KR100679813B1 - Statistical method of screening potential problem process of semiconductor fabrication - Google Patents

Statistical method of screening potential problem process of semiconductor fabrication Download PDF

Info

Publication number
KR100679813B1
KR100679813B1 KR20050131566A KR20050131566A KR100679813B1 KR 100679813 B1 KR100679813 B1 KR 100679813B1 KR 20050131566 A KR20050131566 A KR 20050131566A KR 20050131566 A KR20050131566 A KR 20050131566A KR 100679813 B1 KR100679813 B1 KR 100679813B1
Authority
KR
Grant status
Grant
Patent type
Prior art keywords
data
value
significance
line
test
Prior art date
Application number
KR20050131566A
Other languages
Korean (ko)
Inventor
한창훈
Original Assignee
동부일렉트로닉스 주식회사
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

Links

Images

Classifications

    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES; ELECTRIC SOLID STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H01L21/00Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02Manufacture or treatment of semiconductor devices or of parts thereof
    • HELECTRICITY
    • H01BASIC ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES; ELECTRIC SOLID STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H01L22/00Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor

Abstract

A statistical detection method of potential problem process in a semiconductor fabrication is provided to accurately derive a process to be improved by analyzing physical in-line data systematically. In-line data, PCM(Pulse Code Modulation) data, and probe test data are collected(10). A probability distribution of the probe test data is obtained, and is stratified into groups of different slopes to divide a good product and a bad product(20). The in-line data, the PCM data, and the probe test data are aligned as data for a chip corresponding to shot(30). A value P indicative of a correlation coefficient and significance level by analyzing the data, and a significance factor is selected on the basis of the value P(40). The significance factor is derived with reference to the value P(50).

Description

반도체 제조에서 잠재적 문제 공정의 통계적 검출 방법{Statistical Method of Screening Potential Problem Process of Semiconductor Fabrication} Statistical method for detecting a potential problem in the semiconductor manufacturing process {Statistical Method of Screening Potential Problem Process of Semiconductor Fabrication}

도 1은 본 발명의 실시예에 따른 반도체 제조 공정의 통계적 검출 방법을 나타내는 흐름도. 1 is a flow chart showing the statistical detection method of a semiconductor manufacturing process according to an embodiment of the invention.

도 2a와 도 2b는 탐침 테스트 데이터의 정규분포 및 층별화를 나타내는 예시도. Figure 2a and Figure 2b is an illustration showing a normal distribution and stratification of the probe test data.

도 3a와 도 3b는 샷 단위의 데이터를 칩 단위로 정렬한 표를 나타내는 예시도. Figure 3a and Figure 3b is an illustration showing a table by the data of the shot unit in a chip unit.

도 4a와 도 4b는 데이터에 대한 상관분석 결과를 나타내는 예시도. An exemplary showing a correlation analysis of the data is Figure 4a and Figure 4b.

도 5a 내지 도 5c는 다중선형 회귀분석의 결과를 나타내는 예시도. Examples showing the results of multiple linear regression is also Fig. 5a-5c.

도 5d는 도 5c의 회귀방정식에 대한 잔차 플롯의 결과를 나타내는 예시도. Figure 5d is an illustration showing the results of the residual plot for the regression equation in Fig. 5c.

도 6a와 도 6b는 이항 로지스틱 회귀분석의 결과를 나타내는 예시도. Figure 6a also illustrates that represents the results of Figure 6b and binary logistic regression.

도 7a 내지 도 7c는 역 샘플 테스트의 결과를 나타내는 예시도. Figures 7a-7c is an illustration showing the results of the sample test station.

도 8a와 도 8b는 실험을 통한 검증 결과를 나타내는 예시도. Also it illustrated showing the verification results Figure 8a and Figure 8b through the experiment.

본 발명은 반도체 제품의 통계적 분석 방법에 관한 것으로서, 좀 더 구체적으로는 반도체 제조에서 잠재적 문제 공정의 통계적 검출 방법에 관한 것이다. The present invention relates to a statistical analysis method of a semiconductor product, more specifically, to a statistical method for detecting a potential problem in the semiconductor manufacturing process.

체계적이고 통계적인 분석 방법은 기술 경쟁이 심한 반도체 산업에서 매우 절실히 필요하다. Systematic and statistical analysis is needed very badly in high technology, competitive semiconductor industry. 특히 품질과 수율은 기업의 수익과 직결되므로 이에 대한 잠재 원인을 빠르고 정확하게 도출하는 것이 무엇보다 중요하다. In particular, the quality and yield is more important than what is so directly linked to corporate profits quickly and accurately derive the potential causes for this.

수많은 공정으로 제조되는 반도체 제품의 특성을 향상시키기 위하여 일반적으로는 단위 공정에서의 물리적인 인-라인 데이터를 관리하고 있다. In order to improve the characteristics of the semiconductor products to be produced in a number of processes generally are of a physical process in the unit-manages the data line. 그러나 실제로 인-라인 데이터는 단지 단위 공정을 관리하기 위하여 활용되고 있을 뿐, 반도체 제품의 특성을 향상시키거나 불량 분석을 하기에는 체계적이고 통계적인 방법이 정립되지 않아 그 활용도가 매우 낮다. In practice, however, the in-line data is just as well have been used to manage the unit processes, improve the properties of semiconductor products to hagieneun or the failure analysis system and statistical methods have not been established that utilization is very low.

따라서 본 발명의 목적은 체계적이고 통계적인 기법을 통하여 인-라인 데이터를 신속하게 분석하고, 원인이 되는 공정에 대해 분명한 판단을 내릴 수 있는 검출 방법을 제공하기 위한 것이다. It is therefore an object of the present invention is through the systematic and statistical techniques - and quickly analyze the data line, to provide a detection method to make a clear judgment about a causing step.

이러한 목적을 달성하기 위하여, 본 발명에 따른 반도체 제조 공정의 통계적 검출 방법은, (a) 샷 단위로 인-라인 데이터, PCM 데이터, 탐침 테스트 데이터를 각각 수집하는 단계와, (b) 탐침 테스트 데이터의 확률분포를 얻고, 양품과 불량품을 구분하기 위하여 확률분포에서 기울기가 서로 다른 그룹들로 층별화하는 단계와, (c) 인-라인 데이터, PCM 데이터, 탐침 테스트 데이터를 각각의 샷에 해당하는 칩에 대한 데이터로 정렬하는 단계와, (d) 칩에 대한 데이터를 상관분석하여 상관계수와 유의수준을 나타내는 p값을 얻고, p값을 기준척도로 하여 일차적으로 유의인자를 선별하는 단계와, (e) 선별된 유의인자에 대해서 다중선형 회귀분석을 진행하여 전체 회귀방정식에 대한 p값을 고려하고 각각의 인자에 대한 p값을 보고 유의인자를 도출하는 단계를 포함 In order to achieve this object, the statistical detection method of a semiconductor manufacturing process according to the invention, (a) is a shot unit in-line data, PCM data, and collecting the probe test data, respectively, (b) a probe test data of getting a probability distribution, a non-defective product and a step of stratification with different groups slope from probability distributions in order to distinguish defects, (c) in-line data, PCM data, that the probe test data corresponding to each of the shot to obtain a p value that indicates the correlation with the significance level by analyzing correlation step, and a data for the (d) chips arranged in the data for the chip, the method comprising: primarily sorting the significant factor as to the p-value to the reference scale, and (e) the process proceeds to multiple linear regression analysis, considering the p values ​​for the entire regression equation with respect to the selected significant factor includes the step of deriving a significant factor to see the p values ​​for each factor 여 구성된다. It is open configuration.

본 발명에 따른 반도체 제조 공정의 통계적 검출 방법은, (d) 단계 후, (f) 양품/불량품의 구분 결과와 상관분석에서 선별된 유의인자를 가지고 이항 로지스틱 회귀분석을 진행하여 유의인자를 도출하는 단계를 더 포함할 수 있고, (e) 단계 또는 (f) 단계 후, (g) 출력 인자로부터 입력 인자를 2개 집단으로 구분하기 위하여 유의인자에 대한 역 샘플 테스트를 진행하는 단계를 더 포함할 수 있다. Statistical detection method of a semiconductor manufacturing process according to the invention, (d) step and then, (f) has a significant factor selected from the non-defective / defective of the division result and the correlation analysis proceeds to the binary logistic regression to derive a significant factor may further include the step, (e) step or step (f) then, (g) the output parameters from further comprise the step of forward-band samples tested for significant factor in order to separate the input parameters into two groups can.

이하, 첨부 도면을 참조하여 본 발명의 실시예를 보다 상세하게 설명하고자 한다. With reference to the accompanying drawings will be described in detail an embodiment of the present invention. 실시예를 설명함에 있어서 본 발명이 속하는 기술 분야에 익히 알려져 있고 본 발명과 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. Example Description of the invention The well-known in the art as the method and the description thereof will be omitted for the description not related to the present invention directly. 이는 불필요한 설명을 생략함으로써 본 발명의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다. This is to not obscure the subject matter of the present invention by eliminating the unnecessary described more clearly communicated.

용어의 정의 Definition of Terms

인-라인 데이터(in-line data): 반도체 제조 라인에서 단위 공정을 진행한 후 측정하는 데이터를 말한다. In-line data (in-line data): it refers to the data measured after the progress of the semiconductor unit process in the manufacturing line. 포토 공정을 진행하고 나서 측정하는 감광막의 폭이 이러한 예이다. The width of the photosensitive film and then proceeds to measure the photo process is a such example.

PCM 데이터(process control monitoring data): 테스트 패턴을 측정하여 공 정의 불량 여부를 분석할 수 있는 데이터. PCM data (process control monitoring data): data that can be measured by analyzing the test pattern ball definitions are not defective. 예컨대, 트랜지스터의 길이가 제대로 형성되었는지 확인하기 위하여 측정하는 트랜지스터의 문턱전압. For example, the threshold voltage of the transistor to measure in order to make sure that the length of the transistor is to be formed properly.

탐침 테스트 데이터(probe test data): 칩이 제대로 동작하는지 전기적 특성을 측정하는 데이터. Test probe data (probe test data): data for measuring the electrical characteristics that the chip is operating properly. 예를 들어, 휴대폰의 배터리 수명을 알기 위해 측정하는 대기 전류(standby current). For example, the air current to be measured to find the battery life of the mobile phone (standby current).

실시예 Example

도 1은 본 발명의 실시예에 따른 반도체 제조 공정의 통계적 검출 방법의 흐름도이다. 1 is a flowchart of the statistical detection method of a semiconductor manufacturing process according to an embodiment of the invention. 도 1을 참조하면, 통계적 검출 방법은 데이터 수집 단계(10), 탐침 테스트 데이터의 분포 확인 및 층별화 단계(20), 샷 단위 데이터의 칩 단위 정렬 단계(30), 데이터 상관분석을 통한 유의인자 선별 단계(40), 다중선형 회귀분석 단계(50), 이항 로지스틱 회귀분석 단계(60), 역 샘플 테스트 단계(70), 실험을 통한 검증 단계(80)로 이루어진다. 1, the statistical detection method of data collection step 10, a probe check distribution of the test data and stratification stage 20, a significant factor over the chip unit alignment step 30, the data correlation analysis of shot unit data It comprises a screening stage 40, a multiple linear regression step 50, the binary logistic regression step 60, a test station sample stage 70, a verification step through an experiment (80). 이하, 각 단계를 구체적으로 설명한다. Hereinafter, each step in detail.

데이터 수집 Data collection

먼저, 데이터 수집 단계에서 인-라인 공정에 대한 데이터는 동일한 런 웨이퍼(run wafer)를 이용하여 동일한 지점에 대하여 좌측, 하측, 중앙, 상측, 우측 각각의 샷(shot)에 대해서 측정한 것을 수집한다. First, the Data Collection step-data for the line process collects the measured for the same run wafer (run wafer) left, lower, central, upper, each shot (shot) right with respect to the same point using . 여기서 샷은 마스크 제조 공정에서 여러 개의 칩을 동시에 패터닝(patterning)하는 단위를 말하며, 대개의 경우 8개 내지 30개의 칩으로 구성된다. Where shot refers to a unit at the same time the number of chips patterned (patterning) of the mask manufacturing process, is composed of usually 8 to 30 when the chip.

PCM 데이터 역시 인-라인 데이터를 측정한 웨이퍼의 동일 지점에 대하여 수집한다. PCM data also in-collected for the same point of the wafer line measured data. 탐침 테스트 데이터도 동일 지점에 대한 정보를 수집하는데, 단순한 패스/ 페일(pass/fail)에 대한 정보뿐만 아니라 로그 파일(log file)에서 얻을 수 있는 자료를 수집하는 것이 중요하다. Probe test data is also important to collect information on the same spot, as well as information on a simple pass / fail (pass / fail) to collect data that can be obtained from the log file (log file).

탐침 테스트 데이터의 분포 확인 및 층별화 Distribution and determine stratification of the probe test data

통계적 검출 방법의 제2 단계는 탐침 테스트 데이터의 분포 확인 및 층별화 단계이다. The second step of the statistical detection method is a distribution view and stratification stage of the test data probe. 먼저, 분석하고자 하는 출력 특성의 분포를 살펴야 하는데, 통계용 소프트웨어의 일종인 미니탭(Minitab)을 이용하여 정규성 검증 테스트를 한다. First, to salpyeoya the distribution of the output characteristic to be analyzed, and the normality verification tests using the Minitab (Minitab) a type of software for statistics. 이어서, 확률분포에서 기울기가 서로 다른 그룹들을 층별화하여 양품과 불량품을 구분한다. Then, the inclination in the probability distribution to each other screen floor and other groups are separated by a non-defective product and a defective product.

층별화 방법은 도 2a와 같이 변곡점을 기준으로 하는 방법과, 도 2b와 같이 변곡점으로부터 일정 거리를 기준으로 하는 방법이 있다. Stratification method is a method that is based on a distance from the inflection point, such as how, based on the inflection point as shown in Figure 2a and Figure 2b. 두 번째 방법은 출력 특성이 매우 민감한 경우에 변곡점보다 큰 지점을 불량품 선정의 기준으로 삼아 양품과 불량품을 좀 더 명확하게 구분하기 위한 방법이다. The second method is a method for Sanya big points than the inflection point when the output characteristics is very sensitive on the basis of defective products selected nine minutes more clearly the good and defective products. 경우에 따라서는 세 그룹으로 층별화하는 것도 가능하다. In some cases, it is also possible to stratification into three groups.

도 2a는 동작대기 상태의 누설전류 특성(IDDS)을, 도 2b는 CMOS 이미지 센서의 암전류 특성(Black Signal)을 보여준다. Figure 2a is the leakage current characteristic of the standby mode (IDDS), Figure 2b shows the dark current characteristics (Black Signal) of the CMOS image sensor. 도 2a에서 IDDS가 증가하는 제품은 전력 소모가 많은 불량제품을, 도 2b에서 Black Signal이 증가하는 제품은 이미지가 선명하지 않은 제품으로, 각각 어딘가에 문제가 있는 제품이다. The products that are IDDS 2a is an increase in the product of the Black Signal increase power consumption a lot of bad products, in Fig. 2b is a product that the product image is not clear, somewhere in each issue.

샷 단위 데이터의 칩 단위 정렬 Chip unit alignment of the shot data units

통계적 검출 방법의 제3 단계는 샷 단위의 데이터를 칩 단위로 정렬하는 단계이다. A third step of the statistical detection method is a step of sorting the data of the shot unit in a chip unit. 즉, 샷 단위로 구한 인-라인 데이터와 PCM 데이터를 각각의 샷에 해당하는 칩에 대한 데이터로 정렬한다. That is, as determined by the shot unit - Sort the line data and the PCM data to the data for the chip corresponding to each shot. 이를 통해 랏 아이디(Lot ID), 웨이퍼 번호, 샷, 칩 각각에 대응하는 데이터 표를 작성한다. This creates a data table corresponding to the ID of Eilat (Lot ID), the wafer number, the shot, each chip. 도 3a에 도시된 표는 그 예이다. The table shown in Figure 3a is an example. 그리고 최종적으로는 탐침 데이터, 인-라인 데이터, PCM 데이터를 하나의 표에 모두 일대일 대응시킨 표를 작성한다. And finally the probe data, in-creates a one-to-one correspondence table in which all the line data, PCM data in one table. 도 3b에 도시된 표는 그 일례이다. The table shown in Figure 3b is an example.

데이터 상관분석을 통한 유의인자 선별 Note that factors screened through data correlation analysis

통계적 검출 방법의 제4 단계는 앞서 작성한 표를 이용하여 데이터에 대한 상관분석을 진행하는 단계이다. A fourth step of the statistical detection method is a step of proceeding a correlation analysis of the data using the table previously created. 이 단계는 전술한 미니탭을 이용한다. This step is used in the above-mentioned Minitab. 미니탭을 활용하면 상관계수뿐만 아니라 유의수준을 나타내는 p값을 얻을 수 있다. By taking advantage of the correlation coefficient Minitab as well as it is possible to obtain a p-value represents the significance level. 도 4a는 IDDS와 인-라인 데이터 69개 항목에 대하여 상관계수와 p값을 구한 예이고, 도 4b는 Black Signal과 인-라인 데이터 10개 항목에 대하여 상관계수와 p값을 구한 예이다. Figure 4a is the IDDS and - for obtaining the p value and the correlation coefficient with respect to the line data item 69, and Fig. 4b and the Black Signal - an example of obtaining the correlation coefficient and the p value for the line data 10 entries.

이렇게 얻어진 p값을 기준척도로 하여 수백 개에 이르는 유의인자 중에서 몇 개의 항목을 선별한다. The thus obtained p value as a reference scale and by selecting a few items from significant factor leading to several hundred. 선별 기준은, 예를 들어, 1차로 p값이 0.05 이하, 2차로 p값이 0.10 이하로 할 수 있다. Selection criteria can be, for example, below the car 1 p value of 0.05 may be more than 2 a drive p value of 0.10. 이러한 기준을 도 4a에 적용하면, 1차로 M1 FI2(p값: 0.013)와 LDD P-2 PEP(p값: 0.032)가 간추려지며, 2차로 M2C FI2(p값: 0.076)와 AA FICD2(p값: 0.086)가 간추려진다. If these criteria apply to Figure 4a, 1 drive M1 FI2 (p value: 0.013) and the LDD P-2 PEP (p value: 0.032) The becomes summarized, two drive M2C FI2 (p value: 0.076) and AA FICD2 (p value: 0.086) is the summarized. 마찬가지로 위 기준을 도 4b에 적용하면, p값이 0.000인 SPACER SH와 NSAL WET 및 p값이 0.007인 GC Rox를 검출할 수 있다. Similarly, when applying the above criteria, in Figure 4b, this p value of 0.000 and SPACER SH NSAL WET and the p value can be detected in the GC 0.007 Rox.

다중선형 회귀분석 Multiple linear regression analysis

통계적 검출 방법의 제5 단계는 다중선형 회귀분석 단계이다. A fifth step of the statistical detection method is a multiple linear regression analysis. 상관분석은 단순히 두 변수 간의 선형 특성을 확인하기 위하여 진행하는 것이다. Correlation analysis is simply conducted to determine the linearity between the two variables. 그러나 반도체 제조는 여러 공정의 집합체이므로 상호 간의 간섭을 고려하여 회귀분석을 한다. However, the semiconductor manufacturing because it is an aggregate of many processes in consideration of interference between each other and a regression analysis. 전 단계의 상관분석 결과 선별된 유의인자에 대해서 다중 회귀분석을 진행하여 전체 회귀방정식에 대한 p값을 고려하고 각각의 인자에 대한 p값을 보고 유의인자를 도출한다. Any analysis of the previous step, proceed to the multiple regression analysis with respect to the selected significant factor considering the p values ​​for the entire regression equation and reports the p values ​​for each factor and derives a significant factor. 여기서 다중의 의미는 인자가 여러 개임을 뜻하며, 1차로 상관분석에서 검출된 인자를 모두 하나의 방정식으로 풀이하는 것이다. The multiple meaning is to factor a means the number of Games, solving one equation to all of the detected correlation factor in the primary. 1차로 선별된 인자로 구성된 IDDS에 대한 다중선형 회귀분석의 결과가 도 5a에 예시되어 있다. 1, the results of multiple linear regression analysis on the drive IDDS consisting of the selected factor is illustrated in Figure 5a.

회귀분석 결과에서 회귀방정식의 유의성은 분산 분석 결과에 대한 p값을 보고 판단하는데, 도 5a의 예에서 p값이 0.08이나, 좀 더 신뢰도를 높이기 위해 가장 유의하지 않은 인자(즉, p값이 가장 큰 AA FICD2)를 제외하고 다시 회귀분석을 진행한다. Regression significance of the regression equation from the resulting factor the least significant to increase the value of p in the example to judge a p-value, Fig. 5a 0.08 or, more confidence in the result of analysis of variance (i.e., the p-value the except for large AA FICD2) and proceeds to the regression again. 도 5b는 2차로 선별된 인자로 구성된 IDDS에 대한 다중선형 회귀분석 결과의 예시도이다. Figure 5b is an illustration of a multiple linear regression analysis of the IDDS also composed of a selected factor secondary. 도 5b의 예에서 p값이 0.043이므로 신뢰도가 좀더 높다고 할 수 있다. Since also a p value of 0.043 in Example 5b is the reliability can be further higher.

도 5c는 Black Signal에 대해 1차 선별된 인자간의 회귀분석 결과의 예시도이다. Figure 5c is a view illustrative of the regression difference between the selected parameters for the Black Signal. 예시된 회귀분석 결과에서 p값을 보면 0.000으로 매우 유의함을 알 수 있다. When the p value in the illustrated regression analysis, it can be seen that highly significant to 0.000. 만일 회귀방정식의 수학적 모델을 사용하고자 한다면 잔차 플롯을 확인하여 전체적으로 균일한지 검증한다. If you want to use a mathematical model of emergency regression equation to determine the residual plot to verify whether uniform whole. 잔차 플롯은 회귀방정식과 실제의 차이의 제곱을 나타내는 것으로, 결과 그래프로부터 정규성이 있는지 확인하면 된다. Residuals plot is when ensure that the normality from that, the resulting graph of the square of the regression equation and the actual difference. 도 5d는 도 5c의 회귀방정식에 대한 잔차 플롯의 결과를 보여준다. Figure 5d shows the result of the residual plot for the regression equation in Fig. 5c. 도 5c와 도 5d의 경우, 분산분석 결과 p값이 0.000으로 유의수준 0.05보다 작으므로 유의하고, 잔차 플롯에서 정규성을 띄고 분포가 좌우, 상하로 대칭되므로 결과가 유의함을 알 수 있다. Since Fig. 5c case of Fig. 5d, note that since the ANOVA results p value less than the significance level of 0.05 to 0.000, and culminated the normality in the distribution of the residual plots the left and right, symmetrical to the bottom it can be seen that the results are significant.

검출 방법의 목적은 유의인자를 찾는 것이므로 다시 유의인자에 대한 개별 p 값을 보면, GC Rox가 0.315, SPACER SH가 0.000, NSAL WET도 0.000임을 알 수 있다. The purpose of the detection method, because to find significant factor again look at the individual p values ​​for the significance factor, it can be seen that the GC Rox 0.315, SPACER SH is 0.000, 0.000 NSAL WET FIG. 따라서 Black Signal의 경우 SPACER SH와 NSAL WET을 유의인자로 간추릴 수 있다. Therefore, for Black Signal it may be a reel ganchu SPACER SH and NSAL WET a significant factor.

이항 로지스틱 회귀분석 Binomial Logistic Regression

통계적 검출 방법의 제6 단계는 이항 로지스틱 회귀분석(Binary Logistic Regression) 단계이다. A sixth step of the statistical detection method is binary logistic regression analysis (Binary Logistic Regression) step. 이 단계는 출력 인자가 계량형이 아닌 패스/페일과 같이 계수형인 것에 대해 하나 또는 그 이상의 인자와의 관계를 규명하는데 매우 유용하다. This step is very useful to investigate the relationship between the one or more parameters for what type coefficient, such as pass / fail output is not a factor metering. 이항 로지스틱 회귀분석을 보다 효율적으로 하기 위하여 앞서 제2 단계에서 계량형으로 나타낸 탐침 데이터의 분포로부터 계수형인 양품과 불량품으로 전환시킨 것을 이용한다. That was used before switching from the second step with a non-defective product and a defective product type from the distribution coefficient of the probe data indicated by metering to the binary logistic regression analysis to more efficiently. 즉, 도 3b의 양품/불량품 구분 결과와 상관분석에서 1차로 검출한 인자를 가지고 이항 로지스틱 회귀분석을 진행하면 된다. In other words, have a non-defective / defective coded results by the first drive from the detected correlation factor of Figure 3b is in progress when the binary logistic regression.

도 6a는 IDDS에 대한 이항 로지스틱 회귀분석 결과의 예시도이다. Figure 6a is an illustration of a binary logistic regression analysis of the IDDS FIG. 여기서도 회귀방정식이 유의한지 p값을 보고 알 수 있는데, p값이 0.089이므로 유의수준 10%일 때 유의함을 알 수 있다. Again, there can be seen a significant regression after reporting the p value, since the p value 0.089 can be seen that when the significance level of significance of 10%. 이것은 각각의 인자에 대한 p값을 보고 판단한 결과이다. This is a result of the determination to see the p values ​​for each factor. 즉, M1 FI2가 p값이 0.019로 매우 유의한 인자임을 나타내었기 때문이다. That is, because the M1 FI2 eotgi indicate that the p value is a very significant factor to 0.019.

도 6b는 Black Signal에 대한 이항 로지스틱 회귀분석 결과의 예시도이다. Figure 6b is an illustration of a binary logistic regression analysis of the Black Signal. 여기서도 p값을 보고 회귀방정식이 유의한지 알 수 있는데, p값이 0.000이므로 매우 유의함을 알 수 있다. Again, there can be seen whether the p values ​​reported regression equation is significant, since the p-value 0.000 can be seen that very significant. 다음으로 각각의 인자에 대한 p값을 보고 판단하면, 모두 0.05 이하로서 유의한 인자임을 알 수 있다. Turning next to judge the p value for each parameter can be seen that both a significant factor as 0.05 or less.

이상과 같이 회귀분석과 이항 로지스틱 회귀분석을 하는 이유는, 일반적으로 정규성을 보일 때에는 계량형 특성을 이용한 회귀분석만으로도 인자 도출이 가능하지만, 정규분포 검사에서 기울기가 2개인 경우에는 이항 로지스틱 회귀분석까지 추가 검증을 함으로써 보다 더 높은 신뢰수준의 인자 도출이 가능하기 때문이다. As described above, the reason for the regression and binary logistic regression analysis, generally when seen normality possible factor derived only regression analysis using a metering characteristic, however, to the case where the slope in the normal distribution test two individual, binary logistic regression because it can be obtained in a higher confidence level than the factor by additional validation.

이상을 종합을 해 보면, 회귀분석과 이항 로지스틱 회귀분석에서 공통된 인자가 가장 유의수준이 높은 인자이며, 특히 본 예의 경우는 그 분포의 특성상 이항 로지스틱 회귀분석에서 검출된 인자(즉, GC Rox, SPACER SH, NSAL WET)가 모두 유의인자라고 통계적 결론을 내릴 수 있다. In it the least sum, regression is a common factor in the analysis and binary logistic regression and the highest significance level factors, notably the case of the present example is detected in nature binary logistic regression analysis of the distribution factor (i.e., GC Rox, SPACER SH, NSAL WET) is both a significant growing can make statistical conclusions.

역 샘플 테스트 Sample Test Station

통계적 검출 방법의 제7 단계는 역 샘플 테스트(reverse sample test) 단계이다. A seventh step of the statistical detection method is the reverse test samples (test sample reverse) step. 출력 인자로부터 입력 인자를 2개 집단으로 구분해주는 분석을 하기 위하여 전술한 확률분포의 변곡점을 이용해 각각의 유의인자에 대한 샘플 테스트를 진행한다. To the analysis that distinguish between input parameters into two groups from the output parameter by using the inflection point of the above probability distribution proceeds a test sample for each of the significant factors. 일반적인 샘플 테스트는 출력 인자에 대해서 두 집단 간의 평균 차이를 보는 것이지만, 역 샘플 테스트는 입력 인자에 대하여 검증을 한다는 점에서 상이하다. Typical test samples but is viewing the mean difference between the two groups with respect to the output parameter, an inverse test sample is different, in that the verification with respect to the input parameter.

일례로, 도 7a는 유의인자로 나온 M1 FI2에 대해 역 샘플 테스트를 적용한 결과이다. For example, Figure 7a is a result of applying the sample test station for M1 FI2 from a significant factor. 여기서도 판정기준은 p값이다. Again, the criteria is a p value. p값이 0.021이므로 두 그룹 간의 유의차가 없다고 말할 수 없다. Since the p-value 0.021 can not say no significant difference between the two groups. 우선순위를 결정하기 위하여 M1 FI1에 대해서도 역 샘플 테스트를 적용한다. First, applying the sample test station even for M1 FI1 to determine the ranking. 도 7b는 그 결과를 보여준다. Figure 7b shows the result. M1 FI1의 p값은 0.068이고 M1 FI2의 p값은 0.021이므로 M1 FI2가 우선 관리 인자임을 알 수 있다. Because the p-value of 0.068 is M1 FI1 and FI2 is p value of M1 0.021 M1 FI2 can be seen that the first management factors.

다른 예로, 도 7c는 Black Signal의 경우에 도 2b의 변곡점을 기준으로 패스/페일을 구분하고 이에 대해 SPACER SH에 역 샘플 테스트를 적용한 결과이다. As another example, Figure 7c is a result of separating the pass / fail based on the inflection point of Figure 2b in the case of Black Signal and applying the sample test station in SPACER SH thereto. 이 예에서 p값은 0.000으로 매우 높은 신뢰수준(1-p값)을 보여주고 있다. In this example, the p value has shown a very high confidence level (1-p value) to 0.000. 또한, 95% 신뢰구간으로 두 집단 간의 차분추정치를 보면 3.1Å임을 알 수 있다. Further, the 95% confidence interval estimate looking at the difference between the two groups can be seen that 3.1Å.

실험을 통한 검증 Verified through experiments

통계적 검출 방법의 제8 단계는 실험을 통한 검증 단계이다. The eighth step of the statistical detection method is a verification step through an experiment. 지금까지의 분석 결과, IDDS의 경우는 M1 FI2가 유의인자인데, 이와 동일한 방법으로 PCM 데이터에 대해 분석을 진행하면 VIA1 Chain 저항이 유의인자로 나왔으며, 이는 VIA1 컨택과 접촉하는 제1 금속배선의 폭이 문제라는 것을 간접적으로 증명하는 결과이다. So far the analysis results, if the IDDS is the the M1 FI2 significant factor, The Continuing the analysis for the PCM data in the same way has been and a significant factor this VIA1 Chain resistance, which is the first metal line that contacts the VIA1 contacts the results indirectly proved that the width of this problem.

또한, Black Signal의 경우, NSAL WET와 SPACER SH가 가장 유의한 인자로 나타났는데, NSAL WET에 대한 실질적인 검증은 PCM 데이터에 대해서 똑같은 단계적인 절차를 밟으면 살리사이드(salicide) 및 비살리사이드(non-salicide)의 저항이 유의인자로 나오는 것을 확인할 수 있었다. In the case of Black Signal, the NSAL WET and SPACER SH was shown as the most significant factor, the actual verification of the NSAL WET is raised step on the same stepwise process for the PCM data side (salicide) and non-salicide (non- the resistance of the salicide) was found to emerge as a significant factor.

다음으로 SPACER SH에 대한 검증 실험은 2개 그룹으로 나누어 실시하였고, 일반적인 샘플 테스트를 진행하여 결과를 확인하였다. Next, verification tests on SPACER SH was performed by dividing into two groups, and confirmed the results, and the general test sample. 즉, 스페이서 식각후 잔여 산화막 두께가 155Å인 14AT06 랏과 190Å인 152617 랏의 Black Signal의 평균 검증을 하였으며, 그 결과가 도 8a에 도시되었다. That is, was the verification of the average of the Black Signal spacer of the remaining oxide thickness of 155Å and 190Å 152617 14AT06 Eilat after etching Eilat, the result is shown in Figure 8a.

두 그룹 간의 유의차 여부는 p값(0.000)을 보고 분명히 차이가 있다고 말할 수 있고, Spacer Rox를 일반적 경험에 따라 상향한 경우 오히려 좋지 않은 방향으로 진행됨을 알 수 있었다. Whether significant differences between the two groups can clearly say that the difference between the reported p-value (0.000), one upstream along the Spacer Rox generally experience showed that rather proceeds in a bad direction. 이를 박스 플롯(box plot)으로 다시 살펴본 것이 도 8b이다. It is examined again as box plots (box plot) is also 8b. 도 8b로부터 SPACER SH가 유의한 인자임을 다시 한번 확인할 수 있었다. That was confirmed once again from Figure 8b SPACER SH a significant factor.

지금까지 설명한 바와 같이, 본 발명에 따른 반도체 제조 공정의 통계적 검출 방법은 반도체 제조 단위 공정에서 얻어지는 물리적인 인-라인 데이터를 체계적이고 통계적인 기법으로 분석함으로써, 수많은 반도체 제조 공정 중에서 개선 조치를 취해야 하는 몇 개의 공정을 정확하고 신속하게 도출할 수 있다. To take by analyzing line data as of systematic and statistical techniques, improvements from a large number of semiconductor manufacturing process steps - as described so far, the statistical detection method of a semiconductor manufacturing process according to the invention the physical person is obtained in the semiconductor manufacturing unit processes several processes can be accurately and quickly obtained. 따라서 본 발명의 통계적 검출 방법은 반도체 제품의 불량 분석에 효율적으로 적용할 수 있고, 품질 향상 및 수율 개선 등에 크게 기여할 수 있다. Therefore, the statistical detection method of the present invention can be effectively applied to the failure analysis of the semiconductor products, it can contribute greatly like quality and yield improvement.

본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. The specification and drawings were disclosed with respect to a preferred embodiment of the invention, although specific terms have been used, which geotyiji only easily explain the technical details of the present invention is used in a general sense for a better understanding of the invention, the present invention It is not intended to limit the scope. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다. It is disclosed herein in addition to another variant embodiment, based on the technical concept of the present invention are possible embodiments will be apparent to those of ordinary skill in the art.

Claims (3)

  1. (a) 샷 단위로 인-라인 데이터, PCM 데이터, 탐침 테스트 데이터를 각각 수집하는 단계; Collecting the line data, PCM data, test data, each probe - (a) by the shot unit;
    (b) 상기 탐침 테스트 데이터의 확률분포를 얻고, 양품과 불량품을 구분하기 위하여 상기 확률분포에서 기울기가 서로 다른 그룹들로 층별화하는 단계; (B) the step of stratification with the probe to obtain a probability distribution of the test data, a non-defective product and the gradient in the probability distributions of different groups in order to distinguish the defect;
    (c) 상기 인-라인 데이터, 상기 PCM 데이터, 상기 탐침 테스트 데이터를 각각의 샷에 해당하는 칩에 대한 데이터로 정렬하는 단계; Aligning a line of data, the PCM data, the data for the test probes to the chip data corresponding to each of the shot - (c) the phosphorus;
    (d) 상기 칩에 대한 데이터를 상관분석하여 상관계수와 유의수준을 나타내는 p값을 얻고, 상기 p값을 기준척도로 하여 일차적으로 유의인자를 선별하는 단계; And (d) to obtain a p value that indicates the correlation with the significance level by analyzing the correlation data for the chip, a significant factor selected primarily by the p-value to the reference measure; And
    (e) 상기 선별된 유의인자에 대해서 다중선형 회귀분석을 진행하여 전체 회귀방정식에 대한 p값을 고려하고 각각의 인자에 대한 p값을 보고 유의인자를 도출하는 단계; (E) the step of considering the p values ​​for the entire regression equation to derive a significant factor to see the p values ​​for each factor, proceed to the multiple linear regression analysis with respect to the factors noted above separation;
    를 포함하는 반도체 제조 공정의 통계적 검출 방법. Statistical detection method of a semiconductor production process comprising a.
  2. 제1항에 있어서, According to claim 1,
    상기 (d) 단계 후, (f) 양품/불량품의 구분 결과와 상기 상관분석에서 선별된 유의인자를 가지고 이항 로지스틱 회귀분석을 진행하여 유의인자를 도출하는 단계; Deriving said (d) after steps, (f) goes to the binary logistic regression analysis with a significance factor selected from the non-defective / defective of the division result and the significant correlation factor;
    를 더 포함하는 것을 특징으로 하는 반도체 제조 공정의 통계적 검출 방법. Statistical detection method of a semiconductor manufacturing process according to claim 1, further comprising.
  3. 제1항 또는 제2항에 있어서, According to claim 1 or 2,
    상기 (e) 단계 또는 상기 (f) 단계 후, (g) 출력 인자로부터 입력 인자를 2개 집단으로 구분하기 위하여 상기 유의인자에 대한 역 샘플 테스트를 진행하는 단계; Phase advancing a band samples tested for the significant factors in order to distinguish the step (e) or step (f) Then, the input parameter from the (g) the output parameters into two groups;
    를 더 포함하는 것을 특징으로 하는 반도체 제조 공정의 통계적 검출 방법. Statistical detection method of a semiconductor manufacturing process according to claim 1, further comprising.
KR20050131566A 2005-12-28 2005-12-28 Statistical method of screening potential problem process of semiconductor fabrication KR100679813B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20050131566A KR100679813B1 (en) 2005-12-28 2005-12-28 Statistical method of screening potential problem process of semiconductor fabrication

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20050131566A KR100679813B1 (en) 2005-12-28 2005-12-28 Statistical method of screening potential problem process of semiconductor fabrication

Publications (1)

Publication Number Publication Date
KR100679813B1 true KR100679813B1 (en) 2007-01-31

Family

ID=38105634

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20050131566A KR100679813B1 (en) 2005-12-28 2005-12-28 Statistical method of screening potential problem process of semiconductor fabrication

Country Status (1)

Country Link
KR (1) KR100679813B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010014836A (en) * 1999-04-27 2001-02-26 인피니언 테크놀로지스 노쓰 아메리카 코포레이션 Yield prediction and statistical process control using predicted defect related yield loss
KR20030070442A (en) * 2002-02-25 2003-08-30 삼성전자주식회사 Method of a semiconductor process simulation
JP2005286052A (en) 2004-03-29 2005-10-13 Nec Electronics Corp Process inspection system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010014836A (en) * 1999-04-27 2001-02-26 인피니언 테크놀로지스 노쓰 아메리카 코포레이션 Yield prediction and statistical process control using predicted defect related yield loss
KR20030070442A (en) * 2002-02-25 2003-08-30 삼성전자주식회사 Method of a semiconductor process simulation
JP2005286052A (en) 2004-03-29 2005-10-13 Nec Electronics Corp Process inspection system

Similar Documents

Publication Publication Date Title
US6028994A (en) Method for predicting performance of microelectronic device based on electrical parameter test data using computer model
US7101722B1 (en) In-line voltage contrast determination of tunnel oxide weakness in integrated circuit technology development
US20040223639A1 (en) System for creating an inspection recipe, system for reviewing defects, method for creating an inspection recipe and method for reviewing defects
US6349240B2 (en) Semiconductor device manufacturing system and method of manufacturing semiconductor devices
US20030138978A1 (en) Method for manufacturing semiconductor devices and method and its apparatus for processing detected defect data
US20040049722A1 (en) Failure analysis system, failure analysis method, a computer program product and a manufacturing method for a semiconductor device
US5917332A (en) Arrangement for improving defect scanner sensitivity and scanning defects on die of a semiconductor wafer
Tseng et al. Determination of burn‐in parameters and residual life for highly reliable products
US6901564B2 (en) System and method for product yield prediction
US7739065B1 (en) Inspection plan optimization based on layout attributes and process variance
US5475695A (en) Automatic failure analysis system
US6265232B1 (en) Yield based, in-line defect sampling method
US5886909A (en) Defect diagnosis using simulation for IC yield improvement
US6513151B1 (en) Full flow focus exposure matrix analysis and electrical testing for new product mask evaluation
US6414508B1 (en) Methods for predicting reliability of semiconductor devices using voltage stressing
US6140832A (en) Method of utilizing IDDQ tests to screen out defective parts
US6389323B1 (en) Method and system for yield loss analysis by yield management system
US5940300A (en) Method and apparatus for analyzing a fabrication line
US6707936B1 (en) Method and apparatus for predicting device yield from a semiconductor wafer
US7062081B2 (en) Method and system for analyzing circuit pattern defects
US6701204B1 (en) System and method for finding defective tools in a semiconductor fabrication facility
US6532182B2 (en) Semiconductor memory production system and semiconductor memory production method
US5999003A (en) Intelligent usage of first pass defect data for improved statistical accuracy of wafer level classification
US6789032B2 (en) Method of statistical binning for reliability selection
US6393602B1 (en) Method of a comprehensive sequential analysis of the yield losses of semiconductor wafers

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20091224

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee