CN101581930B

CN101581930B - 实现自动虚拟量测的创新方法

Info

Publication number: CN101581930B
Application number: CN2009100062257A
Authority: CN
Inventors: 汪青蓉; 林俊贤; 赖志维; 柯俊成; 罗冠腾; 左克伟; 陈炳旭; 余振华
Original assignee: Taiwan Semiconductor Manufacturing Co TSMC Ltd
Current assignee: Taiwan Semiconductor Manufacturing Co TSMC Ltd
Priority date: 2008-02-05
Filing date: 2009-02-05
Publication date: 2012-07-18
Anticipated expiration: 2029-02-05
Also published as: CN101581930A

Abstract

本发明提供了一种能够进行晶圆结果预测的方法，包含自各种半导体制造机台以及量测机台收集制造资料；根据制造资料使用自动关键参数萃取方法来选择关键参数；根据关键参数建构虚拟量测；以及利用虚拟量测来预测晶圆结果。

Description

实现自动虚拟量测的创新方法

技术领域

本发明涉及一种自动虚拟量测的方法，尤其涉及一种能够实现晶圆结果预测的自动虚拟量测的方法。

背景技术

半导体集成电路晶圆是在晶圆制造厂场所中通过多个程序所产生的。这些程序与相关制造机台可包含热氧化、扩散、离子注入、快速热处理(RTP)、化学气相沉积(CVD)、物理气相沉积(PVD)、磊晶、蚀刻、以及微影术等。在制造阶段为了品质和良率而利用量测机台监视并控制产品(例如半导体晶圆)。当集成电路的关键尺寸减少时，可能就需要增加监视和控制的量。然而如此一来会增加成本，因为需增加量测机台的数量，需增加进行监视和控制的人力，以及需增加在制造时间上所导致的延误。

因此需一种虚拟量测模型来用于生产控制和其它目的上以降低成本。然而现有的虚拟量测模型需要大量的人力来分析以及确认每个参数及步骤，这是非常耗时的。此外，可能因为错误的判断而错失了一些关键的参数或步骤，而导致不准确以及错误的预测。相关的晶圆差异也无法以现有的方法以及现有的虚拟量测模型来预测。

有鉴于此，需要一种***和方法以增加对产品的品质、良率、或其它预测机台参数的监测与控制。

发明内容

本发明提供了半导体晶圆结果预测的方法。这个方法包含自各种半导体制造机台和量测机台收集制造资料；根据制造资料使用自动关键参数萃取方法选择关键参数；根据关键参数建构虚拟量测；以及使用虚拟量测预测晶圆结果。

在本发明的不同实施例中，选择关键参数可以包含使用阶层分群法。选择关键参数可以进一步地包含使用相关距离当作选择门槛。选择关键参数可以进一步包含选择关键步骤。制造资料可以包含错误侦测与分类(FDC)资料。选择关键参数可以包含自FDC资料收集不同制造参数的时序资料；将时序资料转换成总结资料；以及对总结资料进行自动关键参数萃取分析以选择关键参数。总结资料可以选自于下列组成：平均值、最大值、最小值、标准差以及其组合。不同的制造参数可以包含主动参数及被动参数。进行自动关键参数萃取分析可以包含将不同的制造程序参数以阶层分群法分组；合并不同的制造参数以形成不同的代表参数；以及根据相关系数自不同的代表参数选择关键参数。关键参数其中之一可以是不同参数的子集合的函数。关键参数其中之一可以与晶圆错误的根本原因相关，虚拟量测法可包含第一级模型，其输入来自制造资料，并输出物理参数；以及第二级模型，其输入来自物理参数，并输出电性参数。制造资料的收集可以进一步地包含定义来自制造资料的好的资料及坏的错误侦测与分类资料；藉由对该好及坏的资料执行预先处理以强化异常机台参数撷取率；以及根据该好及坏的资料间的n个标准差来进行自我分类分析。

本发明还提供一种晶圆结果预测***。这个***包含：第一模块，用以根据制造资料来决定物理参数；以及第二模块，用以根据该物理参数及该制造参数来决定电性参数。

在所揭露的***中，每个物理参数以与该制造资料有关的制造参数来表示。电性参数其中之一以制造参数表示。电性参数其中之一以物理参数表示。该***可以进一步包含评估模块，以根据预定准则来评量晶圆验收的电性参数。

本发明还提供一种晶圆结果预测***。该***包含用以收集制造资料的资料收集器，制造资料包含来自制造机台的机台资料以及来自量测机台的晶圆资料；用以根据制造资料及阶层分群法辨认关键参数的关键参数模块；根据关键参数所建立的虚拟量测模块；以及应用虚拟量测模块以预测晶圆结果的预测模块。虚拟量测模块包含第一模块，以制造资料作为输入，并输出物理参数；以及第二模块，以物理参数作为输入，并输出电性参数。关键参数模块使用阶层分群法来辨认关键参数。

附图说明

连同附图研读以下详细说明可最佳地理解本发明的方面。要强调的是，依照产业所实施的标准，各特征并不按比例绘制。事实上，为了清楚讨论，各特征的尺寸可被任意放大或缩小。

图1是根据本发明的方面所建构的晶圆结果预测法的一个实施例的简化流程图；

图2是根据本发明的方面所建构的晶圆结果预测法的另一实施例的简化流程图；

图3是根据本发明的方面所建构的晶圆结果预测法的另一实施例的简化流程图；

图4是根据本发明的方面所建构的晶圆结果预测法的另一实施例的简化流程图；

图5是根据本发明的方面所建构的一个实施例，用于图示说明参数分组的二元阶层树；

图6是根据本发明的方面所建构的一个实施例，其中示出了混合虚拟量测模型的方块图；

图7是根据本发明的方面所建构的制造资料的一个实施例的方块图；

图8是实施图1方法的虚拟量测***的一个实施例的方块图；以及

图9是应用图8虚拟量测***的虚拟制造***的方块图。

主要组件符号说明

100～118 流程符号 120～126 流程符号

130～136 流程符号 138～144 流程符号

145 二元阶层树 146 垂直轴

147 水平轴 148 截止点

150 混合虚拟量测模型 152 制造资料

154 物理参数 156 电性参数

158a、158b、158c、158d 制造机台

160a、160b 量测机台

162a、162b、162c、162d 物理参数

164a、164b、164c 电性参数

170 制造资料 172 产品资料

174 量测机台 176 晶圆

178 制造机台 180 制造机台资料

200 虚拟量测*** 202 虚拟量测模块

204 资料收集模块 206 关键参数模块

208 晶圆结果预测模块 210 通讯接口

212 制造机台 214 量测机台

216 工程师 218 网络

220 虚拟工厂 222 服务***

224 客户 226 工程师

228 晶圆结果预测*** 230 虚拟工厂

具体实施方式

需理解的是，本发明提供许多不同的实施例或范例，以实施本发明不同的特点。以下描述具体的装备和配置以简化本发明。这些当然只是范例而非用于限制。此外，本发明可能在不同的范例中重复参考数字及/或文字。重复的目的是为了简化及清楚之用，而并不表示所讨论的不同实施例或配置间的关系。本发明提供创新的方法以能够实现整批制造机台的晶圆结果预测。以下描述本发明的不同范例、实施例、改变以及种类。

图1为使用混合虚拟量测和/或分群技术来使晶圆结果预测能够实现的方法100的简化流程图。图6则是根据本发明的面向所建构的一个实施例的混合虚拟量测模型150的方块图。图8显示用于实施方法100、根据混合量测模型150的虚拟量测***200的一个实施例的方块图。本发明提供了一种使用混合虚拟量测模型和/或分群方法来预测晶圆结果的方法和***。参考图1至图8，方法100和***200将被描述如下。

方法100自收集制造资料的步骤112开始。如图7所示，在一个实施例的制造资料170的方块图中，制造资料170包含自一个或多个量测机台174所收集的产品资料172(已处理过的晶圆资料)。产品资料172则包含产品的测试与测量结果，例如晶圆176经过一个或多个处理178的处理。举例来说，产品资料可以是产品参数(晶圆参数或机台参数)的量测值，例如以制造机台所形成的材料层的厚度、反射率、或导电率。在一个范例中，产品资料172包含自晶圆176的切割线上所形成的测试结构的在线(in-line)测试结果。在另一范例中，产品资料172包含在完成晶圆生产过程后对晶圆176的最终测试结果。

制造资料170也包含自制造机台178所收集的制造机台资料180。制造机台资料180和制造机台相关，并且包含晶圆178在制造时制造机台的各种设定参数，以及晶圆176在制造时，制造机台中采用的制程配方所使用的不同数值。制造机台的不同设定参数以及制程配方的不同数值都会被当作制造参数。在一个实施例中，制造参数包含主动参数，例如能量、气体流量、和/或制程步骤时间。在另一实施例中，制造参数可附加地或二者择一地包含不在制造机台中被直接设定、以及不在制程配方中被直接设定的被动参数。举例来说，被动参数包含温度、反射率、和/或沉积率。制造机台资料180包含自制造机台中所取出的不同制造参数。

制造机台是一种被设计以及组态为制造/生产一个或多个产品(例如半导体晶圆)的机台。制造机台178可包含，例如化学气相沉积(CVD)***、蚀刻***、热氧化***、离子注入***、物理气相沉积(PVD)***、快速热退火(RTA)***，或是其它设计用于集成电路制造的适当机台。

量测机台174可包含电性、光学、和/或分析机台，例如显微镜、微分析机台、线宽量测机台、屏蔽和标线缺陷机台、微粒分布机台、表面分析机台、应力分析机台、电阻率和接触阻抗量测机台、迁移和载子浓度量测机台、接合深度量测机台、薄膜厚度量测机台、闸极氧化层完整度测试机台、C-V量测机台、聚焦离子束(FIB)，或是其它测试和量测机台。产品资料可能包含以量测机台所量测的不同晶圆参数的结果。晶圆参数可能包含片电阻、反射率、应力、微粒密度以及关键尺寸等等。晶圆资料可以进一步包含其它的资料，例如晶圆ID或产品形式。

举例来说，多个产品(半导体晶圆)会经过不同的制造步骤处理。制造机台178可以在处理晶圆时根据制程配方来被程序化、设定及组态。制程配方可以定义多个子步骤。举例来说，PVD的沉积配方可定义出下列的子步骤：除气、清洁以及金属沉积。每个子步骤可以定义一个制程时间，并且可以分别设定不同机台参数至某程度。晶圆根据制程配方透过制造机台178其中之一来完成制造步骤之后，可用一个或多个量测机台来测试或测量晶圆以取得产品资料。制造机台参数则自相关的制造机台收集。包含产品资料和制造机台资料的制造资料可以用晶圆结果预测***200的资料收集器204分别自量测机台174和制造机台178收集。

方法100接着进行到步骤114，根据制造资料应用自动关键参数萃取统计技术来辨认关键参数。这个步骤可以图8的关键参数模块206来实施。在晶圆制造期间，各种制造参数，包含制程配方中所定义的数值以及在制造机台中的设定参数，都多少对所生产的产品(晶圆)有影响。为了建立晶圆结果预测模型以预测半导体组件，所有相关的制造参数都会被评估以决定最相关的参数，也就是所谓的关键参数。然而，现有的方法需要更多工程上的努力，使得该方法在建立且维护预测模型时变得没效率而且耗时。本发明对相关参数使用分群方法或组合以实现自动关键参数选择，也就是自动关键参数萃取方法。在一个实施例中，分群方法被用来将不同的相关制造参数分组。举例来说，如果晶圆边缘温度T1和晶圆中央温度T2相关，就可以分组以形成单一参数，也就是代表参数。如此一来，就可以减少用于预测模型的制造参数的数量。在另一实施例中，由适当地合并不同的相关制造参数来选择代表参数。进一步说明前述范例，晶圆边缘温度T1和晶圆中央温度T2相关，其中之一就被选为代表参数。在更复杂的情况中，T1和T2彼此相关，但是和预测模型所要预测的机台参数并没有高度相关。但是另一参数DT，就是T1和T2之间的差，相较于T1或T2而与机台参数有更高度相关。因此，在这个例子中T1或T2都不是关键参数，而是合并参数DT＝T1-T2才是用来预测机台参数的关键参数。关键参数可以是一组制造参数的线性组合。一般来说，关键参数是以所分组的相关制造参数所形成的方程式来表示。可透过与机台参数的相关距离来辨认关键参数。

制造参数可以使用阶层分群法(HC)来分组。阶层分群法对于分析基因资料以及很多其它内容的资料十分有用。该方法使用凝集趋近法。分群步骤始于将每个基因(或其它参数)视为独立的分群。这个分群接着连续地合并以形成新的、更大的分群。分群的次序是以阶层二元树方法表示，如此就可以在特定的阶层分割以得到所需要的分群数。分群的型态就是二元树。在分群的过程中，分群的数目会减少。

