TWI631351B - 用於線內良率監控的關鍵參數之電測試參數的自動化判定之系統及方法 - Google Patents

用於線內良率監控的關鍵參數之電測試參數的自動化判定之系統及方法 Download PDF

Info

Publication number
TWI631351B
TWI631351B TW103112738A TW103112738A TWI631351B TW I631351 B TWI631351 B TW I631351B TW 103112738 A TW103112738 A TW 103112738A TW 103112738 A TW103112738 A TW 103112738A TW I631351 B TWI631351 B TW I631351B
Authority
TW
Taiwan
Prior art keywords
electrical test
parameter
parameters
value data
yield
Prior art date
Application number
TW103112738A
Other languages
English (en)
Other versions
TW201447327A (zh
Inventor
賽寶 巴納吉
索努 馬希夏瓦瑞
約翰 查爾斯 羅賓森
戴爾 雷吉班德
Original Assignee
克萊譚克公司
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 克萊譚克公司 filed Critical 克萊譚克公司
Publication of TW201447327A publication Critical patent/TW201447327A/zh
Application granted granted Critical
Publication of TWI631351B publication Critical patent/TWI631351B/zh

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G05B2219/32194—Quality prediction
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • General Factory Administration (AREA)

Abstract

線內良率監控可包含使用一或多個演算法軟體模組。線內良率監控可包含使用諸如一學習模組及一預測模組之兩個相關演算法軟體模組。該學習模組可從探針電測試良率及PET(參數電測試)屬性值之資料學習關鍵PET參數。該關鍵PET參數可最佳地將該良率資料中的離群點及內群點分開。該預測模組可使用由該學習模組發現之該關鍵PET參數來預測一晶圓是一探針測試分類中之一內群點還是一離群點。

Description

用於線內良率監控的關鍵參數之電測試參數的自動化判定之系統及方法 [優先權主張]
本專利主張2013年4月7日申請之美國臨時專利申請案第61/809,407號之優先權，該案之全部內容以引用的方式併入本文中。
本發明係關於晶粒良率之線內監控。更特定言之，本發明係關於在一半導體晶圓廠或晶圓代工廠中使用電測試資料分析之晶粒良率之線內監控。
目前，半導體晶圓廠及晶圓代工廠可採用在兩個層級之電測試以便判定其等之晶粒良率。電測試之該兩個層級可包含(例如)在一晶圓層級上之參數電測試(PET)及在一晶粒層級之探針電測試(例如，箱排序(binsort))。
在製造程序期間可在晶圓廠或晶圓代工廠內之晶圓上執行PET。可在製造程序中以各種步驟實行PET以確保產生之材料之品質係合適的。PET可(例如)視為在製造程序期間執行之電健康檢測。PET可用作在製造程序期間發生之潛在問題之一指示器。執行PET通常係相對廉價的且具有快速周轉時間。由於小成本及快速周轉，晶圓廠通常可 在一批量中(但非整個批量)之較大樣品晶圓上執行PET。
然而，PET產生大量數值屬性(以10,000屬性之順序)。程序工程師可基於物理及/或歷史資料將一小組此等屬性標記為關鍵。可基於此等關鍵屬性之值設定統計程序控制臨限值且來自此等臨限值之所有偏差可針對良率而被監控及嚴格控制。
然而，儘管給出大量PET屬性，但是人工判定該等屬性中哪些係關鍵及哪些不係關鍵為一困難工程任務；尤其對於當存在一較少量之程序資訊時在相位中之一斜坡期間之新產品。針對該等關鍵PET屬性設定統計程序臨限值亦可為一困難人工工程任務(尤其對於在相位中之斜坡期間之新產品)。由於較大人工任務，在一晶圓廠中之工程師可由於不知哪些資料係重要的哪些資料係不重要的而花費過量時間篩分大量資料。因此，此等程序可為勞力密集且增大晶圓廠成本且降低晶圓廠效率。另外，由於此等問題，晶圓廠管理者可能不具有驅動有效管理晶圓廠指標及維持獲利能力之戰術及策略決定所需之可執行洞察力。
探針電測試(例如，箱排序)係以每一晶粒為基礎在最終晶圓上執行之另一組電量測。探針電測試產生該晶圓之晶粒良率，定義為該晶圓上之良好晶粒之數目對該晶圓上之晶粒之總量之一百分比。由該等探針電測試導致之此晶粒良率可由晶圓廠及晶圓代工廠用作其等之最終良率統計及產品品質之總體量測。然而，由於在該晶圓完成處理之後執行探針電測試，因此該等測試在良率監控中不十分有用。另外，由於晶圓廠及晶圓代工廠通常不具有探針測試設備，大部分探針電測試在廠外發生。因此，當一晶圓已歷經探針測試時，該晶圓為一已完成產品且很少或不能進行修正動作以補救該晶圓自身上之任何缺陷。另外，對於從該等探針電測試獲得之良率問題(例如，良率損耗)之根本原因之任何洞察力具有一較長週期且在此週期期間許多更多晶圓或 批量可能已使用相同有缺陷之程序處理，此對於該晶圓廠可為一經濟損失。歸因於探針電測試之成本亦引發額外損失。探針電測試通常花費PET之5倍至10倍。
在某些實施例中，一種電腦實施方法包含在一電腦處理器處，從用於在使用一半導體程序產生之一組半導體晶圓上執行之探針電測試之良率值之一資料庫接收良率值資料之輸入。在該電腦處理器處，從用於在該組半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收參數電測試屬性值資料之輸入。該電腦處理器可將所接收之良率值資料分類為一內群點類別及一離群點類別。該電腦處理器可基於該等所接收之良率值資料之該內群點類別及該離群點類別及該等所接收之參數電測試屬性值資料，評估一或多個關鍵參數之電測試屬性。該電腦處理器可評估對應於該等關鍵參數之電測試屬性之一或多者的一或多個統計程序控制臨限值。該等統計程序控制臨限值可為用於該半導體程序之程序控制臨限值。該電腦處理器可產生關鍵參數之電測試參數之一資料庫。該等關鍵參數之電測試參數可包含關鍵參數之電測試屬性及其等之對應統計程序控制臨限值。
在某些實施例中，一種電腦實施方法包含在一電腦處理器處，從用於在使用一半導體程序產生之一組半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收參數電測試屬性值資料之輸入。該電腦處理器可從關鍵參數之電測試參數之一資料庫接收關鍵參數之電測試參數之輸入。該等關鍵參數之電測試參數可包含用於該半導體程序之關鍵參數之電測試屬性及其等之對應統計程序控制臨限值。該電腦處理器可評估使用一參數電測試所測試之一或多個半導體晶圓之一探針電測試分類。該評估可基於該等所接收之參數電測試屬性值資料及該等所接收之關鍵參數之電測試參數。該探針電測試分類 可包含將一半導體晶圓分類為探針電測試良率資料之一內群點類別或一離群點類別。該電腦處理器可使用該等所評估之探針電測試分類來產生探針電測試分類之一資料庫。
200‧‧‧學習模組程序
202‧‧‧資料庫
204‧‧‧資料庫
206‧‧‧學習模組
208‧‧‧資料庫
300‧‧‧曲線圖
302‧‧‧線對
402‧‧‧球
404‧‧‧球
500‧‧‧線
600‧‧‧預測模組程序
602‧‧‧預測模組
604‧‧‧資料庫
700‧‧‧資料
702‧‧‧資料
704‧‧‧線
結合隨附圖式參考根據本發明之目前較佳但闡釋性之實施例之下列詳細描述，將更全面暸解本發明之方法及裝置之特徵及優勢，在圖式中：圖1描繪用於線內良率監控之應用之一階層之一實施例。
圖2描繪一學習模組程序之一實施例之一流程圖。
圖3描繪展示為晶圓之數目相對於良率(就良率百分比而言)之良率值資料之一曲線圖之一實施例。
圖4描繪基於互相資訊統計之屬性排名以判定關鍵PET屬性之一實施例之一表示。
圖5描繪表示基於屬性值排序之PET屬性之球。
圖6描繪一預測模組程序之一實施例之一流程圖。
圖7描繪最高排名PET屬性值相對於用於一(先前)非關鍵屬性之探針電測試良率之一曲線圖之一實例。
雖然本發明易於以各種修改及替代形式呈現，但其之特定實施例藉由實例之方式在圖式中展示且將在本文中詳細描述。圖式可不按比例繪製。應理解，本發明中之圖式及詳細描述並非旨在將本發明限制於所揭示之特定形式，而相反地，本發明將覆蓋如由隨附申請專利範圍所定義歸屬於本發明之精神及範疇內之所有修改、等效物及替代。
如在本文中所揭示，線內良率監控描述在半導體晶圓之半導體處理期間之參數及/或屬性之監控，以產生所要良率及/或最大化良 率。在某些實施例中，線內良率監控應用於一單一技術(例如，在一晶圓廠或晶圓代工廠中操作之一單一半導體程序)或藉由分組類似產品之相同技術之多個產品上。在一些實施例中，線內良率監控應用於多個批量或多個晶圓。圖1描繪如在本文中所揭示之用於線內良率監控之應用之一階層之一實施例。
在某些實施例中，線內良率監控包含使用一或多個演算法軟體模組。演算法軟體模組可為相關的。在某些實施例中，線內良率監控包含使用兩個相關演算法軟體模組。舉例而言，線內良率監控可包含一學習模組及一預測模組，其等係相關演算法軟體模組。
圖2描繪學習模組程序200之一實施例之一流程圖。學習模組程序200可用於(例如)評估(「學習」)最佳地分開良率資料中之離群點與良率資料中之內群點(例如，正常良率資料)之關鍵PET(參數電測試)參數，其中使用探針電測試發現良率資料。
在某些實施例中，資料庫202係用於在一組半導體晶圓上執行之探針電測試(例如，箱排序良率)之良率值之一資料庫。可使用一半導體程序產生半導體晶圓。在某些實施例中，資料庫204係用於在該組半導體晶圓上執行之參數電測試之參數電測試(PET)屬性值之一資料庫。可在如探針電測試之相同組之半導體晶圓上執行PET測試。在一些實施例中，PET屬性值之資料庫包含至少一些遺失屬性值。遺失屬性值可為並非所有PET皆在所有半導體晶圓上執行之結果。
在某些實施例中，學習模組206從資料庫202及/或資料庫204接收輸入。學習模組206可(例如)從資料庫202接收良率值資料之輸入及從資料庫204接收PET屬性值資料之輸入。
在某些實施例中，學習模組206自動判定(例如，自動處理資料以判定)從資料庫202輸入之良率值資料中之一內群點類別及一離群點類別。因此，學習模組206可將良率值資料分類為內群點類別及離群點 類別。在某些實施例中，一無監督分類演算法將良率值資料分類為內群點類別及離群點類別。
在某些實施例中，學習模組206(在圖2中展示)排序所接收之良率值資料作為一分佈。舉例而言，可依良率百分比排序良率值資料之分佈。圖3描繪展示為晶圓之數目相對於良率(就良率百分比而言)之良率值資料之一曲線圖之一實施例。可使用在該組半導體晶圓上之一或多個探針電測試產生用於曲線圖300之資料點。
為分類良率值資料，學習模組206(在圖2中展示)可對良率值資料之分佈(例如，藉由圖3中之曲線圖300展示之分佈)評估四分距。評估四分距可包含評估良率值資料之一內四分距。在一些實施例中，由在線之間含有50%資料點之最薄線對來定義內四分距。線對302(在圖3中展示)係在線之間含有曲線圖300之50%資料點之一線對之一實例。在某些實施例中，於定義內四分距之後，評估(例如，由學習模組206評估)在內四分距中之資料點(例如，由線對302圍封之資料點)的均值(mean)及標準差。在某些實施例中，使用資料點之一高斯(Gaussian)擬合(例如，良率值分佈頭部之一高斯擬合)來評估均值及標準差。
在評估均值及標準差之後，學習模組206可將離群點類別(良率值資料分佈之尾部)指派至良率值資料(例如，曲線圖300)。在某些實施例中，離群點類別經指派為低於(第一四分位數-一選定值×內四分距)或高於(第三四分位數+該選定值×內四分距)。在一些實施例中，基於針對良率值資料之內四分距所發現之均值及標準差來判定用於離群點類別指派之選定值。在一些實施例中，良率值資料(例如，曲線圖300)中不存在離群點。然而，若存在離群點，則其等將歸屬於良率值資料分佈之尾部上。內群點類別(良率值分佈之頭部)可經指派為未指派至離群點類別之資料值(例如，歸屬於定義離群點類別之界限內之資料值)。
在良率值資料之分類之後，學習模組206(在圖2中展示)可使用良率值資料之分類來評估(例如，判定)一或多個關鍵PET屬性。在某些實施例中，基於所接收之良率值資料之內群點類別及離群點類別及所接收之PET屬性值資料來評估關鍵PET屬性。在某些實施例中，關鍵PET屬性係提供離群點類別及內群點類別之所要分離的PET測試屬性(例如，關鍵PET屬性經選定以最佳地分開良率值資料之離群點類別及內群點類別之PET屬性)。
在某些實施例中，一監督分類演算法評估關鍵PET屬性。監督分類演算法可包含使用離群點類別及內群點類別的分類作為監督分類，且使用PET屬性值資料作為監督分類的特徵。隨後，可使用此等特徵之一子組產生對於分類能力之優質數。
在一些實施例中，優質數係一基於互相資訊統計之屬性排名。圖4描繪基於互相資訊統計之屬性排名以判定關鍵PET屬性之一實施例之一表示。對於基於互相資訊統計之屬性排名(如在圖4中展示)，在良率值資料之分類之後每一PET屬性(由球表示)被給予一頭部(由球402表示之內群點類別)或尾部(由球404表示之離群點類別)指定。另外，基於用於PET屬性測試之晶圓之探針電測試結果(例如，箱排序結果)，將每一PET屬性指派至一箱(例如，箱1或箱2)。對於PET屬性，箱計數(頻率)可由X表示而良率分類(例如，頭部或尾部)可由Y表示。因此，I(X；Y)可為用於PET屬性之介於X與Y之間的互相資訊統計。
對於每一PET屬性，可基於屬性值排序表示PET屬性之球(如在圖5中展示)。如在圖5中展示，可發現一單一切割(例如，線500)將球402及球404最佳地分開至2個箱(例如，箱1及2)中。在某些實施例中，最佳單一切割係最大化用於每一屬性之互相資訊統計排名額定值之切割。在最大化用於每一PET屬性之互相資訊統計額定值之判定之後，可對應於PET屬性之最大化互相資訊統計額定值來排名PET屬性。接 著，具有最高互相資訊統計額定值之選定數目個PET屬性可選作關鍵PET屬性。因此，基於PET屬性對於探針電測試良率之關鍵性，將大量PET屬性減少(例如，自動削減)至PET屬性之一較小、最佳組。
在一些實施例中，如上文所描述，PET屬性值資料包含至少一些遺失屬性值。然而，學習模組206(在圖2中展示)仍可評估給出遺失屬性值之關鍵PET屬性。舉例而言，使用基於互相資訊統計之排名，非遺失屬性值之一比例可用於排名PET屬性。給出不具有任何遺失值之2個PET屬性A1及A2，若依照互相資訊統計，X1及X2對於給定Y良率分類係該2個PET屬性之最佳2個箱分配，則若且僅若I(X1；Y)I(X2；Y)時A1 A2。對於具有任何遺失值之2個PET屬性A1及A2，若依照互相資訊統計(其中不在分配中考量遺失屬性)，X1及X2對於給定Y良率分類係該2個PET屬性之最佳2個箱分配，則若且僅若p1I(X1；Y)p2I(X2；Y)時A1 A2；其中pi係用於Ai之非遺失屬性值之比例。
在一些實施例中，學習模組程序200將使用目前關鍵性識別方法(例如，人工工程方法)可能不被識別為關鍵PET屬性之選定PET屬性識別為關鍵。學習模組程序200可將一(先前)非關鍵PET屬性識別為關鍵，因為此PET屬性具有一較高關鍵性排名(例如，一基於較高互相資訊統計之排名)。舉例而言，(現有)關鍵屬性可提供內群點類別與離群點類別之間之完美或幾乎完美之分類。
圖7描繪最高排名PET屬性值相對於用於一(先前)非關鍵屬性之探針電測試良率之一曲線圖之一實例。內群點類別(頭部)屬性經識別為資料700，而離群點類別(尾部)屬性經識別為資料702。線704表示將屬性值分開至2個箱中之切割(例如，使用基於互相資訊統計之屬性排名發現之單一切割)。如在圖7中展示，(先前)非關鍵屬性提供內群點類別資料700與離群點類別資料702之間的幾乎完美之分類。
在評估關鍵PET屬性之後，學習模組206可評估對應於關鍵PET屬 性之一或多者的一或多個統計程序控制臨限值。統計程序控制臨限值可為(例如)用於半導體程序(用於產生該組半導體晶圓)之程序控制臨限值。關鍵PET屬性及其等之對應統計程序控制臨限值之組合可稱為關鍵PET參數。在某些實施例中，學習模組206產生關鍵PET參數之一資料庫。學習模組206可將關鍵PET參數之資料庫輸出至資料庫208(在圖2中展示)。因此，資料庫208可為對應於用於該組半導體晶圓之資料庫202及資料庫204之關鍵PET參數之一資料庫。
在某些實施例中，使用學習模組程序200產生之關鍵PET參數用於指示使用一PET測試所測試之一半導體晶圓是否分類為內群點類別還是離群點類別。舉例而言，可使用用於一或多個半導體晶圓之參數電測試資料(例如，由一電腦處理器接收及處理)以基於關鍵PET參數來預測每一晶圓是否分類為內群點類別還是離群點類別。可(例如)使用一預測演算法軟體模組執行預測。
圖6描繪預測模組程序600之一實施例之一流程圖。預測模組程序600可用於(例如)評估(「預測」)使用一PET測試所測試之半導體晶圓之一探針電測試分類。因此，預測模組程序600可用作用於一實際探針電測試程序之一「代理」(例如，預測模組程序600允許PET測試結果產生類似於使用實際探針電測試程序發現之結果之分類結果)。
在某些實施例中，預測模組602從資料庫204及/或資料庫208接收輸入。預測模組602可(例如)從資料庫204接收PET屬性值資料之輸入及從資料庫208接收關鍵PET參數之輸入。在某些實施例中，從資料庫204輸入之PET屬性值資料係不同於輸入至學習模組206中之資料之輸入資料(在圖2中展示)。舉例而言，輸入至預測模組602中之PET屬性值資料可包含用於一額外及/或不同組之半導體晶圓之資料，而非輸入至學習模組206中之該組半導體晶圓之資料。
在某些實施例中，預測模組602評估(例如，預測)一或多個半導 體晶圓之一探針電測試分類。在一些實施例中，使用一PET測試半導體晶圓。評估可基於所接收之PET值資料及所接收之關鍵PET參數。在某些實施例中，探針電測試分類包含將一半導體晶圓分類為探針電測試良率資料之內群點類別或離群點類別(例如，根據由學習模組206發現之良率值資料分類而分類半導體晶圓)。
在某些實施例中，預測模組602使用所評估之探針電測試分類產生探針電測試分類之一資料庫。預測模組602可將探針電測試分類之資料庫輸出至資料庫604。因此，資料庫604可為對應於用於一組半導體晶圓之資料庫204及資料庫208之探針電測試分類之一資料庫。
在一些實施例中，基於所評估之探針電測試分類、所接收之參數電測試屬性值資料及所接收之關鍵參數之電測試參數來修改用於半導體程序之一或多個操作條件。在一些實施例中，在從資料庫604接收探針電測試分類資料之輸入之後修改操作條件。在晶圓處理期間評估探針電測試分類資料之後僅跟隨半導體晶圓之PET測試允許更立即修改操作條件，此由於更少晶圓在非所要操作條件下處理而導致更高良率。評估探針電測試分類資料之後跟隨半導體晶圓之PET測試亦可減少對於探針電測試之需求，因為僅需探測一較小樣品大小以產生最終分類資料。減少探針電測試之使用可減少花費及/或後勤問題(例如，關於晶圓之傳輸及收集之問題)。因此，晶圓廠及/或晶圓代工廠可減少其等之總成本且以一及時方式發現良率問題。
在某些實施例中，使用可由一處理器(例如，一電腦處理器或一積體電路)執行之軟體操作在本文中描述之一或多個程序步驟。舉例而言，學習模組程序200或預測模組程序600(在圖2及圖6中展示)可分別具有使用可由處理器執行之軟體控制或操作之一或多個步驟。另外，可使用由處理器執行之軟體來控制或操作一或多個模組(例如，學習模組206或預測模組602)。在一些實施例中，程序步驟在電腦記 憶體中或電腦可讀儲存媒體(例如，非暫時性電腦可讀儲存媒體)中儲存為程式指令且可由處理器執行程式指令。
應理解，本發明不限於描述之(當然)可變化之特定系統。亦應理解，在本文中使用之術語僅出於描述特定實施例之目的且不旨在限制。如在本說明書中所使用，單數形式「一」及「該」包含複數指涉，除非內容明確另外指示。因此，(例如)對於「一屬性」之引用包含兩個或兩個以上屬性之一組合。
本發明之各種樣態之進一步修改及替代實施例對於熟習關於本說明書之技術者而言將變得明顯。因此，此描述僅解釋為闡釋性的且出於教示熟習此項技術者實施本發明之一般方法之目的。應理解，在本文中展示及描述之本發明之形式將作為目前較佳實施例。元件及材料可替換在本文中繪示及描述之該等元件及材料，可顛倒部分及程序，且可獨立利用本發明之某些特徵，所有將如熟習此項技術者在具有本發明之此描述之後變得明顯。在不脫離如在下列申請專利範圍中描述之本發明之精神及範疇之情況下可在本文中描述之元件中做出改變。

Claims (20)

  1. 一種電腦實施方法，其包括：在一電腦處理器處，從用於在使用一半導體程序產生之一組半導體晶圓上執行之探針電測試之良率值之一資料庫接收良率值資料之輸入；在該電腦處理器處，從用於在該組半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收參數電測試屬性值資料之輸入；使用該電腦處理器將該等所接收之良率值資料分類為一內群點類別及一離群點類別；使用該電腦處理器，基於該等所接收之良率值資料之該內群點類別及該離群點類別及該等所接收之參數電測試屬性值資料，評估一或多個關鍵參數之電測試屬性；使用該電腦處理器評估對應於該等關鍵參數之電測試屬性之一或多者的一或多個統計程序控制臨限值，其中該等統計程序控制臨限值係用於該半導體程序之程序控制臨限值；且使用該電腦處理器產生關鍵參數之電測試參數之一資料庫，其中該等關鍵參數之電測試參數包括關鍵參數之電測試屬性及其等之對應統計程序控制臨限值。
  2. 如請求項1之方法，進一步包括使用一無監督分類演算法來分類所接收之該等良率值資料而將該等良率值資料分類為該內群點類別及該離群點類別。
  3. 如請求項1之方法，其中將該等所接收之良率值資料分類為該內群點類別及該離群點類別包括：排序該等所接收之良率值資料作為一分佈； 評估該分佈之四分距；評估該分佈之一內四分距；評估該內四分距之一均值及標準差；且將該離群點類別指派為低於(第一四分位數-一選定值×該內四分距)或高於(第三四分位數+該選定值×該內四分距)。
  4. 如請求項3之方法，其中使用對於該等內群點類別良率值資料之一高斯(Gaussian)擬合來發現該均值及標準差。
  5. 如請求項1之方法，其中該一或多個關鍵參數之電測試屬性包括提供該等良率值資料之該離群點類別及該內群點類別之所要分離的參數電測試屬性。
  6. 如請求項1之方法，其中用於在該組半導體晶圓上執行之參數電測試之參數電測試屬性值之該資料庫包括至少一些遺失屬性值，且其中評估給出該等遺失屬性值之該一或多個關鍵參數之電測試屬性。
  7. 如請求項1之方法，進一步包括使用一監督分類演算法來評估該一或多個關鍵參數之電測試屬性。
  8. 如請求項7之方法，其中該監督分類演算法包括：使用該離群點類別及該內群點類別之該分類作為監督類別；使用該等參數電測試屬性值資料作為該等監督類別之特徵；且使用該等特徵之一子組產生對於一分類能力之一優質數。
  9. 如請求項1之方法，進一步包括在該電腦處理器處接收用於一或多個半導體晶圓之參數電測試資料，且基於該等關鍵參數之電測試參數來預測每一晶圓是否分類為該內群點類別還是該離群點類別。
  10. 一種電腦實施方法，其包括：在一電腦處理器處，從用於在使用一半導體程序產生之一組 半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收參數電測試屬性值資料之輸入；在該電腦處理器處，從關鍵參數之電測試參數之一資料庫接收關鍵參數之電測試參數之輸入，其中該等關鍵參數之電測試參數包括用於該半導體程序之關鍵參數之電測試屬性及其等之對應統計程序控制臨限值；使用該電腦處理器評估使用一參數電測試所測試之一或多個半導體晶圓之一探針電測試分類，其中該評估係基於該等所接收之參數電測試屬性值資料及該等所接收之關鍵參數之電測試參數，且其中該探針電測試分類包括將一半導體晶圓分類為探針電測試良率資料之一內群點類別或一離群點類別；且使用該電腦處理器使用該等所評估之探針電測試分類來產生探針電測試分類之一資料庫。
  11. 如請求項10之方法，進一步包括基於該等所評估之探針電測試分類、該等所接收之參數電測試屬性值資料及該等所接收之關鍵參數之電測試參數來修改用於該半導體程序之一或多個操作條件。
  12. 如請求項10之方法，進一步包括在該電腦處理器處接收探針電測試分類資料之輸入，且基於該等所評估之探針電測試分類、該等所接收之參數電測試屬性值資料及該等所接收之關鍵參數之電測試參數來修改用於該半導體程序之一或多個操作條件。
  13. 如請求項10之方法，其中藉由以下產生探針電測試良率資料之該內群點類別及該離群點類別：在該電腦處理器處，從用於在使用該半導體程序產生之一組半導體晶圓上執行之探針電測試之良率值之一資料庫接收良率值資料之輸入； 在該電腦處理器處，從用於在該組半導體晶圓上執行之參數電測試之參數電測試屬性值之該資料庫接收該等參數電測試屬性值資料之輸入；且使用該電腦處理器將該等良率值資料分類為該內群點類別及該離群點類別。
  14. 如請求項10之方法，其中藉由以下產生關鍵參數之電測試參數之該資料庫：在該電腦處理器處，從用於在使用一半導體程序產生之一組半導體晶圓上執行之探針電測試之良率值之一資料庫接收良率值資料之輸入；在該電腦處理器處，從用於在該組半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收該等參數電測試屬性值資料之輸入；使用該電腦處理器將該等良率值資料分類為該內群點類別及該離群點類別；使用該電腦處理器，基於該等良率值資料之該內群點類別及該離群點類別及該等參數電測試屬性值資料，來評估一或多個關鍵參數之電測試屬性；使用該電腦處理器評估對應於該等關鍵參數之電測試屬性之一或多者的一或多個統計程序控制臨限值，其中該等統計程序控制臨限值係用於該半導體程序之程序控制臨限值；且使用該電腦處理器產生關鍵參數之電測試參數之該資料庫。
  15. 一種用於線內良率監控之系統，其包括：一電腦記憶體，其經組態以儲存電腦程式指令；及一電腦處理器，其經組態以執行該等電腦程式指令且導致該系統： 從用於在使用一半導體程序產生之一組半導體晶圓上執行之探針電測試之良率值之一資料庫接收良率值資料之輸入；從用於在該組半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收參數電測試屬性值資料之輸入；將該等所接收之良率值資料分類為一內群點類別及一離群點類別；基於該等所接收之良率值資料之該內群點類別及該離群點類別及該等所接收之參數電測試屬性值資料，評估一或多個關鍵參數之電測試屬性；評估對應於該等關鍵參數之電測試屬性之一或多者的一或多個統計程序控制臨限值，其中該等統計程序控制臨限值係用於該半導體程序之程序控制臨限值；且產生關鍵參數之電測試參數之一資料庫，其中該等關鍵參數之電測試參數包括關鍵參數之電測試屬性及其等之對應統計程序控制臨限值；其中該等關鍵參數之電測試參數用於指示使用一參數電測試所測試之一半導體晶圓是分類為該內群點類別還是該離群點類別。
  16. 如請求項15之系統，其中使用一無監督分類演算法將該等所接收之良率值資料分類為該內群點類別及該離群點類別。
  17. 如請求項15之系統，其中該一或多個關鍵參數之電測試屬性包括提供該等良率值資料之該離群點類別及該內群點類別之所要分離的參數電測試屬性。
  18. 如請求項15之系統，其中使用一監督分類演算法來評估該一或多個關鍵參數之電測試屬性。
  19. 一種用於線內良率監控之系統，其包括： 一電腦記憶體，其經組態以儲存電腦程式指令；及一電腦處理器，其經組態以執行該等電腦程式指令且導致該系統：從用於在使用一半導體程序產生之一組半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收參數電測試屬性值資料之輸入；從關鍵參數之電測試參數之一資料庫接收關鍵參數之電測試參數之輸入，其中該等關鍵參數之電測試參數包括用於該半導體程序之關鍵參數之電測試屬性及其等之對應統計程序控制臨限值；評估使用一參數電測試所測試之一或多個半導體晶圓之一探針電測試分類，其中該評估係基於該等所接收之參數電測試屬性值資料及該等所接收之關鍵參數之電測試參數，且其中該探針電測試分類包括將一半導體晶圓分類為探針電測試良率資料之一內群點類別或一離群點類別；且使用該等所評估之探針電測試分類來產生探針電測試分類之一資料庫。
  20. 如請求項19之系統，其中該電腦處理器進一步導致該系統：從用於在使用一半導體程序產生之一組半導體晶圓上執行之探針電測試之良率值之一資料庫接收良率值資料之輸入；從用於在該組半導體晶圓上執行之參數電測試之參數電測試屬性值之一資料庫接收該等參數電測試屬性值資料之輸入；將該等良率值資料分類為該內群點類別及該離群點類別；基於該等良率值資料之該內群點類別及該離群點類別及該等參數電測試屬性值資料，評估一或多個關鍵參數之電測試屬性； 評估對應於該等關鍵參數之電測試屬性之一或多者的一或多個統計程序控制臨限值，其中該等統計程序控制臨限值係用於該半導體程序之程序控制臨限值；且產生關鍵參數之電測試參數之該資料庫。
TW103112738A 2013-04-07 2014-04-07 用於線內良率監控的關鍵參數之電測試參數的自動化判定之系統及方法 TWI631351B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201361809407P 2013-04-07 2013-04-07
US61/809,407 2013-04-07
US14/242,528 US20140303912A1 (en) 2013-04-07 2014-04-01 System and method for the automatic determination of critical parametric electrical test parameters for inline yield monitoring
US14/242,528 2014-04-01

Publications (2)

Publication Number Publication Date
TW201447327A TW201447327A (zh) 2014-12-16
TWI631351B true TWI631351B (zh) 2018-08-01

Family

ID=51655058

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103112738A TWI631351B (zh) 2013-04-07 2014-04-07 用於線內良率監控的關鍵參數之電測試參數的自動化判定之系統及方法

Country Status (5)

Country Link
US (1) US20140303912A1 (zh)
KR (1) KR102258942B1 (zh)
CN (1) CN105264640B (zh)
TW (1) TWI631351B (zh)
WO (1) WO2014168883A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9689923B2 (en) * 2013-08-03 2017-06-27 Kla-Tencor Corp. Adaptive electrical testing of wafers
KR101924487B1 (ko) 2013-12-17 2018-12-03 에이에스엠엘 네델란즈 비.브이. 수율 추산 및 제어
US10921369B2 (en) 2017-01-05 2021-02-16 Xcalipr Corporation High precision optical characterization of carrier transport properties in semiconductors
KR102440695B1 (ko) 2017-08-11 2022-09-05 삼성전자주식회사 웨이퍼 맵 분석 장치, 이를 이용한 웨이퍼 맵 분석 방법 및 반도체 장치 제조 방법
US11087065B2 (en) * 2018-09-26 2021-08-10 Asml Netherlands B.V. Method of manufacturing devices
CN110968984B (zh) * 2018-09-28 2022-12-09 长鑫存储技术有限公司 集成电路工艺分析系统及分析方法
US10705514B2 (en) 2018-10-09 2020-07-07 Applied Materials, Inc. Adaptive chamber matching in advanced semiconductor process control
US10930531B2 (en) * 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
US10657214B2 (en) * 2018-10-09 2020-05-19 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
CN109741779B (zh) * 2018-12-29 2020-10-16 西安紫光国芯半导体有限公司 一种在晶圆测试过程中动态调整测试条件的方法
US11156991B2 (en) * 2019-06-24 2021-10-26 Nanotronics Imaging, Inc. Predictive process control for a manufacturing process
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
KR102366120B1 (ko) * 2019-11-05 2022-02-22 한국전력공사 발전 설비 성능 감시 장치
US11086988B1 (en) 2020-02-28 2021-08-10 Nanotronics Imaging, Inc. Method, systems and apparatus for intelligently emulating factory control systems and simulating response data
US20210325860A1 (en) * 2020-04-17 2021-10-21 Primeconcept S.R.L. Quality control system for series production

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020153916A1 (en) * 2001-02-20 2002-10-24 Samsung Electronics Co., Ltd. Method of identifying and analyzing semiconductor chip defects
TW200707614A (en) * 2005-08-10 2007-02-16 Samsung Electronics Co Ltd Testing method detecting localized failure on a semiconductor wafer
CN100370455C (zh) * 2001-07-30 2008-02-20 应用材料有限公司 用于分析制造数据的方法和装置
JP2008066711A (ja) * 2006-08-10 2008-03-21 Hitachi Ltd 半導体デバイス歩留り予測システムおよび方法
US20110178967A1 (en) * 2001-05-24 2011-07-21 Test Advantage, Inc. Methods and apparatus for data analysis

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6324481B1 (en) * 1998-10-21 2001-11-27 Texas Instruments Incorporated Method for the calculation of wafer probe yield limits from in-line defect monitor data
US6210983B1 (en) * 1998-10-21 2001-04-03 Texas Instruments Incorporated Method for analyzing probe yield sensitivities to IC design
US6319737B1 (en) * 1999-08-10 2001-11-20 Advanced Micro Devices, Inc. Method and apparatus for characterizing a semiconductor device
JP2003077972A (ja) * 2001-09-04 2003-03-14 Hitachi Ltd 半導体装置の製造方法
AU2003297025A1 (en) * 2002-12-11 2004-06-30 Pdf Solutions, Inc. Fast localization of electrical failures on an integrated circuit system and method
TWI280603B (en) * 2003-09-08 2007-05-01 Toshiba Corp Manufacturing system of semiconductor device and manufacturing method of semiconductor device
JP4008899B2 (ja) * 2003-09-08 2007-11-14 株式会社東芝 半導体装置の製造システムおよび半導体装置の製造方法
US8126255B2 (en) * 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8543576B1 (en) * 2012-05-23 2013-09-24 Google Inc. Classification of clustered documents based on similarity scores

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020153916A1 (en) * 2001-02-20 2002-10-24 Samsung Electronics Co., Ltd. Method of identifying and analyzing semiconductor chip defects
US20110178967A1 (en) * 2001-05-24 2011-07-21 Test Advantage, Inc. Methods and apparatus for data analysis
CN100370455C (zh) * 2001-07-30 2008-02-20 应用材料有限公司 用于分析制造数据的方法和装置
TW200707614A (en) * 2005-08-10 2007-02-16 Samsung Electronics Co Ltd Testing method detecting localized failure on a semiconductor wafer
JP2008066711A (ja) * 2006-08-10 2008-03-21 Hitachi Ltd 半導体デバイス歩留り予測システムおよび方法

Also Published As

Publication number Publication date
WO2014168883A1 (en) 2014-10-16
CN105264640B (zh) 2018-02-27
TW201447327A (zh) 2014-12-16
CN105264640A (zh) 2016-01-20
US20140303912A1 (en) 2014-10-09
KR20150140358A (ko) 2015-12-15
KR102258942B1 (ko) 2021-06-02

Similar Documents

Publication Publication Date Title
TWI631351B (zh) 用於線內良率監控的關鍵參數之電測試參數的自動化判定之系統及方法
KR102110755B1 (ko) 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화
TWI776945B (zh) 對半導體樣本中的缺陷進行分類之方法及其系統
US6766283B1 (en) System and method for monitoring process quality control
US6789032B2 (en) Method of statistical binning for reliability selection
KR20130118276A (ko) 자동 및 수동 결함 분류의 통합
CN112200806A (zh) 一种晶圆的缺陷分析方法和系统
CN105702595B (zh) 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法
CN113191399B (zh) 一种基于机器学习分类器提高半导体芯片良品率的方法
US11404331B2 (en) System and method for determining cause of abnormality in semiconductor manufacturing processes
US20050031188A1 (en) Systems and methods for characterizing a sample
CN114556350A (zh) 无需晶粒级输入数据的晶粒级产品建模
CN104537383A (zh) 一种基于粒子群的海量组织机构数据分类方法及系统
CN117272122B (zh) 晶圆异常的共性分析方法及装置、可读存储介质、终端
JP2011187836A (ja) 半導体製造装置の管理方法及び管理システム
Park et al. Data mining approaches for packaging yield prediction in the post-fabrication process
TWI574136B (zh) 基於設計之缺陷分類之方法及系統
KR20230002862A (ko) 웨이퍼 빈 맵 기반 근본 원인 분석
TW202139114A (zh) 一種判斷半導體製程異常原因之系統與方法
US11328108B2 (en) Predicting die susceptible to early lifetime failure
CN110749813B (zh) 测试系统及适应性测试制法产生方法
Patnaik et al. Operational Risk in Semiconductor Fabrication Using Binary Classification Algorithms and Monte Carlo Simulation, a Systemic Review
US20230111543A1 (en) Systems and methods for multidimensional dynamic part average testing
Deb et al. Fault diagnosis of a single point cutting tool using statistical features by random forest classifier
CN117522196A (zh) 数据处理方法及装置、存储介质及电子装置