WO2007125941A1 - 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体 - Google Patents

欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体 Download PDF

Info

Publication number
WO2007125941A1
WO2007125941A1 PCT/JP2007/058916 JP2007058916W WO2007125941A1 WO 2007125941 A1 WO2007125941 A1 WO 2007125941A1 JP 2007058916 W JP2007058916 W JP 2007058916W WO 2007125941 A1 WO2007125941 A1 WO 2007125941A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect
substrate
equipment
defect density
features
Prior art date
Application number
PCT/JP2007/058916
Other languages
English (en)
French (fr)
Inventor
Tetsuro Toyoshima
Original Assignee
Sharp Kabushiki Kaisha
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 Sharp Kabushiki Kaisha filed Critical Sharp Kabushiki Kaisha
Priority to JP2008513232A priority Critical patent/JP4694618B2/ja
Priority to US12/226,711 priority patent/US20090306922A1/en
Priority to CN200780015270.8A priority patent/CN101432864B/zh
Publication of WO2007125941A1 publication Critical patent/WO2007125941A1/ja

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Definitions

  • the present invention relates to a defect distribution classification method, and more particularly to a defect distribution classification method for classifying a defect distribution on a substrate processed in a production line including a plurality of processes.
  • the present invention also relates to a defect distribution classification system suitable for executing such a defect distribution classification method.
  • the present invention executes such a defect distribution classification method and, based on the classified result, an abnormal process or facility that causes a product defect or the like in a production line including a plurality of processes. It relates to a cause facility identification method.
  • the present invention also relates to a causal equipment specifying system suitable for executing such a causal equipment specifying method.
  • the present invention relates to a computer program for causing a computer to execute such a defect distribution classification method or a cause facility identification method.
  • the present invention also relates to a computer-readable recording medium in which such a computer program is recorded.
  • defect distribution image data indicated by gray values is created by adding the number of defects for each pixel in a lattice pattern to a plurality of semiconductor substrates! The In addition, it is possible to estimate the cause of occurrence of multiple prepared defect distribution image data The cause of the defect is investigated by collating with a case database.
  • the defect distribution on the substrate is any one of a) repeated defects, b) dense defects, c) linear defects, d) ring-shaped defects, and e) random defects. It is classified into the distribution feature power category.
  • Japanese Patent Laid-Open No. 2005-142406 a common divided region for a plurality of types of semiconductor devices is set in a wafer plane, and the number of defective chip regions included in each divided region is used for each wafer. The features are calculated, and each wafer is classified using these features.
  • an object of the present invention is to provide a defect distribution classification method capable of automatically extracting and classifying defects on a substrate to be processed in a manufacturing line including a plurality of processes without human intervention. Is to provide.
  • Another object of the present invention is to provide a defect distribution classification system suitable for executing such a defect distribution classification method.
  • the present invention provides a causal equipment identification method capable of identifying an abnormal process or equipment that causes a product defect or the like in a production line including a plurality of processes without human intervention. I will.
  • the present invention is to provide a causal equipment specifying system suitable for executing such a causal equipment specifying method.
  • the present invention is to provide a computer program for causing a computer to execute such a defect distribution classification method or a cause facility identification method.
  • Another object of the present invention is to provide a computer-readable recording medium in which such a computer program is recorded.
  • the defect distribution classification method of the present invention provides:
  • a defect distribution classification method for extracting and classifying defects on a substrate to be processed in a production line including a plurality of processes
  • the above manufacturing line has inspection information indicating the position of the defect on each substrate after the completion of a predetermined process. Including an inspection process to obtain information,
  • the degree of similarity between the P features and the defect density information of each substrate is obtained, and each substrate is classified for each of the P features according to the degree of similarity.
  • the process of dividing the surface of each substrate into n regions and obtaining defect density information having the (m X n) components The process of extracting the features and the similarity between the P features and the defect density information of each substrate are obtained, and the respective substrates are classified for each of the P features according to the similarity.
  • processing can be performed uniformly with the same rules.
  • each of the above processes can be executed even if a human does not set a case database (library), a defect distribution pattern, a class, etc.
  • this defect distribution classification method of the present invention it is possible to automatically extract and classify defects on a substrate to be processed through a production line including a plurality of processes without human intervention.
  • this defect distribution classification method is readily applicable to production line monitoring.
  • this defect distribution classification method does not require maintenance of rules (identification rules) for recognizing defect distribution even when the type of device to be manufactured, manufacturing process, or type of equipment changes. It can be used.
  • the defect density information is a set of first vectors each having n components for the m substrates.
  • the P features are second vectors with n components each.
  • the similarity is obtained as a correlation coefficient, inner product, or covariance between the first vector and the p second vectors for each of the substrates.
  • the similarity is objectively obtained.
  • the defect distribution classification system of the present invention includes:
  • a defect distribution classification system that extracts and classifies defects on a substrate to be processed in a production line including a plurality of processes.
  • the production line includes an inspection process for obtaining inspection information indicating the position of a defect on each substrate after completion of a predetermined process.
  • a defect density distribution acquisition unit for acquiring defect density information having (m X n) components representing the defect density included in each of the regions based on the inspection information;
  • a feature extraction unit that extracts p features (where p is a natural number less than m) that is statistically independent from the defect density information having (m X n) components,
  • a classification result obtaining unit that obtains the similarity between the P features and the defect density information of each substrate and classifies the substrates for each of the P features according to the similarity; .
  • the processing by the defect density distribution acquisition unit, the processing by the feature extraction unit, and the processing by the classification result acquisition unit are the model of the device to be manufactured, the manufacturing process, and the equipment. Regardless of the type, the same rule can be used for each.
  • each of the above-described processes can be executed even if a person sets a case database (library), a defect distribution pattern, a class, etc. in advance and does not have any trouble. Therefore, according to the defect distribution classification system of the present invention, it is possible to automatically extract and classify defects on a substrate to be processed through a production line including a plurality of processes without human intervention. As a result, this defect distribution classification system can be immediately applied to production line monitoring. In addition, this defect distribution classification system is always used because maintenance of rules (identification rules) for recognizing defect distribution is not required even when the type of device to be manufactured, manufacturing process, or type of equipment changes. Is possible.
  • the cause facility identifying method of the present invention is:
  • the production line includes an inspection process for obtaining inspection information indicating the position of a defect on each substrate after completion of a predetermined process.
  • Each of the P features and the defect density information of each substrate is obtained, and the respective substrates are classified for each of the P features according to the similarity.
  • the cause equipment that caused the failure among the plurality of equipments Based on the obtained classification results and manufacturing history information that identifies the equipment that has been processed in each step for each of the substrates, the cause equipment that caused the failure among the plurality of equipments. To extract.
  • the surface of each substrate is partitioned into n regions, and defect density information having the (m X n) components is obtained, and the p features are obtained.
  • a process of extracting, a process of determining the similarity between the p features and the defect density information of each of the substrates, and classifying the substrates for each of the p features according to the similarity, and The process of extracting the causal equipment that caused the failure from the above multiple equipment can be performed uniformly according to the same rule regardless of the type of device to be manufactured, the manufacturing process, and the type of equipment. It is.
  • each of the above processes can be executed even if a human sets a case database (library), a defect distribution pattern, a class, and the like in advance and does not have any trouble. Therefore, according to the causal equipment identification method of the present invention, it is possible to identify an abnormal process or equipment that causes a product defect or the like in a production line including a plurality of processes without human intervention. As a result, this causal equipment identification method can be immediately applied to production line monitoring. In addition, this causal equipment identification method uses rules (identification) to recognize the distribution of defects even when the model of the device to be manufactured, the manufacturing process, or the type of equipment changes. (Rule) maintenance is not necessary, so it can be used at all times.
  • the causal equipment identification system of the present invention is:
  • a failure cause facility identification system for identifying a facility that has caused a failure in a production line that executes multiple processes on a substrate using one or more facilities capable of performing each process
  • the production line includes an inspection process for obtaining inspection information indicating the position of a defect on each substrate after completion of a predetermined process.
  • a defect density distribution acquisition unit for acquiring defect density information having (m X n) components representing the defect density included in each of the regions based on the inspection information;
  • a feature extraction unit that extracts p features (where p is a natural number less than m) that is statistically independent from the defect density information having (m X n) components,
  • a classification result acquisition unit that obtains similarity between the P features and defect density information of each substrate, classifies each substrate according to the P features, and obtains the obtained results. Based on the classification results obtained and the manufacturing history information that identifies the equipment that has been processed in each process for each board, the cause equipment that caused the failure is extracted from the multiple equipment A cause facility extraction unit.
  • the processing by the defect density distribution acquisition unit, the processing by the feature extraction unit, the processing by the classification result acquisition unit, and the processing by the causal facility extraction unit are manufactured devices. Regardless of the model, manufacturing process, or type of equipment, it is possible to carry out the same rule with the same rule.
  • each of the above processes can be executed without human being having to set up a case database (library), defect distribution pattern, class, etc. in advance. Therefore, according to the causal equipment identification system of the present invention, it is possible to automatically extract and classify defects on a substrate processed in a production line including a plurality of processes without human intervention. As a result, this causal equipment identification system is immediately applicable to production line monitoring. In addition, this cause equipment identification system The system can be used at all times because maintenance of the rules (identification rules) for recognizing the distribution of defects is unnecessary even if the type of device to be manufactured, manufacturing process, or type of equipment changes.
  • the causal equipment identification system creates a first defect distribution superimposed image by superimposing defect distributions on each substrate processed by the causal equipment, and a process executed by the causal equipment
  • the second defect distribution overlay image is created by superimposing the defect distribution on each substrate processed by the equipment other than the above cause equipment in the same process, and the first defect distribution overlay image is displayed on a certain display screen. And a second defect distribution superimposed image.
  • a display processing unit for displaying the image in contrast is provided.
  • the user (including the operator of the system; the same shall apply hereinafter) indicates whether or not the causal equipment identified by this system is the cause of the abnormality. It can be grasped intuitively through vision and can be judged quickly and easily.
  • the computer program of the present invention is a computer program for causing a computer to execute the defect distribution classification method or the cause facility identification method.
  • the defect distribution classification method or the cause facility identification method can be carried out.
  • a recording medium of the present invention is a computer-readable recording medium on which the computer program is recorded.
  • the defect distribution classification method or the causal equipment identification method can be implemented.
  • FIG. 1 illustrates a production line 30 whose processes are monitored by a production line monitoring system according to an embodiment to which the present invention is applied.
  • FIG. 2 is a diagram showing a block configuration of a causal equipment identification system including a defect distribution classification system according to an embodiment of the present invention.
  • FIG. 3A is a diagram illustrating a case where two vectors are independent of each other.
  • FIG. 3B is a diagram for explaining a case where two vectors are uncorrelated but not independent.
  • ⁇ 4] It is a figure explaining the observation process and restoration process by independent component analysis.
  • FIG. 5A is a diagram showing a mode in which one substrate is partitioned into n rectangular regions.
  • FIG. 5B is a diagram exemplifying an aspect in which feature vectors are extracted in the form of a map when independent components are extracted.
  • FIG. 5C Collective force of the inspection board is a diagram exemplifying an aspect in which the feature outline is extracted in the form of a map when the independent components are extracted.
  • FIG. 6 is a diagram illustrating a defect distribution vector of one inspection board and feature vectors of p independent components.
  • FIG. 7A is a diagram illustrating defect density information on m substrates and feature vectors of p independent components extracted from the defect density information.
  • FIG. 7B is a diagram showing a result of calculating similarity to p features for m substrates.
  • FIG. 8 A diagram showing the results of associating the similarity to the feature and the manufacturing history for m substrates, where the similarity is represented by an actual numerical value.
  • FIG. 9 is a diagram showing the results of associating the similarity to the feature with the manufacturing history for m substrates, and the similarity is represented by a logical value (binary values of 1 and 0). .
