JP4584295B2 - ２段階仮想測定方法 - Google Patents
２段階仮想測定方法 Download PDFInfo
- Publication number
- JP4584295B2 JP4584295B2 JP2007268136A JP2007268136A JP4584295B2 JP 4584295 B2 JP4584295 B2 JP 4584295B2 JP 2007268136 A JP2007268136 A JP 2007268136A JP 2007268136 A JP2007268136 A JP 2007268136A JP 4584295 B2 JP4584295 B2 JP 4584295B2
- Authority
- JP
- Japan
- Prior art keywords
- parameter data
- virtual measurement
- process parameter
- stage virtual
- stage
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 134
- 238000005259 measurement Methods 0.000 claims description 74
- 238000004519 manufacturing process Methods 0.000 claims description 53
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000004161 brilliant blue FCF Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32191—Real time statistical process monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32195—Feedforward quality control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32206—Selection from a lot of workpieces to be inspected
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、仮想測定方法に関し、特に迅速性および正確性を兼備えた２段階仮想測定方法に関する。
ランツーラン（Ｒｕｎ−ｔｏ−Ｒｕｎ：Ｒ２Ｒ）の高度プロセス制御（Ａｄｖａｎｃｅｄ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ：ＡＰＣ）は、製造工程のスループットを改善するために、半導体およびＴＦＴ−ＬＣＤの生産現場において広く利用されている。ＳＥＭＩ Ｅ１３３などの規格で定義されているように、Ｒ２Ｒの制御は、レシピパラメータを修正する技術かラン間で制御パラメータを選択することにより処理機能を改善することができる。このラン（Ｒｕｎ）とは、バッチ（Ｂａｔｃｈ）、ロット（Ｌｏｔ）または個別のワーク（Ｗｏｒｋｐｉｅｃｅ）でもよい。このワークは、半導体のウエハまたはＴＦＴ−ＬＣＤのガラス基板でもよい。ロットツーロット（Ｌｏｔ−ｔｏ−Ｌｏｔ：Ｌ２Ｌ）の制御に利用する際は、ロット全体の単一のワークを測定するだけで、フィードバックおよびフィードフォワード制御を行うことができる。しかし、素子サイズをさらに縮小させるためには、さらに厳格な工程制御を使用する必要がある。このような状況では、Ｌ２Ｌの制御が正確でないことがあるため、ワークツーワーク（Ｗｏｒｋｐｉｅｃｅ−ｔｏ−Ｗｏｒｋｐｉｅｃｅ：Ｗ２Ｗ）の制御を行わなければならなかった。Ｗ２Ｗの制御において、ロット中のそれぞれのワーク全てを測定する必要があるため、ロット中の各ワークを測定するために、ユーザは大量の測定ツールを使用しなければならず、生産周期時間が大幅に増大することがあった。この他、ワークを実際に測定する際は、測定に遅延が発生することが避けられずに、この測定遅延により複雑な制御問題が引き起こされることがあった。
そのため、それぞれのワークを実測せずに、各ワークの（仮想）測定値を提供し、Ｗ２Ｗの制御を行うことのできる仮想測定方法が求められていた。例えば、Ｌ２Ｌ制御の測定方式を使用するだけで（ロット全体から１つの単一ワークを抜き取りサンプル測定するだけで）、Ｗ２Ｗ制御を行うことができる。
しかし、一般に仮想測定方法は、仮想測定値をＷ２Ｗ制御へ提供し、迅速性および正確性を達成しなければ、上述のＷ２Ｗ制御の要求を満たすことができなかった。そのため、Ｗ２Ｗ制御の要求を満たすことのできる２段階仮想測定方法が求められていた。
本発明の目的は、２段階の仮想測定値を取得するとともに迅速性および正確性を兼備えた２段階仮想測定方法を提供することにある。
（１）生産装置から複数組の履歴工程パラメータデータを取得するステップと、前記複数組の履歴工程パラメータに基づいてそれぞれ生成するワークの測定値である複数の履歴測定値を測定装置から取得するステップと、前記複数組の履歴工程パラメータデータおよび前記複数の履歴測定値を用い、推定アルゴリズムに基づいて第１の推定モデルを構築するステップと、前記生産装置から送られる複数の前記ワークの工程パラメータデータの収集待ちを行うステップと、前記生産装置から送られる前記ワークのうちの１つの前記工程パラメータデータの収集が完了した後、直ちに第１段階推定ステップを行うステップと、前記ワークのうちの１つの抜き取りサンプル測定された前記ワークの実測値を前記測定装置から取得すると、第２段階推定ステップを行うステップと、抜き取りサンプル測定された前記ワークが属するカセット中の全ての前記ワークの前記工程パラメータデータを第２の推定モデルへ入力し、前記カセット中の前記ワークそれぞれの第２段階仮想測定値（ＶＭＩＩ）を再計算するステップと、前記第２の推定モデルにより前記第１の推定モデルを代替し、前記生産装置に後続入力される前記ワークの第１段階仮想測定値を計算するステップと、を含み、前記第１段階推定ステップは、前記生産装置から送られる複数の前記ワークのうちの１つの前記工程パラメータデータを前記第１の推定モデルへ入力し、前記複数のワークのうちの１つの第１段階仮想測定値（ＶＭＩ）を計算することを含み、前記第２段階推定ステップは、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値を前記複数組の履歴工程パラメータデータおよび前記履歴測定値へ入力し、前記第１の推定モデルを再トレーニングして前記第２の推定モデルにするか、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値により前記第１の推定モデルをチューニングして前記第２の推定モデルにすることを含むことを特徴とする２段階仮想測定方法を提供する。
（２）前記複数組の履歴工程パラメータデータおよび前記複数の履歴測定値を用い、推定アルゴリズムと異なる参照アルゴリズムに基づいて第１の参照モデルを構築するステップと、前記ワークのうちの１つの前記第１段階仮想測定値の分布と、第１参照予測値の分布との間のオーバーラップ領域をそれぞれ計算し、前記複数のワークのうちの１つの前記第１段階仮想測定値のＲＩを生成し、前記オーバーラップ領域の面積が大きくなるに従いＲＩが高くなることは、対応する前記第１段階仮想測定値の信頼度が高いことを表すステップと、を含み、前記第１段階推定ステップは、前記生産装置から送られる前記複数のワークのうちの１つの工程パラメータデータを前記第１の参照モデルへ入力し、前記複数のワークのうちの１つの前記第１参照予測値を計算することをさらに含むことを特徴とする（１）に記載の２段階仮想測定方法を提供する。
（３）前記推定アルゴリズムは、重回帰アルゴリズムおよびニューラルネットワークアルゴリズムからなる群から選択され、前記参照アルゴリズムは、重回帰アルゴリズムおよびニューラルネットワークアルゴリズムからなる群から選択されることを特徴とする（２）に記載の２段階仮想測定方法を提供する。
（４）前記第２段階推定ステップは、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値を前記複数組の履歴工程パラメータデータおよび前記複数の履歴測定値へ入力し、前記第１の参照モデルを第２の参照モデルに再トレーニングを行うか、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値により前記第１の参照モデルをチューニングして前記第２の参照モデルにし、前記生産装置のアイドル時間が所定時間を超えたときに再トレーニングを行うステップと、抜き取りサンプル測定された前記ワークに属する前記カセット中の全ての前記ワークの前記工程パラメータデータを前記第２の参照モデルへ入力し、前記カセット中のそれぞれの前記ワークの第２参照予測値を再計算するステップと、前記カセット中のそれぞれの前記ワークの前記第２段階仮想測定値の分布と、前記第２参照予測値の分布との間のオーバーラップ領域をそれぞれ計算し、前記カセット中のそれぞれの前記ワークの前記第２段階仮想測定値のＲＩを生成し、前記オーバーラップ領域が大きくなるに従いＲＩが高くなることは、対応する前記第２段階仮想測定値の信頼度が高いことを表すステップと、前記第２の参照モデルにより前記第１の参照モデルを代替し、前記生産装置に後続入力される前記ワークの前記第１段階仮想測定値のＲＩを計算するステップと、を含むことを特徴とする（２）に記載の２段階仮想測定方法を提供する。
（５）前記複数組の履歴工程パラメータを使用し、統計距離アルゴリズムに基づいて第１の統計距離モデルを構築するステップと、前記生産装置から送られる前記複数のワークのうちの１つの前記工程パラメータデータを前記第１の統計距離モデルへ入力し、前記複数のワークのうちの１つの前記第１段階仮想測定値が対応する前記工程パラメータデータのＧＳＩを計算するステップと、をさらに含むことを特徴とする（１）に記載の２段階仮想測定方法を提供する。
（６）前記統計距離アルゴリズムはマハラノビス距離アルゴリズムであることを特徴とする（５）に記載の２段階仮想測定方法を提供する。
（７）前記第２段階推定ステップは、抜き取りサンプル測定された前記ワークの前記工程パラメータデータを前記複数組の履歴工程パラメータデータへ入力して再トレーニングステップを行い、前記第１の統計距離モデルを第２の統計距離モデルに再トレーニングを行うか、抜き取りサンプル測定された前記ワークの前記工程パラメータデータにより前記第１の統計距離モデルをチューニングして前記第２の統計距離モデルを生成し、前記生産装置のアイドル時間が所定時間を超えたときに再トレーニングを行うステップと、抜き取りサンプル測定された前記ワークに属する前記カセット中の全ての前記ワークの前記工程パラメータデータを前記第２の統計距離モデルへ入力し、前記カセット中のそれぞれの前記ワークの前記第２段階仮想測定値が対応する前記工程パラメータデータのＧＳＩを再計算するステップと、前記第２の統計距離モデルにより前記第１の統計距離モデルを代替し、前記生産装置に後続入力される前記ワークの前記第１段階仮想測定値が対応する前記工程パラメータデータのＧＳＩを計算するステップと、をさらに含むことを特徴とする（５）に記載の２段階仮想測定方法を提供する。
（８）工程パラメータデータ前処理を行い、全ての異常な前記工程パラメータデータの削除と、前記生産装置から送られる前記複数のワークそれぞれの前記工程パラメータデータから重要ではないパラメータを選択するステップと、測定データ前処理を行い、抜き取りサンプル測定された前記ワークの前記実測値から異常値を選択するステップと、をさらに含むことを特徴とする（１）に記載の２段階仮想測定方法を提供する。
（９）前記カセット中の前記ワークそれぞれの前記第１段階仮想測定値および前記第２段階仮想測定値は、ファウンドリーのＲ２Ｒ制御システムに応用し、前記ファウンドリーの前記Ｒ２Ｒ制御システムは、第１のシステムセットまたは第２のシステムセットの少なくとも１つを含み、前記第１のシステムセットは、第１のＷ２Ｗ制御システムおよび第２のＷ２Ｗ制御システムから構成され、前記第２のシステムセットは、第１のＬ２Ｌ制御システムおよび第２のＬ２Ｌ制御システムから構成され、前記ファウンドリーの前記Ｒ２Ｒ制御システムが前記第１のシステムセットを少なくとも含むとき、前記カセット中の前記ワークそれぞれの前記第１段階仮想測定値は、前記生産装置の前記第１のＷ２Ｗ制御システムのフィードバック入力として提供され、前記カセット中の前記ワークそれぞれの前記第２段階仮想測定値は、次の生産工程の装置の前記第２のＷ２Ｗ制御システムのフィードフォワード入力として提供され、前記ファウンドリーの前記Ｒ２Ｒ制御システムが前記第２のシステムセットを少なくとも含むとき、前記カセット中の前記ワークそれぞれの前記第２段階仮想測定値は、前記生産装置の前記第１のＬ２Ｌ制御システムのフィードバック入力と、次の生産工程の装置の前記第２のＬ２Ｌ制御システムのフィードフォワード入力として提供されることを特徴とする（１）に記載の２段階仮想測定方法を提供する。
本発明の２段階仮想測定方法は、迅速性および正確性を同時に兼備え、Ｗ２Ｗ制御の要求を満足させることができる。
以下、本発明の実施形態について図に基づいて説明する。
図１を参照する。図１は、本発明の好適な実施形態による２段階仮想測定システムを示すブロック図である。本実施形態の２段階仮想測定システム９０は、工程パラメータデータ前処理モジュール１０、測定データ前処理モジュール１２、推定モデル６０、ＲＩ（Ｒｅｌｉａｎｃｅ Ｉｎｄｅｘ）モジュール４０およびＳＩ（Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ）モジュール５０を少なくとも含む。工程パラメータデータ前処理モジュール１０は、生産装置２０からのロウプロセスパラメータデータ（ｒａｗ ｐｒｏｃｅｓｓ ｄａｔａ）に対し、整理および標準化を行い、異常データを削除して重要パラメータを選択し、重要ではないパラメータを排除し、干渉作用が発生して予測精度に影響を与えることを防ぐ。測定データ前処理モジュール１２は、測定装置３０からの測定データに対して選択を行い、その中から異常値を除去する。推定モデル６０は、２段階アルゴリズム６２および推定アルゴリズムを利用し、カセット８０中の複数のワーク（図示せず）の第１段階および第２段階の仮想測定値（ＶＭＩおよびＶＭＩＩ）を推定する。推定アルゴリズムは、重回帰アルゴリズム、ニューラルネットワークアルゴリズムなどの様々な予測アルゴリズムから選択することができる。ＲＩモジュール４０は、仮想測定値の信頼度を評価し、ＲＩを生成させることができる。ＳＩモジュール５０は、現在までに入力された工程パラメータデータと、推定モデル６０中で用いてトレーニングして構築する全てのパラメータデータの類似レベルを評価し、工程パラメータのＧＳＩ（Ｇｌｏｂａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ）を生成し、このＧＳＩを用い、ＲＩの補助により仮想測定システムの信頼度を判断する。
推定モデル６０を操作する前には、生産装置２０から得た工程パラメータデータ（履歴工程パラメータデータ）と、測定装置３０から得た品質測定データ（履歴測定値）とのそれぞれを工程パラメータデータ前処理モジュール１０および測定データ前処理モジュール１２へ送り、データの前処理を行う。これら前処理および標準化を行った後の工程パラメータデータおよび品質測定データは、推定モデル６０の入力データとなる。続いて、履歴工程パラメータデータと、それに対応した履歴品質測定データとを利用し、ニューラルネットワーク（ＮＮ）推測モデルなどをトレーニング（構築）する。推定モデル６０は、第１段階仮想測定値（ＶＭＩ）および第２段階仮想測定値（ＶＭＩＩ）と、それぞれに対応したＲＩおよびＧＳＩを計算する２段階アルゴリズム６２を有する。この２段階アルゴリズム６２の動作については、ＲＩおよびＧＳＩに関する理論基礎を説明した後に説明する。
以下では、まず、ＲＩおよびＧＳＩに関する理論基礎を説明する。
ＲＩおよび工程パラメータのＳＩは、仮想測定値が信頼できるか否かを迅速に判断するために用いられる。ＲＩモジュール４０は、分析生産装置の工程パラメータデータを介し、０と１との間の信頼値（ＲＩ）を計算し、仮想測定の結果が信頼できるか否かを判断する。ＳＩモジュール５０は、工程パラメータのＧＳＩを計算するために用いられる。ＧＳＩは、現在までに入力された工程パラメータデータおよび推定モデル６０中で用いてトレーニング・構築した全てのパラメータデータの類似レベルと定義される。
〈ＲＩ〉
図１に示すように、工程パラメータデータ
およびそれに対応した実測値データ
を含むｎ組の測定データが今までに収集されたと仮定する。ここで、各組の工程データには、ｐ個のパラメータ（パラメータ１からパラメータｐまで）が含まれる（すなわち、
）。また、（ｍ−ｎ）個目の実際に生産するときの工程パラメータデータも収集するが、ｙｎ＋１以外には実測値データがない。すなわち（ｍ−ｎ）個目の実際に生産されるワークから、例えば、１個目のワークを抜き取りサンプル測定して実測を行い、その実測ｙｎ＋１からその他の（ｍ−ｎ−１）個目のワークの品質を推測する。
図１に示すように、工程パラメータデータ
表１において、ｙ１、ｙ２、…、ｙｎは、履歴測定値であり、ｙｎ＋１は現在生産中のワークロット中の１個目のワークの実測値である。一般に、１組の実測値
は、平均値μおよび標準偏差σを備える正規分布である（すなわち、ｙｉ〜Ｎ（μ，σ２））。
サンプルセット
の平均値および標準偏差に対し、実測値のデータ全てを標準化すると、Ｚｙ１、Ｚｙ２、…、Ｚｙｎ（ｚ得点（ｚ Ｓｃｏｒｅｓ）とも言われる）を取得することができる。ここで、ｚ得点それぞれの平均値が０であり、標準偏差が１である場合、Zｙｉ〜N（０，１）である。実測データにとって、Zｙｉが０に近づくということは、測定データが規格中心値に近づいていることを示す。この標準化は、以下の数式で表される。
ここでは、仮想測定を行う推定モデルを構築するニューラルネットワーク（ＮＮ）アルゴリズムの推定アルゴリズムを応用するとともに、重回帰アルゴリズムなどの参照アルゴリズムにより構築されたこの推定モデルを検証する参照モデルを説明する。しかし、参照アルゴリズムが推定アルゴリズムと異なる限り、その他のアルゴリズムを推定アルゴリズムや参照アルゴリズムとして用いてもよく、本発明は本実施形態に限定されるわけではない。
ＲＩは、仮想測定値の信頼度を判断するために設計されているため、ＲＩは、仮想測定値の統計分布
と実測値の統計分布Ｚｙｉとの間の類似レベルを考慮する必要がある。しかし、仮想測定を利用する際は、仮想測定値の信頼度を評価する実測値がない（実測値が得られた場合、仮想測定を行う必要がないことは明らかである。）。そのため、本発明の一実施形態では、参照アルゴリズム（例えば、重回帰アルゴリズム）が計算した統計分布
によりＺｙｉの統計分布を代替する。本実施形態の参照アルゴリズムは、その他関連する予測アルゴリズムでもよく、本発明は、この実施形態だけに限定されるわけではない。
図２を参照する。図２は、本発明の好適な実施形態によるＲＩを示すグラフである。本実施形態のＲＩは、推定モデル（例えば、ニューラルネットワークアルゴリズム）の予測（仮想測定値）の分布
と参照モデル（例えば、重回帰アルゴリズム）の予測（参照測定値）の分布
との間の交差領域のカバー値（オーバーラップ領域Ａ）と定義する。これにより、ＲＩは以下の数式で表される。
ＲＩは、オーバーラップ領域Ａが増大するにつれて増大する。この現象は、使用した推定モデルにより得られる結果が参照アルゴリズムを使用して得られる結果に近いことを示しているため、対応する仮想測定値が信頼できることを表す。さもなければ、対応する仮想測定値の信頼度は、オーバーラップ領域Ａの減少に伴い低下する。ＺｙＮｉにより推定する分布
と、Ｚｙｒｉにより推定する分布
が完全にオーバーラップするとき、統計学の分布理論により、そのＲＩは１に等しくなる。２つの分布がほぼ完全に分離されると、そのＲＩは０に近づく。
ＮＮ推定モデルの構築を行う前に、工程パラメータデータ標準化のステップを行う。
ＮＮ推定モデルの工程パラメータデータの標準化は、以下の数式で表される。
その後、重回帰モデルは、以下の数式（１５）で表される。
ＲＩを得た後、ＲＩの閾値（ＲＩＴ）を得なければならない。ＲＩ＞ＲＩＴの場合、仮想測定値の信頼度は許容範囲となる。以下、ＲＩの閾値（ＲＩＴ）を決定する方法を説明する。
その後、数式（１８）が定義する誤差および仮想測定の精度規格により最大許容誤差の上限（ＥＬ）を指定する。これにより、ＲＩの閾値（ＲＩＴ）とは、図３に示すように、最大許容誤差の上限（ＥＬ）に対応したＲＩと定義することができる。すなわち、数式（１９）で表される。
本発明が提供するＧＳＩの概念とは、現在、仮想測定システムとして入力の設備工程パラメータデータと構築時の全ての履歴パラメータデータとを比較し、入力の工程パラメータデータと、全ての履歴パラメータデータとの類似レベルの指標を取得することができる。
本発明は、様々な統計距離アルゴリズム（例えば、マハラノビス距離アルゴリズム）を利用して類似度の定量化を行う。マハラノビス距離とは、Ｐ．Ｃ．マハラノビスが１９３６年に発表した統計距離アルゴリズムのことである。この技術手段は、変数間の相関関係に基づいて、様々なサンプルセットのパターンの認識および分析を行う。マハラノビス距離は、まだ知られていないサンプルセットと、すでに知られたサンプルセットとの間の類似度を決定するために用いられる。この方法は、データセット間の相関関係を考慮し、尺度の不変性（Ｓｃａｌｅ Ｉｎｖａｒｉａｎｔ）を有しているため、測定値の大きさと関連性がない。データの類似度が高い場合、計算されるマハラノビス距離は小さい。
本発明は、計算されたＧＳＩ（マハラノビス距離）の大きさを利用し、新たに入力された工程パラメータデータが構築された全ての工程データと類似するか否かを識別することができる。計算されたＧＳＩが小さい場合、これは新たに入力された工程パラメータデータが構築された工程データに類似していることを表す。したがって、新たに入力される工程パラメータデータ（類似度が高い）の仮想測定値は比較的正確である。反対に、計算されたＧＳＩが大きすぎる場合、新たに入力された工程パラメータデータと構築された工程データとが多少異なることを表す。その結果、新たに入力された工程パラメータデータ（類似度が低い）の仮想測定値の正確性の信頼度は低い。
ｓ個目のパラメータとｔ個目のパラメータとの間の相関係数がｒｓｔであり、ｋ組のデータがある場合、以下の数式で表される。
各パラメータ間の相関係数の計算を完了した後、相関係数の行列は以下の数式で表される。
ＧＳＩを得た後、ＧＳＩ閾値（ＧＳＩＴ）を定義する必要がある。一般に、デフォルトのＧＳＩ閾値は、履歴工程パラメータデータＧＳＩａ（ａは、各１組の履歴工程パラメータデータを表す）の最大値の２〜３倍である。
図１に示すように、推定モデル６０、ＲＩモジュール４０の参照モデルと、ＳＩモジュール５０の統計距離モデルの構築が完了した後、カセット８０の複数のワークに対して仮想測定を行う。一般に、測定を行うカセット８０の複数のワーク中から１つのワーク８２だけ（例えば、１個目のワーク）に対して抜き取りサンプル測定を行い、測定装置３０へ送って実測を行うが、この１個目のワーク８２の実測結果を取得するには、数時間（例えば、６時間）以上かかることがあった。推定モデル６０、ＲＩモジュール４０およびＳＩモジュール５０は、カセット８０中の複数のワークに対して発生する仮想測定値が第１段階および第２段階の２つの段階があり、各段階の仮想測定値はＲＩおよびＧＳＩを伴い、仮想測定値の信頼度を判断するための補助的な値とする。いわゆる第１段階仮想測定値と、それに伴うＲＩおよびＧＳＩは、各ワークの完全な工程パラメータデータの収集が完了した後に、推定モデル６０、ＲＩモジュール４０およびＳＩモジュール５０へワークの工程パラメータデータを入力して取得する。いわゆる第２段階仮想測定値と、それに伴うＲＩおよびＧＳＩは、測定装置３０からこの抜き取りサンプル測定されたワーク８２の実測値が得られると、この抜き取りサンプル測定されたワーク８２の工程パラメータデータと実測値とを履歴工程パラメータデータおよび履歴測定値へ入力し、推定モデル６０、ＲＩモジュール４０の参照モデルと、ＳＩモジュール５０の統計距離モデルとに対し、再トレーニングまたはチューニングを行い、カセット８０中の各ワークの第２段階仮想測定値（ＶＭＩＩ）と、それに伴うＲＩおよびＧＳＩを再計算する。
以下、本発明の一実施形態による２段階アルゴリズム（仮想測定）６２を説明する。
図１および図４は、本発明の好適な実施形態による２段階仮想測定アルゴリズムを示すフローチャートである。
推定モデル６０、ＲＩモジュール４０の参照モデルおよびＳＩモジュール５０の統計距離モデルの構築が完了した後、本実施形態は、生産装置２０から送られる各ワークの工程パラメータデータの収集待ちを開始する。各１つのワークの完全な工程パラメータデータの収集が完了すると、第１段階推定ステップ１００に進み（トリッガーを行い）、測定装置３０から抜き取りサンプル測定されたワーク８２の実測値が得られると、第２段階推定ステップ２００に進む（トリッガーを行う）。
以下は、単一のカセット８０中の全てのワークを例に、第１段階推定ステップ１００および第２段階推定ステップ２００を説明する。
第１段階推定ステップ１００では、ステップ１０２において、あるワーク（抜き取りサンプル測定されたワーク８２またはその他任意のワークでもよい）の工程パラメータデータを収集する。続いて、ステップ１１０に進み、このワークの工程パラメータデータの収集が完了したか否かを検出する。ステップ１１０の結果がＮｏの場合、ステップ１０２に進む。ステップ１１０の結果がＹｅｓの場合、ステップ１２０に進み、このワークの仮想測定値と、それに伴うＲＩおよびＧＳＩ（すなわち、第１段階仮想測定値（ＶＭＩ）と、それに伴うＲＩおよびＧＳＩ）を計算する。
第２段階推定ステップ２００では、ステップ２０２において、あるワーク（抜き取りサンプル測定されたワーク８２）の実測データを収集する。続いて、ステップ２１０に進み、このワーク８２の実測データの収集が終了したか否かを検出する。ステップ２１０の結果がＮｏの場合、ステップ２０２へ進む。ステップ２１０の結果がＹｅｓの場合、ステップ２２０へ進み、このワーク８２の実測データとワーク８２の対応する工程パラメータデータとの関連性を検出する。その後、ステップ２３０において、実測データおよび工程パラメータデータが同一のワーク（抜き取りサンプル測定されたワーク８２）に属するか否かを決定する。ステップ２３０の結果がＮｏの場合、ステップ２０２へ進む。ステップ２３０の結果がＹｅｓの場合、ステップ２４０へ進み、生産装置２０のアイドル時間が所定時間を超えたかどうかを判断する。ステップ２４０の結果がＮｏの場合、ステップ２５０へ進み、マニュアル操作の指示があるか否かを検出する。ステップ２５０の結果がＮｏの場合、ステップ２７０へ進み、推定モデル６０、ＲＩモジュール４０の参照モデルおよびＳＩモジュール５０の統計距離モデルをチューニングする。いわゆるチューニングとは、現在までに得られた１組の実測データおよび工程パラメータデータに基づいて、各モデルの重み係数またはパラメータ値を調整することをいい、これは一般に数秒で完了する。ステップ２５０またはステップ２４０の結果がＹｅｓの場合、マニュアル操作の指示（通常、メンテナンスまたは部品の交換を行う際）があることを表すか、所定時間の後に生産装置２０の特性に大きな変化が発生したことを表し、ステップ２６０へ進んで、推定モデル６０、ＲＩモジュール４０の参照モデルおよびＳＩモジュール５０の統計距離モデルを再トレーニングする。いわゆる再トレーニングとは、それまでに得られた１組の実測データおよび工程パラメータデータを履歴工程パラメータおよび履歴測定値に入力し、各モデルを再トレーニングすることであり、この再トレーニングには数分間かかることが一般的であった。
ステップ２６０またはステップ２７０が完了した後、ステップ２８０へ進み、推定モデル６０、ＲＩモジュール４０の参照モデルおよびＳＩモジュール５０の統計距離モデルを更新する。これらの新たな推定モデル６０、参照モデルおよび統計距離モデルもステップ１２０へ提供され、次のワークの第１段階仮想測定値（ＶＭＩ）と、それに伴うＲＩおよびＧＳＩを計算する。同時にステップ２９０へ進み、新しい推定モデル６０、参照モデルおよび統計距離モデルを使用し、抜き取りサンプル測定されたワーク８２に属するカセット８０中のワークそれぞれの仮想測定値と、それに伴うＲＩおよびＧＳＩ（すなわち、第２段階仮想測定値（ＶＭＩＩ）と、それに伴うＲＩおよびＧＳＩ）を再計算する。
第１段階仮想測定値（ＶＭＩ）と、それに伴うＲＩおよびＧＳＩの推定モデル６０、参照モデルおよび統計距離モデルは、ワークに対応した工程パラメータデータだけが必要であり、ワークの実測値の収集待ちを行う必要がない。そのため、第１段階仮想測定値（ＶＭＩ）と、それに伴うＲＩおよびＧＳＩは、仮想測定の迅速性に対する要求を満足させることができる。抜き取りサンプル測定されたワーク８２の実測値が取得されると、推定モデル６０、参照モデルおよび統計距離モデルがそれぞれチューニングまたは再トレーニングされてから、これらの新しいモデルを用いてカセット８０中の各ワークの第２段階仮想測定値（ＶＭＩＩ）と、それに伴うＲＩおよびＧＳＩを改めて計算する。このチューニングまたは再トレーニングされた全てのモデルを用いて元のモデルを更新することにより、次のワークの第１段階仮想測定値（ＶＭＩ）と、それに伴うＲＩおよびＧＳＩを予測し、仮想測定の正確性の要求を満たすことができる。
図５は、本発明の好適な実施形態により取得される第１段階仮想測定値および第２段階仮想測定値をＲ２Ｒ制御システムに応用するときの状態を示すブロック図である。生産装置２０ａは、工程が行われている最中の装置（例えば、蒸着装置）であり、生産装置２０ｂは次の工程の装置（例えば、化学機械的研磨装置）である。本発明の実施形態は、ファウンドリーなどの複数のＲ２Ｒ制御システム９４ａ，９４ｂに応用することが可能であり、Ｒ２Ｒシステム９４ａ，９４ｂは、Ｌ２Ｌ制御システムまたはＷ２Ｗ制御システムでもよい。Ｒ２Ｒシステム９４ａ，９４ｂがＷ２Ｗ制御システムである場合、第１段階仮想測定値（ＶＭＩ）が予測厚さなどの２段階仮想測定システム９０ａ（９０ｂ）により直ちに生成されるため、生産装置２０ａ（２０ｂ）のＷ２Ｗ制御システム９４ａ（９４ｂ）のフィードバック（Ｆｅｅｄｂａｃｋ）入力に提供され、迅速性の要求を満足させることができる。第２段階仮想測定値（ＶＭＩＩ）が非常に優れた正確性を備えているため、次の工程の生産装置２０ｂのＷ２Ｗシステム９４ｂのフィードフォワード（Ｆｅｅｄｆｏｒｗａｒｄ）入力へ提供することができる。
また、Ｒ２Ｒシステム９４ａ，９４ｂがＬ２Ｌ制御システムであるとき、Ｌ２Ｌ制御システムがＷ２Ｗ制御システムなどに必要な枚葉測定の迅速性の要求を満足させる必要がないため、第２段階仮想測定値（ＶＭＩＩ）を生産装置２０ａのＬ２Ｌ制御システム９４ａのフィードバック入力と、次の工程の生産装置２０ｂのＬ２Ｌ制御システム９４ｂのフィードフォワードとへ提供することができる。
図６は、本発明の好適な実施形態により得られた第１段階仮想測定値（ＶＭＩ）、第２段階仮想測定値（ＶＭＩＩ）および実測値を示すグラフである。図６では、平均絶対誤差率（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ：ＭＡＰＥ）および最大誤差（Ｍａｘ Ｅｒｒｏｒ）によりＶＭＩ，ＶＭＩＩの正確度を評価する。第１段階仮想測定値（ＶＭＩ）は、平均絶対誤差率が１．２４８％であり、最大誤差が０．６０３％である。また、第２段階仮想測定値（ＶＭＩＩ）は、平均絶対誤差率が０．２８１％であり、最大誤差が０．０７０％である。図５に示すように、第２段階仮想測定値（ＶＭＩＩ）は、実測値とほぼ等しく、第１段階仮想測定値（ＶＭＩ）の誤差も非常に小さいが、このＶＭＩＩの誤差は大きい。また、第１段階仮想測定点Ａ（サンプル１４）のＲＩおよびＧＳＩの各々がその閾値を超えると、それはサンプル１４の第１段階仮想測定値の信頼度が低いことを表す。
本発明では好適な実施形態を前述の通り開示したが、これらは決して本発明を限定するものではなく、当該技術を熟知するものなら誰でも、本発明の主旨と領域を脱しない範囲内で各種の変更や修正を加えることができる。従って本発明の保護の範囲は、特許請求の範囲で指定した内容を基準とする。
１０ 工程パラメータデータ前処理モジュール
１２ 測定データ前処理モジュール
２０ 生産装置
２０ａ 生産装置
２０ｂ 生産装置
３０ 測定装置
４０ ＲＩモジュール
５０ ＳＩモジュール
６０ 推定モデル
６２ ２段階アルゴリズム
８０ カセット
８２ ワーク
９０ ２段階仮想測定システム
９０ａ ２段階仮想測定システム
９０ｂ ２段階仮想測定システム
９４ａ Ｒ２Ｒ制御システム
９４ｂ Ｒ２Ｒ制御システム
Ａ 第１段階仮想測定点
１２ 測定データ前処理モジュール
２０ 生産装置
２０ａ 生産装置
２０ｂ 生産装置
３０ 測定装置
４０ ＲＩモジュール
５０ ＳＩモジュール
６０ 推定モデル
６２ ２段階アルゴリズム
８０ カセット
８２ ワーク
９０ ２段階仮想測定システム
９０ａ ２段階仮想測定システム
９０ｂ ２段階仮想測定システム
９４ａ Ｒ２Ｒ制御システム
９４ｂ Ｒ２Ｒ制御システム
Ａ 第１段階仮想測定点
Claims (9)
- 工程パラメータデータ前処理手段及び測定データ前処理手段を備える２段階仮想測定システムを用いた２段階仮想測定方法であって、この２段階仮想測定方法は、
前記工程パラメータデータ前処理手段が、複数組の履歴工程パラメータデータにしたがって複数のワークを生産した生産装置から複数組の履歴工程パラメータデータを取得するステップと、
前記測定データ前処理手段が、前記複数のワークの測定値である複数の履歴測定値を測定装置から取得するステップと、
前記２段階仮想測定システムが、前記複数組の履歴工程パラメータデータおよび前記複数の履歴測定値を用い、推定アルゴリズムに基づいて第１の推定モデルを構築するステップと、
前記工程パラメータデータ前処理手段が、前記生産装置から送られる複数の前記ワークの履歴工程パラメータデータの収集待ちを行うステップと、
前記生産装置から送られる前記ワークのうちの１つの前記履歴工程パラメータデータの収集が完了した後、前記２段階仮想測定システムが直ちに第１段階推定ステップを行うステップと、
を含み、
この第１段階推定ステップは、前記生産装置から送られる複数の前記ワークのうちの１つの前記履歴工程パラメータデータを前記第１の推定モデルへ入力し、前記複数のワークのうちの１つの第１段階仮想測定値（ＶＭ Ｉ ）を計算することを含み、
前記２段階仮想測定方法は、
前記測定データ前処理手段が、前記複数のワークのうちの１つの抜き取りサンプル測定された前記ワークの実測値を前記測定装置から取得するステップと、
前記工程パラメータデータ前処理手段が、前記生産装置から前記抜き取りサンプル測定されたワークの工程パラメータデータを取得するステップと、
前記工程パラメータデータ前処理手段が、前記抜き取りサンプル測定されたワークが属するカセット中の全てのワークの前記工程パラメータデータを前記生産装置から取得するステップと、
前記抜き取りサンプル測定されたワークの前記実測値が取得されると、前記２段階仮想測定システムが第２段階推定ステップを行うステップと、
を含み、
この第２段階推定ステップは、
前記第１の推定モデルを第２の推定モデルに更新するために、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値を前記複数組の履歴工程パラメータデータおよび前記履歴測定値に加えて、前記第１の推定モデルを再トレーニングして前記第２の推定モデルにするか、前記第１の推定モデルを前記第２の推定モデルに調整するために、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値を用いることにより前記第１の推定モデルのパラメータ値をチューニングすることと、
抜き取りサンプル測定された前記ワークが属するカセット中の全ての前記ワークの前記工程パラメータデータを第２の推定モデルへ入力し、前記カセット中の前記ワークそれぞれの第２段階仮想測定値（ＶＭ ＩＩ ）を再計算することと、
前記第２の推定モデルにより前記第１の推定モデルを代替し、前記生産装置に後続入力される前記ワークの第１段階仮想測定値を計算することとを含むことを特徴とする２段階仮想測定方法。 - 請求項１に記載の２段階仮想測定方法であって、
前記２段階仮想測定システムは、さらに信頼指数（Ｒｅｌｉａｎｃｅ Ｉｎｄｅｘ：ＲＩ）手段を備え、
前記２段階仮想測定方法は、
前記信頼指数手段が、前記複数組の履歴工程パラメータデータおよび前記複数の履歴測定値を用い、前記推定アルゴリズムと異なる参照アルゴリズムに基づいて第１の参照モデルを構築するステップをさらに含み、
前記第１段階推定ステップは、
前記２段階仮想測定システムが、前記生産装置から送られる前記複数のワークのうちの１つの工程パラメータデータを前記第１の参照モデルへ入力し、前記複数のワークのうちの１つの第１参照予測値を計算することと、
前記信頼指数手段が、前記ワークのうちの１つの前記第１段階仮想測定値の統計分布と、前記第１参照予測値の統計分布との間のオーバーラップ領域をそれぞれ計算し、前記複数のワークのうちの１つの前記第１段階仮想測定値の信頼指数（ＲＩ）を生成することとを含み、
前記オーバーラップ領域の面積が大きくなるに従い前記ＲＩが高く、対応する前記第１段階仮想測定値の信頼度も高いことを特徴とする２段階仮想測定方法。 - 請求項２に記載の２段階仮想測定方法であって、
前記推定アルゴリズムは、重回帰アルゴリズムおよびニューラルネットワーク（ＮＮ）アルゴリズムからなる群から選択され、
前記参照アルゴリズムは、重回帰アルゴリズムおよびニューラルネットワークアルゴリズムからなる群から選択されることを特徴とする２段階仮想測定方法。 - 請求項２に記載の２段階仮想測定方法であって、
前記第２段階推定ステップは、
前記第１の参照モデルを第２の参照モデルに更新するために、前記２段階仮想測定システムが、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値を前記複数組の履歴工程パラメータデータおよび前記複数の履歴測定値に加えて、前記第１の参照モデルを第２の参照モデルに再トレーニングを行うか、前記第１の参照モデルを前記第２の参照モデルに調整するために、抜き取りサンプル測定された前記ワークの前記工程パラメータデータおよび前記実測値により前記第１の参照モデルのパラメータ値のチューニングを行い、前記生産装置のアイドル時間が所定時間を超えたときに再トレーニングを行うことと、
前記２段階仮想測定システムが、抜き取りサンプル測定された前記ワークに属する前記カセット中の全ての前記ワークの前記工程パラメータデータを前記第２の参照モデルへ入力し、前記カセット中のそれぞれの前記ワークの第２参照予測値を再計算することと、
前記信頼指数手段が、前記カセット中のそれぞれの前記ワークの前記第２段階仮想測定値の統計分布と、前記第２参照予測値の統計分布との間のオーバーラップ領域をそれぞれ計算し、前記カセット中のそれぞれの前記ワークの前記第２段階仮想測定値の信頼指数（ＲＩ）を生成することとを含み、前記オーバーラップ領域が大きくなるに従い前記ＲＩが高く、対応する前記第２段階仮想測定値の信頼度も高く、
前記第２段階推定ステップは、前記２段階仮想測定システムが、前記第２の参照モデルにより前記第１の参照モデルを代替し、前記生産装置に後続入力される前記ワークの前記第１段階仮想測定値のＲＩを計算することを含むことを特徴とする２段階仮想測定方法。 - 請求項１に記載の２段階仮想測定方法であって、
前記２段階仮想測定システムは、さらに類似指数（Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ：ＳＩ）手段を備え、
前記２段階仮想測定方法は、
前記２段階仮想測定システムが、前記複数組の履歴工程パラメータを使用し、統計距離アルゴリズムに基づいて第１の統計距離モデルを構築するステップと、
前記２段階仮想測定システムが、前記生産装置から送られる前記複数のワークのうちの１つの前記工程パラメータデータを前記第１の統計距離モデルへ入力するステップと、
前記類似指数手段が、前記複数のワークのうちの１つの前記第１段階仮想測定値が対応する前記工程パラメータデータの全体類似指数（Ｇｌｏｂａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ：ＧＳＩ）を計算するステップと、をさらに含み、
前記複数のワークのうちの１つのワークの工程パラメータデータのＧＳＩが小さいならば、前記複数のワークのうちの１つのワークの工程パラメータデータは、より前記履歴工程パラメータデータの全体に類似することを特徴とする２段階仮想測定方法。 - 請求項５に記載の２段階仮想測定方法であって、
前記統計距離アルゴリズムはマハラノビス距離アルゴリズムであることを特徴とする２段階仮想測定方法。 - 請求項５に記載の２段階仮想測定方法であって、
前記第２段階推定ステップは、
前記２段階仮想測定システムが、前記第１の統計距離モデルを第２の統計距離モデルに更新するために、抜き取りサンプル測定された前記ワークの前記工程パラメータデータを前記複数組の履歴工程パラメータデータに加えて再トレーニングを行い、前記第１の統計距離モデルを第２の統計距離モデルに再トレーニングを行うか、前記第１の統計距離モデルを前記第２の統計距離モデルに調整するために、抜き取りサンプル測定された前記ワークの前記工程パラメータデータにより前記第１の統計距離モデルのパラメータ値のチューニングを行い、前記生産装置のアイドル時間が所定時間を超えたときに再トレーニングを行うことと、
前記類似指数手段が、抜き取りサンプル測定された前記ワークに属する前記カセット中の全ての前記ワークの前記工程パラメータデータを前記第２の統計距離モデルへ入力し、前記カセット中のそれぞれの前記ワークの前記第２段階仮想測定値が対応する前記工程パラメータデータのＧＳＩを再計算することとを含み、前記複数のワークのうちの１つのワークの工程パラメータデータのＧＳＩが小さいならば、前記複数のワークのうちの１つのワークの工程パラメータデータは、より前記履歴工程パラメータデータの全体に類似し、
前記２段階仮想測定システムが、前記第２の統計距離モデルにより前記第１の統計距離モデルを代替し、前記生産装置に後続入力される前記ワークの前記第１段階仮想測定値が対応する前記工程パラメータデータのＧＳＩを計算することをさらに含むことを特徴とする２段階仮想測定方法。 - 請求項１に記載の２段階仮想測定方法であって、
前記工程パラメータデータ前処理手段が、工程パラメータデータ前処理を行い、全ての異常な前記工程パラメータデータの削除と、前記生産装置から送られる前記複数のワークそれぞれの前記工程パラメータデータから重要ではないパラメータを選択するステップと、
前記測定データ前処理手段が、測定データ前処理を行い、抜き取りサンプル測定された前記ワークの前記実測値から異常値を選択するステップと、をさらに含むことを特徴とする２段階仮想測定方法。 - 請求項１に記載の２段階仮想測定方法であって、
前記２段階仮想測定システムが、前記カセット中の前記ワークそれぞれの前記第１段階仮想測定値および前記第２段階仮想測定値を、ファウンドリーのＲ２Ｒ（Ｒｕｎ−ｔｏ−Ｒｕｎ）制御システムに応用するステップを含み、前記ファウンドリーの前記Ｒ２Ｒ制御システムは、第１のシステムセットまたは第２のシステムセットの少なくとも１つを含み、前記第１のシステムセットは、第１のＷ２Ｗ制御システムおよび第２のＷ２Ｗ制御システムから構成され、前記第２のシステムセットは、第１のＬ２Ｌ制御システムおよび第２のＬ２Ｌ制御システムから構成され、
前記ファウンドリーの前記Ｒ２Ｒ制御システムが前記第１のシステムセットを少なくとも含むとき、前記カセット中の前記ワークそれぞれの前記第１段階仮想測定値は、前記生産装置の前記第１のＷ２Ｗ制御システムのフィードバック入力として提供され、前記カセット中の前記ワークそれぞれの前記第２段階仮想測定値は、次の生産工程の装置の前記第２のＷ２Ｗ制御システムのフィードフォワード入力として提供され、
前記ファウンドリーの前記Ｒ２Ｒ制御システムが前記第２のシステムセットを少なくとも含むとき、前記カセット中の前記ワークそれぞれの前記第２段階仮想測定値は、前記生産装置の前記第１のＬ２Ｌ制御システムのフィードバック入力と、次の生産工程の装置の前記第２のＬ２Ｌ制御システムのフィードフォワード入力として提供されることを特徴とする２段階仮想測定方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW096120862A TWI338916B (en) | 2007-06-08 | 2007-06-08 | Dual-phase virtual metrology method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2008305373A JP2008305373A (ja) | 2008-12-18 |
| JP4584295B2 true JP4584295B2 (ja) | 2010-11-17 |
Family
ID=40096614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007268136A Active JP4584295B2 (ja) | 2007-06-08 | 2007-10-15 | ２段階仮想測定方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US7603328B2 (ja) |
| JP (1) | JP4584295B2 (ja) |
| KR (1) | KR100915339B1 (ja) |
| TW (1) | TWI338916B (ja) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8437870B2 (en) * | 2009-06-05 | 2013-05-07 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for implementing a virtual metrology advanced process control platform |
| US9002492B2 (en) * | 2010-02-16 | 2015-04-07 | Applied Materials, Inc. | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology |
| TWI427487B (zh) * | 2010-04-02 | 2014-02-21 | Foresight Technology Company Ltd | 工件抽樣檢驗的方法及其電腦程式產品 |
| TWI412906B (zh) | 2010-04-13 | 2013-10-21 | Univ Nat Cheng Kung | 具有虛擬量測功能的製造執行系統與製造系統 |
| TWI427722B (zh) * | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
| TWI451336B (zh) | 2011-12-20 | 2014-09-01 | Univ Nat Cheng Kung | 預測模型之建模樣本的篩選方法及其電腦程式產品 |
| US9153506B2 (en) | 2012-07-06 | 2015-10-06 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for through silicon via yield |
| US9508042B2 (en) * | 2012-11-05 | 2016-11-29 | National Cheng Kung University | Method for predicting machining quality of machine tool |
| US9164398B2 (en) * | 2013-02-27 | 2015-10-20 | Taiwan Semiconductor Manufacturing Co., Ltd. | Overlay metrology method |
| KR101871940B1 (ko) | 2014-05-12 | 2018-06-27 | 한화에어로스페이스 주식회사 | 설비 이상 예측 모델의 구축방법 및 시스템 |
| TWI641934B (zh) | 2014-08-05 | 2018-11-21 | 聯華電子股份有限公司 | 虛擬量測系統與方法 |
| TWI539298B (zh) | 2015-05-27 | 2016-06-21 | 國立成功大學 | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 |
| US10935962B2 (en) * | 2015-11-30 | 2021-03-02 | National Cheng Kung University | System and method for identifying root causes of yield loss |
| TWI625615B (zh) * | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
| TWI708197B (zh) | 2019-04-26 | 2020-10-21 | 國立成功大學 | 生產機台組件的預測保養方法與其電腦程式產品 |
| TWI742709B (zh) | 2020-06-04 | 2021-10-11 | 國立成功大學 | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 |
| TWI776444B (zh) * | 2020-07-23 | 2022-09-01 | 國立成功大學 | 使用卷積神經網路的虛擬量測方法及其電腦程式產品 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0566805A (ja) * | 1990-03-09 | 1993-03-19 | Internatl Business Mach Corp <Ibm> | コンピユータ統合化製造システム |
| JP2006024195A (ja) * | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3037908B2 (ja) * | 1997-03-14 | 2000-05-08 | 核燃料サイクル開発機構 | 変量分布推定方法 |
| KR100375559B1 (ko) * | 2001-07-03 | 2003-03-10 | 삼성전자주식회사 | 공정장치의 제어방법 |
| JP2005523533A (ja) * | 2002-04-19 | 2005-08-04 | コンピュータ アソシエイツ シンク，インコーポレイテッド | 混合型数字及び／又は非数字データの処理 |
| US7092922B2 (en) * | 2003-05-23 | 2006-08-15 | Computer Associates Think, Inc. | Adaptive learning enhancement to automated model maintenance |
| TWI283817B (en) * | 2003-05-30 | 2007-07-11 | Tokyo Electron Ltd | Method of operating a process control system and method of operating an advanced process control system |
| US7209798B2 (en) * | 2004-09-20 | 2007-04-24 | Tokyo Electron Limited | Iso/nested cascading trim control with model feedback updates |
| US7328418B2 (en) * | 2005-02-01 | 2008-02-05 | Tokyo Electron Limited | Iso/nested control for soft mask processing |
| US7477960B2 (en) * | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
| JP3795055B1 (ja) * | 2005-04-26 | 2006-07-12 | 株式会社半導体理工学研究センター | 値予測装置、マルチプロセッサシステムおよび値予測方法 |
| JP2007052739A (ja) * | 2005-08-19 | 2007-03-01 | Sumitomo Metal Ind Ltd | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム |
| US7359759B2 (en) * | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
| US7567700B2 (en) * | 2006-03-28 | 2009-07-28 | Tokyo Electron Limited | Dynamic metrology sampling with wafer uniformity control |
| US7502709B2 (en) * | 2006-03-28 | 2009-03-10 | Tokyo Electron, Ltd. | Dynamic metrology sampling for a dual damascene process |
| US7324193B2 (en) * | 2006-03-30 | 2008-01-29 | Tokyo Electron Limited | Measuring a damaged structure formed on a wafer using optical metrology |
-
2007
- 2007-06-08 TW TW096120862A patent/TWI338916B/zh active
- 2007-07-18 US US11/879,562 patent/US7603328B2/en active Active
- 2007-09-13 KR KR1020070093343A patent/KR100915339B1/ko active IP Right Grant
- 2007-10-15 JP JP2007268136A patent/JP4584295B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0566805A (ja) * | 1990-03-09 | 1993-03-19 | Internatl Business Mach Corp <Ibm> | コンピユータ統合化製造システム |
| JP2006024195A (ja) * | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2008305373A (ja) | 2008-12-18 |
| KR20080107962A (ko) | 2008-12-11 |
| KR100915339B1 (ko) | 2009-09-03 |
| US20080306625A1 (en) | 2008-12-11 |
| US7603328B2 (en) | 2009-10-13 |
| TW200849345A (en) | 2008-12-16 |
| TWI338916B (en) | 2011-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4584295B2 (ja) | ２段階仮想測定方法 | |
| US11253999B2 (en) | Machine learning device, robot control device and robot vision system using machine learning device, and machine learning method | |
| JP4914457B2 (ja) | 自動バーチャル測定のシステムおよびその方法 | |
| TWI543102B (zh) | 異因分析與校正方法與系統 | |
| CN109870903B (zh) | 参数优化方法、装置以及非瞬时计算机可读取介质 | |
| KR101930420B1 (ko) | 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품 | |
| US9829415B2 (en) | Metrology sampling method and computer program product thereof | |
| US8688256B2 (en) | Advanced process control system and method utilizing virtual metrology with reliance index | |
| JP4472637B2 (ja) | 電気的製造制御に対する確率制約最適化 | |
| US10796226B2 (en) | Laser processing apparatus and machine learning device | |
| Cheng et al. | Dual-phase virtual metrology scheme | |
| CN111190393B (zh) | 半导体制程自动化控制方法及装置 | |
| Kurz et al. | A sampling decision system for virtual metrology in semiconductor manufacturing | |
| CN102854848B (zh) | 有关未被抽样的工件的数据表示 | |
| CN116613086A (zh) | 半导体工厂中预测等待时间的方法 | |
| US20220026861A1 (en) | Virtual metrology method using convolutional neural network and computer program product thereof | |
| CN101341449A (zh) | 基于信息可信度的增进的状态估计 | |
| US8406904B2 (en) | Two-dimensional multi-products multi-tools advanced process control | |
| CN116842439A (zh) | 一种基于模型的半导体质量预测方法 | |
| Hassan et al. | Real-time fault detection in semiconductor using one-class support vector machines | |
| CN114503244A (zh) | 用于预测晶圆上测量值的使用多级lstm的工具控制 | |
| JP2019184575A (ja) | 測定動作パラメータ調整装置、機械学習装置及びシステム | |
| TWI802334B (zh) | 生產機台組件的多變量預測保養方法與其電腦程式產品 | |
| Cuicui et al. | Adaptive EWMA controller based on dynamic modeling in semiconductor manufacturing | |
| TW202226009A (zh) | 用於決定晶圓路徑品質的順序方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100511 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100805 |
|
| 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: 20100824 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100901 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130910 Year of fee payment: 3 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |