基于極大梯度提升決策樹自動檢測晶圓測試結果圖的新方法

仲博 高瑋 呂日正

摘 ?要：為了不斷提升晶圓制造水平，越來越多的自動檢測技術被用來分析晶圓測試結果圖中的次品分布。晶圓制造設備異常造成的次品分布具有形態類似、位置固定、集中發生和跨產品跨批次的特點。結合上述特點整合數據，利用極大梯度提升決策樹訓練出具有針對性的分類器，可以大大提高檢測源于設備異常的次品分布的準確性和速度。該方法易于自動化，并適用于多數晶圓制造設備，是一種有效的晶圓測試結果圖的自動檢測方法。

關鍵詞：晶圓測試結果圖，設備故障，自動檢測，極大梯度提升決策樹

一、簡介

晶圓測試是芯片制造的重要步驟。在晶圓上，對未被切割的芯片進行電性測試，分為良品和各種次品，以便后道繼續對良品進行封裝，降低制造成本。每顆芯片測試的結果都會按排列位置存儲在晶圓測試結果圖中，如圖1。封裝工序就是按照該圖選出良品進行加工。另外，結果圖中的信息對前道晶圓制造非常重要，對其進行監測和診斷，可以發現問題和提高良率。

對晶圓測試的次品分布進行分析對晶圓生產和質量非常關鍵，一方面有利于找出造成次品的原因，另一方面有利于篩出潛在次品。次品的空間分布通常分為隨機和非隨機兩種。非隨機分布往往表現出一定的空間形態特征，常見的有環狀、弧狀，線狀，塊狀，十字狀等。不同類型的分布反映生產中遇到的不同問題。比如，線狀次品分布通常是設備運動中意外接觸造成的;邊緣環狀分布往往是刻蝕工藝出現問題;而晶圓中部次品塊狀分布需要考慮薄膜淀積工序是否出現問題。因此，需要快速正確的檢測出這些次品分布。人工目檢是目前常見的手段，但是需要耗費大量人力。而且隨著半導體制造水平和產能的全面提升，對半導體生產各方面都提出了更高的自動化要求。對晶圓圖的人工目檢不適應低成本、高質量、高產出的新要求，自動判別是高效生產的必然選擇。

生產設備異常造成的次品分布往往形態類似，位置固定，不限產品、批次，在設備異常的時間段內頻繁出現，例如，機械臂運動造成的線狀或者弧狀劃傷，或者承載臺表面附著的微小堅硬外來物造成的十字狀暗裂，其晶圓測試結果圖均具有上述特點，如圖2。這些圖中的異常分布一旦被注意到，相關部門就會收到警告，問題設備就會得到檢修。但由于設備數量眾多，加工的晶圓數量巨大，人工篩檢差強人意，造成不小的損失。已有的自動檢測方法往往關注次品分布的空間特征，沒有進一步結合上述的異常設備造成的問題的特點來提升檢測的準確率。本文提出的新方法利用了這些特點，使該檢測方法更適合于晶圓生產制造，準確率更高。極大梯度提升決策樹（XGBoost，Extreme Gradient Boosted Tree）是進來流行的新的集成學習方法，在應用中取得了不錯的效果，將它應用于辨別晶圓測試結果圖中的次品分布，也取得了不錯的效果，提升了本方法的準確性。

二、相關研究

對晶圓測試結果圖中的次品的空間分布自動識別和分類的研究，大致可以歸為三類。第一類是使用空間特征分析的方法從結果圖中提取有用特征并依次判斷分類，如[1]和[2]。第二類是對其應用聚類分析的某些方法，如[3]。第三類是利用基于區域特征建立模型，進行分析，如[4]和[5]。此外，針對在一片晶圓圖中出現多個甚至多種次品分布模式的情況，[6]給出了解決方法。對如何減少次品分布角度變化帶來的影響，[7]進行了探討。而[8]闡述了極大梯度提升決策樹的原理。

三、問題

晶圓生產設備中某些部件出現問題造成的次品空間分布往往具有類似的形態、出現在固定的位置，而且在設備異常期間頻繁發生。此外，該現象不限于產品、批次，甚至同一臺設備某段時間內加工過的不同產品不同批次也是如此。這是因為設備運行有固定的程序，因此問題造成的影響也有規律。例如，設備中的傳送裝置的機械臂位置漂移，取放時在固定位置容易造成劃傷，晶圓測試結果圖中對應位置會有線狀或者弧狀的次品分布。而如果有微小而堅硬的外來物附著在設備中的承載臺表面或真空槽中，晶圓置于其上時，往往會造成線狀或者十字狀的微裂，測試結果也體現出同樣的圖案。

由于設備出現類似問題時，其加工過的很多晶圓會在大致相同的物理區域出現類似的次品分布圖案，遠超隨機出現的概率。因此，可以設置一定的時間窗口，偵測該時間段內，經過某設備的晶圓的測試結果圖，無論產品、批次，如果在特定范圍的區域內出現上述次品分布圖案的概率高于閾值，則高度懷疑設備出現問題，由此可以設計自動檢測該類問題的算法。需要考慮六方面問題，一是需要通過設備加工晶圓的歷史記錄，來按序獲取時間窗口內被加工的晶圓的測試結果圖;二是不同產品的次品分類方式不同，會影響判斷分類，需要處理;三是隨機分布的次品會對判斷分類產生影響。四是由于要按照區域對不同產品的晶圓測試結果圖進行處理，需要將不同尺寸的晶圓和芯片轉化到統一的最小單位，并按晶圓中心或其他基準位置對齊。五是不同產品晶圓在設備中放置的方向不同，為了對準物理位置，要把晶圓測試結果圖按放置方向旋轉;六是要訓練分類器以正確識別特定的廢品分布形態。

四、方法及實驗

基于上述問題和思路，開發了結合區域實際位置的晶圓測試結果圖特定次品分布的自動檢測方法，包括下列步驟。首先，自動獲取分析所需信息。根據設定的時間窗口，不斷掃描各待檢測設備在時間窗口內加工過的晶圓信息，并據此獲得該晶圓的測試結果、尺寸和設備內方向等信息。如果數量達到進行運算的要求，則按其在設備中的加工順序進行整理和標記;如果數量不足，則更新窗口時間或者更換設備繼續掃描。

接著，對數據進行預處理。第一，將晶圓測試結果圖進行二值化，良品標記為1，次品標記為0。第二，根據晶圓在設備中的方向，對測試結果圖進行旋轉，使其一致。第三，根據晶圓和芯片的實際尺寸，將測試結果二值圖轉換為對應實際尺寸的測試結果二值圖。第四，根據晶圓在設備中存放的基準點，將待分析的結果圖對準疊加，生成待分析的熱圖和連通域。第五，利用熱圖的熱度和形態學濾波器去除隨機分布的次品結果，保留具有特定分布的次品區域。

最后利用訓練好的極大梯度提升決策樹分類器判斷連通域或者熱圖中是否存在十字狀、線狀和弧狀等次品分布模式。如果發現該類圖形，則發出通知，并按預先設定進行報警、停機或者物料扣留。極大梯度提升決策樹是目前流行的一種集成學習方法，通過大量有監督訓練，產生并整合大量弱分類器，有效提升了最終判別的準確性。經訓練，本分類器集成了對23種3維投影特征的分類樹，這些特征包括各種不變矩，次品數量分布、組間中心距等，如圖3所示。

利用該方法對晶圓測試部門3年內探針機加工過的晶圓進行檢測，成功發現了全部5次該類質量事故。而且根據實驗結果可知，在設備發生問題的初期即可有效發現，明顯快于當時人工檢測的速度。據此，推算出可以減少80%的損失。

五、結論

晶圓制造過程中，設備異常產生的次品在晶圓測試結果圖中的分布具有形態類似、位置固定、集中發生和跨產品批次的特點。本方法利用上述特點設計了專門的數據收集和預處理過程，又利用極大梯度提升決策樹訓練出基于23種特征的判別器，對晶圓測試結果圖中的次品分布進行自動檢測。經測試，可以有效快速的發現探針機設備異常造成的問題，大幅減少損失。該方法對多數晶圓生產設備具有普適性，通過訓練判別器辨認更多的分布模式，可以廣泛的應用于晶圓制造設備的監控。

參考文獻

[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.