TW201729024A - 辨識良率損失之根本原因的系統與方法 - Google Patents

辨識良率損失之根本原因的系統與方法 Download PDF

Info

Publication number
TW201729024A
TW201729024A TW105135570A TW105135570A TW201729024A TW 201729024 A TW201729024 A TW 201729024A TW 105135570 A TW105135570 A TW 105135570A TW 105135570 A TW105135570 A TW 105135570A TW 201729024 A TW201729024 A TW 201729024A
Authority
TW
Taiwan
Prior art keywords
workpieces
key
algorithm
yield
root cause
Prior art date
Application number
TW105135570A
Other languages
English (en)
Other versions
TWI623830B (zh
Inventor
鄭芳田
謝曜聲
鄭景文
Original Assignee
國立成功大學
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 國立成功大學 filed Critical 國立成功大學
Publication of TW201729024A publication Critical patent/TW201729024A/zh
Application granted granted Critical
Publication of TWI623830B publication Critical patent/TWI623830B/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], 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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4184—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], computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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], computer integrated manufacturing [CIM]
    • G05B19/41885—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], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
    • G06F7/20—Comparing separate sets of record carriers arranged in the same sequence to determine whether at least some of the data in one set is identical with that in the other set or sets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • G05B2219/45032—Wafer manufacture; interlock, load-lock module
    • 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]

Abstract

本發明實施例提供一種雙階段(Two-Phase)處理過程，以尋找生產線之良率損失的根本原因。在第一階段中，辨識出可能會引起良率損失的製程機台與其製程機台型式。在第二階段中，在第一階段所發現之機台型式中，辨識出可能會引起良率損失的製程參數。在每一個階段中，可使用兩個不同的演算法來產生一信賴指標(RIk)，以評估其搜尋結果的可靠程度。

