TWI509376B - 電漿處理系統中之自動故障偵測與分類及其方法 - Google Patents

Description

電漿處理系統中之自動故障偵測與分類及其方法

本發明係關於電漿處理系統中之自動故障偵測與分類及其方法。

本申請案主張共同擁有的臨時專利申請案「電漿處理系統中之自動故障偵測與分類」之優先權，其美國專利申請案第61/222,098號，代理人案號第P2006P/LMRX-P182P1號，由發明人Yun等人於2009年6月30日提出申請，全文內容併入本文以供參考。

長久以來電漿處理系統係用以處理如半導體晶圓與平板的基板。電漿處理系統係用以執行如沉積、蝕刻、清理等等製程。

舉例而言，在用以生產半導體元件的電漿處理系統中，電漿處理系統係受高度期待能以可能的最高良率與最低持有成本生產電子元件。要達到高良率並降低機具停機時間(其促成較高的持有成本)，迅速偵測並分類故障以最小化對晶圓以及/或是對電漿處理系統組件的損害係相當關鍵。舉例而言，會產生故障情況是由於腔室組件失靈、腔室組件磨損、未正確安裝的腔室組件、以及/或是需要清理、維護、以及/或是更換一個以上的電漿處理系統的子系統之任何其他情況。

現代電漿處理系統會使用眾多的感測器監控各式製程參數，例如光放射、電壓、電流、壓力、溫度等等。藉由各感測器執行的資料監控會以高達每秒數百個樣本或更多的速率輸出資料。鑑於涉及大量的感測器，現代電漿處理系統會針對特定處理晶圓產生龐大的感測器資料量。若手動執行感測器資料分析，則通常無法及時從大量的感測器資料中準確偵測以及/或是分類故障情況。若無法及時偵測到故障情況，則進一步的處理會對一個以上的晶圓以及/或是對腔室組件造成損害。即使在暫停電漿處理之後，仍需投入大量時間篩選大量的感測器資料，確認已發生的故障以有助於故障修復。

手動故障偵測與分析亦需高技能的工程師來篩選極大量的資料。這些高技能的工程師不但短缺而且聘請昂貴，兩者皆增加機具業主的持有成本。且手動故障偵測與分析的程序亦容易出錯。

過去已試圖自動偵測故障情況並分析感測器資料以分類故障。這些努力成果已在生產環境與市場上獲得不同程度的成功。工程師持續不斷地搜尋能更快偵測故障情況與更準確分類故障的方法。本申請案係關於自動並及時地自動偵測故障情況與分類故障情況之改良方法與設備。

本發明一實施例係關於一種在基板處理期間自動偵測故障情況與分類故障情況之方法。該方法包括在基板處理期間藉由一組感測器蒐集處理資料。該方法亦包括發送該處理資料至一故障偵測/分類組件。該方法更包括藉由該故障偵測/分類組件執行該處理資料的資料操作。該方法尚包括在該處理資料與儲存於一故障資料庫中的數個故障模型之間實行比較，其中該數個故障模型的各故障模型代表描繪一特定故障情況特徵的一組資料。各故障模型至少包括一故障訊跡、一故障邊界、與一組主成分分析(PCA)參數。

上述發明內容係僅關於本文所揭露之本發明眾多實施例的其中一者，而非意圖用以限制本發明範疇，其係在本文申請專利範圍中提出。本發明的這些及其他特點將在以下本發明之實施方式中偕同隨附圖式而予以詳述。

現將參照如隨附圖式所示的數個實施例詳細描述本發明。在下列敘述中，提出眾多具體細節以供透徹了解本發明。然而，熟習本技術者當可明白在不具若干或全部該具體細節下，仍可施行本發明。在其他狀況下，為避免不亦要地干擾本發明，並未詳述熟知的製程步驟以及/或是結構。

以下描述包括方法與技術之各式實施例。應當謹記在心本發 明可能亦涵蓋製造產品，包括用以執行本發明技術實施例的電腦可讀指令所儲存之電腦可讀媒體。舉例而言，電腦可讀媒體包括半導體、磁性、光磁性、光學式、或用以儲存電腦可讀編碼之其他形式的電腦可讀媒體。另外，本發明亦涵蓋施行本發明實施例的設備。此類設備包括電路(專用以及/或是可程式化)以執行有關本發明實施例的任務。此類設備的實例包括通用型電腦以及/或是經適當程式撰寫的專用運算裝置，並包括適合於有關本發明實施例之各式任務的電腦/運算裝置與專用/可程式化電路之組合。

本發明實施例係關於高度自動化、具時效性、而且穩健的故障偵測與分類之方法，其可針對與一個以上的測試中晶圓所相關之任何感測器資料組。

為利於討論，圖1呈現下部電極子系統100的實例，其包含下部電極102、外部蓋環104、與頂部蓋環106。亦呈現晶圓108。頂部蓋環106係呈現為部分磨損，代表會影響電漿並負向改變製程結果的故障情況類型實例。在生產環境中，及時偵測圖1所繪的故障情況與及時並準確分類該故障為與磨損的頂部蓋環相關者係受高度期待，俾能預防對接續處理基板以及/或是對電漿處理系統的其他組件之損害，並在修理/維護之後快速復原系統。

圖2依照本發明實施例呈現電漿處理腔室的各式子元件200之邏輯方塊圖，其能自動並及時偵測故障情況以及自動並及時分類故障。參照圖2，其呈現電漿處理腔室202，其中具有包含下部電極204、外部蓋環206、與頂部蓋環208之下部電極子系統。為易於圖解，省略各式其他習知的子系統，例如頂部電極、RF產生器、渦輪泵、流量控制器、溫度控制等等。

呈現數個感測器實例210、212、與214。舉例而言，感測器210代表監控腔室壓力的壓力計。舉例而言，感測器212代表監控腔室中電漿的光放射之光放射感測器。舉例而言，感測器214代表VI探針。亦可使用熟習本技術者所熟知的其他感測器。

感測器210、212、與214提供感測器資料給故障偵測/分類單元220，其包含會根據所供的感測器資料自動執行故障偵測以及/ 或是分類之軟體以及/或是硬體。呈現代表故障模型(其各包括故障情況指紋)資料庫之故障資料庫222。各故障模型為描繪一特定故障情況的一組資料。依照本發明一個以上的實施例，這些故障模型係先行產生(本文隨後將討論)，且係用以執行故障偵測以及/或是故障分類。

故障偵測/分類單元220接收來在多個感測器的感測器資料。由於典型的現代電漿處理系統中存在大量感測器，以及各感測器每秒會傳送數百個或更多的資料樣本之情形，故障偵測/分類單元220執行創新的資料操作，使得有效率並及時地偵測以及/或是分類故障成為可能。本文隨後將討論能及時偵測以及/或是分類故障之資料操作態樣。控制器224利用故障辨識以及/或是故障分類以控制電漿機具(舉例而言，例如在進一步損害發生之前及時停止機具或進行就地調整以移除故障)。

圖3依照本發明實施例呈現產生故障模型的方法實例。這些故障模型係儲存在故障資料庫(如故障資料庫222)中，以在生產期間用來偵測以及/或是分類故障。在步驟302，從感測器蒐集多個晶圓的感測器資料。標示與感測器資料物件相關的晶圓為「不良」、「良好」、或「未知」(步驟304)。舉例而言，工程師知道某特定晶圓或晶圓組為不良是由於磨損的聚焦環(無論刻意與否)，並使用與這些晶圓相關的感測器資料來導出磨損聚焦環的故障模型。該優良的故障模型對於分類亦相當有用，如同任何其他故障模型一樣。

在步驟306，預先過濾感測器頻道以排除呈現極少變異的頻道。預先過濾為資料操作的一部分，用以減少在故障偵測以及/或是分析期間所需處理的資料量。考量涉及大量感測器以及各感測器每秒會產生數百個或更多的資料樣本之情形，資料操作對於增進故障偵測/過濾的及時性與效率為很有用的步驟。在一實施例中，在預先過濾期間會排除無助於故障偵測(例如對所關注的故障並無變化)的感測器頻道資料。在接續流程圖中會更加詳細討論預先過濾。

在步驟308，針對與全部晶圓資料樣本相關的剩餘資料頻道執行加權主成分分析(PCA,principal component analysis)。加權PCA的目的是減少資料維度，且為減少需處理資料量之資料操作的另一部分，以增進故障偵測/過濾的及時性與效率。在接續流程圖中會更加詳細討論加權PCA。由於加權PCA的結果為呈現晶圓的資料樣本在多維PCA空間中(步驟310)。

在步驟312，故障訊跡(signatures)係部分使用使用者指明的「不良」樣本來定義。如所述，使用者可指明與特定晶圓相關的特定感測器資料組為已知的「不良」晶圓樣本，並可使用這些資料組建構描繪該已知故障特徵的故障訊跡。一般而言，故障訊跡為PCA空間中的向量。在接續圖式中會更加詳細討論故障訊跡。

在步驟314，與晶圓相關的資料樣本係呈現在2-D相關圖中。該示意圖有助於根據資料樣本強度(故障嚴重性)以及與故障訊跡的相似性(樣本資料與故障訊跡之間的角度)，有效率地分析可能的故障情況。在接續圖式中會更加詳細討論2-D相關圖中的示意圖。

在步驟316，從2-D相關圖計算故障邊界(其定義被視為故障的資料參數之邊界)。在接續圖式中會更加詳細討論故障邊界之計算。

在步驟318，驗證故障模型的穩健性。故障模型(作為本文所用辭彙)至少包含故障訊跡、故障邊界、與PCA參數(例如與加權後PCA的PCA頻道相關的PCA係數)。在接續圖式中會更加詳細討論故障模型之驗證。

圖4依照本發明實施例呈現與自動頻道過濾相關的步驟(圖3的預先過濾步驟306)。圖4的步驟代表一有利的實施例-藉由刪除不會促成變異的頻道，有其他方式可執行預先過濾以減少資料頻道量。

在步驟402，針對所呈交的全部晶圓之個別頻道計算摘要統計量(如平均數、中位數、最大值、最小值、雜訊等等)。在一實施例中，使用局部線性配適預估雜訊。在一實施例中，舉例而言，若有10個晶圓與200個感測器資料頻道，作為步驟402的一部分， 將會針對全部10個晶圓、各晶圓的全部200個頻道計算摘要統計量。

在步驟404，針對全部晶圓樣本的各頻道計算中位數統計量的變異數。舉例而言，若頻道#37測量壓力，且17mT為晶圓#5的壓力中位數讀數而19mT為晶圓#6的中位數，則針對所有晶圓的頻道#37計算中位數統計量的變異數。舉例而言，變異數可以標準差量數來表示。即使在感測器資料蒐集期間不時漏掉頻道中的某些樣本，因為對於頻道資料而言，中位數傾向提供較可靠的統計量，所以最好使用中位數。然而，在某些實施例中，亦會使用其他統計量(例如平均數)。

在步驟406，排除被視為對故障情況無變化的資料頻道(即資料變化不夠明顯到有助於判別故障情況)。排除無變化資料頻道的一種有利的方法涉及將該頻道之前述中位數統計量的變異數與特定門檻比較，例如該頻道的雜訊門檻或頻道解析度。頻道解析度仰賴感測器設計特性且可從步驟408的預填列表中讀出。當知亦可使用排除無變化資料頻道的其他方法。

如在步驟406可看出，若資料頻道的中位數統計量之變異數為零，或是若資料頻道的中位數統計量之變異數少於雜訊的若干倍數，或是若資料頻道的中位數統計量之變異數少於頻道解析度(即由於感測器的製造而與該頻道相關的製造公差、傳輸線路公差等等)的若干倍數，則視該資料頻道為變異不足、無法納入。在該狀況中，排除該資料頻道(步驟410)。否則，納入資料頻道以建構故障模型以及/或是用以偵測以及/或是分析故障(步驟412)。

圖5依照本發明實施例呈現用以減少資料維度的加權PCA方法。一般而言，在PCA中，頻道變異數之間的相關性係為了減少資料維度而分析。舉例而言，不在100維的資料空間中呈現變異數，而是在較少維度的PCA空間中捕捉大多數的變異數。在建構故障偵測模型中，期待能在PCA資料空間中捕捉從正常樣本至不良樣本的頻道變異數。

然而，若是相較於「良好」與「未知」樣本量，「不良」樣本 量非常少，則「不良」樣本的貢獻度可能太微不足道，致使難以在PCA資料空間中捕捉變異數。

在圖5的加權PCA方法中，預定「不良」樣本對「良好」與「未知」樣本的一可接受門檻比率。若是「不良」樣本對「良好」與「未知」樣本的量低於該比率，則複製「不良」樣本直到達到該門檻。藉由如此，即使「不良」樣本量可能少到無法在PCA資料空間中捕捉期望的變異數，仍可在「不良」樣本與良好/未知樣本之間捕捉期望的變異數。

參照圖5，在步驟502準備包含「不良」樣本N₁ 與「良好」以及/或是「未知」樣本N₂ 的資料組。在步驟504，查明「不良」樣本N₁ 量是否少於「良好」以及/或是「未知」樣本N₂ 量的若干預定比率。步驟504的目的為查明不良樣本N₁ 量是否低到無法捕捉「不良」樣本所貢獻的期望變異數。雖然可使用任何合適比率，但在圖5的實踐中該比率係設為N₂ 的1/10。

若是「不良」樣本N₁ 不足，則複製「不良」樣本直到相對於預定比率具有足夠的「不良」樣本量(步驟506)。在採取測量以確保(在步驟504)有足夠的「不良」樣本N₁ 量之後，接著便以任一速率對資料組執行PCA(步驟508)。

在步驟510，維持主成分分析俾足以捕捉80%(或若干其他期望百分比)的變異數。熟悉PCA者對步驟508與510係相當清楚而將不在此詳述。

圖6A、6B、6C與6D依照本發明實施例呈現定義故障向量(代表故障訊跡)同時自動解決腔室偏移之步驟。在圖6A中，繪製所有資料樣本於縮減的PCA資料空間(在圖6A中呈現為三維，但可具有與圖5的PCA步驟所期望者同樣多之資料維度)。定義未校正故障向量V₁ 為從「良好」(或差一些，從「未知」)樣本中心朝向「不良」樣本中心之一向量。

定義向量V₀ 為腔室偏移向量且如圖6A的縮減PCA資料空間中所示般呈現。隨著時間的腔室偏移會影響電漿(舉例而言，隨著時間推移，其影響「良好」樣本中心)並需要納入考量，以增進建 構故障訊跡模型的準確性。舉例而言，若是相較於「良好」資料樣本，「不良」樣本係在不同的時間區段取得，則腔室偏移便會代表對於「不良」樣本與較早取得的「良好」樣本之間的變異數之有意義(non-trivial)貢獻。在建構故障訊跡中，藉由從腔室偏移分量分離出故障分量，便可達到更準確的故障偵測與分析。此為優於先前技術的顯著改良。

已校正故障向量V_F 代表在解決腔室偏移之後的未校正故障向量V₁ 的必要分量。就數學而言，已校正故障向量V_F 之運算係呈現在圖6B中。在圖6B中，已校正故障向量V_F 等於未校正故障向量V₁ 減去腔室偏移的單位向量(V₀ )乘上未校正故障向量V₁ 與腔室偏移的單位向量V₀ 之純量積。圖6A中可見已校正故障向量V_F ，其置於連接「不良」樣本中心至偏移向量V₀ 的沿線上，且垂直於偏移向量V₀ 。圖6C中呈現未校正故障向量V₁ 之計算，而在圖6D中呈現偏移向量V₀ 之計算。由使用圖6C所得的未校正故障向量V₁ ，以及使用圖6D所得的偏移向量V₀ 之計算，便可使用圖6B所示的等式求得已校正故障向量。

參照圖6C，在步驟630查明是否有至少一個標為良好的樣本。詳細來說，樣本包括針對單一晶圓描繪資料頻道特徵的該組資料。在圖6的狀況中，樣本係在PCA資料空間中。若有一個良好樣本，則定義未校正故障向量V₁ 從「良好」樣本中心延伸至「不良」樣本中心(步驟632)。另一種方式為定義未校正故障向量V₁ 從「未知」樣本中心延伸至「不良」樣本中心(步驟634)。換句話說，若是存在任何「良好」樣本，便使用「良好」樣本中心來定義未校正故障向量V₁ 。

參照完成偏移向量V₀ 計算的圖6D，配適法(例如最小平方線性配適)係用在全部的「良好」與「未知」樣本上(步驟652)。若適合度(goodness-of-fit)低於(步驟654)特定門檻(在圖6D實例中為0.7，但可隨期望而不同)，則設定偏移向量V₀ 為零(步驟656)。另一方面，若適合度高於(步驟654)門檻，則執行進一步檢查以檢視投射在此配適V₀ 上的資料樣本是否與其時戳(time stamps)有良好 的相關性(因為預期隨著時間流逝，資料樣本將會以偏移的方向沿著偏移向量分配)。

因而在步驟658，查明投射在配適V₀ 上的資料與其時戳之相關性。若是相關性超過另一門檻(在圖6D實例中為0.7，但亦可隨期望而不同)，則接受配適V₀ 為偏移向量(步驟660)。否則，便設定偏移向量V₀ 為零(步驟656)。

一旦定義故障向量V_F ，就可計算任何晶圓樣本向量V_k 與故障向量V_F 之間的相關性，以偵測晶圓樣本V_k 是否呈現故障特性，而且(如果可行)分類該故障(藉由反覆比較晶圓樣本向量V_k 與代表不同故障的不同故障向量)。圖7A呈現相關性係可由r(k)項量化，r(k)代表當晶圓樣本向量V_k 投射在故障向量V_F 時的故障強度。以數學描繪此關係於圖7B中。此外，在晶圓樣本向量V_k 與故障向量V_F 之間的角度θ反應晶圓樣本與故障是如何近似。以數學描繪此關係於圖7C中。

可相對故障向量V_F 計算各式樣本，以達成在2-D座標系統中呈現資料樣本，而各樣本k係繪在r(k)、θ(k)上。

圖8依照本發明實施例呈現設定故障訊跡邊界的步驟。一旦繪製資料樣本於2-D座標系統中(每個樣本係繪在r(k)、θ(k)上)，就可建立故障情況的邊界。圖8呈現2-D資料樣本圖的實例，而「良好」或「未知」樣本係聚集在區域802中。「不良」樣本係聚集在區域804中。為了設定由區域804中的「不良」樣本所代表之故障情況的邊界，辨識「不良」樣本的最大值θ(max)，其展現「不良」樣本之中的最大角度θ。

為了提供邊際誤差，故障情況的角度邊界為該最大值θ(max)的若干倍數(整數或非整數的倍數)。在圖8實例中，點808代表具有從橫軸(θ=零)起算的最大值θ(max)之樣本。與點808樣本相關的角度θ(max)係乘上1.2(一任意數且可隨期望而不同)，以得到最大邊界值θ(b)。

為了提供邊際誤差，辨識與具有最小r(k)的資料樣本相關之半徑r。該最小半徑r(k)係乘上若干分數常數(圖8實例中為0.8，但 可隨期望而不同)。參照圖8，邊界812代表故障情況的邊界，且落在邊界812中的資料樣本可被分類成該故障情況。

若僅有單一「不良」資料點，則界定故障情況的θ(b)角另外反應「良好」樣本之外的參數值以及若干餘裕。在一實施例中，全部的良好/未知樣本之最小值θ(min)係藉由若干分數常數所縮減，以導出界定故障情況的θ(b)角。參照圖8，假定點814代表具最小θ(min)值的「良好」樣本。直線816描繪與「良好」或「未知」樣本的最小角相關的θ(min)角。藉由分數常數(本實例中為0.8，但該值可隨期望改變)縮減最小值θ(min)，便得到邊界角θ(b)且在圖8中由直線820所繪。

圖9依照本發明實施例呈現驗證故障模型的步驟。在步驟902，查明是否全部的「不良」樣本皆在故障邊界之中，以及是否全部的「良好」與「未知」樣本皆在故障邊界之外。若答案為否，則拒絕該故障模型(步驟906)。另一方面，若步驟902的兩個條件皆為真，便進一步查明(步驟904)是否每個「不良」樣本已從「不良」樣本群集中至少拿出一次，以反覆再驗證該故障模型。若每個「不良」樣本已從「不良」樣本群集中至少拿出一次以反覆再驗證該故障模型，且該再驗證並未啟動拒絕(步驟902/906)，則接受該模型(步驟908)。

另一方面，若剩下一個以上的「不良」樣本要從「不良」樣本群集中拿出以反覆再驗證故障模型，則從不良樣本群集中取出尚未被拿出的「不良」樣本，以利故障模型的再驗證(步驟910)。以修正後的「不良」樣本群再次執行(在步驟912)故障向量與故障邊界計算(圖3的步驟312-316)。在實施例中，每次從「不良」樣本群集中取出一個「不良」樣本，上一個被取出的「不良」樣本便被放回群集中。以此方式，採一次僅缺少一個「不良」樣本來執行故障向量與故障邊界之再計算。在一個以上的實施例中，當然可能會在每回合中取出一組「不良」樣本(並更換上一組)。在此狀況中，採一次僅缺少一組「不良」樣本執行故障向量與故障邊界之再計算。

一旦全部的「不良」樣本皆已被取出至少一次且故障模型測試令人滿意，就在步驟908結束驗證。

圖10依照本發明實施例，呈現從晶圓製程資料(方塊1002)偵測以及或是分類一個以上的故障情況之步驟。在步驟1004，計算資料頻道的摘要統計量。舉例而言，稍早已參照圖4討論該計算。

圖10亦呈現故障模型資料庫(方塊1006)，其代表預先建構故障模型之資料存儲1006。故障模型包含如稍早討論的故障訊跡、故障邊界、與PCA參數。不同的故障模型描繪不同的已知故障之特徵(例如磨損邊緣環、破碎接地帶、不正確腔室間隙、錯誤氣壓等等)。挑選來自故障模型資料庫的一故障模型用以測試(步驟1008)。

在步驟1010，與測試中晶圓相關的晶圓製程感測器資料係轉換至步驟1008所選故障模型的相同PCA空間中，有助於針對所選故障模型進行偵測與分類。在步驟1012，針對與步驟1008所選故障模型相關的故障向量V_F 計算晶圓製程資料的相關性(θ與r)。在步驟1014，查明測試中的晶圓製程資料是否在步驟1008所選故障模型的故障邊界中。若測試中的晶圓製程資料在步驟1008所選故障模型的故障邊界中，便在步驟1018啟動警報，指示偵測出與1008所選故障模型一致的可能故障並將該故障型態分類。

另一方面，若測試中的晶圓製程資料不在步驟1008所選故障模型的故障邊界中，程序便移向步驟1016，查明是否有另外的故障情況要再次測試。在某些狀況中，即使已偵測出可能故障，仍會期望針對其他故障模型測試晶圓製程資料，以判定是否有多重可能故障。若確認有另外的故障情況要測試，程序便移向步驟1008，挑選另一故障模型以再次測試。程序持續直到在步驟1016中確認沒有另外的故障情況要測試。在步驟1020，產生報告以報導故障相關性結果以及/或是已發現/已分類的任何可能故障。

如由前述可知，儘管涉及複雜的故障分類與龐大的感測器資料，本發明實施例有助於自動化、有效率、且及時地偵測與分類故障情況。

更重要地，本發明實施例將故障模型建構的程序系統化並降低技術門檻。操作員不再需要知道要選擇含括哪個資料頻道、如何解決基準偏移、以及如何設定邊界條件。在故障模型建構程序中已系統化及自動化這些判斷。在某些狀況中，建構故障模型所需的一切為辨識故障情況以及把該晶圓所相關的資料樣本標為適當的「不良」標籤。

本發明方法接著便自動執行資料操作以預先過濾資料頻道，並進一步透過PCA減少晶圓資料的資料維度。尤其，加權PCA、自動解決基準(腔室)偏移、以及/或是根據產生故障模型的創新故障分類方法、2-D資料標繪與故障邊界設定使得故障模型建構程序、故障偵測與分類成為高度自動化、穩健以及有效率。

雖然已用數個實施例描述本發明，仍有落在本發明範疇中的變化、置換、與均等者。若本文使用詞彙「組」，該詞彙係意圖具有一般所理解的數學意義，涵蓋零、一、或多於一的元件。亦當注意有許多實行本發明實施例方法與設備的替代方式。甚者，可在其他應用上發覺本發明實施例的效用。本文為求方便提供摘要部分，且因為字數限制而寫成便於閱讀，其不應用以限制本申請專利範圍的範疇。因而應當解讀下列隨附申請專利範圍為包括落在本發明的真實精神與範疇中之所有變化、置換、與均等者。

