新增检测工具的合格检验方法和检验系统与流程

1.本发明涉及半导体领域，尤其涉及一种新增检测工具的合格检验方法和检验系统。


背景技术：

2.集成电路(integrated circuit)是一种微型电子器件或部件。它是采用氧化、光刻、扩散、外延、掩膜、溅射等半导体制作工艺，把一个电路中所需的晶体管、电阻、电容和电感等元件及布线互连一起，制作在一小块或几小块半导体晶片或介质基片上，然后封装在一个管壳内，成为具有所需电路功能的微型结构或芯片。
3.在进行集成电路的制作时，在进行相关的半导体工艺后需要进行检测以监控相应的半导体工艺是否满足工艺要求，其检测过程一般都是在检测工具或检测设备上进行。
4.为了提高产能，通常会在产线上新增检测工具。在新增检测工具在正式投入检测之前，需要对新增检测工具的性能进行验证，判断新增检测工具是否能用于检测或者判断其是否合格，现有通常是通过测量在新增检测工具中进行工艺处理后的晶圆的良率数据来判断新增检测工具是否合格，判断过程并没有统一的标准或流程，且受工艺或人员的主观影响较大，检验结果精度有待提升。


技术实现要素：

5.本发明所要解决的技术问题是提供一种新增检测工具的合格检验方法和检验系统，使得检验过程标准化，提高了检验结果的精度。
6.本发明提供了一种新增检测工具的合格检验方法，包括：
7.提供线上新装的新的检测工具以及线上已有的旧的检测工具；
8.提供若干待检测晶圆；
9.将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
10.将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
11.对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
12.判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
13.可选的，所述获得若干第一检测数据和获得若干第二检测数据之前，还包括步骤，判断所述新的检测工具和旧的检测工具能否重复检测同一片晶圆，如“是”，则提供的所述待检测晶圆为可重复待检测晶圆，所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，若“否”，则提供的所述待检测晶圆为不可重复待检测晶圆，所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。
14.可选的，一个所述第一检测数据和第二检测数据为第一种类和第二种类下对应的某一个测试项目数据。
15.可选的，对所述若干第一检测数据和若干第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
16.可选的，对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属的过程包括：将所述若干第二检测数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别；将若干第一检测数据和第二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。
17.可选的，所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。
18.可选的，所述判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格。
19.可选的，将所述若干第二检测数据分成若干集群采用k-means聚类算法。
20.可选的，将所述若干第二检测数据分成若干集群之前还包括步骤：判断所述第一检测数据和第二检测数据的数量是否皆大于10，若“是”，则进行将所述若干第二检测数据分成若干集群的步骤，若“否”，则结束检验流程。
21.可选的，所述分成若干集群，构建模糊系统模型、获得每一个第一检测数据和第二检测数据对应的类别归属的过程包括：在将所述若干第二检测数据分成若干集群时，预先设置k-means聚类算法中的k值等于3，然后通过k-means聚类算法将所述若干第二检测数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将k值减1，在k值等于2时，通过k-means聚类算法将所述若干第二检测数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；根据所述每一个第一检测数据和第二检测数据对应的类别归属；继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将k值减继续1，在k值等于1时，通过k-means聚类算法将所述若干第二检测数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
22.可选的，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格采用t检验。
23.可选的，当所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验。
24.可选的，当所述新的检测工具和旧的检测工具对不同片的待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用采用独立样本t检验。
25.可选的，根据新的检测工具的每一个类别归属对应的第一检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验。
26.本发明还一种新增检测工具的合格检验系统，包括：
27.晶圆提供单元，用于提供若干待检测晶圆；
28.新的检测工具，用于将部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
29.旧的检测工具，用于将部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
30.数据分析单元，用于对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
31.判断单元，用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
32.可选的，还包括：可重复检测判断单元，用于在所述新的检测工具获得若干第一检测数据和旧的检测工具获得若干第二检测数据之前，判断所述新的检测工具和旧的检测工具能否重复检测同一片晶圆，如“是”，则晶圆提供单元提供的所述待检测晶圆为可重复待检测晶圆，所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，若“否”，则晶圆提供单元提供的所述待检测晶圆为不可重复待检测晶圆，所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。可选的，所述第一检测数据和第二检测数据均包括第一种类和第二种类下对应的若干项测试数据。
33.可选的，所述数据分析单元对所述若干第一检测数据和若干第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
34.可选的，所述数据分析单元对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属的过程包括：将所述若干第二检测数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别；将若干第一检测数据和第二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。
35.可选的，所述数据分析单元所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。
36.可选的，所述判断单元用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格。
37.可选的，所述数据分析单元将所述若干第二检测数据分成若干集群采用k-means聚类算法。
38.可选的，还包括数据样本数判断单元，用于将数据分析单元将所述若干第二检测数据分成若干集群之前判断所述第一检测数据和第二检测数据的数量是否皆大于10，若“是”，则进行将所述若干第二检测数据分成若干集群的步骤，若“否”，则结束检验流程。
39.可选的，所述数据分析单元分成若干集群，构建模糊系统模型、获得每一个第一检测数据和第二检测数据对应的类别归属的过程包括：在将所述若干第二检测数据分成若干集群时，预先设置k-means聚类算法中的k值等于3，然后通过k-means聚类算法将所述若干第二检测数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将k值减1，在k值等于2时，通过k-means聚类算法将所述若干第二检测数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；根据所述每一个第一检测数据和第二检测数据对应的类别归属；继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将k值减继续1，在k值等于1时，通过k-means聚类算法将所述若干第二检测数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
40.可选的，所述判断单元判断新的检测工具的每一个类别归属对应的第一检测数据是否合格采用t检验。
41.可选的，所述判断在所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验。
42.可选的，所述判断单元在新的检测工具和旧的检测工具对不同片的待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用独立样本t检验。
43.可选的，还包括反馈单元，用于根据新的检测工具的每一个类别归属对应的第一检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验。
44.与现有技术相比，本发明技术方案具有以下优点：
45.本发明的新增检测工具的合格检验方法，在提供若干待检测晶圆后，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测
数据对应的类别归属；判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。通过前述检验方法，对新增的新的检测工具的合格检验过程标准化和流程化，并且检验过程中以若干旧的检测工具进行检测获得的第二检测数据作为原始数据进行相应的数据分析和处理，以提高新的检测工具合格检验结果的准确性，并且提高新的检测工具合格检验过程的效率。
附图说明
46.图1-图4为本发明实施例新增检测工具的合格检验方法的流程示意图；
47.图5-图9为本发明实施例新增检测工具的合格检验过程的结构示意图；
48.图10为本发明实施例新增检测工具的合格检验系统的结构示意图。
具体实施方式
49.如背景技术所言，现有判断新增检测工具是否合格的过程并没有统一的标准或流程，且受工艺或人员的主观影响较大，检验结果精度有待提升。
50.为此，本发明提供了一种新增检测工具的合格检验方法和检验系统，所述检验方法，在提供若干待检测晶圆后，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。通过前述检验方法，对新增的新的检测工具的合格检验过程标准化和流程化，并且检验过程中以若干旧的检测工具进行检测获得的第二检测数据作为原始数据进行相应的数据分析和处理，以提高新的检测工具合格检验结果的准确性，并且提高新的检测工具合格检验过程的效率。
51.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在详述本发明实施例时，为便于说明，示意图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明的保护范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
52.参考图1，本发明一实施例提供了一种半导体产品分级方法，包括步骤：
53.步骤s20，提供线上新装的新的检测工具以及线上已有的旧的检测工具；
54.步骤s21，提供若干待检测晶圆；
55.步骤s22，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
56.步骤s23，将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
57.步骤s24，判断所述第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤s25，若“否”，则进行步骤s29，结束检验流程；
58.步骤s25，对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
59.步骤s26，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
60.下面结合附图对前述过程进行详细的描述。
61.进行步骤s20，提供线上新装的新的检测工具以及线上已有的旧的检测工具。
62.所述旧的检测工具和新装的新的检测工具都是用于在产线(fab)上对进行半导体制作工艺后的晶圆能进行检测，获得检测数据。所述旧的检测工具为在产线上已经在使用，且各项性能和良率等满足工艺的要求。所述新装的新的检测工具为需要进行检验的设备，需要判断其是否合格，还没有正式用于生产。
63.所述半导体制作工艺为氧化、沉积、光刻、扩散、外延、掩膜、注入、溅射等半导体制作工艺。
64.所述旧的检测工具和新装的新的检测工具用于检测的参数包括第一种类和第二种类，所述第一种类为检测电流为交流电(ac)进行的电学参数检测，第二种类为检测电流为直流电(dc)时进行的电学参数检测，第一种类和第二种类下对应具有若干测试项目，每一个测试项目下对应具有若干具体的检测数据。本实施例中所述旧的检测工具和新装的新的检测工具为具有相同功能的检测工具。
65.进行步骤s21，提供若干待检测晶圆。
66.所述待检测晶圆为在某种半导体工艺设备上进行相应的半导体制作工艺后需要进行检测的晶圆。所述半导体工艺设备为光刻设备(进行光刻工艺)、炉管设备(进行氧化工艺或退火工艺)、沉积设备(进行沉积工艺)、溅射设备(进行溅射工艺)、化学机械研磨设备(进行化学机械研磨工艺)、离子注入设备(进行注入工艺)或其他的半导体工艺设备。
67.研究发现，有些类型的多个检测工具能对同一片待检测晶圆进行检测时都能获得较高的精度的检测数据(比如两台相同功能的检测工具能对同一片待检测晶圆进行检测获得检测数据)，而另外一些类型的多个检测工具在对同一片待检测晶圆进行检测时获得的检测数据精度会较低(检测过程会破坏待检测晶圆上形成的待检测结构)，为了提高检测的精度，多个检测工具需要对不同的待检测晶圆进行检测。因而，在一实施例中，为了使得本发明的新增检测工具的合格检验方法获得的结果更为精确，请参考图2，在进行步骤s21之前，还需要进行步骤s20m，判断所述新的检测工具和旧的检测工具能否重复检测同一片晶圆，若“是”，则进行步骤s21a，提供若干待检测晶圆，所述待检测晶圆为可重复待检测晶圆，若“否”，则进行步骤s21b，提供若干待检测晶圆，所述待检测晶圆为不可重复待检测晶圆，使得后续在进行新增检测工具的合格检验过程中，可以对不同类型的新装的检测工具均能对其是否合格进行精确的判断，所述步骤s21a和步骤s21b均为步骤s21的一部分。需要说明的是，在其他实施例中，可以不对所述待检测晶圆进行区分。
68.新的检测工具和旧的检测工具能否重复检测同一片晶圆可以直接设置在新的检测工具和旧的检测工具中，在进行检测时直接读取该设置。或者也可以由工程人员在进行检测过程中进行设置。
69.在一实施例中，所述可重复待检测晶圆的数量大于10片，所述不可重复待检测晶圆的数量大于20片，提高后续获取的良率数据的有效样本数。
70.继续参考图1，进行步骤s22，将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；进行步骤s23，将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据。
71.在进行检测时，通过对一片待检测晶圆进行检测对应获得一个第一检测数据或一
个第二检测数据，对若干片待检测晶圆进行检测对应获得若干个第一检测数据或若干个第二检测数据。
72.每一个所述第一检测数据和第二检测数据可以对同一片待检测晶圆进行测量获得(比如新的检测工具对一片待检测晶圆进行检测后获得一个第一检测数据，旧的检测工具对同一片待检测晶圆进行检测获得一个第二检测数据)，也可以是对不同片的待检测晶圆进行测量后获得(比如新的检测工具对第一片待检测晶圆进行检测后获得一个第一检测数据，旧的检测工具对第二片待检测晶圆进行检测获得一个第二检测数据)。在一具体的实施例中，请参考图2，进行步骤s22-s23时，针对不同类型的检测设备，可以在步骤s21a后进行步骤s22a-s23a(所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，具体的，可以对新的检测工具和旧的检测工具可以对所有的待检测晶圆依次进行检测，获得若干第一检测数据和第二检测数据)或者在步骤s21b进行步骤s22a-s23a(所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据，具体的，将所有待检测晶圆分成第一部分晶圆和第二部分晶圆，所述新的检测工具对第一部分检测晶圆进行检测获得若干第一检测数据，所述旧的检测工具对第二部分检测晶圆进行检测，获得若干第二检测数据)。
73.研究发现，由于检测工具检测获得数据具有不同种类和不同项目的区别，在一实施例中，一个所述第一检测数据和第二检测数据为第一种类和第二种类下对应的某一个测试项目数据，因而后续可以每一个所述测试项目数据进行是否合格的判断，因而可以对新的检测工具是否合格进行全方位的评判能进一步提高新增检测工具的合格检验方法的准确性，
74.在一实施例中，在进行步骤s25之前，还包括步骤s24，判断所述第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤s25，若“否”，则进行步骤s29，结束检验流程。
75.进行步骤s24的目的是，保证后续进行步骤s25进行数据分析时有足够的样本数，提高进行数据分析时的准确性。在其他实施例中，也可以不进行步骤s24，直接进行步骤s25。
76.继续参考图1，进行步骤s25，对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属。
77.对所述若干第一检测数据和第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法(data analysis method based on fuzzy system models,da-fsms)。
78.在一实施例中，请参考图3，所述步骤s25的具体过程可以包括：步骤s250，将所述若干第二检测数据分成若干集群；步骤s251，根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别；步骤s252，将若干第一检测数据和第
二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。
79.具体的，步骤s250中，将所述若干第二检测数据分成若干集群可以采用k-means聚类算法或其他分群或聚类算法。
80.在一实施例中，进行k-means算法将所述若干第二检测数据分成若干集群作为实例进行说明，包括步骤：
81.(1)将所述若干第二检测数据设定为一个点集s，需要划分成n类别或集群，n根据需要进行设定；
82.(2)设定k等于n，随机选取n个点作为初始中心点；
83.(3)计算每个点到这n个中心点的距离大小，选取最近的中心点，划分到以该中心点为中心的群组中去；
84.(4)重新计算n个新集群的中心点；
85.(5)如果中心点保持不变，则结束k-means过程。否则，重复进行(3)、(4)步。
86.本技术中，将所述若干第二检测数据至多划分为3个集群，可以为3个集群，2个集群，或1个集群，后续构建模糊系统模型的效率可以提高，并且使得通过构建的模糊系统模型能较简便和较准确的反应新的检测工具和第二检测数据所在的类别归属。在其他的实施例中，可以将若干第二检测数据划分为更多的集群。
87.在一实施例中，以所述k值等于3作为实例进行说明，请参考图5，图5中最上面一个图为若干第二检测数据分布曲线图，其中横坐标表示检测数据(第二检测数据)，纵坐标表示数量，图5中中间一个图为进行k-means后的3个集群的分布图，其中横坐标表示检测数据，纵坐标表示数量，3个集群对应具有3个中心点，分别为c1，c2和c3。
88.继续参考图3，进行步骤s251，根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数。构建模糊系统模型时，所述类别归属和对应的分布函数的数量根据集群的数量来确定，比如划分为3个集群时，具有3个类别归属和对应的3个分布函数。在一实施例中，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别。具体的，当步骤s250中将所述若干第二检测数据分成3个集群时，构建模糊系统模型为α模型，当步骤s250中将所述若干第二检测数据分成2个集群时，构建模糊系统模型为β模型，当步骤s250中将所述若干第二检测数据分成1个集群时，构建模糊系统模型为γ模型。
89.在一实施例中，请参考图5，图5中的最下面一个图为构建模糊系统模型是获得的若干第二检测数据分布折线图，其中横坐标表示检测数据(第二检测数据)，纵坐标表示概率，根据这个分布折线图以及三个中心点c1、c2、c3可以获得模糊系统模型中符合集群特征分布的类别归属和对应的分布函数。具体的，请参考图6，图6为表征α模型的结构示意图，α模型为所述若干第二检测数据分成3个集群时构建的模糊系统模型，α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别f1、中等类别f2和高类别f3，所述三个类别归属与三个分布函数f1(xj)，f2(xj)，f3(xj)对应，c1、c2、c3表示三个中心点对应的良
率数值，xj表示检测数据变量。
90.在另一实施例中，请参考图7，图7为表征β模型的结构示意图，β模型为所述若干第二检测数据分成2个集群时构建的模糊系统模型，β模型包括；两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别f4、和偏高类别f5，所述两个类别归属与两个分布函数f4(xj)，f5(xj)对应，c1、c2表示两个中心点对应的良率数值，xj表示检测数据变量。
91.在另一实施例中，请参考图8，图8为表征γ模型的结构示意图，γ模型为所述若干第二检测数据分成1个集群时构建的模糊系统模型，γ模型包括；一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别f6、，所述一个类别归属与一个分布函数f6(xj)对应，xj表示检测数据变量。
92.步骤s252中，将若干第一检测数据和第二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的类别归属。具体的，将若干第一检测数据和第二检测数据分别投射到所述α模型、β模型或γ模型中的一个模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，所述对应的类别归属为通过某一分布函数计算获得概率最大值时与该分布函数对应的类别归属。比如，将若干第一检测数据和第二检测数据分别投射到α模型时，将若干第一检测数据和第二检测数据作为变量xj依次投射到图6所示的分布函数f1(xj)，f2(xj)和f3(xj)中，获得对应的概率，如果分布函数f1(xj)计算获得的概率最大，则该第一检测数据或第二检测数据对应的类别归属为“低类别”，如果分布函数f2(xj)计算获得的概率最大，则该第一检测数据或第二检测数据对应的类别归属为“中等类别”，如果分布函数f3(xj)计算获得的概率最大，则该第一检测数据或第二检测数据对应的类别归属为“高类别”。将第一检测数据和第二检测数据分别投射到所述β模型或γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属的过程与投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属的过程类似。
93.在一实施例中，为了进一步提高每一个第一检测数据和第二检测数据对应的获取的类别归属的准确性，以进一步提高新的检测工具合格检验结果的准确性，参考图4，在进行步骤s250将所述若干第二检测数据分成若干集群时，预先设置k-means聚类算法中的k值等于3，然后通过k-means聚类算法将所述若干第二检测数据分成3个集群；进行步骤s251时，根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，进行步骤s252将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；进行步骤s253，判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤s26判断新的检测工具的每一个类别归属对应的第一检测数据是否合格，若“否”，则进行步骤s254，将k值减1，然后在k值等于2时，继续进行步骤s250，通过k-means聚类算法将所述若干第二检测数据分成2个集群；然后进行步骤s251，根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；然后进行步骤s252，将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；然后进行步骤s253，继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行步骤s26，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格，若“否”，则进行步骤s254，将k值减继续1，然后进行步骤s250，在k值等于1时，通过k-means聚类算法将所述若干第二检测数据分成1个
集群；进行步骤s251，根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；进行步骤s272，将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
94.在一实施例中，当一个所述第一检测数据和第二检测数据为第一种类和第二种类下对应的某一个测试项目数据，所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。在一实施例中，将每一个测试项目数据对应的模糊系统模型进行存储。
95.在获得第一检测数据和第二检测数据的类别归属后，可以将第一检测数据和第二检测数据的类别归属与晶圆(待检测晶圆)批次、晶圆(待检测晶圆)编号、数据种类(包括第一种类和第二种类)、数据项目(item1等)相关联存储在表格中。
96.继续参考图1，进行步骤s26，判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
97.在一实施例中，所述判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格，从而可以实现对不同类型的新的工具是否合格进行更为精确的检验。
98.判断新的检测工具的每一个类别归属对应的第一检测数据是否合格采用t检验。
99.在一实施例中，根据检测设备类型的不同，进行步骤s26时，分别进行步骤s26a或s26b，进行步骤s26a，所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验，进行步骤s26a，当所述新的检测工具和旧的检测工具对不同片的待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用独立样本t检验。因而可以针对不同类型的检测工具是否合格进行检验，从而提高了获得的检测结果的精度。
100.所述样本均数t检验(t检验，student's t test)和独立样本t检验采用双侧检验，设置统计显著性水平α＝0.05，两个假设检验：h0:第一检测数据与第二检测数据存在显着差异，h1:第一检测数据与第二检测数据不存在显着差异，t检验会获得(支持h0而拒绝h1)或(支持h1而拒绝h0)其中的一种结果，若支持h0而拒绝h1，就是说我们的第一个假设h0(存在显着差异)被证明对的，即第一检测数据与第二检测数据存在显着差异，则新工具相应的第一检测数据不合格。反之若支持h1这个假设的话，那就是第一检测数据与第二检测数据不存在显着差异，则新工具相应的第一检测数据合格。
101.在一实施例中，所述统计显著性水平α值可以根据相关步骤进行设置，具体的包括步骤：步骤1，将若干第二检测数据随机分成两组；步骤2，将其中一组当成新的检测工具的样本数据(相当于测量获得第一检测数据)，另一组当成旧的检测工具的样本数据(相当于测量获得第二检测数据)；步骤3，运行不可重复晶圆进行检测时的流程，并取得每一个项目对应的p值；步骤4，将每一个项目的α值设定为max(p值，τ)，其中，τ为最小可接受的显著性水平值且τ≥1。
102.在一实施例中，在进行t检验后，参考图还包括步骤s27，输出判断结果。
103.所述判断结果包括“合格”或“不合格”。在以具体的实施例中，所述判断结果为第一种类和第二种类下的每一个测试项目数据为“合格”和“不合格”。所述判断结果还可以包
括每一个测试项目数据所属的种类和项目、类别归属、对应的p值和α值。
104.在具体的实施例中，所述判断结果可以表格、图标、或图形的方式显示在用户终端上，以使得用户可以直观的获取检验结果。
105.在一实施例中，还包括步骤s28，根据新的检测工具的每一个类别归属对应的第一检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验，从而可以调节制定项目的严紧程度。
106.在具体的实施例中，可以在检测项目数据存在不合格时，调整统计显著性水平α值数，重新进行t检验。
107.所述调整统计显著性水平α值数可以为人工根据经验进行调整，具体的，可以在用户终端对统计显著性水平α值进行调整，α值被调整后，调整后的α值被反馈以基于调整后的α值进行步骤s26。
108.本发明实施例还提供了一种新增检测工具的合格检验系统，参考图10，包括：
109.晶圆提供单元301，用于提供若干待检测晶圆；
110.新的检测工具302，用于将至少部分所述待检测晶圆在所述新的检测工具中进行检测，获得若干第一检测数据；
111.旧的检测工具303，用于将至少部分所述待检测晶圆在所述旧的检测工具中进行检测，获得若干第二检测数据；
112.数据分析单元304，用于对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属；
113.判断单元305，用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格。
114.具体的，所述待检测晶圆为可重复待检测晶圆，所述新的检测工具和旧的检测工具对同一片所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。
115.在一实施例中，所述待检测晶圆为不可重复待检测晶圆，所述新的检测工具和旧的检测工具对不同片的所述待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据。
116.在一实施例中，所述第一检测数据和第二检测数据均包括第一种类和第二种类下对应的若干项测试数据。
117.所述数据分析单元304对所述若干第一检测数据和若干第二检测数据进行数据分析的方法采用基于模糊系统模型的数据分析方法。
118.在一实施例中，所述数据分析单元304对所述若干第一检测数据和若干第二检测数据进行数据分析，获得所述若干第一检测数据和若干第二检测数据对应的类别归属的过程包括：将所述若干第二检测数据分成若干集群；根据所述若干集群，构建模糊系统模型，所述模糊系统模型中包括符合集群特征分布的类别归属和对应的分布函数，所述模糊系统模型为α模型、β模型或γ模型中的一种，所述α模型包括三个类别归属和对应的三个分布函数，所述三个类别归属为低类别、中等类别和高类别，所述β模型包括两个类别归属和对应的两个分布函数，所述两个类别归属为偏低类别和偏高类别，所述γ模型包括一个类别归属和对应的一个分布函数，所述一个类别归属为整体类别；将若干第一检测数据和第二检测数据分别投射到所述模糊系统模型中，获得每一个第一检测数据和第二检测数据对应的
类别归属。
119.在一实施例中，所述数据分析单元304所述获得每一个第一检测数据和第二检测数据对应的类别归属包括：获得第一种类和第二种类下的每一个测试项目数据对应的类别归属。
120.在一实施例中，所述判断单元305用于判断新的检测工具的每一个类别归属对应的第一检测数据是否合格包括：判断新的检测工具的第一种类和第二种类下的每一个测试项目数据是否合格。
121.在一实施例中，所述数据分析单元304将所述若干第二检测数据分成若干集群采用k-means聚类算法。
122.在一实施例中，还包括数据样本数判断单元，用于将数据分析单元304将所述若干第二检测数据分成若干集群之前判断所述第一检测数据和第二检测数据的数量是否皆大于10，若“是”，则进行将所述若干第二检测数据分成若干集群的步骤，若“否”，则结束检验流程。
123.在一实施例中，所述数据分析单元304分成若干集群，构建模糊系统模型、获得每一个第一检测数据和第二检测数据对应的类别归属的过程包括：在将所述若干第二检测数据分成若干集群时，预先设置k-means聚类算法中的k值等于3，然后通过k-means聚类算法将所述若干第二检测数据分成3个集群；根据所述3个集群，构建模糊系统模型，所述模糊系统模型为α模型；将若干第一检测数据和第二检测数据分别投射到所述α模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将k值减1，在k值等于2时，通过k-means聚类算法将所述若干第二检测数据分成2个集群；根据所述2个集群，构建模糊系统模型，所述模糊系统模型为β模型；将若干第一检测数据和第二检测数据分别投射到所述β模型中，获得每一个第一检测数据和第二检测数据对应的类别归属；根据所述每一个第一检测数据和第二检测数据对应的类别归属；继续判断获得类别归属后的第一检测数据和第二检测数据的数量是否均大于10，若“是”，则进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格的步骤，若“否”，则将k值减继续1，在k值等于1时，通过k-means聚类算法将所述若干第二检测数据分成1个集群；根据所述1个集群，构建模糊系统模型，所述模糊系统模型为γ模型；将若干第一检测数据和第二检测数据分别投射到所述γ模型中，获得每一个第一检测数据和第二检测数据对应的类别归属，直接进行判断新的检测工具的每一个类别归属对应的第一检测数据是否合格步骤。
124.在一实施例中，所述判断单元305判断新的检测工具的每一个类别归属对应的第一检测数据是否合格采用t检验。
125.在一实施例中，所述判断在所述新的检测工具和旧的检测工具对同一片待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用配对样本均数t检验。
126.在一实施例中，所述判断单元在新的检测工具和旧的检测工具对不同片的待检测晶圆进行检测，获得对应的第一检测数据和第二检测数据时，所述t检验采用独立样本t检验。
127.在一实施例中，还包括反馈单元，用于根据新的检测工具的每一个类别归属对应的第一检测数据是否合格的判断结果，调整统计显著性水平α值数，重新进行t检验。
128.需要说明的是本实施例(检验系统)中与前述实施例(检验系统)中相同或相似部分的限定或描述，在本实施例中不再赘述，请参考前述实施例中相应部分的限定或描述。
129.本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。