CN116802579A - 使用测量违规分析的处理异常识别 - Google Patents
使用测量违规分析的处理异常识别 Download PDFInfo
- Publication number
- CN116802579A CN116802579A CN202280011512.0A CN202280011512A CN116802579A CN 116802579 A CN116802579 A CN 116802579A CN 202280011512 A CN202280011512 A CN 202280011512A CN 116802579 A CN116802579 A CN 116802579A
- Authority
- CN
- China
- Prior art keywords
- change
- parameter value
- current
- locations
- rate
- 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
- 238000004458 analytical method Methods 0.000 title claims description 26
- 238000005259 measurement Methods 0.000 title description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 185
- 230000008859 change Effects 0.000 claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 125
- 238000012545 processing Methods 0.000 claims description 113
- 230000008569 process Effects 0.000 claims description 73
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000000540 analysis of variance Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 17
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000003070 Statistical process control Methods 0.000 description 51
- 238000011058 failure modes and effects analysis Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 13
- 239000000047 product Substances 0.000 description 12
- 235000012431 wafers Nutrition 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000002950 deficient Effects 0.000 description 10
- 238000000151 deposition Methods 0.000 description 9
- 230000008021 deposition Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000000758 substrate Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 238000000231 atomic layer deposition Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 238000000277 atomic layer chemical vapour deposition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003486 chemical etching Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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], computer integrated manufacturing [CIM]
- G05B19/4184—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], computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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], 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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31445—Detect changed working conditions, to correct machine load, balance
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31455—Monitor process status
-
- 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
- G05B2219/34—Director, elements to supervisory
- G05B2219/34115—Area, pocket machining for area with partially open boundary
-
- 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
-
- 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
-
- 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]
Abstract
本说明书的主题可以在一种方法、系统和/或装置等中实施,以接收在制造处理中对当前样本进行的操作的当前计量数据。该计量数据包括在当前样本的一个或多个位置的每一个处的参数的当前值。方法包含获得一个或多个位置的每一个位置处的参数的参数值的参考变化率。该方法进一步包含确定一个或多个位置的每一个位置处的参数值的当前变化率。当前变化率与当前样本相关联。该方法进一步包括将参数值的当前变化率与参数值的参考变化率进行比较,并基于该比较识别制造处理的异常情况。
Description
技术领域
本发明的一些具体实施方式大致涉及使用样本测量违规分析来检测制造系统中的异常的系统、方法和设备。
背景技术
在制造中,例如在半导体装置制造中,可以使用计量工具直接测量产品品质,也可以通过监控处理设备传感器间接测量产品品质。在产品制造生命周期的不同时间收集此信息。当工艺工程师需要识别处理工具或最终产品的问题时,他或她必须通过分析大量数据点(例如,具有各种测量参数的许多样本的计量数据)的费力且成本高昂的处理。例如,当工程师被告知产品存在潜在问题时,工程师必须查看相应的计量数据以发现产品的警示特性。识别计量违规的一种常用方法是使用统计过程控制(SPC)。
统计过程控制(SPC)是一种品质控制方法,它采用统计方法来监视和控制处理。SPC可以帮助确保处理以受控的变化运行,以更少的浪费(例如,返工或报废)来生产更多符合规格的产品。SPC可以应用于可以测量合格产品(例如,符合规格的产品)输出的各种处理。SPC可包括用于在制造处理中测量和控制品质的产业标准方法。可以在制造处理中即时获得产品和处理测量形式的品质数据。然后可以将数据绘制在具有经计算的控制限制的图表上。通常用于约束数据的两个限制包括:第一,可以由处理的能力确定的控制限制;第二,可以由期望的结果(例如,满足特定规格的测量范围)确定的规格限制。
发明内容
