TW201432479A - 製程參數的搜尋與分析方法及其電腦程式產品 - Google Patents

製程參數的搜尋與分析方法及其電腦程式產品 Download PDF

Info

Publication number
TW201432479A
TW201432479A TW102104846A TW102104846A TW201432479A TW 201432479 A TW201432479 A TW 201432479A TW 102104846 A TW102104846 A TW 102104846A TW 102104846 A TW102104846 A TW 102104846A TW 201432479 A TW201432479 A TW 201432479A
Authority
TW
Taiwan
Prior art keywords
parameters
parameter
process parameters
data
measurement
Prior art date
Application number
TW102104846A
Other languages
English (en)
Other versions
TWI549007B (zh
Inventor
Chi-An Kao
Chih-Hsuan Cheng
Wei-Ming Wu
Fan-Tien Cheng
Original Assignee
Foresight Technology Company Ltd
Univ Nat Cheng Kung
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 Foresight Technology Company Ltd, Univ Nat Cheng Kung filed Critical Foresight Technology Company Ltd
Priority to TW102104846A priority Critical patent/TWI549007B/zh
Priority to US13/846,951 priority patent/US20140222376A1/en
Publication of TW201432479A publication Critical patent/TW201432479A/zh
Application granted granted Critical
Publication of TWI549007B publication Critical patent/TWI549007B/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
    • G05B2219/32—Operator till task planning
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • 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
    • 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)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一種製程參數的搜尋與分析方法及其電腦程式產品。首先，獲取製程機台分別處理複數個工件時所產生之複數組製程資料，其中每一組製程資料包含有複數個製程參數。然後，獲取被量測機台所量測出之工件之量測資料，其中量測資料以一對一的方式分別對應至製程資料，每一個工件具有至少一個量測點，每一組量測資料包含此至少一個量測點之至少一量測項目的至少一個實際量測值。接著，進行製程參數篩選步驟，以從製程參數中篩選出複數個關鍵參數。然後，進行製程參數最佳化步驟，以調整關鍵參數的數值來使一個工件之量測點的預測量測值符合品質目標值。

Description

製程參數的搜尋與分析方法及其電腦程式產 品
本發明是有關於一種製程參數的搜尋與分析方法及其電腦程式產品，且特別是有關於一種可最佳化製程參數之製程參數的搜尋與分析方法及其電腦程式產品。
在半導體、TFT-LCD或其他產品製造過程中，製造系統會蒐集複數個工件(例如：晶圓或玻璃基板)在製程機台上被處理時自動產生或以人工紀錄的製程資料，以及此些工件上之多個量測點的實際量測值，來進行產品的監控或故障分析。然而，製程資料包含有數目龐大的製程參數。當有事件發生而需要調整製程機台(調機)，工程師往往無法快速且有效地從大量的參數資料中找出事件發生原因，從而決定那些製程參數是重要的而需被調整。
習知技術係採用實驗設計(Design of Experiment)來決定關鍵製程參數。實驗設計是利用重複性與隨機性，使特定因素以外之其他因素(已知或未知)的影響互相抵消，以淨化觀察特定因素的影響效果，因而提高分析結果精確度的設計。實驗設計的主要目的是在於考驗實驗假設中所列自變 數與依變數之間的關係。然而，由於製程參數的數目龐大，進行實驗設計需耗費許多測試量測樣本和測試時間。加上，不同的製程機台具有不同的製程參數。對有許多製程機台的製造廠，欲對所有的製程機台進行調整，其所耗費的測試量測樣本和測試時間更是驚人。
此外，一個工件往往有多個量測點，不同的參數組合對各量測點有不同的影響。若欲以習知技術(實驗設計)來找出不同的參數組合來對各量測點進行個別地的調控(例如：調整晶圓厚度的均勻度)是一件非常困難的任務。
因此，需要提供一種製程參數的搜尋與分析方法及其電腦程式產品，以克服上述習知技術的缺點。
本發明之一目的就是在提供一種製程參數的搜尋與分析方法及其電腦程式產品，藉以有效地自製程參數中篩選出影響生產品質的關鍵參數，以節省實驗設計所耗費的測試量測樣本(例如：工件；晶圓或玻璃基板)和測試時間。
本發明之又一目的就是在提供一種製程參數的搜尋與分析方法及其電腦程式產品，藉以對工件之各量測點進行製程參數最佳化，來獲得優良的工件品質。
根據本發明之一態樣，提供一種製程參數的搜尋與分析方法。在此方法中，首先，獲取一製程機台分別處理複數個工件時所產生之複數組製程資料，其中每一組製程資料包含有複數個製程參數，製程資料以一對一的方式分別對應至工件。然後，獲取被一量測機台所量測出之此些 工件之複數組量測資料，其中量測資料以一對一的方式分別對應至製程資料，每一個工件具有至少一個量測點，每一組量測資料包含至少一個量測點的至少一個實際量測值。接著，進行一製程參數篩選步驟，以從製程參數中篩選出複數個關鍵參數。然後，進行一製程參數最佳化步驟，以調整關鍵參數的數值來使工件之量測點的預測量測值符合品質目標值。
在製程參數篩選步驟中，首先選擇是否啟用一分群機制，並獲得第一結果。當第一結果為是時，進行分群機制，其中分群機制包含：分群步驟和代表參數尋找步驟。在此分群步驟中，首先，針對每一組製程資料，分別對其中之每一個製程參數與其餘製程參數進行一第一相關性分析，而獲得每一個製程參數與其他製程參數間之複數個第一相關係數。接著，針對每一個製程參數，將其大於或等於一相關係數門檻值(例如：0.7)之相關係數絕對值所對應的製程參數組合為一組，而獲得複數個第一群組。然後，對第一群組之製程參數進行聯集，而獲得複數個第二群組。接著，進行一代表參數尋找步驟。在此代表參數尋找步驟中，針對每一個第二群組，分別對其中之每一個製程參數與工件之量測點的實際量測值進行一第二相關性分析，而獲得第二群組之每一個製程參數與工件之量測點的實際量測值間之複數個第二相關係數。然後，選取每一個第二群組中具有最大之第二相關係數的製程參數為代表，而獲得複數個代表參數。然後，判斷所有工件的數目是否 小於代表參數的n倍，其中n大於1(例如：2.5)，並獲得一第二結果。當第二結果為是時，進行一參數減少步驟，以自代表參數中選出複數個關鍵參數。當第二結果為否時，則所有的代表參數均視為複數個關鍵參數。然後，將製程資料簡化為複數組關鍵製程資料，其中每一組關鍵製程資料係由此些關鍵參數所組成。
在製程參數最佳化步驟中，使用關鍵製程資料與其對應之量測資料並根據一演算法(例如：部分最小平方演算法(Partial Least Squares；PLS)、遞迴式部分最小平方演算法(Recursive Partial Least Square)、多變量迴歸分析(Multiple-Regression-Analysis)、非線性迴歸分析(Nonlinear Regression Analysis)、邏輯式迴歸(Logistic Regression)等)來建立一預測模型。然後，自關鍵參數中選取至少一個調控參數，並決定欲被調整之調控參數的參數個數，且設定每一個調控參數之調整量。接著，進行一調整步驟，以輸入一組關鍵製程資料的數值至該預測模型中，並根據欲被調整之調控參數的參數個數和調整量來設定調控參數的數值至預測模型中，而推估出工件之量測點的預測量測值。接著，判斷工件之量測點的預測量測值是否進入一品質目標值的容許範圍，並獲得一判斷結果。當此判斷結果為否時，則重複進行調整步驟。
根據本發明之一實施例，前述之製程參數的搜尋與分析方法更包含：進行一資料前處理步驟。此資料前處理步驟包含：刪除製程資料中標準差小於一第一門檻值(例 如：0.0001)的製程參數；刪除前50%之製程資料中標準差(STD)小於第一門檻值的製程參數；刪除後50%之製程資料中標準差小於該第一門檻值的製程參數；刪除製程資料中變異係數值(CV)小於一第二門檻值(例如：0.001)的製程參數；或刪除製程資料中與工件之量測點的實際量測值的相關係數小於一第三門檻值(例如：0.01)的製程參數。
根據本發明之一實施例，在參數減少步驟中，首先對前述之代表參數重複進行一逐步選取(Stepwise Selection)步驟直到逐步選取步驟的輸出和輸入的參數個數相同為止，而獲得複數個選取參數。然後，判斷工件的數目是否小於選取參數的n倍，其中n大於1，並獲得一第三結果。當第三結果為是時，對選取參數依其第二相關係數由大到小進行排序，選取前M個排序後之該些選取參數做為複數個關鍵參數，其中M為工件的數目除以n。當第三結果為否時，選取參數為複數個關鍵參數。
根據本發明之又一實施例，在參數減少步驟中，對製程參數依其第二相關係數由大到小進行排序，選取前M個排序後之製程參數做為複數個關鍵參數，其中M為工件的數目除以n。
根據本發明之又一態樣，提供一種電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成前述之製程參數的搜尋與分析方法。
因此，應用本發明之實施例，可有效地自數目龐大的製程參數中篩選出影響生產品質的關鍵參數，而節省實 驗設計所耗費的測試量測樣本和測試時間；可對工件之各量測點進行製程參數最佳化，而獲得優良的工件品質。
110‧‧‧獲取複數組製程資料
120‧‧‧獲取複數組量測資料
200‧‧‧資料前處理步驟
300‧‧‧製程參數篩選步驟
322‧‧‧選擇是否啟用分群機制
324‧‧‧進行分群機制
330‧‧‧第一相關性分析
340‧‧‧分群步驟
342‧‧‧將大於或等於相關係數門檻值之第一相關係數絕對值所對應的製程參數組合為一組
344‧‧‧聯集步驟
350‧‧‧代表參數尋找步驟
352‧‧‧第二相關性分析
