CN102473660B - 等离子加工***自动瑕疵检测和分类及其方法 - Google Patents
等离子加工***自动瑕疵检测和分类及其方法 Download PDFInfo
- Publication number
- CN102473660B CN102473660B CN201080029053.6A CN201080029053A CN102473660B CN 102473660 B CN102473660 B CN 102473660B CN 201080029053 A CN201080029053 A CN 201080029053A CN 102473660 B CN102473660 B CN 102473660B
- Authority
- CN
- China
- Prior art keywords
- flaw
- data
- series
- fault model
- situation
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/3299—Feedback systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Drying Of Semiconductors (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种在晶片加工中,自动检测瑕疵情况并分类所述瑕疵情况的方法。该方法包括在所述晶片加工中通过一系列传感器采集加工数据。该方法还包括将所述加工数据传送到瑕疵检测/分类模块。该方法进一步包括通过所述瑕疵瑕疵检测/分类模块执行所述加工数据的数据处理。该方法还包括在所述加工数据和储存在瑕疵库中的多个瑕疵模型之间进行比较。所述多个瑕疵模型中的每个瑕疵模型表示了表征特定瑕疵情况的一系列数据。每个瑕疵模型至少包括瑕疵特征,瑕疵边界以及一系列主元分析(PCA)参数。
Description
背景技术
等离子加工***已被长期用于加工例如半导体晶片和平板之类衬底。等离子加工***可被用于执行例如沉积、蚀刻、清洁等工艺。
在用于加工例如半导体设备的等离子加工***中,很需要等离子加工***以可能的最高的产量和最小的拥有成本生产电子设备。为了获得高产量和减小可产生较高拥有成本的工具停工时间,为了尽可能减小对晶片和/或对等离子体加工***部件的破坏,快速检测并分类瑕疵是非常重要的。由于例如室部件的功能出错、室部件的磨损,不正确地安装室部件和/或任何其他的需要清洁、维护和/或等离子加工***的一个或多个子***替代的情况,可能出现瑕疵情况。
现代的等离子加工***可采用多个传感器用于监视多个加工参数,例如光辐射、电压、电流、压力、温度等。每个传感器执行的数据监视可以高达每秒数百个或者更多的速率输出采样数据。采用大量的传感器,现代等离子加工***对给定的加工的晶片可产生大量的传感器数据。若传感器数据采用人工分析,通常不可能以及时的方式准确从大量的传感器数据中检测和/或分类瑕疵情况。若瑕疵情况未及时被检测出来,进一步的加工可能导致一个或多个晶片和/或室部件发生破坏。即使在等离子加工被终止之后,必须花费大量时间通过过滤大量传感器数据以确认所发生的瑕疵,从而便于修补瑕疵。
人工瑕疵检测和分析需要技术高超的工程师过滤大量的数据。这些技术高超的工程师的量很少且雇佣的花费很高,这两者都提高了工具主人的拥有成本。瑕疵检测和分析的人工工艺也易于发生错误。
过去已经有很多为了自动检测瑕疵情况及分析传感器数据从而将瑕疵归类的尝试。这些尝试已经满足在生产环境和市场地位的成功的变化程度。工程师总是搜索更快检测瑕疵情况和更准确地分类瑕疵的方法。该申请是关于采用自动和节时的方式改进自动检测瑕疵情况和分类瑕疵情况的方法和设备。
附图说明
本发明通过附图采用示例方式而不采用限制的方式进行说明,附图中类似的参考数字代表类似元件,其中:
图1显示了下电极子***的示例,包括下电极、外覆盖环和顶部覆盖环。
图2显示了根据本发明的实施方式的可自动并及时检测瑕疵情况,并且自动并及时分类瑕疵的等离子加工室的多个子部件的逻辑框图。
图3显示了根据本发明的实施方式的产生瑕疵模型的示例方法。
图4显示了根据本发明的实施方式的与自动通道过滤相关的步骤。
图5显示了根据本发明的实施方式的,减少数据维度的加权PCA技术。
图6A,6B,6C,6D显示了根据本发明的实施方式的,当自动查明(account for)室的漂移时,定义瑕疵矢量(表征了瑕疵特征)的步骤。
图7A,7B,7C显示了相关性是可通过量r(k)量化的,r(k)表示了当晶片样本矢量Vk被投射到瑕疵矢量VF上的瑕疵量。
图8显示了根据本发明的实施方式的,设定瑕疵特征的边界的步骤。
图9显示了根据本发明的实施方式的,认证瑕疵模型的步骤。
图10显示了根据本发明的实施方式的,检测和/或分类一个或多个从晶片加工数据获得的瑕疵情况的步骤。
具体实施方式
现在参考附图中所示的数个具体实施方式对本发明进行详细描述。在下面的描述中,为了提供对本发明的透彻的理解,会给出许多特定的细节。然而,对本领域技术人员来说,即便没有某些或者全部的这些特定细节,本发明显然依然是可以实现的。在其他情况下,为了避免不必要地模糊本发明的内容,一些众所周知的工艺步骤和/或结构没有进行描述。
下面对多个实施方式进行了描述,包括方法和技术。需要记住的是,本发明也可覆盖包括储存了用于执行本发明技术的实施方式的计算机可读指令的计算机可读介质的制品。该计算机可读介质可包括例如半导体、磁的、光磁的、光的或者其他形式的用于储存计算机可读编码的计算机可读介质。进一步地,本发明也可覆盖用于实践本发明的实施方式的设备。这些设备可包括用于执行关于本发明实施方式的任务的专用电路或可编程电路。这样的设备的实例包括通用计算机和/或适当编程的专用计算设备,并且可包括适用于本发明的实施方式的不同任务的计算机/计算设备与专用/可编程电路的组合。
本发明的实施方式是关于高度自动、省时和可靠的用于对关于所测试的一块或多块晶片的任何传感器数据组的检测和分类瑕疵的方法。
为了便于讨论,图1显示了下电极子***100的实例,包括下电极102,外覆盖环104和顶部覆盖环106。图中也显示了晶片108。所示的顶部覆盖环106是部分磨损的,表示了可影响等离子体并导致加工结果产生不良变化的瑕疵情况类型中的一个实例。在生产设置中,为了避免破坏随后加工的晶片和/或破坏等离子加工***的其他部件以及为了在维修/维护后快速恢复该***,及时检测到图1所示的瑕疵情况并且及时和准确地将与磨损的顶部覆盖环有关的瑕疵归类是非常必要的。
图2显示了根据本发明的实施方式的可自动并及时检测瑕疵情况并且自动并及时分类瑕疵的等离子体加工室200的多个子部件的逻辑框图。参考图2,其中显示了等离子体加工室202具有包括下电极204,外部覆盖环206以及顶部覆盖环208的下电极子***。为了简化图示,省略了许多其他的传统子***,例如上电极、RF发生器、涡轮泵、质量流量控制器、温度控制等。
图中显示了多个示例传感器210,212和214。传感器210可表示例如监测室内压力的压力传感器。传感器212可表示例如监测室内等离子光发射的光发射传感器。传感器214可表示例如V-I探测器。也可采用本领域技术人员熟知的其他的传感器。
传感器210,212和214向包括软件和/或硬件的瑕疵检测和分类单元220提供传感器数据,以便基于所提供的传感器数据自动执行瑕疵监测和/或瑕疵分类。图中显示了瑕疵库222,即瑕疵模型的数据库,每个瑕疵模型包括瑕疵情况的独有特征。每个瑕疵模型都是表征特定瑕疵情况的数据集。提前生成这些瑕疵模型,如下所述,并根据本发明的一个或多个实施方式用于执行瑕疵检测和/或瑕疵分类。
瑕疵检测/分类单元220从多个传感器接收传感器数据。由于典型的现代等离子加工***中的传感器数量多,并且每个传感器每秒可发送数百甚至更多的数据采样,瑕疵检测/分类单元220执行所发明的数据处理,使得可能进行高效及时的瑕疵检测和/或分类。使得可能进行高效及时的瑕疵检测和/或分类的数据处理的问题会在后文中讨论。瑕疵识别和/或瑕疵分类可被控制器224用于控制等离子工具(例如在造成进一步的破坏前及时停止所述工具或进行原位调整消除瑕疵)。
图3显示了根据本发明的一个实施方式的生成瑕疵模型的示例方法。这些瑕疵模型被储存在瑕疵库中(即瑕疵库222)用于在生产中检测和/或分类瑕疵。在步骤302中,对多块晶片采集来自传感器的传感器数据。这些与传感器数据相关的晶片被标注为“坏的”,“好的”或者“未知”(步骤304)。例如,工程师可能知道某一块或者一系列的晶片由于焦点环磨损(无论是否故意)是坏的,并且可采用与这些晶片相关的传感器数据生成磨损焦点环的瑕疵模型。好的瑕疵模型与任何其他的瑕疵模型一样,也可用于分类。
在步骤306中,预先过滤传感器通道从而排除变化很小的通道。预先过滤是数据处理的一部分以减少在瑕疵检测和/或分析中所需处理的数据量。考虑到所涉及的传感器数量大并且每个传感器每秒可产生数百或更多的数据采样,数据处理是改善瑕疵检测/过滤的及时性和效率的非常有效的步骤。在一个实施方式中,来自对瑕疵检测没有贡献(即对所查询的瑕疵不发生变化)的传感器通道的数据会在预先过滤中被排除。预先过滤在下面的流程图中会更详细地讨论。
在步骤308中,对于与所有晶片数据样本相关的剩余数据通道进行加权主元分析(PCA)。加权PCA是减少所需处理的数据从而改善瑕疵检测/过滤的及时性和效率的数据处理的另一部分,其目的是减少数据维度。加权PCA在下面的流程图中会更详细地进行讨论。加权PCA的结果使得各晶片的数据采样被呈现在多维PCA空间中(步骤310)。
在步骤312中,采用部分用户确定的坏样本定义瑕疵特征。如前所述,用户可指定与特定的已知是坏的晶片样本的晶片相关的特定的传感器数据集,并使用这些数据集建立表征该已知瑕疵的瑕疵特征。通常来说,瑕疵特征是PCA空间中的一个矢量。瑕疵特征在下面的图片中会更详细地进行讨论。
在步骤314中,与所述晶片相关的所述数据采样被表示在二维互相关图片中。该表示能够便于对基于数据采样的大小(瑕疵严重程度)和与瑕疵特征的相似度(数据采样和瑕疵特征之间的夹角)的可能瑕疵情况进行高效分析。该二维互相关图中的表示在下面的图片中会更详细地进行讨论。
在步骤316中,根据二维互相关图计算瑕疵边界(其定义了被认为是瑕疵的数据参数的边界)。该瑕疵边界的计算在下面的图片中会更详细地进行讨论。
在步骤318中,验证瑕疵模型的可靠性。这里所谓的瑕疵模型至少包括瑕疵特征、瑕疵边界和PCA参数(例如与加权PCA之后的PCA通道相关的PCA系数)。该瑕疵模型的验证在下面的图片中会更详细地进行讨论。
图4显示了根据本发明的实施方式的与自动通道过滤相关的步骤(图3中的预先过滤步骤306)。图4的步骤表示了一个有利的实施方式,有执行预先过滤以通过删除对变化没有贡献的通道从而减少数据通道数量的其他的方法。
在步骤402中,对通过所提交的所有的晶片的每个通道计算综合的统计数据(例如平均值、中间值、最大值、最小值、噪音等)。在一个实施方式中,所述噪音可采用局部线性拟合估测。例如如果有10块晶片和200个通道的传感器数据,在一个实施方式中,作为步骤402的部分,对每块晶片的所有200个通道以及所有10块晶片计算所述综合的统计数据。
在步骤404中,对跨越(across)所有晶片样本的每个通道计算其中间值统计数据的变化。例如,如果#37通道测量压力,#5晶片读出的中间压力值为17mT,#6晶片读出的中间压力值为19mT,对跨越所有晶片的#37通道计算中间值统计数据的变化。该变化可采用例如标准方差的形式表示。由于即便通道中的某些采样在传感器数据采集中可能丢失,中间值依然能够给出对通道参数而言更可靠的统计数据,因此优选采用中间值。然而,在某些实施方式中也可采用其他的统计测量值(例如平均值)。
在步骤406中,排除被认为对瑕疵情况为不变化(即数据的变化不够明显,不足以对瑕疵情况的判别做出贡献)的数据通道。排除不变化数据通道的有利方法涉及将通道的前述中间值统计数据的变化与某个阈值进行对比,例如与通道或者通道解析度(resolution)的噪音阈值对比。通道的解析度由传感器设计特性决定,可从步骤408中的预先植入的列表读取。需要理解的是,也可采用排除不变化数据通道的其他方法。
由步骤406中可见,若数据通道的所述中间值统计数据的变化为0,或者若数据通道的所述中间值统计数据的变化小于噪音的几倍,或者若数据通道的所述中间值统计数据的变化小于通道解析度的几倍(即由于传感器生产、转换线误差等造成的与该通道相关的生产误差),该数据通道被认为其变化不足,不可接受。在这种情况下,该数据通道被排除(步骤410)。否则,该数据通道被接受用于建立瑕疵模型和/或用于检测和/或分析瑕疵(步骤412)。
图5显示了根据本发明的实施方式的,减少数据维度(dimension)的加权PCA技术。通常来说,在PCA中,为了减少数据维度,分析通道变化之间的互相关性。例如,无需在100维数据空间中表示变化,可能在更少维度的PCA空间中捕捉到大部分的变化。在瑕疵检测建模中,需要在PCA数据空间中捕捉由普通样本到坏样本的通道变化。
然而,如果“坏”样本的数量相比“好”样本和“未知”样本的数量非常少,来自“坏”样本的影响可能非常不明显,使得在PCA数据空间捕捉这种变化很困难。
在图5的加权PCA技术中,预先定义“坏”样本相比“好”样本和“未知”样本的可接受的阈值比例。若“坏”样本与“好”样本和“未知”样本的数量之比低于该比例,复制“坏”样本直到达到该阈值。在这样做的过程中,即使坏样本的数量非常低,导致无法捕捉到PCA数据空间中所需的变化,依然可能捕捉到“坏”样本与好/未知样本之间的所需变化。
参考图5,在步骤502中,准备包括N1个“坏”样本和N2个“好”和/或“未知”样本的数据集。在步骤504中,确定“坏”样本的数量N1是否少于“好”和/或“未知”样本数量N2的某个预设的比值。步骤504的目的在于确定坏样本的数量N1是否太少以至于无法捕捉所需的由“坏”样本导致的变化。尽管可采用任何适用的比例,在图5的执行中,所述比例被设置为N2的1/10。
如果“坏”样本数量N1不足,复制所述“坏”样本直到“坏”样本足以达到所设的比例(步骤506)。无论如何,在进行测量并确认(步骤504)“坏”样本数量N1足够之后,即对所述数据集执行PCA(步骤508)。
在步骤510中,保留足以捕捉80%(或者某个其他的所需百分比)的变化的主元(principal component)。步骤508和510对熟悉PCA的技术人员而言是公知的,在此不作详细描述。
图6A,6B,6C,6D显示了根据本发明的实施方式的,当自动查明室的漂移时,定义瑕疵矢量(表征了瑕疵特征)的步骤。在图6A中,在缩减维度的PCA数据空间中(图6A中显示为三维,可以有与图5中的PCA步骤所需的一样多的维度)画出所有的数据样本。未修正的瑕疵矢量V1被定义为由“好”样本中心,或者次优地,由“未知”样本中心指向“坏”样本中心的矢量。
矢量V0被定义为所述室的漂移矢量,如图6A的缩减PCA数据空间中所示。随时间发生的室的漂移影响等离子体(例如,随时间推进,影响“好”样本的中心),并且为了改善瑕疵特征建模的准确度需要查明该室的漂移。例如,若相对于“好”样本在不同时间获得坏”样本,室漂移可能表征对先前获得的“坏”样本和“好”样本之间的变化产生的不可忽略的影响。在创造瑕疵特征过程中,通过将瑕疵成分从室漂移成分中分离出来,可实现更准确的瑕疵检测和分析。这是对现有技术的显著改进。
修正的瑕疵矢量VF表示考虑了室漂移之后,未修正的瑕疵矢量V1的主要成分。从数学的角度来说,图6B中显示了修正的瑕疵矢量VF的计算。在图6B中,修正的瑕疵矢量VF等于未修正的瑕疵矢量V1减去室漂移的单位矢量(V0)乘以未修正的瑕疵矢量V1和室漂移的单位矢量V0的点积。图6A中显示了修正的瑕疵矢量VF,与“坏”样本中心到漂移矢量V0的连线方向一致,与漂移矢量V0相垂直。图6C中显示了未修正的瑕疵矢量V1的计算,图6D中显示了漂移矢量V0的计算。通过采用图6C获得的未修正的瑕疵矢量V1以及采用图6D获得的未修正的漂移矢量V0,即可采用图6B中的方程找到修正的瑕疵矢量。
参考图6C,在步骤630中,确定是否有至少一个标注的好样本。详细描述一个样本,包括表示一块晶片的多个数据通道的数据集。在图6的情况中,所述样本在PCA数据空间中。如果有一个好样本,那么未修正瑕疵矢量V1被定义为从“好”样本中心到“坏”样本中心(步骤632)。否则,未修正瑕疵矢量V1被定义为从“未知”样本中心到“坏”样本中心(步骤634)。换句话说,如果存在任一“好”样本,就采用“好”样本中心定义未修正瑕疵矢量V1。
参考图6D,其中完成了漂移矢量V0的计算,对所有的“好”和“未知”样本采用拟合技术(例如最小二乘线性拟合)(步骤652)。如果拟合优度低于(步骤654)某特定阈值(在图6D示例中为0.7,但可按照需要变化),那么漂移矢量V0被设定为0(步骤656)。另一方面,如果拟合优度高于该阈值(步骤654),那么进行进一步的检查,查看投射到该拟合V0上的数据样本是否与其标记时间具有良好的相关性(这是因为预期中,数据样本会随着时间推进在漂移方向上沿漂移矢量分布)。
由此在步骤658中,确认投射到拟合V0和其标记时间之间的相关性。如果该相关性超出另一个阈值(在图6D示例中为0.7,但可按照需要变化),那么拟合V0被接受作为漂移矢量(步骤660)。否则,漂移矢量V0被设为0(步骤656)。
一旦定义了所述瑕疵矢量VF,可计算任意晶片样本矢量VK和瑕疵矢量VF之间的相关性,从而检测晶片样本矢量VK是否具有瑕疵特征,并且如果适用的话,将瑕疵分类(通过重复对比晶片样本矢量VK和代表不同瑕疵的不同瑕疵矢量)。图7A显示了相关性是可通过量r(k)量化的,r(k)表示当晶片样本矢量Vk被投射到瑕疵矢量VF上时的瑕疵量。从数学的角度说,图7B显示了该相关性。进一步地,晶片样本矢量Vk与瑕疵矢量VF之间的夹角θ反映了晶片样本与瑕疵的类似程度。从数学的角度说,图7C显示了该相关性。
可相对瑕疵矢量VF计算多个样本,从而获得数据样本在二维座标***中的显示结果,每个样本k被画成r(k),θ(k)。
图8显示了根据本发明的实施方式的,设定瑕疵特征的边界的步骤。一旦将数据样本画在二维座标***中,每个样本画成r(k),θ(k),即可建立瑕疵情况的边界。图8显示了二维数据样本作图的示例,其中“好”或“未知”样本集中在区域802中。“坏”样本集中在区域804中。为了建立区域804内通过“坏”样本表示的瑕疵情况的边界,“坏”样本中存在的最大的θ值被确定为坏样本的最大值θ(max)。
为了提供误差的裕度,瑕疵情况的角度边界为数倍(可以乘以整数或者非整数)的该最大值θ(max)。图8的示例中,点808表示与水平轴(其中θ=0)夹角为最大值θ(max)的样本。与样本点808相关的角θ(max)被乘以1.2(任意的数字,可随需要变化)从而获得最大边界θ(b)。
为了提供误差的裕度,识别与具有最小的r(k)的数据样本相关的半径r。最小半径r(k)被乘以某个分数常数(图8的示例中为0.8,可随需要变化)。参考图8,边界812表示瑕疵情况的边界,落入边界812的数据样本可被分类为该瑕疵情况。
如果只有一个“坏”数据点,替代地,限定瑕疵情况的角θ(b)可反映“好”样本加上一些裕度以外的参数值。在一个实施方式中,所有好/未知样本的最小θ(min)被乘以某个分数常数,从而获得限定瑕疵情况的角θ(b)。参考图8,假设点814表示具有最小θ(min)值的“好”样本。线816显示了该与“好”或“未知”样本的最小角θ(min)相关的角θ(min)。通过将该最小θ(min)值乘以某个分数常数(示例中为0.8,但该值可随需要变化),获得边界角θ(b)在图8中以线820画出。
图9显示了根据本发明的实施方式的,认证瑕疵模型的步骤。在步骤902中,确认是否所有的“坏”样本都在瑕疵边界范围内,以及是否所有的“好”和“未知”样本都在瑕疵边界以外。如果不是的话,排除该瑕疵模型(步骤906)。在另一方面,如果步骤902的两个条件都满足,进一步确认(步骤904)是否每个“坏”样本都至少一次从“坏”样本群中取出从而反复重新认证瑕疵模型。如果每个“坏”样本都已经至少一次被从“坏”样本群中取出从而反复重新认证瑕疵模型,并且这样的重新确认不会导致瑕疵模型被排除(步骤902/906),那么该模型被接受(步骤908)。
在另一方面,如果还剩下一个或多个“坏”样本没有被从“坏”样本群中取出从而反复重新认证瑕疵模型,该没有被取出的“坏”样本被从坏样本群中取出从而便于再次确认瑕疵模型(步骤910)。再次使用修正后的“坏”样本池执行(步骤912中)瑕疵矢量和瑕疵边界计算(图3中的步骤312-316)。在实施方式中,每次从“坏”样本群中取出一个“坏”样本,最后取出的“坏”样本被重新放入该群中。采用这种方法,每一次执行瑕疵矢量和瑕疵边界的再计算都只缺少一个“坏”样本。当然,在一个或多个其他的实施方式中,可能每次取出一系列的“坏”样本(并替代上一个系列)。在该情况中,每一次执行瑕疵矢量和瑕疵边界的再计算都只缺少一个系列的“坏”样本。
一旦所有的“坏”样本已经被取出至少一次,并且该瑕疵模型通过测试,在步骤908结束认证。
图10显示了根据本发明的实施方式的,检测和/或分类一个或多个从晶片加工数据(块1002)获得的瑕疵情况的步骤。在步骤1004中,计算数据通道的综合统计量。该计算已经在之前,例如,与图4一起进行讨论。
图10还显示了瑕疵模型的库(块1006),表示了预先建立的瑕疵模型的数据的集合1006。如前所述,瑕疵模型包括瑕疵特征、瑕疵边界和PCA参数。不同的瑕疵模型可以表征不同的已知瑕疵(例如边界环磨损、接地母线破坏、不正确的室空隙、错误的压力等)。选取来自瑕疵模型库的瑕疵模型用于测试(步骤1008)。
在步骤1010中,与所测试的晶片相关的晶片加工传感器数据被转化到与步骤1008中所选的瑕疵模型的同样的PCA空间内,从而便于针对所选的瑕疵模型的检测和分类。在步骤1012中,针对与步骤1008中所选的瑕疵模型相关的瑕疵矢量VF,计算晶片加工数据的坐标(θ和r)。在步骤1014中,确认所测试的晶片加工数据是否在步骤1008中所选的瑕疵模型的瑕疵边界以内。如果所测试的晶片加工数据在步骤1008中所选的瑕疵模型的瑕疵边界以内,在步骤1018中发出警告,表示根据在步骤1008中所选的瑕疵模型检测到可能的瑕疵并将瑕疵种类分类。
另一方面,如果所测试的晶片加工数据不在步骤1008中所选的瑕疵模型的瑕疵边界以内,工序进行到步骤1016确认是否有另一个瑕疵情况进行再次测试。在一些情况下,即使已经检测到可能存在的瑕疵,依然可能需要对其他瑕疵模型测试晶片加工数据,从而确定是否有多个可能的瑕疵。如果确认有另一个需要测试的瑕疵情况,工序进行到步骤1008再次选择另一个测试的瑕疵模型。继续该工序直到在步骤1016中确认没有另一个需要测试的瑕疵情况。在步骤1020中,生成报告瑕疵相关性结果和/或任何找到/分类的可能的瑕疵的报告。
从前文可知,尽管瑕疵分类很复杂并且所涉及的传感器数据量很大,本发明的实施方式可有助于自动、高效并省时地检测和分类瑕疵情况。
更重要地,本发明的实施方式将瑕疵检测模型的构造工艺***化并无需专业人士。不再需要人工操作就能知道选择包含哪个数据通道,如何查明基线漂移以及如何设置边界条件。这些决定都在瑕疵模型构造工艺中被***化并且自动化。在一些情况下,构造瑕疵模型所需的全部是识别瑕疵情况和将数据样本标注为与具有合适的“坏”标签的晶片相关。
本发明的方法随后自动执行数据处理,预先过滤数据通道并进一步减少通过PCA的晶片数据的数据维度。其中,加权PCA、自动查明基线(室)飘移和/或基于瑕疵模型生成的所发明的瑕疵分类方法,二维数据制图和瑕疵边界设定构成瑕疵模型构建工序,瑕疵的检测和分类高度自动、可靠和高效。
尽管本发明已经通过几个实施方式中的术语进行了描述,有一些变化、置换或者等同方式也落入本发明的范围。如果其中使用了术语“系列”(“set”),该词具有数学上的通常意义,涵盖了0,1或者大于1的数字。还需要注意的是,实现本发明的方法和设备的变化方式非常多。更进一步地,本发明的实施方式在其他的应用中也可发现其有效。这里提供的摘要部分是为了方便,并且由于字数限制相应地为了阅读方便进行撰写,不应当被理解为限制权利要求的范围。因而,后附的权利要求书被理解为包括所有这样的变化、置换或者等价物,使其落入本发明的真实精神和保护范围。
Claims (20)
1.在晶片加工中自动检测瑕疵情况并分类所述瑕疵情况的方法,包括:
在所述晶片加工中通过一系列传感器采集加工数据;
将所述加工数据传送到瑕疵检测/分类模块;
通过所述瑕疵检测/分类模块执行所述加工数据的数据处理;以及
在所述加工数据和储存在瑕疵库中的多个瑕疵模型之间进行对比,其中所述多个瑕疵模型中的每个瑕疵模型表示了表征特定瑕疵情况的一系列数据,其中所述每个瑕疵模型至少包括瑕疵特征,瑕疵边界以及一系列主元分析参数,
其中所述瑕疵特征由修正的瑕疵矢量表征,该修正的瑕疵矢量是基于未修正的瑕疵矢量和室漂移来计算的。
2.如权利要求1所述的方法,其中通过所述瑕疵检测/分类模块执行的所述加工数据的所述数据处理包括对每个传感器通道执行综合统计数据的计算,其中所述综合统计数据的计算的所述执行至少包括对所述加工数据执行预过滤,从而排除对所述瑕疵情况不发生变化的第一系列的传感器通道。
3.如权利要求2所述的方法,其中所述数据处理进一步包括对第二系列的传感器通道执行加权主元分析,其中所述第二系列的传感器通道不包括所述第一系列的传感器通道。
4.如权利要求3所述的方法,其中所述数据处理进一步包括生成表现在基于所述一系列主元分析参数的多维主元分析空间的一系列数据样本。
5.如权利要求4所述的方法,其中与所述多个瑕疵模型的所述对比包括所计算的所述加工数据与同第一瑕疵模型相关的一系列瑕疵矢量之间的相关性。
6.如权利要求5所述的方法,其中所述对比进一步包括确定所述加工数据是否处于所述第一瑕疵模型的瑕疵边界以内,其中
如果所述加工数据处于所述第一瑕疵模型的所述瑕疵边界以内,生成提示可能的瑕疵情况的警告,以及
如果所述加工数据处于所述第一瑕疵模型的所述瑕疵边界以外,确定另一个用于对所述加工数据执行对比的瑕疵模型。
7.如权利要求1所述的方法,其中所述每个瑕疵模型的生成方法如下:
采集多块晶片的多个传感器数据,
对所述多个数据的每个系列的传感器数据进行标注,其中所述标注包括坏系列的传感器数据,好系列的传感器数据以及未知系列的传感器数据中的一种,以及
对多个传感器通道执行预过滤,从而排除第一系列的传感器通道,其中所述第一系列的传感器通道不包括对瑕疵检测有贡献的传感器数据,其中所述预过滤包括计算跨越所述多块晶片的所述多个传感器通道的每个传感器通道的综合统计数据。
8.如权利要求7所述的方法,其中所述每个系列的传感器数据的所述标注是基于与加工室的部件的情况和所述每个系列的传感器数据相关的晶片的情况中的至少一种相关的特征。
9.如权利要求7所述的方法,其中所述综合统计数据的所述计算包括对所述每个通道的传感器数据进行局部线性拟合。
10.如权利要求7所述的方法,其中所述预过滤进一步包括计算在所述综合统计数据中的变化。
11.在等离子加工***的加工室内的晶片加工中用于自动检测瑕疵情况并分类所述瑕疵情况的装置,该装置包括:
设置为在晶片加工中监测所述加工室并收集加工数据的一系列传感器;
设置为至少用于储存多个瑕疵模型的瑕疵库,其中所述多个瑕疵模型中的每个瑕疵模型都代表表征某个特定瑕疵情况的一系列数据;以及
设置为对所述加工数据进行分析的瑕疵监测/分类模块,其中所述分析包括将所述加工数据与所述多个瑕疵模型中的至少一个瑕疵模型进行对比,其中每个瑕疵模型至少包括瑕疵特征、瑕疵边界和一系列主元分析参数,
其中所述瑕疵特征由修正的瑕疵矢量表征,该修正的瑕疵矢量是基于未修正的瑕疵矢量和室漂移来计算的。
12.如权利要求11所述的装置,进一步包括设置为基于所述瑕疵检测/分类模块的输出控制所述等离子加工***的控制器。
13.如权利要求11所述的装置,其中所述瑕疵检测/分类模块所执行的所述分析包括对每个数据通道执行综合统计数据的计算,其中所述综合统计数据的计算的所述执行包括至少对所述加工数据进行预过滤,从而排除对所述瑕疵情况不发生变化的第一系列的传感器通道。
14.如权利要求13所述的装置,其中由所述瑕疵监测/分类模块执行的所述分析包括对第二系列的传感器通道执行加权主元分析,其中所述第二系列的传感器通道不包括所述第一系列的传感器通道。
15.如权利要求14所述的装置,其中由所述瑕疵监测/分类模块执行的所述分析包括基于主元分析参数生成表现在多维主元分析空间中的一系列的数据样本。
16.如权利要求15所述的装置,其中由所述瑕疵监测/分类模块执行的所述分析包括分析所计算的所述加工数据和与第一瑕疵模型相关的一系列瑕疵矢量的相关性。
17.如权利要求16所述的装置,其中由所述瑕疵监测/分类模块执行的所述分析包括确定所述加工数据是否处于所述第一瑕疵模型的瑕疵边界以内,其中
如果所述加工数据处于所述第一瑕疵模型的所述瑕疵边界以内,生成提示可能的瑕疵情况的警告,以及
如果所述加工数据处于所述第一瑕疵模型的所述瑕疵边界以外,确定另一个用于对所述加工数据执行对比的瑕疵模型。
18.如权利要求11所述的装置,其中所述每个瑕疵模型的生成方法如下:
采集多块晶片的多个传感器数据,
对所述多个数据的每个系列的传感器数据进行标注,其中所述标注包括坏系列的传感器数据,好系列的传感器数据以及未知系列的传感器数据中的一个,以及
对多个传感器通道执行预过滤,从而排除第一系列的传感器通道,其中所述第一系列的传感器通道不包括对瑕疵检测有贡献的传感器数据,其中所述预过滤包括计算跨越所述多块晶片的所述多个传感器通道的每个传感器通道的综合统计数据。
19.如权利要求18所述的装置,其中所述每个系列的传感器数据的所述标注是基于与所述加工室的部件的情况和所述每个系列的传感器数据相关的晶片的情况中的至少一种相关的特征。
20.如权利要求17所述的装置,其中所述综合统计数据的所述计算包括对所述每个通道的传感器数据进行局部线性拟合。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US22209809P | 2009-06-30 | 2009-06-30 | |
US61/222,098 | 2009-06-30 | ||
PCT/US2010/040452 WO2011002798A2 (en) | 2009-06-30 | 2010-06-29 | Automatic fault detection and classification in a plasma processing system and methods thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102473660A CN102473660A (zh) | 2012-05-23 |
CN102473660B true CN102473660B (zh) | 2015-03-18 |
Family
ID=43411703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080029053.6A Active CN102473660B (zh) | 2009-06-30 | 2010-06-29 | 等离子加工***自动瑕疵检测和分类及其方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8989888B2 (zh) |
JP (1) | JP5735499B2 (zh) |
KR (1) | KR101799603B1 (zh) |
CN (1) | CN102473660B (zh) |
SG (2) | SG176797A1 (zh) |
TW (1) | TWI509376B (zh) |
WO (1) | WO2011002798A2 (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8538572B2 (en) * | 2009-06-30 | 2013-09-17 | Lam Research Corporation | Methods for constructing an optimal endpoint algorithm |
US8618807B2 (en) * | 2009-06-30 | 2013-12-31 | Lam Research Corporation | Arrangement for identifying uncontrolled events at the process module level and methods thereof |
US8983631B2 (en) * | 2009-06-30 | 2015-03-17 | Lam Research Corporation | Arrangement for identifying uncontrolled events at the process module level and methods thereof |
US8473089B2 (en) * | 2009-06-30 | 2013-06-25 | Lam Research Corporation | Methods and apparatus for predictive preventive maintenance of processing chambers |
CN103250107A (zh) * | 2010-12-31 | 2013-08-14 | 中国科学院自动化研究所 | 用于设备故障检测的智能检测***及检测方法 |
JP5779482B2 (ja) | 2011-11-15 | 2015-09-16 | 株式会社日立ハイテクノロジーズ | プラズマ処理装置およびプラズマ処理方法 |
CN102539192B (zh) * | 2012-01-20 | 2015-06-17 | 北京信息科技大学 | 一种基于ica重构的故障预测方法 |
US10128090B2 (en) | 2012-02-22 | 2018-11-13 | Lam Research Corporation | RF impedance model based fault detection |
CN104063984A (zh) * | 2013-03-21 | 2014-09-24 | 英华达(南京)科技有限公司 | 不良品超标的自动警报方法 |
KR102026069B1 (ko) | 2013-08-05 | 2019-09-30 | 삼성전자 주식회사 | 반도체 설비의 센서 데이터 분할 시스템 및 그 방법 |
CN104730372B (zh) * | 2013-12-13 | 2018-08-10 | 朗姆研究公司 | 基于rf阻抗模型的故障检测 |
US10950421B2 (en) * | 2014-04-21 | 2021-03-16 | Lam Research Corporation | Using modeling for identifying a location of a fault in an RF transmission system for a plasma system |
KR102223623B1 (ko) | 2014-07-30 | 2021-03-08 | 삼성전자주식회사 | 반도체 제조설비의 관리방법 및 그의 관리시스템 |
US20160048399A1 (en) * | 2014-08-15 | 2016-02-18 | At&T Intellectual Property I, L.P. | Orchestrated sensor set |
US10133263B1 (en) | 2014-08-18 | 2018-11-20 | Kla-Tencor Corporation | Process condition based dynamic defect inspection |
KR20180073700A (ko) * | 2015-11-16 | 2018-07-02 | 도쿄엘렉트론가부시키가이샤 | 진보된 광학 센서 및 플라즈마 챔버용 방법 |
JP6675014B2 (ja) * | 2016-11-30 | 2020-04-01 | 株式会社日立製作所 | データ収集システム、異常検出方法、及びゲートウェイ装置 |
JP6857068B2 (ja) * | 2017-03-31 | 2021-04-14 | アズビル株式会社 | 時系列データ記録方法および装置 |
JP6840013B2 (ja) * | 2017-03-31 | 2021-03-10 | アズビル株式会社 | 時系列データ記録方法および装置 |
US10545821B2 (en) * | 2017-07-31 | 2020-01-28 | Hewlett Packard Enterprise Development Lp | Fault-tolerant dot product engine |
KR101994036B1 (ko) * | 2018-02-21 | 2019-06-27 | 한양대학교 산학협력단 | 플라즈마 측정 장치 |
WO2019226462A1 (en) * | 2018-05-25 | 2019-11-28 | Lam Research Corporation | Heater fault determination during processing |
US11316537B2 (en) | 2019-06-03 | 2022-04-26 | Hewlett Packard Enterprise Development Lp | Fault-tolerant analog computing |
CN110380389B (zh) * | 2019-06-25 | 2021-09-10 | 昆明理工大学 | 一种基于二维判断平面的新型混合补偿线路暂态量方向保护方法 |
JP7482651B2 (ja) * | 2020-03-04 | 2024-05-14 | キヤノン株式会社 | 情報処理装置、監視方法、プログラムおよび物品製造方法 |
EP4113574B1 (en) | 2021-07-02 | 2024-01-03 | Comet AG | Method for machine learning a detection of at least one irregularity in a plasma system |
EP4113352A1 (en) | 2021-07-02 | 2023-01-04 | Comet AG | A method for improving digital signal processing in a radio-frequency system |
EP4242904A3 (en) | 2021-07-02 | 2023-11-01 | Comet AG | Method for machine learning a detection of at least one irregularity in a plasma system |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5859964A (en) * | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
CN100360704C (zh) * | 2002-06-28 | 2008-01-09 | 东京电子株式会社 | 用于在等离子体加工***中电弧抑制的方法和*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5710555A (en) * | 1994-03-01 | 1998-01-20 | Sonic Systems Corporation | Siren detector |
US8073667B2 (en) * | 2003-09-30 | 2011-12-06 | Tokyo Electron Limited | System and method for using first-principles simulation to control a semiconductor manufacturing process |
US8050900B2 (en) * | 2003-09-30 | 2011-11-01 | Tokyo Electron Limited | System and method for using first-principles simulation to provide virtual sensors that facilitate a semiconductor manufacturing process |
WO2005077024A2 (en) * | 2004-02-06 | 2005-08-25 | Test Advantage, Inc. | Methods and apparatus for data analysis |
JP4887628B2 (ja) * | 2005-02-07 | 2012-02-29 | 東京エレクトロン株式会社 | 半導体製造装置、コンピュータプログラム及び記憶媒体 |
US7477960B2 (en) * | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
US7596718B2 (en) * | 2006-05-07 | 2009-09-29 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
WO2008034092A2 (en) | 2006-09-15 | 2008-03-20 | Schneider Automation Inc. | System and method for detecting non-cathode arcing in a plasma generation apparatus |
TW200844429A (en) | 2007-05-15 | 2008-11-16 | Chi-Hao Yeh | An automatic optical inspection approach for detecting and classifying the surface defects on coating brightness enhancement film |
US8260034B2 (en) * | 2008-01-22 | 2012-09-04 | International Business Machines Corporation | Multi-modal data analysis for defect identification |
-
2010
- 2010-06-29 SG SG2011091717A patent/SG176797A1/en unknown
- 2010-06-29 US US13/381,643 patent/US8989888B2/en not_active Expired - Fee Related
- 2010-06-29 JP JP2012518580A patent/JP5735499B2/ja active Active
- 2010-06-29 SG SG10201403275UA patent/SG10201403275UA/en unknown
- 2010-06-29 KR KR1020117031712A patent/KR101799603B1/ko active IP Right Grant
- 2010-06-29 CN CN201080029053.6A patent/CN102473660B/zh active Active
- 2010-06-29 WO PCT/US2010/040452 patent/WO2011002798A2/en active Application Filing
- 2010-06-30 TW TW099121523A patent/TWI509376B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5859964A (en) * | 1996-10-25 | 1999-01-12 | Advanced Micro Devices, Inc. | System and method for performing real time data acquisition, process modeling and fault detection of wafer fabrication processes |
CN100360704C (zh) * | 2002-06-28 | 2008-01-09 | 东京电子株式会社 | 用于在等离子体加工***中电弧抑制的方法和*** |
Non-Patent Citations (1)
Title |
---|
Fault Detection and Classification through Multivariate Statistical Techniques;Jie Zhang, et al;《Proceedings of the American Control Conference》;19950623;第1卷;第752页左栏第3段至755页左栏第1段 * |
Also Published As
Publication number | Publication date |
---|---|
TWI509376B (zh) | 2015-11-21 |
CN102473660A (zh) | 2012-05-23 |
US8989888B2 (en) | 2015-03-24 |
JP2012532425A (ja) | 2012-12-13 |
KR20120107846A (ko) | 2012-10-04 |
JP5735499B2 (ja) | 2015-06-17 |
SG10201403275UA (en) | 2014-09-26 |
US20120101622A1 (en) | 2012-04-26 |
KR101799603B1 (ko) | 2017-11-20 |
TW201122743A (en) | 2011-07-01 |
SG176797A1 (en) | 2012-01-30 |
WO2011002798A3 (en) | 2011-03-17 |
WO2011002798A2 (en) | 2011-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102473660B (zh) | 等离子加工***自动瑕疵检测和分类及其方法 | |
JP6285640B2 (ja) | 自動及び手動欠陥分類の統合 | |
CN114972180A (zh) | 用于预测在装配单元中的缺陷的方法 | |
JP2018128468A (ja) | 自動欠陥分類のための未知欠陥除去の最適化 | |
JP2009010405A (ja) | 局所的外れ値の検出のための方法および装置 | |
EP2930579A2 (en) | State monitoring system, state monitoring method and state monitoring program | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
EP3373211A1 (en) | Management device and non-transitory computer-readable medium | |
WO2015100099A1 (en) | Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images | |
WO2018151680A1 (en) | Methods and devices for identifying population clusters in data | |
CN112528975A (zh) | 工业质检方法、装置和计算机可读存储介质 | |
KR20210062713A (ko) | 설계 및 잡음 기반 케어 영역들 | |
CN113888480A (zh) | 一种基于mes的质量追溯方法和*** | |
TWI783400B (zh) | 誤差因子的推定裝置及推定方法 | |
TW201906038A (zh) | 半導體晶圓檢測系統及其方法 | |
KR20210105335A (ko) | 반도체 시편에서의 결함들의 분류 | |
Kähler et al. | Anomaly detection for industrial surface inspection: application in maintenance of aircraft components | |
CN117333492B (zh) | 基于图像处理的光学薄膜质量检测方法及相关装置 | |
CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
CN113222884B (zh) | 检查样本的方法和其*** | |
CN115249316A (zh) | 工业缺陷检测方法和装置 | |
TWI399660B (zh) | 偵測半導體製程變異之方法 | |
US20160377552A1 (en) | System and Method for Production Line Monitoring | |
JP2008117380A (ja) | 診断プロセス支援方法とそのためのプログラム | |
JP5241302B2 (ja) | 特性分布解析方法および装置、基板分類方法および装置、上記特性分布解析方法または基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |