TWI391840B - 使用處理資料及良率資料之處理控制 - Google Patents
使用處理資料及良率資料之處理控制 Download PDFInfo
- Publication number
- TWI391840B TWI391840B TW098107004A TW98107004A TWI391840B TW I391840 B TWI391840 B TW I391840B TW 098107004 A TW098107004 A TW 098107004A TW 98107004 A TW98107004 A TW 98107004A TW I391840 B TWI391840 B TW I391840B
- Authority
- TW
- Taiwan
- Prior art keywords
- processing
- data
- mathematical model
- processing step
- variables
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B2219/10—Plc systems
- G05B2219/11—Plc I-O input output
- G05B2219/1112—Bit addressing, handling
-
- 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
- G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
-
- 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
- G05B2219/32201—Build statistical model of past normal proces, compare with actual process
-
- 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
-
- 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
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Description
本發明一般係關於用於監視一製造處理的方法。更特定言之,本發明係關於使用度量資料及處理資料以監視一製造處理。
歷史上,半導體裝置製造商已藉由根據處理工具製造商來管理至更嚴格處理/材料規格的轉變以設計較佳及較快處理/硬體組態。然而,隨著裝置幾何結構縮小至奈米比例,製造處理的增加中的複雜性已改變必須經協商以達到並維持處理/材料規格的景觀。
處理工具之獨立控制(基於裝備狀態資料)在65及45nm下將不維持可實行良率。先進裝置處理需要基於先進裝備控制(AEC)及以感測器為主的處理控制之組合的工具層級控制。此外,工具層級控制單獨不能達到先進裝置製造的控制需求之全部。需要先進處理控制(APC)之全系統實施方案,其將AEC與電子診斷、故障偵測與分類(FDC)以及裝置製造處理之預測數學模型整合。
存在經濟與技術驅動器以移動至AEC/APC。購買(及開發)獨立處理工具以達到先進生產規格的成本預期係令人驚愕。透過附加感測器與現有(舊)裝備中的AEC/APC之組合使用而存在購買新一代處理裝備的成本有效替代方案。舊裝備中以感測器為主的AEC/APC能驅動此等工具至奈米比例裝置製造所必需的更嚴格規格。能自廢料/再加工(尤其在300mm晶圓處理中)以及較低測試晶圓使用中的減少來實現額外成本利益,因為此等能在將晶圓及/或處理狀態資料用於處理控制的系統中加以減少或甚至消除。以感測器為主的AEC/APC亦能減少預防性維護停工期以及用以處理資格的時間,同時增加處理能力、裝置效能、良率以及製造產量。
因此需要用於監視製造處理的改良式系統及方法。亦需要偵測並且分類與製造處理及製造處理之輸出相關聯的故障。
在一態樣中,本發明的特徵為用於監視一製造處理的方法。該方法涉及在用於該製造處理的最終處理步驟結束時獲得用於半導體晶圓的度量資料(「步驟a」)。該方法亦涉及獲得用於製造半導體晶圓之一第一處理步驟之複數個處理變數的資料(「步驟b」)。該方法亦涉及基於該度量資料以及用於該第一處理步驟之該複數個處理變數的該獲得資料來建立該第一處理步驟之一第一數學模型(「步驟c」)。該方法亦涉及針對用於製造該等半導體晶圓的至少一第二處理步驟重複步驟b及c(「步驟d」)。該方法亦涉及基於該度量資料以及用於n個處理步驟之每一者之該複數個處理變數的資料來建立一第n個數學模型(「步驟e」)。該方法亦涉及基於該度量資料以及藉由步驟c、d及e所建立的模型來建立一最高層級數學模型(「步驟f」)。該最高層級數學模型係基於對該度量資料具有一實質效應之該等處理變數。
在一些具體實施例中,用於監視一製造處理的方法涉及比較用於製造一半導體晶圓的第一處理步驟之資料與步驟f之最高層級模型,以決定是否在該第一處理步驟期間出現一故障。在一些具體實施例中,該方法涉及比較用於製造一半導體晶圓的第二處理步驟之資料與步驟f之最高層級模型,以決定是否在該第二處理步驟期間出現一故障。在一些具體實施例中,該方法涉及比較用於製造一半導體晶圓的每一處理步驟之資料與步驟f之最高層級模型,以決定是否在n個處理步驟之任一者期間出現一故障。
在一些具體實施例中,用於監視一製造處理的方法涉及比較用於製造一半導體晶圓的第一處理步驟之資料與步驟f之最高層級模型,以決定是否製造良率將係在一預定極限以上。
在一些具體實施例中,使用一變量分析技術建立步驟c之數學模型。n個處理步驟之數學模型能係部分最小平方模型。在一些具體實施例中,建立最高層級模型涉及組合用於n個處理步驟之部分最小平方模型的得分與度量資料之數學模型。
在一些具體實施例中,該方法涉及比較用於其後製造運行之n個處理步驟的至少一個之資料與步驟f之最高層級模型,以產生用於該製造處理的良率之預測。在一些具體實施例中,該度量資料包括自藉由一或多個製造運行產生的半導體晶圓之良率測量。
在一些具體實施例中,該方法涉及比較用於其後製造運行之n個處理步驟的至少一個之資料與步驟f之最高層級模型,以產生用於該製造處理的度量結果之預測。
在一些具體實施例中,監視一製造處理的方法亦涉及基於該最高層級模型是否決定在該處理步驟期間已出現一故障來修改一處理步驟的操作特性。在一些具體實施例中,藉由基於哪些變數經決定更明顯地有助於在n個處理步驟之至少一個期間出現的一故障而調整與該複數個處理變數相關聯的數學模型中的權重來更新n個處理步驟之至少一個的數學模型。在一些具體實施例中,在建立最高層級數學模型中對度量資料具有一實質效應之處理變數的權重係大於對度量資料沒有一實質效應之處理變數。在一些具體實施例中,藉由步驟c、d及e建立的模型包含處理資訊及雜訊資訊。在一些具體實施例中,最高層級數學模型包含影響該製造處理之良率的處理變數。
在另一態樣中,本發明的特徵為用於依據一多變量分析建立一數學模型之系統。該系統包括:用於在用於一製造處理的最後處理步驟結束時獲得用於半導體晶圓的度量資料之構件;以及用於獲得用於製造半導體晶圓的一第一處理步驟之複數個處理變數的資料之構件。該系統亦包括:一模型產生模組,其用於基於該度量資料以及用於該第一處理步驟的該複數個處理變數之獲得資料建立第一處理步驟之一第一數學模型(「元件c」)。該系統亦包括:用於獲得用於製造半導體晶圓之至少一第二處理步驟的複數個處理變數之資料的構件,以及用於基於該度量資料以及用於第一處理步驟的該複數個處理變數之獲得資料來建立第一處理步驟之一第二數學模型的模型產生模組(「元件d」)。該系統亦包括基於該度量資料以及用於該n個處理步驟之每一者之該複數個處理變數的資料來建立一第n個數學模型的模型產生模組(「步驟e」)。該方法亦包括用於基於該度量資料以及藉由步驟c、d及e所建立的模型來建立一最高層級數學模型之一模型產生模組(「元件f」)。該最高層級數學模型係基於對該度量資料具有一實質效應之該等處理變數。
在一些具體實施例中,用於依據一多變量分析建立一數學模型的系統包括一處理器,其用於比較針對製造半導體晶圓之每一處理步驟的資料與由元件f產生的一最高層級模型,以決定是否在n個處理步驟之任一者期間出現一故障。
在一些具體實施例中,該系統包括連接至用以實行至少一個處理步驟的至少一個工具之一處理器輸出。該處理器能基於是否最高層級模型決定在至少一個處理步驟期間已出現一故障來修改至少一個處理步驟之操作特性。該處理器能識別該等處理變數之哪個變數造成製造良率在一預定極限以下。
在一些具體實施例中,該系統包括一處理器,其用於比較針對製造一半導體晶圓的第一處理步驟之資料與藉由元件f產生的最高層級模型,以決定是否製造良率將係在一預定極限以上。在一些具體實施例中,在建立最高層級數學模型中對度量資料具有一實質效應之處理變數的權重係大於對度量資料沒有一實質效應之處理變數。在一些具體實施例中,最高層級數學模型係基於由藉由元件c、d及e建立的模型所選擇的處理變數之一良率預測模型。
圖1係一示意圖,其描述用於建立一模型的方法100,其用於依據本發明之一解說性具體實施例監視用於製造半導體晶圓104之批量的製造處理。方法100涉及組合處理資料以及良率資料(例如度量資料)以建立用於一製造處理之處理控制以及一製造處理之良率預測的模型。該製造處理包括用於處理半導體晶圓104之批量的複數個處理步驟108A、108B、108C或108D。在此具體實施例中,該製造處理包括「n」個數目的處理步驟108A、108B、108C或108D。方法100涉及獲得取自複數個處理步驟108A、108B、108C或108D之最終輸出134的度量資料112。在一些具體實施例中,步驟112涉及獲得用於輸出134之複數個處理變數的資料。針對處理步驟108A、108B、108C或108D之每一者獲得的資料能包括(例如)自經實行用以製造最終半導體晶圓130之一系列半導體沈積處理步驟、離子植入步驟、材料移除步驟的資料。
方法100基於複數個處理步驟108A、108B、108C及108D建立模型。方法100涉及採用自處理步驟108A獲得的資料以及自最終半導體晶圓130獲得的度量資料112建立一第一數學模型116A(一般為116)。針對至少一第二處理步驟(108B)重複此模型產生(步驟116)。在此具體實施例中,針對每一處理步驟108重複產生步驟116,從而產生「n」個數學模型。在此具體實施例中,建立數學模型(116A、116B、116C或116D)之步驟116包括使用自複數個處理步驟108A、108B、108C或108D獲得的資料以及度量資料112以產生用於每一處理步驟的批次層級部分最小平方(PLS)模型。方法100亦包括自每一模型116A、116B、116C或116D輸出批次層級得分並且將批次層級得分與度量資料112合併的步驟120。方法100亦包括產生一最高層級數學模型124,其係基於對度量資料112具有一實質效應之該等處理變數。
在一些具體實施例中,基於獲得的資料建立數學模型涉及使用多變量分析技術或中性網路模型化技術。經由範例,可藉由使用SIMCA-P+多變量分析軟體封包(Umetrics、Kinnelon中的辦公軟體、NJ)來實施多變量分析技術。在一項具體實施例中,模型建立步驟(例如,步驟116A)涉及在矩陣X(參見等式1)中格式化獲得的度量資料、用於每一處理步驟的步驟112,其中矩陣X具有N列以及K行。K係製造相關變數之數目而且N係特定製造處理(例如,處理步驟108A)的輸出之數目(例如,觀察、晶圓之數目)。
模型建立步驟涉及計算用於矩陣X之每一行K的平均及標準偏差。模型建立步驟接著涉及居中並按比例縮放矩陣X之每一行K。自矩陣X之對應行中的每一條目減去每一行的平均值(居中)。矩陣X中的每一條目係接著除以矩陣X之對應行的標準偏差(比例縮放)。
接著在開發一模型中採用主分量分析(PCA)方法。PCA方法減小原始資料(原始矩陣X)之尺寸的數目(K個變數)下至幾個獨立變數,其係原始資料的線性組合(原始矩陣X之K個變數)。
在一項具體實施例中,模型開發步驟接著涉及使用如藉由下列等式給定的非線性迭代非線性部分最小平方(NIPALS)方法來決定模型的主分量以及載入。
X
=TP'
+E
等式2
其中T係得分矩陣,P
係載入矩陣,P’
係P矩陣之轉置矩陣,以及E
係殘餘矩陣。得分矩陣T係由下列等式給定:
T
=[t 1 t 2
... ...t A
] 等式3
而且載入矩陣P係由下列等式給定:
P
=[p 1 p 2
... ...p A
] 等式4
其中,例如t1
係第一主分量而且p1
係第一載入向量。第一主分量(t1
)係亦稱為X矩陣之第一得分向量而且係製造相關變數之線性組合。第二主分量(t2
)係亦稱為X矩陣之第二得分向量而且係製造相關變數之線性組合。下標A係用以產生模型的主分量之總數。
NIPALS方法接著涉及迭代地採用下列等式:
其中以用於最初等於具有最大變化的X矩陣之行(等式1)的t1
向量之一最初條件開始。
NIPALS方法接著涉及如下正規化p1
:
並且接著採用下列等式:
接著重複等式5至7之計算,直至計算收斂。經由範例,使用者可指定(基於使用者經驗)在下列情況下計算已收斂:
其中t1old
係自使用等式5至7實行計算之先前迭代的t1
之值。
接著自下列關係決定殘餘矩陣E:
E
=X
-t 1 p 1 '
等式9
接著使用殘餘矩陣E代替等式5至7中的矩陣X以計算第二主分量(t2
)以及第二載入向量(p2
)。接著針對每一額外主分量(tA
)同樣地實行與等式5至9相關聯的步驟。本文中說明的方法可應用於涉及多數目的主分量之應用。
接著使用主分量(等式3)之等式(tA
向量)計算用於每一觀察(例如,製造處理之輸出)的主分量係數。使用者一般使用主分量係數以決定是否存在與係數相關聯的任一叢集。當在A維空間中繪標時係彼此接近的主分量係數可有時具有相似特性(其中A係用以產生模型的主分量之總數)。然而,在許多情況下不可以基於主分量係數來識別相似及不相似,因為所有原始製造相關變數已用以開發模型並且該等變數之每一者已加以給定相似權重(主分量得分係所有變數乘以其權重的線性組合)。相應地,因此有必要識別對用於偵測製造處理之故障輸出的模型具有一實質效應的該等製造相關變數。
識別具有一實質效應的製造相關變數能涉及實行部分最小平方區別分析(PLSDA),其中選擇該等製造相關變數,其對用於偵測製造處理之故障輸出的模型具有一實質效應。
如由下列等式給定來採用PLS與PLSDA方法:
X
=TP'
+E
等式10
Y
=UC'
+F
等式11
T
=XW *
等式12
Y
=BX
+E
等式13
B
=W
(P'W
)-1 C'
等式14
其中Y係(M x N)矩陣,其含有與N個觀察之M個特徵相關聯的資料,B係回歸係數,並且其中
W *
=W
(P
'W
)-1
等式15
M特徵可以(例如)係與每一觀察(例如,每一晶圓)或一類別識別符相關聯的特定度量測量值。
T係X之得分矩陣,而且U係Y之得分矩陣。W係X權重矩陣而且C係Y權重矩陣。F係與Y相關聯的殘餘矩陣。W係由下列等式給定:
W
=[w 1 w 2
... ...w A
] 等式16
而且C矩陣係由下列等式給定:
C
=[c 1 c 2
... ...c A
] 等式17
同樣地,如本文中先前所說明,依據下列等式使用NIPALS方法:
其中u1
係設定為等於Y矩陣之一行作為一最初條件。接著藉由下列等式按比例縮放向量w1
至單位長度:
NIPALS方法中的下一步驟涉及:
t 1
=Xw 1
等式20
其中重複等式18至22之計算直至計算收斂。經由範例,使用者可指定(基於使用者經驗)在下列情況下計算已收斂:
其中t1old
係自使用等式18至22實行計算之先前迭代的t1
之值。
一旦已收斂計算,自下列等式決定X載入:
接著自下列關係決定殘餘矩陣E:
E
=X
-t 1 p 1 t
等式25
接著自下列關係決定殘餘矩陣F:
F
=Y
-t 1 c 1 t
等式26
接著使用殘餘矩陣E及F代替等式18至26中的矩陣X及Y以計算第二主分量(t2
)、第二載入向量(p2
)、Y之第二得分向量(u2
)、第二X權重向量(w2
)以及第二Y權重向量(c2
)。接著針對每一額外主分量(tA
)同樣地實行與等式18至26相關聯的步驟。本文中說明的方法可應用於涉及多數目的主分量之應用。
決定K個製造相關變數之哪些製造相關變數對偵測製造處理之故障條件的模型具有一實質效應的下一步驟涉及繪標W*
矩陣以及C矩陣。若存在兩個特徵(M),則C矩陣將具有用於每一特徵的兩個值C1
及C2
,其係繪標為一平面中的座標。W*
矩陣含有用於每一製造相關變數的兩個值,其亦係繪標為相同平面中的座標。
以此方式,W*
及C之座標值係彼此重疊。定位於該平面中接近於一特徵的該等製造相關變數座標(W*
)對能夠預測是否一給定晶圓具有該特定特徵的模型具有一實質效應。僅對應於實質製造相關變數的該等行(K)係接著用以使用等式1至9來更新模型。更新模型接著能夠區分製造處理之輸出以識別哪些輸出有故障。
能在個別處理層級(例如,包括一或多個處理步驟)及/或組合處理層級(例如,包括一或多個處理,該等處理之每一者能包括一或多個處理步驟)下使用等式1至26。例如,能在用於依據一解說性具體實施例建立用於每一處理步驟的數學模型之方法中使用如以上說明的等式1至26。在一項具體實施例中,在用於建立用於一個別處理的數學模型之方法中使用如以上說明的等式1至26。
在一些具體實施例中,將一展開處理用以產生最高層級數學模式。兩個方法能用以產生一最高層級數學模型:i)一個方法使用實際資料本身(例如,針對圖1之處理步驟108A、108B、108C或108D之每一者獲得的資料)以及ii)另一個方法使用自一較低層級模型的得分。例如,等式27至29係展開資料之矩陣代表的範例。例如,一3步驟處理能採用10個晶圓持續30秒。在此範例中,用於資料收集(較低層級)的矩陣將具有下列形式:
在一些具體實施例中,在每一處理步驟中不測量相同參數(k#,#
)。例如,對於每一處理步驟,一些、全部或沒有參數能係相同的。在一些具體實施例中,每一步驟不必具有相同數目的樣本(例如,步驟1能持續10秒,步驟2能持續20秒,以及步驟3能持續2秒)。在一些具體實施例中,不必以相同取樣速率來取樣該等步驟。在此具體實施例中,等式27至29經選擇用以證實展開處理,其中該等矩陣之形式針對該等晶圓(在此範例中為10個)之每一者重複其自身。
在此具體實施例中,該方法涉及將每一矩陣(例如,等式27之矩陣)轉化成一向量並且組合該等向量以使一單一列用於最高層級模型中。在此具體實施例中,步驟1轉化成下列向量:
(k 1,1,1
,k 1,2,,1
…k 1,4,1
,k 1,1,2
…k 1,4,2
,,k 1,1,3
...k 1,4,10
) 等式30
其中下標kx,y,z
係
x=處理步驟
y=參數
z=觀察識別項
其中「觀察識別項」指自個別處理步驟的一資料列。同樣地,其他兩個步驟將轉化成下列兩個向量
(k 2,1,1
,k 2,2,1
…k 2,4,1
,k 2,1,2
…k 2,4,2
,,k 2,1,3
...k 2,4,10
) 等式31
以及
(k 3,1,1
,k 3,2,1
…k 3,4,1
,k 3,1,2
…k 3,4,2
,,k 3,1,3
...k 3,4,10
) 等式32
在此具實施例中,接著組合此等向量(等式30、31及32)以形成一單一列,其代表將具有下列形式的一單一晶圓:
(k 1,1,1
,k 1,2,1
…k 1,4,10
,k 2,1,1
,k 2,2,1
…k 2,4,10
,k 3,1,1
,k 3,2,1
…k 3,4,10
) 等式33
在此具體實施例中,最高層級模型將具有一矩陣之形式,該矩陣具有與存在晶圓一樣多的列。每一列將具有等式33之形式。展開矩陣(例如,其能包括藉由等式33代表的一列)能用以解等式10(例如,PLS模型之X部分)。在解X並且解Y之後,能發現X與Y之間的相關(例如,如在以上PLS及PSLDA方法段落中所說明)以產生最高層級模型。
觀察層級資料係展開成最高層級模型。一個範例性方法使用原始資料(例如,如以上說明)而且另一個方法使用得分。在此具體實施例中,MVA模型係在如以上等式27至29中定義的較低層級資料上運行。僅經由範例,步驟1能具有2個主分量,步驟2能具有3個主分量,而且步驟3能具有2個主分量。用於此等步驟的得分矩陣將具有下列形式,其中該等得分矩陣具有與存在用於該步驟的主分量一樣多的行:
或者,在另一具體實施例中使用實際處理資料(例如,參見上文)。如以上用於原始資料方法的相似處理將使用得分轉譯三個矩陣(例如,等式34至36)成下列向量:對於步驟1,
(t 1,1
,t 2,1
,t 1,2
,t 2,2
,…,t 1,10
,t 2,10
) 等式37
對於步驟2,
(t 1,1
,t 2,1
,t 3,1
,t 1,2
,t 2,2
,…,t 2,10
,t 3,10
) 等式38
以及對於步驟3
(t 1,1
,t 2,1
,t 1,2
,t 2,2
,…,t 1,10
,t 2,10
) 等式39
在此具體實施例中,該三個步驟將加以組合成代表一單一晶圓的最高層級模型之一單一列而且將看似
(t1,1,1
,t1,2,1
,t1,1,2
,…t1,1,10
,t1,2,10
,t2,1,1
,t2,2,1
,t2,3,1
…t2,1,10
,t2.2.10
,t2,3,10
,t3,1,1
,t3.
2.1
…,t3,1,10
,t3,2,10
)等式40
其中下標x、y、z代表
x=步驟
y=主分量
z=樣本
展開矩陣(例如,其能包括藉由等式40代表的一列)能用以解等式10(PLS模型之X部分)。在解X並且解Y之後,能發現X與Y之間的相關(例如,如在以上PLS段落中所說明)以產生最高層級模型。
在一些具體實施例中,展開多個處理能以與展開多個步驟實質上相同的方式來工作。在一些具體實施例中,該方法能包括適當地識別晶圓,因此處理資料會處理以處理相同晶圓內的剩餘資料。
在此具體實施例中,因為定義該等步驟,故能定義該等處理。在此具體實施例中,已經實行較低層級至最高層級展開。該等處理矩陣能看似:
其中下標w、s、v、n代表
w=晶圓
s=處理步驟
v=主分量(或者,在採用原始資料模型化的情況下為變數)
n=觀察數目
在此具體實施例中,當組合多個處理時,接著將依據下列等式構造組合矩陣:
其中下標現在說明
w=晶圓
p=處理
s=處理步驟
v=主分量(或者,在採用原始資料模型化的情況下為變數)
n=觀察數目
如以上說明的等式27至42定義用於組合多個處理及步驟的範例性方法。等式27至42產生一「X矩陣」(例如,一「第n個」數學模型),其能用以解如以上說明的等式10。等式10能與「Y資料」(例如度量資料)組合以完成一PLS最高層級模型。在其中模型係基於得分而非原始資料的具體實施例中,產生一最高層級矩陣,其藉由使用個別PLS模型來組合多個處理之每一者。
圖2係一示意圖,其描述用於實施一模型的方法200,其用於依據本發明之一解說性具體實施例監視用於製造半導體晶圓104之批量的製造處理。方法200涉及實行至少兩個處理步驟108A及108B,並且獲得分別用於該兩個處理步驟108A及108B之輸出的資料204A及204B(一般為204)。在此具體實施例中,方法200包括最多至「n」個處理步驟108A、108B、108C及108D。針對「n」個處理步驟之每一者獲得的資料(204A、204B、204C及204D)係提供至一模型(例如,圖1之模型124)。模型124係接著用以產生一輸出128,其係一故障之出現的預測及/或在該等晶圓之一或多個中識別的故障之分類。該模型能用以識別一故障或分類該等處理步驟之一或多個及/或藉由實行「n」個處理步驟108A、108B、108C及108D之每一者所輸出的最終晶圓中的一故障。
圖3係依據本發明之一解說性具體實施例來比較一製造處理之一預測良率136與一製造處理之一觀察良率140的曲線圖。使用一最高層級數學模型(例如圖1及2之最高層級數學模型124)建立該預測良率。使用度量資料以及自11個晶圓之第一批量(圖3中的137)的處理資料建立該最高層級模型。該模型係接著用以預測用於25個晶圓之一第二批量(標識為預測集138)的良率。圖3中的曲線顯示用於該預測集的二條線。標識為136的第一條線係基於該模型的預測良率。標識為140的第二條線係實際測量良率,其係在採用晶圓產生裝置(例如,半導體裝置)的製造處理之裝置製造完成之後測量。線136及140之相似證實預測處理良率的模型之功效。y軸148代表自0(意指無功能裝置)至1(意指一給定晶圓上100%的功能裝置)測量的處理良率。該x軸144代表正接受測量之晶圓編號,其中編號1係其處理良率
已接受測量之第一晶圓。
能在數位電子電路,或在電腦硬體、韌體、軟體或其組合中實施以上說明的技術。該實施方案能係一電腦程式產品,例如在一資訊載體(例如在機器可讀取儲存裝置)中或在傳播信號中可測知地加以體現之一電腦程式,以由資料處理設備(例如一可程式化處理器、一電腦或多台電腦)來執行或控制其操作。一電腦程式能以任何形式的程式化語言(包括編輯或解譯語言)加以寫入,而且其能以任何形式(包括作為一獨立程式或一模組、組件、子常式、或適合用於一電腦環境中的另一單元)加以部置。一電腦程式能經部置以在一個地點處的一台電腦或多台電腦上加以執行或橫跨多個地點加以分配並且藉由一通信網路加以互連。
能藉由執行一電腦程式的一或多個可程式化處理器實行方法步驟以藉由對輸入資料進行操作並且產生輸出來實行本發明之功能。亦能藉由諸如一FPGA(場可程式化閘極陣列)或一ASIC(特定應用積體電路)之特殊用途邏輯電路來實行方法步驟,並且能將設備實施為該特殊用途邏輯電路。模組能指實施該功能性的電腦程式及/或該處理器/特殊電路之部分。
適合於執行一電腦程式的處理器包括(經由範例)一般及特殊用途微處理器兩者,以及任一種類的數位電腦之任一或多個處理器。一般地,一處理器自一唯讀記憶體或一隨機存取記憶體或兩者接收指令及資料。一電腦之基本元件係用於執行指令的一處理器以及用於儲存指令及資料的一或多個記憶體裝置。一般地,一電腦亦將包括,或經運作地耦合用以自用於儲存資料的一或多個大量儲存裝置(例如磁性、磁光碟或光碟)接收資料或傳輸資料(或其兩者)至該等大量儲存裝置。資料傳送及指令亦能出現在一通信網路之上。適合於體現電腦程式指令及資料的資訊載體包括所有形式的非揮發性記憶體,其包括(經由範例)半導體記憶體裝置,例如EPROM、EEPROM以及快閃記憶體裝置;磁碟,例如內部硬碟或可移除碟;磁光碟;以及CD-ROM與DVD-ROM碟。處理器及記憶體能藉由特殊用途邏輯電路加以補充或併入其中。
如本文中使用的術語「模組」及「功能」意指(但不限於)實行某些任務的一軟體或硬體組件。一模組可有利地經組態用以常駐於可定址儲存媒體上並且經組態用以在一或多個處理器上執行。一模組可以係完全或部分地採用一般用途積體電路(「IC」)、FPGA或ASIC來實施。因此,一模組可包括(經由範例)組件,例如軟體組件、物件定向軟體組件、類別組件及任務組件、處理、功能、屬性、程序、子常式、程式碼之片段、驅動器、韌體、微碼、電路、資料、資料庫、資料結構、表格、陣列以及變數。經提供用於該等組件及模組中的功能性可加以組合成較少的組件及模組或進一步加以分離成額外組件或模組。為了提供與一使用者的互動,以上說明的技術能在一電腦上加以實施,該電腦具有一顯示裝置,例如CRT(陰極射線管)或LCD(液晶顯示器),其用於向使用者顯示資訊;以及一鍵盤及一指向裝置,例如一滑鼠或一追蹤球,藉由其使用者能提供輸入至該電腦(例如,與使用者介面元件互動)。其他種類的裝置亦能用以提供與一使用者的互動,例如提供至使用者的回授能係任一形式的感測回授,例如視覺回授、聽覺回授或觸覺回授;以及自使用者的輸入能以任一形式(包括聲音、語音或觸覺輸入)加以接收。
以上說明的技術能在一分配式計算系統中加以實施,該系統包括一後端組件(例如資料伺服器)、及/或中間設備組件(例如應用程式伺服器)、及/或前端組件(例如具有圖像使用者介面的用戶端電腦)及/或使用者能與一範例實施方案互動所透過的網際網路瀏覽器、或此類後端、中間設備或前端組件之任何組合。該系統之組件能藉由數位資料通信之任一形式或媒體(例如通信網路)加以互連。亦稱為通信頻道的通信網路之範例包括一區域網路(「LAN」)以及一廣域網路(「WAN」),例如網際網路,並且包括有線及無線網路兩者。在一些範例中,通信網路之特徵能係虛擬網路或子網路,例如虛擬區域網路(「VLAN」)。除非另外清楚指示,通信網路亦能包括公共交換電話網路(「PSTN」)之全部或一部分,例如由特定載體擁有的一部分。
雖然已參考特定解說性具體實施例而特定顯示並說明本發明,但是應瞭解可進行各種形式及細節上的更改而不脫離本發明之精神及範疇。
104...半導體晶圓
112...度量資料
116...產生步驟
116A...數學模型
116B...數學模型
116C...數學模型
116D...數學模型
124...最高層級數學模型
128...輸出
130...最終半導體晶圓
134...輸出
136...預測良率
137...模型集
138...預測集
140...觀察良率
148...y軸
204A...資料
204B...資料
204C...資料
204D...資料
藉由參考結合附圖進行的以上說明,可較佳地瞭解以上說明的本發明之優點與另外的優點。該等圖不一定按比例縮放,相反地,一般將重點置於解說本發明之原理上。
圖1係描述用於依據本發明之一解說性具體實施例來監視一製造處理的模型之示意圖;
圖2係描述實施用於依據本發明之一解說性具體實施例來監視一製造處理的模型之示意圖;及
圖3係依據本發明之一解說性具體實施例來比較基於一模型的一製造處理之一預測良率與該製造處理之一觀察良率的曲線圖。
104...半導體晶圓
112...度量資料
116A...數學模型
116B...數學模型
116C...數學模型
116D...數學模型
124...最高層級數學模型
130...最終半導體晶圓
134...輸出
Claims (24)
- 一種用於監視一製造處理的方法,其包含:a.在用於該製造處理的一最終處理步驟結束時獲得用於半導體晶圓的度量資料;b.獲得用於製造半導體晶圓之一第一處理步驟的複數個處理變數之資料;c.基於該度量資料以及用於該第一處理步驟之該複數個處理變數的該獲得資料來建立該第一處理步驟之一第一數學模型;d.針對用於製造該等半導體晶圓的一第二處理步驟重複步驟b以及步驟c;e.基於該度量資料以及用於該第一處理步驟及該第二處理步驟之該複數個處理變數的該獲得資料來建立一矩陣數學模型;以及f.基於該度量資料以及藉由步驟c、d及e建立的該等數學模型來建立一最高層級數學模型,該最高層級數學模型係基於對該度量資料具有一實質效應之用於該第一處理步驟及該第二處理步驟之該等處理變數。
- 如請求項1之方法,其包含比較用於製造一半導體晶圓的該第一處理步驟之該複數個處理變數之資料與步驟f之該最高層級數學模型,以決定是否在該第一處理步驟期間出現一故障。
- 如請求項2之方法,其包含比較用於製造一半導體晶圓的該第二處理步驟之該複數個處理變數之資料與步驟f之 該最高層級數學模型,以決定是否在該第二處理步驟期間出現一故障。
- 如請求項1之方法,其包含比較用於製造一半導體晶圓的該第一處理步驟的該複數個處理變數之資料與步驟f之該最高層級數學模型,以決定是否製造良率將係在一預定極限以上。
- 如請求項1之方法,其中使用一多變量分析技術建立步驟c之該數學模型。
- 如請求項1之方法,其中該第二處理步驟之該等數學模型係部分最小平方模型。
- 如請求項6之方法,其中建立該最高層級數學模型包含:基於該度量資料組合用於該第二處理步驟之該等部分最小平方模型的得分以及該矩陣數學模型。
- 如請求項6之方法,其包含比較用於其後製造運行之該第二個處理步驟的至少一者的該複數個處理變數之資料與步驟f之該最高層級數學模型,以產生用於該製造處理的良率之一預測。
- 如請求項1之方法,其中該度量資料包括自藉由一或多個製造運行產生的半導體晶圓之良率測量。
- 如請求項6之方法,其包含比較用於其後製造運行之該第二個處理步驟的至少一者的該複數個處理變數之資料與步驟f之該最高層級數學模型,以產生該製造處理的度量結果之一預測。
- 如請求項1之方法,其包含基於該最高層級數學模型決 定在該處理步驟期間是否已發生一故障來修改一處理步驟之操作特性。
- 如請求項1之方法,其包含藉由基於哪些處理變數係經決定為更明顯地貢獻在發生於該第二處理步驟之至少一者期間的一故障,而調整與該複數個處理變數相關聯的該數學模型中的權重,來更新該第二個處理步驟之至少一者的該數學模型。
- 如請求項1之方法,其中在建立該最高層級數學模型中對該度量資料具有一實質效應之處理變數的權重係大於對該度量資料沒有一實質效應之處理變數的權重。
- 如請求項1之方法,其中藉由步驟c、d及e建立的該等數學模型包含處理資訊及雜訊資訊。
- 如請求項1之方法,其中該最高層級數學模型包含影響該製造處理之良率的處理變數。
- 一種用於監視一製造處理的方法,其包含:a.在用於該製造處理的一最終處理步驟結束時獲得用於半導體晶圓的度量資料;b.獲得用於製造半導體晶圓之複數個處理步驟的複數個處理變數之資料;c.基於該度量資料以及用於該複數個處理步驟之該複數個處理變數的該獲得資料來建立各該複數個處理步驟之一數學模型;d.基於該度量資料以及用於該複數個處理步驟之該複數個處理變數的該獲得資料來建立一矩陣數學模型; e.基於該度量資料以及由步驟c及d建立的該等數學模型來建立一最高層級數學模型,該最高層級數學模型係基於對該度量資料具有一實質效應之用於該複數個處理步驟之該等處理變數;以及f.比較用於製造一半導體晶圓的各處理步驟之資料與步驟e之該最高層級數學模型,以決定是否在該複數個處理步驟之任一者期間發生一故障。
- 一種用於依據一多變量分析建立一數學模型的系統,該系統包含:a.用於獲得度量資料的構件,其用於在用於一製造處理的一最終處理步驟結束時獲得用於半導體晶圓的度量資料;b.用於獲得資料的元件,用以獲得用於製造半導體晶圓之一第一處理步驟的複數個處理變數之資料;c.一模型產生元件,用以基於該度量資料以及用於該第一處理步驟之該複數個處理變數的該獲得資料來建立該第一處理步驟之一第一數學模型;d.用於獲得資料的元件,用以獲得用於製造半導體晶圓之一第二處理步驟的複數個處理變數之資料,以及一模型產生模組,其用於基於該度量資料以及用於該第二處理步驟的該複數個處理變數之該獲得資料來建立該第二處理步驟之一第二數學模型;e.該模型產生元件,係用以基於該度量資料以及用於該第一處理步驟及該第二處理步驟之該複數個處理變數 的該資料來建立一矩陣數學模型;以及f.該模型產生元件,係用以基於該度量資料以及藉由元件c、d及e建立的該等數學模型來建立一最高層級數學模型,該最高層級數學模型係基於對該度量資料具有一實質效應之該第一處理步驟及該第二處理步驟的該等處理變數。
- 如請求項17之系統,其包含一處理器,其用於比較用於製造一半導體晶圓的每一處理步驟的該複數個處理變數之資料與由元件f產生的該最高層級數學模型,以決定是否在該第二處理步驟之任一者期間發生一故障。
- 如請求項17之系統,其包含具有一輸出之一處理器,該處理器之該輸出係連接至用以實行至少一個處理步驟的至少一個工具。
- 如請求項19之系統,其中該處理器基於是否該最高層級數學模型決定在該至少一個處理步驟期間已發生一故障而修改該至少一個處理步驟之一操作特性。
- 如請求項19之系統,其中該處理器識別該等處理變數之哪個處理變數造成製造良率在一預定極限以下。
- 如請求項17之系統,其包含一處理器,其用於比較針對製造一半導體晶圓的該第一處理步驟的該複數個處理變數之資料與由元件f產生的該最高層級數學模型,以決定是否製造良率將係在一預定極限以上。
- 如請求項17之系統,其中在建立該最高層級數學模型中對該度量資料具有一實質效應之該等處理變數的權重係 大於對該度量資料沒有一實質效應之處理變數的權重。
- 如請求項17之系統,其中該最高層級數學模型係基於由藉由元件c、d及e建立的該等數學模型所選擇的該等處理變數之一良率預測模型。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/044,346 US7622308B2 (en) | 2008-03-07 | 2008-03-07 | Process control using process data and yield data |
Publications (2)
Publication Number | Publication Date |
---|---|
TW200947251A TW200947251A (en) | 2009-11-16 |
TWI391840B true TWI391840B (zh) | 2013-04-01 |
Family
ID=40687829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW098107004A TWI391840B (zh) | 2008-03-07 | 2009-03-04 | 使用處理資料及良率資料之處理控制 |
Country Status (8)
Country | Link |
---|---|
US (2) | US7622308B2 (zh) |
EP (1) | EP2260358A1 (zh) |
JP (1) | JP2011513993A (zh) |
KR (1) | KR20100129757A (zh) |
CN (1) | CN102016737B (zh) |
SG (1) | SG186641A1 (zh) |
TW (1) | TWI391840B (zh) |
WO (1) | WO2009114251A1 (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8036869B2 (en) * | 2003-09-30 | 2011-10-11 | Tokyo Electron Limited | System and method for using first-principles simulation to control a semiconductor manufacturing process via a simulation result or a derived empirical model |
US8073667B2 (en) * | 2003-09-30 | 2011-12-06 | Tokyo Electron Limited | System and method for using first-principles simulation to control a semiconductor manufacturing process |
US8032348B2 (en) * | 2003-09-30 | 2011-10-04 | Tokyo Electron Limited | System and method for using first-principles simulation to facilitate a semiconductor manufacturing process |
US8014991B2 (en) * | 2003-09-30 | 2011-09-06 | Tokyo Electron Limited | System and method for using first-principles simulation to characterize a semiconductor manufacturing process |
WO2008137544A1 (en) * | 2007-05-02 | 2008-11-13 | Mks Instruments, Inc. | Automated model building and model updating |
US7622308B2 (en) * | 2008-03-07 | 2009-11-24 | Mks Instruments, Inc. | Process control using process data and yield data |
US8271122B2 (en) * | 2008-03-07 | 2012-09-18 | Mks Instruments, Inc. | Process control using process data and yield data |
US8494798B2 (en) * | 2008-09-02 | 2013-07-23 | Mks Instruments, Inc. | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection |
US9069345B2 (en) | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
US8396583B2 (en) * | 2010-03-25 | 2013-03-12 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system for implementing virtual metrology in semiconductor fabrication |
TWI571808B (zh) * | 2010-08-02 | 2017-02-21 | 國立清華大學 | 因子分析系統及其分析方法 |
US8855804B2 (en) | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US9002498B2 (en) * | 2012-02-02 | 2015-04-07 | Taiwan Semiconductor Manufacturing Co., Ltd. | Tool function to improve fab process in semiconductor manufacturing |
US9429939B2 (en) | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
US9541471B2 (en) | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
EP2682168A1 (en) | 2012-07-02 | 2014-01-08 | Millipore Corporation | Purification of biological molecules |
US9176183B2 (en) | 2012-10-15 | 2015-11-03 | GlobalFoundries, Inc. | Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness |
KR101466798B1 (ko) * | 2014-05-20 | 2014-12-01 | 삼성전자주식회사 | 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 |
US10289109B2 (en) | 2015-10-01 | 2019-05-14 | Globalfoundries Inc. | Methods of error detection in fabrication processes |
US10241502B2 (en) | 2015-10-01 | 2019-03-26 | Globalfoundries Inc. | Methods of error detection in fabrication processes |
CN107949813B (zh) * | 2016-02-03 | 2020-06-30 | 东芝三菱电机产业系统株式会社 | 制造设备诊断辅助装置及制造设备诊断辅助方法 |
US20180087790A1 (en) * | 2016-09-28 | 2018-03-29 | Johnson Controls Technology Company | Systems and methods for automatically creating and using adaptive pca models to control building equipment |
US10495334B2 (en) | 2016-09-28 | 2019-12-03 | Johnson Controls Techology Company | Systems and methods for steady state detection |
JP2022500778A (ja) * | 2018-09-18 | 2022-01-04 | バイエル、アクチエンゲゼルシャフトBayer Aktiengesellschaft | 製造工程の生成物である化合物および/または化合物製剤の品質を予測するシステムおよび方法 |
US11449778B2 (en) * | 2020-03-31 | 2022-09-20 | Ats Automation Tooling Systems Inc. | Systems and methods for modeling a manufacturing assembly line |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587744B1 (en) * | 1999-06-22 | 2003-07-01 | Brooks Automation, Inc. | Run-to-run controller for use in microelectronic fabrication |
TW200402617A (en) * | 2002-07-29 | 2004-02-16 | Advanced Micro Devices Inc | Dynamic targeting for a process control system |
US6988017B2 (en) * | 2000-09-15 | 2006-01-17 | Advanced Micro Devices, Inc. | Adaptive sampling method for improved control in semiconductor manufacturing |
TW200741810A (en) * | 2006-03-28 | 2007-11-01 | Tokyo Electron Ltd | Dynamic metrology sampling with wafer uniformity control |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7337019B2 (en) | 2001-07-16 | 2008-02-26 | Applied Materials, Inc. | Integration of fault detection with run-to-run control |
US6616759B2 (en) | 2001-09-06 | 2003-09-09 | Hitachi, Ltd. | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor |
US7523384B2 (en) | 2002-06-28 | 2009-04-21 | Umetrics Ab | Method and device for monitoring and fault detection in industrial processes |
US7328126B2 (en) | 2003-09-12 | 2008-02-05 | Tokyo Electron Limited | Method and system of diagnosing a processing system using adaptive multivariate analysis |
US7454387B2 (en) | 2003-09-15 | 2008-11-18 | Lsi Corporation | Method of isolating sources of variance in parametric data |
WO2005054968A1 (en) | 2003-11-26 | 2005-06-16 | Tokyo Electron Limited | Intelligent system for detection of process status, process fault and preventive maintenance |
JP4653547B2 (ja) * | 2004-11-05 | 2011-03-16 | 新日本製鐵株式会社 | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
JP2008091591A (ja) * | 2006-09-30 | 2008-04-17 | Omron Corp | モデル作成方法ならびに半導体製造プロセスの結果分析方法及び記録媒体 |
US7813893B2 (en) * | 2007-01-18 | 2010-10-12 | Tech Semiconductor Singapore Pte Ltd | Method of process trend matching for identification of process variable |
US7622308B2 (en) * | 2008-03-07 | 2009-11-24 | Mks Instruments, Inc. | Process control using process data and yield data |
-
2008
- 2008-03-07 US US12/044,346 patent/US7622308B2/en active Active
-
2009
- 2009-02-20 EP EP09718781A patent/EP2260358A1/en not_active Withdrawn
- 2009-02-20 WO PCT/US2009/034619 patent/WO2009114251A1/en active Application Filing
- 2009-02-20 JP JP2010549708A patent/JP2011513993A/ja active Pending
- 2009-02-20 SG SG2012090403A patent/SG186641A1/en unknown
- 2009-02-20 KR KR1020107022389A patent/KR20100129757A/ko not_active Application Discontinuation
- 2009-02-20 CN CN2009801161031A patent/CN102016737B/zh not_active Expired - Fee Related
- 2009-03-04 TW TW098107004A patent/TWI391840B/zh not_active IP Right Cessation
- 2009-10-22 US US12/603,976 patent/US7996102B2/en not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587744B1 (en) * | 1999-06-22 | 2003-07-01 | Brooks Automation, Inc. | Run-to-run controller for use in microelectronic fabrication |
US6988017B2 (en) * | 2000-09-15 | 2006-01-17 | Advanced Micro Devices, Inc. | Adaptive sampling method for improved control in semiconductor manufacturing |
TW200402617A (en) * | 2002-07-29 | 2004-02-16 | Advanced Micro Devices Inc | Dynamic targeting for a process control system |
TW200741810A (en) * | 2006-03-28 | 2007-11-01 | Tokyo Electron Ltd | Dynamic metrology sampling with wafer uniformity control |
Also Published As
Publication number | Publication date |
---|---|
US7996102B2 (en) | 2011-08-09 |
US20090228247A1 (en) | 2009-09-10 |
WO2009114251A1 (en) | 2009-09-17 |
EP2260358A1 (en) | 2010-12-15 |
US7622308B2 (en) | 2009-11-24 |
CN102016737A (zh) | 2011-04-13 |
SG186641A1 (en) | 2013-01-30 |
KR20100129757A (ko) | 2010-12-09 |
CN102016737B (zh) | 2013-05-08 |
TW200947251A (en) | 2009-11-16 |
JP2011513993A (ja) | 2011-04-28 |
US20100100223A1 (en) | 2010-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI391840B (zh) | 使用處理資料及良率資料之處理控制 | |
JP6778666B2 (ja) | 探索装置及び探索方法 | |
US7151976B2 (en) | Multivariate control of semiconductor processes | |
KR102017604B1 (ko) | 탐색 장치 및 탐색 방법 | |
JP5095999B2 (ja) | 半導体処理ツールによって実行されるプロセスを分析する第1の原理シミュレーションを使用するシステム及び方法。 | |
JP4528237B2 (ja) | 製品設計パラメータ決定支援システム | |
US20230400847A1 (en) | Predictive maintenance for semiconductor manufacturing equipment | |
US8271122B2 (en) | Process control using process data and yield data | |
TWI503763B (zh) | 半導體處理控制方法和電腦可讀取紀錄媒體 | |
JP2020086784A (ja) | 製造条件特定システムおよび方法 | |
Chien et al. | A novel approach to hedge and compensate the critical dimension variation of the developed-and-etched circuit patterns for yield enhancement in semiconductor manufacturing | |
Sim et al. | A data mining approach to the causal analysis of product faults in multi-stage PCB manufacturing | |
KR102554791B1 (ko) | 데이터 세트로부터의 피쳐의 추출 | |
JP6070337B2 (ja) | 物理故障解析プログラム、物理故障解析方法および物理故障解析装置 | |
KR20230135131A (ko) | 측정 위반 분석을 이용한 비정상 식별 프로세스 | |
US8594963B2 (en) | In-line inspection yield prediction system | |
KR20240131986A (ko) | 이상 검출 장치 및 이상 검출 방법 | |
TW202336623A (zh) | 用於建立基於物理之模型之系統和方法 | |
JP2024083203A (ja) | マイクロエレクトロメカニカルシステム検査におけるパラメータ推定のための装置及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |