跳到主要內容

臺灣博碩士論文加值系統

(100.28.227.63) 您好!臺灣時間:2024/06/16 19:31
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:林永祥
研究生(外文):Jack lin
論文名稱:微影製程對位精度之即時調整系統
論文名稱(外文):Real-time Adjustment System for Lithography Alignment Accuracy
指導教授:張耀仁張耀仁引用關係
指導教授(外文):Chang, Yaw-Jen
學位類別:碩士
校院名稱:中原大學
系所名稱:機械工程研究所
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2011
畢業學年度:99
語文別:中文
論文頁數:69
中文關鍵詞:倒傳遞類神經網路多變量統計微影製程對位露光中心
外文關鍵詞:exposure centeralignmentlithographymultivariate statisticsneural networks.
相關次數:
  • 被引用被引用:1
  • 點閱點閱:726
  • 評分評分:
  • 下載下載:2
  • 收藏至我的研究室書目清單書目收藏:0
微影製程中,曝光機在執行基板粗對位(coarse alignment)時的誤差精度準確與否,將影響生產的產量及順暢性。粗對位誤差越小越好,不佳的誤差將導致對位時間過久,增加生產的時間成本。粗對位誤差過大時,甚至將無法對位,需要以人工方式確認處理,增加品質風險。若處理人員判斷錯誤,更有可能造成曝錯,造成產品圖形偏移。機台內機構的精度誤差,會因為長時間而累積。目前業界尚無可以針對曝光機粗對位誤差進行長期監控的系統,亦無法立即發現異常來調整補正。當發現問題時,需要針對各個單元一一澄清,若無法即時修正並改善,長期下來將損失很多產能。
本論文參考Nikon4.5代曝光機的對位系統。首先收集機台生產資料,分析對位誤差與對位時間的關係;並收集歷史露光中心補正調整與對位誤差的相關資料,以倒傳遞類神經網路演算模式,訓練並建立出調整補正量與粗對位誤差間的關係,改善現行靠人力判斷的方式,減少補值後的誤差,增加調整後的對位精度,維持一個良好的狀況,增加機台生產的順暢性。
在製程監控方面,套入多變量統計分析的概念,模擬出五項對位誤差數據之間的影響關係,訓練出較佳的管制規格,以此規格監控實際生產時的粗對位誤差,提早發現異常點並即時處理。
本文研究粗對位誤差產生的原因,建立出精確可靠的誤差估測方式,以解決目前業者無法監控,免於大量產品對位時間過長的情況發生。


In lithography, the accuracy of the coarse substrate alignment (coarse alignment) will affect the production yield and smoothness. It is better to have the error of the coarse alignment as small as possible. Otherwise, more time will be wasted and the time cost of the production will be larger. The alignment may even fail if the error of the coarse alignment is too big. In this case, the production needs to be judged by human, increasing the risk on quality. For example, if a handler makes a mistake in his judgment, wrong exposure may occur, resulting in graphics offset. Overall, the precision error of the machine will accumulate as time goes on.
However, no companies now have a system to monitor the error of the coarse alignment of the exposure for a long period of time. Besides, the error could not be adjusted immediately. In other words, as a problem is detected, it needs to be clarified according to each unit. The lateness of the correction will result in a loss of capacities.
We used Nikon 4.5 Optical Alignment System of exposure machine for this study. At first, we collected data of production machine to analyze the correlation between alignment inaccuracy and the time of alignment. Furthermore, we gathered the information about the adjustment of alignment error from the exposure center. We then used the back-propagation neural network to model the relationship between the adjustment and coarse alignment error. In this way we could not only improve the disadvantage of human judgment, but also reduce the error after correction and increase the alignment precision after adjustment. Therefore, the machine could be kept in good situation and could preserve the smoothness during production.
In the process monitoring, we used multivariate statistical analysis to simulate the relationships among the five items from the errors, and to develop a better control specifications, by which we could monitor the coarse alignment during production. Thus, we are able to detect the error in the first place and to solve it promptly.
This research aimed to find the reason for the inaccuracy of coarse alignment, and to build an accurate estimation of the error, so that companies could prevent their products from spending too much time in alignment.


中文摘要 I
Abstract II
目 錄 IV
圖 目 錄 VI
表 目 錄 IX
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 研究方法 4
1.4 文獻回顧 6
1.5 論文組織架構 7
第二章 微影製程及曝光機對位誤差介紹 9
2.1 TFT微影製程簡介 9
2.1.1 TFT-LCD 簡介 9
2.1.2 微影製程簡介 9
2.2 曝光機及對位誤差 10
2.2.1 曝光機及對位系統介紹 10
2.2.2 曝光機對位誤差 17
2.2.3 曝光機對位誤差補正 19
2.2.4 曝光機對位誤差模式 24
第三章 系統設計與研究方法 26
3.1 系統設計 26
3.2 多變量統計製程管制 27
3.2.1 統計製程管制(SPC) 27
3.2.2 多變量Hotelling’s T2管制圖 30
3.2.3 T2統計量之多變量處理 32
3.3 類神經網路介紹 35
3.3.1 類神經網路架構 36
3.3.2 類神經網路學習策略 37
3.3.3 倒傳遞類神經網路及架構 38
3.3.4 倒傳遞類神經預測模型建立 41
第四章 模擬實驗結果與討論 47
4.1 實驗架構說明 47
4.2 模擬實驗測試 48
4.3 測試結果與討論 56
第五章 結論與展望 57
5.1 結論 57
5.2 未來展望 58
參考文獻 59
圖 目 錄
圖1.1 曝光機相關對位座標圖 1
圖1.2 本研究改善問題之目標選定流程圖 3
圖1.3 論文架構與研究流程圖 8
圖2.1 ARRAY微影製程說明 10
圖2.2 NIKON曝光機構造 11
圖2.3 NIKON對位系統外觀 11
圖2.4 光罩及基板的粗對位 12
圖2.5 光罩及基板的細對位 12
圖2.6 NIKON曝光機粗對位對位系統 13
圖2.7 曝光機對位曝光流程(紅框為2ND LAYER才會使用) 14
圖2.8 基板平台作動方向(X,Y,T)與基板位置量測機構(PIN) 15
圖2.9 PLATE COARSE ALIGNMENT 15
圖2.10 PLATE COARSE ALIGNMENT流程 16
圖2.11 PLATE FINE ALIGNMENT 17
圖2.12 露光中心補正流程圖 19
圖2.13 正常情況下的對位畫面 20
圖2.14 露光中心偏移下IA視野內的MARK 21
圖2.15 基板上的對位MARK 21
圖2.16 業界與本研究TACT TIME驗證流程 22
圖2.17 粗對位誤差的模式 24
圖2.18 對位誤差說明 25
圖3.1對位誤差即時監控補正系統 26
圖3.2 非隨機變化的判圖法 29
圖3.3 HOTELLING 管制圖基本概念 30
圖3.4 F分配基本概念 33
圖3.5 T2統計圖模擬結果 34
圖3.6 生物神經元結構 35
圖3.7 人工神經元構造 36
圖3.8 類神經網路模式 37
圖3.9 類神經網路學習方式 38
圖3.10 倒傳遞類神經網路學習演算流程 38
圖3.11 倒傳遞類神經網路之架構 40
圖3.12 倒傳遞類神經演算流程 40
圖3.13 網路函數順序 44
圖3.14 BPN網路訓練結果(X、Y、T) 45
圖3.15 BPN網路測試結果(X、Y、T) 46
圖4.1 本研究之實驗流程架構 47
圖4.2 實驗數據之T2統計管制圖 51
圖4.3 實驗數據之對位狀況 (未補值) 52
圖4.4 實驗數據之對位狀況 (現行人工方式補值後) 53
圖4.5 實驗數據之對位狀況 (BPN第一次補值後) 54
圖4.6 實驗數據之誤差量 (BPN第一次補值後) 54
圖4.7 實驗數據之對位狀況 (BPN第二次補值後) 55
圖4.8 實驗數據之誤差量 (BPN第二次補值後) 56


表 目 錄
表2.1 粗對位誤差的成因 18
表2.2 現行方式與改善方式的比較 23
表3.1 非隨機變化的判別法 28
表3.2 顯著因子與UCL結果 34
表3.3 轉換函數公式說明 43
表4.1機台設定管制圖 48
表4.2 舒華特單軸管制圖 50


[1] Z. C. Lin and W. J. Wu, “Multiple Linear Regression Analysis of Overlay Accuracy Model,” IEEE, Vol. 12, NO. 2, May 1999.
[2] Z. C. Lin and W. J. Wu, “Analysis on Overlay Accuracy Error Parameters,” Proc. Natl. Sci. Counc. ROC, Vol. 22, No. 2, pp. 236-271, 1998.
[3] 張國浩, “覆蓋誤差模式及取樣策略對良率改善之研究”, 國立清華大學碩士論文, pp. 16-18, 2001.
[4] F. Rosenblatt, “The perception: A probabilistic model for information storage and organization in the brain,” Psychological Review, Vol. 65, pp. 386-408, 1958.
[5] J. J. Hopfield and D. W. Tank, “Neural Compotation of Decisions in Optimization Problems,” Biological Cybernetics, Vol. 33, pp. 533-543, 1986.
[6] Hotelling, H., “Multivariate quality control,” Techniques of Statistical Analysis, pp. 111-184, 1947.
[7] Mason, Robert L., Tracy, Nola D., “A practical approach for interpreting multivariate T2 control chart signals,” Journal of Quality Technology, Vol. 29 Issue4, pp. 396-406, 1997.
[8] Mason, Robert L. and Yount, John C., “Improving the sensitivity of the T2 statistic in multivariate process control,” Journal of Quality Technology, Vol. 31 Issue 2, pp. 155-165, 1999.
[9] 莊達仁, “VLSI製造技術”, 高立圖書有限公司, pp. 32-34, 2002.
[10] B. R. Bakashi, “Multiscale PCA with application to multivariate statistical process monitoring,” AIChE Journal, Vol. 44, No.7, pp. 1596-1610, Jul, 1998.
[11] Manabu, K., Shinji, H., Iori, H., Hiromu, O., “A new multivariate statistical process monitoring method using principal component analysis,” 25, pp. 1103-1113, 2001.
[12] M. A. Sharaf El-Din1, H. I. Rashed2 and M. M. El-Khabeery3,Quality Technology & Quantitative Management, Vol. 3, No. 4, pp. 473-491, 2006.
[13] 徐士殷, “應用區塊離散餘弦轉換搭配灰聚類演算法檢測曲面光學元件之可視瑕疵”, 朝陽科技大學碩士論文, pp. 17-19, 2008.
[14] 莊楚瑜,黃永宏,柳永青, “應用多變量分析方法診斷電池製程之關鍵變數”, 科技與管理學術研討會, pp. 760-764, 2004.
[15] 張斐章,張麗秋,黃浩倫, “類神經網路理論與實務”, 東華書局, pp. 160-164, 2003.
[16] 李文猶,蔡嘉鴻, “類神經網路在半導體製程變異狀態之故障偵測”, 中華民國自動控制研討會, pp. 2-4, 2002.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top