JP7679558B2 - 複数の基板ダイからのスペクトルデータに基づく半導体基板歩留まり予測 - Google Patents

Description

（優先権の主張）
本出願は、２０２２年１１月２１日にＰＣＴ国際特許出願として出願されており、２０２１年１１月２２日に出願された、その開示全体が参照により本明細書に組み込まれる米国非仮特許出願第１７／５３２，７００号の利益及び優先権を主張する。

（発明の分野）
本開示は、半導体部品の製造及び計測に関する。

半導体チップ又は他のタイプの集積回路（ＩＣ）の形成の一部として、半導体基板が製造又は製作される。最終的なＩＣ部品を、一連の製作工程によって基板に組み込むことができる。製作工程は、薄膜層が基板上に付加される堆積工程を含んでもよい。次いで、基板をフォトレジストでコーティングし、リソグラフィ技術を使用してレチクルの回路パターンを基板上に投影することができる。次いで、エッチングプロセスが行われてもよい。各製作工程において、製作工程を実行するツールが基板に欠陥又は不完全性を引き起こす可能性がある。

いくつかの用途では、半導体基板はダイからなる。ダイは、半導体材料（例えば、シリコン）のブロックであり、その上に所与の機能回路が製作される。例えば、機能回路は、中央処理装置の形態をとることができる。機能回路は、単一の基板上にバッチ製造されてもよい。次いで、基板は、各ダイが回路の１つのコピーを含む複数のダイに切断される。各ダイが長方形であってもよい。ダイ間に薄い非機能的間隔を設けることができ、回路を損傷することなく基板から個々のダイを（例えば、鋸で）切り離すことが可能になる。

概して、本開示は、基板の製造中の半導体基板の検査に関する。半導体基板の一例は半導体ウェハである。

いくつかの態様によれば、本開示は、基板の製造中に半導体基板のダイのサブセットを検査することに関する。

いくつかの他の態様によれば、本開示は、基板の製造中の複数の製造工程の後に半導体基板のダイのサブセットを検査することに関する。

いくつかの他の態様によれば、本開示は、サブセットのダイの各々についてスペクトルデータを生成することによって半導体基板のダイのサブセットを検査することに関する。

いくつかの他の態様によれば、本開示は、半導体基板の検査対象のダイのスペクトルデータを含む組み合わせデータを生成することに関する。いくつかの例では、組み合わせデータは、区別されたデータサブセットの配列を含むことができ、各サブセットは、検査対象のダイのうちの１つからのスペクトルデータを表す。いくつかの例では、組み合わせデータは行列として表すことができる。

いくつかの他の態様によれば、本開示は、半導体基板の複数の製造工程の各々の後に検査されたその基板の検査対象のダイのスペクトルデータを含む組み合わせデータを生成することに関する。本明細書で使用される場合、製造（manufacturing）及び製作（fabrication）又は製作する（fabricating）などの用語は、互換的に使用される。

いくつかの他の態様によれば、本開示は、半導体基板の歩留まりを、その基板の検査対象のダイのスペクトルデータに基づいて予測することに関する。

いくつかの他の態様によれば、本開示は、半導体基板の歩留まりを、その基板の検査対象のダイのスペクトルデータを訓練された機械学習モデルに入力することによって予測することに関する。

いくつかの他の態様によれば、本開示は、半導体基板の歩留まりを、畳み込みニューラルネットワークを使用して、その基板の検査対象のダイのスペクトルデータを含む組み合わせデータを処理することによって予測することに関する。

いくつかの他の態様によれば、本開示は、半導体基板の歩留まりを、畳み込みニューラルネットワークを使用して、その基板の複数の製造工程の各々の後に検査されたその基板の検査対象のダイのスペクトルデータを含む組み合わせデータを処理することによって予測することに関する。

いくつかの他の態様によれば、本開示は、半導体基板に欠陥を引き起こすツール又はプロセスを識別することに関する。

いくつかの他の態様によれば、本開示は、前述の特徴の任意の組み合わせに関する。

いくつかの特定の態様によれば、本開示は、基板の歩留まりを予測するための方法であって、基板上の複数のダイの各々についての第１のスペクトルデータと、基板の複数のダイの各々についての第２のスペクトルデータとを組み合わせて組み合わせデータとすることであって、第１のデータは、第１の時点での複数のダイの第１の検査から生成され、第２のデータは、第２の時点での複数のダイの第２の検査から生成される、組み合わせることと、組み合わせデータを訓練された機械学習モデルへの入力として提供することを含む、基板の予測歩留まりを生成することと、を含む方法に関する。

いくつかの他の特定の態様によれば、本開示は、コンピューティング装置に、基板上の複数のダイの各々についての第１のスペクトルデータと、基板の複数のダイの各々についての第２のスペクトルデータとを組み合わせて組み合わせデータとすることであって、第１のデータは、第１の時点での複数のダイの第１の検査から生成され、第２のデータは、第２の時点での複数のダイの第２の検査から生成される、組み合わせることと、組み合わせデータを訓練された機械学習モデルへの入力として提供することを含む、基板の予測歩留まりを生成することと、を行わせる命令を含む、非一時的コンピュータ可読媒体に関する。

この概要は、以下の詳細な説明で更に説明する概念の選択を簡略化した形態で紹介するために提供される。この概要は、特許請求される主題の主要な特徴又は本質的な特徴を特定することを意図するものではなく、特許請求される主題の範囲を限定するために使用されることを意図するものでもない。例の追加の態様、特徴、及び／又は利点は、一部は以下の説明に記載され、一部は説明から明らかになるか、又は本開示の実施によって習得され得る。

以下の図を参照して、非限定的かつ非網羅的な例を説明する。

半導体基板を表す例示的な半導体基板マップを示し、基板はダイを含み、ダイのサブセットが、本開示による検査用に選択される。 図１の検査対象のダイのうちの１つについてのスペクトルデータの例示的なプロットを示す。 本開示による基板歩留まり予測を生成するために使用することができるスペクトルデータの例示的な行列の一部を示す。 本開示による基板歩留まり予測を生成するために使用することができるスペクトルデータの更なる例示的な行列の一部を示す。 本開示による基板歩留まり予測を生成するために使用することができるスペクトルデータの例示的な三次元構造を示す。 本開示による半導体基板の歩留まりを予測するための例示的なシステムを概略的に示す。 図６のシステムを使用する本開示の例に従って基板歩留まりを予測するために機械学習モデルを使用する一例を示す。 図６のシステムを用いて半導体基板の歩留まりを予測する方法を示す。

本開示の例は、基板製作を改善するためのシステム及び方法を説明する。このような基板の一例は、半導体ウェハである。基板が少なくとも１つの製作ツールによって処理された後に、検査装置が基板のダイのサブセットを検査して、基板の欠陥を識別する。検査プロセスから生成された検査データに基づいて、基板の歩留まりが予測される。基板の歩留まりは、１つ以上の定義された動作基準、品質基準、又は他の許容可能性の基準を満たす基板のダイの割合を指すことができる。

いくつかの例では、予測歩留まりを使用して、基板に製造欠陥を生じさせている可能性のある、基板の製造に使用されるツール又はプロセスを識別することができる。

いくつかの例では、半導体基板の製造を、予測歩留まりに基づいて（例えば、欠陥を引き起こすツールを調整又は交換することによって）改善して欠陥を補償するために、予測歩留まりを使用することができる。

基板を検査するための、特に基板のダイを検査するための１つの例示的な検査方法は、基板のダイのサブセットの各々についてスペクトルデータを生成することを含む。スペクトルデータは、そのダイによって反射された光又は他の放射の波長スペクトルを検出及び測定する反射率計又は分光計などの検査装置又はツールを使用して生成することができる。したがって、いくつかの例では、検査ツールが、基板のマルチスペクトル撮像を生成するように構成される。

例えば、基板が複数のダイを有してもよく、それらのダイを、新しい層が基板に付加される時など、製造プロセスの異なる工程で検査してもよい。基板上の各ダイをこのプロセスの一部として検査する必要はない。例示的な基板マップ１０を図１に概略的に示す。基板マップ１０は、基板の製作中の半導体基板を表す。例示的な基板マップ１０は、本開示に従って基板の歩留まりを予測する目的で検査され得る基板のダイ１２のサブセットの位置を示す。ダイ１４などのダイ１２以外の基板マップのダイは、この例では検査されない。

基板の歩留まりを予測するために検査されるダイの数及び位置は、１つ以上の要因を最適化するように選択することができる。例えば、より少ないダイを検査することは、より費用及び／又は時間効率が高いが、歩留まり予測の誤差に対してより大きなマージンを提供し得る。同様に、基板上で比較的密集しているダイを検査することは、基板全体にわたって散在している検査対象のダイよりも費用及び／又は時間効率が高い場合があるが、ここでも、基板全体の歩留まり予測の誤差に対してより大きなマージンを提供する。したがって、検査対象のダイの数及び位置は、畳み込みニューラルネットワーク（convolutional neural network、ＣＮＮ）又は他のタイプの機械学習モデルを使用して、コスト及び時間を最小限に抑え、歩留まり予測の正確さ及び精度を最大にするように選択することができる。いくつかの例では、選択されるダイの数は、約１個／５０，０００個～約１個／１，０００個の範囲内など、基板のダイの総数に対する所定の割合であり得る。この範囲外の総数に対する割合も選択され得る。

ＣＮＮ又は他の機械学習モデルは、対象基板の未知の歩留まりを対象基板のダイの検査からのスペクトルデータに基づいて予測するために、既知の歩留まりを有する基板のダイからのスペクトルデータを使用して（例えば、教師あり訓練を用いて）訓練され得る。

いくつかの例では、対象基板の歩留まりを予測する目的で対象基板上で検査されるダイの数は、ＣＮＮ又は他の機械学習モデルを訓練するために使用される各基板のダイの数に等しい。

いくつかの例では、対象基板の歩留まりを予測する目的で対象基板上で検査されるダイの位置は、ＣＮＮ又は他の機械学習モデルを訓練するために使用される各基板のダイの位置と同じである。

いくつかの例では、対象基板上で検査されるダイの数及び／又はダイの位置は、訓練基板のダイの数及び／又は位置とは異なってもよい。

更に図１を参照すると、検査対象のダイ１２の各々について、スペクトルデータが生成される。検査対象のダイ１２の各々についてのスペクトルデータは、異なる波長の電磁放射（例えば、異なる波長の光）からの一次元シリアルデータであり得る。例えば、各波長について、信号強度がデータで表される。

訓練基板のダイを検査し、対象基板のダイ１２のスペクトルデータを生成するために、音響計測ツール又は超音波計測ツールなどの他の計測ツールを使用することができる。

いくつかの例では、スペクトルデータを、波長ではなく周波数などの別のスペクトル属性の関数として取得してもよい。

図２は、図１のマップ１０によって表される基板の単一のダイ１２の可視光スペクトルデータの例示的なプロット１８を示し、縦軸はダイ１２によって反射された信号の信号強度を表し、横軸は波長を表す。プロット１８は、各測定波長で検査装置（例えば、反射率計又は分光計）によって行われた複数の測定を含むことができる。所与の製作工程の後の（すなわち、所与の検査時点での）所与のダイの所与の波長及び所与の時点でのそのような各信号測定を、チャネルと見なすことができる。プロット１８は、複数の反射波長（例えば、１０００個以上の波長）の各々での複数のチャネルの各々についての反射信号強度を含むことができる。複数のチャネルは、同じ基板製作工程の後に、同じダイについて、同じ波長で異なる時点で行われた信号測定を含む。したがって、「検査時点」は、本明細書では、所与の製作工程の後の単一の検査時点でのダイの検査を指すために使用されるが、複数のチャネルのデータを取得して、信号測定の信頼性を改善することができ、各チャネルは、異なる測定時点であるが同じ検査時点に対応する。すなわち、各検査時点において、スペクトルデータを複数回測定することができ、各回は個別のチャネルに対応する。

いくつかの例では、所与の波長で複数のチャネルにわたって検出された信号強度に１つ以上の統計的演算を適用して、全てのチャネルにわたる検査時点ごとのダイごとの波長ごとの信号強度の中央値又は平均など、波長ごとの単一の信号強度値に到達することができる。いくつかの例では、所与の波長での複数のチャネルにわたる信号強度の分散が最大閾値分散を超えていると判定された場合、スペクトルデータ又はその一部は使用されず、及び／又は検査が再び実行される。

スペクトルデータは、基板上の検査対象のダイごとに生成される。例えば、対象基板の１２個のダイ１２からのスペクトルデータが、モデルの歩留まりを予測するために機械学習モデルによって使用される場合、検査対象のダイ１２ごとに１組の１２組のスペクトルデータが生成される。

１２個というダイの数は単に例示的な数として使用されており、他のダイの数が使用されてもよい。例えば、検査用に選択されるダイの数は、異なる要因の最適化に基づくことができる。例えば、より多くのダイを検査することは、基板歩留まり予測を改善し得るが、同時に、スペクトルの検出により多くの時間を必要とし、予測を提供する機械学習モデルの訓練及び適用により多くの計算能力を必要とするため、検査プロセスの効率を低下させ得る。したがって、例えば、予測される基板歩留まりを生成するための検査用に選択されるダイの数は、検査対象のダイの数又は割合の関数としての予測の誤差マージンの最適化に基づくことができる。例えば、所与の基板の検査用に選択されるダイの数は、所定の閾値誤差マージン以下の誤差マージンを有する基板歩留まり予測を生成するダイの最小数であり得る。

検査用に選択されるダイの基板上の位置は、任意の数の要因に基づいて選択することができる。例えば、位置を、検査に必要なダイの最小数を提供するように選択して、基板歩留まり予測が誤差の閾値マージン内に収まるようにしてもよい。いくつかの例では、検査用に選択されるダイの位置は、例えば乱数発生器又は他のランダム化ツールを使用してランダムに選択される。

検査対象のダイのスペクトルデータを組み合わせて、基板の歩留まりを予測するためのＣＮＮなどの機械学習モデルへの入力として提供することができる組み合わせデータとする。そのような組み合わせデータの例は、二次元行列である。基板の歩留まりは、最終試験に合格する基板上のダイの割合（すなわち、許容可能な所定の動作基準又は品質基準を有する基板上のダイの割合）であってもよい。より具体的には、スペクトルデータは、基板歩留まりと相関するダイ欠陥の有無と相関する。そのような欠陥の非限定的な例は、堆積層の不均一な厚さ、亀裂、不適切な寸法、汚染などを含むことができる。

複数のプロセス及びツールを使用して基板を製作することができる。製作ツールは、例えば、様々なタイプのツールの中でも特に、酸化システム、エピタキシャルリアクタ、拡散システム、イオン注入装置、物理蒸着システム、化学蒸着システム、フォトリソグラフィ装置、及びエッチング装置を含むことができる。基板を製作するために採用される製造工程の数は、いくつかの例では、少数（例えば、１０未満）から数百まで変化し得る。典型的には、基板は、製作ラインを通って進むことによって製作することができ、製作ライン内の各製作ツールは、基板に対してプロセス工程を実行する。同じツールを製作ラインで複数回使用することができる。例えば、複数の堆積工程、リソグラフィ工程、及び／又はエッチング工程を実行して、基板を製作することができる。

いくつかの例では、スペクトルデータはまた、基板歩留まりと相関するダイ欠陥のタイプと相関し得る。例えば、いくつかの欠陥は、基板の許容可能性に与える影響が他のタイプの欠陥よりも多いか又は少ない場合がある。欠陥のタイプが既知であれば、機械学習モデルを使用して基板の歩留まりを予測する際に、基板の許容可能性への影響に従って欠陥のタイプを重み付けすることができる。いくつかの例では、欠陥のタイプは、基板検査の直前に実行された製作工程に基づいて決定することができる。例えば、堆積工程の後にスペクトルデータが取得される場合、スペクトルデータが基板ダイの欠陥を示す限りにおいて、欠陥は、堆積タイプの欠陥及び／又は堆積ツールに関連する欠陥であり得る。次いで、スペクトルデータを使用して基板歩留まりを予測する際に、検出された堆積タイプの欠陥に適切な重み係数を機械学習モデルによって適用することができる。

基板のダイのスペクトルデータに基づいて対象基板の歩留まりを予測するために、ＣＮＮなどの機械学習モデルを相関を使用して訓練することができる。例えば、機械学習モデルを、既知の歩留まりを有する訓練基板を使用して訓練し、対象基板のダイのスペクトルデータ（図２に示されるプロットなど）を、既知の歩留まりを有する訓練基板の対応する（例えば、対応するダイの、及び／又は同じ製作工程の後の）スペクトルデータと比較することによって、対象基板の歩留まりを予測してもよい。この場合、機械学習モデルは、既知の歩留まりを有する訓練基板の比較されたスペクトルデータを使用して対象基板の歩留まりを分類して、対象基板の出力歩留まり予測を提供することができる。

スペクトルデータを組み合わせて、任意の適切な組み合わせられた数の配列とすることができ、配列を、ＣＮＮなどの機械学習モデルへの入力として提供することができる。例えば、組み合わせデータは、ダイごとに、そのダイに対応するスペクトルデータを表すデータサブセットを含むことができる。組み合わせデータ配列内のデータサブセットは、各データサブセットがその配列内の他のあらゆるデータサブセットから区別されるように編成されてもよい。各データサブセット内の各データの値は、対応するダイの対応するスペクトルデータの波長に関連付けられ、対応するダイの対応するスペクトルデータの関連付けられた波長における信号強度を表す。

このようにデータサブセットで編成された組み合わせデータ配列の非限定的な例には、行列が含まれる。図３は、本開示による対象基板歩留まり予測を生成するために機械学習モデルに入力することができるスペクトルデータの例示的な行列３０の一部を示す。行列３０は、スペクトルデータに対応する区別された組み合わせデータサブセットの例示的な配列又は構造である。

行列３０は、対象基板の製作工程の後の対象基板のダイのスペクトルデータを含む。行列３０内のスペクトルデータの全ては、時点１又は検査時点１で取得され、これは、行列３０内のデータの全てが、所与の製作工程の後、かつ次の製作工程又は基板を物理的に変更する次の他の工程の前に取得されることを意味する。

完成した行列３０（又は組み合わせスペクトルデータの他の配列）は、基板の歩留まりを予測するために機械学習モデルへの入力として提供され得る。いくつかの例では、行列３０（又は組み合わせスペクトルデータの他の配列）に、機械学習モデルが基板歩留まりをより正確に予測するために使用することができる１つ以上の属性が割り当てられる。例えば、行列３０（又は組み合わせスペクトルデータの他の配列）に、行列３０（又は組み合わせスペクトルデータの他の配列）に含まれるスペクトルデータを取得する直前に実行された製作工程のタイプを識別する製作工程属性を割り当てることができる。

行列３０の横方向の行は各々、製作工程の後の対象基板の異なる検査対象のダイを表す。例えば、１２個のダイが検査される場合、行列３０は１２個の行を有し、Ｍは１２である。したがって、一例では、行列３０の第１の行３２は、第１の検査対象のダイ１２（図１）の全てのスペクトルデータを表すことができ、行列３０の第２の行３４は、第２の検査対象のダイ１２（図１）の全てのスペクトルデータを表すことができ、以下同様である。検査対象のダイは各々、そのダイに固有の基板上の位置、すなわちダイ位置を有する。

行列３０の縦方向の列は各々、異なるスペクトル波長を表す。例えば、第１の列３６は第１の波長を表すことができ、第２の列３８は第１の波長とは異なる第２の波長を表すことができ、以下同様である。他の例では、各列は異なるスペクトル周波数を表す。

行列３０の各セルは、対応する検査時点において対応する波長で測定された、対応するダイの反射信号強度を含む。したがって、例えば、行列３０の行３２及び列３６に対応するセル４０内の値ｘは、検査時点１において第１の波長で測定された、第１の検査対象のダイ１２（図１）の反射信号強度に対応する。行列３０の行３２及び列３８に対応するセル４２内の値ｙは、時点１において第２の波長で測定された、第１の検査対象のダイ１２の反射信号強度に対応する。行列３０の行３４及び列３６に対応するセル４４内の値ｚは、基板の検査対象のダイ１２（図１）の各々、及びスペクトルの検査対象の波長の各々について、時点１において第１の波長で測定された、第２の検査対象のダイの反射信号強度などに対応する。

いくつかの例では、本開示に従って生成された行列は、各行列の各セルが、所与の検査時点における所与のダイの所与のチャネルの所与の波長でのスペクトル信号強度に対応する値を含むように、検査チャネルに対応する第３の次元を有する三次元構造に組み立てることができる。いくつかの例では、三次元構造は、例えば、上記のように、所与のダイ、所与の波長、及び所与の検査時点についての複数のチャネルにわたるデータに対して１つ以上の統計的演算を実行することによって、二次元行列に変換される。

検査対象の波長（又は、いくつかの例では、周波数）の数は、例えば、約１０、約１００、又は約１，０００、又はそれ以上であり得る。いくつかの例では、各スペクトルに対して約１，０００個（Ｎは約１，０００）の検査対象の波長があり、各検査時点における各ダイが約１，０００個のスペクトルデータ点に関連付けられ、行列３０は約１，０００個の列を含み、各データ点は所与の波長で反射率測定装置又は分光測定装置によって測定された信号強度である。

完成した（例えば、各セルが信号強度データを含む）行列３０、又は組み合わせられたスペクトルデータの他の配列は、基板の歩留まりの予測を生成するために、機械学習モデルへの入力として提供されてもよい。いくつかの例では、機械学習モデルは、既知の歩留まりを有する基板からの以前の行列（又は組み合わせスペクトルデータの他の配列）に基づく教師あり訓練方法を介して訓練されてもよい。いくつかの例では、機械学習モデルは畳み込みニューラルネットワークである。いくつかの例では、訓練行列は行列３０と同じサイズである。

機械学習モデルに入力される行列（又は組み合わせスペクトルデータの他の配列）は、異なる製作工程で拡張されてもよい。すなわち、１つ以上の他の製作工程の後に、第２の検査時点及び任意選択で１つ以上の他の後続の検査時点で基板の同じダイを検査することによって、スペクトルデータの別の一セット又は複数のセットを生成することができる。例えば、基板の第１の層が製造された後に、１２個のダイの検査を行うことができる。次に、時点１における検査から生成されたスペクトルデータを使用して、上述のように１２行の行列３０（図３）を生成することができる。

基板の別の層が製造された後に、又は別の製作工程（例えば、エッチング）が行われ、次の製作工程又は基板を物理的に変更する次の他の工程の前に、検査時点２（又は時点２）で１２個のダイの第２の検査が行われてもよい。第１の検査から生成された行列３０（図３）は、第２の検査からのスペクトルデータで拡張されて、拡張行列６０（図４）を生成することができる。例えば、別の１２行、すなわち検査対象のダイごとに１つの更なる行を行列３０に追加して、行列６０を生成してもよい。したがって、行列６０の第１の行６２は、第１の製造工程後の（すなわち、検査時点１における）第１のダイのスペクトルデータを表し、行列６０の第１３の行６４は、第２の製造工程後の（すなわち、検査時点２における）第１のダイのスペクトルデータを表す。

いくつかの例では、同じダイが第１の検査時点及び第２の検査時点で検査される。いくつかの例では、同じ数のダイが第１の検査時点及び第２の検査時点で検査されるが、第２の検査時点で検査されるダイは、全てが第１の検査時点で検査されるダイと同じである必要はない。

拡張行列６０（又は区別された組み合わせデータサブセットの他の拡張配列）を、第２の製造工程後の基板の歩留まりを予測するために、機械学習モデル（例えば、ＣＮＮ）への入力として提供してもよい。プロセスは、任意の所望の数の製造工程及び対応する基板の検査の各々の後に行われる行列の拡張を継続することができる。したがって、更新された歩留まり予測を、各製造工程の後に、更に拡張されたデータを用いて行うことができる。各拡張が機械学習モデルに供給されると、機械学習モデルは、入力を、対象基板の場合と同じ製造工程の後の対応する拡張レベルを有する訓練行列（又は他のデータ配列）と比較する。

別の製造工程の後に図３の行列３０を拡張してスペクトルデータを含めることの代替として、検査時点ごとに別個の行列を生成し、対応する訓練行列と比較される別個の行列として機械学習モデルに入力することができる。

別の製造工程の後に図３の行列３０を拡張してスペクトルデータを含めることの更なる代替として、最初に行列３０を生成することなく、両方の製造工程の後に行列６０だけを生成してもよい。

いくつかの例では、基板の第１の予測歩留まりが、行列３０（又は組み合わせスペクトルデータの他の配列）を機械学習モデルに入力することによって生成される。次に、基板に対して別の製造工程が実行され、別の検査が実行される。次に、別の検査からのスペクトルデータを行列３０（又は組み合わせスペクトルデータの他の配列）に加えて、拡張行列６０（又は組み合わせスペクトルデータの他の拡張配列）を生成する。次に、拡張行列（又は組み合わせスペクトルデータの他の拡張配列）を機械学習モデルに入力して、第１の予測歩留まりを修正し、行列（又は組み合わせスペクトルデータの他の配列）の拡張に基づく第１の予測歩留まりの修正である基板の第２の予測歩留まりを出力する。

対象基板のダイのスペクトルデータを有する行列（例えば、行列３０）（又は組み合わせスペクトルデータの他の配列）あるいは拡張行列（例えば、行列６０）（又は組み合わせスペクトルデータの他の拡張配列）が機械学習モデルに入力され、機械学習モデルは、入力を分類するために入力に対して１つ以上の演算（例えば、行列演算）を実行する。１つ以上の演算は、既知の歩留まりを有する訓練基板の対応する値と比較することで対象基板の予測歩留まりを出力可能な１つ以上の値を生成することができる。

行列（例えば、行列３０）又は拡張行列（例えば、行列６０）は、列及び行を分離するためのデリミタを使用して、データファイル内に構築され得る。

本開示のシステム及び方法を使用して、基板の製造中に基板歩留まりを予測することによって、有利な効率を得ることができる。例えば、欠陥を引き起こす製造ツール又はプロセスを識別し、より早く、例えば、基板又は基板のバッチの製造を完了する前に、修正又は解決することができる。加えて、欠陥によって影響を受け得る基板のおよその数を、製造プロセスの比較的早い段階で求めることができる。

加えて、基板の複数の製造工程の各々の後に基板歩留まり予測を再評価することによって、基板歩留まり予測の精度を改善することができ、これは更に、効率の改善、許容可能な基板の不必要な廃棄の最小化、及びより少ない検査データに基づいて不当な合格スコアが与えられた可能性がある基板の効率的な廃棄の増加をもたらすことができる。例えば、所与の製造工程後の欠陥の影響が、後続の製造工程の後に影響を受ける（例えば、低減又は拡大される）場合がある。本開示の実施形態は、そのような影響を捕捉及び評価し、本明細書で説明されるような拡張スペクトルデータ行列（又は他のデータ配列）を使用して基板の歩留まり予測を精緻化するように適合される。

図５は、本開示による基板歩留まり予測を生成するために使用することができるスペクトルデータの例示的な三次元構造７０を示す。三次元構造７０は、一連の二次元行列を含み、各二次元行列は、同じ製作工程の後の異なる時点で取得された基板のダイからのスペクトルデータを含む。すなわち、各二次元行列３０は、異なるチャネルからのデータを表す。図５を参照すると、（ｘ）軸は、各行列３０の行（図３）と同様に、スペクトル波長に対応する。（ｙ）軸は、各行列３０の列（図３）と同様に、基板上の異なるダイに対応するという点で空間軸である。（ｚ）軸はチャネル軸であり、各チャネルは異なる時点で行われた測定に対応する。

いくつかの例では、三次元構造７０の二次元行列は、複数の行列３０（図３）に対応し、そのような行列３０の各々に、単一の検査時点に対して異なる時点、すなわち異なるチャネルで取得された信号強度測定値が入力される。

完成した（例えば、信号強度データを含む全ての二次元行列３０の全てのセルを有する）三次元構造７０は、基板の歩留まりの予測を生成するために、機械学習モデルへの入力として提供されてもよい。いくつかの例では、機械学習モデルは、既知の歩留まりを有する基板からの以前の三次元構造に基づく教師あり訓練方法を介して訓練されてもよい。いくつかの例では、機械学習モデルは畳み込みニューラルネットワークである。いくつかの例では、訓練構造は、構造７０と同じサイズ（例えば、同じ数及びサイズの二次元マトリックス）である。

