基于極大梯度提升決策樹自動(dòng)檢測(cè)晶圓測(cè)試結(jié)果圖的新方法

仲博 高瑋 呂日正

摘 ?要：為了不斷提升晶圓制造水平，越來(lái)越多的自動(dòng)檢測(cè)技術(shù)被用來(lái)分析晶圓測(cè)試結(jié)果圖中的次品分布。晶圓制造設(shè)備異常造成的次品分布具有形態(tài)類似、位置固定、集中發(fā)生和跨產(chǎn)品跨批次的特點(diǎn)。結(jié)合上述特點(diǎn)整合數(shù)據(jù)，利用極大梯度提升決策樹訓(xùn)練出具有針對(duì)性的分類器，可以大大提高檢測(cè)源于設(shè)備異常的次品分布的準(zhǔn)確性和速度。該方法易于自動(dòng)化，并適用于多數(shù)晶圓制造設(shè)備，是一種有效的晶圓測(cè)試結(jié)果圖的自動(dòng)檢測(cè)方法。

關(guān)鍵詞：晶圓測(cè)試結(jié)果圖，設(shè)備故障，自動(dòng)檢測(cè)，極大梯度提升決策樹

一、簡(jiǎn)介

晶圓測(cè)試是芯片制造的重要步驟。在晶圓上，對(duì)未被切割的芯片進(jìn)行電性測(cè)試，分為良品和各種次品，以便后道繼續(xù)對(duì)良品進(jìn)行封裝，降低制造成本。每顆芯片測(cè)試的結(jié)果都會(huì)按排列位置存儲(chǔ)在晶圓測(cè)試結(jié)果圖中，如圖1。封裝工序就是按照該圖選出良品進(jìn)行加工。另外，結(jié)果圖中的信息對(duì)前道晶圓制造非常重要，對(duì)其進(jìn)行監(jiān)測(cè)和診斷，可以發(fā)現(xiàn)問題和提高良率。

對(duì)晶圓測(cè)試的次品分布進(jìn)行分析對(duì)晶圓生產(chǎn)和質(zhì)量非常關(guān)鍵，一方面有利于找出造成次品的原因，另一方面有利于篩出潛在次品。次品的空間分布通常分為隨機(jī)和非隨機(jī)兩種。非隨機(jī)分布往往表現(xiàn)出一定的空間形態(tài)特征，常見的有環(huán)狀、弧狀，線狀，塊狀，十字狀等。不同類型的分布反映生產(chǎn)中遇到的不同問題。比如，線狀次品分布通常是設(shè)備運(yùn)動(dòng)中意外接觸造成的;邊緣環(huán)狀分布往往是刻蝕工藝出現(xiàn)問題;而晶圓中部次品塊狀分布需要考慮薄膜淀積工序是否出現(xiàn)問題。因此，需要快速正確的檢測(cè)出這些次品分布。人工目檢是目前常見的手段，但是需要耗費(fèi)大量人力。而且隨著半導(dǎo)體制造水平和產(chǎn)能的全面提升，對(duì)半導(dǎo)體生產(chǎn)各方面都提出了更高的自動(dòng)化要求。對(duì)晶圓圖的人工目檢不適應(yīng)低成本、高質(zhì)量、高產(chǎn)出的新要求，自動(dòng)判別是高效生產(chǎn)的必然選擇。

生產(chǎn)設(shè)備異常造成的次品分布往往形態(tài)類似，位置固定，不限產(chǎn)品、批次，在設(shè)備異常的時(shí)間段內(nèi)頻繁出現(xiàn)，例如，機(jī)械臂運(yùn)動(dòng)造成的線狀或者弧狀劃傷，或者承載臺(tái)表面附著的微小堅(jiān)硬外來(lái)物造成的十字狀暗裂，其晶圓測(cè)試結(jié)果圖均具有上述特點(diǎn)，如圖2。這些圖中的異常分布一旦被注意到，相關(guān)部門就會(huì)收到警告，問題設(shè)備就會(huì)得到檢修。但由于設(shè)備數(shù)量眾多，加工的晶圓數(shù)量巨大，人工篩檢差強(qiáng)人意，造成不小的損失。已有的自動(dòng)檢測(cè)方法往往關(guān)注次品分布的空間特征，沒有進(jìn)一步結(jié)合上述的異常設(shè)備造成的問題的特點(diǎn)來(lái)提升檢測(cè)的準(zhǔn)確率。本文提出的新方法利用了這些特點(diǎn)，使該檢測(cè)方法更適合于晶圓生產(chǎn)制造，準(zhǔn)確率更高。極大梯度提升決策樹（XGBoost，Extreme Gradient Boosted Tree）是進(jìn)來(lái)流行的新的集成學(xué)習(xí)方法，在應(yīng)用中取得了不錯(cuò)的效果，將它應(yīng)用于辨別晶圓測(cè)試結(jié)果圖中的次品分布，也取得了不錯(cuò)的效果，提升了本方法的準(zhǔn)確性。

二、相關(guān)研究

對(duì)晶圓測(cè)試結(jié)果圖中的次品的空間分布自動(dòng)識(shí)別和分類的研究，大致可以歸為三類。第一類是使用空間特征分析的方法從結(jié)果圖中提取有用特征并依次判斷分類，如[1]和[2]。第二類是對(duì)其應(yīng)用聚類分析的某些方法，如[3]。第三類是利用基于區(qū)域特征建立模型，進(jìn)行分析，如[4]和[5]。此外，針對(duì)在一片晶圓圖中出現(xiàn)多個(gè)甚至多種次品分布模式的情況，[6]給出了解決方法。對(duì)如何減少次品分布角度變化帶來(lái)的影響，[7]進(jìn)行了探討。而[8]闡述了極大梯度提升決策樹的原理。

三、問題

晶圓生產(chǎn)設(shè)備中某些部件出現(xiàn)問題造成的次品空間分布往往具有類似的形態(tài)、出現(xiàn)在固定的位置，而且在設(shè)備異常期間頻繁發(fā)生。此外，該現(xiàn)象不限于產(chǎn)品、批次，甚至同一臺(tái)設(shè)備某段時(shí)間內(nèi)加工過(guò)的不同產(chǎn)品不同批次也是如此。這是因?yàn)樵O(shè)備運(yùn)行有固定的程序，因此問題造成的影響也有規(guī)律。例如，設(shè)備中的傳送裝置的機(jī)械臂位置漂移，取放時(shí)在固定位置容易造成劃傷，晶圓測(cè)試結(jié)果圖中對(duì)應(yīng)位置會(huì)有線狀或者弧狀的次品分布。而如果有微小而堅(jiān)硬的外來(lái)物附著在設(shè)備中的承載臺(tái)表面或真空槽中，晶圓置于其上時(shí)，往往會(huì)造成線狀或者十字狀的微裂，測(cè)試結(jié)果也體現(xiàn)出同樣的圖案。

由于設(shè)備出現(xiàn)類似問題時(shí)，其加工過(guò)的很多晶圓會(huì)在大致相同的物理區(qū)域出現(xiàn)類似的次品分布圖案，遠(yuǎn)超隨機(jī)出現(xiàn)的概率。因此，可以設(shè)置一定的時(shí)間窗口，偵測(cè)該時(shí)間段內(nèi)，經(jīng)過(guò)某設(shè)備的晶圓的測(cè)試結(jié)果圖，無(wú)論產(chǎn)品、批次，如果在特定范圍的區(qū)域內(nèi)出現(xiàn)上述次品分布圖案的概率高于閾值，則高度懷疑設(shè)備出現(xiàn)問題，由此可以設(shè)計(jì)自動(dòng)檢測(cè)該類問題的算法。需要考慮六方面問題，一是需要通過(guò)設(shè)備加工晶圓的歷史記錄，來(lái)按序獲取時(shí)間窗口內(nèi)被加工的晶圓的測(cè)試結(jié)果圖;二是不同產(chǎn)品的次品分類方式不同，會(huì)影響判斷分類，需要處理;三是隨機(jī)分布的次品會(huì)對(duì)判斷分類產(chǎn)生影響。四是由于要按照區(qū)域?qū)Σ煌a(chǎn)品的晶圓測(cè)試結(jié)果圖進(jìn)行處理，需要將不同尺寸的晶圓和芯片轉(zhuǎn)化到統(tǒng)一的最小單位，并按晶圓中心或其他基準(zhǔn)位置對(duì)齊。五是不同產(chǎn)品晶圓在設(shè)備中放置的方向不同，為了對(duì)準(zhǔn)物理位置，要把晶圓測(cè)試結(jié)果圖按放置方向旋轉(zhuǎn);六是要訓(xùn)練分類器以正確識(shí)別特定的廢品分布形態(tài)。

四、方法及實(shí)驗(yàn)

基于上述問題和思路，開發(fā)了結(jié)合區(qū)域?qū)嶋H位置的晶圓測(cè)試結(jié)果圖特定次品分布的自動(dòng)檢測(cè)方法，包括下列步驟。首先，自動(dòng)獲取分析所需信息。根據(jù)設(shè)定的時(shí)間窗口，不斷掃描各待檢測(cè)設(shè)備在時(shí)間窗口內(nèi)加工過(guò)的晶圓信息，并據(jù)此獲得該晶圓的測(cè)試結(jié)果、尺寸和設(shè)備內(nèi)方向等信息。如果數(shù)量達(dá)到進(jìn)行運(yùn)算的要求，則按其在設(shè)備中的加工順序進(jìn)行整理和標(biāo)記;如果數(shù)量不足，則更新窗口時(shí)間或者更換設(shè)備繼續(xù)掃描。

接著，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。第一，將晶圓測(cè)試結(jié)果圖進(jìn)行二值化，良品標(biāo)記為1，次品標(biāo)記為0。第二，根據(jù)晶圓在設(shè)備中的方向，對(duì)測(cè)試結(jié)果圖進(jìn)行旋轉(zhuǎn)，使其一致。第三，根據(jù)晶圓和芯片的實(shí)際尺寸，將測(cè)試結(jié)果二值圖轉(zhuǎn)換為對(duì)應(yīng)實(shí)際尺寸的測(cè)試結(jié)果二值圖。第四，根據(jù)晶圓在設(shè)備中存放的基準(zhǔn)點(diǎn)，將待分析的結(jié)果圖對(duì)準(zhǔn)疊加，生成待分析的熱圖和連通域。第五，利用熱圖的熱度和形態(tài)學(xué)濾波器去除隨機(jī)分布的次品結(jié)果，保留具有特定分布的次品區(qū)域。

最后利用訓(xùn)練好的極大梯度提升決策樹分類器判斷連通域或者熱圖中是否存在十字狀、線狀和弧狀等次品分布模式。如果發(fā)現(xiàn)該類圖形，則發(fā)出通知，并按預(yù)先設(shè)定進(jìn)行報(bào)警、停機(jī)或者物料扣留。極大梯度提升決策樹是目前流行的一種集成學(xué)習(xí)方法，通過(guò)大量有監(jiān)督訓(xùn)練，產(chǎn)生并整合大量弱分類器，有效提升了最終判別的準(zhǔn)確性。經(jīng)訓(xùn)練，本分類器集成了對(duì)23種3維投影特征的分類樹，這些特征包括各種不變矩，次品數(shù)量分布、組間中心距等，如圖3所示。

利用該方法對(duì)晶圓測(cè)試部門3年內(nèi)探針機(jī)加工過(guò)的晶圓進(jìn)行檢測(cè)，成功發(fā)現(xiàn)了全部5次該類質(zhì)量事故。而且根據(jù)實(shí)驗(yàn)結(jié)果可知，在設(shè)備發(fā)生問題的初期即可有效發(fā)現(xiàn)，明顯快于當(dāng)時(shí)人工檢測(cè)的速度。據(jù)此，推算出可以減少80%的損失。

五、結(jié)論

晶圓制造過(guò)程中，設(shè)備異常產(chǎn)生的次品在晶圓測(cè)試結(jié)果圖中的分布具有形態(tài)類似、位置固定、集中發(fā)生和跨產(chǎn)品批次的特點(diǎn)。本方法利用上述特點(diǎn)設(shè)計(jì)了專門的數(shù)據(jù)收集和預(yù)處理過(guò)程，又利用極大梯度提升決策樹訓(xùn)練出基于23種特征的判別器，對(duì)晶圓測(cè)試結(jié)果圖中的次品分布進(jìn)行自動(dòng)檢測(cè)。經(jīng)測(cè)試，可以有效快速的發(fā)現(xiàn)探針機(jī)設(shè)備異常造成的問題，大幅減少損失。該方法對(duì)多數(shù)晶圓生產(chǎn)設(shè)備具有普適性，通過(guò)訓(xùn)練判別器辨認(rèn)更多的分布模式，可以廣泛的應(yīng)用于晶圓制造設(shè)備的監(jiān)控。

參考文獻(xiàn)

[1]K.W.Tobin，S.S.Gleason，T.P.Karnowski，S.L.Cohen，and F.Lakhani，“Auto matic classification of spatial signatures on semiconductor wafer maps，”in Proc.Metrol.Insp.Process Control Microlith.，Santa Clara，CA，USA，1997，pp.434–444.

[2]K.W.Tobin，S.S.Gleason，and T.P.Karnowskii，“Feature analysis and classification of manufacturing signatures based on semiconductor wafermaps，”in Proc.Mach.Vis.Appl.Ind.Insp.，San Jose，CA，USA，1997， pp.14–25.

[3]C.F.Chen，S.C.Hsu，and Y.J.Chen，“A system for online detection and classification of wafer bin map defect patterns for manufacturing intelligence，”Int.J.Prod.Res.，vol.51，no.8，pp.2324–2338，F(xiàn)eb.2013.

[4]T.Yuan and W.Kuo，“Spatial defect pattern recognition in semiconductor manufacturing using model-based clustering and Bayesian inference，” Eur.J.Oper.Res.，vol.190，no.1，pp.228–240，2008.

[5]T.Yuan，S.J.Bae，and J.I.Park，“Bayesian spatial defect pattern recognition in semiconductor fabrication using support vector clustering，”Int.J.Adv.Manuf.Technol.，vol.51，nos.5–8，pp.671–683，2010.

[6]Kyeong K，Kim H.Classification of mixed-type defect patterns in wafer bin maps using convolutional neural networks[J].IEEE Transactions on Semiconductor Manufacturing，PP（99）：1-1.

[7]C.H.Wang，“Recognition of semiconductor defect patterns using spatial filtering and spectral clustering，” Expert Syst.Appl.，vol.34，no.3，pp.1914–1924，2008.

[8]Chen T，Guestrin C.XGBoost：A Scalable Tree Boosting System[J].ACM，2016.