CN114254682A - 新增生产工具的合格检验方法和检验系统 - Google Patents

新增生产工具的合格检验方法和检验系统 Download PDF

Info

Publication number
CN114254682A
CN114254682A CN202010945285.1A CN202010945285A CN114254682A CN 114254682 A CN114254682 A CN 114254682A CN 202010945285 A CN202010945285 A CN 202010945285A CN 114254682 A CN114254682 A CN 114254682A
Authority
CN
China
Prior art keywords
yield data
tool
new
old
tool yield
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
Application number
CN202010945285.1A
Other languages
English (en)
Inventor
陈予郎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changxin Memory Technologies Inc
Original Assignee
Changxin Memory Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changxin Memory Technologies Inc filed Critical Changxin Memory Technologies Inc
Priority to CN202010945285.1A priority Critical patent/CN114254682A/zh
Priority to PCT/CN2021/099756 priority patent/WO2022052540A1/zh
Priority to US17/453,974 priority patent/US11994837B2/en
Publication of CN114254682A publication Critical patent/CN114254682A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

一种新增生产工具的合格检验方法和检验系统，所述检验方法，在获得若干新工具良率数据和旧工具良率数据后，对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。通过前述检验方法，对新增生产工具的合格检验过程标准化和流程化，并且提高新工具合格检验结果的准确性，并且提高新工具合格检验过程的效率。