図６は、本開示による半導体基板の歩留まりを予測するための例示的なシステム１００を概略的に示す。

システム１００は、コンピューティング装置２０２を含む。コンピューティング装置２０２は、本明細書に記載の基板歩留まり予測動作などの本明細書に記載の動作を実行するサーバ及び／又は他のコンピューティング装置であってもよい。コンピューティング装置２０２は、コンピューティングコンポーネント２０６を含み得る。コンピューティングコンポーネント２０６は、少なくとも１つのプロセッサ２０８及びメモリ２０４を含む。メモリ２０４は、非一時的コンピュータ可読媒体を含むことができる。正確な構成に応じて、メモリ２０４（とりわけ、基板歩留まり予測命令及び本明細書に開示する他の動作を実行するための命令を記憶する）は、揮発性（ＲＡＭなど）、不揮発性（ＲＯＭ、フラッシュメモリなど）、又はこれら２つの何らかの組み合わせであってもよい。更に、サーバ２０２は、ソリッドステート装置、磁気ディスクもしくは光ディスク、又はテープを含むがこれらに限定されないストレージ（リムーバブルストレージ２１０及び／又は非リムーバブルストレージ２１２）を含むこともできる。更に、コンピューティング装置２０２は、タッチスクリーン、キーボード、マウス、ペン、音声入力などの入力装置２１６、及び／又はディスプレイ、スピーカ、プリンタなどの出力装置２１４を有することもできる。ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、ポイントツーポイント、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＲＦなどの１つ以上の通信接続２１８をコンピューティング装置２０２に組み込むこともできる。

システム１００は、例えば、ネットワークを介して接続されているなど、コンピューティング装置２０２と動作可能に通信している１つ以上のダイ検査装置１０２を含むことができる。ダイ検査装置１０２の非限定的な例は、異なる波長で基板から反射される光又は他の波（例えば、音波）の強度を測定し、図２に示すスペクトルデータなどのスペクトルデータを生成する反射率計又は分光計である。

代替的な構成では、コンピューティング装置２０２の１つ以上の構成要素が、１つ以上のダイ検査装置１０２上にローカルに存在する。例えば、１つ以上のダイ検査装置１０２は、本明細書に記載の基板歩留まり動作のうちの１つ以上をそれ自体が実行するように構成され得る。すなわち、基板歩留まり予測命令は、１つ以上のダイ検査装置１０２上で直接実行することができる。

図７は、図６のシステムを使用する本開示の例に従って基板歩留まりを予測するために機械学習モデルを使用する一例を示す。いくつかの例では、図７で実行される動作のうちの１つ以上は、図６のコンピューティング装置２０２及び／又は１つ以上のダイ検査装置１０２によって実行され得る。

図７を全体的に参照すると、入力３０２が、ＣＮＮなどの機械学習モデル３０８に提供される。ＣＮＮは、図６のコンピューティング装置２０２を使用して技術者に提供され得る（例えば、ディスプレイ装置上に表示され得る）出力３１０を生成するために入力を分析するように構成されている。

入力３０２は、訓練データ（訓練行列など）及び既知の歩留まり３０４、並びにテストデータ又は対象データ（例えば、テスト行列又は対象行列）３０６を含む。訓練データは、各訓練データ入力に対応する既知の基板歩留まりを有する、（例えば、前述のような行列の形態の）訓練基板のスペクトルデータの拡張された組み合わせ及び／又は拡張されていない組み合わせを含むことができる。

テストデータ（例えば、テスト行列）３０６は、未知の歩留まりを有する、（例えば、前述のような行列の形態の）対象基板のスペクトルデータの拡張された組み合わせ又は拡張されていない組み合わせであり得る。

機械学習モデル３０８は、訓練データ及び既知の歩留まり３０４を使用して訓練される。機械学習モデル３０８は、出力３１０を生成するために、訓練行列及び既知の歩留まり３０４を使用して、テストデータ３０６に対して動作する。

出力３１０は、テストデータ３０６に対応する対象基板の予測歩留まり３１２を含む。いくつかの例では、予測歩留まりはまた、予測歩留まりが１つ以上の所定の動作の許容可能性、品質の許容可能性、又は他の許容可能性に合格するか不合格になるかに関する指示を含むことができる。

いくつかの例では、出力３１０は、１つ以上の修正勧告３１４を含むことができる。例えば、予測歩留まり３１２が基板の不合格スコアと相関する場合、１つ以上の修正措置を提案することができる。勧告される修正は、例えば、予測歩留まりが許容可能な最小閾値歩留まりに達しない程度、実行された直近の製造工程、及び／又は他の要因に基づくことができる。例えば、修正勧告３１４は、テストデータ３０６の生成の直前に使用された基板製造ツールを再較正することであり得る。別の例では、修正勧告３１４は、対象基板又は部分的に形成された対象基板を廃棄することであり得る。他の修正勧告３１４も可能である。

図８は、図６のシステムを用いて半導体基板の歩留まりを予測する方法４００を示す。本開示の異なる実施形態は、方法４００の工程のサブセットの異なる組み合わせを含むことができ、その非限定的な例が本明細書に記載されていることが理解されよう。

方法４００の工程４０２において、機械学習モデルは、既知の歩留まりを有する訓練基板のダイを（例えば、ダイ検査装置１０２（図６）を用いて）検査することによって生成されたスペクトルデータ（例えば、スペクトルデータ行列）を使用して訓練される。

方法４００の工程４０４において、対象基板の製造工程が実行される。

工程４０６において、対象基板のダイのサブセットが、例えば、ダイ検査装置１０２（図６）を使用して検査される。

工程４０８において、工程４０６において実行された検査に基づいて、スペクトルデータが（例えば、スペクトルデータ行列３０（図３）などの行列の形態で）組み合わせられる。いくつかの例では、工程４０８は、工程４０６で生成されたスペクトルデータにアクセスすることと、アクセスされたスペクトルデータを使用して組み合わせスペクトルデータを生成することとを含む。

いくつかの例では、工程４０８に続いて、方法４００は工程４１６に進み、ここで、機械学習モデルは、対象基板の歩留まりを予測するために、工程４０８で生成されたスペクトルデータ及び工程４０２で取得された訓練データを使用する。いくつかの例では、工程４０８に続いて、方法４００は工程４１０に進む。

