TW201535557A - 將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法 - Google Patents

將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法 Download PDF

Info

Publication number
TW201535557A
TW201535557A TW104105421A TW104105421A TW201535557A TW 201535557 A TW201535557 A TW 201535557A TW 104105421 A TW104105421 A TW 104105421A TW 104105421 A TW104105421 A TW 104105421A TW 201535557 A TW201535557 A TW 201535557A
Authority
TW
Taiwan
Prior art keywords
wafer
wafers
lot
level
batch
Prior art date
Application number
TW104105421A
Other languages
English (en)
Other versions
TWI706484B (zh
Inventor
Himanshu Vajaria
Tommaso Torelli
Bradley Ries
Mohan Mahadevan
Original Assignee
Kla Tencor Corp
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 Kla Tencor Corp filed Critical Kla Tencor Corp
Publication of TW201535557A publication Critical patent/TW201535557A/zh
Application granted granted Critical
Publication of TWI706484B publication Critical patent/TWI706484B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

本發明揭示用於監控加工工具狀況之方法及系統。該方法將單個晶圓、一單批內之多個晶圓，及多批資訊一起統計地組合為至一客製分類引擎的輸入，該客製分類引擎可耗用單個或多個掃描、通道、晶圓及批量，以判定加工工具狀態。

Description

將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法 [相關申請案之交叉參考]
本申請案根據35 U.S.C.§ 119(e)規定主張2014年2月14日申請之美國臨時申請案第61/939,739號之權利。該美國臨時申請案第61/939,739號之全文以引用方式併入本文中。
本發明大體上係關於半導體裝置製造之領域，特定言之，本發明係關於用於監控加工工具狀況之方法。
薄拋光板(諸如矽晶圓及其類似者)係現代技術之一非常重要部分。例如，一晶圓係指用於製造積體電路及其他裝置之半導體材料之一薄片。薄拋光板之其他實例可包含磁碟基板、塊規及其類似者。儘管本文所描述之技術主要涉及晶圓，但應瞭解，該技術亦適用於其他類型之拋光板。
本發明係針對一種用於監控一加工工具狀況之方法。該方法包含：獲得複數個晶圓之複數個晶圓影像，該複數個晶圓包含複數個晶 圓批中製造之晶圓；計算該複數個晶圓之各特定晶圓之一晶圓級度量，基於針對各特定晶圓所獲得之晶圓影像來計算該特定晶圓之該晶圓級度量；計算該複數個晶圓批之各特定晶圓批之一批量級統計值，至少部分基於各特定晶圓批中製造之晶圓之晶圓級度量及一指定加工群組中之至少一額外晶圓批中製造之晶圓之晶圓級度量來計算該特定晶圓批之該批量級統計值；及基於該等晶圓級度量或該等批量級統計值來執行該加工工具之一統計分析。
本發明之一進一步實施例係針對一種加工工具狀況監控系統。該系統包含一成像裝置及一處理器。該成像裝置經組態以獲得複數個晶圓之複數個晶圓影像，其中該複數個晶圓包含複數個晶圓批中製造之晶圓。該處理器經組態以計算該複數個晶圓之各特定晶圓之一晶圓級度量，其中基於針對各特定晶圓所獲得之晶圓影像來計算該特定晶圓之該晶圓級度量。該處理器亦經組態以計算該複數個晶圓批之各特定晶圓批之一批量級統計值，其中至少部分基於各特定晶圓批中製造之晶圓之晶圓級度量及一指定加工群組中之至少一額外晶圓批中製造之晶圓之晶圓級度量來計算該特定晶圓批之該批量級統計值。接著，該處理器基於該等晶圓級度量或該等批量級統計值來識別一潛在加工工具漂移狀況。
本發明之一額外實施例係針對一種用於監控一加工工具狀況之方法。該方法包含：獲得複數個晶圓之複數個全晶圓影像，該複數個晶圓包含複數個晶圓批中製造之晶圓；計算該複數個晶圓之各特定晶圓之一晶圓級度量，基於針對各特定晶圓所獲得之全晶圓影像來計算該特定晶圓之該晶圓級度量；計算該複數個晶圓批之各特定晶圓批之一批量級統計值，至少部分基於各特定晶圓批中製造之晶圓之晶圓級度量及一指定加工群組中之至少一額外晶圓批中製造之晶圓之晶圓級度量來計算該特定晶圓批之該批量級統計值；基於該等晶圓級度量或 該等批量級統計值來識別一潛在加工工具漂移狀況；接收與該所識別之潛在加工工具漂移狀況相關之一使用者調整；及基於該使用者調整來調整用於識別該潛在加工工具漂移狀況之一程序。
應瞭解，以上一般描述及以下詳細描述兩者僅具例示性及說明性，且未必限制本發明。併入本說明書中且構成本說明書之一部分之附圖繪示本發明之標的。該等描述及圖式一起用於解釋本發明之原理。
100‧‧‧方法
102‧‧‧步驟
104‧‧‧步驟
106‧‧‧步驟
108‧‧‧步驟
700‧‧‧加工工具狀況監控系統
702‧‧‧成像裝置
704‧‧‧處理器
706‧‧‧半導體裝置
708‧‧‧使用者介面
熟習此項技術者可藉由參考附圖而更佳地理解本發明之諸多優點，其中：圖1係繪示用於監控一加工工具狀況之一方法的一流程圖；圖2係描繪裝置、層、批量及晶圓之間之一階級式關係的一說明圖；圖3係描繪使用一第一判別式之分類分析的一說明圖；圖4係描繪使用一第二判別式之分類分析的一說明圖；圖5係描繪顯示多個報告特徵之一例示性報告的一說明圖；圖6係描繪顯示一單個報告特徵之一例示性報告的一說明圖；及圖7係描繪一加工工具狀況監控系統的一方塊圖。
現將詳細參考附圖中所繪示之揭示標的。
半導體裝置之製造涉及使用多個加工工具組之高度複雜加工流程。該等加工工具可包含光微影工具、蝕刻工具、沈積工具、拋光工具、熱加工工具、植入工具及其類似者。依一預定順序在此等工具中加工晶圓或晶圓批(一晶圓批或一批界定為一起加工為一單個群組之一定量晶圓)。在半導體製程期間維持高精度係至關重要的。
歸因於稱為工具漂移之一現象，此等加工工具之精度隨時間流 逝而降級。用於處置加工工具漂移之習知技術包含：使用一學習方法(其中加工工程師憑經驗算出加工工具多長時間需要維修保養)或一監控系統(其僅可在降級已發生之後發現問題)。此等習知技術一般導致晶圓及材料之損耗，此係因為操作者將在多個晶圓批已被損壞(晶圓損耗)或相反地在執行加工工具維修保養時過度受侵害以因此無需替換部件(材料損耗)之後注意到工具漂移。
另外，習知技術無法提供加工工具問題之早期偵測。此等技術僅可在一問題已發生且產生僅可接著被捕獲之缺陷之後偵測到問題。鑑於製造系統之速度，晶圓取樣速率極低，偵測技術因而不切實際且產生大量費用，具有一至兩天維修保養週期之加工工具尤其如此。此等偵測技術亦可引起晶圓及材料損耗，且因此降低產率。此對於每裝置僅可製造數批晶圓之晶圓代工廠而言尤為關鍵。
本發明係針對用於在一半導體生產流程中提供具有高產能之一穩健早期預警系統以標記加工工具漂移之方法及裝置。根據本發明之方法及裝置亦減少由加工工具漂移引起之晶圓及材料損耗。更具體言之，根據本發明之方法及裝置使用新演算法來將單個晶圓、單批及多批資訊一起統計地組合為至一客製分類引擎之輸入，該客製分類引擎可耗用單個或多個掃描、通道、晶圓及批量以判定加工工具狀態。
參考圖1，圖中展示描繪用於監控一加工工具狀況之一方法100的一流程圖。應注意，此方法在無需偵測特定晶圓缺陷之情況下判定加工工具漂移。確切而言，該方法計算基於晶圓及基於批量之寬度量且將此等寬度量饋送至一分類引擎中以識別及提取加工工具漂移。此技術容許根據本發明之方法較穩健且因此能夠提供早期偵測。此外，此技術可在較簡單光學模式(即，低光學解析度要求)下操作，藉此實現一高產能。
如圖1中所描繪，在步驟102中獲得晶圓影像。在一實施例中， 獲得整個晶圓/全晶圓之影像，該等影像可為晶圓之前側、後側或邊緣表面或其等之一組合。然而，可預期，亦可在不脫離本發明之精神及範疇的情況下，利用部分晶圓影像。例如，在某些實施例中，可將此程序分解成較小晶圓區段，且可(例如)在一分散式計算架構中平行加工該等區段。替代地，可尤其關注晶圓之一或多個特定區域，且可獲得此等特定區域之影像用於分析目的。可預期，可依各種不同方式來界定此等晶圓區域，例如，該等晶圓區域可被界定為扇形、片段、多邊形、環形、橢圓形或任何其他幾何形狀。
亦可預期，所獲得之晶圓影像無需為高解析度影像。相反地，在某些實施例中，宜可利用較低解析度影像以減少加工其所需之資源量(例如記憶體空間、計算電力及其類似者)。在某些實施例中，若獲得高解析度影像，則可實施一降取樣程序以將解析度降低至一較佳位準。可預期，根據本發明之某些實施例，使用自高解析度影像降取樣的影像容許使用一高解析度微小缺陷偵測程序來即時且同時獲得晶圓影像，且不影響晶圓掃描時間。應瞭解，可由使用者根據即將到來之挑戰，對晶圓影像之解析度進行不同程度之細節調諧(自掃描解析度至數毫米範圍之任何點)。
一旦獲得晶圓影像，則可在步驟104中基於影像來計算各種晶圓級度量。此等晶圓級度量經設計以提取加工工具標識且識別各種晶圓之間的不一致性，此繼而可指示加工工具可經歷的潛在問題。更具體言之，此等晶圓級度量經設計以量化及追蹤一較長時間段內的製程狀況，且該等晶圓級度量能夠量測由加工工具引起的唯一標識(例如拋光/平坦化、蝕刻、微影、光刻、植入或其類似者)，無論該等標識是否由正常程序或失控程序引起。
根據本發明之某些實施例利用各種源來計算晶圓級度量。用於計算晶圓級度量的變數可包含(但不限於)照明源類型、強度及波長、 照明及收集光學幾何形狀、各種形狀的可變光學孔徑、光偏振或其類似者。另外，亦自各種影像處理源計算晶圓級度量。例如，用於此計算的輸入影像可包含晶圓圖案，或替代地，可減去該圖案。亦可透過各種影像融合技術來自不同系統狀況(照明、收集、加工)下所獲得的多個掃描影像來產生輸入影像。此外，根據特定使用者/加工要求，可在整個影像處理階段應用各種影像濾波技術。
可預期，所產生之度量類型將與由系統成像之光學狀況下之晶圓的光學信號回應固有地關聯。在某些實施例中，步驟104中實施之計算程序經設計以提取自各種影像組分之像素強度直接導出的各種度量、囊括與可能晶圓標識有關之資訊的各種空間度量，及考量可變頻率範圍及全部振幅、相位及能量資訊內容的若干頻率空間度量。亦可預期，可在不脫離本發明之精神及範疇的情況下，計算及利用額外度量，且使用者可利用根據本發明之方法來組態及客製化待產生之特定類型的度量。
接著，在步驟106中將所計算之晶圓級度量饋送至一統計計算模組中以執行統計分析。根據本發明，該統計計算模組同時考量單個晶圓、一單批內之多個晶圓以及多批資訊以建立在統計上應被視為正常用於分類目的之內容。圖2係有助於更詳細描述統計計算程序的一說明圖。
在典型製造操作中，將半導體製程細分成各種技術節點、裝置及層。預設之各獨特節點/裝置/層三聯體界定指稱一「加工群組」之內容。分批地運行用於各節點/裝置/層組合之晶圓(批由複數個晶圓(例如，通常為25個晶圓)組成)。換言之，如圖2中所展示，一裝置(例如一處理器、一記憶體、一攝像機或任何其他感測器、一汽車晶片、一MEMS、一電路晶片或其類似者)可包含一或多個層；對於各層，可加工一或多個晶圓批；且各晶圓批可包含一起加工之多個晶圓。對 研究一特定加工工具之行為有興趣之一加工工程師(即，一使用者)可具有與何種加工組件由該特定工具處置相關之知識，且可因此建立一檢驗取樣策略，其中自各批選擇晶圓之一最佳子集用於統計分析。例如，層Mi、Mj及Mk(來自相同或不同技術節點及裝置)可包含工程師想要分析之晶圓(或晶圓批)作為一群組。提供共同分析之能力(即，採用多批及批間(即，晶圓批之一混合物)度量來作出一共同決定)使根據本發明之統計計算更穩健且對使用者而言更不繁冗。
應注意，基於自步驟104接收之資料來實施步驟106，需要一初始訓練階段來建立各加工群組之一基線。在某些實施例中，需要自各加工群組(即，裝置及層之組合)之最小數目個晶圓及批收集資料以具有用於訓練系統之適當統計資料。例如，初始建議係使用用於各加工群組之來自10個不同批之最少50個晶圓來訓練系統。然而，應瞭解，可在不脫離本發明之精神及範疇之情況下組態及變動此數目。通常，訓練晶圓越多，提供之統計模型越穩健。
一旦已建立用於一使用者指定加工群組之一適當基線，則計算各原始度量之正規化度量。此容許全部度量跨越類似標度，且更重要地，正規化值對事件之發生概率具有直接意義。在一實施例中，屬於相同批之晶圓之正規化度量經共同處理以獲得一批量級度量，且晶圓級度量及/或批量級度量兩者接著可用於分析及分類目的。更具體言之，依批量級共同地計算多批度量及批間度量。例如，一特定批之正規化統計值可計算如下： 其中x i 表示針對批中之第i晶圓所接收之原始度量，μ PG 表示計算平均值，且σ PG 表示相同加工群組內之群體之計算標準偏差。應注意，加工群組係指由使用者指定之分析群組，如先前所描述。參考上文所繪 示之實例，加工群組包含層Mi、Mj及Mk。
可預期，可對自步驟104接收之各類型之原始度量獨立執行此正規化批量級計算。依此方式，對於步驟104中所計算之各類型之原始度量，統計計算步驟106將產生加工群組中之各批之一正規化值。同樣地，可根據各種集合方案來計算導出屬性及合併屬性。例如，一些導出屬性可考量全部度量或其子群組之最大值、最小值、平均值、標準偏差、帶寬以及其他統計資料。在另一實例中，一些合併屬性可考量全部度量或其子群組之標準值、總和、平方和以及其他統計資料。另外，可計算跨不同度量之合併及導數之一混合值。此外，加權表決方案可用於進一步仲裁計算資料且將計算資料合併成一單個全球屬性。
亦可預期，上文所描述之統計計算模組可將一時間分量併入至分析中。例如，可在某一時間段內分析正規化度量以監控加工工具健康狀況，例如，作為一觸發機制以判定一特定加工工具何時需要維修保養或故障檢修。可定期更新所建立之基線以反映製程狀況中之一緩慢預期漂移，且可再訪過去基線以獲得製程隨時間逝去之平均行為之一準確歷史記錄。
此時，一旦在步驟106中完成統計計算，則在步驟108中將結果提供至一分類引擎以識別任何潛在問題。可預期，分類引擎可採用若干方法來促進分類程序。在一實施例中，採用一無監督方法，其中分類引擎基於自步驟106接收之正規化值來計算一給定類型之量測度量之一統計正常值。在此無監督操作模式中，分類引擎僅根據各晶圓及批偏離訓練基線之程度來對該晶圓及批進行分級。使用者可基於一或多個晶圓級或批量級度量以及導出屬性、合併屬性或全球屬性之任何者來設定被視為一離群者之一臨限值。接著，分類引擎可基於此臨限值來識別及報告離群者(若存在)。由於無需來自使用者之監督或詳細 分類輸入，所以將此方法稱為無監督方法。
替代地及/或另外，可利用一監督方法，其中使用者可檢視由分類引擎判定之識別離群者，且根據此等識別離群者是否被確認為偏移而對系統作出回應。依此方式，使用者輸入可用於訓練分類引擎，且應瞭解，在不脫離本發明之精神及範疇的情況下，各種類型之機器學習技術可用於促進此訓練程序。
例如，在一實施例中，分類引擎需要由使用者將某數目個晶圓及/或批手動分類為一或多個所關注類別。將此資訊傳遞至分類引擎且產生各分類加工群組之一統計模型。隨後，將由引擎根據具有一相關聯可信度之該等類別之一者來對各晶圓進行分類。使用者可具有各種選項：a)接受監督分類引擎之預設分類結果；b)基於該可信度來設定一臨限值以進一步判別結果；或c)拒絕答案且重新訓練引擎以併入該拒絕作為改良分類引擎之效能之一方式。
可預期，使用者可選擇是否使分類引擎在無監督模式或監督模式中操作。無監督模式之優點包含易用性，此係因為幾乎無需使用者輸入。另外，無監督模式實現趨向使用情況，其中關鍵態樣不聚焦於特定事件之分類，而是聚焦於處理資料在一潛在有害方向上之漂移的識別。此能力容許使用者在非所要事件實際上發生之前注意到趨勢。另一方面，監督模式亦提供若干優點。例如，監督模式能夠判別兩個或兩個以上晶圓類別。監督模式亦能夠處理一高維空間中的資料，且自動判定用於使不同類別分離的最佳判別超表面。圖3及圖4中繪示此等能力，其中分析不同判別式，且可識別提供最佳可分離性之判別式且將其用於分類目的。
亦可預期，使用者可選擇具有判定何種度量參與分類機制之全控制。替代地及/或另外，系統可基於效能來自用於分類目的之各種度量自動選擇。
應瞭解，在不脫離本發明之精神及範疇的情況下，分類引擎可利用各種機器學習及分類技術。在某些實施例中，分類技術利用包含(但不限於)以下各者之程序：分析度量之統計相關性及線性獨立性，以將度量群體削減至含有用於分類之大多數有用資訊的最小集合；基於度量使類別分離之能力來對度量進行分級的多個方案；基於分類群體大小，透過資訊理論來最終選擇度量；對剩餘度量維數進行叢集分析，其中可繪製不同類別之群體之間的非線性分割線且施加客製類別權重以微調該等分割線偏向全部其他類別中之各類別的嚴重程度；及分析分類群體以判定冗餘且因此在不損失分類品質的情況下大幅削減計算時間。此外，可預期，監督模式亦可依一遞迴方式用於發掘更多壞晶圓實例，且經由使用者校正來進一步改善其自身效能。
亦可預期，可協同使用無監督模式及監督模式。例如，可首先使用無監督模式來突顯離群晶圓，該等離群晶圓變為可能候選者以饋送為監督分類引擎所需之多個分類晶圓類別。在另一實例中，可基於兩種模式對不同特徵之回應而一起使用兩種模式。更具體言之，特徵對無監督模式無偏見；另一方面，監督引擎將調諧至區分給定晶圓類別之特徵。此時，若存在無法由訓練類別捕獲且影響其他特徵之一種新程序變動，則特徵偏見監督引擎可完全錯過該變動。對於此等情況，若使用者意識到此新類型已顯現，則使用者將必須重新訓練監督引擎以捕獲此新類別。相反地，無監督方法(作為統計異常之一通用指示)將最可能將此新事件標記為一離群者。
在某些實施例中，無監督分類器及/或監督分類器之多個例項可同時運行，該多個例項各經具體調諧以識別不同種類之離群者，其與運行一單個分類器以涵蓋可達成較差分類效能之多個不同標識相反。可預期，在不脫離本發明之精神及範疇之情況下，是否利用多個分類器可變動，且此等分類器之特定數目可變動。
無論監督或無監督，應將分類之結果以文字及/或圖形表示報告給使用者。可預期，可依各種方式視覺化晶圓級度量/資料及批量級度量/資料兩者。參考圖5及圖6，圖中展示識別潛在離群者之例示性報告。此等例示性報告之x軸可識別被分析之各種晶圓批之指數，且此等例示性報告之y軸可識別當前被顯示之量測度量之類型。如先前所描述，由於獨立處理各類型之量測度量，所以可將此等度量之一清單提供給使用者以自其中選擇用於報告目的之度量。可預期，報告可基於使用者偏好及選擇來同時顯示多個特徵(例如多個類型之度量)(如圖4中所展示)或顯示一單個特徵(如圖5中所展示)。應瞭解，所描繪之此等例示性報告僅用於繪示目的；可在不脫離本發明之精神及範疇之情況下利用其他類型之報告及報告格式。
現參考圖7，圖中展示描繪一加工工具狀況監控系統700的一方塊圖。系統700可包含成像裝置(例如一掃描器、一攝像機、一顯微鏡及其類似者)702，其經組態以獲得半導體裝置706(例如晶圓或晶圓批)之影像。例如，成像裝置702可捕獲半導體裝置706之一空中影像(例如俯視圖)且將該影像提供至經組態以處理所獲得影像之一處理器704。可預期，在不脫離本發明之精神及範疇之情況下，系統700可包含一個以上成像裝置。某些系統可提供同時捕獲半導體裝置之全部表面(前側、後側及邊緣)之能力。
可利用任何獨立或嵌入計算裝置(例如一電腦、一處理單元/電路或其類似者)來實施處理器704。一旦自成像裝置702接收影像，則處理器704可執行上文所描述之分類程序。接著，可經由一使用者介面708來將分類報告提供至一使用者，使用者介面708亦可自該使用者接收輸入作為先前所描述之訓練程序之一部分。
可預期，可記錄計算統計資料及訓練分類引擎(例如，將計算統計資料及訓練分類引擎儲存於一資料庫中)以供未來參考。可再使用 所儲存之資料及/或隨時間逝去而改善所儲存之資料，或可複製所儲存之資料且將其載入至另一加工工具狀況監控系統中。此外，可預期，可跨多個監控系統共用所儲存之資料，且可依一分散方式操作此等系統，此可在各種製造環境中加以瞭解。
應注意，根據本發明之用於監控加工工具狀況之系統及方法能夠在無需偵測特定晶圓缺陷之情況下判定加工工具漂移。僅需要計算基於晶圓及基於批量之寬度量，且一分類引擎能夠識別可指示加工工具漂移且提供早期預警之潛在離群者。此一偵測程序對半導體製造業而言非常有價值，此係因為其減少晶圓及材料損耗。此外，應注意，由於無需高解析度影像，所以有益地降低對光學系統之要求，此係因為其能夠增加晶圓取樣且繼而增加產能。
如上文所描述，根據本發明之用於監控加工工具狀況之系統及方法提供若干優點。此等優點包含：瞭解加工工具行為之趨勢以在昂貴問題影響多批發展之前採取預防措施；歸因於低光學要求及可調位準之降取樣操作而提供高產能加工；容許不同水平之使用者與對應位準之效能結合；提供維持全製造製程之歷史記錄之能力；及支援針對一短轉回時間內之特定挑戰之客製化。
可預期，除提供識別潛在加工工具漂移之能力之外，根據本發明之用於監控加工工具狀況之系統及方法亦可提供使用次解析度異常加工標識來突顯晶圓之能力。換言之，根據本發明之系統及方法具有找到習知缺陷偵測方法無法找到(歸因於缺陷大小低於其光學解析度)之使用者所關注之問題(諸如圓形刮痕、隱微過度拋光及拋光不足、步進散焦或其類似者)之能力。另外，根據本發明之系統及方法亦可提供加工窗監控，其涉及微調加工工具狀況。應注意，由於此應用之一固有態樣係訓練至一良好/正常加工看似樣子之一基線，所以使用者可接著識別何種加工最佳化產生將顯著偏離此基線之結果，其與將 產生具有類似結果之加工相反。可預期，在不脫離本發明之精神及範疇之情況下，根據本發明之系統及方法可用於各種其他目的。
亦可預期，儘管上述實例涉及晶圓量測，但在不脫離本發明之精神及範疇之情況下，根據本發明之系統及方法亦可應用於其他類型之拋光板。用於本發明中之術語「晶圓」可包含製造積體電路及其他裝置時所使用之半導體材料之一薄片、以及其他薄拋光板(諸如磁碟基板、塊規及其類似者)。
應瞭解，本發明可實施為一軟體/韌體封裝之形式。此一封裝可為一電腦程式產品，其採用包含儲存電腦程式碼之一電腦可讀儲存媒體/裝置，該儲存電腦程式碼用於程式化一電腦以執行本發明之揭示功能及程序。該電腦可讀媒體可包含(但不限於)任何類型之軟碟、光碟、CD-ROM、磁碟、硬碟機、磁光碟、ROM、RAM、EPROM、EEPROM、磁卡或光卡、或適合於儲存電子指令之任何其他媒體。
所揭示之方法可透過一單個產生裝置及/或多個產生裝置來實施為指令集。此外，應瞭解，所揭示方法中之步驟之特定順序或階層係例示性方法之實例。應瞭解，基於設計偏好，可重新配置方法中之步驟之特定順序或階層，同時保持在本發明之精神及範疇內。隨附方法請求項依一樣本順序呈現各種步驟之要素，且未必意謂受限於所呈現之特定順序或階層。
據信，將藉由以上描述而理解本發明之系統及方法及其諸多伴隨優點，且應明白，在不脫離所揭示標的之情況下或在不犧牲標的之全部材料優點之情況下，可對組件之形式、建構及配置作出各種改變。所描述之形式僅具說明性。
100‧‧‧方法
102‧‧‧步驟
104‧‧‧步驟
106‧‧‧步驟
108‧‧‧步驟

Claims (20)

  1. 一種用於監控一加工工具狀況之方法，該方法包括：獲得複數個晶圓之複數個晶圓影像，該複數個晶圓包含在複數個晶圓批中製造的晶圓；計算該複數個晶圓之各特定晶圓之一晶圓級度量，基於針對各特定晶圓所獲得之該晶圓影像來計算該特定晶圓之該晶圓級度量；計算該複數個晶圓批之各特定晶圓批之一批量級統計值，至少部分基於各特定晶圓批中製造之晶圓的晶圓級度量及一指定加工群組中之至少一額外晶圓批中製造之晶圓的晶圓級度量來計算該特定晶圓批的該批量級統計值；及基於該等晶圓級度量或該等批量級統計值來執行該加工工具之一統計分析。
  2. 如請求項1之方法，其中針對各特定晶圓所獲得之該晶圓影像係一全晶圓影像。
  3. 如請求項1之方法，其中該晶圓級度量包含基於像素強度之一度量、基於空間之一度量，及基於頻率空間之一度量中之至少一者。
  4. 如請求項1之方法，其中在一使用者指定加工群組中指定該至少一額外晶圓批。
  5. 如請求項4之方法，其中計算各特定晶圓批之一批量級統計值包含：正規化該特定晶圓批中製造之晶圓之該晶圓級度量。
  6. 如請求項5之方法，其中基於以下公式來計算各特定晶圓批之該批量級統計值： 其中x i 表示該特定晶圓批中之一第i晶圓之該晶圓級度量，μ PG 表示該使用者指定加工群組之一計算平均值，且σ PG 表示該使用者指定加工群組之一計算標準偏差。
  7. 如請求項1之方法，其中該加工工具之該統計分析用於以下之至少一者：識別一潛在加工工具漂移狀況；使用一次解析度異常加工標識來識別一晶圓；及提供用於微調該加工工具狀況之加工窗監控。
  8. 一種加工工具狀況監控系統，其包括：一成像裝置，該成像裝置經組態以獲得複數個晶圓之複數個晶圓影像，該複數個晶圓包含複數個晶圓批中製造之晶圓；及一處理器，該處理器經組態以：計算該複數個晶圓之各特定晶圓之一晶圓級度量，基於針對各特定晶圓所獲得之該晶圓影像來計算該特定晶圓之該晶圓級度量；計算該複數個晶圓批之各特定晶圓批之一批量級統計值，至少部分基於各特定晶圓批中製造之晶圓的晶圓級度量及一指定加工群組中之至少一額外晶圓批中製造之晶圓的晶圓級度量來計算該特定晶圓批的該批量級統計值；及基於該等晶圓級度量或該等批量級統計值來識別一潛在加工工具漂移狀況。
  9. 如請求項8之系統，其中針對各特定晶圓所獲得之該晶圓影像係一全晶圓影像。
  10. 如請求項8之系統，其中該晶圓級度量包含基於像素強度之一度量、基於空間之一度量及基於頻率空間之一度量中之至少一者。
  11. 如請求項8之系統，其中在一使用者指定加工群組中指定該至少一額外晶圓批。
  12. 如請求項11之系統，其中計算各特定晶圓批之一批量級統計值包含：正規化該特定晶圓批中製造之晶圓之該晶圓級度量。
  13. 如請求項12之系統，其中基於以下公式來計算各特定晶圓批之該批量級統計值： 其中x i 表示該特定晶圓批中之一第i晶圓之該晶圓級度量，μ PG 表示該使用者指定加工群組之一計算平均值，且σ PG 表示該使用者指定加工群組之一計算標準偏差。
  14. 如請求項8之系統，進一步包括：一使用者介面，該使用者介面經組態以接收與該所識別之潛在加工工具漂移狀況相關之一使用者調整。
  15. 如請求項14之系統，其中該處理器進一步經組態以基於該使用者調整來調整用於識別該潛在加工工具漂移狀況之一程序。
  16. 一種用於監控一加工工具狀況之方法，該方法包括：獲得複數個晶圓之複數個全晶圓影像，該複數個晶圓包含在複數個晶圓批中製造的晶圓；計算該複數個晶圓之各特定晶圓之一晶圓級度量，基於針對各特定晶圓所獲得之該全晶圓影像來計算該特定晶圓之該晶圓級度量；計算該複數個晶圓批之各特定晶圓批之一批量級統計值，至少部分基於各特定晶圓批中製造之晶圓的晶圓級度量及一指定加工群組中之至少一額外晶圓批中製造之晶圓的晶圓級度量來計算該特定晶圓批的該批量級統計值； 基於該等晶圓級度量或該等批量級統計值來識別一潛在加工工具漂移狀況；接收與該所識別之潛在加工工具漂移狀況相關之一使用者調整；及基於該使用者調整來調整用於識別該潛在加工工具漂移狀況之一程序。
  17. 如請求項16之方法，其中該晶圓級度量包含基於像素強度之一度量、基於空間之一度量及基於頻率空間之一度量中之至少一者。
  18. 如請求項16之方法，其中在一使用者指定加工群組中指定該至少一額外晶圓批。
  19. 如請求項18之方法，其中計算各特定晶圓批之一批量級統計值包含：正規化該特定晶圓批中製造之晶圓之該晶圓級度量。
  20. 如請求項19之方法，其中基於以下公式來計算各特定晶圓批之該批量級統計值： 其中x i 表示該特定晶圓批中之一第i晶圓之該晶圓級度量，μ PG 表示該使用者指定加工群組之一計算平均值，且σ PG 表示該使用者指定加工群組之一計算標準偏差。
TW104105421A 2014-02-14 2015-02-16 將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法 TWI706484B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201461939739P 2014-02-14 2014-02-14
US61/939,739 2014-02-14
US14/209,198 2014-03-13
US14/209,198 US10290088B2 (en) 2014-02-14 2014-03-13 Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput

Publications (2)

Publication Number Publication Date
TW201535557A true TW201535557A (zh) 2015-09-16
TWI706484B TWI706484B (zh) 2020-10-01

Family

ID=53798080

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104105421A TWI706484B (zh) 2014-02-14 2015-02-16 將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法

Country Status (7)

Country Link
US (1) US10290088B2 (zh)
EP (1) EP3105780B1 (zh)
JP (1) JP6598790B2 (zh)
KR (1) KR102154892B1 (zh)
CN (1) CN105981151B (zh)
TW (1) TWI706484B (zh)
WO (1) WO2015123467A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI733900B (zh) * 2016-09-14 2021-07-21 美商克萊譚克公司 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類
TWI801767B (zh) * 2020-11-09 2023-05-11 財團法人工業技術研究院 機器學習分類模型之修正方法與訓練系統及使用者介面

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9915932B2 (en) * 2014-12-01 2018-03-13 Applied Materials, Inc. System and method for equipment monitoring using a group candidate baseline and probabilistic model
JP5956094B1 (ja) * 2015-03-10 2016-07-20 三菱化学エンジニアリング株式会社 製造プロセスの解析方法
US9965848B2 (en) * 2015-12-23 2018-05-08 Kla-Tencor Corporation Shape based grouping
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection
US10204290B2 (en) * 2016-10-14 2019-02-12 Kla-Tencor Corporation Defect review sampling and normalization based on defect and design attributes
JP6716423B2 (ja) * 2016-10-26 2020-07-01 三菱ケミカルエンジニアリング株式会社 生産プロセスの解析方法
JP6457474B2 (ja) * 2016-12-20 2019-01-23 ファナック株式会社 検査情報とトレース情報とを使用した製造管理装置及び製造システム
US10408764B2 (en) 2017-09-13 2019-09-10 Applied Materials Israel Ltd. System, method and computer program product for object examination
US11042148B2 (en) * 2017-11-23 2021-06-22 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for scheduling semiconductor lot to fabrication tool
US10714366B2 (en) * 2018-04-12 2020-07-14 Kla-Tencor Corp. Shape metric based scoring of wafer locations
JP6549760B1 (ja) * 2018-06-26 2019-07-24 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法、及び制御装置
JP6481916B1 (ja) * 2018-06-26 2019-03-13 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法及び制御装置
CN109003919B (zh) * 2018-07-11 2020-11-03 上海华力微电子有限公司 一种晶圆制程工艺参数的反馈方法
US10872403B2 (en) 2018-08-10 2020-12-22 Micron Technology, Inc. System for predicting properties of structures, imager system, and related methods
EP3627568B1 (de) * 2018-09-21 2024-03-27 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren zur verarbeitung von abbildungen von halbleiterstrukturen, sowie zur prozesscharakterisierung und prozessoptimierung mittels semantischer datenkompression
US11393118B2 (en) * 2019-06-18 2022-07-19 Kla Corporation Metrics for asymmetric wafer shape characterization

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6185324B1 (en) * 1989-07-12 2001-02-06 Hitachi, Ltd. Semiconductor failure analysis system
JPH08250569A (ja) 1995-03-14 1996-09-27 Hitachi Ltd プロセス処理装置及びそのシステム並びに製品保管装置
JPH11307604A (ja) * 1998-04-17 1999-11-05 Toshiba Corp プロセスモニタ方法及びプロセス装置
US6459949B1 (en) * 1998-10-21 2002-10-01 Advanced Micro Devices, Inc. System and method for corrective action tracking in semiconductor processing
WO2002027782A2 (en) 2000-09-27 2002-04-04 Advanced Micro Devices, Inc. Fault detection method and apparatus using multiple dimension measurements
US6701259B2 (en) * 2000-10-02 2004-03-02 Applied Materials, Inc. Defect source identifier
US7174281B2 (en) * 2002-05-01 2007-02-06 Lsi Logic Corporation Method for analyzing manufacturing data
TWI328164B (en) * 2002-05-29 2010-08-01 Tokyo Electron Ltd Method and apparatus for monitoring tool performance
US6928628B2 (en) * 2002-06-05 2005-08-09 Kla-Tencor Technologies Corporation Use of overlay diagnostics for enhanced automatic process control
JP2004342736A (ja) * 2003-05-14 2004-12-02 Sharp Corp レーザアニール装置の管理方法
KR100839071B1 (ko) 2004-05-13 2008-06-19 삼성전자주식회사 공정장비의 상태를 모니터링하기 위한 시스템 및 방법
WO2006046236A1 (en) * 2004-10-26 2006-05-04 May High-Tech Solutions, Ltd. Method and apparatus for residue detection on a polished wafer
KR101324419B1 (ko) * 2006-02-09 2013-11-01 케이엘에이-텐코 코포레이션 웨이퍼의 특성을 결정하기 위한 방법 및 시스템
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US9710903B2 (en) 2008-06-11 2017-07-18 Kla-Tencor Corp. System and method for detecting design and process defects on a wafer using process monitoring features
KR101017109B1 (ko) 2008-11-26 2011-02-25 세메스 주식회사 반도체 제조 공정 모니터링 방법
CN101996398B (zh) * 2009-08-12 2012-07-04 睿励科学仪器（上海）有限公司 用于晶圆对准的图像匹配方法及设备
US9620426B2 (en) 2010-02-18 2017-04-11 Kla-Tencor Corporation Method and system for providing process tool correctables using an optimized sampling scheme with smart interpolation
JP5320329B2 (ja) * 2010-03-15 2013-10-23 株式会社日立ハイテクノロジーズ Ｓｅｍ式欠陥観察装置および欠陥画像取得方法
US9349660B2 (en) 2011-12-01 2016-05-24 Taiwan Semiconductor Manufacturing Company, Ltd. Integrated circuit manufacturing tool condition monitoring system and method
US10047439B2 (en) * 2011-12-08 2018-08-14 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for tool condition monitoring based on a simulated inline measurement

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI733900B (zh) * 2016-09-14 2021-07-21 美商克萊譚克公司 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類
TWI801767B (zh) * 2020-11-09 2023-05-11 財團法人工業技術研究院 機器學習分類模型之修正方法與訓練系統及使用者介面

Also Published As

Publication number Publication date
KR20160121567A (ko) 2016-10-19
EP3105780B1 (en) 2022-04-06
WO2015123467A1 (en) 2015-08-20
JP2017510981A (ja) 2017-04-13
TWI706484B (zh) 2020-10-01
EP3105780A1 (en) 2016-12-21
US10290088B2 (en) 2019-05-14
CN105981151B (zh) 2020-06-09
KR102154892B1 (ko) 2020-09-10
EP3105780A4 (en) 2017-10-11
US20150234379A1 (en) 2015-08-20
JP6598790B2 (ja) 2019-10-30
CN105981151A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
TWI706484B (zh) 將客製化度量與全球分類法結合以在極端高產能下監控加工工具狀況之基於晶圓及批量之階級式方法
CN111052331B (zh) 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法
TWI808815B (zh) 半導體製作製程控制之系統及方法，以及電腦程式產品
JP7216822B2 (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
TWI708301B (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
TWI648533B (zh) 用於相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之電腦實施方法及經組態以相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之系統
US10360671B2 (en) Tool health monitoring and matching
CN107004060B (zh) 用于半导体制造工艺的经改进工艺控制技术
US10483081B2 (en) Self directed metrology and pattern classification
TWI614721B (zh) 在半導體製造中用於檢測之雜訊中所內嵌之缺陷之偵測
WO1997035337A1 (en) Process control system
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
TWI783368B (zh) 診斷系統
US8682058B2 (en) Defect analysis method, apparatus, and recording medium using pattern dependence degree
US11615993B2 (en) Clustering sub-care areas based on noise characteristics
JP2004198436A (ja) 欠陥検査方法及びその装置
JP2011054804A (ja) 半導体製造装置の管理方法およびシステム
IL257205A (en) Self-directed metrology and example classification
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
US20220392187A1 (en) Image recognition system
US20220334567A1 (en) Fabrication fingerprint for proactive yield management
JP2007049020A (ja) 欠陥分布分類方法および欠陥分布分類装置
TW202300898A (zh) 支援裝置以及方法