仲博 高玮 吕日正

摘  要：为了不断提升晶圆制造水平，越来越多的自动检测技术被用来分析晶圆测试结果图中的次品分布。晶圆制造设备异常造成的次品分布具有形态类似、位置固定、集中发生和跨产品跨批次的特点。结合上述特点整合数据，利用极大梯度提升决策树训练出具有针对性的分类器，可以大大提高检测源于设备异常的次品分布的准确性和速度。该方法易于自动化，并适用于多数晶圆制造设备，是一种有效的晶圆测试结果图的自动检测方法。

关键词：晶圆测试结果图，设备故障，自动检测，极大梯度提升决策树

一、简介

晶圆测试是芯片制造的重要步骤。在晶圆上，对未被切割的芯片进行电性测试，分为良品和各种次品，以便后道继续对良品进行封装，降低制造成本。每颗芯片测试的结果都会按排列位置存储在晶圆测试结果图中，如图1。封装工序就是按照该图选出良品进行加工。另外，结果图中的信息对前道晶圆制造非常重要，对其进行监测和诊断，可以发现问题和提高良率。

对晶圆测试的次品分布进行分析对晶圆生产和质量非常关键，一方面有利于找出造成次品的原因，另一方面有利于筛出潜在次品。次品的空间分布通常分为随机和非随机两种。非随机分布往往表现出一定的空间形态特征，常见的有环状、弧状，线状，块状，十字状等。不同类型的分布反映生产中遇到的不同问题。比如，线状次品分布通常是设备运动中意外接触造成的;边缘环状分布往往是刻蚀工艺出现问题;而晶圆中部次品块状分布需要考虑薄膜淀积工序是否出现问题。因此，需要快速正确的检测出这些次品分布。人工目检是目前常见的手段，但是需要耗费大量人力。而且随着半导体制造水平和产能的全面提升，对半导体生产各方面都提出了更高的自动化要求。对晶圆图的人工目检不适应低成本、高质量、高产出的新要求，自动判别是高效生产的必然选择。

生产设备异常造成的次品分布往往形态类似，位置固定，不限产品、批次，在设备异常的时间段内频繁出现，例如，机械臂运动造成的线状或者弧状划伤，或者承载台表面附着的微小坚硬外来物造成的十字状暗裂，其晶圆测试结果图均具有上述特点，如图2。这些图中的异常分布一旦被注意到，相关部门就会收到警告，问题设备就会得到检修。但由于设备数量众多，加工的晶圆数量巨大，人工筛检差强人意，造成不小的损失。已有的自动检测方法往往关注次品分布的空间特征，没有进一步结合上述的异常设备造成的问题的特点来提升检测的准确率。本文提出的新方法利用了这些特点，使该检测方法更适合于晶圆生产制造，准确率更高。极大梯度提升决策树（XGBoost，Extreme Gradient Boosted Tree）是进来流行的新的集成学习方法，在应用中取得了不错的效果，将它应用于辨别晶圆测试结果图中的次品分布，也取得了不错的效果，提升了本方法的准确性。

二、相关研究

对晶圆测试结果图中的次品的空间分布自动识别和分类的研究，大致可以归为三类。第一类是使用空间特征分析的方法从结果图中提取有用特征并依次判断分类，如[1]和[2]。第二类是对其应用聚类分析的某些方法，如[3]。第三类是利用基于区域特征建立模型，进行分析，如[4]和[5]。此外，针对在一片晶圆图中出现多个甚至多种次品分布模式的情况，[6]给出了解决方法。对如何减少次品分布角度变化带来的影响，[7]进行了探讨。而[8]阐述了极大梯度提升决策树的原理。

三、问题

晶圓生产设备中某些部件出现问题造成的次品空间分布往往具有类似的形态、出现在固定的位置，而且在设备异常期间频繁发生。此外，该现象不限于产品、批次，甚至同一台设备某段时间内加工过的不同产品不同批次也是如此。这是因为设备运行有固定的程序，因此问题造成的影响也有规律。例如，设备中的传送装置的机械臂位置漂移，取放时在固定位置容易造成划伤，晶圆测试结果图中对应位置会有线状或者弧状的次品分布。而如果有微小而坚硬的外来物附着在设备中的承载台表面或真空槽中，晶圆置于其上时，往往会造成线状或者十字状的微裂，测试结果也体现出同样的图案。

由于设备出现类似问题时，其加工过的很多晶圆会在大致相同的物理区域出现类似的次品分布图案，远超随机出现的概率。因此，可以设置一定的时间窗口，侦测该时间段内，经过某设备的晶圆的测试结果图，无论产品、批次，如果在特定范围的区域内出现上述次品分布图案的概率高于阈值，则高度怀疑设备出现问题，由此可以设计自动检测该类问题的算法。需要考虑六方面问题，一是需要通过设备加工晶圆的历史记录，来按序获取时间窗口内被加工的晶圆的测试结果图;二是不同产品的次品分类方式不同，会影响判断分类，需要处理;三是随机分布的次品会对判断分类产生影响。四是由于要按照区域对不同产品的晶圆测试结果图进行处理，需要将不同尺寸的晶圆和芯片转化到统一的最小单位，并按晶圆中心或其他基准位置对齐。五是不同产品晶圆在设备中放置的方向不同，为了对准物理位置，要把晶圆测试结果图按放置方向旋转;六是要训练分类器以正确识别特定的废品分布形态。

四、方法及实验

基于上述问题和思路，开发了结合区域实际位置的晶圆测试结果图特定次品分布的自动检测方法，包括下列步骤。首先，自动获取分析所需信息。根据设定的时间窗口，不断扫描各待检测设备在时间窗口内加工过的晶圆信息，并据此获得该晶圆的测试结果、尺寸和设备内方向等信息。如果数量达到进行运算的要求，则按其在设备中的加工顺序进行整理和标记;如果数量不足，则更新窗口时间或者更换设备继续扫描。

接着，对数据进行预处理。第一，将晶圆测试结果图进行二值化，良品标记为1，次品标记为0。第二，根据晶圆在设备中的方向，对测试结果图进行旋转，使其一致。第三，根据晶圆和芯片的实际尺寸，将测试结果二值图转换为对应实际尺寸的测试结果二值图。第四，根据晶圆在设备中存放的基准点，将待分析的结果图对准叠加，生成待分析的热图和连通域。第五，利用热图的热度和形态学滤波器去除随机分布的次品结果，保留具有特定分布的次品区域。

最后利用訓练好的极大梯度提升决策树分类器判断连通域或者热图中是否存在十字状、线状和弧状等次品分布模式。如果发现该类图形，则发出通知，并按预先设定进行报警、停机或者物料扣留。极大梯度提升决策树是目前流行的一种集成学习方法，通过大量有监督训练，产生并整合大量弱分类器，有效提升了最终判别的准确性。经训练，本分类器集成了对23种3维投影特征的分类树，这些特征包括各种不变矩，次品数量分布、组间中心距等，如图3所示。

利用该方法对晶圆测试部门3年内探针机加工过的晶圆进行检测，成功发现了全部5次该类质量事故。而且根据实验结果可知，在设备发生问题的初期即可有效发现，明显快于当时人工检测的速度。据此，推算出可以减少80%的损失。

五、结论

晶圆制造过程中，设备异常产生的次品在晶圆测试结果图中的分布具有形态类似、位置固定、集中发生和跨产品批次的特点。本方法利用上述特点设计了专门的数据收集和预处理过程，又利用极大梯度提升决策树训练出基于23种特征的判别器，对晶圆测试结果图中的次品分布进行自动检测。经测试，可以有效快速的发现探针机设备异常造成的问题，大幅减少损失。该方法对多数晶圆生产设备具有普适性，通过训练判别器辨认更多的分布模式，可以广泛的应用于晶圆制造设备的监控。

参考文献

[1]K.W.Tobin，S.S.Gleason，T.P.Karnowski，S.L.Cohen，and F.Lakhani，“Auto matic classification of spatial signatures on semiconductor wafer maps，”in Proc.Metrol.Insp.Process Control Microlith.，Santa Clara，CA，USA，1997，pp.434–444.

[2]K.W.Tobin，S.S.Gleason，and T.P.Karnowskii，“Feature analysis and classification of manufacturing signatures based on semiconductor wafermaps，”in Proc.Mach.Vis.Appl.Ind.Insp.，San Jose，CA，USA，1997， pp.14–25.

[3]C.F.Chen，S.C.Hsu，and Y.J.Chen，“A system for online detection and classification of wafer bin map defect patterns for manufacturing intelligence，”Int.J.Prod.Res.，vol.51，no.8，pp.2324–2338，Feb.2013.

[4]T.Yuan and W.Kuo，“Spatial defect pattern recognition in semiconductor manufacturing using model-based clustering and Bayesian inference，” Eur.J.Oper.Res.，vol.190，no.1，pp.228–240，2008.

[5]T.Yuan，S.J.Bae，and J.I.Park，“Bayesian spatial defect pattern recognition in semiconductor fabrication using support vector clustering，”Int.J.Adv.Manuf.Technol.，vol.51，nos.5–8，pp.671–683，2010.

[6]Kyeong K，Kim H.Classification of mixed-type defect patterns in wafer bin maps using convolutional neural networks[J].IEEE Transactions on Semiconductor Manufacturing，PP（99）：1-1.

[7]C.H.Wang，“Recognition of semiconductor defect patterns using spatial filtering and spectral clustering，” Expert Syst.Appl.，vol.34，no.3，pp.1914–1924，2008.

[8]Chen T，Guestrin C.XGBoost：A Scalable Tree Boosting System[J].ACM，2016.