CN101118422A - 半导体制造的虚拟量测预估与建立预估模型的方法与*** - Google Patents
半导体制造的虚拟量测预估与建立预估模型的方法与*** Download PDFInfo
- Publication number
- CN101118422A CN101118422A CNA2006101084086A CN200610108408A CN101118422A CN 101118422 A CN101118422 A CN 101118422A CN A2006101084086 A CNA2006101084086 A CN A2006101084086A CN 200610108408 A CN200610108408 A CN 200610108408A CN 101118422 A CN101118422 A CN 101118422A
- Authority
- CN
- China
- Prior art keywords
- data
- quality control
- fault detection
- classification
- virtual
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000004065 semiconductor Substances 0.000 title description 6
- 238000003908 quality control method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 42
- 235000012431 wafers Nutrition 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000009966 trimming Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 7
- 238000003070 Statistical process control Methods 0.000 description 6
- 238000002872 Statistical quality control Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- General Factory Administration (AREA)
Abstract
一种建立预估模型的方法。根据不同工艺选择机台的多个实时工艺状态变异检测值且收集而成失误检测与分类数据,并收集品质控制数据。判断数据控制品质是否符合标准。若不符合标准,则重新收集失误检测与分类数据与品质控制数据或微调取样频率。若符合标准,则对该失误检测与分类数据与该品质控制数据进行处理。根据数据处理结果建立多个预估模型,根据一相关性指针选择一最佳预估模型,对该预估模型进行验证,并且对该最佳预估模型进行微调。若微调完成且该最佳预估模型处于最佳状态,则将该最佳预估模型传送给一虚拟量测引擎。
Description
技术领域
本发明涉及一种半导体制造的品质控制方法,特别是涉及一种半导体制造的虚拟量测预估与建立预估模型的方法与***。
背景技术
统计质量管理(Statistical Quality Control,SQC)是一项维持与改善产品品质的技术,而统计工艺管制(Statistical Process Control,SPC)则是其中一项主要的工具,它着重于制造过程中数据的分析,以判定产品发生变异的原因。统计质量管理包含两个主要部分,即统计工艺管制与抽样允收标准。而统计工艺管制则包括质量管理(QC)处理和机率与统计学的基本理论及其应用。SPC是利用工艺操作变量对生产变量或产品的品质变量进行预测性监控,而从工艺操作变量发生变化到安全/品质出现问题的过程中,有一定的时间落后存在,故如何能在最短的时间内预测出品质变量的问题,是评估SPC相关方法优劣时需考虑的重要因素之一。
此外,产品在生产过程中,允许若干差异,只此差异需作适当管制,而品质好坏的程度需藉此管制程度,使达到某一定要求的范围内。而质量管理(QC)乃是于制造过程中抽取样本,将样本量测所得数据,加以统计分析并绘制成管制图,以管制工艺是否发生异常现象,或从一大批制品中,抽取数个样本,检查其特性,以所得数据分析判断制品全体是否合格、是否需作处置。
传统的量测方法会因抽样的不同而衍生许多应用面的问题,例如,两晶片批量间的批次控制。因此,本发明提出了一种半导体制造的虚拟量测预估与建立预估模型的方法与***,可降低因抽样产生的抽样危险(SamplingRisk),并可同时降低量测站的抽样频率(Sampling Rate)。
发明内容
基于上述目的,本发明实施例披露了一种建立预估模型的方法。根据不同工艺选择机台的多个实时工艺状态变异检测值,将所选的所述实时工艺状态变异检测值收集而成失误检测与分类数据,并且收集品质控制数据。根据收集的失误检测与分类数据与品质控制数据判断数据控制品质是否符合标准。若不符合标准,则重新收集失误检测与分类数据与品质控制数据或微调取样频率。若符合标准,则对该失误检测与分类数据与该品质控制数据进行处理。根据数据处理结果建立多个预估模型,根据一相关性指针选择一最佳预估模型,对该预估模型进行验证,并且对该最佳预估模型进行微调。若微调完成且该最佳预估模型处于最佳状态,则将该最佳预估模型传送给一虚拟量测引擎。
本发明实施例还披露了一种虚拟量测引擎预估品质控制数据的方法。收集失误检测与分类数据,并且根据该失误检测与分类数据判断数据控制品质是否符合标准。若不符合标准,则停止该预估流程。若符合标准,则对收集的失误检测与分类数据进行数据处理,并且根据数据处理完所得的虚拟品质控制数据执行虚拟品质控制的预估。
本发明实施例还披露了一种虚拟引擎预估***,包括一第一工艺机台、一第二工艺机台、一失误检测与分类***、一虚拟量测引擎以及一品质控制量测站。该第一工艺机台对输入的一批晶片执行所需工艺。该失误检测与分类***自该第一工艺机台收集该批晶片的失误检测与分类数据与品质控制数据。该虚拟量测引擎自该失误检测与分类***取得收集到的失误检测与分类数据与品质控制数据,以对该批晶片进行预估,若预估结果正常,则将该批晶片输出至该第二工艺机台,以执行另一道工艺。若预估结果不正常,该品质控制量测站对该失误检测与该分类数据与品质控制数据取样以判断收集到的失误检测与分类数据与品质控制数据是否可用,若不可用,则重新收集该批晶片的失误检测与分类数据与品质控制数据,若可用,则将该批晶片输出至该第二工艺机台,以执行另一道工艺。
附图说明
图1显示机台的实时工艺状态变异检测值。
图2显示本发明实施例的虚拟量测引擎的示意图。
图3显示本发明实施例的建立预估模型的实施步骤流程图。
图4显示本发明实施例的数据处理的实施步骤流程图。
图5显示本发明实施例的虚拟量测引擎预估QC数据的实施步骤流程图。
图6显示本发明实施例的虚拟引擎预估***的架构示意图。
附图符号说明
600~虚拟引擎预估***
610~第一工艺机台
620~失误检测与分类***
630~虚拟量测引擎
640~品质控制量测站
650~第二工艺机台
660~其它主机
具体实施方式
为了使本发明的目的、特征、及优点能更明显易懂,下文特举较佳实施例,并结合附图图1至图6,做详细的说明。本发明说明书提供不同的实施例来说明本发明不同实施方式的技术特征。其中,实施例中的各组件的配置是为说明之用,并非用以限制本发明。且实施例中附图标号的部分重复,是为了简化说明,并非意指不同实施例之间的关联性。
本发明实施例披露了一种半导体制造的虚拟量测预估与建立预估模型的方法与***。
要取得详细的工艺设备表现数据,需要大量高分辨率的***变量,即每一机台的实时工艺状态变异检测值(Status Variable Identification,以下简称为SVID),例如,温度、压力、气体流量等等,如图1所示。利用一失误检测与分类(Fault Detection and Classification,以下简称为FDC)***将每一机台的SVID收集起来(即为失误检测与分类数据(FDC Data)),然后将取得的FDC数据传送到本发明的虚拟量测引擎(Virtual MetrologyEngine),经过运算处理后产生虚拟量测结果,如图2所示。
虚拟量测(Virtual Metrology,VM)乃是应用智能运算(ComputationalIntelligence)实时地推估出生产机台所加工的项目的品质。如其推估的准确度合乎一般先进工艺与设备控制技术(Advanced Process/EquipmentControl,APC/AEC)的需求,则此虚拟量测可取代传统的量测机台。因此,本发明的虚拟量测引擎即为内建预估模型的***,当将FDC数据输入虚拟量测引擎,即可产生虚拟量测结果。预估模型包括 (其是用以预估膜厚(Thickness))、CD=f(x1,x2,…,xn,ADI)(其是用以预估线宽(CriticalDimension,CD))等等,其中xi表示为SVID,而ADI为显影后工艺芯片检查(After Development Inspection)。接下来描述如何建立预估模型的实施流程。
图3显示本发明实施例的建立预估模型的实施步骤流程图。
首先,根据不同工艺选择机台的SVID,例如,温度、压力、气体流量等等(步骤S11)。然后利用FDC***将所选的SVID收集而成FDC数据,并且收集品质控制(Quality Control,以下简称为QC)数据(步骤S12),例如,膜厚、线宽等等。接下来,根据收集的FDC数据与QC数据判断数据控制品质是否符合标准(步骤S13)。若不符合标准,则回到步骤S12,重新收集FDC数据与QC数据或微调取样频率。不符合标准是指小于标准值的95%。若符合标准,则对收集的FDC数据与QC数据进行处理(步骤S14)。数据处理又包括下列步骤。如图4所示,首先,检视原始工艺数据及其控制图曲线(步骤S21)。在所有可影响工艺的参数或因子中,选择对工艺具有较大程度影响的参数或因子,并且在一预先定义的函数数据库中选择对应的功能函数(步骤S22)。接下来,根据所选的参数或因子与对应的功能函数进行数据处理(步骤S23)。
接下来,根据数据处理结果建立预估模型(步骤S15)。建立预估模型的方法又包括复回归(Multiple Linear Regression,MLR)法与部分最小平方(Partial Least-Squares,PLS)法。
复回归公式表示如下:
其中xi表示为SVID。在数据处理步骤(S14)中可得到ai的值,然后将ai与SVID代入上述复回归公式即可得到预测值。
部分最小平方公式表示如下:
Prediction=f(x1,x2,…,xn,ADI),其中xi表示为SVID。同样的,将SVI与ADI代入上述部分最小平方公式公式即可得到预测值。部分最小平方法可在一个时间点内同时预测多笔数据,且可处理原始数据(Raw Data)与实时数据(Summary Data)。
预估模型会发生建立失败的情况(NG),有可能是收集到不正确的SVID,则必须回到步骤S11重新选择SVID。
当建立好预估模型后,根据一相关性指标(R-Square)选出一最佳预估模型(步骤S16)。当一预估模型的R-Square小于0.7时,表示该预估模型为不良模型,无法提供正确的预估结果(NG),则必须回到步骤S11,重新选择SVID。选出一个最好的预估模型后,则对该最佳预估模型进行验证(步骤S17)。当验证完成,则对该最佳预估模型进行微调(步骤S18)。根据负载散布图(Loading Plot)、贡献散布图(Contribution Plot)或部分最小平方单一变量(Single Variable PLS)微调该最佳预估模型,当微调后,若该最佳预估模型仍非处于最佳状态(NG,第一次),可能是之前步骤S14的数据处理有问题,则回到步骤S14重新执行数据处理。若再经过第二次微调,该预估模型仍非处于最佳状态(NG,第二次),则回到步骤S11重新执行上述流程。若微调完成且该最佳预估模型处于最佳状态,则将该最佳预估模型传送给虚拟量测引擎(步骤S19)。
接下来说明虚拟量测引擎预估QC数据的流程。
如图5所示,当虚拟量测引擎建立好后,首先必须先收集FDC数据(步骤S31),然后判断数据控制品质是否符合标准(步骤S32)。若不符合标准,即小于标准值的95%,则停止该预估流程(步骤S33)。若符合标准,则对收集的FDC数据进行处理(步骤S34),根据数据处理完所得的虚拟品质控制数据执行虚拟QC的预估(步骤S35),然后将虚拟QC数据传送给其它主机做其它应用(步骤S36)。
图6显示本发明实施例的虚拟引擎预估***的架构示意图。
本发明实施例的虚拟引擎预估***600包括一第一工艺机台610、一FDC***620、一虚拟量测引擎630、一QC量测站640以及一第二工艺机台650。某批晶片先传送到第一工艺机台610执行所需工艺,此时FDC***620自第一工艺机台610收集该批晶片的FDC数据与QC数据,然后将收集到的FDC数据与QC数据传送给虚拟量测引擎630,以对该批晶片进行预估。若预估结果正常,则可将该批晶片输出至第二工艺机台650,以执行另一道工艺。若预估结果不正常,则QC量测站640对FDC数据与QC数据取样以判断收集到的FDC数据与QC数据是否可用。若不可用,则重新收集该批晶片的FDC数据与QC数据。若可用,则可将该批晶片输出至第二工艺机台650,以执行另一道工艺。虚拟量测引擎630亦可将产生的虚拟QC数据传送给其它主机做其它应用(660)。
本发明实施例的虚拟量测预估与建立预估模型的方法与***可降低因抽样产生的抽样危险(Sampling Risk),并可同时降低量测站的抽样频率(Sampling Rate)。
虽然本发明已以较佳实施例披露如上,然其并非用以限定本发明,本领域的技术人员在不脱离本发明的精神和范围的前提下可作各种的更动与润饰,因此本发明的保护范围以本发明的权利要求为准。
Claims (11)
1.一种建立预估模型的方法, 包括下列步骤:
根据不同工艺选择机台的多个实时工艺状态变异检测值;
将所选的所述实时工艺状态变异检测值收集而成失误检测与分类数据,并且收集品质控制数据;
根据收集的失误检测与分类数据与品质控制数据判断数据控制品质是否符合标准;
若不符合标准,则重新收集失误检测与分类数据与品质控制数据或微调取样频率;
若符合标准,则对该失误检测与分类数据与该品质控制数据进行处理;
根据数据处理结果建立多个预估模型;
根据一相关性指针选择一最佳预估模型;以及
将该最佳预估模型传送给一虚拟量测引擎。
2.如权利要求1所述的建立预估模型的方法,其还包括对该预估模型进行验证。
3.如权利要求2所述的建立预估模型的方法,其还包括下列步骤:
对该最佳预估模型进行微调;以及
若微调完成且该最佳预估模型处于最佳状态,则将该最佳预估模型传送给该虚拟量测引擎。
4.如权利要求3所述的建立预估模型的方法,其还包括下列步骤:
根据负载散布图、贡献散布图或部分最小平方单一变量微调该最佳预估模型;
当微调后,若该最佳预估模型仍非处于最佳状态,则重新执行数据处理,然后再次进行微调;以及
再微调后,若该最佳预估模型仍非处于最佳状态,则重新执行上述建立预估模型的流程。
5.如权利要求1所述的建立预估模型的方法,其中,数据处理还包括下列步骤:
检视原始工艺数据及其控制图曲线;
在所有可影响工艺的参数或因子中,选择对工艺具有较大程度影响的参数或因子,并且在一预先定义的函数数据库中选择对应的功能函数; 以及
根据所选的参数或因子与对应的功能函数进行数据处理。
6.如权利要求1所述的建立预估模型的方法,其中,利用一复回归法与一部分最小平方法建立所述预估模型。
7.如权利要求6所述的建立预估模型的方法,其中,利用该部分最小平方法在一个时间点内同时预测多笔数据,并且处理原始数据与实时数据。
8.如权利要求1所述的建立预估模型的方法,其中,若发生预估模型建立失败的情况,则必须重新选择实时工艺状态变异检测值。
9.一种虚拟量测引擎预估品质控制数据的方法,包括下列步骤:
收集失误检测与分类数据;
根据该失误检测与分类数据判断数据控制品质是否符合标准;
若不符合标准,则停止该预估流程;
若符合标准,则对收集的失误检测与分类数据进行数据处理;以及
根据数据处理完所得的虚拟品质控制数据执行虚拟品质控制的预估。
10.如权利要求9所述的虚拟量测引擎预估品质控制数据的方法,其还包括将该虚拟品质控制数据传送给其它主机做其它应用。
11.一种虚拟引擎预估***,包括:
一第一工艺机台,对输入的一批晶片执行所需工艺;
一第二工艺机台;
一失误检测与分类***,耦接于该第一工艺机台,自该第一工艺机台收集该批晶片的失误检测与分类数据与品质控制数据;
一虚拟量测引擎,耦接于该失误检测与分类***,自该失误检测与分类***取得收集到的失误检测与分类数据与品质控制数据,以对该批晶片进行预估,若预估结果正常,则将该批晶片输出至该第二工艺机台,以执行另一道工艺;
一品质控制量测站,耦接于该虚拟量测引擎,若预估结果不正常,则对该失误检测与该分类数据与品质控制数据取样以判断收集到的失误检测与分类数据与品质控制数据是否可用,若不可用,则重新收集该批晶片的失误检测与分类数据与品质控制数据,若可用,则将该批晶片输出至该第二工艺机台,以执行另一道工艺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101084086A CN101118422A (zh) | 2006-08-02 | 2006-08-02 | 半导体制造的虚拟量测预估与建立预估模型的方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006101084086A CN101118422A (zh) | 2006-08-02 | 2006-08-02 | 半导体制造的虚拟量测预估与建立预估模型的方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101118422A true CN101118422A (zh) | 2008-02-06 |
Family
ID=39054567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006101084086A Pending CN101118422A (zh) | 2006-08-02 | 2006-08-02 | 半导体制造的虚拟量测预估与建立预估模型的方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101118422A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063063A (zh) * | 2009-11-11 | 2011-05-18 | 台湾积体电路制造股份有限公司 | 半导体制造方法及*** |
CN101853776B (zh) * | 2009-03-31 | 2011-12-28 | 台湾积体电路制造股份有限公司 | 具有新型采样策略的高级处理控制 |
CN102456083A (zh) * | 2010-10-20 | 2012-05-16 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 工艺数据分析方法和*** |
CN103278714A (zh) * | 2013-05-15 | 2013-09-04 | 江苏大学 | 一种混合制程的虚拟测量方法与*** |
CN103592913A (zh) * | 2013-10-30 | 2014-02-19 | 江苏大学 | 半导体制造设备的机台性能匹配方法和*** |
CN104952750A (zh) * | 2014-03-26 | 2015-09-30 | 中芯国际集成电路制造(上海)有限公司 | 一种硅片电学测试的早期侦测***及方法 |
CN107644823A (zh) * | 2016-07-21 | 2018-01-30 | 株式会社日立国际电气 | 衬底处理装置以及半导体器件的制造方法 |
CN108630238A (zh) * | 2017-03-22 | 2018-10-09 | 株式会社东芝 | 磁记录介质的制造方法、多层膜成膜***及成膜调整方法 |
CN109444703A (zh) * | 2018-10-15 | 2019-03-08 | 上海华虹宏力半导体制造有限公司 | 超级结器件的测试方法 |
CN113094893A (zh) * | 2021-04-06 | 2021-07-09 | 江苏大学 | 晶圆品质虚拟测量方法、装置、计算机设备和存储介质 |
-
2006
- 2006-08-02 CN CNA2006101084086A patent/CN101118422A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853776B (zh) * | 2009-03-31 | 2011-12-28 | 台湾积体电路制造股份有限公司 | 具有新型采样策略的高级处理控制 |
CN102063063A (zh) * | 2009-11-11 | 2011-05-18 | 台湾积体电路制造股份有限公司 | 半导体制造方法及*** |
CN102063063B (zh) * | 2009-11-11 | 2016-07-06 | 台湾积体电路制造股份有限公司 | 半导体制造方法及*** |
CN102456083A (zh) * | 2010-10-20 | 2012-05-16 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 工艺数据分析方法和*** |
CN102456083B (zh) * | 2010-10-20 | 2013-10-30 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 工艺数据分析方法和*** |
CN103278714B (zh) * | 2013-05-15 | 2015-10-28 | 江苏大学 | 一种混合制程的虚拟测量方法与*** |
CN103278714A (zh) * | 2013-05-15 | 2013-09-04 | 江苏大学 | 一种混合制程的虚拟测量方法与*** |
CN103592913B (zh) * | 2013-10-30 | 2015-10-28 | 江苏大学 | 半导体制造设备的机台性能匹配方法和*** |
CN103592913A (zh) * | 2013-10-30 | 2014-02-19 | 江苏大学 | 半导体制造设备的机台性能匹配方法和*** |
CN104952750A (zh) * | 2014-03-26 | 2015-09-30 | 中芯国际集成电路制造(上海)有限公司 | 一种硅片电学测试的早期侦测***及方法 |
CN104952750B (zh) * | 2014-03-26 | 2017-11-24 | 中芯国际集成电路制造(上海)有限公司 | 一种硅片电学测试的早期侦测***及方法 |
CN107644823A (zh) * | 2016-07-21 | 2018-01-30 | 株式会社日立国际电气 | 衬底处理装置以及半导体器件的制造方法 |
CN107644823B (zh) * | 2016-07-21 | 2021-01-26 | 株式会社国际电气 | 衬底处理装置以及半导体器件的制造方法 |
CN108630238A (zh) * | 2017-03-22 | 2018-10-09 | 株式会社东芝 | 磁记录介质的制造方法、多层膜成膜***及成膜调整方法 |
US10907248B2 (en) | 2017-03-22 | 2021-02-02 | Kabushiki Kaisha Toshiba | Manufacturing method of magnetic recording medium, film formation system of multilayer film, and film formation adjustment method |
CN109444703A (zh) * | 2018-10-15 | 2019-03-08 | 上海华虹宏力半导体制造有限公司 | 超级结器件的测试方法 |
CN113094893A (zh) * | 2021-04-06 | 2021-07-09 | 江苏大学 | 晶圆品质虚拟测量方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101118422A (zh) | 半导体制造的虚拟量测预估与建立预估模型的方法与*** | |
US8452441B2 (en) | Process quality predicting system and method thereof | |
CN112382582B (zh) | 一种晶圆测试分类方法及*** | |
TWI549007B (zh) | 製程參數的搜尋與分析方法及其電腦程式產品 | |
US8437870B2 (en) | System and method for implementing a virtual metrology advanced process control platform | |
TWI443776B (zh) | 用於叢集工具之自動化狀態估計系統以及操作該系統之方法 | |
KR20050085716A (ko) | 모델 예측을 위한 동적인 적응성 샘플링 레이트 | |
CN110503288B (zh) | 考虑机台交互作用的辨识良率损失原因的***与方法 | |
KR102003961B1 (ko) | 수율 손실의 근원 파악 시스템 및 방법 | |
JP4568786B2 (ja) | 要因分析装置および要因分析方法 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
KR20090001148A (ko) | 가상 계측 시스템 및 가상 계측 방법 | |
Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
JP2020061575A (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定システム | |
KR100455559B1 (ko) | 측정 가능한 장비 신호들을 이용한 공정수행 인-라인모니터링을 위한 방법 및 시스템 | |
KR101998972B1 (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
KR20140113153A (ko) | 통계적 동일성 검정방법 및 시스템 | |
CN115032493A (zh) | 一种基于管芯参数显示的晶圆测试方法及*** | |
CN113742248A (zh) | 一种基于项目测量数据进行组织过程预测的方法及*** | |
TWI427487B (zh) | 工件抽樣檢驗的方法及其電腦程式產品 | |
CN111539521A (zh) | 神经网络误差-反向传播算法预测半导体产品良率的方法 | |
CN103278714B (zh) | 一种混合制程的虚拟测量方法与*** | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与*** | |
Kim et al. | AI-guided reliability diagnosis for 5, 7nm automotive process | |
Lee et al. | Reliability Prediction for Automotive 5nm and 7nm Technology node by using Machine Learning based Solution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |