CN116629707B - 基于分布式并行计算的fdc溯因分析方法及存储介质 - Google Patents
基于分布式并行计算的fdc溯因分析方法及存储介质 Download PDFInfo
- Publication number
- CN116629707B CN116629707B CN202310893076.0A CN202310893076A CN116629707B CN 116629707 B CN116629707 B CN 116629707B CN 202310893076 A CN202310893076 A CN 202310893076A CN 116629707 B CN116629707 B CN 116629707B
- Authority
- CN
- China
- Prior art keywords
- data
- fdc
- failure
- steps
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 239000004065 semiconductor Substances 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 235000012431 wafers Nutrition 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 12
- 238000004454 trace mineral analysis Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007667 floating Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000921 elemental analysis Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明的一种基于分布式并行计算的FDC溯因分析方法及存储介质，方法包括获取失效器件的各种信息；获取半导体晶圆生产制造过程中的FDC数据及配置文件；对FDC数据集进行预处理，获取算法计算结构的数据；做溯因分析，找出影响因子；基于溯因分析结果进行汇总，取出各分组的前N个影响因子；基于测试结果与已知的失效模式进行比对，以确定可能的失效原因；根据反馈的多个可能的失效原因，进行进一步的测试和诊断操作，以验证和确定失效的根本原因；根据失效的根本原因，采取相应的措施。本发明通过对数据进行特征提取、异常检测和模式识别，能够快速准确地识别潜在的故障源和不良产品产生的原因。
Description
技术领域
本发明涉及半导体制造业技术领域，具体涉及一种基于分布式并行计算的FDC溯因分析方法及存储介质。
背景技术
半导体制造过程涉及复杂的工艺流程和设备操作，其中包括材料沉积、光刻、蚀刻、清洗等步骤。在这些过程中，存在着各种潜在的故障和异常情况，可能导致不良产品的生成。传统的质量控制方法难以准确识别和定位这些故障根本原因，因此需要一种高效的溯因分析技术，以帮助生产厂商追溯并解决不良产品产生的问题。
具体的说，在半导体制造业中，确保产品质量是至关重要的。然而，在复杂的半导体生产过程中，由于工艺参数、设备状态或其他因素的变异，可能会产生不良产品。传统的质量控制方法主要依赖于工艺监测和产品测试，但这些方法可能无法及时准确地识别故障的根本原因，导致生产线上的不良产品数量增加和生产效率降低。
为解决这一问题，引入FDC（Fault Detection and Classification，故障检测和分类）技术。FDC技术利用传感器和数据采集系统，实时监测和记录半导体制造过程中的关键参数和工艺数据。通过分析这些FDC数据，可以识别和定位潜在的故障和异常情况，从而实现对不良产品的溯因分析。
然而，现有的FDC技术在半导体制造领域仍然存在一些限制和挑战。首先，半导体生产过程中的数据量庞大且复杂，包含多个参数和变量，因此需要高效的数据管理和处理方法。其次，溯因分析需要准确的模型和算法来识别故障的根本原因，并在复杂的生产环境中进行实时分析。此外，故障诊断和纠正措施的追溯性也是挑战之一，特别是在大规模生产中，需要迅速准确地找到故障源并采取相应措施以最小化不良产品的数量。因此，需要进一步研究和开发基于FDC数据的不良产品溯因分析技术，以提高半导体制造过程中质量控制能力，降低不良产品率，并提高生产效率。
发明内容
本发明提出的一种基于分布式并行计算的FDC溯因分析方法、设备及存储介质，可至少解决背景技术中的技术问题之一。
为实现上述目的，本发明采用了以下技术方案：
一种基于分布式并行计算的FDC溯因分析方法，包括以下步骤，
S1：信息获取，对失效器件进行各种测试和诊断操作，例如电性测试、光学测试、扫描电子显微镜（SEM）测试等，以获取失效器件的各种信息；
电性测试包括I-V特性测试、C-V特性测试等；光学测试包括SEM、TEM等；扫描电子显微镜（SEM）测试包括表面形貌测试、元素分析等；
S2：根据步骤S1的请求数据获取半导体晶圆生产制造过程中的FDC数据及配置文件；
S3：对步骤S2请求的FDC数据集进行预处理，获取算法计算结构的数据；
S4：对步骤S3的预处理的数据进一步做溯因分析，找出影响因子；
S5：基于步骤S4的溯因分析结果进行汇总，取出各分组的前N个影响因子；
S6：基于步骤S5的测试结果与已知的失效模式进行比对，以确定可能的失效原因；
S7：验证和确定，根据反馈的多个可能的失效原因，进行进一步的测试和诊断操作，以验证和确定失效的根本原因；
S8：措施采取，根据失效的根本原因，采取相应的措施，例如修复、替换或报废等。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
由上述技术方案可知，本发明的基于分布式并行计算的FDC溯因分析方法，特别是涉及基于FDC数据的不良产品溯因分析技术，本发明提供了一种基于半导体生产过程中获取FDC数据，并对不良产品进行溯因分析的方法。该方法结合了FDC技术和先进的数据分析算法，以实现对不良产品产生原因的准确识别和定位。
本发明首先通过在半导体制造过程中集成传感器和数据采集系统，实时获取各个关键步骤的FDC数据。这些数据包括工艺参数、设备状态、传感器读数等，提供了对生产过程的全面监测。其次，基于获取的FDC数据，本发明采用先进的数据分析算法进行溯因分析。该算法结合了统计分析、机器学习和人工智能技术，能够对大规模的FDC数据进行高效处理和分析。通过对数据进行特征提取、异常检测和模式识别，本发明能够快速准确地识别潜在的故障源和不良产品产生的原因。
进一步地，本发明还提供了可视化工具和报告生成功能，以直观地呈现溯因分析结果。工程师和操作人员可以通过图表、趋势分析和故障树等方式，清晰地了解不良产品产生的根本原因，并采取相应的纠正措施。
本发明提供了一种基于FDC数据的统计分析方法，其优点包括：(1)高效准确的故障诊断和溯因分析能力，能够快速识别不良产品产生的原因，从而提高生产效率和降低不良产品率；(2)具有智能化和自动化的特点，能够适应复杂的半导体制造环境；(3)通过统计分析FDC数据实现准确的故障诊断和溯因分析，提高生产效率和产品质量。
附图说明
图1为本发明实施例的方法整体流程示意图；
图2为本发明实施例的获取数据及初步的预处理；
图3为溯因分析的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
本发明实施例描述了一个针对半导体晶圆制造过程中失效器件的溯因分析流程，参照图1至图3，本发明提出的一种基于传统统计方法对半导体产品FDC数据异常的溯因分析，包括如下步骤S1至S8：
S1：信息获取，对失效器件进行各种测试和诊断操作；
例如电性测试、光学测试、扫描电子显微镜（SEM）测试等，以获取失效器件的各种信息；
电性测试包括I-V特性测试、C-V特性测试等；光学测试包括SEM、TEM等；扫描电子显微镜（SEM）测试包括表面形貌测试、元素分析等；
两种信息条件请求方式，及对应一些条件设置，具体如下步骤S11到S12：
S11：筛选指定的时间内对应的产品名、产品类型、设备名、机台名、腔室、配方，选择一定数量的晶圆批次，筛选一部分晶圆作为不良晶圆群组，同样方法筛选另一部分晶圆作为良品晶圆群组。
S12：同时也会指定各案例的晶圆分组后满足计算要求的好坏晶圆数量，以及指定是否基于步骤、配方进行分组计算的标识；
S2：获取FDC数据及配置文件；
根据步骤S1请求数据，获取半导体晶圆生产制造过程中的FDC数据及配置文件，具体步骤包括如下步骤S21至S25：
S21：后端算法接口在获得筛选的条件数据后，将标签列进行编码，字符串类型转为整型；
S22：与具有动态列名(比如：“var1”, “var2”, …)的FDC数据进行匹配，过滤掉冗余的数据；
S23：根据步骤S1请求的条件，获取FDC数据的表结构配置信息；
S24：通过步骤S23，将数据按照机台、腔室进行分组，获取机台和腔室对应的配置信息，这里将机台和腔室串起来用“tool_id”标识；
S25：将步骤S24的配置信息,基于“tool_id”分组，提取出有FDC数据关于步骤的“step”标识的信息数据，同时提取出FDC因子的配置信息；
S3：对请求的FDC数据集进行预处理；
对步骤S2的数据进行预处理，具体内容包括如下步骤S31至S34：
S31：基于步骤“S25”，找出“tool_id”,对应的“step”列，如果没有，则填充值为“no_step”，即分析时不基于FDC的“step”进行分组计算；
S32：基于步骤S31的数据，去除全部为空值的参数列；
S33：填充空值，将因子列空值以0进行填充；
S34：将数据的特征列类型转换，转为浮点型；
S4：溯因分析，对预处理数据进一步做溯因分析，找出影响因子；
对步骤S3的数据做溯因分析，具体内容包括如下步骤S41至S45：
S41：如果要基于配方和腔室步骤进行细分分析，则将预处理完的数据，按照编号、产品、产品类型、设备、机台名、腔室、配方、腔室步骤进行分组，获得对应的数据集；
S42：如果不基于配方和腔室步骤进行细分分析，则跳过步骤S41，将预处理完的数据，按照案例编号、产品、产品类型、设备、机台名、腔室进行分组，获得对应的数据集；
S43：如果基于配方或腔室步骤进行细分分析，则跳过步骤S41和S42，将预处理完的数据，按照案例编号、产品、产品类型、设备、机台名、腔室、配方或者腔室步骤进行分组，获得对应的数据集；
S44：将步骤S41或S42或S43分组后的数据，按照各因子进行好坏晶圆去重统计，基于步骤S13的晶圆片数限制，对好坏组的数量进行筛选，保留达到限制条件的分组数据；
S45：将步骤S44的条件分组数据进行组内好坏晶圆分组，计算好坏晶圆的组内均值，再计算组间的差值绝对值；
S5：基于S4的溯因分析结果进行汇总，具体步骤包括如下步骤S51至S5：
S51：循环步骤S4，获取不同的参数的数据进行计算；
S52：将步骤S51的结果基于分组参数，取各分组的前N个影响因子，这里N取值为30；
基于步骤S52的结果，将测试结果与已知的失效模式进行比对，以确定可能的失效原因，模式比对的步骤包括如下步骤S61：
S61：将测试结果与已知失效模式进行比对，以确定可能的失效原因；
已知的失效模式包括晶格损伤、金属迁移、离子注入等，通过比对失效器件的测试结果与已知的失效模式，可以初步确定可能的失效原因；
根据步骤S61反馈的多个可能失效原因，进行进一步测试和诊断操作，以验证和确定失效的根本原因，验证和确定的步骤包括如下步骤S71至S73：
S71；根据反馈的多个可能的失效原因，进行进一步的测试和诊断操作，以验证和确定失效的根本原因；
S72：如果确定的失效原因得到验证，则备注进行相应的修复、替换或报废等操作；
S73：如果确定的失效原因不成立，则循环从S71进行测试和诊断操作，直到找到失效的根本原因为止；
根据步骤S73失效的根本原因，采取相应的措施，例如修复、替换或报废等，措施采取的步骤如下步骤S81：
S81：根据失效根本原因，采取相应措施，例如修复、替换或报废等；
修复措施包括清洗、修复工艺改进等；
替换措施包括器件替换、电路板更换等；
报废措施包括器件报废、产品报废等；
通过以上步骤S11至S52，可以输出基于产品、产品类型、设备、机台名、腔室等各分组的前N个不良影响因子，N设置的默认值为30，通过步骤S4对这些参数数据进行溯因分析，得到的分组数据中各参数因子的影响得分，越大说明越具有影响力，在本例的参数设置前提下，最终得到的各分组影响因子排名，准确率高达80%，同时亿级别的数据量在10分钟左右就完成，比原有的手动分析速度快了很多，且分析的数据范围比较全面，说明该方法的结果良好及效果很好，因而本实施例可以自动进行数据拉取，通过数据预处理、动态匹配参数等方法，得到最具影响晶圆不良的FDC因子（同理可得到最劣影响因子），可以大幅度提高半导体相关工程师的工作效率，为生产良率作出有益指导，同时为后续排查工艺步骤中的潜在问题提供了方向。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于分布式并行计算的FDC溯因分析方法。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述基于分布式并行计算的FDC溯因分析方法。
上述电子设备提到的通信总线可以是外设部件互连标准（英文：PeripheralComponent Interconnect，简称：PCI）总线或扩展工业标准结构（英文：Extended IndustryStandard Architecture，简称：EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（英文：Random Access Memory，简称：RAM），也可以包括非易失性存储器（英文：Non-Volatile Memory，简称：NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（英文：Central ProcessingUnit，简称：CPU）、网络处理器（英文：Network Processor，简称：NP）等；还可以是数字信号处理器（英文：Digital Signal Processing，简称：DSP）、专用集成电路（英文：ApplicationSpecific Integrated Circuit，简称：ASIC）、现场可编程门阵列（英文：Field-Programmable Gate Array，简称：FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于分布式并行计算的FDC溯因分析方法，其特征在于，包括以下步骤，
S1：对失效器件进行各种测试和诊断操作，以获取失效器件的各种信息；
S2：根据步骤S1的请求数据，获取半导体晶圆生产制造过程中的FDC数据及配置文件；
S3：对步骤S2请求的FDC数据集进行预处理，获取算法计算结构的数据；
S4：对步骤S3的数据做溯因分析，找出影响因子；
S5：基于步骤S4的溯因分析结果进行汇总，取出各分组的前N个影响因子；
S6：基于步骤S5的测试结果与已知的失效模式进行比对，以确定可能的失效原因；
S7：根据反馈的多个可能的失效原因，进行进一步的测试和诊断操作，以验证和确定失效的根本原因；
S8：根据失效的根本原因，采取相应的措施；
所述步骤S1具体包括，
S11：筛选指定的时间内对应的产品名、产品类型、设备名、机台名、腔室、配方，选择一定数量的晶圆批次，筛选一部分晶圆作为不良晶圆群组，筛选另一部分晶圆作为良品晶圆群组；
S12：同时也会指定各案例的晶圆分组后满足计算要求的好坏晶圆数量，以及指定是否基于步骤、配方进行分组计算的标识；
所述步骤S2具体包括，
S21：后端算法接口在获得筛选的条件数据后，将标签列进行编码，字符串类型转为整型；
S22：与具有动态列名的FDC数据进行匹配，过滤掉冗余的数据；
S23：根据步骤S1请求的条件，获取FDC数据的表结构配置信息；
S24：通过步骤S23，将数据按照机台、腔室进行分组，获取机台和腔室对应的配置信息，这里将机台和腔室串起来用“tool_id”标识；
S25：将步骤S24的配置信息,基于“tool_id”分组，提取出有FDC数据关于步骤的“step”标识的信息数据，同时提取出FDC因子的配置信息；
所述步骤S3具体包括，
S31：基于步骤“S25”，找出“tool_id”,对应的“step”列，如果没有，则填充值为“no_step”，即分析时不基于FDC的“step”进行分组计算；
S32：基于步骤S31的数据，去除全部为空值的参数列；
S33：填充空值，将因子列空值以0进行填充；
S34：将数据的特征列类型转换，转为浮点型；
所述步骤S4具体包括，
S41：如果要基于配方和腔室步骤进行细分分析，则将预处理完的数据，按照编号、产品、产品类型、设备、机台名、腔室、配方、腔室步骤进行分组，获得对应的数据集；
S42：如果不基于配方和腔室步骤进行细分分析，则跳过步骤S41，将预处理完的数据，按照案例编号、产品、产品类型、设备、机台名、腔室进行分组，获得对应的数据集；
S43：如果基于配方或腔室步骤进行细分分析，则跳过步骤S41和S42，将预处理完的数据，按照案例编号、产品、产品类型、设备、机台名、腔室、配方或者腔室步骤进行分组，获得对应的数据集；
S44：将步骤S41或S42或S43分组后的数据，按照各因子进行好坏晶圆去重统计，基于步骤S12的晶圆片数限制，对好坏组的数量进行筛选，保留达到限制条件的分组数据；
S45：将步骤S44的条件分组数据进行组内好坏晶圆分组，计算好坏晶圆的组内均值，再计算组间的差值绝对值。
2.根据权利要求1所述的基于分布式并行计算的FDC溯因分析方法，其特征在于：所述步骤S5具体包括，
S51：循环步骤S4，获取不同的参数的数据进行计算；
S52：将步骤S51的结果基于分组参数，取各分组的前N个影响因子。
3.根据权利要求1所述的基于分布式并行计算的FDC溯因分析方法，其特征在于：所述步骤S7具体包括，
S71：根据反馈的多个可能的失效原因，进行进一步的测试和诊断操作，以验证和确定失效的根本原因；
S72：如果确定的失效原因得到验证，则备注进行相应的修复、替换或报废操作；
S73：如果确定的失效原因不成立，则循环从S71进行测试和诊断操作，直到找到失效的根本原因为止。
4.根据权利要求3所述的基于分布式并行计算的FDC溯因分析方法，其特征在于：所述步骤S8具体包括，
修复措施包括清洗、修复工艺改进；
替换措施包括器件替换、电路板更换；
报废措施包括器件报废、产品报废。
5.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310893076.0A CN116629707B (zh) | 2023-07-20 | 2023-07-20 | 基于分布式并行计算的fdc溯因分析方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310893076.0A CN116629707B (zh) | 2023-07-20 | 2023-07-20 | 基于分布式并行计算的fdc溯因分析方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629707A CN116629707A (zh) | 2023-08-22 |
| CN116629707B true CN116629707B (zh) | 2023-10-20 |
Family
ID=87617358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310893076.0A Active CN116629707B (zh) | 2023-07-20 | 2023-07-20 | 基于分布式并行计算的fdc溯因分析方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629707B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200828478A (en) * | 2006-12-25 | 2008-07-01 | Ind Tech Res Inst | Real-time fault detection and classification system in use with a semiconductor fabrication process |
| CN102262690A (zh) * | 2011-06-07 | 2011-11-30 | 中国石油大学(北京) | 一种混合故障预警模型的建模方法及混合故障预警模型 |
| CN103681395A (zh) * | 2012-09-04 | 2014-03-26 | 台湾积体电路制造股份有限公司 | 用于工具状态监控的定性故障检测和分类系统及相关方法 |
| WO2019237182A1 (en) * | 2018-06-13 | 2019-12-19 | Ats Automation Tooling Systems Inc. | System and method for triggering a training event |
| CN112163799A (zh) * | 2020-12-02 | 2021-01-01 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析系统 |
| CN113614758A (zh) * | 2020-01-22 | 2021-11-05 | 京东方科技集团股份有限公司 | 设备指标优良性等级预测模型训练方法、监控系统和方法 |
| CN113902357A (zh) * | 2021-12-13 | 2022-01-07 | 晶芯成(北京)科技有限公司 | 自动化质量管控系统、方法及计算机可读存储介质 |
| TW202213250A (zh) * | 2020-09-22 | 2022-04-01 | 南亞科技股份有限公司 | 機台監控系統與機台監控方法 |
| CN116113942A (zh) * | 2020-07-23 | 2023-05-12 | Pdf决策公司 | 依据工艺踪迹预测装备故障模式 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001267389A (ja) * | 2000-03-21 | 2001-09-28 | Hiroshima Nippon Denki Kk | 半導体メモリ生産システム及び半導体メモリ生産方法 |
| US7805639B2 (en) * | 2007-08-16 | 2010-09-28 | International Business Machines Corporation | Tool to report the status and drill-down of an application in an automated manufacturing environment |
| US11029359B2 (en) * | 2018-03-09 | 2021-06-08 | Pdf Solutions, Inc. | Failure detection and classsification using sensor data and/or measurement data |
| US11610076B2 (en) * | 2019-08-07 | 2023-03-21 | Applied Materials, Inc. | Automatic and adaptive fault detection and classification limits |
-
2023
- 2023-07-20 CN CN202310893076.0A patent/CN116629707B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200828478A (en) * | 2006-12-25 | 2008-07-01 | Ind Tech Res Inst | Real-time fault detection and classification system in use with a semiconductor fabrication process |
| CN102262690A (zh) * | 2011-06-07 | 2011-11-30 | 中国石油大学(北京) | 一种混合故障预警模型的建模方法及混合故障预警模型 |
| CN103681395A (zh) * | 2012-09-04 | 2014-03-26 | 台湾积体电路制造股份有限公司 | 用于工具状态监控的定性故障检测和分类系统及相关方法 |
| WO2019237182A1 (en) * | 2018-06-13 | 2019-12-19 | Ats Automation Tooling Systems Inc. | System and method for triggering a training event |
| CN113614758A (zh) * | 2020-01-22 | 2021-11-05 | 京东方科技集团股份有限公司 | 设备指标优良性等级预测模型训练方法、监控系统和方法 |
| CN116113942A (zh) * | 2020-07-23 | 2023-05-12 | Pdf决策公司 | 依据工艺踪迹预测装备故障模式 |
| TW202213250A (zh) * | 2020-09-22 | 2022-04-01 | 南亞科技股份有限公司 | 機台監控系統與機台監控方法 |
| CN112163799A (zh) * | 2020-12-02 | 2021-01-01 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析系统 |
| CN113902357A (zh) * | 2021-12-13 | 2022-01-07 | 晶芯成(北京)科技有限公司 | 自动化质量管控系统、方法及计算机可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于大数据分析的产品质量异常侦测研究;张钦嘉;《现代信息科技》;第3卷(第11期);第119-122页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629707A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102445995B1 (ko) | 주사 전자 현미경 이미지에서의 반지도 이상 검출 | |
| KR100858861B1 (ko) | 데이터 분석 방법 및 장치 | |
| JP5080526B2 (ja) | データ解析のための方法および装置 | |
| KR20180031698A (ko) | 공간 왜곡 유사도를 사용하는 툴 오류 분석 | |
| US8649990B2 (en) | Method for detecting variance in semiconductor processes | |
| TWI783400B (zh) | 誤差因子的推定裝置及推定方法 | |
| CN116629707B (zh) | 基于分布式并行计算的fdc溯因分析方法及存储介质 | |
| CN111709484A (zh) | 新能源场站并网验收方法、装置、计算机设备和存储介质 | |
| CN111623905A (zh) | 风电机组轴承温度预警方法及装置 | |
| TWI801973B (zh) | 錯誤因素之推定裝置及推定方法 | |
| KR20230135131A (ko) | 측정 위반 분석을 이용한 비정상 식별 프로세스 | |
| TWI399660B (zh) | 偵測半導體製程變異之方法 | |
| CN114386510A (zh) | 一种电力系统量测错误辨识方法及系统 | |
| CN114273978B (zh) | 刀具的磨损检测方法、电子设备及计算机可读存储介质 | |
| WO2023073941A1 (ja) | エラー要因推定装置、エラー要因推定方法及びコンピュータ可読媒体 | |
| CN111260203B (zh) | 一种数据处理方法、装置及计算机存储介质和电子设备 | |
| KR102367597B1 (ko) | 인공지능 기반의 제조공정 품질검사 시스템 | |
| WO2021015094A1 (ja) | 不良要因推定装置及び不良要因推定方法 | |
| US7263451B1 (en) | Method and apparatus for correlating semiconductor process data with known prior process data | |
| US7197435B1 (en) | Method and apparatus for using clustering method to analyze semiconductor devices | |
| CN116840662A (zh) | 基于bp神经网络的集成电路电参数处理方法 | |
| KR20210108597A (ko) | Defect 시각화를 이용한 불량 웨이퍼 관리 시스템 | |
| CN117520740A (zh) | 一种结构化和非结构化数据建立集成电路良率预测模型 | |
| Wang et al. | Statistic big data analysis method used for Tilting mismatch problem solving | |
| TWM618949U (zh) | 運用人工智慧之製程事件異常分析平台 |
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 |