354‧‧‧選取具有最大之第二相關係數的製程參數為代表參數
356‧‧‧將第一相關係數絕對值均小於相關係數門檻值的製程參數加入至代表參數
360‧‧‧判斷工件的數目是否小於代表參數的n倍
370‧‧‧參數減少步驟
372‧‧‧選取參數篩選方式
374‧‧‧逐步選取步驟
376‧‧‧對製程參數進行排序並選取前M個排序後之製程參數做為複數個關鍵參數
378‧‧‧逐步選取步驟的輸出和輸入的參數個數是否相同
380‧‧‧檢查逐步選取步驟是否有篩選到參數
382‧‧‧判斷工件的數目是否小選取參數的n倍
384‧‧‧對選取參數進行排序，選取前M個排序後之選取參數做為複數個關鍵參數
390‧‧‧將製程資料簡化為關鍵製程資料
400‧‧‧製程參數最佳化步驟
410‧‧‧建立一預測模型
420‧‧‧選取至少一個調控參數
430‧‧‧決定調控參數中欲被調整的參數個數
440‧‧‧設定每一個調控參數之一調整量
450‧‧‧調整步驟
460‧‧‧判斷量測點的預測量測值是否進入品質目標值的容許範圍
500‧‧‧調整前曲線
510‧‧‧調整後曲線
G1-G11‧‧‧第一群組
M1、M2和M3‧‧‧第二群組
M4、M5、M6和M7‧‧‧獨立群組
x1-x35‧‧‧製程參數
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下： 第1圖係繪示依照本發明之一實施例之製程參數的分析方法的流程圖。
第2A至2C圖係繪示依照本發明之實施例之製程參數篩選步驟的流程圖。
第3圖係繪示用以說明本發明之實施例之分群步驟的示意圖。
第4圖係繪示依照本發明之實施例之製程參數最佳化步驟的流程圖。
第5圖係繪示應用本發明之實施例之製程參數的分析方法的結果。
在此詳細參照本發明之實施例，其例子係與圖式一起說明。儘可能地，圖式中所使用的相同元件符號係指相同或相似組件。
本發明係串起工件品質(例如：厚度、亮度、片電阻等量測值)與生產流程資訊(例如：溫度、壓力、沉積時間等製程參數)，利用多變數原理來分析並得知重要的製程參 數對產品品質(量測值)的影響程度，進而找出當下最佳的產品生產條件(製程參數)，以改善產品良率與毛利率。
本發明主要是利用統計學中之相關性分析，來計算出複數個工件之兩兩製程參數間的相關係數，以及製程參數與量測資料的相關係數。相關係數係介於0至1之間，當製程參數間之相關係數的絕對值愈大時，代表製程參數間之共線性愈高，製程參數的同質性愈高，故可分為同一組。製程參數與量測資料間之相關係數的絕對值愈大時，代表製程參數對量測資料預測力愈大。當製程參數間之相關係數為0或小於某一門檻值時，則代表兩製程參數不相關，應分別獨立為一組。至於相關係數的演算法係習於此技藝之人士所熟知，故不在此贅述。
請參照第1圖，其繪示依照本發明之一實施例之製程參數的搜尋與分析方法的流程圖。首先，進行步驟110，以獲取一製程機台分別處理複數個工件(例如：晶圓或玻璃基板)時所產生之複數組製程資料X j ，其中每一組製程資料X j 包含有複數個製程參數x i ，其中i係用以指出第i個製程參數，j係用以指出第j個工件個數，製程資料(X j )以一對一的方式對應至工件(i)。然後，進行步驟120，以獲取工件被一量測機台所量測出之複數個量測資料y j ，其中，量測資料以一對一的方式對應至製程資料。每一個工件具有至少一個量測點，每一組量測資料y j 包含至少一個量測點之至少一個量測項目的至少一個實際量測值。例如：一個晶圓(工件)上有36個量測點，每一個量測點有至少一個量測項目 (例如：厚度、電性、物性等)。接著，進行資料前處理步驟200。資料前處理步驟200包含：刪除製程資料中標準差小於一第一門檻值(例如：0.0001)的製程參數；刪除前50%之製程資料中標準差(STD)小於第一門檻值的製程參數；刪除後50%之製程資料中標準差小於該第一門檻值的製程參數；刪除製程資料中變異係數值(CV)小於一第二門檻值(例如：0.001)的製程參數；和/或刪除製程資料中與工件之量測點的實際量測值的相關係數小於一第三門檻值(例如：0.01)的製程參數。值得一提的是，使用者依可實際狀況調整上述之第一、第二、第三門檻值。此外，資料前處理步驟200亦可刪除製程資料中誤失率(Missing Rate)超過例如3%的製程參數和/或刪除其任何製程參數的數值為空值(Null)、溢位(例如：999999999.999)的製程資料。資料前處理步驟200的目的係在於過濾掉無效或無影響力的製程資料或製程參數。舉例而言，當多組製程資料之某一製程參數的標準差太小，代表對應至不同實際量測值之此製程參數的數值波動太小，無法有效地用來預測工件之量測點的量測值。某一製程參數與量測點的實際量測值的相關係數過小，則代表此製程參數對實際量測值的影響甚小。
接著，進行製程參數篩選步驟300，以從製程參數中篩選出複數個關鍵參數，來將製程資料簡化為複數組關鍵製程資料，其中每一組關鍵製程資料係由關鍵參數所組成。然後，進行製程參數最佳化步驟400，以調整關鍵參數的數值來使一個工件之量測點的預測量測值符合品質目標 值，進而找出製程參數的最佳數值。
以下分別說明製程參數篩選步驟300和製程參數最佳化步驟400。
請參照第2A至2C圖，其繪示依照本發明之一實施例之製程參數篩選步驟300的流程圖。如第2A圖所示，首先，進行步驟322，以選擇是否啟用分群機制324，並獲得第一結果。當第一結果為是時，則進行分群機制324，以由製程參數中篩選出複數個代表參數。當第一結果為否時，則所有的製程參數均為代表參數。所謂「代表參數」係指製程參數中對生產品質較具影響力的參數。然後，進行步驟360，以判斷工件的數目是否小製程參數的n倍，並獲得一第二結果。當第二結果為是時，進行參數減少步驟370，以自代表參數中選出複數個關鍵參數。當第二結果為否時，則所有的代表參數均視為關鍵參數。換言之，當工件的數目小製程參數的n倍時，工件的數目已足夠，故所有的代表參數均為影響生產品質的關鍵參數。然後，進行步驟370，以將製程資料簡化為複數組關鍵製程資料，其中每一組關鍵製程資料係由此些關鍵參數所組成。
以下詳細說明分群機制324和參數減少步驟370。
如第2B圖所示，分群機制324包含：分群步驟340和代表參數尋找步驟350。在分群步驟340中，進行步驟330，以針對每一組製程資料，分別對其中之每一個製程參數與其餘製程參數進行一第一相關性分析，而獲得每一個製程參數與其他製程參數間之複數個第一相關係數。然 後，請參照第3圖，其繪示用以說明本發明之實施例之分群步驟的示意圖，其係使用35種製程參數x1-x35來進行說明。在完成第一相關性分析步驟330後，首先，進行步驟342，以針對每一個製程參數，將其大於或等於一相關係數門檻值(例如：0.7)之第一相關係數絕對值所對應的製程參數組合為一組，而獲得複數個第一群組G1至G11。值得一提的是，使用者依可實際狀況調整上述之相關係數門檻值。然後，對第一群組G1至G11之製程參數進行聯集步驟344，而獲得複數個第二群組M1、M2和M3。
接著，進行一代表參數尋找步驟350。在代表參數尋找步驟350中，首先，進行步驟352，以針對每一個第二群組M1、M2和M3，分別對其中之每一個製程參數與量測資料進行一第二相關性分析，而獲得第二群組M1、M2和M3之每一個製程參數與量測資料間之複數個第二相關係數。然後，進行步驟354，以選取每一個第二群組M1、M2和M3中具有最大之第二相關係數的製程參數為代表，而獲得複數個代表參數x6、x17、x22。然後，進行步驟356，以將其第一相關係數絕對值小於相關係數門檻值的每一個製程參數x32、x33、x34、x35加入至代表參數。換言之，製程參數x32、x33、x34、x35分別成為獨立群組M4、M5、M6和M7。
綜上所述，本實施例可自製程參數x1-x35中篩選出代表參數x6、x17、x22、x32、x33、x34、x35。換言之，具代表性製程參數的數目由35個大幅的減少為7個。
接著，如第2C圖所示，進行參數減少步驟370，以自代表參數中選出複數個關鍵參數。在參數減少步驟370中，首先，進行步驟372，以選取參數篩選方式。當參數篩選方式為排序方式時，進行步驟376，以對代表參數依其第二相關係數由大到小進行排序，選取前M個排序後之該些製程參數做為複數個關鍵參數，其中M為所有工件的數目除以n。舉例而言，假設總工件數為100個，而移除高度共線性的製程參數後仍有120個代表參數(若未啟用分群機制則代表參數為原來的製程參數)，則將選取120個代表參數與量測資料間有高度相關(第二相關係數)之前40(M=40=100/2.5；n=2.5)個代表參數為關鍵參數。
當參數篩選方式為逐步選取方式時，對前述之代表參數重複進行一逐步選取步驟374直到逐步選取步驟374的輸出和輸入的參數個數相同為止(步驟378)，而獲得複數個選取參數。換言之，逐步選取步驟374係使用前次疊代(Iteration)的輸出做為本次疊代的輸入，重複進行逐步選取步驟374直到本次疊代的輸入參數個數與本次疊代的輸出參數個數數相同為止。至於逐步選取步驟374所採取的逐步選取法演算法係習於此技藝之人士所熟知，故不在此贅述。
然後，檢查逐步選取步驟是否有篩選到參數(步驟380)。此步驟380為一預防性步驟，用以確認逐步選取步驟是否有篩除不重要的參數，故步驟380亦可省略不進行。當逐步選取步驟未篩選到參數時，則進行步驟384，以對 代表參數依其第二相關係數由大到小進行排序，選取前M個排序後之製程參數做為複數個關鍵參數，其中M為工件的數目除以n。當逐步選取步驟有篩選到參數時，則進行步驟382，以判斷工件的數目是否小選取參數的n倍，其中n大於1。當步驟382的結果為是時，對選取參數依其第二相關係數由大到小進行排序，選取前M個排序後之該些選取參數做為複數個關鍵參數，其中M為工件的數目除以n。當步驟382為否時，選取參數為複數個關鍵參數。
以上所述之「製程參數」為原始待篩選的參數；「代表參數」為製程參數經分群機制後所篩選出的參數，其對生產品質的影響力較大；「選取參數」為代表參數經逐步選取步驟後所篩選出的參數，其對生產品質的影響力更大；「關鍵參數」為本發明最終所篩選出的參數，其對生產品質的影響力最大。至於以上所述之各步驟的次序，習於此技藝之人士可根據實際加以調整，某些步驟亦可同時進行。
以下詳細說明製程參數最佳化步驟400。值得一提的是，製程參數最佳化步驟400不僅可針對單一量測項目進行製程參數的最佳化運算，亦可同時針對多個量測項目進行製程參數的最佳化運算。
請參照第4圖，其繪示依照本發明之實施例之製程參數最佳化步驟400的流程圖。在製程參數最佳化步驟400中，首先使用關鍵製程資料與其對應之量測資料並根據一演算法來建立一預測模型(步驟410)，此演算法可為例如：部分最小平方演算法(Partial Least Squares；PLS)、遞迴式部分最 小平方演算法(Recursive Partial Least Square)、多變量迴歸分析(Multiple-Regression-Analysis)、非線性迴歸分析(Nonlinear Regression Analysis)、邏輯式迴歸(Logistic Regression)等，其中較佳是部分最小平方演算法。部分最小平方演算法是一種結合主成份分析(Principal Component Analysis；PCA)與複迴歸(Multiple Regression；MR)的演算技術，其能克服資料之間所衍伸出來的共線性問題，並考慮到自變項(X)與應變數(y)之間的關係。值得一提的是，本發明之實施例可利用beta值、決定係數(R2)和/或F檢定來判斷關鍵製程參數對量測資料的顯著性與敏感度，藉以產生關鍵製程參數的重要性排序。
然後，自關鍵參數中選取至少一個調控參數(步驟420)，並決定欲被調整之調控參數的參數個數(步驟430)，且設定每一個調控參數之調整量(步驟440)。接著，進行一調整步驟450，以輸入一個之一組關鍵製程資料的數值至該預測模型中，並根據欲被調整之調控參數的參數個數和調整量來設定調控參數的數值至預測模型中，而推估出一個工件之至少一個量測點的至少一個預測量測值。接著，判斷工件之量測點的預測量測值是否進入一品質目標值的容許範圍(步驟460)，並獲得一判斷結果。當此步驟460的判斷結果為否時，則重複進行調整步驟450直到工件之量測點的預測量測值達到品質目標值的容許範圍為止。
舉例而言，如表一所示，由1000個關鍵參數中選取10個調控參數(顯著性為「是」)，並決定每次欲調整2個調控參數，且設定每一個調控參數之調整量為±5個單位，分11次進行，每次增減1個單位。因此，本應用例共有=45種參數組合，參數的總調整次數為×(11×11-1)=5400。請參照第5圖，其繪示應用本發明之實施例之製程參數的分析方法的結果，其中一個工件具有36個量測點。經由5400次調整後，將關鍵參數1(沉積時間)由144.072調至131.856，與參數7(PM1_溫度-A)由179.760調整至184.721，能將實際量測值(厚度)由36個量測點的調整前曲線500調整成36個量測點的調整後曲線510。因此，本發 明之實施例可找出影響產品品質的關鍵參數，並獲得關鍵參數的最佳數值，以獲得優良的實際量測值。如第5圖所示，調整後曲線510顯示出最佳的品質均勻度。
上述實施例可利用電腦程式產品來實現，其可包含儲存有多個指令之機器可讀取媒體，這些指令可程式化(Programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(Optical Card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者，本發明之實施例也可做為電腦程式產品來下載，其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移至請求電腦。
應用本發明之實施例，可有效地自數目龐大的製程參數中篩選出影響生產品質的關鍵參數，以節省實驗設計所耗費的測試工件和測試時間，因而達成低成本的重要參數分析；進行精準調機；縮短人員的學習曲線；精準監控重要參數，而提升產品品質。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何在此技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
110‧‧‧獲取複數組製程資料
120‧‧‧獲取複數組量測資料
200‧‧‧資料前處理步驟
300‧‧‧製程參數篩選步驟
400‧‧‧製程參數最佳化步驟

Claims (10)

  1. 一種製程參數的搜尋與分析方法，包含：獲取一製程機台分別處理複數個工件時所產生之複數組製程資料，其中每一該些組製程資料包含有複數個製程參數，該些組製程資料以一對一的方式分別對應至該些工件；獲取被一量測機台所量測出該些工件之複數組量測資料，其中該些組量測資料以一對一的方式分別對應至該些組製程資料，每一該些工件具有至少一量測點，每一該些組量測資料包含該至少一量測點之至少一量測項目的至少一實際量測值；進行一製程參數篩選步驟，其中該製程參數篩選步驟包含：選擇是否啟用一分群機制，並獲得一第一結果；當該第一結果為是時，進行該分群機制，其中該分群機制包含：進行一分群步驟，包含：針對每一該些組製程資料，分別對其中之每一該些製程參數與其餘製程參數進行一第一相關性分析，而獲得每一該些製程參數與其他製程參數間之複數個第一相關係數；針對每一該些組製程參數，將其具有大於或等於一相關係數門檻值之該些第一相關係數之絕對值所對應的該些製程參數組合為一組，而獲得複數個第一群 組；以及對該些第一群組之該些製程參數進行聯集，而獲得複數個第二群組；以及進行一代表參數尋找步驟，其中該代表參數尋找步驟包含：針對每一該些第二群組，分別對其中之每一該些製程參數與該些工件之量測點的實際量測值進行一第二相關性分析，而獲得該些第二群組之每一該些製程參數與該些工件之量測點的實際量測值間之複數個第二相關係數；以及選取每一該些第二群組中具有最大之第二相關係數的製程參數為代表，而獲得複數個代表參數；判斷該些工件的數目是否小於該些代表參數的n倍，其中n大於1，並獲得一第二結果；當該第二結果為是時，進行一參數減少步驟，以自該些代表參數中選出複數個關鍵參數；當該第二結果為否時，則該些代表參數均視為複數個關鍵參數；以及將該些組製程資料簡化為複數組關鍵製程資料，其中每一該些組關鍵製程資料係由該些關鍵參數所組成；進行一製程參數最佳化步驟，其中該製程參數最佳化步驟包含：使用該些組關鍵製程資料與其對應之該些組量測 資料並根據一演算法來建立一預測模型；自該些關鍵參數中選取至少一調控參數；決定該至少一調控參數中欲被調整的一參數個數；設定每一該至少一調控參數之一調整量；進行一調整步驟，以輸入一組關鍵製程資料的數值至該預測模型中，並根據該參數個數和該調整量來設定該至少一調控參數的至少一數值至該預測模型中，而推估出該至少一量測點的至少一預測量測值；以及判斷該至少一量測點的該至少一預測量測值是否進入一品質目標值的容許範圍，並獲得一判斷結果，其中當該判斷結果為否時，則重複進行該調整步驟。
  2. 如請求項1所述之製程參數的搜尋與分析方法，更包含：進行一資料前處理步驟，其中該資料前處理步驟包含：刪除該些組製程資料中標準差小於一第一門檻值的製程參數；刪除前50%之該些組製程資料中標準差(STD)小於該第一門檻值的製程參數；刪除後50%之該些組製程資料中標準差小於該第一門檻值的製程參數；刪除該些組製程資料中變異係數值(CV)小於一第二門檻值的製程參數；或刪除該些組製程資料中與該些工件之量測點的實際量 測值的相關係數小於一第三門檻值的製程參數。
  3. 如請求項1所述之製程參數的搜尋與分析方法，其中該第一門檻值為0.0001，該第二門檻值為0.001，該第三門檻值為0.01。
  4. 如請求項1所述之製程參數的搜尋與分析方法，其中該演算法為部分最小平方演算法(Partial Least Squares；PLS)、遞迴式部分最小平方演算法(Recursive Partial Least Square)、多變量迴歸分析(Multiple-Regression-Analysis)、非線性迴歸分析(Nonlinear Regression Analysis)、邏輯式迴歸(Logistic Regression)等。
  5. 如請求項1所述之製程參數的搜尋與分析方法，其中該參數減少步驟更包含：對該些代表參數重複進行一逐步選取(Stepwise Selection)步驟直到該逐步選取步驟的輸出和輸入的參數個數相同為止，而獲得複數個選取參數；判斷該些工件的數目是否小該些選取參數的n倍，其中n大於1，並獲得一第三結果；當該第三結果為是時，對該些選取參數依其第二相關係數由大到小進行排序，選取前M個排序後之該些選取參數做為複數個關鍵參數，其中M為該些工件的數目除以n；以及 當該第三結果為否時，該些選取參數為複數個關鍵參數。
  6. 如請求項5所述之製程參數的搜尋與分析方法，其中n為2.5。
  7. 如請求項1所述之製程參數的搜尋與分析方法，其中該參數減少步驟步驟更包含：當該第一結果為否時，判斷該些工件的數目是否小該些製程參數的n倍，其中n大於1，並獲得一第二結果；以及當該第二結果為是時，對該些製程參數依其第二相關係數由大到小進行排序，選取前M個排序後之該些製程參數做為複數個關鍵參數，其中M為該些工件的數目除以n。
  8. 如請求項7所述之製程參數的搜尋與分析方法，其中n為2.5。
  9. 如請求項1所述之製程參數的搜尋與分析方法，其中該相關係數門檻值為0.7。
  10. 一種電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成如請求項1至9中任一項所述之製程參數的搜尋與分析方法。
TW102104846A 2013-02-07 2013-02-07 製程參數的搜尋與分析方法及其電腦程式產品 TWI549007B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW102104846A TWI549007B (zh) 2013-02-07 2013-02-07 製程參數的搜尋與分析方法及其電腦程式產品
US13/846,951 US20140222376A1 (en) 2013-02-07 2013-03-19 Method for searching, analyzing, and optimizing process parameters and computer program product thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102104846A TWI549007B (zh) 2013-02-07 2013-02-07 製程參數的搜尋與分析方法及其電腦程式產品

Publications (2)

Publication Number Publication Date
TW201432479A true TW201432479A (zh) 2014-08-16
TWI549007B TWI549007B (zh) 2016-09-11

Family

ID=51259984

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102104846A TWI549007B (zh) 2013-02-07 2013-02-07 製程參數的搜尋與分析方法及其電腦程式產品

Country Status (2)

Country Link
US (1) US20140222376A1 (zh)
TW (1) TWI549007B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105702595A (zh) * 2014-11-27 2016-06-22 华邦电子股份有限公司 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法
TWI571821B (zh) * 2014-12-09 2017-02-21 財團法人資訊工業策進會 組合選取方法及其系統
CN107408522A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 使用高维变量选择模型确定关键参数
TWI647770B (zh) * 2014-11-17 2019-01-11 華邦電子股份有限公司 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法
TWI663490B (zh) * 2014-08-19 2019-06-21 日商東京威力科創股份有限公司 基板處理裝置及基板處理方法
TWI719398B (zh) * 2018-03-14 2021-02-21 日商日立全球先端科技股份有限公司 探索裝置、探索方法及電漿處理裝置
TWI724743B (zh) * 2020-01-10 2021-04-11 台達電子工業股份有限公司 機台及其操作方法
CN113110306A (zh) * 2020-01-10 2021-07-13 台达电子工业股份有限公司 机台及其操作方法
US11189470B2 (en) 2018-03-20 2021-11-30 Hitachi High-Tech Corporation Search device, search method and plasma processing apparatus
TWI749932B (zh) * 2020-12-02 2021-12-11 國立臺北科技大學 機台故障檢測裝置與方法
US11747774B2 (en) 2019-12-03 2023-09-05 Hitachi High-Tech Corporation Search device, search program, and plasma processing apparatus
TWI823689B (zh) * 2022-11-29 2023-11-21 友達光電股份有限公司 特徵分析方法與特徵分析與最佳化推薦系統
US11947888B2 (en) 2020-07-30 2024-04-02 Applied Materials, Inc. Semiconductor processing tools with improved performance by use of hybrid learning models
US11960253B2 (en) 2020-11-30 2024-04-16 Industrial Technology Research Institute System and method for parameter optimization with adaptive search space and user interface using the same

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5954750B2 (ja) * 2014-06-30 2016-07-20 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 情報処理装置、情報処理方法、及びプログラム
TWI584134B (zh) * 2015-11-03 2017-05-21 財團法人工業技術研究院 製程異因分析方法與製程異因分析系統
TWI617422B (zh) * 2016-11-10 2018-03-11 財團法人資訊工業策進會 塑膠押出製程控制方法及參數調整系統
CN108090241B (zh) 2016-11-23 2021-08-17 财团法人工业技术研究院 连续性工艺的趋势变量鉴定方法与系统
CN106791824B (zh) * 2016-11-29 2019-05-31 深圳Tcl数字技术有限公司 挑选测试用屏方法及装置
TWI614699B (zh) * 2016-12-30 2018-02-11 國立成功大學 大量客製化產品的品質預測方法
CN108268987B (zh) * 2016-12-30 2021-08-06 郑芳田 多样式产品的品质推估方法
EP3379354A1 (de) * 2017-03-20 2018-09-26 Klingelnberg AG Verfahren und vorrichtung zur automatisierten bearbeitung von zahnrad-bauteilen
US11074376B2 (en) * 2017-04-26 2021-07-27 United Microelectronics Corp. Method for analyzing process output and method for creating equipment parameter model
TWI797089B (zh) * 2017-09-19 2023-04-01 聯華電子股份有限公司 製程參數相關性分群與分析方法及製程參數相關性分群與分析系統
TWI625682B (zh) 2017-12-01 2018-06-01 財團法人工業技術研究院 參數最佳化方法、裝置以及非暫態電腦可讀取媒體
JP2019207542A (ja) * 2018-05-29 2019-12-05 ファナック株式会社 分析装置、分析方法及び分析プログラム
JP7042189B2 (ja) * 2018-08-03 2022-03-25 株式会社日立製作所 品質評価システム
IT201800009382A1 (it) * 2018-10-11 2020-04-11 Tools For Smart Minds Srl Sistema e metodo per realizzare un prodotto avente specifiche predeterminate
EP3792712A1 (de) 2019-09-12 2021-03-17 Hexagon Technology Center GmbH Verfahren zur korrektur von werkzeugparametern einer werkzeugmaschine zur bearbeitung von werkstücken
US20220092242A1 (en) * 2020-09-18 2022-03-24 Tokyo Electron Limited Virtual metrology for wafer result prediction
CN112380760B (zh) * 2020-10-13 2023-01-31 重庆大学 基于多算法融合的多目标工艺参数智能优化方法
CN112733880B (zh) * 2020-12-17 2022-09-20 中国科学院空间应用工程与技术中心 一种航空发动机故障诊断方法、系统及电子设备
US11669079B2 (en) * 2021-07-12 2023-06-06 Tokyo Electron Limited Tool health monitoring and classifications with virtual metrology and incoming wafer monitoring enhancements
CN114168216B (zh) * 2021-11-24 2024-04-26 阿里巴巴（中国）有限公司 一种参数调优方法、设备及存储介质
CN114779644B (zh) * 2022-04-29 2023-04-07 山东孚德环保有限公司 一种过滤机智能控制的方法
CN116312882B (zh) * 2023-02-17 2024-02-20 宝胜高压电缆有限公司 一种聚丙烯电缆生产工艺优化方法及系统
CN117272811A (zh) * 2023-09-25 2023-12-22 重庆望变电气（集团）股份有限公司 一种铁芯工艺参数确定方法及其相关设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5674651A (en) * 1994-09-27 1997-10-07 Nikon Corporation Alignment method for use in an exposure system
FI112893B (fi) * 1999-12-21 2004-01-30 Nokia Corp Menetelmä vastaanottimessa ja vastaanotin
US6434725B1 (en) * 2000-06-26 2002-08-13 Infineon Technologies Richmond, Lp Method and system for semiconductor testing using yield correlation between global and class parameters
US6928472B1 (en) * 2002-07-23 2005-08-09 Network Physics Method for correlating congestion to performance metrics in internet traffic
US20060194211A1 (en) * 2003-04-29 2006-08-31 Burczynski Michael E Methods for prognosis and treatment of solid tumors
US7405430B2 (en) * 2005-06-10 2008-07-29 Cree, Inc. Highly uniform group III nitride epitaxial layers on 100 millimeter diameter silicon carbide substrates
TWI315054B (en) * 2006-05-10 2009-09-21 Nat Cheng Kung Universit Method for evaluating reliance level of a virtual metrology system in product manufacturing
US7889318B2 (en) * 2007-09-19 2011-02-15 Asml Netherlands B.V. Methods of characterizing similarity between measurements on entities, computer programs product and data carrier
WO2009126352A2 (en) * 2008-01-24 2009-10-15 Sandia National Laboratories Novel micropores and methods of making and using thereof
TW201205440A (en) * 2010-07-16 2012-02-01 Nat Univ Tsing Hua Virtual measuring system and method thereof for predicting the quality of thin film transistor liquid crystal display processes
TWI427722B (zh) * 2010-08-02 2014-02-21 Univ Nat Cheng Kung 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品
US8452439B2 (en) * 2011-03-15 2013-05-28 Taiwan Semiconductor Manufacturing Co., Ltd. Device performance parmeter tuning method and system
TWI451336B (zh) * 2011-12-20 2014-09-01 Univ Nat Cheng Kung 預測模型之建模樣本的篩選方法及其電腦程式產品

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI663490B (zh) * 2014-08-19 2019-06-21 日商東京威力科創股份有限公司 基板處理裝置及基板處理方法
TWI647770B (zh) * 2014-11-17 2019-01-11 華邦電子股份有限公司 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法
CN105702595B (zh) * 2014-11-27 2019-05-07 华邦电子股份有限公司 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法
CN105702595A (zh) * 2014-11-27 2016-06-22 华邦电子股份有限公司 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法
US11456194B2 (en) 2014-12-03 2022-09-27 Kla-Tencor Corporation Determining critical parameters using a high-dimensional variable selection model
CN107408522A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 使用高维变量选择模型确定关键参数
CN107408522B (zh) * 2014-12-03 2020-12-29 科磊股份有限公司 使用高维变量选择模型确定关键参数
TWI571821B (zh) * 2014-12-09 2017-02-21 財團法人資訊工業策進會 組合選取方法及其系統
TWI719398B (zh) * 2018-03-14 2021-02-21 日商日立全球先端科技股份有限公司 探索裝置、探索方法及電漿處理裝置
US11907235B2 (en) 2018-03-14 2024-02-20 Hitachi High-Tech Corporation Plasma processing apparatus including predictive control
US11657059B2 (en) 2018-03-14 2023-05-23 Hitachi High-Tech Corporation Search device, searching method, and plasma processing apparatus
US11189470B2 (en) 2018-03-20 2021-11-30 Hitachi High-Tech Corporation Search device, search method and plasma processing apparatus
US11747774B2 (en) 2019-12-03 2023-09-05 Hitachi High-Tech Corporation Search device, search program, and plasma processing apparatus
CN113110306B (zh) * 2020-01-10 2022-08-02 台达电子工业股份有限公司 机台及其操作方法
CN113110306A (zh) * 2020-01-10 2021-07-13 台达电子工业股份有限公司 机台及其操作方法
TWI724743B (zh) * 2020-01-10 2021-04-11 台達電子工業股份有限公司 機台及其操作方法
US11947888B2 (en) 2020-07-30 2024-04-02 Applied Materials, Inc. Semiconductor processing tools with improved performance by use of hybrid learning models
US11960253B2 (en) 2020-11-30 2024-04-16 Industrial Technology Research Institute System and method for parameter optimization with adaptive search space and user interface using the same
TWI749932B (zh) * 2020-12-02 2021-12-11 國立臺北科技大學 機台故障檢測裝置與方法
TWI823689B (zh) * 2022-11-29 2023-11-21 友達光電股份有限公司 特徵分析方法與特徵分析與最佳化推薦系統

Also Published As

Publication number Publication date
US20140222376A1 (en) 2014-08-07
TWI549007B (zh) 2016-09-11

Similar Documents

Publication Publication Date Title
TWI549007B (zh) 製程參數的搜尋與分析方法及其電腦程式產品
TWI451336B (zh) 預測模型之建模樣本的篩選方法及其電腦程式產品
JP6285494B2 (ja) サンプリングレート決定機構付きの測定サンプル抽出方法及びそのコンピュータプログラム製品
US8437870B2 (en) System and method for implementing a virtual metrology advanced process control platform
TWI427722B (zh) 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品
US8452441B2 (en) Process quality predicting system and method thereof
US8046193B2 (en) Determining process condition in substrate processing module
KR100858861B1 (ko) 데이터 분석 방법 및 장치
TWI521360B (zh) 量測抽樣方法與其電腦程式產品
US20130173332A1 (en) Architecture for root cause analysis, prediction, and modeling and methods therefor
CN110503288B (zh) 考虑机台交互作用的辨识良率损失原因的系统与方法
Pan et al. A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering
CN101118422A (zh) 半导体制造的虚拟量测预估与建立预估模型的方法与系统
KR20180028903A (ko) 수율 손실의 근원 파악 시스템 및 방법
TW201415385A (zh) 半導體處理控制方法和電腦程式產品
TW201824100A (zh) 大量客製化產品的品質預測方法
US6615157B1 (en) System method and computer program product for automatically assessing experiment results
US20060058979A1 (en) Method and system for calibrating integrated metrology systems and stand-alone metrology systems that acquire wafer state data
TW201937625A (zh) 使用電子顯微法之半導體度量衡及缺陷分類
TWI647770B (zh) 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法
JP5342199B2 (ja) 不良率予測方法、不良率予測プログラム、半導体製造装置の管理方法、および半導体装置の製造方法
US20130030760A1 (en) Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
CN108268987B (zh) 多样式产品的品质推估方法
WO2022092289A1 (ja) 情報処理方法及び情報処理装置
WO2022052540A1 (zh) 新增生产工具的合格检验方法和检验系统