Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
PRODUCTION LINE FOR PRODUCING SEMICONDUCTOR COMPONENTS
Document Type and Number:
WIPO Patent Application WO/2022/122686
Kind Code:
A1
Abstract:
The invention relates to a production line (200) for producing semiconductor components, comprising at least one process monitoring system (201) which has a non-relational database (202) which stores a plurality of input data (203) of different types, and a data catalog storage device (204) which stores information on the plurality of input data (203) and has a process monitoring analysis system (205), wherein the process monitoring analysis system (205) generates a plurality of output data (206) on the basis of a determined application type using a machine learning process, and the output data is output to specific systems of the production line (200) on the basis of the determined application type.

Inventors:
FISCHBACH SARAH (DE)
EBERSBACH PETER (DE)
Application Number:
PCT/EP2021/084472
Publication Date:
June 16, 2022
Filing Date:
December 07, 2021
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
BOSCH GMBH ROBERT (DE)
International Classes:
G05B23/02; G05B19/418; G06F16/25; G06Q10/06; G06Q50/04
Foreign References:
US20200067789A12020-02-27
DE102015101370A12015-08-06
US20170032281A12017-02-02
Download PDF:
Claims:
- 8 -

Ansprüche

1. Fertigungslinie (200) zur Herstellung von Halbleiterbauelementen mit mindestens einem Prozessüberwachungssystem (201), das

• eine nicht-relationale Datenbank (202) aufweist, die eine Vielzahl von Eingangsdaten (203) unterschiedlicher Art speichert,

• einen Datenkatalogspeicher (204) aufweist, der Informationen über die Vielzahl von Eingangsdaten (203) speichert, und

• ein Prozessüberwachungsanalysesystem (205) aufweist, wobei das Prozessüberwachungsanalysesystem (205) eine Vielzahl von Ausgangdaten (206) in Abhängigkeit eines bestimmten Anwendungsfalls mit Hilfe von maschinellem Lernen erzeugt und die Ausgangsdaten in Abhängigkeit des bestimmten Anwendungsfalls an bestimmte Anlagen der Fertigungslinie (200) ausgibt.

2. Fertigungslinie (200) nach Anspruch 1, dadurch gekennzeichnet, dass der bestimmte Anwendungsfall eine Vorhersage über eine Instandhaltung der Fertigungslinie (200), eine Aussage über Prozessergebnisse oder eine Aussage über eine Ertragsoptimierung umfasst.

3. Fertigungslinie (200) nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass der bestimmte Anwendungsfall Abweichungen von einem Sollzustand aufweist, wobei die Abweichungen in den Hierachien Prozessfluss, Prozessflussmodul, Einzelprozess, Maschine, Prozesskammer und Handlingssystem, Supportsysteme und deren Interaktionen und Verknüpfungen auftreten.

4. Fertigungslinie (200) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das maschinelle Lernen neuronale Netzwerke, Gaussprozesse oder Algorithmen zur Vektorregression umfasst. - 9 -

5. Fertigungslinie (200) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Vielzahl von Eingangsdaten (203) Fertigungsdaten oder virtuelle Messdaten sind.

6. Fertigungslinie (200) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Fertigungslinie (200) eine Halbleiterbauelementeherstellungsanlage ist.

Description:
Beschreibung

Fertigungslinie zur Herstellung von Halbleiterbauelementen

Stand der Technik

Die Erfindung betrifft eine Fertigungslinie zur Herstellung von Halbleiterbauelementen mit mindestens einem Prozessüberwachungssystem.

Prozessflussüberwachungssysteme überwachen und steuern den Materialfluss und Energieverbrauch. Mit Hilfe von Prozessüberwachungssystemen wird eine hohe Produktqualität durch Einhaltung von Rahmenbedingungen und Spezifikationen gewährleistet. Bei der Herstellung von Halbleiterbauelementen muss insbesondere die Funktionalität und die Ausfallsicherheit der hergestellten Halbleiterprodukte, insbesondere der Chips, gewährleistet werden. Herstellverfahrensbedingt sind visuelle Kontrollen nicht ausreichend, um die Produktqualität sicherzustellen. Daher ist der Einsatz verschiedenartiger Messtechniken und Messtechnologien während des Produktionsprozesses erforderlich, die mithilfe statistischer Datenanalyse ausgewertet werden.

Bekannt sind hierbei Systeme zur Fehlererkennung und Fehlerklassifikation, die Fehler mithilfe von Prozess- und Sensordaten, die von den Produktionswerkzeugen bereitgestellt werden, erkennen. Dabei wird eine Teilmenge der verfügbaren Prozess- und Sensordaten ausgewählt und in einem Softwaresystem verarbeitet. Diese Daten werden hierbei mit Grenzwerten für jede beobachtete Größe verglichen, wobei eine Fehlermeldung erzeugt wird, wenn eine der beobachteten Größen den jeweiligen vorgegebenen oberen Grenzwert überschreitet bzw. den unteren Grenzwert unterschreitet. Des Weiteren sind statistische Prozesskontrollsysteme bekannt, bei denen Messungen nach einzelnen Fertigungsschritten und Fertigungsblöcken durchgeführt werden, um beispielsweise Halbleiterstrukturen geometrisch zu vermessen, Materialeigenschaften zu bestimmen oder Defekte innerhalb des Chips sichtbar zu machen. Ökonomische Vorgaben in Form von Zeit und Kostenbeschränkungen zwingen die Fertigung zu statistischen Auswahlmethoden der zu prüfenden Werkstücke und Parameter in der Prozesskontrolle, mit zum Teil nachteiligen Auswirkungen für die Datenanalyse über die gesamte Wertschöpfungskette.

Bekannt sind ebenfalls Prozesskontrollsysteme, die die Möglichkeit bieten direkt auf Prozessabweichungen zu reagieren. Dabei werden die Messergebnisse automatisch ausgewertet und die Produktionsparameter im laufenden Betrieb angepasst. Dazu sind im Prozesskontrollsystem mathematische Modelle hinterlegt, die eine Verknüpfung zwischen dem Prozessergebnis und den Rezeptparametern herstellen. Das Prozesskontrollsystem bestimmt Abweichungen, die in Form von Änderungen als Feed-back oder Feed-forward in die betroffene Produktionsanlage eingespeist werden.

Um die Qualität eines Endprodukts auszuwerten, werden eine Vielzahl von Kontrollmessungen ausgewertet. Auf Waferebene misst eine Prozesssteuerungsüberwachung mehrere Kontrollstrukturen auf dem Wafer, um verschiedene Leistungsparameter auszuwerten. Anschließend wird die Funktionalität eines jeden einzelnen Chips getestet, um die Ausbeute des Wafers zu bestimmen.

Nachteilig ist bei den beschriebenen Methoden, dass die Datentypen, Parameter und Messergebnisse in nach ihrer Herkunft getrennten Datenbanken vorliegen und getrennt ausgewertet werden. Ein weiterer Nachteil ist, dass Verknüpfungen auf Grund fehlender Kontexte nicht durchgeführt werden können, bzw. automatisierbare Statistiken und Algorithmen nicht anwendbar sind. Messketten über die Wertschöpfungskette sind nur mit hohem zeitlichen und finanziellem Aufwand erreichbar.

Die Aufgabe der Erfindung ist es, die Nachteile zu überwinden. Offenbarung der Erfindung

Die erfindungsgemäße Fertigungslinie zur Herstellung von Halbleiterbauelementen mit mindestens einem Prozessüberwachungssystem weist eine nicht-relationale Datenbank, einen Datenkatalogspeicher und ein Prozessüberwachungsanalysesystem auf. Die nicht-relationale Datenbank speichert eine Vielzahl von Eingangsdaten unterschiedlicher Art. Der Datenkatalogspeicher speichert Informationen über die Vielzahl der Eingangsdaten. Das Prozessüberwachungsanalysesystem erzeugt eine Vielzahl von Ausgangsdaten in Abhängigkeit eines bestimmten Anwendungsfalls mit Hilfe von maschinellem Lernen, wobei das Prozessüberwachungsanalysesystem die Ausgangsdaten in Abhängigkeit des bestimmten Anwendungsfalls an bestimmte Anlagen der Fertigungslinie ausgibt. Mit anderen Worten die einzelnen Eingangsdaten werden zentral in einer nicht-relationalen Datenbank, einer sogenannten Big Data Datenbank, gespeichert und werden in Abhängigkeit des Anwendungsfalls unter Berücksichtigung des Datenkatalogspeichers mit Hilfe des Prozessüberwachungsanalysesystems ausgewertet und an die einzelnen Anlagen zurückgespielt, um die Anlagenparameter zu korrigieren.

Der Vorteil ist hierbei, dass die gesamten Eingangsdaten in einer großen Datenbank abgelegt sind und anlageübergreifend ausgewertet werden können, sodass das Prozesskontrollsystem skalierbar einsetzbar ist. Des Weiteren ist die Konsistenz von Informationen mit Bezug auf verknüpfte Daten vorteilhaft. Dies führt zu einer erheblichen Steigerung der Datenqualität.

In einer Ausgestaltung umfasst der bestimmte Anwendungsfall eine Vorhersage über eine Instandhaltung der Fertigungslinie, eine Aussage über Prozessergebnisse oder eine Aussage über eine Ertragsoptimierung.

Vorteilhaft ist hierbei, dass unterschiedliche Anwendungsfälle zur optimalen Einstellung der Fertigungslinie berücksichtigt werden können.

