半导体制造设备的机台性能匹配方法和系统

摘要

本发明公开了一种半导体制造设备的机台性能匹配方法和系统。系统包括多个加工机台、错误侦测分类系统、产品质量测试仪、数据收集引擎与处理系统，多个加工机台执行相同的产品制造工艺，加工同种规格的产品；错误侦测分类系统监控工艺过程中所有加工机台的生产过程；并向数据收集引擎与处理系统提供所有监控的过程变量数据；产品质量测试仪抽样检测工艺过程中已经加工产品的质量，并向数据收集引擎与处理系统提供质量数据。本发明通过对同一工艺流程中多个加工机台的性能匹配，迅速找到影响品质差的机台的关键过程变量，为现场工程师提供机台维修时的参数调整方案，使得不同机台间的产品能有几乎相同的质量。

说明书

技术领域

本发明涉及在半导体制造过程，同一工艺流程中不同加工机台的性能匹配方法和系统，适 用于晶圆/TFT-LCD等半导体制造过程的产品质量管制，属于过程控制领域。

背景技术

半导体制造工业面临的首要挑战是需要持续不断地改进最终产品的品质，但产品的最终品 质受到诸多工艺流程中各种变异性的影响。为了降低制程的变异性、提升产品质量，高效能的 加工机台不断被开发出来，但是生产企业从经济成本的角度考虑，旧型机台未必会被淘汰，所 以不同型号的机台会有不同的效能与结果，即使是相同型号的加工机台，所制造出产品的质量 也会有不同的差异性，然而工厂所制造的产品质量却不能不一致，否则会给客户有产品质量不 稳定的观感，降低企业的信誉度。

在现有的技术中，统计过程控制（statistical process control，SPC）广泛用于半导体制造过 程的监控，通过SPC监测各过程变量的变化，并控制该过程变量，将其限定在一定的范围内， 从而实现对产品质量的管制。该方法可以有效的减少不合格品，但却无法保证所制造产品质量 的一致性；其次，SPC仅仅对单个加工机台的过程变量进行监控，并没有借鉴同一批次、同一 工艺流程中并行机台的信息；另外，并不是SPC中所有的故障都与产品最终质量相关，换言 之，SPC监测出的过程变量异常并不意味着产品质量控制出现异常。即使现场工程师通过SPC 发现某加工机台的制造性能恶化，却不知道具体原因，需要对照该机台的设计图纸，进行逐项 对比，维修效率低下，维护成本较高。

为此，除SPC技术之外，还需要一种结合同一工艺流程中，各并行加工机台的监控信息， 比较不同加工机台间的品质差异，及时发现造成产品质量差异的关键过程变量，并且利用该关 键变量做相应的参数调整，使得不同机台间的产品能有几乎相同的质量。

发明内容

本发明提供一种用于半导体制造设备的加工机台性能匹配方法与系统，实现对同一工艺流 程中多个加工机台的性能匹配，迅速找到影响品质差机台的关键过程变量，为现场工程师提供 机台维修时的参数调整方案，使品质差机台能达到品质好机台的生产性能，从而提高待产品质 量，获得品质稳定的产品。

根据本发明的目的，系统采用的具体技术方案如下：

半导体制造设备的机台性能匹配系统，包括多个加工机台、错误侦测分类系统、产品质量 测试仪、数据收集引擎与处理系统，其中，多个加工机台执行相同的产品制造工艺，加工同种 规格的产品；错误侦测分类系统监控工艺过程中所有加工机台的生产过程，并向数据收集引擎 与处理系统提供所有监控的过程变量数据；产品质量测试仪抽样检测工艺过程中已经加工产品 的质量，并向数据收集引擎与处理系统提供质量数据。

其中，产品质量测试仪抽样检测的模式为随机方法，在每一个机台中的每一批次抽检2～3 个产品。

本发明所提供的加工机台性能匹配方法包括以下步骤：

（1）提取错误侦测分类系统所监测过程变量的状态变量特征值SVID，该特征值SVID数 据包括过程变量的均值、面积、中位数以及斜率；

（2）对所有提取的特征值SVID数据进行归一化处理，其处理方法是将各特征值SVID 数据先减去该特征值SVID数据的平均值，再除以该特征值SVID数据的标准差；

（3）从多个加工机台中选定品质好的机台，并将其余并行机台所加工产品的质量数据y 进行“F-检定”，找到品质差的机台；

（4）对所有归一化的特征值SVID数据进行“IQR-检定”，再对“IQR-检定”后的特征值 SVID数据进行“F-检定”，挑选潜在的关键变量，标记为：x_i，潜在的关键变量x_i在品质好的 机台的标准差应小于品质差的机台的标准差，同时计算其p-值，标记为：IQR p-值；

（5）将产品质量测试仪提供的质量数据y与潜在的关键变量x_i数据做线性回归分析，计 算线性回归的决定系数R²与p-值，分别标记为：Linearfit R²和Linearfit p-值；

（6）画出Linearfit R²与IQR p-值的散点图，如果IQR p-值越小，Linearfit R²越大，则代 表关键变量x_i越重要，选出关键变量；

（7）画出Linearfit p-值与IQR p-值的散点图，如果IQR p-值越小，Linearfit p-值越小， 则代表关键变量x_i越重要，选出关键变量；

（8）取步骤（6）、（7）所选关键变量x_i的交集为状态变量特征值SVID的最终关键变量， 现场工程师根据这些最终关键变量，在加工机台维护期间，及时修正品质差机台的工艺参数， 以提升品质差机台的加工性能，提高产品的质量。

承上所述，本发明所提出的半导体制造设备的加工机台性能匹配方法及其系统，可为现场 工程师维修机台提供依据，从而简化维修过程，降低维修成本，提高工作效率。

附图说明

图1为本发明用于半导体制造设备的机台性能匹配的系统方块图；101待加工产品，102 加工机台，103FDC系统，104数据收集引擎与处理系统，105产品质量测试仪，106抽样检 测产品；

图2为本发明用于加工机台性能匹配方法的流程图；

图3为本发明并行机台的已加工产品质量数据y的Boxplot图；

图4为本发明的“Linearfit R²”与“IQR p-值”关系图；

图5为本发明的“Linearfit p-值”与“IQR p-值”关系图。

具体实施方式

请参阅第1图，其为本发明用于半导体制造设备的机台性能匹配系统的方块图，如图1 所示，本发明包括多个加工机台102、待加工产品（晶圆/TFT-LCD）101、错误侦测分类系统 （Fault Detection&Classification System，FDC系统）103、产品质量测试仪105、数据收集引 擎与处理系统104、抽样检测产品106。

其中，加工机台102包含多个并行机台，执行相同的产品制造工艺，加工同种规格的产品；

其中，FDC系统103监控该工艺过程中所有加工机台102的生产过程；并向数据收集引 擎与处理系统104提供所有监控的过程变量数据；

其中，产品质量测试仪105抽样检测该工艺过程中已加工产品106的质量，并向数据收集 引擎与处理系统104提供质量y数据。

如图2所示，本发明半导体制造设备的机台性能匹配方法具体包含如下步骤：

第1步，数据收集引擎与处理系统104收集各加工机台的所生产产品的质量y数据与其对 应的FDC数据；

第2步，提取FDC数据的状态变量特征值SVID（包括FDC数据的均值，面积，中位数， 以及斜率等）。并对所提取的SVID数据进行归一化处理，其处理方法是将各SVID数据先减 去该SVID数据的平均值μ_i,x，再除以该SVID数据的标准差σ_i,x，亦即：

${\bar{x}}_i\left[k\right]=\frac{{\mathrm{SVID}}_i\left[k\right]-{\mu }_{i,x}}{{\sigma }_{i,x}};i=\mathrm{1,2},...,N;k=\mathrm{1,2},...,K---\left(1\right)$

式中，i为SVID的变量序号（i=1,2,…,N），k为样本序号（k=1,2,…,K）。

第3步，计算各机台生产的产品质量y数据的均值与标准差，选取标准差最小的机台为好 机台。如图3所示，该实施例中共有5个并行机台，其中，#1号机台y值的标准差为0.0544， 该机台的品质最好，而其余#2，#3，#4，#5号机台的品质较差。

将#2，#3，#4，#5机台y数据与#1机台的y数据做“F-检定”，

$F=\frac{\frac{(n_1-1){S_1}^2}{{{\sigma }_1}^2(n_1-1)}}{\frac{(n_2-1){S_2}^2}{{{\sigma }_2}^2(n_2-1)}}=\frac{{S_1}^2/{S_2}^2}{{{\sigma }_1}^2/{{\sigma }_2}^2}---\left(2\right)$

式中，n₁和n₂为各机台所加工产品y数据的个数，和为各机台所加工产品y数据的 变异数，和为各机台所加工产品y数据的方差。

若计算的F值超出α显著水平的F分布临界值（这里α=0.05），就拒绝虚无假设，接受 对立假设，亦即：两个机台的变异数之比不是两个机台品质有差异。图3中各机台的 “F-检定”结果总结在表1中，相比于#1号机台，#5号为品质差的机台。

表1.F-检定的结果图

机台 y值的标准差 F-检定的p-值 #1 0.0544 - #2 0.0623 0.2997 #3 0.0728 0.1244 #4 0.0807 0.0555 #5 0.0908 0.0207

第4步，对所有归一化的SVID数据进行“IQR-检定”（Interquarter Range test），

Q_up=Q₃+1.5×(Q₃-Q₁)

Q_down=Q₁-1.5×(Q₃-Q₁)    (1)

式中，Q₁和Q₃分别是代表第1四分位距和第3四分位距。Q_up和Q_down分别为“IQR-检 定”的上限和下限。

找出x_i的界外值并将其删除后。再对剩余数据用式（2）进行“F-检定”，找出潜在的关键 变量x_i，该变量在品质好机台的标准差要小于品质差机台的标准差，并计算x_i的p-值（标记为： IQR p-值）。在该实施例中，总共从所有SVID数据中选出了10个潜在的关键变量，即： i=1,2,…,10。

第5步，将y数据与各潜在的关键变量x_i分别做线性回归分析：

y=α+βx_i+ε           (4)

并计算各线性回归方程的决定系数R²值（标记为：Linearfit R²值）与p-值（标记为： Linearfit p-值）；

第6步，画出Linearfit R²与IQR p-值散点图，IQR p-值越小，Linearfit R²值越大，则 该x_i变量越重要；如图4所示，x₆,x₇,x₈,x₉为关键变量。

第7步，画出Linearfit p-值与IQR p-值散点图，IQR p-值越小，Linearfit p-值也越小，则 该x_i变量越重要。如图5所示，x₆,x₇,x₈,x₉为关键变量。

第8步，取第6步与第7步所挑选关键变量的交集为最终的关键变量（即：x₆,x₇,x₈,x₉）， 现场工程师根据所提供的SVID变量，在加工机台维护期间，及时修正工艺参数，以提升品质 差机台的加工性能，从而提高产品的质量。