TW202119336A - 用於提高産出率的自動評估方法及其評估系統 - Google Patents
用於提高産出率的自動評估方法及其評估系統 Download PDFInfo
- Publication number
- TW202119336A TW202119336A TW108148323A TW108148323A TW202119336A TW 202119336 A TW202119336 A TW 202119336A TW 108148323 A TW108148323 A TW 108148323A TW 108148323 A TW108148323 A TW 108148323A TW 202119336 A TW202119336 A TW 202119336A
- Authority
- TW
- Taiwan
- Prior art keywords
- evaluation
- feature
- defect
- detectable
- case
- Prior art date
Links
- 238000000034 method Methods 0.000 title description 26
- 230000006872 improvement Effects 0.000 title description 2
- 238000011156 evaluation Methods 0.000 claims abstract description 209
- 230000007547 defect Effects 0.000 claims abstract description 145
- 238000003860 storage Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 38
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000011157 data evaluation Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 15
- 230000002950 deficient Effects 0.000 description 11
- 229910003460 diamond Inorganic materials 0.000 description 6
- 239000010432 diamond Substances 0.000 description 6
- 238000010891 electric arc Methods 0.000 description 6
- 238000005498 polishing Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000012431 wafers Nutrition 0.000 description 4
- 238000000137 annealing Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
- Selective Calling Equipment (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- General Factory Administration (AREA)
Abstract
一種評估系統包括存儲設備和處理電路。處理電路耦合至存儲設備並且被配置爲執行存儲在存儲設備中的指令。存儲設備被配置用於存儲進行以下操作的指令：提取分別與在對象上檢測到的至少一缺陷對應的至少一特徵參數；分別根據至少一特徵參數來確定至少一特徵評估；對至少一特徵評估進行加權，以分別計算至少一加權的特徵評估；對至少一加權的特徵評估進行求和，以計算與至少一教訓吸取案例對應的至少一總得分；以及對與至少一教訓吸取案例有關的至少一總得分進行排序，以找出與至少一教訓吸取案例中的具有更高優先級的對應的一疑似根本原因。
Description
本發明涉及一種自動評估方法及評估系統，更具體地，本發明涉及一種通過防止産出率損失、減少周期時間、使對後續製造工藝的影響最小化以及增加産品可靠性和準確性等等來提高産品産出率的評估方法和評估系統。
缺陷，尤其是主要缺陷，會影響對象（例如用於工業應用的半導體産品）的構造和功能。存在各種類型的明顯缺陷——例如刮擦、裂紋、厚度不均勻以及錯位，這些缺陷可能是由加工工具、製造廠環境、原材料、前體氣體固有地造成的和/或由工藝、錯誤操作等外在地造成的。除了通過檢測缺陷並指定缺陷位置來監測工藝線和線中産品的運行狀況之外，找出缺陷的根本原因在製造行業中也應發揮越來越重要的作用。
因此，本發明提供了一種用於監測缺陷的自動評估方法和評估系統，從而防止産出率損失、減少周期時間、使對後續製造工藝的影響最小化以及提高可靠性和準確性，等等。
本申請的實施例公開了一種評估系統，其包括存儲設備和處理電路。處理電路耦合至存儲設備並且被配置爲執行存儲在存儲設備中的指令。所述存儲設備被配置用於存儲進行以下操作的指令：提取分別與在對象上檢測到的至少一個缺陷相對應的至少一個特徵參數；分別根據所述至少一個特徵參數來確定至少一個特徵評估；對至少一個特徵評估進行加權，以分別計算至少一個加權的特徵評估；對所述至少一個加權的特徵評估進行求和，以計算與至少一個教訓吸取案例相對應的至少一個總得分；以及對與所述至少一個教訓吸取案例有關的所述至少一個總得分進行排序，以找出與所述至少一個教訓吸取案例中的具有更高優先級的一個相對應的疑似根本原因。
本申請的實施例公開了一種評估方法，其包括：提取分別與在對象上檢測到的至少一個缺陷相對應的至少一個特徵參數；分別根據所述至少一個特徵參數來確定至少一個特徵評估；對所述至少一個特徵評估進行加權，以分別計算至少一個加權的特徵評估；對所述至少一個加權的特徵評估進行求和，以計算與至少一個教訓吸取案例相對應的至少一個總得分；以及對與所述至少一個教訓吸取案例有關的所述至少一個總得分進行排序，以找出與所述至少一個教訓吸取案例中的具有更高優先級的一個相對應的疑似根本原因。
