JP4786505B2 - 不良検出方法 - Google Patents

Description

本発明は、ウェーハ毎に発生した不良の分布に基づき、半導体集積回路の製造工程に用いた異常製造装置を検出する不良検出方法に関する。

LSI等の半導体集積回路の製造の生産性を向上させるために、半導体集積回路の歩留りを向上させることが試みられている。歩留りを向上させるために、歩留りを下げている不良を分析し、その不良の原因となっている製造工程、製造装置、あるいはLSIの設計条件を早期に解明し、改善している。しかし、LSIは数百の製造工程を経て、数百の製造装置を用いて製造される。テストにおいてLSIの不良が確認されても、その不良を発生させた製造工程と製造装置を特定することは困難であった。

LSIのテストには、大きく分けてウェーハ製造工程の終了後で組立工程の前に行うウェーハテストと、組立工程の終了後に行うファイナルテストがある。ウェーハテストは、組立工程への不良チップの混入の低減を目的としている。ファイナルテストは、ユーザへの出荷に先立ち、メーカ側が保証する性能をLSIが満たしていることを確認することを目的としている。特に、ウェーハテストは、丸い形状のウェーハに対して行われる。テスト結果の不良をウェーハ面内位置でマッピング表示すると、ウェーハ面内の不良の発生位置が分かる。その代表的なものが、メモリ製品で取得されるフェイルビットマップ(FBM :Fail Bit Map)である。

ウェーハ面内にマッピングされた不良は、その不良のウェーハ面内の不良分布によって、大きく２種類に分けられる。１つは、ウェーハ面上の位置に依らず均等に分布するランダム不良であり、もう１つは、どこかに偏って分布するクラスタリング不良である。このクラスタリング不良は製造工程、製造装置に起因した要因があると考えられ、歩留り低下の原因である。

そこで歩留り低下原因の解析手順として、第一段階としてクラスタリング不良を抽出し、第二段階としてクラスタリング不良を分類することが考えられる。

第一段階のクラスタリング不良の抽出について説明する。現実の不良分布はランダム不良とクラスタリング不良の重ね合わせである。重ね合った不良分布は、確率分布として、ランダム不良のポアソン分布とクラスタリング不良の負の二項分布の線形結合で表せる。各確率分布の重み係数を求めることで、ウェーハ面上にクラスタリング不良がどの程度存在しているかが判明する。このように、不良分布からクラスタリング不良が抽出できる。

次に、第二段階のクラスタリング不良の分類について説明する。製造工程や製造装置に起因する不良は、ウェーハ面上の不良分布として「指紋」を残すことが指摘されている。つまり、ある製造工程や製造装置に不具合が発生した場合、その製造工程や製造装置の不具合に固有のクラスタリング不良が発生する。個々の製造工程や個々の製造装置の不具合毎にクラスタリング不良を分類することが、原理的に可能である。

例えば、ＬＳＩの製造においては、クラスタリング不良の分類により同じクラスタリング不良が発生したウェーハ、あるいはロット群についての製造履歴を遡り、それらがある製造工程で共通して製造された製造装置がないか調査する。このことでＬＳＩの製造における不良原因の製造工程と製造装置を特定することができる。この調査をするために、クラスタリング不良を数値化し、その数値に関して、製造装置間で有意差検定を行う方法が報告されている（例えば、特許文献１参照。）。このクラスタリング不良を数値化したものを特徴量と言う。

しかし、製造装置間の有意差検定で不良原因の製造装置が特定されるためには、特徴量にはただ１種類だけの不良原因が含まれているようにする必要がある。すなわち、ある１種類の不良原因の製造装置が引き起こすクラスタリング不良が存在する場合だけ、値が大きくなる特徴量である必要がある。仮に、複数の不良原因で値が変動する特徴量では、不良ロットが分散し、不良原因の製造装置を特定することは難しい。特徴量は不良原因をただ一つだけ含む形に定義する必要がある。定義方法が適切でない特徴量では、原因装置を特定することは出来ない。しかし、ＬＳＩの製造における不良原因は多岐に渡る。それらに対応するクラスタリング不良の種類も無数に存在する。そこで、そのクラスタリング不良に対応する特徴量は、その特徴量一つ一つの算出に専用の計算方法を用意する必要があった。しかし、不良原因の製造装置を特定できる適切な特徴量を定義することは、非常に困難であった。
特開2002-359266号公報（第１図）

本発明は、上記事情に鑑みてなされたものであり、その目的とするところは、ウェーハ毎に発生した不良の分布に基づき、半導体集積回路の製造工程に用いた異常製造装置を検出可能な不良検出方法を提供することにある。

本発明の目的は、ウェーハ毎に発生した不良の分布に基づき、半導体集積回路の製造工程に用いた異常製造装置を検出可能な不良検出装置を提供することにある。

本発明の目的は、ウェーハ毎に発生した不良の分布に基づき、半導体集積回路の製造工程に用いた異常製造装置を検出することをコンピュータに実行させるための不良検出プログラムを提供することにある。

上記問題点を解決するための本発明の特徴は、ロット内のウェーハのウェーハＩＤを、ロットのロットＩＤを抽出条件として抽出でき、ロットの製造工程と、製造工程で使用した製造装置を、ロットのロットＩＤを抽出条件として抽出できる処理履歴情報と、テスト毎にウェーハ内での不良が発生した位置情報を、ウェーハのウェーハＩＤとテスト名を抽出条件として抽出できるテスト情報を利用可能な不良検出方法において、ウェーハに所定の領域区分を設定することと、対象ロットのロットＩＤを入力することと、対象ロット内の対象ウェーハのウェーハＩＤを、ロットＩＤと処理履歴情報から抽出することと、種類の異なる複数のテストにおける対象ウェーハ内での不良の位置情報を、ウェーハＩＤとテスト情報から抽出することと、領域区分毎に不良の密度および偏り度を求め、対象ウェーハ毎に、テスト毎でかつ領域区分毎の不良密度情報および不良偏り情報からなる第１ウェーハ特徴量を得ることと、第１ウェーハ特徴量から、対象ロット毎に得られる第１ロット特徴量であって、対象ロット内の対象ウェーハの不良密度と偏り度のそれぞれの平均、最大値、上位の平均、ウェーハＩＤの偶奇性による偏り度及びウェーハＩＤの前後半による偏り度の少なくとも１つを含み、領域区分の種類の数と、テストの種類の数と、第１ロット特徴量の計算方法の種類の数と、第１ウェーハ特徴量の計算方法の種類の数との積の個数からなる第１ロット特徴量を算出することと、処理履歴情報から、対象ロットの製造工程と、製造工程で使用した製造装置を、対象ロットのロットＩＤを抽出条件として抽出することと、第１ロット特徴量毎に、製造工程毎の製造装置間の有意差検定を行うことと、有意差のある製造装置を、第１異常装置として検出することを有することを特徴とする不良検出方法にある。

以上説明したように、本発明によれば、ウェーハ毎に発生した不良の分布に基づき、半導体集積回路の製造工程に用いた異常製造装置を検出可能な不良検出方法を提供できる。

本発明によれば、ウェーハ毎に発生した不良の分布に基づき、半導体集積回路の製造工程に用いた異常製造装置を検出可能な不良検出装置を提供できる。

本発明によれば、ウェーハ毎に発生した不良の分布に基づき、半導体集積回路の製造工程に用いた異常製造装置を検出することをコンピュータに実行させるための不良検出プログラムを提供できる。

次に、図面を参照して、本発明の実施の形態について説明する。以下の図面の記載において、同一又は類似の部分には同一又は類似の符号を付している。また、図面は模式的なものであり、厚みと平面寸法との関係、各層の厚みの比率等は現実のものとは異なることに留意すべきである。

（不良検出装置）
本発明の実施の形態に係る不良検出装置１は、図１に示すように、領域区分設定部２、不良発生領域設定部３、入力部４、ウェーハＩＤ抽出部５、位置情報抽出部６、ウェーハ特徴量計算部７、ロット特徴量計算部８、製造装置抽出部９、有意差検定部１０、異常装置検出部１１、異常検出ロット特徴量抽出部１２、特徴量閾値設定部１３、異常ロットＩＤ抽出部１６、ウェーハ不良分布図作成部１７、類似度算出部１８、類似度によるウェーハＩＤ抽出部１９、クラスタリング不良分布図形成部２０、処理履歴情報記憶部２１とテスト情報記憶部２２を有しており、バスライン２３を介して互いに接続されている。処理履歴情報記憶部２１とテスト情報記憶部２２は、不良検出装置１の外部にあってもよい。特徴量閾値設定部１３は、混入率算出部１４と特徴量閾値算出部１５を有している。

不良検出装置１は、コンピュータであってもよく、コンピュータにプログラムに書かれた手順を実行させることにより、不良検出装置１を実現させてもよい。

（不良検出方法）
本発明の実施の形態に係る不良検出方法は、図２に示すように、まず、ステップＳ１で、領域区分設定部２において、ウェーハに複数の領域区分を設定する。領域区分は、ウェーハの円の中心の中心角によって分けた角度領域と、その中心からの距離によって分けた距離領域との重なりの領域であってもよい。

