WO2022052696A1 - 新增检测工具的合格检验方法和检验系统 - Google Patents

新增检测工具的合格检验方法和检验系统 Download PDF

Info

Publication number
WO2022052696A1
WO2022052696A1 PCT/CN2021/110889 CN2021110889W WO2022052696A1 WO 2022052696 A1 WO2022052696 A1 WO 2022052696A1 CN 2021110889 W CN2021110889 W CN 2021110889W WO 2022052696 A1 WO2022052696 A1 WO 2022052696A1
Authority
WO
WIPO (PCT)
Prior art keywords
inspection
data
category
detection data
detection
Prior art date
Application number
PCT/CN2021/110889
Other languages
English (en)
French (fr)
Inventor
陈予郎
Original Assignee
长鑫存储技术有限公司
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 长鑫存储技术有限公司 filed Critical 长鑫存储技术有限公司
Publication of WO2022052696A1 publication Critical patent/WO2022052696A1/zh
Priority to US17/821,259 priority Critical patent/US20230003821A1/en

Links

Images

Classifications

    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement

Definitions

  • the present application relates to the field of semiconductors, and in particular, to a qualification inspection method and inspection system for newly added inspection tools.
  • An integrated circuit is a miniature electronic device or component. It uses semiconductor manufacturing processes such as oxidation, lithography, diffusion, epitaxy, masking, sputtering, etc. to interconnect components and wirings such as transistors, resistors, capacitors and inductors required in a circuit, and make them in a small piece or Several small pieces of semiconductor wafers or dielectric substrates are then packaged in a package to become a microstructure or chip with the required circuit functions.
  • testing is required after the related semiconductor processes are performed to monitor whether the corresponding semiconductor processes meet the process requirements.
  • the testing process is generally performed on testing tools or testing equipment.
  • inspection tools are usually added to the production line. Before the new testing tools are officially put into testing, the performance of the new testing tools needs to be verified to determine whether the new testing tools can be used for testing or whether they are qualified.
  • the yield data of the processed wafers is used to judge whether the new inspection tools are qualified or not. There is no unified standard or process for the judgment process, and it is greatly influenced by the process or personnel. The accuracy of the inspection results needs to be improved.
  • the embodiments of the present application provide a qualified inspection method and inspection system for adding a new inspection tool, so as to standardize the inspection process and improve the accuracy of inspection results.
  • the embodiment of the present application provides a qualification inspection method for a newly added inspection tool, including:
  • the embodiment of the present application also provides a qualification inspection system for adding a new inspection tool, including:
  • a wafer supply unit for supplying a number of wafers to be inspected
  • a new inspection tool for inspecting at least part of the wafers to be inspected in the new inspection tool to obtain a plurality of first inspection data
  • an old inspection tool used for inspecting at least part of the wafers to be inspected in the old inspection tool to obtain a plurality of second inspection data
  • a data analysis unit configured to perform data analysis on the several first detection data and several second detection data, and obtain the category attribution corresponding to the several first detection data and several second detection data;
  • the judgment unit judges whether the first detection data corresponding to each category of the new detection tool is qualified.
  • the qualified inspection method of the newly added inspection tool After a number of wafers to be inspected are provided, at least some of the wafers to be inspected are inspected in the new inspection tool to obtain a plurality of first inspection data; At least part of the wafers to be inspected is inspected in the old inspection tool to obtain several second inspection data; data analysis is performed on the several first inspection data and several second inspection data to obtain the several first inspection data.
  • the qualification inspection process of the newly added new inspection tools is standardized and streamlined, and the second inspection data obtained from the inspection of several old inspection tools is used as the original data to carry out corresponding data analysis and processing during the inspection process. , in order to improve the accuracy of the qualification inspection results of the new inspection tools, and improve the efficiency of the qualification inspection process of the new inspection tools.
  • 1 to 4 are schematic flowcharts of a qualified inspection method for a newly added inspection tool according to an embodiment of the present application
  • 5 to 9 are schematic structural diagrams of a qualification inspection process of a newly added inspection tool according to an embodiment of the present application.
  • FIG. 10 is a schematic structural diagram of a qualification inspection system with a newly added inspection tool according to an embodiment of the present application.
  • the embodiments of the present application provide a qualified inspection method and inspection system for newly added inspection tools.
  • the inspection method after a number of wafers to be inspected are provided, at least some of the wafers to be inspected are placed in the new inspection method. test in the old test tool to obtain several first test data; test at least some of the wafers to be tested in the old test tool to obtain several second test data; Perform data analysis on the plurality of second detection data to obtain category attributions corresponding to the plurality of first detection data and the plurality of second detection data; determine whether the first detection data corresponding to each category attribution of the new detection tool is qualified.
  • the qualification inspection process of the newly added new inspection tools is standardized and streamlined, and the second inspection data obtained from the inspection of several old inspection tools is used as the original data to carry out corresponding data analysis and processing during the inspection process. , in order to improve the accuracy of the qualification inspection results of the new inspection tools, and improve the efficiency of the qualification inspection process of the new inspection tools.
  • an embodiment of the present application provides a semiconductor product grading method, including the steps:
  • Step S20 providing a new detection tool newly installed on the line and an existing old detection tool on the line;
  • Step S21 providing a number of wafers to be inspected
  • Step S22 testing at least part of the wafers to be tested in the new testing tool to obtain a number of first testing data
  • Step S23 testing at least part of the wafers to be tested in the old testing tool to obtain a plurality of second testing data
  • Step S24 determine whether the quantity of the first detection data and the second detection data is greater than 10, if "yes”, then go to step S25, if "no”, then go to step S29, end the inspection process;
  • Step S25 performing data analysis on the plurality of first detection data and the plurality of second detection data, to obtain the category attribution corresponding to the plurality of first detection data and the plurality of second detection data;
  • Step S26 judging whether the first detection data corresponding to each category of the new detection tool is qualified.
  • step S20 to provide a new detection tool newly installed on the line and an existing old detection tool on the line.
  • Both the old inspection tool and the newly installed new inspection tool are used to inspect the wafers after the semiconductor fabrication process on the production line (Fab) to obtain inspection data.
  • the old inspection tools are already in use on the production line, and various performances and yields meet the requirements of the process.
  • the newly installed new inspection tool is equipment that needs to be inspected, and it needs to be judged whether it is qualified or not, and has not been formally used in production.
  • the semiconductor fabrication process includes oxidation, deposition, photolithography, diffusion, epitaxy, masking, implantation, sputtering and other semiconductor fabrication processes.
  • the parameters used for the detection of the old detection tool and the newly installed new detection tool include a first type and a second type, the first type is electrical parameter detection performed by the detection current being alternating current (AC), and the second type is When the detection current is direct current (DC), there are several test items corresponding to the first category and the second category, and each test item corresponds to a number of specific test data.
  • the old detection tool and the newly installed new detection tool are detection tools with the same function.
  • step S21 Go to step S21 to provide a number of wafers to be inspected.
  • the wafer to be inspected is a wafer that needs to be inspected after a corresponding semiconductor fabrication process is performed on a certain semiconductor process equipment.
  • the semiconductor process equipment is lithography equipment (for photolithography process), furnace tube equipment (for oxidation process or annealing process), deposition equipment (for deposition process), sputtering equipment (for sputtering process), chemical mechanical polishing equipment (to perform chemical mechanical polishing process), ion implantation equipment (to perform implantation process), or other semiconductor processing equipment.
  • step S20M needs to be performed to determine the new Whether the inspection tool and the old inspection tool can repeatedly inspect the same wafer, if "Yes", go to step S21a to provide a number of wafers to be inspected, the wafers to be inspected are repeatable wafers to be inspected, if "No” ”, then step S21b is performed to provide a number of wafers to be inspected, and the wafers to be inspected are non-repeatable wafers to be inspected, so that in the subsequent qualification inspection process of the newly added inspection tools, different types of new equipment can be inspected. All tools can accurately judge whether it is qualified or not, and the step S21a and the step S21b are both part of the step S21. It should be noted that, in other embodiments, the wafers to be inspected may not be distinguished.
  • the new inspection tool and the old inspection tool can repeatedly inspect the same wafer can be directly set in the new inspection tool and the old inspection tool, and the setting can be directly read during inspection. Alternatively, it can be set by engineers during the inspection process.
  • the number of repeatable wafers to be inspected is greater than 10, and the number of non-repeatable wafers to be inspected is greater than 20, thereby increasing the number of valid samples of yield data obtained subsequently.
  • step S22 inspect at least part of the wafers to be inspected in the new inspection tool, and obtain a number of first inspection data; go to step S23 , place at least part of the wafers to be inspected in the new inspection tool.
  • the detection is performed in the old detection tool, and several second detection data are obtained.
  • one first inspection data or one second inspection data is obtained by inspecting one wafer to be inspected, and several first inspection data or several second inspection data are obtained by inspecting several wafers to be inspected. Test data.
  • Each of the first inspection data and the second inspection data can be obtained by measuring the same wafer to be inspected (for example, after a new inspection tool inspects a wafer to be inspected, a first inspection data is obtained, and the old inspection tool A second inspection data is obtained by inspecting the same wafer to be inspected), or it can be obtained after measuring different wafers to be inspected (for example, a new inspection tool detects the first wafer to be inspected and obtains it) A first inspection data, the old inspection tool inspects the second wafer to be inspected to obtain a second inspection data).
  • a new inspection tool inspects a wafer to be inspected
  • a second inspection data is obtained by inspecting the same wafer to be inspected
  • steps S22a-S23a can be performed after step S21a (the new detection tool and the old detection tool are paired with each other.
  • the same piece of the wafer to be inspected is inspected to obtain corresponding first inspection data and second inspection data.
  • the new inspection tool and the old inspection tool can be inspected sequentially for all the wafers to be inspected.
  • One inspection data and second inspection data are examples of steps S22a-S23a.
  • all the wafers to be inspected are divided into a first part of wafers and a second part of wafers, and the new inspection tool inspects the first part of inspection wafers to obtain a plurality of first inspection data , the old inspection tool inspects the second part of the inspection wafer to obtain a number of second inspection data).
  • step S25 is also included to judge whether the number of the first detection data and the second detection data is greater than 10, if "yes”, then proceed to step S25, if "no", then Go to step S29 to end the verification process.
  • step S24 The purpose of performing step S24 is to ensure a sufficient number of samples when performing data analysis in subsequent step S25, and to improve the accuracy of performing data analysis.
  • step S25 may be directly performed without performing step S24.
  • step S25 is performed, and data analysis is performed on the plurality of first detection data and the plurality of second detection data to obtain the category attribution corresponding to the plurality of first detection data and the plurality of second detection data.
  • the method for performing data analysis on the first detection data and the second detection data adopts a data analysis method based on a fuzzy system model (Data Analysis Method Based on Fuzzy System Models, DA-FSMs).
  • step S25 may include: step S250, dividing the plurality of second detection data into a plurality of clusters; step S251, constructing a fuzzy system model according to the plurality of clusters,
  • the fuzzy system model includes category attributions and corresponding distribution functions that conform to the distribution of cluster characteristics, the fuzzy system model is one of an ⁇ model, a ⁇ model or a ⁇ model, and the ⁇ model includes three category attributions and corresponding distribution functions.
  • the three distribution functions of the three categories belong to the low category, the middle category and the high category
  • the ⁇ model includes two categories and corresponding two distribution functions, the two categories belong to the low category and High category
  • the ⁇ model includes a category attribution and a corresponding distribution function
  • the one category belongs to the overall category
  • Step S252 project a number of first detection data and second detection data to the fuzzy system model respectively , obtain the category attribution corresponding to each of the first detection data and the second detection data.
  • K-Means clustering algorithm or other grouping or clustering algorithms may be used to divide the plurality of second detection data into several clusters.
  • performing the K-MEANS algorithm to divide the plurality of second detection data into several clusters is described as an example, including the steps of:
  • the plurality of second detection data are divided into at most 3 clusters, which can be 3 clusters, 2 clusters, or 1 cluster, the efficiency of subsequent construction of the fuzzy system model can be improved, and the fuzzy The system model can more simply and accurately reflect the new detection tool and the category attribution of the second detection data.
  • several second detection data may be divided into more clusters.
  • the K value is equal to 3 as an example for illustration.
  • the uppermost graph in FIG. 5 is a plurality of second detection data distribution graphs, wherein the abscissa represents the detection data.
  • step S251 is performed, and a fuzzy system model is constructed according to the plurality of clusters, and the fuzzy system model includes category attributions conforming to the cluster characteristic distribution and corresponding distribution functions.
  • the number of category attributions and corresponding distribution functions is determined according to the number of clusters. For example, when divided into three clusters, there are three category attributions and three corresponding distribution functions.
  • the fuzzy system model is one of an alpha model, a beta model, or a gamma model, and the alpha model includes three categories of attributions and three corresponding distribution functions, and the three categories of attributions are low.
  • the ⁇ model includes two category attributions and two corresponding distribution functions, the two categories belong to a low category and a high category, and the ⁇ model includes a category attribution and corresponding A distribution function of , the one category belongs to the overall category.
  • a fuzzy system model is constructed as an ⁇ model, and when the plurality of second detection data is divided into 2 clusters in step S250, a fuzzy system is constructed.
  • the model is a ⁇ model, and when the plurality of second detection data are divided into one cluster in step S250, the constructed fuzzy system model is a ⁇ model.
  • FIG. 5 the lowermost figure in FIG. 5 is a graph of the distribution of several second detection data obtained by constructing a fuzzy system model, wherein the abscissa represents the detection data (second detection data), and the vertical axis represents the detection data (second detection data). The coordinates represent the probability.
  • this distribution line graph and the three center points C1, C2, and C3, the category attribution and the corresponding distribution function in the fuzzy system model conforming to the cluster characteristic distribution can be obtained.
  • FIG. 6 is a schematic structural diagram representing the ⁇ model.
  • the ⁇ model is a fuzzy system model constructed when the plurality of second detection data are divided into 3 clusters.
  • the ⁇ model includes three categories of attributions and corresponding three distribution functions, the three categories belong to the low category f 1 , the middle category f 2 and the high category f 3 , and the three categories belong to the three distribution functions f 1 (x j ), f 2 (x j ) , f 3 (x j ) corresponds, C1, C2, C3 represent the yield values corresponding to the three center points, and x j represents the detection data variable.
  • FIG. 7 is a schematic structural diagram representing a ⁇ model.
  • the ⁇ model is a fuzzy system model constructed when the plurality of second detection data are divided into two clusters.
  • the ⁇ model includes: two categories Attribution and corresponding two distribution functions, the two categories belong to the low category f4 and the high category f5, the two categories belong to the two distribution functions f 4 (x j ), f 5 (x j )
  • C1 and C2 represent the yield values corresponding to the two center points
  • x j represents the detection data variable.
  • FIG. 8 is a schematic structural diagram representing a ⁇ model
  • the ⁇ model is a fuzzy system model constructed when the plurality of second detection data are divided into one cluster, and the ⁇ model includes;
  • the one category assignment is an overall category f 6 , the one category assignment corresponds to a distribution function f 6 (x j ), and x j represents a detection data variable.
  • a plurality of first detection data and second detection data are respectively projected into the fuzzy system model to obtain the category attribution corresponding to each of the first detection data and the second detection data.
  • the corresponding category attribution is the category attribution corresponding to the distribution function when the maximum probability is obtained by calculating a certain distribution function. For example, when projecting a number of first detection data and second detection data to the ⁇ model respectively, project a number of first detection data and second detection data as variables x j to the distribution function f 1 (x j shown in FIG.
  • f 2 (x j ) and f 3 (x j ) obtain the corresponding probability, if the probability obtained by the distribution function f 1 (x j ) is the largest, then the first detection data or the second detection data corresponds to The class is classified as "low class", if the probability obtained by the distribution function f 2 (x j ) is the largest, the class corresponding to the first detection data or the second detection data is classified as "medium class", if the distribution function f 3 ( x j ) The probability obtained by calculation is the largest, and the category corresponding to the first detection data or the second detection data is classified as a "high category".
  • the first detection data and the second detection data are projected into the ⁇ model or the ⁇ model respectively, and the process of obtaining the category attribution corresponding to each of the first detection data and the second detection data is projected into the ⁇ model to obtain
  • the process of attributing categories corresponding to each of the first detection data and the second detection data is similar.
  • Step S250 When dividing the several second detection data into several clusters, the K value in the K-Means clustering algorithm is preset to be equal to 3, and then the several second detection data are divided into 3 clusters by the K-Means clustering algorithm.
  • step S251 according to the 3 clusters, construct a fuzzy system model, the fuzzy system model is an ⁇ model, and the fuzzy system model includes the category attribution and the corresponding distribution function that conform to the distribution of cluster characteristics, and step S252 is performed.
  • step S253 Projecting a number of first detection data and second detection data into the ⁇ model respectively to obtain the category attribution corresponding to each first detection data and the second detection data; go to step S253 to determine the first detection after obtaining the category attribution Whether the number of data and the second detection data are both greater than 10, if "yes”, then go to step S26 to determine whether the first detection data corresponding to each category of the new detection tool is qualified, if "no", then go to step S254 , reduce the K value by 1, and then when the K value is equal to 2, continue to step S250, divide the several second detection data into 2 clusters by the K-Means clustering algorithm; then proceed to step S251, according to the 2 cluster, construct a fuzzy system model, the fuzzy system model is a beta model; then go to step S252, project a number of first detection data and second detection data into the beta model respectively, and obtain each first detection data and the first detection data 2.
  • the category attribution corresponding to the detection data then go to step S253, continue to judge whether the number of the first detection data and the second detection data after obtaining the category attribution is greater than 10, if "yes", then go to step S26, determine the new detection Whether the first detection data corresponding to each category of the tool is qualified, if "No", go to step S254, continue to decrease the K value by 1, and then go to step S250, when the K value is equal to 1, through K-Means clustering
  • the algorithm divides the plurality of second detection data into one cluster; go to step S251, build a fuzzy system model according to the one cluster, and the fuzzy system model is a ⁇ model; go to step S272, combine several first detection data and The second detection data are respectively projected into the ⁇ model, the category attribution corresponding to each first detection data and the second detection data is obtained, and it is directly judged whether the first detection data corresponding to each category of the new detection tool is qualified step.
  • the obtaining each of the first detection data and the second detection data includes: obtaining the category attribution corresponding to each test item data under the first category and the second category.
  • the fuzzy system model corresponding to each test item data is stored.
  • the categories of the first inspection data and the second inspection data can be assigned to the wafer (wafer to be inspected) batch, wafer (wafer to be inspected) Numbers, data types (including the first type and the second type), and data items (item1, etc.) are associated and stored in the table.
  • step S26 is performed to determine whether the first detection data corresponding to each category of the new detection tool is qualified.
  • judging whether the first detection data corresponding to each category of the new detection tool is qualified includes: judging whether each test item data under the first category and the second category of the new detection tool is qualified , so that a more precise inspection of the eligibility of different types of new tools can be achieved.
  • the t test is used to determine whether the first detection data corresponding to each category of the new detection tool is qualified.
  • step S26a or S26b is performed respectively.
  • step S26a the new inspection tool and the old inspection tool inspect the same wafer to be inspected, and when the corresponding first inspection data and second inspection data are obtained, the t-test adopts the paired sample mean t-test .
  • step S26b when the new inspection tool and the old inspection tool inspect different wafers to be inspected, and obtain the corresponding first inspection data and second inspection data, the t test adopts an independent sample t test . Therefore, it is possible to inspect whether different types of inspection tools are qualified, thereby improving the accuracy of the obtained inspection results.
  • the statistical significance level ⁇ value can be set according to relevant steps, which specifically includes steps: step 1, randomly dividing a number of second detection data into two groups; step 2, treating one group as a new one.
  • the sample data of the inspection tool (equivalent to measuring to obtain the first inspection data), and another set of sample data as the old inspection tool (equivalent to measuring to obtain the second inspection data);
  • Step 3 when running non-repeatable wafers for inspection Process, and obtain the p value corresponding to each item;
  • Step 4 set the ⁇ value of each item as max(p value, ⁇ ), where ⁇ is the minimum acceptable significance level value and ⁇ 1.
  • the reference diagram further includes step S27 to output the judgment result.
  • the judgment result includes "pass” or "fail”.
  • the judgment result is that the data of each test item under the first category and the second category are "qualified” and "unqualified”.
  • the judgment result may further include the category and item to which each test item data belongs, the category affiliation, and the corresponding p value and ⁇ value.
  • the judgment result may be displayed on the user terminal in the form of a table, an icon, or a graph, so that the user can obtain the inspection result intuitively.
  • step S28 is also included, according to the judgment result of whether the first detection data corresponding to each category of the new detection tool is qualified, adjust the value of the statistical significance level ⁇ , and perform the t test again, so that the adjustment can be made. Set the rigor of the project.
  • the ⁇ value of the statistical significance level can be adjusted, and the t test can be performed again.
  • the adjusted statistical significance level ⁇ value can be manually adjusted according to experience. Specifically, the statistical significance level ⁇ value can be adjusted at the user terminal. After the ⁇ value is adjusted, the adjusted ⁇ value is fed back to be based on The adjusted ⁇ value goes to step S26.
  • the embodiment of the present application also provides a qualification inspection system for adding a new inspection tool.
  • the system includes:
  • a wafer providing unit 301 used for providing a number of wafers to be inspected
  • a new inspection tool 302 for inspecting at least part of the wafers to be inspected in the new inspection tool to obtain a plurality of first inspection data
  • the old inspection tool 303 is used to inspect at least part of the wafers to be inspected in the old inspection tool to obtain several second inspection data;
  • a data analysis unit 304 configured to perform data analysis on the plurality of first detection data and the plurality of second detection data, and obtain the category attribution corresponding to the plurality of first detection data and the plurality of second detection data;
  • the judging unit 305 is configured to judge whether the first detection data corresponding to each category of the new detection tool is qualified.
  • the wafer to be inspected is a repeatable wafer to be inspected, the new inspection tool and the old inspection tool inspect the same wafer to be inspected, and corresponding first inspection data and second inspection data are obtained. Test data.
  • the wafers to be inspected are non-repeatable wafers to be inspected, and the new inspection tool and the old inspection tool inspect different wafers to be inspected to obtain corresponding first inspections. data and second detection data.
  • both the first detection data and the second detection data include several items of test data corresponding to the first category and the second category.
  • the method for performing data analysis on the plurality of first detection data and the plurality of second detection data by the data analysis unit 304 adopts a data analysis method based on a fuzzy system model.
  • the data analysis unit 304 performs data analysis on the plurality of first detection data and the plurality of second detection data, and obtains the process of the category attribution corresponding to the plurality of first detection data and the plurality of second detection data.
  • the method includes: dividing the plurality of second detection data into a plurality of clusters; constructing a fuzzy system model according to the plurality of clusters, wherein the fuzzy system model includes category attributions and corresponding distribution functions conforming to the distribution of cluster characteristics, and the fuzzy system model is one of ⁇ model, ⁇ model or ⁇ model, the ⁇ model includes three categories and corresponding three distribution functions, the three categories belong to low category, medium category and high category, the ⁇
  • the model includes two categories of attribution and two corresponding distribution functions, the two categories are assigned as a low category and a high category, the ⁇ model includes a category attribution and a corresponding distribution function, and the one category is attributable to Overall category; project a number of first detection data and second detection data into the fuzzy system model respectively,
  • the obtaining of the category attribution corresponding to each of the first detection data and the second detection data by the data analysis unit 304 includes: obtaining the category corresponding to each test item data under the first category and the second category. attribution.
  • the judging unit 305 for judging whether the first detection data corresponding to each category of the new detection tool is qualified includes: judging each of the first category and the second category of the new detection tool. Test whether the project data is qualified.
  • the data analysis unit 304 divides the plurality of second detection data into a plurality of clusters using K-Means clustering algorithm.
  • it also includes a data sample number judgment unit for judging whether the number of the first detection data and the second detection data is greater than 10. If “Yes”, proceed to the step of dividing the plurality of second detection data into several clusters; if "No", end the inspection process.
  • the data analysis unit 304 is divided into several clusters, and the process of constructing a fuzzy system model and obtaining the category attribution corresponding to each of the first detection data and the second detection data includes: When dividing into several clusters, the K value in the K-Means clustering algorithm is preset to be equal to 3, and then the several second detection data are divided into 3 clusters by the K-Means clustering algorithm;
  • the fuzzy system model is an ⁇ model; project several first detection data and second detection data into the ⁇ model respectively, and obtain each first detection data and the first detection data. 2.
  • the category attribution corresponding to the detection data determine whether the number of the first detection data and the second detection data after obtaining the category attribution is both greater than 10, if "Yes", then judge the first detection data corresponding to each category attribution of the new detection tool.
  • the class algorithm divides the several second detection data into one cluster; constructs a fuzzy system model according to the one cluster, and the fuzzy system model is a ⁇ model; projects several first detection data and second detection data to the In the ⁇ model, the category attribution corresponding to each of the first detection data and the second detection data is obtained, and the step of directly judging whether the first detection data corresponding to each category attribution of the new detection tool is qualified.
  • the judging unit 305 uses a t test to judge whether the first detection data corresponding to each category of the new detection tool is qualified.
  • the t inspection adopts Paired sample t-test for means.
  • the t inspection adopts Independent sample t-test.
  • a feedback unit is further included, configured to adjust the statistical significance level ⁇ value according to the judgment result of whether the first detection data corresponding to each category of the new detection tool is qualified, and perform the t test again.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

