KR20230002862A

KR20230002862A - 웨이퍼 빈 맵 기반 근본 원인 분석

Info

Publication number: KR20230002862A
Application number: KR1020227040362A
Authority: KR
Inventors: 토모노리 혼다; 린 리 청; 리차드 버치; 칭 주; 제프리 드루 데이비드; 마이클 켈레허
Original assignee: 피디에프 솔루션즈, 인코포레이티드
Priority date: 2020-05-01
Filing date: 2021-04-30
Publication date: 2023-01-05
Also published as: US20230377132A1; CN115667915A; US20210342993A1; WO2021222836A1; TW202209119A; US11763446B2

Abstract

웨이퍼 결함에 대한 가장 있을 것 같은 근본 원인을 할당하기 위한 템플레이트가 제공된다. 대상 웨이퍼에 대한 빈 맵 데이터는 유사한 문제를 가진 웨이퍼를 찾기 위해 이전의 웨이퍼에 대한 빈 맵 데이터와 비교될 수 있다. 확률은 동일한 근본 원인이 대상 웨이퍼에 적용되어야 하는지에 관하여 결정될 수 있고, 그러하다면, 따라서 웨이퍼는 해당 근본 원인으로 라벨링될 수 있다.

Description

웨이퍼 빈 맵 기반 근본 원인 분석

교차 참조

본 출원은 미국 가출원 제63/018884호(발명의 명칭: Improving Root Cause Analysis using Active Learning Frameworks, 출원일: 2020년 5월 1일)의 우선권을 주장하고, 이는 전문이 참조에 의해 본 명세서에 원용된다.

기술 분야

본 출원은 반도체 제작 공정, 더 구체적으로, 웨이퍼 결함의 근본 원인을 식별하기 위해 반도체 제작 공정으로부터 이미지를 분류하기 위한 시스템 및 방법에 관한 것이다.

반도체 제작 공정에서 웨이퍼를 분류하고 라벨을 모든 웨이퍼 문제에 할당하고 웨이퍼 결함에 대한 관련된 근본 원인을 식별하는 것은 바람직하지만 어렵다. 분류 및 라벨의 할당은 웨이퍼 상의 개별적인 칩에 대해 다수의 전기 테스트를 수행함으로써 제조 후 실시되는 웨이퍼 분류 단계에서 발생한다. 테스트 결과가 일반적으로 모든 칩에 대한 범주 값으로서 표현되어, 따라서 웨이퍼 빈 맵(wafer bin map)으로 불리는 공간 맵을 형성한다. 상이한 결함 패턴이 웨이퍼 빈 맵으로부터 입증될 수도 있고, 각각의 결함 패턴에 대해, 문제가 정정될 수도 있도록 특정한 결함을 초래하는 공정 결함의 근본 원인을 식별하는 것이 중요하다. 본 개시내용은 그렇게 함으로써 개선된 방법에 관한 것이다.

도 1은 웨이퍼 맵을 분석하기 위해 템플레이트를 구현하기 위한 하이 레벨 과정을 예시하는 흐름도.
도 2는 관련된 웨이퍼 매개변수에 대한 경계 조건을 설정하기 위한 과정을 예시하는 흐름도.
도 3a 및 도 3b는 근본 원인을 가진 웨이퍼를 라벨링하기 위한 과정을 예시하는 흐름도.
도 4 내지 도 6은 생산 실행 전으로부터 웨이퍼 빈 맵과 비교되고 최근접 이웃 알고리즘을 사용하여 근본 원인의 결정을 예시하도록 구성된 템플레이트에서 보이는 대상 웨이퍼에 대한 웨이퍼 빈 맵의 사용자 인터페이스 예를 도시하는 도면.
도 7 및 도 8은 생산 실행이 클러스터 생성 알고리즘을 사용하여 근본 원인을 결정하도록 구성된 템플레이트에서 보이기 전으로부터 웨이퍼 빈 맵의 사용자 인터페이스 예를 도시하는 도면.
도 9 및 도 10은 웨이퍼 빈 맵이 알려진 근본 원인을 가진 아웃라이어(outlier)를 결정하도록 구성된 템플레이트에서 보이는 사용자 인터페이스 예를 도시하는 도면.
도 11은 클러스터링 분석에 기초하여 근본 원인의 네트워크-유형 분석의 대안적인 표현의 예를 도시하는 도면.
도 12는 매개변수 한계를 결정하기 위한 대안적인 과정을 예시하는 흐름도.

본 개시내용은 반도체 제작 공정으로부터 결함 및 연관된 근본 원인의 라벨링을 위한 중요한 "키" 웨이퍼를 식별하는 것에 대해 사용자를 돕기 위해 웨이퍼 맵 기반 분석을 위한 그래픽 사용자 인터페이스(graphical user interface: "GUI")로서 템플레이트를 생성하고 제공하기 위한 방법 및 시스템에 관한 것이다.

GUI는 적어도 디스플레이된 정보와의 사용자 상호작용을 가능하게 하고, 제어 기능을 일반적으로 알려진 바와 같이 전부 제공하기 위한 다양한 설계의 위젯을 사용하여, 형식화된 방식으로 정보의 시각적 디스플레이를 제공하는 프로세서-기반 툴이다. 기계 학습 알고리즘의 사용과 결합하여, 템플레이트는 예측 능력을 개선시키기 위해 협력 방식으로 사용자 입력으로부터 이득을 얻는다.

프로세서가 데스크탑-기반, 즉, 독립형, 또는 네트워킹된 시스템의 부분일 수 있지만; 과부하의 정보가 처리되고 쌍방향 디스플레이되는 것을 고려하면, 프로세서 능력(CPU, RAM 등)은 유효성을 최대화하기 위해 현재 최첨단이어야 한다. 반도체 파운드리 환경에서, Exensio^® 분석 플랫폼은 GUI 템플레이트를 구축하기 위한 유용한 선택이다. 하나의 실시형태에서, 근본적인 처리 루틴의 코딩은 기계 언어 모델을 주로 코딩하기 위해 사용되는, 파이썬(Python) 객체-지향 프로그래밍 언어와 호환 가능한, Spotfire^® 분석 소프트웨어 버전 7.11 또는 위의 것을 사용하여 수행될 수도 있다.

본 출원에서, 비정상적인 것으로 라벨링되는 들어오는 웨이퍼에 대해, GUI-기반 템플레이트에는 다음의 기능이 제공되어야 한다:

(i) 들어오는 웨이퍼(들)에 대한 데이터와 기존의 웨이퍼에 대한 검색된 데이터를 비교한다. 기존의 웨이퍼 데이터에 대한 비교는 들어오는 웨이퍼(들)에 대한 제품 흐름에 특정해야 해서, 가장 관련된 데이터가 검색되고 비교되는 것을 보장한다.

(ii) 들어오는 웨이퍼(들)에 대한 빈 패턴, 또는 웨이퍼의 부족과 연관되는 가능성이 가장 큰 근본 원인(예를 들어, 공정 모듈 또는 공정 단계)으로 들어오는 웨이퍼를 라벨링한다.

(iii) 개별적인 웨이퍼ID(WaferID), 제품 번호 등과 같은, 들어오는 웨이퍼에 대한 기본 정보를 디스플레이한다.

(iv) 다이 맵, 클러스터, 구역 통계, 사용자가 제공하는 코멘트 등을 포함하는 들어오는 웨이퍼(들)의 비정상적인 이웃을 분석하기 위해 데이터를 드릴 다운한다(drill down).

(v) 공정 단계 또는 공정 모듈과 같은, 나열된 주요 그리고 부차적인 근본 원인을 오버라이드(override)하고 업데이트한다.

(vi) 미래의 들어오는 웨이퍼(들)의 비교 및 라벨링을 위해 사용될 업데이트된 결과를 저장한다.

라벨을 생성하기 위한 부담을 감소시키기 위해, 능동 학습 프레임워크가 활용되어 라벨링을 위한 키 웨이퍼를 식별할 수도 있다. 키 웨이퍼는 (i) 각각의 개별적인 웨이퍼를 검토함으로써 불확실성을 모델링하는 웨이퍼, 및 (ii) 테스트 세트에서 웨이퍼와 실제로 가장 가까운 라벨링되지 않은 웨이퍼와 같은, 모델의 전체적인 신뢰를 개선시키는 웨이퍼를 포함할 수 있다.

도 1을 참조하면, 웨이퍼 맵 기반 분석을 위해 템플레이트를 구현하기 위한 하이 레벨 과정(100)이 예시된다. 단계(102)에서, 관련된 제품 흐름이 식별되고, 이어서 관련된 제품 흐름에 대한 웨이퍼 데이터의 기존의 세트가 단계(104)에서 하나 이상의 데이터베이스로부터 검색되고 단계(106)에서 템플레이트로 입력으로서 로딩된다. 제품 흐름에 의해, 들어오는 웨이퍼 샘플(들)의 이 특정한 제품 유형 또는 제품 군(제품ID)에 대해 수행되는 공정 단계 및/또는 공정 모듈의 조합을 의미한다. 따라서, 생산 실행 동안, 고유 웨이퍼ID를 각각 가진 많은 웨이퍼가 특정한 제품ID를 위한 제품 번호로 생산된다. 정적 공정은 단일의 제품 유형만을 생산하지만, 동적 공정은 단계 및/또는 모듈을 변경하여 상이한 제품 유형을 생산한다.

이 제품 흐름에 대한 경계 조건 또는 매개변수 컷오프가 단계(108)에서 식별되고, 아래에서 논의되는 바와 같이, 수동으로 또는 자동으로 설정될 수도 있다. 단계(110)에서, 사용자는 결과를 검토하여 결과가 타당하다는 분별 검사를 제공한다. 최종적으로, 웨이퍼 데이터 및 경계 조건은 미래의 비교를 위해 이용 가능하도록 단계(112)에서 데이터베이스에 저장된다.

사용 시, 템플레이트는 예를 들어, 이전의 생산 실행으로부터 고객 웨이퍼 데이터를 저장하는 하나 이상의 데이터베이스에 접근하는 것으로부터, 기존의 고객 웨이퍼 데이터를 입력으로서 획득하도록 설정된다. 일반적인 원칙은 이전의 웨이퍼 빈 맵 데이터가 유효 비교를 제공하여 현재 들어오는 웨이퍼가 동일한 문제를 갖거나 또는 문제를 갖지 않는다고 결정하는 것이다. 그러나, 칩의 크기가 상당히 상이하다면, 웨이퍼 맵이 또한 상당히 상이할 것이고, 설명된 방식이 또한 작동되지 않을 수도 있다. 따라서, 분석은 보통 동일하거나 또는 유사한 제품으로 제한될 수도 있다.

다음의 정보 유형, 또는 이의 하위세트는 보통 하나 이상의 데이터베이스에 저장되고 단계(106)에서 입력으로서 템플레이트에 로딩되도록 이용 가능하다:

(i) 각각의 웨이퍼 문제/결함에 대한 알려지고 검증된 주요 그리고 부차적인 근본 원인(들)을 포함하는 이전의 웨이퍼의 목록을 가진 표.

(ii) 웨이퍼 장비 이력(wafer equipment history: WEH), 계량 데이터, 고장 검출 및 분류(failure detection and classification: FDC)를 위한 지표, 및 이전의 웨이퍼에 대한 다른 관련된 웨이퍼 제작 데이터(팹리스(fabless) 고객에 대해 입수 불가능). 이전의 웨이퍼가 정적 제조 공정, 즉, 전용 공정 경로, 예컨대, 단일의 제품 유형에 대한 A → B → C → D로부터 나온다면, WEH는 해당 제품 유형에 대한 툴 및 공정의 이력을 포함한다. 이전의 웨이퍼가 동적 제조 공정으로부터 나오고, 즉, 상이한 유형의 제품이 상이한 공정 단계 및/또는 공정 모듈을 사용하여 이루어질 수 있다면, WEH는 제품 유형뿐만 아니라 주어진 웨이퍼ID에 대한 툴 및 공정의 이력을 포함한다.

(iii) 각각의 웨이퍼ID, 다이당 웨이퍼 빈 데이터, 및 연관된 x-좌표(Diex) 및 y-좌표(Diey)에 대해. 각각의 다이 테스트의 결과는 기술자에 의해 기록되고 다이에 대한 문제, 예컨대, 전류 누설 등을 포함한다. 웨이퍼 레벨 근본 원인은 웨이퍼 내 다이 고장 패턴을 고려하면 대상에서 전문가에 의해 처음에 제공된다. 다양한 웨이퍼 결함에 대한 상이한 근본 원인이 웨이퍼 빈으로서 대상 전문가에 의해 인코딩되고, 각각의 빈은 동일한 결함 및 근본 원인(들)에 대한 웨이퍼 데이터를 수집하고 저장하도록 사용된다. 현대의 제조 작동은 수백 또는 심지어 수천의 상이한 웨이퍼 빈을 가질 수도 있고, 상이한 빈의 유사한 결함은 종종 검색 및 분석의 용이성을 위해 함께 그룹화된다.

(iv) 각각의 웨이퍼ID, 각각의 웨이퍼 빈 유형에 대한 구역 중앙값(수치적)으로부터 구역 빈 델타를 포함하는 자동 서명 분류(Automatic Signature Classification: ASC)와 같은 출력뿐만 아니라 일반적인 패턴 라벨(범주) 및 상세한 패턴(범주)에 대해, 예를 들어, 통계는 결함이 웨이퍼의 상이한 공간 구역에 나타나는 곳을 결정하기 위해 계산될 수도 있다. 실시예로서, 중심 구역의 상당한 비율의 결함이 빈 A로 분류되고, 다른 더 작은 비율이 빈 B, 빈 C 등으로 분류된다는 것이 결정될 수도 있다. 따라서, 통계는, 웨이퍼 빈 맵의 중심의 결함이 빈 A로 분류되는 상당한 가능성을 갖고, 웨이퍼가 일반적인 패턴 라벨, 예컨대, "오직 중심 문제"뿐만 아니라 더 서술적인 패턴 상세사항, 예컨대, 예로서 "풀 불스 아이(Full Bulls Eye)", "상단 우측 1Q 에지" 및 "좌측 절반 에지"로 라벨링될 수 있다는 것을 나타낸다.

각각의 웨이퍼ID, 클러스터의 중심 Diex, Diey 위치로 각각의 통계적으로 상당한 클러스터의 존재를 식별하는 것(수치적)을 포함하는 출력의 클러스터링, 클러스터의 바운딩 박스, 및 클러스터 내 모든 Diex, Diey 위치에 대해. 이것은 결함 클러스터의 크기 및 연속적인 형상(원형, 초승달 등)을 우리에게 알려준다.

사용자가 단계(108)에서 경계 조건을 수동으로 설정하려고 선택할 때, 다음의 매개변수가 규정되어야 한다:

dc는 동일한 들어오는 웨이퍼(들)를 라벨링하는 데 충분히 가까운 것으로 간주되는 다이의 수에서 측정되는 들어오는 웨이퍼와 이웃하는 웨이퍼 사이의 거리이고, 웨이퍼 사이의 임의의 차는 랜덤 잡음에 기여될 수 있다;

df는 웨이퍼 빈 클러스터와 트레이닝 세트에 유사성이 없도록 매우 멀리 있는 것으로 간주되는 다이의 수에서 측정되는 들어오는 웨이퍼와 이웃하는 웨이퍼 사이의 거리이다. 임의의 중첩은 단지 랜덤 가능성으로서 고려되어야 한다.

k는 k-최근접 이웃(k-nearest neighbor: KNN) 알고리즘과 같은, 알고리즘 해결책에 의해 고려되는 이웃의 수이다; 그리고

D는 거리를 계산하기 위해 사용되는 메트릭이다. 유클리드(Euclidean) 거리 메트릭, 민코프스키(Minkowski) 공간 텐서, 마하라노비스(Mahalanobis) 거리 메트릭, L1, L∞ 등을 포함하는 복수의 알려진 거리 메트릭이 사용될 수 있다.

단계(108)에서 설정된 경계 조건의 자동 설정은 도 2에 도시된 간단한 과정(200)으로서 예시된다. 단계(210)에서, 통계 시뮬레이션이 매개변수 한계를 찾도록 실행되고, 단계(220)에서 한계가 조정된다.

통계 시뮬레이션에서, 각각의 df 및 dc는 특정한 웨이퍼 맵과 연관된 결함 밀도의 함수여야 한다. 이 df 및 dc 매개변수는 예를 들어, 웨이퍼의 결함량을 가변하고, 반응 표면 방법론(Response Surface Methodology: RSM)을 사용하여 시뮬레이션된 결과를 피팅하는, 몬테 카를로 시뮬레이션을 사용하여 추정될 수 있다. 시뮬레이션으로부터 발생되는 주요 신호는 주요 근본 원인을 결정하기 위해 사용될 것이고 부차적인 신호는 하나 이상의 부차적인 근본 원인을 결정하기 위해 사용될 것이다.

이어서 하이퍼 매개변수 조정은 예를 들어, 최상의 k 매개변수를 식별하여 데이터세트에 적용되도록 웨이퍼 문제에 대해 대상 전문가에 의해 결정되는 라벨에 기초하여 시뮬레이션 결과에 대한 n-폴드 교차 검증을 사용함으로써 적용된다. 상이한 D 메트릭이 사용될 수도 있거나 또는 상이한 웨이퍼 문제 또는 상이한 다이 크기 또는 상이한 입력과 관련될 수도 있고, 특정한 적용을 위해 최상으로 작동하는지를 선택하고 적용하기 위해 경험적 결과를 기반으로 결정될 수 있다.

매개변수는 새로운 웨이퍼가 분석을 위해 들어갈 때 저장되고 적용될 수 있다. 각각의 라벨 유형이 독립적으로 간주되고, 즉, 하나의 k-매개변수가 각각의 공정 모듈, 챔버 ID, 툴 및 공정 단계에 대해 도출된다는 것에 유의한다.

이제 도 3a를 참조하면, 단계(302)에서 수용되는 새로운 샘플 웨이퍼에 대한 근본 원인을 예측하고 웨이퍼 맵을 분석하기 위해 엔진을 구현하기 위한 3개의 상이하고 대안적인 방식이 제시된다. 제1 방식에서, 다이 클러스터는 단계(310)에서 샘플 웨이퍼에 대해 컴퓨팅된다. 제2 방식, 단계(320)에서, 구역 빈 델타가 계산된다. 제3 방식에서, 웨이퍼 맵은 단계(310)에서 컨볼빙된다(convolved). 이어서 3개의 방식의 각각은 새로운 웨이퍼로부터 알려진 근본 원인을 가진 모든 이전의 웨이퍼까지의 거리가 바람직하게는 몇몇의 상이한 방법을 사용하여 컴퓨팅되고 거리를 컴퓨팅하는 단계(340)로 진행된다.

분석은 샘플 웨이퍼의 거리(df) 내 임의의 이웃이 있는지를 단계(350)에서 고려하기 위해 진행된다. 그렇지 않다면, 이어서 단계(354)에서, 웨이퍼 문제는 "알려지지 않은"으로 라벨링된다.

단계(302)에서 샘플 웨이퍼의 거리(df) 내 이웃이 있다면, 고려하는 그 다음의 경우는 적어도 일부 이웃이 단계(356)에서 샘플 웨이퍼의 거리(dc) 내에 있는지이다. 그러하다면, 이어서 단계(358)에서, k개의 이웃의 하위세트가 선택되고 일반적으로 예측 엔진에서 동일하게 가중될 것이다. 단계(360)에서 그 다음의 질문은 하위세트의 모든 k개의 이웃이 동일한 라벨을 갖는지이다. 그러하다면, 이어서 해당 라벨은 해당 웨이퍼ID에 대해 단계(362)에서 단일의 라벨로서 복귀된다. 그렇지 않다면, 이어서 단계(364)에서, 라벨은 예를 들어, 이의 빈도와 비례하여 그리고 거리의 함수로서 복귀될 수도 있다.

상이한 방식의 각각에서, 예측 엔진은 복수의 상이한 방식, 예컨대, 협력 필터 또는 특정 유형의 분류 알고리즘, 예컨대, 공간 K-최근접 이웃(KNN) 알고리즘, 컨볼루션 신경망(convolutional neural network: CNN), 랜덤 포레스트, XGBoost 등으로 구현될 수 있다. 다수결 및 부스트 의사결정 나무를 포함하지만 이들로 제한되지 않는 앙상블 방식을 사용하는 것과 같이, 상이한 방식을 라벨링에 결합하는 것이 가능할 수도 있다.

하나의 실시형태에서, 저장된 지식 및 패턴이 빈 맵을 리스케일링함으로써 하나의 제품으로부터 또 다른 제품으로 이송될 수도 있지만, 스케일링 인자를 너무 많이 사용하는 것은 오류를 생성할 수도 있다. 그러나, 리스케일링은 유사한 제품을 위한 제작 공정으로 제한되어야 하고, 예를 들어, CPU 칩에 대한 근본 원인을 예측하기 위해 3D NAND 플래시 메모리에 대한 지식 기반을 활용하는 것이 실용적이지 않을 수도 있다. 부가적으로, 각각의 제품에 대한 빈 코드가 표준화되어 제품 A에 대한 빈 XYZ는 제품 B에 대한 빈 XYZ와 유사해야 한다.

사용자 GUI에 대한 근본 원인 분석의 출력은 상이한 형태를 취할 수 있다. 예를 들어, 하나의 형태에서, 뷰는 들어오는 웨이퍼 및 데이터베이스에서 가장 가까운 이웃 웨이퍼에 대한 빈 맵을 나타내고, 이 가장 유사한 이웃에 대한 근본 원인뿐만 아니라 대상 들어오는 웨이퍼에 대한 예측되는 가장 가능성이 있는 근본 원인을 식별한다. 도 4 내지 도 6은 최근접 이웃 방식을 사용하여 근본 원인 분석에 대한 GUI 프레젠테이션의 예를 나타낸다.

도 4에서, 사용자 인터페이스(450)는 다이의 수로서 측정되는 거리를 나타내는 축 및 웨이퍼 제품 번호로 도시된 제1 들어오는 웨이퍼에 대한 새로운 빈 맵(400)을 디스플레이하는 제1 윈도우(460)를 포함한다. 제품 번호 및 축을 갖지만, 또한 대상 빈 맵으로부터 이웃의 통계 거리를 나열하는, 이미지 분석에 기초하여 이전의 데이터의 데이터베이스로부터 10개의 가장 가까운 빈 맵 매칭(401 내지 410)을 디스플레이하는 제2 윈도우(470)가 빈 맵(400) 아래에 있다. 이 예에서, 3개의 빈 맵(401, 403 및 405)이 문제 근본 원인 A로 전부 식별되고, 근본 원인 A가 가장 큰 흔한 근본 원인이기 때문에, 들어오는 웨이퍼가 동일한 근본 원인을 가질 확률이 충분하다. 따라서, 근본 원인 A를 가진 라벨이 또한 빈 맵(400) 및 대응하는 웨이퍼에 할당된다.

사용자 제어 및 다른 데이터가 일반적인 GUI 구현예에 포함되고, 일부 예가 도 4에 도시된다. 다른 웨이퍼 맵 GUI는 유사한 특징을 포함할 것이다. 예를 들어, 공통 시스템 제어(480), 예컨대, 파일, 편집, 보기, 도구가 GUI(450)의 상단부의 리본 또는 태스크 바에 포함된다. 제1 윈도우(460)는 사용자가 임의의 나열된 항목을 선택하거나 또는 드릴 다운할 수 있는 새로운 웨이퍼에 대한 제품 맵을 설명하는 패널(462)을 포함한다. 제2 윈도우(470)는 사용자가 임의의 나열된 항목을 선택하거나 또는 드릴 다운할 수 있는 이전의 웨이퍼에 대한 제품 맵을 설명하는 유사한 패널(472)을 포함한다. 제3 윈도우(452)는 새로운 웨이퍼와 유사한 이웃 웨이퍼를 나열하고, 제4 윈도우(454)는 유사한 이웃 웨이퍼에 대한 제1 및 제2 근본 원인을 나열한다. 임의의 드릴-다운 능력이 웨이퍼 맵으로부터 또는 다른 패널 또는 웨이퍼의 나열로부터 직접적으로 제공될 수 있고, 일반적으로 하나 이상의 페이지를 링크하는 것이 더 상세한 웨이퍼 정보, 예컨대, WEH, FDC 지표, 계량학 등을 갖는다는 것에 유의한다.

유사하게, 도 5에서, 제2 들어오는 웨이퍼에 대한 새로운 빈 맵(500)이 웨이퍼 제품 번호 및 축과 함께 도시되고, 이웃 통계 거리가 나열되는, 데이터베이스로부터 10개의 가장 가까운 빈 맵 매칭(501 내지 510)이 빈 맵 아래에 있다. 이 경우에, 10개의 이전의 빈 맵 중 6개, 즉, 501 내지 505 그리고 509는 문제 근본 원인 B를 전부 갖져서, 빈 맵(500)이 근본 원인 B를 또한 갖는 높은 확률을 나타내고, 근본 원인 B에 대한 라벨이 빈 맵(500) 및 대응하는 웨이퍼에 할당된다.

도 6은 웨이퍼 제품 번호 및 축과 함께 제3 들어오는 웨이퍼에 대한 새로운 빈 맵(600)을 도시하고, 이웃 통계 거리가 나열되는 데이터베이스로부터 10개의 가장 가까운 빈 맵 매칭(601 내지 610)이 빈 맵 아래에 있다. 처음에 알려지지 않은 패턴, 가장 가까운 이전의 빈 맵 중 5개, 즉, 601, 602, 605, 608이 문제 근본 원인 C를 갖지만, 따라서, 확률에 기초하여, 근본 원인 C에 대한 라벨이 빈 맵(600) 및 대응하는 웨이퍼에 할당된다.

또 다른 출력 형태는 유사하게 고려되는 이전의 빈 맵의 세트를 함께 그룹화하는 클러스터 생성이다. 따라서, 대상 들어오는 빈 맵은 개별적인 빈 맵보다 오히려 빈 맵의 군 또는 클러스터와 비교된다. 예를 들어, 도 7은 빈 맵의 중심에 클러스터링된 결함을 각각 가진 빈 맵의 제1 세트(700)를 도시한다. 도 8은 각각의 빈 맵의 에지에 집중된 결함을 각각 가진 빈 맵의 제2 세트(800)를 도시한다. 따라서, 개별적인 이전의 빈 맵과 비교하기 전에, 대강의 분류가 도 7의 중심 결함 또는 도 8의 에지 결함과 같이, 일반화된 군과 들어오는 빈 맵을 비교함으로써 수행될 수 있다. 클러스터 내 모든 웨이퍼가 동일한 알려진 근본 원인을 갖는다면, 웨이퍼는 동일한 근본 원인의 더 높은 가능성을 갖는다. 클러스터 내 웨이퍼가 상이한 근본 원인을 갖는다면, WEH, FDC 지표 및 계량학 데이터는 분석을 돕도록 필요할 수도 있다.

추가의 또 다른 출력 형태는 들어오는 웨이퍼가 이전의 웨이퍼와 유사한 무엇이든 갖지 않는지를 결정하기 위해 아웃라이어를 보는 것이다. 웨이퍼의 분포와 이의 최근접 이웃을 비교함으로써, 임의의 최근접 이웃이 없는 웨이퍼가 결정될 수 있다. 도 9는 데이터베이스로부터 들어오는 웨이퍼(900) 및 10개의 가장 가까운 매칭(901 내지 910)을 도시한다. 빈 맵이 전체 웨이퍼에 걸쳐 고밀도 패턴으로서 설명될 수 있지만, 가장 가까운 매칭 중 어느 것도 실제로 가깝지 않다. 유사하게, 도 10은 데이터베이스로부터 들어오는 웨이퍼(1000) 및 10개의 가장 가까운 매칭(1001 내지 1010)을 도시한다. 이 예에서, 빈 맵의 상단 좌측이 불량하고 또한 외부 에지로 전파되었지만, 도 9에서와 같이, 가까운 매칭이 없고 따라서 사용자 입력이 미래에 더 나은 예측을 수행하기 위해 이 예에서 필요할 가능성이 있다.

또 다른 실시형태에서, 웨이퍼 대 웨이퍼 거리를 컴퓨팅함으로써, 출력이 네트워크로서 표현될 수 있다. 따라서, 네트워크 기반 분석이 사용되고 WEH 데이터와 결합되어 웨이퍼 샘플의 근본 원인을 식별하는 것을 도울 수 있다. 도 11은 네트워크 분석에 기초하여 템플레이트에서 보기 위한 출력을 도시하고, 하향식 뷰는 웨이퍼의 클러스터가 서로 근접한지를 예시하는 것으로 의도된다. 그래픽 표현(1102)의 중심에서의 점(1104)은 가장 타이트하게 집중된 클러스터이고 따라서 주요 근본 원인을 나타낸다. 중심으로부터 멀리 연장하는 것은 타이트하게 클러스터링되지 않은 부가적인 점(1106)이고 따라서 부차적인 근본 원인을 나타낸다.

랜덤 결함에 대한 경계 조건을 자동으로 결정하기 위한 대안적인 방식은 이전에 논의된 3개의 상이한 해결책 경로의 각각에 대해 도 12에 의해 예시된다. 단계(1202)에서, 결함 위치 및 수는 클러스터링을 통해 찾은 것에 기초하여 랜덤으로 할당된다. 매칭이 클러스터링 데이터에 기초하여 단계(1210)에서 비교되고, 단계(1212)에서, 들어오는 웨이퍼로부터의 거리, 예컨대, 마하라노비스 거리 및 유클리드 거리가 2개의 상이한 방법을 사용하여 계산된다. 충분한 거리가 단계(1214)에서 통계 유용한 분포를 생성하기 위해 랜덤 위치를 이동시키는 것으로부터 계산되었을 때, 매개변수(df 및 dc)가 분포의 p-값 문턱값을 사용하여 단계(1216)에서 결정될 수 있고; 그렇지 않다면, 더 많은 거리가 충분한 데이터가 있을 때까지 단계(1212)에서 계산된다.

제2 해결책 경로에서, 구역 빈 델타는 임의로 할당된 위치로부터 단계(1220)에서 계산된다. 이어서 거리 간의 차가 3개의 상이한 방법을 사용하여 단계(1222)에서 계산된다. 단계(1224)에서, 통계 유용 분포를 생성하기 위해 충분한 거리가 계산되었는가? 그러하다면, 매개변수(df 및 dc)는 분포의 p-값 문턱값을 사용하여 단계(1226)에서 결정될 수 있고; 그러하지 않다면, 더 많은 거리가 충분한 데이터가 있을 때까지 단계(1222)에서 계산된다.

클러스터링 및 구역 델타로부터의 요약 데이터세트 대신에, 제3 해결책 경로는 랜덤으로 할당된 위치의 주요 신호로부터 웨이퍼 빈 데이터를 취하고 대상 웨이퍼에 대한 분류 또는 빈을 결정하도록 구성된 기계 학습 모델을 통해 이것을 실행시킴으로써 단계(1230)에서 웨이퍼 빈 맵 데이터를 컨볼빙한다.

단계(1232)에서, 들어오는 웨이퍼로부터의 거리가 상이한 방법을 사용하여 계산되고, 이 단계는 충분한 거리가 단계(1234)에서 통계적으로 유용한 분포를 생성하기 위해 랜덤 위치를 이동시키는 것으로부터 계산될 때까지 반복된다. 이 점에서, 매개변수(df 및 dc)는 분포의 p-값 문턱값을 사용하여 단계(1236)에서 결정된다.

앞서 언급된 바와 같이, 기계 학습 모델은 컨볼루션 알고리즘을 기반으로 상이한 해결책 경로 중 임의의 하나를 구현하도록 구성된다. 효과적인 컨볼루션의 하나의 예는 블러 매트릭스를 사용하여 유사한 패턴의 위치에서 약간의 차를 제거하는 것이다.

전술한 작성된 설명은 당업자가 본 명세서에 설명된 기술을 수행하고 사용하게 하도록 의도되지만, 당업자라면 설명이 제한적이지 않고 또한 본 명세서에서 설명된 구체적인 실시형태, 방법 및 실시예의 변형, 조합 및 등가물의 존재를 이해할 것임을 이해할 것이다.

Claims

방법으로서,
현재의 생산 실행에서 제작되는 제1 반도체 웨이퍼에 대한 제1 웨이퍼 빈 맵(wafer bin map)을 획득하는 단계;
상기 제1 반도체 웨이퍼에 대한 제품 흐름을 식별하는 단계;
식별된 제품 흐름을 사용하여 제작되는 반도체 웨이퍼에 대해 이전의 생산 실행에 대응하는 복수의 이전의 웨이퍼 빈 맵을 검색하고, 상기 복수의 이전의 웨이퍼 빈 맵을 사용자 인터페이스에 로딩하는 단계;
복수의 선택된 웨이퍼 매개변수에 대한 경계 조건을 설정하는 단계;
상기 제1 웨이퍼 빈 맵에 대한 제1 패턴과 상기 복수의 이전의 웨이퍼 빈 맵과 각각 연관된 복수의 이전의 패턴을 비교하여 상기 복수의 선택된 웨이퍼 매개변수에 대한 상기 경계 조건을 기반으로 상기 제1 웨이퍼 빈 맵의 상기 제1 패턴과 유사한 패턴을 가진 상기 복수의 이전의 웨이퍼 빈 맵의 하위세트를 식별하는 단계;
상기 복수의 이전의 웨이퍼 빈 맵의 상기 하위세트의 적어도 일부와 연관된 근본 원인이 상기 제1 웨이퍼 빈 맵에 대한 상기 제1 패턴과 연관된 결함에 대한 주요 근본 원인인 확률을 결정하는 단계; 및
상기 확률이 문턱값을 초과할 때, 상기 제1 근본 원인이 상기 주요 근본 원인임을 나타내는 라벨을 상기 제1 웨이퍼 빈 맵에 할당하는 단계를 포함하는, 방법.
제1항에 있어서,
상기 사용자 인터페이스를 통해 상기 선택된 웨이퍼 매개변수에 대한 상기 경계 조건을 수동으로 설정하는 단계를 더 포함하는, 방법.
제1항에 있어서,
상기 선택된 웨이퍼 매개변수에 대한 상기 경계 조건을 자동으로 설정하는 단계를 더 포함하는, 방법.
제3항에 있어서,
경계 조건의 세트를 조정하여 이전의 웨이퍼 빈 맵의 상기 하위세트로서 제1 수의 이웃하는 웨이퍼를 식별하는 단계를 더 포함하는, 방법.
제1항에 있어서,
상기 제1 반도체 웨이퍼와 이웃하는 웨이퍼의 근본 원인을 연관시키는 데 충분히 가까운 것으로 고려되는, 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 제1 통계 거리(dc)를 결정하는 단계를 더 포함하는, 방법.
제5항에 있어서,
상기 근본 원인을 연관시키는 데 너무 먼 것으로 고려되는, 상기 제1 반도체 웨이퍼와 상기 복수의 이웃하는 웨이퍼 사이의 제2 통계 거리(df)를 결정하는 단계를 더 포함하는, 방법.
제1항에 있어서, 상기 비교하는 단계는,
상기 제1 반도체 웨이퍼와 이웃하는 웨이퍼의 근본 원인을 연관시키는 데 충분히 가까운 것으로 고려되는, 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 제1 통계 거리(dc)를 결정하는 것;
상기 제1 반도체 웨이퍼와 상기 이웃하는 웨이퍼의 상기 근본 원인을 연관시키는 데 너무 먼 것으로 고려되는, 상기 제1 반도체 웨이퍼와 상기 복수의 이웃하는 웨이퍼 사이의 제2 통계 거리(df)를 결정하는 것;
모든 k개의 이웃하는 웨이퍼가 상기 거리(dc) 내에 있을 때 상기 복수의 이웃하는 웨이퍼 중 제1 수 k개의 이웃하는 웨이퍼를 가중하는 것;
모든 k개의 이웃하는 웨이퍼가 동일한 근본 원인 라벨을 가질 때 상기 k개의 이웃하는 웨이퍼의 상기 근본 원인을 상기 제1 반도체 웨이퍼에 할당하는 것; 및
모든 k개의 이웃하는 웨이퍼가 상기 동일한 근본 원인 라벨을 갖지 않을 때 상기 k개의 이웃하는 웨이퍼의 복수의 근본 원인을 발생 빈도에 비례하여 상기 제1 반도체 웨이퍼에 할당하는 것
을 더 포함하는, 방법.
제1항에 있어서,
상기 식별된 제품 흐름과 유사한 제품 흐름을 사용하여 제작되는 반도체 웨이퍼에 대한 이전의 생산 실행에 대응하는 제2 복수의 이전의 웨이퍼 빈 맵을 검색하는 단계; 및
필요할 때 검색된 웨이퍼 빈 맵을 스케일링하는 단계
를 더 포함하는, 방법.
제1항에 있어서,
상기 제1 웨이퍼 빈 맵 및 상기 사용자 인터페이스에 대한 상기 제1 웨이퍼 빈 맵과 유사한 패턴을 가진 이전의 웨이퍼 빈 맵의 상기 하위세트 중 적어도 일부를 디스플레이하는 단계; 및
이전의 생산 실행에서 제작되는 반도체 웨이퍼의 상기 하위세트 및 상기 제1 반도체 웨이퍼에 대한 부가적인 웨이퍼 데이터를 드릴 다운(drilling down)하는 것을 가능하게 하도록 사용자 제어의 제1 세트를 제공하는 단계
를 더 포함하는, 방법.
제9항에 있어서,
사용자 제어의 제2 세트를 제공하여 상기 제1 반도체 웨이퍼와 연관된 주요 근본 원인 또는 부차적인 근본 원인을 오버라이드하고 업데이트하는 단계를 더 포함하는, 방법.
제1항에 있어서, 상기 비교하는 단계는,
상기 복수의 이전의 웨이퍼 빈 맵의 상기 이전의 패턴의 클러스터링에 기초하여 상기 제1 웨이퍼 빈 맵에 대한 가능한 매칭을 평가하는 것;
상기 클러스터링에 기초하여 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 복수의 계산된 거리에 대한 통계 분포를 생성하는 것;
상기 제1 반도체 웨이퍼와 이웃하는 웨이퍼의 근본 원인을 연관시키는 데 충분히 가까운 것으로 고려되는, 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 제1 통계 거리(dc)를 결정하는 것; 및
상기 제1 반도체 웨이퍼와 상기 이웃하는 웨이퍼의 상기 근본 원인을 연관시키는 데 너무 먼 것으로 고려되는, 상기 제1 반도체 웨이퍼와 상기 복수의 이웃하는 웨이퍼 사이의 제2 통계 거리(df)를 결정하는 것
을 더 포함하는, 방법.
제1항에 있어서, 상기 비교하는 단계는,
상기 복수의 이전의 웨이퍼 빈 맵의 상기 이전의 패턴에 대한 구역 빈 델타를 계산하는 것;
상기 구역 빈 델타에 기초하여 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 복수의 계산된 거리에 대한 통계 분포를 생성하는 것;
상기 제1 반도체 웨이퍼와 상기 이웃하는 웨이퍼의 근본 원인을 연관시키는 데 충분히 가까운 것으로 고려되는, 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 제1 통계 거리(dc)를 결정하는 것; 및
상기 제1 반도체 웨이퍼와 상기 이웃하는 웨이퍼의 상기 근본 원인을 연관시키는 데 너무 먼 것으로 고려되는, 상기 제1 반도체 웨이퍼와 상기 복수의 이웃하는 웨이퍼 사이의 제2 통계 거리(df)를 결정하는 것
을 더 포함하는, 방법.
제1항에 있어서, 상기 비교하는 단계는,
상기 복수의 이전의 웨이퍼 빈 맵의 상기 이전의 패턴을 컨볼빙하는(convolving) 것;
컨볼빙된 패턴에 기초하여 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 복수의 계산된 거리에 대한 통계 분포를 생성하는 것;
상기 제1 반도체 웨이퍼와 상기 이웃하는 웨이퍼의 근본 원인을 연관시키는 데 충분히 가까운 것으로 고려되는, 상기 제1 반도체 웨이퍼와 복수의 이웃하는 웨이퍼 사이의 제1 통계 거리(dc)를 결정하는 것; 및
상기 제1 반도체 웨이퍼와 상기 이웃하는 웨이퍼의 상기 근본 원인을 연관시키는 데 너무 먼 것으로 고려되는, 상기 제1 반도체 웨이퍼와 상기 복수의 이웃하는 웨이퍼 사이의 제2 통계 거리(df)를 결정하는 것
을 더 포함하는, 방법.
방법으로서,
현재의 생산 실행에서 제작되는 제1 반도체 웨이퍼에 대한 제1 웨이퍼 빈 맵을 수신하는 단계;
반도체 웨이퍼에 대한 이전의 생산 실행에 대응하는 복수의 이전의 웨이퍼 빈 맵을 검색하는 단계;
상기 이전의 웨이퍼 빈 맵과 상기 제1 웨이퍼 빈 맵 중 각각의 하나 간의 복수의 통계 거리를 컴퓨팅하는 단계;
상기 복수의 이전의 웨이퍼 빈 맵의 하위세트의 각각의 하나가 문턱값 미만인 컴퓨팅된 통계 거리를 갖고 상기 하위세트의 각각의 하나가 단일의 근본 원인을 가질 때 상기 단일의 근본 원인을 상기 제1 웨이퍼 빈 맵에 할당하는 단계; 및
상기 하위세트의 각각의 하나가 상기 문턱값 미만인 컴퓨팅된 통계 거리를 갖고 상기 하위세트의 각각의 하나가 제1 근본 원인을 갖지 않을 때 복수의 근본 원인을 상기 제1 웨이퍼 빈 맵에 할당하는 단계로서, 상기 복수의 근본 원인의 각각은 상기 이전의 웨이퍼 빈 맵 중 각각의 하나와 상기 제1 웨이퍼 빈 맵 간의 상기 컴퓨팅된 통계 거리의 함수로서 할당되는, 상기 복수의 근본 원인을 상기 제1 웨이퍼 빈 맵에 할당하는 단계
를 포함하는, 방법.
제14항에 있어서, 상기 통계 거리를 컴퓨팅하기 전에, 상기 이전의 웨이퍼 빈 맵을 클러스터링하는 단계를 더 포함하는, 방법.
제14항에 있어서, 상기 통계 거리를 컴퓨팅하기 전에, 상기 이전의 웨이퍼 빈 맵에 대한 구역 빈 델타를 계산하는 단계를 더 포함하는, 방법.
제14항에 있어서, 상기 통계 거리를 컴퓨팅하기 전에, 상기 이전의 웨이퍼 빈 맵을 컨볼빙하는 단계를 더 포함하는, 방법.
제14항에 있어서,
상기 제1 반도체 웨이퍼에 대한 제1 제품 흐름을 식별하는 단계; 및
상기 제1 제품 흐름을 가진 이전의 생산 실행에 대응하는 상기 복수의 이전의 웨이퍼 빈 맵을 검색하는 단계
를 더 포함하는, 방법.
제14항에 있어서,
상기 제1 반도체 웨이퍼에 대한 제1 제품 흐름을 식별하는 단계; 및
상기 제1 제품 흐름과 유사한 제품 흐름을 가진 이전의 생산 실행에 대응하는 상기 복수의 이전의 웨이퍼 빈 맵을 검색하는 단계
를 더 포함하는, 방법.
제14항에 있어서,
복수의 선택된 웨이퍼 매개변수에 대한 웨이퍼 한계를 설정하는 단계;
상기 제1 웨이퍼 빈 맵과 상기 복수의 이전의 웨이퍼 빈 맵을 비교하여 상기 웨이퍼 한계를 기반으로 상기 제1 웨이퍼 빈 맵과 유사한 상기 복수의 이전의 웨이퍼 빈 맵의 제1 군을 식별하는 단계; 및
상기 이전의 웨이퍼 빈 맵의 상기 제1 군과 상기 제1 웨이퍼 빈 맵 간의 상기 복수의 통계 거리를 컴퓨팅하는 단계
를 더 포함하는, 방법.