工程４１０において、別の製造工程が対象基板に対して実行される。

工程４１２において、工程４０６と同じ対象基板のダイのサブセットが、例えば、ダイ検査装置１０２（図６）を使用して検査される。

工程４１４において、拡張された組み合わせスペクトルデータ（例えば、行列６０（図４）又は行列７０（図５）などの拡張されたスペクトルデータ行列）が、工程４１２で実行された検査に基づいて生成される。いくつかの例では、工程４１４は、工程４１２で生成されたスペクトルデータにアクセスすることと、工程４１２で生成されたアクセスされたスペクトルデータを使用して拡張されたスペクトルデータを生成することとを含む。

いくつかの例では、工程４１４に続いて、本方法は、対象基板の更なる製造工程の後にスペクトルデータを更に拡張するために、工程４１０、４１２、及び４１４を１回以上、順次繰り返す。

工程４１４又は工程４１４の最後のインスタンスに続いて、工程４１６において、機械学習モデルは、対象基板の歩留まりを予測するために、工程４１４の直近に実行された繰り返しで生成されたスペクトルデータと、工程４０２で得られた訓練データとを使用する。いくつかの例では、工程４１０、４１２、４１４、及び４１６は、各製作工程の後、又は特定の数の製作工程の後に、対象基板の歩留まりを予測するために繰り返される。

他の例では、工程４０８の後に予測歩留まりを生成することができ、いくつかの例では、工程４１４の１つ以上のインスタンスに続いて、その予測歩留まりを修正することができる。

本明細書で説明される実施形態は、本明細書で開示されるシステム及び方法を実装及び実行するために、ソフトウェア、ハードウェア、又はソフトウェアとハードウェアの組み合わせを使用して採用され得る。本開示を通して、特定の機能を実行するものとして特定の装置が列挙されているが、当業者であれば、これらの装置は例示目的で提供され、本開示の範囲から逸脱することなく、本明細書に開示された機能を実行するために他の装置を使用することができることを理解するであろう。加えて、本開示のいくつかの態様は、本開示の態様によるシステム及び方法のブロック図及び／又は動作図を参照して上記で説明されている。ブロックに記載された機能、動作、及び／又は行為は、任意のそれぞれのフローチャートに示す順序とは異なる順序で行われてもよい。例えば、連続して示す２つのブロックは、実際には、関連する機能及び実装に応じて、実質的に同時に又は逆の順序で実行又は実施されてもよい。

本開示は、可能な実施形態のうちのいくつかのみが示された添付の図面を参照して、本技術のいくつかの実施形態を説明する。しかしながら、他の態様は、多くの異なる形態で具現化されてもよく、本明細書に記載の実施形態に限定されるものとして解釈されるべきではない。むしろ、これらの実施形態は、本開示が詳細かつ完全となり、可能な実施形態の範囲を当業者に十分に伝えるように提供されている。更に、本明細書及び特許請求の範囲で使用される場合、「要素Ａ、要素Ｂ、又は要素Ｃのうちの少なくとも１つ」という語句は、要素Ａ、要素Ｂ、要素Ｃ、要素Ａ及びＢ、要素Ａ及びＣ、要素Ｂ及びＣ、並びに要素Ａ、Ｂ、及びＣのうちのいずれかを伝えることを意図している。更に、当業者は、本明細書で利用される測定技術に照らして、「約」又は「実質的に」などの用語が伝える程度を理解するであろう。そのような用語が当業者によって明確に定義又は理解され得ない限り、「約」という用語は、プラス又はマイナス１０％を意味するものとする。

本明細書では特定の実施形態について説明するが、本技術の範囲はそれらの特定の実施形態に限定されない。更に、異なる実施例及び実施形態を別々に説明することができるが、そのような実施形態及び実施例は、本明細書に記載の技術を実施する際に互いに組み合わせることができる。当業者であれば、本技術の範囲及び精神の範囲内にある他の実施形態又は改良を認識するであろう。したがって、特定の構造、動作、又は媒体は、例示的な実施形態としてのみ開示される。本技術の範囲は、以下の特許請求の範囲及びその任意の均等物によって定義される。

Claims (15)

1. 基板の歩留まりを予測する方法であって、
   前記基板上の複数のダイのうちの第１のダイについての第１のスペクトルデータと、前記基板の前記複数のダイのうちの前記第１のダイについての第２のスペクトルデータとを組み合わせて組み合わせデータとすることであって、前記第１のダイについての前記第１のスペクトルデータは、第１の時点での前記複数のダイのうちの前記第１のダイのみの第１の検査から生成され、前記第１のダイについての前記第２のスペクトルデータは、第２の時点での前記複数のダイのうちの前記第１のダイのみの第２の検査から生成され、前記第２の時点は前記第１の時点とは異なる、組み合わせることと、
   前記組み合わせデータを訓練された機械学習モデルへの入力として提供することを含む、前記組み合わせデータに基づいて前記基板の予測歩留まりを生成することと、
   を含む、方法。
2. 前記組み合わせデータは、前記複数のダイのうちの前記第１のダイについての前記第１のスペクトルデータを表す第１のデータサブセットを含む、請求項１に記載の方法。
3. 前記組み合わせデータは、前記第１のデータサブセットが、前記複数のダイのうちの第２のダイについての第２のスペクトルデータを表す第２のデータサブセットから区別されるように編成される、請求項２に記載の方法。
4. 前記第１のデータサブセットの各データの値は、前記第１のスペクトルデータの波長に関連付けられる、請求項３に記載の方法。
5. 前記第１のデータサブセット内のデータの値が、前記複数のダイのうちの前記第１のダイについての、前記データの値に対応する前記波長での前記第１のスペクトルデータの信号強度を表す、請求項４に記載の方法。
6. 前記第１の時点は、第１の製造工程が前記基板に対して実行された後、かつ第２の製造工程が前記基板に対して実行される前に発生し、
   前記第２の時点は、前記第２の製造工程が前記基板に対して実行された後に発生する、
   請求項１に記載の方法。
7. 前記複数のダイのうちの前記第１のダイについての第３のスペクトルデータであって、第３の時点での前記複数のダイのうちの前記第１のダイの第３の検査から生成される第３のスペクトルデータを前記組み合わせデータに追加することによって前記組み合わせデータを拡張して、拡張された組み合わせデータを形成することと、
   前記拡張された組み合わせデータを前記訓練された機械学習モデルへの入力として提供することを含む、前記基板の別の予測歩留まりを生成することと、
   を更に含み、
   前記第１の時点は、第１の製造工程が前記基板に対して実行された後、かつ第２の製造工程が前記基板に対して実行される前に発生し、
   前記第２の時点は、前記第２の製造工程が前記基板に対して実行された後、かつ第３の製造工程が前記基板に対して実行される前に発生し、
   前記第３の時点は、前記第３の製造工程が前記基板に対して実行された後に発生する、
   請求項１に記載の方法。
8. 前記第１のスペクトルデータ及び前記第２のスペクトルデータの各々が、前記複数のダイの各々に対する追加のスペクトルデータを含み、前記複数のダイは、前記基板上の全てのダイよりも少ない、請求項１に記載の方法。
9. 前記組み合わせデータは、拡張された組み合わせデータであり、
   前記予測歩留まりは、修正された予測歩留まりであり、
   前記方法は、前記第２の検査の前に、
   前記第１のスペクトルデータを含む拡張されていない組み合わせデータを生成することと、
   前記拡張されていない組み合わせデータを前記訓練された機械学習モデルへの入力として提供して、前記基板の第１の予測歩留まりを生成することと、
   を更に含み、
   前記方法は、前記第２の検査の後に、
   前記第１の予測歩留まりを修正して、前記修正された予測歩留まりを生成すること
   を更に含む、
   請求項１に記載の方法。
10. コンピューティング装置に、
    基板の複数のダイのうちの第１のダイについての第１のスペクトルデータと、前記基板上の前記複数のダイのうちの前記第１のダイについての第２のスペクトルデータとを組み合わせて組み合わせデータとすることであって、前記第１のダイについての前記第１のスペクトルデータは、第１の時点での前記複数のダイのうちの前記第１のダイのみの第１の検査から生成され、前記第２のスペクトルデータは、第２の時点での前記複数のダイのうちの前記第１のダイのみの第２の検査から生成され、前記第２の時点は前記第１の時点とは異なる、組み合わせることと、
    前記組み合わせデータを訓練された機械学習モデルへの入力として提供することを含む、前記組み合わせデータに基づいて前記基板の予測歩留まりを生成することと、
    を行わせる命令を含む、非一時的コンピュータ可読媒体。
11. 前記組み合わせデータは、前記複数のダイのうちの前記第１のダイについての前記第１のスペクトルデータを表す第１のデータサブセットを含み、
    前記組み合わせデータは、前記第１のデータサブセットが、前記複数のダイのうちの第２のダイについての第２のスペクトルデータを表す第２のデータサブセットから区別されるように編成され、
    前記第１のデータサブセットの各データの値は、前記第１のスペクトルデータの波長に関連付けられ、
    前記第１のデータサブセット内のデータの値が、前記複数のダイのうちの前記第１のダイについての、前記データの値に対応する前記波長での前記第１のスペクトルデータの信号強度を表す、
    請求項１０に記載の非一時的コンピュータ可読媒体。
12. 前記第１の時点は、第１の製造工程が前記基板に対して実行された後、かつ第２の製造工程が前記基板に対して実行される前に発生し、
    前記第２の時点は、前記第２の製造工程が前記基板に対して実行された後に発生する、
    請求項１０に記載の非一時的コンピュータ可読媒体。
13. 前記コンピューティング装置に、
    前記複数のダイのうちの前記第１のダイについての第３のスペクトルデータであって、第３の時点での前記複数のダイのうちの前記第１のダイの第３の検査から生成される第３のスペクトルデータを前記組み合わせデータに追加することによって前記組み合わせデータを拡張して、拡張された組み合わせデータを形成することと、
    前記拡張された組み合わせデータを前記訓練された機械学習モデルへの入力として提供することを含む、前記基板の別の予測歩留まりを生成することと、
    を行わせるように構成された更なる命令を含み、
    前記第１の時点は、第１の製造工程が前記基板に対して実行された後、かつ第２の製造工程が前記基板に対して実行される前に発生し、
    前記第２の時点は、前記第２の製造工程が前記基板に対して実行された後、かつ第３の製造工程が前記基板に対して実行される前に発生し、
    前記第３の時点は、前記第３の製造工程が前記基板に対して実行された後に発生する、
    請求項１０に記載の非一時的コンピュータ可読媒体。
14. 前記第１のスペクトルデータ及び前記第２のスペクトルデータの各々が、前記複数のダイの各々に対する追加のスペクトルデータを含み、前記複数のダイは、前記基板上の全てのダイよりも少ない、請求項１０に記載の非一時的コンピュータ可読媒体。
15. 前記組み合わせデータは、拡張された組み合わせデータであり、
    前記予測歩留まりは、修正された予測歩留まりであり、
    前記非一時的コンピュータ可読媒体は、前記コンピューティング装置に、前記第２の検査の前に、
    前記第１のスペクトルデータを含む拡張されていない組み合わせデータを生成することと、
    前記拡張されていない組み合わせデータを前記訓練された機械学習モデルへの入力として提供して、前記基板の第１の予測歩留まりを生成することと、
    を行わせるように構成された更なる命令を含み、
    前記非一時的コンピュータ可読媒体は、前記コンピューティング装置に、前記第２の検査の後に、
    前記第１の予測歩留まりを修正して、前記修正された予測歩留まりを生成すること
    を行わせるように構成された更なる命令を含む、
    請求項１０に記載の非一時的コンピュータ可読媒体。