Description

新增生产工具的合格检验方法和检验系统
技术领域
本发明涉及半导体领域，尤其涉及一种新增生产工具的合格检验方法和检验系统。
背景技术
集成电路(integrated circuit)是一种微型电子器件或部件。它是采用氧化、光刻、扩散、外延、掩膜、溅射等半导体制作工艺，把一个电路中所需的晶体管、电阻、电容和电感等元件及布线互连一起，制作在一小块或几小块半导体晶片或介质基片上，然后封装在一个管壳内，成为具有所需电路功能的微型结构或芯片。
在进行集成电路的制作时，每一步半导体制作工艺都在相应的半导体生产工具(或生产设备)上进行，比如进行氧化工艺采用相应的炉管设备，进行光刻工艺采用相应的光刻设备。
为了提高产能，通常会在产线上新增生产工具。在新增生产工具在正式投入生产之前，需要对新增生产工具的性能进行验证，判断新增生产工具是否能用于生产或者判断其是否合格，现有通常是通过测量在新增生产工具中进行工艺处理后的晶圆的良率数据来判断新增生产工具是否合格，判断过程并没有统一的标准或流程，且受工艺或人员的主观影响较大，检验结果精度有待提升。
发明内容
本发明所要解决的技术问题是提供一种新增生产工具的合格检验方法和检验系统，使得检验过程标准化，提高了检验结果的精度。
本发明提供了一种新增生产工具的合格检验方法，包括：
提供线上新装的新的生产工具以及线上已有的旧的生产工具；
提供若干检测晶圆，所述若干检测晶圆分为第一部分晶圆和第二部分晶圆；
将所述第一部分晶圆在所述新的生产工具中进行相应的工艺处理；
将所述第二部分晶圆在所述旧的生产工具中进行相应的工艺处理；
对所述在新的生产工具中进行工艺处理后的第一部分晶圆进行良率测量，获得若干新工具良率数据；
对所述在旧的生产工具中进行工艺处理后工艺处理后的第二部分晶圆进行良率测量，获得若干旧工具良率数据；
对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；
基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。
可选的，所述若干待检测晶圆为若干批待检测晶圆，相应的将每一批中的第奇数片晶圆作为第一部分晶圆，第偶数片晶圆作为第二部分晶圆，或者相应的将每一批中的第偶数片晶圆作为第一部分晶圆，第奇数片晶圆作为第二部分晶圆。
可选的，对所述若干新工具良率数据和旧工具良率数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
可选的，对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别的过程包括：将所述若干旧工具良率数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别、中等良率类别和高良率类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别和偏高良率类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别；将若干新工具良率数据和旧工具良率数据分别投射到所述模糊系统模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别。
可选的，将所述若干旧工具良率数据分成若干集群采用K-Means聚类算法。
可选的，将所述若干旧工具良率数据分成若干集群之前还包括步骤：判断所述新工具良率数据和旧工具良率数据的数量是否皆大于10，若“是”，则进行将所述若干旧工具良率数据分成若干集群的步骤，若“否”，则结束检验流程。
可选的，所述分成若干集群，构建模糊系统模型、获得每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别、获得筛选后的新工具良率数据和旧工具良率数据的过程包括：在将所述若干旧工具良率数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干旧工具良率数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干新工具良率数据和旧工具良率数据分别投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干旧工具良率数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干新工具良率数据和旧工具良率数据分别投射到所述β模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；继续判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干旧工具良率数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干新工具良率数据和旧工具良率数据分别投射到所述γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，直接将新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
可选的，所述基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的过程包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件1，所述条件1为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差≤筛选后的旧工具良率数据的标准差，如“是”，则判定所述新的生产工具合格，若“否”则进行进一步判断。
可选的，所述进一步判断包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件2，所述条件2为筛选后的新工具良率数据的均值＜筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差＞筛选后的旧工具良率数据的标准差，若“是”，则判定所述新的生产工具不合格，若“否”，则进行t-检验，判断所述筛选后的新工具良率数据和旧工具良率数据是否存在显著差异，若“否”，则判定所述新的生产工具合格，若是，则判断筛选后的新工具良率数据和旧工具良率数据是否符合条件3，所述条件3为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，若“是”，则判定所述新的生产工具合格，若“否”，则判定所述新的生产工具合格不合格。
本发明还提供了一种新增生产工具的合格检验系统，包括：
晶圆提供单元，用于提供若干检测晶圆，所述若干检测晶圆分为第一部分晶圆和第二部分晶圆；
新的生产工具，用于对所述第一部分晶圆进行相应的工艺处理；
旧的生产工具，用于对所述第二部分晶圆进行相应的工艺处理；
良率数据测量单元，用于对所述在新的生产工具中进行工艺处理后的第一部分晶圆进行良率测量，获得若干新工具良率数据，以及对所述在旧的生产工具中进行工艺处理后工艺处理后的第二部分晶圆进行良率测量，获得若干旧工具良率数据；
数据分析单元，用于对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；
判断单元，用于基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。
可选的，晶圆提供单元提供的所述若干待检测晶圆为若干批待检测晶圆，相应的将每一批中的第奇数片晶圆作为第一部分晶圆，第偶数片晶圆作为第二部分晶圆，或者相应的将每一批中的第偶数片晶圆作为第一部分晶圆，第奇数片晶圆作为第二部分晶圆。
可选的，所述数据分析单元对所述若干新工具良率数据和旧工具良率数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
可选的，所述数据分析单元对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别的过程包括：将所述若干旧工具良率数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别、中等良率类别和高良率类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别和偏高良率类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别；将若干新工具良率数据和旧工具良率数据分别投射到所述模糊系统模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别。
可选的，将所述若干旧工具良率数据分成若干集群采用K-Means聚类算法。
可选的，还包括数据样本数判断单元，用于在数据分析单元将所述若干旧工具良率数据分成若干集群之前，判断所述新工具良率数据和旧工具良率数据的数量是否皆大于10，若“是”，则进行将所述若干旧工具良率数据分成若干集群的步骤，若“否”，则结束检验流程。
可选的，所述数据分析单元进行所述分成若干集群，构建模糊系统模型、获得每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别、获得筛选后的新工具良率数据和旧工具良率数据的过程包括：在将所述若干旧工具良率数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干旧工具良率数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干新工具良率数据和旧工具良率数据分别投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干旧工具良率数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干新工具良率数据和旧工具良率数据分别投射到所述β模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；继续判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干旧工具良率数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干新工具良率数据和旧工具良率数据分别投射到所述γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，直接将新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
可选的，所述判断单元基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的过程包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件1，所述条件1为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差≤筛选后的旧工具良率数据的标准差，如“是”，则判定所述新的生产工具合格，若“否”则进行进一步判断。
可选的，所述进一步判断包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件2，所述条件2为筛选后的新工具良率数据的均值＜筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差＞筛选后的旧工具良率数据的标准差，若“是”，则判定所述新的生产工具不合格，若“否”，则进行t-检验，判断所述筛选后的新工具良率数据和旧工具良率数据是否存在显著差异，若“否”，则判定所述新的生产工具合格，若是，则判断筛选后的新工具良率数据和旧工具良率数据是否符合条件3，所述条件3为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，若“是”，则判定所述新的生产工具合格，若“否”，则判定所述新的生产工具合格不合格。
与现有技术相比，本发明技术方案具有以下优点：
本发明的新增生产工具的合格检验方法，在获得若干新工具良率数据和旧工具良率数据后，对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。通过前述检验方法，对新增生产工具的合格检验过程标准化和流程化，并且检验过程中以若干新工具良率数据和旧工具良率数据作为原始数据，并且对于新工具合格检验结果的准确性和有效性会有较大的影响的高良率类别或偏高良率类别的新工具良率数据和旧工具良率数据，以提高新工具合格检验结果的准确性，并且提高新工具合格检验过程的效率。
进行所述分成若干集群，构建模糊系统模型、获得每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别、获得筛选后的新工具良率数据和旧工具良率数据的过程包括：在将所述若干旧工具良率数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干旧工具良率数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干新工具良率数据和旧工具良率数据分别投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干旧工具良率数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干新工具良率数据和旧工具良率数据分别投射到所述β模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；继续判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干旧工具良率数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干新工具良率数据和旧工具良率数据分别投射到所述γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，直接将新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。进一步提高每一个新工具良率数据和旧工具良率数据对应的获取的类别归属的准确性，以进一步提高新工具合格检验结果的准确性。
附图说明
图1-图4为本发明实施例新增生产工具的合格检验方法的流程示意图；
图5-图8为本发明实施例新增生产工具的合格检验过程的结构示意图；
图9为本发明实施例新增生产工具的合格检验系统的结构示意图。
具体实施方式
如背景技术所言，现有判断新增生产工具是否合格的过程并没有统一的标准或流程，且受工艺或人员的主观影响较大，检验结果精度有待提升。
为此，本发明提供了一种新增生产工具的合格检验方法和检验系统，所述检验方法，在获得若干新工具良率数据和旧工具良率数据后，对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。通过前述检验方法，对新增生产工具的合格检验过程标准化和流程化，并且检验过程中以若干新工具良率数据和旧工具良率数据作为原始数据，并且对于新工具合格检验结果的准确性和有效性会有较大的影响的高良率类别或偏高良率类别的新工具良率数据和旧工具良率数据，以提高新工具合格检验结果的准确性，并且提高新工具合格检验过程的效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在详述本发明实施例时，为便于说明，示意图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明的保护范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
参考图1，本发明一实施例提供了一种半导体产品分级方法，包括步骤：
步骤S20，提供线上新装的新的生产工具以及线上已有的旧的生产工具；
步骤S21，提供若干检测晶圆，所述若干检测晶圆分为第一部分晶圆和第二部分晶圆；
步骤S22，将所述第一部分晶圆在所述新的生产工具中进行相应的工艺处理；
步骤S23，将所述第二部分晶圆在所述旧的生产工具中进行相应的工艺处理；
步骤S24，对所述在新的生产工具中进行工艺处理后的第一部分晶圆进行良率测量，获得若干新工具良率数据；
步骤S25，对所述在旧的生产工具中进行工艺处理后工艺处理后的第二部分晶圆进行良率测量，获得若干旧工具良率数据；
步骤S26，判断所述新工具良率数据和旧工具良率数据的数量是否皆大于10，若“是”，则进行步骤S27，若“否”，则进行步骤S29，结束检验流程。
步骤S27，对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；
步骤S28，基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。
下面结合附图对前述过程进行详细的描述。
进行步骤S20，提供线上新装的新的生产工具以及线上已有的旧的生产工具。
所述旧的生产工具和新装的新的生产工具都是用于在产线(Fab)上对晶圆能进行相应的工艺处理的工具或设备。所述旧的生产工具为在产线上已经在使用，且各项性能和良率等满足工艺的要求。所述新装的新的生产工具为需要进行检验的设备，需要判断其是否合格，还没有正式用于生产。
所述线上新装的新的生产工具和线上已有的旧的生产工具为同一种工具或者同一类型的工具。在一具体的实施例中，所述新的生产工具和旧的生产工具为能进行氧化、光刻、沉积、离子注入、外延、研磨、刻蚀或溅射等(半导体)工艺处理的生产工具或生产设备，具体的，所述新的生产工具和旧的生产工具皆可以为炉管设备、光刻设备、沉积设备、离子注入设备、研磨设备、刻蚀设备或溅射设备中的一种。在其他的实施例中，所述新的生产工具和旧的生产工具也可以是产线上用于其他工艺处理的生产工具或生产设备。
进行步骤S21，提供若干检测晶圆，所述若干检测晶圆分为第一部分晶圆和第二部分晶圆。
所述检测晶圆为需要在新的生产工具或旧的生产工具上进行相关的工艺处理后后续需要进行良率检测的晶圆。所述若干检测晶圆分为第一部分晶圆和第二部分晶圆，所述第一部分晶圆后续在新的生产工具中进行相应的工艺处理，所述第二部分晶圆后续在旧的生产工具中进行相应的工艺处理。
在一实施例中，所述若干待检测晶圆为若干批待检测晶圆，相应的将每一批中的第奇数片晶圆作为第一部分晶圆，第偶数片晶圆作为第二部分晶圆，或者相应的将每一批中的第偶数片晶圆作为第一部分晶圆，第奇数片晶圆作为第二部分晶圆，后续在进行检测时，使得晶圆本身的良率对检测结果的影响最小，使得检测结果的准确性提高。
在一实施例中，所述第一部分晶圆和第二部分晶圆的数量均大于10片，提高后续获取的良率数据的有效样本数。
进行步骤S22，将所述第一部分晶圆在所述新的生产工具中进行相应的工艺处理；进行步骤S23，将所述第二部分晶圆在所述旧的生产工具中进行相应的工艺处理。
具体的，将第一部分晶圆依次在所述新的生产工具中进行相应的工艺处理，将所述第二部分晶圆依次在所述旧的生产工具中进行相应的工艺处理。所述工艺处理为氧化、光刻、沉积、离子注入、外延、研磨、刻蚀或溅射中一种。
进行步骤S24，对所述在新的生产工具中进行工艺处理后的第一部分晶圆进行良率测量，获得若干新工具良率数据；进行步骤S25，对所述在旧的生产工具中进行工艺处理后工艺处理后的第二部分晶圆进行良率测量，获得若干旧工具良率数据。
所述对第一部分晶圆进行测量的过程与对所述第二部分晶圆测量过程在同一测量设备上进行，进行测量时测量程序和需要测量的参数均相同。
每一片晶圆在进行测量后具有一个良率数据，即第一部分晶圆中的每一片晶圆对应均具有一个新工具良率数据，第二部分晶圆中的每一片晶圆在进行测量后对应均具有一个旧工具良率数据。
在一实施例中，新工具良率数据和新工具良率数据均为对应晶圆上的测量获得的若干良率的均值。
在一实施例中，还需要进行步骤S26，判断所述新工具良率数据和旧工具良率数据的数量是否皆大于10，若“是”，则进行步骤S27，若“否”，则进行步骤S29，结束检验流程。
进行步骤S26的目的是，保证后续进行步骤S27进行数据分析时有足够的样本数，提高进行数据分析时的准确性。在其他实施例中，也可以不进行步骤S26，直接进行步骤S27。
进行步骤S27，对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
研究发现，在进行新工具是否合格的判断过程中，高良率类别或偏高良率类别的新工具良率数据和旧工具良率数据对于新工具合格检验结果的准确性和有效性会有较大的影响，因而在进行新工具是否合格的判断过程需要剔除高良率类别或偏高良率类别的新工具良率数据和旧工具良率数据，以提高新工具合格检验结果的准确性，并且提高新工具合格检验过程。
对所述若干新工具良率数据和旧工具良率数据进行数据分析的方法采用基于模糊系统模型的数据分析方法(Data Analysis Method Based on Fuzzy System Models,DA-FSMs)。
在一实施例中，请参考图2，所述步骤S27的具体过程可以包括：步骤S270，将所述若干旧工具良率数据分成若干集群；步骤S271，根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别、中等良率类别和高良率类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别和偏高良率类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别；步骤S272，将若干新工具良率数据和旧工具良率数据分别投射到所述模糊系统模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；步骤S273，根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别；步骤S274，若“属于”高良率类别或偏高良率类别，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
具体的，步骤S270中，将所述若干旧工具良率数据分成若干集群可以采用K-Means聚类算法或其他分群或聚类算法。
在一实施例中，进行K-MEANS算法将所述若干旧工具良率数据分成若干集群作为实例进行说明，包括步骤：
(1)将所述若干旧工具良率数据设定为一个点集S，需要划分成N类别或集群，N根据需要进行设定；
(2)设定K等于N，随机选取N个点作为初始中心点；
(3)计算每个点到这N个中心点的距离大小，选取最近的中心点，划分到以该中心点为中心的群组中去；
(4)重新计算N个新集群的中心点；
(5)如果中心点保持不变，则结束K-Means过程。否则，重复进行(3)、(4)步。
本申请中，将所述若干旧工具良率数据至多划分为3个集群，可以为3个集群，2个集群，或1个集群，后续构建模糊系统模型的效率可以提高，并且使得通过构建的模糊系统模型能较简便和较准确的反应新工具和旧工具良率数据所在的类别归属。在其他的实施例中，可以将若干旧工具良率数据划分为更多的集群。
在一实施例中，以所述K值等于3作为实例进行说明，请参考图5，图5中最上面一个图为若干旧工具良率数据分布曲线图，其中横坐标表示良率，纵坐标表示数量，图5中中间一个图为进行K-Means后的3个集群的分布图，其中横坐标表示良率，纵坐标表示数量，3个集群对应具有3个中心点，分别为C1，C2和C3。
继续参考图2，进行步骤S271，根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数。构建模糊系统模型时，所述类别归属和对应的分布函数的数量根据集群的数量来确定，比如划分为3个集群时，具有3个类别归属和对应的3个分布函数。在一实施例中，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别、中等良率类别和高良率类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别和偏高良率类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别。具体的，当步骤S270中将所述若干旧工具良率数据分成3个集群时，构建模糊系统模型为α模型，当步骤S270中将所述若干旧工具良率数据分成2个集群时，构建模糊系统模型为β模型，当步骤S270中将所述若干旧工具良率数据分成1个集群时，构建模糊系统模型为γ模型。
在一实施例中个，请参考图5，图5中的最下面一个图为构建模糊系统模型是获得的若干旧工具良率数据分布折线图，其中横坐标表示良率，纵坐标表示概率，根据这个分布折线图以及三个中心点C1、C2、C3可以获得模糊系统模型中符合集群特征分布的类别归属和对应的分布函数。具体的，请参考图6，图6为表征α模型的结构示意图，α模型为所述若干旧工具良率数据分成3个集群时构建的模糊系统模型，α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别f1、中等良率类别f2和高良率类别f3，所述三个类别归属与三个分布函数f1(xj)，f2(xj)，f3(xj)对应，C1、C2、C3表示三个中心点对应的良率数值，xj表示良率变量。
在另一实施例中，请参考图7，图7为表征β模型的结构示意图，β模型为所述若干旧工具良率数据分成2个集群时构建的模糊系统模型，β模型包括；两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别f4、和偏高良率类别f5，所述两个类别归属与两个分布函数f4(xj)，f5(xj)对应，C1、C2表示两个中心点对应的良率数值，xj表示良率变量。
在另一实施例中，请参考图8，图8为表征γ模型的结构示意图，γ模型为所述若干旧工具良率数据分成1个集群时构建的模糊系统模型，γ模型包括；一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别f6、，所述一个类别归属与一个分布函数f6(xj)对应，xj表示良率变量。
步骤S272中，将若干新工具良率数据和旧工具良率数据分别投射到所述模糊系统模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属。具体的，将若干新工具良率数据和旧工具良率数据分别投射到所述α模型、β模型或γ模型中的一个模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，所述对应的类别归属为通过某一分布函数计算获得概率最大值时与该分布函数对应的类别归属。比如，将若干新工具良率数据和旧工具良率数据分别投射到α模型时，将若干新工具良率数据和旧工具良率数据作为变量xj依次投射到图6所示的分布函数f1(xj)，f2(xj)和f3(xj)中，获得对应的概率，如果分布函数f1(xj)计算获得的概率最大，则该新工具良率数据或旧工具良率数据对应的类别归属为“低良率类别”，如果分布函数f2(xj)计算获得的概率最大，则该新工具良率数据或旧工具良率数据对应的类别归属为“中等良率类别”，如果分布函数f3(xj)计算获得的概率最大，则该新工具良率数据或旧工具良率数据对应的类别归属为“高良率类别”。将新工具良率数据和旧工具良率数据分别投射到所述β模型或γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属的过程与投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属的过程类似。
步骤S273，根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别；步骤S274，若“属于”高良率类别或偏高良率类别，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。通过剔除高良率类别或偏高良率类别的新工具良率数据和旧工具良率数据，后续进行步骤S28时，能提高判断的准确性和效率。
在一实施例中，为了进一步提高每一个新工具良率数据和旧工具良率数据对应的获取的类别归属的准确性，以进一步提高新工具合格检验结果的准确性，参考图3，在进行步骤S270将所述若干旧工具良率数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干旧工具良率数据分成3个集群；进行步骤S271时，根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，进行步骤S272将若干新工具良率数据和旧工具良率数据分别投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；进行步骤S273根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别时，只需根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别；进行步骤S274若“属于”高良率类别或偏高良率类别，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据，只需进行若“属于”高良率类别，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；在获得筛选后的新工具良率数据和旧工具良率数据后，还需要进行步骤S275，判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行步骤S28，基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则进行步骤S276，将K值减1，然后在K值等于2时，继续进行步骤S270，通过K-Means聚类算法将所述若干旧工具良率数据分成2个集群；然后进行步骤S271，根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；然后进行步骤S272，将若干新工具良率数据和旧工具良率数据分别投射到所述β模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；然后进行步骤S273，根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于偏高良率类别，然后进行步骤S274，若“属于”偏高良率类别，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；然后进行步骤S275，继续判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行步骤S28，基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则进行步骤S276，将K值减继续1，然后进行步骤S270，在K值等于1时，通过K-Means聚类算法将所述若干旧工具良率数据分成1个集群；进行步骤S271，根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；进行步骤S272，将若干新工具良率数据和旧工具良率数据分别投射到所述γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，直接将新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
继续参考图1，进行步骤S28，基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。
在一实施例中，参考图4，所述基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的过程包括：进行步骤S280，判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件1，所述条件1为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差≤筛选后的旧工具良率数据的标准差，如“是”，进行步骤S285，则判定所述新的生产工具合格，若“否”则进行进一步判断。进行下一步判断的目的是对不符合条件1数据进行进一步验证，以进一步判断所述新的生产工具是否合格，防止将合格的生产工具判定为不合格，进一步提高新工具合格检验结果的准确性。在其他实施例中，可以不进行进一步的判断步骤。
