CN109844779A - 用于分析测量-良率相关性的方法和*** - Google Patents
用于分析测量-良率相关性的方法和*** Download PDFInfo
- Publication number
- CN109844779A CN109844779A CN201780063057.8A CN201780063057A CN109844779A CN 109844779 A CN109844779 A CN 109844779A CN 201780063057 A CN201780063057 A CN 201780063057A CN 109844779 A CN109844779 A CN 109844779A
- Authority
- CN
- China
- Prior art keywords
- yield
- data
- measurement
- process results
- anticipation function
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 40
- 238000010219 correlation analysis Methods 0.000 claims description 29
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 239000004065 semiconductor Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 208000034972 Sudden Infant Death Diseases 0.000 description 6
- 206010042440 Sudden infant death syndrome Diseases 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
Abstract
提供一种用于分析测量‑良率相关性的方法和***。根据本发明的实施例的用于分析测量‑良率相关性的方法通过使用作为在执行工艺之后测量的工艺结果数据和针对每个收集的工艺结果数据的实际良率数据的数据对的测量‑良率数据,得到第一良率预测函数;通过使用第一良率预测函数提取测量‑良率数据中的一些;随后通过使用提取的测量‑良率数据得到第二良率预测函数。这样,可得到指示高相关性/可靠性的测量‑良率相关性,使得可从在执行工艺之后测量的工艺结果数据相对精确地预测最终良率。
Description
技术领域
本公开涉及分析技术,更具体地讲,涉及一种用于分析在制造半导体、显示器等的工艺中测量的数据与良率(yield)的相关性的方法和***。
背景技术
在通过多个工艺进行大量生产的工业(诸如,半导体工业)中,在重要工艺之间监视质量异常的发生以保证工艺稳定性。
因此,基于工艺结果数据来监视质量异常,并且当发生质量异常时生成警报,其中,工艺结果数据通过对完成到特定的工艺的晶片的特性进行测量而获得。
生成的警报可能是由于质量异常实际影响了最终良率而生成的真实警报,但是它也可能是假警报。因此,应确定警报是真实警报还是假警报。
为了区分真实警报和假警报,应确定工艺结果数据是否极大地影响了最终良率,并且为了实现这一点,测量-良率相关性被分析。然而,工艺结果数据的分布可能如此之宽以至于难以找到相关性。
发明内容
技术问题
开发本公开以解决以上讨论的现有技术的缺陷,并且本公开的目标是提供一种用于提供具有高相关性/可靠性的测量-良率相关性的方法和***,以提供关于在执行工艺之后测量的工艺结果数据对良率的影响的精确的指标。
技术方案
根据用于实现以上描述的目标的本公开的实施例,一种测量-良率相关性分析方法包括:收集在工艺被执行之后测量的工艺结果数据的步骤;收集关于每个收集的工艺结果数据的实际良率数据的步骤;通过使用作为测量的工艺结果数据和实际良率数据的数据对的测量-良率数据,得到第一良率预测函数的第一得到步骤;通过使用第一良率预测函数提取测量-良率数据的一部分的步骤;以及通过使用提取的测量-良率数据得到第二良率预测函数的第二得到步骤。
此外,第一得到步骤可包括:将测量-良率数据分组为多个组的第一分组步骤;从各个组选择代表数据的第一选择步骤;以及通过使用选择的代表数据得到第一良率预测函数的步骤。
此外,第二得到步骤可包括:将提取的测量-良率数据分组为多个组的第二分组步骤;从各个组选择代表数据的第二选择步骤;以及通过使用选择的代表数据得到第二良率预测函数的步骤。
此外,代表数据可以是具有最大实际良率数据的测量-良率数据。
此外,良率预测函数可以是最大良率预测函数。
此外,在第一分组步骤中分组出来的组的数量可与在第二分组步骤中分组出来的组的数量不同。
此外,第一选择步骤和第二选择步骤可不从未包括测量-良率数据的组选择代表数据。
此外,提取的步骤可基于将“关于工艺结果数据的实际良率数据”与“通过将工艺结果数据输入到第一良率预测函数计算的预测良率数据”进行比较的结果来提取测量-良率数据的一部分。
此外,所述比较的结果可以是将“关于工艺结果数据的实际良率数据”与“通过将工艺结果数据输入到第一良率预测函数计算的预测良率数据”之间的绝对差值与阈值进行比较的结果。
阈值可以是从绝对差值计算的代表值。
工艺可以是组成制造工艺的多个工艺中的任何一个。
制造工艺可以是制造半导体或显示器的工艺。
根据本公开的另一实施例,一种测量-良率相关性分析***包括:收集器,被配置为:收集在工艺被执行之后测量的工艺结果数据和关于每个收集的工艺结果数据的实际良率数据;以及处理器,被配置为:通过使用作为测量的工艺结果数据和实际良率数据的数据对的测量-良率数据得到第一良率预测函数,通过使用第一良率预测函数提取测量-良率数据的一部分,并通过使用提取的测量-良率数据得到第二良率预测函数。
有益效果
根据如上所述的本公开的实施例,可提供一种具有高相关性/可靠性的测量-良率相关性,因此能够从在工艺被执行之后测量的工艺结果数据相对精确地预测最终输出。
因此,当由于异常的数据测量导致联锁发生时,能够确定由异常的数据测量导致的警报是真实警报还是假警报,此外,能够掌握与良率具有高相关性/对良率具有影响的工艺,并能够对工艺做出诸如强化管理的措施。
具体地讲,根据本公开的实施例,从每个工艺结果数据段选择最大良率数据,使得不同段的工艺结果数据的影响能够被最小化。
此外,根据本公开的各种实施例,通过执行两次回归分析得到最大良率预测函数。与第一次回归分析不同,第二次回归分析在对应于噪声的测量-良率数据被去除之后执行,使得能够得到具有高精确性/可靠性的最大良率预测函数。
附图说明
图1是用于说明根据本公开的实施例的测量-良率相关性分析方法而提供的流程图;
图2是示出工艺结果数据和实际良率数据的示图;
图3是示出将测量-良率数据分成12等份(equal part)的结果的示图;
图4是示出选择每个组的最大良率数据的结果的示图;
图5是提出通过使用回归分析得到的最大良率预测函数的示图;
图6是用于说明用于通过从测量-良率数据去除噪声仅提取有效数据的方法而提供的示图;
图7是示出将测量-良率数据分成24等份的结果的示图;
图8是示出选择每个组的最大良率数据的结果的示图;
图9是提出通过使用回归分析得到的最大良率预测函数的示图;
图10是根据本公开的另一实施例的相关性分析***的框图。
具体实施方式
在下文中,将参照附图更详细地描述本公开。
本公开的实施例提出一种用于分析测量-良率相关性的方法。“测量-良率相关性”是指当制造工艺完成到特定顺序的工艺时测量的工艺结果数据与良率之间的相关性。
当测量-良率相关性的分析完成时,可从工艺结果数据预测最大良率。例如,通过使用分析测量-良率相关性的结果,可从工艺结果数据“6.7”预测最大良率“95.2%”,并且可从工艺结果数据“5.5”预测最大良率“88.5%”。
此外,当由于测量中的异常导致联锁(interlock)发生时,可通过使用分析测量-良率相关性的结果来确定由异常的数据测量导致的警报是真实警报还是假警报。
图1是用于说明根据本公开的实施例的测量-良率相关性分析方法而提供的流程图。由作为一种计算***的测量-良率相关性分析***(在下文中,被称为“相关性分析***”)来执行示出的方法。
如图1中所示,首先,相关性分析***收集在用于分析与良率的相关性的目标工艺完成之后测量的工艺结果数据(S110)。
其后,在所有的制造工艺完成之后,与在步骤S110中收集的各个工艺结果数据对应的实际良率数据被收集(S120)。
图2示出在用于分析与良率的相关性的工艺“n”完成之后测量的工艺结果数据“a”、“b”、“c”和分别与工艺结果数据对应的实际良率数据“A”、“B”、“C”。
数据“a”、“b”、“c”对应于在步骤S110中收集的数据,数据“A”、“B”、“C”对应于在步骤S120中收集的数据。为了便于说明,图2仅示出三对数据。然而,可存在许多对数据。
图2的右下部分示出的最大良率能力值曲线是根据本公开的实施例的测量-良率相关性分析方法的最终输出,其中,最大良率能力值曲线指示关于工艺结果数据的最大良率,在下文中,将被称为最大良率预测函数。
通过在步骤S110和S120中收集数据,相关性分析***获得“测量的工艺结果数据和实际良率数据的对”(在下文中,被称为“测量-良率数据”)。
其后,相关性分析***将测量-良率数据分组为多个组(S130)。分组的标准是工艺结果数据。也就是说,具有相似的工艺结果数据的测量-良率数据形成组。
更具体地讲,如图3中所示,从最小工艺结果数据到最大工艺结果数据的段(section)可被分为12等份,并且测量-良率数据被分组为13个组。
接下来,相关性分析***从每个组选择最大良率数据(S140)。不从未包括测量-良率数据的组选择最大良率数据。
图4示出从每个组选择最大良率数据的结果。在图4中,由“●”指示的测量-良率数据对应于相应组中的最大良率数据。
其后,相关性分析***通过使用在步骤S140中选择的最大数据得到最大良率预测函数(S150)。为了得到最大良率预测函数,可针对最大良率数据利用回归分析。
图5提出通过回归分析得到的最大良率预测函数。在这个处理中,最大良率数据与得到的最大良率预测函数之间的相关性系数被获得。
接下来,相关性分析***通过使用在步骤S150中得到的最大良率预测函数,从在步骤S110和步骤S120中收集的测量-良率数据,仅提取有效数据(S160)。
步骤S160对应于从收集的测量-良率数据去除对应于噪声的数据的处理。为了实现这一点,基于以下等式计算容许限度(tolerance limit,TL)。
TL=median(d1~dn)
其中,如图6所示,d是“关于工艺结果数据的实际良率数据”与“通过将工艺结果数据输入到最大良率预测函数计算的预测良率数据”之间的绝对差值。此外,median是中间值,n是收集的测量-良率数据的数量。
此外,如图6中所示,“关于工艺结果数据的预测良率数据与实际良率数据之间的绝对差值”大于“TL”的测量-良率数据被去除。也就是说,在步骤S160中,仅“关于工艺结果数据的预测良率数据与实际良率数据之间的绝对差值”小于或等于“TL”的测量-良率数据被提取。
由于TL是中间值,所以一半的测量良率数据被去除。作为TL,平均值而不是中间值可被应用,并且将权重(0~1)施加到平均值的值可被应用。
其后,相关性分析***将在步骤S160中提取的测量-良率数据重新分组为多个组(S170)。如同在步骤S130中一样,分组标准是工艺结果数据。
然而,如图7所示,在步骤S170中的分组是将数据分成比步骤S130中分成的份数(即,12)大的24等份。这是可选的内容,并且分组可被不同地实现。也就是说,分成的份数可等于或小于在步骤S130中分成的份数。
接下来,相关性分析***从每个组选择最大良率数据(S180)。如同在步骤S140中一样,不从未包括测量-良率数据的组选择最大良率数据。图8示出从每个组选择最大良率数据的结果。
其后,相关性分析***通过使用在步骤S180中选择的最大数据得到最大良率预测函数(S190)。如同在步骤S150中一样,可针对最大良率数据利用回归分析来得到最大良率预测函数。
图9提出通过使用回归分析得到的最大良率预测函数。
到目前为止已参照优选的实施例描述了测量-良率相关性分析方法。
作为根据本公开的实施例的测量-良率相关性分析方法的输出的最大良率预测函数(最大良率能力值曲线)能够基于在特定工艺步骤测量的工艺结果数据与良率之间的相关性来预测良率。
此外,当由于异常的数据测量导致联锁发生时,能够确定由异常的数据测量导致的警报是真实警报还是假警报,此外,能够掌握与良率具有高相关性/对良率具有影响的工艺,并且能够对工艺做出诸如强化管理的措施。
在本公开的实施例中,从每个组选择最大良率数据,也就是说,从每个工艺结果数据段选择最大良率数据。这可最小化不同段的工艺结果数据的影响。
此外,通过执行两次回归分析得到最大良率预测函数。与第一次回归分析不同,在对应于噪声的测量-良率数据被去除之后执行第二次回归分析,使得最大良率预测函数的精确性/可靠性可被提高。
根据本公开的实施例的测量-良率相关性分析方法可广泛应用于半导体、显示器和其它装置的制造。
将参照图10详细描述能够执行根据本公开的实施例的测量-良率相关性分析方法的相关性分析***。图10是根据本公开的另一实施例的相关性分析***的框图。
如图10中所示,根据本公开的实施例的相关性分析***包括通信单元210、显示器220、处理器230、输入单元240和存储装置250。
通信单元210是用于通过与外部装置或外部网络连接通信来传输数据的装置。
显示器220是用于显示信息的装置,输入单元240是用于输入信息的装置。显示器220和输入单元240可被集成为触摸屏,并且当相关性分析***具有移动类型时这样更有用。
以上描述的工艺结果数据和实际良率数据可经由通信单元210从测量装置/网络接收,或者可通过经由输入单元240接收来收集。因此,通信单元210和输入单元240用作数据收集装置。
此外,用于对测量-良率数据进行分组的分组标准和用于从测量-良率数据仅选择有效数据的容许限度(TL)可经由通信单元210接收,或可经由输入单元240输入。
处理器230通过使用接收的/输入的数据、标准、条件等执行图1示出的相关性分析算法,并可通过显示器220显示执行的结果,或可通过通信单元210将结果传送到外部装置/网络。
存储装置250提供处理器230执行相关性分析算法所需的存储空间。
本公开的技术理念可应用于计算机可读记录介质,所述计算机可读记录介质记录用于执行根据本实施例的设备的功能和方法的计算机程序。此外,根据本公开的各种实施例的技术理念可以以记录在计算机可读记录介质上的计算机可读代码的形式来实现。计算机可读记录介质可以是可由计算机读取并可存储数据的任何数据存储装置。例如,计算机可读记录介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘、光盘、硬盘驱动器等。存储在计算机可读记录介质中的计算机可读代码或程序可经由连接在计算机之间的网络来发送。
此外,尽管已经示出和描述了本公开的优选实施例,但是本公开不限于以上描述的具体实施例。在不脱离在权利要求中要求的本公开的范围的情况下,本领域技术人员可进行各种改变,此外,改变的实施例不应被理解为脱离本公开的技术理念或预期。
Claims (12)
1.一种测量-良率相关性分析方法,包括:
收集在工艺被执行之后测量的工艺结果数据的步骤;
收集关于每个收集的工艺结果数据的实际良率数据的步骤;
通过使用作为测量的工艺结果数据和实际良率数据的数据对的测量-良率数据得到第一良率预测函数的第一得到步骤;
通过使用第一良率预测函数提取测量-良率数据的一部分的步骤;
通过使用提取的测量-良率数据得到第二良率预测函数的第二得到步骤。
2.根据权利要求1所述的方法,其中,第一得到步骤包括:
将测量-良率数据分组为多个组的第一分组步骤;
从各个组选择代表数据的第一选择步骤;
通过使用选择的代表数据得到第一良率预测函数的步骤。
3.根据权利要求2所述的方法,其中,第二得到步骤包括:
将提取的测量-良率数据分组为多个组的第二分组步骤;
从各个组选择代表数据的第二选择步骤;
通过使用选择的代表数据得到第二良率预测函数的步骤。
4.根据权利要求3所述的方法,其中,代表数据是具有最大实际良率数据的测量-良率数据,良率预测函数是最大良率预测函数。
5.根据权利要求3所述的方法,其中,在第一分组步骤中分组出来的组的数量与在第二分组步骤中分组出来的组的数量不同。
6.根据权利要求3所述的方法,其中,第一选择步骤和第二选择步骤不从未包括测量-良率数据的组选择代表数据。
7.根据权利要求3所述的方法,其中,提取的步骤基于将“关于工艺结果数据的实际良率数据”与“通过将工艺结果数据输入到第一良率预测函数计算的预测良率数据”进行比较的结果,来提取测量-良率数据的一部分。
8.根据权利要求7所述的方法,其中,所述比较的结果是将“关于工艺结果数据的实际良率数据”与“通过将工艺结果数据输入到第一良率预测函数计算的预测良率数据”之间的绝对差值与阈值进行比较的结果。
9.根据权利要求8所述的方法,其中,阈值是从绝对差值计算的代表值。
10.根据权利要求1所述的方法,其中,工艺是组成制造工艺的多个工艺中的任何一个。
11.根据权利要求9所述的方法,其中,制造工艺是制造半导体或显示器的工艺。
12.一种测量-良率相关性分析***,包括:
收集器,被配置为:收集在工艺被执行之后测量的工艺结果数据和关于每个收集的工艺结果数据的实际良率数据;
处理器,被配置为:通过使用作为测量的工艺结果数据与实际良率数据的数据对的测量-良率数据得到第一良率预测函数,通过使用第一良率预测函数提取测量-良率数据的一部分,并通过使用提取的测量-良率数据得到第二良率预测函数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2016-0102112 | 2016-08-11 | ||
KR1020160102112A KR102036956B1 (ko) | 2016-08-11 | 2016-08-11 | 계측-수율 상관성 분석 방법 및 시스템 |
PCT/KR2017/008500 WO2018030733A1 (ko) | 2016-08-11 | 2017-08-07 | 계측-수율 상관성 분석 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109844779A true CN109844779A (zh) | 2019-06-04 |
CN109844779B CN109844779B (zh) | 2023-07-21 |
Family
ID=61163385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780063057.8A Active CN109844779B (zh) | 2016-08-11 | 2017-08-07 | 用于分析测量-良率相关性的方法和*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190179867A1 (zh) |
JP (1) | JP6739622B2 (zh) |
KR (1) | KR102036956B1 (zh) |
CN (1) | CN109844779B (zh) |
WO (1) | WO2018030733A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163799A (zh) * | 2020-12-02 | 2021-01-01 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析*** |
TWI721718B (zh) * | 2019-12-19 | 2021-03-11 | 新加坡商鴻運科股份有限公司 | 電路板智慧檢測方法、裝置、系統及存儲介質 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220147936A (ko) | 2021-04-28 | 2022-11-04 | 에스케이가스 주식회사 | 상업 화학 공정에서 핵심인자를 반영한 공정 변화 예측을 위한 시스템 및 방법 |
KR20240021642A (ko) * | 2022-08-10 | 2024-02-19 | 에스케이가스 주식회사 | 화학공정의 수율 예측 시뮬레이션 시스템 및 방법 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05135068A (ja) * | 1991-11-15 | 1993-06-01 | Hitachi Ltd | 歩留り予測システム |
JP2002323924A (ja) * | 2001-02-21 | 2002-11-08 | Toshiba Corp | 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 |
TWI229915B (en) * | 2004-02-13 | 2005-03-21 | Taiwan Semiconductor Mfg | Method and system for analyzing wafer yield against uses of a semiconductor tool |
KR20090001148A (ko) * | 2007-06-29 | 2009-01-08 | 삼성전자주식회사 | 가상 계측 시스템 및 가상 계측 방법 |
CN103187329A (zh) * | 2011-12-28 | 2013-07-03 | 无锡华润上华科技有限公司 | 一种晶圆良率分析方法 |
US20150248127A1 (en) * | 2014-03-03 | 2015-09-03 | Samsung Electronics Co., Ltd. | Process management systems using comparison of statistical data to process parameters and process management devices |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8732627B2 (en) * | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
KR20140011064A (ko) * | 2012-07-17 | 2014-01-28 | 서울과학기술대학교 산학협력단 | 이상치 탐지 기법을 이용한 가상 계측 결과의 신뢰도 추정 방법 |
KR101538843B1 (ko) * | 2013-05-31 | 2015-07-22 | 삼성에스디에스 주식회사 | 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 |
-
2016
- 2016-08-11 KR KR1020160102112A patent/KR102036956B1/ko active IP Right Grant
-
2017
- 2017-08-07 JP JP2019505449A patent/JP6739622B2/ja active Active
- 2017-08-07 WO PCT/KR2017/008500 patent/WO2018030733A1/ko active Application Filing
- 2017-08-07 US US16/324,226 patent/US20190179867A1/en not_active Abandoned
- 2017-08-07 CN CN201780063057.8A patent/CN109844779B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05135068A (ja) * | 1991-11-15 | 1993-06-01 | Hitachi Ltd | 歩留り予測システム |
JP2002323924A (ja) * | 2001-02-21 | 2002-11-08 | Toshiba Corp | 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 |
TWI229915B (en) * | 2004-02-13 | 2005-03-21 | Taiwan Semiconductor Mfg | Method and system for analyzing wafer yield against uses of a semiconductor tool |
KR20090001148A (ko) * | 2007-06-29 | 2009-01-08 | 삼성전자주식회사 | 가상 계측 시스템 및 가상 계측 방법 |
CN103187329A (zh) * | 2011-12-28 | 2013-07-03 | 无锡华润上华科技有限公司 | 一种晶圆良率分析方法 |
US20150248127A1 (en) * | 2014-03-03 | 2015-09-03 | Samsung Electronics Co., Ltd. | Process management systems using comparison of statistical data to process parameters and process management devices |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI721718B (zh) * | 2019-12-19 | 2021-03-11 | 新加坡商鴻運科股份有限公司 | 電路板智慧檢測方法、裝置、系統及存儲介質 |
CN112163799A (zh) * | 2020-12-02 | 2021-01-01 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析*** |
CN112163799B (zh) * | 2020-12-02 | 2021-03-02 | 晶芯成(北京)科技有限公司 | 半导体产品的良率分析方法及良率分析*** |
Also Published As
Publication number | Publication date |
---|---|
JP2019528523A (ja) | 2019-10-10 |
KR20180029114A (ko) | 2018-03-20 |
KR102036956B1 (ko) | 2019-10-25 |
US20190179867A1 (en) | 2019-06-13 |
WO2018030733A1 (ko) | 2018-02-15 |
CN109844779B (zh) | 2023-07-21 |
JP6739622B2 (ja) | 2020-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109844779A (zh) | 用于分析测量-良率相关性的方法和*** | |
EP2963553B1 (en) | System analysis device and system analysis method | |
CN104216349B (zh) | 利用制造设备的传感器数据的成品率分析***及方法 | |
US7584162B2 (en) | Manufacture data analysis method and manufacture data analyzer apparatus | |
RU2601669C2 (ru) | Система мониторинга измерительной схемы турбореактивного двигателя | |
CN109583470A (zh) | 一种异常检测的解释特征确定方法和装置 | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
CN111611146A (zh) | 一种微服务故障预测方法和装置 | |
CN102945222B (zh) | 一种基于灰色理论的乏信息测量数据粗大误差判别方法 | |
CN116662861A (zh) | 基于数字孪生模型驱动的多域图迁移轴承寿命预测方法 | |
CN117434372B (zh) | 电子产品的电磁兼容抗扰度测试方法及*** | |
CN117786371A (zh) | 一种温度监测数据优化预测分析方法及*** | |
CN117314020A (zh) | 一种浮游生物的湿地碳汇数据监测*** | |
CN108536777B (zh) | 一种数据处理方法、服务器集群及数据处理装置 | |
JP6757846B2 (ja) | 工程/装備の計測データの微細変動検知方法及びシステム | |
CN111695501B (zh) | 一种基于操作***内核调用数据的设备软故障检测方法 | |
CN111474293B (zh) | 一种青枯病菌溶液测定方法及测定*** | |
CN113205215A (zh) | 一种基于知识的战场态势预测方法 | |
JP2011258651A (ja) | 試験装置、試験方法、そのコンピュータ・プログラムおよびそのプログラムを記録した記録媒体 | |
Urbánek et al. | Inferring productivity factor for use case point method | |
CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
CN116866219B (zh) | 一种用于idc数据中心的网络数据监控方法及*** | |
KR20240088027A (ko) | 반도체 제조용 시계열 데이터 처리 방법 및 이를 수행하기 위한 장치 | |
CN118152800A (zh) | 模型训练方法、故障类型检测方法、装置、设备及介质 | |
CN117906487A (zh) | 一种基于gnss时间序列的精准垂直形变提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |