专利名称：批次制程的虚拟量测方法与系统的制作方法
技术领域：
本发明涉及一种批次制程的虚拟量测技术领域，尤其涉及半导体制造或 TFT-LCD (薄膜晶体管-液晶显示器)制程的质量管理的虚拟量测预估方法与系统。
背景技术：
目前，在半导体的批次制程中，采用的是抽检方法对生产机台的产品质量进行检 测，即在一个含有25片晶圆的卡匣中抽出2 3片晶圆进行实际量测，以监测制程质量是 否稳定，并决定产品的质量。这种检测方法的缺陷是若某批产品在制造的过程中出了问 题，必须要等待检测时才会发现，而此时的制程可能已产生好几批的不良品，即检测出产 品的质量出现问题与制程的操作变量发生变化在时间上有一定的滞后，而如何在最短的时 间内预测出产品的质量，是半导体制造商一直未解决的问题。随着半导体组件尺寸进一步的缩小，更需使用严格的工艺控制，比如晶圆与晶圆 间的控制，需要每一片的晶圆均需被测量。这就要求使用大量的测量工具和大幅度增加生 产周期时间，而且不可避免产生测量延误，引起复杂的控制问题。专利申请号为200610108408. 6，名称为“半导体制造的虚拟量测预估与建立预估 模型的方法与系统”公开一种建立预估模型的方法，此方法的缺陷是需要建立多个预估模 型，并用相关指标选择最佳的预估模型，若多个预估的相关指标都低于给定阈值时，系统会 出现无输出值。另外，需要覆盖机台所有工况的预估模型，否则会降低模型的预测精度。专利申请号为200610149890. 8、名称为“量测方法以及虚拟量测系统”提出一种基 于类神经网络建立虚拟量测模型的方法，其缺陷是当系统的工况发生变化，比如调整制程 程式时的变化，此模型需要重新训练才能产生准确的预测值。
发明内容
本发明的目的是为克服上述现有技术中系统量测的时间滞后、需事先建立多个预 估模型或重新训练网络结构的不足，提出一种应用于批次制程的质量控制的虚拟量测方 法，及时、快速且准确地预测批次制程的效能与产品的良率。本发明的另一目的是提出一种结构简单、量测精确的批次制程的虚拟量测系统。本发明虚拟量测系统采用的技术方案是包括对一批待加工晶圆执行一制程后输 出加工后的晶圆的制程机台，所述制程机台的输出通过信号线分别与制程控制系统和错误 侦测与分类系统相接，靠近制程控制系统的输出部分设有量测机台，所述制程控制系统、错 误侦测与分类系统、量测机台的输出分别通过信号线连接数据接收引擎模块的输入，数据 接收引擎模块的输出连接计算机；所述制程控制系统监控加工过程并记录相应的数据；所 述量测机台位于加工后的晶圆下方位置且从加工后的晶圆里抽取的抽样量测晶圆取得实 际量测值；所述错误侦测与分类系统在加工后的晶圆批量完成后产生错误侦测与分类数 据；所述数据接收引擎模块接收错误侦测与分类系统、制程控制系统与量测机台的所有数 据并送至计算机；所述计算机执行虚拟量测自动化程序，对数据进行前处理和数据的筛选后完成晶圆的质量预测。本发明虚拟量测方法采用的技术方案是依次具有如下步骤第1步由数据接收引擎模块接收错误侦测与分类系统与制程控制系统的所有状 态变量数据；第2步由特征提取模块与标准化模块完成所有状态变量数据的相应处理；第3步判断是否到达模型的更新时间，若没有到，则直接跳转到第7步；第4步由滚动时间窗口模块组合标准化模块处理后的数据与数据接收引擎模块 接收到量测机台量测抽样量测晶圆的质量数值得到新数据窗口下的建模数据；第5步由关键变量选择模块采用逐步回归算法获取影响加工后的晶圆质量的关 键变量；第6步由多元回归模块结合第5步得到的关键变量，利用最小二乘算法得到预估 模型；第7步由预估量测模块对加工后的晶圆中未抽样到的晶圆进行品质预测。本发明的优点是1、结合错误侦测与分类系统、采用先进的制程控制、以工业统计方法对晶圆及时 分析和处理，找到影响制程变化的关键变量，以滚动时间窗口及时捕获系统发生的工况变 化，平移与漂移对建模的不利影响，提高模型的鲁棒性，减少晶圆处理的周期时间，改善制 程工具的运作，减少量测工具的负担以及晶圆的成本，减少浪费，可应用于所有形式的半导 体制造过程与TFT-IXD制程。2、利用逐步回归建立多元统计模型，通过设定门坎值决定所挑选的关键变量的数 目，由设计时考虑模型的复杂度来规定，逐步回归算法适合当采样的数据非常少时应用，可 在制程的开始阶段应用；逐步回归算法可以有效地避免过度拟合的问题，并且很适合有计 算机程序来执行，所挑选的变量具有明显的物理意义，变量的选择很容易与系统实际的约 束相结合，所建立的推理模型适用于制程的故障诊断。3、与现有的虚拟量测技术相比，本发明用滚动时间窗口数据来捕获机台的变异， 能及时发现机台的调整，且能提供引起当前晶圆变异的主要变量，便于分析原因。4、模型结构简单，不需要增加额外的硬件条件，且模型是滚动形成，无需事先建立 多个预估模型，也不需象神经网络那样重新训练网络结构以提高预测的精度。
图1为虚拟量测系统的架构示意图；图2为图1系统内具有的各模块的连接示意图；图3为图2中滚动时间窗口模块220的显示图；图4为虚拟量测方法的流程图；图中110.制程机台；120. 一批待加工晶圆；130.错误侦测与分类系统；140.数 据接收引擎模块；150.计算机；160.量测机台；170.加工后的晶圆；180.抽样量测晶圆； 190.制程控制系统；210.变量特征提取模块；220.移动窗口模块；230.关键变量选择模
块；240.多变量回归模块；250.虚拟量测模块型；310.上次的时间窗口 ；340.本次事件窗□。
具体实施例方式如图1所示该批次制程的虚拟量测系统包括一制程机台110、制程控制系统 (APC) 190、错误侦测与分类系统(FDC) 130、量测机台160、数据接收引擎模块140、用于虚拟 量测程序运行的计算机150。在靠近制程控制系统190的输出部分设置量测机台160。制 程机台110的输出通过信号线分别与制程控制系统190和错误侦测与分类系统130相连。 制程控制系统190、错误侦测与分类系统130、量测机台160的输出通过信号线分别连接数 据接收引擎模块140的输入，数据接收引擎模块140的输出连接计算机150。一批待加工晶圆120位于制程机台110的输入位置，制程机台110对一批待加工 晶圆120执行一制程后输出加工后的晶圆170，制程控制系统190监控加工过程，并记录相 应的数据。量测机台160位于加工后的晶圆170下方位置，从加工后的晶圆170里面获得 的抽样量测晶圆180取得实际量测值。错误侦测与分类系统130在加工后的晶圆170批量 完成后产生错误侦测与分类数据。数据接收引擎模块140接收错误侦测与分类系统130、制 程控制系统190与量测机台160的所有数据，并送到虚拟量测计算机150 ；虚拟量测计算机 150执行虚拟量测自动化程序，对数据进行前处理和数据的筛选后完成晶圆的质量预测。如图2所示，数据接收引擎模块140中具有特征提取模块210和标准化模块211， 特征提取模块210的输出连接标准化模块211的输入。计算机150中具有依次串接的滚动 时间窗口模块220、关键变量选择模块220、多元回归模块240和预估量测模块250 ；标准化 模块211的输出连接滚动时间窗口模块220的输入。当一批待加工晶圆120在制程机台 110上进行加工时，变量特征提取模块210提取制程控制系统190和错误侦测与分类系统 130的各个变数随加工时间变化而变化的特征值(X1,X2,…，Xn)，然后由标准化模块211对 提取的特征值进行标准化，同时计算机150获取量测机台160的抽样量测晶圆180的量测 值y，将特征值(X1, X2,…，Xn)与量测值y组合{x1; χ2，…，Xn，y}，并由其中的与标准化模 块211连接的滚动时间窗口模块220更新训练样本的数据组，将滚动时间窗口模块220的 输出连接关键变量选择模块220的输入，关键变量选择模块220得到在新的窗口下影响虚 拟量测系统的关键变量，再由连接关键变量选择模块220的多元回归模块240得到预估模 型的参数，最后通过预估量测模块250预测未测晶圆的质量。上述特征提取模块210的功能是获取抽样量测晶圆180与加工后的晶圆170的 平均值、中位数、极大值与极小值、线下面积等这些能表征变量在整个加工过程的变化特 征。标准化模块211是针对各个特征变量■{式Kl1的所有样本值Uu，Xi,2，…，Xi,N)进 行ζ-分数，即减去平均数(μ x)，除以标准差(σχ)0Xij = X>J ^ ,7 ^ 1,2,···,iV(1)在常规的制程中，制程机台10随着运行而老化，发生漂移；或者由于制程机台110 本身的错误，或者改变了不同的操作者，造成制程机台110发生漂移现象，常规的虚拟量测 自动化程序因为这些扰动而无法运作或预估的结果不正确，因此，本发明还提出一种滚动 时间窗口来避免上述问题的发生。滚动时间窗口模块220藉由数据更新准则进行，参照图 3，首先将前一次抽样到的晶圆组成数据窗口 310，并利用此数据窗口 310内的数据建模，给
6出待测样本320的估计值，等待量测机台160得到实测值之后，将最新的数据加入训练样本 之中，并将最旧的数据移出，得到新数据窗口 340，估计此时的待测样本330，如此往返，使 模型不断的更新。本较佳实例的滚动时间窗口的数据个数为50，更新长度为10，在实际使 用中，可依据不同对象，做合适的调整。关键变量选择模块230藉由逐步回归方法挑选出影响抽样量测晶圆180质量的关 键变数。对所有的预测变量做一个筛选的动作，并非所有变量同时拿来进行预测，而是依据 解释能力的大小，逐步的检视每一个预测变量的影响，将对模型有贡献的预测变量选择为 模型最终所使用的变量。每一步选进或剔除变量的依据是partial F值(偏F值)。假定 当某变数的partial F值大于某定值Fin时则将该变量选进模型，而当变量的partial F值 小于某设定值F。ut时则将该变量剔除出模型。通常，有下面的关系存在
权利要求
一种批次制程的虚拟量测系统，包括对一批待加工晶圆(120)执行一制程后输出加工后的晶圆(170)的制程机台(110)，其特征是所述制程机台(110)的输出通过信号线分别与制程控制系统(190)和错误侦测与分类系统(130)相接，靠近制程控制系统(190)的输出部分设有量测机台(160)，所述制程控制系统(190)、错误侦测与分类系统(130)、量测机台(160)的输出分别通过信号线连接数据接收引擎模块(140)的输入，数据接收引擎模块(140)的输出连接计算机(150)；所述制程控制系统(190)监控加工过程并记录相应的数据；所述量测机台(160)位于加工后的晶圆(170)下方位置且从加工后的晶圆(170)里抽取的抽样量测晶圆(180)取得实际量测值；所述错误侦测与分类系统(130)在加工后的晶圆(170)批量完成后产生错误侦测与分类数据；所述数据接收引擎模块(140)接收错误侦测与分类系统(130)、制程控制系统(190)与量测机台(160)的所有数据并送至计算机(150)；所述计算机(150)执行虚拟量测自动化程序，对数据进行前处理和数据的筛选后完成晶圆的质量预测。
2.根据权利要求1所述的批次制程的虚拟量测系统，其特征是所述数据接收引擎模 块(140)中具有特征提取模块(210)和标准化模块(211)，特征提取模块(210)的输出连接 标准化模块(211)的输入；所述计算机(150)中具有依次串接的滚动时间窗口模块(220)、 关键变量选择模块(220)、多元回归模块(240)和预估量测模块(250)；所述标准化模块 (211)的输出连接滚动时间窗口模块(220)的输入；所述特征提取模块(210)获取抽样量测晶圆(180)与加工后的晶圆(170)在整个加工 过程特征变量；所述标准化模块(211)针对各个特征变量的所有样本值减去平均数后再除以标准差； 所述滚动时间窗口模块(220)首先将前一次抽样到的晶圆组成数据窗口(310)建模， 给出待测样本(320)的估计值，再等待量测机台(160)得到实测值之后将最新的数据加 入训练样本中，最后将最旧的数据移出得到新数据窗口(340)，估计此时的另一待测样本 (330)，如此往返，使模型不断更新；所述关键变量选择模块(230)获取影响加工晶圆(170)质量的关键变数； 所述多元回归模块(240)用最小二乘算法得到预估模型参数； 所述预估量测模块(250)利用所述预估模型参数得到未抽样晶圆的质量。
3.—种批次制程的虚拟量测方法，其特征是依次采用如下步骤第1步由数据接收引擎模块(140)接收错误侦测与分类系统(130)与制程控制系统 (160)的所有状态变量数据；第2步由特征提取模块(210)与标准化模块(211)完成所有状态变量数据的相应处理；第3步判断是否到达模型的更新时间，若没有到，则直接跳转到第7步； 第4步由滚动时间窗口模块(220)组合标准化模块(211)处理后的数据与数据接收 引擎模块(140)接收到量测机台(160)量测抽样量测晶圆(180)的质量数值得到新数据窗 口(340)下的建模数据；第5步由关键变量选择模块(230)采用逐步回归算法获取影响加工后的晶圆(170) 质量的关键变量；第6步由多元回归模块(240)结合第5步得到的关键变量，利用最小二乘算法得到预 估模型；第7步由预估量测模块(250)对加工后的晶圆(170)中未抽样到的晶圆进行品质预测。
全文摘要
本发明批次制程的虚拟量测方法与系统，包括对一批待加工晶圆执行一制程后输出加工后的晶圆的制程机台，制程机台输出分别与制程控制系统和错误侦测与分类系统相接，靠近制程控制系统的输出部分设有量测机台，制程控制系统、错误侦测与分类系统、量测机台输出分别连接数据接收引擎模块输入，数据接收引擎模块输出连接计算机。本发明采用先进的制程控制、以工业统计方法对晶圆及时分析和处理，找到影响制程变化的关键变量，以滚动时间窗口及时捕获系统发生的工况变化，平移与漂移对建模的不利影响，提高模型的鲁棒性，减少晶圆处理的周期时间，改善制程工具的运作，减少量测工具的负担以及晶圆的成本，所建立的推理模型适用于制程的故障诊断。
文档编号H01L21/00GK101963802SQ201010262348
公开日2011年2月2日 申请日期2010年8月25日 优先权日2010年8月25日
发明者李正明, 潘天红, 陈山 申请人:江苏大学