CN114819242A - 考虑整体特征与局部特征的半导体工艺预测方法与装置 - Google Patents

考虑整体特征与局部特征的半导体工艺预测方法与装置 Download PDF

Info

Publication number
CN114819242A
CN114819242A CN202110118090.4A CN202110118090A CN114819242A CN 114819242 A CN114819242 A CN 114819242A CN 202110118090 A CN202110118090 A CN 202110118090A CN 114819242 A CN114819242 A CN 114819242A
Authority
CN
China
Prior art keywords
curves
sensing
neural network
prediction
prediction result
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
CN202110118090.4A
Other languages
English (en)
Inventor
侯信铭
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.)
United Microelectronics Corp
Original Assignee
United Microelectronics Corp
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 United Microelectronics Corp filed Critical United Microelectronics Corp
Priority to CN202110118090.4A priority Critical patent/CN114819242A/zh
Priority to US17/213,760 priority patent/US20220237450A1/en
Publication of CN114819242A publication Critical patent/CN114819242A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/23—Updating
    • G06F16/2379—Updates performed during online database operations; commit processing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种考虑整体特征与局部特征的半导体工艺预测方法与装置。半导体工艺预测方法包括以下步骤。获得数个机台感测曲线。筛选这些机台感测曲线，以降低这些机台感测曲线的共线性。以一动态时间校正程序对这些机台感测曲线进行校正。输入已校正的这些机台感测曲线至一卷积神经网络模型，以获得考虑局部特征的一第一预测结果。对这些机台感测曲线进行一统计分析程序，以获得数个统计数据。输入这些统计数据至一人工神经网络模型，以获得考虑整体特征的一第二预测结果。依据第一预测结果及第二预测结果，获得一总预测结果。