在閱讀了以下在各個附圖中示出的優選實施例的詳細說明之後，本發明的這些和其他目的對於本領域的普通技術人員無疑將變得顯而易見。
圖1是根據本發明的示例的評估系統10的示意圖。評估系統10可以包括處理器電路100、存儲設備110和成像設備120。處理器電路100可以是微處理器或專用集成電路（ASIC），但不限於此。存儲設備110可以是能夠存儲程序代碼114以及要由處理器電路100訪問和執行的數據庫的任何數據存儲設備。存儲設備110的示例可以是只讀存儲器（ROM）、閃存、隨機存取存儲器（RAM）、硬盤、光學數據存儲設備、非易失性存儲設備、非暫時性計算機可讀介質，但不限於此。成像設備120可以是光學顯微鏡、掃描電子顯微鏡（SEM）、檢測器或可以對對象成像以供處理器電路100處理的其他設備。
圖2是根據本發明的示例的評估方法20的流程圖。評估方法20可以編譯到程序代碼114中並且在評估系統10中使用。評估方法20包括以下步驟：
步驟200：開始
步驟202：提取與在對象上檢測到的至少一個缺陷相對應的至少一個特徵參數。
步驟204：分別根據所述至少一個特徵參數來確定至少一個特徵評估。
步驟206：對所述至少一個特徵評估進行加權，以分別計算至少一個加權的特徵評估。
步驟208：對所述至少一個加權的特徵評估進行求和，以計算與至少一個教訓吸取案例相對應的至少一個總得分。
步驟210：對與所述至少一個教訓吸取案例相對應的的所述至少一個總得分進行排序，以找出與所述至少一個教訓吸取案例中的具有更高優先級的一個相對應的疑似根本原因。
步驟212：結束
簡而言之，本發明的評估系統10採用特徵提取來獲得特徵參數，並且利用存儲在評估系統10的存儲設備110中的數據庫在大數據分析中快速實現數據檢索和數據匹配。根據評估方法20來檢測缺陷、分析最疑似的根本原因並自動通知適當的人員可能會導致：防止産出率損失、減少周期時間、使對後續製造工藝的影響最小化以及提高可靠性和準確性。
具體而言，發現缺陷後，然後對缺陷進行檢查和分類，以指明造成缺陷的設備和工藝。在步驟202中，提取與至少一個缺陷相對應的至少一個特徵參數。與至少一個檢測到的缺陷相對應的至少一個特徵參數是用於判斷至少一個檢測到的缺陷的根本原因的關鍵信息。與至少一個檢測到的缺陷相對應的至少一個特徵參數可以是檢測性産品符號、檢測性層符號、檢測性缺陷代碼、檢測性缺陷圖、檢測性缺陷計數、檢測性默認檢測和分類（FDC）、檢測性工具狀態或者檢測性離線監測數據。
在一些實施例中，在步驟202中，可以利用評估系統10的成像設備120來對對象例如晶圓進行視覺表示。在一些實施例中，具有缺陷的布局圖案（pattern）由成像設備120捕獲。評估系統10通過將布局圖案與期望的沒有缺陷的布局圖案進行比較來識別缺陷。當布局圖案與期望的布局圖案之間的差異超過預設閾值時，識別出缺陷。然後從布局圖案中提取與對象的缺陷相對應的特徵參數。在一些實施例中，對具有缺陷的布局圖案的信息進行量化或數字化以生成特徵參數。在一些實施例中，在步驟202中記錄缺陷在對象上的位置以獲得特徵參數。
對應于至少一個特徵參數，教訓吸取案例可以包括至少一個預定參數。在存儲在評估系統10的存儲設備110中的數據庫中，存在多個教訓吸取案例。這些教訓吸取案例中的一個教訓吸取案例中的至少一個預定的參數可以是默認産品符號、默認層符號、默認缺陷代碼、默認缺陷圖、默認缺陷計數、默認FDC、默認工具狀態、默認離線監測數據，或者默認教訓吸取案例狀態。
在步驟204中，分別根據至少一個特徵參數來確定至少一個特徵評估。此外，這些教訓吸取案例中的一個教訓吸取案例中的至少一個預定參數（例如，教訓吸取案例一）也可以影響至少一個特徵評估。至少一個特徵評估中的每一個分別相關於至少一個特徵參數中的一個與至少一個默認特徵參數中的一個之間的相似性。在步驟206中，至少一特徵評估乘以至少一個特徵權重，以分別計算至少一個加權的特徵評估。步驟204至步驟206可以進一步描述如下。
爲了進一步說明，請參閱表1。表1示出了在圖1的評估系統10中的尚未建立的進行中的教訓吸取案例與在數據庫中記錄的另一個教訓吸取案例（例如，教訓吸取案例一）之間的比較。正在進行的教訓吸取案例與在評估方法20中檢測到的至少一個缺陷相對應。
（表1）
| 進行中的教訓吸取案例（尚未建立的）與記錄的教訓吸取案例（例如，教訓吸取案例一）之間的比較 | |||
| 與教訓吸取案例一相對應的總得分 = 15 | |||
| 特徵參數 | 特徵評估 | 特徵權重 | 加權的特徵評估 |
| 檢測性産品符號 = Y009 | 産品符號評估 = 1 | 産品符號權重 = 0.5 | 加權的産品符號評估 = 0.5 |
| 檢測性層符號 = AAA | 層符號評估 = 1 | 層符號權重 = 0.5 | 加權的層符號評估 = 1 |
| 檢測性缺陷代碼 = 劃痕 | 缺陷代碼評估 = 1 | 缺陷代碼權重 = 3 | 加權的缺陷代碼評估 = 1 |
| 檢測性缺陷圖 = 弧 | 缺陷圖評估 = 1 | 缺陷圖權重 = 5 | 加權的缺陷圖評估 = 1 |
| 檢測性缺陷計數 = 3 | 缺陷計數評估 = 3 | 缺陷計數權重 = 1 | 加權的缺陷計數評估 = 3 |
| 檢測性故障檢測和分類 = N/A | 故障檢測和分類評估 = 1 | 故障檢測和分類權重 = 1 | 加權的故障檢測和分類評估 = 1 |
| 檢測性工具狀態 = N/A | 工具狀態評估 = 0 | 工具狀態權重 = 10 | 加權的工具狀態評估 = 0 |
| 檢測性離線監測數據 = N/A | 離線監測數據評估 = 0 | 離線監測數據權重 = 7 | 加權的離線監測數據評估 = 0 |
| 默認的教訓吸取案例狀態 = 不確定 | 教訓吸取案例狀態評估 = 0.5 | 教訓吸取案例狀態權重 = 4 | 加權的教訓吸取案例狀態評估 = 0.5 |
檢測性産品符號可以與對象相關聯，該對象可以是具有特定IC設計的晶圓。由於IC設計不同，因此檢測性産品符號也會改變。檢測性産品符號可以是例如但不限於Y009。如果默認産品符號也爲Y009，則在步驟204中計算出的産品符號評估爲，例如但不限於，1。換句話說，産品符號評估的大小是基於檢測性産品符號與默認産品符號之間的相似性。然後將産品符號評估乘以適當的權重（即，産品符號權重），並且在步驟206中結果是加權的産品符號評估。産品符號權重的確切值取決於産品符號評估的重要性。
檢測性層符號可以與缺陷的位置相關聯。缺陷的位置與設備故障或工藝故障高度相關。因爲晶圓可以具有多層堆疊結構，所以在任何層中都可能發現缺陷。檢測性層符號表示缺陷所在的層。檢測性層符號可以是，例如但不限於，V1_CMP（或AAA）。如果默認層符號也是V1_CMP（或AAA），則在步驟204中計算出的層符號評估將是，例如但不限於，1。換句話說，層符號評估的大小基於檢測性層符號與默認層符號之間的相似性。然後將層符號評估乘以適當的權重（即，層符號權重），並且在步驟206中結果是加權的層符號評估。層符號權重的確切值取決於層符號評估的重要性。
檢測性缺陷代碼可以與缺陷的類型相關聯。例如，檢測缺陷代碼可以指示劃痕或雜質，但不限於此。如果檢測性缺陷代碼和默認缺陷代碼二者都是劃痕，則在步驟204中計算出的缺陷代碼評估將是，例如但不限於，1。換句話說，缺陷代碼評估的大小基於檢測性缺陷代碼與默認缺陷代碼之間的相似性。然後將缺陷代碼評估乘以適當的權重（即，缺陷代碼權重），並且在步驟206中結果是加權的缺陷代碼評估。缺陷代碼權重的確切值取決於缺陷代碼評估的重要性。
檢測性缺陷圖可以與缺陷的形狀或大小相關聯。在一些實施例中，檢測性缺陷圖可以指示弧形或三角形。在一些實施例中，檢測性缺陷圖可以指示缺陷的兩個相對邊緣之間的距離。如果檢測性缺陷圖和默認缺陷圖二者都是弧形，則在步驟204中計算出的缺陷圖評估將是，例如但不限於，1。換句話說，缺陷圖評估的大小基於檢測性缺陷圖與默認缺陷圖之間的相似性。然後將缺陷圖評估乘以適當的權重（即，缺陷圖權重），並且在步驟206中結果是加權的缺陷圖評估。缺陷圖權重的確切值取決於缺陷圖評估的重要性。
檢測性缺陷計數可以與布局圖案的缺陷的數量相關聯。在步驟204中計算出的缺陷計數評估的大小等於布局圖案中的缺陷的數量。然後可以將缺陷計數評估乘以適當的權重（即，缺陷計數權重），並且在步驟206中結果是加權的缺陷計數評估。缺陷計數權重的確切值取決於缺陷計數評估的重要性。
檢測性FDC可以與工藝偏移相關聯。可以針對用戶定義的限制對來自設備並被連續監測的傳感器數據進行分析，以檢測工藝偏移。工藝偏移可以是正在進行的步驟的一個或多個降級設備部分的結果，也可能是來自先前步驟中任何一個步驟的工藝或設備的結果。例如，當設備中的放電經歷輝光到電弧過渡時，諸如射頻功率之類的傳感器數據可能會增加。如果檢測性FDC和默認FDC二者都指示某些工藝偏移或沒有明顯的工藝偏移，則在步驟204中計算出的FDC評估將是，例如但不限於，1。換句話說，FDC評估的大小基於檢測性FDC與默認FDC之間的相似性。然後將FDC評估乘以適當的權重（即，FDC權重），並且在步驟206中結果是加權的FDC評估。FDC權重的確切值取決於FDC評估的重要性。
檢測工具狀態可以與正在進行的步驟或任何先前步驟的設備狀態相關聯。例如，如果某些設備將要維修或剛剛維護，則設備狀態很可能不完美。如果默認工具狀態也指示某些維護事件，則在步驟204中計算出的工具狀態評估將是，例如但不限於，1。換句話說，工具狀態評估的大小基於檢測性工具狀態與默認工具狀態之間的相似性。然後將工具狀態評估乘以適當的權重（即，工具狀態權重），並且在步驟206中結果是加權的工具狀態評估。工具狀態權重的確切值取決於工具狀態評估的重要性。
檢測性離線監測數據可以與設備故障相關聯。具體而言，由許多重複的順序過程組成的用於製造産品（例如晶圓）的製造程序也被應用於測試樣品。在線監測數據來自産品的製造過程。另一方面，當將製造程序用於測試樣品時，可以生成離線監測數據。因此，離線監測數據可以直接反映具體的設備故障。如果默認的離線監測數據也指示測試樣品的某些設備故障，則在步驟204中計算出的離線監測數據評估將是，例如但不限於，1。換句話說，離線監測數據評估的大小基於檢測性離線監測數據與默認離線監測數據之間的相似性。然後將離線監測數據評估乘以適當的權重（即，離線監測數據權重），並且在步驟206中結果是加權的離線監測數據評估。離線監測數據權重的確切值取決於離線監測數據評估的重要性。
默認的教訓吸取案例狀態可以與教訓吸取案例的診斷可靠性、準確性或確定性相關聯（例如，表1和表2中所示的教訓吸取案例一）。例如，某些教訓吸取案例可能沒有足夠的證據來對缺陷的根本原因做出明確的結論；但是，教訓吸取案例可以表明某些根本原因最有可能是真實的。在這種情況下，對教訓吸取案例一的判斷越明確，教訓吸取案例的狀態評估就越高。換句話說，在步驟204中計算出的缺陷計數評估的大小是基於教訓吸取案例一的診斷確定性的。然後將教訓吸取案例狀態評估乘以適當的權重（即，教訓吸取案例狀態權重），並且在步驟206中結果是加權的教訓吸取案例狀態評估。教訓吸取案例狀態權重的確切值取決於教訓吸取案例狀態評估的重要性。
在步驟208中，與（記錄的）教訓吸取案例（例如，教訓吸取案例一）相對應的總得分是加權的特徵評估的總和。例如，産品符號評估、層符號評估、缺陷代碼評估、缺陷圖評估、缺陷計數評估、FDC評估、工具狀態評估、離線監測數據評估、教訓吸取案例狀態評估可以分別是1、1、1、1、3、1、0、0和0.5。産品符號權重、層符號權重、缺陷代碼權重、缺陷圖權重、缺陷計數權重、FDC權重、工具狀態權重、離線監測數據權重、教訓吸取案例狀態權重可以分別爲0.5、0.5、3、5、1、1、10、7和4。加權的産品符號評估、加權的層符號評估、加權的缺陷代碼評估、加權的缺陷圖評估、加權的缺陷計數評估、加權的FDC評估、加權的工具狀態評估、加權的離線監測數據評估以及加權的教訓吸取案例狀態評估則可以分別是0.5（0.5 = 0.5 * 1）、0.5（0.5 = 0.5 * 1）、3（3 = 3 * 1）、5（5 = 5 * 1）、3（3 = 1 * 3）、1（1 = 1 * 1）、0（0 = 10 * 0）、0（0 = 7 * 0）和2（2 = 4 * 0.5）。
