TWI863041B

TWI863041B - 即時晶圓加工品質估測的方法及電子裝置

Info

Publication number: TWI863041B
Application number: TW111145715A
Authority: TW
Inventors: 鄭志鈞; 程文男; 林盟弼; 李奇峰; 蔣子凡; 陳韋任; 陳建宏; 梁修啟; 施英汝
Original assignee: 環球晶圓股份有限公司
Priority date: 2022-11-29
Filing date: 2022-11-29
Publication date: 2024-11-21
Also published as: CN118116817A; TW202422725A

Abstract

本發明實施例提供一種即時晶圓加工品質估測的方法及電子裝置。所述方法包括：取得晶圓加工設備在對晶圓進行加工操作時所產生的加工狀態信號；以及透過將加工狀態信號輸入機器學習模型而取得加工操作的即時加工品質，其中機器學習模型因應於加工狀態信號而估計加工操作的即時加工品質。

Description

即時晶圓加工品質估測的方法及電子裝置

本發明是有關於一種管理晶圓加工品質的技術，且特別是有關於一種即時晶圓加工品質估測的方法及電子裝置。

在完成矽晶圓的研磨加工之後，檢測人員會對矽晶圓的各項規格（例如矽晶圓表面的潔淨度、粗糙度、總厚度變異（total thickness variation，TTV）、翹曲度（Bow）及彎曲度（Warp））進行檢查。在檢查矽晶圓表面的粗糙度時，檢測人員一般是使用粗糙度儀進行量測。針對TTV、翹曲度、彎曲度等規格，檢測人員則是利用非接觸式晶圓量測儀進行檢測，以確保矽晶圓表面的精度或品質符合要求。

由於晶圓研磨加工屬於大量生產，但目前的檢測人力無法負擔全面檢測，因此多半改為採用抽樣的方式進行晶圓精度或品質的檢測。然而，此作法將無法因應於加工過程的異常現象而進行即時調校，因此難以保證每一片晶片都符合需求。

有鑑於此，本發明提供一種即時晶圓加工品質估測的方法及電子裝置，其可用於解決上述技術問題。

本發明實施例提供一種即時晶圓加工品質估測的方法，適於一電子裝置，包括：取得一晶圓加工設備在對一晶圓進行一加工操作時所產生的至少一加工狀態信號；以及透過將至少一加工狀態信號輸入至少一機器學習模型而取得加工操作的至少一即時加工品質，其中至少一機器學習模型因應於至少一加工狀態信號而估計加工操作的至少一即時加工品質。

本發明實施例提供一種電子裝置，包括儲存電路及處理器。儲存電路儲存一程式碼。處理器耦接儲存電路並存取程式碼以執行：取得一晶圓加工設備在對一晶圓進行一加工操作時所產生的至少一加工狀態信號；以及透過將至少一加工狀態信號輸入至少一機器學習模型而取得加工操作的至少一即時加工品質，其中至少一機器學習模型因應於至少一加工狀態信號而估計加工操作的至少一即時加工品質。

請參照圖1，其是依據本發明之一實施例繪示的電子裝置示意圖。在不同的實施例中，電子裝置100例如是各式智慧型裝置及/或電腦裝置。在一些實施例中，電子裝置100亦可整合至晶圓加工設備內以作為晶圓加工設備內的處理裝置/人機介面使用，但可不限於此。

在圖1中，電子裝置100包括儲存電路102及處理器104。儲存電路102例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合，而可用以記錄多個程式碼或模組。

處理器104耦接於儲存電路102，並可為一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器（microprocessor）、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用積體電路（Application Specific Integrated Circuit，ASIC）、現場可程式閘陣列電路（Field Programmable Gate Array，FPGA）、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器（Advanced RISC Machine，ARM）的處理器以及類似品。

在本發明的實施例中，處理器104可存取儲存電路102中記錄的模組、程式碼來實現本發明提出的即時晶圓加工品質估測的方法，其細節詳述如下。

請參照圖2，其是依據本發明之一實施例繪示的即時晶圓加工品質估測的方法流程圖。本實施例的方法可由圖1的電子裝置100執行，以下即搭配圖1所示的元件說明圖2各步驟的細節。

首先，在步驟S210中，處理器104取得晶圓加工設備在對晶圓進行加工操作時所產生的加工狀態信號。在一些實施例中，上述由晶圓加工設備對晶圓進行的加工操作例如包括晶圓加工設備對晶圓進行的研磨。