100‧‧‧下部電極子系統

102‧‧‧下部電極

104‧‧‧外部蓋環

106‧‧‧頂部蓋環

108‧‧‧晶圓

200‧‧‧電漿處理腔室的各式子元件

202‧‧‧電漿處理腔室

204‧‧‧下部電極

206‧‧‧外部蓋環

208‧‧‧頂部蓋環

210、212、214‧‧‧感測器

220‧‧‧故障偵測/分類單元

222‧‧‧故障資料庫

224‧‧‧控制器

302-318‧‧‧步驟

402-412‧‧‧步驟

502-510‧‧‧步驟

630-634‧‧‧步驟

652-660‧‧‧步驟

802、804‧‧‧樣本聚集區域

808、814‧‧‧點

812‧‧‧邊界

816、820‧‧‧直線

902-912‧‧‧步驟

1002-1020‧‧‧步驟

在隨附圖式的圖中藉由實例非限制性地說明本發明，而圖中類似的參照數字意指相似的元件，且其中：圖1呈現下部電極子系統的實例，包含下部電極、外部蓋環、與頂部蓋環。

圖2依照發明實施例呈現電漿處理腔室的各式子元件之邏輯方塊圖，其能自動並及時偵測故障情況以及自動並及時分類故障。

圖3依照本發明實施例呈現產生故障模型的方法實例。

圖4依照本發明實施例呈現自動頻道過濾所相關的步驟。

圖5依照本發明實施例呈現減少資料維度的加權PCA方法。

圖6A、6B、6C與6D依照本發明實施例呈現定義故障向量(代 表故障訊跡)的同時自動納入腔室偏移之步驟。

圖7A、7B與7C呈現相關性能透過r(k)項量化，r(k)代表當晶圓樣本向量V_k 係投射在故障向量V_F 時的故障強度。

圖8依照本發明實施例呈現設定故障訊跡邊界的步驟。

圖9依照本發明實施例呈現驗證故障模型的步驟。

圖10依照本發明實施例呈現從晶圓製程資料偵測以及/或是分類一個以上的故障情況之步驟。

200．．．電漿處理腔室的各式子元件

202．．．電漿處理腔室

204．．．下部電極

206．．．外部蓋環

208．．．頂部蓋環

210、212、214．．．感測器

220．．．故障偵測/分類單元

222．．．故障資料庫

224．．．控制器

Claims (20)

1. 一種故障情況偵測方法，在處理第一基板期間偵測數個故障情況之第一故障情況，該方法包含：在該第一基板的處理期間經由感測器蒐集第一資料，其中該第一資料包含一第一組樣本及一第二組樣本；傳送該第一資料至一故障裝置；經由該故障裝置處理該第一資料，包含：判定一已校正故障向量，包括：判定一偏移向量，該偏移向量係對應至一電漿處理腔室之一或更多參數的偏移；根據該第一組樣本及該第二組樣本判定一未校正故障向量；及根據該偏移向量校正該未校正故障向量，以產生該已校正故障向量；及比較該第一資料之第一部份與儲存於一故障資料庫中的數個故障模型，其中該數個故障模型分別對應至該數個故障情況，其中該數個故障模型包括下列各者：(i)數個故障向量、(ii)數個故障邊界、與(iii)數組主成分分析(PCA)參數，且其中該數個故障向量包含該已校正故障向量；以及根據該第一資料之該第一部份與該數個故障模型的該比較，偵測該第一故障情況。
2. 如申請專利範圍第1項之故障情況偵測方法，其中藉由該故障裝置的該第一資料之該處理包括：針對該感測器之各頻道計算摘要統計量值；及預先過濾該第一資料，以排除來自該感測器之第一組頻道的該第一資料之第二部份，其中該第一組頻道對該數個故障情況無變化。
3. 如申請專利範圍第2項之故障情況偵測方法，其中： 該第一資料的該處理包括對來自該感測器之第二組頻道的該第一資料之該第一部份執行加權PCA；且來自該第二組頻道的該第一資料之該第一部份不包括來自該第一組頻道的該第一資料之該第二部份。
4. 如申請專利範圍第3項之故障情況偵測方法，其中：該第一資料的該處理包括根據該組PCA參數之其中一組產生表現於一多維PCA空間中的一組資料樣本；該偏移向量係根據表現於該多維PCA空間中的該組資料樣本；且該電漿處理腔室之該偏移係由該多維PCA空間中之該偏移向量所表現。
5. 如申請專利範圍第4項之故障情況偵測方法，其中該第一資料之該第一部份與該數個故障模型的該比較包括：根據該數個故障模型之第一故障模型的故障向量判定該第一資料之相關性值。
6. 如申請專利範圍第5項之故障情況偵測方法，其中：第一資料之該第一部份與該數個故障模型的該比較包括判定該第一資料之該第一部份是否在該第一故障模型的一故障邊界中；若該第一資料之該第一部份在該第一故障模型的該故障邊界中，就產生指出一可能故障情況的警報訊號；以及若該第一資料之該第一部份在該第一故障模型的該故障邊界之外，就辨識該數個故障模型之一第二故障模型並比較該第一資料之該第一部份與該第二故障模型。
7. 如申請專利範圍第1項之故障情況偵測方法，其中該數個故障模型之各者係由下列所述產生：針對數個基板分別蒐集來自該感測器之資料組，其中該資料 組包含該第一資料，且其中該數個基板包含該第一基板；將稱號分別指定至該資料組，其中該稱號之各者係辨識為一組不良資料、一組良好資料、或一組未知資料；以及預先過濾該感測器之數個頻道以排除來自該數個頻道之第一部份的資料，其中該數個頻道之該第一部份無助於故障偵測，其中該預先過濾包括針對該數個基板之各者計算該數個頻道之第二部份的統計量值摘要。
8. 如申請專利範圍第7項之故障情況偵測方法，其中該稱號之各者係根據該電漿處理腔室中的組件情況、以及該數個基板之一者的情況。
9. 如申請專利範圍第7項之故障情況偵測方法，其中計算該統計量值摘要包括對該資料組使用局部線性配適。
10. 如申請專利範圍第7項之故障情況偵測方法，其中該預先過濾更包括計算該統計量值摘要中的變異數。
11. 一種偵測系統，其係在一電漿處理腔室中之一第一基板的處理期間偵測及分類數個故障情況之第一故障情況，該系統包含：感測器，其係配置用以在該第一基板之該處理期間監控該電漿處理腔室；一故障資料庫，其係配置為儲存數個故障模型，其中該數個故障模型的各者分別對應至該數個故障情況；以及一故障裝置，其係配置用以：(i)從該感測器蒐集第一資料，其中該第一資料包含一第一組樣本及一第二組樣本；及(ii)分析該第一資料之第一部份，包含：判定一已校正故障向量，包含：判定偏移向量，該偏移向量係對應至該電漿處理腔室 之一或更多參數的偏移；根據該第一組樣本及該第二組樣本判定一未校正故障向量；及根據該偏移向量校正該未校正故障向量，以產生該已校正故障向量；比較該第一資料之該第一部份與該數個故障模型的至少一者，其中該數個故障模型包括下列個別者(i)數個故障向量、(ii)數個故障邊界、與(iii)數組主成分分析(PCA)參數，其中該數個故障向量包含該已校正故障向量，且其中該數個故障模型的該至少一者包含該已校正故障向量；以及根據該第一資料之該第一部份與該數個故障模型之該至少一者的該比較，偵測該第一故障情況。
12. 如申請專利範圍第11項之偵測系統，更包括一控制器，其係配置用以根據該故障裝置的輸出控制該偵測系統。
13. 如申請專利範圍第11項之偵測系統，其中該故障裝置係配置用以：針對該感測器之各頻道計算摘要統計量值；及預先過濾該第一資料以排除來自從該感測器之第一組頻道的該第一資料之第二部份，其中該第一組頻道對該數個故障情況無變化。
14. 如申請專利範圍第13項之偵測系統，其中：該故障裝置係配置用以對來自該感測器之第二組頻道的該第一資料之該第一部份執行加權PCA；且來自該第二組頻道的該第一資料之該第一部份不包括來自該第一組頻道的該第一資料之該第二部份。
15. 如申請專利範圍第14項之偵測系統，其中： 該故障裝置係配置用以根據該數組PCA參數其中一組產生表現於一多維PCA空間中的一組資料樣本；該偏移向量係根據表現於該多維PCA空間中的該組資料樣本；且該電漿處理腔室之該偏移係由該多維PCA空間中之該偏移向量所表現。
16. 如申請專利範圍第15項之偵測系統，其中該故障裝置係配置用以根據該數個故障模型之第一故障模型的故障向量判定該第一資料的相關性值。
17. 如申請專利範圍第16項之偵測系統，其中該故障裝置係配置用以：比較該第一資料之該第一部份與該數個故障模型；判定該第一資料之該第一部份是否在該第一故障模型的一故障邊界中；若該第一資料之該第一部份在該第一故障模型的該故障邊界中，就產生指出一可能故障情況的警報訊號；且若該第一資料之該第一部份在該第一故障模型的該故障邊界之外，就辨識該數個故障模型之一第二故障模型，並比較該第一資料之該第一部份與該第二故障模型。
18. 如申請專利範圍第11項之偵測系統，其中該故障裝置係配置用以由下列所述產生該數個故障模型之各者：針對數個基板分別蒐集來自該感測器的資料組，其中該資料組包含該第一資料，且其中該數個基板包含該第一基板；將稱號分別指定至該資料組，其中該稱號之各者係辨識為一組不良資料、一組良好資料、或一組未知資料；以及預先過濾該感測器之數個頻道以排除來自該感測器之該數個頻道之第一部份的資料，其中該數個頻道之該第一部份無助於故 障偵測，其中該預先過濾包括針對該數個基板之各者計算該數個頻道之第二部份的統計量值摘要。
19. 如申請專利範圍第18項之偵測系統，其中該稱號之各者係根據該電漿處理腔室中的組件情況、以及該數個基板之一者的情況。
20. 如申請專利範圍第18項之偵測系統，其中該故障裝置係配置用以在計算該統計量值摘要時對該資料組使用局部線性配適。