TWI695979B - 基於空間密度分析的半導體晶圓的引導檢查 - Google Patents
基於空間密度分析的半導體晶圓的引導檢查 Download PDFInfo
- Publication number
- TWI695979B TWI695979B TW108109498A TW108109498A TWI695979B TW I695979 B TWI695979 B TW I695979B TW 108109498 A TW108109498 A TW 108109498A TW 108109498 A TW108109498 A TW 108109498A TW I695979 B TWI695979 B TW I695979B
- Authority
- TW
- Taiwan
- Prior art keywords
- candidate sample
- samples
- review
- semiconductor wafer
- candidate
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- H10P74/203—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70681—Metrology strategies
- G03F7/706831—Recipe selection or optimisation, e.g. select or optimise recipe parameters such as wavelength, polarisation or illumination modes
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- H10P74/23—
-
- H10P74/235—
-
- H10P74/27—
-
- H10P74/277—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
Abstract
可以識別已經由審查工具審查的半導體晶圓處的樣本。此外,可以識別未經審查工具審查的半導體晶圓處的候選樣本。可以決定候選樣本在半導體晶圓處的位置,並且可以決定在與候選樣本的位置鄰近的位置處的已被審查的樣本的數量。可以基於在與候選樣本的位置鄰近的位置處的複數個樣本的數量來選擇候選樣本以供審查工具審查。
Description
本公開內容大體涉及引導檢查,且更具體地,涉及基於空間密度分析的半導體晶圓的引導檢查。
半導體裝置的製造可以利用與超大規模集成相關的亞微米特徵。這種製造製程可能需要形成具有高精度和均勻性的半導體裝置特徵,這可能需要仔細監控製造製程。例如,可以對半導體晶圓執行頻繁且詳細的檢查,以偵測半導體晶圓的任何缺陷。詳細檢查可對應於半導體晶圓的檢查圖像的分析。
以下是本公開內容的簡要概述,以便提供對本公開內容的一些態樣的基本理解。該概述不是本公開內容的詳盡概述。其既不旨在決定本公開內容的核心或關鍵元素,也不旨在限定本公開內容的具體實施方式的任何範圍或申請專利範圍的任何範圍。其唯一目的是以簡化形式呈現本公開內容的一些概念,作為稍後呈現的更詳細描述的序言。
本公開內容的實施方式可對應於包括記憶體和處理裝置的系統,用於識別已經由審查工具審查的半導體晶圓處的樣本並且識別未經審查工具審查的半導體晶圓處的候選樣本。處理裝置可以進一步決定候選樣本在半導體晶圓處的位置,並決定在與候選樣本的位置鄰近的位置處的已經審查的樣本的數量。此外,處理裝置可以基於在與候選樣本的位置鄰近的位置處的樣本的數量來選擇候選樣本以供審查工具審查。
在一些實施方式中,為了基於在與候選樣本的位置鄰近的位置處的多個樣本的數量來選擇候選樣本以供審查工具審查,當在與候選樣本的位置鄰近的位置處的多個樣本的數量不滿足閾值數量時,處理裝置可以進一步向審查工具提供候選樣本。
在一些實施方式中,處理裝置可識別未經審查工具審查的半導體晶圓處的後續候選樣本,決定後續候選樣本在半導體晶圓處的後續位置,決定包含在與後續候選樣本的後續位置鄰近的位置處的已經審查的候選樣本和多個樣本在內的樣本的數量,並且基於在與後續候選樣本的後續位置鄰近的位置處的樣本的數量來選擇待由審查工具審查的後續候選樣本。
在一些實施方式中,為了基於在與候選樣本的位置鄰近的位置處的多個樣本的數量來選擇候選樣本以供審查工具審查,處理裝置可以進一步識別包括候選樣本的半導體晶圓的裸片,其中在與候選樣本的位置鄰近的已經審查的多個樣本的位置位於包括候選樣本的裸片處。
在一些實施方式中,審查工具對應於掃描電子顯微鏡(scanning electron microscope, SEM)。
在一些實施方式中,對供審查工具審查的候選樣本的選擇進一步基於已經由審查工具審查的半導體晶圓處的多個樣本的分類結果。
在一些實施方式中,基於在與候選樣本的位置鄰近的位置處的多個樣本的數量的對供審查工具審查的候選樣本的選擇與先前已由審查工具審查的多個樣本的密度相關聯。
在一些實施方式中,一種方法可識別已經由審查工具審查的半導體晶圓處的樣本,識別未經審查工具審查的半導體晶圓處的候選樣本,決定候選樣本在半導體晶圓處的位置,決定在與候選樣本的位置鄰近的位置處的已被審查的樣本的數量,並且基於在與候選樣本的位置鄰近的位置處的樣本的數量來選擇候選樣本以供審查工具審查。
在一些實施方式中,非暫態電腦可讀介質可包括指令,所述指令在由處理裝置執行時,使得處理裝置識別已經由審查工具審查的半導體晶圓處的樣本,識別未經審查工具審查的半導體晶圓處的候選樣本,決定候選樣本在半導體晶圓處的位置,決定在與候選樣本的位置鄰近的位置處的已被審查的樣本的數量,並且基於在與候選樣本的位置鄰近的位置處的樣本的數量來選擇候選樣本以供審查工具審查。
本公開內容的各態樣涉及基於空間密度分析的半導體晶圓的引導檢查。一般而言,半導體晶圓檢查系統可用於對半導體晶圓進行檢查。例如,半導體晶圓檢查系統可用於識別半導體晶圓處的缺陷。
半導體晶圓檢查系統可包括光學工具和缺陷審查工具。例如,光學工具可用於在製造製程之後或製造製程期間識別半導體晶圓處的潛在缺陷或候選缺陷。隨後,缺陷審查工具可用於審查、分類或決定候選缺陷是否是實際缺陷或不是缺陷(例如,「誤報警」)。半導體晶圓可被製造成具有越來越小的特徵結構,並且這些較小特徵結構的檢查可能伴隨有特定量的檢查雜訊。由於特徵結構越來越小並且半導體晶圓檢查系統與特定量的檢查雜訊相關聯,因此半導體晶圓的較小特徵結構可被識別為供缺陷審查工具審查的潛在缺陷,以決定這些潛在缺陷是否是實際缺陷或誤報警。由於在半導體晶圓上可能存在被識別為潛在缺陷的大量特徵結構,因此審查每個潛在缺陷可能會佔用大量時間。
本公開內容的各態樣通過基於空間密度分析引導半導體晶圓的檢查來解決上述和其他缺陷。例如,半導體晶圓的檢查可以基於先前已審查過的半導體晶圓處的潛在缺陷的位置。例如,光學工具可以識別半導體晶圓處的多個候選缺陷的數量。可以識別候選缺陷的第一子集並將其提供給缺陷審查工具,以決定來自第一子集的任何候選缺陷是否是實際缺陷或不是缺陷。隨後,可以基於先前審查的來自第一子集的候選缺陷的位置來識別候選缺陷的第二子集。可以基於先前審查的半導體晶圓上的候選缺陷的位置密度來識別第二子集的候選缺陷。例如,可以選擇第二子集中的候選缺陷,使得第二子集中的候選缺陷的位置與第一子集中的候選缺陷的位置相結合而在整個半導體晶圓上大致均勻地分佈。這樣,可以基於先前審查的候選缺陷的位置來引導半導體晶圓的檢查,或者使得半導體晶圓的檢查進行主動學習。例如,半導體晶圓的檢查可包括反覆運算缺陷取樣,其用於基於在先前反覆運算中的被先前審查的樣本的位置來選擇要審查的候選樣本的子集。
本公開內容的優點包括,但不限於,改進的缺陷系統,其通過減少識別半導體晶圓處的實際缺陷的時間量而產生。例如,由於半導體晶圓的檢查可以根據基於先前審查的潛在缺陷的位置而選擇的潛在缺陷子集的反覆運算,因此所審查的潛在缺陷可以在整個半導體晶圓上具有代表性,而不是集中在半導體晶圓的特定位置。因此,可以分析增加數量的不同類型的潛在缺陷,並且半導體晶圓的檢查可使得在更少的時間量內獲得更廣泛的缺陷資訊。例如,可以識別不同類型缺陷的不同分類。
圖 1
繪示了引導檢查系統100的示例環境。一般而言,引導檢查系統100可包括檢查工具110、缺陷取樣部件120和缺陷審查工具130。
如圖 1
所示,引導檢查系統100包括檢查工具110,檢查工具110可用於從作為半導體製造製程的一部分的對物體(例如,來自半導體晶圓的樣本)的檢查中提供缺陷資訊。所述檢查可以是半導體製造製程的一部分,並且可以在物體製造期間進行。引導檢查系統100還可以使用在物體製造期間或之後獲得的圖像自動決定與半導體缺陷相關的資訊。例如,檢查工具110可以接收輸入105並且可以在半導體晶圓處生成潛在或候選缺陷(例如,候選樣本)的地圖。輸入105可包括,但不限於,半導體晶圓的圖像、設計資料(例如,電腦輔助設計(CAD)資料指定包括物件的設計結構),或指定已經由用戶識別的半導體晶圓的特定部分的感興趣區域資訊。在一些實施方式中,檢查工具110可被配置為捕獲檢查圖像。例如,檢查工具110可以利用高速和/或低解析度光學系統來獲得半導體晶圓的圖像。由此產生的圖像可提供潛在缺陷的資訊。
可以將來自檢查工具110的檢查資料115提供給缺陷取樣部件120。檢查資料115可以識別半導體晶圓處的潛在缺陷的位置。在一些實施方式中,缺陷取樣部件120可以是缺陷偵測系統的一部分。缺陷偵測系統可被配置為處理所接收的檢查資料115以選擇供審查的候選樣本(例如,潛在缺陷)。例如,缺陷取樣部件120可以從檢查資料115中選擇一個或多個潛在缺陷或樣本到缺陷審查工具130,以決定潛在缺陷是實際缺陷或不是實際缺陷(例如,誤報警)並可以對任何實際缺陷進行分類。缺陷審查工具130可被配置為捕獲由檢查工具110偵測到並且由缺陷取樣部件120選擇的潛在缺陷的至少一部分或子集的審查圖像。例如,缺陷審查工具130可包括相對於檢查工具110的高速和/或低解析度光學系統而言的低速和/或高解析度光學系統。在一些實施方式中,缺陷審查工具130可以是掃描電子顯微鏡(SEM)。然後,可以將缺陷審查工具130的輸出135提供給缺陷取樣部件120,以選擇待由缺陷審查工具130審查的附加潛在缺陷。
在操作中,檢查工具110可以識別半導體晶圓處的潛在缺陷的位置。檢查工具110可以將潛在缺陷的位置提供給缺陷取樣部件120。隨後,缺陷取樣部件120可以針對由檢查工具110識別的潛在缺陷的子集執行反覆運算選擇過程。例如,可以選擇潛在缺陷的第一子集並將其提供給缺陷審查工具130,以便對來自第一子集的潛在缺陷進行分類。然後可以接收來自這些特定潛在缺陷的缺陷資訊。隨後,該缺陷資訊可用於識別待由缺陷審查工具130審查的潛在缺陷的第二子集的潛在缺陷。針對第二子集選擇的潛在缺陷可被識別為與先前已審查過的其他潛在缺陷不相似,並可以基於先前已審查過的潛在缺陷的分佈來進行識別。
在一些實施方式中,檢查工具110、缺陷取樣部件120和缺陷審查工具130可以是位於相同或不同位置處的不同工具,或者是以不同模式操作的單個工具。在後一種情況下,可以首先以較低解析度和高速操作工具,以獲得物體的所有或相關區域的至少大部分的圖像(例如,對應於檢查工具110的檢查圖像)。一旦偵測到潛在缺陷,就可以以較高的解析度和可能較低的速度操作工具,以檢查與潛在缺陷相關聯的特定位置(例如,對應於缺陷審查工具130的操作)。在一些實施方式中,本文描述的功能可以在缺陷審查工具中實施。例如,缺陷審查工具可以執行與缺陷取樣部件120相對應的操作,以用於選擇由缺陷審查工具在特定反覆運算中要審查的潛在缺陷。在一些實施方式中,缺陷取樣部件120可以在獨立工具或伺服器中實施。例如,缺陷審查系統可以在分散式環境中實施,在分散式環境中,檢查審查工具、缺陷取樣部件和缺陷審查工具經由網路彼此耦接。
圖 2
是基於先前審查的候選樣本的位置來選擇供審查工具審查的候選樣本的示例方法200的流程圖。方法200可以由處理邏輯執行,處理邏輯可包括硬體(例如,處理裝置、電路、專用邏輯、可程式設計邏輯、微代碼、裝置的硬體、積體電路等)、軟體(例如,在處理裝置上運行或執行的指令)、或它們的組合。在一些實施方式中,方法200可以由圖 1
的缺陷取樣部件120執行。
如圖 2
所示,方法200可開始於框210處,其中處理邏輯識別半導體晶圓處的樣本。例如,檢查工具可以識別半導體晶圓處的潛在或候選缺陷。在一些實施方式中,可以從檢查工具接收和分析的輸入資料中識別潛在或候選缺陷。例如,檢查工具可以接收或生成半導體晶圓的圖像、半導體晶圓的設計資料(例如,電腦輔助設計(CAD)資料)、感興趣區域(region of interest, ROI)資料(例如,由使用者或製程指定的資訊,其指示或描繪可能包括潛在缺陷的半導體晶圓的部分)、或其他此類資料來源。可以在半導體晶圓的地圖上識別或標記潛在或候選缺陷,其中該地圖指示沿著半導體晶圓的位置處的潛在或候選缺陷的位置。隨後,處理邏輯可以將半導體晶圓處的樣本的第一子集提供給審查工具(框220)。例如,可以提供半導體晶圓處的候選缺陷的第一數量或適當子集以供審查工具審查。可以基於在整個半導體晶圓上均勻或大致均勻分佈的位置來選擇第一數量的候選缺陷。例如,如果半導體晶圓包括十個裸片並且如果第一子集中包括100個潛在缺陷,則來自每個裸片的十個潛在缺陷可被包括在第一子集中。在相同或替代的實施方式中,可以選擇來自每個裸片的潛在缺陷的數量,以便從每個裸片中選擇潛在缺陷的範圍。例如,可以從每個裸片(或其他這樣的鄰近位置)中選擇8到12個潛在缺陷的範圍。可以從審查工具接收對候選缺陷是否是實際缺陷或不是實際缺陷(例如,誤警報)的分類和/或決定。處理邏輯可以識別半導體晶圓處的候選樣本(框230)。例如,可以識別尚未由審查工具審查的潛在缺陷。潛在缺陷可包括未與審查工具先前已審查過的其他潛在缺陷匹配的屬性或特徵。例如,所識別的候選樣本的識別標誌可能與先前審查的樣本的識別標誌不匹配。處理邏輯可進一步決定候選樣本在半導體晶圓處的位置(框240),並且可以決定在與候選樣本的位置鄰近的位置處的來自第一子集的候選樣本的位置(框250)。例如,可以識別在候選樣本位置的閾值距離內的先前審查的候選樣本的數量或者與候選樣本在相同裸片上的先前審查的樣本的數量。在一些實施方式中,可以識別包括候選樣本的區域中的密度(例如,半導體晶圓上的審查樣本的數量)。隨後,處理邏輯可以基於與候選樣本的位置鄰近的位置處的來自第一子集的樣本的數量來選擇待由審查工具審查的候選樣本(框260)。例如,尚未被審查的候選樣本可以包括在要提供給審查工具的候選樣本的第二子集中。如果候選樣本與先前審查的樣本的位置分佈大致均勻地分佈在整個半導體晶圓上,則該候選樣本可被包括在第二子集中。例如,候選樣本可以基於半導體晶圓的每個裸片的先前審查的缺陷的數量和包括候選樣本的裸片上的先前缺陷的數量而被包括在第二子集中。
圖 3A
繪示了具有第一分佈300的審查樣本的半導體晶圓。分佈300可包括由圖 1
的缺陷取樣部件120選擇的潛在缺陷。
如圖 3A
所示,分佈300可包括具有已由審查工具審查的潛在缺陷位置的半導體晶圓的地圖。例如,半導體晶圓可包括多個裸片,例如裸片310、裸片320、裸片330和裸片340。分佈300可包括先前由審查工具審查的潛在缺陷,以決定潛在缺陷是否是實際缺陷或不是實際缺陷。如圖所示,裸片310可包括已經審查的十個潛在缺陷,裸片320可包括先前已經審查的九個潛在缺陷,裸片330可包括已經審查的十個潛在缺陷,並且裸片340可包括先前已經審查的七個潛在缺陷。分佈300的先前審查的缺陷可以是已經針對半導體晶圓識別的潛在缺陷的第一子集的一部分。
圖 3B
繪示了具有第二分佈350的審查樣本的半導體晶圓。分佈350可包括由圖 1
的缺陷取樣部件120選擇的附加潛在缺陷。
如圖 3B
所示,分佈350可包括分佈300的先前審查的缺陷以及隨後作為半導體晶圓的潛在缺陷的第二子集的一部分而被審查的附加缺陷。然後可以基於分佈300選擇待由審查工具審查的附加缺陷。例如,如圖所示,可以選擇來自裸片320和裸片340的潛在缺陷以由審查工具進行審查,使得已審查的潛在缺陷的分佈350被均勻地分佈。例如,每個裸片310、320、330和340包括已由審查工具審查的相同數量的潛在缺陷。
儘管要實現的分佈被描述為基於每個裸片的均勻分佈,但是當選擇待審查的附加潛在缺陷時可以使用任何這樣的近似分佈。例如,選擇用於完成分佈350的潛在缺陷可以針對每個裸片而包括一系列潛在缺陷(例如,對於每個裸片310、320、330和340而包括由審查工具審查的較低數量和較高數量之間的潛在缺陷)。在一些實施方式中,近似分佈可對應於在所選擇的潛在缺陷的閾值距離內的先前審查的潛在缺陷的數量。
圖 4
是基於先前審查的樣本的密度反覆運算選擇供審查的樣本子集的示例方法400的流程圖。方法400可以由處理邏輯執行,處理邏輯可包括硬體(例如,處理裝置、電路、專用邏輯、可程式設計邏輯、微代碼、裝置的硬體、積體電路等)、軟體(例如,在處理裝置上運行或執行的指令)、或它們的組合。在一些實施方式中,方法400可以由圖 1
的缺陷取樣部件120執行。
如圖 4
所示,方法400可開始於框410處,其中處理邏輯識別具有指示實際缺陷的特徵的潛在缺陷。例如,已經識別的潛在缺陷可以與先前審查的被歸類為實際缺陷的潛在缺陷共用特徵。處理邏輯可進一步接收先前審查的潛在缺陷的位置(框420)。例如,先前審查過的潛在缺陷可以已經在先前描述的缺陷取樣過程的先前反覆運算中被選擇。處理邏輯可進一步接收對應於已經識別的潛在缺陷的位置(框430)。隨後,處理邏輯可以決定包括先前審查的缺陷和潛在缺陷的位置的半導體晶圓的區域密度是否是高的(框440)。例如,該決定可基於包括所識別的潛在缺陷的位置的半導體晶圓的區域密度與不包括所識別的潛在缺陷的位置的半導體晶圓的區域密度的比較。如果半導體晶圓的區域密度相對於半導體晶圓的其他區域的密度較高,則處理邏輯可以決定不選擇潛在缺陷以供審查(框450),並且可以改為在具有較低密度的先前審查的缺陷的半導體晶圓的區域中選擇另一潛在缺陷(框460)。在一些實施方式中,當包括該潛在缺陷的半導體晶圓的區域密度稍後被認為比半導體晶圓的其他區域的密度低時,可以在缺陷取樣過程的另一時間或隨後的反覆運算中選擇未被選擇為要審查的潛在缺陷。或者,如果處理邏輯決定半導體晶圓的區域密度相對於半導體晶圓的其他區域的密度不高(例如,密度低於半導體晶圓的其他區域的密度)則,處理邏輯可以決定選擇潛在缺陷以供審查(框470)。選擇潛在的缺陷以供審查可能隨後增加包括潛在缺陷的半導體區域的密度。
圖 5
示出了電腦系統500的示例機器,其中可以執行用於使機器執行本文所討論的任何一種或多種方法的一組指令。在替代的實施方式中,機器可以連接(例如,聯網)到LAN、內聯網、外聯網和/或互聯網中的其他機器。機器可以在用戶端-伺服器網路環境中以伺服器或客戶機的身份運行,作為對等(或分散式)網路環境中的對等機器運行,或者作為雲計算基礎設施或環境中的伺服器或客戶機運行。
該機器可以是個人電腦(PC)、平板電腦、機上盒(STB)、個人數位助理(PDA)、行動電話、網路設備、伺服器、網路路由器、交換器或橋接器、或任何能夠(依序或以其他方式)執行指令集的機器,所述指令集指定機器要採取的動作。此外,雖然示出了單個機器,但術語「機器」還應被視為包括單獨或聯合執行指令集(或多個指令集)以執行本文所討論的任何一種或多種方法的任何機器集合。
示例電腦系統500包括處理裝置502、主記憶體804(例如,唯讀記憶體(ROM)、閃速記憶體、動態隨機存取記憶體(DRAM),諸如同步DRAM(SDRAM)或Rambus DRAM(RDRAM)等)、靜態記憶體506(例如,閃速記憶體、靜態隨機存取記憶體(SRAM)等)和資料存儲裝置518,它們經由匯流排530彼此通信。
處理裝置502代表一個或多個通用處理裝置,諸如微處理器、中央處理單元或類似者。更具體地,處理裝置可以是複雜指令集計算(CISC)微處理器、精簡指令集計算(RISC)微處理器、超長指令字(VLIW)微處理器、或實現其他指令集的處理器、或實現指令集組合的處理器。處理裝置502還可以是一個或多個專用處理裝置,諸如專用積體電路(ASIC)、現場可程式設計閘陣列(FPGA)、數位訊號處理器(DSP)、網路處理器或類似者。處理裝置502被配置為執行用於執行本文所討論的操作和步驟的指令526。
電腦系統500可進一步包括網路介面裝置508,以通過網路520進行通信。電腦系統500還可以包括視訊顯示單元510(例如,液晶顯示器(LCD)或陰極射線管(CRT))、字母數位輸入裝置512(例如,鍵盤)、遊標控制裝置514(例如,滑鼠)、圖形處理單元522、信號生成裝置516(例如,揚聲器)、圖形處理單元522、視訊處理單元528和音訊處理單元532。
資料存儲裝置518可包括機器可讀存儲介質524(也稱為電腦可讀介質),其上存儲有實現本文所述的任何一種或多種方法或功能的一或多個指令集或軟體526。在由同樣構成機器可讀存儲介質的電腦系統500、主記憶體504、和處理裝置502執行指令526期間,指令526也可完全或至少部分駐留在主記憶體504內和/或處理裝置502內。
在一個實施方式中,指令526包括用於實現與缺陷取樣部件(例如,圖 1
的缺陷取樣部件120)相對應的功能的指令。雖然機器可讀存儲介質524在示例性實施方式中被示為單個介質,但是術語「機器可讀存儲介質」應當被視為包括存儲一個或多個指令集的單個介質或多個介質(例如,集中式或分散式資料庫、和/或相關聯的高速緩衝記憶體和伺服器)。術語「機器可讀存儲介質」還應被視為包括能夠存儲或編碼用於由機器執行的指令集並且使機器執行本公開內容的任何一種或多種方法的任何介質。因此,術語「機器可讀存儲介質」應被視為包括但不限於固態記憶體、光學介質和磁性介質。
已經根據對電腦記憶體內的資料位元的操作的演算法和符號表示來呈現前述詳細描述的一些部分。這些演算法描述和表示是資料處理領域的技術人員用來最有效地將他們工作的實質傳達給本領域其他技術人員的方式。這裡的演算法通常被認為是帶來期望結果的操作的自一致(self-consistent)序列。操作是需要物理操縱物理量的操作。通常,儘管不是必須的,這些量採用能夠被存儲、組合、比較和以其他方式操縱的電信號或磁信號的形式。已經證明,有時,主要出於通用的原因,將這些信號稱為比特、值、元素、符號、字元、術語、數位或類似者是方便的。
然而,應記住,所有這些和類似術語都與適當的物理量相關聯,並且僅僅是應用於這些量的方便標籤。除非從上面的討論中明確說明,否則應當理解,在整個說明書中,利用諸如「識別」或「決定」或「執行」或「進行」或「收集」或「創建」或「發送」或類似的術語進行討論,指的是電腦系統或類似電子計算裝置的動作和過程,其將在電腦系統的寄存器和記憶體內的表示為物理(電子)量的資料操縱和轉換成在電腦系統記憶體或寄存器或其他此類資訊存儲裝置內的類似地表示為物理量的其他資料。
本公開內容還涉及用於執行本文的操作的設備。該設備可以專門為預期目的而構造,或者其可以包括由存儲在電腦中的電腦程式選擇性地啟動或重新配置的通用電腦。這樣的電腦程式可以存儲在電腦可讀存儲介質中,諸如但不限於任何類型的盤,包括軟碟、光碟、CD-ROM和磁光碟、唯讀記憶體(ROM)、隨機存取記憶體(RAM)、EPROM、EEPROM、磁卡或光卡、或適用於存儲電子指令的任何類型的介質,其中每個都耦接到電腦系統匯流排。
本文呈現的演算法和顯示器並非固有地與任何特定電腦或其他設備相關。根據本文的教導,各種通用系統可以與程式一起使用,或者可以證明構造更專用的設備以執行該方法是方便的。各種這些系統的結構將如下面的描述中所示。此外,並未參照任何特定程式設計語言來描述本公開內容。應當理解,可以使用各種程式設計語言來實現如本文所描述的本公開內容的教導。
本公開內容可以被提供為電腦程式產品或軟體,可包括其上存儲有指令的機器可讀介質,該指令可用於對電腦系統(或其他電子裝置)進行程式設計以執行根據本公開內容的處理。機器可讀介質包括用於以機器(例如,電腦)可讀的形式存儲資訊的任何機制。例如,機器可讀(例如,電腦可讀)介質包括機器(例如,電腦)可讀存儲介質,諸如唯讀記憶體(「ROM」)、隨機存取記憶體(「RAM」)、磁片存儲介質、光存儲介質、快閃記憶體裝置等。
在前述說明書中,已經參照本公開內容的具體示例性實施方式描述了本公開內容的實施方式。顯而易見的是,在不背離所附申請專利範圍中闡述的本公開內容的實施方式的較寬的精神和範圍的情況下,可以對其進行各種修改。 因此,說明書和附圖應被視為說明性意義而非限制性意義。
100‧‧‧引導檢查系統105‧‧‧輸入110‧‧‧檢查工具115‧‧‧檢查資料120‧‧‧缺陷取樣部件130‧‧‧缺陷審查工具135‧‧‧輸出200‧‧‧方法210‧‧‧框220‧‧‧框230‧‧‧框240‧‧‧框250‧‧‧框260‧‧‧框300‧‧‧第一分佈310‧‧‧裸片320‧‧‧裸片330‧‧‧裸片340‧‧‧裸片350‧‧‧第二分佈400‧‧‧方法410‧‧‧框420‧‧‧框430‧‧‧框440‧‧‧框450‧‧‧框460‧‧‧框470‧‧‧框500‧‧‧電腦系統502‧‧‧處理裝置504‧‧‧主記憶體506‧‧‧靜態記憶體508‧‧‧網路介面裝置510‧‧‧視訊顯示單元512‧‧‧字母數位輸入裝置514‧‧‧遊標控制裝置516‧‧‧信號生成裝置518‧‧‧資料存儲裝置520‧‧‧網路522‧‧‧圖形處理單元524‧‧‧機器可讀存儲介質526‧‧‧指令528‧‧‧視訊處理單元530‧‧‧匯流排532‧‧‧音訊處理單元
通過下面給出的詳細描述和本公開內容的各實施方式的附圖,將更全面地理解本公開內容。
圖 1
繪示了根據本公開內容的一些實施方式的引導檢查系統的示例環境。
圖 2
是根據一些實施方式的基於先前審查的候選樣本的位置來選擇供審查工具審查的候選樣本的示例方法的流程圖。
圖 3A
繪示了根據一些實施方式的具有第一分佈的審查樣本的半導體晶圓。
圖 3B
繪示了根據一些實施方式的具有第一分佈的審查樣本的半導體晶圓。
圖 4
是根據本公開內容的一些實施方式的基於先前審查的樣本的密度反覆運算選擇供審查的樣本子集的示例方法的流程圖。
圖 5
是可以在其中運行本公開內容的實施方式的示例電腦系統的框圖。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記) 無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記) 無
200‧‧‧方法
210‧‧‧框
220‧‧‧框
230‧‧‧框
240‧‧‧框
250‧‧‧框
260‧‧‧框
Claims (20)
- 一種系統,包括:一記憶體;和一處理裝置,與該記憶體可操作地耦合,用於:識別已經由一審查工具審查的一半導體晶圓處的複數個樣本;識別未經該審查工具審查的該半導體晶圓處的一候選樣本;決定該候選樣本在該半導體晶圓處的一位置;決定在與該候選樣本的該位置鄰近的位置處的已經審查的該複數個樣本的一數量;和基於在與該候選樣本的位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查。
- 如請求項1所述的系統,其中,為了基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查,該處理裝置進一步用於:當在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量不滿足一閾值數量時,向該審查工具提供該候選樣本。
- 如請求項2所述的系統,其中該處理裝置進 一步用於:識別未經該審查工具審查的該半導體晶圓處的一後續候選樣本;決定該後續候選樣本在該半導體晶圓處的一後續位置;決定包含在與該後續候選樣本的該後續位置鄰近的位置處的已經審查的該候選樣本和該複數個樣本在內的樣本的一數量;和基於在與該後續候選樣本的該後續位置鄰近的位置處的該樣本的該數量來選擇待由該審查工具審查的該後續候選樣本。
- 如請求項1所述的系統,其中,為了基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查,該處理裝置進一步用於:識別包括該候選樣本的該半導體晶圓的一裸片,其中在與該候選樣本的該位置鄰近的已經審查的該複數個樣本的位置位於包括該候選樣本的該裸片處。
- 如請求項1所述的系統,其中該審查工具對應於一掃描電子顯微鏡(SEM)。
- 如請求項1所述的系統,其中對供該審查工具審查的該候選樣本的該選擇進一步基於已經由一審 查工具審查的一半導體晶圓處的該複數個樣本的分類結果。
- 如請求項1所述的系統,其中基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量的對供該審查工具審查的該候選樣本的該選擇與先前已由該審查工具審查的該複數個樣本的一密度相關聯。
- 一種基於空間密度分析的半導體晶圓的檢查方法,包括以下步驟:識別已經由一審查工具審查的一半導體晶圓處的複數個樣本;識別未經該審查工具審查的該半導體晶圓處的一候選樣本;決定該候選樣本在該半導體晶圓處的一位置;通過一處理裝置決定在與該候選樣本的位置鄰近的位置處的已被審查的該複數個樣本的一數量;和基於與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查。
- 如請求項8所述的方法,基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來 選擇該候選樣本以供該審查工具審查,包括以下步驟:當在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量不滿足一閾值數量時,向該審查工具提供該候選樣本。
- 如請求項9所述的方法,該方法進一步包括以下步驟:識別未經該審查工具審查的該半導體晶圓處的一後續候選樣本;決定該後續候選樣本在該半導體晶圓處的一後續位置;決定包含在與該後續候選樣本的該後續位置鄰近的位置處的已經審查的該候選樣本和該複數個樣本在內的樣本的一數量;和基於在與該後續候選樣本的該後續位置鄰近的位置處的該樣本的該數量來選擇待由該審查工具審查的該後續候選樣本。
- 如請求項8所述的方法,其中基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查,包括以下步驟:識別包括該候選樣本的該半導體晶圓的一裸片,其 中在與該候選樣本的該位置鄰近的已經審查的該複數個樣本的位置位於包括該候選樣本的該裸片處。
- 如請求項8所述的方法,其中該審查工具對應於一掃描電子顯微鏡(SEM)。
- 如請求項8所述的方法,其中對供該審查工具審查的該候選樣本的該選擇進一步基於已經由一審查工具審查的一半導體晶圓處的該複數個樣本的分類結果。
- 如請求項8所述的方法,其中基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量的對供該審查工具審查的該候選樣本的該選擇與先前已由該審查工具審查的該複數個樣本的一密度相關聯。
- 一種包括指令的非暫態電腦可讀介質,該指令在由一處理裝置執行時,使得該處理裝置執行以下操作,包括:識別已經由一審查工具審查的一半導體晶圓處的複數個樣本;識別未經該審查工具審查的該半導體晶圓處的一候選樣本;決定該候選樣本在該半導體晶圓處的一位置;決定在與該候選樣本的該位置鄰近的位置處的已被 審查的該複數個樣本的一數量;和基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查。
- 如請求項15所述的非暫態電腦可讀介質,其中為了基於在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查,該操作進一步包括:當在與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量不滿足一閾值數量時,向該審查工具提供該候選樣本。
- 如請求項16所述的非暫態電腦可讀介質,其中該操作進一步包括:識別未經該審查工具審查的該半導體晶圓處的一後續候選樣本;決定該後續候選樣本在該半導體晶圓處的一後續位置;決定包含在與該後續候選樣本的該後續位置鄰近的位置處的已經審查的該候選樣本和該複數個樣本在內的樣本的一數量;和基於在與該後續候選樣本的該後續位置鄰近的位置處的該樣本的該數量來選擇待由該審查工具審查的該 後續候選樣本。
- 如請求項15所述的非暫態電腦可讀介質,其中為了基於與該候選樣本的該位置鄰近的位置處的該複數個樣本的該數量來選擇該候選樣本以供該審查工具審查,該操作進一步包括:識別包括該候選樣本的該半導體晶圓的一裸片,其中在與該候選樣本的該位置鄰近的已經審查的該複數個樣本的位置位於包括該候選樣本的該裸片處。
- 如請求項15所述的非暫態電腦可讀介質,其中該審查工具對應於一掃描電子顯微鏡(SEM)。
- 如請求項15所述的非暫態電腦可讀介質,其中對供該審查工具審查的該候選樣本的該選擇進一步基於已經由一審查工具審查的一半導體晶圓處的該複數個樣本的分類結果。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/926,990 | 2018-03-20 | ||
| US15/926,990 US11060981B2 (en) | 2018-03-20 | 2018-03-20 | Guided inspection of a semiconductor wafer based on spatial density analysis |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201945722A TW201945722A (zh) | 2019-12-01 |
| TWI695979B true TWI695979B (zh) | 2020-06-11 |
Family
ID=67983540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108109498A TWI695979B (zh) | 2018-03-20 | 2019-03-20 | 基於空間密度分析的半導體晶圓的引導檢查 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11060981B2 (zh) |
| KR (1) | KR102272879B1 (zh) |
| CN (2) | CN110310897B (zh) |
| TW (1) | TWI695979B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11360030B2 (en) * | 2020-02-04 | 2022-06-14 | Applied Materials Isreal Ltd | Selecting a coreset of potential defects for estimating expected defects of interest |
| WO2024099710A1 (en) * | 2022-11-11 | 2024-05-16 | Asml Netherlands B.V. | Creating a dense defect probability map for use in a computational guided inspection machine learning model |
| WO2025021438A1 (en) * | 2023-07-24 | 2025-01-30 | Asml Netherlands B.V. | A multiple-device training flow to reduce the time-to-recipe for computational guided inspection |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201346298A (zh) * | 2012-02-07 | 2013-11-16 | Applied Materials Israel Ltd | 用於根據cad之註冊的系統、方法及電腦程式產品 |
| WO2017203554A1 (ja) * | 2016-05-23 | 2017-11-30 | 株式会社日立ハイテクノロジーズ | 検査用情報生成装置、検査用情報生成方法、及び欠陥検査装置 |
| TW201805728A (zh) * | 2016-05-12 | 2018-02-16 | Asml荷蘭公司 | 獲得量測的方法、用於執行處理步驟的設備、度量衡設備、器件製造方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002095378A1 (en) * | 2000-05-22 | 2002-11-28 | Moore Thomas M | Method for sample separation and lift-out |
| US7796804B2 (en) * | 2007-07-20 | 2010-09-14 | Kla-Tencor Corp. | Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer |
| JP2009071136A (ja) * | 2007-09-14 | 2009-04-02 | Hitachi High-Technologies Corp | データ管理装置、検査システムおよび欠陥レビュー装置 |
| KR20100036155A (ko) * | 2008-09-29 | 2010-04-07 | 매그나칩 반도체 유한회사 | 실리콘 웨이퍼 및 그의 제조방법 |
| US8593230B2 (en) * | 2011-10-14 | 2013-11-26 | Nxp, B.V. | Circuit and method for correcting temperature dependence of frequency for piezoresistive oscillators |
| US9098893B2 (en) * | 2011-12-21 | 2015-08-04 | Applied Materials Israel, Ltd. | System, method and computer program product for classification within inspection images |
| CN104115149B (zh) * | 2012-02-07 | 2017-11-17 | 皇家飞利浦有限公司 | 用于统计学测试的扫描数据库的交互式优化 |
| US8948494B2 (en) * | 2012-11-12 | 2015-02-03 | Kla-Tencor Corp. | Unbiased wafer defect samples |
| US9098891B2 (en) * | 2013-04-08 | 2015-08-04 | Kla-Tencor Corp. | Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology |
| JP2017129369A (ja) | 2016-01-18 | 2017-07-27 | 株式会社東芝 | 欠陥検査装置、欠陥検査方法、および欠陥検査プログラム |
-
2018
- 2018-03-20 US US15/926,990 patent/US11060981B2/en active Active
-
2019
- 2019-03-20 CN CN201910212376.1A patent/CN110310897B/zh active Active
- 2019-03-20 KR KR1020190031744A patent/KR102272879B1/ko active Active
- 2019-03-20 CN CN202211506339.XA patent/CN116435204A/zh active Pending
- 2019-03-20 TW TW108109498A patent/TWI695979B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201346298A (zh) * | 2012-02-07 | 2013-11-16 | Applied Materials Israel Ltd | 用於根據cad之註冊的系統、方法及電腦程式產品 |
| TW201805728A (zh) * | 2016-05-12 | 2018-02-16 | Asml荷蘭公司 | 獲得量測的方法、用於執行處理步驟的設備、度量衡設備、器件製造方法 |
| WO2017203554A1 (ja) * | 2016-05-23 | 2017-11-30 | 株式会社日立ハイテクノロジーズ | 検査用情報生成装置、検査用情報生成方法、及び欠陥検査装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11060981B2 (en) | 2021-07-13 |
| US20190293569A1 (en) | 2019-09-26 |
| CN110310897A (zh) | 2019-10-08 |
| KR102272879B1 (ko) | 2021-07-06 |
| TW201945722A (zh) | 2019-12-01 |
| CN116435204A (zh) | 2023-07-14 |
| CN110310897B (zh) | 2022-12-13 |
| KR20190110478A (ko) | 2019-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102769740B1 (ko) | 계통적 결함들에 기반한 반도체 웨이퍼의 유도식 검사 | |
| TWI670781B (zh) | 疊代式缺陷濾除製程 | |
| US10628935B2 (en) | Method and system for identifying defects of integrated circuits | |
| US7962864B2 (en) | Stage yield prediction | |
| Jacobs et al. | Performance and limitations of deep learning semantic segmentation of multiple defects in transmission electron micrographs | |
| TWI631638B (zh) | 由參考影像改變之檢測方式設定 | |
| TWI695979B (zh) | 基於空間密度分析的半導體晶圓的引導檢查 | |
| CN110325843A (zh) | 引导式集成电路缺陷检测 | |
| CN108352336A (zh) | 确定样品上所关注图案的一或多个特性 | |
| JP5745573B2 (ja) | 製造ツールのレシピを生成する方法及びそのシステム | |
| KR20220086505A (ko) | 인공 지능 모델들을 사용한 자동 검사 | |
| KR20190138891A (ko) | 광학 검사 결과들로부터 형성한 계측 가이드 검사 샘플 | |
| TW202228068A (zh) | 樣本的類比圖像的決定 | |
| CN113222884B (zh) | 检查样本的方法和其系统 | |
| TW202236460A (zh) | 基於參考圖像來決定樣本中的缺陷和/或邊緣粗糙度 | |
| TWI780234B (zh) | 用於判定圖樣的臨界尺寸變異的方法、系統及非暫態性電腦可讀取媒體 | |
| Wei et al. | PCB-YOLO: Enhancing PCB surface defect detection with coordinate attention and multi-scale feature fusion | |
| Hilmas et al. | Developing automated characterization techniques to quantify 3D datasets for ceramic matrix composite materials | |
| Jacobs et al. | Performance, successes and limitations of deep learning semantic segmentation of multiple defects in transmission electron micrographs | |
| Limbecker et al. | A Step Towards Automation in Failure Analysis by FIB-SEM 3D Tomography and AI Segmentation | |
| TW202529174A (zh) | 使用機器學習演算法的缺陷偵測 | |
| JP2023544502A (ja) | 可解釈な深層学習ベース欠陥検出及び分類 |