在一实施例中，请继续参考图4，所述进一步判断包括：进行步骤S281，判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件2，所述条件2为筛选后的新工具良率数据的均值＜筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差＞筛选后的旧工具良率数据的标准差，若“是”，则进行步骤S285，判定所述新的生产工具不合格，若“否”，则进行步骤S282，进行t-检验，判断所述筛选后的新工具良率数据和旧工具良率数据是否存在显著差异，若“否”，则进行步骤S284，判定所述新的生产工具合格，若是，则进行步骤S283，判断筛选后的新工具良率数据和旧工具良率数据是否符合条件3，所述条件3为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，若“是”，则进行步骤S284，判定所述新的生产工具合格，若“否”，则进行步骤S285，判定所述新的生产工具合格不合格。
在一实施例中，进行步骤S282时，所述t-检验(Student's t test)采用双侧检验，统计显著性水平α＝0.05，两个假设检验：H0:新工具良率数据与旧工具良率数据存在显着差异，H1:新工具良率数据与旧工具良率数据不存在显着差异，t-检验会获得(支持H0而拒绝H1)或(支持H1而拒绝H0)其中的一种结果，若支持H0而拒绝H1，就是说我们的第一个假设H0(存在显着差异)被证明对的，即新工具良率数据与旧工具良率数据存在显着差异。反之若支持H1这个假设的话，那就是新工具良率数据与旧工具良率数据不存在显着差异。
本发明实施例还提供了一种新增生产工具的合格检验系统，参考图9，包括：
晶圆提供单元301，用于提供若干检测晶圆，所述若干检测晶圆分为第一部分晶圆和第二部分晶圆；
新的生产工具302，用于对所述第一部分晶圆进行相应的工艺处理；
旧的生产工具303，用于对所述第二部分晶圆进行相应的工艺处理；
良率数据测量单元304，用于对所述在新的生产工具中进行工艺处理后的第一部分晶圆进行良率测量，获得若干新工具良率数据，以及对所述在旧的生产工具中进行工艺处理后工艺处理后的第二部分晶圆进行良率测量，获得若干旧工具良率数据；
数据分析单元305，用于对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；
判断单元306，用于基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。
在一实施例中，所述晶圆提供单元301提供的所述若干待检测晶圆为若干批待检测晶圆，相应的将每一批中的第奇数片晶圆作为第一部分晶圆，第偶数片晶圆作为第二部分晶圆，或者相应的将每一批中的第偶数片晶圆作为第一部分晶圆，第奇数片晶圆作为第二部分晶圆。
所述数据分析单元305对所述若干新工具良率数据和旧工具良率数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
在一实施例中，所述数据分析单元305对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别的过程包括：将所述若干旧工具良率数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别、中等良率类别和高良率类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别和偏高良率类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别；将若干新工具良率数据和旧工具良率数据分别投射到所述模糊系统模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别。
在一实施例中，将所述若干旧工具良率数据分成若干集群采用K-Means聚类算法或其他分群或聚类算法。
在一实施例中，还包括数据样本数判断单元(图中未示出)，用于在数据分析单元将所述若干旧工具良率数据分成若干集群之前，判断所述新工具良率数据和旧工具良率数据的数量是否皆大于10，若“是”，则进行将所述若干旧工具良率数据分成若干集群的步骤，若“否”，则结束检验流程。
在一实施例中，所述数据分析单元305进行所述分成若干集群，构建模糊系统模型、获得每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别、获得筛选后的新工具良率数据和旧工具良率数据的过程包括：在将所述若干旧工具良率数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干旧工具良率数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干新工具良率数据和旧工具良率数据分别投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干旧工具良率数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干新工具良率数据和旧工具良率数据分别投射到所述β模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；继续判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干旧工具良率数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干新工具良率数据和旧工具良率数据分别投射到所述γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，直接将新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
在一实施例中，所述判断单元306基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的过程包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件1，所述条件1为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差≤筛选后的旧工具良率数据的标准差，如“是”，则判定所述新的生产工具合格，若“否”则进行进一步判断。
在一实施例中，所述进一步判断包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件2，所述条件2为筛选后的新工具良率数据的均值＜筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差＞筛选后的旧工具良率数据的标准差，若“是”，则判定所述新的生产工具不合格，若“否”，则进行t-检验，判断所述筛选后的新工具良率数据和旧工具良率数据是否存在显著差异，若“否”，则判定所述新的生产工具合格，若是，则判断筛选后的新工具良率数据和旧工具良率数据是否符合条件3，所述条件3为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，若“是”，则判定所述新的生产工具合格，若“否”，则判定所述新的生产工具合格不合格。
需要说明的是本实施例(检验系统)中与前述实施例(检验系统)中相同或相似部分的限定或描述，在本实施例中不再赘述，请参考前述实施例中相应部分的限定或描述。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (18)

1.一种新增生产工具的合格检验方法，其特征在于，包括：
提供线上新装的新的生产工具以及线上已有的旧的生产工具；
提供若干检测晶圆，所述若干检测晶圆分为第一部分晶圆和第二部分晶圆；
将所述第一部分晶圆在所述新的生产工具中进行相应的工艺处理；
将所述第二部分晶圆在所述旧的生产工具中进行相应的工艺处理；
对所述在新的生产工具中进行工艺处理后的第一部分晶圆进行良率测量，获得若干新工具良率数据；
对所述在旧的生产工具中进行工艺处理后工艺处理后的第二部分晶圆进行良率测量，获得若干旧工具良率数据；
对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；
基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。
2.如权利要求1所述的新增生产工具的合格检验方法，其特征在于，所述若干待检测晶圆为若干批待检测晶圆，相应的将每一批中的第奇数片晶圆作为第一部分晶圆，第偶数片晶圆作为第二部分晶圆，或者相应的将每一批中的第偶数片晶圆作为第一部分晶圆，第奇数片晶圆作为第二部分晶圆。
3.如权利要求1所述的新增生产工具的合格检验方法，其特征在于，对所述若干新工具良率数据和旧工具良率数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
4.如权利要求2所述的新增生产工具的合格检验方法，其特征在于，对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别的过程包括：将所述若干旧工具良率数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别、中等良率类别和高良率类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别和偏高良率类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别；将若干新工具良率数据和旧工具良率数据分别投射到所述模糊系统模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别。
5.如权利要求3所述的新增生产工具的合格检验方法，其特征在于，将所述若干旧工具良率数据分成若干集群采用K-Means聚类算法。
6.如权利要求5所述的新增生产工具的合格检验方法，其特征在于，将所述若干旧工具良率数据分成若干集群之前还包括步骤：判断所述新工具良率数据和旧工具良率数据的数量是否皆大于10，若“是”，则进行将所述若干旧工具良率数据分成若干集群的步骤，若“否”，则结束检验流程。
7.如权利要求6所述的新增生产工具的合格检验方法，其特征在于，所述分成若干集群，构建模糊系统模型、获得每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别、获得筛选后的新工具良率数据和旧工具良率数据的过程包括：在将所述若干旧工具良率数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干旧工具良率数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干新工具良率数据和旧工具良率数据分别投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干旧工具良率数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干新工具良率数据和旧工具良率数据分别投射到所述β模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；继续判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干旧工具良率数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干新工具良率数据和旧工具良率数据分别投射到所述γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，直接将新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
8.如权利要求3所述的新增生产工具的合格检验方法，其特征在于，所述基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的过程包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件1，所述条件1为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差≤筛选后的旧工具良率数据的标准差，如“是”，则判定所述新的生产工具合格，若“否”则进行进一步判断。
9.如权利要求8所述的新增生产工具的合格检验方法，其特征在于，所述进一步判断包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件2，所述条件2为筛选后的新工具良率数据的均值＜筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差＞筛选后的旧工具良率数据的标准差，若“是”，则判定所述新的生产工具不合格，若“否”，则进行t-检验，判断所述筛选后的新工具良率数据和旧工具良率数据是否存在显著差异，若“否”，则判定所述新的生产工具合格，若是，则判断筛选后的新工具良率数据和旧工具良率数据是否符合条件3，所述条件3为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，若“是”，则判定所述新的生产工具合格，若“否”，则判定所述新的生产工具合格不合格。
10.一种新增生产工具的合格检验系统，其特征在于，包括：
晶圆提供单元，用于提供若干检测晶圆，所述若干检测晶圆分为第一部分晶圆和第二部分晶圆；
新的生产工具，用于对所述第一部分晶圆进行相应的工艺处理；
旧的生产工具，用于对所述第二部分晶圆进行相应的工艺处理；
良率数据测量单元，用于对所述在新的生产工具中进行工艺处理后的第一部分晶圆进行良率测量，获得若干新工具良率数据，以及对所述在旧的生产工具中进行工艺处理后工艺处理后的第二部分晶圆进行良率测量，获得若干旧工具良率数据；
数据分析单元，用于对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；
判断单元，用于基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格。
11.如权利要求10所述的新增生产工具的合格检验系统，其特征在于，晶圆提供单元提供的所述若干待检测晶圆为若干批待检测晶圆，相应的将每一批中的第奇数片晶圆作为第一部分晶圆，第偶数片晶圆作为第二部分晶圆，或者相应的将每一批中的第偶数片晶圆作为第一部分晶圆，第奇数片晶圆作为第二部分晶圆。
12.如权利要求10所述的新增生产工具的合格检验系统，其特征在于，所述数据分析单元对所述若干新工具良率数据和旧工具良率数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
13.如权利要求12所述的新增生产工具的合格检验系统，其特征在于，所述数据分析单元对所述若干新工具良率数据和旧工具良率数据进行数据分析，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别的过程包括：将所述若干旧工具良率数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低良率类别、中等良率类别和高良率类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低良率类别和偏高良率类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体良率类别；将若干新工具良率数据和旧工具良率数据分别投射到所述模糊系统模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别。
14.如权利要求13所述的新增生产工具的合格检验系统，其特征在于，将所述若干旧工具良率数据分成若干集群采用K-Means聚类算法。
15.如权利要求14所述的新增生产工具的合格检验系统，其特征在于，还包括数据样本数判断单元，用于在数据分析单元将所述若干旧工具良率数据分成若干集群之前，判断所述新工具良率数据和旧工具良率数据的数量是否皆大于10，若“是”，则进行将所述若干旧工具良率数据分成若干集群的步骤，若“否”，则结束检验流程。
16.如权利要求15所述的新增生产工具的合格检验系统，其特征在于，所述数据分析单元进行所述分成若干集群，构建模糊系统模型、获得每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别或偏高良率类别、获得筛选后的新工具良率数据和旧工具良率数据的过程包括：在将所述若干旧工具良率数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干旧工具良率数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干新工具良率数据和旧工具良率数据分别投射到所述α模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干旧工具良率数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干新工具良率数据和旧工具良率数据分别投射到所述β模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属；根据所述每一个新工具良率数据和旧工具良率数据对应的类别归属，判断所述若干新工具良率数据和旧工具良率数据是否属于偏高良率类别，若“属于”，则剔除相应的新工具良率数据和旧工具良率数据，剩余的新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据；继续判断筛选后的新工具良率数据和旧工具良率数据的数量是否均大于10，若“是”，则进行基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干旧工具良率数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干新工具良率数据和旧工具良率数据分别投射到所述γ模型中，获得每一个新工具良率数据和旧工具良率数据对应的类别归属，直接将新工具良率数据和旧工具良率数据作为筛选后的新工具良率数据和旧工具良率数据。
17.如权利要求10所述的新增生产工具的合格检验系统，其特征在于，所述判断单元基于所述筛选后的新工具良率数据和旧工具良率数据，判断所述新的生产工具是否合格的过程包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件1，所述条件1为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差≤筛选后的旧工具良率数据的标准差，如“是”，则判定所述新的生产工具合格，若“否”则进行进一步判断。
18.如权利要求17所述的新增生产工具的合格检验系统，其特征在于，所述进一步判断包括：判断所述筛选后的新工具良率数据和旧工具良率数据是否符合条件2，所述条件2为筛选后的新工具良率数据的均值＜筛选后的旧工具良率数据的均值，且筛选后的新工具良率数据的标准差＞筛选后的旧工具良率数据的标准差，若“是”，则判定所述新的生产工具不合格，若“否”，则进行t-检验，判断所述筛选后的新工具良率数据和旧工具良率数据是否存在显著差异，若“否”，则判定所述新的生产工具合格，若是，则判断筛选后的新工具良率数据和旧工具良率数据是否符合条件3，所述条件3为筛选后的新工具良率数据的均值≥筛选后的旧工具良率数据的均值，若“是”，则判定所述新的生产工具合格，若“否”，则判定所述新的生产工具合格不合格。
CN202010945285.1A 2020-09-10 2020-09-10 新增生产工具的合格检验方法和检验系统 Pending CN114254682A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010945285.1A CN114254682A (zh) 2020-09-10 2020-09-10 新增生产工具的合格检验方法和检验系统
PCT/CN2021/099756 WO2022052540A1 (zh) 2020-09-10 2021-06-11 新增生产工具的合格检验方法和检验系统
US17/453,974 US11994837B2 (en) 2020-09-10 2021-11-08 Acceptability check method and check system for newly-added production tools

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010945285.1A CN114254682A (zh) 2020-09-10 2020-09-10 新增生产工具的合格检验方法和检验系统

Publications (1)

Publication Number Publication Date
CN114254682A true CN114254682A (zh) 2022-03-29

Family

ID=80632054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010945285.1A Pending CN114254682A (zh) 2020-09-10 2020-09-10 新增生产工具的合格检验方法和检验系统

Country Status (2)

Country Link
CN (1) CN114254682A (zh)
WO (1) WO2022052540A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7767471B2 (en) * 2007-07-30 2010-08-03 Taiwan Semiconductor Manufacturing Company, Ltd. Auto routing for optimal uniformity control
CN103187329B (zh) * 2011-12-28 2016-06-01 无锡华润上华科技有限公司 一种晶圆良率分析方法
CN105225979A (zh) * 2014-06-19 2016-01-06 中芯国际集成电路制造(上海)有限公司 一种半导体器件制程预测系统和方法
CN106503877A (zh) * 2015-09-06 2017-03-15 中芯国际集成电路制造(上海)有限公司 外包晶圆测试品质检验系统及其检验方法
CN109411390B (zh) * 2018-09-11 2020-12-01 深圳赛意法微电子有限公司 半导体器件的自动化分级封装方法及系统

Also Published As

Publication number Publication date
WO2022052540A1 (zh) 2022-03-17

Similar Documents

Publication Publication Date Title
KR102568074B1 (ko) 반도체 제조 프로세스에서 딥 러닝을 사용하여 결함 및 임계 치수를 예측하기 위한 시스템 및 방법
JP5460662B2 (ja) 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
US7395170B2 (en) Methods and apparatus for data analysis
US8417477B2 (en) Methods and apparatus for local outlier detection
US8606536B2 (en) Methods and apparatus for hybrid outlier detection
US7904279B2 (en) Methods and apparatus for data analysis
KR20060026072A (ko) 데이터 분석 방법 및 장치
JP3986571B2 (ja) 歩留り予測装置とその方法
US20070177135A1 (en) Method and system for measurement data evaluation in semiconductor processing by correlation-based data filtering
CN104062305B (zh) 一种集成电路缺陷的分析方法
US7991497B2 (en) Method and system for defect detection in manufacturing integrated circuits
JP2010197385A (ja) データ解析のための方法および装置
CN117333424A (zh) 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质
US6615157B1 (en) System method and computer program product for automatically assessing experiment results
CN117522779A (zh) 检查样本的方法和其系统
CN114254682A (zh) 新增生产工具的合格检验方法和检验系统
WO2019006222A1 (en) SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS
CN114167335B (zh) 新增检测工具的合格检验方法和检验系统
JP4538205B2 (ja) 検査データの解析プログラム、検査データ解析装置
US11994837B2 (en) Acceptability check method and check system for newly-added production tools
US20220075345A1 (en) Acceptability check method and check system for newly-added production tools
JPH11176899A (ja) 欠陥警告方法及び欠陥警告システム
CN116167313B (zh) 一种用于集成电路设计的训练数据生成方法和系统
US20220122864A1 (en) Smart skip testing method for semiconductor manufacturing
US7263451B1 (en) Method and apparatus for correlating semiconductor process data with known prior process data

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