CN117059511A - 一种晶圆材料内部应力分布检测方法及*** - Google Patents
一种晶圆材料内部应力分布检测方法及*** Download PDFInfo
- Publication number
- CN117059511A CN117059511A CN202311312913.2A CN202311312913A CN117059511A CN 117059511 A CN117059511 A CN 117059511A CN 202311312913 A CN202311312913 A CN 202311312913A CN 117059511 A CN117059511 A CN 117059511A
- Authority
- CN
- China
- Prior art keywords
- detection
- wafer
- internal stress
- model
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 66
- 239000000463 material Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 383
- 238000012545 processing Methods 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 98
- 230000006870 function Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 235000012431 wafers Nutrition 0.000 description 191
- 230000008569 process Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- 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
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请涉及数据处理技术领域，提供一种晶圆材料内部应力分布检测方法及***。所述方法包括：根据晶圆材料应用标准，获得内应力检测因素集合；依据内应力检测因素集合对晶圆内应力检测数据库进行分类，获取晶圆检测因素样本数据集；利用深度学习网络结构对晶圆检测因素样本数据集分别进行训练，再基于模型融合系数集合将基础内应力检测分支模型集合进行融合，生成晶圆内应力自适应检测模型；基于晶圆内应力自适应检测模型对加工节点检测数据流进行分析，获得晶圆内部应力分布检测结果。采用本方法能够达到通过构建自适应检测模型实现晶圆内应力智能化快速检测，提高内应力检测因素全面性，进而提高晶圆内应力检测精度和检测效率的技术效果。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种晶圆材料内部应力分布检测方法及***。
背景技术
晶圆内应力是指晶圆内部受到的压力或张力，在晶圆的制造过程中，因受到来自各种工艺等因素的作用与影响，当这些因素消失之后，仍有部分作用与影响残留在晶圆内，从而产生内应力。晶圆内应力的存在和分布会严重影响晶圆性能和稳定性，因此需对其内应力分布进行精确检测。然而，现有技术内应力检测智能化程度低，检测因素全面性不够，导致检测精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现晶圆内应力智能化快速检测，提高内应力检测因素全面性，进而提高晶圆内应力检测精度和检测效率的一种晶圆材料内部应力分布检测方法及***。
一种晶圆材料内部应力分布检测方法，所述方法包括：布设获得加工节点识别网络，基于所述加工节点识别网络采集获得目标晶圆的加工节点检测数据流；根据晶圆材料应用标准，获得内应力检测因素集合，所述内应力检测因素集合包括材料特性、尺寸厚度、表面缺陷以及加工工艺；构建晶圆内应力检测数据库，所述晶圆内应力检测数据库包括晶圆加工检测数据和内应力检测结果数据；依据所述内应力检测因素集合对所述晶圆内应力检测数据库进行分类，获取晶圆检测因素样本数据集；利用深度学习网络结构对所述晶圆检测因素样本数据集分别进行训练，获得基础内应力检测分支模型集合；获取模型融合系数集合，基于所述模型融合系数集合将所述基础内应力检测分支模型集合中的各分支模型进行融合，生成晶圆内应力自适应检测模型；基于所述晶圆内应力自适应检测模型对所述加工节点检测数据流进行分析，获得晶圆内部应力分布检测结果。
一种晶圆材料内部应力分布检测***，所述***包括：检测数据流获取模块，用于布设获得加工节点识别网络，基于所述加工节点识别网络采集获得目标晶圆的加工节点检测数据流；检测因素集合获得模块，用于根据晶圆材料应用标准，获得内应力检测因素集合，所述内应力检测因素集合包括材料特性、尺寸厚度、表面缺陷以及加工工艺；检测数据库构建模块，用于构建晶圆内应力检测数据库，所述晶圆内应力检测数据库包括晶圆加工检测数据和内应力检测结果数据；数据库分类模块，用于依据所述内应力检测因素集合对所述晶圆内应力检测数据库进行分类，获取晶圆检测因素样本数据集；分支模型训练获得模块，用于利用深度学习网络结构对所述晶圆检测因素样本数据集分别进行训练，获得基础内应力检测分支模型集合；自适应检测模型生成模块，用于获取模型融合系数集合，基于所述模型融合系数集合将所述基础内应力检测分支模型集合中的各分支模型进行融合，生成晶圆内应力自适应检测模型；检测结果获得模块，用于基于所述晶圆内应力自适应检测模型对所述加工节点检测数据流进行分析，获得晶圆内部应力分布检测结果。
上述一种晶圆材料内部应力分布检测方法及***，解决了现有技术内应力检测智能化程度低，检测因素全面性不够，导致检测精度较低的技术问题，达到了通过构建自适应检测模型实现晶圆内应力智能化快速检测，提高内应力检测因素全面性，进而提高晶圆内应力检测精度和检测效率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种晶圆材料内部应力分布检测方法的流程示意图；
图2为一个实施例中一种晶圆材料内部应力分布检测方法中获得目标晶圆的加工节点检测数据流的流程示意图；
图3为一个实施例中一种晶圆材料内部应力分布检测***的结构框图；
附图标记说明：检测数据流获取模块11，检测因素集合获得模块12，检测数据库构建模块13，数据库分类模块14，分支模型训练获得模块15，自适应检测模型生成模块16，检测结果获得模块17。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种晶圆材料内部应力分布检测方法，所述方法包括：
步骤S100：布设获得加工节点识别网络，基于所述加工节点识别网络采集获得目标晶圆的加工节点检测数据流；
在一个实施例中，如图2所示，所述获得目标晶圆的加工节点检测数据流，本申请步骤S100还包括：
步骤S110：根据所述加工节点识别网络，设置节点数据采集双通道，所述节点数据采集双通道包括结构化数据识别通道和图像数据识别通道；
步骤S120：基于所述结构化数据识别通道和图像数据识别通道分别采集获取所述目标晶圆的结构化检测数据流和多角度图像检测数据流；
步骤S130：对所述结构化检测数据流进行数据清洗处理，获取标准结构化检测数据流，对所述多角度图像检测数据流进行去噪预处理，得到标准图像检测数据流；
步骤S140：基于所述标准结构化检测数据流和标准图像检测数据流，生成所述加工节点检测数据流。
具体而言，晶圆内应力是指晶圆内部受到的压力或张力，在晶圆的制造过程中，因受到来自各种工艺等因素的作用与影响，当这些因素消失之后，仍有部分作用与影响残留在晶圆内，从而产生内应力。晶圆内应力的存在和分布会严重影响晶圆性能和稳定性，因此需对其内应力分布进行精确检测。为实现晶圆加工数据全面采集，在晶圆加工流程节点上布设获得加工节点识别网络，所述加工节点识别网络为传感器数据检测网络，由多种传感器组成，包括温度、湿度传感器、图像采集传感器、厚度传感器等。
基于所述加工节点识别网络对目标晶圆的加工流程节点数据进行采集，所述目标晶圆可以为一个或同一批次的待检测晶圆。首先为提高数据采集效率，根据所述加工节点识别网络，设置节点数据采集双通道，所述节点数据采集双通道按照数据采集格式类型分类设置，具体包括结构化数据识别通道和图像数据识别通道。其中，结构化数据识别通道采集数据类型为传感器采集的结构化数据格式，包括温度、湿度、厚度、加工工艺数据等，图像数据识别通道采集数据类型为晶圆图片格式，由图像采集传感器监测获取。
基于所述结构化数据识别通道和图像数据识别通道分别采集获取所述目标晶圆在加工流程节点中的结构化检测数据流和多角度图像检测数据流。同时，为提高采集数据可用性，对所述结构化检测数据流进行数据清洗处理，将检测数据流中的重复数据、错误数据等进行清除处理，获取对应的标准结构化检测数据流。对所述多角度图像检测数据流进行去噪预处理，可采用图像滤波算法对图像中存在的噪声进行滤波去噪，常用滤波算法包括自适应中值滤波、高斯滤波、双边滤波和导向滤波等，去噪得到标准图像检测数据流，从而提高图像质量。基于所述标准结构化检测数据流和标准图像检测数据流，整合生成加工节点检测数据流，作为晶圆加工流程检测数据，为后续晶圆内应力检测分析提供数据基础。实现数据智能化采集，提高数据采集全面性和数据可用标准化。
步骤S200：根据晶圆材料应用标准，获得内应力检测因素集合，所述内应力检测因素集合包括材料特性、尺寸厚度、表面缺陷以及加工工艺；
具体而言，获取所述目标晶圆的晶圆材料应用标准，即达到晶圆可应用标准的内应力分布要求，以保证晶圆内应力不超出应用界限。再根据晶圆材料应用标准，确定满足应用标准的内应力检测因素集合，所述内应力检测因素集合为与晶圆内应力关联的影响因素信息，包括材料特性、尺寸厚度、表面缺陷以及加工工艺等，提高晶圆内应力影响因素考虑全面性。
步骤S300：构建晶圆内应力检测数据库，所述晶圆内应力检测数据库包括晶圆加工检测数据和内应力检测结果数据；
在一个实施例中，所述构建晶圆内应力检测数据库，本申请步骤S300还包括：
步骤S310：基于所述内应力检测因素集合对晶圆加工流程进行数据采集，获得晶圆结构化检测数据流和晶圆图像检测数据流；
步骤S320：对所述晶圆图像检测数据流进行表面缺陷识别、特征标记，获得晶圆表面缺陷特征信息集；
步骤S330：根据所述晶圆结构化检测数据流和所述晶圆表面缺陷特征信息集，确定所述晶圆加工检测数据；
步骤S340：通过内应力检测仪采集获取所述内应力检测结果数据，基于所述晶圆加工检测数据和所述内应力检测结果数据，构建所述晶圆内应力检测数据库。
在一个实施例中，所述获得晶圆表面缺陷特征信息集，本申请步骤S320还包括：
步骤S321：基于晶圆缺陷识别器对所述晶圆图像检测数据流进行表面缺陷识别，获取晶圆表面缺陷信息集；
步骤S322：按照晶圆缺陷标签集合对晶圆表面缺陷信息集进行聚类标记，获得表面缺陷聚类标记结果；
步骤S323：对所述晶圆表面缺陷信息集分别进行缺陷点区域提取，获得表面缺陷特征提取值集；
步骤S324：基于所述表面缺陷聚类标记结果和所述表面缺陷特征提取值集，确定所述晶圆表面缺陷特征信息集。
具体而言，构建晶圆内应力检测数据库，所述晶圆内应力检测数据库为历史晶圆内应力加工检测数据集，包括晶圆加工检测数据和内应力检测结果数据。具体构建过程为：基于所述内应力检测因素集合对晶圆加工流程进行数据采集，即通过所述加工节点识别网络对晶圆加工流程节点数据检测采集，获得相应的晶圆结构化检测数据流和晶圆图像检测数据流，且检测数据流与所述内应力检测因素集合的检测数据相对应。对所述晶圆图像检测数据流进行表面缺陷识别以及缺陷特征标记，首先通过历史晶圆缺陷数据训练构建晶圆缺陷识别器，所述晶圆缺陷识别器为缺陷识别支持向量机，用于对晶圆表面缺陷进行快速识别。
基于晶圆缺陷识别器对所述晶圆图像检测数据流进行表面缺陷识别，输出获取晶圆表面缺陷信息集，即表面缺陷的晶圆检测数据流。再根据晶圆实际生产制定晶圆缺陷标签集合，所述晶圆缺陷标签集合为晶圆表面缺陷类型，包括氧化膜缺陷、杂质污染、机械缺陷等。按照晶圆缺陷标签集合对晶圆表面缺陷信息集进行聚类标记，将缺陷标签相同的表面缺陷信息聚为一类，划分获得表面缺陷聚类标记结果。同时对所述晶圆表面缺陷信息集分别进行缺陷点区域提取，即对表面缺陷的区域大小进行提取计算，可通过微积分计算获取各缺陷区域面积大小，并将计算的缺陷面积作为缺陷特征提取值，以此获得晶圆表面缺陷信息集对应的表面缺陷特征提取值集。基于所述表面缺陷聚类标记结果和所述表面缺陷特征提取值集，结合确定晶圆表面缺陷特征信息集，即所述晶圆表面缺陷特征信息集包括晶圆表面缺陷特征类型以及缺陷区域大小。
根据所述晶圆结构化检测数据流和所述晶圆表面缺陷特征信息集，整合确定晶圆加工检测数据，所述晶圆加工检测数据包括晶圆加工流程节点的传感器检测数据和表面缺陷特征分析数据，与所述内应力检测因素集合相对应。再通过内应力检测仪采集获取所述内应力检测结果数据，其中，内应力检测仪具备透光材料内应力分布测量及缺陷筛查等检测功能，其检测原理为基于偏振光应力双折射效应检测晶圆材料内部应力分布。当晶体材料由于内部缺陷存在应力集中时会导致应力双折射效应，偏振光透过它时会发生偏振态调制，通过测量透射光的斯托克斯矢量可以推算出材料的应力延迟量，从而得到材料内应力分布数据。基于所述晶圆加工检测数据和所述内应力检测结果数据，整合构建晶圆内应力检测数据库，作为模型训练数据依据。提高晶圆内应力检测数据库的存储数据全面性，进而提高后续内应力检测模型的训练数据全面性和准确性。
步骤S400：依据所述内应力检测因素集合对所述晶圆内应力检测数据库进行分类，获取晶圆检测因素样本数据集；
具体而言，依据所述内应力检测因素集合对所述晶圆内应力检测数据库进行分类，即按照所述内应力检测因素集合将所述晶圆内应力检测数据库中的检测数据分类整合。并将分类后的晶圆内应力检测数据作为晶圆检测因素样本数据集，以用于后续内应力检测模型的训练样本。
步骤S500：利用深度学习网络结构对所述晶圆检测因素样本数据集分别进行训练，获得基础内应力检测分支模型集合；
在一个实施例中，所述获得基础内应力检测分支模型集合，本申请步骤S500还包括：
步骤S510：从所述晶圆检测因素样本数据集中随机选取N组模型样本数据，对所述N组模型样本数据分别进行均等分布权重层训练，得到N个内应力检测分支模型；
步骤S520：对所述N个内应力检测分支模型的分别进行模型验证，获得N个模型准确率和所述N组模型样本数据的预测损失值集合；
步骤S530：基于所述N个模型准确率和所述预测损失值集合，迭代更新所述N组模型样本数据的权值分布，获取所述基础内应力检测分支模型集合。
在一个实施例中，所述更新所述N组模型样本数据的权值分布，申请步骤S530还包括：
步骤S531：构建样本权值更新函数，所述样本权值更新函数具体为：；其中，/>表明模型样本数据的更新后权值，/>表明第N个检测分支模型的第i个样本的权值，/>为第N个检测分支模型的模型准确率，/>为第N个检测模型对第i个样本的预测值，/>为第i个样本的正确输出值；
步骤S532：基于所述权值更新函数的计算结果，迭代更新所述N组模型样本数据的权值分布。
具体而言，利用深度学习网络结构对所述晶圆检测因素样本数据集分别进行训练，首先从所述晶圆检测因素样本数据集中随机选取N组模型样本数据，对所述N组模型样本数据分别进行均等分布权重层训练，即所述N组模型训练样本数据的初始权重相同，每组模型训练数据中的样本数据权重都是1/N，训练得到对应的N个内应力检测分支模型。训练获取的N个内应力检测分支模型为弱检测分支模型，模型检测准确率较低，因此可使用模型验证集对所述N个内应力检测分支模型的分别进行模型验证，获得相应的N个模型准确率和所述N组模型样本数据的预测损失值集合，所述预测损失值集合为模型样本数据实际值与模型输出预测值的差异值。
基于所述N个模型准确率和所述预测损失值集合，迭代更新所述N组模型样本数据的权值分布，以提高弱检测分支模型的输出准确率。权值迭代更新的具体过程为首先构建样本权值更新函数，所述样本权值更新函数为样本更新权值的计算函数，具体为：，其中，/>表明模型样本数据的更新后权值，/>表明第N个检测分支模型的第i个样本的权值，/>为第N个检测分支模型的模型准确率，为第N个检测模型对第i个样本的预测值，/>为第i个样本的正确输出值，即样本实际值。
基于所述权值更新函数的计算结果，迭代更新所述N组模型样本数据的权值分布，通过上述函数计算对于分类失败的训练数据个体赋予较大权重，下一次迭代运算时更加关注这些训练个体，使得前一个弱检测分支模型分错的样本权值会得到加强，以用于进行下一轮迭代。一直迭代直到达到预定的错误率或达到指定的最大迭代次数，训练获取所述晶圆检测因素样本数据集对应的基础内应力检测分支模型集合，提高检测分支模型的输出准确率。
步骤S600：获取模型融合系数集合，基于所述模型融合系数集合将所述基础内应力检测分支模型集合中的各分支模型进行融合，生成晶圆内应力自适应检测模型；
在一个实施例中，所述获取模型融合系数集合，本申请步骤S600还包括：
步骤S610：获得所述内应力检测因素集合的检测属性信息，对所述检测属性信息进行主成分分析，获得降维检测属性信息；
步骤S620：基于对所述降维检测属性信息进行因子分析，获得检测因素权重分配结果；
步骤S630：依据所述检测因素权重分配结果对所述应力检测因素集合中的各检测因素进行影响度赋予，获取检测因素影响度系数；
步骤S640：将所述检测因素影响度系数对所述N个模型准确率进行参数交融，获取所述模型融合系数集合。
具体而言，为提高检测分支模型的融合准确性，需对各检测分支模型的融合系数进行确定。其过程具体为：首先获取所述内应力检测因素集合中的检测属性信息，所述检测属性信息是为了全面分析内应力分布检测准确性，提出的与内应力检测因素相关的多个变量，包括工艺参数、材料弹性模量、加工设备等检测因素的具体参数。对所述检测属性信息进行主成分分析，即对检测属性进行降维处理，去除夹杂的噪声，将重要属性特征明确显示出来，从而得到与内应力分布检测关联性强的属性信息即降维检测属性信息。
基于对所述降维检测属性信息进行因子分析，即提取各检测属性中的共同特征，从而将本质相同的属性信息归为一个属性信息。其中，共同因子多的属性信息权重对应较大，共同因子少的属性信息权重对应较小，从而得到属性因素的权重分配结果即获得检测因素权重分配结果。通过利用主成分分析降维，降低了***计算复杂度，且通过因子分析对各属性因素权重分配，提高了权重分配结果的准确性和可靠性。依据所述检测因素权重分配结果对所述应力检测因素集合中的各检测因素进行影响度赋予，即将各检测因素的权重分配值作为该检测因素的影响度系数，以此获取各检测因素相应的检测因素影响度系数。
将所述检测因素影响度系数对所述N个模型准确率进行参数交融，即将影响度系数和模型准确率的乘积作为各检测分支模型的融合系数，检测因素越重要，模型训练准确率越高，对应的模型融合系数越大。加大检测准确率大且重要性大的弱检测分支模型的权值，使其在表决中起较大的作用；减小检测准确率小且重要性小的弱检测分支模型的权值，使其在表决中起较小的作用，基于所述模型融合系数集合将所述基础内应力检测分支模型集合中的各分支模型进行加权融合，生成晶圆内应力自适应检测模型，即各弱检测分支模型组成的强晶圆内应力自适应检测模型，提高晶圆内应力分布检测精确性。
步骤S700：基于所述晶圆内应力自适应检测模型对所述加工节点检测数据流进行分析，获得晶圆内部应力分布检测结果。
具体而言，基于所述晶圆内应力自适应检测模型对所述目标晶圆识别采集的所述加工节点检测数据流进行分析，输出获得晶圆内部应力分布检测结果，所述晶圆内部应力分布检测结果可展示目标晶圆的内应力分布情况。通过构建自适应检测模型实现晶圆内应力智能化快速检测，提高内应力检测因素全面性，进而提高晶圆内应力检测精度和检测效率。若晶圆内部应力分布检测结果超出晶圆内应力分布应用标准，会对晶圆应用性能产生不良影响，则需对其进行晶圆内应力改善消除和应用质量不合格标记，从而保证晶圆生产质量。
在一个实施例中，如图3所示，提供了一种晶圆材料内部应力分布检测***，包括：检测数据流获取模块11，检测因素集合获得模块12，检测数据库构建模块13，数据库分类模块14，分支模型训练获得模块15，自适应检测模型生成模块16，检测结果获得模块17，其中：
检测数据流获取模块11，用于布设获得加工节点识别网络，基于所述加工节点识别网络采集获得目标晶圆的加工节点检测数据流；
检测因素集合获得模块12，用于根据晶圆材料应用标准，获得内应力检测因素集合，所述内应力检测因素集合包括材料特性、尺寸厚度、表面缺陷以及加工工艺；
检测数据库构建模块13，用于构建晶圆内应力检测数据库，所述晶圆内应力检测数据库包括晶圆加工检测数据和内应力检测结果数据；
数据库分类模块14，用于依据所述内应力检测因素集合对所述晶圆内应力检测数据库进行分类，获取晶圆检测因素样本数据集；
分支模型训练获得模块15，用于利用深度学习网络结构对所述晶圆检测因素样本数据集分别进行训练，获得基础内应力检测分支模型集合；
自适应检测模型生成模块16，用于获取模型融合系数集合，基于所述模型融合系数集合将所述基础内应力检测分支模型集合中的各分支模型进行融合，生成晶圆内应力自适应检测模型；
检测结果获得模块17，用于基于所述晶圆内应力自适应检测模型对所述加工节点检测数据流进行分析，获得晶圆内部应力分布检测结果。
在一个实施例中，所述***还包括：
数据采集双通道设置单元，用于根据所述加工节点识别网络，设置节点数据采集双通道，所述节点数据采集双通道包括结构化数据识别通道和图像数据识别通道；
数据流获取单元，用于基于所述结构化数据识别通道和图像数据识别通道分别采集获取所述目标晶圆的结构化检测数据流和多角度图像检测数据流；
数据流处理单元，用于对所述结构化检测数据流进行数据清洗处理，获取标准结构化检测数据流，对所述多角度图像检测数据流进行去噪预处理，得到标准图像检测数据流；
节点检测数据流生成单元，用于基于所述标准结构化检测数据流和标准图像检测数据流，生成所述加工节点检测数据流。
在一个实施例中，所述***还包括：
分支模型训练单元，用于从所述晶圆检测因素样本数据集中随机选取N组模型样本数据，对所述N组模型样本数据分别进行均等分布权重层训练，得到N个内应力检测分支模型；
分支模型验证单元，用于对所述N个内应力检测分支模型的分别进行模型验证，获得N个模型准确率和所述N组模型样本数据的预测损失值集合；
权值分布更新单元，用于基于所述N个模型准确率和所述预测损失值集合，迭代更新所述N组模型样本数据的权值分布，获取所述基础内应力检测分支模型集合。
在一个实施例中，所述***还包括：
权值更新函数构建单元，用于构建样本权值更新函数，所述样本权值更新函数具体为：；其中，/>表明模型样本数据的更新后权值，表明第N个检测分支模型的第i个样本的权值，/>为第N个检测分支模型的模型准确率，/>为第N个检测模型对第i个样本的预测值，/>为第i个样本的正确输出值；
权值迭代更新单元，用于基于所述权值更新函数的计算结果，迭代更新所述N组模型样本数据的权值分布。
在一个实施例中，所述***还包括：
主成分分析单元，用于获得所述内应力检测因素集合的检测属性信息，对所述检测属性信息进行主成分分析，获得降维检测属性信息；
因子分析单元，用于基于对所述降维检测属性信息进行因子分析，获得检测因素权重分配结果；
影响度赋予单元，用于依据所述检测因素权重分配结果对所述应力检测因素集合中的各检测因素进行影响度赋予，获取检测因素影响度系数；
参数交融单元，用于将所述检测因素影响度系数对所述N个模型准确率进行参数交融，获取所述模型融合系数集合。
在一个实施例中，所述***还包括：
检测数据采集单元，用于基于所述内应力检测因素集合对晶圆加工流程进行数据采集，获得晶圆结构化检测数据流和晶圆图像检测数据流；
缺陷特征获得单元，用于对所述晶圆图像检测数据流进行表面缺陷识别、特征标记，获得晶圆表面缺陷特征信息集；
加工检测数据确定单元，用于根据所述晶圆结构化检测数据流和所述晶圆表面缺陷特征信息集，确定所述晶圆加工检测数据；
数据库构建单元，用于通过内应力检测仪采集获取所述内应力检测结果数据，基于所述晶圆加工检测数据和所述内应力检测结果数据，构建所述晶圆内应力检测数据库。
在一个实施例中，所述***还包括：
表面缺陷识别单元，用于基于晶圆缺陷识别器对所述晶圆图像检测数据流进行表面缺陷识别，获取晶圆表面缺陷信息集；
聚类标记单元，用于按照晶圆缺陷标签集合对晶圆表面缺陷信息集进行聚类标记，获得表面缺陷聚类标记结果；
缺陷点区域提取单元，用于对所述晶圆表面缺陷信息集分别进行缺陷点区域提取，获得表面缺陷特征提取值集；
表面缺陷特征确定单元，用于基于所述表面缺陷聚类标记结果和所述表面缺陷特征提取值集，确定所述晶圆表面缺陷特征信息集。
关于一种晶圆材料内部应力分布检测***的具体实施例可以参见上文中对于一种晶圆材料内部应力分布检测方法的实施例，在此不再赘述。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种晶圆材料内部应力分布检测方法，其特征在于，所述方法包括：
布设获得加工节点识别网络，基于所述加工节点识别网络采集获得目标晶圆的加工节点检测数据流；
根据晶圆材料应用标准，获得内应力检测因素集合，所述内应力检测因素集合包括材料特性、尺寸厚度、表面缺陷以及加工工艺；
构建晶圆内应力检测数据库，所述晶圆内应力检测数据库包括晶圆加工检测数据和内应力检测结果数据；
依据所述内应力检测因素集合对所述晶圆内应力检测数据库进行分类，获取晶圆检测因素样本数据集；
利用深度学习网络结构对所述晶圆检测因素样本数据集分别进行训练，获得基础内应力检测分支模型集合；
获取模型融合系数集合，基于所述模型融合系数集合将所述基础内应力检测分支模型集合中的各分支模型进行融合，生成晶圆内应力自适应检测模型；
基于所述晶圆内应力自适应检测模型对所述加工节点检测数据流进行分析，获得晶圆内部应力分布检测结果。
2.如权利要求1所述的方法，其特征在于，所述获得目标晶圆的加工节点检测数据流，包括：
根据所述加工节点识别网络，设置节点数据采集双通道，所述节点数据采集双通道包括结构化数据识别通道和图像数据识别通道；
基于所述结构化数据识别通道和图像数据识别通道分别采集获取所述目标晶圆的结构化检测数据流和多角度图像检测数据流；
对所述结构化检测数据流进行数据清洗处理，获取标准结构化检测数据流，对所述多角度图像检测数据流进行去噪预处理，得到标准图像检测数据流；
基于所述标准结构化检测数据流和标准图像检测数据流，生成所述加工节点检测数据流。
3.如权利要求1所述的方法，其特征在于，所述获得基础内应力检测分支模型集合，包括：
从所述晶圆检测因素样本数据集中随机选取N组模型样本数据，对所述N组模型样本数据分别进行均等分布权重层训练，得到N个内应力检测分支模型；
对所述N个内应力检测分支模型的分别进行模型验证，获得N个模型准确率和所述N组模型样本数据的预测损失值集合；
基于所述N个模型准确率和所述预测损失值集合，迭代更新所述N组模型样本数据的权值分布，获取所述基础内应力检测分支模型集合。
4.如权利要求3所述的方法，其特征在于，所述更新所述N组模型样本数据的权值分布，包括：
构建样本权值更新函数，所述样本权值更新函数具体为：；其中，/>表明模型样本数据的更新后权值，/>表明第N个检测分支模型的第i个样本的权值，/>为第N个检测分支模型的模型准确率，/>为第N个检测模型对第i个样本的预测值，/>为第i个样本的正确输出值；
基于所述权值更新函数的计算结果，迭代更新所述N组模型样本数据的权值分布。
5.如权利要求3所述的方法，其特征在于，所述获取模型融合系数集合，包括：
获得所述内应力检测因素集合的检测属性信息，对所述检测属性信息进行主成分分析，获得降维检测属性信息；
基于对所述降维检测属性信息进行因子分析，获得检测因素权重分配结果；
依据所述检测因素权重分配结果对所述应力检测因素集合中的各检测因素进行影响度赋予，获取检测因素影响度系数；
将所述检测因素影响度系数对所述N个模型准确率进行参数交融，获取所述模型融合系数集合。
6.如权利要求1所述的方法，其特征在于，所述构建晶圆内应力检测数据库，包括：
基于所述内应力检测因素集合对晶圆加工流程进行数据采集，获得晶圆结构化检测数据流和晶圆图像检测数据流；
对所述晶圆图像检测数据流进行表面缺陷识别、特征标记，获得晶圆表面缺陷特征信息集；
根据所述晶圆结构化检测数据流和所述晶圆表面缺陷特征信息集，确定所述晶圆加工检测数据；
通过内应力检测仪采集获取所述内应力检测结果数据，基于所述晶圆加工检测数据和所述内应力检测结果数据，构建所述晶圆内应力检测数据库。
7.如权利要求6所述的方法，其特征在于，所述获得晶圆表面缺陷特征信息集，包括：
基于晶圆缺陷识别器对所述晶圆图像检测数据流进行表面缺陷识别，获取晶圆表面缺陷信息集；
按照晶圆缺陷标签集合对晶圆表面缺陷信息集进行聚类标记，获得表面缺陷聚类标记结果；
对所述晶圆表面缺陷信息集分别进行缺陷点区域提取，获得表面缺陷特征提取值集；
基于所述表面缺陷聚类标记结果和所述表面缺陷特征提取值集，确定所述晶圆表面缺陷特征信息集。
8.一种晶圆材料内部应力分布检测***，其特征在于，所述***包括：
检测数据流获取模块，用于布设获得加工节点识别网络，基于所述加工节点识别网络采集获得目标晶圆的加工节点检测数据流；
检测因素集合获得模块，用于根据晶圆材料应用标准，获得内应力检测因素集合，所述内应力检测因素集合包括材料特性、尺寸厚度、表面缺陷以及加工工艺；
检测数据库构建模块，用于构建晶圆内应力检测数据库，所述晶圆内应力检测数据库包括晶圆加工检测数据和内应力检测结果数据；
数据库分类模块，用于依据所述内应力检测因素集合对所述晶圆内应力检测数据库进行分类，获取晶圆检测因素样本数据集；
分支模型训练获得模块，用于利用深度学习网络结构对所述晶圆检测因素样本数据集分别进行训练，获得基础内应力检测分支模型集合；
自适应检测模型生成模块，用于获取模型融合系数集合，基于所述模型融合系数集合将所述基础内应力检测分支模型集合中的各分支模型进行融合，生成晶圆内应力自适应检测模型；
检测结果获得模块，用于基于所述晶圆内应力自适应检测模型对所述加工节点检测数据流进行分析，获得晶圆内部应力分布检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311312913.2A CN117059511B (zh) | 2023-10-11 | 2023-10-11 | 一种晶圆材料内部应力分布检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311312913.2A CN117059511B (zh) | 2023-10-11 | 2023-10-11 | 一种晶圆材料内部应力分布检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117059511A true CN117059511A (zh) | 2023-11-14 |
| CN117059511B CN117059511B (zh) | 2023-12-15 |
Family
ID=88655784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311312913.2A Active CN117059511B (zh) | 2023-10-11 | 2023-10-11 | 一种晶圆材料内部应力分布检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117059511B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1858665A (zh) * | 2005-05-03 | 2006-11-08 | 台湾积体电路制造股份有限公司 | 用以监控半导体生产设备中的处理工具的方法与*** |
| CN109977808A (zh) * | 2019-03-11 | 2019-07-05 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
| 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 |
| CN113770555A (zh) * | 2021-09-27 | 2021-12-10 | 北京大学 | 渐开线激光辅助的晶圆切割加工方法、***及应力检测方法 |
| CN116168033A (zh) * | 2023-04-25 | 2023-05-26 | 厦门福信光电集成有限公司 | 基于深度学习的晶圆晶格位错图像检测方法及*** |
-
2023
- 2023-10-11 CN CN202311312913.2A patent/CN117059511B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1858665A (zh) * | 2005-05-03 | 2006-11-08 | 台湾积体电路制造股份有限公司 | 用以监控半导体生产设备中的处理工具的方法与*** |
| CN109977808A (zh) * | 2019-03-11 | 2019-07-05 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
| 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 |
| CN113770555A (zh) * | 2021-09-27 | 2021-12-10 | 北京大学 | 渐开线激光辅助的晶圆切割加工方法、***及应力检测方法 |
| CN116168033A (zh) * | 2023-04-25 | 2023-05-26 | 厦门福信光电集成有限公司 | 基于深度学习的晶圆晶格位错图像检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117059511B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5735499B2 (ja) | 基板処理中に自動的に障害状態を検出及び分類するための方法及び装置 | |
| JP2020126601A (ja) | 不良検知方法および不良検知装置 | |
| CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及*** | |
| CN111652098B (zh) | 产品表面缺陷检测方法及装置 | |
| JP2021190716A (ja) | 弱いラベル付けを使用した半導体試料内の欠陥の検出 | |
| CN116113942A (zh) | 依据工艺踪迹预测装备故障模式 | |
| CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及*** | |
| CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及*** | |
| CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及*** | |
| TWI801973B (zh) | 錯誤因素之推定裝置及推定方法 | |
| CN114897858A (zh) | 一种基于深度学习的快速绝缘子缺陷检测方法及其*** | |
| CN117059511B (zh) | 一种晶圆材料内部应力分布检测方法及*** | |
| CN117094095B (zh) | 一种晶圆翘曲度优化方法及*** | |
| CN116627116B (zh) | 一种流程工业故障定位方法、***及电子设备 | |
| CN117593273A (zh) | 一种电子元器件表面缺陷检测方法及*** | |
| CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
| TWI400619B (zh) | 偵測產品品質超規與評估產品實際量測值的方法 | |
| CN115063385A (zh) | 一种用于晶圆检测的机器视觉方法 | |
| JP4538205B2 (ja) | 検査データの解析プログラム、検査データ解析装置 | |
| JP5566616B2 (ja) | 特性解析装置、特性解析方法をコンピュータに実行させるためのプログラム、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 | |
| US8000905B1 (en) | Computer-implemented methods, carrier media, and systems for determining sizes of defects detected on a wafer | |
| CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN117235650B (zh) | 一种高空作业状态检测方法、装置、设备及介质 | |
| CN111369508A (zh) | 一种金属三维点阵结构的缺陷检测方法及*** | |
| CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 |
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 |