TW202303315A - 良率導向之線上機台匹配管理方法 - Google Patents

Abstract

一種良率導向之線上機台匹配管理方法，通過處理器執行，並對製程程序中多個機台進行調整。此方法包括：收集多個機台之製程參數，以及與各機台相對應的良率；基於多個機台的製程參數製作製程參數機率圖，並且基於預設判斷準則，計算線上品管指標；基於多個機台的良率製作良率機率圖，並且基於預設判斷準則，計算線上良率指標；根據線上品管指標以及線上良率指標，製作良率-製程參數關聯圖；根據良率-製程參數關聯圖，決定在多個機台中會影響良率的風險機台；以及基於預設條件，對風險機台進行機台調整程序或製程邊界調整程序。

Description

良率導向之線上機台匹配管理方法

本發明是有關於一種機台匹配管理方法，且特別是有關於一種良率導向之線上機台匹配管理方法。

一般而言，一個半導體製程從晶圓到產品需要經過數百道的製程程序，例如薄膜、沈積、化學研磨(CMP)、植入、黃光(曝光、蝕刻)等等。此外，每一道製程程序都可能包括數台機台。例如，在微影蝕刻這個製程中，每一機台曝光完，所量測到的關鍵尺寸(CD)不盡相同。此外，一開始每個製程的各機台差異性不大，但量產久了之後，各機台便會產生變異性，進而會影響整體的良率。

客戶均會依照其各自的需求而強調線上機台匹配的重要性。亦即，要調整各機台的參數，使其分配能盡量匹配，進而讓整體良率可以維持在所需要的水準。在此匹配過程，箱型圖(box plot)是常用的一種方式，但箱型圖只能採用目視或統計檢定來比較各生產機台的線上平均數(或中位數)的差異。但是，其餘機差(機台差異)分布特性並無法由目視來正確比較與判定。因此，如果單純觀察箱型圖，因為箱型圖只以平均數或中位數為準，所以從箱型圖中目視的結果會認為機台間的差異性並不大。

圖1A繪示以箱型圖來呈現鋁沉積製程中各機台的厚度值分布圖。如圖1A所示，機台1~機台4的鋁厚度(製程參數)分布的箱型區域範圍大概都在3600；也就是說，各機台的中位數並沒有甚麼差異。因此，如果從圖1A來看，有可能會得到機台1~機台4的機差並不大。此外，從圖1A來看，頂多可以看出機台2的最大值有超過上限一點點，但是還是無法清楚地知道此情況是否會產生機差，進而影響良率。

圖1B繪示圖1A之例子的機率圖。如圖1B所示，橫軸是鋁厚度，而縱軸是累積機率值(百分比)。從圖1B的機率圖來看，大概可以進一步地明白，在此厚度分布，曲線的尾端處存在較大的機差。因此，從機率圖可以進一步了解機差分布狀況。但是，即使如此，操作員仍然不知道此機差對於整體製程的良率有何影響，進而很難知道要如何來對機台間進行匹配(調整)。

因此，現行監控機制缺乏生產機台機差線上規格之製程資料與產品測試資料的雙向確認其相關性的功能。也就是說，雖然可以線上監控到各製程程序中各機台的變異性，但是在目前的監控機制都沒有將良率列入監控的因素。因此，即使線上監控可以控制個製程程序中各機台的差異性(機差)，但是最後還是無法提高良率，也就是缺少雙向確認之良率與製程參數之間的關聯性。

根據本發明一實施例，提供一種一種良率導向之線上機台匹配管理方法，通過處理器執行，並對製程程序中的多個機台進行調整。線上機台匹配管理方法包括：收集所述多個機台之製程參數的量測值，以及與各所述多個機台相對應的良率；基於所述多個機台的所述製程參數，製作製程參數機率圖，並且基於預設判斷準則，計算線上品管指標；基於所述多個機台的所述良率，製作良率機率圖，並且基於所述預設判斷準則，計算線上良率指標；根據所述線上品管指標以及所述線上良率指標，製作良率-製程參數關聯圖；根據所述良率-製程參數關聯圖，決定在所述多個機台中會影響所述良率的風險機台；以及基於預設條件，對所述風險機台進行機台調整程序或製程邊界調整程序。所述預設判斷準則是在所述製程參數機率圖或所述良率機率圖設定多個機率值，計算與各所述多個機率值相對應的所述多個機台間之多個最大製程參數差或多個最大良率差，並以統計方式計算所述多個最大製程參數差或多個最大良率差的加權平均值。

根據本發明另一實施例，提供一種良率導向之線上機台匹配管理方法，通過處理器執行，所述線上機台匹配管理方法適用於包括多個製程程序所構成的架構，各所述多個製程程序包括多個機台，並對各所述多個製程成程序中的所述多個機台進行調整。所述線上機台匹配管理方法包括：收集各所述多個製程成程序中的所述多個機台之製程參數的量測值，以及與各所述多個機台相對應的良率；基於所述多個機台的所述製程參數，製作製程參數機率圖，並且基於預設判斷準則，計算線上品管指標；基於所述多個機台的所述良率，製作良率機率圖，並且基於所述預設判斷準則，計算線上良率指標；根據所述線上品管指標以及所述線上良率指標，製作良率-製程參數關聯圖；根據所述良率-製程參數關聯圖，決定在所述多個機台中會影響所述良率的風險機台；基於預設條件，對所述風險機台進行機台調整程序或製程邊界調整程序；根據與各所述多個製程成程序的所述線上品管指標以及所述線上良率指標，找出所述多個製程成程序中的至少一個良率關鍵製程；以及基於所述至少一個良率關鍵製程的所述多個機台的組合，決定最佳良率機台路徑。所述預設判斷準則是在所述製程參數機率圖或所述良率機率圖設定多個機率值，計算與各所述多個機率值相對應的所述多個機台間之多個最大製程參數差或多個最大良率差，並以統計方式計算所述多個最大製程參數差或多個最大良率差的加權平均值。

根據本發明一實施例，在上述線上機台匹配管理方法中，所述所述線上品管指標與線上良率指標是基於下式來計算：

其中α _i為權重，Δ _i為對應各所述多個機率值的所述最大製程參數差或所述最大良率差， kσ為所製程參數差或所述良率之全分布範圍，σ為標準差，k為常數，為所述多個機率值的個數。

根據本發明一實施例，在上述線上機台匹配管理方法中，當所述線上品管指標大於第一預設值且所述線上良率指標大於第二預設值，或所述線上品管指標小於第一預設值且所述線上良率指標大於第二預設值時，執行所述機台調整程序。所述第一預設值與所述第二預設值為相同或相異。

根據本發明一實施例，在上述線上機台匹配管理方法中，當所述線上品管指標小於第一預設值且所述線上良率指標小於第二預設值，執行所述製程邊界調整程序。所述第一預設值與所述第二預設值為相同或相異。

根據本發明一實施例，在上述線上機台匹配管理方法中，當所述線上良率指標小於所述第二預設值時，在執行所述製程邊界調整程序之前更包括：依據所述預設判斷準則，計算測試項目指標；判斷所述測試項目指標是否大於所述第二預設值；以及當所述測試項目指標是否大於所述第二預設值時，執行所述機台調整程序，當所述測試項目指標是否大於所述第二預設值時，執行製程邊界調整程序。

根據本發明一實施例，在上述線上機台匹配管理方法中，所述機台調整程序更包括：以風險製程機台來分類所述良率；根據所述製程參數機率圖以及所述良率機率圖，來決定所述風險機台；產生所述良率-製程參數關聯圖；以及根據所述良率-製程參數關聯圖，調整所述風險機台的所述製程參數之範圍。

根據本發明一實施例，在上述線上機台匹配管理方法中，所述製程邊界調整程序更包括：以所述製程程序之各所述機台來分類所述良率；產生各所述機台的所述良率-製程參數關聯圖；以及根據所述良率-製程參數關聯圖，調整所述機台的所述製程參數的範圍。

根據本發明一實施例，在上述線上機台匹配管理方法中，所述製程邊界調整程序為緊縮所述製程參數的範圍，或變更所述製程參數的範圍的中心線。

根據本發明一實施例，在上述線上機台匹配管理方法中，所述預設條件是基於所述良率來決定。

根據本發明一實施例，在上述線上機台匹配管理方法中，決定所述決定最佳良率機台路徑是根據所述至少一良率關鍵製程中各所述機台間的良率機率圖，或利用關聯規則。

基於上述，根據本發明實施例，在監控機制上不僅僅只有考慮製程參數之分布差異，同時還考慮機台間的良率差異。因此，可以透過良率與製程參數之雙向確認的機制，讓機台之間的匹配更加地完善與精確，更可以提高整體的良率。

圖2是依照本發明所繪示的良率導向之線上機台匹配管理方法的系統示意圖。圖2基本上例示性地繪出從做為原始材料之晶圓進入各製程處理後，到最後生產出產品的示意圖。

如圖2所示，從原料晶圓(輸入側)Wf1~Wf_N到產品會經過多道製程程序，如製程程序1、製程程序2、…、製程程序k (k為整數)。此外，在每道製程程序1~k中，可能配置一至多個機台。如圖2所示的範例，製程程序1包含機台Tool 1_1、Tool 1_2、Tool 1_3、…、Tool 1_n1；製程程序2包含機台Tool 2_1、Tool 2_2、…、Tool 2_n1；製程程序k包含機台Tool k_1、Tool k_2、…、Tool k_nk等。

此外，製程程序1~k例如是沈積、植入、蝕刻、曝光等，從原料晶圓到產品之間所需要各製程程序的步驟，而在此所指的機台則為對應各製程程序所需的機台。每一個製程程序可以包括一至多個機台，其數量端視需求而設置。晶圓(輸入側)Wf1~Wf_N 在經過完整的製程程序後(在本實施例為k道)，在產品側便可以計算相應的良率(yield)Yt1_1、Yt1_2、…、Yt1_n。良率可以採用半導體製程中任何可以使用的方式，例如WAT (Wafer Acceptance Test)、WT (Wafer Test)、CP(chip probing)等等與品質有關的監控項目。

根據本發明實施例，在每道製程程序1~k結束後，均會計算對應該製程之線上品管指標(In-line QC index) Δ _QC。例如在製程程序1，便會對各機台進行線上製程參數的量測，並轉換成機率圖(probability plot)。一般來說，在該製程程序1中有配設機台都可以產生相應的機率圖。當將這些機率圖繪製在同一張機率圖上後，便可以計算相應此製程參數的線上品管指標(QC index) Δ _QC1。此外，在圖2所示的例子中有製程程序1~k，因此便可以計算出相對應的線上品管指標Δ _QC1~Δ _QCk。與線上良率指標Δ _Yt1~Δ _Ytk。最後，經由本發明實施例之判斷準則，便可以獲得良率關鍵製程(critical to yield process)。

圖3是依照本發明所繪示線上機台匹配管理方法的流程示意圖。圖3所示的方法可以通過電腦、伺服器或終端裝置等之處理器來執行。針對圖2所示之每一道製程程序i (i=1~k)，量測該製程程序i各機台的製程參數以及相對應的良率，以下將以製程程序1來說明，其他各製程序2~k的處理方式都相同。

首先，在步驟S10，系統會收集如圖2所示的多個機台Tool 1_1、Tool 1_2、Tool 1_3、…、Tool 1_n1之製程參數的量測值，以及與各機台相對應Tool 1_1、Tool 1_2、…、Tool 1_n1的良率Yt1_1、Yt1_2、…、Yt1_n1。此收集是指可以通過每道製程程序中之各機台結束後，即時進行該製程程序之製程參數進行量測。這些量測結果可以透過網路的方式傳送到做為控制用之電腦、伺服器或終端裝置等。

接著，在步驟S12，基於多個機台Tool 1_1、…、Tool 1_n1的製程參數，製作製程參數機率圖(如圖2之QC資料10_1、10_2、…、10_k)，並且基於後述之預設判斷準則，來計算線上品管指標Δ _QC1。此外，在步驟S14，基於多個機台Tool 1_1、…、Tool 1_n1的良率Yt1_1、…、Yt1_n1，製作良率機率圖(如圖2之Yt資料20_1、20_2、…、20_k)，並且基於後述之預設判斷準則，計算線上良率指標ΔYt ₁。線上品管指標Δ _QC1與線上良率指標ΔYt ₁的計算方式與判斷準則會在後面詳細說明。

接著，在步驟S16，根據線上品管指標Δ _QC1以及線上良率指標Δ _Yt1，製作良率-製程參數關聯圖。在步驟S18，根據良率-製程參數關聯圖，決定在多個機台Tool 1_1、…、Tool 1_n1中會影響所述良率的風險機台(risk tool)。在步驟S20，基於預設條件，例如根據所需要的良率值，對風險機台進行機台調整(tool adjustment)程序或製程邊界(tool margin)調整程序。機台調整程序或製程邊界調整程序會在後文中再詳細說明。

此外，根據上述的程序，在步驟S22，可以從良率-製程參數關聯圖決定出良率關鍵(critical to yield，以下稱CYT)製程，亦即對於整個良率有關鍵影響的製程。因此，根據本發明實施例，更可以從數百道製程程序中決定出良率關鍵製程，從而據以決定最佳良率機台路徑(golden path)。同樣地，最佳良率機台路徑的決定方式也會在後文中再詳細說明。

以上所說明的管理流程基本上是本發明實施例的基本處理流程，接著將更進一步地詳細說明本發明實施例的詳細流程。以下將先詳細說明本發明實施例之用來計算線上品管指標Δ _QC和線上良率指標ΔYt的判斷準則。

圖4繪示本發明實施例之機差判斷準則的說明圖。本實施例之判斷準則為機率圖上之多切critical段匹配準則 (multi-slices matching criteria，MSMC)，以下將使用圖4來詳細說明。此外，圖4中以兩條曲線來做為說明，每一條曲線代表一機台的資料值(製程參數)與累積機率(百分比)的圖表。故，圖4顯示出在一個製程中兩個機台之機率圖，亦即在相同的製程中，不同的機台對於同一個製程參數之機率分布的差異性。

根據本發明實施例，如圖4所示，可以在兩條曲線之間取得多個切段的位置，並且在各切段的位置計算差值Δ _i。此處，在圖4中X座標軸是代表製程參數的資料值而Y座標代表累積機率值。多個切段的取得位置基本上是選擇所需考慮的機率值(Y值)，並且計算出在該機率值下，機台之間資料值的差值(X值)。在此例子中，以取7個切段來計算出7個資料值的差值Δ ₁~Δ ₇作為解說範例。在此例中，7個切段的機率值(百分比)大約在0.135、2.28、15.87、5、84.13、97.72、99.87，而與此相對應的資料值的差值則分別為Δ ₁~Δ ₇。接著，針對每個資料值的差值賦予權重α _i。之後，以下面的數式來計算出線上品管指標Δ _QC。

其中 σ _p為標準差，α _i為各資料值的差值之權重。

標準差σ _p可以採用統計學上的任何方式來加以計算，本發明並沒有特別限制。此外，圖4中的kσ代表全分布範圍，一般可以採用正負6σ作為整個分布範圍，亦即上述常數k可以設定為12。當然，k也可以採用其他的數值，端視實際上的操作需求來設定。

此外，關於權重α _i，其可以視實際上的操作需求來設定。例如，如果所選擇的每個機率值切段的重要性是相同的，則上述例子之α ₁~α ₇可分別設為1/7。此外，如果需要特別考量機率值99.87和0.135部分的機台差異性，則可以調高對應的差值之權重α ₁與權重α ₇。因此，每個權重的設定均可以依據實際需求來設定。

此外，關於機率值之切段的選擇，本發明實施例並沒有特別限定。此外，切段數量可以依據實際需求來設定要取幾個切段來進行線上品管指標Δ _QC的計算。

此外，在圖4的例子中是以兩條曲線(兩個機台)作為說明，但是如果在該製程程序中有多台機台時，則此時所繪出機率圖上會呈現相應數目的曲線。在此情況下，上述的資料值差值是取在選定的機率值下具有最大差值(即最大製程參數差值)者來做為Δ _i。

通過上述本發明實施例之線上品管指標Δ _QC的計算，可以在整個機率分布上取多個切段來進行各切段的資料值的差值，因此可以更有有效地考慮到機台之間的變異。例如，在習知的方法中，通常只會考慮圖4中的差值Δ ₄的部分，亦即相當於前面圖1A所示的箱型圖的中位數部分。但是，本發明進一步將曲線中具有較大差值之較大變異(機差)的因素也考量進去，例如圖4之尾端部分。因此，在進行線上機台匹配管理(製程參數的調整等)，可以更有效地管理。

此外，在上面的說明例中是以各製程程序中之機台的線上品管指標Δ _QC的作為例子。但是，本發明實施例是更進一步考慮到良率這部分。因此，在圖2所示的良率量測後，也會繪製相關的良率機率圖。此時，對於此良率機率圖，也會進行相同的線上良率指標Δ _Yt的計算。線上良率指標Δ _Yt的計算方式基本上與線上品管指標Δ _QC的計算方式相同，故在此便不多做冗述。

根據本發明實施例，依據線上良率指標Δ _Yt和線上品管指標Δ _QC可以進行關鍵良率相關性的計算，進而來調整對良率最有影響的機台的製程參數。接著將會詳細說明此部分。

接著，以圖5A、5B~圖8A、8B說明幾種機台資料值(製程參數值)之分布差異(機差)以及相應之機率圖的例子，亦即例示一些資料值(製程參數值)之分布具有異常值(outlier)的例子。以下的例子均以兩個機台作為範例來說明，但實際並不限於此。圖5A與圖5B繪示機台差異的資料分布與機率圖分布具有極小值的情況。圖5A繪示取得機台1和機台2的資料分布圖。從圖5A來看，機台1和機台2在資料值(製程參數)約42~60之間的資料分布幾乎是重疊的，但是機台2 (差異機台)在資料值18~24之間有一處分布。由此可以看出機台1和2中，機台2還存在一部分的極小值分布。此極小值分布即機台1和機台2之間的差異。

此外，圖5B繪示機台1和機台2在資料值(製程參數)轉換成機率圖後的分布，其中橫軸為資料值(製程參數)，縱軸為機率值。從圖5B也可以清楚看出，機台1和機台2在機率圖的分布上，有一段是重疊的(資料值約42~60之間)，但是在極小值部分 (資料值為18~24之間)與上述重疊區域是存在偏移的，亦即存在機差Δ ₁。

圖6A、6B繪示機台差異的資料分布與機率圖分布具有極大值的情況。圖6A繪示取得機台1和機台2的資料分布圖。從圖6A來看，機台1和機台2在資料值(製程參數)約40~60之間的資料分布幾乎是重疊的，但是機台2(差異機台)在資料值70前後之間有一處分布。由此可以看出機台1和機台2中，機台2還存在一部分的極大值分布。此極大值分布即機台1和機台2之間的差異。

此外，圖6B繪示機台1和機台2在資料值(製程參數)轉換成機率圖後的分布，其中橫軸為資料值(製程參數)，縱軸為機率值。從圖6B也可以清楚看出，機台1和機台2在機率圖的分布上，有一段是重疊的(資料值約40~60之間)，但是在極大值部分 (資料值為70前後)與上述重疊區域是存在偏移的，亦即存在機差Δ ₁。

圖7A與圖7B繪示機台差異的資料分布與機率圖分布具有偏移分布的情況。圖7A繪示取得機台1和機台2的資料分布圖。從圖7A來看，機台1的資料值(製程參數)分布是約在42~58之間，而機台2的資料值分布是約在49~61之間。機台1和機台2所量測到的數值分布之間存在偏移，亦即資料分布型態整個向右偏移。

此外，圖7B繪示機台1和機台2在資料值(製程參數)轉換成機率圖後的分布，其中橫軸為資料值(製程參數)，縱軸為累積機率值。從圖7B也可以清楚看出，機台1和機台2兩者在機率圖上幾乎是平行的兩條線，其反應出圖7A所示一般，資料分布為整個平移的狀況。因此，在此情況下，機台1和機台2在資料數值約42~60之間是存在明顯的機差。此時，便可以利用上述圖4所說明的MSMC判斷準則，基於在合適的切段位置的各機率值來計算資料值差值(例如Δ ₁、Δ ₂、Δ ₃等)，以計算出線上品管指標Δ _QC。

圖8A與圖8B繪示機台差異的資料分布與機率圖分布具有雙峰分布的情況。。圖8A繪示取得的機台1和機台2的資料分布圖。從圖8A來看，相較於機台1的資料分布，機台2在資料值幾乎呈現兩個峰值分布的狀態，其約資料數值12~50以及50~84之間。此外，圖8B繪示機台1和機台2在資料值(製程參數)轉換成機率圖後的分布，其中橫軸為資料值(製程參數)，縱軸為累積機率值。從圖8B也可以看出，機台1和機台2在機率圖的會交叉在一起，然後在資料數據的前段與後段個存在偏移，即機差(如Δ ₁、Δ ₂等)大部分發生在頭段和尾段。

從以上圖5A、圖5B至圖8A、圖8B的幾個例子可以看出，根據在每一道製程中對每個機台進行線上的製程參數的品管稽核所得到的資料，可以繪出在該製程中每個機台的製程參數(即上述例子的資料值)的分布狀況。之後，以此線上取得的資料分布，可以轉換成各機台之製程參數的百分比線型圖(機率圖)。通過轉換得到的機率圖，便可以通過上述圖4所說明的MSMC判斷準則來求取每個製程中機台間的線上品管指標Δ _QC以及線上良率指標Δ _Yt。

在本實施例中，每一道製程的各機台在線上運作時均為進行上述的各製程參數的機率圖。此外，在經過所有製程後，產品的良率也會進行相應的機率圖。

圖9是依照本發明所繪示線上機台匹配管理方法的詳細流程示意圖，其為圖3所示流程的進一步說明。此線上機台匹配管理方法可以在例如由伺服器、電腦、平板、終端裝置等各種可使用的裝置所建構而成的系統來執行。此外，這些裝置可以透過與各製程程序之各機台連接的內部網路，來即時做到線上製程參數量測的控制、數據取得、機台參數調整等等運作。

如圖9與圖2所示，首先，在步驟S100，在各製程程序1~k中，計算出各機台間的線上品管指標Δ _QC1~Δ _QCk。在此，線上品管指標Δ _QC的計算方式可以參考圖10A所示的流程示意圖。如圖10A所示，在步驟S100a，以機台來分類製程參數的資料。亦即，如圖5A、圖6A、圖7A、圖8A等的方式，依據各製程程序的機台別來統計製程參數的分布。接著，在步驟S100b，產生製程參數機率圖，亦即將上述取得的製程參數在每個機台的分布百分比進行繪製，其如圖5B、圖6B、圖7B、圖8B等，產生各機台之製程參數與機率值的機率圖。之後，在步驟S100c，利用MSMC判斷準則，計算出線上品管指標Δ _QC。

在步驟S102，在各製程程序1~k中，計算出各製程程序1~k的線上良率指標Δ _Yt1~Δ _Ytk。在此，線上品管指標Δ _Yt的計算方式可以參考圖10B所示的流程示意圖。如圖10B所示，在步驟S102a，以機台來分類良率的資料。接著，在步驟S102b，產生良率機率圖。之後，在步驟S102c，利用MSMC判斷準則，計算出線上良率指標Δ _Yt。

在步驟S104，判斷線上品管指標Δ _QC是否大於第一預設值p (例如可以是圖4的例子12%)。通過此第一預設值p，可以判斷出在該製程程序中的各機台之間製程參數是否存在機差。如果線上品管指標Δ _QC小於第一預設值p，其表示在該製程程序中的各機台之間製程參數沒有存在差異或者差異極小。此時，會進一步地執行步驟S106以判斷良率是否存在差異。

反之，如果線上品管指標Δ _QC大於第一預設值p，其表示在該製程程序中的各機台之間製程參數存在差異(機差)。在此情況，也會進一步地執行步驟S108判斷良率是否存在差異 (基本上等同於步驟S106)。

在步驟S106，判斷線上良率指標Δ _Yt是否大於第一預設值q，通過此第二預設值q，可以判斷出在該製程程序中的各機台之間的良率是否存在機差。在此，第一預設值p與第一預設值q可以依據所需來設定，兩者可以設定成相同或相異的數值。此外，通過線上品管指標Δ _QC是否大於第一預設值p以及線上良率指標Δ _Yt是否大於第一預設值q，可以將製程參數的品管量測(Δ _QC)與良率的量測(Δ _Yt)進行關聯。

此外，線上品管指標Δ _QC大於第一預設值p以及線上良率指標Δ _Yt大於第二預設值q時，其表示不管是機台間的製程參數以及良率都存在明顯機差，或者線上品管指標Δ _QC小於第一預設值p以及線上良率指標Δ _Yt大於第二預設值q時，其表示機台間的製程參數沒有機差或不明顯，但是良率存在機差。在此兩種情形下，便會進一步執行S200的機台調整程序(子流程)，其會根據良率條件，對機差大的風險機台(risk tool)進行機台調整，即製程參數的調整(例如，CD值、膜厚等)。步驟S200之機台調整程序會在下文進一步說明。

此外，當在步驟S106 (或S108)判斷出線上良率指標Δ _Yt小於第二預設值q時，則可以更進一步地進行步驟S110，計算測試項目指標Δ _Bin。測試項目Bin例如是產品的電性測試等，也同樣是用來測試產品良率。測試項目Bin例如可以是電容測試、漏電流測試等等各種可行的項目，本發明實施利並沒有特別限制要採取何種項目。良率是對整體產品好壞進行評估，如果良率有滿足條件，還可以進一步地對細項進行更細微的測試。在此，測試項目Bin可以依據實際需求來選擇要測試的項目。測試項目指標Δ _Bin的計算基本上與線上品管指標Δ _QC和線上良率指標Δ _Yt相同；亦即，採用如圖4所示的MSMC判斷準則來進行計算。在此，線上品管指標Δ _Bin的計算方式可以參考圖10C所示的流程示意圖。如圖10C所示，在步驟S110a，以機台來分類測試項目Bin的資料。接著，在步驟S110b，產生測試項目機率圖。之後，在步驟S110c，利用MSMC判斷準則，計算出測試項目指標Δ _Bin。

接著，在步驟S112，根據步驟S110的計算結果，判斷測試項目指標Δ _Bin是否大於第二預設值q。如果測試項目指標Δ _Bin大於第二預設值q，這也代表良率有存在差異(機差)。此時，將進一步地執行步驟S200之機台調整程序。步驟S200之機台調整程序會在下文進一步說明。

此外，在步驟S112，如果判斷測試項目指標Δ _Bin小於第二預設值q，這也代表良率不存在差異(機差)或差異即小。換句話說，根據本發明實施例，當線上良率指標Δ _Yt與測試項目指標Δ _Bin大都小於第二預設值時，操作員可以考慮執行步驟S220的子程式，亦即製程邊界調整。製程邊界調整通常是機台間沒有機差或不明顯，此時操作員可以在步驟S220，依據製程參數與良率之關聯圖來決定是否要將製程參數的範圍做較佳的調整。

在步驟S200執行後，會進行步驟S210，找出良率關鍵製程。在此步驟，基於上述各步驟，可以在整個數百道製程程序中，找出對良率有關鍵影響的製程，並從其中找出良率關鍵製程(CTY)。

之後，執行步驟S230的子程式，根據步驟S210獲得的良率關鍵製程，可以將各良率關鍵製程中的各機台進行各種組合，從而找出良率最高的機台組合，亦即最佳良率機台路徑(golden path)。

接著說明圖9之步驟S200的機台調整程序(tool adjustment)。圖11繪示機台調整程序的流程示意圖，圖12A至圖12C繪示機台調整程序之例子的說明圖。

如圖11所示，在步驟S300，以風險製程機台(risk process tool)來分類良率。在此，風險製程是指會影響良率之關鍵製程。接著，在步驟S302，根據製程參數機率圖以及良率機率圖(及/或測試項目機率圖)，來決定風險機台。在此，風險機台是指在會影響良率之關鍵製程中，存在機差的機台，亦即該機台會產生較差的良率。利用製程參數機率圖以及良率機率圖，再加上前述的線上品管指標Δ _QC以及線上良率指標Δ _Yt(及/或測試項目指標Δ _Bin)的分析，便可以決定出在該關鍵製程中的風險機台。

接著，在步驟S304，產生良率-製程參數關聯圖。從良率-製程參數關聯圖中，便可以看出機台間製程參數之分布對於良率的影響。接著，在步驟S306，根據良率-製程參數關聯圖，調整風險機台的製程參數範圍。通過此程序，在該良率關鍵製程中，便可以將風險機台依據所需要的預訂條件(由良率決定，如需要設定95%以上等)，來調整該風險機台的製程參數範圍，藉此使該良率關鍵製程中之所有機台的良率都可以達到預設目標。

接著，以圖12A至圖12C所繪示的例子來說明機台調整流程的具體例子。此例子相當於線上品管指標Δ _QC大於第一預設值p，且線上良率指標Δ _Yt也大於第二預設值q之情況，即圖9之步驟S108為“是”的狀況。另外，此例子將一個製程程序中兩台機台的關鍵尺寸(critical dimension，CD)作為製程參數之線上監控對象。圖12A所呈現的是線上取得機台1和機台2之CD值量測資料值分布後，再轉換成機率圖，其中線上CD值(製程參數，資料值)為橫軸，機率值為縱軸。圖12B所呈現的是在此製程中，機台1與機台2相對應的良率機率圖，其中各機台之良率為橫軸，累積機率值為縱軸。

圖12C繪示機台調整製程參數的示意圖。圖12C是將圖12A之各機台製程參數機率圖以及圖12B之各機台良率機率圖繪製而成的各機台之製程參數對良率的分布圖。如圖12C所示，如果設定要滿足良率大於90%的話，可以看出機台1在整個CD值(製程參數)範圍內的良率都可以滿足90%以上，但是機台2在CD值大於58時，良率就會低於90%，而無法滿足良率的要求。

因此，為了讓整體良率都可以達到90%以上，就必須要進行機台的製程參數調整。從圖12C可以看出對於機台2，只要CD值調降到58以下，機台2的良率就可以維持在90%以上。因此，根據本發明實施例的方法，可以找出在機台1與機台2中，機台2之機差對良率有較大的影響，藉此可以即時線上調整機台2之製程參數的範圍，使機台2的良率也可以達到90%以上。

接著，再說明利用本發明實施例之另一個機台調整例子。圖13A至圖13D繪示另一個例子來說明機台調整流程。在此例子，其相當於線上品管指標Δ _QC＜p小於第一預設值p，而線上良率指標Δ _Yt是大於第二預設值q之情況，即圖9之步驟S108為”是”的狀況。在此情形，從圖12A可以看出，機台1與機台2之間的線上品管指標Δ _QC是幾乎沒有差異，但是從圖13B看出機台1與機台2之間良率是存在差異的，亦即線上良率指標Δ _Yt是超過預定值。

如圖13C所示，其為機台1與機台2間之製程參數(CD值)對良率的分布圖。如上所述，因為線上品管指標Δ _QC所呈現的結果是兩機台間沒有差異，故在圖13C中橫軸上的分布範圍幾乎是相同的。但是，兩機台間之良率是有差異的，即在圖13C中縱軸上的分布範圍是呈現出分開的狀態。因此，如圖13D所示，根據圖13C之相關圖的結果，操作人員可以將良率比較低的機台1的製程參數CD值調整到53以上，藉此可以讓機台1的良率可以滿足95%以上的條件，同時機台2也可以達到95%以上的良率。

接著，說明圖9之步驟S220，步驟S220是製程邊界調整程序。圖14A繪示製程邊界調整程序的流程示意圖。圖14B與圖14C繪示製程邊界檢查的兩個例子。

此外，此製程邊界調整程序通常是針對線上良率指標Δ _Yt或測試項目指標Δ _Bin小於第二預設值的情況，亦即良率部分差異小的狀況。在此情況，不只線上良率指標Δ _Yt或測試項目指標Δ _Bin小於第二預設值，而且線上品管指標Δ _QC也小於第一預設值。此時，在基於此而繪出之機台間製程參數與良率關聯圖，其各機台之分布圖基本上是幾乎重疊的，亦即機差即小，甚至沒有。但是，即使如此，如機台的製程參數範圍沒有設定好，某會有某些區域的良率會有低於目標值的狀況發生。因此，在這種情形下，即使機台間是匹配的，但還是有需要重新設定範圍。

如圖14A所示，在步驟S400，以製程機台來分類良率。接著，在步驟S402，確認各機台的匹配。接著，在步驟S404，產生良率-製程參數關聯圖。從良率-製程參數關聯圖中，便可以看出機台間製程參數分布與良率之間的關係。在此情況下，即使機台之間的機差並不明顯或沒有，但是往往由於製程參數範圍沒有適當地調整，故會造成在此製程參數範圍中，還是會有部分區域的良率會有較差的情形發生。接著，在步驟S406，根據良率-製程參數關聯圖，調整機台的製程參數範圍(邊界調整等)。在此，調整的方式例如有緊縮參數範圍，或調整中心線而調整參數範圍等。以下將說明兩個具體的例子。

圖14B所示的製程邊界檢查是根據良率來緊縮製程參數範圍。在圖14B的例子中，橫軸為製程參數CD值，縱軸為良率Yt。如上所述，在這種情況下，機台1與機台2的分布製程參數CD值是40~60幾乎是重疊的。但是，即使是重疊的，但是機台1和機台2在cd值大於58時，其對應的良率值卻在93以下。因此，為了讓各機台良率表現更好，即使機台1與機台2的機差不是很明顯，但是操作員可以控制機台1與2的製程參數CD值，將其緊縮到CD值在42~58之間。因此，透過這樣的製程邊界調整(此例為緊縮邊界範圍)，可以讓各機台的良率都能維持在93以上。

圖14C所示的製程邊界檢查是根據良率來調整參數範圍的中心線。同樣地，在圖14C的例子中，橫軸為製程參數CD值，縱軸為良率Yt。如上所述，在這種情況下，如果機台1與機台2之製程參數CD值的分布是35~65，其中心線則落在50。但是此情況會有分布不平均的問題，即良率在94以上的製程參數CD值幾乎都在中心線50的右側。亦即最佳良率是產生在CD值約為53的時候。故在此情況，操作員可以重設中心線，以改善此不均的分布現象。換句話，操作員可以將整個CD值分布範圍從原本的35~65調整到到43~63，進而重設中心線為53。如圖15B所示，在調整中心線後，整個製程參數CD值相較於中心線53之分布的良率可以更加提高。

接著，說明應用本發明實施例的結果來決定最佳良率機台路徑的方法。圖15繪示決定最佳良率機台路徑的流程示意圖。如圖15所示，在步驟S500，以良率關鍵製程來分類良率。接著，在步驟S502，基於上述分類來產生相應的機率圖。之後，在步驟S504，根據機率圖，找出良率最好的機台組合作為最佳良率機台路徑。

圖16決定最佳良率機台路徑的一個例子。圖16所示為良率關鍵製程中各機台之良率的機率圖。如圖16所示，良率關鍵製程2包括機台C與機台D，良率關鍵製程5包括機台P與機台Q，良率關鍵製程6包括機台W與機台Z。從圖16可以看出，在機台C、P、W之組合下，具有最高的良率95.32，因此包含機台C、P、W便是最佳良率機台路徑。

此外，最佳良率機台路徑還可以利用大數據的方式來決定，例如使用關聯規則(association rule)。關聯規則是在大數據資料庫中可以找到變數之間的有相關性的方法，並藉此來找到最佳良率機台路徑。表一為利用關聯規則的一個例子。

從表一可以看出，在整個製程中，如果採用包含良率關鍵製程(CYT) 2之機台C、良率關鍵製程5之P機台以及良率關鍵製程6之W機台的組合，則整體的良率可以達到95%以上。因此，包含標示灰色之機台C、P、W的組合便是最佳良率機台路徑。

表一

批號	CTY-1	CTY-2	CTY-3	CTY-4	CTY-5	CTY-6	良率	等級
1	A	C	F	G	P	W	96.04	G
2	A	C	F	H	P	Z	89.63	BL
3	B	C	F	H	Q	Z	71.45	NG
4	B	C	E	H	P	Z	90.69	BL
5	B	C	E	H	P	Z	88.30	BL
6	A	C	E	G	P	W	97.16	G
7	B	D	F	H	P	Z	81.00	BL
8	A	C	E	H	P	W	93.13	NG
9	A	C	E	H	P	W	96.32	G
10	B	D	E	G	P	Z	89.21	BL
11	A	C	E	H	Q	W	84.94	NG
12	A	C	E	H	P	W	97.24	G
13	B	D	E	H	Q	W	88.38	BL
14	B	D	F	H	Q	Z	82.69	NG
15	A	C	F	H	Q	Z	87.34	BL
16	B	D	F	H	Q	Z	72.56	NG
17	B	C	F	G	P	Z	90.07	BL
18	B	D	F	H	P	Z	73.76	NG
19	A	C	F	G	P	W	95.30	G
20	A	C	F	G	P	W	96.71	G

綜上所述，根據本發明實施例，在監控機制上不僅僅只有考慮製程參數之分布差異，同時還考慮機台間的良率差異。因此，可以透過良率與製程參數之雙向確認的機制，讓機台之間的匹配更加地完善與精確，更可以提高整體的良率。

10_1、10_2、…、10_k:製程參數機率圖 20_1、20_2、…、20_k:良率機率圖 CTY:良率關鍵製程 Yt_1、Yt_2、…、Yt_N:良率 Wf_1、Wf_2、…、Wf_N:晶圓 Tool1_1~Tool1_n1:機台 Tool2_1~Tool2_n2:機台 Toolk_1~Tool1_nk:機台 S10~S22:線上機台匹配管理方法的流程步驟 S100~S230:上機台匹配管理方法的流程步驟 S100a~S100c:計算ΔQC的各步驟 S102a~S102c:計算ΔYt的各步驟 S110a~S110c:計算ΔBin的各步驟 S300~S306:機台調整程序 S400~S406:製程邊界調整程序 S500~S504:決定最佳良率機台路徑程序

圖1A繪示以箱型圖來呈現鋁沉積製程中各機台的厚度值分布圖。 圖1B繪示圖1A之例子的機率圖。 圖2是依照本發明所繪示的良率導向之線上機台匹配管理方法的系統示意圖。 圖3是依照本發明所繪示線上機台匹配管理方法的流程示意圖。 圖4繪示本發明實施例之機差判斷準則的說明圖。 圖5A與圖5B繪示機台差異的資料分布與機率圖分布具有極小值的情況。 圖6A與圖6B繪示機台差異的資料分布與機率圖分布具有極大值的情況。 圖7A與圖7B繪示機台差異的資料分布與機率圖分布具有偏移分布的情況。 圖8A與圖8B繪示機台差異的資料分布與機率圖分布具有雙峰分布的情況。 圖9是依照本發明所繪示線上機台匹配管理方法的詳細流程示意圖。 圖10A繪示計算Δ _QC的流程示意圖。 圖10B繪示計算Δ _Yt的流程示意圖。 圖10C繪示計算Δ _Bin的流程示意圖。 圖11繪示機台調整的流程示意圖。 圖12A至圖12C繪示機台調整之例子的說明圖。 圖13A至圖13D繪示機台調整之另一例子的說明圖。 圖14A繪示製程邊界調整的流程示意圖。 圖14B與圖14C繪示製程邊界調整的兩個例子。 圖15繪示決定最佳良率機台路徑的流程示意圖。 圖16繪示利用機率圖決定最佳良率機台路徑的例子。

Claims (20)

1. 一種良率導向之線上機台匹配管理方法，通過處理器執行，並對製程程序中的多個機台進行調整，所述線上機台匹配管理方法包括： 收集所述多個機台之製程參數的量測值，以及與各所述多個機台相對應的良率； 基於所述多個機台的所述製程參數，製作製程參數機率圖，並且基於預設判斷準則，計算線上品管指標； 基於所述多個機台的所述良率，製作良率機率圖，並且基於所述預設判斷準則，計算線上良率指標； 根據所述線上品管指標以及所述線上良率指標，製作良率-製程參數關聯圖； 根據所述良率-製程參數關聯圖，決定在所述多個機台中會影響所述良率的風險機台；以及 基於預設條件，對所述風險機台進行機台調整程序或製程邊界調整程序， 其中所述預設判斷準則是在所述製程參數機率圖或所述良率機率圖設定多個機率值，計算與各所述多個機率值相對應的所述多個機台間之多個最大製程參數差或多個最大良率差，並以統計方式計算所述多個最大製程參數差或多個最大良率差的加權平均值。
2. 如請求項1所述的良率導向之線上機台匹配管理方法，所述所述線上品管指標與線上良率指標是基於下式來計算：

   

   其中α _i為權重，Δ _i為對應各所述多個機率值的所述最大製程參數差或所述最大良率差， kσ為所製程參數差或所述良率之全分布範圍，σ為標準差， k為常數，為所述多個機率值的個數。
3. 如請求項1所述的良率導向之線上機台匹配管理方法，其中當所述線上品管指標大於第一預設值且所述線上良率指標大於第二預設值，或所述線上品管指標小於第一預設值且所述線上良率指標大於第二預設值時，執行所述機台調整程序， 其中所述第一預設值與所述第二預設值為相同或相異。
4. 如請求項1所述的良率導向之線上機台匹配管理方法，其中當所述線上品管指標小於第一預設值且所述線上良率指標小於第二預設值，執行所述製程邊界調整程序， 其中所述第一預設值與所述第二預設值為相同或相異。
5. 如請求項4所述的良率導向之線上機台匹配管理方法，當所述線上良率指標小於所述第二預設值時，在執行所述製程邊界調整程序之前更包括： 依據所述預設判斷準則，計算測試項目指標； 判斷所述測試項目指標是否大於所述第二預設值；以及 當所述測試項目指標是否大於所述第二預設值時，執行所述機台調整程序，當所述測試項目指標是否大於所述第二預設值時，執行製程邊界調整程序。
6. 如請求項1所述的良率導向之線上機台匹配管理方法，其中所述機台調整程序更包括： 以風險製程機台來分類所述良率； 根據所述製程參數機率圖以及所述良率機率圖，來決定所述風險機台； 產生所述良率-製程參數關聯圖；以及 根據所述良率-製程參數關聯圖，調整所述風險機台的所述製程參數之範圍。
7. 如請求項1所述的良率導向之線上機台匹配管理方法，其中所述製程邊界調整程序更包括： 以所述製程程序之各所述機台來分類所述良率； 產生各所述機台的所述良率-製程參數關聯圖；以及 根據所述良率-製程參數關聯圖，調整所述機台的所述製程參數的範圍。
8. 如請求項7所述的良率導向之線上機台匹配管理方法，其中所述製程邊界調整程序為緊縮所述製程參數的範圍。
9. 如請求項7所述的良率導向之線上機台匹配管理方法，其中所述製程邊界調整程序變更所述製程參數的範圍的中心線。
10. 如請求項1所述的良率導向之線上機台匹配管理方法，其中所述預設條件是基於所述良率來決定。
11. 一種良率導向之線上機台匹配管理方法，通過處理器執行，所述線上機台匹配管理方法適用於包括多個製程程序所構成的架構，各所述多個製程程序包括多個機台，並對各所述多個製程成程序中的所述多個機台進行調整，所述線上機台匹配管理方法包括： 收集各所述多個製程成程序中的所述多個機台之製程參數的量測值，以及與各所述多個機台相對應的良率； 基於所述多個機台的所述製程參數，製作製程參數機率圖，並且基於預設判斷準則，計算線上品管指標； 基於所述多個機台的所述良率，製作良率機率圖，並且基於所述預設判斷準則，計算線上良率指標； 根據所述線上品管指標以及所述線上良率指標，製作良率-製程參數關聯圖； 根據所述良率-製程參數關聯圖，決定在所述多個機台中會影響所述良率的風險機台； 基於預設條件，對所述風險機台進行機台調整程序或製程邊界調整程序； 根據與各所述多個製程成程序的所述線上品管指標以及所述線上良率指標，找出所述多個製程成程序中的至少一個良率關鍵製程；以及 基於所述至少一個良率關鍵製程的所述多個機台的組合，決定最佳良率機台路徑， 其中所述預設判斷準則是在所述製程參數機率圖或所述良率機率圖設定多個機率值，計算與各所述多個機率值相對應的所述多個機台間之多個最大製程參數差或多個最大良率差，並以統計方式計算所述多個最大製程參數差或多個最大良率差的加權平均值。
12. 如請求項11所述的良率導向之線上機台匹配管理方法，所述所述線上品管指標與線上良率指標是基於下式來計算：

    

    其中α _i為權重，Δ _i為對應各所述多個機率值的所述最大製程參數差或所述最大良率差， kσ為所製程參數差或所述良率之全分布範圍，σ為標準差， k為常數，為所述多個機率值的個數。
13. 如請求項11所述的良率導向之線上機台匹配管理方法，其中當所述線上品管指標大於第一預設值且所述線上良率指標大於第二預設值，或所述線上品管指標小於第一預設值且所述線上良率指標大於第二預設值時，執行所述機台調整程序， 其中所述第一預設值與所述第二預設值為相同或相異。
14. 如請求項11所述的良率導向之線上機台匹配管理方法，其中當所述線上品管指標小於第一預設值且所述線上良率指標小於第二預設值，執行所述製程邊界調整程序， 其中所述第一預設值與所述第二預設值為相同或相異。
15. 如請求項14所述的良率導向之線上機台匹配管理方法，當所述線上良率指標小於所述第二預設值時，在執行所述製程邊界調整程序之前更包括： 依據所述預設判斷準則，計算測試項目指標； 判斷所述測試項目指標是否大於所述第二預設值；以及 當所述測試項目指標是否大於所述第二預設值時，執行所述機台調整程序，當所述測試項目指標是否大於所述第二預設值時，執行製程邊界調整程序。
16. 如請求項11所述的良率導向之線上機台匹配管理方法，其中所述機台調整程序更包括： 以風險製程機台來分類所述良率； 根據所述製程參數機率圖以及所述良率機率圖，來決定所述風險機台； 產生所述良率-製程參數關聯圖；以及 根據所述良率-製程參數關聯圖，調整所述風險機台的所述製程參數之範圍。
17. 如請求項11所述的良率導向之線上機台匹配管理方法，其中所述製程邊界調整程序更包括： 以所述製程程序之各所述機台來分類所述良率； 產生各所述機台的所述良率-製程參數關聯圖；以及 根據所述良率-製程參數關聯圖，調整所述機台的所述製程參數的範圍。
18. 如請求項17所述的良率導向之線上機台匹配管理方法，其中所述製程邊界調整程序為緊縮所述製程參數的範圍，或變更所述製程參數的範圍的中心線。
19. 如請求項11所述的良率導向之線上機台匹配管理方法，其中所述預設條件是基於所述良率來決定。
20. 如請求項11所述的良率導向之線上機台匹配管理方法，其中決定所述決定最佳良率機台路徑是根據所述至少一良率關鍵製程中各所述機台間的良率機率圖，或利用關聯規則。

Images