TWI841349B - 晶圓切割崩裂預測方法 - Google Patents
晶圓切割崩裂預測方法 Download PDFInfo
- Publication number
- TWI841349B TWI841349B TW112114766A TW112114766A TWI841349B TW I841349 B TWI841349 B TW I841349B TW 112114766 A TW112114766 A TW 112114766A TW 112114766 A TW112114766 A TW 112114766A TW I841349 B TWI841349 B TW I841349B
- Authority
- TW
- Taiwan
- Prior art keywords
- wafer
- control parameters
- machine
- prediction
- cutting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006403 short-term memory Effects 0.000 claims abstract description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 64
- 238000005336 cracking Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- 239000007921 spray Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 10
- 235000012431 wafers Nutrition 0.000 description 88
- 238000009826 distribution Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 241001050985 Disco Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Dicing (AREA)
Abstract
一種晶圓切割崩裂預測方法，用以解決習知晶圓切割過程中發生無法預期之崩裂的問題。係包含：在一機台進行晶圓切割的過程中，紀錄該機台之多個控制參數及各該控制參數對應晶圓崩裂的情形，整合該多個控制參數為一指標；將該指標輸入一雙向長短期記憶模型，以訓練晶圓切割崩裂之一預測模型；及訓練完成的該預測模型接收該機台進行切割時的該指標，以預測晶圓是否會發生崩裂，並推算出數個關鍵控制參數用於調整該機台，以減緩晶圓崩裂情形。
Description
本發明係關於一種晶圓製程改善，尤其是一種偵測及分析晶圓崩裂發生原因並提前進行改善的晶圓切割崩裂預測方法。
晶圓(Wafer)代工係在圓盤狀的半導體基板上加工形成多個積體電路(Integrated Circuit,IC)，加工後的晶圓還需要經過測試、切割及封裝等步驟分成數個晶片產品，但是，隨著電子產品的需求增長，且發展趨勢朝向輕量化及高效能，使晶片上的線路及元件必須更密集且尺寸更小，而晶圓基板的厚度會降至100微米以下，以縮小封裝後的體積或堆疊更多層的積體電路，然而越薄的晶圓越容易在加工過程中發生折斷或翹曲等缺陷，即使透過分階段的切割(Slice)、背面研磨(Back Grinding)及黏貼保護膜等製程改善，仍無法避免在晶圓研磨、切割的過程中發生晶圓崩裂(Chipping)，導致大量晶片報廢，同時產生大量的切割碎屑，及使刀片的汰換率提高等問題。
習知改善上述晶圓切割製程崩裂問題的方法，係在切割機台運作時偵測機台的數個控制參數，並依據加工後晶圓的崩裂位置分布情形，分析各該控制參數與晶圓崩裂的相關性，係可以在下一片晶圓開始切割之前，調整相關的控制參數以減少晶圓的崩裂面積及提升晶圓的切割良率。由於晶圓切割製程係仰賴工程人員及操作員的現場處理經驗，當晶圓切割發生崩裂
情形時，係應用簡單數據分析或依循標準作業程序，以人工調整切割機台的控制參數以改善晶圓切割崩裂，惟，由於切割機台的運作機制精密而導致相關的控制參數眾多且相關性複雜，若參數調整稍有偏差，可能嚴重影響切割製程的產出，因此，人工調整參數無法有效控制大規模的晶圓崩裂情形，而且增加人力的負擔。
雖然部份工廠可以透過大數據收集及人工智慧等技術，快速且準確地偵測及分析影響晶圓切割崩裂的相關控制參數，但是，不同切割機台的控制參數不盡相同，而且不同批號晶圓的切割位置及結構強度也不同，使得調整控制參數的方式無法適用於所有的切割製程，將導致每一次產線更換製程或待工產品時，都必須經由嘗試錯誤(Try and Error)逐步調整控制參數，經多次測試後才能夠有效控制大規模的晶圓崩裂，然而，在調整過程中已產生大量晶片報廢，且使刀片的使用壽命降低。
有鑑於此，習知的晶圓切割崩裂的解決方法，確實仍有加以改善之必要。
為解決上述問題，本發明的目的是提供一種晶圓切割崩裂預測方法，係可以預測並延緩晶圓崩裂情形。
本發明的次一目的是提供一種晶圓切割崩裂預測方法，係可以快速訓練預測模型。
本發明的又一目的是提供一種晶圓切割崩裂預測方法，係可以減輕切割製程的人力負擔。
本發明的再一目的是提供一種晶圓切割崩裂預測方法，係可以延長切割刀片的使用壽命。
本發明全文所記載的元件及構件使用「一」或「一個」之量詞，僅是為了方便使用且提供本發明範圍的通常意義；於本發明中應被解讀為包括一個或至少一個，且單一的概念也包括複數的情況，除非其明顯意指其他意思。
本發明的晶圓切割崩裂預測方法，包含：在一機台進行晶圓切割的過程中，紀錄該機台之多個控制參數及各該控制參數對應晶圓崩裂的情形，整合該多個控制參數為一指標；將該指標輸入一雙向長短期記憶模型，以訓練晶圓切割崩裂之一預測模型；及訓練完成的該預測模型接收該機台進行切割時的該指標，以預測晶圓是否會發生崩裂，並推算出數個關鍵控制參數用於調整該機台，以減緩晶圓崩裂情形，其中，使用機器學習之一重要性分析方法，在該多個控制參數中選擇影響晶圓崩裂的重要控制參數，再利用一極值標準化方法，將所選擇的重要控制參數標準化後合併為一高維度向量。
據此，本發明的晶圓切割崩裂預測方法，藉由在晶圓切割機台上選擇控制參數、建立預測模型及預測晶圓崩裂，並在切割過程即時調整控制參數以減少晶圓崩裂發生，係具有降低操作切割機台的人力負擔，且可以提升晶圓製程良率，及使切割刀片的使用壽命可以延長等功效。此外，係可以僅選擇與晶圓崩裂的相關程度高的控制參數，係具有降低運算複雜度及提升預測準確度的功效。
其中，該多個控制參數包括控制切割刀片主軸的電流值、該機台的清潔水流量及清潔氣體噴氣壓力。如此，係可以記錄切割機台的操作變化，用於分析導致晶圓崩裂的原因，係具有提升預測準確度的功效。
其中，利用t-隨機鄰近嵌入法套用Barnes-Hut近似值對該高維度向量進行降維，以產生該指標。如此，係可以透過降維減少數據量，係具有提升模型訓練效率及保持預測準確度的功效。
其中，該雙向長短期記憶模型包含二個長短期記憶模型，正向時間連續及反向時間連續的兩種指標，分別輸入該二長短期記憶模型以產生二個預測結果，再平均該二預測結果獲得一最終預測。如此，透過不同時間方向的輸入輸出，係可以產生更多的短期依賴關係，係具有提升預測準確度的功效。
其中，該多個控制參數的數據集合透過一平均池化方法，產生新的數據以增加訓練該預測模型的數據量。如此，係可以在有限且缺漏的製程樣本數據中，產生更多訓練資料，係具有提升訓練效率及預測準確度的功效。
其中，利用該平均池化方法將該多個控制參數依據對應的晶圓崩裂面積分為四組，分別是：崩裂面積小於10%、介於10%~15%、介於15%~20%、介於20%~30%。如此，係可以避免使用晶圓崩裂面積大於30%的控制參數作為訓練資料，係具有控制晶圓崩裂規模及提升晶圓良率提升晶圓良率及的功效。
〔第1圖〕一種習知晶圓切割方法的崩裂分布情形圖。
〔第2圖〕本發明較佳實施例的晶圓切割崩裂分布情形圖。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式作詳細說明。
本發明晶圓切割崩裂預測方法的較佳實施例，係包含選擇參
數、建立預測模型及預測崩裂。
首先，在一機台進行晶圓切割的過程中，係可以透過各種感測器紀錄該機台之多個控制參數的變化情形，例如：以安培計測量切割刀片之主軸的電流、以溫度計測量冷卻水的溫度、以流量計測量清洗水流的排放量、以氣壓計測量清潔氣體的噴氣壓力等，並記錄各該控制參數的變化影響晶圓發生崩裂的面積及分布位置，以整合該多個控制參數為一指標(Index)，該指標係可以用於後續的晶圓崩裂預測，但是，該多個控制參數與晶圓崩裂的相關程度不同，因此，可以僅選擇使用其中幾個相對重要的控制參數，還可以將所選擇的重要控制參數合併成一高維度向量(High Dimensional Vector)，再透過一降維(Dimensionality Reduction)方法降低該高維度向量的維度，並使降維後的低維度資料為濃縮資訊之該指標用於晶圓崩裂預測。在本實施例中，係使用機器學習(Machine Learning,ML)的重要性分析方法，選擇影響晶圓崩裂的重要控制參數，並利用極值標準化(Min-Max Normalization)方法將所選擇的重要控制參數標準化後合併，再利用t-隨機鄰近嵌入法(t-distributed Stochastic Neighbor Embedding,t-SNE)套用Barnes-Hut近似值對合併後之該高維度向量進行降維。
將降維後之該指標輸入一雙向長短期記憶(Bidirectional Long Short-Term Memory,BLSTM)模型，以建立晶圓切割崩裂的預測模型，詳言之，係將時間序列正向及反向的連續資料，分別輸入兩個長短期記憶模型，藉由同時訓練兩個不同的預測模型以產生兩個預測結果，再平均該二預測結果獲得一最終預測，由於不同時間方向的輸入輸出之間產生更多的短期依賴關係，係可以提升該最終預測的準確性。
另外，由於預測模型的訓練資料來自於工廠實際執行晶圓切割製程的機台控制參數，而非規劃完善的實驗流程，因此所收集的數據難免有
缺漏、非線性分布及相關隱藏參數遺失等問題，舉例而言，工廠為了提升產品良率，當晶圓切割發生大規模崩裂時，會立即更換刀片或採取其他補救手段進行改善，而不會發生連續生產數片晶圓的崩裂面積達70%以上的情形，係無法收集到各種嚴重崩裂情形對應的控制參數，而為了增加用於訓練的數據量，係可以利用平均池化(Average Pooling)方法，將控制參數的數據集合依據對應的晶圓崩裂面積劃分為數組，對每組範圍內相同對應序列順序的數個採樣數據進行平滑處理，以得到新的數據增加訓練的數據量。在本實施例中，係將控制參數的數據集分為四組：崩裂面積小於10%、介於10%~15%、介於15%~20%、介於20%~30%，在每個範圍內選取的四個採樣數據進行平滑處理。
在該機台開始進行切割時，取得該指標並輸入訓練完成的預測模型，該預測模型係可以預測晶圓是否即將發生崩裂，又，該預測模型還可以推算出關鍵的控制參數經降維處理後形成一調整指標，使該調整指標輸入該預測模型的預測結果能夠抑制晶圓崩裂，如此，在該機台進行切割的過程中，係可以依據該預測模型推算出的關鍵控制參數調整該機台的參數設定，而延緩晶圓崩裂情形。
本實施例係使用DISCO公司產品型號DS6560的切割機進行晶圓切割崩裂預測的操作及驗證，首先，透過重要性分析方法在該切割機選擇出八個相對重要的控制參數，分別是控制兩個刀片主軸的電流值(Spindle Current Z1、Z2)、三個不同出水口的清潔水流量(Spray Nozzle、Blade Nozzle、Shower Nozzle)及三個不同出氣孔的清潔氣體噴氣壓力(Main Air、Clean Air、Atomizing Nozzle)，將上述八個控制參數合成一個八維向量，再利用t-隨機鄰近嵌入法進行降維，並選擇Barnes-Hut近似值以加快降維計算，降維後所產生之該信標輸入雙向長短期記憶模型進行訓練，訓練輪數的上限設為150
次，若十輪訓練後未提升準確率則終止訓練，在本實施例的訓練階段，係使用82個晶圓的167993個切割崩裂相關數據。訓練完成之該預測模型係可以在切割過程中接收由該機台收集來的指標，進行晶圓崩裂預測並即時調整該機台的控制參數以減緩晶圓崩裂情形。
請參照第1圖所示，其係習知晶圓切割方法進行切割的崩裂分布情形，工程人員係依據第一片晶圓切割的控制參數及崩裂情形，分析各該控制參數與晶圓崩裂的相關性，以調整切割下一片晶圓的控制參數，但是，在切割第三片晶圓時，刀片已經嚴重磨損而無法控制大規模的晶圓崩裂，該機台必須更換新的刀片以緩解崩裂情形。
請再參照第2圖所示，其係應用本發明晶圓切割崩裂預測方法進行切割的崩裂分布情形，該預測模型在該機台的切割過程中，可以依據即時預測的晶圓崩裂情形，調整關鍵的控制參數，例如：刀片的主軸電流、清潔水流量及清潔氣體噴氣壓力等，使該機台在不更換刀片的情況下，能夠連續切割八片晶圓，且避免晶圓發生大規模的崩裂，因此，利用該預測模型預測晶圓切割崩裂，係可以提升晶圓切割製程的良率，還可以延緩刀片劣化。
綜上所述，本發明的晶圓切割崩裂預測方法，藉由在晶圓切割機台上選擇控制參數、建立預測模型及預測晶圓崩裂，並在切割過程即時調整控制參數以減少晶圓崩裂發生，係具有降低操作切割機台的人力負擔，且可以提升晶圓製程良率，及使切割刀片的使用壽命可以延長等功效。
雖然本發明已利用上述較佳實施例揭示，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之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當包含後附之申請專利範圍所記載的文義及均等範圍內之所有變更。
Claims (6)
- 一種晶圓切割崩裂預測方法，包含：在一機台進行晶圓切割的過程中，紀錄該機台之多個控制參數及各該控制參數對應晶圓崩裂的情形，整合該多個控制參數為一指標；將該指標輸入一雙向長短期記憶模型，以訓練晶圓切割崩裂之一預測模型；及訓練完成的該預測模型接收該機台進行切割時的該指標，以預測晶圓是否會發生崩裂，並推算出數個關鍵控制參數用於調整該機台，以減緩晶圓崩裂情形，其中，使用機器學習之一重要性分析方法，在該多個控制參數中選擇影響晶圓崩裂的重要控制參數，再利用一極值標準化方法，將所選擇的重要控制參數標準化後合併為一高維度向量。
- 如請求項1之晶圓切割崩裂預測方法，其中，該多個控制參數包括控制切割刀片主軸的電流值、該機台的清潔水流量及清潔氣體噴氣壓力。
- 如請求項1之晶圓切割崩裂預測方法，其中，利用t-隨機鄰近嵌入法套用Barnes-Hut近似值對該高維度向量進行降維，以產生該指標。
- 如請求項1之晶圓切割崩裂預測方法，其中，該雙向長短期記憶模型包含二個長短期記憶模型，正向時間連續及反向時間連續的兩種指標，分別輸入該二長短期記憶模型以產生二個預測結果，再平均該二預測結果獲得一最終預測。
- 如請求項1之晶圓切割崩裂預測方法，其中，該多個控制參數的數據集合透過一平均池化方法，產生新的數據以增加訓練該預測模型的數據量。
- 如請求項5之晶圓切割崩裂預測方法，其中，利用該平均池 化方法將該多個控制參數依據對應的晶圓崩裂面積分為四組，分別是：崩裂面積小於10%、介於10%~15%、介於15%~20%、介於20%~30%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112114766A TWI841349B (zh) | 2023-04-20 | 2023-04-20 | 晶圓切割崩裂預測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112114766A TWI841349B (zh) | 2023-04-20 | 2023-04-20 | 晶圓切割崩裂預測方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI841349B true TWI841349B (zh) | 2024-05-01 |
Family
ID=92076967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112114766A TWI841349B (zh) | 2023-04-20 | 2023-04-20 | 晶圓切割崩裂預測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI841349B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200949240A (en) * | 2008-05-17 | 2009-12-01 | Wecon Automation Co Ltd | Method and device for inspecting and identifying burst of back of grains |
| CN103137567A (zh) * | 2011-11-30 | 2013-06-05 | 和舰科技(苏州)有限公司 | 一种减轻晶圆切割应力破坏的晶圆结构及版图设计方法 |
| TWM604689U (zh) * | 2020-08-05 | 2020-12-01 | 固德科技股份有限公司 | 應用於切割製程之智能監控系統 |
| TW202109030A (zh) * | 2019-07-12 | 2021-03-01 | 美商矽睿科技股份有限公司 | 利用x射線檢測缺陷並分類缺陷的方法、電腦可讀取非暫存性儲存媒體及系統 |
| CN113761782A (zh) * | 2020-06-04 | 2021-12-07 | 郑芳田 | 预测机台加工事件发生的方法与其虚拟量测应用 |
| TW202221428A (zh) * | 2019-08-13 | 2022-06-01 | 荷蘭商Ａｓｍｌ荷蘭公司 | 用於改善圖案化製程之訓練機器學習模型的方法 |
-
2023
- 2023-04-20 TW TW112114766A patent/TWI841349B/zh active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200949240A (en) * | 2008-05-17 | 2009-12-01 | Wecon Automation Co Ltd | Method and device for inspecting and identifying burst of back of grains |
| CN103137567A (zh) * | 2011-11-30 | 2013-06-05 | 和舰科技(苏州)有限公司 | 一种减轻晶圆切割应力破坏的晶圆结构及版图设计方法 |
| TW202109030A (zh) * | 2019-07-12 | 2021-03-01 | 美商矽睿科技股份有限公司 | 利用x射線檢測缺陷並分類缺陷的方法、電腦可讀取非暫存性儲存媒體及系統 |
