WO2018030733A1 - 계측-수율 상관성 분석 방법 및 시스템 - Google Patents

계측-수율 상관성 분석 방법 및 시스템 Download PDF

Info

Publication number
WO2018030733A1
WO2018030733A1 PCT/KR2017/008500 KR2017008500W WO2018030733A1 WO 2018030733 A1 WO2018030733 A1 WO 2018030733A1 KR 2017008500 W KR2017008500 W KR 2017008500W WO 2018030733 A1 WO2018030733 A1 WO 2018030733A1
Authority
WO
WIPO (PCT)
Prior art keywords
yield
data
measurement
prediction function
process result
Prior art date
Application number
PCT/KR2017/008500
Other languages
English (en)
French (fr)
Inventor
홍태영
이병민
김성태
Original Assignee
에스케이 주식회사
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 에스케이 주식회사 filed Critical 에스케이 주식회사
Priority to CN201780063057.8A priority Critical patent/CN109844779B/zh
Priority to JP2019505449A priority patent/JP6739622B2/ja
Priority to US16/324,226 priority patent/US20190179867A1/en
Publication of WO2018030733A1 publication Critical patent/WO2018030733A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to analytical techniques, and more particularly, to a method and a system for analyzing a correlation between data and yield measured in a process for manufacturing a semiconductor, a display, and the like.
  • the alarm that occurred may be a false alarm that occurred because an abnormality actually affected the final yield, but it may not be a false alarm. Therefore, it is necessary to distinguish whether the alarm is a true alarm or a false alarm.
  • the present invention has been made to solve the above problems, and an object of the present invention is to provide a high degree of correlation / reliability in order to provide an accurate indicator of the effect of the process result data measured after performing the process on the yield To provide a method and system for providing metrology-yield correlation.
  • a measurement-yield correlation analysis method includes: collecting process result data measured after performing a process; Collecting actual yield data for each of the collected process result data; A first derivation step of deriving a first yield prediction function using measurement-yield data which is a data pair of measured process result data and actual yield data; Extracting some of the metrology-yield data using the first yield prediction function; And a second derivation step of deriving a second yield prediction function using the extracted measurement-yield data.
  • the first deriving step includes: a first grouping step of grouping the measurement-yield data into a plurality of groups; A first screening step of screening representative data in each of the groups; And deriving a first yield prediction function using the selected representative data.
  • the second derivation step may include a second grouping step of grouping the extracted measurement-yield data into a plurality of groups; A second screening step of screening representative data in each of the groups; And deriving a second yield prediction function using the selected representative data.
  • the representative data may be measurement-yield data in which the actual yield data is maximum.
  • the yield prediction function may be a maximum yield prediction function.
  • the number of groups grouped in the first group step may be different from the number of groups grouped in the second group step.
  • first screening step and the second screening step may not select the representative data for the group that does not include the measurement-yield data.
  • the extraction step is based on the comparison result of each of 'the actual yield data for the process result data' and 'prediction yield data calculated by substituting the process result data into the first yield prediction function', the measurement-yield Some of the data can be extracted.
  • the comparison result is a comparison result between the absolute differences and the threshold values of 'actual yield data for the process result data' and 'prediction yield data calculated by substituting the process result data into the first yield prediction function'. Can be.
  • the threshold value may be a representative value calculated from absolute differences.
  • the process may be any one of a plurality of processes constituting the manufacturing process.
  • the manufacturing process may be a process of manufacturing a semiconductor or a display.
  • a measurement-yield correlation analysis system may include: a collecting unit collecting actual yield data for each of measured process result data and collected process result data after performing a process; And deriving a first yield prediction function using measurement-yield data which is a data pair of measured process result data and actual yield data, and extracting and extracting some of the measurement-yield data using the first yield prediction function. And a processor for deriving a second yield prediction function using the measured metrology-yield data.
  • a maximum yield prediction function is derived through two session analysis. Unlike the first, the second session analysis is performed after removing measurement-yield data corresponding to noise, thereby improving accuracy. It is possible to derive a highly reliable maximum yield prediction function.
  • 3 is a diagram showing 12 equal division results of measurement-yield data
  • FIG. 5 is a diagram showing a maximum yield prediction function derived using a regression analysis technique
  • FIG. 6 is provided to explain a method of extracting only valid data by removing noise from measurement-yield data
  • FIG. 8 is a diagram illustrating a maximum yield data screening result for each group
  • FIG. 10 is a block diagram of a correlation analysis system according to another embodiment of the present invention.
  • Embodiments of the present invention provide a method for analyzing metrology-yield correlation.
  • 'Measurement-yield correlation' is a correlation between process result data and yield measured when the manufacturing process is completed to a specific sequence of required processes.
  • the maximum yield can be predicted from the process result data. For example, using the measurement-yield correlation analysis result, if the process result data is "6.7", the maximum yield is expected to be "95.2%”, and if the process result data is "5.5”, the maximum yield is "88.5. It can be predicted to be "%".
  • FIG. 1 is a flowchart provided to explain a measurement-yield correlation analysis method in one embodiment of the present invention.
  • the illustrated method is performed by a measurement-yield correlation analysis system (hereinafter abbreviated as 'correlation analysis system'), which is a kind of computing system.
  • 'correlation analysis system' a measurement-yield correlation analysis system
  • the correlation analysis system collects process result data measured after completion of execution to a target process to be analyzed for correlation with a yield (S110).
  • step S110 the actual yield data for each of the process result data collected in step S110 is collected (S120).
  • FIG. 2 shows the process result data "a”, "b”, and “c” measured after completion up to "process n” which is a process to analyze the correlation with the yield and "A” which is actual yield data for each of them. ",” B “, and” C "are shown.
  • the maximum yield ability curve showing the maximum yield with respect to the process result data shown in the lower right of FIG. 2 is the final result of the measurement-yield correlation analysis method according to an embodiment of the present invention, which will be referred to as the maximum yield prediction function hereinafter. will be.
  • the correlation analysis system secures a 'pair of measured process result data and actual yield data' (hereinafter, abbreviated as 'measurement-yield data').
  • the correlation analysis system groups the measurement-yield data into a plurality of groups (S130). Grouping criteria are process result data. That is, process result data groups similar measurement-yield data together.
  • the intervals from the minimum process result data to the maximum process result data are equally divided into 12 to group the measurement-yield data into 13 groups.
  • the correlation analysis system selects the maximum yield data from each of the groups (S140). For groups that do not contain metrology-yield data, the maximum yield data is not selected.
  • Figure 4 shows the maximum yield data screening results for each group.
  • the measurement-yield data indicated by " " in FIG. 4 correspond to the maximum yield data in the corresponding groups.
  • the correlation analysis system derives a maximum yield prediction function using the maximum data selected in step S140 (S150).
  • a regression analysis technique for the maximum yield data can be utilized.
  • the correlation analysis system extracts only valid data from measurement-yield data collected through steps S110 and S120 using the maximum yield prediction function derived in step S150 (S160).
  • Step S160 corresponds to a process of removing data corresponding to noise among the collected measurement-yield data.
  • a TL Tolerance Limit
  • d corresponds to an absolute difference between 'actual yield data for the process result data' and 'prediction yield data calculated by substituting the process result data into the maximum yield prediction function', as shown in FIG. 6.
  • median means a median value
  • n is the number of collected measurement-yield data.
  • the measurement-yield data whose 'absolute difference between the predicted yield data and the actual yield data for the process result data' is greater than 'TL' is removed. That is, in step S160, only the measurement-yield data having the 'absolute difference between the predicted yield data and the actual yield data of the process result data' being less than or equal to 'TL' is extracted.
  • TL Since the TL is median, half of the measurement-yield data are removed. On the other hand, TL can be applied to the average value, not the intermediate value, it is also possible to apply a value to which the weight (0 ⁇ 1) is applied to the average value.
  • the correlation analysis system regroups the measurement-yield data extracted in step S160 into a plurality of groups (S170).
  • the grouping criteria is process result data.
  • step S170 is more than 12, which is the number of divisions in step S130, with 24 equal divisions. This is optional and can be implemented differently. That is, of course, the number of divisions may be the same as or smaller than step S130.
  • the correlation analysis system selects the maximum yield data from each of the groups (S180). As in step S140, for the group that does not include the measurement-yield data, the maximum yield data is not selected. 8 shows the results of screening the maximum yield data for each group.
  • the correlation analysis system derives a maximum yield prediction function using the maximum data selected in step S180 (S190).
  • a regression analysis technique for the maximum yield data can be utilized.
  • the maximum yield prediction function (maximum yield curve), which is a result of the measurement-yield correlation analysis method according to an embodiment of the present invention, may be used to predict the yield based on the correlation between the process result data measured at a specific process step and the yield. Give it.
  • the maximum yield data is selected for each group, that is, the maximum yield data is selected for each process result data section, which may minimize the influence of the process result data having different sections.
  • the maximum yield prediction function was derived through two regression analysis. Unlike the first, the second regression analysis is performed after removing measurement-yield data corresponding to noise, thereby improving the accuracy / reliability of the maximum yield prediction function. It was planned.
  • the measurement-yield correlation analysis method according to an embodiment of the present invention may be applied to manufacturing semiconductors, displays, and other devices.
  • FIG. 10 is a block diagram of a correlation analysis system according to another embodiment of the present invention.
  • the correlation analysis system includes a communication unit 210, a display unit 220, a processor 230, an input unit 240, and a storage unit 250.
  • the communication unit 210 is a means for data communication by connecting to an external device or an external network.
  • the display unit 220 is a means for displaying information
  • the input unit 240 is a means for inputting information.
  • the display unit 220 and the input unit 240 may be integrated into a touch screen, which is more useful when the correlation analysis system is a mobile type.
  • the communication unit 210 and the input unit 240 are data collection means. Function as.
  • a division criterion for grouping measurement-yield data and a TL (Tolerance Limit) for selecting only valid data among measurement-yield data may also be received through the communication unit 210 or the input unit 240.
  • the processor 230 performs the correlation analysis algorithm illustrated in FIG. 1 by using the received / input data, the reference, the condition, and the like, and displays the result on the display unit 220 or via the communication unit 210. Forward to the network.
  • the storage unit 250 provides storage space necessary for the processor 230 to perform the correlation analysis algorithm.
  • the technical idea of the present invention can be applied to a computer-readable recording medium containing a computer program for performing the functions of the apparatus and method according to the present embodiment.
  • the technical idea according to various embodiments of the present disclosure may be implemented in the form of computer readable codes recorded on a computer readable recording medium.
  • the computer-readable recording medium can be any data storage device that can be read by a computer and can store data.
  • the computer-readable recording medium may be a ROM, a RAM, a CD-ROM, a magnetic tape, a floppy disk, an optical disk, a hard disk drive, or the like.
  • the computer-readable code or program stored in the computer-readable recording medium may be transmitted through a network connected between the computers.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)