举例来说，阶层式分群包含决定有高相关性的第一和第二参数，并且将第一和第二参数分成单一组供接下来的分析。可分组具有高相关性的多个制造参数。在一个范例中，具有R²值至少0.7的相关性的参数被分在一组。因此在一个实施例中，会有一组为包含具有彼此的R²值为为至少0.7的参数。在一个实施例中，一个或多个参数组可被集合在一起而形成更大的组。

在一个实施例中，阶层式二元树被用来将参数分组。图5显示了一个实施例中用于参数分组的二元阶层树145。接下来参考图5描述一个分组制造参数的范例。阶层式二元树145包含具有相关距离的垂直轴146，以及具有参数分组指定的水平轴147。小的相关距离表示在一组中的参数有较高的R²值。截止点148表示选出相关距离，以提供参数之间适当的关连。在一个实施例中，具有低于截止点148的相关距离的参数被分为一组。这个步骤可以重复以进一步分组。在一个实施例中，可以定义新的截止点。具有低于新的截止点的相关距离之群组可以进一步被分析成一组。

在这个步骤，本方法自动辨认和机台参数高度相关的关键参数。自动辨认关键参数应用了不同的统计方法，并且将于之后详述。自动辨认关键参数可以进一步地包含辨认关键步骤。举例来说，压力可能在第一和第二制造步骤中为关键参数，可是在其余的制造步骤中不是关键参数。

方法100进行至步骤116，根据在前一步骤所辨认的关键参数来建构虚拟量测模型。这个步骤可以在图8中所示的虚拟量测模块202来实施。虚拟量测模块可以预测晶圆结果，而不需要额外的测量，并可以预测晶圆的电性失效而不需要进一步的加工。因此，失效的晶圆可以被早期刮除以减少制造成本。虚拟量测(VM)模型可以被用来针对一个或多个机台参数来预测晶圆结果。在一个实施例中，使用了混合虚拟量测模型以用于晶圆结果预测。混合虚拟量测模型包含两阶段的模型。图6为在一个实施例中的混合虚拟量测模型150的方块图。请参照图6，其中描述混合虚拟量测模型150。混合虚拟量测模型150包含了第一级模型，并使用制造资料152作为输入，并且提供物理效能参数(物理参数)154作为输出。混合虚拟量测模型150也包含第二级模型，并使用物理参数154作为输入，并提供电性效能参数(电性参数)156作为输出。在另一实施例中，第二级模型额外地或二选一地使用制造资料作为输入，并提供电性参数。制造资料152可以包含来自制造机台、与制造参数有关的制造机台资料，和/或来自量测机台、与机台参数有关的产品资料。在一个实施例中，制造资料152可以包含来自多个制造机台，例如制造机台158a、158b、158c、和158d的制造机台资料。举例来说，只有制造机台158a可以代表一个或多个多晶硅蚀刻机台。制造机台158b可以表示一个或多个间隙壁蚀刻机台。制造机台158c可以代表一个或多个源极/汲极离子植入机台。制造机台158d可以代表一个或多个源极/汲极植入快速热退火(RTA)机台。在一个实施例中，制造资料152可以包含来自例如量测机台160a和160b的多个量测机台的产品资料。举例来说，只有量测机台160a可以代表一个或多个用来测量介电薄膜厚度的量测机台。量测机台160b可以代表一个或多个用来测量金属薄膜电阻的量测机台。物理参数154可以包含不同的物理参数，例如162a、162b、162c和162d。进一步地以此例来说明，仅为了说明，物理参数162a代表氧化硅的厚度。物理参数162b可以代表多晶硅层的厚度。物理参数162c可以代表在基板上，自闸极到源极的闸极间隙壁的尺寸。物理参数162d可以代表源极区域的尺寸。在第一级模型中，物理参数是由制造资料的子集合来决定的，例如与制造参数的子集合有关连的制造资料。举例来说，掺杂多晶硅层的厚度可以由来自多晶硅沉积机台和多晶硅蚀刻机台的制造机台资料所决定。掺杂多晶硅层的厚度尤其可以制造机台资料与关键参数来决定。在第一级模型中，可以预测不同的物理参数，而不需要透过量测机台之直接测量。

电性参数156包含和产品的电性效能有关的参数，例如电性参数164a、164b和164c。举例来说，电性参数164a代表多晶硅闸极的电阻。电性参数164b可以代表两条相邻的金属线之间的寄生电容。电性参数164c可以代表源极区域的电阻。在第二级模型中，电性参数可以由物理参数的子集合及/或制造资料的子集合来决定。举例来说，电容的电容值可以由不同的尺寸以及两个电极之间所穿插的介电材料的介电常数依照物理公式来决定。在另一范例中，源极区域的电阻可以由与源极汲极离子注入机台有关的制造参数来决定。图6显示了各种自输入到输出的箭头。举例来说，物理参数162b是由来自制造机台158a和158b的制造机台资料和来自量测机台160a的产品资料所决定。在另一范例中，电性参数164c是由来自制造机台158d的制造机台资料所决定的。可以产生各种的混合虚拟量测模型。每个都可以用来决定一个或多个物理或电性参数。混合虚拟量测模型也可以动态地维持，例如根据新累积的制造资料重新产生或修改。在虚拟量测模型存在时，当制造机台遭遇不同的偏移或变动时，可以调整虚拟量测模型并和制造机台对准。在这个弹性适应的方法中，当可以取得最新的资料时，就可以更新虚拟量测模型的不同阶段以跟上制程的偏移和其它的改变。

方法可以进行至步骤118，使用在前一步骤中所产生的虚拟量测来预测晶圆的结果。这个步骤可以由图8中晶圆结果预测模块208来实施。在一个实施例中，根据制造资料，混合虚拟量测模型被用来预测物理参数，例如晶圆上集成电路特征的各种尺寸。在另一实施例中，根据制造资料，混合虚拟量测模型被用来预测晶圆的电性参数。混合虚拟量测模型可以额外地使用一些自第一级模型所决定的物理参数来决定电性参数。此外，预测的物理参数和/或晶圆的电性参数可以被用来决定晶圆是否需要被刮除，而不需要重新制造以节省成本。进一步地来说，预测的电性参数可以用来当作虚拟晶圆验收测试(WAT)，以决定晶圆的品质和验收。在现有的方法中，最终的WAT需要对所有的晶圆进行很长的测试时间以确认晶圆的品质。此外，也无法早期侦测到具有电性效能冲击的潜在异常晶圆。本发明可以预测晶圆电性效能而不需任何制造成本。

在另一范例中，晶圆的预测物理参数和/或电性参数可以被用来决定晶圆是否需要重新处理，以节省晶圆并在重新处理后恢复制造。在另一范例中，晶圆的预测物理参数和/或电性参数可以被用来决定制造机台是否需要重新设定或重新规划以适当地制造接下来的晶圆。在另一实施例中，方法100使用现有的制造资料以辨认关键参数，并且建构虚拟量测模型，使用与晶圆有关的新制造资料来决定该片晶圆的各种物理参数和电性参数。

本发法可以自动地选择关键参数并且建构虚拟量测，因此节省了虚拟量测模型的开发时间，也避免疏忽了一些关键参数。前面所揭露的晶圆结果预测方法可以在不偏离本方法的精神下具有各种的替代方法、修改，或是延伸。用来辨认关键参数的自动关键参数萃取方法的另一实施例将参考图2来描述。图2为辨认关键参数的自动关键参数萃取方法120的流程图。方法120始于步骤122，其中以阶层式分群技术将各种的制造参数分组，例如使用图5的二元阶层分群法。高相关的参数被分成一组。这样的分群方法可以使用各种的相关距离作为截止点来重复进行。

方法120接着进行至步骤124，其中合并了每组的制造参数以形成各组的代表参数。在相同组中不同制造参数的组合相对于机台参数可具有各种的相关距离。适当的合并会对机台参数具有最高的相关系数，也就是最短的相关距离。与适当合并有关的新参数可以被选为代表参数，如果相关距离落在定义为准则的范围内，就可以被进一步选择作为关键参数。

在一个实施例中，关键群组和某组件参数之间的相关性(例如R²值)是由主成份分析加上逐步回归法来决定的。举例来说，主成份分析可以将高相关的制造参数转换成较小的资料集(例如群组)。例如：X1(参数)对该组件参数的R²值为0.1，X2(参数)对该组件参数的R²值为0.1，那么X1和X2这组的R²值可能是(1)＞0.2、(2)＝0.2或(3)＜0.2。(1)、(2)或(3)的结果决定于所分析的资料以及X1和X2的组合。逐步回归利用条件R²以选出落于指定情况(1)下的程序参数。换句话说，此方法能够找出一些参数，当将这些参数分类在一起时，其对机台参数的相关性会大于将其个别分类时其相关性的总合。

方法120进行至步骤126，根据相对于机台参数的相关距离自各种的代表参数中选择关键参数。在这个步骤中，代表参数和选出机台参数之间的关联已经决定。代表参数的子集合、关键参数(例如对某组件参数具有更大相关者)也已被决定。在一个实施例中，与多个群组有关的一个或多个代表参数而言，代表参数对于机台参数的R²值是以主成份分析加上逐步回归法来计算。在一个实施例中，一组参数在不同的生产制造步骤中是以不同机制与组件参数关联。在一个实施例中，回归和R²值的计算是对各步骤分别实施。对于一些参数，方法120的步骤124和126可以简化成为一个步骤，于此决定代表参数，其中根据对相关距离所设定的准则，亦同时决定此参数是否被选为关键参数。

在另一个实施例中，方法100可以被用来自错误侦测与分类(FDC)资料中撷取关键参数。目前制程以及设备工程师仅可藉由实验或是实务经验来建构设备参数和晶圆结果之间的关联。辨认机台参数的关键参数则必须要以人工设定。然而，仅能对于主动参数(例如：RF强度、气体流率)进行实验或分割。例如反射能量等的被动参数则需要自生产经验中学习，这就需要长时间来累积。

接着提供及描述可以自错误侦测与分类(FDC)资料中撷取关键参数的创新方法。图3提供了方法130在一个实施例中的流程图。请参考图3，方法130包含了步骤132以自错误侦测与分类资料中下载(或收集)与各种制造参数有关之时序资料。如此就可以省略工程师进行实验的努力，因为可应用现有的产品资料。

方法130也包含步骤134，将时序资料转换成总结资料以压缩资料。总结资料以步骤1为例，则包含射频(RF)能量的平均值、最大值、最小值以及标准差。

方法130也包含步骤136，进行自动关键参数萃取分析以撷取关键参数及其互动行为。如前所述，自动关键参数萃取分析包含以阶层分群法根据不同参数之间的关联性将不同的参数分组。举例来说，如果参数A和B为高度相关，那么他们就被分进同一组。一组中的参数是高度相关则可以代表制程偏移背后的根本原因。再根据他们对制程的影响来排序群组。自动关键参数萃取方法也包含以主要组件转换加上逐步回归法来计算每组参数对于晶圆参数的R²值。

本方法在各实施例中有各种的优点，包含不需要实验或实验设计(DOE)的努力，以及不须考虑晶圆成本。可以同时分析主动和被动参数。也可以提供量化的指针以指出每个关键参数对于最终晶圆结果变异的影响程度。

另一实施例请参考图4，其中方法138用来收集FDC资料。方法138包含步骤140使用一套准则自制造资料定义好和坏的FDC资料，步骤142中以对好和坏的资料进行预先处理以强化异常机台参数撷取率，例如以平均化来减少资料的噪声，以及步骤144以根据好和坏的资料之间的n个标准差来进行自我分类分析。

参考图8，进一步地详细描述晶圆结果预测***200。在一个实施例中，可以在***200中实施方法100所揭露的不同步骤和程序。***200包含虚拟量测模块以产生、使用及维护混合虚拟量测模型以预测晶圆结果。***200可以进一步地包含额外合并、分布及统合的组件，以操作来产生并维护虚拟量测模型202。模型202可以包含与所要预测的各种产品参数(例如薄膜厚度以及薄膜电阻)和各种的量产制造机台(例如用于金属沉积的PVD机台)的组合有关的多个子模型。模型202的每个子集合可与一个产品参数以及一个或多个生产机台相关。

模形202可以是适应性的，如此就可以动态地维持以配合生产机台，以及注意生产机台随时间的改变。维持适应性模型可以包含根据新的制造资料调整模型，亦即根据制造资料执行回归。可以在所相关的生产机台的维护、修理、更改晶圆产品、和/或特定时间之后评估适应性模型。这个程序不必要被前述所限制，只要适应型模型有适时地且适当地调整，以反应生产机台或晶圆产品的改变、偏移或转移。

***200也包含资料收集模块204以收集制造资料，这包含来自制造机台212的制造机台资料以及来自量测机台214的产品资料。***也可以包含关键参数模块206以实施方法100来辨认关键参数。***200可以进一步地包含晶圆结果预测模块208。

