DE19948569C2

DE19948569C2 - Process and arrangement for computer-aided determination and selection of significant measured variables

Info

Publication number: DE19948569C2
Application number: DE1999148569
Authority: DE
Inventors: Armin Schels; Thomas Fischer
Original assignee: Infineon Technologies AG
Current assignee: Infineon Technologies AG
Priority date: 1999-10-08
Filing date: 1999-10-08
Publication date: 2001-09-13
Anticipated expiration: 2019-10-09
Also published as: DE19948569A1

Description

Die vorliegende Erfindung betrifft ein Verfahren und eine An ordnung zur rechnergestützten Ermittlung und Auswahl signifi kanter Meßgrößen einer Halbleiterfertigungsmaschine.The present invention relates to a method and an regulations for computer-aided determination and selection signifi edge measurement of a semiconductor manufacturing machine.

Integrierte Schaltungen werden mit Halbleiterfertigungsma schinen hergestellt und bearbeitet. Mit jeder neuen Halblei tergeneration werden auch neue Generationen von Halbleiter fertigungsmaschinen entwickelt und vertrieben, die das Spekt rum an möglichen Bearbeitungsschritten erweitern. Die Halb leiterfertigungsmaschinenhersteller integrieren in ihre neuen Halbleiterfertigungsmaschinen Vorrichtungen, mit denen eine große Anzahl von Meßgrößen während der Prozessierung gemessen werden kann.Integrated circuits are manufactured using semiconductor manufacturing machined and machined. With every new half lead The next generation will also be new generations of semiconductors manufacturing machines developed and sold that the specter expand on possible processing steps. The half manufacturers of ladder manufacturing machines integrate into their new Semiconductor manufacturing machines Devices with which one large number of measured variables measured during processing can be.

Neue Halbleiterfertigungsmaschinen sind jedoch in ihrem Ver halten zunächst unbekannt und es treten daher eine Vielzahl von unerwünschten Fehlern während der Prozessierung auf.However, new semiconductor manufacturing machines are in their ver initially remain unknown and there are therefore a large number of unwanted errors during processing.

Herkömmlich wurden die Fehler "händisch" mit hohem Personal-, Entwicklungs- und Meßaufwand verringert. Dabei wurde zum Bei spiel der visuelle Vergleich von Meßkurven verwendet, um feh lerhafte Prozessierungen zu erkennen. Da diese Vorgehensweise teuer und umständlich ist und lange dauert, verzögert sich die Produktion von Halbleiterbauelementen. Zusätzlich ist die Ausfallrate der Halbleiterbauelemente in der Produktions startphase hoch, so daß die Ausbeute gering ist. Traditionally, the errors were "manual" with high personnel, Development and measurement effort reduced. It became part of game the visual comparison of measurement curves used to feh to recognize learning processes. Because this procedure is expensive and cumbersome and takes a long time, is delayed the production of semiconductor devices. In addition, the Failure rate of semiconductor components in production start phase high, so that the yield is low.

Aus der Druckschrift DE 197 55 133 A1 ist ein Verfahren zur Überwachung und/oder Steuerung von Bearbeitungsanlagen be kannt, bei dem eine Analyse von Daten automatisch erfolgt. Eine Zeit- und kostenintensive manuelle Überwachung von Bear beitungsanlagen kann somit vermieden werden.From the document DE 197 55 133 A1 a method for Monitoring and / or control of processing plants knows, in which an analysis of data takes place automatically. A time and cost intensive manual monitoring from Bear processing systems can thus be avoided.

Ferner ist aus der Druckschrift DE 43 08 246 A1 ein Verfahren sowie eine Vorrichtung zur Steigerung der Wirtschaftlichkeit von Bearbeitungsmaschinen bekannt, bei dem eine Werkstück- Bearbeitung und Qualitätsprüfung kontinuierlich und ohne Zeitverzug erfolgen.Furthermore, a method is known from the publication DE 43 08 246 A1 and a device for increasing the economy known from processing machines in which a workpiece Processing and quality control continuously and without Delay occurs.

Demgegenüber ist es die Aufgabe der vorliegenden Erfindung, ein Verfahren und eine Anordnung bereitzustellen, mittels de rer aus einer Reihe von Meßgrößen diejenigen Meßgrößen ermit telt und ausgewählt werden, mit denen Fehler in einer Halb leiterfertigungsmaschine möglichst gut erkannt und vermieden werden kön nen.In contrast, it is the object of the present invention to provide a method and an arrangement by means of de from a series of measured variables tted and selected with which errors in a half ladder manufacturing machine can be recognized and avoided as well as possible nen.

Erfindungsgemäß wird diese Aufgabe durch die Merkmale des in Anspruch 1 angegebenen Verfahrens gelöst. Dabei wird ein Ver fahren zur rechnergestützten Ermittlung und Auswahl von Meß größen einer Halbleiterfertigungsmaschine, anhand des Bedeu tungsgrades der Meßgrößen, mit den folgenden Verfahrens schritten verwendet:
According to the invention, this object is achieved by the features of the method specified in claim 1. A method for the computer-aided determination and selection of measured variables of a semiconductor manufacturing machine, based on the importance of the measured variables, is used with the following method steps:

- A semiconductor manufacturing machine is being carried out a semiconductor manufacturing process provided;
- For a plurality of measured quantities in semiconductor manufacturing Different measurement data are determined on the machine;
- Based on the determined measurement data, at least egg assigned a priority to a measured variable, which the importance of the measurand for semiconductor manufacturing process indicates;
- The measured variables with the highest priorities are identified fected and selected.

Weiterhin wird die gestellte Aufgabe durch die in Anspruch 8 angegebene Anordnung gelöst, die zur Durchführung des Verfah rens eine programmgesteuerte Einheit vorsieht.Furthermore, the object is achieved by the in claim 8 specified arrangement solved to carry out the procedure rens provides a program-controlled unit.

Bevorzugte Weiterbildungen sind Gegenstand der jeweiligen Un teransprüche.Preferred further developments are the subject of the respective Un claims.

Es wird ein Verfahren zur Ermittlung einer Auswahl signifi kanter Meßgrößen aus einer Menge eine Halbleiterfertigungsma schine beschreibender Meßgrößen angegeben. Bei dem erfin dungsgemäßen Verfahren sind Trainingsdaten vorgesehen, anhand derer die Signifikanz der Meßgrößen ermittelt wird. Die Si gnifikanz der Meßgrößen wird mit einer Priorität quantifi ziert, wobei die Priorität eine Kennzahl sein kann, die ein Klassifikationsmaß darstellt. A method for determining a selection signifi cant measurands from a quantity a semiconductor manufacturing measure apparently descriptive measured variables specified. With the inventor According to the method, training data are provided on the basis of which is used to determine the significance of the measured variables. The Si The significance of the measured variables is quantified with a priority adorned, where the priority can be a key figure, the one Classification measure represents.

Die der vorliegenden Erfindung zugrundeliegende Idee besteht in der Erkennung und Auswahl von Meßgrößen, anhand derer sich eine Aussage über die fehlerfreie oder fehlerhafte Prozessie rung in der Halbleiterfertigungsmaschine treffen läßt. Diese Meßgrößen können damit zur Regelung der Halbleiterfertigungs maschine und damit zur Vermeidung von Fehlern verwendet wer den.The idea on which the present invention is based exists in the recognition and selection of measured variables on the basis of which a statement about the faultless or faulty process tion in the semiconductor manufacturing machine. This Measured variables can thus be used to control semiconductor manufacturing machine and thus used to avoid errors the.

In einer vorteilhaften Ausbildung des erfindungsgemäßen Ver fahrens wird zur Erzeugung der Priorität ein neuronales Netz verwendet. Neuronale Netze zeichnen sich unter anderem durch ihre Trainierbarkeit aus. Dabei werden dem neuronalen Netz Eingangsdaten präsentiert, die das neuronale Netz in einer Trainingsphase zu klassifizieren lernt. Mit dem Back- Propagation-Algorithmus wird das neuronale Netz trainiert, wobei sich die synaptischen Gewichte w_i so einstellen, daß das neuronale Netz lernt, die fehlerfreien Prozessierungen von den Fehlprozessierungen zu unterschieden. Neuronale Netze und Lernverfahren wie Back-Propagation sind zum Beispiel in: Andras Zell, "Simulation neuronaler Netze", Addison-Wesley, 1997, beschrieben. Anschließend ist das trainierte neuronale Netz in der Lage, weitere Eingangsdaten gemäß der trainierten und erlernten Eingangsdaten zu klassifizieren.In an advantageous embodiment of the method according to the invention, a neural network is used to generate the priority. Neural networks are characterized, among other things, by their trainability. The neural network is presented with input data that the neural network learns to classify in a training phase. The neural network is trained with the back propagation algorithm, the synaptic weights w _{i being set} such that the neural network learns to distinguish the error-free processing from the incorrect processing. Neural networks and learning methods such as back propagation are described, for example, in: Andras Zell, "Simulation of Neural Networks", Addison-Wesley, 1997. The trained neural network is then able to classify further input data according to the trained and learned input data.

In einer vorteilhaften Ausbildung des erfindungsgemäßen Ver fahrens wird rechnergestützt die Bedeutung von Meßgrößen der Halbleiterfertigungsmaschine ermittelt. Dabei werden während der Prozessierung in der Halbleiterfertigungsmaschine eine Reihe von Meßgrößen gemessen. Weiterhin werden aus den gemes senen Meßgrößen Trainingsdaten gebildet, indem die Meßdaten mit geeigneten Halbleiteranalyseverfahren in fehlerfreie und fehlerhafte Prozessierungen eingeteilt werden. Bei den Halb leiteranalyseverfahren kann es sich zum Beispiel um Raster- Elektronen-Mikroskop (REM) Aufnahmen, Transmissions- Elektronen-Mikrodskop (TEM) Aufnahmen, SIMS-Profile (Seconda ry Ion Mass Spectroscopy) und eine Reihe weiterer Methoden handeln, die zwar eine genaue Aussage über die Prozessierung erlauben, aber im Allgemeinen zeitaufwendig sind und den pro zessierten Wafer zerstören, so daß eine weitere Prozessierung unmöglich ist.In an advantageous embodiment of the Ver driving is computer-aided the importance of measurands of the Semiconductor manufacturing machine determined. Doing so during processing in the semiconductor manufacturing machine Series of measured variables measured. Furthermore, the measured Its measured variables are formed by the measurement data with suitable semiconductor analysis methods in error-free and faulty processing can be classified. With the half conductor analysis methods can, for example, be raster Electron microscope (SEM) images, transmission Electron microscope (TEM) recordings, SIMS profiles (Seconda ry Ion Mass Spectroscopy) and a number of other methods act, although a precise statement about the processing allow, but are generally time consuming and the pro destroy the cessed wafer so that further processing is impossible.

Abhängig von den Trainingsdaten werden die einzelnen Meßgrö ßen mit einer Priorität versehen, welche die Bedeutung der Meßgröße für die Prozessierung in der Halbleiterfertigungsma schine angibt.Depending on the training data, the individual measurands have a priority that defines the meaning of the Measured variable for processing in semiconductor manufacturing machine indicates.

Durch die Klassifizierung der Meßgrößen mit einer Kennzahl ist es möglich, jene Meßgrößen, mit der höchsten Bedeutung für die Prozessierung auszuwählen. Anhand der ausgewählten Meßgrößen können Fehler erkannt und einer Fehlprozessierung durch eine Regelung entgegengewirkt werden.By classifying the measured variables with a key figure it is possible to measure those with the greatest importance to select for processing. Based on the selected Measured variables can detect errors and incorrect processing be counteracted by a regulation.

