TWI860159B - 探針記號缺陷之預測模型建立方法及其預測系統與預防方法 - Google Patents

Abstract

一種探針記號缺陷之預測模型建立方法，用以解決習知技術未提出探針記號缺陷預測方法的問題。係包含：一資料收集步驟；一重要性分析步驟，運用一重要性分析法，以定義一重要關聯資訊；一因子再篩選步驟，將該重要關聯資訊轉換為對應的一相關係數矩陣，該相關係數矩陣中包含各因子與缺陷間之一相關性且包含任二種因子間的一關聯度，以定義一預測因子資訊；及一模型訓練步驟，將所述預測因子資訊輸入至待訓練的一預測模型，以建立經訓練的一預測模型。本發明具有預測探針記號缺陷機率的功效。

Description

探針記號缺陷之預測模型建立方法及其預測系統與預 防方法

本發明係關於一種晶圓製程改善，尤其是一種探針記號缺陷之預測與預防方法。

在半導體晶圓在製造的過程中，需要經過多次的蝕刻、沉積、濕製程、乾製程等步驟，每一步驟都會影響晶圓的品質和性能。因此，為了確保製程的穩定性和品質的一致性，需要對晶圓進行測試。在測試晶圓時，運用探針卡(Probe Card)的探針接觸晶圓表面上的特定檢測位置，以測試晶圓的電性參數，如電阻、電容、電流等。

在探針接觸晶圓的表面時，測試用的探針會在晶圓表面留下一些痕跡，這些痕跡稱為探針記號(Probe Mark)，可以用來記錄測試點的位置；其中，探針記號應形成在晶圓表面上的特定檢測位置，否則探針記號的偏位將造成晶圓的電性參數有非預期的變化。因此，當探針記號與其預定位置的距離偏差到一定程度時，對應的晶圓將被視為不良品，且這種偏位而使晶圓電性劣化的現象稱為探針記號缺陷(Probe Mark Damage)。惟，尚未有研究提出如何預測探針記號缺陷的產生。

有鑑於此，習知技術在探針記號缺陷的預測確實仍有加以改善 之必要。

為解決上述問題，本發明的目的是提供一種探針記號缺陷之預測模型建立方法，係可以預測探針記號缺陷的缺陷機率者。

本發明的次一目的是提供一種探針記號缺陷之預測模型建立方法，係可以確保或提升對應預測模型在訓練過程中與建立後的應用過程中的預測準確率者。

本發明的又一目的是提供一種用於預測探針記號缺陷的預測系統，係可以預測探針記號缺陷的缺陷機率者。

本發明的再一目的是提供一種用於減少探針記號缺陷的預防方法，係可以降低檢測過程中發生探針記號缺陷的風險者。

本發明全文所記載的元件及構件使用「一」或「一個」之量詞，僅是為了方便使用且提供本發明範圍的通常意義；於本發明中應被解讀為包括一個或至少一個，且單一的概念也包括複數的情況，除非其明顯意指其他意思。

本發明全文所述有關「電腦」或「系統」相關用語，整體或各別可包含至少一「處理器(Processor)」，所述處理器係指具備特定功能且以硬體或硬體與軟體實現的各式資料處理裝置，以處理分析資訊及/或產生對應控制資訊，例如：電子控制器、伺服器、雲端平台、虛擬機器、桌上型電腦、筆記型電腦、平板電腦或智慧型手機等，係本發明所屬技術領域中具有通常知識者可以理解。另，可包含對應的資料接收或傳輸單元，以進行所需資料的接收或傳輸。另，可包含對應的資料庫/儲存單元(特別是非暫態記憶單元)，以供對應資料的讀取與儲存。特別是，除非另外特別排除或矛盾，所述 處理器可以是基於分散式系統架構中的多個處理器的集合，用於包含/代表多個處理器間資訊串流處理的過程、機制及結果。

本發明的探針記號缺陷之預測模型建立方法，係透過一電腦執行以下步驟，所述步驟包含：一資料收集步驟，收集每次探針記號產生過程中的數種不同因子，且由每次所收集的數種不同因子形成一初步因子組合，並將各該初步因子組合與是否發生缺陷的資訊關聯，以定義一初步關聯資訊；一重要性分析步驟，運用一重要性分析法，將所述初步關聯資訊進行篩選，以獲得與該缺陷發生相關的經初步篩選因子組合，並將所述經初步篩選因子組合與是否發生缺陷的資訊關聯，以定義一重要關聯資訊；一因子再篩選步驟，包含運用一因子間關聯性分析方法將該重要關聯資訊轉換為對應的一相關係數矩陣，該相關係數矩陣中包含各因子與缺陷間之一相關性且包含任二種因子間的一關聯度；選擇該相關性不小於一第一篩選閾值所對應的各因子，以定義為一高相關性因子組合；在任二種因子間所對應的關聯度不小於一第二篩選閾值時，將該二種因子中與該缺陷的該相關性為較低者定義為一剔除因子；及自該高相關性因子組合中將與該剔除因子相同的因子移除，以獲取對應的經再次篩選因子組合，將所述經再次篩選因子組合與是否發生缺陷的資訊關聯，以定義一預測因子資訊；及一模型訓練步驟，將所述預測因子資訊輸入至待訓練的一預測模型，以建立經訓練的一預測模型，該預測模型係以一基礎轉換器架構所建立；所述基礎轉換器架構包含一編碼器網路與一解碼器網路；該編碼器網路依序包含一多頭自注意力層、一加總與歸一化層、一前饋網路層及另一加總與歸一化層；該解碼器網路依序包含一遮罩多頭注意力層、一加總與歸一化層、一多頭跨注意力層、另一加總與歸一化層、一前饋網路層及再一加總與歸一化層。

本發明的探針記號缺陷之預測模型建立方法，係透過一電腦執 行以下步驟，所述步驟包含：一資料收集步驟，收集每次探針記號產生過程中的數種不同因子，且由每次所收集的數種不同因子形成一初步因子組合，並將各該初步因子組合與是否發生缺陷的資訊關聯，以定義一初步關聯資訊；一重要性分析步驟，運用一重要性分析法，將所述初步關聯資訊進行篩選，以獲得與該缺陷發生相關的經初步篩選因子組合，並將所述經初步篩選因子組合與是否發生缺陷的資訊關聯，以定義一重要關聯資訊；一因子再篩選步驟，包含運用一因子間關聯性分析方法將該重要關聯資訊轉換為對應的一相關係數矩陣，該相關係數矩陣中包含各因子與缺陷間之一相關性且包含任二種因子間的一關聯度；選擇該相關性不小於一第一篩選閾值所對應的各因子，以定義為一高相關性因子組合；在任二種因子間所對應的關聯度不小於一第二篩選閾值時，將該二種因子中與該缺陷的該相關性為較低者定義為一剔除因子；及自該高相關性因子組合中將與該剔除因子相同的因子移除，以獲取對應的經再次篩選因子組合，將所述經再次篩選因子組合與是否發生缺陷的資訊關聯，以定義一預測因子資訊；及一模型訓練步驟，將所述預測因子資訊輸入至待訓練的一預測模型，以建立經訓練的一預測模型，該預測模型係以一稀疏注意力轉換器架構所建立；所述稀疏注意力轉換器架構包含一編碼器網路與一解碼器網路；該編碼器網路依序包含一多頭自注意力層、一加總與歸一化層、一前饋網路層及另一加總與歸一化層；該解碼器網路依序包含一稀疏多頭自注意力層、一加總與歸一化層、一多頭跨注意力層、另一加總與歸一化層、一前饋網路層、再一加總與歸一化層、一線性層及一歸一化指數層。

據此，本發明的探針記號缺陷之預測模型建立方法，藉由所述重要性分析步驟與所述因子再篩選步驟所獲得的因子組合，一方面，可以確保該因子組合與預測目標(即為是否發生探針記號缺陷的機率)間具有高度 相關性，而可以達成確保或提升對應預測模型在訓練過程中與建立後的應用過程中預測準確率的功效；另一方面，可以自高關聯度的因子中篩選出可剔除者，進而將用於訓練/輸入該預測模型的因子的種類數量降維，可以達成降低該預測模型運算量而提升運算效率的功效；藉由該轉換器架構中的注意力機制，能更聚焦須被關注的特徵，可以達成更準確辨識/預測功效，該轉換器架構中各層的配置，可以提升模型訓練與運算效率的功效；或，藉由稀疏多頭自注意力層中所具有的間隔選擇機制，一方面，對應模型能夠更好地捕捉因子/參數間的長期依賴性，能專注於計算具有高注意力分數的少數重要位置，而可以達成減少運算量而提高運算效率的功效；另一方面，能減少對應模型在訓練過程中過度擬合的風險，且對應模型可以更容易泛化到新數據，而可以達成提升模型的準確度。

其中，該預測模型中的超參數係配置如下；在初始超參數中，批處理大小為64，訓練回合為50，學習率為0.0001；在該編碼器網路中：該多頭自注意力層的頭部數量為8個，注意力鍵的維度為64；該前饋網路層中的丟棄率為0.1，全連接層的輸出維度為64並使用ReLU激活函數；及在該解碼器網路中：該稀疏多頭自注意力層的頭部數量為8個，注意力鍵的維度64；該多頭跨注意力層的頭部數量為8個，注意力鍵的維度為64；該前饋網路層中的丟棄率為0.1，全連接層的輸出維度為64並使用ReLU激活函數；該線性層的輸出維度為2，使用ReLU激活函數。

其中，該重要性分析法係為一隨機森林演算法。如此，可以達成有效率、高準確率、高穩定性地獲取高關聯性的因子的功效。

其中，該預測因子資訊係至少由一針尖最小直徑的因子、一校正位置的因子及對應的缺陷發生資訊所組成。如此，藉由該等因子係經所述重要性分析步驟與所述因子再篩選步驟所獲得，該等因子係為高度相關性且 具代表性的預測因子，使該預測模型至少可由上述因子的資料進行訓練與預測，且可以達成提升運算效率與準確率的功率。

本發明的用於預測探針記號缺陷的預測系統，包含由上述探針記號缺陷之預測模型建立方法所建立的一預測模型，該預測模型係用於接收一監控資料以輸出是否會產生探針記號缺陷的一缺陷機率；該監控資料中各因子的種類係與該預測因子資訊中各因子的種類相同。

據此，本發明的用於預測探針記號缺陷的預測系統，藉由具有上述探針記號缺陷之預測模型建立方法所建立的該預測模型，可以達成提升運算效率與準確率的功率。

本發明的用於預測探針記號缺陷的預測系統，包含上述預測系統，在該預測系統接收當前一工件所對應的一監控資料而產生對應的一缺陷機率，且在該缺陷機率超出一預設警示閾值的一情形中，於後續其他工件所對應的檢測程序執行前，調整該監控資料中至少一因子在後續的數值不同於該監控資料中該至少一因子在當前的數值，使後續的該監控資料中所具有的各因子的數值所對應的一缺陷機率不超出該預設警示閾值。

據此，本發明的用於預測探針記號缺陷的預測系統，藉由運用上述預測模型，且搭配該預設警示值與缺陷機率的關係，進而調整後續監控資料中至少一因子使對應缺陷機率不超出該預設警示閾值的機制，可以達成減少探針記號缺陷發生機率的功效。

S1:資料收集步驟

S1A:資料篩選步驟

S1A-1:重要性分析步驟

S1A-2:因子再篩選步驟

S2:模型訓練步驟

〔第1圖〕本發明探針記號缺陷之預測模型建立方法的流程示意圖。

〔第2圖〕一種基礎轉換器架構之配置示意圖。

〔第3圖〕一種稀疏注意力轉換器架構之配置示意圖。

為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式作詳細說明。

請參照第1圖所示，其係本發明探針記號缺陷之預測模型建立方法的一較佳實施例，係透過一電腦執行一資料收集步驟S1、可選的一資料篩選步驟S1A及一模型訓練步驟S2，以完成目標模型的訓練/建立。

在該資料收集步驟S1中，收集每次探針記號產生過程中相關的數種不同因子/參數，且由每次所收集的數種不同因子形成一初步因子組合，並將各該初步因子組合與是否發生缺陷的資訊關聯，以定義一初步關聯資訊。其中，所述初步關聯資訊中的內容例如是呈現如某個時間點的各種因子組合與是否發生缺陷；舉例而言，在第一時間點t1，所述初步關聯資訊可包含一第一因子A的對應的參數a1，一第二因子B的對應參數b1，一第三因子C的對應參數c1，及是否產生缺陷的結果r1；同樣地，在第二時間點t2，所述初步關聯資訊可包含該第一因子A的對應的參數a2，一第二因子B的對應參數b2，一第三因子C的對應參數c2，及是否產生缺陷的結果r2。

詳言之，所述數種不同因子的資訊，係指一工件(例如是一晶圓)透過運用探針卡裝置進行檢測，而在該工件上產生探針記號的數種不同因子，且各該因子的具體數值或資訊，可透過所述探針卡裝置中內建的系統來取得而實現，及/或透過額外裝設對應感測元件來偵測而實現，及/或透過後續相關檢測/量測來獲取而實現。舉例而言，在本發明的一具體實施範例中，所關注是否發生的「缺陷」係指「探針記號缺陷」，特別是指在進行量測時，對應的探針記號與探針卡邊緣的一最小距離所定義的一偏移量不大於一距離 閾值時，即定義為發生所述探針記號缺陷；較佳地，所述距離閾值為5nm。

在本發明的一具體實施範例中，所述數種不同因子或所述初步因子組合係包含：

(1)工件批次數量(Count by Lot)：代表透過探針卡進行檢測的一工件批次數量。

(2)接觸點數量(Number of contacts)：代表於檢測一工件時，探針卡之探針在工件上所產生的接觸點數量。

(3)針尖最小直徑(Needle Tip Min)：探針卡之探針在與工件接觸所產生的所有針尖記號之直徑的最小數值。

(4)針尖最大直徑(Needle Tip Max)：探針卡之探針在與工件接觸所產生的所有針尖記號之直徑的最大數值。

(5)針尖平均直徑(Needle Tip Ave)：探針卡之探針在與工件接觸所產生的所有針尖記號之直徑的平均數值。

(6)探針高度(Pb Height)：在探針卡執行檢測程序前，探針卡與工件之間的距離。

(7)探針卡的污染程度(Probe Card Clean Cnt)：用已表示探針卡上的汙染物髒污程度，數值越高表示汙染越嚴重。

(8)探針負載(Probing Overdrive)：探針卡裝置在進行測量時的電壓值。

(9)校正位置(Alignment End Position)：探針卡在進行垂直移動至對應工件表面上形成探針記號前，探針卡的初始位置在水平方向上移動到一預設量測位置的距離。

在可選的該資料篩選步驟S1A中，係包含一重要性分析步驟S1A-1與可選的一因子再篩選步驟S1A-2。在該重要性分析步驟S1A-1中，運用一重要性分析法，將所述初步關聯資訊進行篩選，以獲得與該缺陷發生 (可定義為一目標特性)為高度相關的經初步篩選因子組合，並將所述經初步篩選因子組合與是否發生缺陷的資訊關聯，以定義一重要關聯資訊。特別地，所述重要性分析法係可運用任何已知方法，且為本發明領域中具有通常知識者可理解；舉例而言，可應用隨機森林演算法作為所述重要性分析法。詳言之，在該重要性分析步驟S1A-1中，假定初始定義與預測結果相關的因子為i個，透過該資料篩選步驟S1A後，可自i個因子中得到較相關的j個因子；其中，i、j皆為正整數，且j不大於i。因此，透過該重要性分析步驟S1A-1，可篩選出與關注結果較高度關聯的因子，並運用較高度關聯的因子進行後續預測模型的學習。如此，一方面可減少整體訓練因子的維度，提升模型訓練與運算速度；另一方面，模型係以較高度關聯的因子訓練，有助於提升模型預測的準確性。

舉例而言，在本發明的一具體實施範例中，承上述資料收集步驟S1所獲取的該九種不同因子及其對應缺陷資訊/目標特性所定義的初步關聯資訊，在該重要性分析步驟S1A-1中，將所述初步關聯資訊運用重要性分析法中的隨機森林演算法進行篩選，可獲得五種對於缺陷發生/目標特性具有顯著影響的因子，以定義上述的重要關聯資訊。詳言之，該重要關聯資訊中的五種因子分別為探針高度、針尖最小直徑、針尖平均直徑、針尖最大直徑及校正位置，且對應的重要性(總和為1)分別為0.3001、0.2440、0.2221、0.1675、0.0663。

在可選的該因子再篩選步驟S1A-2中，可運用一因子間關聯性分析方法將所述初步關聯資訊或該重要關聯資訊轉換為對應的一相關係數矩陣(Correlation Coefficient Matrix)，該相關係數矩陣中包含各因子與缺陷間之一相關性且包含任二種因子間的一關聯度；選擇該相關性不小於一第一篩選閾值所對應的各因子，以獲得與該缺陷發生/目標特性為高度相關的高 相關性因子組合；同時，在任二種因子間的該關聯度不小於一第二篩選閾值時，將該二種因子中與該缺陷的該相關性為較低者定義為一剔除因子，即該剔除因子係代表在考量缺陷是否發生的因子中，可被視為實質上為重複考量的因子；接著，自該高相關性因子組合中將與該剔除因子相同的因子移除，以獲取對應的經再次篩選因子組合，將所述經再次篩選因子組合與是否發生缺陷的資訊關聯，以定義一預測因子資訊。特別地，所述因子間關聯性分析方法係可運用任何已知方法，且為本發明領域中具有通常知識者可理解；舉例而言，所述因子間關聯性分析方法可以是皮爾遜相關係數(Pearson Correlation Coefficient)、斯皮爾曼相關係數(Spearman Rank Correlation Coefficient)、肯德爾相關係數(Kendall Rank Correlation Coefficient)、點二列相關係數(Point-biserial Correlation Coefficient)或其他雙變量回歸分析法，且並不以上述舉例之方法為限，以獲取對應的相關係數矩陣。

在本發明的一具體實施範例中，承上述重要性分析步驟S1A-1所篩選的五種因子與對應缺陷所定義的重要關聯資訊，該因子再篩選步驟S1A-2中，將所述重要關聯資訊運用皮爾遜相關係數的關聯性分析方法，可獲得該重要關聯資訊的相關係數矩陣(Correlation Coefficient Matrix)如下列表1所示。

由表1可知，與探針缺陷記號相關的因子依相關性由大至小排列分別為：針尖最小直徑(對應數值為-0.04)、校正位置(對應數值為-0.034)、針尖平均直徑(對應數值為-0.033)、針尖最大直徑(對應數值為-0.021)及探針高度(-0.0015)。因此，可再由上述五種因子中，選擇相關性較大的k種因子進行後續相關預測模型的訓練，所述k為正整數，且不大於j。詳言之，由上述相關性，可將所有因子的相關性取絕對值相加得到一相關性總和後，在以各因子的相關性除以該相關性總和來觀察各因子的對結果的影響程度。

詳言之，在選擇k種因子的過程中，對應前述有關高相關因子組合的選擇過程，可運用一第一篩選閾值(例如是可定義為不大於100%除以當前因子的數量，為並不以此為限)，並可定義當一因子的相關性占比不小於該第一篩選閾值時，該因子被選擇為後續預測模型中訓練用的資訊。其中，可理解是，當因子所對應的相關性占比越高，該因子與該目標特性的相依程度越高。舉例而言，以表1為例，所述相關性總合為0.1295，針尖最小直徑的相關性占比為30.89%，校正位置的相關性占比為26.25%，針尖平均直徑的相關性占比為25.48%，針尖最大直徑的相關性占比為16.22%，探針高度的相關性占比為1.16%；此時，可使該第一篩選閾值根據實際需求而定義為任意合理的一數值，例如是5%，對應的高相關性因子組合即是由針尖最小直徑、校正位置、針尖平均直徑及針尖最大直徑等因子所組成。

接著，對應前述有關剃除因子的選擇，由表1亦可觀察到任二種因子間的關聯度，並可設定一第二篩選閾值，當任二種因子間的關聯度不小於該第二篩選閾值時，可選擇該二種因子間與該目標特性的相關性高者為代表因子，使其中相關性較低者為剔除因子，並於前述高相關性因子組合中 將與該剔除因子相同的因子移除，以簡化輸入預測模型的資訊量(因子種類的數量)。其中，可理解是，當二種因子間關聯度越高，該二種因子中的一者可反應另一者的程度越高。舉例而言，以表1為例，可觀察到針尖最小直徑、針尖平均直徑、針尖最大直徑間任二者的關聯度最少為0.77(此時對應的第二篩選閾值可例如被設定為不大於0.77)，且針尖最小直徑的因子與該缺陷的相關性占比為該等因子中的最高者，使針尖最小直徑的因子係對應前述的代表因子，且使針尖平均直徑及針尖最大直徑的二種因子係對應前述的剃除因子。

最後，自該高相關性因子組合〔針尖最小直徑，校正位置，針尖平均直徑，針尖最大直徑〕將與所述剔除因子〔針尖平均直徑，針尖最大直徑〕相同的因子移除，以定義所述經再次篩選因子〔針尖最小直徑，校正位置〕。換言之，經上述相關性與關聯度的相關篩選規則，在訓練對應的預測模型時，可以考量使用針尖最小直徑的因子代表針尖平均直徑及針尖最大直徑所對應的兩種因子；亦即，該因子再篩選步驟S1A-2係同時考量該第一篩選閾值(影響缺陷發生的相關性占比)與該第二篩選閾值(因子間的關聯度)以獲得對應的預測因子資訊(包含針尖最小直徑與校正位置的二種因子與對應的缺陷發生資訊)，並以該預測因子資訊進行對應預測模型的訓練。

據由上述的該資料收集步驟S1、可選的該資料篩選步驟S1A中的該重要性分析步驟S1A-1與可選的該因子再篩選步驟S1A-2，可得到數種不同訓練資料的組合一~三，分別為：

(1)訓練資料組合一：用於訓練預測模型的訓練資料(對應前述的初步關聯資訊)僅為經過該資料收集步驟S1所得到的因子與對應的缺陷發生資訊，該因子的種類數量為i種。

(2)訓練資料組合二：用於訓練預測模型的訓練資料(對應前述的重要關 聯資訊)係經過資料收集步驟S1與該重要性分析步驟S1A-1所得到的因子與對應的缺陷發生資訊，該因子的種類數量為j種。

(3)訓練資料組合三：用於訓練預測模型的訓練資料(對應前述的預測因子資訊)係經過資料收集步驟S1、該重要性分析步驟S1A-1及該因子再篩選步驟S1A-2所得到的因子與對應的缺陷發生資訊，該因子的種類數量為k種。

應注意的是，在該等訓練資料組合中，亦包含j種因子與i種因子完全相同情形，或k種因子與j種因子完全相同的情形。用於訓練後續預測模型的資料可以包含前述初步關聯資訊(對應該資料收集步驟S1)，較佳是前述重要性關聯資訊(對應該重要性分析步驟S1A-1)，更佳是前述預測因子資訊(對應該因子再篩選步驟S1A-2)。

在該模型訓練步驟S2中，本發明係提出待訓練一預測模型，該預測模型係運用一機器學習網路架構所建立，特別是運用轉換器架構(Transformer Architecture)，並將前述預測因子資訊輸入至待訓練的該預測模型，以建立經訓練的一預測模型。舉例而言，所述轉換器架構可以是一基礎轉換器架構或一稀疏注意力轉換器架構。

詳言之，如第2圖所示，該基礎轉換器架構具有一編碼器網路(Encoder)與一解碼器網路(Decoder)。該編碼器網路依序包含一多頭自注意力層(Multi-head Self-attention Layer)、一加總與歸一化層(Add & Norm Layer)、一前饋網路層(Feedforward Network)及另一加總與歸一化層。該解碼器網路依序包含一遮罩多頭注意力層(Masked Multi-head Attention Layer)、一加總與歸一化層、一多頭跨注意力層(Multi-head Cross-attention Layer)、另一加總與歸一化層、一前饋網路層、再一加總與歸一化層、一線性層及一歸一化指數層。

詳言之，如第3圖所示，該稀疏注意力轉換器架構係可視為由 該基礎轉換器架構所轉換；其中，該稀疏注意力轉換器架構係以一稀疏多頭自注意力層(Sparse Multi-head Self-attention)取代該基礎轉換器架構中的該遮罩多頭注意力層。

應注意的是，所述基礎轉換器架構與稀疏注意力轉換器架構皆為本領域中具有通常知識依現有技術可理解且實現之技術特徵，故不再贅述對應架構中各層間的數據串流與處理結果的細節；此外，本發明的預測模型亦可運用其他各種不同機器學習網路架構所建立，並不以本發明中所舉例者為限。

在本發明的一具體實施範例中，在該模型訓練步驟S2中係以前述預測因子資訊進行該預測模型的訓練，且該預測模型係以所述基礎轉換器架構所建立；其中，所述預測因子資訊係可作為後續模型的訓練資料，並對應前述訓練資料的組合三。詳言之，該預測因子資訊(作為訓練資料)可拆分成一訓練資料集與一驗證資料集，以完成該預測模型的訓練。其中，根據重要關聯資訊(五種因子與缺陷發生資訊，僅對應該重要性分析步驟S1A-1的結果)與預測因子資訊(二種因子與缺陷發生資訊，包含該重要性分析步驟S1A-1與該因子再篩選步驟S1A-2的結果)所分別建立的預測模型的預測準確率進行比較，使用重要關聯資訊(對應該重要性分析步驟S1A-1)的預測準確率為92.67%，使用預測因子資訊(對應步驟S1A-1、S1A-2)的預測準確率為93.27%，而可證明初步所收集資料可以透過所述重要性分析步驟S1A-1與因子再篩選步驟S1A-2，來確認是否為與所要預測之目標特性(例如是缺陷發生)，當最初所選擇因子種類與數量與最後篩選所得的因子種類與數量相同時，可以驗證/確保所選擇的因子與目標特性間為高關聯性，或當最後篩選所得的因子種類係為最初所選擇因子種類中所縮減的結果時，可以自所選擇的因子中移除與目標特性間較低關聯性者，進而使輸入資訊/訓 練資料降維(縮減因子種類)，而提升對應預測模型在訓練過程中與建立後的應用過程中的預測準確率。其中，在所述重要關聯資訊中的五種因子係為前述之探針高度、針尖最小直徑、針尖平均直徑、針尖最大直徑及校正位置；在所述預測因子資訊中的二種因子係為前述之針尖最小直徑與校正位置。

特別地，針對所述預測因子資訊所建立的預測模型的預測準確率，基於相同的預測模型的架構，本發明進一步運用不同組合的因子來建立對應的預測模型，比較各種因子組合所建立之預測模型的預測準確率如下列表2所呈現，並由表2的結果可驗證，經過上述重要性分析步驟S1A-1與因子再篩選步驟S1A-2所篩選得到的因子，確實可以達成在建立對應的預測模型中具有最高的預測準確率的功效。

特別地，基於運用前述針尖最小直徑與校正位置的兩種因子，進一步比較本發明的預測模型分別使用所述基礎轉換器架構、所述稀疏注意力轉換器架構的結果；其中，在運用所述基礎轉換器架構所建立的預測模型的預測準確率係為前述之93.27%，而在運用所述稀疏注意力轉換器架構所建立的預測模型的預測準確率係為93.98%。換言之，本發明的預測模型可運用該稀疏注意力轉換器架構取代該基礎轉換器架構，以提升所建立模型的預測 準確率。

較佳地，在運用所述稀疏注意力轉換器架構所建立的訓練模型，係應用以下超參數組合。

1.在初始超參數中：

(1)批處理大小(batch_size)為64(預設為32)。

(2)訓練回合(epoachs)為50。

(3)學習率(learning rate)為0.0001(預設為0.0001)。

2.在編碼器網路中的超參數配置：

(1)在多頭自注意力層中：頭部數量為8個，注意力鍵的維度(key_dim)為64。

(2)在前饋網路層中：丟棄率(dropout rate)設置為0.1；全連接層(Dense)的輸出維度為64，並使用ReLU激活函數。

3.在解碼器網路中的超參數配置：

(1)在稀疏注意力層中：頭部數量為8個，注意力鍵的維度64。

(2)在多頭跨注意力層中：頭部數量為8個，注意力鍵的維度為64。

(3)在前饋網路層中：丟棄率設置為0.1；全連接層的輸出維度為64，並使用ReLU激活函數。

(4)在線性層中：輸出維度為2，使用ReLU激活函數。

據由前述內容，本發明提出一種探針記號缺陷之預測模型建立 方法，包含以該資料收集步驟S1(僅步驟S1)，較佳額外以該重要性分析步驟S1A-1(包含步驟S1、S1A-1)，更佳再額外以該因子再篩選步驟S1A-2(包含步驟S1、S1A-1、S1A-2)，所獲取的各種因子與對應的探針記號缺陷是否發生的資訊作為一訓練資料(即以該預測因子資訊作為該訓練資料相同)，將該訓練資料(該預測因子資訊)輸入待訓練的一預測模型以完成該預測模型的訓練/建立。

接者，透過上述方法所建立預測模型，本發明提出一種預測系統具有該預測模型，並透過由該預測模型持續接收/監控當前的一監控資料，即可獲得/預測是否會產生探針記號缺陷的一缺陷機率；其中，所述監控資料中各因子的種類係與該訓練資料(該預測因子資訊)中各因子的種類相同。

特別地，基於上述預測系統，本發明提出一種探針記號缺陷之預防方法，包含：在該預測系統接收/監控到當前一工件所對應的一監控資料而產生對應的一缺陷機率的一情形中，比對該缺陷機率是否超出一預設警示閾值；並在該缺陷機率超出該預設警示閾值的一情形中，於後續其他工件所對應的檢測程序執行前，調整該監控資料中至少一因子在後續的數值不同於該監控資料中該至少一因子在當前的數值，使後續的該監控資料中所具有的各因子的數值所對應的一缺陷機率不會超出該預設警示閾值，以避免持續使用具有高機率產生缺陷的數值，而降低產生缺陷的風險，達成預防缺陷發生的效果。其中，所述預設警示閾值係可依實際加工需求而設定；調整該監控資料中至少一因子的數值之方法係依各因子的特性而具有對應的調整方法。

可選地，可預先輸入對應該訓練資料/監控資料中各因子的不同數值所形成的數據組合，以預先建立一預測機率對照資料，該預測機率對照資料包含各種不同數據組合所對應的是否會產生探針記號缺陷的一缺陷機 率。如此，透過該預測機率對照資料，可作為調整該監控資料中各因子的數值之參考，使調整後的各因子具有低於該預設警示閾值的缺陷機率。

較佳地，在該缺陷機率超出該預設警示閾值的一情形中，調整該監控資料中至少一因子的數值的調整方式，係可由一電腦依預先建立的規則執行對應的調整，而可實現自動化的調整。

綜上所述，本發明的探針記號缺陷之預測模型建立方法，透過重要性分析步驟與因子再篩選步驟所獲得的因子組合，可以確保或提升對應預測模型在訓練過程中與建立後的應用過程中的預測準確率。另，透過使用稀疏注意力轉換器架構所建立的訓練模型及對應的超參數，可以提升所建立的預測模型的準確率。本發明的預測系統，透過具有上述方法所建立的預測模型，在接收對應的因子時可以產生對應的缺陷機率，以監控當前狀態下發生缺陷的風險。本發明的預防方法，透過比對缺陷機率是否超出預設警示閾值，而可以即時調整對應因子，以降低於探針卡檢測晶圓特性的過程中發生缺陷的風險。

雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當包含後附之申請專利範圍所記載的文義及均等範圍內之所有變更。

S1:資料收集步驟

S1A:資料篩選步驟

S1A-1:重要性分析步驟

S1A-2:因子再篩選步驟

S2:模型訓練步驟

Claims (7)

1. 一種探針記號缺陷之預測模型建立方法，係透過一電腦執行以下步驟，所述步驟包含：一資料收集步驟，收集每次探針記號產生過程中的數種不同因子，且由每次所收集的數種不同因子形成一初步因子組合，並將各該初步因子組合與是否發生缺陷的資訊關聯，以定義一初步關聯資訊；一重要性分析步驟，運用一重要性分析法，將所述初步關聯資訊進行篩選，以獲得與該缺陷發生相關的經初步篩選因子組合，並將所述經初步篩選因子組合與是否發生缺陷的資訊關聯，以定義一重要關聯資訊；一因子再篩選步驟，包含運用一因子間關聯性分析方法將該重要關聯資訊轉換為對應的一相關係數矩陣，該相關係數矩陣中包含各因子與缺陷間之一相關性且包含任二種因子間的一關聯度；選擇該相關性不小於一第一篩選閾值所對應的各因子，以定義為一高相關性因子組合；在任二種因子間所對應的關聯度不小於一第二篩選閾值時，將該二種因子中與該缺陷的該相關性為較低者定義為一剔除因子；及自該高相關性因子組合中將與該剔除因子相同的因子移除，以獲取對應的經再次篩選因子組合，將所述經再次篩選因子組合與是否發生缺陷的資訊關聯，以定義一預測因子資訊；及一模型訓練步驟，將所述預測因子資訊輸入至待訓練的一預測模型，以建立經訓練的一預測模型，該預測模型係以一基礎轉換器架構所建立；所述基礎轉換器架構包含一編碼器網路與一解碼器網路；該編碼器網路依序包含一多頭自注意力層、一加總與歸一化層、一前饋網路層及另一加總與歸一化層； 該解碼器網路依序包含一遮罩多頭注意力層、一加總與歸一化層、一多頭跨注意力層、另一加總與歸一化層、一前饋網路層、一加總與歸一化層、一線性層及一歸一化指數層。
2. 一種探針記號缺陷之預測模型建立方法，係透過一電腦執行以下步驟，所述步驟包含：一資料收集步驟，收集每次探針記號產生過程中的數種不同因子，且由每次所收集的數種不同因子形成一初步因子組合，並將各該初步因子組合與是否發生缺陷的資訊關聯，以定義一初步關聯資訊；一重要性分析步驟，運用一重要性分析法，將所述初步關聯資訊進行篩選，以獲得與該缺陷發生相關的經初步篩選因子組合，並將所述經初步篩選因子組合與是否發生缺陷的資訊關聯，以定義一重要關聯資訊；一因子再篩選步驟，包含運用一因子間關聯性分析方法將該重要關聯資訊轉換為對應的一相關係數矩陣，該相關係數矩陣中包含各因子與缺陷間之一相關性且包含任二種因子間的一關聯度；選擇該相關性不小於一第一篩選閾值所對應的各因子，以定義為一高相關性因子組合；在任二種因子間所對應的關聯度不小於一第二篩選閾值時，將該二種因子中與該缺陷的該相關性為較低者定義為一剔除因子；及自該高相關性因子組合中將與該剔除因子相同的因子移除，以獲取對應的經再次篩選因子組合，將所述經再次篩選因子組合與是否發生缺陷的資訊關聯，以定義一預測因子資訊；及一模型訓練步驟，將所述預測因子資訊輸入至待訓練的一預測模型，以建立經訓練的一預測模型，該預測模型係以一稀疏注意力轉換器架構所建立； 所述稀疏注意力轉換器架構包含一編碼器網路與一解碼器網路；該編碼器網路依序包含一多頭自注意力層、一加總與歸一化層、一前饋網路層及另一加總與歸一化層；該解碼器網路依序包含一稀疏多頭自注意力層、一加總與歸一化層、一多頭跨注意力層、另一加總與歸一化層、一前饋網路層、一加總與歸一化層、一線性層及一歸一化指數層。
3. 如請求項2之探針記號缺陷之預測模型建立方法，其中，該預測模型中的超參數係配置如下；在初始超參數中：批處理大小為64，訓練回合為50，學習率為0.0001；在該編碼器網路中：該多頭自注意力層的頭部數量為8個，注意力鍵的維度為64；該前饋網路層中的丟棄率為0.1，全連接層的輸出維度為64並使用ReLU激活函數；及在該解碼器網路中：該稀疏多頭自注意力層的頭部數量為8個，注意力鍵的維度64；該前饋網路層中的丟棄率為0.1，全連接層的輸出維度為64並使用ReLU激活函數；該線性層的輸出維度為2，使用ReLU激活函數。
4. 如請求項1至3中任一項之探針記號缺陷之預測模型建立方法，其中，該重要性分析法係為一隨機森林演算法。
5. 如請求項1至3中任一項之探針記號缺陷之預測模型建立方法，其中，該預測因子資訊係至少由一針尖最小直徑的因子、一校正位置的因子及對應的缺陷發生資訊所組成。
6. 一種用於預測探針記號缺陷的預測系統，包含由請求項1至5中任一項之探針記號缺陷之預測模型建立方法所建立的一預測模型，該預測模型係用於接收一監控資料以輸出是否會產生探針記號缺陷的一缺陷機率；該監控資料中各因子的種類係與該預測因子資訊中各因子的種類相同。
7. 一種用於減少探針記號缺陷的預防方法，包含如請求項6之 預測系統，在該預測系統接收當前一工件所對應的一監控資料而產生對應的一缺陷機率，且在該缺陷機率超出一預設警示閾值的一情形中，於後續其他工件所對應的檢測程序執行前，調整該監控資料中至少一因子在後續的數值不同於該監控資料中該至少一因子在當前的數值，使後續的該監控資料中所具有的各因子的數值所對應的一缺陷機率不超出該預設警示閾值。

Images