Description

辨識良率損失之根本原因的系統與方法
本發明是有關於一種辨識良率損失之根本原因的系統與方法，且特別是有關於一種具有可靠度指標之辨識良率損失之根本原因的系統與方法，此可靠度指標係用以評估所辨識出之根本原因的可靠度。
產品良率會直接影響生產成本。所有的製造者無不尋求在發展和大量生產階段中迅速地提高產品良率。換言之，當良率損失發生時，必須在研發和大量生產階段中快速地找出引起此良率損失的根本原因。當遭遇到良率損失時，習知之良率提升方法是收集所有生產相關資料來進行大數據分析，以找出造成良率損失的根本原因並改正這些根本原因。然而，生產相關資料常常是數量龐大且複雜的，因此非常難以從生產相關資料中尋找良率損失的根本原因。
隨著半導體及薄膜電晶體液晶顯示器(TFT-LCD)製造技術的進步，其製程變得愈來愈複雜。因此，如何維持這些複雜的製程之可行的良率便成為一必要的議題。良率管理系統的目標是在提升良率。然而，在研發和產量上升階段中，工件數量少，使得良率管理系統難以在所 有生產機台中找出缺陷的根本原因。因此，如何在有限數量的工件樣本情況下於數量眾多生產機台中，找出造成良率損失之不良製程機台的關鍵參數，便成為眾所關心的議題。這種挑戰即所謂的高維度變數選取(High Dimensional Variable Selection)問題，其亦標示為p>>n的問題，其中“p”代表半導體及TFT-LCD製程中之製程機台的解釋製程相關參數的數量，而另一方面，“n”是半導體及TFT-LCD製程中之成品(被處理的工件)的採樣數目。
本發明之一目的是在提供一種可於短時間辨識出良率損失之根本原因的系統與方法。
本發明之又一目的是在提供一種信賴指標(RIk)，以評估搜尋結果的可靠程度。
根據本發明上述目的，提出一種辨識良率損失之根本原因的方法。在此方法中，首先提供一生產線，此生產線包含複數個製程站(Stages)，每一個製程站包含複數個製程機台，此些製程機台分別屬於複數個製程機台型式，每一個製程機台包含至少一個製程裝置，每一製程裝置具有複數個製程參數，此些製程參數係配置以處理複數個工件其中一個工件。然後，根據複數個生產路徑分別處理工件，每一個生產路徑指出在此些製程站中之此些製程機台之此些製程裝置其中一個預設裝置，用以處理此些工件其中一個工件。接著，對被對應之預設裝置處理後之每一個工件進行量 測，以獲得對應至此些工件之複數組線上量測值。然後，對通過生產線後之每一個工件進行至少一個良率測試，以獲得分別對應至此些工件之複數組最終檢查值。接著，根據此些組最終檢查值決定是否遭遇一良率測試失敗。然後，當遭遇到良率測試失敗時，進行一第一階段，此第一階段包含一第一根本原因尋找步驟。在第一根本原因尋找步驟中，首先基於一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法(Triple Phase Orthogonal greedy algorithm；TPOGA)、最小絕對壓縮挑選機制(Least Absolute Shrinkage and Selection Operator；LASSO)演算法、或提高樣本使用率之迴歸樹(Sample-Efficient Regression Trees；SERT)演算法。接著，藉由輸入此些工件之此些組最終檢查值、此些工件之此些組線上量測值和此些工件之此些生產路徑至上述之第一搜尋模型中，以從在此些製程站之此些製程機台之此些製程裝置中辨識出可能會造成良率測試失敗的至少一個第一關鍵裝置。
在一些實施例中，在第一階段中，基於一第二演算法來建立一第二搜尋模型，其中第二演算法與第一演算法不相同，第二演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或提高樣本使用率之迴歸樹演算法。接著，藉由輸入此些工件之此些組最終檢查值、此些工件之此些組線上量測值和此些工件之此些生產路徑至第二搜尋模型中，以從在此些製程站之此製程機台之此些製程 裝置中辨識出可能會造成良率測試失敗的至少一個第二關鍵裝置。然後，對第一關鍵裝置進行排名與評分，並對第二關鍵裝置進行排名與評分。接著，比較第一關鍵裝置和第二關鍵裝置間之排名的相似度，以獲得一第一信心指標，來評估第一關鍵裝置和第二關鍵裝置之辨識結果的可靠程度。
在一些實施例中，在第一階段後，進行一第二階段，第二階段包含一第二根本原因尋找步驟，在第二根本原因尋找步驟中，自至少一個第一關鍵裝置選擇一個第一關鍵裝置，其中此被選到之第一關鍵裝置係屬於此些製程機台型式中之一關鍵製程機台型式。接著，藉由輸入此些工件之此些組最終檢查值、和在全部之此些製程站上屬於此關鍵製程機台型式之此些製程機台之此些製程裝置的全部此些製程參數的數值至第一搜尋模型中，以辨識出可能會造成良率測試失敗的複數個第一關鍵製程參數。
在一些實施例中，在第二階段中，藉由輸入此些工件之此些組最終檢查值、和在全部之此些製程站上屬於此關鍵製程機台型式之此些製程機台之此些製程裝置的全部此些製程參數的數值至第二搜尋模型中，以辨識出可能會造成良率測試失敗的複數個第二關鍵製程參數。接著，對此些第一關鍵製程參數進行排名與評分，並對此些第二關鍵製程參數進行排名與評分。然後，比較此些第一關鍵製程參數和此些第二關鍵製程參數間之排名的相似度，以獲得一第二信心指標，來評估第一關鍵製程參數和第二關鍵製程參數之辨識結果的可靠程度。
在一些實施例中，對被對應之預設裝置處理後之每一個工件進行量測的步驟更包含：對每一個工件進行虛擬量測。
在一些實施例中，最小絕對壓縮挑選機制演算法包含一自動調整懲罰係數(λ)值的方法。
根據本發明上述目的，提出另一種辨識良率損失之根本原因的方法，其中此良率損失係發生在一生產線上，此生產線包含複數個製程站，每一個製程站包含至少一個製程機台，此至少一個製程機台屬於至少一個製程機台型式其中一者，每一個製程機台包含至少一個製程裝置，每一個製程裝置具有複數個製程參數，此些製程參數係配置以處理複數個工件中之一工件。此辨識良率損失之根本原因的方法包含：獲得複數個生產路徑，每一個生產路徑指出在此些製程站中之此些製程機台之此些製程裝置中之一預設裝置，用以處理此些工件中之一工件；接收此些工件之複數組線上量測值，其中此些組線上量測值係藉由對被預設裝置處理後之此些工件進行量測來獲得；接收對應至此些工件之複數組最終檢查值，其中此些組最終檢查值係藉由對通過此生產線後之每一個工件進行至少一良率測試來獲得；根據此些組最終檢查值決定是否遭遇一良率測試失敗；當遭遇到良率測試失敗時，進行一第一階段，第一階段包含一第一根本原因尋找步驟。第一根本原因尋找步驟包含：基於一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或提高 樣本使用率之迴歸樹演算法；以及藉由輸入此些工件之此些組最終檢查值、此些工件之此些組線上量測值和此些工件之此些生產路徑至第一搜尋模型中，以從在此些製程站之此些製程機台之此些製程裝置中辨識出可能會造成良率測試失敗的至少一個第一關鍵裝置。
在一些實施例中，在第一階段後，進行一第二階段，第二階段包含一第二根本原因尋找步驟。第二根本原因尋找步驟包含：選擇此至少一個第一關鍵裝置之一個第一關鍵裝置，其中此被選到之第一關鍵裝置係屬於此些製程機台型式之一關鍵製程機台型式；以及藉由輸入此些工件之此些組最終檢查值、和在全部之此些製程站上屬於此關鍵製程機台型式之此些製程機台之此些製程裝置的全部此些製程參數的數值至第一搜尋模型中，以辨識出可能會造成良率測試失敗的複數個第一關鍵製程參數。
根據本發明上述目的，提出一種辨識良率損失之根本原因的系統，其中此良率損失係發生在一生產線上，該此生產線包含複數個製程站，每一個製程站包含至少一個製程機台，此至少一個製程機台屬於至少一個製程機台型式中一製程機台型式，每一個製程機台包含至少一個製程裝置，每一個製程裝置具有複數個製程參數，此些製程參數係配置以處理複數個工件中之一工件。此辨識良率損失之根本原因的系統包含：記憶體和處理器。此記憶體儲存有一生產資訊和對應至此些工件之複數組最終檢查值。此生產資訊包含複數個生產路徑、此些工件之此些製程參數的數值、和此 些工件之複數組線上量測值，其中每一個生產路徑指出在此些製程站中之此些製程機台之此些製程裝置中之一預設裝置，用以處理此些工件中之一工件，此些組線上量測值係藉由對被預設裝置處理後之此些工件進行量測來獲得，此些組最終檢查值係藉由對通過生產線後之每一個工件進行至少一個良率測試來獲得。處理器係配置以根據此些組最終檢查值決定是否遭遇一良率測試失敗；當遭遇到良率測試失敗時，進行一第一階段，第一階段包含一第一根本原因尋找步驟。第一根本原因尋找步驟包含：基於一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或提高樣本使用率之迴歸樹演算法；以及藉由輸入此些工件之此些組最終檢查值、此些工件之此些組線上量測值和此些工件之此些生產路徑至第一搜尋模型中，以從在此些製程站之此些製程機台之此些製程裝置中辨識出可能會造成良率測試失敗的至少一個第一關鍵裝置。
在一些實施例中，其中在第一階段後，上述之處理器係配置以進行一第二階段，第二階段包含一第二根本原因尋找步驟，第二根本原因尋找步驟包含：選擇此至少一第一關鍵裝置之一第一關鍵裝置，其此被選到之第一關鍵裝置係屬於此些製程機台型式之一關鍵製程機台型式；以及藉由輸入此些工件之此些組最終檢查值、和在全部之此些製程站上屬於此關鍵製程機台型式之此些製程機台之此些製程 裝置的全部此些製程參數的數值至第一搜尋模型中，以辨識出可能會造成良率測試失敗的複數個第一關鍵製程參數。
在一些實施例中，其中上述之第二階段更包含：藉由輸入此些工件之此些組最終檢查值、和在全部之此些製程站上屬於此關鍵製程機台型式之此些製程機台之此些製程裝置的全部此些製程參數的數值至第二搜尋模型中，以辨識出可能會造成良率測試失敗的複數個第二關鍵製程參數；對此些第一關鍵製程參數進行排名與評分；對此些第二關鍵製程參數進行排名與評分；以及比較此些第一關鍵製程參數和此些第二關鍵製程參數間之排名的相似度，以獲得一第二信心指標，來評估此些第一關鍵製程參數和此些第二關鍵製程參數之辨識結果的可靠程度。
因此，應用本發明實施例，可於短時間辨識出生產線上之良率損失的根本原因，並可有效地評估搜尋結果的可靠程度。
40‧‧‧第一資料
42‧‧‧第二資料
100‧‧‧生產線
110‧‧‧製程站
112‧‧‧製程機台型式
112a-112f‧‧‧製程裝置
113‧‧‧製程資料
114‧‧‧製程機台型式
115‧‧‧製程資料
116‧‧‧製程機台型式
118‧‧‧製程機台型式
119‧‧‧製程資料
120‧‧‧製程機台型式
121‧‧‧製程資料
122‧‧‧機台型式
124、125、126、127‧‧‧線上量測值
130、140、150、160‧‧‧製程站
200‧‧‧系統
202‧‧‧記憶體
204‧‧‧生產資訊
206‧‧‧處理器
210‧‧‧資料前處理步驟
220‧‧‧資料前處理步驟
230‧‧‧資料前處理步驟
240‧‧‧根本原因尋找步驟
250‧‧‧計算信心指標
242‧‧‧三階段正交貪婪演算法
244‧‧‧最小絕對壓縮挑選機制演算法
310‧‧‧將λ的初始值設為5
320‧‧‧執行LASSO
330‧‧‧#KV)是否等於Target#KV？
340‧‧‧重新計算λ
350‧‧‧依據重要性對重要變數進行排序
360‧‧‧輸出結果
400‧‧‧良率測試失敗？
402‧‧‧第一階段
404‧‧‧第二階段
410‧‧‧第一根本原因尋找步驟
420‧‧‧第一RIk步驟
430‧‧‧第二根本原因尋找步驟
440‧‧‧第二RIk步驟
450‧‧‧持續改善
為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中〔圖1A〕為繪示根據本發明一些實施例之生產線的示意圖；〔圖1B〕為繪示根據本發明一些實施例在製程站上之例示製程機台型式的示意圖； 〔圖1C〕為繪示根據本發明一些實施例之例示製程機台的示意圖；〔圖2〕為繪示根據本發明一些實施例之辨識良率損失之根本原因的系統示意圖；〔圖3〕為繪示根據本發明一些實施例之自動調整懲罰係數(λ)值的方法的流程示意圖；以及〔圖4〕為繪示根據本發明一些實施例之辨識良率損失之根本原因的方法流程示意圖。
以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的發明概念，其可實施於各式各樣的特定內容中。所討論之特定實施例僅供說明，並非用以限定本發明之範圍。
請參照圖1A至圖1C，圖1A為繪示根據本發明一些實施例之一生產線100的示意圖，其中以TFT製程為例子；圖1B為繪示根據本發明一些實施例在製程站上之例示製程機台型式的示意圖，其中以“閘極層”為例子；圖1C為繪示根據本發明一些實施例之例示製程機台的示意圖，其中以沉積機台為例子。
本發明實施例係針對辨識引起發生在生產線100上之良率損失的根本原因，生產線100包含複數個製程站110、130、140、150和160，每一個製程站110、130、140、150和160包含一或多個製程機台(未繪示)，製程機台 分別屬於一或多個製程機台型式112、114、116、118、120和122。舉例而言，如圖1B所示，每一個製程站110、130、140、150和160包含具有製程機台型式112、114、116、118、120和/或122的製程機台。每一個製程機台包含至少一個製程裝置。例如：每一個製程機台包含至製程裝置112a、112b、112c、112d、112e和112f。
例如：在TFT-LCD廠中，生產線100可被設置來進行TFT製程，而製程站110(站I)、130(站II)、140(站III)、150(站IV)和160(站V)可為“閘極層”、“半導體層”、“資料層”、“保護層”、和“氧化铟锡(ITO)層”。“閘極層”(製程站110)包含用以進行所謂之顯影製程(Photo Engraving Process；PEP)的製程機台，這些製程機台分別屬於如薄膜沉積(製程機台型式112)、正光阻塗佈(製程機台型式114)、曝光(製程機台型式116)、顯影(製程機台型式118)、蝕刻(製程機台型式120)和光阻去除(製程機台型式122)等製程機台型式。每一個製程機台包含至製程裝置112a、112b、112c、112d、112e和112f。
在生產時，每一個工件逐一通過製程站110、130、140、150和160，最後並受到最終測試(良率測試)，以獲得分別對應至此些工件之複數組最終檢查值。然後，這些組最終檢查值被來決定是否遭遇到良率測試失敗。良率測試可能遭遇型1至型10的良率損失，這些良率損失是由各種缺陷所造成，而這些缺陷是由電性測試失敗、粉塵污染等所引起。在每一個製程站110、130、140、150和160上，每 一個工件逐一被製程機台型式112、114、116、118、120和122的製程機台所處理，而每一個工件只在每一個製程機台的一個製程裝置中被處理。當每一個工件在製程機台型式112、114、116、118、120或122之製程機台的一預定製程裝置中被處理後，對此工件進行量測，以獲得分別對應至工件之複數組線上(In-line)量測值，其中對此工件所進行的量測方式可為虛擬量測或由量測機台所進行的實際量測，如圖1B所示之線上量測值124(厚度)、125(關鍵尺寸)、126(深度)和127(關鍵尺寸)。當每一個工件在一個製程裝置中被處理時，使用例如感應器來收集製程裝置之複數個製程參數的數值，如圖1B所示之製程資料113、115、119和121。
請參照圖2，圖2為繪示根據本發明一些實施例之辨識良率損失之根本原因的系統200的示意圖。系統200包含記憶體202和處理器206。處理器206可包含任何型式的處理器、微處理器、或可編譯並執行指令的場效型可編程邏輯陣列(Field Programmable Gate Array；FPGA)。處理器206可包含單一裝置(例如單核心)或一組裝置(例如多核心)。記憶體202可包含可儲存供處理器206執行之資訊和指令的隨機存取記憶體(Random Access Memory；RAM)或其它型式的動態儲存裝置。資料庫可用以儲存生產資訊204、缺陷(D)和多組最終檢查值(Y)，其稍後將被載入至記憶體202中，以供處理器206執行。
記憶體202儲存有生產資訊204、缺陷(D)、和對應至在生產線100(如圖1A)中被處理之工件的最終檢查值(Y)。生產資訊包含複數個生產路徑(XR)、處理工件之製程參數(XP)的數值、和工件之多組線上量測值(y)，其中每一個生產路徑指出在製程站中之製程機台之製程裝置中的一個預設裝置，用以處理一工件，如圖1A至圖1C所示之“在製程站110上製程機台型式112之製程機台的製程裝置112a”。這些組線上量測值(y)的獲得是透過對被對應之預設裝置處理後之工件進行量測，而這些組最終檢查值(Y)的獲得是透過對通過生產線後之每一個工件進行至少一個良率測試。缺陷(D)可能會發在任何製程站中，故亦輸入來進行分析。然後，被處理過的缺陷(D)可依據缺陷(D)的本質加入至生產資訊204或最終檢查值(Y)。根本原因尋找步驟240的輸出是三階段正交貪婪演算法(TPOGA)242的輸出KSO、最小絕對壓縮挑選機制(LASSO)演算法244的輸出KSL和其伴隨的信賴指標RIk。在一些實施例中，提高樣本使用率之迴歸樹(SERT)演算法可用以取代TPOGA 242或LASSO 244。值得注意的是，根本原因尋找步驟240使用兩種不同的演算法，如TPOGA/LASSO、TPOGA/SERT、或LASSO/SERT。以下說明TPOGA、LASSO和SERT。
貪婪演算法是一種逐步迴歸法(Stepwise Regression Method)，其考慮到所有引起良率損失的參數(X)和最終檢查值(Y)間的關係。在本發明實施例中，X包含與所有生產有關的變數：XR、XP、和y；而Y代表最終檢查 結果(值)。在此可使用純貪婪演算法(Pure greedy algorithm；PGA)和正交貪婪演算法來解決高維度迴歸問題。然而，在高維度線性迴歸中，正交貪婪演算法優於純貪婪演算法。在本發明實施例中，將正交貪婪演算法、高維資訊準則(high dimensional information criterion；HDIC)和修剪(Trimming)的程序結合成所謂的三階段正交貪婪演算法(TPOGA)。本發明實施例所使用之TPOGA的細節可參考C.-K.Ing和T.L.Lai的論文(“A stepwise regression method and consistent model selection for high-dimensional sparse linear models”,Statistica Sinica,vol.21,pp.1473-1513,2011)，本發明之實施例引用此C.-K.Ing和T.L.Lai的論文之相關規定(Incorporated by reference)，其中Ing和Lai揭示終止條件和HDIC，以沿著具有適當選取準則之最小值的OGA路徑進行選取。
與逐步迴歸不同，LASSO是一種收縮(Shrinkage)方法，其令係數之絕對值總和小於一常數，使殘值平方和最小化。由於此常數的本質，LASSO傾向於產生一些剛好為0的係數，因而提供可解釋(解釋力較強)的模型。LASSO與通常之逐步迴歸間的重大差異是：透過LASSO可同時處理所有的獨立變數，但逐步迴歸無法時處理所有的獨立變數。本發明實施例所使用之LASSO的細節可參考R.Tibshirani的論文(“Regression shrinkage and selection via the LASSO",J.Royal Statistical Soc.B, vol.58,no.1,pp.267-288,1996”)和Trevor Hastie、Robert Tibshirani與Jerome Friedman的論文(“The elements of statistical learning：data mining,inference,and prediction”,Springer,New York,2009”)，本發明之實施例引用此R.Tibshirani的論文及Trevor Hastie、Robert Tibshirani與Jerome Friedman的論文之相關規定(Incorporated by reference)。
為了減少設定懲罰係數(λ)值的困惑並獲得適當結果，本發明實施例之LASSO演算法包含一自動調整懲罰係數(λ)值的方法。請參照圖3，其為繪示根據本發明一些實施例之自動調整懲罰係數(λ)值的方法的流程示意圖。如圖3所示，在步驟310中，將懲罰係數(λ)的初始值設為5或任何合適值。在步驟320中，執行LASSO。在步驟330中，選定重要變數之適當的目標數量(Target#KV，例如：10)，然後檢查重要變數之數量(#KV)是否等於Target#KV。在本發明實施例中，重要變數為引起良率損失的製程站或製程參數。當步驟330的結果為否時，進行步驟340以重新計算懲罰係數(λ)。Target#KV係用來避免撿到太多不需要的變數。在步驟340中，定義Lowerbound為懲罰係數(λ)的下限。Lowerbound係設為0(因為λ≧0)。若#KV<Target#KV，則λnew=(λold+Lowerbound)/2。另一方面，若#KV>Target#KV，則λnew=λold+(λold+Lowerbound)/2，並重新指定Lowerbound=λold。然後，回到步驟320。
當步驟330的結果為是時，進行步驟350。在步驟350中，依據重要性由大至小對重要變數(Key Variables；KV)進行排序。然後，進行步驟360，以輸出排序後的重要變數為結果。
SERT結合迴歸分析中之向前選取(Forward Selection)和迴歸樹(Regression Tree)的方法。相較於如分類與迴歸樹演算法(Classification And Regression Tree；CART)之習知決策樹，SERT可處理在所謂之高維度變數選取(p>>n)問題中的組合效應。本發明實施例所使用之SERT的細節可參考A.Chen和A.Hong的論文(“Sample-efficient regression trees(SERT)for semiconductor yield Loss Analysis”,IEEE Transactions on Semiconductor Manufacturing,vol.23,no.3,August 2010)，本發明之實施例引用此A.Chen和A.Hong的論文之相關規定(Incorporated by reference)。
如圖2所示，在進行根本原因尋找步驟240前，需要進行資料前處理步驟210、220和230，以確認所有輸入：生產資訊(XR、XP和y)、缺陷(D)和最終檢查(Y)的品質。以下說明這些輸入的特性。XR必須被離散化(Discretized)為1或0，其指出工件是否有通過此製程站。XP包含機台的製程參數(如電壓、壓力、溫度等)的資料，其需被中心化(Centralized)。至於缺陷(D)，不同的公司有不同的缺陷定義，因此在執行資料前處理和資料撿查前必 須與領域專家討論。最終檢查(Y)代表良率測試結果，其需被中心化。
XR的資料品質評估演算法(標示為)評估下列四個事實：1)雖然一個製程站可包含多個同樣型式的製程機台，但此製程站只使用其中一個製程機台；若一個生產線應通過三個同樣製程機台型式的製程機台，則此生產線具有三個製程站，此三個製程機台分別位於此三個製程站上；2)若一個製程機台被使用於不同的生產線上，則在不同生產線上的同樣裝置會被視為一個不同的製程站；3)對通過製程機台的一工件而言只有兩種可能：通過(“1”)或不通過(“0”)；4)一工件不能通過不屬於其製程站的製程機台。
類似地，XP和y的資料品質評估演算法分別標示為和。Y的資料品質評估演算法標示為DQIY。和採用類似於美國專利前案第8095484B2號所使用的製程資料品質評估方法，而DQIY亦應用類似於美國專利前案第8095484B2號所使用的量測資料品質評估方法。本發明之實施例引用此美國專利前案第8095484B2號之相關規定(Incorporated by reference)。
處理器206係配置以根據最終檢查值來決定是否遭遇一良率測試失敗，並在遭遇到良率測試失敗時，進行根本原因尋找步驟240。在一些實施例中，分別以不同的演算法(如TPOGA 242和LASSO 244)進行兩次根本原因尋找步驟240，藉以進行步驟250來計算一信心指標(RIk)，此信心指標(RIk)的計算係藉由比較基於TPOGA 242和 LASSO 244之結果間之排名的相似度。信心指標(RIk)係用來評估基於TPOGA 242和LASSO 244之辨識結果的可靠程度。藉由比較基於TPOGA 242和LASSO 244之結果並考慮到重疊與權重，重新計算RIk並設定RIk至0-1之間。以RIkT=0.7為門檻值，若RIk大於RIkT，則代表獲得優良的結果；否則，需重新檢查辨識結果。稍後說明計算信心指標(RIk)的步驟250。
本發明實施例提供一種雙階段處理過程，以辨識生產線100上之良率損失的根本原因。在第一階段中，辨識出可能會造成良率損失的製程機台與其所屬之製程站。在第二階段中，辨識出在第一階段所發現之製程站中可能會造成良率損失的製程參數。在每一個階段中，可使用兩個不同的演算法來產生信心指標(RIk)，以評估本發明之搜尋結果的可靠程度。
請參照圖1A、圖1B、圖1C和圖4，圖4為繪示根據本發明一些實施例之辨識良率損失之根本原因的方法流程示意圖。首先，進行步驟400，以根據最終檢查值來決定是否遭遇一良率測試失敗。當遭遇到良率測試失敗時，進行一第一階段402。在第一階段402中，進行第一根本原因尋找步驟410，以辨識出那一個製程機台最可能會引起良率測試失敗(良率損失)。在第一根本原因尋找步驟410中，首先基於第一演算法來建立第一搜尋模型，其中第一演算法為三階段正交貪婪演算法(TPOGA)、最小絕對壓縮挑選機制(LASSO)演算法、或提高樣本使用率之迴歸樹(SERT)演算 法，例如：圖2所示之TPOGA 242。然後，輸入一組第一資料40至第一搜尋模型中，以從製程站110、130、140、150和160上之製程機台之製程裝置112a-112f中辨識出可能會造成良率測試失敗的至少一個第一關鍵裝置(例如：在製程站110上屬於製程機台型式112之製程機台的製程裝置112a)。此組第一資料40工件之最終檢查值(Y)、工件之線上量測值(y)和工件之生產路徑(XR)所組成。第一搜尋模型(TPOGA)之結果KSO的一個例子係列示於表1，其中列示出TPOGA所找到之最可能會引起良率損失之前10名製程機台(第一關鍵裝置)，“製程機台型式”簡稱為”機台型式”，“製程裝置”簡稱為“裝置”。
在表1中，引起良率損失之裝置的可能性係由選序1至選序10依序減少。如表1所示，製程站150(站4)上 機台型式112之機台(Eq7)的製程裝置112b(CVD)為選序1，其最可能會引起良率損失。在第一根本原因尋找步驟410完成後，可選擇性地進行第一信賴指標(RIk)步驟420，以評估基於第一演算法(例如TPOGA)之第一根本原因尋找步驟410之搜尋結果的可靠程度。
在第一信賴指標(RIk)步驟420中，首先基於第二演算法來建立第一搜尋模型。第二演算法與步驟410所使用之第一演算法不同，其中為第二演算法三階段正交貪婪演算法(TPOGA)、最小絕對壓縮挑選機制(LASSO)演算法、或提高樣本使用率之迴歸樹(SERT)演算法，例如：第一演算法為圖2所示之TPOGA 242，第二演算法為圖2所示之LASSO 244，其中LASSO 244為包含一自動調整懲罰係數(λ)值方法的LASSO演算法，即ALASSO。然後，輸入上述之第一資料40至第二搜尋模型中，以從製程站110、130、140、150和160上之製程機台之製程裝置112a-112f中辨識出可能會造成良率測試失敗的至少一個第二關鍵裝置(例如：在製程站110上屬於製程機台型式112之製程機台的製程裝置112a)。
第二搜尋模型(ALASSO)之結果KSL的一個例子係列示於表2，其中列示出ALASSO所找到之最可能會引起良率損失之前10名製程機台(第二關鍵裝置)，“製程機台型式”簡稱為“機台型式”，“製程裝置”簡稱為“裝置”。
接著，對表1所列示之第一關鍵裝置和表2所列示之第二關鍵裝置進行排名與評分。因為較早被選到的關鍵裝置較重要，TPOGA和ALASSO所找到之關鍵裝置的順序是重要的，故權重的指定不僅是根據順序亦根據80/20法則，以確保較高的分數給決定性的少數。結果是，最終分數為
其中OS1為原始分數，FS1為最終分數，而l為=1、2、...、10的選序。
本發明實施例並不限於上述之80/20法則，其他之評分方法亦可被應用至本發明實施例。在進行公式(1)的計算後，第一關鍵裝置和第二關鍵裝置的最終分數的一個例子係列示於表3和表4。
然後，比較第一關鍵裝置和第二關鍵裝置間之排名(選序)的相似度，以獲得一第一信心指標(RIk)，來評估第一關鍵裝置和第二關鍵裝置之辨識結果的可靠程度。以下說明計算RIk的經驗法則。若某一關鍵裝置已被TPOGA和ALASSO以相同的循序選序選到，則此關鍵裝置的分數被算入。若某一關鍵裝置已被TPOGA和ALASSO以不同的循序選序選到，則此關鍵裝置的分數亦被算入。若TPOGA和ALASSO選到不同的關鍵裝置而沒有重疊，則這些關鍵裝置的分數不被算入。因此，搜尋結果之RIk係被公式(2)所計算。
其中
FSOi O i 的最終分數
FSLj L j 的最終分數
O i TPOGA之第i個選序的製程裝置TPOGA，i=1、2、3、...、10
L j ALASSO之第j個選序的製程裝置，j=1、2、3、...、10
基於表3和表4的RIk結果是0.932，其大於一門檻值RIkT(例如：0.7)。門檻值RIkT可依實際需要而有所不同。此表示TPOGA和ALASSO的搜尋結果幾乎相同，因此其搜尋結果是可靠的。
如表3和表4所示，第一最關鍵的裝置(Top 1 Device)是保護層(站)上薄膜沉積製程之機台7的反應室 B(站4：CVD：Eq 7 Ch B)，而第二最關鍵的裝置(Top 2 Device)是半導體層(站)上薄膜沉積製程之機台A的反應室A(站2：CVD：Eq A Ch A)。與工廠測試資料做比較，在28個工件中，8個具有第2型良率損失的工件樣本中有3個是被上述之第一最關鍵的裝置所處理，而8個具有第2型良率損失的工件樣本中另有3個是被上述之第二最關鍵的裝置所處理。因此，第一根本原因尋找步驟410的結果與工廠測試資料相符。
在步驟410或步驟420後，進行第二階段404。在第二階段404中，進行第二根本原因尋找步驟430，以辨識出那些製程參數可能會引起良率損失。在步驟430中，首先自第一關鍵裝置中選擇一個關鍵裝置，或自第二關鍵裝置中選擇一個關鍵裝置，其中此關鍵裝置屬於製程機台型式之一關鍵製程機台型式。然後，輸入一組第二資料42至上述之第一搜尋模型中，以辨識出可能會引起良率測試失敗的複數個第一關鍵製程參數，其中此組第二資料42係由工件之最終檢查值(Y)、和在全部製程站上屬於關鍵製程機台型式之製程機台之製程裝置的全部製程參數(XP)的數值所組成。以下選擇第二最關鍵的裝置(站2：CVD：Eq A Ch A)來舉例說明。第二最關鍵的裝置的製程資料包含有27個製程參數(XP)。在對第二最關鍵的裝置所屬之相同製程機台型式的製程機台進行使用第一搜尋模型的分析後，找到第一關鍵製程參數“控制電壓”、“電流”和“直流電壓”為造成良率損失的根本原因。
在第二根本原因尋找步驟430完成後，可選擇性地進行第二信賴指標(RIk)步驟440，以評估第二根本原因尋找步驟430之搜尋結果的可靠程度。在第二信賴指標(RIk)步驟440中，輸入上述之第二資料42至第二搜尋模型中，以辨識出可能會造成良率測試失敗的複數個第二關鍵製程參數。在對第二最關鍵的裝置所屬之相同製程機台型式的製程機台進行使用第二搜尋模型的分析後，找到第二關鍵製程參數“控制電壓”、“電流”和“流速”為造成良率損失的根本原因。接著，比較第一關鍵製程參數和第二關鍵製程參數間之排名的相似度，以獲得一第二信心指標(RIk)，來評估第一關鍵製程參數和第二關鍵製程參數之辨識結果的可靠程度。例如：關鍵製程參數的第二信心指標(RIk)為0.867(>0.7)。因此，搜尋結果中第一最關鍵的參數(Top 1 parameter)為“控制電壓”。接著，在步驟450中，發出一通知至相關部門，以修正問題並持持續改善。
可理解的是，本發明之量測抽樣方法為以上所述之實施步驟，本發明之內儲用於量測抽樣之電腦程式產品，係用以完成如上述之量測抽樣的方法。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。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本發明之電腦程式產品至請求電腦。
亦可注意的是，本發明亦可描述於一製造系統的語境中。雖然本發明可建置在半導體製作中，但本發明並不限於半導體製作，亦可應用至其他製造工業。製造系統係配置以製造工件或產品，工件或產品包含但不受限於微處理器、記憶體裝置、數位訊號處理器、專門應用的電路(ASICs)或其他類似裝置。本發明亦可應用至除半導體裝置外之其他工件或產品，如車輛輪框、螺絲。製造系統包含一或多個處理工具，其可用以形成一或多個產品或產品的一部分，在工件(例如：晶圓)上或中。發明本領域具有通常技藝者應可知，處理工具可為任何數目和任何型式，包含有微影機台、沉積機台、蝕刻機台、研磨機台、退火機台、工具機和類似工具。在實施例中，製造系統亦包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。
由上述本發明實施方式可知，藉由雙階段處理過程來尋找生產線之良率損失的根本原因，可於短時間從數量龐大的可能原因中辨識出根本原因。在每一個階段中，可使用信賴指標(RIk)來評估搜尋結果的可靠程度。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，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。
40‧‧‧第一資料
42‧‧‧第二資料
400‧‧‧良率測試失敗？
402‧‧‧第一階段
404‧‧‧第二階段
410‧‧‧第一根本原因尋找步驟
420‧‧‧第一RIk步驟
430‧‧‧第二根本原因尋找步驟
440‧‧‧第二RIk步驟
450‧‧‧持續改善

Claims (14)

  1. 一種辨識良率損失之根本原因的方法，包含：提供一生產線，該生產線包含複數個製程站(Stages)，每一該些製程站包含複數個製程機台，該些製程機台分別屬於複數個製程機台型式，每一該些製程機台包含至少一製程裝置，每一該至少一製程裝置具有複數個製程參數，該些製程參數係配置以處理複數個工件其中一者；根據複數個生產路徑分別處理該些工件，每一該些生產路徑指出在該些製程站中之該些製程機台之該些製程裝置其中一預設裝置，用以處理該些工件其中一者；對被對應之預設裝置處理後之每一該些工件進行量測，以獲得對應至該些工件之複數組線上量測值；對通過該生產線後之每一該些工件進行至少一良率測試，以獲得分別對應至該些工件之複數組最終檢查值；根據該些組最終檢查值決定是否遭遇一良率測試失敗；以及當遭遇到該良率測試失敗時，進行一第一階段，該第一階段包含一第一根本原因尋找步驟，該第一根本原因尋找步驟包含：基於一第一演算法來建立一第一搜尋模型，其中該第一演算法為一三階段正交貪婪演算法(Triple Phase Orthogonal greedy algorithm；TPOGA)、一最小絕對壓縮挑選機制(Least Absolute Shrinkage and Selection Operator；LASSO)演算 法、或一提高樣本使用率之迴歸樹(Sample-Efficient Regression Trees；SERT)演算法；以及藉由輸入該些工件之該些組最終檢查值、該些工件之該些組線上量測值和該些工件之該些生產路徑至該第一搜尋模型中，以從在該些製程站之該些製程機台之該些製程裝置中辨識出可能會造成該良率測試失敗的至少一第一關鍵裝置。
  2. 如請求項1所述之辨識良率損失之根本原因的方法，其中該第一階段更包含：基於一第二演算法來建立一第二搜尋模型，其中該第二演算法與該第一演算法不相同，該第二演算法為該三階段正交貪婪演算法演算法、該最小絕對壓縮挑選機制演算法、或該提高樣本使用率之迴歸樹演算法；以及藉由輸入該些工件之該些組最終檢查值、該些工件之該些組線上量測值和該些工件之該些生產路徑至該第二搜尋模型中，以從在該些製程站之該些製程機台之該些製程裝置中辨識出可能會造成該良率測試失敗的至少一第二關鍵裝置；對該至少一第一關鍵裝置進行排名與評分；對該至少一第二關鍵裝置進行排名與評分；以及比較該至少一第一關鍵裝置和該至少一第二關鍵裝置間之排名的相似度，以獲得一第一信心指標，來評估該至 少一第一關鍵裝置和該至少一第二關鍵裝置之辨識結果的可靠程度。
  3. 如請求項1所述之辨識良率損失之根本原因的方法，更包含：在該第一階段後，進行一第二階段，該第二階段包含一第二根本原因尋找步驟，該第二根本原因尋找步驟包含：選擇該至少一第一關鍵裝置之一者，其中該至少一第一關鍵裝置之該者係屬於該些製程機台型式之一關鍵製程機台型式；以及藉由輸入該些工件之該些組最終檢查值、和在全部之該些製程站上屬於該關鍵製程機台型式之該些製程機台之該些製程裝置的全部該些製程參數的數值至該第一搜尋模型中，以辨識出可能會造成該良率測試失敗的複數個第一關鍵製程參數。
  4. 如請求項3所述之辨識良率損失之根本原因的方法，其中該第二階段更包含：藉由輸入該些工件之該些組最終檢查值、和在全部之該些製程站上屬於該關鍵製程機台型式之該些製程機台之該些製程裝置的全部該些製程參數的數值至該第二搜尋模型中，以辨識出可能會造成該良率測試失敗的複數個第二關鍵製程參數；對該些第一關鍵製程參數進行排名與評分；對該些第二關鍵製程參數進行排名與評分；以及 比較該些第一關鍵製程參數和該些第二關鍵製程參數間之排名的相似度，以獲得一第二信心指標，來評估該些第一關鍵製程參數和該些第二關鍵製程參數之辨識結果的可靠程度。
  5. 如請求項1所述之辨識良率損失之根本原因的方法，其中對被對應之預設裝置處理後之每一該些工件進行量測的步驟更包含：對每一該些工件進行虛擬量測。
  6. 如請求項1所述之辨識良率損失之根本原因的方法，其中該最小絕對壓縮挑選機制演算法包含一自動調整懲罰係數(λ)值的方法。
  7. 一種辨識良率損失之根本原因的方法，其中該良率損失係發生在一生產線上，該生產線包含複數個製程站，每一該些製程站包含至少一製程機台，該至少一製程機台屬於至少一製程機台型式其中一者，每一該至少一製程機台包含至少一製程裝置，每一該至少一製程裝置具有複數個製程參數，該些製程參數係配置以處理複數個工件其中一者，辨識良率損失之根本原因的方法包含：獲得複數個生產路徑，每一該些生產路徑指出在該些製程站中之該些製程機台之該些製程裝置其中一預設裝置，用以處理該些工件其中一者； 接收該些工件之複數組線上量測值，其中該些組線上量測值係藉由對被預設裝置處理後之該些工件進行量測來獲得；接收對應至該些工件之複數組最終檢查值，其中該些組最終檢查值係藉由對通過該生產線後之每一該些工件進行至少一良率測試來獲得；根據該些組最終檢查值決定是否遭遇一良率測試失敗；以及當遭遇到該良率測試失敗時，進行一第一階段，該第一階段包含一第一根本原因尋找步驟，該第一根本原因尋找步驟包含：基於一第一演算法來建立一第一搜尋模型，其中該第一演算法為一三階段正交貪婪演算法演算法、一最小絕對壓縮挑選機制演算法、或一提高樣本使用率之迴歸樹演算法；以及藉由輸入該些工件之該些組最終檢查值、該些工件之該些組線上量測值和該些工件之該些生產路徑至該第一搜尋模型中，以從在該些製程站之該些製程機台之該些製程裝置中辨識出可能會造成該良率測試失敗的至少一第一關鍵裝置。
  8. 如請求項7所述之辨識良率損失之根本原因的方法，其中該第一階段更包含：基於一第二演算法來建立一第二搜尋模型，其中該第二演算法與該第一演算法不相同，該第二演算法為該三階 段正交貪婪演算法演算法、該最小絕對壓縮挑選機制演算法、或該提高樣本使用率之迴歸樹演算法；以及藉由輸入該些工件之該些組最終檢查值、該些工件之該些組線上量測值和該些工件之該些生產路徑至該第二搜尋模型中，以從在該些製程站之該些製程機台之該些製程裝置中辨識出可能會造成該良率測試失敗的至少一第二關鍵裝置；對該至少一第一關鍵裝置進行排名與評分；對該至少一第二關鍵裝置進行排名與評分；以及比較該至少一第一關鍵裝置和該至少一第二關鍵裝置間之排名的相似度，以獲得一第一信心指標，來評估該至少一第一關鍵裝置和該至少一第二關鍵裝置之辨識結果的可靠程度。
  9. 如請求項7所述之辨識良率損失之根本原因的方法，更包含：在該第一階段後，進行一第二階段，該第二階段包含一第二根本原因尋找步驟，該第二根本原因尋找步驟包含：選擇該至少一第一關鍵裝置之一者，其中該至少一第一關鍵裝置之該者係屬於該些製程機台型式之一關鍵製程機台型式；以及藉由輸入該些工件之該些組最終檢查值、和在全部之該些製程站上屬於該關鍵製程機台型式之該些製程機台之該些製程裝置的全部該些製程參數的數值至該 第一搜尋模型中，以辨識出可能會造成該良率測試失敗的複數個第一關鍵製程參數。
  10. 如請求項9所述之辨識良率損失之根本原因的方法，其中該第二階段更包含：藉由輸入該些工件之該些組最終檢查值、和在全部之該些製程站上屬於該關鍵製程機台型式之該些製程機台之該些製程裝置的全部該些製程參數的數值至該第二搜尋模型中，以辨識出可能會造成該良率測試失敗的複數個第二關鍵製程參數；對該些第一關鍵製程參數進行排名與評分；對該些第二關鍵製程參數進行排名與評分；以及比較該些第一關鍵製程參數和該些第二關鍵製程參數間之排名的相似度，以獲得一第二信心指標，來評估該些第一關鍵製程參數和該些第二關鍵製程參數之辨識結果的可靠程度。
  11. 一種辨識良率損失之根本原因的系統，其中該良率損失係發生在一生產線上，該生產線包含複數個製程站，每一該些製程站包含至少一製程機台，該至少一製程機台屬於至少一製程機台型式其中一者，每一該至少一製程機台包含至少一製程裝置，每一該至少一製程裝置具有複數個製程參數，該些製程參數係配置以處理複數個工件其中一者，辨識良率損失之根本原因的系統包含： 一記憶體，其儲存有一生產資訊和對應至該些工件之複數組最終檢查值，該生產資訊包含複數個生產路徑、該些工件之該些製程參數的數值、和該些工件之複數組線上量測值，其中每一該些生產路徑指出在該些製程站中之該些製程機台之該些製程裝置其中一預設裝置，用以處理該些工件其中一者，該些組線上量測值係藉由對被預設裝置處理後之該些工件進行量測來獲得，該些組最終檢查值係藉由對通過該生產線後之每一該些工件進行至少一良率測試來獲得；以及一處理器，配置以根據該些組最終檢查值決定是否遭遇一良率測試失敗；當遭遇到該良率測試失敗時，進行一第一階段，該第一階段包含一第一根本原因尋找步驟，該第一根本原因尋找步驟包含：基於一第一演算法來建立一第一搜尋模型，其中該第一演算法為一三階段正交貪婪演算法演算法、一最小絕對壓縮挑選機制演算法、或一提高樣本使用率之迴歸樹演算法；以及藉由輸入該些工件之該些組最終檢查值、該些工件之該些組線上量測值和該些工件之該些生產路徑至該第一搜尋模型中，以從在該些製程站之該些製程機台之該些製程裝置中辨識出可能會造成該良率測試失敗的至少一第一關鍵裝置。
  12. 如請求項11所述之辨識良率損失之根本原因的系統，其中該第一階段更包含：基於一第二演算法來建立一第二搜尋模型，其中該第二演算法與該第一演算法不相同，該第二演算法為該三階段正交貪婪演算法演算法、該最小絕對壓縮挑選機制演算法、或該提高樣本使用率之迴歸樹演算法；以及藉由輸入該些工件之該些組最終檢查值、該些工件之該些組線上量測值和該些工件之該些生產路徑至該第二搜尋模型中，以從在該些製程站之該些製程機台之該些製程裝置中辨識出可能會造成該良率測試失敗的至少一第二關鍵裝置；對該至少一第一關鍵裝置進行排名與評分；對該至少一第二關鍵裝置進行排名與評分；以及比較該至少一第一關鍵裝置和該至少一第二關鍵裝置間之排名的相似度，以獲得一第一信心指標，來評估該至少一第一關鍵裝置和該至少一第二關鍵裝置之辨識結果的可靠程度。
  13. 如請求項11所述之辨識良率損失之根本原因的系統，其中在該第一階段後，該處理器係配置以進行一第二階段，該第二階段包含一第二根本原因尋找步驟，該第二根本原因尋找步驟包含：選擇該至少一第一關鍵裝置之一者，其中該至少一第一關鍵裝置之該者係屬於該些製程機台型式之一關鍵製程機台型式；以及 藉由輸入該些工件之該些組最終檢查值、和在全部之該些製程站上屬於該關鍵製程機台型式之該些製程機台之該些製程裝置的全部該些製程參數的數值至該第一搜尋模型中，以辨識出可能會造成該良率測試失敗的複數個第一關鍵製程參數。
  14. 如請求項13所述之辨識良率損失之根本原因的系統，其中該第二階段更包含：藉由輸入該些工件之該些組最終檢查值、和在全部之該些製程站上屬於該關鍵製程機台型式之該些製程機台之該些製程裝置的全部該些製程參數的數值至該第二搜尋模型中，以辨識出可能會造成該良率測試失敗的複數個第二關鍵製程參數；對該些第一關鍵製程參數進行排名與評分；對該些第二關鍵製程參數進行排名與評分；以及比較該些第一關鍵製程參數和該些第二關鍵製程參數間之排名的相似度，以獲得一第二信心指標，來評估該些第一關鍵製程參數和該些第二關鍵製程參數之辨識結果的可靠程度。
TW105135570A 2015-11-30 2016-11-02 辨識良率損失之根本原因的系統與方法 TWI623830B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201562260656P 2015-11-30 2015-11-30
US62/260,656 2015-11-30
US15/260,343 2016-09-09
US15/260,343 US10935962B2 (en) 2015-11-30 2016-09-09 System and method for identifying root causes of yield loss

Publications (2)

Publication Number Publication Date
TW201729024A true TW201729024A (zh) 2017-08-16
TWI623830B TWI623830B (zh) 2018-05-11

Family

ID=58777509

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105135570A TWI623830B (zh) 2015-11-30 2016-11-02 辨識良率損失之根本原因的系統與方法

Country Status (4)

Country Link
US (1) US10935962B2 (zh)
KR (1) KR102003961B1 (zh)
CN (1) CN106815462B (zh)
TW (1) TWI623830B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI660322B (zh) * 2018-05-17 2019-05-21 國立成功大學 考慮機台交互作用之辨識良率損失原因的系統與方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110320892B (zh) * 2019-07-15 2020-07-14 重庆邮电大学 基于Lasso回归的污水处理设备故障诊断系统及方法
KR102331991B1 (ko) * 2019-11-25 2021-11-26 한국세라믹기술원 세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체
US20230004138A1 (en) * 2020-10-30 2023-01-05 Beijing Zhongxiangying Technology Co., Ltd. Data processing method, device and system, and electronic device
CN113552856B (zh) * 2021-09-22 2021-12-10 成都数之联科技有限公司 工艺参数根因定位方法和相关装置

Family Cites Families (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10214870A (ja) * 1997-01-29 1998-08-11 Hitachi Ltd 半導体装置の製造方法
JP2001160572A (ja) 1999-12-02 2001-06-12 Hitachi Ltd 不良解析方法およびそのシステム並びに歩留り成分のシミュレーション方法および仮想歩留り算出方法
US6470230B1 (en) * 2000-01-04 2002-10-22 Advanced Micro Devices, Inc. Supervisory method for determining optimal process targets based on product performance in microelectronic fabrication
US7089075B2 (en) * 2001-05-04 2006-08-08 Tokyo Electron Limited Systems and methods for metrology recipe and model generation
US6458610B1 (en) * 2001-05-31 2002-10-01 Advanced Micro Devices, Inc. Method and apparatus for optical film stack fault detection
US6965895B2 (en) * 2001-07-16 2005-11-15 Applied Materials, Inc. Method and apparatus for analyzing manufacturing data
US6821792B1 (en) * 2001-12-18 2004-11-23 Advanced Micro Devices, Inc. Method and apparatus for determining a sampling plan based on process and equipment state information
US7401066B2 (en) * 2002-03-21 2008-07-15 Applied Materials, Inc. Correlation of end-of-line data mining with process tool data mining
US6957120B1 (en) * 2003-01-06 2005-10-18 Advanced Micro Devices, Inc. Multi-level process data representation
US20050072234A1 (en) * 2003-05-20 2005-04-07 Weidong Zhu System and method for detecting structural damage
US7346878B1 (en) * 2003-07-02 2008-03-18 Kla-Tencor Technologies Corporation Apparatus and methods for providing in-chip microtargets for metrology or inspection
US6988045B2 (en) * 2003-08-04 2006-01-17 Advanced Micro Devices, Inc. Dynamic metrology sampling methods, and system for performing same
US7198964B1 (en) * 2004-02-03 2007-04-03 Advanced Micro Devices, Inc. Method and apparatus for detecting faults using principal component analysis parameter groupings
US7792595B1 (en) * 2004-03-30 2010-09-07 Synopsys, Inc. Method and system for enhancing the yield in semiconductor manufacturing
JP4239932B2 (ja) 2004-08-27 2009-03-18 株式会社日立製作所 生産管理システム
JP2008511086A (ja) * 2004-10-01 2008-04-10 メンター・グラフィクス・コーポレーション 特徴の故障の補正
US7543255B2 (en) * 2004-11-01 2009-06-02 Synopsys, Inc. Method and apparatus to reduce random yield loss
US20070002295A1 (en) * 2005-06-30 2007-01-04 Asml Netherlands B.V. System and method of monitoring and diagnosing system condition and performance
DE102006004411B4 (de) * 2006-01-31 2017-11-09 Globalfoundries Inc. Verfahren und System für die Messdatenbewertung in der Halbleiterbearbeitung durch auf Korrelation basierende Datenfilterung
US7403864B2 (en) * 2006-11-06 2008-07-22 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for centrally-controlled semiconductor wafer correlation
US20080147579A1 (en) * 2006-12-14 2008-06-19 Microsoft Corporation Discriminative training using boosted lasso
US7494893B1 (en) * 2007-01-17 2009-02-24 Pdf Solutions, Inc. Identifying yield-relevant process parameters in integrated circuit device fabrication processes
US7974728B2 (en) * 2007-05-04 2011-07-05 Taiwan Semiconductor Manufacturing Company, Ltd. System for extraction of key process parameters from fault detection classification to enable wafer prediction
TWI338916B (en) * 2007-06-08 2011-03-11 Univ Nat Cheng Kung Dual-phase virtual metrology method
WO2009055589A1 (en) * 2007-10-23 2009-04-30 Dfmsim, Inc. Process simulation framework
US8015522B2 (en) * 2008-01-04 2011-09-06 Springsoft Usa, Inc. System for implementing post-silicon IC design changes
TWI380144B (en) * 2008-04-09 2012-12-21 Inotera Memories Inc Method of fuzzy control for semiconductor machine
TWI349867B (en) 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
US8095230B2 (en) * 2008-06-24 2012-01-10 International Business Machines Corporation Method for optimizing the routing of wafers/lots based on yield
CN101738991B (zh) * 2008-11-26 2014-09-10 国立成功大学 检测产品品质超规与评估产品实际测量值的方法
DE102009006887B3 (de) * 2009-01-30 2010-07-15 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes
US8285414B2 (en) * 2009-03-31 2012-10-09 International Business Machines Corporation Method and system for evaluating a machine tool operating characteristics
CN104795303B (zh) * 2009-05-20 2017-12-05 迈普尔平版印刷Ip有限公司 用于处理图案数据的方法
US8396870B2 (en) * 2009-06-25 2013-03-12 University Of Tennessee Research Foundation Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling
CN102110584B (zh) * 2009-12-24 2012-09-26 中芯国际集成电路制造(上海)有限公司 一种获得生产线新产品基准产品良率方法
US8855959B2 (en) * 2010-08-30 2014-10-07 International Business Machines Corporation Integrated cross-tester analysis and real-time adaptive test
WO2012036666A1 (en) * 2010-09-13 2012-03-22 Verigy (Singapore) Pte. Ltd. Systems, methods and apparatus that employ statistical analysis of structural test information to identify yield loss mechanisms
TWI435461B (zh) * 2011-03-04 2014-04-21 Inventec Solar Energy Corp 記錄太陽能晶片製程履歷的方法及系統
US9496853B2 (en) * 2011-07-22 2016-11-15 Nvidia Corporation Via resistance analysis systems and methods
US20130173332A1 (en) * 2011-12-29 2013-07-04 Tom Thuy Ho Architecture for root cause analysis, prediction, and modeling and methods therefor
US20130030760A1 (en) * 2011-07-27 2013-01-31 Tom Thuy Ho Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US20140236515A1 (en) * 2011-07-27 2014-08-21 Tom Thuy Ho Cloud-based architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US8607169B2 (en) * 2011-12-28 2013-12-10 Elitetech Technology Co., Ltd. Intelligent defect diagnosis method
CN103020349B (zh) * 2012-12-08 2015-05-06 清华大学 一种等离子体刻蚀工艺中刻蚀产额的建模方法
US9142014B2 (en) * 2013-05-30 2015-09-22 Dmo Systems Limited System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering
KR101538843B1 (ko) * 2013-05-31 2015-07-22 삼성에스디에스 주식회사 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
US20150120220A1 (en) * 2013-10-29 2015-04-30 Kla-Tencor Corporation Detecting IC Reliability Defects
TWI521360B (zh) * 2014-03-26 2016-02-11 國立成功大學 量測抽樣方法與其電腦程式產品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI660322B (zh) * 2018-05-17 2019-05-21 國立成功大學 考慮機台交互作用之辨識良率損失原因的系統與方法
US10948903B2 (en) 2018-05-17 2021-03-16 National Cheng Kung University System and method that consider tool interaction effects for identifying root causes of yield loss

Also Published As

Publication number Publication date
KR20180028903A (ko) 2018-03-19
TWI623830B (zh) 2018-05-11
US10935962B2 (en) 2021-03-02
US20170153630A1 (en) 2017-06-01
CN106815462A (zh) 2017-06-09
CN106815462B (zh) 2019-06-07
KR102003961B1 (ko) 2019-07-25

Similar Documents

Publication Publication Date Title
TWI623830B (zh) 辨識良率損失之根本原因的系統與方法
TWI660322B (zh) 考慮機台交互作用之辨識良率損失原因的系統與方法
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
US10079183B2 (en) Calculated electrical performance metrics for process monitoring and yield management
TWI521360B (zh) 量測抽樣方法與其電腦程式產品
TWI559421B (zh) 高生產率薄膜特性分析及缺陷偵測
TWI614699B (zh) 大量客製化產品的品質預測方法
Cheng et al. A scheme of high-dimensional key-variable search algorithms for yield improvement
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
TWI821543B (zh) 用於半導體製造中採用之結構及材料之光學特性化之系統及方法
TW200411508A (en) Method for analyzing in-line QC parameters
Cheng et al. Blind-stage search algorithm for the key-variable search scheme
US20230253224A1 (en) Substrate processing system, substrate processing method, and map creating device
US20130030760A1 (en) Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US20230153846A1 (en) Golden path search method for manufacturing process and system thereof
JP7369116B2 (ja) 薄膜オン格子及びバンドギャップオン格子の計測
TWI835197B (zh) 製造程序之最佳良率路徑之搜尋方法及其系統
Kim et al. AI-guided reliability diagnosis for 5, 7nm automotive process
CN108268987B (zh) 多样式产品的品质推估方法
JP2005044840A (ja) 検査データの解析プログラム、検査装置、レビュー装置、歩留り解析装置