CN101963802B - 批次制程的虚拟量测方法与*** - Google Patents

Abstract

本发明批次制程的虚拟量测方法与***，包括对一批待加工晶圆执行一制程后输出加工后的晶圆的制程机台，制程机台输出分别与制程控制***和错误侦测与分类***相接，靠近制程控制***的输出部分设有量测机台，制程控制***、错误侦测与分类***、量测机台输出分别连接数据接收引擎模块输入，数据接收引擎模块输出连接计算机。本发明采用先进的制程控制、以工业统计方法对晶圆及时分析和处理，找到影响制程变化的关键变量，以滚动时间窗口及时捕获***发生的工况变化，平移与漂移对建模的不利影响，提高模型的鲁棒性，减少晶圆处理的周期时间，改善制程工具的运作，减少量测工具的负担以及晶圆的成本，所建立的推理模型适用于制程的故障诊断。

Description

批次制程的虚拟量测方法与***

技术领域

本发明涉及一种批次制程的虚拟量测技术领域，尤其涉及半导体制造或TFT-LCD(薄膜晶体管-液晶显示器)制程的质量管理的虚拟量测预估方法与***。

背景技术

目前，在半导体的批次制程中，采用的是抽检方法对生产机台的产品质量进行检测，即：在一个含有25片晶圆的卡匣中抽出2～3片晶圆进行实际量测，以监测制程质量是否稳定，并决定产品的质量。这种检测方法的缺陷是：若某批产品在制造的过程中出了问题，必须要等待检测时才会发现，而此时的制程可能已产生好几批的不良品，即：检测出产品的质量出现问题与制程的操作变量发生变化在时间上有一定的滞后，而如何在最短的时间内预测出产品的质量，是半导体制造商一直未解决的问题。

随着半导体组件尺寸进一步的缩小，更需使用严格的工艺控制，比如：晶圆与晶圆间的控制，需要每一片的晶圆均需被测量。这就要求使用大量的测量工具和大幅度增加生产周期时间，而且不可避免产生测量延误，引起复杂的控制问题。

专利申请号为200610108408.6，名称为“半导体制造的虚拟量测预估与建立预估模型的方法与***”公开一种建立预估模型的方法，此方法的缺陷是：需要建立多个预估模型，并用相关指标选择最佳的预估模型，若多个预估的相关指标都低于给定阈值时，***会出现无输出值。另外，需要覆盖机台所有工况的预估模型，否则会降低模型的预测精度。

专利申请号为200610149890.8、名称为“量测方法以及虚拟量测***”提出一种基于类神经网络建立虚拟量测模型的方法，其缺陷是：当***的工况发生变化，比如调整制程程式时的变化，此模型需要重新训练才能产生准确的预测值。

发明内容

本发明的目的是为克服上述现有技术中***量测的时间滞后、需事先建立多个预估模型或重新训练网络结构的不足，提出一种应用于批次制程的质量控制的虚拟量测方法，及时、快速且准确地预测批次制程的效能与产品的良率。

本发明的另一目的是提出一种结构简单、量测精确的批次制程的虚拟量测***。

本发明虚拟量测***采用的技术方案是：包括对一批待加工晶圆执行一制程后输出加工后的晶圆的制程机台，所述制程机台的输出通过信号线分别与制程控制***和错误侦测与分类***相接，靠近制程控制***的输出部分设有量测机台，所述制程控制***、错误侦测与分类***、量测机台的输出分别通过信号线连接数据接收引擎模块的输入，数据接收引擎模块的输出连接计算机；所述制程控制***监控加工过程并记录相应的数据；所述量测机台位于加工后的晶圆下方位置且从加工后的晶圆里抽取的抽样量测晶圆取得实际量测值；所述错误侦测与分类***在加工后的晶圆批量完成后产生错误侦测与分类数据；所述数据接收引擎模块接收错误侦测与分类***、制程控制***与量测机台的所有数据并送至计算机；所述计算机执行虚拟量测自动化程序，对数据进行前处理和数据的筛选后完成晶圆的质量预测。

本发明虚拟量测方法采用的技术方案是依次具有如下步骤：

第1步：由数据接收引擎模块接收错误侦测与分类***与制程控制***的所有状态变量数据；

第2步：由特征提取模块与标准化模块完成所有状态变量数据的相应处理；

第3步：判断是否到达模型的更新时间，若没有到，则直接跳转到第7步；

第4步：由滚动时间窗口模块组合标准化模块处理后的数据与数据接收引擎模块接收到量测机台量测抽样量测晶圆的质量数值得到新数据窗口下的建模数据；

第5步：由关键变量选择模块采用逐步回归算法获取影响加工后的晶圆质量的关键变量；

第6步：由多元回归模块结合第5步得到的关键变量，利用最小二乘算法得到预估模型；

第7步：由预估量测模块对加工后的晶圆中未抽样到的晶圆进行品质预测。

本发明的优点是：

1、结合错误侦测与分类***、采用先进的制程控制、以工业统计方法对晶圆及时分析和处理，找到影响制程变化的关键变量，以滚动时间窗口及时捕获***发生的工况变化，平移与漂移对建模的不利影响，提高模型的鲁棒性，减少晶圆处理的周期时间，改善制程工具的运作，减少量测工具的负担以及晶圆的成本，减少浪费，可应用于所有形式的半导体制造过程与TFT-LCD制程。

2、利用逐步回归建立多元统计模型，通过设定门坎值决定所挑选的关键变量的数目，由设计时考虑模型的复杂度来规定，逐步回归算法适合当采样的数据非常少时应用，可在制程的开始阶段应用；逐步回归算法可以有效地避免过度拟合的问题，并且很适合有计算机程序来执行，所挑选的变量具有明显的物理意义，变量的选择很容易与***实际的约束相结合，所建立的推理模型适用于制程的故障诊断。

3、与现有的虚拟量测技术相比，本发明用滚动时间窗口数据来捕获机台的变异，能及时发现机台的调整，且能提供引起当前晶圆变异的主要变量，便于分析原因。

4、模型结构简单，不需要增加额外的硬件条件，且模型是滚动形成，无需事先建立多个预估模型，也不需象神经网络那样重新训练网络结构以提高预测的精度。

附图说明

图1为虚拟量测***的架构示意图；

图2为图1***内具有的各模块的连接示意图；

图3为图2中滚动时间窗口模块220的显示图；

图4为虚拟量测方法的流程图；

图中：110.制程机台；120.一批待加工晶圆；130.错误侦测与分类***；140.数据接收引擎模块；150.计算机；160.量测机台；170.加工后的晶圆；180.抽样量测晶圆；190.制程控制***；210.变量特征提取模块；220.移动窗口模块；230.关键变量选择模块；240.多变量回归模块；250.虚拟量测模块型；310.上次的时间窗口；340.本次事件窗口。

具体实施方式

如图1所示：该批次制程的虚拟量测***包括：一制程机台110、制程控制***(APC)190、错误侦测与分类***(FDC)130、量测机台160、数据接收引擎模块140、用于虚拟量测程序运行的计算机150。在靠近制程控制***190的输出部分设置量测机台160。制程机台110的输出通过信号线分别与制程控制***190和错误侦测与分类***130相连。制程控制***190、错误侦测与分类***130、量测机台160的输出通过信号线分别连接数据接收引擎模块140的输入，数据接收引擎模块140的输出连接计算机150。

一批待加工晶圆120位于制程机台110的输入位置，制程机台110对一批待加工晶圆120执行一制程后输出加工后的晶圆170，制程控制***190监控加工过程，并记录相应的数据。量测机台160位于加工后的晶圆170下方位置，从加工后的晶圆170里面获得的抽样量测晶圆180取得实际量测值。错误侦测与分类***130在加工后的晶圆170批量完成后产生错误侦测与分类数据。数据接收引擎模块140接收错误侦测与分类***130、制程控制***190与量测机台160的所有数据，并送到虚拟量测计算机150；虚拟量测计算机150执行虚拟量测自动化程序，对数据进行前处理和数据的筛选后完成晶圆的质量预测。

如图2所示，数据接收引擎模块140中具有特征提取模块210和标准化模块211，特征提取模块210的输出连接标准化模块211的输入。计算机150中具有依次串接的滚动时间窗口模块220、关键变量选择模块220、多元回归模块240和预估量测模块250；标准化模块211的输出连接滚动时间窗口模块220的输入。当一批待加工晶圆120在制程机台110上进行加工时，变量特征提取模块210提取制程控制***190和错误侦测与分类***130的各个变数随加工时间变化而变化的特征值(X₁，X₂，…，X_n)，然后由标准化模块211对提取的特征值进行标准化，同时计算机150获取量测机台160的抽样量测晶圆180的量测值y，将特征值(X₁，X₂，…，X_n)与量测值y组合{X₁，X₂，…，X_n，y}，并由其中的与标准化模块211连接的滚动时间窗口模块220更新训练样本的数据组，将滚动时间窗口模块220的输出连接关键变量选择模块220的输入，关键变量选择模块220得到在新的窗口下影响虚拟量测***的关键变量，再由连接关键变量选择模块220的多元回归模块240得到预估模型的参数，最后通过预估量测模块250预测未测晶圆的质量。

上述特征提取模块210的功能是：获取抽样量测晶圆180与加工后的晶圆170的平均值、中位数、极大值与极小值、线下面积等这些能表征变量在整个加工过程的变化特征。

标准化模块211是针对各个特征变量的所有样本值(x_i，1，x_i，2，…，x_i，N)进行z-分数，即：减去平均数(μ_x)，除以标准差(σ_x)。

${\hat{x}}_{i,j}=\frac{x_{i,j}-{\mathrm{\μ}}_x}{{\mathrm{\σ}}_x},j=\mathrm{1,2},...,N---\left(1\right)$

在常规的制程中，制程机台10随着运行而老化，发生漂移；或者由于制程机台110本身的错误，或者改变了不同的操作者，造成制程机台110发生漂移现象，常规的虚拟量测自动化程序因为这些扰动而无法运作或预估的结果不正确，因此，本发明还提出一种滚动时间窗口来避免上述问题的发生。滚动时间窗口模块220藉由数据更新准则进行，参照图3，首先将前一次抽样到的晶圆组成数据窗口310，并利用此数据窗口310内的数据建模，给出待测样本320的估计值，等待量测机台160得到实测值之后，将最新的数据加入训练样本之中，并将最旧的数据移出，得到新数据窗口340，估计此时的待测样本330，如此往返，使模型不断的更新。本较佳实例的滚动时间窗口的数据个数为50，更新长度为10，在实际使用中，可依据不同对象，做合适的调整。

关键变量选择模块230藉由逐步回归方法挑选出影响抽样量测晶圆180质量的关键变数。对所有的预测变量做一个筛选的动作，并非所有变量同时拿来进行预测，而是依据解释能力的大小，逐步的检视每一个预测变量的影响，将对模型有贡献的预测变量选择为模型最终所使用的变量。每一步选进或剔除变量的依据是partial F值(偏F值)。假定当某变数的partial F值大于某定值F_in时则将该变量选进模型，而当变量的partial F值小于某设定值F_out时则将该变量剔除出模型。通常，有下面的关系存在：

F_in≥F_out             (2)

通过关键变数挑选模块，可以获取影响加工晶圆170质量的关键变数

多元回归模块240籍由统计的多元回归方法，用最小二乘算法，得到预估模型的参数β：

$\mathrm{\β}={\left[{\tilde{X}}^T\tilde{X}\right]}^{-1}{\tilde{X}}^{T}y---\left(3\right)$

预估量测模块250则依据特征提取模块210与关键变量选择模块230对加工后的晶圆170变数处理结果利用预估模型参数β，得到未抽样晶圆的质量：

$\hat{y}={\tilde{X}}_i^{\′}\mathrm{\β}---\left(4\right)$

如图4所示：本发明由虚拟量测自动化程序来预测晶圆的某一制程结果，先接收某一制程工具处理的工作部件的信息，其中该信息包括多个用以表示该制程特征的变量及抽样量测晶圆180的量测值，再从该收集的信息中提取制程各个加工步骤的特征值，藉由统计分析方法滤除所有提取特征中非关键变量，用以减少信息的噪声信息与共变异影响，减少预估方法的错误发生，最后由多元回归方法获得虚拟量测的预估模型。

上述的量测方法具体是按以下步骤进行：

第1步：收集制程控制***190和错误侦测与分类***130的数据S410，此过程是由数据接收引擎模块140接收错误侦测与分类***130与制程控制***160的相关数据，内容包括加工后的晶圆170在制程机台110与制程控制***190中所有的状态变量(如：流量、压力、温度、电压等)。

第2步：数据预处理S420。此过程是由特征提取模块210与标准化模块211完成，将数据接收引擎模块140接收到得所有状态变量数据进行相应的处理。

第3步：是否到达模型的更新时间S430。若没有到，则直接跳转到第7步。

第4步：取滚动时间窗口内数据S440。由滚动时间窗口模块220组合标准化模块211处理后的数据与数据接收引擎模块140接收到量测机台160量测抽样量测晶圆180的质量数值，并采用图3所示方法，得到新数据窗口340下的建模数据。

第5步：关键变量选择S450。由关键变量选择模块230采用逐步回归算法，获取影响加工后的晶圆170质量的关键变量。

第6步：多元回归S460。由多元回归模块240结合第5步得到的关键变量，利用最小二乘算法，得到预估***的预估模型S470。

第7步：预测值输出S480。由预估量测模块250对加工后的晶圆170中未抽样到的晶圆进行品质预测。

计算机150通过运行上述的虚拟量测自动化程序，产生虚拟质量管理数据，并自动分析此批晶圆的结果，提示操作者执行后续处理，或者根据预测结果暂停机台操作，进行机台维护；或者根据预测结果进行晶圆的筛选。一个lot中含有25片加工后的晶圆170，而制程机台160只抽取其中的2～3片抽样量测晶圆180，剩余未测晶圆可由虚拟量测进行晶圆的质量预测，进而筛选出不合格的晶圆。

Claims (3)

1.一种批次制程的虚拟量测***，包括对一批待加工晶圆(120)执行一制程后输出加工后的晶圆(170)的制程机台(110)，其特征是：所述制程机台(110)的输出通过信号线分别与制程控制***(190)和错误侦测与分类***(130)相接，靠近制程控制***(190)的输出部分设有量测机台(160)，所述制程控制***(190)、错误侦测与分类***(130)、量测机台(160)的输出分别通过信号线连接数据接收引擎模块(140)的输入，数据接收引擎模块(140)的输出连接计算机(150)；

所述制程控制***(190)监控加工过程并记录相应的数据；

所述量测机台(160)位于加工后的晶圆(170)下方位置且从加工后的晶圆(170)里抽取的抽样量测晶圆(180)取得实际量测值；

所述错误侦测与分类***(130)在加工后的晶圆(170)批量完成后产生错误侦测与分类数据；

所述数据接收引擎模块(140)接收错误侦测与分类***(130)、制程控制***(190)与量测机台(160)的所有数据并送至计算机(150)；

所述计算机(150)执行虚拟量测自动化程序，对数据进行前处理和数据的筛选后完成晶圆的质量预测；

所述数据接收引擎模块(140)中具有特征提取模块(210)和标准化模块(211)，特征提取模块(210)的输出连接标准化模块(211)的输入；所述计算机(150)中具有依次串接的滚动时间窗口模块(220)、关键变量选择模块(220)、多元回归模块(240)和预估量测模块(250)；所述标准化模块(211)的输出连接滚动时间窗口模块(220)的输入。

2.根据权利要求1所述的批次制程的虚拟量测***，其特征是：

所述特征提取模块(210)获取抽样量测晶圆(180)与加工后的晶圆(170)在整个加工过程特征变量；

所述标准化模块(211)针对各个特征变量的所有样本值减去平均数后再除以标准差；

所述滚动时间窗口模块(220)首先将前一次抽样到的晶圆组成数据窗口(310)建模，给出待测样本(320)的估计值，再等待量测机台(160)得到实测值之后将最新的数据加入训练样本中，最后将最旧的数据移出得到新数据窗口(340)，估计此时的另一待测样本(330)，如此往返，使模型不断更新；

所述关键变量选择模块(230)获取影响加工晶圆(170)质量的关键变数；

所述多元回归模块(240)用最小二乘算法得到预估模型参数；

所述预估量测模块(250)利用所述预估模型参数得到未抽样晶圆的质量。

3.一种如权利要求1所述批次制程的虚拟量测***的虚拟量测方法，其特征是依次采用如下步骤：

第1步：由数据接收引擎模块(140)接收错误侦测与分类***(130)与制程控制***(160)的所有状态变量数据；

第2步：由特征提取模块(210)与标准化模块(211)完成所有状态变量数据的相应处理；

第3步：判断是否到达模型的更新时间，若没有到，则直接跳转到第7步；

第4步：由滚动时间窗口模块(220)组合标准化模块(211)处理后的数据与数据接收引擎模块(140)接收到量测机台(160)量测抽样量测晶圆(180)的质量数值得到新数据窗口(340)下的建模数据；

第5步：由关键变量选择模块(230)采用逐步回归算法获取影响加工后的晶圆(170)质量的关键变量；

第6步：由多元回归模块(240)结合第5步得到的关键变量，利用最小二乘算法得到预估模型；

第7步：由预估量测模块(250)对加工后的晶圆(170)中未抽样到的晶圆进行品质预测。

Images