一种新增检测工具的合格检验方法和检验系统，在提供若干待检测晶圆(S21)后，将部分待检测晶圆在新的检测工具中进行检测，获得若干第一检测数据(S22)；将部分待检测晶圆在旧的检测工具中进行检测，获得若干第二检测数据(S23)；对若干第一检测数据和若干第二检测数据进行数据分析，获得若干第一检测数据和若干第二检测数据对应的类别归属(S25)；判断新的检测工具的每一个类别归属对应的第一检测数据是否合格(S26)。通过该检验方法，对新增的新的检测工具的合格检验过程标准化和流程化，并且提高新的检测工具合格检验结果的准确性，并且提高新的检测工具合格检验过程的效率。

Description

[根据细则26改正30.09.2021]　新增检测工具的合格检验方法和检验系统
交叉引用
本申请基于申请号为202010945284.7、申请日为2020年9月10日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此引入本申请作为参考。
技术领域
本申请涉及半导体领域，尤其涉及一种新增检测工具的合格检验方法和检验系统。
背景技术
集成电路(integrated circuit)是一种微型电子器件或部件。它是采用氧化、光刻、扩散、外延、掩膜、溅射等半导体制作工艺，把一个电路中所需的晶体管、电阻、电容和电感等元件及布线互连一起，制作在一小块或几小块半导体晶片或介质基片上，然后封装在一个管壳内，成为具有所需电路功能的微型结构或芯片。
在进行集成电路的制作时，在进行相关的半导体工艺后需要进行检测以监控相应的半导体工艺是否满足工艺要求，其检测过程一般都是在检测工具或检测设备上进行。
为了提高产能，通常会在产线上新增检测工具。在新增检测工具在正式投入检测之前，需要对新增检测工具的性能进行验证，判断新增检测工具是否能用于检测或者判断其是否合格，现有通常是通过测量在新增检测工具中进行工艺处理后的晶圆的良率数据来判断新增检测工具是否合格，判断过程并没有统一的标准或流程，且受工艺或 人员的主观影响较大，检验结果精度有待提升。
发明内容
本申请实施例提供一种新增检测工具的合格检验方法和检验系统，使得检验过程标准化，提高了检验结果的精度。
本申请实施例提供了一种新增检测工具的合格检验方法，包括：
提供线上新装的新的检测工具以及线上已有的旧的检测工具；
提供若干待检测晶圆；
将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
本申请实施例还提供一种新增检测工具的合格检验系统，包括：
晶圆提供单元，用于提供若干待检测晶圆；
新的检测工具，用于将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
旧的检测工具，用于将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
数据分析单元，用于对所述若干第一检测数据和若干第二检测数 据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
判断单元，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
本申请实施例的新增检测工具的合格检验方法，在提供若干待检测晶圆后，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。通过前述检验方法，对新增的新的检测工具的合格检验过程标准化和流程化，并且检验过程中以若干旧的检测工具进行检测获得的第二检测数据作为原始数据进行相应的数据分析和处理，以提高新的检测工具合格检验结果的准确性，并且提高新的检测工具合格检验过程的效率。
附图说明
图1-图4为本申请实施例新增检测工具的合格检验方法的流程示意图；
图5-图9为本申请实施例新增检测工具的合格检验过程的结构示意图；
图10为本申请实施例新增检测工具的合格检验系统的结构示意图。
具体实施方式
如背景技术所言，现有判断新增检测工具是否合格的过程并没有统一的标准或流程，且受工艺或人员的主观影响较大，检验结果精度有待提升。
为此，本申请实施例提供了一种新增检测工具的合格检验方法和检验系统，所述检验方法，在提供若干待检测晶圆后，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。通过前述检验方法，对新增的新的检测工具的合格检验过程标准化和流程化，并且检验过程中以若干旧的检测工具进行检测获得的第二检测数据作为原始数据进行相应的数据分析和处理，以提高新的检测工具合格检验结果的准确性，并且提高新的检测工具合格检验过程的效率。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在详述本申请实施例时，为便于说明，示意图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本申请的保护范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
参考图1，本申请一实施例提供了一种半导体产品分级方法，包 括步骤：
步骤S20，提供线上新装的新的检测工具以及线上已有的旧的检测工具；
步骤S21，提供若干待检测晶圆；
步骤S22，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
步骤S23，将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
步骤S24，判断所述第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤S25，若“否”，则进行步骤S29，结束检验流程；
步骤S25，对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
步骤S26，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
下面结合附图对前述过程进行详细的描述。
进行步骤S20，提供线上新装的新的检测工具以及线上已有的旧的检测工具。
所述旧的检测工具和新装的新的检测工具都是用于在产线(Fab)上对进行半导体制作工艺后的晶圆能进行检测，获得检测数据。所述旧的检测工具为在产线上已经在使用，且各项性能和良率等满足工艺 的要求。所述新装的新的检测工具为需要进行检验的设备，需要判断其是否合格，还没有正式用于生产。
所述半导体制作工艺为氧化、沉积、光刻、扩散、外延、掩膜、注入、溅射等半导体制作工艺。
所述旧的检测工具和新装的新的检测工具用于检测的参数包括第一种类和第二种类，所述第一种类为检测电流为交流电(AC)进行的电学参数检测，第二种类为检测电流为直流电(DC)时进行的电学参数检测，第一种类和第二种类下对应具有若干测试项目，每一个测试项目下对应具有若干具体的检测数据。本实施例中所述旧的检测工具和新装的新的检测工具为具有相同功能的检测工具。
进行步骤S21，提供若干待检测晶圆。
所述待检测晶圆为在某种半导体工艺设备上进行相应的半导体制作工艺后需要进行检测的晶圆。所述半导体工艺设备为光刻设备(进行光刻工艺)、炉管设备(进行氧化工艺或退火工艺)、沉积设备(进行沉积工艺)、溅射设备(进行溅射工艺)、化学机械研磨设备(进行化学机械研磨工艺)、离子注入设备(进行注入工艺)或其他的半导体工艺设备。
研究发现，有些类型的多个检测工具能对同一片待检测晶圆进行检测时都能获得较高的精度的检测数据(比如两台相同功能的检测工具能对同一片待检测晶圆进行检测获得检测数据)，而另外一些类型的多个检测工具在对同一片待检测晶圆进行检测时获得的检测数据精度会较低(检测过程会破坏待检测晶圆上形成的待检测结构)，为 了提高检测的精度，多个检测工具需要对不同的待检测晶圆进行检测。因而，在一实施例中，为了使得本申请的新增检测工具的合格检验方法获得的结果更为精确，请参考图2，在进行步骤S21之前，还需要进行步骤S20M，判断所述新的检测工具和旧的检测工具能否重复检测同一片晶圆，若“是”，则进行步骤S21a，提供若干待检测晶圆，所述待检测晶圆为可重复待检测晶圆，若“否”，则进行步骤S21b，提供若干待检测晶圆，所述待检测晶圆为不可重复待检测晶圆，使得后续在进行新增检测工具的合格检验过程中，可以对不同类型的新装的检测工具均能对其是否合格进行精确的判断，所述步骤S21a和步骤S21b均为步骤S21的一部分。需要说明的是，在其他实施例中，可以不对所述待检测晶圆进行区分。
新的检测工具和旧的检测工具能否重复检测同一片晶圆可以直接设置在新的检测工具和旧的检测工具中，在进行检测时直接读取该设置。或者也可以由工程人员在进行检测过程中进行设置。
在一实施例中，所述可重复待检测晶圆的数量大于10片，所述不可重复待检测晶圆的数量大于20片，提高后续获取的良率数据的有效样本数。
继续参考图1，进行步骤S22，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；进行步骤S23，将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据。
在进行检测时，通过对一片待检测晶圆进行检测对应获得一个第 一检测数据或一个第二检测数据，对若干片待检测晶圆进行检测对应获得若干个第一检测数据或若干个第二检测数据。
每一个所述第一检测数据和第二检测数据可以对同一片待检测晶圆进行测量获得(比如新的检测工具对一片待检测晶圆进行检测后获得一个第一检测数据，旧的检测工具对同一片待检测晶圆进行检测获得一个第二检测数据)，也可以是对不同片的待检测晶圆进行测量后获得(比如新的检测工具对第一片待检测晶圆进行检测后获得一个第一检测数据，旧的检测工具对第二片待检测晶圆进行检测获得一个第二检测数据)。在一具体的实施例中，请参考图2，进行步骤S22-S23时，针对不同类型的检测设备，可以在步骤S21a后进行步骤S22a-S23a(所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，具体的，可以对新的检测工具和旧的检测工具可以对所有的待检测晶圆依次进行检测，获得若干第一检测数据和第二检测数据)或者在步骤S21b进行步骤S22a-S23a(所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，具体的，将所有待检测晶圆分成第一部分晶圆和第二部分晶圆，所述新的检测工具对第一部分检测晶圆进行检测获得若干第一检测数据，所述旧的检测工具对第二部分检测晶圆进行检测，获得若干第二检测数据)。
研究发现，由于检测工具检测获得数据具有不同种类和不同项目的区别，在一实施例中，一个所述第一检测数据和第二检测数据为第 一种类和第二种类下对应的某一个测试项目数据，因而后续可以每一个所述测试项目数据进行是否合格的判断，因而可以对新的检测工具是否合格进行全方位的评判能进一步提高新增检测工具的合格检验方法的准确性，在一实施例中，在进行步骤S25之前，还包括步骤S24，判断所述第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤S25，若“否”，则进行步骤S29，结束检验流程。
进行步骤S24的目的是，保证后续进行步骤S25进行数据分析时有足够的样本数，提高进行数据分析时的准确性。在其他实施例中，也可以不进行步骤S24，直接进行步骤S25。
继续参考图1，进行步骤S25，对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属。
对所述若干第一检测数据和第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法(Data Analysis Method Based on Fuzzy System Models,DA-FSMs)。
在一实施例中，请参考图3，所述步骤S25的具体过程可以包括：步骤S250，将所述若干第二检测数据分成若干集群；步骤S251，根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别， 所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别；步骤S252，将若干第一检测数据和第二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。
具体的，步骤S250中，将所述若干第二检测数据分成若干集群可以采用K-Means聚类算法或其他分群或聚类算法。
在一实施例中，进行K-MEANS算法将所述若干第二检测数据分成若干集群作为实例进行说明，包括步骤：
(1)将所述若干第二检测数据设定为一个点集S，需要划分成N类别或集群，N根据需要进行设定；
(2)设定K等于N，随机选取N个点作为初始中心点；
(3)计算每个点到这N个中心点的距离大小，选取最近的中心点，划分到以该中心点为中心的群组中去；
(4)重新计算N个新集群的中心点；
(5)如果中心点保持不变，则结束K-Means过程。否则，重复进行(3)、(4)步。
本申请中，将所述若干第二检测数据至多划分为3个集群，可以为3个集群，2个集群，或1个集群，后续构建模糊系统模型的效率可以提高，并且使得通过构建的模糊系统模型能较简便和较准确的反应新的检测工具和第二检测数据所在的类别归属。在其他的实施例中，可以将若干第二检测数据划分为更多的集群。
在一实施例中，以所述K值等于3作为实例进行说明，请参考图5，图5中最上面一个图为若干第二检测数据分布曲线图，其中横坐标表示检测数据。
(第二检测数据)，纵坐标表示数量，图5中中间一个图为进行K-Means后的3个集群的分布图，其中横坐标表示检测数据，纵坐标表示数量，3个集群对应具有3个中心点，分别为C1，C2和C3。
继续参考图3，进行步骤S251，根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数。构建模糊系统模型时，所述类别归属和对应的分布函数的数量根据集群的数量来确定，比如划分为3个集群时，具有3个类别归属和对应的3个分布函数。在一实施例中，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别。具体的，当步骤S250中将所述若干第二检测数据分成3个集群时，构建模糊系统模型为α模型，当步骤S250中将所述若干第二检测数据分成2个集群时，构建模糊系统模型为β模型，当步骤S250中将所述若干第二检测数据分成1个集群时，构建模糊系统模型为γ模型。
在一实施例中，请参考图5，图5中的最下面一个图为构建模糊系统模型是获得的若干第二检测数据分布折线图，其中横坐标表示 检测数据(第二检测数据)，纵坐标表示概率，根据这个分布折线图以及三个中心点C1、C2、C3可以获得模糊系统模型中符合集群特征分布的类别归属和对应的分布函数。具体的，请参考图6，图6为表征α模型的结构示意图，α模型为所述若干第二检测数据分成3个集群时构建的模糊系统模型，α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别f 1、中等类别f 2和高类别f 3，所述三个类别归属与三个分布函数f 1(x j)，f 2(x j)，f 3(x j)对应，C1、C2、C3表示三个中心点对应的良率数值，x j表示检测数据变量。
在另一实施例中，请参考图7，图7为表征β模型的结构示意图，β模型为所述若干第二检测数据分成2个集群时构建的模糊系统模型，β模型包括：两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别f4和偏高类别f5，所述两个类别归属与两个分布函数f 4(x j)，f 5(x j)对应，C1、C2表示两个中心点对应的良率数值，x j表示检测数据变量。
在另一实施例中，请参考图8，图8为表征γ模型的结构示意图，γ模型为所述若干第二检测数据分成1个集群时构建的模糊系统模型，γ模型包括；
一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别f 6，所述一个类别归属与一个分布函数f 6(x j)对应，x j表示检测数据变量。
步骤S252中，将若干第一检测数据和第二检测数据分别投射到 所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。具体的，将若干第一检测数据和第二检测数据分别投射到所述α模型、β模型或γ模型中的一个模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，所述对应的类别归属为通过某一分布函数计算获得概率最大值时与该分布函数对应的类别归属。比如，将若干第一检测数据和第二检测数据分别投射到α模型时，将若干第一检测数据和第二检测数据作为变量x j依次投射到图6所示的分布函数f 1(x j)，f 2(x j)和f 3(x j)中，获得对应的概率，如果分布函数f 1(x j)计算获得的概率最大，则该第一检测数据或第二检测数据对应的类别归属为“低类别”，如果分布函数f 2(x j)计算获得的概率最大，则该第一检测数据或第二检测数据对应的类别归属为“中等类别”，如果分布函数f 3(x j)计算获得的概率最大，则该第一检测数据或第二检测数据对应的类别归属为“高类别”。将第一检测数据和第二检测数据分别投射到所述β模型或γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属的过程与投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属的过程类似。
在一实施例中，为了进一步提高每一个第一检测数据和第二检测数据对应的获取的类别归属的准确性，以进一步提高新的检测工具合格检验结果的准确性，参考图4，在进行步骤S250将所述若干第二检测数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干第二检测数据分成3 个集群；进行步骤S251时，根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，进行步骤S252将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；进行步骤S253，判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤S26判断新的检测工具的每一个类别归属对应的第一检测数据是否合格，若“否”，则进行步骤S254，将K值减1，然后在K值等于2时，继续进行步骤S250，通过K-Means聚类算法将所述若干第二检测数据分成2个集群；然后进行步骤S251，根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；然后进行步骤S252，将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；然后进行步骤S253，继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤S26，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格，若“否”，则进行步骤S254，将K值继续减1，然后进行步骤S250，在K值等于1时，通过K-Means聚类算法将所述若干第二检测数据分成1个集群；进行步骤S251，根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；进行步骤S272，将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断 新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
在一实施例中，当一个所述第一检测数据和第二检测数据为第一种类和第二种类下对应的某一个测试项目数据，所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。在一实施例中，将每一个测试项目数据对应的模糊系统模型进行存储。
在获得第一检测数据和第二检测数据的类别归属后，可以将第一检测数据和第二检测数据的类别归属与晶圆(待检测晶圆)批次、晶圆(待检测晶圆)编号、数据种类(包括第一种类和第二种类)、数据项目(item1等)相关联存储在表格中。
继续参考图1，进行步骤S26，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
在一实施例中，所述判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格，从而可以实现对不同类型的新的工具是否合格进行更为精确的检验。
判断新的检测工具的每一个类别归属对应的第一检测数据是否合格采用t检验。
在一实施例中，根据检测设备类型的不同，进行步骤S26时，分别进行步骤S26a或S26b。进行步骤S26a，所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验。
进行步骤S26b，当所述新的检测工具和旧的检测工具对不同片的待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用独立样本t检验。因而可以针对不同类型的检测工具是否合格进行检验，从而提高了获得的检测结果的精度。
所述样本均数t检验(t检验，Student's t test)和独立样本t检验采用双侧检验，设置统计显著性水平α＝0.05，两个假设检验：H0:第一检测数据与第二检测数据存在显着差异，H1:第一检测数据与第二检测数据不存在显着差异，t检验会获得(支持H0而拒绝H1)或(支持H1而拒绝H0)其中的一种结果，若支持H0而拒绝H1，就是说我们的第一个假设H0(存在显着差异)被证明对的，即第一检测数据与第二检测数据存在显着差异，则新工具相应的第一检测数据不合格。反之若支持H1这个假设的话，那就是第一检测数据与第二检测数据不存在显着差异，则新工具相应的第一检测数据合格。
在一实施例中，所述统计显著性水平α值可以根据相关步骤进行设置，具体的包括步骤：步骤1，将若干第二检测数据随机分成两组；步骤2，将其中一组当成新的检测工具的样本数据(相当于测量获得第一检测数据)，另一组当成旧的检测工具的样本数据(相当于测量获得第二检测数据)；步骤3，运行不可重复晶圆进行检测时的流程，并取得每一个项目对应的p值；步骤4，将每一个项目的α值设定为max(p值，τ)，其中，τ为最小可接受的显著性水平值且τ≥1。
在一实施例中，在进行t检验后，参考图还包括步骤S27，输 出判断结果。
所述判断结果包括“合格”或“不合格”。在以具体的实施例中，所述判断结果为第一种类和第二种类下的每一个测试项目数据为“合格”和“不合格”。
所述判断结果还可以包括每一个测试项目数据所属的种类和项目、类别归属、对应的p值和α值。
在具体的实施例中，所述判断结果可以表格、图标、或图形的方式显示在用户终端上，以使得用户可以直观的获取检验结果。
在一实施例中，还包括步骤S28，根据新的检测工具的每一个类别归属对应的第一检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验，从而可以调节制定项目的严紧程度。
在具体的实施例中，可以在检测项目数据存在不合格时，调整统计显著性水平α值数，重新进行t检验。
所述调整统计显著性水平α值数可以为人工根据经验进行调整，具体的，可以在用户终端对统计显著性水平α值进行调整，α值被调整后，调整后的α值被反馈以基于调整后的α值进行步骤S26。
本申请实施例还提供了一种新增检测工具的合格检验系统，参考图10，包括：
晶圆提供单元301，用于提供若干待检测晶圆；
新的检测工具302，用于将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
旧的检测工具303，用于将至少部分所述待检测晶圆在所述旧的 检测工具中进行检测，获得若干第二检测数据；
数据分析单元304，用于对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
判断单元305，用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
具体的，所述待检测晶圆为可重复待检测晶圆，所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。
在一实施例中，所述待检测晶圆为不可重复待检测晶圆，所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。
在一实施例中，所述第一检测数据和第二检测数据均包括第一种类和第二种类下对应的若干项测试数据。
所述数据分析单元304对所述若干第一检测数据和若干第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
在一实施例中，所述数据分析单元304对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属的过程包括：将所述若干第二检测数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型 包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别；将若干第一检测数据和第二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。
在一实施例中，所述数据分析单元304所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。
在一实施例中，所述判断单元305用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格。
在一实施例中，所述数据分析单元304将所述若干第二检测数据分成若干集群采用K-Means聚类算法。
在一实施例中，还包括数据样本数判断单元，用于将数据分析单元304将所述若干第二检测数据分成若干集群之前判断所述第一检测数据和第二检测数据的数量是否皆大于10，若“是”，则进行将所述若干第二检测数据分成若干集群的步骤，若“否”，则结束检验流程。
在一实施例中，所述数据分析单元304分成若干集群，构建模糊系统模型、获得每一个第一检测数据和第二检测数据对应的类别归属的过程包括：在将所述若干第二检测数据分成若干集群时，预先设 置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干第二检测数据分成3个集群；
根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干第二检测数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；根据所述每一个第一检测数据和第二检测数据对应的类别归属；继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干第二检测数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
在一实施例中，所述判断单元305判断新的检测工具的每一个类别归属对应的第一检测数据是否合格采用t检验。
在一实施例中，所述判断在所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验。
在一实施例中，所述判断单元在新的检测工具和旧的检测工具对不同片的待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用独立样本t检验。
在一实施例中，还包括反馈单元，用于根据新的检测工具的每一个类别归属对应的第一检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验。
需要说明的是本实施例(检验系统)中与前述实施例(检验系统)中相同或相似部分的限定或描述，在本实施例中不再赘述，请参考前述实施例中相应部分的限定或描述。
本申请虽然已以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以利用上述揭示的方法和技术内容对本申请技术方案做出可能的变动和修改，因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本申请技术方案的保护范围。

Claims (28)

  1. 一种新增检测工具的合格检验方法，包括：
    提供线上新装的新的检测工具以及线上已有的旧的检测工具；
    提供若干待检测晶圆；
    将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
    将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
    对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
    判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
  2. 根据权利要求1所述的新增检测工具的合格检验方法，其中，所述获得若干第一检测数据和获得若干第二检测数据之前，还包括步骤，判断所述新的检测工具和旧的检测工具能否重复检测同一片晶圆，如“是”，则提供的所述待检测晶圆为可重复待检测晶圆，所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，若“否”，则提供的所述待检测晶圆为不可重复待检测晶圆，所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。
  3. 如权利要求2所述的新增检测工具的合格检验方法，其中， 一个所述第一检测数据和第二检测数据为第一种类和第二种类下对应的某一个测试项目数据。
  4. 如权利要求3所述的新增检测工具的合格检验方法，其中，对所述若干第一检测数据和若干第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
  5. 如权利要求4所述的新增检测工具的合格检验方法，其中，对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属的过程包括：将所述若干第二检测数据分成若干集群；根据所述若干集群，构建模糊系统模型；所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种；所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别；将若干第一检测数据和第二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。
  6. 如权利要求5所述的新增检测工具的合格检验方法，其中，所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。
  7. 如权利要求6所述的新增检测工具的合格检验方法，其中， 所述判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格。
  8. 如权利要求5所述的新增检测工具的合格检验方法，其中，将所述若干第二检测数据分成若干集群采用K-Means聚类算法。
  9. 如权利要求8所述的新增检测工具的合格检验方法，其中，将所述若干第二检测数据分成若干集群之前还包括步骤：判断所述第一检测数据和第二检测数据的数量是否皆大于10，若“是”，则进行将所述若干第二检测数据分成若干集群的步骤，若“否”，则结束检验流程。
  10. 如权利要求5所述的新增检测工具的合格检验方法，其中，所述分成若干集群，构建模糊系统模型、获得每一个第一检测数据和第二检测数据对应的类别归属的过程包括：在将所述若干第二检测数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干第二检测数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干第二检测数据分成2 个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；根据所述每一个第一检测数据和第二检测数据对应的类别归属；继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干第二检测数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
  11. 如权利要求5所述的新增检测工具的合格检验方法，其中，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格采用t检验。
  12. 如权利要求11所述的新增检测工具的合格检验方法，其中，当所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验。
  13. 如权利要求11所述的新增检测工具的合格检验方法，其中，当所述新的检测工具和旧的检测工具对不同片的待检测晶圆进行检 测，获得对应的第一检测数据和第二检测数据时，所述t检验采用独立样本t检验。
  14. 如权利要求12或13所述的新增检测工具的合格检验方法，其中，根据新的检测工具的每一个类别归属对应的第二检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验。
  15. 一种新增检测工具的合格检验系统，其中，包括：
    晶圆提供单元，用于提供若干待检测晶圆；
    新的检测工具，用于将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
    旧的检测工具，用于将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
    数据分析单元，用于对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
    判断单元，用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
  16. 如权利要求15所述的新增检测工具的合格检验系统，其中，还包括：
    可重复检测判断单元，用于在所述新的检测工具获得若干第一检测数据和旧的检测工具获得若干第二检测数据之前，判断所述新的检测工具和旧的检测工具能否重复检测同一片晶圆，如“是”，则晶圆 提供单元提供的所述待检测晶圆为可重复待检测晶圆，所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，若“否”，则晶圆提供单元提供的所述待检测晶圆为不可重复待检测晶圆，所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。
  17. 如权利要求16所述的新增检测工具的合格检验系统，其中，所述第一检测数据和第二检测数据均包括第一种类和第二种类下对应的若干项测试数据。
  18. 如权利要求17所述的新增检测工具的合格检验系统，其中，所述数据分析单元对所述若干第一检测数据和若干第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
  19. 如权利要求18所述的新增检测工具的合格检验系统，其中，所述数据分析单元对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属的过程包括：将所述若干第二检测数据分成若干集群；根据所述若干集群，构建模糊系统模型；所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的 一个分布函数，所述一个类别归属为整体类别。
  20. 如权利要求19所述的新增检测工具的合格检验系统，其中，所述数据分析单元所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。
  21. 如权利要求20所述的新增检测工具的合格检验系统，其中，所述判断单元用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格。
  22. 如权利要求19所述的新增检测工具的合格检验系统，其中，所述数据分析单元将所述若干第二检测数据分成若干集群采用K-Means聚类算法。
  23. 如权利要求22所述的新增检测工具的合格检验系统，其中，还包括数据样本数判断单元，用于将数据分析单元将所述若干第二检测数据分成若干集群之前判断所述第一检测数据和第二检测数据的数量是否皆大于10，若“是”，则进行将所述若干第二检测数据分成若干集群的步骤，若“否”，则结束检验流程。
  24. 如权利要求19所述的新增检测工具的合格检验系统，其中，所述数据分析单元分成若干集群，构建模糊系统模型、获得每一个第一检测数据和第二检测数据对应的类别归属的过程包括：在将所述若干第二检测数据分成若干集群时，预先设置K-Means聚类算法中的K值等于3，然后通过K-Means聚类算法将所述若干第二检测 数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将K值减1，在K值等于2时，通过K-Means聚类算法将所述若干第二检测数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；根据所述每一个第一检测数据和第二检测数据对应的类别归属；继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将K值减继续1，在K值等于1时，通过K-Means聚类算法将所述若干第二检测数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
  25. 如权利要求19所述的新增检测工具的合格检验系统，其中，所述判断单元判断新的检测工具的每一个类别归属对应的第一检 测数据是否合格采用t检验。
  26. 如权利要求25所述的新增检测工具的合格检验方法，其中，所述判断在所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验。
  27. 如权利要求25所述的新增检测工具的合格检验方法，其中，所述判断单元在新的检测工具和旧的检测工具对不同片的待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用独立样本t检验。
  28. 如权利要求26或27所述的新增检测工具的合格检验方法，其中，还包括反馈单元，用于根据新的检测工具的每一个类别归属对应的第二检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验。
PCT/CN2021/110889 2020-09-10 2021-08-05 新增检测工具的合格检验方法和检验系统 WO2022052696A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/821,259 US20230003821A1 (en) 2020-09-10 2022-08-22 Acceptability check method and check system for detection tools

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010945284.7A CN114167335B (zh) 2020-09-10 2020-09-10 新增检测工具的合格检验方法和检验系统
CN202010945284.7 2020-09-10

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/821,259 Continuation US20230003821A1 (en) 2020-09-10 2022-08-22 Acceptability check method and check system for detection tools

Publications (1)

Publication Number Publication Date
WO2022052696A1 true WO2022052696A1 (zh) 2022-03-17

Family

ID=80475574

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/110889 WO2022052696A1 (zh) 2020-09-10 2021-08-05 新增检测工具的合格检验方法和检验系统

Country Status (3)

Country Link
US (1) US20230003821A1 (zh)
CN (1) CN114167335B (zh)
WO (1) WO2022052696A1 (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03175317A (ja) * 1989-12-01 1991-07-30 Takemoto Denki Keiki Kk センサ用アンプの自動校正方法
CN101718850A (zh) * 2009-12-10 2010-06-02 贵州电力试验研究院 一种rtu自动在线检测装置
WO2014081897A1 (en) * 2012-11-20 2014-05-30 Kla-Tencor Corporation Method and system for universal target based inspection and metrology
CN104677222A (zh) * 2014-12-30 2015-06-03 施小萍 测量工具的检测方法
CN106093831A (zh) * 2016-05-27 2016-11-09 国网天津市电力公司 快速批量电能表潜动试验方法
CN107037345A (zh) * 2016-02-02 2017-08-11 上海和辉光电有限公司 晶圆测试时自我检测的方法及其晶圆测试制具
CN110431431A (zh) * 2017-03-16 2019-11-08 东京毅力科创株式会社 检查装置的诊断方法和检查系统
CN110907883A (zh) * 2019-10-25 2020-03-24 湖北省计量测试技术研究院 一种电能表自动化检定系统的计量监督方法和系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5872449A (en) * 1996-01-26 1999-02-16 Lsi Logic Corporation Semiconductor package qualification chip
US5693540A (en) * 1996-04-03 1997-12-02 Altera Corporation Method of fabricating integrated circuits
US20040019457A1 (en) * 2002-07-29 2004-01-29 Arisha Khaled A. Performance management using passive testing
CN101251712A (zh) * 2008-03-25 2008-08-27 上海宏力半导体制造有限公司 一种半导体制造工艺中的掩模版图验证方法
AU2014274594B2 (en) * 2009-05-18 2016-07-14 Mikoh Corporation Biometric identification method
CN101799517B (zh) * 2010-04-09 2011-12-21 华为终端有限公司 合封芯片以及合封芯片测试系统
CN103515264B (zh) * 2012-06-26 2018-03-02 盛美半导体设备（上海）有限公司 晶圆位置检测装置和检测方法
CN103366247B (zh) * 2013-07-04 2016-09-28 浙江省方大标准信息有限公司 标准有效性判断系统及方法
CN103543400A (zh) * 2013-10-31 2014-01-29 广州华工机动车检测技术有限公司 基于电学检验的电路板新旧程度的判定方法和系统
CN104513786B (zh) * 2014-12-26 2018-03-06 中国人民解放军第四军医大学 生物反应芯片及其在pcr反应中的应用
CN104523268B (zh) * 2015-01-15 2017-02-22 江南大学 一种具备迁移学习能力的脑电信号识别模糊系统方法
CN106502642A (zh) * 2016-09-21 2017-03-15 北京深维科技有限公司 一种eda工具的评价方法及系统
CN108333389A (zh) * 2018-01-08 2018-07-27 北京建筑大学 一种基于原子力显微镜测试集料表面粗糙度的方法
CN108557457B (zh) * 2018-05-18 2024-01-02 湖北理工学院 一种废弃微处理器芯片质量检测与自动分拣装置
CN109292571A (zh) * 2018-11-22 2019-02-01 康力电梯股份有限公司 一种同异步电梯通用多功能安全电路板
CN110021534B (zh) * 2019-03-06 2021-05-18 深圳思谋信息科技有限公司 一种避免假性瑕疵的晶圆流片表面平整度检测装置
CN110404797A (zh) * 2019-07-29 2019-11-05 上海电气集团股份有限公司 一种锂电池极片的运输方法及运输系统
CN111291822B (zh) * 2020-02-21 2023-05-05 南京航空航天大学 基于模糊聚类最优k值选择算法的设备运行状态判断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03175317A (ja) * 1989-12-01 1991-07-30 Takemoto Denki Keiki Kk センサ用アンプの自動校正方法
CN101718850A (zh) * 2009-12-10 2010-06-02 贵州电力试验研究院 一种rtu自动在线检测装置
WO2014081897A1 (en) * 2012-11-20 2014-05-30 Kla-Tencor Corporation Method and system for universal target based inspection and metrology
CN104677222A (zh) * 2014-12-30 2015-06-03 施小萍 测量工具的检测方法
CN107037345A (zh) * 2016-02-02 2017-08-11 上海和辉光电有限公司 晶圆测试时自我检测的方法及其晶圆测试制具
CN106093831A (zh) * 2016-05-27 2016-11-09 国网天津市电力公司 快速批量电能表潜动试验方法
CN110431431A (zh) * 2017-03-16 2019-11-08 东京毅力科创株式会社 检查装置的诊断方法和检查系统
CN110907883A (zh) * 2019-10-25 2020-03-24 湖北省计量测试技术研究院 一种电能表自动化检定系统的计量监督方法和系统

Also Published As

Publication number Publication date
US20230003821A1 (en) 2023-01-05
CN114167335B (zh) 2022-10-18
CN114167335A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
US20150371134A1 (en) Predicting circuit reliability and yield using neural networks
CN112382582A (zh) 一种晶圆测试分类方法及系统
CN110419099A (zh) 用于线上部分平均测试及潜在可靠性缺陷检验的方法及系统
CN104867840B (zh) Ye在线检测管控方法
CN110503288B (zh) 考虑机台交互作用的辨识良率损失原因的系统与方法
US20110112999A1 (en) Method for predicting and warning of wafer acceptance test value
CN113092981A (zh) 晶圆数据检测方法及系统、存储介质及测试参数调整方法
TWI229915B (en) Method and system for analyzing wafer yield against uses of a semiconductor tool
CN107689335B (zh) 一种多种产品晶圆缺陷的分析方法
TWI285341B (en) Method for analyzing in-line QC parameters
US20100004775A1 (en) Method and system for defect detection in manufacturing integrated circuits
TWI380391B (en) Machine fault detection method
WO2022062533A1 (zh) 半导体产品分级方法和分级系统
WO2022052696A1 (zh) 新增检测工具的合格检验方法和检验系统
CN100405556C (zh) 一种在晶片刻蚀工艺中控制关键尺寸偏差的方法
CN110968984A (zh) 集成电路工艺分析系统及分析方法
TW583406B (en) Method for analyzing final test parameters
WO2022052540A1 (zh) 新增生产工具的合格检验方法和检验系统
CN109308395A (zh) 基于lof-knn算法的晶圆级空间测量参数异常识别方法
JP2002323924A (ja) 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
TWI647770B (zh) 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法
TW201600981A (zh) 監控根據複數個製程配方運作之製程狀態的方法暨其系統
JPH11176899A (ja) 欠陥警告方法及び欠陥警告システム
JP4538205B2 (ja) 検査データの解析プログラム、検査データ解析装置
US11994837B2 (en) Acceptability check method and check system for newly-added production tools

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: 21865752

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21865752

Country of ref document: EP

Kind code of ref document: A1