JP2010191564A - Characteristic analyzing method and device, characteristic classifying method and device, program for making computer execute characteristic analyzing method and characteristic classifying method, and computer-readable recording medium for recording program - Google Patents

Characteristic analyzing method and device, characteristic classifying method and device, program for making computer execute characteristic analyzing method and characteristic classifying method, and computer-readable recording medium for recording program Download PDF

Info

Publication number
JP2010191564A
JP2010191564A JP2009033535A JP2009033535A JP2010191564A JP 2010191564 A JP2010191564 A JP 2010191564A JP 2009033535 A JP2009033535 A JP 2009033535A JP 2009033535 A JP2009033535 A JP 2009033535A JP 2010191564 A JP2010191564 A JP 2010191564A
Authority
JP
Japan
Prior art keywords
characteristic
tendency
data set
data
analysis method
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.)
Granted
Application number
JP2009033535A
Other languages
Japanese (ja)
Other versions
JP5566616B2 (en
Inventor
Katsuki Imai
克樹 今井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sharp Corp
Original Assignee
Sharp Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sharp Corp filed Critical Sharp Corp
Priority to JP2009033535A priority Critical patent/JP5566616B2/en
Publication of JP2010191564A publication Critical patent/JP2010191564A/en
Application granted granted Critical
Publication of JP5566616B2 publication Critical patent/JP5566616B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

<P>PROBLEM TO BE SOLVED: To provide a characteristic analyzing method for precisely creating a classification reference for classifying data sets including a plurality of characteristic values which an analysis object has regardless of the types of the characteristic values without using preliminary knowledge related with the manufacturing process of the analysis object or the like according to trends shown by the characteristic values. <P>SOLUTION: The characteristic analyzing method includes: extracting one or more unique trends of a whole data set group configured by collecting data sets across a plurality of analysis objects (S101); calculating the degree of the inclusion of the respective unique trends in each data set (S102); determining data points corresponding to the respective data sets in a space with each degree as an axis, and integrating the data points existing in a distance in the space into the same group (S103); and determining the representative values of the data points included in each of the integrated groups, and creating a classification reference for classifying the data sets from the representative values (S104). <P>COPYRIGHT: (C)2010,JPO&INPIT

Description

この発明は特性解析方法および装置に関し、より詳しくは、解析対象物が持つ複数の特性値を含むデータ（以下「データセット」と呼ぶ。）を、上記特性値が示す傾向に基づいて分類するための分類基準を作成する特性解析方法および装置に関する。   The present invention relates to a characteristic analysis method and apparatus, and more specifically, to classify data including a plurality of characteristic values (hereinafter referred to as “data set”) possessed by an analysis object based on the tendency indicated by the characteristic values. The present invention relates to a characteristic analysis method and apparatus for creating a classification standard.

また、この発明は、そのような分類基準を用いて、上記データセットを分類するデータ分類方法および装置に関する。   The present invention also relates to a data classification method and apparatus for classifying the data set using such classification criteria.

また、この発明は、そのような特性解析方法または特性分類方法をコンピュータに実行させるためのプログラムに関する。   The present invention also relates to a program for causing a computer to execute such a characteristic analysis method or characteristic classification method.

また、この発明は、そのようなプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。   The present invention also relates to a computer-readable recording medium recording such a program.

半導体ウェハ、ディスプレイデバイス、ハードディスク磁気ヘッドなどの薄膜デバイスの製造ラインでは、歩留まりの向上や安定化を目的として様々な検査が実施される。これらの検査には、例えば基板上に付着した異物等によって生じる回路パターンの欠陥を検出するパターン検査や、形成された回路の電気的な特性を検査する電気特性検査などがある。製造ラインではこれらの検査結果を日々監視しており、例えばパターン検査で検出された欠陥の個数の増大や電気特性検査で測定された電気的特性の変動に基づいて製造工程で異常が発生していないかどうかをチェックしている。基板に対して順次実行される複数の製造工程のうち、或る製造工程において異常が発生した場合には、これらの検査結果の調査や解析を行って迅速に原因を特定して対策を施すことで、歩留まり低下による損害を最小限に食い止めることができる。そのため、製造ラインには、検査情報や各製造装置の処理履歴を収集するシステムが設けられている。   In a production line for thin film devices such as semiconductor wafers, display devices, and hard disk magnetic heads, various inspections are performed for the purpose of improving yield and stabilizing. These inspections include, for example, a pattern inspection for detecting a defect in a circuit pattern caused by a foreign substance attached on a substrate, an electrical characteristic inspection for inspecting an electrical characteristic of a formed circuit, and the like. The production line monitors these inspection results on a daily basis.For example, abnormalities have occurred in the manufacturing process based on the increase in the number of defects detected by pattern inspection and fluctuations in electrical characteristics measured by electrical characteristic inspection. Check whether there is any. If an abnormality occurs in a certain manufacturing process among a plurality of manufacturing processes that are sequentially performed on the board, the inspection results should be investigated and analyzed to quickly identify the cause and take countermeasures. Thus, damage due to yield reduction can be minimized. Therefore, a system for collecting inspection information and processing history of each manufacturing apparatus is provided in the manufacturing line.

製造工程で異常が発生した場合、検査結果には特異な傾向が現れることが多い。これらの特異傾向は、発生した異常の状態によって異なり異常原因と密接に関係している。このため、工程内に発生している特性の傾向を俯瞰的に調査することによって、工程内の異常の有無や異常の原因などを間接的に確認することができる。したがって、検査工程での特性の特異傾向を早期に検出することは非常に有効である。しかしながら、一般的に言って、特性値の時間的変化の監視や通常の統計処理による統計値などの数値では、特異傾向を表現することが難しい。このため、実際には、特性の傾向を監視することによる異常の検出や監視は困難である。   When an abnormality occurs in the manufacturing process, a unique tendency often appears in the inspection result. These unique tendencies vary depending on the state of the abnormality that has occurred and are closely related to the cause of the abnormality. For this reason, the presence or absence of an abnormality in the process, the cause of the abnormality, etc. can be indirectly confirmed by investigating the tendency of the characteristics occurring in the process. Therefore, it is very effective to detect the characteristic tendency in the inspection process at an early stage. However, generally speaking, it is difficult to express a peculiar tendency by numerical values such as monitoring of temporal changes in characteristic values and statistical values obtained by normal statistical processing. For this reason, it is actually difficult to detect and monitor abnormalities by monitoring the tendency of characteristics.

これらの困難を克服する為、或る期間内に特性を検査された複数の基板における特性の特異傾向発生状況を解析し、製造プロセスにおける特異傾向の特徴や類似した特性値の発生頻度などから、特異傾向を示す代表値を自動的に作成する技術が幾つか提案されている。   In order to overcome these difficulties, we analyze the unique tendency occurrence status of characteristics in a plurality of substrates whose characteristics were inspected within a certain period, and from the characteristics of unique tendency in the manufacturing process and the occurrence frequency of similar characteristic values, Several techniques for automatically creating a representative value indicating a unique tendency have been proposed.

例えば、特許文献１（特許第４０３８３５６号公報）では、基板表面における異物などの欠陥の分布形状を解析すべき特性の傾向とし、欠陥座標から求めたボロノイ領域を用いて欠陥密度マップを作成し、予め定義した複数のカテゴリのいずれかに分類する方法が記載されている。しかしながら、この方法では、分布形状を予め定めたカテゴリに分類するため、プロセス知見が必要であり、また、ボロノイ領域で分布を表現するため、複雑な分布カテゴリは定義できない。   For example, in Patent Document 1 (Patent No. 4038356), the distribution shape of defects such as foreign matters on the substrate surface is set as a tendency of characteristics to be analyzed, a defect density map is created using a Voronoi region obtained from the defect coordinates, A method of classifying into any of a plurality of predefined categories is described. However, this method requires process knowledge in order to classify the distribution shape into predetermined categories and expresses the distribution in the Voronoi region, so a complicated distribution category cannot be defined.

同じく欠陥分布の解析方法として、別の特許文献２（特許第３８３４００８号公報）に、欠陥分布の位置の類似性に注目し、欠陥分布の位置的な相関が高い基板を同一のカテゴリに分類する方法が記載されている。具体的には、分類対象となる各基板上に領域を設定する。次に、それぞれの基板について、各領域毎の欠陥数を順に並べたものを波形として考え、相関係数などの尺度を用いて全基板の組み合わせについて波形の類似性を調べて、類似性が高い基板を同一のカテゴリに分類する。そして、各カテゴリ内に含まれる基板と最も相関係数の高い基板の分布形状をそのカテゴリの特徴を表す分布形状とし、それらの分布形状を分類の基準として、互いに類似した基板を同じグループに分類する。これにより、たとえ複数の工程で異常が発生していても、それぞれの異常原因ごとの分布形状に応じて基板が分類される。しかしながら、特許文献２記載の方法では、領域の設定にプロセスに関する知見が必要であるため、この方法は、知見が蓄積されていない工程や、未知の異常に対しては適用できない。また、欠陥分布の形状を２枚の基板の比較で解析するので、俯瞰的な解析ができず、必ずしも正しい分布形状やグループが得られない。   Similarly, as a method for analyzing the defect distribution, another patent document 2 (Japanese Patent No. 3734008) focuses on the similarity of the position of the defect distribution and classifies the substrates having a high positional correlation of the defect distribution into the same category. A method is described. Specifically, an area is set on each substrate to be classified. Next, for each substrate, the number of defects in each region arranged in order is considered as a waveform, and the similarity of waveforms is examined for all substrate combinations using a measure such as a correlation coefficient, and the similarity is high. Classify boards into the same category. Then, the distribution shape of the substrate having the highest correlation coefficient with the substrate included in each category is set as the distribution shape that represents the characteristics of the category, and similar distribution substrates are classified into the same group using the distribution shape as a reference for classification. To do. Thereby, even if abnormality has occurred in a plurality of processes, the substrates are classified according to the distribution shape for each abnormality cause. However, since the method described in Patent Document 2 requires knowledge about the process for setting the region, this method cannot be applied to a process where knowledge is not accumulated or an unknown abnormality. Further, since the shape of the defect distribution is analyzed by comparing two substrates, a bird's-eye analysis cannot be performed, and a correct distribution shape and group cannot always be obtained.

また、特許文献１および特許文献２に共通の課題として、解析は欠陥分布形状に対してのみであり、その他の特性値の傾向は解析できないことが挙げられる。   Further, a problem common to Patent Document 1 and Patent Document 2 is that the analysis is only for the defect distribution shape, and the tendency of other characteristic values cannot be analyzed.

欠陥分布以外の特性解析方法として、別の特許文献３（特開２００３−１４２３６１号公報）に、基板の特性値から抽出した代表値に対して回帰木解析を適用し、特性値の規則性を解析する方法が記載されている。しかしながら、回帰木分析は目的変数と説明変数の関係をモデル化する手法であるため目的変数と説明変数に主従関係が発生し、各特性値全体から特性の傾向を把握する解析には適さない。更に、回帰木分析に代表される排他ルールによる解析は、解析担当者が結果を理解しやすい一方で解析精度が悪いという欠点がある。   As a characteristic analysis method other than the defect distribution, a regression tree analysis is applied to a representative value extracted from the characteristic value of the substrate in another patent document 3 (Japanese Patent Laid-Open No. 2003-142361), and the regularity of the characteristic value is determined. A method of analysis is described. However, the regression tree analysis is a technique for modeling the relationship between the objective variable and the explanatory variable, so that a master-slave relationship occurs between the objective variable and the explanatory variable, and is not suitable for an analysis for grasping the tendency of the characteristic from each characteristic value as a whole. Furthermore, the analysis based on the exclusion rule represented by the regression tree analysis has a drawback that the analysis person can easily understand the result, but the analysis accuracy is poor.

特許第４０３８３５６号公報Japanese Patent No. 4038356 特許第３８３４００８号公報Japanese Patent No. 3734008 特開２００３−１４２３６１号公報JP 2003-142361 A

そこで、この発明の課題は、解析対象物が持つ複数の特性値を含むデータセットを、特性値の種類によらず、解析対象物の製造プロセス等に関する事前知識を用いずに、上記特性値が示す傾向に応じて分類するための分類基準を精度良く作成できる特性解析方法および装置を提供することにある。   Therefore, an object of the present invention is to obtain a data set including a plurality of characteristic values possessed by an analysis object without using prior knowledge about the manufacturing process of the analysis object regardless of the type of the characteristic value. An object of the present invention is to provide a characteristic analysis method and apparatus capable of accurately creating a classification standard for classification according to a tendency to be shown.

また、この発明の課題は、そのような分類基準を用いて、上記データセットを分類するデータ分類方法および装置を提供することにある。   Moreover, the subject of this invention is providing the data classification method and apparatus which classify | categorize the said data set using such a classification standard.

また、この発明の課題は、そのような特性解析方法または特性分類方法をコンピュータに実行させるためのプログラムに関する。   Another object of the present invention relates to a program for causing a computer to execute such a characteristic analysis method or characteristic classification method.

また、この発明は、そのようなプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。   The present invention also relates to a computer-readable recording medium recording such a program.

上記課題を解決するため、この発明の特性解析方法は、
解析対象物が持つ或る個数の特性値を順序付けられた成分として含むデータセットを、上記特性値が示す傾向に基づいて分類するための分類基準を作成する特性解析方法であって、
複数の解析対象物にわたって上記データセットを集めてなるデータセット群全体の特性値から１個以上の特異傾向を抽出する特異傾向抽出工程と、
上記各データセットが上記各々の特異傾向を含む度合いを算出する特異傾向評価工程と、
上記各度合いを軸とする空間で上記各データセットに対応するデータ点を求め、上記空間で或る距離内に存在するデータ点同士を同じグループに統合するデータ統合工程と、
上記統合された各グループに含まれるデータ点の代表値を求め、上記代表値から上記分類基準を作成する分類基準作成工程とを有する。 In order to solve the above problems, the characteristic analysis method of the present invention is:
A characteristic analysis method for creating a classification standard for classifying a data set including a certain number of characteristic values of an analysis object as an ordered component based on a tendency indicated by the characteristic value,
A peculiar tendency extracting step of extracting one or more peculiar tendencies from the characteristic values of the entire data set group obtained by collecting the data sets over a plurality of analysis objects;
A unique tendency evaluation step for calculating the degree that each of the data sets includes the respective unique tendency;
A data integration step of obtaining data points corresponding to each of the data sets in a space around each degree, and integrating data points existing within a certain distance in the space into the same group;
A classification standard creating step of obtaining a representative value of data points included in each of the integrated groups and creating the classification standard from the representative value.

ここで、上記データセット群のうち、或るデータセットと別のデータセットの間で、順序（番号）が同じ成分同士は互いに対応した特性値を表す。   Here, in the data set group, components having the same order (number) between a certain data set and another data set represent characteristic values corresponding to each other.

また、特性値が示す「傾向」とは、或る成分（複数の成分であっても良い。）の特性値が示す統計的性質（例えば、複数のデータセットにわたる平均値）を指す。   The “trend” indicated by the characteristic value indicates a statistical property (for example, an average value over a plurality of data sets) indicated by the characteristic value of a certain component (may be a plurality of components).

また、「特異傾向」とは、データセット群全体についての或る成分（複数の成分であっても良い。）の特性値が示す傾向に対して、或るデータセット（複数のデータセットであっても良い。）についての上記成分と対応する成分の特性値が異なる場合において、その異なった特性値が示す傾向を指す。   Further, the “unique tendency” is a certain data set (a plurality of data sets) with respect to a tendency indicated by a characteristic value of a certain component (may be a plurality of components) for the entire data set group. In the case where the characteristic value of the component corresponding to the above component is different, the tendency indicated by the different characteristic value is indicated.

また、或るデータセットが各々の「特異傾向を含む」とは、そのデータセットを表す特性値のうちに、上記特異傾向の統計的性質と類似した性質を持つ特性値が存在することを意味する。   In addition, a certain data set “includes a peculiar tendency” means that a characteristic value having characteristics similar to the statistical characteristic of the peculiar tendency exists among characteristic values representing the data set. To do.

また、或るデータセットが各々の特異傾向を含む「度合い」とは、そのような類似した性質を、例えば数値の大小で定量的に表したものを意味する。   Further, the “degree” in which a certain data set includes each unique tendency means that such a similar property is quantitatively expressed by, for example, the numerical value.

また、上記各度合いを軸とする空間で「或る距離内に存在する」とは、例えば上記空間上で定義される距離関数を用いたとき、上記空間上に存在する複数のデータ点間の距離が上記距離以下であることを意味する。   In addition, the term “exists within a certain distance” in a space having the above-mentioned degree as an axis means that, for example, when a distance function defined in the space is used, a plurality of data points existing in the space are used. It means that the distance is not more than the above distance.

また、データ点をグループに「統合」するとは、上記データセット群に含まれる１つ以上のデータセットを同一のグループに分類することに相当する。   Further, “integrating” data points into a group corresponds to classifying one or more data sets included in the data set group into the same group.

また、各グループに含まれるデータ点の「代表値」とは、そのグループの特性値の傾向を端的に表す特性値を意味する。   The “representative value” of the data point included in each group means a characteristic value that directly represents the tendency of the characteristic value of the group.

この発明の特性解析方法によれば、まず特異傾向抽出工程で、上記データセット群全体の特性値から１個以上の特異傾向が抽出される。更に、特異傾向評価工程で、上記各データセットが上記各々の特異傾向を含む度合いが算出される。次に、データ統合工程で、上記各度合いを軸とする空間で上記各データセットに対応するデータ点が求められ、上記空間で或る距離内に存在するデータ点同士が同じグループに統合される。そして、分類基準作成工程で、上記統合された各グループに含まれるデータ点の代表値が求められ、上記代表値から上記分類基準が作成される。これにより、特性値の種類によらず、解析対象物の製造プロセス等に関する事前知識を用いずに高い精度で分類基準を作成することが可能となる。   According to the characteristic analysis method of the present invention, first, one or more unique tendencies are extracted from the characteristic values of the entire data set group in the unique trend extracting step. Furthermore, in the unique tendency evaluation step, the degree to which each of the data sets includes the unique tendency is calculated. Next, in the data integration step, data points corresponding to the respective data sets are obtained in a space centered on each degree, and data points existing within a certain distance in the space are integrated into the same group. . Then, in the classification standard creation step, representative values of data points included in the integrated groups are obtained, and the classification standard is created from the representative values. As a result, it is possible to create a classification reference with high accuracy without using prior knowledge about the manufacturing process of the analysis object, regardless of the type of characteristic value.

一実施形態の特性解析方法では、上記特異傾向抽出工程で、独立成分分析の手法を用いて、上記各々の特異傾向を、上記データセット群に含まれた特性値の数と同数の成分で表すとともに、互いに無相関且つ線形和によって上記データセット群を近似可能な傾向として抽出することを特徴とする。   In the characteristic analysis method according to an embodiment, each unique tendency is represented by the same number of components as the number of characteristic values included in the data set group using an independent component analysis method in the unique tendency extraction step. In addition, the data set group is extracted as a tendency that can be approximated by a linear sum that is uncorrelated with each other.

また、別の一実施形態の特性解析方法では、上記特異傾向抽出工程で、主成分分析の手法を用いて、上記各々の特異傾向を、上記データセット群に含まれた特性値の数と同数の成分で表すとともに、互いに統計的に無相関且つ線形和によって上記データセット群を近似可能な傾向として抽出することを特徴とする。   Further, in the characteristic analysis method according to another embodiment, the singular tendency is extracted in the singular tendency extraction step by using the principal component analysis technique, and each singular tendency is equal to the number of characteristic values included in the data set group. And the data set group is extracted as a tendency that can be approximated by a linear sum that is statistically uncorrelated with each other.

これらの一実施形態の特性解析方法では、得られる特異傾向を精度良く抽出できる。各々の特異傾向を、無相関且つ線形和によって上記データセット群を近似可能な傾向として抽出するか、または互いに統計的に独立且つ線形和によって上記データセット群を近似可能な傾向として抽出するかは、解析対象の特性値の性質によって選択するのが望ましい。異なる複数の分類基準が同時に１つのデータセットに現れる可能性が高い場合、一般的には互いに統計的に独立な特異傾向を抽出する方が、各々の分類基準を精度良く分類する。異なる２つの分類基準が同時に１つのデータセットに現れる可能性が低い場合、より計算手順が少ない無相関な特異傾向を抽出する。   In the characteristic analysis method of these one embodiment, the obtained unique tendency can be extracted with high accuracy. Whether to extract each data set group as a trend that can be approximated by an uncorrelated and linear sum, or whether the data set group is extracted as a trend that can be statistically independent and linearly summed from each other It is desirable to select according to the nature of the characteristic value to be analyzed. When there is a high possibility that a plurality of different classification criteria appear in one data set at the same time, in general, it is more accurate to classify each classification criterion more accurately by extracting singular tendencies that are statistically independent from each other. If it is unlikely that two different classification criteria will appear in one data set at the same time, uncorrelated singular tendencies with fewer calculation procedures are extracted.

一実施形態の特性解析方法では、上記特異傾向評価工程で、上記データセットが上記特異傾向を含む上記度合いを、上記各々の特異傾向と上記データセットとの間の相関係数によって評価することを特徴とする。   In the characteristic analysis method of an embodiment, in the singular tendency evaluation step, the degree that the data set includes the singular tendency is evaluated by a correlation coefficient between each singular tendency and the data set. Features.

また、別の一実施形態の特性解析方法では、上記特異傾向評価工程で、上記データセットが上記特異傾向を含む上記度合いを、上記特異傾向と上記データセットとの射影または内積によって評価することを特徴とする。   In the characteristic analysis method of another embodiment, in the singular tendency evaluation step, the degree that the data set includes the singular tendency is evaluated by projection or inner product of the singular tendency and the data set. Features.

また、別の一実施形態の特性解析方法では、上記特異傾向評価工程で、上記データセットが上記特異傾向を含む上記度合いを、上記データセットを近似する上記特異傾向の線形和の係数によって評価することを特徴とする。   In the characteristic analysis method according to another embodiment, in the singular tendency evaluation step, the degree that the data set includes the singular tendency is evaluated by a coefficient of a linear sum of the singular tendency that approximates the data set. It is characterized by that.

これらの一実施形態の特性解析方法では、或るデータセットの特性値が特異傾向を含む度合いを精度良く定量化できる。上記度合いを上記相関係数を用いて評価した場合は、上記度合いは、特異傾向全体の特性値の大小関係と或るデータセットの特性値全体の大小関係とを比較した意味をもつ。上記度合いを上記射影または内積によって評価した場合は、上記度合いによって、上記大小関係だけでなく、特性値の大きさも同時に評価される。従って、特性値全体の大小関係のみが課題となる解析の場合、上記相関係数を用いた評価を行えばよい。また、個々の特性値の大きさが何らかの異常の程度を表す値である場合、上記射影または内積を用いた評価を行えばよい。上記特異傾向の線形和の係数によって評価した場合は、上記特異傾向の抽出過程で算出される係数を用いるため、より少ない計算手順で射影による評価を近似できる。   In the characteristic analysis method of these one embodiment, the degree to which the characteristic value of a certain data set includes a singular tendency can be quantified with high accuracy. When the degree is evaluated using the correlation coefficient, the degree has a meaning of comparing the magnitude relationship between the characteristic values of the entire singular tendency and the magnitude relationship between the entire characteristic values of a certain data set. When the degree is evaluated by the projection or the inner product, not only the magnitude relationship but also the size of the characteristic value is simultaneously evaluated by the degree. Therefore, in the case of analysis in which only the magnitude relationship of the entire characteristic value is an issue, the evaluation using the correlation coefficient may be performed. Further, when the size of each characteristic value is a value representing the degree of some abnormality, the above projection or inner product may be used for evaluation. When the evaluation is performed using the coefficient of the linear sum of the singular tendencies, since the coefficient calculated in the process of extracting the singular tendencies is used, the evaluation by projection can be approximated with fewer calculation procedures.

一実施形態の特性解析方法では、上記データ統合工程で、上記空間で上記距離内に存在するデータ点同士を同じグループに統合した後、得られた複数のグループの間で最も距離が近いグループ同士を上位のグループとして統合することを特徴とする。   In the characteristic analysis method according to an embodiment, in the data integration step, after data points existing within the distance in the space are integrated into the same group, the groups having the closest distance among the obtained groups Are integrated as an upper group.

この一実施形態の特性解析方法では、上記空間で上記距離内に存在するデータ点同士が同じグループに統合された後、得られた複数のグループの間で最も距離が近いグループ同士が上位のグループとして統合される。この統合を繰り返すことで、多数の階層構造を持つグループが作成される。つまり、初期に統合された下位層のグループは比較的狭い範囲で統合が行われ、上位層のグループはより広い範囲で統合が行われる。これらのグループから作成した分類基準を用いることでデータセットを分類する粗さを調整することができ、解析担当者の意図を反映させた分類が可能となる。   In the characteristic analysis method according to the embodiment, after data points existing within the distance in the space are integrated into the same group, a group having the closest distance among a plurality of obtained groups is an upper group. Integrated as. By repeating this integration, a group having a large number of hierarchical structures is created. In other words, the lower layer group integrated in the initial stage is integrated in a relatively narrow range, and the upper layer group is integrated in a wider range. By using the classification criteria created from these groups, the roughness for classifying the data set can be adjusted, and the classification reflecting the intention of the person in charge of analysis becomes possible.

一実施形態の特性解析方法では、上記データ統合工程で、作成すべきグループの数が予め定められていることを特徴とする。   The characteristic analysis method according to an embodiment is characterized in that the number of groups to be created is predetermined in the data integration step.

この一実施形態の特性解析方法では、作成すべきグループの数が予め定められているため、既述の階層構造を持つグループを作成する場合と比較して、より少ない計算量で処理することができ、担当者の意図に依存しない結果を得ることができる。   In the characteristic analysis method of this embodiment, since the number of groups to be created is determined in advance, processing can be performed with a smaller amount of calculation compared to the case of creating a group having the above-described hierarchical structure. It is possible to obtain a result that does not depend on the intention of the person in charge.

一実施形態の特性解析方法では、上記データ統合工程で、自己組織化写像を利用して、上記各度合いを軸とする空間における上記データ点を予め定められた次元の空間内に構成された格子状のノードに写像し、上記データ点同士に代えて上記ノード同士を統合することを特徴とする。   In the characteristic analysis method according to an embodiment, in the data integration step, the data points in the space with the respective degrees as axes are configured in a space of a predetermined dimension using a self-organizing map. And the nodes are integrated instead of the data points.

この一実施形態の特性解析方法では、上記予め定められた次元の空間内への写像は、上記各度合いを軸とする空間における上記データ点の分布（つまり特性値が示す傾向）の要約に相当する。この一実施形態の特性解析方法では、上記データ点同士に代えて上記ノード同士を統合する。従って、上記データセット群全体に対して各分類基準に分類すべきデータセット数が少ない場合であっても、正しく統合処理を行うことができる。一般に、特異傾向の数が多い場合はデータ統合処理の計算量が非常に多くなる。しかし、この一実施形態の特性解析方法では、上記要約に対してデータ統合処理を行うことで、少ない計算量で統合処理を行うことができる。   In the characteristic analysis method according to this embodiment, the mapping of the predetermined dimension into the space corresponds to a summary of the distribution of the data points (that is, the tendency indicated by the characteristic value) in the space with each degree as an axis. To do. In the characteristic analysis method of this embodiment, the nodes are integrated instead of the data points. Therefore, even if the number of data sets to be classified into the classification criteria is small with respect to the entire data set group, the integration process can be performed correctly. In general, when the number of singular tendencies is large, the amount of calculation for data integration processing becomes very large. However, in the characteristic analysis method according to this embodiment, the integration process can be performed with a small amount of calculation by performing the data integration process on the summary.

一実施形態の特性解析方法では、上記分類基準作成工程で、上記各グループ毎に、そのグループに統合されたデータ点に対応するデータセットの特性値の平均値、最頻値または中央値を、上記代表値として求めることを特徴とする。   In the characteristic analysis method of one embodiment, in the classification criteria creation step, for each group, the average value, the mode value, or the median value of the characteristic values of the data set corresponding to the data points integrated into the group, It is obtained as the representative value.

この一実施形態の特性解析方法では、グループに含まれるデータセット群の特性値の傾向を正確に精度良く表すことができる。   In the characteristic analysis method of this embodiment, the tendency of the characteristic values of the data set group included in the group can be accurately and accurately expressed.

一実施形態の特性解析方法では、上記データ統合工程で、上記グループ同士の関連性が予め定めた閾値以下となるか、グループ数が１になるまで上記グループ同士の統合を繰り返すことを特徴とする。   In the characteristic analysis method according to an embodiment, in the data integration step, the integration between the groups is repeated until the relationship between the groups is equal to or less than a predetermined threshold or the number of groups is 1. .

ここで、上記「グループ同士の関連性」とは、上記階層構造を持つグループで同一階層に属するグループ間において、互いのグループの特性値の傾向が類似している度合いを表す。この度合いが大きいグループの組み合わせが存在すれば、類似した特性値の傾向を持つグループが過度に分割された状態にあることを意味する。そこで、上記グループ同士の関連性が予め定めた閾値以下となるまで、上記グループ同士の統合を繰り返す。または、グループ数が１になるまで上記グループ同士の統合を繰り返す。これにより、適切な総数を持つ階層構造を作成できる。   Here, the “relationship between groups” represents the degree of similarity in the tendency of the characteristic values of the groups between the groups having the hierarchical structure and belonging to the same hierarchy. If there is a combination of groups having a large degree, it means that groups having similar characteristic value tendencies are excessively divided. Therefore, the integration of the groups is repeated until the relationship between the groups is equal to or less than a predetermined threshold. Alternatively, the integration of the groups is repeated until the number of groups becomes 1. Thereby, a hierarchical structure having an appropriate total number can be created.

一実施形態の特性解析方法では、上記解析対象物は基板であり、上記或る個数の特性値は、上記基板の表面内の上記個数の測定点で測定された品質データであることを特徴とする。   In one embodiment of the characteristic analysis method, the analysis object is a substrate, and the certain number of characteristic values is quality data measured at the number of measurement points in the surface of the substrate. To do.

一実施形態の特性解析方法では、上記解析対象物は基板であり、上記或る個数の特性値は、上記基板の表面を上記個数に区画して設定された各格子領域で観測された欠陥数であることを特徴とする。   In the characteristic analysis method of one embodiment, the analysis object is a substrate, and the certain number of characteristic values is the number of defects observed in each lattice region set by dividing the surface of the substrate into the number. It is characterized by being.

この発明の特性解析装置は、
解析対象物が持つ或る個数の特性値を順序付けられた成分として含むデータセットを、上記特性値が示す傾向に基づいて分類するための分類基準を作成する特性解析装置であって、
複数の解析対象物にわたって上記データセットを集めてなるデータセット群全体の特性値を記憶する特性値記憶部と、
上記データセット群全体の特性値から１個以上の特異傾向を抽出する特異傾向抽出部と、
上記各データセットが上記各々の特異傾向を含む度合いを算出する特異傾向評価部と、
上記各度合いを軸とする空間で上記各データセットに対応するデータ点を求め、上記空間で或る距離内に存在するデータ点同士を同じグループに統合するデータ統合部と、
上記統合された各グループに含まれるデータ点の代表値を求め、上記代表値から上記分類基準を作成する分類基準作成部とを有する。 The characteristic analyzer of the present invention is
A characteristic analysis apparatus for creating a classification standard for classifying a data set including a certain number of characteristic values of an analysis object as an ordered component based on a tendency indicated by the characteristic value,
A characteristic value storage unit for storing characteristic values of the entire data set group obtained by collecting the data sets over a plurality of analysis objects;
A peculiar tendency extracting unit that extracts one or more peculiar tendencies from the characteristic values of the entire data set group;
A peculiar tendency evaluation unit for calculating the degree that each of the data sets includes each peculiar tendency;
A data integration unit that obtains data points corresponding to each data set in a space centered on each degree, and integrates data points existing within a certain distance in the space into the same group;
A classification standard creating unit that obtains a representative value of data points included in each of the integrated groups and creates the classification standard from the representative value;

この発明の特性解析装置によれば、まず特異傾向抽出部によって、上記特性値記憶部に記憶された上記データセット群全体の特性値から１個以上の特異傾向が抽出される。更に、特異傾向評価部によって、上記各データセットが上記各々の特異傾向を含む度合いが算出される。次に、データ統合部によって、上記各度合いを軸とする空間で上記各データセットに対応するデータ点が求められ、上記空間で或る距離内に存在するデータ点同士が同じグループに統合される。そして、分類基準作成部によって、上記統合された各グループに含まれるデータ点の代表値が求められ、上記代表値から上記分類基準が作成される。これにより、特性値の種類によらず、解析対象物の製造プロセス等に関する事前知識を用いずに高い精度で分類基準を作成することが可能となる。   According to the characteristic analysis apparatus of the present invention, first, one or more unique tendencies are extracted from the characteristic values of the entire data set group stored in the characteristic value storage unit by the unique trend extracting unit. Further, the degree of each of the data sets including the respective unique tendency is calculated by the unique tendency evaluation unit. Next, the data integration unit obtains data points corresponding to each data set in a space centered on each degree, and data points existing within a certain distance in the space are integrated into the same group. . Then, the classification reference creation unit obtains representative values of data points included in each of the integrated groups, and creates the classification reference from the representative values. As a result, it is possible to create a classification reference with high accuracy without using prior knowledge about the manufacturing process of the analysis object, regardless of the type of characteristic value.

この発明のデータ分類方法は、
請求項１に記載の特性解析方法によって上記分類基準を作成し、
作成した分類基準と上記データセット群をなす各データセットとを比較して、上記分類基準毎に上記データセットを分類する。 The data classification method of this invention is:
The classification criteria are created by the characteristic analysis method according to claim 1,
The created classification standard is compared with each data set forming the data set group, and the data set is classified for each classification standard.

この発明のデータ分類方法によれば、上記発明の特性解析方法によって上記分類基準が作成され、作成された分類基準と上記データセット群をなす各データセットとを比較して、上記分類基準毎に上記データセットが分類される。従って、解析対象物の製造プロセス等に関する事前知識を用いずに高い精度でデータセット、つまり解析対象物を分類することが可能となる。   According to the data classification method of the present invention, the classification criteria are created by the characteristic analysis method of the invention, and the created classification criteria and each data set forming the data set group are compared, and for each classification criteria. The data set is classified. Therefore, it is possible to classify the data set, that is, the analysis object with high accuracy without using prior knowledge about the manufacturing process of the analysis object.

この発明の特性分類装置は、
請求項１４に記載の特性解析装置と、
上記特性解析装置によって作成された分類基準と上記データセット群をなす各データセットとを比較して、上記分類基準毎に上記データセットを分類する分類処理部とを備える。 The characteristic classification device of the present invention is:
The characteristic analysis apparatus according to claim 14,
A classification processing unit configured to compare the classification standard created by the characteristic analysis apparatus with each data set forming the data set group and classify the data set for each classification standard;

この発明のデータ分類装置によれば、上記発明の特性解析装置によって上記分類基準が作成され、作成された分類基準と上記データセット群をなす各データセットとを比較して、上記分類基準毎に上記データセットが分類される。従って、解析対象物の製造プロセス等に関する事前知識を用いずに高い精度でデータセット、つまり解析対象物を分類することが可能となる。   According to the data classification device of the present invention, the classification criteria are created by the characteristic analysis device of the invention, the created classification criteria are compared with each data set forming the data set group, and each classification criteria is compared. The data set is classified. Therefore, it is possible to classify the data set, that is, the analysis object with high accuracy without using prior knowledge about the manufacturing process of the analysis object.

また、この発明のプログラムは、上記特性解析方法または上記特性分類方法をコンピュータに実行させるためのプログラムである。   Moreover, the program of this invention is a program for making a computer perform the said characteristic analysis method or the said characteristic classification method.

この発明のプログラムをコンピュータに実行させれば、上記特性解析方法または上記特性分類方法を実施することができる。   If the program of this invention is executed by a computer, the characteristic analysis method or the characteristic classification method can be implemented.

また、この発明のコンピュータ読み取り可能な記録媒体は、上記プログラムを記録したことを特徴とするコンピュータ読み取り可能な記録媒体である。   A computer-readable recording medium according to the present invention is a computer-readable recording medium in which the program is recorded.

この発明のプログラムをコンピュータに読み取らせて実行させれば、上記特性解析方法または上記特性分類方法を実施することができる。   If the computer according to the present invention is read and executed by a computer, the characteristic analysis method or the characteristic classification method can be implemented.

以上より明らかなように、この発明によれば、解析対象物が持つ複数の特性値を含むデータセットを、特性値の種類によらず、解析対象物の製造プロセス等に関する事前知識を用いずに、上記特性値が示す傾向に応じて分類するための分類基準を精度良く作成できる。また、この発明によれば、そのような分類基準を用いて、上記データセットを分類することができる。   As is clear from the above, according to the present invention, a data set including a plurality of characteristic values possessed by an analysis object can be obtained without using prior knowledge about the manufacturing process of the analysis object, regardless of the type of the characteristic value. Therefore, it is possible to accurately create a classification standard for classification according to the tendency indicated by the characteristic value. Further, according to the present invention, the data set can be classified using such a classification criterion.

本発明の一実施形態の特性解析方法の概略フローを示す図である。It is a figure which shows the general | schematic flow of the characteristic analysis method of one Embodiment of this invention. 基板の検査結果として集められたデータセット群の例を示す図である。It is a figure which shows the example of the data set group collected as a test result of a board | substrate. 特異傾向の概念を示す図である。It is a figure which shows the concept of a peculiar tendency. （ａ），（ｂ）は特異傾向を含む基板の特性値の概念を説明する図である。(A), (b) is a figure explaining the concept of the characteristic value of a board | substrate containing a peculiar tendency. 本発明の一実施例の特性解析方法におけるデータ統合工程の概念を例示する図である。It is a figure which illustrates the concept of the data integration process in the characteristic analysis method of one Example of this invention. 本発明の一実施例の特性解析方法におけるデータ統合工程の概念を例示する別の図である。It is another figure which illustrates the concept of the data integration process in the characteristic analysis method of one Example of this invention. 本発明の一実施例の特性解析方法における分類基準作成工程の概念を例示する図である。It is a figure which illustrates the concept of the classification reference | standard preparation process in the characteristic analysis method of one Example of this invention. 基板上のパターン検査の検査結果の例を示す図である。It is a figure which shows the example of the test result of the pattern test | inspection on a board | substrate. 基板上のパターン検査結果から特性値を作成する方法を説明する図である。It is a figure explaining the method of producing a characteristic value from the pattern test result on a board | substrate. 本発明の一実施形態の特性解析装置の構成を示す図である。It is a figure which shows the structure of the characteristic analyzer of one Embodiment of this invention. （ａ），（ｂ）は、或る基板の特性値が特異傾向を含む度合いの算出方法を説明する図である。(A), (b) is a figure explaining the calculation method of the degree in which the characteristic value of a certain board | substrate contains a peculiar tendency. 本発明の一実施例の特性解析方法における階層構造を持つデータ統合処理の概略フローである。It is a general | schematic flow of the data integration process with a hierarchical structure in the characteristic analysis method of one Example of this invention. 本発明の一実施例の特性解析方法における予め定められた数のグループを作成する統合処理の概略フローである。It is a general | schematic flow of the integration process which produces the predetermined number group in the characteristic analysis method of one Example of this invention. 本発明の一実施例の特性分類装置の構成を示す図である。It is a figure which shows the structure of the characteristic classification apparatus of one Example of this invention. （ａ），（ｂ），（ｃ）は、本発明の一実施例の特性解析方法において、自己組織化写像を利用してデータ統合処理を行う例を説明する図である。(A), (b), (c) is a figure explaining the example which performs a data integration process using a self-organizing map in the characteristic analysis method of one Example of this invention.

以下、この発明を図示の実施の形態により詳細に説明する。   Hereinafter, the present invention will be described in detail with reference to the illustrated embodiments.

図１は、本発明の一実施形態の特性解析方法を模式的に表す概略フローを示している。   FIG. 1 shows a schematic flow schematically showing a characteristic analysis method according to an embodiment of the present invention.

この実施形態の特性解析方法は、概略、図２に示すような複数のデータセット１，２，…，ｎを集めてなるデータセット群について、特性値の傾向に基づいてデータセット１，２，…，ｎを分類するための分類基準を作成する方法である。   The characteristic analysis method of this embodiment is roughly the data set 1, 2,..., N collected as shown in FIG. ..., a method for creating classification criteria for classifying n.

図２では、各データセット１，２，…，ｎは、解析対象物が持つ或る個数（この例ではａ個）の特性値を順序付けられた成分としてそれぞれ含んでいる。例えばデータセット１は、ａ個の成分Ｓ１１，Ｓ１２，…，Ｓ１ａを含んでいる。また、データセットｎ（ｎ）は、同数のａ個の成分Ｓｎ１，Ｓｎ２，…，Ｓｎａを含んでいる。或るデータセットと別のデータセットの間で、順序（番号）が同じ成分同士は互いに対応した特性値を表す。ここで、「特性値」とは、例えば上記データセットが製品または仕掛かり品の基板に関するものであれば、上記基板の表面内のａ個の測定点で測定された何らかの品質データを表す。例えば電気特性検査における電気特性の測定値や、膜厚測定における膜厚値などの任意の検査の検査項目に係る検査結果を表す。図２の各データセット１，２，…，ｎは、ａ個の測定点について上記検査を実施した結果を１番目（特性値１）からａ番目（特性値ａ）まで順序付けて横並びにしたものに相当する。或る製造装置に異常が発生した場合、基板の特性値の一部または全てがその異常に固有の傾向を示すことが多い。そこで、この例では、特性解析方法を図２に示す構造を持つ任意のデータセット群に対して適用することで、製造工程において発生している設備異常を早期に発見することを目指す。 In FIG. 2, each of the data sets 1, 2,..., N includes a certain number (a in this example) of characteristic values of the analysis target as ordered components. For example, the data set 1 includes a number of components S 11 , S 12 ,..., S 1a . In addition, the data set n (n) includes the same number of a components S n1 , S n2 ,..., S na . Components having the same order (number) between one data set and another data set represent characteristic values corresponding to each other. Here, the “characteristic value” represents, for example, some quality data measured at a measurement points in the surface of the substrate if the data set relates to a product or work-in-process substrate. For example, it represents an inspection result relating to an inspection item of an arbitrary inspection such as a measurement value of an electric characteristic in an electric characteristic inspection or a film thickness value in a film thickness measurement. Each of the data sets 1, 2,..., N in FIG. 2 is obtained by arranging the results of the above inspections on a measurement points in order from the first (characteristic value 1) to the ath (characteristic value a). It corresponds to. When an abnormality occurs in a certain manufacturing apparatus, part or all of the characteristic values of the substrate often show a tendency inherent to the abnormality. Therefore, in this example, the characteristic analysis method is applied to an arbitrary data set group having the structure shown in FIG. 2, thereby aiming at early detection of equipment abnormality occurring in the manufacturing process.

（１） 図１中のステップＳ１０１（特異傾向抽出工程）では、図２で示すデータセット群全体の特性値から１個以上の特異傾向を抽出する。   (1) In step S101 (single tendency extraction step) in FIG. 1, one or more unique tendencies are extracted from the characteristic values of the entire data set group shown in FIG.

図３に「特異傾向」の概念を示す。図３は、図２の各データセット１，２，…，ｎに関するａ個の特性値をそれぞれ１番目（特性値１）からａ番目（特性値ａ）まで横一列に並べ、同じ成分同士で対応付けて同一グラフ上にプロットして得られた図である。領域３０１の上端は図２のデータセット群全体の各特性値の平均値を表している。一般に、各データセットのａ個の特性値は、各成分ごとに、領域３０１の上端を中心にして或るバラツキをもって（例えば図示しないガウス分布で）存在している。ただし、図３中の領域３０２は、図２中のデータセット群のうち或る一部のデータセットが、或る一部の特性値範囲３０７に関してデータセット群全体の平均値３０１から大きく外れた値を持つことを示している。領域３０３、３０４、３０５も、領域３０２と同様に、データセット群全体の平均値３０１から大きく外れた値を持つことを示している。また、領域３０６は、平均値３０１から大きく外れた値ではないが、同程度平均値３０１から外れている他の特性値よりもプロットの出現頻度が高い。以上のように、データセット群全体についての或る成分（複数の成分であっても良い。）の特性値の平均値が示す傾向に対して、或るデータセット（複数のデータセットであっても良い。）についての上記成分と対応する成分の特性値が異なる場合において、その異なった特性値が示す傾向を「特異傾向」と呼ぶ。図３の例では、領域３０２，３０３，３０４，３０５，３０６はそれぞれ個別の特異傾向を示している。具体的な特異傾向の抽出方法については後の実施例にて説明する。なお、ステップＳ１０１の時点では、抽出した各特異傾向が個別の設備異常による事例なのか、同一の設備異常による事例が分割されているのか、複数の設備異常による事例の一部が同じ特異傾向して抽出されているのかが判断できない。   FIG. 3 shows the concept of “singular tendency”. FIG. 3 shows a characteristic values for the respective data sets 1, 2,..., N in FIG. 2 arranged in a horizontal row from the first (characteristic value 1) to the ath (characteristic value a). It is the figure obtained by matching and plotting on the same graph. The upper end of the area 301 represents the average value of the characteristic values of the entire data set group in FIG. In general, the a characteristic values of each data set exist for each component with a certain variation (for example, a Gaussian distribution (not shown)) around the upper end of the region 301. However, in a region 302 in FIG. 3, some data sets in the data set group in FIG. 2 greatly deviate from the average value 301 of the entire data set group with respect to some characteristic value range 307. It has a value. Similarly to the area 302, the areas 303, 304, and 305 also have values that deviate significantly from the average value 301 of the entire data set group. In addition, although the region 306 is not a value greatly deviating from the average value 301, the frequency of appearance of the plot is higher than other characteristic values that are substantially deviating from the average value 301. As described above, with respect to the tendency indicated by the average value of the characteristic values of a certain component (may be a plurality of components) for the entire data set group, a certain data set (a plurality of data sets) When the characteristic values of the above component and the corresponding component are different, the tendency indicated by the different characteristic values is referred to as “unique tendency”. In the example of FIG. 3, the areas 302, 303, 304, 305, and 306 each show an individual unique tendency. A specific method of extracting a unique tendency will be described in a later example. Note that at the time of step S101, whether each extracted unique tendency is a case due to an individual equipment abnormality or cases where the same equipment abnormality is divided, or some of the cases due to a plurality of equipment abnormalities have the same unique tendency. Cannot be determined.

（２） 図１中のステップＳ１０２（特異傾向評価工程）では、上記の特異傾向と設備異常による事例との関連性を明らかにする前段階として、ステップＳ１０１で抽出した各特異傾向について、上記各データセット１，２，…，ｎが各々の特異傾向を含む度合いを算出する。   (2) In step S102 (single tendency evaluation step) in FIG. 1, each of the above-mentioned unique tendencies extracted in step S101 as a pre-stage for clarifying the relationship between the above-mentioned peculiar tendencies and cases due to equipment abnormalities. The degree to which the data sets 1, 2,..., N include each unique tendency is calculated.

図４に、上記度合いの概念を説明する。例えば、図４（ａ）に示す或るデータセットの特性値４０１では、図３に示すデータセット群全体の特性値３０１と比較して、領域３０２に相当する特性値（図中の点線で囲った部分）が高い。図４（ｂ）に示す別の或るデータセットの特性値４０２では、図３に示すデータセット群全体の特性値３０１と比較して、領域３０６に相当する特性値が（図中の点線で囲った部分）低い。このように、或るデータセットの特性値について、各特異傾向に相当する特性値の傾向がその特異傾向と類似しているとき、そのデータセットはその特異傾向を「含む」といい、上記類似性の程度を数値の大小で定量的に表したものを「度合い」と呼ぶ。具体的な「度合い」の算出方法については後の実施例にて説明する。   FIG. 4 explains the concept of the above degree. For example, in the characteristic value 401 of a certain data set shown in FIG. 4A, compared to the characteristic value 301 of the entire data set group shown in FIG. 3, the characteristic value corresponding to the region 302 (enclosed by a dotted line in the figure). The part is high. In the characteristic value 402 of another certain data set shown in FIG. 4B, the characteristic value corresponding to the region 306 is compared with the characteristic value 301 of the entire data set group shown in FIG. Enclosed part) Low. As described above, when a characteristic value corresponding to each unique tendency is similar to the characteristic tendency of the characteristic value of a certain data set, the data set is said to contain the unique tendency, and the above similarities A degree that expresses the degree of sex quantitatively in terms of numerical value is called “degree”. A specific “degree” calculation method will be described in a later embodiment.

（３） 図１中のステップＳ１０３（データ統合工程）では、上記の特異傾向と設備異常による事例との関連性を明らかにするため、ステップＳ１０２で算出した各度合いを軸とする空間で上記各データセット１，２，…，ｎに対応するデータ点を求め、上記空間で或る距離内に存在するデータ点同士を同じグループに統合する。   (3) In step S103 (data integration step) in FIG. 1, in order to clarify the relevance between the above-mentioned singular tendency and cases due to equipment abnormalities, each of the above-mentioned items in a space centered on each degree calculated in step S102. Data points corresponding to the data sets 1, 2,..., N are obtained, and data points existing within a certain distance in the space are integrated into the same group.

図５および図６にデータ統合処理の概念を示す。例えば、ステップＳ１０１において３つの特異傾向（それらをＢ１，Ｂ２，Ｂ３とする。）が抽出され、ステップＳ１０２において上記各データセット１，２，…，ｎが各々の特異傾向Ｂ１，Ｂ２，Ｂ３を含む度合い（３ｎ個の値）が算出されたものとする。そのような場合において、図５および図６は、各度合いに対応する座標軸Ｕ１，Ｕ２，Ｕ３とする座標空間Ｕに、上記各データセット１，２，…，ｎに対応するデータ点（図中に●で示す）をプロットした例を示している。各データ点はそれぞれ或るデータセットに対応し、したがってそれぞれ或る基板に対応する。仮に特異傾向Ｂ１，Ｂ２，Ｂ３がそれぞれ互いに別の設備異常によって発生したものであれば、各基板に対応するデータセットが特異傾向Ｂ１，Ｂ２，Ｂ３を同時に含む確率は低い。従って上記座標空間Ｕにおけるデータ点（基板）の分布は、図５に示すように、特異傾向Ｂ１，Ｂ２，Ｂ３毎に３つのグループに分かれる。すなわち、特異傾向Ｂ１の原因となった異常設備で処理された基板（データ点）は、特異傾向Ｂ１を含む度合いが高く、その他の特異傾向Ｂ２，Ｂ３を含む度合いが低い基板群５０１をなす。特異傾向Ｂ２の原因となった異常設備で処理された基板（データ点）は、特異傾向Ｂ２を含む度合いが高く、その他の特異傾向Ｂ１，Ｂ３を含む度合いが低い基板群５０２をなす。また、特異傾向Ｂ３の原因となった異常設備で処理された基板（データ点）は、特異傾向Ｂ３を含む度合いが高く、その他の特異傾向Ｂを含む度合いの低い基板群５０３をなす。ここで、仮に特異傾向Ｂ１と特異傾向Ｂ２が同一の異常設備によって発生したものであれば、その異常設備によって処理された基板（データ点）は、特異傾向Ｂ１および特異傾向Ｂ２を含む度合いが大きく、特異傾向Ｂ３を含む度合いが小さい基板群をなす。つまり、図６に示すように、特異傾向Ｂ１を含む度合いと特異傾向Ｂ２を含む度合いがなすＵ１Ｕ２平面上の或る範囲に集中する基板群６０１をなす。従って、上記座標空間Ｕにおいて定義された距離関数を用いて、或る距離内に存在するデータ点（基板）同士を同じグループに属するとみなせば（統合すれば）、そのグループに属するデータ点（基板）は各特異傾向を含む度合いが類似したもの、つまり同一の異常設備によって発生した特性値の傾向を持つものになる。具体的なデータ統合処理の方法は、後の実施例で説明する。 5 and 6 show the concept of data integration processing. For example, in step S101, three unique tendencies (they are referred to as B1, B2, and B3) are extracted. In step S102, each of the data sets 1, 2,. It is assumed that the degree of inclusion (3n values) is calculated. In such a case, FIGS. 5 and 6 show data points corresponding to the data sets 1, 2,..., N in the coordinate space U having the coordinate axes U 1 , U 2 , U 3 corresponding to the respective degrees. An example of plotting (indicated by ● in the figure) is shown. Each data point corresponds to a certain data set and therefore corresponds to a certain substrate. If the singular tendencies B1, B2, and B3 are generated due to different equipment abnormalities, the probability that the data set corresponding to each board includes the singular tendencies B1, B2, and B3 at the same time is low. Accordingly, the distribution of data points (substrates) in the coordinate space U is divided into three groups for each of the unique tendencies B1, B2, and B3, as shown in FIG. That is, the substrates (data points) processed by the abnormal equipment causing the unique tendency B1 form a substrate group 501 having a high degree of including the unique tendency B1 and a low degree of including the other unique trends B2 and B3. Substrates (data points) processed by the abnormal equipment causing the unique tendency B2 form a substrate group 502 having a high degree of including the unique tendency B2 and a low degree of containing the other unique tendencies B1 and B3. Moreover, the board | substrate (data point) processed by the abnormal installation which caused the peculiar tendency B3 makes the board | substrate group 503 with the high degree which contains the peculiar tendency B3, and the low degree which contains the other peculiar tendency B. Here, if the singular tendency B1 and the singular tendency B2 are generated by the same abnormal equipment, the board (data point) processed by the abnormal equipment has a large degree of including the singular tendency B1 and the singular tendency B2. , A group of substrates having a small degree of including the unique tendency B3 is formed. That is, as shown in FIG. 6, a substrate group 601 is formed which is concentrated in a certain range on the U 1 U 2 plane formed by the degree including the singular tendency B1 and the degree including the singular tendency B2. Therefore, if data points (substrates) existing within a certain distance are regarded as belonging to the same group using the distance function defined in the coordinate space U (if they are integrated), the data points belonging to that group ( Substrate) has a similar degree of including each unique tendency, that is, has a tendency of characteristic values generated by the same abnormal equipment. A specific data integration processing method will be described in a later embodiment.

（４） 最後に、図１中のステップＳ１０４（分類基準作成工程）では、上記ステップＳ１０３で統合された各グループに含まれるデータ点の代表値を求め、上記代表値から上記分類基準を作成する。   (4) Finally, in step S104 (classification criteria creation step) in FIG. 1, the representative values of the data points included in each group integrated in step S103 are obtained, and the classification criteria are created from the representative values. .

ここで、各グループに含まれるデータ点の「代表値」とは、そのグループに属するデータ点に対応したデータセットの特性値の傾向を端的に示す値である。例えば、図６における基板群６０１に含まれる基板のための分類基準を作成する場合、まず、図７に示すように基板群６０１に含まれる基板が各特異傾向Ｂ１，Ｂ２，Ｂ３を含む度合いの代表値、すなわち特異傾向Ｂ１を含む度合いｄ１と、特異傾向Ｂ２を含む度合いｄ２と、特異傾向Ｂ３を含む度合いｄ３（ほぼ０に等しい）とを算出する。次に、特異傾向Ｂ１，Ｂ２，Ｂ３が表す特性値の傾向に対して度合いｄ１，ｄ２，ｄ３をかけて加算する。この結果がそのグループに含まれる基板の特性値を表す代表値となる。この代表値が分類基準として用いられる。 Here, the “representative value” of a data point included in each group is a value that briefly indicates the tendency of the characteristic value of the data set corresponding to the data point belonging to the group. For example, when creating the classification criteria for the substrates included in the substrate group 601 in FIG. 6, first, as shown in FIG. 7, the degree of the degree that the substrates included in the substrate group 601 include the individual tendencies B1, B2, and B3. calculating a representative value, i.e. the degree d 1 comprising specific trend B1, the degree d 2 comprising specific tendency B2, and a degree d 3 comprising specific tendency B3 (substantially equal to 0). Next, the degree d 1 , d 2 , d 3 is added to the tendency of the characteristic value represented by the singular tendency B1, B2, B3. This result is a representative value representing the characteristic value of the substrate included in the group. This representative value is used as a classification criterion.

なお、各特異傾向を含む度合いについての代表値としては、各グループに含まれる基板が各特異傾向を含む度合いの平均値や、最頻値、または中央値などを用いるとよいが、解析するデータ点の傾向に合わせてその他の代表値を用いてもよい。   In addition, as a representative value for the degree including each singular tendency, it is preferable to use an average value, a mode value, or a median value of the degree that the substrates included in each group include each singular tendency. Other representative values may be used in accordance with the tendency of points.

このようにして、この特性解析方法によれば、特性値の種類によらず、解析対象物の製造プロセス等に関する事前知識を用いずに高い精度で分類基準を作成することが可能となる。   In this way, according to this characteristic analysis method, it is possible to create a classification reference with high accuracy without using prior knowledge regarding the manufacturing process of the analysis object, regardless of the type of characteristic value.

なお、上述の特異傾向抽出工程（ステップＳ１０１），特異傾向評価方法（ステップＳ１０２），およびデータ統合処理（ステップＳ１０３）の各々の手法自体については、それぞれパターン認識や多変量解析の分野でいくつか既に提案されており、いずれの手法を用いてもよい。   Note that there are several methods in the field of pattern recognition and multivariate analysis for each of the above-described methods of the unique tendency extraction step (step S101), the unique tendency evaluation method (step S102), and the data integration process (step S103). Any method has been proposed and any method may be used.

また、上記の例では、基板の検査結果として同数（ａ個）の測定点から得られた特性値を解析対象としたが、これに限られるものではなく、例えばパターン検査の結果として得られた欠陥座標の分布形状に対しても適用できる。パターン検査とは、図８に示すように、製造工程中に異物付着などによって基板８０１に生じた回路パターンの欠陥８０２を検出する検査工程を指す。このパターン検査では、検査結果として、基板８０１上の各欠陥８０２の座標が得られ、それらの欠陥８０２の分布８０３が「特異傾向」となる。基板上の回路パターンの欠陥数は基板毎に異なるため、パターン検査の結果得られる欠陥座標の数は全基板で同数ではない。この場合は、図９に示すように基板表面を区画してａ個の格子領域８０１ａを設定し、検査結果として各格子領域８０１ａごとの欠陥数を算出する。各格子領域ごとに得られた欠陥数を、格子領域８０１ａの配列（図中に１番目からａ番目まで示す）に応じて順序付けて並べることで、各基板のパターン検査結果をそれぞれａ個の特性値を含むデータセットとして表すことができる。また、本発明の特性解析方法は、基板の検査結果に限らず、同数の特性値を持つデータセットを複数集めてなるデータセット群の特性解析一般に、広く適用可能である。   In the above example, the characteristic value obtained from the same number (a) of measurement points as the inspection result of the substrate is set as the analysis target. However, the characteristic value is not limited to this, for example, obtained as a result of the pattern inspection. It can also be applied to the distribution shape of defect coordinates. As shown in FIG. 8, the pattern inspection refers to an inspection process for detecting a circuit pattern defect 802 generated on the substrate 801 due to adhesion of foreign matter or the like during the manufacturing process. In this pattern inspection, the coordinates of each defect 802 on the substrate 801 are obtained as the inspection result, and the distribution 803 of these defects 802 becomes “singular tendency”. Since the number of circuit pattern defects on a substrate differs from one substrate to another, the number of defect coordinates obtained as a result of pattern inspection is not the same for all substrates. In this case, as shown in FIG. 9, the substrate surface is partitioned to set a number of lattice regions 801a, and the number of defects for each lattice region 801a is calculated as an inspection result. By arranging the number of defects obtained for each lattice region in order according to the arrangement of the lattice regions 801a (shown from the first to the a-th in the figure), the pattern inspection result of each substrate is represented by a number of characteristics. It can be represented as a data set containing values. The characteristic analysis method of the present invention is not limited to the inspection result of the substrate, and can be widely applied to general characteristic analysis of a data set group obtained by collecting a plurality of data sets having the same number of characteristic values.

図１０は、上述の特性解析方法（図１参照）を実施するのに適した本発明の一実施形態の特性解析装置１０００の構成を示している。   FIG. 10 shows a configuration of a characteristic analysis apparatus 1000 according to an embodiment of the present invention that is suitable for implementing the above-described characteristic analysis method (see FIG. 1).

この特性解析装置１０００は、特性情報収集部１００２と、特性値記憶部１００５と、特異傾向抽出部１００６と、特異傾向評価部１００７と、データ統合部１００８と、分類基準作成部１００９と、データ出力部１０１０とから構成される。また、この特性解析装置１０００の特性情報収集部１００２には、入力装置１００１、検査装置１００３、検査情報収集システム１００４がそれぞれ接続されている。   The characteristic analysis apparatus 1000 includes a characteristic information collection unit 1002, a characteristic value storage unit 1005, a peculiar tendency extraction unit 1006, a peculiar tendency evaluation unit 1007, a data integration unit 1008, a classification reference creation unit 1009, and a data output. Part 1010. Further, an input device 1001, an inspection device 1003, and an inspection information collection system 1004 are connected to the characteristic information collection unit 1002 of the characteristic analysis device 1000, respectively.

検査装置１００３は、工場の製造ライン内に配置され、実際に基板が持つ各種特性の検査を行う。検査装置１００３によって得られた検査データは、検査装置１００３から、必要に応じて検査情報収集システム１００４および特性解析装置１０００の特性情報収集部１００２に送信される。   The inspection apparatus 1003 is arranged in a factory production line, and actually inspects various characteristics of the substrate. Inspection data obtained by the inspection apparatus 1003 is transmitted from the inspection apparatus 1003 to the inspection information collection system 1004 and the characteristic information collection unit 1002 of the characteristic analysis apparatus 1000 as necessary.

検査情報収集システム１００４は、検査装置１００３から検査情報を収集する。この例では、検査情報収集システム１００４は、検査装置１００３で処理された基板の特性値や検査日時、基板の識別番号（ＩＤ）などの検査データを蓄積している。また、検査情報収集システム１００４は、特性解析装置１０００の特性情報収集部１００２に必要な検査データを送信する。   The inspection information collection system 1004 collects inspection information from the inspection apparatus 1003. In this example, the inspection information collection system 1004 accumulates inspection data such as the characteristic value of the substrate processed by the inspection apparatus 1003, the inspection date and time, and the identification number (ID) of the substrate. The inspection information collection system 1004 transmits necessary inspection data to the characteristic information collection unit 1002 of the characteristic analysis apparatus 1000.

入力装置１００１は、例えばキーボードやマウスで構成される。この例では、入力装置１００１は、特性解析装置１０００に対して、解析対象となる基板の条件指定などを入力するために用いられる。   The input device 1001 is configured with, for example, a keyboard and a mouse. In this example, the input device 1001 is used to input a condition specification of a substrate to be analyzed to the characteristic analysis device 1000.

特性情報収集部１００２は、入力装置１００１から特性解析装置１０００に送信された解析対象となる基板の条件に合致する基板の検査データを検査装置７０３や検査情報収集システム７０４から収集して、基板上の特性値を表す特性情報を作成し、作成した特性情報を特性値記憶部１００５に送信する。このとき、必要であれば、特性情報収集部１００２は、基板の識別番号（ＩＤ）や検査日時などの検査情報を検査装置１００３および検査情報収集システム１００４から取得し、特性情報と関連付けして特性値記憶部１００５に渡してもよい。   The characteristic information collection unit 1002 collects the inspection data of the substrate that matches the conditions of the analysis target substrate transmitted from the input device 1001 to the characteristic analysis device 1000 from the inspection device 703 and the inspection information collection system 704, and The characteristic information representing the characteristic value is generated, and the generated characteristic information is transmitted to the characteristic value storage unit 1005. At this time, if necessary, the characteristic information collection unit 1002 acquires inspection information such as a substrate identification number (ID) and inspection date and time from the inspection apparatus 1003 and the inspection information collection system 1004, and associates the characteristic information with the characteristic information. You may pass to the value memory | storage part 1005.

特性値記憶部１００５は、特性情報収集部１００２から、解析対象の基板についての特性情報をデータセットとして順次受け取り、データセット群として内部に記憶する。   The characteristic value storage unit 1005 sequentially receives characteristic information about the analysis target substrate from the characteristic information collection unit 1002 as a data set, and stores it internally as a data set group.

特異傾向抽出部１００６は、特性値記憶部１００５に記憶された解析対象の基板群についての特性情報を受け取り、その特性情報に対して図１中のステップＳ１０１の処理（特異傾向抽出工程）を実施して、予め定められた数の特異傾向を抽出し、特異傾向評価部１００７に送る。   The unique tendency extraction unit 1006 receives the characteristic information about the analysis target substrate group stored in the characteristic value storage unit 1005, and performs the process of step S101 in FIG. 1 (specific tendency extraction step) on the characteristic information. Then, a predetermined number of unique tendencies are extracted and sent to the unique trend evaluation unit 1007.

特異傾向評価部１００７は、特性値記憶部１００５に記憶された解析対象の基板群についての特性情報を受け取り、図１中のステップＳ１０２の処理（特異傾向評価工程）を実施して各基板の特性を表すデータセットが各特異傾向を含む度合いを定量的に評価する。この度合いについての評価は、各特異傾向についての情報と共にデータ統合部１００８に送られる。   The peculiar tendency evaluation unit 1007 receives the characteristic information about the analysis target board group stored in the characteristic value storage unit 1005, performs the process of step S102 in FIG. Quantitatively evaluate the degree to which the data set representing each includes each unique tendency. The evaluation of this degree is sent to the data integration unit 1008 together with information about each unique tendency.

データ統合部１００８は、特異傾向評価部１００７から各特異傾向についての情報と各基板の特性を表すデータセットが各特異傾向を含む度合いを受け取り、図１中のステップＳ１０３の処理（データ統合工程）を実施して各基板を予め定められた任意の数のグループに統合し、統合結果を各特異傾向についての情報および各基板に関する上記度合いと共に分類基準作成部１００９に送信する。   The data integration unit 1008 receives the information about each unique tendency and the degree to which the data set representing the characteristics of each substrate includes each unique tendency from the unique tendency evaluation unit 1007, and performs the process of step S103 in FIG. 1 (data integration step). Are integrated into an arbitrary number of predetermined groups, and the integration result is transmitted to the classification reference creating unit 1009 together with information about each unique tendency and the above-mentioned degree regarding each substrate.

分類基準作成部１００９は、図１中のステップＳ１０４（分類基準作成工程）を実施して、解析対象の基板の分類基準を作成する。   The classification standard creation unit 1009 performs step S104 (classification standard creation process) in FIG. 1 to create a classification standard for the board to be analyzed.

データ出力部１０１０は、一連の特性解析処理の終了後、分類基準作成部１００９から上記分類基準を受け取り、その情報を出力装置１０１１で用いるデータ形式に加工して出力装置１０１１に送る。このとき、必要があれば、データ出力部１０１０は、特性解析装置１０００内の各構成部分から基板の識別番号や検査日時などの検査情報、または解析処理の途中で得られた分類基準以外の値などを受け取り、出力装置１０１１で用いる形式に加工してもよい。   After the end of the series of characteristic analysis processing, the data output unit 1010 receives the classification standard from the classification standard creation unit 1009, processes the information into a data format used by the output device 1011, and sends it to the output device 1011. At this time, if necessary, the data output unit 1010 displays the inspection information such as the substrate identification number and the inspection date / time from each component in the characteristic analysis apparatus 1000 or a value other than the classification standard obtained during the analysis process. Etc. may be received and processed into a format used by the output device 1011.

出力装置１０１１は、モニタや紙出力、または磁気ディスクや携帯用半導体メモリなどを通して、特性解析装置１０００による特性分布解析結果を出力する。   The output device 1011 outputs the result of characteristic distribution analysis by the characteristic analyzer 1000 through a monitor, paper output, a magnetic disk, a portable semiconductor memory, or the like.

なお、検査装置１００３および検査情報収集システム１００４のいずれか一方から特性解析装置１０００が特性解析処理に必要な情報を全て取得できる場合、取得できる一方のみが特性分布解析装置１０００に接続されていてもよい。   When the characteristic analysis apparatus 1000 can acquire all information necessary for the characteristic analysis processing from either one of the inspection apparatus 1003 and the inspection information collection system 1004, only one of the information that can be acquired is connected to the characteristic distribution analysis apparatus 1000. Good.

また、特性解析装置１０００は、入力装置１００１からの指示によらず、定期的に検査装置１００３および検査情報収集システム１００４から検査情報を収集し、自動的に特性解析処理を実行して出力装置１０１１に出力しても良い。   In addition, the characteristic analysis apparatus 1000 periodically collects inspection information from the inspection apparatus 1003 and the inspection information collection system 1004 regardless of an instruction from the input apparatus 1001, automatically executes characteristic analysis processing, and outputs the output apparatus 1011. May be output.

また、入力装置１００１と出力装置１０１１は同一の装置、例えば出力装置としての表示部に入力装置としてのキーボードを備えて一体に構成した装置としてもよい。また、入力装置１００１と出力装置１０１１は、特性解析装置１０００に含まれていてもよい。   Further, the input device 1001 and the output device 1011 may be the same device, for example, a device in which a display unit serving as an output device is provided with a keyboard serving as an input device and configured integrally. Further, the input device 1001 and the output device 1011 may be included in the characteristic analysis device 1000.

また、出力装置１０１１は、特性解析装置１０００を通して入力装置１００１、検査装置１００３または検査情報収集システム１００４から特性解析処理に必要な情報以外の情報を受け取り、出力してもよい。   The output device 1011 may receive and output information other than information necessary for the characteristic analysis processing from the input device 1001, the inspection device 1003, or the inspection information collection system 1004 through the characteristic analysis device 1000.

この構成の特性解析装置１０００により、上述の特性解析方法を実施することができる。   With the characteristic analysis apparatus 1000 having this configuration, the above-described characteristic analysis method can be implemented.

なお、上述の特性解析方法を、コンピュータに実行させるためのプログラムとして構築してもよい。   Note that the above-described characteristic analysis method may be constructed as a program for causing a computer to execute.

また、そのようなプログラムをＣＤ−ＲＯＭなどのコンピュータで読み取り可能な記録媒体に記録して配布できるようにしてもよい。上記プログラムを汎用コンピュータにインストールすることで、汎用コンピュータによって上記特性解析方法を実行することが可能である。   Further, such a program may be recorded on a computer-readable recording medium such as a CD-ROM and distributed. By installing the program on a general-purpose computer, the characteristic analysis method can be executed by the general-purpose computer.

なお、本発明は基板の検査結果の特性解析装置１０００に限定されるものではなく、同数の特性値を持つデータセット群の特性解析一般に、広く適用可能である。その場合、特性情報収集部１００２は、対象となるデータが保存されている装置や情報収集システムに接続される。   The present invention is not limited to the characteristic analysis apparatus 1000 for substrate inspection results, and can be widely applied to characteristic analysis of data sets having the same number of characteristic values. In that case, the characteristic information collection unit 1002 is connected to an apparatus or information collection system in which target data is stored.

次に、実施例１として、図１中のステップＳ１０１〜Ｓ１０３を実現するための方法を具体的な例をあげて説明する。   Next, as a first embodiment, a method for realizing steps S101 to S103 in FIG. 1 will be described with a specific example.

図１中のステップＳ１０１における特異傾向抽出工程では、多変量解析におけるブラインド信号分離の１手法である独立成分分析の手法を用いて、解析対象の基板群の特性値からｆ個の独立成分を抽出する。独立成分分析とは、複数の変数を統計的に独立な変数の線形結合として表現する多変量解析手法である。この例では、図２に示すｎ枚の解析対象の基板におけるａ個の測定点の特性値を横方向に並べた値を大きさｎ×ａの行列Ｓとし、求めるｆ個の特異傾向をＳの特性値と同数の値からなる大きさｆ×ａの行列Ｘとする。このとき、行列Ｓと行列Ｘの関係を
Ｓ＝ＡＸ …（１）
とおき、独立成分分析の手法を用いて行列Ｘの各行ｘｉが互いに統計的に独立となるように行列Ｘを求める。この結果、行列Ｘの各行として得られたｘｉは、図３中における領域３０２〜領域３０６のように、行列Ｓ全体の平均的な傾向と異なる傾向を持ち、且つ他の行ｘｊが示す傾向に含まれない傾向として個別に抽出される。即ち、或る設備異常によって発生する特性の傾向が領域３０２および領域３０３の両方の傾向を持ち、別の設備異常が領域３０３と領域３０４の両方の傾向を持つとき、上記二つの設備異常で発生する特異傾向は、互いに重複しないように領域３０２、領域３０３および領域３０４に分割されて抽出される。なお、式（１）内の行列Ａは混合行列と呼ばれ、Ｘの各行ｘの線形和としてＳを近似する際の各ｘの係数である。 In the singular tendency extraction step in step S101 in FIG. 1, f independent components are extracted from the characteristic values of the substrate group to be analyzed by using an independent component analysis method, which is one method of blind signal separation in multivariate analysis. To do. Independent component analysis is a multivariate analysis technique that represents a plurality of variables as a linear combination of statistically independent variables. In this example, the values obtained by arranging the characteristic values of the a measurement points on the n analysis target substrates shown in FIG. 2 in the horizontal direction are defined as a matrix S of size n × a, and the obtained f unique trends are S. A matrix X having a size f × a having the same number of characteristic values as At this time, the relationship between the matrix S and the matrix X is S = AX (1)
Then, the matrix X is obtained by using the independent component analysis method so that the rows x i of the matrix X are statistically independent from each other. As a result, the x i obtained as each row of the matrix X, as in the region 302 to region 306 in the FIG. 3, have a different trend to the average trend of the whole matrix S, and indicated by the other lines x j Individually extracted as a trend not included in the trend. That is, when a tendency of characteristics caused by a certain facility abnormality has a tendency of both the region 302 and the region 303, and another facility abnormality has a tendency of both the region 303 and the region 304, the above-described two facility abnormality occurs. The unique tendency to be extracted is divided into regions 302, 303, and 304 so as not to overlap each other. In addition, the matrix A in Formula (1) is called a mixing matrix, and is a coefficient of each x when approximating S as a linear sum of each row x of X.

上記の例では、特異傾向の抽出に独立成分分析の手法を用いたが、同様の手法はパターン認識や多変量解析の分野で既にいくつか提案されており、いずれの手法を用いてもよい。例えば、独立成分分析を用いる代わりに同じく多変量解析の手法の１つである主成分分析と呼ばれる手法を用いても、特異傾向を抽出することができる。その場合、各特異傾向は統計的に無相関且つ直交するように抽出される。一般に、異なる複数の設備異常で発生した事例が同一の基板に同時に表れる確率が高いような特性値では、各特異傾向を互いに独立となるように抽出する独立成分分析の方が精度が高くなる。逆に、設備異常で発生した事例が同一の基板に同時に表れる確率が低ければ、主成分分析の方が少ない計算手順で独立成分分析と同精度の結果を得ることができる。   In the above example, the independent component analysis technique is used for extracting the singular tendency, but several similar techniques have already been proposed in the field of pattern recognition and multivariate analysis, and any technique may be used. For example, the singular tendency can be extracted by using a method called principal component analysis, which is one of multivariate analysis methods, instead of using independent component analysis. In that case, each singular tendency is extracted so as to be statistically uncorrelated and orthogonal. In general, in the case of a characteristic value that has a high probability that cases that occur due to a plurality of different equipment anomalies appear simultaneously on the same substrate, independent component analysis that extracts the individual tendencies so as to be independent from each other is more accurate. On the other hand, if there is a low probability that cases caused by equipment abnormalities will appear on the same substrate at the same time, the result of the same accuracy as that of the independent component analysis can be obtained with a smaller calculation procedure in the principal component analysis.

次に、図１のステップＳ１０２における特異傾向評価工程において、各データセットが各々の特異傾向を含む度合いの算出方法を説明する。解析対象の各基板および各特異傾向はａ個の特性値を持つので、ａ次元座標空間内のベクトルとして記述することができる。   Next, a method of calculating the degree that each data set includes each unique tendency in the unique tendency evaluation step in step S102 of FIG. 1 will be described. Since each analysis target substrate and each unique tendency have a characteristic value, it can be described as a vector in the a-dimensional coordinate space.

ここで、或る特異傾向Ｖ１、或る基板のデータセットＶ２、および別の基板のデータセットＶ３のベクトル表現が、図１１（ａ）に示すような関係にあるものとする。さらに、特異傾向ベクトルと基板のデータセットベクトルとのなす角度が小さく、且つ特異傾向に関連する基板の特性値が大きい場合にその基板のデータセットがその特異傾向を含む度合いが大きいものとする。このとき、前者の基板の特性傾向ベクトルＶ２の特異傾向ベクトルＶ１に対する射影１１０４、後者の基板の特性傾向ベクトルＶ３の特異傾向ベクトルＶ１に対する射影１１０５を、それぞれの基板のデータセットＶ２，Ｖ３が特異傾向Ｖ１を含む度合いとして定義することができる。この定義によれば、前者の基板のデータセットＶ２より後者の基板のデータセットＶ３の方が、特異傾向Ｖ１を含む度合いが高い。   Here, it is assumed that vector representations of a certain unique tendency V1, a data set V2 of a certain board, and a data set V3 of another board have a relationship as shown in FIG. Further, when the angle formed between the singular tendency vector and the substrate data set vector is small and the characteristic value of the board related to the singular tendency is large, the degree of the data set of the board including the singular tendency is large. At this time, a projection 1104 of the former substrate characteristic tendency vector V2 with respect to the singular tendency vector V1 and a projection 1105 of the latter substrate characteristic tendency vector V3 with respect to the singular tendency vector V1, and the data sets V2 and V3 of the respective substrates are singular tendencies. It can be defined as a degree including V1. According to this definition, the data set V3 of the latter board has a higher degree of including the singular tendency V1 than the data set V2 of the former board.

また、例えば解析対象物の特性値の傾向に応じて、特性値の大きさよりも特性値の傾向を重視したい場合、各データセットが各々の特異傾向を含む度合いを次のように算出しても良い。すなわち、図１１（ｂ）に示すように或る基板のデータセットＶ２が特異傾向Ｖ１を含む度合いを、データセットベクトルＶ２と特異傾向ベクトルＶ１とがなす角度１１０６として定義する。また、別の基板のデータセットＶ３が特異傾向Ｖ１を含む度合いを、データセットベクトルＶ３と特異傾向ベクトルＶ１とがなす角度１１０７として定義する。なお、２つのベクトルのなす角度を評価するには、２つの特性値の相関係数を求めればよい。この定義によれば、前者の基板のデータセットＶ２より後者の基板のデータセットＶ３の方が、特異傾向１１０１を含む度合いが低い。   In addition, for example, when it is desired to emphasize the tendency of the characteristic value rather than the magnitude of the characteristic value according to the tendency of the characteristic value of the object to be analyzed, the degree that each data set includes each unique tendency may be calculated as follows: good. That is, as shown in FIG. 11B, the degree to which the data set V2 of a certain substrate includes the singular tendency V1 is defined as an angle 1106 formed by the data set vector V2 and the singular tendency vector V1. Further, the degree to which the data set V3 of another substrate includes the singular tendency V1 is defined as an angle 1107 formed by the data set vector V3 and the singular tendency vector V1. In order to evaluate the angle formed by the two vectors, the correlation coefficient between the two characteristic values may be obtained. According to this definition, the data set V3 of the latter board is less likely to include the singular tendency 1101 than the data set V2 of the former board.

また、ステップＳ１０１で求めた混合係数Ａを上記度合いとして定義しても良い。そのようにした場合、特異傾向評価工程として新たな計算を実行せずに、上記射影を用いた場合の度合いとほぼ等しい効果を得ることができる。   Further, the mixing coefficient A obtained in step S101 may be defined as the above degree. In such a case, it is possible to obtain an effect substantially equal to the degree in the case of using the projection without executing a new calculation as the singular tendency evaluation step.

その他、上記度合いの算出方法は、パターン認識の分野では２つのパターン間の類似度として既にいくつか提案されており、いずれの手法を用いてもよい。例えば、各特異傾向への射影を用いる代わりにベクトルの内積を用いてもほぼ同様の効果が得られる。また、いくつかの評価方法を組み合わせて上記度合いを算出してもよい。要するに、解析対象物としての基板の特性値の傾向によって、最も良好な結果が得られる手法を選べばよい。   In addition, several methods for calculating the above degree have already been proposed as similarities between two patterns in the field of pattern recognition, and any method may be used. For example, substantially the same effect can be obtained by using an inner product of vectors instead of using projections for each singular tendency. Further, the above degree may be calculated by combining several evaluation methods. In short, it is only necessary to select a method that provides the best result depending on the tendency of the characteristic value of the substrate as the analysis object.

次に、図１のステップＳ１０３におけるデータ統合工程において、各特異傾向を含む度合いを各々の軸とする空間上で或る距離内に存在する基板を同じグループに統合する方法を説明する。図１２に統合処理のフローチャートを示す。   Next, in the data integration process in step S103 in FIG. 1, a method for integrating substrates existing within a certain distance on a space having each axis as a degree including each singular tendency will be described. FIG. 12 shows a flowchart of the integration process.

まず、ステップＳ１２０１として、上記空間Ｕに存在する全てのデータ点（基板）を異なるグループに割り当てる。例えば、解析対象としての基板の数がｎであり、上記空間Ｕにｎ個のデータ点が存在する場合、ｎ個のグループが割り当てられる。   First, as step S1201, all data points (substrates) existing in the space U are assigned to different groups. For example, when the number of substrates to be analyzed is n and n data points exist in the space U, n groups are assigned.

次に、ステップＳ１２０２として、或るグループと別のグループの２つを統合したときのコストを全ての組み合わせについて評価する。或るグループＧｉと或るグループＧｊを統合したときのコストＣｉｊを、例えば次式（２）で定義する。

Figure 2010191564
ここで、Ｄ（ｘｌ，ｘｍ）は、基板ｘｌが各特異傾向に含まれる度合いとｘｍが各特異傾向に含まれる度合いの距離関数を表し、通常はユークリッド距離を用いる。従って、上式はグループＧｉとグループＧｊに含まれる各基板についての各特異傾向に含まれる度合いの相互の距離の平均値を表す。 Next, as step S1202, the cost when integrating a certain group and another group is evaluated for all combinations. A cost C ij when a certain group G i and a certain group G j are integrated is defined by, for example, the following equation (2).
Figure 2010191564
Here, D (x 1 , x m ) represents a distance function of the degree that the substrate x 1 is included in each singular tendency and the degree that x m is included in each singular tendency, and usually uses the Euclidean distance. Therefore, the above formula represents the average value of the mutual distances of the degree included in each singular tendency for each substrate included in the group G i and the group G j .

次に、ステップＳ１２０３として、ステップＳ１２０２で求めたコストが最小となるグループ同士を統合して上位の新たなグループを作成し、統合元の２つのグループを取り除く。   Next, in step S1203, the groups having the minimum cost obtained in step S1202 are integrated to create a new upper group, and the two original groups are removed.

次に、ステップＳ１２０４として、その時点でのグループ数が１より大きければステップＳ１２０１からステップＳ１２０４の処理を繰り返し実行し、グループ数が１以下であれば処理を終了する。   Next, as step S1204, if the number of groups at that time is larger than 1, the processing from step S1201 to step S1204 is repeated, and if the number of groups is 1 or less, the processing is terminated.

以上の処理を行うことによって、グループ数が基板数と等しい状態からグループ数が１の状態まで、多数の階層構造を持つグループを作成することができる。このような階層構造を持つグループを作成することにより、初期に統合された下位層のグループでは比較的狭い範囲で基板の統合が行われ、上位層のグループではより広い範囲で基板が統合される。従って、図１中のステップＳ１０４において、上記階層構造を維持して分類基準を作成することによって、各分類基準の表す分類の粗さについても階層構造を持つことができるため、解析担当者の意図を反映させた分類基準の作成が可能となる。   By performing the above processing, it is possible to create a group having a large number of hierarchical structures from a state where the number of groups is equal to the number of substrates to a state where the number of groups is 1. By creating a group having such a hierarchical structure, the lower layer group that was initially integrated integrates the substrate in a relatively narrow range, and the upper layer group integrates the substrate in a wider range. . Therefore, in step S104 in FIG. 1, by creating the classification criteria while maintaining the hierarchical structure, it is possible to have a hierarchical structure for the classification roughness represented by each classification criterion. It is possible to create a classification standard reflecting the above.

また、図１２のステップＳ１２０４で上記階層構造を持つグループの同一階層内での相互の関連性を評価し、グループ同士の関連性が予め定められた閾値以下になるか、グループ数が１以下になった時点で統合処理を終了することにより、適切なグループ数を解析担当者の意思によらず決定することができる。ここで、「グループ同士の関連性」とはグループ同士の特性値が互いに類似している度合いを表し、この度合いが大きいグループが存在すれば、類似した特性値の傾向をもつグループが過度に分割された状態であることを意味する。「グループ同士の関連性」の評価指標としては、例えばコストＣｉｊの逆数を用いるのが望ましい。その理由は、式（２）のコストＣｉｊは周囲に類似したグループが存在するときは比較的小さな値であるが、周囲に類似したグループが存在しなくなると急激に大きな値となる傾向があるからである。または、或るグループに属する基板の特性値の平均値と別のグループに属する基板の特性値の平均値との相関係数を指標として用いてもよく、その他の値により評価してもよい。 Also, in step S1204 in FIG. 12, the relevance of the groups having the above-mentioned hierarchical structure within the same hierarchy is evaluated, and the relevance between the groups is less than a predetermined threshold or the number of groups is 1 or less. By ending the integration process at this point, an appropriate number of groups can be determined regardless of the intention of the person in charge of analysis. Here, “relationship between groups” refers to the degree to which the characteristic values of the groups are similar to each other. If there is a group with a large degree, groups with similar characteristic value tendencies are overly divided. It means that it is in the state that was done. As an evaluation index of “relationship between groups”, for example, the reciprocal of the cost C ij is preferably used. The reason for this is that the cost C ij in equation (2) has a relatively small value when there are similar groups in the surroundings, but tends to rapidly increase when there are no similar groups in the surroundings. Because. Alternatively, a correlation coefficient between the average value of the characteristic values of the substrates belonging to a certain group and the average value of the characteristic values of the substrates belonging to another group may be used as an index, or evaluation may be performed using other values.

また、作成すべき分類基準の個数が予め判明している場合には、階層構造を持つグループを作成せず、作成すべき個数のグループを直接作成してもよい。その場合のフローチャートを図１３に示す。   When the number of classification criteria to be created is known in advance, the number of groups to be created may be created directly without creating a group having a hierarchical structure. The flowchart in that case is shown in FIG.

作成すべき分類基準の個数をｋとすると、図１３中のステップＳ１３０１では、まずｋ個のグループの代表点ｇ＝（ｇ１，…，ｇｋ）を上記座標空間Ｕ上にランダムに作成する。ここで、代表点ｇとは、そのグループの特性の傾向を端的に表す値である。 If the number of classification criteria to be created is k, in step S1301 in FIG. 13, first, representative points g = (g 1 ,..., G k ) of k groups are randomly created on the coordinate space U. . Here, the representative point g is a value that directly represents the tendency of the characteristics of the group.

次に図１３中のステップＳ１３０２では、座標空間上における各基板を最も距離が近くなる代表点ｇで表されるグループに所属させる。ここで用いられる距離は、通常は式（２）で用いるのと同じくユークリッド距離である。   Next, in step S1302 in FIG. 13, each substrate on the coordinate space belongs to the group represented by the representative point g that is closest in distance. The distance used here is usually the Euclidean distance as used in equation (2).

次に、図１３におけるステップＳ１３０３では、各グループの代表点ｇを、そのグループに所属する基板についての各特異傾向に含まれる度数の平均値で更新する。   Next, in step S1303 in FIG. 13, the representative point g of each group is updated with the average value of the frequencies included in each singular tendency for the boards belonging to the group.

最後に、ステップＳ１３０４では、各グループについてステップＳ１３０３で更新される前の代表点ｇと更新された後の代表点ｇの値を比較する。ここで、代表点が異なっているグループがあれば（Ｓ１３０４でＮＯ）、ステップＳ１３０２からステップＳ１３０４の処理を繰り返し実行する。一方、全ての代表点が異なっていなければ（Ｓ１３０４でＹＥＳ）、処理を終了する。   Finally, in step S1304, the value of the representative point g before being updated in step S1303 is compared with the value of the representative point g after being updated for each group. If there are groups with different representative points (NO in S1304), the processing from step S1302 to step S1304 is repeatedly executed. On the other hand, if all the representative points are not different (YES in S1304), the process ends.

上述の処理によって、上記座標空間における各基板は、所属するグループの中心との距離が最短になるように統合される。   Through the above-described processing, each substrate in the coordinate space is integrated so that the distance from the center of the group to which it belongs is the shortest.

その他、上記データ点の統合方法は、クラスタ分析の分野で既にいくつか提案されており、いずれの手法を用いてもよい。要するに、解析対象となる基板の特性値の傾向に応じて、最も良好な結果が得られる手法を選べばよい。   In addition, several methods for integrating the data points have already been proposed in the field of cluster analysis, and any method may be used. In short, it is only necessary to select a method that provides the best results according to the tendency of the characteristic value of the substrate to be analyzed.

なお、図１のステップＳ１０３のデータ統合処理では、解析対象のデータセット群に含まれるデータセット数と比較して、特異傾向を含むデータセットの個数が極端に少ない場合、上手くグループに統合されない場合がある。また、図１のステップＳ１０１の特異傾向抽出工程で抽出した特異傾向数が多い場合、データ統合処理の計算量が非常に多くなり、解析に長時間を必要とする場合がある。このような場合、ステップＳ１０３におけるデータ統合処理の前処理として、例えばニューラルネットワークの１つである自己組織化写像を利用して、上記座標空間における位置関係を保持しつつ特性値の傾向を強調した状態でデータセットを低次元座標空間に写像するのが望ましい。この自己組織化像では、例えば図１５（ａ）に示すように、データセットを写像すべき低次元空間（これをＷとする。）に格子状に配置された複数のノードＮを設定する。上記座標空間Ｕにおけるデータ点の分布とデータセットの特性の傾向との関係を学習する。この結果、座標空間Ｕにおけるデータ点を低次元空間Ｗ内に構成された格子状のノードＮに写像したとき、各ノードＮはデータの要約となり、図１５（ｂ）に示すように、統合されるべきデータ点が互いに近接したノードＮに写像され、例えばグループＧ１，Ｇ２，…，Ｇ５（図中に実線の枠で囲んで示す）のように分けられる。さらに、グループＧ１，Ｇ２，…，Ｇ５のうち、図１５（ｃ）中に示す相互の距離が「近い」グループを統合しても良い。このように、上記低次元空間Ｗでデータの要約であるところの各ノードＮに対してデータ統合処理を行うことで、特異傾向を含むデータセットの個数が極端に少ない場合や、特異傾向数が極端に多い場合であっても、精度が高く、計算手順の少ないデータ統合を行うことができる。   In the data integration process in step S103 of FIG. 1, when the number of data sets including a singular tendency is extremely small compared to the number of data sets included in the analysis target data set group, the data integration process is not successful. There is. In addition, when the number of unique tendencies extracted in the unique trend extracting step of step S101 in FIG. 1 is large, the calculation amount of the data integration process becomes very large and may require a long time for analysis. In such a case, as a preprocessing of the data integration process in step S103, for example, a self-organizing map that is one of neural networks is used to emphasize the tendency of the characteristic value while maintaining the positional relationship in the coordinate space. It is desirable to map the data set to a low dimensional coordinate space. In this self-organized image, for example, as shown in FIG. 15A, a plurality of nodes N arranged in a lattice shape in a low-dimensional space (this is assumed to be W) in which a data set is to be mapped are set. The relationship between the distribution of data points in the coordinate space U and the tendency of the characteristics of the data set is learned. As a result, when the data points in the coordinate space U are mapped to the grid-like nodes N configured in the low-dimensional space W, each node N becomes a summary of the data and is integrated as shown in FIG. The data points to be mapped are mapped to nodes N close to each other, and are divided into groups G1, G2,..., G5 (indicated by a solid line frame in the figure), for example. Furthermore, among the groups G1, G2,..., G5, the groups that are “close” to each other as shown in FIG. In this way, by performing data integration processing on each node N that is a summary of data in the low-dimensional space W, the number of data sets including a unique tendency is extremely small, or the number of unique trends is Even in an extremely large number of cases, it is possible to perform data integration with high accuracy and few calculation procedures.

次に、実施例２として、上記特性解析方法によって得られた特性の解析結果、つまり分類基準データに基づいて、解析対象物としての基板を分類する方法について説明する。   Next, as a second embodiment, a method for classifying a substrate as an analysis object based on an analysis result of characteristics obtained by the above-described characteristic analysis method, that is, classification reference data will be described.

この例では、分類基準データと分類対象の各基板の特性値とを、特性値と同数のａ次元からなるベクトルとして表現する。そして、図１のステップＳ１０２と同様の方法で各基板の特性値が分類基準データを含む度合いを算出し、これを分類基準データに対する基板の類似度とする。即ち、このとき、類似度が或る閾値以上である基板を、その分類基準データに該当すると判定する。これにより、解析対象の各基板を、上記分類基準データが示す特性値の傾向を持つグループに分類することができる。   In this example, the classification reference data and the characteristic values of the respective substrates to be classified are expressed as vectors having the same number of a dimensions as the characteristic values. Then, the degree to which the characteristic value of each substrate includes the classification reference data is calculated by the same method as in step S102 of FIG. 1, and this is set as the similarity of the substrate to the classification reference data. That is, at this time, it is determined that a board having a similarity equal to or higher than a certain threshold corresponds to the classification reference data. Thereby, each board | substrate of analysis object can be classified into the group which has the tendency of the characteristic value which the said classification reference data shows.

図１４は、上記基板分類方法を実施するのに適した本発明の一実施形態の特性分類装置１４００を示している。この特性分類装置１４００は、図１０の特性解析装置１０００における分類基準作成部１００９とデータ出力部１０１０との間に、データ分類部１４０１を付加して構成されている。データ分類部１４０１は、分類基準作成部１００９が作成した分類基準データと特性値記憶部１００５に記憶した各基板の特性値に対して、特異傾向評価部１００７と同様の処理によって類似度を評価した後、類似度が或る閾値以上の基板をその分類基準データに分類する。その分類結果は分類基準データと合わせてデータ出力部１０１０に送られ、出力装置１０１１によって出力される。これにより、解析担当者は、基板の分類結果を知ることができる。   FIG. 14 shows a characteristic classification apparatus 1400 according to an embodiment of the present invention suitable for carrying out the substrate classification method. This characteristic classification device 1400 is configured by adding a data classification unit 1401 between the classification reference creation unit 1009 and the data output unit 1010 in the characteristic analysis device 1000 of FIG. The data classification unit 1401 evaluated the similarity by the same process as the singular tendency evaluation unit 1007 for the classification standard data created by the classification standard creation unit 1009 and the characteristic values of each substrate stored in the characteristic value storage unit 1005. Thereafter, the substrates having a similarity equal to or higher than a certain threshold are classified into the classification reference data. The classification result is sent to the data output unit 1010 together with the classification reference data, and is output by the output device 1011. Thereby, the person in charge of analysis can know the classification result of the board.

なお、上述の特性分類方法をコンピュータに実行させるためのプログラムとして構築しても良い。   In addition, you may construct | assemble as a program for making a computer perform the above-mentioned characteristic classification method.

また、そのようなプログラムをＣＤ−ＲＯＭなどのコンピュータ読み取り可能な記録媒体に記録して配布できるようにしても良い。上記プログラムを汎用コンピュータにインストールすることで、汎用コンピュータによって上記特性分類方法を実行することが可能である。   Further, such a program may be recorded and distributed on a computer-readable recording medium such as a CD-ROM. By installing the program on a general-purpose computer, the characteristic classification method can be executed by the general-purpose computer.

Ｓ１０１ 特異傾向抽出工程
Ｓ１０２ 特異傾向評価工程
Ｓ１０３ データ統合工程
Ｓ１０４ 分類基準作成工程 S101 Peculiar tendency extraction process S102 Peculiar tendency evaluation process S103 Data integration process S104 Classification standard creation process

Claims (18)

解析対象物が持つ或る個数の特性値を順序付けられた成分として含むデータセットを、上記特性値が示す傾向に基づいて分類するための分類基準を作成する特性解析方法であって、
複数の解析対象物にわたって上記データセットを集めてなるデータセット群全体の特性値から１個以上の特異傾向を抽出する特異傾向抽出工程と、
上記各データセットが上記各々の特異傾向を含む度合いを算出する特異傾向評価工程と、
上記各度合いを軸とする空間で上記各データセットに対応するデータ点を求め、上記空間で或る距離内に存在するデータ点同士を同じグループに統合するデータ統合工程と、
上記統合された各グループに含まれるデータ点の代表値を求め、上記代表値から上記分類基準を作成する分類基準作成工程とを有する特性解析方法。 A characteristic analysis method for creating a classification standard for classifying a data set including a certain number of characteristic values of an analysis object as an ordered component based on a tendency indicated by the characteristic value,
A peculiar tendency extracting step of extracting one or more peculiar tendencies from characteristic values of the entire data set group obtained by collecting the data sets over a plurality of analysis objects;
A unique tendency evaluation step for calculating the degree that each of the data sets includes the respective unique tendency;
A data integration step of obtaining data points corresponding to each of the data sets in a space around each degree, and integrating data points existing within a certain distance in the space into the same group;
A characteristic analysis method comprising: a classification reference creation step of obtaining a representative value of data points included in each of the integrated groups and creating the classification reference from the representative value. 請求項１に記載の特性解析方法において、
上記特異傾向抽出工程で、独立成分分析の手法を用いて、上記各々の特異傾向を、上記データセット群に含まれた特性値の数と同数の成分で表すとともに、互いに無相関且つ線形和によって上記データセット群を近似可能な傾向として抽出することを特徴とする特性解析方法。 In the characteristic analysis method according to claim 1,
In the singular tendency extraction step, each singular tendency is represented by the same number of components as the number of characteristic values included in the data set group using an independent component analysis technique, and is uncorrelated with each other and linearly A characteristic analysis method, wherein the data set group is extracted as a trend that can be approximated. 請求項１に記載の特性解析方法において、
上記特異傾向抽出工程で、主成分分析の手法を用いて、上記各々の特異傾向を、上記データセット群に含まれた特性値の数と同数の成分で表すとともに、互いに統計的に無相関且つ線形和によって上記データセット群を近似可能な傾向として抽出することを特徴とする特性解析方法。 In the characteristic analysis method according to claim 1,
In the singular tendency extraction step, using the principal component analysis technique, each singular tendency is represented by the same number of components as the number of characteristic values included in the data set group, and is statistically uncorrelated with each other. A characteristic analysis method, wherein the data set group is extracted as a trend that can be approximated by a linear sum. 請求項１から３までのいずれか一つに記載の特性解析方法において、
上記特異傾向評価工程で、上記データセットが上記特異傾向を含む上記度合いを、上記各々の特異傾向と上記データセットとの間の相関係数によって評価することを特徴とする特性解析方法。 In the characteristic analysis method according to any one of claims 1 to 3,
A characteristic analysis method characterized in that, in the singular tendency evaluation step, the degree that the data set includes the singular tendency is evaluated by a correlation coefficient between each singular tendency and the data set. 請求項１から３までのいずれか一つに記載の特性解析方法において、
上記特異傾向評価工程で、上記データセットが上記特異傾向を含む上記度合いを、上記特異傾向と上記データセットとの射影または内積によって評価することを特徴とする特性解析方法。 In the characteristic analysis method according to any one of claims 1 to 3,
A characteristic analysis method characterized in that, in the singular tendency evaluation step, the degree that the data set includes the singular tendency is evaluated by projection or inner product of the singular tendency and the data set. 請求項２または３に記載の特性解析方法において、
上記特異傾向評価工程で、上記データセットが上記特異傾向を含む上記度合いを、上記データセットを近似する上記特異傾向の線形和の係数によって評価することを特徴とする特性解析方法。 In the characteristic analysis method according to claim 2 or 3,
The characteristic analysis method characterized in that, in the singular tendency evaluation step, the degree that the data set includes the singular tendency is evaluated by a coefficient of a linear sum of the singular tendency that approximates the data set. 請求項１から６までのいずれか一つに記載の特性解析方法において、
上記データ統合工程で、上記空間で上記距離内に存在するデータ点同士を同じグループに統合した後、得られた複数のグループの間で最も距離が近いグループ同士を上位のグループとして統合することを特徴とする特性解析方法。 In the characteristic analysis method according to any one of claims 1 to 6,
In the data integration step, after integrating the data points existing within the distance in the space into the same group, the groups having the closest distance among the obtained groups are integrated as upper groups. Characteristic characteristic analysis method. 請求項１から６までのいずれか一つに記載の特性解析方法において、
上記データ統合工程で、作成すべきグループの数が予め定められていることを特徴とする特性解析方法。 In the characteristic analysis method according to any one of claims 1 to 6,
A characteristic analysis method characterized in that the number of groups to be created is predetermined in the data integration step. 請求項７または８に記載の特性解析方法において、
上記データ統合工程で、自己組織化写像を利用して、上記各度合いを軸とする空間における上記データ点を予め定められた次元の空間内に構成された格子状のノードに写像し、上記データ点同士に代えて上記ノード同士を統合することを特徴とする特性解析方法。 In the characteristic analysis method according to claim 7 or 8,
In the data integration step, using the self-organizing mapping, the data points in the space with each degree as an axis are mapped to a grid-like node configured in a space of a predetermined dimension, and the data A characteristic analysis method characterized by integrating the nodes instead of the points. 請求項１から９までのいずれか一つに記載の特性解析方法において、
上記分類基準作成工程で、上記各グループ毎に、そのグループに統合されたデータ点に対応するデータセットの特性値の平均値、最頻値または中央値を、上記代表値として求めることを特徴とする特性解析方法。 In the characteristic-analysis method as described in any one of Claim 1-9,
In the classification reference creation step, for each group, the average value, mode value, or median value of the characteristic values of the data set corresponding to the data points integrated in the group is obtained as the representative value. Characteristic analysis method. 請求項７に記載の特性解析方法において、
上記データ統合工程で、上記グループ同士の関連性が予め定めた閾値以下となるか、グループ数が１になるまで上記グループ同士の統合を繰り返すことを特徴とする特性解析方法。 In the characteristic analysis method according to claim 7,
In the data integration step, the group analysis is repeated until the relationship between the groups becomes equal to or less than a predetermined threshold value or the number of groups becomes 1. 請求項１に記載の特性解析方法において、
上記解析対象物は基板であり、上記或る個数の特性値は、上記基板の表面内の上記個数の測定点で測定された品質データであることを特徴とする特性解析方法。 In the characteristic analysis method according to claim 1,
The analysis object is a substrate, and the certain number of characteristic values is quality data measured at the number of measurement points in the surface of the substrate. 請求項１に記載の特性解析方法において、
上記解析対象物は基板であり、上記或る個数の特性値は、上記基板の表面を上記個数に区画して設定された各格子領域で観測された欠陥数であることを特徴とする特性解析方法。 In the characteristic analysis method according to claim 1,
The analysis object is a substrate, and the certain number of characteristic values is the number of defects observed in each lattice region set by dividing the surface of the substrate into the number. Method. 解析対象物が持つ或る個数の特性値を順序付けられた成分として含むデータセットを、上記特性値が示す傾向に基づいて分類するための分類基準を作成する特性解析装置であって、
複数の解析対象物にわたって上記データセットを集めてなるデータセット群全体の特性値を記憶する特性値記憶部と、
上記データセット群全体の特性値から１個以上の特異傾向を抽出する特異傾向抽出部と、
上記各データセットが上記各々の特異傾向を含む度合いを算出する特異傾向評価部と、
上記各度合いを軸とする空間で上記各データセットに対応するデータ点を求め、上記空間で或る距離内に存在するデータ点同士を同じグループに統合するデータ統合部と、
上記統合された各グループに含まれるデータ点の代表値を求め、上記代表値から上記分類基準を作成する分類基準作成部とを有する特性解析装置。 A characteristic analysis apparatus for creating a classification standard for classifying a data set including a certain number of characteristic values of an analysis object as an ordered component based on a tendency indicated by the characteristic value,
A characteristic value storage unit for storing characteristic values of the entire data set group obtained by collecting the data sets over a plurality of analysis objects;
A peculiar tendency extracting unit that extracts one or more peculiar tendencies from the characteristic values of the entire data set group;
A peculiar tendency evaluation unit for calculating the degree that each of the data sets includes each peculiar tendency;
A data integration unit that obtains data points corresponding to each data set in a space centered on each degree, and integrates data points existing within a certain distance in the space into the same group;
A characteristic analysis apparatus comprising: a classification reference creation unit that obtains a representative value of data points included in each of the integrated groups and creates the classification reference from the representative value. 請求項１に記載の特性解析方法によって上記分類基準を作成し、
作成した分類基準と上記データセット群をなす各データセットとを比較して、上記分類基準毎に上記データセットを分類する特性分類方法。 The classification criteria are created by the characteristic analysis method according to claim 1,
A characteristic classification method for comparing the created classification standard with each data set constituting the data set group and classifying the data set for each classification standard. 請求項１４に記載の特性解析装置と、
上記特性解析装置によって作成された分類基準と上記データセット群をなす各データセットとを比較して、上記分類基準毎に上記データセットを分類する分類処理部とを備えた特性分類装置。 The characteristic analysis apparatus according to claim 14,
A characteristic classification apparatus comprising: a classification processing unit that compares the classification standard created by the characteristic analysis apparatus with each data set forming the data set group and classifies the data set for each classification standard. 請求項１に記載の特性解析方法または請求項１５に記載の特性分類方法をコンピュータに実行させるためのプログラム。   A program for causing a computer to execute the characteristic analysis method according to claim 1 or the characteristic classification method according to claim 15. 請求項１７に記載のプログラムを記録したことを特徴とするコンピュータ読み取り可能な記録媒体。   A computer-readable recording medium on which the program according to claim 17 is recorded.
JP2009033535A 2009-02-17 2009-02-17 Characteristic analysis apparatus, program for causing computer to execute characteristic analysis method, and computer-readable recording medium recording the program Active JP5566616B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2009033535A JP5566616B2 (en) 2009-02-17 2009-02-17 Characteristic analysis apparatus, program for causing computer to execute characteristic analysis method, and computer-readable recording medium recording the program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009033535A JP5566616B2 (en) 2009-02-17 2009-02-17 Characteristic analysis apparatus, program for causing computer to execute characteristic analysis method, and computer-readable recording medium recording the program

Publications (2)

Publication Number Publication Date
JP2010191564A true JP2010191564A (en) 2010-09-02
JP5566616B2 JP5566616B2 (en) 2014-08-06

Family

ID=42817571

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009033535A Active JP5566616B2 (en) 2009-02-17 2009-02-17 Characteristic analysis apparatus, program for causing computer to execute characteristic analysis method, and computer-readable recording medium recording the program

Country Status (1)

Country Link
JP (1) JP5566616B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012094016A (en) * 2010-10-28 2012-05-17 Hitachi Ltd Production information management apparatus and production information management method
WO2022157969A1 (en) * 2021-01-25 2022-07-28 日本電気株式会社 Information processing device, control method, and storage medium

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004054956A (en) * 2002-07-19 2004-02-19 Samsung Electronics Co Ltd Face detection method and system using pattern sorter learned by face/analogous face image
JP2004288743A (en) * 2003-03-19 2004-10-14 Toshiba Corp Device, method, and program for failure analysis
JP2006313428A (en) * 2005-05-06 2006-11-16 Toyota Motor Corp Database evaluation device
JP2007164256A (en) * 2005-12-09 2007-06-28 Sharp Corp Template adjustment method and device, defect distribution classification method and device, program for making computer execute template adjustment method or defect distribution classification method and computer-readable recording medium with the same program recorded
WO2007125941A1 (en) * 2006-04-27 2007-11-08 Sharp Kabushiki Kaisha Method and system for classifying defect distribution, method and system for specifying causative equipment, computer program and recording medium
JP2007317185A (en) * 2006-05-25 2007-12-06 Mitsubishi Electric Research Laboratories Inc Spectral method for sparse linear discriminant analysis
WO2008001889A1 (en) * 2006-06-29 2008-01-03 Fujitsu Limited Color classifying method, color recognizing method, color classifying device, color recognizing device, color recognizing system, computer program, and recording medium
JP2008014652A (en) * 2006-07-03 2008-01-24 Omron Corp Dust particle inspection system, dust particle inspection method, program and recording medium
JP2008015921A (en) * 2006-07-07 2008-01-24 Mitsubishi Electric Corp Power load representative pattern preparing device and power load representative pattern preparation program
JP2008108815A (en) * 2006-10-24 2008-05-08 Sharp Corp System for specifying defectives-causing equipment
JP2008176398A (en) * 2007-01-16 2008-07-31 Sony Corp Information processing apparatus and method, and program

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004054956A (en) * 2002-07-19 2004-02-19 Samsung Electronics Co Ltd Face detection method and system using pattern sorter learned by face/analogous face image
JP2004288743A (en) * 2003-03-19 2004-10-14 Toshiba Corp Device, method, and program for failure analysis
JP2006313428A (en) * 2005-05-06 2006-11-16 Toyota Motor Corp Database evaluation device
JP2007164256A (en) * 2005-12-09 2007-06-28 Sharp Corp Template adjustment method and device, defect distribution classification method and device, program for making computer execute template adjustment method or defect distribution classification method and computer-readable recording medium with the same program recorded
WO2007125941A1 (en) * 2006-04-27 2007-11-08 Sharp Kabushiki Kaisha Method and system for classifying defect distribution, method and system for specifying causative equipment, computer program and recording medium
JP2007317185A (en) * 2006-05-25 2007-12-06 Mitsubishi Electric Research Laboratories Inc Spectral method for sparse linear discriminant analysis
WO2008001889A1 (en) * 2006-06-29 2008-01-03 Fujitsu Limited Color classifying method, color recognizing method, color classifying device, color recognizing device, color recognizing system, computer program, and recording medium
JP2008014652A (en) * 2006-07-03 2008-01-24 Omron Corp Dust particle inspection system, dust particle inspection method, program and recording medium
JP2008015921A (en) * 2006-07-07 2008-01-24 Mitsubishi Electric Corp Power load representative pattern preparing device and power load representative pattern preparation program
JP2008108815A (en) * 2006-10-24 2008-05-08 Sharp Corp System for specifying defectives-causing equipment
JP2008176398A (en) * 2007-01-16 2008-07-31 Sony Corp Information processing apparatus and method, and program

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
服部しのぶ: "映像特徴空間に基づく同系映像の分類", 電子情報通信学会技術研究報告, vol. 第１０３巻，第５１２号, JPN6013058770, 12 December 2003 (2003-12-12), JP, pages 55 - 60, ISSN: 0002815516 *
正田備也: "肺音分類のための独立成分分析とクラスタリングによる特徴量抽出", データベースとＷＥＢ情報システムに関するシンポジウム 情報処理学会シンポジウムシリーズ, vol. 第２００７巻，第３号, JPN6013006806, 27 November 2007 (2007-11-27), JP, pages 1 - 8, ISSN: 0002815517 *
澤田宏: "多音源に対する周波数領域ブラインド音源分離", 人工知能学会AIチャレンジ研究会, vol. 第２２巻, JPN6013006808, 2005, pages 17 - 22, ISSN: 0002815518 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012094016A (en) * 2010-10-28 2012-05-17 Hitachi Ltd Production information management apparatus and production information management method
WO2022157969A1 (en) * 2021-01-25 2022-07-28 日本電気株式会社 Information processing device, control method, and storage medium

Also Published As

Publication number Publication date
JP5566616B2 (en) 2014-08-06

Similar Documents

Publication Publication Date Title
US11921433B2 (en) Optical metrology in machine learning to characterize features
KR102083706B1 (en) Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
TWI708301B (en) Feature selection and automated process window monitoring through outlier detection
KR101799603B1 (en) Automatic fault detection and classification in a plasma processing system and methods thereof
US11816579B2 (en) Method and apparatus for detecting defect pattern on wafer based on unsupervised learning
Yuan-Fu A deep learning model for identification of defect patterns in semiconductor wafer map
US6741941B2 (en) Method and apparatus for analyzing defect information
US11686689B2 (en) Automatic optimization of an examination recipe
JP2021190716A (en) Detection of failure in semiconductor specimen using weak labeling
WO2020090770A1 (en) Abnormality detection device, abnormality detection method, and program
TW202044067A (en) Machine learning-based classification of defects in a semiconductor specimen
US10719655B2 (en) Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database
JP2022512292A (en) Classification of defects in semiconductor samples
JP4723544B2 (en) Substrate classification method and apparatus, program for causing a computer to execute the substrate classification method, and a computer-readable recording medium storing the program
Shen et al. Wafer bin map recognition with autoencoder-based data augmentation in semiconductor assembly process
CN113222884B (en) Method and system for inspecting a sample
JP5566616B2 (en) Characteristic analysis apparatus, program for causing computer to execute characteristic analysis method, and computer-readable recording medium recording the program
JP2011054804A (en) Method and system for management of semiconductor manufacturing device
Ghafoor et al. Multi-features classification of SMD screen in smart cities using randomised machine learning algorithms
JP2007248198A (en) Feature quantity extraction method of characteristic distribution, and classification method of characteristic distribution
WO2022059135A1 (en) Error cause estimation device and estimation method
JP2008258486A (en) Distribution analysis method and system, abnormality facility estimation method and system, program for causing computer to execute its distribution analysis method or its abnormality facility estimation method, and recording medium readable by computer having its program recorded therein
JP5241302B2 (en) Characteristic distribution analysis method and apparatus, substrate classification method and apparatus, program for causing computer to execute characteristic distribution analysis method or substrate classification method, and computer-readable recording medium recording the program
JP2008078392A (en) Characteristic analysis method and device, abnormal-equipment estimation method and device, program that allows computer to execute characteristic analysis method or abnormal-equipment estimation method, and computer-readable recording medium that records program
Xiao et al. Adaptive reference image set selection in automated x-ray inspection

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20110223

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20130219

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20130419

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20131203

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140128

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20140527

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140618

R150 Certificate of patent or registration of utility model

Ref document number: 5566616

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150