不合格检测方法和不合格检测装置

技术领域

本发明涉及根据在每一个晶片上产生的不合格分布，检测在半导体集成电路的制造工序中使用的异常制造装置的不合格检测方法。

背景技术

为了提高LSI等的半导体集成电路的制造的生产性，人们进行了提高半导体集成电路的成品率的尝试。要想提高成品率，就要对使成品率下降的不合格进行分析，尽早弄明白、改善成为该不合格的原因的制造工序、制造装置或LSI的设计条件。但是，LSI要经过数百道制造工序，用数百的制造装置进行制造。即便是在测试中确认了LSI的不合格，要特定发生该不合格的制造工序和制造装置，也是困难的。

在LSI的测试中，粗分起来有在晶片制造工序的结束后在组装工序之前进行的晶片测试，和在组装工序结束后进行的最后测试。晶片测试的目的在于减少不合格芯片向组装工序的混入。最后测试的目的在于在向用户交货之前确认LSI已满足厂家一侧所保证的性能。特别是晶片测试，可以对圆形的晶片进行。如果在晶片面内位置上映像显示测试结果的不合格，就可以知道晶片面内的不合格的产生位置。其代表性的映像是可在存储器产品中得到的失效位映像(FBM：Fail Bit Map)。

映像于晶片面内的不合格，取决于该不合格在晶片面内的不合格分布，大致可分为2种。1种是均等地分布而与在晶片表面上的位置无关的随机分布，另外1种是分布为偏向什么地方的群集不合格。该群集不合格，被认为是存在着起因于制造工序、制造装置的因素，是成品率降低的根由。使群集不合格数值化，对于该数值，在制造装置间进行有效差异测定。

发明内容

本发明的一种不合格检测方法，其能利用[可以以批的批ID为抽出条件抽出上述批内的晶片的晶片ID，可以以上述批的批ID为抽出条件抽出上述批的制造工序，和在上述制造工序中使用的制造装置的处理履历信息]，和[可以以上述晶片的晶片ID和测试名称为抽出条件，抽出每一次测试中在晶片内发生的不合格的位置信息的测试信息]检测该不合格，该方法包括：

在上述晶片上设定预定的区域划分；

输入对象批的上述批ID；

从上述批ID和上述处理履历信息中，抽出上述对象批内的对象晶片的上述晶片ID；

从上述晶片ID和上述测试信息中抽出测试中的在上述对象晶片内的上述不合格的上述位置信息；

对每一个上述对象晶片，计算根据上述区域划分使上述不合格在晶片面内的分布的偏向定量化的第1晶片特征量；

根据对每一个上述对象晶片计算出来的上述第1晶片特征量，计算每一个上述对象批的第1批特征量；

由上述处理履历信息，以上述对象批的上述批ID为抽出条件，抽出上述对象批的制造工序和在上述制造工序中使用的制造装置；

对每一个上述第1批特征量，进行每一个上述制造工序的上述制造装置间的有效差异测定；和

把具有有效差异的上述制造装置检测为第1异常装置。

本发明的另一种不合格检测方法，其能利用[可以以批的批ID为抽出条件抽出上述批内的晶片的晶片ID，可以以上述批的批ID为抽出条件抽出上述批的制造工序，和在上述制造工序中使用的制造装置的处理履历信息]，和[可以以上述晶片的晶片ID和测试名称为抽出条件，抽出每一次测试中在晶片内发生的不合格的位置信息的测试信息]检测该不合格，该方法包括：

在上述晶片上设定多个区域划分；

输入对象批的上述批ID；

由上述批ID和上述处理履历信息抽出上述对象批内的对象晶片的上述晶片ID；

由上述晶片ID和上述测试信息抽出测试中的在上述对象晶片内的上述不合格的上述位置信息；

对每一个上述对象晶片，计算根据上述区域划分使上述不合格在晶片面内的分布的偏向定量化的第1晶片特征量；

对于上述第1晶片特征量，用相关系数表示上述晶片间的类似度；

根据上述类似度是否为预先设定的相关系数阈值或该阈值以上对上述晶片分组，抽出为第1异常晶片ID；

由上述测试信息抽出上述第1异常晶片ID的上述不合格的上述位置信息；和

根据上述第1异常晶片ID的上述不合格的上述位置信息，把晶片面内的多个不合格分布图制作为第1异常晶片不合格分布图。

本发明的一种不合格检测装置，其能利用[可以以批的批ID为抽出条件抽出上述批内的晶片的晶片ID，可以以上述批的批ID为抽出条件抽出上述批的制造工序，和在上述制造工序中使用的制造装置的处理履历信息]，和[可以以上述晶片的晶片ID和测试名称为抽出条件，抽出每一次测试中在晶片内发生的不合格的位置信息的测试信息]检测该不合格，该装置包括：

在上述晶片上设定预定的区域划分的区域划分设定部分；

输入对象批的上述批ID的输入部分；

由上述批ID和上述处理履历信息抽出上述对象批内的对象晶片的上述晶片ID的晶片ID抽出部分；

由上述晶片ID和上述测试信息抽出测试中的在上述对象晶片内的上述不合格的上述位置信息的位置信息抽出部分；

对每一个上述对象晶片，计算根据上述区域划分使上述不合格在晶片面内的分布的偏向定量化的第1晶片特征量的晶片特征量计算部分；

根据对每一个上述对象晶片计算出来的上述第1晶片特征量，计算每一个上述对象批的第1批特征量的批特征量计算部分；

由上述处理履历信息以上述对象批的上述批ID为抽出条件，抽出上述对象批的制造工序和在上述制造工序中使用的制造装置的制造装置抽出部分；

对每一个上述第1批特征量，进行每一个上述制造工序的上述制造装置间的有效差异测定的有效差异的测定部分；和

把具有有效差异的上述制造装置检测为第1异常装置的异常装置检测部分。

附图说明

图1是实施例的不合格检测装置的构成图。

图2到图4是实施例的不合格检测方法的流程图。

图5到图9是用来说明例1区域划分的晶片显示区域的构成图。

图10是例1的批特征量的数据结构的构成图。

图11是例1的制造装置的有效差异测定的测定值的数据结构的构成图。

图12是在例1的制造装置的有效差异测定中为有效差异的测定值的数据结构的构成图。

图13的曲线图示出了例1的批的制造工序的第72号工序的处理日期时间，和批的批特征量的关系。

图14的曲线图示出了用来说明例1的混入率的、批的制造工序的第72号工序的处理日期时间，和批的批特征量的关系。

图15的曲线图示出了例1的批特征量和混入率的关系。

图16和图17是例1的异常批ID的批内的晶片不合格的分布图。

图18是对每一个例1的异常装置都把异常晶片ID的晶片不合格的分布图进行了分类的表。

图19是例1的群集不合格分布图。

图20是每个例1的异常装置的群集不合格分布图。

图21是用来说明例1的不合格发生区域的、晶片显示区域的构成图。

图22是例1的批特征量的数据结构的构成图。

图23是在例1的制造装置的有效差异测定中为有效差异的测定值的数据结构的构成图。

图24和图25是例1的群集不合格分布图。

图26A到图26H，是例2的晶片的不合格分布图。

图27A到图27D，是例2的晶片特征量的波形图。

图28A到图28C，示出了例2的晶片间的相关关系。

图29的表，示出了是否是例2的类似晶片。

图30是用来说明例2的类似晶片群和不合格种类的产生的表。

具体实施方式

参看附图说明本发明的各个实施形态。应当注意的是在全部的附图中对于那些同一或类似的部分或元件都赋予了同一或类似的标号，同时省略或简化了对那些同一或类似的部分或元件的说明。

(成品率降低原因的分析步骤)

作为成品率降低原因的分析步骤，可以考虑作为第1阶段抽出群集不合格，作为第2阶段对群集不合格进行分类。

对第1阶段的群集不合格的抽出进行说明。现实的不合格分布，是随机不合格与群集不合格的重叠。重叠起来的不合格分布，作为概率分布，可用随机不合格的泊松分布和群集不合格的负的二项分布的线性结合表示。采用求各个概率分布的加权系数的办法，来判明在晶片面上边究竟何种程度地存在着群集不合格。这样，就可以从不合格分布中抽出群集不合格。

其次，对第2阶段的群集不合格的分类进行说明。人们指出：起因于制造工序或制造装置的不合格，作为晶片面上边的不合格分布会留下‘指纹’。即，在在某制造工序或制造装置中发生了缺憾的情况下，就要产生在该制造工序或制造装置的缺憾中所固有的群集不合格。对每一个制造工序或每一个制造装置的每一个缺憾都对群集不合格进行分类，从原理上说是可能的。

例如，在LSI的制造中，就借助于群集不合格的分类，借助于群集不合格的分类，追溯关于发生了同一群集不合格的晶片或批群的制造履历，调查是否有在某一制造工序中共同地制造它们的制造装置。借助于此，就可以特定在LSI的制造中的不合格原因的制造工序和制造装置。要想进行该调查，就要使群集不合格数值化，对于该数值，在制造装置间进行有效差异测定。把使该群集不合格数值化后的量叫做特征量。

但是，要想用在制造装置间的有效差异测定特定不合格原因的制造装置，就必须作成为使得在特征量中仅仅含有1种的不合格原因。就是说，必须是这样的特征量：只有在存在着某一种的不合格原因的制造装置所产生的群集不合格的情况下，值才变成为最大。假如说，如果是值会因多个不合格原因而变动的特征量，则不合格批就会分散，就难于特定不合格原因的制造装置。特征量必须定义为仅仅含有一个不合格原因的形式。若用定义方法不合适的特征量，则不能特定原因装置。但是，LSI的制造中的不合格原因涉及多个方面。与这些不合格原因对应的群集不合格的种类也存在着无数个。于是，与该群集不合格对应的特征量，对于该特征量的一个一个的计算都必须准备专用的计算方法。于是，在实施例中，要产生可以特定不合格原因的制造装置的合适的特征量。

(不合格检测装置)

实施例的不合格检测装置1，如图1所示，具有：区域划分设定部分2，不合格发生区域设定部分3，输入部分4，晶片ID抽出部分5，位置信息抽出部分6，晶片特征量计算部分7，批特征量计算部分8，制造装置抽出部分9，有效差异测定部分10，异常装置检测部分11，异常检测批特征量抽出部分12，特征量阈值设定部分13，异常批ID抽出部分16，晶片不合格分布图制作部分17，类似度计算部分18，使用类似度的晶片ID抽出部分19，群集不合格分布图形成部分20，处理履历信息存储部分21和测试信息存储部分22。各个部分2到13，16到22，都已通过总线23彼此连接起来。处理履历信息存储部分21和测试信息存储部分22，也可以处于不合格检测装置1的外部。特征量阈值设定部分13，具有混入率计算部分14和特征量阈值计算部分15。不合格检测装置1，既可以是计算机，也可以采用使计算机执行已写入到程序内的步骤的办法来实现不合格检测装置1。

(不合格检测方法)

实施例的不合格检测方法，如图2所示，首先，要在步骤S1中，在区域划分设定部2中，在晶片上设定多个区域划分。区域划分可以是借助于晶片的圆的中心的中心角划分的角度区域和借助于距该中心的距离划分的距离区域的重叠的区域。

在步骤S2中，在输入部分4中，输入对象批的批ID。

在步骤S3中，在晶片ID抽出部分5中，从批ID和处理履历信息中抽出对象批内的对象晶片的晶片ID。处理履历信息，以批的批ID为抽出条件可以抽出批内的晶片的晶片ID。处理履历信息以批的批ID为抽出条件，可以抽出批的制造工序和在制造工序中使用的制造装置。该处理履历信息存储在处理履历信息存储部分21内。

在步骤S4中，在位置信息抽出部分6中，从晶片ID和测试信息中抽出在测试中的对象晶片内的不合格的位置信息。测试信息，可以以该晶片的晶片ID和测试名称为抽出条件抽出在每一次测试中在晶片内产生不合格的位置信息。测试信息存储在测试信息存储部分22内。测试理想的是DC测试、功能测试和宽余量测试中的至少一者。

在步骤S5中，在晶片特征量计算部分7中，根据区域划分，计算使不合格在晶片内的分布的偏向定量化的第1晶片特征量。理想的是第1晶片特征量是本身为在区域划分内的不合格的发生率的不合格密度和用χ的平方值表示对晶片的区域划分处不合格的偏向的偏向度。

在步骤S6中，在批特征量计算部分8中，根据对于每一个对象晶片计算出来的第1晶片特征量，计算每一个对象批的第1批特征量。理想的是第1批特征量是对象批内的对象晶片的不合格密度与偏向度的各自的平均、最大值、值为高位的量的例如5个的平均、向晶片ID的偶数/奇数序号的偏向度、向晶片ID的前半后半的序号的偏向度中的至少1个。

在步骤S7中，在制造装置抽出部分9中，根据处理履历信息，以对象批的批ID为抽出条件，抽出对象批制造工序、在制造工序中使用的装置。

在步骤S8中，在有效差异测定部分10中，对每一个第1批特征量，都要进行每一个制造工序的制造装置间的有效差异测定。在进行制造装置间的有效差异测定的处理中，在每一个制造工序的制造装置间，都计算用制造装置处理的对象批的第1批特征量的χ的平方值的测定值。

在步骤S9中，在异常装置检测部分11中，把具有有效差异的制造装置检测为第1异常装置。

在步骤S10中，在异常检测批特征量抽出部分12中，把已对第1异常装置进行了检测的第1批特征量抽出为第1异常检测批特征量。

在步骤S11中，在特征量阈值设定部分13中，设定第1异常检测批特征量的第1特征量阈值。

在设定第1特征量阈值的处理中，首先，在混入率计算部分14中，对于多个阈值中的每一个阈值，都把第1异常检测批特征量在某一特定的阈值以下的情况下，用第1异常装置处理过的批的批数对与第1异常装置在同一制造工序中使用的所有的制造装置处理过的批的批数的第1比，和在第1异常检测批特征量在同一特定的阈值以上的情况下，与第1异常装置在同一制造工序中使用过的另外的制造装置处理过的批的批数对与第1异常装置在同一制造工序中使用过的所有的制造装置处理过的批的批数的第2比之和，计算为第1混入率。其次，在特征量阈值计算部分15中，把第1混入率变成为最小的阈值计算为第1特征量阈值。

在步骤S12中，在异常批ID抽出部分16中，把第1异常检测批特征量比第1特征量阈值大的对象批的批ID抽出为第1异常批ID。

在步骤S13中，在晶片ID抽出部分5中，从处理履历信息中把第1异常批ID的批内的晶片的晶片ID抽出为第1异常晶片ID。

在步骤S14中，在位置信息抽出部分6中，从测试信息中抽出与第1异常检测批特征量有关的测试中的第1异常晶片ID的不合格的位置信息。

在步骤S15中，在晶片不合格分布图制作部分17中，作为第1异常晶片不合格分布图，根据第1异常晶片ID的不合格的位置信息，制作晶片面内的多个不合格分布图。

在步骤S16中，在群集不合格分布图制作部分20中，根据第1异常晶片不合格分布图制作第1群集不合格分布图。制作第1群集不合格分布图，既可以与第1异常晶片不合格分布图重叠对第1异常晶片不合格分布图的分布进行累加，或者也可以计算第1异常晶片不合格分布图在晶片内位置关系相等的不合格的逻辑或。

在图3所示的步骤S17中，在不合格发生区域设定部分3中，在第1群集不合格分布图中，对多个密度阈值中的每一个，在对象晶片中，都设定不合格的密度比密度阈值更高的不合格发生区域。

在步骤S18中，在晶片特征量计算部分7中，对每一个对象晶片，都根据不合格发生区域计算使在不合格的晶片面内的分布的偏向定量化的第2晶片特征量。理想的是第2晶片特征量是用用χ的平方值表示本身为在不合格发生区域中的不合格的发生率的不合格密度和向不合格发生区域对晶片的不合格的偏向的偏向度。

在步骤S19中，在批特征量计算部分8中，根据对于每一个对象晶片计算出来的第2晶片特征量，计算每一个对象批的第2批特征量。理想的是第2批特征量是关于不合格发生区域的对象批内的对象晶片的不合格密度与偏向度的各自的平均、最大值、值为高位的量的例如5个的平均、向晶片ID的偶数/奇数序号的偏向度、向晶片ID的前半后半的序号的偏向度中的至少1个。

在步骤S20中，在有效差异测定部分10中，对每一个第2批特征量，都要进行每一个制造工序的制造装置间的有效差异测定。在进行制造装置间的有效差异测定的处理中，理想的是在每一个制造工序的制造装置间，都计算用制造装置处理过的对象批的第2批特征量的χ的平方值的测定值。

在步骤S21中，在异常装置检测部分11中，把具有有效差异的制造装置检测为第2异常装置。

在步骤S22中，在异常检测批特征量抽出部分12中，把已对第2异常装置进行了检测的第2批特征量抽出为第2异常检测批特征量。

在步骤S23中，在特征量阈值设定部分13中，设定第2异常检测批特征量的第2特征量阈值。在设定第2特征量阈值的处理中，理想的是首先，在混入率计算部分14中，对于多个阈值中的每一个阈值，都把第2异常检测批特征量在某一特定的阈值以下的情况下，用第2异常装置处理过的批的批数对与第2异常装置在同一制造工序中使用过的所有的制造装置处理过的批的批数的第1比，和在第2异常检测批特征量在同一特定的阈值以上的情况下，与第2异常装置在同一制造工序中使用过的另外的制造装置处理过的批的批数对与第2异常装置在同一制造工序中使用过的所有的制造装置处理过的批的批数的第2比之和，计算为第2混入率。其次，在特征量阈值计算部分15中，理想的是把第2混入率变成为最小的阈值计算为第2特征量阈值。

在步骤S24中，在异常批ID抽出部分16中，把第2异常检测批特征量比第2特征量阈值大的对象批的批ID抽出为第2异常批ID。

在步骤S25中，在晶片ID抽出部分5中，从处理履历信息中把第2异常批ID的批内的晶片的晶片ID抽出为第2异常晶片ID。

在步骤S26中，在位置信息抽出部分6中，从测试信息中抽出与第2异常检测批特征量有关的测试中的第2异常晶片ID的不合格的位置信息。

在步骤S27中，在晶片不合格分布图制作部分17中，作为第2异常晶片不合格分布图，根据第2异常晶片ID的不合格的位置信息，制作晶片面内的多个不合格分布图。

在步骤S28中，在群集不合格分布图制作部分20中，根据第2异常晶片不合格分布图制作第2群集不合格分布图。制作第2群集不合格分布图，理想的是与第2异常晶片不合格分布图重叠对第2异常晶片不合格分布图的分布进行累加，或者理想的是计算第2异常晶片不合格分布图在晶片内位置关系相等的不合格的逻辑或。

通过上述处理，结束不合格检测方法。另外，不合格检测方法，在从图2的A到图2的B的步骤S6到步骤S15，也可以是从图4的A到图4的B的步骤S31到S34。

就是说，在步骤S31中，在类似度计算部分18中，对于第1晶片特征量，用类似度表示晶片间的类似的程度。

在步骤S32中，在用类似度进行抽出的晶片ID抽出部分19中，根据类似度是否在预先设定好的类似度阈值以上将晶片进行分组，并作为第1异常晶片ID抽出。

在步骤S33中，在位置信息抽出部分6中，从测试信息中抽出第1异常晶片ID的不合格位置信息。

在步骤S34中，在晶片不合格分布图制作部分17中，根据第1异常晶片ID的不合格的位置信息，作为第1异常晶片不合格分布图制作晶片面内的多个不合格分布图。以下，返回到图2的B，实施步骤S16以下的处理。

不合格检测方法，作为步骤，可以借助于计算机可执行的不合格检测程序进行表现。采用使计算机执行该不合格检测程序的办法，就可以实施晶片不合格分析方法。

(例1)

在例1中，对图1的不合格检测装置1和图2与图3的不合格检测方法进行说明。在例1中，用机械性地定义的数千个的第1批特征量，进行制造装置间的有效差异测定。如果存在着已检测到异常装置的第1批特征量，则抽出该第1批特征量大的批，特定对于该批共同的群集不合格，获得异常装置与群集不合格的对应。用多个数值群表现晶片上边的不合格分布，自动抽出在晶片间具有彼此类似的不合格的分布的晶片。

在步骤S1中，在晶片上设定多个区域划分。对群集不合格进行分类的基本，是使不合格究竟偏向晶片面内的什么地方存在着这一情况定量化。这里所说的不合格，指的是例如如果是存储器产品，则是不合格位，如果是逻辑产品则是不合格芯片等。首先，把晶片显示区域41分成多个区域划分。如图5所示，在设晶片的半径为r时，要设置距晶片的中心0算起设在半径方向1/2r的距离上的边界线47，在半径方向3/4r的距离上设置的边界线48，和使得与晶片边沿接连那样地划分配置在晶片的最外周上的芯片和除此之外的配置在晶片内侧的芯片的边界线49。借助于这3条的边界线47到49，把晶片显示区域41划分成4个环状的距离区域43到46。

其次，如图6所示，设置8条把晶片在中心的中心角方向上每45度划分一个区的边界线61到68。借助于这8条边界线61到68把晶片显示区域41划分成8个扇状的角度区域51到58。

如图7所示，使图5的距离区域43到46和图6的角度区域51到58进行组合，定义总共150个的区域划分。例如，如图8所示，区域划分A被定义为距离区域45与角度区域51到54的逻辑与。区域划分B被定义为距离区域44与角度区域58的逻辑与。其它的区域划分也同样可以定义为距离区域43到46和角度区域51到58的逻辑与。

在步骤S2中，输入作为检查的对象批的批ID。在步骤S3中，从批ID和处理履历信息中抽出对象批内的对象晶片的晶片ID。在步骤S4中，从晶片ID和测试信息中抽出在测试中的对象晶片内的不合格的位置信息。例如，如果对象晶片是用存储器产品构成的，则如图9所示，对每一个对象晶片都抽出不合格71到76在晶片内的位置。

在步骤S5中，对每一个对象晶片，都根据区域划分计算使在不合格的晶片面内的分布的偏向定量化的第1晶片特征量。作为第1晶片特征量，计算不合格密度和偏向度。

在所有的每一个区域划分中都对不合格数进行计数，计算不合格密度。例如，在存储器产品的情况下，在具有图9所示的不合格分布的晶片中的、图8的区域划分A的不合格密度，由于在含于区域划分A中的全部位数为20位的情况下，不合格位71到74是4位，故区域划分A的不合格密度就变成为4/20＝0.2。

其次，对所有的每一个区域划分，计算向各个区域划分的不合格的偏向度。偏向度使用χ的平方值。就是说，区域划分i的偏向度χi，可用式1到式3表示。

$>>>X>i>>=>sgn>>(>>d>1>>->>d>2>>)>>·>{{}^{}}^{}$

此处，

$>>>e>1>>=>>n>fa>>>>n>>l>1>>>>>n>>l>1>>>+>>n>>l>2>>>>>->->->>(>2>)>>>s>$

$>>>e>2>>=>>n>fa>>>>n>>l>2>>>>>n>>l>1>>>+>>n>>l>2>>>>>->->->>(>3>)>>>s>$

nf1是区域划分i的不合格数，nf2是区域划分i以外的不合格数，nfa是晶片全体的不合格数，n11是区域划分i的全部位数，n12是区域划分i以外的全部位数，d1是区域划分i的不合格密度，d2是区域划分i以外的不合格密度。

Sgn(d1-d2)是d1-d2的符号，若(d1-d2)为正，则Sgn(d1-d2)是+1，若(d1-d2)为负则Sgn(d1-d2)是-1。另外，在上述中虽然设想的是存储器产品，但是在逻辑产品中，也可以不使用位数而代之以使用芯片数。偏向度χi，不合格越是偏向区域划分i则越大。此外，由于不合格存在的越多则不合格密度就越高，故在晶片全面上不合格少，在计算对象的区域划分中不合格多的偏向的情况下，偏向度就将变成为正。反之，在晶片全面上不合格多，在计算对象的区域划分中不合格少的偏向的情况下，偏向度就将变成为负。

此外，在晶片测试中，要进行各种各样的电测试。例如，检查LSI的消耗电流是否为正常值的DC测试，检查LSI的功能是否正常的功能测试，此外，检查LSI虽然发挥功能，但是其动作时间等是否在技术规格的范围内的宽余量(Margin)测试等。不合格密度、偏向度，则对于各个电测试的不合格进行。在例1中，对于这3种的电测试计算不合格密度和偏向度。

在步骤S6中，根据对每一个对象晶片计算出来的第1晶片特征量，计算每一个对象批的第1批特征量。在LSI的制造工序中，可以以批单位进行处理，例如，把25块晶片集中起来形成批。把用晶片单位求得的不合格密度和偏向度的第1晶片特征量变换成第1批特征量。在例1中，作为向第1批特征量变换的变换方法，对不合格密度和偏向度中的每一者，都用以下的5种计算方法进行计算。

(1)平均

(2)最大值

(3)到高位5位为止的晶片的平均

(4)向偶数晶片序号的晶片的偏向度(由晶片序号的奇偶性产生的偏向度)

(5)向批前半的晶片序号(例如从1到12号)的晶片的偏向度(由晶片序号的前后半产生的偏向度)

该计算值就变成为批的第1批特征量。

第1批特征量的个数，是区域划分150种、电测试3种、批特征量的计算方法5种和晶片特征量的计算方法2种的乘积，将达到4500种。可以机械性地定义共计4500种的第1晶片特征量。若对所有的批计算该第1批特征量，则可以得到图10所示的那样的达到4500行的一个表。

在步骤S7中，从处理履历信息中以对象批的批ID为抽出条件抽出对象批的制造工序、在制造工序中使用的制造装置。

在步骤S8中，对每一个第1批特征量，都进行在每一个制造工序的制造装置间的有效差异测定。对于所定义的4500种的特征量中的每一个，都边参照各个批的超净室内的制造装置的处理履历信息，边测定特征量的装置间有效差异。在例1中，在测定中使用χ的平方测定。例如，对每一个装置计算各个特征量、在各个工序中的测定值的χ的平方值。得到图11所示的表。例如，在制造工序1中，不仅制造装置A，其它的制造装置也对批进行处理。测定在制造装置A中进行了处理的批的特征量，和在其它的制造装置中进行了处理的批的特征量中是否存在着有效差异。但是，要给测定值加上符号，使得在特征量偏向高的一方的情况下取正号，在偏向低的一方的情况下则取负的值。另外，在例1中，设想的是不合格存在的越多则特征量就会变得越高的情况。反之，在定义了不合格越多则值会变得越小的特征量的情况下，只要把符号的取法颠倒过来即可。因此，在在晶片全面上不合格少、在测定对象的区域划分中不合格多的偏向的情况下，测定值将变成为正。反之，在在晶片全面上不合格多、在测定对象的区域划分中不合格少的偏向的情况下，测定值将变成为负。同时，在各个制造工序的每一者中都把测定值最大的制造装置名称记录下来。

在步骤S9中，如图12所示，把图11的表的测定结果，按照测定值大的顺序排列成1列。在例1中，对各个特征量的值域进行6分割后进行制造装置间的有效差异测定。在该情况下，如果测定值在11以上，就可以判断为存在着有效差异。测定得到了该11以上的测定值的特征量的种类、工序名称、装置名称。例如，由图12可知：在第72号工序中若用制造装置第M号机对批进行处理，则在具有与对第32号区域划分进行的功能测试的不合格偏向度而且在批内的晶片序号中具有奇偶性的情况对应的特征量中，就会产生最大的有效差异。同样，若在第146号制造工序中用制造装置第P号机对批进行处理，则可知：在与对第98号区域划分进行的宽余量测试的不合格密度的批内晶片的平均对应的特征量中会产生有效差异。若在第187号制造工序中用制造装置第Q号机进行批处理，则可知在与对第127号区域划分进行的DC测试的不合格密度的批内晶片的最大值对应的特征量中，会产生有效差异。把具有该有效差异的3台制造装置M、P、Q检测为第1异常装置。

在步骤S10中，把具有与已对第1异常装置M进行了检测的第32号区域划分进行的功能测试的不合格偏向度而且在批内的晶片序号中具有奇偶性的情况对应的第1批特征量抽出为当作第1异常检测批特征量。同样，把与已对第1异常装置P进行了检测的第98号区域划分进行的宽余量测试的不合格密度的批内晶片的平均对应的第1批特征量抽出为第1异常检测批特征量。把与已对第1异常装置Q进行了检测的第127号区域划分进行的DC测试的不合格密度的批内晶片的最大值对应的第1批特征量抽出为第1异常检测批特征量。

在步骤S11中，如图13所示，在批的处理时刻绘制第72号制造工序的第1异常检测批特征量，对已进行了批处理的第1异常装置M和在第72号制造工序中与第1异常装置M并列地使用的2台的制造装置B和F进行比较。具有这样的倾向：用第1异常装置M进行了处理的批的第1异常检测批特征量，比在整个期间内用其它的制造装置B和F进行处理的批的第1异常检测批特征量更大。

如图14所示，首先，设定阈值91。把在第72号制造工序的第1异常检测批特征量在阈值91以下的情况下，用第1异常装置M处理过的批84的个数1个对有在与第1异常装置M在同一第72号制造工序中使用的所有的制造装置M、B、F处理的批的个数7个的第1比1/7，和在第1异常检测批特征量在阈值91以上的情况下，用与第1异常装置M在同一第72号制造工序中使用的其它的制造装置B、F处理的批的个数6个对与第1异常装置M在同样第72号制造工序中使用的所有的制造装置M、B、F处理的批的个数13的第2比6/13之和0.61，计算为第1混合率。

其次，把第1混合率变成为最小的第1异常检测批特征量的阈值计算为第1特征量阈值。就是说，设定与阈值91不同的阈值92。在该情况下，将变成为阈值92以下的用第1异常装置M处理的批84、87的个数将变成为共计2个，与阈值91的情况下同样，采用求第1比和第2比的办法，就可以把第1比2/14和第2比0/6之和0.14计算为第1混合率。然后，设定种种的阈值91、92…，反复计算第1混合率，混合率取决于阈值91、92…的大小而变化。混合率表示用阈值91、92…不能分离正常的制造装置B、F和第1异常装置M的程度。若使阈值91、92…在第1异常检测批特征量的全范围内移动，以计算混合率，则混合率如图15所示可知具有极小值93。把极小值93处的第1异常检测批特征量的值设定为第1特征量阈值94。

在步骤S12中，把第1异常检测批特征量比第1特征量阈值94大的对象批，例如图14的81到83、85、86、88的批ID抽出为第1异常批ID。

在步骤S13中，从处理履历信息中把第1异常批ID的批内的晶片W1到W8的晶片ID抽出为第1异常批ID。

在步骤S14中，从测试信息中抽出与第72号制造工序的第1异常检测批特征量有关的测试的第1异常晶片ID的不合格位置信息。

在步骤S15中，对于批81的晶片W1到W8，根据图16所示的那样的第1异常晶片ID的不合格的位置信息，制作晶片面内的多个不合格分布图。与第72号的第1异常批特征量具有奇偶性同样，批81的晶片W1到W8的不合格分布图也具有奇偶性。把晶片W1、W3、W5、W7的不合格分布图当作含有群集不合格的第1异常晶片不合格分布图。同样，对于批82的晶片W1到W8，制作图17所示的那样的晶片面内的多个不合格分布图，把晶片W1、W3、W5、W7的不合格分布图当作含有群集不合格的第1异常晶片不合格分布图。以下也同样地，对于批83、85、86、88的晶片W1到W8，制作晶片面内的多个第1异常晶片不合格分布图。

如图18所示，把第72号制造工序的第1异常批特征量的第1异常晶片不合格分布图汇总分类为种类1。同样，实施步骤S11到S15，制作第146号制造工序的第1异常批特征量的第1异常晶片不合格分布图，汇总分类为种类2。制作第187号制造工序的第1异常批特征量的第1异常晶片不合格分布图，汇总分类为种类3。在每一个种类中，都示出了具有同一群集不合格的晶片的第1异常晶片不合格分布图、批ID和晶片ID。属于种类1的晶片，偏向于晶片的中央部分地存在着不合格显示区域42。属于种类2的晶片，偏向于晶片的中央部分地存在着不合格显示区域42。属于种类3的晶片，偏向于晶片的下部地存在着不合格显示区域42。

在步骤S16中，使图18的种类1的晶片W1到W3的第1异常晶片不合格分布图重叠起来，对每一个适当的尺寸的微小区域(叫做区段)求区段内的不合格位数的累计。形成图19所示的那样的具有为多个第1异常晶片不合格分布图所共同的分布的第1群集不合格分布图。由不合格的密度的等高线95到98可知：具有在晶片的左上边沿上存在着许多不合格位的倾向。由该结果可知：第72号制造工序的第1异常装置M，不合格多发生在晶片左上的边沿上。第1群集不合格分布图，由于是重叠起来的不合格分布，故被叫做所谓的堆叠映像。作为重叠方法，例如，在存储器产品的情况下，也可以是失效位映像的逻辑或。在逻辑产品的情况下，也可以求在晶片内的每一个芯片的配置位置上不合格芯片的存在比率。

对于图18的的另外的种类2和种类3，也可以同样地形成可用图20所示的那样的不合格的密度的等高线101到103表示的、具有为多个第1异常晶片不合格分布图所共同的分布的第1群集不合格分布图。由此可求第1异常装置P和Q究竟在晶片面内的什么地方产生的不合格多。在每一个种类内，都示出了第1群集不合格分布图的分类结果。属于种类1的晶片，偏向于晶片的左上边沿地存在不合格。属于种类2的晶片，偏向于晶片的中央部分地存在着不合格。属于种类3的晶片，偏向于晶片的下部地存在着不合格。

倘采用以上的处理，由于用机械性地发生的特征量进行装置间有效差异测定，并对已得到了有效差异的第1异常装置，求已对该第1异常装置进行了检测的特征量高的批的堆叠映像，故可以确实地使群集不合格和第1异常装置加以对应。以往人们尝试的是先识别群集不合格，然后再借助于使群集不合格数值化后的特征量，特定不合格原因的制造装置。但是，如果特征量化的方法不合适，则不能特定不合格原因的制造装置。在例1的方法中，由于已机械性地定义了大量的特征量，故在特征量中存在着合适的特征量的可能性高，因而可以提高异常装置的检测率。

以下，用把群集不合格分类成种类后的结果，再次使之发生特征量，提高异常装置的检测率。作为已分类为种类的结果，示出了使用制造装置间的有效差异的结果的情况。

在步骤S17中，在图20的种类1的第1群集不合格分布图中，以不合格的密度的等高线101到103为密度阈值，对每一个密度阈值，都在对象晶片上设定不合格的密度比密度阈值高的不合格发生区域。例如，如图21的水准1所示，在不合格发生区域105上设定比不合格的密度的等高线101所表示的不合格的密度还高的不合格的密度的区域。同样，作为水准2，在不合格发生区域106上设定比不合格的密度的等高线102所示的不合格的密度更高的不合格的密度的区域。作为水准3，在不合格发生区域107上设定比不合格的密度的等高线103所示的不合格的密度更高的不合格的密度的区域。得知如下的情况：随着水准从水准1向水准3升高，要在低的水准的不合格发生区域中设定高的水准的不合格发生区域。

此外，同样地设定种类2和种类3的不合格发生区域。另外，水准1到水准3，是密度阈值的设定水准，在例1中，相对于晶片面内的不合格密度的最大值，把10％定为水准1，把30％定为水准2，把50％定为水准3。作为密度阈值，也可以是不合格密度的绝对值。可知：等高线的图形表示各个种类的特征。

在步骤S18中，对于每一个对象晶片，都计算根据不合格发生区域使不合格的晶片面内的分布的偏向定量化的第2晶片特征量。作为第2晶片特征量，与第1晶片特征量同样，计算不合格密度和偏向度。不使用区域划分而代之以使用用种类1到种类3和水准1到水准3分类的不合格发生区域这一点，第2晶片特征量与第1晶片特征量不同。另外，不合格发生区域，要用对于种类1到3中的每一个都已使种类1到种类3的不合格分布重叠起来的分布进行设定。种类1以功能测试为基础，种类2以宽余量测试为基础，种类3以DC测试为基础，电测试取决于种类而不同。即便是这样，使种类1到种类3的不合格分布发生重叠起来的分布的原因，在于使之机械性地发生多个特征量。

在步骤S19中，根据对每一个对象晶片计算出来的第2晶片特征量，计算每一个对象批的第2批特征量。如图22所示，与图10比较，不使用区域划分而代之以使用用种类1到种类3和水准1到水准3分类的不合格发生区域这一点，第2批特征量与第1批特征量不同。因此，第2批特征量的总数以用种类1到种类3和水准1到水准3分类的不合格发生区域的个数进行变动。

用在步骤S7中抽出的制造装置，在步骤S20中，用与步骤S8同样的步骤，对第2批特征量中的每一者，进行每一个制造工序的制造装置间的有效差异测定。

然后，在步骤S21中，如图23所示，把图22的表的测定结果按照测定值的大小顺序排列起来输出。在图23的C栏中，可知已检测到与在步骤S8的图12中所示的同一第72号制造工序和制造装置M。如果在第72号制造工序中用制造装置第M号机进行批处理，则可知在与对具有种类1的水准2的不合格发生区域进行的功能测试的不合格的偏向度且在批内的晶片序号中具有奇偶性的情况对应的特征量中会产生最大的有效差异。另一方面，在D栏中，可知已检测到在图12中根本未示出的第78号制造工序和制造装置N。若在第78号制造工序中用制造装置第N号机进行批处理，可以在与最种类1的水准3的不合格发生区域进行的宽余量测试的不合格密度的批内的晶片的最大值对应的特征量中产生有效差异。把具有该有效差异的2台的制造装置M、N检测为第2异常装置。

在步骤S22中，与步骤S10同样，把已对第2异常装置M、N进行了检测的第2批特征量抽出为第2异常检测批特征量。

在步骤S23中，与步骤S11同样，设定第2异常装置M、N的第2异常检测批特征量的第2特征量阈值。

在步骤S24中，与步骤S12同样，抽出第2异常检测批特征量比第2第2特征量阈值大的第2异常批ID。

在步骤S25中，与步骤S13同样，从处理履历信息中把第2异常批ID的批内的晶片W1到W8的晶片ID抽出为第2异常晶片ID。

在步骤S26中，与步骤S14同样，从测试信息中抽出与第72号和78号的制造工序的第2异常检测批特征量有关的测试的第2异常晶片ID的不合格的位置信息。

在步骤S27中，与步骤S15同样，对于第2异常批ID的第2异常晶片ID，根据第2异常晶片ID的不合格的位置信息制作晶片面内的多个不合格分布图。

在步骤S28中，与步骤S16同样，使与第2异常装置M有关的第2异常晶片不合格分布图重叠，如图24所示，形成C栏的第2批特征量大的批的第2群集不合格分布图，由此可知，种类1的不合格原因的制造装置就是第72号制造工序的装置第M号机。

使与第2异常装置N有关的第2异常晶片不合格分布图重叠，如图25所示，形成D栏的第2批特征量大的批的第2群集不合格分布图。由图23的D栏可知：用第1批特征量虽然未检测到，但是用第2批特征量已检测到了第78号制造工序和制造装置N。此外还可知：该第2群集不合格分布图，如图25所示，就是可用不合格的密度的等高线99表示的从晶片左上斜向地延伸的条状的不合格。之所以用第1批特征量未检测到，用第2批特征量则检测到，被认为是由于不合格是微弱的，若用第1批特征量则会被看漏掉，以及不合格的分布与第1批特征量的分布区域的边界重叠起来的缘故。但是，第2批特征量，由于除去和集中产生于种类1的左上的不合格有关地设定不合格发生区域之外，图25的群集不合格也是集中发生在种类1的左上的不合格，故被认为是机械性地设定了多个与共同的区域有关的特征量，因而得以检测到图25的群集不合格。就是说，第2批特征量，是对于检测隐藏于不合格内的不合格最为合适的特征量例如图23的D栏的特征量，被认为是所谓的检测异常装置的灵敏度高。

如上所述，由于使用机械性地定义的多个的特征量，故可以确实地使群集不合格与其原因装置对应起来。此外，由于使之在从群集不合格的分类结果抽出的不合格发生区域中发生特征量，故可以高灵敏度地对异常装置检测。

如上所述，倘采用例1，则可以提供根据在每一个晶片上发生的不合格的分布检测在半导体集成电路的制造工序中使用的异常制造装置的不合格检测方法。倘采用例1，则可以提供根据在每一个晶片上发生的不合格的分布检测在半导体集成电路的制造工序中使用的异常制造装置的不合格检测装置。倘采用例1，则可以提供用来使计算机执行根据在每一个晶片中发生的不合格的分布，检测在半导体集成电路的制造工序中使用的异常制造装置的不合格检测程序。

(例2)

在例2中，对用把群集不合格分类成种类的结果，产生特征量检测异常装置的方法进行说明。作为已分类为种类的结果，示出了使用由在晶片间的群集不合格的类似性产生的种类的情况。在例2中，使用图1的不合格检测装置1。此外，在例2中，对把图2和图3的不合格检测方法的一部分置换成图4的流程的不合格检测方法进行说明。

首先，与例1同样实施图2的步骤S1到步骤S4。如图26A到图26H所示，对对象晶片W1到W8，从晶片ID和测试信息中抽出在测试的对象晶片内的不合格的位置信息。

在步骤S5中，与例1同样，计算第1晶片特征量。在图27A到图27D中，对于晶片W1到W4表示了出来，要在晶片W1到W8中的每一者中，都以一定的顺序把第1晶片特征量排列起来，按照该顺序用折线把第1晶片特征量的值连起来形成波形。该第1晶片特征量的波形，是晶片W1到W8固有的波形。人们认为如果第1晶片特征量的波形在晶片间具有类似性，则晶片间的不合格的分布也具有类似性。例如，图26A到图26C的W1到W3的不合格的分布乍看起来虽然并不类似，但是图26A的W1和图26D的W4的不合格的分布却乍看起来就可以认为是类似。图27A到图27C的W1到W3的第1晶片特征量的波形乍看起来虽然并不类似，但是图27A的W1和图27D的W4的第1晶片特征量的波形却乍看起来就可以认为是类似。此外，人们还认为在具有类似性的不合格的分布中，含有共同的群集不合格。于是，为了检测群集不合格，其次要进行作为晶片间的不合格的分布的类似性的定量化的第1晶片特征量的波形在晶片间的类似性的定量化。

在步骤S31中，在类似性计算部分18中，作为第1晶片特征量的波形的晶片间的类似性的定量化，就第1晶片特征量来说，要用相关系数表示晶片间的类似的程度。对于第1晶片特征量，计算所有的对象晶片间的相关系数。如图28A到图28C所示，由在晶片间绘制第1晶片特征量的散布图可知晶片间的相关关系。在图28A的晶片W1和W2之间，在第1晶片特征量之间未发现相关。此外，在图28B的晶片W1和W3之间，在第1晶片特征量之间未发现相关。但是，在图28C的晶片W1和W4之间，却在第1晶片特征量之间发现了强的相关。为了使这些相关定量化，要用式4到7求晶片i和晶片j间的第1晶片特征量的相关系数rij。

$>>>r>ij>>=>>>Cov>>(>i>,>j>)>>>>>\sigma >i>>>\sigma >j>>>>->->->>(>4>)>>>s>$

$>>Cov>>(>i>,>j>)>>=>>1>>N>g>>>>\Sigma >k>>>(>>g>k>>->>\mu >g>>)>>>(>>h>k>>->>\mu >h>>)>>->->->>(>5>)>>>s>$

$>>>\sigma >i>>=>>>(>>1>Ng>>>\Sigma >k>sup>>g>k>2sup>>)>>-sup>>\mu >g>2sup>\; >->->->>(>6>)>>>s>$

$>>>\sigma >i>>=>>>(>>1>Ng>>>\Sigma >k>sup>>h>k>2sup>>)>>-sup>>\mu >h>2sup>\; >->->->>(>7>)>>>s>$

其中，gk和hk是晶片i和晶片j的第1晶片特征量。此外，Ng是第1晶片特征量的个数。μg是晶片i的Ng个的第1晶片特征量的平均，μh是晶片j的Ng个的第1晶片特征量的平均。

因此，晶片W1和W2之间的相关系数r12是0.02。晶片W1和W3之间的相关系数r13是0.03。晶片W1和W4之间的相关系数r14是0.92。

在步骤S32中，采用借助于所求得的相关系数对具有不合格的分布的类似性的晶片进行分组的办法，抽出第1异常晶片ID。把相关系数的阈值设定为0.8。如果相关系数rij在阈值0.8以上，则判断为这些晶片i和j的不合格的分布彼此类似。如图29所示，阈值在0.8以上的相关系数rij，是相关系数r14、r41、r17、r71、r25、r52、r36、r63、r38、r83、r47、r74、r68、r86。其它的相关系数rij小于阈值0.8。

在例2中，可以借助于第1晶片特征量的相关系数rij等使晶片间的不合格的分布的类似性定量化而无须问不合格的分布的种类。此外，还可以自动抽出具有彼此类似的不合格的分布的晶片。

其次，根据借助于第1晶片特征量判定的晶片间的不合格的分布的类似性，使不合格的分布类似的晶片分组，自动产生不合格种类。只要可以使不合格的种类的产生自动化，就可以构筑自动地报告输出在工场中发生的不合格的问题的系统。

首先，形成不合格的分布类似的晶片的类似晶片群S。这是因为类似晶片群S，对于晶片中的每块，都要抽出具有类似性的其它的晶片的缘故。

例如，对于图29的晶片W1来说，对晶片W1具有类似性的晶片，是晶片W4和W7。于是，如图30所示，要形成用晶片W1、W4和W7三片构成的类似晶片群S1。对于晶片W2来说，对晶片W2具有类似性的晶片，是晶片W5。于是，形成用晶片W2和W5这2块构成的类似晶片群S2。以下同样地，形成类似晶片群S3到S8。

计算类似晶片群Si和Sj的类似度Rij，类似度Rij用在类似晶片群Si和Sj间具有相关的晶片的决数的比率定义。就是说，类似度Rij定义为对于属于类似晶片群Si和Sj的所有的晶片的组的总数的、彼此具有相关的晶片的组的数的比。把类似度Rij的阈值设定为0.5。具有阈值0.5以上的类似度Rij的类似晶片群Si和Sj判定为彼此类似。另外，类似度Rij也可以定义为是属于类似晶片群Si和Sj这两方的所有的晶片块数对属于类似晶片群Si和Sj中的至少一方的所有的晶片块数的比。

例如，类似晶片群S1和S4的类似度R14，就是彼此具有相关的晶片的组(W1和W4)(W1和W7)(W4和W7)的总数3组，对属于类似晶片群S1和S4的所有的晶片的组(W1和W4)(W1和W7)(W4和W7)的总数3组的比3/3，是1.0。如图30所示，由于类似度R14是1.0，在阈值0.5以上，故判定为类似晶片群S1和S4彼此类似。同样，由于类似度R41是1.0，在阈值0.5以上，故判定为类似晶片群S4和S1彼此类似。

类似晶片群S1和S2的类似度R12，由于是彼此具有相关的晶片的组(W1和W4)(W1和W7)(W2和W5)(W4和W7)的总数4组，对属于类似晶片群S1和S2的所有的晶片的组(W1和W2)(W1和W4)(W1和W5)(W1和W7)(W2和W4)(W2和W5)(W2和W7)(W4和W5)(W4和W7)(W5和W7)的总数10组，故它们的比是4/10的0.4。由于类似度R12是0.4，小于阈值0.5，故判定类似晶片群S1和S2为不类似。同样，由于类似度R21为0.4，小于阈值0.5，故判定类似晶片群S2和S1为不类似。以下同样，由于类似度R14、R41、R17、R71、R25、R52、R36、R63、R38、R83、R47、R74、R68、R86是1，大于阈值0.5，故判定类似晶片群的组(S1和S4)(S1和S7)(S3和S6)(S3和S8)(S4和S7)(S6和S8)(S2和S5)是类似的。

其次，如图30所示，把类似晶片群Si按照要素的个数，就是说按照晶片块数多的顺序分类。使晶片的块数为3块的类似晶片群S1、S3、S4、S7和S8变成为第1到第6位。使晶片的块数为2块的类似晶片群S2和S5变成为第7位和第8位。

从在分类中变成为高位的类似晶片群开始按照顺序，边参照由类似度Rij得到的类似的判定，边把类似晶片群分成组。首先，对于分类顺序为第1位的类似晶片群S1把已判定为与类似晶片群S1类似的类似晶片群S4、S7分成组。作为识别因子把不合格种类C1分配给该组的类似晶片群S1、S4、S7。

包括类似晶片群S1在内，除去已分组为类似晶片群S1的晶片组Si之外，顺序位最高的类似晶片群Si，是类似晶片群S3。对于类似晶片群S3，尚未分配不合格种类C1而判定为与类似晶片群S3类似的类似晶片群Si，是类似晶片群S6、S8。于是，就用类似晶片群S3、S6和S8构成组，作为识别因子把不合格种类C2分配给该组的类似晶片群S3、S6和S8。

对于尚未分组的类似晶片群Si，顺序位最高的类似晶片群Si，是类似晶片群S2。对于类似晶片群S2，尚未分配不合格种类C1和C2而判定为与类似晶片群S2类似的类似晶片群Si，是类似晶片群S5。于是，就用类似晶片群S2和S5构成组，作为识别因子把不合格种类C3分配给该组的类似晶片群S2和S5。该分组之所以有效，是因为在高位的类似晶片群Si间，几乎都存在着许多同一晶片变成为要素的情况的缘故。

在把类似晶片群Si分成组后，把在已分配了各个不合格种类C的组内除去了重复的晶片之后的晶片的集合定为不合格种类C1、C2、C3。其次，对各个晶片，求在晶片间对于第1晶片特征量具有相关的晶片的块数对属于每一个不合格种类C1、C2、C3的晶片的块数的比率。该比率。只要是事前设定的阈值以上，则使其各自的晶片属于该不合格种类C1、C2、C3。借助于此，就可以对每一个晶片决定所属的不合格种类C1、C2、C3，就是说，可以在各个不合格种类C1、C2、C3中的每一者中抽出不合格的分布彼此类似的第1异常晶片ID。另外，在该情况下，有时候1块晶片会属于多个不合格种类C1、C2、C3。

具体地说，作为阈值，设定0.4。就晶片W1来说，在不合格种类C1中，晶片W4和W7这2块存在着相关。由于属于不合格种类C1的晶片是W1、W4和W7这3块，故晶片块数的比率是2/3，变成为0.66。该晶片W1的比率0.66由于比阈值0.4大，故晶片W1属于不合格种类C1。此外，晶片W1在不合格种类C2和C3中，与别的晶片不相关。晶片的块数的比率，变成为0。该晶片W1的比率的0，由于比阈值0.4小，故晶片W1不属于不合格种类C2和C3。

就晶片W4来说，在不合格种类C1中，晶片W1和W7这2块存在着相关。由于属于不合格种类C1的晶片是W1、W4和W7这3块，故晶片的块数的比率为2/3，变成为0.66。由于该晶片W4的比率0.66比阈值0.4大，故晶片W4属于不合格种类C1。此外，晶片W4在不合格种类C2和C3中，与别的晶片不相关。晶片的块数的比率，变成为0。该晶片W4的比率的0，由于比阈值0.4小，故晶片W4不属于不合格种类C2和C3。以下经同样地处理，对于晶片W1到W8的所有的晶片设定种类。

从各个不合格种类C内的晶片中，把对第1晶片特征量来说与最多的晶片具有相关的晶片定为代表晶片。例如，从不合格种类C1内的晶片W1、W4和W7中，把彼此具有相关的晶片W1、W4和W7定为代表晶片。

把在不合格种类C内就代表晶片和第1晶片特征量来说存在着相关的晶片定为该不合格种类的代表晶片群。例如，把在不合格种类C1内的对代表晶片W1、W4和W7内具有相关的晶片W1、W4和W7定为代表晶片群。同样，把在不合格种类C2内的代表晶片W3、W6和W8内具有相关的晶片W3、W6和W8定为代表晶片群。把在不合格种类C3内的代表晶片W2和W5内具有相关的晶片W2和W5定为代表晶片群。

在步骤S33中，从测试信息中抽出第1异常晶片ID的不合格的位置信息。在步骤S34中，对于每一个不合格种类C1、C2、C3，都根据第1异常晶片ID的不合格的位置信息，把晶片面内的多个不合格分布图制作成第1异常晶片不合格分布图。对晶片W1到W8来说，就可以根据图18所示的那样的第1异常晶片ID的不合格的位置信息，制作晶片面内的多个不合格分布图。另外，不合格种类C1与种类1对应，不合格种类C2与种类3对应，不合格种类C3与种类2对应。

以下，返回到图2的B，与例1同样实施步骤S16以下的处理。

如上所述，倘采用例2，则可以提供可以根据在每一个晶片上发生的不合格的分布检测在半导体集成电路的制造工序中使用的异常制造装置的不合格检测方法。倘采用例2，则可以提供可根据在每一个晶片上发生的不合格的分布检测在半导体集成电路的制造工序中使用的异常制造装置的不合格检测装置。倘采用例2，则可以提供用来使计算机执行根据在每一个晶片中发生的不合格的分布，检测在半导体集成电路的制造工序中使用的异常制造装置的不合格检测程序。

本发明可用其它的特定的形态实施而不会背离其精神或基本特征。因此，就像所说明的那样这些实施形态被看作是在所有的方面而不受限制，本发明的范围由所附技术方案而不是由前边的讲述决定，因此，就意味着在技术方案的等同的意图或范围内的所有的改变，都包括在本发明的范围之内。