TW202343240A - 使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測 - Google Patents

使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測 Download PDF

Info

Publication number
TW202343240A
TW202343240A TW112101883A TW112101883A TW202343240A TW 202343240 A TW202343240 A TW 202343240A TW 112101883 A TW112101883 A TW 112101883A TW 112101883 A TW112101883 A TW 112101883A TW 202343240 A TW202343240 A TW 202343240A
Authority
TW
Taiwan
Prior art keywords
time series
series data
data
semiconductor device
hidden markov
Prior art date
Application number
TW112101883A
Other languages
English (en)
Inventor
羅伯特 戴利
德瑞根 迪傑捷諾維克
Original Assignee
美國德州系統大學評議委員會
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 美國德州系統大學評議委員會 filed Critical 美國德州系統大學評議委員會
Publication of TW202343240A publication Critical patent/TW202343240A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31358—Markov model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明揭露一種例示性異常檢測系統，其用於半導體製造設備或過程以及其他製作設備及過程之基於特徵的評定，該系統在該評定中使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正。尤其，該基於特徵的評定及分割誤差校正已經觀察以在製造的裝置及關聯製造技術中提供高缺陷檢測率且具有低誤警率。

Description

使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測
本揭露大體涉及根據製作、計量或檢測系統之感測器讀數在製品中之誤差檢測，特定而言，涉及此等系統之感測器讀數及/或其他關聯資料之分析中之異常檢測及誤差校正。
半導體製作涉及在工件上依序執行之許多複雜的過程，以形成對電子裝置之功能至關重要之組件。視製造的數目之複雜性而定，操作次數可以自數十至數百變化，其中許多操作係在微米、奈米或亞奈米尺度之超精密操作中進行。
半導體技術之進步得益於對基礎製作過程之極其嚴格之控制及一致之執行。隨著半導體組件之尺寸及容差變得非常小，可靠地製作它們之能力要求製作設備以近乎完美之方式在操作批次之間重複它們的操作。雖然半導體製造設備及計量系統長期以來一直配備有大量感測器，但該等感測器傳統上以相對較低之取樣率 (1 Hz 或更低) 收集資料。更先進之系統提供更高之取樣率，例如介於 3-10 Hz 之間，以用於改進之資料驅動之決策及控制。
在製造期間檢測製造的裝置中之異常及缺陷以及快速及早期檢測製程及設備中之誤差係有益處的。
本發明揭露一種例示性異常檢測系統，其用於半導體製造設備或過程以及其他製作設備及過程之基於特徵的評定，該系統在該評定中使用時間序列感測器資料之基於隱藏式馬可夫模型 (Hidden Markov Model) 的分割誤差校正。尤其，該基於特徵的評定及分割誤差校正已經觀察以在製造的裝置及關聯製造技術中提供高缺陷檢測率且具有低誤警率。
分割誤差校正針對一組製作設備或製程而產生，且隨後採用隱藏式馬可夫模型模板，然後使用該隱藏式馬可夫模型模板校正多個分割誤差，以提高準確性並減少評估中之誤報 (false positive)。異常檢測系統可用於任何數目之製作過程，例如，用於半導體製作設備或製作過程，諸如電漿蝕刻系統、液體溶液蝕刻系統 (濕法蝕刻)、電漿增強化學氣相沉積系統、薄膜沉積系統、分子束磊晶 (MBE) 系統、電子束熔化 (EBM) 系統、化學氣相沉積 (CVD) 系統及卷對卷網膜塗佈系統。
在一些實施例中，分割校正操作可以判定由於分割誤差導致之在資料集中無關特徵之存在並且去除無關特徵或調整分割段之索引以校正無關特徵。在一些實施例中，分割校正操作可以測定分割段之不正確分類之存在並且校正此種錯分類 (misclassification) 以將正確之特徵操作應用於彼等分割段。在一些實施例中，分割校正操作可以在應用特徵操作之後判定分割段之錯分類並且將特徵操作正確地應用於在時間上彼此時間相似之分割段。
隱藏式馬可夫模型可以在給定設備處產生並分發給其他設備，然後該設備可以使用共享之隱藏式馬可夫模型結合自己的 HHM 來進行訊號分割。共享的及本地的 HMM 各自在其資料解析及資料分割段校準中進行自我校正，以進行資料校正/監管，例如，用於其他分析/資料挖掘 (即壓縮域中之挖掘)，例如虛擬計量操作、工具匹配操作，以及本文描述之其他應用。
在一個態樣中，揭露了一種用以檢測半導體裝置之製程中之異常的方法，該方法包含 a) 藉由以下來產生模板隱藏式馬可夫模型以校準自感測器所收集且與製造的半導體裝置之製程相關聯的第一時間序列資料：(i) 藉由處理器，檢索與複數個製造的半導體裝置相關聯的複數個訓練感測器資料集，其中該複數個訓練感測器資料組中之每一者包含與該複數個製造的半導體裝置中之製造的半導體裝置相關聯的訓練時間序列資料；(ii) 藉由該處理器，分割該訓練時間序列資料中之每一者以產生該複數個感測器資料的複數個分割資料；(iii) 藉由該處理器，進行該複數個分割資料之隱藏式馬可夫模型分析以產生描述該複數個製造的半導體裝置之隱藏狀態的模板隱藏式馬可夫模型；以及 (iv) 藉由該處理器，使用該模板隱藏式馬可夫模型之參數來產生該複數個分割資料之有序狀態序列；(b) 藉由該處理器，檢索與該製造的半導體裝置之該製程相關聯的該第一時間序列資料；以及 (c) 藉由該處理器，使用產生的該有序狀態序列來將該第一時間序列資料和與同一製程相關聯的第二時間序列資料校準，其中該第一時間序列資料係與該第二時間序列資料比較以判定在針對該製造的半導體裝置的該製程中之分析輸出 (例如，異常、不匹配工具判定、虛擬計量輸出)。
在一些實施例中，該方法進一步包括藉由該處理器，將該第一時間序列資料與該第二時間序列資料進行比較以判定在針對該製造的半導體裝置的該製程中之該異常 (例如，使用比較操作或相關操作)。
在一些實施例中，該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之同一製造批次中，其中批次係經歷針對晶圓上的給定裝置圖案之相同或相似的製造過程。
在一些實施例中，該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之不同製造批次中，其中批次係經歷針對晶圓上的給定裝置圖案之相同或相似的製造過程。
在一些實施例中，使用維特比演算法或最大和演算法進行校準之步驟。
在一些實施例中，分割該第一時間序列資料以產生複數個分割資料之該步驟包含：藉由使用預定尺寸之移動視窗連同該第一時間序列資料來判定具有在預定義閾值設定檔 (pre-defined threshold profile) 內 (例如，在 2Δ T範圍內直至超過 10% 之該訊號超出該範圍) 之值的該第一時間序列資料之一組區域，而將該第一時間序列資料分割成複數個穩態分割段 (steady-state segment)；以及藉由將在該複數個穩態分割段之外的區域標記為複數個暫態分割段 (transient state segment) 來將該第一時間序列資料分割成複數個暫態分割段。
在一些實施例中，該隱藏式馬可夫模型模板及閾值可用作代理或用以判定虛擬計量測量 (例如，來自化學氣相沉積之層厚度、蝕刻中之層寬度、光微影中之臨界尺寸)。虛擬計量測量可以基於生產設備中之機器參數及感測器資料來預測或估計晶圓之屬性，而無需對晶圓屬性進行昂貴的、破壞性的物理測量。
在一些實施例中，收集該第一時間序列資料的該感測器為該製作的半導體裝置之製作設備的一部分，其中該製作設備係選自由以下所組成之群組：電漿蝕刻系統、液體溶液蝕刻系統 (濕法蝕刻)、電漿增強化學氣相沉積系統、薄膜沉積系統、分子束磊晶 (MBE) 系統、電子束熔化 (EBM) 系統、化學氣相沉積 (CVD) 系統及卷對卷網模塗佈 (roll-to-roll web coating) 系統。
在一些實施例中，收集該第一時間序列資料的該感測器為選自由以下所組成之群組的計量或檢測設備：晶圓探測器、成像站、橢圓偏光計、CD-SEM、離子研磨機、C-V 系統、干涉計、電源測量單元 (SME) 磁力計、光學及成像系統、輪廓儀、反射計、電阻探針、電阻高能電子繞射 (RHEED) 系統及 X 射線繞射儀。
在一些實施例中，該第一時間序列資料係檢索自該製作的半導體裝置之製作設備之控制器，其中該製作設備之該控制器操作地連接至該感測器。
在一些實施例中，該第一時間序列資料包含與晶圓上的裝置圖案相關聯的計量訊號之觀察測量值 (observed measurement)。
在一些實施例中，該第一時間序列資料包含其中之任一者係與製程相關聯的功率訊號、壓力訊號、溫度訊號、體積訊號、流速訊號、電壓訊號、及光學訊號之觀察測量值。
在一些實施例中，該第一時間序列資料係與該第二時間序列資料比較以判定在同一製程中所使用的第一製造設備與第二製造設備之間的準確工具匹配 (例如，腔室匹配)。
在一些實施例中，該第一時間序列資料係與該第二時間序列資料比較以產生製程或關聯製造設備之品質的指示 (例如，產品檢測級別預測或產品品質特徵預測)。
在一些實施例中，針對給定晶圓 𝑘，每個感測器 𝑖 收集長度 之訊號 。
在一些實施例中，該方法進一步包括藉由該處理器，檢索與該製造的半導體裝置之該製程相關聯的一組第二時間序列資料；以及藉由該處理器，基於該隱藏式馬可夫模型分析，將該組第二時間序列資料和與同一製程相關聯的一組第三時間序列資料校準，其中該組第二時間序列資料包含以 1 Hz、5 Hz、10 Hz 或以在其之間的取樣率所取樣的多於 50 個感測器。
在一些實施例中，產生該模板隱藏式馬可夫模型之該步驟包含：藉由該處理器，分割該時間序列資料以產生該複數個分割資料且判定該複數個分割資料之校準統計；基於校準統計，將該複數個分割段叢集化；以及基於該叢集化，判定轉移矩陣及發射參數矩陣。
在一些實施例中，針對給定製程的超過 100 個感測器讀數進行產生該模板隱藏式馬可夫模型之步驟，其中在批次處理之間接近即時進行操作。
在一些實施例中，該方法進一步包括當檢測到在該給定製程中的異常時，產生警報。
在一些實施例中，在複數個半導體製造設備的遠端分析系統處進行該方法。
在一些實施例中，在半導體製造設備的分析系統處進行該方法。
在一些實施例中，該分析系統為該半導體製造設備之一部分。
在一些實施例中，該分析系統為該半導體製造設備之控制器的一部分。
在一些實施例中，該方法進一步包括將第一半導體製造設備之模板隱藏式馬可夫模型傳送至經組態以產生第二模板隱藏式馬可夫模型的第二半導體製造設備，其中該第一半導體製造設備之該模板隱藏式馬可夫模型及該第二模板隱藏式馬可夫模型係在該第二半導體製造設備處結合用於在該第二半導體製造設備處所進行的工具匹配操作或虛擬計量操作。
在一些實施例中，該方法進一步包括將第一半導體製造設備之模板隱藏式馬可夫模型傳送至分析系統，其中該分析系統經組態為該第一半導體製造設備之該模板隱藏式馬可夫模型及其他半導體製造設備之模板隱藏式馬可夫模型以判定在第一半導體製造設備之製程中的異常。
在另一態樣中，揭露了一種計量系統 (例如，半導體計量或檢測系統)，其包含藉由電腦可讀取指令所組態的處理單元，該處理單元藉由以下以檢測在半導體裝置的製程中之異常： (a) 藉由以下來產生模板隱藏式馬可夫模型以校準自感測器所收集且與製造的半導體裝置之製程相關聯的第一時間序列資料：(b) 檢索與該製造的半導體裝置之該製程相關聯的該第一時間序列資料；(c) 使用產生的有序狀態序列來將該第一時間序列資料和與同一製程相關聯的第二時間序列資料校準；以及 (d) 將該第一時間序列資料與該第二時間序列資料進行比較以判定在針對該製造的半導體裝置的該製程中之該異常。
在一些實施例中，用以產生該模板隱藏式馬可夫模型的該等指令包含 (i) 用以檢索與複數個製造的半導體裝置相關聯的複數個訓練感測器資料集之指令，其中該複數個訓練感測器資料集中之每一者包含與該複數個製造的半導體裝置中之製造的半導體裝置相關聯的訓練時間序列資料；(ii) 用以分割該時間序列資料以產生該複數個感測器資料的複數個分割資料之指令；(iii) 用以進行該複數個分割資料之隱藏式馬可夫模型分析以產生描述該複數個製造的半導體裝置之隱藏狀態的模板隱藏式馬可夫模型之指令；以及 (iv) 用以使用該模板隱藏式馬可夫模型之參數來產生該複數個分割資料之有序狀態序列之指令。
在一些實施例中，該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之同一製造批次中。
在一些實施例中，該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之不同製造批次中。
在一些實施例中，用以將該第一時間序列資料與該第二時間序列資料校準之該等指令包含維特比演算法或最大和演算法。
在一些實施例中，用以分割該時間序列資料以產生複數個分割資料之該等指令包含用以藉由使用預定尺寸之移動視窗連同該第一時間序列資料來判定具有在預定義閾值設定檔內 (例如，在 2Δ T範圍內直至超過 10% 之訊號超出該範圍) 之值的該第一時間序列資料之一組區域，而將該第一時間序列資料分割成複數個穩態分割段之指令；以及用以藉由將在該複數個穩態分割段之外的區域標記為複數個暫態分割段來將該第一時間序列資料分割成複數個暫態分割段之指令。
在一些實施例中，收集該第一時間序列資料的該感測器為該製作的半導體裝置之製作設備的一部分，其中該製作設備係選自由以下所組成之群組：電漿蝕刻系統、液體溶液蝕刻系統 (濕法蝕刻)、電漿增強化學氣相沉積系統、薄膜沉積系統、分子束磊晶 (MBE) 系統、電子束熔化 (EBM) 系統、化學氣相沉積 (CVD) 系統及卷對卷網模塗佈 (roll-to-roll web coating) 系統。
在一些實施例中，收集該第一時間序列資料的該感測器為選自由以下所組成之群組的計量或檢測設備：晶圓探測器、成像站、橢圓偏光計、CD-SEM、離子研磨機、C-V 系統、干涉計、電源測量單元 (SME) 磁力計、光學及成像系統、輪廓儀、反射計、電阻探針、電阻高能電子繞射 (RHEED) 系統及 X 射線繞射儀。
在一些實施例中，該第一時間序列資料係檢索自該製作的半導體裝置之製作設備之控制器，其中該製作設備之該控制器操作地連接至該感測器。
在一些實施例中，該第一時間序列資料包含與晶圓上的裝置圖案相關聯的計量訊號之觀察測量值 (observed measurement)。
在一些實施例中，該第一時間序列資料包含其中之任一者係與製程相關聯的功率訊號、壓力訊號、溫度訊號、體積訊號、流速訊號、電壓訊號、及光學訊號之觀察測量值。
在一些實施例中，該處理單元係藉由指令組態以將該第一時間序列資料與該第二時間序列資料比較以判定在同一製程中所使用的第一製造設備與第二製造設備之間的準確工具匹配 (例如，腔室匹配)。
在一些實施例中，該第一時間序列資料係與該第二時間序列資料比較以判定虛擬計量輸出。
在一些實施例中，該處理單元經組態以將該第一時間序列資料與該第二時間序列資料比較以產生製程或關聯製造設備之品質的指示 (例如，產品檢測級別預測或產品品質特徵預測)。
在一些實施例中，該處理單元係藉由電腦可讀取指令組態以進一步檢索與該製造的半導體裝置之該製程相關聯的一組第二時間序列資料；以及基於該隱藏式馬可夫模型分析，將該組第二時間序列資料和與同一製程相關聯的一組第三時間序列資料校準，其中該組第二時間序列資料包含以 1 Hz、5 Hz、10 Hz 或以在其之間的取樣率所取樣的多於 50 個感測器。
在一些實施例中，用以產生該模板隱藏式馬可夫模型的該等指令包含用以分割該時間序列資料以產生該複數個分割資料且判定該複數個分割資料之校準統計的指令；用以基於校準統計叢集化該複數個分割段的指令；以及用以基於該叢集化判定轉移矩陣及發射參數矩陣的指令。
在一些實施例中，該系統進一步包括計量感測器系統，其包含經組態以獲得複數個感測器資料的複數個感測器。
在另一態樣中，揭露了一種具有儲存於其上的指令之非暫時性電腦可讀取媒體，其中該等指令藉由處理器之執行使得該處理器進行上述方法或上述系統中之任一者。
在另一態樣中，揭露了一種用以檢測物品之製程中之異常的方法，該方法包含 (a) 藉由以下來產生模板隱藏式馬可夫模型以校準自感測器所收集且與該物品之製程相關聯的第一時間序列資料：(i) 藉由處理器，檢索與複數個製品相關聯的複數個訓練感測器資料集，其中該複數個訓練感測器資料集中之每一者包含與該複數個製品中之製品相關聯的訓練時間序列資料；(ii) 藉由該處理器，分割該時間序列資料以產生該複數個感測器資料的複數個分割資料；(iii) 藉由該處理器，進行該複數個分割資料之隱藏式馬可夫模型分析以產生描述該複數個製作的半導體裝置之隱藏狀態的模板隱藏式馬可夫模型；以及 (iv) 藉由該處理器，使用該模板隱藏式馬可夫模型之參數來產生該複數個分割資料之有序狀態序列；(b) 藉由該處理器，檢索與該製品之該製程相關聯的該第一時間序列資料；以及 (c) 藉由該處理器，使用產生的該有序狀態序列來將該第一時間序列資料和與同一製程相關聯的第二時間序列資料校準，其中該第一時間序列資料係與該第二時間序列資料比較以判定在該製品的該製程中之異常。
相關申請案
本申請案主張 2022 年 1 月 16 日提交之美國臨時專利申請號 63/300,020 之優先權及權益，該申請案藉由引用方式全文併入本文中。
本文描述之每一個特徵以及此類特征中之二或更多者之每一個組合皆包括在本發明之範疇內，條件為包括在此種組合中之特徵不相互矛盾。
可能包括各種專利、專利申請案及出版物之一些參考文獻在參考文獻列表中引用並且在本文提供之揭露內容中進行論述。提供此類參考文獻之引用及/或論述僅是為了闡明本揭露之描述，並不承認任何此類參考文獻係本文所述之本揭露之任何態樣之「先前技術」。在符號方面，「[n]」對應於列表中之第 n 個參考文獻。本說明書中引用及論述之所有參考文獻皆藉由引用方式全文併入本文中，且其程度如同每篇參考文獻單獨藉由引用方式併入之程度。
實例性系統 #1
圖1A、圖 1B 及圖 1C 分別示出了根據說明性實施例之用於製作過程中之缺陷或誤差之異常檢測、工具匹配或虛擬計量之實例性設備分析系統 100 (示為 100a、102b、100c)。分析系統 100 可以經由中央分析系統針對一組設備來實現或在單獨的本地設備上實現。該分析可以產生設備特定之參數，該等參數可以經傳送及/或與其他分析系統共用。
在圖 1A 所示之實例中，設備分析系統 100a 包括機器分析系統 102 (示為「分析系統 (中央)」102a)，其經組態以自一組製作或製造設備 106 (示為「半導體製造設備」106a) 及關聯計量設備 108 或指令設備 110 接收時間序列資料流 104，以判定與製造的裝置中之缺陷或製作或製造設備 106a 之不合規操作對應之訊號中之異常的存在或不存在。時間序列資料可為一維資料、二維資料或三維資料。分析系統 102 (例如，102a) 或裝置/模組 (例如，102b、102c) 經組態以將流 104 之每個時間序列資料分割成與應用分析特徵之製造特徵或製程控制參數對應之複數個資料分割段。在圖 1A 所示之實例中，與由製作或製造設備 106 進行之處理有關之時間序列資料被提供給一或多個資料儲存器 112，並且可供分析系統 102a 使用。為了正確地分割時間序列資料流 104，分析系統 102 (例如，102a) 或裝置/模組 (例如，102b、102c) 基於隱藏式馬可夫模型之模型 (亦稱為基於 HMM 之模板) 進行分割誤差校正，該模型來自將時間序列資料建模為一組隱藏式馬可夫過程之同一過程或製造的裝置之其他時間序列資料。然後使用基於 HMM 之模板來調整最初在時間序列資料或其分類中定義之分割段之長度。
在圖 1A 所示之實例中，分析系統 102a (示為 102a') 包括分割模組 116 (示為「分割」116)、分割誤差校正模組 118 (示為「分割誤差校正」118)、特徵評估模組 120 (示為「特徵」120)、異常檢測器 122 及隱藏式馬可夫模型模組 124 (示為「隱藏式馬可夫模型」124)。分割模組 116 自製作或製造設備 106a、檢驗計量設備 108 及/或設備 110 中之任一者接收時間序列資料流 104 (示為 104a) 以產生分割資料集 117。資料可以對應於來自一批工件 126 (示為「工件批次 1」126a、「工件批次 2」126b、「工件批次 n」126c) 及/或經進行以製造工件之關聯處理 128 (示為「處理批次 1」128a、「處理批次 2」128b 及「處理批次 n」128c) 的給定工件 125。隱藏式馬可夫模型模組 124 根據分批資料 104b 產生模板 HMM 130 作為由分割誤差校正模組 118 使用之隱藏式馬可夫過程 132 以進行多次分割校正。模板 HMM 130 包括隱藏狀態轉移之概率 (示為「狀態轉移矩陣」136) 及每個隱藏狀態存在之概率 (示為「發射分佈」134)。分割誤差校正模組 118 然後使用最大似然估計器 (例如，在維特比演算法中) 來估計可能引起時間序列訊號之狀態序列 (示為「模板狀態」138)。分割誤差校正模組 118 比較並重新校準分割的資料 117 以產生重新校準或校正的分割資料 119。特徵評估模組 120 對重新校準或校正的分割資料 119 之暫態部分進行基於動態之分析，然後藉由異常檢測器 122 對其進行評估，以使用自特徵評估模組 142 使用分批資料 104b 所計算之先前特徵 140 判定製造的工件中或製程中缺陷或誤差之存在。
在一些實施例中，分割校正模組 118 可以 (i) 判定由於分割誤差導致之資料集中之無關特徵之存在並且去除無關特徵或調整分割段之索引以校正無關特徵；(ii) 判定分割段之不正確分類之存在並校正此種錯分類以將正確之特徵操作應用於彼等分割段；並且 (iii) 在應用特徵操作後判定分割段之錯分類，並將特徵操作正確地應用於在時間上彼此時間相似之分割段。
分析系統 (例如，異常檢測) 可以在製程 (例如，干法蝕刻及沉積) 之後進行，以在晶圓經歷額外處理之前在早期識別晶圓或處理中之缺陷。分析系統 (例如，異常檢測) 可以即時或接近即時地並行進行或在晶圓處理操作之間進行，而不會增加處理時間。分析系統 (例如，異常檢測) 可結合計量或檢測進行。
實例性系統 #2
圖1B 及圖 1C 分別示出了根據說明性實施例之用於製作過程中之缺陷或誤差之機器特定之異常檢測之實例性機器分析系統 100 (示為 100b 及 100c)。在圖1B 所示之實例中，機器分析系統 100b 包括實現為半導體製造設備 106b 之一部分之分析裝置 102b。在圖1C 所示之實例中，機器分析系統 100c 包括實現為半導體製造設備 106c 之控制器 107 (示為 107a) 之一部分之分析模組 102c。
分析裝置 102b 或分析模組 102c 分別經組態以分別自製作或製造設備 (例如，106b、106c) 之控制器 107 或工廠控件 109 接收時間序列資料流 104，以判定與製造的裝置中之缺陷或製作或製造設備 (例如，106b、106c) 中之不合規操作對應之異常之存在或不存在。分析裝置 102b 可為計算裝置、微處理器 (MCU)、微控制器、圖形處理單元 (GPU)、經由 CPLD 或 FPGA 實現之邏輯電路或特定應用電路 (ASIC)，如本文所述。分析模組 102c 可為用於計算裝置、微處理器 (MCU)、微控制器、圖形處理單元 (GPU)、經由 CPLD 或 FPGA 實現之邏輯電路或可與工廠控件 109.一起執行之特定應用電路 (ASIC) 之指令。
時間序列資料可為一維資料、二維資料或三維資料。分析裝置 102b 經組態以將流 104 之每個時間序列資料分割成與應用分析特徵之製造特徵或製程控制參數對應之複數個資料分割段。在圖 1B 所示之實例中，與由製作或製造設備 106b 進行之處理有關之時間序列資料被提供給設備 106b 之一或多個資料儲存器 112 (示為 112a)，並且可供分析裝置 102b 使用。為了正確地分割時間序列資料流 104，分析裝置 102 b 基於隱藏式馬可夫模型之模型 (亦稱為基於 HMM 之模板) 進行分割誤差校正，該模型來自將時間序列資料建模為隱藏式馬可夫過程組之同一過程或製造的裝置之其他時間序列資料。然後使用基於 HMM 之模板來調整最初在時間序列資料或其分類中定義之分割段之長度。
在圖1B 或圖 1C 所示之實例中，類似於分析裝置 102a，分析裝置 102b 或分析模組 102c 包括分割模組 116 (示為「分割」116)、分割誤差校正模組 118 (示為「分割誤差校正」118)、特徵評估模組 120 (示為「特徵」120)、異常檢測器 122 及隱藏式馬可夫模型模組 124 (示為「隱藏式馬可夫模型」124)。分割模組 116 自製作或製造設備 106a、檢驗計量設備 108 及/或設備 110 中之任一者接收時間序列資料流 104 (示為 104a) 以產生分割資料集 117。資料可以對應於來自一批工件 126 (示為「工件批次 1」126a、「工件批次 2」126b、「工件批次 n」126c) 及/或經進行以製造工件之關聯處理 128 (示為「處理批次 1」128a、「處理批次 2」128b 及「處理批次 n」128c) 的給定工件 125。隱藏式馬可夫模型模組 124 根據分批資料 104b 產生模板 HMM 130 作為由分割誤差校正模組 118 使用之隱藏式馬可夫過程 132 以進行多次分割校正。模板 HMM 130 包括隱藏狀態轉移之概率 (示為「狀態轉移矩陣」136) 及每個隱藏狀態存在之概率 (示為「發射分佈」134)。分割誤差校正模組 118 然後使用最大似然估計器 (例如，在維特比演算法中) 來估計可能引起時間序列訊號之狀態序列 (示為「模板狀態」138)。分割誤差校正模組 118 比較並將分割的資料 117 至分割的資料 117 重新校準以產生重新校準或校正的分割資料 119。特徵評估模組 120 對重新校準或校正的分割資料 119 之暫態部分進行基於動態之分析，然後藉由異常檢測器 122 對其進行評估，以使用自特徵評估模組 142 使用分批資料 104b 所計算之先前特徵 140 判定製造的工件中或製程中缺陷或誤差之存在。
在一些實施例中，分割校正模組 118 可以 (i) 判定由於分割誤差導致之資料集中之無關特徵之存在並且去除無關特徵或調整分割段之索引以校正無關特徵；(ii) 判定分割段之不正確分類之存在並校正此種錯分類以將正確之特徵操作應用於彼等分割段；並且 (iii) 在應用特徵操作後判定分割段之錯分類，並將特徵操作正確地應用於在時間上彼此時間相似之分割段。
分析系統可以在製程 (例如，干法蝕刻及沉積) 之後進行，以在晶圓經歷額外處理之前在早期識別晶圓或處理中之缺陷。分析系統可以即時或接近即時地並行進行或在晶圓處理操作之間進行，而不會增加處理時間。分析系統可結合計量或檢測進行。
判定製程中之異常之方法
圖 2 示出了根據說明性實施例之用以判定異常 (例如，製造的工件或製程中之缺陷或誤差之存在) 之實例性操作方法 200。圖 4A 示出了根據說明性實施例之圖 2 之方法 200 (示為 400) 之實例。
方法 200 包括自製作或製造的件、計量或檢測設備 (例如，106、108、110) 或與之相關聯之資料儲存器 (例如，112) 接收 (202) 時間序列資料 104 (在圖 4A 中示為 104c)。
方法 200 包括分割 (204) 時間序列資料 (例如，104c) 以及將分割段分類及標記 (204) 為與訊號之暫態部分 (402) 及訊號之穩態部分 (404) 相關聯。每個分割段包括基準點 (fiduciaries) 或校準特徵，包括分割段號 (「索引」)、「開始時間」值、「結束時間」值、「級別」值、「類型」值、「範圍」值及「差異」值。
在 Ul Haq, A、Djurdjanovic, D. 之「Dynamics-Inspired Feature Extraction in Semiconductor Manufacturing Processes」中描述了可以進行之分割操作組之實例，該文獻藉由引用方式全文併入本文中。在 Tian, R. 之「An Enhanced Approach using Time Series Segmentation for Fault Detection of Semiconductor Manufacturing Process」中描述了分割操作之另一實例性組，該文獻亦藉由引用方式全文併入本文中。
該方法可能需要對訊號進行濾波 (例如，經由 FIR 濾波器) 並判定濾波的訊號之梯度 (例如，使用不同的所基於之方法)。然後使用梯度低於預定義閾值之區域中之資料點的最大標準差 (σ) 來指定雜訊閾值 (例如，雜訊閾值 Δ 𝑇= 5σ)。為了將訊號解析為穩態分割段及暫態分割段，長度為 ′𝑀′ 之移動視窗 (視窗之尺寸對應於可被視為穩態之訊號之最短部分) 沿著訊號滑動，直至視窗中至少 90% 之點包含在 2Δ 𝑇之範圍內。視窗之初始點被鎖定，而另一端藉由訊號向前移動以擴大視窗，直至超過 10% 之訊號讀數位於 2Δ 𝑇範圍之外以定義穩態部分。然後將視窗重設為其原始長度，同時將視窗之初始點移位跨越剛剛辨識之穩態分割段。重複該過程，直至視窗之邊緣到達訊號之末端。然後將訊號之其餘部分分類並標記為訊號之暫態部分。方法 200 隨後將標籤相應地應用於訊號之每個識別之穩態及暫態部分。
在分類及狀態標記 (來自步驟 204) 之後，方法 200 包括進行 (208) 一組基於動態之分析 (經由基於動態之分析特徵) 及基於靜態之分析 (經由基於靜態之分析特徵)。在分析之前，方法 200 包括藉由針對基於 HMM 之模板評估該等分割段來進行 (206) 分割誤差校正，以藉由應用自基於 HMM 之模板所判定之隱藏狀態作為用於後續分析之標籤來解決時間序列資料之錯標記之分割段或錯分類之部分。在一些實施例中，基於 HMM 之模板可用於標記時間序列之部分以供後續分析。換言之，基於 HMM 之模板可以在諸如步驟 204 之分類器及標記操作之實施例中進行。
分割誤差校正模組 118 藉由使用維特比演算法使用 HMM 模板對給定感測器讀數進行校準及分類來進行分割誤差校正 206。
HMM 模型。HMM 模板 (例如 130) 包含隱藏式馬可夫模型，該模型包括轉移矩陣組 (例如 136) 及發射參數組 (例如 134)。HMM 模型可經組態為具有跨所有狀態之均勻初始狀態分佈。
轉移矩陣。HMM 模板 (例如 130) 之轉移矩陣 (例如 136) 表示自一個隱藏狀態移動至另一隱藏狀態之概率。HMM 模型可以實施自左至右之轉移矩陣。即，一旦進入狀態，該狀態可以重複多次，但是一旦模型轉移至下一狀態，它就不能返回到先前狀態 (即，在矩陣內向左移動)。轉移矩陣 (例如 136) 具有以下形式：
