JP2022552981A - ダイレベル入力データなしのダイレベル製品モデリング - Google Patents

Abstract

ダイにおけるプロセス制御パラメータを帰属させるための、各ダイについての機械学習モデル。このモデルは、ウェハ全体にわたる複数のテストサイトにおけるウェハソートパラメトリック測定、ならびにウェハの歩留まり結果に基づいている。これは、改善された歩留まり結果につながる異常値空間パターンのより良好な分析を可能にする。【選択図】図６

Description

関連出願の相互参照
本出願は、その全体が参照により本明細書に組み込まれる、２０１９年１０月１６日に出願された「Ｄｉｅ Ｌｅｖｅｌ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｐｒｏｄｕｃｔ Ｍｏｄｅｌｉｎｇ ｗｉｔｈｏｕｔ Ｄｉｅ Ｌｅｖｅｌ Ｉｎｐｕｔ Ｄａｔａ」と題する米国仮出願第６２／９１６１６３号の優先権を主張する。

本出願は、半導体ウェハのモデリングに関し、より詳細には、ダイレベルパラメータのモデリングに関する。

半導体製品のダイレベルの歩留まりを予測することは、様々な理由で、非常に困難である。以前の世代では、製品の歩留まりは、欠陥限定であることが多く、ダイレベルの歩留まりをモデリングするには、広範な光学的欠陥データが必要であった。プロセス制御モニタ（ＰＣＭ）測定を用いて歩留まりまたはウェハソートのパラメトリック測定の空間パターンをモデリングするほとんどの取り組みは、ＰＣＭ測定を補間または外挿し、各ウェハでのＰＣＭ測定を試行し、予測することに焦点を当てている。これを行うために、いくつかのウェハ上のテスト構造の電気的測定は、はるかに大きいウェハ群の代表として行われ、次いで、固定パラメータマップを作成するために使用される。これらの取り組みは、不良ウェハの原因となることが多い空間パターンの変化を考慮することができなかったので、一般に成功していない。

さらに、主にコスト制限のために、各層で測定できるウェハの割合はほんのわずかであり、ほとんどのウェハではダイレベル予測は事実上不可能である。より最近の世代の歩留まりは、欠陥よりもパラメータ変動によって駆動されることが多く、各ダイ上で実行することができるパラメトリック測定から直接歩留まりをモデリングする機会を提供する。

しかしながら、ここでもコストが障害となる。しばしばＰＣＭまたはＷＡＴ（ウェハ受入れテスト）データとして知られるスクライブライン構造の初期パラメトリック測定は、通常、各ウェハ上の限られた数のサイト、しばしばわずか５～１０サイトで実行される。ＰＣＭデータを使用して各ダイ上のウェハソート歩留まりまたはウェハソートパラメータを予測することは、特に、各ウェハ上の各変数の重要性を指定することができる場合、貴重である。ＰＣＭ測定は、一般に、パラメトリック歩留まり損失およびウェハソートパラメータに相関することがよく知られているので、ウェハ歩留まりと各ウェハのパラメータの平均値の両方を予測するために、それらを使用して、多くのウェハレベルモデルがうまく作成されてきた。しかしながら、上述したように、ＰＣＭ測定は、通常、ウェハ上のほんの少数のサイトにのみ利用可能であるので、ダイレベルでの歩留まりを予測することは特に困難である。ダイレベルの歩留まりを予測するために、最も一般的なアプローチは、各ダイにおけるＰＣＭパラメータの値を、補間によって、または想定されるモデル形式を利用可能なＰＣＭデータに適合させることによって、帰属させることである。これは、利用可能なサイトが限られており、各ＰＣＭパラメータのモデル形式が不確実であるために、ほんのわずかしか成功していない。

したがって、各ダイのＰＣＭパラメータを明示的に帰属させることに関連付けられた誤差なしに、ＰＣＭパラメータから直接ダイ歩留まりまたはダイレベルウェハソートパラメータを予測することが望ましい。

半導体ウェハのダイごとに機械学習モデルが作成される。ウェハにわたって分散された複数のテストサイトからテストデータが取得される。ウェハのダイレベルマップが取得される。テストデータおよびダイレベルマップに基づいて、各モデルは、それぞれのダイの歩留まりを予測し、ダイのプロセス制御パラメータを帰属させるように構成されている。

複数のウェハサンプルの予測される歩留まりと実際の歩留まりとの間のウェハレベルの相関を示すグラフィカルプロットである。 図１の複数のウェハサンプルの予測される歩留まりと実際の歩留まりとの間のロットレベルの相関を示すグラフィカルプロットである。 複数のウェハロットの予測される歩留まりと実際の歩留まりとの間のダイレベルの相関を示す一連のグラフィカルプロットである。 図３に示されるウェハロットの予測される空間パターンを示す一連のヒートマップである。 図３に示され、図４で予測されたウェハロットの実際の空間パターンを示す一連のヒートマップである。 プロセス制御パラメータのダイレベル値を決定するための一般的なプロセスのフローチャートである。

ウェハは、集積回路の製造に使用される半導体材料の薄片である。一般に、ウェハ上の個々のダイ上に多くの同一の回路が形成され、製造が完了すると、スクライブラインでダイがスライスされて個々の回路を分離し、パッケージングされる。スクライブラインに近い任意の構造は、このプロセスの間に破壊され、その領域は、製品回路を作成するのに役に立たなくなる。しかしながら、これらのスクライブラインスペースは、ダイをスライスする前に測定されるテスト構造を作成するのに理想的である。

ダイをスライスする前に、ウェハ上の様々なテストサイトに形成されたスクライブラインテスト構造において、ウェハ受入れテスト（ＷＡＴ）またはプロセス制御モニタリング（ＰＣＭ）などのテストプロトコルが実行される。一例では、９つのテストサイトがウェハ上で測定される。ウェハにわたる変動を理解するために、ウェハの縁部付近にテストサイトのいくつかを配置することが理想的である。しかしながら、通常、測定の品質を改善するために、ウェハの縁部から離れた位置にテストサイトを配置することが好ましい。

ダイレベルの歩留まり予測を改善するために、各テストサイトから取得されたテストデータをモデルへの別個の入力変数として使用して、ウェハ上のダイごとに別個のプロセッサベースのモデルを構築することができる。さらに、モデルは、サイトごと、ダイごと、ウェハごと、および／またはロットごとに構築することができる。現代の機械学習技術を使用して、性能をもたらすためのパラメータ間の関係について連続的に学習するために、最初にデータのトレーニングセットから、および新しく取得されたデータから更新された、複雑な非線形関係を学習するアルゴリズムベースのソフトウェアモデルを構成することができる。例えば、ニューラルネットワークは、機械学習モデルの実装の一例であり、ＸＧＢｏｏｓｔは、極めて複雑なツリーモデルに基づく別の機械学習モデルである。

プロセスパラメータと変数との間の複雑なデータ関係は、単変量または多変量、あるいはその両方とすることができる。様々なパラメータおよび変数をダイレベル性能の代表としてより良く評価するための分析フレームワークを提供することによって、全体として一貫してより良い歩留まり性能を得ることができる。複雑なデータ関係から、各ダイの関連する入力パラメータを、そのダイに固有のモデルによって暗黙的に帰属させてもよい。

プロセッサベースのモデルは、デスクトップベース、すなわちスタンドアロン、またはネットワークシステムの一部とすることができるが、処理され、何らかの対話性で表示される情報の負荷が大きいことを考えると、プロセッサ機能（ＣＰＵ、ＲＡＭなど）は、効率を最大限にするために最新技術であるべきである。半導体ファウンドリ環境では、Ｅｘｅｎｓｉｏ（登録商標）分析プラットフォームは、ＧＵＩテンプレートを構築するための有用な選択肢である。一実施形態では、処理ルーチンのコーディングは、主に機械語モデルのコーディングに使用されるＰｙｔｈｏｎオブジェクト指向プログラミング言語と互換性のあるＳｐｏｔｆｉｒｅ（登録商標）解析ソフトウェアバージョン７．１１以上を使用して行われ得る。

重要なことは、各ダイの各ＰＣＭパラメータを暗黙的に帰属させるのに必要な複雑な非線形関係を学習し理解することである。各ＰＣＭ値を明示的に予測するにはＰＣＭデータが不十分であるため、この帰属は、帰属されたＰＣＭ値が暗黙的に予測され得るように、ダイの歩留まりによって駆動される。モデルについて暗黙的な帰属形式が選択されるか明示的な帰属形式が選択されるかにかかわらず、精度は、図に示されるように、ロット、ウェハ、およびダイレベルでの予測される歩留まりと実際の歩留まりとの間の相関によって明確に実証される。

図１は、複数のロットにわたる多数のウェハの予測される歩留まり対実際の歩留まりのウェハレベル散布図１００であり、予測される歩留まりと実際の歩留まりとの間の線形相関が線１２０として示されている。予測される歩留まりと実際の歩留まりとの線形相関は、０．５６１の相互検証されたｒ二乗値を有し、実際の歩留まりに対する予測される歩留まりの約５６％のすべてのウェハの平均の相関を示す。

１０１～１０９とラベル付けされたいくつかの個々のウェハは、例示の目的のために、本明細書および図面において特に参照される。例えば、図１に示されるウェハレベルの相関によれば、ウェハ１０３は、予測される歩留まりと実際の歩留まりとの間の相関が比較的低く、ウェハ１０２および１０９は、予測される歩留まりと実際の歩留まりとの間の相関が比較的高い。

図２を参照すると、同じウェハのロットレベル散布図２００は、ドリルダウンし、ダイレベルモデルに追加の入力を提供するのに役立ち、ロットレベルでの追加の差異を示す。

歩留まりは、故障したダイについては０の値を有し、合格したダイについては１の値を有する２進変数であり、予測は、ダイが歩留まりを生じる確率を示す０と１との間の数であるので、予測される歩留まりを、各ダイおよびそれに直接隣接するダイの平均の実際の歩留まりと比較することがより有用である。これは平滑化と呼ばれ、すべての数字における実際の歩留まりおよび予測される歩留まりは、この方法を使用して平滑化されている。

予測される平滑化歩留まり対実際の平滑化歩留まりのダイレベル相関は、９個のサンプルウェハ１０１～１０９に対応する図３の一連のプロットに示されている。例えば、ウェハ１０９のダイ相関は、０．７５７の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約７６％の相関を示し、ウェハ１０８のダイ相関は、０．５８０の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約５８％の相関を示し、ウェハ１０７のダイ相関は、０．０５７の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約６％の相関を示し、ウェハ１０６のダイ相関は、０．７１４の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約７１％の相関を示し、ウェハ１０５のダイ相関は、０．２９３の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約２９％の相関を示し、ウェハ１０４のダイ相関は、０．７５５の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約７６％の相関を示し、ウェハ１０３のダイ相関は、０．４３０の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約４３％の相関を示し、ウェハ１０２のダイ相関は、０．４９５の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約５０％の相関を示し、最後に、ウェハ１０１のダイ相関は、０．３３１の平均ｒ二乗値を有し、このウェハ上のダイの予測される歩留まりと実際の歩留まりとの間の約３３％の相関を示す。

これらの結論は、図４の予測されるヒートマップおよび図５の実際のヒートマップにおけるウェハ１０１～１０９について示されるように、ダイモデルについての空間相関を調べることによってさらに確認することができる。歩留まりの結果がより低い場合でも、モデルは、最終的なマップをかなり良好に予測する。ウェハ１０３、１０４、１０５、１０６、１０８、および１０９のウェハマップの視覚的類似性は明らかである。ウェハ１０１および１０７は、視覚的に非常に異なっており、図３の相関プロットは、これらのウェハが空間ｒ二乗について低い値を有することを示す。

この概念は、実際には、入力から出力へのマッピングであるが、入力から、主な場合には歩留まりである、所望の出力への複雑な関係の分析に基づいている。図６は、歩留まりのダイレベル予測を行うための簡単な方法を示すフローチャートである。ステップ２０２において、ウェハにわたって形成されたテストサイトの各々から入力データが取得される。ステップ２０４において、ウェハのダイレベルマップが取得され、特徴および位置のグラフィカルな詳細を提供する。ステップ２０６において、ウェハ上の各ダイについて、個々のダイのために構成された機械学習モデルが、すべてのテストサイトからのテスト入力データに基づいて、そのダイの歩留まりを予測する。特徴の暗黙の帰属は、主として歩留まり性能によって駆動され、機械学習モデルによって学習され、連続的に更新された、単一のウェハ上のテストサイト全体からの入力データと個々のダイとの間の相互関係の発見は、個々のダイ特徴についてのＰＣＭ値への対応を確立する。オプションのステップ２０８において、モデルは、歩留まりに対する特定のＰＣＭ変数の相対的重要性を識別するのに役立つことができる。最後に、ステップ２１０において、モデルは、歩留まりのために空間パターンを評価する際に使用するために展開される。モデルについての意図された応答として製品歩留まりおよびウェハソートパラメータ測定を使用することによって、個々のダイについてのＰＣＭパラメータを、特に、異常値空間パターンをモデル化するために、暗黙的に帰属させることが可能になる。

複数のサイトでＰＣＭ値を帰属させることに加えて、この同じ技法を使用して、ツール、チャンバ、保持時間、故障インジケータなどの計測データおよびウェハレベルデータなどの他のサイトレベルデータを組み込むことができる。

したがって、機械学習モデルは、各ダイについて、ウェハ全体にわたる複数のテストサイトでのウェハソートパラメータ測定に基づいて、期待されるプロセス制御パラメータと、そのウェハの歩留まり結果とを帰属させるように構成することができる。これは、改善された歩留まり結果につながる異常値空間パターンのより良好な分析を可能にする。

Claims (1)

1. それぞれの複数のテストサイトの各々から複数のテストデータを取得することであって、前記複数のテストサイトは、半導体ウェハにわたって分散されている、取得することと、
   前記ウェハのダイレベルマップを取得することと、
   前記複数のテストデータおよび前記ダイレベルマップに基づいて、前記ダイレベルマップ上に示された前記ウェハ上の複数のダイの各々について、前記複数のダイのそれぞれをモデル化するように構成されたそれぞれの機械学習モデルを使用して、前記複数のダイの各々について歩留まりを予測することと、
   を含む方法。

Images