基于异质数据的半导体工艺预测方法与装置

技术领域

本发明涉及一种半导体工艺预测方法与装置，且特别涉及一种基于异质数据的半导体工艺预测方法与装置。

背景技术

随着半导体技术的发展，各式复杂的半导体产品不断推陈出新。在半导体工艺中，晶圆需要经过成千上万道的工艺才能产出最终产品。因此，研究人员对半导体工艺中采用适当的预测方法来预测最终产品的电性功能与良率，以避免最终产品出现大量不良品。

传统上采用TCAD模拟系统来推估工艺最终产品的电性功能。然而，此种方式是在单道工艺中，以相当严苛的边界条件下通过电磁学理论进行预测。在半导体工艺复杂度越来越高的趋势下，已经难以产出准确度较高的预测结果。

发明内容

本发明涉及一种基于异质数据的半导体工艺预测方法与装置，利用流水线生产(pipe line)所获得的机台参数设定数据、机台感测数据、物理测量数据等各种异质数据进行预测，以获得准确度高的预测结果。

根据本发明的第一方面，提出一种基于异质数据的半导体工艺预测方法。半导体工艺预测方法包括以下步骤。获得数个机台的数个机台参数设定数据(equipment recipedata)。输入这些机台参数设定数据至一第一神经网络模型(Neural Network model，NNmodel)，以获得一第一预测结果。获得数个机台感测数据。输入这些机台感测数据至一第二神经网络模型，以获得一第二预测结果。获得数个物理测量数据(metrology inspectiondata)。这些机台参数设定数据、这些机台感测数据及这些物理测量数据为异质数据。输入这些物理测量数据至一第三神经网络模型，以获得一第三预测结果。依据第一预测结果、第二预测结果及第三预测结果，获得一总预测结果。

根据本发明的第一方面，提出一种基于异质数据的半导体工艺预测装置。半导体工艺预测装置包括一第一数据库、一第一神经网络模型(Neural Network model，NNmodel)、一第二数据库、一第二神经网络模型、一第三数据库、一第三神经网络模型及一总预测单元。第一数据库用以存储数个机台的数个机台参数设定数据(equipment recipedata)。第一神经网络模型用以接收这些机台参数设定数据，以获得一第一预测结果。第二数据库用以存储数个机台感测数据。第二神经网络模型用以接收这些机台感测数据，以获得一第二预测结果。第三数据库用以存储数个物理测量数据(metrology inspectiondata)。这些机台参数设定数据、这些机台感测数据及这些物理测量数据为异质数据。第三神经网络模型用以接收这些物理测量数据，以获得一第三预测结果。总预测单元用以依据第一预测结果、第二预测结果及第三预测结果，获得一总预测结果。

为了对本发明的上述及其他方面有更佳的了解，下文特举实施例，并配合附图详细说明如下：

附图说明

图1绘示根据一实施例采用流水线生产(pipe line)的半导体工艺的示意图。

图2绘示根据一实施例的半导体工艺预测装置的方块图。

图3绘示根据一实施例的基于异质数据的半导体工艺预测方法的流程图。

图4示例说明图3的各步骤。

图5绘示步骤S140的细部步骤的流程图。

图6示例说明图5的各步骤。

具体实施方式

请参照图1，其绘示根据一实施例采用流水线生产(pipe line)的半导体工艺的示意图。在流水线生产的半导体工艺中，机台910、920、930、…所执行的数个工艺为接续执行。晶圆500进入机台910进行半导体工艺时，晶圆510也进入机台920进行半导体工艺。机台910、920、930、…持续性运作，以发挥机台910、920、930、…的最佳使用效率。工艺中的各种信息可以通过网络800传递至半导体工艺预测装置100，以预测最终产品的电性功能与良率。

请参照图2，其绘示根据一实施例的半导体工艺预测装置100的方块图。半导体工艺预测装置100包括一第一数据库111、一第一神经网络模型(Neural Network model，NNmodel)112、一第二数据库121、一第二神经网络模型122、一第三数据库131、一第三神经网络模型132、一筛选单元140、一虚拟测量单元150及一总预测单元160。各项元件的功能概述如下。第一数据库111、第二数据库121及第三数据库131用以存储各种数据。第一数据库111、第二数据库121及第三数据库131例如是一存储器、一硬盘或云端存储中心。第一神经网络模型112、第二神经网络模型122和/或第三神经网络模型132用以进行数据预测。筛选单元140用以进行数据筛选。第一神经网络模型112、第二神经网络模型122、第三神经网络模型132、筛选单元140、虚拟测量单元150和/或总预测单元160例如是一程序代码、一电路、一芯片、一电路板或存储程序代码的存储装置。通过上述元件，半导体工艺预测装置100可以利用流水线生产所获得的各种异质数据进行预测，以获得准确度高的预测结果。以下更通过一流程图详细说明半导体工艺预测装置100的运作。

请参照图3及图4，图3绘示根据一实施例的基于异质数据的半导体工艺预测方法的流程图，图4示例说明图3的各步骤。如图4所示，晶圆500需要经过半导体工艺P1、P2、P3、…等多道程序后才能获得最终产品590。晶圆500进行半导体工艺P1时，晶圆510进行半导体工艺P2，晶圆520进行半导体工艺P3，依此类推。

每一机台910、920、930、…都有设定的机台参数设定数据(equipment recipedata)ED1、ED2、ED3、…。机台参数设定数据ED1、ED2、ED3、…例如是压力设定值、气阀开启时间、加热时间等。这些机台参数设定数据ED1、ED2、ED3、…都是离散数值数据。每一机台910、920、930、…的设定项目不尽相同，机台参数设定数据ED1、ED2、ED3、…的内容也不尽相同。

每一机台910、920、930、…也都会通过传感器911、921、931、…取得机台感测数据FDC1、FDC2、FDC3、…。机台感测数据FDC1、FDC2、FDC3、…例如是压力、气体浓度、温度等。这些机台感测数据FDC1、FDC2、FDC3、…都是连续数值数据。这些机台感测数据FDC1、FDC2、FDC3、…持续收集于数据池700中。

在每一半导体工艺P1、P2、P3、…输出晶圆510、520、530…时，也会进行物理测量，以取得物理测量数据(metrology inspection data)MI1、MI2、MI3、…。物理测量数据MI1、MI2、MI3、…例如是厚度、导线宽度、穿孔的孔距等。这些物理测量数据MI1、MI2、MI3、…为离散数值数据。

上述这些机台参数设定数据ED1、ED2、ED3、…、这些机台感测数据FDC1、FDC2、FDC3、…及这些物理测量数据MI1、MI2、MI3、…为异质数据。在工艺预测上各具有其优势，本公开结合这些异质数据的优势来提升预测准确度。

首先，在步骤S111中，从第一数据库111获得机台910、920、930、…的机台参数设定数据ED1、ED2、ED3、…。

接着，在步骤S112中，输入这些机台参数设定数据ED1、ED2、ED3、…至第一神经网络模型112，以获得一第一预测结果R1。第一神经网络模型112例如是监督式学习网络(Supervised Learning Network)、无监督式学习网络(Unsupervised LearningNetwork)、混合式学习网络(Hybrid Learning Network)、联想式学习网络(AssociateLearning Network)、最适化学习网络(Optimization Application Network)等。第一神经网络模型112所接收的是机台参数设定数据ED1、ED2、ED3、…，从这些机台参数设定数据ED1、ED2、ED3、…的组合的变化可以预测出最终产品590的电性功能与良率。

然后，在步骤S121中，从第二数据库121中获得机台910、920、930、…的机台感测数据FDC1、FDC2、FDC3、…。

接着，在步骤S140中，筛选单元140依据这些机台感测数据FDC1、FDC2、FDC3、…的相关性，滤除部分的机台感测数据。由于机台感测数据FDC1、FDC2、FDC3、…的数据量相当庞大，且具有共线性，故通过此步骤可以筛选出具有代表性的内容，以消除共线性的影响。

请参照图5及图6，图5绘示步骤S140的细部步骤的流程图，图6示例说明图5的各步骤。步骤S140包括步骤S141、S142。如图6所示的例子中，机台感测数据FDC1共有6种感测项目X1～X6，例如是温度、压力、气体浓度、…。在步骤S141中，筛选单元140依据一关联性矩阵MX，将感测项目X1～X6归类为数个群组G1～G3。关联性矩阵MX记录的是感测项目X1～X6两两相互之间的相关系数(如图6的实线双箭号所示)。关系系数大于一预定阈值者，归类为同一群组。如图6所示，感测项目X1～X3归类为群组G1；感测项目X4～X5归类为群组G2；感测项目X6自成群组G3。

接着，在步骤S142中，筛选单元140自各个群组G1、G2、G3各别选取一个感测项目(即感测项目X1、X5、X6)。每一群组G1、G2、G3仅挑选出一个感测项目。在群组G1中，感测项目X1～X3与预测目标Y0之间的相关系数(如图6的虚线双箭号所示)最大者(即感测项目X1)可以被筛选出来。在群组G2中，感测项目X4～X5与预测目标Y0之间的相关系数(如图6的虚线双箭号所示)最大者(即感测项目X5)可以被筛选出来。于是，筛选出的感测项目X1、X5、X6两两之间的相互关系低，不具有共线性。并且筛选出的感测项目X1、X5、X6相对于预测目标Y0具有较高的相关系数，最具有代表性。

每一机台感测数据FDC1、FDC2、FDC3、…都可以进行上述的筛选步骤，以缩减成具代表性的内容。

然后，在图3的步骤S122中，输入这些机台感测数据FDC1、FDC2、FDC3、…至第二神经网络模型122，以获得一第二预测结果R2。第二神经网络模型122例如是监督式学习网络、无监督式学习网络、混合式学习网络、联想式学习网络、最适化学习网络或卷积神经网络等。

接着，在步骤S131中，从第三数据库131获得这些物理测量数据MI1、MI3、MI4、…。如图4所示，物理测量数据MI1包括数个实际测量数据MI11及数个虚拟测量数据MI12。由于晶圆510数量较多，难以一一进行物理测量。因此，测量单元913仅能对少部分晶圆510进行物理测量，而取得实际测量数据MI11。虚拟测量单元150可以依据实际测量数据MI11与机台感测数据FDC1(和/或机台参数设定数据ED1)进行一模拟程序而获得虚拟测量数据MI12。同样地，测量单元923、933仅能对少部分晶圆520、530进行物理测量，而取得实际测量数据MI21、MI31。虚拟测量单元150可以依据实际测量数据MI21、MI31与机台感测数据FDC2、FDC3(和/或机台参数设定数据ED2、ED3进行模拟程序而获得虚拟测量数据MI22、MI32，依此类推。

然后，在步骤S132中，输入这些物理测量数据MI1、MI2、MI3、…至第三神经网络模型132，以获得一第三预测结果R3。第三神经网络模型132例如是监督式学习网络、无监督式学习网络、混合式学习网络、联想式学习网络、最适化学习网络等。

接着，在步骤S150中，总预测单元160依据第一预测结果R1、第二预测结果R2及第三预测结果R3，获得一总预测结果RS。在此步骤中，总预测单元160可以通过一投票程序(Voting)获得总预测结果RS。

根据上述实施例，半导体工艺预测装置100及半导体工艺预测方法可以利用流水线生产所获得的机台参数设定数据ED1、ED2、ED3、…、机台感测数据FDC1、FDC2、FDC3、…、物理测量数据MI1、MI2、MI3、…等各种异质数据进行预测，以获得准确度高的预测结果。

综上所述，虽然本发明已以实施例公开如上，然其并非用以限定本发明。本发明所属技术领域中的技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视所附的权利要求书所界定者为准。