TWI660322B - 考慮機台交互作用之辨識良率損失原因的系統與方法 - Google Patents

考慮機台交互作用之辨識良率損失原因的系統與方法 Download PDF

Info

Publication number
TWI660322B
TWI660322B TW107140645A TW107140645A TWI660322B TW I660322 B TWI660322 B TW I660322B TW 107140645 A TW107140645 A TW 107140645A TW 107140645 A TW107140645 A TW 107140645A TW I660322 B TWI660322 B TW I660322B
Authority
TW
Taiwan
Prior art keywords
key
parameters
workpieces
algorithm
parameter
Prior art date
Application number
TW107140645A
Other languages
English (en)
Other versions
TW201947514A (zh
Inventor
林晉逸
謝昱銘
鄭芳田
Original Assignee
國立成功大學
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 國立成功大學 filed Critical 國立成功大學
Priority to US16/219,970 priority Critical patent/US10948903B2/en
Application granted granted Critical
Publication of TWI660322B publication Critical patent/TWI660322B/zh
Publication of TW201947514A publication Critical patent/TW201947514A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or 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
    • 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]
    • G05B19/4184—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 fault tolerance, reliability of production system
    • 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]
    • G05B19/41845—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 system universality, reconfigurability, modularity
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G05B2219/31356—Automatic fault detection and isolation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Factory Administration (AREA)

Abstract

本發明實施例提供一種雙階段(Two-Phase)處理過程，以尋找生產線之良率損失的根本原因。在第一階段中，辨識出可能會引起良率損失之兩製程機台間、兩參數間、或製程機台與參數間的交互作用。在第二階段中，獲得第一階段所發現之會引起良率損失之參數的門檻值，據以調整製程來提升良率。在每一個階段中，可使用兩個不同的演算法來產生一信賴指標(RII)，以評估其搜尋結果的可靠程度。

