本发明涉及一种用于确定晶圆的质量状况的计算机实现的方法，其中，该方法包括：提供晶圆的至少三个工艺监控测量值，其中，每个工艺监控测量值在晶圆上的不同工艺监控坐标处被收集。
背景技术：
1、根据用于检查晶圆的质量状况的已知方法，在使用来自工艺控制监控(pcm)的测试结果的情况下，确定整个晶圆的单独的晶圆级测试值(wlt)。
2、该方法的缺点在于：关于晶圆的质量的判断是针对整个晶圆做出的，而不是针对晶圆上的芯片的特定区域做出的。因而，在晶圆级测试值有错误的情况下，整个晶圆都作为废品而被剔除。
技术实现思路
1、因此，本发明所基于的任务在于：提供一种用于确定晶圆的质量状况的计算机实现的方法，该方法能够尽可能精确地确定晶圆上的芯片的质量状况并且能够实现晶圆上的芯片的尽可能低的废品率。
2、本发明涉及一种用于确定晶圆的质量状况的计算机实现的方法，其中，该方法具有如下步骤：
3、提供晶圆的至少三个工艺监控测量值，其中，每个工艺监控测量值在晶圆上的不同工艺监控坐标处被收集；
4、将至少三个工艺监控测量值以及这些工艺监控测量值的工艺监控坐标输入到至少一个机器学习算法中；
5、通过该至少一个机器学习算法，输出至少三个近似的晶圆级测试值；
6、基于这些近似的晶圆级测试值，确定晶圆的质量状况。
7、该方法的一个优点在于：借助于该机器学习算法，在使用所测量的工艺监控测量值的情况下，尽可能精确地预测或近似晶圆上的芯片的至少三个晶圆级测试值，使得不需要附加地测量这些晶圆级测试值。
8、该方法的另一优点在于：在晶圆的不同区域内确定至少三个晶圆级测试值，使得能够得出关于晶圆的在不同区域内的质量的结论。
9、在晶圆上制造芯片之后，使用工艺监控方法(process control monitoring，pcm)，以便针对特定的工艺监控坐标获得关于晶圆上的特定芯片的所使用的工艺的详细信息。在该工艺监控方法中，测量芯片的特殊的特定于技术的参数，如cmos中的vth和双极型芯片中的vbe。在此，某些测试装置在晶圆上被放置在特定的工艺监控坐标处，使得能够更精确地洞察各个芯片的工艺变化或者工艺监控测量值的变化。因此，在该工艺监控方法中，测量在晶圆上的工艺监控坐标处的一些芯片的特定的工艺监控测量值。
10、在该工艺监控方法(pcm)之后，根据现有技术中已知的方法，使用所谓的晶圆级测试方法(wlt)，其中，对晶圆上的芯片进行电测试，以便确定晶圆级测试值。此外，也可以执行其它的温度/偏压可靠性压力测试，以便确定其它晶圆级测试值。接着，所确定的晶圆级测试值被用于在芯片的早期生命周期内识别出潜在故障并且将这些芯片相对应地作为废品而剔除。在晶圆上的晶圆级测试方法期间，借助于特殊测试设备(dut)，向晶圆上的每个芯片的连接点(焊盘或这些焊盘上的焊球/凸块)直接施加芯片所需的偏置电压。
11、在本方法中，不是根据晶圆级测试方法来执行测量，而是仅借助于该机器学习算法基于工艺监控测量值来对晶圆级测试值进行预测或近似。
12、此外，机器学习算法基于：使用统计方法，以便对数据处理系统进行训练，使得该数据处理系统可以在该数据处理系统最初未曾明确为了特定任务而被编程的情况下执行该特定任务。在此，机器学习的目的在于：构建可以从数据中学习并做出预测的算法。这些算法创建数学模型，利用这些数学模型，例如可以对数据进行分类，而且可以将输入数据映射成输出数据。
13、该机器学习算法可以在使用人工神经网络的情况下被训练，这些人工神经网络允许：从现有训练数据中学习未知的系统行为；并且然后将所学习到的系统行为也应用于未知的输入参量。在此，神经网络由具有理想化神经元的层组成，这些神经元按照该网络的拓扑以不同方式来彼此连接。
14、在此，人工神经网络是通用函数逼近器。在对网络进行训练时，依据误差函数来对权重进行更新。借助于所连接的应用传播和激活函数的神经元，神经网络输出数字向量。借助于误差函数或损失函数，确定来自人工神经网络的结果与预期值的偏离程度。存在不同类型的误差函数。其中的一个误差函数或损失函数例如是均方误差。
15、然后，基于对晶圆的质量状况的检查，例如可以判断：晶圆上的特定区域或各个芯片是可以被进一步处理还是被剔出。为了能够可靠地并且独立于人类感官地实现此类检查，本方法基于机器学习算法。机器学习算法基于：使用统计方法，以便对数据处理系统进行训练，使得该数据处理系统可以在该数据处理系统最初未曾明确为了特定任务而被编程的情况下执行该特定任务。在此，机器学习的目的在于：构建可以从数据中学习并做出预测的算法。这些算法创建数学模型，利用这些数学模型例如可以对数据进行分类。为了基于所测量的工艺监控测量值来预测或近似晶圆级测试值，根据本方法，机器学习算法例如可以在使用旧有训练数据的情况下被训练，这些旧有训练数据包含已经制造的晶圆的所测量的工艺监控测量值和所测量的晶圆级测试值。接着，可以一直借助于这些训练数据来进行训练，直至达到所预测的晶圆级测试值与实际测量的晶圆级测试之间的足够的误差范围为止。
16、在此，工艺监控测量值的工艺监控坐标可以均匀分布地布置在晶圆上而不是处在一条线上，以便能够在监控坐标之间扩展出多边形。
17、有利地，对于在相应坐标处的每个工艺监控测量值，借助于机器学习算法，可以针对该工艺监控测量值分别对在该工艺监控坐标处的晶圆级测试值进行近似，其中，在各个工艺监控测量值的工艺监控坐标之间扩展出多边形。
18、由此，该机器学习算法可以利用在特定的工艺监控坐标处的工艺监控测量值的训练数据和相对应的晶圆级来被训练，使得预测或近似的可靠性被改善。
19、在至少三个工艺监控坐标之间扩展出多边形，使得该多边形包括晶圆的特定区域。
20、有利地，通过在工艺监控测量值的工艺监控坐标处的所预测的晶圆级测试值之间的线性插值，可以确定在该多边形之内的芯片的其它晶圆级测试值。
21、由此，通过线性插值，能够以可靠的方式来预测在该多边形之内的芯片的晶圆级测试值。由此，可以节省对这些晶圆级测试值的测量，使得由此减少了生产成本和生产时长。
22、有利地，可以借助于最近邻法来确定在该多边形之外的芯片的其它晶圆级测试值，其中，在该多边形之外的晶圆级测试值等于工艺监控坐标之一的相应下一个所预测的晶圆级测试值。
23、由此，能够借助于最近邻法来实现对在该多边形之外的芯片的晶圆级测试值的可靠预测。因此，晶圆上的所有芯片的晶圆级测试值都可以由此被预测或近似，而不必执行对这些测试值的测量。
24、有利地，可以在不同工艺监控坐标处测量至少九个工艺监控测量值，这些工艺监控坐标基本上均匀分布地布置在晶圆上，其中，借助于该机器学习算法，确定晶圆上的所有单独芯片的晶圆级测试值。
25、由此，在这九个工艺监控测量值之间扩展出多边形，而且针对晶圆上的所有芯片，在该多边形之内通过线性插值来预测晶圆级测试值，并且在该多边形之外通过最近邻法来预测晶圆级测试值。这能够将晶圆划分成满足对晶圆级测试值的质量要求的区域和不满足这些质量要求并且作为废品被剔除的区域。因此，可以将晶圆的满足这些质量要求的区域继续用于芯片的进一步生产。
26、有利地，如果这些近似的晶圆级测试值中的至少一个处在指定范围之外或者超过或低于指定阈值，则可以生成关于晶圆的相应芯片的质量状况的消息。
27、由此，向用户通知是否不再满足对晶圆级测试值的质量要求。接着，用户可以在深入分析之后判断晶圆的哪些区域应被标记为废品。
28、有利地，通过将所预测的晶圆级测试值与晶圆上的实际测量的晶圆级测试值进行比较，可以检查该机器学习算法，其中，确定偏差的最大误差值，其中，如果该最大误差值超过所规定的阈值，则不再应用该机器学习算法。
29、由此，可以定期检查该机器学习算法，其中，尤其是确定所预测的晶圆级测试值与所测量的晶圆级测试值之间的偏差的最大误差值。如果超过该最大误差值，则可以将消息传送给用户，以便指示用户该机器学习算法必须被改进。然后，可以通过利用训练数据的进一步训练来改进该机器学习算法，或者可以通过新训练的机器学习算法来替换该机器学习算法。
30、本发明的另一主题是一种用于提供经训练的机器学习算法以基于在晶圆的不同工艺监控坐标处的工艺监控测量值来对晶圆级测试值进行近似的方法，其中，该方法具有如下步骤：
31、接收第一训练数据集，该第一训练数据集包括在该晶圆的不同工艺监控坐标处的多个工艺监控测量值；
32、接收第二训练数据集，该第二训练数据集包括多个近似的晶圆级测试值；以及
33、通过优化算法来训练该机器学习算法，该优化算法计算用于基于在该晶圆的不同工艺监控坐标处的工艺监控测量值来对晶圆级测试值进行近似的损失函数的极值。
34、由此，通过所提供的两个训练数据集来训练该机器学习算法，以便能够实现对晶圆级测试值的可靠预测。通过训练数据的选择和训练数据的数量，可以改善该机器学习算法的质量。
35、本发明的另一主题是一种用于确定晶圆的质量状况的系统，该系统具有：第一计算单元，该第一计算单元被设立为：提供晶圆的至少三个工艺监控测量值，其中，每个工艺监控测量值在晶圆上的不同工艺监控坐标处被收集。
36、该系统还包括输入装置，该输入装置被设立为：将至少三个工艺监控测量值以及这些工艺监控测量值的工艺监控坐标输入到至少一个机器学习算法中。
37、该系统还包括：机器学习算法，该机器学习算法被设立为输出至少三个近似的晶圆级测试值；以及确定装置，该确定装置被设立为：基于这些近似的晶圆级测试值，确定晶圆的质量状况。
38、因此，该系统能够执行上述用于确定晶圆的质量状况的计算机实现的方法。该计算单元可以是任意计算机，如pc。
39、该输入装置可以是任意输入设备，如键盘或鼠标，以便手动输入所测量的工艺监控测量值。该输入设备也可以从测量设备自动读出所测量的工艺监控测量值并且将这些工艺监控测量值自动输入到该机器学习算法中。该确定装置可以是计算机，如pc，以便执行该计算机实现的方法。
40、本发明的另一主题是一种用于提供经训练的机器学习算法以基于在晶圆的不同工艺监控坐标处的工艺监控测量值来对晶圆级测试值进行近似的系统，该系统具有：
41、用于接收第一训练数据集的装置，该第一训练数据集包括在该晶圆的不同工艺监控坐标处的多个工艺监控测量值。
42、该系统还包括用于接收第二训练数据集的装置，该第二训练数据集包括多个近似的晶圆级测试值。
43、该系统还包括训练计算单元，该训练计算单元被设立为：通过优化算法来训练该机器学习算法，该优化算法计算用于基于在该晶圆的不同工艺监控坐标处的工艺监控测量值来对晶圆级测试值进行近似的损失函数的极值。
44、由此，该系统能够执行对该机器学习算法的训练。用于接收训练数据的装置可以是用于计算机的常规的数据传送装置。该训练计算单元可以在如pc那样的常规计算机上被实施。
45、本发明的另一主题是一种计算机程序，其具有程序代码，用于当该计算机程序在计算机上被执行时执行用于确定晶圆的质量状况的计算机实现的方法的至少部分。
46、本发明的另一主题是一种计算机可读数据载体，其具有计算机程序的程序代码，用于当该计算机程序在计算机上被执行时执行用于确定晶圆的质量状况的计算机实现的方法的至少部分。
47、在此，该计算机程序和该计算机可读数据载体分别具有如下优点：该计算机程序和该计算机可读数据载体被设计为可靠地执行用于确定晶圆的质量状况的计算机实现的方法。
48、所描述的设计方案和扩展方案可以彼此任意组合。
49、本发明的其它可能的设计方案、扩展方案、实现方案也包括本发明的之前或者在下文关于实施例描述的特征的没有明确提到的组合。
1.一种用于确定晶圆(1)的质量状况的计算机实现的方法，其中，所述方法具有如下步骤：
2.根据权利要求1所述的计算机实现的方法，其特征在于，对于在相应坐标处的每个工艺监控测量值(6)，借助于所述机器学习算法(20)，针对所述工艺监控测量值(6)分别对在所述工艺监控坐标(4)处的晶圆级测试值(7)进行近似，其中，在各个工艺监控测量值(6)的工艺监控坐标(4)之间扩展出多边形(9)。
3.根据权利要求2所述的计算机实现的方法，其特征在于，通过在所述工艺监控测量值(6)的工艺监控坐标(4)处的所预测的晶圆级测试值(7)之间的线性插值，确定在所述多边形(9)之内的芯片(10)的其它晶圆级测试值(7)。
4.根据权利要求2或3所述的计算机实现的方法，其特征在于，借助于最近邻法来确定在所述多边形(9)之外的芯片(11)的其它晶圆级测试值(7)，其中，在所述多边形(9)之外的晶圆级测试值(7)等于所述工艺监控坐标(4)之一的相应下一个所预测的晶圆级测试值(7)。
5.根据上述权利要求中任一项所述的计算机实现的方法，其特征在于，在不同工艺监控坐标(4)处测量至少九个工艺监控测量值(6)，所述工艺监控坐标基本上均匀分布地布置在所述晶圆(1)上，其中，借助于所述机器学习算法(20)并且通过所述方法的接下来的步骤，对所述晶圆(1)上的所有单独芯片的晶圆级测试值(7)进行确定或近似。
6.根据上述权利要求中任一项所述的计算机实现的方法，其特征在于，如果所述近似的晶圆级测试值(7)中的至少一个处在指定范围之外或者超过或低于指定阈值，则生成关于所述晶圆(1)的相应芯片(3、10、11)的质量状况的消息(13)。
7.根据上述权利要求中任一项所述的计算机实现的方法，其特征在于，通过将所预测的晶圆级测试值(7)与所述晶圆(1)上的实际测量的晶圆级测试值进行比较，检查所述机器学习算法(20)，其中，确定偏差的最大误差值，其中，如果所述最大误差值超过所规定的阈值，则不再应用所述机器学习算法(20)。
8.一种用于提供经训练的机器学习算法(20)以基于在晶圆(1)的不同工艺监控坐标(4)处的工艺监控测量值(6)来对晶圆级测试值(7)进行近似的计算机实现的方法，其中，所述方法具有如下步骤：
9.一种用于确定晶圆(1)的质量状况的系统，所述系统具有：
10.一种用于提供经训练的机器学习算法(20)以基于在晶圆(1)的不同工艺监控坐标(4)处的工艺监控测量值(6)来对晶圆级测试值(7)进行近似的系统，所述系统具有：
11.一种计算机程序，其具有程序代码，用于当所述计算机程序在计算机上被执行时执行根据权利要求1至8中任一项所述的方法的至少部分。
12.一种计算机可读数据载体，其具有计算机程序的程序代码，用于当所述计算机程序在计算机上被执行时执行根据权利要求1至8中任一项所述的方法的至少部分。