其中 a ij 表示自狀態 i轉移至狀態 j之概率。在轉移矩陣中，列號表示當前狀態，且行號表示所轉移至之狀態。概率限制在「0」與「1」之間，且每一列之總和必須為 1。圖 5C 示出了製造的裝置之實例性轉移矩陣。可以觀察到，該矩陣意味著簡單地移動至下一狀態之高概率，除了狀態 0。對於狀態 0，約 50% 之值指示狀態可能會返回至自身，意味著第一分割段可能會被一些訊號中之分割而分裂，但不會被其他訊號分裂。
為了獲得初始參數，可以首先經由叢集化操作標記各個分割段。當應用標籤時，自附近之標籤開始對轉移進行計數 (例如，當一個標籤依序跟隨另一標籤時) 並除以自狀態 i至任何其他狀態之轉移總數，形成 a ij 之初始值。初始值用於同時估計傳送及發射參數之 Gibbs 取樣器。
發射參數。HMM 模型包括發射參數 134 (在圖 4A 中示為 134b)，該等參數定義了由每個隱藏狀態所產生之統計之分佈。根據狀態發射 134b，HMM 模型試圖藉由分離不同校準統計 (諸如表 1 中之級別、範圍、差異、開始及結束) 之概率模型來準確地對自隱藏狀態中所提取之分割段之屬性進行建模。發射參數可用作單個感測讀數之校準特徵向量。圖 4C 係表示表 1 之校準特徵向量之圖。每個分割段皆具有範圍、差異及級別。 表 1
參數 描述
級別 (430)、範圍 (432)、差異 (434) 該三個參數 μ l 、 μ r 、 μ d 被計算為建模為正態 N(μ, σ 2)。級別 μ l 、範圍 μ r 及差異 μ d 可以根據分割段級別、範圍及差異之樣本均值進行估計。類似地， σ l 、 σ r 、 σ d 可以藉由樣本方差來估計。
類型 此被估計為伯努利隨機變量，其中 p係穩態之概率，估計為每個隱藏狀態中標記為穩態之分割段之分數。
開始 (436)，結束 (438) 該等被視為經修改之貝葉斯均勻分佈，其中 P(開始, 結束|A,B) = Uniform(A,B)。A 及 B 係狀態之最小及最大可能的「開始」及「結束」值。
假定統計相互獨立，其中隱藏狀態內之分割段級別與其分割段類型不相關。給定狀態之似然度被計算為使用狀態分佈參數之每個統計之似然度之乘積。
在每個分割段中，「開始」及「結束」參數可以估計為具有此隱藏狀態標籤之分割段所包含之最小及最大樣本位置—A' 係樣本最小值，B' 係樣本最大值。後驗預測分佈 p(開始,結束|A',B') 雖然不具有分析形式，但在使用貝葉斯取樣模式觀察它時，它呈現出在兩個指數分佈之間定義之均勻形狀。該分佈可以根據方程 2 用分段分佈來估計，其中 α，β 藉由將指數擬合至自真實後驗預測分佈所取樣之資料之尾部來估計： (方程2)
在方程 2 中，A' 指針對狀態所計算之開始樣本「最小值」，且 B' 指結束樣本「最大值」。藉由該分佈，若分割段之「開始」及「結束」點位於最小點及最大點內，則該等分割段將具有源自狀態之高概率。否則，開始及結束超出該等界限越遠，則該概率將越呈指數下降。該分佈可以處理因分割不佳而分裂之分割段。藉由該分佈，若分割段被分成兩半或三部分，則每個分裂分割段將具有與完整分割段相同之似然度。該等規則允許 HMM 模型合併藉由分割而不正確分裂之分割段，並將它們標記為正確之狀態。
圖 5B 示出了 HMM 模板 (例如，130) 之實例性發射參數，該模板先前藉由隱藏式馬可夫模型模組 124 自先前批次的製造之裝置或過程產生並儲存 (示出在資料儲存器 406 中) 用於分析。發射參數 134b 可用作單個感測讀數 124b 之校準特徵向量。發射參數之每一行表示一個分割段之校準統計，且索引編號係感測器讀數中之分割段之順序。每個隱藏狀態均具有 9 個隱藏發射參數 (407 - 未示出)：最小開始、最大結束、暫態或穩態概率、三個均值及描述級別、範圍及差異之正態分佈之三個標準差。藉由將給定分割段之統計與該等參數中之每一者進行比較，可以將每個分割段與隱藏狀態相匹配。維特比演算法然後將信息與轉移矩陣結合，以估計每個分割段最可能之隱藏狀態。
校準。一旦經分割及分析，分割誤差校正模組 118 經組態以使用維特比演算法校準分割資料 (例如，117)。維特比演算法採用校準特徵向量 (例如，圖 5B 之向量) 以使用轉移矩陣 (例如，136) 及來自 HMM 模板 (例如 130) 之狀態發射參數 (407 - 未示出) 返回分割最可能採用之路徑 (410) 以及該路徑之似然度 (412)。
維特比演算法使用最大似然檢測器來藉由表示所有可能輸入序列之網格 (132) (隱藏式馬可夫鏈之網格) 遞歸搜索所有可能之輸入序列。穿過網格之每條路徑皆表示為不同之二進制輸入序列。網格中之每個分支皆具有取自轉移矩陣之轉移概率 p i ，並且分支之間的每個節點皆具有與特定隱藏狀態之似然度對應之似然度 l j 。給定路徑之所有分支概率及狀態似然度之乘積表示與該路徑相關聯之似然度。最大化該似然度可表示為最大化方程 3。(m 表示網格中之節點列表，n 表示分支列表) (方程3)
維特比演算法可以消除彼等不能成為最可能路徑之一部分之路徑，因為它們與具有更大似然度之另一路徑分叉並重新合併。ML 檢測器可用於跟踪在當前取樣時間通向每個狀態之最大似然路徑。當接收到當前樣本時，藉由將轉移概率及狀態似然度與最大似然路徑之似然度相乘來計算在先前取樣時間離開每個狀態之該兩條路徑之似然度。然後比較在當前取樣時間進入每個狀態之該雙路徑似然度，並選擇具有最大似然度之路徑作為模板路徑 138。
該模板路徑 138 對應於狀態標籤，非常類似於產生模板時隨初始叢集化添加之標籤。路徑分析進一步改進了分割及校準之一致性。如上所述，當兩個狀態被彼此並行訪問時，比較在當前取樣時間進入每個狀態之雙路徑度量，並且選擇具有最大似然度之路徑作為模板路徑 138。此外，若返回表示不太可能之場景分割之路徑 (藉由新路徑或藉由具有低統計似然度)，則可以使用經修改之參數重新運行維特比演算法。
一旦對路徑之修改完成，則具有相同標籤之相鄰分割段被合併以提供最終分割段/標籤。此時，可以進行基於動態之分析，以為感測器讀數提供異常檢測之最終分析。
基於動態及穩態之分析。一旦訊號 (例如，104c) 被正確地分割成穩態及暫態分割段，則特徵評估模組 120 就可以對訊號之相應暫態部分及穩態部分進行基於動態之分析及基於穩態之分析。表 2 示出了可用於特徵評估模組 120 之分析特徵之列表。圖 4B 係表示表 2 之分析特徵之圖。 表 2
特徵標籤 特征描述 分割段類型
穩態級別 (416) 當前穩態中資料點之中值 穩態
穩態持續時間 (418) 訊號處於當前穩態之時間 穩態
穩態標準偏差 當前穩態中資料點之標準偏差 穩態
穩態時之脈衝 自穩態級別附近之可接受範圍 (2) 之偏移次數的計數 穩態
轉移振幅 (420) 自當前穩態級別轉移至下一個穩態級別之幅值 暫態
穩定時間 (422) 當前穩態結束與下一個穩態開始之間之時間間隙 暫態
上升時間 (424) 自轉移振幅之 10% 上升/下降至 90% 所花費之時間 暫態
轉移前過衝 (426) 在轉移開始時發生之偏差，方向與轉移相反，表示為最大相對偏差與轉移振幅之比率。 暫態
轉移後過衝 (428) 轉移後超過預期穩態級別之偏差，表示為偏離轉移後穩態級別之最大相對偏差與轉移振幅之比率。 暫態
轉移曲線下面積 暫態電流階段期間訊號下面積 暫態
在 IEEE Std 181TM – 2011，「IEEE Standard for Transitions, Pulses, and Related Waveforms IEEE Instrumentation and Measurement Society」 New York, 2011 中描述了分析特徵之額外的實例及描述，該參考文獻藉由引用方式全文併入本文中。
校正場景。圖4D 至圖 4H 分別示出了可以使用圖 2 之分割誤差校正操作 206 進行之實例性校正。
圖 4D 示出了分割段之校準標記中之第一誤差之實例。在圖 4D 中，分割段「1」及「6」分別被示出為分成 3 個分割段 (440)，例如，如藉由初始分割 117 所產生的。此誤差可能會導致後續標籤被誤用，從而導致後續特徵分析之輸出與先前批次之輸出不正確地比較。分割誤差校正藉由將額外之分割段合併在一起來校正誤差 (在 440 中)。
圖 4E 示出了第二誤差之實例，其中特徵可能僅存在於感測器讀數 (442) 之子組上，其可藉由分割模組 116 被分類為額外特徵。此誤差可能會導致分割段之索引編號發生變化，並且還會破壞相鄰分割段之特徵。分割誤差校正 206 採用隱藏狀態來表示可以解決該問題之單個特徵。當用維特比演算法進行校準時，並非所有狀態皆需要訪問；因此，狀態可表示感測器讀數子組所存在之分割段。
圖 4F (類似於圖 4D) 示出了第三誤差之實例，其中初始分割 116 在時間序列資料中錯誤地標記了分割段 (444) ，因為在不存在暫態分割之情況下檢測到暫態分割。圖 4G 示出了第三誤差之另一實例，其中初始分割 116 錯誤地標記了 (446) 在讀數「1」中捕獲之且在讀數「2」中未記錄之短穩態。微調分割方法以在各種感測器類型及特徵上大規模工作可能很困難。為避免針對各種感測器/時間序列特徵調整分割，必須接受標記中一定量之不一致性。該等不一致性可能係由於多種原因造成，但是如圖4D、圖 4F 及圖 4G 所示之短暫偏移或接近最小長度之穩態係常見的。分割誤差校正 206 可以藉由使用隱藏式馬可夫模型之兩個操作來解決該問題。對於該兩個操作中之第一個，隱藏狀態之發射可以設計為表示來自同一感測器特徵之完整分割段以及損壞或不完整之分割段。即，表示來自狀態之模型發射。具有發射模型之 HMM 發射可以建模，例如，建模為簡單之多元正態分佈。在一些實施例中，模型發射被建模為獨立分佈組，其中分佈對應於每個參數。該等分佈已設定為匹配每個參數之真實分佈類型。對於該兩個操作中之第二個，誤差校正 206 可以藉由表示標準感測器讀取行為之隱藏狀態獲取路徑，並在採用異常路徑或該路徑之似然度明顯低於平常時使用經修改之參數重新運行分割。在一些實施例中，當基於路徑重新運行分割時，對雜訊閾值參數或最小穩態長度參數進行修改。對於雜訊閾值修改，為穩態判定之雜訊閾值定義了若閾值太低 (例如，導致分割不正確地分割穩態) 或若閾值太高 (例如，導致分割在穩態停止及動態狀態開始或甚至可能錯過動態狀態時錯誤地測量)，則可以調整穩態中預期之雜訊量。
對於最小穩態長度修改 (其判定穩態可以採用之最小長度)，可以增加最小穩態長度以減少雜訊分割之頻率，同時不會導致較短之分割段錯過。在雜訊閾值及最小穩態長度調整中，接受滿足最高似然路徑之調整。當重新運行分割時，可以評估對該等參數之多個潛在調整 (例如 4)。
圖 4H 示出了由於感測器時間序列資料之長度長並且包含大量分割段而導致之第四誤差之實例。此可能導致許多分割段 (448) 具有非常相似之統計特徵並且難以用標準距離或叢集化方法分離。分割誤差校正 206 可以藉由隱藏式馬可夫模型中提供之模板順序來解決該問題。HMM 構建了轉移矩陣，其用於識別狀態發生之順序。因此，分割段不僅可以藉由它們之特徵來識別，而且還可以藉由感測器讀數內之其他分割段之標籤及順序來識別。此會導致更準確之標籤可以更好地處理歧義，如圖 4H 所示。
HMM 模板產生 (124) 。隱藏式馬可夫模型模組 124 經組態以產生 HMM 模板，該模板可以包括來自初始分割之隱藏式馬可夫模型 (本文稱為「HMM 模型」) 及自時間序列之批組所判定之統計；基於校準統計叢集化分割段；並構建具有先驗及發射分佈之 HMM 模型。
圖 3 示出了根據說明性實施例之用以產生 HMM 模板之實例性操作方法，該模板用於圖 2 之操作以判定異常，例如，在製造之工件中或在製程中缺陷或誤差之存在。圖 5A 示出了根據說明性實施例之圖 3 之方法 300 (示為 500) 之實例。
方法 300 包括接收 (302) 一批時間序列資料 104b (例如，來自先前批次或同一製造的裝置或關聯過程之同一批次之約 200 個時間序列資料)，分割 (304) 所接收批次之時間序列資料 104b 並自分割段中提取統計，(ii) 基於統計叢集化 (306) 分割段，以及 (iii) 基於叢集化構建 (308) 包括發射分佈 134 及狀態轉移矩陣 136 之 HMM 模型 132。使用發射分佈 134 及狀態轉移矩陣 136 在維特比演算法中產生模板狀態 138 以校正模組 118 中之分割段誤差，如關於圖 2 所描述。
初始分割 (304) 。分割 (304) 可以藉由 Ul Haq, A., Djurdjanovic, D.，「Dynamics-Inspired Feature Extraction in Semiconductor Manufacturing Processes」或 Tian, R.，「An Enhanced Approach using Time Series Segmentation for Fault Detection of Semiconductor Manufacturing Process」中佈局之過程來進行。
該方法 (304) 可能需要對訊號進行濾波 (例如，經由 FIR 濾波器) 並判定濾波的訊號之梯度 (例如，使用不同的所基於之方法)。然後使用梯度低於預定義閾值之區域中之資料點的最大標準差 (σ) 來指定雜訊閾值 (例如，雜訊閾值 Δ 𝑇= 5σ)。為了將訊號解析為穩態分割段及暫態分割段，長度為 ′𝑀′ 之移動視窗 (視窗之尺寸對應於可被視為穩態之訊號之最短部分) 沿著訊號滑動，直至視窗中至少 90% 之點包含在 2Δ 𝑇之範圍內。視窗之初始點被鎖定，而另一端藉由訊號向前移動以擴大視窗，直至超過 10% 之訊號讀數位於 2Δ 𝑇範圍之外以定義穩態部分。然後將視窗重設為其原始長度，同時將視窗之初始點移位跨越剛剛辨識之穩態分割段。重複該過程，直至視窗之邊緣到達訊號之末端。然後將訊號之其餘部分分類並標記為訊號之暫態部分。方法 200 隨後將標籤相應地應用於訊號之每個識別之穩態及暫態部分。
分割可以針對分割段之每一者產生參數組，如表 3 所示。 表 3
參數 描述
開始 分割段之第一個時間索引，除以時間序列之總長度。結束 - 分割段之最後一個時間索引，除以時間之總長度
級別 分割段之平均值減去時間序列之平均值超過時間序列之標準偏差。
範圍 分割段內之振幅範圍除以時間序列之標準偏差。
差異 時間序列之結束振幅減去開始振幅，除以時間序列之標準偏差
類型 分割段之類型：「1」代表穩態，「2」代表動態。
叢集化。為了為 Gibbs 取樣算法提供品質初始化 (並確保 HMM 很好地表示真實特徵)，可以藉由將相似物件分組成簇以產生一組簇，對模板感測器組之校準特徵運行層次叢集化操作。可以藉由首先使用固定在「模板」資料集上之參數運行分割來進行層次叢集化操作。該操作然後收集時間序列資料之校準參數並判定資料之每個分割段。然後對參數進行歸一化，並在所有參數上一起運行叢集化。可以進行聚合式層次叢集化 (agglomerative hierarchical clustering)，此可以提供對分割段之穩健初始識別。為叢集化設定之類數可以設定為每個時間序列中發現之平均段數加上一個常數 (例如，三)。
在進行叢集化之後，可以藉由將分割段排序至它們藉由叢集化所指派之類別中來進行匯總統計。然後可以按平均分割段開始時間對彼等類別進行排序，且然後每個狀態之統計可用作初始發射參數。然後可以檢查每個時間序列之類別標籤順序，以提供對轉移矩陣參數之初始猜測。
圖 5D 示出了藉由標記來自所有模板感測器讀數之分割段進行叢集化之方法。
一旦分割段被標記，所有類似標記之分割段被平均以判定狀態統計，其用作隱藏式馬可夫模型之初始發射資料 (見圖 5E)。然後將標記之狀態按其平均起點自低至高重新排序。有序標籤用作 HMM 樣本路徑之初始值。關於狀態之統計被用作 HMM 中發射參數之先驗資料。叢集化可以提供狀態之初始標記及校準，HMM 模板可以與維特比演算法一起對其使用以考慮狀態順序。
HMM 模型。一旦進行叢集化，隱藏式馬可夫模型模組 124 經組態以使用進行迭代條件取樣操作之 Gibbs 取樣程序來產生 HMM 模型之狀態。Gibbs 取樣程序計算初始值 θ 1 = ( u 1 , u 2 ) 及來自條件分佈 之樣本 和來自條件分佈 之 ，用於具有聯合分佈 之雙變量情況。隱藏式馬可夫模型包括初始狀態分佈參數組、轉移矩陣及發射參數組。HMM 模型可經組態為具有跨所有狀態之均勻初始狀態分佈。
轉移矩陣。HMM 模型包括用以表示自一個隱藏狀態移動至另一隱藏狀態之概率之轉移矩陣。HMM 模型可以實施自左至右之轉移矩陣。即，一旦進入狀態，該狀態可以重複多次，但是一旦模型轉移至下一狀態，它就不能返回到先前狀態 (即，在矩陣內向左移動)。在一些實施例中，可以放寬限制，例如，若感測器可能正在監測重複沒有設定順序之公共動作子組之過程。轉移矩陣具有方程 1 之形式。
圖 5B 示出了轉移矩陣之實例。在轉移矩陣中，列號表示當前狀態，且行號表示所轉移至之狀態。每個元素 ( i,j) 對應於自狀態 i 移動至狀態 j 之概率。在圖 5B 所示之實例中，矩陣意味著簡單地移動至下一個狀態之高概率，因為每個矩陣單元格中之概率通常大於 0.5，除了狀態「0」，其具有約 0.5 之狀態返回至自身的時間。
發射參數。HMM 模型包括發射參數，以定義由每個隱藏狀態所產生之統計之分佈。對於狀態發射，HMM 模型試圖藉由分離不同校準統計 (諸如表 2 中之「級別」、「範圍」、「差異」、「開始」及「結束」) 之概率模型來準確地對自隱藏狀態中所提取之分割段之屬性進行建模。
實例性機器分析系統 100 (例如，100a、100b、100c) 經組態為藉由在製程期間自設備感測器收集資料來進行虛擬計量 (VM) 以預測感興趣之產品品質特性。分割模組 116 及特徵評估模組 120 自原始資料中提取信息簽名。異常檢測器 122 然後使用 VM 分類或對 VM 模型之回歸來預測感興趣之品質特性。VM 模型可以根據所選特徵之子組來判定，例如，藉由考慮多種效能標準及易於實現之遺傳演算法 [11]。可以在遺傳演算法內採用多重交叉驗證策略 (例如，5 重) 來進行特徵選擇。
實例性機器分析系統 100 (例如，100a、100b、100c) 可用於增強計量分析以在早期檢測製程之間的缺陷。在如干法蝕刻及沉積等半導體製作過程之執行期間，在晶圓上可能會形成某些缺陷，該等缺陷可影響最終產品之品質及功能。由於其操作之耗時性 (通常比相應之製程花費之時間更長)，目前對約 5%至10% 之產品進行基於計量之檢測。
若產品包含之缺陷多於製造商指定之閾值，則該產品被視為有缺陷的。遺傳演算法可用於選擇提取特徵之子組以告知，例如，支持向量機 (SVM) [12] 分類器，該分類器然後可以將預測之類別指派給每個晶圓。所選之 SVM 輸入組可包括 10 個或更少之特徵，其中許多對應於基於暫態之特徵。
使用基於隱藏式馬可夫模型之模板 114 之分割操作可以應用於任何數目之時間序列資料，諸如來自用於半導體製作及製造裝置 (諸如晶圓探測器、成像站、橢圓偏光計、CD-SEM、離子研磨機、C-V系統、干涉計、電源測量單元 (SME) 磁力計、光學及成像系統、輪廓儀、反射計、電阻探針、電阻高能電子繞射 (RHEED) 系統及 X 射線繞射儀及變味所揭露之其他設備) 之計量或檢測設備之彼等時間序列。
分析系統 102 可以藉由使用來自製作或製造設備 106 之前一組或多組批次之資料來即使地更新基於隱藏式馬可夫模型之模板或特徵 114。
實例性製造系統
圖 6 示出了實例性半導體製造系統 106a (示為「蝕刻系統/站」600)。系統 600 可包括多個設備 602 (示為「光阻劑處理」602a) 、「微影術」602b、「蝕刻浴」602c 及「晶圓處理」602d)。該等設備 602 中之每一者皆可以包括單獨之感測器組 104 (示為 604)及產生時間序列資料之控制器 606。設備 602 可以裝備有連接至資料獲取系統 608 之外部感測器 104 (示為 606a、606b 及 606c)。
分析系統 102 可以藉由資料獲取系統自任何該等設備感測器 604 (藉由它們的控制器 604) 或外部感測器 606 接收時間序列資料。時間序列資料 104 亦可以包括由控制器 604 或資料獲取系統 608 產生之度量，以及自檢測系統 110 或計量系統 108 接收之資料。半導體製造系統可以包括其他製作設備，例如，用於半導體製造設備或製程之其他製作設備，諸如電漿蝕刻系統、液體溶液蝕刻系統 (濕法蝕刻)、電漿增強化學氣相沉積系統、薄膜沉積系統、分子束磊晶 (MBE) 系統、電子束熔化 (EBM) 系統、化學氣相沉積 (CVD) 系統及卷對卷網膜塗佈系統。
實例性隱藏式馬可夫模型匹配或比較
圖 7 示出了隱藏式馬可夫模型匹配或比較之實例性操作。在一些實施例中，可以採用該操作來更新其他製造系統之隱藏式馬可夫模型。在其他實施例中，該操作可用於虛擬計量。
在圖 7 所示之實例中，分析系統 102 (示為 102d) 將隱式馬可夫模型參數及/或閾值 (例如，如關於圖2 至圖 5 所產生的) 藉由網路 702 傳送至其他分析系統 102 (示為 102e)。實際上，雖然給定半導體製造設備 (亦稱為「工具」) 之分析系統 102d 判定其自己的隱藏式馬可夫模型及/或閾值，但是類似之操作可由其他工具之其他分析系統 102e 進行。然後，單獨的工具或其組中之每一者可以彼此共享它們各自的隱藏式馬可夫模型參數及/或閾值，例如，用於虛擬計量、虛擬建模或監測。雖然圖 7 中所示之實例係關於圖 1C 之實現方式示出，但預期類似之操作可用於圖1A 及圖 1B 之實現方式。
帶有距離測量之比較工具。一旦隱藏式馬可夫模型及/或閾值在工具 (例如，102d、102e) 之間共享，則相應之分析系統 102d 就可以基於 HMM 之間之功能化距離 (例如，Wasserstein 距離) 進行工具匹配，例如，以檢測與帶有統計顯著性之其他工具不同之離群工具。工具匹配操作用於判定給定工具何時需要服務維護或已達至其使用壽命之終點。工具匹配輸出可以指示工具組中之兩個工具是否具有匹配操作。
在一些實施例中，轉移的及本地的隱藏式馬可夫模型可以使用叢集化操作來評估，例如，如上所述，或藉由統計過程控制 (SPC) 或 SPC 圖，以判定在其他情況下位於叢集化之外 (例如，藉由假設測試) 或超出預定義之標準偏差之彼等模型。
計算兩個隱藏式馬可夫模型之間之相異性度量或距離之實例由 Chen、Yukun、Jianbo Ye 及 Jia Li.「Aggregated Wasserstein Metric and State Registration for Hidden Markov Models.」arXiv preprint arXiv:1711.05792 (2017) 提供，該文獻藉由引用方式併入本文中。
虛擬計量。在一些實施例中，共享之隱藏式馬可夫模型及/或閾值可以在用於虛擬計量之機器學習環境中使用。隱藏式馬可夫模型及/或閾值可用於產生用以訓練神經網路或機器學習演算法之輸入。然後，經訓練之神經網路或機器學習演算法可用於創建用作虛擬計量測量之輸出，例如來自化學氣相沉積之薄膜厚度、蝕刻中之臨界尺寸 (例如，溝槽寬度、溝槽深度)、光微影中之臨界尺寸 (例如，覆蓋誤差)。
在一些實施例中，一旦隱藏式馬可夫模型及/或閾值在工具 (例如，102d、102e) 之間共享，則相應之分析系統 102d 就聚合其他工具之模型。雖然單個工具之邊緣分析之實現方式降低了系統實現方式之複雜性，但來自不同單個工具之資料分析之聚合並非微不足道。
為了結合來自多個單獨工具之隱藏式馬可夫模型及/或閾值，分析可能會考慮將每個傳送之 HMM 及閾值應用於訊號 s之解析，從而產生在隱藏式馬可夫模型及來自工具 i之閾值下該訊號解析之似然度 。術語 表示針對訊號 s評估且使用 HMM 及閾值開發之聚合式虛擬計量模型，使得能夠在工具 i上解析訊號 s並且可以根據方程 6 來判定。 (方程6)
在方程 6 中， 係針對訊號 s評估之工具 i之虛擬計量模型 (例如，藉由 HMM 及閾值解析，使得能夠在工具 i上解析該訊號)，並且 係使用 HMM 及/或來自工具 i之閾值 i解析時之似然訊號 s。該等虛擬計量模型中之每一者皆可以使用各種 AI/ML 工具 (諸如人工神經網路、支持向量機回歸、套索回歸及其他工具) 來實現。
機器學習。除了上述機器學習特徵之外，還可以使用一或多種人工智慧及機器學習操作來實現各作分析系統。術語「人工智慧」可以包括使一或多個計算裝置或計算系統 (即機器) 能夠模仿人類智慧之任何技術。人工智慧 (AI) 包括但不限於知識庫、機器學習、表示學習及深度學習。術語「機器學習」在此被定義為 AI 之子組，其使機器能夠藉由自原始資料中提取模式來獲取知識。機器學習技術包括但不限於邏輯回歸、支持向量機 (SVM)、決策樹、樸素貝葉斯分類器及人工神經網路。術語「表示學習」在此處被定義為機器學習之子組，其使機器能夠自原始資料中自動發現特徵檢測、預測或分類所需之表示。表示學習技術包括但不限於自動編碼器及嵌入。術語「深度學習」在此被定義為機器學習之子組，其使機器能夠使用處理層自動發現特徵檢測、預測、分類等所需之表示。深度學習技術包括但不限於人工神經網路或多層感知器 (MLP)。
機器學習模型包括監督、半監督及無監督學習模型。在監督學習模型中，模型學習在使用標記的資料集 (或資料集) 進行訓練期間將輸入 (亦稱為一或多個特征) 映射至輸出 (亦稱為目標) 之函數。在無監督學習模型中，演算法發現資料之間之模式。在半監督模型中，模型學習在使用標記的資料及未標記的資料二者進行訓練期間將輸入 (亦稱為一或多個特徵) 映射至輸出 (亦稱為目標) 之函數。
神經網路。人工神經網路 (ANN) 係包括複數個互連的神經元 (例如，亦稱為「節點」) 之計算系統。本揭露設想可以使用計算裝置 (例如，如本文所述之處理單元及記憶體) 來實現節點。節點可以佈置在複數個層中，諸如輸入層、輸出層以及任選地帶有不同激活函數之一或多個隱藏層。具有隱藏層之 ANN 可稱為深度神經網路或多層感知器 (MLP)。每個節點皆連接至 ANN 中之一或多個其他節點。例如，每一層由複數個節點構成，其中每個節點連接至前一層中之所有節點。給定層中之節點彼此不互連，即給定層中之節點彼此獨立地起作用。如本文所用，輸入層中之節點自 ANN 外部接收資料，隱藏層中之節點修改輸入與輸出層之間的資料，而輸出層中之節點提供結果。每個節點皆經組態為接收輸入，實現激活函數 (例如，二進制階躍函數、線性函數、S 形函數、雙曲正切 (tanh) 或整流線性單元 (ReLU))，並根據激活函數提供輸出。此外，每個節點皆與相應之權重相關聯。ANN 使用資料集進行訓練以最大化或最小化目標函數。在某些實現方式中，目標函數係成本函數，其係訓練期間 ANN 效能 (例如，誤差，諸如 L1 或 L2 損失) 之度量，並且訓練演算法微調節點權重及/或偏差以最小化成本函數。本揭露設想找到目標函數之最大值或最小值之任何演算法皆可用於訓練 ANN。ANN 之訓練演算法包括但不限於反向傳播。應當理解，ANN 僅作為實例性機器學習模型而提供。本揭露設想到機器學習模型可為任何監督學習模型、半監督學習模型或無監督學習模型。任選地，機器學習模型為深度學習模型。機器學習模型是在本領域中已知的並且因此本文中不再進一步詳細描述。
卷積神經網路 (CNN) 係已應用於例如影像分析應用程式之深度神經網路。與傳統之神經網路不同，CNN 中之每一層皆具有以三個維度 (寬度、高度及深度) 佈置之複數個節點。CNN 可以包括不同類型之層，例如卷積層、匯集層及全連接層 (本文亦稱為「密集」層)。卷積層包括濾波器組並進行大量計算。任選地在卷積層之間插入匯集層以降低計算能力及/或控製過度擬合 (例如，藉由下取樣)。全連接層包括神經元，其中每個神經元皆連接至前一層中之所有神經元。該等層以類似於傳統神經網路之方式堆疊。GCNN 係已經適用於處理諸如圖形等結構化資料集之 CNN。
其他監督學習模型。邏輯回歸 (LR) 分類器係使用邏輯函數來預測可用於分類之目標之概率的監督分類模型。LR 分類器使用資料集 (本文中亦稱為「資料集」) 進行訓練，以在訓練期間最大化或最小化目標函數，例如 LR 分類器效能之度量 (例如，誤差，諸如 L1 或 L2 損失)。本揭露設想到可以使用找到成本函數之最小值之任何演算法。LR 分類器係在本領域中已知的並且因此本文中不再進一步詳細描述。
樸素貝葉斯 (NB) 分類器係基於貝葉斯定理之監督分類模型，其假設特徵之間係獨立的 (即，類別中的一個特徵之存在與任何其他特徵之存在無關)。藉由計算給定標籤之每個特徵之條件概率分佈並應用貝葉斯定理計算給定觀察之標籤之條件概率分佈，用資料集訓練 NB 分類器。NB 分類器係在本領域中已知的並且因此本文中不再進一步詳細描述。
k-NN 分類器係基於相似性度量 (例如，距離函數) 對新資料點進行分類之無監督分類模型。k-NN 分類器使用資料集 (本文亦稱為「資料集」) 進行訓練，以在訓練期間最大化或最小化 k-NN 分類器效能之度量。本揭露設想到找到最大值或最小值之任何演算法。k-NN 分類器係在本領域中已知的並且因此本文中不再進一步詳細描述。
實驗結果及實例
進行了一項研究來評估實例性方法。在一項實驗中，該方法被證明能夠對以 1Hz 取樣率收集之 60 天資料 (超過 600GB 資料) 進行評估及校正。可以每小時約 1 個資料當量日之速率評估資料集。將過程控制方法應用於資料之 30 天的子部分。
60 天資料集係根據實例性分割誤差校正進行評估，且觀察到有 197 次偏移 (穩態問題中有182 次)。該資料集包括感測器與配方類型之 927 種不同組合，涵蓋氣體流量、壓力、角度及溫度之不同測量形式。沒有對該資料集之參數或方法進行手動調整。
進行第二次分析，該第二次分析運行電漿增強化學氣相沉積 (PECVD) 資料集。該資料集包括來自 4 個配方之 116,000 個晶圓，針對每個晶圓具有以 10hz 之頻率記錄之 12 個感測器。觀察到分析之壓縮率平均為 5 比 1。使用帶有 i7-6700 @2.60GHz 4 核處理器之電腦進行分析，並且在 5 小時內完成分析。
論述
利用資料驅動之過程控制及決策框架之能力正在迅速成為半導體製作成功之關鍵。與此同時，近年來，隨著製作設備感測器之進步，取樣率急劇增加，其導致能夠以比以前更高之保真度捕獲訊號中之暫態效應。已知，資料驅動之過程控制及決策方法依賴於自原始資料訊號中提取有用信息之過程。為此，當前之手稿提出了一種新穎方法，用於以特徵集之形式自資料中提取信息，該特徵集忠實可靠地描繪了訊號之暫態部分及靜止部分。所提出之解決方案係一種受動力學啟發之自動化方法，該方法旨在將訊號分割為穩態分量及暫態分量，然後再將每個分割段匯總為相關簽名組。穩態分割段藉由統計組進行匯總，且每個暫態皆被簡化為與底層系統動力學相關之參數組，諸如穩定時間、上升時間、過衝等。藉由在若干現代 300mm 工廠之各種工具中執行之蝕刻及沉積過程中應用腔室匹配、產品缺陷級別預測及產品品質特性預測來評估所得受動力學啟發之功能集之有影響力的新穎信息內容。
半導體製作涉及在工件上依序執行之大量複雜的過程，以形成對電子裝置之功能至關重要之組件。藉由半導體技術之快速進步推動了該等裝置之品質及功能之發展，要求及生產之組件尺寸越來越小。半導體技術之此種進步得益於對基礎製作過程之極其嚴格之控制及一致之執行。隨著半導體部件之尺寸及容差變得非常小，可靠且有利可圖地製作它們之能力成為越來越大之挑戰。此就要求製作設備必須在近乎完美之條件下運行，必須及時辨識及定位行為變化，必須在產品品質變化產生時捕捉它們，並且必須實現先進之過程控制。因此，辨識及處理由於資料之規模及數目以及處理高維資料之需要而無法藉由簡單人工干預觀察到之現象已成為該行業之迫切需求。
當然，該行業採用之製作及計量設備技術亦有所發展。雖然設備長期以來一直配備有大量感測器 1，但該等感測器傳統上以相對較低之取樣率 (1 Hz 或更低) 收集資料。近年來，隨著對資料驅動之決策及控制需求之認識，該等取樣率有所上升，現在通常位於 3 Hz-10 Hz [1][2] 之間。該等密集取樣之訊號能夠以更高之保真度捕獲短暫之效應，如圖 1 所示。
同時，無需專業知識或對基礎過程之深入物理理解即可促進過程控制及決策制定之資料驅動方法亦已成為許多工作之重點 [3]。該等方法本質上係建立在自所收集之資料中獲得之信息內容之上。[15] 中強調了特徵提取及分析之重要性。然而，自原始資料中提取有用信息之過程並沒有以同樣之速度進行。[16] 中論述了製作環境資料挖掘之一些重要態樣。然而，此處提到之時間序列分析方法主要用於與感測器本身相關之預測目的，但不一定包含建模過程效能所需之信息。另一方面，[16] 中論述之分類方法在該工作中得到了利用。在 [17] 中，Cheng 等人論述了大資料分析在生產環境中發揮之越來越重要之作用。本手稿中介紹之工作有助於品質改進、缺陷分析及故障診斷領域。
事實上，在半導體製作領域，自原始資料中提取信息簽名之過程與所採用之過程幾乎相同，但取樣率要低得多。該等傳統方法側重於訊號之統計特性，諸如平均值、標準偏差、峰至峰值，及有時甚至是更高階之統計，諸如偏度、峰度及熵。在實踐中，統計係針對整個訊號或針對藉由用戶定義之視窗所指定之訊號部分判定，此通常需要專業知識或對歷史資料進行大量手動調查。不可避免地，該等特徵僅限於訊號之穩態部分，且無法訪問密集取樣訊號中之新信息內容，其中暫態現像比在較低取樣率下觀察到的現象更忠實地描繪。因此，研究表明，即使自資料中提取之傳統信息，其利用率亦非常有限，僅有 2%-5% [4]。此導致資料利用率低下，大量原始資料在被丟棄之前暫時儲存在資料湖或類似環境中，以便為更新之資料釋放儲存資源。讓我們注意到，當涉及密集取樣訊號時，經常使用之頻率 [5][6] 及基於時頻分析之方法 [7] 在處理來自旋轉機械之資料時提供了巨大的價值，其中存在一些潛在的諧波現象。然而，它們不足以分析半導體製作應用中之許多訊號，該等訊號通常由本質上非諧波及非循環之現象驅動。很明顯，需要一種自動化及可重複之方法來自半導體製作過程期間所收集之原始資料中提取信息，並且該方法必須能夠捕獲訊號之穩態部分之特徵，而且亦能夠捕獲暫態現象之特征。
目前之手稿提出了此種方法，利用一種方法將訊號自動分割成穩態部分及暫態部分，然後再將該等分割段中之每一者匯總成信息特徵組。穩態分割段由傳統之受統計啟發之特徵 (諸如均值、標準偏差、峰至峰值以及最大值或最小值) 表示。
另一方面，根據 IEEE 標準 [8] 之規定，暫態現象使用描述底層系統動力學之特徵組進行匯總。該等特性包括，例如，穩定時間、上升時間及過衝。然後，該簽名組表示所謂之「受動力學啟發」之特徵集 2，因為它結合了系統及過程之基礎動力學之表現形式。該解決方案克服了與當前可用技術相關聯之主要限制中之一些，能夠訪問有關底層系統動態特性之信息，無需手動指定訊號部分進行分析，並能夠檢測及監測前所未有之現象。
自然地，此種貢獻之重要性必須藉由它為半導體製作工廠之關鍵決策提供信息之能力來強調。我們將藉由應用程式測定此信息提取工具之有用性，以便為現代半導體製造設施面臨之各種重要決策制定任務提供信息。用於該等測試之資料係在多個領先之 300 mm 工廠之運營中獲取。
本文之其餘部分安排如下。第 2 節介紹了用於訊號解析及構建訊號特徵之方法，而第 3 節介紹了利用新的可用感官簽名進行腔室匹配、產品缺陷級別預測及用於特徵品質預測之虛擬計量之結果。最後，第 4 節論述了該項工作之意義，並提到了未來工作之潛在途徑。
蝕刻背景 ( 來自先前技術手稿 ) 。由於當今技術之快速發展，電子裝置在日常生活及工業製作中扮演越來越重要之角色。無論是消費電子產品諸如個人電腦及智慧手機，還是工業用電子裝置諸如積體電路及醫療設備，現代電子裝置皆含有半導體。20 世紀中葉，引入了半導體裝置製造，且因此大規模製作了積體電路。半導體之製作過程非常複雜，在晶圓製程中涉及 250~500 個步驟。半導體裝置製造中一個非常重要之步驟為蝕刻過程，在此期間，晶圓表面之層被化學去除，然後晶圓將準備好經修改及進一步處理以定義電路元件。
蝕刻過程之兩種基本類型分為液相 (「濕法」) 及電漿相 (「乾法」)，每種類型皆具有不同之變化。在該兩種蝕刻類型中，電漿蝕刻由於其在工業中之廣泛應用而成為本論文之主要關注點。
乾法刻蝕過程係其中電漿在真空腔室中去除半導體晶圓表面上之掩蔽圖案之過程。乾法刻蝕最常用於濕法刻蝕困難之半導體，且具有化學材料消耗低且刻蝕速度快的優點。通常，乾法刻蝕硬體除了主腔室外，還包括氣體遞送系統、波形產生器及排氣系統。在乾法蝕刻期間，總是會在腔室之零件或側壁上積聚副產物。由於副產物在蝕刻過程期間積聚，它們可能會掉落在晶圓上並導致晶圓損壞。該情況係資料變化之原因之一。其他情況，諸如上游過程之變化及資料漂移，亦可能導致資料發生變化 [1]。該過程之退化係不可觀察的並且極難監測。
隨後在 20 世紀 90 年代開發了高級過程控制 (APC)，且它是改進半導體製造維護之關鍵組成部分 [2]。APC 包含兩部分：運行間控制 (R2R) 及故障檢測與分類 (FDC)。雖然本揭露論述了來自 FDC 實現方式之實例性異常檢測 (以檢測故障資料並在晶圓處理期間自健康資料中分類故障資料)，但亦可以使用 R2R 實現方式。
近年來，人們越來越關注開發及改進技術以檢測故障產品、評估機械退化及預測機器未來之故障。隨著現代製作業之發展及信息系統之引入，製作業之自動化程度越來越高。期望藉由在製程中添加感測器及信息系統來自動進行機器退化及未來故障預測，以監測機器之健康狀況並相應地做出決策。為此，故障檢測係機器健康評估之關鍵。因此，提出了「工業 4.0」，其中引入了預測及健康管理 (PHM) 技術。PHM 旨在引入先進之健康監測模型來評估及管理機器資產之健康狀況，並為現代製作業提供最先進之預測及預防型維護，而非傳統之故障修復型維護。為確保產品品質，傳統之信息系統藉由讀取附加感測器之值並基於專業知識及經驗設置閾值來監測機器之效能。之後，可以基於上述參考文獻推斷機器健康狀況；然而，由於不同之經驗、有偏見之推論及多個參數，該信息系統及相關決策可能無法指出機器缺陷或預測機器故障。另一方面，PHM 能夠檢測突發故障及隱藏之退化。然後智慧模型可以進行資產健康評估及管理並預測剩餘使用壽命 (RUL)，從而做出維護決策並優化備件庫存。
在 PHM 技術中，故障檢測係故障診斷及 RUL 預測之前提。故障檢測主要係檢查機器之健康狀況及檢測製作過程或產品之故障情況。故障檢測中有兩種基本的建模類型：基於物理之模型及資料驅動之模型。然而，前一種模型需要復雜的數學模型，耗時長，且成本高於後一種模型。此導致了在故障檢測方法之開發中採用資料驅動之模型或組合模型之趨勢。因此，本文側重於純資料驅動之模型及每個模型中使用之不同類型之特徵，以檢測半導體蝕刻過程期間之故障狀況。
儘管預測及健康管理 (PHM) 提供了不同之方法來藉由構建將有助於節省維護成本之純資料驅動之模型來進行故障檢測，但仍存在三個主要問題。一個問題係資料品質。品質係資料之一種特性，且它亦指示資料需要滿足某些要求。使用若干指標來評估資料品質，包括完整性、符合性、一致性、準確性及唯一性。在資料驅動之方法中，資料係整個方法之核心。為了自正常行為中識別錯誤行為，通常基於資料本身做出決策。由「異常」資料表示之向量或資料集可能被視為錯誤或異常，且因此應加以區分。但是，若資料品質不好 (諸如錯標記之資料或缺失值)，則可能存在無法識別機器之錯誤行為的問題。因此，需要遵循某些資料預處理步驟以提高資料品質。若缺失值或帶有不同時間戳之資料，則要採取之第一步係資料同步。其次，狀態分離係將資料分成不同工作狀態之重要方法，此使得下一步之特徵提取更容易。可以藉由將資料分類為不同工作參數之不同組來分離工作狀態。例如，對於自旋轉機械元件中提取之資料，資料可以按轉速分離。第三步係資料清理，以刪除異常值並去除不正確之測量值，此需要專業知識及已知之資料樣本分佈。最後一步係資料劃分，將資料劃分為訓練資料集、驗證資料集及測試資料集。
經過上述資料預處理步驟後，可以提高資料品質。然而，由於資料獲取系統，仍然存在挑戰，諸如訓練資料不足及大背景雜訊。因此，為了進一步提高資料品質，特徵提取係開始構建模型之前要採取之另一重要步驟。特徵係自原始資料中提取之緊湊信息，且它們可為上下文或數字。它們通常具有與問題相關且彼此不相關之兩個特徵。因此，特徵提取減少了資料維度及資料量。提取特徵之目的係在建模中使用特徵比原始資料更有效。此外，存在三種基本類型之特徵：時域特徵、頻域特徵及時頻域特徵。在所有該三種類型之特徵中，時域特徵係最常用的，因為它們可以表示原始資料之分佈，且因此對於構建模型極其有用。在半導體蝕刻過程之故障檢測之情況下，時域特徵亦為較佳的，因為它們易於提取。
另一問題係模型之穩健性。模型係影響整體故障檢測有效性之關鍵因素，且適合之模型對問題亦必不可少。由於半導體刻蝕過程係不可觀察之過程，因此故障檢測極難進行，因為不存在「故障」狀態之明確定義，並且存在大量異常資料點。此外，不合適模型之效能可能會不一致或不穩定，從而遇到該不可觀察之過程。要選擇有效的模型，不僅需要基礎知識，且亦需要對模型之特性有深刻之理解。
總之，關於資料品質、特徵品質及模型穩健性之該三個問題係每個系統設計中始終面臨之挑戰。其他問題諸如資料量不足及晶圓處理程序複雜亦不容忽視。
實例性計算系統
應當理解，上述邏輯運算可以被實現為 (1) 在計算系統上運行之一系列電腦實現之動作或程式模組及/或 (2) 計算系統內互連之機器邏輯電路或電路模組。該實現方式係取決於計算系統之效能及其他要求之選擇問題。因此，本文描述之邏輯運算被不同地稱為狀態操作、動作或模組。該等操作、動作及/或模組可以以軟體、韌體、專用數位邏輯、硬體及其任何組合來實現。還應當理解的是，可以進行比圖中所示及本文所述更多或更少之操作。該等操作亦可以以與本文描述之順序不同之順序進行。
電腦系統能夠執行本文針對實例性方法或系統描述之軟體部件。在一個實施例中，計算裝置可以包含兩個或更多個相互通訊之電腦，該等電腦協作執行任務。例如但不限於，應用程式可以以允許應用程式指令之並發及/或併行處理之方式來劃分。替代地，藉由應用程式處理之資料可以以允許兩個或更多個電腦並發及/或並行處理資料集之不同部分之方式進行劃分。在一個實施例中，計算裝置可以採用虛擬化軟體來提供不直接綁定至計算裝置中之電腦數目之多個伺服器之功能。例如，虛擬化軟體可以在四個物理電腦上提供二十個虛擬伺服器。在一個實施例中，上面揭露之功能可以藉由在雲計算環境中執行一個及/或多個應用程式來提供。雲計算可以包含使用可動態縮放之計算資源經由網路連接提供計算服務。雲計算可以至少部分地由虛擬化軟體支援。雲計算環境可以由企業建立及/或可以根據需要自第三方供應商處租用。一些雲計算環境可包含企業所擁有及所運營之雲計算資源以及自第三方供應商租用及/或租賃之雲計算資源。
在其最基本之配置中，計算裝置包括至少一個處理單元及系統記憶體。取決於計算裝置之確切配置及類型，系統記憶體可為揮發性記憶體 (諸如隨機存取記憶體 (RAM))、非揮發性記憶體 (諸如唯讀記憶體 (ROM)、快閃記憶體等)、或者兩者之某種結合。
處理單元可為標準可程式化處理器，其執行計算裝置之操作所需之算術及邏輯運算。雖然只顯示了一個處理單元，但可以存在多個處理器。如本文所用，處理單元及處理器係指執行編碼的指令以對輸入執行功能及創建輸出之物理硬體裝置，包括例如但不限於微處理器 (MCU)、微控制器、圖形處理單元 (GPU) 及特定應用電路 (ASIC)。因此，雖然指令可被論述為由處理器執行，但指令可同時、串列或以其他方式由一或多個處理器執行。計算裝置還可包括匯流排或用於在計算裝置之各個部件之間傳遞信息之其他通訊機構。
計算裝置可以具有附加之特徵/功能。例如，計算裝置可以包括附加儲存器，諸如可卸除儲存器及非卸除式儲存器，其包括但不限於磁碟或光碟或者磁帶。計算裝置還可以包含允許該裝置與其他裝置通訊之網路連接，例如藉由本文描述之通訊路徑。網路連接可以採用數據機、數據機組、以太網卡、通用串列匯流排 (USB) 介面卡、串列介面、令牌環卡、光纖分佈式資料介面 (FDDI) 卡、無線局域網 (WLAN) 卡、無線電收發器卡，諸如碼分多址存取 (CDMA)、全球移動通訊系統 (GSM)、長期演進 (LTE)、全球微波接入互操作性 (WiMAX) 及/或其他空中介面協定無線電收發器卡及其他眾所習知的網路裝置。計算裝置亦可以具有輸入裝置，諸如鍵盤、小鍵盤、開關、撥號盤、滑鼠、軌跡球、觸控螢幕、語音辨識器、讀卡機、紙帶閱讀機或其他眾所習知之輸入裝置。還可以包括輸出裝置，諸如打印機、視訊監視器、液晶顯示器 (LCD)、觸控螢幕顯示器、顯示器、揚聲器等。附加裝置可以連接至匯流排，以便於在計算裝置之部件之間進行資料通訊。所有該等裝置在本領域中係眾所習知的，在此無需詳細論述。
處理單元可以經組態為執行在有形之電腦可讀取媒體中編碼之程式碼。有形之電腦可讀取媒體係指能夠提供使計算裝置 (即，機器) 以特定方式運行之資料之任何媒體。可以利用各種電腦可讀取媒體來將指令提供給處理單元以供執行。示例性有形之電腦可讀取媒體可包括但不限於以用於儲存諸如電腦可讀取指令、資料結構、程式模組或其他資料之信息之任何方法或技術實現之揮發性媒體、非揮發性媒體、可移除式媒體以及非可移除式媒體。系統記憶體 230、可移除式儲存器及非可移除式儲存器皆為有形之電腦儲存媒體之實例。有形之電腦可讀取記錄媒體之實例包括但不限於積體電路 (例如，現場可程式邏輯閘陣列或特定應用 IC)、硬碟、光碟、磁光碟、軟磁碟、磁帶、全像儲存媒體、固態裝置、RAM、ROM、電子可抹除可程式化唯讀記憶體 (EEPROM)、快閃記憶體或其他記憶體技術、CD-ROM、數位通用磁碟 (DVD) 或其他光學儲存器、磁卡、磁帶、磁碟儲存器或其他磁儲存裝置。
鑑於上文，應當理解，許多類型之物理轉換發生在電腦架構中以便儲存及執行本文呈現之軟體部件。還應當理解，電腦架構可以包括其他類型之計算裝置，包括手持式電腦、嵌入式電腦系統、個人數位助理及本領域技術人員已知之其他類型之計算裝置。
在實例性實現方式中，處理單元可以執行儲存在系統記憶體中之程式碼。例如，匯流排可以將資料傳輸至系統記憶體 230，處理單元自該系統記憶體接收並執行指令。由系統記憶體接收之資料可以任選地在處理單元執行之前或之後儲存在可移除式儲存器或非可移除式儲存器上。
應當理解的是，本文描述之各種技術可以結合硬體或軟體或者在適當時結合其組合來實現。因此，當前揭露之主題之方法及設備或其某些方面或部分可以採取在有形媒體 (諸如軟磁碟、CD-ROM、硬碟或任何其他機器可讀取儲存媒體) 中形成之程式碼 (即，指令) 之形式，其中，當程式碼被加載至諸如計算裝置之機器中並由其執行時，該機器成為用於實踐當前揭露之主題之設備。在可程式電腦上執行程式碼之情況下，計算裝置一般而言包括處理器、可由處理器讀取之儲存媒體 (包括揮發性及非揮發性記憶體及/或儲存元件)、至少一個輸入裝置以及至少一個輸入裝置。一個或複數個程式可以例如透過使用應用程式介面 (API)、可重用控件等來實現或利用結合當前揭露之主題描述之製程。可以高階程序或物件導向程式設計語言來實現此類程式，與電腦系統通訊。然而，若需要，則可以用組合語言或機器語言來實現程式。在任何情況下，該語言皆可為編譯語言或解釋語言，並且可以與硬體實現組合。
儘管本文在一些情況下詳細解釋了本揭露之實例性實施例，但是應當理解，可以設想到其他實施例。因此，不意圖將本揭露在其範疇內限制於在以下說明中闡述或在附圖中示出之部件之構造及佈置之細節。本揭露能夠具有其他實施例並且能夠以各種方式實踐或執行。
必須指出的是，如本說明書及隨附申請專利範圍中所使用的，除非上下文另外明確指示，否則單數形式「一 (a、an)」及「該 (the)」包括複數個指稱物。在本文，範圍可以表達為自「約」或「5大約」一個特定值及/或至「約」或「大約」另一特定值。當表達此範圍時，其他實例性實施方式包括一個特定值及/或另一特定值。
「包含」或「含有」或「包括」是指至少名稱化合物、元素、顆粒或方法步驟存在於組成物或物品或方法中，但不排除其他化合物、材料、顆粒、方法步驟之存在，即使其他此種化合物、材料、顆粒、方法步驟具有與所命名之相同之功能。
在描述實例性實施例時，為了清楚起見將採用術語。意圖是每個術語設想到其如本領域技術人員所理解之最廣泛之含義並且包括以類似方式操作以實現類似目的之所有技術等同物。還應理解，提及方法之一或多個步驟並不排除在明確識別之彼等步驟之間存在額外之方法步驟或中間方法步驟。在不脫離本揭露之範圍之情況下，方法之步驟可以以與本文描述之彼等順序不同之順序執行。類似地，還應理解，在裝置或系統中提及一或多個部件並不排除在明確識別之彼等部件之間存在額外之部件或中間部件。
如本文所用，術語「約」意指大約、在範圍內、粗略地或周圍。當術語「約」與數值範圍結合使用時，它藉由將邊界延伸高於及低於所列數值來修飾該範圍。通常，術語「約」在本文中用於以 10% 之變化來修改高於及低於規定值之數值。在一個態樣中，術語「約」意指與其一起使用之數字之數值之正或負 10%。因此，約 50% 意指在 45%-55% 之範圍內。本文中由端點列舉之數值範圍包括歸入該範圍內之所有數字及分數 (例如，1 至 5 包括 1、1.5、2、2.75、3、3.90、4、4.24 及 5)。
類似地，本文中由端點列舉之數值範圍包括歸入該範圍內之子範圍 (例如，1 至 5 包括 1-1.5、1.5-2、2-2.75、2.75-3、3-3.90、3.90-4 、4-4.24、4.24-5、2-5、3-5、1-4 及 2-4)。還應理解，所有數字及其分數均假定由術語「約」修飾。
如下所列及貫穿本文件之以下專利、申請案及出版物藉由引用方式全文併入本文中。 [1'] Haq, Asad Arsalan Ul 及 Dragan Djurdjanovic.「Dynamics-inspired feature extraction in semiconductor manufacturing processes.」Journal of Industrial Information Integration 13 (2019): 22-31。 [2'] R. Dailey 及 D. Djurdjanovic，「Software for signal segmentation and extraction of informative time-domain features」，software disclosure at The University of Texas at Austin, disclosure identification number 7751 DJU, 2021。 [3'] P. Kosir, R. DeWall, R. Mitchell，Feature alignment for pattern recognition, Proc. of the IEEE 1994 National Aerospace and Electronics Conference, 1994, pp. 128–132。 [4/] Tian, Runfeng.「An Enhanced Approach using Time Series Segmentation for Fault Detection of Semiconductor Manufacturing Process.」博士論文，辛辛那提大學，2019 年。 第二組參考資料[1] J. Dietz 及 F. Ducrot，「New Vita controller demonstrates performance on 1 million wafers」，2014 年，[在線]。可用：http://www.appliedmaterials.com/nanochip/nanochip-fab-solutions/December-2014/new-vita-controller-demonstrates-performance-on-1-million-wafers [2] Lam Research Corporation，「enabling Chipmakers to Create the Future」，[在線]。可用：http://www.lamresearch.com/products/products-overview [3] J. Moyne 及 J. Iskander，「Big data analytics for smart manufacturing: case studies in semiconductor manufacturing」，Processes, vol. 5, no. 39, 2017. doi:10.3390/pr5030039。 [4] Tom DiChristopher，「Oil firms are swimming in data they don’t use」，2015 年，[在線]。可用：http:// www.cnbc.com/2015/03/05/us-energy-industry-collects-a-lot-of-operational-data-but-doesntuse-it.html [5] P. Arun、S.A. Lincon 及 N. Prabhakaran，「Detection and Characterization of Bearing Faults from the Frequency Domain Features of Vibration」，IETE Journal of Research, 2017。DOI: 10.1080/03772063.2017.1369369。 [6] I. Romero 及 L. Serrano，「ECG frequency domain features extraction: a new characteristic for arrhythmias classification」，in Proc. of the 23rd Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society, vol.2 2001, pp. 2006-2008. doi: 10.1109/IEMBS.2001.1020624。 [7] L. Cohen, Time-frequency Analysis.Upper Saddle River, NJ: Prentice Hall, 1994. [8] IEEE Std 181TM - 2011，「IEEE Standard for Transitions, Pulses, and Related Waveforms IEEE Instrumentation and Measurement Society」，New York, 2011。 [9] R. Rakotomalala 及 F. Mhamdi，「Using the text categorization framework for protein classification」，in Handbook of Research of Text and Web Mining Technologies, 2009, ch. 8, pp. 128-141。 [10] P. Kosir、R. DeWall 及 R. Mitchell，「Feature alignment for pattern recognition」，in Proc. of the IEEE 1994 National Aerospace and Electronics Conference, 1994, pp. 128-132。 [11] J. Yang 及 V. Honavar，「Feature subset selection using a genetic algorithm」，IEEE Intelligent Systems, vol. 13, no. 2, 1998, pp. 44-49。 [12] N. Cristianini 及 J. Shawe-Taylor，An Introduction to Support Vector Machines and other Kernelbased Learning Methods.Cambridge, UK: Cambridge University Press, 2000。 [13] A. Bleakie 及 D. Djurdjanovic，「Growing Structure Multiple Model System for quality estimation in manufacturing processes」，IEEE Transactions on Semiconductor Manufacturing, vol. 29, no. 2, 2016, pp. 79-97。 [14] B. Lu、J. Stuber 及 T. F. Edgar，「Data-driven adaptive multiple model system utilizing growing self-organizing maps」，Journal of Process Control, 2017.[在線]可用： http://dx.doi.org/10.1016/j.jprocont.2017.06.006 [15] H. X. Li 及 L. D. Xu, 「Feature Space Theory-A Mathematical Foundation for Data Mining」， Knowledge-Based Systems, 14, 253-257, 2001. http://doi.org/10.1016/S0950-7051(01)00103-4。 [16] M. S. Packianather、A. Davies、S. Harraden、S. Soman 及 J. White，「Data mining techniques applied to a manufacturing SME」，in 10th CIRP Conference on Intelligent Computation in Manufacturing Engineering, 2016。 [17] Y. Chen、K. Chen、H. Sun、Y. Zhang 及 F. Tao，「Data and knowledge mining with big data towards smart production」，Journal of Industrial Informatics, no. 9, 2018, pp. 1-13. doi: https://doi.org/10.1016/j.jii.2017.08.001. [18] Chen, Yukun、Jianbo Ye 及 Jia Li．「Aggregated Wasserstein Metric and State Registration for Hidden Markov Models」 arXiv preprint arXiv:1711.05792 (2017)。
100a:實例性設備分析系統 100b:半導體製造設備 102:分析系統 102a:分析系統 (中央) 102b:分析裝置 102c:分析模組 102d:分析系統 102e:分析系統 104:時間序列資料 104a:時間序列資料流 104b:分批資料 106a:半導體製造設備 106b:設備 107:控制器 108:檢測設備 109:工廠控件 110:指令設備 112:資料儲存器 116:分割模組 117:分割的資料 118:分割誤差校正 119:校正的分割資料 120:特徵評估模組 122:異常檢測器 124:隱藏式馬可夫模型 125:給定工件 126a:工件批次 1 126b:工件批次 2 126c:工件批次 n 128a:處理批次 1 128b:處理批次 2 128c:處理批次 n 130:模板 HMM 132:隱藏式馬可夫過程 134:發射分佈 134b:發射參數 136:狀態轉移矩陣 138:模板狀態 140:先前特徵 142:特徵評估模組 200:方法 202:接收時間序列資料 204:時間序列分割 206:分割誤差校正 208:使用校正的分割段提取或計算分析特徵 210:檢測異常 300:方法 302:接收一批時間序列資料 304:初始分割 306:叢集化分割段 308:叢集化構建 400:實例 402:訊號之暫態部分 404:訊號之穩態部分 406:資料儲存器 408:HMM+ 維特比演算法 410:最可能的路徑 412:路徑似然度 416:穩態級別 418:穩態持續時間 420:轉移振幅 422:穩定時間 424:上升時間 426:轉移前過衝 428:轉移後過衝 430:級別 432:範圍 434:差異 436:開始 438:結束 440:分割段 442:感測器讀數 444:分割段 446:短穩態 448:分割段500 實例 600:蝕刻系統/站 602a:光阻劑處理 602b:光微影 602c:蝕刻浴 602d:晶圓處理 604:控制器 606a:感測器 1 606b:感測器 2 606c:感測器 n 608:資料獲取系統 702:網路
本領域之技術人員將理解以下描述之附圖僅用於說明目的。 圖1A、圖 1B 及圖 1C 分別示出了根據說明性實施例之用於製作過程中之缺陷或誤差或工具匹配或虛擬計量之異常檢測之實例性分析系統 (例如，異常檢測系統)。 圖 2 示出了根據說明性實施例之用以判定或檢測異常 (例如，製造的工件或製程中之缺陷或誤差之存在) 之實例性操作方法。 圖 3 示出了根據說明性實施例之用以產生用於圖 2 之操作以判定異常之 HMM 模板之實例性操作方法。 圖 4A 示出了根據說明性實施例之圖 2 之實例性方法。 圖 4B 係示出根據說明性實施例之圖 2 之基於動態之分析及/或基於靜態之分析之分析特徵之圖。 圖 4C 係示出根據說明性實施例之用於判定圖 2 之 HMM 模板之發射參數之校準特徵向量之圖。 圖 4D 示出了根據說明性實施例之由圖 1A 之分割誤差校正模組所校正之第一誤差類型之實例。 圖 4E 示出了根據說明性實施例之由圖 1A 之分割誤差校正模組所校正之第二誤差類型之實例。 圖4F 及圖 4G 分別示出了根據說明性實施例之由圖 1A 之分割誤差校正模組所校正之第三誤差類型之實例。 圖 4H 示出了根據說明性實施例之由圖 1A 之分割誤差校正模組所校正之第四誤差類型之實例。 圖 5A 示出了根據說明性實施例之用以產生圖 3 之 HMM 模板之實例性方法。 圖 5B 示出了根據說明性實施例之圖 3 之 HMM 模板之實例性發射參數。 圖 5C 示出了根據說明性實施例之圖 3 之 HMM 模板之實例性轉移矩陣。 圖 5D 示出了根據說明性實施例之用以產生圖 3 之 HMM 模板之叢集化方法。 圖 5E 示出了根據說明性實施例之用以判定圖 3 之狀態統計之方法。 圖 6 示出了根據說明性實施例之實例性半導體製造系統，可以使用該操作方法自該系統評估時間序列資料以判定或檢測異常。 圖 7 示出了根據說明性實施例之隱藏式馬可夫模型匹配或比較之實例性操作。
100a:實例性設備分析系統
102:分析系統
102a:分析系統(中央)
104:時間序列資料
104a:時間序列資料流
104b:分批資料
106a:半導體製造設備
108:檢測設備
110:指令設備
112:資料儲存器
116:分割模組
117:分割的資料
118:分割誤差校正
119:校正的分割資料
120:特徵評估模組
122:異常檢測器
124:隱藏式馬可夫模型
125:給定工件
126a:工件批次1
126b:工件批次2
126c:工件批次n
128a:處理批次1
128b:處理批次2
128c:處理批次n
130:模板HMM
132:隱藏式馬可夫過程
134:發射分佈
136:狀態轉移矩陣
138:模板狀態
140:先前特徵
142:特徵評估模組

Claims (42)

  1. 一種檢測在針對半導體裝置之製程中的異常或其他分析之方法，該方法包含： (a) 藉由以下來產生模板隱藏式馬可夫模型以校準自感測器所收集且與製造的半導體裝置之製程相關聯的第一時間序列資料： (i) 藉由處理器，檢索與複數個製造的半導體裝置或關聯過程相關聯的複數個訓練感測器資料集，其中該複數個訓練感測器資料集中之每一者包含與該複數個製造的半導體裝置中之製造的半導體裝置相關聯的訓練時間序列資料； (ii) 藉由該處理器，分割該訓練時間序列資料中之每一者以產生針對複數個感測器資料的複數個分割資料； (iii) 藉由該處理器，進行該複數個分割資料之隱藏式馬可夫模型分析以產生描述該複數個製造的半導體裝置之隱藏狀態的模板隱藏式馬可夫模型；以及 (iv) 藉由該處理器，使用該模板隱藏式馬可夫模型之參數來產生該複數個分割資料之有序狀態序列； (b) 藉由該處理器，檢索與該製造的半導體裝置之該製程相關聯的該第一時間序列資料；以及 (c) 藉由該處理器，使用產生的有序狀態序列來將該第一時間序列資料和與同一製程相關聯的第二時間序列資料校準， 其中該第一時間序列資料係與該第二時間序列資料比較以判定在針對該製造的半導體裝置的該製程中之分析輸出。
  2. 如請求項 1 之方法，其進一步包含： 藉由該處理器，將該第一時間序列資料與該第二時間序列資料進行比較以判定在針對該製造的半導體裝置的該製程中之該異常。
  3. 如請求項 1之方法，其中該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之同一製造批次中，其中批次係經歷針對晶圓上的給定裝置圖案之相同或相似的製造過程。
  4. 如請求項 1之方法，其中該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之不同製造批次中，其中批次係經歷針對晶圓上的給定裝置圖案之相同或相似的製造過程。
  5. 如請求項 1之方法，其中使用維特比演算法或最大和演算法進行校準之步驟。
  6. 如請求項 1之方法，其中分割該第一時間序列資料以產生複數個分割資料之步驟包含： 藉由使用預定尺寸之移動視窗連同該第一時間序列資料來判定具有在預定義閾值設定檔 (pre-defined threshold profile) 內之值的該第一時間序列資料之一組區域，而將該第一時間序列資料分割成複數個穩態分割段 (steady-state segment)；以及 藉由將在該複數個穩態分割段之外的區域標記為複數個暫態分割段 (transient state segment) 來將該第一時間序列資料分割成複數個暫態分割段。
  7. 如請求項 1之方法，其中收集該第一時間序列資料的該感測器為該製造的半導體裝置之製作設備 (manufacturing equipment) 的一部分，其中該製作設備係選自由以下所組成之群組：電漿蝕刻系統、液體溶液蝕刻系統、電漿增強化學氣相沉積系統、薄膜沉積系統、分子束磊晶 (MBE) 系統、電子束熔化 (EBM) 系統、化學氣相沉積 (CVD) 系統及卷對卷網模塗佈 (roll-to-roll web coating) 系統。
  8. 如請求項 1之方法，其中收集該第一時間序列資料的該感測器為選自由以下所組成之群組的計量 (metrology) 或檢測 (inspection) 設備：晶圓探測器、成像站、橢圓偏光計、CD-SEM、離子研磨機、C-V 系統、干涉計、電源測量單元 (source measure unit, SME) 磁力計、光學及成像系統、輪廓儀、反射計、電阻探針、電阻高能電子繞射 (RHEED) 系統及 X 射線繞射儀。
  9. 如請求項 1之方法，其中該第一時間序列資料係檢索自該製造的半導體裝置之製作設備之控制器，其中該製作設備之該控制器操作地連接至該感測器。
  10. 如請求項 1之方法，其中該第一時間序列資料包含與晶圓上的裝置圖案相關聯的計量訊號之觀察測量值 (observed measurement)。
  11. 如請求項 1之方法，其中該第一時間序列資料包含其中之任一者係與製程相關聯的功率訊號、壓力訊號、溫度訊號、體積訊號、流速訊號、電壓訊號、光學訊號之觀察測量值。
  12. 如請求項 1 至 11中任一項之方法，其中該第一時間序列資料係與該第二時間序列資料比較以判定在同一製程中所使用的第一製造設備與第二製造設備之間的準確工具匹配。
  13. 如請求項 1 至 11中任一項之方法，其中該第一時間序列資料係與該第二時間序列資料比較以產生製程或關聯製造設備之品質的指示。
  14. 如請求項 1 至 11 中任一項之方法，其中針對給定晶圓 𝑘，每個感測器 𝑖 收集長度 之訊號 。
  15. 如請求項 1 至 11中任一項之方法，其進一步包含： 藉由該處理器，檢索與該製造的半導體裝置之該製程相關聯的一組第二時間序列資料；以及 藉由該處理器，基於該隱藏式馬可夫模型分析，將該組第二時間序列資料和與同一製程相關聯的一組第三時間序列資料校準， 其中該組第二時間序列資料包含以 1 Hz、5 Hz、10 Hz 或以在其之間的取樣率所取樣的多於 50 個感測器。
  16. 如請求項 1 至 11中任一項之方法，其中產生該模板隱藏式馬可夫模型之步驟包含： 藉由該處理器，分割該時間序列資料以產生該複數個分割資料且判定該複數個分割資料之校準統計； 基於校準統計，將複數個分割段叢集化；以及 基於該叢集化，判定轉移矩陣及發射參數矩陣。
  17. 如請求項 1 至 11中任一項之方法，其中針對給定製程的超過 100 個感測器讀數進行產生該模板隱藏式馬可夫模型之步驟，其中在批次處理之間近即時地 (near real-time) 進行操作。
  18. 如請求項 17 之方法，其進一步包含： 當檢測到在該給定製程中的異常時，產生警報。
  19. 如請求項 1 至 11中任一項之方法，其中在用於複數個半導體製造設備的遠端分析系統處進行該方法。
  20. 如請求項 1 至 11中任一項之方法，其中在用於半導體製造設備的分析系統處進行該方法。
  21. 如請求項 1 至 11中任一項之方法，其中該分析系統為該半導體製造設備之一部分。
  22. 如請求項 1 至 11中任一項之方法，其中該分析系統為該半導體製造設備之控制器的一部分。
  23. 如請求項 1 至 11中任一項之方法，其進一步包含： 將第一半導體製造設備之模板隱藏式馬可夫模型傳送至經組態以產生第二模板隱藏式馬可夫模型的第二半導體製造設備，其中該第一半導體製造設備之該模板隱藏式馬可夫模型及該第二模板隱藏式馬可夫模型係在該第二半導體製造設備處結合用於在該第二半導體製造設備處所進行的工具匹配操作或虛擬計量操作。
  24. 如請求項 1至 11中任一項之方法，其進一步包含： 將第一半導體製造設備之模板隱藏式馬可夫模型傳送至分析系統，其中該分析系統經組態為該第一半導體製造設備之該模板隱藏式馬可夫模型及其他半導體製造設備之模板隱藏式馬可夫模型以判定在第一半導體製造設備之製程中的異常。
  25. 一種計量系統，其包含： 藉由電腦可讀取指令所組態的處理單元，其用以藉由以下來檢測在針對半導體裝置的製程中之異常： (a) 產生模板隱藏式馬可夫模型以校準自感測器所收集且與製造的半導體裝置之製程相關聯的第一時間序列資料； (b) 檢索與該製造的半導體裝置之該製程相關聯的該第一時間序列資料； (c) 使用產生的有序狀態序列來將該第一時間序列資料和與同一製程相關聯的第二時間序列資料校準；以及 (d) 將該第一時間序列資料與該第二時間序列資料進行比較以判定在針對該製造的半導體裝置的該製程中之該異常。
  26. 如請求項 25 之系統，其中用以產生該模板隱藏式馬可夫模型的該等指令包含： (i) 用以檢索與複數個製造的半導體裝置相關聯的複數個訓練感測器資料集之指令，其中該複數個訓練感測器資料集中之每一者包含與該複數個製造的半導體裝置中之製造的半導體裝置相關聯的訓練時間序列資料； (ii) 用以分割該時間序列資料以產生針對複數個感測器資料的複數個分割資料之指令； (iii) 用以進行該複數個分割資料之隱藏式馬可夫模型分析以產生描述該複數個製造的半導體裝置之隱藏狀態的模板隱藏式馬可夫模型之指令；以及 (iv) 用以使用該模板隱藏式馬可夫模型之參數來產生該複數個分割資料之有序狀態序列之指令。
  27. 如請求項 25之系統，其中該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之同一製造批次中。
  28. 如請求項 25之系統，其中該第一時間序列資料係自第一半導體裝置獲得，其中該第二時間序列資料係自第二半導體裝置獲得，其中該第一半導體裝置及該第二半導體裝置係在製造的半導體裝置之不同製造批次中。
  29. 如請求項 25之系統，其中用以將該第一時間序列資料與該第二時間序列資料校準之該等指令包含維特比演算法或最大和演算法。
  30. 如請求項 25之系統，其中用以分割該時間序列資料以產生複數個分割資料之該等指令包含： 用以藉由使用預定尺寸之移動視窗連同該第一時間序列資料來判定具有在預定義閾值設定檔內之值的該第一時間序列資料之一組區域，而將該第一時間序列資料分割成複數個穩態分割段之指令；以及 用以藉由將在該複數個穩態分割段之外的區域標記為複數個暫態分割段來將該第一時間序列資料分割成複數個暫態分割段之指令。
  31. 如請求項 25 至 30 中任一項之系統，其中收集該第一時間序列資料的該感測器為該製造的半導體裝置之製作設備的一部分，其中該製作設備係選自由以下所組成之群組：電漿蝕刻系統、液體溶液蝕刻系統、電漿增強化學氣相沉積系統、薄膜沉積系統、分子束磊晶 (MBE) 系統、電子束熔化 (EBM) 系統、化學氣相沉積 (CVD) 系統及卷對卷網模塗佈系統。
  32. 如請求項 25 至 30 中任一項之系統，其中收集該第一時間序列資料的該感測器為選自由以下所組成之群組的計量或檢測設備：晶圓探測器、成像站、橢圓偏光計、CD-SEM、離子研磨機、C-V 系統、干涉計、電源測量單元 (SME) 磁力計、光學及成像系統、輪廓儀、反射計、電阻探針、電阻高能電子繞射 (RHEED) 系統及 X 射線繞射儀。
  33. 如請求項 25 至 30 中任一項之系統，其中該第一時間序列資料係檢索自該製造的半導體裝置之製作設備之控制器，其中該製作設備之該控制器操作地連接至該感測器。
  34. 如請求項 25 至 30 中任一項之系統，其中該第一時間序列資料包含與晶圓上的裝置圖案相關聯的計量訊號之觀察測量值。
  35. 如請求項 25 至 30 中任一項之系統，其中該第一時間序列資料包含其中之任一者係與製程相關聯的功率訊號、壓力訊號、溫度訊號、體積訊號、流速訊號、電壓訊號、光學訊號之觀察測量值。
  36. 如請求項 25 至 30 中任一項之系統，其中該處理單元係藉由指令組態以將該第一時間序列資料與該第二時間序列資料比較以判定在同一製程中所使用的第一製造設備與第二製造設備之間的準確工具匹配。
  37. 如請求項 25 至 30 中任一項之系統，其中該處理單元經組態以將該第一時間序列資料與該第二時間序列資料比較以產生製程或關聯製造設備之品質的指示。
  38. 如請求項 25 至 30 中任一項之系統，其中該處理單元係藉由電腦可讀取指令組態以進一步 檢索與該製造的半導體裝置之該製程相關聯的一組第二時間序列資料；以及 基於該隱藏式馬可夫模型分析，將該組第二時間序列資料和與同一製程相關聯的一組第三時間序列資料校準， 其中該組第二時間序列資料包含以 1 Hz、5 Hz、10 Hz 或以在其之間的取樣率所取樣的多於 50 個感測器。
  39. 如請求項 25 至 30 中任一項之系統，其中用以產生該模板隱藏式馬可夫模型的該等指令包含： 用以分割該時間序列資料以產生該複數個分割資料且判定該複數個分割資料之校準統計之指令； 用以基於校準統計來將複數個分割段叢集化之指令；以及 用以基於該叢集化來判定轉移矩陣及發射參數矩陣之指令。
  40. 如請求項 25 至 30 中任一項之系統，其進一步包含： 計量感測器系統，其包含經組態以獲得複數個感測器資料的複數個感測器。
  41. 一種具有儲存於其上的指令之非暫時性電腦可讀取媒體，其中該等指令藉由處理器之執行使得該處理器進行如請求項 1 至 24 中任一項之方法或執行如請求項 25 至 40 之系統。
  42. 一種用以進行如請求項 1 至 24 中任一項之方法的操作或執行如請求項 25 至 40 之系統之方法。
TW112101883A 2022-01-16 2023-01-16 使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測 TW202343240A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202263300020P 2022-01-16 2022-01-16
US63/300,020 2022-01-16

Publications (1)

Publication Number Publication Date
TW202343240A true TW202343240A (zh) 2023-11-01

Family

ID=87279719

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112101883A TW202343240A (zh) 2022-01-16 2023-01-16 使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測

Country Status (2)

Country Link
TW (1) TW202343240A (zh)
WO (1) WO2023137212A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117309891B (zh) * 2023-11-29 2024-02-06 深圳市润博电子有限公司 一种基于智能反馈机制的玻璃钢化膜检测方法及系统
CN117896181B (zh) * 2024-03-14 2024-05-31 山东云天安全技术有限公司 基于hmm模型的异常数据确定方法、装置、介质和设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268291A1 (en) * 2017-03-14 2018-09-20 Wipro Limited System and method for data mining to generate actionable insights
DE112018006835T5 (de) * 2018-01-11 2020-10-15 Semiconductor Energy Laboratory Co., Ltd. Vorrichtung zur Anomalie-Erkennung einer Sekundärbatterie, Verfahren zur Anomalie-Erkennung und Programm
US11100221B2 (en) * 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems

Also Published As

Publication number Publication date
WO2023137212A1 (en) 2023-07-20

Similar Documents

Publication Publication Date Title
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
TWI708301B (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
Fan et al. Defective wafer detection using a denoising autoencoder for semiconductor manufacturing processes
TW202343240A (zh) 使用時間序列感測器資料之基於隱藏式馬可夫模型的分割誤差校正在製作過程中的異常檢測
CN110757510B (zh) 一种机器人剩余寿命预测方法及系统
US20230259112A1 (en) Diagnostic tool to tool matching and comparative drill-down analysis methods for manufacturing equipment
TW202343177A (zh) 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法
CN112088337A (zh) 用于基于过程参数标记衬底的方法
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
Tin et al. A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective
Fan et al. Key feature identification for monitoring wafer-to-wafer variation in semiconductor manufacturing
Nuhu et al. Machine learning-based techniques for fault diagnosis in the semiconductor manufacturing process: a comparative study
Lee et al. In-line predictive monitoring framework
TWI734390B (zh) 自資料集中提取特徵
Chowdhury Semiconductor manufacturing process improvement using data-driven methodologies
Maitra et al. Virtual metrology in semiconductor manufacturing: Current status and future prospects
Liu Predictive Modeling for Intelligent Maintenance in Complex Semiconductor Manufacturing Processes.
TW202343176A (zh) 用於製造設備的診斷工具與工具之匹配方法
Arpitha et al. Machine learning approaches for fault detection in semiconductor manufacturing process: A critical review of recent applications and future perspectives
Tin et al. The implementation of a smart sampling scheme C2O utilizing virtual metrology in semiconductor manufacturing
Mellah et al. Semiconductor Multivariate Time-Series Anomaly Classification based on Machine Learning Ensemble Techniques
van Kollenburg et al. Predictive discarding of wafers based on power leakage predictions from single layer misalignment data
Zhang et al. A novel strategy of correntropy-based iterative neural networks for data reconciliation and gross error estimation in semiconductor industry
US20240087135A1 (en) Clog detection via image analytics
US20240177286A1 (en) Modeling for indexing and semiconductor defect image retrieval