CN113761782A - 预测机台加工事件发生的方法与其虚拟量测应用 - Google Patents
预测机台加工事件发生的方法与其虚拟量测应用 Download PDFInfo
- Publication number
- CN113761782A CN113761782A CN202011561263.1A CN202011561263A CN113761782A CN 113761782 A CN113761782 A CN 113761782A CN 202011561263 A CN202011561263 A CN 202011561263A CN 113761782 A CN113761782 A CN 113761782A
- Authority
- CN
- China
- Prior art keywords
- data
- values
- event
- process data
- historical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 184
- 238000012545 processing Methods 0.000 title claims abstract description 126
- 230000008569 process Effects 0.000 claims abstract description 139
- 238000013145 classification model Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000003066 decision tree Methods 0.000 claims abstract description 21
- 238000007635 classification algorithm Methods 0.000 claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 7
- 239000013256 coordination polymer Substances 0.000 description 28
- 238000004519 manufacturing process Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 13
- 238000003754 machining Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 238000013480 data collection Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种预测机台加工事件发生的方法,借以决定是否启动虚拟量测。在此方法的建模阶段中,使用多组建模数据并根据至少一个分类演算法来建立至少一个分类模型,其中每一个分类模型包含多个决策树。然后,使用此些决策树的机率来建立至少一个信心指标模型;使用建模数据并根据一统计距离演算法来建立至少一个相似度模型。在此方法的推估阶段中,输入一工件的一组制程数据至每一个分类模型、每一个信心指标型和每一个相似度模型中,以即时并准确地决定是否启动虚拟量测,而避免使用者产生误判。
Description
技术领域
本发明是有关于一种预测机台加工事件发生的方法与其虚拟量测应用,且特别是有关于一种基于自动分类机制的预测机台加工事件发生的方法与其虚拟量测应用。
背景技术
虚拟量测在各种产业中都有相当广泛的应用,例如:半导体产业、工具机产业。虚拟量测可将离线且具延迟特性的品质抽检改成线上且即时的品质全检。举例而言,当半导体产业的晶圆切割制程导入虚拟量测后,便可即时发现制程异常,立即进行即时改善,因而避免后续整批晶圆的报废。当工具机加工导入虚拟量测后,便可同时兼顾即时性与准确性需求来推估每一个被加工的工件(例如轮圈)的准确度值,因而预测出工具机的加工品质,以克服已知的线上量测与离线量测的缺点。
虽然现存的虚拟量测已大致上适用于其预定达到的目的,但尚未能满足各方面的需求。
发明内容
本发明的一目的是在提供一种预测机台加工事件发生的方法,借以即时并准确地预测机台加工事件发生,而可及时地决定是否进行后续的步骤与处理。
本发明的又一目的是在提供一种决定是否启动虚拟量测的方法与其计算机程序产品,借以即时并准确地决定是否启动虚拟量测,而避免使用者产生误判。
根据本发明的一态样,提供一种预测机台加工事件发生的方法。在此方法中,首先,获得多组历史制程数据,其中此些组历史制程数据是在一机台处理多个历史工件时所使用或产生,此些组历史制程数据是以一对一的方式对应至历史工件。然后,获得多个历史加工事件指示值,用以指出机台在处理每一个历史工件时是否发生一加工事件,其中历史加工事件指示值是以一对一的方式对应至历史制程数据,历史加工事件指示值和其对应的历史制程数据分别组成多组建模数据。接着,进行一建模步骤。在此建模步骤中,使用建模数据并根据一分类演算法来建立一分类模型,其中分类模型包含多个决策树。然后,使用此些决策树的机率来建立一信心指标模型。接着,进行一推估步骤。在此推估步骤中,首先获得至少一组制程数据,其中此至少一组制程数据是机台处理至少一个工件时所使用或产生。然后,输入每一组制程数据至分类模型,以获得至少一个事件预测值,用以指出机台在处理工件时是否发生加工事件。接着,使用信心指标模型来计算出每一个事件预测值的一信心指标值,用以指出事件预测值的可靠度。
在一些实施例中,每一组历史制程数据包含多个参数,每一制程数据包含此些参数,前述的预测机台加工事件发生的方法还包含:进行一数据前处理步骤,以分别使用多个演算法将每一组历史制程数据的参数的数值转换成对应至多个参数指标的数值,其中参数指标是以一对一的方式对应至演算法,建模数据包含历史加工事件指示值和其对应的历史制程数据所转换成的参数指标的数值;并使用演算法将每一组制程数据的参数的数值转换成参数指标的数值,其中推估步骤包含输入每一组制程数据的参数指标的数值至分类模型,以获得事件预测值。
在一些实施例中,前述的建模步骤还包含:使用建模数据并根据一统计距离演算法来建立一相似度模型。前述的推估步骤该还包含:使用相似度模型计算出每一组制程数据的参数指标的数值与建模数据间的一整体相似度指标,用以指出参数指标值与建模数据间的相似程度。
在一些实施例中,前述的至少一组制程数据的数目是大于1,前述的至少一工件的数目是大于1,前述的预测机台加工事件发生的方法还包含:获得多个实际加工事件指示值,用以指出机台在处理每一个工件时是否发生加工事件;根据此些实际加工事件指示值来获得事件预测值的一正确率;当正确率小于一正确率门槛值时,检查建模数据是否不平衡;当建模数据不平衡时,将实际加工事件指示值与其对应的制程数据的参数指标的数值加入至建模数据中,再重新进行建模步骤;以及当建模数据平衡时,使用实际加工事件指示值与其对应的制程数据的参数指标的数值来调校分类模型、信心指标模型和相似度模型。
在一些实施例中,前述的预测机台加工事件发生的方法还包含:对建模数据进行一数据超取样(Oversampling)步骤,以产生类似于建模数据中一少数类别的数据的多组样本数据,来克服建模数据的数据不平衡;以及将样本数据加入至建模数据。
根据本发明的一态样,提供一种决定是否启动虚拟量测的方法。在此方法中,进行前述的建模步骤,以使用前述的建模数据并根据不同的二个分类演算法来分别建立二个分类模型,其中每一个分类模型包含多个决策树。以及使用每一个分类模型的决策树的机率来分别建立二个信心指标模型。在推估步骤中,输入每一组制程数据至此些分类模型,以分别获得至少一组事件预测值,用以指出该机台在处理此至少一工件时是否发生该加工事件,每一组事件预测值包含一第一事件预测值和一第二事件预测值。然后,使用此些信心指标模型来分别计算出每一组事件预测值的二个信心指标值,并选取此些信心指标值中代表事件预测值可靠度最小者为一综合信心指标值。接着,检查第一事件预测值和第二事件预测值是否均指出发生加工事件,而获得一第一检查结果。当第一检查结果为是时,启动虚拟量测,以推估工件的品质。当第一检查结果为否时,检查综合信心指标值是否指出事件预测值可靠度小于一信心指标门槛值,而获得一第二检查结果。当第二检查结果为是时,启动虚拟量测,以推估工件的品质。
在一些实施例中,前述的建模步骤包含:使用建模数据并根据统计距离演算法来分别建立二个相似度模型。前述的决定是否启动虚拟量测的方法还包含:使用相似度模型来分别计算出每一组制程数据的参数指标的数值与该些组建模数据间的二个整体相似度指标值;选取整体相似度指标值中代表制程数据相似程度最小者为一综合整体相似度指标值。当前述的第二检查结果为否时,检查综合整体相似度指标值是否指出制程数据相似程度小于一整体相似度指标门槛值,而获得第三检查结果。当第三检查结果为是时,启动虚拟量测,以推估工件的品质。
因此,应用本发明实施例,可即时并准确地预测机台加工事件发生,而可及时地决定是否进行后续的步骤与处理;并可即时并准确地决定是否启动虚拟量测,而避免使用者产生误判。
附图说明
为了更完整了解实施例及其优点,现参照结合所附附图所做的下列描述,其中
图1为绘示根据本发明一些实施例的用以说明虚拟量测应用的方块示意图;
图2A为绘示根据本发明一些实施例的用以说明自动分类机制的方块示意图;
图2B为绘示根据本发明一些实施例与自动分类机制相关的建模步骤的流程示意图;
图3A为绘示根据本发明一些实施例用以说明随机森林(Random Forest)演算法的信心指标模型的示意图;
图3B为绘示根据本发明一些实施例用以说明极限梯度提升(eXtreme GradientBoosting,XGboost)演算法的信心指标模型的示意图;
图4为绘示根据本发明一些实施例用以说明制程参数的相似度模型的示意图;
图5A和图5B为绘示根据本发明一些实施例的双阶段预测机台加工事件发生的方法的流程示意图;
图6为绘示根据本发明一些实施例的决定是否启动虚拟量测的方法的流程示意图;以及
图7为绘示本发明应用例的预测结果。
【符号说明】
100:生产机台
102:制程数据
104:量测数据
110:自动分类机制
120:虚拟量测
200:数据搜集
202:数据前处理
204:数据超取样
202A:制程数据前处理步骤
202B:量测数据前处理步骤
210:分类模型
210A:RF模型
210B:XG模型
220:RIC模型
230:GSIC模组
240A:RF模型
240B:XG模型
310A:RF决策树
310B:XG决策树
400:历史数据点
404:历史数据中心点
410:新数据点
414:新数据中心点
510:制程数据搜集
512:制程数据是否搜集完成
514:计算CPRF、CPXG与其GSIC、RIC
520:实际量测数据搜集
522:实际量测数据是否搜集完成
524:数据转换成加工事件指示值
526:是否有收集到k个工件的数据
528:计算正确率
530:正确率是否小于CRT
540:建模数据是否不平衡
542:重新训练分类模型、RIC模型和GSIC模型
544:调校分类模型、RIC模型和GSIC模型
550:更新分类模型、RIC模型和GSIC模型
610:获得工件的CPRF、CPXG与对应的RIC、GSIC
620:CPRF、CPXG是否均指出发生加工事件
630:RIC<0.7
640:GSIC<0.7
650:启动虚拟量测
700:曲线
702:直线
706:曲线
708:直线
710:曲线
720:曲线
730:曲线
740:曲线
A1:区域
A2:区域
A3:区域
A4:区域
A5:区域
A6:区域
P3:工件号码
P4:工件号码
P14:工件号码
P21:工件号码
P22:工件号码
P23:工件号码
具体实施方式
关于本文中所使用的“第一”、“第二”等,并非特别指次序或顺位的意思,其仅为了区别以类似技术用语描述的元件或操作。
虚拟量测应用于晶圆切割制程是用以进行晶圆崩缺(Wafer Chipping)值的预测。在晶圆切割制程中,并非每片晶圆(工件)都会有晶圆崩缺的事件产生。然而,由于虚拟量测无法分辨晶圆是否有崩缺产生,故会对每片晶圆均产生一晶圆崩缺预测值,因而造成使用者误判。在工具机加工中,并非每个工件均会被工具机加工而产生机台加工动作的事件。然而,由于虚拟量测无法分辨工具机是否有发生机台加工动作的事件,故仍会对每个工件均产生一准确度预测值,因而造成使用者对未被加工的工件产生误判。因此,虚拟量测往往需加入人为判断在机台处理工件(例如:晶圆或轮圈)时是否有发生加工事件(例如:晶圆崩缺、工具机加工动作等),借以避免使用者产生误判。
虚拟量测是使用多组建模样本,并根据一推估演算法来建立一虚拟量测模型。每一组建模样本包含一组历史制程数据和一个历史实际量测值。历史制程数据是在生产机台在处理历史工件时所使用或产生,历史制程数据是以一对一的方式对应至历史工件。历史实际量测值是由量测机台量测历史工件的品质项目后所获得。推估(预测演_算法包含类神经网络(Neural Network;NN)演算法、复回归(Multi-Regression;MR)演算法、部分最小平方(Partial Least Square;PLS)演算法或支持向量机(Support Vector Machines;SVM)演算法。对晶圆切割制程而言,生产机台为晶圆切割机台;历史实际量测值为晶圆崩缺量;历史制程数据包含刀片堵塞(Blade Clogging)、冷却液流速、主轴转速、进给速率、晶圆条件(如厚度、涂布等)、和/或切口宽度(Kerf Width)。对工具机加工而言,生产机台为工具机;历史实际量测值包含粗糙度、直线度(Straightness)、棱角度(Angularity)、垂直度(Perpendicularity)、平行度(Parallelism)和/或圆度(Roundness);历史制程数据包含工作电流、由安装在此工具机上的侦测器(例如:三轴加速度感测器(Accelerometer)和/或声射(Acoustic Emission;AE)感测器)所获得的振动和/或音频数据。
以晶圆切割制程为例,当建模样本不排除无晶圆崩缺事件发生的样本时,其根据类神经网络所建立的虚拟量测模型(晶圆崩缺量的预测)的平均绝对误差(Mean AbsoluteError;MAE)为1.234。当建模样本排除无晶圆崩缺事件发生的样本时,其根据类神经网络所建立的虚拟量测模型(晶圆崩缺量的预测)的平均绝对误差为1.067,优于不排除无晶圆崩缺事件发生的样本的情形。由此可见,无晶圆崩缺事件发生的样本对虚拟量测的准确度有重大的影响。
因此,本发明实施例提供一种自动分类机制,以预测是否有机台加工事件发生,来决定是否启动虚拟量测或其他后续动作(例如:停机、机台维修等),其中机台加工事件包括晶圆崩缺事件、机台加工动作事件等。
以下本发明实施例所使用的虚拟量测、GSI(Global Similarity Index;整体相似度指标)模型、DQIX(Process Data Quality Index;制程数据品质指标)、DQIy(MetrologyData Quality Index;量测数据品质指标)模型可参照美国专利前案第8095484B2号。本发明的实施例可与此美国专利前案所建构的虚拟量测系统相结合。即,本发明的实施例引用此美国专利前案的相关规定(Incorporated by reference)。
请参照图1,图1为绘示根据本发明一些实施例的用以说明虚拟量测应用的方块示意图。首先,自生产机台100获得一组制程数据102,其中此组制程数据102是生产机台100在处理一工件时所使用或产生,此组制程数据102包含感测器数据。然后,自动分类机制(Automated Classification Scheme;ACS)110使用此组制程数据102来预测生产机台100是否有机台加工事件发生。若有机台加工事件发生,则可启动虚拟量测120,例如:自动虚拟量测(Automatic Virtual Metrology;AVM)。本发明实施例可自动地预测是否有机台加工事件发生,并只有在有机台加工事件发生时,才进行虚拟量测120,以避免使用者产生误判。
请参照图2A,图2A为绘示根据本发明一些实施例的用以说明自动分类机制的方块示意图。本发明实施例的自动分类机制110包含制程数据前处理步骤202A、加工事件数据前处理步骤202B、分类模型210、综合信心指标(RIC)指标模型220和综合整体相似度指标(GSIC)230。制程数据前处理步骤202A根据DQIX模型,来进行制程数据102的数据品质评估,并针对来自生产机台的原始制程数据102进行整理及标准化,删除异常数据并筛选出重要参数,将不重要参数排除,以避免产生干扰作用,而影响预测精度。量测数据前处理步骤202B根据DQIy模型,来进行量测数据104的数据品质评估,并进行离散化和筛选,以去除其中的异常值。量测数据104可为例如工件的实际量测值(如晶圆崩缺量等)或生产机台100的状态(如工作电流等)。量测数据前处理步骤202B再将量测数据104转换成加工事件指示值,用以指出机台在处理工件时是否发生一加工事件。例如:根据工作电流来获得指出机台加工动作事件的加工事件指示值,即当工作电流大于或等于一门槛值时,代表生产机台100是有对工件进行加工,加工事件指示值为例如“1”;根据晶圆崩缺量来获得指出晶圆崩缺事件的加工事件指示值,即当晶圆崩缺量大于或等于一门槛值时,代表生产机台100对晶圆进行加工时发生晶圆崩缺,加工事件指示值为例如“1”。
自动分类机制110是利用双阶段运算机制及分类演算法来推估工件的加工事件指示值。可能选用的分类演算法有:随机森林(Random Forest;RF)演算法和极限梯度提升(eXtreme Gradient Boosting,XGboost;XG)演算法等各式分类演算法。在一些实施例中,分类模型210包含有RF模型210A和XG模型210B,用以分别产生事件预测值CPXG和CPRF。RIC模型220是用来评估事件预测值CPXG和CPRF的可信度,而产生综合信心指标(RIC)。GSIC模组230是用来评估目前输入的制程数据102与分类模型210内用来训练建模的制程数据(建模数据)的相似程度,而产生制程参数的综合整体相似度指标(GSIC),此综合整体相似度指标(GSIC)是用以辅助综合信心指标(RIC)来判断分类模型210的信心度。
以下说明分类模型210、综合信心指标(RIC)模型220和综合整体相似度指标(GSIC)模型230。
请参照图2B,图2B为绘示根据本发明一些实施例与自动分类机制相关的建模步骤的流程示意图。首先,进行数据搜集步骤200,以获得多组历史制程数据和多个历史加工事件指示值。此些组历史制程数据是在生产机台处理多个历史工件时所使用或产生,此些组历史制程数据是以一对一的方式对应至历史工件。此些历史加工事件指示值是用以指出此机台在处理每一个历史工件时是否发生一加工事件(例如:晶圆崩缺、工具机加工动作等)。每一该些组历史制程数据包含多个参数,此些参数为如上所述的虚拟量测建模所使用的历史制程数据。历史加工事件指示值是以一对一的方式对应至历史制程数据,历史加工事件指示值和其对应的历史制程数据分别组成多组建模数据。
然后,进行数据前处理步骤202,以分别使用多个演算法将每一组历史制程数据的多个参数的数值转换成对应至多个参数指标的数值,其中此些参数指标是以一对一的方式对应至演算法。前述的参数指标包含:转换至频域后的k倍频(其中k大于0)、统计数据分布的峰度(kurtosis)、统计数据分布的偏度(skewness)、标准差、均方根(root meansquare)、平均值、最大值和/或最小值。在进行数据前处理步骤202后,建模数据包含历史加工事件指示值和其对应的参数指标的数值。
接着,对建模数据进行数据超取样(Oversampling)步骤204,以产生类似于建模数据中一少数类别的数据的多组样本数据,来克服建模数据的数据不平衡。数据超取样步骤204可采用例如边界合成少数类超取样技术(Borderline SMOTE(Synthetic MinorityOversampling Technique))。边界合成少数类超取样技术(Borderline SMOTE)是习于此技艺的人士所知,故不在此赘述。
然后,将样本数据加入至建模数据,以进行建模步骤240A和240B。建模步骤240A是使用建模数据并根据一个基于Bagging算法(Bootstrap aggregating,引导聚集算法;又称为装袋算法)的分类演算法(例如RF演算法),来建立分类模型(例如RF模型)。建模步骤240B是使用建模数据并根据另一个基于提升方法(Boosting)的分类演算法(例如XG演算法),来建立分类模型(例如XG模型),其中分类模型(RF模型和XG模型)分别包含有多个RF决策树310A和XG决策树310B。
请参照图3A和图3B,图3A和图3B分别为绘示根据本发明一些实施例用以说明RF演算法与XG算法的信心指标模型的示意图。建模步骤240A和240B使用RF模型的RF决策树310A和XG模型的XG决策树310B的机率来分别建立二个信心指标模型(RIRF模型和RIXG模型),以计算出综合信心指标值(RIC)。以下以晶圆切割制程为例说明综合信心指标值RIC的计算方法,其中晶圆崩缺(Chipping)代表有机台加工事件发生,其加工事件指示值的二进制数值可为例如“1”;晶圆无崩缺(Nonchipping)代表有机台无加工事件发生,其加工事件指示值的二进制数值可为例如“0”,综合信心指标值(RIC)的计算公式如下:
RIC=min(RIRF,RIXG) (3)
其中n为RF决策树310A的数量;PRFChippingi为第i棵RF决策树310A的晶圆崩缺的预测机率;PRFNonchippingi为第i棵RF决策树310A的晶圆无崩缺的预测机率;PXGChippingi为第i棵XG决策树310B的晶圆崩缺的预测机率;PXGNonchippingi为第i棵XG决策树310B的晶圆无崩缺的预测机率。
RIC为RIRF和RIXG中的最小分类机率值,其中RIRF为RF模型的信心指标值,而RIXG为XG模型的信心指标值。理论上,当分类机率值大于0.5时,预测结果是被归类至某一个类别。然而,略大于0.5的数据分类机率值是位于分类边界,可能会引起误分类。为确保分类的正确性,分类机率的信心指标门槛值可设为例如0.7。值得一提的是,本发明实施例亦可单独使用一种信心指标模型(RIRF或RIXG)来指出分类预测值的可靠度。
建模步骤240A和240B分别使用RF模型的建模数据和XG模型的建模数据,并根据一统计距离演算法来分别建立二个相似度模型(例如GSIRF模型和GSIXG模型),以计算出综合整体相似度指标值(GSIC),来判断新输入的制程数据与各建模数据中的历史制程数据间的相似程度。请参照图4,图4为绘示根据本发明一些实施例用以说明制程参数的相似度模型的示意图。首先,使用例如k平均分群演算法(k-means Clustering)计算出多个历史数据点400的历史数据中心点404。加入新数据点410后,再使用例如k平均分群演算法计算出历史数据点400和新数据点410的新数据中心点414。然后,以统计距离演算法来建立相似度模型(GSIRF模型和GSIXG模型),以获得历史数据中心点404和新数据中心点414间的距离。此统计距离演算法可为例如:马氏距离(Mahalanobis Distance)演算法或标准化的欧氏距离(Euclidean Distance)。马氏距离是用以决定未知样本组与已知样本组间的相似度的方法,此方法考量数据组间的关联性并具有尺度不变性(Scale Invariant),即不与量测值的大小相关。若数据具有高相似度,则所计算出的马氏距离将会较小。综合整体相似度指标值(GSIC)的计算公式如下:
SIRF=1–d(OriCenterRF,NewCenterRF) (4)
SIXG=1–d(OriCenterXG,NewCenterXG) (5)
GSIC=min(SIRF,SIXG) (6)
其中d(X1,X2)为两数据点X1和X2间的统计距离;OriCenterRF为RF模型建模数据的中心点;OriCenterXG为XG模型建模数据的中心点;NewCenterRF为RF模型建模数据和新数据点的中心点;NewCenterXG为XG模型建模数据和新数据点的中心点;SIRF为新数据点与RF模型建模数据的整体相似度指标值;SIXG为新数据点与XG模型建模数据的整体相似度指标值。
本发明实施例应用交互验证(Cross Validation)中的留一法(Leave-One-Out;LOO)原理来计算出整体相似度指标门槛值(GSIT)。本发明实施例所使用的整体相似度指标门槛值(GSIT)可参照美国专利前案第8095484B2号。本发明的实施例可与此美国专利前案所建构的虚拟量测系统相结合。即,本发明的实施例引用此美国专利前案的相关规定(Incorporated by reference)。为方便管理整体相似度指标值,综合整体相似度指标值(GSIC)被正规化至0和1之间,GSIC愈大代表新数据点与建模数据愈相似,GSIC愈小代表新数据点与建模数据愈不相同。在一些实施例中,整体相似度指标门槛值(GSIT)被映对至0.7,即综合整体相似度指标值(GSIC)小于0.7时,新数据点与建模数据的差异太大,会影响到分类模型的预测准确度。值得一提的是,习于此技艺的人士亦可变化公式(4)和(5),以使GSIC愈大代表新数据点与建模数据愈不相同,GSIC愈小代表新数据点与建模数据愈相似。
在建模步骤完成分类模型、RIC模型、GSIC模型后,便可进行推估步骤,以预测机台加工事件是否发生。请参照图5A和图5B,图5A和图5B为绘示根据本发明一些实施例的双阶段预测机台加工事件发生的方法的流程示意图。在第一阶段中,首先进行制程数据搜集步骤510,以获得一组制程数据,其中此组制程数据是生产机台处理一工件时所使用或产生。制程数据包含与历史制程数据相同的参数。然后,判断此工件的制程数据是否搜集完成(步骤512)。当步骤512的结果为是时,进行步骤514,以输入制程数据至分类模型(例如:RF模型、XG模型)、RIC模型、GSIC模型,而获得一或二个事件预测值(CPRF和/或CPXG)与其综合整体相似度指标值(GSIC)和综合信心指标值(RIC),用以指出生产机台在处理此工件时是否发生加工事件。在输入制程数据至分类模型前,可先进行如图2B所示的数据前处理步骤202,以使用前述的演算法将此组制程数据的参数的数值转换成前述的参数指标的数值。当步骤512的结果为否或完成步骤514后,则回到制程数据搜集步骤510,以获得生产机台处理下一工件时所使用或产生的制程数据。
在第二阶段中,首先进行量测数据搜集步骤520,以获得第一阶段中所处理的工件或处理此工件的生产机台的实际量测数据。实际量测数据可为例如工件的实际量测值(如晶圆崩缺量等)或机台状态(如工作电流等)。然后,判断实际量测数据是否搜集完成(步骤522)。当步骤522的结果为是时,进行步骤524,以将实际量测数据转换成加工事件指示值,用以指出机台在处理工件时是否发生一加工事件。例如:实际晶圆崩缺量大于或等于一门槛值时,实际加工事件指示值为“1”,代表有晶圆崩缺事件发生;实际晶圆崩缺量小于此门槛值时,实际加工事件指示值为“0”,代表机台无晶圆崩缺事件发生。工作电流大于或等于一门槛值时,实际加工事件指示值为“1”,代表机台有加工动作;工作电流小于此门槛值时,实际加工事件指示值为“0”,代表机台无加工动作。
接着,进行步骤526,以判断是否有收集到k个工件的实际量测数据与其对应的k个事件预测值,其中k大于0,可为例如:10。当步骤526的结果为是时,进行步骤528,以计算此些事件预测值的正确率,正确率(Correct-Rate;CR)的计算公式如下:
其中TP代表真阳性样本的数量,真阳性为实际加工事件指示值为有机台加工事件发生,且事件预测值为有机台加工事件发生;TN代表真阴性样本的数量,真阴性为实际加工事件指示值为无机台加工事件发生,且事件预测值为无机台加工事件发生;FP代表假阳性样本的数量,为实际加工事件指示值为无机台加工事件发生,但事件预测值为有机台加工事件发生;FN代表假阴性样本的数量,为实际加工事件指示值为有机台加工事件发生,但事件预测值为无机台加工事件发生。接着,进行步骤530,以判断正确率是否小于正确率门槛值(CRT)。当步骤530、526或522的结果为否时,则回到量测数据搜集步骤520,以获得下一工件或处理此下一工件的生产机台的实际量测数据。
当步骤530为是时,进行步骤540,检查目前所使用的建模数据是否不平衡。当步骤540为是时,将实际加工事件指示值与其对应的制程数据的参数指标的数值加入至建模数据中,再重新进行建模步骤(步骤542),即重新训练第一阶段中的分类模型、信心指标模型和相似度模型。当步骤540为否时,使用实际加工事件指示值与其对应的制程数据的参数指标的数值来调校第一阶段中的分类模型、信心指标模型和相似度模型(步骤544)。在一些实施例中,数据不平衡率是设在1:3,即当建模数据中的晶圆崩缺事件发生率小于25%时,建模数据为不平衡,需重新训练模型。进行步骤542和544后,便可更新第一阶段中的分类模型、信心指标模型和相似度模型(步骤550)。
值得一提的是,在第一阶段中,可分别使用两种不同的分类演算法的二种分类模型与其信心指标模型和相似度模型,因此,第二阶段的步骤可分别针对此些分类模型与其信心指标模型和相似度模型来进行。
由于无机台加工事件的样本对虚拟量测的准确度有重大的影响,因此本发明实施例透过上述的预测机台加工事件发生的方法来决定是否启动虚拟量测。请参照图6,图6为绘示根据本发明一些实施例的决定是否启动虚拟量测的方法的流程示意图。首先,进行步骤610,以获得对应至一工件的一组事件预测值以及与其对应的综合信心指标值(RIC)和综合整体相似度指标值(GSIC),此组事件预测值包含第一事件预测值(例如CPRF)和第二事件预测值(CPXG)。接着,检查该第一事件预测值和该第二事件预测值是否均指出发生加工事件(步骤620)。当步骤620的结果为是时,启动一虚拟量测,以推估工件的品质。当步骤620的结果为否时,进行步骤630,以检查综合信心指标值(RIC)是否小于一信心指标门槛值(例如:0.7)。当步骤630的结果为是时,启动虚拟量测(步骤650),以推估工件的品质。当步骤630的结果为否时,进行步骤640,以检查综合整体相似度指标值(GSIC)是否小于一整体相似度指标门槛值(GSIT;例如:0.7)。当步骤640的结果为是时,启动虚拟量测(步骤650),以推估工件的品质。当步骤640的结果为否时,则不启动虚拟量测。
以下以关于晶圆崩缺的应用例来说明本发明实施例。请参照图7,图7为绘示本发明应用例的预测结果,其中“*”代表实际加工事件指示值;“x”代表实际晶圆崩缺量;曲线700代表各工件的综合信心指标值(RIC);直线702代表信心指标门槛值;曲线706代表各工件的综合整体相似度指标值(GSIC);直线708代表整体相似度指标门槛值;曲线710代表各工件的第一事件预测值(CPRF),曲线720代表各工件的第二事件预测值(CPXG),其中除工件号码P23外,曲线710和720是叠合成一曲线;曲线730代表使用类神经网络(NN)演算法的各工件的虚拟量测值(预测的晶圆崩缺量);曲线740代表使用部分最小平方(PLS)演算法的各工件的虚拟量测值(预测的晶圆崩缺量)。除区域A3中的工件号码P14、区域A5中的工件号码P23外,第一事件预测值(CPRF)和第二事件预测值(CPXG)均与实际加工事件指示值吻合,其中第一事件预测值(CPRF)的正确率为0.9714,第二事件预测值(CPXG)的正确率为0.9428。
区域A2、A4、A6中的工件的事件预测值均指出无晶圆崩缺事件发生,故未进行虚拟量测值,即不预测晶圆崩缺量。区域A1中的工件号码P3、P4的RIC和区域A5中的工件号码P21、P22的RIC不佳(<0.7),但CPRF和CPXG均指出有晶圆崩缺事件发生,故进行虚拟量测值,以预测晶圆崩缺量。区域A3中的工件号码P14的CPRF和CPXG均指出无晶圆崩缺事件发生(与实际加工事件指示值不吻合),但RIC和GSIC皆不佳(<0.7),故仍进行虚拟量测值,以预测晶圆崩缺量。区域A5中的工件号码P23的CPRF与实际加工事件指示值吻合,而其CPXG与实际加工事件指示值不吻合,但其RIC不佳(<0.7),故仍进行虚拟量测值,以预测晶圆崩缺量。显见,工件号码P14的RIC和GSIC、工件号码P23的RIC可修正CPRF和CPXG预测不准确的问题。由本应用例可知,本发明实施例可有效地预测机台加工事件发生,并准确地决定是否启动虚拟量测。
可理解的是,本发明的预测机台加工事件发生的方法与决定是否启动虚拟量测的方法为以上所述的实施步骤,本发明的内储用于量测抽样的计算机程序产品,是用以完成如上述的预测机台加工事件发生的方法与决定是否启动虚拟量测的方法。上述实施例所说明的各实施步骤的次序可依实际需要而调动、结合或省略。上述实施例可利用计算机程序产品来实现,其可包含储存有多个指令的机器可读取媒体,这些指令可程序化(programming)计算机来进行上述实施例中的步骤。机器可读取媒体可为但不限定于软盘、光盘、只读光盘、磁光盘、只读记忆体、随机存取记忆体、可抹除可程序只读记忆体(EPROM)、电子可抹除可程序只读记忆体(EEPROM)、光卡(optical card)或磁卡、快闪记忆体、或任何适于储存电子指令的机器可读取媒体。再者,本发明的实施例也可做为计算机程序产品来下载,其可通过使用通讯连接(例如网络连线之类的连接)的数据信号来从远端计算机转移本发明的计算机程序产品至请求计算机。
亦可注意的是,本发明亦可描述于一制造系统的语境中。虽然本发明可建置在半导体制作中,但本发明并不限于半导体制作,亦可应用至其他制造工业。制造系统是配置以制造工件或产品,工件或产品包含但不受限于微处理器、记忆体装置、数字信号处理器、专门应用的电路(ASICs)或其他类似装置。本发明亦可应用至除半导体装置外的其他工件或产品,如车辆轮框、螺丝。制造系统包含一或多个处理工具,其可用以形成一或多个产品或产品的一部分,在工件(例如:晶圆、玻璃基板)上或中。发明本领域具有通常技艺者应可知,生产机台可为任何数目和任何型式,包含有微影机台、沉积机台、蚀刻机台、研磨机台、退火机台、工具机和类似工具。在实施例中,量测机台包含散射仪、椭圆偏光仪、扫描式电子显微镜和类似仪器。
综上所述,本发明实施例可即时并准确地预测机台加工事件发生,而可及时地决定是否进行后续的步骤与处理;并可即时并准确地决定是否启动虚拟量测,而避免使用者产生误判。
虽然本发明已以实施例揭露如上,然其并非用以限定本发明,任何所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作些许的更动与润饰,故本发明的保护范围当视所附的权利要求书所界定的范围为准。
Claims (11)
1.一种预测机台加工事件发生的方法,其特征在于,包含:
获得多组历史制程数据,其中该些组历史制程数据是在一机台处理多个历史工件时所使用或产生,该些组历史制程数据是以一对一的方式对应至该些历史工件;
获得多个历史加工事件指示值,用以指出该机台在处理每一该些历史工件时是否发生一加工事件,其中该些历史加工事件指示值是以一对一的方式对应至该些组历史制程数据,该些历史加工事件指示值和其对应的历史制程数据分别组成多组建模数据;
进行一建模步骤,包含:
使用该些组建模数据并根据一分类演算法来建立一分类模型,其中该分类模型包含多个决策树;以及
使用该些决策树的机率来建立一信心指标模型;以及
进行一推估步骤,包含:
获得至少一组制程数据,其中该至少一组制程数据是该机台处理至少一工件时所使用或产生;
输入每一该至少一组制程数据至该分类模型,以获得至少一事件预测值,用以指出该机台在处理该至少一工件时是否发生该加工事件;以及
使用该信心指标模型来计算出每一该至少一事件预测值的一信心指标值,用以指出每一该事件预测值的可靠度。
2.根据权利要求1所述的预测机台加工事件发生的方法,其特征在于每一该些组历史制程数据包含多个参数,每一该至少一组制程数据包含该些参数,该预测机台加工事件发生的方法还包含:
进行一数据前处理步骤,以分别使用多个演算法将每一该些组历史制程数据的该些参数的数值转换成对应至多个参数指标的数值,其中该些参数指标是以一对一的方式对应至该些演算法,该些组建模数据包含该些历史加工事件指示值和其对应的历史制程数据所转换成的该些参数指标的数值;以及
进行该数据前处理步骤,以使用该些演算法将每一该至少一组制程数据的该些参数的数值转换成该些参数指标的数值,其中该推估步骤包含输入每一该至少一组制程数据的该些参数指标的数值至该分类模型,以获得该至少一事件预测值。
3.根据权利要求2所述的预测机台加工事件发生的方法,其特征在于该建模步骤还包含:
使用该些组建模数据并根据一统计距离演算法来建立一相似度模型;
该推估步骤该还包含:
使用该相似度模型计算出每一该至少一组制程数据的该些参数指标的数值与该些组建模数据间的一整体相似度指标,用以指出每一该至少一组制程数据的该些参数指标的数值与该些组建模数据间的相似程度。
4.根据权利要求3所述的预测机台加工事件发生的方法,其特征在于该至少一组制程数据的数目是大于1,该至少一工件的数目是大于1,该预测机台加工事件发生的方法还包含:
获得多个实际加工事件指示值,用以指出该机台在处理每一该些工件时是否发生该加工事件;
根据该些实际加工事件指示值来获得该些事件预测值的一正确率;
当该正确率小于一正确率门槛值时,检查该些组建模数据是否不平衡;
当该些组建模数据不平衡时,将该些实际加工事件指示值与其对应的该些组制程数据的参数指标的数值加入至该些组建模数据中,再重新进行该建模步骤;以及
当该些组建模数据平衡时,使用该些实际加工事件指示值与其对应的该些组制程数据的参数指标的数值来调校该分类模型、该信心指标模型和该相似度模型。
5.根据权利要求1所述的预测机台加工事件发生的方法,其特征在于,还包含:
对该些组建模数据进行一数据超取样步骤,以产生类似于该些组建模数据中一少数类别的数据的多组样本数据,来克服该些组建模数据的数据不平衡;以及
将该些组样本数据加入至该些组建模数据。
6.一种决定是否启动虚拟量测的方法,其特征在于,包含:
获得多组历史制程数据,其中该些组历史制程数据是在一机台处理多个历史工件时所使用或产生,该些组历史制程数据是以一对一的方式对应至该些历史工件;
获得多个历史加工事件指示值,用以指出该机台在处理每一该些历史工件时是否发生一加工事件,其中该些历史加工事件指示值是以一对一的方式对应至该些组历史制程数据,该些历史加工事件指示值和其对应的历史制程数据分别组成多组建模数据;
进行一建模步骤,包含:
使用该些组建模数据并根据不同的二个分类演算法来分别建立二个分类模型,其中每一该些分类模型包含多个决策树;以及
使用每一该些分类模型的该些决策树的机率来分别建立二个信心指标模型;
进行一推估步骤,包含:
获得至少一组制程数据,其中该至少一组制程数据是该机台处理至少一工件时所使用或产生;
输入每一该至少一组制程数据至该些分类模型,以分别获得至少一组事件预测值,用以指出该机台在处理该至少一工件时是否发生该加工事件,每一该至少一组事件预测值包含一第一事件预测值和一第二事件预测值;
使用该些信心指标模型来分别计算出每一该至少一组事件预测值的二个信心指标值;
选取该些信心指标值中代表事件预测值可靠度最小者为一综合信心指标值;
检查该第一事件预测值和该第二事件预测值是否均指出发生该加工事件,而获得一第一检查结果;
当该第一检查结果为是时,启动一虚拟量测,以推估该工件的品质;
当该第一检查结果为否时,检查该综合信心指标值是否指出事件预测值可靠度小于一信心指标门槛值,而获得一第二检查结果;以及
当该第二检查结果为是时,启动该虚拟量测,以推估该工件的品质。
7.根据权利要求6所述的决定是否启动虚拟量测的方法,其特征在于每一该些组历史制程数据包含多个参数,每一该至少一组制程数据包含该些参数,该决定是否启动虚拟量测的方法还包含:
进行一数据前处理步骤,以分别使用多个演算法将每一该些组历史制程数据的该些参数的数值转换成对应至多个参数指标的数值,其中该些参数指标是以一对一的方式对应至该些演算法,该些组建模数据包含该些历史加工事件指示值和其对应的历史制程数据所转换成的该些参数指标的数值;以及
进行该数据前处理步骤,以使用该些演算法将每一该至少一组制程数据的该些参数的数值转换成该些参数指标的数值,其中该推估步骤包含输入每一该至少一组制程数据的该些参数指标的数值至该些分类模型,以获得该些事件预测值。
8.根据权利要求7所述的决定是否启动虚拟量测的方法,其特征在于该建模步骤包含:使用该些组建模数据并根据一统计距离演算法来分别建立二个相似度模型,该决定是否启动虚拟量测的方法还包含:
使用该些相似度模型来分别计算出每一该至少一组制程数据的该些参数指标的数值与该些组建模数据间的二个整体相似度指标值;
选取该些整体相似度指标值中代表制程数据相似程度最小者为一综合整体相似度指标值;
当该第二检查结果为否时,检查该综合整体相似度指标值是否指出制程数据相似程度小于一整体相似度指标门槛值,而获得一第三检查结果;以及
当该第三检查结果为是时,启动该虚拟量测,以推估该工件的品质。
9.根据权利要求8所述的决定是否启动虚拟量测的方法,其特征在于该至少一组制程数据的数目是大于1,该至少一工件的数目是大于1,该预测机台加工事件发生的方法还包含:
获得多个实际加工事件指示值,用以指出该机台在处理每一该些工件时是否发生该加工事件;
根据该些实际加工事件指示值来获得该些第一事件预测值的一第一正确率和该些第二事件预测值的一第二正确率;
当该第一正确率或该第二正确率小于一正确率门槛值时,检查该些组建模数据是否不平衡;
当该些组建模数据不平衡时,将该些实际加工事件指示值与其对应的该些组制程数据的参数指标的数值加入至该些组建模数据中,再重新进行该建模步骤,以重新训练对应至该第一正确率或该第二正确率的分类模型、信心指标模型和相似度模型;以及
当该些组建模数据平衡时,使用该些实际加工事件指示值与其对应的该些组制程数据的参数指标值来调校对应至该第一正确率或该第二正确率的分类模型、信心指标模型和相似度模型。
10.根据权利要求6所述的决定是否启动虚拟量测的方法,其特征在于,还包含:
对该些组建模数据进行一数据超取样步骤,以产生类似于该些组建模数据中一少数类别的数据的多组样本数据,来克服该些组建模数据的数据不平衡;以及
将该些组样本数据加入至该些组建模数据。
11.根据权利要求6所述的决定是否启动虚拟量测的方法,其特征在于该些分类演算法分别为一随机森林演算法和一极限梯度提升演算法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109118836A TWI742709B (zh) | 2020-06-04 | 2020-06-04 | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 |
TW109118836 | 2020-06-04 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761782A true CN113761782A (zh) | 2021-12-07 |
Family
ID=78786215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011561263.1A Pending CN113761782A (zh) | 2020-06-04 | 2020-12-25 | 预测机台加工事件发生的方法与其虚拟量测应用 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11829124B2 (zh) |
CN (1) | CN113761782A (zh) |
TW (1) | TWI742709B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
TWI841349B (zh) | 2023-04-20 | 2024-05-01 | 國立高雄大學 | 晶圓切割崩裂預測方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI315054B (en) | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
TWI338916B (en) | 2007-06-08 | 2011-03-11 | Univ Nat Cheng Kung | Dual-phase virtual metrology method |
TWI349867B (en) | 2008-05-20 | 2011-10-01 | Univ Nat Cheng Kung | Server and system and method for automatic virtual metrology |
US9002492B2 (en) * | 2010-02-16 | 2015-04-07 | Applied Materials, Inc. | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology |
TWI412906B (zh) | 2010-04-13 | 2013-10-21 | Univ Nat Cheng Kung | 具有虛擬量測功能的製造執行系統與製造系統 |
TWI427722B (zh) | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
CN103064340B (zh) * | 2011-10-21 | 2014-12-03 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
TWI451336B (zh) | 2011-12-20 | 2014-09-01 | Univ Nat Cheng Kung | 預測模型之建模樣本的篩選方法及其電腦程式產品 |
TWI463334B (zh) | 2012-07-20 | 2014-12-01 | Univ Nat Cheng Kung | 標的裝置的基底預測保養方法與其電腦程式產品 |
TWI481978B (zh) | 2012-11-05 | 2015-04-21 | Univ Nat Cheng Kung | 工具機之加工品質的預測方法 |
US9746849B2 (en) * | 2012-11-09 | 2017-08-29 | Tokyo Electron Limited | Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing |
TWI521360B (zh) | 2014-03-26 | 2016-02-11 | 國立成功大學 | 量測抽樣方法與其電腦程式產品 |
TWI539298B (zh) | 2015-05-27 | 2016-06-21 | 國立成功大學 | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 |
JP6346253B2 (ja) * | 2016-12-05 | 2018-06-20 | ファナック株式会社 | 工作機械及び機械学習装置 |
US11887013B2 (en) * | 2017-09-08 | 2024-01-30 | The Bank Of New York Mellon | System and method for facilitating model-based classification of transactions |
US10777470B2 (en) * | 2018-03-27 | 2020-09-15 | Pdf Solutions, Inc. | Selective inclusion/exclusion of semiconductor chips in accelerated failure tests |
CN108764597A (zh) | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
TWI660322B (zh) * | 2018-05-17 | 2019-05-21 | 國立成功大學 | 考慮機台交互作用之辨識良率損失原因的系統與方法 |
TWI682333B (zh) * | 2018-06-12 | 2020-01-11 | 中華電信股份有限公司 | 機台加工行為異常分析與預測保養系統及其方法 |
US11457024B2 (en) * | 2018-08-03 | 2022-09-27 | Citrix Systems, Inc. | Systems and methods for monitoring security of an organization based on a normalized risk score |
SG11201811698UA (en) | 2018-08-09 | 2020-03-30 | Beijing Didi Infinity Technology & Development Co Ltd | Systems and methods for allocating orders |
CH716583A1 (de) * | 2019-09-13 | 2021-03-15 | Reishauer Ag | Verfahren zur Überwachung eines Bearbeitungsprozesses, bei dem Zahnflanken vorverzahnter Werkstücke mit einer Feinbearbeitungsmaschine bearbeitet werden. |
CN110597889A (zh) * | 2019-10-08 | 2019-12-20 | 四川长虹电器股份有限公司 | 一种基于改进的Apriori算法的机床故障预测方法 |
-
2020
- 2020-06-04 TW TW109118836A patent/TWI742709B/zh active
- 2020-12-24 US US17/134,133 patent/US11829124B2/en active Active
- 2020-12-25 CN CN202011561263.1A patent/CN113761782A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114841378B (zh) * | 2022-07-04 | 2022-10-11 | 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 |
TWI841349B (zh) | 2023-04-20 | 2024-05-01 | 國立高雄大學 | 晶圓切割崩裂預測方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210382464A1 (en) | 2021-12-09 |
TW202147161A (zh) | 2021-12-16 |
TWI742709B (zh) | 2021-10-11 |
US11829124B2 (en) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9508042B2 (en) | Method for predicting machining quality of machine tool | |
JP6285494B2 (ja) | サンプリングレート決定機構付きの測定サンプル抽出方法及びそのコンピュータプログラム製品 | |
CN113302478A (zh) | 半导体设备的缺陷分类和来源分析 | |
TWI427722B (zh) | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 | |
US20180307203A1 (en) | Machining defect factor estimation device | |
CN1837767A (zh) | 降级系统的健康参数或症状的估计 | |
Huang et al. | Automatic data quality evaluation for the AVM system | |
CN110503288B (zh) | 考虑机台交互作用的辨识良率损失原因的系统与方法 | |
US10345794B2 (en) | Product quality prediction method for mass customization | |
CN111177970B (zh) | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 | |
Tieng et al. | A novel virtual metrology scheme for predicting machining precision of machine tools | |
CN113761782A (zh) | 预测机台加工事件发生的方法与其虚拟量测应用 | |
US11921474B2 (en) | Virtual metrology method using convolutional neural network and computer program product thereof | |
US7299154B1 (en) | Method and apparatus for fast disturbance detection and classification | |
Yan et al. | Precognitive maintenance and probabilistic assessment of tool wear using particle filters | |
CN108268987B (zh) | 多样式产品的品质推估方法 | |
Klyachkin et al. | Analysis of stable functioning of objects using machine learning | |
TWI776444B (zh) | 使用卷積神經網路的虛擬量測方法及其電腦程式產品 | |
CN112710306A (zh) | 列车用bds与ins组合导航的自定位方法 | |
Melhem et al. | Prediction of the wafer quality with respect to the production equipments data | |
CN112529099A (zh) | 一种机器人铣削加工颤振辨识方法 | |
Yang et al. | A gradual refreshing scheme for improving tool utilization | |
Feng et al. | Research on key technologies of health assessment for multi-equipment production line | |
TWI819669B (zh) | 具卷積自編碼器與遷移學習之虛擬量測方法及其系統 | |
CHALA et al. | STUDY OF MANUFACTURING DEFECTS IN THE TECHNOLOGY OF MANUFACTURING MOEMS SEMICONDUCTOR SUBSTRATES FOR TECHNICAL AUTOMATION MEANS |
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 |