TW201329909A - 智慧型缺陷診斷方法 - Google Patents

智慧型缺陷診斷方法 Download PDF

Info

Publication number
TW201329909A
TW201329909A TW101149507A TW101149507A TW201329909A TW 201329909 A TW201329909 A TW 201329909A TW 101149507 A TW101149507 A TW 101149507A TW 101149507 A TW101149507 A TW 101149507A TW 201329909 A TW201329909 A TW 201329909A
Authority
TW
Taiwan
Prior art keywords
defect
graphic
data
image
layout
Prior art date
Application number
TW101149507A
Other languages
English (en)
Other versions
TWI498853B (zh
Inventor
I-Yun Leu
Original Assignee
Elitetech Technology Co Ltd
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 Elitetech Technology Co Ltd filed Critical Elitetech Technology Co Ltd
Publication of TW201329909A publication Critical patent/TW201329909A/zh
Application granted granted Critical
Publication of TWI498853B publication Critical patent/TWI498853B/zh

Links

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
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明提供一種智慧型缺陷診斷方法，其係使用於一製造工廠，該方法包括：接收至少一缺陷檢測儀器所產生的多個缺陷資料，接收一輪廓設計系統產生的多個設計佈局圖，以及接收該製造工廠所產生的多個製造資料；藉由一缺陷分析系統分析該缺陷資料、設計佈局圖及該製造資料。先分割完整晶片設計佈局圖成許多設計佈局圖單元，導入缺陷資料及圖形比對分析成為以佈局圖圖形群組(LPG)單元屬性的缺陷複合式圖形群組，並針對影像圖形作影像處理量測及關鍵區域分析良率，診斷系統缺陷、製程缺陷、及缺陷良率。

Description

智慧型缺陷診斷方法
本發明係涉及一種診斷方法，特別是涉及一種應用於半導體工廠、封裝廠、平面顯示器工廠、太陽能板工廠、印刷電路板(Printed Circuit Board，PCB)工廠、光罩工廠或LED組裝廠的缺陷診斷方法。
一般而言，在工廠內生產、製造積體電路(Integrated Circuit)，均是透過薄膜沉積、光罩、半導體微影術、蝕刻…等工法而形成。在製造的過程中，由於設備本身的故障、管線漏氣、製程環境的粒子或設計佈局圖的問題，這些缺點均極易造成在製造過程裏使產品產生缺陷。這些缺陷大致可以區分為隨機性缺陷與系統性缺陷。無論該些缺陷的大小或型式為何，其均會大幅影響產品的良率(yield)，進而導致生產成本的提昇。在生產工廠的實務運作裏，以即時(real-time)的缺陷及影像圖形量測的數據分析方法，是增進良率的重要方法，亦是本創新的核心部份。
首先，我們可利用自動缺陷分類資料、致命缺陷良率資料、及工廠生產線資料、SEM及光學顯微鏡的影像圖形輪廓量測數據(該光學影像的偵測、量測方法，已揭露在美國專利12/318，974號專利案中)、及晶片測試資料(Chip probe，Cp)，來執行缺陷資料參數分析(data mining)，分析將會造成缺陷良率損失的各個缺陷起因。然而，因為現有缺陷分析數據的不足，所以導致目前的人工缺陷影像的檢測方式並無法自動性地達到資料參數分析(data mining)的 功能。故，若能針對工廠的生產線資料(例如缺陷的關鍵尺寸、厚度、批號歷史、設備操作歷史、錯誤檢測與分類(Fault Detection and Classification，FDC)數據…等)、百分百地自動缺陷分類資料、致命缺陷良率、Cp測試資料、光學影像/顯微影像圖形輪廓量測分析資料，進行缺陷資料參數分析(data mining)將會是解決缺陷良率的創新且快速的方法。
再者，人們也希望可以藉由整合所有層次的缺陷良率的預測及產品的生產製造數據(Work-in-Process，WIP)資料，而不僅即時(real-time)地提供製造工廠其晶圓產出數據，亦提供良好晶粒的產出預測值。
此外，橫跨多個批號的高失敗頻率累積的缺陷佈局圖圖形分析，可藉由我們的”佈局圖屬性的缺陷複合式圖形群組”方法來達到。而且，缺陷圖形的資料庫收集這些高失敗頻率累積的缺陷佈局圖圖形，提供給DFM(Design-for-manufacturing)檢測而改進良率。
最後，佈局圖、半導體微影術模擬(例如光學鄰近效應修正法(Optical Proximity Correction，OPC))的分析法是利用和工廠的影像圖的影像圖形輪廓作複合式圖形比對重疊(matching)；這種圖形輪廓量測資料通常是用以和佈局圖圖形規格作檢測而逮出系統性缺陷圖形及製程性缺陷圖形。進一步說，缺陷佈局圖圖形可以是由缺陷影像圖形對應至佈局圖圖形找到，或是在圖像資料庫系統(Graphic Database System，GDS)、公開存取同時資訊系統(Open Access Same-time Information System，OASIS)的預先擷取佈局圖圖形中形成。然後，這些系統性缺陷與製程性缺陷的佈局圖圖形才被儲存在缺陷圖形資料庫裏，用以作為良 率改善或DFM(Design-for-manufacturing)檢測之用。
因此，基於上述多種技術層面上的考量，如何克服上述諸多限制，用以提昇並改善製造工廠的量產效率，是本領域具有通常知識者努力的目標。
本發明主要目的在於近乎即時地(real-time)監控工廠的製程，並針對缺陷良率進行除錯(debug)動作；特別是應用缺陷資料參數分析(data mining)於自動缺陷分類資料、缺陷良率資料、影像量測資料、工廠生產線資料，來迅速偵錯缺陷良率損失或製程window。
本發明另一目的在於方便地由缺陷影像圖形量測分析而辨別出異常的缺陷圖形；利用複合式缺陷影像圖形、佈局圖圖形、半導體微影術模擬圖形多邊圖的量測資料與圖形規格之差異，用以辨別出系統性缺陷圖形及製程性缺陷圖形。該影像圖形量測分析系統可以自動地診斷出異常缺陷圖形，而非人工分析方法，因為人工分析僅能抽檢，靠運氣成份居多。
本發明又一目的，在於整合缺陷良率預測資料及生產製造數據(Work-in-Process，WIP)資料，用以即時地(real-time)提供製造工廠其良好晶粒的產出預測值。此外，高失敗頻率缺陷的佈局圖圖形分析使用佈局圖圖形群組(Layout Pattern Group，LPG)屬性的缺陷複合圖形分析來找出製程中出現的重要致命缺陷(killer defect)之圖形；至目前為止，無人能用佈局圖圖形群組分析系統化逮出系統性的失敗缺陷圖形，而是由實體的失敗晶粒或封裝中作物理性 失敗分析找出失敗的原因。
為達上述及其他目的，本發明揭露一種智慧型缺陷診斷方法，其係使用於一製造工廠，該方法包括：步驟A10：接收至少一缺陷檢測儀器所產生的多個缺陷資料，接收一輪廓設計系統產生的多個設計佈局圖，以及接收該製造工廠所產生的多個製造資料；步驟B10：藉由一缺陷分析系統分析該缺陷資料、設計佈局圖及該製造資料，其中，該分析步驟B10更進一步包括下列子步驟：步驟B101：先分割完整晶片設計佈局圖成許多設計佈局圖單元，再將同樣圖形的設計佈局圖歸在一起，成為多個複合式圖形群組單元，用以構成一佈局圖圖形群組(Layout Pattern Group，LPG)單元屬性的圖形群組；步驟B102：引入該缺陷資料；步驟B1025：將各個缺陷的影像分割成多個缺陷及多個圖形輪廓；步驟B103：將所有這些缺陷資料一一對應疊合至每一個缺陷坐標所對應的佈局圖圖形群組單元，用以形成一佈局圖圖形群組屬性的缺陷複合式圖形群組，以及辯識出高失敗頻率的缺陷佈局圖圖形；步驟B1035：對影像圖形輪廓與設計佈局圖施以座標轉換及圖形比對重疊，用以校正其座標；步驟B104：對該缺陷輪廓、圖形輪廓或設計佈局圖多邊圖形執行關鍵區域分析(Critical Area Analysis，CAA)，用以得到一相對應的缺陷良率；步驟B105：透過缺陷影像分類分析而對該缺陷資料的缺陷種類區分類別。
如上所述的智慧型缺陷診斷方法，其中，該智慧型缺陷診斷方法更包括步驟C10：由製造資料、自動缺陷良率資料與自動缺陷分類資料中施以資料參數分析(data mining)。此外，該缺陷資料參數分析步驟更包括下列子步驟：步驟C101：聚集該製造資料；步驟C102：將自動缺陷良率、自動缺陷分類資料與該製造資料建立關聯；步驟C103：建立一缺陷資料參數分析方程式，其中，該缺陷資料參數分析方程式包括有設備或生產腔模式、產品模式、工廠生產線資料模式(fab in-line)、錯誤檢測與分類模式(Fault Detection and Classification，FDC)或黃金路徑模式。
如上所述的智慧型缺陷診斷方法，其中，該智慧型缺陷診斷方法更包括步驟C20：收集多個批號所累積的缺陷資料，並完成一佈局圖圖形群組(LPG)屬性的缺陷複合佈局圖圖形群組；步驟D20：取得至少一高失敗頻率的缺陷佈局圖圖形。
如上所述的智慧型缺陷診斷方法，其中，該智慧型缺陷診斷方法更包括步驟C30：重新取得一製造資料、一自動缺陷良率資料及一自動缺陷分類資料；步驟D30：得到良好晶粒的至少一數量預測值。
如上所述的智慧型缺陷診斷方法，其中，該智慧型缺陷診斷方法更包括步驟C50：完成一圖形量測分析，用以產生並量測該缺陷的圖形輪廓、缺陷輪廓，並得到一缺陷的熱點圖形；步驟D50：整合影像圖形輪廓與缺陷輪廓，並創造一完整晶片的製造輪廓圖形瀏覽器。在此，該步驟C50之圖形量測分析步驟更包括下列子步驟：步驟C501：產生一缺陷影像圖形輪廓，並得到一佈局圖圖形多邊圖或一模擬圖形多邊圖；步驟C502：針對該缺陷影像圖形輪廓、佈局圖圖形多邊圖或該模擬圖形多邊圖而執行圖形比對重疊；步驟C503：將該缺陷影像圖形輪廓、佈局圖圖形多 邊圖或該模擬圖形多邊圖累積並疊置；步驟C504：藉由影像圖形量測與由影像尺寸單位辨識分析得來的量尺，量測該圖形輪廓與該圖形多邊圖的大小尺寸；步驟C505：引入至少一圖形規格，並設定該圖形規格的容許誤差值；步驟C506：檢查該多邊圖的寬度、間距或形狀與該圖形規格的差異，用以逮出該缺陷的熱點圖形；步驟C507：當該輪廓量測資料超過該圖形規格的公差值時，則辯識出特定缺陷的熱點圖形。該步驟D50之輪廓圖形瀏覽器的創造步驟更包括下列子步驟：步驟D501：取得多個缺陷影像檔；步驟D502：透過影像特徵分割與輪廓軌跡描圖而產生多個缺陷影像圖形及多個缺陷輪廓；步驟D503：透過缺陷影像圖形輪廓與設計佈局圖多邊圖的圖形比對重疊而校正該缺陷坐標轉換至該設計佈局圖的座標；步驟D504：產生一完整晶片框架，其x、y軸方向之大小尺寸和該完整晶片設計佈局圖的x、y軸方向之大小尺寸一致；步驟D505：將已校正座標之缺陷影像圖形輪廓及缺陷輪廓上傳至該完整晶片的框架；步驟D506：藉由該完整晶片的製造輪廓圖形瀏覽器來重新檢視該製造圖形輪廓與該缺陷輪廓。
如上所述的智慧型缺陷診斷方法，其中，該步驟D50之輪廓圖形瀏覽器的創造步驟更包括下列子步驟：步驟D50a：對於一產品，產生一空白完整晶片框架，其x、y軸方向之大小尺寸和一完整晶片設計佈局圖的x、y軸方向大小尺寸一致；步驟D50b：透過影像圖形分割及輪廓軌跡描圖而轉換多個影像成為多個圖形輪廓，並取得多個佈局圖多邊圖，並執行缺陷影像圖形輪廓、佈局圖圖形多邊圖或模擬圖形多邊圖的圖形比對重疊；步驟D50c：得到該完 整晶片框架之影像圖形輪廓或缺陷輪廓的座標校正值、晶圓、缺陷、佈局圖圖形群組(LPG)及該尺寸規格的資訊；步驟D50d：上傳每一產品的影像圖形輪廓及缺陷輪廓至該完整晶片框架，使其在該完整晶片框架內具有正確的座標及晶圓、缺陷、佈局圖圖形群組(LPG)及該尺寸單位的資訊；步驟D50e：依照晶圓資料層級、設備、光罩、量測值、製程或光學鄰近效應修正(Optical Proximity Correction，OPC)的資訊，而將每一產品的完整晶片框架的影像圖形輪廓及缺陷輪廓進行排序；步驟D50f：依照圖示模式設備、缺陷分類、尺寸大小、熱點、佈局圖圖形群組及量測值的資訊，而將每一產品的完整晶片框架的影像圖形輪廓及缺陷輪廓進行排序；步驟D50g：產生該影像圖形輪廓的放大、縮小功能及完整晶片瀏覽器的功能；步驟D50h：由影像圖尺寸單位辨識產生一量尺(scale ruler)，用以疊合至一完整晶片製造輪廓圖形瀏覽器；步驟D50i：整合每一產品之完整晶片框架的影像圖形輪廓及缺陷輪廓，用以方便該缺陷的檢視及量測。
本發明提供另一種智慧型缺陷診斷方法，其係使用於一製造工廠，該方法包括：步驟A10：接收至少一缺陷檢測儀器所產生的多個缺陷資料，接收一輪廓設計系統產生的多個設計佈局圖，以及接收該製造工廠所產生的多個製造資料；步驟B20：藉由一缺陷分析系統分析該缺陷資料、設計佈局圖及該製造資料；步驟C40：比較佈局圖多邊圖的尺寸與缺陷資料的圖形輪廓；步驟D40：在該佈局圖多邊圖的尺寸上定義一容許誤差值；步驟E40：當該缺陷資料的圖形輪廓尺寸超過該容許誤差值時，取得至少一熱 點圖形。
如上所述的智慧型缺陷診斷方法，其中，該分析步驟B20更包括下列子步驟：步驟B201：透過影像圖形分割及輪廓軌跡描圖，而將一顯微裝置所拍攝的多個影像轉換成多個圖形輪廓，並取得多個佈局圖多邊圖；步驟B202：藉由像素(pixel)尺寸或像素值，而量測該圖形輪廓的尺寸與該佈局圖多邊圖的尺寸。
藉此，本發明所述的智慧型缺陷診斷方法可以快速地監控工廠生產狀況，並針對缺陷良率作出正確的除錯。還有，該缺陷影像圖形量測的分析方式可用以辨認系統性缺陷圖形及製程性缺陷圖形。當然，本發明的方法還可以檢測複合式缺陷影像圖形的量測資料、佈局圖圖形的量測資料及半導體微影術模擬圖形多邊圖的量測資料，並檢查是不是與圖形規格相符。再者，本發明整合了缺陷良率預測資料及生產製造數據(Work-in-Process，WIP)資料，用以即時地(real-time)提供製造工廠其良好晶粒的產出預測值，高失敗頻率缺陷的佈局圖圖形分析利用佈局圖圖形群組(Layout Pattern Group，LPG)屬性的缺陷複合式圖形分析來找出製程中出現的重要致命缺陷(killer defect)之圖形。最後，本發明更藉由影像圖形量測分析的功能，而可用以發揮缺陷圖形瀏覽器(viewer)的強大資料庫功能，其完整晶片的製造輪廓圖形瀏覽器更可用以即時地(real-time)提供設計佈局圖所需要的分析功能。
為使能更進一步瞭解本發明之特徵及技術內容，請參閱以下有關本發明之詳細說明與附圖，然而所附圖式僅提供參考與說明用，並非用來對本發明加以限制者。為使能 更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與附圖，然而所附圖式僅提供參考與說明用，並非用來對本發明加以限制。
在半導體工廠、平面顯示器工廠、太陽能板工廠、印刷電路板(Printed Circuit Board，PCB)工廠、光罩工廠或LED(Light Emitted Diode，LED)組裝廠裏，一般均需要致力於產品缺陷的檢測與分析。由於製造過程上的缺失、不佳的管控、甚至儀器設備或技術上的瓶頸所造成的原因，有時在電子產品製程的過程裏這些缺失的產生是無可避免的。請參閱圖3A，一工廠90內會包括有一工廠儲存單元91、一工廠缺陷檢測儀器92及一儲存恢復單元93，其目的即在於降低工廠生產電子產品時所產生的實質性缺陷。工廠90內的工廠缺陷檢測儀器92及工廠儲存單元91係與該儲存恢復單元93相連接，並用以求得並儲存多筆缺陷資料(defect data)，以便於進一步地將該些缺陷資料連接至一缺陷分析系統94。當缺陷分析系統94完成多筆缺陷資料的分析後，其產生的各種有用的數據即可被收集後送至客戶1、客戶2或客戶3。一般而言，該缺陷資料可以是掃描的資料、掃描式電子顯微鏡(Scanning Electron Microscope，SEM)的影像、電子束(E-beam)影像、光學影像、缺陷形狀、缺陷外形、缺陷的輪廓資訊(例如尺寸、寬度、大小、座標或輪廓…等)、熱點位置或熱點大小。該些缺陷資料可藉由工廠缺陷檢測儀器92取得，該工廠缺陷檢測儀器92例如可以是顯微設備、SEM檢測器、E-beam 檢測器、光學檢測器、缺陷掃描儀或照相機等。
通常在電子產品製造前，會利用至少一設計佈局圖來設計產品的構形、輪廓；該設計佈局圖可以是佈局圖多邊圖、佈局圖形狀、佈局圖外觀、佈局圖尺寸、佈局圖輪廓、佈局圖座標、佈局圖圖層、文字標示或大小；因此一般而言，該設計佈局圖的格式(format)可以是圖像資料庫系統(Graphic Database System，GDS)格式、GDS-II格式或公開存取同時資訊系統(Open Access Same-time Information System，OASIS)格式。其中，OASIS格式一般係由半導體微影術模擬或電腦輔助設計(Computer Aided Design，CAD)儀器的輪廓設計系統/資料庫所產生。通常，工廠在生產半導體或IC(Integrated Circuit)晶片時多採用IC設計公司以CAD的軟體來製作GDS格式或GDS-II格式的檔案，如此才可在IC設計的相關應用裏達到通用、具可交換格式的目的。當隨著半導體設備的尺寸大幅縮小時，由於物理極限、製程瓶頸所產生的系統性圖形缺陷也越來越明顯。因此針對解決缺陷良率，用以分析高失敗頻率的缺陷設計圖形、以及一完整晶片的製造輪廓圖形瀏覽器(viewer)，此新方法提供的解決方案是傳統缺陷分析方法所不能達成的。
以下，本發明揭露一種使用於製造工廠的智慧型缺陷診斷方法，該智慧型缺陷診斷方法利用影像圖形資料、量測資料(例如圖形輪廓、佈局圖多邊圖)及工廠生產線製造資料，來提供晶圓(wafer)缺陷的即時分析(real-time analysis)。再者，本發明的智慧型缺陷診斷方法還可應用缺陷資料參數分析(data mining)，偵測高失敗頻率的缺陷佈局 圖圖形、偵測系統性或製程性的缺陷影像圖形，並預測生產過程中的良好晶粒產出預測值，來進行缺陷良率除錯。換句話說，如圖3A、圖3B所示的客戶1、客戶2、客戶3即可以最佳的效率、最少的時間來管理工廠90內的缺陷良率。
請參閱圖1A，本發明使用於電子產品之生產製造工廠90的智慧型缺陷診斷方法，其包括下列步驟，首先，接收至少一工廠缺陷檢測儀器92所產生的多個缺陷資料，接收一輪廓設計系統產生的多個設計佈局圖，以及接收該製造工廠90所產生的多個製造資料(步驟A10)；其中，該製造資料可以是生產製造數據(Work-in-Process，WIP)資料、工廠MES系統(Manufacturing Execution System)的線上資料，或是工廠90內電腦系統所收集的操作資料；該製造資料一般包括某一晶圓的產品資訊或製造狀態。
然後，藉由一缺陷分析系統分析該缺陷資料、設計佈局圖及該製造資料(步驟B10)。在此，如圖1B所示，該分析步驟B10更進一步包括下列子步驟：先分割完整晶片設計佈局圖成許多設計佈局圖單元，再將同樣圖形的設計佈局圖歸在一起，成為多個複合式圖形群組單元，用以構成一佈局圖圖形群組(Layout Pattern Group，LPG)單元屬性的圖形群組(步驟B101)；引入該缺陷資料(步驟B102)；將各個缺陷的影像分割成多個缺陷及多個圖形輪廓(步驟B1025)；將所有這些缺陷資料一一對應疊合至每一個缺陷坐標所對應的佈局圖圖形群組單元，用以形成一佈局圖圖形群組屬性的缺陷複合式圖形群組，以及辯識出高失敗頻率的缺陷佈局圖圖形(步驟B103)；對影像圖形輪廓與設計 佈局圖施以座標轉換及圖形比對重疊，用以校正其座標(步驟B1035)；對該缺陷輪廓、圖形輪廓或設計佈局圖多邊圖形執行關鍵區域分析(Critical Area Analysis，CAA)，用以得到一相對應的缺陷良率(步驟B104)；透過缺陷影像分類分析而對該缺陷資料的缺陷種類區分類別(步驟B105)。
接下來，步驟C10：由製造資料、自動缺陷良率資料與自動缺陷分類資料中施以資料參數分析(data mining)。詳細來說，如圖1C所示，本發明第一實施例的資料參數分析步驟C10更包括下列子步驟：聚集該製造資料(步驟C101)；將100%的自動缺陷良率、100%的自動缺陷分類資料與該製造資料建立關聯(步驟C102)；建立一缺陷資料參數分析方程式，其中，該缺陷資料參數分析方程式包括有設備或生產腔模式(Equipment/chamber mode)、產品模式、工廠生產線資料模式(fab in-line)、錯誤檢測與分類模式(Fault Detection and Classification，FDC)或黃金路徑模式(步驟C103)。在此，步驟C10的資料參數分析目的在於使工廠90可以隨時隨地找出製程中即時的缺陷失敗原因，但晶片測試良率資料Cp(Chip probe，Cp)與產品測試資料參數分析，必須等到完成半導體製程出貨後，才能開始分析良率失敗原因。此一功能可以大幅節省良率損失，並提早數週或數個月地解決生產線上可能產生的問題。另外，設備及生產腔模式缺陷資料參數分析使用共通性統計方法找出特定異常機台。產品模式缺陷資料參數分析使用共通性的統計分析及高失敗頻率的缺陷圖形分析，來檢索特定產品的缺陷佈局圖圖形。工廠生產線資料參數分析則是利用SPC(Statistical Process Control/統計製程控制)及統計分 析來找出好的缺陷良率的最合適製程生產線參數控制範圍。FDC模式的缺陷資料參數分析則是使用統計分析而得到對缺陷良率敏感的FDC參數，使用共通性統計方法檢索出對缺陷失敗特定的異常FDC參數。黃金路徑模式的缺陷資料參數分析則是使用統計分析來求得最好的設備組合狀態，用以取得最佳的產品良率。
再者，如圖1A所示，除了資料參數分析步驟C10之外，也可以執行步驟C20及步驟D20，其包括：收集多個批號所累積的缺陷資料，並執行一佈局圖圖形群組(LPG)屬性的缺陷複合式佈局圖圖形群組(步驟C20)；取得至少一高失敗頻率的缺陷佈局圖圖形(步驟D20)。在這些步驟中，每一產品內具有高失敗頻率的該些缺陷佈局圖圖形即可由多個批號(lot)中被逮出來。然後，在不同產品的設計佈局圖中較有弱點(weak)的缺陷佈局圖圖形即可被圖形比對重疊方法分析檢測出來。藉此，不同批號或不同產品的高出現率的失敗缺陷佈局圖圖形即可分類至缺陷圖形庫中；也因此我們可以得知，對於良率的改進而言，每一圖層的高失敗頻率缺陷佈局圖圖形都是非常關鍵的。
接下來，步驟C30及步驟D30也可接在步驟B10之後，其包括：重新取得一製造資料、一自動缺陷良率資料及一自動缺陷分類資料(步驟C30)；得到良好晶粒的至少一數量預測值(步驟D30)。在此，上述步驟的晶圓產品資訊除了包括產品批號數量及製程階段資料之外，還包括由製程中的多層次致命缺陷良率(killer defect yield)所得到的複合式缺陷良率的損失分析。還有，每個產品批號的良好晶粒產出量均可隨時被預估；其原因在於某特定數學方程式模型 的預估值可以產生較為正確的預測百分比。故上述步驟的目的即在於建立一高品質的良好晶粒產出量預測模型，即便在還未知的良率結果及良好晶粒產出結果之前，將此模型用於預測，能預測出良好晶粒產出量的準確率是愈高愈好。
最後，還有本發明的智慧型缺陷診斷方法也可以包括步驟C50及步驟D50；其包括：完成一圖形量測分析，用以產生並量測該缺陷影像圖的圖形輪廓、缺陷輪廓，並逮到一缺陷的熱點(hot spot)圖形(步驟C50)；整合所有影像圖形輪廓與缺陷輪廓並傳送至一完整晶片框架中，而創造一完整晶片的製造輪廓圖形瀏覽器，如同設計佈局圖瀏覽器一樣，作為一缺陷圖形及製造輪廓圖形的百科全書(步驟D50)。在此，如圖1D所示，為了完成步驟C50的分析程序，其還可以進一步地包括下列子步驟：產生一缺陷影像圖形輪廓，並得到一佈局圖圖形多邊圖或一模擬圖形多邊圖(步驟C501)；針對該缺陷影像圖形輪廓、佈局圖圖形多邊圖或該模擬圖形多邊圖而執行圖形比對重疊(步驟C502)；將該缺陷影像圖形輪廓、佈局圖圖形多邊圖或該模擬圖形多邊圖累積並疊置(步驟C503)；藉由影像圖形量測與影像尺寸單位辨識分析的量尺而量測該圖形輪廓與該圖形多邊圖的尺寸(步驟C504)；從全像尺寸單位、圖像量尺單位、影像檔案大小的光學字形辨識方法可得到該影像圖的尺寸單位，得到至少一圖形規格，並設定該圖形規格的容許誤差值(步驟C505)；檢查該多邊圖的寬度、間距或形狀與該圖形規格的差異，用以逮出該缺陷的熱點圖形(步驟C506)；當該輪廓量測資料超過該圖形規格的容許誤差值時 ，則辯識出特定缺陷的熱點圖形(步驟C507)。
藉此，如圖4所示，在一晶圓80中即可用以顯示至少一影像圖形輪廓82，並使該影像圖形輪廓82分割成多個圖形多邊圖84。從另一方面來說，多個理想的佈局圖圖形81即在輪廓設計系統/資料庫裏被模擬或產出。之後，佈局圖圖形81及影像圖形輪廓的圖形比對重疊即可被執行(如步驟C502所示)；多個缺陷影像圖形輪廓、佈局圖多邊圖及模擬圖形多邊圖即可被加總地累積並疊置(如步驟C503所示)；然後藉由影像尺寸單位辨識分析的量尺量測該影像圖的圖形輪廓與該圖形多邊圖的尺寸(如步驟C504所示)，使用者並制定圖形規格的容許誤差(如步驟C505所示)。在圖形比對重疊之後，該些超過預先定義的容許誤差的熱點圖形即可藉由圖形多邊圖、圖形輪廓、圖形長度、圖形間距、圖形外觀與圖形規格的差異，而被輕易地找出來(如步驟C506~C507所示)。一般而言，該熱點圖形即是晶圓裏常見的缺陷。
當然，如圖1E所示，步驟D50的圖形輪廓瀏覽器之創造步驟也可以進一步地包括下列子步驟：取得多個缺陷影像檔(步驟D501)；透過影像特徵分割與輪廓軌跡描圖而產生多個缺陷影像圖形及多個缺陷輪廓(步驟D502)；透過缺陷影像圖形輪廓與設計佈局圖多邊圖的圖形比對重疊而校正該缺陷坐標轉換至該設計佈局圖的座標(步驟D503)；產生一完整晶片框架，其x、y軸方向之大小尺寸和該完整晶片設計佈局圖的x、y軸方向之大小尺寸一致(步驟D504)；將已校正座標之缺陷影像圖形輪廓及缺陷輪廓上傳至該完整晶片的框架(步驟D505)；藉由該完整晶片的製造輪廓 圖形瀏覽器來重新檢視該製造圖形輪廓與該缺陷輪廓(步驟D506)。
如此一來，步驟C50分析結果應用步驟D50的輪廓圖形瀏覽器之設置，即整合完整晶片的框架正確地對應至x、y座標或x、y座標校正(如步驟D503~D504所示)，使該影像圖形的量測可以用像素尺寸(pixel scale)及像素值(pixel value)表示。然後，該上傳及對應的資料即可讓客戶1、客戶2、客戶3方便地瀏覽或監控。在較佳實施例中，該完整晶片的製造輪廓圖形瀏覽器可以是累積圖形的瀏覽器或缺陷輪廓的瀏覽器；且，所有缺陷影像圖形輪廓及缺陷輪廓均可被整合至該製造輪廓圖形瀏覽器。
另外，在其他實施例中，如圖1F所示，該步驟D50的輪廓圖形瀏覽器的創造步驟也可以包括下列子步驟：對於一產品，產生一空白完整晶片框架，其x、y軸方向之大小尺寸和一完整晶片設計佈局圖的x、y軸方向大小尺寸一致(步驟D50a)；透過影像圖形分割及輪廓軌跡描圖而轉換多個影像成為多個圖形輪廓，並取得多個佈局圖多邊圖，並執行缺陷影像圖形輪廓、佈局圖圖形多邊圖或模擬圖形多邊圖的圖形比對重疊(步驟D50b)；執行該完整晶片框架之影像圖形輪廓或缺陷輪廓，獲得座標校正值、晶圓、缺陷、佈局圖圖形群組(LPG)及該尺寸規格的資訊(步驟D50c)；上傳每一產品的影像圖形輪廓及缺陷輪廓至該完整晶片框架，使其在該完整晶片框架內具有正確的座標及晶圓、缺陷、佈局圖圖形群組(LPG)及該尺寸規格的資訊(步驟D50d)；依照晶圓資料層級、設備、光罩、量測值、製程或光學鄰近效應修正(Optical Proximity Correction，OPC)的資 訊，而將每一產品的完整晶片框架的影像圖形輪廓及缺陷輪廓進行排序(步驟D50e)；依照圖示模式設備、缺陷分類、尺寸大小、熱點、佈局圖圖形群組及量測值的資訊，而將每一產品的完整晶片框架的影像圖形輪廓及缺陷輪廓進行排序(步驟D50f)；產生該影像圖形輪廓的放大、縮小功能及完整晶片瀏覽器的功能(步驟D50g)；由影像尺寸單位辨識方法產生一量尺(scale ruler)，用以疊合至一完整晶片製造輪廓圖形瀏覽器(步驟D50h)；整合每一產品之完整晶片框架的影像圖形輪廓及缺陷輪廓，用以方便該缺陷的檢視及量測(步驟D50i)。藉此，本實施例亦可達到前述圖形瀏覽器的LPG與量測資料之優點。
此外，本發明的智慧型診斷方法也可以有其他實施例。請參閱圖2A，圖2A所繪示為本發明第二實施例之智慧型缺陷診斷方法的流程示意圖。如圖2A所示，本發明第二實施例的智慧型診斷方法包括下列步驟：接收至少一工廠缺陷檢測儀器所產生的多個缺陷資料，接收一輪廓設計系統產生的多個設計佈局圖，以及接收該製造工廠所產生的多個製造資料(步驟A10)；藉由一缺陷分析系統分析該缺陷資料、設計佈局圖及該製造資料(步驟B20)；產生缺陷影像圖的各個圖形輪廓，比較佈局圖多邊圖的尺寸與缺陷資料的圖形輪廓尺寸(步驟C40)；在該佈局圖多邊圖的尺寸上定義一容許誤差值(步驟D40)；當該缺陷資料的圖形輪廓尺寸超過該容許誤差值時，取得至少一熱點圖形(步驟E40)。
在圖2A實施例中，步驟A10係與第一實施例(即圖1A)的步驟A10完全相同；再者，步驟B20的分析步驟雖然與 圖1A的步驟B10相同，但，本實施例的步驟B20之子步驟卻與第一實施例不同。如圖2B所示，本實施例之步驟B20之子步驟為：透過影像圖形分割及輪廓軌跡描圖，而將一顯微裝置所拍攝的多個影像圖轉換成多個圖形輪廓，另外取得多個佈局圖多邊圖(步驟B201)；藉由像素(pixel)尺寸或像素值，量測該圖形輪廓的尺寸與該佈局圖多邊圖的尺寸(步驟B202)。
如上所述，當步驟B20完成後，接下來是步驟C40、步驟D40、步驟E40。在此，該缺陷影像的圖形輪廓可能漂離原先的設定目標圖形，因此，工廠90必須調整製程狀況，用以調回至原來的圖形輪廓，並使該製程狀況符合圖形規格及容許誤差。要不然，當該影像圖形輪廓的尺寸超過圖形規格的容許誤差時，缺陷熱點圖形即可被逮出。
藉由執行上述步驟，本發明即可快速地偵測、並針對工廠90內產品的缺陷良率進行除錯(debug)動作。此外，缺陷影像圖形量測分析(即檢查複合式缺陷影像圖形、佈局圖圖形、半導體微影術模擬圖形多邊圖的量測值是不是合乎圖形規格的量測)即可方便、迅速地達到。進而，系統性缺陷圖形或製程性缺陷圖形的辨識工作也較為容易。還有，應用整合缺陷良率預測資料及生產製造數據(Work-in-Process，WIP)資料，來即時地(real-time)提供製造工廠其良好晶粒的產出預測值，也可輕易地達到。另外，藉由佈局圖圖形群組(Layout Pattern Group，LPG)屬性的缺陷複合式圖形群組之分析，也可使工廠90輕易地偵測、找出製程中常見的致命缺陷(killer defect)之圖形。
再來，本發明也可應用至圖3B所示的工廠90；如圖 3B所示，該工廠儲存單元91及工廠缺陷檢測儀器92可以直接地輸入製造資料至缺陷分析系統94，用以讓客戶1、客戶2、客戶3方便地使用與偵測。
本發明以實施例說明如上，然其並非用以限定本發明所主張之專利權利範圍。其專利保護範圍當視後附之申請專利範圍及其等同領域而定。凡本領域具有通常知識者，在不脫離本專利精神或範圍內，所作之更動或潤飾，均屬於本發明所揭示精神下所完成之等效改變或設計，且應包含在下述之申請專利範圍內。
80‧‧‧晶圓
81‧‧‧佈局圖圖形
82‧‧‧影像圖形輪廓
84‧‧‧圖形多邊圖
90‧‧‧工廠
91‧‧‧工廠儲存單元
92‧‧‧工廠缺陷檢測儀器
93‧‧‧儲存恢復單元
94‧‧‧缺陷分析系統
圖1A所繪示為本發明第一實施例之智慧型缺陷診斷方法的流程示意圖。
圖1B所繪示為本發明第一實施例的分析步驟B10之子步驟流程。
圖1C所繪示為本發明第一實施例的缺陷資料參數分析步驟C10之子步驟流程。
圖1D所繪示為本發明第一實施例的執行步驟C50之子步驟流程。
圖1E所繪示為本發明第一實施例的產生及上傳步驟D50之子步驟流程。
圖1F所繪示為本發明另一狀況之產生及上傳步驟D50之子步驟流程。
圖2A所繪示為本發明第二實施例之智慧型缺陷診斷方法的流程示意圖。
圖2B所繪示為本發明第二實施例的分析步驟B20之 子步驟流程。
圖3A所繪示為工廠的缺陷分析系統之示意圖。
圖3B所繪示為工廠的另一缺陷分析系統之示意圖。
圖4所繪示本發明執行量測分析步驟C50的示意圖。

Claims (11)

  1. 一種智慧型缺陷診斷方法，其係使用於一製造工廠，該方法包括：步驟A10：接收至少一缺陷檢測儀器所產生的多個缺陷資料，接收一輪廓設計系統產生的多個設計佈局圖，以及接收該製造工廠所產生的多個製造資料；步驟B10：藉由一缺陷分析系統分析該缺陷資料、設計佈局圖及該製造資料，其中，該分析步驟更進一步包括下列子步驟：步驟B101：先分割完整晶片設計佈局圖成許多設計佈局圖單元，再將同樣圖形的設計佈局圖歸在一起，成為多個複合式圖形群組單元，用以構成一佈局圖圖形群組(Layout Pattern Group，LPG)單元屬性的圖形群組；步驟B102：引入該缺陷資料；步驟B1025：將該缺陷的影像分割成多個缺陷及多個圖形輪廓；步驟B103：將該些缺陷資料疊合至每一複圖形群組單元，用以形成一佈局圖圖形群組屬性的缺陷複合式圖形群組，以及辯識出高失敗頻率的缺陷佈局圖圖形；步驟B1035：對影像圖形輪廓與設計佈局圖施以座標轉換及圖形比對重疊，用以校正其座標；步驟B104：對該缺陷輪廓、圖形輪廓或設計佈局圖多邊圖執行關鍵區域分析(Critical Area Analysis，CAA)，用以得到一相對應的缺陷良率；步驟B105：透過缺陷影像分類分析而對該缺陷資料的缺陷種類區分類別。
  2. 如申請專利範圍第1項所述的智慧型缺陷診斷方法，其中，該方法更包括下列步驟：步驟C10：由製造資料、自動缺陷良率資料與自動缺陷分類資料中施以資料參數分析(data mining)。
  3. 如申請專利範圍第2項所述的智慧型缺陷診斷方法，其中，該缺陷資料參數分析步驟更包括下列子步驟：步驟C101：聚集該製造資料；步驟C102：將自動缺陷良率、自動缺陷分類資料與該製造資料建立關聯；步驟C103：建立一缺陷資料參數分析方程式，其中，該缺陷資料參數分析方程式包括有設備或生產腔模式、產品模式、工廠線上資料模式(fab in-line)、錯誤檢測與分類模式(Fault Detection and Classification，FDC)或黃金路徑模式。
  4. 如申請專利範圍第1項所述的智慧型缺陷診斷方法，其中，該方法更包括下列步驟：步驟C20：收集多個批號所累積的缺陷資料，並完成一佈局圖圖形群組(LPG)屬性的缺陷複合佈局圖圖形群組；步驟D20：取得至少一高失敗頻率的缺陷佈局圖圖形。
  5. 如申請專利範圍第1項所述的智慧型缺陷診斷方法，其中，該方法更包括下列步驟：步驟C30：重新取得一製造資料、一自動缺陷良率資料及一自動缺陷分類資料；步驟D30：得到良好晶粒的至少一產出預測值。
  6. 如申請專利範圍第1項所述的智慧型缺陷診斷方法 ，其中，該方法更包括下列步驟：步驟C50：完成一圖形量測分析，用以產生並量測該缺陷影像圖的圖形輪廓、缺陷輪廓，並得到一缺陷的熱點圖形；步驟D50：整合影像圖形輪廓與缺陷輪廓，並創造一完整晶片的製造輪廓圖形瀏覽器。
  7. 如申請專利範圍第6項所述的智慧型缺陷診斷方法，其中，該圖形量測分析步驟更包括下列子步驟：步驟C501：產生一缺陷影像圖形輪廓，並得到一佈局圖圖形多邊圖或一模擬圖形多邊圖；步驟C502：針對該缺陷影像圖形輪廓、佈局圖圖形多邊圖或該模擬圖形多邊圖而執行圖形比對重疊；步驟C503：將該缺陷影像圖形輪廓、佈局圖圖形多邊圖或該模擬圖形多邊圖累積並疊置；步驟C504：藉由影像圖形量測與由影像尺寸單位辨識分析得來的量尺，量測該圖形輪廓與該圖形多邊圖的大小尺寸；步驟C505：引入至少一圖形規格，並設定該圖形規格的容許誤差值；步驟C506：檢查該多邊圖的寬度、間距或形狀是不是合乎與圖形規格的容許誤差，用以逮出該缺陷的熱點圖形；步驟C507：當該輪廓量測資料超過該圖形規格的公差值時，則辯識出特定缺陷的熱點圖形。
  8. 如申請專利範圍第6項所述的智慧型缺陷診斷方法，其中，該輪廓圖形瀏覽器的創造步驟更包括下列子步驟 ：步驟D501：取得多個缺陷影像檔；步驟D502：透過影像特徵分割與輪廓軌跡描圖而產生多個缺陷影像圖形及多個缺陷輪廓；步驟D503：透過缺陷影像圖形輪廓與設計佈局圖多邊圖的圖形比對重疊而校正該缺陷對應至該設計佈局圖的正確座標；步驟D504：產生一完整晶片框架，其x、y軸方向之大小尺寸和該完整晶片設計佈局圖的x、y軸方向之大小尺寸一致；步驟D505：將已校正座標之缺陷影像圖形輪廓及缺陷輪廓上傳至該完整晶片的框架；步驟D506：藉由該完整晶片的製造輪廓圖形瀏覽器來重新檢視該製造圖形輪廓與該缺陷輪廓。
  9. 如申請專利範圍第6項所述的智慧型缺陷診斷方法，其中，該輪廓圖形瀏覽器的設置步驟更包括下列子步驟：步驟D50a：對於一產品，產生一空白完整晶片框架，其x、y軸方向之大小尺寸和一完整晶片設計佈局圖的x、y軸方向大小尺寸一致；步驟D50b：透過影像圖形分割及輪廓軌跡描圖而轉換多個影像成為多個圖形輪廓，並取得多個佈局圖多邊圖，並執行缺陷影像圖形輪廓、佈局圖圖形多邊圖或模擬圖形多邊圖的圖形比對重疊；步驟D50c：得到該完整晶片框架之影像圖形輪廓或缺陷輪廓的座標校正值、晶圓、缺陷、佈局圖圖形群組(LPG) 及該尺寸規格的資訊；步驟D50d：上傳每一產品的影像圖形輪廓及缺陷輪廓至該完整晶片框架，這些輪廓在完整晶片框架上均具有正確的座標及晶圓、缺陷、佈局圖圖形群組(LPG)及該尺寸規格的資訊；步驟D50e：依照晶圓資料層級、設備、光罩、量測值、製程或光學鄰近效應修正(Optical Proximity Correction，OPC)的資訊，而將每一產品的完整晶片框架的影像圖形輪廓及缺陷輪廓進行排序；步驟D50f：依照圖示模式設備、缺陷分類、尺寸大小、熱點、佈局圖圖形群組及量測值的資訊，而將每一產品的完整晶片框架的影像圖形輪廓及缺陷輪廓進行排序；步驟D50g：產生該影像圖形輪廓的放大、縮小功能及完整晶片瀏覽器的功能；步驟D50h：產生一量尺(scale ruler)，用以疊合至一完整晶片製造輪廓圖形瀏覽器；步驟D50i：整合每一產品之完整晶片框架的影像圖形輪廓及缺陷輪廓，用以方便該缺陷的檢視及量測。
  10. 一種智慧型缺陷診斷方法，其係使用於一製造工廠，該方法包括：步驟A10：接收至少一缺陷檢測儀器所產生的多個缺陷資料，接收一輪廓設計系統產生的多個設計佈局圖，以及接收該製造工廠所產生的多個製造資料；步驟B20：藉由一缺陷分析系統分析該缺陷資料、設計佈局圖及該製造資料；步驟C40：比較佈局圖多邊圖的尺寸與缺陷資料的圖 形輪廓尺寸；步驟D40：在該佈局圖多邊圖的尺寸上定義一容許誤差值；步驟E40：當該缺陷資料的圖形輪廓尺寸超過該容許誤差值時，取得至少一熱點圖形。
  11. 如申請專利範圍第10項所述的智慧型缺陷診斷方法，其中，該分析步驟更包括下列子步驟：步驟B201：透過影像圖形分割及輪廓軌跡描圖，而將一顯微裝置所拍攝的多個影像轉換成多個圖形輪廓，並取得多個佈局圖多邊圖；步驟B202：藉由像素(pixel)尺寸或像素值，而量測該圖形輪廓的尺寸與該佈局圖多邊圖的尺寸。
TW101149507A 2011-12-28 2012-12-24 智慧型缺陷診斷方法 TWI498853B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US13/338,331 US8607169B2 (en) 2011-12-28 2011-12-28 Intelligent defect diagnosis method

Publications (2)

Publication Number Publication Date
TW201329909A true TW201329909A (zh) 2013-07-16
TWI498853B TWI498853B (zh) 2015-09-01

Family

ID=48678440

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101149507A TWI498853B (zh) 2011-12-28 2012-12-24 智慧型缺陷診斷方法

Country Status (3)

Country Link
US (1) US8607169B2 (zh)
CN (1) CN103187343B (zh)
TW (1) TWI498853B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI502190B (zh) * 2014-01-28 2015-10-01 Macronix Int Co Ltd 量測與分析晶片或晶圓表面結構的方法與黃光曝光補值的方法
US9589086B2 (en) 2014-01-27 2017-03-07 Macronix International Co., Ltd. Method for measuring and analyzing surface structure of chip or wafer
TWI594067B (zh) * 2015-07-27 2017-08-01 達盟系統有限公司 在半導體製程的晶片設計佈局中發現未知問題圖案的系統與方法
TWI637250B (zh) * 2017-03-31 2018-10-01 林器弘 智慧加工調變系統及方法
TWI639908B (zh) * 2017-09-08 2018-11-01 中國鋼鐵股份有限公司 製程偵錯與診斷方法
TWI641960B (zh) * 2017-04-05 2018-11-21 敖翔科技股份有限公司 設計佈局的失效風險的智慧型預診斷系統及方法
TWI669519B (zh) * 2018-01-05 2019-08-21 財團法人工業技術研究院 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體
TWI671838B (zh) * 2018-07-17 2019-09-11 敖翔科技股份有限公司 半導體廠缺陷作業系統及裝置
TWI699638B (zh) * 2018-12-25 2020-07-21 日商東芝三菱電機產業系統股份有限公司 資料收集再現系統
TWI712946B (zh) * 2016-04-10 2020-12-11 美商克萊譚克公司 用於偵測多圖案製造裝置中與重合相關之缺陷之設計感知系統、方法及非暫時性電腦可讀媒體
US11132786B2 (en) 2018-01-05 2021-09-28 Industrial Technology Research Institute Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
US11480531B2 (en) 2019-11-08 2022-10-25 Yangtze Memory Technologies Co., Ltd. Automatic assessment method and assessment system thereof for yield improvement

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8307528B2 (en) * 2009-10-05 2012-11-13 Sonnax Industries, Inc. Low clearance machined part mating system
US8930782B2 (en) * 2011-05-16 2015-01-06 Mentor Graphics Corporation Root cause distribution determination based on layout aware scan diagnosis results
US9269135B2 (en) * 2012-03-01 2016-02-23 Taiwan Semiconductor Manufacturing Company, Ltd. Defect management systems and methods
US8831333B2 (en) * 2012-06-13 2014-09-09 Nanya Technology Corporation Mask pattern analysis apparatus and method for analyzing mask pattern
US9443051B2 (en) 2012-08-22 2016-09-13 Mentor Graphics Corporation Generating root cause candidates for yield analysis
TWI534646B (zh) * 2013-05-20 2016-05-21 敖翔科技股份有限公司 智慧型弱點圖形診斷方法、系統與電腦可讀取記憶媒體
CN104465434B (zh) * 2013-09-23 2017-07-11 中芯国际集成电路制造(上海)有限公司 缺陷分析法
CN105335536A (zh) * 2014-07-09 2016-02-17 中芯国际集成电路制造(上海)有限公司 用于集成电路设计优化和良率改进的方法
KR102310123B1 (ko) * 2014-09-05 2021-10-08 삼성전자주식회사 반도체 소자의 패턴 분석방법
KR102392057B1 (ko) 2014-12-22 2022-04-28 삼성전자주식회사 자동 결함 분류 방법
CN104655641A (zh) * 2015-01-31 2015-05-27 华南理工大学 一种高精密全自动fpc缺陷检测装置及检测工艺
WO2016161104A1 (en) 2015-04-01 2016-10-06 Vayavision, Ltd. Generating 3-dimensional maps of a scene using passive and active measurements
US10304178B2 (en) * 2015-09-18 2019-05-28 Taiwan Semiconductor Manfacturing Company, Ltd. Method and system for diagnosing a semiconductor wafer
US10935962B2 (en) * 2015-11-30 2021-03-02 National Cheng Kung University System and method for identifying root causes of yield loss
US10267853B2 (en) 2015-12-18 2019-04-23 Taiwan Semiconductor Manufacturing Company Ltd. System and method to diagnose integrated circuit
CN105678408A (zh) * 2015-12-30 2016-06-15 广州兴森快捷电路科技有限公司 Pcb板合拼方法及合拼系统
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection
TWI564741B (zh) * 2016-01-25 2017-01-01 敖翔科技股份有限公司 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體
US10740888B2 (en) 2016-04-22 2020-08-11 Kla-Tencor Corporation Computer assisted weak pattern detection and quantification system
TWI588673B (zh) * 2016-04-27 2017-06-21 亦思科技股份有限公司 半導體製程錯誤分析方法以及電腦程式產品
US10902576B2 (en) * 2016-08-12 2021-01-26 Texas Instruments Incorporated System and method for electronic die inking after automatic visual defect inspection
CN106296025A (zh) * 2016-08-19 2017-01-04 宁夏共享集团股份有限公司 一种同步记录铸件缺陷参数和坐标信息的方法
TWI611252B (zh) * 2016-08-31 2018-01-11 台灣積體電路製造股份有限公司 光學鄰近校正之修復方法
US11238579B2 (en) * 2017-01-18 2022-02-01 Asml Netherlands B.V. Defect pattern grouping method and system
US10445928B2 (en) 2017-02-11 2019-10-15 Vayavision Ltd. Method and system for generating multidimensional maps of a scene using a plurality of sensors of various types
US20180300872A1 (en) * 2017-04-12 2018-10-18 Ngr Inc. Method And Apparatus For Integrated Circuit Pattern Inspection With Automatically Set Inspection Areas
TWI641961B (zh) * 2017-07-21 2018-11-21 敖翔科技股份有限公司 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統
TWI742156B (zh) * 2017-09-08 2021-10-11 聯華電子股份有限公司 晶圓失效圖案分析方法
JP7438105B2 (ja) * 2017-09-27 2024-02-26 エーエスエムエル ネザーランズ ビー．ブイ． デバイス製造方法の制御パラメータを決定する方法、コンピュータプログラム、および、基板にデバイスを製造するためのシステム
TWI692700B (zh) * 2017-10-05 2020-05-01 敖翔科技股份有限公司 智慧型的缺陷校正系統與其實施方法
CN109753979B (zh) * 2017-11-01 2022-11-15 阿里巴巴集团控股有限公司 基于图像特征的故障检测方法及装置
US11023648B2 (en) 2017-12-12 2021-06-01 Siemens Industry Software Inc. Puzzle-based pattern analysis and classification
CN110727247B (zh) * 2018-07-17 2022-10-04 敖翔科技股份有限公司 半导体厂缺陷操作系统及装置
US10545099B1 (en) * 2018-11-07 2020-01-28 Kla-Tencor Corporation Ultra-high sensitivity hybrid inspection with full wafer coverage capability
CN113168116B (zh) * 2018-12-07 2024-04-16 Asml荷兰有限公司 用于确定影响半导体制造过程中的产率的根本原因的方法
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
WO2020167720A1 (en) * 2019-02-14 2020-08-20 Lam Research Corporation Data capture and transformation to support data analysis and machine learning for substrate manufacturing systems
CN110097542B (zh) * 2019-04-19 2023-09-12 中山大学 芯片气泡的检测方法、装置及存储介质
CA3053894A1 (en) * 2019-07-19 2021-01-19 Inspectorio Inc. Defect prediction using historical inspection data
CN110837717B (zh) * 2019-11-06 2022-09-06 成都数之联科技股份有限公司 一种基于Map图的玻璃面板多元缺陷根因分析方法
CN110910352A (zh) * 2019-11-06 2020-03-24 创新奇智(南京)科技有限公司 基于深度学习的太阳能电池缺陷检测系统及检测方法
CN110836905A (zh) * 2019-11-13 2020-02-25 上海华力集成电路制造有限公司 自动识别芯片物理缺陷的失效分析方法
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
KR20210099850A (ko) 2020-02-05 2021-08-13 삼성전자주식회사 광학적 근접 효과 보정의 검증 방법
US11842472B2 (en) 2020-03-31 2023-12-12 International Business Machines Corporation Object defect correction
KR20230037491A (ko) * 2020-04-30 2023-03-16 포트로닉스, 인크. 포토마스크를 제조하기 위한 시스템, 방법 및 프로그램 제품
CA3125716C (en) 2020-07-21 2024-04-09 Leddartech Inc. Systems and methods for wide-angle lidar using non-uniform magnification optics
WO2022016276A1 (en) 2020-07-21 2022-01-27 Leddartech Inc. Beam-steering device particularly for lidar systems
CA3125618C (en) 2020-07-21 2023-05-23 Leddartech Inc. Beam-steering device particularly for lidar systems
TWI770614B (zh) * 2020-09-22 2022-07-11 南亞科技股份有限公司 機台監控系統與機台監控方法
CN115360116B (zh) * 2022-10-21 2023-01-31 合肥晶合集成电路股份有限公司 一种晶圆的缺陷检测方法及系统
CN115631167A (zh) * 2022-10-27 2023-01-20 江苏捷捷微电子股份有限公司 一种集成晶圆与芯片电子视图的云储存和标识追溯方法及系统
CN117474924B (zh) * 2023-12-28 2024-03-15 山东鲁抗医药集团赛特有限责任公司 基于机器视觉的标签缺陷检测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7853920B2 (en) * 2005-06-03 2010-12-14 Asml Netherlands B.V. Method for detecting, sampling, analyzing, and correcting marginal patterns in integrated circuit manufacturing
EP2998894B1 (en) * 2005-07-11 2021-09-08 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system
CN102662309B (zh) * 2005-09-09 2014-10-01 Asml荷兰有限公司 采用独立掩模误差模型的掩模验证系统和方法
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) * 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
KR100809340B1 (ko) * 2007-01-15 2008-03-07 삼성전자주식회사 반도체 집적 회로 장치의 불량 분석 방법 및 시스템
TW200849048A (en) * 2007-06-13 2008-12-16 Promos Technologies Inc Method of predicting yield rate of wafer
CN101398393B (zh) * 2007-09-28 2011-02-02 上海华虹Nec电子有限公司 硅片制品缺陷分析方法及装置
US8150140B2 (en) * 2008-12-22 2012-04-03 Ngr Inc. System and method for a semiconductor lithographic process control using statistical information in defect identification
US8095895B2 (en) 2009-01-14 2012-01-10 Iyun Leu Method for defect diagnosis and management
EP2449390A1 (en) * 2009-07-01 2012-05-09 KLA-Tencor Corporation Monitoring of time-varying defect classification performance
US8473223B2 (en) 2009-10-07 2013-06-25 Iyun Leu Method for utilizing fabrication defect of an article
CN102054724B (zh) * 2009-11-11 2012-04-18 无锡华润上华半导体有限公司 晶圆表面缺陷的检测方法及装置
US20120259574A1 (en) * 2011-04-05 2012-10-11 Chenmin Hu Designed-based yield management system

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9589086B2 (en) 2014-01-27 2017-03-07 Macronix International Co., Ltd. Method for measuring and analyzing surface structure of chip or wafer
TWI502190B (zh) * 2014-01-28 2015-10-01 Macronix Int Co Ltd 量測與分析晶片或晶圓表面結構的方法與黃光曝光補值的方法
TWI594067B (zh) * 2015-07-27 2017-08-01 達盟系統有限公司 在半導體製程的晶片設計佈局中發現未知問題圖案的系統與方法
TWI712946B (zh) * 2016-04-10 2020-12-11 美商克萊譚克公司 用於偵測多圖案製造裝置中與重合相關之缺陷之設計感知系統、方法及非暫時性電腦可讀媒體
TWI637250B (zh) * 2017-03-31 2018-10-01 林器弘 智慧加工調變系統及方法
TWI641960B (zh) * 2017-04-05 2018-11-21 敖翔科技股份有限公司 設計佈局的失效風險的智慧型預診斷系統及方法
TWI639908B (zh) * 2017-09-08 2018-11-01 中國鋼鐵股份有限公司 製程偵錯與診斷方法
TWI669519B (zh) * 2018-01-05 2019-08-21 財團法人工業技術研究院 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體
US11132786B2 (en) 2018-01-05 2021-09-28 Industrial Technology Research Institute Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
TWI671838B (zh) * 2018-07-17 2019-09-11 敖翔科技股份有限公司 半導體廠缺陷作業系統及裝置
TWI699638B (zh) * 2018-12-25 2020-07-21 日商東芝三菱電機產業系統股份有限公司 資料收集再現系統
US11480531B2 (en) 2019-11-08 2022-10-25 Yangtze Memory Technologies Co., Ltd. Automatic assessment method and assessment system thereof for yield improvement
TWI784228B (zh) * 2019-11-08 2022-11-21 大陸商長江存儲科技有限責任公司 用於提高產出率的自動評估方法及其評估系統

Also Published As

Publication number Publication date
TWI498853B (zh) 2015-09-01
US8607169B2 (en) 2013-12-10
CN103187343B (zh) 2016-06-08
CN103187343A (zh) 2013-07-03
US20130174102A1 (en) 2013-07-04

Similar Documents

Publication Publication Date Title
TWI498853B (zh) 智慧型缺陷診斷方法
US11694009B2 (en) Pattern centric process control
US11719650B2 (en) Method for performing smart semiconductor wafer defect calibration
TWI634485B (zh) 在半導體裝置製造製程期間之圖案缺陷和強度檢測及追蹤
JP5405453B2 (ja) 設計データ領域での検査データの位置を決める方法と装置
CN105074896B (zh) 图案测定装置以及半导体测量系统
JP3255292B2 (ja) プロセス管理システム
TWI467400B (zh) 智慧型缺陷良率總覽界面系統與方法
KR101434827B1 (ko) 레시피 생성 장치, 검사 지원 장치, 검사 시스템 및 기록 매체
JP2002100660A (ja) 欠陥検出方法と欠陥観察方法及び欠陥検出装置
US8826209B2 (en) Automated inline defect characterization
TWI641960B (zh) 設計佈局的失效風險的智慧型預診斷系統及方法
TWI617816B (zh) 晶圓的可適性電性測試
CN108431936A (zh) 基于形状的分组
JP5745573B2 (ja) 製造ツールのレシピを生成する方法及びそのシステム
TW201909010A (zh) 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統
JP5323457B2 (ja) 観察条件決定支援装置および観察条件決定支援方法
JPH07221156A (ja) 半導体の不良解析システムおよび半導体検査装置
CN107924850A (zh) 自定向计量和图案分类
Kuo et al. Application of big data science in high reliability automotive wafer yield management system and failure analysis
JP2004087820A (ja) 検査条件データ管理方法及びシステム並びにプログラム、検査装置
JP2003272983A (ja) 欠陥源候補抽出プログラムと検査システム
Han et al. Automatic defect classification system in semiconductors EDS test based on system entity structure methodology