专利名称：工件抽样检验的方法及其计算机程序产品的制作方法
技术领域：
本发明是有关于一种工件抽样检验的方法，特别是有关于一种可有效地抽检出不良工件的方法及其计算机程序产品。
背景技术：
目前大部分半导体及TFT-IXD厂对于生产机台的产品或工件的质量监测方法采取抽测的方式，其中此工件可为半导体业的晶圆或TFT-LCD业的玻璃基板。当生产机台完成若干个工件(Workpiece)的加工处理后，此些工件会被置放于一卡匣或晶圆传送盒 (Front Opening Unified Pod ;F0UP中，以传送至量测机台来检测工件的品质。一般而言， 量测机台会从整个卡匣的多个工件(例如25片)中固定地抽选一个工件为样本来进行量测，例如卡匣中的第一个工件。此种习知的抽样检验的方法假设生产机台的制程质量不会突然发生异常，因而可使用被抽测的产品或工件的量测结果来推断同一卡匣或晶圆传送盒内的所有产品的质量。然而，习知的抽样检验的方法只能得知此实际被抽测的工件的质量，而此实际被抽测的工件并不一定是具有潜在风险的工件，故常会产生漏侦测(Miss Detection ；MD)的情形。此外，若生产机台在两次抽测之间发生异常，习知方法便无法及时发现，因而导致许多不良品的产生，并造成可观的成本损失。理论上，若能对同一卡匣或晶圆传送盒内的所有工件均进行量测，则可避免前述的漏侦测的情形，更可及时发现生产机台发生异常。然而，对同一卡匣或晶圆传送盒内的每一个工件均进行实际量测相当旷日费时，需耗费许多人力物力。况且，对具有数百道制程的晶圆或TFT-LCD厂而言，欲对每一道制程的每一个工件进行实际量测更几乎是件不可能的任务。因此，为避免上述问题发生，必须要提供一种工件抽样检验的方法及其计算机程序产品，借以有效地抽选出合适的工件来进行量测，俾便在生产机台发生异常时能及时发现。

发明内容
因此，本发明的一态样就是在提供一种工件抽样检验的方法及其计算机程序产品，借由判断工件的信心指标(Reliance Index ；RI)值是否小于信心指标门槛值；或工件的GSI (Global Similarity Index ；整体相似度指标)值是否大于GSI门槛值(GSIt)，来有效地抽选出合适的工件以进行量测，而避免发生漏侦测的情形，并能及时发现生产机台异
堂
巾ο根据本发明的上述目的，提出一种工件抽样检验的方法。在本发明的一实施例中， 首先获取生产机台的多组历史制程参数数据，并从量测机台取得多个历史量测值，其中此些历史量测值分别为根据历史制程参数所生产的工件的量测值。接着，使用历史制程参数数据和历史量测值来建立一推估模式与一参考模式，其中推估模式的建立根据一推估演算法，参考模式的建立根据一参考演算法，推估演算法与参考演算法不同。然后，输入历史制程参数至推估模式和参考模式，而计算出多个历史虚拟量测值和多个历史参考预测值。接着，分别计算历史虚拟量测值的分配(Distribution)与历史参考预测值的分配之间的重叠面积而产生多个历史信心指标值，其中当重叠面积愈大，则信心指标值愈高，代表所对应至历史虚拟量测值的可信度愈高。然后，根据历史虚拟量测值、历史参考预测值和历史量测值来计算出一信心指标门槛值(RIt)。然后，收集生产机台所送出的卡匣内的多个工件的制程参数数据，并输入每一个工件的制程参数数据至推估模式和参考模式，而计算出每一个工件的虚拟量测值和参考预测值。接着，计算每一个工件的虚拟量测值的分配与参考预测值的分配之间的重叠面积而产生每一个工件的信心指标值，其中当重叠面积愈大，则信心指标值愈高，代表所对应至其虚拟量测值的可信度愈高。然后，自此些工件中选取其信心指标值小于信心指标门槛值的至少一个第一工件，并将第一工件送至量测机台以进行检测。依据本发明的又一实施例，在工件抽样检验的方法中，首先获取生产机台的多组历史制程参数数据。接着，使用此些组历史制程参数，并根据一统计距离演算法，来建立一统计距离模式。然后，以此些组历史制程数据及此些历史量测值，并应用交互验证(Cross Validation)中的留一法(Leave-One-Out ;L00)原理来重建统计距离模式，并计算出相对应的GSI值，以计算出一 GSI门槛值(GSIt)。接着，输入每一个工件的制程参数数据至统计距离模式，而计算出每一个工件的虚拟量测值所对应的制程参数数据的GSI值。然后，自此些工件中选取其GSI值大于GSI门槛值的至少一个第二工件，并将第二工件传送至一量测机台以进行检测。根据本发明的上述目的，另提出一种内储用于工件抽样检验的计算机程序产品， 当计算机加载此计算机程序产品并执行后，可完成如上述的工件抽样检验的方法。因此，应用本发明，可借由某工件的制程参数数据来评估其质量是否可能有异常， 以有效地抽选出合适的工件来进行量测，而避免发生漏侦测的情形，并能及时发现生产机
台异常。


为让本发明的上述和其它目的、特征、优点与实施例能更明显易懂，所附附图的说明如下图1为绘示实施本发明的工件抽样检验的方法的系统架构示意图；图2为绘示根据本发明的实施例的AVM系统的架构示意图；图3为绘示说明本发明的实施例的信心指标值的示意图；图4为绘示说明本发明的实施例的信心指标门槛值的示意图；图5为绘示根据本发明的实施例的工件抽样检验方法的流程示意图；图6A为绘示本发明的应用例的虚拟量测值和实际量测值的结果示意图；图6B为绘示本发明的应用例的信心指标值的结果示意图；图6C为绘示本发明的应用例的整体相似度指标值的结果示意图。主要附图标记说明10 制程参数数据前处理模块12 量测数据前处理模块20 生产机台22 制程参数数据30:量测机台40:信心指标模块
50 相似度指标模块60推估模式
62 双阶段运算机制80卡匣
82 工件90:AVM
100 计算工件的RI和GSI
110 =RI是否小于RIt ；或GSI是否大于GSLΓ
120 决定是否进行量测
130:由量测机台进行量测
A 重叠面积
具体实施例方式请参照图1，其绘示实施本发明的工件抽样检验的方法的系统架构示意图。本发明提供全自动化型虚拟量测(Automatic Virtual Metrology ；AVM)系统90于生产机台 20与量测机台30之间，借以使用卡匣80内的所有工件82的制程参数数据22来辅助量测机台30抽选合适的工件来进行量测。在一实施例中，AVM系统90先通知制造执行系统 (Manufacturing Execution System ;MES)(未示出)被抽选出的工件的代号，制造执行系统再根据此被抽选出的工件的代号下指令给量测机台30，以对此被抽选出的工件进行量测。此外，在一实施例中，AVM系统90嵌入在量测机台30中。在又一实施例中，AVM系统 90嵌入在生产机台20中。当然，AVM系统90亦可独立地执行工件抽样检验方法，故本发明并不在此限。请参照图2，其绘示根据本发明的实施例的AVM系统的架构示意图。本实施例的 AVM系统90至少包括制程参数数据前处理模块10、量测数据前处理模块12、推估模式60、 信心指标模块40和相似度指标模块50。制程参数数据前处理模块10针对来自生产机台 20的原始制程参数数据进行整理及标准化，删除异常数据并筛选出重要参数，将不重要参数排除，以避免产生干扰作用，而影响预测精度。量测数据前处理模块12针对来自量测机台30的量测数据进行筛选，以去除其中的异常值。推估模式60可利用推估演算法来推估卡匣80中的多个工件82的第一阶段虚拟量测值(VM丨)，亦可选择性地利用双阶段运算机制62及推估演算法来推估卡匣80中的多个工件82的第二阶段虚拟量测值(VM11)。可能选用的推估演算法有回归演算法、类神经网络演算法等各式预测演算法。信心指标模块 40用来评估虚拟量测值的可信度，而产生信心指标(RI)。相似度指标模块50用来评估目前输入的制程参数数据与推估模式60内用来训练建模的所有参数数据的相似程度，而产生制程参数的相似度指标(GSI)，此相似度指标用以辅助信心指标来判断虚拟量测系统的信心度。在推估模式60运作之前，须将从生产机台20所获得的制程参数数据(历史制程参数数据)与从量测机台30所取得的质量量测数据(历史量测值)分别传送至制程参数数据前处理模块10和量测数据前处理模块12，以进行数据前处理。这些经前处理及标准化后的制程参数数据与质量量测数据即为推估模式60的输入数据。接着，采用历史制程参数数据与相对应的历史质量量测数据来训练(建立)例如类神经网络(NN)推估模式。推估模式60具有双阶段运算机制62，用以分别第一阶段虚拟量测值(VM ι )和第二阶段虚拟量测值(VM11)与其对应的信心指标值(RI)和整体相似度指标值(GSI)。所谓「第二阶段」
7虚拟量测值与其伴随的信心指标和相似度指标则在从量测机台取得工件82的实际量测值时，将工件82的制程参数数据和实际量测值加入历史制程参数数据及历史量测值，来重新训练或调校推估模式60、信心指标模块40的参考模式和相似度指标模块50统计距离模式， 再重新计算出卡匣80内的每一个工件的第二阶段虚拟量测值(VM11)与其伴随的信心指标和整体相似度指标。以下，说明推估模式、信心指标值(参考模式)和整体相似度指标值(统计距离模式)相关的理论基础。推估模式与信心指标(参考模式)如表1所示，假设目前搜集到η组量测的数据，包含制程数据(Xi;i = 1，2，...，η) 及其对应的实际量测值数据(yi;i = l，2，...，n)，其中每组制程数据包含有ρ个参数(自参数1至参数P)，即[Xia5X^2, ...,Xi,ρ]τ.此外，亦搜集到(m-n)笔实际生产时制程数据，但除yn+1外，并无实际量测值数据，即在(m-n)笔实际生产的工件中，仅抽测例如第一笔工件进行实际量测，再以其实际量测Ylri来推断其它(m-η-Ι)笔工件的质量。表1原始数据范例
权利要求
1.一种工件抽样检验的方法，其特征在于，包含 获取一生产机台的多组历史制程参数数据；从一量测机台取得多个历史量测值，其中该多个历史量测值分别为根据该多组历史制程参数所生产的工件的量测值；使用该多组历史制程参数数据和该多个历史量测值来建立一推估模式，其中该推估模式的建立根据一推估演算法；使用该多组历史制程参数数据和该多个历史量测数据来建立一参考模式，其中该参考模式的建立根据一参考演算法，该推估演算法与该参考演算法不同；输入该多组历史制程参数至该推估模式，而计算出多个历史虚拟量测值； 输入该多组历史制程参数至该参考模式，而计算出多个历史参考预测值； 分别计算该多个历史虚拟量测值的分配与该多个历史参考预测值的分配之间的重叠面积而产生多个历史信心指标值，其中当重叠面积愈大，则信心指标值愈高，代表所对应至该多个历史虚拟量测值的可信度愈高；根据该多个历史虚拟量测值、该多个历史参考预测值和该多个历史量测值来计算出一信心指标门槛值；收集该生产机台所送出的一卡匣内的多个工件的制程参数数据； 输入该多个工件的制程参数数据至该推估模式，而计算出该多个工件的多个虚拟量测值；输入该多个工件的制程参数数据至该参考模式，而计算出该多个工件的多个参考预测值；分别计算该多个工件的该多个虚拟量测值的分配与该多个参考预测值的分配之间的重叠面积而产生该多个工件的多个信心指标值，其中当重叠面积愈大，则信心指标值愈高， 代表所对应至该多个虚拟量测值的可信度愈高；自该多个工件中选取其信心指标值小于该信心指标门槛值的至少一第一工件；以及将该多个工件的该至少一第一工件送至该量测机台以进行检测。
2.根据权利要求1所述的工件抽样检验的方法，其特征在于，该推估演算法和该参考演算法分别选自由回归演算法和一类神经网络演算法所组成的一族群。
3.根据权利要求1所述的工件抽样检验的方法，其特征在于，该推估演算法和该参考演算法分别选自由一倒传递类神经网络、一通用回归类神经网络、一径向基底类神经网络、 一简单回归性网络、一支持向量数据描述、一支持向量机、一复回归演算法；一部分最小平方法、一非线性替代偏最小平方法和一广义线性模式所组成的一族群。
4.根据权利要求1所述的工件抽样检验的方法，其特征在于，还包含使用该多组历史制程参数，并根据一统计距离演算法，来建立一统计距离模式； 以该多组历史制程数据及该多个历史量测值，并应用交互验证中的留一法原理来重建该统计距离模式，并计算出相对应的整体相似度指标值，以计算出一整体相似度指标门槛值；输入该多个工件的制程参数数据至该统计距离模式，而计算出该多个工件的该多个虚拟量测值所对应的制程参数数据的整体相似度指标值；自该多个工件中选取其整体相似度指标值大于该整体相似度指标门槛值的至少一第二工件；以及将该多个工件的该至少一第二工件送至该量测机台以进行检验。
5.根据权利要求4所述的工件抽样检验的方法，其特征在于，该统计距离演算法选自由一马氏距离演算法、一欧式距离演算法和一中心法所组成的一族群。
6.一种工件抽样检验的方法，其特征在于，包含 获取一生产机台的多组历史制程参数数据；使用该多组历史制程参数，并根据一统计距离演算法，来建立一统计距离模式； 以该多组历史制程数据及该多个历史量测值，并应用交互验证中的留一法原理来重建该统计距离模式，并计算出相对应的整体相似度指标值，以计算出一整体相似度指标门槛值；输入该多个工件的制程参数数据至该统计距离模式，而计算出该多个工件的该多个虚拟量测值所对应的制程参数数据的整体相似度指标值；自该多个工件中选取其整体相似度指标值大于该整体相似度指标门槛值的至少一第一工件；以及将该多个工件中的该至少一第一工件送至一量测机台以进行检测。
7.根据权利要求6所述的工件抽样检验的方法，其特征在于，该统计距离演算法为选自由一马氏距离演算法、一欧式距离演算法和一中心法所组成的一族群。
8.根据权利要求6所述的工件抽样检验的方法，其特征在于，还包含从该量测机台取得多个历史量测值，其中该多个历史量测值分别为根据该多组历史制程参数所生产的工件的量测值；使用该多组历史制程参数数据和该多个历史量测值来建立一推估模式，其中该推估模式的建立根据一推估演算法；使用该多组历史制程参数数据和该多个历史量测数据来建立一参考模式，其中该参考模式的建立根据一参考演算法，该推估演算法与该参考演算法不同；输入该多组历史制程参数至该推估模式，而计算出多个历史虚拟量测值； 输入该多组历史制程参数至该参考模式，而计算出多个历史参考预测值； 分别计算该多个历史虚拟量测值的分配与该多个历史参考预测值的分配之间的重叠面积而产生多个历史信心指标值，其中当重叠面积愈大，则信心指标值愈高，代表所对应至该多个历史虚拟量测值的可信度愈高；根据该多个历史虚拟量测值、该多个历史参考预测值和该多个历史量测值来计算出一信心指标门槛值；收集该生产机台所送出的一卡匣内的多个工件的制程参数数据； 输入该多个工件的制程参数数据至该推估模式，而计算出该多个工件的多个虚拟量测值；输入该多个工件的制程参数数据至该参考模式，而计算出该多个工件的多个参考预测值；分别计算该多个工件的该多个虚拟量测值的分配与该多个参考预测值的分配之间的重叠面积而产生该多个工件的多个信心指标值，其中当重叠面积愈大，则信心指标值愈高， 代表所对应至该多个虚拟量测值的可信度愈高；自该多个工件中选取其信心指标值小于该信心指标门槛值的至少一第二工件；以及将该多个工件中的该至少一第二工件送至该量测机台以进行检验。
9.根据权利要求8所述的工件抽样检验的方法，其特征在于，该推估演算法和该参考演算法选自由一回归演算法和一类神经网络演算法所组成的一族群。
10.根据权利要求8所述的工件抽样检验的方法，其特征在于，该推估演算法和该参考演算法选自由一倒传递类神经网络、一通用回归类神经网络、一径向基底类神经网络、一简单回归性网络、一支持向量数据描述、一支持向量机、一复回归演算法；一部分最小平方法、 一非线性替代偏最小平方法和一广义线性模式所组成的一族群。
11.一种内储用于虚拟生产管制的计算机程序产品，当计算机加载此计算机程序产品并执行后，可完成如权利要求1或6所述的工件抽样检验的方法。
全文摘要
本发明公开了一种工件抽样检验的方法及其计算机程序产品。此方法借由分析生产机台的制程参数数据，来计算出一工件的虚拟量测值的信心指标值和信心指标门槛值；及其制程参数数据的整体相似度指标值和GSI门槛值。当此工件的信心指标值小于信心指标门槛值或其GSI值大于GSI门槛值时，此工件可被抽选出以进行量测。
文档编号G01R31/00GK102262188SQ201010194099
公开日2011年11月30日 申请日期2010年5月28日 优先权日2010年5月28日
发明者郑芳田, 陈映霖, 高季安 申请人:先知科技股份有限公司