JP2008250910A - データマイニング方法及び工程管理方法 - Google Patents
データマイニング方法及び工程管理方法 Download PDFInfo
- Publication number
- JP2008250910A JP2008250910A JP2007094670A JP2007094670A JP2008250910A JP 2008250910 A JP2008250910 A JP 2008250910A JP 2007094670 A JP2007094670 A JP 2007094670A JP 2007094670 A JP2007094670 A JP 2007094670A JP 2008250910 A JP2008250910 A JP 2008250910A
- Authority
- JP
- Japan
- Prior art keywords
- time
- data mining
- group
- yield
- processing
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】 データマイニング方法及び工程管理方法に関し、機械的作業によって、時間依存性のある事象のマイニングを短時間で且つ高精度で行う。
【解決手段】 各工程における待ち時間を含む処理時間を時間分類手法を用いて機械的に分類し、分類した時間群を説明変数としてデータマイニングを行う。
【選択図】 図1
【解決手段】 各工程における待ち時間を含む処理時間を時間分類手法を用いて機械的に分類し、分類した時間群を説明変数としてデータマイニングを行う。
【選択図】 図1
Description
本発明はデータマイニング方法及び工程管理方法に関するものであり、特に、時間依存性を有する事象を短時間で且つ高精度でマイニングするための構成に特徴のあるデータマイニング方法及び工程管理方法に関するものである。
データマイニングは、大量なデータの中から特異なデータを抽出し分析すること、製品の販売傾向や、製造に関わる特徴的事項を把握することができる。
半導体製造工程に至っては、製品歩留りを支配する要素を抽出するのに有効である。
半導体製造工程に至っては、製品歩留りを支配する要素を抽出するのに有効である。
このデータマイニングには、分類、グループ化、アソシエーションルール、パターン抽出、視覚化等の多くの手法が開発されているが、半導体製造ラインの工程管理においては、主に、「分類」という手法が用いられている(例えば、特許文献1参照)。
この「分類」という手法においては、決定木(decision tree)分析のように工程や装置等の2分して結果を説明する物を説明変数として、歩留り等の結果を示すものを目的変数とする手法である。
この時、目的変数が質的変数の場合には、決定木は分類木と呼ばれ、目的変数が歩留りのように量的変数の場合には回帰木とよばれる。
この時、目的変数が質的変数の場合には、決定木は分類木と呼ばれ、目的変数が歩留りのように量的変数の場合には回帰木とよばれる。
半導体製品ができるまでには、多数の製造工程でインプラントや膜生成、エッチング等の加工が行われる。
この時、データマイニングで工程管理を行う場合、特定のLOT(ロット)群に歩留り低下があった際に、各工程毎の通過設備の組み合わせに対して、そこを通過したロットのYield(歩留り)の分離程度を見てやり、程度の高い方から並べてやる事で、低歩留り傾向の強い設備を把握、不具合設備として特定することになるので、ここで、図13乃至図17を参照して、データマイニング法による工程管理方法を説明する。
この時、データマイニングで工程管理を行う場合、特定のLOT(ロット)群に歩留り低下があった際に、各工程毎の通過設備の組み合わせに対して、そこを通過したロットのYield(歩留り)の分離程度を見てやり、程度の高い方から並べてやる事で、低歩留り傾向の強い設備を把握、不具合設備として特定することになるので、ここで、図13乃至図17を参照して、データマイニング法による工程管理方法を説明する。
図13参照
図13は、製造工程の概念的構成図であり、数百工程からなる各種の工程をロットの流に沿って概念的に示したものであり、各工程において、複数のロットは○で示す複数の製造装置に夫々分岐してロードされていく様子を示したものであり、ここで、工程Aにおいて異常装置が存在して、製造歩留りに悪影響を与えていると想定する。
図13は、製造工程の概念的構成図であり、数百工程からなる各種の工程をロットの流に沿って概念的に示したものであり、各工程において、複数のロットは○で示す複数の製造装置に夫々分岐してロードされていく様子を示したものであり、ここで、工程Aにおいて異常装置が存在して、製造歩留りに悪影響を与えていると想定する。
この場合、装置3 が異常であるとすると、歩留りのバラツキは下側に示す「箱ひげ図」のように表される。
なお、「箱ひげ図」とは、バラツキのあるデータを判りやすく表現するための統計学的グラフであり、一般には、最小値、第1四分位点、中央値、第3四分位点、及び、最大値の5つのデータを表示し、第1四分位点、中央値、及び、第3四分位点で「箱」を形成するものである。
なお、「箱ひげ図」とは、バラツキのあるデータを判りやすく表現するための統計学的グラフであり、一般には、最小値、第1四分位点、中央値、第3四分位点、及び、最大値の5つのデータを表示し、第1四分位点、中央値、及び、第3四分位点で「箱」を形成するものである。
図14参照
図14は、問題となる工程の分析方法の説明図であり、例えば、上述の工程Aにおいて処理した使用した複数の装置を2つに分類して、各分類された装置で処理されたロット群毎に目的変数となる歩留りに関する度数分布から、各平均値(Xave1,Xave2)、及び、各区間についての平方を加算した平方和(S1 ,S2 )を求めるとともに、全体のロットの度数分布からも平均値(Xave0)、及び、各区間における平方和(S0 )を求め、
ΔS=S0 −(S1 +S2 )
で示されるΔSが最大になるように2つに分類する、即ち、分割を探す。
図14は、問題となる工程の分析方法の説明図であり、例えば、上述の工程Aにおいて処理した使用した複数の装置を2つに分類して、各分類された装置で処理されたロット群毎に目的変数となる歩留りに関する度数分布から、各平均値(Xave1,Xave2)、及び、各区間についての平方を加算した平方和(S1 ,S2 )を求めるとともに、全体のロットの度数分布からも平均値(Xave0)、及び、各区間における平方和(S0 )を求め、
ΔS=S0 −(S1 +S2 )
で示されるΔSが最大になるように2つに分類する、即ち、分割を探す。
ここでは、工程Aで使用された装置1 乃至装置3 について、〔装置1 〕:〔装置2 +装置3 〕、〔装置1 +装置3 〕:〔装置2 〕、及び、〔装置1 +装置2 〕:〔装置3 〕の3 3つの組合せに対してΔSを求めて、ΔSが最大になる組合せを探す。
上述の場合、装置3 が異常装置であるので、〔装置1 +装置2 〕:〔装置3 〕の組合せにおけるΔSが最大となり、したがって、〔装置1 +装置2 〕と〔装置3 〕に分割される。
上述の場合、装置3 が異常装置であるので、〔装置1 +装置2 〕:〔装置3 〕の組合せにおけるΔSが最大となり、したがって、〔装置1 +装置2 〕と〔装置3 〕に分割される。
図15参照
図15は、使用装置毎の平均歩留りの概念的説明図であり、ここでは、工程a、工程b、及び、工程cの3つの工程に着目し、工程aでは装置群a1 と装置群a2 の2種類の装置が用いられ、工程bにおいては、工程aにおいて装置群a2 で処理されたロットが装置群b2 と装置群b3 で処理され、工程cにおいては工程aにおいて装置群a1 で処理されたロットが装置群c1 と装置群c2 で処理されたと仮定する。
なお、各装置の群分割は上述のΔSが最大になるように分割したものである。
図15は、使用装置毎の平均歩留りの概念的説明図であり、ここでは、工程a、工程b、及び、工程cの3つの工程に着目し、工程aでは装置群a1 と装置群a2 の2種類の装置が用いられ、工程bにおいては、工程aにおいて装置群a2 で処理されたロットが装置群b2 と装置群b3 で処理され、工程cにおいては工程aにおいて装置群a1 で処理されたロットが装置群c1 と装置群c2 で処理されたと仮定する。
なお、各装置の群分割は上述のΔSが最大になるように分割したものである。
図16参照
図16は、図15に示した処理過程に対してデータマイニングすることによって作成した回帰木であり、65のロットの平均歩留りが89%であるものを、各工程の中で一番ΔSが大きかった工程aを中心にみて、平均歩留りが82%の装置a2 による群と平均歩留りが95%の装置a1 による群と分割して、さらに夫々のデータに対して分割して分析を進める。
図16は、図15に示した処理過程に対してデータマイニングすることによって作成した回帰木であり、65のロットの平均歩留りが89%であるものを、各工程の中で一番ΔSが大きかった工程aを中心にみて、平均歩留りが82%の装置a2 による群と平均歩留りが95%の装置a1 による群と分割して、さらに夫々のデータに対して分割して分析を進める。
その結果、装置a2 と装置b2 の組合せで処理した5つのロットの平均歩留りが65%で最低となり、装置a1 と装置c1 の組合せで処理した20のロットの平均歩留りが98%で最高歩留りとなる。
図17参照
図17は、図16に示した4つの組合せの歩留りの箱ひげ図であり、装置a1 と装置c1 の組合せは平均歩留りが高いだけではなく、バラツキが最も小さく、一方、装置a2 と装置b2 の組合せは、平均歩留りが最低であるだけではなく、バラツキが非常に大きく、プロセスが安定に行われていないことを示唆する。
図17は、図16に示した4つの組合せの歩留りの箱ひげ図であり、装置a1 と装置c1 の組合せは平均歩留りが高いだけではなく、バラツキが最も小さく、一方、装置a2 と装置b2 の組合せは、平均歩留りが最低であるだけではなく、バラツキが非常に大きく、プロセスが安定に行われていないことを示唆する。
このように、回帰木を順に見ていくと、ステッパとエッチャーの関連等の複数の工程の関係が見え、この相関関係を分析することによって、製造歩留りの低下の原因を究明することが可能になる。
特開2006−040181号公報
上述のように、今までは処理装置号機による分類を考えてデータマイニングを行ってきたが、経験的には製造歩留りは処理装置号機だけではなく、処理時間にも依存していることが明らかであるので、処理時間の歩留りに対する影響も分析する必要がある。
しかし、各工程における各ロットの処理時間について分析しようとすると、時間は数ではなく量なので、データマイニング法では直ちには分析不可能である。
しかし、各工程における各ロットの処理時間について分析しようとすると、時間は数ではなく量なので、データマイニング法では直ちには分析不可能である。
そこで、本出願人は、製造歩留りに対する処理時間の影響は、各工程の処理時間を人が見て分類し、歩留りとの関係を見るように試みている。
まず、
a.ロット毎に待機時間を含んだ搬入から搬出までの時間を処理時間とし、各工程、各ロ ット毎にデータ抽出する。次いで、
b.抽出した各工程毎の時間データを人が見て、長時間群と短時間群に分ける。
これは、決まった時間を境に分類できれば自動化も可能だが、処理時間結果全体を 見て、分類する必要があるため、分割点になる時間をあらかじめ設定できず自動化で きないためである。次いで、
c.長時間群ロットについての歩留りを集計するとともに、短時間群ロットについての歩 留りも集計する。次いで、
d.歩留り差が大きい工程を探し改善すべき工程候補としてピックアップする。
まず、
a.ロット毎に待機時間を含んだ搬入から搬出までの時間を処理時間とし、各工程、各ロ ット毎にデータ抽出する。次いで、
b.抽出した各工程毎の時間データを人が見て、長時間群と短時間群に分ける。
これは、決まった時間を境に分類できれば自動化も可能だが、処理時間結果全体を 見て、分類する必要があるため、分割点になる時間をあらかじめ設定できず自動化で きないためである。次いで、
c.長時間群ロットについての歩留りを集計するとともに、短時間群ロットについての歩 留りも集計する。次いで、
d.歩留り差が大きい工程を探し改善すべき工程候補としてピックアップする。
或いは、処理時間を長時間群と短時間群に分けることなく、処理時間と歩留りとの関係を全工程分について相関グラフ化して参照することによって、工程管理を行う方法が採用されている。
しかし、上述の時間分割方法の場合には各種の問題がある。まず、
A.時間分類は人が行うため感覚的であり、間違いが生じやすく且つ時間がかかるという 問題がある。
即ち、一つの半導体デバイスを製造するための工程は数百工程あり、解析の案件が 1〜2件のうちはいいが、3件以後は続かず、結果的に解析ができなくなる。
B.時間分類が終わっても、ロット毎の歩留り集計があり、気の遠くなる様な作業である 。
C.時間群による歩留りのhitはあまり多くないのと大変なため、解析が後回しになり がちで、ターンアラウンドタイムが長くなるという問題がある。
D.相関図の参照は、数百件にも及ぶと内容確認に多大な工数がかかるという問題がある 。 また、中間にある特定時間群(時間B,時間C・・・)に低歩留りが集中した場合 には、人的作業であるため見落としがちになるという問題がある。
A.時間分類は人が行うため感覚的であり、間違いが生じやすく且つ時間がかかるという 問題がある。
即ち、一つの半導体デバイスを製造するための工程は数百工程あり、解析の案件が 1〜2件のうちはいいが、3件以後は続かず、結果的に解析ができなくなる。
B.時間分類が終わっても、ロット毎の歩留り集計があり、気の遠くなる様な作業である 。
C.時間群による歩留りのhitはあまり多くないのと大変なため、解析が後回しになり がちで、ターンアラウンドタイムが長くなるという問題がある。
D.相関図の参照は、数百件にも及ぶと内容確認に多大な工数がかかるという問題がある 。 また、中間にある特定時間群(時間B,時間C・・・)に低歩留りが集中した場合 には、人的作業であるため見落としがちになるという問題がある。
したがって、本発明は、機械的作業によって、時間依存性のある事象のマイニングを短時間で且つ高精度で行うことを目的とする。
ここで図1を参照して、本発明における課題を解決するための手段を説明する。
図1参照
上記課題を解決するために、本発明は、データマイニング方法において、各工程における待ち時間を含む処理時間を時間分類手法を用いて機械的に分類し、分類した時間群を説明変数としてデータマイニングを行うことを特徴とする。
図1参照
上記課題を解決するために、本発明は、データマイニング方法において、各工程における待ち時間を含む処理時間を時間分類手法を用いて機械的に分類し、分類した時間群を説明変数としてデータマイニングを行うことを特徴とする。
このように、数ではなく量である時間を時間分類手法を用いて分類して時間群とすることにより、時間を群の数を扱うことが可能になり、それによって、従来のデータマイニング法をそのまま適用して工程管理を行うことができる。
特に、時間分類手法による分類の際に、機械的に分類しているので人間の感覚的要素が入ることがなく、且つ、膨大なデータ数であっても、マイクロコンピュータにデータを入力しただけで瞬時に時間群に分類することができるので、解析時間を大幅に短縮することができる。
また、この場合の時間群分類手法としては、各工程における各処理単位の処理時間を機械的処理によって自動的に大きさの順に並べ(ソート)、前記順に並べた処理時間の前後の差が大きな点(変化点)について、予め定めた数だけ大きい順に取り出して区切りとし、時間群を括れば良い。
図1に示した変化点の決定方法においては、変化点の選択数を2とした場合であり、順に並べた処理時間の前後の差が大きな点、図においては差が一番大きなΔT=65の境界と2番目に大きな差がΔT=8の境界を自動的に変化点としたものである。
この場合、時間群分類手法による分類時に、処理時間の中央値を求め、中央値に対して予め定めた以上の大きさの処理時間はノイズとして削除しても良く、それによって、異常値を排除できるので、精度の高い解析が可能になる。
また、このようなデータマイニング方法において、製造歩留りを目的変数とすることによって、製造工程の管理を簡単且つ精度良く行うことができる。
本発明によれば、
α.数百に及ぶ工程の処理時間分類を自動的に機械的に行っているので、従来、数日かか っていた時間分類が、数分で完了し極めて効率が良くなり且つ分類の精度も高くなる 。
β.効率的に時間分類できることにより、処理時間と歩留りとの関係をデータマイニング 技術を使って容易に行うことができるので、分類の精度が向上、短手番で分析結果を 得ることができる。
γ.上記βの成果から多数の案件に対して、処理時間分析が適用でき低歩留り解析のター ンアラウンドタイムを短縮できる。
δ.時間を分類しマイニングに適用することで、複合条件に起因する知見を得ることが可 能になり、解析の質が飛躍的に向上する。
という効果が得られる。
α.数百に及ぶ工程の処理時間分類を自動的に機械的に行っているので、従来、数日かか っていた時間分類が、数分で完了し極めて効率が良くなり且つ分類の精度も高くなる 。
β.効率的に時間分類できることにより、処理時間と歩留りとの関係をデータマイニング 技術を使って容易に行うことができるので、分類の精度が向上、短手番で分析結果を 得ることができる。
γ.上記βの成果から多数の案件に対して、処理時間分析が適用でき低歩留り解析のター ンアラウンドタイムを短縮できる。
δ.時間を分類しマイニングに適用することで、複合条件に起因する知見を得ることが可 能になり、解析の質が飛躍的に向上する。
という効果が得られる。
ここで、図2及び図3を参照して、本発明の実施の形態の概要を説明する。
図2参照 図2は、本発明の実施の形態の概要を示す概念的構成図であり、本発明は、各工程における解析を処理装置号機を説明変数とする代わりに、各工程における待ち時間を含む処理時間を時間分類手法を用いて自動的に機械的に分類し、分類した時間群を説明変数とし、歩留りを目的変数としてデータマイニングを行い、製造ラインにおける工程管理を行うものである。
図2参照 図2は、本発明の実施の形態の概要を示す概念的構成図であり、本発明は、各工程における解析を処理装置号機を説明変数とする代わりに、各工程における待ち時間を含む処理時間を時間分類手法を用いて自動的に機械的に分類し、分類した時間群を説明変数とし、歩留りを目的変数としてデータマイニングを行い、製造ラインにおける工程管理を行うものである。
図3参照
図3は、本発明の実施の形態の時間群分類法を用いたデータマイニング方法のフローチャートであり、まず、
(1)待機時間を含む処理時間を、量的扱いから数的取扱に自動変換する。
これは、回帰木によるデータマイニングの説明変数は、設備号機DD85A01,DD85A02.DD85A05の3台等の様に数えられ物でなければならない(数的扱い)が、これに対して、処理実績時間は、各工程毎に、各ロット毎に数値が異なり量的扱いである。
図3は、本発明の実施の形態の時間群分類法を用いたデータマイニング方法のフローチャートであり、まず、
(1)待機時間を含む処理時間を、量的扱いから数的取扱に自動変換する。
これは、回帰木によるデータマイニングの説明変数は、設備号機DD85A01,DD85A02.DD85A05の3台等の様に数えられ物でなければならない(数的扱い)が、これに対して、処理実績時間は、各工程毎に、各ロット毎に数値が異なり量的扱いである。
このため、従来の試みでは、分類は人が見てやって、例えば、50分群/120分群の様に分けた後、データマイニングしていた。
しかし、本発明の実施例1では、この分類を、下記のアルゴリズムで実行し、処理時間を量的扱い→数的扱いに自動変換し、その結果をデータマイニングの説明変数に割り当てることで、各工程の時間群と歩留りとの関係をマイニング解析する。
しかし、本発明の実施例1では、この分類を、下記のアルゴリズムで実行し、処理時間を量的扱い→数的扱いに自動変換し、その結果をデータマイニングの説明変数に割り当てることで、各工程の時間群と歩留りとの関係をマイニング解析する。
即ち、
1)各工程の処理時間をロット毎に並べて、大きさの順にソートする。次いで、
2)大きさの順に並んだ隣接するロット間の処理時間差ΔTを求める。次いで、
3)ΔTについて、大きい順に予め決められた数だけ取り出し、その値を変化点として 、上から順に時間群A,時間群B,時間群C・・・のように時間群に分割する。
なお、変化点の数は、解析対象に応じて適宜決定する。
また、時間群の分割に際して、ノイズ対策として、事前に処理時間の中央値を求 め、中央値のN倍以上は異常数値としてカットしておく。
なお、Nの値は、時間データ内容により設定するものであり、例えば、10倍以 上に設定する。
1)各工程の処理時間をロット毎に並べて、大きさの順にソートする。次いで、
2)大きさの順に並んだ隣接するロット間の処理時間差ΔTを求める。次いで、
3)ΔTについて、大きい順に予め決められた数だけ取り出し、その値を変化点として 、上から順に時間群A,時間群B,時間群C・・・のように時間群に分割する。
なお、変化点の数は、解析対象に応じて適宜決定する。
また、時間群の分割に際して、ノイズ対策として、事前に処理時間の中央値を求 め、中央値のN倍以上は異常数値としてカットしておく。
なお、Nの値は、時間データ内容により設定するものであり、例えば、10倍以 上に設定する。
次いで、この様にして分類した時間群(時間群A,時間群B・・・)に対し、データマイニングを行うことになるが、まず、
(2)説明変数を時間群とし目的変数を歩留りとして、各工程について、上述のΔSが最 大になる組合せによる分割を探し出す。次いで、
(3)各工程においてΔSから求めたOMP(有意差判断指数)及び「まとまり度」を大 きさの順にソートして、処理時間依存性の高い工程順に並べる。次いで、
(4)処理時間依存性の高い工程順に並べて回帰木を作製して、歩留りを低下させている要因を特定する。
(2)説明変数を時間群とし目的変数を歩留りとして、各工程について、上述のΔSが最 大になる組合せによる分割を探し出す。次いで、
(3)各工程においてΔSから求めたOMP(有意差判断指数)及び「まとまり度」を大 きさの順にソートして、処理時間依存性の高い工程順に並べる。次いで、
(4)処理時間依存性の高い工程順に並べて回帰木を作製して、歩留りを低下させている要因を特定する。
なお、OMPとは、判別分析によって2分割された集合(ここでは時間群の集合)に有意差があると言えない確率を推定した数値(%)であり、誤った判断をする確率の推定値(%)を表し、したがって、OMPが小さいほどこの2分割が有意であることを示す。
一方、「まとまり度」は、2分割後に平方和がどれだけ変化したかを指標化したものであり、2分割したことにより、それぞれの集合のまとまりがどれだけ良くなったかを表し、0%の場合には「分割してもバラツキが変わらない」ことを示し、100%の場合には「分割によりバラツキがなくなる」ことを示す。
一方、「まとまり度」は、2分割後に平方和がどれだけ変化したかを指標化したものであり、2分割したことにより、それぞれの集合のまとまりがどれだけ良くなったかを表し、0%の場合には「分割してもバラツキが変わらない」ことを示し、100%の場合には「分割によりバラツキがなくなる」ことを示す。
次に、図4乃至図9を参照して、本発明の実施例1の時間群分類法を用いたデータマイニング方法を説明する。
図4参照
図4は、本発明の実施例1の時間群分類法を用いたデータマイニング方法を適用した各工程における処理時間と歩留りを示すデータであり、ここでは、第1層目の多結晶シリコン層の成膜工程の例を10のロットについて示したもので、上図は生データであり、下図は各ロットについて処理時間と歩留りとの関係をグラフ化したものである。
図4参照
図4は、本発明の実施例1の時間群分類法を用いたデータマイニング方法を適用した各工程における処理時間と歩留りを示すデータであり、ここでは、第1層目の多結晶シリコン層の成膜工程の例を10のロットについて示したもので、上図は生データであり、下図は各ロットについて処理時間と歩留りとの関係をグラフ化したものである。
図5参照
図5は、図4に示したデータを処理時間を数的扱いするために、処理時間を短い順にソートするとともに、隣接するロット間の処理時間差ΔTを求め、処理時間差ΔTについて大きなものから順に2つを変化点として、時間群A,時間群B,時間群Cの3つの時間群に分割して示したものである。
ここでは、ΔT=65を変化点2 とし、ΔT=8を変化点1 として機械的に選択しており、この操作はコンピュータに図4の上図に示すデータを入力するだけで、インストールしているプログラムによってソート及び変化点の決定は自動的に行われる。
なお、下図はソートした結果をグラフ化するとともに、変化点を表示したものである。
図5は、図4に示したデータを処理時間を数的扱いするために、処理時間を短い順にソートするとともに、隣接するロット間の処理時間差ΔTを求め、処理時間差ΔTについて大きなものから順に2つを変化点として、時間群A,時間群B,時間群Cの3つの時間群に分割して示したものである。
ここでは、ΔT=65を変化点2 とし、ΔT=8を変化点1 として機械的に選択しており、この操作はコンピュータに図4の上図に示すデータを入力するだけで、インストールしているプログラムによってソート及び変化点の決定は自動的に行われる。
なお、下図はソートした結果をグラフ化するとともに、変化点を表示したものである。
図6参照
図6は、上述のデータマイニングの結果を示すグラフであり、データマイニングの結果、〔時間群A〕:〔時間群B+時間群C〕、〔時間群A+時間群C〕:〔時間群B〕、〔時間群A+時間群B〕:〔時間群C〕の3つの組合せの内、〔時間群A+時間群C〕:〔時間群B〕の組合せにおいてΔSが一番大きくなり、〔時間群A+時間群C〕と〔時間群B〕とに分割して括って線で結んだものであり、歩留りの分離が一番鮮明に表れ、〔時間群A+時間群C〕の処理工程が歩留りの低下であると推定される。
図6は、上述のデータマイニングの結果を示すグラフであり、データマイニングの結果、〔時間群A〕:〔時間群B+時間群C〕、〔時間群A+時間群C〕:〔時間群B〕、〔時間群A+時間群B〕:〔時間群C〕の3つの組合せの内、〔時間群A+時間群C〕:〔時間群B〕の組合せにおいてΔSが一番大きくなり、〔時間群A+時間群C〕と〔時間群B〕とに分割して括って線で結んだものであり、歩留りの分離が一番鮮明に表れ、〔時間群A+時間群C〕の処理工程が歩留りの低下であると推定される。
図7参照
図7は、多結晶シリコン層のエッチング工程のマイニング結果の説明図であり、上図はソート及び時間群分割後のデータ表であり、中図はソート結果をグラフ化するとともに、変化点を表示したものであり、下図はデータマイニング結果をグラフ化したものである。
下図に示すように、歩留りの分離は鮮明に表れていない。
図7は、多結晶シリコン層のエッチング工程のマイニング結果の説明図であり、上図はソート及び時間群分割後のデータ表であり、中図はソート結果をグラフ化するとともに、変化点を表示したものであり、下図はデータマイニング結果をグラフ化したものである。
下図に示すように、歩留りの分離は鮮明に表れていない。
図8参照
図8は、第1層目ビアの形成工程のマイニング結果の説明図であり、上図はソート及び時間群分割後のデータ表であり、中図はソート結果をグラフ化するとともに、変化点を表示したものであり、下図はデータマイニング結果をグラフ化したものである。
下図に示すように、歩留りの分離は図7のエッチング工程よりは鮮明に表れているが、図6に示した多結晶シリコン層の成膜工程よりは分離が悪い。
図8は、第1層目ビアの形成工程のマイニング結果の説明図であり、上図はソート及び時間群分割後のデータ表であり、中図はソート結果をグラフ化するとともに、変化点を表示したものであり、下図はデータマイニング結果をグラフ化したものである。
下図に示すように、歩留りの分離は図7のエッチング工程よりは鮮明に表れているが、図6に示した多結晶シリコン層の成膜工程よりは分離が悪い。
図9参照
図9は、第2層目Al配線の成膜工程のエッチング工程のマイニング結果の説明図であり、上図はソート及び時間群分割後のデータ表であり、中図はソート結果をグラフ化するとともに、変化点を表示したものであり、下図はデータマイニング結果をグラフ化したものである。
中図に示すように、処理時間依存性は殆どみられないため、下図に示すように、歩留りの分離は鮮明に表れていない。
図9は、第2層目Al配線の成膜工程のエッチング工程のマイニング結果の説明図であり、上図はソート及び時間群分割後のデータ表であり、中図はソート結果をグラフ化するとともに、変化点を表示したものであり、下図はデータマイニング結果をグラフ化したものである。
中図に示すように、処理時間依存性は殆どみられないため、下図に示すように、歩留りの分離は鮮明に表れていない。
図10参照
図10は、上記の4つの工程についてのOMP、まとまり度、及び、歩留り差等をデータマイニング結果において歩留りの分離が鮮明に表れる順に並べた表であり、
1.第1層目の多結晶シリコン層の成膜工程
2.第1層目ビアの形成工程
3.第1層目の多結晶シリコン層のエッチング工程
4.第2層目Al配線の成膜工程 の順になる。
図10は、上記の4つの工程についてのOMP、まとまり度、及び、歩留り差等をデータマイニング結果において歩留りの分離が鮮明に表れる順に並べた表であり、
1.第1層目の多結晶シリコン層の成膜工程
2.第1層目ビアの形成工程
3.第1層目の多結晶シリコン層のエッチング工程
4.第2層目Al配線の成膜工程 の順になる。
図11参照
図11は、図10に基づいて歩留りの低下の原因と推定される候補を順に並べたリポートであり、第1候補として多結晶シリコン層の成膜工程が挙げられ、第2候補として第1層目ビアの形成工程が挙げられている。
図11は、図10に基づいて歩留りの低下の原因と推定される候補を順に並べたリポートであり、第1候補として多結晶シリコン層の成膜工程が挙げられ、第2候補として第1層目ビアの形成工程が挙げられている。
また、下段には歩留りの低下の原因を複合条件で解析した場合のデータが示されており、ここでは、第1候補の多結晶シリコン層の成膜工程において低歩留りを示した〔時間群A+時間群C〕の7つのロットについて、第1層目ビアの形成工程についての上述のデータマイニング結果から抜き出して、その歩留りの平均値及び歩留り差を示したものである。
図12参照
図12は、データマイニング結果の回帰木の説明図であり、第1層目の多結晶シリコン層の成膜工程における〔時間群A+時間群C〕と、第1層目ビアの形成工程における〔時間群A+時間群B〕と組合せが歩留りの低下に強い相関を示していることが分かる。
図12は、データマイニング結果の回帰木の説明図であり、第1層目の多結晶シリコン層の成膜工程における〔時間群A+時間群C〕と、第1層目ビアの形成工程における〔時間群A+時間群B〕と組合せが歩留りの低下に強い相関を示していることが分かる。
したがって、この第1層目の多結晶シリコン層の成膜工程における〔時間群A+時間群C〕と、第1層目ビアの形成工程における〔時間群A+時間群B〕と組合せについての工程分析を行うことによって、歩留り低下の実際の原因を究明することが容易になる。
このように、本発明の実施例1においては、機械的な時間群分類方法を用いて処理時間を時間群に分割しているので、時間群を説明変数としたデータマイニング法の適用が可能になり、また、時間群の分割に際しては人為的要素が全く入らないので、客観的且つ単時間でのデータマイニングが可能になる。
本発明の活用例としては、製造工程が数百工程に及ぶ半導体製造工程における工程管理のためのデータマイニング方法が典型的なものであるが、半導体製造工程に限られるものではなく、各種の製造工程の工程管理に適用されるものでもあり、さらには、製造工程に限られるものではなく、何らかの現象・結果に時間依存性があると考えられる一連の事象・工程の因果関係の解析に適用されるものである。
Claims (4)
- 各工程における待ち時間を含む処理時間を時間分類手法を用いて機械的に分類し、分類した時間群を説明変数としてデータマイニングを行うことを特徴とするデータマイニング方法。
- 上記時間群分類手法において、各工程における各処理単位の処理時間を機械的処理によって自動的に大きさの順に並べ、前記順に並べた処理時間の前後の差が大きな点について、予め定めた数だけ取り出して区切りとし、時間群を括ることを特徴とする請求項1記載のデータマイニング方法。
- 上記時間群分類手法による分類時に、処理時間の中央値を求め、中央値に対して予め定めた以上の大きさの処理時間はノイズとして削除することを特徴とする請求項1または2に記載のデータマイニング方法。
- 請求項1乃至3のいずれか1項に記載のデータマイニング方法において、製造歩留りを目的変数としてデータマイニングを行うことによって各製造工程の管理を行うことを特徴とする工程管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007094670A JP2008250910A (ja) | 2007-03-30 | 2007-03-30 | データマイニング方法及び工程管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007094670A JP2008250910A (ja) | 2007-03-30 | 2007-03-30 | データマイニング方法及び工程管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008250910A true JP2008250910A (ja) | 2008-10-16 |
Family
ID=39975733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007094670A Withdrawn JP2008250910A (ja) | 2007-03-30 | 2007-03-30 | データマイニング方法及び工程管理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2008250910A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017193876A (ja) * | 2016-04-21 | 2017-10-26 | 株式会社オムテック | 杭データ推定装置及びその方法 |
JP2019028932A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社日立製作所 | 不良原因抽出システム及びその方法 |
JP2019159728A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 診断装置、診断方法およびプログラム |
JP2020087110A (ja) * | 2018-11-28 | 2020-06-04 | 日立オートモティブシステムズ株式会社 | 製造方法、製造管理方法及び製造システム |
WO2024034967A1 (ko) * | 2022-08-10 | 2024-02-15 | 에스케이가스 주식회사 | 화학공정의 수율 예측 시뮬레이션 시스템 및 방법 |
-
2007
- 2007-03-30 JP JP2007094670A patent/JP2008250910A/ja not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017193876A (ja) * | 2016-04-21 | 2017-10-26 | 株式会社オムテック | 杭データ推定装置及びその方法 |
JP2019028932A (ja) * | 2017-08-03 | 2019-02-21 | 株式会社日立製作所 | 不良原因抽出システム及びその方法 |
JP7019339B2 (ja) | 2017-08-03 | 2022-02-15 | 株式会社日立製作所 | 不良原因抽出システム及びその方法 |
JP2019159728A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 診断装置、診断方法およびプログラム |
JP7127304B2 (ja) | 2018-03-12 | 2022-08-30 | 株式会社リコー | 診断装置、診断方法およびプログラム |
JP2020087110A (ja) * | 2018-11-28 | 2020-06-04 | 日立オートモティブシステムズ株式会社 | 製造方法、製造管理方法及び製造システム |
JP7083304B2 (ja) | 2018-11-28 | 2022-06-10 | 日立Astemo株式会社 | 製造方法、製造管理方法及び製造システム |
WO2024034967A1 (ko) * | 2022-08-10 | 2024-02-15 | 에스케이가스 주식회사 | 화학공정의 수율 예측 시뮬레이션 시스템 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6741941B2 (en) | Method and apparatus for analyzing defect information | |
JP6942617B2 (ja) | データ分析システムおよびデータ分析装置 | |
TWI503763B (zh) | 半導體處理控制方法和電腦可讀取紀錄媒體 | |
Chien et al. | A data mining approach for analyzing semiconductor MES and FDC data to enhance overall usage effectiveness (OUE) | |
JP6835098B2 (ja) | 要因分析方法、要因分析装置および要因分析プログラム | |
KR20150140358A (ko) | 인라인 수율 모니터링을 위한 임계 파라메트릭 전기 테스트 파라미터의 자동 결정을 위한 시스템 및 방법 | |
JP2009258890A (ja) | 影響要因特定装置 | |
US9142014B2 (en) | System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering | |
JP2008250910A (ja) | データマイニング方法及び工程管理方法 | |
Kim et al. | Fault detection prediction using a deep belief network-based multi-classifier in the semiconductor manufacturing process | |
JP2004152306A (ja) | 双峰性データを判別する方法 | |
JP2011187836A (ja) | 半導体製造装置の管理方法及び管理システム | |
JP5967017B2 (ja) | 影響因子抽出方法およびプログラム | |
JP6640765B2 (ja) | 状態分析装置、状態分析方法及び状態分析プログラム | |
JP2000198051A (ja) | 設備フロ―の異常抽出装置、設備フロ―の異常抽出方法、及び設備フロ―の異常抽出プログラムを記録した記憶媒体 | |
JP2004186374A (ja) | 製造データ解析方法及びそれをコンピュータに実行させるプログラム | |
Kerdprasop et al. | Performance analysis of complex manufacturing process with sequence data mining technique | |
JP6885211B2 (ja) | 情報分析装置、情報分析方法および情報分析プログラム | |
JP2002324206A (ja) | データ解析方法及び装置 | |
JP6832175B2 (ja) | 処理フロー管理装置及び処理フロー管理方法 | |
JP2004327465A (ja) | 半導体装置の生産管理システム | |
Ershov et al. | Approach to the clustering modeling for the strong correlative control measurements for estimation of percent of the suitable integrated circuits in the semiconductor industry | |
CN112130518B (zh) | 半导体生产过程中的参数监控方法、***及计算机可读存储介质 | |
JP4866520B2 (ja) | データ解析方法、データ解析プログラムおよびデータ解析装置 | |
JP4276503B2 (ja) | 半導体不良原因絞込み方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20080730 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20091202 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20101201 |