  • FIG. 10 schematically shows the processing from when the cause equipment identification system according to one embodiment of the present invention receives inspection information and history information from the process information collection system, classifies the defect distribution, and identifies the cause equipment.
  • FIG. 1 illustrates a production line 30 in which a process is monitored by a production line monitoring system according to an embodiment to which the present invention is applied.
  • a production line for thin film devices and semiconductor devices is composed of a number of process steps that are sequentially executed in units of production lots from substrate reception to device completion. Thin film devices are divided into cells or chips at the product stage, but they are covered in the form of a substrate or wafer during the manufacturing process.
  • FIG. 1 shows a part of such a thin film device production line 30.
  • the production line 30 includes an inline inspection process 51 after the completion of the layer (k-1) process, a processing process 100 of the layer k, a processing process 200 and a cache process 300, and an inline inspection process after the completion of the layer k process. Includes 52 and.
  • the substrate 41 (six substrates A to F in the illustrated example) to be processed is processed through these steps.
  • the processing steps 100, 200, 300 are, for example, a film forming step, an exposure step, an etching step, and the like.
  • each of the cache processes 100, 200, 300 is provided with a plurality of facilities capable of executing the process.
  • the machining process 100 is provided with a total of three facilities: Unit 101, Unit 102, and Unit 103.
  • the processing step 200 is provided with a total of two facilities, a first chamber 201 and a second chamber 202.
  • the processing process 300 is provided with a total of three facilities: No. 1 machine 301, No. 2 machine 302, and No. 3 machine 303.
  • the plurality of substrates that have flowed through the production line 30 are processed in parallel by a plurality of facilities in each of the cache steps 100, 200, and 300, respectively.
  • the in-line inspection steps 51 and 52 perform pattern defect inspection, and acquire information indicating the position and size of the defect on each substrate, appearance information indicating the appearance inspection result, and the like as inspection information. Is.
  • a defect occurs densely at a specific position on the substrate for a substrate processed by the malfunctioning facility.
  • the defects in the upper right corners of the boards A and C that have been processed by the first machine 101 are densely generated. This is the case.
  • the defects in the lower central part of the substrates E and F that have been processed by the second chamber 202 are densely formed. This is the case. In this way, when a certain equipment in a certain process is in a malfunction, the substrate processed by the malfunctioning equipment tends to observe a distribution of defects inherent in the malfunctioning equipment. .
  • the total number of defects per substrate is obtained, and the total number of defects is the monitoring standard. If it exceeds the limit, it is determined that an abnormality has occurred, and using this as an opportunity, the manufacturing history of the board is examined, and the cause equipment that caused the abnormality is identified.
  • a method for classifying the defect distribution on the board by humans defining the rules (identification rules) for extracting the characteristics of the defect distribution accumulates past experience. It takes time and effort.
  • the inspection result information obtained in the in-line inspection process serves as a sensor that detects the state of each equipment.
  • the production line monitoring system 40 of one embodiment is roughly provided with a process information collection system 20 and a cause facility identification system 10 including a defect distribution classification system.
  • the process information collection system 20 includes a manufacturing history DB (database) 21 that stores manufacturing history information 12 and a pattern inspection DB 22 that stores inspection information 13.
  • the manufacturing history information 12 includes information for identifying the equipment that has executed each substrate in each process in each layer.
  • the inspection information 13 includes defect distribution information indicating the position and size of the defect on each substrate.
  • the processing history information 12 and the inspection information 13 are transmitted from the production line 30 to the process information collection system 20 via a communication device (not shown).
  • the processing history information 1 2 and inspection information 13 are the well-known CIM (Computer Integrated Manufacturing) system that controls the production of substrates, that is, the entire process from material supply, panel production, inspection, and product storage. You can transfer the system power to manage the entire series of flows.
  • CIM Computer Integrated Manufacturing
  • the cause facility identification system 10 includes a defect density distribution acquisition unit 14, a feature extraction unit 15, a classification result acquisition unit 16, a cause facility extraction unit 17, and a display processing unit 18. Further, the cause facility identification system 10 transmits the search condition 11 such as the target period and target layer to the process information collection system 20, and the manufacturing history information 12 that matches the search condition 11 from the process information collection system 20. With communication means (not shown) to receive 'and inspection information 13' Yes.
  • the defect density distribution acquisition unit 14 acquires defect density information having (m X n) components representing the defect density included in each rectangular area U based on the inspection information 13.
  • the defect density information is a set of first vectors (hereinafter referred to as “defect distribution vectors”) each having n components for the m substrates.
  • defect density information is obtained as a matrix X with m rows and n columns.
  • the feature extraction unit 15 uses the independent component analysis technique to generate p pieces of statistically independent numbers from the defect density information (m-by-n matrix) X (where p is a natural number less than m). (Exist)).
  • p features represented as “feature 1”, “feature 2”,..., “Feature p” in the figure
  • feature vector The second vector with components
  • the vector S1 and the vector S2 are independent of each other.
  • the vector S1 and the vector S2 are uncorrelated and the component distribution of the vector S1 is not influenced by the component distribution of the vector X2.
  • Means For example, if two of the p feature vectors are vectors S 1 and S2, in the example shown in Fig. 3A, even if the components of vector S2 change like cross sections Ll and L2, The component distribution of vector S1 (in the example shown, the distribution with two peaks) is not affected. Therefore, vector S1 and vector S2 are independent.
  • Fig. 3A the example shown in Fig. 3A
  • vector S1 and vector S2 are not independent.
  • the classification result acquisition unit 16 includes the defect distribution vector for each of the substrates and the p features. The similarity between each vector is obtained. The similarity is obtained as a correlation coefficient, inner product or covariance between the defect distribution vector and the P feature vectors for each substrate. Then, the classification result acquisition unit 16 classifies each of the substrates for each of the p features according to the similarity.
  • the cause facility extraction unit 17 performs a common path analysis (similar defect distribution) based on the classification result obtained by the classification result acquisition unit 16 and the manufacturing history information 12 'received from the process information collection system 20. To analyze which board was used to process a plurality of substrates having the same), and extract the causal equipment that caused the failure from the plurality of equipment.
  • the processing by the defect density distribution acquisition unit 14, the processing by the feature extraction unit 15, the processing by the classification result acquisition unit 16, and the processing by the causal facility extraction unit 17 include the model of the device to be manufactured, Regardless of the manufacturing process and the type of equipment, it is possible to carry out the same rule with the same rule.
  • each of the above processes can be executed even if a person sets a case data base (library), a defect distribution pattern, a class, and the like in advance and does not have any trouble. Therefore, according to the causal equipment identification system 10, it is possible to automatically extract and classify defects on the substrate to be processed in the production line 30 including a plurality of processes without human intervention. As a result, the causal equipment identification system 10 can be immediately applied to the production line monitoring work.
  • the cause equipment identification system 10 does not require maintenance of rules (identification rules) for identifying defect distribution patterns even when the model of the device to be manufactured, the manufacturing process, or the type of equipment changes, it is always necessary. It can be used.
  • the display processing unit 18 creates a first defect distribution superimposed image by superimposing the defect distributions on each substrate processed by the causal equipment, and performs the same process as the process executed by the causal equipment.
  • a second defect distribution overlay image is created by superimposing the defect distribution on each substrate processed by equipment other than the above-mentioned causal equipment. Then, the first defect distribution superimposed image and the second defect distribution superimposed image are displayed in comparison with each other on a display screen (indicated by reference numeral 19 in FIG. 10).
  • the cause equipment is the first machine 101 in the process 100
  • the first defect distribution overlay image is the process 100 in the first machine 101.
  • the defect distribution on each substrate executed by is superimposed and created.
  • the second defect distribution overlay image is created by superimposing the defect distribution on each substrate in which process 100 was executed by equipment other than Unit 1 101 (specifically, Unit 2 102 and Unit 103). It is. As described above, when the first defect distribution superimposed image and the second defect distribution superimposed image are displayed on a certain display screen 19 in comparison with each other, the user (including the operator of the system; the same applies hereinafter). It is possible to intuitively grasp through visual whether the causal equipment specified by this system is really the cause of the abnormality, and to judge quickly and easily. As the second defect distribution overlay image, the defect distribution on each substrate in which process 100 was executed by equipment other than Unit 1 101 (specifically, Units 102 and 103) was superimposed.
  • a superimposed image of the defect distribution on the substrate executed by the second machine and a superimposed image of the defect distribution on the substrate processed by the third machine may be created separately.
  • the second defect distribution superimposed image is not limited to one type, and a plurality of images may be created for each device.
  • such a system 10 may be configured by a computer, more specifically a personal computer.
  • the operation of each part 14, 15, ..., 18 can be realized by a computer program (software).
  • a computer program may be stored in a hard disk drive attached to the personal computer or recorded on a computer-readable recording medium (such as a compact disc (CD) or digital universal disc (DVD)).
  • CD compact disc
  • DVD digital universal disc
  • a playback device CD drive, DVD drive, etc.
  • the independent component analysis algorithm includes a plurality of signals s 1, s 2, s (a vector having these components as components) generated by a plurality of signal sources.
  • From 1 2 3 is known as a technique to restore the original signal source signal.
  • the superposition mode of the signals s 1, s 2, and s is represented by a mixing matrix A.
  • the restored signal is represented by y 1, y 2, y (Y is a vector whose components are used).
  • the number (number of microphones) is the number of substrates (hereinafter referred to as “inspection substrate”) that have undergone the inspection process, and the length of the observation signal (signal generation time. This is t). And the number of areas partitioned by. In particular, for the length t of the observed signal,
  • X AS can be expressed.
  • the recovered signal (estimated value of the signal source s) ⁇ is calculated by the independent component algorithm.
  • the force independent component Y of only the observation information X is estimated without knowing any information about the signal source S and the mixing matrix A. According to the median limit theorem, when independent components are mixed, the probability distribution approaches a Gaussian distribution. Therefore, when the non-Gaussianity of the estimated distribution Y is maximized, it is considered that the independent component has been extracted. Thus, the reconstruction matrix W that maximizes the non-Gaussianity is found, and the observation information X is multiplied to find the independent component Y.
  • the feature extraction unit 15 obtains p feature vectors that are independent of each other.
  • the feature extraction unit 15 by representing the components of each feature vector in a 10-by-10 map, it is possible to find an area having independent features on the substrate.
  • test boards After obtaining p independent features as described above, the test boards are classified as follows.
  • the feature vector is as follows.
  • First feature axis S 1 (S, S, ⁇ , S, ⁇ , S)
  • Second feature axis S2 (S, S, ..., S, ..., S)
  • An example of a map of feature vectors is shown below.
  • XI is the defect distribution vector of one inspection board, and two feature axes when independent components are extracted from the set of inspection boards (feature vectors of independent components)
  • the similarity of the inspection board to the feature axis S1 is evaluated by the covariance S of the defect distribution vector XI of the inspection board and the feature axis S1, or the correlation coefficient r.
  • the correlation coefficient r between the vectors XI and S 1 is
  • the feature vectors of the p independent components shown in the column (b) are obtained from the defect density information of the m inspection substrates shown in the column (a) of Fig. 7A, and are shown in Fig. 7B. In this way, the degree of similarity for p features is found for m substrates.
  • test substrates are classified according to the obtained similarity.
  • the similarity threshold is set to 0.7. Then, a substrate having a similarity of 0.7 or more is extracted from the m substrates. The remaining features are classified in the same way.
  • the cause facility is analyzed by examining the presence or absence of a correlation between the similarity and the manufacturing history, with the objective variable as the similarity and the explanatory variable as the manufacturing history.
  • a method of analyzing the correlation Known methods such as analysis of variance, chi-square test (independence test), and multivariate analysis can be used.
  • the result of the process 100 shows that the correlation with the first film forming apparatus is high. Therefore, in order to obtain confirmation of this result, the defect distribution on each substrate processed by the first deposition apparatus in step 100 is superimposed to create a first defect distribution superimposed image, and the same process.
  • the defect distribution on each substrate processed by equipment other than Unit 1 is superimposed to create a second defect distribution overlay image. Then, as described above, as shown in FIG. 10, the first defect distribution superimposed image and the second defect distribution superimposed image are displayed in comparison on a certain display screen 19.
  • the user when the first defect distribution superimposed image and the second defect distribution superimposed image are displayed on a certain display screen 19 in comparison with each other, the user (including the operator of the system) can use the system. Whether the identified causal equipment is actually the cause of the abnormality can be grasped intuitively through vision and can be judged quickly and easily. As a result, if it is confirmed in step 100 that the first deposition apparatus is the causal equipment, measures such as inspecting the first deposition apparatus can be taken promptly. Line loss can be minimized.
  • FIG. 10 is the above-described processing by the causal equipment identification system 10 of this embodiment, that is, the inspection information and the history information are received from the process information collection system 20 to classify the defective distribution, and the causal equipment The process until it identifies is typically shown.

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Factory Administration (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Description

明 細 書
欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、 コンピュータプログラム、並びに記録媒体
技術分野
[0001] この発明は欠陥分布分類方法に関し、より詳しくは、複数の工程を含む製造ライン において処理される基板上の欠陥分布を分類する欠陥分布分類方法に関する。
[0002] また、この発明は、そのような欠陥分布分類方法を実行するのに適した欠陥分布分 類システムに関する。
[0003] また、この発明は、そのような欠陥分布分類方法を実行するとともに、その分類され た結果に基づいて、複数の工程を含む製造ラインにおいて製品不良等の原因となる 異常な工程や設備を特定する原因設備特定方法に関する。
[0004] また、この発明は、そのような原因設備特定方法を実行するのに適した原因設備特 定システムに関する。
[0005] また、この発明は、そのような欠陥分布分類方法または原因設備特定方法をコンビ ユータに実行させるためのコンピュータプログラムに関する。
[0006] また、この発明は、そのようなコンピュータプログラムを記録したコンピュータ読み取 り可能な記録媒体に関する。
背景技術
[0007] 従来より、多数の工程を含む半導体デバイスや薄膜デバイスなどの製造ラインでは 、製品の歩留まり向上及び安定ィ匕を実現するために、幾つかの一連の工程毎にバタ ーン欠陥検査あるいは異物検査 (インライン検査）が行われている。そして、インライ ン検査によって得られる検査情報に基づ!/、て基板上の欠陥分布を分類し、分類結果 に基づ!/ヽて製品不良等の原因となる異常な工程や設備 (「原因設備」または「問題設 備」と呼ばれる。）を特定するシステムが導入されて 、る。
[0008] 特開平 11—45919号公報では、格子状の画素毎に不良の個数を複数の半導体 基板につ!、て加算して濃淡値で示される不良分布画像データを作成して!/、る。また 、作成された不良分布画像データを、複数用意された不良の発生原因が推定可能 な事例データベースと照合解析して不良の発生原因を究明している。
[0009] 特開 2003— 59984号公報では、基板上の欠陥分布を、 a)繰り返し欠陥、 b)密集 欠陥、 c)線状欠陥、 d)環'塊状欠陥、 e)ランダム欠陥という、いずれかの分布特徴力 テゴリに分類している。
[0010] 特開 2005— 142406号公報では、ゥヱーハの面内に半導体装置の複数品種に共 通の分割領域を設定し、各ゥエーハについて分割領域のそれぞれに含まれる不良チ ップ領域数を用いて特徴量を算出し、この特徴量を利用して各ゥエーハを分類して いる。
[0011] さらに特開 2005— 197629号公報では、一枚の製品基板の製品検査情報 (欠陥 分布情報あるいは外観情報）に基づ 、て「自動的に異常検知」を行 、、異常があった 場合、上位データベースより所定の情報をロードして共通経路解析を行って問題装 置を特定している。「自動的に異常検知」を行う方法としては、欠陥分布状態を解析 して、環状 '塊状'線状'円弧状の 4つの有意形状パターンをもつ領域性欠陥が検出 された場合、「異常あり」と判定している。または、異常の有無は、欠陥外観情報に基 づいて、予め指定したクラス (クラスの指定は、品種 ·π:程毎にレシピによって行って おく。品種 ·π:程によらずに指定しておいてもよい。）の欠陥の個数によって、判定し ている。
発明の開示
発明が解決しょうとする課題
[0012] し力しながら、特開平 11— 45919号公報の方法では、事例データベース（ライブラ リ）を予め人間が構築しなければならず、時間と手間を要するという問題がある。
[0013] 特開 2003— 59984号公報、特開 2005— 142406号公報の方法では、予め人間 が欠陥分布のタイプを表す分布特徴カテゴリやゥヱーハの面内の分割領域を設定す る必要がある。このため、検査データを収集しても、直ぐに製造ラインの工程監視業 務に導入することはできない。また、製造するデバイスの機種や製造工程、設備の種 類が変わった場合、分布特徴カテゴリや分割領域の普遍性が無いため、欠陥分布の 特徴を抽出するためのルール (識別ルール)を人間が再構築して実装のやり直しを 行う必要がある。このため、識別ルールのメンテナンスのための時間と手間を要し、現 場の製造ラインへ普及しづら 、。
[0014] また、特開 2005— 197629号公報には「自動的に異常検知」と記載されてはいる 力 特許文献 4の方法では、「自動的に異常検知」を行う前提として、予め人間が環 状 '塊状'線状'円弧状の 4つの有意形状パターンや欠陥のクラスを設定しておく必 要がある。つまり、欠陥分布の特徴を抽出するためのルール (識別ルール)や異常の 有無を判断するロジックを、過去の経験に基づいて人間が設定する必要がある。
[0015] このように、特開平 11— 45919号公報、特開 2003— 59984号公報、特開 2005
142406号公報、特開 2005— 197629号公報を含む従来の技術では、欠陥分 布の分類や原因設備の特定に人間が介在しなければならず、不便である。
[0016] そこで、この発明の課題は、人間が介在せずに、複数の工程を含む製造ラインにお Vヽて処理される基板上の欠陥を自動的に抽出して分類できる欠陥分布分類方法を 提供することにある。
[0017] また、この発明は、そのような欠陥分布分類方法を実行するのに適した欠陥分布分 類システムを提供することにある。
[0018] また、この発明は、人間が介在せずに、複数の工程を含む製造ラインにおいて製 品不良等の原因となる異常な工程や設備を特定できる原因設備特定方法を提供す ることにめる。
[0019] また、この発明は、そのような原因設備特定方法を実行するのに適した原因設備特 定システムを提供することにある。
[0020] また、この発明は、そのような欠陥分布分類方法または原因設備特定方法をコンビ ユータに実行させるためのコンピュータプログラムを提供することにある。
[0021] また、この発明は、そのようなコンピュータプログラムを記録したコンピュータ読み取 り可能な記録媒体を提供することにある。
課題を解決するための手段
[0022] 上記課題を解決するため、この発明の欠陥分布分類方法は、
複数の工程を含む製造ラインにおいて処理される基板上の欠陥を抽出して分類す る欠陥分布分類方法であって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面をそれぞれ n個（ただし、 nは 2以上の自然数である。 )の領域に区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得し、
上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。 )の特徴を抽出し、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類する。
[0023] この発明の欠陥分布分類方法では、上記各基板の表面をそれぞれ n個の領域に 区画して上記 (m X n)個の成分をもつ欠陥密度情報を取得する処理、上記 p個の特 徴を抽出する処理、および上記 P個の特徴と上記各基板の欠陥密度情報との間の類 似度を求めて上記類似度に応じて上記 P個の特徴毎に上記各基板を分類する処理 は、製造するデバイスの機種や製造工程、設備の種類に関わらず、それぞれ同じル ールで画一的に行うことが可能である。また、上記各処理は、予め人間が事例データ ベース (ライブラリ）や欠陥の分布パターン、クラス等を設定してぉカゝなくても、それぞ れ実行可能である。したがって、この発明の欠陥分布分類方法によれば、人間が介 在せずに、複数の工程を含む製造ラインにぉ 、て処理される基板上の欠陥を自動的 に抽出して分類できる。この結果、この欠陥分布分類方法は、製造ラインの監視業務 に直ぐに適用可能である。また、この欠陥分布分類方法は、製造するデバイスの機 種や製造工程、設備の種類が変わった場合でも、欠陥分布を認識するためのルー ル (識別ルール）のメンテナンスが不要であるから、常時活用可能である。
[0024] 一実施形態の欠陥分布分類方法では、
上記欠陥密度情報は、上記 m枚の基板についてのそれぞれ n個の成分をもつ第 1 のベクトルの集合であり、
上記 P個の特徴はそれぞれ n個の成分をもつ第 2のベクトルであり、
上記類似度を、上記各基板についての第 1のベクトルと上記 p個の第 2のベクトルと の相関係数、内積または共分散として求めることを特徴とする。 [0025] 一実施形態の欠陥分布分類方法では、上記類似度が客観的に求められる。
[0026] この発明の欠陥分布分類システムは、
複数の工程を含む製造ラインにおいて処理される基板上の欠陥を抽出して分類す る欠陥分布分類システムであって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面を n個（ただし、 nは 2以上の自然数である。 )の領域にそれぞれ区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得する欠陥密度分布取得部と、
上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。）の特徴を抽出する特徴抽出部と、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類する分類結果取得部と を備える。
[0027] この発明の欠陥分布分類システムでは、上記欠陥密度分布取得部による処理、上 記特徴抽出部による処理、および上記分類結果取得部による処理は、製造するデバ イスの機種や製造工程、設備の種類に関わらず、それぞれ同じルールで画一的に 行うことが可能である。また、上記各処理は、予め人間が事例データベース (ライブラ リ）や欠陥の分布パターン、クラス等を設定してぉカゝなくても、それぞれ実行可能であ る。したがって、この発明の欠陥分布分類システムによれば、人間が介在せずに、複 数の工程を含む製造ラインにぉ ヽて処理される基板上の欠陥を自動的に抽出して 分類できる。この結果、この欠陥分布分類システムは、製造ラインの監視業務に直ぐ に適用可能である。また、この欠陥分布分類システムは、製造するデバイスの機種や 製造工程、設備の種類が変わった場合でも、欠陥分布を認識するためのルール (識 別ルール)のメンテナンスが不要であるから、常時活用可能である。
[0028] この発明の原因設備特定方法は、
基板に対して複数の工程を、それぞれその工程を実行可能な 1機以上の設備を用 いて実行する製造ラインにおいて不良発生の原因となった設備を特定する不良原因 設備特定方法であって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面を n個（ただし、 nは 2以上の自然数である。 )の領域にそれぞれ区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得し、
上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。 )の特徴を抽出し、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類し、
この得られた分類結果と、上記各基板に対して上記各工程でそれぞれ処理を実行 した設備を特定する製造履歴情報とに基づいて、上記複数の設備のうち不良発生の 原因となった原因設備を抽出する。
この発明の原因設備特定方法では、上記各基板の表面をそれぞれ n個の領域に 区画して上記 (m X n)個の成分をもつ欠陥密度情報を取得する処理、上記 p個の特 徴を抽出する処理、上記 p個の特徴と上記各基板の欠陥密度情報との間の類似度を 求めて上記類似度に応じて上記 p個の特徴毎に上記各基板を分類する処理、およ び上記複数の設備のうち不良発生の原因となった原因設備を抽出する処理は、製 造するデバイスの機種や製造工程、設備の種類に関わらず、それぞれ同じルールで 画一的に行うことが可能である。また、上記各処理は、予め人間が事例データベース (ライブラリ）や欠陥の分布パターン、クラス等を設定してぉカゝなくても、それぞれ実行 可能である。したがって、この発明の原因設備特定方法によれば、人間が介在せず に、複数の工程を含む製造ラインにおいて製品不良等の原因となる異常な工程ゃ設 備を特定できる。この結果、この原因設備特定方法は、製造ラインの監視業務に直ぐ に適用可能である。また、この原因設備特定方法は、製造するデバイスの機種や製 造工程、設備の種類が変わった場合でも、欠陥分布を認識するためのルール (識別 ルール)のメンテナンスが不要であるから、常時活用可能である。
[0030] この発明の原因設備特定システムは、
基板に対して複数の工程を、それぞれその工程を実行可能な 1機以上の設備を用 いて実行する製造ラインにおいて不良発生の原因となった設備を特定する不良原因 設備特定システムであって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面を n個（ただし、 nは 2以上の自然数である。 )の領域にそれぞれ区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得する欠陥密度分布取得部と、
上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。）の特徴を抽出する特徴抽出部と、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類する分類結果取得部と この得られた分類結果と、上記各基板に対して上記各工程でそれぞれ処理を実行 した設備を特定する製造履歴情報とに基づいて、上記複数の設備のうち不良発生の 原因となった原因設備を抽出する原因設備抽出部とを備える。
[0031] この発明の原因設備特定システムでは、上記欠陥密度分布取得部による処理、上 記特徴抽出部による処理、上記分類結果取得部による処理、および上記原因設備 抽出部による処理は、製造するデバイスの機種や製造工程、設備の種類に関わらず 、それぞれ同じルールで画一的に行うことが可能である。また、上記各処理は、予め 人間が事例データベース (ライブラリ）や欠陥の分布パターン、クラス等を設定してお 力なくても、それぞれ実行可能である。したがって、この発明の原因設備特定システ ムによれば、人間が介在せずに、複数の工程を含む製造ラインにおいて処理される 基板上の欠陥を自動的に抽出して分類できる。この結果、この原因設備特定システ ムは、製造ラインの監視業務に直ぐに適用可能である。また、この原因設備特定シス テムは、製造するデバイスの機種や製造工程、設備の種類が変わった場合でも、欠 陥分布を認識するためのルール (識別ルール)のメンテナンスが不要であるから、常 時活用可能である。
[0032] 一実施形態の原因設備特定システムは、上記原因設備によって処理された各基板 上の欠陥分布を重ね合わせて第 1の欠陥分布重ね合わせ画像を作成するとともに、 上記原因設備が実行する工程と同じ工程で上記原因設備以外の設備によって処理 された各基板上の欠陥分布を重ね合わせて第 2の欠陥分布重ね合わせ画像を作成 し、或る表示画面に上記第 1の欠陥分布重ね合わせ画像と第 2の欠陥分布重ね合わ せ画像とを対比して表示する表示処理部を備えたことを特徴とする。
[0033] この一実施形態の原因設備特定システムでは、ユーザ (システムのオペレータを含 む。以下同様。）は、このシステムによって特定された原因設備が本当に異常原因と なっている力否かを、視覚を通して直感的に把握でき、迅速かつ容易に判断できる。
[0034] この発明のコンピュータプログラムは、上記欠陥分布分類方法または上記原因設備 特定方法をコンピュータに実行させるためのコンピュータプログラムである。
[0035] この発明のコンピュータプログラムをコンピュータに実行させれば、上記欠陥分布分 類方法または上記原因設備特定方法を実施することができる。
[0036] この発明の記録媒体は、上記コンピュータプログラムを記録したコンピュータ読み取 り可能な記録媒体である。
[0037] この発明の記録媒体に記録した上記コンピュータプログラムをコンピュータに読み 取らせて実行させれば、上記欠陥分布分類方法または上記原因設備特定方法を実 施することができる。
図面の簡単な説明
[0038] [図 1]この発明を適用した一実施形態の製造ライン監視システムによって工程が監視 される製造ライン 30を例示する。
[図 2]この発明の一実施形態の欠陥分布分類システムを含む原因設備特定システム のブロック構成を示す図である。
[図 3A]二つのベクトルが互いに独立である場合を説明する図である。
[図 3B]二つのベクトルが無相関であるが独立ではない場合を説明する図である。 圆 4]独立成分分析による観測過程と復元過程を説明する図である。
[図 5A]1枚の基板を n個の矩形領域に区画した態様を示す図である。
[図 5B]検査基板の集合力 独立成分を抽出した場合の特徴ベクトルをマップ状に表 した態様を例示する図である。
[図 5C]検査基板の集合力 独立成分を抽出した場合の特徴べ外ルをマップ状に表 した態様を例示する図である。
[図 6] 1枚の検査基板の欠陥分布ベクトルと、 p個の独立成分の特徴ベクトルとを例示 する図である。
[図 7A]基板 m枚についての欠陥密度情報と、その欠陥密度情報から抽出された p個 の独立成分の特徴ベクトルとを例示する図である。
[図 7B]基板 m枚についてそれぞれ p個の特徴に対する類似度を求めた結果を示す 図である。
[図 8]m枚の基板について特徴に対する類似度と製造履歴とを関連付けた結果を示 す図であって、類似度が実際の数値で表されて 、るものである。
[図 9]m枚の基板について特徴に対する類似度と製造履歴とを関連付けた結果を示 す図であって、類似度が論理値（1、 0の 2値)で表されているものである。
[図 10]この発明の一実施形態の原因設備特定システムが、工程情報収集システムか ら検査情報と履歴情報を受け取って不良分布を分類し、原因設備を特定するまでの 処理を模式的に示す図である。
発明を実施するための最良の形態
[0039] 以下、この発明を図示の実施の形態により詳細に説明する。
[0040] 図 1は、本発明を適用した一実施形態の製造ライン監視システムによって工程が監 視される製造ライン 30を例示して 、る。
[0041] 一般に、薄膜デバイスや半導体デバイスの製造ラインは、基板の受け入れからデバ イスの完成に至るまで製造ロット単位で順次実行される多数の工程カゝら構成されてい る。薄膜デバイスは製品段階においてはセルないしはチップ状に分断されるが、製 造工程の途上では基板またはウェハの形態でカ卩ェされる。
[0042] 図 1中には、そのような薄膜デバイス製造ライン 30の一部を示して 、る。この例では 、製造ライン 30は、レイヤ (k—1)工程終了後のインライン検査工程 51と、レイヤ kの 加工工程 100、加工工程 200およびカ卩ェ工程 300と、レイヤ k工程終了後のインライ ン検査工程 52とを含んでいる。処理対象としての基板 41 (図示の例では 6枚の基板 A〜F)は、これらの工程を経て処理される。
[0043] 加工工程 100、 200、 300は、例えば成膜工程、露光工程、エッチング工程などで ある。製造時間を短縮するため、各カ卩ェ工程 100、 200、 300には、それぞれそのェ 程を実行可能な複数の設備が設けられている。具体的には、加工工程 100には、 1 号機 101、 2号機 102、 3号機 103の計 3台の設備が設けられている。加工工程 200 には、第 1チャンバ 201、第 2チャンバ 202の計 2台の設備が設けられている。また、 加工工程 300には、 1号機 301、 2号機 302、 3号機 303の計 3台の設備が設けられ ている。そして、製造ライン 30を流れてきた複数の基板は、各カ卩ェ工程 100、 200、 3 00でそれぞれ複数の設備によって並行して処理される。
[0044] インライン検査工程 51、 52は、この例ではパターン欠陥検査を行って、各基板上の 欠陥の位置や大きさを表す情報、外観検査結果を表す外観情報などを検査情報とし て取得するものである。
[0045] なお、多層レイヤを有する薄膜デバイスの製造ラインでは、このようなインライン検 查工程は各レイヤの加工工程終了後にそれぞれ実行される。
[0046] このような製造ライン 30において、或る工程の或る設備が不調に陥ったとき、その 不調な設備によって処理された基板については、基板上の特定位置に欠陥が密に 発生するケースがある。例えば、工程 100の 1号機 101が不調に陥ったとき、その 1号 機 101によって処理を受けた基板 A, Cについては、それらの基板 A, C上の右上隅 に欠陥が密に発生するというようなケースである。また、工程 200の第 2チャンバ 202 が不調に陥ったとき、その第 2チャンバ 202によって処理を受けた基板 E, Fについて は、それらの基板 E, F上の下部中央下部に欠陥が密に発生するというようなケース である。このように、或る工程の或る設備が不調に陥ったとき、その不調な設備によつ て処理された基板については、その不調な設備に固有の欠陥分布が観測される傾 向がある。
[0047] 一般的な工程監視では、基板 1枚当たりの総欠陥数を求め、総欠陥数が監視基準 を超えたとき、異常が発生したと判断し、それを契機として、その基板の製造履歴を 調べ、異常発生の原因となった原因設備を特定するなどの措置がとられる。しかし、 そのような方法では、基板 1枚当たりの総欠陥数が監視基準を下回る場合について は、異常の有無を検知することができない。また、既述の特許文献のように、欠陥分 布の特徴を抽出するためのルール (識別ルール)を人間が定めて、基板上の欠陥分 布を分類する方法では、過去の経験の蓄積を要するし、時間と手間がかかる。
[0048] これに対して本発明では、同一レイヤの同一工程で処理した設備間の検査結果分 布に偏りがあれば、異常が発生したと判断する。基板は順次設備を通過するので、ィ ンライン検査工程で得られた検査結果情報は各設備の状態を検出するセンサの役 割を果たす。
[0049] 図 2中に示すように、一実施形態の製造ライン監視システム 40は、大別して、工程 情報収集システム 20と、欠陥分布分類システムを含む原因設備特定システム 10とを 備えている。
[0050] 工程情報収集システム 20は、製造履歴情報 12を蓄積する製造履歴 DB (データべ ース） 21と、検査情報 13を蓄積するパターン検査 DB22とを含んでいる。製造履歴 情報 12は、各基板に対して各レイヤの各工程でそれぞれ処理を実行した設備を特 定する情報などを含んでいる。また、検査情報 13は、各基板上の欠陥の位置や大き さを表す欠陥分布情報などを含んで ヽる。
[0051] これらの処理履歴情報 12と検査情報 13は、この例では、製造ライン 30から通信手 段 (不図示)を介して工程情報収集システム 20に送信される。なお、処理履歴情報 1 2と検査情報 13は、基板の生産制御を行う公知の CIM (Computer Integrated Manuf acturing)システム、つまり、素材供給、パネル生産、検査に至る全工程、さらに製品 の倉入れに至る一連の流れをトータルに管理するシステム力 転送しても良い。
[0052] 原因設備特定システム 10は、欠陥密度分布取得部 14と、特徴抽出部 15と、分類 結果取得部 16と、原因設備抽出部 17と、表示処理部 18とを備えている。さらに、こ の原因設備特定システム 10は、工程情報収集システム 20に対して対象期間や対象 レイヤなどの検索条件 11を送信して、工程情報収集システム 20から検索条件 11に 合致した製造履歴情報 12'と検査情報 13'とを受け取る通信手段 (不図示)を備えて いる。
[0053] 欠陥密度分布取得部 14は、この例では検査工程 52を経た m枚 (ただし、 mは 2以 上の自然数である。）の基板について、図 5Aに示すように各基板の表面を n個（ただ し、 nは 2以上の自然数である。）の矩形領域 Uにそれぞれ区画する。図 5Aの例では 、各基板の表面を 10行 10列に区画しているので、 n= 10である。
[0054] さらに、欠陥密度分布取得部 14は、検査情報 13に基づいてそれぞれ各矩形領域 Uに含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得する。こ の例では、欠陥密度情報は、上記 m枚の基板についてのそれぞれ n個の成分をもつ 第 1のベクトル (以下「欠陥分布ベクトル」と呼ぶ。）の集合である。この例では、図 7A の（a)欄に示すように、欠陥密度情報を m行 n列の行列 Xとして求めるものとする。
[0055] 特徴抽出部 15は、独立成分分析の手法を用いて、上記欠陥密度情報 (m行 n列の 行列) Xから統計的に互いに独立した p個（ただし、 pは m未満の自然数である。）の特 徴を抽出する。この例では、図 7Aの（b)欄に示すように、上記 p個の特徴（図中、「特 徴 1」「特徴 2」···「特徴 p」と表す。）はそれぞれ n個の成分をもつ第 2のベクトル (以下 「特徴ベクトル」と呼ぶ。）である。
[0056] ここで、ベクトル S1とベクトル S2とが互いに独立であるとは、ベクトル S1とベクトル S 2とが無相関で、かつベクトル S1の成分分布がベクトル X2の成分分布によって左右 されない、ということを意味する。例えば、 p個の特徴ベクトルのうちの 2つがベクトル S 1、 S2である場合、図 3Aに示す例では、たとえ断面 Ll、 L2のようにベクトル S2の成 分が変化しても、それによつてベクトル S1の成分分布（図示の例では 2つのピークを もつ分布）は左右されない。したがって、ベクトル S1とベクトル S2とは独立である。一 方、図 3Bに示す例では、ベクトル S1とベクトル S2とが無相関である力 断面 Ll、 L2 のようにベクトル S2の成分が変化したとき、それによつてベクトル SIの成分分布が急 峻なピーク力も緩いピークに変化し、左右される。このため、ベクトル S1とベクトル S2 とは独立ではない。
[0057] この特徴抽出部 15が特徴ベクトルを抽出する処理については、後に具体的に説明 する。
[0058] 分類結果取得部 16は、上記各基板についての欠陥分布ベクトルと上記 p個の特徴 ベクトルとの間の類似度をそれぞれ求める。上記類似度は、上記各基板についての 欠陥分布ベクトルと上記 P個の特徴ベクトルとの間の相関係数、内積または共分散と して求める。そして、分類結果取得部 16は、上記類似度に応じて上記 p個の特徴毎 に上記各基板を分類する。
[0059] 原因設備抽出部 17は、分類結果取得部 16によって得られた分類結果と、工程情 報収集システム 20から受け取った製造履歴情報 12 'とに基づいて共通経路解析（同 類の欠陥分布を有する複数の基板がどの設備を用いて共通に処理されたか、を追 求する解析)を行って、複数の設備のうち不良発生の原因となった原因設備を抽出 する。
[0060] ここで、上記欠陥密度分布取得部 14による処理、上記特徴抽出部 15による処理、 上記分類結果取得部 16による処理、および上記原因設備抽出部 17による処理は、 製造するデバイスの機種や製造工程、設備の種類に関わらず、それぞれ同じルール で画一的に行うことが可能である。また、上記各処理は、予め人間が事例データべ一 ス (ライブラリ）や欠陥の分布パターン、クラス等を設定してぉカゝなくても、それぞれ実 行可能である。したがって、この原因設備特定システム 10によれば、人間が介在せ ずに、複数の工程を含む製造ライン 30にお 、て処理される基板上の欠陥を自動的 に抽出して分類できる。この結果、この原因設備特定システム 10は、製造ラインの監 視業務に直ぐに適用可能である。また、この原因設備特定システム 10は、製造する デバイスの機種や製造工程、設備の種類が変わった場合でも、欠陥分布パターンを 識別するためのルール (識別ルール)のメンテナンスが不要であるから、常時活用可 能である。
[0061] 表示処理部 18は、上記原因設備によって処理された各基板上の欠陥分布を重ね 合わせて第 1の欠陥分布重ね合わせ画像を作成するとともに、上記原因設備が実行 する工程と同じ工程で上記原因設備以外の設備によって処理された各基板上の欠 陥分布を重ね合わせて第 2の欠陥分布重ね合わせ画像を作成する。そして、或る表 示画面（図 10中に符号 19で示す）に上記第 1の欠陥分布重ね合わせ画像と第 2の 欠陥分布重ね合わせ画像とを対比して表示する。図 10の例では、原因設備は工程 100の 1号機 101であり、第 1の欠陥分布重ね合わせ画像は、工程 100が 1号機 101 によって実行された各基板上の欠陥分布を重ね合わせて作成されて ヽる。第 2の欠 陥分布重ね合わせ画像は、工程 100が 1号機 101以外の設備 (具体的には、 2号機 102と 3号機 103)によって実行された各基板上の欠陥分布を重ね合わせて作成さ れている。このように、或る表示画面 19に第 1の欠陥分布重ね合わせ画像と第 2の欠 陥分布重ね合わせ画像とを対比して表示する場合、ユーザ (システムのオペレータを 含む。以下同様。）は、このシステムによって特定された原因設備が本当に異常原因 となっている力否かを、視覚を通して直感的に把握でき、迅速かつ容易に判断できる 。なお、第 2の欠陥分布重ね合わせ画像として、工程 100が 1号機 101以外の設備（ 具体的には、 2号機 102と 3号機 103)によって実行された各基板上の欠陥分布を重 ね合わせたが、 2号機によって実行された基板上の欠陥分布の重ね合わせ画像と、 3号機によって処理された基板上の欠陥分布の重ね合わせ画像を個別に作成しても 良い。この場合、重ね合わせ画像は、同一工程に存在する設備の数だけ設けること になる。すなわち、第 2の欠陥分布重ね合わせ画像とは、 1種類に限定されず、装置 別に複数作成してもよい。
[0062] 当業者ならば分力るように、このようなシステム 10は、コンピュータ、より具体的には パーソナルコンピュータによって構成され得る。各部 14、 15、 · ··、 18の動作はコンビ ユータプログラム（ソフトウェア）によって実現可能である。そのようなコンピュータプロ グラムは、パーソナルコンピュータに付属のハードディスクドライブに記憶させてお ヽ ても良いし、コンピュータ読み取り可能な記録媒体 (コンパクトディスク (CD)やデジタ ル万能ディスク (DVD)など）に記録しておき、プログラム実行に際して再生装置 (CD ドライブや DVDドライブなど)で読み出すようにしても良 、。
[0063] (1) 次に、特徴抽出部 15が独立成分分析の手法を用いて特徴ベクトルを抽出す る処理を具体的に説明する。
[0064] 独立成分分析のアルゴリズムは、例えば図 4に示すように、複数の信号源が発した 信号 s , s , s (それらを成分としたベクトルを Sとする。 )が重畳して複数のマイクロフ
1 2 3
オンで観測信号 X , X , X
1 2 3 (それらを成分としたベクトルを Xとする。）として観測された 場合、その観測信号 X , X , X
1 2 3から、元の信号源の信号を復元する技術として知られ ている。図 4では、信号 s , s , sの重畳の態様は混合行列 Aで表されている。また、 復元された信号は y , y , y (それらを成分としたベクトルを Yとする。）で表されてい
1 2 3
る。この実施形態では、図 4中の複数の信号源 s , s , sを各設備固有の不良発生要
1 2 3
因（不良分布パターン）、観測信号 X , X , Xの
1 2 3 数 (マイクの数)を検査工程を経た基 板 (以下「検査基板」という。）の数、観測信号の長さ (信号の発生時間。これを tとする 。）を各基板上で区画された領域の数、とそれぞれ対応させるものとする。特に、観測 信号の長さ tについては、
t=t , t , · · ·, t
1 2 n
と表し、
時刻 tl→領域 1
時刻 t2→領域 2 時刻 tn→領域 n
と対応させるものとする。このような対応関係を考えれば、独立した要因 s2, の 影響を受けて観測された 3枚の基板 (マイクに該当）の検査特性 Xは、
[数 1]
^1 (0 = "1 1*1 (0 + "12 (0 + «13*3 (0 ぶ 2(/) = a2 \Si(t) + a22S2 (t) + «23*3 (0 Λ:3 (t) = "3 ( ) + a32s2 (t) + a33s3 ( と表される。
いま、
[数 2]
[V 1 «12 "13、
X 二 2 s = 21 22 «23
Figure imgf000017_0001
να31 32 33 とおくと、検査特性 Xは、
[数 3]
X = AS と表現できる。復元された信号 (信号源 sの推定値) γは、独立成分アルゴリズムによ り、
画
Y = WX yi (t) = wnx1 (i) + w12X2 (i) + wi3x3 (i) yi (0 = W2 x{ ( ) + W22X2 (0 + ^23^3 (0
½( = w3 lXl (t) + w32x2 (り + w33x3 ( として求められる。
[0065] 独立成分分析では、信号源 Sや混合行列 Aの情報を一切知らずに、観測情報 Xの み力 独立成分 Yを推定する。中心値極限定理によれば、独立な成分を混合すると その確率分布はガウス分布に近づくので、推定分布 Yの非ガウス性が最大となる場 合に、独立成分が抽出できたとみなす。よって、非ガウス性が極大となるような復元行 列 Wを求め、観測情報 Xに乗じることで独立成分 Yを求める。
[0066] このようにして、特徴抽出部 15は互いに独立した p個の特徴ベクトルを求める。この 場合、各特徴ベクトルの成分を 10行 10列のマップに表すことで、基板上で、互いに 独立した特徴をもつ領域を見出すことができる。
[0067] (2) 上述のように p個の独立した特徴を求めた後、次のようにして検査基板を分類 する。
[0068] i) まず、独立成分 (特徴軸)の特徴ベクトルを設定する。
[0069] 例えば、 3個の独立成分 (特徴軸）の場合、特徴ベクトルは次のようになる。
[0070] 1個目の特徴軸 S 1 = (S , S , · · ·, S , · · ·, S ) 2個目の特徴軸 S2= (S , S , · ··, S , · ··, S )
21 22 2i 2n
3個目の特徴軸 S3= (S , S , · ··, S , · ··, S )
31 32 3i 3n
ここで、基板 1枚当たり 10行 X 10列 = 100個の領域を考えた場合、 n= 100であり 、 S , S , · ··, S , · ··, S は、 1個目の特徴軸を表す 100個の成分を意味している
11 12 li In
[0071] 図 5B、図 5Cは、図 5Aに示したように各検査基板が 100個（n= 100)の領域に区 画されている場合に、検査基板の集合から抽出された独立成分の特徴ベクトルをマ ップ状に表した例を示して 、る。
[0072] ii) 次に、検査基板の欠陥分布と特徴軸との類似度を計算する。
[0073] 例えば図 6に示すように、例えば 1枚の検査基板の欠陥分布ベクトルを XI、検査基 板の集合から独立成分を抽出した場合の 2つの特徴軸 (独立成分の特徴べ外ル)を
SI, S2とする。ここで、その検査基板の欠陥分布ベクトルを
X丄 = (X , X , · · · , X , · · · , X )
11 12 li In
とするとき、上記検査基板の、例えば特徴軸 S1に対する類似度は、その検査基板の 欠陥分布ベクトル XIと特徴軸 S1との共分散 S 、ないしは相関係数 rで評価するこ
X1S1
とができる。この例では、類似度を相関係数 rで評価するものとする。
[0074] 具体的には、ベクトル XI, S1の平均値をそれぞれ
[数 5]
としたとき、ベクトル XIと SIとの共分散 S は、
X1S1
[数 6]
として求められる。その場合のベクトル XIと S 1との相関係数 rは、
[数 7] ¾ . Ssl
Figure imgf000020_0001
として求められる。そして、検査基板毎に、それぞれ p個の特徴軸に対する類似度 rを 求める。
[0075] このようにして、図 7Aの（a)欄に示す m枚の検査基板の欠陥密度情報から、同（b) 欄に示す p個の独立成分の特徴ベクトルを求め、図 7Bに示すように基板 m枚につい て p個の特徴に対する類似度をそれぞれ求める。
[0076] iii) 次に、求めた類似度に応じて検査基板を分類する。
[0077] 例えば、各基板が特徴 1に分類されるべき力否かの基準として、類似度の閾値を 0 . 7とおく。そして、 m枚の基板の中から類似度 0. 7以上の基板を抽出する。残りの特 徴についても、同様に分類を行う。
[0078] このようにして、 p個の特徴にそれぞれ類似する基板群が抽出されて、分類が行わ れる。
[0079] (3) 次に原因設備の特定過程について説明する。原因設備特定は、 p個の特徴 ごとに行う。次に、一例として、特徴 1に対する原因設備特定過程を説明する。
[0080] 既述のように、 m枚の基板につ ヽてそれぞれ特徴 1に対する類似度が得られるもの とする。また、製造履歴 DB21 (図 2参照)から m枚の基板についてそれぞれ製造履 歴情報が取得されて 、るものとする。これらの m枚の基板にっ 、ての類似度と製造履 歴情報とは、図 8または図 9に示すように、それぞれ基板 A, B, C,…毎に対応付け（ 紐付け)て管理される。図 8は、特徴に対する類似度を実際の数値で表現したもので ある。図 9は、類似性を閾値で判定し、特徴の該当、非該当をそれぞれ 1、 0の論理 値（2値)で表現したものである。図 8および図 9の例では、製造履歴情報のうちレイヤ kの工程に属する設備のみを記載して 、るが、製造履歴情報のうちその他のレイヤの 工程に属する設備を分析する必要がある場合は、他のレイヤの工程に属する設備に 関する製造履歴を加えても良い。
[0081] さて、原因設備は、目的変数を類似度、説明変数を製造履歴として、類似度と製造 履歴との間の相関の有無を調べることで分析される。相関を分析する手法としては、 分散分析やカイ二乗検定 (独立性検定)、多変量解析など、公知のものを利用できる
[0082] 図 8および図 9の例では、分析の結果、工程 100で成膜装置の 1号機との相関が高 いという結果になっている。そこで、この結果についての確証を得るため、工程 100で 成膜装置の 1号機によって処理された各基板上の欠陥分布を重ね合わせて第 1の欠 陥分布重ね合わせ画像を作成するとともに、同工程 100で 1号機以外の設備 (この例 では、 2号機と 3号機）によって処理された各基板上の欠陥分布を重ね合わせて第 2 の欠陥分布重ね合わせ画像を作成する。そして、既述のように、図 10中に示すよう に、或る表示画面 19に第 1の欠陥分布重ね合わせ画像と第 2の欠陥分布重ね合わ せ画像とを対比して表示する。このように、或る表示画面 19に第 1の欠陥分布重ね 合わせ画像と第 2の欠陥分布重ね合わせ画像とを対比して表示する場合、ユーザ（ システムのオペレータを含む。）は、このシステムによって特定された原因設備が本当 に異常原因となっているか否かを、視覚を通して直感的に把握でき、迅速かつ容易 に判断できる。これによつて、工程 100で成膜装置の 1号機が原因設備であるとの確 証が得られれば、その成膜装置の 1号機を点検する等の措置を迅速にとることができ 、製造ラインの損失を最小限に抑えることができる。
[0083] なお、図 10の全体は、この実施形態の原因設備特定システム 10による上述の処理 、すなわち、工程情報収集システム 20から検査情報と履歴情報を受け取って不良分 布を分類し、原因設備を特定するまでの処理を模式的に示している。

Claims

請求の範囲
[1] 複数の工程を含む製造ラインにおいて処理される基板上の欠陥を抽出して分類す る欠陥分布分類方法であって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面をそれぞれ n個（ただし、 nは 2以上の自然数である。 )の領域に区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得し、
上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。 )の特徴を抽出し、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類する欠陥分布分類方法
[2] 請求項 1に記載の欠陥分布分類方法にぉ 、て、
上記欠陥密度情報は、上記 m枚の基板についてのそれぞれ n個の成分をもつ第 1 のベクトルの集合であり、
上記 P個の特徴はそれぞれ n個の成分をもつ第 2のベクトルであり、
上記類似度を、上記各基板についての第 1のベクトルと上記 p個の第 2のベクトルと の相関係数、内積または共分散として求めることを特徴とする欠陥分布分類方法。
[3] 複数の工程を含む製造ラインにおいて処理される基板上の欠陥を抽出して分類す る欠陥分布分類システムであって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面を n個（ただし、 nは 2以上の自然数である。 )の領域にそれぞれ区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得する欠陥密度分布取得部と、 上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。）の特徴を抽出する特徴抽出部と、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類する分類結果取得部と を備えた欠陥分布分類システム。
[4] 基板に対して複数の工程を、それぞれその工程を実行可能な 1機以上の設備を用 いて実行する製造ラインにおいて不良発生の原因となった設備を特定する不良原因 設備特定方法であって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面を n個（ただし、 nは 2以上の自然数である。 )の領域にそれぞれ区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得し、
上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。 )の特徴を抽出し、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類し、
この得られた分類結果と、上記各基板に対して上記各工程でそれぞれ処理を実行 した設備を特定する製造履歴情報とに基づいて、上記複数の設備のうち不良発生の 原因となった原因設備を抽出する原因設備特定方法。
[5] 基板に対して複数の工程を、それぞれその工程を実行可能な 1機以上の設備を用 いて実行する製造ラインにおいて不良発生の原因となった設備を特定する不良原因 設備特定システムであって、
上記製造ラインは、所定の工程終了後に、各基板上の欠陥の位置を表す検査情 報を取得する検査工程を含んでおり、
上記検査工程を経た m枚 (ただし、 mは 2以上の自然数である。）の基板について 各基板の表面を n個（ただし、 nは 2以上の自然数である。 )の領域にそれぞれ区画し て、上記検査情報に基づ!、てそれぞれ上記各領域に含まれた欠陥密度を表す (m X n)個の成分をもつ欠陥密度情報を取得する欠陥密度分布取得部と、
上記 (m X n)個の成分をもつ欠陥密度情報から統計的に互 ヽに独立した p個（ただ し、 pは m未満の自然数である。）の特徴を抽出する特徴抽出部と、
上記 P個の特徴と上記各基板の欠陥密度情報との間の類似度をそれぞれ求めて、 上記類似度に応じて上記 P個の特徴毎に上記各基板を分類する分類結果取得部と この得られた分類結果と、上記各基板に対して上記各工程でそれぞれ処理を実行 した設備を特定する製造履歴情報とに基づいて、上記複数の設備のうち不良発生の 原因となった原因設備を抽出する原因設備抽出部とを備えた原因設備特定システム
[6] 請求項 5に記載の原因設備特定システムにお 、て、
上記原因設備によって処理された各基板上の欠陥分布を重ね合わせて第 1の欠 陥分布重ね合わせ画像を作成するとともに、上記原因設備が実行する工程と同じェ 程で上記原因設備以外の設備によって処理された各基板上の欠陥分布を重ね合わ せて第 2の欠陥分布重ね合わせ画像を作成し、或る表示画面に上記第 1の欠陥分 布重ね合わせ画像と第 2の欠陥分布重ね合わせ画像とを対比して表示する表示処 理部を備えたことを特徴とする原因設備特定システム。
[7] 請求項 1に記載の欠陥分布分類方法をコンピュータに実行させるためのコンビユー タプログラム。
[8] 請求項 4に記載の原因設備特定方法をコンピュータに実行させるためのコンビユー タプログラム。
[9] 請求項 7に記載のコンピュータプログラムを記録したコンピュータ読み取り可能な記 録媒体。
[10] 請求項 8に記載のコンピュータプログラムを記録したコンピュータ読み取り可能な記 録媒体。
PCT/JP2007/058916 2006-04-27 2007-04-25 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体 WO2007125941A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2008513232A JP4694618B2 (ja) 2006-04-27 2007-04-25 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体
US12/226,711 US20090306922A1 (en) 2006-04-27 2007-04-25 Method and System for Classifying Defect Distribution, Method and System for Specifying Causative Equipment, Computer Program and Recording Medium
CN200780015270.8A CN101432864B (zh) 2006-04-27 2007-04-25 缺陷分布分类方法及系统、故障源设备确定方法及系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2006123408 2006-04-27
JP2006-123408 2006-04-27