通過對所有加權的特徵評估進行求和，計算出與（記錄的）教訓吸取案例（例如，教訓吸取案例一）相對應的總得分。例如，可以通過將加權的産品符號評估、加權的層符號評估、加權的缺陷代碼評估、加權的缺陷圖評估、加權的缺陷計數評估、加權的FDC評估、加權的工具狀態評估、加權的離線監測數據評估以及加權的教訓吸取案例狀態評估相加到一起來獲得與（記錄的）教訓吸取案例一相對應的總得分。其等於15。
在步驟210中，分別根據它們相應的總得分來計算所有教訓吸取案例的排名。以這種方式，確定了與至少一個具有較高優先級的教訓吸取案例相對應的疑似根本原因。例如，（記錄的）教訓吸取案例一獲得總得分15表示在電弧放電工藝中可能發生製造工藝問題，這被認爲是所提出的根本原因。數據庫中記錄的與（記錄的）教訓吸取案例二相對應的總得分是45，並且教訓吸取案例二表示製造工藝問題可能發生於金剛石刀片期間，這被認爲是所提出的根本原因。與（記錄的）教訓吸取案例三相對應的總得分爲7，而教訓吸取案例三則表示製造工藝問題可能發生在化學機械拋光/平面化（CMP）工藝中，這被認爲是所提出的根本原因。與（記錄的）教訓吸取案例四相對應的總得分爲13，而教訓吸取案例四則表示製造工藝問題可能發生在退火工藝中，這被認爲是所提出的根本原因。
由於教訓吸取案例二的得分高于其他教訓吸取案例，因此最疑似的根本原因可能是金剛石刀片。爲了進一步說明步驟210，請參閱表2。表2示出了關於圖1的評估系統10中的所有（記錄的）教訓吸取案例的信息。儘管僅示出了教訓吸取案例一至教訓吸取案例四，但本發明不限於此，教訓吸取案例的數量可以改變。
（表2）
| 記錄的教訓吸取案例 | 總得分 | 提出的根本原因 | 執行設備 |
| 教訓吸取案例二 | 45 | 金剛石刀片 | 切割設備YND3 |
| 教訓吸取案例一 | 15 | 電弧放電工藝 | 電弧放電設備282SFD13 |
| 教訓吸取案例四 | 13 | 退火工藝 | N/A |
| 教訓吸取案例三 | 7 | 化學機械拋光/平面化工藝 | 化學機械拋光/平面化設備ATUNA01-5 |
根據教訓吸取案例二指示的最疑似根本原因，將執行金剛石刀片工藝的特定執行設備選甄別爲切割設備YND3。在一些實施例中，可以自動發出關於最疑似根本原因的告警以通知用戶或技術人員，並且疑似根本原因（例如，具有金剛石刀片的切割設備YND3的不可靠性）指示爲什麽出現該至少一個缺陷。評估系統10可以自動編輯告警，以指示最疑似的根本原因，並提供與檢測到的缺陷相對應的至少一個特徵參數的詳細信息。它允許工程師配置在檢測到缺陷時必須採取的措施。爲了進一步說明，請參閱圖3。圖3是圖1的評估系統10中的告警的示意圖。在一些實施例中，評估系統10可以自動採取預設動作。檢測此類缺陷、分析最疑似的根本原因並自動通知適當人員可以實現防止産出率損失、減少周期時間、使對後續製造工藝的影響最小化以及提高可靠性和準確性。
在一些實施例中，表1和圖3中所示的正在進行的教訓吸取案例變爲新的教訓吸取案例。在一些實施例中，可以將與當前檢測到的缺陷和/或最疑似的根本原因相對應的至少一個特徵參數的詳細信息建立爲新的教訓吸取案例。新的教訓吸取案例將保存在評估系統10的存儲設備110中的數據庫中。換句話說，評估系統10的數據庫是動態的，並且可以在運行時改變。
在一些實施例中，可以將由評估系統10判斷的最疑似根本原因（根據教訓吸取案例二）與通過人眼手動檢查判斷的可能根本原因進行比較。計算出評估系統10的確定準確度。如果評估系統10的確定準確度高于手動檢查的確定準確度，則可以自動向用戶通知關於最疑似根本原因的告警。以這種方式，減少了周期時間、減少了對後續製造工藝的影響，並提高了準確度。
可以以複雜的方式來確定特徵權重。具體而言，請參照表3至表5。表3示出了在圖1的評估系統10中的尚未建立的（進行中的）教訓吸取案例與在數據庫中記錄的具有未優化的特徵權重的另一個（記錄的）教訓吸取案例（例如，教訓吸取案例一）之間的比較。表4示出了關於圖1的評估系統10中的所有（記錄的）教訓吸取案例的信息。表5再次示出了尚未建立的進行中的教訓吸取案例與圖1的評估系統10中具有優化的特徵權重的、所記錄的教訓吸取案例之間的比較。
（表3）
| 進行中的教訓吸取案例（尚未建立的）與記錄的教訓吸取案例（例如，教訓吸取案例一）之間的比較 | |||
| 與教訓吸取案例一相對應的總得分 = 15 | |||
| 特徵參數 | 特徵評估 | 特徵權重 | 加權的特徵評估 |
| 檢測性産品符號= Y009 | 産品符號評估 = 1 | 産品符號權重 = 1 | 加權的産品符號評估 = 1 |
| 檢測性層符號 = AAA | 層符號評估 = 1 | 層符號權重 = 1 | 加權的層符號評估 = 1 |
| 檢測性缺陷代碼 = 劃痕 | 缺陷代碼評估 = 1 | 缺陷代碼權重 = 1 | 加權的缺陷代碼評估 = 1 |
| 檢測性缺陷圖 = 弧 | 缺陷圖評估 = 1 | 缺陷圖權重 = 1 | 加權的缺陷圖評估 = 1 |
| 檢測性缺陷計數 = 3 | 缺陷計數評估 = 3 | 缺陷計數權重 = 1 | 加權的缺陷計數評估 = 3 |
| 檢測性故障檢測和分類 = N/A | 故障檢測和分類評估 = 1 | 故障檢測和分類權重 = 1 | 加權的故障檢測和分類評估 = 1 |
| 檢測性工具狀態 = N/A | 工具狀態評估 = 0 | 工具狀態權重 = 1 | 加權的工具狀態評估 = 0 |
| 檢測性離線監測數據 = N/A | 離線監測數據評估 = 0 | 離線監測數據權重 = 1 | 加權的離線監測數據評估 = 0 |
| 默認的教訓吸取案例狀態 = 不確定 | 教訓吸取案例狀態評估 = 0.5 | 教訓吸取案例狀態權重 = 1 | 加權的教訓吸取案例狀態評估 = 0.5 |
（表4）
| 記錄的教訓吸取案例 | 總得分 | 提出的根本原因 | 執行設備 |
| 教訓吸取案例二 | 30 | 金剛石刀片 | 切割設備YND3 |
| 教訓吸取案例一 | 8.5 | 電弧放電工藝 | 電弧放電設備282SFD13 |
| 教訓吸取案例四 | 11 | 退火工藝 | N/A |
| 教訓吸取案例三 | 9 | 化學機械拋光/平面化工藝 | 化學機械拋光/平面化設備ATUNA01-5 |
（表5）
| 進行中的教訓吸取案例（尚未建立的）與記錄的教訓吸取案例（例如，教訓吸取案例一）之間的比較 | |||
| 與教訓吸取案例一相對應的總得分 = 15 | |||
| 特徵參數 | 特徵評估 | 特徵加權 | 加權的特徵評估 |
| 檢測性産品符號= Y009 | 産品符號評估 = 1 | 産品符號權重 = 0.5 | 加權的産品符號評估 = 0.5 |
| 檢測性層符號 = AAA | 層符號評估 = 1 | 層符號權重 = 0.5 | 加權的層符號評估 = 1 |
| 檢測性缺陷代碼 = 劃痕 | 缺陷代碼評估 = 1 | 缺陷代碼權重 = 3 | 加權的缺陷代碼評估 = 1 |
| 檢測性缺陷圖 = 弧 | 缺陷圖評估 = 1 | 缺陷圖權重 = 5 | 加權的缺陷圖評估 = 1 |
| 檢測性缺陷計數 = 3 | 缺陷計數評估 = 3 | 缺陷計數權重 = 1 | 加權的缺陷計數評估 = 3 |
| 檢測性故障檢測和分類 = N/A | 故障檢測和分類評估 = 1 | 故障檢測和分類權重 = 1 | 加權的故障檢測和分類評估 = 1 |
| 檢測性工具狀態 = N/A | 工具狀態評估 = 0 | 工具狀態權重 = 10 | 加權的工具狀態評估 = 0 |
| 檢測性離線監測數據 = N/A | 離線監測數據評估 = 0 | 離線監測數據權重 = 7 | 加權的離線監測數據評估 = 0 |
| 默認的教訓吸取案例狀態 = 不確定 | 教訓吸取案例狀態評估 = 0.5 | 教訓吸取案例狀態權重 = 4 | 加權的教訓吸取案例狀態評估 = 0.5 |
爲了確定適當的特徵權重，可以最初將每個特徵評估的特徵權重（或特徵初始權重）分別設置爲1。例如，産品符號權重、層符號權重、缺陷代碼權重、缺陷圖權重、缺陷計數權重、FDC權重、工具狀態權重、離線監測數據權重以及教訓吸取案例狀態權重都可以設置爲1。在這種情況下，加權的産品符號評估、加權的層符號評估、加權的缺陷代碼評估、加權的缺陷圖評估、加權的缺陷計數評估、加權的FDC評估、加權的工具狀態評估、加權的離線監測數據評估、加權的教訓吸取案例狀態評估則可以分別改變爲1（1 = 1 * 1）、1（1 = 1 * 1）、1（1 = 1 * 1）、1（1 = 1 * 1）、3（3 = 1 * 3）、1（1 = 1 * 1）、0（0 = 1 * 0）、0（0 = 1 * 0）、0.5（0.5 = 1 * 0.5）。
如步驟208所示，通過對所有加權的特徵評估進行求和來計算與教訓吸取案例相對應的總得分。例如，在這種情況下，與（記錄的）教訓吸取案例一相對應的總分可以等於8.5。在步驟210中，分別根據它們相應的總得分來計算所有教訓吸取案例的排名。例如，教訓吸取案例二的獲得了較高的得分，最疑似的根本原因可以是電弧放電工藝。
可以將由評估系統10判斷的最疑似的根本原因（根據教訓吸取案例二）與標準答案進行比較，該標準答案可以是真實情況，或者可以根據使用人眼的手動檢查找到。在一些實施例中，基於工具、階段、模塊或産品信息來計算由評估系統10判斷的所提出的根本原因與標準答案之間的匹配值，以便確定模式特徵權重。在一些實施例中，可以利用權重分析方法來計算特徵權重。在一些實施例中，可以通過執行預定的統計分析（例如線性回歸算法、多線性回歸算法或線性代數）來確定特徵權重。這樣，至少一個特徵初始權重可以被改變爲分別在表5中示出的至少一個特徵權重。
在一些實施例中，可以手動執行評估方法。例如，圖4是根據本發明的示例的、手動執行的評估方法40的流程圖。評估方法40包括以下步驟：
步驟400：開始
步驟402：當至少一個缺陷發生時，手動收集在對象上檢測到的至少一個缺陷的現場數據。
步驟404：對所述現場數據進行手動分析以確定疑似根本原因。
步驟406：手動發出關於所述疑似根本原因的告警，其中，所述疑似根本原因指示所述至少一個缺陷爲什麽發生。
步驟408：用所述告警來手動通知適當人員。
步驟410：結束
如上所述，由於評估方法40是手動執行的，因此與自動的評估方法20相比，可能需要更多時間來完成通知。因此，周期時間可以增加。此外，隨後的製造過程可能會受到影響，並且準確度會下降。
總而言之，本發明的評估系統10採用特徵提取來獲得特徵參數，並且利用存儲在評估系統10的存儲設備110中的數據庫在大數據分析中快速實現數據檢索和數據匹配。根據評估方法20來檢測缺陷、分析最疑似的根本原因並自動通知適當的人員可能會導致：防止産出率損失、減少周期時間、使對後續製造工藝的影響最小化以及提高可靠性和準確性。
本領域技術人員將容易觀察到：在保持本發明的教導的同時，可以對設備和方法進行多種修改和變更。因此，以上公開內容應被解釋爲僅由所附權利要求的界限來限定。
以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
10:評估系統
100:處理器電路
110:存儲設備
120:成像設備
114:程序代碼
20:評估方法
200~212:步驟
圖1是根據本發明的示例的評估系統的示意圖。
圖2是根據本發明的示例的評估方法的流程圖。
圖3是圖1的評估系統中的告警的示意圖。
20:評估方法
200~212:步驟
Claims (20)
- 一種評估系統，包括： 存儲設備，用於存儲進行以下操作的指令： 提取分別與在對象上檢測到的至少一個缺陷相對應的至少一個特徵參數； 分別根據所述至少一個特徵參數來確定至少一個特徵評估； 對所述至少一個特徵評估進行加權，以分別計算至少一個加權的特徵評估； 對所述至少一個加權的特徵評估進行求和，以計算與至少一個教訓吸取案例相對應的至少一個總得分；以及 對與所述至少一個教訓吸取案例對應的所述至少一個總得分進行排序，以找出與所述至少一個教訓吸取案例中的具有更高優先級的一個相對應的疑似根本原因；以及 處理電路，耦合至所述存儲設備，被配置爲執行存儲在所述存儲設備中的所述指令。
- 如請求項1所述的評估系統，其中，所述存儲設備還存儲進行以下操作的指令： 自動發出關於所述疑似根本原因的告警，其中，所述疑似根本原因指示所述至少一個缺陷爲什麽發生。
- 如請求項1所述的評估系統，其中，與所述至少一個缺陷相對應的所述至少一個特徵參數包括下列各項中的至少一項：檢測性産品符號、檢測性層符號、檢測性缺陷代碼、檢測性缺陷圖、檢測性缺陷計數、檢測性FDC、檢測性工具狀態、檢測性離線監測數據以及檢測性教訓吸取案例狀態。
- 如請求項1所述的評估系統，其中，所述至少一個特徵評估中的每一個分別相關於所述至少一個特徵參數中的一個與至少一個默認特徵參數中的一個之間的相似性。
- 如請求項1所述的評估系統，其中，所述至少一個特徵評估被乘以至少一個特徵權重，以分別計算所述至少一個加權的特徵評估，並且所述至少一個特徵權重是分別根據線性回歸算法來確定的。
- 如請求項5所述的評估系統，其中，至少一個特徵初始權重分別被設置爲1，並且分別根據線性回歸算法被改變爲所述至少一個特徵權重。
- 如請求項5所述的評估系統，其中，計算至少一個提議的根本原因與標準答案之間的至少一個匹配值，以分別確定所述至少一個特徵權重。
- 如請求項1所述的評估系統，其中，所述對象是晶圓。
- 如請求項1所述的評估系統，其中，將與所述至少一個缺陷和所述疑似根本原因相對應的所述至少一個特徵參數建立爲新的教訓吸取案例，並將所述新的教訓吸取案例存儲在所述存儲設備中。
- 如請求項1所述的評估系統，還包括： 成像設備，其被配置爲對所述對象進行成像以供所述處理器電路處理。
- 一種評估方法，包括： 提取分別與在對象上檢測到的至少一個缺陷相對應的至少一個特徵參數； 分別根據所述至少一個特徵參數來確定至少一個特徵評估； 對所述至少一個特徵評估進行加權，以分別計算至少一個加權的特徵評估； 對所述至少一個加權的特徵評估進行求和，以計算與至少一個教訓吸取案例相對應的至少一個總得分；以及 對與所述至少一個教訓吸取案例對應的所述至少一個總得分進行排序，以找出與所述至少一個教訓吸取案例中的具有更高優先級的一個相對應的疑似根本原因。
- 如請求項11所述的評估方法，還包括： 自動發出關於所述疑似根本原因的告警，其中，所述疑似根本原因指示所述至少一個缺陷爲什麽發生。
- 如請求項11所述的評估方法，其中，與所述至少一個缺陷相對應的所述至少一個特徵參數包括下列各項中的至少一項：檢測性産品符號、檢測性層符號、檢測性缺陷代碼、檢測性缺陷圖、檢測性缺陷計數、檢測性FDC、檢測性工具狀態、檢測性離線監測數據以及檢測性教訓吸取案例狀態。
- 如請求項11所述的評估方法，其中，所述至少一個特徵評估中的每一個分別相關於所述至少一個特徵參數中的一個與至少一個默認特徵參數中的一個之間的相似性。
- 如請求項11所述的評估方法，其中，所述至少一個特徵評估被乘以與至少一個特徵權重，以分別計算所述至少一個加權的特徵評估，並且所述至少一個特徵權重是分別根據線性回歸算法來確定的。
- 如請求項15所述的評估方法，其中，至少一個特徵初始權重分別被設置爲1，並且分別根據線性回歸算法被改變爲所述至少一個特徵權重。
- 如請求項15所述的評估方法，其中，計算至少一個提議的根本原因與標準答案之間的至少一個匹配值，以分別確定所述至少一個特徵權重。
- 如請求項11所述的評估方法，其中，所述對象是晶圓。
- 如請求項11所述的評估方法，其中，將與所述至少一個缺陷和所述疑似根本原因相對應的所述至少一個特徵參數建立爲新的教訓吸取案例，並將所述新的教訓吸取案例存儲在數據庫中。
- 如請求項11所述的評估方法，其中，成像設備被配置爲對所述對象進行成像以檢測所述至少一個缺陷。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| WOPCT/CN2019/116814 | 2019-11-08 | ||
| PCT/CN2019/116814 WO2021088027A1 (en) | 2019-11-08 | 2019-11-08 | Automatic assessment method and assessment system thereof for yield improvement |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202119336A true TW202119336A (zh) | 2021-05-16 |
| TWI784228B TWI784228B (zh) | 2022-11-21 |
Family
ID=69913010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108148323A TWI784228B (zh) | 2019-11-08 | 2019-12-30 | 用於提高產出率的自動評估方法及其評估系統 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11480531B2 (zh) |
| CN (1) | CN110945563A (zh) |
| TW (1) | TWI784228B (zh) |
| WO (1) | WO2021088027A1 (zh) |
Family Cites Families (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4220595B2 (ja) | 1998-08-10 | 2009-02-04 | 株式会社日立製作所 | 欠陥の分類方法並びに教示用データ作成方法 |
| US6466895B1 (en) * | 1999-07-16 | 2002-10-15 | Applied Materials, Inc. | Defect reference system automatic pattern classification |
| US6744266B2 (en) | 2000-10-02 | 2004-06-01 | Applied Materials, Inc. | Defect knowledge library |
| US7904845B2 (en) | 2006-12-06 | 2011-03-08 | Kla-Tencor Corp. | Determining locations on a wafer to be reviewed during defect review |
| US7805258B2 (en) * | 2007-02-16 | 2010-09-28 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for film stress and curvature gradient mapping for screening problematic wafers |
| US7805639B2 (en) | 2007-08-16 | 2010-09-28 | International Business Machines Corporation | Tool to report the status and drill-down of an application in an automated manufacturing environment |
| US8260034B2 (en) | 2008-01-22 | 2012-09-04 | International Business Machines Corporation | Multi-modal data analysis for defect identification |
| EP2449390A1 (en) * | 2009-07-01 | 2012-05-09 | KLA-Tencor Corporation | Monitoring of time-varying defect classification performance |
| CN101847163B (zh) | 2010-05-28 | 2012-06-13 | 广东工业大学 | 一种多特征融合的外观设计专利图像检索方法 |
| TWI447605B (zh) | 2011-06-22 | 2014-08-01 | Inotera Memories Inc | 半導體製程之失效偵測方法及執行此方法之系統架構 |
| US8607169B2 (en) | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
| US9053390B2 (en) | 2012-08-14 | 2015-06-09 | Kla-Tencor Corporation | Automated inspection scenario generation |
| US9235885B2 (en) * | 2013-01-31 | 2016-01-12 | Applied Materials Israel Ltd | System, a method and a computer program product for patch-based defect detection |
| CN103295930B (zh) * | 2013-06-04 | 2017-07-07 | 上海华力微电子有限公司 | 一种快速高效的晶背缺陷识别方法 |
| WO2015049087A1 (en) | 2013-10-02 | 2015-04-09 | Asml Netherlands B.V. | Methods & apparatus for obtaining diagnostic information relating to an industrial process |
| US10430719B2 (en) * | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
| JP6329923B2 (ja) * | 2015-06-08 | 2018-05-23 | 東京エレクトロン株式会社 | 基板の検査方法、コンピュータ記憶媒体及び基板検査装置 |
| CN107203450B (zh) * | 2016-03-16 | 2020-06-02 | 伊姆西Ip控股有限责任公司 | 故障的分类方法和设备 |
| WO2017214793A1 (zh) * | 2016-06-13 | 2017-12-21 | 北京小米移动软件有限公司 | 指纹模板生成方法及装置 |
| TWI637250B (zh) | 2017-03-31 | 2018-10-01 | 林器弘 | 智慧加工調變系統及方法 |
| US10839507B2 (en) * | 2017-11-30 | 2020-11-17 | Taiwan Semiconductor Manufacturing Co., Ltd. | Defect offset correction |
| CN108898051A (zh) * | 2018-05-22 | 2018-11-27 | 广州洪森科技有限公司 | 一种基于视频流的人脸识别方法及系统 |
| US11423035B2 (en) * | 2019-02-04 | 2022-08-23 | Pearson Education, Inc. | Scoring system for digital assessment quality with harmonic averaging |
| CN110109821A (zh) * | 2019-03-19 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 软件程序质量评价方法、装置、计算机设备及存储介质 |
| CN110243834B (zh) * | 2019-07-11 | 2020-03-31 | 西南交通大学 | 基于知识图谱的变压器设备缺陷分析方法 |
-
2019
- 2019-11-08 WO PCT/CN2019/116814 patent/WO2021088027A1/en active Application Filing
- 2019-11-08 CN CN201980003369.9A patent/CN110945563A/zh active Pending
- 2019-12-24 US US16/726,275 patent/US11480531B2/en active Active
- 2019-12-30 TW TW108148323A patent/TWI784228B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| US20210140897A1 (en) | 2021-05-13 |
| US11480531B2 (en) | 2022-10-25 |
| TWI784228B (zh) | 2022-11-21 |
| WO2021088027A1 (en) | 2021-05-14 |
| CN110945563A (zh) | 2020-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6265232B1 (en) | Yield based, in-line defect sampling method | |
| KR101931834B1 (ko) | 설계 기반 소자 위험성 평가 | |
| KR100278333B1 (ko) | 결함 해석 방법, 기록 매체 및 공정 관리 방법 | |
| JP4694618B2 (ja) | 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体 | |
| US6701204B1 (en) | System and method for finding defective tools in a semiconductor fabrication facility | |
| JP2017216466A (ja) | ビット不良および仮想検査を用いたウェハ検査プロセスの生成 | |
| JP2010537199A (ja) | 実際の欠陥が潜在的にシステム的な欠陥であるか、または潜在的にランダムな欠陥であるかを判断する、コンピューターに実装された方法 | |
| WO2015021206A1 (en) | Setting up a wafer inspection process using programmed defects | |
| JP2020041889A (ja) | ワーク検査方法及びワーク検査システム | |
| Miller et al. | Unit level predicted yield: a method of identifying high defect density die at wafer sort | |
| TWI755468B (zh) | 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法 | |
| US20120029679A1 (en) | Defect analysis method of semiconductor device | |
| TWI235447B (en) | Method and system for analyzing defects of an integrated circuit wafer | |
| CN105203941B (zh) | 晶圆测试特殊图案及探针卡缺陷的检验方法 | |
| CN111653500A (zh) | 判断晶圆良率损失的方法 | |
| JP4080087B2 (ja) | 分析方法，分析システム及び分析装置 | |
| US7299154B1 (en) | Method and apparatus for fast disturbance detection and classification | |
| JP4611369B2 (ja) | デバイスの製造方法 | |
| TWI784228B (zh) | 用於提高產出率的自動評估方法及其評估系統 | |
| JP2024509684A (ja) | 半導体ダイパッケージの信頼性を評価するためのシステムおよび方法 | |
| JP4866263B2 (ja) | 電子デバイスの品質管理方法および電子デバイスの品質管理システム | |
| JP2004296826A (ja) | 品質管理装置及び品質管理方法 | |
| US20050080572A1 (en) | Method of defect control | |
| US20090175706A1 (en) | Method and apparatus for detecting a wafer pod | |
| TWI262571B (en) | Wafer yield detect method |