Description

考虑整体特征与局部特征的半导体工艺预测方法与装置
技术领域
本发明涉及一种半导体工艺预测方法与装置，且特别涉及一种考虑整体特征与局部特征的半导体工艺预测方法与装置。
背景技术
随着半导体技术的发展，各式复杂的半导体产品不断推陈出新。在半导体工艺中，晶圆需要经过成千上万道的工艺才能产出最终产品。因此，研究人员必须对半导体工艺采用适当的预测方法来预测工艺异常的发生，以避免最终产品出现大量不良品。
传统上通过工艺中的各项数值进行平均值或标准差等统计数据的监测，以推估工艺可能发生异常。然而，此种方式仅考虑到整体特征，在半导体工艺复杂度越来越高的趋势下，已经难以获得准确率较高的预测结果。
发明内容
本发明涉及一种考虑整体特征与局部特征的半导体工艺预测方法与装置，其利用动态时间校正程序、卷积神经网络模型与人工神经网络模型进行局部特征与整体特征的分析，以提高预测准确性。
根据本发明的第一方面，提出一种考虑整体特征与局部特征的半导体工艺预测方法。半导体工艺预测方法包括以下步骤。获得数个机台感测曲线。筛选这些机台感测曲线，以降低这些机台感测曲线的共线性。以一动态时间校正程序(dynamic time warping，DTW)对这些机台感测曲线进行校正。输入已校正的这些机台感测曲线至一卷积神经网络模型(Convolutional Neural Network model，CNN model)，以获得考虑局部特征的一第一预测结果。对这些机台感测曲线进行一统计分析程序，以获得数个统计数据。输入这些统计数据至一人工神经网络模型(Artificial Neural Network model，ANN model)，以获得考虑整体特征的一第二预测结果。依据第一预测结果及第二预测结果，获得一总预测结果。
根据本发明的第一方面，提出一种考虑整体特征与局部特征的半导体工艺预测装置。半导体工艺预测装置包括一数据库、一筛选单元、一校正单元、一卷积神经网络模型(Convolutional Neural Network model，CNN model)、一统计单元、一人工神经网络模型(Artificial Neural Network model，ANN model)及一总预测单元。数据库用以存储数个机台感测曲线。筛选单元用以筛选这些机台感测曲线，以降低这些机台感测曲线的共线性。校正单元以一动态时间校正程序(dynamic time warping，DTW)对这些机台感测曲线进行校正。卷积神经网络模型用以接收已校正的这些机台感测曲线，以获得考虑局部特征的一第一预测结果。统计单元用以对这些机台感测曲线进行一统计分析程序，以获得数个统计数据。人工神经网络模型用以接收这些统计数据，以获得考虑整体特征的一第二预测结果。总预测单元用以依据第一预测结果及第二预测结果，获得一总预测结果。
为了对本发明的上述及其他方面有更佳的了解，下文特举实施例，并配合附图详细说明如下：
附图说明
图1绘示根据一实施例的半导体工艺预测装置。
图2绘示根据一实施例的半导体工艺预测装置的方块图。
图3绘示根据一实施例的同时考虑整体特征与局部特征的半导体工艺预测方法的流程图。
图4示例说明图3的各步骤。
图5绘示步骤S120的细部步骤的流程图。
图6示例说明图5的各步骤。
图7绘示卷积神经网络模型的一实施态样。
图8绘示卷积神经网络模型的另一实施态样。
具体实施方式
请参照图1，其绘示根据一实施例的半导体工艺预测装置100。在半导体工艺中，晶圆需要通过各种机台900进行不同的工艺，如沈积、蚀刻、或退火。每一机台900的每一工艺都需要精密的监控。因此，机台900上设置了各种传感器910，以提取温度、压力、气体浓度等感测数据S01～S06(数量并非用以局限本发明)。这些感测数据S01随时间连续提取，并通过网络800传输至半导体工艺预测装置100，以记录成机台感测曲线S11(绘示于图2)；这些感测数据S02随时间连续提取，而记录成机台感测曲线S12(绘示于图2)，依此类推。半导体工艺预测装置100有了这些机台感测曲线S11～S16(数量并非用以局限本发明)即可进行故障检测和分类(Fault Detection and Classification，FDC)。在预测工艺异常状况时，即时进行停机或修正，以避免工艺不良现象。
请参照图2，其绘示根据一实施例的半导体工艺预测装置100的方块图。半导体工艺预测装置100例如是一服务器、一计算机或一云端运算中心。半导体工艺预测装置100包括一数据库110、一筛选单元120、一校正单元130、一卷积神经网络模型(ConvolutionalNeural Network model，CNN model)140、一统计单元150、一人工神经网络模型(Artificial Neural Network model，ANN model)160及一总预测单元170。各项元件的功能概述如下。数据库110用以存储数据，例如是一存储器、一硬盘或一云端存储中心。筛选单元120用以进行数据筛选。校正单元130用以进行数据校正。卷积神经网络模型140、人工神经网络模型150与总预测单元170用以进行数据预测。统计单元150用以进行数据统计。筛选单元120、校正单元130、卷积神经网络模型140、统计单元150、人工神经网络模型160和/或总预测单元170例如是一程序代码、一电路、一芯片、一电路板或存储程序代码的存储装置。在本实施例中，半导体工艺预测装置100可以通过校正单元130进行曲线数据的时间校正，并通过卷积神经网络模型140直接对曲线数据进行分析，以考虑局部特征。此外，半导体工艺预测装置100更通过统计单元150进行曲线数据的统计，并通过人工神经网络模型160对统计数据进行分析，以考虑整体特征。也就是说，半导体工艺预测装置100可以同时考虑局部特征及整体特征，以提高预测准确性。以下更通过一流程图详细说明半导体工艺预测装置100的运作。