一种用于识别制造处理的异常情况(例如来源)的方法和系统。该方法包括接收在制造处理中对当前样本进行的操作的当前计量数据。计量数据包括在当前样本以及来自先前计量处理步骤的样本的一个或多个位置的每一个位置处的参数的当前值。该方法包含获得一个或多个位置的每一个位置处的参数的参数值的参考变化率。该方法进一步包含确定一个或多个位置的每一个位置处的参数的参数值的当前变化率。当前变化率与当前样本相关联。该方法进一步包括将参数值的当前变化率与参数值的参考变化率进行比较,并基于该比较识别制造处理的异常情况。
附图说明
在附图的各图中以示例而非限制的方式示出了本发明,在附图中,相同的附图标记指示相似的元件。应当注意,在本公开内容中对“一”或“一个”具体实施方式的不同引用不一定是同一具体实施方式,并且这样的引用意味着至少一个具体实施方式。
图1是示出根据本公开内容的方面的制造系统的方块图。
图2是示出根据本公开内容的方面的制造系统的制造处理的方块图。
图3图示了根据本公开内容的方面的制造处理中的操作的各种样本的参数值变化率分布。
图4图示了根据本公开内容的方面的示例模式的示例性图形使用者界面。
图5是说明根据本公开内容的方面的处理故障模式和影响分析(FMEA)的方块图。
图6是根据本公开内容的方面的用于识别制造处理的异常情况的方法的流程图。
图7图示了能够识别制造处理的异常情况的示例计算装置的方块图。
具体实施方式
在制造(例如,微制造、波片制造、基板生成等)中,使用各种处理工具和程序来产生期望的结果(例如,满足期望规格或具有期望特性的样本)。制造处理可包括各种制造步骤和计量步骤。计量步骤可以在制造步骤之间使用,以获取指示先前执行的制造步骤的品质和成功的计量数据。计量数据可以由在包括样本的晶片上的不同位置处测量的多个测量参数点位值(例如,厚度、粗糙度、深度、粒子计数、表面梯度等)组成。随着样本在制造处理中的进展,可以从许多计量步骤中获取并储存历史计量数据,以显示样本如何达到当前参数值。制造系统可以标记违反标准的测量值。例如,在SPC中,如果测量超出控制限制、违反预定规则、超出规范限制、或测量被认为是不可接受的,则该测量可能是违规的。违规的测量值可能是由有缺陷的制造机器或处理等引起的。例如,制造机器可能包括性能达不到标准的损坏的工具或磨损的仪器。识别违规测量的来源可能代价高昂且难以捉摸。例如,制造停机时间、制造不充分的产品和/或识别和补救制造异常源的调用成本可能是昂贵的和资源密集型的。
传统上,SPC违规分析是手动执行的。可以向使用者呈现已识别为测量违规的SPC图表。使用者的任务是通过使用者的知识识别制造处理的任何异常,包括可能有缺陷的机器、装置、程序等。然而,随着制造系统变得越来越复杂和自动化程度越来越高,测量和获取更多数据的能力不断提高,数据量使得使用者难以只根据自己的知识来处理。此外,制造系统可以被设计为处理许多不同的处理(例如,各种基板配方和使用各种机器、装置和/或程序来达到制造结果的各种样本),这需要超出人类思考能力范围的知识和记忆。此外,基于SPC结果确定异常不足以确定在制造处理的当前或最终操作之前与制造处理的操作相关联地使用或执行的机器和/或处理的上游故障。例如,第一台机器可能是异常的来源,但处理可使用20台机器,使用这些机器之后可能会掩盖或稀释错误的来源,从而难以识别来源。
本公开内容的方面和具体实施方式通过使用与制造处理相关联的样本的测量数据,来识别制造处理的异常情况(例如,有故障的机器、有缺陷的操作、磨损的工具等)来解决现有技术的这些和其他缺点。一开始,处理装置可接收在制造处理中对当前样本进行的操作的当前计量数据。计量数据可包括在当前样本的一个或多个位置的每一个处的参数的当前值。处理装置可获得一个或多个位置的每一个位置处的参数的参数值的参考变化率。参数值的当前变化率可与当前样本相关联。处理装置可进一步包括将参数值的当前变化率与参数值的参考变化率进行比较,并基于该比较识别制造处理的异常情况。
本公开内容的方面带来了显著减少能量消耗(例如电池消耗)、频宽、等待时间等等的技术优势。例如,通过以所公开的方式处理和分析计量数据,可以比传统系统更快地处理数据并且允许比传统系统更有效的数据储存和获取。此外,与传统系统相比,可以更快地识别和应用建议的纠正异常情况的纠正措施,这可以降低在纠正之前制造有缺陷或故障样本的成本,防止因磨损、破损或其他缺陷设备所造成的进一步损坏,并预测在不久的将来可能发生的异常、缺陷、故障和/或错误,并主动采取纠正措施。
图1是示出根据本公开内容的方面的制造系统100的方块图。如图1所示,制造系统100包括制造执行系统102、计量系统110、统计过程控制(SPC)系统116、数据储存器122、客户端装置128和设备工程系统130。制造执行系统102、计量系统110、SPC系统116、数据储存器122和/或设备工程系统130可以各自由一个或多个计算装置托管,包括服务器计算机、桌上型计算机、膝上型计算机、平板计算机、笔记型计算机、个人数字助理(PDA)、移动通信装置、手机、智能手机、手持计算机或类似的计算装置。
制造执行系统102、计量系统110、SPC系统116、数据储存器122、设备工程系统130和客户端设备128可以通过网络140彼此耦合,用于识别制造执行系统102中的异常情况。在一些具体实施方式中,网络140是为制造系统100的每个元件提供对彼此和其他公共可用计算装置的访问的公共网络。在一些具体实施方式中,网络140是为制造系统100的每个元件提供对彼此和其他公共可用计算装置的访问的私有网络。网络140可包括一个或多个广域网络(WAN)、局域网络(LAN)、有线网络(例如乙太网络)、无线网络(例如802.11网络或Wi-Fi网络)、蜂窝式网络(例如长期演进(LTE)网络)、路由器、集线器、交换器、服务器计算机、云端计算网络和/或其组合。替代地或附加地,制造系统100的任何元件可以整合在一起或以其他方式耦合而不使用网络140。
客户端装置128可包括诸如个人计算机(PC)、膝上型计算机、行动电话、平板计算机、上网本计算机、连接网络的电视(“智慧型电视”)、连接网络的媒体播放器(例如,蓝光播放器)、机顶盒、过顶(over-the-top,OTT)流媒体装置、操作员盒等等的计算装置。客户端装置128可以包括浏览器、应用程序和/或测量违规工具。在一些具体实施方式中,客户端装置128可能够访问制造执行系统102、计量系统110、SPC系统116、数据储存器122和/或设备工程系统130(例如,通过网络140使用浏览器或应用程序)并在违规分析的各个阶段传送(例如发送和/或接收)违规测量、识别的异常和计量数据的指示,如本文所述。
制造执行系统102可以包括用于各种制造处理的机器操作104、处理实施方案106和处理依赖性108。制造处理可包括利用一个或多个机器以使用一个或多个不同的处理实施方案106来执行一个或多个机器操作104的各种步骤或操作。例如,各种机器可包括专用腔室,例如蚀刻腔室、沉积腔室(包括用于原子层沉积、化学气相沉积或其等离子体增强版本的腔室)、退火腔室等。在另一个示例中,机器可以并入样本运输系统(例如,选择性顺应性组装机械臂(SCARA)机器人、传送腔室、前开式标准舱(FOUP)、侧面储存舱(SSP)和/或类似物)以在机器和处理步骤之间运输样本。
处理实施方案106可以包括用于在制造处理中执行机器操作104的各种规范。例如,处理实施方案106可以包括处理规范,诸如机器操作104的持续时间、用于操作的机器工具、机器(例如,腔室)的温度、流量、压力等、沉积顺序和类似者。在另一个示例中,处理实施方案可以包括指令以用于将样本运送到进一步的处理步骤或由计量系统110测量。
处理依赖性108,也称为制造配方或制造处理指令,其包括机器操作104与处理实施方案106的排序,当以指定的顺序应用时创建被制造的样本(例如,具有预定特性或满足预定规范的基板或晶片)。在一些具体实施方式中,制造处理的处理依赖性108被储存在数据储存器中,或者替代地或附加地,以生成指示制造处理的步骤或操作的数据表的方式储存。例如,计量系统110、SPC系统116和/或设备工程系统130中的一个或多个可以请求当前正在测量的样本或正在为其处理相关计量数据的样本的处理依赖性。在另一个示例中,在对制造处理中的当前样本进行操作之前,可以针对指定数量的步骤(例如,制造处理的最后5、10、15或n个处理步骤)请求处理依赖性。
在一些具体实施方式中,制造执行系统102包括用于制造样本(例如,基板或波片)的所有指令、机器和处理,在其他具体实施方式中,制造执行系统102在制造样本时控制和协调各种机器、工具和处理。在其他具体实施方式中,与计量系统110组合的制造执行系统102可形成被设计为在整个制造处理中在制造处理和计量处理之间交替的系统。
计量系统110包括计量工具114,用于在由制造执行系统102制造的样本的各个位置处测量参数。参数可以包括指示制造执行系统102的制造处理执行的操作的品质的各种测量值。例如,参数可以包括样本的厚度、蚀刻速率、电阻率、粒子计数等。在一些具体实施方式中,计量工具协调要在每个样本的特定预定位置处进行的测量。例如,在特定的制造操作(例如,沉积或蚀刻操作)之后,每个样本被带到计量系统110。计量工具114针对每个样本在相同位置测量一个或多个参数。计量系统110可以将数据传输到SPC系统116,以制作与制造处理的特定操作相关联的测量的历史记录。历史样本数据124可由计量系统110和/或SPC系统116使用,来创建一系列均正被处理的样本在制造处理的相同操作之后的参数测量的记录。
在一些具体实施方式中,利用制造执行系统102制造的样本在制造配方的每个步骤之后由计量系统110测量。在一些具体实施方式中,处理依赖性108或制造配方可以包括测量步骤,使得每个样本都是利用相同的处理依赖性108来制造并且每个样本在相同的条件下在相同的操作之后被测量。
如图1所示,统计过程控制(SPC)系统116可以包括统计过程工具118和诸如SPC数据库120的SPC数据储存器。SPC系统116从计量系统110和/或设备工程系统130接收计量数据。SPC系统可以从制造执行系统102、计量系统110、数据储存器122和/或设备工程系统130接收上下文数据(例如,通道ID、设备ID、产品、处理名称、处理步骤编号、批次ID等)。SPC系统116将计量数据应用于适当的图表(例如,厚度、蚀刻速率、电阻率、粒子计数等),分析计量数据以检测违规(例如,高于或低于预定阈值的产品特性),生成关于具有检测到违规的产品的信息(例如,批次ID、晶片ID、配方名称),并将此信息提供给设备工程系统130。此外,SPC系统116将SPC图表呈现给SPC客户端,例如客户端设备128。例如,SPC图表可以呈现在客户端应用程序和/或由客户端设备128(例如个人计算机、膝上型计算机、行动电话等)托管的基于网络的浏览器应用程序中。
SPC数据库120包括历史计量数据。例如,历史计量数据可以包括过去的SPC图表(例如,厚度、蚀刻速率、电阻率、粒子计数等)和测量违规数据。SPC数据库120可以计算历史样本数据124的参数变化参考率121。例如,可以针对由制造执行系统102制造之后由计量系统110测量的样本的一个或多个历史变化率计算差异分析(analysis of variance,ANOVA)。在一些具体实施方式中,SPC系统116储存参数值的参考变化率121和历史样本数据,而在其他具体实施方式中,SPC系统116将参数值的变化率和历史样本数据储存器在数据储存器122中。
数据储存器122可以是存储器(例如随机存取存储器)、驱动器(例如硬盘驱动器、闪存驱动器)、数据库系统、或能够储存数据的另一类型的部件或装置。数据储存器122可以储存历史样本数据124以及故障模式和影响分析(failure mode and effects analysis,FMEA)数据126中的一个或多个。历史样本数据124可以包括从在各种制造处理(例如,图2的制造处理200)期间所制造的样本测量的各种参数的参数值。历史样本数据124可以包括在一个或多个先前样本上的每个位置处的每个参数的参数值的参考变化率,这些先前样本是在制造处理中被先前制造的。FMEA数据126可以储存与故障模式和影响分析工具138相关联的数据,并且更一般地是与处理故障模式和影响分析(参见例如图5的处理故障模式和影响分析500)相关联的数据。
设备工程系统130可以包括测量违规工具132。测量违规工具包括处理依赖性工具134、变化率工具135、模式映射工具137和故障模式和影响分析(FMEA)工具138。设备工程系统130从计量系统110和/或制造执行系统102接收计量数据并将计量数据发送到SPC系统116。设备工程系统130接收与机器、工具和/或与制造处理(该制造处理与计量数据相关联)的处理操作相关联的SPC资料。
处理依赖性工具134从制造执行系统102和/或数据储存器122请求处理依赖性108数据,处理依赖性108数据与由计量工具114获取的计量数据相关联。处理依赖性工具134将先前的机器操作104和处理实施方案106与当前样本的测量相匹配。
变化率工具135计算由计量系统110测量的当前样本的当前变化率。当前变化率可以包括确定当前参数值变化率。例如,一个参数由计量系统110测量并且在样本的不同位置处获得一组参数值。将这些参数值与历史参数值进行比较,以确定当前参数值发生了多少变化。在一些具体实施方式中,通过将当前参数值与紧接在当前样本之前被制造的样本进行比较来计算参数值的变化率。当前参数值和从紧接在当前样本之前被制造的样本获得的参数值之间的差异,可以用于产生参数值的变化率。在其他具体实施方式中,多个历史测量与各种参数值变化率计算技术一起使用。例如,可以通过使用移动平均、平均统计量、长期统计量、短期统计量、导数、积分和/或已知的变化率计算方法之一来计算变化率。
变化率工具135将从SPC系统116接收的或由设备工程系统130本地计算的参数值的参考变化率(例如,参数值的历史变化率)与当前样本的参数值的当前变化率进行比较。在一些具体实施方式中,参数值的参考变化率是使用来自在制造处理中对一个或多个先前样本进行的操作的历史计量数据的参数值的一个或多个历史变化率来确定的。
在一些具体实施方式中,基于参数值的当前变化率和参数值的参考变化率的比较,变化率工具135识别一个或多个违规位置,每个违规位置所具有的参数值的相关当前变化率大于参数值的相关参考变化率。
差异分析(ANOVA)工具136与变化率工具135一起工作以识别一个或多个违规位置。ANOVA工具136利用参数值的一个或多个历史变化率执行ANOVA,以确定参数值的参考变化率。在进一步的具体实施方式中,ANOVA结果可用于确定在制造处理中对当前样本进行的操作的一个或多个位置的每一个位置处的参数的参数值的可接受或非违规变化率的阈值范围。在一些具体实施方式中,参数值的参考变化率可以是通过差异分析工具136从参数值的一个或多个历史变化率统计计算得到的一系列非违规值。
模式映射工具137从变化率工具135和/或ANOVA工具136之一接收一个或多个违规位置,并生成与当前样本上的一个或多个违规位置相关联的样本模式。在一些具体实施方式中,模式映射工具137基于在先前样本上记录的趋势或共同模式对不同的违规位置应用缩放(例如,数据点的归一化)。
故障模式和影响分析(FMEA)工具138基于参数值的当前变化率和参数值的参考变化率的比较来识别制造处理的异常情况。在一些具体实施方式中,FMEA工具138从模式映射工具137接收样本模式并且基于样本模式识别异常情况。
FMEA工具138可以从数据储存器122中检索FMEA数据126。FMEA数据126可以包括给定设备的已知问题和根本原因的列表,这些给定设备具有与每个问题相关联的已知症状。FMEA工具138接收的模式样本数据被应用于已知问题的列表,并且生成识别违规位置的常见原因的报告。例如,FMEA工具138可以接收样本模式并识别有缺陷的工具、机器或制造处理的操作。
在一些具体实施方式中,FMEA工具138可以与处理依赖性工具134一起使用,以根据在当前样本上执行的当前机器操作识别的上游(例如,在相同制造处理的当前制造步骤之前发生的操作步骤)所操作的工具、机器或处理。例如,当前样本可能最近经历了第一台机器的第一次操作。在一些具体实施方式中,处理依赖工具134和FMEA工具138的组合可以查找样本过去的操作,例如第二机器或工具的第二操作。FMEA工具138可以使用样本模式来识别第二机器或第二工具是异常的来源。
一旦识别出异常情况,FMEA工具138可以通过执行改变机器的操作或与异常情况相关联的处理的实施方案中的至少一者,和/或提供呈现与异常情况相关联的机器或处理的视觉指示器的图形使用者界面(GUI)来执行。GUI可以通过网络140发送并呈现在客户端设备128上。在一些具体实施方式中,改变机器的操作或处理的实施方案可以包括向制造执行系统102发送指令以改变与处理配方或处理依赖性108相关联的机器操作104和/或处理实施方案106。
应当注意,虽然制造系统100被描绘和描述为多个不同的系统和/或装置,但是可以将各种装置组合在一起以执行在图1中被描绘为个单独的实体的功能。例如,制造执行系统102可以与计量系统110组合以通过制造和计量操作来执行制造处理。在另一个示例中,设备工程系统130可以与SPC系统116组合,以使用具有变化率工具135的统计处理工具118来分析来自SPC分析和变化率分析的数据。在另一示例中,数据储存器122可以储存在制造执行系统102、计量系统110、SPC系统116、设备工程系统130和/或客户端设备128中的一个或多个上。此外,虽然在图1中描绘使用网络140相互通信,但制造执行系统102、计量系统110、SPC系统116、数据储存器122、客户端设备128和/或设备工程系统130中的任何一个都可以直接耦合并在每个系统之间进行通信,而不需要网络140。
图2是示出根据本公开内容的方面的制造系统(例如图1的制造系统100)的制造处理200的方块图。制造处理200可以包括一个或多个制造操作202A-202B和一个或多个计量操作204A-204B。制造操作202A-202B可以由制造执行系统(例如,图1的制造执行系统102)执行。计量操作204A-204B可以由计量系统(例如,图1的计量系统110)执行。
在一些具体实施方式中,制造处理200可以包括一系列制造操作202A-202B和计量操作204A-204B,当这些操作完成时,制造了具有预定特性和/或规格的制造样本。例如,制造多层基板的制造处理可以包括各种层沉积操作,每个层沉积操作将层沉积到基板上。制造操作202A-202B可被设计成以预定顺序完成以产生具有正确层顺序的多层基板。
制造操作202A-202B可以包括制造样本的各种方法。例如,制造操作可以包括蚀刻(例如,干式蚀刻、等离子体蚀刻、湿式蚀刻、化学蚀刻等)、沉积(例如,原子层沉积(ALD)、化学气相沉积(CVD)或它们的等离子体增强形式)、图案化(例如,光刻、掩模等)、微成形和/或类似方法。
计量操作204A-204B可以包括用于在制造处理200的各个阶段在制造样本上的一个或多个位置上测量一组参数206A-206D、208A-206D的各种方法和技术。该组参数206A-206D、208A-208D可以包括与制造操作202A-202B相关联的各种测量值。例如,参数组206A-206D、208A-208D可以包括测量样本的通道厚度、层或区域的厚度、蚀刻速率、电阻率、粒子计数等。参数的测量值可以指示所执行的制造操作的品质等级。在一些具体实施方式中,制造处理200在每个样本的12-20个位置处测量25-50个参数。
在一些具体实施方式中,在计量操作204A-204B期间测量的参数指示先前制造操作的品质。或者,在计量操作204A-204B期间测量的参数可指示先前制造操作的一者或多者的品质。例如,制造操作202A和202B都可以是层沉积操作并且参数(例如,208A)可以测量基板的厚度。在计量操作204B期间基板的厚度可能受到制造操作202A和202B的影响。参数和操作之间的关系可以被储存为制造处理配方或处理依赖性(例如,图1的处理依赖性108)的一部分。处理依赖性可以跟踪和管理制造操作202A-202B和下游处理(例如,将在与当前机器操作或处理实施方案相同的制造处理的未来执行的机器操作与处理实施方案),或将发生在指定的制造操作之后的处理的影响。另外,当处理或分析参数值时,处理依赖性数据可以提供在制造处理200的特定阶段的制造样本的先前操作与当前制造品质之间的联系。
在一些具体实施方式中,制造操作202A-202B和计量操作204A-204B在整个制造处理中交替。应当注意,在一些具体实施方式中,可以在计量操作204A-204B之间执行多个制造操作202A-202B。同样的,可以在制造操作202A-202B之间执行各种计量操作。制造操作202A-202B和计量操作204A-204B的程序和节奏可以取决于具体制造处理200。
图3图示了根据本公开内容的方面的制造处理中的操作的各种样本的参数变化率分布300。如图2所示,制造处理(例如,图2的制造处理200)可以包括各种制造操作(例如,图2的制造操作202A-202B)和与各种制造操作相关联的各种计量操作(例如,图2的计量操作204A-204B)。可以使用制造处理来生成多个样本。结果,在一组样本的一个或多个位置的每一个处处测量给定参数(例如,图2的参数206A-206D、208A-208D)的值。
参照图3,在制造处理中的操作的一组样本(例如,样本1、样本2、样本3和样本4)上的指定位置处测量参数。变化率工具(例如,图1的变化率工具135)可用于处理原始计量数据,以确定参数值的当前变化率和参数值的参考或历史变化率。
可以使用当前样本的当前测量值和紧接在当前样本之前被制造的样本的先前测量值来计算参数值的当前变化率。在一些具体实施方式中,样本1可以在样本2之前制造,样本2可以在样本3之前制造,样本3可以在样本4之前制造,并且样本4可以是当前样本。当前样本变化率可以包括计算当前样本与紧接在前的样本(例如,分别为样本4和样本3)之间的差。可以针对样本上的每个后续位置计算参数值的当前变化率。此外,可以针对所有参数计算参数值的当前变化率。
可以使用历史计量数据(例如,历史样本数据124)来计算参数值的参考变化率。例如,先前的样本(例如,样本1、样本2和/或样本3)可用于计算样本上特定位置的参数的参数值的历史变化率。例如,可以通过使用移动平均、平均统计量、长期统计量、短期统计量、导数、积分和/或已知的变化率计算方法之一来计算参数值变化率。
将参数值的当前变化率与参数值的参考变化率进行比较。在一个具体实施方式中,通过将统计分布应用于参数值的参考变化率以识别参数值的当前变化率和参数值的参考变化率之间的差异,从而执行比较。例如,平均值和标准差是根据参数值的历史变化率计算得出的,并与参数值的当前变化率进行比较,以识别参数值的当前变化率与参数值的一个或多个历史变化率的平均值之间有多少标准差。
在一些具体实施方式中,使用预定的控制限制或阈值限制(例如,一个标准差、两个标准差、三个标准差等)来识别具有参数值的异常当前变化率的位置。应该注意的是,这里识别的控制限制可能与传统的SPC控制限制不同。SPC控制识别测量值的阈值范围,而本文识别的控制限制识别参数值变化率的阈值范围,而不是对样本的静态测量的评估。这种差异可识别违规位置,否则这些位置可能不会在已知SPC分析中被标记。
在一些具体实施方式中,可以使用定义的取样窗口来计算参数值的参考变化率。例如,可以通过在当前样本之前生成的n个样本来生成参数值的参考变化率。例如,参数值的参考变化率可被限制至在一定时间量内制造的样本(例如前24小时、周、月等等)或一定数量的样本(例如前10个、100个、1000个制造的样本)。还应注意,参数值的参考变化率是在样本上的每个位置或位点计算的。参数值的当前变化率在整个样本表面上被逐个位置地进行比较。
在一些具体实施方式中,样本上的违规位置可以通过评分系统或通过将每个位置放入违规级别或违规程度来指示,而不是违规测量的二元指示。例如,一个位置可以被分为“合规”、“一级违规”、“二级违规”、“三级违规”等级别。违规层级可对应于在每个位置处参数值的当前变化率与参数值的参考变化率的方差。例如,小于一个标准差的位置可能被标记为“合规”,介于1到2个标准差之间的位置可能被标记为“一级违规”,介于2和3个标准差之间的位置可能被标记为“二级违规”,依此类推。可以为每个违规分配一个权重或分数,权重或分数可用于进一步建立样本模式,如参考图4所述。
在一些具体实施方式中,为每个样本转变计算参数值的变化率。例如,参考图3所示,可以计算样本1到样本2、样本2到样本3、样本3到样本4的变化率,形成参数值数据集的历史变化率。
在一些具体实施方式中,对每个处理步骤、参数和位置计算第一差异分析(ANOVA),以识别在特定处理步骤和参数中的样本内和样本之间的变化,以比较晶片与晶片之间的数据。在一些具体实施方式中,在特定处理步骤和参数的位置内和位置之间计算第二ANOVA,以比较晶片内的位置。在一些具体实施方式中,在参数值数据集的整个历史变化率内和整个历史变化率之间计算第三ANOVA(例如,第一ANOVA和第二ANOVA的组合)。然后可以使用第一ANOVA、第二ANOVA和/或第三ANOVA来生成当前样本的样本模式,以及制造处理的给定参数和处理步骤的先前历史样本的样本模式。
图4图示了根据本公开内容的方面的用于样本模式404的示例性图形使用者界面(GUI)400。GUI 400识别样本上的一个或多个位置402、一个或多个样本模式404、与每个模式相关联的分数406、结论408、点位结论410和总体结论412。
一个或多个位置402可以包括被识别为违规的位置的第一子集和被识别为合规或符合的位置的第二子集。在一些具体实施方式中,一个或多个位置402可以包括量化每个位置的违规程度(例如,合规、1级违规、2级违规等)的分数。
样本模式404可以包括样本在制造处理期间可能经历的各种违规组合。这些样本模式404可以基于样本上的常见违规分组。例如,发生故障的工具可能会错误地处理样本上彼此靠近的位置。在一些具体实施方式中,样本模式404与处理功能502、参数504、潜在故障模式506和结合图5所描述的故障模式和影响分析(FMEA)的潜在故障影响508的违规模式相关联。例如,识别样本模式404可包括识别晶片或正交的中心的边缘位点或凹陷问题。在另一个示例中,样本模式404可以识别特定于处理工具、机器或操作的特定位置、区域或行为。
如前所述(例如与图1的ANOVA工具136相关联),在一些具体实施方式中,针对每个处理步骤、参数和位置计算第一差异分析(ANOVA),以识别在特定处理步骤和参数中的样本内和样本之间的变化,以比较晶片与晶片之间的数据。在一些具体实施方式中,在特定处理步骤和参数的位置内和位置之间计算第二ANOVA,以比较晶片内的位置。在一些具体实施方式中,在参数值数据集的整个历史变化率内和整个历史变化率之间计算第三ANOVA(例如,第一ANOVA和第二ANOVA的组合)。然后可以使用第一ANOVA、第二ANOVA和第三ANOVA来生成当前样本的样本模式,以及制造处理的给定参数和处理步骤的先前历史样本的样本模式。
结论408关于当前处理中的晶片之间的差异。结论408可以包括处理与第一ANOVA相关的数据。例如,第一ANOVA可以在具有指定参数的特定处理步骤中识别样本内部和样本之间的变化。可以基于将当前晶片与先前晶片进行比较并分析单个参数的处理逻辑来提供结论,以确定在不同波片之间是否存在具有共同参数故障的模式。
点位结论410关注当前处理的样本集中存在的变化。可以通过处理与第二ANOVA相关联的数据来提供点位结论410。例如,第二ANOVA可以识别特定点位并确定各种参数和样本如何在特定点位的执行情况。可以基于比较来自当前样本和历史样本的与特定点位相关联的数据的处理逻辑来提供点位结论410,以确定是否存在其中各种参数和各种样本的值在每个样本的特定位置处故障的模式。
总体结论关注识别来自上游处理的可能会影响当前处理的结果的继承变异。可以通过处理与第三ANOVA相关联的数据来提供总体结论412。例如,第三ANOVA可以识别整个数据集的模式,包括不同样本上的多个位置处的处理依赖性。例如,总体结论412可以基于将历史计量数据(例如参数变化的参考速率)与各个位置的计量数据(例如参数变化的当前速率)和各种参数进行比较的处理逻辑,以确定来自上游测量或历史计量数据的历史或继承违规测量与来自与第三ANOVA相关量的数据的当前计量数据的当前违规测量之间是否存在模式。
图5是说明根据本公开内容的方面的处理故障模式和影响分析(FMEA)500的方块图。处理FMEA包括处理功能502、参数504、潜在故障模式506和潜在故障影响508。可以使用处理FMEA工具(例如,图1的故障模式和影响分析工具138)来执行处理FMEA。处理FMEA从制造系统、计量系统和/或SPC系统之一接收处理功能502。处理功能502可以被组织成处理依赖性。例如,处理功能502可以储存在依赖性表中,其中依赖性识别样本上受特定处理功能502影响的参数和位置。例如,处理功能502可以定义机器操作(例如,光刻、蚀刻、沉积等)。
处理FMEA接收与参数504相关联的数据。在一些具体实施方式中,参数数据可以作为样本模式被接收,如参考图4所描述的。或者,参数数据可以作为违反预定阈值范围的违规位置和参数的列表来接收。参数数据可以识别具有违规测量的位置。违规测量可能包括未能满足预定阈值的数据,例如特定位置的给定参数的测量的参数值的变化率超出参数值的可接受的参考变化率(如参考图2所述)。
处理FMEA500包括制造系统(例如,图1的制造系统100)的潜在故障模式506和潜在故障影响508。例如,FMEA表包括给定机器、工具和/或设备的已知问题和根本原因列表,以及与每个问题和根本原因相关的症状。处理FMEA 500可以包括将处理功能502和/或参数504链接到潜在故障模式506和/或潜在故障影响508的逻辑。处理FMEA 500可以接收被处理的计量数据并识别制造系统的异常情况。例如,计量数据可以使用本文描述的其他具体实施方式来处理并且由处理FMEA工具接收。处理FMEA工具可以分析数据并识别一台或多台有缺陷的机器、工具和/或设备件,以及有缺陷的工具对制造样本的影响。例如,处理FMEA可以将沉积工具识别为损坏、有故障或需要维修或更换,并描述沉积工具的当前状态对在样本上的不同位置执行其功能的影响(不均匀的层、过薄或过厚的层等)。
在一些具体实施方式中,处理FMEA 500可以为设备工程系统(例如,图1的设备工程系统130)生成指令,以改变与处理FMEA 500对制造处理所识别的异常情况相关联的处理实施方案或机器操作中的一者。
在一些具体实施方式中,处理FMEA 500可以为设备工程系统(例如,图1的设备工程系统130)生成指令,以提供图形使用者界面(GUI)来呈现与异常情况相关联的处理或机器的视觉指示器。例如,可以将视觉指示器发送到客户端设备(例如,图1的客户端设备128),以供制造处理的工程师或操作员手动改变执行制造处理的制造执行系统。
在一些具体实施方式中,生成一个或多个经过训练的机器学习模型的机器学习(ML)算法、深度ML算法和/或其他用于分析参数数据的信号处理算法可用于确定一个制造系统的潜在故障模式506和潜在故障影响508。这些模型、分析和/或算法可用于计算、预测和评估处理函数502和参数504的组合,以预测和识别潜在故障模式506和潜在故障影响508。在一些具体实施方式中,可以通过计量系统(例如,图1的计量系统110)或历史样本数据(例如,图1的历史样本数据124)来获得用于训练ML模型的训练数据。
一种可以使用的机器学习模型是人工神经网络,例如深度神经网络。人工神经网络通常包括具有分类器或将特征映射到所需的输出空间的回归层的特征表示组件。例如,卷积神经网络(CNN)拥有多层卷积滤波器。在较低层执行池化,并且可以在较低层解决非线性问题,在其顶部通常附加一个多层感知器,将卷积层提取的顶层特征映射到决策(例如分类输出)。深度学习是一类机器学习算法,它使用级联的多层非线性处理单元进行特征提取和转换。每个连续的层都使用前一层的输出作为输入。深度神经网络可以以监督(例如,分类)和/或无监督(例如,模式分析)的方式学习。深度神经网络包括层次结构,其中不同的层学习对应于不同抽象级别的不同表示级别。在深度学习中,每个级别都学习将其输入数据转换为稍微更加抽象和复合的表示。例如,在处理异常应用中,原始输入可能是当前和历史计量数据;第一表示层可以提炼位置和参数值;第二层可以对基本的违规位置进行组合和编码;第三层可以编码样本模式;第四层可以识别数据并将数据与制造处理的潜在故障模式和潜在故障影响相匹配。值得注意的是,深度学习处理可以自行学习将哪些特征最佳地放置在哪个级别。“深度学习”中的“深度”是指数据经过转换的层数。更准确地说,深度学习系统具有相当大的信用分配路径(CAP)深度。CAP是从输入到输出的转换链。CAP描述了输入和输出之间潜在的因果关系。对于前馈神经网络,CAP的深度可能是网络的深度,也可能是隐藏层数加一。对于其中一个信号可能不止一次地通过一个层传播的循环神经网络,CAP深度可能是无限的。
在一个具体实施方式中,使用包括多个数据点的训练数据集来训练神经网络,其中每个数据点包括参数504、样本上的位置和处理函数502。每个训练数据点可以另外包括潜在故障模式506和/或潜在故障影响508或与潜在故障模式506和/或潜在故障影响508相关联。可以使用训练数据集训练神经网络以接收处理函数、样本上的位置和参数的输入,并输出制造系统异常情况的标识。替代地或附加地,神经网络可以结合使用样本模式作为训练数据集的输入或输出,如参考图4所描述的。
图6是根据本公开内容的方面的用于识别制造处理的异常情况的方法600的流程图。为了简化说明,将方法600描绘和描述为一系列动作。然而,根据本公开内容的动作可以与在本文未呈现和描述的其他动作一起以各种顺序和/或同时发生。此外,根据所公开的技术主题,并非需要执行所有示出的动作来实现方法600。另外,本领域的技术人员将理解并认识到,方法600可替代地经由状态图或事件被表示为一系列相互关联的状态。
参考图6,在方块601,处理逻辑接收在制造处理中对当前样本进行的操作的当前计量数据。计量数据可以包括在当前样本上的一个或多个位置的每一个位置处的参数值。当前计量数据可以从计量系统(例如,图1的计量系统110)、制造执行系统(图1的制造系统102)或SPC系统(例如,图1的SPC系统116)接收。计量数据可以与制造处理(例如,图2的制造处理200)的机器操作(例如,图1的机器操作104)和/或处理实施方案(例如,图1的处理实施方式106)相关联。
在方块602,处理逻辑获得一个或多个位置的每一个位置处的参数的参数值的参考变化率。在一些具体实施方式中,参数值的参考变化率是使用来自在制造处理中对一个或多个先前样本进行的操作的历史计量数据的参数值的一个或多个历史变化率来确定的。替代地或附加地,参考变化率可以通过本文公开的任何公开具体实施方式获得(例如,参考图1和图3描述的那样计算参数值的参考变化率)。在一些具体实施方式中,参考变化率由SPC系统(例如,图1的SPC系统116)或变化率工具(例如,图1的变化率工具135)计算。
在方块603,处理逻辑确定一个或多个位置的每一个位置处的参数值的当前变化率。参数值的当前变化率可与当前样本相关联。确定与当前样本相关联的参数值的当前变化率可以包括本文公开的任何或所有公开的统计和数据处理技术(例如,结合图3公开的统计和数据处理技术)。
在方块604,处理逻辑比较一个或多个位置的每一个位置处的参数值的当前变化率。在一些具体实施方式中,处理逻辑可以进一步识别一个或多个违规位置,每个违规位置所具有的参数值的相关当前变化率大于该参数值的相关参考变化率。识别违规测量可以包括本文公开的任何或所有公开的统计和数据处理技术(例如,参照图3公开的统计和数据处理技术)。
在方块605,处理逻辑基于参数值的当前变化率和参数值的参考变化率的比较来识别制造处理的异常情况。在一些具体实施方式中,处理可以进一步检索制造处理的一个或多个处理依赖性并且基于一个或多个处理依赖性来识别制造处理的异常情况。异常情况可能包括有缺陷的机器、工具或设备,或执行不当的处理操作。识别异常情况可能包括识别异常的来源(例如,机器、工具、设备、处理等)或异常的影响(例如,损坏的样本、对其他机器的潜在损坏、可能不满足规范要求的参数)。
在方块606,可选地,处理逻辑改变与异常情况相关联的机器的操作或处理的实施方案中的至少一个。改变机器的操作或处理的实施方案可涉及关闭机器、暂停处理或指示错误并等待使用者输入以在恢复操作之前停止或调整操作模式。
在一些具体实施方式中,处理逻辑可以提供图形使用者界面(GUI),图形使用者界面呈现与异常情况相关联的机器或处理的视觉指示器。例如,测量违规工具(例如,图1的测量违规工具132)可以识别异常情况(例如,有缺陷的机器、工具、处理实施方式)并准备在客户端装置(例如,图1的客户端装置128)上呈现异常情况的视觉指示器。使用者(例如,工程师或制造系统操作员)可以使用指示器来指导补救措施以纠正异常。
在一些具体实施方式中,处理逻辑可以进一步识别一个或多个违规位置,每个违规位置所具有的参数值的相关当前变化率大于该参数值的相关参考变化率。在另一具体实施方式中,处理逻辑可进一步确定与一个或多个违规位置相关联的样本模式并基于样本模式识别异常情况。
图7图示了能够识别制造处理的异常情况的示例计算装置700的方块图。在各种说明性示例中,计算装置700的各种组件可以表示图1所示的制造执行系统102、计量系统110、SPC系统116、数据储存器122、客户端设备128、设备工程系统130和网络140的各种组件。
示例计算装置700可以连接到LAN、内联网、外联网和/或互联网络中的其他计算机装置。计算装置700可以在客户端-服务器网络环境中以服务器的身份运行。计算装置700可以是个人计算机(PC)、机顶盒(STB)、服务器、网络路由器、交换机或桥接器,或者能够执行该装置指定动作的一组指令(循序地或以其他方式)的任何装置。此外,虽然示出了单个示例计算装置,但是用词“计算机”还应当被视为包括单独地或联合地执行一组(或多组)指令以执行本文描述的任何一种或多种方法的任何机器的集合。
示例计算装置700可包括处理装置702(也称为处理器或CPU)、主存储器704(例如只读存储器(ROM)、闪存存储器、动态随机存取存储器(DRAM,诸如同步DRAM(SDRAM)等))、静态存储器706(例如闪存存储器、静态随机存取存储器(SRAM)等)、以及可通过总线730彼此通信的辅助存储器(例如数据储存装置718)。
处理装置702表示一个或多个通用处理装置,诸如微处理器、中央处理单元等。更特定而言,处理装置702可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实施其他指令集的处理器、或实施指令集的组合的处理器。处理装置702还可以是一个或多个特殊用途处理装置,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号系统处理器(DSP)、网络系统处理器等。根据本公开内容的一个或多个方面,处理装置702可以被配置为执行实现图6所示的方法600的指令。
示例计算装置700还可包括网络接口设备708,网络接口设备708可通信地耦合到网络720。示例计算装置700还可以包括视频显示器710(例如,液晶显示器(LCD)、触控屏幕或阴极射线管(CRT))、字母数字输入装置712(例如,键盘)、游标控制装置714(例如鼠标)和声学信号产生装置716(例如,扬声器)。
数据储存器装置718可以包括机器可读取储存介质(或更具体地,非暂态性机器可读取储存介质)728,其上储存有一组或多组可执行指令722。根据本公开内容的一个或多个方面,可执行指令722可以包括与执行图6所示的方法600相关联的可执行指令。
可执行指令722在由示例计算装置700的执行期间还可以完全或至少部分地驻留在主存储器704内和/或处理装置702内,因此主存储器704和处理装置702也构成计算机可读取储存介质。可执行指令722还可以通过网络接口设备708在网络上传输或接收。
虽然图7示出计算机可读取储存介质728被在示例性示例中示为单一介质,但用词“计算机可读取储存介质”应被视为包含储存一个或多个可执行指令组的单一介质或多个介质(例如集中式或分散式数据库,和/或相关联的高速缓存与服务器)。用词“计算机可读取储存介质”也应被视为包含能够储存或编码用于由机器执行并使机器执行本文描述的方法的任一者或多者的指令集的任何介质。因此,用词“计算机可读取储存介质”应被视为包括但不限于固态存储器、以及光学和磁性介质。
以上详细描述的一些部分是根据对计算机存储器内的数据位的操作的算法和符号表示来呈现的。这些算法描述和表示是数据处理领域的技术人员用来最有效地将其工作的实质传送给本领域其他技术人员的手段。这里的算法(且一般而言)被认为是产生期望结果的的自洽步骤序列。这些步骤是需要对物理量进行物理操作的步骤。通常而言(但非必然),这些量采用可被储存、传输、组合、比较、及以其他方式操纵的电性或磁性信号的形式。有时,主要是出于普遍使用的原因,已被证明将这些信号称为位、值、元素、符号、字符、术语、数字等等是方便的。
但是,应该记住,所有这些和类似的术语都应该与适当的物理量相关联,并且仅仅是应用于这些量的便利标签。除非另有明确说明,否则从以下讨论中将显而易见的事,在说明书全文中,利用诸如“识别”、“确定”、“储存”、“调整”、“导致”、“返回”、“比较”、“产生”、“停止”、“载入”、“复制”、“丢弃”、“替换”、“执行:等等的术语的讨论是指计算机系统或类似的电子计算装置的动作和程序,其将在计算机系统的寄存器和存储器内的表示为物理(电子)量的数据,操纵和变换成在计算机系统存储器内或暂存器或其他此类信息储存、传输或显示设备内类似地表示为物理量的其他数据。
本公开内容的示例还涉及用于执行本文描述的方法的设备。此设备可以为所需目的而专门构造,或者它可以是由储存在计算机系统中的计算机程序选择性地编程的通用计算机系统。这样的计算机程序可以储存在计算机可读取介质中,例如但不限于任何类型的盘片,包括光盘、光碟只读存储器(CD-ROM)和磁光盘,只读存储器(ROM)、随机存取存储器(RAM)、可抹除可编程只读存储器(EPROM)、电性可抹除可编程只读存储器(EEPROM)、磁盘储存介质、光储存介质、闪存储存介质、其他类型的机器可存取的储存介质,或任何类型的适合储存电子指令的介质,其各自都连接到计算机系统总线。