In einer Weiterbildung umfasst der bestimmte Anwendungsfall Abweichungen von einem Sollzustand, wobei die Abweichungen in den Hierachien Prozessfluss, Prozessflussmodul, Einzelprozess, Maschine, Prozesskammer und Handlingssystem, Supportsysteme und deren Interaktionen und Verknüpfungen auftreten.

In einer weiteren Ausgestaltung umfasst das maschinelle Lernen neuronale Netzwerke, Gaussprozesse oder Algorithmen zur Vektorregression.

Der Vorteil ist hierbei, dass die anfallende Datenmenge umfassend ausgewertet werden kann.

In einer weiteren Ausgestaltung sind die Vielzahl von Eingangsdaten Fertigungsdaten oder virtuelle Messdaten. Unter dem Begriff Fertigungsdaten werden hierbei sowohl Prozesssteuerungsdaten aus den einzelnen Anlagen der Fertigungslinie, Sensormessdaten, die den Istzustand einzelner Fertigungsschritte des zu erzeugenden Halbleiterbauelements und der Produktionsanlage messen, Daten der Prozessflusshistorie, Produktperformancedaten als auch Ertragsdaten verstanden. Virtuelle Messdaten bezeichnen die von Vorhersagemodellen errechneten Werte, die die Fertigungsdaten ergänzen.

In einer Weiterbildung ist die Fertigungslinie eine Halbleiterbauelementherstellungsanlage.

Der Vorteil ist hierbei, dass zur Herstellung von Halbleiterbauelementen ein einheitliches Prozesskontrollsystem vorhanden ist.

Weitere Vorteile ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen bzw. den abhängigen Patentansprüchen.

Kurze Beschreibung der Zeichnungen

Die vorliegende Erfindung wird nachfolgend anhand bevorzugter Ausführungsformen und beigefügter Zeichnungen erläutert. Es zeigen:

Figur 1 eine Fertigungslinie aus dem Stand der Technik, und Figur 2 eine Fertigungslinie mit einer nicht-relationalen Datenbank.

Figur 1 zeigt eine Fertigungslinie 100 aus dem Stand der Technik mit einer Vielzahl von Produktionsanlagen 108 bzw. Maschinen und einem Prozessüberwachungssystem 101, das eine Vielzahl von Messgeräten 107 und eine Vielzahl von Prozessüberwachungsanalysesystemen 105 aufweist. Die Messgeräte 107 können sowohl reale Messgeräte als auch virtuelle Messgeräte sein. Dabei kann das Prozessüberwachungsanalysesystem 105 Eingangsdaten von mehreren Messgeräten 107 erfassen, wobei diese mehreren Messgeräte 107 aber nur einer Prozessanlage 108 zugeordnet sind. Eine Analyse von Eingangsdaten und Messergebnissen verschiedener Produktionsanlagen 108 ist nicht möglich.

Figur 2 zeigt eine Fertigungslinie 200 mit einer nicht-relationalen Datenbank 202, einem Datenkatalogspeicher 204 und einem Prozessüberwachungsanalysesystem 205. Die Fertigungslinie 200 umfasst eine Vielzahl von Produktionsanlagen 208 bzw. Maschinen zur Herstellung von Halbleiterbauelementen und Messmitteln 209. Jede Produktionsanlage 208 ist mit mindestens einem Sensor 207 verbunden, der sicherheitskritische bzw. qualitätskritische Parameter des Herstellungsprozesses erfasst.

Prozessergebnisse 212 werden mit Messmitteln auf Einzelprozessebene 210 und Prozessblockebene 211 ermittelt. Diese Daten werden dem Prozessüberwachungssystem 201 als Eingangsdaten 203 zur Verfügung gestellt bzw. in der nicht-relationalen Datenbank 202 gespeichert. Die nicht-relationale Datenbank 202 stellt ein zentrales Speichersystem dar, bei dem eine große Datenmenge aus verschiedenen Quellen gespeichert werden kann. Diese große Datenmenge kann beispielsweise mit Hilfe von maschinellem Lernen ausgewertet werden. Die digitale Beschreibung der Produktionsprozesse durch eine derartige Datenerhebung ist auch als digitaler Prozesszwilling bekannt. Die Eingangsdaten umfassen dabei Fertigungsdaten, z. B. numerische und zeitbasierte Daten, Bildinformationen, Sensortracedaten, und virtuelle Messdaten, z. B. berechnete oder aggregierte Parameterdaten und Daten aus vorgelagerten Algorithmen. Jede Produktionsanlage 208, jeder Sensor 207 bzw. jedes Messmittel 209 übermittelt einen Datenkatalog, sogenannte Metadaten, an den Datenkatalogspeicher 204, sodass die einzelnen Messergebnisse zuordenbar und zu einem späteren Zeitpunkt abrufbar sind. Der Datenkatalog umfasst dabei eine Beschreibung der verfügbaren Kontextdaten und Vorschriften der Datenqualität. Die Eingangsdaten 203 werden in Abhängigkeit eines bestimmten Anwendungsfalls zusammen mit dem zugehörigen Datenkatalog 204 mit Hilfe des Prozessüberwachungsanalysesystems 205 ausgewertet. Das Prozessüberwachungsanalysesystem 205 umfasst dabei eine Vielzahl von analytischen Systemen zur Prozesssteuerung. Dabei sind klassische Statistikmethoden enthalten, die multivariate Statistiken oder Zeitreihenanalysen aufweisen. Diese werden mit maschinellen Lernmethoden kombiniert, um die Datensätze zu analysieren. Alternativ oder zusätzlich werden Clustering- Verfahren eingesetzt, um beispielsweise Prozessausreißer zu erfassen. Alternativ oder zusätzlich weist das Prozessüberwachungsanalysesystem 205 neuronale Netze sowie Vektorregression oder Gaussprozesse auf. Diese finden beispielsweise Anwendung bei der Prognose erforderlicher Wartungsaktivitäten oder dienen zur Vorhersage von Prozessergebnissen aus den Werkzeugsensordaten. Umfassen die Eingangsdaten Qualitätsdaten wie Ertragsoder Produktperformancedaten, so kann eine Ertragsvorhersage erfolgen. Zu den bestimmten Anwendungsfällen gehören beispielsweise die Vorhersage über eine Instandhaltung der Fertigungslinie 200, eine Aussage über Prozessergebnisse 209 oder eine Aussage über eine Ertragsoptimierung. Die Ausgangssignale 206 werden als Korrekturwerte bzw. Einstellungsparameter an die entsprechende Produktionsanlage 208 ausgegeben, d. h. an die bzw. diejenigen Produktionsanlagen, die für den bestimmten Anwendungsfall relevant sind. Dies kann automatisch erfolgen. Es besteht somit eine Verbindung zwischen der Analyseplattform und dem Fertigungsausführungssystem.

Ein Anwendungsbeispiel besteht darin, die Prozessanlage in Bezug auf Verschleiß und damit gehäufte Anomalien an definierten Sensorparametern zu überwachen. Gleichzeitig können diese Sensorparameter zusammen mit anderen Fertigungsparametern genutzt werden, um das Verhalten der Prozessergebnisse über die Zeit zu erkennen und die Sensitivität der Anomalien in Bezug auf das Prozessergebnis zu ermitteln. Dabei spielen Aktivitäten einer durchgeführten Wartung eine besondere Rolle, die sowohl in den Sensorparametern als auch auf dem Prozessergebniss erkennbar sein können. Detektierte Abweichungen und Differenzen zu festgelegten Sollwerten können somit intrinsisch angewendet werden. Elektrisch messbare Produktparameter sind Qualitätsparameter, die einer definierten Spezifikation mit Grenzen unterliegen. Um diese zu erreichen ist es notwendig sogenannte Prozessfenster, d. h. Abhängigkeiten zwischen Prozessschritten und elektrischen Parametern zu kontrollieren und zu steuern. Dabei können sowohl einzelne oder mehrere Prozessschritte als auch Prozessblöcke die Qualitätsparameter beeinflussen. Das beschriebene Ausführungsbeispiel zeigt eine Informationskette auf, die ausgehend von Prozess- und Sensordaten bis hin zu Produktqualitätsparametern aufgebaut ist. Mit anderen Worten die Informationskette umfasst prozessorische und sensorische Daten, sowie Produktqualitätsparameter. Je nach Anwendungsfall besteht die Möglichkeit sowohl p-Prognosen abzugeben als auch eine schnelle Ursachenfindung zu ermöglichen.

Mit anderen Worten die Fertigungslinie 200 weist ein einheitliches Prozessleitsystem mit einem großen, zentralisierten Datenspeicher auf. Die Fertigungslinie 200 kann dabei ein Prozessüberwachungssystem 201 oder eine Vielzahl von Prozess- und Prozessflussüberwachungsystemen aufweisen. Dabei werden sowohl klassische Statistikverfahren als auch maschinelle Lernmethoden verwendet, um die einzelnen Daten zu bearbeiten und auszuwerten. Die Daten können hierbei gezielt für konkrete Anwendungsfälle zentral ausgewertet werden. Dabei wird beispielsweise die Planung von Wartungsaktivitäten, eine Beschreibung der Produktionsschritte durch Schätzung der Prozessergebnisse, die sogenannte virtuelle Messtechnik und die Optimierung der Waferausbeute realisiert.

Die Fertigungslinie 200 findet Anwendung in Industrieanlagen, insbesondere bei der Herstellung von Halbleiterbauelementen.