TW201908896A

TW201908896A - 工具狀況監視及匹配

Info

Publication number: TW201908896A
Application number: TW106123524A
Authority: TW
Inventors: 拉畢查德羅; 蓋利塔恩; 安卓利亞盧斯; 伯裘恩布拉爾; 羅傑戴維斯; 布萊恩特曼堤普利; 史瓦提拉曼納杉; 凱倫碧雅吉尼
Original assignee: 美商克萊譚克公司
Priority date: 2017-07-11
Filing date: 2017-07-13
Publication date: 2019-03-01
Also published as: US20190019280A1; SG11201900146VA; IL264107A; WO2019013828A1; IL264107B; US10360671B2; CN109564422A; TWI720227B; CN109564422B; KR102222982B1; KR20200018822A

Abstract

本發明揭示用於透過整合之即時資料收集、事件優先化以及透過影像分析之匹配狀態之自動判定之工具狀況監視及匹配之系統及方法。可即時接收來自半導體生產工具之資料。可判定參數資料及缺陷屬性資料之一控制限制影響(CLI)且可優先化因果關係因素。影像分析技術可比較影像且可用於諸如藉由識別該等半導體製造工具之兩者或兩者以上匹配所處之狀態之一者而判斷工具匹配。

Description

工具狀況監視及匹配

本發明係關於對製造之程序控制。

最新技術產品之品質正變得愈加重要，此係由於此等產品變為吾人之現代高科技經濟之一基礎部分。製造商持續聚焦於品質控制及再現性來滿足高科技經濟之需求。程序控制用於在一製造程序中產生最一致之產品性質。品質控制在生產線中係至關重要的，其中執行複雜或其他對資訊敏感之製造。在複雜製造環境中，許多變量同時變化。雖然在本文中引用一半導體環境，但原理對任何製造環境係一般性的。例如，在一半導體製造環境中，變量(諸如程序配方、量測工具配方、總體程序狀況、量測工具狀況及其他參數)皆變化。提供一技術以監視一製造設施中之工具以確保變異不隨時間變壞可對一製造商係有價值的。若偵測到一偏移，則得有解決所偵測偏移之一快速回應。透過預防維護(PM)在一製造環境中週期性完成工具監視及校正措施。為比PM更早擷取工具漂移，PM藉由監視標準晶圓或一經特徵化晶圓(例如，監視晶圓或優質晶圓)補充。雖然PM嘗試將工具校準回至其操作範圍，但標準晶圓嘗試透過晶圓之週期性掃描及監視缺陷計數及/或監視缺陷擷取率而識別可在PM之間或在PM之後發生的工具漂移。若生產統計資料程序控制(SPC)中存在任何漂移及/或在標準晶圓之趨勢中存在任何漂移，則假定其係因為藉由製造商進行之一程序改變或因為一工具漂移，此繼而需要一校正動作。在一例項中，缺陷標準晶圓(DSW)及裸矽晶圓用於(視情況配合一監視器晶圓)工具監視。此等晶圓組用於缺陷擷取及趨勢化。與經建立趨勢之一明顯偏差將觸發故障排除動作以識別一肇因。若不存在明顯偏差，則工具發佈至用於檢測樣本之生產。若報告一生產層在其趨勢中具有一偏差，則檢查標準晶圓(或監視器晶圓)趨勢以確認是否存在任何漂移。若在標準晶圓或監視器晶圓之趨勢中存在一漂移，則發出一特定行動計畫(POA)以識別肇因且監視器晶圓用於進一步故障排除。若此等晶圓中不存在趨勢，則發出多個POA以故障排除該問題。亦可執行特用修正以當一工具之效能下降時復原工具狀況。例如，當一工具之效能下降低於一特定所需狀態時(藉由製造商基於其SPC基線或藉由工具供應商透過在PM或任何其他特用活動的時間採取之量測判定之狀態)，執行一系列資料收集來識別肇因且修正問題。若一製造商使用一漂移工具來進行量測，則該製造商具有錯過一偏離之風險。隨著工具架構變得更先進，PM週期變得更長。因此，存在不會以一及時之方式偵測且校正工具漂移。快速校正工具漂移之故障增大一製造商之所有權之成本。此外，PM時間受限制使得一製造商可維持工具正常工作時間目標。但PM排程隨著工具變得更先進而增加。在無足夠的PM時間情況下，在PM之間錯過一漂移的風險增大。因此，一經排程PM可不全面地涵蓋需要頻繁最佳化之硬體參數。另外，基於一特用基礎故障排除及修正問題意謂未經排程工具停工時間中的結果，此係因為此等係反應性回應。特用故障排除亦可採取一更長之時間，此係因為需要收集相關資料來識別肇因。此再次增高製造者之操作成本。此外，使用額外晶圓來在PM之間偵測漂移之方法論亦非完全有效的，由於其等不擷取生產使用案例之寬度且其等增大所有權之成本。存在執行工具監視以防止漂移之許多其他方式，但此等工具監視技術之各者具有若干缺點。因此，需要在不造成錯誤警報的情況下基於生產資料監視工具狀況之一方法論。亦藉由製造商嚴格控制工具匹配使得製造商可平衡其生產線。失配工具降低製造商之操作靈活性，且因為密集型資料收集及手動至半手動診斷程序而修正極度費時。因此，製造商嘗試匹配工具以具有類似效能或特性。可以各種方式執行工具匹配。例如，可對一已知樣本採取重複量測。一使用者在一參考工具(例如，一優質或母版工具)上且在必須與參考工具靈敏度匹配之工具上運行許多次重複(例如，10次或10次以上)。當兩個工具展示在工具規格文件中定義之一類似缺陷計數及缺陷擷取率時達成工具匹配。在多數情況中，使用者僅修改顯微鏡物鏡之焦點偏移。使用此技術，注意在母版工具與候選工具之間的不同焦點偏移處之共同缺陷之百分比。母版工具與候選工具之間的共同缺陷百分比及計數匹配滿足規格或較高所處之點被視為匹配之最佳焦點偏移。採取此等重複量測係一極其費時之程序。其亦需求大量手動資料分析。亦可手動檢視影像以執行工具匹配。一調查員收集在不同焦點偏移處之影像且手動比較其等。看起來類似之影像係工具匹配處之焦點偏移。然而，此程序係手動的且可為主觀的。亦可比較直方圖來執行工具匹配。來自待匹配之工具之影像經轉換為直方圖且比較直方圖之形狀。此技術可涉及手動檢視，其中主觀地判斷差異。或者，直方圖可經轉換為統計資料參數(諸如模式、偏度或峰度)且可分析差異。在多個峰值直方圖之情況中，基於統計資料參數之比較可非有效的，此係因為兩個不同直方圖亦可具有類似統計資料參數。工具匹配亦受檢測配方品質影響，其藉由平均自我擷取率(ASCR)及變化係數(COV)量測。ASCR及COV係經控制以改良工具間匹配之參數。ASCR係在相同晶圓之一重複掃描中擷取之所有缺陷之擷取率之一平均值。COV係缺陷計數中之標準差與相同晶圓之重複掃描中之平均缺陷計數之一比。此等藉由在一參考晶圓上運行10x次重複而計算。一＜5%之COV及＞75%之ASCR可設定為一良好品質配方之一標準。一較低ASCR及較高COV可造成工具匹配問題及/或放寬程序控制限制，此增大與檢測相關聯之貝他級(beta)風險。當並不滿足此等COV及ASCR需求之一配方造成工具失配時，配方經進一步調諧使得可改良工具匹配。為達成較高ASCR及較低COV，使用者通常藉由增加臨限偏移以移除較低擷取率缺陷或藉由使用分類及妨害過濾技術來過濾掉較低擷取率缺陷或藉由改變檢測模式而降低配方靈敏度，此可抑制較低擷取率缺陷偵測。為實現此，選擇用於計算ASCR之10x次重複之一者之結果，較低擷取率缺陷經識別，且使用上文描述之技術從掃描結果移除。然而，使用一單一掃描結果來消除低擷取結果可不改良工具匹配，此係因為結果中之掃描間變異不得以補償。因此，使用者傾向於降低檢測配方之靈敏度至超過所需層級，此可使檢測配方錯過關鍵受關注缺陷(DOI)。使用者亦可不改變模式來改良ASCR，此係因為之前選擇之模式基於信號雜訊比調查恰為一最佳已知方法(BKM)模式或用於擷取DOI之最佳模式。若工具經校準且配方穩健，則可更佳地匹配工具。隨著工具變得更佳且校準變得更嚴格，寫入且發佈穩健配方變得對工具匹配更重要。一般言之，配方嘗試獲得極端靈敏度。此等高靈敏度配方(雖然需要來捕獲關鍵缺陷)可造成失配。因此，需要一改良式程序，其可用於降低或消除由配方品質引發之工具失配。先前技術依賴於首先發佈配方且接著當出現匹配問題時修正其而非嘗試首先主動修正匹配問題。因此，工具失配故障排除變得無效的。工具匹配使程序中之延遲蔓延至消費者且增加工具服務之成本。一旦發佈一配方至生產，則改變該配方亦係困難的。因此，需要工具監視及匹配之改良式技術。

在一第一實施例中，提供一種系統。該系統包括：一介面，其與複數個半導體製造工具電子通信；及一程序控制單元，其與該介面電子通信。該程序控制單元經組態以從該複數個半導體製造工具接收生產資料。該生產資料包含使用該等半導體製造工具製造之一或多個半導體晶圓之量測。該生產資料包含參數資料及缺陷屬性資料。該程序控制單元包含一控制限制影響(CLI)模組、一缺陷計數識別模組、一缺陷屬性識別模組、一優先化模組、一收集模組及一影像分析模組。若該參數資料及該缺陷屬性資料之一CLI超過一規格，則該CLI經組態以發送一警報。該缺陷計數識別模組經組態以識別一缺陷計數與該參數資料之間的一關係。該缺陷屬性識別模組經組態以識別該缺陷屬性資料之至少一個趨勢與該參數資料之間的一關係。該優先化模組經組態以優先化因果關係因素。該收集模組從對該等半導體製造工具之兩者或兩者以上之該參數資料在不同狀態收集資料。該影像分析模組經組態以識別該等半導體製造工具之該兩者或兩者以上匹配所處之狀態之一者。該程序控制單元可包含：一處理器；一電子資料儲存單元，其與該處理器電子通信；及一通信埠，其與該處理器及該電子資料儲存單元電子通信。該程序控制單元可經程式化以報告失控硬體參數。該介面可經組態以即時接收該生產資料。該系統可進一步包含一報告模組，其經組態以報告失控硬體參數。使用該參數資料及該缺陷屬性資料來判定該等失控硬體參數。該程序控制單元可經進一步組態以基於一CLI分數設定失控硬體參數之一優先級。一較高之CLI分數可對應於一較高優先級。該優先化模組可經組態以基於至少一個R平方分數優先化該等因果關係因素。在一例項中，該影像分析模組經程式化以：將影像轉換為快速傅立葉變換(FFT)影像；逐像素比較該等FFT影像之兩者以產生一直方圖；且判定該直方圖之一R平方值。一較高R平方值對應於改良匹配。在另一例項中，該影像分析模組經程式化以：定義代表性結構；從該等半導體製造工具之兩者收集該等代表性結構之影像資料；且判定至少一個參數之一值，使得該影像資料之至少一些影像參數在該等半導體製造工具之該兩者之間匹配。在又一例項中，該影像分析模組經程式化以：判定至少兩個經最佳化假設函數以預測該等半導體製造工具之兩者之間的最佳匹配參數；最佳化一擬合參數以最小化均方誤差；比較該兩個半導體製造工具之該假設函數以找到一輸入變量之一偏移向量以最小化該等假設函數之兩者之間的一差；及藉由調整工具變量匹配該兩個半導體製造工具。在一第二實施例中，提供一種方法。該方法包括在一程序控制單元處從複數個半導體製造工具接收生產資料。該生產資料包含使用該等半導體製造工具製造之一或多個半導體晶圓之量測。該生產資料包含參數資料及缺陷屬性資料。使用該程序控制單元來判定該參數資料及該缺陷屬性資料之一控制限制影響(CLI)。使用該程序控制單元來識別一缺陷計數與該參數資料之間的一關係。使用該程序控制單元來識別該缺陷屬性資料之至少一個趨勢與該參數資料之間的一關係。使用該程序控制單元來優先化因果關係因素。使用該程序控制單元，對該等半導體製造工具之兩者或兩者以上在不同狀態收集該參數資料。使用該程序控制單元來執行影像分析以識別該等半導體製造工具之該兩者或兩者以上匹配所處之狀態之一者。可在該程序控制單元即時接收該生產資料。該方法可進一步包含報告失控硬體參數。使用該參數資料及該缺陷屬性資料來判定該等失控硬體參數。該方法可經進一步包含基於一CLI分數設定失控硬體參數之一優先級。一較高之CLI分數對應於一較高優先級。該方法可進一步包含針對一控制限制監視該參數資料。基於製造規格或基於西格瑪(sigma)限制定義該控制限制。可量測該CLI以判定該等半導體製造工具之至少兩者之間的一失配。可執行一隨機缺陷計數與該參數資料之間的一關聯。該等因果關係因素之優先化可係基於至少一個R平方分數。可對該等因果關係因素之各者之該R平方分數進行排名。在一例項中，該影像分析包含：將影像轉換為快速傅立葉變換(FFT)影像；逐像素比較該等FFT影像之兩者以產生一直方圖；且判定該直方圖之一R平方值。一較高R平方值對應於改良匹配。在另一例項中，該影像分析包含：定義代表性結構；從該等半導體製造工具之兩者收集該等代表性結構之影像資料；且判定至少一個參數之一值，使得該影像資料之至少一些影像參數在該等半導體製造工具之該兩者之間匹配。在又一例項中，該影像分析包含：判定至少兩個經最佳化假設函數以預測該等半導體製造工具之兩者之間的最佳匹配參數；最佳化一擬合參數以最小化均方誤差；比較該兩個半導體製造工具之該假設函數以找到一輸入變量之一偏移向量以最小化該等假設函數之兩者之間的一差；及藉由調整工具變量匹配該兩個半導體製造工具。在此例項中，該影像分析可進一步包含：隨機選擇一第一缺陷百分比作為一學習組、一第二缺陷百分比作為一交叉驗證組及剩餘百分比作為一測試組；及使用該交叉驗證組測試該等假設函數。