请参照图3及图4，图3绘示根据一实施例的同时考虑整体特征与局部特征的半导体工艺预测方法的流程图，图4示例说明图3的各步骤。在步骤S110中，从数据库110中获得数个机台感测曲线S11～S16。各个机台感测曲线S11～S16为随时间连续提取的感测数据S01～S06。
接着，在步骤S120中，筛选单元120筛选这些机台感测曲线S11～S16，以降低这些机台感测曲线S11～S16的共线性。举例来说，温度上升，会造成压力上升；温度下降，也会造成压力下降。因此，温度因子与压力因子之间具有共线性，实质上属于同一因子。倘若将温度感测曲线与压力感测曲线均纳入后续的分析，将使得卷积神经网络模型140的学习与预测过度偏重于同一因子，而降低准确性。因此，通过适当的筛选步骤来降低机台感测曲线S1的共线性，可以确保预测的准确性。
请参照图5及图6，图5绘示步骤S120的细部步骤的流程图，图6示例说明图5的各步骤。步骤S120包括步骤S121、S122。如图6所示的例子中，共有6个机台感测曲线S11～S16。在步骤S121中，筛选单元120依据一关联性矩阵MX，将机台感测曲线S11～S16归类为数个群组G1～G3。关联性矩阵MX记录的是机台感测曲线S11～S16两两相互之间的相关系数(如图6的实线双箭号所示)。关系系数大于一预定阈值者，归类为同一群组。如图6所示，机台感测曲线S11～S13归类为群组G1；机台感测曲线S14～S15归类为群组G2；机台感测曲线S16自成群组G3。
接着，在步骤S122中，筛选单元120自各个群组G1、G2、G3各别选取一个机台感测曲线(即机台感测曲线S11、S15、S16)。每一群组G1、G2、G3仅挑选出一个机台感测曲线。在群组G1中，机台感测曲线S11～S13与预测目标Y0之间的相关系数(如图6的虚线双箭号所示)最大者(即机台感测曲线S11)可以被筛选出来。在群组G2中，机台感测曲线S14～S15与预测目标Y0之间的相关系数(如图6的虚线双箭号所示)最大者(即机台感测曲线S15)可以被筛选出来。于是，筛选出的机台感测曲线S11、S15、S16两两之间的相互关系低，不具有共线性。并且筛选出的机台感测曲线S11、S15、S16相对于预测目标Y0具有较高的相关系数，最具有代表性。
接着，在图3的步骤S130中，校正单元130以一动态时间校正程序(dynamic timewarping，DTW)对这些机台感测曲线S11、S15、S16进行校正。如图4所示，机台感测曲线S11会与范本曲线S11’进行比对，通过对应点(Alignment)能够有效的把机台感测曲线S11与范本曲线S11’对应起来。同样地，其余机台感测曲线S15、S16也会进行动态时间校正程序。
然后，在步骤S140中，输入已校正的机台感测曲线S11、S15、S16至卷积神经网络模型140，以获得考虑局部特征的一第一预测结果R1。卷积神经网络模型140例如是LeNet模型、AlexNet模型、VGG模型、GoogLeNet模型或ResNet模型。
此步骤所输入的数据为连续曲线，可以考虑到连续曲线上的细部特征，包含突波、漂移、振荡等。
请参照图7，其绘示卷积神经网络模型140的一实施态样。卷积神经网络模型140例如为一单通道模型。单通道模型一次仅针对一个因子进行分析，可避免其他因子的干扰。
请参照图8，其绘示卷积神经网络模型140的另一实施态样。卷积神经网络模型140例如为一多通道模型。多通道模型一次可针对多个因子同时进行分析，可同时考虑到所有因子的交互关系。
然后，在图2的步骤S150中，统计单元150对这些机台感测曲线S11、S15、S16进行一统计分析程序，以获得数个统计数据ST1、ST5、ST6。统计数据ST1、ST5、ST6例如是平均值、标准差、中位数等。
接着，在步骤S160中，输入这些统计数据ST1、ST5、ST6至人工神经网络模型160，以获得考虑整体特征的一第二预测结果R2。人工神经网络模型160例如是监督式学习网络(Supervised Learning Network)、无监督式学习网络(Unsupervised LearningNetwork)、混合式学习网络(Hybrid Learning Network)、联想式学习网络(AssociateLearning Network)、最适化学习网络(Optimization Application Network)等。此步骤所输入的数据为平均值、标准差、中位数等统计值，可以考虑到连续曲线上的整体特征，包含整体偏移、整体稳定性等。上述步骤S150、S160可执行于步骤S140之前。或者，步骤S140与步骤S150可以同步执行。
然后，在步骤S170中，总预测单元170依据第一预测结果R1及第二预测结果R2，获得一总预测结果RS。在此步骤中，总预测单元170可以通过一投票程序(voting)获得总预测结果RS。
根据上述实施例，半导体工艺预测装置100及半导体工艺预测方法可以进行曲线数据的时间校正，并通过卷积神经网络模型140直接对曲线数据进行分析，以考虑局部特征。此外，半导体工艺预测装置100及半导体工艺预测方法更进行曲线数据的统计，并通过人工神经网络模型160对统计数据进行分析，以考虑整体特征。也就是说，半导体工艺预测装置100可以同时考虑局部特征及整体特征，以提高预测准确性。
综上所述，虽然本发明已以实施例公开如上，然其并非用以限定本发明。本发明所属技术领域中的技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视所附的权利要求所界定者为准。

