KR100858861B1 - 데이터 분석 방법 및 장치 - Google Patents

데이터 분석 방법 및 장치 Download PDF

Info

Publication number
KR100858861B1
KR100858861B1 KR1020057025146A KR20057025146A KR100858861B1 KR 100858861 B1 KR100858861 B1 KR 100858861B1 KR 1020057025146 A KR1020057025146 A KR 1020057025146A KR 20057025146 A KR20057025146 A KR 20057025146A KR 100858861 B1 KR100858861 B1 KR 100858861B1
Authority
KR
South Korea
Prior art keywords
data
feature
test
pattern
test data
Prior art date
Application number
KR1020057025146A
Other languages
English (en)
Other versions
KR20060026072A (ko
Inventor
폴 벅스턴
에밀리오 미겔라네스
에릭 폴 타보르
알리 엠 에스 잘자라
Original Assignee
테스트 어드밴티지 인코포레이티드
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
Application filed by 테스트 어드밴티지 인코포레이티드 filed Critical 테스트 어드밴티지 인코포레이티드
Publication of KR20060026072A publication Critical patent/KR20060026072A/ko
Application granted granted Critical
Publication of KR100858861B1 publication Critical patent/KR100858861B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative 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
    • G05B23/0229—Qualitative 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/10—Plc systems
    • G05B2219/11—Plc I-O input output
    • G05B2219/1112—Bit addressing, handling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Tests Of Electronic Circuits (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

본 발명의 다양한 양태에 따라서 데이터 분석을 위한 방법과 장치가 컴포넌트용 테스트 데이터에 기초한 컴포넌트용 제조 프로세스의 특징을 자동적으로 식별하기 위해 구성된다.
빈 맵 데이터, 아웃라이어, 웨이퍼 소트 데이터, 테스트 데이터 분석 시스템

Description

데이터 분석 방법 및 장치{METHODS AND APPARATUS FOR DATA ANALYSIS}
관련 출원의 상호 참조
본 발명은, 2001년 5월 24일자 미국 가특허출원 제 60/293,577 호 "METHODS AND APPARATUS FOR DATA SMOOTHING" 의 이점을 주장하는 2001년 5월 31일자 출원된 미국 특허 출원 09/872,195 호 "METHODS AND APPARATUS FOR DATA SMOOTHING" 의 부분계속출원인, 2002년 5월 24일자 출원된 미국 특허 출원 제 10/154,627 호 "METHODS AND APPARATUS FOR SEMICONDUCTOR TESTING" 의 부분계속출원인, 2003년 2월 14일자 출원된 미국 특허 출원 제 10/367,355 호, "METHOD AND APPARATUS FOR DATA ANALYSIS"; 2001년 5월 31일 미국 가특허출원 제 60/295,188 호 "METHODS AND APPARATUS FOR TEST DATA CONTROL AND ANALYSIS"; 및 2002년 4월 21일자 미국 가특허출원 제 60/374,328 호 "METHODS AND APPARATUS FOR TEST PROGRAM ANALYSIS AND ENHANCEMENT" 의 부분 계속 출원이며, 2003년 6월 27일자 출원된 미국 가특허출원 60/483,003 호, "DEVICE INDEPENDENT WAFERMAP ANALYSIS" 의 이점을 주장하고, 각각의 출원의 개시를 참조로서 포함한다. 그러나, 본 개시가 임의의 참조 출원과 충돌하는 범위까지 본 개시는 우선권을 주장한다.
발명의 기술분야
본 발명은 데이터 분석에 관한 것이다.
발명의 배경
반도체 회사들은 컴포넌트가 적절하게 동작하는 것을 보장하기 위하여 컴포넌트를 테스트한다. 테스트 데이터는 컴포넌트가 적절하게 기능하는 지의 여부를 결정할 뿐 아니라 제조 프로세스에서의 결함을 나타낼 수도 있다. 따라서, 많은 반도체 회사들은 여러가지 상이한 컴포넌트로부터 수집된 데이터를 분석하여, 문제를 식별하고 이들을 수정한다. 예를 들어, 회사는 여러 가지 상이한 로트 중 각각의 웨이퍼 상의 복수의 칩들에 대해 테스트 데이터를 수집할 수도 있다. 테스트 데이터는 결점 분석 및 결함 분리를 위하여, 기생 전기 테스트, 광학 검사, SEM, 에너지 분산 X-레이 분광법, 및 초점 이온 빔 프로세스와 같은 다양한 소스로부터 수집될 수도 있다. 이 데이터를 분석하여, 공통 결함 또는 결점의 패턴을 식별하거나 품질 및 성능 이슈를 나타낼 수 있는 파트를 식별함으로써, 사용자 정의된 "양호한 파트" 를 식별 또는 분류할 수도 있다. 이 때, 문제들을 수정하기 위하여 단계들이 수반될 수도 있다. 통상, 이 테스트들은 어셈블리 완료 (최종 테스트) 시뿐만 아니라 (웨이퍼 레벨에서의) 장치 패키징 이전에 수행될 수도 있다.
데이터를 수집하고 분석하는 것은 고비용이 소모되며 시간 소모적이다. 자동 테스터는 컴포넌트에 신호를 인가하고 대응하는 출력 신호를 판독한다. 출력 신호는 컴포넌트가 적절하게 동작하는지의 여부를 결정하기 위하여 분석될 수도 있다. 각각의 테스터는 대량의 데이터를 생성한다. 예를 들어, 각각의 테스터는 단일 컴포넌트 상에서 200 회의 테스트를 수행할 수도 있으며, 이들 테스트 각각은 10 회 반복될 수도 있다. 그 결과, 단일 컴포넌트의 테스트는 2000 개의 결과를 낳을 수도 있다. 각각의 테스터가 시간 당 100 개 이상의 컴포넌트를 테스트하고 여러 개의 테스터가 동일한 서버에 접속될 수도 있기 때문에, 매우 많은 양의 데이터가 저장되어야 한다. 또한, 데이터를 처리하기 위하여, 서버는 통상 데이터베이스에 테스트 데이터를 저장하여, 데이터의 분석 및 조작을 용이하게 된다. 그러나, 통상의 데이터베이스에의 저장은 데이터를 조직하고 저장하기 위한 시간 뿐만 아니라 저장 용량을 추가적으로 필요로 한다. 또한, 테스트 데이터를 획득하는 것은 복잡하고 힘든 프로세스이다. 테스트 엔지니어는, 테스터로 하여금 컴포넌트에 입력 신호를 생성하고 출력 신호를 수신하도록 명령하는, 테스트 프로그램을 준비한다. 이 프로그램은, 충분하고 적절한 컴포넌트의 동작을 보장하도록 하기 위하여 매우 복잡해지는 경향이 있다. 그 결과, 적절하게 복잡한 집적 회로용 테스트 프로그램은 대량의 테스트 및 결과를 포함한다. 프로그램을 준비할 때에는 만족스러운 솔루션에 도달하기 위하여 광범위한 설계 및 변형을 요구하는데, 예를 들어, 중복된 테스트를 제거하거나 그렇지 않으면 테스트 시간을 최소화하기 위한 프로그램의 최적화는 추가의 노력을 필요로 한다.
수집된 데이터의 분석 또한 어렵다. 데이터의 양은 상당한 처리 전력 및 시간을 요구할 수도 있다. 그 결과, 데이터는 통상 제조 런 타임에 분석되지 않고 그 대신 테스트 런 (test run) 들 사이 또는 다른 배치 (batch) 에서 분석된다. 이러한 부담 중 일부를 완화시키기 위하여, 몇몇 회사들은 테스터로부터 데이터를 샘플링하고, 나머지는 폐기한다. 그러나, 모든 데이터를 분석하지 않는 것은 결과 분석이 충분히 완전하지 않고 정확할 수 없다는 것이 확실하다. 그 결과, 샘플링은 테스트 결과의 완전한 이해를 저하시킨다.
또한, 테스터에 의해 생성된 전체 테스트 데이터세트를 보유할 때에도, 적은 양의 테스트 데이터는 데이터의 분석 및 의미 있는 결과의 추출을 어렵게 한다. 데이터는 디바이스, 테스트 프로세스 및 제조, 신뢰성 및 테스트를 개선하는데 이용될 수도 있는 제조 프로세스에 대한 상당한 정보를 포함할 수도 있다. 그러나, 데이터량의 관점에서, 사용자 또는 다른 시스템에 대한 정보를 분리하고 표시하는 것이 요망된다.
또한, 데이터 해석의 대부분은, 제조 및 테스트 프로세스에 대한 친숙함 및 경험에 기초하여, 데이터를 검토하고 테스트 및 제조 프로세스에 대해 결론짓는 엔지니어에 의해 수동으로 수행된다. 종종 수동 분석은 효과적이지만, 엔지니어가 제조 및 테스트 시스템이 다르다고 알고 있으면, 동일한 데이터에 기초한 경우에도 상이한 주관적인 결론에 이르기 쉽다. 경험 있는 개인이 회사를 그만두거나 또는 일할 수 없는 경우, 이들의 제조 및 테스트 시스템에 대한 지식 및 이해, 및 테스트 데이터의 해석이 다른 개인에게 쉽게 전달될 수 없을 때에도 다른 문제가 발생한다.
발명의 요약
본 발명의 다양한 양태에 따른 데이터 분석을 위한 방법 및 장치는, 컴포넌트용 테스트 데이터에 기초하여 컴포넌트용 제조 프로세스의 특징을 자동적으로 식별하도록 구성된다.
도면의 간단한 설명
다음의 도시된 도면과 함께 상세한 설명 및 청구의 범위를 참조하여, 본 발명을 보다 완전하게 이해할 수 있으며, 도면은 그 비율이 맞지 않을 수도 있다. 도면을 통해 동일한 참조 번호는 동일한 엘리먼트로 간주한다.
도 1 은 본 발명의 다양한 양태 및 결합된 기능적 컴포넌트에 따른 테스트 시스템의 블록도이다.
도 2 는 테스트 시스템을 동작시키기 위한 엘리먼트의 블록도이다.
도 3 은 구성 엘리먼트의 흐름도를 도시한다.
도 4a 내지 도 4c 는 보완 데이터 분석 엘리먼트에 대한 흐름도를 나타낸다.
도 5 는 웨이퍼의 다양한 단면 및 단면형성 기술의 도면이다.
도 6a 및 도 6b 는 보완 데이터 분석 엘리먼트의 흐름도를 추가적으로 나타낸다.
도 7 은 출력 엘리먼트의 흐름도를 나타낸다.
도 8 은 본 발명의 다양한 양태에 따른 예시적인 데이터 평활화 (smoothing) 시스템의 동작의 흐름도이다.
도 9 는 복수의 컴포넌트 테스트에 대한 테스트 데이터의 플롯이다.
도 10 은 복수의 디바이스 및 웨이퍼용 저항률 프로파일을 갖는 웨이퍼를 나타낸다.
도 11 은 도 10 의 웨이퍼의 다양한 디바이스에서의 레지스터 모집단 (population) 에 대한 저항값의 그래프이다.
도 12a 내지 도 12b 는 도 10 의 다양한 디바이스에 대한 미가공 테스트 데이터 및 아웃라이어 검출 트리거 (trigger) 의 일반적이고 상세한 플롯이다.
도 13 은 본 발명의 다양한 양태에 따른 합성 분석 프로세스의 흐름도이다.
도 14 는 3 개의 대표 웨이퍼 상에서의 대표적인 데이터 포인트 위치의 도면이다.
도 15a 내지 도 15c 는 누적 제곱된 복합 데이터 분석 프로세스에 관련되는 흐름도 및 챠트이다.
도 16 은 웨이퍼 상에서 정의된 배타 존의 도면이다.
도 17a 내지 도 17b 는 근접 가중치 프로세스의 흐름도이다.
도 18 은 근접 가중치에 투입된 데이터 포인트 세트의 흐름도이다.
도 19 는 클러스터 검출 및 여과 (filteration) 프로세스의 흐름도이다.
도 20 은 검출 및 여과에 투입된 웨이퍼 상의 클러스터 세트의 도면이다.
도 21 은 절대 병합 (absolute merge) 프로세스를 이용하여 병합된 데이터 포인트 세트의 도면이다.
도 22 는 오버랩 병합 프로세스를 이용하여 병합된 데이터 포인트 세트의 도면이다.
도 23 및 도 24 는 퍼센트 오버랩 병합 프로세스를 이용하여 병합된 데이터 포인트 세트의 도면이다.
도 25 는 테스트 데이터를 이용하여 프로세스 특징을 식별하는 시스템의 블 록도이다.
도 26 은 진단 시스템의 블록도이다.
도 27 은 분류 프로세스의 흐름도이다.
도 28 은 패턴 여과 프로세스의 도면이다.
도 29 는 신경 네트워크의 도면이다.
도면에서의 엘리먼트는 간략성 및 명확성을 위해 도시된 것으로, 비율이 적용될 필요는 없다. 예를 들어, 본 발명의 실시형태의 이해를 돕기 위하여 도면에서의 몇몇 엘리먼트에 의해 수행되는 연결 및 단계는, 다른 엘리먼트에 비해 강조되거나 생략될 수도 있다.
예시적인 실시형태의 상세한 설명
본 발명은 기능적 블록 컴포넌트 및 다양한 프로세스 단계에 관하여 설명할 수도 있다. 이러한 기능적 블록 및 단계들은 특정 기능들을 수행하도록 구성되는 임의의 개수의 하드웨어 또는 소프트웨어 컴포넌트에 의해 실현될 수도 있다. 예를 들어, 본 발명은 다양한 테스터, 프로세서, 저장 시스템, 프로세스, 및 하나 이상의 테스터, 마이크로프로세서 또는 다른 제어 디바이스의 제어 하에서 다양한 기능을 수행할 수도 있는, 통계적 엔진, 메모리 엘리먼트, 신호 처리 엘리먼트, 신경 네트워크, 패턴 분석기, 로직 엘리먼트, 프로그램 등과 같은 알고리즘을 이용할 수도 있다. 또한, 본 발명은 임의의 개수의 테스트 환경과 함께 실행될 수도 있으며, 설명된 각각의 시스템은 본 발명의 하나의 예시적인 애플리케이션일 뿐이다. 또한, 본 발명은 데이터 분석, 컴포넌트 인터페이싱, 데이터 프로세싱, 컴포넌트 취급 등을 위하여 임의의 개수의 통상의 기술을 채용할 수도 있다.
도 1 을 참조하면, 본 발명의 다양한 양태에 따른 방법 및 장치는, 반도체를 테스트하기 위한 ATE (Automatic Test Equipment) 와 같은 테스터 (102) 를 갖는 테스트 시스템 (100) 과 함께 동작한다. 본 실시형태에서, 테스트 시스템 (100) 은 테스터 (102) 와 컴퓨터 시스템 (108) 을 포함한다. 테스트 시스템 (100) 은 웨이퍼, 회로 기판, 패키지된 디바이스 또는 다른 전기적 또는 광학적 시스템 상의 반도체 디바이스와 같은 임의의 컴포넌트 (106) 를 테스트하도록 구성될 수 있다. 본 실시형태에서, 컴포넌트 (106) 는 웨이퍼 상에 형성되는 복수의 집적 회로 다이 또는 패키징된 집적 회로 또는 디바이스를 포함한다. 컴포넌트 (106) 는 제조 프로세스를 이용하여 생성되며, 컴포넌트 (106) 를 생성하기 위한 임의의 적절한 제조 프로세스를 포함할 수도 있으며, 컴포넌트 (106) 의 동작을 테스트하기 위한 임의의 적절한 프로세스를 포함할 수도 있는 테스트 프로세스를 포함할 수도 있다.
테스터 (102) 는 컴포넌트 (106) 를 테스트하고 테스트와 관련되는 출력 데이터를 생성하는 임의의 테스트 장치를 적절하게 포함하며, 복수의 기계 또는 다른 데이터 소스를 포함할 수도 있다. 테스터 (102) 는 Teradyne 테스터와 같은 통상의 자동 테스터를 포함할 수 있으며, 이는 테스트를 용이하게 하기 위한 다른 장비와 함께 적절하게 동작한다. 테스터 (102) 는 테스트하려는 특정 컴포넌트 (106) 및/또는 임의의 다른 적절한 기준에 따라 선택되고 구성될 수도 있다.
테스터 (102) 는 예를 들어, 테스터 (102) 를 프로그램하고, 테스트 프로그램을 로드 (load) 및/또는 실행하며, 데이터를 수집하고, 테스터 (102) 에 명령을 제공하며, 테스트 데이터를 분석하고, 테스터 파라미터를 제어하는 등의 동작을 위해 컴퓨터 시스템 (108) 과 함께 동작할 수도 있다. 본 실시형태에서, 컴퓨터 시스템 (108) 은 테스터 (102) 로부터 테스터 데이터를 수신하고, 테스터 (102) 의 다양한 데이터 분석 기능을 독립적으로 수행할 수도 있다. 컴퓨터 시스템 (108) 은 테스트 데이터에 기초하여 제조 및/또는 테스트 프로세스에서의 잠재적인 문제를 식별하기 위한 진단 시스템 (216) 은 물론, 테스터 (102) 로부터 데이터를 분석할 수 있도록 통계적 엔진을 구현할 수도 있다. 컴퓨터 시스템 (108) 은 테스터 (102) 와 네트워크되거나 접속되어, 테스터 (102) 와 신호를 교환하는 개인용 컴퓨터나 워크스테이션과 같은 별도의 컴퓨터를 포함할 수도 있다. 다른 실시형태에서, 컴퓨터 시스템 (108) 은 테스트 시스템 (100) 의 다른 컴포넌트로부터 생략되거나 이에 통합되고, 네트워크에 접속되는 테스터 (102) 또는 엘리먼트와 같은 다른 컴포넌트에 의해 다양한 기능을 수행할 수도 있다.
본 발명의 예시적인 시스템에서, 컴퓨터 시스템 (108) 은 프로세서 (110) 및 메모리 (112) 를 포함한다. 프로세서 (110) 는, Window XP, Unix, 또는 Linux 와 같은 임의의 적절한 운영 시스템과 함께 동작하는 통상의 Intel, Motorola 또는 Advanced Micro Devices processor 와 같은 임의의 적절한 프로세서를 포함한다. 유사하게, 메모리 (112) 는 데이터를 저장하기 위하여 다른 적절한 저장 시스템 또는 RAM (Random Access Memory) 과 같은 프로세서 (110) 에 접근가능한 임의의 적절한 메모리를 포함할 수도 있다. 특히, 본 시스템의 메모리 (112) 는 정보를 저장 및 수신하기 위하여 빠른 액세스 메모리를 포함하며, 컴퓨터 (108) 의 동작을 용이하게 하기 위하여 충분한 용량을 갖도록 적절하게 구성된다.
본 실시형태에서, 메모리 (112) 는 테스터 (102) 로부터 수신된 출력 결과를 저장하고 출력 테스트 데이터의 분석을 용이하게 하기 위한 용량을 포함한다. 메모리 (112) 는 분석을 위한 테스트 데이터의 빠른 저장 및 검색을 위해 구성된다. 다양한 실시형태에서, 메모리 (112) 는 테스트 결과에 기초하여 선택된 기준 및 분석에 따라 테스트 시스템 (100) 및/또는 오퍼레이터에 의해 선택되는 정보의 세트를 적절하게 포함하는 다이나믹 데이터로그 (datalog) 의 엘리먼트를 저장하도록 구성된다.
예를 들어, 메모리 (112) 는 테스트된 웨이퍼에 대한 웨이퍼 맵 상의 컴포넌트 (106) 의 위치에 해당하는 x-y 좌표와 같은 각각의 컴포넌트 (106) 에 대한 컴포넌트 식별자를 적절하게 저장한다. 메모리 (112) 에서의 각각의 x-y 좌표는 웨이퍼 맵 상의 해당 x-y 좌표에서 특정 컴포넌트 (106) 와 연관될 수도 있다. 각각의 컴포넌트 식별자는 하나 이상의 필드를 가지며, 각각의 필드 컴포넌트는 예를 들어 웨이퍼 상의 해당하는 x-y 위치에서의 컴포넌트 (106) 상에서 수행되는 특정한 테스트, 해당 컴포넌트 (106) 와 관련되는 통계, 또는 다른 관련 데이터에 대응한다. 메모리 (112) 는 임의의 기준 또는 규칙에 따라 사용자에 의해 식별되는 임의의 데이터를 원하는 대로 포함하도록 구성될 수도 있다.
또한, 본 실시형태의 컴퓨터 (108) 는, 다른 메모리 (또는 메모리 (112) 의 일부분), 하드 드라이브 어레이, 광학 저장 시스템 또는 다른 적절한 저장 시스템과 같은 저장 시스템으로의 액세스를 적절하게 갖는다. 저장 시스템은 컴퓨터 (108) 또는 테스터 (102) 전용 하드 드라이브와 같이 로컬적일 수 있으며, 테스트 시스템 (100) 이 접속되는 서버와 연관된 하드 드라이브 어레이와 같이 원격일 수도 있다. 저장 시스템은 테스트 시스템 (100) 의 컴퓨터 (108) 또는 다른 컴포넌트에서 이용되는 프로그램 및/또는 데이터를 저장할 수도 있다. 본 실시형태에서, 저장 시스템은, 예를 들어, 제조 설비용 주 (main) 제조 서버를 포함하는 원격 서버 (116) 를 통하여 이용가능한 데이터베이스 (114) 를 포함한다. 데이터베이스 (114) 는 테스터 데이터 파일, 테스트 시스템 (100) 과 그 컴포넌트를 동작시키는 마스터 데이터 파일, 테스트 프로그램, 테스트 시스템 (100) 용 다운로드 가능한 명령 등과 같은 테스터 정보를 저장한다. 또한, 저장 시스템은 분석을 위하여 유지되는 히스토리컬 (historical) 테스터 데이터와 같은 완전한 테스터 데이터 파일을 포함할 수도 있다.
테스트 시스템 (100) 은 컴포넌트 (106) 의 테스트를 용이하게 하기 위한 추가의 장비를 포함할 수도 있다. 예를 들어, 본 발명의 테스트 시스템 (100) 은 통상의 디바이스 인터페이스 기판 및/또는 디바이스 핸들러 또는 프로버와 같은 디바이스 인터페이스 (104) 를 포함하여, 컴포넌트 (106) 를 핸들링하고, 컴포넌트 (106) 와 테스터 (102) 사이에 인터페이스를 제공한다. 테스트 시스템 (100) 은 다른 컴포넌트, 장비, 소프트웨어 등을 포함하거나 이들과 접속되어, 특정한 구성, 애플리케이션, 테스트 시스템 (100) 환경 또는 다른 관련 요인에 따른 컴포넌트 (106) 의 테스트를 용이하게 할 수도 있다. 예를 들어, 본 실시형태에서, 테스트 시스템 (100) 은 로컬 영역 네트워크, 인트라넷 또는 인터넷과 같은 글로벌 네트워크와 같은 적절한 통신 매체에 접속됨으로써, 원격 서버 (116) 와 같은 다른 시스템에 정보를 전달한다.
테스트 시스템 (100) 은 하나 이상의 테스터 (102) 및 하나 이상의 컴퓨터 (108) 를 포함할 수도 있다. 예를 들어, 하나의 컴퓨터 (108) 는, 시스템 처리용량 및 컴퓨터 (108) 의 구성과 같은 다양한 팩터에 따라 20 개 이상과 같은 적절한 개수의 테스터 (102) 에 접속될 수도 있다. 또한, 컴퓨터 (108) 는 테스터 (102) 와 분리될 수도 있거나, 예를 들어, 테스터 (102) 의 하나 이상의 프로세서, 메모리, 클록 회로 등을 이용하여, 테스터 (102) 에 통합될 수도 있다. 또한, 상이한 컴퓨터에 의해 다양한 기능을 수행할 수도 있다. 예를 들어, 제 1 컴퓨터는 다양한 사전 분석 업무를 수행할 수도 있으며, 이 때 여러 개의 컴퓨터가 데이터를 수신하고 데이터 분석을 수행할 수도 있으며, 다른 세트의 컴퓨터가 다이나믹 데이터로그 및/또는 다른 출력 분석 및 리포트를 준비할 수도 있다.
본 발명의 다양한 양태에 따른 테스트 시스템 (100) 은 컴포넌트 (106) 를 테스트하고 개선된 분석 및 테스트 결과를 제공한다. 예를 들어, 개선된 분석은 부정확하고, 의심스럽거나, 또는 비정상적인 결과, 반복 테스트, 및/또는 비교적 높은 실패 가능성을 갖는 테스트를 식별할 수도 있다. 테스트 시스템 (100) 은 또한 복수의 웨이퍼 및/또는 웨이퍼 로트로부터 취해진 데이터와 같은 복수의 데이터세트를 분석하여, 복수의 데이터세트에 기초한 합성 데이터를 생성할 수도 있다. 다양한 데이터는 또한 테스트 시스템 (100) 에 의해 이용되어, 문제, 비효율성, 잠재적인 위험, 불안정성 또는 테스트 데이터를 통해 식별될 수도 있는 다른 양태들과 같은, 제조, 테스트, 및/또는 다른 프로세스에서의 특징을 진단할 수도 있다. 다음으로, 생산 엔지니어, 테스트 엔지니어, 제조 엔지니어, 디바이스 엔지니어 또는 테스트 데이터 및 분석을 이용하는 다른 개인과 같은 오퍼레이터는 결과를 이용하여, 테스트 시스템 (100) 및/또는 제조 시스템을 조회하고/조회하거나 개선시켜 컴포넌트 (106) 를 분류할 수도 있다.
본 발명의 다양한 양태에 따른 테스트 시스템 (100) 은 컴포넌트 (106) 를 테스트하고 테스트 데이터를 수집 및 분석하기 위하여 개선된 테스트 프로세스를 실행한다. 테스트 시스템 (100) 은 컴퓨터 (108) 에 의해 실행된 소프트웨어 애플리케이션과 함께 적절하게 동작한다. 도 2 를 참조하면, 본 실시형태의 소프트웨어 애플리케이션은 개선된 테스트 프로세스를 구현하기 위하여 구성 엘리먼트 (202), 보완 데이터 분석 엘리먼트 (206), 및 출력 엘리먼트 (208) 를 포함한 복수의 엘리먼트를 포함한다. 테스트 시스템 (100) 은 또한 하나 이상의 데이터세트로부터 데이터를 분석하기 위한 합성 분석 엘리먼트 (214) 를 포함할 수도 있다. 또한, 테스트 시스템은 테스트 데이터를 이용하여 특징 및 잠재적인 문제를 식별하기 위한 진단 시스템 (216) 을 포함할 수도 있다.
각각의 엘리먼트 (202, 206, 208, 214, 216) 는 다양한 과제 (task) 를 수행하기 위해 컴퓨터 (108) 상에서 동작하는 소프트웨어 모듈을 적절하게 포함한다. 일반적으로, 구성 엘리먼트 (202) 는 테스트 및 분석을 위한 테스트 시스템 (100) 을 준비한다. 보완 데이터 분석 엘리먼트 (206) 에서, 테스터 (102) 로부터의 출력 테스트 데이터는 분석되어 보완 테스트 데이터를 적절한 런 타임에 자동으로 생성한다. 이 때 보완 테스트 데이터는 합성 분석 엘리먼트 (214), 진단 시스템 (216) 및/또는 출력 엘리먼트 (208) 와 같은 오퍼레이터 또는 다른 시스템으로 전송된다.
구성 엘리먼트 (202) 는 컴포넌트 (106) 를 테스트하고 테스트 데이터를 분석하기 위한 테스트 시스템 (100) 을 구성한다. 테스트 시스템 (100) 은 소정의 세트의 초기 파라미터와, 원한다면 오퍼레이터로부터의 정보를 적절하게 이용하여, 테스트 시스템 (100) 을 구성한다. 테스트 시스템 (100) 은 소정의 또는 디폴트 파라미터로 초기에 적절하게 구성되어, 테스트 시스템 (100) 에 대한 오퍼레이터 참여 (attendance) 를 최소화시킨다. 오퍼레이터에 의한 구성은 원한다면, 예를 들어 컴퓨터 (108) 를 통하여 조절할 수도 있다.
도 3 을 참조하면, 구성 엘리먼트 (202) 에 의해 수행되는 예시적인 구성 프로세스 (300) 는 초기화 절차로 시작하여, 컴퓨터 (108) 를 초기 상태로 설정한다 (단계 302). 다음으로, 구성 엘리먼트 (202) 는 애플리케이션 구성 정보를, 예를 들어, 컴퓨터 (108) 및 테스터 (102) 용 데이터베이스 (114) 로부터 획득한다 (단계 304). 예를 들어, 구성 엘리먼트 (202) 는 개선된 테스트 프로세스용 마스터 구성 파일 및/또는 테스터 (102) 와 관련되는 툴 구성 파일을 액세스할 수도 있다. 마스터 구성 파일은 컴퓨터 (108) 에 대한 적절한 구성 및 테스트 시스템 (100) 의 다른 컴포넌트와 관련되는 데이터를 포함하여, 개선된 테스트 프로세스를 실행할 수도 있다. 유사하게는, 툴 구성 파일은 접속, 디렉토리, IP 어드레스, 테스터 노드 식별, 제조자, 플래그, 프로버 식별 또는 테스터 (102) 용 임의의 다른 영구 정보와 같은, 테스터 (102) 구성과 관련되는 데이터를 적절하게 포함한다.
다음으로, 구성 엘리먼트 (202) 는 마스터 구성 파일 및/또는 툴 구성 파일에 포함된 데이터에 따라 테스트 시스템 (100) 을 구성할 수도 있다 (단계 306). 또한, 구성 엘리먼트 (202) 는 구성 데이터를 이용하여, 테스터 (102) 와 테스터 데이터용 세부계획 인스턴스와 같은 데이터를 연관하는 테스터 (102) 의 식별자와 같은, 보다 더 관련된 정보를 데이터베이스 (114) 로부터 검색할 수도 있다 (단계 308). 테스트 시스템 (100) 정보는 또한 오퍼레이터에 의해 수락, 거부 또는 조절될 수도 있는 하나 이상의 디폴트 파라미터를 적절하게 포함한다. 예를 들어, 테스트 시스템 (100) 정보는 동의 및/또는 변경을 위한 다른 적절한 시간, 설치, 구성, 또는 파워업시에 오퍼레이터에게 전송되는 글로벌 SPC (Statistical Process Control) 룰 및 목적을 포함할 수도 있다. 테스트 시스템 (100) 정보는 또한 테스트 시스템 (100) 에 의해 영향을 받을 수 있거나 영향을 주게 될 다른 아이템, 또는 컴포넌트 (106), 웨이퍼, 제품 각각에 대해 적절하게 구성되어 지는 다른 파일 또는 디폴트 웨이퍼 맵을 포함할 수도 있다. 용이한 액세스, 특정 제품 및/또는 테스트에 대한 상관, 및 추적 가능성 (traceability) 에 대한 구성 알고리즘, 파라미터 및 임의의 다른 기준이 레시피 (recipe) 파일에 저장될 수도 있다.
초기 구성 프로세스가 완료될 때, 테스트 시스템 (100) 은 예를 들어 통상의 테스트의 시리즈와 관련하여, 테스트 프로그램에 따라, 테스트 런을 개시한다. 테스터 (102) 는 테스트 프로그램을 적절하게 실행하여, 컴포넌트 (106) 상의 접속으로 신호를 인가하고 이 컴포넌트 (106) 로부터 출력 테스트 데이터를 판독한다. 테스터 (102) 는 웨이퍼 상의 각각의 컴포넌트 (106) 또는 웨이퍼 자체에 대해 복수의 테스트를 수행하며, 각각의 테스트는 동일한 컴포넌트 (106) 에 대해 수회 반복될 수도 있다. 테스트는 연속성, 공급 전류, 누설 전류, 기생 정류 (static), 기생 다이나믹 및 기능적 스트레스 테스트와 같은 임의의 적절한 테스트 (이들로 한정되는 것은 아님) 를 포함할 수도 있다. 테스트 데이터를 획득함에 따라 테스터 (102) 로부터의 테스트 데이터가 빠른 액세스 및 보완 분석을 위하여 저장된다. 데이터는 또한 연속의 분석 및 이용을 위하여 장기간 메모리에 저장될 수도 있다.
각각의 테스트는 하나 이상의 컴포넌트에 대하여 하나 이상의 결과를 생성한다. 도 9 를 참조하면, 복수의 컴포넌트의 단일 테스트에 대한 예시적인 세트의 테스트 결과는 통계적으로 유사한 값을 갖는 제 1 세트의 테스트 결과 및 제 1 세트의 테스트 결과에서 벗어난 값으로 특징되는 제 2 세트의 테스트 결과를 포함한다. 각각의 테스트 결과는 테스트 상한 및 테스트 하한과 비교할 수도 있다. 컴포넌트에 대한 특정한 결과가 상한이나 하한을 초과하는 경우, 컴포넌트는 "불량 파트" 로서 분류될 수도 있으며, 또는, 테스트 및/또는 테스트 결과에 따라 분류될 수도 있다.
제 1 세트로부터 벗어난 제 2 세트의 테스트 결과 중 몇몇은 제어 한계를 초과할 수도 있는 반면, 다른 것은 그렇지 않을 수도 있다. 본 목적을 위하여, 제 1 세트로부터 벗어나지만 제어 한계를 초과하지 않거나 검출되지 않은 이러한 테스트 결과를 "아웃라이어 (outlier)" 라 한다. 테스트 결과에서 아웃라이어는 임의의 적절한 목적을 위하여 식별되거나 분석되어, 잠재적으로 신뢰성없는 컴포넌트를 식별하도록 한다. 또한, 아웃라이어는 테스트 및 제조 프로세스에서의 다양한 잠재적인 문제 및/또는 개선 사항을 식별하는데 이용될 수도 있다.
테스터 (102) 는 테스트 결과를 생성함으로써, 각각의 컴포넌트, 테스트, 및 반복에 대한 출력 테스트 데이터를 테스터 (102) 에 의해 테스터 데이터 파일에 저장한다. 각각의 컴포넌트 (106) 로부터 수신된 출력 테스트 데이터는 테스터 (102) 에 의해 분석되어, 컴포넌트 (106) 의 성능을 분류하고, 예를 들어, 테스트 상한 및 하한과 비교하여 특정한 빈 (bin) 으로 분류하고, 분류의 결과는 또한 테스터 데이터 파일에 저장된다. 또한, 테스터 데이터 파일은 세부계획 데이터 및 테스트 프로그램 식별 데이터와 같은 추가의 정보를 포함할 수도 있다. 이 때 테스터 데이터 파일은 컴퓨터 (108) 에, STDF (Standard Tester Data Format) 파일과 같은 출력 파일로 제공되어, 메모리에 저장된다. 또한, 테스터 데이터 파일은 합성 분석 엘리먼트 (214) 에 의해서와 같이, 후속 분석을 위한 장기간 저장을 위하여 저장 시스템에 저장될 수도 있다.
컴퓨터 (108) 가 테스터 데이터 파일을 수신할 때, 보완 데이터 분석 엘리먼트 (206) 는 데이터를 분석하여 개선된 출력 결과를 제공한다. 보완 데이터 분석 엘리먼트 (206) 는 테스터 데이터의 임의의 적절한 분석을 제공하여, 임의의 적절한 목적을 달성할 수도 있다. 예를 들어, 보완 데이터 분석 엘리먼트 (206) 는 출력 테스트 데이터를 런 타임에 분석하고 오퍼레이터의 관심에 따라 데이터 및 데이터의 특징을 식별하기 위하여 통계 엔진을 구현할 수도 있다. 식별된 데이터 및 특징은 저장되지만, 식별되지 않은 데이터는 폐기되는 것과 같이 처리될 수도 있다.
보완 데이터 분석 엘리먼트 (206) 는 데이터 및 통계적 구성 데이터세트에 따라 예를 들어 통계 수치를 계산할 수도 있다. 통계적 구성 데이터는, 통계적 프로세스 제어, 아웃라이어 식별 및 분류, 서명 분석 및 데이터 정정과 같은, 테스트 시스템 (100) 및/또는 오퍼레이터의 필요성에 따라 임의의 적절한 타입의 분석을 요청할 수도 있다. 또한, 보완 데이터 분석 엘리먼트 (206) 는 테스트 날짜의 생성에 따른 런 타임, 즉 대략 초 또는 분 내에 분석을 적절하게 수행한다. 보완 데이터 분석 엘리먼트 (206) 는 또한 오퍼레이터 및/또는 테스트 엔지니어로부터 최소 간격으로 자동으로 분석을 수행할 수도 있다.
이 테스트 시스템 (100) 에서는, 컴퓨터 (108) 가 테스터 데이터 파일을 수신 및 저장한 후에, 보완 데이터 분석 엘리먼트 (206) 는 다양한 예비 과제를 수행하여, 출력 테스트 데이터의 분석용 컴퓨터 (108) 를 준비하고, 보완 데이터의 생성 및 출력 리포트의 준비를 용이하게 한다. 도 4a 내지 도 4c 를 참조하면, 본 실시형태에서, 보완 데이터 분석 엘리먼트 (206) 는 먼저 테스터 데이터 파일을 관련 테스터 (102) 에 해당하는 툴 입력 디렉토리에 복사 (copy) 한다 (단계 402). 또한, 보완 데이터 분석 엘리먼트 (206) 는 구성 데이터를 검색하여, 출력 테스트 데이터의 보완 분석용 컴퓨터 (108) 를 준비한다.
구성 데이터는 테스터 데이터 파일로부터 검색될 수도 있는 세부계획 데이터세트를 적절하게 포함한다 (단계 404). 보완 데이터 분석 엘리먼트 (206) 는 또한 세부계획 레퍼런스를 생성한다 (단계 406). 세부계획 레퍼런스는 툴 구성 파일로부터 유도된 테스터 (102) 정보와 같은 테스터 (102) 정보를 포함할 수도 있다. 또한, 세부계획 레퍼런스가 식별로 할당된다.
또한, 구성 데이터는 출력 테스트 데이터를 생성하였던 테스트 프로그램용 식별자를 포함할 수도 있다. 테스트 프로그램은 테스터 (102) 식별과의 연관이나 마스터 구성 파일로부터의 판독에 의해, 데이터베이스 (114) 에서의 검색 (단계 408) 과 같은 임의의 적절한 방법으로 식별될 수도 있다. 테스트 프로그램 식별이 설정될 수 없는 경우 (단계 410), 테스트 프로그램 식별을 생성하고 테스터 식별과 연관될 수도 있다 (단계 412).
구성 데이터는, 웨이퍼 전부보다 적다면, 보완 데이터 분석 엘리먼트 (206) 에 의해 처리되는 테스트 런에서 웨이퍼를 더 식별한다. 본 실시형태에서, 보완 데이터 분석 엘리먼트 (206) 는 웨이퍼가 분석되었음을 표시하는 파일을 액세스한다 (단계 414). 아무런 표시가 제공되지 않는다면, 컴퓨터 (108) 는 적절하게 디폴트하여, 테스트 런에서 웨이퍼 전체를 분석한다.
현재 테스트 데이터 파일용 웨이퍼가 분석된다면 (단계 416), 보완 데이터 분석 엘리먼트 (206) 는 웨이퍼용 테스트 데이터 파일에 대한 보완 데이터 분석 수행을 진행한다. 그렇지 않다면, 보완 데이터 분석 엘리먼트 (206) 는 대기하거나 다음 테스트 데이터 파일을 액세스한다 (단계 418).
보완 데이터 분석 엘리먼트 (206) 는 테스트할 다양한 웨이퍼에 대해 분석되어질 하나 이상의 섹션 그룹을 설정할 수도 있다 (단계 420). 출력 테스트 데이터에 적용하기 위한 적절한 섹션 그룹을 식별하기 위하여, 보완 데이터 분석 엘리먼트 (206) 는 예를 들어 테스트 프로그램 및/또는 테스터 식별에 따라 적절한 섹션 그룹 정의를 적절하게 식별한다. 각각의 섹션 그룹은 하나 이상의 섹션 어레이를 포함하고, 각각의 섹션 어레이는 동일한 섹션 타입 중 하나 이상의 섹션을 포함한다.
섹션 타입은 웨이퍼의 소정의 영역에 위치되는 다양한 분류의 컴포넌트 (106) 그룹을 포함한다. 예를 들어, 도 5 를 참조하면, 섹션 타입은 행 (502), 열 (504), 스테퍼 필드 (506), 원형 밴드 (508), 래디얼 영역 (510), 4분원 (512) 또는 임의의 다른 원하는 컴포넌트의 그룹을 포함할 수도 있다. 상이한 섹션 타입은, 처리되는 컴포넌트의 오더 (order), 튜브의 섹션 등과 같은 컴포넌트 구성에 따라 이용될 수 있다. 이러한 컴포넌트 (106) 의 그룹은 함께 분석되어, 예를 들면 이 그룹과 연관될 수 있는 공통적인 결함 또는 특징을 식별한다. 예를 들어, 웨이퍼의 특정 부분이 웨이퍼의 다른 부분과 같이 열전도되지 않는 경우, 특정 그룹의 컴포넌트 (106) 에 대한 테스트 데이터는 웨이퍼의 불균일한 가열과 연관되는 공통적인 결함 또는 특징을 반영할 수도 있다.
현재 테스터 데이터 파일용 섹션 그룹을 식별할 때, 보완 데이터 분석 엘리먼트 (206) 는 제어 한계와 같은 임의의 추가적인 관련 구성 데이터를 검색하고, 테스트 프로그램 및/또는 테스터 (102) 용 플래그를 인에이블링한다 (단계 422). 특히, 보완 데이터 분석 엘리먼트 (206) 는 섹션 그룹에서의 각각의 섹션 어레이와 연관된 원하는 통계 또는 계산의 세트를 적절하게 검색한다 (단계 423). 원하는 통계 및 계산은 오퍼레이터에 의하거나 파일로부터의 검색과 같은 임의의 방법으로 지정될 수도 있다. 또한, 보완 데이터 분석 엘리먼트 (206) 는 웨이퍼와 관련되는 각각의 관련 섹션 타입 또는 다른 적절한 변화에 대한 하나 이상의 서명 분석 알고리즘을 식별하고, 데이터베이스 (114) 로부터 서명 알고리즘을 검색할 수도 있다 (단계 424).
구성 데이터 전부는 디폴트로 제공되거나 구성 엘리먼트 (202) 또는 보완 데이터 분석 엘리먼트 (206) 에 의해 자동으로 액세스될 수도 있다. 또한, 본 실시형태의 구성 엘리먼트 (202) 및 보완 데이터 분석 엘리먼트 (206) 는, 오퍼레이터로 하여금 오퍼레이터의 의도 또는 테스트 시스템 (100) 요구사항에 따라 구성 데이터를 변경하도록 할 수도 있다. 구성 데이터를 선택하였을 때, 구성 데이터는 관련 기준과 연관되고 디폴트 구성 데이터로서의 장래의 이용을 위하여 저장될 수도 있다. 예를 들어, 오퍼레이터가 특별한 종류의 컴포넌트 (106) 에 대하여 특정한 섹션 그룹을 선택하는 경우, 컴퓨터 (108) 는 오퍼레이터에 의한 다른 명령이 있지 않는 한 모든 이러한 컴포넌트 (106) 에 대하여 자동으로 동일한 섹션 그룹을 이용할 수도 있다.
보완 데이터 분석 엘리먼트 (206) 는 또한 테스터 데이터 파일 및 추가 데이터의 구성 및 저장을 제공한다. 보완 데이터 분석 엘리먼트 (206) 는 저장할 데이터에 대하여 메모리 (112) 의 일부분과 같은 메모리를 적절하게 할당한다 (단계 426). 이 할당은, 테스터 데이터 파일로부터의 출력 테스트 데이터, 보완 데이터 분석 엘리먼트 (206) 에 의해 생성되는 통계적 데이터, 제어 파라미터 등을 포함하여, 보완 데이터 분석 엘리먼트 (206) 에 의해 저장되어질 데이터 모두에 대하여 적절하게 메모리를 제공한다. 할당되는 메모리량은 예를 들어 컴포넌트 (106) 에 대해 수행되는 테스트 횟수, 섹션 그룹 어레이의 개수, 제어 한계, 보완 데이터 분석 엘리먼트 (206) 에 의해 수행되는 통계적 계산 등에 따라 계산될 수도 있다.
보완 분석을 수행하기 위한 구성 데이터 전부가 출력 테스트 데이터의 수신을 대기 및 개시할 때, 보완 데이터 분석 엘리먼트 (206) 는 관련 테스트 데이터를 메모리에 로드하고 (단계 428), 출력 테스트 데이터에 대하여 보완 분석을 수행한다. 보완 데이터 분석 엘리먼트 (206) 는, 컴포넌트 (106), 테스트 시스템 (100) 의 구성, 오퍼레이터의 요구, 또는 다른 관련 기준에 따라, 임의의 수와 타입의 데이터 분석을 수행할 수도 있다. 보완 데이터 분석 엘리먼트 (206) 는, 잠재적 결함을 지닌 컴포넌트 (106) 및 패턴, 트랜드, 또는 제조 문제 또는 결함을 나타낼 수도 있는 출력 테스트 데이터에서의 다른 특징을 식별하는 선택된 특징에 대한 섹션을 분석하도록 구성될 수도 있다.
예를 들어, 이 보완 데이터 분석 엘리먼트 (206) 는 출력 테스트 데이터를 평활화하고, 출력 테스트 데이터에 기초하여 다양한 통계를 계산 및 분석하며, 다양한 기준에 따라 데이터 및/또는 컴포넌트 (106) 를 식별한다. 이 보완 데이터 분석 엘리먼트 (206) 는 또한 출력 테스트 데이터를 분류 및 관련시킴으로써, 정보를 컴포넌트 (106) 및 테스트 시스템 (100) 과 관련되는 오퍼레이터 및/또는 테스트 엔지니어에게 제공할 수도 있다. 예를 들어, 이 보완 데이터 분석 엘리먼트 (206) 는 출력 데이터 상관을 수행하여, 예를 들어, 잠재적으로 관련되거나 중복된 테스트, 및 아웃라이어 빈도 분석을 식별하여, 빈번한 아웃라이어를 갖는 테스트를 식별할 수도 있다.
보완 데이터 분석 엘리먼트 (206) 는 평활화 시스템을 포함하여, 테스터 데이터를 초기에 프로세스하여, 데이터를 평활화하고, 아웃라이어의 식별을 보조한다 (단계 429). 또한, 평활화 시스템은 또한 데이터, 트랜드 등에서의 현저한 변화를 식별하여, 출력 엘리먼트 (208) 에 의해 오퍼레이터에게 제공될 수도 있다. 평활화 시스템은, 예를 들어 컴퓨터 시스템 (108) 상에서 동작하는 프로그램과 같이 적절하게 구현된다. 평활화 시스템은 다양한 기준에 따라 데이터를 평활화하기 위하여 복수의 위상을 적절하게 포함한다. 제 1 위상은 기본적인 평활화 프로세스를 포함할 수도 있다. 보완 위상은 테스트 데이터의 추가 평활화 및/또는 개선된 추적을 조건에 따라 제공한다. 평활화 시스템은 초기값 및 초기 조절값 중 하나 이상이 임계치와 일치한다면, 제 1 평활 기술에 따라 선택된 테스터 데이텀 (datum) 의 초기값을 초기에 조절하고, 제 2 평활 기술에 따라 이 값을 보완적으로 조절함으로써 적절하게 동작한다. 제 1 평활 기술은 데이터를 평활화하기 쉽다. 또한, 제 2 평활 기술은 제 1 평활 기술과 상이한 방법으로 데이터를 평활화하고 및/또는 데이터의 추적을 하기 쉽다. 또한, 임계치는 보완 평활화를 적용할 지의 여부를 결정하기 위하여 임의의 적절한 기준을 포함할 수도 있다. 평활화 시스템은 복수의 사전 조절된 데이터를 복수의 사전 미가공 데이터와 비교하여 비교 결과를 생성하고, 제 2 평활 기술을 선택된 데이텀 (datum) 에 적용하여, 비교 결과가 제 1 임계치와 일치하는지의 여부에 따라 선택된 데이텀의 값을 조절한다. 또한, 평활화 시스템은 선택된 데이텀의 예상값을 적절하게 계산하고, 제 3 평활 기술을 선택된 데이텀의 값에 적용하여, 예상값이 제 2 임계치와 일치하는지의 여부에 따라 선택된 데이텀의 값을 조절한다.
도 8 을 참조하면, 제 1 평활화된 테스트 데이터 포인트를 제 1 미가공 테스트 데이터 포인트와 동일하게 적절히 설정하고 (단계 802), 평활화 시스템은 새로운 미가공 테스트 데이터 포인트로 진행한다 (단계 804). 평활화 동작을 수행하기 전에, 평활화 시스템은 평활화가 데이터 포인트에 적절한지 여부를 초기에 결정하고, 그렇다면, 그 데이터에 대하여 기본적인 평활화 동작을 수행한다. 임의의 기준은, 예를 들어 수신된 데이터 포인트의 개수, 선택된 값으로부터 데이터 포인트 값의 편차, 또는 각각의 데이터 포인트 값과 임계치와의 비교에 따라, 평활화가 적절한지의 여부를 결정하는데 적용될 수도 있다. 본 실시형태에서, 평활화 시스템은 임계치 비교를 수행한다. 임계치 비교는 데이터 평활화가 적절한지의 여부를 결정한다. 그러한 경우, 초기 평활화 프로세스는 데이터의 초기 평활화로 진행하도록 적절하게 구성된다.
보다 상세하게는, 본 실시형태에서, 프로세스는 제 1 평활화된 데이터 포인트 (S0) 로서 지정된 초기 미가공 데이터 포인트 (R0) 으로 시작한다. 추가 데이터 포인트를 수신 및 분석하여, 각각의 미가공 데이터 포인트 (Rn) 과 사전 평활 데이터 포인트 (Sn-1) 사이의 차이를 계산하고, 임계치 (T1) 와 비교한다 (단계 806). 미가공 데이터 포인트 (Rn) 와 사전 평활화 데이터 포인트 (Sn-1) 사이의 차이가 임계치 (T1) 을 초과하는 경우, 초과된 임계치는 평활화된 데이터로부터의 현저한 이탈에 대응하고 데이터에서 시프트를 나타낸 것으로 추정된다. 따라서, 크로스 (cross) 하는 임계치의 발생에 주의해야 하며, 현재 평활화 데이터 포인트 (Sn) 가 미가공 데이터 포인트 (Rn) 와 동일하게 설정된다 (단계 808). 어떤 평활화도 수행되지 않으며, 프로세스는 다음 미가공 데이터 포인트로 진행한다.
미가공 데이터 포인트와 사전 평활화 데이터 포인트 사이의 차이가 임계치 (T1) 을 초과하지 않는 경우, 프로세스는 초기 평탄화 프로세스와 연계하여 현재 평활화 데이터 포인트 (Sn) 를 계산한다 (단계 810). 초기 평활화 프로세스는 데이터 기본 평활화를 제공한다. 예를 들어, 본 실시형태에서, 기본 평활화 프로세스는 다음의 식에 따른 통상의 지수 평활화 프로세스를 포함한다.
Sn=(Rn-Sn -1)*M1+Sn -1
여기서, M1 은 0.2 또는 0.3 과 같은 선택된 평활화 계수이다.
초기 평활화 프로세스는 비교적 낮은 계수 M1 를 적절하게 이용하여, 데이터에 대한 현저한 양의 평활화를 제공한다. 초기 평활화 프로세스 및 계수는 임의의 기준에 따라 선택되고, 임의의 방법으로 구성되지만, 평활화 시스템의 애플리케이션, 프로세스된 데이터, 평활화 시스템의 요구사항 및 용량, 및/또는 다른 기준에 따라, 구성될 수도 있다. 예를 들어, 초기 평활화 프로세스는 랜덤, 랜덤 워크, 이동 평균, 단순 지수, 선형 지수, 주기적인 지수, 지수 가중된 이동 평균, 또는 임의의 다른 적절한 타입의 평활화를 이용하여 데이터를 초기에 평활화할 수도 있다.
데이터는 평활화를 위해 분석되거나 및/또는 추가적으로 투입될 수도 있다. 보완 평활화는 데이터에 대해 수행되어, 데이터의 평활화를 개선 및/또는 미가공 데이터로의 평활화된 데이터의 추적을 개선할 수도 있다. 보완 평활화의 복수의 위상 또한 고려될 수 있으며, 적절하다면 적용될 수도 있다. 다양한 위상은 독립, 상호의존, 또는 상보적이 될 수도 있다. 또한, 이 데이터는 보완 평활화가 적절한지의 여부를 결정하기 위해 분석될 수도 있다.
본 실시형태에서, 데이터는 분석되어 하나 이상의 추가적인 위상의 평활화를 수행하는지의 여부를 결정한다. 이 데이터는 임의의 적절한 기준에 따라 분석되어, 보완 평활화가 적용될지의 여부를 결정한다 (단계 812). 예를 들어, 평활화 시스템은, 사전 조절된 데이터의 전부가 실질적으로 대응하는 미가공 데이터 전부와 실질적인 공통 관계 (적게, 크게 또는 동일하게) 를 공유하는지의 여부에 따라, 데이터를 선행하고 비교 결과를 생성하기 위한 복수의 조절된 데이터 포인트 및 미가공 데이터 포인트를 비교하여, 데이터에서의 트랜드를 식별한다.
본 실시형태의 평활화 시스템은 미가공 데이터 포인트의 선택된 개수 (P2) 와 평활화된 데이터 포인트의 동일한 개수를 비교한다. P2 미가공 데이터 포인트의 모든 값이 대응하는 평활화 데이터 포인트를 초과하는 경우 (또는 동일한 경우), 또는, 모든 미가공 데이터 포인트가 대응하는 평활화 데이터 포인트 미만인 경우 (또는 동일한 경우), 이 때에는 평활화 시스템이 데이터가 트랜드를 나타낼지를 결정하여 보다 근접하게 추적되어야만 한다. 따라서, 발생을 지적할 수 있고, 데이터에 적용된 평활화가 보완 평활화를 적용함으로써 변화될 수도 있다. 그 반면, 이러한 기준을 만족시키지 않는 경우, 이 때 현재 평활화 데이터 포인트는 원래 계산된 상태로 남아있고, 관련 보완 데이터 평활화가 적용되지 않는다.
본 실시형태에서, 평활화 데이터를 미가공 데이터와 비교하기 위한 기준은 평활화된 데이터가 래깅 (lagging) 될 수도 있는 데이터 뒤에서의 트랜드를 식별하도록 선택된다. 따라서, 포인트 (P2) 의 개수는 미가공 데이터의 트랜드를 변화시키기 위하여 시스템의 원하는 감도에 따라 선택될 수도 있다.
보완 평활화는 데이터 분석에 따라 전체적인 평활화의 영향을 변화시킨다. 임의의 적절한 보완 평활화는 데이터에 적용되어, 보다 효과적으로 데이터를 평활화하거나 데이터에서의 트랜드를 추적할 수도 있다. 예를 들어, 본 실시형태에서, 데이터 분석이 보다 근접하게 추적되어야 하는 데이터에서의 트랜드를 나타낸다면, 이 때에는 보완 평활화가 적용되어, 평활화된 데이터가 보다 근접하게 미가공 데이터를 추적하도록 초기에 적용되는 평활화 정도를 감소시키기 위해 적용될 수도 있다 (단계 814).
본 실시형태에서, 평활화 정도는 감소된 평활화 정도를 이용하여 현재 평활화 데이터 포인트에 대한 값을 재계산하여 감소된다. 임의의 적절한 평활화 시스템을 이용하여 보다 효과적으로 데이터를 추적하거나, 또는 데이터 분석 결과에 응답할 수도 있다. 본 실시형태에서, 또 다른 통상의 지수 평활화 프로세스는 보다 높은 계수 (M2) 를 이용하여 데이터에 적용된다.
Sn=(Rn-Sn -1)*M2+Sn -1
계수 M1 및 M2 는 미가공 데이터에서의 트랜드의 부재 (M1) 및 존재 (M2) 모두에서 원하는 시스템 감도에 따라 선택될 수도 있다. 다양한 애플리케이션에서, 예를 들어, M1 값은 M2 값보다 클 수도 있다.
또한 보완 데이터 평활화는 추가의 위상을 포함할 수도 있다. 데이터 평활화의 추가 위상은 몇몇의 방식으로 데이터를 유사하게 분석하여, 추가 데이터 평활화가 적용되어야만 하는지의 여부를 결정한다. 데이터 분석에 따라 임의의 개수의 위상 및 데이터 평활화의 타입을 적용하거나 고려할 수도 있다.
예를 들어, 본 실시형태에서는, 평활화 데이터의 트랜드 또는 슬로프에 기초하여, 예상 프로세스를 이용하여, 데이터가 분석되고 잡음 제어에 대해 잠재적으로 평활화할 수도 있다. 평활화 시스템은 라인 복귀 (regression), N-포인트 위주 (centered) 등과 같이, 임의의 적절한 프로세스에 따라 현재 데이터 포인트를 선행한 평활화 데이터 포인트의 선택된 개수 (P3) 에 기초하여 슬로프를 계산한다 (단계 816). 본 실시형태에서, 데이터 평활화 시스템은 "선을 통해 맞춰진 적어도 사각형의" 프로세스를 이용하여, 사전 P3 평활화 데이터 포인트의 슬로프를 만든다.
평활화 시스템은 계산된 슬로프에 따라 현재 평활화 데이터 포인트의 값을 예측한다. 이 때, 시스템은 현재 평활화 데이터 포인트 (Sn) 에 대하여 이전에 계산된 값과 현재 평활화 데이터 포인트에 대한 예상값 사이의 차이와 범위 수 (R3) 를 비교한다 (단계 818). 이 차이가 범위 (R3) 보다 큰 경우, 이 때에는, 발생을 지적하고, 현재 평활화 데이터 포인트를 조절하지 않는다. 이 차이가 범위 (R3) 이내인 경우, 이 때에는 현재 평활화 데이터 포인트는, 계산된 현재 평활화 데이터 포인트 (Sn) 와, 제 3 승산기 (M3) 에 의해 승산되고 현재 평활화 데이터 포인트의 원래의 값에 가산된 현재 평활화 데이터 포인트 (Sn-pred) 에 대한 예상된 값 사이의 차이와 동일하게 설정된다 (단계 820). 이 식은 다음과 같다.
Sn=(Sn - pred-Sn)*M3+Sn
즉, 현재 평활화 데이터 포인트는 원래의 평활화 데이터 포인트와 예상된 평활화 데이터 포인트 사이의 변경된 차이에 따라 설정되지만, 특정 양으로 감소된다 (M3 이 1 보다 작은 경우). 예상 평활화를 적용하는 것은, 신호의 비교적 평평한 부분 (또는 논-트랜딩하는 부분) 에서의 포인트-투-포인트 잡음 감도를 감소시킨다. 예상 평활화 프로세스의 평활화 데이터 포인트로의 제한된 애플리케이션은, 현저한 차이가 미가공 데이터에서 발생할 때, 즉, 미가공 데이터 신호가 비교적 평평하지 않을 때, 슬로프에 기초한 계산된 평균이 평활화 데이터에 영향을 미치지 않는다는 것을 보장한다.
데이터의 평활화 이후, 보완 데이터 분석 엘리먼트 (206) 는 테스터 데이터의 추가적인 분석을 진행할 수도 있다. 예를 들어, 보완 데이터 분석 엘리먼트 (206) 는 SPC 계산을 수행하고 출력 테스트 데이터에 대해 분석할 수도 있다. 보다 상세하게는, 도 4a 내지 도 4c 를 참조하면, 보완 데이터 분석 엘리먼트 (206) 는 특정 컴포넌트, 테스트 및/또는 섹션에 대한 소정의 통계치를 계산하여 저장할 수도 있다 (단계 430). 통계는 평균, 표준 편차, 최소, 최대, 합, 셈, Cp, Cpk, 또는 임의의 적절한 통계를 포함할 수도 있는 SPC 피겨와 같은 오퍼레이터 또는 테스트 시스템 (100) 에 유용한 임의의 통계를 포함할 수도 있다.
보완 데이터 분석 엘리먼트 (206) 는 또한 서명 분석을 적절하게 수행하여, 데이터에서의 트랜드 및 변형을, 예를 들어, 히스토리컬 데이터와 같은 다른 데이터 및/또는 섹션에 대한 테스트 결과의 조합에 기초하여, 섹션에 따라, 다이나믹하게 자동으로 식별한다 (단계 442). 서명 분석은 예를 들면 테스트 데이터 또는 결점 식별과 같은 임의의 적절한 데이터에 기초하여, 서명을 식별하고, 오퍼레이터에 의해 적절히 구성된 가중 시스템을 적용한다. 서명 분석은 웨이퍼 또는 제조 프로세스의 다른 특징 또는 문제 영역에 대응할 수 있는 트랜드 및 변형을 누적 식별할 수도 있다. 서명 분석은 잡음 피크, 파형 왜곡, 모드 시프트, 및 잡음과 같은 임의의 원하는 서명에 대하여 수행될 수도 있다. 본 실시형태에서, 컴퓨터 (108) 는 각각의 원하는 섹션에서의 각각의 원하는 테스트에 대한 출력 테스트 데이터 상에서 서명 분석을 적절히 수행한다.
본 실시형태에서, 서명 분석 프로세스는 평활화 프로세스와 관련하여 수행될 수도 있다. 평활화 프로세스가 테스터 데이터를 분석함에 따라, 데이터에서 트랜드 또는 이형 (anomaly) 을 나타내는 분석의 결과는 데이터에서 변경, 또는 오퍼레이터 및/또는 테스트 엔지니어에 대한 중요도일 수도 있는 아웃라이어의 지시로서 데이터 내에 저장될 수도 있다. 예를 들어, 평활화 프로세스에서 데이터세트의 비교에 의해 트랜드가 나타난다면, 트랜드의 발생을 지적하고 저장할 수도 있다. 유사하게, 데이터 포인트가 데이터 평활화 프로세스에서 임계치 (T1) 을 초과하는 경우, 발생을 지적하고, 출력 리포트에 후속 분석 및/또는 인클루전 (inclusion) 에 대해 저장할 것이다.
예를 들어, 도 6a 내지 도 6b 를 참조하면, 서명 분석 프로세스 (600) 는 테스트 데이터의 특정 세트에 대한 카운트를 초기 계산하고 (단계 602), 특정 섹션 및 테스트에 대응하는 한계를 제어한다. 다음으로, 서명 분석 프로세스는 적절한 서명 분석 알고리즘을 데이터 포인트에 적용한다 (단계 604). 서명 분석은 각각의 원하는 서명 알고리즘에 대하여 수행되고, 다음으로, 분석할 각각의 테스트 및 각각의 섹션으로 수행된다. 서명 분석, 트랜드 결과, 및 서명 결과에 의해 식별되는 에러 또한 저장된다 (단계 606). 이 프로세스는 각각의 서명 알고리즘 (단계 608), 테스트 (단계 610), 및 섹션 (단계 612) 에 대하여 반복된다. 완료 후, 보완 데이터 분석 엘리먼트 (206) 는 에러 (단계 614), 트랜드 결과 (단계 616), 서명 결과 (단계 618), 및 저장 시스템에서의 임의의 다른 원하는 데이터를 기록한다.
보완 분석에 의해 식별된 다른 데이터 및 아웃라이어의 중요성과 같은 각각의 관련 데이터 포인트의 식별 시, 각각의 관련 데이터 포인트는 관련 특징을 식별하는 값과 연관될 수도 있다 (단계 444). 예를 들어, 각각의 관련 컴포넌트 또는 데이터 포인트는, 데이터 포인트에 관한 보완 분석의 결과에 대응하여, 16진법 피겨로서 적절히 표현되는 일련의 값과 연관될 수 있다. 각각의 값은 특정 특징의 다른 지정자 (designator) 또는 플래그와 같이 동작할 수도 있다. 예를 들어, 특정 데이터 포인트가 특정 테스트를 완전하게 실패하는 경우, 대응하는 16 진법값에서의 제 1 플래그를 설정할 수도 있다. 특정 데이터 포인트가 데이터에서의 트랜드의 개시인 경우, 다른 플래그를 설정할 수도 있다. 16 진법 피겨에서의 다른 값은 데이터에서의 트랜드의 지속기간과 같은 트랜드와 관련되는 정보를 포함할 수도 있다.
보완 데이터 분석 엘리먼트 (206) 는 또한 데이터를 분류하고 상관시키도록 구성될 수도 있다 (단계 446). 예를 들어, 보완 데이터 분석 엘리먼트 (206) 는 이 데이터 포인트와 조합된 16 진법 피겨에서의 정보를 이용하여, 실패, 아웃라이어, 및 데이터의 다른 특성을 식별한다. 보완 데이터 분석 엘리먼트 (206) 는 또한 통상의 상관 기술을 데이터에 적용하여, 예를 들어, 중복 또는 관련 테스트를 잠재적으로 식별한다.
컴퓨터 (108) 는 아웃라이어를 자동으로 식별하고 분류하는 것과 같은, 생성된 통계치 및 출력 테스트 데이터에 대해 추가 분석 기능을 수행할 수도 있다 (단계 432). 선택된 알고리즘에 따라 각각의 관련 데이텀을 분석하는 것은 아웃라이어를 적절하게 식별한다. 특정 알고리즘이 데이터세트에 부적절한 경우, 보완 데이터 분석 엘리먼트 (206) 는 자동으로 분석을 중단하고 다른 알고리즘을 선택할 수도 있다.
보완 데이터 분석 엘리먼트 (206) 는 임의의 적절한 방법, 예를 들면, 선택된 값과 비교하고/비교하거나, 데이터 평활화 프로세스의 데이터 처리에 따라서, 아웃라이어를 지정할 수도 있다. 예를 들어, 본 발명의 다양한 양태에 따른 아웃라이어 식별 엘리먼트는 초기에 각각의 관련 데이텀에 대하여 선택된 통계적 관계에 기초한 아웃라이어로 이 감도를 자동으로 계산한다 (단계 434). 다음으로, 이들 통계적 관계 중 몇몇을, 데이터 모드, 평균, 또는 중앙값 (median) 또는 그 조합과 같은, 다른 참조 포인트 또는 임계치와 비교하여, 관련된 아웃라이어 임계치 한계를 정의한다. 본 실시형태에서, 통계적 관계는, 예를 들어 데이터의 1, 2, 3 및 6 표준 편차만큼 스케일링되어, 상이한 아웃라이어 증폭을 정의한다 (단계 436). 다음으로, 출력 테스트 데이터를 아웃라이어 임계치 한계와 비교하여, 출력 테스트 데이터를 아웃라이어로서 식별 및 분류할 수도 있다 (단계 438).
보완 데이터 분석 엘리먼트 (206) 는 결과 통계 및 메모리 내의 아웃라이어, 임의의 통계 및 아웃라이어와 연관되는 x-y 웨이퍼 맵 좌표와 같은 식별자를 저장한다 (단계 440). 선택된 통계, 아웃라이어 및/또는 실패는 또한 전자 메시지를 오퍼레이터에게 전송하거나, 광 타워를 트리거시키거나, 테스터 (102) 를 정지시키거나 서버를 통지하는 것과 같은 통지 이벤트를 트리거할 수도 있다.
본 실시형태에서, 보완 데이터 분석 엘리먼트 (206) 는 스케일링 엘리먼트 (210) 및 아웃라이어 분류 엘리먼트 (212) 를 포함한다. 스케일링 엘리먼트 (210) 는 출력 테스트 데이터에 따라 선택된 계수 및 다른 값을 다이나믹하게 스케일하도록 구성된다. 아웃라이어 분류 엘리먼트 (212) 는 선택된 알고리즘에 따라 데이터에서 다양한 아웃라이어를 식별 및/또는 분류하도록 구성된다.
보다 상세하게 본 실시형태의 스케일링 엘리먼트는, 잡음 필터링 감도에 대한 평활화 계수 및 아웃라이어 감도를 다이나믹하게 스케일링하기 위해 다양한 통계적 관계를 적절하게 이용한다. 스케일링 계수는 스케일링 엘리먼트에 의해 적절하게 계산되고 이용되어, 선택된 아웃라이어 감도값 및 평활화 계수를 변형하도록 한다. 적절한 통계적 관계와 같은 임의의 적절한 기준이 스케일링을 위하여 이용될 수도 있다. 예를 들어, 아웃라이어 감도 스케일링에 대한 샘플 통계적 관계는 다음과 같이 정의된다.
Figure 112005076935537-pct00001
평활화 계수 스케일링 및 아웃라이어 감도에 대한 다른 샘플 통계적 관계는 다음과 같이 정의된다.
Figure 112005076935537-pct00002
평활화 계수 스케일링 및 아웃라이어 감도에 대한 또 다른 샘플 통계적 관계는 다음과 같이 정의된다.
Figure 112005076935537-pct00003
, 여기서, σ=데이텀 표준 편차
평활화 계수 스케일링에 대한 복수의 알고리즘에 이용되는 샘플 통계적 관계는 다음과 같이 정의된다.
Figure 112005076935537-pct00004
, 여기서, σ=데이텀 표준 편차, 및 μ=데이텀 평균
평활화 계수 스케일링에 대한 복수의 알고리즘에 이용되는 또 다른 샘플 통계적 관계는 다음과 같이 정의된다.
Figure 112005076935537-pct00005
, 여기서, σ=데이텀 표준 편차, 및 μ=데이텀 평균
아웃라이어 분류 엘리먼트 (212) 는 임의의 적절한 알고리즘에 따라 출력 테스트 데이터에서 컴포넌트 (106), 출력 테스트 데이터, 및 아웃라이어 분석 결과를 식별 및/또는 분류하도록 적절하게 구성된다. 아웃라이어 분류 엘리먼트 (212) 는 또한 테스트 출력 테스트 결과 및 보완 분석 엘리먼트 (206) 에 의해 생성된 정보에 따라 선택된 아웃라이어 및 컴포넌트 (106) 를 식별 및 분류할 수도 있다. 예를 들어, 아웃라이어 분류 엘리먼트 (212) 는, 예를 들어 사용자 정의된 기준과 관련하여, 사용자 정의된 양호/불량 공간 패턴 인식; 테스터 데이터 압축에 대한 영구 데이터의 분류; 테스트 셋업 인-시튜 감도 한정 및 분석; 테스터 수율 레벨링 분석; 파트 디스포지션 (disposition) 및 다이나믹 재테스트에 대한 다이나믹 웨이퍼 맵 및/또는 테스트 스트립 맵핑; 또는 테스트 프로그램 활용 분석과 같이, 임계/마지널 (marginal)/양호한 파트 카테고리로 컴포넌트 (106) 를 분류하도록 적절히 구성된다. 아웃라이어 분류 엘리먼트 (212) 는 Western Electric rule 또는 Nelson rules 와 같은 통상의 SPC 제어 룰에 따라 데이터를 분류하여 데이터를 특정화할 수도 있다.
아웃라이어 분류 엘리먼트 (212) 는 선택된 세트의 분류 한계 계산 방법의 선택된 세트를 이용하여 데이터를 적절하게 분류한다. 임의의 적절한 분류 방법을 이용하여, 오퍼레이터의 요구에 따라 데이터를 특성화하도록 사용할 수도 있다. 본 아웃라이어 분류 엘리먼트 (212) 는, 데이터 평균, 모드 및/또는 중앙값과 같은 임계치로부터의 1, 2, 3, 및 6 통계적 스케일링 표준 편차에 대응하는 값과 같은 선택된 임계치와 출력 테스트 데이터를 비교하여, 예를 들어 아웃라이어를 분류한다. 이 방법에서 아웃라이어의 식별은, 데이텀 증폭 및 관련 잡음에 상관없이, 임의의 테스트에 대한 임의의 식별된 아웃라이어를 정규화하도록 한다.
아웃라이어 분류 엘리먼트 (212) 는 사용자 정의된 룰에 기초하여 정규화된 아웃라이어 및/또는 미가공 데이터 포인트를 분석 및 관련시킨다. 식별된 아웃라이어에 기초한 파트 및 패턴 분류의 목적에 대한 샘플 사용자-선택 가능한 방법은 다음과 같다.
누적 증폭, 누적 카운터 방법:
Figure 112006007702332-pct00006
분류 룰:
Figure 112006007702332-pct00007
누적 크기 제곱, 누적 카운트 제곱 방법:
Figure 112006007702332-pct00008
분류 룰:
Figure 112006007702332-pct00009
N-포인트 방법:
다음의 실시예에서 이용되는 실제 개수 및 로직 룰은 시나리오 (테스트 프로그램, 테스트 노드, 테스터, 프로버, 핸들러, 테스트 셋업 등) 마다 최종 사용자에 의해 주문제작될 수 있다. 이 예에서의 σ = 주요 통계 관계에 의해 스케일링된 데이텀 표준 편차에 기초한 데이텀 평균, 노드 및/또는 중앙값에 대한 σ
Figure 112006007702332-pct00010
보완 데이터 분석 엘리먼트 (206) 는 보완 데이터 분석 엘리먼트 (206) 에 의해 생성되는 정보 및 출력 테스트 데이터의 추가 분석을 수행하도록 구성될 수도 있다. 예를 들어, 보완 데이터 분석 엘리먼트 (206) 는, 실패, 아웃라이어, 또는 특정 분류에서의 아웃라이어의 총합 또는 평균 수를 하나 이상의 임계치와 비교하는 것과 같이, 높은 빈도 수를 갖는 실패 또는 아웃라이어를 갖는 테스트를 식별할 수도 있다.
또한, 보완 데이터 분석 엘리먼트 (206) 는, 누적 카운트, 아웃라이어 및/또는 웨이퍼 또는 다른 데이터세트 사이에서의 상관 아웃라이어를 비교함으로써, 유사하거나 유사하지 않은 트랜드를 식별하기 위해 상이한 테스트에서 데이터를 상관하도록 구성할 수도 있다. 또한, 보완 데이터 분석 엘리먼트 (206) 는 상이한 테스트로부터 데이터를 분석 및 상관시켜, 웨이퍼 상에서 잠재적인 임계 및/또는 마지널 및/또는 양호한 파트를 식별 및 분류하도록 할 수도 있다. 보완 데이터 분석 엘리먼트 (206) 는 또한 상이한 테스트로부터 데이터를 분석 및 상관시켜, 다이나믹 테스트 시간 감소를 목적으로 일련의 웨이퍼 상에서 사용자 정의된 양호한 파트 패턴 및/또는 불량한 파트 패턴을 식별하도록 한다.
또한, 보완 데이터 분석 엘리먼트 (206) 는, 테스트 데이터를 메모리에 다이나믹하게 압축하는 목적으로 사용자-정의 관련 미가공 데이터를 식별하기 위해 상이한 테스트에서 데이터를 분석하고 연관시키도록 적절하게 구성된다. 또한, 보완 데이터 분석 엘리먼트 (206) 는 인-시튜 셋업 자격 및 감도 분석으로 테스트 노드용 테스트 데이터 결과 및 통계적 예외를 분석 및 상관시킬 수 있다. 또한, 보완 데이터 분석 엘리먼트 (206) 는, 예를 들어, 특정한 테스트 노드가 부적절하게 캘리브레이션되거나 그렇지 않으면 부적절한 결과를 생성하였는지의 여부를 식별함으로써, 테스트 노드 수율 레벨링 분석에 기여할 수도 있다. 또한, 보완 데이터 분석 엘리먼트 (206) 는 상관된 결과 및 아웃라이어 분석을 이용하는 과잉 테스트의 자동 식별을 포함하는 (이로 한정되는 것은 아님) 테스트 프로그램을 최적화시키고 분석시 이용하기 위한 추가 데이터를 제공하기 위하여, 데이터를 상관시킨다. 보완 데이터 분석 엘리먼트 (206) 는 또한 임계 테스트, 예를 들어, 규칙적인 실패 또는 대부분 실패의 테스트인지를 식별함으로써, 거의 실패하지 않는 테스트 및/또는 매우 낮은 Cpk 를 나타내는 테스트가 되는 테스트를 식별하도록 적절하게 구성된다.
또한, 보완 데이터 분석은, 거의 또는 전혀 실패하지 않는 테스트 또는 아웃라이어가 전혀 검출되지 않은 것과 같은, 테스트 샘플링 후보의 식별을 제공할 수도 있다. 또한 보완 데이터 분석 엘리먼트 (206) 는, 실패 수, 임계 테스트, 최장/최단 테스트, 또는 테스트의 실패와 연관된 기초 기능성 이슈, 다른 통계적 예외 및/또는 식별된 아웃라이어의 분석 및 상관과 결합되는, 통상의 상관 기술과 같은 상관 기술에 기초한 베스트 오더 테스트 (best order test) 시퀀스의 식별을 제공할 수도 있다.
또한, 보완 데이터 분석은, 레시피 구성 파일에 감도 파라미터에 의해 정의되는 임계, 마지널 및 양호한 파트의 식별을 제공할 수도 있다. 파트 식별은, 웨이퍼 프로브 동안 불량 또는 양호 파트의 다이나믹 프로브 맵핑을 통해 테스트 시간 감소 및/또는 신뢰성 리스크를 나타낼 수도 있는 파트를 패키징 및/또는 운송하기 전에, 디스포지션/분류를 제공할 수도 있다. 이러한 파트의 식별은 임의의 적절한 방법, 예를 들어, 오프라인 연결 장비에 이용되는 다이나믹 생성 프로버 제어 맵에 대한 웨이퍼 맵, 최종 테스트에서 스트립 테스팅을 위한 테스트 스트립 맵, 결과 파일, 및/또는 데이터베이스 결과 테이블에 대한 (다이나믹 맵핑을 위한) 양호 파트 및 불량 파트로서, 나타내고 출력할 수도 있다.
셀 제어기 레벨에서의 보완 데이터 분석은 프로브에서의 품질 제어와 최종 테스트 수율을 증가시키기 쉽다. 또한, 품질 이슈는 이후가 아닌 제조 런 타임시 식별될 수도 있다. 또한, 보완 데이터 분석 및 서명 분석은, 테스트 엔지니어 또는 다른 개인과 같이, 아웃라이어를 식별하여, 다운스트림 및 오프라인 분석 툴에 제공된 데이터 품질을 개선시키기 쉽다. 예를 들면, 컴퓨터 (108) 는 제조 프로세스에서 결함을 나타내는 서명 분석을 갖는 컴포넌트 그룹을 식별하는 웨이퍼 맵 상에 정보를 포함할 수도 있다. 즉, 서명 분석 시스템은 통상의 테스트 분석을 이용하여 검출되지 않을 수도 있는 잠재적으로 결함을 갖는 제품을 식별할 수도 있다.
이하, 도 10 을 참조하면, 반도체 디바이스의 어레이가 웨이퍼 상에 위치된다. 이 웨이퍼에서, 반도체 디바이스에서의 레지스터 컴포넌트의 일반적인 저항율은, 예를 들어, 재료의 분균일 성막 또는 웨이퍼의 처리로 인하여, 웨이퍼에 걸쳐 변화한다. 그러나, 임의의 특정 컴포넌트의 저항은 테스트의 제어 한계 이내가 될 수도 있다. 예를 들어, 특정 레지스터 컴포넌트의 타켓 저항은 1000 Ω +/- 10% 일 수 있다. 웨이퍼의 종단 근처에는, 레지스터 저항은 대부분 900 Ω 및 1100 Ω 의 정규 분포 범위에 접근하지만 이를 초과하지는 않는다 (도 11).
웨이퍼 상의 컴포넌트는, 예를 들어, 제조 프로세스에서의 오염물 또는 결점으로 인하여, 결함을 포함할 수도 있다. 결함은 웨이퍼의 저저항율 에지 주변에 위치된 레지스터의 저항을 1080 Ω 으로 증가시킬 수도 있다. 저항은 웨이퍼의 가운데 주변의 디바이스에 대해 예상된 1000 Ω 이상이지만, 여전히 정규 분포 범위 이내에 있다.
도 12a 내지 도 12b 를 참조하면, 각각의 컴포넌트에 대한 미가공 데이터를 플롯할 수도 있다. 테스트 데이터는, 디바이스의 행 또는 열을 가로지르는 프로버 인덱스와 같이 웨이퍼 상의 컴포넌트 중에서 일부분 변하는 저항율로 인하여, 현저한 변화를 나타낸다. 결함의 영향을 받은 디바이스는 테스트 데이터의 육안 시험 또는 테스트 한계와의 비교에 기초하여 쉽게 인식될 수 없다.
테스트 데이터를 본 발명의 다양한 양태에 따라 프로세스할 때, 결함의 영향을 받은 디바이스는 테스트 데이터에서의 아웃라이어와 연계될 수도 있다. 테스트 데이터는 특정 범위의 값으로 크게 한정된다. 그러나, 결함과 연계된 데이터는 주위의 컴포넌트에 대한 데이터와 다르다. 따라서, 데이터는 결함이 없이, 주위의 디바이스와 연계된 값으로부터의 이탈 (departure) 을 도시한다. 아웃라이어 분류 엘리먼트 (212) 는 주위의 데이터로부터의 아웃라이어 데이터의 이탈의 크기에 따라 아웃라이어를 식별 및 분류할 수도 있다.
출력 엘리먼트 (208) 는 런 타임에 적절하게 테스트 시스템 (100) 으로부터 데이터를 수집하고, 출력 리포트를 프린터, 데이터베이스, 오퍼레이터 인터페이스, 또는 다른 원하는 목적지로 제공한다. 그래픽, 수치, 문자, 프린트 또는 전자 형식과 같은 임의의 형식을 이용하여, 후속 분석 또는 이용을 위한 출력 리포트를 제출하기 위해 사용할 수도 있다. 출력 엘리먼트 (208) 는 테스터 (102) 로부터 선택된 출력 테스트 데이터 및 보완 데이터 분석의 결과를 포함하는 임의의 선택된 콘텐츠를 제공할 수도 있다.
삭제
본 실시형태에서, 출력 엘리먼트 (208) 는 다이나믹 데이터로그를 경유하여 제조 런 타임에서 보완 데이터뿐만 아니라 오퍼레이터에 의해 규정된 출력 테스트 데이터로부터 데이터의 선택을 적절하게 제공한다. 도 7 을 참조하면, 출력 엘리먼트 (208) 는 데이터베이스 (114) 로부터 샘플링 범위를 초기에 판독한다 (단계 702). 샘플링 범위는 출력 리포트에 포함되는 소정의 정보를 식별한다. 본 실시형태에서, 샘플링 범위는 검토를 위하여 오퍼레이터에 의해 선택되는 웨이퍼 상의 컴포넌트 (106) 를 식별한다. 소정의 컴포넌트는 다양한 원주 영역, 래디얼 영역, 랜덤 컴포넌트, 또는 개별 스테퍼 필드에 대한 데이터와 같은, 임의의 기준에 따라 선택될 수도 있다. 샘플링 범위는 웨이퍼 상의 소정의 컴포넌트의 위치 또는 배치 (batch) 에서의 이용가능한 컴포넌트의 식별부에 대응하여 x-y 좌표의 세트를 포함한다.
또한, 출력 엘리먼트 (208) 는 다이나믹 데이터로그에 아웃라이어와 관련되는 정보, 또는 보완 데이터 분석 엘리먼트에 의해 생성되거나 식별되는 다른 정보를 포함하도록 구성될 수도 있다 (단계 704). 그와 같이 구성되는 경우, 아웃라이어의 각각에 대하여 x-y 좌표와 같은 식별자를 또한 어셈블링한다. 오퍼레이터 선택된 컴포넌트 및 아웃라이어에 대한 좌표는, 현재의 실시형태에서는 원시 테스터 데이터 출력 포맷의 포맷 내에서 다이나믹 데이터로그에 병합된다 (단계 706). 다이나믹 데이터로그로의 병합 결과 데이터는 원래 데이터의 서머리 통계로의 압축 및 임계 미가공 데이터 값의 보다 작은 원시 테스터 데이터 파일로의 압축을 용이하게 하여, 후속의 고객 분석을 위한 데이터 보전 (integrity) 을 절충 (compromise) 하지 않고 데이터 저장 요구사항을 줄인다. 출력 엘리먼트 (208) 는, 다이나믹 데이터로그의 병합된 x-y 좌표 어레이에서 각 엔트리에 대해 미가공 테스트 데이터와 보완 데이터 분석 엘리먼트 (206) 로부터의 하나 이상의 데이터와 같은 선택된 정보를 검색한다 (단계 708).
다음으로, 검색된 정보는 적절한 출력 리포트에 적절하게 저장된다 (단계 710). 리포트는 임의의 적절한 포맷 또는 방식으로 준비될 수도 있다. 본 실시형태에서, 출력 리포트는 웨이퍼 상의 선택된 컴포넌트와 이들의 분류를 나타내는 웨이퍼 맵을 갖는 다이나믹 데이터로그를 적절하게 포함한다. 또한, 출력 엘리먼트 (208) 는 사전선택된 컴포넌트의 웨이퍼 맵 상의 아웃라이어에 대응하여 웨이퍼 맵 데이터를 첨가 (superimpose) 할 수도 있다. 또한, 출력 엘리먼트는 샘플링된 출력과 같은 배치 또는 웨이퍼맵으로부터의 아웃라이어만을 포함할 수도 있다. 출력 리포트는 또한 데이터의 일련의 그래픽 표현을 포함하여, 데이터에서의 상관 및 아웃라이어의 출현을 강조할 수도 있다. 출력 리포트는 조언 (recommendation) 과 조언에 대한 지지 (support) 데이터를 더 포함할 수도 있다. 예를 들어, 2 회의 테스트가 실패 및/또는 아웃라이어의 동일한 세트를 생성하는 것으로 나타낸다면, 출력 리포트는 테스트가 중복되고 테스트 중 하나가 테스트 프로그램으로부터 누락되었음을 조언한다는 제안을 포함할 수도 있다. 조언은 테스트의 동일한 결과를 나타내는 데이터의 그래픽 표현을 포함할 수도 있다.
출력 리포트는 임의의 적절한 방식으로, 예를 들어, 로컬 워크스테이션으로의 출력, 서버로의 전송, 알람의 활성화, 또는 임의의 다른 적절한 방식으로 제공될 수도 있다 (단계 712). 일 실시형태에서, 출력 리포트는 출력이 시스템의 동작에 영향을 미치거나 및 메인 서버로 전송하지 않도록 오프라인을 제공할 수도 있다. 이 구성에서, 컴퓨터 (108) 는 데이터 파일을 복사하고, 분석을 수행하며, 예를 들어 시범 또는 증명 목적용 결과를 생성한다.
각각의 웨이퍼 상의 데이터의 보완 분석과 함께, 본 발명의 다양한 양태에 따른 테스트 시스템 (100) 은 또한 데이터의 합성 분석을 수행하며 추가 데이터를 생성하여, 복수의 웨이퍼 및/또는 로트를 이용하는 것과 같이, 복수의 데이터세트 상에서 트랜드 및 패턴을 식별한다. 합성 분석을 적절하게 수행하여, 복수의 데이터세트 중에서 패턴 또는 불규칙성과 같은 선택된 특징을 식별하도록 한다. 예를 들어, 복수의 데이터세트는 2 이상의 데이터 상에서의 불규칙, 패턴, 또는 트랜드를 나타낼 수도 있는 공통 특징에 대하여 분석될 수도 있다.
합성 분석은 데이터세트 중에서 공통 특징에 대한 테스트 데이터를 분석하기 위하여 임의의 적절한 분석을 포함하고, 임의의 적절한 방식으로 실현될 수도 있다. 예를 들어, 본 테스트 시스템 (100) 에서, 합성 분석 엘리먼트 (214) 는 복수의 웨이퍼 및/또는 로트로부터 파생된 데이터의 합성 분석을 수행한다. 각각의 웨이퍼, 로트 또는 다른 그룹에 대한 테스트 데이터는 데이터세트를 형성한다. 합성 분석 엘리먼트 (214) 는 컴퓨터 (108) 상에서 동작하는 소프트웨어 모듈로서 적절하게 구현된다. 그러나, 합성 분석 엘리먼트 (214) 는, 하드웨어 솔루션 또는 결합된 하드웨어 및 소프트웨어 솔루션에서와 같은 임의의 적절한 구성으로 구현될 수도 있다. 또한, 합성 분석 엘리먼트 (214) 는, 독립적인 워크스테이션 또는 제 3 자 분리 컴퓨터 시스템과 같은, 테스트 시스템 컴퓨터 (108) 또는 원격 컴퓨터 상에서 수행될 수도 있다. 하나 이상의 복잡한 데이터세트를 생성하거나, 히스토리컬 데이터를 포함하는 합성 분석 이전에 생성되는 데이터를 수집하여, 합성 분석을 런 타임에 수행할 수도 있다.
합성 분석은 2 이상의 데이터세트로부터 임의의 데이터를 이용할 수도 있다. 합성 분석은, 예를 들어, 분류 엔진을 통해 복수의 구성을 실행하여, 각 데이터세트에 대해 필터링되거나 평활화된 데이터와 미가공 데이터를 포함하는 여러 세트의 입력 데이터를 수용할 수 있다. 수신되면, 입력 데이터는 수학적 표현, 공식, 또는 다른 기준에 따라 정의될 수 있는 일련의 사용자 정의된 룰을 이용하여 적절하게 필터링될 수 있다. 다음으로, 데이터를 분석하여 데이터에서의 불규칙성 또는 패턴을 식별한다. 또한, 합성 데이터는 미가공 데이터 또는 분석된 데이터와 같은 다른 데이터로 병합되어, 개선된 전체 데이터세트를 생성할 수도 있다. 다음으로, 합성 분석 엘리먼트 (214) 는 테스트 프로세스를 개선하기 위하여 이용될 수도 있는 적절한 출력 리포트를 제공할 수도 있다. 예를 들어, 출력 리포트는 제조 및/또는 테스트 프로세스에서의 이슈와 관련되는 정보를 제공할 수도 있다.
본 시스템에서, 합성 분석 엘리먼트 (214) 는 사용자 표현 또는 다른 적절한 프로세스와 연계하여 웨이퍼 데이터세트와, 현저한 패턴 또는 트랜드를 나타내는 합성 맵을 만들고 및 설립하기 위한 공간을 분석한다. 합성 분석은, 웨이퍼의 세트 상에 복수의 사용자 구성을 실행하여, 임의의 하나의 세트의 웨이퍼에 대하여, 여러 개의 상이한 데이터세트 및/또는 합성 맵을 수용할 수 있다.
도 13을 참조하면, 반도체 테스트 환경에서 동작하는 본 실시형태에서, 합성 분석 엘리먼트 (214) 는 복수의 데이터세트로부터 데이터, 예를 들면 복수의 웨이퍼 또는 로트로부터 데이터를 수신한다 (1310). 데이터는 미가공 데이터, 필터링된 데이터, 평활화 데이터, 이전 테스트 런으로부터의 히스토리컬 데이터, 또는 런 타임에서 테스터로부터 수신된 데이터와 같은 분석용 적절한 임의의 데이터를 포함할 수도 있다. 본 실시형태에서, 합성 분석 엘리먼트 (214) 는 런 타임에서 미가공 데이터와 필터링된 데이터를 수신한다. 필터링된 데이터는 평활화 데이터 및/또는 서명 분석 데이터와 같은 분석용으로 적절한 임의의 데이터를 포함할 수도 있다. 본 실시형태에서, 합성 분석 엘리먼트 (214) 는 평활화 데이터, 식별 실패, 식별 아웃라이어, 서명 분석 데이터, 및/또는 다른 데이터와 같은, 보완 데이터 분석 엘리먼트 (206) 에 의해 생성된 보완 데이터와 미가공 데이터세트를 수신한다.
미가공 데이터와 보완 데이터를 수신한 후에, 합성 분석 엘리먼트 (214) 는 분석용으로 합성 데이터를 생성한다 (1312). 합성 데이터는 하나 이상의 데이터세트로부터 정보를 대표하는 데이터를 포함한다. 예를 들면, 합성 데이터는 상이한 웨이퍼 상에서 또는 상이한 로트 내에서 동일하거나 유사한 위치로 컴포넌트에 대한 데이터와 같은, 상이한 데이터세트 내의 해당 테스트 데이터에 대해 발생하는 특정 테스트에 대한 실패 및/또는 아웃라이어의 수에 대한 요약 정보를 포함할 수도 있다. 그러나, 합성 데이터가, 아웃라이어 또는 실패의 집중을 갖는 영역에 대한 데이터, 아웃라이어 또는 실패의 특정 수를 생성하는 웨이퍼의 위치, 또는 두 개 이상의 데이터세트에서 나온 다른 데이터와 같은, 적절한 임의의 데이터를 포함할 수도 있다.
합성 데이터가 데이터세트 중에서 패턴과 불규칙성을 식별하기 위해 다양한 데이터세트로부터 데이터를 비교하여 적절하게 생성된다. 예를 들면, 합성 데이터가 임의의 적당한 알고리즘 또는 프로세스에 따라서 합성 데이터를 제공하고 분석하기 위해 구성된 분석 엔진에 의해 생성될 수도 있다. 본 실시형태에서, 합성 분석 엘리먼트 (214) 는 데이터세트에 기초한 하나 이상의 합성 마스크를 생성하기 위해 구성된 근접 엔진을 포함한다. 또한, 합성 분석 엘리먼트 (214) 는 예를 들면, 합성 마스크 데이터에서 정보를 리파인 (refine) 또는 강조하기 위해 합성 마스크 데이터를 프로세스할 수도 있다.
본 실시형태에서, 근접 엔진은 파일, 메모리 구조, 데이터 베이스 또는 다른 데이터 저장기 중 하나를 통해 다수의 데이터 베이스를 수신하고 그런 데이터세트 상에 공간 분석을 제공하고 (1320), 합성 마스크의 형태로 결과를 출력한다. 근접 엔진은 임의의 적절한 방법을 사용하여 임의의 적절한 프로세스 또는 기법에 따라, 전체적인 데이터세트에 대한 합성 이미지와 같은 합성 마스크 데이터를 생성할 수도 있다. 특히, 근접 엔진은 원래의 데이터를 가진 합성 데이터를 적절하게 병합하고 (1322), 사용자 또는 다른 시스템에 의해 사용하기 위한 출력 리포트를 생성한다 (1324). 또한, 데이터세트에서 특징을 제기 (recur) 하기 위해 데이터를 분석하거나 선택된 기준을 만족하지 않는 데이터를 제거하여, 근접 엔진은 예를 들면, 공간 분석에 의해 분석용 합성 마스크 데이터를 리파인하거나 개선시키기 위해 구성될 수도 있다.
본 실시형태에서, 근접 엔진은 합성 마스크 생성을 제공하고 (1312), 또한 배타 존을 결정하기 위해 구성될 수도 있고 (1314), 근접 가중치를 제공하고 (1316), 그리고 클러스터를 검출하고 필터링한다 (1318). 또한, 근접 엔진은 사용자-정의 룰, 기준, 임계치 및 순서를 사용하여 근접 적응 또는 다른 동작을 제공할 수도 있다. 분석의 결과는 주어진 데이터세트를 통해 찾아진 공간 트랜드 및/또는 패턴을 나타내는 입력된 데이터세트의 합성 마스크이다. 근접 엔진은 메모리 구조, 데이터베이스, 다른 어플레케이션을 포함하는 임의의 적절한 출력 방법 또는 매체를 사용할 수 있고, 합성 마스크를 출력하기 위한 텍스트 파일 또는 XML 파일과 같은 파일 기반 데이터를 저장한다.
근접 엔진은 누적 제곱 방법, N-포인트 공식, 웨이턴 전기 룰, 또는 다른 사용자 정의 기준 또는 룰을 포함하는 합성 마스크 데이터를 생성하기 위한 임의의 적절한 기법을 사용할 수도 있다. 본 실시형태에서, 합성 마스크 데이터는 복수의 데이터세트의 전체적인 인컴패싱 (encompassing) 또는 "스택" 관점으로서 고려될 수도 있다. 본 근접 엔진은 해당 데이터의 특정 세트에 대한 데이터에서 잠재적인 관계 또는 일반 특징을 식별하기 위한 다수의 데이터세트로부터 해당 데이터에 대한 데이터를 수집하고 분석한다. 분석된 데이터는 미가공 데이터, 평활화 데이터, 서명 분석 데이터, 및/또는 다른 적절한 데이터를 포함하는 적절한 임의의 데이터일 수도 있다.
본 실시형태에서, 근접 엔진은 다수의 웨이퍼 상에 해당 위치에 대한 데이터를 분석한다. 도 14 를 참조하면, 각 웨이퍼는 x, y 좌표 시스템과 같은 적절한 식별 시스템을 사용하여 지정될 수도 있는 해당 위치에서 디바이스를 갖는다. 따라서, 근접 엔진은 데이터의 합성 세트 내에서 패턴을 식별하기 위해, 도 14 에서 도시된 바와 같이, 위치 (10, 12) 와 같은 해당 위치, 또는 데이터 포인트에서 디바이스에 대한 데이터를 비교한다.
본 실시형태의 근접 엔진은 합성 마스크 데이터, 누적 제곱 방법 및 공식-기반 방법을 생성하기 위한 상이한 두 개의 기법 중 하나 이상을 사용한다. 근접 엔진은 선택되거나 계산된 임계치와 데이터를 비교하여 관심 있는 데이터를 적절하게 식별한다. 일 실시형태에서, 근접 엔진은 데이터가 데이터세트를 통해 잠재적인 패턴을 지시하는 지의 여부를 결정하기 위해서 다양한 웨이퍼 및/또는 로트 상에서 해당 위치의 데이터 포인트를 임계치와 비교한다. 근접 엔진은 미리 정의된 값, 현재 데이터에 기초하여 계산된 값, 또는 히스토리컬 데이터로부터 계산된 값과 같은 임의의 적절한 방식으로 선택될 수도 있는 각각의, 하나 이상의 임계치와 각 데이텀을 비교한다.
예를 들면, 본 검색 엔진의 제 1 실시형태는 임계치와 데이터를 비교하기 위해서 누적 제곱 방법을 구현한다. 특히, 도 15 를 참조하여, 근접 엔진은 특정 로트에서 특정 웨이퍼 상의 특정 디바이스에 대한 특정 테스트에 대한 결과와 같은 제 1 데이터세트 (1510) 내에서 제 1 데이터 포인트 (1512) 를 적절하게 선택하고 카운트 임계치와 데이터 포인트 값을 비교한다 (1514). 임계치는 임의의 적절한 값과, 임의의 임계치 유형, 예를 들면, 범위, 하한, 상한 등을 포함할 수도 있고, 임의의 적당한 기준에 따라 선택될 수도 있다. 데이터 포인트 값이 임계치를 초과한다면, 즉, 임계치보다 더 낮거나, 임계치보다 더 높거나, 임계치 한계 내에 있거나 혹은 특정 품질을 갖는 관계일 수도 있는, 완벽한 카운터는 데이터 포인트에 해당하는 요약 값을 생성하기 위해 증가된다 (1516).
또한, 데이터 포인트 값은 누적 값 임계치와 비교된다 (1518). 데이터 포인트 값이 누적 값 인계치를 초과하는 경우, 데이터 포인트 값이 데이터 포인트에 대한 다른 요약 값을 생성하기 위해 데이터 포인트에 대한 누적 값으로 가산된다 (1520). 근접 엔진은 로트 내의 웨이퍼 마다 또는 선택된 다른 그룹의 웨이퍼와 같은, 모든 관련 데이터세트 (1524) 내에서 모든 해당 데이터세트 포인트 (1522) 에 대한 프로세스를 반복한다. 또한, 원하는 임의의 다른 데이터 또는 비교가 데이터 포인트 및 데이터세트에 대해 제공될 수도 있다.
모집단에서 모든 관련 데이터 포인트가 처리될 때, 근접 엔진은 데이터 초과 특정 임계치와 같이, 선택된 데이터에 기초한 값을 계산할 수도 있다. 예를 들면, 근접 엔진은 관련 데이터 포인트에 대한 누적 값에 기초한 해당 데이터의 각 세트에 대한 전체적인 누적 임계치를 계산할 수도 있다 (1526). 전체적인 누적 임계치가 원하는 또는 관련 특징을 식별, 예를 들면 임계치에 대한 관계를 갖는 해당 데이터 포인트의 세트를 식별하는 임의의 적절한 방식으로 계산될 수도 있다. 예를 들면, 전체적인 누적 임계치 (한계) 가 다음 식에 따라 정의될 수도 있다.
Figure 112006007702332-pct00055
여기에서, 평균은 합성 모집단 데이터에서 데이터의 평균값이고, 스케일 팩터는 누적 제곱 방법의 민감도를 적응시키기 위해 선택된 값 또는 변수이고, 표준 편차는 합성 모집단 데이터에서 데이터 포인트 값의 표준 편차이고, (Max-Min) 은 완전 모집단 데이터에서 최상위 데이터 포인트 값과 최하위 데이터 포인트 값 사이의 차이이다. 일반적으로 전체적인 누적 임계치가 특정 데이터세트 내에서 관심있는 데이터 포인트를 식별하기 위한 비교 값을 설립하기 위해 정의된다.
전체적인 누적 임계치를 계산하면, 근접 엔진은 예를 들면, 임계치와 카운터 및 누적 값을 비교하여, 합성 데이터 내에서 인클루젼용 각 데이터 포인트를 지정할 지의 여부를 결정한다. 본 실시형태의 근접 엔진은 제 1 데이터 포인트를 적절하게 선택하고 (1528), 데이터 포인트에 대한 전체적인 누적 값을 제곱하고 (1530), 다이나믹하게 생성된 전체적인 누적 임계치와 데이터 포인트에 대한 제곱된 누적 값을 비교한다 (1532). 제곱된 누적 값이 전체적인 누적 임계치를 초과하는 경우, 데이터 포인트는 합성 데이터에 인클루젼하기 위해 지정된다 (1534).
또한, 데이터 포인트에 대한 절대 카운터 값은 예를 들면, 모집단에서 다수의 웨이퍼 또는 다른 데이터세트의 비율 (percentage) 에 기초한, 계산된 임계치 또는 미리 선택된 임계치와 같은, 전체적인 카운트 임계치와 비교될 수도 있다 (1536). 절대 카운터 값이 전체적인 카운트 임계치를 초과하는 경우, 데이터 포인트는 합성 데이터 내에 인클루젼하기 위해 다시 지정될 수도 있다 (1538). 프로세스는 각 데이터 포인트에 대해 적절하게 제공된다 (1540).
또한, 근접 엔진은 다른 추가적이거나 변경가능한 기법을 사용하여 합성 마스크 데이터를 생성할 수도 있다. 또한, 본 근접 엔진은 합성 마스크 데이터를 생성하기 위한 공식-기반 시스템을 이용할 수도 있다. 본 발명의 다양한 양상에 따른 공식-기반 시스템은 합성 웨이퍼 마스크를 정의하기 위해 변경과 공식, 또는 표현을 사용한다.
예를 들면, 예시적인 공식-기반 시스템에서, 하나 이상의 변수는 임의의 적절한 기준에 따른 사용자-정의일 수도 있다. 변수는 관련 그룹에서 각 데이터 포인트에 대해 적절하게 정의된다. 예를 들면, 근접 엔진은 특정 데이터 포인트에 대한 데이터 모집단 내에서 각 값을 분석하여, 예를 들면, 데이터 포인트에 대한 값을 계산하거나 특정 결과를 제공하는 복수 회의 계산을 카운트할 수도 있다. 변수는 정의된 각 변수에 대한 데이터세트 내에서 각 데이터 포인트에 대해 계산될 수도 있다.
변수를 계산한 후에, 데이터 포인트가 사용자 정의 기준에 만족하는 지를 결정하는 것과 같이, 데이터 포인트를 분석할 수도 있다. 예를 들면, 사용자 정의 공식은 계산된 변수 값을 사용하여 해결될 수도 있고, 공식이 특정 값 또는 값의 범위와 동일하다면, 데이터 포인트는 합성 마스크 데이터 내에 인클루젼하기 위해 지정될 수도 있다.
따라서, 근접 엔진이 임의의 적절한 프로세스 또는 기법에 따른 합성 마스크 데이터의 세트를 생성할 수도 있다. 결과로 나온 합성 마스크 데이터는 각 데이터 포인트에 대한 데이터 모집단의 결과에 해당하는 데이터세트를 포함한다. 결과적으로 데이터 포인트에 대한 특징이 복수의 데이터세트를 통해 식별될 수도 있다. 예를 들면, 본 실시형태에서, 합성 마스크 데이터가 예를 들면, 크게 변하는 테스트 결과 또는 높은 실패율과 같이, 다수의 웨이퍼 상에서 특징을 공유하는 특정 디바이스 위치를 설명할 수도 있다. 그런 정보는 제조 또는 설계 프로세스에서 이슈 또는 특징을 지시할 수도 있고 따라서 제조 및 테스트를 향상시키고 제어하기 위해 사용될 수도 있다.
또한, 합성 마스크 데이터는 추가적인 정보를 생성하기 위해 분석될 수도 있다. 예를 들면, 합성 마스크 데이터는 상대적으로 고립된 데이터 포인트로부터 클러스터를 감소시기기 위해 필터링하고, 특정 특징을 갖는 영역을 개선시키거나 리파인하고, 또는 공지된 특징을 갖는 데이터를 필터링하는 것과 같이, 공간적인 트랜드 및/또는 데이터세트 내의 패턴을 설명하고/설명하거나 특정 패턴을 식별하거나 필터링하기 위해 분석될 수도 있다. 예를 들면 본 실시형태의 합성 마스크 데이터는 합성 마스크 데이터를 평활화하게 하고 합성 마스크 데이터에서 패턴을 완성하는 공간 분석으로 지배될 수도 있다. 선택된 배타 존 (zone) 은 합성 마스크 데이터가 제거되고, 무시되고, 개선되고, 하위의 중요도에 따르거나, 또는 다른 합성 마스크 데이터와 구별되는 특정 처리를 수신할 수도 있다. 또한 클러스터 검출 프로세스는 상대적으로 무의미하거나 신뢰할 수 없는 데이터 포인트 클러스터의 중요도를 제거하거나 다운그레이드할 수도 있다.
본 실시형태에서, 근접 엔진은 합성 마스크 데이터에서 지정된 특정 존을 식별하기 위해 구성될 수도 있어서, 지정된 존으로부터 데이터 포인트가 지정된 특정 처리를 따르거나 다양한 분석 내에서 무시된다. 예를 들면, 도 16 을 참조하면, 근접 엔진이 개별 디바이스, 디바이스 그룹, 또는 웨이퍼의 주변 근처의 일단의 디바이스와 같은, 웨이퍼 상에서 선택된 위치에서 배타 존을 설립할 수도 있다. 배타 존은 근접 분석 및/또는 가중치에서 특정 데이터 포인트가 다른 데이터 포인트에 영향을 주지 않도록 배타적인 메커니즘을 제공할 수도 있다. 데이터 포인트는 계속적인 프로세스의 범위 밖에 있는 지정된 값과 같이, 임의의 적절한 방법에서 제외되는 것과 같이 지정된다.
관련 존은 임의의 적절한 방식으로 식별될 수도 있다. 예를 들면, 배타적인 데이터 포인트는 합성 데이터에서 관련 존을 정의하기 위한 다른 적절한 프로세스 또는 주변 근처의 특정 밴드 폭을 선택하여, x, y 좌표계와 같은 디바이스 좌표계 또는 디바이스 식별자의 파일 리스팅을 사용하여 지정될 수도 있다. 본 실시형태에서, 근접 엔진은 데이터세트의 에지의 사용자 정의 범위 내에서 근접 엔진이 데이터 포인트를 무시하거나 그렇지 않으면 특별히 처리하도록 하는 간단한 계산을 사용하는 웨이퍼 상에서 배타적인 일단의 디바이스를 정의할 수도 있다. 예를 들면, 이 범위 내 또는 파일 내에 리스팅된 모든 디바이스는 선택된 배타 기준으로 지배된다. 배타 기준이 만족된다면, 배타 존 내에서 데이터 포인트 또는 배타 기준을 만족하는 디바이스는 하나 이상의 분석으로부터 제외된다.
본 실시형태의 근접 엔진이 합성 마스크 데이터 상에서 추가적인 분석을 제공하기 위해 적절하게 구성된다. 추가적인 분석은 예를 들면, 합성 마스크 데이터에서 원하는 데이터를 개선하고, 원하지 않는 데이터를 제거하고, 또는 선택된 특징을 식별하는, 임의의 적절한 목적용으로 구성될 수도 있다. 예를 들면, 근접 엔진은 합성 마스크 데이터에서 패턴을 평활화하고 완성하기 위해 포인트 가중치 시스템에 기초하여, 근접 가중치 프로세스를 제공하기 위해 적절하게 구성된다.
도 17a-17b 및 도 18 을 참조하면, 본 근접 엔진은 데이터세트 내에서 모든 데이터 포인트를 통해 서치한다. 근접 엔진은 제 1 포인트를 선택하고 (1710), 임계치 또는 값의 범위와 같은, 기준에 대해 데이터 포인트의 값을 체크한다 (1712). 데이터 포인트가 선택된 임계치를 초과하거나, 선택된 범위 내에 있다는 것을 알게 될 때, 근접 엔진은 값에 대한 주 데이터 포인트 주위의 데이터 포인트를 서치한다 (1714). 주 데이터 포인트 주위의 데이터 포인트의 수는 임의의 선택된 수일 수도 있고, 임의의 적당한 기준에 따라 선택될 수도 있다.
근접 엔진은 데이터 포인트가 가중치를 따라야만 한다는 것을 지시하는 다른 적절한 기준을 만족하거나 영향 값 (influence value) 을 초과하는 데이터 포인트에 대한 주위의 데이터 포인트를 서치한다 (1716). 데이터 포인트가 영향 값을 초과한다면, 근접 엔진은 주위 데이터 포인트의 값에 따라 주 데이터 포인트에 가중치를 적절하게 할당한다. 추가적으로, 근접 엔진이 주위 데이터포인트의 상대적인 위치에 따라 가중치를 적용할 수도 있다. 예를 들면, 주위 데이터 포인트에 따르는 가중치의 양은 주위 데이터 포인트가 주 데이터 포인트에 인접 (1718) 또는 대각선상 (1720) 인지의 여부에 따라 결정될 수 있다. 또한, 전체적인 가중치는 데이터 포인트가 웨이퍼의 에지 상에 있다면 적용될 수도 있다 (1722). 주 데이터 포인트 주위에서 모든 주위 데이터 포인트가 체크될 때 (1724), 주 데이터 포인트는 예를 들면, 주위 데이터 포인트로부터 가중치 팩터를 부가하여 전체적인 가중치를 할당시킨다. 주 데이터 포인트에 대한 가중치는 사용자 정의 임계치와 같은 임계치와 비교될 수도 있다 (1726). 가중치가 임계치를 만족하거나 초과한다면, 데이터 포인트는 그렇게 지정된다 (1728).
또한 합성 마스크 데이터가 데이터를 필터링하기 위해 더 분석될 수도 있다. 예를 들면, 본 실시형태에서, 근접 엔진이 사용자 특정 임계치와 같은, 임계치보다 더 작은 데이터 포인트의 그룹을 식별하고 적절하게 제거하기 위해 구성될 수도 있다.
도 19 및 도 20 을 참조하면, 본 실시형태의 근접 엔진은 그룹을 정의하고, 그룹을 크기에 따라 분류하고, 더 작은 그룹을 제거하기 위해 구성될 수도 있다. 그룹을 정의하기 위해서, 근접 엔진은 기준을 만족시키는 데이터 포인트에 대한 합성 마스크 데이터 내에서 모든 데이터 포인트를 통해 서치한다. 예를 들면, 합성 마스크 데이터 내의 데이터 포인트는 값의 범위로 분리되고 인덱스 번호로 할당될 수도 있다. 근접 엔진은 일정 인덱스를 맞추는 데이터 포인트에 대한 합성 마스크 데이터를 서치하여 개시한다 (1910). 지정된 인덱스를 만족하는 데이터 포인트를 만나자 마자 (1912), 근접 엔진은 주 데이터 포인트로서 찾음 (found) 포인트를 지정하고, 동일한 인덱스 내에 있거나, 교환적으로 동일한 값을 지속적으로 갖거나, 또한 임계치를 초과하거나, 다른 원하는 기준을 만족하는 다른 데이터 포인트에 대한 주 데이터 포인트에서 모든 방향으로 서치하는 순환 프로그램을 개시한다 (1914).
본 실시형태의 순환 기능의 예로서, 근접 엔진은 예를 들면, 5 인 일정 값을 갖는 데이터 포인트에 대해 서치를 개시할 수도 있다. 5 인 값을 갖는 데이터 포인트를 찾으면, 순환 프로그램은 5 인 값을 갖는 다른 데이터 포인트를 찾을 때까지 주 디바이스 주위의 모든 데이터 포인트를 서치한다. 권한을 가진 (qualifying) 다른 데이터 포인트를 찾는다면, 순환 프로그램은 주 데이터 포인트로서 만나는 데이터 포인트를 선택하고 프로세스를 반복한다. 따라서, 순환 프로세스는 각각에 근접하거나 직교하여 그룹을 형성하는 매칭 값을 갖는 모든 데이터 포인트를 분석하고 마킹한다. 순환 프로그램이 일정 값을 갖는 그룹에서 모든 디바이스를 찾을 때, 그룹은 유일한 그룹 인덱스를 할당하고 근접 엔진은 전체적인 합성 마스크 데이터를 통해 다시 서치한다. 모든 데이터 값이 서치될 때, 복합 마스크 데이터는 동일한 그룹 인덱스를 갖는 연속적인 데이터 포인트의 그룹으로 전체적으로 분리된다.
근접 엔진이 각 그룹의 사이즈를 결정할 수도 있다. 예를 들면, 근접 엔진은 그룹 내에서 데이터 포인트의 수를 카운팅할 수도 있다 (1916). 근접 엔진은 임계치와 각 그룹 내의 다수의 데이터 포인트를 비교할 수도 있고 임계치를 만족하지 않는 그룹을 제거할 수도 있다 (1918). 그룹은 예를 들면, 디폴트 값으로 관련 그룹에 대한 인덱스 값을 리세팅하는, 임의의 적절한 방식으로 그룹 분석으로부터 제거될 수도 있다 (1920). 예를 들면, 데이터 포인트의 임계치 수가 5 라면, 근접 엔진은 5 보다 작은 데이터 포인트를 갖는 모든 그룹에 대한 그룹 인덱스 값을 디폴트 값으로 변경시킨다. 결과적으로, 상이한 그룹 인덱스들을 가지고 분류된 나머지의 그룹만이 5 개 이상의 데이터 포인트를 갖는다.
근접 엔진은 합성 마스크 데이터를 생성하고 리파인하기 위해 임의의 적절한 부가적인 동작을 제공할 수도 있다. 예를 들면, 원래의 합성 마스크 데이터를 추가적으로 필터링하고, 프로세싱하고, 분석하는 결과를 포함하는 합성 마스크 데이터는 웨이퍼 상의 디바이스 또는 제조 프로세스와 같은, 다수의 데이터세트와 원래의 데이터 소스에 관한 정보를 제공하기 위해 사용될 수도 있다. 데이터는 사용자에게 제공될 수도 있거나 그렇지 않으면 임의의 적절한 방식으로 사용될 수도 있다. 예를 들면, 미가공 데이터에서 트랜드와 패턴을 나타내는 데이터세트를 생성하기 위해 합성 마스크 데이터, 미가공 데이터, 및 임의의 다른 적절한 데이터 상에 병합 동작과 결합된 사용자 정의 룰을 실행하는 것과 같이, 데이터는 추가적인 분석 또는 다른 데이터와 결합을 위해 다른 시스템에 제공될 수도 있다. 또한, 데이터는 프린터, 또는 시각적인 인터페이스와 같은 적절한 출력 시스템을 경유하여 사용자에게 제공될 수도 있다.
예를 들면, 본 실시형태에서, 합성 마스크 데이터는 다른 데이터와 결합되어 검토하기 위해 사용자에게 제공된다. 합성 마스크 데이터는 임의의 적절한 방식으로 임의의 다른 적절한 데이터로 결합될 수도 있다. 예를 들면, 합성 마스크 데이터가 서명 데이터, 미가공 데이터, 하드웨어 빈 (bin) 데이터, 소프트웨어 빈 데이터, 및/또는 다른 합성 데이터로 병합될 수도 있다. 데이터세트의 병합은 표현, 임계치, 및 순서에 따른 다양한 사용자 정의 룰을 사용하는 것과 같은, 임의의 적절한 방식으로 제공될 수도 있다.
본 시스템에서, 합성 분석 엘리먼트 (214) 는 합성 미가공 데이터, 합성 서명 데이터, 또는 합성 빈 데이터의 맵과 같은, 합성 데이터의 원래 맵에 합성 마스크 데이터를 병합시키기 위한 적절한 프로세스를 사용하여 병합 프로세스를 제공한다. 예를 들면, 도 21 을 참조하여, 합성 분석 엘리먼트 (214) 는, 합성 마스크 데이터가 원래의 데이터 맵에 전체적으로 병합되는, 완전한 병합 시스템을 사용한 원래의 개별적인 웨이퍼 데이터에 합성 마스크 데이터를 병합할 수도 있다. 결과적으로, 합성 마스크 데이터는 현재 패턴의 오버랩 또는 인컴패스먼트에도 불구하고 원래의 데이터 맵으로 병합된다. 단지 하나의 합성 마스크가 복수의 합성 마스크로부터 하나의 패턴을 설명한다면, 패턴은 전체적인 합성 마스크 내에 포함된다.
또한, 합성 분석 엘리먼트 (214) 는 추가적인 분석과 연계하여 데이터를 병합할 수도 있다. 합성 분석 엘리먼트 (214) 가 부적절하거나 무의미할 수도 있는 데이터를 필터링할 수도 있다. 예를 들면, 도 22를 참조하여, 합성 분석 엘리먼트 (214) 가 잠재적으로 관련 정보를 강조하는 경향이 있는 다른 합성 마스크 내에서 또는 원래의 데이터 맵에서 데이터를 오버랩하는 합성 마스크 데이터 내의 데이터만을 병합할 수도 있다.
합성 분석 엘리먼트 (214) 는 맵 사이에서 특정 임계치 번호, 비율, 또는 데이터 포인트의 다른 값이 오버랩하는 지를 결정하기 위해 합성 마스크 데이터와 원래의 데이터를 선택적으로 평가할 수도 있다. 구성에 따라, 디바이스에 해당하는 경우에 병합된 데이터는, 데이터 포인트를 오버랩하기 위해 요구된 임계값을 만족시키는 원래 데이터와 합성 마스크 데이터 사이에서 충분하게 오버랩된 데이터 포인트가 있는 영역만을 포함할 수도 있다. 도 23 을 참조하면, 합성 분석 엘리먼트 (214) 가 원래 데이터 내에서 테스터 빈 실패, 즉 실패한 디바이스와 충분한 정도, 테스터 빈 실패 데이터와 오버랩하는 합성데이터의 50% 정도로 오버랩하는 합성 데이터 패턴만을 포함하기 위해 구성될 수도 있다. 따라서, 최소량보다 더 적은 합성 데이터가 원래의 데이터와 오버랩된다면, 합성 데이터 패턴이 무시될 수도 있다. 유사하게, 도 24 를 참조하면, 합성 분석 엘리먼트 (214) 가 2 개의 상이한 레시피로부터의 데이터와 같은, 2 개의 상이한 합성 데이터 세트를 비교할 수도 있고, 2 개의 레시피 사이에서 오버랩이 선택된 기준을 만족시키는 지를 결정한다. 최소 기준을 오버랩하고/오버랩하거나 만족시키는 데이터만이 병합된다.
병합된 데이터가 사용자 또는 다른 시스템으로 출력용 출력 엘리먼트 (208) 로 제공될 수도 있다. 병합된 데이터가 생산 에러 식별 프로세스 또는 큰 트랜드 식별 프로세스와 같은 다른 프로세스에 입력으로서 전달될 수도 있다. 또한, 병합된 데이터는 메모리 구조, 데이터베이스 테이블, 플랫 텍스트 파일, 또는 XML 파일과 같은 포맷 또는 임의의 분류로 출력될 수도 있다.
본 실시형태에서, 병합된 데이터 및/또는 웨이퍼 맵은 잉크 (ink) 맵 생성 엔진으로 제공된다. 잉크 맵 엔진은 오프라인 잉크 장비에 대한 맵을 생성한다. 잉크 맵을 오프라인으로 추가하여, 병합된 데이터 결과가 잉크리스 (inkless) 어셈블리 부분 또는 임의의 다른 프로세스, 또는 이러한 유형의 결과를 이용하는 애플리케이션의 비닝 (binning) 결과를 생성하는데 이용될 수도 있다.
또한, 테스트 시스템 (100) 은 제조 및/또는 테스트 프로세스를 포함하는 제조 프로세스와 연계된 특징 및/또는 문제를 식별하기 위해 테스트 데이터를 사용하도록 구성될 수도 있다. 예를 들면, 테스트 시스템 (100) 은 하나 이상의 소스로부터 테스트 데이터를 분석할 수도 있고, 제조 및 테스트 프로세스에서 공지된 문제, 이슈, 또는 특징에 테스트 데이터의 특징을 자동적으로 매치할 수도 있다. 테스트 데이터의 특징이 공지된 이슈에 해당하지 않는다면, 테스트 시스템은 진단된 후에, 이슈와 관련된 정보를 수신하고 저장할 수도 있어서 테스트 시스템 (100) 이 만나는 새로운 테스트 데이터 특징을 진단하기 위해 업데이트된다.
특히, 진단 시스템 (216) 은 테스트 데이터 특징을 자동적으로 식별하고 분류하기 위해 적절하게 구성된다. 또한, 테스트 시스템 (100) 은 즉각적인 경고 및/또는 이후의 출력 리포트와 같은, 경고 (notification) 를 자동적으로 제공할 수도 있다. 분류 기준 및 절차는 상이한 테스트 데이터 특징이 상이한 문제들과 연계될 때 정보가 다음의 분석에서 사용되기 위한 진단 시스템 (216) 에 적절하게 제공되도록 고려될 수 있다. 테스트 특징을 자동 분류 및 업데이트하는 것은 테스트 데이터 분석을 연속적으로 개선하기 위한 진단 시스템 (216) 내에서 테스트 데이터의 지속적인 분석을 용이하게 하고 정보를 보유한다.
예를 들면, 테스트 데이터 진단 시스템 (216) 은 적어도 부분적으로 테스트 데이터에 기초한 문제를 진단하기 위해 구성될 수도 있다. 데이터는 하나 이상의 테스트 런의 완료 이후에 저장 시스템으로부터 검색된, 런타임에서 수신할 수도 있고/있거나 히스토리컬 데이터를 포함할 수도 있다. 진단 시스템 (216) 이 파라매트릭 테스트, 계측학, 프로세스 제어, 현미경 사용, 분광학, 및 결점 분석과 결함 분리 데이터와 같은 임의의 적절한 소스로부터 테스트 데이터를 수신할 수도 있다. 또한, 진단 시스템 (216) 은 평활화 데이터와 필터링된 합성 데이터와 같은 프로세싱된 데이터를 수신할 수도 있고, 추가적인 데이터는 빈 결과, SPC 데이터, 공간적인 분석 데이터, 아웃라이어 데이터, 합성 데이터 및 데이터 서명과 같은 테스트 데이터에 기초하여 생성된다.
예를 들면, 도 25 를 참조하면, 본 실시형태의 진단 시스템 (216) 이 2 개 이상의 데이터 유형을 분석하기 위해 구성된다. 진단 시스템 (216) 은 각 웨이퍼에 대한 EWS (Electronic Wafer Sort) 빈 서명 데이터 (2514) 와 함께, 미가공의 EWS (2512) 데이터를 분석한다. EWS 빈 서명 데이터 (2514) 가 예를 들면, 보완 데이터 분석 엘리먼트 (206) 에 의해 생성될 수도 있는 EWS 결과에 기초한 임의의 적절한 분류 데이터를 포함할 수도 있다. 본 실시형태에서, EWS 빈 서명 데이터 (2514) 가 보완 데이터 분석 엘리먼트 (206) 에 의해 결정된 그로스 (gross), 눈에 띄는, 또는 마지널의 분류와 같은, 디바이스의 실패의 크기를 지시하는 웨이퍼 상의 각 디바이스에 해당하는 데이터를 포함한다.
또한 진단 시스템 (216) 은 웨이퍼 상의 다양한 포인트 및/또는 컴포넌트 (106) 에 대한 전기적인 특징에 관한 데이터와 같은 프로세스 제어 또는 전기적인 테스트 (ET) 데이터 (2516) 를 수신한다. 또한, 진단 시스템 (216) 은 컴포넌트 (106) 에 대한 통과/실패 비닝 (pass/fail binning) 분류를 지시하는 웨이퍼에 대한 빈 맵 데이터 (2518) 를 수신할 수도 있다. 추가적으로, 진단 시스템 (216) 은 예를 들면 아웃라이어 분류 엘리먼트 (212) 에 의해 생성된 데이터를 웨이퍼에 대한 아웃라이어 서명 빈 맵 (2520) 을 수신할 수도 있다. 예를 들면, 데이터에서 각 아웃라이어는 선택된 기준에 따라서, 타이니 (tiny) 하고, 작고, 중간의, 임계적으로 분류될 수도 있다.
진단 시스템 (216) 은 제조 또는 테스트 프로세스에서 문제 또는 이슈와 같은 프로세스 특징을 식별하도록 수신된 데이터를 분석하기 위해 임의의 적절한 방식으로 구성될 수도 있다. 프로세스 특징은 임의의 적절한 기준 또는 프로세스에 따라 식별될 수도 있다. 예를 들면, 도 26을 참조하면, 본 실시형태의 진단 시스템 (216) 은 미리 정의된 기준에 따라서 프로세스 특징을 식별하기 위한 룰-기반 분석기 (2610) 를 포함한다. 부가적으로 또는 교환적으로, 진단 시스템 (216) 은 테스트 데이터에서 인식된 패턴에 기초한 프로세스 특징을 식별하기 위한 패턴 인식 시스템 (2612) 을 포함할 수도 있다.
특히, 룰-기반 분석기 (2610) 는 특정 문제에 해당하는 특정 특징에 대한 테스트 데이터를 분석할 수도 있다. 특정 특징은 특정 테스트 또는 제조 이슈에 해당하는 임의의 공지된 데이터세트를 적절하게 포함한다. 룰-기반 분석기 (2610) 는 선택된 유형의 데이터에 대한 데이터를 분석하고 해당 신호를 생성하기 위해 적절하게 구성된다. 예를 들면, 복수의 컴포넌트 상에 특정 출력 노드에 해당하는 테스트가 임의의 결과를 전혀 생성하지 않는다면, 진단 시스템 (216) 은 (a) 출력 노드가 전혀 기능하지 않거나 또는 (b) 테스트 프루브가 출력 노드를 적절하게 접촉하기 않는다는 경고를 생성할 수도 있다.
패턴 인식 시스템 (2612) 은 다양한 소스에서 데이터를 수신하고 데이터에서 패턴을 식별하기 위해 적절하게 구성된다. 또한 패턴 인식 시스템 (2612) 은 예를 들면, 식별된 패턴에 기초한 특정 이슈의 유사성을 할당하여 그런 패턴과 결합된 공지된 이슈로 식별된 패턴을 매치시키기 위해 적정하게 구성된다. 예를 들면, 상이한 웨이퍼 상의 동일한 위치에 위치된 유사 비-통과 빈 결과 또는 아웃라이어를 갖는 디바이스의 클러스터가 제조 프로세스에서 특정 문제를 지시할 수도 있다. 패턴 인식 시스템 (2612) 은 제조 및/또는 테스트 프로세스에서 그런 이슈를 지시할 수도 있는 데이터에서 패턴을 식별하고 분석한다.
패턴 인식 시스템 (2612) 은 다양한 테스트 데이터에서 패턴을 식별하고잠재적인 제조 또는 테스트 이슈에 해당하는 패턴을 분석하기 위해 임의의 적절한 방식으로 구성될 수도 있다. 본 실시형태에서, 패턴 인식 시스템 (2612) 이 테스트 데이터에서 클러스터 결함의 공간적인 패턴을 인식하기 위해 구성된 지능 시스템을 포함한다. 특히, 본 실시형태의 패턴 인식 시스템 (2612) 은 패턴 식별기 (2614) 및 분류기 (2616) 를 포함한다. 패턴 식별기 (2614) 는 이슈에 대응할 수도 있는 수신된 데이터에서 패턴을 식별한다. 분류기 (2616) 는 상이한 공지된 카테고리 또는 미공지된 카테고리에 식별된 패턴을 분류한다.
패턴 식별기 (2614) 는 테스트 데이터에서 패턴을 식별하기 위해 임의의 적절한 방식으로 구성될 수도 있다. 예를 들면, 패턴 식별기 (2614) 는 어떤 패턴도 갖지 않고, 데이터에서 패턴에 관한 데이터를 생성하고, 분류를 위한 특정 패턴을 선택하는 데이터세트를 필터링 (제거) 하기 위해 적절하게 구성된다. 본 실시형태에서, 패턴 식별기 (2614) 는 패턴 필터 (2618), 피처 추출기 (2620), 및 피처 선택기 (2622) 를 포함한다. 패턴 필터 (2618) 는 특정 웨이퍼에 대한 데이터와 같은 데이터세트가 패턴을 포함하는지의 여부를 결정한다. 피처 추출기 (2620) 는 패턴 필터 (2618) 에 의해 지정된 데이터세트로부터 정보를 표시하는 피처를 생성하고 분류기 (2616) 에 의해 적절하게 분석한다. 피처 선택기 (2622) 는 분류에 대한 피처를 선택하기 위해 선택된 기준에 따라 생성된 피처를 분석한다.
예를 들면, 패턴 필터 (2618) 는 임의의 패턴이 데이터 내에 있는지의 여부를 검지하기 위해 수신된 데이터를 프로세스하도록 구성된 소프트웨어 모듈을 포함한다. 테스트 데이터의 보전을 유지하기 위해, 패턴 필터는 원래의 데이터로부터 정보를 잃지 않은 채 데이터를 적절하게 프로세스한다. 패턴 필터 (2618) 는 검지된 패턴을 갖는 데이터세트만을 남겨둔 채, 패턴 없이 데이터세트를 버려둘 수도 있다. 패턴 필터는 개별적으로 또는 조합하여 다양한 형태의 데이터를 분석하기 위해 구성될 수도 있다.
본 실시형태에서, 패턴 필터 (2618) 는 예를 들면, 테스트 데이터에서 중간 데이터를 제거하기 위해, 데이터세트 내에서 잡음을 감소시킨다. 패턴 필터 (2618) 는 예를 들면, 테스트 데이터 상에서 공간적인 필터링, 중앙값 필터링, 또는 포선 (convolution) 프로세스와 같은, 필터링 잡음에 대한 임의의 적당한 시스템을 이용할 수도 있다. 또한, 패턴 필터 (2618) 가 테스트 데이터에 패턴을 식별하기 위해 테스트 데이터를 분석한다. 패턴 필터 (2618) 가 임의의 적당한 방식으로 데이터세트에서 패턴을 식별하기 위해 구성될 수도 있다.
본 실시형태에서, 패턴 필터 (2618) 는 패턴 마이닝 (mining) 알고리즘 및 공지된 패턴 또는 이론적인 패턴과 연계된 하나 이상의 마스크에 따라서 데이터를 분석한다. 하나의 예시적인 실시형태에서, 패턴 필터 (2618) 는 데이터 내의 아웃라이어에 기인한 "흑백잡음 (salt-and-pepper)" 과 같은, 잡음을 감소시키기 위해서, 중앙값 필터링과 같은 공간적인 필터링을 이용한다. 예를 들면, 도 28 을 참조하면, 패턴 필터는 패턴 마스크에 따라서 2 차원의 e-빈 맵을 사용한 테스트 데이터의 중앙값 필터링을 제공하기 위해 구성될 수도 있다. 패턴 마스크는 e-빈 맵 내의 디바이스가 중앙값 필터링을 제공하기 위해 선택되는 지를 결정하는 임의의 적절한 마스크를 포함할 수도 있다. 패턴 마스크는 분류기에 의해 식별되어질 패턴과 적절하게 유사하다. 예를 들면, 패턴 마스크는 사용되어질 수 있는 임의의 적절한 시뮬레이팅된 이론적인 패턴을 통해서, 다양한 데이터세트로부터 합성 마스크 데이터 또는 병합된 합성 마스크 데이터와 같은, 합성 분석 엘리먼트 (214) 에 의해 생성된 정보를 이용할 수도 있다.
중앙값 필터링은 원래의 e-빈 맵 데이터 내에서 마스크에 의해 선택된 각 값 주위에 제공된다. 특히, 데이터세트에서 각 데이터 포인트와 각 데이터 포인트 주위에서 선택된 데이터 포인트가 각각의 선택된 마스크와 비교된다. 예를 들면, 테스트 데이터에서 마스크에 의해 선택된 각각의 값 주위에서, 중앙값은 3-대-3 윈도우와 같은 n-대-n 사이즈의 주위 (neighborhood) 를 고려하여 계산된다. 패턴을 표시하는 데 실패한 이러한 데이터세트는 무시된다. 패턴을 포함하는 데이터세트는 피처 추출기 (2620) 로 제공된다.
패턴을 갖는 데이터세트는 특정 이슈로 식별된 패턴을 매치하기 위해 분석될 수도 있다. 그러나 특정 환경하에서, 패턴 필터 (2618) 에 의해 사용된 미가공 데이터가 분류기 (2616) 에 의해 분석용으로 적절하지 않을 수도 있다. 결과적으로, 패턴 식별기 (2614) 는 분류기 (2616) 에 의해 사용될 수도 있는 테스트 데이터에 기초한 데이터를 생성하기 위한 시스템을 포함할 수도 있다.
본 실시형태에서, 피처 추출기 (2620) 는 패턴 필터 (2618) 에 의해 지정된 데이터세트로부터 정보를 표시하는 피처를 생성한다. 피처는 원래의 데이터가 사용하기 어렵거나 불가능하다는 조건에서 특히 유용할 수도 있다. 피처는 패턴 필터 (2618) 에 의해 식별된 패턴의 유형을 식별하기 위해 분류기 (2616) 에 의해 분석될 수도 있다. 예를 들면, 피처 추출기 (2620) 는 데이터세트에 기초한 변수의 세트를 계산하기 위해 구성될 수도 있다. 피처는 원래의 데이터에 있는 관련 정보를 효율적으로 인코딩하고 데이터세트 내의 해당 패턴을 결함 클래스로 분류하도록 분류기 (2616) 에 의해 사용되기 위해 적절하게 구성된다.
피처는 데이터로부터 추출된 임의의 적절한 정보를 포함할 수도 있다. 본 실시형태에서, 피처 추출기 (260) 는 매스, 샌트로이드, 모멘트의 지오매트릭 세트, 테스트 데이터로부터 Hu 의 7 개의 모멘트와 같은 몇 개의 피처를 계산한다. 다양한 피처가 임의의 데이터세트에 대해 결정될 수도 있다. 본 실시형태에서, 피처는 웨이퍼에 대해 빈 데이터 또는 다른 테스트 데이터 상에 기초되어 계산된다. 따라서, 매스는 분배의 위치에 대한 임의의 정보를 제공하지 않은 채, 관심 있는 빈 또는 다른 값 내에서 다이 (die) 의 분포의 크기에 일반적으로 해당할 수도 있다. 좌표 x 및 y 의 테스트 값이 f(x,y) 일 때, 매스 M 은 다음 식에 따라 적절하게 계산된다.
Figure 112005076935537-pct00012
여기서 N 은 테스트 데이터세트에서 데이터 포인트의 전체 수이다. 매스는 웨이퍼 상의 다이의 수와 같은, 데이터 포인트의 상이한 수를 가진 데이터세트 사이에서 연속성이 있도록 노멀화된다.
센트로이드는 xc 및 yc 와 같은, 공간적인 좌표계에 의해 정의될 수도 있다. 센트로이드는 다이의 분포의 매스의 중심을 측정하여 위치 정보를 제공한다. 데이터의 센트로이드는 다음 식에 따라 임의의 적절한 방식으로 계산될 수도 있다.
Figure 112005076935537-pct00013
지오매트릭 모멘트 차수 (p=1...3, q=0...3) 는 다음 식에 따라 계산될 수도 있다.
Figure 112005076935537-pct00014
이 세트의 모멘트에 의해 공급된 정보는 데이터세트의 등가 식을 제공하고, 빈 맵은 모든 차수의 모멘트로부터 만들어질 수 있다. 따라서, 각 모멘트 계수는 빈 맵 내에 있는 정보의 일정 양을 지배한다.
또한, 본 실시형태에서, Hu 의 7 개의 모멘트가 고려된다 ("모멘트 불변식에 의한 시각적인 패턴 인식", 정보 이론에 대한 IRE 회보. Vol. 8(2), 179p~187p, 1962년판. Hu, M.K.). Hu 의 7개의 모멘트는 번역 (translation), 스케일링, 및 회전의 동작하에서 불변한다. Hu 의 모멘트는 다음 식에 따라 계산될 수도 있다.
Figure 112006007702332-pct00015
여기서
Figure 112005076935537-pct00016
는 다음 식과 같이 정의된 모든 p, q 에 대한 중심 모멘트이다.
Figure 112006007702332-pct00017
또한 첫번째의 6 개의 모멘트는 최종 모멘트가 부호를 변경시키는 동안 반사 동작의 아래에서 불변한다. 이러한 양의 값은 매우 크고 상이할 수 있다. 정확한 문제를 피하기 위하여, 피처로서, 절대 값의 대수가 취해지고 분류기 (2616) 로 통과될 수도 있다. 이런 피처의 불변은 빈 맵 또는 다른 데이터세트가 스케일, 위치, 또는 각 위치에 의존하지 않는 서명 클래스로 분석될 때 이익이 있다.
26 개 피처의 대표적인 세트는 패턴 필터 (2618) 에 의해 지정된 모든 빈맵 또는 다른 데이터세트로부터 적절하게 추출된다. 모든 피처 또는 피처의 부분이 분류를 위해 분류기 (2616) 로 직접 제공될 수도 있다. 본 실시형태에서, 모든 피처보다 적은 수의 피처, 예를 들면, 분석될 복수의 피처를 감소시킴으로써 분석 프로세스의 면적을 감소시키는 피처가 분류기 (2616) 로 제공될 수도 있다. 피처의 수를 감소시키는 것은 계산의 복잡성과 과잉성을 감소시킨다. 추가적으로, 분류기 (2616) 의 요구된 일반화 피처는 제한되어질 피처의 수를 요구할 수도 있다. 예를 들면, 본 발명의 분류기 (2616) 에 대한 분류기 (2616) 의 일반화 특성이 프리 분류기 파라미터의 수에 트레이닝 파라미터 N 의 수에 대한 비율에 대응할 수도 있다. 더 큰 수의 피처는 개요적인 (synaptic) 가중치와 같은 더 큰 수의 분류기 파라미터에 해당한다. 트래이닝 파라미터의 한정적이고 항상 제한된 수 N 에 대해, 더 적은 수의 피처는 분류기 (2616) 의 일반화를 개선시키는 경향이 있다.
본 시스템의 피처 선택기 (2622) 는 분류에 대한 피처를 선택하기 위해 선택된 기준에 따라 생성된 피처를 분석한다. 특히, 피처 선택기 (2622) 는 분류기 (2616) 에 모든 피처보다 더 적은 수의 피처를 제공하여 유도될 수 있는 에러를 분석하고 최소화하기 위한 특정 피처를 선택하기 위해 적절하게 구성된다. 피처 선택기 (2622) 는 분류기 (2616) 에 전송하기 위한 피처를 선택하기 위해서 임의의 적절한 방식으로 구성될 수도 있다.
본 실시형태에서, 피처 선택기 (2622) 는 생물학적 알고리즘을 실행하여 피처를 선택한다. 생물학적 알고리즘은 복수의 해결책을 유지하고, 의심스러운 해결책을 제거하고, 양호한 해결책을 개선시키기 위한 경향이 있는 병렬 서치 프로세스를 적절하게 포함한다. 생물학적인 알고리즘 분석은 다수의 반복을 위한 다양한 피처로 적절하게 응용되고, 알고리즘의 출력은 진화의 프로세스에서 발견된 최상의 해결책이다.
도 27 을 참조하면, 본 실시형태에서 생물학적 알고리즘을 실현시키기 위해서, 피처 선택기 (2622) 는 GA 파라메터 (2710) 에 대한 값을 처음부터 정의하고, 생성 카운터 (2712) 를 개시하고, 초기 모집단 (2714) 을 랜덤하게 생성한다. 모집단은 코딩된 개체의 수집을 적절하게 포함하고 각 개체는 선택된 피처의 세트를 나타낸다. 초기의 모집단에서 개체의 시퀀스는 예를 들어 자동 컴퓨터 프로그램에 의해 랜덤하게 생성된다. 임의의 적절한 파라메터는 다수의 에포크 (epoch), 모집단에서 다수의 개체, 염색체의 크기, 비용 기능, 선택 레이트, 크로스오버/재생 레이트, 및 전환 (mutation) 레이트에 해당하는 파라메터로서 사용될 수도 있다. 본 시스템에서, 모든 모집단은 10 개의 상이한 개체를 갖고, 최상의 선택에서 특정 피처의 존재 또는 부존재를 나타낸다. 즉, 각각의 개체는 한 세트의 피처를 나타내는 염색체로 바이너리 인코딩되고, 즉, "1" 이 특정 피처가 분류하기 위해 고려된다는 것을 나타내고, "0" 이 그 위치에서 피처가 사용되지 않는다는 것을 의미하는 26 비트 (피처의 수) 의 스트링이다.
피처 선택기 (2622) 가 초기의 모집단을 평가하고 (2716), 모집단에 크로스오버와 전환을 적용하고 (2718, 2720), 세대 카운터를 증가시킨다 (2722). 세대 카운터는 세대의 최대 수와 같은, 미리 선택된 한계에 도달하면 (2724), 피처 선택기 (2622) 는 분석을 종료하고 선택된 피처를 분류기 (2616) 에 제공한다 (2726). 한계에 도달하지 않았다면, 피처 선택기 (2622) 는 자식 모집단을 반복적으로 평가하고 (2728), 한계에 도달할 때까지 모집단에 크로스오버와 전환을 적용한다.
분류기 (2616) 는 공지 카테고리 또는 비공지된 카테고리로 식별된 패턴을 분류한다. 분류기 (2616) 는 바이스 (Bayes) 또는 최대 유사성 분류기, 슈퍼바이징된 논-파라매트릭 분류기, 및/또는 슈퍼바이징되거나 슈퍼바이징되지 않은 룰-기반 분류기와 같은, 패턴 식별기 (2614) 에 의해 식별된 패턴을 분류하기 위한 임의의 적절한 분류 시스템을 포함할 수도 있다. 본 실시형태의 분류기 (2616) 는 피처 선택기 (2622) 에 의해 선택된 피처의 분석에 기초한 패턴을 분류하기 위해 구성된다.
본 실시형태에서, 분류기 (2616) 는 선형 신경 네트워크, 유사 래디얼 기반 기능 (RBF) 신경 네트워크, 또는 피처 선택기 (2622) 에 의해 선택된 피처를 분석하기 위해 구성된 피드포워드 네트워크인, 신경 네트워크를 포함한다. 도 29 를 참조하면, 본 실시형태의 다양한 양상에 따른 RBF 신경 네트워크 (2910) 는 상이한 룰을 가지고 세 개의 층을 적절하게 포함한다. 입력 레이어 (2912) 는 선택된 피처를 수신하기 위해 피처 선택기 (2622) 에 RBF 네트워크를 연결하는 소스 노드를 포함한다. 숨겨진 층을 적절하게 포함하는 제 2 레이어 (2914) 는 입력 공간에서 숨겨진 공간으로 비선형 변형 (transformation) 을 적용하고, 뉴런의 활성 함수 (h i (x)) 는 래디얼 기반 함수 (RBFΦ) 이다. 가우시안 함수가 일반적으로 사용되지만, 카우시 (cauchy), 다중 2차 함수, 역-다중 2차 함수도 역시 사용될 수 있다. 본 실시형태에서, 각각의 숨겨진 뉴런은 그 입력에서 뉴런의 중심 포인트 (c) 로의 거리를 계산하고, RBF 를 그 거리로 적용한다. 출력 레이어 (2916) 의 뉴런 (o i (x)) 은 출력과 출력 및 숨겨진 레이어를 연결하는 링크의 가중치와 숨겨진 층 사이에서 가중된 합을 제공하고, 예를 들면 다음 식에 따른다.
Figure 112006007702332-pct00018
여기에서 x 는 입력이고, Φ 는 RBF 이고, c i 는 i 번째의 숨겨진 뉴런의 중심이고, r i 는 그 반경, w ij 는 숨겨진 뉴런의 수 i 와 출력 뉴런의 수 j 를 연결하는 가중치 링크이고, w o 는 출력 뉴런에 대한 바이어스이다.
즉, 숨겨진 레이어 (2914) 에서 뉴런은 고면적인 입력 공간에서 숨겨진 공간으로 비선형 변형을 적용하고 출력 레이어 (2916) 는 숨겨진 유닛 공간에서 출력 공간으로 선형 변형을 제공한다. 이 배열의 자리 맞춤 (justification) 은 패턴 분류 문제가 저 면적 공간에서보다 선형적으로 분리되어질 수 있는 고 면적 공간으로 비선형적으로 캐스팅한다는 것이다.
분류기 (2616) 는 피처 추출기 (2620) 에 의해 획득되고 피처 선택기 (2622) 에 의해 선택된 피처와 같은, 분석용 데이터를 수신한다. 데이터는 공지된 패턴에 대한 데이터와, 피처와 같은 데이터를 비교하여 예를 들면, RBF 네트워크에 의해 처리된다. 공지된 패턴이 데이터를 매치한다면, 공지된 패턴에 대한 해당 이슈 또는 특징이 지적된다. 분류기 (2616) 는 또한 패턴에 해당하는 특정 이슈 또는 특징의 유사성을 할당할 수도 있다. 공지된 패턴이 데이터와 매치되지 않는다면, 매치에 대한 실패 역시 지적된다. 결과로 나온 정보는 출력 엘리먼트 (208) 에 제공되어질 수도 있다.
또한 분류기 (2616) 는 해당 특징에 기초한, 제안된 올바른 동작을 제공할 수도 있다. 특히, 분류기 (2616) 는 다양한 제조 및/또는 테스트 프로세스 특징에 응답하여 한 세트의 수집 동작 후보자를 식별하기 위한, 예를 들면, 데이터 베이스 (114) 를 메모리에 액세스하기 위해 구성되어질 수도 있다. 예를 들면, 식별된 패턴을 매칭하는 특징이, 컴포넌트가 제조 프로세스에서 특정 포인트 내에 열을 과도하게 노출되는 것을 나타낸다면, 분류기 (2616) 는 특정 제조 포인트에서 웨이퍼의 노출의 주기 또는 온도를 감소시키는 것과 같은, 이슈를 제거 (remedy) 하기 위한 특징에 해당하는, 잠재적으로 정확한 동작을 위한 데이터 베이스 (114) 를 체크할 수도 있다.
또한, 패턴 인식 시스템 (2612) 은 식별된 패턴과 해당 이슈에 대한 추가적인 정보를 습득하기 위해 구성될 수도 있다. 예를 들면, 패턴 인식 시스템 (2612) 은 패턴을 식별한 후에 진단 피드백 정보를 수신하기 위해 구성될 수도 있다. 진단 피드백 정보는 식별된 패턴을 야기하는 제조 또는 테스트 프로세스 내에서 식별된 실제 이슈에 적절하게 해당한다. 패턴 인식 시스템은 이슈의 재발을 식별하기 위해 데이터의 미래 분석용 진단 피드백 정보를 사용할 수도 있다.
동작중에, 데이터는 다양한 소스로부터 수신된다. 데이터는 문제를 정확하게 알기 위한 해당 데이터와 같은, 룰-기반 진단을 위해 초기에 진단된다. 진단 시스템 (216) 은 룰-기반 분석을 사용하여 식별된 특정 이슈를 지시하는 출력을 생성한다. 데이터는 데이터 내의 패턴을 식별하기 위한 데이터를 분석하는 패턴 인식 시스템 (2612) 에 제공된다. 패턴 인식 시스템 (2612) 은 특정 제조 또는 테스트 이슈에 해당하는 식별된 패턴을 분석할 수도 있다. 패턴 인식 시스템 (2612) 은 패턴 상에 기초된 특정 이슈와 연계된 유사성을 적절하게 할당한다. 또한 진단 시스템 (216) 은 데이터내의 식별된 패턴에 기초한 정확한 동작을 조언할 수도 있다. 진단 시스템 (216) 은 다양한 식별 이슈와 제안된 정확한 동작을 지시하는 출력 리포트를 생성할 수도 있다. 리포트된 이슈가 준비된 후에, 패턴 인식 시스템 (2612) 이 진단 피드백 정보를 수신할 수도 있다. 진단 피드백 정보는 이후의 분석에서 사용하기 위해 패턴 인식 시스템 (2612) 내에 저장된다.
도시되어 설명된 특정 실행은 본 발명과 발명의 최선의 모드를 단지 예시적으로 설명하는 것이고, 임의의 방법으로 본 발명의 범위를 한정하려는 의도가 아니다. 명백하게 하기 위하여, 종래의 신호처리, 데이터 전송, 및 시스템의 다른 기능적인 양태 (시스템의 개별적인 동작 컴포넌트의 컴포넌트) 가 상세하게 설명되지 않을 수도 있다. 또한, 다양한 도면에서 도시된 연결 라인들은 다양한 엘리먼트 사이에서 예시적으로 기능적인 관계 및/또는 물리적인 결합을 나타내기 위해 의도된다. 많은 변경 또는 추가적인 기능 관계 또는 물리적인 연결이 실제 시스템에 존재할 수도 있다. 본 발명은 양호한 실시형태를 참고하여 위에서 설명되었다. 그러나, 변경과 수정이 본 발명의 범위로부터 벗어나지 않고 이루어질 수 있다. 이러한 그리고 다른 변경과 수정이 다음의 청구항에서 표현된 바와 같이, 본 발명의 범위 내에 포함되도록 의도된다.

Claims (50)

  1. 한 세트의 컴포넌트를 테스트하고 상기 한 세트의 컴포넌트에 대한 테스트 데이터를 생성하기 위해 구성되는 테스터로서, 상기 컴포넌트는 제조 프로세스에 따라 제조되는, 테스터와,
    상기 테스터로부터 상기 테스트 데이터를 수신하고 상기 컴포넌트에 대한 상기 제조 프로세스의 특징 (characteristics) 을 식별하기 위해 상기 테스트 데이터를 자동적으로 분석하기 위해 구성되는 진단 시스템을 포함하는, 테스트 시스템.
  2. 제 1 항에 있어서,
    상기 테스트 데이터는 전자 웨이퍼 소트 데이터, 전자 웨이퍼 소트 데이터로부터 나온 데이터, 전기적 테스트 데이터, 빈 맵 (bin map) 데이터, 및 아웃라이어 (outlier) 데이터 중 하나 이상을 포함하는, 테스트 시스템.
  3. 제 1 항에 있어서,
    상기 진단 시스템은 상기 식별되는 특징에 기초하여 올바른 동작 제안을 제공하기 위해 구성되는, 테스트 시스템.
  4. 제 1 항에 있어서,
    상기 진단 시스템은 상기 테스트 데이터에서 패턴을 인식하기 위해 구성되는 패턴 인식 시스템을 포함하는, 테스트 시스템.
  5. 제 4 항에 있어서,
    상기 패턴 인식 시스템은 상기 특징과 연관되는 공지의 패턴과, 상기 인식되는 패턴을 비교하기 위해 구성되는, 테스트 시스템.
  6. 제 4 항에 있어서,
    상기 패턴 인식 시스템은 상기 인식되는 패턴에 기초하여 부가적인 패턴을 자동적으로 습득하기 위해 구성되는 지능 시스템을 포함하는, 테스트 시스템.
  7. 제 4 항에 있어서,
    상기 패턴 인식 시스템은 공지된 패턴에 따라 상기 인식되는 패턴을 분류하기 위해 구성되는 분류기를 포함하는, 테스트 시스템.
  8. 제 7 항에 있어서,
    상기 분류기는 신경 네트워크를 포함하는, 테스트 시스템.
  9. 제 8 항에 있어서,
    상기 신경 네트워크는 래디얼 (radial) 기반 기능 네트워크를 포함하는, 테스트 시스템.
  10. 제 4 항에 있어서,
    상기 패턴 인식 시스템은 상기 패턴과 연관되는 상기 테스트 데이터로부터 피처를 추출하기 위해 구성되는 피처 추출기를 포함하는, 테스트 시스템.
  11. 제 10 항에 있어서,
    상기 피처 추출기는 상기 테스트 데이터에 기초하여 매스 (mass), 중심 (centroid), 기하학 모멘트, 및 Hu 모멘트 중 하나 이상을 계산하는, 테스트 시스템.
  12. 제 10 항에 있어서,
    상기 피처 추출기는 상기 테스트 데이터로부터 2 개 이상의 피처를 추출하기 위해 구성되고,
    상기 패턴 인식 시스템은 분석을 위한 모든 피처보다는 더 적은 수의 피처를 선택하기 위해 구성되는 피처 선택기를 더 포함하는, 테스트 시스템.
  13. 제 12 항에 있어서,
    상기 피처 선택기는 유전학적 알고리즘과 연계하여 동작하는, 테스트 시스템.
  14. 제조 프로세스를 사용하여 제조되고 테스트되는 한 세트의 컴포넌트에 대해서 테스트 데이터를 분석하기 위한 테스트 데이터 분석 시스템으로서,
    상기 테스트 데이터를 저장하기 위한 메모리; 및
    상기 메모리에 액세스를 가지고, 상기 테스트 데이터에 기초하여 상기 제조 프로세스의 특징을 식별하기 위해 구성되는 진단 시스템을 포함하는, 테스트 데이터 분석 시스템.
  15. 제 14 항에 있어서,
    상기 테스트 데이터는 전자적 웨이퍼 소트 데이터, 전자적 웨이퍼 소트 데이터로부터 나온 데이터, 전기적 테스트 데이터, 빈 맵 데이터, 및 아웃라이어 데이터 중 하나 이상을 포함하는, 테스트 데이터 분석 시스템.
  16. 제 14 항에 있어서,
    상기 진단 시스템은 상기 식별되는 특징에 기초한 올바른 동작 제안을 제공하기 위해 구성되는, 테스트 데이터 분석 시스템.
  17. 제 14 항에 있어서,
    상기 진단 시스템은 상기 테스트 데이터에서 패턴을 인식하기 위해 구성되는 패턴 인식 시스템을 포함하는, 테스트 데이터 분석 시스템.
  18. 제 17 항에 있어서,
    상기 패턴 인식 시스템은 상기 특징에 연관되는 공지된 패턴과 상기 인식되는 패턴을 비교하기 위하여 구성되는, 테스트 데이터 분석 시스템.
  19. 제 17 항에 있어서,
    상기 패턴 인식 시스템은 상기 인식되는 패턴에 기초하여 부가적인 패턴을 자동적으로 습득하기 위해 구성되는 지능 시스템을 포함하는, 테스트 데이터 분석 시스템.
  20. 제 17 항에 있어서,
    상기 패턴 인식 시스템은 공지된 패턴에 따라 상기 인식되는 패턴을 분류하기 위해 구성되는 분류기를 포함하는, 테스트 데이터 분석 시스템.
  21. 제 20 항에 있어서,
    상기 분류기는 신경 네트워크를 포함하는, 테스트 데이터 분석 시스템.
  22. 제 21 항에 있어서,
    상기 신경 네트워크는 래디얼 기반 기능 네트워크를 포함하는, 테스트 데이터 분석 시스템.
  23. 제 17 항에 있어서,
    상기 패턴 인식 시스템은 상기 패턴과 연관되는 상기 테스트 데이터로부터 피처를 추출하기 위해 구성되는 피처 추출기를 포함하는, 테스트 데이터 분석 시스템.
  24. 제 23 항에 있어서,
    상기 피처 추출기는 상기 테스트 데이터에 기초하여 매스, 중심, 기하학 모멘트, 및 Hu 모멘트 중 하나 이상을 계산하는, 테스트 데이터 분석 시스템.
  25. 제 23 항에 있어서,
    상기 피처 추출기는 상기 테스트 데이터로부터 2 개 이상의 피처를 추출하기 위해 구성되고,
    상기 패턴 인식 시스템은 분석을 위한 모든 피처보다는 더 적은 수의 피처를 선택하기 위해 구성되는 피처 선택기를 더 포함하는, 테스트 데이터 분석 시스템.
  26. 제 25 항에 있어서,
    상기 피처 선택기는 유전학적 알고리즘과 연계하여 동작하는, 테스트 데이터 분석 시스템.
  27. 제조 프로세스에 따라 제조되고 테스트되는 컴포넌트를 테스트하기 위한 컴퓨터-구현 방법으로서,
    상기 컴포넌트에 대한 테스트 데이터를 획득하는 단계; 및
    상기 테스트 데이터에 기초하여 상기 제조 프로세스의 특징을 자동적으로 식별하는 단계를 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  28. 제 27 항에 있어서,
    상기 테스트 데이터는 전자적 웨이퍼 소트 데이터, 전자적 웨이퍼 소트 데이터로부터 나온 데이터, 전기적 테스트 데이터, 빈 맵 데이터, 및 아웃라이어 데이터 중 하나 이상을 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  29. 제 27 항에 있어서,
    상기 식별되는 특징에 기초하여 올바른 동작 제안을 제공하는 단계를 더 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  30. 제 27 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 상기 테스트 데이터에서 패턴을 인식하는 단계를 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  31. 제 30 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 상기 특징과 연관되는 공지된 패턴과 상기 인식되는 패턴을 비교하는 단계를 더 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  32. 제 30 항에 있어서,
    상기 인식되는 패턴에 기초한 부가적인 패턴을 자동적으로 습득하는 단계를 더 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  33. 제 30 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 공지된 패턴에 따라 상기 인식되는 패턴을 분류하는 단계를 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  34. 제 33 항에 있어서,
    상기 인식되는 패턴을 분류하는 단계는 신경 네트워크에 의해 수행되는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  35. 제 34 항에 있어서,
    상기 신경 네트워크는 래디얼 기반 기능 네트워크를 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  36. 제 27 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 상기 인식되는 패턴과 연관되는 상기 테스트 데이터로부터 피쳐를 추출하는 단계를 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  37. 제 36 항에 있어서,
    상기 피처는 상기 테스트 데이터에 기초하여 매스, 중심, 기하학 모멘트, 및 Hu 모멘트 중 하나 이상을 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  38. 제 36 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 분석을 위한 복수의 피처로부터 상기 피처를 선택하는 단계를 포함하는, 컴포넌트 테스트용 컴퓨터-구현 방법.
  39. 기계에 의해 실행가능한 명령을 저장하는 매체로서,
    상기 명령은 상기 기계로 하여금,
    컴포넌트에 대한 테스트 데이터를 획득하는 단계; 및
    상기 테스트 데이터에 기초한 제조 프로세스의 특징을 자동적으로 식별하는 단계를 포함하는 상기 테스트 데이터를 분석하기 위한 방법을 실행하게 하는, 명령 저장 매체.
  40. 제 39 항에 있어서,
    상기 테스트 데이터는 전자적 웨이퍼 소트 데이터, 전자적 웨이퍼 소트 데이터로부터 나온 데이터, 전기적 테스트 데이터, 빈 맵 데이터, 및 아웃라이어 데이 터 중 하나 이상을 포함하는, 명령 저장 매체.
  41. 제 39 항에 있어서,
    상기 분석하기 위한 방법은 상기 식별되는 특징에 기초한 올바른 동작 제안을 제공하는 단계를 더 포함하는, 명령 저장 매체.
  42. 제 39 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 상기 테스트 데이터에서 패턴을 인식하는 단계를 포함하는, 명령 저장 매체.
  43. 제 42 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 상기 특징에 연관되는 공지된 패턴과 상기 인식되는 패턴을 비교하는 단계를 더 포함하는, 명령 저장 매체.
  44. 제 42 항에 있어서,
    상기 분석하기 위한 방법은 상기 인식되는 패턴에 기초하여 부가적인 패턴을 자동적으로 습득하는 단계를 더 포함하는, 명령 저장 매체.
  45. 제 42 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 공지된 패턴에 따라 상기 인식되는 패턴을 분류하는 단계를 포함하는, 명령 저장 매체.
  46. 제 45 항에 있어서,
    상기 인식되는 패턴을 분류하는 단계는 신경 네트워크에 의해 수행되는, 명령 저장 매체.
  47. 제 46 항에 있어서,
    상기 신경 네트워크는 래디얼 기반 기능 네트워크를 포함하는, 명령 저장 매체.
  48. 제 39 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 인식되는 패턴과 연관되는 상기 테스트 데이터로부터 피처를 추출하는 단계를 포함하는, 명령 저장 매체.
  49. 제 48 항에 있어서,
    상기 피처는 상기 테스트 데이터에 기초하여 매스, 중심, 기하학 모멘트, 및 Hu 모멘트 중 하나 이상을 포함하는, 명령 저장 매체.
  50. 제 48 항에 있어서,
    상기 특징을 자동적으로 식별하는 단계는 분석을 위한 복수의 피처로부터 상기 피처를 선택하는 단계를 포함하는, 명령 저장 매체.
KR1020057025146A 2003-06-27 2004-06-28 데이터 분석 방법 및 장치 KR100858861B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US48300303P 2003-06-27 2003-06-27
US60/483,003 2003-06-27
US10/730,388 US7225107B2 (en) 2001-05-24 2003-12-07 Methods and apparatus for data analysis
US10/730,388 2003-12-07

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020077028096A Division KR20080003456A (ko) 2003-06-27 2004-06-28 데이터 분석 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20060026072A KR20060026072A (ko) 2006-03-22
KR100858861B1 true KR100858861B1 (ko) 2008-09-17

Family

ID=33555597

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020077028096A KR20080003456A (ko) 2003-06-27 2004-06-28 데이터 분석 방법 및 장치
KR1020057025146A KR100858861B1 (ko) 2003-06-27 2004-06-28 데이터 분석 방법 및 장치

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020077028096A KR20080003456A (ko) 2003-06-27 2004-06-28 데이터 분석 방법 및 장치

Country Status (6)

Country Link
US (1) US7225107B2 (ko)
EP (1) EP1639513A4 (ko)
JP (1) JP4616257B2 (ko)
KR (2) KR20080003456A (ko)
CA (1) CA2530666A1 (ko)
WO (1) WO2005001667A2 (ko)

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8041541B2 (en) * 2001-05-24 2011-10-18 Test Advantage, Inc. Methods and apparatus for data analysis
US20080189575A1 (en) * 2001-05-24 2008-08-07 Emilio Miguelanez Methods and apparatus for data analysis
US6907378B2 (en) * 2002-09-26 2005-06-14 Agilent Technologies, Inc. Empirical data based test optimization method
EP1562110A1 (en) * 2004-02-03 2005-08-10 Sap Ag A system for storing a pattern occuring in situation representations for context representation in an application and a method of storing a pattern occuring in situation representations for context representation in an application
US7440869B1 (en) * 2004-05-26 2008-10-21 Pdf Solutions, Inc. Mapping yield information of semiconductor dice
US7062415B2 (en) * 2004-08-27 2006-06-13 Lsi Logic Corporation Parametric outlier detection
US7137098B2 (en) * 2004-08-27 2006-11-14 Lsi Logic Corporation Pattern component analysis and manipulation
JP4573036B2 (ja) * 2005-03-16 2010-11-04 オムロン株式会社 検査装置および検査方法
US8825444B1 (en) 2005-05-19 2014-09-02 Nanometrics Incorporated Automated system check for metrology unit
EP1768053A1 (en) * 2005-09-12 2007-03-28 Honda Research Institute Europe GmbH Evolutionary search for robust solutions
EP1957990A2 (en) * 2005-11-04 2008-08-20 Tektronix, Inc. Methods and systems for automatic accommodation of multiple measurement types by shared acquisition hardware
US7617427B2 (en) * 2005-12-29 2009-11-10 Lsi Corporation Method and apparatus for detecting defects in integrated circuit die from stimulation of statistical outlier signatures
US7533313B1 (en) * 2006-03-09 2009-05-12 Advanced Micro Devices, Inc. Method and apparatus for identifying outlier data
US20070260936A1 (en) * 2006-04-13 2007-11-08 Carli Connally Systems and methods for assigning identifiers to test results for devices within a group
US20070276197A1 (en) * 2006-05-24 2007-11-29 Lifescan, Inc. Systems and methods for providing individualized disease management
US7403864B2 (en) * 2006-11-06 2008-07-22 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for centrally-controlled semiconductor wafer correlation
US7415387B2 (en) * 2006-12-19 2008-08-19 Qimonda North America Corp. Die and wafer failure classification system and method
JP5127507B2 (ja) * 2007-02-27 2013-01-23 キヤノン株式会社 情報処理装置、情報処理方法、プログラムおよび露光システム
US20080262769A1 (en) * 2007-04-23 2008-10-23 Daniel Kadosh Using multivariate health metrics to determine market segment and testing requirements
BRPI0814205A2 (pt) * 2007-07-23 2015-01-27 Fio Corp Método e sistema de coleta, armazenamento, análise e permissão de acesso a dados coletados e analisados associados a indivíduos de testes biológicos e ambientais
ITMI20071525A1 (it) * 2007-07-27 2009-01-28 Fond Bruno Kessler Un metodo e relativo dispositivo per la memorizzazione e utilizzo di informazioni di ausilio alla definizione di flussi di processo, in particolare per lo sviluppo e la produzione di dispositivi microelettronici e nano-micro-meccanici in camera pulit
JP5037289B2 (ja) 2007-10-04 2012-09-26 セイコーインスツル株式会社 サーマルプリンタユニットおよび印字装置
US8126881B1 (en) 2007-12-12 2012-02-28 Vast.com, Inc. Predictive conversion systems and methods
AT10073U9 (de) * 2008-01-14 2009-02-15 Avl List Gmbh Verfahren und vorrichtung zur analyse und bewertung von messdaten eines messsystems
US7756658B2 (en) * 2008-05-14 2010-07-13 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer and generating inspection results for the wafer
US8327196B2 (en) * 2008-07-16 2012-12-04 International Business Machines Corporation Identifying an optimized test bit pattern for analyzing electrical communications channel topologies
JP4820389B2 (ja) * 2008-07-22 2011-11-24 株式会社リコー チップ品質判定方法、チップ品質判定プログラム及びそれを用いたマーキング機構
US9251407B2 (en) * 2008-09-04 2016-02-02 Northrop Grumman Systems Corporation Security system utilizing gesture recognition
US20100076724A1 (en) * 2008-09-23 2010-03-25 Harold Lee Brown Method for capturing and analyzing test result data
US20120230661A1 (en) * 2008-11-11 2012-09-13 Emerson Electric Co. Apparatus and Method for Control of a Thermostat
US8843523B2 (en) * 2009-01-12 2014-09-23 Micron Technology, Inc. Devices, systems, and methods for communicating pattern matching results of a parallel pattern search engine
CN102597966B (zh) * 2009-11-04 2014-08-20 富士通株式会社 运行管理装置以及运行管理方法
US8870453B2 (en) * 2010-11-09 2014-10-28 Shockwatch, Inc. System, method and computer program product for monitoring temperature
US8620631B2 (en) 2011-04-11 2013-12-31 King Fahd University Of Petroleum And Minerals Method of identifying Hammerstein models with known nonlinearity structures using particle swarm optimization
CN104380663A (zh) * 2012-06-29 2015-02-25 惠普发展公司，有限责任合伙企业 基于规则的自动化测试数据生成
JP6006420B2 (ja) 2012-08-29 2016-10-12 エーエスエムエル ネザーランズ ビー．ブイ． 変形パターン認識手法、パターン転写方法、処理デバイスモニタリング方法、及びリソグラフィ装置
US10007946B1 (en) 2013-03-07 2018-06-26 Vast.com, Inc. Systems, methods, and devices for measuring similarity of and generating recommendations for unique items
US9104718B1 (en) 2013-03-07 2015-08-11 Vast.com, Inc. Systems, methods, and devices for measuring similarity of and generating recommendations for unique items
US9465873B1 (en) 2013-03-07 2016-10-11 Vast.com, Inc. Systems, methods, and devices for identifying and presenting identifications of significant attributes of unique items
US9830635B1 (en) 2013-03-13 2017-11-28 Vast.com, Inc. Systems, methods, and devices for determining and displaying market relative position of unique items
US10114823B2 (en) * 2013-11-04 2018-10-30 Ayasdi, Inc. Systems and methods for metric data smoothing
US10127596B1 (en) 2013-12-10 2018-11-13 Vast.com, Inc. Systems, methods, and devices for generating recommendations of unique items
JP6284024B2 (ja) * 2014-04-28 2018-02-28 横河電機株式会社 細胞生死判定システム、細胞生死判定方法
US10043690B2 (en) * 2015-03-31 2018-08-07 Lam Research Corporation Fault detection using showerhead voltage variation
KR102311933B1 (ko) * 2017-03-21 2021-10-15 에이에스엠엘 네델란즈 비.브이. 대상물 식별 및 비교
US10761128B2 (en) * 2017-03-23 2020-09-01 Kla-Tencor Corporation Methods and systems for inline parts average testing and latent reliability defect detection
US10453366B2 (en) * 2017-04-18 2019-10-22 Samsung Display Co., Ltd. System and method for white spot mura detection
US10268704B1 (en) 2017-10-12 2019-04-23 Vast.com, Inc. Partitioned distributed database systems, devices, and methods
US11600505B2 (en) * 2018-10-31 2023-03-07 Taiwan Semiconductor Manufacturing Co., Ltd. Systems and methods for systematic physical failure analysis (PFA) fault localization
DE102019201557A1 (de) * 2019-02-07 2020-08-13 Zf Friedrichshafen Ag Verfahren und Vorrichtung zum automatisierten Identifizieren eines Produktfehlers eines Produkts und/oder zum automatisierten Identifizieren einer Produktfehlerursache des Produktfehlers
US10930597B2 (en) * 2019-03-27 2021-02-23 Kla-Tencor Corporation Die screening using inline defect information
WO2021146427A1 (en) 2020-01-14 2021-07-22 Shockwatch, Inc. Temperature indicator
US11373839B1 (en) * 2021-02-03 2022-06-28 Fei Company Method and system for component analysis of spectral data

Citations (2)

* 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
US20020054694A1 (en) * 1999-03-26 2002-05-09 George J. Vachtsevanos Method and apparatus for analyzing an image to direct and identify patterns

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US140287A (en) * 1873-06-24 Improvement in electrical stop-motions for machinery
US4081991A (en) * 1976-08-09 1978-04-04 Powers Manufacturing, Inc. Apparatus for pressure testing frangible containers
US5495417A (en) * 1990-08-14 1996-02-27 Kabushiki Kaisha Toshiba System for automatically producing different semiconductor products in different quantities through a plurality of processes along a production line
US5240866A (en) * 1992-02-03 1993-08-31 At&T Bell Laboratories Method for characterizing failed circuits on semiconductor wafers
US6338148B1 (en) * 1993-11-10 2002-01-08 Compaq Computer Corporation Real-time test controller
US5539652A (en) * 1995-02-07 1996-07-23 Hewlett-Packard Company Method for manufacturing test simulation in electronic circuit design
US5787190A (en) * 1995-06-07 1998-07-28 Advanced Micro Devices, Inc. Method and apparatus for pattern recognition of wafer test bins
US5956251A (en) * 1995-06-28 1999-09-21 The Boeing Company Statistical tolerancing
DE69738979D1 (de) * 1996-03-19 2008-10-23 Hitachi Ltd Prozesssteuerungssystem
US5892949A (en) * 1996-08-30 1999-04-06 Schlumberger Technologies, Inc. ATE test programming architecture
US5966527A (en) * 1996-10-28 1999-10-12 Advanced Micro Devices, Inc. Apparatus, article of manufacture, method and system for simulating a mass-produced semiconductor device behavior
JPH10209230A (ja) * 1997-01-23 1998-08-07 Hitachi Ltd 不良解析装置およびその方法
US5835891A (en) * 1997-02-06 1998-11-10 Hewlett-Packard Company Device modeling using non-parametric statistical determination of boundary data vectors
IL123473A (en) * 1997-02-28 2001-08-08 Fiekowsky Peter J High accuracy particle dimension measurement system
KR100216066B1 (ko) * 1997-05-20 1999-08-16 윤종용 반도체 집적회로 소자 검사공정 제어 시스템 및 제어방법
KR100299716B1 (ko) * 1997-07-24 2001-09-06 가야시마 고조 Ic시험장치및방법
US6182022B1 (en) * 1998-01-26 2001-01-30 Hewlett-Packard Company Automated adaptive baselining and thresholding method and system
US6057679A (en) * 1998-06-12 2000-05-02 Credence Systems Corporation Integrated circuit tester having amorphous logic for real-time data analysis
US6516309B1 (en) * 1998-07-17 2003-02-04 Advanced Research & Technology Institute Method and apparatus for evolving a neural network
US6336086B1 (en) * 1998-08-13 2002-01-01 Agere Systems Guardian Corp. Method and system for analyzing wafer processing order
US6211513B1 (en) * 1998-10-30 2001-04-03 Avaya Technology Corp. Automated test system and method for device having circuit and ground connections
US6240329B1 (en) * 1998-11-09 2001-05-29 Chin-Yang Sun Method and apparatus for a semiconductor wafer inspection system using a knowledge-based system
WO2000035002A1 (de) * 1998-12-04 2000-06-15 Semiconductor 300 Gmbh & Co. Kg Verfahren und vorrichtung zur optischen kontrolle von fertigungsprozessen feinstrukturierter oberflächen in der halbleiterfertigung
US6279146B1 (en) * 1999-01-06 2001-08-21 Simutech Corporation Apparatus and method for verifying a multi-component electronic design
FR2796157B1 (fr) 1999-07-05 2002-05-31 Softlink Procede de tests de composants electroniques
US6477685B1 (en) * 1999-09-22 2002-11-05 Texas Instruments Incorporated Method and apparatus for yield and failure analysis in the manufacturing of semiconductors
US6184048B1 (en) * 1999-11-03 2001-02-06 Texas Instruments Incorporated Testing method and apparatus assuring semiconductor device quality and reliability
US6442499B1 (en) * 2000-03-29 2002-08-27 Test Advantage, Inc. Methods and apparatus for statistical process control of test
US6625785B2 (en) * 2000-04-19 2003-09-23 Georgia Tech Research Corporation Method for diagnosing process parameter variations from measurements in analog circuits
US20040006447A1 (en) * 2000-06-22 2004-01-08 Jacky Gorin Methods and apparatus for test process enhancement
JP2002090312A (ja) * 2000-09-21 2002-03-27 Hitachi Ltd 欠陥分析システム
US7167811B2 (en) * 2001-05-24 2007-01-23 Test Advantage, Inc. Methods and apparatus for data analysis
AU2002312045A1 (en) * 2001-05-24 2002-12-03 Test Advantage, Inc. Methods and apparatus for semiconductor testing
US6787379B1 (en) * 2001-12-12 2004-09-07 Lsi Logic Corporation Method of detecting spatially correlated variations in a parameter of an integrated circuit die
US6941497B2 (en) * 2002-01-15 2005-09-06 Agilent Technologies, Inc. N-squared algorithm for optimizing correlated events
US6807655B1 (en) * 2002-05-17 2004-10-19 Lsi Logic Corporation Adaptive off tester screening method based on intrinsic die parametric measurements
US6939727B1 (en) * 2003-11-03 2005-09-06 Lsi Logic Corporation Method for performing statistical post processing in semiconductor manufacturing using ID cells

Patent Citations (2)

* 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
US20020054694A1 (en) * 1999-03-26 2002-05-09 George J. Vachtsevanos Method and apparatus for analyzing an image to direct and identify patterns

Also Published As

Publication number Publication date
CA2530666A1 (en) 2005-01-06
KR20080003456A (ko) 2008-01-07
JP4616257B2 (ja) 2011-01-19
WO2005001667A2 (en) 2005-01-06
JP2007524834A (ja) 2007-08-30
EP1639513A2 (en) 2006-03-29
WO2005001667A3 (en) 2005-08-04
KR20060026072A (ko) 2006-03-22
US20040138846A1 (en) 2004-07-15
US7225107B2 (en) 2007-05-29
EP1639513A4 (en) 2006-11-15

Similar Documents

Publication Publication Date Title
KR100858861B1 (ko) 데이터 분석 방법 및 장치
US7395170B2 (en) Methods and apparatus for data analysis
US11853899B2 (en) Methods and apparatus for data analysis
US7356430B2 (en) Methods and apparatus for data analysis
US8041541B2 (en) Methods and apparatus for data analysis
JP5030582B2 (ja) データ分析用の装置および方法
US20080189575A1 (en) Methods and apparatus for data analysis
JP4728968B2 (ja) データ解析の方法および装置
US20110178967A1 (en) Methods and apparatus for data analysis
JP2010226125A (ja) 半導体テストのための方法および装置
KR20070018880A (ko) 데이터 분석을 위한 방법 및 장치
JP2009283947A (ja) データ分析用の方法および装置

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
J201 Request for trial against refusal decision
A107 Divisional application of patent
AMND Amendment
E801 Decision on dismissal of amendment
B601 Maintenance of original decision after re-examination before a trial
J301 Trial decision

Free format text: TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20071101

Effective date: 20080730

S901 Examination by remand of revocation
GRNO Decision to grant (after opposition)
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee