本發(fā)明是有關(guān)于一種辨識良率損失的根本原因的系統(tǒng)與方法，且特別是有關(guān)于一種具有可靠度指標(biāo)的辨識良率損失的根本原因的系統(tǒng)與方法，此可靠度指標(biāo)是用以評估所辨識出的根本原因的可靠度。
背景技術(shù)：
：產(chǎn)品良率會直接影響生產(chǎn)成本。所有的制造者無不尋求在發(fā)展和大量生產(chǎn)階段中迅速地提高產(chǎn)品良率。換言之，當(dāng)良率損失發(fā)生時，必須在研發(fā)和大量生產(chǎn)階段中快速地找出引起此良率損失的根本原因。當(dāng)遭遇到良率損失時，已知的良率提升方法是收集所有生產(chǎn)相關(guān)數(shù)據(jù)來進行大數(shù)據(jù)分析，以找出造成良率損失的根本原因并改正這些根本原因。然而，生產(chǎn)相關(guān)數(shù)據(jù)常常是數(shù)量龐大且復(fù)雜的，因此非常難以從生產(chǎn)相關(guān)數(shù)據(jù)中尋找良率損失的根本原因。隨著半導(dǎo)體及薄膜晶體管液晶顯示器(TFT-LCD)制造技術(shù)的進步，其制程變得愈來愈復(fù)雜。因此，如何維持這些復(fù)雜的制程的可行的良率便成為一必要的議題。良率管理系統(tǒng)的目標(biāo)是在提升良率。然而，在研發(fā)和產(chǎn)量上升階段中，工件數(shù)量少，使得良率管理系統(tǒng)難以在所有生產(chǎn)機臺中找出缺陷的根本原因。因此，如何在有限數(shù)量的工件樣本情況下于數(shù)量眾多生產(chǎn)機臺中，找出造成良率損失的不良制程機臺的關(guān)鍵參數(shù)，便成為眾所關(guān)心的議題。這種挑戰(zhàn)即所謂的高維度變數(shù)選取(HighDimensionalVariableSelection)問題，其亦標(biāo)示為p>>n的問題，其中“p”代表半導(dǎo)體及TFT-LCD制程中的制程機臺的解釋制程相關(guān)參數(shù)的數(shù)量，而另一方面，“n”是半導(dǎo)體及TFT-LCD制程中的成品(被處理的工件)的采樣數(shù)目。技術(shù)實現(xiàn)要素：本發(fā)明的一目的是在提供一種可于短時間辨識出良率損失的根本原因的系統(tǒng)與方法。本發(fā)明的又一目的是在提供一種信賴指標(biāo)(RIk)，以評估搜尋結(jié)果的可靠程度。根據(jù)本發(fā)明上述目的，提出一種辨識良率損失的根本原因的方法。在此方法中，首先提供一生產(chǎn)線，此生產(chǎn)線包含多個制程站(Stages)，每一個制程站包含多個制程機臺，這些制程機臺分別屬于多個制程機臺型式，每一個制程機臺包含至少一個制程裝置，每一制程裝置具有多個制程參數(shù)，這些制程參數(shù)是配置以處理多個工件其中一個工件。然后，根據(jù)多個生產(chǎn)路徑分別處理工件，每一個生產(chǎn)路徑指出在這些制程站中的這些制程機臺的這些制程裝置其中一個預(yù)設(shè)裝置，用以處理這些工件其中一個工件。接著，對被對應(yīng)的預(yù)設(shè)裝置處理后的每一個工件進行量測，以獲得對應(yīng)至這些工件的多組線上量測值。然后，對通過生產(chǎn)線后的每一個工件進行至少一個良率測試，以獲得分別對應(yīng)至這些工件的多組最終檢查值。接著，根據(jù)這些組最終檢查值決定是否遭遇一良率測試失敗。然后，當(dāng)遭遇到良率測試失敗時，進行一第一階段，此第一階段包含一第一根本原因?qū)ふ也襟E。在第一根本原因?qū)ふ也襟E中，首先基于一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法(TriplePhaseOrthogonalgreedyalgorithm；TPOGA)、最小絕對壓縮挑選機制(LeastAbsoluteShrinkageandSelectionOperator；LASSO)演算法、或提高樣本使用率的回歸樹(Sample-EfficientRegressionTrees；SERT)演算法。接著，通過輸入這些工件的這些組最終檢查值、這些工件的這些組線上量測值和這些工件的這些生產(chǎn)路徑至上述的第一搜尋模型中，以從在這些制程站的這些制程機臺的這些制程裝置中辨識出可能會造成良率測試失敗的至少一個第一關(guān)鍵裝置。在一些實施例中，在第一階段中，基于一第二演算法來建立一第二搜尋模型，其中第二演算法與第一演算法不相同，第二演算法為三階段正交貪婪演算法、最小絕對壓縮挑選機制演算法、或提高樣本使用率的回歸樹演算法。接著，通過輸入這些工件的這些組最終檢查值、這些工件的這些組線上量測值和這些工件的這些生產(chǎn)路徑至第二搜尋模型中，以從在這些制程站的此制程機臺的這些制程裝置中辨識出可能會造成良率測試失敗的至少一個第二關(guān)鍵裝置。然后，對第一關(guān)鍵裝置進行排名與評分，并對第二關(guān)鍵裝置進行排名與評分。接著，比較第一關(guān)鍵裝置和第二關(guān)鍵裝置間的排名的相似度，以獲得一第一信心指標(biāo)，來評估第一關(guān)鍵裝置和第二關(guān)鍵裝置的辨識結(jié)果的可靠程度。在一些實施例中，在第一階段后，進行一第二階段，第二階段包含一第二根本原因?qū)ふ也襟E，在第二根本原因?qū)ふ也襟E中，自至少一個第一關(guān)鍵裝置選擇一個第一關(guān)鍵裝置，其中此被選到的第一關(guān)鍵裝置是屬于這些制程機臺型式中的一關(guān)鍵制程機臺型式。接著，通過輸入這些工件的這些組最終檢查值、和在全部的這些制程站上屬于此關(guān)鍵制程機臺型式的這些制程機臺的這些制程裝置的全部這些制程參數(shù)的數(shù)值至第一搜尋模型中，以辨識出可能會造成良率測試失敗的多個第一關(guān)鍵制程參數(shù)。在一些實施例中，在第二階段中，通過輸入這些工件的這些組最終檢查值、和在全部的這些制程站上屬于此關(guān)鍵制程機臺型式的這些制程機臺的這些制程裝置的全部這些制程參數(shù)的數(shù)值至第二搜尋模型中，以辨識出可能會造成良率測試失敗的多個第二關(guān)鍵制程參數(shù)。接著，對這些第一關(guān)鍵制程參數(shù)進行排名與評分，并對這些第二關(guān)鍵制程參數(shù)進行排名與評分。然后，比較這些第一關(guān)鍵制程參數(shù)和這些第二關(guān)鍵制程參數(shù)間的排名的相似度，以獲得一第二信心指標(biāo)，來評估第一關(guān)鍵制程參數(shù)和第二關(guān)鍵制程參數(shù)的辨識結(jié)果的可靠程度。在一些實施例中，對被對應(yīng)的預(yù)設(shè)裝置處理后的每一個工件進行量測的步驟還包含：對每一個工件進行虛擬量測。在一些實施例中，最小絕對壓縮挑選機制演算法包含一自動調(diào)整懲罰系數(shù)(λ)值的方法。根據(jù)本發(fā)明上述目的，提出另一種辨識良率損失的根本原因的方法，其中此良率損失是發(fā)生在一生產(chǎn)線上，此生產(chǎn)線包含多個制程站，每一個制程站包含至少一個制程機臺，此至少一個制程機臺屬于至少一個制程機臺型式其中一者，每一個制程機臺包含至少一個制程裝置，每一個制程裝置具有多個制程參數(shù)，這些制程參數(shù)是配置以處理多個工件中的一工件。此辨識良率損失的根本原因的方法包含：獲得多個生產(chǎn)路徑，每一個生產(chǎn)路徑指出在這些制程站中的這些制程機臺的這些制程裝置中的一預(yù)設(shè)裝置，用以處理這些工件中的一工件；接收這些工件的多組線上量測值，其中這些組線上量測值是通過對被預(yù)設(shè)裝置處理后的這些工件進行量測來獲得；接收對應(yīng)至這些工件的多組最終檢查值，其中這些組最終檢查值是通過對通過此生產(chǎn)線后的每一個工件進行至少一良率測試來獲得；根據(jù)這些組最終檢查值決定是否遭遇一良率測試失??；當(dāng)遭遇到良率測試失敗時，進行一第一階段，第一階段包含一第一根本原因?qū)ふ也襟E。第一根本原因?qū)ふ也襟E包含：基于一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法、最小絕對壓縮挑選機制演算法、或提高樣本使用率的回歸樹演算法；以及通過輸入這些工件的這些組最終檢查值、這些工件的這些組線上量測值和這些工件的這些生產(chǎn)路徑至第一搜尋模型中，以從在這些制程站的這些制程機臺的這些制程裝置中辨識出可能會造成良率測試失敗的至少一個第一關(guān)鍵裝置。在一些實施例中，在第一階段后，進行一第二階段，第二階段包含一第二根本原因?qū)ふ也襟E。第二根本原因?qū)ふ也襟E包含：選擇此至少一個第一關(guān)鍵裝置的一個第一關(guān)鍵裝置，其中此被選到的第一關(guān)鍵裝置是屬于這些制程機臺型式的一關(guān)鍵制程機臺型式；以及通過輸入這些工件的這些組最終檢查值、和在全部的這些制程站上屬于此關(guān)鍵制程機臺型式的這些制程機臺的這些制程裝置的全部這些制程參數(shù)的數(shù)值至第一搜尋模型中，以辨識出可能會造成良率測試失敗的多個第一關(guān)鍵制程參數(shù)。根據(jù)本發(fā)明上述目的，提出一種辨識良率損失的根本原因的系統(tǒng)，其中此良率損失是發(fā)生在一生產(chǎn)線上，此生產(chǎn)線包含多個制程站，每一個制程站包含至少一個制程機臺，此至少一個制程機臺屬于至少一個制程機臺型式中一制程機臺型式，每一個制程機臺包含至少一個制程裝置，每一個制程裝置具有多個制程參數(shù)，這些制程參數(shù)是配置以處理多個工件中的一工件。此辨識良率損失的根本原因的系統(tǒng)包含：記憶體和處理器。此記憶體儲存有一生產(chǎn)信息和對應(yīng)至這些工件的多組最終檢查值。此生產(chǎn)信息包含多個生產(chǎn)路徑、這些工件的這些制程參數(shù)的數(shù)值、和這些工件的多組線上量測值，其中每一個生產(chǎn)路徑指出在這些制程站中的這些制程機臺的這些制程裝置中的一預(yù)設(shè)裝置，用以處理這些工件中的一工件，這些組線上量測值是通過對被預(yù)設(shè)裝置處理后的這些工件進行量測來獲得，這些組最終檢查值是通過對通過生產(chǎn)線后的每一個工件進行至少一個良率測試來獲得。處理器是配置以根據(jù)這些組最終檢查值決定是否遭遇一良率測試失??；當(dāng)遭遇到良率測試失敗時，進行一第一階段，第一階段包含一第一根本原因?qū)ふ也襟E。第一根本原因?qū)ふ也襟E包含：基于一第一演算法來建立一第一搜尋模型，其中此第一演算法為三階段正交貪婪演算法、最小絕對壓縮挑選機制演算法、或提高樣本使用率的回歸樹演算法；以及通過輸入這些工件的這些組最終檢查值、這些工件的這些組線上量測值和這些工件的這些生產(chǎn)路徑至第一搜尋模型中，以從在這些制程站的這些制程機臺的這些制程裝置中辨識出可能會造成良率測試失敗的至少一個第一關(guān)鍵裝置。在一些實施例中，其中在第一階段后，上述的處理器是配置以進行一第二階段，第二階段包含一第二根本原因?qū)ふ也襟E，第二根本原因?qū)ふ也襟E包含：選擇此至少一第一關(guān)鍵裝置的一第一關(guān)鍵裝置，其此被選到的第一關(guān)鍵裝置是屬于這些制程機臺型式的一關(guān)鍵制程機臺型式；以及通過輸入這些工件的這些組最終檢查值、和在全部的這些制程站上屬于此關(guān)鍵制程機臺型式的這些制程機臺的這些制程裝置的全部這些制程參數(shù)的數(shù)值至第一搜尋模型中，以辨識出可能會造成良率測試失敗的多個第一關(guān)鍵制程參數(shù)。在一些實施例中，其中上述的第二階段還包含：通過輸入這些工件的這些組最終檢查值、和在全部的這些制程站上屬于此關(guān)鍵制程機臺型式的這些制程機臺的這些制程裝置的全部這些制程參數(shù)的數(shù)值至第二搜尋模型中，以辨識出可能會造成良率測試失敗的多個第二關(guān)鍵制程參數(shù)；對這些第一關(guān)鍵制程參數(shù)進行排名與評分；對這些第二關(guān)鍵制程參數(shù)進行排名與評分；以及比較這些第一關(guān)鍵制程參數(shù)和這些第二關(guān)鍵制程參數(shù)間的排名的相似度，以獲得一第二信心指標(biāo)，來評估這些第一關(guān)鍵制程參數(shù)和這些第二關(guān)鍵制程參數(shù)的辨識結(jié)果的可靠程度。因此，應(yīng)用本發(fā)明實施例，可于短時間辨識出生產(chǎn)線上的良率損失的根本原因，并可有效地評估搜尋結(jié)果的可靠程度。附圖說明為了更完整了解實施例及其優(yōu)點，現(xiàn)參照結(jié)合所附附圖所做的下列描述，其中圖1A為繪示根據(jù)本發(fā)明一些實施例的生產(chǎn)線的示意圖；圖1B為繪示根據(jù)本發(fā)明一些實施例在制程站上的例示制程機臺型式的示意圖；圖1C為繪示根據(jù)本發(fā)明一些實施例的例示制程機臺的示意圖；圖2為繪示根據(jù)本發(fā)明一些實施例的辨識良率損失的根本原因的系統(tǒng)示意圖；圖3為繪示根據(jù)本發(fā)明一些實施例的自動調(diào)整懲罰系數(shù)(λ)值的方法的流程示意圖；以及圖4為繪示根據(jù)本發(fā)明一些實施例的辨識良率損失的根本原因的方法流程示意圖。具體實施方式以下仔細討論本發(fā)明的實施例。然而，可以理解的是，實施例提供許多可應(yīng)用的發(fā)明概念，其可實施于各式各樣的特定內(nèi)容中。所討論的特定實施例僅供說明，并非用以限定本發(fā)明的范圍。請參照圖1A至圖1C，圖1A為繪示根據(jù)本發(fā)明一些實施例的一生產(chǎn)線100的示意圖，其中以TFT制程為例子；圖1B為繪示根據(jù)本發(fā)明一些實施例在制程站上的例示制程機臺型式的示意圖，其中以“柵極層”為例子；圖1C為繪示根據(jù)本發(fā)明一些實施例的例示制程機臺的示意圖，其中以沉積機臺為例子。本發(fā)明實施例是針對辨識引起發(fā)生在生產(chǎn)線100上的良率損失的根本原因，生產(chǎn)線100包含多個制程站110、130、140、150和160，每一個制程站110、130、140、150和160包含一或多個制程機臺(未繪示)，制程機臺分別屬于一或多個制程機臺型式112、114、116、118、120和122。舉例而言，如圖1B所示，每一個制程站110、130、140、150和160包含具有制程機臺型式112、114、116、118、120和/或122的制程機臺。每一個制程機臺包含至少一個制程裝置。例如：每一個制程機臺包含至制程裝置112a、112b、112c、112d、112e和112f。例如：在TFT-LCD廠中，生產(chǎn)線100可被設(shè)置來進行TFT制程，而制程站110(站I)、130(站II)、140(站III)、150(站IV)和160(站V)可為“柵極層”、“半導(dǎo)體層”、“數(shù)據(jù)層”、“保護層”、和“氧化銦錫(ITO)層”。“柵極層”(制程站110)包含用以進行所謂的顯影制程(PhotoEngravingProcess；PEP)的制程機臺，這些制程機臺分別屬于如薄膜沉積(制程機臺型式112)、正光阻涂布(制程機臺型式114)、曝光(制程機臺型式116)、顯影(制程機臺型式118)、蝕刻(制程機臺型式120)和光阻去除(制程機臺型式122)等制程機臺型式。每一個制程機臺包含至制程裝置112a、112b、112c、112d、112e和112f。在生產(chǎn)時，每一個工件逐一通過制程站110、130、140、150和160，最后并受到最終測試(良率測試)，以獲得分別對應(yīng)至這些工件的多組最終檢查值。然后，這些組最終檢查值被來決定是否遭遇到良率測試失敗。良率測試可能遭遇型1至型10的良率損失，這些良率損失是由各種缺陷所造成，而這些缺陷是由電性測試失敗、粉塵污染等所引起。在每一個制程站110、130、140、150和160上，每一個工件逐一被制程機臺型式112、114、116、118、120和122的制程機臺所處理，而每一個工件只在每一個制程機臺的一個制程裝置中被處理。當(dāng)每一個工件在制程機臺型式112、114、116、118、120或122的制程機臺的一預(yù)定制程裝置中被處理后，對此工件進行量測，以獲得分別對應(yīng)至工件的多組線上(In-line)量測值，其中對此工件所進行的量測方式可為虛擬量測或由量測機臺所進行的實際量測，如圖1B所示的線上量測值124(厚度)、125(關(guān)鍵尺寸)、126(深度)和127(關(guān)鍵尺寸)。當(dāng)每一個工件在一個制程裝置中被處理時，使用例如感應(yīng)器來收集制程裝置的多個制程參數(shù)的數(shù)值，如圖1B所示的制程數(shù)據(jù)113、115、119和121。請參照圖2，圖2為繪示根據(jù)本發(fā)明一些實施例的辨識良率損失的根本原因的系統(tǒng)200的示意圖。系統(tǒng)200包含記憶體202和處理器206。處理器206可包含任何型式的處理器、微處理器、或可編譯并執(zhí)行指令的場效型可編程邏輯陣列(FieldProgrammableGateArray；FPGA)。處理器206可包含單一裝置(例如單核心)或一組裝置(例如多核心)。記憶體202可包含可儲存供處理器206執(zhí)行的信息和指令的隨機存取記憶體(RandomAccessMemory；RAM)或其它型式的動態(tài)儲存裝置。數(shù)據(jù)庫可用以儲存生產(chǎn)信息204、缺陷(D)和多組最終檢查值(Y)，其稍后將被載入至記憶體202中，以供處理器206執(zhí)行。記憶體202儲存有生產(chǎn)信息204、缺陷(D)、和對應(yīng)至在生產(chǎn)線100(如圖1A)中被處理的工件的最終檢查值(Y)。生產(chǎn)信息包含多個生產(chǎn)路徑(XR)、處理工件的制程參數(shù)(XP)的數(shù)值、和工件的多組線上量測值(y)，其中每一個生產(chǎn)路徑指出在制程站中的制程機臺的制程裝置中的一個預(yù)設(shè)裝置，用以處理一工件，如圖1A至圖1C所示的“在制程站110上制程機臺型式112的制程機臺的制程裝置112a”。這些組線上量測值(y)的獲得是透過對被對應(yīng)的預(yù)設(shè)裝置處理后的工件進行量測，而這些組最終檢查值(Y)的獲得是透過對通過生產(chǎn)線后的每一個工件進行至少一個良率測試。缺陷(D)可能會發(fā)在任何制程站中，故亦輸入來進行分析。然后，被處理過的缺陷(D)可依據(jù)缺陷(D)的本質(zhì)加入至生產(chǎn)信息204或最終檢查值(Y)。根本原因?qū)ふ也襟E240的輸出是三階段正交貪婪演算法(TPOGA)242的輸出KSO、最小絕對壓縮挑選機制(LASSO)演算法244的輸出KSL和其伴隨的信賴指標(biāo)RIk。在一些實施例中，提高樣本使用率的回歸樹(SERT)演算法可用以取代TPOGA242或LASSO244。值得注意的是，根本原因?qū)ふ也襟E240使用兩種不同的演算法，如TPOGA/LASSO、TPOGA/SERT、或LASSO/SERT。以下說明TPOGA、LASSO和SERT。貪婪演算法是一種逐步回歸法(StepwiseRegressionMethod)，其考慮到所有引起良率損失的參數(shù)(X)和最終檢查值(Y)間的關(guān)系。在本發(fā)明實施例中，X包含與所有生產(chǎn)有關(guān)的變數(shù)：XR、XP、和y；而Y代表最終檢查結(jié)果(值)。在此可使用純貪婪演算法(Puregreedyalgorithm；PGA)和正交貪婪演算法來解決高維度回歸問題。然而，在高維度線性回歸中，正交貪婪演算法優(yōu)于純貪婪演算法。在本發(fā)明實施例中，將正交貪婪演算法、高維信息準(zhǔn)則(highdimensionalinformationcriterion；HDIC)和修剪(Trimming)的程序結(jié)合成所謂的三階段正交貪婪演算法(TPOGA)。本發(fā)明實施例所使用的TPOGA的細節(jié)可參考C.-K.Ing和T.L.Lai的論文(“Astepwiseregressionmethodandconsistentmodelselectionforhigh-dimensionalsparselinearmodels”,StatisticaSinica,vol.21,pp.1473-1513,2011)，本發(fā)明的實施例引用此C.-K.Ing和T.L.Lai的論文的相關(guān)規(guī)定(Incorporatedbyreference)，其中Ing和Lai揭示終止條件和HDIC，以沿著具有適當(dāng)選取準(zhǔn)則的最小值的OGA路徑進行選取。與逐步回歸不同，LASSO是一種收縮(Shrinkage)方法，其令系數(shù)的絕對值總和小于一常數(shù)，使殘值平方和最小化。由于此常數(shù)的本質(zhì)，LASSO傾向于產(chǎn)生一些剛好為0的系數(shù)，因而提供可解釋(解釋力較強)的模型。LASSO與通常的逐步回歸間的重大差異是：透過LASSO可同時處理所有的獨立變數(shù)，但逐步回歸無法時處理所有的獨立變數(shù)。本發(fā)明實施例所使用的LASSO的細節(jié)可參考R.Tibshirani的論文(“RegressionshrinkageandselectionviatheLASSO",J.RoyalStatisticalSoc.B,vol.58,no.1,pp.267-288,1996”)和TrevorHastie、RobertTibshirani與JeromeFriedman的論文(“Theelementsofstatisticallearning:datamining,inference,andprediction”,Springer,NewYork,2009”)，本發(fā)明的實施例引用此R.Tibshirani的論文及TrevorHastie、RobertTibshirani與JeromeFriedman的論文的相關(guān)規(guī)定(Incorporatedbyreference)。為了減少設(shè)定懲罰系數(shù)(λ)值的困惑并獲得適當(dāng)結(jié)果，本發(fā)明實施例的LASSO演算法包含一自動調(diào)整懲罰系數(shù)(λ)值的方法。請參照圖3，其為繪示根據(jù)本發(fā)明一些實施例的自動調(diào)整懲罰系數(shù)(λ)值的方法的流程示意圖。如圖3所示，在步驟310中，將懲罰系數(shù)(λ)的初始值設(shè)為5或任何合適值。在步驟320中，執(zhí)行LASSO。在步驟330中，選定重要變數(shù)的適當(dāng)?shù)哪繕?biāo)數(shù)量(Target#KV，例如：10)，然后檢查重要變數(shù)的數(shù)量(#KV)是否等于Target#KV。在本發(fā)明實施例中，重要變數(shù)為引起良率損失的制程站或制程參數(shù)。當(dāng)步驟330的結(jié)果為否時，進行步驟340以重新計算懲罰系數(shù)(λ)。Target#KV是用來避免撿到太多不需要的變數(shù)。在步驟340中，定義Lowerbound為懲罰系數(shù)(λ)的下限。Lowerbound是設(shè)為0(因為λ≧0)。若#KV<Target#KV，則λnew＝(λold+Lowerbound)/2。另一方面，若#KV>Target#KV，則λnew＝λold+(λold+Lowerbound)/2，并重新指定Lowerbound＝λold。然后，回到步驟320。當(dāng)步驟330的結(jié)果為是時，進行步驟350。在步驟350中，依據(jù)重要性由大至小對重要變數(shù)(KeyVariables；KV)進行排序。然后，進行步驟360，以輸出排序后的重要變數(shù)為結(jié)果。SERT結(jié)合回歸分析中的向前選取(ForwardSelection)和回歸樹(RegressionTree)的方法。相較于如分類與回歸樹演算法(ClassificationAndRegressionTree；CART)的已知決策樹，SERT可處理在所謂的高維度變數(shù)選取(p>>n)問題中的組合效應(yīng)。本發(fā)明實施例所使用的SERT的細節(jié)可參考A.Chen和A.Hong的論文(“Sample-efficientregressiontrees(SERT)forsemiconductoryieldLossAnalysis”,IEEETransactionsonSemiconductorManufacturing,vol.23,no.3,August2010)，本發(fā)明的實施例引用此A.Chen和A.Hong的論文的相關(guān)規(guī)定(Incorporatedbyreference)。如圖2所示，在進行根本原因?qū)ふ也襟E240前，需要進行數(shù)據(jù)前處理步驟210、220和230，以確認所有輸入：生產(chǎn)信息(XR、XP和y)、缺陷(D)和最終檢查(Y)的品質(zhì)。以下說明這些輸入的特性。XR必須被離散化(Discretized)為1或0，其指出工件是否有通過此制程站。XP包含機臺的制程參數(shù)(如電壓、壓力、溫度等)的數(shù)據(jù)，其需被中心化(Centralized)。至于缺陷(D)，不同的公司有不同的缺陷定義，因此在執(zhí)行數(shù)據(jù)前處理和數(shù)據(jù)撿查前必須與領(lǐng)域?qū)＜矣懻?。最終檢查(Y)代表良率測試結(jié)果，其需被中心化。XR的數(shù)據(jù)品質(zhì)評估演算法(標(biāo)示為)評估下列四個事實：1)雖然一個制程站可包含多個同樣型式的制程機臺，但此制程站只使用其中一個制程機臺；若一個生產(chǎn)線應(yīng)通過三個同樣制程機臺型式的制程機臺，則此生產(chǎn)線具有三個制程站，此三個制程機臺分別位于此三個制程站上；2)若一個制程機臺被使用于不同的生產(chǎn)線上，則在不同生產(chǎn)線上的同樣裝置會被視為一個不同的制程站；3)對通過制程機臺的一工件而言只有兩種可能：通過(“1”)或不通過(“0”)；4)一工件不能通過不屬于其制程站的制程機臺。類似地，XP和y的數(shù)據(jù)品質(zhì)評估演算法分別標(biāo)示為和Y的數(shù)據(jù)品質(zhì)評估演算法標(biāo)示為DQIY。和采用類似于美國專利前案第8095484B2號所使用的制程數(shù)據(jù)品質(zhì)評估方法，而DQIY亦應(yīng)用類似于美國專利前案第8095484B2號所使用的量測數(shù)據(jù)品質(zhì)評估方法。本發(fā)明的實施例引用此美國專利前案第8095484B2號的相關(guān)規(guī)定(Incorporatedbyreference)。處理器206是配置以根據(jù)最終檢查值來決定是否遭遇一良率測試失敗，并在遭遇到良率測試失敗時，進行根本原因?qū)ふ也襟E240。在一些實施例中，分別以不同的演算法(如TPOGA242和LASSO244)進行兩次根本原因?qū)ふ也襟E240，借以進行步驟250來計算一信心指標(biāo)(RIk)，此信心指標(biāo)(RIk)的計算是通過比較基于TPOGA242和LASSO244的結(jié)果間的排名的相似度。信心指標(biāo)(RIk)是用來評估基于TPOGA242和LASSO244的辨識結(jié)果的可靠程度。通過比較基于TPOGA242和LASSO244的結(jié)果并考慮到重疊與權(quán)重，重新計算RIk并設(shè)定RIk至0-1之間。以RIkT＝0.7為門檻值，若RIk大于RIkT，則代表獲得優(yōu)良的結(jié)果；否則，需重新檢查辨識結(jié)果。稍后說明計算信心指標(biāo)(RIk)的步驟250。本發(fā)明實施例提供一種雙階段處理過程，以辨識生產(chǎn)線100上的良率損失的根本原因。在第一階段中，辨識出可能會造成良率損失的制程機臺與其所屬的制程站。在第二階段中，辨識出在第一階段所發(fā)現(xiàn)的制程站中可能會造成良率損失的制程參數(shù)。在每一個階段中，可使用兩個不同的演算法來產(chǎn)生信心指標(biāo)(RIk)，以評估本發(fā)明的搜尋結(jié)果的可靠程度。請參照圖1A、圖1B、圖1C和圖4，圖4為繪示根據(jù)本發(fā)明一些實施例的辨識良率損失的根本原因的方法流程示意圖。首先，進行步驟400，以根據(jù)最終檢查值來決定是否遭遇一良率測試失敗。當(dāng)遭遇到良率測試失敗時，進行一第一階段402。在第一階段402中，進行第一根本原因?qū)ふ也襟E410，以辨識出那一個制程機臺最可能會引起良率測試失敗(良率損失)。在第一根本原因?qū)ふ也襟E410中，首先基于第一演算法來建立第一搜尋模型，其中第一演算法為三階段正交貪婪演算法(TPOGA)、最小絕對壓縮挑選機制(LASSO)演算法、或提高樣本使用率的回歸樹(SERT)演算法，例如：圖2所示的TPOGA242。然后，輸入一組第一數(shù)據(jù)40至第一搜尋模型中，以從制程站110、130、140、150和160上的制程機臺的制程裝置112a-112f中辨識出可能會造成良率測試失敗的至少一個第一關(guān)鍵裝置(例如：在制程站110上屬于制程機臺型式112的制程機臺的制程裝置112a)。此組第一數(shù)據(jù)40工件的最終檢查值(Y)、工件的線上量測值(y)和工件的生產(chǎn)路徑(XR)所組成。第一搜尋模型(TPOGA)的結(jié)果KSO的一個例子是列示于表1，其中列示出TPOGA所找到的最可能會引起良率損失的前10名制程機臺(第一關(guān)鍵裝置)，“制程機臺型式”簡稱為“機臺型式”，“制程裝置”簡稱為“裝置”。選序由TPOGA所獲得的第一關(guān)鍵裝置1站4：CVD：Eq7ChB(制程站150：機臺型式112：裝置112b)2站2：CVD：EqAChA(制程站130：機臺型式112：裝置112a)3站4：CVD：Eq7ChC(制程站150：機臺型式112：裝置112c)4站4：CVD：Eq7ChD(制程站150：機臺型式112：裝置112d)5站2：CVD：EqAChB(制程站130：機臺型式112：裝置112b)6站4：CVD：Eq7ChE(制程站150：機臺型式112：裝置112e)7站2：CVD：EqAChC(制程站130：機臺型式112：裝置112c)8站1：CVD：Eq1ChA(制程站120：機臺型式112：裝置112a)9站4：CVD：Eq7ChA(制程站150：機臺型式112：device112a)10站2：CVD：EqAChD(制程站130:機臺型式112:device112d)表1在表1中，引起良率損失的裝置的可能性是由選序1至選序10依序減少。如表1所示，制程站150(站4)上機臺型式112的機臺(Eq7)的制程裝置112b(CVD)為選序1，其最可能會引起良率損失。在第一根本原因?qū)ふ也襟E410完成后，可選擇性地進行第一信賴指標(biāo)(RIk)步驟420，以評估基于第一演算法(例如TPOGA)的第一根本原因?qū)ふ也襟E410的搜尋結(jié)果的可靠程度。在第一信賴指標(biāo)(RIk)步驟420中，首先基于第二演算法來建立第一搜尋模型。第二演算法與步驟410所使用的第一演算法不同，其中為第二演算法三階段正交貪婪演算法(TPOGA)、最小絕對壓縮挑選機制(LASSO)演算法、或提高樣本使用率的回歸樹(SERT)演算法，例如：第一演算法為圖2所示的TPOGA242，第二演算法為圖2所示的LASSO244，其中LASSO244為包含一自動調(diào)整懲罰系數(shù)(λ)值方法的LASSO演算法，即ALASSO。然后，輸入上述的第一數(shù)據(jù)40至第二搜尋模型中，以從制程站110、130、140、150和160上的制程機臺的制程裝置112a-112f中辨識出可能會造成良率測試失敗的至少一個第二關(guān)鍵裝置(例如：在制程站110上屬于制程機臺型式112的制程機臺的制程裝置112a)。第二搜尋模型(ALASSO)的結(jié)果KSL的一個例子是列示于表2，其中列示出ALASSO所找到的最可能會引起良率損失的前10名制程機臺(第二關(guān)鍵裝置)，“制程機臺型式”簡稱為“機臺型式”，“制程裝置”簡稱為“裝置”。選序由ALASSO所獲得的第二關(guān)鍵裝置1站4：CVD：Eq7ChB(制程站150：機臺型式112：裝置112b)2站2：CVD：EqAChA(制程站130：機臺型式112：裝置112a)3站4：CVD：Eq7ChC(制程站150：機臺型式112：裝置112c)4站1：CVD：Eq1ChD(制程站110：機臺型式112：裝置112d)5站1：CVD：Eq1ChE(制程站110：機臺型式112：裝置112e)6站2：CVD：EqAChB(制程站130：機臺型式112：裝置112b)7站4：CVD：Eq7ChA(制程站150：機臺型式112：裝置112a)8站4：CVD：Eq7ChE(制程站150：機臺型式112：裝置112e)9站2：CVD：EqAChE(制程站130：機臺型式112：device112e)10站2：CVD：EqAChD(制程站130:機臺型式112:device112d)表2接著，對表1所列示的第一關(guān)鍵裝置和表2所列示的第二關(guān)鍵裝置進行排名與評分。因為較早被選到的關(guān)鍵裝置較重要，TPOGA和ALASSO所找到的關(guān)鍵裝置的順序是重要的，故權(quán)重的指定不僅是根據(jù)順序亦根據(jù)80/20法則，以確保較高的分?jǐn)?shù)給決定性的少數(shù)。結(jié)果是，最終分?jǐn)?shù)為其中OSl為原始分?jǐn)?shù)，F(xiàn)Sl為最終分?jǐn)?shù)，而l為＝1、2、…、10的選序。本發(fā)明實施例并不限于上述的80/20法則，其他的評分方法亦可被應(yīng)用至本發(fā)明實施例。在進行公式(1)的計算后，第一關(guān)鍵裝置和第二關(guān)鍵裝置的最終分?jǐn)?shù)的一個例子是列示于表3和表4。選序(l)由TPOGA所獲得的第一關(guān)鍵裝置最終分?jǐn)?shù)(FSOl)1站4：CVD：Eq7ChB0.8*(1.0/2.7)＝0.2962站2：CVD：EqAChA0.8*(0.9/2.7)＝0.2673站4：CVD：Eq7ChC0.8*(0.8/2.7)＝0.2374站4：CVD：Eq7ChD0.2*(0.7/2.8)＝0.0505站2：CVD：EqAChB0.2*(0.6/2.8)＝0.0436站4：CVD：Eq7ChE0.2*(0.5/2.8)＝0.0367站2：CVD：EqAChC0.2*(0.4/2.8)＝0.0298站1:CVD：Eq1ChA0.2*(0.3/2.8)＝0.0219站4：CVD：Eq7ChA0.2*(0.2/2.8)＝0.01410站2：CVD：EqAChD0.2*(0.1/2.8)＝0.007表3表4然后，比較第一關(guān)鍵裝置和第二關(guān)鍵裝置間的排名(選序)的相似度，以獲得一第一信心指標(biāo)(RIk)，來評估第一關(guān)鍵裝置和第二關(guān)鍵裝置的辨識結(jié)果的可靠程度。以下說明計算RIk的經(jīng)驗法則。若某一關(guān)鍵裝置已被TPOGA和ALASSO以相同的循序選序選到，則此關(guān)鍵裝置的分?jǐn)?shù)被算入。若某一關(guān)鍵裝置已被TPOGA和ALASSO以不同的循序選序選到，則此關(guān)鍵裝置的分?jǐn)?shù)亦被算入。若TPOGA和ALASSO選到不同的關(guān)鍵裝置而沒有重疊，則這些關(guān)鍵裝置的分?jǐn)?shù)不被算入。因此，搜尋結(jié)果的RIk是被公式(2)所計算。若Oi＝Lj(2)其中基于表3和表4的RIk結(jié)果是0.932，其大于一門檻值RIkT(例如：0.7)。門檻值RIkT可依實際需要而有所不同。此表示TPOGA和ALASSO的搜尋結(jié)果幾乎相同，因此其搜尋結(jié)果是可靠的。如表3和表4所示，第一最關(guān)鍵的裝置(Top1Device)是保護層(站)上薄膜沉積制程的機臺7的反應(yīng)室B(站4：CVD：Eq7ChB)，而第二最關(guān)鍵的裝置(Top2Device)是半導(dǎo)體層(站)上薄膜沉積制程的機臺A的反應(yīng)室A(站2：CVD：EqAChA)。與工廠測試數(shù)據(jù)做比較，在28個工件中，8個具有第2型良率損失的工件樣本中有3個是被上述的第一最關(guān)鍵的裝置所處理，而8個具有第2型良率損失的工件樣本中另有3個是被上述的第二最關(guān)鍵的裝置所處理。因此，第一根本原因?qū)ふ也襟E410的結(jié)果與工廠測試數(shù)據(jù)相符。在步驟410或步驟420后，進行第二階段404。在第二階段404中，進行第二根本原因?qū)ふ也襟E430，以辨識出那些制程參數(shù)可能會引起良率損失。在步驟430中，首先自第一關(guān)鍵裝置中選擇一個關(guān)鍵裝置，或自第二關(guān)鍵裝置中選擇一個關(guān)鍵裝置，其中此關(guān)鍵裝置屬于制程機臺型式的一關(guān)鍵制程機臺型式。然后，輸入一組第二數(shù)據(jù)42至上述的第一搜尋模型中，以辨識出可能會引起良率測試失敗的多個第一關(guān)鍵制程參數(shù)，其中此組第二數(shù)據(jù)42是由工件的最終檢查值(Y)、和在全部制程站上屬于關(guān)鍵制程機臺型式的制程機臺的制程裝置的全部制程參數(shù)(XP)的數(shù)值所組成。以下選擇第二最關(guān)鍵的裝置(站2：CVD：EqAChA)來舉例說明。第二最關(guān)鍵的裝置的制程數(shù)據(jù)包含有27個制程參數(shù)(XP)。在對第二最關(guān)鍵的裝置所屬的相同制程機臺型式的制程機臺進行使用第一搜尋模型的分析后，找到第一關(guān)鍵制程參數(shù)“控制電壓”、“電流”和“直流電壓”為造成良率損失的根本原因。在第二根本原因?qū)ふ也襟E430完成后，可選擇性地進行第二信賴指標(biāo)(RIk)步驟440，以評估第二根本原因?qū)ふ也襟E430的搜尋結(jié)果的可靠程度。在第二信賴指標(biāo)(RIk)步驟440中，輸入上述的第二數(shù)據(jù)42至第二搜尋模型中，以辨識出可能會造成良率測試失敗的多個第二關(guān)鍵制程參數(shù)。在對第二最關(guān)鍵的裝置所屬的相同制程機臺型式的制程機臺進行使用第二搜尋模型的分析后，找到第二關(guān)鍵制程參數(shù)“控制電壓”、“電流”和“流速”為造成良率損失的根本原因。接著，比較第一關(guān)鍵制程參數(shù)和第二關(guān)鍵制程參數(shù)間的排名的相似度，以獲得一第二信心指標(biāo)(RIk)，來評估第一關(guān)鍵制程參數(shù)和第二關(guān)鍵制程參數(shù)的辨識結(jié)果的可靠程度。例如：關(guān)鍵制程參數(shù)的第二信心指標(biāo)(RIk)為0.867(>0.7)。因此，搜尋結(jié)果中第一最關(guān)鍵的參數(shù)(Top1parameter)為“控制電壓”。接著，在步驟450中，發(fā)出一通知至相關(guān)部門，以修正問題并持持續(xù)改善。可理解的是，本發(fā)明的量測抽樣方法為以上所述的實施步驟，本發(fā)明的內(nèi)儲用于量測抽樣的計算機程序產(chǎn)品，是用以完成如上述的量測抽樣的方法。上述實施例所說明的各實施步驟的次序可依實際需要而調(diào)動、結(jié)合或省略。上述實施例可利用計算機程序產(chǎn)品來實現(xiàn)，其可包含儲存有多個指令的機器可讀取媒體，這些指令可編程(programming)計算機來進行上述實施例中的步驟。機器可讀取媒體可為但不限定于軟盤、光盤、只讀光盤、磁光盤、只讀記憶體、隨機存取記憶體、可抹除可編程只讀記憶體(EPROM)、電子可抹除可編程只讀記憶體(EEPROM)、光卡(opticalcard)或磁卡、快閃記憶體、或任何適于儲存電子指令的機器可讀取媒體。再者，本發(fā)明的實施例也可做為計算機程序產(chǎn)品來下載，其可通過使用通訊連接(例如網(wǎng)路連線之類的連接)的數(shù)據(jù)信號來從遠程計算機轉(zhuǎn)移本發(fā)明的計算機程序產(chǎn)品至請求計算機。亦可注意的是，本發(fā)明亦可描述于一制造系統(tǒng)的語境中。雖然本發(fā)明可建置在半導(dǎo)體制作中，但本發(fā)明并不限于半導(dǎo)體制作，亦可應(yīng)用至其他制造工業(yè)。制造系統(tǒng)是配置以制造工件或產(chǎn)品，工件或產(chǎn)品包含但不受限于微處理器、記憶體裝置、數(shù)字信號處理器、專門應(yīng)用的電路(ASICs)或其他類似裝置。本發(fā)明亦可應(yīng)用至除半導(dǎo)體裝置外的其他工件或產(chǎn)品，如車輛輪框、螺絲。制造系統(tǒng)包含一或多個處理工具，其可用以形成一或多個產(chǎn)品或產(chǎn)品的一部分，在工件(例如：晶圓)上或中。發(fā)明本領(lǐng)域具有通常技藝者應(yīng)可知，處理工具可為任何數(shù)目和任何型式，包含有微影機臺、沉積機臺、蝕刻機臺、研磨機臺、退火機臺、工具機和類似工具。在實施例中，制造系統(tǒng)亦包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。由上述本發(fā)明實施方式可知，通過雙階段處理過程來尋找生產(chǎn)線的良率損失的根本原因，可于短時間從數(shù)量龐大的可能原因中辨識出根本原因。在每一個階段中，可使用信賴指標(biāo)(RIk)來評估搜尋結(jié)果的可靠程度。雖然本發(fā)明已以實施方式揭露如上，然其并非用以限定本發(fā)明，任何熟悉此技藝者，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作各種的更動與潤飾，因此本發(fā)明的保護范圍當(dāng)視所附的權(quán)利要求書所界定的范圍為準(zhǔn)。當(dāng)前第1頁1 2 3