JP2002359266A - 半導体集積回路の不良検出方法及び不良検出装置 - Google Patents

Abstract

(57)【要約】 【課題】 不良パターン並びに予め想定していない不良
パターンを高感度に自動検出する不良パターンの検出方
法並びに不良パターンの検出装置を提供する。 【解決手段】 半導体集積回路の不良パターンを、その
対称性あるいは周期性を表す繰り返し単位に重ね合せる
ことにより強調した後、特徴量化して自動検出する。ま
た空間的に偏って存在する不良の偏りの程度を表す特徴
量と、予め想定した不良パターンの存在を表す特徴量と
を照合することで、予め想定していない不良パターンの
存在を自動検出する。また、２個以上の特徴量を成分と
するベクトルより構成される数ベクトル空間において、
前記数ベクトル空間内に１個の不良モードに対して領域
を設定し、前記領域と前記特徴量を成分とするベクトル
を照合することにより、前記不良モードの存在を判定す
るようにしても良い。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は半導体集積回路の不
良解析に関するもので、特にテスタ情報から不良パター
ンを自動分類する不良検出方法及び不良検出装置に関す
る。

【０００２】

【従来の技術】近年の半導体装置の微細化により、様々
なプロセス起因の不良が顕在化して来ている。プロセス
改善の方策として、ウェーハプロセス工程終了直後に行
われるウェーハテストの結果が用いられる。ＤＲＡＭ等
の場合、不良ビットの位置を表すテスタ情報をウェーハ
面上のマッピング表示（フェイル・ビット・マップ）で
表わす。不良ビットの並び（パターン）より問題プロセ
ス装置固有のパターンが存在していないかの判断を行
う。従来、この判断は、人間が直接フェイル・ビット・
マップを目視して行なってきた。この場合客観性・定量
性に乏しいばかりでなく、量産製品を全てチェックする
ことは困難であった。そこで、この判断を計算機で自動
的に行うことが試みられるようになってきた。フェイル
・ビット・マップを画像あるいは数値データとして計算
機内に取りこみ、ビットの並びが単独（単ビット不良）
か、ライン状（カラム、ロウ不良）か、あるいは十字や
面状になっていることを自動判定する。あるいは面内分
布（中央、オリエンテーションフラット側等）を判定す
ることも行われている。

【０００３】

【発明が解決しようとする課題】上記のように、従来
は、自動判別された不良パターンは不良の基本要素であ
る場合が多く、問題プロセス装置を特定するには、その
基本要素をさらに過去のデータベースと照合したり、あ
るいは人間の判断を介在させ、装置起因のパターンと対
応させる必要があった。しかし問題プロセス装置特定の
見地に立つと、不良パターンの基本要素の抽出では感度
が低く、歩留りが低下するほど顕在化した不良パターン
でないと検出できないという問題があった。また自動抽
出システムを構成する際、予め想定していないパターン
は自動検出できない問題があった。本発明は、上記問題
点に鑑みてなされたものであり、不良パターンならびに
予め想定していない不良パターンを高感度に自動検出す
る不良パターンの検出方法ならびに不良パターンの検出
装置を提供することを目的にしている。

【０００４】

【課題を解決するための手段】第１の発明では、上記目
的を達成するために、半導体ウェーハ上に形成された集
積回路の不良の位置情報を抽出する第１の工程と、前記
位置情報を前記半導体ウェーハ面内の空間的繰り返し単
位で重ね合わせる第２の工程と、この重ね合せによって
算出されたデータから空間的繰り返し性不良の度合いを
示す特徴量を算出する第３の工程とを有することを特徴
とする半導体集積回路の不良検出方法を提供する。不良
パターンならびに予め想定していない不良パターンを高
感度に自動検出することができる。第１の発明は、２個
以上の特徴量を成分とするベクトルより構成される数ベ
クトル空間において、前記数ベクトル空間内に１個の不
良モードに対して領域を設定し、前記領域と前記特徴量
を成分とするベクトルを照合することにより、前記不良
モードの存在を判定するようにしても良い。第２の発明
では、上記目的を達成するために、半導体ウェーハ上に
形成された集積回路の不良の位置情報を抽出する第１計
算部と、前記位置情報を前記半導体ウェーハ面内の空間
的繰り返し単位で重ね合わせる第２計算部と、この重ね
合せによって算出されたデータから空間的繰り返し性不
良の度合いを示す特徴量を算出する第３計算部とを有す
ることを特徴とする半導体集積回路の不良検出装置を提
供する。不良パターンならびに予め想定していない不良
パターンを高感度に自動検出することができる。

【０００５】

【発明の実施の形態】以下、図面を参照して発明の実施
の形態を説明する。まず、図１乃至図８を参照して第１
の実施例を説明する。この実施例は、半導体集積回路作
製における露光プロセスに起因する不良を自動検出する
ものである。図１は、その手順を示すフローチャートで
ある。図２は、ＤＲＡＭのウェーハプロセス終了後に半
導体ウェーハ（以下、ウェーハという）上の各チップ中
の各ビットをテストしたウェーハの平面図である。黒点
が打たれている所が不良ビットを表している。点の濃淡
が規則的な縞状になっていることが分かる。図２に示す
Ａ領域は、露光パターンの焼き付け単位を表している。
不良ビットは、露光単位を周期として濃淡を繰り返して
おり、露光起因の不良であることが分かる。図２は、ウ
ェーハ全面で１ビット単位の情報を含んでいるが、露光
起因不良パターンは、チップサイズのオーダで存在して
おり、パターン形状を損なわない程度に情報を減らして
も問題ないと考えられる。そこで、本発明では、図２に
示すＣ領域のように、１チップ内を小さな分割単位に分
け、各分割単位毎の不良数の和を求め、この不良数情報
から露光起因のパターンを自動抽出することにした。

【０００６】次に、露光単位の周期性を強調するため
に、ウェーハ全面の不良数情報を露光単位で重ね合わせ
る処理を行った。図３は、この様子を示すウェーハの平
面図である。各露光単位について対応する分割単位、す
なわち互いに並進で重なる位置にある分割単位の不良数
を加算していく。また各露光単位内の分割単位毎に不良
数情報が存在した個数をカウントしていく。この操作を
全ての露光単位について行った後、分割単位毎に加算し
た不良数を不良数情報が存在した個数で除算し、平均不
良数を求めた。この重ね合せ処理により、不良数情報が
欠けたチップ、ウェーハ端で存在しないチップを除いた
集計を行うことができる。得られた重ね合せデータを図
４に示す。図４は、不良ビット位置の重ね合わせで表示
してあるが、分割単位当りの平均不良数が得られてい
る。次に重ね合せたデータを図４に示す互いに垂直な
ｘ、ｙ各方向に１次元プロファイル化した。ｙ方向の１
次元プロファイルｙｉ（ｉ＝１，２，・・・，ｎｙ、ｎ
ｙは、露光単位のｙ方向の分割数）は、以下に示す式
（数１）で求めた。

【０００７】

【数１】 ｆ（ｘ，ｙ）は、露光単位内の（ｘ，ｙ）位置にある分
割単位の平均不良数、ｎｘは、露光単位のｘ方向分割数
である。ｘ方向の１次元プロファイルも同様である。得
られた１次元プロファイルを図４に示す。露光単位の周
期性があれば、各プロファイルに何らかの規則性が現れ
ているはずである。そこで以下の４つのパラメータを求
めた。 （ａ）自己相関関数Ｒａｃ（ｋ） （ｂ）ラグ幅Ｌ０ （ｃ）横切り回数 （ｄ）ｃｏｓ相関係数 （ａ）は、ずらし量（すなわちラグ）ｋの関数として求
めた。すなわちプロファイルを時系列｛ｔ₁ ，ｔ₂ ，，
ｔ_N ｝と見なして次式により算出した。平均は、以下の
式（数２）で表される。

【０００８】

【数２】 自己共分散は、以下の式（数３）で表される。

【０００９】

【数３】 自己相関関数は、以下の式（数４）で表される。

【００１０】

【数４】Ｒａｃ（ｋ）＝Ｃ_k ／Ｃ₀ （ｂ）は、Ｒａｃ（ｋ）の一部を１次式で近似して求め
た。具体的には、Ｒａｃ（０）（＝１）の点とＲａｃ＝
０．５となる点を外挿してＲａｃ＝０となるラグをＬ０
とした。（ｃ）は、プロファイルの平均値μより、プロ
ファイルがμを横切る回数をカウントした。（ｄ）は、
まず１次元プロファイルを１次式で近似し、１次元プロ
ファイルを１次式と残りの成分との和で表した。これ
は、１次元プロファイルをトレンド成分と周期成分に分
けることに対応する。次に１次元プロファイルの周期成
分を近似するに足る最小次数の多項式を求め、多項式に
最も近いｃｏｓ関数とプロファイルの周期成分の相関係
数として求めた。多項式の次数は、１０次、９次、８次
と次数を減らしていった時、多項式とプロファイルの周
期成分との相対的な相関係数（１０次多項式の相関係数
を１とする）の減少率が１０％を初めて越える直前の次
数とした。

【００１１】なお（ｂ）として、Ｒａｃ（ｋ）が初めて
ゼロになるｋをラグ幅としても良い。あるいはＲａｃ
（ｋ）を多項式で近似して、多項式がゼロとなる点から
ラグ幅を求めても良い。また（ｃ）としてプロファイル
のメジアンや最大値と最小値の中間値を横切る回数を求
めても良い。次に、各パラメータを０から１に規格化
し、且つ１に近いほど露光起因の不良が多く発生してい
る状態に対応しているようにした。以下、規格化の手順
を述べる。（ａ）は、（ｂ）に含まれるため、特徴量に
は用いなかった。（ｂ）は、値が大きいほどプロファイ
ルに規則性が存在する、すなわち露光起因の不良が多く
存在していることを示している。そこでＬ０が露光単位
のｘ，ｙ各方向の分割数の４０％以上の場合を１とし、
Ｌ０≦１の場合を０とし、その間を線形補間した。
（ｃ）は、値が大きいほどプロファイルが不規則、すな
わち露光起因の不良の存在が少ないことを示している。
そこで横切り回数が露光単位のｘ，ｙ各方向の分割数の
３０％以上の場合を０とし、横切り回数が１以下の場合
を１とし、その間を線形補間した。（ｄ）は、１に近い
ほどプロファイルに規則性が存在する、すなわち露光起
因の不良が多く存在していることを示している。そこで
０以上１以下はそのままの値を用い、０未満の場合は０
に置き換えた。

【００１２】なお規格化は、０から１に限る必要はな
く、数直線上の連続した閉区間に対応させれば良い。ま
た露光起因の不良パターンが多く存在するほど、値が小
さくなるように取っても良い。その場合は以下に記述さ
れる不良パターンの存在の有無の判定条件を反転させれ
ばよい。次に規格化されたパラメータの荷重平均を取
り、露光単位のｘ，ｙ各方向の特徴量を求めた。荷重平
均の係数は露光方式を考慮して決定した。この実施例の
露光プロセスには、レチクルとウェーハが同期して移動
しながら露光するスキャン露光が用いられ、図４におい
てｘ方向がスキャン方向に対応している。スキャン方向
ではスキャン中の安定性による不良数変動が考えられ、
その変化はｃｏｓ関数で近似できると考えられる。一方
スキャンに垂直な方向（スリット方向）では光学系の歪
等による偏りが考えられ、横切り回数がその状態を表す
と考えられる。以上のことより図５に示す係数を用いて
特徴量を算出した。

【００１３】ところで図６に示すＢ領域のように特定の
１チップのみ不良数が周囲のチップに比べ突出している
場合が存在した。これは、この実施例で検知しようとし
ている露光起因のパターンから逸脱しており、自動検出
の障害になると考えられる。そこでこのようなチップ
（以下、孤立チップという）を検出し、そのチップは重
ね合せ処理の前に計算から除外することにした。ウェー
ハ全面の各チップ毎の不良数をＣｉ（ｉ＝１，２，・・
・，ｎ、ｎはチップ数）とする。Ｃｉの最大値をＣｍａ
ｘとする。またＣｉのメジアンをＣｍｅｄとする。また
Ｃｍａｘの周囲８チップの不良数をＣｊ（ｊ＝１，２，
・・・，８）とする。ここで、式（数５）を満たした場
合、Ｃｍａｘは孤立チップであると判定し、その領域は
計算から除外した。

【００１４】

【数５】Ｃｍａｘ／Ｃｍｅｄ＞１００、且つ Ｃｍａｘ／Ｃｊ＞１０（ｊ＝１，２，・・・，８） なお、このような空間的繰り返し単位に対して異常と判
定される領域は孤立チップに限らず、一般に検出したい
不良パターンの周期性を乱す領域と考えればよい。その
ような領域の存在が確認される都度、その領域を除外す
る処理を追加していけば良い。以上の手順により露光起
因の不良パターンの存在の度合いを表す特徴量が求めら
れた。幾つかの不良パターンが存在するウェーハについ
て、本特徴量を求めた結果を図７に示す。露光起因の不
良パターンが明確に存在しているウェーハでは特徴量が
１に近い大きな値になっていることが分かる。不良パタ
ーンがランダムなウェーハでは特徴量は０付近の小さな
値になっている。約０．４を閾値として、露光起因の不
良パターンの有無が判定できることが分かる。またスキ
ャン方向、スリット方向の不良パターンの違いにより、
各方向の特徴量の値の大小が異なっていることも分か
る。

【００１５】図８は、この実施例の手法で構成した装置
のブロック図である。入力として、ウェーハＩＤ情報、
テスタ情報及び繰り返し単位情報を用いる。ウェーハＩ
Ｄ情報はウェーハを識別するための番号が含まれる。テ
スタ情報にはウェーハ面上のチップ座標、および各チッ
プ内で予め設定した分割単位毎の不良数情報が含まれ
る。繰り返し単位情報には、ウェーハ面上のチップを露
光単位で重ね合わせるために必要な露光単位、すなわち
ショットの情報が含まれる。計算機には、図１の手順
に従って特徴量を計算するプログラムが与えられてい
る。そして結果をデータベースＡに出力する。データベ
ースＡには、ウェーハ情報、特徴量及び露光起因不良パ
ターンの有無の判定結果が書き込まれている。また、テ
スタ情報として不良ビットのチップ座標及びアドレス情
報を用いた場合、繰り返し単位の重ね合わせ処理とし
て、論理和を用いれば良い。一方論理積を取ればマスク
の共通欠陥を検出することができる。以上述べたよう
に、この実施例の方法を用いることにより露光起因の不
良パターンの存在を自動検出することができる。

【００１６】次に、図９乃至図１４を参照して第２の実
施例を説明する。この実施例は、半導体集積回路の不良
面内分布において、とくにウェーハ外周付近に不良が多
くなっているパターンを自動抽出するものである。図９
は、その手順を示すフローチャートである。図１０は、
ＤＲＡＭのウェーハプロセス終了後にウェーハ上の各チ
ップ中の各ビットをテストしたものである。このウェー
ハの場合、とくに外周付近に不良が多く発生しており、
第１の実施例とは異なった不良原因が存在していること
が推測される。そこで、第１の実施例と同様の分割単位
毎の不良数情報を用い、このような外周不良を自動抽出
することにした。まず自動検出の障害となるパターンと
して、孤立チップの不良情報を削除した。次に、図１１
に示すように、同心円状の繰り返しパターンを設定し
た。各同心円で囲まれたリング状領域内の不良数情報の
平均値を求めた。この操作により図１２に示すように、
不良数の半径方向分布が得られる。次に、不良数の半径
方向分布をパラメータ化した。図１２に示すように、ウ
ェーハ半径をｒとすると、半径位置が０以上ｒ／２未満
の領域の平均不良数をｍ１、ｒ／２以上ｒ未満の領域の
平均不良数をｍ２とすると、パラメータｋは、ｋ＝ｍ２
／ｍ１で求めた。

【００１７】次に、パラメータｋを規格化し、外周不良
の特徴量とした。ｋ＜１の場合特徴量は、０とし、ｋ＞
２．０の場合特徴量は、１とし、その間を線形補間し
た。以上の手順により外周不良を自動抽出するための特
徴量を求めた。幾つかの不良パターンが存在するウェー
ハについて、本特徴量を求めた結果を図１３に示す。外
周で不良数が明確に多くなっているウェーハでは特徴量
が１に近い大きな値になっていることが分かる。一方不
良パターンがランダムなウェーハでは特徴量は０付近の
小さな値になっている。図１４は、この実施例の手法を
図８の装置に追加した装置のブロック図である。入力と
して外周不良パターン抽出のための同心円パターン情報
を追加してある。計算機には、図１の手順に加え、図
９に示す手順のプログラムが追加してある。出力として
データベースＡに判定結果が出力されるようになってい
る。以上述べたように、この実施例の方法を用いること
により外周不良パターンの存在を自動検出することが可
能になる。

【００１８】次に、図１５乃至図２２を参照して第３の
実施例を説明する。この実施例は、半導体集積回路の不
良面内分布において、予め想定していないパターンを自
動検出するものである。また新規なパターンを登録する
方法についても述べる。図１５は、その手順を示すフロ
ーチャートである。図１６は、ＤＲＡＭのウェーハプロ
セス終了後にウェーハ上の各チップの各ビットをテスト
したウェーハの平面図である。このウェーハの場合、不
良ビットが縦に並んでいるパターンが目立つ。この不良
パターンは第１の実施例及び第２の実施例で自動検出対
象としたパターンには対応していない。このような場
合、未知のパターンが出現したことを自動検出すること
を試みた。

【００１９】特願２０００−２４９７１８には空間的に
偏って存在する不良の存在を示す特徴量（以下、クラス
タリングファクタという）が求められている。不良数の
分布を、空間的にランダムであることを表すポアソン分
布と、偏りが生じていることを示す負の二項分布の重ね
合せで表し、負の二項分布の成分が多いほど偏りが多く
生じていることを示している。この手法に従い、チップ
単位の不良数を求め、その度数分布を求めた。度数分布
をポアソン分布と負の二項分布の重ね合せで近似し、各
分布の重みＷｐ、Ｗｎｂを求め、Ｗｎｂをクラスタリン
グファクタとした。Ｗｐ＋Ｗｎｂ＝１００％であり、Ｗ
ｎｂが大きいほど、空間的偏りが大きいことを示してい
る。図１６の場合、Ｗｎｂは１４％と、かなり大きな値
となった。従って、どのようなパターンかは判定できな
いが、何らかの未知のパターンが存在していることが検
出できることが分かる。

【００２０】第１及び第２の実施例ならびに上記で述べ
た手順で構成した装置のブロック図を図１７に示す。こ
れは、図１４の装置を基に以下の機能が追加及び改造さ
れている。計算機では、入力されたテスタ情報よりク
ラスタリングファクタＷｎｂが計算される。Ｗｎｂは、
データベース化されると共にフィードバックされ、第１
及び第２の実施例で述べたような予め登録されているパ
ターンの存在を表す特徴量での判定結果と照合される。
もし予め登録されているパターンの特徴量が全て閾値以
下で、且つクラスタリングファクタが閾値以上の場合、
計算機は未知パターンが存在していると判断し、デー
タベース０にその情報が出力される。幾つかの不良パタ
ーンが存在するウェーハについて、図１７の装置による
判定結果を図１８に示す。計算機は、クラスタリング
ファクタＷｎｂ、露光起因不良の特徴量Ｓ（Ｓはスキャ
ン方向とスリット方向の特徴量の大きい方を指す）、及
び外周不良の特徴量Ｐを計算する。図１８のＡ項は、縦
状パターンで未登録である。Ｓ、Ｐは小さいが、Ｗｎｂ
は大きく、未知パターンであると判定された。図１８の
Ｂ項は、ランダムな不良分布であり、Ｗｎｂ、Ｓ、Ｐ全
て小さく、ランダムな分布であると判定された。図１８
のＣ項及びＤ項は、各々露光起因、外周不良パターンで
登録済みであり、Ｗｎｂが大きくなっていると共に、該
当する個々のパターンの特徴量も大きくなってパターン
の判定がなされている。

【００２１】データベース０に未知パターンの出現が記
録されたら、そのパターンを検出するための、繰り返し
パターン情報及び特徴量計算プログラムを図１７のＤの
ように装置に追加して行けばよい。この操作の繰り返し
により自動判定される不良パターンを増やして行くこと
ができる。さらに新規パターンの登録を簡便に行うため
に、図１７の装置においては、以下の機能を有するよう
にした。計算機に入力する繰り返し単位情報の書式を
以下の式（数６）のように統一した。

【００２２】

【数６】 繰り返し単位情報＝｛Ａ，Ｃａｌ｝ 繰り返し単位 Ａ＝｛Ａ₁ ，Ａ₂ ，・・・，Ａ_n ｝ Ａ₁ ＝｛Ｊ₁₁，Ｊ₁₂，・・・，Ｊ_1m1 ｝ Ａ2 ＝｛Ｊ₂₁，Ｊ₂₂，・・・，Ｊ_2m2 ｝ ・ ・ ・ Ａn ＝｛Ｊ_n1，Ｊ_n2，・・・，Ｊ_nmn ｝ ここで、繰り返し単位Ａは、ウェーハ全面を覆う繰り返
し単位全体の集合を表している。Ａｉはその要素であ
り、重ね合せ処理を行うウェーハ上の分割単位の集合を
表している。Ｊｉｊは、Ａｉに属するｊ番目のウェーハ
上の分割単位の位置を表している。例えば、テスタ情報
がチップ座標及びチップ内座標に対する不良数情報で与
えられている場合、Ｊｉｊも同じ形式のチップ座標及び
チップ内座標で構成されている。

【００２３】Ｃａｌは、重ね合せ処理の際の演算指定で
ある。演算には加算、平均、論理和、論理積が指定でき
る。計算機は｛Ａ，Ｃａｌ｝を参照し、Ａｉに属する
全てのウェーハ上の分割単位の不良情報に演算Ｃａｌを
施し、その結果をＤｉとして出力する。これを全てのＡ
ｉについて行う。すなわち重ね合せ処理の結果が以下の
式（数７）の形式で出力される。

【００２４】

【数７】Ｄ＝｛Ｄ₁ ，Ｄ₂ ，・・・，Ｄ_n ｝ なお、計算機は重ね合せ処理を行う前に、予め登録し
た異常データ（この実施例では孤立チップ）を除去す
る。計算機に与えるプログラムは、重ね合せ処理、デ
ータベース処理及びクラスタリングファクタ計算機能を
メインプログラム中に配置し、個別の不良パターンの特
徴量を計算させる処理はサブルーチンとして独立させて
ある。ユーザは計算機に対して、メインプログラムが
生成したＤから特徴量を算出するプログラムをサブルー
チンの形式で記述しておく。すなわちＤを入力として、
以下の式（数８）で示される特徴量の集合Ｃを出力する
ようにする。

【００２５】

【数８】Ｃ＝｛Ｃ₁ ，Ｃ₂ ，・・・，Ｃ_L ｝ 特徴量は、スカラー量でも良いし、Ｌ次元のベクトルで
も良い。またパターンの有無の判定結果も戻り値に加え
ておく。計算機のメインプログラムでは、ユーザが作
成したサブルーチンからの戻り値Ｃ及びパターン有無の
判定結果を自動的にデータベース化する。具体例で説明
すると、第１の実施例の場合、図１９に示すように、露
光単位の並進で互いに重なる分割単位をＡｉとし、演算
処理として平均を指定する。すると計算機は、図２０
に示すように、露光単位内の各分割単位毎の平均不良数
Ｄｉを出力する。そして、第１の実施例の手順に従っ
て、計算機に内蔵したサブルーチン上でＤｉより特徴
量Ｃｉを計算し、結果がデータベースＡに書き込まれ
る。第２の実施例の場合、図２１に示すように、リング
状の各領域をＡｉとし、演算処理として平均を指定す
る。すると計算機は図２２に示すように、リング状の
各領域毎の平均不良数Ｄi を出力する。以下の処理は上
記と同様である。

【００２６】第３の実施例で新たに見つかった図１６の
不良パターンの場合、現段階では未知パターンとして分
類される。この１例だけでは判断が難しいが、何らかの
装置起因の要因が存在すれば、面内対称性が存在するは
ずである。対称性を見出し、それを繰り返し単位として
Ａ＝｛Ａ₁ ，Ａ₂ ・・・Ａ_n ｝を定義し、特徴量計算の
サブルーチンを追加すれば、以後既知パターンとして自
動分類が可能になる。すなわち本発明は対称性を重ね合
せ処理で強調していると言える。対称性が存在しない不
良パターン、例えば、人為的ミスによりウエーハ上に不
規則な形状の傷が発生した場合、対称性がないため重ね
合せによる強調処理が行えず、特徴量計算の対象となる
データはウエーハ全面の不良数情報そのものになる。し
かし、機械的な不具合によってある特定の方向に傷が発
生した場合は、その方向を強調する重ね合わせ処理が可
能であり、この発明が有効となる。また、例えば、化学
的機械的研磨（ＣＭＰ）の不具合によって発生した傷
も、処理のプロセスの特徴に対応した対称性が存在し、
この発明による手法が有効と考えられる。あるいは２種
類以上の不良パターンが同時に存在した場合も、その対
称性を表す重ね合せ領域を設定すればよい。

【００２７】さらに、ウエーハ面上をある領域毎に区切
って処理していくプロセス装置がある。第１の実施例の
露光装置は、その典型であるが、これ以外にもレーザア
ニール装置が挙げられる。レーザビーム形状及びｘ−ｙ
ステージの動きによって処理単位が決まる。例えば、数
チップ単位でレーザアニールを行う装置の場合、この装
置起因の不良パターンはレーザ照射単位である数チップ
を周期として現れると考えられる。この場合、この数チ
ップを繰り返し単位として重ね合せ処理を行えば良い。
あるいは点状のレーザビームでウエーハ面上をスキャン
していく場合もある。この場合、スキャンの行き方向
（あるいは戻り方向）に当る領域を繰り返し単位とする
ことが考えられる。さらに線状のビームを一方向にスキ
ャンしていく場合がある。この場合は線状ビームの１ス
キャン領域を繰り返し単位とすれば良い。このようにプ
ロセス装置のウエーハ面内処理単位を繰り返し単位とす
ることで、装置起因の不良パターンを強調することがで
きる。すなわち、半導体集積回路の不良パターンは多く
の場合、何らかの対称性・周期性が存在している場合が
多いので本発明の手法が有効と言える。以上述べたよう
に、この実施例の方法を用いることにより、未登録のパ
ターンの自動検出が可能であり、その登録を容易に行う
ことができる。

【００２８】次に、図２３及び図２４を参照して第４の
実施例を説明する。この実施例は、第１乃至第３の実施
例の手法を用いて自動分類された半導体集積回路の不良
パターンと歩留り情報を照合することにより、各不良パ
ターンの歩留りへの影響度を算出するものである。図２
３は、この実施例の手順を示すフローチャートである。
また、この実施例に係る機能を実現する装置のブロック
図を図２４に示す。図２４の装置は、データベースＡ、
データベース０及びクラスタリングファクタデータベー
スを通して図１７の装置に接続している。図１７の装置
において、不良パターンがパターン１からパターンＮま
でＮ種類が登録されているとする。計算機は、データ
ベースＡを参照して、パターンｉの発生頻度ｆ_i をカウ
ントする。また歩留り情報を参照してパターンｉが存在
すると判定された全てのウエーハの平均歩留りＹ_i を算
出する。さらにクラスタリングファクタデータベースを
参照し、不良パターンに偏りがないウエーハの頻度
ｆ_R 、および平均歩留りＹ_R を算出する。またデータベ
ース０を参照し、未知パターンが存在したウエーハにつ
いても頻度ｆ_X 、平均歩留りＹ_X を算出する。計算機
は、パターンｉが存在することによる歩留り低下量ΔＹ
_i を、以下の式（数９）で算出する。

【００２９】

【数９】ΔＹ_i ＝ΔＹ_R −ΔＹ_i 同じ様に、未知パターンによる歩留り低下量ΔＹ_X を以
下の式（数１０）で求める。

【００３０】

【数１０】ΔＹ_X ＝ΔＹ_R −ΔＹ_X そして、パターンｉが無くなることによって期待できる
全体の歩留り改善効果ΔＥi は、以下の式（数１１）で
表される。

【００３１】

【数１１】ΔＥ_i ＝（ｆ_i ／ｆ_all ）ΔＹ_i 同様に未知パターンが無くなることによって期待できる
全体の歩留り改善効果ΔＥ_X は、以下の式（数１２）で
算出される。

【００３２】

【数１２】ΔＥ_x ＝（ｆ_X ／ｆ_all ）ΔＹ_x で算出する。以下の式（数１３）は、全ウェーハ数を表
す。

【００３３】

【数１３】 各集計結果はデータベースＢに書き込まれる。ユーザは
データベースＢを参照することで、歩留りに影響する不
良パターンを容易に見出すことができる。実際露光起因
の不良パターンは、歩留り低下量が大きく、頻度も多い
ことから、歩留り改善効果が高いことが判明した。以上
述べたように、この実施例の手法を用いることにより、
歩留りに影響する不良パターンを容易に見出すことがで
きる。

【００３４】次に、図２５乃至図２８を参照して第５の
実施例を説明する。この実施例は、第１乃至第３の実施
例の手法を用いて自動分類された半導体集積回路の不良
パターンと装置履歴情報あるいはＱＣデータ情報を照合
することにより、各不良パターンの発生原因を特定する
ものである。図２５は、この実施例の手順を示すフロー
チャートである。また、図２６は、この実施例の機能を
実現する装置のブロック図である。図２６の装置は、デ
ータベースＡを通して図１７の装置に接続されている。
計算機は、データベースＡの特徴量と装置履歴データ
を照合し、各工程の各装置毎に図２７に示すような度数
分布を作成し、かつ各装置毎の特徴量の平均値を算出す
る。さらにＱＣデータと特徴量を照合し、図２８に示す
ような分布図を作成し、且つ各ＱＣデータと特徴量の相
関係数を算出する。各集計結果は、データベースＣに出
力される。これらの集計結果を基に、装置履歴との照合
で求めた平均値について、装置間の平均値の差が設定さ
れた閾値を上回った装置について、その工程と装置名を
データベースＣに出力する。またＱＣデータとの照合で
求めた相関係数について、設定された閾値を上回った場
合、ＱＣデータ名をデータベースＣに出力する。

【００３５】実際露光起因不良パターンの特徴量におい
て、特定の露光工程の露光装置で平均値が高いことが検
出された。またその露光工程に関連するＱＣデータと強
い相関があることが判明し、不良の原因を解明すること
ができた。以上述べたように、本実施形態の方法によ
り、不良パターンの発生原因を特定することが可能であ
る。

【００３６】次に、図２９乃至図３２を参照して第６の
実施例を説明する。この実施例は、複数の特徴量を成分
とするベクトルを考え、前記ベクトルより構成される空
間において不良パターンの識別を行うもので、特にウエ
ーハ面内分布の判定を行うものである。図２９は、ＤＲ
ＡＭのウエーハプロセス終了後にウエーハ上の各チップ
中の各ビットをテストしたものである。このウエーハの
場合、第１の実施例で述べた露光起因の不良パターンが
発生している。さらに、その不良パターンがウエーハ中
央部に局在していることが分かる。不良発生装置特定の
観点では、第１の実施例で述べたウエーハ全面で発生し
ているパターンと、この実施例で示す面内で偏った分布
をしているパターンは、同じ露光起因不良でも区別する
必要がある。そこで不良パターンの検出とその面内分布
の判定を同時に行うことにした。まず、第１の実施例の
方法で露光起因の不良パターンの特徴量を求めた。この
特徴量は、スキャン露光の方向別に求めており、スキャ
ン方向・スリット方向の特徴量をまとめて（Ｓｘ，Ｓ
ｙ）の２次元ベクトルで表すことにする。次に、面内分
布の判定を行う特徴量を定義する。第２の実施例と同様
にリング状領域を設定し、ウエーハ半径ｒに対しｒ／２
未満の領域の平均不良数ｍ１、ｒ／２以上の領域の平均
不良数ｍ２より、この特徴量Ｐｒを次式（数１４）で定
義する。

【００３７】

【数１４】Ｐｒ＝ｍ２／（ｍ１＋ｍ２） Ｐｒは、不良数がウエーハ中央に偏る程０になり、逆
に、外周に偏るほど１になる。ウエーハ全面で均等に存
在する場合は０．５になる。幾つかの不良パターンが存
在するウエーハについて、この特徴量Ｐｒを求めた結果
を図３０に示す。特徴量（Ｓｘ，Ｓｙ）により露光起因
不良が発生していることが分かる。さらに、特徴量Ｐｒ
により、露光起因不良がウエーハ中央、全面、外周に各
々存在していることが分かる。この様子を特徴量（Ｓ
ｘ，Ｓｙ，Ｐｒ）から成る３次元の空間（特徴量空間）
で表した結果を図３１に示す。Ｓｘ、Ｓｙ、Ｐｒに各々
閾値を設定し、各閾値で区切られた領域が面内分布で分
類した露光起因不良の各モード（ウエーハ中央露光起因
不良、全面露光起因不良、外周露光起因不良）を表して
いる。特徴量空間での不良分類は、判定条件を複雑化し
た時に有効である。不良パターンがウエーハ面内の一部
にのみ存在する場合、特徴量の検出感度が鈍くなること
がある。ウエーハの中央部にのみ露光起因不良が存在す
る場合、特徴量は、ウエーハ全面に存在する場合に比べ
小さな値になる傾向がある。ウエーハの外周のみに存在
する場合も同様である。そこで（Ｓｘ，Ｓｙ）の閾値を
Ｐｒで変化させることにより、誤判定を低減することが
出来る。すなわち特徴量空間において図３１の直方体の
辺をＰｒが０及び１付近で狭め、図３２に示す領域を露
光起因不良の判定領域とすればよい。

【００３８】なお面内分布を判定する方法として、特徴
量を算出するための重ね合わせ領域自体を、面内分布を
判定したい領域に限定することも考えられる。この実施
例の場合、ｒ／２リングの内側と外側の領域でそれぞれ
ショット単位の重ね合わせを行えばよい。特徴量が線形
すなわち重ね合わせ原理が成り立つ場合は、この方法で
面内分布の判定を行うことができる。しかし特徴量が非
線形な場合、不良パターンの濃淡と特徴量の大小が必ず
しも一致しない。露光起因不良の特徴量は線形でなく、
ある領域内で不良パターンが淡い場合、値がやや小さく
なる傾向はあるが、定量性に乏しく、面内分布の判定に
は適していない。特徴量は、必ずしも線形とは限らない
ため、この実施例で示すように、面内分布を判定する線
形な特徴量を別途定め、特徴量空間で判定を行う方法が
有効である。以上述べたように、この実施例の方法によ
れば、露光起因不良とその面内分布を高精度に求めるこ
とができる。

【００３９】次に、図３３乃至図３８を参照して第７の
実施例を説明する。この実施例は、互いに類似する不良
パターンを特徴量空間における判別を行うことで、誤判
定を低減するものである。図３３は、ＤＲＡＭのウエー
ハプロセス終了後にウエーハ上の各チップ中の各ビット
をテストしたものである。Ｅのウエーハは、ショット周
期の不良パターンが発生しており、露光起因の不良発生
原因があると推定される。一方Ｆのウエーハは、不良ビ
ットの濃淡がチップ周期で繰り返しており、ウェーハＥ
は、別のパターンである。ウェーハＦの不良パターン
は、ウェーハＥとは別の原因で発生したと考えられる。
しかし、ウェーハＦの不良パターンを第１の実施例の方
法に従いショット単位で重ね合わせると、重ね合わせた
結果はショットより小さなチップの周期で規則性を持つ
ことになり、露光起因不良の特徴量（Ｓｘ，Ｓｙ）は、
大きな値になると考えられる。この場合ウエーハＦを露
光起因不良パターンと誤判定することになる。

【００４０】これを避けるため、Ｆを「チップ性不良」
と呼称することにし、チップ性不良の特徴量を定義し
た。定義方法を図３４に示す。チップ性不良は第１の実
施例で行ったショット単位の重ね合わせデータが、チッ
プの周期を持っているか否かで判定した。すなわち、ス
キャン露光のスキャン及びスリット方向へ射影した１次
元プロファイルを用い、１次元プロファイルの周期性を
求めた。周期性は、１次元プロファイルの自己相関関数
において、その第１番目の極小点が半周期（逆位相）に
対応していることより算出した。例えば、スキャン方向
（ｘ方向）の１次元プロファイルの自己相関関数の第１
極小点がラグ＝Ｌｘであった場合、ｘ方向の周期Ｐｘ＝
２・Ｌｘで求めた。ｘ方向のチップ性不良特徴量Ｃｘ
は、Ｐｘがチップ周期と一致する場合に最大値１、ショ
ット周期及び周期＝０の場合に０を取るようにし、その
間を線形補間して算出した。さらに、周期性自体の存在
を検知するため閾値を設定し、自己相関関数の第１極小
値（負値）が閾値より大きい場合は周期性なしとしてＣ
ｘ＝０とした。スリット方向（ｙ方向）も同様である。
このようにしてチップ性不良の特徴量（Ｃｘ，Ｃｙ）を
定義した。

【００４１】いくつかのチップ性不良が存在するウエー
ハと存在しないウエーハで（Ｃｘ，Ｃｙ）を求めた結果
を図３５に示す。Ｃｘ、Ｃｙが共にある閾値以上の場合
チップ性不良が存在していることが分かる。したがっ
て、図３５に示す領域Ｇ１内に（Ｃｘ，Ｃｙ）が入って
いるか否かでチップ性不良の有無が判定できる。次に、
露光起因不良のウエーハとチップ性不良のウエーハに対
して露光起因不良の特徴量（Ｓｘ，Ｓｙ）を求めた結果
を図３６に示す。チップ性不良は、露光起因不良に対す
る閾値の直上領域Ｈ１に分布していることが分かる。逆
に露光起因不良であればチップ性不良の特徴量が閾値を
上回ることはない。したがって、露光起因不良とチップ
性不良の判別を次のようにして行うことができる。露光
起因不良の条件：（Ｓｘ，Ｓｙ）が領域Ｈ１又はＨ２に
あり、且つＨ１の場合（Ｃｘ，Ｃｙ）が領域Ｇ１にな
い。チップ性不良の条件：（Ｃｘ，Ｃｙ）が領域Ｇ１に
ある。この判別をベクトル（Ｓｘ，Ｓｙ，Ｃｘ，Ｃｙ）
から成る特徴量空間で考えると図３７及び図３８のよう
になる。まず、図３５に示すように、Ｃｙが閾値以下の
領域Ｉ０と、閾値以上の領域Ｉ１に分ける。Ｃｙが閾値
以下のＩ０の領域であった場合（図３７）、Ｃｘに依ら
ず（Ｓｘ，Ｓｙ）がＨ１又はＨ２の領域であれば露光起
因不良と判定する。

【００４２】一方Ｃｙが閾値以上のＩ１の領域であった
場合（図３８）、Ｃｘが閾値以下であればＨ１とＨ２が
露光起因不良を判定されるが、Ｃｘが閾値以上であれば
Ｈ２のみが露光起因不良の領域となる。このように（Ｓ
ｘ，Ｓｙ，Ｃｘ，Ｃｙ）から成る特徴量空間で領域判定
を行うことにより、相互に依存し合う露光起因不良とチ
ップ性不良の混同を避けることができる。以上述べたよ
うに、複数の特徴量から構成される特徴量空間で領域判
定を行うことにより、互いに独立でない不良モードを明
確に識別し、誤判定を避けることができる。

【００４３】次に、図３９乃至図４４を参照して第８の
実施例を説明する。この実施例は、特徴量空間で定義さ
れる不良モードに対し、スカラー量の特徴量を与えるも
のである。第６及び第７の実施例６で述べたように、ｎ
個の特徴量から構成されるｎ次元特徴量空間内に領域を
設定し、特徴量を成分とするベクトルが領域内に来るか
否かでモードを特定することができる。場合によっては
図３２あるいは図３８のように複雑な領域を設定するこ
とにより、モード特定精度を向上させることができる。
ここで判明するのは、その不良モードの有り／無しであ
る。しかし特徴量ベクトルが判定領域の閾値付近にある
場合と、領域の中央に位置する場合では、不良モードの
「程度」が異なっていると考えられる（すなわち閾値付
近なら程度が軽い）。さらに、不良モードの発生状況に
対し統計的な検定を行う場合がある。この際不良モード
の存在が一つの数値で表されていると都合が良い。した
がって、不良モードは、その程度も含めて連続値を取る
スカラー量で特徴量化することが望ましい。

【００４４】特徴量（Ｃ１，Ｃ２，・・・，Ｃｎ）で表
される特徴量空間Ｃを考える。Ｃ内のある領域で定義さ
れる不良モードＡがあるとする。Ａを一つの連続した数
値（スカラー化特徴量ｆ）で表すことにする。まず、ス
カラー化特徴量は、規格化されたものとする。すなわち
不良モードＡが完全に存在しない場合はｆ＝０、最も強
く存在する場合はｆ＝１、閾値上に位置する場合はｆ＝
０．５を取り、その間は補間されるものとする。補間を
行うために、Ｃ内に格子点を設定し、次の３種類の集合
を考える。 Ｌ：Ａが完全に存在しない状態を表す格子点の集合 Ｔ：Ａを判定する閾値上に位置する格子点の集合 Ｕ：Ａが最も強く存在する状態を表す格子点の集合 ｆの規格化条件より、Ｌ上の格子点には０、Ｔ上の格子
点には０．５、Ｕ上の格子点には１を各々割り付ける。
次に、任意の格子点Ｐｉにおけるスカラー化特徴量ｆ
（Ｐｉ）を決定する。決定方法としては、例えば、特徴
量空間内の距離に関して線形補間を行えばよい。すなわ
ち、まずＰｉが不良モードＡに属しているか否かの判定
を行う。もしＡに属している場合は、次式（数１５）で
求め、Ａに属していない場合は、次式（数１６）で求め
れば良い。

【００４５】

【数１５】ｆ（Ｐｉ）＝０．５×（１＋ /［Ｔk Ｐi ］
／（ /［Ｔk Ｐi ］＋ /［Ｐi Ｕj ］））

【００４６】

【数１６】ｆ（Ｐｉ）＝０．５× /［Ｌl Ｐi ］／（ /
［Ｌl Ｐi ］＋ /［Ｐi Ｔk ］） ここでＬl 、Ｔk 、Ｕj は、各々Ｐi に最も近いＬ、
Ｔ、Ｕ上の格子点であり、 /［Ｔk Ｐi ］、 /［Ｐi Ｕ
j ］、 /［Ｌl Ｐi ］、 /［Ｐi Ｔk ］は、それぞれ、
Ｔk ・Ｐi 間、Ｐi ・Ｕj 間、Ｌl ・Ｐi 間、Ｐi ・Ｔ
k 間の距離を表している。この様子を図３９に示す。Ｌ
l →Ｐi →Ｔk あるいはＴk →Ｐi →Ｕjへ至る折れ線
を考え、各線分の長さに関して補間を行っていることに
なる。なお任意の点Ｐ（Ｃ１，Ｃ２，・・・，Ｃｎ）に
対するｆ（Ｐ）は、各格子点に関して求めたｆ（Ｐｉ）
をさらに補間して求めればよい。補間方法としては、例
えば、ｆをＣ１，Ｃ２，・・・，Ｃｎに関する次のＰ次
多項式（数１７）で近似し、係数ａ１、ａ２、・・・ａ
ｍは、最小２乗法を適用して次式（数１８）で求めても
良い。

【００４７】

【数１７】ｆ（Ｃ１，Ｃ２，Λ，Ｃｎ）＝ａ１Ｃ１^p ＋
ａ２Ｃ１^p-1 Ｃ２＋Λ＋ａｍ

【００４８】

【数１８】 Ｋ１＝Ｃ１^p ，Ｋ２＝Ｃ１^p-1 Ｃ２，Λ，Ｋｍ＝１であ
り、（Ｃ１，Ｃ２，・・・，Ｃｎ）に関するＰ次以下の
全ての項である。あるいは隣接格子点の値から補間して
も良い。

【００４９】簡単な例として、第１の実施例で述べた露
光起因不良パターンにこの実施例の方法を適用した場合
について述べる。第１の実施例ではスキャン露光の各方
向（スキャン方向、スリット方向）に対し特徴量を求め
ていた。ここでは、それを（Ｃ１，Ｃ２）と置く。Ｃ
１、Ｃ２に対し、各々閾値を設けて判定を行えばスキャ
ン露光の各方向への偏りでパターン分類が出来る。一
方、露光起因不良全体を考え、それに統計的な検定を適
用したい場合が存在する。この場合露光起因不良の存在
が（Ｃ１，Ｃ２）の２次元ベクトルで表されているより
も、例えば、ｆと言うスカラー量で記述されていると都
合が良い場合が多い。例えば歩留り（＝スカラー量）に
対して、ある統計的な検定を行うプログラムがあった場
合、歩留りをスカラー化特徴量ｆに置き換えれば、同じ
プログラムを使用して露光起因不良全体の検定を行うこ
とができる。

【００５０】この場合の特徴量空間の様子を図４０に示
す。Ｃ１、Ｃ２の閾値は共に０．４であり、少なくとも
一方が０．４を越えた場合露光起因不良ありと判定され
る。したがって、図４０の斜線部が露光起因不良全体を
表す。この特徴量空間に図４１で示されるように０．１
間隔で格子点を設定した。次に、上記で述べた補間を行
うためのＬ、Ｔ、Ｕに属する格子点を決定する。Ｌは、
Ｃ１、Ｃ２が共にゼロの状態に対応させた。Ｕとしては
様々な対応方法が考えられるが、スキャン方向の偏りが
単独で最も強く存在する場合（Ｃ１＝１、Ｃ２は任
意）、スリット方向の偏りが単独で最も強く存在する場
合（Ｃ２＝１、Ｃ１は任意）は、互いに対等で最も強く
露光起因不良が存在している状態と考えられる。したが
って、これらに属する格子点をＵとした。Ｔは、露光起
因不良有り／無しの境界上に位置する格子点にすれば良
い。これらを図４２に示す。

【００５１】格子点を設定すれば、機械的に（数１５）
〜（数１８）式を適用し、特徴量空間内にスカラー化特
徴量ｆ（Ｃ１，Ｃ２）を定義することができる。その結
果を図４２に示す。Ｌ上でｆ＝０、Ｕ上でｆ＝１、Ｔ付
近でｆ＝０．５となり、その間は連続的に補間されてい
る。なお、図４２はＣ１、Ｃ２に関する４次多項式で表
した。これより２次元ベクトル（Ｃ１，Ｃ２）で表され
ていた露光起因不良全体の存在が、その程度も含めて、
ｆ（Ｃ１，Ｃ２）と言うスカラー量で定量化できた。こ
の実施例の方法は、領域設定を複雑化した時に特に有効
である。図３２に示すように、面内分布に応じて閾値を
補正した場合も、機械的にスカラー化特徴量ｆ（Ｓｘ，
Ｓｙ，Ｐｒ）を定めることが出来る。すなわち、 Ｌ：（Ｓｘ，Ｓｙ，Ｐｒ）＝（０，０，ｔ），０≦ｔ≦
１となる直線上の格子点 Ｕ：Ｓｘ＝１又はＳｙ＝１となる平面上の格子点 Ｔ：補正された閾値曲面上の格子点 に取ればよい。図３７及び図３８に示すように４次元空
間（Ｓｘ，Ｓｙ，Ｃｘ，Ｃｙ）内に領域設定された不良
モードでも全く同様である。

【００５２】特徴量空間を組み合わせることで、さらに
複雑なモード分類を考えることができる。例えば図３
２、図３７及び図３８を組み合わせて（Ｓｘ，Ｓｙ，Ｃ
ｘ，Ｃｙ，Ｐｒ）で表される５次元特徴量空間を考え
る。この空間の領域設定では、 ・露光起因不良 ・露光起因不良の面内分布 ・面内分布による露光起因不良の判定閾値補正 ・チップ性不良 ・チップ性不良による露光起因不良の判定閾値補正 が考慮されている。なお、Ｐｒによる閾値補正は、ある
一定割合で減少させる操作とし、（Ｃｘ，Ｃｙ）による
閾値補正に対しても、同じ比率で行うものとする。この
領域設定を利用して、例えば、以下のような不良モード
分類を考えることができる。 ・露光起因不良全体 ・面内均一な露光起因不良 ・面内不均一な露光起因不良 ・ウエーハ中央偏り型露光起因不良 ・ウエーハ外周偏り型露光起因不良 ・スキャン方向偏り型露光起因不良 ・スリット方向偏り型露光起因不良 ・チップ性不良

【００５３】この他にも細かいモード分類（例えば、ウ
エーハ中央偏り型スキャン方向偏り型露光起因不良等）
を考えることもできる。各不良モードに対しＵ、Ｔ、Ｌ
を設定すれば、機械的にスカラー化特徴量を定義するこ
とが出来る。例えば、面内均一な露光起因不良の場合を
図４４に示す。なお、図４４は、（Ｃｘ，Ｃｙ）が閾値
以下の領域とし、（Ｓｘ，Ｓｙ，Ｐｒ）の３軸について
示してある。一般に、Ｕ及びＬは、そのモードを記述す
る特徴量の取り得る範囲で容易に決定される。図４４の
場合ＵはＳｘ＝１又はＳｙ＝１の平面上で、且つＰｒ＝
０．５の直線上の格子点に取ればよい。Ｌは、（Ｓｘ，
Ｓｙ）＝０の直線上に取ればよい。Ｔは周囲の格子点の
モード判定結果を参照し、判定が変化している位置の格
子点に割り振ればよい。このようにして各不良モードに
対し機械的にスカラー化特徴量を定義することができ
た。スカラー化特徴量は、第４及び第５の実施例に示す
スカラー量を対象とする統計処理システム中に容易に組
み入れることができる。その結果、各不良モードの歩留
り改善効果及び不良発生装置を特定することができた。
このように特徴量空間を導入することで、不良パターン
を数ベクトル空間に還元し、定量化及び統計処理を容易
に行うことができる。以上述べたように特徴量空間内に
スカラー量の特徴量を新たに定義し、複雑なモード分類
に対して定量化を機械的に行うことができる。

【００５４】

【発明の効果】以上説明したように、本発明によれば、
半導体集積回路の不良パターンを、その対称性あるいは
周期性を表す繰り返し単位に重ね合せることにより強調
した後、特徴量化することにより高感度に自動検出する
ことができる。さらに、空間的に偏って存在する不良の
偏りの程度を表す特徴量と予め想定した不良パターンの
存在を表す特徴量とを照合することで、あらかじめ想定
していない不良パターンの存在を自動検出することがで
きる。また、複数の特徴量の組み合せで表される特徴量
空間における領域で不良モードを判定することにより、
不良モードの詳細な分類を高精度に行うことができ、さ
らに、複雑な条件設定がされた不良モードに対して、ス
カラー量の特徴量を機械的に定義できるため、定量化及
び統計処理を容易に行うことができる。

【図面の簡単な説明】

【図１】露光起因不良の自動検出フローチャート。

【図２】露光プロセス起因の不良が存在するウエーハの
不良ビット分布図。

【図３】不良数情報の露光単位での重ね合わせ方法を説
明するウェーハ平面図。

【図４】露光単位で重ね合わせた不良数分布図及び１次
元プロファイル化した図。

【図５】特徴量を算出するための荷重平均係数を表す
図。

【図６】検出したい不良パターンの繰り返し単位に対し
異常と判定されるパターンを説明するウェーハ平面図。

【図７】不良ビット分布パターンと露光起因不良特徴量
を示す分布図。

【図８】露光プロセス起因不良パターンの自動検出装置
のブロック図。

【図９】外周不良の自動検出フローチャート。

【図１０】外周不良の存在するウエーハの不良ビット分
布図。

【図１１】不良数情報の同心円単位での重ね合わせ方法
を説明するウェーハ平面図。

【図１２】不良数のウエーハ面内半径方向分布図。

【図１３】不良ビット分布パターンと外周不良特徴量示
す分布図。

【図１４】露光起因、および外周不良パターンの自動検
出装置のブロック図。

【図１５】予め想定していない不良パターンの自動検出
フローチャート。

【図１６】予め想定していない不良パターンが存在する
ウエーハの不良ビット分布図。

【図１７】予め想定していない不良パターンの自動検出
装置のブロック図。

【図１８】図１７の装置による不良パターンの判定結果
を示す分布図。

【図１９】露光単位の繰り返し単位情報を図１７の装置
に入力する形式を示した図。

【図２０】露光単位で重ね合せたデータを図１７の装置
が出力する形式を示した図。

【図２１】同心円単位の繰り返し単位情報を図１７の装
置に入力する形式を示した図。

【図２２】同心円単位で重ね合せたデータを図１７の装
置が出力する形式を示した図。

【図２３】不良パターンの歩留りへの影響度の算出手順
を示すフローチャート。

【図２４】不良パターンの歩留りへの影響度を算出する
装置のブロック図。

【図２５】不良パターンの発生原因を特定する手順を示
すフローチャート。

【図２６】不良パターンの発生原因を特定する装置のブ
ロック図。

【図２７】装置履歴と特徴量を照合して求めた度数分布
図。

【図２８】ＱＣデータと特徴量を照合してもとめた散布
図。

【図２９】ウエーハ中央露光起因不良の不良ビットの分
布図。

【図３０】露光起因不良のウエーハ面内分布と特徴量を
示す図。

【図３１】特徴量空間での露光起因不良の面内分布によ
る分類図。

【図３２】特徴量空間における面内分布による露光起因
不良の判定閾値を補正する図。

【図３３】露光起因不良とチップ性不良の不良ビットの
分布図。

【図３４】チップ性不良の特徴量の定義方法を示す図。

【図３５】特徴量によるチップ性不良の検出を説明する
図。

【図３６】露光起因不良及びチップ性不良に対する露光
起因不良の特徴量の分布図。

【図３７】特徴量空間における露光起因不良のチップ性
不良がない場合の検出方法を説明する図。

【図３８】特徴量空間における露光起因不良の一部チッ
プ性不良が存在する領域を含む場合の検出方法を説明す
る図。

【図３９】特徴量空間内の距離に関する線形補間により
格子点上のスカラー化特徴量を決定する方法を説明する
図。

【図４０】特徴量空間におけるショット性不良全体を表
わす領域を示す図。

【図４１】特徴量空間内に設定した格子点を示す図。

【図４２】補間を行うための格子点の設定方法を説明す
る図。

【図４３】特徴量空間に定義したショット性不良全体を
表わすスカラー量特徴量の等高線図。

【図４４】面内均一な露光起因不良を表すスカラー化特
徴量を算出するための格子点の設定方法を説明する図。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 牛久 幸広 神奈川県横浜市磯子区新杉田町８番地 株 式会社東芝横浜事業所内 Ｆターム(参考） 2G003 AA10 AB00 AG03 AH01 AH05 2G132 AA08 AD15 AE23 AF14 AL11 4M106 AA01 BA01 BA14 CA26 DA14 DA15 DJ20

Claims (15)

【特許請求の範囲】
1. 【請求項１】 半導体ウェーハ上に形成された集積回路
   の不良の位置情報を抽出する第１の工程と、 前記位置情報を前記半導体ウェーハ面内の空間的繰り返
   し単位で重ね合わせる第２の工程と、 この重ね合せによって算出されたデータから空間的繰り
   返し性不良の度合いを示す特徴量を算出する第３の工程
   とを有することを特徴とする半導体集積回路の不良検出
   方法。
2. 【請求項２】 前記第２の工程を実施する前に、前記第
   １の工程によって抽出された前記位置情報から、異常な
   位置情報を除外する工程を有することを特徴とする請求
   項１に記載の半導体集積回路の不良検出方法。
3. 【請求項３】 前記第１の工程によって抽出された前記
   位置情報の合計が周囲の位置情報に対して大きい場合
   に、前記異常な位置情報とすることを特徴とする請求項
   ２に記載の半導体集積回路の不良検出方法。
4. 【請求項４】 閾値を設定する工程と、前記閾値と前記
   特徴量を照合し前記空間的繰り返し性不良を判定するこ
   とを特徴とする請求項１乃至請求項３のいずれかに記載
   の半導体集積回路の不良検出方法。
5. 【請求項５】 前記空間的繰り返し性不良を予め設定す
   る工程と、空間的に偏って存在する不良の偏りの程度を
   表す特徴量を算出する工程とを有し、前記予め設定した
   空間的繰り返し性不良の存在を示す特徴量では検知され
   ず、且つ前記空間的に偏って存在する不良の偏りの程度
   を表す特徴量で検出される不良が存在した場合、前記予
   め設定した空間的繰り返し性不良以外の不良であると判
   定することを特徴とする請求項１乃至請求項４のいずれ
   かに記載の半導体集積回路の不良検出方法。
6. 【請求項６】 ２個以上の特徴量を成分とするベクトル
   より構成される数ベクトル空間において、前記数ベクト
   ル空間内に１個の不良モードに対して領域を設定し、前
   記領域と前記特徴量を成分とするベクトルを照合するこ
   とにより、前記不良モードの存在を判定することを特徴
   とする請求項１乃至請求項５のいずれかに記載の半導体
   集積回路の不良検出方法。
7. 【請求項７】 前記数ベクトル空間内に設定された領域
   で表される不良モードに対し、スカラー量の特徴量を算
   出することを特徴とする請求項６に記載の半導体集積回
   路の不良検出方法。
8. 【請求項８】 前記スカラー量の特徴量算出方法は、前
   記数ベクトル空間内に前記不良モードの程度の上限、下
   限及び閾値領域を設定し、前記上限、下限及び閾値領域
   にスカラー量を割り付け、前記上限、下限及び閾値領域
   間を補間することにより任意の点における特徴量を算出
   することを特徴とする請求項７に記載の半導体集積回路
   の不良検出方法。
9. 【請求項９】 前記補間する方法は、前記数ベクトル空
   間内における距離に関して線形補間することを特徴とす
   る請求項８に記載の半導体集積回路の不良検出方法。
10. 【請求項１０】 前記２個以上の特徴量は、少なくとも
    不良モードの種類を表現する特徴量と、ウエーハ面内の
    出現位置を表現する特徴量とを含むことを特徴とする請
    求項６に記載の半導体集積回路の不良検出方法。
11. 【請求項１１】 半導体ウェーハ上に形成された集積回
    路の不良の位置情報を抽出する第１計算部と、前記位置
    情報を前記半導体ウェーハ面内の空間的繰り返し単位で
    重ね合わせる第２計算部と、この重ね合せによって算出
    されたデータから空間的繰り返し性不良の度合いを示す
    特徴量を算出する第３計算部とを有することを特徴とす
    る半導体集積回路の不良検出装置。
12. 【請求項１２】 前記第１計算部によって抽出された前
    記位置情報から、異常な位置情報を除外する第４計算部
    を有することを特徴とする請求項１１に記載の半導体集
    積回路の不良検出装置。
13. 【請求項１３】 前記第１計算部によって抽出された前
    記位置情報の合計が前記位置情報の周囲の位置情報に対
    して大きい場合に前記異常な位置情報と判定する第５計
    算部を有することを特徴とする請求項１１又は請求項１
    ２に記載の半導体集積回路の不良検出装置。
14. 【請求項１４】 閾値を設定する第６計算部と、前記第
    ３計算部が前記閾値と前記特徴量を照合し前記空間的繰
    り返し性不良を判定することを特徴とする請求項１１乃
    至請求項１３のいずれかに記載の半導体集積回路の不良
    検出装置。
15. 【請求項１５】 前記空間的繰り返し性不良を予め設定
    する第７計算部と、空間的に偏って存在する不良の偏り
    の程度を表す特徴量を算出する第８計算部とを有し、前
    記第７計算部で設定した前記空間的繰り返し性不良の存
    在を示す特徴量では検知されず、且つ前記第８計算部で
    算出した空間的に偏って存在する不良の偏りの程度を表
    す特徴量で検出される不良が存在した場合、前記第７計
    算部で設定した前記空間的繰り返し性不良以外の不良で
    あると判定する第９計算部を有することを特徴とする請
    求項１１乃至請求項１４のいずれかに記載の半導体集積
    回路の不良検出装置。