Durch die Auswahl der Meßgrößen mit dem höchsten Bedeutungs grad für die Prozessierung, verwendet die Regelung jene Meß größen, die eine Fehlprozessierung am deutlichsten anzeigen. Auch eine Steuerung kann anhand der ausgewählten Meßgrößen so eingestellt werden, daß Fehlprozessierungen vermieden werden.By selecting the measurands with the greatest importance degree for processing, the control uses that measuring sizes that most clearly indicate incorrect processing. A control can also do so based on the selected measured variables be set so that incorrect processing is avoided.

In einer vorteilhaften Ausführung des erfindungsgemäßen Ver fahrens wird die Priorität mit einer gewichteten Summe gebil det, die einen ersten Summanden, der die synaptischen Gewich te des neuronalen Netzes repräsentiert und einem zweiten Sum manden, der den Lernfehler des neuronalen Netzes repräsen tiert, verwendet. Dabei wird der erste Summand mit einer er sten Zahl a und der zweite Summand mit einer zweiten Zahl b gewichtet.In an advantageous embodiment of the Ver priority is given a weighted sum det, the first summand, the synaptic weight represents the neural network and a second sum someone who represents the learning error of the neural network animals, used. The first summand with a he most number a and the second summand with a second number b weighted.

In einer weiteren vorteilhaften Ausprägung des erfindungsge mäßen Verfahrens wird der zeitliche Verlauf mindestens einer der Meßgröße in Zeitabschnitte unterteilt. Jeder Zeitab schnitt wird hinsichtlich seiner Signifikanz für die Beurtei lung einer fehlerfreien oder fehlerhaften Prozessierung mit weiteren Prioritäten versehen. Mit diesen weiteren Prioritä ten kann der Zeitliche Verlauf einer Meßgröße in aussagekräftige und weniger aussagekräftige Zeitabschnitte unterteilt werden. Mit Hilfe der Aussagekräftigsten Zeitabschnitte kann deutlicher zwischen fehlerfreien und fehlerhaften Prozessie rungen in der Halbleiterfertigungsmaschine unterschieden wer den.In a further advantageous embodiment of the inventive According to the method, the time course becomes at least one divided the measured variable into time segments. Every time is cut in terms of its significance for the appraisal development of faultless or faulty processing other priorities. With these other priorities The time course of a measured variable can be meaningful and less meaningful periods become. With the help of the most informative periods of time clearer between flawless and faulty process in the semiconductor manufacturing machine the.

Eine Weiterbildung des erfindungsgemäßen Verfahrens besteht in der Berechnung der Priorität als eine Kennzahl, die als gewichtete Summe gebildet wird. Dabei wird der erste Summand
A further development of the method according to the invention consists in calculating the priority as a key figure which is formed as a weighted sum. The first summand

der Summe, der die synaptischen Gewichte des neurona len Netzes repräsentiert, mit einer ersten Zahl a gewichtet und der zweite Summand
the sum, which represents the synaptic weights of the neural network, weighted with a first number a and the second summand

der den Lernfehler des neuronalen Netzes beschreibt, wird mit ei ner zweiten Zahl b gewichtet.the describes the learning error of the neural network with ei ner second number b weighted.

Dabei ist m die Anzahl der Neuronen, w_i das i-te synaptische Gewicht, welches einen Wert aus dem Intervall [-1, 1] annehmen kann, t die Anzahl aller Trainigsmuster, Ist-Ausgabe der vom neuronalen Netz erzeugte Ausgabewert und Soll-Ausgabe der zu dem Trainigsmuster gehörende Ausgabewert. Sowohl die Ist- Ausgabe als auch die Soll-Ausgabe sind auf das Intervall [0, 1] normiert. Die Zahlen a und b können Werte aus dem In tervall [0, 1] annehmen. Die Intervalle beziehen sich stets auf die Reellen Zahlen.M is the number of neurons, w _{i is} the i-th synaptic weight, which can take a value from the interval [-1, 1], t is the number of all training patterns, actual output is the output value generated by the neural network and target Output the output value belonging to the training pattern. Both the actual output and the target output are standardized to the interval [0, 1]. The numbers a and b can take values from the interval [0, 1]. The intervals always refer to the real numbers.

Diese Vorgehensweise hat den Vorteil, daß zum einen die durch den Lernalgorithmus im neuronalen Netz berechneten synapti schen Gewichte w_i, welche die signifikanten Eigenschaften der Testdaten gelernt haben, und zum anderen auch die Güte, mit der das Training der Testdaten abgeschlossen werden konnte, berücksichtigt werden. Dies bedeutet, daß eine große Kennzahl erzeugt wird, wenn die Testdaten signifikant sind und somit die synaptischen Gewichte vom Betrage her groß sind. Die Kennzahl wird zum Beispiel nach Gleichung 100:
This procedure has the advantage that, on the one hand, the synaptic weights w _i calculated by the learning algorithm in the neural network, which have learned the significant properties of the test data, and on the other hand also the quality with which the training of the test data could be completed are taken into account become. This means that a large indicator is generated if the test data is significant and the synaptic weights are therefore large in amount. The key figure is, for example, according to equation 100:

berechnet. Zusätzlich ist die Kennzahl groß, wenn der Fehler
calculated. In addition, the key figure is large if the error

der aus der Lerngüte der Test daten resultiert, klein ist. Dies bedeutet, daß für den ge samten Testdatensatz, der zum Lernen der Klassifikationsmerk male herangezogen wurde, die Fehler berechnet und aufsummiert werden. Bei einem großen Fehler ist die Klassifikationsfähgi keit des neuronalen Netzes gering, so daß eine kleine Kenn zahl erzeugt wird.the from the learning goodness of the test data results, is small. This means that for the ge entire test data set, which is used to learn the classification feature was used, the errors calculated and added up become. In the event of a major error, the classification ability is speed of the neural network low, so that a small characteristic number is generated.

In einer vorteilhaften Anordnung zur Lösung der Aufgabe ist ein neuronales Netz vorgesehen.In an advantageous arrangement for solving the problem a neural network is provided.

Eine weitere vorteilhafte Anordnung sieht ein System beste hend aus einer Halbleiterfertigungsmaschine und einer pro grammgesteuerten Einheit vor.Another advantageous arrangement sees a system best hend from a semiconductor manufacturing machine and a pro program controlled unit.

Eine programmgesteuerte Einheit weist zum Beispiel einen Pro zessor auf, der zur Messung bestimmter Meßgrößen, während der Prozessierung in der Halbleiterfertigungsmaschine, eingerich tet ist. Zusätzlich ist der Prozessor zur Bildung von Trai ningsdaten aus den gemessenen Meßwerten eingerichtet. Weiter hin ist der Prozessor zur Berechnung einer Kennzahl für jede Meßgröße, in Abhängigkeit von den Trainingsdaten eingerich tet, wobei die Kennzahl den Bedeutungsgrad des jeweiligen Meßwertes für die Prozessierung in der Halbleiterfertigungs maschine angibt. Darüber hinaus ist der Prozessor zur Identi fizierung der Meßgrößen mit den höchsten Bedeutungsgraden, anhand der Größe ihrer zugeordneten Kennzahl eingerichtet. Weiterhin ist der Prozessor zur Erkennung von Prozessierungs fehlern anhand der Meßgrößen mit den höchsten Bedeutungsgra den eingerichtet. Darüber hinaus ist der Prozessor zur Steue rung bzw. Regelung der Halbleiterfertigungsmaschine anhand der Meßgrößen mit den höchsten Bedeutungsgraden eingerichtet. For example, a program-controlled unit has a Pro processor, which is used to measure certain measured quantities during the Processing in the semiconductor manufacturing machine, set up is. In addition, the processor is used to form trai Data from the measured values set up. Next is the processor for calculating a key figure for each Measured variable, set up depending on the training data tet, the key figure the degree of importance of the respective Measured value for processing in semiconductor manufacturing machine indicates. In addition, the processor is the Identi identification of the measurands with the highest degrees of meaning, based on the size of their assigned key figure. The processor is also used to identify processing errors based on the measured variables with the highest significance the set up. In addition, the processor is at control tion or regulation of the semiconductor manufacturing machine based of the measurands with the highest degrees of importance.

In einer weiteren vorteilhaften Ausprägung der erfindungsge mäßen Anordnung ist der Prozessor mit mindestens einem Sensor zur Messung der Meßgrößen und einem Speicher zur Speicherung der Meßgrößen verbunden.In a further advantageous embodiment of the inventive The processor is equipped with at least one sensor for measuring the measured variables and a memory for storage of the measured variables connected.

In einer vorteilhaften Ausprägung der erfindungsgemäßen An ordnung ist der Prozessor zur Einteilung des zeitlichen Ver laufs der Meßgrößen in Abschnitte eingerichtet. Weiterhin ist der Prozessor so eingerichtet, daß die Abschnitte des zeitli chen Verlaufs mit weiteren Kennzahlen versehen werden. Diese weiteren Kennzahlen geben die Bedeutung des jeweiligen Ab schnitts für die Prozessierung in der Halbleiterfertigungsma schine an.In an advantageous embodiment of the invention order is the processor for dividing the temporal ver set up in sections according to the measured variables. Still is the processor set up so that the sections of the temporal Chen course can be provided with further key figures. This further key figures give the meaning of the respective Ab cuts for processing in semiconductor manufacturing seem.

Der Prozessor ist in einer weiteren vorteilhaften Ausprägung der erfindungsgemäßen Anordnung so eingerichtet, daß er zur Ermittlung der Kennzahlen ein auf einem neuronalen Netz ba sierendes Verfahren verwendet.The processor is in a further advantageous embodiment the arrangement according to the invention set up so that it Determination of the key figures on a neural network ba sier procedure used.

Diese Anordnung ist insbesondere geeignet zur Durchführung des erfindungsgemäßen Verfahrens und einer seiner vorstehend erläuterten Weiterbildungen.This arrangement is particularly suitable for implementation of the method according to the invention and one of its above explained further training.

Ausführungsbeispiele der Erfindung werden nachfolgend anhand der Zeichnungen dargestellt und erläutert.Exemplary embodiments of the invention are described below of the drawings shown and explained.

In den Figuren zeigen:The figures show:

Fig. 1 ein Flußdiagramm, das die Schritte eines Verfah rens zur rechnergestützten Ermittlung des Bedeu tungsgrads von Meßgrößen einer Halbleiterferti gungsmaschine darstellt; Fig. 1 is a flow chart illustrating the steps of a procedural proceedings for computer-aided determination of the importance degree processing of measured quantities of a Halbleiterferti supply machine;

Fig. 2 eine Prozessoreinheit; Fig. 2 shows a processing unit;

Fig. 3 den zeitlichen Verlauf einer Meßgröße, der in zeitliche Abschnitte eingeteilt ist, mit den zugeordneten synaptischen Gewichten und den Kenn zahlen, welche die einzelnen Zeitabschnitte cha rakterisieren. Fig. 3 shows the time course of a measured variable, which is divided into time segments, with the assigned synaptic weights and the characteristic numbers that characterize the individual time segments.

Fig. 4 Meßgrößenanalyse für eine LAM-Rainbow; Fig. 4 Meßgrößenanalyse for a LAM Rainbow;

Fig. 4a Beispielanalyse des Meßwerts 020RF_Match_1_Tunning_Position für eine fehler freie und fehlerhafte Prozessierung, FIG. 4a Example analysis of the measured value 020RF_Match_1_Tunning_Position for error-free and erroneous processing,

Fig. 4b Beispielanalyse des Meßwerts 020RF_Match_1_Tunning_Position für eine fehler freie und fehlerhafte Prozessierung, FIG. 4b Example analysis of the measured value 020RF_Match_1_Tunning_Position for error-free and erroneous processing,

Fig. 5 Meßgrößenanalyse für eine Applied Materials AME 8330; Fig. 5 Meßgrößenanalyse an Applied Materials AME 8330;

Fig. 5a Beispielanalyse der Parameters Emission_1 für eine fehlerfreie und fehlerhafte Prozessierung. FIG. 5a example, analysis of the parameter Emission_1 for error-free and erroneous processing.

Neural Networks

Unter einem neuronalen Netz wird hier eine Anordnung von ein zelnen Neuronen verstanden. Die Neuronen bestehen aus einer Reihe von Eingängen, die mit synaptischen Gewichten w_i ge wichtet werden und im Neuron aufsummiert werden. Der Ausgang des Neurons wendet eine Funktion wie zum Beispiel eine Sig moid-Funktion auf die gewichtete Summe der Eingangswerte an. Zum Beispiel kann die Sigmoid-Funktion Werte zwischen Null und Eins erzeugen. Das hier verwendete neuronale Netz besteht zum Beispiel aus einer Eingabeschicht (Input Layer) einer oder mehrerer verborgener Schichten (Hidden Layer) und einer Ausgangsschicht (Output Layer). Die Neuronen einer Schicht sind vollständig mit den Neuronen einer vorgelagerten bezie hungsweise nachfolgenden Schicht verbunden. Das verwendete Neuronenmodell bezeichnet man als lineares Schwellwertgatter (LSG). Es besteht aus den synaptischen Gewichten w_i zur vor gelagerten Schicht, wobei die synaptischen Gewichte w_i sowohl verstärkend (positiv) als auch hemmend (negativ) sein können. Die Ausgabewerte einer vorgelagerten Schicht sind die Einga bewerte für eine nachfolgende Schicht. Als Lernverfahren wird zum Beispiel Back-Propagation verwendet. Dazu werden Trai ningsdaten als Musterpaare aus Eingangswerten und einem Soll ausgabewert gebildet. Dem neuronalen Netz werden die Ein gangsdaten präsentiert und es berechnet eine Ist-Ausgabe. Die Ist-Ausgabe wird mit der Soll-Ausgabe, die zu allen Trai ningsdaten vorgegeben ist, verglichen und der dabei festge stellte Fehler dient dazu, die synaptischen Gewichte w_i in kleinen Schritten anzupassen.A neural network is understood here to mean an arrangement of individual neurons. The neurons consist of a series of inputs connected to the synaptic weights w _i ge are weighted and summed in the neuron. The output of the neuron applies a function such as a sig moid function to the weighted sum of the input values. For example, the sigmoid function can generate values between zero and one. The neural network used here consists, for example, of an input layer of one or more hidden layers and an output layer. The neurons of a layer are completely connected to the neurons of an upstream or downstream layer. The neuron model used is called a linear threshold gate (LSG). It consists of the synaptic weights w _i to the upstream layer, whereby the synaptic weights w _i can be both reinforcing (positive) and inhibiting (negative). The output values of an upstream layer are the input values for a subsequent layer. Back-propagation, for example, is used as a learning method. For this purpose, training data are formed as sample pairs from input values and a target output value. The input data are presented to the neural network and an actual output is calculated. The actual output is compared with the target output, which is specified for all training data, and the error found is used to adjust the synaptic weights w _i in small steps.

Nach der Lernphase mittels Back-Propagation wird die Kennzahl der betrachteten Meßgröße nach Formel 100 berechnet.After the learning phase using back propagation, the key figure becomes of the measured variable under consideration calculated according to Formula 100.

Dabei handelt es sich bei a um die erste Zahl, die den ersten Summanden gewichtet und bei b um die zweite Zahl, die den zweiten Summanden gewichtet.A is the first number, the first Summands weighted and at b by the second number, which is the weighted second summands.

In Fig. 1 ist ein Flußdiagramm dargestellt, das die Schritte eines Verfahrens zur Ermittlung des Bedeutungsgrades von Meß größen einer Halbleiterfertigungsmaschine darstellt.In Fig. 1, a flow chart is shown, which shows the steps of a method for determining the degree of importance of measurement variables of a semiconductor manufacturing machine.

In einem ersten Schritt 1 werden die Zeitverläufe von Meßgrö ßen gemessen und gespeichert. Dazu werden eine Reihe von un terschiedlichen Prozessierungen in der Halbleiterfertigungs maschine durchgeführt.In a first step 1, the time profiles of measured variables measured and saved. To do this, a number of un different processing in semiconductor manufacturing machine performed.

In einem weiteren Schritt 2 werden Trainingsdaten für jede der n Meßgrößen erstellt. Die Trainingsdaten werden zusätz lich in fehlerfreie und fehlerhafte Prozessierungen klassifi ziert. In a further step 2, training data for each of the n measured variables. The training data are additional classified into error-free and faulty processing graces.

In einem Schritt 3 wird eine Schleife gestartet, die einen Schritt 4 und einen Schritt 5 für alle n Meßgrößen durch führt.In a step 3, a loop is started, the one Step 4 and step 5 for all n measured variables leads.

In einem Schritt 4 wird ein neuronales Netz mit den Trai ningsdaten konfrontiert und das neuronale Netz lernt die Klassifizierung der Trainingsdaten mit Hilfe eines Back- Propagation-Algorithmus.In a step 4, a neural network with the trai confronted with the data and the neural network learns the Classification of the training data with the help of a back Propagation algorithm.

In einem Schritt 5 wird eine Kennzahl als gewichtete Summe aus den synaptischen Gewichten und aus dem Lernfehler berech net. Dieses wird zum Beispiel nach der Formel 100 durchge führt.In step 5, a key figure is used as a weighted sum calculated from the synaptic weights and from the learning error net. This is done, for example, according to Formula 100 leads.

Anschließend wird in Schritt 6 geprüft, ob bereits für alle n Meßgrößen die Schleife durchlaufen wurde. Ist dies nicht der Fall, so wird mit Schritt 3 fortgefahren. Wenn allerdings al le n Meßgrößen bearbeitet wurden, so wird mit Schritt 7 fort gefahren.It is then checked in step 6 whether all n Measured variables that were passed through the loop. If not If so, proceed to step 3. However, if al le n measured variables have been processed, the process continues with step 7 hazards.

In Schritt 7 werden aus den n Meßgrößen die k Meßgrößen aus gewählt, die die größte Kennzahl aufweisen. Bei den ausge wählten k Meßgrößen handelt es sich um die k Meßgrößen, die für den Prozeß in der Halbleiterfertigungsmaschine am signi fikantesten sind.In step 7, the k measured variables are made from the n measured variables that have the largest key figure. With the out selected k measurands are the k measurands that for the process in the semiconductor manufacturing machine at the signi are the most fiery.

In einem Schritt 8 werden Prozessierungsfehler der Halblei terfertigungsmaschine anhand der k ausgewählten Meßgrößen be stimmt, die die größte Signifikanz für den Prozeß aufweisen.In a step 8, processing errors of the semi-lead terfertigungsmaschine based on the k selected parameters true, which have the greatest significance for the process.

In einem Schritt 9 wird die Halbleiterfertigungsmaschine zur Vermeidung von Prozessierungsfehlern anhand der k ausgewähl ten Meßgrößen geregelt.In a step 9, the semiconductor manufacturing machine becomes Avoid processing errors based on the k selected Measured variables regulated.

Ziel dieses Verfahrens ist die Reduktion der Rechenschritte, so daß nicht alle möglichen n Meßgrößen zur Regelung oder Fehleranalyse herangezogen werden müssen, sondern daß mit dem aussagekräftigsten Satz von k Meßgrößen eine Fehleranalyse oder die Regelung der Halbleiterfertigungsmaschine durchge führt werden kann.The aim of this procedure is to reduce the number of calculation steps, so that not all possible n measured variables for control or Error analysis must be used, but that with the most meaningful set of k measurands an error analysis or the regulation of the semiconductor manufacturing machine can be led.

In Fig. 2 ist eine Prozessoreinheit PRZE dargestellt. Die Prozessoreinheit PRZE umfaßt einen Prozessor CPU, einen Spei cher MEM und eine Input-Output-Schnittstelle IOS, die über ein Interface IFC auf unterschiedliche Art und Weise genutzt wird: Über eine Grafikschnittstelle wird eine Ausgabe auf ei nem Monitor MON sichtbar und/oder auf einem Drucker PRT aus gegeben. Eine Eingabe erfolgt über eine Maus MAS oder eine Tastatur TAST. Auch verfügt die Prozessoreinheit PRZE über einen Datenbus BUS, der die Verbindung von einem Speicher MEM, dem Prozessor CPU und der Input-Output-Schnittstelle IOS gewährleistet. Weiterhin sind an den Bus zusätzliche Kompo nenten anschließbar, wie zum Beispiel zusätzlicher Speicher, Datenspeicher (Festplatte) oder eine Halbleiterfertigungsma schine, welche die Meßgrößen an den Prozessor PRZE überträgt.In FIG. 2, a processor unit PRZE. The processor unit PRZE comprises a processor CPU, a memory MEM and an input-output interface IOS, which is used in different ways via an interface IFC: via a graphic interface, an output on a monitor MON is visible and / or on given to a printer PRT. An entry is made using a mouse MAS or a keyboard TAST. The processor unit PRZE also has a data bus BUS, which ensures the connection of a memory MEM, the processor CPU and the input-output interface IOS. Furthermore, additional components can be connected to the bus, such as additional memory, data storage (hard disk) or a semiconductor production machine, which transmits the measured variables to the processor PRZE.

In Fig. 3 ist im oberen Bereiche der zeitliche Verlauf einer Meßgröße dargestellt. Hierbei handelt es sich um dem Meßwert Emission_1 einer Applied Material AME8330. Der zeitliche Ver lauf ist in die Zeitabschnitte Z1, Z2, Z3, Z4 und Z5 einge teilt.In Fig. 3 in the upper regions of the temporal course of a process variable is shown. This is the measured value Emission_1 of an Applied Material AME8330. The temporal course is divided into the periods Z1, Z2, Z3, Z4 and Z5.

Viele Datensätze, wie sie im oberen Bereich von Fig. 3 dar gestellt sind, werden als Testdaten bereitgestellt und nach fehlerfreien und fehlerhaften Prozessierungen unterschieden. Mit Hilfe der Testdaten wird das neuronale Netz trainiert, bis die in der Mitte von Fig. 3 dargestellten synaptischen Gewichte w_i ausgebildet sind und das neuronale Netz trainiert ist. Im unteren Bereich von Fig. 3 ist zu jedem Zeitfenster Z_j eine entsprechende Kennzahl K_j berechnet worden. In die Berechnung der Kennzahlen K_j fließen die synaptischen Gewich te w_i als Summe ihrer Absolutbeträge aus dem jeweiligen Zeit fenster Z ein. Bei dem in Fig. 3 dargestellten Beispiel ist das Zeitfenster Z₃ aufgrund einer sehr großen Kennzahl K₃ hervorragend zur Klassifizierung fehlerfreier und fehlerhaf ter Prozessierungen geeignet.Many data records, as shown in the upper area of FIG. 3, are provided as test data and are differentiated according to error-free and incorrect processing. The neural network is trained using the test data until the synaptic weights w _i shown in the middle of FIG. 3 are formed and the neural network is trained. In the lower area of FIG. 3, a corresponding characteristic number K _{j has been} calculated for each time window Z _j . The synaptic weights w _{i are included} in the calculation of the key figures K _j as the sum of their absolute amounts from the respective time window Z. In the example shown in FIG. 3, the time window Z ₃ is outstandingly suitable for classifying error-free and faulty processing due to a very large key figure K ₃ .

In Fig. 4 ist die Analyse einer Alm Rainbow Anlage darge stellt. Es ist die Bedienoberfläche des Analyseprogramms ge zeigt. Links ist eine Liste von Meßgrößen angegeben, die bei dieser Anlage zur Auswertung zur Verfügung stehen. In der er sten Spalte dieser Liste befindet sich die zu jeder Meßgröße errechnete Kennzahl. In der zweiten Spalte ist der Name der Meßgröße und in einer dritten Spalte ist das Zeitfenster an gegeben, welches besonders signifikant ist. Die Liste ist be reits nach der Signifikanz der Meßgrößen sortiert. Im rechten Teil von Fig. 4 ist die Parameteranalyse und der Verlauf der synaptischen Gewichte dargestellt. Aus der Liste der zur Ver fügung stehenden Meßgrößen:
"000ELL_Vac_Sens_Al", "001NF3", "003HE", "005HeClamp_pres", "006Clamp_flow_Al", "008Ar", "010CF4", "011HBr_Curr", "012Cl2", "013Cl2_Curr", "014He", "016CF4", "020RF_Match_1_Tuning_Pos", "021RF_Match_1_Load_Coil_Pos", "022M1_Phase_Err", "024Line_Impedance", "025DC_Bias", "026RF_MATCH_1_PEAK_RF_VOLT", "027RF_Reverse_Power", "028RF_Forward_Power", "029XLL_Vac_Sense", "031Lower_Electr_Temp", "032Upper_Electr_Temp", "033Chiller_Bath_Temp", "034EndPTDetect_A_Al", "036EndPTDetect_C_Al", "037EndPTDetect_D_Al", "038Chamber_Press_Al", "040Offener_Kanal", "242Chamber_Pressure_Me", "256Gap_Cal_CM", "269RF_Gen_2_Refl_Al", "270RF_Gen_2_Fwd_Al", "305Crossover_Pressure", "308Press_Cntrl_Position", "384ISO_Plasma_DetectOff", "395Step", "398Wafer_Number", "453Wafer_Counter" "482HE_Clamp_Maximum", "612Temp_Cham_Wall", "035Endpoint_B", "027RF_Reflect", "247GAP_Pos_CM" und "398WAFER_NUMBER"
werden die Parameter 020RF_Match_1_Tunning_Pos und 308Press_Cntrl_Position als die signifikantesten Meßgrößen herausgefiltert.In Fig. 4 the analysis of an Alm Rainbow plant is Darge presents. The user interface of the analysis program is shown. On the left is a list of measured variables that are available for evaluation in this system. The first column of this list contains the key figure calculated for each measured variable. The name of the measured variable is given in the second column and the time window, which is particularly significant, is given in a third column. The list is already sorted according to the significance of the measured variables. The right part of FIG. 4 shows the parameter analysis and the course of the synaptic weights. From the list of available measurands:
"000ELL_Vac_Sens_Al", "001NF3", "003HE", "005HeClamp_pres", "006Clamp_flow_Al", "008Ar", "010CF4", "011HBr_Curr", "012Cl2", "013Cl2_Curr", "014HFR4""" 021RF_Match_1_Load_Coil_Pos "," 022M1_Phase_Err "," 024Line_Impedance "," 025DC_Bias "," 026RF_MATCH_1_PEAK_RF_VOLT "," 027RF_Reverse_Power "," 028RF_Forward_Power "," 029XLL_Vac_Sense "," 031Lower_Electr_Temp "," 032Upper_Electr_Temp "," 033Chiller_Bath_Temp "," 034EndPTDetect_A_Al ""036EndPTDetect_C_Al","037EndPTDetect_D_Al","038Chamber_Press_Al","040Offener_Kanal","242Chamber_Pressure_Me","256Gap_Cal_CM","269RF_Gen_2_Refl_Al","270RF_Gen_2_Fwd_Al","305Crossover_Pressure","308Press_Cntrl_Position","384ISO_Plasma_DetectOff","395Step","398Wafer_Number"," 453Wafer_Counter "" 482HE_Clamp_Maximum "," 612Temp_Cham_Wall "," 035Endpoint_B "," 027RF_Reflect "," 247GAP_Pos_CM "and" 398WAFER_NUMBER "
the parameters 020RF_Match_1_Tunning_Pos and 308Press_Cntrl_Position are filtered out as the most significant measured variables.

In Fig. 4a ist der zeitliche Verlauf der Meßgröße 020RF_Match_1_Tunning_Position einer Lam Rainbow dargestellt. Der obere Graph zeigt den Verlauf einer fehlerhaften Prozes sierung und der untere Graph den Verlauf einer fehlerfreien Prozessierung. Der signifikante Zeitabschnitt, mit dem feh lerfreie und fehlerhafte Prozessierungen unterschieden werden können, ist mit zwei gestrichelten Linien markiert.In Fig. 4a the time profile of the measured quantity is a 020RF_Match_1_Tunning_Position Lam Rainbow shown. The upper graph shows the course of an incorrect processing and the lower graph shows the course of an error-free processing. The significant time period with which error-free and faulty processing can be distinguished is marked with two dashed lines.

In Fig. 4b ist der zeitlich Verlauf der Meßgröße 308Pres_Cntrl_Position dargestellt. Der obere Graph zeigt der Verlauf einer fehlerfreien Prozessierung und der untere Graph den Verlauf einer fehlerhaften Prozessierung. Der signifikan te Zeitabschnitt, mit dem fehlerfreie und fehlerhafte Prozes sierungen unterschieden werden können, ist wiederum ist mit zwei gestrichelten Linien markiert.In FIG. 4b, the time-course of the process variable is shown 308Pres_Cntrl_Position. The upper graph shows the course of an error-free processing and the lower graph shows the course of an incorrect processing. The significant time period with which error-free and incorrect processing can be distinguished is again marked with two dashed lines.

In Fig. 5 ist die Analyse einer Applied Material AME8330 dargestellt. Auch hier sind im linken Bereich von Fig. 5 die zur Verfügung stehenden Meßgrößen aufgelistet. In der ersten Spalte dieser Liste befindet sich die zu jeder Meßgröße er rechnete Kennzahl. In der zweiten Spalte ist der Name der Meßgröße und in der dritten Spalte ist das Zeitfenster ange geben, welches besonders signifikant ist. Die Liste ist be reits nach der Signifikanz der Meßgrößen sortiert. Im rechten Teil von Fig. 4 ist die Parameteranalyse und der Verlauf der synaptischen Gewichte dargestellt. Die Liste der zur Zeit er faßten Meßgrößen umfaßt:
"CRYO_MT", "N2_HAND", "TURBO_PURGE_CC", CRYO_TEMP_K", "MANO_OFFSET_MT", GATEVALVETEMP", "HEATEXCHTEMP", "ROUGH_MT", "LOADCHAMPRESS", "EMISSION_2", "ION_001MT", "02", "FORELINE_PR", "CF4", "PRESSURE_MANO", "THROTTLE_VALVE", "PROCCHAMPRESS", "CHF3", "DC_BIAS", "BCL3", "CL2", "RF_FORWARD", "EMISSION_1", "RF_REFLECTED"'.In FIG. 5, the analysis of an Applied Materials AME8330 is illustrated. Here too, the available measurement variables are listed in the left-hand area of FIG. 5. The first column of this list contains the key figure calculated for each measured variable. In the second column is the name of the measured variable and in the third column is the time window, which is particularly significant. The list is already sorted according to the significance of the measured variables. The right part of FIG. 4 shows the parameter analysis and the course of the synaptic weights. The list of measured values currently recorded includes:
"CRYO_MT", "N2_HAND", "TURBO_PURGE_CC", CRYO_TEMP_K "," MANO_OFFSET_MT ", GATEVALVETEMP", "HEATEXCHTEMP", "ROUGH_MT", "LOADCHAMPRESS", "EMISSION_001", "EMISSION_001", "EMISSION_001""""CF4","PRESSURE_MANO","THROTTLE_VALVE","PROCCHAMPRESS","CHF3","DC_BIAS","BCL3","CL2","RF_FORWARD","EMISSION_1","RF_REFLECTED"'.

Vor einer systematischen Auswertung mit dem erfindungsgemäßen Verfahren vermutete ein Prozeßingenieur, daß die Meßgröße Emission_1 die relevanteste Meßgröße ist und die in ihr auf tretenden Oszillationen als signifikantestes Merkmal herange zogen werden sollten.Before a systematic evaluation with the invention Process suspected a process engineer that the measurand Emission_1 is the most relevant parameter and the one in it occurring oscillations as the most significant feature should be pulled.

Durch die automatische Auswertung wird jedoch deutlich, daß Fehlprozessierungen bereits vorzeitig in der Meßgröße RF_Reflected auffallen. Daher ermöglicht die Meßgröße RF_Reflected ein rechtzeitiges Eingreifen, das Fehlprozessie rungen verhindert.However, the automatic evaluation makes it clear that Incorrect processing of the measured variable ahead of time RF_Reflected stand out. Therefore, the measurand enables RF_Reflected timely intervention, the wrong process prevented.

In Fig. 5a ist der zeitliche Verlauf der Meßgröße Emission_1 einer AME8330 dargestellt. Der obere Graph zeigt den Verlauf einer fehlerfreien Prozessierung und der untere Graph den Verlauf einer fehlerhaften Prozessierung. Der signifikante Zeitabschnitt, mit dem fehlerfreie und fehlerhafte Prozessie rungen unterschieden werden können, ist mit zwei gestrichel ten Linien markiert. Auffällig sind hierbei der zeitliche Versatz und die Oszillationen in dem signifikanten Zeitab schnitt.In Fig. 5a the time profile of the measured quantity is represented Emission_1 a AME8330. The upper graph shows the course of an error-free processing and the lower graph shows the course of an incorrect processing. The significant time period with which error-free and faulty processing can be distinguished is marked with two dashed lines. The temporal offset and the oscillations in the significant period are striking.

Claims

1. Method for the computer-aided determination and selection of measured variables of a semiconductor manufacturing machine on the basis of the significance of the measured variables, with the following method steps:

- A semiconductor manufacturing machine is provided for performing a semiconductor manufacturing process;
- For a plurality of measured variables of the semiconductor manufacturing machine, different measurement data are determined;
- Starting from the measured data determined, at least one measured variable is assigned a computer-based priority which indicates the importance of the measured variable for the semiconductor production process;
- The measured variables with the highest priorities are identified and selected.

2. The method according to claim 1, characterized, that uses a neural network to generate the priority becomes.

3. The method according to any one of claims 1 or 2, characterized, that at least one of the measured variables from the measured measured Training data are generated by using the measurement data with suitable semiconductor analysis methods in error-free and feh learning processings can be classified.

4. The method according to any one of claims 2 or 3, characterized, that the neural network learns based on the training data Differentiate between free and faulty processing.

5. The method according to any one of claims 2 to 4, characterized, that the priority is formed with a weighted sum, the first summands, which the synaptic weights of the neural network and a second summand, representing the learning error of the neural network, ver turns and the first summand with a first number a and weighted the second summand with a second number b becomes.

6. The method according to any one of claims 1 to 5, characterized, that with at least one of the measured variables a time course the measured variable is divided into time segments, the Ab cuts are assigned further priorities, which the Significance of the respective time period for the semiconductor specify the manufacturing process.

7. The method according to any one of claims 1 to 6, characterized, that control variables and / or Control variables are generated that the semiconductor manufacturing Control and / or regulate the machine.

8. Arrangement to carry out a method according to a or more of the preceding claims with a program controlled unit.

9. Arrangement to carry out a method according to a or more of the preceding claims with a neural Network.

10. Arrangement for performing a method according to a or more of the preceding claims with a system standing out of a semiconductor manufacturing machine and a pro gram-controlled unit.