TWI733365B - 晶圓測試機台及訓練人工智慧模型以測試晶圓的方法 - Google Patents
晶圓測試機台及訓練人工智慧模型以測試晶圓的方法 Download PDFInfo
- Publication number
- TWI733365B TWI733365B TW109107898A TW109107898A TWI733365B TW I733365 B TWI733365 B TW I733365B TW 109107898 A TW109107898 A TW 109107898A TW 109107898 A TW109107898 A TW 109107898A TW I733365 B TWI733365 B TW I733365B
- Authority
- TW
- Taiwan
- Prior art keywords
- training data
- die
- wafer
- artificial intelligence
- target
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
- G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本案揭露了晶圓測試機台及訓練人工智慧模型以測試晶圓的方法。晶圓包含複數個晶粒。該方法包含:從該些晶粒中決定一目標晶粒;根據該目標晶粒及一預設範圍選擇鄰近該目標晶粒的複數個參考晶粒;產生一主要訓練資料,該主要訓練資料包含該目標晶粒的一量測值及該些參考晶粒的該量測值;產生一輔助訓練資料,該輔助訓練資料指示該些參考晶粒為一合格晶粒或一不合格晶粒;以及以該主要訓練資料及該輔助訓練資料訓練該人工智慧模型。
Description
本案是關於半導體製造,尤其是關於晶圓的測試。
穩態供電電流(Supply Current Quiescent,IDDQ)在互補式金屬氧化物半導體(CMOS)電路測試中,是一種常見的用來偵測晶粒(die)是否故障(fault)的特徵項。對於功能正確的晶粒,它們在不同筆測試型樣間,電流的變異量(variation)會十分微小,也就是說,之於不同筆測試型樣的IDDQ量測值,應該會趨近於單一晶粒電路的IDDQ平均值。傳統上便是以單一的IDDQ閥值來決定晶粒是否故障。
然而,因為在互補式金屬氧化物半導體電路中,電晶體的漏電流佔了IDDQ主要的一部分,而製程變異(process variation)會導致漏電流變異,因此,受製程變異的影響,同一晶圓上的不同晶粒會有IDDQ值的變異。換言之,在傳統IDDQ測試中使用單一的IDDQ閥值不符合實際的需求。
鑑於先前技術之不足,本案之一目的在於提供一種晶圓測試機台及訓練人工智慧模型以測試晶圓的方法,以解決先前技術所遭遇的問題。
本案揭露一種晶圓測試機台,用來測試包含複數個晶粒之一晶圓。該晶圓測試機台包含一量測設備、一資料庫、一儲存電路,以及一計算電路。量測設備用來量測該些晶粒以得到每一晶粒之一量測值。資料庫用來儲存該些量測值。儲存電路用來儲存複數個程式指令或程式碼,以及儲存用來測試該晶圓的一人工智慧模型。計算電路耦接該儲存電路及該資料庫,用來執行該些程式指令或程式碼以執行以下步驟來訓練該人工智慧模型:從該些晶粒中決定一目標晶粒;根據該目標晶粒及一預設範圍選擇鄰近該目標晶粒的複數個參考晶粒;產生一主要訓練資料,該主要訓練資料包含該目標晶粒的該量測值及該些參考晶粒的該量測值;產生一輔助訓練資料,該輔助訓練資料指示該些參考晶粒為一合格晶粒或一不合格晶粒;以及以該主要訓練資料及該輔助訓練資料訓練該人工智慧模型。
本案另揭露一種訓練一人工智慧模型以測試一晶圓的方法。該晶圓包含複數個晶粒。該方法包含:從該些晶粒中決定一目標晶粒;根據該目標晶粒及一預設範圍選擇鄰近該目標晶粒的複數個參考晶粒;產生一主要訓練資料,該主要訓練資料包含該目標晶粒的一量測值及該些參考晶粒的該量測值;產生一輔助訓練資料,該輔助訓練資料指示該些參考晶粒為一合格晶粒或一不合格晶粒;以及以該主要訓練資料及該輔助訓練資料訓練該人工智慧模型。
本案之晶圓測試機台及訓練人工智慧模型以測試晶圓的方法將目標晶粒四周的晶粒納入考慮,並且以人工智慧模型來協助判斷目標晶粒是否故障,所以相較於傳統技術可以更準確且快速地找出故障的晶粒。
有關本案的特徵、實作與功效,茲配合圖式作實施例詳細說明如下。
100:晶圓測試機台
110:量測設備
120:資料庫
130:計算電路
140:儲存電路
400:晶圓
410,420,430:晶粒
415,425,435:區域
202:主要訓練資料
204:輔助訓練資料
210:人工智慧模型
212:特徵萃取演算法
214:機器學習演算法模型
216:卷積神經網路演算法模型
218:混合密度神經網路演算法模型
510:卷積層
530:全連接層
540:全連接層(μ)
550:全連接層(σ)
S310~S340,S610~S650,S710~S750:步驟
圖1為本案晶圓測試機台之一實施例的功能方塊圖;圖2為本案的人工智慧模型及訓練資料的一實施例的功能方塊圖;圖3為本案訓練人工智慧模型以測試晶圓的方法的一實施例的流程圖;圖4顯示一個包含複數個晶粒的晶圓;圖5為圖2之人工智慧模型內部架構的示意圖;圖6為本案基於人工智慧模型進行晶圓測試的流程圖;以及圖7為本案訓練人工智慧模型以測試晶圓的方法的另一實施例的流程圖。
以下說明內容之技術用語係參照本技術領域之習慣用語,如本說明書對部分用語有加以說明或定義,該部分用語之解釋係以本說明書之說明或定義為準。
本案之揭露內容包含晶圓測試機台及訓練人工智慧模型以測試晶圓的方法。由於本案之晶圓測試機台所包含之部分元件單獨而言可能為已知元件,因此在不影響該裝置實施例之充分揭露及可實施性的前提下,以下說明對於已知元件的細節將予以節略。此外,本案之訓練人工智慧模型以測試晶圓的方法的部分或全部流程可以是軟體及/或韌體之形式,並且可藉由本案之晶圓測試機台或其等效裝置來執行,在不影響該方法實施例之充分揭露及可實施性
的前提下,以下方法實施例之說明將著重於步驟內容而非硬體。
圖1為本案晶圓測試機台之一實施例的功能方塊圖。晶圓測試機台100包含量測設備110、資料庫120、計算電路130,以及儲存電路140。一個晶圓包含複數個晶粒。在被晶圓測試機台100測試之前,晶圓上的每個晶粒已經經過其他的測試機台的測試,而被判定為合格(passed)晶粒或不合格(failed)晶粒。合格晶粒是可以正常運作的晶粒,而不合格晶粒是無法正常運作的晶粒。量測設備110量測合格晶粒的目標特性,以得到每一合格晶粒的一個量測值。在一些實施例中,目標特性可以是前述的穩態供電電流,而量測值則是穩態供電電流的電流值。在其他的實施例中,目標特性可以是環形振盪器頻率(ring oscillator frequency)、測熱計值(thermal meter value),或是電壓感測器值(voltage sensor value),而對應的量測值分別是頻率、溫度,以及電壓。類似於穩態供電電流,環形振盪器頻率、測熱計值,或是電壓感測器值也可以作為判斷晶粒是否故障的特徵項。本技術領域具有通常知識者知悉如何量測晶粒的穩態供電電流、環形振盪器頻率、測熱計值,以及電壓感測器值,故不再贅述量測設備110的構造及操作細節。以下的說明以穩態供電電流為例,但本案不限於穩態供電電流。
資料庫120儲存量測設備110所量測或所輸出的量測值,以及儲存指示晶粒為合格或不合格的資料。儲存電路140可以由揮發性記憶體及/或非揮發性記憶體實作,且儲存電路140儲存複數個程式指令或程式碼,以及儲存用來測試晶圓的人工智慧模型(AI model)。計算電路130可以是具有程式執行能力的電路或電子元件,例如中央處理器、微處理器、微處理單元或圖形處理單元(Graphics Processing Unit,GPU),其藉由執行該些程式指令或程式碼
以訓練該人工智慧模型。一旦人工智慧模型訓練完成後,晶圓測試機台100即可利用該人工智慧模型判斷合格的晶粒是否故障。
圖2為本案的人工智慧模型及訓練資料的一實施例的功能方塊圖。圖3為本案訓練人工智慧模型以測試晶圓的方法的一實施例的流程圖。以下的說明請參考圖1至圖3。
首先,計算電路130從一個晶圓的複數個晶粒中決定一個目標晶粒,再根據該目標晶粒及一個預設範圍選擇鄰近該目標晶粒的複數個參考晶粒(步驟S310)。請參閱圖4,圖4顯示一個晶圓400包含複數個晶粒。晶粒410、晶粒420及晶粒430可以是前述的目標晶粒,而區域415、區域425及區域435可以是前述的預設範圍。在圖4的範例中,預設範圍為7x7的矩形(最多包含49個晶粒)且目標晶粒位於預設範圍的中心;然而,本案的預設範圍不限於7x7的矩形,也可以是其他的大小及形狀,例如5x5的矩形或3x10的矩形。再者,目標晶粒也不限於位於預設範圍的中心。
圖4中的每一個以灰階(不含白色)表示的方塊代表一個晶粒,而空白的區域(包含但不限於白色的方塊)代表該處沒有晶粒或是該處的晶粒為不合格的晶粒。舉例來說,區域415包含4個不合格晶粒及45個合格晶粒,位於晶圓400邊緣的區域425包含3個不合格晶粒及33個合格晶粒,以及區域435包含5個不合格晶粒及44個合格晶粒。灰階值可以代表晶粒的目標特性的量測值的大小,舉例來說,灰階值可以與量測值成正比。
步驟S310完成後(亦即目標晶粒及複數個參考晶粒被決定後),計算電路130根據該目標晶粒及該些參考晶粒的量測值產生主要訓練資料202(步驟S320),也就是說主要訓練資料202包含該目標晶粒的量測值及
該些參考晶粒的量測值。舉例來說,對應於區域415的主要訓練資料202可以表示為(其中I(x,y)為目標晶粒的量測值,x及y為整數):
由於不合格晶粒沒有量測值,所以步驟S320還包含以下的子步驟:以鄰近的合格晶粒量測值的平均作為遺漏的量測值(步驟S325)。在一些實施例中,計算電路130計算遺漏的量測值的周圍八個量測值的平均值,並且以該平均值作為該遺漏的量測值。舉例來說, I (p+1,q-1)+I (p-1,q)+I (p+1,q)+I (p-1,q+1)+I (p,q+1)+I (p+1,q+1)),其中I (p,q)為遺漏的量測值(p及q為整數,代表不合格晶粒的座標),而當不合格晶粒的鄰近合格晶粒不足八個時,則僅計算鄰近合格晶粒量測值的平均。需注意的是,因為目標晶粒是預測的目標,所以計算電路130會將目標晶粒的量測值視為遺漏的量測值,並且以目標晶粒的周圍的參考晶粒的量測值的平均作為目標晶粒的量測值。
接下來,計算電路130根據目標晶粒及參考晶粒是否為合格晶粒來產生輔助訓練資料204(步驟S330)。輔助訓練資料204指示該些參考晶粒為合格晶粒或不合格晶粒。舉例來說,對應於區域415、區域425及區域435的輔助訓練資料204如下所示(「1」代表不合格晶粒):
於主要訓練資料202及輔助訓練資料204產生之後,計算電路130以主要訓練資料202及輔助訓練資料204訓練人工智慧模型210(步驟S340),也就是將主要訓練資料202及輔助訓練資料204輸入人工智慧模型210。人工智慧模型210包含特徵萃取演算法212以及機器學習演算法模型214。
特徵萃取演算法212用來挑選主要訓練資料202及輔助訓練資料204中具代表性的特徵值組(feature set)。特徵萃取演算法212除了能夠降低過度擬合(over-fitting)的現象,也可以降低數學模型的複雜度。文獻「L.C.Molina,L.Belanche,A.Nebot(2002).Feature selection algorithms:a survey and experimental evaluation.2002 IEEE International Conference on Data Mining,2002.Proceedings.」討論數種特徵萃取演算法的範例,本技術領域具有通常知識者可以參考該文獻來完成特徵萃取演算法212,故不再贅述。
機器學習演算法模型214用來處理特徵萃取演算法212所產生的特徵值組。本案所使用的機器學習演算法可以包含貝葉斯脊迴歸(Bayesian Ridge Regression)演算法、高斯過程回歸(Gaussian Process Regression)演算
法、可調變分高斯過程(scalable variational Gaussian process)演算法,或是卷積神經網路(Convolutional Neural Network,CNN)演算法。因為卷積神經網路演算法包含特徵萃取的功能,所以當機器學習演算法模型214所使用的演算法是卷積神經網路演算法時,可以省略特徵萃取演算法212(亦即特徵萃取演算法212被整合進卷積神經網路演算法)。
圖5為圖2之人工智慧模型210(例如深度學習演算法模型)的其中一種內部架構的示意圖。在圖5的實施例中,人工智慧模型210以深度學習演算法模型實作,其中深度學習演算法模型包含卷積神經網路演算法模型216以及混合密度神經網路演算法模型218。卷積神經網路演算法模型216的各卷積層的濾波器個數可以任意設定。相較於圖2,因為圖5的深度學習演算法模型採用卷積神經網路演算法模型216,故圖5的實施例可以省略圖2之特徵萃取演算法212。
混合密度神經網路(Mixture Density Neural Networks,MDNN)演算法模型218用來預測完整的機率分布。混合密度神經網路演算法的大致架構與一般多層感知器(Multiple Layer Perceptron)一樣,但混合密度神經網路演算法除了全連接層(fully connection layer)之外,還會在最後接至三個獨立的層(layer),分別為「Alpha(α)」、「Mu(μ)」和「Sigma(σ)」。在本案中,「Alpha(α)」可以被忽略。本案的混合密度神經網路演算法所使用的損失函數(loss function)如下面的方程式所示。本技術領域具有通常知識者可以參考文獻「Bishop,Christopher M.(1994).Mixture density networks.Technical Report.Aston University,Birmingham.」及下方的損失函數來完成混合
密度神經網路演算法模型218。
主要訓練資料202及輔助訓練資料204被饋入人工智慧模型210的卷積神經網路演算法模型216的卷積層510,並且經過卷積層510的處理後被展開成一維張量(tensor),接著一維張量被輸入至混合密度神經網路演算法模型218的全連接層530,然後區分為兩個獨立的全連接層:全連接層(μ)540及全連接層(σ)550。在一些實施例中,如果主要訓練資料202及輔助訓練資料204各為一個NxN的矩陣(N為正整數),則卷積層510包含12個卷積核(kernel),其輸出的特徵映射(feature map)為12個N’xN’的矩陣(N'N);如此一來,一維張量的維度為12xN’xN’,全連接層530的維度為(12xN’xN’)x512,而全連接層(μ)540及全連接層(σ)550的維度皆為512x256。本技術領域具有通常知識者可以根據上述的實施例來實作人工智慧模型210。
請參閱圖3。步驟S340結束後,計算電路130在目前的晶圓上選取下一個目標晶粒,然後再次執行步驟S310至S340,直到目前的晶圓上的所有晶粒都曾被用作目標晶粒。於目前的晶圓的所有晶粒都曾被用作目標晶粒後,計算電路130可以從資料庫120中選擇下一個晶圓的量測值來繼續執行步驟S310至S340。
在訓練的過程中,人工智慧模型210以目標晶粒的量測值作為目標平均值,來持續調整參數。經過訓練後,人工智慧模型210即可預測目標晶粒的量測值的閥值的範圍,即平均值μ±設定係數x標準差σ,其中設定係數為可調整閥值範圍的一參數,當設定係數為1,則μ-σ為下閥值,而μ+σ為上閥值。如果目標晶粒的量測值大於等於μ-σ且小於等於μ+σ,則目標晶粒被判定為非故障的晶粒。
請參閱圖6,圖6為本案基於人工智慧模型進行晶圓測試的流程圖。首先量測設備110量測晶圓的複數個晶粒的目標特性,以得到每一合格晶粒的量測值(步驟S610)。接著,計算電路130決定一目標晶粒,並根據該目標晶粒及一預設範圍選擇鄰近該目標晶粒的複數個參考晶粒(步驟S620)。步驟S620與步驟S310相似,故不再贅述。接著,計算電路130產生主要測試資料(步驟S630),步驟S630包含子步驟S635。主要測試資料的格式與主要訓練資料202相同。由於步驟S630及步驟S635分別與步驟S320及步驟S325相似,故不再贅述。接著,計算電路130產生輔助測試資料(步驟S640),輔助測試資料的格式與輔助訓練資料204相同。由於步驟S640與步驟S330相似,故不再贅述。接著,計算電路130將主要測試資料及輔助測試資料輸入已完成訓練的人工智慧模型210,以判斷目標晶粒是否故障(步驟S650)。人工智慧模型210以參考晶粒的量測值預測目標晶粒的量測值的閥值的範圍,然後判斷目標晶粒的量測值是否落於閥值的範圍內。如果是,則人工智慧模型210(或計算電路130)判斷該目標晶粒非故障;如果否,則人工智慧模型210(或計算電路130)判斷該目標晶粒故障。
步驟S650結束後,計算電路130在目前的晶圓上選取下一個目
標晶粒,然後再次執行步驟S620至S650,直到目前的晶圓上的所有晶粒都曾被用作目標晶粒。
圖7為本案訓練人工智慧模型以測試晶圓的方法的另一實施例的流程圖。步驟S710、步驟S720、步驟S725、步驟S730分別與圖3的步驟S310、步驟S320、步驟S325、步驟S330相似,故不再贅述。步驟S730的第一輔助訓練資料即步驟S330輔助訓練資料。在圖7的實施例中,計算電路130更產生第二輔助訓練資料(步驟S740),第二輔助訓練資料指示該目標晶粒及/或該些參考晶粒是否位於該晶圓之邊緣,或指示該些參考晶粒是否存在。舉例來說,請參閱圖4,因為區域415及區域435皆包含NxN個晶粒(合格或不合格),所以對應於區域415及區域435的第二輔助訓練資料可以表示為(「0」代表該位置有晶粒):
如以上的範例所示,當該目標晶粒及/或該些參考晶粒位於該晶
圓的邊緣時(如區域425所示),第二輔助訓練資料包含兩種數值(「0」及「1」);而當該目標晶粒及/或該些參考晶粒不位於該晶圓的邊緣時(如區域415及區域435所示),第二輔助訓練資料只包含一種數值(「0」)。
於主要訓練資料、第一輔助訓練資料及第二輔助訓練資料產生之後,計算電路130以主要訓練資料、第一輔助訓練資料及第二輔助訓練資料訓練人工智慧模型210(步驟S750)。
步驟S750結束後,計算電路130在目前的晶圓上選取下一個目標晶粒,然後再次執行步驟S710至S750,直到目前的晶圓上的所有晶粒都曾被用作目標晶粒。於目前的晶圓的所有晶粒都曾被用作目標晶粒後,計算電路130可以從資料庫120中選擇下一個晶圓的量測值來繼續執行步驟S710至S750。
在另一個實施例中,圖3的輔助訓練資料可以指示該些參考晶粒為合格晶粒或不合格晶粒,及/或指示該目標晶粒及/或該些參考晶粒是否位於該晶圓之邊緣。舉例來說,請參閱圖4,對應於區域415及區域435的輔助訓練資料可以表示為(「0」代表該位置為合格晶粒,「1」代表為位置為不合格晶粒或沒有晶粒):
如以上的範例所示,本實施例將沒有晶粒的位置視為不合格晶粒,換句話說,本實施例的輔助訓練資料等效於圖7實施例的第一輔助訓練資料與第二輔助訓練資料的聯集。
因為晶圓上鄰近的晶粒所受的製程條件近似,所以以局部範圍內的晶粒而非整個晶圓中全部的晶粒來作判斷更能準確地得到目標特性的量測值的閥值,可以減少誤判的機率。舉例來說,圖4的晶粒410的IDDQ可能沒有超過傳統的IDDQ閥值,但與其四周的晶粒(即區域415中的參考晶粒)相比較其IDDQ值可能仍落於閥值的範圍(即平均值μ±設定係數x標準差σ)之外。經實驗發現,此類的晶粒410極有可能是故障的晶粒,然而傳統的測試方法卻無法發現晶粒410是故障的晶粒。
如前述的範例所示,主要訓練資料及輔助訓練資料是以矩陣或陣列的形式呈現,並且矩陣或陣列的元素的相對位置反應目標晶粒及參考晶粒在晶圓上的相對位置,換言之,矩陣或陣列的元素是依照目標晶粒及參考晶粒在晶圓上的位置來排列。如此一來,晶圓可以視為圖像(每一個晶粒代表一個像素),而主要訓練資料及輔助訓練資料的元素可以類比為圖像的像素值。
在一些實施例中,主要訓練資料及輔助訓練資料對應於單一的電壓及溫度的組合,也就是說,主要訓練資料及輔助訓練資料是在單一的電壓及溫度組合下所量測得到。然而,因為晶粒的量測值與晶粒是否合格與電壓及
溫度相依,因此,在其他的實施例中,主要訓練資料及輔助訓練資料可以對應於複數個的電壓及溫度組合。舉例來說,如果有四個電壓-溫度的組合(例如兩種溫度搭配兩種電壓),則在圖3及圖7的實施例中,訓練資料實際上包含四個主要訓練資料及輔助訓練資料的組合,每一組合對應於一個電壓及溫度的組合。
綜上所述,本案將目標晶粒四周的晶粒納入考慮,並且以人工智慧模型來協助判斷目標晶粒是否故障,可以更準確且快速地找出故障的晶粒。再者,經實驗發現,以主要訓練資料及輔助訓練資料訓練人工智慧模型,比起單純以主要訓練資料訓練人工智慧模型可以得到更準確的結果。
由於本技術領域具有通常知識者可藉由本案之裝置實施例的揭露內容來瞭解本案之方法實施例的實施細節與變化,因此,為避免贅文,在不影響該方法實施例之揭露要求及可實施性的前提下,重複之說明在此予以節略。請注意,前揭圖示中,元件之形狀、尺寸、比例以及步驟之順序等僅為示意,係供本技術領域具有通常知識者瞭解本案之用,非用以限制本案。
雖然本案之實施例如上所述,然而該些實施例並非用來限定本案,本技術領域具有通常知識者可依據本案之明示或隱含之內容對本案之技術特徵施以變化,凡此種種變化均可能屬於本案所尋求之專利保護範疇,換言之,本案之專利保護範圍須視本說明書之申請專利範圍所界定者為準。
S310~S340:步驟
Claims (10)
- 一種晶圓測試機台,用來測試包含複數個晶粒之一晶圓,該晶圓測試機台包含: 一量測設備,用來量測該些晶粒,以得到每一晶粒之一量測值; 一資料庫,用來儲存該些量測值; 一儲存電路,用來儲存複數個程式指令或程式碼,以及儲存用來測試該晶圓的一人工智慧模型;以及 一計算電路,耦接該儲存電路及該資料庫,用來執行該些程式指令或程式碼以執行以下步驟來訓練該人工智慧模型: 從該些晶粒中決定一目標晶粒; 根據該目標晶粒及一預設範圍選擇鄰近該目標晶粒的複數個參考晶粒; 產生一主要訓練資料,該主要訓練資料包含該目標晶粒的該量測值及該些參考晶粒的該量測值; 產生一輔助訓練資料,該輔助訓練資料指示該些參考晶粒為一合格晶粒或一不合格晶粒;以及 以該主要訓練資料及該輔助訓練資料訓練該人工智慧模型。
- 如請求項1之晶圓測試機台,其中該人工智慧模型包含一特徵萃取演算法及一機器學習演算法模型。
- 如請求項2之晶圓測試機台,其中該機器學習演算法模型係選自由貝葉斯脊迴歸(Bayesian Ridge Regression)演算法、高斯過程回歸(Gaussian Process Regression)演算法,及可調變分高斯過程(scalable variational Gaussian process)演算法所構成之群組。
- 如請求項1之晶圓測試機台,其中該人工智慧模型係一深度學習演算法模型,且該深度學習演算法模型包含一卷積神經網路(Convolutional Neural Network)演算法模型及一混合密度神經網路(Mixture Density Neural Networks, MDNN)演算法模型。
- 如請求項1之晶圓測試機台,其中該輔助訓練資料係一第一輔助訓練資料,該計算電路更執行以下步驟: 產生一第二輔助訓練資料,該第二輔助訓練資料指示該些參考晶粒與該目標晶粒中至少一者是否存在;以及 以該第二輔助訓練資料連同該主要訓練資料及該第一輔助訓練資料訓練該人工智慧模型。
- 如請求項1之晶圓測試機台,其中該輔助訓練資料更指示該些參考晶粒是否存在。
- 如請求項1之晶圓測試機台,其中該主要訓練資料及該輔助訓練資料係對應於一溫度與一電壓的一組合。
- 如請求項1之晶圓測試機台,其中該主要訓練資料及該輔助訓練資料係對應於複數個溫度與複數個電壓的複數個組合。
- 如請求項1之晶圓測試機台,其中該主要訓練資料及該輔助訓練資料為一矩陣或一陣列,且該矩陣或該陣列的複數個元素的相對位置對應於該目標晶粒及該些參考晶粒在該晶圓上的相對位置。
- 一種訓練一人工智慧模型以測試一晶圓的方法,該晶圓包含複數個晶粒,該方法包含: 從該些晶粒中決定一目標晶粒; 根據該目標晶粒及一預設範圍選擇鄰近該目標晶粒的複數個參考晶粒; 產生一主要訓練資料,該主要訓練資料包含該目標晶粒的一量測值及該些參考晶粒的該量測值; 產生一輔助訓練資料,該輔助訓練資料指示該些參考晶粒為一合格晶粒或一不合格晶粒;以及 以該主要訓練資料及該輔助訓練資料訓練該人工智慧模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109107898A TWI733365B (zh) | 2020-03-10 | 2020-03-10 | 晶圓測試機台及訓練人工智慧模型以測試晶圓的方法 |
US17/190,458 US20210287086A1 (en) | 2020-03-10 | 2021-03-03 | Wafer testing machine and method for training artificial intelligence model to test wafer |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109107898A TWI733365B (zh) | 2020-03-10 | 2020-03-10 | 晶圓測試機台及訓練人工智慧模型以測試晶圓的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI733365B true TWI733365B (zh) | 2021-07-11 |
TW202134674A TW202134674A (zh) | 2021-09-16 |
Family
ID=77663788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109107898A TWI733365B (zh) | 2020-03-10 | 2020-03-10 | 晶圓測試機台及訓練人工智慧模型以測試晶圓的方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210287086A1 (zh) |
TW (1) | TWI733365B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6775819B1 (en) * | 1997-10-27 | 2004-08-10 | Kla-Tencor Corporation | Software system and method for graphically building customized recipe flowcharts |
US7496478B2 (en) * | 2005-07-18 | 2009-02-24 | Dieter Rathei | Method of monitoring a semiconductor manufacturing trend |
TW201901475A (zh) * | 2017-05-19 | 2019-01-01 | 日商半導體能源硏究所股份有限公司 | 機器學習方法、機器學習系統及顯示系統 |
TWI664390B (zh) * | 2014-02-25 | 2019-07-01 | 美商克萊譚克公司 | 用於堆疊晶圓之檢測和計量之系統及方法 |
TWI686684B (zh) * | 2015-05-08 | 2020-03-01 | 美商克萊譚克公司 | 量測系統及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5510724A (en) * | 1993-05-31 | 1996-04-23 | Tokyo Electron Limited | Probe apparatus and burn-in apparatus |
US5986950A (en) * | 1997-10-15 | 1999-11-16 | International Business Machines Corporation | Use of redundant circuits to improve the reliability of an integrated circuit |
US20140244548A1 (en) * | 2013-02-22 | 2014-08-28 | Nvidia Corporation | System, method, and computer program product for classification of silicon wafers using radial support vector machines to process ring oscillator parametric data |
CN110969175B (zh) * | 2018-09-29 | 2022-04-12 | 长鑫存储技术有限公司 | 晶圆处理方法及装置、存储介质和电子设备 |
-
2020
- 2020-03-10 TW TW109107898A patent/TWI733365B/zh active
-
2021
- 2021-03-03 US US17/190,458 patent/US20210287086A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6775819B1 (en) * | 1997-10-27 | 2004-08-10 | Kla-Tencor Corporation | Software system and method for graphically building customized recipe flowcharts |
US7496478B2 (en) * | 2005-07-18 | 2009-02-24 | Dieter Rathei | Method of monitoring a semiconductor manufacturing trend |
TWI664390B (zh) * | 2014-02-25 | 2019-07-01 | 美商克萊譚克公司 | 用於堆疊晶圓之檢測和計量之系統及方法 |
TWI686684B (zh) * | 2015-05-08 | 2020-03-01 | 美商克萊譚克公司 | 量測系統及方法 |
TW201901475A (zh) * | 2017-05-19 | 2019-01-01 | 日商半導體能源硏究所股份有限公司 | 機器學習方法、機器學習系統及顯示系統 |
Also Published As
Publication number | Publication date |
---|---|
TW202134674A (zh) | 2021-09-16 |
US20210287086A1 (en) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11774372B2 (en) | Smart coordinate conversion and calibration system in semiconductor wafer manufacturing | |
US11282695B2 (en) | Systems and methods for wafer map analysis | |
US9347862B2 (en) | Setting up a wafer inspection process using programmed defects | |
US8289508B2 (en) | Defect detection recipe definition | |
US9202763B2 (en) | Defect pattern evaluation method, defect pattern evaluation apparatus, and recording media | |
CN117576108B (zh) | 晶圆缺陷检测的可视化优化方法、装置和计算机设备 | |
TWI733365B (zh) | 晶圓測試機台及訓練人工智慧模型以測試晶圓的方法 | |
Yen et al. | CNN-based stochastic regression for IDDQ outlier identification | |
US20140244548A1 (en) | System, method, and computer program product for classification of silicon wafers using radial support vector machines to process ring oscillator parametric data | |
TW201931015A (zh) | 設計關鍵性分析擴充之製程窗合格取樣 | |
US20220383473A1 (en) | Method and system for diagnosing a semiconductor wafer | |
US20120050728A1 (en) | Identifying defects | |
CN113406464A (zh) | 晶圆测试机台及训练人工智能模型以测试晶圆的方法 | |
US9437506B2 (en) | Semiconductor defect characterization | |
JP4950806B2 (ja) | 欠陥検査装置、欠陥検査方法、半導体装置の製造システム及び半導体装置の製造方法 | |
TWI392886B (zh) | Non-performing rate prediction method, defect rate prediction program, management method of semiconductor manufacturing apparatus, and manufacturing method of semiconductor device | |
EP1048956A2 (en) | Method and apparatus for analizing a semiconductor wafer manufacturing process | |
US11775840B2 (en) | Non-transitory computer-readable medium storing program code generating wafer map based on generative adversarial networks and computing device including the same | |
US11686764B2 (en) | Integrated circuit manufacture and outlier detection | |
US20240037768A1 (en) | Optical Inspection Based on Repetitive Feature Comparison | |
US20230411224A1 (en) | System and method for detecting defects on a wafer and related non-transitory computer-readable medium | |
JP2023147627A (ja) | 半導体ウェハ判定装置、半導体ウェハ判定システム及び半導体ウェハ判定方法 | |
CN114975153A (zh) | 半导体结构缺陷监测方法、装置、计算机设备和存储介质 | |
CN118043951A (zh) | 用于经由缺陷及电性测试数据的相关性自动诊断及监测半导体缺陷裸片筛选性能的系统 | |
Kuo et al. | Inspection sensitivity improvement by wafer sort failure sites matching algorithm—Chimin Chen |