JPH10209230A

JPH10209230A - 不良解析装置およびその方法

Info

Publication number: JPH10209230A
Application number: JP9009967A
Authority: JP
Inventors: Makoto Ono; 眞小野; Makoto Ariga; 誠有賀; Masao Sakata; 正雄坂田; Kayo Tsunekawa; 佳世恒川
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1997-01-23
Filing date: 1997-01-23
Publication date: 1998-08-07

Abstract

(57)【要約】【課題】過去事例データベースに蓄えた過去事例情報
を各種検査装置の検査結果データから不良原因ならびに
不良対策方法を容易に検索し、取得、活用できる不良解
析装置を提供する。また、検査結果データからその領域
性を判定し、過去事例データベースの検索に活用する方
法を提供する。【解決手段】各種検査装置の検査結果データの特徴抽
出１２、不良推論１３を行い、過去事例データベース２
１から過去事例情報を検索、取得し、不良解析実験の選
択、パラメータ取得、製造工程のプロセス条件パラメー
タおよび製造装置パラメータ制御を行う。【効果】本発明により各種検査装置の検査結果データ
から不良解析実験方法、原因対策方法を特定することが
でき、不良解析を効率良く行うことができる。また、原
因対策を自動で行うことできる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、半導体の生産にお
ける品質管理で、不良解析、原因究明、原因対策に関す
る。特にテキストデータと、特徴量を付帯情報として有
する画像データならびにマップデータを有する過去事例
データベースからすべての検査を行わなくとも効率的に
過去事例情報を検索し、不良解析、原因究明、原因対策
に活用する。不良解析、原因究明、原因対策を効率よく
行うことは、新製品の早期立ち上げ、新製造ラインの早
期稼動、量産の高歩留まり維持などには必須である。

【０００２】また、本発明は半導体の生産の過去事例情
報に関らず、テキストデータ、画像データならびにマッ
プデータを有する各種データベースにも活用できる。

【０００３】また、不良分布の領域性判定方式について
は、画像処理技術のクラスタリング手法として、一般的
な画像処理手法としても活用可能であるし、単独の領域
性不良検出装置とすることもできる。

【０００４】

【従来の技術】半導体製造工程における不良解析は、従
来、主に製造工程の最終検査である電気的導通検査とし
てテスタを用いて行った検査の結果データである半導体
ウェハ内の各チップ毎の不良の最大要因をショートなら
Ａ、断線ならＢなどのように記号で表すフェイルカテゴ
リマップデータ（以後、ＦＣマップデータ）（図７の７
１）を熟練作業者が観察、不良をおおよそ推測し、その
結果に基づいて、再度、詳細情報を取得するため、メモ
リ各ビット毎の良、不良を良品なら０、不良なら１で表
すフェイルビットマップデータ（以後、ＦＢマップデー
タ）（図１０の１０１）をテスタにより検査し、検査結
果データを取得し、ＦＢマップデータ上の不良を不良毎
にチップ内のビット線の不良、ワード線の不良、マット
全体の不良などとモード分類を特開平５−４４００６号
公報および特開平６−９９１５号公報のように行ってい
た。また、製造工程途中で、外観検査、異物検査、膜厚
検査、合せ検査、寸法検査など各種検査が行われている
が、あくまで製造プロセスの状態把握にとどまり、不良
解析にも用いられてはいたが、直接、不良原因究明につ
なげる手段がなく、活用が困難であった。さらに、ＦＣ
マップデータ（図７の７１）、ＦＢマップデータ（図１
０の１０１）、異物マップデータ、外観マップデータ
（図８の８１）、合せ誤差マップデータ（図１７）など
は、データ収集後、その統計データ、あるいは生データ
を作業者が観察することにより、熟練作業者の経験なら
びに紙面による過去事例情報を検索し、光学顕微鏡観
察、電子顕微鏡観察、元素分析などを行い、再度、過去
事例情報と作業者が見くらべることにより、その原因を
究明し、製造工程へフィードバックしていた。この原因
究明方法では、まだ作業者の経験に頼る部分が非常に
多く、原因究明に多大な時間を要するとともに、製造工
程へのフィードバックが遅れていた。ここで、異物マッ
プデータとは、異物検査により検出した異物がウェハ上
にどのように分布しているかを表したものであり、外観
マップデータは、外観検査により検出したパターン不良
および異物などを異物マップデータと同様にウェハ上に
どのように分布しているかを表したものである。外観マ
ップデータの場合、異物マップデータとほとんど同一で
あるが、各不良データにパターン不良、異物、傷、膜残
りなどのように不良カテゴリが付帯情報として付いてい
る場合が多い。合せ誤差マップデータとは、合せ検査に
より検出された下地パターンと上地パターンの露光ずれ
量をベクトルで表したものであり、ある工程と、その前
の工程のずれ量を表している。

【０００５】また、ウェハの領域性が不良解析に重要な
役割があることは、以前より知られており、特開平６−
６１３１４号公報が米国ＡＴＴ社より提案されている
が、生データを観察する作業者への支援には有効である
が、定量的特徴量を抽出したり、不良推論を行う等の提
案はなされておらず、過去事例データベースの検索には
適用できない。

【０００６】

【発明が解決しようとする課題】半導体製造工程の不良
解析には、各種検査装置から取得できる検査結果データ
を解析し、過去に似た不良がないかどうかを検索するこ
とが非常に有効な手段の一つである。検査結果データだ
けからでは、不良原因を判定できなくとも、似た過去事
例を参考にすることで、元素分析をすべきか、電子顕微
鏡で観察すべきかなどどのような不良解析実験をすべき
かを判断できることは、そのまま不良解析に要する時間
を低減することにつながる。また、電子顕微鏡などによ
る不良解析実験を行わずとも、検査装置からの検査結果
データを解析するだけで、不良原因を究明できれば、極
めて短時間で原因対策を行うことが可能となる。さら
に、最終検査であるテスタ以前に各工程で行われている
異物検査などの結果で、原因を推測できると、極めて高
速に不良原因を究明することができる。

【０００７】本発明の一つの目的は、各種検査装置なら
びに検査結果データベースより検査結果データを入力、
また解析結果を出力する入出力部と、検査結果データか
らその定量的特徴量を算出する特徴抽出部と、その特徴
量からパターン照合手法により判定した不良キーワード
を推論する不良推論部と、特徴抽出部で算出した特徴
量、不良推論部で推定した不良キーワードにより、過去
事例データベースを検索する過去事例検索部を有し、過
去事例情報を出力する機能をもつことで、各種検査結果
から不良原因ならびに不良対策方法を容易に検索し、取
得、活用できる装置を提供することである。

【０００８】本発明の他の目的はテキストデータと、
特徴量を付帯情報として有する画像データならびにマッ
プデータを有することで、データベースに対して、テキ
ストデータと、画像データならびにマップデータの付帯
情報である特徴量のいずれかをキーワードとして、その
キーワードの照合を行い、一致度の高い過去事例情報を
過去事例データベースから取得する手段を有すること
で、ある１つあるいは複数の検査結果データから、過去
事例情報を検索することのできる装置を提供することで
ある。

【０００９】本発明の更に他の目的は、半導体ウェハ上
の不良の領域性を、各種検査装置から出力される不良マ
ップデータから検出する特徴抽出部と、その抽出した領
域性の定量的特徴量に基づき、パターン照合手法により
不良キーワードを推定する不良推論部を有し、不良マッ
プデータの特徴量から過去事例情報を検索できる装置を
提供することである。

【００１０】本発明の更に他の目的は、半導体ウェハ上
の不良部を元素分析装置、膜厚測定装置、電子顕微鏡、
光学顕微鏡等から不良の大きさ、形状、色彩、膜厚、材
質等を検出する特徴抽出部と、その抽出した定量的特徴
量に基づき、パターン照合手法により不良キーワードを
推定する不良推論部を有し、不良キーワードならびに特
徴抽出部で検出した特徴量から過去事例情報を検索でき
る装置を提供することである。

【００１１】本発明の更に他の目的は、過去事例データ
ベースに付帯情報として対策パラメータを有し、そのパ
ラメータに基づき、各種製造装置のパラメータ、ならび
にプロセス条件パラメータを制御する原因対策部を有
し、原因対策を行うことができる装置を提供することで
ある。

【００１２】本発明の更に他の目的は、座標単位の不良
マップデータを画像化し、不良データ座標の画素の面積
を膨張することで、近接不良データのクラスタを作成
し、そのクラスタの面積、周囲長、円形度、モーメン
ト、ならびにクラスタ内の不良数、重心等を特徴量とし
て、不良領域性の不良キーワードを推定することのでき
る方法を提供することである。

【００１３】本発明の更に他の目的は、チップ単位なら
びにマット単位の不良マップデータに対して、その不良
数の値により濃淡画像化し、設定した区域毎の不良数平
均値を特徴量として、不良領域性の不良キーワードを推
定することのできる方法を提供することである。

【００１４】本発明の更に他の目的は、特徴抽出部にて
抽出した特徴量とともに新規に過去事例データベースに
過去事例情報を登録できる装置を提供することである。

【００１５】本発明の更に他の目的は、定量的特徴量な
らびに不良キーワードから過去事例検索部により検索し
た過去事例情報をその正確性の確率の順にグラフならび
に表として出力することのできる装置を提供することで
ある。

【００１６】本発明の更に他の目的は、定量的特徴量か
ら不良推論部により推定した不良キーワードをその正確
性の確率の順にグラフならびに表として出力することの
できる装置を提供することである。

【００１７】本発明の更に他の目的は、定量的特徴量な
らびに不良キーワードから過去事例検索部により検索し
た過去事例情報の付帯情報である対策パラメータをその
正確性の確率の順にグラフならびに表として出力するこ
とのできる装置を提供することである。

【００１８】本発明の更に他の目的は、異物検査、外観
検査、テスタ、合せ検査、膜厚検査ならびに寸法検査等
の各種検査のうちの１つあるいは複数の検査結果データ
の特徴量を抽出し、抽出した各特徴量から各不良キーワ
ードを推論し、その不良キーワードにより過去事例の検
索を行い、さらに、検索した過去事例情報群から、各特
徴量で直接、過去事例情報との照合を行うことにより過
去事例データベースから過去事例情報を取得できる方法
を提供することである。

【００１９】本発明の更に他の目的は、電子顕微鏡観
察、光学顕微鏡観察、元素分析等のデータの特徴量を抽
出し、抽出した特徴量で、異物検査、外観検査、テステ
ィング、合せ検査、ならびに寸法検査等の検査結果から
検索し、取得した過去事例情報との照合を行うことで、
有益な過去事例情報にしぼり込める方法を提供すること
である。

【００２０】本発明の更に他の目的は、各種検査装置か
らの検査結果データから特徴量を抽出、不良キーワード
推論を行い、その不良キーワードの正確性の確率の積算
値を過去事例データベースから過去事例情報を検索、取
得する条件とする方法を提供することである。

【００２１】本発明の更に他の目的は、各種検査装置か
らの検査結果データから特徴量を抽出し、その特徴量と
過去事例データベースの付帯情報である特徴量の照合度
と上記、積算値を過去事例データベースから過去事例情
報を検索、取得する条件とする方法を提供することであ
る。

【００２２】

【課題を解決するための手段】本発明の一実施例によれ
ば、テキストデータと、特徴量を付帯情報として有する
画像データならびにマップデータと、対策パラメータを
有する過去事例データベースと、検査装置ならびに検査
結果データベースからの検査結果データから不良マップ
データならびに不良画像データからその定量的特徴量を
抽出、また、不良キーワードを推論する機能を有する手
段により構成することで、検査結果から不良原因ならび
に不良対策方法を効率的に取得、活用でき、さらにその
対策パラメータから原因となる装置のパラメータ、ある
いはプロセス条件パラメータを制御することで、対策を
行うことも可能となる装置を提供する。ここで、不良キ
ーワードとは、過去事例データベースの検索キーワード
の一つであり、不良の状態、不良の原因などを「異物散
乱」「異物直線状」「カテゴリＡドーナツ状」「有機異
物」「ショート」「断線」「膜厚不良」「ワード線不
良」「合せずれ」「寸法誤差」などのように示すもので
ある。過去事例データベースの検索キーワードには、不
良キーワードの他に対象製品、品種による製品キーワー
ド、原因の対策方法による対策キーワードなどもある。

【００２３】本発明により、ある検査装置により検査し
た検査結果データから過去事例情報を特定できた場合、
他の検査を省くことが可能となり、工程削減、作業削減
により製造工程全体のスループット向上と不良解析時間
の高速化が図れる。

【００２４】また、本発明の構成の過去事例情報を蓄え
ることにより、この情報を設計担当者が検索、活用する
ことにより、不良が生じにくい回路設計およびプロセス
設計が可能となる。

【００２５】また、検査結果からのデータベース検索方
法として、不良キーワードと特徴量の２段階検索によ
り、検索の高速化を図ることにつながる。

【００２６】

【発明の実施の形態】半導体製造工程における不良解析
へ本発明を適用した一実施例を示す。図１に本発明を不
良解析に適用した場合の構成を示す。この構成により、
不良解析は、各種検査装置３１〜３６ならびに検査結果
データベース２２より検査結果データを本発明の不良解
析装置１の入出力部１１から入力し、検査結果データか
ら特徴抽出部１２により定量的特徴量を抽出し、その特
徴量からパターン照合手法により判定した不良キーワー
ドを不良推論部１３で推論し、特徴抽出部１２で算出し
た特徴量、不良推論部１３で推定した不良キーワードで
過去事例データベース２１から過去事例検索部１４にて
過去事例情報を検索、取得する。取得した過去事例情報
から不良原因が唯一に確定できる場合は、原因対策部１
５で製造工程各装置パラメータならびにプロセス条件パ
ラメータを自動調整する。不良原因が唯一に定まらずと
も、いくつかの候補にしぼり込める場合、その過去事例
情報に基づいて、不良解析実験４１〜４３の必要な実験
を行い、原因を確定し、製造工程各装置パラメータなら
びにプロセス条件パラメータを調整し、対策する。対策
が完了したならば、過去事例情報作成部１０にて新たな
過去事例情報を作成し、過去事例データベースの更新を
行う。

【００２７】図２に過去事例データベース２１の過去事
例情報２３の構造の一例を示す。過去事例情報２３は、
テキストデータ５１、画像データ５４、ならびにマップ
データ５２、５３などから構成し、画像データ、マップ
データは、その定量的特徴量を付帯情報５５、５６、５
７としてもち、検索のためのキーワード５０も付帯情報
としてもつ。特徴量を付帯情報として持つことで、自動
解析には付帯情報である特徴量を用いる。そのため、画
像データなどは、ユーザが観察できる程度の分解能でよ
く、多少劣化していてもよく、かなり圧縮することが可
能となる。また、対策パラメータ５８も付帯情報として
もつことで、原因となる装置パラメータならびにプロセ
ス条件パラメータを自動で制御し、原因対策を行うこと
ができる。また、対策パラメータ５８には、原因となる
装置やプロセス条件ではなく、不良解析実験で電子顕微
鏡あるいは元素分析などを行うための設定パラメータを
付帯情報とすることもできる。過去事例情報２３は、
図２の例のように、異物マップデータ、ＦＣマップデー
タ、欠陥画像データ、対策パラメータを付帯情報として
もっているが、原因およびその検査手段により、さまざ
まな検査結果データが付帯情報としてついたり、あるい
は、必要のない付帯情報はつかなかったりする。

【００２８】図３に不良解析フローの一例を示す。各種
検査装置から取得できる不良マップデータのそれぞれの
特徴量を抽出し、抽出した特徴量にもとづき、パターン
認識手法により不良キーワードの不良推論を行う。推論
した不良キーワードにより過去事例データベースから過
去事例情報の候補を検索、取得する。異物検査もテスタ
もどの検査も行っているウェハに関しては、それぞれの
検査から特徴抽出、不良推論を行い、過去事例検索を行
い、その出力の過去事例情報群のそれぞれに共通の過去
事例情報を出力する。しかし、異物検査、外観検査など
は、各工程、抜き取り検査であるのに対して、テスタ
は、最終工程のみではあるが、全数検査である。また、
テスタでもＦＣマップデータは常時出力するが、ＦＢマ
ップデータは、データ量が莫大なため、常時出力するこ
とはなく、抜き取り出力となり、すべての半導体ウェハ
に対してすべての検査を行うわけではない。各種検査か
ら特徴抽出、不良推論、過去事例検索を行った方がより
正確な過去事例検索を行うことができるが、常に各検査
から特徴抽出、不良推論、過去事例検索を行い、その共
通の過去事例情報を利用できるわけではない。また、異
物検査や外観検査は、最終検査に至る前に各工程で行う
ため、異物検査や外観検査から過去事例検索を行うこと
で、途中の工程で致命的不良を摘出できることがある。
その時々に行った検査で効率的に検索を行い、過去事例
情報を検索、取得する。取得した過去事例情報の不良解
析実験の指示、パラメータ、原因対策の指示、パラメー
タに従って、原因対策、電子顕微鏡観察、元素分析、光
学顕微鏡観察などを行ったり、あるいは、途中工程の異
物検査や外観検査の結果で、過去事例検索を行ったが、
過去事例情報を特定できない場合、すなわち、途中工程
の異物検査や外観検査だけでは、原因対策を行うには情
報が足りない場合は、工程を進めて、別の検査を行って
から、再度、本発明による解析を行う。また、最終工程
までいき、各種検査を行ったが、対策方法が定まらない
場合は、各不良解析実験を行い、その結果の原因対策手
順に従って、新規に過去事例情報を登録する。この不良
解析フローにより、不良解析実験の回数削減ができると
ともに、製造工程最後のテスタの結果を待たずとも、製
造工程途中の異物検査や外観検査で不良原因対策を行う
ことも可能となり、不良解析の高速化を図ることができ
る。図３には記載していないが、異物検査、外観検査、
テスタのほかにも合せ検査、寸法検査、膜厚検査なども
同様に不良マップの特徴量を抽出、不良推論を行い、推
論した不良キーワードにより過去事例データベースから
過去事例情報を取得することができる。ここで、各検査
からの過去事例検索の共通の過去事例情報について、図
１８、図１９、図２０を用いて説明する。たとえば、図
１８のように異物検査、外観検査、テスタ検査を行った
ものに対して、不良解析を行う場合、異物マップデータ
により検索、取得できる過去事例情報の集合と、外観マ
ップデータにより検索、取得できる過去事例情報の集合
と、ＦＣマップデータにより検索、取得できる過去事例
情報の集合の論理積である。異物検査とテスタは行って
も、外観検査は行わなかった場合は、図１９のようにな
り、過去事例情報の集合がさほどしぼれなくなる。しか
し、図２０に示すようにさらに異物検査とテスタにより
検索した過去事例情報の集合に、電子顕微鏡画像から検
索、取得できる過去事例情報の論理積、すなわち、共通
の過去事例情報を得ることにより、過去事例情報をさら
にしぼり込むことができる。

【００２９】また、このように各種検査装置からの検査
結果データから不良キーワードと特徴量との２段階で過
去事例情報を検索することで、不良キーワードを推論せ
ずに直接、特徴量で照合を行うことにより、検索を大幅
に高速化することができる。

【００３０】図４は異物検査の検査結果データから過去
事例情報をしぼり、検索結果から不良解析実験として電
子顕微鏡観察を必要とする場合の例を示している。異物
マップデータの特徴量を抽出し、不良キーワードを推論
する。その不良キーワードに基づき、過去事例データベ
ースから過去事例情報を検索、取得する。この検索で取
得した過去事例情報が多い場合、この取得した過去事例
情報１１１に対して、過去事例情報の付帯情報である定
量的特徴量と異物マップデータの特徴量の照合を図６の
方法にて行い、過去事例情報１１２にしぼる。過去事例
情報１１２のどれもが電子顕微鏡観察を不良解析実験と
して行うべきであることが判定されたら、電子顕微鏡観
察を行い、その欠陥画像データの特徴量を抽出し、その
欠陥画像データの特徴量と過去事例情報群１１２の付帯
情報である特徴量を図６の方法で照合し、過去事例情報
１１３を抽出する。この取得した過去事例情報１１３が
唯一であるならば、その情報に基づいて、原因対策をす
ることで、もし過去に生じた原因と同じであるならば、
対策は成功する。複数存在するならば、それぞれ実施し
てもよいが、その特徴量や不良キーワードの正確度が高
いほど正しい確率が高く、高い順に実施するとよい。

【００３１】図５は外観検査の検査結果データとテスタ
の出力であるＦＣマップデータから過去事例情報をしぼ
る例である。外観マップデータの特徴量を抽出し、不良
キーワードを推論する。その不良キーワードに基づき、
過去事例データベースを検索、取得する。この検索で取
得した過去事例情報が多い場合、この取得した過去事例
情報１２１に対して、過去事例情報の付帯情報である定
量的特徴量と外観マップデータの特徴量の照合を図６の
方法にて行い、過去事例情報１２２にしぼる。次にＦＣ
マップデータの特徴量を抽出し、不良キーワードを推論
する。その不良キーワードに基づき、さらに過去事例情
報１２３にしぼり、過去事例情報１２３に対して、過去
事例情報の付帯情報である定量的特徴量とＦＣマップデ
ータの特徴量を照合し、過去事例情報１２４を検索、取
得する。ここで、もし唯一に絞り込むことができたな
ら、電子顕微鏡観察や元素分析を行う必要がなく、原因
を対策することが可能となる。

【００３２】次に図５の例に対して、推論した不良キー
ワードならびに特徴量から過去事例情報を検索、取得す
る手順の例を説明する。まず外観検査からの不良キーワ
ード推論で「外観、半月状」である確率が４０％、「外
観、三日月状」である確率が３０％、「外観、散乱」で
ある確率が１０％、「その他」である確率が２０％と出
力される。この推論方法については、図１１で説明す
る。推論結果の確率が３０％以上のものを検索するしき
い値とすると、「外観、散乱」と「その他」は検索対象
外となり、「外観、半月状」と「外観、三日月状」を過
去事例データベースの検索キーワードとして検索し、過
去事例情報１２１ａ、１２１ｂを検出する。このとき、
過去事例情報１２１ａおよび１２１ｂには、検索キーワ
ードである不良キーワードの「外観、半月状」の確率４
０％から重みとして０．４、「外観、三日月状」の確率
３０％から重みとして０．３を持たせる。次に過去事例
情報１２１ａおよび１２１ｂに対して、特徴量による照
合、検索を行い、過去事例情報１２２ａおよび１２２ｂ
を得る。このとき、各過去事例情報には、１２１ａおよ
び１２１ｂの重みと、特徴量による照合を行ったときの
一致度を確率で表し、それを重みとし、その重みを積算
し、各過去事例情報の重みとして持たせる。その積算し
た重みと、それぞれの検索におけるしきい値の積算値の
大小によって、重みがしきい値の積算値より小さい過去
事例情報は検出対象外とし、重みがしきい値の積算値よ
り大きい過去事例情報１２２ａおよび１２２ｂを取得す
る。次にＦＣマップからの不良キーワード推論で「カテ
ゴリＡ、三日月状」である確率が７０％、「カテゴリ
Ａ、散乱」である確率が２０％、「その他」である確率
が１０％と出力され、外観検査からの検索と同様に確率
３０％以上のものが検索対象とすると、「カテゴリＡ、
三日月状」だけが検出対象となる。過去事例情報１２２
ａおよび１２２ｂに対して、「カテゴリＡ、三日月状」
で検索すると、１２２ａおよび１２２ｂの重みに対し
て、７０％であることから、さらに０．７の重みを積算
し、しきい値の積算値と比較し、検出対象を絞り込むこ
とで、過去事例情報１２３ａおよび１２３ｂを検出す
る。さらに、ＦＣマップの特徴量による照合を行い、照
合による一致度を積算し、結果として過去事例情報１２
４ａを検出する。過去事例情報１２４ａは、一つとは限
らない。もし、一つだけ検出されるのであれば、その過
去事例が原因対策として最も有効である。複数検出され
るのであれば、その重みの大きさがその過去事例が原因
対策として有効である確率が高いことを示している。

【００３３】図６に過去事例データベースの過去事例情
報の付帯情報である特徴量と各マップデータならびに画
像データの特徴量の照合方法の一例を示す。図６に示す
方法は、相互相関を計算して照合を行う。まず、検査結
果データから算出した特徴量それぞれＡ[k]と、各過去
事例情報の付帯情報である特徴量それぞれＢ[k]の差を
算出し、その二乗に重みＷ[k]を積算した結果の総和Ｓ
を算出する。算出したＳが照合したかどうかのしきい値
より小さければ、照合とし、大きければ、照合しないと
判断する。不良キーワードによりしぼり込んだ過去事例
情報の付帯情報についてこの計算を順次行う。照合結果
は、一つの過去事例情報とは限らず、複数の過去事例情
報が照合することも多く、差の二乗の和が小さいほど、
正しい過去事例情報である確率が高いと考えられる。

【００３４】次に各マップデータから領域性特徴量抽出
方法の例を説明する。領域性とは、たとえば、異物マッ
プデータの場合、図２３に示すようにウェハ上の異物マ
ップがある決まった規則、たとえば、異物集中１３５、
異物オリフラ側三日月状１３６、異物ドーナツ状１３
７、異物直線状１３８などがあり、異物直線状１３８
は、実は傷。異物ドーナツ状１３７は、洗浄不良やスパ
ッタ不良などと推測することができる。また、図２４に
示すようにウェハ上のＦＣマップがある決まった規則、
たとえば、カテゴリＡ集中１３１、カテゴリＢまたはＣ
オリフラ側三日月状１３２、カテゴリに依存せずドーナ
ツ状１３３、カテゴリＡの時系列１点集中１３４などが
あり、これらのように個々の不良のミクロ的な観察では
なく、マクロ的な分布の解析が不良解析に非常に有効で
ある。また、時系列に観察し、いつも同一の位置に不良
が観察されることを見つけることも有効である。

【００３５】図７にＦＣマップデータから領域性特徴量
抽出方法の一例を示す。まず、複数ウェハのＦＣマップ
７１を各カテゴリ毎あるいは、関連のある数カテゴリ毎
の不良チップ数を累積し、累積マップデータ７２を算出
することで、ある時間的期間、あるロットなどの不良の
領域的傾向がわかる。これを２５６画素×２５６画素の
画像化し、累積マップ濃淡画像７４を得る。画像の濃淡
値は、累積マップデータ７２の値であり、明るいほど同
一カテゴリの不良が多いことを示している。画像化する
ことで、このデータ自身をモニタに表示し、ユーザに見
せることで、濃淡分布からユーザにテキストデータを表
示するより、わかりやすい領域性の傾向を見せることが
できる。また、画像化し、特徴量など後の計算をするこ
とで、チップ数の異なる製品、チップサイズの異なる製
品、ウェハサイズの異なる製品など別品種に対して、特
徴量を共有で活用することができ、別品種の過去事例情
報を参照して、不良解析を行うことができる。累積マッ
プ濃淡画像７４からその中心の極座標系で濃淡分布の半
径ならびに角度の平均値および分散値などを算出し、一
つの特徴量とする。また、累積マップ濃淡画像７４を領
域マクロ量子化７７、７８、７９のようなある区域（領
域）毎の濃淡の平均値を算出することで、マクロ的な分
布の領域性の特徴量とすることができる。領域マクロ量
子化７７によって、図２４のオリフラ側三日月状１３２
やドーナツ状１３３を検出することが有効であり、領域
マクロ量子化７８によって、オリフラ右側や左側など、
領域マクロ量子化７９によって、オリフラ側、オリフラ
反対側などの不良分布のマクロ的位置を検出することが
できる。わざわざこのようにマクロ的に観察する理由
は、この領域性の判定に、数チップの位置的相違などの
測定が無意味だからであり、また、処理時間の高速化に
も有効となる。また、累積マップデータ７２から隣接チ
ップの８近傍平滑化を行い、累積平滑化マップデータ７
３を算出し、それを画像化し、平滑化濃淡画像７５を得
る。この平滑化濃淡画像７５をモニタに表示してもよ
い。また、この平滑化濃淡画像７５をあるしきい値以上
と未満で２値化し、ラベリングを行い、大きな面積のク
ラスタを残し、小さな領域は、ノイズとして削除し、残
った領域を不良領域とするクラスタリング画像７６を得
る。クラスタリング画像７６から不良領域の面積、重
心、周囲長、円形度、モーメントなどを算出し、それを
領域性の特徴量としてもよい。ただし、この場合、２値
化のしきい値により特徴量の値が変動するので、しきい
値を複数用意し、それぞれの場合について算出した方が
よい。また、クラスタリング画像７６の不良領域内の異
物数、外観カテゴリ、ＦＢマップデータのモードなどを
算出し、特徴量としてもよいし、それを画面に表示する
ことも有効である。

【００３６】図８に異物および外観マップデータの領域
性特徴量抽出方法の一例を示す。１ウェハあるいは複数
ウェハの不良データを重ね合わした異物および外観マッ
プデータ８１を２５６画素×２５６画素の全面が値０の
画像に、不良座標位置を値１とする画像化を行い、異物
および外観マップ画像８２を得る。異物および外観マッ
プ画像８２の値１の画素の４近傍、あるいは８近傍の膨
張処理を行い、異物および外観マップ膨張画像８３を生
成することで、不良が領域性をもってかたまっている存
在していると、値１の部分が連結し、クラスタが構成さ
れる。そこで、この異物および外観マップ膨張画像で値
１のクラスタの面積をそれぞれ算出し、面積の小さな領
域、すなわち、領域性に関係のない部分を削除すること
で、領域性を判定することができる。面積の大きなクラ
スタの面積、重心座標、周囲長、円形度、モーメントな
どを算出し、この異物および外観マップデータの特徴量
とすることができる。図８では、異物および外観マップ
データに不良カテゴリ分けされていない場合を示した
が、データ毎に不良カテゴリ分けがなされている場合
は、カテゴリ毎、あるいは、関連のある数カテゴリ毎に
領域性特徴量を検出する方がよい。また、図８ではモー
メントにより傾きを検出したが、ハフ変換により異物分
布を直線で当てはめ、その傾きを検出することも可能で
ある。

【００３７】図９に異物および外観マップデータの領域
性特徴量抽出方法の一例の図８と別の方法を示す。１ウ
ェハあるいは複数ウェハの不良データを重ね合わした異
物および外観マップデータ８１をチップ毎の不良数をカ
ウントする９２。そのチップ毎の不良数を２５６画素×
２５６画素の濃淡画像化し、不良マップ累積画像９３を
得る。画像の濃淡値は、不良数を表す。また、場合によ
っては、不良数の最も多い値を２５６として、正規化す
ることもある。この不良マップ累積画像９３の中心を原
点として、極座標系で濃淡画像の重心座標および分散を
求め、特徴量とする。また、図７の場合と同様に領域マ
クロ量子化７７、７８、７９を行い、領域毎の濃淡平均
値を算出し、異物および外観マップデータの領域性特徴
量とする。図８と図９を両方行い、両方の特徴量を検出
し、推論に利用することも有効である。

【００３８】図１０にＦＢマップデータの領域性特徴量
抽出方法の一例を示す。テスタより取得したＦＢマップ
データ１０１に対してＦＢマップのモード分類１０２を
既存のモード分類技術（特開平５−４４００６号公報お
よび特開平６−９９１５号公報）で行う。モード毎、あ
るいは関連のある数モード毎に各チップ内の不良ビット
数をカウントし、指定モード数マップ１０３を得る。こ
のマップを２５６画素×２５６画素の濃淡画像化し、マ
ップ濃淡画像１０６を生成し、図７と同様に領域マクロ
量子化ならびに極座標系にて重心座標、分散を求め、特
徴量とする。画像の濃淡値は、同一モードの不良数を表
す。明るいほど同一モードが多数存在することになる。

【００３９】図７の累積マップ濃淡画像７４、平滑化濃
淡画像７５、クラスタリング画像７６、図８の異物およ
び外観マップ画像８２、異物および外観マップ膨張画像
８３、ラベリング画像８４、図９の不良マップ累積画像
９３、ＦＢマップ濃淡画像１０６、ＦＢマップ平滑化マ
ップ濃淡画像１０５などをモニタに表示させたり、プリ
ンタにて出力することも不良解析には有効な手段であ
る。

【００４０】次に抽出した特徴量から不良キーワードを
推論する方法の一例を示す。図１１にＦＣマップデータ
の不良キーワードを推論する方法の一例を示す。図７で
示した領域マクロ量子化７７、７８、７９のＦＣマップ
データの領域性特徴量である領域Ａ濃淡平均値、領域Ｂ
濃淡平均値など各領域での濃淡平均値、およびクラスタ
リング画像のクラスタ領域の面積、重心座標、周囲長、
円形度、モーメントなどの特徴量を入力データとして、
３層構造ニューラルネットワークで、出力データを不良
キーワードとする。不良キーワードは、過去事例情報検
索のキーワードとなる。また、不良キーワードは、完全
に一つのキーワードが検出されるとは限らず、それぞれ
重み（そのキーワードの正確度）がつき、図１１では、
カテゴリＡのウェハ中央集中というキーワードである確
率が最も高く６０％であり、カテゴリＡの直線状という
キーワードである確率が続いて２０％であり、ウェハ中
央集中である可能性が高いが、直線状であるかもしれな
いという推論結果となっている。推論手法には、ＩＦ−
ＴＨＥＮによるプロダクションシステムや統計的なパタ
ーン照合手法など各種パターン照合手法を適用可能であ
る。

【００４１】次に検査結果データから特徴量ならびに不
良キーワードを検出した結果の出力方法の一例を示す。
図１２は、特徴量から推論した不良キーワードを正確性
の確率の順に表示したものである。正確性の確率は、図
１１のニューラルネットの出力値の順となる。このよう
に表示することで、ユーザに解析結果をわかりやすく見
せることができる。また、確率のもっとも高い不良キー
ワード以外でも解析を行うことができる。また、そのグ
ラフをクリックするなどして、その推論に用いた特徴量
を見せることも可能である。図１３は、不良キーワード
により検索した過去事例情報からその不良原因を正確性
の確率の順に表示したものである。また、各原因表示部
分をクリックすることにより、その対策方法および対策
パラメータを表示することができる。それに従い対策を
する。もし対策効果がない場合には、確率の順に対策を
行うことができる。図１４は、異物マップデータとその
特徴量算出結果を表示したものである。異物のクラスタ
リング結果をわくで囲んだり、クラスタの重心位置を記
号で示す等をすることにより、特徴抽出結果をわかりや
すく示すことができる。また、そのクラスタ部分をクリ
ックすると、その特徴量を表示することも可能である。

【００４２】次に本発明を実際の企業に適用する場合の
一例を示す。図１５に各種製造装置、各種検査装置３
１、３２、３３、３４、４１、４４、過去事例データベ
ース２１、検査結果データベース２２は不良解析装置１
と同一のＬＡＮ上に構成することで、データ入出力なら
びに原因対策などを行うことができる。また、過去事例
データベース２１へのアクセスをルータ４９を通して、
他の工場から参照したり、モデム４０を利用して参照す
ることによって、他の工場からその工場のノウハウを知
ることができ、早期ライン立ち上げなどに有効である。
その例が図１６である。工場Ａの過去事例データベース
２１ａを工場Ｂや新製品の研究あるいは、新ラインの研
究、あるいは、新装置の研究などを行っている研究所か
ら参照することが容易に可能となる。

【００４３】次に過去事例情報のデータ形式ならびに登
録方法の一例を示す。図２１に過去事例情報のデータ形
式の一例を示す。主データ１４０として、不良キーワー
ド、対策キーワード、製品キーワードなどデータベース
を検索するための各種キーワードと、主にユーザに提示
する過去事例情報の本体であるドキュメントへのリンク
情報と、過去事例情報の付帯情報である異物マップ特徴
量や顕微鏡画像特徴量などへのリンク情報と、対策パラ
メータへのリンク情報が登録される。過去事例情報の本
体であるドキュメントは、マルチメディアやインターネ
ットでテキストと画像データを一括で扱うことのできる
構造記述言語ＨＴＭＬで記述されたテキストファイル１
４１およびそこからリンクする顕微鏡画像データ１４２
や異物マップデータ１４３から構成する。異物マップ特
徴量１４４は、定量的特徴量および工程名など、顕微鏡
画像特徴量１４５は、定量的特徴量、対策パラメータ１
４６は、対策対象装置および制御パラメータなどで構成
する。

【００４４】図２２に過去事例情報の新たな登録方法の
一例を示す。過去事例にない新たな不良、新たな原因が
出た発見された場合、新たな過去事例情報の登録を行
う。登録者は、図２１に示したデータ構造の過去事例情
報を図２２のフローに従って登録を行う。まず、ドキュ
メントのＨＴＭＬファイルをワープロ等で作成する。こ
のＨＴＭＬファイルからリンクされる画像データやマッ
プデータの特徴量は、予め図３のフローで解析を行って
いるため、算出されているので、そのデータをリンクす
る。次に新たな不良が発見されたときの有効であった対
策パラメータを入力、リンクする。次に、この過去事例
情報を次から検索するための不良キーワードや原因キー
ワードなどのキーワードを入力する。さらにこれら作成
したＨＴＭＬファイルや画像データ、マップデータ、特
徴量データ、キーワードなどをデータベースに登録す
る。

【００４５】

【発明の効果】本発明は、テキストデータと、特徴量を
付帯情報として有する画像データならびにマップデータ
を有する過去事例データベースからすべての検査を行わ
なくとも効率的に過去事例情報を検索、取得し、不良解
析、原因究明、原因対策に活用することができる。不良
解析、原因究明、原因対策を効率よく行うことは、新製
品の早期立ち上げ、新製造ラインの早期稼働、量産の高
歩留り維持などに有効である。また、各種検査装置から
出力される検査結果データの特徴量および不良キーワー
ドを検出する方法ならびにその不良解析へ適用する方法
を提供し、効率よく過去事例情報を取得することが可能
となるとともに、取得した過去事例情報にもとづいて不
良解析実験を行ったり、原因対策を行うことができ、不
良解析実験の低減ならびにその不良解析実験で得たデー
タをもとに、さらに過去事例情報を絞り込むことができ
る。

【００４６】また、本発明は半導体の生産の過去事例情
報に関らず、テキストデータ、画像データならびにマッ
プデータを有する各種データベースにも活用できる。ま
た、不良分布の領域性判定方式については、画像処理技
術のクラスタリング手法として、一般的な画像処理手法
としても活用可能である。

【図面の簡単な説明】

【図１】本発明を適用した不良解析構成の一例である。

【図２】過去事例情報の構造の一例である。

【図３】本発明を適用した不良解析フローの一例であ
る。

【図４】過去事例情報の検索フローの一例のその一であ
る。

【図５】過去事例情報の検索フローの一例のその二であ
る。

【図６】特徴量の照合方法の一例である。

【図７】ＦＣマップデータの領域性特徴量抽出方法の一
例である。

【図８】異物および外観マップデータの領域性特徴量抽
出方法の一例のその一である。

【図９】異物および外観マップデータの領域性特徴量抽
出方法の一例のその二である。

【図１０】ＦＢマップデータの領域性特徴量抽出方法の
一例である。

【図１１】ＦＣマップデータの不良キーワード推論方法
の一例である。

【図１２】不良キーワードの出力方法の一例である。

【図１３】不良原因の出力方法の一例である。

【図１４】領域性判定結果および特徴量の出力方法の一
例である。

【図１５】本発明のネットワーク上での位置の一例であ
る。

【図１６】遠隔地からの過去事例情報検索の一例であ
る。

【図１７】合せ誤差マップの一例である。

【図１８】異物、外観、フェイルカテゴリマップからの
検索論理積の一例である。

【図１９】異物、フェイルカテゴリマップからの検索論
理積の一例である。

【図２０】異物、フェイルカテゴリマップ、電子顕微鏡
観察からの検索論理積の一例である。

【図２１】過去事例情報のデータ構造の一例である。

【図２２】過去事例データベースの登録方法の一例であ
る。

【図２３】異物ならびに外観マップデの領域性の一例で
ある。

【図２４】フェイルカテゴリマップの領域性の一例であ
る。

【符号の説明】

１、１ａ、１ｂ…不良解析装置、１０…過去事例作成部２１、２１ａ、２１ｂ…過去事例データベース、２２…
検査結果データベース、２３…過去事例情報、３１…テ
スタ、３２…外観検査装置、３３…異物検査装置、３４
…合せ検査装置、３５…寸法検査装置、３６…膜厚測定
装置、４０…モデム、４１…電子顕微鏡観察、４２…光
学顕微鏡観察、４３…元素分析、４９、４９ａ、４９
ｂ、４９ｃ…ルータ、５０…キーワード５１…テキストデータ、５２…異物マップデータ、５３
…フェイルカテゴリ（ＦＣ）マップデータ、５４…欠陥
画像データ、５５…異物マップ特徴量データ、５６…フ
ェイルカテゴリ（ＦＣ）マップ特徴量データ、５７…欠
陥画像特徴量データ、５８…対策パラメータ、７１…フ
ェイルカテゴリマップデータ、７２…フェイルカテゴリ
累積マップデータ、７３…フェイルカテゴリ累積平滑化
マップデータ、７４…フェイルカテゴリ累積マップ濃淡
画像、７５…フェイルカテゴリ平滑化濃淡画像、７６…
フェイルカテゴリクラスタリング画像７７…領域マクロ量子化（円形）画像、７８…領域マク
ロ量子化（縦）画像、７９…領域マクロ量子化（横）画
像、８１…異物および外観マップデータ、８２…異物お
よび外観マップ画像、８３…異物および外観マップ膨張
画像、８４…異物および外観マップラベリング画像、９
２…異物および外観不良数マップ、９３…異物および外
観不良数マップ画像、１０１…フェイルビットマップデ
ータ、１０２…フェイルビットモード分類、１０３…フ
ェイルビット指定モード数マップデータ、１０４…フェ
イルビット指定モード数平滑化マップデータ、１０５…
フェイルビット平滑化マップ濃淡画像、１０６…フェイ
ルビット指定モード数マップ濃淡画像、１１１、１１
２、１１３、１２１、１２２、１２３、１２４、１２１
ａ、１２１ｂ、１２２ａ、１２２ｂ、１２３ａ、１２３
ｂ…過去事例情報、１３１…カテゴリＡ集中、１３２…
カテゴリＢ＆Ｃ三日月状、１３３…全カテゴリドーナツ
状、１３４…カテゴリＡ一点集中、１３５…異物集中、
１３６…異物三日月状、１３７…異物ドーナツ状、１３
８…異物直線状、１４０…データベース主データ、１４
１…ＨＴＭＬファイル、１４２…顕微鏡画像データ、１
４３…異物マップデータ、１４４…異物マップ特徴量デ
ータ、１４５…顕微鏡画像特徴量データ、１４６…対策
パラメータ。

───────────────────────────────────────────────────── フロントページの続き (72)発明者恒川佳世東京都小平市上水本町五丁目20番１号株式会社日立製作所半導体事業部内

Claims

【特許請求の範囲】

【請求項１】検査装置または検査結果データベースより
検査結果データを入力し、または解析結果を出力する入
出力部と、検査結果データからその定量的特徴量を算出する特徴抽
出部と、前記特徴量からパターン照合手法により不良キーワード
を推論する不良推論部と、前記特徴抽出部で算出した特
徴量と、前記不良推論部で推定した不良キーワードによ
り、過去事例データベースを検索し、該当する過去事例
情報を取得する過去事例検索部と、前記取得した過去事
例情報より製造工程各装置パラメータならびにプロセス
条件パラメータを調整する原因対策部とを備えたことを
特徴とする不良解析装置。
【請求項２】前記過去事例データベースは、テキストデ
ータと、特徴量を付帯情報として有する画像データなら
びにマップデータを有し、前記過去事例検索部が、前記
過去事例データベースに対して、テキストデータと、画
像データならびにマップデータの付帯情報である特徴量
のいずれかをキーワードとして、そのキーワードの照合
を行い、一致度の高い過去事例情報を前記過去事例デー
タベースから取得する手段を有することを特徴とする請
求項１に記載の不良解析装置。
【請求項３】前記特徴抽出部が、被検査物上の不良の領
域性を、異物検査、外観検査、テスタ、合せ検査、膜厚
検査等の各種検査装置から出力される不良マップデータ
から検出し、領域性の定量的特徴量を抽出することを特
徴とする請求項１記載の不良解析装置。
【請求項４】前記特徴抽出部が、被検査物上の不良部を
元素分析装置、膜厚測定装置、電子顕微鏡、光学顕微鏡
等から不良の大きさ、形状、色彩、膜厚、材質等を検出
することを特徴とする請求項１記載の不良解析装置。
【請求項５】前記過去事例データベースに付帯情報とし
て対策パラメータを有し、前記原因対策部が該対策パラ
メータに基づき、各種製造装置のパラメータ、ならびに
プロセス条件パラメータを制御して、原因対策を行うこ
とを特徴とする請求項１記載の不良解析装置。
【請求項６】座標単位の不良マップデータを画像化し、
不良データ座標の画素の面積を膨張することで、近接不
良データのクラスタを作成し、少なくとも該クラスタの
面積、周囲長、円形度、モーメント、ならびにクラスタ
内の不良数、重心を特徴量として、不良領域性の不良キ
ーワードを推定することを特徴とする不良解析方法。
【請求項７】不良カテゴリ毎に座標単位の前記不良マッ
プデータを画像化し、不良領域性の不良キーワードを推
定することを特徴とする請求項６記載の不良解析方法。
【請求項８】チップ単位ならびにマット単位の不良マッ
プデータに対して、その不良数の値により濃淡画像化
し、設定した区域毎の不良数平均値を特徴量として、不
良領域性の不良キーワードを推定することを特徴とする
不良解析方法。
【請求項９】不良カテゴリ毎にチップ単位ならびにマッ
ト単位の前記不良マップデータに対して、その不良数の
値により濃淡画像化し、不良領域性の不良キーワードを
推定することを特徴とする請求項８記載の不良解析方
法。
【請求項１０】前記特徴抽出部にて抽出した特徴量とと
もに、前記過去事例データベースに新規に過去事例情報
を登録する過去事例情報作成部を備えたことを特徴とす
る請求項１記載の不良解析装置。
【請求項１１】前記入出力部が、検索された過去事例情
報をその正確性の確率の順にグラフならびに表として出
力することを特徴とする請求項１記載の不良解析装置。
【請求項１２】前記入出力部が、推定された不良キーワ
ードをその正確性の確率の順にグラフならびに表として
出力することを特徴とする請求項１記載の不良解析装
置。
【請求項１３】前記入出力部が、検索された過去事例情
報の付帯情報である対策パラメータをその正確性の確率
の順にグラフならびに表として出力することを特徴とす
る請求項５記載の不良解析装置。
【請求項１４】前記入出力部が、各種特徴量を算出する
過程の画像データならびにマップデータを出力すること
を特徴とする請求項１記載の不良解析装置。
【請求項１５】異物検査、外観検査、テスタ、合せ検
査、膜厚検査ならびに寸法検査等の各種検査のうちの１
つあるいは複数の検査結果データの特徴量を抽出し、抽
出した各特徴量から各不良キーワードを推論し、該不良
キーワードにより過去事例の検索を行い、検索した過去
事例情報群から、各特徴量で直接、過去事例情報との照
合を行うことにより過去事例データベースから過去事例
情報を取得することを特徴とする不良解析方法。
【請求項１６】電子顕微鏡観察、光学顕微鏡観察、元素
分析等のデータの特徴量を抽出し、抽出した特徴量で、
異物検査、外観検査、テスティング、合せ検査、ならび
に寸法検査等の検査結果から検索し、取得した過去事例
情報との照合を行うことで、有益な過去事例情報にしぼ
り込むことを特徴とする請求項１５記載の不良解析方
法。
【請求項１７】各種検査装置からの検査結果データから
特徴量を抽出、不良キーワード推論を行い、その不良キ
ーワードの正確性の確率の積算値を過去事例データベー
スから過去事例情報を検索、取得する条件とすることを
特徴とする不良解析方法。
【請求項１８】各種検査装置からの検査結果データから
特徴量を抽出し、その特徴量と過去事例データベースの
付帯情報である特徴量の照合度と請求項１７の積算値を
過去事例データベースから過去事例情報を検索、取得す
る条件とすることを特徴とする請求項１７記載の不良解
析方法。