請參照圖3，其是依據本發明之一實施例繪示的晶圓加工設備示意圖。在圖3中，晶圓加工設備300可包括轉台310及磨輪320。在一實施例中，轉台310可用於承載待研磨的晶圓330（其例如具有半徑），並可以轉速旋轉，進而帶動晶圓330以轉速旋轉。磨輪320（其例如具有半徑）可具有主軸321及研磨部322，其中主軸321可以轉速旋轉，而研磨部322上可設置有用於研磨晶圓330的磨粒。

在一些實施例中，磨輪320上可具有參考點A、B、C，而操作人員可藉由調整參考點A、B、C的位置來設定磨輪320研磨晶圓330時的傾斜角度。並且，轉速、轉速、磨輪320的磨輪進給率（feed rate）以及轉台310與主軸321之間的偏心距離（offset）也皆可由操作人員依需求而設定。藉此，晶圓加工設備300即可依據操作人員的上述設定對晶圓330進行相應的研磨加工。

然而，在一些實施例中，若操作人員未能適當地進行上述數值的設定，則在晶圓加工設備300完成對晶圓330的研磨加工之後，可能會令晶圓330的各項規格出現不符需求的情況。

為避免出現上述情形，處理器104在步驟S210中可即時取得晶圓加工設備300對晶圓330進行研磨加工時所產生的加工狀態信號。

在不同的實施例中，上述加工狀態信號可依設計者的需求而包括各式信號。在第一實施例中，主軸321上可裝設有第一加速規。在此情況下，在磨輪320研磨晶圓330的過程中，將相應地令主軸321產生振動，進而讓第一加速規偵測到對應的第一振動信號（下稱V1）。基此，在磨輪320研磨晶圓330的過程中，處理器104可從此第一加速規取得第一振動信號V1，以作為加工狀態信號。

在第二實施例中，轉台310的主軸上可裝設有第二加速規。在此情況下，在磨輪320研磨晶圓330的過程中，將相應地令轉台310的主軸產生振動，進而讓第二加速規偵測到對應的第二振動信號（下稱V2）。基此，在磨輪320研磨晶圓330的過程中，處理器104可從此第二加速規取得第二振動信號V2，以作為加工狀態信號。

在第三實施例中，晶圓加工設備300附近可設置有麥克風裝置，而此麥克風裝置可用於收集晶圓加工設備300在對晶圓330進行加工操作的過程中所產生的聲音。基此，在磨輪320研磨晶圓330的過程中，處理器104可從此麥克風裝置取得聲音信號（下稱AU1），以作為加工狀態信號。

在第四實施例中，處理器104也可取第一振動信號V1、第二振動信號V2及聲音信號AU1的任意組合作為所考慮的加工狀態信號，但可不限於此。

在取得所考慮的加工狀態信號之後，在步驟S220中，處理器104透過將加工狀態信號輸入機器學習模型而取得上述加工操作的即時加工品質。

在本發明的實施例中，上述即時加工品質例如包括晶圓330的即時表面粗糙度、總厚度變異、翹曲度及彎曲度的至少其中之一。在一些實施例中，上述即時加工品質可理解為由機器學習模型依據加工狀態信號估測而得。

在一實施例中，不同的即時加工品質可對應於不同的機器學習模型。舉例而言，即時表面粗糙度、總厚度變異、翹曲度及彎曲度可分別對應於第一機器學習模型、第二機器學習模型、第三機器學習模型及第四機器學習模型。在此情況下，處理器104可將所考慮的加工狀態信號個別輸入第一機器學習模型、第二機器學習模型、第三機器學習模型及第四機器學習模型，以由第一機器學習模型、第二機器學習模型、第三機器學習模型及第四機器學習模型分別因應於加工狀態信號而提供估測的即時表面粗糙度、總厚度變異、翹曲度及彎曲度。

在另一實施例中，不同的即時加工品質亦可同時由同一個機器學習模型估測。舉例而言，即時表面粗糙度、總厚度變異、翹曲度及彎曲度（或其任意組合）可同時對應於一特定機器學習模型。在此情況下，處理器104可將所考慮的加工狀態信號輸入所述特定機器學習模型，以由所述特定機器學習模型因應於加工狀態信號而同時提供估測的即時表面粗糙度、總厚度變異、翹曲度及彎曲度，但可不限於此。