Description

考慮機台交互作用之辨識良率損失原因 的系統與方法
本發明是有關於一種辨識良率損失原因的系統與方法，且特別是有關於一種考慮機台交互作用之辨識良率損失原因的系統與方法。
提高產品良率對於公司的盈利能力表現至關重要，特別是在研發和量產階段。所有的製造者無不尋求在研發和量產階段中迅速地提高產品良率。換言之，當良率損失發生時，必須在研發和量產階段中快速地找出引起此良率損失的根本原因。當遭遇到良率損失時，習知之良率提升方法是收集所有生產相關資料來進行大數據分析，以找出造成良率損失的根本原因並改正這些根本原因。然而，生產相關資料常常是數量龐大且複雜的，因此非常難以從生產相關資料中尋找良率損失的根本原因。
隨著半導體及薄膜電晶體液晶顯示器(TFT-LCD)製造技術的進步，其製程變得愈來愈複雜。因 此，如何維持這些複雜的製程之可行的良率便成為一必要的議題。良率管理系統的目標是在提升良率。然而，在研發和產量上升階段中，由於工件數量少，使得良率管理系統難以在所有生產機台中找出缺陷的根本原因。因此，如何在有限數量的工件樣本情況下於數量眾多生產機台中，找出造成良率損失之不良製程機台的關鍵參數，便成為眾所關心的議題。這種挑戰即所謂的高維度變數選取(High Dimensional Variable Selection)問題，其亦標示為p>>n的問題，其中“p”代表半導體及TFT-LCD製程中之製程機台的解釋製程相關參數的數量，而另一方面，“n”是半導體及TFT-LCD製程中之成品(被處理的工件)的採樣數目。
本發明之一目的是在提供一種辨識出良率損失原因的系統與方法，藉以搜尋出造成良率損失之機台間或參數間的交互作用，並比較具有交互作用的機台或參數對良率的影響是否高於單一機台或參數本身對良率的影響，因而決定是否應改善機台間或參數間的交互作用來提升良率。
本發明之又一目的是在提供一種辨識出良率損失原因的系統與方法，藉以搜尋影響良率之參數的門檻值，再透過對此門檻值的控制來提升良率。
根據本發明上述目的，提出一種辨識良率損失之根本原因的方法。在此方法中，首先提供一生產線(例如：半導體生產線、TFT-LCD生產線等)，此生產線包含複數個 製程站(Stages)，每一個製程站包含複數個製程機台，每一個製程機台包含至少一個製程裝置，每一個製程裝置具有複數個製程參數，此些製程參數係配置以處理複數個工件其中一個工件(例如：晶圓、玻璃基板等)。此些製程機台間具有複數個機台間參數，每一個機台間參數代表此些製程機台之兩者間的交互作用。然後，根據複數個生產路徑分別處理工件，每一個生產路徑指出在此些製程站上之此些製程機台之此些製程裝置其中一個預設裝置，用以處理此些工件其中一個工件。接著，對被對應之預設裝置處理後之每一個工件進行量測，以獲得對應至此些工件之複數組線上量測值。然後，對通過生產線後之每一個工件進行至少一個良率測試，以獲得分別對應至此些工件之複數組最終檢查值。接著，根據此些組最終檢查值決定是否遭遇一良率測試失敗。然後，當遭遇到良率測試失敗時，進行一第一階段。在第一階段中，首先基於一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法(Triple Phase Orthogonal Greedy Algorithm；TPOGA)、最小絕對壓縮挑選機制(Least Absolute Shrinkage and Selection Operator；LASSO)演算法、或迴歸樹演算法(TREE)。迴歸樹演算法可為例如：提高樣本使用效率之迴歸樹(Sample-Efficient Regression Trees；SERT)演算法。然後，根據此些生產路徑、此些製程參數和此些機台間參數，獲得用以指出此些工件是否同時通過或使用此些製程裝置、此些製程參數和此些機台間參數所組成之第一組合中之 任二元件的一組互動資料。接著，藉由輸入此些工件之製程參數、機台間參數、互動資料、最終檢查值、線上量測值和生產路徑至上述之第一搜尋模型中，以辨識出可能會造成良率測試失敗的至少一個第一關鍵裝置、和/或至少一個第一關鍵製程參數、和/或至少一個第一關鍵機台間參數、和/或至少一個第一關鍵交互作用。
在一些實施例中，在第一階段中，基於第二演算法來建立第二搜尋模型，其中第二演算法與第一演算法不相同，第二演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或迴歸樹演算法。接著，藉由輸入此些工件之製程參數、機台間參數、互動資料、最終檢查值、線上量測值和生產路徑至第二搜尋模型中，以辨識出可能會造成良率測試失敗的至少一個第二關鍵裝置、和/或至少一個第二關鍵製程參數、和/或至少一個第二關鍵機台間參數、和/或至少一個第二關鍵交互作用。然後，對第一關鍵裝置、和/或第一關鍵製程參數、和/或第一關鍵機台間參數、和/或第一關鍵交互作用進行排名與評分，而獲得一第一排名評分表。並對第二關鍵裝置、和/或第二關鍵製程參數、和/或第二關鍵機台間參數、和/或第二關鍵交互作用進行排名與評分，而獲得一第二排名評分表。接著，比較第一排名評分表和第二排名評分表間之排名的相似度，以獲得第一信賴指標，來評估辨識結果的可靠程度。
在一些實施例中，在第一階段後，進行一第二階段。在第二階段中，選擇第一關鍵製程參數和第一關鍵機 台間參數所組成之第二組合中之一第一參數。接著，根據工件所使用之第一參數的複數個數值，並以每一個數值為一參考值，來獲得用以指出此些數值是否大於或等於此參考值的一組門檻資料。然後，藉由輸入工件之最終檢查值、線上量測值、和門檻資料至第一搜尋模型中，以辨識出可能會造成良率測試失敗的第一參數的複數個第一門檻值。
在一些實施例中，藉由輸入工件之最終檢查值、和門檻資料至上述之第二搜尋模型中，以辨識出可能會造成良率測試失敗的第一參數的的複數個第二門檻值。然後，對第一門檻值進行排名與評分，並對第二門檻值進行排名與評分。接著，比較第一門檻值和門檻值間之排名的相似度，以獲得一第二信賴指標，來評估辨識結果的可靠程度。
在一些實施例中，對被對應之預設裝置處理後之每一個工件進行量測的步驟更包含：對每一個工件進行虛擬量測。
根據本發明上述目的，提出另一種辨識良率損失原因的方法，其中此良率損失係發生在一生產線上，此生產線包含複數個製程站，每一個製程站包含至少一個製程機台，每一個製程機台包含至少一個製程裝置，每一個製程裝置具有複數個製程參數，此些製程參數係配置以處理複數個工件中之一工件。此些製程機台間具有複數個機台間參數，每一個機台間參數代表此些製程機台之兩者間的交互作用。此辨識良率損失原因的方法包含：獲得複數個生產路徑，每一個生產路徑指出在此些製程站上之此些製程機台之 此些製程裝置中之一預設裝置，用以處理此些工件中之一工件；接收此些工件之複數組線上量測值，其中此些組線上量測值係藉由對被預設裝置處理後之此些工件進行量測來獲得；接收對應至此些工件之複數組最終檢查值，其中此些組最終檢查值係藉由對通過此生產線後之每一個工件進行至少一個良率測試來獲得；根據此些組最終檢查值決定是否遭遇一良率測試失敗；當遭遇到良率測試失敗時，進行一第一階段。第一階段包含：基於一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或迴歸樹演算法；藉由輸入工件之製程參數、機台間參數、互動資料、最終檢查值、線上量測值和生產路徑至搜尋模型中，以辨識出可能會造成良率測試失敗的至少一個第一關鍵裝置、和/或至少一個第一關鍵製程參數、和/或至少一個第一關鍵機台間參數、和/或至少一個第一關鍵交互作用；根據生產路徑、製程參數和機台間參數，獲得用以指出工件是否同時通過或使用第一關鍵裝置、第一關鍵製程參數和第一關鍵機台間參數所組成之一第一組合中之任二元件的一組互動資料；以及藉由輸入工件之互動資料、最終檢查值、線上量測值、和/或第一關鍵製程參數、和/或第一關鍵機台間參數、和/或第一關鍵交互作用、和/或工件通過第一關鍵裝置的生產路徑至搜尋模型中，以辨識出可能會造成良率測試失敗的至少一個第二關鍵裝置、和/或至少一個第二關鍵製程參數、和/或至少一個第二關鍵機台間參數、和/或至少一個第二關鍵交互作用。
在一些實施例中，在第一階段後，進行一第二階段。在第二階段中，選擇第二關鍵製程參數和第二關鍵機台間參數所組成之第二組合中之第一參數。然後，根據工件所使用之第二組合中之第一參數的複數個數值，並以每一個數值為一參考值，來獲得用以指出此些數值是否大於或等於此參考值的一組門檻資料。接著，藉由輸入工件之最終檢查值、線上量測值、和門檻資料至第一搜尋模型中，以辨識出可能會造成良率測試失敗的第二組合中之第一參數的複數個門檻值。
根據本發明上述目的，提出一種辨識良率損失之根本原因的系統，其中此良率損失係發生在一生產線上，此生產線包含複數個製程站，每一個製程站包含至少一個製程機台，每一個製程機台包含至少一個製程裝置，每一個製程裝置具有複數個製程參數，此些製程參數係配置以處理複數個工件中之一工件。此些製程機台間具有複數個機台間參數，每一個機台間參數代表此些製程機台之兩者間的交互作用。此辨識良率損失原因的系統包含：記憶體和處理器。
此記憶體儲存有一生產資訊和對應至此些工件之複數組最終檢查值。此生產資訊包含複數個生產路徑、此些工件之此些製程參數的數值、和此些工件之複數組線上量測值，其中每一個生產路徑指出在此些製程站上之此些製程機台之此些製程裝置中之一預設裝置，用以處理此些工件中之一工件，此些組線上量測值係藉由對被預設裝置處理後之此些工件進行量測來獲得，此些組最終檢查值係藉由對通過 生產線後之每一個工件進行至少一個良率測試來獲得。處理器係配置以根據此些組最終檢查值決定是否遭遇一良率測試失敗；當遭遇到良率測試失敗時，進行一第一階段，第一階段包含：基於一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或迴歸樹演算法；根據生產路徑、製程參數和機台間參數，獲得用以指出工件是否同時通過或使用製程裝置、製程參數和機台間參數所組成之一第一組合中之任二元件的一組互動資料；以及藉由輸入工件之製程參數、機台間參數、互動資料、最終檢查值、線上量測值和生產路徑至第一搜尋模型中，以辨識出可能會造成良率測試失敗的至少一個第一關鍵裝置、和/或至少一第一關鍵製程參數、和/或至少一第一個關鍵機台間參數、和/或至少一個第一關鍵交互作用。
在一些實施例中，在上述之處理器配置以進行的第一階段中，基於第二演算法來建立第二搜尋模型，其中第二演算法與第一演算法不相同，第二演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或迴歸樹演算法。接著，藉由輸入此些工件之製程參數、機台間參數互動資料、最終檢查值、線上量測值和生產路徑至第二搜尋模型中，以辨識出可能會造成良率測試失敗的至少一個第二關鍵裝置、和/或至少一個第二關鍵製程參數、和/或至少一個第二關鍵機台間參數、和/或至少一個第二關鍵交互作用。然後，對第一關鍵裝置、和/或第一關鍵製程參數、和/ 或第一關鍵機台間參數、和/或第一關鍵交互作用進行排名與評分，而獲得一第一排名評分表。並對第二關鍵裝置、和/或第二關鍵製程參數、和/或第二關鍵機台間參數進行排名與評分、和/或第二關鍵交互作用，而獲得一第二排名評分表。接著，比較第一排名評分表和第二排名評分表間之排名的相似度，以獲得第一信賴指標，來評估辨識結果的可靠程度。
在一些實施例中，其中在第一階段後，上述之處理器係配置以進行一第二階段。第二階段包含包含：選擇第一關鍵製程參數和第一關鍵機台間參數所組成之一第二組合中之一第一參數；根據工件所使用之第二組合中之第一參數的複數個數值，並以每一個數值為一參考值，來獲得用以指出數值是否大於或等於此參考值的一組門檻資料；以及藉由輸入工件之組最終檢查值、線上量測值、和門檻資料至第一搜尋模型中，以辨識出可能會造成良率測試失敗的第二組合中之第一參數的複數個第一門檻值。
因此，應用本發明實施例，可搜尋出造成良率損失之機台間或參數間的交互作用；可比較具有交互作用的機台或參數和單一機台或參數對良率的影響；可搜尋出影響良率之參數的門檻值，以改善機台間或參數間的交互作用來提升良率。
40a‧‧‧第一資料
40b‧‧‧互動資料
42a‧‧‧第二資料
42b‧‧‧門檻資料
100‧‧‧生產線
110‧‧‧製程站
112‧‧‧製程機台型式
112a-112f‧‧‧製程裝置
113‧‧‧製程參數
114‧‧‧製程機台
115‧‧‧製程參數
116‧‧‧製程機台
118‧‧‧製程機台
119‧‧‧製程參數
120‧‧‧製程機台
121‧‧‧製程參數
122‧‧‧製程機台
124、125、126、127‧‧‧線上量測值
130‧‧‧製程站
131、133、135、137、139‧‧‧機台間參數
140、150、160‧‧‧製程站
200‧‧‧辨識良率損失根本原因的系統
202‧‧‧記憶體
204‧‧‧生產資訊
206‧‧‧處理器
210‧‧‧資料前處理步驟
220‧‧‧資料前處理步驟
230‧‧‧資料前處理步驟
240‧‧‧根本原因尋找步驟
242‧‧‧三階段正交貪婪演算法
244‧‧‧最小絕對壓縮挑選機制演算法
250‧‧‧計算信賴指標
260‧‧‧EDC系統
270‧‧‧MES270
280‧‧‧FDC系統
310‧‧‧選擇出與最終檢查值(Y)最相關的第一變數
320‧‧‧選擇出與最終檢查值(Y)最相關的第二變數
330‧‧‧檢測主節點與次節點間之交互作用對最終檢查值(Y)的影響力
340‧‧‧主節點與次節點間之交互作用的F值是否大於主節點的F值？
350‧‧‧主節點與次節點間之交互作用所代表的變數
360‧‧‧檢查次節點的F值(即次節點對最終檢查值(Y)的影響力)是否小於1？
400‧‧‧良率測試失敗？
402‧‧‧第一階段
404‧‧‧第二階段
410‧‧‧第一根本原因尋找步驟
420‧‧‧第一RII步驟
430‧‧‧第二根本原因尋找步驟
440‧‧‧第二RII步驟
450‧‧‧持續改善製程
為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中〔圖1〕為繪示根據本發明一些實施例之生產系統的示意圖；〔圖2A〕為繪示根據本發明一些實施例之生產線的示意圖；〔圖2B〕為繪示根據本發明一些實施例在製程站上之例示製程機台的示意圖；〔圖2C〕為繪示根據本發明一些實施例之例示製程機台的示意圖；〔圖3〕為繪示根據本發明一些實施例之辨識良率損失之根本原因的系統示意圖；〔圖4A〕和〔圖4B〕為繪示根據本發明一些實施例之TREE演算法的流程示意圖；〔圖5〕為繪示根據本發明一些實施例之辨識良率損失之根本原因的方法流程示意圖；以及〔圖6〕為繪示用以說明本發明實施例之RDL製程的濺鍍站的方塊示意圖。
以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的發明概念，其可實施於各式各樣的特定內容中。所討論之特定實施例僅供說明，並非用以限定本發明之範圍。
隨著半導體及薄膜電晶體液晶顯示器製造技術的製程愈來愈複雜，兩製程機台間、兩製程參數間、或製程機台與製程參數間的交互作用對良率的影響也愈來愈顯著。當進行影響良率之關鍵因子的搜尋時，若只針對單一機台或單一關鍵製程參數，常容易因無法搜尋到因機台間之交互作用所造成的因子，導致搜尋結果不佳，而無法有效地針對因機台交互作用所引起的根本原因來進行良率的改善。
另一方面，即使知道某製程機台與某製程參數間交互作用會引起良率損失，但仍無法知道此製程參數必須大於或小於哪一個門檻值才會造成良率損失。因此，本發明實施例提供一種雙階段(Two-Phase)處理過程，以尋找生產線之良率損失的根本原因。在第一階段中，辨識出可能會引起良率損失之兩製程機台間、兩製程參數間、或製程機台與製程參數間的交互作用或效應，並比較交互作用的機台或參數對良率的影響是否高於單一機台本身對良率的影響。若機台間存在交互作用時，且此交互作用的影響力高於單一機台本身的影響力時，則改善兩機台間之交互作用會比只改善單一機台本身，對良率的提升更有效益。
在第二階段中，在搜尋出具有交互作用之機台或製程參數後，進一步搜尋影響良率的製程參數門檻值，透過此門檻值的控制來避免生產線之良率損失，而達到對良率提升的目的。在每一個階段中，本發明實施例提供可使用兩個不同的演算法來產生一信賴指標(RII)，以評估其搜尋結果的可靠程度。
請參照圖1，圖1為繪示根據本發明一些實施例之生產系統的示意圖。在一些實施例中，生產系統包含生產線100、辨識良率損失之根本原因的系統200、工程資料搜集(Engineering Data Collection；EDC)系統260、製造執行系統(Manufacturing Execution System；MES)270、和偵測與分類(Fault Detection and Classification；FDC)系統280。EDC系統310係配置以搜集生產線100所處理之工件的線上(In-line)量測值(y)、缺陷(D)和最終檢查值(Y)。MES 330係配置以儲存生產線100所處理之工件的生產路徑(XR)。FDC系統280係配置以搜集感應器所獲得之生產線100上各製程裝置之製程參數的數值，並負責即時監控生產線100上各機台(製程裝置)的健康狀況。辨識良率損失之根本原因的系統200係配置以幫助FDC系統320辨識出可能會引起良率損失之兩製程機台間、兩製程參數間、或製程機台與製程參數間的交互作用或效應，以及影響良率的製程參數門檻值。FDC系統280在接到辨識良率損失之根本原因的系統200所提供的上述資訊後，提供更新後的機台配置資料(如參數數值等)至生產線100上的機台，以改善良率。
請參照圖2A至圖2C，圖2A為繪示根據本發明一些實施例之一生產線100的示意圖，其中以TFT製程為例子；圖2B為繪示根據本發明一些實施例在製程站上之例示製程機台的示意圖，其中以“閘極層”為例子；圖2C為繪示 根據本發明一些實施例之例示製程機台的示意圖，其中以沉積機台為例子。
本發明實施例係針對辨識引起發生在生產線100上之良率損失的根本原因，生產線100包含複數個製程站110、130、140、150和160，每一個製程站110、130、140、150和160包含一或多個製程機台112、114、116、118、120和122。舉例而言，如圖2B所示，每一個製程站110、130、140、150和160包含具有製程機台112、114、116、118、120和/或122。每一個製程機台包含至少一個製程裝置。例如：每一個製程機台包含至製程裝置112a、112b、112c、112d、112e和112f。
例如：在TFT-LCD廠中，生產線100可被設置來進行TFT製程，而製程站110(站I)、130(站II)、140(站III)、150(站IV)和160(站V)可為“閘極層”、“半導體層”、“資料層”、“保護層”、和“氧化铟锡(ITO)層”。“閘極層”(製程站110)包含用以進行所謂之顯影製程(Photo Engraving Process；PEP)的製程機台，這些製程機台分別為如薄膜沉積(製程機台112)、正光阻塗佈(製程機台114)、曝光(製程機台116)、顯影(製程機台118)、蝕刻(製程機台120)和光阻去除(製程機台122)等。每一個製程機台包含至製程裝置112a、112b、112c、112d、112e和112f。在生產時，每一個工件逐一通過製程站110、130、140、150和160，最後並受到最終測試(良率測試)，以獲得分別對應至此些工件之複數組最終檢查值。然後，這些組最終檢查值被用來決 定是否遭遇到良率測試失敗。良率測試可能遭遇型1至型10的良率損失，這些良率損失是由各種缺陷所造成，而這些缺陷是由電性測試失敗、粉塵污染等所引起。良率測試可為例如對處理完成之工件進行粉塵顆粒檢測(Particle Test)或針孔檢測(Pin Hole Test)。粉塵顆粒檢測係用以檢測掉落至電路造成短路或斷路的粉塵顆粒。針孔檢測係用以檢測在ITO濺鍍時因工件表面上有異物所造成鍍膜不均的情形。這些判定的缺陷的方式係使用自動化光學檢測(Automatic Optical Inspection；AOI)設備來進行識別。例如：某一工件有型1和型3的缺陷(型1為粉塵顆粒缺陷；型3為針孔缺陷)，則此工件之型1至型10的良率測試結果(最終檢查值)為[1 0 1 0 0 0 0 0 0 0]。當多個工件之型1至型10的良率測試結果(最終檢查值)累積了太多的缺陷時，生產線100遭遇到「良率測試失敗」。
在每一個製程站110、130、140、150和160上，每一個工件逐一被製程機台112、114、116、118、120和122所處理，而每一個工件只在每一個製程機台的一個製程裝置中被處理。當每一個工件在製程機台112、114、116、118、120或122的一預定製程裝置中被處理後，對此工件進行量測，以獲得分別對應至工件之複數組線上(In-line)量測值，其中對此工件所進行的量測方式可為虛擬量測或由量測機台所進行的實際量測，如圖2B所示之線上量測值124(厚度)、125(關鍵尺寸)、126(深度)和127(關鍵尺寸)。當每一個工件在一個製程裝置中被處理時，使用 例如感應器來收集製程裝置之複數個製程參數的數值，如圖2B所示之製程參數113、115、119和121。製程機台112和114間具有至少一個機台間參數131；製程機台114和116間具有至少一個機台間參數133；製程機台116和118間具有至少一個機台間參數135；製程機台118和120間具有至少一個機台間參數137；製程機台120和122間具有至少一個機台間參數139。機台間參數131、133、135、137和139係用以控制在兩製程機台間之工件處理的參數，其可為例如等待時間(Queue-Time；Q-Time)，但本發明實施例並不在此限。「等待時間」為工件被一製程機台處理完後等待進入下一製程機台的時間。
請參照圖3，圖3為繪示根據本發明一些實施例之辨識良率損失之根本原因的系統200的示意圖。系統200包含記憶體202和處理器206。處理器206可包含任何型式的處理器、微處理器、或可編譯並執行指令的場效型可編程邏輯陣列(Field Programmable Gate Array；FPGA)。處理器206可包含單一裝置(例如單核心)或一組裝置(例如多核心)。記憶體202可包含可儲存供處理器206執行之資訊和指令的隨機存取記憶體(Random Access Memory；RAM)或其它型式的動態儲存裝置。生產資訊204、缺陷(D)和多組最終檢查值(Y)稍後將被載入至記憶體202中，以供處理器206執行。
記憶體202儲存有生產資訊204、缺陷(D)、和對應至在生產線100(如圖2A)中被處理之工件的最終檢查 值(Y)。生產資訊204包含複數個生產路徑(XR)、處理工件之製程資料(XP)的數值、和工件之多組線上量測值(y)，其中製程資料(XP)包含製程參數和機台間參數，其可由例如圖1所示之FDC系統280獲得。每一個生產路徑指出在製程站上之製程機台之製程裝置中的一個預設裝置，用以處理一工件，如圖2A至圖2C所示之“在製程站110上製程機台112的製程裝置112a”。生產路徑可由例如圖1所示之MES系統270獲得。這些組線上量測值(y)的獲得是透過對被對應之預設裝置處理後之工件進行量測，而這些組最終檢查值(Y)的獲得是透過對通過生產線後之每一個工件進行至少一個良率測試。缺陷(D)可能會發在任何製程站中，故亦輸入來進行分析。然後，被處理過的缺陷(D)可依據缺陷(D)的本質加入至生產資訊204或最終檢查值(Y)。線上量測值(y)、缺陷(D)和最終檢查值(Y)可由例如圖1所示之EDC系統260獲得。根本原因尋找步驟240的輸出是三階段正交貪婪演算法(TPOGA)242的輸出IEO、迴歸樹(TREE)演算法244的輸出IET和其伴隨的信賴指標RII。迴歸樹演算法244可為例如：提高樣本使用率之迴歸樹(SERT)演算法。在一些實施例中，最小絕對壓縮挑選機制(LASSO)演算法可用以取代TREE 242或LASSO 244。值得注意的是，根本原因尋找步驟240使用兩種不同的演算法，如TPOGA/LASSO、TPOGA/TREE、或LASSO/TREE。以下說明TPOGA、LASSO和TREE。
貪婪演算法是一種逐步迴歸法(Stepwise Regression Method)，其考慮到所有引起良率損失的參數(X)和最終檢查值(Y)間的關係。在本發明實施例中，X包含與所有生產有關的變數：XR、XP、和y；而Y代表最終檢查結果(值)。在此可使用純貪婪演算法(Pure greedy algorithm；PGA)和正交貪婪演算法來解決高維度迴歸問題。然而，在高維度線性迴歸中，正交貪婪演算法優於純貪婪演算法。在本發明實施例中，將正交貪婪演算法、高維資訊準則(high dimensional information criterion；HDIC)和修剪(Trimming)的程序結合成所謂的三階段正交貪婪演算法(TPOGA)。本發明實施例所使用之TPOGA的細節可參考C.-K.Ing和T.L.Lai的論文(“A stepwise regression method and consistent model selection for high-dimensional sparse linear models”,Statistica Sinica,vol.21,pp.1473-1513,2011)，本發明之實施例引用此C.-K.Ing和T.L.Lai的論文之相關規定(Incorporated by reference)，其中Ing和Lai揭示終止條件和HDIC，以沿著具有適當選取準則之最小值的OGA路徑進行選取。
與逐步迴歸不同，LASSO是一種收縮(Shrinkage)方法，其令係數之絕對值總和小於一常數，使殘值平方和最小化。由於此常數的本質，LASSO傾向於產生一些剛好為0的係數，因而提供可解釋(解釋力較強)的模型。LASSO與通常之逐步迴歸間的重大差異是：透過 LASSO可同時處理所有的獨立變數，但逐步迴歸無法時處理所有的獨立變數。本發明實施例所使用之LASSO的細節可參考R.Tibshirani的論文(“Regression shrinkage and selection via the LASSO”,J.Royal Statistical Soc.B,vol.58,no.1,pp.267-288,1996”)和Trevor Hastie、Robert Tibshirani與Jerome Friedman的論文(“The elements of statistical learning：data mining,inference,and prediction”,Springer,New York,2009”)，本發明之實施例引用此R.Tibshirani的論文及Trevor Hastie、Robert Tibshirani與Jerome Friedman的論文之相關規定(Incorporated by reference)。
本發明實施例所使用之迴歸樹(TREE)演算法可為例如：SERT結合迴歸分析中之向前選取(Forward Selection)和迴歸樹的方法。相較於如分類與迴歸樹演算法(Classification And Regression Tree；CART)之習知決策樹，SERT可處理在所謂之高維度變數選取(p>>n)問題中的組合效應。本發明實施例所使用之SERT的細節可參考A.Chen和A.Hong的論文(“Sample-efficient regression trees(SERT)for semiconductor yield Loss Analysis”,IEEE Transactions on Semiconductor Manufacturing,vol.23,no.3,August 2010)，本發明之實施例引用此A.Chen和A.Hong的論文之相關規定(Incorporated by reference)。
以下說明本發明實施例之TREE演算法。請參照圖4A和圖4B，其為繪示根據本發明一些實施例之TREE演算法的流程示意圖。如圖4A所示，在步驟310中，從生產資訊中選擇出與最終檢查值(Y)最相關的第一變數，此第一變數在此稱為主節點(Parent Node)，如圖4B之左半部所示。第一變數可為製程機台、製程參數和/或機台間參數。在步驟320中，從除第一變數外之生產資訊中選擇出與最終檢查值(Y)最相關的第二變數，其中通過第一變數(=1)與不通過第一變數(=0)的第二變數分別列為主節點的左次節點(Sub-Node)和右次節點，如圖4B之右半部所示。在步驟330中，以偏F檢定(Partial F test)檢測主節點各別與次節點和間之交互作用對最終檢查值(Y)的影響力。當主節點與次節點或與次節點間之交互作用的F值(F1,2或F1,3)小於1時，代表主節點與次節點或與次節點間之交互作用對最終檢查值(Y)的影響很小。當F1,2或F1,3大於或等於1時，代表代表主節點與次節點或與次節點間之交互作用對最終檢查值(Y)的影響大，其中是否通過主節點(=1或=0)會產生不同的影響力。在步驟340中，檢查主節點與次節點間之交互作用的F值(F1,2或F1,3)是否大於主節點的F值(即主節點對最終檢查值(Y)的影響力)。當步驟330的結果為是時，進行步驟350。在步驟350中，此主節點與次節點間之交互作用所代表的變數。當步驟330的結果為否時或在進行步驟350後，進行步驟360，以檢查次節點的F值(即次節點對最終檢查值 (Y)的影響力)是否小於1。當步驟360的結果為否時，代表次節點仍對最終檢查值(Y)的影響力，則回到步驟310，再尋找次節點的下一層次節點。當步驟360的結果為是時，代表次節點對最終檢查值(Y)的影響力很小，則結束尋找。
如圖3所示，在進行根本原因尋找步驟240前，需要進行資料前處理步驟210、220和230，以確認所有輸入：生產資訊(XR、XP和y)、缺陷(D)和最終檢查(Y)的品質。以下說明這些輸入的特性。XR必須被離散化(Discretized)為1或0，其指出工件是否有通過此製程站。XP包含機台的製程參數(如電壓、壓力、溫度等)的資料和機台間參數，其需被中心化(Centralized)。至於缺陷(D)，不同的公司有不同的缺陷定義，因此在執行資料前處理和資料撿查前必須與領域專家討論。最終檢查(Y)代表良率測試結果，其需被中心化。
XR的資料品質評估演算法(標示為)評估下列四個事實：1)雖然一個製程站可包含多個同樣型式的製程機台，但此製程站只使用其中一個製程機台；2)若一個生產線應通過多個(例如三個)同樣製程機台型式的製程機台，則此生產線具有三個製程站，此三個製程機台分別位於此三個製程站上；3)若一個製程機台被使用於不同的生產線上，則在不同生產線上的同樣裝置會被視為一個不同的製程站；4)對通過製程機台的一工件而言只有兩種可能：通過(“1”)或不通過(“0”)；5)一工件不能通過不屬於其製程站的製程機台。例如：一工件被一個製程站A中2個同樣製程 機台型式的製程機台a和b所處理，則製程機台a係位於製程站A上，並指定製程機台b係位於製程站B上。
類似地，XP和y的資料品質評估演算法分別標示為和。Y的資料品質評估演算法標示為DQIY。和採用類似於美國專利前案第8095484B2號所使用的製程資料品質評估方法，而DQIY亦應用類似於美國專利前案第8095484B2號所使用的量測資料品質評估方法。本發明之實施例引用此美國專利前案第8095484B2號之相關規定(Incorporated by reference)。
處理器206係配置以根據最終檢查值來決定是否遭遇一良率測試失敗，並在遭遇到良率測試失敗時，進行根本原因尋找步驟240和計算信賴指標(RII)的步驟250。根本原因尋找步驟240和計算信賴指標(RII)的步驟250係分為第一階段和第二階段，以辨識生產線100上之良率損失的根本原因。在第一階段中，辨識出可能會造成良率損失的關鍵裝置、和/或關鍵製程參數、和/或關鍵機台間參數。在第二階段中，獲得第一階段所發現之會引起良率損失之參數的門檻值，據以調整製程來提升良率。在每一個階段中，可使用兩個不同的演算法來產生信賴指標(RII)，以評估本發明之搜尋結果的可靠程度。
在根本原因尋找步驟240之第一階段中，首先，根據生產路徑(XR)、製程參數和機台間參數(XP)，獲得用以指出工件是否同時通過或使用製程裝置、製程參數和 機台間參數所組成之組合中之任二元件的一組互動資料。以下舉例說明互動資料的形成。
假設生產線上有兩個製程裝置k和製程裝置l，每一個工件的生產路徑XRk和XR1，如公式(1)和(2)所示：X Rk =[x 1Rk x 2Rk …x nRk ]T (1)
X RI =[x 1Rl x 2Rl …x nRl ]T (2)當x nRk =1時代表第n個工件的生產路徑通過製程裝置k；當x nRk =0時代表第n個工件的生產路徑未通過製程裝置k；當x nRl =1時代表第n個工件的生產路徑通過製程裝置l；當x nRl =0時代表第n個工件的生產路徑未通過製程裝置l。
製程裝置k和製程裝置l間的互動資料XRkl為工件是否同時通過製程裝置置k和l的資料，如公式(3)所示：X Rkl =[x 1Rk ·x 1Rl x 2Rk ·x 2Rl …x nRk ·x nRl ]T=[x 1Rkl x 2Rkl …x nRkl ]T (3)當x nRkl =1時代表第n個工件的生產路徑都通過製程裝置k和製程裝置l，則製程裝置k和製程裝置l間有交互作用；當x nRl =0時代表第n個工件的生產路徑未通過製程裝置k和製程裝置l或只通過其中一者，製程裝置k和製程裝置l間無交互作用。同理，以上之例示亦可為兩製程裝置間、兩製程參數間、製程裝置與製程參數間、製程裝置與機台間參數間、或製程參數與機台間參數間的互動資料。
接著，藉由輸入工件之製程參數、機台間參數、互動資料、最終檢查值、線上量測值和生產路徑至搜尋模型 中，以辨識出可能會造成良率測試失敗的至少一個關鍵裝置、和/或至少一個關鍵製程參數、和/或至少一個關鍵機台間參數、和/或至少一個關鍵交互作用。所謂「關鍵交互作用」係指兩製程裝置間、兩製程參數間、製程裝置與製程參數間、製程裝置與機台間參數間、或製程參數與機台間參數間對良率的影響。
在一些實施例中，分別以工件之製程參數、互動資料、最終檢查值、線上量測值和生產路徑為輸入值並根據不同的演算法(如TPOGA 242和TREE 244)進行兩次根本原因尋找步驟240，藉以進行步驟250來計算一信賴指標(RII)，此信賴指標(RII)的計算係藉由比較基於TPOGA 242和TREE 244之結果間之排名的相似度。信賴指標(RII)係用來評估基於TPOGA 242和TREE 244之辨識結果的可靠程度。藉由比較基於TPOGA 242和TREE 244之結果並考慮到重疊與權重，重新計算RII並設定RII至0-1之間。以RIIT=0.7為門檻值，若RII大於RIIT，則代表獲得優良的結果；否則，需重新檢查辨識結果。稍後說明計算信賴指標(RII)的步驟250。
在第一階段後，進行第二階段。根本原因尋找步驟240和計算信賴指標(RII)的步驟250的第二階段係用以獲得第一階段所發現之會引起良率損失之參數的門檻值，據以調整製程來提升良率；並使用兩個不同的演算法來產生信賴指標(RII)，以評估本發明之門檻值搜尋結果的可靠程度。在第二階段中，首先選擇由第一階段所選出之關鍵 製程參數和關鍵機台間參數所組成之組合{X1,X2,...,Xp}中之一第一參數Xw，其中第一參數Xw對應至n個工件的數值為{t1,t2,...,tn}。然後，根據工件所使用之第一參數Xw的複數個數值{t1,t2,...,tn}，並以每一個數值ti為一參考值(1≦i≦n)，來獲得用以指出此些數值{t1,t2,...,tn}是否大於或等於此參考值的一組門檻資料，如公式(4)所示：
因應實際應用的需要，公式(4)中之大於或等於ti，亦可改為小於或等於ti，即前述之門檻資料係用以指出此些數值{t1,t2,...,tn}是否小於或等於此參考值。
接著，藉由輸入工件之最終檢查值(Y)、線上量測值、和門檻資料{}至搜尋模型中，以辨識出可能會造成良率測試失敗的第一參數Xw的門檻值。如上所述，在第二階段中，亦可根據不同的演算法(如TPOGA 242和TREE 244)進行兩次根本原因尋找步驟240，藉以進行步驟250來計算關於門檻值的信賴指標(RII)。
請參照圖5，圖5為繪示根據本發明一些實施例之辨識良率損失之根本原因的方法流程示意圖。首先，進行步驟400，以根據最終檢查值來決定是否遭遇一良率測試失敗。當遭遇到良率測試失敗時，進行第一階段402。在第一階段402中，進行第一根本原因尋找步驟410，以辨識出那 一個關鍵裝置、和/或關鍵製程參數、和/或關鍵機台間參數最可能會引起良率測試失敗(良率損失)。在第一根本原因尋找步驟410中，首先基於第一演算法來建立第一搜尋模型，其中第一演算法為三階段正交貪婪演算法(TPOGA)、最小絕對壓縮挑選機制(LASSO)演算法、或迴歸樹(TREE)演算法，例如：圖3所示之TREE 244。然後，獲得一組資料40a，其包含工件的最終檢查值(Y)、生產路徑(XR)、製程資料(XP)、和線上量測值(y)，其中製程資料(XP)包含製程參數和機台間參數。在一些實施例中，根據資料40a來獲得用以指出工件是否同時通過或使用製程裝置、製程參數和機台間參數所組成之一組合中之任二元件的一組互動資料40b(如公式(3)所示)。輸入第一資料40a和互動資料40b至第一搜尋模型中，以辨識出可能會造成良率測試失敗的關鍵裝置、和/或關鍵製程參數、和/或關鍵機台間參數、和/或關鍵交互作用。
在其他實施例中，先輸入第一資料40a至第一搜尋模型中，以辨識出可能會造成良率測試失敗的第一關鍵裝置、和/或第一關鍵製程參數、和/或第一關鍵機台間參數。然後，根據生產路徑、和/或第一關鍵製程參數、和/或第一關鍵機台間參數，獲得用以指出工件是否同時通過或使用第一關鍵裝置、和/或第一關鍵製程參數、和/或第一關鍵機台間參數所組成之一第一組合中之任二元件的一組互動資料40b。然後，輸入第一資料40a中對應至第一關鍵裝置、和/或第一關鍵製程參數、和/或第一關鍵機台間參數的 部分、和互動資料40b至第一搜尋模型中，以辨識出可能會造成良率測試失敗的第二關鍵裝置、和/或第二關鍵製程參數、和/或第二關鍵機台間參數、和/或第二關鍵交互作用。在第一根本原因尋找步驟410完成後，可選擇性地進行第一信賴指標(RII)步驟420，以評估基於第一演算法(例如TREE)之第一根本原因尋找步驟410之搜尋結果的可靠程度。
在第一信賴指標(RII)步驟420中，可基於第二演算法來建立第二搜尋模型，其中第二演算法與第一演算法不相同，第二演算法為三階段正交貪婪演算法演算法、最小絕對壓縮挑選機制演算法、或迴歸樹演算法。接著，輸入第一資料40a和互動資料40b至第二搜尋模型中，以辨識出可能會造成良率測試失敗的關鍵裝置、和/或關鍵製程參數、和/或關鍵機台間參數、和/或關鍵交互作用。然後，對由第一搜尋模型所獲得之關鍵裝置、和/或關鍵製程參數、和/或關鍵機台間參數、和/或關鍵交互作用進行排名與評分，而獲得一第一排名評分表。並對由第二搜尋模型所獲得之關鍵裝置、和/或關鍵製程參數、和/或關鍵機台間參數、和/或關鍵交互作用進行排名與評分，而獲得一第二排名評分表。因為較早被選到的關鍵裝置較重要，搜尋模型所找到之關鍵裝置和參數的順序是重要的，故權重的指定不僅是根據順序亦根據80/20法則，以確保較高的分數給決定性的少數。結果是，評分方式如公式(5)所示：
其中OS1為原始分數，FS1為最終分數，而l為=1、2、...、10的選序。
本發明實施例並不限於上述之80/20法則，其他之評分方法亦可被應用至本發明實施例。接著，比較第一排名評分表和第二排名評分表間之排名的相似度，以獲得第一信賴指標(RII)，來評估辨識結果的可靠程度。搜尋結果之RII係被公式(6)所計算。
其中FSRi R i 的最終分數
FSOj O j 的最終分數
R i 第一搜尋模型所獲得之第i個選序的製程裝置或參數，i=1、2、3、...、10
O j 第二搜尋模型所獲得之第j個選序的製程裝置或參數，j=1、2、3、...、10
在步驟410或步驟420後，進行第二階段404。在第二階段404中，進行第二根本原因尋找步驟430，以辨識出製程參數可能會引起良率損失。在步驟430中，首先，自前述之第一關鍵製程參數和關鍵機台間參數(第二資料42a)中之選擇一第一參數。然後，根據工件所使用之第一參數的複數個數值，並以每一個數值為一參考值，來獲得用以指出此些數值是否大於或等於此參考值的一組門檻資料42b(如公式(4)所示)。接著，藉由輸入工件之最終檢查值、線上量測值(第二資料42a)、和門檻資料42b至第一搜尋模型中，以辨識出可能會造成良率測試失敗之第一參數的複數個第一門檻值。
在第二根本原因尋找步驟430完成後，可選擇性地進行第二信賴指標(RII)步驟440，以評估第二根本原因尋找步驟430之搜尋結果的可靠程度。在第二信賴指標(RII)步驟440中，藉由輸入工件之最終檢查值、線上量測值、和門檻資料至第一搜尋模型中，以辨識出可能會造成良率測試失敗之第一參數的複數個第二門檻值。然後，對第一門檻值進行排名與評分，並對第二門檻值進行排名與評分。接著，比較第一門檻值和門檻值間之排名的相似度，以獲得一第二信賴指標(RII)，來評估門檻值辨識結果的可靠程度。接著，例如圖1所示之FDC系統280可根據辨識結果提供更新後的機台配置資料(如參數數值等)至關鍵機台，以改善製程來減少良率損失(步驟450)。
以下使用半導體封裝的凸塊製程來說明本發明實施例。凸塊製程可分為重分佈層(Redistribution Layer；RDL)製程和銲錫球下之金屬層(Under Bump Metallurgy；UBM)製程，其中每一個製程包含濺鍍站、光罩站、電鍍站、剝除站和蝕刻站。凸塊製程的基本單位為一晶圓批次(Lot)。
凸塊製程的良率測試為電阻測試。在本例示中，總共分析了431個批次(即n=431)。根據專家經驗，高電阻通常發生在RDL製程的濺鍍站中。請參照圖6，圖6為繪示用以說明本發明實施例之RDL製程的濺鍍站的方塊示意圖。如圖6所示，在進入濺鍍站(Sputter Stage；SS)前，每一批次必須先通過烘爐站(Oven Stage；OS)和清洗站(Clean Stage；CS)。因此，本例示共有5個製程裝置SD01、SD02、SD03、SD04和SD05，及3個機台間參數(即OS至CS的等待時間、CS至SS的等待時間、OS至SS的等待時間)。
在本例示中，首先進行第一階段。在第一階段中，藉由輸入431個批次之關於5個製程裝置SD01、SD02、SD03、SD04和SD05的生產路徑、最終檢查值、線上量測值和3個機台間參數的數值至TPOGA搜尋模型和LASSO搜尋模型中，以辨識出可能會造成良率測試失敗的關鍵裝置SD01和SD02、和關鍵機台間參數「OS至SS的等待時間」。如表1所示，造成良率測試失敗的因子的重要性排名依序為關鍵裝置SD01、關鍵裝置SD02、關鍵機台間參數「OS至SS的等待時間」。
然後，根據生產路徑、機台間參數，獲得用以指出工件是否同時通過或使用關鍵裝置SD01、關鍵裝置SD02、關鍵機台間參數「OS至SS的等待時間」所組成之組合中之任二元件的一組互動資料，即每一工件(批次)是否同時通過或使用關鍵裝置SD01/關鍵裝置SD02、關鍵裝置SD01/關鍵機台間參數「OS至SS的等待時間」、或關鍵裝置SD01/關鍵機台間參數「OS至SS的等待時間」。接著，輸入工件(批次)之關鍵機台間參數「OS至SS的等待時間」、互動資料、最終檢查值、線上量測值、工件通過關鍵裝置SD01或SD02的生產路徑至搜尋模型中，以辨識出可能會造成良率測試失敗的「SD01與OS至SS的等待時間之間的交互作用」(即關鍵交互作用)、關鍵裝置SD01和關鍵裝置SD02。如表2所示，造成良率測試失敗的因子的重要性排名依序為「SD01與OS至SS的等待時間之間的交互作用」、關鍵裝置SD01、關鍵裝置SD02。
由表2可知，由TREE搜尋模型和TOPGA搜尋模型的結果相同，其信賴指標(RII)=1(大於0.7)，代表獲得優良的結果。
在第一階段後，進行第二階段。在第二階段中，由於「SD01與OS至SS的等待時間之間的交互作用」對良率的影，因此，選擇「OS至SS的等待時間」XOS-to-SS Q-time(小時)來進行門檻值分析。在本例示中，有96個批次通過製程裝置SD01，故「OS至SS的等待時間」有96個數值，分別為{53.48,3.67,9.58,...,3.91,8.92}。然後，根據XOS-to-SS Q-time的複數個數值{53.48,3.67,9.58,...,3.91,8.92}，並以每一個數值為一參考值，來獲得用以指出此些數值{53.48,3.67,9.58,...,3.91,8.92}是否大於或等於此參考值的一組門檻資料。根據上述之公式(4)，當參考值為“53.48”時，數值{53.48,3.67,9.58,...,3.91,8.92}轉換成數值{1,0,0,...,0,0}；當參考值為“3.67”時，數值{53.48,3.67,9.58,...,3.91,8.92}轉換成數值{1,1,1,...,1,1}；當參考值為“9.58”時，數值{53.48,3.67, 9.58,...,3.91,8.92}轉換成數值{1,0,1,...,0,0}。門檻資料如下所示：
藉由輸入工件之(批次)最終檢查值、組線上量測值、和門檻資料至搜尋模型中，以辨識出可能會造成良率測試失敗的「OS至SS的等待時間」XOS-ro-SS Q-time的複數個門檻值，如表3所示。
由表3可知，TREE搜尋模型和TOPGA間的信賴指標(RII)=0.742(大於0.7)，代表獲得優良的結果。以下以實際資料來驗證「OS至SS的等待時間」≧9.58小時確實是造成良率損失的根本原因。當96個批次的「OS至SS的 等待時間」以9.58小時為分界點時，有74個批次的「OS至SS的等待時間」小於9.58小時，其中有13個批次具有高電阻的批次，其異常率為17%；有22個批次的「OS至SS的等待時間」大於或等於9.58小時，其中有11個批次具有高電阻的批次，其異常率為50%。因此，「OS至SS的等待時間」≧9.58小時確實是造成良率損失的根本原因。接著，可發出一通知至相關部門，以修正「OS至SS的等待時間」來改善良率損失。
可理解的是，本發明之量測抽樣方法為以上所述之實施步驟，本發明之內儲用於量測抽樣之電腦程式產品，係用以完成如上述之量測抽樣的方法。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。上述實施例可利用電腦程式產品來實現，其可包含儲存有多個指令之機器可讀取媒體，這些指令可程式化(programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者，本發明之實施例也可做為電腦程式產品來下載，其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明之電腦程式產品至請求電腦。
亦可注意的是，本發明亦可描述於一製造系統的語境中。雖然本發明可建置在半導體製作中，但本發明並不限於半導體製作，亦可應用至其他製造工業。製造系統係配置以製造工件或產品，工件或產品包含但不受限於微處理器、記憶體裝置、數位訊號處理器、專門應用的電路(ASICs)或其他類似裝置。本發明亦可應用至除半導體裝置外之其他工件或產品，如車輛輪框、螺絲。製造系統包含一或多個處理工具，其可用以形成一或多個產品或產品的一部分，在工件(例如：晶圓、玻璃基板)上或中。發明本領域具有通常技藝者應可知，處理工具可為任何數目和任何型式，包含有微影機台、沉積機台、蝕刻機台、研磨機台、退火機台、工具機和類似工具。在實施例中，製造系統亦包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。
綜上所述，本發明實施例可搜尋出造成良率損失之機台間或參數間的交互作用；可比較具有交互作用的機台或參數和單一機台或參數對良率的影響；可搜尋出影響良率之參數的門檻值，故可改善機台間或參數間的交互作用來提升良率。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims (10)

  1. 一種辨識良率損失原因的方法，包含：提供一生產線，該生產線包含複數個製程站(Stages)，每一該些製程站包含複數個製程機台，每一該些製程機台包含至少一製程裝置，每一該至少一製程裝置具有複數個製程參數，該些製程參數係配置以處理複數個工件其中一者，其中該些製程機台間具有複數個機台間參數，每一該些機台間參數代表該些製程機台之兩者間的交互作用；根據複數個生產路徑分別處理該些工件，每一該些生產路徑指出在該些製程站上之該些製程機台之該些製程裝置其中一預設裝置，用以處理該些工件其中一者；對被對應之預設裝置處理後之每一該些工件進行量測，以獲得對應至該些工件之複數組線上量測值；對通過該生產線後之每一該些工件進行至少一良率測試，以獲得分別對應至該些工件之複數組最終檢查值；根據該些組最終檢查值決定是否遭遇一良率測試失敗；以及當遭遇到該良率測試失敗時，進行一第一階段，該第一階段包含：基於一第一演算法來建立一第一搜尋模型，其中該第一演算法為一三階段正交貪婪演算法(Triple Phase Orthogonal greedy algorithm；TPOGA)、一最小絕對壓縮挑選機制(Least Absolute Shrinkage and Selection Operator；LASSO)演算法、或一迴歸樹演算法；根據該些生產路徑、該些製程參數和該些機台間參數，獲得用以指出該些工件是否同時通過或使用該些製程裝置、該些製程參數和該些機台間參數所組成之一第一組合中之任二元件的一組互動資料；以及藉由輸入該些工件之該些生產路徑、該些製程參數、該些機台間參數、該組互動資料、該些組最終檢查值和/或該些組線上量測值至該第一搜尋模型中，以辨識出可能會造成該良率測試失敗的至少一第一關鍵裝置、和/或至少一第一關鍵製程參數、和/或至少一第一關鍵機台間參數、和/或至少一第一關鍵交互作用。
  2. 如請求項1所述之辨識良率損失原因的方法，其中該第一階段更包含：基於一第二演算法來建立一第二搜尋模型，其中該第二演算法與該第一演算法不相同，該第二演算法為該三階段正交貪婪演算法演算法、該最小絕對壓縮挑選機制演算法、或該迴歸樹演算法；藉由輸入該些製程參數、該些機台間參數、該些工件之該組互動資料、該些組最終檢查值、該些組線上量測值和該些生產路徑至該第二搜尋模型中，以從辨識出可能會造成該良率測試失敗的至少一第二關鍵裝置、和/或至少一第二關鍵製程參數、和/或至少一第二關鍵機台間參數、和/或至少一第二關鍵交互作用；對該至少一第一關鍵裝置、和/或該至少一第一關鍵製程參數、和/或至少一第一關鍵機台間參數、和/或至少一第一關鍵交互作用進行排名與評分，而獲得一第一排名評分表；對該至少一第二關鍵裝置、和/或該至少一第二關鍵製程參數、和/或該至少一第二關鍵機台間參數和/或至少一第二關鍵交互作用進行排名與評分，而獲得一第二排名評分表；以及比較該第一排名評分表和該第二排名評分表間之排名的相似度，以獲得一第一信賴指標，來評估辨識結果的可靠程度。
  3. 如請求項1所述之辨識良率損失原因的方法，更包含：在該第一階段後，進行一第二階段，該第二階段包含：選擇該至少一第一關鍵製程參數和該至少一第一關鍵機台間參數所組成之一第二組合中之一第一參數；根據該些工件所使用之該第二組合中之該第一參數的複數個數值，並以每一該些數值為一參考值，來獲得用以指出該些數值是否大於或等於該參考值的一組門檻資料；以及藉由輸入該些工件之該些組最終檢查值、該些組線上量測值、和該組門檻資料至該第一搜尋模型中，以辨識出可能會造成該良率測試失敗的該第二組合中之該第一參數的複數個第一門檻值。
  4. 如請求項3所述之辨識良率損失原因的方法，其中該第二階段更包含：基於一第二演算法來建立一第二搜尋模型，其中該第二演算法與該第一演算法不相同，該第二演算法為該三階段正交貪婪演算法演算法、該最小絕對壓縮挑選機制演算法、或該迴歸樹演算法；藉由輸入該些工件之該些組最終檢查值、和該組門檻資料至該第二搜尋模型中，以辨識出可能會造成該良率測試失敗的該第二組合中之該第一參數的的複數個第二門檻值；對該些第一門檻值進行排名與評分；對該些第二門檻值進行排名與評分；以及比較該些第一門檻值和該些門檻值間之排名的相似度，以獲得一第二信賴指標，來評估辨識結果的可靠程度。
  5. 如請求項1所述之辨識良率損失原因的方法，其中對被對應之預設裝置處理後之每一該些工件進行量測的步驟更包含：對每一該些工件進行虛擬量測。
  6. 一種辨識良率損失原因的方法，其中該良率損失係發生在一生產線上，該生產線包含複數個製程站，每一該些製程站包含至少一製程機台，每一該至少一製程機台包含至少一製程裝置，每一該至少一製程裝置具有複數個製程參數，該些製程參數係配置以處理複數個工件其中一者，其中該些製程機台間具有複數個機台間參數，每一該些機台間參數代表該些製程機台之兩者間的交互作用，該辨識良率損失原因的方法包含：獲得複數個生產路徑，每一該些生產路徑指出在該些製程站上之該些製程機台之該些製程裝置其中一預設裝置，用以處理該些工件其中一者；接收該些工件之複數組線上量測值，其中該些組線上量測值係藉由對被預設裝置處理後之該些工件進行量測來獲得；接收對應至該些工件之複數組最終檢查值，其中該些組最終檢查值係藉由對通過該生產線後之每一該些工件進行至少一良率測試來獲得；根據該些組最終檢查值決定是否遭遇一良率測試失敗；以及當遭遇到該良率測試失敗時，進行一第一階段，該根第一階段包含：基於一演算法來建立一搜尋模型，其中該演算法為一三階段正交貪婪演算法演算法、一最小絕對壓縮挑選機制演算法、或一迴歸樹演算法；藉由輸入該些工件之該些機台間參數、該些製程參數、該些組最終檢查值、該些組線上量測值和該些生產路徑至該搜尋模型中，以從中辨識出可能會造成該良率測試失敗的至少一第一關鍵裝置、和/或至少一第一關鍵製程參數、和/或至少一第一關鍵機台間參數；根據該些生產路徑、該些製程參數和該些機台間參數，獲得用以指出該些工件是否同時通過或使用該至少一第一關鍵裝置、該至少一第一關鍵製程參數和該至少一第一關鍵機台間參數所組成之一第一組合中之任二元件的一組互動資料；以及藉由輸入該些工件之該組互動資料、該些組最終檢查值、該些組線上量測值、和/或該至少一第一關鍵製程參數、和/或該至少一第一關鍵機台間參數、和/或該至少一第一關鍵製程參數、和/或該些工件通過該至少一第一關鍵裝置的生產路徑至該搜尋模型中，以辨識出可能會造成該良率測試失敗的至少一第二關鍵裝置、和/或至少一第二關鍵製程參數、和/或至少一第二關鍵機台間參數和/或至少一第二關鍵交互作用。
  7. 如請求項6所述之辨識良率損失原因的方法，更包含：在該第一階段後，進行一第二階段，該第二階段包含：選擇該至少一第二關鍵製程參數和該至少一第二關鍵機台間參數所組成之一第二組合中之一第一參數；根據該些工件所使用之該第二組合中之該第一參數的複數個數值，並以每一該些數值為一參考值，來獲得用以指出該些數值是否大於或等於該參考值的一組門檻資料；以及藉由輸入該些工件之該些組最終檢查值、該些組線上量測值、和該組門檻資料至該第一搜尋模型中，以辨識出可能會造成該良率測試失敗的該第二組合中之該第一參數的複數個門檻值。
  8. 一種辨識良率損失原因的系統，其中該良率損失係發生在一生產線上，該生產線包含複數個製程站，每一該些製程站包含至少一製程機台，每一該至少一製程機台包含至少一製程裝置，每一該至少一製程裝置具有複數個製程參數，該些製程參數係配置以處理複數個工件其中一者，其中該些製程機台間具有複數個機台間參數，每一該些機台間參數代表該些製程機台之兩者間的交互作用，該辨識良率損失原因的系統包含：一記憶體，其儲存有一生產資訊和對應至該些工件之複數組最終檢查值，該生產資訊包含複數個生產路徑、該些工件之該些製程參數的數值、該些機台間參數的數值、和該些工件之複數組線上量測值，其中每一該些生產路徑指出在該些製程站上之該些製程機台之該些製程裝置其中一預設裝置，用以處理該些工件其中一者，該些組線上量測值係藉由對被預設裝置處理後之該些工件進行量測來獲得，該些組最終檢查值係藉由對通過該生產線後之每一該些工件進行至少一良率測試來獲得；以及一處理器，配置以根據該些組最終檢查值決定是否遭遇一良率測試失敗；以及當遭遇到該良率測試失敗時，進行一第一階段，該第一階段包含：基於一第一演算法來建立一第一搜尋模型，其中該第一演算法為一三階段正交貪婪演算法、一最小絕對壓縮挑選機制演算法、或一迴歸樹演算法；根據該些生產路徑、該些製程參數和該些機台間參數，獲得用以指出該些工件是否同時通過或使用該些製程裝置、該些製程參數和該些機台間參數所組成之一第一組合中之任二元件的一組互動資料；以及藉由輸入該些工件之該些製程參數、該些機台間參數、該組互動資料、該些組最終檢查值、該些組線上量測值和該些生產路徑至該第一搜尋模型中，以辨識出可能會造成該良率測試失敗的至少一第一關鍵裝置、和/或至少一第一關鍵製程參數、和/或至少一第一關鍵機台間參數、和/或至少一第一關鍵交互作用。
  9. 如請求項8所述之辨識良率損失原因的系統，其中該第一階段更包含：基於一第二演算法來建立一第二搜尋模型，其中該第二演算法與該第一演算法不相同，該第二演算法為該三階段正交貪婪演算法演算法、該最小絕對壓縮挑選機制演算法、或該迴歸樹演算法；藉由輸入該些工件之該些製程參數、該些機台間參數、該組互動資料、該些組最終檢查值、該些組線上量測值和該些生產路徑至該第二搜尋模型中，以從辨識出可能會造成該良率測試失敗的至少一第二關鍵裝置、或至少一第二關鍵製程參數、或至少一第二關鍵機台間參數、和/或至少一第二關鍵交互作用；對該至少一第一關鍵裝置、或該至少一第一關鍵製程參數、或至少一第一關鍵機台間參數、和/或至少一第一關鍵交互作用進行排名與評分，而獲得一第一排名評分表；對該至少一第二關鍵裝置、或該至少一第二關鍵製程參數、或該至少一第二關鍵機台間參數、和/或至少一第二關鍵交互作用進行排名與評分，而獲得一第二排名評分表；以及比較該第一排名評分表和該第二排名評分表間之排名的相似度，以獲得一第一信賴指標，來評估辨識結果的可靠程度。
  10. 如請求項8所述之辨識良率損失原因的系統，其中在該第一階段後，該處理器係配置以進行一第二階段，進行一第二階段，該第二階段包含：選擇該至少一第一關鍵製程參數和該至少一第一關鍵機台間參數所組成之一第二組合中之一第一參數；根據該些工件所使用之該第二組合中之該第一參數的複數個數值，並以每一該些數值為一參考值，來獲得用以指出該些數值是否大於或等於該參考值的一組門檻資料；以及藉由輸入該些工件之該些組最終檢查值、該些組線上量測值、和該組門檻資料至該第一搜尋模型中，以辨識出可能會造成該良率測試失敗的該第二組合中之該第一參數的複數個第一門檻值。
TW107140645A 2018-05-17 2018-11-15 考慮機台交互作用之辨識良率損失原因的系統與方法 TWI660322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/219,970 US10948903B2 (en) 2018-05-17 2018-12-14 System and method that consider tool interaction effects for identifying root causes of yield loss

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862672591P 2018-05-17 2018-05-17
US62/672,591 2018-05-17

Publications (2)

Publication Number Publication Date
TWI660322B true TWI660322B (zh) 2019-05-21
TW201947514A TW201947514A (zh) 2019-12-16

Family

ID=67348008

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107140645A TWI660322B (zh) 2018-05-17 2018-11-15 考慮機台交互作用之辨識良率損失原因的系統與方法

Country Status (3)

Country Link
US (1) US10948903B2 (zh)
CN (1) CN110503288B (zh)
TW (1) TWI660322B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI700565B (zh) * 2019-07-23 2020-08-01 臺灣塑膠工業股份有限公司 參數修正方法及系統
TWI742709B (zh) * 2020-06-04 2021-10-11 國立成功大學 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240279B (zh) * 2019-12-26 2021-04-06 浙江大学 一种面向工业不平衡数据的对抗增强故障分类方法
EP3872567A1 (en) * 2020-02-25 2021-09-01 ASML Netherlands B.V. Systems and methods for process metric aware process control
US20220066410A1 (en) * 2020-08-28 2022-03-03 Pdf Solutions, Inc. Sequenced Approach For Determining Wafer Path Quality
CN115623872A (zh) * 2021-04-30 2023-01-17 京东方科技集团股份有限公司 数据处理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201020806A (en) * 2008-11-26 2010-06-01 Univ Nat Cheng Kung Product quality fault detection method and real metrology data evaluation method
US20130006406A1 (en) * 2009-03-31 2013-01-03 International Business Machines Corporation Method and system for evaluating a machine tool operating characteristics
JP2017502500A (ja) * 2013-11-03 2017-01-19 ケーエルエー−テンカー コーポレイション 欠陥を分類するための方法およびウエハ検査ツール
TW201729024A (zh) * 2015-11-30 2017-08-16 國立成功大學 辨識良率損失之根本原因的系統與方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6272391B1 (en) * 1998-09-30 2001-08-07 Rockwell Technologies, Llc Self organizing industrial control system importing neighbor constraint ranges
TW200534147A (en) * 2005-07-04 2005-10-16 Ting-Cheng Chang The suitable method for selection of manufacturing factors and the best combination of interactive factors under multiple quality properties
US7494893B1 (en) * 2007-01-17 2009-02-24 Pdf Solutions, Inc. Identifying yield-relevant process parameters in integrated circuit device fabrication processes
TWI349867B (en) 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
CN105700490B (zh) * 2014-11-28 2018-09-07 中芯国际集成电路制造（天津）有限公司 一种提高产品良率的方法及系统
CN104360548B (zh) * 2014-12-09 2017-06-06 合肥鑫晟光电科技有限公司 液晶喷墨涂布设备及参数调整方法、液晶涂布与检查系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201020806A (en) * 2008-11-26 2010-06-01 Univ Nat Cheng Kung Product quality fault detection method and real metrology data evaluation method
US20130006406A1 (en) * 2009-03-31 2013-01-03 International Business Machines Corporation Method and system for evaluating a machine tool operating characteristics
JP2017502500A (ja) * 2013-11-03 2017-01-19 ケーエルエー−テンカー コーポレイション 欠陥を分類するための方法およびウエハ検査ツール
TW201729024A (zh) * 2015-11-30 2017-08-16 國立成功大學 辨識良率損失之根本原因的系統與方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI700565B (zh) * 2019-07-23 2020-08-01 臺灣塑膠工業股份有限公司 參數修正方法及系統
TWI742709B (zh) * 2020-06-04 2021-10-11 國立成功大學 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品

Also Published As

Publication number Publication date
US20190354094A1 (en) 2019-11-21
US10948903B2 (en) 2021-03-16
CN110503288A (zh) 2019-11-26
TW201947514A (zh) 2019-12-16
CN110503288B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
TWI660322B (zh) 考慮機台交互作用之辨識良率損失原因的系統與方法
TWI623830B (zh) 辨識良率損失之根本原因的系統與方法
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
TWI623838B (zh) 用於巨量資料分析的方法、非暫時性電腦可讀儲存媒體及系統
KR102065820B1 (ko) 공정 모니터링 및 수율 관리를 위한 계산된 전기적 성능 메트릭
KR101331249B1 (ko) 제조 데이터 인덱싱을 위한 방법 및 장치
JP3737031B2 (ja) 半導体チップ欠陥に基づいた収率損失チップ数及び類型別の不良チップ数の測定方法
Cheng et al. A scheme of high-dimensional key-variable search algorithms for yield improvement
TW201820187A (zh) 基於缺陷與設計屬性之缺陷檢視取樣及正規化
TWI614699B (zh) 大量客製化產品的品質預測方法
TW200411508A (en) Method for analyzing in-line QC parameters
US20230253224A1 (en) Substrate processing system, substrate processing method, and map creating device
US20230052392A1 (en) Process abnormality identification using measurement violation analysis
Zhang et al. Modeling sampling strategy optimization by machine learning based analysis
US20130030760A1 (en) Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
Cheng et al. Blind-stage search algorithm for the key-variable search scheme
Lin et al. Interaction-effect search algorithm for the KSA scheme
US20230153846A1 (en) Golden path search method for manufacturing process and system thereof
TWI835197B (zh) 製造程序之最佳良率路徑之搜尋方法及其系統
JPH10107111A (ja) 半導体装置の製造方法
JP2005044840A (ja) 検査データの解析プログラム、検査装置、レビュー装置、歩留り解析装置
US7849366B1 (en) Method and apparatus for predicting yield parameters based on fault classification
Miao et al. Quick Yield Impact Assessment Using Silicon-design Correlation to Address Design Systematics
JP2000012640A (ja) 半導体装置の製造装置および方法、ならびに半導体装置
TW202424895A (zh) 用於索引和半導體缺陷影像檢索的建模