JP2018195643A - 分類プログラム、分類装置および分類方法 - Google Patents

分類プログラム、分類装置および分類方法 Download PDF

Info

Publication number
JP2018195643A
JP2018195643A JP2017096585A JP2017096585A JP2018195643A JP 2018195643 A JP2018195643 A JP 2018195643A JP 2017096585 A JP2017096585 A JP 2017096585A JP 2017096585 A JP2017096585 A JP 2017096585A JP 2018195643 A JP2018195643 A JP 2018195643A
Authority
JP
Japan
Prior art keywords
wafer
wafer map
classification
defect
conversion information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2017096585A
Other languages
English (en)
Inventor
勉 石田
Tsutomu Ishida
勉 石田
泉 新田
Izumi Nitta
泉 新田
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2017096585A priority Critical patent/JP2018195643A/ja
Publication of JP2018195643A publication Critical patent/JP2018195643A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

【課題】ウエハマップの示す欠陥パターンが、半導体の製造工程により生じた欠陥を示すものか、ランダムに生じた欠陥を示すものかを分類する。【解決手段】分類装置は、複数のチップを含むウエハマップにおける複数のチップそれぞれの位置、および、複数のチップそれぞれに関するテスト情報に基づき、ラドン変換によりウエハマップについての変換情報を生成する生成部を備える。また、分類装置は、変換情報を正規化したウエハマップについての正規化変換情報に対する特徴量の係数を、保存された複数のウエハマップについての正規化変換情報に基づき設定する設定部と、設定された特徴量の係数に基づき、ウエハマップを分類する分類部とを備える。【選択図】図2

Description

本発明の実施形態は、分類プログラム、分類装置および分類方法に関する。
従来、半導体のウエハ上に欠陥が生じているチップ(不良チップ)の位置をマッピングしたウエハマップが作成されている。そして、作成されたウエハマップにおける欠陥位置のパターン(欠陥パターン)と、過去におけるウエハマップの欠陥パターンとを参照することで、チップに欠陥が生じた原因を推定することが行われている。ここで、ウエハマップに対しラドン変換を行い、ウエハの2次元上の位置は異なるが、技術者から見ると同じ欠陥パターンとなっているものを発見する技術もある。
特開2003−100825号公報 特開2005−274285号公報
Ming-Ju Wu,et al,Wafer Map Failure Pattern Recognition and Similarity Ranking for Large-Scale Data Sets, IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING, VOL. 28, NO. 1, FEBRUARY 2015
上記の従来技術では、ウエハマップのラドン変換後、他のウエハマップとの比較のために正規化を行う必要がある。ところが、ラドン変換後のウエハマップに正規化を行うと、ウエハマップの示す欠陥パターンが、半導体の製造工程により生じた欠陥を示すものか、ランダムに生じた欠陥を示すものかを分類することが困難であるという問題がある。
1つの側面では、ウエハマップの示す欠陥パターンが、半導体の製造工程により生じた欠陥を示すものか、ランダムに生じた欠陥を示すものかを分類するための、分類プログラム、分類装置および分類方法を提供することを目的とする。
第1の案では、コンピュータに、以下の処理を実行させる。まず、コンピュータに、複数のチップを含むウエハにおける複数のチップそれぞれの位置、および、複数のチップそれぞれに関するテスト情報に基づき、ラドン変換によりウエハについての変換情報を生成させる。また、コンピュータに、変換情報を正規化したウエハについての正規化変換情報に対する特徴量の係数を、保存された複数のウエハについての正規化変換情報に基づき設定させる。さらに、コンピュータに、設定された特徴量の係数に基づき、ウエハを分類させる。
本発明の一実施態様によれば、ウエハマップの示す欠陥パターンが、半導体の製造工程により生じた欠陥を示すものか、ランダムに生じた欠陥を示すものかを分類することができる。
図1は、第1の実施形態にかかる分類装置の構成を例示するブロック図である。 図2は、第1の実施形態にかかる分類装置の機能構成を例示するブロック図である。 図3は、ウエハマップの特徴量の算出の一例を説明する図である。 図4は、重み設定ログを用いた重みの算出の一例を説明する図である。 図5は、分類処理を例示するフローチャートである。 図6は、不良率に付ける重みの算出処理の一例を示すフローチャートである。 図7は、ウエハマップの一例を示す図である。 図8は、ウエハマップ同士の比較の一例を説明する図である。 図9は、不良率に付ける重みの算出処理の一例を示すフローチャートである。 図10は、ウエハマップの一例を示す図である。 図11は、各実施形態にかかる分類装置のハードウェア構成の一例を示すブロック図である。
以下、図面を参照して、各実施形態にかかる分類プログラム、分類方法および分類装置を説明する。各実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の各実施形態で説明する分類プログラム、分類方法および分類装置は、一例を示すに過ぎず、本発明を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。
[第1の実施形態]
図1は、第1の実施形態にかかる分類装置1の構成を例示するブロック図である。図1に示す分類装置1は、半導体のウエハ上に欠陥が生じているチップ(不良チップ)の位置をマッピングしたウエハマップを取得する。そして、分類装置1は、取得したウエハマップの示す欠陥パターンが、半導体の製造工程の不具合により生じた欠陥(製造工程による欠陥)を示すものか、ランダムに生じた欠陥(ランダム欠陥)を示すものかを分類する。
具体的には、分類装置1は、取得したウエハマップ(比較元のウエハマップおよび比較先のウエハマップ)に対しラドン変換を行い、ラドン変換後のデータを正規化する。また、分類装置1は、取得したウエハマップの不良率(ウエハマップ上の全チップに対する不良チップの割合)を算出する。そして、分類装置1は、取得したウエハマップの正規化データと不良率とを用いて、比較元のウエハマップと比較先のウエハマップとの類似度を算出する。そして、分類装置1は、算出した類似度の高さに基づき、比較先のウエハマップが、製造工程による欠陥を示すものか、ランダム欠陥を示すものかを分類する。
例えば、分類装置1は、製造工程により生じた欠陥を示すウエハマップ(例えば、図10のウエハマップa)を比較元とし、比較先の各ウエハマップ(例えば、図10のウエハマップb,c)との類似度の高さを示すランク(類似ランク)を算出する。そして、分類装置1は、比較元のウエハマップとの類似ランク上位のウエハマップ(例えば、図10のウエハマップc)を、製造工程による欠陥を示すウエハマップに分類する。また、分類装置1は、比較元のウエハマップとの類似ランク下位のウエハマップを、ランダム欠陥を示すウエハマップ(例えば、図10のウエハマップb)に分類する。
分類装置1は、PC(Personal Computer)等であり、入力部10、出力部20、処理部30および記憶部40を有する。
入力部10は、各種情報を処理部30に入力する。例えば、入力部10は、ユーザの指示を受け付けて、受け付けた指示に従って、通信により外部装置から各種情報を取得し、取得した各種情報を処理部30に入力する。入力部10は、マウスやキーボードなどの操作受付デバイスであってもよい。具体例を挙げて説明すると、入力部10は、複数のチップそれぞれのウエハ上での位置、および、複数のチップそれぞれに関するテスト情報を示すウエハマップを処理部30に入力する。
出力部20は、各種の情報を出力する。例えば、出力部20は、処理部30によるウエハマップの分類結果を表示装置に表示する。なお、出力部20は、ウエハマップの分類の結果を音声で出力してもよい。出力部20のデバイスの一例としては、LCD(Liquid Crystal Display)やCRT(Cathode Ray Tube)などの表示デバイスや、音声を出力する音声出力デバイスが挙げられる。
処理部30は、CPU(Central Processing Unit)等であり、分類プログラムを実行することにより、生成部31、設定部32および分類部33としての機能を果たす。
記憶部40は、各種情報を記憶する。例えば、記憶部40は、処理部30で実行される分類プログラムを記憶する。また、記憶部40は、入力部10より入力されたウエハマップを記憶する。
図2は、第1の実施形態にかかる分類装置の機能構成を例示するブロック図である。
生成部31は、入力部10より入力されたウエハマップの特徴量を算出する。具体的には、生成部31は、ラドン変換部311、特徴量抽出部312、正規化部313および不良率算出部314を有する。そして、生成部31は、比較元ウエハマップリスト51およびウエハマップデータベース52の特徴量として、それぞれのウエハマップのラドン変換、ラドン変換後のデータの正規化、および、ウエハマップの不良率の算出を行う。
比較元ウエハマップリスト51は、比較元のウエハマップを示したリストである。ウエハマップデータベース52は、1以上のウエハマップを蓄積するデータベースである。このウエハマップデータベース52には、例えば、比較元のウエハマップとの比較先となる1以上のウエハマップが蓄積される。
ここで、生成部31におけるウエハマップの特徴量の算出の概要を説明する。図3は、ウエハマップの特徴量の算出の一例を説明する図である。ここでは、製造装置Aの不具合による欠陥を示すウエハマップaの特徴量と、ランダム欠陥を示すウエハマップbの特徴量とを算出する場合を例に説明する。
例えば、生成部31のラドン変換部311は、ウエハマップaをラドン変換する。その後、特徴量抽出部312は、ウエハマップaのラドン変換後のデータから特徴量を抽出する。例えば、特徴量抽出部312は、ウエハマップaの特徴量として、ウエハマップaの欠陥チップの分布を示す値(例えば、ウエハマップの領域ごとの欠陥チップの位置を示す値の平均および分散値等)を得る。次に、正規化部313は、ウエハマップaの特徴量を正規化し、ベクトルfを得る。また、不良率算出部314は、ウエハマップaの不良率(例えば「0.3」)を算出し、正規化部313は、ウエハマップaの特徴量(ベクトルf)に、ウエハマップaの不良率を付加し、ベクトルf´を得る。
生成部31は、ウエハマップbについても上記と同様の処理を行い、正規化部313はウエハマップbの特徴量(ベクトルf)に、ウエハマップbの不良率(例えば「0.02」)を付加し、ベクトルf´を得る。
図2の説明に戻る。設定部32は、分類部33(後記)がウエハマップの類似度の算出に用いる、ウエハマップの不良率の係数(重みw)を設定する。具体的には、設定部32は、重み算出部321を有する。この重み算出部321は、例えば、重み設定ログ53を参照して、ウエハマップの不良率の重みwを算出する。この重みw算出の詳細は、後記する。
分類部33は、比較元のウエハマップと比較先の各ウエハマップとの類似度を算出する。そして、分類部33は、算出した類似度を用いて比較先の各ウエハマップを分類する。分類部33は、類似度算出部331と、分類処理部332とを有する。
類似度算出部331は、比較元のウエハマップと比較先の各ウエハマップとの類似度を算出する。この類似度算出部331は、例えば、比較元のウエハマップ(ウエハマップa)と比較先のウエハマップ(ウエハマップb)との類似度を、以下の式(1)により算出する。なお、式(1)は、類似度算出にあたり、ウエハマップa,bそれぞれを10個の領域に分割した場合の計算式である。
Figure 2018195643
上記の式(1)における、ベクトルf´は、生成部31により算出されたウエハマップaの特徴量であり、ベクトルf´は、生成部31により算出されたウエハマップbの特徴量であり、wは、ウエハマップaとの類似度の算出に用いられる重みである。
また、上記の式(1)における、fmakは、ウエハマップaにラドン変換をかけた画像の領域kの値の正規化後の平均値であり、fvakは、ウエハマップaにラドン変換をかけた画像の領域kの値の正規化後の分散値であり、fyは、ウエハマップaの不良率である。fmbkは、ウエハマップbにラドン変換をかけた画像の領域kの値の正規化後の平均値であり、fvbkは、ウエハマップbにラドン変換をかけた画像の領域kの値の正規化後の分散値であり、fyは、ウエハマップbの不良率である。
上記の式(1)においてウエハマップaとウエハマップbとの類似度を、ウエハマップaの特徴量(ベクトルf´)とウエハマップbの特徴量(ベクトルf´)との距離として算出している。つまり、式(1)により算出された距離が小さいほど、ウエハマップaとウエハマップbとの類似度が高いことを示す。
分類処理部332は、類似度算出部331により算出された比較元のウエハマップと比較先の各ウエハマップとの類似度を用いて、比較先の各ウエハマップを分類する。
例えば、分類処理部332は、比較元のウエハマップとして、製造工程による欠陥パターンを示すウエハマップaを用いる場合を考える。この場合、分類処理部332は、ウエハマップaとの比較先の各ウエハマップを、ウエハマップaとの類似度が高い順に並べる。そして、分類処理部332は、類似ランクが所定値よりも高いウエハマップを、製造工程による欠陥を示すウエハマップとして分類する。また、分類処理部332は、類似ランクが所定値よりも低いウエハマップを、ランダム欠陥を示すウエハマップとして分類する。
ここで、上記の類似度算出に用いる重みwは、製造工程による欠陥を示すウエハマップと、ランダム欠陥を示すウエハマップとの類似度が低くなるような重みwであることが好ましい。例えば、上記の式(1)において、上記のウエハマップaの特徴量(ベクトルf´)とウエハマップbの特徴量(ベクトルf´)との距離が大きくなるような重みwであることが好ましい。
そこで、重み算出部321は、上記の重みwを、重み設定ログ53(過去に上記の式(1)において、ユーザの意図する類似度(距離)が得られたときの重みwを示した情報)に基づき算出する。
例えば、重みwが以下の式(2)により算出される場合、重み算出部321は、重み設定ログ53を用いた回帰分析により、式(2)におけるベクトルaと、定数項bとを求める。
Figure 2018195643
図4は、重み設定ログを用いた重みの算出の一例を説明する図である。図4に示すように、重み設定ログ53は、比較元のウエハマップごとに、当該ウエハマップの特徴量(ベクトルf´)と、当該ウエハマップの特徴量に対しどのような重みwを設定したときに比較先のウエハマップに対し、ユーザの意図する類似度(距離)が得られたかを示す情報である。
例えば、図4に示す重み設定ログ53は、比較元のウエハマップpの特徴量(ベクトルf´)に対し、重みw=20を設定したとき、比較先のウエハマップに対し、ユーザの意図する類似度(距離)が得られたことを示す。また、比較元のウエハマップqの特徴量(ベクトルf´)に対し、重みw=8を設定したとき、比較先のウエハマップに対し、ユーザの意図する類似度(距離)が得られたことを示す。
重み算出部321は、例えば、上記の重み設定ログ53の線形回帰分析を行うことで、上記の式(2)におけるベクトルaと、定数項bとを求める。そして、重み算出部321は、求めたベクトルaと、定数項bとを式(2)に代入することで、比較元のウエハマップaに用いる重みwを算出する。
なお、重み算出部321は、重みwの算出にあたり、上記のような線形回帰分析のほか、RBF(Radial Basis Function)カーネルを用いたSVM(Support Vector Machine)による回帰分析を行ってもよい。
次に、生成部31、設定部32および分類部33の詳細を説明する。図5は、実施形態にかかる分類処理を例示するフローチャートである。
図5に示すように、処理が開始されると、生成部31は、比較元のウエハマップ、比較先のウエハマップをそれぞれ1つ選択する(S1)。例えば、生成部31は、図2に示す比較元ウエハマップリスト51から比較元のウエハマップを1つ選択し、ウエハマップデータベース52から比較先のウエハマップを1つ選択する。
次いで、生成部31のラドン変換部311は、S1で選択したウエハマップの画像(ウエハマップ画像)に対してラドン変換を行う(S2)。その後、特徴量抽出部312は、ラドン変換後のウエハマップ画像から特徴量を抽出する(S3)。次いで、正規化部313は、S3で抽出された特徴量の正規化を行う(S4)。また、不良率算出部314は、S1で選択したウエハマップの不良率を算出する(S5)。その後、生成部31が、すべてのウエハマップに対し、S2〜S5の処理を実行すると(S6でYes)、設定部32は、S5で算出した不良率に付ける重み(w)を算出する(S7)。このS7の処理の詳細は、図6を用いてする。なお、生成部31がまだS2〜S5の処理を実行していないウエハマップがある場合(S6でNo)、S1へ処理が戻る。
S7の後、分類部33の類似度算出部331は、S4で正規化された特徴量と、S7で算出された不良率に付ける重みを用いて、比較元のウエハマップに対する比較先の各ウエハマップの類似度を算出する(S8)。例えば、類似度算出部331は、式(1)に基づき、比較元のウエハマップに対する比較先の各ウエハマップの類似度を算出する。
S8の後、分類処理部332は、S8で算出した類似度に基づき比較先の各ウエハマップをソートし(S9)、ソートの結果を用いて、比較先の各ウエハマップを分類する(S10)。例えば、比較元のウエハマップが製造工程による欠陥を示すウエハマップである場合、分類部33は、この比較元のウエハマップとの類似ランクが所定値より高い比較先のウエハマップを、製造工程による欠陥を示すウエハマップに分類する。一方、分類部33は、この比較元のウエハマップとの類似ランクが所定値より低い比較先のウエハマップを、ランダム欠陥を示すウエハマップに分類する。
次に、図6を用いて、図5のS7の処理を詳細に説明する。図6は、不良率に付ける重みの算出処理の一例を示すフローチャートである。
まず、設定部32の重み算出部321は、図5のS4で正規化された比較元のウエハマップの特徴量を受け取ると、重み設定ログ53を読み込み(S71)、重み設定ログ53を用いた回帰分析により、重み設定計算式を導出する(S72)。例えば、重み算出部321は、重み設定ログ53を用いた回帰分析により、式(2)におけるベクトルaと定数項bとを導出する。その後、重み算出部321は、S72で導出した重み設定計算式により、不良率に付ける重みwの算出を行う(S73)。
以上説明した分類装置1によれば、比較元のウエハマップと比較先のウエハマップとの類似度の算出にあたり、両ウエハマップのラドン変換後の正規化された特徴量および不良率を用いる。ここで、分類装置1は、上記の類似度算出にあたり、重み設定ログ53を用いた回帰分析等により、両ウエハマップの不良率の差分に対し、適切な重み付けを行う。
これにより、分類装置1は、製造工程による欠陥を示すウエハマップと、ランダム欠陥を示すウエハマップとを比較した場合に、両ウエハマップの特徴量の差(距離)が大きくなりやすくなる。つまり、分類装置1は、両ウエハマップの類似度を低く算出することができる。その結果、分類装置1は、比較先のウエハマップが製造工程による欠陥を示すものか、ランダム欠陥を示すものかを精度よく分類することができる。
図7は、ウエハマップの一例を示す図である。図7のウエハマップaは、製造装置Aの不具合を示すウエハマップであり、ウエハマップbは、ランダム欠陥を示すウエハマップである。例えば、分類装置1が、上記の重み設定ログ53を用いた回帰分析によりウエハマップa,bの不良率の差分に用いる重みwとして「50」を得た場合、式(1)におけるウエハマップa,bの特徴量の距離(類似度)は、以下に示すように「2.0」となる。
Figure 2018195643
一方、ウエハマップa,bの不良率の差分に重みwを用いない場合、式(1)におけるウエハマップa,bの特徴量の距離(類似度)は、以下に示すように「0.2」となる。
Figure 2018195643
つまり、分類装置1は、ウエハマップa,bの不良率の差分に適切な重みw=50を付けることで、ウエハマップa,bの特徴量の距離が大きくなりやすくなる。換言すると、製造工程による欠陥を示すウエハマップと、ランダム欠陥を示すウエハマップとを比較した場合に、両ウエハマップの特徴量の差が開きやすくなる。
図8は、ウエハマップ同士の比較の一例を説明する図である。例えば、分類装置1は、上記のような重みwを設定した上で、比較元のウエハマップaと、比較先のウエハマップb,cとを比較する場合を考える。この場合、分類装置1は、ウエハマップaとウエハマップcとを比較し、ウエハマップaに対するウエハマップcの類似度のランクは高い(類似ランク上位)と判断する。一方、分類装置1は、ウエハマップaとウエハマップbとを比較し、ウエハマップaに対するウエハマップbの類似度のランクは低い(類似ランク下位)と判断する。これにより、分類装置1は、ウエハマップcを、製造装置Aの不具合を示すウエハマップと判断し、ウエハマップbを、ランダム欠陥を示すウエハマップと判断することができる。つまり、分類装置1は、比較先のウエハマップが製造工程による欠陥を示すものか、ランダム欠陥を示すものかを精度よく分類することができる。
[第2の実施形態]
なお、重み算出部321は、重み設定ログ53を用いずに、重みwを算出してもよい。例えば、重み算出部321は、ユーザが類似と判断したウエハマップの集合を用いて、当該集合のウエハマップ同士の類似度が互いに高くなるような(距離が小さくなるような)重みwを算出してもよい。
以下、重み算出部321による重みwの算出の概要を、具体例を用いて説明する。なお、ここでは、ユーザが類似と判断したウエハマップの集合として、ユーザが製造装置Aの不具合による欠陥を示すと判断したウエハマップの集合を用いるものとする。当該集合を構成するウエハマップを、ウエハマップa、ウエハマップp、ウエハマップq…とする。
まず、重み算出部321は、重み候補[wy1,wy2,…]を得る。例えば、重み算出部321は、重み候補[2,2,…,210]を得る。次に、重み算出部321は、重み候補[wy1,wy2,…]の組合せについて類似度のランク総和コストを求める。
例えば、重み算出部321は、まず、重み候補のうち、重みwy1に対するランク総和コストを求める。一例を挙げると、重み算出部321は、ウエハマップaを比較元とし、ウエハマップp、ウエハマップq、…の類似ランクを求める。また、重み算出部321は、ウエハマップpを比較元とし、ウエハマップa、ウエハマップq、…の類似ランクを求める。重み算出部321は、このような処理を、ユーザが類似と判断したウエハマップの集合のすべてのウエハマップ(ウエハマップa、ウエハマップp、ウエハマップq…)について実行する。そして、重み算出部321は、算出したランクの値をすべて足し合わせ、ランク総和コストcost(wy1)を求める。
その後、重み算出部321は、他の重み候補、つまり、重みwy2,重みwy3…についても上記と同様の処理を実行し、ランク総和コストcost(wy2)、ランク総和コストcost(wy3)、…を求める。そして、重み算出部321は、重み候補の中から、ランク総和コストが最少となる重みwを出力する。つまり、重み算出部321は、重み候補[wy1,wy2,…]の中から、ウエハマップa、ウエハマップp、ウエハマップq…が互いにできるだけ類似するような重みwを選択し、出力する。
これにより、重み算出部321は、製造工程による欠陥を示すウエハマップの集合が互いに類似ランク上位に来るような(距離が小さくなるような)重みwを算出することができる。よって、例えば、回帰分析に充分なデータが重み設定ログ53に蓄積されていない場合であっても、重み算出部321は、適切な重みwを算出することができる。
次に、図9を用いて、重みwの算出処理を詳細に説明する。図9は、不良率に付ける重みの算出処理の一例を示すフローチャートである。
まず、重み算出部321は、重み候補[wy1,wy2,…]から重み1つ(wyi)を選択する(S21)。そして、重み算出部321は、cost(wyi)=0とする(S22)。つまり、重み算出部321は、cost(wyi)を初期化する。
S22の後、重み算出部321は、ユーザが類似と判断したウエハマップの集合Mからウエハマップを1つ(m)を選択する(S23)。そして、重み算出部321は、S23で選択したmを比較元とし、すべての比較対象(集合Mに含まれる各ウエハマップ)との類似度を算出する(S24)。
S24の後、重み算出部321は、集合Mに含まれる各ウエハマップについて、類似度の高い順(比較元との距離の小さい順)にソートし、集合Mに含まれる各ウエハマップのランクを求める(S25)。そして、重み算出部321は、集合Mに含まれる各ウエハマップのランクの総和を求め、cost(wyi)へ加算する(S26)。
S26の後、重み算出部321は、集合Mのすべてのウエハマップを比較元として選択済みであり(S27でYes)、かつ、すべての重み候補に対してcost(wyi)を算出済みであれば(S28でYes)、S29へ進む。そして、重み算出部321は、算出したcost(wy1)、cost(wy2)、…のうち、cost(wyi)が最少となるwを出力する(S29)。
一方、重み算出部321は、集合Mのうち、比較元として未選択のウエハマップがある場合(S27でNo)、S23へ処理が戻る。また、重み算出部321は、重み候補のうち、まだcost(wyi)を算出していない候補があれば(S28でNo)、S21へ処理が戻る。
このように、重み算出部321は、ユーザが類似していると判断したウエハマップの集合を用いて、当該集合のウエハマップ同士の類似度が互いに高くなるような重みwを算出する。例えば、重み算出部321は、ユーザにより「製造工程による欠陥を示す」と判断されたウエハマップの集合を用いて、当該集合のウエハマップ同士の類似度が互いに高くなるような重みwを算出する。これにより、重み設定ログ53に、回帰分析に充分なデータが蓄積されていない場合であっても、重み算出部321が、製造工程による欠陥を示すウエハマップ同士を類似と判断するような重みwを算出することができる。その結果、分類部33は、製造工程による欠陥を示すウエハマップと、ランダム欠陥を示すウエハマップとを精度よく分類することができる。
[第3の実施形態]
なお、分類装置1は、例えば、製造工程による欠陥を示すウエハマップを比較元のウエハマップとした場合に、製造工程による欠陥を示すウエハマップとの類似度は高く、ランダム欠陥を示すウエハマップとの類似度は低くなるような類似度の算出を行うことが好ましい。このことを、図10を用いて具体的に説明する。
図10は、ウエハマップの一例を示す図である。ウエハマップaは、製造装置Aの不具合を示し、不良率fy=0.3、ウエハマップbは、ランダム欠陥を示し、不良率fy=0.05、ウエハマップcは、製造装置Aの不具合を示し、不良率fy=0.55である。つまり、ウエハマップaの不良率(fy)とウエハマップbとの不良率(fy)との差も、ウエハマップaの不良率(fy)とウエハマップcの不良率(fy)と差も「0.25」であるものとする。
この場合、たとえ、上記のように不良率fyの差が同じであったとしても、ウエハマップaはウエハマップcと類似しているが、ウエハマップaはウエハマップbと類似していないという判断結果が得られることが好ましい。
例えば、分類装置1は、ウエハマップaを比較元のウエハマップとした場合に、ウエハマップbとの類似度が低く(距離が大きく)、ウエハマップcとの類似度が高く(距離が小さく)なるような類似度の算出を行うことが好ましい。また、一般的に、ランダム欠陥のウエハにおける不良率は、製造工程による欠陥のウエハにおける不良率よりも低い傾向にあることが知られている。
そこで、分類装置1の類似度算出部331は、例えば、以下の式(3)に基づき、ウエハマップの類似度(距離)の算出を行う。なお、式(3)における重みwは、第1の実施形態または第2の実施形態で述べた方法と同様の方法により算出される。
Figure 2018195643
式(3)が、以下の式(4)に示す項を含むことにより、比較元のウエハマップの不良率(fy)よりも、比較先のウエハマップの不良率(fy)の方が低ければ、(fy−fy)は正の値になる。したがって、両ウエハマップの不良率の差(|fy−fy|)の、両ウエハマップ間の距離への寄与度は大きくなる。その結果、両ウエハマップの類似度は低く算出される。
Figure 2018195643
一方、比較元のウエハマップの不良率(fy)よりも、比較先のウエハマップの不良率(fy)の方が大きければ、(fy−fy)は負の値になる。したがって、式(3)における、両ウエハマップの不良率の差(|fy−fy|)の、両ウエハマップ間の距離への寄与度は小さくなる。その結果、両ウエハマップの類似度は高く算出される。
例えば、比較元のウエハマップが、製造装置Aの不具合を示すウエハマップa(図8参照)であり、比較先のウエハマップが、ウエハマップbとウエハマップc(図8参照)である場合を考える。この場合、ウエハマップaの不良率(fy)よりもウエハマップbの不良率(fy)の方が小さいので、両ウエハマップの不良率の差(|fy−fy|)の、両ウエハマップの距離への寄与度は大きくなる。よって、ウエハマップaとウエハマップbとの類似度は低く算出される。
一方、ウエハマップaの不良率(fy)よりもウエハマップcの不良率(fy)の方が大きいので、両ウエハマップの不良率の差(|fy−fy|)の、両ウエハマップの距離への寄与度は小さくなる。よって、ウエハマップaとウエハマップcとの類似度は高く算出される。
つまり、類似度算出部331は、ウエハマップの類似度の算出において、比較元のウエハマップの不良率よりも、比較先のウエハマップの不良率の方が低い場合、これらの不良率の差分の距離への寄与度を高くする。一方、比較元のウエハマップの不良率よりも、比較先のウエハマップの不良率の方が高い場合、類似度算出部331は、これらの不良率の差分の距離への寄与度を低くする。
これにより、類似度算出部331が、例えば、製造工程により生じた欠陥を示すウエハマップを比較元とした場合に、ランダム欠陥を示すウエハマップの類似度を低く算出し、製造工程により生じた欠陥を示すウエハマップの類似度を高く算出することができる。その結果、分類部33は、ウエハマップが、製造工程により生じた欠陥を示すウエハマップか、ランダムに生じた欠陥を示すウエハマップかを精度よく分類することができる。
[その他の実施形態]
なお、分類装置1は、上記のウエハマップの分類処理を、動作周波数が所定値以上となっているチップが所定の分布パターンとなっているウエハの検索や、消費電力が所定値未満となっているチップが所定の分布パターンとなっているウエハの検索に適用してもよい。この場合、分類装置1が用いるウエハマップとして、ウエハ上で動作周波数が所定値以上のチップの分布を示す情報を用いたり、ウエハ上で消費電力が所定値未満のチップの分布を示す情報を用いたりすればよい。
分類装置1で行われる各種処理機能は、CPU(またはMPU、MCU(Micro Controller Unit)等のマイクロ・コンピュータ)上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、CPU(またはMPU、MCU等のマイクロ・コンピュータ)で解析実行されるプログラム上、またはワイヤードロジックによるハードウェア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。
ところで、上記の各実施形態で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータ(ハードウェア)の一例を説明する。図11は、実施形態にかかる分類装置1のハードウェア構成を例示するブロック図である。
図11が示すように、分類装置1は、各種演算処理を実行するCPU101と、データ入力を受け付ける入力装置102と、モニタ103と、スピーカ104とを有する。また、分類装置1は、記憶媒体からプログラム等を読み取る媒体読取装置105と、各種装置と接続するためのインタフェース装置106と、有線または無線により外部機器と通信接続するための通信装置107とを有する。また、分類装置1は、各種情報を一時記憶するRAM108と、ハードディスク装置109とを有する。また、分類装置1内の各部(101〜109)は、バス110に接続される。
ハードディスク装置109には、上記の実施形態で説明した各種の処理を実行するためのプログラム111が記憶される。また、ハードディスク装置109には、プログラム111が参照する各種データ112(比較元ウエハマップリスト51、ウエハマップデータベース52、重み設定ログ53)が記憶される。入力装置102は、例えば、分類装置1の操作者から操作情報の入力を受け付ける。モニタ103は、例えば、操作者が操作する各種画面を表示する。インタフェース装置106は、例えば印刷装置等が接続される。通信装置107は、LAN(Local Area Network)等の通信ネットワークと接続され、通信ネットワークを介した外部機器との間で各種情報をやりとりする。
CPU101は、ハードディスク装置109に記憶されたプログラム111を読み出して、RAM108に展開して実行することで、各種の処理を行う。なお、プログラム111は、ハードディスク装置109に記憶されていなくてもよい。例えば、分類装置1が読み取り可能な記憶媒体に記憶されたプログラム111を、分類装置1が読み出して実行するようにしてもよい。分類装置1が読み取り可能な記憶媒体は、例えば、CD−ROMやDVDディスク、USB(Universal Serial Bus)メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、LAN等に接続された装置にこのプログラム111を記憶させておき、分類装置1がこれらからプログラム111を読み出して実行するようにしてもよい。
1…分類装置
10…入力部
20…出力部
30…処理部
31…生成部
32…設定部
33…分類部
40…記憶部
51…比較元ウエハマップリスト
52…ウエハマップデータベース
53…重み設定ログ
311…ラドン変換部
312…特徴量抽出部
313…正規化部
314…不良率算出部
321…重み算出部
331…類似度算出部
332…分類処理部

Claims (8)

  1. コンピュータに、
    複数のチップを含むウエハにおける前記複数のチップそれぞれの位置、および、前記複数のチップそれぞれに関するテスト情報に基づき、ラドン変換により前記ウエハについての変換情報を生成し、
    前記変換情報を正規化した前記ウエハについての正規化変換情報に対する特徴量の係数を、保存された複数のウエハについての前記正規化変換情報に基づき設定し、
    前記設定された特徴量の係数に基づき、前記ウエハを分類する、
    処理を実行させる分類プログラム。
  2. 前記特徴量は、
    前記ウエハ上の欠陥チップの分布の特徴を示す第1の特徴量と、前記ウエハ上の欠陥チップの割合である不良率を示す第2の特徴量とを含み、
    前記特徴量の係数は、
    前記第2の特徴量の重み付け係数である
    ことを特徴とする請求項1に記載の分類プログラム。
  3. 前記コンピュータに、
    前記設定された特徴量の係数に基づき、ウエハ同士の類似度を算出し、前記算出されたウエハ同士の類似度に基づき、前記ウエハを分類する
    処理を実行させることを特徴とする請求項1に記載の分類プログラム。
  4. 前記保存された複数のウエハの前記正規化変換情報は、
    過去に設定された前記複数のウエハの特徴量の係数を含む
    ことを特徴とする請求項1に記載の分類プログラム。
  5. 前記保存された複数のウエハの前記正規化変換情報は、
    互いに類似すると判断された複数のウエハについての前記正規化変換情報である
    ことを特徴とする請求項1に記載の分類プログラム。
  6. 前記コンピュータに、
    製造工程により生じた欠陥を含むウエハと、他のウエハとの類似度を算出する処理を実行させる場合において、前記製造工程により生じた欠陥を含むウエハの不良率である第1の不良率よりも、前記他のウエハの不良率である第2の不良率の方が低いとき、前記第1の不良率と前記第2の不良率との差分の前記類似度への寄与度を低くする
    処理を実行させることを特徴とする請求項3に記載の分類プログラム。
  7. コンピュータが、
    複数のチップを含むウエハにおける前記複数のチップそれぞれの位置、および、前記複数のチップそれぞれに関するテスト情報に基づき、ラドン変換により前記ウエハについての変換情報を生成し、
    前記変換情報を正規化した前記ウエハについての正規化変換情報に対する特徴量の係数を、保存された複数のウエハについての前記正規化変換情報に基づき設定し、
    前記設定された特徴量の係数に基づき、前記ウエハを分類する
    処理を実行する分類方法。
  8. 複数のチップを含むウエハにおける前記複数のチップそれぞれの位置、および、前記複数のチップそれぞれに関するテスト情報に基づき、ラドン変換により前記ウエハについての変換情報を生成する生成部と、
    前記変換情報を正規化した前記ウエハについての正規化変換情報に対する特徴量の係数を、保存された複数のウエハについての前記正規化変換情報に基づき設定する設定部と、
    前記設定された特徴量の係数に基づき、前記ウエハを分類する分類部と
    を備える分類装置。
JP2017096585A 2017-05-15 2017-05-15 分類プログラム、分類装置および分類方法 Pending JP2018195643A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017096585A JP2018195643A (ja) 2017-05-15 2017-05-15 分類プログラム、分類装置および分類方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017096585A JP2018195643A (ja) 2017-05-15 2017-05-15 分類プログラム、分類装置および分類方法

Publications (1)

Publication Number Publication Date
JP2018195643A true JP2018195643A (ja) 2018-12-06

Family

ID=64571516

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017096585A Pending JP2018195643A (ja) 2017-05-15 2017-05-15 分類プログラム、分類装置および分類方法

Country Status (1)

Country Link
JP (1) JP2018195643A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210210393A1 (en) * 2020-01-07 2021-07-08 Kabushiki Kaisha Toshiba Information processing apparatus and information processing method
CN115667915A (zh) * 2020-05-01 2023-01-31 Pdf决策公司 基于晶圆仓图的根本原因分析
CN115932530A (zh) * 2023-01-09 2023-04-07 东莞市兆恒机械有限公司 一种半导体检测设备标定的方法
CN116504663A (zh) * 2023-06-20 2023-07-28 深圳市芯片测试技术有限公司 一种晶圆多等级测试方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210210393A1 (en) * 2020-01-07 2021-07-08 Kabushiki Kaisha Toshiba Information processing apparatus and information processing method
JP2021111650A (ja) * 2020-01-07 2021-08-02 株式会社東芝 情報処理装置および情報処理方法
JP7237863B2 (ja) 2020-01-07 2023-03-13 株式会社東芝 情報処理装置および情報処理方法
CN115667915A (zh) * 2020-05-01 2023-01-31 Pdf决策公司 基于晶圆仓图的根本原因分析
CN115932530A (zh) * 2023-01-09 2023-04-07 东莞市兆恒机械有限公司 一种半导体检测设备标定的方法
CN116504663A (zh) * 2023-06-20 2023-07-28 深圳市芯片测试技术有限公司 一种晶圆多等级测试方法及装置
CN116504663B (zh) * 2023-06-20 2023-08-22 深圳市芯片测试技术有限公司 一种晶圆多等级测试方法及装置

Similar Documents

Publication Publication Date Title
US10223615B2 (en) Learning based defect classification
JP2018195643A (ja) 分類プログラム、分類装置および分類方法
JP5454827B1 (ja) 文書評価装置、文書評価方法、及びプログラム
EP3664019A1 (en) Information processing device, information processing program, and information processing method
CN110969175B (zh) 晶圆处理方法及装置、存储介质和电子设备
JP2018092614A (ja) データベースのための畳み込みニューラルネットワークモデルの決定装置及び決定方法
US20220036385A1 (en) Segment Valuation in a Digital Medium Environment
US20210110215A1 (en) Information processing device, information processing method, and computer-readable recording medium recording information processing program
US20090204703A1 (en) Automated document classifier tuning
US11847446B2 (en) Predictive build quality assessment
JP6187977B2 (ja) 解析装置、解析方法及びプログラム
WO2020007177A1 (zh) 计算机执行的报价方法、报价装置、电子设备及存储介质
Uddin Addressing accuracy paradox using enhanched weighted performance metric in machine learning
JP2019056983A (ja) 学習データ選択プログラム、学習データ選択方法、および、学習データ選択装置
JPWO2017159402A1 (ja) 共クラスタリングシステム、方法およびプログラム
Jiang et al. A Gaussian mixture model clustering ensemble regressor for semiconductor manufacturing final test yield prediction
JP2019121376A (ja) 機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法
JPWO2017203672A1 (ja) アイテム推奨方法、アイテム推奨プログラムおよびアイテム推奨装置
CN113516185B (zh) 模型训练的方法、装置、电子设备及存储介质
US11989663B2 (en) Prediction method, prediction apparatus, and computer-readable recording medium
JP6366031B2 (ja) 情報処理装置、情報処理方法、及びプログラム
US20200279148A1 (en) Material structure analysis method and material structure analyzer
CN110348581B (zh) 用户特征群中用户特征寻优方法、装置、介质及电子设备
CN110888036B (zh) 测试项目确定方法及装置、存储介质和电子设备
JP5984144B2 (ja) 情報処理装置、情報処理方法、及び、プログラム