工具状况监测及匹配的制作方法
本发明涉及对制造的过程控制。
背景技术：
最新技术产品的质量正变得愈加重要，这是由于这些产品变为我们现代高科技经济的基础部分。制造商持续聚焦于质量控制及再现性来满足高科技经济的需求。过程控制用于在制造过程中产生最一致的产品性质。质量控制在其中执行复杂或其它信息敏感制造之生产线中是至关重要的。
在复杂制造环境中，许多变量同时变化。虽然本文中参考半导体环境，但原理通用于任何制造环境。例如，在半导体制造环境中，如同过程配方、测量工具配方、总体过程状况、测量工具状况及其它参数的所有变量都在变化。提供技术来监测制造设施中的工具以确保变异不随时间变坏对制造商而言是很有价值的。如果检测到偏移，那么得有解决所检测偏移的快速响应。
在制造环境中通过预防维护(pm)来周期性地完成工具监测及校正动作。为了比pm更早捕获工具漂移，通过监测标准晶片或特征化晶片(例如，监测晶片或优质晶片)来补充pm。虽然pm尝试将工具校准回到其操作范围，但标准晶片尝试通过周期性地扫描晶片及监测缺陷计数及/或监测缺陷捕获率来识别可在pm之间或pm之后发生的工具漂移。如果生产统计过程控制(spc)中存在任何漂移及/或标准晶片的趋势中存在任何漂移，那么假设其是因为制造商的过程改变或因为工具漂移，这继而需要校正动作用于。
在实例中，缺陷标准晶片(dsw)及裸硅晶片视情况与监测晶片一起用于工具监测。这些晶片组用于缺陷捕获及趋势化。与所建立趋势的明显偏差将触发故障排除动作以识别根本原因。如果不存在明显偏差，那么将工具发布到用于检验样本的生产。如果报告生产层其趋势存在偏差，那么检查标准晶片(或监测晶片)趋势以确认是否存在任何漂移。如果标准晶片或监测晶片的趋势中存在漂移，那么发出特定行动计划(poa)以识别根本原因且将监测晶片用于进一步故障排除。如果这些晶片中不存在趋势，那么发出多个poa以排除故障问题。
也可执行特用修正以当工具的性能下降时复原工具状况。例如，当工具的性能下降到低于特定期望状态(其由制造商基于其spc基线或由工具供货商通过在pm或任何其它特用活动时采取的测量来确定)时，执行一系列数据收集以识别根本原因且修正问题。
如果制造商使用漂移工具来测量，那么制造商具有错过偏离的风险。随着工具架构变得更先进，pm循环变得更长。因此，无法及时检测到并校正工具漂移的风险在增大。无法快速校正工具漂移增加制造商的经营成本。此外，pm时间受限使得制造商可维持工具正常工作时间目标。但pm进度随着工具变得更先进而加快。如果pm时间不足，那么pm之间错过漂移的风险增大。因此，预定pm无法全面涵盖需要频繁优化的硬件参数。另外，基于特用基本方法来排除故障及修正问题未预定工具停工时间，因为这些结果是反应性响应。特用故障排除也要耗费更长时间，因为需要收集相关数据来识别根本原因。这再次增加制造商的运营成本。此外，使用额外晶片来检测pm之间的漂移的方法也不是完全有效，因为其无法捕获生产使用案例的宽度且增加经营成本。存在许多其它方式来执行工具监测以防止漂移的许多其它方式，但这些工具监测技术中的每一者都具有缺点。因此，需要在不造成错误警报的情况下基于生产数据来监测工具状况的方法。
还由制造商严格控制工具匹配使得制造商可平衡其生产线。失配工具降低制造商的操作灵活性，且因为密集型数据收集及手动到半手动诊断过程而使修正极其费时。因此，制造商尝试匹配工具以具有类似性能或特性。
可以各种方式执行工具匹配。例如，可对已知样本采取重复测量。用户在参考工具(例如，优质或标准工具)上且在必须与参考工具灵敏度匹配的工具上多次重复运行(例如，10次或10次以上)。当两个工具展示在工具规格文档中定义的类似缺陷计数及缺陷捕获率时实现工具匹配。在多数情况中，用户仅修改显微镜物镜的焦点偏移。使用这种技术，要注意标准工具与候选工具之间的不同焦点偏移处的共同缺陷百分比。标准工具与候选工具之间的共同缺陷百分比及计数匹配满足规格或高於规格的点被视为匹配的最佳焦点偏移。采取这些重复测量是极其费时的过程。其还要求大量手动数据分析。
还可手动查核图像以执行工具匹配。调查员收集不同焦点偏移处的图像且手动比较图像。看起来类似的图像是使工具匹配的焦点偏移。然而，这个过程是手动的且可为主观的。
还可比较直方图以执行工具匹配。将来自要匹配工具的图像转换为直方图且比较直方图的形状。这种技术可涉及手动查核，其中主观地判断差异。替代地，可将直方图转换为统计参数(例如模式、偏度或峰度)且可分析差异。在多个峰值直方图的情况中，基于统计参数的比较可能不太有效，因为两个不同直方图也可具有类似统计参数。
工具匹配还受通过平均自捕获率(ascr)及变化系数(cov)来测量的检验配方质量影响。ascr及cov是受控以改进工具间匹配的参数。ascr是在相同晶片的重复扫描中捕获的所有缺陷的捕获率的平均值。cov是缺陷计数的标准偏差与相同晶片的重复扫描中的平均缺陷计数的比。这些参数是通过在参考晶片上重复运行10x次来计算。可将<5％的cov及>75％的ascr设置为良好质量配方的标准。较低ascr及较高cov会造成工具匹配问题及/或放宽过程控制限度，这增大与检验相关联的贝塔级(beta)风险。
当不满足这些cov及ascr要求的配方造成工具失配时，进一步调谐配方使得可改进工具匹配。为了实现较高ascr及较低cov，用户通常通过增加阈值偏移以移除较低捕获率缺陷或通过使用分类及妨害过滤技术滤除较低捕获率缺陷或通过改变检验模式来降低配方灵敏度，这可抑制较低捕获率缺陷检测。为了实现这个目的，选择用于计算ascr的10x次重复结果中的一者，识别较低捕获率缺陷，且使用上文所描述的技术来从扫描结果移除较低捕获率缺陷。然而，使用单次扫描结果来消除低捕获结果无法改进工具匹配，因为结果中的扫描间变异无法得到补偿。因此，用户倾向于将检验配方的灵敏度降低到超过所需水平，这会造成检验配方错过关键受关注缺陷(doi)。用户还可不改变模式来改进ascr，因为先前选定模式恰为基于信噪比调查的最佳已知方法(bkm)模式或用于捕获doi的最佳模式。
如果工具经校准且配方稳健，那么可更佳地匹配工具。随着工具变得更佳且校准变得更严格，写入及发布稳健配方变得对工具匹配更重要。一般来说，配方尝试获得极端灵敏度。这些高灵敏度配方(虽然被要求捕获关键缺陷)会造成失配。因此，需要可用于降低或消除由配方质量引发的工具失配的改进过程。先前技术依赖于首先发布配方且接着在匹配问题出现时加以修正来代替尝试首先主动修正匹配问题。因此，工具失配故障排除变得反应性的。工具匹配造成过程延迟蔓延到消费者且增加工具服务成本。一旦将配方发布到生产，那么改变配方还是困难的。
因此，需要用于工具监测及匹配的改进技术。
技术实现要素：
在第一实施例中，提供一种系统。所述系统包括：接口，其与多个半导体制造工具电子通信；及过程控制单元，其与所述接口电子通信。所述过程控制单元经配置以从所述多个半导体制造工具接收生产数据。所述生产数据包含使用所述半导体制造工具制造的一或多个半导体晶片的测量。所述生产数据包含参数数据及缺陷属性数据。所述过程控制单元包含控制限度影响(cli)模块、缺陷计数识别模块、缺陷属性识别模块、优先化模块、收集模块及图像分析模块。所述cli经配置以在所述参数数据及所述缺陷属性数据的cli超过规格时发送警报。所述缺陷计数识别模块经配置以识别缺陷计数与所述参数数据之间的关系。所述缺陷属性识别模块经配置以识别所述缺陷属性数据的至少一个趋势与所述参数数据之间的关系。所述优先化模块经配置以优先化因果关系因素。所述收集模块在不同状态下从所述半导体制造工具中的两者或两者以上的所述参数数据收集数据。所述图像分析模块经配置以识别所述半导体制造工具中的所述两者或两者以上匹配所处的状态中的一者。
所述过程控制单元可包含：处理器；电子数据存储单元，其与所述处理器电子通信；及通信端口，其与所述处理器及所述电子数据存储单元电子通信。
所述过程控制单元可经编程以报告失控硬件参数。
所述接口可经配置以实时接收所述生产数据。
所述系统可进一步包含经配置以报告失控硬件参数的报告模块。使用所述参数数据及所述缺陷属性数据来确定所述失控硬件参数。
所述过程控制单元可经进一步配置以基于cli分数来设置失控硬件参数的优先级。较高cli分数可对应于较高优先级。
所述优先化模块可经配置以基于至少一个r平方分数来优先化所述因果关系因素。
在实例中，所述图像分析模块经编程以：将图像转换为快速傅里叶变换(fft)图像；逐像素比较所述fft图像中的两者以生成直方图；及确定所述直方图的r平方值。较高r平方值对应于改进匹配。
在另一实例中，所述图像分析模块经编程以：定义代表性结构；从所述半导体制造工具中的两者收集所述代表性结构的图像数据；及确定至少一个参数的值，使得所述图像数据的至少一些图像参数在所述半导体制造工具中的所述两者之间匹配。
在又一实例中，所述图像分析模块经编程以：确定至少两个优化假设函数以预测所述半导体制造工具中的两者之间的最佳匹配参数；优化拟合参数以最小化均方误差；比较所述两个半导体制造工具的所述假设函数以找到输入变量的偏移向量以最小化所述假设函数中的两者之间的差；及通过调整工具变量来匹配所述两个半导体制造工具。
在第二实施例中，提供一种方法。所述方法包括在过程控制单元处从多个半导体制造工具接收生产数据。所述生产数据包含使用所述半导体制造工具制造的一或多个半导体晶片的测量。所述生产数据包含参数数据及缺陷属性数据。使用所述过程控制单元来确定所述参数数据及所述缺陷属性数据的控制限度影响(cli)。使用所述过程控制单元来识别缺陷计数与所述参数数据之间的关系。使用所述过程控制单元来识别所述缺陷属性数据的至少一个趋势与所述参数数据之间的关系。使用所述过程控制单元来优先化因果关系因素。使用所述过程控制单元来在不同状态下收集所述半导体制造工具中的两者或两者以上的所述参数数据。使用所述过程控制单元来执行图像分析以识别所述半导体制造工具中的所述两者或两者以上匹配所处的状态中的一者。
可在所述过程控制单元处实时接收所述生产数据。
所述方法可进一步包含报告失控硬件参数。使用所述参数数据及所述缺陷属性数据来确定所述失控硬件参数。
所述方法可进一步包含基于cli分数来设置失控硬件参数的优先级。较高cli分数对应于较高优先级。
所述方法可进一步包含针对控制限度来监测所述参数数据。基于制造规格或基于西格玛(sigma)限度来定义所述控制限度。
可测量所述cli以确定所述半导体制造工具中的至少两者之间的失配。可执行随机缺陷计数与所述参数数据之间的关联。
所述因果关系因素的优先化可基于至少一个r平方分数。可对所述因果关系因素中的每一者的所述r平方分数进行排名。
在实例中，所述图像分析包含：将图像转换为快速傅里叶变换(fft)图像；逐像素比较所述fft图像中的两者以生成直方图；及确定所述直方图的r平方值。较高r平方值对应于改进匹配。
在另一实例中，所述图像分析包含：定义代表性结构；从所述半导体制造工具中的两者收集所述代表性结构的图像数据；及确定至少一个参数的值，使得所述图像数据的至少一些图像参数在所述半导体制造工具中的所述两者之间匹配。
在又一实例中，所述图像分析包含：确定至少两个优化假设函数以预测所述半导体制造工具中的两者之间的最佳匹配参数；优化拟合参数以最小化均方误差；比较所述两个半导体制造工具的所述假设函数以找到输入变量的偏移向量以最小化所述假设函数中的两者之间的差；及通过调整工具变量来匹配所述两个半导体制造工具。在这个实例中，所述图像分析可进一步包含：随机选择第一百分比缺陷作为学习组、第二百分比缺陷作为交叉验证组及剩余百分比缺陷作为测试组；及使用所述交叉验证组来测试所述假设函数。
附图说明
为更完全理解本发明的性质及目的，应参考结合附图进行的以下具体实施方式，其中：
图1是根据本发明的方法的流程图；
图2说明第一组三个代表性图像(左)及对应fft图像(右)；
图3是来自图2的图像的关联图；
图4展示第二组实例性图像及对应fft图像；
图5包含图4中的fft图像的三个关联图；
图6是展示图像属性对比焦点的图；
图7说明图像分析的实施例；
图8到10说明图1的方法的实施方案；
图11是根据本发明的系统的框图；
图12是根据本发明的用于减小cov及增大ascr的实施例的流程图；
图13是根据本发明的用于减小cov及增大ascr的实施例的另一流程图；
图14到16说明图12到13中的技术的效应；
图17a到c说明图12到13的技术的实施方案；
图18是根据本发明的用于减小cov及增大ascr的实施例的另一流程图；
图19及20说明根据本发明的配方发布方法；
图21是根据本发明的用于工具监测及维护与实时数据收集的实施例的流程图；
图22是根据本发明的用于工具监测及维护与实时数据收集的实施例的另一流程图；及
图23是根据本发明的用于解耦失配源的实施例的另一流程图。
具体实施方式
尽管将根据特定实施例来描述所主张主旨，但其它实施例(包含不提供本文中所提及的所有益处及特征的实施例)也在本发明的范围内。可在不脱离本发明的范围的情况下做出各种结构、逻辑、过程步骤及电子改变。因此，仅通过参考所附权利要求书来定义本发明的范围。
可如本文中进一步描述般执行方法的步骤中的每一者。方法还可包含可通过本文中所描述的过程控制单元及/或(若干)计算机子系统或系统来执行的任何其它(若干)步骤。通过一或多个计算机系统执行步骤，所述计算机系统可根据本文中所描述的实施例中的任一者配置。另外，可通过本文中所描述的系统实施例中的任一者来执行上文所描述的方法。
相对于半导体制造来揭示本文中所揭示的实施例。然而，本文中所揭示的技术可应用于其它制造设置，其包含电子设备、汽车、化学品、药品、飞机或生物医学装置的制造设置。
通过整合实时数据收集、事件优先化及透过图像分析自动确定匹配状态进行的工具状况监测及匹配可减少工具维护及匹配的结果时间。揭示用于识别失配因果关系因素的实时数据收集、基于对生产的影响的校正动作的优先化及适于自动化且评估工具匹配的分析技术的整合方法。所揭示的图像分析技术例如使用机器学习技术来比较图像且可用于判断工具匹配。将改进结果时间，这可更早将配方投入生产。本文中所揭示的技术适于大数据应用且可对预测性及自持(例如，自匹配)工具实施。硬件参数的实时监测及其与生产spc的关联可有助于更早识别工具漂移且以较及时方式修正工具漂移。
图1是方法100的流程图。在101中，在过程控制单元处接收来自多个半导体制造工具的生产数据。可在过程控制单元处实时接收生产数据。生产数据包含使用制造工具制造的一或多个半导体晶片的测量。生产数据包含参数数据及缺陷属性数据。参数数据是指提供工具状态的信息的相关工具硬件的任何数据。灯温度、自动对焦传感器数据、时间延迟积分(tdi)传感器数据、级速度及阻尼因素、及灯寿命是参数数据的几个实例。缺陷属性数据是指解释缺陷的性质的任何数据。缺陷面积、灰度值、极性、出现位置及形状是缺陷属性的几个实例。
在当前实施方案中，可执行频繁数据收集及/或实时数据收集。来自所检验晶片的硬件参数及缺陷属性的实时数据收集提供优于在报告问题之后收集故障排除数据的优势。针对可基于制造规格定义的控制限度或通过统计方法识别的西格玛限度监测参数数据。报告失控(ooc)的参数以进行用户介入。还可频繁测量控制限度影响(cli)以测定工具匹配。在实施例中，不需要用户介入，且过程控制单元使用机器学习算法来进行下一逻辑步骤。
在102中，使用过程控制单元来确定参数数据及缺陷属性数据的cli。使用下文所展示的公式来测量cli(或总测量不确定性(tmu)cli)。
在以上等式中，σ是特定样本群组的缺陷计数的标准偏差。在半导体行业中，计算装置的特定层的σ。可使用变化分量分析或其它技术来生成σ以将总制造过程变异分割成归因于测量系统的部分及归因于其它原因的部分。应注意，σ(测量)是可包含工具间测量变异及工具内测量变异两者的术语。生产数据的总标准偏差(σ(总过程))可包含真实过程变异及测量系统变异两者。cli测量归因于缺陷计数的测量系统引发变异的过程控制限度宽度的增加。例如，测量系统硬件中的工具间变异及工具内变异可造成随时间不同地测量相同值。这些是测量系统变异源。过程具有本质上具不同缺陷值的许多不同批次或批组材料。因此，批次间变异是非测量系统变异源的实例。cli度量展示制造的每一测量步骤中的工具失配程度，因此其可有助于优先化硬件故障排除。如图8中所展示，tmu(其是工具间失配的指标)与cli相关。图8b展示在生产环境中，工具上检验的仅一些层失配。这些层中的失配程度也不同。tmu及因此cli有助于识别且优先化这些失配层。
cli还可反复地用于通过一次从一个工具系统性地移除数据且计算cli的变化来指示造成最大失配的工具。对cli影响最大的工具是对总生产过程控制影响最大的工具。
在图1的103中，可使用过程控制单元来识别缺陷计数与参数数据之间的关系，例如半导体设置中的标准晶片或优质晶片。当测量工具匹配良好时，由不同工具捕获的缺陷的数目在相同晶片上几乎相同，且工具间的硬件配置是类似的。另外，从匹配工具获得的图像类似。因此，从由不同工具测量的单一缺陷的图像提取的缺陷特性或属性不会有明显差异。
然而，如果先前匹配工具中的一者具有偏移或降级的硬件组件，那么由整个工具捕获的图像可不同於由匹配工具的剩余部分捕获的图像。这可显现缺陷计数及/或缺陷属性的失配。因此，缺陷计数、缺陷属性及硬件参数数据之间的关联研究可用于识别已发生硬件偏移。
在实时匹配操练中，在不同测量工具上检验来自不同生产晶片(或样本)的数据以便监测过程变异来代替测量单一标准或优质晶片(或样本)。由于制造商通常将生产批次随机分配到测量工具且充分检验大量批次，因此硬件参数数据及缺陷属性的实时趋势可用于测定工具匹配。
用于识别根本原因的分析可涉及使用从所有工具获得的数据来进行多变量分析。第一级分析可涉及缺陷计数与硬件参数数据之间的多变量分析。可为子分量级故障排除选择展现高r平方分数的一或多个硬件参数。
如同第二级分析，在104中，可使用过程控制单元且使用r平方分数作为度量来识别缺陷属性数据的至少一个趋势与参数数据之间的关系，其中r平方是标准统计方法。这个两步骤方法有助于节省分析时间，且还有助于缩减因果关系因素。例如，在第一级分析之后，所得结论可为缺陷计数的失配与关于成像系统的硬件参数数据高度关联。此外，如果用户从第二级分析得出结论，缺陷的灰度级与成像系统强关联且缺陷大小不与成像系统关联，那么其可得出结论，需要修正成像系统，且不需要调整失配工具上的焦点偏移。图9a展示来自要匹配工具的缺陷计数与硬件参数之间的关联的实例。图9b展示在对硬件参数实行校正动作之后，展示失配降低的失配层及匹配层未因校正动作而显现任何负面影响。
返回参考图1，可在105中使用过程控制单元来优先化因果关系因素。优先化可基于至少一个r平方分数。可对因果关系因素中的每一者的r平方分数进行排名。
在106中，可在不同状态下使用过程控制单元来收集半导体制造工具中的两者或两个以上的参数数据。一旦识别一或多个因果关系因素，那么改变已漂移的工具且在参考晶片上收集适当位置处的图像以执行图像关联分析以建立工具匹配所处的状态。对工具进行的每一改变产生工具设置的独特组合，其被称为工具状态。在一些实例中，要在多个工具状态下谨慎收集数据以确定导致最高匹配的状态。
可在107中使用过程控制单元来执行图像分析以识别半导体制造工具中的两者或两者以上匹配所处的状态中的一者。已被识别为造成失配的最主要原因的因果关系因素可通过校正动作来修正，所述校正动作可取决于需要修正的硬件组件而不同。然而，根据实验，当工具匹配时，由工具捕获的图像几乎相同。因此，可通过透过不同图像分析技术自动比较图像来测量校正动作的影响。
在实例中，107中的图像分析将图像转换为快速傅里叶变换(fft)图像。使fft图像中的两者逐像素相互比较。生成关联图以建立r平方值。较高r平方值对应于改进匹配。这可实现不同图像的自动比较。
基于规则直方图的图像分析技术涉及并排比较。可使用人类判断及/或使用涉及测量两个直方图之间的偏度、峰度等的百分比改变的统计技术来比较来自不同图像的直方图的形状。这些技术可在直方图具有多个模式(峰值)时产生不正确结论且易受主观影响。这些技术的一些元素仍可用于补充基于fft的技术。
可使用已知软件(例如由imagej提供的软件)来执行图像变换(例如，fft)。将图像转换为fft图像可提供多个优势。益处中的一者是更容易对准图像进行比较。另一实例是图像可经剪切到适当大小，经变换且用于比较。这些益处可为大量图像的自动分析所期望，因为难以从完全相同的坐标高准确度地获得图像。用于对准的经变换图像的变换及使用可使用例如第6,483,538号美国专利中所揭示的技术的技术，所述专利的全部内容以引用方式并入。
图2中展示三个不同代表性图像(左)及对应fft图像(右)的实例。图2中的实例a是基于来自参考工具的具有灰色、暗色及亮色图案的半导体图像。图2中的实例b是基于a的剪切图像。图2中的实例c是基于来自另一工具的具有亮色及暗色图案的半导体图像。如图2中所展示，fft导致可具有如同中心交叉点的十字线的图像，这使对准图像进行比较更容易。图像的最小失配的效应通过系统性剪切来降低。图3中展示实例b与c之间的关联图。
图4展示第二组实例性图像及对应fft图像。图5包含图4中所展示的图像的fft图像的三个图。图5a展示图4a的关联。图5b展示图4b的关联。图5c展示图4c的关联。
如图5的图中所展示，图5b中的r平方高于图5a中的r平方。这与手动查核的发现一致，且为工具最佳匹配所处的焦点偏移。类似地，来自图4c的图像的比较展示低关联。
在另一实例中，图1的107中的图像分析将图像转换为图像属性，例如灰度级、对比度或清晰度。可在这些属性之间进行比较。可从半导体制造工具中的两者收集代表性结构的图像数据。至少一个工具参数的值可在两个工具上变化。例如，显微镜物镜上的焦点偏移可在两个工具上变化。可基于图像属性在半导体制造工具中的两者之间的匹配程度来识别这个工具参数的最佳值。
在数据收集期间，用户可定义代表性结构以收集仿真运行时间图像且计算图像属性。结构不需要在缺陷位置处，因为意图是匹配图像的属性而非缺陷。算法可代替用户基于设计来搜索代表性结构且收集图像数据或算法可在参考工具上运行缺陷检验扫描且随机选择代表性结构。
收集参考工具上的选定位置的图像数据且在候选工具上通过焦点收集相同数据。还可在参考工具上通过焦点收集图像数据以执行焦点曲线匹配。可确定匹配参数或若干匹配参数的最佳值使得候选工具的特定图像参数(例如图像对比度、特征清晰度)与参考工具的特定图像参数匹配。
分析技术可比较候选工具上收集的图像的单一特征或参数与参考工具上收集的图像的单一特征或参数。图6是展示图像属性对比焦点的图。图6说明通过焦点导出的三个属性的响应。
接着，可执行数据拟合算法以使候选工具响应与标准工具匹配。
例如，可对匹配参数的不同值(例如不同焦点偏移)绘制特征清晰度值。焦点偏移可内插在例如特征清晰度值与来自参考工具的特征清晰度值匹配之处。
在又一实例中，图1的107中的图像分析确定至少两个优化假设函数以预测半导体制造工具中的两者之间的最佳匹配参数。优化拟合参数θ以最小化均方误差。比较两个半导体制造工具的假设函数以找到输入变量的偏移向量以最小化假设函数中的两者之间的差。通过调整工具变量来匹配两个半导体制造工具。可随机选择第一百分比缺陷作为学习组，可随机选择第二百分比缺陷作为交叉验证组，且可随机选择剩余百分比缺陷作为测试组。可使用交叉验证组来测试假设函数。
用于数据收集的技术可与先前图像分析实施例的技术相同。分析技术要使用先进优化算法(例如深度学习)来找到最佳匹配条件，尤其在不仅是需要变化焦点偏移时，如图7中展示。
在实例中，可在参考工具上运行缺陷检验扫描。接着，随机选择缺陷(例如，100个缺陷)，所述缺陷包含doi、其它真实缺陷及跨整个检验区域的妨害事件。针对不同匹配参数(例如，不同焦点偏移)收集参考及候选工具上的所有那些缺陷的图像数据。针对机器学习算法，选择一定百分比(例如，60％)缺陷作为学习组，选择一定百分比(例如，20％)缺陷作为交叉验证组，且选择剩余部分作为测试组。找到可预测最佳工具间匹配参数(例如最佳焦点偏移)的最佳假设函数或若干最佳假设函数。使用交叉验证组来测试假设函数或若干假设函数。找到具有最低误差的函数或最可靠的函数。使用测试数据集来估计模型的一般化误差。如果误差较低，那么假设函数可用于将输入变量偏移向量的最佳值内插在参考工具与候选工具之间。
在实例中，针对机器学习算法，选择60％缺陷作为学习组，选择20％缺陷作为交叉验证组，且选择剩余部分作为测试组。可使用以下技术来执行可预测最佳工具间匹配参数的最佳假设函数或若干最佳假设函数。
在图7的另一实例中，深度学习(神经网络)用于找到最小化一组随机选择缺陷的候选工具与参考工具的图像之间的差的偏移向量v。在这种情况中，神经网络用于从图像导出新属性。这个属性可例如为常用的s型或三角函数的输出。这个新属性接着用于找到两个工具的最佳匹配条件。
这种图像分析技术提供多个优势。先前，要求许多费时的重复扫描(例如，10到20次)来进行匹配分析。这种图像分析技术使用因为不要求全晶片扫描而可更快收集的图像。图像本身可含有统计上有意义的像素数目，例如每一图像含有约1,000个像素，其应不要求重复。优化算法进行数据分析且预测正确偏移向量，因此不要求用户介入。过去可不使用具有非常低缺陷密度的晶片，因为不存在足够统计或用户必须运行过多重复。使用基于图像的匹配算法，从每一图像收集足够统计，使得可运行具有非常低缺陷密度的晶片。
虽然焦点是实现匹配的主要参数，但可添加其它参数作为输入变量，这有助于更快识别工具失配的原因且使根本原因分析更有效。
图1中的方法100可报告ooc硬件参数。使用参数数据及缺陷属性数据来确定ooc硬件参数。由于每一晶片上的缺陷数据大小不同且所处理的数据量为较高，因此对每一检验晶片采取每一缺陷属性的平均值，如图10a中所展示。使用要匹配工具上收集的数据来对每一层准备这种类型数据集，如图10b中所展示。图10c展示用于监测ooc的一些标准技术，例如盒形图分析及关联分析。
不迫切需要修正报告为ooc但不影响生产的参数。为了确定对生产的影响，对所有不同层(例如，样本群组)测量cli。方法100可基于cli分数来设置ooc硬件参数的优先级。如果cli较高，那么可优先化ooc参数以进行立即或随后修正，所述优先化的确定可基于cli分数。在其它情况中，修正可经推迟到生产破坏最小的另一时间。可例如使用基于实时数据报告工具状态的仪表板来检查所执行校正动作的影响。如果在校正动作之后不再报告ooc，那么问题可被视为已修正，且不需要在将工具发布到生产之前收集额外数据。
如果不存在ooc，那么cli的频繁测量可用于判断工具匹配状态。具有高于约定规格的cli的层被视为失配。其它因素(配方、环境条件、过程)可假设为非促成因素，或可假设为已通过执行最佳实践而单独解决。对于此类层，可执行随机缺陷计数与硬件参数数据之间的关联。展示较高r平方分数的硬件参数数据被视为潜在因果关系因素，且进一步通过缺陷属性及硬件关联来筛选。此外，r平方分数用于进一步缩减因果关系因素。两步骤关联可有助于首先识别主要硬件系统且接着识别具有该主要硬件组件的子系统可为因果关系因素。因此识别的所有潜在因果关系因素可根据其r平方值来降序列出。这可有助于优先化硬件校正动作。
用户可能无法手动查核这种技术可涵盖的所有参数。这种技术使用因为不需要全晶片扫描而可更快收集的图像来代替在传统方法中用于故障排除的费时重复扫描。过程控制单元可在无用户介入的情况下执行数据分析且预测偏移向量。这种技术还可使用具有很低缺陷密度使得先前技术无法有效操作的晶片。输入变量中的更多参数还可有助于更快识别工具失配的原因且使根本原因分析更有效。
这种技术可用作预测性分析技术。可设置更早触发点来代替等待occ发生或等待层超过cli规格。使用那种技术，可计算降级率，可估计发生故障或影响cli之前剩余的时间，且可优先化活动。
图11是系统整合的实施例的框图。系统200包含与多个半导体制造工具201电子通信的接口202。接口202可例如为安全服务器。接口202与过程控制单元203电子通信。从半导体制造工具201到接口202的数据传送可较为频繁，例如实时。
半导体制造工具201的实例包含沉积工具、离子植入工具、蚀刻工具、光刻工具、化学机械抛光工具、扫描电子显微镜、缺陷检测工具、缺陷查核工具、薄膜厚度测量工具、表面轮廓测量工具、灵敏度测量工具、涵盖计量或临界尺寸测量工具。其它类型的半导体制造工具是可能的。半导体制造工具201可具有相同平台或具有类似平台。例如，半导体制造工具201可包含两个缺陷检测工具。如果制造装置例如为生物医学装置或电子设备，那么可使用不同制造工具。
过程控制单元203可具有处理器、与处理器电子通信的通信端口及与处理器及通信端口电子通信的电子数据存储单元。过程控制单元203经配置以例如通过通信端口从半导体制造工具201接收生产数据。生产数据可包含使用半导体制造工具201制造的一或多个半导体晶片的测量。生产数据可包含参数数据及缺陷属性数据。
过程控制单元203经配置以例如通过接口202从半导体制造工具201接收生产数据。生产数据可与使用半导体制造工具201制造的装置相关。装置可为例如半导体晶片。过程控制单元203可经进一步配置以执行图1的方法100的步骤。
过程控制单元203可包含数据库204，其包含硬件参数及缺陷属性。数据库204与接口202电子通信且可从半导体制造工具201接收信息。数据库204可存储传入数据、历史数据及/或用于比较的一组参考数据。
数据库204与报告模块205电子通信。报告模块205经编程以报告occ硬件参数。使用参数数据及缺陷属性数据来确定ooc硬件参数。报告模块205可与实时ooc报告仪表板、cse套件、匹配点或其它软件电子通信。
数据库204及报告模块205与cli模块206电子通信。cli模块206经配置以在参数数据及缺陷属性数据的cli超过规格时例如通过发送警报来采取动作。cli模块206可基于需要或按一些设置频率充当匹配状态检查的部分。
cli模块206与优先级设置模块207电子通信。优先级设置模块207可经配置以基于cli分数来设置ooc硬件参数的优先级。较高cli分数可对应于较高优先级。
优先级设置模块207与维护模块208电子通信。维护模块208经配置以执行校正动作以修正及/或复原基线。
cli模块206与缺陷计数识别模块209电子通信，缺陷计数识别模块209经配置以识别缺陷计数与参数数据之间的关系。缺陷计数识别模块209可在工具匹配期间识别硬件组件。
缺陷计数识别模块209与缺陷属性识别模块210电子通信，缺陷属性识别模块210经配置以识别缺陷属性数据的至少一个趋势与参数数据之间的关系。缺陷属性识别模块210可在工具匹配期间识别硬件组件及/或子组件。
缺陷属性识别模块210与优先化模块211电子通信，优先化模块211经配置以优先化因果关系因素。优先化模块经配置以基于至少一个r平方分数来优先化因果关系因素。
优先化模块211与收集模块212电子通信，收集模块212在不同状态下从半导体制造工具201中的两者或两者以上的参数数据收集数据。这个数据可用于工具匹配。
收集模块212与图像分析模块213电子通信，图像分析模块213经配置以识别半导体制造工具201中的两者或两者以上匹配所处的状态中的一者。图像分析可包含图像交叉关联、图像属性对比焦点偏移趋势匹配或使用机器学习的图像属性比较的一或多者。
在实施例中，图像分析模块213经编程以：将图像转换为快速傅里叶变换(fft)图像；逐像素比较fft图像中的两者以生成直方图；及确定直方图的r平方值。较高r平方值对应于改进匹配。
在另一实施例中，图像分析模块213经编程以：定义代表性结构；从半导体制造工具中的两者收集代表性结构的图像数据；及确定至少一个参数的值，使得图像数据的至少一些图像参数在半导体制造工具中的两者之间匹配。
在又一实施例中，图像分析模块213经编程以：确定至少两个优化假设函数以预测半导体制造工具中的两者之间的最佳匹配参数；优化拟合参数以最小化均方误差；比较两个半导体制造工具的假设函数以找到输入变量的偏移向量以最小化假设函数中的两者之间的差；及通过调整工具变量来匹配两个半导体制造工具。
可由过程控制单元203的处理器执行每一模块。每一模块的指令可存储在过程控制单元203的电子数据存储单元上。
过程控制单元203可经配置以基于例如收集模块212或图像分析模块213的结果来调整半导体制造工具201中的至少一者。例如，可改变半导体制造工具201上的设置，可改变材料输入，可改变配方，或可解决过程的漂移。
应理解，过程控制单元203实际上可通过硬件、软件及固件的任何组合实施。同样地，如本文中所描述，其功能可通过一个单元执行或在不同组件间划分，所述组件中的每一者可继而通过硬件、软件及固件的任何组合实施。过程控制单元203实施本文中所描述的各种方法及功能的程序代码或指令可存储在控制器可读存储媒体(例如电子数据存储单元中、过程控制单元203内、过程控制单元203外的存储器或其组合)中。
过程控制单元203可以任何适当方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到系统200的组件，使得过程控制单元203可接收由半导体制造工具201生成的输出。过程控制单元203可经配置以使用输出来执行数个功能。例如，过程控制单元203可经配置以使用输出来传输或显示分析结果。在另一实例中，过程控制单元203可经配置以在不分析输出的情况下将输出发送到电子数据存储单元或另一存储媒体。过程控制单元203可如本文中所描述般进一步配置。
本文中所描述的过程控制单元203、(若干)其它系统或(若干)其它子系统可采用各种形式，其包含个人计算机系统、图像计算机、主计算机系统、工作站、网络设备、因特网设备或其它装置。一般来说，过程控制单元203可具有执行来自存储器媒体的指令的一或多个处理器。(若干)子系统或系统还可包含所属领域中已知的任何适当处理器，例如并行处理器。另外，(若干)子系统或系统可包含具有高速处理及软件的平台作为单独或联网工具。
如果系统包含超过一个子系统，那么不同子系统可彼此耦合以可在子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过任何适当传输媒体耦合到(若干)额外子系统，所述传输媒体可包含所属领域中已知的任何适当有线及/或无线传输媒体。此类子系统中的两者或两者以上还可通过共享计算机可读存储媒体(未展示)有效耦合。
额外实施例涉及非暂时性计算机可读媒体，其存储可在过程控制单元或其它控制器上执行的程序指令以执行本文中所揭示的计算机实施过程控制方法。特定来说，如图11中所展示，过程控制单元203的电子数据存储单元或其它存储媒体可含有包含可在过程控制单元203上执行的程序指令的非暂时性计算机可读媒体。计算机实施方法可包含本文中所描述的任何(若干)方法的任何(若干)步骤，例如图1的步骤。
实施方法(例如本文中所描述的方法)的程序指令可存储在计算机可读媒体上，例如在电子数据存储单元或其它存储媒体中。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它适当非暂时性计算机可读媒体。
可以各种方式中的任一者实施程序指令，其包含基于程序的技术、基于组件的技术及/或面向对象技术等。例如，可视需要使用activex控件、c++对象、javabeans、微软基础类(mfc)、sse(串流simd延伸)或其它技术或方法来实施程序指令。
虽然cli旗标失配，但可能无法识别失配源是硬件还是配方引发的。通过透过cov及ascr规格控制配方质量且在将配方发布到生产之前测试匹配配方，人们可解耦通过cli捕获的失配源。图23描述解耦配方引发及硬件引发的工具失配的过程流程。控制配方可涉及与图12、13及19相关的实施例。发布工具上的配方可涉及与图21相关的实施例。实时监测及建立工具匹配可涉及与图1及11相关的实施例。
图12及13是用于减小cov且增大ascr的实施例的流程图。这种技术分类低捕获率缺陷。分类过程将关于通过哪种方法解决哪个问题来代替仅使用一般性方法的引导提供给用户。例如，可通过致力于改进ascr方法中的信噪比(如图14及15中所展示)的方式来解决因低信噪比的低捕获率缺陷。如果低捕获率缺陷具有高信噪比，那么这些缺陷首先被视为配方可修正有误缺陷。用户凭借对灵敏度的最小权衡来优化配方以消除这些缺陷。如果无法实现权衡，那么进行硬件故障排除以修正问题。
osts图(其为缺陷计数对比缺陷背景灰度(或缺陷片段)的图)用于配方优化以减少配方可修正有误缺陷。为此，使用多个扫描的组合结果来代替使用单次扫描结果。osts图使用户能够识别低捕获率的缺陷接近工具的噪声底限或因缺陷落入其中背景灰度级运行间变化的区中而变为低捕获率或识别其是否需要一些其它处理进行抑制。一些其它处理可为st-nef的进一步调谐或硬件调整。st-nef可假设为附加配方组件，其基于缺陷的空间分离来将缺陷分级为不同群组且可用于滤除非期望缺陷。例如，如果缺陷是妨害(如同颜色变异)且具有远高于噪声底限的信号且其不落入灰度级过渡区域中，那么用户识别可有效用于分离这个缺陷与另一关键缺陷的属性。用户可建立新规则以分离这个缺陷且滤除所述缺陷以改进cov及ascr。因此，cov减小及ascr改进是可能的。
使用组合结果来代替单次扫描结果有助于通过补偿运行间可见的变化来降低单次扫描结果分析的限度。图17a到17c中说明图14及15中所展示的技术的实施方案。低捕获率缺陷可经分类为低信号/噪声缺陷、配方可修正有误缺陷及剩余缺陷。经组合的st-nef及osts可减少配方可修正有误缺陷且从而首先概念化增大ascr及减小cov。
图18的流程图中展示减小cov的替代技术。
图19描绘配方发布方法中的一者。在这种方法中，一旦配方准备好便将其发布到生产。这种方法假设工具已针对用于配方中的硬件状态匹配且生产配方是稳健的。因此，在后期检测到失配且修正失配的服务成本增加。
图20说明改进配方发布方法。这种方法在配方发布之前引入各种检查。如流程图中所展示，新方法主动尝试修正例如已知造成失配的cov、ascr及硬件匹配(dsw模式中心校正)的因素。这些检查可有助于降低配方引发的失配。使用这种技术可确保配方在其发布到生产之前稳定且稳健，可确保针对所使用状态校准工具，可确保附加之前未经启用用于实时数据收集的硬件参数，可在将配方发布到工具套之前主动着眼于失配，且可提供当进行工具匹配时可通过其发布配方的机制。
图21是用于工具监测及维护与实时数据收集的实施例的流程图。使用匹配点(mp)、澄清点(kp)、总测量不确定性(tmu)、cse工具套件及mp仪表板。mp从工具实时拉取数据且将数据存储在中心数据库以支持mp仪表板及脱机数据分析。tmu是使用生产spc生成的度量，所述度量指示工具是否失配。mp仪表板提供为硬件参数的图形趋势，所述参数具有其对已经配置用于收集的数据的控制限度。
在图21的技术中，mp或cse套件用于收集数据。这个操作不要求工具停工时间。周期性查核生产spc数据以检查tmu分数且确保其在可接受限度内。为了监测工具，用户监测mp仪表板。如果任何参数为ooc，那么采取必要校正动作。否则将工具发布到生产。通过运行生产监测器(pmon)补充这种形式的监测。pmon是指通过检验任何晶片(标准、监测器、dsw、裸硅等)的工具上的数据收集。如果所有相关硬件参数已经配置用于数据收集，那么不需要pmon。通过减少定期对数据收集检验所要的晶片的数目，改进生产的工具时间可用性。另外，通过连续收集正确数据集，在工具发布方法的这个方案中显著最小化对收集数据且接着故障排除的工具停工时间的需要。
对工具捕获生产问题的灵敏度有影响的硬件参数可与生产相关。可通过找到检验模式且识别其性能与这些检验模式相关的硬件参数来识别这些参数。数据收集的收集频率可依赖于硬件参数，因此其针对不同参数不同地配置。这为在pm方法期间对数据收集的改进，因为pm仅标定临界参数，其可不涵盖影响生产的参数。
当发生工具问题时(例如失配或具有较差性能)，可对所报告层(或样本)检查工具套的数据的趋势。比较来自每一工具的输出的趋势(例如缺陷计数、照明度值、直方图及tmu分数)。如果趋势不存在明显偏差，那么问题可被视为误警报且不采取动作。否则，mp仪表板可着眼于检查任何ooc。如果任何硬件参数为ooc，那么修正其且可发布工具。否则，可分析相关预存数据(例如dsw批次结果或生产层数据)以定义问题陈述。可执行poa以识别根本原因且修正工具。所修正硬件参数可添加到使用mo服务器来监测的参数列表。
可识别可与生产相关的硬件参数。mp服务器可按配置频率从工具收集这些参数。用户可使用mp仪表板来监测趋势且修正任何ooc或漂移趋势。当制造商报告工具问题或失配时，用户首先观察mp仪表板的趋势以识别修正内容。如果不存在漂移趋势，那么寻求poa进行诊断且将硬件参数添加到mp服务器进行数据收集。
这种技术可降低或消除扫描晶片以通过mps服务器数据收集及mp仪表板来监测工具状况的需要。可监测与生产相关的所有参数，这可有助于识别且修正影响生产的任何问题。参数的实时数据的频繁监测可有助于更快修正问题。这种技术还可实现更多预定pm及更少未预定pm。
图22中展示用于工具监测及维护与实时数据收集的实施例的另一流程图。
尽管已相对于一或多个特定实施例来描述本发明，但应理解，可在不脱离本发明的范围的情况下做出本发明的其它实施例。因此，本发明被视为仅受限于所附权利要求书及其合理解释。
- 还没有人留言评论。精彩留言会获得点赞！