儘管在特定實施例方面描述所主張之標的，但為一般技術者瞭解之其他實施例(包含並不提供本文提及之所有特徵及優點之實施例)亦在本發明之範疇內。可在不脫離本發明之範疇的情況下做出各種結構、邏輯、製程步驟及電子改變。因此，僅參考隨附發明申請專利範圍界定本發明之範疇。可如本文中進一步描述般執行方法之步驟之各者。方法亦可包含可藉由本文描述之程序控制單元及/或(諸)電腦子系統或(諸)系統執行之任何其他(諸)步驟。藉由一或多個電腦系統執行步驟，該等電腦系統可根據本文描述之實施例之任一者組態。另外，可藉由本文中描述之系統實施例之任一者執行上文描述之方法。相對半導體製造揭示本文揭示之實施例。然而，本文揭示之技術可應用於其他製造設定，包含對於電子設備、汽車、化學品、藥品、飛機或生物醫學裝置之設定。透過經整合即時資料收集、事件優先化及透過影像分析之匹配狀態之自動判定之工具狀況監視及匹配可減少工具維護及匹配之結果時間。揭示用於識別失配因果關係因素之即時資料收集、基於對生產之影響之校正動作之優先化及適用於自動化且評估工具匹配之分析技術之一整合方法。所揭示之影像分析技術諸如使用機器學習技術來比較影像且可用於判斷工具匹配。將改良結果時間，此可更早將配方投入生產。本文揭示之技術適用於一巨量資料應用且可對預測性及自持(例如，自匹配)工具實施。硬體參數之即時監視及其與生產SPC之關聯可有助於更早識別工具之漂移且以一及時方式修正其等。圖1係一方法100之一流程圖。在101，在一程序控制單元接收來自複數個半導體製造工具之生產資料。可在程序控制單元即時接收生產資料。生產資料包含使用製造工具製造之一或多個半導體晶圓之量測。生產資料包含參數資料及缺陷屬性資料。參數資料係指為提供工具之一狀態之資訊之相關工具硬體之任何資料。燈溫度、自動對焦感測器資料、時間延遲積分(TDI)感測器資料、級速度及阻尼因素及燈壽命係參數資料之數個實例。缺陷屬性資料係指解釋一缺陷之性質之任何資料。缺陷面積、灰值、極性、出現位置及形狀係缺陷屬性之數個實例。在一當前實施方案中，可執行頻繁資料收集及/或即時資料收集。來自經檢測晶圓之硬體參數及缺陷屬性之即時資料收集提供優於在報告一問題之後收集故障排除資料之優勢。針對可基於製造規格定義之一控制限制或透過統計資料方法識別之西格瑪限制監視參數資料。報告失控(OOC)之參數以進行使用者介入。亦可頻繁量測一控制限制影響(CLI)以測定工具匹配。在一實施例中，不需要使用者介入，且程序控制單元使用一機器學習演算法來進行下一邏輯步驟。在102，使用程序控制單元來判定參數資料及缺陷屬性資料之一CLI。使用下文展示之公式來量測CLI (或總量測不確定性(TMU) CLI)。在以上方程式中，σ係對一特定樣本群組之缺陷計數中之標準差。在半導體行業中，計算一裝置之一特定層之σ。可使用變化分量分析或其他技術來產生σ以將總製造程序變異分割成歸因於量測系統之部分及歸因於其他原因之部分。注意，σ(量測)係可包含工具間及工具內量測變異之術語。生產資料之總標準差(σ(總程序))可包含真實程序變異及量測系統變異二者。CLI量測歸因於缺陷計數中之量測系統引發之變異之程序控制限制寬度之增加。例如，量測系統硬體中之工具-工具及工具內變異可造成隨時間不同地量測相同值。此等為量測系統變異源。程序具有本質上具有不同缺陷值之許多不同批次或批組材料。因此，批次間變異係一非量測系統變異源之一實例。CLI度量展示在製造中之各量測步驟處之工具失配程度，故其可有助於優先化硬體故障排除。如在圖8中展示，TMU (其係工具間失配之一指標)與CLI相關。圖8B展示，在一生產環境中，工具上經檢測之僅一些層失配。此等層中之失配程度亦不同。TMU及因此CLI有助於識別且優先化此等失配層。 CLI亦可迭代用於藉由一次從一個工具系統性地移除資料且計算CLI中之改變而指示造成最失配之工具。對CLI影響最大之工具為對總生產程序控制影響最大之工具。如在圖1之103，可使用程序控制單元來識別一缺陷計數與參數資料之間的一關係，諸如一半導體設定中之一標準晶圓或優質晶圓。當量測工具良好匹配時，藉由不同工具擷取之缺陷之數量在相同晶圓上幾乎相同，且工具間之硬體設定係類似的。另外，從匹配工具獲得之影像相似。因此，從藉由不同工具量測之一單一缺陷之一影像提取之缺陷特性或屬性不會具有明顯差異。然而，若先前匹配工具之一者具有正偏移或降級之一硬體組件，則相較於藉由匹配工具之剩餘部分擷取之影像，藉由此工具擷取之影像可係不同的。此可顯現缺陷計數及/或缺陷屬性中之一失配。因此，缺陷計數、缺陷屬性及硬體參數資料之間的一關聯研究可用於識別已發生一硬體偏移。在一即時匹配操練中，替代量測一單一標準或優質晶圓(或樣本)，在不同量測工具上檢測來自不同生產晶圓(或樣本)之資料以便監視程序變異。由於製造商通常隨機將生產批次分配至量測工具且充分檢測大量批次，故硬體參數資料及缺陷屬性之即時趨勢可用於測定工具匹配。用於識別肇因之分析可涉及使用自所有工具獲得之資料之多變數分析。一第一級分析可涉及缺陷計數與硬體參數資料之間的多變數分析。可對子分量級故障排除選擇展現高R平方分數之一或多個硬體參數。如第二級分析，在104，可使用程序控制單元(且使用R平方分數作為一度量)識別缺陷屬性資料之至少一個趨勢與參數資料之間的一關係，其中R平方係一標準統計資料方法。此兩個步驟方法有助於節省分析時間，且亦有助於減少因果關係因素。例如，在第一級分析之後，所得結論可為缺陷計數中之一失配與與成像系統相關之硬體參數資料高度關聯。此外，若使用者從第二級分析得出結論，缺陷之灰階與成像系統強關聯且缺陷大小不與成像系統關聯，則吾人可得出結論，需要修正成像系統，且不需要調整失配工具上之焦點偏移。圖9A展示來自待匹配之工具之缺陷計數與硬體參數之間的關聯之一實例。圖9B展示，在對硬體參數之校正動作之後，因校正動作失配層展示失配減少且匹配層未見任何負面影響。返回參考圖1，可在105使用程序控制單元優先化因果關係因素。優先化可係基於至少一個R平方分數。可對因果關係因素之各者之R平方分數進行排名。可在106使用程序控制單元對半導體製造工具之兩者或兩個以上在不同狀態收集參數資料。一旦識別一或多個因果關係因素，則改變已漂移之工具且在參考晶圓上收集在適當位置處之影像以執行影像關聯分析以建立工具匹配所處之狀態。對工具進行之各改變產生工具設定之一獨有組合，其被稱為一工具狀態。在一些例項中，可謹慎在多個工具狀態收集資料以判定導致最高匹配之狀態。可在107使用程序控制單元來執行影像分析以識別半導體製造工具之兩者或兩者以上匹配所處之狀態之一者。已經識別為造成失配之最主要原因之因果關係因素可透過校正動作修正，其等可取決於需要修正之硬體組件不同。然而，根據實驗，當工具匹配時，藉由其等擷取之影像幾乎相同。因此，可透過影像之自動比較量測校正動作之影響，該比較係透過不同影像分析技術。在一例項中，在107，影像分析將影像轉換為快速傅立葉變換(FFT)影像。FFT影像之兩者逐像素彼此比較。產生一關聯圖來建立R平方值。一較高R平方值對應於改良匹配。此可實現不同影像之自動比較。一基於正規直方圖之影像分析技術涉及並排比較。可使用人類判斷及/或使用涉及量測兩個直方圖之間的偏度、峰度等中之一百分比改變之一統計資料技術來比較來自不同影像之直方圖之形狀。此等技術可當直方圖具有多個模式(峰值)時產生不正確結論且易受主觀影響。此等技術之一些元素仍可用於補充基於FFT之技術。可使用已知軟體(諸如藉由ImageJ提供之軟體)執行影像變換(例如，FFT)。將影像轉換為FFT影像可提供多個優勢。益處之一者為更容易之影像對準以用於比較。另一實例係影像可經剪切至一適當大小，經變換且用於比較。此等益處可為大量影像之自動分析所需要，此係因為難以憑高準確度從完全相同之座標獲得影像。用於對準之經變換影像之變換及使用可使用技術，諸如在美國專利案第6,483,538號中揭示之技術，該案之全部內容以引用之方式併入。在圖2中展示三個不同代表性影像(左)及對應FFT影像(右)之實例。在圖2中之實例A係基於來自一參考工具之具有灰色、暗色及亮色圖案之一半導體影像。在圖2中之實例B係基於A之一經剪切影像。在圖2中之實例C係基於來自另一工具之具有亮色及暗色圖案之一半導體影像。如在圖2中展示，FFT導致可具有如同在中心之交叉點之一十字線之一影像，此使對準影像以用於比較更容易。影像中之最小失配之效應藉由系統性剪切減小。在圖3中展示實例B與實例C之間的關聯圖。圖4展示一第二組例示性影像及對應FFT影像。圖5包含在圖4中展示之影像之FFT影像之三個圖。圖5A展示圖4A之關聯。圖5B展示圖4B之關聯。圖5C展示圖4C之關聯。如在圖5之圖中展示，圖5B中之R平方高於圖5A中之R平方。此與一手動檢視之發現一致，且為工具最佳匹配所處之焦點偏移。類似地，來自圖4C之影像之一比較展示一低關聯。在另一例項中，在圖1中之107之影像分析，將影像轉換為影像屬性，諸如灰階、對比度或銳度。可在此等屬性之間實現一比較。可從半導體製造工具之兩者收集代表性結構之影像資料。至少一個工具參數之值可在兩個工具上變化。例如，一顯微鏡物鏡上之焦點偏移可在兩個工具上變化。可基於影像屬性在半導體製造工具之兩者之間匹配之程度識別此工具參數之最佳值。在資料收集期間，一使用者可定義代表性結構來收集經模擬運行時間影像且計算影像屬性。結構不需要在一缺陷位置處，此係因為意在匹配影像之屬性，而非缺陷。替代一使用者，一演算法可基於設計搜尋代表性結構且收集影像資料或一演算法可在一參考工具上運行一缺陷檢測掃描且隨機選擇代表性結構。收集參考工具上之經選擇位置之影像資料且在候選工具上通過焦點收集相同資料。亦可在參考工具上通過焦點收集影像資料以執行焦點曲線匹配。可判定匹配參數或若干參數之最佳值使得候選工具之特定影像參數(諸如影像對比度、特徵銳度)與參考工具之參數匹配。分析技術可比較在候選工具上收集之影像之一單一特徵或參數與參考工具上收集之影像之一單一特徵或參數。圖6係展示影像屬性對比焦點之一圖。圖6繪示三個通過焦點導出屬性之回應。可接著執行一資料擬合演算法以將候選工具回應與母版工具匹配。例如，可對一匹配參數之不同值(諸如不同焦點偏移)作圖特徵銳度值。焦點偏移可內插於例如特徵銳度值與來自參考工具之特徵銳度值匹配之處。在又一例項中，在圖1中之107之影像分析判定至少兩個最佳化假設函數來預測半導體製造工具之兩者之間的最佳匹配參數。最佳化擬合參數θ以最小化均方誤差。比較兩個半導體製造工具之假設函數以找到一輸入變量之一偏移向量以最小化假設函數之兩者之間的一差。藉由調整工具變量匹配兩個半導體製造工具。一第一缺陷百分比可經隨機選擇為一學習組，一第二缺陷百分比可經隨機選擇為一交叉驗證組，且剩餘百分比可經隨機選擇為一測試組。可使用交叉驗證組測試假設函數。資料收集之技術可與先前影像分析實施例之技術相同。分析技術將使用前進最佳化演算法(諸如深度學習)來找到最佳匹配條件，尤其在如在圖7中展示需要變化不僅是焦點偏移時。在一例項中，可在一參考工具上運行一缺陷檢測掃描。接著隨機選擇缺陷(例如，100個缺陷)，其包含DOI、其他真實缺陷及跨整個檢測區域之妨害事件。針對不同匹配參數(例如，不同焦點偏移)收集參考及候選工具上之所有該等缺陷之影像資料。一百分比(例如，60%)之缺陷經選擇為一學習組，一百分比(例如，20%)經選擇為交叉驗證組，且剩餘部分經選擇為機器學習演算法之一測試組。找到可預測最佳工具間匹配參數(諸如最佳焦點偏移)之最佳假設函數或若干函數。可使用交叉驗證組測試假設函數或若干函數。找到具有最低誤差之函數或最可靠之函數。使用測試資料組來估計模型之一般化誤差。若誤差低，則假設函數可用於將輸入變量偏移向量之最佳值內插於參考及候選工具之間。在一實例中，60%之缺陷經選擇為一學習組，20%經選擇為一交叉驗證組，且剩餘部分經選擇為機器學習演算法之測試組。可使用下列技術執行可預測最佳工具間匹配參數之最佳假設函數或若干函數。xϵℝⁿ 係輸入變量向量(例如，焦點偏移)。其他變量可視需要包含至此向量。yϵℝ^m 係對所有影像之輸出變量之平均值，其包含例如平均/中值影像對比度、平均/中值邊緣銳化、平均/中值灰階或對一給定輸入變量向量x之差影像參數。使用迴歸參數θ來定義一機器學習假設h_θ (x)。一最佳化演算法用於最佳化θ以最小化均方誤差。比較候選及參考工具之假設函數且判定輸入變量x之一偏移向量vϵℝⁿ ，使得兩個假設函數之間的差經最小化。一旦找到v，可藉由從x至x+v調整工具變量而匹配候選工具與參考工具。可使用交叉驗證組來測試假設函數或若干函數且可找到具有最低誤差的一者或哪一個最佳地預測焦點回應。若一般化誤差低，則假設函數可用於將輸入變量偏移向量之最佳值內插於參考及候選工具之間。在圖7之另一例項中，深度學習(神經網路)用於找到最小化對一組隨機選擇缺陷之候選及參考工具之影像之間的差之偏移向量v。在此情況中，神經網路用於從影像導出一新的屬性。此屬性可例如為通常使用之S形或羅吉特函數之輸出。此新的屬性接著用於找到兩個工具之最佳匹配條件。此影像分析技術提供多個優勢。之前，需要許多費時之重複掃描(例如，10至20次)來進行匹配分析。此影像分析技術使用因不需要全晶圓掃描而可更快收集之影像。影像自身可含有一統計上有意義之像素數量，諸如各含有約1,000個像素，其應不需要重複。一最佳化演算法進行資料分析且預測正確偏移向量，故不需要使用者介入。過去可不使用具有一非常低缺陷密度之晶圓，此係因為不存在足夠統計資料或吾人必須運行過多重複。憑藉基於影像之匹配演算法，從各影像收集足夠統計資料，使得可運行具有一非常低缺陷密度之晶圓。雖然焦點係達成匹配之主要參數，但可添加其他參數作為輸入變量，其等有助於更快識別工具失配之原因且使肇因分析更有效。在圖1中之方法100可報告OOC硬體參數。使用參數資料及缺陷屬性資料來判定OOC硬體參數。由於各晶圓上之缺陷資料大小不同且經處理之資料量高，故對經檢測之各晶圓採取各缺陷屬性之一平均值，如在圖10A中展示。使用在待匹配之工具上收集之資料來對各層準備此類型資料集，如在圖10B中展示。圖10C展示用於監視OOC之一些標準技術，諸如盒形圖分析及關聯分析。不迫切需要修正報告為OOC但不影響生產之參數。為判定對生產之影響，對所有不同層(例如，樣本群組)量測CLI。方法100可基於一CLI分數設定OOC硬體參數之一優先級。若CLI高，則可優先化OOC參數使之立即或隨後修正，此之判定可基於CLI分數。在其他情況中，修正可經推遲至當生產破壞最小時之另一時間。可檢查經執行之校正動作之影響，諸如使用基於即時資料報告工具狀態之一儀表盤。若在校正動作之後不再報告OOC，則問題可被視為修正，且可在發佈工具至生產之前不需要額外資料收集。若不存在OOC，則CLI之頻繁量測可用於判斷工具匹配狀態。具有高於約定規格之CLI之層被視為失配。其他因素(配方、環境條件、程序)可假定為非促成因素，或可假定為已透過執行最佳實踐而單獨解決。對於此等層，可執行隨機缺陷計數與硬體參數資料之間的一關聯。展示較高R平方分數之硬體參數資料被視為潛在因果關係因素，且進一步透過缺陷屬性及硬體關聯篩選。又，R平方分數用於進一步減少因果關係因素。兩個步驟關聯可有助於首先識別主要硬體系統且接著識別具有該主要硬體系統之子系統可為一因果關係因素。因此經識別之所有潛在因果關係因素可根據其等R平方值降序列出。此可有助於優先化硬體校正動作。一使用者可無法手動檢視此技術可涵蓋之所有參數。替代在傳統方法中用於故障排除之費時重複掃描，此技術使用因不需要全晶圓掃描而可更快速收集之影像。程序控制單元可在無使用者介入的情況下執行資料分析且預測偏移向量。此技術亦可使用具有過低使得之前技術無法有效操作之一缺陷密度之晶圓。輸入變量中之更多參數亦可有助於更快識別工具失配之原因且使肇因分析更有效。此技術可用作一預測性分析技術。替代地等待OCC發生或等待一層超過CLI規格，可設定一更早觸發點。使用其，可計算降級率，可估計發生故障或影響CLI之前剩餘之時間，且可優先化活動。圖11係系統整合之一實施例之一方塊圖。系統200包含一介面202，其與複數個半導體製造工具201電子通信。介面202可例如為一安全伺服器。介面202與程序控制單元203電子通信。從半導體製造工具201至介面202之資料傳送可係頻繁的，諸如即時。半導體製造工具201之實例包含沉積工具、離子植入工具、蝕刻工具、微影工具、化學機械拋光工具、掃描電子顯微鏡、缺陷偵測工具、缺陷檢視工具、薄膜厚度量測工具、表面輪廓量測工具、靈敏度量測工具、涵蓋計量或臨界尺寸量測工具。其他類型之半導體製造工具係可能的。半導體製造工具201可為相同平台或具有一類似平台。例如，半導體製造工具201可包含兩個缺陷偵測工具。若製造裝置例如為生物醫學裝置或電子器件，則可使用不同製造工具。程序控制單元203可具有一處理器、與處理器電子通信之一通信埠及與處理器及通信埠電子通信之電子資料儲存單元。程序控制單元203經組態以諸如透過一通信埠從半導體製造工具201接收生產資料。生產資料可包含使用半導體製造工具201製造之一或多個半導體晶圓之量測。生產資料可包含參數資料及缺陷屬性資料。程序控制單元203經組態以諸如透過介面202從半導體製造工具201接收生產資料。生產資料可與使用半導體製造工具201製造之一裝置相關。裝置可為例如一半導體晶圓。程序控制單元203可經進一步組態以執行圖1之方法100之步驟。程序控制單元203可包含一資料庫204，其包含硬體參數及缺陷屬性。資料庫204與介面202電子通信且可從半導體製造工具201接收資訊。資料庫204可儲存進入之資料、歷史資料及/或用於比較之一組參考資料。資料庫204與一報告模組205電子通信。報告模組205經程式化以報告OCC硬體參數。使用參數資料及缺陷屬性資料來判定OOC硬體參數。報告模組205可與一即時OOC報告儀錶板、CSE套件、匹配點或其他軟體電子通信。資料庫204及報告模組205與一CLI模組206電子通信。若參數資料及缺陷屬性資料之一CLI超過一規格，則CLI模組206經組態以諸如藉由發送一警報而採取動作。CLI模組206可基於一視需要基礎或按一些設定頻率充當一匹配狀態檢查之部分。 CLI模組206與一優先級設定模組207電子通信。優先級設定模組207可經組態以基於一CLI分數設定OOC硬體參數之一優先級。一較高之CLI分數可對應於一較高優先級。優先級設定模組207與一維護模組208電子通信。維護模組208經組態以執行校正動作以修正及/或復原一基線。 CLI模組206與經組態以識別一缺陷計數與參數資料之間的一關係之一缺陷計數識別模組209電子通信。缺陷計數識別模組209可在工具匹配期間識別一硬體組件。缺陷計數識別模組209與經組態以識別缺陷屬性資料之至少一個趨勢與參數資料之間的一關係之一缺陷屬性識別模組210電子通信。缺陷屬性識別模組210可在工具匹配期間識別一硬體組件及/或子組件。缺陷屬性識別模組210與經組態以優先化因果關係因素之一優先化模組211電子通信。優先化模組經組態以基於至少一個R平方分數優先化因果關係因素。優先化模組211與從對半導體製造工具201之兩者或兩者以上之參數資料在不同狀態收集資料之一收集模組212電子通信。此資料可用於工具匹配。收集模組212與經組態以識別半導體製造工具201之兩者或兩者以上匹配所處之狀態之一者之一影像分析模組213電子通信。影像分析可包含一或多個影像交叉關聯、影像屬性對比焦點偏移趨勢匹配或使用機器學習之影像屬性比較。在一實施例中，影像分析模組213經程式化以：將影像轉換為快速傅立葉變換(FFT)影像；逐像素比較FFT影像之兩者以產生一直方圖；且判定直方圖之一R平方值。一較高R平方值對應於改良匹配。在另一實施例中，影像分析模組213經程式化以：定義代表性結構；從半導體製造工具之兩者收集代表性結構之影像資料；且判定至少一個參數之一值，使得影像資料之至少一些影像參數在半導體製造工具之兩者之間匹配。在又一實施例中，影像分析模組213經程式化以：判定至少兩個經最佳化假設函數以預測半導體製造工具之兩者之間的最佳匹配參數；最佳化一擬合參數以最小化均方誤差；比較兩個半導體製造工具之假設函數以找到一輸入變量之一偏移向量以最小化假設函數之兩者之間的一差；及藉由調整工具變量匹配兩個半導體製造工具。可藉由程序控制單元203之處理器執行各模組。各模組之指令可儲存於程序控制單元203之電子資料儲存單元上。程序控制單元203可經組態以基於例如收集模組212或影像分析模組213之結果調整半導體製造工具201之至少一者。例如，可改變一半導體製造工具201上之一設定，可改變材料輸入，可改變一配方或可解決一程序中之一漂移。應瞭解，程序控制單元203可藉由硬體、軟體及韌體之任何組合在實踐中實施。同樣地，如本文描述之其功能可藉由一個單元執行，或在不同組件間劃分，其等之各者可繼而藉由硬體、軟體及韌體之任何組合實施。程序控制單元203實施本文描述之各種方法及功能之程式碼或指令可儲存於控制器可讀儲存媒體中(諸如電子資料儲存單元中之一記憶體)、程序控制單元203內、程序控制單元203外部或其等之組合。程序控制單元203可以任何適當方式(例如，經由一或多個傳輸媒體，其等可包含「有線」及/或「無線」傳輸媒體)耦合至系統200之組件，使得程序控制單元203可接收藉由半導體製造工具201產生之輸出。程序控制單元203可經組態以使用輸出來執行數個功能。例如，程序控制單元203可經組態以使用輸出來傳輸或顯示分析結果。在另一實例中，程序控制單元203可經組態以在不分析輸出的情況下發送輸出至一電子資料儲存單元或另一儲存媒體。程序控制單元203可如本文中描述般進一步組態。本文描述之程序控制單元203、(若干)其他系統或(若干)其他子系統可採用各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。一般言之，程序控制單元203可具有執行來自一記憶體媒體之指令之一或多個處理器。(諸)子系統或(諸)系統亦可包含技術中已知之任何合適處理器，諸如一並行處理器。另外，(諸)子系統或(諸)系統可包含作為一單獨或一網路工具之具有高速處理及軟體之一平台。若系統包含超過一個子系統，則不同子系統可經耦合至彼此使得影像、資料、資訊、指令等可在子系統之間發送。例如，一個子系統可藉由任何適當傳輸媒體耦合至(諸)額外子系統，該等傳輸媒體可包含技術中已知之任何適當有線及/或無線傳輸媒體。此等子系統之兩者或兩者以上亦可藉由一共用電腦可讀儲存媒體(未展示)有效耦合。一額外實施例係關於一非暫時性電腦可讀媒體，其儲存可在一程序控制單元或其他控制上執行之程式指令，以用於執行本文揭示之一電腦實施程序控制方法。特定言之，如在圖11中展示，程序控制單元203之電子資料儲存單元或其他儲存媒體可含有包含可在程序控制單元203上執行之程式指令之非暫時性電腦可讀媒體。電腦實施方法可包含本文中描述之任何(若干)方法之任何(若干)步驟，諸如圖1之該等步驟。實施方法(諸如本文描述之該等方法)之程式指令可儲存於電腦可讀媒體上，諸如在電子資料儲存單元或其他儲存媒體中。電腦可讀媒體可為一儲存媒體，諸如一磁碟或光碟、一磁帶或技術中已知的任何其他適當非暫時性電腦可讀媒體。可以各種方式之任一者實施程式指令，其等包含基於程序之技術、基於組件之技術及/或物件導向技術等等。例如，可視需要使用ActiveX控件、C++物件、JavaBeans、微軟基礎類(MFC)、SSE (串流SIMD延伸)或其他技術或方法實施程式指令。雖然CLI標記一失配，但其無法識別失配源為硬體或經配方引發。藉由透過COV及ASCR規格控制配方品質，且在發佈配方至生產之前測試配方以用於匹配，吾人可解耦藉由CLI擷取之失配源。圖23描述解耦配方引發及硬體引發之工具失配之一程序流程。控制配方可係指與圖12、圖13及圖19相關之實施例。發佈工具上之配方可係指與圖21相關之實施例。即時監視及建立工具匹配可係指與圖1及圖11相關之實施例。圖12及圖13係用於減小COV且增大ASCR之一實施例之流程圖。此技術分類低擷取率缺陷。分類程序提供關於藉由哪一方法解決哪一問題而非僅使用一一般性方法之一引導至一使用者。例如，可藉由致力於改良ASCR方法論中之信雜比(如在圖14及圖15中展示)之方式而解決因低信雜比之一低擷取率缺陷。若低擷取率缺陷具有高信雜比，則此等缺陷首先被視為一配方可修正有誤缺陷。使用者憑藉對靈敏度之最小權衡最佳化配方以消除此等缺陷。若無法達成權衡，則進行硬體故障排除以修正問題。一OSTS圖(其為缺陷計數對比缺陷背景灰度(或缺陷片段)之一圖)用於配方最佳化以減少配方可修正有誤缺陷。多個掃描之組合結果而非使用一單元掃描結果用於此目的。OSTS圖使使用者能夠識別低擷取率之缺陷接近工具之雜訊底或因缺陷落入其中背景灰階運行間變化之一區中而變為低擷取率或識別其是否需要一些其他處理以進行抑制。一些其他處理可為ST-NEF之一進一步調諧或一硬體調整。ST-NEF可假定為一附加配方組件，其基於缺陷之空間分離將缺陷分級為不同群組且可用於過濾掉不合意之缺陷。例如，若一缺陷係妨害(如顏色變異)且具有遠高於雜訊底之一信號且其並不落入一灰階過渡區域中，則使用者識別可有效用於分離此與另一關鍵缺陷之一屬性。使用者可建立一新的規則來分離此缺陷且將其過濾掉以改良COV及ASCR。因此，COV減小及ASCR改良係可能的。使用組合結果而非單一掃描結果有助於藉由補償運行間可見之變化而降低單一掃描結果分析之限制。在圖17A至圖17C中繪示圖14及圖15中展示之技術之一實施方案。低擷取率缺陷可經分類為低信號/雜訊缺陷、配方可修正有誤缺陷及剩餘缺陷。經組合之ST-NEF及OSTS可降少配方可修正有誤缺陷且藉此首先概念化增大ASCR及減小COV。在圖18之流程圖中展示減小COV之一替代技術。圖19描繪配方發佈方法之一者。在此方法中，一旦配方準備好便將其發佈至生產。此方法假定工具已針對用於配方中之硬體狀態匹配且生產配方係穩健的。因此，在後期偵測到失配且修正失配之服務成本增大。圖20繪示一改良式配方發佈方法。此方法在配方發佈之前引入各種檢查。如在流程圖中展示，新的方法主動嘗試修正諸如已知造成失配之COV、ASCR及硬體匹配(DSW模式中心校正)之因素。此等檢查可有助於降低配方引發之失配。使用此技術可確保配方在其發佈至生產之前穩定且穩健，可確保針對所使用之狀態校準工具，可確保附加之前未經啟用用於即時資料收集之硬體參數，可在發佈配方至一套工具之前主動著眼於失配，且可提供當進行工具匹配時可藉由其發佈配方之一機構。圖21係用於工具監視及維護以及即時資料收集之一實施例之一流程圖。使用匹配點(MP)、澄清點(KP)、量測中之總不確定性(TMU)、CSE套件及MP儀錶板。MP從工具即時拉去資料且將其等儲存於一中心資料庫以支援MP儀錶板及離線資料分析。TMU係使用生產SPC產生之一度量，其指示工具是否失配。MP儀錶板提供為硬體參數之一圖形趨勢，該等參數具有其等對已經組態用於收集之資料之控制限制。在圖21之技術中，MP或CSE套件用於收集資料。對此操作不需要工具停工時間。週期性檢視生產SPC資料以檢查TMU分數且確保其在可接受限制內。為監視一工具，一使用者監視MP儀錶板。若任何參數為OOC，則採取必要之校正動作。否則將工具發佈至生產。藉由運行一生產監視器(PMON)補充此形式之監視。PMON係指藉由檢測任何晶圓(標準、監視器、DSW、裸矽等)之工具上之資料收集。若所有相關硬體參數已經組態用於資料收集，則不需要PMON。藉由減少定期對資料收集檢測所需之晶圓之數量，改良生產之工具時間可用性。另外，藉由連續收集正確之資料集，在工具發佈方法論之此方案中顯著最小化對收集資料且接著故障排除之一工具停工時間之需要。對工具捕獲生產問題之靈敏度有影響之硬體參數可與生產相關。可藉由找到檢測模式且識別其等之效能與此等檢測模式相關之硬體參數而識別此等。資料收集之收集頻率可依賴於硬體參數，故其針對不同參數不同組態。此為PM方法論期間資料收集上之一改良，此係因為PM僅標定臨界參數，其等可不涵蓋影響生產之參數。當發生一工具問題時(諸如失配或具有較差效能)，可對被報告之層(或樣本)檢查工具套之資料之趨勢。比較來自各工具之輸出之一趨勢(諸如缺陷計數、照明度值、直方圖及TMU分數)。若趨勢中存在不明顯偏差，則問題可被視為一誤警報且不採取動作。否則，MP儀錶板可著眼於檢查任何OOC。若任何硬體參數為OOC，則修正其且可發佈工具。否則，可分析相關已存在資料(諸如DSW批次結果或生產層資料)以定義問題陳述。可執行POA來識別肇因且修正工具。經修正之硬體參數可附加至使用MO伺服器監視之參數列表。可識別可與生產相關之硬體參數。MP伺服器可按一經組態頻率從工具收集此等參數。一使用者可使用MP儀錶板監視趨勢且修正任何OOC或漂移趨勢。當一製造商報告一工具問題或失配時，使用者首先觀察MP儀錶板之趨勢以識別修正之內容。若不存在漂移趨勢，則需找POA以用於診斷且添加硬體參數至MP伺服器以用於資料收集。此技術可降低或消除掃描晶圓之需要以透過MPS伺服器資料收集及MP儀錶板監視工具狀況。可監視與生產相關之所有參數，其等可有助於識別且修正影響生產之任何問題。參數之即時資料之頻繁監視可有助於更快速修正問題。此技術亦可實現更多經排程PM及更少未經排程PM。圖22展示用於工具監視及維護以及即時資料收集之一實施例之另一流程圖。儘管已相對於一或多個特定實施例描述本發明，但將理解，可在不脫離本發明之範疇的情況下做出本發明之其他實施例。因此，本發明視為僅受隨附發明申請專利範圍及其合理解釋限制。

100‧‧‧方法

101‧‧‧步驟

102‧‧‧步驟

103‧‧‧步驟

104‧‧‧步驟

105‧‧‧步驟

106‧‧‧步驟

107‧‧‧步驟

200‧‧‧系統

201‧‧‧半導體製造工具

202‧‧‧介面

203‧‧‧程序控制單元

204‧‧‧資料庫

205‧‧‧報告模組

206‧‧‧CLI模組

207‧‧‧優先級設定模組

208‧‧‧維護模組

209‧‧‧缺陷计数識別模組

210‧‧‧缺陷屬性識別模組

211‧‧‧優先化模組

212‧‧‧收集模組

213‧‧‧影像分析模組

為更完全理解對本發明之性質及目的，應參考結合附圖進行之以下實施方式，其中：圖1係根據本發明之一方法之一流程圖；圖2繪示一第一組三個代表性影像(左)及對應FFT影像(右)；圖3係來自圖2之影像之一相關圖；圖4展示一第二組例示性影像及對應FFT影像；圖5包含圖4中之FFT影像之三個相關圖；圖6係展示影像屬性對比焦點之一圖；圖7繪示影像分析之一實施例；圖8至圖10繪示圖1之方法之一實施方案；圖11係根據本發明之一系統之一方塊圖；圖12係根據本發明之用於減小COV及增大ASCR之一實施例之一流程圖；圖13係根據本發明之用於減小COV及增大ASCR之一實施例之另一流程圖；圖14至圖16繪示圖12至圖13中之技術之效應；圖17A至圖17C繪示圖12至圖13之技術之一實施方案；圖18係根據本發明之用於減小COV及增大ASCR之一實施例之另一流程圖；圖19及圖20繪示根據本發明之一配方發佈方法；圖21係根據本發明之用於工具監視及維護以及即時資料收集之一實施例之一流程圖；圖22係根據本發明之用於工具監視及維護以及即時資料收集之一實施例之另一流程圖；及圖23係根據本發明之用於解耦失配之一源之一實施例之另一流程圖。

Claims

一種系統，其包括：一介面，其與複數個半導體製造工具電子通信；及一程序控制單元，其與該介面電子通信，其中該程序控制單元經組態以從該複數個半導體製造工具接收生產資料，其中該生產資料包含使用該等半導體製造工具製造之一或多個半導體晶圓之量測，其中該生產資料包含參數資料及缺陷屬性資料，且其中該程序控制單元包含：一控制限制影響(CLI)模組，若該參數資料及該缺陷屬性資料之一CLI超過一規格，則該控制限制影響(CLI)模組經組態以發送一警報；一缺陷計數識別模組，其經組態以識別一缺陷計數與該參數資料之間的一關係；一缺陷屬性識別模組，其經組態以識別該缺陷屬性資料之至少一個趨勢與該參數資料之間的一關係；一優先化模組，其經組態以優先化因果關係因素；一收集模組，其從對該等半導體製造工具之兩者或兩者以上之該參數資料在不同狀態收集資料；及一影像分析模組，其經組態以識別該等半導體製造工具之該兩者或兩者以上匹配所處之該等狀態之一者。
如請求項1之系統，其中該程序控制單元包含：一處理器；一電子資料儲存單元，其與該處理器電子通信；及一通信埠，其與該處理器及該電子資料儲存單元電子通信。
如請求項1之系統，其中該程序控制單元經程式化以報告失控硬體參數。
如請求項1之系統，其中該介面經組態以即時接收該生產資料。
如請求項1之系統，其進一步包括一報告模組，其經組態以報告失控硬體參數，其中使用該參數資料及該缺陷屬性資料來判定該等失控硬體參數。
如請求項1之系統，其中該程序控制單元經進一步組態以基於一CLI分數設定失控硬體參數之一優先級，其中一較高CLI分數對應於一較高優先級。
如請求項1之系統，其中該優先化模組經組態以基於至少一個R平方分數優先化該等因果關係因素。
如請求項1之系統，其中該影像分析模組經程式化以：將影像轉換為快速傅立葉變換(FFT)影像；逐像素比較該等FFT影像之兩者以產生一直方圖；及判定該直方圖之一R平方值，其中一較高R平方值對應於改良匹配。
如請求項1之系統，其中該影像分析模組經程式化以：定義代表性結構；從該等半導體製造工具之兩者收集該等代表性結構之影像資料；及判定至少一個參數之一值，使得該影像資料之至少一些影像參數在該等半導體製造工具之該兩者之間匹配。
如請求項1之系統，其中該影像分析模組經程式化以：判定至少兩個最佳化假設函數來預測該等半導體製造工具之兩者之間的最佳匹配參數；最佳化一擬合參數以最小化均方誤差；比較該兩個半導體製造工具之該假設函數以找到一輸入變量之一偏移向量以最小化該等假設函數之兩者之間的一差；及藉由調整工具變量而匹配該兩個半導體製造工具。
一種方法，其包括：在一程序控制單元處從複數個半導體製造工具接收生產資料，其中該生產資料包含使用該等半導體製造工具製造之一或多個半導體晶圓之量測，且其中該生產資料包含參數資料及缺陷屬性資料；使用該程序控制單元判定該參數資料及該缺陷屬性資料之一控制限制影響(CLI)；使用該程序控制單元來識別一缺陷計數與該參數資料之間的一關係；使用該程序控制單元來識別該缺陷屬性資料之至少一個趨勢與該參數資料之間的一關係；使用該程序控制單元來優先化因果關係因素；使用該程序控制單元來對該等半導體製造工具之兩者或兩者以上在不同狀態收集該參數資料；及使用該程序控制單元來執行影像分析以識別該等半導體製造工具之該兩者或兩者以上匹配所處之該等狀態之一者。
如請求項11之方法，其中在該程序控制單元處即時接收該生產資料。
如請求項11之方法，其進一步包括報告失控硬體參數，其中使用該參數資料及該缺陷屬性資料來判定該等失控硬體參數。
如請求項11之方法，其進一步包括基於一CLI分數設定失控硬體參數之一優先級，其中一較高CLI分數對應於一較高優先級。
如請求項11之方法，其進一步包括針對一控制限制監視該參數資料，其中基於製造規格或基於西格瑪限制定義該控制限制。
如請求項11之方法，其中量測該CLI以判定該等半導體製造工具之至少兩者之間的一失配。
如請求項16之方法，其中執行一隨機缺陷計數與該參數資料之間的一關聯。
如請求項11之方法，其中該優先化係基於至少一個R平方分數。
如請求項18之方法，其中對該等因果關係因素之各者之該R平方分數進行排名。
如請求項11之方法，其中該影像分析包含：將影像轉換為快速傅立葉變換(FFT)影像；逐像素比較該等FFT影像之兩者以產生一直方圖；及判定該直方圖之一R平方值，其中一較高R平方值對應於改良匹配。
如請求項11之方法，其中該影像分析包含：定義代表性結構；從該等半導體製造工具之兩者收集該等代表性結構之影像資料；及判定至少一個參數之一值，使得該影像資料之至少一些影像參數在該等半導體製造工具之該兩者之間匹配。
如請求項11之方法，其中該影像分析包含：判定至少兩個最佳化假設函數來預測該等半導體製造工具之兩者之間的最佳匹配參數；最佳化一擬合參數以最小化均方誤差；比較該兩個半導體製造工具之該假設函數以找到一輸入變量之一偏移向量以最小化該等假設函數之兩者之間的一差；及藉由調整工具變量而匹配該兩個半導體製造工具。
如請求項22之方法，其進一步包括：隨機選擇一第一缺陷百分比作為一學習組，一第二缺陷百分比作為一交叉驗證組及剩餘百分比作為一測試組；及使用該交叉驗證組來測試該等假設函數。