Abstract

계측-수율 상관성 분석 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 계측-수율 상관성 분석 방법은, 공정을 수행한 후에 계측한 공정 결과 데이터와 수집된 공정 결과 데이터들 각각에 대한 실제 수율 데이터들의 데이터 쌍인 계측-수율 데이터들을 이용하여 제1 수율 예측 함수를 도출하고, 제1 수율 예측 함수를 이용하여 계측-수율 데이터들 중 일부를 추출한 후, 추출된 계측-수율 데이터들을 이용하여 제2 수율 예측 함수를 도출한다. 이에 의해, 높은 상관도/신뢰도를 나타내는 계측-수율 상관성을 도출할 수 있어, 공정을 수행한 후에 계측한 공정 결과 데이터로부터 최종 수율을 비교적 정확하게 예측할 수 있게 된다.

Description

계측-수율 상관성 분석 방법 및 시스템
본 발명은 분석 기술에 관한 것으로, 더욱 상세하게는 반도체, 디스플레이 등의 제조를 위한 공정 과정에서 계측되는 데이터와 수율 간의 상관성을 분석하기 위한 방법 및 시스템에 관한 것이다.
반도체 등과 같이 다수의 공정을 거쳐 다량으로 제조가 이루어지는 산업에서는, 공정 안정성 확보 위해 중요 공정 수행 사이에 품질 이상 발생 여부를 모니터링하고 있다.
이에, 특정 공정까지 완료된 웨이퍼들의 특성을 계측하여 얻은 공정 결과 데이터를 기반으로, 품질 이상 여부를 모니터링하고, 품질 이상 발생시에는 알람을 발생한다.
발생한 알람은, 품질 이상이 최종 수율에 실제로 영향을 미쳐 발생한 진성 알람일 수도 있지만, 그렇지 않은 가성 알람일 수도 있다. 따라서, 알람이 진성 알람인지 가성 알람인지 구분하여야 한다.
이를 구분하기 위해서는, 공정 결과 데이터가 최종 수율에 큰 영향을 미치는지 판별하여야 하며, 이를 위해 계측-수율 상관성 분석을 수행하고 있으나, 공정 결과 데이터의 산포가 너무 커서 상관성을 찾기 어려운 실정이다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 공정을 수행한 후에 계측한 공정 결과 데이터가 수율에 미치는 영향도의 정확한 지표를 제공하기 위해, 높은 상관도/신뢰도를 갖는 계측-수율 상관성을 제공하기 위한 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 계측-수율 상관성 분석 방법은, 공정을 수행한 후에 계측한 공정 결과 데이터들을 수집하는 단계; 수집된 공정 결과 데이터들 각각에 대한 실제 수율 데이터들을 수집하는 단계; 계측한 공정 결과 데이터들과 실제 수율 데이터들의 데이터 쌍인 계측-수율 데이터들을 이용하여, 제1 수율 예측 함수를 도출하는 제1 도출단계; 제1 수율 예측 함수를 이용하여, 계측-수율 데이터들 중 일부를 추출하는 단계; 및 추출된 계측-수율 데이터들을 이용하여, 제2 수율 예측 함수를 도출하는 제2 도출단계;를 포함한다.
그리고, 제1 도출단계는, 계측-수율 데이터들을 다수의 그룹들로 그룹핑하는 제1 그룹핑단계; 그룹들 각각에서 대표 데이터들을 선별하는 제1 선별단계; 및 선별된 대표 데이터들을 이용하여, 제1 수율 예측 함수를 도출하는 단계;를 포함할 수 있다.
또한, 제2 도출단계는, 추출된 계측-수율 데이터들을 다수의 그룹들로 그룹핑하는 제2 그룹핑단계; 그룹들 각각에서 대표 데이터들을 선별하는 제2 선별단계; 및 선별된 대표 데이터들을 이용하여, 제2 수율 예측 함수를 도출하는 단계;를 포함할 수 있다.
그리고, 대표 데이터는, 실제 수율 데이터가 최대인 계측-수율 데이터일 수 있다.
또한, 수율 예측 함수는, 최대 수율 예측 함수일 수 있다.
그리고, 제1 그룹단계에서 그룹핑하는 그룹들의 개수는, 제2 그룹단계에서 그룹핑하는 그룹들의 개수와 다를 수 있다.
또한, 제1 선별단계와 제2 선별단계는, 계측-수율 데이터가 포함되지 않은 그룹에 대해서는, 대표 데이터를 선별하지 않을 수 있다.
그리고, 추출단계는, '공정 결과 데이터들에 대한 실제 수율 데이터들'와 '공정 결과 데이터들을 제1 수율 예측 함수에 대입하여 산출한 예측 수율 데이터들' 각각의 비교결과를 기초로, 계측-수율 데이터들 중 일부를 추출할 수 있다.
또한, 비교결과는, '공정 결과 데이터들에 대한 실제 수율 데이터들'와 '공정 결과 데이터들을 제1 수율 예측 함수에 대입하여 산출한 예측 수율 데이터들' 각각의 절대차들과 임계값의 비교결과일 수 있다.
그리고, 임계값은, 절대차들로부터 산출한 대표값일 수 있다.
또한, 공정은, 제조 과정을 구성하는 다수의 공정들 중 어느 하나의 공정일 수 있다.
그리고, 제조 과정은, 반도체 또는 디스플레이를 제조하는 과정일 수 있다.
한편, 본 발명의 다른 실시예에 따른, 계측-수율 상관성 분석 시스템은, 공정을 수행한 후에 계측한 공정 결과 데이터들과 수집된 공정 결과 데이터들 각각에 대한 실제 수율 데이터들을 수집하는 수집부; 및 계측한 공정 결과 데이터들과 실제 수율 데이터들의 데이터 쌍인 계측-수율 데이터들을 이용하여 제1 수율 예측 함수를 도출하고, 제1 수율 예측 함수를 이용하여 계측-수율 데이터들 중 일부를 추출하며, 추출된 계측-수율 데이터들을 이용하여 제2 수율 예측 함수를 도출하는 프로세서;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 높은 상관도/신뢰도를 나타내는 계측-수율 상관성을 제공할 수 있어, 공정을 수행한 후에 계측한 공정 결과 데이터로부터 최종 수율을 비교적 정확하게 예측할 수 있게 된다.
이에, 이상 데이터 계측으로 인해 인터로크(Interlock)가 발생한 경우, 이상 데이터 계측에 의한 알람이 진성인지 가성인지 여부를 판정할 수 있음은 물론, 수율과 상관성/영향도가 높은 공정을 파악하여 집중 관리하는 등의 조치가 가능하다.
특히, 본 발명의 실시예들에 따르면, 공정 결과 데이터 구간 별로 최대 수율 데이터를 선별하여 최대 수율 예측 함수를 도출함으로써, 구간이 다른 공정 결과 데이터의 영향을 최소화 할 수 있다.
또한, 본 발명의 실시예들에 따르면, 2차례의 회기 분석을 통해 최대 수율 예측 함수를 도출하는데, 첫 번째와 달리 두 번째 회기 분석은 노이즈에 해당하는 계측-수율 데이터를 제거한 후에 수행함으로써, 정확도/신뢰도가 높은 최대 수율 예측 함수 도출이 가능하다.
도 1은 본 발명의 일 실시예에서는 계측-수율 상관성 분석 방법의 설명에 제공되는 흐름도,
도 2는 공정 결과 데이터들과 실제 수율 데이터들의 설명의 위한 도면,
도 3은 계측-수율 데이터들의 12 균등 분할 결과를 나타낸 도면,
도 4는 그룹 별 최대 수율 데이터 선별 결과를 나타낸 도면,
도 5는 회기 분석 기법을 이용하여 도출한 최대 수율 예측 함수를 제시한 도면,
도 6은 계측-수율 데이터들에서 노이즈를 제거하여 유효한 데이터들만을 추출하는 방법의 설명에 제공되는 도면,
도 7은 계측-수율 데이터들의 24 균등 분할 결과를 나타낸 도면,
도 8은 그룹 별 최대 수율 데이터 선별 결과를 나타낸 도면,
도 9는 회기 분석 기법을 이용하여 도출한 최대 수율 예측 함수를 제시한 도면, 그리고,
도 10은 본 발명의 다른 실시예에 따른 상관성 분석 시스템의 블럭도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
본 발명의 실시예에서는 계측-수율 상관성을 분석하기 위한 방법을 제시한다. '계측-수율 상관성'이란, 제조 과정을 필요한 공정들 중 특정 순서의 공정까지 완료한 상황에서 계측한 공정 결과 데이터와 수율 간의 상관관계이다.
계측-수율 상관성 분석이 완료되면, 공정 결과 데이터로부터 최대 수율을 예측할 수 있게 된다. 이를 테면, 계측-수율 상관성 분석 결과를 이용하여, 공정 결과 데이터가 "6.7"인 경우에는 최대 수율이 "95.2%"일 것으로 예측하고, 공정 결과 데이터가 "5.5"인 경우에는 최대 수율이 "88.5%"일 것으로 예측할 수 있게 되는 것이다.
나아가, 계측 이상으로 인해 인터로크(Interlock)가 발생한 경우, 계측-수율 상관성 분석 결과를 이용하면 이상 데이터 계측에 의한 알람이 진성인지 가성인지 여부를 판정할 수 있게 된다.
도 1은 본 발명의 일 실시예에서는 계측-수율 상관성 분석 방법의 설명에 제공되는 흐름도이다. 도시된 방법은, 컴퓨팅 시스템의 일종인 계측-수율 상관성 분석 시스템(이하, '상관성 분석 시스템'으로 약칭)에 의해 수행된다.
도 1에 도시된 바와 같이, 먼저, 상관성 분석 시스템이, 수율과의 상관성을 분석하고자 하는 타겟 공정까지 수행이 완료된 후에 계측한 공정 결과 데이터들을 수집한다(S110).
이후, 제조 공정 전부가 완료된 후에, S110단계에서 수집된 공정 결과 데이터들 각각에 대한 실제 수율 데이터들을 수집한다(S120).
도 2에는, 수율과의 상관성을 분석하고자 하는 공정인 "공정 n" 까지 수행 완료된 후에 계측한 공정 결과 데이터들인 "a", "b", "c"와 이들 각각에 대한 실제 수율 데이터들인 "A", "B", "C"를 나타내었다.
"a", "b", "c"는 S110단계에서 수집되는 데이터들에 해당하고, "A", "B", "C"는 S120단계에서 수집되는 데이터들에 해당한다. 도 2에는 도시의 편의를 위해 3쌍의 데이터만을 도시하였다. 실제로 데이터 쌍의 개수는 매우 많다.
도 2의 우측 하부에 나타난 공정 결과 데이터에 대한 최대 수율을 나타낸 최대 수율 실력치 곡선이, 본 발명의 실시예에 따른 계측-수율 상관성 분석 방법의 최종 결과물이며, 이하에서는 최대 수율 예측 함수로 명명할 것이다.
S110단계와 S120단계에서의 데이터 수집에 의해, 상관성 분석 시스템은 '계측한 공정 결과 데이터와 실제 수율 데이터의 쌍'(이하, '계측-수율 데이터'로 약칭)들을 확보하게 된다.
이후, 상관성 분석 시스템은 계측-수율 데이터들을 다수의 그룹들로 그룹핑한다(S130). 그룹핑 기준은 공정 결과 데이터이다. 즉, 공정 결과 데이터가 유사한 계측-수율 데이터들끼리 그룹핑한다.
보다 구체적으로, 도 3에 도시된 바와 같이, 최소 공정 결과 데이터로부터 최대 공정 결과 데이터까지의 구간을 12 균등 분할하여, 계측-수율 데이터들을 13개의 그룹들로 그룹핑할 수 있다.
다음, 상관성 분석 시스템은 그룹들 각각에서 최대 수율 데이터들을 선별한다(S140). 계측-수율 데이터가 포함되지 않은 그룹에 대해서는, 최대 수율 데이터를 선별하지 않는다.
도 4에는 그룹 별 최대 수율 데이터 선별 결과를 나타내었다. 도 4에서 "●" 으로 표시된 계측-수율 데이터들이 해당 그룹들에서의 최대 수율 데이터들에 해당한다.
이후, 상관성 분석 시스템은 S140단계에서 선별된 최대 데이터들을 이용하여 최대 수율 예측 함수를 도출한다(S150). 최대 수율 예측 함수 도출을 위해, 최대 수율 데이터들에 대한 회기 분석 기법을 활용할 수 있다.
도 5에는 회기 분석 기법을 이용하여 도출한 최대 수율 예측 함수를 제시하였다. 이 과정에서, 최대 수율 데이터들과 도출된 최대 수율 예측 함수 간의 상관계수도 얻어진다.
다음, 상관성 분석 시스템은 S150단계에서 도출된 최대 수율 예측 함수를 이용하여, S110단계와 S120단계를 통해 수집된 계측-수율 데이터들에서 유효 데이터들만 추출한다(S160).
S160단계는 수집된 계측-수율 데이터들 중 노이즈에 해당하는 데이터들을 제거하는 과정에 해당한다. 이를 위해, 다음의 수학식을 기초로 TL(Tolerance Limit)을 계산한다.
TL = median(d1~dn)
여기서, d는, 도 6에 나타난 바와 같이, '공정 결과 데이터에 대한 실제 수율 데이터'와 '공정 결과 데이터를 최대 수율 예측 함수에 대입하여 산출된 예측 수율 데이터'의 절대차에 해당한다. 그리고, median은 중간값을 의미하고, n은 수집된 계측-수율 데이터들의 개수이다.
그리고, 도 6에 도시된 바와 같이, '공정 결과 데이터에 대한 예측 수율 데이터와 실제 수율 데이터의 절대차'가 'TL' 보다 큰 계측-수율 데이터들 제거된다. 즉, S160단계에서는 '공정 결과 데이터에 대한 예측 수율 데이터와 실제 수율 데이터의 절대차'가 'TL' 이하인 계측-수율 데이터들만이 추출된다.
TL이 중간값이므로, 절반의 계측-수율 데이터들이 제거된다. 한편, TL은 중간값이 아닌 평균값을 적용 가능하고, 평균값에 가중치(0~1)를 적용한 값을 적용하는 것도 가능하다.
이후, 상관성 분석 시스템은 S160단계에서 추출된 계측-수율 데이터들을 다수의 그룹들로 다시 그룹핑한다(S170). S130단계와 마찬가지로, 그룹핑 기준은 공정 결과 데이터이다.
하지만, 도 7에 도시된 바와 같이, S170단계에서의 그룹핑은 24 균등 분할로 S130단계에서의 분할 개수인 12개 보다 많다. 이는 선택적인 사항에 불과하므로 다르게 구현할 수 있다. 즉, 분할 개수를 S130단계와 같거나 작게 할 수도 있음은 물론이다.
다음, 상관성 분석 시스템은 그룹들 각각에서 최대 수율 데이터들을 선별한다(S180). S140단계와 마찬가지로, 계측-수율 데이터가 포함되지 않은 그룹에 대해서는, 최대 수율 데이터를 선별하지 않는다. 도 8에는 그룹 별 최대 수율 데이터 선별 결과를 나타내었다.
이후, 상관성 분석 시스템은 S180단계에서 선별된 최대 데이터들을 이용하여 최대 수율 예측 함수를 도출한다(S190). S150단계와 마찬가지로, 최대 수율 예측 함수 도출을 위해, 최대 수율 데이터들에 대한 회기 분석 기법을 활용할 수 있다.
도 9에는 회기 분석 기법을 이용하여 도출한 최대 수율 예측 함수를 제시하였다.
지금까지, 계측-수율 상관성 분석 방법에 대해 바람직한 실시예를 들어 상세히 설명하였다.
본 발명의 실시예에 따른 계측-수율 상관성 분석 방법의 결과물인 최대 수율 예측 함수(최대 수율 실력치 곡선)는, 특정 공정 단계에서 계측한 공정 결과 데이터와 수율 간의 상관성을 기반으로 수율을 예측할 수 있도록 하여 준다.
또한, 이상 데이터 계측으로 인해 인터로크가 발생한 경우, 이상 데이터 계측에 의한 알람이 진성인지 가성인지 여부를 판정할 수 있음은 물론, 수율과 상관성/영향도가 높은 공정을 파악하여 집중 관리하는 등의 조치가 가능하다.
본 발명의 실시예서는, 그룹 별로 최대 수율 데이터 선별, 즉, 공정 결과 데이터 구간 별로 최대 수율 데이터를 선별하였는데, 이는 구간이 다른 공정 결과 데이터의 영향을 최소화 할 수 있다.
또한, 2차례의 회기 분석을 통해 최대 수율 예측 함수를 도출하였는데, 첫 번째와 달리 두 번째 회기 분석은 노이즈에 해당하는 계측-수율 데이터를 제거한 후에 수행함으로써, 최대 수율 예측 함수의 정확도/신뢰도 향상을 도모하였다.
본 발명의 실시예에 따른 계측-수율 상관성 분석 방법은 반도체, 디스플레이는 물론, 그 밖의 다른 디바이스를 제조하는 경우에 두루 적용될 수 있다.
본 발명의 실시예에 따른 계측-수율 상관성 분석 방법을 수행할 수 있는 상관성 분석 시스템에 대해, 도 10을 참조하여 상세히 설명한다. 도 10은 본 발명의 다른 실시예에 따른 상관성 분석 시스템의 블럭도이다.
본 발명의 실시예에 따른 상관성 분석 시스템은, 도 10에 도시된 바와 같이, 통신부(210), 표시부(220), 프로세서(230), 입력부(240) 및 저장부(250)를 포함한다.
통신부(210)는 외부 기기 또는 외부 네트워크에 통신 연결하여 데이터 통신하는 수단이다.
표시부(220)는 정보가 표시되는 수단이고, 입력부(240)는 정보가 입력되는 수단이다. 표시부(220)와 입력부(240)는 터치 스크린으로 통합 가능한데, 이는 상관성 분석 시스템이 모바일 타입인 경우에 더욱 유용하다.
전술한 공정 결과 데이터와 실제 수율 데이터는 통신부(210)를 통해 계측 기기/네트워크로부터 수신하거나, 입력부(240)를 통해 입력받아 수집된다는 점에서, 통신부(210)와 입력부(240)는 데이터 수집 수단으로 기능한다.
나아가, 계측-수율 데이터들을 그룹핑하기 위한 분할 기준, 계측-수율 데이터들 중 유효 데이터들만을 선별하기 위한 TL(Tolerance Limit)도 통신부(210)를 수신하거나 입력부(240)를 통해 입력받을 수 있다.
프로세서(230)는 수신/입력된 데이터, 기준, 조건 등을 이용하여, 도 1에 도시된 상관성 분석 알고리즘을 수행하고, 수행 결과를 표시부(220)에 표시하거나 통신부(210)를 통해 외부 기기/네트워크로 전달한다.
저장부(250)는 프로세서(230)가 상관성 분석 알고리즘을 수행함에 있어 필요한 저장 공간을 제공한다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (12)

  1. 공정을 수행한 후에 계측한 공정 결과 데이터들을 수집하는 단계;
    수집된 공정 결과 데이터들 각각에 대한 실제 수율 데이터들을 수집하는 단계;
    계측한 공정 결과 데이터들과 실제 수율 데이터들의 데이터 쌍인 계측-수율 데이터들을 이용하여, 제1 수율 예측 함수를 도출하는 제1 도출단계;
    제1 수율 예측 함수를 이용하여, 계측-수율 데이터들 중 일부를 추출하는 단계;
    추출된 계측-수율 데이터들을 이용하여, 제2 수율 예측 함수를 도출하는 제2 도출단계;를 포함하는 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  2. 청구항 1에 있어서,
    제1 도출단계는,
    계측-수율 데이터들을 다수의 그룹들로 그룹핑하는 제1 그룹핑단계;
    그룹들 각각에서 대표 데이터들을 선별하는 제1 선별단계; 및
    선별된 대표 데이터들을 이용하여, 제1 수율 예측 함수를 도출하는 단계;를 포함하는 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  3. 청구항 2에 있어서,
    제2 도출단계는,
    추출된 계측-수율 데이터들을 다수의 그룹들로 그룹핑하는 제2 그룹핑단계;
    그룹들 각각에서 대표 데이터들을 선별하는 제2 선별단계; 및
    선별된 대표 데이터들을 이용하여, 제2 수율 예측 함수를 도출하는 단계;를 포함하는 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  4. 청구항 3에 있어서,
    대표 데이터는, 실제 수율 데이터가 최대인 계측-수율 데이터인 것
    수율 예측 함수는, 최대 수율 예측 함수인 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  5. 청구항 3에 있어서,
    제1 그룹단계에서 그룹핑하는 그룹들의 개수는,
    제2 그룹단계에서 그룹핑하는 그룹들의 개수와 다른 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  6. 청구항 3에 있어서,
    제1 선별단계와 제2 선별단계는,
    계측-수율 데이터가 포함되지 않은 그룹에 대해서는, 대표 데이터를 선별하지 않는 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  7. 청구항 3에 있어서,
    추출단계는,
    '공정 결과 데이터들에 대한 실제 수율 데이터들'와 '공정 결과 데이터들을 제1 수율 예측 함수에 대입하여 산출한 예측 수율 데이터들' 각각의 비교결과를 기초로, 계측-수율 데이터들 중 일부를 추출하는 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  8. 청구항 7에 있어서,
    비교결과는,
    '공정 결과 데이터들에 대한 실제 수율 데이터들'와 '공정 결과 데이터들을 제1 수율 예측 함수에 대입하여 산출한 예측 수율 데이터들' 각각의 절대차들과 임계값의 비교결과인 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  9. 청구항 8에 있어서,
    임계값은,
    절대차들로부터 산출한 대표값인 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  10. 청구항 1에 있어서,
    공정은,
    제조 과정을 구성하는 다수의 공정들 중 어느 하나의 공정인 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  11. 청구항 9에 있어서,
    제조 과정은,
    반도체 또는 디스플레이를 제조하는 과정인 것을 특징으로 하는 계측-수율 상관성 분석 방법.
  12. 공정을 수행한 후에 계측한 공정 결과 데이터들과 수집된 공정 결과 데이터들 각각에 대한 실제 수율 데이터들을 수집하는 수집부;
    계측한 공정 결과 데이터들과 실제 수율 데이터들의 데이터 쌍인 계측-수율 데이터들을 이용하여 제1 수율 예측 함수를 도출하고, 제1 수율 예측 함수를 이용하여 계측-수율 데이터들 중 일부를 추출하며, 추출된 계측-수율 데이터들을 이용하여 제2 수율 예측 함수를 도출하는 프로세서;를 포함하는 것을 특징으로 하는 계측-수율 상관성 분석 시스템.
PCT/KR2017/008500 2016-08-11 2017-08-07 계측-수율 상관성 분석 방법 및 시스템 WO2018030733A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201780063057.8A CN109844779B (zh) 2016-08-11 2017-08-07 用于分析测量-良率相关性的方法和系统
JP2019505449A JP6739622B2 (ja) 2016-08-11 2017-08-07 計測−収率の相関性の分析方法及びシステム
US16/324,226 US20190179867A1 (en) 2016-08-11 2017-08-07 Method and system for analyzing measurement-yield correlation

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160102112A KR102036956B1 (ko) 2016-08-11 2016-08-11 계측-수율 상관성 분석 방법 및 시스템
KR10-2016-0102112 2016-08-11

Publications (1)

Publication Number Publication Date
WO2018030733A1 true WO2018030733A1 (ko) 2018-02-15

Family

ID=61163385

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/008500 WO2018030733A1 (ko) 2016-08-11 2017-08-07 계측-수율 상관성 분석 방법 및 시스템

Country Status (5)

Country Link
US (1) US20190179867A1 (ko)
JP (1) JP6739622B2 (ko)
KR (1) KR102036956B1 (ko)
CN (1) CN109844779B (ko)
WO (1) WO2018030733A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI721718B (zh) * 2019-12-19 2021-03-11 新加坡商鴻運科股份有限公司 電路板智慧檢測方法、裝置、系統及存儲介質
CN112163799B (zh) * 2020-12-02 2021-03-02 晶芯成(北京)科技有限公司 半导体产品的良率分析方法及良率分析系统
KR20220147936A (ko) 2021-04-28 2022-11-04 에스케이가스 주식회사 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법
KR20240021642A (ko) 2022-08-10 2024-02-19 에스케이가스 주식회사 화학공정의 수율 예측 시뮬레이션 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001148A (ko) * 2007-06-29 2009-01-08 삼성전자주식회사 가상 계측 시스템 및 가상 계측 방법
US20130339919A1 (en) * 2012-06-18 2013-12-19 International Business Machines Corporation Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling
KR20140011064A (ko) * 2012-07-17 2014-01-28 서울과학기술대학교 산학협력단 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법
KR20140141051A (ko) * 2013-05-31 2014-12-10 삼성에스디에스 주식회사 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
KR20150103578A (ko) * 2014-03-03 2015-09-11 삼성전자주식회사 공정 관리 시스템 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3208807B2 (ja) * 1991-11-15 2001-09-17 株式会社日立製作所 電子デバイス検査システムおよび電子デバイスの製造方法
JP2002323924A (ja) * 2001-02-21 2002-11-08 Toshiba Corp 不良装置検出方法、不良装置検出装置、プログラム及び製品の製造方法
US6973390B2 (en) * 2004-02-13 2005-12-06 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for analyzing wafer yield against uses of a semiconductor tool
CN103187329B (zh) * 2011-12-28 2016-06-01 无锡华润上华科技有限公司 一种晶圆良率分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090001148A (ko) * 2007-06-29 2009-01-08 삼성전자주식회사 가상 계측 시스템 및 가상 계측 방법
US20130339919A1 (en) * 2012-06-18 2013-12-19 International Business Machines Corporation Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling
KR20140011064A (ko) * 2012-07-17 2014-01-28 서울과학기술대학교 산학협력단 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법
KR20140141051A (ko) * 2013-05-31 2014-12-10 삼성에스디에스 주식회사 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
KR20150103578A (ko) * 2014-03-03 2015-09-11 삼성전자주식회사 공정 관리 시스템 및 장치

Also Published As

Publication number Publication date
JP2019528523A (ja) 2019-10-10
CN109844779B (zh) 2023-07-21
CN109844779A (zh) 2019-06-04
US20190179867A1 (en) 2019-06-13
KR102036956B1 (ko) 2019-10-25
KR20180029114A (ko) 2018-03-20
JP6739622B2 (ja) 2020-08-12

Similar Documents

Publication Publication Date Title
WO2018030733A1 (ko) 계측-수율 상관성 분석 방법 및 시스템
WO2018101722A2 (ko) 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
WO2020141882A1 (ko) 설명 가능한 인공지능 모델링 및 시뮬레이션 시스템 및 방법
CN109587008A (zh) 检测异常流量数据的方法、装置及存储介质
CN111507363A (zh) 预测光模块故障的方法、装置和设备
WO2013065944A1 (ko) Ｎｇｓ를 위한 서열 재조합 방법 및 장치
CN115932530A (zh) 一种半导体检测设备标定的方法
CN115987386A (zh) 一种光缆同路由检测装置和方法
WO2015126058A1 (ko) 암 예후 예측 방법
WO2015053480A1 (ko) 생물학적 샘플 분석 시스템 및 방법
WO2018043936A1 (ko) 공정/장비 계측 데이터의 미세 변동 감지 방법 및 시스템
CN108536777B (zh) 一种数据处理方法、服务器集群及数据处理装置
CN115774159A (zh) 高压变频器功率单元故障检测系统
WO2022107975A1 (ko) 시계열 데이터의 변화 추세를 고려한 유사도 분석 방법
WO2017082470A1 (en) Apparatus and method for calculating risk of web site
WO2016085262A2 (ko) 약물 가상 탐색 방법과 집중 탐색 라이브러리 구축 방법 및 이를 위한 시스템
WO2018124837A1 (ko) 방사능 측정방법 및 방사능 측정시스템
WO2017217701A1 (ko) 전장용 소프트웨어 안전성 분석 방법 및 장치
CN115801538A (zh) 场站服务器应用资产深度识别方法、系统及设备
WO2015037754A1 (ko) 통합 품질관리시스템 기반의 품질검사 방법
WO2018062578A1 (ko) 이미지 프로세싱을 이용한 아날로그 계측 기반 가스 설비의 안전 관리 방법 및 시스템
WO2014017701A1 (ko) 메모리 누수 탐지 장치 및 방법, 그리고 컴퓨터로 읽을 수 있는 기록매체
WO2023075021A1 (ko) 정보 인프라 모니터링 데이터 간 연관성 도출 방법
WO2018230853A1 (ko) 장비신뢰지수에 기초한 Lot 리스크 스코어 기반의 동적 Lot 계측 제어방법 및 시스템
CN117390898B (zh) 一种医疗线缆可靠性预测方法及系统

Legal Events

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

Ref document number: 17839751

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019505449

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17839751

Country of ref document: EP

Kind code of ref document: A1