KR20040094831A - 프로세스 도구 데이터 마이닝을 이용한 엔드-오브-라인데이터 마이닝의 상관 - Google Patents

프로세스 도구 데이터 마이닝을 이용한 엔드-오브-라인데이터 마이닝의 상관 Download PDF

Info

Publication number
KR20040094831A
KR20040094831A KR10-2004-7014871A KR20047014871A KR20040094831A KR 20040094831 A KR20040094831 A KR 20040094831A KR 20047014871 A KR20047014871 A KR 20047014871A KR 20040094831 A KR20040094831 A KR 20040094831A
Authority
KR
South Korea
Prior art keywords
data
tool
tools
data mining
process tool
Prior art date
Application number
KR10-2004-7014871A
Other languages
English (en)
Other versions
KR100956959B1 (ko
Inventor
빙글라스이스라엘
페리아미르
도르아모스
Original Assignee
어플라이드 머티어리얼즈 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 어플라이드 머티어리얼즈 인코포레이티드 filed Critical 어플라이드 머티어리얼즈 인코포레이티드
Publication of KR20040094831A publication Critical patent/KR20040094831A/ko
Application granted granted Critical
Publication of KR100956959B1 publication Critical patent/KR100956959B1/ko

Links

Classifications

    • 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
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • 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
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99932—Access augmentation or optimizing

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명의 일실시형태는, (a) 낮은 수율과 연관되는 하나 이상의 프로세스 도구를 식별하도록 엔드-오브-라인 수율 데이터를 분석하며; (b) 상기 분석으로부터의 출력에 응답하여, 상기 낮은 수율에 연관되는 하나 이상의 프로세스 도구 파라미터를 식별하도록 상기 하나 이상의 프로세스 도구로부터의 프로세스 도구 데이터를 분석하는 데이터 마이닝 엔진을 포함하는 프로세스 도구 최적화 시스템이다.

Description

프로세스 도구 데이터 마이닝을 이용한 엔드-오브-라인 데이터 마이닝의 상관{CORRELATION OF END-OF-LINE DATA MINING WITH PROCESS TOOL DATA MINING}
발명의 기술 분야
본 발명의 하나 이상의 실시형태는 프로세스 도구 데이터 마이닝 (process tool data mining) 을 이용한 엔드-오브-라인 데이터 마이닝 (end-of-line data mining) 의 상관 (correlation) 에 관한 것이다.
발명의 배경
시장의 수요가 회로 집적도의 증가를 요구함에 따라, 반도체 소자 제조는 더 복잡해지고 있다. 예를 들어, 통상적인 제조 프로세스는 단결정 실리콘 (이하 본 명세서에서는 웨이퍼 또는 기판이라 함) 의 슬라이스로 시작하여, 약 300 내지 500 개의 개별적인 일련의 제조 단계를 거쳐서 각각의 웨이퍼 상에 수많은 개별 소자를 생산하는 과정을 수반한다. 또한, 회로 집적도가 증가함에 따라, 라인 폭은 감소하고, 더 새로운 기술 및 재료가 반도체 제조에 이용되고 있다. 예를 들어, 구리 프로세스는 0.18 ㎛ 기술에서 0.13 ㎛ 기술로 옮겨가고 있다. 또한, 새로운 로우-k (low-k) 필름의 이용에 따른 난점 및 0.13 um 구조를 충진할 필요 외에도, 구리 시드 및 전기도금의 출현은 300 mm 웨이퍼의 이용으로의 전환에 의해 더 쉽지 않은 장애를 제공한다.
이러한 결과로, 프로세스 또는 그로 인한 오염과 같은 결함을 감소시키는 것이 더 중요해지고 있으며, 결함을 극복하는 중요한 1 요인은 타임-투-루트-코스 (time-to-root-cause) 이다. 결함을 모니터링하고 결함 밀도를 계속적으로 낮추기 위해, 반도체 소자 제조자들은 결함 데이터 관리 소프트웨어 및 결함 검출 장비를 이용한다. 또한, 반도체 프로세스 기술의 각각의 새로운 세대는, 프로세스 모니터링 및 향상을 위하여 더 상세한 데이터를 요구한다. 또한, 풍부한 데이터는 웨이퍼 프로세싱에서 데이터 저장, 데이터 통합, 데이터 분석, 및 데이터 자동화 경향을 불러온다.
지난 몇년 동안, 웨이퍼가 프로세싱되는 동안 주어진 반도체 웨이퍼 프로세스 도구 도구의 동작 조건을 기록하도록 설계된 데이터 추출 시스템의 배치에 많은 투자가 행해졌다. 비록 선진적인 공장에서, 이러한 시간 기반의 프로세스 도구 데이터가 웨이퍼 프로세스 도구의 일부분에 이용가능할지라도, 생산되어질 소자 (이하, 집적회로 또는 IC 라고도 함) 에 대해 도구 성능을 최적화하기 위한 데이터의 이용은 제한되어 왔다. 이러한 제한은, 적어도 부분적으로는, 소자 성능 데이터가 주어지는 방법과 프로세스 도구 시간 데이터가 주어지는 방법 사이의 단절 때문이다. 예를 들어, IC 에 대한 데이터 측정이 주어진 일군의 웨이퍼 (로트 (lot) 라고 함), 또는 주어진 웨이퍼, 또는 웨이퍼 상에 주어진 IC 의 서브세트와 반드시 연관된다. 그러나, 프로세스 도구 내에서 프로세스 도구 시간 데이터로부터의 데이터 측정은, 웨이퍼 프로세스의 특정 시간에서 별개의 동작 조건으로 표현된다. 예를 들어, 공장 프로세스 도구 (factory process tool) 가 고립된 챔버를 갖는다면, 프로세스 도구의 챔버에 소정의 웨이퍼가 남아 있음과 동시에, 챔버 압력은 각각의 밀리초마다 기록된다. 이 예에서, 임의의 소정의 웨이퍼에 대한 챔버 압력 데이터는 일련의 수많은 고유 측정값들로 재코딩된다. "프로세스 도구 시간 데이터를 별개의 데이터 메트릭스 (metrics) 에 "병합 (merging)" 시키는 것과 관련한 어려움은, 공장 효율을 최적화시키는 프로세스 도구 시간 데이터를 수단으로서 프로세스 도구 시간 데이터를 제한되게 이용하는 결과를 초래한다.
오늘날의 많은 수율 향상 및 공장 효율 향상 모니터링 노력은, 낮은 수율의 웨이퍼를 식별하는 엔드-오브-라인 기능 테스트 데이터와 IC 를 제조하기 위해 이용되는 특정의 공장 프로세스 도구 사이의 상관 (correlations) 을 개발하는데 초점을 둔다. 그러한 분석의 목표는, 낮은 수율을 초래하는 것으로 생각되는 개별의 프로세스 도구(들)을 식별하거나, 수율 엔지니어가 도구(들)이 '적절히' 동작한다고 확신할 수 있을 때까지 공장 프로세스 흐름으로부터 그(들)을 제거하거나, 또는 필요한 만큼의 웨이퍼가 생산되면 도구 성능을 수정하는 것이다. 데이터 마이닝을 이용하여 이러한 작업을 수행하는 것은 공지되어 있다 (또한, 이러한 유형의 상관 활동 (correlation activities) 은 새로운 기술의 수율량 증가를 발전시키는데 중요한 역할을 한다). 이러한 유형의 상관 활동은, (a) 생성되는 대량의 데이터; 및 (b) 분석을 위해 데이터를 통합하는데 걸리는 시간 때문에, 지루하며 시간-소모적이다. 때때로, 이는, 신호가 발견되기 전에는 시행착오의 문제이다. 또한, 통상적으로 그러한 활동은, 프로세스 도구가 더 나은 수행을 하는 것을 가능하게 하는데에 충분한 정보를 제공하지 않는다. 그 결과, 통상적으로 사용자는, 문제를 식별한 후에 실제로 프로세스 도구를 수리 또는 조정하는데 들이는 노력보다, 문제를 발견하는데 더 많은 노력을 들인다.
상기의 관점에서, 상기 문제 중 하나 이상을 해결하기 위한 방법 및 장치에 대한 필요가 존재한다.
발명의 개요
본 발명의 하나 이상의 실시형태는 상기 문제점들을 해결한다. 특히, 본 발명의 일실시형태는, (a) 엔드-오브-라인 수율 데이터를 분석하여 낮은 수율과 관련된 하나 이상의 프로세스 도구를 식별하며; (b) 그 분석으로부터의 출력에 응답하여, 하나 이상의 프로세스 도구로부터 프로세스 도구 데이터를 분석하여 낮은 수율과 연관된 하나 이상의 프로세스 도구 파라미터를 식별하는 데이터 마이닝 엔진을 포함하는 프로세스 도구 최적화 시스템이다.
도면의 간단한 설명
도 1 은 본 발명의 일실시형태에 따라 제작된 프로세스 도구 최적화 시스템의 블록도를 나타낸다.
상세한 설명
도 1 은 본 발명의 일실시형태에 따라 제작된 프로세스 도구 최적화 시스템의 블록도를 나타낸다. 널리 알려진 바와 같이, 반도체 웨이퍼 또는 기판 상에 소자 (집적 회로, 즉 IC 로도 불림) 가 제조된 후에, 이에 제한되는 것은 아니지만 예를 들어 전기적 테스트와 같은, 다수의 기능 테스트가 수행되어, 상기 소자가 설계 사양에 따라 수행하는지의 여부가 결정된다. 도 1 에 나타낸 바와 같이, 당업자에게 공지된 다수의 방법 중의 임의의 하나에 따라서, 그러한 기능 테스트의결과 (즉, 기능 테스트 장치로부터의 기능 테스트 결과 출력의 집합) 는 팹-와이드 (fab-wide), 엔드-오브-라인, 수율 향상 데이터 베이스 (140) 에 저장된다. 기능 테스트의 소정의 집합 및 그러한 기능 테스트를 수행하기 위한 기능 테스트 장치는 당업계에 공지되어 있다. 본 발명의 실시형태는 반도체 웨이퍼 상에 소자를 제조하는데 이용되도록 한정되는 것이 아니고, 이에 제한되는 것은 아니지만 예를 들어 유리 기판 또는 실리카 기판 등의 다른 재료에 소자를 제조하는데 이용될 수 있는 실시형태를 포함한다.
도 1 에 더 나타낸 바와 같이, 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 은 팹-와이드, 엔드-오브-라인, 수율 향상 데이터 베이스 (140) 에 저장된 데이터를 회수하며, 그 데이터를 분석하여, (a) 낮은 수율의 웨이퍼를 식별하고; (b) 낮은 수율 웨이퍼를 (i) 개개의 프로세스 도구 또는 프로세스 도구의 그룹, (ii) 시간 이벤트, (iii) 프로세스 및/또는 소자 설계, 및 (iv) 기타 등등과 상관 (correlate) 시킨다. 여기에서, 낮은 수율이란 용어는 소정의 양에 미달되는 수율, 또는 특정의 소자 파라미터에 대한 외부 제어 제한 또는 경계에 미달되는 측정값을 말한다. 잘 알려진 바와 같이, 데이터 마이닝은, 하나 이상의 응답 변수의 행동을 설명하는 것을 돕기 위해 (통상적으로 큰 데이터의) 패턴을 발견하는데 이용되는 공지된 방법론의 일부이다. 알려진 바와 같이, 데이터 마이닝은 테스트될 예상된 모델이 없다는 점에서 적어도 일부의 모델링 방법과는 상이하다. 오히려, 모델은, 해석 변수의 미리 설정된 범위를 이용하여 발견될 필요가 있다. 일반적으로, 이러한 변수는 다양한 상이한 데이터 타입을 지니며, 분리물 (outlier) 및 실종 데이터 (missing data) 를 포함한다. 모델에 포함될 변수의 일부는 크게 상관될 수 있으며, 기본적인 관계는 비-선형이며 상호작용을 포함할 수 있다.
더 알려진 바와 같이, 데이터 마이닝이라는 용어는 다수의 상이한 분석적 기술과 연관되어 왔다. 이러한 기술의 일부는 통상의 통계학의 이용과 연관되며, 한편 다른 기술은 신경계 네트, 연관 룰 (association rules), 베이즈 네트워크 (Bayesian network), 및 결정 트리 등의 기술을 채택한다. 그러나, 모든 경우에 있어서, 목적은 일련의 관찰에 걸쳐 응답의 다양성을 설명하기 위해 모델을 수립하는 것이며, 또한 접하게 되는 새로운 데이터에 대한 응답을 정확히 예측하는 능력을 수립하는 것이다. 신경계 네트 모델은, 모델링을 위해 많은 양의 데이터가 필요하고 통계적 방법을 이용하기에 충분할 정도로 물리적 모델이 알려져 있지 않을 때에 유용하다. 접근법의 단점은 모델 파라미터의 물리적 해석 (interpretation) 을 하기가 어렵다는 것이다. 또한, 모델의 예측된 결과는 이용된 트레이닝 세트의 범위에 제한된다. 베이즈 네트워크는 네트워크에서의 노드가 측정되는 변수이기 때문에 신경계 네트워크보다 더 물리적이지만, 네트워크로부터 물리적 모델의 구성요소를 추출하는 것과 그 안에 구현된 관계를 효율적으로 시각화하는 것은 여전히 어렵다. 신경 네트워크와는 달리, 베이즈 네트워크는 새로운 관계를 발견하기 위해 이용될 수 있다. 연관 룰은 데이터에서 일치성의 패턴을 찾기 위해 이용되는 도구이다. 예를 들어, 실패하는 로트 (즉, 웨이퍼의 그룹) 의 빈도는 다양한 조합의 프로세스 도구, 예를 들어 증착 프로세스 도구및 에처 (etcher) 프로세스 도구 조합을 거친다. 연관 룰은 행동의 패턴을 발견하는데에는 유용하지만, 예측적인 모델을 생성하지는 못한다. 결정 트리는 행동의 계층적 모델을 발전시키기 위한 분석적 도구이다. 트리는 변수를 연관시키는 최상의 룰에 기반하는 응답의 대부분의 가변성을 설명하는 변수를 반복적으로 평가함으로써 건설된다. 결정 트리는, 관계가 알려지지 않았을 때 및 넓은 카테고리의 분류 또는 예측을 할 필요가 있을 때 유용하다. 연속적인 변수에 대해 정확한 예측을 할 필요가 있을 때에는 덜 유용하다.
엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 의 출력은 낮은 수율과 상관되는 것으로 보이는 하나의 프로세스 도구, 또는 프로세스 도구의 조합을 식별한다. 종래 기술의 방법에 따르면, 이러한 데이터는 수율을 향상시키기 위해 식별된 도구 또는 도구들을 고치려고 하는, 또는 적어도 문제를 해결하려고 하는, 관리 인력의 주의를 끌었다. 그러나, 도 1 에 나타난 바와 같이, 본 발명의 일실시형태에 따르면, 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 으로부터의 출력은 프로세스 도구, 데이터 마이닝 엔진 (130) 에 대한 입력으로 제공된다. 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 은 당업자에게 잘 알려진 다수의 방법 중의 임의의 하나에 따라서, 소프트웨어 애플리케이션으로 제작될 수 있다. 예를 들어, 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 은, (a) 이에 한정되는 것은 아니지만 예를 들어 인터넷, 인트라넷 등의 네트워크을 통하는 데이터 (예를 들어 팹-와이드, 엔드-오브-라인, 수율 향상 데이터 베이스 (140) 에 액세스하며; (b) 네트워크를 통하는 데이터를 (예를 들어 프로세스 도구, 데이터 마이닝 엔진 (130) 으로) 전송하는 웹-기반의 소프트웨어 애플리케이션으로 제작될 수도 있다.
도 1 에 나타난 바와 같이, 에칭 프로세스 도구 (100) 는 측정/검출 시스템 (110) 을 통과하는 웨이퍼를 프로세싱하며, 화학 기상 증착 ("CVD") 프로세스 도구 (200) 는 측정/검출 시스템 (210) 을 통과하는 웨이퍼를 프로세싱한다. 에칭 프로세스 도구 (100) 및 CVD 프로세스 도구 (200) 는 단지, 그 출력이 본 발명의 하나 이상의 실시형태에 따라 분석되는 프로세스 도구의 대표적인 예이다. 웨이퍼가 에칭 프로세스 도구 (100) 에 의해 프로세싱될 때, 프로세스 출력 데이터는 SMARTSys 도구 (120) 에 의해 수집되며, 웨이퍼가 CVD 프로세스 도구 (200) 에 의해 프로세싱될 때, 프로세스 출력 데이터는 SMARTSys 도구 (220) 에 의해 수집된다. SMARTSys 도구는 California 의 Santa Clara 의 Applied Materials, Inc. 에 의해 제작된, 프로세스 도구의 프로세스 제어 파라미터를 모니터링하는 데이터 수집 및 분석 도구이다. 또한, SMARTSys 도구는, 조건이 프로세스 도구의 최적 범위의 모델에 합치하는 값으로부터 이탈하는지의 여부를 검출하는 애플리케이션을 더 포함한다. 예를 들어, SMARTSys 도구의 일실시형태는, 프로세스 도구 성능을 최적화하기 위한 프로세스 도구의 "상태 (health)" 지수 (즉, 지시자 (indicator)) 를 평가하는 "장비 상태 모니터링 및 결함 검출" 애플리케이션을 포함한다. 장비 상태 모니터링 및 결함 검출 애플리케이션은, 예상되는 행동의 이력 (history) 기반, 다중-변량 기반의 모델 및 몇가지 소정의 변수 -- 이 변수들은 장비 기능 파라미터 및/또는 프로세스 파라미터를 포함한다 (장비 기능 파라미터 및 프로세스 파라미터는 후자에 대한 장비 기능 데이터 및 프로세스 챔버 데이터를 포함한다) -- 의 상호작용을 이용함으로써 이를 행한다. 이에 한정되는 것은 아니지만 예를 들어, 장비 기능 파라미터는 로봇 위치를 포함하며, 프로세스 파라미터는 온도, 진공 압력, RF 크기, 및 가스 유량을 포함한다. SMARTSys 도구는, 조건이 예상되는 행동의 모델의 최적 범위로부터 이탈하는지를 검출하기 위해 소정의 지시자를 모니터링한다. 그와 같이, 이러한 소정의 지시자는 경계를 벗어난 프로세스 행동을 예측함으로써 웨이퍼 손실을 방지하는 것을 돕는다. 또한, SMARTSys 도구는 데이터를 실시간으로 수집, 저장, 및 디스플레이하여, 프로세스 매트릭스 및 알람이 정확하다는 것을 보증한다.
도 1 에 나타난 바와 같이, 에칭 프로세스 도구 (100) 및 CVD 프로세스 도구 (200) 에 의해 프로세싱된 웨이퍼는, 각각, 프로세싱을 위해 측정/검출 시스템 (110 및 210) 으로, 각각, 전송된다. 측정/검출 시스템 (110 및 210) 은, (a) 하나 이상의 파라미터 계측 도구; (b) 하나 이상의 검사 도구; (c) 하나 이상의 결함 리뷰 시스템; (d) 결함원 식별자 (defect source identifier); 및 (e) 프로세스 지식 라이브러리 ("PKL", process knowledge library) 중의 하나 이상을 포함한다. 잘 알려진 바와 같이, 계측 및 검사 도구는 측정 데이터, 및 프로세스 도구와 소자 파라미터를 확인 (verify) 하기 위해 이용되는 결함 측정 데이터를 생성한다. 또한, 잘 알려진 바와 같이, 결함 리뷰 시스템은, 결함원을 지시하는 데이터를 제공하기 위해 도구에 의해 생성되는 데이터를 더 분석하는 도구이다. 결함원 식별자는 California 의 Santa Clara 의 Applied Materials, Inc. 로부터 입수가능하며, 계측 데이터, 검사 데이터, 리뷰 데이터, 및 이력 (historical) 결함 데이터를 분석하여 최근의 결함원을 결정하거나 결정하는데 도움을 주는 장비이며, PKL 은 결함에 관한 한계를 벗어난 프로세스 파라미터에 관한 결함의 특정 지식 및 특정의 정정 동작을 제공하기 위해, 당업계에 잘 알려진 다수의 방법 중 임의의 하나에 따라 제작될 수 있는 애플리케이션, 예를 들어 소프트웨어 애플리케이션이다. 예를 들어, PKL 은, 이에 한정되는 것은 아니지만 예를 들어, RF 전력의 특정값이 특정의 소자 설계에서 문제가 될 수 있다는 것을 인지한다.
도 1 에 더 나타낸 바와 같이, 프로세스 도구, 데이터 마이닝 엔진 (130) 은 SMARTSys 도구 (120) 및 SMARTSys 도구 (220) 에 액세스하여 그곳에 저장된 데이터의 적어도 일부를 획득한다. 또한, 프로세스 도구, 데이터 마이닝 엔진 (130) 은 측정/검출 시스템 (110) 및 측정/검출 시스템 (210) 에 액세스하여 그곳에 저장된 데이터의 적어도 일부를 획득한다. 프로세스 도구, 데이터 마이닝 엔진 (130) 에 의해 획득된 데이터의 세트는 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 으로부터 수신된 입력에 응답하여, 그리고 아마도, 예를 들어 수율 엔지니어 등의 사용자로부터의 입력에 응답하여 결정된다. 예를 들어, 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 으로부터의 입력, 및 사용자로부터의 입력은 낮은 수율과 상관된 것으로 식별되는 하나 이상의 프로세스 도구를 지시할 수 있다. 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 은 낮은 수율이 상관되는 동안의 특정 시간 기간을 지시할 수도 있다. 응답으로, 프로세스 도구, 데이터 마이닝 엔진 (130) 은 (예를 들어, 프로세스 도구와 연관된 SMARTSys도구에 액세스함으로써) 연관있는 프로세스 도구로부터의 지시된 시간 기간에 대한 프로세스 정보에 액세스할 것이며, (예를 들어, 측정/검출 시스템 (110) 및/또는 측정/검출 시스템 (210), 및/또는 등에 액세스함으로써) 연관있는 시스템에 저장된 연관있는 측정, 검사, 및 리뷰 데이터에 액세스할 것이다. 또한, 특정 타입의 데이터가 전술한 바와 같이 자동적으로 사용가능하지 않으면, 예를 들어, 사용자 입력에 의해, 또는 데이터 위치의 사전-구성된 지정을 제공함으로써 파일로서 공급될 수도 있다. 또한, 소정의 데이터가 저장되는 위치를 지시하는 지도 (예를 들어, 프로세스 도구 및 연관된 SMARTSys 도구의 지도) 는 당업계의 당업자에게 잘 알려진 다수의 방법 중의 하나에 따른 시스템 구성 프로세스에 의해 획득될 수 있다. 따라서, 새로운 실패에 직면하면, 프로세스 도구, 데이터 마이닝 엔진 (130) 은, 다른 있음직한 원인을 제안하는데 필요한 데이터를 수집하기 위해 다른 자동화 구성 요소 및 계측 도구에 질문 (interrogate) 한다. 또한, 프로세스 도구, 데이터 마이닝 엔진 (130) 은 당업자에게 잘 알려진 다수의 방법 중의 임의의 하나에 따라 소프트웨어 애플리케이션으로 제작될 수 있다. 예를 들어, 프로세스 도구, 데이터 마이닝 엔진 (130) 은, (a) 이에 한정되는 것은 아니지만 예를 들어, 인터넷, 인트라넷 등과 같은 네트워크를 통하여 (예를 들어 SMARTSys 도구 (120), SMARTSys 도구 (220), 측정/검출 시스템 (110), 및 측정/검출 시스템 (210) 으로부터) 데이터에 접근하며, (b) 후술하는 바와 같은 방식으로 네트워크를 통해 데이터를 출력하는 웹-기반의 소프트웨어 애플리케이션으로 제작될 수 있다.
본 발명의 하나 이상의 실시형태에 따라, 프로세스 제어, 데이터 마이닝 엔진 (130) 은 데이터 마이닝을 수행하여, 수율 임팩트 신호와 연관된 인트라-프로세스 도구를 개발하고, 수율 임팩트 신호 (160) 를 프로세스 최적화 엔진 (170) 에 출력하며, 그리고/또는 영향을 받은 프로세스 도구와 연관된 측정/검출 시스템 (예를 들어, 측정/검출 시스템 (110 또는 210)) 에서 특정 소자 결함 및 한계를 벗어난 프로세스 파라미터와의 상관을 PKL 에 제공한다. 따라서, 프로세스 제어, 데이터 마이닝 엔진 (130) 은 엔드-오브-라인 수율을, 이에 한정되는 것은 아니지만 예를 들어, 압력, 온도, RF 크기, 가스 유량 등과 같은 특정 프로세스 도구 파라미터와 상관시킨다. 이러한 데이터 마이닝을 수행함에 있어서, 프로세스 제어, 데이터 마이닝 엔진 (130) 은, (a) 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 에 의해 낮은 수율과 상관되는 것으로 식별되는 프로세스 도구로부터의 데이터; (b) 특정 경우에는, 낮은 수율과 상관되는 것으로 식별되지 않은 프로세스 도구로부터의 데이터 (예를 들어 비교의 목적으로); 및 (c) 프로세스 도구로부터의 이력 데이터를 이용할 수 있다. 프로세스 제어, 데이터 마이닝 엔진 (130) 으로부터의 출력 (즉, 수율 임팩트 신호 (160)) 은, 적어도 식별된 프로세스 도구에 대하여, 낮은 수율과 연관된 프로세스 도구 파라미터를 식별한다. 이러한 수율 임팩트 신호 (160), 즉 실패의 전조는 프로세스 최적화 엔진 (170) 에 입력으로 적용된다. 다른 방법으로는, 프로세스 제어, 데이터 마이닝 엔진 (130) 으로부터 프로세스 최적화 엔진 (170) 에 의해 액세스될 수도 있다.
데이터 마이닝은, 당업자에게 잘 알려진 다수의 방법 중의 하나에 따라, 프로세스 제어, 데이터 마이닝 엔진 (130) 에 의해 수행될 수 있다. 예를 들어,데이터 마이닝의 수행에 관한 다음의 고려는 잘 알려져 있고, 염두에 두어질 수 있다. 데이터 마이닝은 데이터 이용도, 합리적으로 효율적인 액세스 방법, 데이터 문제에 대한 합리적인 강인성, 합리적으로 효율적인 알고리즘, 합리적으로 높은 성능 애플리케이션 서버, 및 결과 전달에 있어서의 유연성을 요구한다. 데이터 문제에 관한 다양한 데이터 마이닝의 민감도는, 애플리케이션에 대한 산물 또는 방법을 선택할 때 고려되어야 한다. 특히, 관심이 되는 데이터 문제는 통상의 관찰의 범위를 넘어선 갭 및 측정 - 소위 분리물 - 에 기인한 것이다. 데이터 마이닝이 실종 데이터에 대한 강인성을 갖고 있긴 하지만, 갭이 회피될 수 있을 때 결과는 향상될 것이지만; 그러나 분리물은 대부분의 실세계 데이터 세트에 존재한다. 비-파라미터 방법 (즉, 기본적인 분배의 정상성에 의존하지 않는 것) 을 이용하는 데이터 마이닝 알고리즘은 분리물에 대해 덜 민감하다. 또한, 분석에 선행하여 데이터를 "클리닝" 하는 것은 분리물에 기인한 잘못된 신호를 회피할 수 있다. 상호적인 이용에 대해, 기본적인 그래픽 관계를 시각화하기 위해 다이어그램과 상호작용하는 능력을 지니며, 다이어그램에 출력을 전달하는 것으로 충분하다.
도 1 에 나타낸 바와 같이, 프로세스 최적화 엔진 (170) 은, 이에 한정되는 것은 아니지만 예를 들어 전문가 시스템 (expert system) 과 같은, 최적화 프로세스를 유도하는 당업자에게 잘 알려진 다수의 방법 중의 임의의 하나에 따라 계층적 지식 시스템을 만드는 룰의 집합으로서 수율 임팩트 파라미터 (160) 를 이용하는 지식-기반 시스템이다. 예를 들어, 수율 임팩트 신호 (160) 가 에칭 프로세스도구 (100) 의 압력을 포함한다면, 프로세스 최적화 엔진 (170) 은 피드백 정보를 SMARTSys 도구 (120) 으로 출력하여 이탈 (excursions) 에 대한 프로세스 압력을 모니터링한다. 모니터링 프로세스는 이탈을 식별하며, 사용자는 수율을 산출시키게 될 수정 동작을 취할 수 있다. 예를 들어, 그러한 수정은, (a) 수정된 프로세스 동작법 (recipes) 의 이용의 형태로의 자기-수리; (b) 제작 프로세스와 타협 (compromise) 하기 전에 자발적인 정지 (graceful shutdown); 및/또는 (c) 예방적인 유지 (PM) 의 형태를 취할 수 있다. 유리하게도, 본 발명의 하나 이상의 실시형태에 따르면, 데이터 마이닝은 전문가 시스템과 같은 진단 룰을 유도하여, 다음 단계를 제안하고 결함을 더욱 효율적으로 분리되게 할 수 있다. 예를 들어, PM 은 마모 및 틈의 영향을 예상하여, 프로세스에 실패 및 타협하기 전에 부품을 교체한다. PM 주파수 및 특별한 PM 은 종종 프로세스 및 수행되는 동작법의 변화에 의존한다. 예를 들어, 동작법 변화 및 변화 직후의 프로세스 성능 사이의 상호 작용이 있을 수도 있다. 이러한 유형의 영향은, 반도체 장비 제공자가 예상 및 테스트하기에 어렵다. 그러나, 이는, 프로세스 도구를 이용함에 있어서, 반도체 소자 제조자의 성공에 중요한 영향을 미칠 수 있다.
또한, 제작에 있어서 변화를 야기하는 인자가 많고, 이러한 인자는 시간에 따라 변화하기 때문에, 이러한 변화는 프로세싱 단계 동안에 일정한 변화를 만든다는 것을 인식하여야 한다. 따라서, 범위를 벗어난 단일의 사고를 수정하는 것은 전체의 라인에 대한 장기적인 최적화 해결책을 제공하지는 않는다. 즉, 프로세스는 동적이며, 이는 일정한 모니터링 및 수정의 동작을 요구한다. 또한,새로운 소자가 프로세스 라인에 도입될 때, 전체 라인은 생산 도입 및 증가 동안에 그 수율을 최적화할 필요가 있다. 본 발명의 하나 이상의 실시형태를 이용함에 있어서, 프로세스 편차는 검출될 뿐만 아니라, 프로세스 흐름에서 프로세스 수정을 피드백함으로써 수정될 수 있다. 따라서, 본 발명의 하나 이상의 실시형태는 설치 동안에 프로세스 도구의 생산성의 증가를 가능하게 하며, 일단 제자리를 찾으면 향상도 가능하게 한다.
비록 도 1 은 SmartSys 도구 (120 및 220) 각각이 프로세스 도구, 데이터 마이닝 엔진 (130) 으로 정보를 직접 전송하는 실시형태이기는 하지만, 이에 한정되는 것은 아니지만 예를 들어 서버와 같은, SmartSys 도구와 다른 시스템 및/또는 애플리케이션 사이의 상호작용에 대해 중재자 및/또는 중심점으로 작용하는 다른 시스템이 존재한다. 그러한 실시형태에서, 그러한 서버를 통해 정보는 프로세스 도구, 데이터 마이닝 엔진 (130) 으로 향해질 수 있다.
유사하게, 비록 도 1 이 측정/검출 시스템 (110 및 210) 각각이 프로세스 도구, 데이터 마이닝 엔진 (130) 으로 정보를 직접 전송하는 실시형태를 나타내지만, 이에 한정되는 것은 아니지만 예를 들어 서버와 같은, 측정/검출 시스템과 다른 시스템 및/또는 애플리케이션 사이의 상호작용에 대해 중재자 및/또는 중심점으로 작용하는 다른 시스템이 존재한다. 그러한 실시형태에서, 그러한 서버를 통해서 정보는 프로세스 도구, 데이터 마이닝 엔진 (130) 으로 향해질 수 있다. 또한, 비록 도 1 이 에칭 프로세스 도구 (100) 로부터 측정/검출 시스템 (110) 으로 이송되는 웨이퍼 및 CVD 프로세스 도구 (200) 로부터 측정/검출 시스템 (210) 으로 이송되는 웨이퍼를 나타내지만, 다양한 프로세스 도구로부터의 웨이퍼 출력이 동일한 측정/검출 시스템으로 전송되는 다른 실시형태가 존재한다. 또한, 전술한 바와 같이, 측정/검출 시스템은 몇가지 상이한 시스템을 포함할 수도 있다. 그와 같이, 도 1 은 측정/검출 시스템과 프로세스 도구, 데이터 마이닝 엔진 (130) 사이의 단일 통신 경로를 나타내며, 측정/검출 시스템 및 프로세스 도구, 데이터 마이닝 엔진 (130) 을 포함하는 개별적인 시스템들 사이에 다중 경로가 존재하는 다른 실시형태도 존재한다 (또는, 이에 한정되는 것은 아니지만 예를 들어, 측정/검출 시스템 및 다른 시스템 및/또는 애플리케이션을 포함하는 다양한 카테고리의 시스템들 사이의 상호작용에 대한 중재자 및/또는 중심점으로 작용하는 서버들과 같은 다른 시스템들 사이의 다중 통신 경로가 존재할 수 있다).
비록 도 1 이, 엔드-오브-라인, 수율 향상 데이터 마이닝 엔진 (150) 이 프로세스 도구, 데이터 마이닝 엔진 (130) 으로 정보를 전송하는 통신 경로를 나타내기는 하지만, 이에 한정되는 것은 아니지만 예를 들어, 엔드-오브-라인, 수율 향상 데이터 베이스 (140) 또는 서버에서 네트워크의 노드에 정보가 저장되는 실시형태, 및 프로세스 도구, 데이터 마이닝 엔진 (130) 이 당업자에게 잘 알려진 다수의 방법에 따라 노드로부터의 정보에 액세스하는 실시형태 등의 다른 실시형태가 존재한다. 유사하게, 비록 도 1 이 시스템과 도구 사이의 다양한 통신 경로를 나타내지만, 이러한 통신 경로의 일부 또는 전부가, 당업자에게 잘 알려진 다수의 방법 중 임의의 하나에 따라 네트워크 노드 및/또는 서버들 사이에 발생하는 다른 실시형태도 존재한다.
비록 도 1 이, 프로세스 도구, 데이터 마이닝 엔진 (130) 및 엔드-오브-라인, 수율 향상, 데이터 마이닝 엔진 (150) 이 별개의 하드웨어에서 실행되는 별개의 애플리케이션인 실시형태를 나타내지만, 양자가 동일한 하드웨어에서 실행되는 다른 실시형태도 존재하며, 그들이 상이한 알고리즘을 갖는 프로세스를 실행할 수 있는 동일한 애플리케이션 (이에 한정되는 것은 아니지만 예를 들어 데이터 마이닝 엔진 애플리케이션) 인 또다른 실시형태도 존재한다 (그와 같이, 상이한 시간에 상이한 세트의 데이터를 프로세싱할 수도 있다).
당업자는 전술한 설명이 단지 예시 및 설명을 위해 제공된 것이라는 점을 알 수 있다. 그와 같이, 이는 본 발명을 완전히 설명한 것이거나 개시된 형태대로 본 발명을 제한하려고 의도된 것이 아니다. 예를 들어, 정보가 시스템 및/또는 애플리케이션 및/또는 도구 사이에 이송 또는 전송된다고 상기와 같이 기재될 때, 이는 직접적인 이송 또는 전송이 존재하는 실시형태, 및 네트워크 노드, 서버 등의 중개물이 이용되어 간접적인 이송 또는 전송이 존재하는 실시형태를 포함하는 의미이다.

Claims (29)

  1. 낮은 수율과 연관된 하나 이상의 프로세스 도구를 식별하기 위하여 엔드-오브-라인 수율 데이터를 분석하고, 그 분석의 출력에 응답하여, 상기 낮은 수율과 연관된 하나 이상의 도구 파라미터를 식별하기 위하여 상기 하나 이상의 프로세스 도구로부터의 프로세스 도구 데이터를 분석하는 데이터 마이닝 엔진을 포함하는, 프로세스 도구 최적화 시스템.
  2. 제 1 항에 있어서,
    상기 데이터 마이닝 엔진은, 상기 낮은 수율과 연관된 하나 이상의 프로세스 도구 및 시간 기간을 식별하기 위해서, 엔드-오브-라인 수율 데이터를 분석하는, 프로세스 도구 최적화 시스템.
  3. 제 1 항에 있어서,
    하나 이상의 프로세스 도구의 프로세스 제어 파라미터를 모니터링하며 상기 하나 이상의 프로세스 도구 데이터 및 그 프로세스 도구 데이터의 분석을 상기 데이터 마이닝 엔진으로 전송하는 데이터 수집 도구를 더 포함하는, 프로세스 도구 최적화 시스템.
  4. 제 3 항에 있어서,
    상기 데이터 수집 도구는, 프로세스 도구와 각각 연관되는 하나 이상의 데이터 수집 도구들을 포함하는, 프로세스 도구 최적화 시스템.
  5. 제 4 항에 있어서,
    상기 하나 이상의 데이터 수집 도구는 소정의 프로세스 조건이 소정의 범위로부터 이탈되는지의 여부를 검출하는 하나 이상의 애플리케이션을 포함하는, 프로세스 도구 최적화 시스템.
  6. 제 4 항에 있어서,
    상기 하나 이상의 데이터 수집 도구는 소정의 프로세스 도구 성능 지시자를 결정하는 하나 이상의 애플리케이션을 포함하는, 프로세스 도구 최적화 시스템.
  7. 제 1 항에 있어서,
    하나 이상의 측정 데이터, 결함 측정 데이터, 결함 리뷰 데이터, 및 결함원 데이터를 상기 데이터 마이닝 엔진으로 전송하는 측정/검출 시스템을 더 포함하는, 프로세스 도구 최적화 시스템.
  8. 제 7 항에 있어서,
    상기 하나 이상의 측정/검출 시스템은 하나 이상의 파라미터 측정 도구, 검사 도구, 결함 리뷰 시스템, 결함원 식별자, 및 프로세스 지식 라이브러리를 포함하는, 프로세스 도구 최적화 시스템.
  9. 제 1 항에 있어서,
    상기 데이터 마이닝 엔진은 상기 낮은 수율과 연관된 상기 하나 이상의 프로세스 도구 파라미터에 관한 정보를 프로세스 최적화 엔진으로 전송하는, 프로세스 도구 최적화 시스템.
  10. 제 8 항에 있어서,
    상기 데이터 마이닝 엔진은 상기 낮은 수율과 연관된 상기 하나 이상의 프로세스 도구 파라미터에 관한 정보를, 낮은 수율과 연관된 상기 하나 이상의 프로세스 도구와 연관되는 프로세스 지식 라이브러리 및 하나 이상의 결함원 식별자로 전송하는, 프로세스 도구 최적화 시스템.
  11. 제 1 항에 있어서,
    상기 데이터 마이닝 엔진은, 상기 분석의 출력에 응답하여, 낮은 수율, 하나 이상의 다른 프로세스 도구로부터의 프로세스 도구 데이터, 및 이력 프로세스 도구 데이터와 연관되는 상기 하나 이상의 프로세스 도구로부터의 하나 이상의 프로세스 도구 데이터를 분석하는, 프로세스 도구 최적화 시스템.
  12. 제 9 항에 있어서,
    상기 프로세스 최적화 엔진은, 상기 하나 이상의 프로세스 도구 파라미터에 관한 상기 정보에 응답하여, 계층적 지식 시스템을 생성하는 지식-기반 시스템인, 프로세스 도구 최적화 시스템.
  13. 제 12 항에 있어서,
    하나 이상의 프로세스 도구의 프로세스 제어 파라미터를 모니터링하며 상기 프로세스 도구 데이터 및 그 프로세스 도구 데이터의 분석을 상기 데이터 마이닝 엔진으로 전송하는 데이터 수집 도구를 더 포함하며,
    상기 프로세스 최적화 엔진은 하나 이상의 프로세스 도구에 대한 프로세스 제어 정보를 상기 데이터 수집 도구로 전송하는, 프로세스 도구 최적화 시스템.
  14. 제 13 항에 있어서,
    상기 데이터 수집 도구는 상기 하나 이상의 프로세스 도구에 대한 상기 프로세스 제어 정보를 이용하여, 상기 하나 이상의 프로세스 도구를 모니터링하는, 프로세스 도구 최적화 시스템.
  15. 낮은 수율과 연관된 하나 이상의 프로세스 도구를 식별하기 위하여 엔드-오브-라인 수율 데이터를 분석하는 제 1 데이터 마이닝 엔진; 및
    상기 제 1 데이터 마이닝 엔진으로부터의 출력에 응답하여, 상기 낮은 수율과 연관된 하나 이상의 프로세스 도구 파라미터를 식별하기 위하여 상기 하나 이상의 프로세스 도구로부터의 프로세스 도구 데이터를 분석하는 제 2 데이터 마이닝 엔진을 포함하는, 프로세스 도구 최적화 시스템.
  16. 제 15 항에 있어서,
    상기 제 1 데이터 마이닝 엔진은 낮은 수율과 연관된 하나 이상의 프로세스 도구 및 시간 기간을 식별하기 위하여 엔드-오브-라인 수율 데이터를 더 분석하는, 프로세스 도구 최적화 시스템.
  17. 제 15 항에 있어서,
    하나 이상의 프로세스 도구의 프로세스 제어 파라미터를 모니터링하며 상기 프로세서 도구 데이터 중 하나 이상 및 그 프로세스 도구 데이터의 분석을 상기 제 2 데이터 마이닝 엔진으로 전송하는 데이터 수집 도구를 포함하는, 프로세스 도구 최적화 시스템.
  18. 제 17 항에 있어서,
    상기 데이터 수집 도구는, 프로세스 도구와 각각 연관된 하나 이상의 데이터 수집 도구를 포함하는, 프로세스 도구 최적화 시스템.
  19. 제 18 항에 있어서,
    상기 하나 이상의 데이터 수집 도구는, 소정의 프로세스 조건이 소정의 범위로부터 이탈하는지의 여부를 검출하는 하나 이상의 애플리케이션을 포함하는, 프로세스 도구 최적화 시스템.
  20. 제 18 항에 있어서,
    상기 하나 이상의 데이터 수집 도구는 소정의 프로세스 도구 성능 지시자를 결정하는 하나 이상의 애플리케이션을 포함하는, 프로세스 도구 최적화 시스템.
  21. 제 15 항에 있어서,
    하나 이상의 측정 데이터, 결함 측정 데이터, 결함 리뷰 데이터, 및 결함원 데이터를 상기 제 2 데이터 마이닝 엔진으로 전송하는 측정/검출 시스템들을 더 포함하는, 프로세스 도구 최적화 시스템.
  22. 제 21 항에 있어서,
    상기 측정/검출 시스템 중 하나 이상은, 하나 이상의 파라미터 계측 도구, 검사 도구, 결함 리뷰 시스템, 결함원 식별자, 및 프로세스 지식 라이브러리를 포함하는, 프로세스 도구 최적화 시스템.
  23. 제 15 항에 있어서,
    상기 제 2 데이터 마이닝 엔진은 상기 낮은 수율에 연관된 상기 하나 이상의 프로세스 도구 파라미터에 관한 정보를 프로세스 최적화 엔진으로 전송하는, 프로세스 도구 최적화 시스템.
  24. 제 22 항에 있어서,
    상기 제 2 데이터 마이닝 엔진은 상기 낮은 수율에 연관된 상기 하나 이상의 프로세스 도구 파라미터에 관한 정보를, 낮은 수율과 연관된 상기 하나 이상의 프로세스 도구와 연관된 프로세스 지식 라이브러리 및 하나 이상의 결함원 식별자로 전송하는, 프로세스 도구 최적화 시스템.
  25. 제 15 항에 있어서,
    상기 제 2 데이터 마이닝 엔진은, 상기 제 2 데이터 마이닝 엔진으로부터의 출력에 응답하여, 낮은 수율, 하나 이상의 다른 프로세스 도구로부터의 프로세스 도구 데이터, 및 이력 프로세스 도구 데이터에 연관되는 상기 하나 이상의 프로세스 도구로부터의 하나 이상의 프로세스 도구 데이터를 분석하는, 프로세스 도구 최적화 시스템.
  26. 제 23 항에 있어서,
    상기 프로세스 최적화 엔진은, 상기 하나 이상의 프로세스 도구 파라미터에 관한 상기 정보에 응답하여, 계층적 지식 시스템을 생성하는 지식-기반 시스템인, 프로세스 도구 최적화 시스템.
  27. 제 26 항에 있어서,
    하나 이상의 프로세스 도구의 프로세스 제어 파라미터를 모니터링하며 상기 프로세스 도구 데이터 중 하나 이상 및 그 프로세스 도구 데이터의 분석을 상기 제 2 데이터 마이닝 엔진으로 전송하는 데이터 수집 도구를 더 포함하며;
    상기 데이터 최적화 엔진은 하나 이상의 프로세스 도구에 대한 프로세스 제어 정보를 상기 데이터 수집 도구로 전송하는, 프로세스 도구 최적화 시스템.
  28. 제 27 항에 있어서,
    상기 데이터 수집 도구는 상기 하나 이상의 프로세스 도구에 대한 상기 프로세스 제어 정보를 이용하여 상기 하나 이상의 프로세스 도구를 모니터링하는, 프로세스 도구 최적화 시스템.
  29. 낮은 수율과 연관된 하나 이상의 프로세스 도구를 식별하기 위하여 데이터 마이닝 엔진을 이용하여 엔드-오브-라인 수율을 분석하는 단계; 및
    상기 분석의 출력에 응답하여, 상기 낮은 수율에 연관되는 하나 이상의 프로세스 도구 파라미터를 식별하기 위하여, 데이터 마이닝 엔진을 이용하여, 상기 하나 이상의 프로세스 도구로부터의 프로세스 도구 데이터를 분석하는 단계를 포함하는, 프로세스 도구 최적화 방법.
KR1020047014871A 2002-03-21 2003-03-20 프로세스 도구 데이터 마이닝과 엔드-오브-라인 데이터 마이닝의 상관 KR100956959B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US10/105,607 US7401066B2 (en) 2002-03-21 2002-03-21 Correlation of end-of-line data mining with process tool data mining
US10/105,607 2002-03-21
PCT/US2003/008797 WO2003081663A2 (en) 2002-03-21 2003-03-20 Correlation of end-of-line data mining with process tool data mining

Publications (2)

Publication Number Publication Date
KR20040094831A true KR20040094831A (ko) 2004-11-10
KR100956959B1 KR100956959B1 (ko) 2010-05-11

Family

ID=28040832

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020047014871A KR100956959B1 (ko) 2002-03-21 2003-03-20 프로세스 도구 데이터 마이닝과 엔드-오브-라인 데이터 마이닝의 상관

Country Status (7)

Country Link
US (1) US7401066B2 (ko)
EP (1) EP1485950A2 (ko)
JP (1) JP4615222B2 (ko)
KR (1) KR100956959B1 (ko)
CN (1) CN1324515C (ko)
TW (1) TWI287244B (ko)
WO (1) WO2003081663A2 (ko)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7627688B1 (en) * 2002-07-09 2009-12-01 Vignette Corporation Method and system for detecting gaps in a data stream
US7603430B1 (en) * 2002-07-09 2009-10-13 Vignette Corporation System and method of associating events with requests
US7461120B1 (en) 2002-07-09 2008-12-02 Vignette Corporation Method and system for identifying a visitor at a website server by requesting additional characteristic of a visitor computer from a visitor server
US6947803B1 (en) * 2002-09-27 2005-09-20 Advanced Micro Devices, Inc. Dispatch and/or disposition of material based upon an expected parameter result
US7251540B2 (en) * 2003-08-20 2007-07-31 Caterpillar Inc Method of analyzing a product
JP4399400B2 (ja) * 2005-07-11 2010-01-13 株式会社日立ハイテクノロジーズ 検査データ解析システムと検査データ解析プログラム
US7315765B1 (en) * 2005-07-29 2008-01-01 Advanced Micro Devices, Inc. Automated control thread determination based upon post-process consideration
US7650199B1 (en) * 2005-08-03 2010-01-19 Daniel Kadosh End of line performance prediction
US7657339B1 (en) * 2005-10-14 2010-02-02 GlobalFoundries, Inc. Product-related feedback for process control
US7337033B1 (en) * 2006-07-28 2008-02-26 International Business Machines Corporation Data mining to detect performance quality of tools used repetitively in manufacturing
US7751920B2 (en) * 2006-12-08 2010-07-06 International Business Machines Corporation Method and system of data weighted object orientation for data mining
US7974723B2 (en) * 2008-03-06 2011-07-05 Applied Materials, Inc. Yield prediction feedback for controlling an equipment engineering system
US8112170B2 (en) * 2008-05-02 2012-02-07 General Electric Company Method and system for machining process control
TW200951752A (en) * 2008-06-06 2009-12-16 Inotera Memories Inc A method for prognostic maintenance in semiconductor manufacturing
TWI389050B (zh) * 2009-03-11 2013-03-11 Inotera Memories Inc 尋找產品良率與預防維護兩者間之關聯性的方法
US8234001B2 (en) * 2009-09-28 2012-07-31 International Business Machines Corporation Tool commonality and stratification analysis to enhance a production process
US8594821B2 (en) * 2011-02-18 2013-11-26 International Business Machines Corporation Detecting combined tool incompatibilities and defects in semiconductor manufacturing
US9746849B2 (en) * 2012-11-09 2017-08-29 Tokyo Electron Limited Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing
CN104808597B (zh) * 2014-01-24 2018-07-03 中芯国际集成电路制造(上海)有限公司 生产派工的方法和装置
US10712289B2 (en) 2014-07-29 2020-07-14 Kla-Tencor Corp. Inspection for multiple process steps in a single inspection process
CN104765691B (zh) * 2015-04-23 2017-05-24 武汉精测电子技术股份有限公司 液晶模组的修正代码判断方法
US11194322B2 (en) * 2015-04-29 2021-12-07 Packsize Llc Profiling of packaging systems
US10935962B2 (en) * 2015-11-30 2021-03-02 National Cheng Kung University System and method for identifying root causes of yield loss
CN108074836B (zh) * 2016-11-16 2020-06-09 中芯国际集成电路制造(上海)有限公司 用于解决浅沟槽隔离刻蚀中的球型缺陷的方法和系统
TWI625682B (zh) 2017-12-01 2018-06-01 財團法人工業技術研究院 參數最佳化方法、裝置以及非暫態電腦可讀取媒體
US11592812B2 (en) 2019-02-19 2023-02-28 Applied Materials, Inc. Sensor metrology data integration
US10924334B1 (en) * 2019-09-12 2021-02-16 Salesforce.Com, Inc. Monitoring distributed systems with auto-remediation
US20210103221A1 (en) 2019-10-08 2021-04-08 International Business Machines Corporation Tool control using multistage lstm for predicting on-wafer measurements
US11853042B2 (en) * 2021-02-17 2023-12-26 Applied Materials, Inc. Part, sensor, and metrology data integration

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US32888A (en) * 1861-07-23 Faucet
US22937A (en) * 1859-02-15 Henry cogswell
US51836A (en) * 1866-01-02 Improvement in revolving fire-arms
US5222210A (en) 1990-12-03 1993-06-22 Motorola, Inc. Method of displaying the state of an artificial neural network
US5097141A (en) 1990-12-12 1992-03-17 Motorola, Inc. Simple distance neuron
US5819245A (en) 1995-09-05 1998-10-06 Motorola, Inc. Method of organizing data into a graphically oriented format
US5897627A (en) 1997-05-20 1999-04-27 Motorola, Inc. Method of determining statistically meaningful rules
TW331650B (en) 1997-05-26 1998-05-11 Taiwan Semiconductor Mfg Co Ltd Integrated defect yield management system for semiconductor manufacturing
US6408219B2 (en) 1998-05-11 2002-06-18 Applied Materials, Inc. FAB yield enhancement system
US6367040B1 (en) 1999-01-11 2002-04-02 Siemens Aktiengesellschaft System and method for determining yield impact for semiconductor devices
JP2000259222A (ja) * 1999-03-04 2000-09-22 Hitachi Ltd 機器監視・予防保全システム
JP3556509B2 (ja) * 1999-03-16 2004-08-18 株式会社東芝 欠陥解析システムおよびその方法
US6298470B1 (en) * 1999-04-15 2001-10-02 Micron Technology, Inc. Method for efficient manufacturing of integrated circuits
US6580960B1 (en) 2000-06-22 2003-06-17 Promos Technologies, Inc. System and method for finding an operation/tool combination that causes integrated failure in a semiconductor fabrication facility
JP2002043200A (ja) 2000-07-24 2002-02-08 Mitsubishi Electric Corp 異常原因検出装置及び異常原因検出方法
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

Also Published As

Publication number Publication date
CN1639854A (zh) 2005-07-13
TW200307972A (en) 2003-12-16
CN1324515C (zh) 2007-07-04
WO2003081663A3 (en) 2004-01-22
EP1485950A2 (en) 2004-12-15
US7401066B2 (en) 2008-07-15
JP4615222B2 (ja) 2011-01-19
KR100956959B1 (ko) 2010-05-11
WO2003081663A2 (en) 2003-10-02
US20030182252A1 (en) 2003-09-25
JP2006506800A (ja) 2006-02-23
TWI287244B (en) 2007-09-21

Similar Documents

Publication Publication Date Title
KR100956959B1 (ko) 프로세스 도구 데이터 마이닝과 엔드-오브-라인 데이터 마이닝의 상관
US8594826B2 (en) Method and system for evaluating a machine tool operating characteristics
US7529631B2 (en) Defect detection system, defect detection method, and defect detection program
Cherry et al. Multiblock principal component analysis based on a combined index for semiconductor fault detection and diagnosis
KR101108856B1 (ko) 런투런 제어기를 이용한 결함 검출 및 분류 방법과 시스템
KR100986789B1 (ko) 툴 성능을 모니터링하는 장치 및 방법
US6952656B1 (en) Wafer fabrication data acquisition and management systems
CN100407215C (zh) 用于监视和控制半导体生产过程的方法和装置
US7831326B2 (en) Graphical user interface for presenting multivariate fault contributions
JP4250552B2 (ja) 製造装置管理システム、製造装置管理方法及びプログラム
US6836691B1 (en) Method and apparatus for filtering metrology data based on collection purpose
US20090055692A1 (en) Method and apparatus to automatically create virtual sensors with templates
US7248939B1 (en) Method and apparatus for multivariate fault detection and classification
JP2010226125A (ja) 半導体テストのための方法および装置
WO2009025952A2 (en) A tool to report the status and drill-down of an application in an automated manufacturing environment
US20190064253A1 (en) Semiconductor yield prediction
CN103137513A (zh) 集成电路制造设备状态监测系统和方法
US6714884B2 (en) Method and apparatus for providing communication between a defect source identifier and a tool data collection and control system
US6821792B1 (en) Method and apparatus for determining a sampling plan based on process and equipment state information
JP2004355330A (ja) 診断装置及び診断方法
US6868512B1 (en) Fault detection system with real-time database
JP4368143B2 (ja) 信号処理装置及び信号処理方法
KR102672799B1 (ko) 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법
TWI841793B (zh) 用於異常設備痕跡偵測及分類的程序及電腦可讀取媒體
TW531823B (en) Multi-variable monitoring method for semiconductor processing

Legal Events

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

Payment date: 20130429

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee