[go: up one dir, main page]

TWI770829B - 半導體製造設備的控制系統及方法 - Google Patents

半導體製造設備的控制系統及方法 Download PDF

Info

Publication number
TWI770829B
TWI770829B TW110105949A TW110105949A TWI770829B TW I770829 B TWI770829 B TW I770829B TW 110105949 A TW110105949 A TW 110105949A TW 110105949 A TW110105949 A TW 110105949A TW I770829 B TWI770829 B TW I770829B
Authority
TW
Taiwan
Prior art keywords
signal
subsystem
semiconductor manufacturing
artificial intelligence
manufacturing equipment
Prior art date
Application number
TW110105949A
Other languages
English (en)
Other versions
TW202138945A (zh
Inventor
賴文祥
洪義順
簡志叡
Original Assignee
南亞科技股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 南亞科技股份有限公司 filed Critical 南亞科技股份有限公司
Publication of TW202138945A publication Critical patent/TW202138945A/zh
Application granted granted Critical
Publication of TWI770829B publication Critical patent/TWI770829B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H10P72/0616—
    • H10P72/7602—
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33002—Artificial intelligence AI, expert, knowledge, rule based system KBS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Factory Administration (AREA)
  • Robotics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本揭露提供一種半導體製造設備的控制系統及方法。該系統具有一檢查單元、一感測器介面以及一控制單元，該檢查單元擷取一晶圓的至少一影像，該感測器介面產生至少一輸入訊號給一資料庫伺服器。該控制單元具有一前端子系統、一計算系統以及一訊息暨調整子系統。該前端子系統接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序以產生一資料訊號。該計算子系統執行一人工智慧分析程序，以依據該資料訊號確定該半導體製造設備是否已造成多個損傷標記，並產生一輸出訊號。該訊息暨調整子系統依據該輸出訊號而產生一警報訊號以及一回饋訊號，並傳送該警報訊號到一使用者。

Description

半導體製造設備的控制系統及方法
本申請案主張2020年4月8日申請之美國正式申請案第16/843,506號的優先權及益處，該美國正式申請案之內容以全文引用之方式併入本文中。
本揭露係關於一種設備的控制系統及方法。特別是有關於一種半導體製造設備的控制系統及方法。
由於積體密度的改善，所以半導體產業經歷了快速成長。例如傳輸機器人的半導體製造設備形成許多製造工具所不可缺少的部分。這些傳輸機器人的故障，通常是在大量晶片已經被損壞和報廢之後才發現的。由於人為失誤(human error)，通常導致浪費製程時間(lost processing time)以及不良產品(defective product)。據此，用於控制和監視該等傳輸機器人狀態的系統和方法，則需要有效地發現故障設備，並提供各種不同設備參數的預先警示。
上文之「先前技術」說明僅係提供背景技術，並未承認上文之「先前技術」說明揭示本揭露之標的，不構成本揭露之先前技術，且上文之「先前技術」之任何說明均不應作為本案之任一部分。
本揭露之一實施例提供一種半導體製造設備的控制系統，包括一檢查單元，擷取一晶圓的至少一影像；一感測器介面，接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號；以及一控制單元。該控制單元包括一前端子系統、一計算子系統以及一訊息暨調整子系統。該前端子系統接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號。該計算子系統接收來自該前端子系統的該資料訊號，其中該計算子系統依據該資料訊號而執行一人工智慧分析程序，以確定該半導體製造設備是否已造成一或多個損傷標記，並產生一輸出訊號。該訊息暨調整子系統依據該輸出訊號而產生一警報訊號以及一回饋訊號，該訊息暨調整子系統傳送該警報訊號到該半導體製造設備的一使用者。
在本揭露的一些實施例中，由該前端子系統所執行的該前端程序包括抽取(extracting)、轉化(transforming)及/或裝載(loading)來自該資料庫伺服器的該輸入訊號。
在本揭露的一些實施例中，由該計算子系統所執行的該人工智慧分析程序將在該資料訊號中之該晶圓的該等影像分類成一未損傷晶圓群組以及一損傷晶圓群組。
在本揭露的一些實施例中，由該計算子系統所執行的該人工智慧分析程序還利用一物件辨識演算法(object recognition algorithm)，以識別在該損傷晶圓群組的每一影像中的一或多個損傷標記，並確定在該等損傷標記之間的一距離。
在本揭露的一些實施例中，由該計算子系統所執行的該人 工智慧分析程序還利用一統計模型預測(statistical model prediction)，以取得對應該資料訊號之該等影像的該半導體製造設備的一可能分數。
在本揭露的一些實施例中，該訊息暨調整子系統依據該輸出訊號傳送該回饋訊號，以進行該半導體製造設備的一自動調整程序。
在本揭露的一些實施例中，該半導體製造設備包括一或多個傳輸機器人(transfer robots)。
本揭露之另一實施例提供一種半導體製造設備的監控系統，包括一檢查單元，擷取一晶圓的至少一影像；一感測器介面，接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號；一或多個處理器；以及一或多個電腦可讀非暫時性儲存媒體(computer-readable non-transitory storage media)。該一或多個電腦可讀非暫時性儲存媒體耦接到該一或多個處理器，並包括由該一或多個處理器執行時可操作以使該系統執行以下指令：接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號；執行一人工智慧分析程序以依據該資料訊號確定該半導體製造設備是否造成一或多個損傷標記，並產生一輸出訊號；以及產生一警報訊號以及一回饋訊號，其係依據該輸出訊號所實現，並傳輸該警報訊息給該半導體製造設備的一使用者。
在本揭露的一些實施例中，該前端程序包括抽取、轉化及/或裝載來自該資料庫伺服器的該輸入訊號。
在本揭露的一些實施例中，該一或多個電腦可讀非暫時性儲存媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：藉由將在該資料訊號中的該晶圓之該等影像分類成一未損傷晶圓群組以及一損傷晶圓群組，以執行該人工智慧分析程序。
在本揭露的一些實施例中，該一或多個電腦可讀非暫時性儲存媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：藉由進一步利用一物件辨識演算法以辨別在該損傷晶圓群組之每一影像中的一或多個損傷標記，並確定該等損傷標記之間的一距離，以執行該人工智慧分析程序。
在本揭露的一些實施例中，該一或多個電腦可讀非暫時性儲存媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：藉由進一步利用一統計模型預測以獲得對應該資料訊號之該等影像的該半導體製造設備之一可能分數。
在本揭露的一些實施例中，該一或多個電腦可讀非暫時性儲存媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：傳送該回饋訊號，以依據該輸出訊號而進行該半導體製造設備的一自動調整程序。
在本揭露的一些實施例中，該半導體製造設備包括一或多個傳輸機器人。
本揭露之另一實施例提供一種半導體製造設備的控制方法，包括擷取一晶圓的至少一影像，其係藉由一檢查單元所實現；接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號，其係藉由一感測器介面所實現；接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號，其係藉由一前端子系統所實現；接收來自該前端子系統的該資料訊號，其係藉由一計算子系統所實現，而該計算子系統依據該資料訊號而執行一人工智慧分析程序，以確認該半導體製造設備是否造成一或多個損傷標記，並產生一輸出訊號；以及產生一警報訊號 以及一回饋訊號，其係依據該輸出訊號並藉由一訊息暨調整子系統所實現，該訊息暨調整子系統傳送該警報訊息到該半導體製造設備的一使用者。
在本揭露的一些實施例中，由該前端子系統所執行的該前端程序還包括抽取、轉化及/或裝載來自該資料庫伺服器的該輸入訊號。
在本揭露的一些實施例中，由該計算子系統所執行的該人工智慧分析程序將在該資料訊號中之該晶圓的該等影像分類成一未損傷晶圓群組以及一損傷晶圓群組。
在本揭露的一些實施例中，由該計算子系統所執行的該人工智慧分析程序還利用一物件辨識演算法，以識別在該損傷晶圓群組的每一影像中的一或多個損傷標記，並確定在該等損傷標記之間的一距離。
在本揭露的一些實施例中，由該計算子系統所執行的該人工智慧分析程序還利用一統計模型預測，以取得對應該資料訊號之該等影像的該半導體製造設備的一可能分數。
在本揭露的一些實施例中，該控制方法還包括：傳送該回饋訊號，以進行該半導體製造設備的一自動調整程序，其係依據該輸出訊號並藉由該訊息暨調整子系統所實現，其中該半導體製造設備包括一或多個傳輸機器人。
據此，該半導體製造設備的該等控制系統與該等控制方法係提供多個自動化人工智慧分析子系統與程序，而該等自動化人工智慧分析子系統與程序可分析例如傳輸機器人之設備，且該設備可造成晶圓損傷。由於控制單元具有該智慧計算子系統與該訊息暨調整子系統，所以傳輸機器人的操作人員可監控並最佳化設備的製程參數，並接收關於傳輸機 器人之狀態的預先警示。再者，由於在該等系統與方法中的該自動化設備調整，所以可最小化人為調整錯誤、製程時間以及不良品(defective products)的數量。
上文已相當廣泛地概述本揭露之技術特徵及優點，俾使下文之本揭露詳細描述得以獲得較佳瞭解。構成本揭露之申請專利範圍標的之其它技術特徵及優點將描述於下文。本揭露所屬技術領域中具有通常知識者應瞭解，可相當容易地利用下文揭示之概念與特定實施例可作為修改或設計其它結構或製程而實現與本揭露相同之目的。本揭露所屬技術領域中具有通常知識者亦應瞭解，這類等效建構無法脫離後附之申請專利範圍所界定之本揭露的精神和範圍。
1:半導體製造設備
2:沉積工具
3:化學機械研磨工具
4:微影工具
5:蝕刻工具
6:清洗工具
7:製程序列
11:系統
12:系統
13:系統
14:系統
15:系統
20:控制平台
25:抽取轉化裝載模組
30:傳輸機器人
31:機械手臂
32:晶圓
34:照相裝置
40:訊號轉換器
41:濾波器
50:前端子系統
51:計算子系統
52:訊息暨調整子系統
60:抽取區塊
61:轉化區塊
62:裝載區塊
70:人工智慧分析單元
71:物件辨識單元
80:電腦系統
100:系統
101:檢查單元
102:感測器介面
103:資料庫伺服器
104:第一收發器
105:第二收發器
106:控制單元
107:網路連結
108:網路連結
109:使用者
110:用戶端系統
111:圖形使用者介面
112:自動調整程序
113:控制器
500:處理器
502:網路介面
504:輸入/輸出裝置
506:儲存裝置
508:記憶體
510:使用者空間
512:核心
514:匯流排
600:方法
S601:步驟
S602:步驟
S603:步驟
S6031:步驟
S6032:步驟
S604:步驟
S6041:步驟
S6042:步驟
S6043:步驟
S605:步驟
S6051:步驟
S6052:步驟
AM:警報訊號
D:距離
DM:損傷標記
DS:資料訊號
DWG:損傷晶圓群組
FB:回饋訊號
IMG:影像
IN:輸入訊號
LS:可能分數
OS:輸出訊號
SEC:停止設備命令
SMP:統計模型預測
TR:訓練資料
UWG:未損傷晶圓群組
WSC:晶圓報廢命令
參閱實施方式與申請專利範圍合併考量圖式時，可得以更全面了解本申請案之揭示內容，圖式中相同的元件符號係指相同的元件。
圖1為依據本揭露一實施例中一種半導體製造設備的方塊示意圖。
圖2為依據本揭露一實施例中一種半導體製造設備之一控制平台的方塊示意圖。
圖3為依據本揭露一些實施例中一傳輸機器人的結構示意圖。
圖4為依據本揭露一些實施例中一檢查單元的結構示意圖。
圖5為依據本揭露一些實施例中一種半導體製造設備之控制系統的方塊示意圖。
圖6為依據本揭露一些實施例中一種感測器介面的方塊示意圖。
圖7為依據本揭露一些實施例中一種控制單元的方塊示意圖。
圖8為依據本揭露一些實施例中一種前端子系統的方塊示意圖。
圖9為依據本揭露一些實施例中一種計算子系統的方塊示意圖。
圖10為依據本揭露一些實施例中一種分類程序(categorization process)的示意圖。
圖11為依據本揭露一些實施例中一種物件辨識演算法(object recognition process)的示意圖。
圖12為依據本揭露一些實施例中該傳輸機器人之該可能分數(likelihood score)的簡單圖表示意圖。
圖13為依據本揭露一些實施例中描述一種半導體製造設備的控制系統及其一使用者的方塊示意圖。
圖14為依據本揭露一些實施例中描述一種半導體製造設備的控制系統及其一使用者的方塊示意圖。
圖15A為依據本揭露一些實施例中一警報訊號與其各元件之間的一關係的關係示意圖。
圖15B為依據本揭露一些實施例中一回饋訊號與其各元件之間的一關係的關係示意圖。
圖16為依據本揭露一些實施例中一種電腦系統的方塊示意圖。
圖17為依據本揭露一些實施例中一種半導體製造設備的控制方法的流程示意圖。
圖18為依據本揭露一些實施例中在一種半導體製造設備的控制方法中之一步驟的流程示意圖。
圖19為依據本揭露一些實施例中在一種半導體製造設備的控制方法中之一步驟的流程示意圖。
圖20為依據本揭露一些實施例中在一種半導體製造設備的控制方法 中之一步驟的流程示意圖。
本揭露之以下說明伴隨併入且組成說明書之一部分的圖式，說明本揭露之實施例，然而本揭露並不受限於該實施例。此外，以下的實施例可適當整合以下實施例以完成另一實施例。
應當理解，雖然用語「第一(first)」、「第二(second)」、「第三(third)」等可用於本文中以描述不同的元件、部件、區域、層及/或部分，但是這些元件、部件、區域、層及/或部分不應受這些用語所限制。這些用語僅用於從另一元件、部件、區域、層或部分中區分一個元件、部件、區域、層或部分。因此，以下所討論的「第一裝置(first element)」、「部件(component)」、「區域(region)」、「層(layer)」或「部分(section)」可以被稱為第二裝置、部件、區域、層或部分，而不背離本文所教示。
本文中使用之術語僅是為了實現描述特定實施例之目的，而非意欲限制本發明。如本文中所使用，單數形式「一(a)」、「一(an)」，及「該(the)」意欲亦包括複數形式，除非上下文中另作明確指示。將進一步理解，當術語「包括(comprises)」及/或「包括(comprising)」用於本說明書中時，該等術語規定所陳述之特徵、整數、步驟、操作、元件，及/或組件之存在，但不排除存在或增添一或更多個其他特徵、整數、步驟、操作、元件、組件，及/或上述各者之群組。
為了描述膜形成(film-forming)或沉積製程，為了一致性，在文中一般將使用術語「沉積(deposition)」。對於膜移除(film removal)，將使用術語「蝕刻(etch)」，且對於一清洗移除製程，將使用術語「清洗(clean)」。為了說明清楚或方便起見，圖式可使用其他名稱。
圖1為依據本揭露一實施例中一種半導體製造設備1的方塊示意圖。請參考圖1，半導體製造設備1可具有複數個半導體製造設備，例如一沉積工具2、一化學機械研磨(CMP)工具3、一微影工具4、一蝕刻工具5以及一清洗工具。典型地，係生產製造多個微電子元件形成在一晶元中的一設計，且一布局(layout)係從該設計所製作。該布局可具有多組圖案，其係將轉換成一或多個多種材料的堆疊層，其係應用在其製造的一製程序列7期間的晶圓，以形成各式不同電路及元件在晶圓的基底上。依據一些實施例，如圖1所示之半導體製造設備1的製程序列7為一例示處理流程，其係可使用多次來沉積或形成多個膜在晶圓的一基底上，並使用微影及蝕刻技術的一差異將其圖案化。如此一般的製造步驟可具有使用沉積工具2的一沉積製程、使用化學機械研磨工具3的一平坦化及/或研磨製程、使用微影工具4之具有一圖案化光波長的一曝光製程、使用蝕刻工具5之該膜的曝光部分的一移除製程，以及使用該清洗工具6在用於接下來處理程序的準備中之一清洗製程。應當理解，除了沉積、平坦化、微影、蝕刻以及清洗之外，如所屬技術領域中具有通常知識者所理解的其他步驟，係可應用在半導體製造設備1中。再者，沉積、平坦化、微影、蝕刻以及清洗製程的每一步驟，可具有各式不同的特定步驟。因此，如圖1所示的製程序列7不應該被解釋成對於本揭露之一些實施例的限制。在一些實施例中，使用在沉積工具2中之沉積的例子可包括化學氣相沉積(CVD)、電化學沉積(ECD)、物理氣相沉積(PVD)、分子束磊晶(MBE)、原子曾沉積(ALD)、自組裝單分子層(SAM)沉積以及其他。在一些實施例中，沉積技術可藉由電漿的產生所補充，以便穩定地影響發生在基底表面處之製程的化學反應性(chemical reactivity)。應當理解，在一些實施例中，每一製造 工具2-6可包括一半導體製造設備，例如一或多個傳輸機器人(transfer robots)，將在本揭露文後詳述，其係當作在製程序列7期間傳輸晶圓使用。
圖2為依據本揭露一實施例中一種半導體製造設備1之一控制平台20的方塊示意圖。請參考圖1及圖2，控制平台20具有複數個系統，用於控制並監控半導體製造設備1的該等製造工具。控制平台20可具有用於控制沉積工具2的一系統11、用於控制化學機械研磨工具3的一系統12、用於控制微影工具4的一系統13、用於控制蝕刻工具5的一系統14，以及用於控制清洗工具6的一系統15。在一些實施例中，在本揭露文後所描述的，控制系統11-15可包括多個額外的系統，用於控制在半導體製造設備1中的製造工具2-6的傳輸機器人。再者，可擷取量測與度量資料，以控制並最佳化由半導體製造設備1之該等製造工具所執行的該等製造流程。舉例來說，為了最佳化在圖1的製造工具2-6中之傳輸機器人的效能，所以用於控制製造工具2-6的該等傳輸機器人的該等系統可具有複數個子系統，以控制並監控各式不同的參數與設定，將於本揭露之後的一些實施例中詳述。
圖3為依據本揭露一些實施例中一傳輸機器人30的結構示意圖。圖4為依據本揭露一些實施例中一檢查單元101的結構示意圖。請參考圖3，舉例來說，傳輸機器人30可包括複數個機械手臂31，用於傳輸在一製造工具中的一晶圓32，例如在如圖1所描述的半導體製造設備1中的製造設備2-6。在一些實施例中，可機動化並程式化傳輸機器人30的該等機械手臂31，以根據製造工具的要求執行各種運輸操作。如圖4所示，在一些實施例中，檢查單元101可包括至少一照相裝置34，用於擷取晶圓 32的至少一影像。由檢查單元101所擷取的該等影像可當作是輸入影像，其係用於控制及最佳化傳輸機器人30的各種不同參數及設定。在一些實施例中，照相裝置34可為一互補金屬氧化物半導體(complementary metal-oxide semiconductor，CMOS)照相機、一電荷耦合裝置(charge-coupled device，CCD)照相機、一攝影機(video camera)或其他適合型態的照相機或感測器。舉例來說，照相裝置34亦可為一面掃描相機(area scan camera)或一線性掃描相機(line scan camera)。再者，在一些實施例中，檢查單元101可包括多個光源以及其他互補設備，以幫助晶圓影像的擷取。在一些實施例中，檢查單元101可與製造工具或傳輸機器人30為一體成型，或者是檢查單元可為一單獨獨立模組的一部分。應當理解，圖3及圖4並未限制傳輸機器人30與檢查單元101的架構與數量，且傳輸機器人30與檢查單元101的其他架構與數量是有可能的。舉例來說，可有一或多個傳輸機器人30及檢查單元101。
圖5為依據本揭露一些實施例中一種半導體製造設備之控制系統100的方塊示意圖。圖6為依據本揭露一些實施例中一種感測器介面102的方塊示意圖。圖7為依據本揭露一些實施例中一種控制單元106的方塊示意圖。請參考圖5到圖7，用於控制傳輸機器人30的系統100具有檢查單元101、感測器介面102、一資料庫伺服器103、一第一收發器104、一第二收發器105以及控制單元106。在一些實施例中，雖然系統100的一般操作規則可應用到半導體製造設備1的控制平台20中的其他控制系統，但舉例來說，半導體製造設備可具有如圖3所示的傳輸機器人30。檢查單元101提供代表擷取晶圓32的至少一影像IMG。在一些實施例中，感測器介面102接收來自檢查單元101的至少一影像IMG，並為資料庫伺服器103 產生至少一輸入訊號IN，舉例來說，資料庫伺服器103可為一資料庫倉庫(database warehouse)的一資料庫伺服器。至少一輸入訊號IN可藉由第一收發器104而從資料庫伺服器103經由一網路連結107傳送到第二收發器105。在一些實施例中，至少一輸入訊號IN在當其藉由第一收發器104傳送時可進行調變(modulated)，而當其藉由第二收發器105接收時可進行解調變(demodulated)。網路連結107可為基於所屬技術領域中所熟知的有線或無線技術的任何形式的網路連結，包括不侷限在紅外線、光學或無線電通訊手段。在一些實施例中，控制單元106執行一人工智慧(artificial intelligence，AI)分析程序，以依據一資料訊號DS而確定傳輸機器人30是否造成一或多個損傷標記(damage marks)。依據一輸出訊號OS以產生一回饋訊號FB以及一警報訊號。在一些實施例中，來自控制單元106的回饋訊號FB係經由網路連結107而傳送到傳輸機器人30，而網路連結107係介於第二收發器105與第一收發器104之間。在一些實施例中，回饋訊號FB當藉由第二收發器105傳輸時係進行調變，且當藉由第一收發器104接收時則進行解調變。
請參考圖6，感測器介面102具有一或多個訊號轉換器40以及一或多個濾波器41。在一些實施例中，該等訊號轉換器40可包括影像檔案轉換器(例如影像檔案壓縮轉換器)、類比數位(analog-to-digital，A/D)轉換器、數位類比(digital-to-analog，D/A)轉換器，或其他適合的訊號轉換器。舉例來說，當產生用於資料庫伺服器103的輸入訊號IN時，感測器介面102的該等訊號轉換器40可轉換影像IMG到其他影像格式、轉換影像IMG從一列(raw)影像檔到一壓縮影像檔、轉換影像IMG從一壓縮影像檔到一列影像檔，或執行其他適合形式的轉換。該等濾波器41可包括微 影濾波器(photography filers)、去頻疊濾波器(anti-alias filters)、低通濾波器、高通濾波器、帶通(band-pass)濾波器，或其他適合用於系統100的特定應用的濾波器。舉例來說，該等濾波器41可用於改善輸入訊號IN的訊號雜訊比(signal-to-noise ratio)。
請參考圖7，控制單元106具有一前端子系統50、一計算子系統51以及一訊息暨調整子系統52。在一些實施例中，前端子系統50接收來自資料庫伺服器103的至少一輸入訊號IN，並執行一前端程序，以產生一資料訊號DS。計算子系統51接收來自前端子系統50的資料訊號DS，且計算子系統51依據資料訊號DS確定傳輸機器人30是否造成一或多個損傷標記，而執行人工智慧分析程序，並產生輸出訊號OS。訊息暨調整子系統52依據輸出訊號OS而產生警報訊號AM與回饋訊號FB，且訊息暨調整子系統52傳送警報訊號AM到傳輸機器人30的一使用者。
圖8為依據本揭露一些實施例中一種前端子系統50的方塊示意圖。請參考圖8，前端子系統50可包括一抽取轉化裝載(Extract Transform Load，ETL)模組25，其係用於執行前端程序，而前端程序可包括抽取、轉化及/或裝載來自資料庫伺服器103的輸入訊號IN。在一些實施例中，如圖8所示，抽取轉化裝載模組25包括一抽取區塊60、一轉化區塊61以及一裝載區塊62。在一些實施例中，抽取區塊60可拆開(unpack)並萃取來自資料庫伺服器103的至少一輸入訊號IN。轉化區塊61可執行適合的資料轉化、完整性(integrity)與確定程序(confirmation procedures)。裝載區塊62可依據由轉化區塊61所執行的轉化程序而產生並裝載資料訊號DS，以使計算子系統51能夠使用用於人工智慧分析程序的資料訊號DS。
圖9為依據本揭露一些實施例中一種計算子系統51的方塊 示意圖。圖10為依據本揭露一些實施例中一種分類程序的示意圖。圖11為依據本揭露一些實施例中一種物件辨識演算法的示意圖。請參考圖9到圖11，計算子系統51包括一人工智慧分析單元70以及一物件辨識(object recognition)單元71。在一些實施例中，計算子系統51執行人工智慧分析程序以確定傳輸機器人30是否造成一或多個損傷標記DM，並產生輸出訊號OS。在一些實施例中，舉例來說，由人工智慧分析單元70所執行的人工智慧分析程序將晶圓32的影像IMG分類成一未損傷晶圓群組UWG以及一損傷晶圓群組DWG，如圖10所示。在一些實施例中，由計算子系統51的物件辨識單元71所執行的人工智慧分析程序，利用一物件辨識演算法以分辨在損傷晶圓群組的每一影像中的一或多個損傷標記DM，或是確認在該等損傷標記DM之間的一距離，如圖11所示。在一些實施例中，雖然可使用其他適合的物件辨識演算法，例如機器學習演算法(machine learning algorithms)，但是舉例來說，物件辨識演算法可為基於神經網路(neural networks)的一深度學習物件辨識演算法(deep learning object recognition algorithm)。在一些實施例中，在該等損傷標記DM之間的距離D藉由線性感測尺度(linear detection metrics)所決定，而舉例來說，線性感測尺度係測量在該等損傷標記DM的中心點之間的距離D。應當理解，可使用所屬技術領域中具有通常知識者所熟知的其他適合的距離尺度，舉例來說，例如使用在機械學習中的技術。在一些實施例中，由計算子系統51的人工智慧分析單元70所執行的人工智慧分析程序，還利用一統計模型預測SMP以取得對應基於一組訓練資料TR的資料訊號DS之該等影像IMG之傳輸機器人30的一可能分數LS。圖12為依據本揭露一些實施例中該傳輸機器人30之該可能分數LS的簡單圖表示意圖。如圖12所示，在一例子中，由人 工智慧分析單元70所執行的統計模型預測SMP可依據其可能分數LS而對傳輸機器人30進行排名。在圖12中，在中間欄位的序號僅用於當作傳輸機器人30之序號的例子，而排名最上的傳輸機器人30具有對應基於該組訓練資料TR之資料訊號DS的該等影像IMG的羧高可能分數LS。應當理解，舉例來說，訓練資料TR可為傳輸機器人30的一組先前記錄影像，其係使用在統計模組預測SMP中。據此，在一些實施例中，由計算子系統51所產生的輸出訊號OS可包含資料，該資料係例如傳輸機器人30的可能分數LS、該等損傷標記DM的位置、在該等損傷標記DM之間的距離D，以及可為傳輸機器人30之使用者所需的其他相關的資料。
在一些實施例中，訊息暨調整子系統52依據來自計算子系統51的輸出訊號OS而產生警報訊號AM。在一些實施例中，警報訊號AM可發送到傳輸機器人30的一使用者。圖13及圖14為依據本揭露一些實施例中描述一種半導體製造設備的控制系統100及其一使用者的方塊示意圖。圖15A為依據本揭露一些實施例中一警報訊號與其各元件之間的一關係的關係示意圖。圖15B為依據本揭露一些實施例中一回饋訊號與其各元件之間的一關係的關係示意圖。請參考圖13及圖14，在一些實施例中，訊息暨調整子系統52可經由一網路連結108而傳送警報訊號AM到使用者109，而網路連結108係建立在第二收發器105與一用戶端系統(client system)110之間。如圖13所示，舉例來說，用戶端系統110可為一桌上型電腦、一筆記型電腦、一智慧型手機、一平板電腦(tablet computer)，或是能夠顯示警報訊息AM到使用者109。請參考圖15A，舉例來說，警報訊號AM的內容可包括輸出訊號OS，並可呈現在用戶端系統110上的一圖形使用者介面(graphical user interface，GUI)111上。網路連結108可為基於 所屬技術領域中所熟知的有線及無線技術之任何適合形式的網路連結，包括紅外線、光學或無線電通訊方式，但並不以此為限。警報訊號AM可經由電子郵件、即時通訊應用(instant messaging applications)或其類似方式而傳送到用戶端系統109。網路連結107與108可為一相同網路或不同網路的一部分。網路連結107與108可為以下的一部份：一內部網路(intranet)、一企業間網路(extranet)、一隨意網路(ad hoc network)、一虛擬專用網路(virtual private network，VPN)、一區域網路(local area network(LAN)、一無線區域網路(WLAN)、一無線廣域網路(WWAN)、一廣域網路(wide area network，WAN)、一都會區域網路(metropolitan area network，MAN)、互聯網(Internet)的一部份、公眾交換式電話網路(Public Switched Telephone Network，PSTN)的一部份、一行動電話網路(cellular telephone network)，或其二或多個的組合。在一些實施例中，如圖14所示，警報訊號AM亦可直接由控制單元106提供並顯示給使用者109。在一些實施例中，警報訊號AM給予使用者109關於傳輸機器人30狀態的預先警示，例如傳輸機器人30具有的造成刮傷(scratches)的最高可能性、汙染(contamination)或其他對於晶圓32的損傷，以及自動調整程序是否按照排程進行。
請參考圖15B，在一些實施例中，當回饋訊號FB傳送到用於一自動調整程序112的傳輸機器人30時，傳輸機器人30係依據輸出訊號OS而自動調整。舉例來說，回饋訊號FB依據輸出訊號OS而可包括一停止設備命令SEC、及/或一晶圓報廢命令WSC。在一些實施例中，回饋訊號FB亦可包括其他命令，例如對準調整命令、功率(power)調整命令，或其他調整命令。在一些實施例中，傳輸機器人30可為參考回饋訊號FBˇ的 自動調整批次(run-to-run)。應當理解，回饋訊號FB可藉由用於自動調整程序112之傳輸機器人30而直接使用，或者是回饋訊號FB可傳送到一個別控制器113，以控制傳輸機器人30的自動調整程序112。
應當理解，本揭露中所描述的工具、子系統、方法或操作步驟中的一或多個，係可以一電腦系統所實現，而該電腦系統具有當由電腦系統的一或多個處理器執行時之可操作的指令。舉例來說，控制單元106與本揭露將於後描述的一控制方法600係可由如圖16的一電腦系統所實現。圖16為依據本揭露一些實施例中一種電腦系統80的方塊示意圖。請參考圖16，電腦系統80可具有一或多個處理器500、一網路介面(I/F)502、一儲存裝置506、一記憶體508以及一輸入/輸出(I/O)裝置504，其係經由一匯流排514或其他內連接通訊機制而通訊地耦接。在一些實施例中，記憶體508包括一隨機存取記憶體(RAM)、其他動態儲存裝置、唯讀記憶體(ROM)，或其他靜態儲存裝置，其係耦接到匯流排514，用以儲存資料或指令，以藉由一或多個處理器500執行，且記憶體508可具有一核心(kernel)512、一使用者空間510、核心與使用者空間的一些部分以及其元件。在一些實施例中，在藉由一或多個處理器500所執行之指令的執行期間，記憶體508亦可使用於儲存暫時變數或其他中間資訊。
在一些實施例中，舉例來說，儲存裝置506耦接到匯流排514，舉例來說，匯流排514係用於傳遞資料或指令到核心512、使用者空間510等等。在一些實施例中，操作步驟與功能係被實現成儲存在儲存裝置506中的一程式的功能，其係可包括耦接到一或多個處理器500的一或多個電腦可讀非暫態儲存媒體(computer-readable non-transitory storage media)。電腦可讀非暫態儲存媒體的例子包括外部/可移除或內部/內建儲 存或記憶體單元，例如一光碟、一磁碟、一半導體記憶體及其類似物的其中一或多個，但並不以此為限，而光碟係例如一DVD，磁碟係例如一硬碟，半導體記憶體係例如ROM、RAM、記憶卡。在一些實施例中，儲存裝置506的電腦可讀非暫態儲存媒體包括當藉由一或多個處理器500所執行的可操作的指令，其係造成系統100接收來自資料庫伺服器103的至少一輸入訊號IN，並執行一前端程序，以產生一資料訊號DS；執行人工智慧分析程序，以依據資料訊號DS確定半導體製造設備是否造成一或多個損傷標記DM，並產生輸出訊號OS；以及依據輸出訊號OS而產生警報訊號AM與回饋訊號FB，並傳送警報訊號AM到半導體製造設備的一使用者109。在一些實施例中，前端程序包括抽取、轉化及/或裝載來自資料庫伺服器103的輸入訊號IN。在一些實施例中，一或多個電腦可讀非暫態儲存媒體還包括由該一或多個處理器500執行時可操作以使系統100執行以下指令：藉由將在資料訊號DS中之晶圓32的該等影像IMG分類成未損傷晶圓群組UWG以及損傷晶圓群組DWG，以執行人工智慧分析程序。在一些實施例中，一或多個電腦可讀非暫態儲存媒體還包括由該一或多個處理器500執行時可操作以使系統100執行以下指令：藉由利用物件辨識演算法以分辨在損傷晶圓群組DW的每一影像IMG中的一或多個損傷標記DM，並確定該等損傷標記DM之間的距離D，以執行人工智慧分析程序。在一些實施例中，一或多個電腦可讀非暫態儲存媒體還包括由該一或多個處理器500執行時可操作以使系統100執行以下指令：利用統計模型預測SMP以獲得對應資料訊號DS的該等影像IMG之半導體製造設備的可能分數LS，以執行人工智慧分析程序。在一些實施例中，一或多個電腦可讀非暫態儲存媒體還包括由該一或多個處理器500執行時可操作以使系統100 執行以下指令：依據輸出訊號OS以傳送用於傳輸機器人30之一自動調整程序的回饋訊號FB，以執行人工智慧分析程序。在一些實施例中，半導體製造設備包括一或多個傳輸機器人30。
在一些實施例中，輸入/輸出裝置504包括一輸入裝置、一輸出裝置以及用於啟動使用者與分析單元105互動的一組合的輸入/輸出裝置。舉例來說，一輸入裝置包括用於將資訊與命令傳送到處理器500的一鍵盤、小鍵盤(keypad)、滑鼠、軌跡球(trackball)、軌跡墊(trackpad)或游標方向按鍵(cursor direction keys)。舉例來說，一輸出裝置包括用於將資訊傳送到一使用者的一顯示器、一印表機、一語音合成器(voice synthesizer)等等。在一些實施例中，本揭露所描述之工具、子系統以及方法的一或多個操作步驟或功能，係藉由電腦系統80的一或多個處理器500所實現，其係程式化於執行此等操作步驟與提供此等功能。記憶體508、網路介面502、儲存裝置506、輸入/輸出裝置504以及匯流排514的其中一個或多個，係可操作以用於處理器500所執行的接收指令、資料、設計規則、網路連線表(netlists)、布局(layouts)、模型(models)以及其他參數。在一些實施例中，本揭露所描述之工具、子系統以及方法的一或多個操作步驟或功能，可藉由特定架構硬體(例如藉由一或多個特殊應用積體電路(application specific integrated circuit(ASIC))分開或取代(in lieu)處理器500。一些實施例係在一單一ASIC中合併一個以上之所述的操作步驟或功能。
圖17為依據本揭露一些實施例中一種半導體製造設備的控制方法600的流程示意圖。在一些實施例中，方法600可藉由圖5到圖9所示的系統100所實現，且方法600亦可藉由如圖16所示的電腦系統80所實 現。請參考圖17，半導體製造設備的控制方法600包括：擷取晶圓32的至少一影像IMG，其係藉由檢查單元101所實現(步驟S601)；接收至少一影像IMG，並為資料庫伺服器103產生至少一輸入訊號IN，其係藉由感測器介面102所實現(步驟S602)；接收來自資料庫伺服器103的至少一輸入訊號IN，並執行一前端程序以產生資料訊號DS，其係藉由前端子系統50所實現(步驟S603)；接收來自前端子系統50的資料訊號DS，並執行人工智慧分析程序，以依據資料訊號DS確認半導體製造設備是否造成一或多個損傷標記DM，並產生輸出訊號OS，其係藉由計算子系統51所實現(步驟S604)；以及產生警報訊號AM與回饋訊號FB，其係依據輸出訊號OS並藉由訊息暨調整子系統52所實現，訊息暨調整子系統52傳送警報訊號AM到半導體製造設備的使用者109(步驟S605)。
圖18為依據本揭露一些實施例中在控制方法600中之一步驟S603的流程示意圖。在一些實施例中，由前端子系統所執行的前端程序還包括：抽取、轉化及/或裝載來自資料庫伺服器103的輸入訊號IN(步驟S6031)；以及產生資料訊號DS，其係通過前端程序所產生(步驟S6032)。
圖19為依據本揭露一些實施例中在控制方法600中之一步驟S604的流程示意圖。在一些實施例中，由計算子系統51所執行的人工智慧分析程序還包括：分類在資料訊號DS中之晶圓32的影像IMG成為未損傷晶圓群組UWG與損傷晶圓群組DWG(步驟S6041)。在一些實施例中，由計算子系統51所執行的人工智慧分析程序還包括：利用物件辨識演算法以分辨在損傷晶圓群組DWG的每一影像IMG中的一或多個損傷標記DM，並確定在該等損傷標記DM之間的距離D(步驟S6042)。由計算子系 統51所執行的人工智慧分析程序還包括：利用統計模型預測SMP以獲得對應資料訊號DS之該等影像IMG的半導體製造設備的可能分數LS(步驟S6043)。
圖20為依據本揭露一些實施例中在控制方法600中之一步驟S605的流程示意圖。在一些實施例中，方法600還包括傳送用於半導體製造設備之自動調整程序112的回饋訊號FB，其係藉由訊息暨調整子系統52所實現(步驟S6051)；以及依據輸出訊號OS執行半導體製造設備的自動調整程序112，其中半導體製造設備包括一或多個傳輸機器人30(步驟S6051)。
據此，半導體製造設備的控制系統100與控制方法600係提供多個自動化人工智慧分析子系統與程序，而該等自動化人工智慧分析子系統與程序可分析例如傳輸機器人30之設備。由於控制單元106具有智慧計算子系統51與訊息暨調整子系統52，所以傳輸機器人30的操作人員可監控並最佳化設備的最佳化參數，並接收關於傳輸機器人30之狀態的預先警示。再者，由於在系統100與方法600中的自動化設備調整，所以可最小化人為調整錯誤、製程時間以及不良品(defective products)的數量。。
本揭露之一實施例提供一種半導體製造設備的控制系統，包括一檢查單元，擷取一晶圓的至少一影像；一感測器介面，接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號；以及一控制單元。該控制單元包括一前端子系統、一計算子系統以及一訊息暨調整子系統。該前端子系統接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號。該計算子系統接收來自該前端子系統的該資料訊號，其中該計算子系統依據該資料訊號而執行一人工智慧分析程序，以 確定該半導體製造設備是否已造成一或多個損傷標記，並產生一輸出訊號。該訊息暨調整子系統依據該輸出訊號而產生一警報訊號以及一回饋訊號，該訊息暨調整子系統傳送該警報訊號到該半導體製造設備的一使用者。
本揭露之另一實施例提供一種半導體製造設備的監控系統，包括一檢查單元，擷取一晶圓的至少一影像；一感測器介面，接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號；一或多個處理器；以及一或多個電腦可讀非暫時性儲存媒體(computer-readable non-transitory storage media)。該一或多個電腦可讀非暫時性儲存媒體耦接到該一或多個處理器，並包括由該一或多個處理器執行時可操作以使該系統執行以下指令：接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號；執行一人工智慧分析程序以依據該資料訊號確定該半導體製造設備是否造成一或多個損傷標記，並產生一輸出訊號；以及產生一警報訊號以及一回饋訊號，其係依據該輸出訊號所實現，並傳輸該警報訊息給該半導體製造設備的一使用者。
本揭露之另一實施例提供一種半導體製造設備的控制方法，包括擷取一晶圓的至少一影像，其係藉由一檢查單元所實現；接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號，其係藉由一感測器介面所實現；接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號，其係藉由一前端子系統所實現；接收來自該前端子系統的該資料訊號，其係藉由一計算子系統所實現，而該計算子系統依據該資料訊號而執行一人工智慧分析程序，以確認該半導體製造設備是否造成一或多個損傷標記，並產生一輸出訊號；以及產生一警報訊號 以及一回饋訊號，其係依據該輸出訊號並藉由一訊息暨調整子系統所實現，該訊息暨調整子系統傳送該警報訊息到該半導體製造設備的一使用者。
雖然已詳述本揭露及其優點，然而應理解可進行各種變化、取代與替代而不脫離申請專利範圍所定義之本揭露的精神與範圍。例如，可用不同的方法實施上述的許多製程，並且以其他製程或其組合替代上述的許多製程。
再者，本申請案的範圍並不受限於說明書中所述之製程、機械、製造、物質組成物、手段、方法與步驟之特定實施例。該技藝之技術人士可自本揭露的揭示內容理解可根據本揭露而使用與本文所述之對應實施例具有相同功能或是達到實質上相同結果之現存或是未來發展之製程、機械、製造、物質組成物、手段、方法、或步驟。據此，此等製程、機械、製造、物質組成物、手段、方法、或步驟係包含於本申請案之申請專利範圍內。
30:傳輸機器人
100:系統
101:檢查單元
102:感測器介面
103:資料庫伺服器
104:第一收發器
105:第二收發器
106:控制單元
107:網路連結
AM:警報訊號
FB:回饋訊號
IMG:影像
IN:輸入訊號

Claims (14)

  1. 一種半導體製造設備的控制系統，包括：一檢查單元，擷取一晶圓的至少一影像；一感測器介面，接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號；以及一控制單元，包括：一前端子系統，接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號；一計算子系統，接收來自該前端子系統的該資料訊號，其中該計算子系統依據該資料訊號而執行一人工智慧分析程序，以確定該半導體製造設備是否已造成一或多個損傷標記，並產生一輸出訊號；以及一訊息暨調整子系統，依據該輸出訊號而產生一警報訊號以及一回饋訊號，該訊息暨調整子系統傳送該警報訊號到該半導體製造設備的一使用者；其中由該計算子系統所執行的該人工智慧分析程序將在該資料訊號中之該晶圓的該等影像分類成一未損傷晶圓群組以及一損傷晶圓群組；其中由該計算子系統所執行的該人工智慧分析程序還利用一物件辨識演算法，以識別在該損傷晶圓群組的每一影像中的一或多個損傷標記，並確定在該等損傷標記之間的一距離。
  2. 如請求項1所述之控制系統，其中由該前端子系統所執行的該前端程序包括抽取、轉化及/或裝載來自該資料庫伺服器的該輸入訊號。
  3. 如請求項1所述之控制系統，其中由該計算子系統所執行的該人工智慧分析程序還利用一統計模型預測，以取得對應該資料訊號之該等影像的該半導體製造設備的一可能分數。
  4. 如請求項1所述之控制系統，其中該訊息暨調整子系統依據該輸出訊號傳送該回饋訊號，以進行該半導體製造設備的一自動調整程序。
  5. 如請求項1所述之控制系統，其中該半導體製造設備包括一或多個傳輸機器人。
  6. 一種半導體製造設備的控制系統，包括：一檢查單元，擷取一晶圓的至少一影像；一感測器介面，接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號；一或多個處理器；以及一或多個電腦可讀非暫時性儲存媒體，耦接到該一或多個處理器，並包括由該一或多個處理器執行時可操作以使該系統執行以下指令：接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號； 執行一人工智慧分析程序以依據該資料訊號確定該半導體製造設備是否造成一或多個損傷標記，並產生一輸出訊號；以及產生一警報訊號以及一回饋訊號，其係依據該輸出訊號所實現，並傳輸該警報訊息給該半導體製造設備的一使用者；其中該一或多個電腦可讀非暫時性儲存媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：藉由將在該資料訊號中的該晶圓之該等影像分類成一未損傷晶圓群組以及一損傷晶圓群組，以執行該人工智慧分析程序；其中該一或多個電腦可讀非暫時性儲存媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：藉由進一步利用一物件辨識演算法以辨別在該損傷晶圓群組之每一影像中的一或多個損傷標記，並確定該等損傷標記之間的一距離，以執行該人工智慧分析程序。
  7. 如請求項6所述之控制系統，其中該前端程序包括抽取、轉化及/或裝載來自該資料庫伺服器的該輸入訊號。
  8. 如請求項6所述之控制系統，其中該一或多個電腦可讀非暫時性儲存媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：藉由進一步利用一統計模型預測以獲得對應該資料訊號之該等影像的該半導體製造設備之一可能分數。
  9. 如請求項6所述之控制系統，其中該一或多個電腦可讀非暫時性儲存 媒體還包括由該一或多個處理器執行時可操作以使該系統執行以下指令：傳送該回饋訊號，以依據該輸出訊號而進行該半導體製造設備的一自動調整程序。
  10. 如請求項6所述之控制系統，其中該半導體製造設備包括一或多個傳輸機器人。
  11. 一種半導體製造設備的控制方法，包括：擷取一晶圓的至少一影像，其係藉由一檢查單元所實現；接收該至少一影像，並為一資料庫伺服器產生至少一輸入訊號，其係藉由一感測器介面所實現；接收來自該資料庫伺服器的該至少一輸入訊號，並執行一前端程序，以產生一資料訊號，其係藉由一前端子系統所實現；接收來自該前端子系統的該資料訊號，其係藉由一計算子系統所實現，而該計算子系統依據該資料訊號而執行一人工智慧分析程序，以確認該半導體製造設備是否造成一或多個損傷標記，並產生一輸出訊號；以及產生一警報訊號以及一回饋訊號，其係依據該輸出訊號並藉由一訊息暨調整子系統所實現，該訊息暨調整子系統傳送該警報訊息到該半導體製造設備的一使用者；其中由該計算子系統所執行的該人工智慧分析程序將在該資料訊號中之該晶圓的該等影像分類成一未損傷晶圓群組以及一損傷晶圓群組； 其中由該計算子系統所執行的該人工智慧分析程序還利用一物件辨識演算法，以識別在該損傷晶圓群組的每一影像中的一或多個損傷標記，並確定在該等損傷標記之間的一距離。
  12. 如請求項11所述之控制方法，其中由該前端子系統所執行的該前端程序還包括抽取、轉化及/或裝載來自該資料庫伺服器的該輸入訊號。
  13. 如請求項11所述之控制方法，其中由該計算子系統所執行的該人工智慧分析程序還利用一統計模型預測，以取得對應該資料訊號之該等影像的該半導體製造設備的一可能分數。
  14. 如請求項11所述之控制方法，還包括：傳送該回饋訊號，以進行該半導體製造設備的一自動調整程序，其係依據該輸出訊號並藉由該訊息暨調整子系統所實現，其中該半導體製造設備包括一或多個傳輸機器人。
TW110105949A 2020-04-08 2021-02-20 半導體製造設備的控制系統及方法 TWI770829B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/843,506 US11675340B2 (en) 2020-04-08 2020-04-08 System and method for controlling semiconductor manufacturing apparatus
US16/843,506 2020-04-08

Publications (2)

Publication Number Publication Date
TW202138945A TW202138945A (zh) 2021-10-16
TWI770829B true TWI770829B (zh) 2022-07-11

Family

ID=77997407

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110105949A TWI770829B (zh) 2020-04-08 2021-02-20 半導體製造設備的控制系統及方法

Country Status (3)

Country Link
US (1) US11675340B2 (zh)
CN (1) CN113495538B (zh)
TW (1) TWI770829B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI897072B (zh) * 2022-11-09 2025-09-11 德商卡爾蔡司Ｓｍｔ有限公司 用於薄膜分割的感測器融合

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI865848B (zh) * 2021-12-17 2024-12-11 御杰科技有限公司 遠端缺陷排除系統及遠端缺陷排除方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292582B1 (en) * 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
TW200415453A (en) * 2002-09-30 2004-08-16 Tokyo Electron Ltd Method and apparatus for the monitoring and control of a semiconductor manufacturing process
TW200424816A (en) * 2003-02-18 2004-11-16 Tokyo Electron Ltd Method for automatic configuration of a processing system
TW200527172A (en) * 2003-12-05 2005-08-16 Applied Materials Inc Auto-diagnostic method and apparatus
TW200949752A (en) * 2008-02-22 2009-12-01 Asyst Technologies VAO productivity suite
TW201639175A (zh) * 2015-01-26 2016-11-01 半導體能源研究所股份有限公司 半導體裝置及其製造方法
TW201735210A (zh) * 2016-01-06 2017-10-01 克萊譚克公司 透過異常值偵測之特徵選擇及自動化製程窗監控
TW201739951A (zh) * 2016-02-05 2017-11-16 蘭姆研究公司 連續電漿中之原子層蝕刻
TW201810485A (zh) * 2012-11-09 2018-03-16 東京威力科創股份有限公司 用於半導體製造的自動化工具參數影響識別系統的方法和裝置
TW201827962A (zh) * 2017-01-20 2018-08-01 財團法人工業技術研究院 機台的預診斷方法及預診斷裝置
US20190303717A1 (en) * 2018-03-28 2019-10-03 Kla-Tencor Corporation Training a neural network for defect detection in low resolution images
TW201945996A (zh) * 2018-03-14 2019-12-01 美商史科爾得推論股份有限公司 將資料分析系統轉換為對可配置目標度量優化的跨平台即時決策系統的方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100419410C (zh) * 1999-11-25 2008-09-17 奥林巴斯光学工业株式会社 缺陷检查数据处理系统
US20020121915A1 (en) * 2001-03-05 2002-09-05 Agere Systems Guardian Corp. Automated pattern clustering detection for wafer probe maps
US6885977B2 (en) * 2002-12-20 2005-04-26 Applied Materials, Inc. System to identify a wafer manufacturing problem and method therefor
US9002497B2 (en) * 2003-07-03 2015-04-07 Kla-Tencor Technologies Corp. Methods and systems for inspection of wafers and reticles using designer intent data
KR100598381B1 (ko) * 2004-06-18 2006-07-07 삼성전자주식회사 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
CN101010807A (zh) * 2004-09-02 2007-08-01 阿帕托佩克股份有限公司 制造晶片级摄像头模块的方法
CN100499057C (zh) * 2006-06-12 2009-06-10 中芯国际集成电路制造(上海)有限公司 晶片检测方法
WO2008039674A2 (en) * 2006-09-20 2008-04-03 Luminescent Technologies, Inc. Photo-mask and wafer image reconstruction
CN101459099B (zh) * 2007-12-13 2010-11-10 中芯国际集成电路制造(上海)有限公司 晶圆盒、半导体生产过程的监测系统和方法
JP6255152B2 (ja) * 2012-07-24 2017-12-27 株式会社日立ハイテクノロジーズ 検査装置
US8987010B1 (en) * 2013-08-29 2015-03-24 International Business Machines Corporation Microprocessor image correction and method for the detection of potential defects
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US20170262975A1 (en) * 2016-03-08 2017-09-14 Kabushiki Kaisha Toshiba Wafer inspection method for manufacturing semiconductor device
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US11257207B2 (en) * 2017-12-28 2022-02-22 Kla-Tencor Corporation Inspection of reticles using machine learning
US10957566B2 (en) * 2018-04-12 2021-03-23 Taiwan Semiconductor Manufacturing Co., Ltd. Wafer-level inspection using on-valve inspection detectors
US20210158498A1 (en) * 2019-11-22 2021-05-27 Carl Zeiss Smt Gmbh Wafer inspection methods and devices

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292582B1 (en) * 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
TW200415453A (en) * 2002-09-30 2004-08-16 Tokyo Electron Ltd Method and apparatus for the monitoring and control of a semiconductor manufacturing process
TW200424816A (en) * 2003-02-18 2004-11-16 Tokyo Electron Ltd Method for automatic configuration of a processing system
TW200527172A (en) * 2003-12-05 2005-08-16 Applied Materials Inc Auto-diagnostic method and apparatus
TW200949752A (en) * 2008-02-22 2009-12-01 Asyst Technologies VAO productivity suite
TW201810485A (zh) * 2012-11-09 2018-03-16 東京威力科創股份有限公司 用於半導體製造的自動化工具參數影響識別系統的方法和裝置
TW201639175A (zh) * 2015-01-26 2016-11-01 半導體能源研究所股份有限公司 半導體裝置及其製造方法
TW201933616A (zh) * 2015-01-26 2019-08-16 日商半導體能源研究所股份有限公司 半導體裝置及其製造方法
TW201735210A (zh) * 2016-01-06 2017-10-01 克萊譚克公司 透過異常值偵測之特徵選擇及自動化製程窗監控
TW201739951A (zh) * 2016-02-05 2017-11-16 蘭姆研究公司 連續電漿中之原子層蝕刻
TW201827962A (zh) * 2017-01-20 2018-08-01 財團法人工業技術研究院 機台的預診斷方法及預診斷裝置
TW201945996A (zh) * 2018-03-14 2019-12-01 美商史科爾得推論股份有限公司 將資料分析系統轉換為對可配置目標度量優化的跨平台即時決策系統的方法
US20190303717A1 (en) * 2018-03-28 2019-10-03 Kla-Tencor Corporation Training a neural network for defect detection in low resolution images

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI897072B (zh) * 2022-11-09 2025-09-11 德商卡爾蔡司Ｓｍｔ有限公司 用於薄膜分割的感測器融合

Also Published As

Publication number Publication date
US20210320021A1 (en) 2021-10-14
CN113495538A (zh) 2021-10-12
US11675340B2 (en) 2023-06-13
CN113495538B (zh) 2024-03-29
TW202138945A (zh) 2021-10-16

Similar Documents

Publication Publication Date Title
CN113330463B (zh) 在半导体设备工具中利用神经网络进行腔室匹配
US11948061B2 (en) Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools
US10387755B2 (en) Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
TWI770883B (zh) 影像處理系統及其方法
KR20190073756A (ko) 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
TW201735210A (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
TWI770829B (zh) 半導體製造設備的控制系統及方法
US11189509B2 (en) System and method for controlling semiconductor manufacturing equipment
TWI695330B (zh) 將半導體批次調度到製造工具的系統和方法
TWI809483B (zh) 半導體製造設備的控制系統及其控制方法
CN119731692A (zh) 衬底缺陷检测和比较
TWI734390B (zh) 自資料集中提取特徵
JP2025539375A (ja) インデックス作成と半導体欠陥画像検索のためのモデリング
TWI865923B (zh) 使用深度類神經網路之基材映射
CN114695156B (zh) 晶圆检查方法
TWI809429B (zh) 半導體製造設備的控制系統及其控制方法
TWI770799B (zh) 半導體製造設備的控制系統及方法
Boogaard et al. Improving equipment defectivity specifications through chip yield modeling: a case study for immersion lithography