JP4728968B2 - The method and apparatus of the data analysis - Google Patents

The method and apparatus of the data analysis Download PDF


Publication number
JP4728968B2 JP2006552346A JP2006552346A JP4728968B2 JP 4728968 B2 JP4728968 B2 JP 4728968B2 JP 2006552346 A JP2006552346 A JP 2006552346A JP 2006552346 A JP2006552346 A JP 2006552346A JP 4728968 B2 JP4728968 B2 JP 4728968B2
Grant status
Patent type
Prior art keywords
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.)
Application number
Other languages
Japanese (ja)
Other versions
JP2007522658A (en )
ジャッキー ゴリン,
マイケル スコット,
エリック ポール タボール,
ポール バクストン,
エミリオ ミゲラネス,
Original Assignee
テスト アドバンテージ, インコーポレイテッド
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
Grant date




    • G11C29/00Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/56External testing equipment for static stores, e.g. automatic test equipment [ATE]; Interfaces therefor
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851Testing of integrated circuits [IC]
    • G01R31/2894Aspects of quality control [QC]


(関連出願の参照) (Reference to Related Applications)
本出願は、 The present application,
米国特許出願番号第10/817,750号(2004年4月2日出願、発明の名称「METHODS AND APPARATUS FOR ANALYZING TEST DATA」の一部係属出願であり、これは米国特許出願番号第10/730,388号(2003年12月7日出願、発明の名称「METHODS AND APPARATUS FOR DATA ANALYSIS」の一部係属出願であり、これは米国特許出願番号第10/367,355号(2003年2月14日、発明の名称「METHODS AND APPARATUS FOR DATA ANALYSIS」の一部係属出願であり、これは米国特許出願番号第10/154,627号(2002年5月24日出願、発明の名称「METHODS AND APPARATU US patent application Ser. No. 10 / 817,750 (April 2, 2004 application, is a part-pending application entitled "METHODS AND APPARATUS FOR ANALYZING TEST DATA", this is the first US patent application Ser. No. 10/730 , 388 issue (December 2003 7 days application, is a part-pending application entitled "METHODS aND APPARATUS fOR DATA ANALYSIS", this is US patent application Ser. No. 10 / 367,355 (2003 February 14 day, is a part-pending application entitled "METHODS aND APPARATUS fOR DATA ANALYSIS", this is US patent application Ser. No. 10 / 154,627 (may 24, 2002 application, entitled "METHODS aND APPARATU FOR SEMICONDUCTOR TESTING」の一部係属出願であり、これは米国特許出願番号第09/872,195号(2001年5月31日出願、発明の名称「METHODS AND APPARATUS FOR DATA SMOOTHING」の一部係属出願であり、これは米国仮許出願第60/293,577号(2001年5月24日、発明の名称「METHODS AND APPARATUS FOR DATA SMOOTHING」、米国仮許出願第60/295,188号(2001年5月31日出願、発明の名称「METHODS AND APPARATUS FOR TEST DATA CONTROL AND ANALYSIS」、および、米国仮許出願第60/374,328号(2002年4月21日出願、 FOR SEMICONDUCTOR TESTING "is a part-pending application, this is US patent application Ser. No. 09 / 872,195 (May 31, 2001 application, part-pending application entitled" METHODS AND APPARATUS FOR DATA SMOOTHING " in it, this is the United States provisional Patent application Serial No. 60 / 293,577 (may 24, 2001, entitled "METHODS aND APPARATUS fOR DATA SMOOTHING" of the invention, US provisional Patent application No. 60 / 295,188 (2001 May 31, 2008, entitled "METHODS aND APPARATUS fOR TEST DATA CONTROL aND ANALYSIS" of the invention, and, US provisional Patent application No. 60 / 374,328 (April 21, 2002, filed, 明の名称「METHODS AND APPARATUS FOR TEST PROGRAM ANALYSIS AND ENHANCEMENT」の利益を主張し、 It claims the benefit of the Ming, entitled "METHODS AND APPARATUS FOR TEST PROGRAM ANALYSIS AND ENHANCEMENT"
米国仮許出願第60/542,459号(2004年2月6日出願、発明の名称「EVOLVING NEURAL NETWORKS USING SWARM INTELLIGENCE FOR BINMAP CLASSIFICATION」の利益を主張し、 US Provisional Patent Application No. 60 / 542,459 (February 6, 2004 application, and claims the benefit of the name "EVOLVING NEURAL NETWORKS USING SWARM INTELLIGENCE FOR BINMAP CLASSIFICATION" of the invention,
米国仮許出願第60/546,088号(2004年2月19日出願、発明の名称「DYNAMIC OUTLIER ALGORITHM SELECTION FOR QUALITY IMPROVEMENT AND TEST PROGRAM OPTIMIZATION」の利益を主張するものであって、 US Provisional Patent Application No. 60 / 546,088 (February 19, 2004 application, be one which claims the benefit of the name "DYNAMIC OUTLIER ALGORITHM SELECTION FOR QUALITY IMPROVEMENT AND TEST PROGRAM OPTIMIZATION" of the invention,
本出願は、各出願の開示を参考として、援用する。 This application, the disclosure of each application by reference, is incorporated. しかしながら、本開示が参考とする任意の出願とコンフリクトする場合は、本開示が優先される。 However, if the present disclosure conflicts with any application to reference, the present disclosure will prevail.

(発明の分野) (Field of the Invention)
本発明は、データ解析に関する。 The present invention relates to a data analysis.

(発明の背景) (Background of the Invention)
半導体会社は、コンポーネントが適切に動作するか確認するために、コンポーネントをテストする。 Semiconductor company, in order to confirm whether the component is operating properly, test the component. テストデータは、このコンポーネントが適切に機能するかどうかを判断するのみならず、製造工程において欠陥が指摘されるかどうかも判定する。 Test data not only determine whether this component to function correctly, it determines whether a defect is pointed out in the manufacturing process. したがって、半導体会社の多くは、問題を同定(identify)し、修正するために、幾つかの異なるコンポーネントから収集したデータを解析する。 Accordingly, many semiconductor companies to identify the problem (The identify), to correct, to analyze the collected data from several different components. 例えば、会社は、幾つかの異なるロットから各ウェハー上の多数のチップのテストデータを収集し得る。 For example, a company may collect a large number of chips of test data on each wafer from several different lots. テストデータは、欠陥解析や故障分離のため、パラメトリックな電気的テスト、光学検査、走査電子顕微鏡、エネルギ分散式X線分光法、および、収束イオンビームプロセスなどの種々のソースに由来し得る。 Test data for defect analysis and fault isolation, parametric electrical testing, optical inspection, scanning electron microscopy, energy dispersive X-ray spectroscopy, and may be derived from a variety of sources, such as focused ion beam process. このデータは、共通の欠陥または不良パターンを同定するために、あるいは、品質や性能に問題を示し得るパーツを同定するために、ならびに、ユーザの定義する「良好パーツ」を同定または分類するために、解析され得る。 This data, in order to identify common defect or failure pattern, or to identify the parts that may indicate problems in quality and performance as well, in order to identify or classify the "good part" that defines the user , it can be analyzed. 次いで、この問題を修正するためのステップがとられる。 Then, steps to correct this problem is taken. テストは、典型的には、デバイスパッケージングの前において(ウェハーレベルで)、また、アセンブリ完了後(最終テスト)に、行われる。 Testing is typically (at wafer level) in front of the device packaging, also after completion of assembly (final test) is performed.

テストデータを収集し、解析するには、費用も高く、時間も要する。 To collect test data, to be analyzed, the cost is high, take the time. 自動テスタは、コンポーネントに信号を適用し、対応する出力信号を読む。 Automatic tester, read the output signal by applying the signal to the component, corresponding. 出力信号は、コンポーネントが正しく動作しているかどうかを判断して、解析され得る。 The output signal is to determine whether the component is operating properly, can be analyzed. 各テスタは、大量のデータを生成する。 Each tester, generate large amounts of data. 例えば、各テスタが単一のコンポーネントに200のテストを実行することがあり、各テストが10回繰り返されることがある。 For example, it may each tester performs a test 200 to a single component, it is that each test is repeated 10 times. その結果、単一のコンポーネントに対するテストは、2000の結果を出すことになる。 Consequently, a test for a single component would produce results of 2000. なぜなら、各テスタが1時間に100以上のコンポーネントをテストし、幾つかのテスタが、同じサーバに接続されることがあると、膨大な量のデータが格納されねばならない。 Because each tester is testing 100 or more components an hour several tester and may be connected to the same server, an enormous amount of data must be stored. さらに、データ処理のために、サーバは、典型的には、データベースの中にテストデータを格納して、データの操作と解析を容易にする。 Furthermore, for data processing, the server is typically stores the test data in the database, to facilitate manipulation and analysis of data. しかしながら、従来型データベースへのストレージには、そのデータを組織し、格納するための更なるストレージ容量と時間とを要求される。 However, the storage of the traditional database, the data organized, is required and further the storage space and time for storing.

さらに、テストデータを得ることは、複雑で労力を要するプロセスである。 Further, to obtain the test data is a process requiring complex and labor. テストエンジニアが、テスタにコンポーネントへの入力信号を生成し、その出力信号を受信するように指示するテストプログラムを準備する。 Test engineer, generates an input signal to the component to the tester, to prepare a test program to instruct to receive the output signal. このプログラムは、コンポーネントがフルで的確な動作することを確保するために、非常に複雑になる傾向がある。 This program, in order to ensure that the components be accurate operate at full, tend to be very complex. その結果、中程度に複雑な集積回路のテストプログラムによって、大量のテストと結果が生み出される。 As a result, by a complex integrated circuit test program of moderate, a large amount of test and the result is produced. 満足ゆく解決を得るためには、プログラムの準備に、広範な設計と変更が要求され、プログラム最適化には、例えば、冗長なテストを除去し、さもなくば、テスト時間を最短にするなど、更なる労力が必要とされる。 To obtain a satisfactory Yuku resolution, the preparation of the program, is extensive design and modification is required, the program optimization, for example, to remove redundant tests, else, such as the test time to a minimum, additional labor is required.

収集データの解析も、また、困難である。 Analysis of collected data as well, also, it is difficult. データの量が、かなりの処理能力と時間とを要することもある。 The amount of data, sometimes requiring a considerable processing power and time. その結果、データは、通常は、製品のランタイムに解析されず、その代わりに、典型的には、テストランの合い間に、あるいは、バッチ間に解析される。 As a result, data is typically not parsed at runtime products, instead, is typically between fit test run, or is analyzed between batches. これら負担を幾分か軽減するために、会社の中には、テスタからのデータをサンプルするのみで、その他を処分するとこともある。 In order to alleviate these burden somewhat, some of the company, only to sample the data from the tester, sometimes when you dispose of the other. しかしながら、データの全てを解析しない解析は、その結果得られた解析が、完全度も精度も十分であるはずがないことを保証する。 However, the analysis does not analyze all data, the resulting analysis also ensures that there is no way accuracy is sufficient completeness. 結果として、サンプリングは、テスト結果を完全な理解から、遠いものとなる。 As a result, sampling, test results from a full understanding, the distant ones.

さらに、テスタによって生成されたテストデータの完全なセットが維持されたとしても、莫大な量のテストデータは、データを解析し、意味ある結果を抽出するのに、困難を生ずる。 Furthermore, even if the complete set of test data generated by the tester is maintained, the test data of the sheer volume analyzes the data, to extract a meaningful result, causing difficulties. テストデータは、デバイス、テストプロセスおよび製造プロセスに関して意義深い情報を含み得るし、この情報は、製造、信頼性およびテストの改善にも利用され得る。 Test data, the device, to can include significant information about the test and manufacturing processes, this information is produced, it may also be utilized to improve the reliability and testing. しかしながら、データの量を考慮すると、ユーザまたは他のシステムに、情報を分離して、提示することは、挑戦的なことである。 However, considering the amount of data, the user or other systems, separates the information, be presented is challenging it.

さらに、データ解釈の多くは、エンジニアによる手作業で行われる。 In addition, many of the data interpretation is performed manually by engineers. エンジニアは、製造およびテストプロセスでの自らの経験と知識に基づいて、そのデータを検討し、テストおよび製造プロセスに関する推論を出す。 Engineers, based on their own experience and knowledge in the manufacturing and testing process, to review the data, put out an inference about the test and manufacturing process. 手作業による解析も、有効なことは多いが、エンジニアは製造システムとテストシステムとを別個に理解し、それゆえ、同じデータに基づいて、異なる主観的結論に到達しがちである。 Analysis manual also has effective it is often, engineers separately understand the manufacturing system and the test system, therefore, based on the same data, tend to reach the different subjective conclusions. 別の問題が生じるのは、熟練した人材が会社を離れた場合、あるいは、さもなくば、都合つかなくなった場合である。 The other problem arises, if the skilled human resources has left the company, or, otherwise, a case that is no longer stuck convenience. 熟練した人材の、製造およびテストシステムの知識と理解とは、他の人材に、容易に伝承できないらである。 Skilled personnel, and the knowledge and understanding of the fabrication and test systems, other personnel, a et not easily lore.

本発明のより完全な理解は、以下の例示的な図面と関連付けて考慮した場合、詳細な説明と請求項を参照して、導かれ得る。 A more complete understanding of the invention, when considered in conjunction with the following illustrative figures, with reference to the claims and the detailed description can be derived. これら図面は、一定倍率でないこともある。 These figures may not be constant magnification. 同じ参照番号は、図面全体を通して、同じエレメントを意味する。 The same reference numerals throughout the drawings to refer to the same elements.

図中のエレメントは、簡略化と明確化のために描かれており、必ずしも、一定倍率で描かれている分けではない。 Elements in the figures are illustrated for simplicity and clarity, not necessarily the divided being drawn magnification. 例えば、本発明の実施形態をよりよく理解するのに役立つように、図中の一部のエレメントによって実行される接続およびステップは、他のエレメントに比べ、誇張されていたり、省略されていることもある。 For example, to help to better understand embodiments of the present invention, connection and steps performed by some of the elements in the figure, compared to the other elements, or have been exaggerated, that have been omitted there is also.

(例示的な実施形態の詳細な説明) (Detailed description of an exemplary embodiment)
本発明は、機能ブロックコンポーネントおよび様々なプロセスステップの観点から記載され得る。 The present invention may be described in terms of functional blocks components and various process steps. このような機能ブロックおよびステップは、特定の機能を実行するように構成された任意の数のハードウェアまたはソフトウェアによって、実現され得る。 Such functional blocks and steps, by any number of hardware or software configured to perform the specified functions, may be implemented. 例えば、本発明は、様々なテスタ、プロセッサ、ストレージシステム、プロセス、および、アルゴリズム、例えば、統計的エンジン、メモリエレメント、信号プロセッシングエレメント、神経回路網、パターン解析、ロジックエレメント、プログラムなどを用い得る。 For example, the present invention may employ various testers, processors, storage systems, processes, and algorithms, for example, statistical engines, memory elements, signal processing elements, neural networks, pattern analysis, logic elements may use a program. これらは、1つ以上のテスタ、マイクロプロセッサあるいは制御デバイスの制御下で、様々な機能を実行し得る。 These may include one or more testers, under the control of a microprocessor or control device may perform a variety of functions. さらに、本発明は、任意の数のテスト環境と一緒に実行され得る。 Furthermore, the present invention can be performed with any number of test environments. また、記載された各システムは、本発明に対する例示的なアプリケーションの一つに過ぎない。 Each system described is merely one exemplary application for the present invention. さらに、本発明は、データ解析、コンポーネントインターフェーシング、データプロセッシング、コンポーネントハンドリングなどの従来技術を幾つ用いてもよい。 Furthermore, the present invention relates to a data analysis, component interfacing, data processing, may be used any number of conventional techniques, such as a component handling.

図1に関して、本発明の様々な局面に従う方法と装置は、半導体テスト用の自動テスト装置(ATE)のようなテスタ102を有するテストシステム100と一緒に動作する。 With respect to Figure 1, a method and apparatus in accordance with various aspects of the present invention operates in conjunction with a test system 100 having a tester 102, such as automatic test equipment (ATE) for semiconductor testing. 本実施形態において、テストシステム100は、テスタ102およびコンピュータシステム108を備える。 In this embodiment, test system 100 includes a tester 102 and a computer system 108. テストシステム100は、ウェハー上の半導体デバイス、回路基板、パッケージデバイス、あるいは、他の電気または光学システムのような任意のコンポーネント106をテストするように構成され得る。 Test system 100 includes a semiconductor device, a circuit board on the wafer, packaged devices or may be configured to test any of the component 106, such as other electrical or optical systems. 本実施形態において、コンポーネント106は、ウェハー上に形成された多数の集積回路ダイ(die)、あるいは、パッケージ集積回路またはデバイスを備える。 In this embodiment, component 106 includes a plurality of integrated circuit dies formed on a wafer (die), or comprises a packaged integrated circuits or devices. コンポーネント106は製造プロセス(fabrication process)を使用して、形成される。 Component 106 uses the manufacturing process (fabrication process), is formed. そのプロセスは、コンポーネント106を生成するための任意の適切な生産プロセス(manufacturing process)を備え得るし、また、コンポーネント106の動作をテストする任意の適切なプロセスを備え得るテストプロセスを含み得る。 The process to be provided with any suitable manufacturing process (Manufacturing process) for producing the components 106 also include a test process, which may comprise any suitable process for testing the operation of component 106.

テスタ102は、コンポーネント106をテストし、そのテストに関する出力データを生成する任意のテスト装置を適切に備えており、また、多数の装置または他のデータ源を備え得る。 Tester 102 tests the components 106, any of the test apparatus for generating output data relating to the test are properly equipped, also include a number of devices or other data sources. テスタ102は、Teradyneテスタのような従来型自動テスタを備え得るし、また、そのテストを容易にする他の装置とともに、適切に動作する。 Tester 102 is to be provided with a conventional automatic tester, such as Teradyne tester, also with other devices that facilitate the test, to work properly. テスタ102は、テストされるべき特定のコンポーネント106および/または任意の他の適切な基準に従って選択され、構成される。 Tester 102 is selected according to the particular components 106 and / or any other suitable criteria to be tested, and.

テスタ102は、コンピュータシステム108と一緒に動作し得る。 The tester 102 may operate in conjunction with the computer system 108. コンピュータシステム108は、例えば、テスタ102のプログラミング、テストプログラムのロードおよび/または実行、データ収集、テスタ102への指示提供、テストデータ解析、テスタのパラメータ制御などを行う。 Computer system 108 is, for example, performs the programming of the tester 102, load and / or execute the test program, the data collection, indication provided to the tester 102, the test data analysis, and parameter control of the tester. 本実施形態において、コンピュータシステム108は、テスタ102からテスタデータを受信し、テスタ102とは独立に様々なデータ解析機能を実行する。 In the present embodiment, computer system 108 receives tester data from the tester 102 and performs various data analysis functions independently of the tester 102. コンピュータシステム108は、テスタ102からのデータを解析する統計エンジン、ならびに、テストデータに基づいた製造および/またはテストプロセスにおける潜在的問題を同定するための診断システム216をインプリメントしてもよい。 Computer system 108, statistics engine to analyze data from the tester 102, and may implement the diagnostic system 216 for identifying potential problems in the production and / or testing process based on the test data. コンピュータシステム108は、例えば、パーソナルコンピュータまたはワークステーションのような個別のコンピュータを備えてもよい。 Computer system 108 may comprise, for example, a personal computer or a separate computer such as a workstation. このコンピュータは、テスタ102と信号交換するために、テスタ102と接続またはネットワーク化されている。 The computer, in order to tester 102 and the signal exchange, are connected or networked with the tester 102. 代替的な実施形態において、コンピュータシステム108は、テストシステム100の他のコンポーネントから省かれていることも、他のコンポーネントに組み込まれていてもよい。 In an alternative embodiment, the computer system 108, also have been omitted from the other components of the test system 100 may be incorporated into other components. 様々な機能は、ネットワークに接続されたテスタ102またはエレメントのように他のコンポーネントによって実行されてもよい。 Various functions may be performed by other components as connected tester 102 or elements to the network.

この例示的なシステムにおいて、コンピュータシステム108は、プロセッサ110およびメモリ112を備える。 In this exemplary system, the computer system 108 includes a processor 110 and memory 112. プロセッサ110は、任意の適切なオペレーションシステム(例えば、Windows XP(登録商標)、Unix(登録商標)またはLinux(登録商標))と一緒に動作する任意の適切なプロセッサ(従来型のIntel製、Motorola製またはAdvanced Micro Devices製プロセッサ)を備える。 Processor 110 may be any suitable operating system (e.g., Windows XP (registered trademark), Unix (R) or Linux (registered trademark)) Any suitable processors operating in conjunction with the (conventional Intel made, Motorola comprises a manufacturing or Advanced Micro Devices Ltd. processor). 同様に、メモリ112は、データ格納用のプロセッサ110にアクセス可能な任意の適切なメモリ(例えば、ランダムアクセスメモリ(RAM)または他の適切なストレージシステム)を備えてもよい。 Similarly, the memory 112, the processor 110 for storing data accessible any suitable memory (e.g., random access memory (RAM) or other suitable storage system) may be provided. 特に、本システムのメモリ112は、情報の格納と受信とをする高速アクセスメモリを含み、コンピュータ108の動作を容易にするのに十分な容量を有するように適切に構成されている。 In particular, the memory 112 of the present system includes a fast access memory for the reception and storage of information, it is suitably configured to have sufficient capacity to facilitate the operation of the computer 108.

本実施形態において、メモリ112は、テスタ102から受信した出力結果を格納し、その出力テストデータの解析を容易にする容量を含む。 In the present embodiment, the memory 112 stores the output result received from the tester 102, including the capacity to facilitate the analysis of the output test data. メモリ112は、解析用テストデータを高速格納および引き出しができるように構成されている。 Memory 112 has an analytical test data is configured to enable high-speed storage and extraction. 様々な実施形態において、メモリ112は、ダイナミックデータログ(datalog)のエレメントを格納するように構成される。 In various embodiments, the memory 112 is configured to store elements of the dynamic datalog (datalog). そのエレメントは、テスト結果に基づいて選ばれた基準および解析に従って、テストシステム100および/またはオペレータによって選択された1セットの情報を適切に備えている。 That element, according to criteria and analyzes were chosen on the basis of the test results, a set information selected by the test system 100 and / or operator are appropriately equipped.

例えば、メモリ112は、各コンポーネント106に対するコンポーネント識別子(例えば、テストされたウェハーに対するウェハーマップ上のコンポーネント106の位置に対応するxy座標)を適切に格納する。 For example, the memory 112, the component identifier for each component 106 (e.g., xy coordinates corresponding to the position of the component 106 on a wafer map for the tested wafer) stores appropriately. メモリ112内の各xy座標は、ウェハーマップ上の対応するxy座標にある特定のコンポーネント106と関連し得る。 Each xy coordinates in the memory 112 may be associated with a particular component 106 at the xy coordinates corresponding on the wafer map. 各コンポーネント識別子は、1つ以上のフィールドを有する。 Each component identifier has one or more fields. 各フィールドは、例えば、ウェハー上の対応するxy位置にあるコンポーネント106に実行された特定のテスト、対応するコンポーネント106に関連する統計、または、関連データに対応する。 Each field may be, for example, the particular test performed on the component 106 at the corresponding xy location on the wafer, associated with a corresponding component 106 statistics, or, corresponding to the relevant data. メモリ112は、必要に応じて、任意の基準またはルールに基づいて、ユーザによって同定された任意のデータを含むように構成され得る。 Memory 112 may optionally, based on any criteria or rules may be configured to include any data identified by the user.

本実施形態のコンピュータ108は、また、ストレージシステム(例えば、他のメモリ(または、メモリ112の一部)、ハードドライブアレイ、光学ストレージシステム、あるいは、他の適切なストレージシステム)に、適切なアクセスを有する。 Computer 108 of the present embodiment, also, the storage system (e.g., another memory (or a portion of the memory 112), a hard drive array, an optical storage system, or other suitable storage system), appropriate access having. ストレージシステムは、コンピュータ108またはテスタ102専用のハードドライブのようにローカルであってもよいし、あるいは、テストシステム100が接続されているサーバと関連したハードドライブアレイのようにリモートであってもよい。 The storage system may be a local to computer 108 or the tester 102 dedicated hard drive, or may be a remote as a hard drive array associated with a server test system 100 is connected . ストレージシステムは、コンピュータ108またはテストシステム100の他のコンポーネントによって使われるプログラムおよび/またはデータを格納し得る。 The storage system may store programs and / or data used by other components of the computer 108 or the test system 100. 本実施形態において、ストレージシステムは、リモートサーバ116を介して利用可能なデータベース114を備える。 In the present embodiment, the storage system includes an available database 114 via the remote server 116. リモートサーバ116は、例えば、生産設備用のメイン製造サーバを備える。 Remote server 116 includes, for example, a main production server for production equipment. データベース114は、テスタ情報(例えば、テスタデータファイル、テストシステム100を動作するマスタデータファイル、および、そのコンポーネント、テストプログラム、テストシステム100に対するダウンロード可能な指示など)を格納する。 Database 114, the tester information (e.g., master data files for operating the tester data file, the test system 100, and its components, test programs, etc. downloadable instructions for the test system 100) stores. さらに、ストレージシステムは、解析用に保持された履歴テスタデータファイルのような完全なテスタデータファイルを備え得る。 Further, the storage system may comprise complete tester data files, such as historical tester data files retained for analysis.

テストシステム100は、コンポーネント106のテストを容易にする追加の装置を含んでもよい。 Test system 100 may include additional equipment to facilitate testing of the components 106. 例えば、本テストシステム100は、デバイスインターフェース104を含む。 For example, the test system 100 includes a device interface 104. デバイスインターフェース104は、従来型デバイスインターフェース基板、および/または、デバイスハンドラまたはプローバのように、コンポーネント106をハンドリングし、コンポーネント106とテスタ102との間のインターフェースを提供する。 Device interface 104 is a conventional device interface board, and / or, as in the device handler or prober, to handle the components 106 and provides an interface between the components 106 and the tester 102. 一実施形態において、デバイスインターフェースは、1枚のウェハー上の多数のサイトを同時にテストするように構成されたマルチサイトのデバイスインターフェースを備える。 In one embodiment, the device interface comprises a device interface for multi-site configured to simultaneously test a large number of sites on a single wafer. テストシステム100は、テストシステム100の特定の構成、アプリケーション、環境、あるいは、他の関連因子によって、テストコンポーネント106のテストを容易にするために、他のコンポーネント、ソフトウェアなどを含んでも、あるいは、これらに接続されてもよい。 Test system 100, the particular configuration of the test system 100, application, environment or by other relevant factors, in order to facilitate the testing of the test component 106, other components, also include such software, or they it may be connected to. 例えば、本実施形態において、テストシステム100は、リモートサーバ116のような他のシステムに情報を送信するために、ローカルエリアネットワーク、イントラネット、または、インターネットのようなグローバルネットワークのような適切な通信媒体に接続される。 For example, in the present embodiment, the test system 100 is to transmit information to other systems, such as remote server 116, a local area network, an intranet, or a suitable communication medium such as a global network such as the Internet, It is connected to.

テストシステム100は、1つ以上のテスタ102および1つ以上のコンピュータ108を含んでもよい。 Test system 100 may include one or more testers 102 and one or more computers 108. 例えば、1つのコンピュータ108は、コンピュータ108のシステム処理能力や構成などの様々な要因によって、適切な数(例えば、20以上まで)のテスタ102に接続されてもよい。 For example, one computer 108, by a variety of factors such as system capacity and configuration of the computer 108, the appropriate number (e.g., up to 20 or higher) may be connected to the tester 102. さらに、コンピュータ108は、テスタ102から分離されていてもよいし、例えば、テスタ102それ自体の1つ以上のプロセッサ、メモリ、クロック回路などを使って、テスタ102に組み込まれてもよい。 Furthermore, computer 108 may be separate from the tester 102, for example, one or more processors of the tester 102 itself, a memory, using a clock circuit may be incorporated in the tester 102. さらに、様々な機能が、異なるコンピュータによって実行されてもよい。 Furthermore, various functions may be performed by different computers. 例えば、最初のコンピュータは、様々な事前解析タスクを行い、次いで、数台のコンピュータがデータを受信し、データ解析を実行し、他の一式のコンピュータが、ダイナミックデータログおよび/または他の出力解析とレポートを準備してもよい。 For example, the first computer, perform various pre-analysis tasks, then several computers receives data, perform data analysis, the other set of computer, dynamic data logs and / or other output analyzes it may be prepared the report with.

本発明の様々な局面に従うテストシステム100は、コンポーネント106をテストし、拡張解析とテスト結果を提供する。 Test system 100 according to various aspects of the present invention tests the components 106 and provides enhanced analysis and test results. 例えば、拡張解析は、不正確な結果、疑問ある結果、あるいは、異常な結果、繰り返しテスト、および/または、テストから、欠陥の可能性が比較的高いものを同定し得る。 For example, extended analysis inaccurate results, the question is the result, or anomalous results, repetitive tests, and / or from the test can identify those relatively high probability of defects. テストシステム100は、また、多数のデータベースにデータベース化されたコンポジットを生成するために、多数のデータセット(例えば、多数のウェハーおよび/またはロットのウェハーから得られたデータ)も解析し得る。 Test system 100 may also, in order to generate a database is composite in many databases, multiple data sets (e.g., data obtained from the wafer of a number of wafers and / or lots) may also be analyzed. 様々なデータは、また、製造、テストおよび/または他のプロセスにおける特性(例えば、テストデータを介して同定され得る問題、非効率さ、潜在的危険性、不安定性または他の側面)を診断するために、テストシステム100によっても使用され得る。 Various data may also be diagnosed manufacture, characteristics in the test and / or other processes (e.g., problems that can be identified via the test data, inefficiency, potential hazards, instabilities, or other aspects) of to may also be used by the test system 100. オペレータ(例えば、製品エンジニア、テストエンジニア、生産エンジニア、デバイスエンジニア、あるいは、テストデータと解析を用いる他のスタッフ)は、次いで、テストシステム100および/または製造システムを検証および/または改善し、コンポーネント106を分類するために、その結果を用い得る。 Operator (e.g., product engineer, test engineer, manufacturing engineer, device engineer or other personnel using the analytical test data), then the test system 100 and / or manufacturing system to verify and / or improve the component 106 for classifying may use the results.

本発明の様々な局面に従うテストシステム100は、コンポーネント106をテストし、テストデータを収集し、解析するための拡張テストプロセスを実行する。 Test system 100 according to various aspects of the present invention tests the components 106, collects test data, performing an advanced testing process for analyzing. テストシステム100は、コンピュータ108で実行されるソフトウェアアプリケーションとともに、適切に動作する。 Test system 100, along with a software application executed by computer 108, to work properly. 図2を参照すると、本実施形態のソフトウェアアプリケーションは、拡張テストプロセスをインプリメントするための多数のエレメント(構成エレメント202、補足データ解析エレメント206、および、出力エレメント208を含む)を含む。 Referring to FIG. 2, the software application of the present embodiment includes multiple elements for implementing the extended test process (configuration element 202, the supplementary data analysis element 206, and includes an output element 208). テストシステム100は、また、1を超えるデータセットからのデータ解析のための複合解析エレメント214も含み得る。 Test system 100 may also include a composite analysis element 214 for data analysis from the data set of greater than 1. さらに、テストシステムは、テストデータを用いて、特性および潜在的問題を同定するために、診断システム216を含み得る。 Moreover, the test system, using the test data, in order to identify the characteristics and potential problems may include diagnostic system 216.

各エレメント202、206、208、214、216は、様々なタスクを実行するコンピュータ108で動作するソフトウェアモジュールを適切に備える。 Each element 202,206,208,214,216 is suitably comprises a software module operating on the computer 108 to perform various tasks. 一般的に、構成エレメント202は、テストと解析用のテストシステム100を準備する。 Generally, the configuration element 202 prepares test system 100 for testing and analysis. 補足データ解析エレメント206において、テスタ102からの出力テストデータは、補足テストデータを生成するため、適切に、ランタイムに、自動的に解析される。 In the supplementary data analysis element 206, output test data from the tester 102 to generate the supplementary test data, suitably, the runtime is automatically analyzed. 補足テストデータは、次いで、オペレータ、あるいは、複合解析エレメント214、診断システム216、および/または、出力エレメント208のような他のシステムに送信される。 Supplemental test data, then, the operator, or, combined analysis element 214, diagnostic system 216, and / or sent to other systems, such as the output element 208.

構成エレメント202は、コンポーネント106をテストし、そのテストデータを解析するため、テストシステム100を構成する。 Configuration element 202 tests the components 106, to analyze the test data to form a test system 100. テストシステム100は、所定の初期パラメータセット、および、必要に応じて、テストシステム100を構成するために、オペレータからの情報を適切に使う。 Test system 100 includes a predetermined initial parameter sets, and, if necessary, in order to configure the test system 100, suitably using information from the operator. オペレータがテストシステム100に付き添うのを最小限にするために、テストシステム100は、所定またはデフォルトのパラメータを最初に適切に構成される。 To minimize operator that accompany the test system 100, test system 100 is initially configured appropriately predetermined or default parameters. 調整は、必要に応じて、例えば、コンピュータ108を介して、オペレータによって、構成に対してなされる。 Adjustment, if necessary, for example, via a computer 108, by an operator, be made to the configuration.

図3を参照すると、構成エレメント202によって実行される例示的な構成プロセス300は、コンピュータ108を初期状態に設定する初期化手順(ステップ302)から始まる。 Referring to FIG. 3, an exemplary configuration process 300 performed by the configuration element 202 begins the computer 108 from the initialization procedure for setting the initial state (step 302). 構成エレメント202は、次いで、アプリケーション構成情報を、例えば、コンピュータ108およびテスタ102用のデータベース114から取得する(ステップ304)。 Configuration element 202 may then application configuration information, for example, be obtained from the computer 108 and the database 114 of the tester 102 (step 304). 例えば、構成エレメント202は、拡張テストプロセス用のマスタ構成ファイルおよび/またはテスタ102に関係するツール構成ファイルにアクセスし得る。 For example, the configuration element 202 may access master configuration file and / or the tool configuration file relating to the tester 102 for extended test process. マスタ構成ファイルは、拡張テストプロセスを実行するために、テストシステム100のコンピュータ108と他のコンポーネント用の的確な構成に関連するデータを含み得る。 The master configuration file, extended test to perform the process may include data relating to the exact configuration of the computer 108 and other components of the test system 100. 同様に、ツール構成ファイルは、テスタ102の構成に関するデータ(例えば、接続、ディレクトリ、IPアドレス、テスタノード識別、製造者、フラグ、プローバ識別、あるいは、任意の他のテスタ102に関する付属情報)を適切に含む。 Similarly, the tool configuration file, data (e.g., connection, directory, IP address, tester node identification, manufacturer, flags, prober identification, or attached information regarding any other tester 102) about the configuration of the tester 102 the appropriate to include.
23 構成エレメント202は、次いで、マスタ構成ファイルおよび/またはツール構成ファイルに含まれるデータに従い、テストシステム100を構成し得る(ステップ306)。 23 configuration element 202, then in accordance with the data contained in the master configuration file and / or the tool configuration file, can constitute a test system 100 (step 306). さらに、構成エレメント202は、データベース114(例えば、テスタデータに対するロジスティック状況のようなデータをテスタ102と関連付けるテスタ102の識別子)からの関連情報をさらに引き出す構成データを使用し得る(ステップ308)。 Moreover, configuration elements 202, database 114 (e.g., data identifier for the tester 102 to associate with the tester 102, such as a logistic conditions for tester data) may be used to further draw configuration data relevant information from (step 308). テストシステム100の情報は、また、オペレータによって、承認、拒否または調整され得る1つ以上のデフォルトパラメータを適切に含む。 Information of the test system 100 also by the operator suitably includes approval, one or more default parameters that may be denied or adjusted. 例えば、テストシステム100の情報は、グローバルな統計的プロセス管理(SPC)のルールとゴールとを含み得る。 For example, information of the test system 100 may include a rules and goals of global statistical process control (SPC). これらルールとゴールは、インストール、構成、パワーアップ、または、その他、承認および/または変更に要する適切な時間などに応じてオペレータに提示される。 These rules and goals, installation, configuration, power-up, or otherwise, are presented to the operator in accordance with the appropriate amount of time required for approval and / or change. テストシステム100の情報は、また、製品、ウェハー、コンポーネント106または他のアイテムそれぞれ用のデフォルトのウェハーマップまたは他のファイルを含み得る。 Information of the test system 100 may also include product, wafers, the default wafer maps or other files for each component 106, or other items. これらアイテムは、テストシステム100に影響を及ぼすことも、影響を及ぼされこともある。 These items also affect the test system 100, sometimes influenced. 構成アルゴリズム、パラメータ、および、他の任意の基準は、特定の製品および/またはテストとの相関に容易にアクセスするため、また、トレーサビリティのため、レシピーファイルに格納され得る。 Configuration algorithm, parameters and, any other criterion, for easy access to correlate with a particular product and / or test, also for traceability can be stored in a recipe file.

初期構成プロセスが完了したとき、テストシステム100は、テストプログラムに従い、例えば、従来式の一連のテストと一緒に、テストランを開始する。 When the initial configuration process is complete, the test system 100 in accordance with a test program, for example, together with a series of tests of conventional, start the test run. テスタ102は、コンポーネント106に接続する信号を適用し、コンポーネント106からの出力テストデータを読むテストプログラムを適切に実行する。 Tester 102 applies a signal to connect to the components 106, suitably executes the test program to read the output test data from the component 106. テスタ102は、ウェハー上の各コンポーネント106あるいはウェハー自体に対し、多数のテストを実行することもあり、また、各テストは、同じコンポーネント106上で、数回繰り返されることもある。 The tester 102 for each component 106 or wafer itself on the wafer, sometimes perform many tests, and each test, on the same component 106, which may also be repeated several times. テストには、連続性、供給電流、リーク電流、パラメトリック静的、パラメトリック動的、ならびに、機能性および応力テストのような任意の適切なテスト(しかし、これらに限定されない)を含み得る。 The test, continuity, supply current, leakage current, parametric static, parametric dynamic, and any suitable test such as functionality and stress testing (but not limited to) may include. テスタ102からのテストデータは、テストデータが得られたら、素早いアクセスと補足解析のために、格納される。 Test data from the tester 102, if the test data obtained, for quick access and supplemental analysis, are stored. データは、後々の解析と使用のために、長期メモリに格納されることもある。 Data, for use with later analysis, also be stored in long term memory.

各テストは、少なくとも1つのコンポーネントに対し、少なくとも1つの結果を生成する。 Each test, for at least one component to generate at least one result. 図9を参照すると、多数のコンポーネントの単一テストに対するテスト結果の例示的なセットは、統計学的に同様な値を有する第一のテスト結果セットと、第一のセットから外れた値で特徴付けられる第二のテスト結果セットを含む。 Referring to FIG 9, the exemplary set of test results for a single test of multiple components, a first test result set having statistically similar values, characterized by a value deviating from the first set including a second test result set to be attached. 各テスト結果は、テストの上限およびテストの下限と比較され得る。 Each test result may be compared with the lower limit of the upper and a Test. あるコンポーネントの特定の結果が、いずれかの限界を超えると、そのコンポーネントは、「不良パーツ」として、分類されてもよいし、あるいは、テストおよび/またはテスト結果にしたがって、分類されてもよい。 When a particular result for a component is greater than any of the limits, its components, as a "bad part", it may be classified, or in accordance with the test and / or test results may be classified.

第一のセットから外れた第二のセットのテスト結果の中には、管理限界を超えるものもあれば、超えないものもある。 Into the second set of test results deviate from the first set of some are greater than control limits, some of which do not exceed. 本目的において、第一のセットから外れるが、管理限界を超えない、あるいは、そうでなくとも検出されないこれらテスト結果は、「外れ値(outlier)」と、呼ばれる。 In this purpose, out of the first set, not exceeding control limit, or they test results that are not detected not be the case, the "outlier (outlier)", referred to. テスト結果における外れ値は、例えば、潜在的に信頼性のないコンポーネントを同定するなどの任意の適切な目的に対し、同定および解析され得る。 Outliers in the test results, for example, for any suitable purposes such as identifying potentially unreliable components can be identified and analyzed. 外れ値は、テストおよび生産プロセスにおける様々な潜在的な問題および/または改善を同定するためにも使われ得る。 Outliers may also be used to identify various potential problems and / or improvements in the test and production processes.

テスタ102がテスト結果を生成すると、コンポーネント、テストおよび繰り返しのそれぞれに対する出力テストデータは、テスタ102によって、テスタデータファイルの中に格納される。 When the tester 102 generates the test results, the component, the output test data for each test and repeated by the tester 102, it is stored in the tester data file. 各コンポーネント106から受信された出力テストデータは、コンポーネント106の性能を分類する(例えば、テストの上限と下限との比較によって、特定のビン分類などに分類する)ために、テスタ102によって解析される。 Output test data received from each component 106 classifies the performance of the component 106 (e.g., by comparing the upper and lower limits of the test are classified into such a particular bin classification) for, is analyzed by the tester 102 . そして、分類の結果も、また、テスタデータファイルに格納される。 Then, the results of classification, also stored in the tester data file. テスタデータファイルは、ロジスティックデータやテストプログラム識別データなどの追加情報を含んでもよい。 Tester data file may include additional information, such as logistic data and test program identification data. 次いで、テストデータファイルは、標準テスタデータフォーマット(STDF)ファイルのような出力ファイルの中のコンピュータ108に提供され、メモリに格納される。 Then, the test data file is provided to the computer 108 in the output file, such as a standard tester data format (STDF) file, are stored in the memory. テスタデータファイルは、また、後の解析(例えば、複合解析エレメント214によって行われる)のための長期ストレージのために、ストレージシステムに格納されてもよい。 Tester data file, also analysis after (e.g., carried out by the combined analysis element 214) for long-term storage for, may be stored in the storage system.

コンピュータ108がテスタデータファイルを受けるとき、補足データ解析エレメント206は、拡張出力結果を提供するために、解析する。 When the computer 108 receives the tester data file, the supplementary data analysis element 206, in order to provide enhanced output results, it analyzes. 補足データ解析エレメント206は、任意の適切な目的を達成するために、テスタデータの任意の適切な解析を提供し得る。 Supplementary data analysis element 206, in order to achieve any suitable objective may provide any appropriate analysis of the tester data. 例えば、補足データ解析エレメント206は、統計的エンジンをインプリメントし得る。 For example, the supplementary data analysis element 206 may implement a statistical engine. そのエンジンは、ランタイムに出力テストデータを解析し、オペレータの関心あるデータとそのデータ特性とを同定する。 Its engine analyzes the output test data at run time to identify the data and the data characteristic of interest of the operator. 同定されたデータと特性は、格納され得るが、その一方で、同定されないデータは、廃棄などのように処分され得る。 Identification data and characteristics, but may be stored, on the other hand, are not identified data may be disposed of, such as discarded.

補足データ解析エレメント206は、例えば、データと統計構成データのセットに従い、統計数字を計算し得る。 Supplementary data analysis element 206 may, for example, in accordance with a set of data and statistical configuration data may calculate statistical figures. 統計構成データは、テストシステム100および/またはオペレータのニーズに従って、統計的プロセス管理、外れ値同定および分類、シグネチャ解析(signature analysis)、ならびに、データ相関などのような任意の適切なタイプの解析を指示し得る。 Statistical configuration data, according to the needs of the test system 100 and / or operator, statistical process control, outlier identification and classification, signature analysis (signature analysis), as well as the analysis of any suitable type, such as data correlated It may direct. さらに、補足データ解析エレメント206は、ランタイムに適切に(すなわち、次のテストデータ生成までの数秒か数分足らずで)解析を実行する。 Further, the supplementary data analysis element 206, suitably at run time (i.e., a few seconds or a few minutes less than until the next test data generation) to perform the analysis. 補足データ解析エレメント206は、また、オペレータおよび/またはテストエンジニアからの干渉を最小限として、自動的に解析を実行し得る。 Supplementary data analysis element 206 also as minimize interference from the operator and / or test engineer may perform automatic analysis.

本テストシステム100において、コンピュータ108がテスタデータファイルを受信し、格納した後、補足データ解析エレメント206は、様々な予備的なタスクを実行する。 In the present test system 100, the computer 108 receives the tester data file, after storing, the supplementary data analysis element 206 performs various preliminary tasks. コンピュータ108が出力テストデータの解析を準備し、補足データの生成と出力レポートの準備を容易にするためである。 Computer 108 prepares an analysis of the output test data, in order to facilitate the preparation of the output report generation and supplementary data. ここで、図4A〜Cについて述べる。 Here, we describe FIG 4A-C. 本実施形態において、補足データ解析エレメント206は、最初に、テスタデータファイルを関連テスタ102に対応するツール入力ディレクトリにコピーする(ステップ402)。 In the present embodiment, the supplementary data analysis element 206 initially copies the tool input directory corresponding to tester data file to the relevant tester 102 (step 402). 補足データ解析エレメント206も、また、出力テストデータの補足解析をコンピュータ108に準備するために、構成データを取り出す。 Supplementary data analysis element 206 may also, in order to prepare a supplementary analysis of the output test data to the computer 108 retrieves the configuration data.

構成データは、テスタデータファイルから取り出され得るロジスティックデータのセットを適切に含む(ステップ404)。 The configuration data suitably includes a set of logistics data that may be retrieved from the tester data file (step 404). 補足データ解析エレメント206も、また、ロジスティック基準を生成する(ステップ406)。 Supplementary data analysis element 206 may also generate a logistic criteria (step 406). ロジスティック基準は、ツール構成ファイルから導かれたテスタ102の情報のようなテスタ102の情報を含み得る。 Logistic criteria may include information of the tester 102, such as the information of the tester 102 derived from the tool configuration file. さらに、ロジスティック基準は、同定に割り当てられる。 Further, logistics reference is assigned to the identification.

構成データは、また、出力テストデータを生成したテストプログラム用の識別子を含み得る。 Configuration data can also include an identifier for the test program that generated the output test data. テストプログラムは、それをデータベース114の中で照合して(408)、テスタ102の同定と連携して、あるいは、それをマスタ構成ファイルから読み込むなどして、任意の適切な方法で同定され得る。 Test program, by matching it in database 114 (408), in conjunction with the identification of the tester 102, or by such load it from the master configuration file can be identified in any suitable way. テストプログラムの同定を確立できない場合(ステップ410)、テストプログラムの同定は生成され得て、テスタ同定と結び付けられ得る(ステップ412)。 If you can not establish the identity of the test program (step 410), the identification of the test program is obtained is generated, it may be linked to the tester identification (step 412).

構成データが、ウェハーの全てより少ない場合、補足データ解析エレメント206によってプロセスされるために、テストラン中のウェハーを、さらに同定する。 Configuration data, if less than all of the wafers in order to be process by the supplementary data analysis element 206, the wafer during test run, further identified. 本実施形態において、補足データ解析エレメント206は、どのウェハーを解析されるべきかを示すファイルにアクセスする(ステップ414)。 In the present embodiment, the supplementary data analysis element 206 accesses a file indicating whether to be analyzed which wafer (step 414). 何の指示も提供されない場合、コンピュータ108は、テストラン中のウェハー全てに対し、解析を適切に実行しない。 If not provide any indication, the computer 108, for all wafers in the test run, not properly perform the analysis.

現在のテスタデータファイル用のウェハーが解析されるべきである場合(ステップ416)、補足データ解析エレメント206は、ウェハーに対し、テスタデータファイルの補足データ解析の実行に移る。 If the current wafer tester data file is to be analyzed (step 416), the supplementary data analysis element 206, the wafer with respect to proceeds to the execution of the supplementary data analysis tester data file. さもなくば、補足データ解析エレメント206は、次のテスタデータファイルを待つか、あるいは、それにアクセスする(ステップ418)。 Otherwise, the supplementary data analysis element 206 may wait for the next tester data file, or it accesses (step 418).

補足データ解析エレメント206は、テストされるべき様々なウェハー向けに、解析されるべき1つ以上のセクショングループを確立し得る(ステップ420)。 Supplementary data analysis element 206, the various wafers for to be tested, may establish one or more section groups to be analyzed (step 420). 出力テストデータに適用する適切なセクショングループを同定するために、補足データ解析エレメント206は、適切なセクショングループ定義を適切に同定する。 For identifying suitable section group to apply to the output test data, the supplementary data analysis element 206 suitably identifies an appropriate section group definition. 例えば、テストプログラムおよび/またはテスタ同定によって、同定する。 For example, by the test program and / or tester identification to identify. 各セクショングループは、1つ以上のセクションアレイを含み、各セクションアレイは、同じセクションタイプの1つ以上のセクションを含む。 Each section group includes one or more sections arrays, each section array includes one or more sections of the same section types.

セクションタイプは、ウェハーの所定のエリアに位置されたコンポーネント106のグループの様々な種類を含む。 Section types include various types of groups of components 106 that are positioned in a predetermined area of ​​the wafer. 例えば、図5を参照すると、セクションタイプは、行502、列504、ステッパフィールド506、環状バンド508、放射状ゾーン510、四分円512、または、コンポーネントの任意の他の所望のグルーピングを含み得る。 For example, referring to FIG. 5, the section type, row 502, column 504, a stepper field 506, an annular band 508, a radial zone 510, quadrants 512, or may include any other desired grouping of components. 異なるセクションタイプは、プロセスされるコンポーネントの順序、チューブのセクションなどのコンポーネントの構成に応じて、用いられ得る。 Different sections types, the order of the component to be processed, depending on the configuration of components such as sections of tubing, may be used. コンポーネント106のこのようなグループは、例えば、グループと関連され得る共通の欠陥または特性を同定するように、一緒に解析される。 Such groups of components 106 are, for example, to identify common defects or characteristics may be associated with a group are analyzed together. 例えば、ウェハーの特定部分が、ウェハーの他部分のような熱伝導をしない場合、コンポーネント106の特定グループについてのテストデータは、ウェハーの不均一な加熱に結び付けられる共通の特性または欠陥を反映し得る。 For example, certain portions of the wafers, if no heat conduction, such as other parts of the wafer, the test data for a particular group of components 106 may reflect common characteristics or defects tied to uneven heating of the wafer .

現在のテスタデータファイル用のセクショングループを同定すると、補足データ解析エレメント206は、テストプログラムおよび/またはテスタ102の管理限界およびイネーブルフラグなどの任意のさらなる関連構成データを取り出す(ステップ422)。 When identifying a current section group for the tester data file, the supplementary data analysis element 206 retrieves any further relevant configuration data, such as control limits and enable flags for the test program and / or tester 102 (step 422). 特に、補足データ解析エレメント206は、セクションタイプ内のそれぞれのセクションアレイに関連される所望の統計または計算のセットを適切に取り出す(ステップ423)。 In particular, the supplementary data analysis element 206 retrieves the desired statistics or set of calculations associated with each section array in the section type properly (step 423). 所望の統計および計算は、オペレータによって、あるいは、ファイルからの取り出しなど任意の方法で指定され得る。 Desired statistics and calculations, by the operator, or may be specified in any manner, such as removal from the file. さらに、補足データ解析エレメント206は、また、関連セクションタイプまたはウェハーに関する他の適切なバリエーションそれぞれに対する1つ以上のシグネチャ解析アルゴリズムを同定し得る(ステップ424)し、同様に、データベース114からシグネチャアルゴリズムを取り出し得る。 Further, the supplementary data analysis element 206 may also be identified one or more signature analysis algorithms for each relevant section type or other appropriate variation relating to the wafer (step 424), similarly, a signature algorithm from the database 114 It can be taken out.

構成データの全ては、デフォルトによって提供されても、あるいは、構成エレメント202または補足データ解析エレメント206によって自動的にアクセスされてもよい。 All configuration data, be provided by default, or may be automatically accessed by the configuration element 202 or supplemental data analysis element 206. さらに、本実施形態の構成エレメント202および補足データ解析エレメント206は、オペレータが、オペレータの要望またはテストシステム100の要求によって、適切に構成データを変えることができる。 Moreover, configuration elements 202 and supplemental data analysis element 206 of this embodiment, the operator, the operator needs or requirements of the test system 100, can be changed appropriately configured data. 構成データが選択された場合、構成データは、関連する基準と結び付けられ、デフォルト構成データとして今後使用されるために保存されることがある。 If the configuration data is selected, configuration data, associated with the relevant standards, it may be saved to be used in the future as the default configuration data. 例えば、オペレータが特定の種類のコンポーネント106のあるセクショングループを選択する場合、コンピュータ108は、自動的に、全てのこのようなコンポーネント106に対して、同一のセクショングループを用いることがある。 For example, if the operator selects a section groups of particular types of components 106, the computer 108 automatically, all with respect to such components 106, which may use the same section group. ただし、オペレータによって他の指示がなされた場合は除く。 However, except where otherwise indicated it was made by the operator.

補足データ解析エレメント206は、また、テスタデータファイルおよび追加データの構成とストレージとを提供する。 Supplementary data analysis element 206 also provides the configuration and storage of the tester data file and additional data. 補足データ解析エレメント206は、格納されるべきデータに対し、メモリ112の一部分などのメモリを適切に割り当てる(ステップ426)。 Supplementary data analysis element 206, for the data to be stored, appropriately allocate memory, such as a portion of the memory 112 (step 426). 割り当ては、補足データ解析エレメント206によって、格納されるべきデータ全て(テスタデータファイルからの出力テストデータ、補足データ解析エレメント206によって生成された統計データ、管理パラメータなどを含む)に対し、メモリを適切に提供する。 Assignment by the supplementary data analysis element 206, for all data to be stored (output test data from the tester data file, statistical data generated by the supplementary data analysis element 206, including management parameters), a memory suitable to provide to. 割り当てられたメモリ量は、例えば、コンポーネント106上で実行されたテストの数、セクショングループアレイの数、管理限界、補足データ解析エレメント206によって実行されるべき統計計算などに応じて、計算され得る。 Allocated memory amount, for example, the number of tests performed on the component 106, the number of section group arrays, the control limits, depending on to statistical computation performed by the supplementary data analysis element 206 may be calculated.

補足解析を実行するための構成データ全てが準備されているとき、出力テストデータを受け取るとすぐに、補足データ解析エレメント206は、メモリ内に関連テストデータをロードし(ステップ428)、出力テストデータに補足解析を実行する。 When all configuration data for executing the supplementary analysis are ready, as soon as receiving the output test data, the supplementary data analysis element 206 loads the relevant test data into memory (step 428), the output test data to run the supplemental analysis. 補足データ解析エレメント206は、コンポーネント106、テストデータシステム100の構成、オペレータの要望、あるいは、他の関連基準によって、任意の数および任意のタイプのデータ解析を実行してもよい。 Supplementary data analysis element 206, components 106, configuration of the test data system 100, desires of the operator, or other relevant criteria, may perform the data analysis any number and any type. 補足データ解析エレメント206は、生産での懸念または不備を示し得る出力テストデータの中で、潜在的不良のあるコンポーネント106およびパターン、トレンド、あるいは、他の特徴を同定する選択された特徴に対して、セクションを解析するように構成され得る。 Supplementary data analysis element 206, in the output test data that may indicate concerns or flaws in production, some components 106 and patterns of potential failure, trends, or for selected features that identify other features It may be configured to analyze the sections.

本補足データ解析エレメント206は、例えば、出力テストデータに基づく様々な統計を計算かつ解析することで、様々な基準に対応するデータおよび/またはコンポーネント106を同定する。 The present supplementary data analysis element 206 may, for example, by calculating and analyzing the various statistics based on the output test data to identify the data and / or components 106 corresponding to various criteria. また、本補足データ解析エレメント206は、コンポーネント106およびテストシステム100に関係するオペレータおよび/またはテストエンジニアに情報を提供するために、出力テストデータを分類かつ対比し得る。 The present supplementary data analysis element 206, to provide information to the operator and / or test engineer relating to the components 106 and test system 100 may classify and comparing the output test data. 例えば、本補足データ解析エレメント206は、例えば、潜在的に関連または冗長性あるテストを同定するための出力データの対比、および、頻繁に外れ値の発生するテストを同定するための外れ値発生率解析を実行し得る。 For example, the present supplementary data analysis element 206 may, for example, potentially related or contrast of the output data for identifying redundancy certain tests, and outlier incidence to identify the test that occurs frequently outliers It may perform the analysis.

補足データ解析エレメント206は、データをスムージングし、かつ、外れ値の同定を補助するために、テスタデータを最初にプロセスするスムージングシステムを含み得る(ステップ429)。 Supplementary data analysis element 206, smoothing the data, and to help identify outliers may include a smoothing system to process the tester data first (step 429). 代替的な実施形態において、スムージングシステムおよびプロセスは、省略されることがあり、データはスムージングなしにプロセスされる。 In an alternative embodiment, the smoothing system and process may be omitted, the data are processed without smoothing. スムージングシステムは、また、データ、トレンドなどにおける有意な変化を同定し得て、これらの変化は、出力エレメント208によってオペレータに提供され得る。 Smoothing system also data and obtained to identify significant changes in such trends, these changes can be provided to the operator by the output element 208. スムージングシステムは、例えば、コンピュータシステム108で動作するプログラムとして適切にインプリメントされる。 Smoothing system, for example, it is suitably implemented as a program operating the computer system 108. スムージングシステムは、様々な基準に従って、データをスムージングするための多数のフェーズを適切に備える。 Smoothing system according to various criteria, suitably comprises a number of phases for smoothing the data. 第一のフェーズは、基本スムージングプロセスを含み得る。 The first phase may include a basic smoothing process. 補足フェーズは、テストデータを拡張トラッキングおよび/または追加スムージングに、条件付きで提供する。 Supplemental phase, the expansion tracking and / or additional smoothing of the test data, provided under certain conditions.

スムージングシステムは、第一のスムージング技術によって、選択されたテスタデータの初期値を最初に調整し、かつ、第二のスムージング技術によって、その値を補足的に調整することによって、適切に作動するが、それは、初期値および最初に調整された値の少なくとも1つが閾値に合う場合である。 Smoothing system, the first smoothing technique, first to adjust the initial value of the tester data selected, and, by a second smoothing technique, by adjusting the value supplementary, but to work properly it is at least one initial and first adjustment value to a case that fits threshold. 第一のスムージング技術は、データをスムージングする傾向がある。 The first smoothing technique tends to smooth the data. 第二のスムージング技術も、また、データをスムージングする傾向があり、および/または、データのトラッキングを改善する傾向があるが、第一のスムージング技術とは異なる方法によってである。 The second smoothing technique also also tend to smooth the data, and / or tend to improve the tracking of the data, from the first smoothing technique is by different methods. さらに、その閾値は、補足スムージングを適用するかどうかを判定するための任意の適切な基準を含み得る。 Further, the threshold may comprise any suitable criteria for determining whether to apply supplemental smoothing. スムージングシステムは比較結果を生成するために、複数の先行して調整されたデータを複数の先行する生データと適切に比較し、比較結果が第一の閾値と合うかどうかによって、その選択されたデータの値を調整するために、第二のスムージング技術をその選択されたデータに適用する。 Smoothing system to generate a comparison result, the data adjusted more prior to comparison properly with a plurality of preceding raw data, depending on whether the comparison result matches a first threshold value, which is the selected to adjust the value of the data, it applies a second smoothing technique to the selected data. さらに、スムージングシステムは、選択されたデータの予想値を適切に計算し、選択されたデータに第三のスムージング技術を適用して、予想値が第二の閾値に合うかどうかによって、選択された基準の値を調整し得る。 Further, the smoothing system suitably calculates a predicted value of the selected data, by applying the third smoothing technique to the selected data, predicted values ​​depending on whether they satisfy the second threshold value, the selected It may adjust the reference value of.

図8を参照すると、第一のスムージングされたテストデータポイントは、第一の生テストデータポイントと等しいように、適切に設定される(ステップ802)。 Referring to FIG. 8, a first smoothed test data point as equal to the first raw test data point is suitably set (step 802). そして、スムージングシステムは、次の生テストデータポイントに進む(ステップ804)。 Then, the smoothing system proceeds to the next raw test data point (step 804). スムージング動作を実行する前に、スムージングシステムは、スムージングがデータポイントに対して適切であるかどうかを最初に判断し、もし適切であれば、そのデータに基本スムージング動作を実行する。 Before performing smoothing operations, the smoothing system, smoothing first determines whether it is appropriate for the data points, if appropriate, to perform the basic smoothing operation on the data. スムージングが適切であるかどうかの判断には、受信したデータポイントの数、選択された値からデータポイント値の偏差、または、各データポイント値と閾値との比較などに基づいて、任意の基準が適用されてもよい。 Smoothing the judgment whether it is appropriate, the number of data points received, on the basis of selected values ​​deviation of data point values, or the like compared with each data point value and the threshold value, any criteria application may be. 本実施形態において、スムージングシステムは、閾値との比較を実行する。 In the present embodiment, the smoothing system performs a comparison with the threshold value. 閾値との比較は、データスムージングが適切であるかどうかを判断する。 Comparison with the threshold value, it is determined whether the data smoothing is appropriate. 適切と判断されれば、最初のスムージングプロセスは、データの最初のスムージングに進むように適切に構成される。 If it is deemed appropriate, the initial smoothing process suitably configured to proceed to the first smoothing data.

より特定的には、本実施形態において、プロセスは最初の生データポイントR で開始する。 More specifically, in this embodiment, the process begins with the first raw data point R 0. は、第一のスムージングされたデータポイントS としても指定される。 R 0 is also designated as a data point S 0 which is the first smoothing. 追加のデータポイントが受信され、解析されると、各生データポイント(R )と、先行してスムージングされたデータポイント(S n−1 )との間の差が算出され、閾値(T )と比較される(ステップ806)。 Received additional data points, when analyzed, each raw data point (R n), the difference between the prior to the smoothed data points (S n-1) is calculated, the threshold (T 1 ) is compared (step 806). 生データポイントR と、先行してスムージングされたデータポイントS n−1との間の差が閾値T を超える場合、超過した閾値は、スムージングされたデータからのかなりの乖離に相当し、データのシフトを示すものと、仮定される。 Raw data point R n, if the difference between the preceding data point S n-1 which is smoothed exceeds the threshold value T 1, the excess threshold corresponds to a significant departure from the smoothed data, and indicates the shift of the data is assumed. 従って、閾値交差が発生することは、記録されてもよい。 Therefore, the threshold crossing occurs, it may be recorded. また、現在スムージングされるデータポイントS は、生データポイントR と等しいと設定される(ステップ808)。 The data points S n to be currently smoothing is set equal to the raw data points R n (step 808). スムージングは実行されず、そして、プロセスは、次の生データポイントに進む。 Smoothing is not performed, and the process proceeds to the next raw data point.

生データポイントと、先行してスムージングされたデータポイントとの差が、閾値T を超えない場合、プロセスは、最初のスムージングプロセスと連動して、現在スムージングされるデータポイントS を計算する(ステップ810)。 The difference between the raw data point, the preceding to the smoothed data points, if the threshold is not exceeded T 1, the process, in conjunction with the first smoothing process to compute the data points S n to be currently smoothed ( step 810). 最初のスムージングプロセスは、データの基本スムージングを提供する。 The first smoothing process, to provide the basic smoothing of the data. 例えば、本実施形態において、基本スムージングプロセスは、例えば、従来の指数関数的なスムージングプロセスを含み、以下 S =(R n−1 )*M +S n−1 For example, in the present embodiment, the basic smoothing process include, for example, a conventional exponential smoothing process, the following S n = (R n S n -1) * M 1 + S n-1
の等式に従う。 According to the equation. ここで、M は、0.2または0.3のようなスムージング係数である。 Here, M 1 is a smoothing coefficient, such as 0.2 or 0.3.

最初のスムージングプロセスは、そのデータに対し、有意な量のスムージングを提供するために、比較的低い係数M を適切に利用する。 The first smoothing process, to the data, to provide smoothing of significant amounts, suitably utilizing a relatively low coefficient M 1. 最初のスムージングプロセスおよび係数は、任意の基準に応じて選択されてもよく、任意の方法で構成されてもよい。 The first smoothing process and coefficients may be selected according to any criteria, it may be configured in any manner. しかしながら、スムージングシステムのアプリケーション、処理されたデータ、スムージングシステムの要求と能力、および/または、任意の他の基準に従う。 However, the smoothing system applications, processed data, smoothing system requirements and capabilities, and / or, according to any other criteria. 例えば、最初のスムージングプロセスには、無作為、ランダムウォーク、移動平均、単純指数関数、線形指数関数、季節(seasonal)指数関数、移動平均で重み付けされた指数関数、あるいは、データを最初にスムージングする任意の適切な他のタイプのスムージングを用いてもよい。 For example, the first smoothing process, smoothing random, random walk, moving average, simple exponential, linear exponential, seasonal (seasonal) exponential, weighted exponential moving average, or a data first or using any other suitable types of smoothing.

データは、スムージングのために更なる解析をされてもよいし、および/または、スムージングの更なる対象となってもよい。 Data may be further analyzed for smoothing, and / or may be a further object of smoothing. 補足スムージングは、データのスムージング増強、および/または、生データに対してスムージングされたデータのトラッキング改善のために、データ上で実行され得る。 Supplementary smoothing, the smoothing enhancement data, and / or for tracking improvements smoothed data to the raw data, may be performed on the data. 多数のフェーズの補足スムージングが考慮されることもあり、適切な場合は、適用されることもある。 Sometimes supplemented smoothing of multiple phases are taken into account, if appropriate, also applied it. 様々なフェーズは、独立の場合も、相互依存の場合も、補完的な場合もあり得る。 Various phases, even if independent, even if interdependent, there may be a case complementary. さらに、データは、補足スムージングが適切であるかどうかを判断するために解析されることもある。 Furthermore, data may be analyzed to determine whether supplementary smoothing is appropriate.

本実施形態において、データは、1つ以上の追加フェーズのスムージングを実行するかどうかを判断するために解析される。 In this embodiment, the data is analyzed to determine whether to perform a smoothing of one or more additional phases. 補足スムージングが適用され得るかどうかを判断するために、データは、任意の適切な基準に基づいて解析される(ステップ812)。 To determine whether supplemental smoothing may be applied, the data is analyzed based on any suitable criteria (step 812). 例えば、スムージングシステムは、複数の調整済みデータポイントと、先行するデータ用の生データポイントとを比較して、比較結果を生成するなどして、データのトレンドを同定する。 For example, the smoothing system compares the plurality of adjusted data points and raw data points for preceding data, and the like to produce a comparison result, to identify trends in the data. その比較結果は、先行する調整済みのデータの実質上全てが、対応する生データの実質上全てと、共通の関係(より小さい、より大きい、または、等しいなど)をシェアするかどうかに基づいて行われる。 As a comparison result, substantially all of the adjusted data preceding includes a substantially all of the corresponding raw data, a common relationship (less than, greater than, or equal to, etc.) based on whether to share It takes place.

本実施形態のスムージングシステムは、選択数P 個の生データポイントと、同数のスムージングされたデータポイントとを比較する。 Smoothing system of the present embodiment compares the selected number P 2 pieces raw data points, the same number of smoothed data points. 個の生データポイント全ての値が、対応するスムージングされたデータポイントを上回る(または等しい)場合、あるいは、生データポイント全てが、対応するスムージングされたデータポイントよりも小さい(または等しい)場合、スムージングシステムは、データがあるトレンドを示すと判断してよく、より近似してトラッキングされるべきでる。 P 2 pieces of raw data points all values, corresponding exceeds the smoothed data point (or equal to), or if all raw data points are less than the corresponding smoothed data points (or equivalent) if Bekideru, smoothing system may determine to indicate a trend that contains data, which is tracked more closely. したがって、その出現(occurrence)が記録され得る。 Therefore, its appearance (occurrence) may be recorded. そして、データに適用されたスムージングは、補足スムージングを適用することで、変化することがある。 Then, the smoothing applied to the data, by applying the supplemental smoothing may change. 一方、これら基準のいずれもが満たされない場合、現在スムージングされるデータポイントは、元々計算されたままであり、関連性ある補足データスムージングは、適用されない。 On the other hand, if neither of these criteria are not met, the data points that are currently smoothing, remains originally calculated, supplementary data smoothing is related does not apply.

本実施形態において、スムージングされたデータを生データと比較するための基準は、データにおけるトレンドを同定するために、選択される。 In the present embodiment, the reference for comparing the smoothed data as raw data, to identify trends in the data, is selected. そのトレンドに対して、スムージングされたデータは遅れることがある。 Against the trend, smoothed data may be delayed. したがって、ポイントP の数は、生データの変化するトレンドに対して、システムの感度をどこまで望むかによって、選択され得る。 Accordingly, the number of points P 2, to the trend of change in the raw data, depending wishes sensitivity of the system to where, may be selected.

補足スムージングは、データ解析に従って、スムージング全体の影響を変化させる。 Supplementary smoothing, according to the data analysis, changes the effect of the overall smoothing. データのスムージング、あるいは、データのトレンドトラッキングを、より効果的に行うために、いかなる適切な補足スムージングがデータに適用されてもよい。 Data smoothing or, a trend tracking data, in order to perform more effectively, any suitable supplementary smoothing may be applied to the data. 例えば、本実施形態において、データ解析が示すデータのトレンドが、より緊密にトラッキングされるべきことを示した場合、補足スムージングは、スムージングされたデータが生データをより緊密にトラッキングするように、最初に適用されたスムージングの度合いを低減するために適用される(ステップ814)。 For example, in the present embodiment, the trend of the data indicated by the data analysis, if it demonstrated to be be more closely tracked, supplemental smoothing, as smoothed data to track the raw data more closely, the first It is applied to reduce the degree of the applied smoothed (step 814).

本実施形態において、低減した度合いのスムージングを用いて、現在スムージングされるデータポイントに対する値を再計算することで、スムージングの度合いは低減する。 In the present embodiment, by using a smoothing degree of reduced, by recalculating the value for the data points that are currently smoothed, the degree of smoothing is reduced. より効率的なデータのトラッキング、あるいは、さもなくば、データ解析結果への応答のためには、いかなる適切なスムージングシステムが用いられてもよい。 More efficient data tracking, or else, for a response to the data analysis results may be any suitable smoothing system may be used. 本実施形態において、別の従来の指数関数スムージングプロセスが、より高い係数M を用いて、データに S =(R −S n−1 )*M +S n−1 In the present embodiment, another conventional exponential smoothing process, by using a higher coefficient M 2, S n = (R n -S n-1) to the data * M 2 + S n-1
が適用される。 There are applied.

係数M およびM は、生データにおける傾向がない場合(M )も、ある場合(M )も、その双方において、システムの所望の感度にしたがって選択され得る。 Coefficient M 1 and M 2, when there is no trend in the raw data (M 1) also, when there is (M 2) is also in both, may be selected according to the desired sensitivity of the system. 様々なアプリケーションでは、例えば、M の値は、M の値より高いことがある。 In various applications, for example, the value of M 1 may be higher than the value of M 2.

補足データスムージングは、また、追加のフェーズも含むことがある。 Supplementary data smoothing, also, it may also include additional phases. データスムージングの追加のフェーズは、追加のデータスムージングが適用されるべきかどうかを判断するために、何らかの方法で、データを同様に解析することがある。 Additional phases of data smoothing, in order to determine whether to add the data smoothing is applied, in some way, it may be similarly analyzed data. データスムージングのフェーズおよびタイプは任意の数だけ、データ解析に基づいて、適用されることも、考慮されることもある。 Phase and type of data smoothing any number, on the basis of the data analysis, applied it may also be considered.

例えば、本実施形態において、データは、ノイズ制御のために、解析され、潜在的にスムージングされ得る。 For example, in the present embodiment, the data is for noise control, is analyzed, it can potentially be smoothed. それは、スムージングされたデータの傾きまたはトレンドに基づく予測的プロセスを用いるなどして行われる。 It is carried out, such as using a predictive process based on the slope or trend of the smoothed data. スムージングシステムは、直線回帰、N点中心化(N−points centered)などのような任意の適切なプロセスによって、現在のデータポイントに先行してスムージングされた選択されたP 個のデータポイントに基づいて傾きを計算する(ステップ816)。 Smoothing system, linear regression, by any suitable process, such as N-point centering (N-points centered), prior to the current data point based on the smoothed selected P 3 data points calculating the slope Te (step 816). 本実施形態では、データスムージングシステムは、先行してスムージングされたP 個のデータポイントの傾きを確立するために「最小二乗適合(least squares fit through line)」プロセスを使用する。 In the present embodiment, the data smoothing system uses a preceding "least squares fit (least squares fit through line)" in order to establish the slope of the smoothed P 3 data points to process.

スムージングシステムは、計算された傾きから、現在スムージングされるデータポイントの値を予測する。 Smoothing system, from the calculated slope, predicts the value of data points that are currently smoothed. 次いで、システムは、現在スムージングされるデータポイント(S )に対する以前の計算値と、現在スムージングされるデータポイントに対する予測値との間の差を範囲数(range number)(R )と比較する(ステップ818)。 Then, the system compares the previous calculated values for data points that are currently smoothed (S n), number range the difference between the predicted value for the data points that are currently smoothed and (range number) (R 3) (step 818). その差が範囲R より大きい場合、出現が記録され、現在スムージングされるデータポイントは調整されない。 If the difference is greater than the range R 3, the appearance is recorded, the data points that are currently smoothed is not adjusted. その差が範囲R の範囲内である場合、現在スムージングされるデータポイントは、計算された現在スムージングされるデータポイント(S )と現在スムージングされるデータポイントに対する予測値(S n−pred )との間の差に、第三の乗数M を乗じ、さらに、現在スムージングされるデータポイントの当初の値を加えたものに等しくなるように設定される(ステップ820)。 If the difference is within the range R 3, data points that are currently smoothing the calculated current smoothed by the data point (S n) and the predicted value for the data points that are currently smoothed (S n-pred) the difference between, multiplied by a third multiplier M 3, and is further set to be equal to plus the initial value of the data point that is currently smoothed (step 820). その式は S =(S n−pred −S )*M +S The expression is S n = (S n-pred -S n) * M 3 + S n
である。 It is.

このように、現在スムージングされるデータポイントは、当初スムージングされたデータポイントと予測されたスムージングデータポイントとの間の修正された差にしたがって、設定される。 Thus, the data points that are currently smoothed in accordance modified difference between the smoothed data point and the predicted smoothed data point initially set. しかし、(M が1未満の場合、)ある特定量だけ低減される。 However, (when M 3 is less than 1) is reduced by a certain amount. 予測的なスムージングを適用することは、信号の比較的フラットな(あるいは、トレンドのない)部分のポイントツーポイントのノイズ感度を低減する傾向がある。 Applying a predictive smoothing tends to reduce the relatively flat (or no trend) noise sensitivity of the partial point-to-point signal. スムージングされたデータポイントへの予測的スムージングプロセスは適用が限られるため、傾きに基づいて計算された平均は、生データに有意な変化が出現するとき、すなわち、生データ信号が比較的フラットでないとき、スムージングされたデータに影響を与えないことが保証される。 Since the predictive smoothing process to the smoothed data points applied is limited, the average calculated based on the inclination, when a significant change appears in the raw data, i.e., when the raw data signal is not relatively flat , it is ensured that does not affect the smoothed data.

補足データ解析エレメント206は、テスタデータ( テスタデータ、スムージングされたテスタデータ、あるいは、さもなくば、フィルタリングされたデータまたはプロセスされたデータを含む)の任意の適切な解析を実行し得る。 Supplementary data analysis element 206, the tester data (raw tester data, smoothed tester data, or else, including filtered data or process data) may perform any appropriate analysis. 例えば、補足データ解析エレメント206は、欠陥、警告、テール閾値(tail threshold)を検出する的確な技術を選んで、分布の性質に関する情報を抽出するために、テスタデータをフィルタリングし得る。 For example, the supplementary data analysis element 206, defect, warning, choose the correct technique for detecting tail threshold (tail threshold The), to extract information about the nature of the distribution can filter the tester data. 補足データ解析エレメント206は、出力テストデータに対し、統計的プロセス管理(SPC)計算および解析を行ってもよい。 Supplementary data analysis element 206, to the output test data, statistical process control (SPC) may be carried out calculations and analysis. より特定的には、図4A〜Cを再度参照して、補足データ解析エレメント206は、特定のコンポーネント、テストおよび/またはセクションに対し、所望の統計を計算し、格納してもよい。 More specifically, with reference to FIG. 4A~C again, the supplementary data analysis element 206, certain components, to test and / or sections, it computes the desired statistical, may be stored. (ステップ430)。 (Step 430). その統計は、オペレータまたはテストシステム100に有用な任意の統計(例えば、平均、標準偏差、最小、最大、合計、カウント数、Cp、Cpk、または、任意の他の適切な統計を含み得るSPCデータ)を含み得る。 Its statistics, the operator or the test system 100 of any useful statistics (e.g., mean, standard deviation, minimum, maximum, sum, count, Cp, SPC data, which may include Cpk, or any other appropriate statistical ) may include.

補足データ解析エレメント206は、また、データにおけるトレンドおよび異常を、動的かつ自動的に同定するためにシグネチャ解析を適切に実行する(ステップ442)。 Supplementary data analysis element 206 may also trends and anomalies in the data, properly executes the signature analysis to dynamically and automatically identify (step 442). 例えば、セクションにしたがって、そのセクションに対するテスト結果および/または履歴データのような他のデータの組み合わせに基づいて、実行する。 For example, according to section, based on a combination of other data such as test results and / or historical data for that section, to run. シグネチャ解析は、テストデータなどの任意の適切なデータあるいは欠陥の同定に基づいて、シグネチャを同定し、オペレータによって適切に構成された重み付けシステムを適用する。 Signature analysis is based on the identification of any suitable data or defects, such as test data to identify a signature, to apply an appropriately configured weighted system by the operator. シグネチャ解析は、ウェハーまたは製造プロセスにおける問題エリアや他の特徴に対応し得るトレンドや異常を累積的に分類し得る。 Signature analysis may cumulatively classify trends and anomalies that may correspond to problem areas or other features in a wafer or the fabrication process. シグネチャ解析は、ノイズピーク、波形変動、モードシフト、および、ノイズなどの任意の所望のシグネチャのために行われ得る。 Signature analysis, noise peaks, waveform variations, mode shifts, and can be performed for any desired signatures, such as noise. 本実施形態では、コンピュータ108は、所望のセクションそれぞれにおける所望のテストそれぞれに対し、出力テストデータに関するシグネチャ解析を適切に行う。 In this embodiment, computer 108, for each desired test in each desired section appropriately perform signature analysis on the output test data.

本実施形態において、シグネチャ解析プロセスは、スムージングプロセスとともに行われ得る。 In the present embodiment, signature analysis process may be performed with the smoothing process. スムージングプロセスはテスタデータを解析するので、データにおけるトレンドまたは異常を示す解析の結果は、オペレータおよび/またはテストエンジニアに有意であり得るデータにおける変化あるいは外れ値を表示するように格納される。 Since the smoothing process analyzes the tester data, results of the analysis indicating a trend or anomaly in the data are stored so as to display the change or outliers in the data that may be significant to the operator and / or test engineer. 例えば、スムージングプロセスにおけるデータセットの比較によって、トレンドが表示される場合、トレンドの出現は、記録され、格納され得る。 For example, by comparison of the data set in the smoothing process, if the trend is displayed, the appearance of the trend is recorded, it may be stored. 同様に、データポイントがデータスムージングプロセスの閾値T を超える場合、その出現が、後の解析および/または出力レポートの算入のために記録され格納され得る。 Similarly, if the data point exceeds the threshold value T 1 of the data smoothing process, the occurrence can be recorded stored for inclusion of analysis and / or output reports after. 代替的に、スムージングプロセスは、省略され得る。 Alternatively, the smoothing process may be omitted.

例えば、図6A〜Bを参照すると、シグネチャ解析プロセス600は、最初に、特定のセクションおよびテストに対応するテストデータおよび管理限界の特定のセットに対して、カウントを計算し得る(ステップ602)。 For example, referring to FIG. 6A-B, a signature analysis process 600 initially for a particular set of test data and control limits corresponding to a particular section and test can be calculated counting (step 602). 次いで、シグネチャ解析プロセスは、適切なシグネチャ解析アルゴリズムをデータポイントに適用する(ステップ604)。 Then, signature analysis process, apply the appropriate signature analysis algorithm to the data points (step 604). シグネチャ解析が、所望のシグネチャアルゴリズムのそれぞれについて行われ、次いで、解析されるべき各テストおよび各セクションに行われる。 Signature analysis is performed for each desired signature algorithm, and then, performed for each test and each section to be analyzed. シグネチャ解析によって同定されたエラー、トレンド結果、および、シグネチャ結果も格納される(ステップ606)。 Errors identified by the signature analysis, trend results, and also stored signature result (step 606). このプロセスは、各シグネチャアルゴリズム(ステップ608)、テスト(ステップ610)、および、セクション(ステップ612)について繰り返される。 This process, each signature algorithm (step 608), test (step 610), and are repeated for the sections (step 612). 完了すると、補足データ解析エレメント206が、エラー(ステップ614)、トレンド結果(ステップ616)、シグネチャ結果(ステップ618)、および、任意の他の所望のデータを、ストレージシステムに記録する。 Upon completion, the supplementary data analysis element 206, an error (step 614), trend results (step 616), signature results (step 618), and any other desired data, is recorded in the storage system.

補足解析によって同定された外れ値および他の重要なデータのような各関連データポイントを同定するとすぐに、各関連データポイントは、関連特性を同定する値と結び付けられ得る(ステップ444)。 Supplemental outliers identified by analysis and as soon as the identification of each relevant data point, such as other important data, each relevant data point may be combined with the value of identifying the relevant characteristics (step 444). 例えば、各関連コンポーネントまたはデータポイントは、十六進数で適切に表され、そのデータポイントに関する補足解析の結果に対応する一連の値と結び付けられ得る。 For example, each relevant components or data point is suitably represented by the hexadecimal, it may be linked to a set of values ​​corresponding to the result of the supplementary analysis relating to the data points. 各値は、特定の特性のフラグまたは他のデジネータ(designator)として動作し得る。 Each value may operate as a flag or other Dejineta specific characteristics (designator). 例えば、特定のデータポイントが、特定のテストに完全に失敗した場合、対応する十六進数の値に第一のフラグが設定され得る。 For example, a particular data point is, when completely failed certain tests may first flag has been set to the value of the corresponding hexadecimal. 特定のデータポイントが、データにおけるトレンドの始まりであれば、他のフラグが設定され得る。 Particular data point is, if the beginning of the trend in the data, other flags can be set. 十六進数の他の値は、データにおけるトレンドの継続期間のようなトレンドに関する情報を含み得る。 Other values ​​of hexadecimal may include information about the trend, such as the duration of the trend in the data.

また、補足データ解析エレメント206は、データを分類し、関連付けするようにも構成され得る(ステップ446)。 Further, the supplementary data analysis element 206 may classify the data, it may also be configured to associate (step 446). 例えば、補足データ解析エレメント206は、欠陥、外れ値、トレンド、および、データの他のフィーチャを同定するために、データポイントと結び付いた十六進数の情報を利用し得る。 For example, the supplementary data analysis element 206, defect, outliers, trends, and to identify other features of the data may utilize hexadecimal information associated with the data points. 補足データ解析エレメント206は、従来のデータに対する相関技術を適切に適用して、例えば、潜在的に冗長なテストあるいは関連するテストを同定する。 Supplementary data analysis element 206 suitably apply correlation techniques with respect to conventional data, for example, to identify potentially redundant tests or associated test.

コンピュータ108は、生成した統計値、および、自動的に同定かつ分類する外れ値のような出力テストデータに対し、追加解析機能を実行し得る(ステップ432)。 Computer 108 generates statistical value, and, on the output test data as outliers for automatically identifying and classifying may perform additional analysis functions (step 432). 選択されたアルゴリズムに従って、各関連データを解析すると、外れ値が適切に同定される。 In accordance with the selected algorithm and analyzes each associated data, outliers are properly identified. 特定のアルゴリズムが、データセットに対し、不適切であるなら、補足データ解析エレメント206は、自動的に解析を中止し、異なるアルゴリズムを選択するように、構成され得る。 Specific algorithms for the data set, if it is inadequate, supplementary data analysis element 206 stops the automatic analysis, to select a different algorithm may be configured.

補足データ解析エレメント206は、選択値との比較によって、および/または、データスムージングまたはフィルタリングプロセスのデータ処理に従ってなど、外れ値を指定する任意の適切な方法で動作され得る。 Supplementary data analysis element 206, by comparison with a selected value, and / or, such as in accordance with the data processing of data smoothing or filtering process may be operated in any suitable way to specify the outliers. 例えば、本発明の様々な局面に従う外れ値同定エレメントは、各関連データに対し選択された統計的関係に基づく外れ値に対する自身の感度を、最初に自動的にキャリブレーションする(ステップ434)。 For example, the outlier identification element according to various aspects of the invention, its sensitivity to outliers based on statistical relationships chosen for each relevant data initially automatically calibrate (step 434). これら統計的関係の幾つかは、相対的な外れ値の閾値限界を定義するために、次いで、閾値、あるいは、他の基準ポイントであるデータモード、平均値または中央値、もしくは、これらの組み合わせと比較される。 Some of these statistical relationships to define a threshold limit relative outlier, then the threshold value, or data mode is another reference point, the average or median, or a combination thereof It is compared. 本実施形態において、異なる外れ値の振幅を定義するために、統計的関係は、データの標準偏差の1倍、2倍、3倍および6倍によって、スケーリングされる(ステップ436)。 In the present embodiment, in order to define the amplitude of the different outlier statistical relationship is one standard deviation of the data, two times, by 3-fold and 6-fold, are scaled (step 436). 出力テストデータは、次いで、出力テストデータを外れ値として同定し、分類するために、外れ値の閾値限界と比較され得る(ステップ438)。 The output test data may then identify the output test data as outliers, to classify it may be compared with a threshold limit of outliers (step 438).

補足データ解析エレメント206は、メモリおよび識別子(例えば、任意のそのような統計および外れ値と結び付けられるxyウェハーマップ座標)に、結果として得られた統計値および外れ値を格納する(ステップ440)。 Supplementary data analysis element 206, memory and identifier (e.g., xy wafer map coordinates coupled with any such statistics and outliers), stores the resulting statistics and outliers (step 440). 選択された統計値、外れ値、および/または、欠陥は、また、通知イベント(例えば、オペレータへの電子メッセージ送信、ライトタワーのトリガ、テスタ102の停止、または、サーバへの通知)をトリガし得る。 Selected statistics, outliers, and / or defects may also notification event (e.g., electronic message transmission to the operator, light tower of the trigger, stopping the tester 102, or notifying the server) to trigger the obtain.

本実施形態において、補足データ解析エレメント206は、スケーリングエレメント210および外れ値分類エレメント212を含む。 In the present embodiment, the supplementary data analysis element 206 includes a scaling element 210 and an outlier classification element 212. スケーリングエレメント210は、出力テストデータに従って、選択された係数および他の値を、ダイナミックにスケーリングするように構成される。 Scaling element 210, according to the output test data, the selected coefficients and other values, configured to scale dynamically. 外れ値分類エレメント212は、選択されたアルゴリズムに従って、データの様々な外れ値を同定および/または分類するように構成される。 The outlier classification element 212, according to the selected algorithm, configured to identify and / or classify the various outliers in the data.

より特定的には、本実施形態のスケーリングエレメントは、外れ値感度をダイナミックにスケーリングするため、および、ノイズフィルタリング感度に対する係数をスムージングするため、様々な統計学的関係を適切に使用する。 More particularly, the scaling element of the present embodiment, for scaling outlier sensitivity dynamically, and, for smoothing coefficients for noise filtering sensitivity, proper use of various statistical relationship. スケーリング係数は、スケーリングエレメントによって適切に計算され、選択された外れ値感度の値およびスムージング係数を修正するために使用される。 Scaling coefficients are suitably calculated by the scaling element and used to modify the values ​​and smoothing coefficients of the selected outlier sensitivity. 適切な統計学的関係のような任意の適切な基準が、スケーリングに使用されてもよい。 Any suitable criteria, such as suitable statistical relationships, may be used to scale. 代替的に、スケーリングがプロセスから省略されてもよい。 Alternatively, the scaling may be omitted from the process.

外れ値分類エレメント212は、コンポーネント106における外れ値、出力テストデータ、および/または、任意の適切なアルゴリズムによる解析結果を同定および/または分類するために、適切に構成される。 The outlier classification element 212, outliers in the components 106, output test data, and / or, in order to identify and / or classify the analysis result of any suitable algorithm, suitably configured. 追加として、外れ値分類エレメント212は、候補となる外れ値同定アルゴリズムを多数利用し、出力テストデータの中から、外れ値を同定するのに適した1つ以上のアルゴリズムを同定するように構成され得る。 Additionally, the outlier classification element 212 utilizes a number of outlier identification algorithm as a candidate, out of the output test data, is configured to identify one or more algorithms that are suitable for identifying outliers obtain. あるテストに対し適応する外れ値同定アルゴリズムが、他のテストには適応しないこともあるように、テストが異なれば、生成する集団分布も異なる。 Outlier identification algorithm to adapt to certain tests, as in the other tests may not adapt, different tests, different also generate populations distribution. 外れ値分類エレメント212は、異なるデータ集団間の違いを認識し、現データのデータ集団タイプに基づき、1つ以上の外れ値同定アルゴリズムを自動的に選択するように、適切に構成される。 The outlier classification element 212 recognizes the difference between the different data groups, based on the data population type of the current data, to automatically select one or more outlier identification algorithm, suitably configured. 自動選択は、候補となる外れ値同定アルゴリズムの任意の適切なセットから選択し得るし、また、任意の適切な基準および解析に従って選択を実行し得る。 Automatic selection, to be selected from any suitable set of outlier identification algorithm as a candidate, also may perform the selection according to any suitable criteria and analysis.

例えば、図30を参照すると、外れ値分類エレメント212は、外れ値同定アルゴリズム選択プロセスを自動的に実行するように構成され得る。 For example, referring to FIG. 30, the outlier classification element 212 may be configured to automatically perform the outlier identification algorithm selection process. 外れ値分類エレメント212は、プリプロセッシングエンジン3010および分類エンジン3012を適切に備える。 The outlier classification element 212 is suitably provided with a pre-processing engine 3010 and classification engine 3012. プリプロセッシングエンジン3010は、関連外れ値同定アルゴリズムの選択を容易にするため、適切にデータを生成する。 Preprocessing engine 3010 to facilitate the selection of relevant outlier identification algorithm, it generates the appropriate data. 分類エンジン3012は、1つ以上の関連外れ値同定アルゴリズムを適切に選択し、それに従って、外れ値を同定する。 Classification engine 3012, one or more associated outlier identification algorithm chosen appropriately, accordingly, to identify outliers.

例えば、ある特定のテストから得られたデータのような出力テストデータは、様々な候補となる外れ値同定アルゴリズムとの互換性ある出力テストデータを解析するために、最初は、外れ値分類エレメント212に提供される。 For example, some output test data, such as data obtained from a particular test, to analyze the output test data is compatible with outlier identification algorithm The various candidates, initially, the outlier classification element 212 It is provided to. データは、出力テストデータの中の外れ値を同定するために、適切なアルゴリズムを同定するために、適切な方法で解析され得る。 Data in order to identify outliers in the output test data, in order to identify an appropriate algorithm can be analyzed in an appropriate manner. 例えば、本実施形態においては、プリプロセッシングエンジン3010は、出力テストデータを受け取り、メモリに格納された外れ値同定アルゴリズムライブラリから利用可能な外れ値同定アルゴリズムを取り出すなどして、利用可能な外れ値同定アルゴリズムを準備する。 For example, in the present embodiment, pre-processing engine 3010 receives the output test data, and the like taken out outlier identification algorithm available from the stored outlier identification algorithm library in memory, available outlier identification Preparing the algorithm. プリプロセッシングエンジン3010は、利用可能なアルゴリズムの幾つかを用いて、外れ値のために、出力テストデータを解析する。 Preprocessing engine 3010, using several available algorithms for outlier analyzes the output test data. 本実施形態において、プリプロセッシングエンジン3010は、プリプロセッシングデータ(例えば、全てのアルゴリズムによって同定された外れ値、ならびに、最小値、最大値、平均値、中央値、標準偏差、CPK、CPMなどの様々な記述的統計値)を生成するために、ユーザまたは他の適切なアルゴリズム選択によって指定されたアルゴリズムのそれぞれを使用して、出力テストデータを解析する。 In this embodiment, pre-processing engine 3010, pre-processing the data (e.g., outliers identified by all the algorithms, as well as minimum, maximum, mean, median, standard deviation, CPK, various such CPM to generate the Do descriptive statistics), using each of the specified algorithm by the user or other suitable algorithm selected to analyze the output test data.

アルゴリズムは、工業標準(例えば、IQR、中央値±N×σなど)および/または独自開発、カスタム、あるいは、ユーザ定義の外れ値同定技術に基づき得る。 Algorithm, an industry standard (e.g., IQR, median ± N × sigma, etc.) and / or proprietary, custom, or may be based on user-defined outlier identification techniques. 外れ値同定アルゴリズムライブラリは、ユーザによって、例えば、テスト中の特定の製品、あるいは、実行されるべきテスト特性に従い、例えば、外れ値同定アルゴリズムの追加、除去または編集ができるように、適切に構成され得る。 Outlier identification algorithm library, the user, for example, a particular product under test or, in accordance with the test properties to be performed, for example, additional outlier identification algorithms, so that it can be removed or edited, properly configured obtain. 異なるアルゴリズムは、正規、対数正規、双峰、クランプまたは低CPKのデータ集団など異なる統計的集団タイプに適合し得る。 Different algorithms, normal, lognormal, bimodal, can be adapted to different statistical population types, such as data population of clamps or low CPK. 候補となる外れ値同定アルゴリズムは、データの様々なタイプと分布に対し、任意の適切なアルゴリズムを備え得る。 Outlier identification algorithm which is a candidate for various types and distribution of data, can comprise any suitable algorithm. それらは、四分位範囲(IQR)正規分布、3σ;IQR正規分布、6σ;IQR対数正規、3σ;IQR対数正規、6σ;双峰アルゴリズム;クランプアルゴリズム;低容量アルゴリズム;3σ、6σまたはnσに基づくカスタムアルゴリズム;および、様々な感度を有する独自開発アルゴリズムのようなアルゴリズムである。 They interquartile range (IQR) normal distribution, 3 [sigma]; IQR normal distribution, 6 [sigma; IQR lognormal, 3 [sigma]; IQR lognormal, 6 [sigma; bimodal algorithm; clamp algorithm; low capacity algorithm; 3 [sigma], the 6 [sigma or nσ based custom algorithm; and, an algorithm such as a proprietary algorithm with different sensitivities. プリプロセッシングエンジン3010は、また、出力テストデータに関連する特徴を生成するテストデータを解析し得る。 Preprocessing engine 3010 also may analyze the test data to generate the characteristics associated with the output test data. 例えば、プリプロセッシングエンジン3010は、出力テストデータの様々な統計学的特性を計算し得る。 For example, pre-processing engine 3010 may compute various statistical characteristics of the output test data.

プリプロセッシングアルゴリズムの結果は、外れ値検出のために、ダイナミックに選択される。 Results of the pre-processing algorithm, for outlier detection is selected dynamically. 本実施形態において、外れ値分類エレメント212は、最も有用性または適用性の高い外れ値同定アルゴリズムを同定するために、テスト結果を解析する。 In this embodiment, the outlier classification element 212, in order to identify the most useful or high applicability outlier identification algorithm to analyze the test results. 選択された外れ値同定アルゴリズムからのデータは、残っているデータが処分されるまで、保持され得る。 Data from the selected outlier identification algorithm until the remaining data is disposed of, may be retained. 例えば、本実施形態において、分類エンジン3012は、利用可能な外れ値同定アルゴリズムのそれぞれによって生成したプリプロセッシング解析の結果を受け取る。 For example, in the present embodiment, the classification engine 3012 receives the result of the pre-processing analysis generated by each of the available outlier identification algorithm. 分類エンジン3012は、所定のルールおよび/またはユーザ定義レシピ駆動のルールのような任意の適切な基準に従って、プリプロセッシングデータを解析する。 Classification engine 3012, according to any suitable criteria, such as predefined rules and / or user-defined recipe driving rules, analyzes the preprocessing data. これは、プリプロセッシングデータが様々な基準を満足することかどうかを判断するためである。 This is to determine whether it preprocessing data satisfies various criteria.

ルールは、任意の適切なルールであり得る。 Rules, may be any suitable rules. 例えば、最小値、最大値、平均値、中央値、標準偏差、CPKおよびCPMのような統計値を様々な閾値または他の基準と比較するなど、統計比または統計値を用いるものである。 For example, minimum, maximum, mean, median, standard deviation, etc. compared to various thresholds or other criteria statistics such as CPK and CPM, is to use a statistical ratio or statistics. 例えば、分類エンジン3012は、テスト結果があまりにも少ない場合、テスト結果の間が非常に狭い分布か双峰分布の場合など状況によっては、外れ値検出プロセスをスキップし得る。 For example, the classification engine 3012, if the test result is small too, in some circumstances such as when during the test result is a very narrow distribution or bimodal, may skip the outlier detection process. ルールは、ユーザによって、製品およびテスト環境の特定の条件に順応するために、事前選択され得るし、および/または、調整または付加され得る。 Rule, by the user, in order to adapt to specific conditions of products and test environment to be pre-selected, and / or can be adjusted or added. さらに、分類エンジン3012は、あるタイプのテストに、特定のアルゴリズムを適用するように構成され得る。 Furthermore, the classification engine 3012, a test of a certain type can be configured to apply a specific algorithm. 例えば、テストの結果がある特定の結果を有すると知られているときなどである。 For example, a time known to have the results the results of the test is given. 他のルールは、特定のテストが適用可能かどうかを判断し得る。 Other rules may determine whether a particular test can be applied. 例えば、分類エンジン3012は、CPKを閾値と比較し得る。 For example, the classification engine 3012 may compare a threshold value CPK. CPKが閾値未満である場合、IQR正規の外れ値同定アルゴリズムが使用され得る。 If CPK is less than the threshold, outlier identification algorithm IQR normalization may be used. 本システムにおいて、ルールを満足するアルゴリズムからの結果は、外れ値同定のために、使用される。 In this system, the results from the algorithm that satisfies the rule, for outlier identification, is used. そのテストの他のアルゴリズム結果は、適切に無視される。 The other algorithms result of the test is properly ignored.

外れ値分類エレメント212は、また、テスト出力テスト結果、および、補足データ解析エレメント206によって生成した情報に従って、選択された外れ値とコンポーネント106を同定し、解析し得る。 The outlier classification element 212 may also test output test results, and, according to information generated by the supplementary data analysis element 206, to identify outliers and components 106 that is selected, may be analyzed. 例えば、外れ値分類エレメント212は、コンポーネント106をクリティカル部/マージナル部/良好部のカテゴリに分類するために、適切に構成される。 For example, the outlier classification element 212, in order to classify the components 106 into categories of a critical portion / marginal portion / good part, suitably configured. この構成は、例えば、ユーザ定義基準、ユーザ定義の良/不良の空間パターン認識、テスタデータ圧縮に関連するデータの分類、テスト設定のインサイチュ感度認定および解析、テスターイールド(tester yield)平準化解析、ダイナミックなウェハーマップおよび/またはパーツ配置用テストストリップマッピング、ならびに、ダイナミックな再テスト、あるいは、テストプログラム最適化解析と一緒になされる。 This configuration, for example, user-defined criteria, spatial pattern recognition user-defined good / bad classification of the data relating to the tester data compression situ sensitivity certification and analysis of the test set, the tester yield (tester yield) leveling analysis, dynamic wafer map and / or test strip mapping for part placement, as well as dynamic retest, or made with the test program optimization analyzes. 外れ値分類エレメント212は、データを特徴付けるために、ウェスタンエレクトリック(Western Electric)ルールまたはネルソン(Nelson)ルールのような従来のSPC管理ルールにしたがって、データを分類し得る。 The outlier classification element 212, to characterize the data according to Western Electric (Western Electric) rule or Nelson (Nelson) conventional SPC management rules, such as rules, may classify the data.

外れ値分類エレメント212は、分類限界計算方法の選択されたセットを使用して、適切にデータを分類する。 The outlier classification element 212, using a selected set of classification limit calculation methods, to classify the data appropriately. 任意の適切な分類方法が、オペレータのニーズに従って、データを特徴付けるために使用され得る。 Any appropriate classification methods, according to the needs of the operator, may be used to characterize the data. 本外れ値分類エレメント212は、例えば、出力テストデータを選択された閾値と比較して、外れ値を分類する。 The present outlier classification element 212, for example, as compared to the selected output test data threshold, classifies outliers. その選択された閾値は、例えば、データ平均値、モードおよび/または中央値のような閾値から統計学的にスケールされた標準偏差の1倍、2倍、3倍および6倍に対応する値のような閾値である。 The selected threshold, for example, the data average, one-fold threshold from statistically scaled standard deviations, such as mode and / or median, of 2-fold, a value corresponding to the 3-fold and 6-fold is a threshold value, such as. このような方法による外れ値の同定は、データ振幅または相対的ノイズとは無関係に、任意のテストにおいて同定された外れ値のいずれをも規格化する傾向がある。 Identification of outliers by such method, regardless of the data amplitude or relative noise tends to normalize any of identified outliers in any test.

外れ値分類エレメント212は、規格化された外れ値および/またはユーザ定義のルールに基づく生データポイントを解析し、相関付けする。 The outlier classification element 212 analyzes the raw data points based on standardized outliers and / or user-defined rules, correlating. そのルールは、パーツおよび/またはパターン分類に関する任意の適切な技術を含み得る。 The rule may include any suitable technology related parts and / or pattern classification. 補足データ解析エレメント206は、補足データ解析エレメント206によって生成された出力テストデータおよび情報の追加解析を実行するように構成され得る。 Supplementary data analysis element 206 may be configured to perform additional analysis of the output test data and information generated by the supplementary data analysis element 206. 例えば、補足データ解析エレメント206は、欠陥または外れ値の頻度が高いテストを同定し得る。 For example, the supplementary data analysis element 206 may identify a high test frequency of defects or outliers. それは、外れ値、欠陥、あるいは、特定の分類における欠陥の総数または平均数を1つ以上の閾値の値と比較するなどによってである。 It outliers, defects, or is such as by comparing the total number or average number of defects in a specific classification value of one or more thresholds.

また、補足データ解析エレメント206は、トレンドの類比を同定するため、異なるテストからのデータを相関付けるようにも構成され得る。 Further, the supplementary data analysis element 206, for identifying analogy trend can also be configured to correlate data from different tests. その類比同定は、例えば、累積的カウントの比較、外れ値、および/または、ウェハーまたは他のデータセット間での外れ値を相関付けによって行われる。 Its analogy identification, for example, comparison of the cumulative count, outliers, and / or carried out by correlation outliers between wafers or other data sets. また、補足データ解析エレメント206は、ウェハー上の潜在的なクリティカル部および/またはマージナル部および/または良好部を同定および/または分類するために、異なるテストからのデータを解析および関連付けし得る。 Further, the supplementary data analysis element 206, in order to identify and / or classify potential critical and / or the marginal portion and / or good parts on the wafer, may be analyzed and correlated data from different tests. また、補足データ解析エレメント206は、ダイナミックなテスト時間短縮を目的として、一連のウェハー上におけるユーザ定義の良好パターンおよび/または不良パターンを同定するために、異なるテストからのデータを解析および関連付けし得る。 Further, the supplementary data analysis element 206, for the purpose of shortening dynamic test time, in order to identify good pattern and / or failure patterns of a user-defined on a series of wafers, may be analyzed and correlated data from different tests .

また、補足データ解析エレメント206は、テストデータのメモリ内へのダイナミックな圧縮を目的として、ユーザ定義の関連生データを同定するために、異なるテストからのデータを解析および相関付けするために、適切に構成される。 Further, the supplementary data analysis element 206, for the purpose of dynamic compression into the test data memory, in order to identify the relevant raw data of the user-defined, to give analysis and correlate data from different tests, appropriate configured. また、補足データ解析エレメント206は、テストノードのインサイチュ設定の認定および感度解析のために、統計学的異常およびテストデータ結果を解析および相関付けし得る。 Further, the supplementary data analysis element 206, for certification and sensitivity analysis in situ setting of the test node can attach analyze and correlate statistical anomalies and test data results. さらに、補足データ解析エレメント206は、テストノードイールド平準化(test node yield leveling)解析に寄与し得る。 Further, the supplementary data analysis element 206 may contribute to test node yield leveling (test node yield leveling) analysis. それは、例えば、特定のテストノードが、不適切なキャリブレーションをされていないか、さもなくば、不適切な結果を生成していないかを同定することによって行われる。 It may, for example, a particular test node is either not an incorrect calibration, otherwise, is carried out by identifying or not generate incorrect results. さらに、補足データ解析エレメント206は、テストプログラムの最適化の目的で、解析および相関付けし得る。 Further, the supplementary data analysis element 206, in the optimization of the test program object may attach analysis and correlation. この最適化には、相互関連する結果と外れ値解析を使用して、解析に使用する追加データを提供する冗長性テストの自動同定を含むが、これに限定されない。 This optimization uses the correlative results and outlier analysis, including automatic identification of redundant tests provide additional data to be used for analysis, but is not limited thereto. また、補足データ解析エレメント206は、例えば、規則正しく不具合の生じるテスト、ほとんど不具合の生じるテスト、ほとんど不具合の生じないテスト、および/または、非常に低Cpkを示すテストなどを同定することで、クリティカルなテストを同定するために、適切に構成される。 Further, the supplementary data analysis element 206 may, for example, test results of regularly malfunction, almost problem of resulting test, the test does not cause little problem, and / or, very possible to identify and test showing a low Cpk, critical to identify a test, suitably configured.

また、補足データ解析は、まれにしか不具合の生じないテスト、または、全く不具合の生じないテスト、あるいは、外れ値の全く検出されないようなテストにおいて、テストサンプリング候補の同定をも提供し得る。 Also, supplementary data analysis, the test does not cause rare only defect, or test does not cause at all trouble or, in a test that can not be detected at all of the outliers may also provide identification of test sampling candidates. また、補足データ解析エレメント206は、同定された外れ値および/または他の統計的異常の解析および相関付け、欠陥の数、クリティカルなテスト、最長/最短のテスト、あるいは、テストの欠陥と関連する基本的な機能課題と組み合わせ、従来式の関連付け技術のような関連付け技術に基づき、最適次元のテストシークエンスの同定も提供し得る。 Further, the supplementary data analysis element 206 analyzes and correlation of identified outliers and / or other statistical anomalies, number of defects, critical tests, longest / shortest tests, or associated with defects in the test basic functionality issues combined, based on the association technique such as conventional association technique may also provide identification of the optimum dimensions of the test sequence.

また、補足データ解析は、レシピ構成ファイルの感度パラメータによって定義されるように、クリティカル部、マージナル部、および、良好部の同定も提供し得る。 Also, supplementary data analysis, as defined by sensitivity parameters in a recipe configuration file, the critical portion, marginal portion, and may also provide identification of good part. パーツの同定は、信頼性リスクを示し得るパーツのパッケージング前および/または出荷前の処理/分類、および/または、ウェハープローブ中の不良パーツと良好パーツのダイナミックなプローブマッピングによるテスト時間短縮を提供し得る。 Identification of parts, provides reliable risk before packaging of parts capable of exhibiting and / or shipping prior to treatment / classification, and / or, the test time reduction by the dynamic probe mapping of bad parts and good parts during wafer probe It can be. これらパーツの同定は、任意の適切な方法で、例えば、良好パーツおよび不良パーツとして、ダイナミックに生成するプローバ制御のマップに(ダイナミックマッピング用)、オフラインの印刷機器で使用されるウェハーマップに、最終テストにおけるストリップテスト用のテストストリップマップに、結果ファイルに、および/または、データベースの結果表に、表示および出力され得る。 Identification of these parts, in any suitable manner, for example, as a good part and bad parts, the map of the prober control for dynamically generated (for dynamic mapping), a wafer map used for offline printing equipment, final to the test strip map for strip testing in the test, the results file, and / or, in the result table of the database can be displayed and output.

セル制御装置レベルで補足データ解析を行うと、プローブにおける品質管理が向上する傾向があり、それゆえ、最終テスト歩留まりも向上する傾向がある。 When the cell controller level a supplementary data analysis, tends to increase quality control at the probe, therefore, the final test yield also tends to increase. 追加的に、品質課題も、製品のランライム後でなく、ランタイム中に同定され得る。 Additionally, quality challenges, rather than after Ranraimu product may be identified during runtime. さらに、補足データ解析およびシグネチャ解析は、外れ値を同定することで、下行程およびオフライン解析ツールに、ならびに、テストエンジニアまたは他のスタッフに、提供されるデータ品質も向上する傾向がある。 Moreover, supplemental data analysis and signature analysis, by identifying outliers, the lower stroke and offline analysis tools, as well, a test engineer or other staff tends to improved data quality to be provided. 例えば、コンピュータ108は、シグネチャ解析を受けるコンポーネントのグループを同定するウェハーマップに、生産プロセスにおける不良(fault)を示す。 For example, computer 108, a wafer map identifying a group of components undergoing signature analysis shows bad (fault) in the production process. このように、シグネチャ解析システムは、従来のテスト解析を使用しても検出され得ない潜在的な欠陥品を同定し得る。 Thus, the signature analysis system may identify conventional test analysis can not be detected using the potential defective.

ここで、図10を参照すると、半導体デバイスのアレイがウェハー上に位置されている。 Referring now to FIG. 10, an array of semiconductor devices are positioned on the wafer. このウェハーにおいて、半導体デバイスにおける抵抗コンポーネントの一般的な抵抗率は、ウェハーのいたる所で異なる。 In this wafer, the general resistivity of resistor components in the semiconductor device is different throughout the wafer. その理由は、例えば、そのウェハーの材料や処理が不均等になされたためである。 The reason is, for example, because the material and processing of the wafer is made unevenly. 任意の特定のコンポーネントの抵抗は、しかしながら、テストの管理範囲内であり得る。 Resistance of any particular component, however, may be in the control range of the test. 例えば、特定の抵抗コンポーネントの狙い抵抗値は、1000Ω±10%であり得る。 For example, aimed resistance of a particular resistor component may be 1000 [Omega] ± 10%. ウェハーの端近くで、ほとんどの抵抗の抵抗値は、通常の分布範囲の900Ωと1100Ωの範囲に近づくが、その範囲を超えない(図11)。 Near the end of the wafer, the resistance value of the most resistance, but closer to the range of 900Ω and 1100Ω normal distribution range, do not exceed the range (Figure 11).

ウェハー上のコンポーネントは、例えば、製造プロセスにおける汚染物質または不完全性による欠陥を含み得る。 Components on the wafer may include, for example, defects due to contaminants or imperfections in the manufacturing process. 欠陥によって、ウェハーの抵抗率の低い端に位置する抵抗の抵抗値は、1080Ωに増加し得る。 Defects, resistance of the resistor to be located at a lower end of the resistivity of the wafer may be increased to 1080Omu. 抵抗値は、ウェハー中央近くのデバイスで、1000Ωを十分に超えることが予測されるが、まだ通常の分布範囲の中に十分収まっている。 Resistance, with the wafer near the center of the device, it is expected that more than 1000Ω enough, still falls well within the normal distribution range.

図12A〜Bを参照すると、各コンポーネントの生テストデータがプロットされ得る。 Referring to FIG. 12A-B, the raw test data for each component may be plotted. テストデータは、かなりのばらつきを示している。 Test data show significant variation. その原因の一部は、プローバがデバイスを横または縦に通過しながら指標付けするときに、ウェハー上のコンポーネント間で変化する抵抗率によるためである。 Some of the causes, when prober indexed while passing through the device horizontally or vertically, because due to the resistivity that varies between components on the wafer. 欠陥によって影響を受けたデバイスは、テストデータの目視検査またはテスト限界との比較に基づいて、容易に同定されない。 Devices affected by the defect is based on a comparison of the visual inspection or test the limits of the test data are not easily identified.

テストデータが、本発明の様々な局面に従って、処理されたとき、欠陥の影響を受けたデバイスは、テストデータ中の外れ値として結び3付けられ得る。 Test data in accordance with various aspects of the present invention, when processed, the device affected by the defect may knot 3 attached as outliers in the test data. テストデータは、ある範囲の値に、大きく制限される、しかしながら、欠陥と結び付けられたデータは、周囲のコンポーネントのデータと似通っていない。 Test data, the value of a range, is largely limited, however, the data associated with the defects, not similar to the surrounding components of the data. したがって、そのデータは、欠陥のない周囲のデバイスと結び付けられた値からの乖離を示す。 Thus, the data show deviation from the values ​​associated with the surrounding defect free devices. 外れ値分類エレメント212は、周囲のデータから外れ値データの乖離の大きさに従って、外れ値を同定し、分類し得る。 The outlier classification element 212, in accordance with the magnitude of the deviation of the outlier data from the surrounding data, to identify outliers, may be classified.

出力エレメント208は、テストシステム100からのデータを、ランタイムに適切に収集し、出力レポートをプリンタ、データベース、オペレータのインターフェース、または、他の所望の目的地に提供する。 The output element 208, the data from the test system 100, suitably collected at runtime, to provide an output reporting the printer, database, operator interface, or other desired destination. グラフィカル形式、数字、テキスト、プリント形式または電子形式のような任意の形式が、利用のために、あるいは、後の解析のために、出力レポートを表示して使用され得る。 Graphical format, numbers, text, print format or any form such as an electronic format, for use, or for later analysis can be used to display the output report. 出力エレメント208は、テスタ102から選択された出力テストデータ、および、補足データ解析の結果を含む任意の選択された内容を提供し得る。 The output element 208, output test data selected from the tester 102, and may provide any selected content, including the results of the supplementary data analysis.

本実施形態において、出力エレメント208は、オペレータから指示された出力テストデータ、および、ダイナミックデータログを介して製品のランライムに補足データからのデータ選択を適切に提供する。 In the present embodiment, the output element 208, output test data instructed by the operator, and suitably provide data selected from supplemental data Ranraimu products via the dynamic datalog. 図7を参照すると、出力エレメント208は、最初に、データベース114からサンプリング範囲を読む(ステップ702)。 Referring to FIG. 7, the output element 208 initially reads a sampling range from the database 114 (step 702). サンプリング範囲は、出力レポートに含まれるべき所定の情報を同定する。 Sampling range identifies predetermined information to be included in the output report. 本実施形態において、サンプリング範囲は、検討のために、オペレータによって選択されたウェハー上のコンポーネント106を同定する。 In the present embodiment, the sampling range, for consideration, identifying component 106 on the wafer selected by the operator. 所定のコンポーネントは、任意の基準によって選択され得る。 Given component can be selected by any criteria. 例えば、様々な外周ゾーン、放射状ゾーン、ランダムコンポーネント、または、個々のステッパフィールドに対するデータである。 For example, various periphery zone, radial zones, random components, or a data for individual stepper fields. サンプリング範囲は、ウェハー上の所定のコンポーネントの位置に対応するxy座標のセット、または、バッチ内の利用可能なコンポーネントの同定された部分を含む。 Sampling ranges set of xy coordinates corresponding to the position of the predetermined components on the wafer or comprises the identified portion of the available components in a batch.

また、出力エレメント208は、ダイナミックデータログの補足データ解析エレメントによって生成または同定された外れ値または他の情報に関する情報を含むようにも構成され得る(ステップ704)。 Further, the output element 208 may also be configured to include information about the product or identified outliers or other information by the supplementary data analysis element of the dynamic datalog (step 704). このように構成された場合、外れ値のそれぞれに対するxy座標のような識別子も、また同様にアセンブリされる。 If configured in this way, an identifier such as xy coordinates for each of outliers are also are similarly assembly. オペレータが選択したコンポーネントに対する座標と、外れ値に対する座標は、ダイナミックデータログに、合体される(ステップ706)。 The coordinates for the components selected by the operator, the coordinates for outliers, the dynamic datalog, are combined (step 706). このデータログは、本実施形態において、ネイティブテスタデータ出力フォーマットのフォーマット内にある。 The data log, in this embodiment, are within the format of the native tester data output format. ダイナミックデータログに結果となるデータを合体させることで、後のカスタマ解析のためのデータ保全性を損なうことなく、データストレージに要求される量を減らして、元データの要約統計値への圧縮、および、クリティカルな生データのより小さなネイティブテスタデータファイルへの圧縮が容易になる。 By coalescing the data that results in the dynamic datalog, without compromising data integrity for the customer later analysis, reducing the amount required for data storage, compression into summary statistics of the original data, and facilitates the compression into a smaller native tester data file critical raw data. 出力エレメント208は、生テストデータおよび補足データ解析エレメント206からの1つ以上のデータのような選択された情報を、ダイナミックデータログの合体したxy座標アレイの各エントリに、取り出す(ステップ708)。 The output element 208, the selected information, such as one or more data from the raw test data and supplementary data analysis element 206, for each entry in the xy coordinate array coalesced dynamic datalog retrieves (step 708).

取り出された情報は、次いで、適切な出力レポートの中に、適切に格納される(ステップ710)。 The retrieved information is then in the proper output reports are suitably stored (step 710). レポートは、任意の適切なフォーマットまたは方法で準備されてもよい。 Report may be prepared in any suitable format or manner. 本実施形態において、出力レポートは、ウェハー上の選択されたコンポーネントおよびその分類を示すウェハーマップを有するダイナミックデータログを含む。 In the present embodiment, the output report includes dynamic datalog having a wafer map indicating the selected components and its classification on the wafer. さらに、出力エレメント208は、事前に選択されたコンポーネントのウェハーマップ上の外れ値に対応するウェハーマップデータを重ね合わせ得る。 Further, the output element 208 may superimposed wafer map data corresponding to outliers on the wafer map of the selected components in advance. 追加的に、出力エレメントは、サンプルされた出力として、ウェハーマップまたはバッチからの外れ値のみを含み得る。 Additionally, the output element, as an output, which is a sample, may include only the outliers from the wafer map or batch. また、出力レポートは、データにおける外れ値の出現および相関を強調するために、データの一連のグラフィカル表現も含み得る。 Further, the output report, in order to emphasize the appearance and correlation of outliers in the data may also include a series of graphical representation of the data. 出力レポートは、さらに、アドバイスおよびアドバイスの支援データを含み得る。 The output report may further comprise assistance data advice and recommendations. 例えば、2つのテストで、欠陥および/または外れ値が同じセットで生成するように見える場合、出力レポートには、テストは冗長的であって、2つのテストの一方はテストプログラムから省かれるべきとアドバイスする提案を含み得る。 For example, in two tests, if the defect and / or outliers appear to produce the same set, the output report, the test is a redundant, one of the two tests to be omitted from the test program It may include a proposal to advice. アドバイスは、2つのテストが同一の結果であることを示すデータのグラフィカルな表現を含み得る。 Advice may include a graphical representation of data showing that two tests are identical results.

出力レポートは、任意の適切な方法(例えば、ローカルワークステーションへの出力、サーバへの送信、アラーム起動、あるいは、任意の他の適合性ある方法)で提供され得る(ステップ712)。 The output report, any suitable method (e.g., output to a local workstation, sent to the server, the alarm is activated or any other compatible certain methods) may be provided with (step 712). 一実施形態において、出力レポートは、出力がシステムの動作やメインサーバへの転送に影響を与えないように、オフラインで供給され得る。 In one embodiment, the output report output so as not to affect the transfer to system operation and the main server, may be provided off-line. この構成において、コンピュータ108は、例えば、証明や検証の目的のために、データファイルをコピーし、解析を実行し、結果を生成する。 In this configuration, the computer 108 is, for example, for the purposes of certification and verification, copies data files, performs the analysis, and generates results.

また、各ウェハーのデータの補足解析に加え、本発明の様々な局面に従うと、テストシステム100は、データの複合解析を実行し、追加データを生成し得る。 In addition to supplementary analysis of data for each wafer, according to various aspects of the present invention, the test system 100 performs a combined analysis of the data allows to generate additional data. これは、多数のウェハーおよび/またはロットを用いるような多数のデータセットにわたるパターンおよびトレンドを同定するためである。 This is to identify the patterns and trends over multiple datasets, such as using multiple wafers and / or lots. 複合解析は、多数のデータセット間のパターンや不規則性のような選択された特性を同定するために、適切に実行される。 Composite analysis is to identify selected characteristics, such as patterns or irregularities between multiple data sets are suitably executed. 例えば、多数のデータセットは、2つ以上のデータセットにわたってのパターン、トレンドまたは不規則性に表われ得る共通特性のために、解析され得る。 For example, multiple data sets, the pattern over two or more data sets, for the common characteristics that may crack table Trends or irregularities can be analyzed.

複合解析は、データセット間の共通特性に対するテストデータ解析に適合する任意の解析を含み、任意の適切な方法でインプリメントされ得る。 Combined analysis includes any analysis fits the test data analysis with respect to the common characteristics between data sets, may be implemented in any suitable way. 例えば、本テストシステム100において、複合解析エレメント214は、多数のウェハーおよび/またはロットから得られたデータの複合解析を実行する。 For example, in the test system 100, the composite analysis element 214 performs composite analysis of data derived from multiple wafers and / or lots. 各ウェハー、ロット、あるいは、他のグループ分けに対するテストデータがデータセットを形成する。 Each wafer, lot or the test data to form a data set for the other groupings. 複合解析エレメント214は、コンピュータ108上で動作するソフトウェアモジュールとして、適切にインプリメントされる。 Combined analysis element 214, as a software module operating on the computer 108, is properly implemented. しかしながら、複合解析エレメント214は任意の適合性ある構成(例えば、ハードウェアソリューション、または、ハードウェアとソフトウェアの組み合わせソリューション)において、インプリメントされ得る。 However, the configuration combined analysis element 214 have a any compatible (e.g., hardware solutions or a combination solution of hardware and software) in, may be implemented. さらに、複合解析エレメント214は、テストシステムコンピュータ108、または独立したワークステーションまたは第三者の別個のコンピュータシステムのようなリモートコンピュータで、実行され得る。 Further, the composite analysis element 214 is a remote computer, such as a test system computer 108 or a separate workstation or a third party separate computer systems, may be performed. 1つ以上の完全なデータセットが生成したのに引き続き、あるいは、複合解析の充分前に生成されたデータ(履歴データを含む)の収集に基づいて、複合解析は、ランタイムに実行され得る。 Continuing to one or more complete data set was generated, or, based on the collection of data generated well before the composite analysis (including historical data), combined analysis may be performed at runtime.

複合解析は、2つ以上のデータセットから任意のデータを使用し得る。 Composite analysis may use any data from two or more datasets. 複合解析は、分類エンジンを介して多数の構成を実行するなどして、各データセットに対し、入力データ(生データ、フィルタリングされたデータおよび/またはスムージングされたデータを含む)の幾つかのセットを受け取り得る。 Complex analysis, such as by executing multiple configurations through the classification engine, for each data set, several sets of input data (including raw data, filtered data and / or smoothed data) the may receive. 一度受け取れば、数学的表現、式、他の任意の基準で定義され得るユーザ定義の一連のルールを用いて、入力データは適切にフィルタリングされる。 Once you receive, mathematical expressions, formulas, using a set of rules of a user-defined, which may be defined in any other reference, the input data is suitably filtered. 次いで、データは、データ内のパターンまたは不規則性を同定するために、解析される。 Then, the data can be used to identify patterns or irregularities in the data are analyzed. 複合データは、拡張された全体のデータセットを生成するために、生データや解析済みデータのような他のデータと合体し得る。 Complex data in order to generate an enhanced overall dataset can coalesce with other data such as raw data and analyzed data. 次いで、複合解析エレメント214は、テストプロセスを改善するために使われ得るのに適切な出力レポートを提供し得る。 Then, the composite analysis element 214 may provide the appropriate output report to be used to improve the test process. 例えば、出力レポートは、生産および/またはテストプロセスでの課題に関する情報を提供し得る。 For example, the output report may provide information relating to issues in production and / or testing process.

本システムにおいて、複合解析エレメント214は、有意なパターンやトレンドを示す複合マップを構築し、確立するために、ユーザ表現または他の任意の適切なプロセス、および、空間解析と一緒に、ウェハーデータのセットを解析する。 In the present system, the composite analysis element 214 may build a composite map showing significant patterns or trends, in order to establish a user representation or any other suitable process, and, together with the spatial analysis, the wafer data to analyze the set. 複合解析は、多数のユーザ構成をウェハーのセットに実行することで、ウェハーの任意の1セットに対し、幾つかの異なるデータセットおよび/または複合マップを受け取ることができる。 Combined analysis, by executing multiple user configurations on the set of wafers, for any one set of wafers can receive several different datasets and / or composite maps.

図13を参照すると、半導体をテストする環境で動作する本実施形態において、複合解析エレメント214は、多数のウェハーまたはロットからのデータのような多数のデータセットからデータを受け取る(1310)。 Referring to FIG. 13, in the present embodiment operates in an environment for testing the semiconductor, composite analysis element 214 receives data from multiple datasets, such as the data from multiple wafers or lots (1310). そのデータは、解析用の任意の適切なデータ(例えば、生データ、フィルタリングされたデータ、スムージングされたデータ、以前のテストランからの履歴データ、または、ランタイムにテスタから受け取ったデータ)を含み得る。 The data may include any suitable data for analysis (e.g., raw data, filtered data, smoothed data, historical data from previous test run or, data received from the tester at run time) . 本実施形態において、複合解析エレメント214は、ランタイムに生データとフィルタリングされたデータを受け取る。 In the present embodiment, the composite analysis element 214 receives raw data and filtered data at run time. フィルタリングされたデータは、解析用の任意の適切なデータ(例えば、スムージングされたデータおよび/またはシグネチャ解析データ)を含み得る。 Filtered data may include any suitable data for analysis (e.g., smoothed data and / or signature analysis data). 本実施形態において、複合解析エレメント214は、生データセットおよび補足データ解析エレメント206によって生成された補足データ(例えば、フィルタリングされたデータ、スムージングされたデータ、欠陥の同定、外れ値の同定、シグネチャ解析データ、および/または、他のデータ)を受け取る。 In the present embodiment, the composite analysis element 214, supplementary data generated by the raw data set and supplementary data analysis element 206 (e.g., filtered data, smoothed data, identification of defects, identification of outliers, signature analysis receive data, and / or, the other data).

生データおよび補足データを受け取った後、複合解析エレメント214は、解析のための複合データを生成する(1312)。 After receiving the raw data and supplemental data, the composite analysis element 214 generates composite data for analysis (1312). 複合データは、1つを超えるデータセットからの情報を代表するデータを備える。 Composite data comprises data representative of information from the data set of greater than one. 例えば、複合データは、異なるデータセット内のテストデータ(例えば、異なるウェハーまたは異なるロットにおける同一または類似位置でのコンポーネントに対するデータ)に対応して発生する特定のテストにおける欠陥および/または外れ値の数に関する情報を備え得る。 For example, the number of complex data, different test data in the data set (e.g., data for the component of the same or similar positions in different wafers or different lots) defects and / or outliers in a particular test to occur in response to It may include information about. しかしながら、複合データは、任意の適切なデータ(例えば、外れ値または欠陥の集中するエリアに関するデータ、有意な数の外れ値または欠陥を生成するウェハー位置に関するデータ、または、2つ以上のデータセットから導かれた他のデータ)を備え得る。 However, the composite data may be any suitable data (e.g., data relating to the area to concentrate outlier or defect, data relating to the wafer position to generate a significant number of outliers or defects, or from two or more datasets It may comprise a lead other data).

複合データは、様々なデータセットの中からパターンおよび不規則性を同定するために、その様々なセットからのデータを比較することによって、適切に生成される。 Complex data, to identify patterns and irregularities among the different data sets, by comparing the data from the various sets are properly generated. 例えば、複合データは、任意の適切なアルゴリズムまたはプロセスに従い、複合データを提供し、解析するように構成された解析エンジンによって、生成され得る。 For example, the composite data in accordance with any suitable algorithm or process to provide a composite data, the configured analysis engine to analyze can be generated. 本実施形態において、複合解析エレメント214は、データセットに基づく1つ以上の複合マスクを生成するように構成された近似エンジンを含む。 In the present embodiment, the composite analysis element 214 includes a configured approximated engine to generate one or more composite masks based on the datasets. 複合解析エレメント214は、例えば、複合マスクデータにある情報を絞り込むために、あるいは、強調するために、複合マスクデータも処理し得る。 Combined analysis element 214 may, for example, in order narrow down the information in the composite mask data, or to emphasize, it may be treated composite mask data.

本実施形態において、近似エンジンは、ファイル、メモリ構造、データベースまたは他のデータストアから多数のデータセットを受け取り、これらデータセットに空間解析を実行し(1320)、そして、複合マスクの形式で結果を出力する。 In the present embodiment, approximation engine, file, memory structure, receives a number of data sets from a database or other data store, performs a spatial analysis on those datasets (1320), and the results in the form of a composite mask Output. 近似エンジンは、任意の適切な方法を用いる任意の適切なプロセスまたは技術に従い、データセット全体に対する複合イメージのような複合マスクデータを生成し得る。 Approximation engine in accordance with any suitable process or technique using any suitable method, to produce a composite mask data, such as a composite image of the entire data set. 特に、近似エンジンは、複合データを元データと適切に合体(merge)して(1322)、ユーザまたは他のシステムが使用する出力レポートを生成する(1324)。 In particular, approximation engine properly combined with complex data source data (merge) (1322), generates an output report user or other system is used (1324). また、近似エンジンは、データセットで再発する特性に対するデータを分析して、あるいは、選択された基準に合わないデータを除去して、空間解析のような解析用の複合マスクデータを絞り込むため、あるいは、拡張するためにも構成され得る。 Further, the approximation engine analyzes data for the property to recur in the data set, or to remove data that does not fit the selected criteria, for Filter composite mask data for analysis, such as spatial analysis, or It may also be configured to extend.

本実施形態において、近似エンジンは、複合マスク生成を実行する(1312)。 In the present embodiment, approximation engine performs composite mask generation 1312. また、除去エリアを決定し(1314)、近似重み付け(1316)を実行し、そして、クラスタを検出し、フィルタリングする(1318)ように構成され得る。 Further, to determine the removal area (1314), and executes the approximation weighting (1316), and to detect the cluster may be configured to filter (1318). また、近似エンジンは、ユーザ定義のルール、基準、閾値および優先度を用いて、近似調整または他の動作も提供し得る。 Further, the approximation engine, user-defined rules, criteria, using the threshold and the priority may also provide approximate adjustment or other operations. 解析の結果は、入力されたデータセットの複合マスクであり、このマスクは、与えられたデータセットを通して見出された空間トレンドおよび/またはパターンを示す。 The results of the analysis is a composite mask of the inputted datasets, this mask indicates a was found through a given set of data space trends and / or patterns. 近似エンジンは、任意の適切な出力方法または出力媒体(メモリ構造、データベース、他のアプリケーション、および、複合マスクを出力するテキストファイルまたはXMLファイルのようなファイルベースのデータストアを含む)を利用できる。 Approximation engine, any suitable output method or output medium (memory structure, database, other applications, and includes a file-based data store, such as a text or XML file and outputs the composite mask) available.

近似エンジンは、複合マスクデータを生成するために、任意の適切な技術(累積二乗方法(cumulative squared method)、N点方式、ウェスタンエレクトリックルール、あるいは、ユーザ定義の基準またはルールを含む)を使用し得る。 Approximation engine, in order to generate the composite mask data, using any suitable technique (cumulative squared method (cumulative squared method), N-point method, Western Electric rules or includes a user-defined criteria or rules) obtain. 本実施形態において、複合マスクデータは、多数のデータセットを全体包括ビューまたは「スタック化」ビューと、考えられ得る。 In the present embodiment, composite mask data, the overall comprehensive view or "stacked" view multiple data sets may be considered. 本近似エンジンは、対応するデータの特定のセットに対するデータにある潜在的な関係あるいは共通特性を同定するために、多数のデータセットから対応するデータを収集し、解析する。 This approximation engine, in order to identify potential relationships or common characteristics in the data for a particular set of corresponding data, to collect the corresponding data from multiple datasets, analyzes. 解析されたデータは、任意の適切なデータ(生データ、フィルタリングされたデータ、スムージングされたデータ、シグネチャ解析データ、および/または、任意の他の適切なデータ)であり得る。 Analyzed data may be any suitable data (raw data, filtered data, smoothed data, signature analysis data, and / or any other suitable data) may be.

本実施形態において、近似エンジンは、多数のウェハー上の位置に対応するデータを解析する。 In the present embodiment, approximation engine analyzes the data corresponding to a position on a number of wafers. 図14を参照すると、各ウェハーは、xy座標システムのような適切な識別システムを用いて、指定され得る対応する位置にデバイスを有する。 Referring to FIG. 14, each wafer, using an appropriate identification system, such as the xy coordinate system, having a device in a position corresponding can be specified. このように、近似エンジンは、データの複合セットにおけるパターンを同定するために、対応する位置またはデータポイント(図14で示す位置10、12のようなポイント)にあるデバイスに対するデータを比較する。 Thus, the approximation engine, to identify patterns in the composite set of data, comparing the data for the device in corresponding positions or data points (points such as location 10, 12 shown in FIG. 14).

本実施形態の近似エンジンは、複合マスクデータを生成する2つの異なる技術(累積二乗法および式基準法(formula−based method))の少なくとも1つを用いる。 Approximation engine of this embodiment, two different techniques (cumulative squared method and formula Standards Act (formula-based method)) for generating composite mask data for at least one use. 近似エンジンは、データを選択閾値または計算閾値と比較して、興味深いデータを同定する。 Approximation engine data as compared with the selection threshold or calculated threshold, to identify interesting data. 一実施形態において、近似エンジンは、データがデータセットにわたって潜在的なパターンを示すかどうかを判断するために、様々なウェハーおよび/またはロットの対応する位置にあるデータポイントを閾値と比較する。 In one embodiment, the approximate engine data to determine whether to show a potential pattern across the data set, is compared with a threshold value data points in corresponding positions of the various wafers and / or lots. 近似エンジンは、各データを1つ以上の閾値と比較する。 Approximation engine compares each data to one or more thresholds. その閾値のそれぞれは、所定の値、現在のデータに基づく計算値、または、履歴データからの計算値のように任意の適切な方法で選択され得る。 Each of the threshold, a predetermined value, the calculated value based on the current data, or may be selected in any suitable manner as the calculation values ​​from the historical data.

例えば、本近似エンジンの第一の実施形態は、データを閾値と比較する累積二乗法をインプリメントする。 For example, a first embodiment of the present approximation engine implements a cumulative squared method to compare the data with a threshold. 特に、図15を参照すると、近似エンジンは、第一のデータセット(特定のロットの特定のウェハーにある特定のデバイスに対する特定のテストの結果のようなデータセット)(1510)にある第一のデータポイントを適切に選択し(1512)、データポイントの値をカウント閾値と比較する(1514)。 In particular, referring to FIG. 15, the approximation engine, a first data set (data set as a result of a particular test for a particular device in a specific wafer particular lot) to a first (1510) the data points and select appropriate (1512), compares the value of the data point and the count threshold (1514). 閾値は、任意の適切な値および閾値の任意のタイプ(例えば、範囲、上限、下限など)を備え得て、任意の適切な基準に従って選択され得る。 Threshold, any type of any suitable value and the threshold value (e.g., range, upper, lower, etc.) comprise a may be selected according to any suitable criteria. データポイントの値が、閾値を超えたら(すなわち、その値が閾値より低い、閾値より高い、閾値限界内、または、いかなる特定の認定関係であってもよい)、絶対値カウンタが増加され(1516)、そのデータポイントに対応する集計値(summary value)が生成される。 The value of data points, when exceeding the threshold (i.e., the value is lower than the threshold value, higher than the threshold, within the threshold limits, or may be any particular certification relations), the absolute value counter is incremented (1516 ), aggregate value corresponding to the data points (summary value) is generated.

また、そのデータポイントの値は、累積値の閾値とも比較される(1518)。 The value of that data point is compared with a threshold of the cumulative value (1518). データポイントの値が、累積値の閾値を超えると、そのデータポイントは、そのデータポイントに対する累積値が加算され(1520)、そのデータポイントに対する別の集計値を生成する。 The value of the data point exceeds the threshold value of the cumulative value, the data point, the accumulated value for the data point is added (1520) to generate another summary value for the data point. 近似エンジンは、関連データセットそれぞれ(ロットまたは他の選択されたウェハーのグループにおけるウェハーそれぞれのような)(1524)における対応するデータポイントそれぞれ(1522)に対するプロセスを繰り返す。 Approximation engine repeats the process for the associated data set, respectively (as each wafer in the lot or other selected group of wafers) corresponding data points, respectively, in (1524) (1522). 任意の他の所望のテストまたは比較は、データポイントに対しても、データセットに対しても、実行され得る。 Any other desired tests or comparisons, even for the data points, even with respect to the data set may be performed.

母集団における関連データポイントの全てが処理されたとき、近似エンジンは、選択されたデータ(例えば、閾値を超えるデータ)に基づいた値を計算し得る。 When all of the relevant data points in the population have been processed, the approximation engine may calculate values ​​based on the data selected (e.g., data exceeding the threshold). 例えば、近似エンジンは、関連データポイントに対する累積値に基づく対応データの各セットに対する累積閾値全体を計算し得る(1526)。 For example, the approximate engine may calculate overall cumulative thresholds for each set of corresponding data based on the accumulated value for the relevant data point (1526). 全体の累積閾値は、所望または関連の特徴を同定する任意の適切な方法(例えば、閾値と関係を生み出す対応するデータポイントのセットを同定する方法)で計算され得る。 Overall cumulative threshold may be calculated in any suitable manner to identify desired or relevant characteristics (e.g., a method of identifying a set of corresponding data points produce a threshold relationship). 例えば、全体の累積閾値(Limit)は、以下の等式: For example, the overall cumulative threshold (Limit), the following equation:

に従って、定義され得る。 Accordingly it may be defined. ここで、Averageは、データの複合母集団のデータの平均値で、Scale Factorは、累積二乗法の感度を調整するために選択される値または変数で、Standard Deviationは、データの複合母集団におけるデータポイント値の標準偏差で、(Max−Min)は、データの完全な母集団におけるデータポイントの最大値と最小値との差である。 Here, Average is the average value of the data of the composite population of data, Scale Factor is a value or variable selected to adjust the sensitivity of the cumulative squared method, Standard Deviation is the composite population of data a standard deviation of data point values, (Max-Min) is the difference between the maximum and minimum values ​​of the data points in the complete population of data. 一般に、全体の累積閾値は、特定のデータセットにおける所定のデータポイントを同定するための比較値を確立するために、定義される。 Generally, the cumulative threshold of the whole, in order to establish a comparison value for identifying predetermined data points in a particular data set may be defined.

全体の累積閾値の計算後に、近似エンジンは、複合データの中に各データポイントを含めるかどうかの指定を、例えば、カウント値および累積値を閾値と比較しながら、判断する。 After calculation of the overall cumulative threshold, the approximation engine, a designation of whether to include each data point in the composite data, for example, by comparison with a threshold count value and the accumulated value is determined. 本実施形態の近似エンジンは、適切に第一のデータポイントを選択し(1528)、データポイントに対する全累積値を二乗し(1530)、そして、データポイントに対して二乗された累積値を、ダイナミックに生成された全体の累積閾値とを比較する(1532)。 Approximation engine of the present embodiment selects the appropriate first data point (1528), squares the total cumulative value for the data points (1530), and the cumulative value squared to the data points, the dynamic comparing the total cumulative thresholds generated (1532). 二乗累積値が、全体の累積閾値を超える場合、データポイントは、複合データの中に含まれる(1534)。 Squared cumulative value, if it exceeds the overall cumulative threshold, the data points are included in the composite data (1534).

各データポイントに対する絶対カウンタの値も、また、全体のカウント閾値(例えば、事前に選択された閾値、または、例えば、母集団内のウェハー枚数または他のデータセット数の比率に基づき計算された閾値)と比較され得る(1536)。 The value of the absolute counter for each data point are also, the overall count threshold (e.g., pre-selected threshold or, for example, calculated threshold based on wafer number or other data sets the ratio of the number of the population ) which can be compared with the (1536). 絶対カウンタの値が、全てのカウント閾値を超える場合、再び、そのデータポイントは複合データの中に含むように指定され得る(1538)。 The value of the absolute counter, if more than all the count threshold, again, the data point may be specified to include in the composite data (1538). プロセスは、各データポイントで適切に実行される(1540)。 The process is suitably performed at each data point (1540).

近似エンジンは、また、他の追加技術または代替技術を使用して、複合マスクデータを生成し得る。 Approximation engine also use other additional technologies or alternative techniques to generate a composite mask data. 本近似エンジンは、また、複合マスクデータを生成するために、式基準(formula−based)システムを利用し得る。 This approximation engine, also in order to generate the composite mask data may utilize expression criteria (formula-based) system. 本発明の様々な局面に従う式基準システムは、複合ウェハーマスクを定義するために、変数および式、または、表現を使用する。 Wherein the reference system in accordance with various aspects of the present invention, in order to define a composite wafer mask, variables and formulas, or, to use the expression.

例えば、例示的な式基準システムにおいて、1つ以上の変数は、任意の適切な基準に従うユーザ定義であり得る。 For example, in an exemplary formula reference system, one or more variables may be user-defined according to any suitable criteria. 変数は、関連グループにおける各データポイントに対して、適切に定義され得る。 Variables for each data point in the relevant group, may suitably be defined. 例えば、近似エンジンは、特定のデータポイントにおいて、各値を解析し得る。 For example, the approximation engine, in particular data point may analyze each value. 例えば、データポイントにおける値を計算するため、あるいは、計算が特定の結果を提供する回数を数えるためである。 For example, for calculating the value of data points, or calculated in order to count the number of times to provide a specific result. 変数は、各定義された変数に対するデータセット中の各データポイントに対し、計算され得る。 Variables for each data point in the data set for each defined variable can be calculated.

変数を計算した後に、データポイントは、例えば、データポイントがユーザ定義の基準に合うかどうかを判断するために、解析され得る。 After calculating the variables, the data points, for example, because the data points to determine if it fits the criteria of a user-defined, may be analyzed. 例えば、ユーザ定義の式は、計算された可変値を使用して、解かれ得る。 For example, expression of the user-defined, using the calculated variable values, can be solved. 式が、ある特定の値または値の範囲に等しい場合、データポイントは、複合マスクデータの中に含まれるように指定され得る。 Expression is equal to the range of a particular value or values, the data point may be designated to be included in the composite mask data.

こうして、近似エンジンは、任意の適切なプロセスまたは技術に従って、複合マスクデータのセットを生成し得る。 Thus, the approximation engine, according to any suitable process or technique may generate a set of composite mask data. 結果として得られる複合マスクデータは、各データポイントにおけるデータ母集団の結果に対応するデータのセットを含む。 Composite mask data obtained as a result, includes a set of data corresponding to the result of the data population for each data point. その結果、データポイントに対する特性は、多数のデータセットにわたって、同定され得る。 Consequently, characteristics for the data point, over a number of data sets can be identified. 例えば、本実施形態において、複合マスクデータは、多数のウェハー上の特性(例えば、大きくばらつくテスト結果、または、高い欠陥率)をシェアする特定のデバイス位置を示し得る。 For example, in the present embodiment, composite mask data, the characteristics of the large number of wafers (e.g., test large variation results or high failure rates) may indicate a specific device location to share. このような情報は、生産または設計プロセスにおける課題または特性を指示し得るので、こうして、生産およびテストを改善し、管理するために使われ得る。 Such information, so may indicate problems or characteristics in the production or design process, thus, to improve the production and testing, may be used to manage.

また、複合マスクデータは、追加情報を生成するためにも解析され得る。 The composite mask data may also be analyzed to generate additional information. 例えば、複合マスクデータは、データセットにおける空間的トレンドおよび/またはパターンを明確化するために、および/または、有意なパターンを同定またはフィルタリングする(例えば、比較的孤立したデータポイントからの混乱を減らすフィルタリング、特定の特徴を有するエリアの拡張または絞り込み、あるいは、既知の特性を有するデータのフィルタリング)ために、解析され得る。 For example, the composite mask data, in order to clarify the spatial trends and / or patterns in the data set, and / or to identify or filter significant patterns (e.g., reduce confusion from relatively isolated data points filtering, expansion or narrowing of areas having particular characteristics, or for filtering) of data having known characteristics can be analyzed. 本実施形態の複合マスクデータは、複合マスクデータをスムージングし、複合マスクデータ内のパターンを完成するために、例えば、空間的解析を受け得る。 Composite mask data of the present embodiment, to smooth the composite mask data, to complete the pattern in the composite mask data, for example, may undergo a spatial analysis. 選択された除外ゾーンは、複合マスクデータが除去、無視、拡張、低い有意度付与、さもなくば、他の複合マスクデータから区別するなどの特定の処理を受け得る。 Selected exclusion zones, the composite mask data is removed, ignored, enhanced, low significance granted, otherwise, may undergo certain processing such as distinguishing from other composite mask data. クラスタ検出プロセスも、また、比較的有意性または信頼性の少ないデータポイントクラスタの重要度を、除去または格下げし得る。 Cluster detection process may also the importance of the relatively significant or reliable fewer data points cluster may be removed or downgraded.

本実施形態において、近似エンジンは、複合マスクデータ内の特定指定ゾーンを同定し、指定ゾーンからのデータポイントは、様々な解析で特定指定処理を受けるか、あるいは、無視されるかのようにするように構成され得る。 In the present embodiment, approximation engine is to identify specific designated zones in the composite mask data, the data points from the designated zones, or subjected to a specific designation process in various analyzes, or to as either ignored It can be configured to. 例えば、図16において、近似エンジンは、ウェハーの選択された位置(例えば、個々のデバイス、デバイスグループ、ウェハー周囲近傍のデバイス帯域)において、除外ゾーンを確立し得る。 For example, in FIG. 16, the approximation engine, selected locations of the wafer (e.g., individual device, device group, wafers near the periphery of the device band) in may establish an exclusion zone. 除外ゾーンは、特定のデータポイントが、近似解析および/または重み付けで他のデータポイントへ影響することを排除するメカニズムを提供し得る。 Exclusion zone, a particular data point, may provide a mechanism to exclude the influence by the approximate analysis and / or weighting to other data points. データポイントは、引き続くプロセスで範囲外となる値を割り当てるなど、任意の適切な方法で除外されるように指定される。 Data points, such as assigning a value outside the range in a subsequent process, is designated to be excluded in any suitable manner.

関連ゾーンは、任意の適切な方法で、同定され得る。 Related zone in any suitable manner, may be identified. 例えば、除外されたデータポイントの指定は、デバイスの識別または座標(例えば、xy座標)のファイルリストを利用して、周囲近傍の帯域の特定幅を選択して、あるいは、複合データ内の関連ゾーンを定義する適切な他のプロセスで行われ得る。 For example, the specification of excluded data points, the device identification or coordinates (e.g., xy coordinates) by using a file list, select a particular width of band around the neighborhood, or related zones within the composite data It may be performed in other suitable process of defining. 本実施形態において、近似エンジンは、ウェハー上の除外されるデバイスの帯域を、近似エンジンに無視させるか、さもなくば、ユーザ定義のデータセットの端の範囲にあるデータポイントを特別扱いさせるようなシンプルな計算を用いて、定義し得る。 In the present embodiment, approximation engine, the bandwidth of the device are excluded on the wafer, or to ignore the approximation engine, else, such as to special treatment to the data points in the range of the end of the user-defined data sets by using a simple calculation, it may be defined. 例えば、この範囲内あるいはファイルのリスト内の全てのデバイスは、こうして、選択された除外基準に従う。 For example, all devices in the list of this range, or file, thus, according to the exclusion criteria selected. 除外基準に合えば、除外ゾーンにあるデータポイントあるいは除外基準に合うデバイスは、1つ以上の解析から除外される。 If their Exclusion criteria, the device fits to the data points or exclusion criteria are in the exclusion zone are excluded from one or more analyzes.

本実施形態における近似エンジンは、複合マスクデータに基づき、追加解析を実行するように適切に構成される。 Approximation engine in the present embodiment, based on the composite mask data, suitably configured to perform additional analysis. 追加解析は、所望のデータの増強、不要なデータ除去、または、複合マスクデータ内の中で選択された特性の同定など任意の適切な目的のために、構成され得る。 Additional analysis, enhancement of the desired data, unnecessary data is removed, or, for any suitable purpose, such as identification of the selected characteristics in the composite mask data, may be configured. 例えば、近似エンジンは、複合マスクデータ内のパターンをスムージングし、完成するために、ポイント重み付けシステムに基づいてなど、近似重み付けプロセスを実行するように、適切に構成される。 For example, the approximation engine, smoothing the patterns in the composite mask data, to complete, such as based on a point weighting system, to perform an approximate weighting process, suitably configured.

図17A〜17Bおよび図18を参照すると、本近似エンジンは、データセット内のデータポイント全てにわたって、サーチする。 Referring to FIGS. 17A~17B and 18, the approximation engine, over all data points in the data set, searches. 近似エンジンは、第一のポイントを選択し(1710)、閾値または値の範囲などのような基準に対するデータポイントの値をチェックする(1712)。 Approximation engine selects a first point (1710), it checks the value of the data point relative to a reference, such as the range of the threshold value or values ​​(1712). データポイントが、選択された閾値を超える場合、あるいは、選択された範囲内にあることが見出された場合、近似エンジンは、主データポイントの周囲のデータポイントにおける値をサーチする(1714)。 Data point, if more than a selected threshold, or if found to be within a selected range, the approximation engine searches the values ​​of data points around the main data point (1714). 主データポイントの周囲のデータポイントの数は、任意の選択された数であり得て、また、任意の適切な基準に従って、選択され得る。 The number of data points around the main data point is be any selected number, also, according to any suitable criteria may be selected.

近似エンジンは、影響力ある値を超えるデータポイント、あるいは、そのデータポイントが重み付けされるべきデータポイントであることを示す他の任意の基準を満足するデータポイントを求めて、周囲のデータポイントをサーチする(1716)。 Approximation engine, data points above a certain impact value, or seeking data points that satisfies any other criteria indicating that the data points are data points to be weighted, searching for data points surrounding to (1716). データポイントが、影響力ある値を超える場合、近似エンジンは、周囲のデータポイントの値に従って、主データポイントに重みを適切に割り当てる。 Data point, if it exceeds a certain impact value, approximation engine, according to the value of the surrounding data points, appropriately assigning weights to the main data point. さらに、近似エンジンは、周囲のデータポイントの相対的な位置に従って、重みを調整し得る。 Furthermore, the approximation engine, according to the relative position of the surrounding data points may adjust the weights. 例えば、周囲のデータポイントに付与された重み量は、周囲のデータポイントが主データポイントに対し、隣接(1718)か対角線上(1720)かに従って、決定され得る。 For example, the amount of weights assigned to surrounding data point for the data points around the main data point, according to whether the adjacent (1718) or diagonal (1720) can be determined. 総重みは、データポイントがウェハーの端にある場合も、また、調整され得る(1722)。 The total weight also if the data point is on the edge of the wafer, also may be adjusted (1722). 主データポイントの周囲のデータポイントがチェックされたとき(1724)、主データポイントは、例えば、周囲のデータポイントからの重み要因を付加することによって、全体の重みを割り当てられる。 When data points around the main data point have been checked (1724), the main data point, for example, by adding the weight factors from the surrounding data points are assigned a weight of the whole. 主データポイントに対する重みは、次いで、ユーザ定義の閾値などのような閾値と比較され得る(1726)。 Weight for the main data point may then be compared to a threshold, such as user defined threshold (1726). 重みが、閾値に合う場合、あるいは、閾値を超える場合、データポイントは、そのように指定される(1728)。 Weight, if fit threshold, or if it exceeds the threshold value, the data point is so designated (1728).

複合マスクデータは、また、データをフィルタリングするために、さらに解析され得る。 Composite mask data may also, in order to filter the data can be further analyzed. 例えば、本実施形態において、近似エンジンは、例えば、ユーザ特定の閾値のような閾値より小さなデータポイントのグループを同定し、それを適切に除去するように構成され得る。 For example, in the present embodiment, approximation engine, for example, to identify a group of small data points than such threshold as a user specified threshold, it may be configured it to properly removed. 図19および図20を参照すると、本実施形態の近似エンジンは、グループを定義し、それらのサイズを測り、より小さなグループを除去するように構成し得る。 Referring to FIGS. 19 and 20, approximate the engine of this embodiment, defines a group, measure their size, it may be configured to remove smaller groups. グループを定義するために、近似エンジンは、基準を満足するデータポイントを求めて、複合マスクデータ内で各データポイントを介して、サーチする。 To define groups, approximation engine, seeking data points that satisfy the criteria, through each data point in the composite mask data searches. 例えば、複合マスクデータ内のデータポイントは、値の範囲に区分され得て、索引値を割り当てられ得る。 For example, the data points in the composite mask data is obtained is divided into a range of values ​​can be assigned an index value. 近似エンジンは、ある特定の索引に合致するデータポイントを求めて、複合マスクデータをサーチすることから開始する(1910)。 Approximation engine seeking data points that match a particular index begins by searching the composite mask data (1910). 指定された索引に合うデータポイントに遭遇すると(1912)、近似エンジンは、見出されたポイントを主データポイントとして指定し、同じ索引に入る他のデータポイントを、あるいは代替的に、実質的に同じ値を有し、同様に閾値を超えるデータポイントを、もしくは、他の所望の基準に合うデータポイントを求めて、主データポイントからの全方向にサーチする再帰プログラムを開始する(1914)。 Upon encountering a data point that meets the specified index (1912), approximation engine, the discovered point designated as the main data point, the other data points that fall in the same index, or alternatively, substantially have the same value, the data points that exceeds Similarly threshold, or seeking data points that fit other desired criteria, initiates a recursive program that searches in all directions from the main data point (1914).

本実施形態の再帰関数の例として、近似エンジンは、特定の値(例えば、5)を有するデータポイントを求めて、サーチし始める。 Examples of a recursive function in the present embodiment, approximation engine, seeking data points having a certain value (e.g., 5) begins to search. 5の値を有するデータポイントが見出された場合、再帰プログラムは、主デバイス周りの全データポイントを、5の値を有する他のデータポイントを見出すまでサーチする。 If 5 data points having a value of has been found, the recursive program, all the data points around the main device to search until it finds another data point with a value of 5. 他の資格あるデータポイントが見出された場合、再帰プログラムは、遭遇したデータポイントを、主データポイントとして選択し、そのプロセスを繰り返す。 If other qualified data point is found, the recursive program encountered data point is selected as the main data point and repeats the process. こうして、再帰プロセスは、合致する値を有し、互いに隣接または対角線上にあり、それゆえ、グループを形成する全てのデータポイントを解析し、マークする。 Thus, recursive process has a matching value, are on adjacent or diagonally to each other, therefore, to analyze all data points to form a group, mark. 再帰プログラムが、グループ内の全てのデバイスが特定の値を有することを見出したら、そのグループには独自のグループ索引を割り当てられ、近似エンジンは、再び、複合マスクデータの全体を通してサーチする。 Recursive program Once found that all devices in the group has a particular value, that the group is assigned a unique group index approximation engine again searches through the entire composite mask data. データ値の全てがサーチされたとき、複合マスクデータは、同じグループ索引を有する隣接するデータポイントのグループに、完全に区分される。 When all the data values ​​are searched, the composite mask data, a group of adjacent data points having the same group index, are completely divided.

近似エンジンは、各グループのサイズを決定し得る。 Approximation engine may determine the size of each group. 例えば、近似エンジンは、グループ内のデータポイントの数をカウントし得る(1916)。 For example, the approximate engine may count the number of data points in the group (1916). 次いで、近似エンジンは、各グループのデータポイントの数を閾値と比較し、その閾値に合わないグループを除去する(1918)。 Then, approximation engine, the number of data points in each group is compared with a threshold, removing the group that do not meet the threshold (1918). グループは、関連グループに対する索引値をデフォルト値に再設定するなど、任意の適切な方法で、グルーピング解析から排除され得る(1920)。 Group index value for the relevant group, such as resetting the default value, in any suitable manner, may be excluded from the grouping analysis (1920). 例えば、データポイントの閾値の数が、5である場合、近似エンジンは、データポイントが5未満である各グループに対するグループ索引値を変更し、デフォルト値にする。 For example, the number of threshold data points, if it is 5, the approximation engine changes the group index value for each group is the data point is less than 5, to be the default value. その結果、異なるグループ索引で分類されたまま残るグループは、データポイントを5以上有するグループのみである。 As a result, the groups remain classified with different group indices, only the group with data points 5 or more.

近似エンジンは、複合マスクデータを生成し、絞り込みするために、任意の適切な追加動作を実行し得る。 Approximation engine generates composite mask data, in order to refine, may perform any appropriate additional operations. 例えば、複合マスクデータ(元々の複合マスクデータの追加フィルタリング、プロセッシング、および、解析の結果を含む)は、多数のデータセットおよびデータの元ソースに関連する情報(例えば、ウェハー上のデバイスまたは製造プロセス)を提供するために使用され得る。 For example, the composite mask data (additional filtering of the original composite mask data, processing, and contains the results of the analysis), the information relating to the original source of a number of data sets and data (e.g., a device or a manufacturing process on the wafer ) it may be used to provide. データは、ユーザに提供され得るし、さもなくば、任意の適切な方法で使用され得る。 Data is to be provided to the user, otherwise, may be used in any suitable manner. 例えば、データは、さらなる解析のために、あるいは他のデータと組み合わせるために、(例えば、生データにおけるトレンドおよびパターンを示すデータセットを生成するために、ユーザ定義のルールを、複合マスクデータ、生データおよび任意の他の適切なデータの合体動作と組み合わせて、実行するなど)、他のシステムに提供され得る。 For example, data is to combine for further analysis, or other data, (e.g., to generate a data set indicating the trends and patterns in the raw data, the user-defined rules, the composite mask data, the raw data and combined with coalescence behavior of any other appropriate data, such as executing), may be provided to other systems. さらに、データは、プリンタまたはビジュアルインターフェースのような適切な出力システムを介して、ユーザに提供され得る。 Furthermore, the data through the appropriate output system, such as a printer or visual interface may be provided to the user.

本実施形態において、例えば、複合マスクデータは、他のデータと組み合わされ、検討のために、ユーザに提供される。 In the present embodiment, for example, the composite mask data is combined with other data, for consideration, is provided to the user. 複合マスクデータは、任意の適切な方法で、任意の他の適切なデータと組み合わされ得る。 Composite mask data in any suitable manner, may be combined with any other appropriate data. 例えば、複合マスクデータは、シグネチャデータ、生データ、ハードウェアビンデータ、ソフトウェアビンデータ、および/または、他のデータと合体され得る。 For example, the composite mask data, signature data, the raw data, hardware bin data, software bin data, and / or may be combined with other data. データセットの合体は、様々なユーザ定義のルール(表現、閾値、優先を含む)を用いてなど、任意の適切な方法で実行され得る。 Combined data set, various user-defined rules, such as by using (expression threshold, including preferred), may be performed in any suitable way.

本システムにおいて、複合解析エレメント214は、適切なプロセスを用いて、複合マスクデータを複合データの元マップ(例えば、複合生データ、複合シグネチャデータ、または、複合ビンデータのマップ)と合体させる適切なプロセスを用いて、合体プロセスを実行する。 In the present system, the composite analysis element 214, using a suitable process, the original map of composite data composite mask data (e.g., complex raw data, composite signature data, or a map of the composite bin data) suitable to combine with using the process executes the coalescence process. 例えば、図21を参照すると、複合解析エレメント214は、複合マスクデータを元データマップと完全に合体させる絶対合体システムを用いて、複合マスクデータを元の個体ウェハーのデータと合体させ得る。 For example, referring to FIG. 21, the composite analysis element 214, using the absolute coalescence systems to fully coalesced with the original data map composite mask data, may coalesce and the data of the original individual wafer composite mask data. その結果、複合マスクデータは、既存パターンの重複または包囲とは無関係に、元データマップと合体する。 As a result, the composite mask data, regardless of the overlap or surrounding an existing pattern is merged with the original data map. 多数の複合マスクの中で、1つの複合マスクのみがパターンを示す場合、そのパターンは、その複合マスク全体に含まれる。 Among the many composite mask, only one composite mask may indicate a pattern, the pattern is included in its entirety a composite mask.

代替的に、複合解析エレメント214は、追加解析と一緒にデータを合体させ得る。 Alternatively, the composite analysis element 214 may coalesce data with additional analysis. 複合解析エレメント214は、無関係または無意味であり得るデータをフィルタリングし得る。 Combined analysis element 214 may filter data that may be irrelevant or insignificant. 例えば、図22を参照すると、複合解析エレメント214は、元のデータマップまたは他の複合マスクにあるデータと重複する複合マスクデータにあるデータのみを合体させ得る。 For example, referring to FIG. 22, the composite analysis element 214 may coalesce only the data in the composite mask data that overlaps data in the original data map or other composite mask. これは、潜在的に関連する情報を強調する傾向がある。 This tends to emphasize potentially related information.

複合解析エレメント214は、特定の閾値数、パーセンテージ、あるいは、データポイントの他の値がマップ間で重複するかどうかを判断するために、複合マスクデータと元データとを代替的に評価し得る。 Combined analysis element 214, the particular threshold number, percentage or, for other values ​​of the data points to determine whether the overlap between maps may alternatively evaluate the composite mask data and the original data. 構成にもよるが、合体したデータは、重複データポイントに対して要求される閾値に合う複合マスクデータと元データとの間で十分に重複した領域(この場合は、デバイスに相当するデータポイント)のみを含み得る。 Depending on the configuration, the data coalesced sufficiently overlapping area between the composite mask data and the original data that meets the threshold required for the overlapping data points (in this case, the data points corresponding to the device) It may include only. 図23を参照すると、複合解析エレメント214は、元データにおけるテスタビン欠陥(すなわち、欠陥デバイス)と十分な割合(例えば、複合データの50%がテスタビン欠陥データと重複する)で重複する複合データパターンのみを含むように構成され得る。 Referring to FIG. 23, the composite analysis element 214, Tesutabin defects in the original data (i.e., defective devices) sufficient proportion (e.g., 50% of the composite data overlaps with Tesutabin defect data) only composite data patterns that overlaps with It may be configured to include. こうして、複合データの最小量より少ない量が元データと重複する場合、その複合データパターンは、無視され得る。 Thus, if the amount less than the minimum amount of composite data overlaps with the original data, the composite data pattern may be ignored. 同様に、図24を参照すると、複合解析エレメント214は、2つの異なるレシピからのデータなどのように複合データの2つの異なるセットを比較し得て、その2つのレシピ間の重複が、選択された基準を満足するかどうかを判断し得る。 Similarly, referring to FIG. 24, the composite analysis element 214 obtained by comparing the two different sets of composite data, such as data from two different recipes, the overlap between the two recipes are selected and it may determine whether or not to satisfy the criteria. 重複するデータ、および/または、最低基準を満足するデータのみが、合体する。 Duplicate data, and / or, only data that satisfies the minimum criteria, coalesce.

合体したデータは、ユーザまたは他のシステムに出力するために、出力エレメント208に提供され得る。 Coalesced data, for output to the user or other systems, can be provided to the output element 208. 合体したデータは、生産エラー同定プロセスまたは大トレンド同定プロセスのような他のプロセスへの入力として、通過され得る。 Coalesced data, as input to another process, such as manufacturing error identification process or a large trend identification process can be passed. 合体したデータは、また、任意の仕分けまたはフォーマット(例えば、メモリ構造、データベーステーブル、フラットテキストファイルまたはXMLファイル)の中に出力され得る。 Coalesced data also any sorting or format (e.g., a memory structure, database tables, flat text files, or XML files) may be output in the.

本実施形態において、合体したデータおよび/またはウェハーマップは、インクマップ生成エンジンに提供される。 In the present embodiment, combined data and / or wafer maps are provided into an ink map generation engine. インクマップエンジンは、オフラインのインク機器用のマップを作成する。 Ink map engine, to create a map for offline of ink devices. オフラインでのインクマップに加え、合体したデータ結果は、パーツのインクレスアセンブリ用、あるいは、この種のタイプの結果を利用する任意の他のプロセスまたはアプリケーション用のビニング(binning)結果を生成するために、利用され得る。 In addition to the ink map offline, coalesced data results for inkless assembly of parts, or for generating binning (binning) results for any other process or application that utilizes the results type of this kind to, may be utilized.

テストシステム100は、製造プロセス(生産プロセスおよび/またはテストプロセスを含む)と関連する特性および/または問題を同定するテストデータを使用するように構成され得る。 Test system 100 may be configured to use test data to identify characteristics and / or problems associated with the manufacturing process (including production processes and / or testing process). 例えば、テストシステム100は、1つ以上のソースからのテストデータを解析し、そのテストデータの特性を自動的に、製造およびテストプロセスにおける既知の問題、課題、または、特性(例えば、パッド上の残渣、プロービング不良、導電ブリッジ、汚染、スクラッチ、パラメトリック変動、および/または、ステッパまたはレチクル問題)と結び付ける。 For example, the test system 100 analyzes the test data from one or more sources, the characteristics of the test data automatically, known problems in the manufacturing and testing process, problems, or characteristics (e.g., on the pad the residue ties probing poor conductive bridge, contamination, scratching, parametric variations, and / or, stepper or reticle problems) and. テストデータの特性が、既知の課題と対応しない場合、その課題の診断後に、テストシステム100は、その課題に関する情報を受け取り、格納し得る。 Characteristics of the test data, not correspond to known problems, after the diagnosis of the problem, the test system 100 receives information about the object can be stored. それは、テストシステム100が、新たなテストデータの特性に遭遇したときに、それらを診断するように更新されるようするためある。 It test system 100, when encountering the characteristics of new test data, there to to be updated them to diagnose.

特に、診断システム216は、自動的に、テストデータの特性同定、および/または、その考えられるソースまたは原因に従ったこのような特性の分類を行うように、適切に構成される。 In particular, the diagnostic system 216, automatically, characteristic identification of test data, and / or, to perform classification of such properties in accordance with the source or cause is the idea, suitably configured. テストシステム100は、また、不良検出時の警告(例えば、ランタイムおよび/または後の出力レポートに、即座の欠陥分類および通知)を自動的に提供し得る。 Test system 100 may also during failure detection warning (e.g., a runtime and / or after the output report, immediate defect classification and notification) can provide automatically. 様々なテストデータ特性のソースまたは原因に関する情報は、格納され、データと比較され得る。 Information about the source or cause of various test data characteristics are stored, it may be compared with the data. 分類基準および手順は、異なるテストデータ特性が異なる問題と結び付けられるとき、引き続く解析での使用のために、その情報は診断システム216に適切に提供されるように、構成可能である。 Classification criteria and procedures, when different test data characteristics are associated with different problems, for use in the subsequent analysis, the information to be properly provided to the diagnostic system 216 is configurable. 格納された情報によって、特定のデータ環境に応じて変更または更新され得る構成可能な知識ベースが容易になる。 The stored information, configurable knowledge base that may be changed or updated is facilitated in accordance with the particular data environment. 格納された情報によって、また、客観的解析用の既知のシナリオの認識および分類、ならびに、テストの枠組み、ルールおよび兆候に基づく起こりうる課題をレポートするための分類が容易になる。 The stored information, also, recognition and classification known scenarios for objective analysis, as well as the framework of the test, the classification for reporting problems that may occur based on the rules and signs easier. 新たなパターンが特定の問題と結び付けられると、診断システム216が更新されるので、診断システム216は、製品エンジニアリング知識の把握と保持を容易にし、履歴データベースを生成し、整合性ある繰り返し可能な解析方法論を提供する。 When a new pattern is tied to a particular problem, because the diagnostic system 216 is updated, the diagnostic system 216 facilitates grasping and holding of the product engineering knowledge, to generate a historical database, repeatable analysis is consistent to provide a methodology.

例えば、テストデータ診断システム216は、少なくとも一部は、テストデータによって、導かれた問題を診断するように構成され得る。 For example, test data diagnostic system 216, at least in part, the test data may be configured to diagnose guided problem. そのデータは、ランタイムに受信および解析され得て、1つ以上のテストラン完了後にストレージシステムから取り出され得て、および/または、履歴データを含む。 The data is obtained is received and analyzed at runtime, the obtained retrieved from the storage system after one or more test runs completed, and / or, including historical data. 診断システム216は、任意の適切なソース(例えば、パラメトリックテスト、計量、プロセス管理、顕微鏡法、分光法、欠陥解析、および、故障分離データ)からテストデータを受信し得る。 Diagnostic system 216 may be any suitable source (e.g., parametric testing, metering, process management, microscopy, spectroscopy, defect analysis, and, fault isolation data) may receive test data from. 診断システム216は、また、スムージングされたデータ、フィルタリングされた複合データ、テストデータに基づいて生成した追加データ(例えば、ビン結果、SPCデータ、空間解析データ、外れ値データ、複合データ、および、データシグネチャ)のような処理されたデータも受信し得る。 Diagnostic system 216 is also smoothed data, filtered composite data, added were generated based on the test data data (e.g., bottles results, SPC data, spatial analysis data, outlier data, composite data, and data processed data such as signature) may also be received.

例えば、図25を参照すると、本実施形態の診断システム216は、多数のタイプのデータを解析するように構成される。 For example, referring to FIG. 25, the diagnostic system 216 of the present embodiment is configured to analyze a large number of types of data. 診断システム216は、生の電子ウェハーソート(EWS)データ2512、ならびに、EWSビンシグネチャデータ2514、ビンマップおよび/またはイールドパターンデータ2518、外れ値シグネチャデータ2520、および、各ウェハーに対するプロセス管理または電気テスト(ET)データ2516を解析する。 Diagnostic system 216, the raw electronic wafer sort (EWS) data 2512, and, EWS bin signature data 2514, bin map and / yield pattern data 2518, outlier signature data 2520, and the process management or electrical test on each wafer (ET) to analyze the data 2516. EWSビンシグネチャデータ2514は、例えば、補足データ解析エレメント206によって生成され得るようなEWS結果に基づく任意の適切な分類データを含み得る。 EWS bin signature data 2514, for example, may include any suitable classification data based on such EWS results may be generated by the supplementary data analysis element 206. 本実施形態において、EWSビンシグネチャデータ2514は、ウェハー上の各デバイスに対応し、デバイスの欠陥(デバイスが不合格の場合)の大きさ(補足データ解析エレメント206によって判断される重大、かなり、微小のような分類)を示すデータを含む。 In the present embodiment, EWS bin signature data 2514 corresponding to each device on the wafer, the size of the defect of the device (if the device is fail) (severity as determined by the supplementary data analysis element 206, rather, very small including data indicating the classification) as a.

診断システム216は、また、ウェハーおよび/またはコンポーネント106上の様々なポイントにおける電気特性に関するデータのようなプロセス管理データ2516も受信する。 Diagnostic system 216 also processes control data 2516 also receives as data relating to the electrical characteristics at different points on the wafer and / or components 106. さらに、診断システム216は、コンポーネント106の合格/不合格のビン分類を示すウェハーに対するビンマップデータ2518も受信し得る。 Additionally, diagnostic system 216 may also receive bin map data 2518 for the wafer indicating the pass / fail bin classification component 106. 追加的に、診断システム216は、例えば、外れ値分類エレメント212によって生成されたデータなど、外れ値シグネチャビンマップ2520も受信し得る。 Additionally, diagnostic system 216, for example, data generated by the outlier classification element 212, outlier signature bin map 2520 may also be received. 例えば、データ中の各外れ値は、選択された基準によって、軽微、小、中、または重大などのように分類され得る。 For example, each outlier in the data by the selected criteria, minor, small, may be classified as such in, or severe.

診断システム216は、受信したデータを解析し、生産やテストプロセスにおける問題や課題のようなプロセス特性を同定するために、任意の適切な方法によって、構成され得る。 Diagnostic system 216 analyzes the received data, to identify process characteristics, such as problems or issues in the production and testing process, by any suitable method can be configured. プロセス特性は、任意の適切な基準またはプロセスによって、同定され得る。 Process characteristics by any suitable criteria or process can be identified. 例えば、図26を参照すると、本実施形態の診断システム216は、所定の基準によってプロセス特性を同定するためのルールベース解析器2610を備える。 For example, referring to FIG. 26, the diagnostic system 216 of this embodiment includes a rule-based analyzer 2610 for identifying process characteristics according to a predetermined criterion. 追加的または代替的に、診断システム216は、テストデータの認識パターンに基づくプロセス特性を同定するためのパターン認識システム2612を備え得る。 Additionally or alternatively, the diagnostic system 216 may comprise a pattern recognition system 2612 for identifying process characteristics based on the recognition pattern of the test data.

特に、ルールベース解析器2610は、明確なルールのセットに基づく特定の問題に対する特定の特性のテストデータを解析し得る。 In particular, rule-based analyzer 2610 may analyze the test data for a particular characteristic to a particular problem that is based on a set of clear rules. 特定の特性は、特定のテストまたは生産課題に対応する任意の既知のデータセットを適切に含む。 Particular characteristics suitably includes any known data set corresponding to a particular test or production issues. ルールベース解析器2610は、選択されたタイプのデータに対するデータを解析し、対応する信号を生成するように適切に構成される。 Rule-based analyzer 2610 analyzes the data for the type of data selected suitably configured to generate a corresponding signal. 例えば、多数のコンポーネント上の特定の出力ノードに対応するテストが、何ら結果を生成しなかったら、診断システム216は、(a)出力ノードが機能していないか、または、(b)テストプローブが出力ノードと正常な接触をしていないかの通知を生成し得る。 For example, the test corresponding to a particular output node on multiple components, if not produce any results, diagnostic system 216 is either (a) the output node is not functioning, or is (b) Test Probe It may generate one of the notification is not normal contact and an output node.

パターン認識システム2612は、様々なソースからデータを受信し、データ内のパターンを同定するように、適切に構成される。 Pattern recognition system 2612 receives data from various sources, to identify patterns in the data, suitably configured. パターン認識システム2612は、また、同定されたパターンを、そのようなパターンで関連する既知の課題と、例えば、同定されたパターンに基づく特定の原因の可能性を指定することによって、合致させるようにも適切に構成される。 Pattern recognition system 2612, also the identified pattern, the known problems associated with such patterns, for example, by specifying the likelihood of a specific cause based on the identified pattern, so as to coincide also suitably configured. 例えば、異なるウェハー上の同じ位置に位置する同様な不合格ビン結果または外れ値を有するデバイスのクラスタは、生産プロセスにおける特定の問題を示し得る。 For example, a cluster of devices having similar fail bin results or outliers located in the same position on different wafers may indicate a particular problem in the production process. パターン認識システム2612は、生産および/またはテストプロセスにおけるそのような課題を示し得るデータ内のパターンを同定し、解析する。 Pattern recognition system 2612, a pattern in the data such may indicate problems in the production and / or testing process to identify, analyze.

パターン認識システム2612は、様々なテストデータにおけるパターンを同定し、潜在的な生産またはテストにおける課題に対応するパターンを解析するために、任意の方法で構成され得る。 Pattern recognition system 2612 is to identify the patterns in various test data, to analyze the pattern corresponding to the challenges of potential production or test, may be configured in any manner. 本実施形態において、パターン認識システム2612は、テストデータの中のパターン(例えば、クラスタ化した欠陥または外れ値の空間パターン)を認識するように構成されたインテリジェントシステムを備える。 In the present embodiment, the pattern recognition system 2612 includes patterns in the test data (e.g., spatial pattern of clustered defects or outliers) intelligent system configured to recognize. 特に、本実施形態のパターン認識システム2612は、予備プロセッサ2614および分類器2616を含む。 In particular, the pattern recognition system 2612 of the present embodiment includes a pre-processor 2614 and the classifier 2616. 予備プロセッサ2614は、分類器2616によって扱われるデータを処理し、および/または、受け取ったデータ内にある課題に対応し得るパターン同定を行う。 Preliminary processor 2614 processes the data handled by the classifier 2616, and / or, a pattern identification may correspond to issues within the received data. 分類器2616は、同定されたパターンまたは他のデータを、種々の既知のカテゴリまたは未知のカテゴリに分類する。 Classifier 2616, the identified pattern or other data, classified into various known categories or an unknown category.

予備プロセッサ2614は、異なるタイプのデータに対し、異なる動作を実行し得る。 Preliminary processor 2614, for different types of data, may perform different operations. 例えば、予備プロセッサ2614は、EWSビンシグネチャ解析データまたは他のデータが、分類器2616によって使用されるのに予備処理不要な場合など、特定のデータを全く処理しないこともあり得る。 For example, pre-processor 2614, EWS bin signature analysis data, or other data, such as when the classifier 2616 unwanted pretreatment for use by, may sometimes not at all process certain data. 他のテスト結果は、統計的解析に用いられ得る。 Other test results may be used for statistical analysis. 例えば、予備プロセッサ2614は、1つ以上の固有ベクトルまたは固有値を生成するEWSテスト結果に、主要コンポーネント解析を実行し得る。 For example, pre-processor 2614, the EWS test results to generate one or more eigenvectors or eigenvalues ​​may perform the major components analysis. 主要コンポーネント解析は、任意の適切な変数(例えば、ウェハー位置、テストタイプ、および、ウェハーシークエンス)の共分散に基づき得る。 Major component analysis, any suitable variables (for example, wafer position, the test type, and wafer sequencing) may be based on covariance. 本実施形態において、予備プロセッサ2614は、より大きな固有値と関連する固有ベクトルを選択することも、あるいは、最大固有値と関連する固有ベクトルのみを選択することも、また、より意味の少ないコンポーネントを無視することもあり得る。 In this embodiment, the pre-processor 2614 also selects the eigenvector associated with the larger eigenvalue, or it selects only eigenvector associated with the largest eigenvalue may, also, be ignored more components less meaningful possible.

他のデータは、要約されることも、削減されることもあり得る。 Other data may be summarized, may also be reduced. 例えば、プロセス管理データは、ウェハーのテスト構造に対応する一連のテスト値の合計として、要約され得る。 For example, the process management data as the sum of a series of test values ​​corresponding to the test structure of the wafer can be summarized. このように、予備プロセッサ2614は、各テスト構造に対する各テストの値を合計する。 Thus, pre-processor 2614 sums the values ​​for each test for each test structure. 合計の数(および、このように、ベクトルの大きさ)は、それゆえ、テスト構造の数と同じになる。 Total number of (and, thus, the magnitude of the vector) is therefore equal to the number of test structures.

また、他のデータも、予備プロセッサ2614によってフィルタリングされ、さらに処理され得る。 Further, other data may also be filtered by pre-processor 2614, it can be further processed. 例えば、予備プロセッサ2614は、データセットからノイズまたは他の望ましくないデータをフィルタリングするために、および/または、テストデータ(例えば、ビンマップデータおよび外れ値シグネチャビンマップ)の中からパターンを同定するために、任意の適切な方法で構成され得る。 For example, pre-processor 2614, in order to filter noise or other unwanted data from the data set, and / or test data (e.g., bottles map data and outliers signature bin map) to identify the pattern from to, may be configured in any suitable manner. 例えば、予備プロセッサ2614は、パターンを示さないデータセットをフィルタ除去し、データ内のパターンに関連するデータを生成し、そして、分類のために特定のパターンまたは他の特徴を選択するように、適切に構成される。 For example, pre-processor 2614, a data set showing no pattern filtered out, and generates data related to the pattern of the data, and, to select a particular pattern, or other features for classification, appropriate configured. 本実施形態において、予備プロセッサ2614は、パターンフィルタ2618、フィーチャ抽出器2620、および、フィーチャ選択器2622を備える。 In this embodiment, the pre-processor 2614 includes pattern filter 2618, a feature extractor 2620, and, the feature selector 2622. パターンフィルタ2618は、特定のウェハーに対するデータのようなデータセットがパターンを含むかどうかを判断する。 Pattern filter 2618, data sets, such as data for a particular wafer to determine whether to include a pattern. フィーチャ抽出器2620は、パターンフィルタ2618によって指定されたデータセット用の情報を示し、分類器2616によって解析するのに適切なフィーチャを生成する。 Feature extractor 2620, indicates the information for the data set specified by the pattern filter 2618 generates the appropriate features to analyze by the classifier 2616. フィーチャ選択器2622は、分類用にフィーチャを選択する選択基準に従って、生成したフィーチャを解析する。 Feature selection unit 2622, according to the selection criteria for selecting the feature for classification, analyzes the generated features.

パターンフィルタ2618は、任意の適切な方法で、データセット内のパターンを同定するように構成され得る。 Pattern filter 2618, in any suitable manner, may be configured to identify patterns in the data set. 例えば、パターンフィルタ2618は、受け取ったデータを処理し、何らかのパターンがデータの中にないかを検出するように構成されたソフトウェアモジュールを適切に備える。 For example, the pattern filter 2618 processes the received data, suitably comprises a software module some pattern is configured to detect whether there in the data. テストデータの整合性を維持するため、パターンフィルタは、元データからの情報を失わずに、データを適切にプロセスする。 To maintain the integrity of the test data, the pattern filter, without losing information from the original data, appropriately processes the data. パターンフィルタ2618は、検出されたパターンを有するデータセットのみを残し、パターンのないデータセットを処分し得る。 Pattern filter 2618, leaving only the data sets having detected patterns may dispose of no pattern data sets. パターンフィルタ2618は、様々なタイプのデータを独立して解析するようにも、組み合わせて解析するようにも、構成され得る。 Pattern filter 2618 also to analyze independently various types of data, also to combination analyzes can be configured. パターンフィルタ2618は、牛の目(bulls−eye)、ホットスポット、リング、および、他のパターンなど任意の適切なパターンを同定し得る。 Pattern filter 2618, bovine eyes (bulls-eye), hot spots, rings, and may identify any suitable pattern, such as other patterns.

本実施形態において、パターンフィルタ2618は、パターン採掘アルゴリズムに従って、また、既知のパターンまたは理論的パターンと結び付けられた1つ以上のマスクとともに解析する。 In the present embodiment, the pattern filter 2618, according to a pattern mining algorithm and analyzes with one or more masks associated with known patterns or theoretical patterns. 例えば、図28を参照すると、パターンフィルタは、二次元eビンマップを、パターンマスクとともに用いて、テストデータの中央値フィルタリングを実行するように構成され得る。 For example, referring to FIG. 28, the pattern filter, a two-dimensional e bottles maps, used in conjunction with the pattern mask may be configured to perform the median filtering of the test data. パターンマスクは、eビンマップ内のどのデバイスが中央値フィルタリングを実行して選択されるべきかを判断する任意の適切なマスクを備え得る。 Pattern mask may comprise any suitable mask which device in e bin map to determine what should be selected by executing median filtering. 例えば、パターンは、既存シナリオから定義されても、実環境シナリオから定義されても、あるいは、ドメインエキスパートから生成されたシミュレーションによって定義されてもよい。 For example, the pattern can be defined from existing scenarios, it is defined from the real world scenarios, or may be defined by the simulation that is generated from the domain experts. パターンマスクは、分類器2616によって同定されるべきパターンと、適切に同様である。 A pattern mask, a pattern to be identified by the classifier 2616, are suitable as well. 例えば、パターンマスクは、複合解析エレメント214によって生成された情報(例えば、様々なデータセットからの複合マスクデータ、あるいは、合体した複合マスクデータ)を利用し得る。 For example, the pattern mask may utilize the information generated by the composite analysis element 214 (e.g., composite mask data from various data sets or, composite mask data coalesced). しかし、任意の適切にシミュレーションされた理論的パターンも使用され得る。 However, any suitably simulated theoretical pattern may be used.

中央値フィルタリングは、元のeビンマップデータ内のマスクによって選択された各値の近くで実行される。 Median filtering is performed in the vicinity of each value selected by the mask in the original e bin map data. 特に、データセットの各データポイント、および、各データポイントの周囲の選択されたデータポイントは、選択されたマスクそれぞれと比較される。 In particular, each data point of the data set, and, the selected data points surrounding the each data point are compared to each mask selected. 例えば、テストデータ内のマスクによって選択された各値の周りで、中央値は、サイズn×n(例えば、3×3のウィンドー)の近傍を考慮して計算される。 For example, around each value that is selected by the mask in the test data, the median size n × n (e.g., window of 3 × 3) are calculated taking into account the proximity of. これらデータセットでパターンを示さないものは無視される。 Is intended to show no pattern in these data sets are ignored. これらデータセットで、パターンを含むものは、フィーチャ抽出器2620に提供される。 These data sets are those containing a pattern, it is provided to a feature extractor 2620. また、代替的なフィルタリング技術(例えば、本明細書に開示される近似解析パターン分離技術)も適用され得る。 Moreover, alternative filtering techniques (e.g., approximate analysis pattern separation techniques disclosed herein) may also be applied.

本実施形態において、パターンフィルタ2618は、また、データセットのノイズを、例えば、テストデータからの断続的なノイズを除去するなどして、減らす。 In the present embodiment, the pattern filter 2618 also noise data set, for example, such as by removing the intermittent noise from the test data to reduce. パターンフィルタ2618は、ノイズをフィルタリングするための任意の適切なシステム(例えば、空間フィルタリング、中央値フィルタリング、または、テストデータ上でたたみ込み(convolution)プロセス)を用い得る。 Pattern filter 2618 may be any suitable system for filtering noise (e.g., spatial filtering, median filtering, or convolution on test data (convolution) process) may be used. 一つの例示的な実施形態において、パターンフィルタ2618は、データ内の外れ値による「塩コショウ(salt−and−pepper)」的ノイズのようなノイズを低減するために、十字中央値(cross−shape median)フィルタリングのような空間フィルタリングを利用する。 In one exemplary embodiment, the pattern filter 2618, in order to reduce noise, such as "salt and pepper (salt-and-pepper)" noise due to outliers in the data, the cross median (cross-shape median) to use the spatial filtering, such as filtering.

パターンを有するデータセットは、同定されたパターンを特定の課題に合致させるために解析され得る。 Data sets with a pattern can be analyzed to identify patterns in order to meet certain challenges. しかしながら、特定の状況下では、パターンフィルタ2618によって使われる生データは、分類器2616による解析に適切でないこともある。 However, under certain circumstances, raw data used by the pattern filter 2618 may not be suitable for analysis by the classifier 2616. その結果、フィーチャ抽出器2620は、テストデータに基づき、分類器2616によって用いられ得るデータを生成する。 As a result, the feature extractor 2620, based on the test data, and generates data that may be used by the classifier 2616.

本実施形態において、フィーチャ抽出器2620は、パターンフィルタ2618によって指定されたデータセットからの情報を示すフィーチャを生成する。 In this embodiment, the feature extractor 2620 generates features that show information from the data set specified by the pattern filter 2618. フィーチャは、元データの使用が困難または不可能である状況において、特に有用であり得る。 Feature, in the context used in the original data is difficult or impossible may be particularly useful. フィーチャは、次いで、パターンフィルタ2618によって解析されるパターンタイプを同定するため、分類器2616によって解析され得る。 Feature, then, to identify the pattern type to be analyzed by the pattern filter 2618 may be analyzed by the classifier 2616. 例えば、フィーチャ抽出器2620は、元データにある関連情報を、データセットに基づく変数のセットに対する値を計算するなどして、コード化するように構成され得る。 For example, the feature extractor 2620, the related information in the original data, and the like to calculate values ​​for a set of variables based on the data set may be configured to encode. そのフィーチャは、元データ内に存在する関連情報を効率的にコード化するように、かつ、データセット内で対応するパターンを欠陥分類に分類するために、分類器2616によって使用されるように、適切に構成される。 Its feature is to efficiently encode the relevant information residing in the original data, and, in order to classify the corresponding patterns in the data set to defect classification, to be used by the classifier 2616, suitably configured. フィーチャは、また、任意のデータセットから適切に計算され、こうして、テスト自身の性質に対し、テスト中の特定のコンポーネントから独立になる。 Feature, also, appropriately calculated from arbitrary data set, thus, to the nature of the test itself, it becomes independent of the particular component under test.

フィーチャは、データから抽出された任意の適切な情報を含み得る。 Features may include any appropriate information extracted from the data. 本実施形態において、フィーチャ抽出器2620は、幾つかのフィーチャを計算する。 In this embodiment, the feature extractor 2620 calculates several features. これらのフィーチャは、テストされる特定のデバイス、あるいは、テストデータからの、質量、重心、モーメントの幾何学的セット、および、Huの7つのモーメントのようなデータセットの特性とは実質的に無関係に、規格化および/または圧縮化されたデータを示す。 These features, specific device to be tested or, from the test data, mass, center of gravity, geometric set of moments, and substantially independent of the characteristics of the data set, such as the seven moments of Hu to show the normalized and / or compacted data. 質量は、関心あるデータセット内の分布のサイズに関する情報を提供する。 Mass provides information about the size distribution of the data set of interest. 重心は、ダイ内に分布する質量中心に対応するxy座標のような位置を提供する。 The center of gravity provides a location such as a xy coordinates corresponding to the center of mass is distributed in the die. 幾何学的モーメント(例えば、15のモーメントのフルセット)は、データセットと同等の表現を生成する。 Geometric moments (e.g., a full set of 15 moments) generates equivalent expressions and data sets. Huの7つのモーメントは、平行移動、スケーリングおよび回転のアクション下では、不変なモーメントを備える。 Seven moments of Hu are parallel movement, the action of a scaling and rotation, comprising invariant moments.

様々なフィーチャが、任意のデータセットに対して、決定され得る。 Various features, for any data set may be determined. 本実施形態において、フィーチャは、ウェハーに対するビンデータ、外れ値シグネチャデータ、または、他のテストデータに基づいて計算される。 In the present embodiment, feature, bin data for wafers, outlier signature data, or may be calculated based on other test data. このように、質量は、分布の位置に関する情報を何ら与えなくとも、所定のビン内にあるダイ分布の規模または他の値に、一般的に対応する。 Thus, mass, without giving any information about the position of the distribution, the size or other values ​​of die distribution within a given bin, generally corresponds. 座標xとyにおけるテスト値が、f(x,y)のとき、質量Mは以下の等式: Test value at coordinates x and y, when f (x, y), the mass M is the following equation:

に従って、適切に計算される。 Accordingly it is properly calculated. ここで、Nはテストデータセットにおけるデータポイントの総数である。 Here, N is the total number of data points in the test data set. 質量は、データポイントの数(例えば、ウェハー上のダイの個数)が異なるデータセット間で整合性があるように、規格化される。 Mass, number of data points (e.g., the number of dies on a wafer) so that there is consistency between different data sets are normalized.

重心は、x およびy のような空間座標によって規定され得る。 Centroid may be defined by spatial coordinates, such as x c and y c. 重心は、ダイ分布の質量中心を測定して、位置情報を提供する。 Center of gravity, by measuring the center of mass of the die distribution, to provide location information. データの重心は、以下の等式: The center of gravity of the data, the following equation:

のような任意の適切な方法で計算され得る。 It may be calculated in any suitable manner, such as.

次数(p=0...3,q=0...3)の幾何学的モーメントは、以下の等式: Geometrical moment of order (p = 0 ... 3, q ​​= 0 ... 3), the following equation:

に従って計算され得る。 It may be calculated according to.

このモーメントのセットによって供給された情報は、ビンマップがその次数全てのモーメントから構築され得るという意味で、データセットと同等の表現を提供する。 Information supplied by the set of moments, in the sense that bin map can be constructed from the order all moments, providing comparable data set representations. このように、各モーメント係数は、ビンマップに存在する情報の特定量を伝達する。 Thus, each moment coefficient conveys a certain amount of information present in the bottle map.

本実施形態において、Huの7つのモーメントも考慮される(Hu,M.K.、「Visual Pattern recognition by moments invariants」、IRE Transactions on Information Theory、第8巻(2),pp.179−187、1962年を参照)。 In the present embodiment, seven moments of Hu are also considered (Hu, mK., "Visual Pattern recognition by moments invariants", IRE Transactions on Information Theory, Vol. 8 (2), pp.179-187, see 1962). Huの7つのモーメントは、平行移動、スケーリングおよび回転のアクション下では、不変である。 Seven moments of Hu are parallel movement, the action of a scaling and rotation is invariant. Huのモーメントは、以下の等式: Moment of Hu, the following equation:

を用いて、計算され得る。 With, it can be calculated. ここで、η pqは、全てのp、qに対する中心モーメントであり、以下: Here, eta pq, all p, a central moment for q, the following:

によって、定義される。 By, it is defined.

これらモーメントの最初の6つは、対称移動のアクション下でも不変であるが、最後のモーメントは、符号を変える。 One first six of these moments is the invariant in the action of a symmetric movement, the last moment, changes sign. これらの量の値は、非常に大きいことも、異なることもあり得る。 The value of these quantities, very large it may be also different. 厳密な問題を避けるために、絶対値の対数が、分類器2616で、フィーチャとして採択され、通過し得る。 To avoid the exact problem, the logarithm of the absolute value, in the classifier 2616, adopted as a feature, it may pass. これらフィーチャは不変であるため、ビンマップまたは他のデータセットが、スケール、位置、または、角度位置に依存しないシグネチャ分類とともに、解析され場合、優位である。 Since these features are immutable, bottles maps or other data sets, scale, location, or, together with the signature classification that is not dependent on angular position, when analyzed, it is advantageous.

25のフィーチャの代表的なセットは、パターンフィルタ2618によって指定された各ビンマップまたは他のデータセットから、適切に抽出される。 Representative set of 25 features from each bin map or other data set specified by the pattern filter 2618, are properly extracted. このフィーチャの全部または一部分は、分類のために、分類器2616に直接提供され得る。 All or a portion of this feature, for classification, can be provided directly to the classifier 2616. 本実施形態において、全てより少ないフィーチャが、例えば、解析されるべきフィーチャの数を削減するためであって、こうして、解析プロセスの次元も削減するために、分類器2616に提供され得る。 In this embodiment, fewer features all, for example, be for reducing the number of features to be analyzed, thus, to also reduce the dimension of the analysis process, may be provided to the classifier 2616. フィーチャの数を削減すると、計算における複雑性と冗長性とが低減する傾向にある。 Reducing the number of features, and complexity and redundancy in the calculation tends to decrease. さらに、分類器2616に要求される一般化特性は、フィーチャの数を限定されるべきことを要求し得る。 Additionally, generalized characteristics required for the classifier 2616 may require that it should be limited the number of features. 例えば、本分類器2616において、分類器2616の一般化特性は、トレーニングパラメータNに対する自由分類器パラメータの数の比率に対応し得る。 For example, in the classifier 2616, generalization properties of the classifier 2616 may correspond to the ratio of the number of free classifier parameters for training parameters N. フィーチャの数が多いことは、シナプス重量のような分類器パラメータの数が多いことに相当する。 That the number of features is large is equivalent to the large number of classifiers parameters such as synaptic weight. 有限で通常限られた数であるトレーニングパラメータNに関しては、フィーチャが少ない方が、分類器2616の一般化を向上させる傾向がある。 For the training parameters N a limited number usually finite, it features less tends to improve the generalization of the classifier 2616.

本システムのフィーチャ選択器2622は、分類用のフィーチャ選択のために選択された基準に従って、生成したフィーチャを解析する。 The system of feature selector 2622, in accordance with criteria selected for the feature selection for classification, analyzes the generated features. 特に、フィーチャ選択器2622は、解析されるべき特定のフィーチャを選択するように、かつ、分類器2616にフィーチャがその全てより少なく提供することで誘発されるエラーを最小化するように、適切に構成される。 In particular, the feature selector 2622 to select a particular feature to be analyzed, and as features in the classifier 2616 to minimize the error induced by providing fewer than all that, properly constructed. フィーチャ選択器2622は、分類器2616に転送用のフィーチャを選択する任意の適切な方法で構成され得る。 Feature selection unit 2622 may be configured in any suitable way to select features for transfer to the classifier 2616.

本実施形態において、フィーチャ選択器2622は、フィーチャを選択するために、遺伝的アルゴリズムをインプリメントする。 In this embodiment, the feature selector 2622 to select the features, implements a genetic algorithm. 遺伝的アルゴリズムは、並行サーチプロセスを適切に含む。 Genetic algorithm, suitably includes a parallel search process. この並行サーチプロセスは、多数の解決手法を維持し、疑わしい解決手法を除去し、良好な解決手法を改善する傾向がある。 The parallel search process maintains a number of resolution methods, doubtful solving technique to remove, tend to improve the good resolution techniques. 遺伝的アルゴリズム解析は、様々なフィーチャに何回も繰り返し適切に適用され、アルゴリズムの出力は、進化中のプロセスで見出された最適な解決手法となる。 Genetic analysis of algorithms is also repeatedly applied correctly many times various features, the output of the algorithm, the optimum solution techniques found in the process of evolving.

図27を参照すると、本実施形態において、遺伝的アルゴリズムをインプリメントするために、フィーチャ選択器2622は、最初に、GAパラメータ用の値を定義し(2710)、世代カウンタを開始し(2712)、初期の母集団をランダムに形成する(2714)ことから始まる。 Referring to FIG. 27, in this embodiment, to implement the genetic algorithm, the feature selector 2622, first, to define values ​​for GA parameters (2710), starts the generation counter (2712), the initial population is formed at random (2714) begins. 母集団は、コード化された一群の固体を含み、各個体は選択されたフィーチャを代表する。 Population, containing a coded group of solid, each individual representative of the selected features. 初期の母集団における固体のシークエンスは、例えば、自動コンピュータプログラムによって、ランダムに生成される。 Solid sequence in the initial population, for example, by an automated computer programs, are randomly generated. 任意の適切なパラメータが、使用され得る。 Any suitable parameters may be used. 例えば、エポックの数、母集団中の個体数、染色体サイズ、コスト関数、選択比率、交差/複製比率、突然変異率などである。 For example, the number of epochs, the number of individuals in the population, chromosome size, cost function, selecting the ratio, cross / replication ratios, and the like mutation rate. 本システムにおいて、各母集団は、10の異なる固体を有し、その固体は、最適解決手法における特定のフィーチャが存在するか否かを表す。 In this system, each population having a 10 different solid, the solid represents whether certain features in the optimum resolution techniques exist. 言い換えれば、各個体は、フィーチャのセットを表す染色体(すなわち、25ビット(フィーチャの数)のストリング)に二進数でコード化されている。 In other words, each individual chromosome representing a set of features (i.e., a string of 25 bits (number of features)) are coded in binary in. ここで、「1」は分類で考慮される特定のフィーチャを示し、「0」はその位置にあるフィーチャが使用されないことを意味する。 Here, "1" indicates a specific feature to be considered in the classification, "0" means that the feature in that position is not used.

次いで、フィーチャ選択器2622は、初期母集団を評価し(2716)、母集団に交差と突然変異を適用し(2718、2720)、そして、世代カウンタを増加させる(2722)。 Then, the feature selector 2622 evaluates the initial population (2716), applying a cross and mutation to the population (2718,2720), and increases the generation counter (2722). 世代カウンタが、事前に選択された限界(例えば、世代の最大数)に到達したら(2724)、フィーチャ選択器2622は、解析を終了し、選択されたフィーチャを分類器2616に提供する(2726)。 Generation counter is pre-selected limit (e.g., maximum number of generations) Upon reaching (2724), feature selector 2622 terminates the analysis and provides the selected features to the classifier 2616 (2726) . その限界にまだ到達しなかったら、フィーチャ選択器2622は、その子の母集団を繰り返して評価し(2728)、その母集団に交差と突然変異を、限界に到達するまで、適用する。 If not yet reached its limit, the feature selector 2622 is evaluated repeatedly population of its children (2728), cross and mutation to the population until it reaches the limit, applies.

分類器2616は、同定されたパターンを異なる既知のカテゴリ、または、未知のカテゴリに分類する。 Classifier 2616, the different known categories identified pattern, or, classifying the unknown category. 分類器2616は、予備プロセッサ2614によって同定されたパターンをするために、ベイズ分類器または最大尤度分類器のような任意の適切な分類システムを備え得る。 Classifier 2616, to the pattern identified by the preliminary processor 2614 may comprise any suitable classification system, such as a Bayesian classifier or a maximum likelihood classifier. この分類器は、監視された(supervised)非パラメトリック分類器、およびかつ/または、監視された、または、監視されない(unsupervised)ルールベースの分類器である。 The classifier has been monitored (supervised) nonparametric classifier, and and / or monitored, or a not monitored (unsupervised) rule-based classifiers. 本実施形態の分類器2616は、フィーチャ選択器2622によって選択されるフィーチャの解析に基づくパターンを分類するように構成される。 Classifier 2616 of the present embodiment is configured to classify the patterns based on analysis of the features selected by the feature selector 2622.

分類器2616は、フィーチャ抽出器2620によって得られ、フィーチャ選択器2622によって選択されたフィーチャのような解析用データを受け取る。 Classifier 2616 is obtained by the feature extractor 2620 receives data for analysis, such as the selected feature by feature selector 2622. そのデータは、そのデータを既知のパターンに対するデータと比較するために処理される。 The data is processed for comparison with data that data for known patterns. 既知のパターンが、そのデータに合致すると、既知のパターンに対応する課題または特性が記録される。 Known pattern and matches the data, issues or characteristics corresponding to the known pattern is recorded. 例えば、図31A〜Bを参照すると、分類器2616は、入力データにある特定の特性を、ルックアップテーブルを参照するなどして、特定の問題源と関連付け得る。 For example, referring to FIG. 31A~B, classifier 2616, a specific characteristic in the input data, such as by referring to the look-up table, it may be associated with a particular problem sources. また、分類器2616は、パターンに対応する特定課題または特性のある可能性を割り当て得る。 Also, the classifier 2616 may assign the likelihood that a specific problem or characteristic corresponding to the pattern. 既知のパターンのいずれもが、そのデータに合致しない場合、合致しなかったということも記録される。 Any of the known pattern, if not matching the data also recorded that did not match. 次いで、その結果得られる情報が、出力エレメント208に提供され得る。 Then, information obtained as a result can be provided to the output element 208.

図32を参照すると、本実施形態において、分類器2616は、二段階分類器3208を備える。 Referring to FIG. 32, in this embodiment, the classifier 2616 comprises a two-stage classifier 3208. 第一の段階3210は、個々のデータソースからデータを受け取り、潜在的問題に対応するために、例えば、そのデータにおけるルールまたはパターンのセットに従って、そのデータを分類する。 The first stage 3210 receives the data from the individual data sources, in order to respond to the potential problem, for example, according to a set of rules or patterns in the data, classifies the data. 第二の段階3212は、様々な第一段階3210の分類器からのデータを受け取り、全部のデータを分類して、データによって特徴付けられた最も可能性の高い問題源または課題源を同定するために、結果を組み合わせる。 The second stage 3212 receives the data from the various classifiers of the first stage 3210, classifies all the data, to identify the most likely problem source or object source characterized by data to, combining the results.

2つの段階3210、3212にある分類器は、インテリジェントシステムのような任意の適切なシステムを備え得る。 Classifier in two stages 3210,3212 may comprise any suitable system such as the intelligent system. そのシステムは、例えば、神経回路網、パーティクルスウォーム適化(PSO)システム、遺伝的アルゴリズム(GA)システム、ラジアル基本関数(radial basic function)(RBF)神経回路網、多層知覚(MLP)神経回路網、RBF−PSOシステム、MLP−PSOシステム、MLP−PSO−GAシステム、または、他のタイプの分類器、あるいは、その組み合わせである。 The system, for example, neural networks, particle swarm optimization (PSO) system, genetic algorithm (GA) system, radial basis functions (radial basic function) (RBF) neural network, multi-layer perception (MLP) neural network , RBF-PSO system, MLP-PSO system, MLP-PSO-GA system, or other type of classifier, or a combination thereof. 特定のシステムは、特定のデータセットに対する分類器の性能によって、選択され得る。 Particular system, by the performance of the classifier for a particular data set may be selected.

本実施形態は、フィーチャ選択器2622によって選択されたフィーチャを解析するように構成されたRBF神経回路網および/またはフィードフォワードネットワークのような線形神経回路網を含む。 This embodiment includes a linear neural network, such as the configured RBF neural network and / or feed-forward network to analyze the features selected by the feature selector 2622. 図29を参照すると、本実施形態の様々な局面に従うRBF神経回路網2910は、分類器として機能するように、PSOのような進化アルゴリズム技術を用いて、構成される。 Referring to FIG. 29, RBF neural network 2910 in accordance with various aspects of this embodiment, so as to function as a classifier using evolutionary algorithms techniques such as PSO, constructed. RBF回路網は、異なる役割を果たす3つの層を適切に備える。 RBF network is suitably provided with a different role three layers. 入力層2912は、選択されたフィーチャを受け取るために、RBF回路網をフィーチャ選択器2622に接続するソースノードを備える。 Input layer 2912 in order to receive the selected features, a source node connecting the RBF network to the feature selector 2622. 隠れ層を適切に備える第二の層2914は、入力スペースから隠れスペースへの非線形変形を適用する。 The second layer suitably comprises a hidden layer 2914 applies a nonlinear transformation into hidden spaces from the input space. この隠れ層の中で、神経の活性化関数(h (x))は、ラジアル基本関数(RBF Φ)である。 In this hidden layer neural activation function (h i (x)) is a radial basis function (RBF Φ). ガウス関数が一般に使われるが、コーシー関数、多項二次(multiquadric)関数、および、逆多項二次(inverse−multiquadric)関数が使われ得る。 Although the Gaussian function is commonly used, Cauchy function, polynomial secondary (multiquadric) function, and may use the reverse polynomial secondary (inverse-multiquadric) function. 本実施形態において、各隠れ神経は、その入力から神経の中心ポイントcまでの距離を計算し、その距離をRBFに適用する。 In the present embodiment, each hidden neural calculates the distance from the input to the center point c of the nerve, to apply the distance RBF. 出力層2916(o (x))の神経は、隠れ層の出力と、出力層と隠れ層の双方を接続する重みリンクとの間の重み付き合計を実行する。 Nerve of the output layer 2916 (o i (x)) executes the output of the hidden layer, the weighted sum between the weight link connecting both the output layer and the hidden layer. それは、例えば、以下の式: It is, for example, the following formula:

に従う。 According to the. ここで、xは入力、ΦはRBF、C はi番目の隠れ神経の中心、r はその半径、w ijは隠れ神経番号iと出力神経番号jを接続する重みリンク、そして、W は出力神経のバイアスである。 Here, x is the input, [Phi is RBF, C i is the i-th center hidden nerve, r i is a radius, w ij is the weight link connecting the hidden neural number i and the output neural number j Then,, W 0 is the bias of the output nerve.

言い換えれば、隠れ層2914の神経は、入力スペースから隠れスペースへの次元が高い非線形変形を適用し、出力層2916は、隠れユニットスペースから出力スペースへの線形変形を実行する。 In other words, the nerve of the hidden layer 2914 apply a dimension higher nonlinear deformation to hidden spaces from the input space, the output layer 2916 performs a linear transformation into output space from hidden units space. この配列を正当化するのは、高次元スペースの中に非線形的に注入されたパターン分類問題は、低次元スペースにおいてよりも、線形的に分離可能になりやすいことである。 To justify this sequence, nonlinear injected pattern classification problem into a high-dimensional space, rather than in the low-dimensional space, it is to likely to linearly separable.

2つの段階3210、3212にある分類器のパラメータ(例えば、基底関数(Basis function)の数、および、RBF回路網に対するそのそれぞれの中心および幅)は、PSOのような進化アルゴリズムに従う進化の影響を受けやすい。 Into two stages 3210,3212 certain classifier parameters (e.g., the number of basis functions (Basis function), and, their respective central and width to RBF network) has the effect of evolution according evolutionary algorithm, such as PSO susceptible. 本実施形態において、アルゴリズムの各パーティクルは、中心および半径の値を示す。 In this embodiment, each particle of the algorithm indicates the center and radius values. 図33を参照すると、基本関数の幅が、範囲[0,1]の中でランダムに初期化され、その中心は、トレーニングセット内の入力間で、ランダムに選択される(3310)。 Referring to FIG. 33, the width of the base function is initialized randomly within the range [0,1] and the center thereof, between the input of the training set is selected randomly (3310).

隠れ層における基本関数の数の進化に関して、このアプローチは、建設的な方法として特徴付けられる。 Regard the evolution of the number of basis functions in the hidden layer, this approach is characterized as constructive way. 例えば、進化の開始時において、母集団における各回路網のサイズは最小(例えば、隠れ層に1つの神経のみ)であるようにである。 For example, at the start of evolution, the size of each network in the population minimum (e.g., only one neural hidden layer) is as a. 進化のプロセスが進行すると、回路網は、隠れ層に更なる神経を追加して、成長する。 When the process of evolution proceeds, the network, by adding a further neural hidden layer, is grown. 全ての回路網が、隠れ層の単一の基本関数で初期化され、回路網は、徐々に増えて形成される。 All circuitry is initialized with a single basic function of the hidden layer, the network is formed by gradually increasing. 最適化の繰り返しそれぞれに対し、スウォーム(swarm)の全体性能(すなわち、その繰り返しの中で最良のパーティクルの平均二乗誤差)が計算される(3312)。 To repeat each optimization, swarm overall performance (i.e., the mean square error of the best particles in its repetition) of (swarm) is calculated (3312). その全体誤差が、前回の繰り返しにおけるスウォームの性能に対して、増加したら(3314)、1つの基本関数が各神経回路網の隠れ層に追加される(3316)。 Its overall error, the performance of the swarm in the previous iteration, when an increase (3314), one of the basic functions are added to the hidden layer of the neural network (3316).

パーティクルは、サークルトポロジで、lbest近傍の中に構造化(ローカルモデル)され得る。 Particles, Circle topology can be structured (local model) in lbest vicinity. ここで、各パーティクルは、その直接隣り合う近傍によってのみ、影響を受ける。 Here, each particle only by proximity adjacent that directly affected. このタイプのトポロジにおいて、母集団の一部は互いにかなり離れ得るのに、近傍は緊密に接続される。 In this type of topology, although part of the population may leave much to each other, near it is tightly connected. このように、母集団の1セグメントは、ローカルな最適条件に集中し得るが、その間、他のセグメントは、異なる最適条件に集中するか、あるいは、サーチを続ける。 Thus, one segment of the population, but may concentrate on the local optima, while the other segment, or to focus on different optimal conditions, or continue the search. このトポロジにおいて、近傍から近傍へと影響が広がり、最適値が、母集団の任意の部分によって見出されたベストな値であれば、この最適値は、結局のところ、全てのパーティクルを中に引き込む。 In this topology, spread impact to the vicinity of the vicinity of the optimum value, if the best value found by any portion of the population, the optimum value, after all, while all particles draw.

PSOアルゴリズムにおいて、慣性重量が、パーティクルの軌跡に影響を与える。 In the PSO algorithm, inertia weight, affect the trajectory of the particle. 非ゼロ慣性係数は、パーティクルに、同じ方向に動き続けるような優先傾向を与える。 Non-zero inertia coefficients, the particle gives preference as continue to move in the same direction. 慣性係数は、慣性重量が時間とともに減少して不安定になるなど、不安定性を取り除くべく、典型的には、約0.9〜0.4に調整され得る。 Inertia coefficient, such as an inertial weight becomes unstable and decreases with time, to eliminate the instability, may typically be adjusted to about 0.9 to 0.4. 代替的に、係数は、直線的に減衰するのではなく、放物線的に減衰するような二次元の表現を有し得る。 Alternatively, the coefficients, rather than linearly decay, may have a two-dimensional, such as attenuated parabolic representation. 時間減少する係数の影響は、サーチを狭める傾向があり、探査的モードから搾取的モードへのシフトを招く。 The influence of the coefficient to reduce time, there is a tendency to narrow the search, resulting in a shift from the exploratory mode to the exploitative mode.

以下の表は、係数の値の例示的なセットを要約したものである。 The following table summarizes an exemplary set of values ​​of coefficients.

分類器2616は、また、その対応する特性に基づいて、示唆された修正アクションも提供し得る。 Classifier 2616, also based on the corresponding characteristic, corrective action is suggested to provide. 特に、分類器2616は、データベース114のようなメモリにアクセスするように構成され得る。 In particular, the classifier 2616 may be configured to access the memory such as a database 114. それは、様々な製造および/またはテストプロセスの特性に応答して、修正アクション候補のセットを同定するためである。 It is responsive to the characteristics of various manufacturing and / or testing process is to identify a set of corrective action candidates. 例えば、同定されたパターンに合致する特性が、コンポーネントが製造プロセスの特定ポイントで過度な加熱に曝されたことを示したら、分類器2616は、その課題を是正する特徴に対応する潜在的な修正アクション(例えば、特定の製造ポイントで、ウェハーの曝される温度降下または時間短縮などのアクション)を求めて、データベース114をチェックし得る。 For example, the characteristics that match the identified patterns, once indicates that the component is exposed to excessive heat in certain points of the manufacturing process, the classifier 2616, potential correction corresponding to the feature to correct the problem action (e.g., at a particular manufacturing point, actions such as temperature drop or time reduction exposure of wafer) seeking may check the database 114.

パターン認識システム2612は、また、同定されたパターンおよび対応する課題に関する追加情報を学習するようにも構成され得る。 Pattern recognition system 2612 may also may also be configured to learn additional information about the identified patterns and corresponding issues. 例えば、パターン認識システム2612は、パターン同定後に、診断フィードバック情報を受け取るように、構成され得る。 For example, the pattern recognition system 2612, after the pattern identification, to receive diagnostic feedback information can be configured. 診断フィードバック情報は、同定されたパターンの原因となった生産プロセスまたはテストプロセスで同定された実際の課題に、適切に対応する。 Diagnostic feedback information, the actual issues identified in the production process or test process that caused the identified pattern to appropriately respond. パターン認識システムは、次いで、その課題の再発を同定するために、将来のデータ解析用として診断フィードバック情報を使用し得る。 Pattern recognition system, then, in order to identify the recurrence of the problems may use diagnostic feedback information for the future data analysis.

本テストシステム100の様々な機能およびエレメントは、マルチサイトのテストデータおよび従来式の単一サイトのデータをプロセスするように構成され得る。 Various functions and elements of the present test system 100 may be configured to process data for a single site test data and conventional multi-site. 従来式の単一サイトのデータと異なり、マルチサイトのデータは、ウェハーの異なるパーツから同時に受信され、異なるハードウェアおよびソフトウェアリソースを用いて、受信され得る。 Unlike data conventional single site, the data of the multi-site are received simultaneously from different wafer parts, using different hardware and software resources, it may be received. その結果、異なるサイトからのデータは、デバイスの違い以外の要因(例えば、プローブのハードウェアの違いなど)のために、異なり得る。 As a result, the data from different sites, due to factors other than the difference of the device (e.g., differences in probe hardware) may vary. 従って、テストシステム100は、マルチサイトのテストと関連する潜在的な問題を最小限にし、および/または、マルチサイトのテストと関連し得る問題を同定して、マルチサイトのテストに対するテストデータを解析するように構成され得る。 Accordingly, the test system 100 is to minimize potential problems associated with testing of multi-site, and / or to identify the problems which may be associated with testing multi-site, analyzing the test data to the test multi-site It may be configured to.

例えば、一実施形態において、補足データ解析システム206、複合解析システム214、および/または、診断システム216は、個々のサイトそれぞれに対するテストデータの解析を、プローブそれぞれからのテストデータが、別個のテスタ102によって生成されたかのように、独立に実行し得る。 For example, in one embodiment, the supplementary data analysis system 206, the composite analysis system 214, and / or diagnostic system 216, the analysis of the test data for each individual site, the test data from each probe, separate tester 102 as if produced by, it may be executed independently. その結果、様々なサイト間での不整合があっても、データ解析における問題の原因とならない。 As a result, even if there is mismatch between the various sites, it does not cause problems in data analysis.

他の実施形態において、補足データ解析システム206、複合解析システム214、および/または、診断システム216は、ある計算において、異なるサイトからのデータを独立して解析すること、他の計算において、2つ以上のサイトからのデータを合体すること、および、独立したサイトのデータと合体したデータとの双方を用いて、幾つかの計算を実行することもある。 In another embodiment, the supplementary data analysis system 206, the composite analysis system 214, and / or diagnostic system 216, in some calculations, analyzing independently data from different sites, in other calculations, two to coalesce data from more sites, and, by using both the coalesced data independent site data, also perform several calculations. 例えば、中央値テスタの値と関連する統計計算は、各サイトに対し、独立して計算され得る。 For example, statistical calculations associated with the value of the median tester, for each site can be calculated independently. しかしながら、近似解析を実行するため、テストシステム100は、全サイトからのデータを用いて、合体したデータセットを用い得る。 However, in order to perform an approximate analysis, the test system 100 uses the data from all sites may use a data set coalesced. データは、任意の適切な方法で、マルチサイトのテストによって生じるばらつきが認識および/または提起されるように、取り扱われ得る。 Data in any suitable manner, as the variation caused by the test of the multi-site is recognized and / or raised, can be handled.

動作において、データは様々なソースから受信される。 In operation, data is received from various sources. データは、例えば、問題を知るために、確実に対応するデータのように、最初に、ルールベースの診断によって、解析される。 Data, for example, to know the problems, as surely corresponding data, first, by the diagnostic rule-based, are analyzed. 診断システム216は、ルールベースの解析を用いて同定された特定の課題を指示する出力を生成する。 Diagnostic system 216 generates an output indicative of the specific problems identified using a rule-based analysis. 次いで、そのデータはパターン認識システム2612に提供され、そのシステムは、データ内のパターンを同定するために、データを解析する。 Then, the data is provided to a pattern recognition system 2612, the system, to identify patterns in the data, analyzes the data. 次いで、パターン認識システム2612は、特定の生産またはテスト課題に対応する同定されたパターンを解析し得る。 Then, the pattern recognition system 2612 may analyze the identified pattern corresponding to a particular production or test issues. パターン認識システム2612は、パターンに基づく特定の課題と結び付きそうな可能性を、適切に割り当てる。 Pattern recognition system 2612, a likely possibility association with specific issues based on the pattern, allocated appropriately. 診断システム216は、また、データ内で同定されたパターンに基づき、修正アクションを勧告し得る。 Diagnostic system 216 is also based on the pattern identified in the data may recommend corrective action. 診断システム216は、次いで、様々な同定された課題および提案された修正アクションを知らせる出力レポートを生成し得る。 Diagnostic system 216 may then generate an output report informing been various identified issues and the proposed corrective action. そのレポートされた課題が提起された後、パターン認識システム2612は、診断フィードバック情報を受信し得る。 After the report has been problem has been raised, the pattern recognition system 2612 may receive diagnosis feedback information. 診断フィードバック情報は、今後の解析に使用するために、パターン認識システム2612に格納される。 Diagnostic feedback information for use in future analysis, are stored in the pattern recognition system 2612.

図示および記載されてきた特定のインプリメンテーションは、本発明およびそのベストモードの単なる例示に過ぎず、何ら本発明の範囲を限定することを意図しない。 Specific implementations have been shown and described is not intended to limit the scope of the present invention and merely illustrative of the best mode, any present invention. 簡略化のため、従来式の信号プロセッシング、データ転送、および、システムの他の機能的局面(および、システムのコンポーネントを動作する個々のコンポーネント)は、詳細に示されていないこともある。 For simplicity, conventional signal processing, data transmission, and other functional aspects of the systems (and the individual components operating components of the system) may also not shown in detail. さらに、様々な図面に示される接続線は、様々なエレメント間の例示的機能的関係および/または物理的結合を表現することを意図する。 Furthermore, the connecting lines shown in the various figures are intended to represent exemplary functional relationships and / or physical couplings between the various elements. 代替または追加の機能的関係または物理的接続は、実際のシステムに数多く存在し得る。 Alternative or additional functional relationships or physical connections may be present a number to an actual system. 本発明は、好ましい実施形態を参照しながら、以上に記載されてきた。 The present invention, with reference to the preferred embodiments have been described above. しかしながら、本発明の範囲から逸脱することなく、変更および改変がなされ得る。 However, without departing from the scope of the present invention, may be made that changes and modifications. これら、および、その他の変更または改変は、以下の請求項で表現されるように、本発明の範囲内に含まれることが意図される。 These and other changes or modifications, as expressed in the following claims are intended to be included within the scope of the present invention.

図1は、本発明の様々な局面に従うテストシステムおよび関連機能コンポーネントのブロック図である。 Figure 1 is a block diagram of a test system and related functional components in accordance with various aspects of the present invention. 図2は、テストシステムを動作するエレメントのブロック図である。 Figure 2 is a block diagram of elements for operating the test system. 図3は、構成エレメントに対する流れ図を示す。 Figure 3 shows a flow diagram for the configuration element. 図4Aは、補足データ解析エレメントに対する流れ図を示す。 Figure 4A illustrates a flow diagram for the supplementary data analysis element. 図4Bは、補足データ解析エレメントに対する流れ図を示す。 Figure 4B shows a flow diagram for the supplementary data analysis element. 図4Cは、補足データ解析エレメントに対する流れ図を示す。 Figure 4C shows a flow diagram for the supplementary data analysis element. 図5は、ウェハーの様々なセクションとセクショニング技術の図である。 5 is a diagram of various sections and sectioning techniques wafer. 図6Aは、さらに、補足データ解析エレメントに対する流れ図を示す。 Figure 6A also shows a flow diagram for the supplementary data analysis element. 図6Bは、さらに、補足データ解析エレメントに対する流れ図を示す。 Figure 6B further shows a flow diagram for the supplementary data analysis element. 図7は、出力エレメントに対する流れ図を示す。 Figure 7 shows a flow diagram for the output element. 図8は、本発明の様々な局面に従う例示的データスムージングシステムの動作に対する流れ図である。 Figure 8 is a flow diagram illustrating an operation of an exemplary data smoothing system in accordance with various aspects of the present invention. 図9は、多数のコンポーネントのテストに対するテストデータのプロットである。 Figure 9 is a plot of the test data to the test number of components. 図10は、多数のデバイスを有するウェハーの図、および、そのウェハーに対する抵抗率プロファイルである。 Figure 10 is a diagram of a wafer having a large number of devices, and a resistivity profile for the wafer. 図11は、図10のウェハーの様々なデバイスにおける抵抗の母集団に対する抵抗値のグラフである。 Figure 11 is a graph of resistance values ​​for resistor population in the various devices of the wafer of Figure 10. 図12Aは、図10の様々なデバイスに対する生テストデータおよび外れ値検出トリガのそれぞれ一般的なプロットおよび詳細なプロットである Figure 12A is a respective common plots and detailed plots of raw test data and outlier detection triggers for the various devices of Figure 10 図12Bは、図10の様々なデバイスに対する生テストデータおよび外れ値検出トリガのそれぞれ一般的なプロットおよび詳細なプロットである Figure 12B is a respective common plots and detailed plots of raw test data and outlier detection triggers for the various devices of Figure 10 図13は、本発明の様々な局面に従う複合解析プロセスの流れ図である。 Figure 13 is a flow diagram of a composite analysis process according to various aspects of the present invention. 図14は、3枚の代表的なウェハー上の代表的なデータポイント位置の図である。 14 is a diagram of a representative data point location on three representative wafers. 図15Aは、累積二乗複合データ解析プロセスに関する流れ図とチャートである。 Figure 15A is a flow diagram and chart for cumulative squared composite data analysis process. 図15Bは、累積二乗複合データ解析プロセスに関する流れ図とチャートである。 Figure 15B is a flow diagram and chart for cumulative squared composite data analysis process. 図15Cは、累積二乗複合データ解析プロセスに関する流れ図とチャートである。 Figure 15C is a flow diagram and chart for cumulative squared composite data analysis process. 図16は、ウェハー上で定義された除外ゾーンの図である。 Figure 16 is a diagram of exclusion zone defined on a wafer. 図17Aは、近似重み付けプロセスの流れ図である。 Figure 17A is a flow diagram of the approximate weighting process. 図17Bは、近似重み付けプロセスの流れ図である。 Figure 17B is a flow diagram of the approximate weighting process. 図18は、近似重み付けを受けたデータポイントのセットの図である。 Figure 18 is a diagram of a set of data points that received the approximation weighting. 図19は、クラスタ検出およびフィルタリングプロセスの流れ図である。 Figure 19 is a flow diagram of a cluster detection and filtration process. 図20は、検出およびフィルタリングを受けたクラスタのセットの図である。 Figure 20 is a diagram of a set of receiving the detection and filtering clusters. 図21は、絶対合体プロセスを用いて合体されたデータポイントのセットの図である。 21 is a diagram of a set of combined data points using the absolute coalescence process. 図22は、重複合体プロセスを用いて合体されたデータポイントのセットの図である。 Figure 22 is a diagram of a set of combined data points using overlapping coalescence process. 図23は、パーセンテージ重複合体プロセスを用いて合体したデータポイントのセットの図である。 Figure 23 is a diagram of a set of data points merged using percentage overlap merge process. 図24は、パーセンテージ重複合体プロセスを用いて合体したデータポイントのセットの図である。 Figure 24 is a diagram of a set of data points merged using percentage overlap merge process. 図25は、テストデータを用いてプロセスの特性を同定するシステムのブロック図である。 Figure 25 is a block diagram of a system for identifying the characteristics of the process by using the test data. 図26は、診断システムのブロック図である。 Figure 26 is a block diagram of a diagnostic system. 図27は、分類プロセスの流れ図である。 Figure 27 is a flow diagram of the classification process. 図28は、パターンフィルタリングプロセスの図である。 28 is a diagram of a pattern filtering process. 図29は、神経回路網の図である。 Figure 29 is a diagram of a neural network. 図30は、1つ以上の外れ値同定アルゴリズムを自動的に選択するシステムの図である。 Figure 30 is a diagram of a system for selecting one or more outlier identification algorithm automatically. 図31Aは、異なるタイプの入力データ特性と、その特性の考えられる原因との関係を示すチャートである。 Figure 31A is a chart illustrating different and types of input data characteristics, the relationship between the possible causes of its characteristics. 図31Bは、異なるタイプの入力データ特性と、その特性の考えられる原因との関係を示すチャートである。 Figure 31B is a chart illustrating different and types of input data characteristics, the relationship between the possible causes of its characteristics. 図32は、分類プロセスの図である。 Figure 32 is a diagram of the classification process. 図33は、パーティクルスウォーム最適化プロセスの流れ図である。 Figure 33 is a flow diagram of a particle swarm optimization process.

Claims (19)

  1. コンポーネントのセットをテストし、該コンポーネントのセットに対するテストデータを生成するように構成されたテスタと、 Test the set of components, and configured tester to generate test data for a set of said components,
    該コンポーネントの製造プロセスの内部に関連する問題を同定するために、該テストデータを該テスタから受け取り、該テストデータを自動的に解析するように構成された診断システムとを備える、 テストデータを収集および解析するために半導体チップをテストするためのテストシステムであって、 To identify the problems associated with the interior of the manufacturing process of the components, receive the test data from the tester, and a configuration diagnostic system to automatically analyze the test data, collects test data and a test system for testing semiconductor chip to analyze,
    該診断システムは、該テストデータにおけるパターンを認識し、該認識されたパターンと該問題とをマッチさせるように構成され、該診断システムは、進化アルゴリズムを用いて該パターンを分類するように構成された分類器を含む、テストシステム。 The diagnostic system recognizes patterns in the test data, is configured to match the said recognized pattern with said problem, the diagnostic system is configured to classify the pattern using an evolutionary algorithm It was including the classifier, the test system.
  2. 前記進化アルゴリズムは、パーティクルスウォーム最適化アルゴリズムを含む、請求項1に記載のテストシステム。 The evolutionary algorithm comprises a particle swarm optimization algorithm, test system of Claim 1.
  3. 前記診断システムが、少なくとも2つの段階を含み、 It said diagnostic system comprises at least two stages,
    第一の段階が、異なるタイプのテストデータを受け取り、該異なるタイプのテストデータに基づき第一の段階のデータを生成するように構成された複数の分類器を含み、 The first stage comprises a different receipt types of test data, a plurality of classifiers that is configured to generate data of a first stage on the basis of said different types of test data,
    第二の段階が、該複数の分類器から該第一の段階のデータを受け取り、該第一の段階のデータに基づき、進化アルゴリズムを用いて、前記パターンを分類するように構成されている、請求項1に記載のテストシステム。 The second stage receives the data of the first stage from the plurality of classifiers, based on data of the first step, by using an evolutionary algorithm, is configured to classify the pattern, test system according to claim 1.
  4. 前記第一の段階および第二の段階が、自己適応性システムを含み、該第一の段階および第二の段階が、独立に訓練可能である、請求項3に記載のテストシステム。 The first stage and the second stage comprises a self-adaptive system, stage and a second stage said first is a trainable independently test system of claim 3.
  5. 前記進化アルゴリズムが、パーティクルスウォーム最適化アルゴリズムおよび遺伝的アルゴリズムのうちの少なくとも1つを含む、請求項1に記載のテストシステム。 The evolutionary algorithm comprises at least one of the particle swarm optimization algorithms and genetic algorithms, test system according to claim 1.
  6. 前記診断システムが、パーティクルスウォーム最適化システム、遺伝的アルゴリズムシステム、ラジアル基本関数神経回路網、および多層知覚神経回路網のうちの少なくとも1つを含む、請求項1に記載のテストシステム。 It said diagnostic system, particle swarm optimization system, genetic algorithm system, radial basis function neural network, and includes at least one of the multilayer perception neural network, the test system according to claim 1.
  7. 前記診断システムが、前記テストデータを解析するための外れ値同定アルゴリズムを自動的に選択するように構成されている、請求項1に記載のテストシステム。 Said diagnostic system, said outlier identification algorithm for analyzing the test data and is configured to automatically select, test system of Claim 1.
  8. 前記診断システムが、前記テストデータのデータ集団のタイプおよび前記テスタにより生成されるテストのタイプのうちの少なくとも1つに基づき、前記外れ値同定アルゴリズムを選択するように構成されている、請求項7に記載のテストシステム。 Said diagnostic system, based on at least one of the type of tests that are generated by the type and the tester data population of the test data, and is configured to select the outlier identification algorithm, according to claim 7 test system as claimed in.
  9. 前記診断システムが、複数の外れ値同定アルゴリズムを用いて、前記テストデータを解析するように構成されている、請求項7に記載のテストシステム。 Said diagnostic system, using a plurality of outlier identification algorithm, is configured to analyze the test data, the test system of claim 7.
  10. 前記診断システムが、構成可能なアルゴリズムライブラリから前記外れ値同定アルゴリズムを選択するように構成されている、請求項7に記載のテストシステム。 Said diagnostic system, and a configurable algorithm library to select the outlier identification algorithm, test system of claim 7.
  11. 構成可能な知識ベースをさらに備え、前記診断システムが、前記テストデータを解析するために、該知識ベースから、格納された情報を引き出すように構成されている、請求項1に記載のテストシステム。 Further comprising a configurable knowledge base, the diagnostic system, for analyzing the test data, from the knowledge base, and is configured to draw the stored information, the test system according to claim 1.
  12. 前記診断システムが、一組の履歴テストデータから学習するように構成されている自己適応性システムを含む、請求項11に記載のテストシステム。 The diagnostic system includes a self-adaptive system that is configured to learn from a set of historical test data, the test system of claim 11.
  13. 前記自己適応性システムが、前記テスタにより生成された前記テストデータから学習するように構成されている、請求項12に記載のテストシステム。 The self adaptive system is configured to learn from the test data generated by the tester, the test system of claim 12.
  14. 前記診断システムが、前記テストデータに基づき、補足データを生成するように構成され、該補足データが、前記コンポーネントのタイプにも該テストデータのタイプにも依存しない、請求項1に記載のテストシステム。 Said diagnostic system, based on the test data, configured to generate supplemental data, the supplemental data does not also depend on the type of the test data on the type of the component, the test system according to claim 1 .
  15. 前記診断システムが、前記テストデータをフィルタリングするように構成されている、請求項14に記載のテストシステム。 It said diagnostic system is configured to filter the test data, the test system of claim 14.
  16. 前記診断システムが、前記テストデータにおけるトレンドを同定するように構成されている、請求項14に記載のテストシステム。 It said diagnostic system is configured to identify trends in the test data, the test system of claim 14.
  17. 前記テスタが、マルチサイトのテストを用いて前記テストデータを生成するように構成され、前記診断システムが、該マルチサイトのテストの影響を相殺するために、該テストデータを規格化するように構成されている、請求項1に記載のテストシステム。 The tester is configured to generate the test data using test multisite, the diagnostic system, in order to offset the effects of a test of the multi-site, configured to normalize the test data It is test system of claim 1.
  18. 前記テストデータが、履歴データおよびリアルタイムデータのうちの少なくとも1つを含む、請求項1に記載のテストシステム。 The test data comprises at least one of the history data and real-time data, the test system according to claim 1.
  19. 前記診断システムが、前記テストデータ解析に基づき、修正アクションを自動的に提供するように構成されている、請求項1に記載のテストシステム。 Said diagnostic system, based on said test data analysis, and is configured to automatically provide the corrective action, testing system according to claim 1.
JP2006552346A 2001-05-24 2005-02-07 The method and apparatus of the data analysis Active JP4728968B2 (en)

Priority Applications (7)

Application Number Priority Date Filing Date Title
US54245904 true 2004-02-06 2004-02-06
US60/542,459 2004-02-06
US54608804 true 2004-02-19 2004-02-19
US60/546,088 2004-02-19
US10817750 US7395170B2 (en) 2001-05-24 2004-04-02 Methods and apparatus for data analysis
US10/817,750 2004-04-02
PCT/US2005/003923 WO2005077024A3 (en) 2004-02-06 2005-02-07 Methods and apparatus for data analysis

Publications (2)

Publication Number Publication Date
JP2007522658A true JP2007522658A (en) 2007-08-09
JP4728968B2 true JP4728968B2 (en) 2011-07-20



Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006552346A Active JP4728968B2 (en) 2001-05-24 2005-02-07 The method and apparatus of the data analysis

Country Status (1)

Country Link
JP (1) JP4728968B2 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5130936A (en) * 1990-09-14 1992-07-14 Arinc Research Corporation Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
JP2000116003A (en) * 1998-09-29 2000-04-21 Fuji Electric Co Ltd Method for controlling reactive voltage power
JP2004012422A (en) * 2002-06-11 2004-01-15 Dainippon Screen Mfg Co Ltd Pattern inspection device, pattern inspection method, and program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5130936A (en) * 1990-09-14 1992-07-14 Arinc Research Corporation Method and apparatus for diagnostic testing including a neural network for determining testing sufficiency
JP2000116003A (en) * 1998-09-29 2000-04-21 Fuji Electric Co Ltd Method for controlling reactive voltage power
JP2004012422A (en) * 2002-06-11 2004-01-15 Dainippon Screen Mfg Co Ltd Pattern inspection device, pattern inspection method, and program

Also Published As

Publication number Publication date Type
JP2007522658A (en) 2007-08-09 application

Similar Documents

Publication Publication Date Title
Chen et al. A neural-network approach to recognize defect spatial pattern in semiconductor fabrication
US6292582B1 (en) Method and system for identifying defects in a semiconductor
US6542830B1 (en) Process control system
US5917332A (en) Arrangement for improving defect scanner sensitivity and scanning defects on die of a semiconductor wafer
US20040223639A1 (en) System for creating an inspection recipe, system for reviewing defects, method for creating an inspection recipe and method for reviewing defects
US6028994A (en) Method for predicting performance of microelectronic device based on electrical parameter test data using computer model
US20040254752A1 (en) System for identification of defects on circuits or other arrayed products
US6952657B2 (en) Industrial process fault detection using principal component analysis
US20070288219A1 (en) Methods and systems for utilizing design data in combination with inspection data
US20070035322A1 (en) Testing method detecting localized failure on a semiconductor wafer
US20010000460A1 (en) Semiconductor failure analysis system
US6185707B1 (en) IC test software system for mapping logical functional test data of logic integrated circuits to physical representation
US7877722B2 (en) Systems and methods for creating inspection recipes
US6319737B1 (en) Method and apparatus for characterizing a semiconductor device
US20070052963A1 (en) Grouping systematic defects with feedback from electrical inspection
US5787190A (en) Method and apparatus for pattern recognition of wafer test bins
US7136716B2 (en) Method for providing control to an industrial process using one or more multidimensional variables
US6836691B1 (en) Method and apparatus for filtering metrology data based on collection purpose
US20030138978A1 (en) Method for manufacturing semiconductor devices and method and its apparatus for processing detected defect data
US20080167829A1 (en) Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US20090257645A1 (en) Methods and systems for determining a defect criticality index for defects on wafers
US20040006447A1 (en) Methods and apparatus for test process enhancement
US6507800B1 (en) Method for testing semiconductor wafers
US20020121915A1 (en) Automated pattern clustering detection for wafer probe maps
US20040210413A1 (en) Dynamic creation and modification of wafer test maps during wafer testing

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal


Effective date: 20100823

A521 Written amendment


Effective date: 20101119

A131 Notification of reasons for refusal


Effective date: 20110107

A521 Written amendment


Effective date: 20110304

A01 Written decision to grant a patent or to grant a registration (utility model)


Effective date: 20110325

A61 First payment of annual fees (during grant procedure)


Effective date: 20110415

R150 Certificate of patent or registration of utility model


FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140422

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140422

Year of fee payment: 3

RD02 Notification of acceptance of power of attorney


S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140422

Year of fee payment: 3

R350 Written notification of registration of transfer


FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140422

Year of fee payment: 3

R250 Receipt of annual fees


R250 Receipt of annual fees


R250 Receipt of annual fees


R250 Receipt of annual fees


R250 Receipt of annual fees