KR102222982B1 - 툴 헬스 모니터링 및 매칭 - Google Patents
툴 헬스 모니터링 및 매칭 Download PDFInfo
- Publication number
- KR102222982B1 KR102222982B1 KR1020207003578A KR20207003578A KR102222982B1 KR 102222982 B1 KR102222982 B1 KR 102222982B1 KR 1020207003578 A KR1020207003578 A KR 1020207003578A KR 20207003578 A KR20207003578 A KR 20207003578A KR 102222982 B1 KR102222982 B1 KR 102222982B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- semiconductor manufacturing
- manufacturing tools
- tool
- control unit
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000036541 health Effects 0.000 title abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 154
- 230000007547 defect Effects 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 122
- 239000004065 semiconductor Substances 0.000 claims abstract description 90
- 238000010191 image analysis Methods 0.000 claims abstract description 38
- 230000001364 causal effect Effects 0.000 claims abstract description 23
- 238000012913 prioritisation Methods 0.000 claims abstract description 13
- 238000004886 process control Methods 0.000 claims description 68
- 235000012431 wafers Nutrition 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract description 22
- 238000004458 analytical method Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 15
- 230000009471 action Effects 0.000 description 13
- 238000007689 inspection Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 238000013024 troubleshooting Methods 0.000 description 7
- 238000003070 Statistical process control Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
- G05B19/4187—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow by tool management
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing 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
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing 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
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2602—Wafer processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Semiconductor Integrated Circuits (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
통합된 실시간 데이터 수집, 이벤트 우선순위화, 및 이미지 분석을 통한 매칭된 상태들의 자동화된 결정을 통한 툴 헬스 모니터링 및 매칭을 위한 시스템들 및 방법들이 개시된다. 반도체 생산 툴들로부터의 데이터가 실시간으로 수신될 수 있다. 파라메트릭 데이터 및 결함 속성 데이터의 CLI(control limit impact)가 결정될 수 있고 인과 요인들이 우선순위화될 수 있다. 이미지 분석 기법들은 이미지들을 비교할 수 있고, 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴이 매칭하는 상태들 중 하나를 식별하는 것에 의해서와 같이, 툴 매칭을 판단하는 데 사용될 수 있다.
Description
본 개시내용은 제조에 대한 공정 제어에 관한 것이다.
최첨단(state-of-the-art) 제품들의 품질은 이 제품들이 현대의 첨단 기술(high tech) 경제의 기본적인 부분으로 됨에 따라 점점 더 중요해지고 있다. 제조업체들은 첨단 기술 경제의 수요를 만족시키기 위해 품질 제어(quality control) 및 재현성(reproducibility)에 계속하여 중점을 두고 있다. 제조 공정에서 가장 일관된 제품 특성들(product properties)을 생성하기 위해 공정 제어가 사용된다. 복잡하거나 다른 방식으로 정보에 민감한 제조가 수행되는 생산 라인들에서는 품질 제어가 필수적이다.
까다로운 제조 환경들에서, 많은 변수들이 동시에 유동적(in flux)이다. 본 명세서에서 반도체 환경이 언급되지만, 원리들은 임의의 제조 환경에 일반적이다. 예를 들어, 반도체 제조 환경에서, 공정 레시피, 측정 툴 레시피, 전체 공정 헬스(overall process health), 측정 툴 헬스(measurement tool health), 및 다른 파라미터들과 같은 변수들 모두가 유동적이다. 시간 경과에 따라 변동이 악화되지 않도록 하기 위해 제조 시설 내의 툴들을 모니터링하기 위한 기법을 제공하는 것이 제조업체에게 소중할 수 있다. 시프트(shift)가 검출될 때, 검출된 시프트를 해소하기 위해 빠른 대응이 있을 수 있다.
제조 환경에서 예방적 유지보수(Preventive Maintenance; PM)를 통해 툴 모니터링 및 정정 조치들(corrective actions)이 주기적으로 행해진다. PM들보다 일찍 툴 드리프트(tool drift)를 포착하기 위해, 표준 웨이퍼들 또는 특성화된 웨이퍼(characterized wafer)(예컨대, 모니터 웨이퍼 또는 골든 웨이퍼)를 모니터링하는 것에 의해 PM들이 보완된다. PM들이 툴을 다시 그의 동작 범위 내로 캘리브레이션(calibrate)하려고 시도한 동안, 표준 웨이퍼들은 웨이퍼의 주기적 스캐닝 및 결함 카운트들(defect counts)의 모니터링 및/또는 결함 포착률(defect capture rate)의 모니터링을 통해 PM들 사이에서 또는 PM들 이후에 발생할 수 있는 툴 드리프트들을 식별하려고 시도하였다. 생산 통계 공정 제어(statistical process control; SPC)에서의 임의의 드리프트 및/또는 표준 웨이퍼의 트렌드(trend)에서의 임의의 드리프트가 있는 경우, 이는 제조업체에 의한 공정 변경으로 인한 것이거나 툴 드리프트로 인한 것으로 가정되었으며, 이는 차례로 정정 조치를 요구하였다.
일 예에서, 툴 모니터링을 위해, 결함 표준 웨이퍼(defect standard wafer; DSW) 및 베어 실리콘 웨이퍼(bare silicon wafer)가, 임의로 모니터 웨이퍼와 함께, 사용된다. 이러한 웨이퍼들의 세트들은 결함 포착 및 트렌딩(trending)을 위해 사용된다. 확립된 트렌드로부터의 상당한 편차(deviation)는 근본 원인을 식별하기 위해 문제해결 조치를 트리거할 것이다. 상당한 편차가 없는 경우, 툴은 샘플들의 검사를 위해 생산에 릴리스(release)된다. 생산 층(production layer)이 자신의 트렌드에서 편차를 갖는다고 보고되는 경우, 임의의 드리프트가 있는지를 검증하기 위해 표준 웨이퍼(또는 모니터 웨이퍼) 트렌드가 체크된다. 표준 웨이퍼 또는 모니터 웨이퍼의 트렌드에 드리프트가 있는 경우, 근본 원인을 식별하기 위해 특정 행동 계획(plan of action; POA)이 발행되고 추가 문제해결을 위해 모니터 웨이퍼가 사용된다. 이 웨이퍼들에 트렌드가 없는 경우, 문제를 해결(troubleshoot)하기 위해 다수의 POA들이 발행된다.
툴의 성능이 떨어질 때 툴 헬스를 복원하기 위해 임시 교정(ad-hoc fix)이 또한 수행될 수 있다. 예를 들어, 툴의 성능이 그의 SPC 베이스라인(baseline)을 바탕으로 제조업체에 의해 또는 PM 또는 임의의 다른 임시 활동 시에 행해진 측정들을 통해 툴 벤더(tool vendor)에 의해 결정되는 특정의 원하는 상태 아래로 떨어질 때, 근본 원인을 식별하고 문제를 교정(fix)하기 위해 일련의 데이터 수집이 수행된다.
제조업체가 측정을 하기 위해 드리프팅 툴(drifting tool)을 사용하는 경우 제조업체는 익스커션(excursion)을 누락시킬 위험이 있다. 툴 아키텍처들이 보다 진보됨에 따라, PM 사이클들이 보다 길어지게 된다. 결과적으로, 툴 드리프트들이 적시에 검출 및 정정(correct)되지 않을 증가된 위험이 있다. 툴 드리프트들을 신속히 정정하지 못하는 것은 제조업체의 소유 비용(cost of ownership)을 증가시킨다. 게다가, 제조업체가 툴 가동시간 목표들(tool uptime targets)을 유지할 수 있도록 PM 시간이 제한된다. 그러나 툴들이 보다 진보됨에 따라 PM 스케줄들이 증가한다. 적절한 PM 시간이 없으면, PM들 간의 드리프트를 누락시킬 위험이 증가시킨다. 따라서, 스케줄링된 PM이 자주 최적화될 필요가 있는 하드웨어 파라미터들을 포괄적으로 커버하지 못할 수 있다. 그에 부가하여, 문제를 임시적으로 해결하고 교정하는 것은 비스케줄링된 툴 가동중지시간들(unscheduled tool down times)을 초래시키는데, 그 이유는 이들이 사후대응적 대응들(reactive responses)이기 때문이다. 근본 원인을 식별하기 위해 관련 데이터가 수집될 필요가 있기 때문에 임시 문제해결(ad-hoc troubleshooting)은 또한 보다 긴 시간이 걸릴 수 있다. 이것은 제조업체의 운영 비용(cost of operation)을 또다시 증가시킨다. 게다가, PM들 사이의 드리프트들을 검출하기 위해 부가의 웨이퍼들을 사용하는 방법론은 또한 완전히 효과적이지 않은데, 그 이유는 그것들이 생산 사용 사례들(production use-cases)의 폭을 포착하지 못하고 소유 비용을 증가시키기 때문이다. 드리프트를 방지하기 위해 툴 모니터링을 수행하는 다른 많은 방식들이 있지만, 이러한 툴 모니터링 기법들 각각은 단점들이 있다. 따라서, 거짓 경보들(false alarms)을 야기함이 없이 생산 데이터에 기초하여 툴 헬스를 모니터링하는 방법론이 필요하다.
제조업체가 자신의 생산 라인들을 밸런싱(balance)할 수 있도록 툴 매칭(tool matching)이 또한 제조업체들에 의해 엄격하게 제어된다. 미스매칭된 툴들(mismatched tools)은 제조업체의 운영 유연성을 감소시키고, 집중적 데이터 수집 및 수동 내지 반수동(manual to semi-manual) 진단 공정들로 인해 교정하는 데 극도로 많은 시간이 소요된다. 따라서, 제조업체들은 유사한 성능 또는 특성들을 갖도록 툴들을 매칭시키려고 시도한다.
툴 매칭은 다양한 방식들로 수행될 수 있다. 예를 들어, 기지의 샘플에 대해 반복 측정들이 행해질 수 있다. 사용자는 기준 툴(reference tool)(예컨대, 골든 또는 마스터 툴)에 대해 그리고 기준 툴에 감도 매칭(sensitivity match)되어야만 하는 툴에 대해 많은 반복들(예컨대, 10회 이상)을 실행한다. 양쪽 툴이 툴 규격 문서들에 정의되는 유사한 결함 카운트 및 결함 포착률을 보여줄 때 툴 매칭이 달성된다. 대부분의 경우들에서, 사용자는 현미경 대물렌즈의 초점 오프셋(focus offset)만을 수정한다. 이 기법을 사용하여, 마스터 툴과 후보 툴 간의 상이한 초점 오프셋들에서의 공통 결함들의 퍼센티지가 기록(note)된다. 마스터 툴과 후보 툴 간의 공통 결함 퍼센티지 및 카운트 매치(count match)가 규격을 만족시키거나 더 높은 지점은 매칭을 위한 최상의 초점 오프셋들로 간주된다. 이러한 반복 측정들을 하는 것은 극히 많은 시간이 소요되는 공정이다. 이는 또한 광범위한 수동 데이터 분석을 요구한다.
툴 매칭을 수행하기 위해 이미지들이 또한 수동으로 검토될 수 있다. 조사자(investigator)는 상이한 초점 오프셋들에서 이미지들을 수집하고 그것들을 수동으로 비교한다. 비슷하게 보이는 이미지들은 툴들이 매칭되는 초점 오프셋들이다. 그렇지만, 이 공정은 수동이고 주관적일 수 있다.
툴 매칭을 수행하기 위해 히스토그램들이 또한 비교될 수 있다. 매칭될 툴들로부터의 이미지들이 히스토그램들로 변환되고 히스토그램들의 형상들이 비교된다. 이 기법은, 차이들이 주관적으로 판단되는, 수동 검토를 수반할 수 있다. 대안적으로, 히스토그램이 최빈값(mode), 왜도(skewness), 또는 첨도(kurtosis)와 같은 통계 파라미터들로 변환될 수 있고, 차이들이 분석될 수 있다. 다중 피크 히스토그램들(multiple peak histograms)의 경우에, 2개의 비유사(dissimilar) 히스토그램이 또한 유사한 통계 파라미터들을 가질 수 있기 때문에, 통계 파라미터 기반 비교는 효과적이지 않을 수 있다.
툴 매칭은 또한, ASCR(Average Self Capture Rate) 및 COV(Coefficient of Variation)에 의해 측정되는, 검사 레시피 품질에 의해 영향을 받는다. ASCR 및 COV는 툴 대 툴 매칭(tool-to-tool matching)을 개선시키기 위해 제어되는 파라미터들이다. ASCR은 동일한 웨이퍼의 반복된 스캔들에서 포착되는 모든 결함들의 포착률들의 평균이다. COV는 동일한 웨이퍼의 반복된 스캔에서 평균 결함 카운트(average defects count)에 대한 결함 카운트의 표준 편차의 비이다. 이들은 기준 웨이퍼에 대해 10x 반복들을 실행함으로써 산출된다. 5% 미만의 COV 및 75% 초과의 ASCR는 양호한 품질의 레시피에 대한 표준으로 설정될 수 있다. 보다 낮은 ASCR 및 보다 높은 COV는 툴 매칭 이슈들을 야기하고 그리고/또는 공정 제어 한계를 넓힐 수 있으며, 이는 검사와 연관된 베타 위험(beta risk)을 증가시킨다.
이러한 COV 및 ASCR 요구사항들을 만족시키지 못하는 레시피가 툴 미스매치(tool mismatch)를 야기할 때, 툴 매칭이 개선될 수 있도록 레시피가 추가로 튜닝된다(tuned). 보다 높은 ASCR 및 보다 낮은 COV를 달성하기 위해, 사용자들은 종종 보다 낮은 포착률의 결함들(lower capture rate defects)을 제거하기 위해 임계 오프셋을 증가시키는 것에 의해 또는 분류 및 뉴슨스 필터링(nuisance filtering) 기법들을 사용하여 보다 낮은 포착률의 결함들을 필터링 제거하는 것에 의해 또는 검사 모드들을 변경하는 것에 의해 레시피를 둔감화(desensitize)시키며, 이는 보다 낮은 포착률의 결함 검출을 억제할 수 있다. 이것을 달성하기 위해, ASCR을 산출하는 데 사용되었던 10x 반복들 결과 중 하나가 선택되고, 보다 낮은 포착률의 결함들이 식별되며, 앞서 기술된 기법들을 사용하여 스캔 결과로부터 제거된다. 그렇지만, 낮은 포착 결과들을 제거하기 위해 단일 스캔 결과를 사용하는 것은 툴 매칭을 개선시키지 못할 수 있는데, 그 이유는 결과들에서의 스캔간 변동들(scan-to-scan variations)이 보상되지 않기 때문이다. 결과적으로, 사용자들은 검사 레시피들을 필요 이상의 레벨들까지 둔감화시키는 경향이 있으며, 이는 검사 레시피들로 하여금 크리티컬한 DOI들(defects of interest)을 누락시키게 할 수 있다. 사용자들은 또한 ASCR을 개선시키기 위해 모드를 변경하지 않을 수 있는데, 그 이유는 이전에 선택된 모드가 우연히 BKM(best known method) 모드 또는 신호대 잡음비 조사(signal-to-noise ratio investigation)에 기초하여 DOI를 포착하기 위한 최상의 모드 중 어느 하나이기 때문이다.
툴들이 캘리브레이션되고 레시피가 강건한(robust) 경우 툴들이 보다 잘 매칭될 수 있다. 툴들이 보다 양호해지고 캘리브레이션들이 보다 엄격해짐에 따라, 강건한 레시피들을 작성하고 릴리스하는 것이 툴 매칭에 보다 중요해지고 있다. 일반적으로, 레시피들은 최대한의 감도를 달성하려고 시도한다. 이러한 고감도 레시피들은, 비록 크리티컬한 결함들을 포착하는 데 요구되지만, 미스매치를 야기할 수 있다. 따라서, 레시피 품질에 의해 유도되는(induced) 툴 미스매치를 감소시키거나 제거하는 데 사용될 수 있는 개선된 공정이 필요하다. 이전의 기법들은 레시피를 먼저 릴리스하고 이어서, 매칭 이슈들을 먼저 사전대응적으로 교정하려고 시도하는 대신에, 매칭 이슈가 발생할 때 매칭 이슈들을 교정하는 것에 의존한다. 따라서, 툴 미스매치 문제해결은 사후대응적으로 된다. 툴 매칭은 고객에 대해 공정 램프(process ramp)에서의 지연들을 야기하고 툴 서비스 비용(cost of tool servicing)을 증가시킨다. 레시피가 일단 생산에 릴리스되면 레시피를 변경하는 것이 또한 어렵다.
따라서, 툴 모니터링 및 매칭을 위한 개선된 기법들이 필요하다.
제1 실시예에서, 시스템이 제공된다. 본 시스템은 복수의 반도체 제조 툴들과 전자 통신하는 인터페이스 및 이 인터페이스와 전자 통신하는 공정 제어 유닛을 포함한다. 공정 제어 유닛은 복수의 반도체 제조 툴들로부터 생산 데이터를 수신하도록 구성된다. 생산 데이터는 반도체 제조 툴들을 사용하여 제조되는 하나 이상의 반도체 웨이퍼의 측정치들을 포함한다. 생산 데이터는 파라메트릭 데이터(parametric data) 및 결함 속성 데이터(defect attributes data)를 포함한다. 공정 제어 유닛은 CLI(control limit impact, 제어 한계 영향) 모듈, 결함 카운트 식별 모듈(defects count identification module), 결함 속성 식별 모듈(defect attributes identification module), 우선순위화 모듈(prioritization module), 수집 모듈, 및 이미지 분석 모듈을 포함한다. CLI는 파라메트릭 데이터 및 결함 속성 데이터의 CLI가 규격을 초과하는 경우 경보(alert)를 송신하도록 구성된다. 결함 카운트 식별 모듈은 결함 카운트와 파라메트릭 데이터 사이의 관계를 식별하도록 구성된다. 결함 속성 식별 모듈은 결함 속성 데이터와 파라메트릭 데이터의 적어도 하나의 트렌드 사이의 관계를 식별하도록 구성된다. 우선순위화 모듈은 인과 요인들(causation factors)을 우선순위화하도록 구성된다. 수집 모듈은 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴에 대한 파라메트릭 데이터로부터 상이한 상태들에서 데이터를 수집한다. 이미지 분석 모듈은 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴이 매칭하는 상태들 중 하나를 식별하도록 구성된다.
공정 제어 유닛은 프로세서, 프로세서와 전자 통신하는 전자 데이터 저장 유닛, 및 프로세서 및 전자 데이터 저장 유닛과 전자 통신하는 통신 포트를 포함할 수 있다.
공정 제어 유닛은 제어 불능(out-of-control) 하드웨어 파라미터들을 보고하도록 프로그래밍될 수 있다.
인터페이스는 생산 데이터를 실시간으로 수신하도록 구성될 수 있다.
본 시스템은 제어 불능 하드웨어 파라미터들을 보고하도록 구성되는 보고 모듈을 추가로 포함할 수 있다. 제어 불능 하드웨어 파라미터들은 파라메트릭 데이터 및 결함 속성 데이터를 사용하여 결정된다.
공정 제어 유닛은 CLI 점수(CLI score)에 기초하여 제어 불능 하드웨어 파라미터들에 대한 우선순위를 설정하도록 추가로 구성될 수 있다. 보다 높은 CLI 점수는 보다 높은 우선순위에 대응할 수 있다.
우선순위화 모듈은 적어도 하나의 R-스퀘어 점수(R-square score)에 기초하여 인과 요인들을 우선순위화하도록 구성될 수 있다.
한 경우에, 이미지 분석 모듈은 이미지들을 FFT(Fast Fourier Transformed) 이미지들로 변환하고; FFT 이미지들 중 2개의 FFT 이미지를 픽셀 단위로(pixel by pixel) 비교하여 히스토그램을 생성하며; 히스토그램에 대한 R-스퀘어 값(R-square value)을 결정하도록 프로그래밍된다. 보다 높은 R-스퀘어 값은 개선된 매칭에 대응한다.
다른 경우에, 이미지 분석 모듈은 대표 구조체들(representative structures)을 정의하고; 반도체 제조 툴들 중 2개의 반도체 제조 툴로부터 대표 구조체들의 이미지 데이터를 수집하며; 이미지 데이터의 적어도 일부 이미지 파라미터들이 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이에서 매칭하도록 적어도 하나의 파라미터의 값을 결정하도록 프로그래밍된다.
또 다른 경우에, 이미지 분석 모듈은 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이의 최상의 매칭 파라미터들을 예측하기 위해 적어도 2개의 최적화된 가설 함수(optimized hypothesis functions)를 결정하고; 평균 제곱 오차(mean squared error)를 최소화하도록 피팅 파라미터(fitting parameter)를 최적화하며; 가설 함수들 중 2개의 가설 함수 사이의 차이를 최소화할 입력 변수의 오프셋 벡터를 구하기 위해 2개의 반도체 제조 툴의 가설 함수를 비교하며; 툴 변수들을 조정함으로써 2개의 반도체 제조 툴을 매칭시키도록 프로그래밍된다.
제2 실시예에서, 방법이 제공된다. 본 방법은, 공정 제어 유닛에서, 복수의 반도체 제조 툴들로부터 생산 데이터를 수신하는 단계를 포함한다. 생산 데이터는 반도체 제조 툴들을 사용하여 제조되는 하나 이상의 반도체 웨이퍼의 측정치들을 포함한다. 생산 데이터는 파라메트릭 데이터 및 결함 속성 데이터를 포함한다. 파라메트릭 데이터 및 결함 속성 데이터의 CLI(control limit impact)는 공정 제어 유닛을 사용하여 결정된다. 결함 카운트와 파라메트릭 데이터 사이의 관계는 공정 제어 유닛을 사용하여 식별된다. 결함 속성 데이터와 파라메트릭 데이터의 적어도 하나의 트렌드 사이의 관계는 공정 제어 유닛을 사용하여 식별된다. 인과 요인들이 공정 제어 유닛을 사용하여 우선순위화된다. 공정 제어 유닛을 사용하여, 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴에 대해 상이한 상태들에서 파라메트릭 데이터가 수집된다. 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴이 매칭하는 상태들 중 하나를 식별하기 위해 공정 제어 유닛을 사용하여 이미지 분석이 수행된다.
생산 데이터가 공정 제어 유닛에서 실시간으로 수신될 수 있다.
본 방법은 제어 불능 하드웨어 파라미터들을 보고하는 단계를 추가로 포함할 수 있다. 제어 불능 하드웨어 파라미터들은 파라메트릭 데이터 및 결함 속성 데이터를 사용하여 결정된다.
본 방법은 CLI 점수에 기초하여 제어 불능 하드웨어 파라미터들에 대한 우선순위를 설정하는 단계를 추가로 포함할 수 있다. 보다 높은 CLI 점수는 보다 높은 우선순위에 대응한다.
본 방법은 제어 한계와 대조하여 파라메트릭 데이터를 모니터링하는 단계를 추가로 포함할 수 있다. 제어 한계는 제조 규격들에 기초하여 또는 시그마 한계들(sigma limits)에 기초하여 정의된다.
반도체 제조 툴들 중 적어도 2개의 반도체 제조 툴 사이의 미스매치를 결정하기 위해 CLI가 측정될 수 있다. 랜덤 결함 카운트(random defect count)와 파라메트릭 데이터 간의 상관(correlation)이 수행될 수 있다.
인과 요인들의 우선순위화는 적어도 하나의 R-스퀘어 점수에 기초할 수 있다. 인과 요인들 각각에 대한 R-스퀘어 점수는 순위화될(ranked) 수 있다.
한 경우에, 이미지 분석은: 이미지들을 FFT(Fast Fourier Transformed) 이미지들로 변환하는 것; FFT 이미지들 중 2개의 FFT 이미지를 픽셀 단위로 비교하여 히스토그램을 생성하는 것; 및 히스토그램에 대한 R-스퀘어 값을 결정하는 것을 포함한다. 보다 높은 R-스퀘어 값은 개선된 매칭에 대응한다.
다른 경우에, 이미지 분석은: 대표 구조체들을 정의하는 것; 반도체 제조 툴들 중 2개의 반도체 제조 툴로부터 대표 구조체들의 이미지 데이터를 수집하는 것; 및 이미지 데이터의 적어도 일부 이미지 파라미터들이 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이에서 매칭하도록 적어도 하나의 파라미터의 값을 결정하는 것을 포함한다.
또 다른 경우에, 이미지 분석은: 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이의 최상의 매칭 파라미터들을 예측하기 위해 적어도 2개의 최적화된 가설 함수를 결정하는 것; 평균 제곱 오차를 최소화하도록 피팅 파라미터를 최적화하는 것; 가설 함수들 중 2개의 가설 함수 사이의 차이를 최소화할 입력 변수의 오프셋 벡터를 구하기 위해 2개의 반도체 제조 툴의 가설 함수를 비교하는 것; 및 툴 변수들을 조정함으로써 2개의 반도체 제조 툴을 매칭시키는 것을 포함한다. 이 경우에, 이미지 분석은: 결함들의 제1 퍼센티지를 학습 세트(learning set)로서, 결함들의 제2 퍼센티지를 교차 검증 세트(cross-validation set)로서, 그리고 나머지 퍼센티지를 테스트 세트(test set)로서 랜덤하게 선택하는 것; 및 교차 검증 세트를 사용하여 가설 함수들을 테스트하는 것을 추가로 포함할 수 있다.
본 개시내용의 본질 및 목적들의 보다 완전한 이해를 위해, 첨부 도면과 관련하여 이루어진 이하의 상세한 설명이 참조되어야 한다.
도 1은 본 개시내용에 따른 방법의 플로차트이다;
도 2는 3개의 대표 이미지(좌측) 및 대응하는 FFT 이미지(우측)의 제1 세트를 예시하고 있다;
도 3은 도 2로부터의 이미지들의 상관 플롯(correlation plot)이다.
도 4는 예시적인 이미지들 및 대응하는 FFT 이미지들의 제2 세트를 도시하고 있다;
도 5는 도 4에서의 FFT 이미지들의 3개의 상관 플롯을 포함하고 있다;
도 6은 이미지 속성들 대 초점을 보여주는 차트이다;
도 7은 이미지 분석의 일 실시예를 예시하고 있다;
도 8 내지 도 10은 도 1의 방법의 일 구현을 예시하고 있다;
도 11은 본 개시내용에 따른 시스템의 블록 다이어그램이다;
도 12는 본 개시내용에 따른 COV를 감소시키고 ASCR을 증가시키기 위한 일 실시예의 플로차트이다;
도 13은 본 개시내용에 따른 COV를 감소시키고 ASCR을 증가시키기 위한 일 실시예의 다른 플로차트이다;
도 14 내지 도 16은 도 12 및 도 13에서의 기법의 효과를 예시하고 있다;
도 17a 내지 도 17c는 도 12 및 도 13의 기법의 일 구현을 예시하고 있다;
도 18은 본 개시내용에 따른 COV를 감소시키고 ASCR을 증가시키기 위한 일 실시예의 다른 플로차트이다;
도 19 및 도 20은 본 개시내용에 따른 레시피 릴리스 방법을 예시하고 있다;
도 21은 본 개시내용에 따른 실시간 데이터 수집을 사용한 툴 모니터링 및 유지보수를 위한 일 실시예의 플로차트이다;
도 22는 본 개시내용에 따른 실시간 데이터 수집을 사용한 툴 모니터링 및 유지보수를 위한 일 실시예의 다른 플로차트이다; 그리고
도 23은 본 개시내용에 따른 미스매칭의 소스를 디커플링(decoupling)시키기 위한 일 실시예의 다른 플로차트이다.
도 1은 본 개시내용에 따른 방법의 플로차트이다;
도 2는 3개의 대표 이미지(좌측) 및 대응하는 FFT 이미지(우측)의 제1 세트를 예시하고 있다;
도 3은 도 2로부터의 이미지들의 상관 플롯(correlation plot)이다.
도 4는 예시적인 이미지들 및 대응하는 FFT 이미지들의 제2 세트를 도시하고 있다;
도 5는 도 4에서의 FFT 이미지들의 3개의 상관 플롯을 포함하고 있다;
도 6은 이미지 속성들 대 초점을 보여주는 차트이다;
도 7은 이미지 분석의 일 실시예를 예시하고 있다;
도 8 내지 도 10은 도 1의 방법의 일 구현을 예시하고 있다;
도 11은 본 개시내용에 따른 시스템의 블록 다이어그램이다;
도 12는 본 개시내용에 따른 COV를 감소시키고 ASCR을 증가시키기 위한 일 실시예의 플로차트이다;
도 13은 본 개시내용에 따른 COV를 감소시키고 ASCR을 증가시키기 위한 일 실시예의 다른 플로차트이다;
도 14 내지 도 16은 도 12 및 도 13에서의 기법의 효과를 예시하고 있다;
도 17a 내지 도 17c는 도 12 및 도 13의 기법의 일 구현을 예시하고 있다;
도 18은 본 개시내용에 따른 COV를 감소시키고 ASCR을 증가시키기 위한 일 실시예의 다른 플로차트이다;
도 19 및 도 20은 본 개시내용에 따른 레시피 릴리스 방법을 예시하고 있다;
도 21은 본 개시내용에 따른 실시간 데이터 수집을 사용한 툴 모니터링 및 유지보수를 위한 일 실시예의 플로차트이다;
도 22는 본 개시내용에 따른 실시간 데이터 수집을 사용한 툴 모니터링 및 유지보수를 위한 일 실시예의 다른 플로차트이다; 그리고
도 23은 본 개시내용에 따른 미스매칭의 소스를 디커플링(decoupling)시키기 위한 일 실시예의 다른 플로차트이다.
비록 청구된 주제(subject matter)가 특정 실시예들과 관련하여 기술될 것이지만, 본 명세서에 기재된 이점들 및 특징들 전부를 제공하지는 않는 실시예들을 포함한, 다른 실시예들이 또한 본 개시내용의 범주 내에 있다. 본 개시내용의 범주를 벗어나지 않으면서 다양한 구조적, 논리적, 공정 단계, 및 전자적 변경들이 이루어질 수 있다. 그에 따라, 본 개시내용의 범주는 첨부된 청구항들을 참조하는 것에 의해서만 한정된다.
방법의 단계들 각각은 본 명세서에 추가로 기술되는 바와 같이 수행될 수 있다. 방법들은 또한 본 명세서에 기술된 공정 제어 유닛 및/또는 컴퓨터 서브시스템(들) 또는 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 단계들은 본 명세서에 기술된 실시예들 중 임의의 것에 따라 구성될 수 있는, 하나 이상의 컴퓨터 시스템에 의해 수행된다. 그에 부가하여, 앞서 기술된 방법들은 본 명세서에 기술된 시스템 실시예들 중 임의의 것에 의해 수행될 수 있다.
본 명세서에 개시된 실시예들은 반도체 제조에 관해 개시되어 있다. 그렇지만, 본 명세서에 개시된 기법들은, 전자, 자동차, 화학, 제약, 항공기, 또는 생체의료 디바이스들에 대한 것들을 포함한, 다른 제조 세팅들(manufacturing settings)에 적용될 수 있다.
통합된 실시간 데이터 수집, 이벤트 우선순위화, 및 이미지 분석을 통한 매칭된 상태들의 자동화된 결정을 통한 툴 헬스 모니터링 및 매칭은 툴 유지보수 및 매칭을 위한 결과 도달 시간(time to result)을 감소시킬 수 있다. 미스매치 인과 요인들을 식별하기 위한 실시간 데이터 수집, 생산에 대한 영향에 기초한 정정 조치들의 우선순위화, 및 툴 매칭의 자동화 및 평가에 적당한 분석 기법들의 통합된 접근법이 개시되어 있다. 개시된 이미지 분석 기법들은, 머신 러닝 기법들을 사용하는 것과 같이, 이미지들을 비교하고, 툴 매칭을 판단하는 데 사용될 수 있다. 결과 도달 시간이 개선될 것이고, 이는 레시피들을 생산에 보다 일찍 투입(put)할 수 있다. 본 명세서에 개시된 기법들은 빅 데이터 응용에 적당하며, 예측적 및 자가 유지보수형(predictive and self-maintained)(예컨대, 자가 매칭형(self-matched)) 툴들에 대해 구현될 수 있다. 하드웨어 파라미터의 실시간 모니터링 및 생산 SPC에의 그의 상관은 툴 드리프트들을 보다 일찍 식별하고 이들을 보다 적시에 교정하는 데 도움이 될 수 있다.
도 1은 방법(100)의 플로차트이다. 101에서, 복수의 반도체 제조 툴들로부터의 생산 데이터가 공정 제어 유닛에서 수신된다. 생산 데이터가 공정 제어 유닛에서 실시간으로 수신될 수 있다. 생산 데이터는 제조 툴들을 사용하여 제조되는 하나 이상의 반도체 웨이퍼의 측정치들을 포함한다. 생산 데이터는 파라메트릭 데이터 및 결함 속성 데이터를 포함한다. 파라메트릭 데이터는 툴의 상태에 관한 정보를 제공하는 툴 하드웨어에 관련된 임의의 데이터를 지칭한다. 램프 온도, 오토 포커스 센서 데이터, TDI(time delay integration) 센서 데이터, 스테이지 속도 및 감쇠 인자(damping factor), 및 램프 수명은 파라메트릭 데이터의 몇 가지 예들이다. 결함 속성 데이터는 결함의 특성들(properties)을 설명하는 임의의 데이터를 지칭한다. 결함 구역, 그레이 값(gray value), 극성, 발생 위치 및 형상은 결함 속성들의 몇 가지 예들이다.
본 구현에서, 빈번한 데이터 수집 및/또는 실시간 데이터 수집이 수행될 수 있다. 검사된 웨이퍼들로부터의 하드웨어 파라미터들 및 결함 속성들의 실시간 데이터 수집은 이슈가 보고된 후에 문제해결을 위한 데이터를 수집하는 것에 비해 장점들을 제공한다. 파라메트릭 데이터는 제조 규격들에 기초하여 정의될 수 있는 제어 한계 또는 통계적 방법들을 통해 식별된 시그마 한계들과 대조하여 모니터링된다. 사용자 개입을 위해 제어 불능(out of control; OOC)인 파라미터들이 보고된다. CLI(control limit impact)가 또한 툴 매칭을 게이징(gauge)하기 위해 빈번히 측정될 수 있다. 일 실시예에서, 사용자 개입이 필요 없으며, 공정 제어 유닛은 머신 러닝 알고리즘을 사용하여 그 다음의 논리적 단계를 취한다.
102에서, 파라메트릭 데이터 및 결함 속성 데이터의 CLI가 공정 제어 유닛을 사용하여 결정될 수 있다. CLI(또는 TMU(total measurement uncertainty) CLI)는 아래에 보여지는 수식을 사용하여 측정된다.
이상의 방정식에서, σ는 특정의 샘플 그룹에 대한 결함 카운트의 표준 편차이다. 반도체 산업에서, 그것은 디바이스의 특정의 층에 대해 계산된다. σ는 총 제조 공정 변동(total manufacturing process variation)을 측정 시스템으로 인한 부분과 다른 원인들로 인한 부분으로 파티셔닝하기 위해 분산 성분 분석(variance components analysis) 또는 다른 기법들을 사용하여 생성될 수 있다. σ(측정)가 툴 대 툴(tool-to-tool) 및 툴 내부(within-tool) 측정 변동 둘 다를 포함할 수 있는 용어라는 점에 유의한다. 생산 데이터의 총 표준 편차인 σ(총 공정)는 실제 공정 변동 및 측정 시스템 변동 둘 다를 포함할 수 있다. CLI는 결함 카운트에서의 측정 시스템 유도 변동(measurement system-induced variation)으로 인한 공정 제어 한계 폭의 증가를 측정한다. 예를 들어, 측정 시스템 하드웨어에서의 툴 대 툴 및 툴 내부 변동은 동일한 값이 시간 경과에 따라 상이하게 측정되게 할 수 있다. 이들은 변동의 측정 시스템 소스들이다. 공정은 본질적으로 상이한 결함 값들을 가지는 많은 상이한 재료 로트들(lots) 또는 배치들(batches)을 갖는다. 따라서, 로트간 변동(lot-to-lot variation)은 변동의 비-측정 시스템 소스의 일 예이다. CLI 메트릭은 제조 중에 각각의 측정 단계에서의 툴 미스매치의 정도를 보여주며, 따라서 이는 하드웨어 문제해결을 우선순위화하는 데 도움이 될 수 있다. 도 8에 도시된 바와 같이, 툴 간의 미스매치의 지표(indicator)인 TMU는 CLI에 상관되어 있다. 도 8b는, 생산 환경에서, 툴 상에서 검사된 층들 중 일부만이 미스매칭한다는 것을 보여준다. 이러한 층들에서의 미스매치의 정도가 또한 상이하다. TMU 및, 결과적으로, CLI는 이러한 미스매칭된 층들을 식별하고 우선순위화하는 데 도움이 된다.
CLI는 또한 한 번에 하나의 툴로부터의 데이터를 체계적으로(systematically) 제거하고 CLI의 변화를 계산하는 것에 의해, 가장 많은 미스매치를 야기하고 있는 툴을 표시하기 위해 반복적으로 사용될 수 있다. CLI에 가장 큰 영향을 미치는 툴은 전체 생산 공정 제어에 가장 큰 영향을 미치는 툴이다.
도 1에서의 103에서, 결함 카운트와 파라메트릭 데이터 사이의 관계는 반도체 세팅(semiconductor setting)에서의 표준 웨이퍼 또는 골든 웨이퍼와 같은, 공정 제어 유닛을 이용하여 식별될 수 있다. 측정 툴들이 잘 매칭될 때, 동일한 웨이퍼 상에서 상이한 툴들에 의해 포착된 결함들의 수가 거의 동일하고, 툴들 간의 하드웨어 세팅들이 유사하다. 그에 부가하여, 매칭된 툴들로부터 획득된 이미지들이 비슷하다. 그 결과, 상이한 툴들에 의해 측정된 단일 결함의 이미지로부터 추출된 결함 특성들 또는 속성들은 유의한 차이(significant difference)를 갖지 않을 것이다.
그렇지만, 이전에 매칭된 툴들 중 하나가 시프트하거나 열화하고 있는 하드웨어 컴포넌트를 가지는 경우, 이 툴에 의해 포착된 이미지는 나머지 매칭된 툴들에 의해 포착된 이미지와 비교하여 상이할 수 있다. 이것은 결함 카운트 및/또는 결함 속성들에서의 미스매치로 나타날 수 있다. 따라서, 결함 카운트, 결함 속성, 및 하드웨어 파라메트릭 데이터 간의 상관관계 연구가 하드웨어 시프트가 발생했다는 것을 식별하는 데 사용될 수 있다.
실시간 매칭 연습(real time matching exercise)에서, 단일 표준 또는 골든 웨이퍼(또는 샘플)를 측정하는 대신에, 상이한 생산 웨이퍼들(또는 샘플들)로부터의 데이터가 공정 변동을 모니터링하기 위해 상이한 측정 툴들에서 검사된다. 제조업체들이 전형적으로 측정 툴들에의 생산 로트들의 배정을 랜덤화하고 충분히 많은 수의 로트들을 검사하기 때문에, 하드웨어 파라메트릭 데이터 및 결함 속성들의 실시간 트렌드들이 툴 매칭을 게이징하는 데 사용될 수 있다.
근본 원인을 식별하기 위한 분석은 모든 툴들로부터 획득된 데이터를 사용하는 다변량 분석(multivariate analysis)을 수반할 수 있다. 제1 레벨 분석은 결함 카운트와 하드웨어 파라메트릭 데이터 사이의 다변량 분석을 수반할 수 있다. 높은 R-스퀘어 점수를 나타내는 하나 이상의 하드웨어 파라미터가 서브컴포넌트 레벨 문제해결을 위해 선택될 수 있다.
제2 레벨 분석으로서, 104에서 결함 속성 데이터와 파라메트릭 데이터의 적어도 하나의 트렌드 사이의 관계가 공정 제어 유닛을 사용하여, 그리고 R-스퀘어 점수를 메트릭으로서 사용하여 식별될 수 있으며, 여기서 R-스퀘어는 표준 통계 방법이다. 이 2-단계 접근법은 분석 시간을 절감하는 데 도움이 되며, 또한 인과 요인을 좁히는 데 도움이 된다. 예를 들어, 제1 레벨 분석 이후에, 도출된 결과는 결함 카운트에서의 미스매치가 이미징 시스템에 관련된 하드웨어 파라메트릭 데이터와 높은 상관관계를 갖는다(highly correlated)는 것일 수 있다. 게다가, 제2 레벨 분석으로부터, 사용자가 결함들의 그레이 레벨들이 이미징 시스템과 강한 상관관계를 갖고(strongly correlated) 결함 사이즈들이 이미징 시스템에 상관되지 않는다고 결론짓는 경우, 이미징 시스템이 교정될 필요가 있고, 미스매칭된 툴에 대해 초점 오프셋을 조정할 필요가 없다고 결론지을 수 있다. 도 9a는 매칭될 툴들로부터의 결함 카운트와 하드웨어 파라메트릭(hardware parametric) 사이의 상관의 일 예를 도시하고 있다. 도 9b는 하드웨어 파라메트릭에 대한 정정 조치들 이후에, 미스매칭된 층이 미스매치의 감소를 보여주었고 매칭된 층이 정정 조치들로 인해 어떠한 부정적 영향도 보이지 않았다는 것을 도시하고 있다.
다시 도 1을 참조하면, 105에서 인과 요인들이 공정 제어 유닛을 사용하여 우선순위화될 수 있다. 우선순위화는 적어도 하나의 R-스퀘어 점수에 기초할 수 있다. 인과 요인들 각각에 대한 R-스퀘어 점수는 순위화될 수 있다.
106에서 공정 제어 유닛을 사용하여 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴에 대해 상이한 상태들에서 파라메트릭 데이터가 수집될 수 있다. 하나 이상의 인과 요인이 일단 식별되면, 드리프트한 툴에 대해 변경들이 행해지고, 툴들이 매칭하는 상태를 확립하기 위해 이미지 상관 분석을 수행하기 위해 기준 웨이퍼 상에서 적당한 위치들에서의 이미지들이 수집된다. 툴에 대해 행해진 각각의 변경은, 툴 상태(tool state)라고 지칭되는, 툴 세팅(tool setting)의 고유 조합을 생성한다. 일부 경우들에서, 가장 높은 매칭을 결과하는 상태를 결정하기 위해 다수의 툴 상태들에서 데이터를 수집하는 것이 현명할 수 있다.
반도체 제조 툴들 중 2개 이상의 반도체 제조 툴이 매칭하는 상태들 중 하나를 식별하기 위해 공정 제어 유닛을 사용하여 107에서 이미지 분석이 수행될 수 있다. 미스매치를 야기하는 최상위 원인들(top reasons)로서 식별된 인과 요인들이, 교정될 필요가 있는 하드웨어 컴포넌트에 따라 상이할 수 있는, 정정 조치들을 통해 교정될 수 있다. 그렇지만, 경험적으로, 툴들이 매칭될 때, 그들에 의해 포착된 이미지들은 거의 동일하다. 따라서, 정정 조치들의 영향이 상이한 이미지 분석 기법들을 통한 이미지들의 자동화된 비교를 통해 측정될 수 있다.
한 경우에, 107에서의 이미지 분석은 이미지들을 FFT(Fast Fourier Transformed) 이미지들로 변환한다. FFT 이미지들 중 2개의 FFT 이미지가 픽셀 단위로 서로 비교된다. R-스퀘어 값을 확립하기 위해 상관 플롯이 생성된다. 보다 높은 R-스퀘어 값은 개선된 매칭에 대응한다. 이것은 상이한 이미지들의 자동화된 비교를 가능하게 해줄 수 있다.
정규 히스토그램(regular histogram) 기반 이미지 분석 기법은 대조 비교(side by side comparison)를 수반한다. 상이한 이미지들로부터의 히스토그램들의 형상들이 인간의 판단을 사용하여 그리고/또는 2개의 히스토그램 사이의 왜도, 첨도 등의 퍼센티지 변화를 측정하는 것을 수반하는 통계적 기법을 사용하여 비교될 수 있다. 히스토그램이 다수의 최빈값들(피크들)을 가지며 주관성을 갖는 경향이 있을 때 이러한 기법들은 잘못된 결론을 생성할 수 있다. 이러한 기법의 일부 요소들은 FFT 기반 기법을 보완하는 데 여전히 사용될 수 있다.
이미지 변환(예컨대, FFT)은, ImageJ에 의해 제공되는 것과 같은, 공지된 소프트웨어를 사용하여 수행될 수 있다. FFT 이미지들로의 이미지들의 변환은 다수의 장점들을 제공할 수 있다. 이점들 중 하나는 비교를 위한 보다 용이한 이미지 정렬이다. 다른 예는 이미지들이 적당한 사이즈로 크로핑되고(cropped) 변환되며(transformed), 비교를 위해 사용될 수 있다는 것이다. 높은 정확성으로 정확히 동일한 좌표들로부터 이미지들을 획득하는 것이 어렵기 때문에 많은 수의 이미지들의 자동화된 분석을 위해 이러한 이점들이 요망될 수 있다. 변환 및 정렬을 위해 변환된 이미지들의 사용은, 그 전체가 참고로 포함되는 미국 특허 제6,483,538호에 개시된 것들과 같은, 기법들을 사용할 수 있다.
3개의 상이한 대표 이미지(좌측) 및 대응하는 FFT 이미지(우측)의 예들이 도 2에 도시되어 있다. 도 2에서의 예 A는 기준 툴로부터의 그레이, 어두운, 및 밝은 패턴들을 갖는 반도체 이미지에 기초한다. 도 2에서의 예 B는 A의 크로핑된 이미지에 기초한다. 도 2에서의 예 C는 다른 툴로부터의 밝고 어두운 패턴들을 갖는 반도체 이미지에 기초한다. 도 2에 도시된 바와 같이, FFT는, 비교를 위한 이미지들을 정렬하는 것을 보다 용이하게 만들어주는, 중앙에 있는 교차 지점과 같은 십자선(cross hair)을 가질 수 있는 이미지를 가져올 수 있다. 이미지들에서의 사소한 오정렬(misalignment)의 효과들은 체계적인 크로핑에 의해 감소된다. 예 B와 예 C 사이의 상관 플롯이 도 3에 도시되어 있다.
도 4는 예시적인 이미지들 및 대응하는 FFT 이미지들의 제2 세트를 도시하고 있다. 도 5는 도 4에 도시된 이미지들의 FFT 이미지들의 3개의 플롯을 포함한다. 도 5a는 도 4a의 상관을 도시하고 있다. 도 5b는 도 4b의 상관을 도시하고 있다. 도 5c는 도 4c의 상관을 도시하고 있다.
도 5의 플롯들에 도시된 바와 같이, 도 5b에서의 R-스퀘어는 도 5a에서의 R-스퀘어보다 더 높다. 이것은 수동 검토의 소견(findings)과 부합하며, 툴들이 최상으로 매칭하는 초점 오프셋이다. 이와 유사하게, 도 4c로부터의 이미지들의 비교는 낮은 상관관계를 보여주고 있다.
다른 경우에, 도 1의 107에서의 이미지 분석에서, 이미지들이 그레이 레벨(gray level), 콘트라스트(contrast), 또는 샤프니스(sharpness)와 같은 이미지 속성들로 변환된다. 이러한 속성들 간의 비교가 행해질 수 있다. 반도체 제조 툴들 중 2개의 반도체 제조 툴로부터 대표 구조체들의 이미지 데이터가 수집될 수 있다. 적어도 하나의 툴 파라미터의 값은 양쪽 툴에서 변화될 수 있다. 예를 들어, 2개의 툴에서 현미경 대물렌즈의 초점 오프셋이 변화될 수 있다. 이 툴 파라미터의 최상의 값은 이미지 속성들이 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이에서 얼마나 잘 매칭하는지에 기초하여 식별될 수 있다.
데이터 수집 동안, 사용자는 시뮬레이트된 런타임 이미지들을 수집하기 위한 대표 구조체들을 정의하고 이미지 속성들을 산출할 수 있다. 구조체들은 결함 위치에 있을 필요가 없는데, 그 이유는 의도가, 결함이 아니라, 이미지의 속성들을 매칭시키는 것이기 때문이다. 사용자 대신에, 알고리즘은 설계에 기초하여 대표 구조체들을 탐색하고 이미지 데이터를 수집할 수 있거나 알고리즘은 기준 툴에서 결함 검사 스캔을 실행하고 대표 구조체들을 랜덤하게 선택할 수 있다.
기준 툴에서의 선택된 사이트들(sites)에 대한 이미지 데이터가 수집되고 동일한 데이터가 후보 툴에서의 초점을 통해 수집된다. 이미지 데이터가 또한 초점 커브 매칭(focus curve matching)을 수행하기 위해 초점을 통해 기준 툴에서 수집될 수 있다. 매칭하는 파라미터 또는 파라미터들의 최상의 값은, 후보 툴의, 이미지 콘트라스트, 피처 샤프니스(feature sharpness)와 같은, 특정 이미지 파라미터들이 기준 툴의 것들과 매칭하도록 결정될 수 있다.
분석 기법은 후보 툴에서 수집된 이미지의 단일 피처 또는 파라미터를 기준 툴에서의 것과 비교할 수 있다. 도 6은 이미지 속성들 대 초점을 보여주는 차트이다. 도 6은 초점을 통한 3개의 도출된 속성의 응답을 예시하고 있다.
후보 툴 응답을 마스터 툴에 매칭시키기 위해 데이터 피팅 알고리즘(data fitting algorithm)이 이어서 실행될 수 있다.
예를 들어, 상이한 초점 오프셋들과 같은, 매칭 파라미터의 상이한 값들에 대해 피처 샤프니스 값이 플로팅될(plotted) 수 있다. 예를 들어, 피처 샤프니스 값이 기준 툴로부터의 것과 매칭하는 경우 초점 오프셋이 보간될 수 있다.
또 다른 경우에, 도 1의 107에서의 이미지 분석은 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이의 최상의 매칭 파라미터들을 예측하기 위해 적어도 2개의 최적화된 가설 함수를 결정한다. 피팅 파라미터 θ는 평균 제곱 오차를 최소화하도록 최적화된다. 가설 함수들 중 2개의 가설 함수 사이의 차이를 최소화할 입력 변수의 오프셋 벡터를 구하기 위해 2개의 반도체 제조 툴의 가설 함수가 비교된다. 툴 변수들을 조정함으로써 2개의 반도체 제조 툴이 매칭된다. 결함들의 제1 퍼센티지는 학습 세트로서 랜덤하게 선택될 수 있고, 결함들의 제2 퍼센티지는 교차 검증 세트로서 랜덤하게 선택될 수 있으며, 나머지 퍼센티지는 테스트 세트로서 랜덤하게 선택될 수 있다. 가설 함수들이 교차 검증 세트를 사용하여 테스트될 수 있다.
데이터 수집을 위한 기법은 이전의 이미지 분석 실시예의 것과 동일할 수 있다. 분석 기법은, 특히 단지 초점 오프셋 이상의 것이 도 7에 도시된 바와 같이 변화될 필요가 있는 경우, 최상의 매칭 조건들을 찾아내기 위해, 딥 러닝(deep learning)과 같은, 진보된 최적화 알고리즘들을 사용하는 것이다.
한 경우에, 기준 툴에서 결함 검사 스캔이 실행된다. DOI, 다른 실제 결함들, 및 검사된 구역 전체에 걸친 뉴슨스 이벤트들(nuisance events)을 포함하는, 결함들이 이어서 랜덤하게 선택된다(예컨대, 100개의 결함). 상이한 매칭 파라미터들(예컨대, 상이한 초점 오프셋들)에 대해 기준 툴 및 후보 툴에서 그 결함들 전부에 대해 이미지 데이터가 수집된다. 결함들의 퍼센티지(예컨대, 60%)가 학습 세트로서 선택되고, 퍼센티지(예컨대, 20%)가 교차 검증 세트로서 선택되며, 나머지는 머신 러닝 알고리즘에 대한 테스트 세트로서 선택된다. 최상의 초점 오프셋과 같은, 최상의 툴 대 툴 매칭 파라미터들을 예측할 수 있는 최상의 가설 함수 또는 함수들이 발견된다. 가설 함수 또는 함수들은 교차 검증 세트를 사용하여 테스트된다. 가장 낮은 오류를 갖거나 가장 신뢰성 있는 것이 발견된다. 모델의 일반화 오류(generalization error)는 테스트 데이터 세트를 사용하여 추정된다. 오류가 낮은 경우, 가설 함수는 기준 툴과 후보 툴 사이의 입력 변수 오프셋 벡터의 최상의 값을 보간하는 데 사용될 수 있다.
일 예에서, 결함들의 60%가 학습 세트로서 선택되고, 20%가 교차 검증 세트로서 선택되며, 나머지는 머신 러닝 알고리즘에 대한 테스트 세트로서 선택된다. 최상의 툴 대 툴 매칭 파라미터들을 예측할 수 있는 최상의 가설 함수 또는 함수들이 이하의 기법을 사용하여 수행될 수 있다. 
은 입력 변수 벡터(예컨대, 초점 오프셋)이다. 필요에 따라 다른 변수들이 이 벡터에 포함될 수 있다. 
은, 예를 들어, 주어진 입력 변수 벡터 x에 대한 평균/메디안(mean/median) 이미지 콘트라스트, 평균/메디안 에지 샤프니스(edge sharpness), 평균/메디안 그레이 레벨, 또는 차분 이미지 파라미터들을 포함하는 모든 이미지들에 대한 출력 변수의 평균(mean)이다. 머신 러닝 가설 
는 회귀 파라미터 θ를 사용해 정의된다. 최적화 알고리즘은 평균 제곱 오차를 최소화하도록 θ를 최적화하는 데 사용된다. 후보 툴 및 기준 툴의 가설 함수들이 비교되고, 2개의 가설 함수 간의 차이가 최소화되도록 입력 변수 x의 오프셋 벡터 
이 결정된다. v가 일단 구해지면, 툴 변수들을 x로부터 x+v로 조정함으로써 후보 툴이 기준 툴에 매칭될 수 있다. 가설 함수 또는 함수들은 교차 검증 세트를 사용하여 테스트될 수 있고, 가장 낮은 오류를 갖거나 초점 응답을 가장 잘 예측하는 것이 발견될 수 있다. 일반화 오류가 낮은 경우, 가설 함수는 기준 툴과 후보 툴 사이의 입력 변수 오프셋 벡터의 최상의 값을 보간하는 데 사용될 수 있다.
도 7의 다른 경우에서, 딥 러닝(신경 네트워크들)은 랜덤하게 선택된 결함들의 세트에 대해 후보 툴와 기준 툴의 이미지들 간의 차이를 최소화하는 오프셋 벡터 v를 구하는 데 사용된다. 이 경우에, 신경 네트워크는 이미지들로부터 새로운 속성를 도출하는 데 사용된다. 이 속성는, 예를 들어, 통상적으로 사용되는 sigmoid 또는 logit 함수의 출력일 수 있다. 이 새로운 속성는 이어서 2개의 툴의 최상의 매칭 조건을 찾는 데 사용된다.
이 이미지 분석 기법은 다수의 장점들을 제공한다. 이전에는, 매칭 분석을 행하기 위해 많은 시간이 소요되는 반복 스캔들(예컨대, 10 내지 20)이 요구되었다. 이 이미지 분석 기법은 전체 웨이퍼 스캔들이 요구되지 않기 때문에 훨씬 더 빨리 수집될 수 있는 이미지들을 사용한다. 이미지들 자체는 반복들을 요구해서는 안되는, 각각이 약 1,000개의 픽셀과 같은, 통계적으로 의미있는 수의 픽셀들을 포함할 수 있다. 최적화 알고리즘은 데이터 분석을 행하고 올바른 오프셋 벡터를 예측하며, 따라서 사용자 개입이 요구되지 않는다. 충분한 통계가 없었거나 많은 반복들을 행해야만 하기 때문에 과거에는 매우 낮은 결함 밀도를 갖는 웨이퍼들이 사용될 수 없었다. 이미지 기반 매칭 알고리즘을 사용하여, 매우 낮은 결함 밀도를 갖는 웨이퍼들이 실행될 수 있도록 각각의 이미지로부터 충분한 통계가 수집된다.
초점이 매칭을 달성하기 위한 주된 파라미터(primary parameter)이지만, 툴 미스매치들의 원인을 보다 빨리 식별하고 근본 원인 분석을 보다 효율적으로 만드는 데 도움이 될 수 있는 입력 변수로서 다른 파라미터들을 추가하는 것이 가능하다.
도 1에서의 방법(100)은 OOC 하드웨어 파라미터들을 보고할 수 있다. OOC 하드웨어 파라미터들은 파라메트릭 데이터 및 결함 속성 데이터를 사용하여 결정될 수 있다. 각각의 웨이퍼 상의 결함 데이터 사이즈가 다양하고 프로세싱되는 데이터의 분량(volume)이 많기 때문에, 도 10a에 도시된 바와 같이, 검사되는 각각의 웨이퍼에 대해 각각의 결함 속성의 평균 값(average value)이 취해진다. 도 10b에 도시된 바와 같이, 매칭될 툴들에서 수집된 데이터를 사용하여 각각의 층에 대해 이러한 타입의 데이터세트가 준비된다. 도 10c는 OOC 모니터링을 위한 박스 플롯 분석 및 상관 분석과 같은 표준 기법들 중 일부를 도시하고 있다.
OOC인 것으로 보고되지만 생산에 영향을 미치지 않는 파라미터들은 긴급히 교정될 필요가 없다. 생산에 대한 영향을 결정하기 위해, 모든 상이한 층들(예컨대, 샘플 그룹들)에 대해 CLI가 측정된다. 방법(100)은 CLI 점수에 기초하여 OOC 하드웨어 파라미터들에 대한 우선순위를 설정할 수 있다. CLI가 높은 경우, OOC 파라미터가 즉시 또는 나중에 교정되도록 우선순위화될 수 있으며, 이의 결정은 CLI 점수에 기초할 수 있다. 그렇지 않은 경우, 생산 중단(production disruption)이 최소인 다른 시간으로 교정이 연기될 수 있다. 실시간 데이터에 기초하여 툴 상태를 보고하는 대시보드를 사용하는 것과 같이, 수행되는 정정 조치들의 영향이 체크될 수 있다. 정정 조치 이후에 OOC가 더 이상 보고되지 않는 경우, 이슈는 교정된 것으로 간주될 수 있으며, 툴을 생산에 릴리스하기 전에 부가의 데이터 수집을 필요로 하지 않을 수 있다.
OOC가 없는 경우, 툴 매칭 상태를 판단하기 위해 CLI의 빈번한 측정이 사용될 수 있다. 합의된 규격보다 더 높은 CLI를 가지는 층들은 미스매칭된 것으로 간주된다. 레시피, 환경 조건들, 공정과 같은, 다른 인자들은 비-기여 인자들(non-contributing factors)인 것으로 가정될 수 있거나 최상의 실무들(best practices)의 시행을 통해 개별적으로 해소된 것으로 가정될 수 있다. 그러한 층들에 대해, 랜덤 결함 카운트와 하드웨어 파라메트릭 데이터 간의 상관이 수행될 수 있다. 보다 높은 R-스퀘어 점수를 나타내는 하드웨어 파라메트릭 데이터는 잠재적 인과 요인들인 것으로 간주되며, 결함 속성 및 하드웨어 상관관계를 통해 추가로 스크리닝된다(screened). 다시 말하지만, R-스퀘어 점수는 인과 요인들을 추가로 좁히기 위해 사용된다. 2-단계 상관은 먼저 주요 하드웨어 시스템을 식별하고 다음으로 인과 요인일 수 있는 그 주요 하드웨어 컴포넌트를 갖는 서브시스템을 식별하는 데 도움이 될 수 있다. 이와 같이 식별된 모든 잠재적 인과 요인들은 그들의 R-스퀘어 값에 따라 내림차순(decreasing order)으로 열거될 수 있다. 이것은 하드웨어 정정 조치들을 우선순위화는 데 도움이 될 수 있다.
사용자는 이 기법이 커버할 수 있는 모든 파라미터들을 수동으로 검토할 수 없을지도 모른다. 문제해결에 대한 전통적인 접근법들에서 사용되는, 시간이 소요되는 반복 스캔들 대신에, 이 기법은 전체 웨이퍼 스캔들이 필요하지 않을 수 있기 때문에 보다 빨리 수집될 수 있는 이미지들을 사용한다. 공정 제어 유닛은 사용자 개입 없이 데이터 분석을 수행하고 오프셋 벡터를 예측할 수 있다. 이 기법은 또한 이전의 기법들이 효과적으로 동작할 수 없을 정도로 낮은 결함 밀도를 갖는 웨이퍼들을 사용할 수 있다. 입력 변수에서의 보다 많은 파라미터들은 또한 툴 미스매치들의 원인을 보다 빨리 식별하고 근본 원인 분석을 보다 효율적으로 만드는 데 도움이 될 수 있다.
이 기법은 예측 분석 기법으로서 사용될 수 있다. OOC가 발생하거나 층이 CLI 규격을 초과하기를 기다리는 대신에, 보다 이른 트리거 포인트(trigger point)가 설정될 수 있다. 그것을 사용하여, 열화 속도(rate of degradation)가 계산될 수 있고, 고장에 이르기까지 남은 시간 또는 CLI에 대한 영향이 추정될 수 있으며, 활동들이 우선순위화될 수 있다.
도 11은 시스템 통합의 일 실시예의 블록 다이어그램이다. 시스템(200)은 복수의 반도체 제조 툴들(201)과 전자 통신하는 인터페이스(202)를 포함한다. 인터페이스(202)는, 예를 들어, 보안 서버일 수 있다. 인터페이스(202)는 공정 제어 유닛(203)과 전자 통신한다. 반도체 제조 툴들(201)로부터 인터페이스(202)로의 데이터 전송은, 실시간으로와 같이, 빈번할 수 있다.
반도체 제조 툴들(201)의 예들은 퇴적 툴, 이온 주입 툴, 에칭 툴, 리소그래피 툴, 화학 기계적 폴리싱 툴, 스캐닝 전자 현미경, 결함 검출 툴, 결함 검토 툴, 막 두께 측정 툴, 표면 프로파일 측정 툴, 저항 측정 툴, 오버레이 계측(overlay metrology) 또는 임계 치수 측정 툴을 포함한다. 다른 타입의 반도체 제조 툴들이 가능하다. 반도체 제조 툴들(201)은 동일한 플랫폼이거나 유사한 플랫폼일 수 있다. 예를 들어, 반도체 제조 툴들(201)은 2개의 결함 검출 툴을 포함할 수 있다. 제조된 디바이스들이, 예를 들어, 생체의료 디바이스들 또는 전자장치들일 경우 상이한 제조 툴들이 사용될 수 있다.
공정 제어 유닛(203)은 프로세서, 프로세서와 전자 통신하는 통신 포트, 및 프로세서 및 통신 포트와 전자 통신하는 전자 데이터 저장 유닛을 가질 수 있다. 공정 제어 유닛(203)은, 통신 포트를 통해서와 같이, 반도체 제조 툴들(201)로부터 생산 데이터를 수신하도록 구성된다. 생산 데이터는 반도체 제조 툴들(201)을 사용하여 제조되는 하나 이상의 반도체 웨이퍼의 측정치들을 포함할 수 있다. 생산 데이터는 파라메트릭 데이터 및 결함 속성 데이터를 포함할 수 있다.
공정 제어 유닛(203)은, 인터페이스(202)를 통해서와 같이, 반도체 제조 툴들(201)로부터 생산 데이터를 수신하도록 구성된다. 생산 데이터는 반도체 제조 툴들(201)을 사용하여 제조되는 디바이스에 관한 것일 수 있다. 디바이스는, 예를 들어, 반도체 웨이퍼일 수 있다. 공정 제어 유닛(203)은 도 1의 방법(100)의 단계들을 수행하도록 추가로 구성될 수 있다.
공정 제어 유닛(203)은 하드웨어 파라메트릭 및 결함 속성들을 포함하는 데이터베이스(204)를 포함할 수 있다. 데이터베이스(204)는 인터페이스(202)와 전자 통신하고 반도체 제조 툴들(201)로부터 정보를 수신할 수 있다. 데이터베이스(204)는 들어오는 데이터(incoming data), 이력 데이터(historical data), 및/또는 비교를 위해 사용되는 기준 데이터의 세트를 저장할 수 있다.
데이터베이스(204)는 보고 모듈(205)과 전자 통신한다. 보고 모듈(205)은 OOC 하드웨어 파라미터들을 보고하도록 프로그래밍된다. OOC 하드웨어 파라미터들은 파라메트릭 데이터 및 결함 속성 데이터를 사용하여 결정될 수 있다. 보고 모듈(205)은 실시간 OOC 보고 대시보드, CSE 툴 키트, MatchPoint, 또는 다른 소프트웨어와 전자 통신할 수 있다.
데이터베이스(204) 및 보고 모듈(205)은 CLI 모듈(206)과 전자 통신한다. CLI 모듈(206)은, 파라메트릭 데이터 및 결함 속성 데이터의 CLI가 규격을 초과하는 경우, 경보를 송신하는 것에 의해서와 같이, 조치를 취하도록 구성된다. CLI 모듈(206)은 필요에 따라 또는 어떤 설정된 빈도수로 매칭 상태 체크의 일부로서 기능할 수 있다.
CLI 모듈(206)은 우선순위 설정 모듈(207)과 전자 통신한다. 우선순위 설정 모듈(207)은 CLI 점수에 기초하여 OOC 하드웨어 파라미터들에 대한 우선순위를 설정하도록 구성된다. 보다 높은 CLI 점수는 보다 높은 우선순위에 대응할 수 있다.
우선순위 설정 모듈(207)은 유지보수 모듈(208)과 전자 통신한다. 유지보수 모듈(208)은 베이스라인을 교정 및/또는 복원하기 위한 정정 조치들을 수행하도록 구성된다.
CLI 모듈(206)은 결함 카운트와 파라메트릭 데이터 사이의 관계를 식별하도록 구성된 결함 카운트 식별 모듈(209)과 전자 통신한다. 결함 카운트 식별 모듈(209)은 툴 매칭 동안 하드웨어 컴포넌트를 식별할 수 있다.
결함 카운트 식별 모듈(209)은 결함 속성 데이터와 파라메트릭 데이터의 적어도 하나의 트렌드 사이의 관계를 식별하도록 구성된 결함 속성 식별 모듈(210)과 전자 통신한다. 결함 속성 식별 모듈(210)은 툴 매칭 동안 하드웨어 컴포넌트 및/또는 서브컴포넌트를 식별할 수 있다.
결함 속성 식별 모듈(210)은 인과 요인들을 우선순위화하도록 구성된 우선순위화 모듈(211)과 전자 통신한다. 우선순위화 모듈은 적어도 하나의 R-스퀘어 점수에 기초하여 인과 요인들을 우선순위화하도록 구성된다.
우선순위화 모듈(211)은 반도체 제조 툴들(201) 중 2개 이상의 반도체 제조 툴에 대한 파라메트릭 데이터로부터 상이한 상태들에서 데이터를 수집하는 수집 모듈(212)과 전자 통신한다. 이 데이터는 툴 매칭을 위해 사용될 수 있다.
수집 모듈(212)은 반도체 제조 툴들(201) 중 2개 이상의 반도체 제조 툴이 매칭하는 상태들 중 하나를 식별하도록 구성된 이미지 분석 모듈(213)과 전자 통신한다. 이미지 분석은 이미지 교차 상관, 이미지 속성 대 초점 오프셋 트렌드 매치, 또는 머신 러닝을 사용한 이미지 속성 비교 중 하나 이상을 포함할 수 있다.
일 실시예에서, 이미지 분석 모듈(213)은: 이미지들을 FFT(Fast Fourier Transformed) 이미지들로 변환하고; FFT 이미지들 중 2개의 FFT 이미지를 픽셀 단위로 비교하여 히스토그램을 생성하며; 히스토그램에 대한 R-스퀘어 값을 결정하도록 프로그래밍된다. 보다 높은 R-스퀘어 값은 개선된 매칭에 대응한다.
다른 실시예에서, 이미지 분석 모듈(213)은: 대표 구조체들을 정의하고; 반도체 제조 툴들 중 2개의 반도체 제조 툴로부터 대표 구조체들의 이미지 데이터를 수집하며; 이미지 데이터의 적어도 일부 이미지 파라미터들이 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이에서 매칭하도록 적어도 하나의 파라미터의 값을 결정하도록 프로그래밍된다.
또 다른 실시예에서, 이미지 분석 모듈(213)은: 반도체 제조 툴들 중 2개의 반도체 제조 툴 사이의 최상의 매칭 파라미터들을 예측하기 위해 적어도 2개의 최적화된 가설 함수를 결정하고; 평균 제곱 오차를 최소화하도록 피팅 파라미터를 최적화하며; 가설 함수들 중 2개의 가설 함수 사이의 차이를 최소화할 입력 변수의 오프셋 벡터를 구하기 위해 2개의 반도체 제조 툴의 가설 함수를 비교하며; 툴 변수들을 조정함으로써 2개의 반도체 제조 툴을 매칭시키도록 프로그래밍된다.
모듈들 각각은 공정 제어 유닛(203)의 프로세서에 의해 실행될 수 있다. 모듈들 각각에 대한 명령어들은 공정 제어 유닛(203)의 전자 데이터 저장 유닛에 저장될 수 있다.
공정 제어 유닛(203)은, 예를 들어, 수집 모듈(212) 또는 이미지 분석 모듈(213)의 결과들에 기초하여 반도체 제조 툴들(201) 중 적어도 하나를 조정하도록 구성될 수 있다. 예를 들어, 반도체 제조 툴들201)에 대한 설정이 변경될 수 있거나, 재료 투입(material input)이 변경될 수 있거나, 레시피가 변경될 수 있거나, 공정에서의 드리프트가 해소될 수 있다.
공정 제어 유닛(203)이 하드웨어, 소프트웨어, 및 펌웨어의 임의의 조합에 의해 실제로 구현될 수 있다는 점이 이해되어야 한다. 또한, 본 명세서에 기술된 바와 같은 그의 기능들은 하나의 유닛에 의해 수행되거나, 상이한 컴포넌트들 간에 분할될 수 있으며, 컴포넌트들 각각은 차례로 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 구현될 수 있다. 본 명세서에 기술된 다양한 방법들 및 기능들을 구현하기 위한 공정 제어 유닛(203)을 위한 프로그램 코드 또는 명령어들은 공정 제어 유닛(203) 내에 있는, 공정 제어 유닛(203) 외부에 있는, 또는 이들의 조합인, 전자 데이터 저장 유닛 내의 메모리와 같은, 제어기 판독가능 저장 매체에 저장될 수 있다.
공정 제어 유닛(203)이 반도체 제조 툴들(201)에 의해 생성된 출력을 수신할 수 있도록, 공정 제어 유닛(203)은 임의의 적당한 방식으로(예컨대, "유선" 및/또는 "무선" 전송 매체를 포함할 수 있는 하나 이상의 전송 매체를 통해) 시스템(200)의 컴포넌트들에 커플링될 수 있다. 공정 제어 유닛(203)은 출력을 사용하여 다수의 기능들을 수행하도록 구성될 수 있다. 예를 들어, 공정 제어 유닛(203)은 출력을 사용하여 분석의 결과들을 전송하거나 디스플레이하도록 구성될 수 있다. 다른 예에서, 공정 제어 유닛(203)은 출력을 분석함이 없이 출력을 전자 데이터 저장 유닛 또는 다른 저장 매체에 송신하도록 구성될 수 있다. 공정 제어 유닛(203)은 본 명세서에 기술된 바와 같이 추가로 구성될 수 있다.
본 명세서에 기술된 공정 제어 유닛(203), 다른 시스템(들), 또는 다른 서브시스템(들)은, 개인 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 어플라이언스(network appliance), 인터넷 어플라이언스(internet appliance), 또는 다른 디바이스와 같은, 다양한 형태들을 취할 수 있다. 일반적으로, 공정 제어 유닛(203)은 메모리 매체로부터의 명령어들을 실행하는 하나 이상의 프로세서를 가질 수 있다. 서브시스템(들) 또는 시스템(들)은 또한, 병렬 프로세서와 같은, 본 기술분야에 공지된 임의의 적당한 프로세서를 포함할 수 있다. 그에 부가하여, 서브시스템(들) 또는 시스템(들)은 고속 프로세싱 및 소프트웨어를 갖는 플랫폼을, 독립형(standalone) 또는 네트워크화된(networked) 툴 중 어느 하나로서 포함할 수 있다.
시스템이 하나 초과의 서브시스템을 포함하는 경우, 이미지들, 데이터, 정보, 명령어들 등이 서브시스템들 간에 송신될 수 있도록 상이한 서브시스템들이 서로 커플링될 수 있다. 예를 들어, 하나의 서브시스템은 본 기술분야에 공지된 임의의 적당한 유선 및/또는 무선 전송 매체를 포함할 수 있는, 임의의 적당한 전송 매체에 의해 부가의 서브시스템(들)에 커플링될 수 있다. 그러한 서브시스템들 중 2개 이상의 서브시스템은 또한 공유된 컴퓨터 판독가능 저장 매체(도시되지 않음)에 의해 효과적으로 커플링될 수 있다.
부가의 실시예는, 본 명세서에 개시된 바와 같이, 컴퓨터 구현 공정 제어 방법을 수행하기 위한 공정 제어 유닛 또는 다른 제어기 상에서 실행가능한 프로그램 명령어들을 저장하는 비일시적 컴퓨터 판독가능 매체에 관한 것이다. 상세하게는, 도 11에 도시된 바와 같이, 공정 제어 유닛(203)의 전자 데이터 저장 유닛 또는 다른 저장 매체는 공정 제어 유닛(203) 상에서 실행가능한 프로그램 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체를 포함할 수 있다. 컴퓨터 구현 방법은, 도 1의 것들과 같은, 본 명세서에 기술된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
본 명세서에 기술된 것들과 같은 방법들을 구현하는 프로그램 명령어들은, 전자 데이터 저장 유닛 또는 다른 저장 매체와 같은, 컴퓨터 판독가능 매체에 저장될 수 있다. 컴퓨터 판독가능 매체는 자기 또는 광학 디스크, 자기 테이프, 또는 본 기술분야에 공지된 임의의 다른 적당한 비일시적 컴퓨터 판독가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어들은, 그 중에서도 특히, 프로시저 기반 기법들, 컴포넌트 기반 기법들, 및/또는 객체 지향 기법들을 포함하는, 다양한 방식들 중 임의의 것으로 구현될 수 있다. 예를 들어, 프로그램 명령어들은, 원하는 바에 따라, ActiveX 컨트롤들, C++ 객체들, JavaBeans, MFC(Microsoft Foundation Classes), SSE(Streaming SIMD Extension), 또는 다른 기술들 또는 방법론들을 사용하여 구현할 수 있다.
CLI가 미스매치를 플래깅(flag)하지만, CLI가 미스매치의 소스가 하드웨어 유도(hardware induced)인지 또는 레시피 유도(recipe induced)인지를 식별할 수 없을지도 모른다. COV 및 ASCR 규격들을 통해 레시피 품질을 제어하고, 레시피를 생산에 릴리스하기 전에 레시피를 매칭하는지 테스트하는 것에 의해, CLI에 의해 포착된 미스매치의 소스를 디커플링시킬 수 있다. 도 23은 레시피 유도 및 하드웨어 유도 툴 미스매치를 디커플링시키는 프로세스 흐름을 기술한다. 레시피를 제어하는 것은 도 12, 도 13, 및 도 19에 관련된 실시예들을 참조할 수 있다. 툴들에 레시피들을 릴리스하는 것은 도 21에 관련된 실시예들을 참조할 수 있다. 실시간 모니터링 및 툴 매칭의 확립은 도 1 및 도 11에 관련된 실시예들을 참조할 수 있다.
도 12 및 도 13은 COV를 감소시키고 ASCR을 증가시키기 위한 일 실시예의 플로차트들이다. 이 기법은 저 포착률 결함들(low capture rate defects)을 카테고리화한다. 카테고리화의 프로세스는 단지 일반 방법(generic method)을 사용하는 대신에 어느 문제를 어느 방법에 의해 해결해야 하는지에 관한 지시를 사용자에게 제공한다. 예를 들어, ASCR 방법론에서 (도 14 및 도 15에 도시된 바와 같은) 신호 대 잡음을 개선시키는 방식들을 수행함으로써 낮은 신호 대 잡음으로 인한 저 포착률 결함이 해소될 수 있다. 저 포착률 결함들이 높은 신호 대 잡음을 갖는 경우, 이러한 결함들은 먼저 레시피 교정가능 거짓 결함들(recipe fixable false defects)로서 취급된다. 사용자는, 감도에 대한 최소의 트레이드오프로, 이러한 결함들을 제거하기 위해 레시피를 최적화한다. 트레이드오프가 달성될 수 없는 경우, 문제를 교정하기 위해 하드웨어 문제해결이 행해진다.
결함 카운트 대 결함 백그라운드 그레이(defect background gray)(또는 결함 세그먼트(defect segment))의 플롯인 OSTS 플롯은 레시피 교정가능 거짓 결함들을 감소시키기 위해 레시피 최적화를 위해 사용된다. 이 목적을 위해 단일 스캔 결과를 사용하는 대신에 다수의 스캔들의 조합된 결과들이 사용된다. OSTS 플롯은 결함들이 백그라운드 그레이 레벨이 런 투 런(run to run)으로 변하는 존(zone)에 속하기 때문에 낮은 포착률인 결함들이 툴의 노이즈 플로어(noise floor)에 가깝거나 낮은 포착률로 되는 것인지 또는 그것이 억제를 위해 어떤 다른 처리를 필요로 하는지를 사용자가 식별할 수 있게 해준다. 어떤 다른 처리는 ST-NEF의 추가 튜닝 또는 하드웨어 조정일 수 있다. ST-NEF는 결함들을 그들의 공간적 분리에 기초하여 상이한 그룹들로 분류하는 애드온 레시피 컴포넌트(add-on recipe component)인 것으로 가정될 수 있고 원하지 않는 결함들을 필터링 제거하는 데 사용될 수 있다. 예를 들어, (컬러 변동과 같은) 뉴슨스이고 노이즈 플로어를 훨씬 초과하는 신호를 갖는 결함이 그레이 레벨 전이 구역(gray level transition area)에 속하지 않는 경우, 사용자는 이것을 다른 크리티컬한 결함으로부터 분리시키는 데 효과적으로 사용될 수 있는 속성를 식별한다. 사용자는 COV 및 ASCR을 개선시키기 위해 이 결함을 분리시키고 필터링 제거하기 위한 새로운 규칙을 셋업할 수 있다. 따라서, COV 감소 및 ASCR 개선이 가능하다.
단일 스캔 결과 대신에 조합된 결과들의 사용은 런-투-런(run-to-run)으로 보이는 변동들을 보상함으로써 단일 스캔 결과 분석의 한계를 감소시키는 데 도움이 된다. 도 14 및 도 15에 도시된 기법의 일 구현이 도 17a 내지 도 17c에 예시되어 있다. 저 포착률 결함들은 낮은 신호/노이즈(low signal/noise), 레시피 교정가능 거짓(recipe fixable false), 및 나머지로서 카테고리화될 수 있다. 결합된 ST-NEF와 OSTS가 레시피 교정가능 거짓을 감소시키며 그로써 ASCR을 증가시키고 COV를 감소시킬 수 있는 것이 처음으로 개념화된다.
COV를 감소시키기 위한 대안의 기법이 도 18의 플로차트에 도시되어 있다.
도 19는 레시피 릴리스 방법들 중 하나를 묘사하고 있다. 이 방법에서, 레시피는 준비되는 대로 생산에 릴리스된다. 이 방법은 레시피에서 사용되는 하드웨어 상태들에 대해 툴이 매칭되었고 레시피가 생산에 대해 강건하다고 가정한다. 결과적으로, 미스매치가 후단 스테이지에서 검출되고 미스매치를 교정하기 위한 서비스 비용이 증가한다.
도 20은 개선된 레시피 릴리스 방법을 예시하고 있다. 이 방법은 레시피 릴리스 이전에 다양한 체크들을 도입한다. 플로차트에 도시된 바와 같이, 새로운 방법은 사전대응적으로, 미스매치를 야기하는 것으로 알려진, COV, ASCR, 및 하드웨어 매칭(DSW 모드 센터링(DSW mode centering))과 같은, 인자들을 교정하려고 시도한다. 이러한 체크들은 레시피 유도 미스매치를 감소시키는 데 도움이 될 수 있다. 이 기법의 사용은 레시피가 생산에 릴리스되기 전에 레시피가 안정적이고 강건하다는 것을 보장할 수 있고, 툴들이 사용되는 상태들에 대해 캘리브레이션되도록 보장할 수 있으며, 실시간 데이터 수집을 위해 이전에 가능하지 않았던 하드웨어 파라미터들이 추가되도록 보장할 수 있고, 레시피가 툴들의 플리트(fleet of tools)에 릴리스되기 전에 사전대응적으로 미스매치를 볼 수 있으며, 툴 매칭이 수행되고 있는 동안 레시피가 릴리스될 수 있는 메커니즘을 제공할 수 있다.
도 21은 실시간 데이터 수집을 사용한 툴 모니터링 및 유지보수를 위한 일 실시예의 플로차트이다. MatchPoint(MP), Klearpoint(KP), TMU(Total Uncertainty in Measurement), CSE 툴 키트, 및 MP 대시보드가 사용된다. MP는 MP 대시보드 및 오프라인 데이터 분석을 지원하기 위해 툴들로부터 실시간으로 데이터를 풀링하고 그것들을 중앙 데이터베이스에 저장한다. TMU는 툴이 미스매칭되는지를 나타내는 생산 SPC를 사용하여 생성된 메트릭이다. MP 대시보드는 수집을 위해 구성된 데이터에 대한 제어 한계들을 갖는 하드웨어 파라미터들의 그래픽 트렌드를 제공한다.
도 21의 기법에서, MP 또는 CSE 키트는 데이터를 수집하는 데 사용된다. 이 동작을 위해 툴 가동중지시간이 요구되지 않는다. TMU 점수를 체크하고 그것이 용인가능한 한계 내에 있도록 보장하기 위해 생산 SPC 데이터가 주기적으로 검토된다. 툴을 모니터링하기 위해, 사용자는 MP 대시보드를 모니터링한다. 임의의 파라미터가 OOC인 경우, 필요한 정정 조치가 취해진다. 그렇지 않은 경우, 툴이 생산에 릴리스된다. 이 형태의 모니터링은 생산 모니터(production monitor; PMON)를 실행하는 것에 의해 보완된다. PMON은 임의의 웨이퍼(표준, 모니터, DSW, 베어 실리콘 등)의 검사에 의한 툴에서의 데이터 수집을 지칭한다. 모든 관련 하드웨어 파라미터들이 데이터 수집을 위해 구성된 경우 PMON이 필요하지 않다. 데이터 수집을 위해 정기적으로 검사되어야 하는 웨이퍼들의 수를 감소시키는 것에 의해, 생산을 위한 툴 시간 이용가능성이 개선된다. 그에 부가하여, 올바른 데이터 세트를 연속적으로 수집하는 것에 의해, 데이터를 수집하고 이어서 문제해결을 하기 위한 툴 가동중지시간의 필요성이 툴 릴리스 방법론의 이 스킴(scheme)에서 상당히 최소화된다.
생산 이슈들을 포착하기 위한 툴들의 감도에 영향을 미치는 하드웨어 파라미터들은 생산에 관련성이 있을 수 있다. 이들은 검사 모드들을 찾아내고 이러한 검사 모드들과 상관되는 성능을 갖는 하드웨어 파라미터들을 식별하는 것에 의해 식별될 수 있다. 데이터 수집의 수집 빈도수는 하드웨어 파라미터에 의존할 수 있으며, 따라서 그것은 상이한 파라미터들에 대해 상이하게 구성된다. PM이, 생산에 영향을 미치는 파라미터들을 커버하지 못할 수 있는, 크리티컬한 파라미터들만 대상으로 하기 때문에 이것은 PM 방법론 동안의 데이터 수집보다 개선된 것이다.
미스매칭되는 것 또는 열악한 성능을 갖는 것과 같은, 툴 이슈가 발생할 때, 보고된 층(또는 샘플)에 대해 툴 플리트(tool fleet)의 데이터의 트렌드들이 체크될 수 있다. 결함 카운트, 조명 레벨 값들, 히스토그램, 및 TMU 점수와 같은, 각각의 툴로부터의 출력의 트렌드가 비교된다. 트렌드에 미미한 편차가 있는 경우, 이슈는 거짓 경보로서 간주될 수 있고 아무런 조치도 취해지지 않는다. 그렇지 않은 경우, 임의의 OOC가 있는지 체크하기 위해 MP 대시보드가 보일 수 있다. 임의의 하드웨어 파라미터가 OOC인 경우, 그것이 교정되고 툴이 릴리스될 수 있다. 그렇지 않은 경우, 문제 진술(problem statement)을 정의하기 위해 (DSW 로트 결과 또는 생산 층 데이터와 같은) 관련 기존의 데이터가 분석될 수 있다. 근본 원인을 식별하고 툴을 교정하기 위해 POA들이 수행될 수 있다. 교정된 하드웨어 파라미터는 MP 서버를 사용하여 모니터링되는 파라미터들의 목록에 추가할 수 있다.
생산에 관련성이 있을 수 있는 하드웨어 파라미터들이 식별될 수 있다. MP 서버는 구성된 빈도수로 툴들로부터 이러한 파라미터들을 수집할 수 있다. 사용자는 MP 대시보드를 사용하여 트렌드를 모니터링하고 임의의 OOC 또는 드리프팅 트렌드를 교정할 수 있다. 제조업체가 툴 이슈 또는 미스매치를 보고할 때, 사용자는 무엇을 교정해야 하는지 식별하기 위해 트렌드들에 대해 MP 대시보드를 먼저 조사한다. 드리프트된 트렌드들이 없는 경우, 진단을 위해 POA들이 모색되고 하드웨어 파라미터가 데이터 수집을 위해 MP 서버에 추가된다.
이 기법은 MP 서버 데이터 수집 및 MP 대시보드를 통해 툴 헬스를 모니터링하기 위해 웨이퍼를 스캔할 필요성을 감소시키거나 제거할 수 있다. 생산에 관련된 모든 파라미터들이 모니터링될 수 있으며, 이는 생산에 영향을 미치는 임의의 이슈를 식별하고 교정하는 데 도움이 될 수 있다. 파라미터들의 실시간 데이터의 빈번한 모니터링은 이슈들을 보다 빨리 교정하는 데 도움이 될 수 있다. 이 기법은 또한 보다 많은 스케줄링된 PM들 및 보다 적은 비스케줄링된 PM들을 가능하게 해줄 수 있다.
실시간 데이터 수집을 사용한 툴 모니터링 및 유지보수를 위한 일 실시예의 다른 플로차트가 도 22에 도시되어 있다.
비록 본 개시내용이 하나 이상의 특정 실시예와 관련하여 기술되었지만, 본 개시내용의 범주를 벗어나지 않으면서 본 개시내용의 다른 실시예들이 이루어질 수 있다는 점이 이해될 것이다. 따라서, 본 개시내용은 첨부된 청구항들 및 그의 타당한 해석에 의해서만 제한되는 것으로 간주된다.
Claims (23)
- 시스템에 있어서,
복수의 반도체 제조 툴들과 전자 통신하는 인터페이스; 및
상기 인터페이스와 전자 통신하는 공정 제어 유닛
을 포함하고,
상기 공정 제어 유닛은 상기 복수의 반도체 제조 툴들로부터 생산 데이터를 수신하도록 구성되고,
상기 생산 데이터는 상기 반도체 제조 툴들을 사용하여 제조된 하나 이상의 반도체 웨이퍼의 측정치들을 포함하고,
상기 생산 데이터는 파라메트릭 데이터(parametric data) 및 결함 속성 데이터(defect attributes data)를 포함하고,
상기 파라메트릭 데이터는 상기 복수의 반도체 제조 툴들의 하드웨어에 관한 것이고,
상기 공정 제어 유닛은,
상기 파라메트릭 데이터 및 상기 결함 속성 데이터의 CLI(control limit impact)가 규격을 초과하는 경우 경보(alert)를 송신하도록 구성된 CLI 모듈;
결함 카운트(defects count)와 상기 파라메트릭 데이터 사이의 관계를 식별하도록 구성된 결함 카운트 식별 모듈;
상기 결함 속성 데이터와 상기 파라메트릭 데이터의 적어도 하나의 트렌드(trend) 사이의 관계를 식별하도록 구성된 결함 속성 식별 모듈;
인과 요인들(causation factors)을 우선순위화(prioritization)하도록 구성된 우선순위화 모듈;
상기 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴들에 대한 상기 파라메트릭 데이터로부터 상이한 상태들에서의 데이터를 수집하는 수집 모듈; 및
상기 상태들 중에서, 상기 반도체 제조 툴들 중 상기 2개 이상의 반도체 제조 툴들이 매칭되는 상태를 식별하도록 구성된 이미지 분석 모듈
을 포함한 것인 시스템. - 제1항에 있어서,
상기 공정 제어 유닛은, 프로세서, 상기 프로세서와 전자 통신하는 전자 데이터 저장 유닛, 그리고 상기 프로세서 및 상기 전자 데이터 저장 유닛과 전자 통신하는 통신 포트를 포함한 것인 시스템. - 제1항에 있어서,
상기 공정 제어 유닛은 제어 불능(out-of-control) 하드웨어 파라미터들을 보고하도록 프로그래밍된 것인 시스템. - 제1항에 있어서,
상기 인터페이스는 상기 생산 데이터를 실시간으로 수신하도록 구성된 것인 시스템. - 제1항에 있어서,
제어 불능 하드웨어 파라미터들을 보고하도록 구성된 보고 모듈
을 더 포함하고,
상기 제어 불능 하드웨어 파라미터들은 상기 파라메트릭 데이터와 상기 결함 속성 데이터를 사용하여 결정된 것인 시스템. - 제1항에 있어서,
상기 공정 제어 유닛은 또한, CLI 점수에 기초하여 제어 불능 하드웨어 파라미터들에 대한 우선순위를 설정하도록 구성되며,
보다 높은 CLI 점수는 보다 높은 우선순위에 대응한 것인 시스템. - 제1항에 있어서,
상기 우선순위화 모듈은 상기 인과 요인들의 적어도 하나의 R-스퀘어 점수(R-square score)에 기초하여 상기 인과 요인들을 우선순위화하도록 구성된 것인 시스템. - 제1항에 있어서,
상기 이미지 분석 모듈은,
이미지들을 FFT(Fast Fourier Transformed) 이미지들로 변환하고;
상기 FFT 이미지들 중 2개의 FFT 이미지들을 픽셀 단위로(pixel by pixel) 비교하여 히스토그램을 생성하며;
상기 히스토그램에 대한 상기 FFT 이미지들 중 2개의 FFT 이미지들을 비교한 결과들의 R-스퀘어 값(R-square value)을 결정하도록 프로그래밍되며,
보다 높은 R-스퀘어 값은 개선된 매칭에 대응한 것인 시스템. - 제1항에 있어서,
상기 이미지 분석 모듈은,
대표 구조체들(representative structures)을 정의하고;
상기 반도체 제조 툴들 중 2개의 반도체 제조 툴들로부터 상기 대표 구조체들의 이미지 데이터를 수집하며;
상기 이미지 데이터의 적어도 일부 이미지 파라미터들이 상기 반도체 제조 툴들 중 상기 2개의 반도체 제조 툴들 사이에서 매칭되도록 적어도 하나의 파라미터의 값을 결정하도록 프로그래밍된 것인 시스템. - 제1항에 있어서,
상기 이미지 분석 모듈은,
상기 반도체 제조 툴들 중 2개의 반도체 제조 툴들 사이의 최상의 매칭 파라미터들을 예측하기 위해 적어도 2개의 최적화된 가설 함수들을 결정하고;
평균 제곱 오차(mean squared error)를 최소화하도록 피팅 파라미터(fitting parameter)를 최적화하고;
상기 가설 함수들 중 2개의 가설 함수들 사이의 차이를 최소화할 입력 변수의 오프셋 벡터를 구하기 위해 상기 2개의 반도체 제조 툴들의 가설 함수를 비교하며;
툴 변수들을 조정함으로써 상기 2개의 반도체 제조 툴들을 매칭시키도록 프로그래밍된 것인 시스템. - 방법에 있어서,
공정 제어 유닛에서, 복수의 반도체 제조 툴들로부터 생산 데이터를 수신하는 단계 - 상기 생산 데이터는 상기 반도체 제조 툴들을 사용하여 제조된 하나 이상의 반도체 웨이퍼의 측정치들을 포함하고, 상기 생산 데이터는 파라메트릭 데이터 및 결함 속성 데이터를 포함하고, 상기 파라메트릭 데이터는 상기 복수의 반도체 제조 툴들의 하드웨어에 관한 것임 -;
상기 공정 제어 유닛을 사용하여, 상기 파라메트릭 데이터 및 상기 결함 속성 데이터의 CLI(control limit impact)를 결정하는 단계;
상기 공정 제어 유닛을 사용하여, 결함 카운트와 상기 파라메트릭 데이터 사이의 관계를 식별하는 단계;
상기 공정 제어 유닛을 사용하여, 상기 결함 속성 데이터와 상기 파라메트릭 데이터의 적어도 하나의 트렌드 사이의 관계를 식별하는 단계;
상기 공정 제어 유닛을 사용하여, 인과 요인들을 우선순위화하는 단계;
상기 공정 제어 유닛을 사용하여, 상기 반도체 제조 툴들 중 2개 이상의 반도체 제조 툴들에 대해 상이한 상태들에서의 상기 파라메트릭 데이터를 수집하는 단계; 및
상기 공정 제어 유닛을 사용하여, 상기 상태들 중에서, 상기 반도체 제조 툴들 중 상기 2개 이상의 반도체 제조 툴들이 매칭되는 상태를 식별하기 위해 이미지 분석을 수행하는 단계
를 포함하는 방법. - 제11항에 있어서,
상기 생산 데이터는 상기 공정 제어 유닛에서 실시간으로 수신된 것인 방법. - 제11항에 있어서,
제어 불능 하드웨어 파라미터들을 보고하는 단계
를 더 포함하고,
상기 제어 불능 하드웨어 파라미터들은 상기 파라메트릭 데이터와 상기 결함 속성 데이터를 사용하여 결정된 것인 방법. - 제11항에 있어서,
CLI 점수에 기초하여 제어 불능 하드웨어 파라미터들에 대한 우선순위를 설정하는 단계
를 더 포함하고,
보다 높은 CLI 점수는 보다 높은 우선순위에 대응한 것인 방법. - 제11항에 있어서,
제어 한계와 대조하여 상기 파라메트릭 데이터를 모니터링하는 단계
를 더 포함하고,
상기 제어 한계는 제조 규격들에 기초하여 또는 시그마 한계들(sigma limits)에 기초하여 정의된 것인 방법. - 제11항에 있어서,
상기 CLI는 상기 반도체 제조 툴들 중 적어도 2개의 반도체 제조 툴들 사이의 미스매치(mismatch)를 결정하기 위해 측정된 것인 방법. - 제16항에 있어서,
랜덤 결함 카운트(random defect count)와 상기 파라메트릭 데이터 간의 상관(correlation)이 수행되는 것인 방법. - 제11항에 있어서,
상기 우선순위화하는 단계는 상기 인과 요인들의 적어도 하나의 R-스퀘어 점수에 기초한 것인 방법. - 제18항에 있어서,
상기 인과 요인들 각각에 대한 상기 R-스퀘어 점수는 등급화되는(ranked) 것인 방법. - 제11항에 있어서,
상기 이미지 분석은,
이미지들을 FFT(Fast Fourier Transformed) 이미지들로 변환하는 것;
상기 FFT 이미지들 중 2개의 FFT 이미지들을 픽셀 단위로 비교하여 히스토그램을 생성하는 것; 및
상기 히스토그램에 대한 상기 FFT 이미지들 중 2개의 FFT 이미지들을 비교한 결과들의 R-스퀘어 값을 결정하는 것
을 포함하고,
보다 높은 R-스퀘어 값은 개선된 매칭에 대응한 것인 방법. - 제11항에 있어서,
상기 이미지 분석은,
대표 구조체들을 정의하는 것;
상기 반도체 제조 툴들 중 2개의 반도체 제조 툴들로부터 상기 대표 구조체들의 이미지 데이터를 수집하는 것; 및
상기 이미지 데이터의 적어도 일부 이미지 파라미터들이 상기 반도체 제조 툴들 중 상기 2개의 반도체 제조 툴들 사이에서 매칭되도록 적어도 하나의 파라미터의 값을 결정하는 것
을 포함한 것인 방법. - 제11항에 있어서,
상기 이미지 분석은,
상기 반도체 제조 툴들 중 2개의 반도체 제조 툴들 사이의 최상의 매칭 파라미터들을 예측하기 위해 적어도 2개의 최적화된 가설 함수들을 결정하는 것;
평균 제곱 오차를 최소화하도록 피팅 파라미터를 최적화하는 것;
상기 가설 함수들 중 2개의 가설 함수들 사이의 차이를 최소화할 입력 변수의 오프셋 벡터를 구하기 위해 상기 2개의 반도체 제조 툴들의 가설 함수를 비교하는 것; 및
툴 변수들을 조정함으로써 상기 2개의 반도체 제조 툴들을 매칭시키는 것
을 포함한 것인 방법. - 제22항에 있어서,
결함들 중의 제1 퍼센티지를 학습 세트(learning set)로서, 그리고 결함들 중의 제2 퍼센티지를 교차 검증 세트(cross-validation set)로서, 그리고 나머지 퍼센티지를 테스트 세트(test set)로서 랜덤하게 선택하는 단계; 및
상기 교차 검증 세트를 사용하여 상기 가설 함수들을 테스트하는 단계
를 더 포함하는 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/646,808 US10360671B2 (en) | 2017-07-11 | 2017-07-11 | Tool health monitoring and matching |
| US15/646,808 | 2017-07-11 | ||
| PCT/US2017/044030 WO2019013828A1 (en) | 2017-07-11 | 2017-07-26 | MONITORING AND MATCHING TOOL HEALTH |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200018822A KR20200018822A (ko) | 2020-02-20 |
| KR102222982B1 true KR102222982B1 (ko) | 2021-03-03 |
Family
ID=64999515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020207003578A KR102222982B1 (ko) | 2017-07-11 | 2017-07-26 | 툴 헬스 모니터링 및 매칭 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10360671B2 (ko) |
| KR (1) | KR102222982B1 (ko) |
| CN (1) | CN109564422B (ko) |
| IL (1) | IL264107B (ko) |
| SG (1) | SG11201900146VA (ko) |
| TW (1) | TWI720227B (ko) |
| WO (1) | WO2019013828A1 (ko) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10514685B2 (en) * | 2014-06-13 | 2019-12-24 | KLA—Tencor Corp. | Automatic recipe stability monitoring and reporting |
| JP6745673B2 (ja) * | 2016-08-05 | 2020-08-26 | 東京エレクトロン株式会社 | 半導体システム |
| US10402524B2 (en) * | 2017-05-08 | 2019-09-03 | Globalfoundries Inc. | Prediction of process-sensitive geometries with machine learning |
| DE102019209110A1 (de) * | 2019-06-24 | 2020-12-24 | Sms Group Gmbh | Industrielle Anlage, insbesondere Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie und Verfahren zum Betreiben einer industriellen Anlage, insbesondere einer Anlage der metallerzeugenden Industrie oder der Aluminium- oder Stahlindustrie |
| EP4107588A4 (en) * | 2020-02-21 | 2024-03-20 | Nanotronics Imaging, Inc. | SYSTEMS, PROCESSES AND SUPPORTS FOR MANUFACTURING PROCESSES |
| CN115176327A (zh) | 2020-03-30 | 2022-10-11 | 株式会社日立高新技术 | 诊断系统 |
| TWI724871B (zh) * | 2020-04-17 | 2021-04-11 | 逢甲大學 | 智慧製造與先進排程決策輔助資訊管理系統 |
| CN111787082B (zh) * | 2020-06-22 | 2021-11-23 | 珠海格力电器股份有限公司 | 一种多级业务数据上报的方法、设备及系统 |
| IL310238A (en) * | 2021-08-02 | 2024-03-01 | Arch Systems Inc | A method for producing analysis and/or system maintenance |
| US11868971B2 (en) | 2021-08-02 | 2024-01-09 | Arch Systems Inc. | Method for manufacturing system analysis and/or maintenance |
| US20230169145A1 (en) * | 2021-11-30 | 2023-06-01 | Aveva Software, Llc | Server, systems and methods for industrial process visual anomaly reporting |
| CN114419837B (zh) * | 2021-12-07 | 2023-09-26 | 攀枝花钢城集团米易瑞地矿业有限公司 | 一种安全生产预警系统及其预警方法 |
| CN114637270B (zh) * | 2022-05-17 | 2022-08-23 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
| US11947340B1 (en) | 2022-08-26 | 2024-04-02 | Arch Systems Inc. | System and method for machine program analysis |
| US11886177B1 (en) | 2022-08-26 | 2024-01-30 | Arch Systems Inc. | System and method for manufacturing system data analysis |
| KR102576639B1 (ko) | 2022-11-09 | 2023-09-08 | (주)오로스테크놀로지 | 초점 이동을 제어하는 오버레이 계측 장치 및 방법과 이를 위한 프로그램 저장 매체 |
| CN116300771B (zh) * | 2023-05-18 | 2023-08-11 | 深圳市致尚科技股份有限公司 | 智能柔性装配方法、装置及存储介质 |
| CN118070198B (zh) * | 2024-04-17 | 2024-07-26 | 全芯智造技术有限公司 | 测试异常的分析方法及装置、可读存储介质、终端 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070219738A1 (en) | 2006-03-15 | 2007-09-20 | Applied Materials, Inc. | Tool health information monitoring and tool performance analysis in semiconductor processing |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6483538B2 (en) | 1998-11-05 | 2002-11-19 | Tektronix, Inc. | High precision sub-pixel spatial alignment of digital images |
| US6496958B1 (en) * | 1999-04-27 | 2002-12-17 | Infineon Technologies Richmond, Lp | Yield prediction and statistical process control using predicted defect related yield loss |
| US20020046001A1 (en) * | 2000-10-16 | 2002-04-18 | Applied Materials, Inc. | Method, computer readable medium and apparatus for accessing a defect knowledge library of a defect source identification system |
| US6618682B2 (en) * | 2001-04-20 | 2003-09-09 | International Business Machines Corporation | Method for test optimization using historical and actual fabrication test data |
| US6965895B2 (en) * | 2001-07-16 | 2005-11-15 | Applied Materials, Inc. | Method and apparatus for analyzing manufacturing data |
| JP3904419B2 (ja) * | 2001-09-13 | 2007-04-11 | 株式会社日立製作所 | 検査装置および検査システム |
| US6647348B2 (en) * | 2001-10-03 | 2003-11-11 | Lsi Logic Corporation | Latent defect classification system |
| US8260035B2 (en) * | 2006-09-22 | 2012-09-04 | Kla-Tencor Corporation | Threshold determination in an inspection system |
| US8682466B2 (en) * | 2007-05-04 | 2014-03-25 | Taiwan Semiconductor Manufacturing Company, Ltd. | Automatic virtual metrology for semiconductor wafer result prediction |
| US8010321B2 (en) * | 2007-05-04 | 2011-08-30 | Applied Materials, Inc. | Metrics independent and recipe independent fault classes |
| US8285414B2 (en) | 2009-03-31 | 2012-10-09 | International Business Machines Corporation | Method and system for evaluating a machine tool operating characteristics |
| JP2012018955A (ja) | 2010-07-06 | 2012-01-26 | Toshiba Corp | 半導体装置の不良解析方法 |
| US9142014B2 (en) * | 2013-05-30 | 2015-09-22 | Dmo Systems Limited | System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering |
| KR20130065684A (ko) * | 2013-05-30 | 2013-06-19 | 송시우 | 검사장치의 반도체 제조 공정 검사 방법 |
| CN103487441B (zh) * | 2013-09-24 | 2015-09-30 | 电子科技大学 | 一种用于硅晶片缺陷检测和面形测量的方法 |
| CN104897706B (zh) * | 2014-03-07 | 2018-05-11 | 旺宏电子股份有限公司 | 一种测量芯片或晶片表面结构的方法 |
| KR102238648B1 (ko) | 2014-06-03 | 2021-04-09 | 삼성전자주식회사 | 반도체 공정 관리 시스템, 이를 포함하는 반도체 제조 시스템 및 반도체 제조 방법 |
| US10514685B2 (en) * | 2014-06-13 | 2019-12-24 | KLA—Tencor Corp. | Automatic recipe stability monitoring and reporting |
| US10607334B2 (en) * | 2014-12-09 | 2020-03-31 | Asml Netherlands B.V. | Method and apparatus for image analysis |
| US9754769B2 (en) * | 2015-09-15 | 2017-09-05 | Lam Research Corporation | Metrology methods to detect plasma in wafer cavity and use of the metrology for station-to-station and tool-to-tool matching |
| CN106409711B (zh) * | 2016-09-12 | 2019-03-12 | 佛山市南海区广工大数控装备协同创新研究院 | 一种太阳能硅晶片缺陷检测系统及方法 |
| US10372114B2 (en) | 2016-10-21 | 2019-08-06 | Kla-Tencor Corporation | Quantifying and reducing total measurement uncertainty |
| CN107024478A (zh) * | 2017-04-05 | 2017-08-08 | 合肥德仁智能科技有限公司 | 一种零件加工自动缺陷识别系统 |
-
2017
- 2017-07-11 US US15/646,808 patent/US10360671B2/en active Active
- 2017-07-13 TW TW106123524A patent/TWI720227B/zh active
- 2017-07-26 SG SG11201900146VA patent/SG11201900146VA/en unknown
- 2017-07-26 KR KR1020207003578A patent/KR102222982B1/ko active IP Right Grant
- 2017-07-26 CN CN201780049684.6A patent/CN109564422B/zh active Active
- 2017-07-26 WO PCT/US2017/044030 patent/WO2019013828A1/en active Application Filing
-
2019
- 2019-01-06 IL IL264107A patent/IL264107B/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070219738A1 (en) | 2006-03-15 | 2007-09-20 | Applied Materials, Inc. | Tool health information monitoring and tool performance analysis in semiconductor processing |
Non-Patent Citations (1)
| Title |
|---|
| 비특허문헌1(네이버 블로그, 2012.11.04) |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200018822A (ko) | 2020-02-20 |
| IL264107B (en) | 2022-01-01 |
| TW201908896A (zh) | 2019-03-01 |
| TWI720227B (zh) | 2021-03-01 |
| US20190019280A1 (en) | 2019-01-17 |
| CN109564422B (zh) | 2021-03-09 |
| SG11201900146VA (en) | 2019-02-27 |
| CN109564422A (zh) | 2019-04-02 |
| US10360671B2 (en) | 2019-07-23 |
| IL264107A (en) | 2019-05-30 |
| WO2019013828A1 (en) | 2019-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102222982B1 (ko) | 툴 헬스 모니터링 및 매칭 | |
| JP6598790B2 (ja) | カスタマイズされたメトリックスをグローバル分類方法と組み合わせて極高処理能力でプロセスツール状態を監視するウエハおよびロットベースの階層化方法 | |
| TWI514497B (zh) | 機台狀況定性監測方法及錯誤偵測分類系統 | |
| US10761128B2 (en) | Methods and systems for inline parts average testing and latent reliability defect detection | |
| US10514685B2 (en) | Automatic recipe stability monitoring and reporting | |
| KR102248777B1 (ko) | 총 측정 불확도의 정량화 및 감소 | |
| KR102181418B1 (ko) | 교번적인 실패 모드의 공칭 특성을 레버리징하는 것에 의한 패턴 이상 발견 | |
| CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
| CN111566789B (zh) | 使用电子显微法的半导体计量及缺陷分类 | |
| JP7354421B2 (ja) | エラー要因の推定装置及び推定方法 | |
| US8682058B2 (en) | Defect analysis method, apparatus, and recording medium using pattern dependence degree | |
| CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
| KR20180054063A (ko) | 검사체에 대한 양부 판정 조건을 조정하는 방법 및 장치 | |
| TW201620057A (zh) | 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法 | |
| JP5604196B2 (ja) | マクロ検査方法および検査システム | |
| KR20220041126A (ko) | 광학 검사를 이용한 프로세스 모니터링 방법 | |
| CN117881973A (zh) | 用于多维动态零件平均测试的系统和方法 | |
| CN117495192A (zh) | 一种基于视觉识别的产品质量数据建模方法 | |
| Dom et al. | Calibration, setup, and performance evaluation in an IC inspection system | |
| Crauder et al. | Reducing metrology mean-time-to-detect by utilizing product data | |
| Pilon et al. | Intelligent line monitor: maximum productivity through an integrated and automated line monitoring strategy | |
| JP2008151585A (ja) | 分布解析方法および装置、異常設備推定方法および装置、上記分布解析方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |