KR20070073859A - 가중된 주성분 분석에 기초한 고장 검출 시스템 및 방법 - Google Patents

가중된 주성분 분석에 기초한 고장 검출 시스템 및 방법 Download PDF

Info

Publication number
KR20070073859A
KR20070073859A KR1020077010061A KR20077010061A KR20070073859A KR 20070073859 A KR20070073859 A KR 20070073859A KR 1020077010061 A KR1020077010061 A KR 1020077010061A KR 20077010061 A KR20077010061 A KR 20077010061A KR 20070073859 A KR20070073859 A KR 20070073859A
Authority
KR
South Korea
Prior art keywords
failure
parameter
data
processing
weighting
Prior art date
Application number
KR1020077010061A
Other languages
English (en)
Other versions
KR101414775B1 (ko
Inventor
매튜 에이. 퍼디
Original Assignee
어드밴스드 마이크로 디바이시즈, 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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=35645842&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=KR20070073859(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by 어드밴스드 마이크로 디바이시즈, 인코포레이티드 filed Critical 어드밴스드 마이크로 디바이시즈, 인코포레이티드
Publication of KR20070073859A publication Critical patent/KR20070073859A/ko
Application granted granted Critical
Publication of KR101414775B1 publication Critical patent/KR101414775B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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]
    • G05B19/41875—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 quality surveillance of production
    • 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]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Machine Tool Sensing Apparatuses (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Laser Beam Processing (AREA)

Abstract

고장 검출을 수행하기 위한 동적 가중 기법을 수행하는 방법 및 시스템이 제공된다. 상기 방법은 워크피스(105)를 프로세싱하는 것과, 그리고 상기 워크피스(105)의 프로세싱에 관한 고장 검출 분석을 수행하는 것을 포함한다. 상기 방법은 고장 검출 분석에 관한 파라메터와 검출된 고장의 관련성을 결정하는 것과, 그리고 상기 파라메터와 상기 검출된 고장의 상기 관련성에 기반하여, 상기 파라메터와 관련된 가중을 조정하는 것을 더 포함한다.
고장 검출 분석, 워크피스, 동적 가중 기법,

Description

가중된 주성분 분석에 기초한 고장 검출 시스템 및 방법{FAULT DETECTION SYSTEM AND METHOD BASED ON WEIGHTED PRINCIPAL COMPONENT ANALYSIS}
본 발명은 일반적으로 반도체 제조 분야에 관한 것으로서, 보다 구체적으로는, 피드백을 통해 고장 검출 신뢰성을 개선하는 공정을 수행하기 위한 방법, 시스템 및 장치에 관한 것이다.
제조 산업에서의 기술 급증은 많은 새롭고 혁신적인 제조 공정들을 발생시켰다. 오늘날의 제조 공정들, 특히 반도체 제조 공정들은 다수의 중요 단계들을 요구하고 있다. 이러한 공정 단계들은 통상적으로 중요하며, 이에 따라 적당한 제조 제어를 유지하도록 전반적으로 미세-조정되는 다수의 입력들을 요구한다.
반도체 디바이스들의 제조는 반도체 원료 물질로부터 패키징된 반도체 디바이스를 생성하는 데 있어, 다수의 개별 공정 단계들을 요구한다. 반도체 물질의 초기 성장으로부터 시작하여, 반도체 결정의 개별 웨이퍼들로의 슬라이싱, 제조 스테이지들(식각, 도핑, 이온 주입 등), 그리고 완성된 디바이스의 패키징 및 최종 테스트로의 다양한 공정들은 서로 다르고 전문화되어 있으며, 따라서, 공정들은 서로 다른 제어 방식들을 포함하는 서로 다른 제조 위치들에서 수행될 수 있다.
일반적으로, 프로세싱 단계들의 세트는 반도체 웨이퍼들 그룹(종종 로 트(lot)로 칭해짐)에 걸쳐 수행된다. 예를 들어, 다양한 서로 다른 물질들로 구성될 수 있는 공정 레이어(process layer)가 반도체 웨이퍼에 걸쳐 형성될 수 있다. 이후에, 포토레지스트의 패턴화 층은 공지의 포토리소그래피 기법들을 사용하여, 공정 레이어에 걸쳐 형성될 수 있다. 전형적으로, 식각 공정은 이후에 마스크로서 포토레지스트로 패턴화된 층을 사용하여, 공정 레이어에 걸쳐 수행된다. 이러한 식각 공정은 공정 레이어에 다양한 피쳐들(features) 또는 객체들(objects)을 형성한다. 이러한 피쳐들은 트랜지스터들에 대한 예를 들어, 게이트 전극 구조로서 사용될 수 있다. 트렌치 격리 구조들은 반도체 웨이퍼에 걸쳐 전기적으로 고립된 영역들을 생성하도록, 여러 횟수로 또한 반도체 웨이퍼의 다양한 영역들에 형성된다. 사용될 수 있는 격리 구조의 일 예는 얕은 트렌치 격리(Shallow Trench Isolation, STI) 구조이다.
전형적으로, 반도체 제조 설비에서의 제조 툴들은 제조 프레임워크(manufacturing framework) 또는 프로세싱 모듈들의 네트워크와 교신한다. 각 제조 툴은 일반적으로 장비 인터페이스와 연결된다. 장비 인터페이스는 머신 인터페이스(이는 제조 네트워크와 연결됨)와 연결되며, 이에 따라 제조 툴과 제조 프레임워크간의 교신들을 용이하게 한다. 머신 인터페이스는 일반적으로 개선된 공정 제어(Advanced Process Control, APC) 시스템의 일부가 될 수 있다. APC 시스템은 제어 스크립트를 개시하는데, 여기서, 제어 스크립트는 제조 공정을 실행하는데 필요한 데이터를 자동으로 검색하는 소프트웨어 프로그램이 될 수 있다.
도 1은 전형적인 반도체 웨이퍼(105)를 예시한다. 전형적으로, 반도체 웨이 퍼(105)는 격자(150) 형태로 배열된 복수의 개별 반도체 다이(103)를 포함한다. 공지의 포토리소그래피 공정들과 장비를 사용함으로써, 포토레지스트의 패턴화 층은 패턴화될 하나 이상의 공정 레이어들에 걸쳐 형성될 수 있다. 포토리소그래피 공정의 일부로서, 노광 공정은 전형적으로 한 번에 대략 1 내지 4개의 다이(103) 상에서, 스테퍼에 의해 수행되는데, 이는 이용되는 특정 포토마스크에 의존한다. 패턴화된 포토레지스트 층은 하부의 물질층 또는 물질층들(예를 들어, 폴리실리콘, 금속, 또는 절연 물질층) 상에서 수행되는 건식 또는 습식 식각 공정들 동안에, 원하는 패턴을 하부 층에 전사시키기 위해 마스크로서 사용될 수 있다. 포토레지스트의 패턴화 층은 복수의 피쳐들(예를 들어, 하부의 공정 레이어에서 복제되는 개방-타입 피쳐들 또는 라인-타입 피쳐들)로 구성된다. 반도체 웨이퍼들을 프로세싱하는 때에, 반도체 웨이퍼들뿐만 아니라 웨이퍼들을 프로세싱하는 프로세싱 툴의 상태들에 관한 결과들과 관련된 다양한 측정들이 획득되고 분석된다. 분석은 이후에 후속 공정들을 수정하는데 사용된다. 도 2를 참조하면, 최신 공정 흐름의 흐름도가 예시된다. 프로세싱 시스템은 웨이퍼 로트들에 있는 다양한 반도체 웨이퍼들(105)을 프로세싱할 수 있다(블록 210).반도체 웨이퍼들(105)의 프로세싱 하에서, 프로세싱 시스템은 로트의 선택된 웨이퍼들로부터 반도체 웨이퍼들(105)의 프로세싱에 관한 계측 데이터를 획득할 수 있다(블록 220). 부가적으로, 프로세싱 시스템은 웨이퍼들을 프로세싱하는데 사용되는 프로세싱 툴로부터 툴 상태 센서 데이터를 획득할 수 있다(블록 230). 툴 상태 센서 데이터는 압력 데이터, 습도 데이터, 온도 데이터 등과 같은 다양한 툴 상태 파라메터들을 포함할 수 있다.
계측 데이터 및 툴 상태 데이터에 기반하여, 프로세싱 시스템은 반도체 웨이퍼들(105)의 프로세싱과 관련된 고장들에 관한 데이터를 획득하기 위해 고장 검출을 수행할 수 있다(블록 240). 반도체 웨이퍼들(105)의 프로세싱과 관련된 다양한 고장들의 검출하에서, 프로세싱 시스템은 고장들에 관한 주성분 분석(Principal Component Analysis, "PCA")을 수행할 수 있다(블록 250). 주성분 분석(PCA)은 데이터의 차원을 감소시킴으로써, 데이터의 상관 구조를 모델링하는 다변수 기법이다. 상관은 프로세싱 툴에서의 문제들과 프로세싱 웨이퍼들에서의 문제들의 상관과 같은 다양한 형태들을 취할 수 있다. PCA는 후속 반도체 웨이퍼들(105)의 프로세싱에 있어서 유용할 수 있는 상관 타입들의 표시를 제공할 수 있다. PCA의 수행 하에서, 프로세싱 시스템은 PCA에 기반한 다양한 조정들과 함께, 반도체 웨이퍼들(105) 상에 후속 공정들을 수행할 수 있다(블록 260). PCA는 툴에 관하여 존재할 수 있는 비정상적인 상태들이 있는지를 결정하기 위해 분석을 수행한다. 비정상적인 상태들의 검출하에서, 다양한 신호들이 발행될 수 있는데, 이는 다양한 고장들이 검출되었음을 조작자들에게 표시한다.
최신 방법들과 관련된 일 문제는, 무엇이 비정상적인 상관을 구성하는지의 결정이, 고장 검출 분석 및 PCA를 수행하는데 사용되는 고장 검출 모델 또는 PCA 모델을 형성하는데 사용되는 데이터에 기반할 수 있다는 사실을 포함한다. 일반적으로, PCA를 수행함으로써 검출되는 비정상적인 상태들은 고장 검출 또는 PCA 모델을 형성하는데 사용될 수 있는 데이터와 통계적으로 다를 수 있다. 용어 "통계적으로 다른(statistically different)"은 모 평균(population mean), 분산 등에 기반 한 차이들과 같은 다양한 통계적 차이들을 의미할 수 있다. 이러한 비정상적인 상태들은 툴이 수행되는 진정한 동작 방식을 정확하게 반영하지 않을 수 있다. 예를 들어, 고장 검출 모델 또는 PCA 모델의 전개 동안에, 압력 센서에 대한 값들이 작은 제약들 내에서 보유되는 경우에, 실제 프로세싱 동안의 압력의 보다 큰 편차(variation)들은 일반적으로 큰 고장으로 식별될 것이다. 이러한 방법에서의 문제는. 압력의 보다 큰 편차가 프로세싱되는 물질에 대한 어떤 부정적인 영향을 미치지 않는 경우에, 고장 검출은 오류(false)가 될 것이다. 바꾸어 말하면, 보다 큰 편차가 공정에 대한 어떤 큰 영향이 존재하지 않을 만큼 여전히 작은 경우에, 오류-양성(false-positive) 고장 표시가 발생한다. 이 오류-양성은 제조 세팅에서 비효율성 및 아이들 타임(idle times)을 야기한다.
최근에, 가중 방식들(weighting schemes)을 PCA에 통합하는 다양한 노력들이 이루어졌다. 가중 방식들은 압력과 같은 다양한 파라메터들에 첨부되는 가중에 있어서 상당한 차이를 제공할 수 있다. 그러나, 최신 가중 방식들과 관련된 문제들은 소정의 가중을 특정 파라메터에 할당하는데에 종래 지식이 요구된다는 사실을 포함한다. 예를 들어, 종래 지식은 보다 작은 양의 가중이 특정 공정과 관련된 PCA 분석 동안에 압력 파라메터에 할당되어야 함을 나타낼 수 있다. 이는 압력 편차들(이것은 무해할(harmless) 수 있었음)로 인한 오류 표시들을 감소시킬 것이다. 그러나, 이 방법은 비효율적이며, 성가신 과업이 될 수 있으며, 기껏해야 어림짐작(guesswork)을 포함할 수 있다. 더욱이, 특정 파라메터들에 대한 가중 조정이 특정 공정과 관련된 PCA를 개선하거나 혹은 악화시키는지는 쉽사리 명백하지 않을 수 있다.
본 발명은 상기 제시된 문제들 중 하나 이상의 효과들을 극복하거나 혹은 적어도 감소하는 것에 관한 것이다.
본 발명의 일 양상에서, 고장 검출 분석과 관련하여 동적 가중 기법을 이용하는 다양한 방법들이 개시된다. 일 예시적인 실시예에서, 상기 방법은 워크피스(workpiece)를 프로세싱하는 단계와, 그리고 워크피스의 프로세싱과 관련된 고장 검출 분석을 수행하는 단계를 포함한다. 상기 방법은 고장 검출 분석에 관한 파라메터와 검출된 고장과의 관련성을 결정하는 단계와, 그리고 파라메터와 검출된 고장의 관련성에 기반하여, 이 파라메터에 관한 가중을 조정하는 단계를 더 포함한다.
본 발명의 또 하나의 양상에서, 고장 검출을 수행하기 위한 동적 가중 기법을 수행하는 방법이 제공된다. 상기 방법은 워크피스를 프로세싱하는 단계와, 그리고 고장 검출 분석과 관련되는 고장 검출 모델에 입력되는 툴 상태 파라메터에 기반하여, 워크피스의 프로세싱과 관련된 고장 검출 분석을 수행하는 단계를 포함한다. 상기 방법은 고장 검출 분석 결과로서, 상기 파라메터가 검출된 고장과 관련되는지를 결정하는 단계와, 그리고 파라메터가 검출된 고장과 관련되는지의 결정에 기반하여, 고장 검출 모델의 파라메터의 가중을 수정하는 단계를 더 포함한다.
본 발명의 다른 또 하나의 양상에서, 고장 검출을 수행하기 위한 동적 가중 기법을 수행하는 방법이 제공된다. 상기 방법은 워크피스를 프로세싱하는 단계와, 그리고 고장 검출 분석과 관련된 고정 검출 모델에 입력되는 툴 상태 파라메터에 기반하여, 워크피스의 프로세싱과 관련된 고장 검출 분석을 수행하는 단계를 포함한다. 상기 방법은 고장 검출 분석과 관련하여 주성분 분석(PCA)을 수행하는 단계와, 그리고 고장 검출 분석 및 PCA 수행 결과로서, 파라메터가 검출된 고장과 관련되는지를 결정하는 단계를 더 포함한다. 상기 방법은 파라메터가 검출된 고장과 관련되는지의 결정에 기반하여, 고장 검출 모델의 파라메터의 가중을 수정하는 단계를 더 포함한다.
본 발명의 또 하나의 양상에서, 고장 검출을 수행하기 위한 동적 가중 기법을 수행하는 장치가 제공된다. 상기 장치는 고장 검출 분석과 관련된 파라메터와 검출된 고장 간의 관련성을 결정하기 위해, 워크피스의 프로세싱에 관한 고장 검출 분석을 수행하는 제어기를 포함한다. 상기 제어기는 또한 파라메터와 검출된 고장의 관련성에 기반하여, 파라메터와 관련된 가중을 조정한다.
본 발명의 또 하나의 양상에서, 고장 검출을 수행하기 위한 동적 가중 기법을 수행하는 시스템이 제공된다. 상기 시스템은 제어기에 교신가능하게 결합된 프로세싱 툴, 계측 툴, 그리고 툴 상태 데이터 센서 유닛을 포함한다. 프로세싱 툴은 워크피스에 대한 공정을 수행한다. 계측 툴은 계측 데이터를 제공하기 위해, 워크피스에 대해 수행되는 공정에 관한 계측 데이터를 획득한다. 툴 상태 데이터 센서 유닛은 툴 상태 데이터를 획득한다. 제어기는 고장 검출 분석에 관한 파라메터와 검출된 고장 간의 관련성을 결정하기 위해, 워크피스의 프로세싱과 관련된 고장 검출 분석을 수행한다. 제어기는 또한 파라메터와 검출된 고장의 관련성에 기반하여, 파라메터와 관련된 가중을 조정한다.
본 발명의 또 하나의 다른 양상에서, 고장 검출을 수행하기 위한 동적 가중 기법을 수행하는 명령들이 인코딩된 컴퓨터 판독가능 프로그램 저장 디바이스가 제공된다. 명령들은 제어기, 계측 툴, 그리고 툴 상태 데이터 센서 유닛에 교신가능하게 결합된 프로세싱 툴을 포함하는 방법을 수행한다. 프로세싱 툴은 워크피스에 대한 공정을 수행한다. 계측 툴은 계측 데이터를 제공하기 위해, 워크피스에 대해 수행되는 공정에 관한 계측 데이터를 획득한다. 툴 상태 데이터 센서 유닛은 툴 상태 데이터를 획득한다. 제어기는 고장 검출 분석에 관한 파라메터와 검출된 고장 간의 관련성을 결정하기 위해, 워크피스의 프로세싱과 관한 고장 검출 분석을 수행한다. 또한, 제어기는 파라메터와 검출된 고장의 관련성에 기반하여, 파라메터와 관련된 가중을 조정한다.
본 발명은 첨부 도면들을 고려하여 하기의 상세한 설명을 참조함으로써 이해될 수 있는데, 도면들에서, 동일한 참조 번호들을 동일한 요소들을 나타낸다.
도 1은 프로세싱되는 종래기술 반도체 웨이퍼의 간략도이다.
도 2는 반도체 웨이퍼들의 제조 동안의 종래기술 공정 흐름에 대한 간략화된 흐름도이다.
도 3은 본 발명의 일 예시적인 실시예에 따른 시스템의 블록도이다.
도 4는 본 발명의 일 예시적인 실시예에 따라, 다양한, 프로세싱되는 반도체 웨이퍼들에 관한 데이터와 상관되는 툴 상태 변수들의 리스트를 도시하는 주성분 분석 매트릭스 테이블이다.
도 5는 본 발명의 일 예시적인 실시예에 따라, 도 3의 툴 상태 데이터 센서 유닛에 대한 보다 상세한 블록도이다.
도 6은 본 발명의 일 예시적인 실시예에 따라, 도 3의 동적 PCA 가중 유닛에 대한 보다 상세한 블록도이다.
도 7은 본 발명의 일 예시적인 실시예에 따른 방법에 대한 흐름도이다.
도 8은 본 발명의 일 예시적인 실시예에 따라, 도 7에 표시된 바와 같은 동적 PCA 가중 공정을 수행하는 방법에 대한 보다 상세한 흐름도이다.
본 발명의 다양한 변형들 및 대안 형태들이 가능하지만은, 그 특정 실시예들은 예로써 도면들에 의해 도시되고 상세한 설명에서 상세하게 설명된다. 그러나, 특정 실시예들에 대한 발명의 상세한 설명은 본 발명을 개시된 특정 형태들에 국한시키려 함이 아니며, 그 의도는 하기의 청구범위에 의해 정의되는 바와 같은 본 발명의 사상과 범주 내에 드는 모든 변형물들, 등가물들, 및 대안물들을 포괄하고자 함이다.
본 발명의 예시적인 실시예들은 하기에서 설명된다. 명확화를 위해, 실제 구현의 모든 특성들이 본 명세서에서 설명되지 않는다. 당연하게, 임의의 이러한 실제의 실시예의 전개에서, 수많은 구현-특정 결정들은 시스템-관련 제약 및 비지니스-관련 제약들에의 순응과 같은 개발자의 특정 목적들(이들은 구현마다 다를 것이다)을 달성하기 위하여 이루어져야 한다. 게다가, 이러한 개발 노력은 복잡하고 시 간-소모적이지만, 이에 불구하고 본 개시의 이익을 갖는 기술분야의 당업자들이 떠맡아야 할 일상적인 것이다.
반도체 제조에 포함되는 많은 개별 공정들이 있다. 워크피스들(예를 들어, 반도체 웨이퍼들(105), 반도체 디바이스들 등)은 복수의 제조 공정 툴들을 통해 여러 번 단계화된다. 본 발명의 실시예들은 고장 검출과 관련된 하나 이상의 파라메터들의 가중(weighting)의 동적 조정을 수행하는 단계와 그리고/또는 주성분 분석(PCA)을 수행하는 단계를 제공한다. 고장 검출 모델 및/또는 PCA 모델에서 사용될 수 있는 다양한 파라메터들의 가중은 자동으로 결정될 수 있으며, 파라메터들이 가중은 동적으로 조정될 수 있다. 예를 들어, 고장 상태가 프로세싱 시스템에 의해 식별된 이후에, 자동 입력 또는 수동 입력이, 검출된 고장이 중요한 고장인지 또는 가벼운 고장인지를 표시하기 위해 프로세싱 시스템에 제공될 수 있다. 이러한 표시에 기반하여, 다양한 툴 상태 파라메터들과 특정 웨이퍼들을 상관시키는 데이터를 포함하는 가중된 고장 매트릭스는, 유사한 고장들의 검출을 더욱 가능하게 하거나, 혹은 대안적으로, 덜 가능하게 하도록 수정될 수 있다. 따라서, 다변수 고장 검출 모델 및/또는 PCA 모델들에서, 고장 상태에 기여하는 하나 이상의 파라메터들 및 고장에 대한 이들의 상대적인 중요성이 검출될 수 있으며, 고장에 기여한 이러한 파라메터들의 가중의 동적 조정은 비례적으로 증가할 수 있다. 마찬가지로, 고장 상태에 크게 기여하지 않은 하나 이상의 파라메터들 및 고장에 대한 이들의 상대적인 비-중요성이 특징화될 수 있으며, 이러한 파라메터들의 가중의 동적 조정은 비례적으로 감소할 수 있다. 바꾸어 말하면, 고장에 기여하지 않은 것으로 발견된 파 라메터들의 가중은 감소할 수 있다. 따라서, 고장 표시를 발생시키기 위해, 이들 파라메터들에 대한 보다 강한 신호가 요구될 것이다.
본 발명의 실시예들은 고장 검출 및/또는 PCA 모델이 실행되기 이전에, 어느 특정 파라메터들을 조정할지에 대한 종래기술 지식을 요구함이 없이 동적 가중 조정들을 수행하는 능력을 제공한다. 시간이 지남에 따라, 모델 파라메터들의 가중은 고장 상태들을 크게 기여한 것으로 발견된 파라메터들의 감도를 증가시키도록 수정될 수 있으며, 이에 따라 프로세싱 시스템이 이러한 파라메터들에 대한 공정 교정들에 집중되도록 한다. 이는 이러한 파라메터들에 의해 야기된 고장들의 횟수 및/또는 크기를 감소시키는데 영향을 미칠 수 있다. 유사하게, 시간이 지남에 따라, 모델 파라메터들의 가중은 오류-양성 고장 표시들의 빈도를 줄임으로써, 이에 따라 반도체 웨이퍼들(105)의 제조 동안에 불필요한 작업중단 시간 및 비효율성들을 감소시키도록 수정될 수 있다.
도 3을 참조하면, 본 발명의 예시적인 실시예들에 따른 시스템(300)에 대한 블록도가 도시된다. 시스템(300)의 공정 제어기는 프로세싱 툴(310)에 대한 다양한 동작들을 제어할 수 있다. 공정 제어기(305)는 프로세서, 메모리, 및 다양한 컴퓨터-관련 주변기기들을 포함하는 컴퓨터 시스템을 포함할 수 있다. 게다가, 도 3에서 하나의 공정 제어기(305)가 개략적으로 도시되었지만은, 실제상으로, 공정 제어기(305)에 의해 수행되는 기능은 제조 시스템 전체에 걸쳐 분포된 하나 이상의 컴퓨터들 또는 워크스테이션들에 의해 수행될 수 있다.
반도체 웨이퍼들(105)은 복수의 제어 입력 신호들 또는 제조 파라메터들(이 는 라인 또는 네트워크(315))을 사용하여, 프로세싱 툴(310)에 의해 프로세싱된다. 라인(315)상의 제어 입력 신호들, 또는 제조 파라메터들은 공정 제어기(305)로부터, 머신 인터페이스들(이들은 공정 툴(310) 내부 또는 외부에 위치될 수 있다)을 통해 프로세싱 툴(310)로 송신된다. 일 실시예에서, 반도체 웨이퍼들(105)은 프로세싱 툴(310)에 수동으로 제공될 수 있다. 대안 실시예에서, 반도체 웨이퍼들(105)은 자동 방식(예를 들어, 반도체 웨이퍼들(105)의 로봇 이동)으로 프로세싱 툴(310)에 제공될 수 있다. 일 실시예에서, 복수의 반도체 웨이퍼들(105)은 로트 단위로(예를 들어, 카세트들로 적층되어) 프로세싱 툴들(310)로 이송된다. 반도체 제조 공정들에서 사용되는 프로세싱 툴들에 대한 예들은 포토리소그래피 툴들, 이온 주입 툴들, 스테퍼들, 식각 공정 툴들, 증착 툴들, 화학적-기계적 연마(CMP) 툴들 등이 될 수 있다.
시스템(300)은 계측 데이터(이는 프로세싱되는 반도체 웨이퍼들(105)과 관련됨), 툴 상태 데이터 등과 같은 제조 관련 데이터를 획득할 수 있다. 시스템(300)은 또한 프로세싱되는 반도체 웨이퍼들(105)에 관한 계측 데이터를 획득하기 위해 계측 툴(350)을 포함할 수 있다. 또한, 시스템(300)은 툴 상태 데이터를 획득하기 위한 툴 상태 데이터 센서 유닛(320)을 포함할 수 있다. 툴 상태 데이터는 압력 데이터, 온도 데이터, 습도 데이터, 가스 흐름 데이터, 다양한 전기 데이터, 아웃-가스 데이터(out-gas data)의 레벨, 및 프로세싱 툴(310)의 동작들과 관련된 기타 타입들의 데이터를 포함할 수 있다. 식각 툴에 대한 예시적인 툴 상태 데이터는 가스 흐름, 챔버(chamber) 압력, 챔버 온도, 전압, 반사전력(reflected power), 후방 헬 륨 압력, RF 튜닝 파라메터들 등을 포함할 수 있다. 툴 상태 데이터는 또한 주위 온도, 습도, 압력 등과 같은 프로세싱 툴(310) 외부의 데이터를 포함할 수 있다. 툴 상태 데이터 센서 유닛(320)에 대한 보다 상세한 예시 및 설명은 도 5 및 하기의 첨부되는 설명에서 제공된다.
시스템(300)은 또한 데이터베이스 유닛(340)을 포함할 수 있다. 데이터베이스 유닛(340)은 제조-관련 데이터, 시스템(300)의 동작과 관련된 데이터(예를 들어, 프로세싱 툴(310)의 상태, 반도체 웨이퍼들(105)의 상태 등)와 같은 복수의 타입들의 데이터를 저장하도록 제공된다. 데이터베이스 유닛(340)은 고장 검출 및 PCA 모델들에서 사용되는 파라메터들에 관한 파라메터 데이터뿐만 아니라 프로세싱 툴(310)에 의해 수행되는 복수의 공정 런(process runs)에 관한 툴 상태 데이터를 저장할 수 있다. 데이터베이스 유닛(340)은 툴 상태 데이터 및/또는 반도체 웨이퍼들(105)의 프로세싱에 관한 기타 제조 데이터를 데이터베이스 저장 유닛(345)에 저장하기 위한 데이터베이스 서버(342)를 포함할 수 있다.
또한, 시스템(300)은 반도체 웨이퍼들(105)을 프로세싱할 때에, 프로세싱 툴(310)과 관련된 다양한 고장 검출을 수행할 수 있는 고장 검출 유닛(300)을 포함한다. 고장 검출 유닛(380)은 고장 검출을 수행할 때에 모델링 기능을 수행할 수 있는 고장 검출 모델(385)을 포함할 수 있다. 다양한 파라메터들이 고장 검출 모델(385)에 입력될 수 있다. 예를 들어, 다양한 소정의 범위들의 압력, 온도, 습도 및/또는 가스 흐름이 모델에 제공될 수 있으며, 따라서, 모델은 고장 검출 유닛(380)에 의해 수신된 고장 데이터에 기반하여, 고장 검출 상태를 표명(assert)할 수 있다. 고장 검출 모델(385)은 다양한 파라메터들에 기반하여 고장 모델링을 수행하는 다변수 모델이 될 수 있다. 일 실시예에서, 고장 검출 유닛(380)은 고장을 특성화하기 위해, 계측 데이터 결과들과 툴 상태 센서 데이터를 상관시킬 수 있다.
시스템(300)은 또한 PCA 제어기(360)를 포함할 수 있는데, 이는 반도체 웨이퍼들(105)의 프로세싱에 관한 고장들 또는 임의의 비정상적인 상태들을 결정함에 있어서 주성분 분석을 수행하기 위해, 고장 검출 유닛(380)과 관련하여 동작한다. PCA 제어기(360)는 PCA를 수행하는 때에 모델링 기능을 수행할 수 있는 PCA 모델(365)을 포함할 수 있다. 다양한 파라메터들 및 제조 데이터가 PCA 모델(365)에 입력될 수 있다. 예를 들어, 다양한 소정의 범위들의 압력, 온도, 습도 및/또는 가스 흐름이 모델에 제공될 수 있으며, 따라서, 모델은 PCA에 기반하여 고장 상태를 어서트할 수 있다. 제조 데이터는 계측 데이터, 고장 데이터, 센서 데이터 등을 포함하는 다양한 타입들의 데이터를 포함하도록 정의된다. 본 발명의 예시적인 실시예에 따른 가중된 PCA 분석에 관한 보다 상세한 설명이 하기에서 제공된다.
시스템(300)은 또한 동적 PCA 가중 모듈(370)을 포함할 수 있는데, 이는 비정상적인 것으로 고려된 특정 파라메터가 사실상, 임의의 검출된 고장들에서 중요한 인자인 것으로 표시하는 정보에 관한 데이터를 자동으로 또는 수동으로 수신할 수 있다. 동적 PCA 가중 모듈(370)은 PCA 제어기(360)에 의해 분석되는 다양한 파라메터들의 가중을 조정할 수 있다. 가중은 또한 고장 검출 모델(385) 또는 PCA 모델(365)에 입력되는 파라메터 범위들에 영향을 미칠 수 있다. 동적 PCA 가중 모듈(370)에 대한 보다 상세한 설명이 도 5 및 하기에 첨부된 설명에서 제공된다.
공정 제어기(305), 고장 검출 유닛(380), PCA 제어기(360), 및 동적 PCA 가중 모듈(370)과 같은 시스템(300)의 다양한 요소들은 소프트웨어, 하드웨어 또는 펌웨어 유닛(들)이 될 수 있는데, 이들은 독립형 유닛들이거나 혹은 시스템(300)과 관련된 컴퓨터 시스템에 통합될 수 있다. 더욱이, 도 3에 도시되는 블록들에 의해 표시되는 다양한 요소들은 시스템 통신 라인(315)을 통해 서로 교신할 수 있다. 시스템 통신 라인(315)은 하나 이상의 컴퓨터 버스 링크들, 하나 이상의 전용 하드웨어 통신 링크들, 하나 이상의 전화 시스템 통신 링크들, 하나 이상의 무선 통신 링크들, 및/또는 본 개시의 이익을 갖는 기술분야의 당업자들에 의해 구현될 수 있는 기타 통신 링크들이 될 수 있다.
PCA 제어기(360)에 의해 수행되는 주성분 분석은, 데이터의 차원을 감소시킴으로써 데이터의 상관 구조를 모델링하는 다변수 기법을 포함한다. n개 샘플들(행들)과 m개 변수들(열들)의 데이터 행렬(X)은 하기와 같이 분해될 수 있다.
Figure 112007033059810-PCT00001
(1)
여기서, X의 열들은 전형적으로 제로 평균(zero mean) 및 단위 분산(unit variance)으로 정규화된다. 행렬(
Figure 112007033059810-PCT00002
)은 각각 X 행렬의 모델링된 성분들 및 비-모델링된 잔여 성분들이다. 모델링된 행렬 및 잔여의 행렬들은 다음과 같이 기록될 수 있다.
Figure 112007033059810-PCT00003
(2)
여기서,
Figure 112007033059810-PCT00004
는 각각 스코어(score) 행렬 및 로 딩(loading) 행렬이며, 1은 모델에 보유된 주성분들의 수량이다.
Figure 112007033059810-PCT00005
는 각각 잔여의 스코어 및 로딩 행렬들이다.
로딩 행렬들(
Figure 112007033059810-PCT00006
)은 상관 행렬(R)의 고유벡터들로부터 결정되는데, 이는 대략 하기와 같다.
Figure 112007033059810-PCT00007
(3)
제 1 고유벡터(R)(최대 고유값들에 대응함)는 로딩들(P)이며, 나머지 m-1개 고유값들에 대응하는 고유값들은 잔여 로딩들(
Figure 112007033059810-PCT00008
)이다.
모델에 보유된 주성분(Principal Component, PC)들의 수량은 PCA에 의한 고장 검출에서 중요 인자이다. 만일 너무 적은 PC들이 보유된 경우에, 모델은 데이터의 모든 정보를 캡쳐하지 않을 것이며, 그리고 공정에 대한 열악한 표시가 생길 것이다. 반면에, 너무 많은 PC들이 선택되는 경우에, 모델은 초과 파라메터화(over parameterize)될 것이고, 잡음을 포함할 것이다. 적절한 수량의 PC들을 선택하기 위한 재구성 에러 분산(Variance of Reconstruction Error, VRE) 기준은, 분실 데이터를 재구성하기 위한 모델의 사용 및 파라메터들의 생략에 기반한다. 최상의 데이터 재구성을 발생시키는 PC들의 수량은 모델에 사용되는 최적 개수의 PC들로 고려된다. PC들의 수량을 선택하기 위한 기타 잘-확립된 방법들은 평균 고유값 방법, 크로스 확인(cross validation) 등을 포함한다.
X의 열들의 파라메터들이 제로 평균 및 단위 분산으로 정규화되는 대신에, 가중된 파라메터들을 사용하여 PCA를 수행하는 때에, 열들의 파라메터들은 각 열의 분산이 아닌 다른 숫자로 나뉘어진다. 이는 X의 열들에 가중된 파라메터를 제공한다. 예를 들어, 만일 압력 파라메터가 고장과 밀접하게 상관되는 경우에, 압력을 정의하는 X의 열은 표준 편차가 아닌 값으로 나뉘어질 수 있으며, 이에 따라 압력 파라메터에 관하여 고장 분석의 감도를 증가시킨다. 반면에, 압력 파라메터가 고장 과 가장 덜 관련되는 인자인 것으로 결정되는 경우에, 압력을 정의하는 X의 열은 표준 편차가 아닌 다른 또 하나의 값으로 나뉘어질 수 있으며, 이에 따라 압력 파라메터에 관하여 고장 분석의 감도를 감소시킨다.
PCA 알고리즘을 수행할 때에 수행되는 계산들 중 하나는 PCA 모델(365)에 공급되는 데이터의 스케일링이다. 예를 들어, 도 4에 도시된 바와 같이, 전술한 행렬 X는 제 1 열에서 압력 데이터, 제 2 열에서 습도 데이터, 제 3 열에서 온도 데이터, 제 4 열에서 가스 흐름율 데이터 등, 및 m번째 열에서 또 하나의 파라메터에 관한 데이터를 포함할 수 있다. 열들과 관련된 각 행은, 로트에서 반도체 웨이퍼(105)의 상태에 관한 데이터를 표시할 수 있으며, 대안 실시예에서, 행들은 반도체 웨이퍼들(105)의 다양한 로트들을 정의할 수 있다. 행들은 제 1 반도체 웨이퍼(105), 제 2 반도체 웨이퍼(105), 제 3 반도체 웨이퍼(105) 내지 n번째 반도체 웨이퍼(105)에 관한 데이터를 포함할 수 있다.
PCA 모델(365)은 행렬(X)의 열에 있는 임의의 특정 파라메터에 첨부될 보다 크거나 보다 적은 가중을 제공하도록, 도 4에 표시된 파라메터들을 스케일 할 수 있다. 서로 다른 가중들이 프로세싱 툴(310)에 의해 수행되는 특정 타입의 공정에 기반하여 서로 다른 파라메터들에 첨부될 수 있다. 예를 들어, 포토리소그래피 공 정 동안에 압력 파라메터에 할당되는 가중과 비교할 때에, 증착 공정에 대한 PCA 분석에 대하여, 압력 파라메터에는 다른 가중이 할당될 수 있다. 그러나, 포토리소그래피 공정 동안에, 온도 데이터에는 증착 공정과 비교할 때에 보다 높거나 혹은 보다 낮은 가중이 할당될 수 있다. 일 스케일링 방법은 각 열을 비(non)-단위 분산으로 스케일링하는 것을 포함할 수 있다. 이를 수행하기 위해, 각 열을 분산으로 나눗는 대신에, 파라메터에 할당된 특정 가중에 기반한 또 하나의 숫자에 의한 나눗셈이 수행될 수 있다. 예를 들어, 온도가 가중 중요한 파라메터로 고려되는 경우에, 온도 데이터 열(즉, 매트릭스(X)의 3번째 열)의 온도 파라메터는 이 열에 대한 표준 편차와 다른 숫자로 나뉘어질 수 있다. 고장 검출 알고리즘이 소정의 파라메터에 대한 가변성에 보다 민감하게 하기 위해, 행렬(X)의 열은 특정 열로부터 계산된 분산보다 큰 숫자로 나뉘어질 수 있다. 나머지 PCA 알고리즘 전체에서, 온도에서의 작은 편차들은 동일한 방식으로 가중되지 않은 파라메터의 편차와 비교할 때에 고장으로서 인식될 가능성이 더 크다. 일 실시예에서, PCA 제어기(360)는 수동 방식으로 그리고/또는 동적인, 자동화된 방식으로, 도 4의 열들의 파라메터들의 가중을 조정하기 위해, 동적 PCA 가중 모듈(370)을 재촉(prompting)할 수 있다.
도 5를 참조하면, 도 3에 도시된 툴 상태 데이터 센서 유닛(320)에 대한 보다 상세한 블록도가 제공된다. 툴 상태 데이터 센서 유닛(320)은 모든 다양한 서로 다른 타입들의 센서들(예를 들어, 압력 센서(510), 온도 센서(520), 습도 센서(530), 가스 흐름율 센서(540), 및 전기 센서(550) 등)을 포함할 수 있다. 대안 실시예에서, 툴 상태 데이터 센서 유닛(320)은 프로세싱 툴(310)에 통합된 인-시투 센서들(in-situ sensors)을 포함할 수 있다. 압력 센서(10)는 프로세싱 툴(310) 내의 압력을 검출할 수 있다. 온도 센서(520)는 프로세싱 툴(310)의 다양한 위치들에서의 온도를 검출할 수 있다. 습도 센서(530)는 프로세싱 툴(310)의 다양한 부분들에서의 상대습도를 검출할 수 있거나, 또는 주위 환경 상태들을 검출할 수 있다. 가스 흐름율 센서(540)는 반도체 웨이퍼들(105)의 프로세싱 동안에 이용되는 복수의 공정 가스들의 흐름율을 검출할 수 있는 복수의 흐름율 센서들을 포함할 수 있다. 예를 들어, 가스 흐름율 센서(540)는 NH3, SiH4, N2, N2O, 및/또는 기타 공정 가스들과 같은 가스들의 흐름율을 검출할 수 있는 센서들을 포함할 수 있다.
일 실시예에서, 전기 센서(550)는 포토리소그래피 공정에 사용되는 램프에 제공되는 전류와 같은 복수의 전기 파라메터들을 검출할 수 있다. 또한, 툴 상태 데이터 센서 유닛(320)은 본 개시의 이익을 갖는 기술분야의 당업자들에게 공지된 다양한 제조 변수들을 검출할 수 있는 기타 센서들을 포함할 수 있다. 툴 상태 데이터 센서 유닛(320)은 또한 툴 상태 센서 데이터 인터페이스(560)를 포함할 수 있다. 툴 상태 센서 데이터 인터페이스(560)는 프로세싱 툴(310) 및/또는 툴 상태 데이터 센서 유닛(320) 내에 포함되어 있거나 혹은 이와 관련된 다양한 센서들로부터 센서 데이터를 수신할 수 있으며, 그리고 데이터를 공정 제어기(305)에 송신할 수 있다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 동적 PCA 가중 모듈(370)에 대한 보다 상세한 블록도가 제공된다. 도 6에 도시된 바와 같이, 동적 PCA 가중 모 듈(370)은 고장 데이터 분석 모듈(610), 고장 데이터 입력 인터페이스(620), 및 PCA 가중 계산 모듈(630)을 포함할 수 있다. 고장 데이터 분석 모듈(610)에 의해 처리된 고장 데이터와 다양한 알고리즘들에 비교된 고장들에 기반하여, PCA 제어기(360)와 관련하여 고장 검출 유닛(380)에 의해 비정상적인 것으로 고려된 특정 파라메터가 실질적으로 고장과 관련되는지 여부에 관한 결정이 이루어진다. 이러한 결정에 기반하여, PCA 가중 계산 모듈(630)은 이 특정 파라메터와 관련된 가중을 감소시키거나 증가시킬 수 있다. 이 정보는 PCA 제어기(360) 및 고장 검출 유닛(380)에 송신될 수 있다. 대안적으로, 라인(625) 상의 외부 데이터 입력이, 비정상적으로서 플래그(flag)된 특정 파라메터가 사실상 특정 고장에 크게 기여하였는지를 표시하기 위해 수동 입력으로서 동적 PCA-가중 모듈(370)에 제공될 수 있다. 고장 데이터 입력 인터페이스(620)는 외부 데이터 입력을 수신할 수 있으며, 그리고 데이터를 PCA 가중 계산 모듈(630)에 제공할 수 있으며, PCA 가중 계산 모듈(630)은 특정 파라메터의 가중을 적절하게 조정한다.
따라서, 동적 PCA 가중 모듈(370)은 특정 파라메터에 첨부되는 가중을 조정하는데 사용될 수 있는 데이터를 결정하고 그리고/또는 수신할 수 있다. 이 정보는 반도체 웨이퍼들(105)의 프로세싱 동안에 임의의 비정상(및/또는 고장들)에 관한 분석을 수행하기 위해, 고장 검출 유닛(380) 및/또는 PCA 제어기(360)에 의해 사용될 수 있다. 바꾸어 말하면, 고장 상태가 식별된 이후에, PCA 가중 계산 모듈(630)은 고장 데이터 분석 모듈(610) 및/또는 고장 데이터 입력 인터페이스(620)로부터, 고장이 실제 고장이었는지 및/또는 비정상 또는 고장과 관련된 모든 파라메터들이 고장 또는 비정상에 크게 기여하였는지에 관한 정보를 수신한다. 이러한 데이터에 기반하여, PCA 가중 계산 모듈(630)은 파라메터의 가중을 감소시키거나 증가시킬 수 있으며, 또는 대안적으로 파라메터의 가중을 바꾸지 않을 수 있다.
도 7을 참조하면, 본 발명의 실시예들과 관련된 방법들에 대한 흐름도가 도시된다. 시스템(300)은 하나 이상의 반도체 웨이퍼들(105)을 프로세싱할 수 있다(블록 710). 반도체 웨이퍼들(105)의 프로세싱에 기반하여, 시스템(300)은 반도체 웨이퍼들(105) 상에서 수행되는 공정에 관한 계측 데이터를 획득할 수 있다(블록 720). 부가적으로, 시스템(300)은 또한 프로세싱 툴(310)에 의해 수행되는 공정에관한 툴 상태 센서 데이터를 획득할 수 있다(블록 730). 계측 데이터 및/또는 툴 상태 센서 데이터에 기반하여, 시스템(300)은 반도체 웨이퍼들(105)의 프로세싱에 관한 고장 검출을 수행할 수 있다(블록 740). 또한, 시스템(300)은 반도체 웨이퍼들(105)의 프로세싱과 관련된 모든 비정상들 또는 고장들을 검출하기 위해, 고장 검출과 관련하여 PCA 알고리즘을 실행할 수 있다(블록 750).
또한, 시스템(300)은 임의의 특정 파라메터(들)의 가중을 조정하도록 동적 PCA-가중 공정을 수행할 수 있는데, 여기서, 특정 파라메터(들)는 프로세싱 툴(310)의 동작을 분석하기 위해, 고장 검출 및 PCA 모델들에 의해 사용될 수 있다. 동적 PCA-가중 공정에 대한 보다 상세한 예시 및 설명이 도 8 및 하기에 첨부된 설명에서 제공된다. 동적 PCA-가중 공정에 기반하여, 반도체 웨이퍼들(105)의 프로세싱과 관련된 모든 고장들을 보다 정확하게 평가하기 위해, 특정 파라메터들의 가중에 대한 다양한 조정들이 이루어질 수 있다. PCA 파라메터들의 가중에 대한 동적 조정하에서, 시스템(300)은 반도체 웨이퍼들(105)의 프로세싱과 관련된 고장들 또는 비정상들을 보다 정확하게 평가하기 위해, 새롭게 조정되는 파라메터-가중에 기반하여 반도체 웨이퍼들(105)에 대한 후속 공정들을 수행할 수 있다(블록 770).
도 8을 참조하면, 동적 PCA-가중 공정에 대한 보다 상세한 흐름도가 제공된다. 시스템(300)은 고장 데이터 분석 및/또는 PCA로부터 발생한 고장 데이터를 분석하는데, 이는 반도체 웨이퍼들(105)의 프로세싱과 관련되는, 검출된 모든 고장들 또는 비정상들과 관련되는 모든 특정 파라메터들이 실제로 중요한 고장인지를 결정하기 위함이다(블록 810). 바꾸어 말하면, 시스템(300)은 비정상 또는 고장 표시가 실제 고장과 관련되는지를 결정한다. 또한, 시스템(300)은 플래그된 모든 파라메터가 사실상 고장 또는 비정상에 큰 기여를 제공하였는지를 결정하기 위해 고장 데이터를 분석한다. 일 실시예에서, 큰 기여는 파라메터의 중요성에 대한 결정과 관련될 수 있는데, 이는 고장 표시와 관련되기 때문이다. 또 하나의 실시예에서, 큰 기여는 파라메터와 고장 표시간의 인과관계(causation relation)와 관련될 수 있다.
고장 또는 비정상에 대한 큰 기여에 관한 일 예가 하기에서 제공된다. 예를 들어, 공정 모델은 압력 파라메터(P), 온도 파라메터(T), RF 전력 파라메터(R), 및 가스 흐름율 파라메터(G)를 구비할 수 있다. 초기에, 이러한 파라메터들 각각(즉, P, T, R, G)에 대한 가중은 1과 일치할 수 있는데, 예를 들어, 파라메터 행렬은 [P, T, R, G]=[1, 1, 1, 1]를 제공할 수 있다. 웨이퍼 로트가 프로세싱된 이후에, 고장/비정상 기여 플롯 기호(plot signature)는 [P, T, R, G]=[0, 0.2, 3, -2.5]로 변경될 수 있다. 만일 시스템(300) 또는 사용자가 고장이 실제 고장인 것으로 결정한 경우에, 각 파라메터에 관한 다양한 기여들이 조사될 수 있다. 본 예에서, 시스템(300)은 파라메터(R 및 G)가 고장 또는 비정상에 가장 크게 기여한 것으로 결정할 수 있는데, 이는 R 및 G가 최고의 크기를 갖기 때문이다. 따라서, 시스템(300)은 고장에 영향을 미치거나 또는 크게 기여한 이러한 파라메터들에 대한 알고리즘에 따라 파라메터 가중을 수정할 수 있다. 따라서, 시스템(300)은 행렬 [P, T, R, G]=[1, 1, 1.1, 1.1]로 표시될 수 있는 새로운 파라메터 가중값을 제공할 수 있다. 이후에, 시스템(300)은 또 하나의 웨이퍼 로트를 프로세싱할 수 있으며, 고장이 검출될 수 있다. 사용자 또는 시스템(300)은 이후에 고장이 실제 고장이 아닌 것으로 결정할 수 있다. 이러한 결정에 기반하여, 시스템(300)은 기여 플롯을 조사함과 아울러 파라메터들(P 및 R)이 "오류" 고장에 크게 기여한 것으로 결정할 수 있다. 이에 응답하여, 시스템(300)은 이러한 인자들에 대한 알고리즘에 따라 가중을 수정할 수 있다. 예를 들어, 새로운 가중 인자들은 행렬 [P, T, R, G]=[0.9, 1, 1, 1,1]로 표시될 수 있다. 기여 플롯에 기반하여 어느 파라메터들을 조정할지 및 이러한 파라메터들에 대한 가중들을 어떻게 조정할지를 결정하는 알고리즘은 다른 구현에 의해 가변될 수 있다(예를 들어, 0.1을 항상 더하거나 혹은 빼며, 상위 2개의 파라메터들을 항상 곱하며, 1.5보다 큰 값을 갖는 임의의 파라메터들에 대한 가중들을 항상 수정한다. 기타 등등). 상기 예들은 예시적인 목적으로 제공되었으며, 다른 파라메터들은 다르게 가중되며/또는 조정될 수 있으며, 이는 여전히 본 발명의 사상 및 범주 내에 든다.
대안적으로 또는 블록(810)에서 설명된 단계와 관련하여, 시스템(300)은 고장들의 원인들(causes) 또는 비-원인들(non-causes)에 관한 외부 입력을 수신할 수 있다. 바꾸어 말하면, 시스템(300)은 외부 소스(이는 외부 컴퓨터, 제어기, 또는 조작자로부터의 수동 입력이 될 수 있음)로부터의 표시를 수신할 수 있는데, 이 표시는 검출된 고장이 실제 고장인지 및/또는 고장 혹은 비정상에 관한 모든 파라메터들이 고장 또는 비정상에 큰 기여를 제공하는지를 표시한다. 이러한 데이터에 기반하여, 시스템(300)은 인자들에 관한 가중 혹은 고장들에 관한 파라메터들을 증가시키며, 감소시키며, 또는 이를 변경시키지 않을지를 결정한다(블록 830).
만일 특정 파라메터가 사실상 검출된 고장에 큰 기여를 제공한 것으로 시스템(300)이 결정하거나 또는 통지받은 경우에, 이 특정 파라메터(예를 들어, 압력 데이터)의 가중은 시스템(300)이 이러한 파라메터의 모든 편차들에 더욱 민감하게 되도록 증가할 수 있다. 유사하게, 만일 고장에 대한 어떤 큰 기여가 특정 파라메터에 의해 제공되지 않은 것으로 시스템(300)이 표시한 경우에, 고장 검출 또는 PCA에 대한 이러한 파라메터의 가중은 감소할 수 있다. 다른 경우들에서, 특정 파라메터에 대한 가중이 변경되지 않은 것으로 시스템(300)은 결정할 수 있다. 따라서, 반도체 웨이퍼들(105)의 프로세싱과 관련된 임의의 파라메터(이는 도 4에 제공된 예시적인 행렬에서 예시된 파라메터들을 포함한다)의 가중은 수정될 수 있다.
고장들에 관한 인자들의 가중을 증가시키거나, 감소시키거나, 혹은 변경시키지 않을지의 결정에 기반하여, 시스템(300)은 고장을 야기한 인자들에 대한 가중을 동적으로 부가하며(블록 840), 고장을 야기한 인자들에 대한 가중을 감소시키며(블 록 850), 또는 인자들의 가중을 변경시키지 않을 수 있다(블록 860). 가중의 동적 조정에 기반하여, 새롭게 가중된 인자들/파라메터들이 추가적인 고장 검출 및/또는 PCA를 수행하도록 제공된다(블록 870). 따라서, 파라메터들의 가중은 다양한 동작들 및 반도체 웨이퍼들(105)의 프로세싱에 관한 데이터 상에서 수행되는 결과적인 고장 검출 분석 및/또는 PCA에 기반하여, 연속적인 방식으로 동적으로 조정될 수 있다. 새롭게 가중된 인자들은 오류 고장 표시들을 감소시킬 수 있으며, 중요한 고장들 또는 비정상들을 실제로 야기할 수 있는 파라메터들의 감도를 증가시킬 수 있다. 따라서, 반도체 웨이퍼들(105) 상에서 공정들을 수행하는 프로세싱 툴들(310)의 상태에 대한 보다 정확한 평가가 수행될 수 있으며, 이는 프로세싱 툴들(310)의 보다 효율적인 동작 및 제조 영역들에서 작업 중단시간의 감소를 발생시킨다. 따라서, 본 발명의 실시예들을 이용하면, 보다 효율적이고 정확한 공정 조정이, 보다 정확한 반도체 웨이퍼(105) 특성들 및 수율 개선을 달성하도록 수행될 수 있다.
본 발명에 의해 개시되는 원리들은 KLA Tencor, Inc.에 의해 이미 제공된 촉매 시스템(Catalyst system)과 같은 개선된 공정 제어(APC) 프레임워크로 구현될 수 있다. 촉매 시스템은 세계 반도체장비 재료협회(Semiconductor Equipment and Materials International, SEMI) 컴퓨터 통합 생산(Computer Integrated Manufacturing, CIM) 프레임워크 컴플라이어트 시스템 기술들을 사용하며, 이는 개선된 공정 제어(APC) 프레임워크에 기반한다. CIM(SEMI E81-0699 - CIM 프레임워크 도메인 아키텍처에 대한 잠정적인 사양) 및 APC(SEMI E93-0999 - CIM 프레임워크 개선된 공정 제어 요소에 대한 잠정적인 사양) 사양들은 SEMI로부터 공개적으로 이 용가능하다. APC 프레임워크는 본 발명에 의해 개시된 제어 기법을 구현하기 위한 바람직한 플랫폼이다. 일부 실시예들에서, APC 프레임워크는 공장-전체 소프트웨어 시스템이 될 수 있으며, 따라서, 본 발명에 의해 개시되는 제어 기법들은 공장 플로어(factory floor) 상의 실질적으로 모든 반도체 제조 툴들에 적용될 수 있다. 또한, APC 프레임워크는 공정 성능에 대한 원격 접근 및 모니터링을 하게 한다. 더욱이, APC 프레임워크를 이용함으로써, 데이터 저장은 국부 구동(local drives)보다 편리하고, 유연성 있으며, 그리고 더 저렴할 수 있다. APC 프레임워크는 보다 정교한 타입으로 제어할 수 있는데, 이는 필요한 소프트웨어 코드를 기입함에 있어서 상당한 정도의 유연성을 제공하기 때문이다.
APC 프레임워크 상으로의, 본 발명에 의해 개시되는 제어 기법의 전개는 다수의 소프트웨어 요소들을 요구할 수 있다. APC 프레임워크 내의 요소들에 부가하여, 컴퓨터 스크립트가, 제어 시스템에 포함되는 반도체 제조 툴들 각각에 대해 기입된다. 제어 시스템의 반도체 제조 툴이 반도체 제조 공장에서 시작되는 때에, 일반적으로, 이는 오버레이 제어기와 같은 공정 제어기에 의해 요구되는 동작을 개시하도록 스크립트를 호출한다. 제어 방법들은 일반적으로 이러한 스크립트들로 정의되고 수행된다. 이러한 스크립트들의 전개는 제어 시스템 전개의 상당한 부분을 포함할 수 있다. 본 발명에 의해 개시되는 원리들은 다른 타입들의 제조 프레임워크들에 구현될 수 있다.
전술한 특정 실시예들은 오직 예시적인 것인데, 이는 본 발명이 본 개시의 이익을 갖는 기술분야의 당업자들에게 명백한 다르지만 등가의 방식들로 변형되어 실시될 수 있기 때문이다. 더욱이, 하기의 청구범위에서 설명된 것 이외에, 본원에 도시된 구성 또는 설계에 대한 세부사항들에서의 어떠한 제한들이 의도되지 않는다. 따라서, 전술한 특정 실시예들은 변경되거나 변형될 수 있으며, 모든 이러한 변화들은 본 발명의 사상 및 범주 내에 드는 것으로 고려된다. 따라서, 본원에서 요구되는 보호 범위는 하기의 청구범위에서 제시된 바와 같다.

Claims (10)

  1. 워크피스(workpiece)(105)를 프로세싱하는 단계와;
    상기 워크피스(105)의 프로세싱에 관한 고장(fault) 검출 분석을 수행하는 단계와;
    상기 고장 검출 분석에 관한 파라메터와 검출된 고장의 관련성을 결정하는 단계와; 그리고
    상기 파라메터와 상기 검출된 고장의 상기 관련성에 기반하여, 상기 파라메터와 관련된 가중을 조정하는 단계를 포함하는 것을 특징으로 하는 방법.
  2. 제 1 항에 있어서,
    상기 고장 검출 분석에 관한 파라메터와 검출된 고장의 관련성을 결정하는 단계는, 상기 고장 검출 분석에 관한 파라메터와 검출된 고장의 인과관계를 결정하는 것을 더 포함하는 것을 특징으로 하는 방법.
  3. 제 1 항에 있어서,
    상기 고장 검출 분석에 관한 파라메터와 검출된 고장의 관련성을 결정하는 단계는, 검출된 고장에 대한, 상기 고장 검출 분석에 관한 파라메터의 중요성을 결정하는 것을 더 포함하는 것을 특징으로 하는 방법.
  4. 제 1 항에 있어서,
    상기 검출된 고장이 중요한 고장인지를 결정하는 단계와; 그리고
    상기 검출된 고장이 중요한 고장이라는 결정에 기초하여, 상기 파라메터와 관련된 상기 가중을 조정하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  5. 제 1 항에 있어서,
    상기 워크피스(105)를 프로세싱하는 것에 관한 계측 데이터를 획득하는 단계와;
    상기 워크피스(105)를 프로세싱하는 것에 관한 툴 상태 데이터를 획득하는 단계와; 그리고
    상기 계측 데이터 및 상기 툴 상태 데이터와 상기 고장 데이터를 상관시켜, 고장의 특성을 부여하는 단계를 더 포함하는 것을 특징으로 하는 방법.
  6. 제 1 항에 있어서,
    상기 고장 검출 분석에 관한 파라메터와 검출된 고장의 상기 관련성을 결정하는 단계는, 상기 파라메터가 상기 고장과 관련된 중요한 인자인지를 결정하는 것을 더 포함하는 것을 특징으로 하는 방법.
  7. 동적 가중 기법을 사용하여 고장 검출을 수행하는 시스템으로서,
    워크피스(105)에 대한 공정을 수행하는 프로세싱 툴(310)과;
    계측 데이터를 제공하기 위해, 상기 워크피스(105)에 대해 수행되는 상기 공정에 관한 계측 데이터를 획득하는 계측 툴(350)과;
    툴 상태 데이터를 획득하기 위한 툴 상태 데이터 센서 유닛(320)과; 그리고
    상기 프로세싱 툴(310)과, 계측 툴(350)과, 그리고 상기 툴 상태 데이터 센서 유닛(320)에 동작가능하게 결합된 제어기를 포함하여 구성되며,
    여기서, 상기 제어기는 상기 고장 검출 분석에 관한 파라메터와 검출된 고장 간의 관련성을 결정하기 위해, 상기 워크피스(105)의 상기 프로세싱에 관한 고장 검출 분석을 수행하며, 그리고 상기 제어기는 또한 상기 파라메터와 상기 검출된 고장의 상기 관련성에 기반하여, 상기 파라메터와 관련된 가중을 조정하는 것을 특징으로 하는 고장 검출을 수행하는 시스템.
  8. 제 7 항에 있어서,
    상기 제어기는 동적 PCA-가중 모듈(370)을 더 포함하며,
    상기 동적 PCA-가중 모듈(370)은:
    상기 파라메터가 상기 검출된 고장에서 중요한 인자인지를 결정하는 고장 데이터 분석 모듈(610)과;
    상기 파라메터가 상기 검출된 고장에서 중요한 인자인지를 표시하는 외부 데이터를 수신하는 고장 데이터 입력 인터페이스(620)와; 그리고
    상기 파라메터가 상기 검출된 고장에서 중요한 인자인지에 대한 상기 결정과 상기 표시 중 적어도 하나에 기반하여, 상기 파라메터의 상기 가중을 동적으로 수 정하는 동적 PCA 가중 계산 모듈(630)을 포함하는 것을 특징으로 고장 검출을 수행하는 시스템.
  9. 명령들로 인코딩된 컴퓨터 판독가능 프로그램 저장 디바이스에 있어서, 상기 명령들이 컴퓨터에 의해 실행되는 경우, 상기 명령들이
    워크피스(105)를 프로세싱하는 단계와;
    상기 워크피스(105)의 상기 프로세싱에 관한 고장 검출 분석을 수행하는 단계와;
    상기 고장 검출 분석에 관한 파라메터와 검출된 고장의 관련성을 결정하는 단계와; 그리고
    상기 파라메터와 상기 검출된 고장의 관련성에 기반하여, 상기 파라메터와 관련된 가중을 조정하는 단계를 포함하는 방법을 수행하는 것을 특징으로 하는 컴퓨터 판독가능 프로그램 저장 디바이스.
  10. 명령들로 인코딩된 컴퓨터 판독가능 프로그램 저장 디바이스에 있어서, 상기 명령들이 컴퓨터에 의해 실행되는 경우, 상기 명령들이
    상기 워크피스(105)을 프로세싱하는 것에 관한 계측 데이터를 획득하는 단계와;
    상기 워크피스(105)을 프로세싱하는 것에 관한 툴 상태 데이터를 획득하는 단계와; 그리고
    상기 계측 데이터 및 상기 툴 상태 데이터와 상기 고장 데이터를 상관시켜, 고장에 특성을 부여하는 단계를 더 포함하는 제 9 항의 방법을 수행하는 것을 특징으로 하는 컴퓨터 판독가능 프로그램 저장 디바이스.
KR1020077010061A 2004-11-02 2005-10-12 가중된 주성분 분석에 기초한 고장 검출 시스템 및 방법 KR101414775B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US10/979,309 2004-11-02
US10/979,309 US8676538B2 (en) 2004-11-02 2004-11-02 Adjusting weighting of a parameter relating to fault detection based on a detected fault
PCT/US2005/036896 WO2006049839A1 (en) 2004-11-02 2005-10-12 Fault detection system and method based on weighted principal component analysis

Publications (2)

Publication Number Publication Date
KR20070073859A true KR20070073859A (ko) 2007-07-10
KR101414775B1 KR101414775B1 (ko) 2014-07-03

Family

ID=35645842

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020077010061A KR101414775B1 (ko) 2004-11-02 2005-10-12 가중된 주성분 분석에 기초한 고장 검출 시스템 및 방법

Country Status (8)

Country Link
US (1) US8676538B2 (ko)
JP (1) JP5401038B2 (ko)
KR (1) KR101414775B1 (ko)
CN (1) CN101048711B (ko)
DE (1) DE112005002576T5 (ko)
GB (1) GB2433134B (ko)
TW (1) TWI447545B (ko)
WO (1) WO2006049839A1 (ko)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8825444B1 (en) * 2005-05-19 2014-09-02 Nanometrics Incorporated Automated system check for metrology unit
US7843359B2 (en) * 2005-12-01 2010-11-30 Electronics And Telecommunications Research Institue Fault management system using satellite telemetering technology and method thereof
US7398132B2 (en) * 2006-01-06 2008-07-08 Gm Global Technology Operations, Inc. Method and system for analyzing throughput
US7529974B2 (en) * 2006-11-30 2009-05-05 Microsoft Corporation Grouping failures to infer common causes
JPWO2008075404A1 (ja) * 2006-12-19 2010-04-02 株式会社システムブイマネジメント 半導体製造システム
JP5067542B2 (ja) * 2007-04-27 2012-11-07 オムロン株式会社 複合情報処理装置、複合情報処理方法、プログラム、および記録媒体
US8347146B2 (en) 2007-12-18 2013-01-01 Bae Systems Plc Assisting failure mode and effects analysis of a system comprising a plurality of components
DE102009006887B3 (de) * 2009-01-30 2010-07-15 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes
CN102298978A (zh) * 2011-05-17 2011-12-28 哈尔滨工程大学 船用核动力装置基于多层流模型的不确定性故障诊断方法
US9915940B2 (en) * 2011-10-31 2018-03-13 Applied Materials, Llc Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data
US20140108359A1 (en) * 2012-10-11 2014-04-17 Chevron U.S.A. Inc. Scalable data processing framework for dynamic data cleansing
DE102012112784A1 (de) * 2012-12-20 2014-06-26 Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG Verfahren zur Bestimmung eines Zustands eines Sensors
GB201313205D0 (en) * 2013-07-24 2013-09-04 Ent Ltd Method and system for condition monitoring
US10431428B2 (en) 2014-01-10 2019-10-01 Reno Technologies, Inc. System for providing variable capacitance
SG11201702573VA (en) 2014-09-29 2017-04-27 Manjusha Mehendale Non-destructive acoustic metrology for void detection
CN107709762B (zh) * 2015-06-30 2019-10-18 维斯塔斯风力系统集团公司 风力涡轮机的控制方法以及系统
JP6584512B2 (ja) * 2015-09-02 2019-10-02 三菱電機株式会社 シミュレーション装置及びシミュレーションプログラム
US10853534B2 (en) * 2015-12-03 2020-12-01 Taiwan Semiconductor Manufacturing Co., Ltd. Fault related FDC feature extraction
CN105652837B (zh) * 2016-01-28 2018-06-05 京东方科技集团股份有限公司 一种产品的生产系统及方法
CA2965340C (en) * 2016-05-11 2021-05-18 Mahmoud Ismail An enhanced system and method for conducting pca analysis on data signals
US10876867B2 (en) 2016-11-11 2020-12-29 Chevron U.S.A. Inc. Fault detection system utilizing dynamic principal components analysis
KR101948165B1 (ko) * 2017-02-09 2019-02-14 충북대학교 산학협력단 Pca를 이용한 제조 공정의 핵심 인자 추출 방법 및 시스템
DE102017108496B4 (de) * 2017-04-21 2023-06-29 Windmöller & Hölscher Kg Verfahren und Vorrichtungen sowie System zum Auf- und Abwickeln eines Wickels
JP6812312B2 (ja) * 2017-06-21 2021-01-13 三菱重工業株式会社 プラント支援評価システム及びプラント支援評価方法
US11521833B2 (en) 2017-07-10 2022-12-06 Reno Technologies, Inc. Combined RF generator and RF solid-state matching network
US11476091B2 (en) 2017-07-10 2022-10-18 Reno Technologies, Inc. Impedance matching network for diagnosing plasma chamber
US10503144B2 (en) * 2017-10-24 2019-12-10 Applied Materials, Inc. Anomaly detection with correlation coeffiecients
JP2019114009A (ja) * 2017-12-22 2019-07-11 ルネサスエレクトロニクス株式会社 半導体装置、半導体システム、及びその方法
KR102001742B1 (ko) * 2017-12-29 2019-07-17 경일대학교산학협력단 열처리 공정에서 품질 관리를 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
CN108647640A (zh) * 2018-05-10 2018-10-12 王逸人 人脸识别的方法及电子设备
KR102589004B1 (ko) * 2018-06-18 2023-10-16 삼성전자주식회사 반도체 불량 분석 장치 및 그것의 불량 분석 방법
JP7029362B2 (ja) * 2018-08-16 2022-03-03 三菱重工業株式会社 異常検出装置、異常検出方法、及びプログラム
US11474512B2 (en) * 2019-06-13 2022-10-18 Mitsubishi Electric Corporation Machining failure detection device, laser cutting apparatus, and electric discharge machining apparatus
JP7427938B2 (ja) * 2019-11-29 2024-02-06 株式会社リコー 診断装置、診断装置の制御方法およびプログラム

Family Cites Families (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2883255A (en) * 1954-04-28 1959-04-21 Panellit Inc Automatic process logging system
US2897638A (en) * 1956-06-13 1959-08-04 Bryant Chucking Grinder Co Process control apparatus
US3461547A (en) * 1965-07-13 1969-08-19 United Aircraft Corp Process for making and testing semiconductive devices
US5070468A (en) * 1988-07-20 1991-12-03 Mitsubishi Jukogyo Kabushiki Kaisha Plant fault diagnosis system
US5287284A (en) * 1990-11-14 1994-02-15 Hitachi, Ltd. Product specification complex analysis system
US5711849A (en) * 1995-05-03 1998-01-27 Daniel L. Flamm Process optimization in gas phase dry etching
US5825482A (en) * 1995-09-29 1998-10-20 Kla-Tencor Corporation Surface inspection system with misregistration error correction and adaptive illumination
US5658423A (en) * 1995-11-27 1997-08-19 International Business Machines Corporation Monitoring and controlling plasma processes via optical emission using principal component analysis
US5786023A (en) * 1996-02-13 1998-07-28 Maxwell; James L. Method and apparatus for the freeform growth of three-dimensional structures using pressurized precursor flows and growth rate control
US7024335B1 (en) * 1998-04-15 2006-04-04 The Texas A&M University System Condition assessment and life expectancy prediction for devices
US6119074A (en) * 1998-05-20 2000-09-12 Caterpillar Inc. Method and apparatus of predicting a fault condition
US6442445B1 (en) * 1999-03-19 2002-08-27 International Business Machines Corporation, User configurable multivariate time series reduction tool control method
US6368975B1 (en) * 1999-07-07 2002-04-09 Applied Materials, Inc. Method and apparatus for monitoring a process by employing principal component analysis
US6405096B1 (en) * 1999-08-10 2002-06-11 Advanced Micro Devices, Inc. Method and apparatus for run-to-run controlling of overlay registration
US6368883B1 (en) * 1999-08-10 2002-04-09 Advanced Micro Devices, Inc. Method for identifying and controlling impact of ambient conditions on photolithography processes
US6582618B1 (en) * 1999-09-08 2003-06-24 Advanced Micro Devices, Inc. Method of determining etch endpoint using principal components analysis of optical emission spectra
US6564114B1 (en) * 1999-09-08 2003-05-13 Advanced Micro Devices, Inc. Determining endpoint in etching processes using real-time principal components analysis of optical emission spectra
US6232134B1 (en) * 2000-01-24 2001-05-15 Motorola Inc. Method and apparatus for monitoring wafer characteristics and/or semiconductor processing consistency using wafer charge distribution measurements
EP1252652A1 (de) * 2000-01-25 2002-10-30 Infineon Technologies AG Verfahren zur überwachung eines herstellungsprozesses
DK1264221T3 (da) * 2000-03-10 2005-10-03 Smiths Detection Inc Styring af en industriel proces ved brug af en eller flere flerdimensionale variabler
GB0007063D0 (en) * 2000-03-23 2000-05-10 Simsci Limited Mulitvariate statistical process monitors
US7089182B2 (en) * 2000-04-18 2006-08-08 Matsushita Electric Industrial Co., Ltd. Method and apparatus for feature domain joint channel and additive noise compensation
US6917839B2 (en) * 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
CN1197130C (zh) * 2000-07-04 2005-04-13 东京毅力科创株式会社 处理装置运转监视方法,评价方法及异常检测方法
WO2002003256A1 (en) * 2000-07-05 2002-01-10 Camo, Inc. Method and system for the dynamic analysis of data
US6442496B1 (en) * 2000-08-08 2002-08-27 Advanced Micro Devices, Inc. Method and apparatus for dynamic sampling of a production line
EP1317694B1 (en) * 2000-09-15 2004-08-04 Advanced Micro Devices, Inc. Adaptive sampling method for improved control in semiconductor manufacturing
JP3634734B2 (ja) * 2000-09-22 2005-03-30 株式会社日立製作所 プラズマ処理装置および処理方法
US6789052B1 (en) * 2000-10-24 2004-09-07 Advanced Micro Devices, Inc. Method of using control models for data compression
US6859739B2 (en) * 2001-01-19 2005-02-22 Smartsignal Corporation Global state change indicator for empirical modeling in condition based monitoring
US6549864B1 (en) * 2001-08-13 2003-04-15 General Electric Company Multivariate statistical process analysis systems and methods for the production of melt polycarbonate
US6616759B2 (en) * 2001-09-06 2003-09-09 Hitachi, Ltd. Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor
US20030074603A1 (en) * 2001-09-07 2003-04-17 Ulrich Bungert Automatic generation of diagnostic programs for SPS-controlled systems
WO2003058699A1 (en) 2001-12-31 2003-07-17 Tokyo Electron Limited Method of fault detection for material process system
TWI328164B (en) * 2002-05-29 2010-08-01 Tokyo Electron Ltd Method and apparatus for monitoring tool performance
JP4995419B2 (ja) 2002-06-28 2012-08-08 東京エレクトロン株式会社 材料プロセスツール及びパフォーマンスデータを用いてプロセスを制御する方法及びシステム
EP1543392A1 (en) * 2002-06-28 2005-06-22 Umetrics AB Method and device for monitoring and fault detection in industrial processes
JP4464276B2 (ja) * 2002-08-13 2010-05-19 東京エレクトロン株式会社 プラズマ処理方法及びプラズマ処理装置
US8185230B2 (en) * 2002-08-22 2012-05-22 Advanced Micro Devices, Inc. Method and apparatus for predicting device electrical parameters during fabrication
US6871114B1 (en) * 2002-08-30 2005-03-22 Eric O. Green Updating process controller based upon fault detection analysis
US7043403B1 (en) * 2002-09-04 2006-05-09 Advanced Micro Devices, Inc. Fault detection and classification based on calculating distances between data points
US6740534B1 (en) * 2002-09-18 2004-05-25 Advanced Micro Devices, Inc. Determination of a process flow based upon fault detection analysis
JP2004118693A (ja) * 2002-09-27 2004-04-15 Toshiba Corp プラントの制御系異常診断システム及び異常診断方法
CN100407215C (zh) * 2002-09-30 2008-07-30 东京毅力科创株式会社 用于监视和控制半导体生产过程的方法和装置
US6815232B2 (en) * 2002-11-26 2004-11-09 Advanced Micro Devices, Inc. Method and apparatus for overlay control using multiple targets
US6912433B1 (en) * 2002-12-18 2005-06-28 Advanced Mirco Devices, Inc. Determining a next tool state based on fault detection information
US6834213B1 (en) * 2003-01-06 2004-12-21 Advanced Micro Devices, Inc. Process control based upon a metrology delay
JP4468366B2 (ja) 2003-05-16 2010-05-26 東京エレクトロン株式会社 半導体製造過程の間にプロセスシステムをモニタする方法
US7328126B2 (en) * 2003-09-12 2008-02-05 Tokyo Electron Limited Method and system of diagnosing a processing system using adaptive multivariate analysis
US8032348B2 (en) * 2003-09-30 2011-10-04 Tokyo Electron Limited System and method for using first-principles simulation to facilitate a semiconductor manufacturing process
US8296687B2 (en) * 2003-09-30 2012-10-23 Tokyo Electron Limited System and method for using first-principles simulation to analyze a process performed by a semiconductor processing tool
US8050900B2 (en) * 2003-09-30 2011-11-01 Tokyo Electron Limited System and method for using first-principles simulation to provide virtual sensors that facilitate a semiconductor manufacturing process
US8073667B2 (en) * 2003-09-30 2011-12-06 Tokyo Electron Limited System and method for using first-principles simulation to control a semiconductor manufacturing process
US8036869B2 (en) * 2003-09-30 2011-10-11 Tokyo Electron Limited System and method for using first-principles simulation to control a semiconductor manufacturing process via a simulation result or a derived empirical model
US7447609B2 (en) * 2003-12-31 2008-11-04 Honeywell International Inc. Principal component analysis based fault classification
US7096153B2 (en) * 2003-12-31 2006-08-22 Honeywell International Inc. Principal component analysis based fault classification
US7089072B2 (en) * 2004-05-26 2006-08-08 Taiwan Semiconductor Manufacturing Company, Ltd. Semiconductor manufacturing fault detection and management system and method
US7069098B2 (en) * 2004-08-02 2006-06-27 Advanced Micro Devices, Inc. Method and system for prioritizing material to clear exception conditions
TW200632719A (en) * 2004-09-17 2006-09-16 Mks Instr Inc Multivariate control of semiconductor processes
US7130767B2 (en) * 2004-09-27 2006-10-31 Lam Research Corporation Computer-implemented data presentation techniques for a plasma processing system

Also Published As

Publication number Publication date
JP2008519464A (ja) 2008-06-05
GB2433134A (en) 2007-06-13
DE112005002576T5 (de) 2007-09-27
KR101414775B1 (ko) 2014-07-03
CN101048711B (zh) 2011-10-12
WO2006049839A1 (en) 2006-05-11
TWI447545B (zh) 2014-08-01
JP5401038B2 (ja) 2014-01-29
TW200630765A (en) 2006-09-01
US8676538B2 (en) 2014-03-18
GB0706153D0 (en) 2007-05-09
GB2433134B (en) 2010-06-02
US20060095232A1 (en) 2006-05-04
CN101048711A (zh) 2007-10-03

Similar Documents

Publication Publication Date Title
KR101414775B1 (ko) 가중된 주성분 분석에 기초한 고장 검출 시스템 및 방법
KR101166209B1 (ko) 모델 예측을 위한 동적인 샘플링 레이트 적응
US6773931B2 (en) Dynamic targeting for a process control system
US6560503B1 (en) Method and apparatus for monitoring controller performance using statistical process control
US6647309B1 (en) Method and apparatus for automated generation of test semiconductor wafers
US6460002B1 (en) Method and apparatus for data stackification for run-to-run control
WO2004030081A1 (en) Correlating an inline parameter to a device operation parameter in semiconductor processing
JP2005510083A (ja) 統合計測データをフィードフォワードデータとして利用するための方法および装置
US6560506B2 (en) Method and apparatus for control for semiconductor processing for reducing effects of environmental effects
US20050021272A1 (en) Method and apparatus for performing metrology dispatching based upon fault detection
US6597447B1 (en) Method and apparatus for periodic correction of metrology data
US6834213B1 (en) Process control based upon a metrology delay
US6947803B1 (en) Dispatch and/or disposition of material based upon an expected parameter result
US6740534B1 (en) Determination of a process flow based upon fault detection analysis
KR101000545B1 (ko) 1차 공정 제어기를 보완하기 위한 2차 공정 제어기
US6905895B1 (en) Predicting process excursions based upon tool state variables
JP2009521800A (ja) 情報信憑性に基づく改良された状態推定
US6698009B1 (en) Method and apparatus for modeling of batch dynamics based upon integrated metrology
US6890773B1 (en) Dynamic maintenance of manufacturing system components
US6871114B1 (en) Updating process controller based upon fault detection analysis
US6834211B1 (en) Adjusting a trace data rate based upon a tool state
US6788988B1 (en) Method and apparatus using integrated metrology data for pre-process and post-process control
US6823231B1 (en) Tuning of a process control based upon layer dependencies
US6912436B1 (en) Prioritizing an application of correction in a multi-input control system
JP2006513561A (ja) パラレル欠陥検出

Legal Events

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

Free format text: TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20130228

Effective date: 20140324

S901 Examination by remand of revocation
GRNO Decision to grant (after opposition)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170601

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180529

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190530

Year of fee payment: 6