[發(fā)明專利]智能型缺陷診斷方法

有效

• 申請?zhí)枺?/td>: 201210587012.X
• 申請日: 2012-12-28
• 公開（公告）號(hào): CN103187343A
• 公開（公告）日: 2013-07-03
• 發(fā)明（設(shè)計(jì)）人: 呂一云
• 申請（專利權(quán)）人: 敖翔科技股份有限公司
• 主分類號(hào): H01L21/67
• 分類號(hào): H01L21/67;H01L21/66
• 代理公司: 隆天國際知識(shí)產(chǎn)權(quán)代理有限公司 72003
• 代理人: 趙根喜;呂俊清

技術(shù)領(lǐng)域

本發(fā)明涉及一種診斷方法，特別是涉及一種應(yīng)用于半導(dǎo)體工廠、封裝廠、平面顯示器工廠、太陽能板工廠、印刷電路板(Printed?Circuit?Board，PCB)工廠、光罩工廠或LED組裝廠的缺陷診斷方法。

背景技術(shù)

一般而言，在工廠內(nèi)生產(chǎn)、制造集成電路(Integrated?Circuit)，均是通過薄膜沉積、光罩、半導(dǎo)體微影術(shù)、蝕刻…等工法而形成。在制造的過程中，由于設(shè)備本身的故障、管線漏氣、工藝環(huán)境的粒子或設(shè)計(jì)布局圖的問題，這些缺點(diǎn)均極易造成在制造過程里使產(chǎn)品產(chǎn)生缺陷。這些缺陷大致可以區(qū)分為隨機(jī)性缺陷與系統(tǒng)性缺陷。無論這些缺陷的大小或型式為何，其均會(huì)大幅影響產(chǎn)品的良率(yield)，進(jìn)而導(dǎo)致生產(chǎn)成本的提升。在生產(chǎn)工廠的實(shí)務(wù)運(yùn)作里，以實(shí)時(shí)(real-time)的缺陷及影像圖形測量的數(shù)據(jù)分析方法，是增進(jìn)良率的重要方法，亦是本創(chuàng)新的核心部分。

首先，我們可利用自動(dòng)缺陷分類數(shù)據(jù)、致命缺陷良率數(shù)據(jù)、及工廠生產(chǎn)線數(shù)據(jù)、SEM及光學(xué)顯微鏡的影像圖形輪廓測量數(shù)據(jù)(該光學(xué)影像的檢測、測量方法，已揭示在美國專利12/318,974號(hào)專利案中)、及晶片測試數(shù)據(jù)(Chip?probe，Cp)，來執(zhí)行缺陷數(shù)據(jù)參數(shù)分析(data?mining)，分析將會(huì)造成缺陷良率損失的各個(gè)缺陷起因。然而，因?yàn)楝F(xiàn)有缺陷分析數(shù)據(jù)的不足，所以導(dǎo)致目前的人工缺陷影像的檢測方式并無法自動(dòng)性地達(dá)到數(shù)據(jù)參數(shù)分析(data?mining)的功能。故，若能針對(duì)工廠的生產(chǎn)線數(shù)據(jù)(例如缺陷的關(guān)鍵尺寸、厚度、批號(hào)歷史、設(shè)備操作歷史、錯(cuò)誤檢測與分類(Fault?Detection?and?Classification，F(xiàn)DC)數(shù)據(jù)…等)、百分百地自動(dòng)缺陷分類數(shù)據(jù)、致命缺陷良率、Cp測試數(shù)據(jù)、光學(xué)影像/顯微影像圖形輪廓測量分析數(shù)據(jù)，進(jìn)行缺陷數(shù)據(jù)參數(shù)分析(data?mining)將會(huì)是解決缺陷良率的創(chuàng)新且快速的方法。

再者，人們也希望可以通過整合所有層次的缺陷良率的預(yù)測及產(chǎn)品的生產(chǎn)制造數(shù)據(jù)(Work-in-Process，WIP)資料，而不僅實(shí)時(shí)(real-time)地提供制造工廠其晶圓產(chǎn)出數(shù)據(jù)，亦提供良好晶粒的產(chǎn)出預(yù)測值。

此外，橫跨多個(gè)批號(hào)的高失敗頻率累積的缺陷布局圖圖形分析，可通過我們的“布局圖屬性的缺陷復(fù)合式圖形群組”方法來達(dá)到。而且，缺陷圖形的數(shù)據(jù)庫收集這些高失敗頻率累積的缺陷布局圖圖形，提供給DFM(Design-for-manufacturing)檢測而改進(jìn)良率。

最后，布局圖、半導(dǎo)體微影術(shù)模擬(例如光學(xué)鄰近效應(yīng)修正法(OpticalProximity?Correction，OPC))的分析法是利用和工廠的影像圖的影像圖形輪廓作復(fù)合式圖形比對(duì)重疊(matching)；這種圖形輪廓測量數(shù)據(jù)通常是用以和布局圖圖形規(guī)格作檢測而逮出系統(tǒng)性缺陷圖形及工藝性缺陷圖形。進(jìn)一步說，缺陷布局圖圖形可以是由缺陷影像圖形對(duì)應(yīng)至布局圖圖形找到，或是在圖象數(shù)據(jù)庫系統(tǒng)(Graphic?Database?System，GDS)、公開存取同時(shí)信息系統(tǒng)(Open?Access?Same-time?Information?System，OASIS)的預(yù)先提取布局圖圖形中形成。然后，這些系統(tǒng)性缺陷與工藝性缺陷的布局圖圖形才被儲(chǔ)存在缺陷圖形數(shù)據(jù)庫里，用以作為良率改善或DFM(Design-for-manufacturing)檢測之用。

因此，基于上述多種技術(shù)層面上的考量，如何克服上述諸多限制，用以提升并改善制造工廠的量產(chǎn)效率，是本領(lǐng)域的技術(shù)人員努力的目標(biāo)。

發(fā)明內(nèi)容

本發(fā)明主要目的在于提供一種智能型缺陷診斷方法，近乎實(shí)時(shí)地(real-time)監(jiān)控工廠的制造方法，并針對(duì)缺陷良率進(jìn)行除錯(cuò)(debug)動(dòng)作；特別是應(yīng)用缺陷數(shù)據(jù)參數(shù)分析(data?mining)于自動(dòng)缺陷分類數(shù)據(jù)、缺陷良率數(shù)據(jù)、影像測量數(shù)據(jù)、工廠生產(chǎn)線數(shù)據(jù)，來迅速偵錯(cuò)缺陷良率損失。

本發(fā)明另一目的在于方便地由缺陷影像圖形測量分析而辨別出異常的缺陷圖形；利用復(fù)合式缺陷影像圖形、布局圖圖形、半導(dǎo)體微影術(shù)模擬圖形多邊圖的測量數(shù)據(jù)與圖形規(guī)格的差異，用以辨別出系統(tǒng)性缺陷圖形及工藝性缺陷圖形。該影像圖形測量分析系統(tǒng)可以自動(dòng)地診斷出異常缺陷圖形，而非人工分析方法，因?yàn)槿斯し治鰞H能抽檢，靠運(yùn)氣成份居多。