| TW202221428A (zh) * | 2019-08-13 | 2022-06-01 | 荷蘭商Ａｓｍｌ荷蘭公司 | 用於改善圖案化製程之訓練機器學習模型的方法 |
| CN113761782A (zh) * | 2020-06-04 | 2021-12-07 | 郑芳田 | 预测机台加工事件发生的方法与其虚拟量测应用 |
| TWM604689U (zh) * | 2020-08-05 | 2020-12-01 | 固德科技股份有限公司 | 應用於切割製程之智能監控系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Research on the milling tool wear and life prediction by establishing an integrated predictive model | |
| TWI625615B (zh) | 預測模型建立方法及其相關預測方法與電腦程式產品 | |
| Chang et al. | Virtual metrology technique for semiconductor manufacturing | |
| US7119908B2 (en) | Method and apparatus for measuring thickness of thin film and device manufacturing method using same | |
| US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
| US20100312374A1 (en) | System and method for implementing a virtual metrology advanced process control platform | |
| CN107234495B (zh) | 建立平均材料去除速率预测模型的方法及预测速率的方法 | |
| US6594024B1 (en) | Monitor CMP process using scatterometry | |
| WO2000070495A2 (en) | Semiconductor processing techniques | |
| TW201734434A (zh) | 原位控制製程的方法及設備 | |
| Kim et al. | Wafer edge yield prediction using a combined long short-term memory and feed-forward neural network model for semiconductor manufacturing | |
| CN110625080B (zh) | 连铸二冷系统在线工作状态的智能检控方法 | |
| CN116382045B (zh) | 一种集成电路制造设备运行数据处理系统及方法 | |
| TWI841349B (zh) | 晶圓切割崩裂預測方法 | |
| KR102373933B1 (ko) | 반도체 가공 장치를 진단하는 진단 시스템 및 그것의 제어 방법 | |
| TW201301074A (zh) | 半導體製程之失效偵測方法及執行此方法之系統架構 | |
| JP2019036700A (ja) | シリコンウエーハのエッジ形状の評価方法および評価装置、シリコンウエーハ、ならびにその選別方法および製造方法 | |
| CN112071765A (zh) | 确定晶圆加工参数的方法和晶圆的加工方法 | |
| CN116307289A (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
| CN100587636C (zh) | 一种等离子刻蚀工艺的预测与监控方法 | |
| CN112257337B (zh) | 一种gmdh神经网络的晶圆cmp材料去除率预测方法 | |
| CN100405556C (zh) | 一种在晶片刻蚀工艺中控制关键尺寸偏差的方法 | |
| Lin et al. | Optimal parameter ranges of material removal depth of abrasive cloth wheel polishing based on sensitivity analysis | |
| CN116300762A (zh) | 基于切割区域温场的过程控制模型的构建方法及晶体棒过程控制切割方法 | |
| CN107498724B (zh) | 减少导轮磨损异常的方法 |