Publications (1)

Publication Number Publication Date
WO2007125941A1 true WO2007125941A1 (ja) 2007-11-08

Family

ID=38655467

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2007/058916 WO2007125941A1 (ja) 2006-04-27 2007-04-25 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体

Country Status (4)

Country Link
US (1) US20090306922A1 (ja)
JP (1) JP4694618B2 (ja)
CN (1) CN101432864B (ja)
WO (1) WO2007125941A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010191564A (ja) * 2009-02-17 2010-09-02 Sharp Corp 特性解析方法および装置、特性分類方法および装置、上記特性解析方法または特性分類方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4234162B2 (ja) * 2006-08-31 2009-03-04 インターナショナル・ビジネス・マシーンズ・コーポレーション 製品に仮想属性を割り当てるためのシステム、方法、およびプログラムならびに製品に発生した事象の原因をトレースするためのシステム、方法、およびプログラム
JP5566265B2 (ja) * 2010-11-09 2014-08-06 東京エレクトロン株式会社 基板処理装置、プログラム、コンピュータ記憶媒体及び基板の搬送方法
KR101535419B1 (ko) * 2013-05-31 2015-07-09 삼성에스디에스 주식회사 불량 셀 클러스터링 방법 및 그 장치
CN104833679B (zh) * 2015-04-29 2017-09-26 浙江大学 一种微观缺陷三维尺度逆向标定及检测方法
WO2017149598A1 (ja) * 2016-02-29 2017-09-08 三菱電機株式会社 機器分類装置
CN109493311B (zh) * 2017-09-08 2022-03-29 上海宝信软件股份有限公司 一种无规则缺陷图片模式识别与匹配方法及系统
KR102267919B1 (ko) 2018-06-28 2021-06-23 주식회사 고영테크놀러지 기판에 실장된 부품의 실장 불량 원인을 결정하는 전자 장치 및 방법
CN114449886B (zh) * 2018-06-28 2024-05-14 株式会社高迎科技 确定贴装在基板部件的贴装不合格原因的电子装置及方法
US11428644B2 (en) 2018-11-27 2022-08-30 Koh Young Technology Inc. Method and electronic apparatus for displaying inspection result of board
CN109886956B (zh) * 2019-03-06 2021-11-30 京东方科技集团股份有限公司 检测缺陷点聚集性的方法及装置
CN110473772B (zh) * 2019-08-22 2021-10-19 上海华力微电子有限公司 一种建立晶圆背面图形数据库的方法
JP7084634B2 (ja) * 2019-12-20 2022-06-15 株式会社タナカ技研 、情報処理装置、端末装置、情報処理方法、およびプログラム
CN114154896B (zh) * 2021-12-09 2022-08-26 苏州捷布森智能科技有限公司 基于mes的智能工厂产品质量监控方法及系统
TWI807536B (zh) * 2021-12-15 2023-07-01 國立高雄師範大學 檢測系統與其參數設定方法
CN116559183B (zh) * 2023-07-11 2023-11-03 钛玛科（北京）工业科技有限公司 一种提高缺陷判定效率的方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1145919A (ja) * 1997-07-24 1999-02-16 Hitachi Ltd 半導体基板の製造方法
JP2002359266A (ja) * 2001-03-29 2002-12-13 Toshiba Corp 半導体集積回路の不良検出方法及び不良検出装置
JP2004288743A (ja) * 2003-03-19 2004-10-14 Toshiba Corp 不良解析装置、不良解析方法および不良解析プログラム
JP2005092466A (ja) * 2003-09-16 2005-04-07 Toshiba Corp 診断プロセス支援方法とそのためのプログラム
JP2005142406A (ja) * 2003-11-07 2005-06-02 Toshiba Corp 不良検出システム、不良検出方法及び不良検出プログラム
JP2005251925A (ja) * 2004-03-03 2005-09-15 Toshiba Corp 製造装置管理システム、製造装置管理方法及びプログラム
JP2006214890A (ja) * 2005-02-04 2006-08-17 M I L:Kk 物品欠陥情報検出装置及び物品欠陥情報検出処理プログラム
JP2006285570A (ja) * 2005-03-31 2006-10-19 Univ Waseda 類似画像検索方法および類似画像検索装置
JP2006351723A (ja) * 2005-06-14 2006-12-28 Toshiba Corp 異常原因特定方法および異常原因特定システム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06325181A (ja) * 1993-05-17 1994-11-25 Mitsubishi Electric Corp パターン認識方法
JP4038356B2 (ja) * 2001-04-10 2008-01-23 株式会社日立製作所 欠陥データ解析方法及びその装置並びにレビューシステム
JP3870052B2 (ja) * 2001-09-20 2007-01-17 株式会社日立製作所 半導体装置の製造方法及び欠陥検査データ処理方法
US6741941B2 (en) * 2002-09-04 2004-05-25 Hitachi, Ltd. Method and apparatus for analyzing defect information
JP4657869B2 (ja) * 2005-09-27 2011-03-23 シャープ株式会社 欠陥検出装置、イメージセンサデバイス、イメージセンサモジュール、画像処理装置、デジタル画像品質テスタ、欠陥検出方法、欠陥検出プログラム、およびコンピュータ読取可能な記録媒体

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1145919A (ja) * 1997-07-24 1999-02-16 Hitachi Ltd 半導体基板の製造方法
JP2002359266A (ja) * 2001-03-29 2002-12-13 Toshiba Corp 半導体集積回路の不良検出方法及び不良検出装置
JP2004288743A (ja) * 2003-03-19 2004-10-14 Toshiba Corp 不良解析装置、不良解析方法および不良解析プログラム
JP2005092466A (ja) * 2003-09-16 2005-04-07 Toshiba Corp 診断プロセス支援方法とそのためのプログラム
JP2005142406A (ja) * 2003-11-07 2005-06-02 Toshiba Corp 不良検出システム、不良検出方法及び不良検出プログラム
JP2005251925A (ja) * 2004-03-03 2005-09-15 Toshiba Corp 製造装置管理システム、製造装置管理方法及びプログラム
JP2006214890A (ja) * 2005-02-04 2006-08-17 M I L:Kk 物品欠陥情報検出装置及び物品欠陥情報検出処理プログラム
JP2006285570A (ja) * 2005-03-31 2006-10-19 Univ Waseda 類似画像検索方法および類似画像検索装置
JP2006351723A (ja) * 2005-06-14 2006-12-28 Toshiba Corp 異常原因特定方法および異常原因特定システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010191564A (ja) * 2009-02-17 2010-09-02 Sharp Corp 特性解析方法および装置、特性分類方法および装置、上記特性解析方法または特性分類方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体

Also Published As

Publication number Publication date
US20090306922A1 (en) 2009-12-10
JPWO2007125941A1 (ja) 2009-09-10
CN101432864A (zh) 2009-05-13
JP4694618B2 (ja) 2011-06-08
CN101432864B (zh) 2012-05-30

Similar Documents

Publication Publication Date Title
WO2007125941A1 (ja) 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体
JP5599387B2 (ja) ウェハー上の欠陥を検出して検査結果を生成するシステム及び方法
JP6598790B2 (ja) カスタマイズされたメトリックスをグローバル分類方法と組み合わせて極高処理能力でプロセスツール状態を監視するウエハおよびロットベースの階層化方法
US6701204B1 (en) System and method for finding defective tools in a semiconductor fabrication facility
JP2002071575A (ja) 欠陥検査解析方法および欠陥検査解析システム
KR20010029984A (ko) 실시간 결함원 식별방법
TW201839383A (zh) 用於缺陷偵測之動態注意區
US8041100B2 (en) System for specifying equipment causing failure
JP2009272497A (ja) レシピパラメータ管理装置およびレシピパラメータ管理方法
US20120029679A1 (en) Defect analysis method of semiconductor device
JP2022512292A (ja) 半導体試料の欠陥の分類
JP2002057078A (ja) 半導体製造施設で集積欠陥を引き起こす動作／ツールを見つけるシステム及び方法
JP4652917B2 (ja) 欠陥データ処理方法、およびデータの処理装置
JP4080087B2 (ja) 分析方法，分析システム及び分析装置
JP3665215B2 (ja) 異常原因特定システムおよびその方法
JP2008108815A (ja) 不良原因設備特定システム
JP2005236094A (ja) 半導体装置の製造方法、不良解析方法および不良解析システム
JP3726600B2 (ja) 検査システム
JP4866263B2 (ja) 電子デバイスの品質管理方法および電子デバイスの品質管理システム
JP2007248198A (ja) 特性分布の特徴量抽出方法および特性分布の分類方法
JP4136109B2 (ja) 電子デバイス検査システム
CN101807266B (zh) 半导体制造中的成品管理方法
JP4146655B2 (ja) 欠陥源候補抽出プログラム
US20220334567A1 (en) Fabrication fingerprint for proactive yield management
JP4538205B2 (ja) 検査データの解析プログラム、検査データ解析装置

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2008513232

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 07742351

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 200780015270.8

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 12226711

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 07742351

Country of ref document: EP

Kind code of ref document: A1