***200可以进一步地包含通讯接口210以在***200和有关的制造所有者和/或客户之间沟通预测的晶圆结果。举例来说，预测的晶圆结果可以被送至工程师216以进行评估、产品监测和/或制程改善。在另一范例中，工程师可以在方法100的不同步骤中提供输入，例如参与关键参数的选择。工程师216可以透过通讯接口210和***沟通。通讯接口可以在晶圆结果超出预定的范围、具有明显的偏移或是具有其它严重的改变时提供警告给工程师。预测的晶圆结果可以被送至资料控制中心，例如制造执行***(MES)，在那里预测的晶圆结果被进一步地处理、整理并且分散以供资料监测、评估、分析和/或控制，例如统计制程管制(SPC)。预测的晶圆结果可以被送至制造机台212，以调整制造法以及硬件参数以补偿因为目前的制造步骤所引起的漂移或偏移以得到最佳化的晶圆品质、效能和良率。

只要虚拟量测模型为针对一个(或多个)制造机台创造的，对于预测晶圆结果的模型的维护和实施就不需依前述方法100的顺序。预测模型的维护与实施可以同时进行。因此模型202实质上就代表在生产机台中处理的晶圆。

图8中的***200仅是作为本发明的范例。其中的每个模块都可以包含软件和/或硬件来实施其功能。举例来说，虚拟量测模型202可以包含硬件，例如计算机和内存以供操作和储存。模型也可以包含软件以进行产出和维护。模型可以进一步地包含具有所有产品资料和制造机台资料的资料库。每个模块都可以被设定并连接至其它的模块与半导体制造商的其它组件。***200可以不同的方法设定或整合，例如在不偏离本发明的精神下使用少一点或多一点的模块。***200可以进一步地连接到网络218。在一个范例中，***200可以连接至或是包含部份图9所示的虚拟工厂，这将会于后详述之。

因此，晶圆结果可以使用方法100以***200进行预测而不需要进行直接测量。根据制造资料与有限的量测机台及测量成本，可以有效地监测晶圆结果以强化制程效能以及强化晶圆良率。所揭露的方法和***提供了新的方法来监测晶圆制造和控制，并具有强化的效率和降低的成本(包含测量和量测机台的成本)。

图9显示虚拟集成电路制造***(虚拟工厂)220，图8的***200可以与之连接。虚拟工厂220包含多个藉由通讯网路218连接的实体222、224、226、214、212、228、230...N。网络218可以是单一网络，也可以是很多种不同的网络，例如内部网络和网际网络，而且也可以包含有线以及无线的通讯信道。

在本范例中，实体222代表服务***以供服务合作及供应，实体224代表客户，实体226代表工程师，实体214代表用于IC测试和测量的量测机台，实体212代表制造(生产)机台，实体228代表图8的晶圆结果预测***200，而实体230代表另一虚拟工厂(例如属于子公司或商业伙伴的虚拟工厂)。每个实体可以和其它的实体互动，也可以提供服务及/或接受来自其它实体的服务。

为说明起见，每个实体可以被视为组成虚拟工厂220一部份的内部实体(例如工程师、客户服务人员、自动化***程序、设计或生产设备等)，或是可以被视为和虚拟工厂220互动的外部实体(例如客户)。需了解的是，实体可以聚集在单一位置或是可以四处分散，而且有些实体可以和其他的实体结合。此外，每个实体可结合***辨认信息，如此就可以根据每个实体辨认信息所具有的授权程度来控制是否可以存取***中的信息。虚拟工厂220为了IC制造和提供服务的目的可以和实体间互动。在目前的范例中，IC制造包含接受客户的IC订单，制造订购的IC所需要的操作，以及传送给客户，例如IC的设计、制造、测试和运送。虚拟工厂220所提供的服务之一可以是在设计、工程和后勤等领域中的合作与信息取得。需了解的是这些领域只是范例，透过虚拟工厂可以视需要提供更多或更少的信息。

虚拟工厂220提供的另一种服务可以整合设备之间的***，例如在量测机台214和制造机台212之间。这样的整合可以管理设备间的活动。举例来说，整合量测机台214和制造机台212让制造信息可以更有效率地加入生产过程中，也让来自量测机台的晶圆资料可以回到制造机台以进行改善与合并。

前述的方法和***仅是做为范例。前述的方法和***可以延伸并修改，并且在不偏离本发明的精神下包含适当的改变、实施例和替换。

虽然已经详细地描述本发明的实施例，本领域的技术人员仍可以在不偏离本发明的精神及范围下进行各种的修改、替换以及取代。因此，所有这类的修改、替换以及取代都应被视为由权利要求书所定义的本发明的范畴中。在权利要求书中，手段加功能子句意欲包含此处所描述的执行所述功能的结构，且并不只是结构上的均等，也是均等上的结构。

Claims

1.一种半导体晶圆结果预测的方法，包含：

自多个半导体制造机台及量测机台收集制造资料；

根据所述制造资料使用自动关键参数萃取分析来选择关键参数，所述自动关键参数萃取分析包括：

以阶层分群法分组多个制造参数；

合并所述多个制造参数以形成多个代表参数；以及

根据相对于机台资料的相关性，自所述多个代表参数中选择所述关键参数；

其中，所述自动关键参数萃取分析还包括以主成分分析加上逐步回归法来计算所述多个制造参数对于晶圆参数的相关性；

根据所述关键参数建构虚拟量测；以及

利用所述虚拟量测预测晶圆结果。

2.根据权利要求1所述的方法，其中选出所述关键参数进一步包含使用阶层分群法或使用相关距离做为选择门槛。

3.根据权利要求1所述的方法，其中所述制造资料包含错误侦测与分类(FDC)资料。

4.根据权利要求3所述的方法，其中选择所述关键参数包含：

自所述分类资料收集用于所述多个制造参数的时序资料；

转换所述时序资料为总结资料；以及

对所述总结资料进行自动关键参数萃取分析以选择所述关键参数。

5.根据权利要求4所述的方法，其中所述总结资料自下列组成的群组选出：平均值、最大值、最小值、标准差、以及其组合。

6.根据权利要求4所述的方法，其中所述多个制造参数包含主动参数及被动参数。

7.根据权利要求1所述的方法，其中所述关键参数的其中之一为所述多个制造参数的一个子集合的一个函数或与晶圆错误的一个根本原因相关。

8.根据权利要求1所述的方法，其中收集所述制造资料进一步包含：

自所述制造资料定义好的资料及坏的错误侦测与分类(FDC)资料；

通过对所述好及坏的资料执行预先处理以强化异常机台参数撷取率；以及

根据所述好及坏的资料间的n个标准差来进行自我分类分析。

9.一种晶圆结果预测***，包含：

资料收集模块，自多个半导体制造机台及量测机台收集制造资料；

关键参数模块，根据所述制造资料使用自动关键参数萃取分析来选择关键参数，所述自动关键参数萃取分析包含：

以阶层分群法分组多个制造参数；

合并所述多个制造参数以形成多个代表参数；以及

其中所述关键参数萃取分析还包含以主成分分析加上逐步回归法来计算所述多个制造参数对于晶圆参数的相关性；

虚拟量测模块，使用两阶段的混合虚拟量测模型，其包含：

第一模块，根据制造资料来决定物理参数；以及

第二模块，根据所述物理参数及所述制造资料来决定电性参数。

10.根据权利要求9所述的晶圆结果预测***，其中所述电性参数的其中之一以所述制造参数或所述物理参数表示。

11.根据权利要求9所述的晶圆结果预测***，进一步包含评估模块，以根据预定准则来评量用于晶圆验收的所述电性参数。

12.一种晶圆结果预测***，包含：

用于收集制造资料的资料收集器，所述制造资料包含来自制造机台的机台资料以及来自量测机台的晶圆资料；

关键参数模块，所述关键参数模块根据所述制造资料使用自动关键参数萃取分析辨认关键参数，其中，所述自动关键参数萃取分析包含以主成分分析加上逐步回归法来计算多个制造参数对于晶圆参数的相关性；

以所述关键参数为基础所建立的虚拟量测模块，其中所述虚拟量测模块使用两阶段的混合虚拟量测模型，其包含：

第一模块，具有所述制造资料作为输入，并输出物理参数；以及

第二模块，具有所述物理参数及所述制造资料作为输入，并输出电性参数；以及

利用所述虚拟量测模块以预测晶圆结果的预测模块。

13.根据权利要求12所述的***，其中所述关键参数模块使用阶层分群法来辨认所述关键参数。