基于异质数据的半导体工艺预测方法与装置制造方法及图纸

一种基于异质数据的半导体工艺预测方法与装置。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。输入这些机台参数设定数据至一第一神经网络模型，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。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。获得一总预测结果。获得一总预测结果。

【技术实现步骤摘要】
基于异质数据的半导体工艺预测方法与装置


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]根据本专利技术的第一方面，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 recipe data)。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，NN model)，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 inspection data)。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。
[0006]根据本专利技术的第一方面，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，NN model)、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 recipe data)。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 inspection data)。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。
[0007]为了对本专利技术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
[0008]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。
[0009]图2绘示根据一实施例的半导体工艺预测装置的方块图。
[0010]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。
[0011]图4示例说明图3的各步骤。
[0012]图5绘示步骤S140的细部步骤的流程图。
[0013]图6示例说明图5的各步骤。
具体实施方式
[0014]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。
[0015]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，NN model)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。
[0016]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。
[0017]每一机台910、920、930、
…
都有设定的机台参数设定数据(equipment recipe data)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。
[0018]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。
[0019]在每一半导体工艺P1、P2、P3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异质数据的半导体工艺预测方法，包括：获得多个机台的多个机台参数设定数据(equipment recipe data)；输入这些机台参数设定数据至第一神经网络模型(NeuralNetwork model，NN model)，以获得第一预测结果；获得多个机台感测数据；输入这些机台感测数据至第二神经网络模型，以获得第二预测结果；获得多个物理测量数据(metrology inspection data)，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第三神经网络模型，以获得第三预测结果；以及依据该第一预测结果、该第二预测结果及该第三预测结果，获得总预测结果。2.如权利要求1所述的基于异质数据的半导体工艺预测方法，还包括：依据这些机台感测数据的相关性，滤除部分之这些机台感测数据。3.如权利要求1所述的基于异质数据的半导体工艺预测方法，其中各该机台参数设定数据为离散数值数据。4.如权利要求1所述的基于异质数据的半导体工艺预测方法，其中各该机台感测数据为连续数值数据。5.如权利要求1所述的基于异质数据的半导体工艺预测方法，其中各该物理测量数据为离散数值数据。6.如权利要求1所述的基于异质数据的半导体工艺预测方法，其中这些机台所执行的多个工艺为接续执行。7.如权利要求1所述的基于异质数据的半导体工艺预测方法，其中这些物理测量数据包括多个实际测量数据及多个虚拟测量数据，这些虚拟测量数据由这些实际测量数据与这些机台感测数据进行模拟程序而获得。8.如权利要求1所述的基于异质数据的半导体工艺预测方法，其中依据该第一预测结果、该第二预测结果及该第三预测结果，获得该总预测结果的步骤是通过投票程序获得该总预测结果。9.一种基于异质数据的半导体工艺预测装置，包括：第一数据库，用以存...

【专利技术属性】
技术研发人员：侯信铭，
申请(专利权)人：联华电子股份有限公司，
类型：发明
国别省市：