TWI742156B - 晶圓失效圖案分析方法 - Google Patents

Abstract

一種晶圓失效圖案分析方法，以一處理器執行，包括：提供具有缺陷晶片之一失效圖案的目標晶圓，和提供具有已知缺陷晶片之失效圖案的複數個待選擇晶圓，並且取得前述晶圓之缺陷晶片原始數據資料；進行資料探勘；根據資料探勘的一夾角差排序結果決定目標晶圓之目標圖案與待比對晶圓之群組中各基準圖案之間的圖案相似度。其中資料探勘之步驟包括：至少經過兩次篩選步驟以確立目標晶圓之一目標圖案與一待比對晶圓之群組中的基準圖案；建立目標圖案與基準圖案的特徵向量；和決定目標圖案特徵向量與基準圖案特徵向量之間的夾角差。

Description

晶圓失效圖案分析方法

本發明是有關於一種分析方法，且特別是有關於一種晶圓失效圖案分析方法。

對半導體科技來說，持續縮小積體電路結構的尺寸、改善速率、增進效能、提高密度及降低成本等等，都是重要的發展目標。例如，積體電路結構的尺寸即使縮小或是如何發展，半導體元件的電子特性都必須至少維持或是加以改善，以符合市場對電子產品之要求。若積體電路結構的各層與所屬半導體元件如有缺陷或損傷，將會對半導體結構的電性表現造成影響，因而造成晶圓上存在一或多個缺陷晶片(defected dies)。而晶片針測(chip probe，CP)係在進行構裝前先用來對晶圓上的晶片進行電性功能上的探測，以先行分辨出電性功能不良的晶片。

傳統方法中，需從一龐大資料庫中選出許多晶片針測失效圖案(CP failure patterns)並透過人工方式進行比對，以尋找出與一目標晶圓的目標圖案近似的失效圖案，效率低且極為耗費時間。

本發明係有關於一種晶圓失效圖案分析方法，可大幅減少目標晶圓與資料庫中待選擇晶圓(具有已知缺陷晶片之失效圖案)的比對時間，而更有效率和準確地以排序方式決定出與目標晶圓之目標圖案相似的待選擇晶圓。

根據一實施例，係提出一種晶圓失效圖案分析方法，且以一處理器執行此方法，此方法包括：提供具有缺陷晶片之一失效圖案的一目標晶圓(target wafer)，和提供具有已知缺陷晶片之失效圖案的複數個待選擇晶圓(to-be-selected wafers)，並且取得該目標晶圓與該些待選擇晶圓之缺陷晶片原始數據資料(defected die raw data)；進行資料探勘(data mining)；根據資料探勘的一夾角差排序結果(a ranking result of the angle differences)決定目標晶圓之目標圖案與待比對晶圓之群組中各個基準圖案之間的圖案相似度(similarity)。其中，資料探勘之步驟係包括：對於該目標晶圓之該失效圖案與該些待選擇晶圓之該些失效圖案進行分類(classifying)，並且自該目標晶圓之該些缺陷晶片中和自該些待選擇晶圓之已知該些缺陷晶片中分別選擇對應之群聚失效點(clustered failed points)，以分別產生該目標晶圓之一目標圖案和該些待選擇晶圓之基準圖案(base patterns of the to-be-selected wafers)；決定目標晶圓之目標圖案與各個待選擇晶圓之該些基準圖案之間數據資料訊息的一圖案匹配率(pattern match rate)， 並篩除該些待選擇晶圓中圖案匹配率小於0.5的一或多個晶圓，留下的該些待選擇晶圓係產生一待比對晶圓之群組；建立目標晶圓之目標圖案的特徵向量(feature vectors)，和建立待比對晶圓之群組中該些基準圖案的特徵向量；決定目標晶圓之目標圖案的特徵向量與待比對晶圓之群組中各基準圖案的該些特徵向量之間的夾角差(angle differences)；以及對該些夾角差進行排序。

為了對本發明之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：

S1-S3、S21-S26、S210-S240、S31-S33:步驟

第1圖繪示本揭露一實施例之一晶圓失效圖案分析方法流程圖。

第2圖繪示缺陷晶片之XY座標示意圖。

第3圖繪示本揭露一實施例中資料探勘步驟之方法流程圖。

第4圖繪示一晶圓上之圖案點及圖案分佈面積之示意圖。

第5圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第一組模擬分析結果。

第6圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第二組模擬分析結果。

第7圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第三組模擬分析結果。

第8圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第四組模擬分析結果。

第9圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第五組模擬分析結果。

第10圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第六組模擬分析結果。

根據本揭露之實施例，係提出一種晶圓失效圖案(failure patterns of wafers)分析方法，且以一處理器(processor)執行此方法。藉由實施例所提出之方法可以大幅減少目標晶圓與資料庫中待選擇晶圓(具有已知缺陷晶片之失效圖案)的比對時間，而更快速、有效率且準確地以排序方式決定出與目標晶圓之目標圖案(i.e.失效圖案經過群聚標示而得)圖案相似的待選擇晶圓，可解決傳統分析方法之目標晶圓與資料庫中龐大數量的待選擇晶圓比對不易和人工比對十分耗時的問題。因此，實施例所提出之方法可快速和準確地獲得目標晶圓之半導體製程中需要被調整修改的相關訊息，提高良率。

以下係參照所附圖式敘述本揭露提出之其中實施態樣，以描述相關製造方法。相關的實施例流程細節係如下面實施例 內容所述。然而，但本揭露並非僅限於所述流程內容與細節態樣，本揭露並非顯示出所有可能的實施例，未於本揭露提出的其他實施態樣也可能可以應用。相關領域者可在不脫離本揭露之精神和範圍內對實施例之內容加以變化與修飾，以符合實際應用所需。再者，實施例中相同或類似的標號係用以標示相同或類似之部分。而圖式係已簡化以利清楚說明實施例之內容，圖式上的尺寸比例並非按照實際產品等比例繪製。因此，說明書和圖示內容僅作敘述實施例之用，而非作為限縮本揭露保護範圍之用。

再者，說明書和/或請求項中所使用的序數(例如”第一”、”第二”、…等之用詞)以修飾請求項之元件，其本身並不意含及代表該請求元件有任何之前的序數，也不代表某一請求元件與另一請求元件的順序、或是製造方法上的順序，該些序數的使用僅用來使具有某命名的一請求元件得以和另一具有相同命名的請求元件能作出清楚區分。

請同時參照第1-3圖。第1圖係繪示本揭露一實施例之一晶圓失效圖案(failure patterns of wafers)分析方法流程圖。第2圖繪示缺陷晶片之XY座標示意圖。第3圖係繪示本揭露一實施例中資料探勘步驟之方法流程圖。

如第1圖所示，首先，如步驟S1，提供具有缺陷晶片之一失效圖案(a failure pattern of defected dies)的一目標晶圓(target wafer)，和提供具有已知缺陷晶片之失效圖案(known failure patterns of defected dies)的複數個待選擇晶圓 (to-be-selected wafers)，並且取得目標晶圓與該些待選擇晶圓之缺陷晶片原始數據資料(defected die raw data)。接著，如步驟S2，進行資料探勘(data mining)；之後，如步驟S3，根據資料探勘的排序結果(例如一實施例中，根據資料探勘後所得到特徵向量夾角差的一排序結果)，來決定目標晶圓之目標圖案與待比對晶圓之群組中各個基準圖案之間的圖案相似度(similarity)。

根據一實施例，於步驟S1中，取得目標晶圓與待選擇晶圓之缺陷晶片原始數據資料，例如是包括：目標晶圓與該些待選擇晶圓的晶圓識別(wafer-idendifications，ID)(ID中例如包括了晶圓尺寸、此晶圓之晶片屬性與相關製程...等訊息)，和取得目標晶圓與該些待選擇晶圓之各缺陷晶片原始數據資料的對應X-Y座標值(X-Y coordinate values)。

根據一實施例，資料探勘(步驟S2)例如是包括以下步驟步驟S21~S26。

如步驟S21所示，使目標晶圓與該些待選擇晶圓之前述缺陷晶片原始數據資料達成一致化(unifying)。例如，決定出目標晶圓之缺陷晶片的失效圖案以及該些待選擇晶圓之已知缺陷晶片的失效圖案的半徑-角度座標值之數據轉換(radius-theta coordinate values)(步驟S210)。於一示例中，一致化前述缺陷晶片原始數據資料之步驟例如包括：聯合與目標晶圓尺寸一致的待選擇晶圓；確認目標晶圓與該些待選擇晶圓之圓心(centers)的X-Y座標值；和轉換來自於目標晶圓與該些待選擇晶圓之前述缺陷晶片 原始數據資料的X-Y座標值，以得到目標晶圓之缺陷晶片的失效圖案以及待選擇晶圓之已知缺陷晶片的失效圖案所對應的半徑-角度座標值。

請參照第2圖，其繪示缺陷晶片點A-C和A’-C’之XY座標示意圖。其中缺陷晶片點A-C和點A’-C’雖然在圖有不同的XY座標，但經過座標轉換，例如將各缺陷晶片點的XY座標值轉換為極座標(i.e.半徑-角度座標值)，可發現自圓心O至點A-C和點A’-C’的距離相關聯，例如OA=OA’，OB=OB’，OC=OC’。因此完成半徑-角度座標值之數據轉換有助於實施例中於後續步驟(如步驟S23所述)中決定兩個失效圖案比對後的圖案匹配率(pattern match rate)。

進行步驟S22，對於目標晶圓之失效圖案與該些待選擇晶圓之失效圖案進行分類(classifying)，例如自目標晶圓之缺陷晶片中和自該些待選擇晶圓之已知缺陷晶片中分別選擇對應之群聚失效點(clustered failed points)，以分別產生目標晶圓之一目標圖案(target pattern of the target wafer)和該些待選擇晶圓之基準圖案(base patterns of the to-be-selected wafers)。

於一實施例中，上述分類例如是利用一具雜訊之基於密度的聚類演算法(Density-Based Spatial Clustering of Applications with Noise(DBSCAN)，algorithm)對於目標晶圓之缺陷晶片以及所有待選擇晶圓之已知缺陷晶片進行群聚分析(clustering)，並且過濾移除目標晶圓之缺陷晶片中非群聚失效點 (non-clustered failed points of the defected dies of the target wafer)以及過濾移除待選擇晶圓之已知缺陷晶片中非群聚失效點(步驟S220)。例如，於一示例中，將經過DBSCAN演算法所選擇的群聚失效點皆被標示(labeled)為例如“0”，而未被選擇的非群聚失效點(non-clustered failed points)則不做標示(i.e.被移除)。因此步驟S22可視為一實施例之方法中第1次篩選步驟(first screening step)。

接著，進行步驟S23，決定目標晶圓之目標圖案與各個待選擇晶圓之基準圖案之間數據資料訊息的一圖案匹配率(a pattern match rate of data information)，並篩除該些待選擇晶圓中圖案匹配率小於0.5的其中之一或多個待選擇晶圓(步驟S230)，產生一待比對晶圓之群組(a group of to-be-compared wafers as remained)。因此待比對晶圓之群組是由留下的圖案匹配率大於等於0.5的待選擇晶圓組成。因此步驟S23/步驟S230可視為一實施例之方法中第2次篩選步驟(second screening step)。

根據一示例中，決定圖案匹配率的前述數據資料訊息係包括：目標晶圓與該些待選擇晶圓的晶圓識別(ID)、目標晶圓與該些待選擇晶圓之前述缺陷晶片原始數據資料(the defected die raw data)的X-Y座標值、和對應之半徑-角度座標值之數據轉換(transformation data of radius-theta coordinate values)。

進行步驟S24，建立目標晶圓之目標圖案的特徵向量(feature vectors of the target pattern)和建立待比對晶圓之群 組中所有基準圖案的特徵向量(feature vectors of the base patterns)。一示例中，建立特徵向量之步驟例如包括：(i)計算目標晶圓之目標圖案的特徵值(feature values)，和計算待比對晶圓之群組中該些基準圖案的特徵值；以及(ii)相對於目標晶圓之目標圖案所計算而得的特徵值，係分別對於待比對晶圓之群組中該些基準圖案的相對應之特徵值進行正規化(normalizing)。

之後，如步驟S25，例如根據上述將基準圖案正規化後之該些特徵值經過運算分析，決定出目標晶圓之目標圖案的特徵向量與待比對晶圓之群組中各基準圖案的該些特徵向量之間的夾角差(angle differences)。此夾角差也代表了基準圖案與目標圖案之間的相符程度，因此又可稱為匹配角(match theta)。並且，進行步驟S26，對於該些夾角差進行排序(ranking)。排序方式例如由夾角差之最小值依序排列至最大值，而分別自第1位、第2位、...往最末位做排列。

一示例中，可應用的多個特徵向量、和特徵向量之間(該些基準圖案相較於目標圖案)的夾角差係敘述於後。並請同時參照第1、3圖和表一、表二。

於一示例中，關於目標圖案(位於目標晶圓)與該些基準圖案(位於待比對晶圓之群組中的晶圓)其中之一的”圖案點”(pattern points)所建立的多個不同的特徵向量，依其性質可以大致分為三個特徵群組(i.e.第一至第三特徵群組)。請參照表一和 表二。三個特徵群組的相關特徵向量之代稱與內容簡單說明亦一併列於表一。但當然本揭露並不僅限於此處三個特徵群中所選用的特徵向量。另外，文中提到的”圖案點”係指，第二次篩選步驟(步驟S23/步驟S230)後，目標圖案被標示之群聚失效點，以及圖案匹配率(pattern match rate)大於0.5的待比對晶圓群組中各個基準圖案裡被標示之群聚失效點。

於一示例中，關於目標圖案(位於目標晶圓)與該些基準圖案(位於待比對晶圓之群組中的晶圓)其中之一的”圖案點”所建立的特徵向量，例如包括：第一特徵群組(first feature group)，其特徵向量係與半徑分佈(radius distribution)和角度分佈(theta distribution)相關，且由該些圖案點所對應之半徑-角度座標值(radius-theta coordinate values)而決定。例如，於一應用例中，第一特徵群組可包括：半徑中心(radius center)、半徑範圍(radius range)、角度範圍(theta range)、半徑範圍相對角度範圍之一比例(a ratio of the radius range to the theta range)(表一、表二中以”比例_r2t”表示)、角度標準差(theta standard deviation)(表一、表二中以”角度_std”表示)和半徑標準差(radius standard deviation)(表一、表二中以”半徑_std”表示)、圖案點之半徑平均值...等等；第二特徵群組(second feature group)，以決定該些圖案點的線性分佈或非線性分佈(linear or non-linear distribution)。例如，於一應用例中，第二特徵群組可包括： 該些圖案點的X數值相對於Y數值的皮爾森相關係數(Pearson correlation coefficient)(表一、表二中以”係數_x2y”表示)；該些圖案點之一半徑值(radius value)相對於在該半徑值之圖案點數目(point counts at the radius value)的皮爾森相關係數(表一、表二中以”係數_r2c”表示)(此係數可用以協助判斷該些圖案點是否為弧線分佈)；該些圖案點之一角度值(theta value)相對於在該角度值之圖案點數目(point counts at the theta value)的皮爾森相關係數(表一、表二中以”係數_t2c”表示)(此係數可用以協助判斷該些圖案點是否為扇形分佈)；一最大半徑下之一角度計數(a theta count at a maximum radius)相對於一最小半徑下之一角度計數(a theta count at a minimum radius)的一比值(ratio)(表一、表二中以”角度_範圍_半徑”(Theta_range_r))表示)(此係數可用以協助判斷該些圖案點扇形分佈的大小和寬度)；和該些圖案點之複數個半徑值對複數個角度值的皮爾森相關係數(表一、表二中以”係數_r2t”表示)；以及第三特徵群組(third feature group)，與該些圖案點之密度相關，且由該些圖案點所對應之X-Y座標值(X-Y coordinate values)而定。例如，於一應用例中，第二特徵群組可包括：該些圖案點除以圖案分佈面積(pattern across area)之數值(表一、表二中以”點密度”(Point_density)表示)。而圖案分佈面積例 如可透過該些圖案點的X值範圍乘上Y值範圍之計算而得，如第4圖所示(其繪示一晶圓上之圖案點及圖案分佈面積之示意圖)。

第3圖中之步驟S240係簡列出如上述示例之特徵向量。但上述內容僅作舉例說明之用，本揭露並不僅限制於該些步驟S240係簡列出如上述示例之特徵向量。

以下係根據上述步驟提出其中一種分析示例，包括列出如上述步驟(ex：圖案匹配率、特徵向量)等各個相關數值列於表二中，以說明應用實施例之一種晶圓失效圖案分析方法可產生目標晶圓之目標圖案與待比對晶圓之群組中各個基準圖案之間的圖案相似度(similarity)之排序。

請再參照第1圖，於揭露之一實施例中，決定圖案相似度的步驟S3係可包括以下步驟：步驟S31：使目標晶圓之該目標圖案與待比對晶圓之群 組中該些基準圖案形象化(visualizing)；步驟S32：根據前述特徵向量之間的夾角差之一自最小值到最大值的排序結果(a ranking result of the angle differences)，自動分析目標晶圓之目標圖案與待比對晶圓之群組中該些基準圖案之間的圖案相似度；和步驟S33：推斷(conclude)在待比對晶圓之群組的該些基準圖案中，是否存在有任一或多個相似圖案(any one or more similar patterns)與目標晶圓之目標圖案相似。

於另一實施例中，係可根據前述特徵向量之間的夾角差之一自最小值到最大值的排序結果，來形象化(ex：呈現於一顯示幕上)目標圖案(目標晶圓)與待比對晶圓之群組中對應的基準圖案(ex：從分析排序結果第1位依序排列呈現，呈現數量例如是在10張晶圓，或可更多或更少，係實際比對情況而定)，並可透過人眼觀察或自動分析目標圖案與基準圖案之間的圖案相似度，以推斷是否存在有一或多個相似圖案與目標晶圓之目標圖案相似。而根據實施例之方式，即使是以人工方式來觀察經過實施例提出之分類、分析演算等方法步驟後所呈現的基準圖案，仍可以根據圖案相似度排序方式迅速且準確地地找到相似度高的一或數張待比對晶圓，因此相較於傳統比對方式，實施例之方法仍可使人工觀察之晶圓數降至極低。

從待比對晶圓之群組的基準圖案中推斷出與目標晶圓之目標圖案近似的相似圖案之步驟後，則可迅速和準確地獲得目標晶圓之半導體製程中需要被調整修改的相關訊息，規劃改善對策，進 而提高製程良率。再者，亦可視實際狀況決定是否將此目標晶圓之目標圖案加入至包含有該些待選擇晶圓的數據資料庫(data base)中，成為未來待比對晶圓的其中之一。

本揭露亦根據上述實施例提出之分析方式，進行相關模擬分析，並列出其中六組模擬分析結果說明如下。

第5圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第一組模擬分析結果。第5圖中目標晶圓的缺陷晶片中被標示的群聚失效點是座落在約7點鐘方向的邊緣區域，根據模擬分析結果，從資料庫中共尋找出11個相似圖案(similar patterns)與目標晶圓之目標圖案相似，雖然圖式中此11個晶圓的群聚失效點是出現在不同的時鐘位置(clock positions)，但其群聚失效點的分佈情況都與目標晶圓顯現出類似特性。另外，以第5圖之目標晶圓為例，圖示中目標晶圓所標示的「SYCNL 18」例如是晶圓ID，接續的數字「5」例如代表DBSCAN演算法所產生的群聚分析標示碼，最後的數字「0」代表目標晶圓之目標圖案的特徵向量與待比對晶圓之基準圖案的該些特徵向量之間的夾角差(angle differences)(由於此為目標晶圓，特徵向量之間的夾角差為0)。類似地，以相似圖案1為例，其所標示的「STYYN 14」係為晶圓ID，接續的數字「1」為群聚分析標示碼，最後的數字「0.51」代表目標晶圓之目標圖案的特徵向量與此晶圓之基準圖案的該些特徵向量之間的夾角差為0.51。第5-10圖中所例舉之其餘圖案，上方標示數字亦如同上述說明，在此不再贅述。

第6圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第二組模擬分析結果。第6圖中目標晶圓的缺陷晶片中被標示的群聚失效點是呈現半月形(half-moon shape)分佈，根據模擬分析結果，從資料庫中共尋找出5個相似圖案(similar patterns)與目標晶圓之目標圖案相似，此五個相似圖案的群聚失效點的分佈情況都與目標晶圓顯現出十分類似的特性。

第7圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第三組模擬分析結果。第7圖中目標晶圓的缺陷晶片中被標示的群聚失效點是呈現交錯的條狀(crossing stripes)分佈，根據模擬分析結果，從資料庫中共尋找出5個相似圖案(similar patterns)與目標晶圓之目標圖案相似，其中又以相似圖案1-4這四個圖案的群聚失效點的分佈情況與目標晶圓顯現出十分類似的特性。

第8圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第四組模擬分析結果。第8圖中目標晶圓的缺陷晶片中被標示的群聚失效點是呈現單一條狀(single stripe)分佈，根據模擬分析結果，從資料庫中共尋找出5個相似圖案(similar patterns)與目標晶圓之目標圖案相似，其中又以相似圖案1-4這四個圖案的群聚失效點的分佈情況與目標晶圓顯現出十分類似的特性。

第9圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第五組模擬分析結果。第9圖中目標晶圓的缺陷晶片中被標示的群聚失效點是呈現扇形(fan shape)分佈，根據模擬分析結果，從資料庫中共尋找出5個相似圖案(similar patterns)與目標晶圓 之目標圖案相似，其中又以相似圖案1-3這三個圖案的群聚失效點的分佈情況與目標晶圓顯現出十分類似的特性。

第10圖係繪示依照實施例之一種晶圓失效圖案分析方法進行所產生的第六組模擬分析結果。第10圖中目標晶圓的缺陷晶片中被標示的群聚失效點是呈現從圓心到邊緣的區塊狀(block shape)分佈，根據模擬分析結果，從資料庫中共尋找出5個相似圖案(similar patterns)與目標晶圓之目標圖案相似，其中又以相似圖案1-4這四個圖案的群聚失效點的分佈情況與目標晶圓顯現出十分類似的特性。

因此，根據上述，本揭露實施例所提出的分析方法主要是先進行2次篩選步驟，其中(1)第1次篩選步驟-待選擇晶圓與目標晶圓都進行群聚分析，濾掉非群聚缺陷點，剩下群聚缺陷點(i.e.如前述步驟S22中群聚分析與標示)；(2)第2次篩選步驟是待選擇晶圓與目標晶圓之間的比較，比較過後一部份的待選擇晶圓(i.e.如前述步驟S23中圖案匹配率<0.5)被濾掉。第2次篩選步驟後會產生一待比對晶圓之群組(所包括的待比對晶圓其圖案匹配率

0.5)，而此群組中的待比對晶圓各具有第1次篩選後標示好的基準圖型(base pattern)(由群聚缺陷點組成)。之後，針對第2次篩選步驟後所產生的待比對晶圓之群組中各晶圓的基準圖案(base pattern)，以及目標晶圓(target wafer)的目標圖案(target pattern)經過第1次篩選)，再進行各種特徵向量(feature vectors)的建構。然後，比較待比對晶圓的基準圖案相對於目標晶圓的目標圖案之間的向量夾角差，根據比較結果做出排序，以從待比對晶 圓之群組中的待比對晶圓之基準圖案找出與目標圖案相似之圖形。

根據上述實施例所提出之方法具有許多優點，例如：(1)方法步驟中利用了信賴度高的DBSCAN聚類演算法來進行缺陷晶片的分類，例如群聚分析和標示群聚失效點；(2)可以僅用12個特徵向量(如表一)就能清楚和有效地描述圖案特性，因此演算複雜度低(low algorithm complexity)；(3)分析圖案時有圖案重疊比例之計算來加入角度位置因子的考量，並且可對於待選擇晶圓之圖案相似度進行排序，因此分析結果具有高度的準確性/穩定性(High Accuracy/Robustness)；(4)經由有效率的圖案演算比對與排序方式，可以大幅減少目標晶圓與資料庫中待選擇晶圓(具有已知缺陷晶片之失效圖案)的比對時間；(5)並且自動化程度高(High automation Extent)，大量減少人工作業的時間。綜合而言，實施例之方法可以更快速、有效率且準確地以排序方式決定出與目標晶圓之圖案相似的待選擇晶圓，解決了傳統分析方法之目標晶圓與資料庫中龐大數量的待選擇晶圓比對不易和人工比對十分耗時的問題。因此，實施例所提出之方法可快速和準確地獲得目標晶圓之半導體製程中需要被調整修改的相關訊息，提高良率。

其他實施例，例如其他步驟細節或其他特徵向量因子，亦可能可以應用，係視應用時之實際需求與條件而可作適當的調整或變化。因此，說明書與圖式中所示之內容與步驟僅作說明之用，並非用以限制本揭露欲保護之範圍。另外，相關技藝者當知，實施例亦並不限於圖示所繪之態樣，亦是根據實際應用時之需求和/或 製造步驟在不悖離本揭露之精神的情況下而可作相應調整。

綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，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。

S1-S3、S21-S26、S31-S33:步驟

Claims (15)

1. 一種晶圓失效圖案分析方法，且以一處理器(processor)執行該方法，該方法包括：提供具有缺陷晶片之一失效圖案(a failure pattern of defected dies)的一目標晶圓(target wafer)，和提供具有已知缺陷晶片之失效圖案(known failure patterns of defected dies)的複數個待選擇晶圓(to-be-selected wafers)，並且取得該目標晶圓與該些待選擇晶圓之缺陷晶片原始數據資料(defected die raw data)；進行資料探勘(data mining)，包括：一致化(unifying)該目標晶圓與該些待選擇晶圓之前述缺陷晶片原始數據資料，其中至少決定出該目標晶圓之該些缺陷晶片的該失效圖案以及該些待選擇晶圓之已知該些缺陷晶片的該些失效圖案的半徑-角度座標值之數據轉換(radius-theta coordinate values)；在前述一致化該缺陷晶片原始數據資料之步驟之後，對於該目標晶圓之該失效圖案與該些待選擇晶圓之該些失效圖案進行分類(classifying)，並且自該目標晶圓之該些缺陷晶片中和自該些待選擇晶圓之已知該些缺陷晶片中分別選擇對應之群聚失效點(clustered failed points)，以分別產生該目標晶圓之一目標圖案(target pattern of the target wafer)和該些待選擇晶圓之基準圖案(base patterns of the to-be-selected wafers)； 決定該目標晶圓之該目標圖案與各個該些待選擇晶圓之該些基準圖案之間數據資料訊息的一圖案匹配率(a pattern match rate of data information)，並篩除該些待選擇晶圓中該圖案匹配率小於0.5的其中之一或多個，留下的該些待選擇晶圓係產生一待比對晶圓之群組(a group of to-be-compared wafers as remained)；建立該目標晶圓之該目標圖案的特徵向量(feature vectors of the target pattern of the target wafer)和建立該待比對晶圓之群組中該些基準圖案的特徵向量(feature vectors of the base patterns of the group of to-be-compared wafers)；決定該目標晶圓之該目標圖案的該特徵向量與該待比對晶圓之群組中各該些基準圖案的該些特徵向量之間的夾角差(angle differences)；以及對於該些夾角差進行排序(ranking)；和根據該些夾角差的一排序結果(a ranking result of the angle differences)決定該目標晶圓之該目標圖案與該待比對晶圓之群組中各個該些基準圖案之間的圖案相似度(similarity)。
2. 如申請專利範圍第1項所述之方法，其中在該目標晶圓之該些缺陷晶片中和該些待選擇晶圓之已知該些缺陷晶片中選擇該些群聚失效點之步驟中，係移除該目標晶圓之該些缺陷晶片中非群聚失效點，以及移除該些待選擇晶圓之已知該些缺陷晶片中非群聚失效點。
3. 如申請專利範圍第1項所述之方法，其中對於該目標晶圓之該失效圖案與該些待選擇晶圓之該些失效圖案進行分類，係利用一具雜訊之基於密度之聚類演算法(DBSCAN algorithm)對於該目標晶圓之該些缺陷晶片以及該些待選擇晶圓之已知該些缺陷晶片進行群聚分析(clustering)。