在一實施例中，為使各機器學習模型具備上述能力，在各機器學習模型的訓練過程中，設計者可將經特殊設計的訓練資料饋入各機器學習模型，以讓各機器學習模型進行相應的學習。舉例而言，在取得某筆已標註為對應於某個表面粗糙度（以R表示）的加工狀態信號（例如是量測自對某晶圓進行研磨加工的過程）之後，處理器104可據以產生對應的特徵向量，並將其饋入對應於表面粗糙度的第一機器學習模型。藉此，可讓第一機器學習模型從此特徵向量中學習有關於上述表面粗糙度（即，R）的加工狀態信號的相關特徵。在此情況下，當第一機器學習模型日後接收對應於上述加工狀態信號的特徵向量時，第一機器學習模型即可相應地估測當下正被研磨的晶圓的表面粗糙度為R，但可不限於此。

舉另一例而言，在取得某筆已標註為對應於某個總厚度變異（以T表示）的加工狀態信號（例如是量測自對某晶圓進行研磨加工的過程）之後，處理器104可據以產生對應的特徵向量，並將其饋入對應於總厚度變異的第二機器學習模型。藉此，可讓第二機器學習模型從此特徵向量中學習有關於某個總厚度變異（即，T）的加工狀態信號的相關特徵。在此情況下，當第二機器學習模型日後接收對應於上述加工狀態信號的特徵向量時，第二機器學習模型即可相應地估測當下正被研磨的晶圓的總厚度變異為T，但可不限於此。

舉再一例而言，在取得某筆已標註為對應於某個表面粗糙度（例如R）、總厚度變異（例如T）、翹曲度（以BW表示）及彎曲度（以W表示）的加工狀態信號（例如是量測自對某晶圓進行研磨加工的過程）之後，處理器104可據以產生對應的特徵向量，並將其饋入對應的特定機器學習模型。藉此，可讓特定機器學習模型從此特徵向量中學習有關於上述表面粗糙度（即，R）、總厚度變異（即，T）、翹曲度（即，BW）及彎曲度（即，W）的加工狀態信號的相關特徵。在此情況下，當特定機器學習模型日後接收對應於上述加工狀態信號的特徵向量時，特定機器學習模型即可相應地估測當下正被研磨的晶圓的表面粗糙度為R、總厚度變異為T、翹曲度為BW及彎曲度為W，但可不限於此。

在一實施例中，處理器104在步驟S210中所取得的加工狀態信號的態樣/成分需相同於用於訓練機器學習模型的訓練資料。

舉例而言，若在訓練某機器學習模型時所用的訓練資料係由對應於第一振動信號V1的第三振動信號（例如是在晶圓加工設備300對某晶圓進行加工操作時由第一加速規所測得）組成，則處理器104在步驟S210中所取得的加工狀態信號即需由第一振動信號V1組成。

舉另一例而言，若在訓練某機器學習模型時所用的訓練資料係由上述第三振動信號及對應於第二振動信號V2的第四振動信號（例如是在晶圓加工設備300對某晶圓進行加工操作時由第二加速規所測得）組成，則處理器104在步驟S210中所取得的加工狀態信號即需由第一振動信號V1及第二振動信號V2組成。

舉再一例而言，若在訓練某機器學習模型時所用的訓練資料係由上述第三振動信號、第四振動信號及對應於聲音信號AU1的另一聲音信號（例如是在晶圓加工設備300對某晶圓進行加工操作時由麥克風裝置所測得）組成，則處理器104在步驟S210中所取得的加工狀態信號即需由第一振動信號V1、第二振動信號V2及聲音訊號AU1組成。

在不同的實施例中，上述各機器學習模型可依設計者的需求而基於現有的各式機器學習演算法實現。為便於說明，以下假設上述第一、第二、第三、第四機器學習模型皆基於隨機森林演算法實現，但可不限於此。

在本發明的實施例中，處理器104可先基於隨機搜尋（random search）及5折交叉驗證（5-fold Cross-validation）來從多個第一超參數組合中篩選出適合用於進行（對應於表面粗糙度的）第一機器學習模型的訓練的一者。在一實施例中，上述第一超參數組合中的前10名可如下表1所例示，而表1中各參數的涵義可如表2所例示。

編號	參數1	參數2	參數3	參數4	參數5	參數6
0	24	18	77	True	0.091369	1
1	41	12	55	True	0.084644	2
2	121	20	33	True	0.082841	3
3	70	12	33	True	0.080626	4
4	63	14	66	True	0.080136	5
5	124	14	22	True	0.077544	6
6	144	8	55	True	0.077255	7
7	137	14	33	True	0.076922	8
8	180	16	44	True	0.073233	9
9	79	4	66	True	0.072590	10

表1

參數	涵義
參數1（n_estimators）	森林中樹木的數量，預設為100
參數2（min_samples_split）	內部節點再劃分時所需的最小樣本數（即，至少有多少資料才能再分）
參數3（max_depth）	決策樹最大深度
參數4（booststrap）	自助抽樣方法，在自身樣本中採樣來估計真實分佈的問題
參數5（mean_test_score）	平均測試分數
參數6（rank_test_score）	測試分數排名

表2

在表1情境中，編號0的第一超參數組合例如可用於作為訓練第一機器學習模型的最佳超參數組合，但可不限於此。

在一實施例中，處理器104可先基於隨機搜尋及5折交叉驗證來從多個第二超參數組合中篩選出適合用於進行（對應於TTV的）第二機器學習模型的訓練的一者。在一實施例中，上述第二超參數組合中的前10名可如下表3所例示，而表3中各參數的涵義可參照表2的內容。

編號	參數1	參數2	參數3	參數4	參數5	參數6
0	20	6	22	True	0.046149	1
1	121	2	22	True	0.042938	2
2	126	8	88	True	0.036442	3
3	6	10	33	True	0.033491	4
4	27	8	99	True	0.032685	5
5	148	14	22	True	0.032246	6
6	61	18	99	True	0.031406	7
7	113	2	66	True	0.031187	8
8	150	16	22	True	0.028614	9
9	179	4	33	True	0.027713	10

表3

在表3情境中，編號0的第二超參數組合例如可用於作為訓練第二機器學習模型的最佳超參數組合，但可不限於此。

在一實施例中，處理器104可先基於隨機搜尋及5折交叉驗證來從多個第三超參數組合中篩選出適合用於進行（對應於翹曲度的）第三機器學習模型的訓練的一者。在一實施例中，上述第三超參數組合中的前10名可如下表4所例示，而表4中各參數的涵義可參照表2的內容。

編號	參數1	參數2	參數3	參數4	參數5	參數6
0	25	14	88	True	0.025933	1
1	128	4	1	True	-0.009232	2
2	101	12	1	True	-0.010955	3
3	156	18	1	True	-0.014757	4
4	113	18	22	True	-0.020440	5
5	101	2	1	True	-0.020785	6
6	68	14	88	True	-0.022272	7
7	176	12	1	True	-0.022826	8
8	142	16	66	True	-0.022875	9
9	127	18	1	True	-0.022938	10

表4

在表4情境中，編號0的第三超參數組合例如可用於作為訓練第三機器學習模型的最佳超參數組合，但可不限於此。

在一實施例中，處理器104可先基於隨機搜尋及5折交叉驗證來從多個第四超參數組合中篩選出適合用於進行（對應於彎曲度的）第四機器學習模型的訓練的一者。在一實施例中，上述第四超參數組合中的前10名可如下表5所例示，而表5中各參數的涵義可參照表2的內容。

編號	參數1	參數2	參數3	參數4	參數5	參數6
0	6	12	55	True	-0.304832	1
1	15	20	11	True	-0.317027	2
2	11	20	22	True	-0.417495	3
3	44	2	1	True	-0.434407	4
4	28	6	110	True	-0.438435	5
5	33	6	33	True	-0.486140	6
6	8	18	1	True	-0.501083	7
7	133	4	33	True	-0.541256	8
8	67	2	44	True	-0.552761	9
9	75	6	1	True	-0.555465	10

表5

在表5情境中，編號0的第四超參數組合例如可用於作為訓練第四機器學習模型的最佳超參數組合，但可不限於此。

請再次參照圖2，在取得加工操作的即時加工品質之後，處理器104還可進一步判斷所取得的即時加工品質是否異常。在一實施例中，反應於判定即時加工品質為異常，處理器104可提供警示訊息（步驟S230）。

舉例而言，若所取得的即時加工品質為估測的表面粗糙度，則處理器104可將此估測的表面粗糙度與表面粗糙度閾值進行比較。若此估測的表面粗糙度高於表面粗糙度閾值，則處理器104例如可判定即時加工品質為異常，進而提供相應的警示訊息供相關人員參考並採取對應的改善措施。

舉另一例而言，若所取得的即時加工品質為估測的TTV及翹曲度，則處理器104可將此估測的TTV及翹曲度分別與TTV閾值及翹曲度閾值進行比較。若此估測的TTV高於TTV閾值，或是估測的翹曲度高於翹曲度閾值，則處理器104例如可判定即時加工品質為異常，進而提供相應的警示訊息供相關人員參考並採取對應的改善措施。

綜上所述，本發明的實施例可依據晶圓加工設備在對晶圓進行加工操作時所產生的加工狀態信號而判定對應的即時加工品質。藉此，可對所有加工中的晶圓進行即時檢測。並且，本發明實施例還可在判定晶圓的即時加工品質出現異常時提供警示訊息，以令相關人員可據以進行相應的調校，進而讓此晶圓能夠滿足規格上的需求。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

100:電子裝置 102:儲存電路 104:處理器 300:晶圓加工設備 310:轉台 320:磨輪 321:主軸 322:研磨部 330:晶圓 S210~S230:步驟 A、B、C:參考點、 :半徑、 :轉速

圖1是依據本發明之一實施例繪示的電子裝置示意圖。圖2是依據本發明之一實施例繪示的即時晶圓加工品質估測的方法流程圖。圖3是依據本發明之一實施例繪示的晶圓加工設備示意圖。

S210~S230:步驟

Claims

一種即時晶圓加工品質估測的方法，適於一電子裝置，包括：取得一晶圓加工設備在對一晶圓進行一加工操作時所產生的一個加工狀態信號，其中該加工狀態信號包括一第一振動信號、一第二振動信號及一聲音信號的其中之一，且取得該晶圓加工設備在對該晶圓進行該加工操作時所產生的該加工狀態信號的步驟包括：從裝設於該晶圓加工設備的一磨輪主軸上的一第一加速規取得該第一振動信號；從裝設於一轉台的一轉台主軸上的一第二加速規取得該第二振動信號，其中該轉台承載該晶圓；或者從一麥克風裝置取得該聲音信號，其中該麥克風裝置用於收集該晶圓加工設備在對該晶圓進行該加工操作的過程中所產生的聲音；以及透過將該加工狀態信號輸入至少一機器學習模型而取得該加工操作的至少一即時加工品質，包括：將該加工狀態信號輸入第一機器學習模型，其中該第一機器學習模型因應於該加工狀態信號提供即時表面粗糙度；將該加工狀態信號輸入第二機器學習模型，其中該第二機器學習模型因應於該加工狀態信號提供即時總厚度變異；將該加工狀態信號輸入第三機器學習模型，其中該第三機器學習模型因應於該加工狀態信號提供即時翹曲度；以及將該加工狀態信號輸入第四機器學習模型，其中該第四機器學習模型因應於該加工狀態信號提供即時彎曲度。
如請求項1所述的方法，其中該加工操作包括由該晶圓加工設備的該磨輪對位於該轉台上的該晶圓進行的一研磨加工。
如請求項1所述的方法，更包括：反應於判定該至少一即時加工品質為異常，提供一警示訊息。
如請求項1所述的方法，其中各該機器學習模型是基於以隨機搜尋及5折交叉驗證而從多個第一超參數組合中篩選出的超參數組合進行訓練。
一種電子裝置，包括：一儲存電路，其儲存一程式碼；以及一處理器，其耦接該儲存電路並存取該程式碼以執行：取得一晶圓加工設備在對一晶圓進行一加工操作時所產生的一個加工狀態信號，其中該加工狀態信號包括一第一振動信號、一第二振動信號及一聲音信號的其中之一，且取得該晶圓加工設備在對該晶圓進行該加工操作時所產生的該加工狀態信號驟包括：從裝設於該晶圓加工設備的一磨輪主軸上的一第一加速規取得該第一振動信號；從裝設於一轉台的一轉台主軸上的一第二加速規取得該第二振動信號，其中該轉台承載該晶圓；或者從一麥克風裝置取得該聲音信號，其中該麥克風裝置用於收集該晶圓加工設備在對該晶圓進行該加工操作的過程中所產生的聲音；以及透過將該加工狀態信號輸入至少一機器學習模型而取得該加工操作的至少一即時加工品質，包括：將該加工狀態信號輸入第一機器學習模型，其中該第一機器學習模型因應於該加工狀態信號提供即時表面粗糙度；將該加工狀態信號輸入第二機器學習模型，其中該第二機器學習模型因應於該加工狀態信號提供即時總厚度變異；將該加工狀態信號輸入第三機器學習模型，其中該第三機器學習模型因應於該加工狀態信號提供即時翹曲度；以及將該加工狀態信號輸入第四機器學習模型，其中該第四機器學習模型因應於該加工狀態信號提供即時彎曲度。