本文呈现的方法和显示本质上不与任何特定的计算机或其他设备相关。各种通用系统可以与根据本文的教导的程序一起使用,或者可以证明构造更专业的装置来执行所需的方法步骤是方便的。各种这些系统所需的结构将如下面的描述中所述。此外,本公开内容的范围不限于任何特定的程序语言。应当理解,可以使用多种程序语言来实现本公开内容的教导内容。
应了解到,以上描述旨在使说明性的而并非限制性的。在阅读和理解以上描述后,许多其他实施示例对于本领域技术人员将是显而易见的。尽管本公开内容描述了具体示例,但将认识到本公开内容的系统和方法不限于本文描述的示例,而是可以在所附权利要求书的范围内进行修改来实施。因此,说明书和附图应被视为说明性意义而非限制性意义。因此,公开内容范围应参考随附权利要求书以及这些权利要求所享有的等同物的完整范围来确定。
Claims (20)
1.一种方法,包含以下步骤:
通过至少一个处理装置接收用于在制造处理中对当前样本进行的操作的当前计量数据,所述计量数据包括所述当前样本上的一个或多个位置的每一个位置处的参数的当前值;
通过所述至少一个处理装置获得所述一个或多个位置的每一个位置处的所述参数的参数值的参考变化率;
通过所述至少一个处理装置确定所述一个或多个位置的每一个位置处的所述参数值的当前变化率,所述参数值的所述当前变化率与所述当前样本相关联;
通过所述至少一个处理装置将所述一个或多个位置的每一个位置处的所述参数值的所述当前变化率与所述一个或多个位置的每一个位置处的所述参数值的所述参考变化率进行比较;和
通过所述至少一个处理装置基于所述参数值的所述当前变化率和所述参数值的所述参考变化率的比较来识别所述制造处理的异常情况。
2.根据权利要求1所述的方法,所述方法进一步包含以下步骤:
通过所述至少一个处理装置改变与所述异常情况相关联的机器的操作或处理的实施方案中的至少一者。
3.根据权利要求1所述的方法,其中所述参数值的所述参考变化率是使用来自在所述制造处理中对一个或多个先前样本进行的所述操作的历史计量数据的所述参数值的一个或多个历史变化率来确定的。
4.根据权利要求3所述的方法,其中所述参数值的所述参考变化率是通过对所述参数值的所述一个或多个历史变化率执行差异分析(ANOVA)来确定的。
5.根据权利要求1所述的方法,所述方法进一步包含以下步骤:
通过所述处理装置识别一个或多个违规位置,每个违规位置所具有的所述参数值的相关当前变化率大于所述参数值的相关参考变化率。
6.根据权利要求5所述的方法,所述方法进一步包含以下步骤:
通过所述处理装置确定与所述一个或多个违规位置相关联的样本模式;和
通过所述处理装置基于所述样本模式识别所述异常情况。
7.根据权利要求1所述的方法,所述方法进一步包含以下步骤:
通过所述处理装置检索所述制造处理的一个或多个处理依赖性;和
通过所述处理装置基于所述处理依赖性中的一者或多者来识别所述制造处理的所述异常情况。
8.根据权利要求1所述的方法,所述方法进一步包含以下步骤:
通过所述处理装置提供图形使用者界面(GUI),所述图形使用者界面呈现与所述异常情况相关联的机器或处理的视觉指示器。
9.一种系统,包含:
存储器;以及
至少一个处理装置,所述至少一个处理装置通信耦合到所述存储器,以用于:
接收在制造处理中对当前样本进行的操作的当前计量数据,所述计量数据包括所述当前样本上的一个或多个位置的每一个位置处的参数的当前值;
获得所述一个或多个位置的每一个位置处的所述参数的参数值的参考变化率;
确定所述一个或多个位置的每一个位置处的所述参数值的当前变化率,所述参数值的所述当前变化率与所述当前样本相关联;
将所述一个或多个位置的每一个位置处的所述参数值的所述当前变化率与所述一个或多个位置的每一个位置处的所述参数值的所述参考变化率进行比较;和
基于所述参数值的所述当前变化率和所述参数值的所述参考变化率的比较来识别所述制造处理的异常情况。
10.根据权利要求9所述的系统,其中所述处理装置进一步用于:
改变与所述异常情况相关联的机器的操作或处理的实施方案中的至少一者。
11.根据权利要求9所述的系统,其中所述参数值的所述参考变化率是使用来自在所述制造处理中对一个或多个先前样本进行的所述操作的先前计量数据的所述参数值的一个或多个先前变化率来确定的。
12.根据权利要求11所述的系统,其中所述参数值的所述参考变化率是通过对所述参数值的所述一个或多个先前变化率执行差异分析(ANOVA)来确定的。
13.根据权利要求9所述的系统,其中所述处理装置进一步用于:
识别一个或多个违规位置,每个违规位置所具有的所述参数值的相关当前变化率大于所述参数值的相关参考变化率。
14.根据权利要求13所述的系统,其中所述处理装置进一步用于:
确定与所述一个或多个违规位置相关联的样本模式;和
基于所述样本模式识别所述异常情况。
15.根据权利要求9所述的系统,其中所述处理装置进一步用于:
检索所述制造处理的一个或多个处理依赖性;和
基于所述处理依赖性中的一者或多者来识别所述制造处理的所述异常情况。
16.根据权利要求9所述的系统,其中所述处理装置进一步用于:
提供与所述异常情况相关联的机器的操作或处理的实施方案,以在图形使用者界面(GUI)上呈现。
17.一种非暂态性机器可读取储存介质,包括指令,当由至少一个处理装置执行所述指令时,使所述至少一个处理装置:
接收在制造处理中对当前样本进行的操作的当前计量数据,所述计量数据包括所述当前样本上的一个或多个位置的每一个位置处的参数的当前值;
获得所述一个或多个位置的每一个位置处的所述参数的参数值的参考变化率;
确定所述一个或多个位置的每一个位置处的所述参数值的当前变化率,所述参数值的所述当前变化率与所述当前样本相关联;
将所述一个或多个位置的每一个位置处的所述参数值的所述当前变化率与所述一个或多个位置的每一个位置处的所述参数值的所述参考变化率进行比较;和
基于所述参数值的所述当前变化率和所述参数值的所述参考变化率的比较来识别所述制造处理的异常情况。
18.根据权利要求17所述的非暂态性机器可读取储存介质,其中所述处理装置进一步:
识别一个或多个违规位置,每个违规位置所具有的所述参数值的相关当前变化率大于所述参数值的相关参考变化率。
19.根据权利要求18所述的非暂态性机器可读取储存介质,其中所述处理装置进一步:
确定与所述一个或多个违规位置相关联的样本模式;和
基于所述样本模式识别所述异常情况。
20.根据权利要求17所述的非暂态性机器可读取储存介质,其中所述处理装置进一步:
检索所述制造处理的一个或多个处理依赖性;和
基于所述处理依赖性中的一者或多者以及所述参数值的所述当前变化率与所述参数值的所述参考变化率的所述比较,来识别所述制造处理的所述异常情况。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/163,101 | 2021-01-29 | ||
US17/163,101 US11487848B2 (en) | 2021-01-29 | 2021-01-29 | Process abnormality identification using measurement violation analysis |
PCT/US2022/012595 WO2022164662A1 (en) | 2021-01-29 | 2022-01-14 | Process abnormality identification using measurement violation analysis |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116802579A true CN116802579A (zh) | 2023-09-22 |
Family
ID=82612871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280011512.0A Pending CN116802579A (zh) | 2021-01-29 | 2022-01-14 | 使用测量违规分析的处理异常识别 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11487848B2 (zh) |
EP (1) | EP4285196A1 (zh) |
JP (1) | JP2024507688A (zh) |
KR (1) | KR20230135131A (zh) |
CN (1) | CN116802579A (zh) |
TW (1) | TW202303325A (zh) |
WO (1) | WO2022164662A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220334569A1 (en) * | 2021-04-14 | 2022-10-20 | Applied Materials, Inc. | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6891610B2 (en) | 2000-09-20 | 2005-05-10 | Kla-Tencor Technologies Corp. | Methods and systems for determining an implant characteristic and a presence of defects on a specimen |
US7099729B2 (en) | 2004-02-20 | 2006-08-29 | Powerchip Semiconductor Corp. | Semiconductor process and yield analysis integrated real-time management method |
US7062397B1 (en) | 2004-12-23 | 2006-06-13 | Agilent Technologies, Inc. | Recursive calibration |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
JP2014213429A (ja) * | 2013-04-26 | 2014-11-17 | 京セラ株式会社 | マルチワイヤソー装置を用いた切断工程管理方法 |
KR102507304B1 (ko) | 2017-10-30 | 2023-03-07 | 삼성전자주식회사 | 결함 검사 방법 및 이를 이용한 반도체 소자의 제조 방법 |
DE102018107233A1 (de) * | 2018-03-27 | 2019-10-02 | Kraussmaffei Technologies Gmbh | Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark |
-
2021
- 2021-01-29 US US17/163,101 patent/US11487848B2/en active Active
-
2022
- 2022-01-11 TW TW111101080A patent/TW202303325A/zh unknown
- 2022-01-14 JP JP2023545836A patent/JP2024507688A/ja active Pending
- 2022-01-14 CN CN202280011512.0A patent/CN116802579A/zh active Pending
- 2022-01-14 EP EP22746396.5A patent/EP4285196A1/en active Pending
- 2022-01-14 WO PCT/US2022/012595 patent/WO2022164662A1/en active Application Filing
- 2022-01-14 KR KR1020237028747A patent/KR20230135131A/ko unknown
- 2022-10-31 US US17/978,075 patent/US20230052392A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20230135131A (ko) | 2023-09-22 |
US11487848B2 (en) | 2022-11-01 |
EP4285196A1 (en) | 2023-12-06 |
WO2022164662A1 (en) | 2022-08-04 |
US20230052392A1 (en) | 2023-02-16 |
US20220246454A1 (en) | 2022-08-04 |
JP2024507688A (ja) | 2024-02-21 |
TW202303325A (zh) | 2023-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610076B2 (en) | Automatic and adaptive fault detection and classification limits | |
US10409231B2 (en) | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology | |
TWI818153B (zh) | 用於感測器計量資料整合的方法、系統與電腦可讀取媒體 | |
TWI649650B (zh) | 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統 | |
TWI672565B (zh) | 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統 | |
JP4601492B2 (ja) | 生産工程の品質予測システムおよびその方法 | |
KR101018545B1 (ko) | 적응형 다변수 결함 검출 | |
US8185230B2 (en) | Method and apparatus for predicting device electrical parameters during fabrication | |
TWI616736B (zh) | 使用空間歪曲類似性進行工具失效分析的系統、方法、及電腦可讀媒介 | |
JP2022519348A (ja) | 半導体製造装置ツールにおけるニューラルネットワークを用いたチャンバ整合化 | |
KR20230104540A (ko) | 반도체 제작 장비를 위한 예측 유지 보수 | |
US20230052392A1 (en) | Process abnormality identification using measurement violation analysis | |
TW202340884A (zh) | 預防保養後的腔室條件監控及模擬 | |
TW202343177A (zh) | 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法 | |
TW202346959A (zh) | 用於製造設備的診斷工具與工具之匹配和比較下鑽分析方法 | |
KR20240052016A (ko) | 반도체 제조 장비의 적응형 문제 해결을 위한 시스템들 및 방법들 | |
US11749543B2 (en) | Chamber matching and calibration | |
US20230280736A1 (en) | Comprehensive analysis module for determining processing equipment performance | |
US20230306281A1 (en) | Machine learning model generation and updating for manufacturing equipment | |
US20230222394A1 (en) | Predictive modeling for chamber condition monitoring | |
US11586984B2 (en) | Method for verifying the production process of field devices by means of a machine-learning system or of a prognosis system | |
TW202226009A (zh) | 用於決定晶圓路徑品質的順序方法 | |
TW202343176A (zh) | 用於製造設備的診斷工具與工具之匹配方法 |
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 |