Claims (12)

1.一种考虑整体特征与局部特征的半导体工艺预测方法，包括：
获得多个机台感测曲线；
筛选这些机台感测曲线，以降低这些机台感测曲线的共线性；
以动态时间校正程序(dynamic time warping，DTW)对这些机台感测曲线进行校正；
输入已校正的这些机台感测曲线至卷积神经网络模型(ConvolutionalNeuralNetwork model，CNN model)，以获得考虑局部特征的第一预测结果；
对这些机台感测曲线进行统计分析程序，以获得多个统计数据；
输入这些统计数据至人工神经网络模型(ArtificialNeuralNetwork model，ANNmodel)，以获得考虑整体特征的第二预测结果；以及
依据该第一预测结果及该第二预测结果，获得总预测结果。
2.如权利要求1所述的考虑整体特征与局部特征的半导体工艺预测方法，其中各该机台感测曲线为随时间连续提取的感测数据。
3.如权利要求1所述的考虑整体特征与局部特征的半导体工艺预测方法，其中筛选这些机台感测曲线的步骤包括：
依据关联性矩阵，将这些机台感测曲线归类为多个群组；以及
自各该群组各选取一个该机台感测曲线。
4.如权利要求1所述的考虑整体特征与局部特征的半导体工艺预测方法，其中该卷积神经网络模型为单通道模型。
5.如权利要求1所述的考虑整体特征与局部特征的半导体工艺预测方法，其中该卷积神经网络模型为多通道模型。
6.如权利要求1所述的考虑整体特征与局部特征的半导体工艺预测方法，其中依据该第一预测结果及该第二预测结果，获得该总预测结果的步骤是通过投票程序获得该总预测结果。
7.一种考虑整体特征与局部特征的半导体工艺预测装置，包括：
数据库，用以存储多个机台感测曲线；
筛选单元，用以筛选这些机台感测曲线，以降低这些机台感测曲线的共线性；
校正单元，以动态时间校正程序(dynamic time warping，DTW)对这些机台感测曲线进行校正；
卷积神经网络模型(ConvolutionalNeural Network model，CNN model)，用以接收已校正的这些机台感测曲线，以获得考虑局部特征的第一预测结果；
统计单元，用以对这些机台感测曲线进行统计分析程序，以获得多个统计数据；
人工神经网络模型(Artificial Neural Network model，ANN model)，用以接收这些统计数据，以获得考虑整体特征的第二预测结果；以及
总预测单元，用以依据该第一预测结果及该第二预测结果，获得总预测结果。
8.如权利要求7所述的考虑整体特征与局部特征的半导体工艺预测装置，其中各该机台感测曲线为随时间连续提取的感测数据。
9.如权利要求7所述的考虑整体特征与局部特征的半导体工艺预测装置，其中该筛选单元依据关联性矩阵，将这些机台感测曲线归类为多个群组，并自各该群组选各取出一个该机台感测曲线。
10.如权利要求7所述的考虑整体特征与局部特征的半导体工艺预测装置，其中该卷积神经网络模型为单通道模型。
11.如权利要求7所述的考虑整体特征与局部特征的半导体工艺预测装置，其中该卷积神经网络模型为多通道模型。
12.如权利要求1所述的考虑整体特征与局部特征的半导体工艺预测装置，其中该总预测单元通过投票程序获得该总预测结果。
CN202110118090.4A 2021-01-28 2021-01-28 考虑整体特征与局部特征的半导体工艺预测方法与装置 Pending CN114819242A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110118090.4A CN114819242A (zh) 2021-01-28 2021-01-28 考虑整体特征与局部特征的半导体工艺预测方法与装置
US17/213,760 US20220237450A1 (en) 2021-01-28 2021-03-26 Semiconductor process prediction method and semiconductor process prediction apparatus considering overall features and local features

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110118090.4A CN114819242A (zh) 2021-01-28 2021-01-28 考虑整体特征与局部特征的半导体工艺预测方法与装置

Publications (1)

Publication Number Publication Date
CN114819242A true CN114819242A (zh) 2022-07-29

Family

ID=82495630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110118090.4A Pending CN114819242A (zh) 2021-01-28 2021-01-28 考虑整体特征与局部特征的半导体工艺预测方法与装置

Country Status (2)

Country Link
US (1) US20220237450A1 (zh)
CN (1) CN114819242A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075332A (ko) * 2009-12-28 2011-07-06 재단법인 포항산업과학연구원 설비 고장 예측 방법
WO2014098498A1 (ko) * 2012-12-20 2014-06-26 삼성전자 주식회사 오디오 보정 장치 및 이의 오디오 보정 방법
CN108268689A (zh) * 2016-12-30 2018-07-10 财团法人工业技术研究院 加热元件的状态诊断与评估方法及其应用
CN108334652A (zh) * 2017-01-20 2018-07-27 财团法人工业技术研究院 机台的预诊断方法及预诊断装置
TWI644190B (zh) * 2017-06-29 2018-12-11 台灣積體電路製造股份有限公司 製程系統與製程方法
CN109213086A (zh) * 2017-06-29 2019-01-15 台湾积体电路制造股份有限公司 制程系统与制程方法
WO2019127492A1 (zh) * 2017-12-29 2019-07-04 华为技术有限公司 节点流量占比预测方法及装置
US20190286983A1 (en) * 2016-11-30 2019-09-19 Sk Holdings Co., Ltd. Machine learning-based semiconductor manufacturing yield prediction system and method
US20200034693A1 (en) * 2018-07-27 2020-01-30 Samsung Electronics Co., Ltd. Method for detecting defects in semiconductor device
WO2021010557A1 (ko) * 2019-07-12 2021-01-21 숙명여자대학교산학협력단 위험 감지 시스템 및 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037060B2 (en) * 2017-05-05 2021-06-15 Arimo, LLC Analyzing sequence data using neural networks
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법
US10777188B2 (en) * 2018-11-14 2020-09-15 Sri International Time-frequency convolutional neural network with bottleneck architecture for query-by-example processing
US20220187847A1 (en) * 2019-11-05 2022-06-16 Strong Force Vcn Portfolio 2019, Llc Robot Fleet Management for Value Chain Networks

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075332A (ko) * 2009-12-28 2011-07-06 재단법인 포항산업과학연구원 설비 고장 예측 방법
WO2014098498A1 (ko) * 2012-12-20 2014-06-26 삼성전자 주식회사 오디오 보정 장치 및 이의 오디오 보정 방법
US20190286983A1 (en) * 2016-11-30 2019-09-19 Sk Holdings Co., Ltd. Machine learning-based semiconductor manufacturing yield prediction system and method
CN108268689A (zh) * 2016-12-30 2018-07-10 财团法人工业技术研究院 加热元件的状态诊断与评估方法及其应用
CN108334652A (zh) * 2017-01-20 2018-07-27 财团法人工业技术研究院 机台的预诊断方法及预诊断装置
TWI644190B (zh) * 2017-06-29 2018-12-11 台灣積體電路製造股份有限公司 製程系統與製程方法
CN109213086A (zh) * 2017-06-29 2019-01-15 台湾积体电路制造股份有限公司 制程系统与制程方法
WO2019127492A1 (zh) * 2017-12-29 2019-07-04 华为技术有限公司 节点流量占比预测方法及装置
US20200034693A1 (en) * 2018-07-27 2020-01-30 Samsung Electronics Co., Ltd. Method for detecting defects in semiconductor device
CN110852983A (zh) * 2018-07-27 2020-02-28 三星电子株式会社 用于检测半导体装置中的缺陷的方法
WO2021010557A1 (ko) * 2019-07-12 2021-01-21 숙명여자대학교산학협력단 위험 감지 시스템 및 방법

Also Published As

Publication number Publication date
US20220237450A1 (en) 2022-07-28

Similar Documents

Publication Publication Date Title
US11133204B2 (en) Chamber matching with neural networks in semiconductor equipment tools
US7934125B2 (en) Ranged fault signatures for fault diagnosis
US6980873B2 (en) System and method for real-time fault detection, classification, and correction in a semiconductor manufacturing environment
US8010321B2 (en) Metrics independent and recipe independent fault classes
US20060241802A1 (en) Real-time management systems and methods for manufacturing management and yield rate analysis integration
JP2009524934A (ja) データインデックスの生成方法及び装置
US8233494B2 (en) Hierarchical and incremental multivariate analysis for process control
US20040006447A1 (en) Methods and apparatus for test process enhancement
CN114254261A (zh) 产品测试数据的检测方法、系统、电子设备和存储介质
TWI663569B (zh) 多工作站系統的品質預測方法及其系統
US20140278234A1 (en) Method and a system for a statistical equivalence test
CN110928264A (zh) 数据处理、数据处理装置以及计算机可读取记录介质
TW202211341A (zh) 從處理追蹤預測裝備故障模式
WO2021199227A1 (ja) エラー要因の推定装置及び推定方法
US6959252B2 (en) Method for analyzing in-line QC test parameters
CN114333254B (zh) 基于连续批次半导体产品发生异常情况的监控方法及系统
CN111652518A (zh) 用于分析工艺数据的方法和设备以及计算机可读介质
CN117272122B (zh) 晶圆异常的共性分析方法及装置、可读存储介质、终端
US20240053735A1 (en) Method and Device for Identifying Variables from a Plurality of Variables Having a Dependence on a Predetermined Variable from the Plurality of Variables
CN114819242A (zh) 考虑整体特征与局部特征的半导体工艺预测方法与装置
US6898539B2 (en) Method for analyzing final test parameters
US6904384B2 (en) Complex multivariate analysis system and method
US8751195B2 (en) Method for automatically shifting a base line
US10776402B2 (en) Manufacture parameters grouping and analyzing method, and manufacture parameters grouping and analyzing system
US20050075835A1 (en) System and method of real-time statistical bin control

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