用于线内合格率监测的关键参数电测试参数的自动确定的系统及方法
【专利说明】用于线内合格率监测的关键参数电测试参数的自动确定的系统及方法
[0001]优先权主张
[0002]本专利主张2013年4月7日申请的第61/809，407号美国临时专利申请案的优先权，所述申请案的全部内容以引用的方式并入本文中。
技术领域
[0003]本发明涉及裸片合格率的线内监测。更特定来说，本发明涉及在半导体制造厂或铸造厂中使用电测试数据进行的裸片合格率的线内监测。
【背景技术】
[0004]当前，半导体制造厂及铸造厂可采用在两个级别处的电测试以便确定其裸片合格率。电测试的两个级别可包含(例如)在晶片级别上的参数电测试(PET)及在裸片级别处的探针电测试(例如，箱排序(binsort))。
[0005]在制造过程期间可在制造厂或铸造厂内部的晶片上执行PET。可在制造过程中以各种步骤采取PET以确保所生产的材料的质量合适。PET可被视为(例如)在制造过程期间执行的电健康检查。PET可充当在制造过程期间发生的潜在问题的指示符。PET的执行通常相对廉价且PET具有快速周转时间。由于小成本及快速周转，制造厂通常可在一批次(而非整个批次)中的较大晶片样本上执行PET。
[0006]然而，PET产生大量数值属性(大约10，000个属性)。过程工程师可基于物理及/或历史数据将一小组这些属性标记为关键。可对这些关键属性的值设置统计过程控制阈值，且可针对合格率监测及紧密地控制与这些阈值的所有偏差。
[0007]然而，在给出大量PET属性的情况下，手动地确定所述属性中哪些关键及哪些不关键为困难的工程任务；尤其是对于当存在较少量的过程信息时在相位斜坡期间的新产品。针对关键PET属性设置统计过程阈值也可为困难的手动工程任务(尤其是对于在相位斜坡期间的新产品)。由于大的手动任务，制造厂中的工程师可由于不知道哪些数据重要及哪些数据不重要而花费过量时间来筛分大量数据。因此，此类过程可为劳动密集的，且增加制造厂成本并缩减制造厂效率。另外，由于这些问题，制造厂管理者可能不具有驱动有效地管理制造厂度量及维持盈利率的战术及策略决策所需要的可操作洞察力。
[0008]探针电测试(例如，箱排序)是以每裸片为基础在最终晶片上执行的另一组电测量。探针电测试产生晶片的裸片合格率，被定义为晶片上的良好裸片的数目对晶片上的裸片的总数的百分比。来自探针电测试的此裸片合格率结果可由制造厂及铸造厂用作其最终合格率统计及产品质量的总体量度。然而，因为在晶片完成处理之后执行探针电测试，所以所述测试在合格率监测方面并不十分有用。另外，由于制造厂及铸造厂通常不具有探针测试装备，故大多数探针电测试是在现场外发生。因此，到晶片已被探针测试时，晶片为成品，且可采取很少或不能采取校正动作以补救晶片自身上的任何缺陷。另外，从探针电测试得到的对合格率问题(例如，合格率损失)的根本原因的任何洞察力具有长周期时间，且在此周期时间期间可能已使用相同有缺陷过程处理更多晶片或批次，这对于制造厂来说可为经济损失。也归因于探针电测试的成本而引发额外成本。探针电测试的成本通常比PET的成本多5到10倍。
【发明内容】
[0009]在某些实施例中，一种计算机实施方法包含在计算机处理器处从用于在使用半导体过程生产的一组半导体晶片上执行的探针电测试的合格率值的数据库接收合格率值数据的输入。在所述计算机处理器处从用于在所述一组半导体晶片上执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入。所述计算机处理器可将所述所接收的合格率值数据分类为内群值类别及离群值类别。所述计算机处理器可基于所述所接收的合格率值数据的所述内群值类别及所述离群值类别以及所述所接收的参数电测试属性值数据评估一或多个关键参数电测试属性。所述计算机处理器可评估对应于所述关键参数电测试属性中的一或多者的一或多个统计过程控制阈值。所述统计过程控制阈值可为用于所述半导体过程的过程控制阈值。所述计算机处理器可产生关键参数电测试参数的数据库。所述关键参数电测试参数可包含关键参数电测试属性及其对应统计过程控制阈值。
[0010]在某些实施例中，一种计算机实施方法包含在计算机处理器处从用于在使用半导体过程生产的一组半导体晶片上执行的参数电测试的参数电测试属性值的数据库接收参数电测试属性值数据的输入。所述计算机处理器可从关键参数电测试参数的数据库接收关键参数电测试参数的输入。所述关键参数电测试参数可包含用于所述半导体过程的关键参数电测试属性及其对应统计过程控制阈值。所述计算机处理器可评估用参数电测试所测试的一或多个半导体晶片的探针电测试分类。所述评估可基于所述所接收的参数电测试属性值数据及所述所接收的关键参数电测试参数。所述探针电测试分类可包含将半导体晶片分类为探针电测试合格率数据的内群值类别或离群值类别。所述计算机处理器可使用所述所评估的探针电测试分类产生探针电测试分类的数据库。
【附图说明】
[0011]结合随附图式参考根据本发明的目前优选但仍为说明性的实施例的以下详细描述将更全面地了解本发明的方法及设备的特征及优势，其中:
[0012]图1描绘用于线内合格率监测的应用的层次的实施例。
[0013]图2描绘学习模块过程的实施例的流程图。
[0014]图3描绘被展示为晶片的数目相对于合格率(就合格率百分比而说)的合格率值数据的曲线图的实施例。
[0015]图4描绘基于相互信息统计的属性排名以确定关键PET属性的实施例的表示。
[0016]图5描绘表示基于属性值而排序的PET属性的球形。
[0017]图6描绘预测模块过程的实施例的流程图。
[0018]图7描绘最高排名PET属性值相对于用于(先前)非关键属性的探针电测试合格率的曲线图的实例。
[0019]虽然本发明容许各种修改及替代形式，但其特定实施例是作为实例而在图式中予以展示且将在本文中予以详细地描述。图式可不按比例绘制。应理解，图式及其详细描述并非旨在将本发明限制于所揭示的特定形式，而相反地，意图是覆盖属于如由随附权利要求书定义的本发明的精神及范围内的所有修改、等效物及替代方案。
【具体实施方式】
[0020]如本文中所揭示，线内合格率监测描述在半导体晶片的半导体处理期间的参数及/或属性的监测以产生所要及/或最大化合格率。在某些实施例中，线内合格率监测应用于单一技术(例如，在制造厂或铸造厂中操作的单一半导体过程)或通过分组类似产品而应用于相同技术的多个产品上。在一些实施例中，线内合格率监测应用于多个批次或多个晶片。图1描绘如本文中所揭示的用于线内合格率监测的应用的层次的实施例。
[0021]在某些实施例中，线内合格率监测包含使用一或多个算法软件模块。算法软件模块可为相关的。在某些实施例中，线内合格率监测包含使用两个相关算法软件模块。举例来说，线内合格率监测可包含学习模块及预测模块，其为相关算法软件模块。
[0022]图2描绘学习模块过程200的实施例的流程图。过程200可用于(例如)评估(“学习”)最佳地分离合格率