ステップＳ２で、入力部４において、対象ロットのロットＩＤを入力する。

ステップＳ３で、ウェーハＩＤ抽出部５において、対象ロット内の対象ウェーハのウェーハＩＤを、ロットＩＤと処理履歴情報から抽出する。処理履歴情報は、ロット内のウェーハのウェーハＩＤを、そのロットのロットＩＤを抽出条件として抽出できる。処理履歴情報は、ロットの製造工程と、製造工程で使用した製造装置を、ロットのロットＩＤを抽出条件として抽出できる。この処理履歴情報は、処理履歴情報記憶部２１に記憶されている。

ステップＳ４で、位置情報抽出部６において、テストにおける対象ウェーハ内での不良の位置情報をウェーハＩＤとテスト情報から抽出する。テスト情報は、テスト毎にウェーハ内での不良が発生した位置情報を、そのウェーハのウェーハＩＤとテスト名を抽出条件として抽出できる。テスト情報は、テスト情報記憶部２２に記憶されている。テストは、ＤＣテスト、ファンクションテストとマージンテストの少なくとも１つであることが好ましい。

ステップＳ５で、ウェーハ特徴量計算部７において、対象ウェーハ毎に、不良のウェーハ面内での分布の偏りを、領域区分に基づいて、定量化する第１ウェーハ特徴量を計算する。第１ウェーハ特徴量は、領域区分内での不良の発生率である不良密度と、ウェーハに対する領域区分への不良の偏りをχ２乗値で表す偏り度であることが好ましい。

ステップＳ６で、ロット特徴量計算部８において、対象ウェーハ毎に算出した第１ウェーハ特徴量から、対象ロット毎の第１ロット特徴量を算出する。第１ロット特徴量は、対象ロット内の対象ウェーハの不良密度と偏り度のそれぞれの平均、最大値、値が上位のものの例えば５つの平均、ウェーハＩＤの偶数／奇数番号への偏り度、ウェーハＩＤの前半後半の番号への偏り度の少なくとも１つであることが好ましい。

ステップＳ７で、製造装置抽出部９において、処理履歴情報から、対象ロットの製造工程と、製造工程で使用した製造装置を、対象ロットのロットＩＤを抽出条件として抽出する。

ステップＳ８で、有意差検定部１０において、第１ロット特徴量毎に、製造工程毎の製造装置間の有意差検定を行う。製造装置間の有意差検定を行うことでは、製造工程毎の製造装置間で、製造装置で処理した対象ロットの第１ロット特徴量のχ２乗値の検定値を算出する。

ステップＳ９で、異常装置検出部１１において、有意差のある製造装置を、第１異常装置として検出する。

ステップＳ１０で、異常検出ロット特徴量抽出部１２において、第１異常装置を検出した第１ロット特徴量を、第１異常検出ロット特徴量として抽出する。

ステップＳ１１で、特徴量閾値設定部１３において、第１異常検出ロット特徴量の第１特徴量閾値を設定する。

第１特徴量閾値を設定することでは、まず、混入率算出部１４において、第１異常検出ロット特徴量がある特定の閾値以下の場合で、第１異常装置と同じ製造工程で使用されたすべての製造装置で処理したロットの数に対する第１異常装置で処理したロットの数の第１比と、第１異常検出ロット特徴量が同じ特定の閾値以上の場合で、第１異常装置と同じ製造工程で使用されたすべての製造装置で処理したロットの数に対する第１異常装置と同じ製造工程で使用された他の製造装置で処理したロットの数の第２比の和を、複数の閾値毎に第１混入率として算出する。次に、特徴量閾値算出部１５において、第１混入率が最小になる閾値を第１特徴量閾値として算出する。

ステップＳ１２で、異常ロットＩＤ抽出部１６において、第１異常検出ロット特徴量が第１特徴量閾値より大きい対象ロットのロットＩＤを、第１異常ロットＩＤとして抽出する。

ステップＳ１３で、ウェーハＩＤ抽出部５において、第１異常ロットＩＤのロット内のウェーハのウェーハＩＤを、第１異常ウェーハＩＤとして処理履歴情報から抽出する。

ステップＳ１４で、位置情報抽出部６において、第１異常検出ロット特徴量に関するテストの第１異常ウェーハＩＤの不良の位置情報を、テスト情報から抽出する。

ステップＳ１５で、ウェーハ不良分布図作成部１７において、第１異常ウェーハＩＤの不良の位置情報からウェーハ面内の複数の不良分布図を、第１異常ウェーハ不良分布図として作成する。

ステップＳ１６で、クラスタリング不良分布図作成部２０において、第１異常ウェーハ不良分布図に基づいて第１クラスタリング不良分布図を作成する。第１クラスタリング不良分布図を作成することは、第１異常ウェーハ不良分布図を重ね合わせ第１異常ウェーハ不良分布図の分布を積算することであってもよいし、または、第１異常ウェーハ不良分布図のウェーハ内で位置関係が等しい不良の論理和を算出することであってもよい。

図３に示すステップＳ１７で、不良発生領域設定部３において、第１クラスタリング不良分布図で、複数の密度閾値毎に、不良の密度が密度閾値より高い不良発生領域を、対象ウェーハに設定する。

ステップＳ１８で、ウェーハ特徴量計算部７において、対象ウェーハ毎に、不良のウェーハ面内での分布の偏りを、不良発生領域に基づいて、定量化する第２ウェーハ特徴量を計算する。第２ウェーハ特徴量は、不良発生領域内での不良の発生率である不良密度と、ウェーハに対する不良発生領域への不良の偏りをχ２乗値で表す偏り度であることが好ましい。

ステップＳ１９で、ロット特徴量計算部８において、対象ウェーハ毎に算出した第２ウェーハ特徴量から、対象ロット毎の第２ロット特徴量を算出する。第２ロット特徴量は、不良発生領域に関する対象ロット内の対象ウェーハの不良密度と偏り度のそれぞれの平均、最大値、値が上位のものの例えば５つの平均、ウェーハＩＤの偶数／奇数番号への偏り度、ウェーハＩＤの前半後半の番号への偏り度の少なくとも１つであることが好ましい。

ステップＳ２０で、有意差検定部１０において、第２ロット特徴量毎に、製造工程毎の製造装置間の有意差検定を行う。製造装置間の有意差検定を行うことでは、製造工程毎の製造装置間で、製造装置で処理した対象ロットの第２ロット特徴量のχ２乗値の検定値を算出することが好ましい。

ステップＳ２１で、異常装置検出部１１において、有意差のある製造装置を、第２異常装置として検出する。

ステップＳ２２で、異常検出ロット特徴量抽出部１２において、第２異常装置を検出した第２ロット特徴量を、第２異常検出ロット特徴量として抽出する。

ステップＳ２３で、特徴量閾値設定部１３において、第２異常検出ロット特徴量の第２特徴量閾値を設定する。第２特徴量閾値を設定することでは、まず、混入率算出部１４において、第２異常検出ロット特徴量がある特定の閾値以下の場合で、第２異常装置と同じ製造工程で使用されたすべての製造装置で処理したロットの数に対する第２異常装置で処理したロットの数の第１比と、第２異常検出ロット特徴量が同じ特定の閾値以上の場合で、第２異常装置と同じ製造工程で使用されたすべての製造装置で処理したロットの数に対する第２異常装置と同じ製造工程で使用された他の製造装置で処理したロットの数の第２比の和を、複数の閾値毎に第２混入率として算出することが好ましい。次に、特徴量閾値算出部１５において、第２混入率が最小になる閾値を第２特徴量閾値として算出することを有することが好ましい。

ステップＳ２４で、異常ロットＩＤ抽出部１６において、第２異常検出ロット特徴量が第２特徴量閾値より大きい対象ロットのロットＩＤを、第２異常ロットＩＤとして抽出する。

ステップＳ２５で、ウェーハＩＤ抽出部５において、第２異常ロットＩＤのロット内のウェーハのウェーハＩＤを、第２異常ウェーハＩＤとして処理履歴情報から抽出する。

ステップＳ２６で、位置情報抽出部６において、第２異常検出ロット特徴量に関するテストの第２異常ウェーハＩＤの不良の位置情報を、テスト情報から抽出する。

ステップＳ２７で、ウェーハ不良分布図作成部１７において、第２異常ウェーハＩＤの不良の位置情報からウェーハ面内の複数の不良分布図を、第２異常ウェーハ不良分布図として作成する。

ステップＳ２８で、クラスタリング不良分布図作成部２０において、第２異常ウェーハ不良分布図に基づいて第２クラスタリング不良分布図を作成する。第２クラスタリング不良分布図を作成することは、第２異常ウェーハ不良分布図を重ね合わせ第２異常ウェーハ不良分布図の分布を積算することが好ましく、または、第２異常ウェーハ不良分布図のウェーハ内で位置関係が等しい不良の論理和を算出することであることが好ましい。

以上で、不良検出方法が終了する。なお、不良検出方法は、図２のＡからＢまでのステップＳ６乃至Ｓ１５は、図４のＡからＢまでのステップＳ３１乃至Ｓ３４であってもよい。

すなわち、ステップＳ３１で、類似度算出部１８において、第１ウェーハ特徴量に関して、ウェーハ間の類似の度合いを類似度で表す。

ステップＳ３２で、類似度によるウェーハＩＤ抽出部１９において、類似度が予め設定された類似度閾値以上であるか否かに基づいてウェーハをグルーピングし、第１異常ウェーハＩＤとして抽出する。

ステップＳ３３で、位置情報抽出部６において、第１異常ウェーハＩＤの不良の位置情報をテスト情報から抽出する。

ステップＳ３４で、ウェーハ不良分布図作成部１７において、第１異常ウェーハＩＤの不良の位置情報からウェーハ面内の複数の不良分布図を、第１異常ウェーハ不良分布図として作成する。以下、図２のＢに戻り、ステップＳ１６以降を実施する。

不良検出方法は、手順としてコンピュータが実行可能な不良検出プログラムにより表現することができる。この不良検出プログラムをコンピュータに実行させることにより、ウェーハ不良解析方法を実施することができる。

（実施例１）
実施例１では、図１の不良検出装置１と図２と図３の不良検出方法について説明する。実施例１では、機械的に定義した数1000個の第１ロット特徴量を用いて、製造装置間の有意差検定を行う。異常装置を検知した第１ロット特徴量が存在すれは、その第１ロット特徴量が大きいロットを抽出して、それらのロットに共通するクラスタリング不良を特定し、異常装置とクラスタリング不良の対応を取った。ウェーハ上の不良の分布を多数の数値群で表現し、ウェーハ間で互いに類似する不良の分布を有するウェーハを自動抽出した。

ステップＳ１で、ウェーハに複数の領域区分を設定した。クラスタリング不良を分類する基本は、不良がウェーハ面内のどこに偏って存在しているかを定量化することである。ここで言う不良とは、例えばメモリ製品であれは不良ビットであり、ロジック製品であれば不良チップ等を指す。まず、ウェーハ表示領域４１を複数の領域区分に分けた。図５に示すように、ウェーハの半径をｒとした時、ウェーハの中心Ｏから半径方向1/2ｒの距離に設けられた境界線４７と、半径方向3/4ｒの距離に設けられた境界線４８と、ウェーハエッジに接するようにウェーハの最外周に配置されたチップとそれ以外のウェーハの内側に配置されたチップを分ける境界線４９を設けた。これらの３本の境界線４７乃至４９により、ウェーハ表示領域４１を４つのリング状の距離領域４３乃至４６に分けた。

次に、図６に示すようにウェーハを中心の中心角の角度方向に４５度毎に区分する８本の境界線６１乃至６８を設けた。これらの８本の境界線６１乃至６８により、ウェーハ表示領域４１を８つの扇状の角度領域５１乃至５８に分けた。

図７に示すように、図５の距離領域４３乃至４６と図６の角度領域５１乃至５８を組み合わせて、全部で150個の領域区分を定義した。例えば、図８に示すように、領域区分Ａは、距離領域４５と角度領域５１乃至５４の論理積として定義される。領域区分Ｂは、距離領域４４と角度領域５８の論理積として定義される。他の領域区分も同様に距離領域４３乃至４６と角度領域５１乃至５８の論理積として定義できる。

ステップＳ２で、検査の対象とする対象ロットのロットＩＤを入力する。ステップＳ３で、対象ロット内の対象ウェーハのウェーハＩＤを、ロットＩＤと処理履歴情報から抽出した。ステップＳ４で、テストにおける対象ウェーハ内での不良の位置情報を、ウェーハＩＤとテスト情報から抽出した。例えば、対象ウェーハがメモリ製品で構成されていれば、図９に示すように不良７１乃至７６のウェーハ内での位置が、対象ウェーハ毎に抽出された。

ステップＳ５で、対象ウェーハ毎に、不良のウェーハ面内での分布の偏りを、領域区分に基づいて、定量化する第１ウェーハ特徴量を計算した。第１ウェーハ特徴量として、不良密度と偏り度を計算した。

すべての領域区分毎に不良数をカウントし、不良密度を計算した。例えば、メモリ製品の場合、図９に示す不良分布を持つウェーハでの、図８の領域区分Ａの不良密度は、領域区分Ａに含まれる全ビット数が２０ビットであった場合、不良ビット７１乃至７４が４ビットであることから、領域区分Ａの不良密度は4/20=0.2となった。

次に、すべての領域区分毎に、各領域区分への不良の偏り度を計算した。偏り度にはχ２乗値を用いた。すなわち、領域区分iの偏り度χiは、式１乃至３で表される。

ここで、

nf1は領域区分iの不良数、nf2は領域区分i以外の不良数、nfaはウェーハ全体の不良数、nl1は領域区分iの全ビット数、nl2は領域区分i以外の全ビット数、d1は領域区分iの不良密度、d2は領域区分i以外の不良密度を表している。Sgn(d1-d2)はd1-d2の符号で、(d1-d2)が正ならSgn(d1-d2)は+1であり、(d1-d2)が負ならSgn(d1-d2)は-1である。なお、上記ではメモリ製品を想定しているが、ロジック製品では、ビット数の代わりにチップ数を用いればよい。偏り度χiは領域区分iへ不良が偏っているほど大きい。そして、不良が多く存在するほど不良密度が高くなるので、ウェーハ全面に不良が少なく、計算対象の領域区分に不良が多い偏りの場合は、偏り度は正になる。逆に、ウェーハ全面に不良が多く、計算対象の領域区分に不良が少ない偏りの場合は、偏り度は負になる。

また、ウェーハテストにおいては、様々な種類の電気的テストを行った。例えば、LSIの消費電流が正常値かチェックするDCテスト、LSIの機能が正常かをチェックするファンクション（Function）テスト、そして、LSIは機能するがその動作時間等が仕様の範囲内かをチェックするマージン（Margin）テスト等である。不良密度、偏り度は、各電気的テストの不良に関して行った。実施例１ではこれらの３種類の電気的テストについて不良密度と偏り度を計算した。

ステップＳ６で、対象ウェーハ毎に算出した第１ウェーハ特徴量から、対象ロット毎の第１ロット特徴量を算出した。LSIの製造工程においては、ロット単位で処理が行われ、例えば、ウェーハが２５枚集まってロットを形成する。ウェーハ単位で求めた不良密度と偏り度の第１ウェーハ特徴量を、第１ロット特徴量に変換した。実施例１では、第１ロット特徴量への変換方法として、不良密度と偏り度それぞれについて、以下の５種類の計算方法で計算した。

（１）平均
（２）最大値
（３）上位５位までのウェーハの平均
（４）偶数ウェーハ番号のウェーハへの偏り度（ウェーハ番号の偶奇性による偏り度）
（５）ロット前半のウェーハ番号（例えば１から１２番）のウェーハへの偏り度（ウェーハ番号の前後半による偏り度）
この計算値がロットの第１ロット特徴量となる。

第１ロット特徴量の個数は、領域区分１５０種類、電気的テスト３種類、ロット特徴量の計算方法５種類、およびウェーハ特徴量の計算方法２種類の積であり、4500種類に達する。計4500種類の第１ロット特徴量を機械的に定義することができた。この第１ロット特徴量を全てのロットについて計算すると図１０に示すような4500行に達するテーブルが得られた。

ステップＳ７で、処理履歴情報から、対象ロットの製造工程と、製造工程で使用した製造装置を、対象ロットのロットＩＤを抽出条件として抽出した。

ステップＳ８で、第１ロット特徴量毎に、製造工程毎の製造装置間の有意差検定を行った。定義した4500種類の特徴量一つ一つについて、各ロットのクリーンルーム内の製造装置の処理履歴情報を参照しながら、特徴量の装置間有意差を検定した。実施例１では検定にχ２乗検定を用いた。例えば、各特徴量、各工程での検定値のχ２乗値を装置毎に算出し、図１１に示すテーブルを得た。例えば、製造工程１では、製造装置Ａだけでなく他の製造装置でもロットを処理していた。製造装置Ａで処理したロットの特徴量と、他の製造装置で処理したロットの特徴量とに有意差があるか検定した。ただし、検定値には符号を付け、特徴量が高い方に偏った場合に正、低い方に偏った場合は負の値を取るようにした。なお、実施例１では、不良が多く存在するほど特徴量が高くなる場合を想定している。逆に、不良が多いほど値が小さくなる特徴量を定義した場合は、符号の取り方を逆にすればよい。したがって、ウェーハ全面に不良が少なく、検定対象の領域区分に不良が多い偏りの場合は、検定値は正になる。逆に、ウェーハ全面に不良が多く、検定対象の領域区分に不良が少ない偏りの場合は、検定値は負になる。同時に最も検定値が大きかった製造装置名を、各製造工程毎に記録しておく。

ステップＳ９で、図１１のテーブルの検定結果を、図１２に示すように、検定値の大きい順に１列に並べた。実施例１では、各特徴量の値域を６分割して、製造装置間の有意差検定を行った。この場合、検定値が１１以上であれば、有意差があると判断できる。この１１以上の検定値が得られた特徴量の種類、工程名、装置名を検出した。例えば、図１２から、製造工程72番において製造装置M号機でロットを処理すると、領域区分32番へのFunctionテストの不良の偏り度でロット内のウェーハ番号に偶奇性を持つ場合に対応する特徴量に、最も大きい有意差が生じることが分かった。同様に、製造工程146番において製造装置P号機でロットを処理すると、領域区分98番へのMarginテストの不良密度のロット内ウェーハの平均に対応する特徴量に、有意差が生じることが分かった。製造工程187番において製造装置Q号機でロットを処理すると、領域区分127番へのDCテストの不良密度のロット内ウェーハの最大値に対応する特徴量に、有意差が生じることが分かった。この有意差のある３台の製造装置M、P、Qを、第１異常装置として検出した。

ステップＳ１０で、第１異常装置Mを検出した領域区分32番へのFunctionテストの不良の偏り度でロット内のウェーハ番号に偶奇性を持つ場合に対応する第１ロット特徴量を、第１異常検出ロット特徴量として抽出した。同様に、第１異常装置Pを検出した領域区分98番へのMarginテストの不良密度のロット内ウェーハの平均に対応する第１ロット特徴量を、第１異常検出ロット特徴量として抽出した。第１異常装置Qを検出した領域区分127番へのDCテストの不良密度のロット内ウェーハの最大値に対応する第１ロット特徴量を、第１異常検出ロット特徴量として抽出した。

ステップＳ１１で、図１３に示すように、製造工程72番の第１異常検出ロット特徴量をロットの処理時刻でプロットし、ロットを処理した第１異常装置Mと製造工程72番で第１異常装置Mと並列に使われた２台の製造装置BとFを比較した。第１異常装置Mで処理されたロットの第１異常検出ロット特徴量は、全期間で他の製造装置BとFで処理されたロットの第１異常検出ロット特徴量より大きい傾向があった。

図１４に示すように、まず、閾値９１を設定する。製造工程72番の第１異常検出ロット特徴量が閾値９１以下の場合で、第１異常装置Mと同じ製造工程72番で使用されたすべての製造装置M、B、Fで処理したロットの数７個に対する第１異常装置Mで処理したロット８４の数１個の第１比1/7と、第１異常検出ロット特徴量が閾値９１以上の場合で、第１異常装置Mと同じ製造工程72番で使用されたすべての製造装置M、B、Fで処理したロットの数１３個に対する第１異常装置Mと同じ製造工程72番で使用された他の製造装置B、Fで処理したロットの数６個の第２比6/13の和0.61を、第１混入率として算出した。

次に、第１混入率が最小になる第１異常検出ロット特徴量の閾値を第１特徴量閾値として算出した。すなわち、閾値９１とは異なる閾値９２を設定した。この場合は、閾値９２以下となる第１異常装置Ｍで処理したロット８４、８７の数が計２個となり、閾値９１の場合と同様に第１比と第２比を求めることで、第１比2/14と第２比0/6の和0.14が第１混入率として算出された。こうして、種々の閾値９１、９２・・・を設定し、第１混入率を繰り返し算出したところ、閾値９１、９２・・・の大きさによって、混入率は変化した。混入率は、正常な製造装置B、Fと第１異常装置Mを閾値９１、９２・・・で分離できない程度を表している。第１異常検出ロット特徴量の全範囲に閾値９１、９２・・・を移動させて、混入率を計算すると、混入率は図１５に示すように極小値９３を有することが分かった。極小値９３における第１異常検出ロット特徴量の値を第１特徴量閾値９４に設定した。

ステップＳ１２で、第１異常検出ロット特徴量が第１特徴量閾値９４より大きい対象ロット、例えば、図１４の８１乃至８３、８５、８６、８８のロットＩＤを、第１異常ロットＩＤとして抽出した。

ステップＳ１３で、第１異常ロットＩＤのロット内のウェーハＷ１乃至Ｗ８のウェーハＩＤを、第１異常ウェーハＩＤとして処理履歴情報から抽出した。

ステップＳ１４で、製造工程７２番の第１異常検出ロット特徴量に関するテストの第１異常ウェーハＩＤの不良の位置情報を、テスト情報から抽出した。

ステップＳ１５で、ロット８１のウェーハＷ１乃至Ｗ８について、図１６に示すような第１異常ウェーハＩＤの不良の位置情報からウェーハ面内の複数の不良分布図を作成した。製造工程72番の第１異常ロット特徴量が偶奇性を有するのと同様に、ロット８１のウェーハＷ１乃至Ｗ８の不良分布図も偶奇性を有していた。ウェーハＷ１、Ｗ３、Ｗ５、Ｗ７の不良分布図をクラスタリング不良を含む第１異常ウェーハ不良分布図とした。同様に、ロット８２のウェーハＷ１乃至Ｗ８について、図１７に示すようなウェーハ面内の複数の不良分布図を作成し、ウェーハＷ１、Ｗ３、Ｗ５、Ｗ７の不良分布図をクラスタリング不良を含む第１異常ウェーハ不良分布図とした。以下も同様に、ロット８３、８５、８６、８８のウェーハＷ１乃至Ｗ８について、ウェーハ面内の複数の第１異常ウェーハ不良分布図を作成した。

図１８に示すように、製造工程72番の第１異常ロット特徴量の第１異常ウェーハ不良分布図をカテゴリ１に集め分類した。同様に、ステップＳ１１乃至Ｓ１５を実施し、製造工程146番の第１異常ロット特徴量の第１異常ウェーハ不良分布図を作成し、カテゴリ２に集め分類した。製造工程187番の第１異常ロット特徴量の第１異常ウェーハ不良分布図を作成し、カテゴリ３に集め分類した。カテゴリ毎に、同じクラスタリング不良を有するウェーハの第１異常ウェーハ不良分布図、ロットＩＤとウェーハＩＤが示された。カテゴリ１に属するウェーハは、ウェーハの左上エッジ部に不良表示領域４２が偏って存在していた。カテゴリ２に属するウェーハは、ウェーハの中央部に不良表示領域４２が偏って存在していた。カテゴリ３に属するウェーハは、ウェーハの下部に不良表示領域４２が偏って存在していた。

ステップＳ１６で、図１８のカテゴリ１のウェーハＷ１乃至Ｗ３の第１異常ウェーハ不良分布図を重ね合わせ、セグメント内の不良ビット数の積算を、適当なサイズの微小領域（セグメントと呼ぶ）毎に求めた。図１９に示すような、複数の第１異常ウェーハ不良分布図に共通する分布を有する第１クラスタリング不良分布図を形成した。不良の密度の等高線９５乃至９８から、ウェーハの左上エッジに不良ビットが多く存在している傾向があることが分かった。この結果より、製造工程72番の第１異常装置Mは、ウェーハ左上エッジに不良を多く発生させていたことが分かった。第１クラスタリング不良分布図は、重ね合わせた不良分布なので、いわゆるスタックマップと呼ばれる。重ね合わせ方としては、例えばメモリ製品ではFail Bit Mapの論理和でもよい。ロジック製品では、ウェーハ内のチップの配置位置毎に不良チップの存在割合を求めてもよい。

図１８の他のカテゴリ２とカテゴリ３についても同様にして、図２０に示すような、不良の密度の等高線１０１乃至１０３で示される、複数の第１異常ウェーハ不良分布図に共通する分布を有する第１クラスタリング不良分布図を形成した。このことから、第１異常装置PとQがウェーハ面内のどこに不良を多く発生させているか求めることができる。第１クラスタリング不良分布図の分類結果は、カテゴリ毎に示された。カテゴリ１に属するウェーハは、ウェーハの左上エッジ部に不良が偏って存在していた。カテゴリ２に属するウェーハは、ウェーハの中央部に不良が偏って存在していた。カテゴリ３に属するウェーハは、ウェーハの下部に不良が偏って存在していた。

以上より、機械的に発生させた特徴量で装置間有意差検定を行い、有意差が得られた第１異常装置について、その第１異常装置を検知した特徴量が高いロットのスタックマップを求めることにより、クラスタリング不良と第１異常装置を確実に対応付けることができた。従来は、クラスタリング不良が先に認識され、その後クラスタリング不良を数値化した特徴量により不良原因の製造装置の特定が試みられていた。しかし、特徴量化の方法が適切でなければ、不良原因の製造装置を特定することは出来なかった。実施例１の方法では、大量の特徴量を機械的に定義したので、特徴量中に適切な特徴量が存在している可能性が高く、異常装置の検出率を向上させることができた。

以下では、クラスタリング不良をカテゴリに分類した結果を用いて、再度、特徴量を発生させ、異常装置の検出率を向上させた。カテゴリに分類した結果として、製造装置間の有意差検定の結果を用いた場合を示す。

ステップＳ１７で、図２０のカテゴリ１の第１クラスタリング不良分布図で、不良の密度の等高線１０１乃至１０３を密度閾値として、密度閾値毎に、不良の密度が密度閾値より高い不良発生領域を、対象ウェーハに設定した。例えば、図２１の水準１に示すように、不良の密度の等高線１０１の示す不良の密度より高い不良の密度の領域を、不良発生領域１０５に設定した。同様に、水準２として、不良の密度の等高線１０２の示す不良の密度より高い不良の密度の領域を、不良発生領域１０６に設定した。水準３として、不良の密度の等高線１０３の示す不良の密度より高い不良の密度の領域を、不良発生領域１０７に設定した。水準１から水準３へ水準が高くなるにつれ、低い水準の不良発生領域の中に高い水準の不良発生領域が設定される様子が分かった。

さらに、カテゴリ２とカテゴリ３の不良発生領域を同様に設定した。なお、水準１乃至水準３は、密度閾値の設定水準であり、実施例１では、ウェーハ面内の不良密度の最大値に対して、10%を水準１、30%を水準２、50%を水準３とした。密度閾値としては、不良密度の絶対値であってもよい。等高線のパターンが各カテゴリの特徴を表していることが分かった。

ステップＳ１８で、対象ウェーハ毎に、不良のウェーハ面内での分布の偏りを、不良発生領域に基づいて、定量化する第２ウェーハ特徴量を計算した。第２ウェーハ特徴量として、第１ウェーハ特徴量と同様に、不良密度と偏り度を計算する。領域区分の換わりに、カテゴリ１乃至３と水準１乃至３で分類された不良発生領域を用いる点が、第２ウェーハ特徴量と第１ウェーハ特徴量は異なる。なお、不良発生領域は、カテゴリ１乃至３毎にカテゴリ１乃至３の不良分布を重ね合わせた分布を用いて設定した。カテゴリ１はFunctionテストに基づき、カテゴリ２はMarginテストに基づき、カテゴリ３は、DCテストに基づき、カテゴリによって電気的テストは異なっていた。それでも、カテゴリ１乃至３の不良分布を重ね合わせた分布を発生させるのは、多数の特徴量を機械的に発生させるためである。

ステップＳ１９で、対象ウェーハ毎に算出した第２ウェーハ特徴量から、対象ロット毎の第２ロット特徴量を算出する。図２２に示すように、図１０と比較して、領域区分の換わりに、カテゴリ１乃至３と水準１乃至３で分類された不良発生領域を用いる点が、第２ロット特徴量と第１ロット特徴量は異なる。従って、第２ロット特徴量の総数は、カテゴリ１乃至３と水準１乃至３で分類された不良発生領域の数で変動した。

ステップＳ７で抽出した製造装置を用いて、ステップＳ２０で、ステップＳ８と同様の手順で、第２ロット特徴量一つ一つについて、製造工程毎の製造装置間の有意差検定を行った。

そして、ステップＳ２１で、図２２のテーブルの検定結果を、図２３に示すように、検定値の大きさ順に並べて出力した。図２３のＣ欄で、ステップＳ８の図１２で示したのと同じ製造工程72番と製造装置Mが検知されていることが分かった。製造工程72番において製造装置M号機でロットを処理すると、カテゴリ１の水準２の不良発生領域へのFunctionテストの不良の偏り度でロット内のウェーハ番号に偶奇性を持つ場合に対応する特徴量に、最も大きい有意差が生じることが分かった。一方、Ｄ欄で、図１２には示されていない製造工程78番と製造装置Nが検知されていることが分かった。製造工程78番において製造装置N号機でロットを処理すると、カテゴリ１の水準３の不良発生領域へのMarginテストの不良密度のロット内ウェーハの最大値に対応する特徴量に、有意差が生じることが分かった。この有意差のある２台の製造装置M、Nを、第２異常装置として検出した。

ステップＳ２２で、ステップＳ１０と同様に、第２異常装置M、Nを検出した第２ロット特徴量を、第２異常検出ロット特徴量として抽出した。

ステップＳ２３で、ステップＳ１１と同様に、第２異常装置M、Nの第２異常検出ロット特徴量の第２特徴量閾値を設定した。

ステップＳ２４で、ステップＳ１２と同様に、第２異常検出ロット特徴量が第２特徴量閾値より大きい第２異常ロットＩＤを抽出した。

ステップＳ２５で、ステップＳ１３と同様に、第２異常ロットＩＤのロット内のウェーハＷ１乃至Ｗ８のウェーハＩＤを、第２異常ウェーハＩＤとして処理履歴情報から抽出した。

ステップＳ２６で、ステップＳ１４と同様に、製造工程７２番と７８番の第２異常検出ロット特徴量に関するテストの第２異常ウェーハＩＤの不良の位置情報を、テスト情報から抽出した。

ステップＳ２７で、ステップＳ１５と同様に、第２異常ロットＩＤの第２異常ウェーハＩＤについて、第２異常ウェーハＩＤの不良の位置情報からウェーハ面内の複数の不良分布図を作成した。

ステップＳ２８で、ステップＳ１６と同様に、第２異常装置Mに関する第２異常ウェーハ不良分布図を重ね合わせ、図２４に示すような、Ｃ欄の第２ロット特徴量の大きいロットの第２クラスタリング不良分布図を形成した。これより、カテゴリ１の不良原因の製造装置が製造工程72番の装置M号機であることが分かった。

第２異常装置Nに関する第２異常ウェーハ不良分布図を重ね合わせ、図２５に示すような、Ｄ欄の第２ロット特徴量の大きいロットの第２クラスタリング不良分布図を形成した。図２３のＤ欄より、第１ロット特徴量では検知されなかったが、第２ロット特徴量では製造工程78番と製造装置Nが検知されたことが分かった。そして、この第２クラスタリング不良分布図は、図２５に示すように、不良の密度の等高線９９で示されるウェーハ左上から斜めに伸びる筋状の不良であることが分かった。第１ロット特徴量で検知されず、第２ロット特徴量で検知されたのは、不良がかすかなため、第１ロット特徴量では見逃されたのと、不良の分布が第１ロット特徴量の領域分布の境界に重なっていたためであると考えられた。しかし、第２ロット特徴量は、カテゴリ１の左上に集中して発生する不良と関連して不良発生領域を設定する一方で、図２５のクラスタリング不良もカテゴリ１の左上に集中して発生する不良であったために、共通の領域に関する特徴量が機械的に多数設定され、図２５のクラスタリング不良を検知することができたと考えられた。すなわち、第２ロット特徴量は、不良に隠れた不良を検知するのに最適な特徴量例えば図２３のＤ欄の特徴量であり、いわゆる、異常装置を検出する感度が高いと考えられた。

以上説明したように、機械的に定義した複数の特徴量を用いることにより、クラスタリング不良とその原因装置を確実に対応付けることができた。また、クラスタリング不良の分類結果から抽出される不良発生領域で特徴量を発生させることにより、異常装置を高感度に検出することができた。

（実施例２）
実施例２では、クラスタリング不良をカテゴリに分類した結果を用いて、特徴量を発生させ、異常装置を検知する方法について述べる。カテゴリに分類した結果として、ウェーハ間のクラスタリング不良の類似性から生成したカテゴリを用いた場合を示す。実施例２では、図１の不良検出装置１を用いる。また、実施例２では、図２と図３の不良検出方法の一部を図４のフローに置き換えた不良検出方法について説明する。

まず、図２のステップＳ１乃至ステップＳ４を、実施例１と同様に実施した。図２６に示すように、対象ウェーハＷ１乃至Ｗ８について、テストにおける対象ウェーハ内での不良の位置情報を、ウェーハＩＤとテスト情報から抽出した。

ステップＳ５で、実施例１と同様に、第１ウェーハ特徴量を計算した。図２７では、ウェーハＷ１乃至Ｗ４について示したが、ウェーハＷ１乃至Ｗ８毎に、第１ウェーハ特徴量をウェーハ内で一定の順番に並べ、その順番に第１ウェーハ特徴量の値を折れ線でつなぎ波形を形成した。この第１ウェーハ特徴量の波形は、ウェーハＷ１乃至Ｗ８固有の波形である。第１ウェーハ特徴量の波形がウェーハ間で類似性を有すれば、ウェーハ間の不良の分布も類似性を有すると考えられた。例えば、図２６のＷ１乃至Ｗ３の不良の分布は一見して似ていないが、Ｗ１とＷ４の不良の分布は一見して似ていると思える。図２７のＷ１乃至Ｗ３の第１ウェーハ特徴量の波形は一見して似ていないが、Ｗ１とＷ４の第１ウェーハ特徴量の波形は一見して似ていると思える。そして、類似性を有する不良の分布には、共通したクラスタリング不良が含まれていると考えられる。そこで、クラスタリング不良を検出するために、ウェーハ間の不良の分布の類似性の定量化となる第１ウェーハ特徴量の波形のウェーハ間での類似性の定量化を、次に行った。

ステップＳ３１で、類似度算出部１８において、第１ウェーハ特徴量の波形のウェーハ間での類似性の定量化として、第１ウェーハ特徴量に関して、ウェーハ間の類似の度合いを相関係数で表した。第１ウェーハ特徴量に関して、全ての対象ウェーハ間の相関係数を計算した。図２８に示すように、第１ウェーハ特徴量をウェーハ間でプロットした散布図から、ウェーハ間の相関関係がわかった。図２８（ａ）のウェーハＷ１とＷ２の間では、第１ウェーハ特徴量の間に相関は見られなかった。また、図２８（ｂ）のウェーハＷ１とＷ３の間では、第１ウェーハ特徴量の間に相関は見られなかった。しかし、図２８（ｃ）のウェーハＷ１とＷ４の間では、第１ウェーハ特徴量の間に強い相関が見られた。これらの相関を定量化するため、ウェーハｉとウェーハｊ間の第１ウェーハ特徴量の相関係数rijを式４乃至７で求めた。

ここで、gkおよびhkは、ウェーハiおよびjの第１ウェーハ特徴量である。また、Ｎｇは、第１ウェーハ特徴量の個数である。μｇは、ウェーハｉのＮｇ個の第１ウェーハ特徴量の平均であり、μｈは、ウェーハｊのＮｇ個の第１ウェーハ特徴量の平均である。

これより、ウェーハＷ１とＷ２の間の相関係数ｒ１２は、０．０２であった。ウェーハＷ１とＷ３の間の相関係数ｒ１３は、０．０３であった。ウェーハＷ１とＷ４の間の相関係数ｒ１４は、０．９２であった。

ステップＳ３２で、求めた相関係数により、不良の分布の類似性を有するウェーハをグルーピングすることで、第１異常ウェーハＩＤを抽出した。相関係数の閾値は0.8に設定した。相関係数ｒｉｊが閾値０．８以上であれば、それらのウェーハｉとｊは、不良の分布が互いに類似していると判断した。図２９に示すように、閾値０．８以上であった相関係数ｒｉｊは、相関係数ｒ１４、ｒ４１、ｒ１７、ｒ７１、ｒ２５、ｒ５２、ｒ３６、ｒ６３、ｒ３８、ｒ８３、ｒ４７、ｒ７４、ｒ６８、ｒ８６であった。他の相関係数ｒｉｊは、閾値０．８未満であった。

実施例２では、不良の分布の種類を問うことなく、ウェーハ間の不良の分布の類似性を、第１ウェーハ特徴量の相関関数ｒｉｊ等により定量化できた。そして、互いに類似する不良の分布を持つウェーハを自動抽出することができた。

次に、第１ウェーハ特徴量により判定されたウェーハ間の不良の分布の類似性から、不良の分布の類似するウェーハをグルーピングし、不良カテゴリを自動生成した。不良カテゴリの生成を自動化することができれば、工場で発生している不良の問題を自動でレポート出力するシステムが構築できる。

まず、不良の分布が類似するウェーハの類似ウェーハ群Ｓを形成した。類似ウェーハ群Ｓは、ウェーハの一枚毎に対して、類似性のある他のウェーハを抽出することによった。

例えば、図２９のウェーハＷ１について、ウェーハＷ１に類似性のあるウェーハは、ウェーハＷ４とＷ７であった。そこで、ウェーハＷ１、Ｗ４とＷ７の３枚で構成される類似ウェーハ群Ｓ１を、図３０に示すように形成した。ウェーハＷ２について、ウェーハＷ２に類似性のあるウェーハは、ウェーハＷ５である。そこで、ウェーハＷ２とＷ５の２枚で構成される類似ウェーハ群Ｓ２を形成する。以下同様に、類似ウェーハ群Ｓ３乃至Ｓ８を形成する。

類似ウェーハ群SiとSjの類似度Rijを計算する。類似度Rijは、類似ウェーハ群SiとSjの互いに相関を持つウェーハの枚数の割合で定義した。すなわち、類似度Rijは、類似ウェーハ群SiとSjに属する全てのウェーハの組の総数に対する、互いに相関を持つウェーハの組の数の比と定義した。類似度Rijの閾値を０．５に設定した。閾値０．５以上の類似度Rijを有する類似ウェーハ群SiとSjは互いに類似と判定した。なお、類似度Rijは、類似ウェーハ群SiとSjの少なくとも一方に属する全てのウェーハの枚数に対する、類似ウェーハ群SiとSjの両方に属するウェーハの枚数の比であると定義してもよい。

例えば、類似ウェーハ群Ｓ１とＳ４の類似度Ｒ１４は、類似ウェーハ群Ｓ１とＳ４に属する全てのウェーハの組（Ｗ１とＷ４）（Ｗ１とＷ７）（Ｗ４とＷ７）の総数３組に対する、互いに相関を持つウェーハの組（Ｗ１とＷ４）（Ｗ１とＷ７）（Ｗ４とＷ７）の数３組の比３／３であり、１．０であった。図３０に示すように、類似度Ｒ１４は、１．０であり、閾値０．５以上であるので、類似ウェーハ群Ｓ１とＳ４は互いに類似と判定した。同様に、類似度Ｒ４１は、１．０であり、閾値０．５以上であるので、類似ウェーハ群Ｓ４とＳ１は互いに類似と判定した。

類似ウェーハ群Ｓ１とＳ２の類似度Ｒ１２は、類似ウェーハ群Ｓ１とＳ２に属する全てのウェーハの組（Ｗ１とＷ２）（Ｗ１とＷ４）（Ｗ１とＷ５）（Ｗ１とＷ７）（Ｗ２とＷ４）（Ｗ２とＷ５）（Ｗ２とＷ７）（Ｗ４とＷ５）（Ｗ４とＷ７）（Ｗ５とＷ７）の総数１０組に対して、互いに相関を持つウェーハの組（Ｗ１とＷ４）（Ｗ１とＷ７）（Ｗ２とＷ５）（Ｗ４とＷ７）の数４組により、これらの比４／１０の０．４であった。類似度Ｒ１２は、０．４であり、閾値０．５未満であるので、類似ウェーハ群Ｓ１とＳ２は類似でないと判定した。同様に、類似度Ｒ２１は、０．４であり、閾値０．５未満であるので、類似ウェーハ群Ｓ２とＳ１は類似でないと判定した。以下同様に、類似度Ｒ１４、Ｒ４１、Ｒ１７、Ｒ７１、Ｒ２５、Ｒ５２、Ｒ３６、Ｒ６３、Ｒ３８、Ｒ８３、Ｒ４７、Ｒ７４、Ｒ６８、Ｒ８６は、１であり、閾値０．５以上であるので、類似ウェーハ群の組（Ｓ１とＳ４）、（Ｓ１とＳ７）、（Ｓ３とＳ６）、（Ｓ３とＳ８）、（Ｓ４とＳ７）、（Ｓ６とＳ８）、（Ｓ２とＳ５）は類似であると判定した。

次に、図３０に示すように、類似ウェーハ群Siを、要素の数、すなわちウェーハの枚数の多い順にソートした。ウェーハの枚数が３枚の類似ウェーハ群Ｓ１、Ｓ３、Ｓ４、Ｓ６、Ｓ７とＳ８を１位乃至６位にした。ウェーハの枚数が２枚の類似ウェーハ群Ｓ２とＳ５を７位と８位にした。

ソートで上位になった類似ウェーハ群から順に、類似度Rijによる類似の判定を参照しながら、類似ウェーハ群をグルーピングした。まず、ソート順位が１位の類似ウェーハ群Ｓ１に対して、類似ウェーハ群Ｓ１と類似と判定された類似ウェーハ群Ｓ４、Ｓ７をグルーピングした。このグループの類似ウェーハ群Ｓ１、Ｓ４、Ｓ７に識別子として不良カテゴリＣ１を割り当てた。

類似ウェーハ群Ｓ１も含め類似ウェーハ群Ｓ１にグルーピングされた類似ウェーハ群Ｓｉを除いて、最も順位の高い類似ウェーハ群Ｓｉは、類似ウェーハ群Ｓ３であった。類似ウェーハ群Ｓ３に対して、まだ、不良カテゴリＣ１が割り当てられていないで類似ウェーハ群Ｓ３と類似と判定された類似ウェーハ群Ｓｉは、類似ウェーハ群Ｓ６、Ｓ８であった。そこで、類似ウェーハ群Ｓ３、Ｓ６とＳ８でグループを構成し、このグループの類似ウェーハ群Ｓ３、Ｓ６とＳ８に識別子として不良カテゴリＣ２を割り当てた。

まだグルーピングされていない類似ウェーハ群Ｓｉに対して、最も順位の高い類似ウェーハ群Ｓｉは、類似ウェーハ群Ｓ２であった。類似ウェーハ群Ｓ２に対して、まだ、不良カテゴリＣ１とＣ２が割り当てられていないで類似ウェーハ群Ｓ２と類似と判定された類似ウェーハ群Ｓｉは類似ウェーハ群Ｓ５であった。そこで、類似ウェーハ群Ｓ２とＳ５でグループを構成し、このグループの類似ウェーハ群Ｓ２とＳ５に識別子として不良カテゴリＣ３を割り当てた。このグルーピングが有効なのは、上位の類似ウェーハ群Ｓｉ間では、ほとんど同じウェーハが要素になっている場合が多く存在するためであった。

類似ウェーハ群Ｓｉをグルーピング後、各不良カテゴリＣが割り当てられたグループ内で重複するウェーハを除いたウェーハの集合を不良カテゴリC1、C2、C3とした。次に各ウェーハについて、それぞれの不良カテゴリC1、C2、C3に属するウェーハの枚数に対して、ウェーハ間で第１ウェーハ特徴量に関して相関があるウェーハの枚数の割合を求めた。この割合が、事前に設定した閾値以上であれば、そのそれぞれのウェーハをその不良カテゴリC1、C2、C3に所属させた。このことにより、ウェーハ毎に、所属する不良カテゴリC1、C2、C3を決定することができ、すなわち、各不良カテゴリC1、C2、C3毎に互いに不良の分布が類似する第１異常ウェーハＩＤが抽出された。なお、この場合、１枚のウェーハが複数の不良カテゴリC1、C2、C3に所属する場合があった。

具体的には、閾値として、０．４を設定した。ウェーハＷ１に関して、不良カテゴリＣ１において、ウェーハＷ４とＷ７の２枚と相関があった。不良カテゴリＣ１に所属するウェーハＷ１、Ｗ４とＷ７の３枚であるので、ウェーハの枚数の割合は、２／３で０．６６となった。このウェーハＷ１の割合の０．６６は閾値の０．４より大きいので、ウェーハＷ１は不良カテゴリＣ１に所属した。また、ウェーハＷ１は、不良カテゴリＣ２とＣ３において、他のウェーハと相関がなかった。ウェーハの枚数の割合は、ゼロとなった。このウェーハＷ１の割合のゼロは閾値の０．４より小さいので、ウェーハＷ１は不良カテゴリＣ２とＣ３に所属しない。

ウェーハＷ４に関して、不良カテゴリＣ１において、ウェーハＷ１とＷ７の２枚と相関があった。不良カテゴリＣ１に所属するウェーハＷ１、Ｗ４とＷ７の３枚であるので、ウェーハの枚数の割合は、２／３で０．６６となった。このウェーハW４の割合の０．６６は閾値の０．４より大きいので、ウェーハＷ４は不良カテゴリＣ１に所属した。また、ウェーハＷ４は、不良カテゴリＣ２とＣ３において、他のウェーハと相関がなかった。ウェーハの枚数の割合は、ゼロとなった。このウェーハＷ４の割合のゼロは閾値の０．４より小さいので、ウェーハＷ４は不良カテゴリＣ２とＣ３に所属しなかった。以下同様にして、ウェーハＷ１乃至Ｗ８のすべてのウェーハについてカテゴリを設定した。

各不良カテゴリＣ内のウェーハの中から、最も多くのウェーハと第１ウェーハ特徴量に関して相関があるウェーハを代表ウェーハとした。例えば、不良カテゴリＣ１内のウェーハＷ１、Ｗ４とＷ７の中から、互いに相関があるウェーハＷ１、Ｗ４とＷ７を代表ウェーハとした。

不良カテゴリＣ内で代表ウェーハと第１ウェーハ特徴量に関して相関のあるウェーハを、その不良カテゴリの代表ウェーハ群とした。例えば、不良カテゴリＣ１内の代表ウェーハＷ１、Ｗ４とＷ７に相関があるウェーハＷ１、Ｗ４とＷ７を代表ウェーハ群とした。同様に、不良カテゴリＣ２内の代表ウェーハＷ３、Ｗ６とＷ８に相関があるウェーハＷ３、Ｗ６とＷ８を代表ウェーハ群とした。不良カテゴリＣ３内の代表ウェーハＷ２とＷ５に相関があるウェーハＷ２とＷ５を代表ウェーハ群とした。

ステップＳ３３で、第１異常ウェーハＩＤの不良の位置情報をテスト情報から抽出した。ステップＳ３４で、第１異常ウェーハＩＤの不良の位置情報からウェーハ面内の複数の不良分布図を、不良カテゴリＣ１、Ｃ２、Ｃ３毎に第１異常ウェーハ不良分布図として作成した。ウェーハＷ１乃至Ｗ８について、図１８に示すような第１異常ウェーハＩＤの不良の位置情報からウェーハ面内の複数の不良分布図が作成できた。なお、不良カテゴリＣ１はカテゴリ１に対応し、不良カテゴリＣ２はカテゴリ３に対応し、不良カテゴリＣ３はカテゴリ２に対応した。

以下、図２のＢに戻り、実施例１と同様にステップＳ１６以降を実施した。

実施の形態に係る不良検出装置の構成図である。 実施の形態に係る不良検出方法のフローチャート（その１）である。 実施の形態に係る不良検出方法のフローチャート（その２）である。 実施の形態に係る不良検出方法のフローチャート（その３）である。 実施例１の領域区分を説明するためのウェーハ表示領域の構成図（その１）である。 実施例１の領域区分を説明するためのウェーハ表示領域の構成図（その２）である。 実施例１の領域区分を説明するためのウェーハ表示領域の構成図（その３）である。 実施例１の領域区分を説明するためのウェーハ表示領域の構成図（その４）である。 実施例１の領域区分を説明するためのウェーハ表示領域の構成図（その５）である。 実施例１のロット特徴量のデータ構造の構成図（その１）である。 実施例１の製造装置の有意差検定の検定値のデータ構造の構成図である。 実施例１の製造装置の有意差検定で有意差のあった検定値のデータ構造の構成図（その１）である。 実施例１のロットの製造工程の工程７２番の処理日時と、ロットのロット特徴量の関係を表すグラフである。 実施例１の混入率を説明するための、ロットの製造工程の工程７２番の処理日時と、ロットのロット特徴量の関係を表すグラフである。 実施例１のロット特徴量と混入率の関係を表すグラフである。 実施例１の異常ロットＩＤのロット内のウェーハの不良の分布図（その１）である。 実施例１の異常ロットＩＤのロット内のウェーハの不良の分布図（その２）である。 実施例１の異常装置毎に異常ウェーハＩＤのウェーハの不良の分布図を分類した表である。 実施例１のクラスタリング不良分布図（その１）である。 実施例１の異常装置毎のクラスタリング不良分布図である。 実施例１の不良発生領域を説明するための、ウェーハ表示領域の構成図である。 実施例１のロット特徴量のデータ構造の構成図（その２）である。 実施例１の製造装置の有意差検定で有意差のあった検定値のデータ構造の構成図（その２）である。 実施例１のクラスタリング不良分布図（その２）である。 実施例１のクラスタリング不良分布図（その３）である。 実施例２のウェーハの不良の分布図である。 実施例２のウェーハ特徴量の波形図である。 実施例２のウェーハ間の相関関係を表す図である。 実施例２の類似ウェーハか否かを表す表である。 実施例２の類似ウェーハ群と不良カテゴリの生成を説明するための表である。

符号の説明

１ 不良検出装置
２ 領域区分設定部
３ 不良発生領域設定部
４ 入力部
５ ウェーハＩＤ抽出部
６ 位置情報抽出部
７ ウェーハ特徴量計算部
８ ロット特徴量計算部
９ 製造装置抽出部
１０ 有意差検定部
１１ 異常装置検出部
１２ 異常検出ロット特徴量抽出部
１３ 特徴量閾値設定部
１４ 混入率算出部
１５ 特徴量閾値算出部
１６ 異常ロットＩＤ抽出部
１７ ウェーハ不良分布図作成部
１８ 類似度算出部
１９ 類似度によるウェーハＩＤ抽出部
２０ クラスタリング不良分布図作成部
２１ 処理履歴情報記憶部
２２ テスト情報記憶部
２３ バスライン
４１ ウェーハ表示領域
４２ 不良表示領域
４３ 半径方向１／２ｒ以内領域
４４ 半径方向１／２ｒから３／４ｒ領域
４５ 半径方向３／４ｒから外でエッジ領域を除いた領域
４６ 半径方向エッジ領域
４７ 半径方向１／２ｒの境界線
４８ 半径方向３／４ｒの境界線
４９ 半径方向エッジ領域の境界線
５１ 角度方向０度から４５度領域
５２ 角度方向４５度から９０度領域
５３ 角度方向９０度から１３５度領域
５４ 角度方向１３５度から１８０度領域
５５ 角度方向１８０度から２２５度領域
５６ 角度方向２２５度から２７０度領域
５７ 角度方向２７０度から３１５度領域
５８ 角度方向３１５度から０度領域
６１ 角度方向０度境界線
６２ 角度方向４５度境界線
６３ 角度方向９０度境界線
６４ 角度方向１３５度境界線
６５ 角度方向１８０度境界線
６６ 角度方向２２５度境界線
６７ 角度方向２７０度境界線
６８ 角度方向３１５度境界線
７１乃至７６ 不良表示領域
８１乃至８８ 装置Ｍで処理したロット
９１、９２ 閾値
９３ 混入率が最小となる点
９４ 採用される第１特徴量閾値
９５乃至９９、１０１乃至１０３ 不良の密度の等高線
１０５乃至１０７ 不良発生領域

Claims (14)

1. ロット内のウェーハのウェーハＩＤを、前記ロットのロットＩＤを抽出条件として抽出でき、前記ロットの製造工程と、前記製造工程で使用した製造装置を、前記ロットのロットＩＤを抽出条件として抽出できる処理履歴情報と、テスト毎にウェーハ内での不良が発生した位置情報を、前記ウェーハのウェーハＩＤとテスト名を抽出条件として抽出できるテスト情報を利用可能な不良検出方法において、
   前記ウェーハに所定の領域区分を設定することと、
   対象ロットの前記ロットＩＤを入力することと、
   前記対象ロット内の対象ウェーハの前記ウェーハＩＤを、前記ロットＩＤと前記処理履歴情報から抽出することと、
   種類の異なる複数のテストにおける前記対象ウェーハ内での前記不良の前記位置情報を、前記ウェーハＩＤと前記テスト情報から抽出することと、
   前記不良の前記位置情報を参照し、前記領域区分毎に不良の密度および偏り度を求め、前記対象ウェーハ毎に、前記テスト毎でかつ前記領域区分毎の不良密度情報および不良偏り情報からなる第１ウェーハ特徴量を得ることと、
   前記第１ウェーハ特徴量から、前記対象ロット毎に得られる第１ロット特徴量であって、前記対象ロット内の前記対象ウェーハの前記不良密度と前記偏り度のそれぞれの平均、最大値、上位の平均、前記ウェーハＩＤの偶奇性による偏り度及び前記ウェーハＩＤの前後半による偏り度の少なくとも１つを含み、前記領域区分の種類の数と、前記テストの種類の数と、前記第１ロット特徴量の計算方法の種類の数と、前記第１ウェーハ特徴量の計算方法の種類の数との積の個数からなる第１ロット特徴量を算出することと、
   前記処理履歴情報から、前記対象ロットの製造工程と、前記製造工程で使用した製造装置を、前記対象ロットの前記ロットＩＤを抽出条件として抽出することと、
   前記第１ロット特徴量毎に、前記製造工程毎の前記製造装置間の有意差検定を行うことと、
   有意差のある前記製造装置を、第１異常装置として検出することを有することを特徴とする不良検出方法。
2. 前記第１異常装置を検出した前記第１ロット特徴量を、第１異常検出ロット特徴量として抽出することと、
   前記第１異常検出ロット特徴量の第１特徴量閾値を設定することと、
   前記第１異常検出ロット特徴量が前記第１特徴量閾値より大きい前記対象ロットのロットＩＤを、第１異常ロットＩＤとして抽出することを、さらに有することを特徴とする請求項１に記載の不良検出方法。
3. 前記第１異常ロットＩＤのロット内のウェーハのウェーハＩＤを、第１異常ウェーハＩＤとして前記処理履歴情報から抽出することと、
   前記第１異常検出ロット特徴量に関する前記テストにおける前記第１異常ウェーハＩＤの前記不良の前記位置情報を、前記テスト情報から抽出することと、
   前記第１異常ウェーハＩＤの前記不良の前記位置情報からウェーハ面内の複数の不良分布図を、第１異常ウェーハ不良分布図として作成することを、さらに有することを特徴とする請求項２に記載の不良検出方法。
4. ロット内のウェーハのウェーハＩＤを、前記ロットのロットＩＤを抽出条件として抽出でき、前記ロットの製造工程と、前記製造工程で使用した製造装置を、前記ロットのロットＩＤを抽出条件として抽出できる処理履歴情報と、テスト毎にウェーハ内での不良が発生した位置情報を、前記ウェーハのウェーハＩＤとテスト名を抽出条件として抽出できるテスト情報を利用可能な不良検出方法において、
   前記ウェーハに複数の領域区分を設定することと、
   対象ロットの前記ロットＩＤを入力することと、
   前記対象ロット内の対象ウェーハの前記ウェーハＩＤを、前記ロットＩＤと前記処理履歴情報から抽出することと、
   種類の異なる複数のテストにおける前記対象ウェーハ内での前記不良の前記位置情報を、前記ウェーハＩＤと前記テスト情報から抽出することと、
   前記不良の前記位置情報を参照し、前記領域区分毎に不良の密度および偏り度を求め、前記対象ウェーハ毎に、前記テスト毎でかつ前記領域区分毎の不良密度情報および不良偏り情報からなる第１ウェーハ特徴量を得ることと、
   前記第１ウェーハ特徴量の波形の前記ウェーハ間での類似性の定量化として、前記第１ウェーハ特徴量に関して、複数の前記ウェーハ間の類似度を相関係数で表すことと、
   前記類似度が予め設定された相関係数閾値以上であるか否かに基づいて前記ウェーハをグルーピングし、第１異常ウェーハＩＤとして抽出することと、
   前記第１異常ウェーハＩＤの前記不良の前記位置情報を、前記テスト情報から抽出することと、
   前記第１異常ウェーハＩＤの前記不良の前記位置情報からウェーハ面内の複数の不良分布図を、第１異常ウェーハ不良分布図として作成することとを有することを特徴とする不良検出方法。
5. 前記第１異常ウェーハ不良分布図に基づいて第１クラスタリング不良分布図を作成することを、さらに有することを特徴とする請求項３または請求項４に記載の不良検出方法。
6. 前記第１クラスタリング不良分布図より、密度閾値毎に、不良の密度が前記密度閾値より高い不良発生領域を、前記対象ウェーハに設定することと、
   前記対象ウェーハ毎に、前記不良のウェーハ面内での分布の偏りを、前記不良発生領域に基づいて、定量化する第２ウェーハ特徴量を計算することと、
   前記対象ウェーハ毎に算出した前記第２ウェーハ特徴量から、前記対象ロット毎の第２ロット特徴量を算出することと、
   前記第２ロット特徴量毎に、前記製造工程毎の前記製造装置間の有意差検定を行うことと、
   有意差のある前記製造装置を、第２異常装置として検出することを、さらに有することを特徴とする請求項５に記載の不良検出方法。
7. 前記第２異常装置を検出した前記第２ロット特徴量を、第２異常検出ロット特徴量として抽出することと、
   前記第２異常検出ロット特徴量の第２特徴量閾値を設定することと、
   前記第２異常検出ロット特徴量が前記第２特徴量閾値より大きい前記対象ロットのロットＩＤを、第２異常ロットＩＤとして抽出することを、さらに有することを特徴とする請求項６に記載の不良検出方法。
8. 前記第２異常ロットＩＤのロット内のウェーハのウェーハＩＤを、第２異常ウェーハＩＤとして前記処理履歴情報から抽出することと、
   前記第２異常検出ロット特徴量に関する前記テストにおける前記第２異常ウェーハＩＤの前記不良の前記位置情報を、前記テスト情報から抽出することと、
   前記第２異常ウェーハＩＤの前記不良の前記位置情報からウェーハ面内の複数の不良分布図を、第２異常ウェーハ不良分布図として作成することを、さらに有することを特徴とする請求項７に記載の不良検出方法。
9. 前記第２異常ウェーハ不良分布図に基づいて第２クラスタリング不良分布図を作成することを、さらに有することを特徴とする請求項８に記載の不良検出方法。
10. 前記領域区分は、前記ウェーハの円の中心の中心角によって分けた角度領域と、前記中心からの距離によって分けた距離領域の重なりの領域であることを特徴とする請求項１乃至９のいずれか１つに記載の不良検出方法。
11. 前記テストは、ＤＣテスト、ファンクションテストとマージンテストの少なくとも１つであることを特徴とする請求項１乃至１０のいずれか１つに記載の不良検出方法。
12. 前記不良の密度は、前記領域区分内での不良の発生率であり、前記偏り度は、前記ウェーハに対する前記領域区分への前記不良の偏りをχ２乗値で表すことを特徴とする請求項１乃至１１のいずれか１つに記載の不良検出方法。
13. 前記製造装置間の有意差検定を行うことでは、前記製造工程毎の前記製造装置間で、前記製造装置で処理した前記対象ロットの前記第１ロット特徴量のχ２乗値の検定値を算出することを特徴とする請求項１乃至３のいずれか１つに記載の不良検出方法。
14. 前記第１クラスタリング不良分布図を作成することは、
    前記第１異常ウェーハ不良分布図を重ね合わせ前記第１異常ウェーハ不良分布図の分布を積算すること、または、前記第１異常ウェーハ不良分布図のウェーハ内で位置関係が等しい不良の論理和を算出することであることを特徴とする請求項５乃至９のいずれか１つに記載の不良検出方法。

Images