取数据集的传感器类型对原始数据集进行分类，使得后续指标参数的确定及计算等过程可分别基于经分类的数据执行，从而充分利用各类数据各自的特征来提高数据处理效率及准确性。
步骤S130
在步骤S130中，基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集。
在半导体工艺过程中，检测装置检测的产品工艺数据(例如关键尺寸、OVL、THK、Inline、WAT(晶圆可接受性测试)、SORT等)可用于直接反馈产品的工艺参数，但是这些参数都具有滞后性，不能实现对工艺流程的实时检测。反之，传感器可实时采集到工艺流程中的数据。因此，可利用传感器采集到的数据来反映工艺数据，从而实现在线实时的故障检测。例如，可对传感器采集到的数据进行去相关处理，然后利用这些经去相关处理的数据的时域或频域特征来反映当前的工艺状态。作为示例，上述特征可以是例如峰值、均方根、频率、方差和随机误差等。以深孔刻蚀工艺为例，可直接反馈工艺质量的参数为深孔的关键尺寸，但是这些参数都不能实时获取用于故障检测。此时，可利用传感器采集到的数据的主方差和随机误差作为指标参数来实时反映当前的工艺状态，从而实现在线故障检测。
在本申请的一个实施方式中，可将经去相关处理的数据与检测装置的产品工艺数据进行相关性分析，确定用于故障识别的指标参数。例如，可将权重高的参数或相关性高的参数作为指标参数，以实现精准实时的工艺故障检测。
作为示例，指标参数集的确定可通过多元线性回归法来实现。在该方法中，建立去相关数据与产品工艺数据之间的函数关系，例如采用最小二乘法和显著性检验的方式滤除显著性水平较低的特征因子，而保留显著性水平较高的特征因子，将保留的特征因子作为指标参数。
作为另一示例，指标参数集的确定还可采用决策树回归法。在该方法中，构建一个回归树，利用这个树对相关性进行回归，从而得到能够描述所提取的特征因子对产品工艺数据的定量影响的回归方程，从而导出对产品工艺数据有显著影响的指标参数。
步骤S140
在步骤S140中，根据预设的故障判断准确率计算指标参数集的阈值。例如，可通过神经网络算法对经去相关处理的数据进行训练以得到符合条件的指标参数阈值。
下面将以深孔刻蚀工艺为例并以主方差T2和随机误差SPE作为指标参数，具体阐述其阈值计算方法。
作为示例，可将指标参数确定为主方差T2和随机误差SPE。针对经去相关处理的数据，计算其各自的主方差初始阈值和随机误差初始阈值；并以故障判断准确率高于预定值(例如，50％)作为条件对其进行训练，从而导出满足上述条件的主方差阈值Ta 2和随机误差阈值Qa。其中，主方差阈值Ta 2取决于训练数据的样本数量，以及随机误差阈值Qa取决于训练数据的维度。
主方差初始阈值Ta 2通过如下公式(1)进行计算：
其中，a是主成分的数量，n是正常工艺状态下的样本数量，Fα(a，n-a)表示分子自由度为a且分母自由度为n-a，其中α是代表显著性水平的固定值(例如，α＝0.05或0.1)；以及
随机误差初始阈值Qa通过如下公式(2)进行计算：
其中，
m为数据维度，Ca为标准正态分布的分位数，其中α是代表显著性水平的固定值(例如，α＝0.05或0.1)。
步骤S150
在步骤S150中，对于在工艺过程中获取待检测数据，计算其指标参数集。
各种传感器可按照预设的采样率获取反映工艺状态的待检测数据。类似地，待检测数据也可通过以下类型的传感器获取：气体传感器、氦气传感器、光学发射光谱传感器、压力传感器、射频传感器、温度传感器和Recipe传感器。
在获取待检测数据之后，可基于所确定的指标参数集，计算相应的指标参数值。作为示例，在指标参数集被确定为主方差T2和随机误差SPE的情况下，可计算待检测数据的主方差T2和随机误差SPE。
步骤S160
步骤S160，可将与待检测数据对应的各指标参数与其阈值进行比较，并基于比较结果进行工艺过程的故障检测。如果各指标参数超过其阈值，则检测出工艺过程发生故障；否则，工艺过程正常。
作为示例，在指标参数被确定为主方差T2和随机误差SPE的情况下，可基于步骤S140中得出的主方差阈值Ta 2和随机误差阈值Qa，以及步骤S150中计算的主方差T2和随机误差SPE，进行工艺过程的故障检测。如果主方差T2和随机误差SPE超过其阈值，则识别出工艺过程发生故障；反之，则识别出工艺过程正常。
作为示例，当识别出工艺过程发生故障时，可进一步通过分析指标参数集的方差贡献率来追溯造成故障的一个或多个指标参数，从而定位到具体故障以实现故障诊断。
图2是根据本申请的一个实施方式的故障检测装置的结构示意图。
参照图2，在本申请的一个实施方式中，故障检测装置可包括：传感器模块210和处理模块220。
如图2所示，传感器模块210可用于获取预定时间周期(例如，一个月)内表示正常工艺水平的原始数据集，以及在工艺过程中获取待检测数据。
作为示例，传感器模块210可包括气体传感器、氦气传感器、光学发射光谱传感器、压力传感器、射频传感器、温度传感器和Recipe传感器。作为示例，传感器模块210可按照预设的采样率，获取监测机台状态的各个传感器的原始数据集，其中，原始数据集包括微秒级数据、和/或毫秒级数据。
如图2所示，处理模块220可设置为：对原始数据集进行去相关处理，以降低数据维度并去除冗余信息；基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；根据预设的故障判断准确率计算指标参数集的阈值；计算从传感器模块获取的待检测数据的指标参数集；以及响应于与待检测数据对应的指标参数集超出阈值，识别出工艺过程发生故障。
作为示例，处理模块220还设置为：在对原始数据集进行去相关处理之前，按照获取原始数据集的传感器类型对原始数据集进行分类，使得确定步骤和计算步骤分别基于经分类的数据执行。
作为示例，处理模块220还可设置为：采用主元分析法对原始数据集进行去相关处理。
作为示例，处理模块220还可设置为：通过多元线性回归和决策树回归方法中的至少一种确定指标参数集。
以半导体制备中的深孔刻蚀工艺作为示例，处理模块220还可设置为：反应深孔刻蚀工艺的指标参数集被确定为主方差T2和随机误差SPE，其中，计算指标参数集的阈值包括：针对经过去相关处理的数据，计算其各自的主方差初始阈值和随机误差初始阈值，并以故障判断准确率高于预定值作为条件对其进行训练，得到主方差的阈值和随机误差的阈值，作为指标参数集的阈值。
作为示例，处理模块220还可设置为：
主方差初始阈值Ta 2通过如下公式(1)进行计算：
其中，a是主成分的数量，n是正常工艺状态下的样本数量，Fα(a，n-a)表示分子自由度为a且分母自由度为n-a，其中α是代表显著性水平的固定值(例如，α＝0.05或0.1)；以及
随机误差初始阈值Qa通过如下公式(2)进行计算：
其中，
m为数据维度，Ca为标准正态分布的分位数，其中α是代表显著性水平的固定值(例如，α＝0.05或0.1)。
在本申请的一个实施方式中，处理模块220还可设置为：响应于与待检测数据对应的指标参数集超出阈值，通过分析指标参数集的方差贡献率来追溯造成故障的至少一个指标参数来定位具体故障，从而实现故障诊断。
图3是根据本申请的一个实施方式的故障检测系统的结构示意图。
参照图3，在本申请的一个实施方式中，故障检测系统300可以包括存储器310和处理器320。
在本申请的一个实施方式中，存储器310可用于存储计算机程序或计算机指令。存储器310可以是易失性存储器，诸如随机存取存储器(RAM)、静态随机存取存储器(SRAM)、双倍数据率同步动态随机存取存储器(DDR SDRAM)等。存储器310存储器还可以是非易失性存储器，诸如闪存(FLASH)。存储器310中所存储的实现上述方法的计算机程序或计算机指令可被分区存储在一个或多个存储器310中。并且上述计算机程序或计算机指令等可被处理器320调用。
在本申请的一个实施方式中，处理器320可用于执行存储器310存储的计算机程序或计算机指令，以实现故障监测方法的各个步骤。具体操作和技术原理可参见上述实施方式中的相关描述，此处不再赘述。
应当注意，处理器320和存储器310可彼此独立，此时存储器310、处理器320可通过总线连接。此外，处理器320和存储器310集成在一个芯片中实现。
图4是根据本申请的一个实施方式的对来自GAS传感器的分类数据进行深孔刻蚀工艺故障检测的性能仿真图；以及图5是根据本申请的一个实施方式的对来自RF传感器的分类数据进行深孔刻蚀工艺故障检测的性能仿真图。
在图4和图5中，水平方向(X轴)表示深孔刻蚀工艺中的晶圆样本数，垂直方向(Y轴)表示指标参数的值，其中上方图中的指标参数为主方差T2，而下方图中的指标参数为随机误差SPE。水平虚线表示指标参数的阈值，水平虚线以下表示参数值小于其阈值，水平虚线以上表示参数值超过其阈值。垂直虚线表示标记为正常晶圆，垂直虚线左边表示标记为正常的晶圆的计数，垂直虚线右边表示标记为异常的晶圆的计数。
可以看出，不论是从GAS传感器获得的数据还是从RF传感器获得的数据，垂直虚线左边(即，标记为正常的晶圆)的主方差T2和随机误差SPE基本上处于水平虚线以下，即不超过各自的阈值；而垂直虚线右边(即，标记为异常的晶圆)的主方差T2和随机误差SPE基本上处于水平虚线以上，即超过各自的阈值。通过性能仿真得出本申请所提供的故障监测方法的故障捕获率可达到50％甚至更高。
因此，本申请所提供的故障监测方法有效地利用传感器数据实时反映了半导体制程中的各种工艺数据，从而实现在线实时的故障检测。
本申请的另一方面提供了一种计算机可读介质存储，用于一个或多个处理器或处理单元执行上述步骤的指令。计算机可读介质包括但不限于：诸如硬盘、软盘和磁带的磁性介质；诸如CD-ROM和全息装置的光学介质；磁光介质；以及硬件装置，该硬件装置专门被配置成存储或存储并执行程序代码，该硬件装置例如专用集成电路(ASIC)、可编程逻辑器件(PLD)、闪存装置、以及ROM和RAM装置。
应当注意，计算机可读介质应当包括易失性存储器和非易失性存储器。替代实现方式是可能的，其包括硬件实现方式或软件/硬件实现方式。硬件实施的功能可使用ASIC、可编程的阵列、数字信号处理电路等来实现。因此，任何权利要求中的术语“手段”旨在涵盖软件实现方式和硬件实现方式两者。类似地，如本文使用的术语“计算机可读媒介或介质”包括具有实施在其上的指令程序的软件和/或硬件或它们的组合。利用所构想的这些替代实现方式，应当理解，附图以及随附描述提供本领域的技术人员编写程序代码(即，软件)和/或制造电路(即，硬件)以执行所需处理所要求的功能信息。
应当注意，本申请的实施方式还可涉及具有其上具有用于执行各种计算机实施的操作的计算机代码的非暂态有形计算机可读介质的计算机产品。介质和计算机代码可为出于本申请的目的而专门设计和构造的介质和计算机代码，或者它们可为相关领域中的技术人员已知或可用的。有形计算机可读介质的示例包括但不限于：诸如硬盘、软盘和磁带的磁性介质；诸如CD-ROM和全息装置的光学介质；磁光介质；以及专门配置成存储或存储并执行程序代码的硬件装置，例如，专用集成电路(ASIC)、可编程逻辑器件(PLD)、闪存装置、以及ROM和RAM装置。计算机代码的示例包括机器代码(例如，编译器产生的代码)以及包含可由计算机使用解释器来执行的更高级代码的文件。本申请的实施方式可整体地或部分地实施为可在由处理装置执行的程序模块中的机器可执行指令。程序模块的示例包括库、程序、例程、对象、组件和数据结构。在分布的计算环境中，程序模块可物理上定位在本地、远程或两者的设定中。
本领域的技术人员将认识到，计算系统或编程语言对本申请的实践来说均不重要。本领域的技术人员将还将认识到，多个上述元件可物理地和/或在功能上划分成子模块或组合在一起。
以上描述仅为本申请的实施方式以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的保护范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离技术构思的状态下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于半导体工艺的故障检测方法，其特征在于，所述方法包括：
获取的原始数据集进行去相关处理，以降低所述原始数据集的维度并去除冗余信息，其中所述原始数据集是在预定时间周期内获取的表示正常工艺状态的原始数据集；
基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；
根据预设的故障判断准确率计算所述指标参数集的阈值；
在工艺过程中获取待检测数据并计算其指标参数集；以及
响应于与所述待检测数据对应的指标参数集超出所述阈值，识别出所述工艺过程发生故障。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
响应于与所述待检测数据对应的指标参数集超出所述阈值，通过分析所述指标参数集的方差贡献率来追溯造成故障的至少一个指标参数来定位故障。
3.根据权利要求1或2所述的方法，其特征在于，所述方法进一步包括：
通过气体传感器、氦气传感器、光学发射光谱传感器、压力传感器、射频传感器、温度传感器和配方传感器中的至少一个获取所述原始数据集和所述待检测数据。
4.根据权利要求3所述的方法，其特征在于，所述方法进一步包括：
在对所述原始数据集进行去相关处理之前，按照获取所述原始数据集的传感器类型对所述原始数据集进行分类，使得所述确定的步骤和所述计算的步骤分别基于经分类的数据执行。
5.根据权利要求4所述的方法，其特征在于，所述方法进一步包括：
采用主元分析法对所述原始数据集进行所述去相关处理。
6.根据权利要求5所述的方法，其特征在于，所述方法进一步包括：
通过多元线性回归和决策树回归方法中的至少一种确定所述指标参数集。
7.根据权利要求6所述的方法，其特征在于，所述半导体工艺包括深孔刻蚀工艺。
8.根据权利要求7所述的方法，其特征在于，所述指标参数集被确定为主方差和随机误差，其中，计算所述指标参数集的阈值包括：
针对所述经过去相关处理的数据，计算其各自的主方差初始阈值和随机误差初始阈值，并以故障判断准确率高于预定值作为条件对其进行训练，得到所述主方差的阈值和所述随机误差的阈值，作为所述指标参数集的阈值。
9.一种用于半导体工艺的故障检测装置，其特征在于，包括：
传感器模块，设置为获取预定时间周期内表示正常工艺状态的原始数据集，并在工艺过程中获取待检测数据；
处理模块，其与所述传感器模块耦接，并且配置为：
对所述原始数据集进行去相关处理，以降低所述原始数据集的维度并去除冗余信息；
基于经去相关处理的数据集，确定与产品工艺数据相关联的指标参数集；
根据预设的故障判断准确率计算所述指标参数集的阈值；
计算从所述传感器模块获取的待检测数据的指标参数集；以及
响应于与所述待检测数据对应的指标参数集超出所述阈值，识别出所述工艺过程发生故障。
10.根据权利要求9所述的故障检测装置，其特征在于，所述处理模块进一步配置为：
响应于与所述待检测数据对应的指标参数集超出所述阈值，通过分析所述指标参数集的方差贡献率来追溯造成故障的至少一个指标参数来定位故障。
11.根据权利要求9或10所述的故障检测装置，其特征在于，所述传感器模块包括气体传感器、氦气传感器、光学发射光谱传感器、压力传感器、射频传感器、温度传感器和配方传感器中的至少一个。
12.根据权利要求11所述的故障检测装置，其特征在于，所述处理模块进一步设置为：
在对所述原始数据集进行去相关处理之前，按照获取所述原始数据集的传感器类型对所述原始数据集进行分类，使得所述确定的步骤和所述计算的步骤分别基于经分类的数据执行。
13.根据权利要求12所述的故障检测装置，所述处理模块进一步设置为：
采用主元分析法对所述原始数据集进行所述去相关处理。
14.根据权利要求13所述的故障检测装置，其特征在于，所述处理模块进一步设置为：
通过多元线性回归和决策树回归方法中的至少一种确定所述指标参数。
15.根据权利要求14所述的故障检测装置，其特征在于，所述半导体工艺包括深孔刻蚀工艺。
16.根据权利要求15所述的故障检测装置，其特征在于，所述处理模块进一步设置为：
所述指标参数集被确定为主方差和随机误差，其中，计算所述指标参数集的阈值包括：针对所述经过去相关处理的数据，计算其各自的主方差初始阈值和随机误差初始阈值，并以故障判断准确率高于预定值作为条件对其进行训练，得到所述主方差的阈值和所述随机误差的阈值，作为所述指标参数集的阈值。
17.一种用于半导体工艺的故障检测系统，其特征在于，包括：
存储器，存储有计算机可执行指令；
处理器，其能够执行所述计算机可执行指令以实现如权利要求1-8中任一所述方法的步骤。
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，当所述计算机程序被执行时以实现如权利要求1-8中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111025544.XA CN113721121B (zh) | 2021-09-02 | 2021-09-02 | 一种用于半导体工艺的故障检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111025544.XA CN113721121B (zh) | 2021-09-02 | 2021-09-02 | 一种用于半导体工艺的故障检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113721121A true CN113721121A (zh) | 2021-11-30 |
| CN113721121B CN113721121B (zh) | 2024-04-19 |
Family
ID=78680917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111025544.XA Active CN113721121B (zh) | 2021-09-02 | 2021-09-02 | 一种用于半导体工艺的故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113721121B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114951047A (zh) * | 2022-05-26 | 2022-08-30 | 河海大学 | 基于光纤传感器的振动送料中通用型智能分选方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11174116A (ja) * | 1997-12-15 | 1999-07-02 | Oki Electric Ind Co Ltd | バーンインボードへのデバイス実装方法 |
| CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
| CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
| CN105116323A (zh) * | 2015-08-14 | 2015-12-02 | 江苏科技大学 | 一种基于rbf的电机故障检测方法 |
| US20160212023A1 (en) * | 2013-08-26 | 2016-07-21 | Telefonaktiebolaget L M Ericsson (Publ) | Apparatus and method for processing data streams in a communication network |
| CN106504122A (zh) * | 2016-11-23 | 2017-03-15 | 云南电网有限责任公司丽江供电局 | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 |
| CN106959397A (zh) * | 2017-04-24 | 2017-07-18 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
| US20190128946A1 (en) * | 2017-10-27 | 2019-05-02 | Wuhan University | Transformer winding fault diagnosis method based on wireless identification sensing |
| CN111474476A (zh) * | 2020-03-22 | 2020-07-31 | 华南理工大学 | 一种电机故障预测方法 |
| CN112183744A (zh) * | 2020-09-25 | 2021-01-05 | 中国科学院计算技术研究所 | 一种神经网络剪枝方法及装置 |
| CN112651176A (zh) * | 2020-12-24 | 2021-04-13 | 广西大学 | 一种基于ga-bp算法的屏蔽门电机输出力预测方法 |
| CN113255840A (zh) * | 2021-06-30 | 2021-08-13 | 长江存储科技有限责任公司 | 故障检测与分类方法、装置、系统及存储介质 |
-
2021
- 2021-09-02 CN CN202111025544.XA patent/CN113721121B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11174116A (ja) * | 1997-12-15 | 1999-07-02 | Oki Electric Ind Co Ltd | バーンインボードへのデバイス実装方法 |
| CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
| CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
| US20160212023A1 (en) * | 2013-08-26 | 2016-07-21 | Telefonaktiebolaget L M Ericsson (Publ) | Apparatus and method for processing data streams in a communication network |
| CN105116323A (zh) * | 2015-08-14 | 2015-12-02 | 江苏科技大学 | 一种基于rbf的电机故障检测方法 |
| CN106504122A (zh) * | 2016-11-23 | 2017-03-15 | 云南电网有限责任公司丽江供电局 | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 |
| CN106959397A (zh) * | 2017-04-24 | 2017-07-18 | 南京航空航天大学 | 一种用于高铁逆变器的微小故障诊断系统的设计方法 |
| US20190128946A1 (en) * | 2017-10-27 | 2019-05-02 | Wuhan University | Transformer winding fault diagnosis method based on wireless identification sensing |
| CN111474476A (zh) * | 2020-03-22 | 2020-07-31 | 华南理工大学 | 一种电机故障预测方法 |
| CN112183744A (zh) * | 2020-09-25 | 2021-01-05 | 中国科学院计算技术研究所 | 一种神经网络剪枝方法及装置 |
| CN112651176A (zh) * | 2020-12-24 | 2021-04-13 | 广西大学 | 一种基于ga-bp算法的屏蔽门电机输出力预测方法 |
| CN113255840A (zh) * | 2021-06-30 | 2021-08-13 | 长江存储科技有限责任公司 | 故障检测与分类方法、装置、系统及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| PENGYU LIU等: "Extracting boolean and probabilistic rules from trained neural networks", 《NEURAL NETWORKS》, vol. 126, pages 300 - 311 * |
| 杨帆;胡金海;陈卫;张进;蔡开龙;: "主元分析方法在航空发动机故障检测与诊断中的应用", no. 03, pages 330 * |
| 蔡宝玉 等: "无线网络的舰船柴油机故障远程诊断", 《船舶科学技术》, vol. 43, pages 97 - 99 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114951047A (zh) * | 2022-05-26 | 2022-08-30 | 河海大学 | 基于光纤传感器的振动送料中通用型智能分选方法 |
| CN114951047B (zh) * | 2022-05-26 | 2023-08-22 | 河海大学 | 基于光纤传感器的振动送料中通用型智能分选方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113721121B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101799603B1 (ko) | 플라즈마 프로세싱 시스템 내에서의 자동적인 결함 검출 및 분류와 그 방법 | |
| US11282695B2 (en) | Systems and methods for wafer map analysis | |
| CN113092981B (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
| CN105259895B (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
| KR102291964B1 (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
| US7313454B2 (en) | Method and apparatus for classifying manufacturing outputs | |
| JP2002509324A (ja) | センサおよびプロセスの超高感度監視 | |
| 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 | |
| CN111223799B (zh) | 工艺控制方法、装置、系统及存储介质 | |
| CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
| US9142014B2 (en) | System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering | |
| CN117033912B (zh) | 一种设备故障预测方法、装置、可读存储介质及电子设备 | |
| CN115994248A (zh) | 阀门故障的数据检测方法及系统 | |
| CN112180230A (zh) | 芯片测试参数异常的侦测方法、存储介质、终端 | |
| WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN113721121B (zh) | 一种用于半导体工艺的故障检测方法及装置 | |
| CN104503436B (zh) | 一种基于随机投影和k近邻的快速故障检测方法 | |
| Shintani et al. | Wafer-level variation modeling for multi-site RF IC testing via hierarchical Gaussian process | |
| CN113255840A (zh) | 故障检测与分类方法、装置、系统及存储介质 | |
| CN113933672A (zh) | 一种晶圆测试参数的相关性判断方法及系统 | |
| CN117272122A (zh) | 晶圆异常的共性分析方法及装置、可读存储介质、终端 | |
| CN117031294A (zh) | 一种电池多故障检测方法、装置及存储介质 | |
| US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
| TW201620057A (zh) | 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法 | |
| US20090137068A1 (en) | Method and Computer Program Product for Wafer Manufacturing Process Abnormalities Detection |
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 |