4. 如申請專利範圍第3項所述之方法，其中該DBSCAN演算法將該目標晶圓之該些缺陷晶片中和該些待選擇晶圓之已知該些缺陷晶片中所選擇的該些群聚失效點係標示(labeled)為“0”，而對於該目標晶圓之該些缺陷晶片中和該些待選擇晶圓之已知該些缺陷晶片中非群聚失效點(non-clustered failed points)則不做標示。
5. 如申請專利範圍第1項所述之方法，其中前述一致化該缺陷晶片原始數據資料之步驟係包括：聯合與該目標晶圓尺寸一致的該些待選擇晶圓；確認該目標晶圓與該些待選擇晶圓之圓心(centers)的X-Y座標值(X-Y coordinate values)；和轉換來自於該目標晶圓與該些待選擇晶圓之前述缺陷晶片原始數據資料的X-Y座標值，以得到該目標晶圓之該些缺陷晶片的該失效圖案以及該些待選擇晶圓之已知該些缺陷晶片的該些失效圖案之該些半徑-角度座標值。
6. 如申請專利範圍第1項所述之方法，其中決定該圖案匹配率的前述數據資料訊息係包括：該目標晶圓與該些待選擇晶圓的晶圓識別(wafer-idendifications，ID)； 該目標晶圓與該些待選擇晶圓之前述缺陷晶片原始數據資料的X-Y座標值(X-Y coordinate values)；和該些半徑-角度座標值(radius-theta coordinate values)之數據轉換。
7. 如申請專利範圍第1項所述之方法，其中該些特徵向量之建立步驟包括：計算該目標晶圓之該目標圖案的特徵值(feature values)，和計算該待比對晶圓之群組中該些基準圖案的特徵值；以及相對於該目標晶圓之該目標圖案的該些特徵值，係分別對於該待比對晶圓之群組中該些基準圖案的該些特徵值進行正規化(normalizing)。
8. 如申請專利範圍第1項所述之方法，其中關於該目標圖案與該些基準圖案其中一者的圖案點(pattern points)所建立的該些特徵向量係包括：一第一特徵群組(first feature group)，與半徑分佈和角度分佈相關，且由該些圖案點所對應之半徑-角度座標值而決定。
9. 如申請專利範圍第8項所述之方法，其中該第一特徵群組包括：半徑中心、半徑範圍、角度範圍、該半徑範圍相對該角度範圍之一比例、角度標準差和半徑標準差。
10. 如申請專利範圍第8項所述之方法，其中關於該目標圖案與該些基準圖案其中之一的該些圖案點所建立的該些特徵向量更包括： 一第二特徵群組(second feature group)，以決定該些圖案點的線性分佈或非線性分佈。
11. 如申請專利範圍第10項所述之方法，其中該第二特徵群組包括：該些圖案點的X數值相對於Y數值的皮爾森相關係數(Pearson correlation coefficient)；該些圖案點之一半徑值相對於在該半徑值之圖案點數目(point counts at the radius value)的皮爾森相關係數；該些圖案點之一角度值相對於在該角度值之圖案點數目(point counts at the theta value)的皮爾森相關係數；一最大半徑下之一角度計數(a theta count at a maximum radius)相對於一最小半徑下之一角度計數(a theta count at a minimum radius)的一比值；和該些圖案點之複數個半徑值對複數個角度值的皮爾森相關係數。
12. 如申請專利範圍第8項所述之方法，其中關於該目標圖案與該些基準圖案其中之一的該些圖案點所建立的該些特徵向量更包括：一第三特徵群組(third feature group)，與該些圖案點之密度相關，且由該些圖案點所對應之X-Y座標值而定。
13. 如申請專利範圍第12項所述之方法，其中該第三特徵群組包括：該些圖案點除以圖案分佈面積(pattern across area)之數值。
14. 如申請專利範圍第1項所述之方法，其中決定該圖案相似度之步驟係包括：使該目標晶圓之該目標圖案與該待比對晶圓之群組中該些基準圖案形象化(visualizing)；根據該些夾角差之一自最小值到最大值的該排序結果，自動分析該目標晶圓之該目標圖案與該待比對晶圓之群組中該些基準圖案之間的該圖案相似度；和推斷在該待比對晶圓之群組的該些基準圖案中，是否存在有任一或多個相似圖案(similar patterns)與該目標晶圓之該目標圖案相似。
15. 如申請專利範圍第14項所述之方法，更包括：在推斷是否有前述任一或多個相似圖案之步驟後，係將該目標晶圓加入至包含有該些待選擇晶圓的一數據資料庫(data base)中。

Images