[go: up one dir, main page]

TWI769371B - 用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體 - Google Patents

用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體 Download PDF

Info

Publication number
TWI769371B
TWI769371B TW108108408A TW108108408A TWI769371B TW I769371 B TWI769371 B TW I769371B TW 108108408 A TW108108408 A TW 108108408A TW 108108408 A TW108108408 A TW 108108408A TW I769371 B TWI769371 B TW I769371B
Authority
TW
Taiwan
Prior art keywords
defect
image
processor
properties
machine learning
Prior art date
Application number
TW108108408A
Other languages
English (en)
Other versions
TW201941162A (zh
Inventor
哈利 希里拉曼 帕薩吉
Original Assignee
美商克萊譚克公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201941162A publication Critical patent/TW201941162A/zh
Application granted granted Critical
Publication of TWI769371B publication Critical patent/TWI769371B/zh

Links

Images

Classifications

    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G01N21/8851—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H10P74/23—
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)

Abstract

可基於一半導體晶圓之一影像中之像素將該影像中之一缺陷分類為一初始缺陷類型。可自一電子資料儲存單元擷取與該缺陷類型相關聯之臨界尺寸均勻性參數。可基於該等臨界尺寸均勻性參數量化該缺陷之一缺陷性位準。亦可基於臨界尺寸屬性、形貌屬性或反差比屬性來分類缺陷以判定一最終缺陷類型。

Description

用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體
本發明係關於半導體晶圓上之缺陷偵測及分類。
半導體製造工業之演化對良率管理且(特定而言)對測量及檢驗系統提出較高要求。臨界尺寸繼續收縮。經濟正驅動該工業減少用於達成高良率、高價值產物之時間。最小化自偵測一良率問題至解決問題之總時間判定一半導體製造者之投資回報。
製作諸如邏輯及記憶體裝置之半導體裝置通常包含使用較大數目個製作程序來處理一半導體晶圓以形成半導體裝置之各種特徵及多個層級。舉例而言，微影係涉及將一圖案自一倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製作程序。半導體製作程序之額外實例包含但不限於化學機械拋光(CMP)、蝕刻、沈積及離子植入。可在一單個半導體晶圓上之一配置中製作多個半導體裝置且接著將其分離為個別半導體裝置。
在半導體製造期間在各個步驟處使用檢驗程序來偵測晶圓上之缺陷以促成在製造程序中之較高良率及因此較高利潤。檢驗始終係製 作諸如積體電路(IC)之半導體裝置之一重要部分。然而，隨著半導體裝置之尺寸減小，檢驗對可接受半導體裝置之成功製造變得甚至更加重要，此乃因較小缺陷可導致裝置不合格。舉例而言，隨著半導體裝置之尺寸減小，對減小大小之缺陷之偵測變得有必要，此乃因甚至相對小的缺陷可在半導體裝置中造成非想要之像差。
缺陷再檢驗通常涉及藉由使用一高放大率光學系統或一掃描電子顯微鏡(SEM)之一檢驗程序標記之缺陷之高解析度成像及分類。通常在其中已藉由檢驗偵測到缺陷之樣本上之離散位置處執行缺陷再檢驗。藉由缺陷再檢驗產生之缺陷之較高解析度資料係更適合於判定缺陷之屬性，諸如輪廓、粗糙度或更準確的大小資訊。
缺陷再檢驗係一再檢驗工具藉以再檢驗由一檢驗員或檢驗工具獲取之缺陷之一程序。缺陷再檢驗亦導致基於一組經計算缺陷屬性之缺陷之分類及缺陷類型之區分或分離。機器學習(或深度學習)方法之進步使其成為用於缺陷偵測及分類之一有吸引力之框架。儘管已證明此等框架對缺陷分類及其他功能有用，但該等框架本身亦難以知曉機器學習框架是否正確操作。舉例而言，在缺陷分類之情形中，用於對一分類器執行品質保證之當前使用方法包含機器學習中之經典度量，諸如關於一離線測試資料集及一線上及/或現場評估之準確度、混淆矩陣以及敏感度。此外，用於執行資料擴增之當前使用方法包含使一領域專家或一演算法專家指導該程序。然而，用於品質保證及資料擴增之當前使用方法及系統存在若干缺點。舉例而言，上文所闡述之當前使用品質保證方法不能識別在其中一分類器基於錯誤因果特徵做出一正確預測之一情形，尤其是使用深度學習分類器。在另一實例中，上文所闡述之當前使用品質保證方法將機器學習演 算法視為一黑箱。在一額外實例中，用於執行資料擴增之當前使用方法不能用於直接改良或校正一訓練不良之分類器。
因此，需要經改良之缺陷偵測及分類。
在一第一實施例中，提供一種方法。在一處理器處接收在一定界框中具有一缺陷之一半導體晶圓之一影像。使用該處理器基於該影像中之像素將該影像中之該缺陷分類為一初始缺陷類型。使用該處理器自一電子資料儲存單元擷取與該缺陷類型相關聯之臨界尺寸均勻性參數。使用該處理器基於該等臨界尺寸均勻性參數來量化該缺陷之一缺陷性位準。
該方法可包含：使用該處理器獲得該影像中之該缺陷之形貌屬性及反差比屬性，以及基於該等形貌屬性及該等反差比屬性將該缺陷分類為一最終缺陷類型。可將該缺陷之性質及該最終缺陷類型添加至一資料庫。該等性質包含該等形貌屬性及該等反差比屬性。
分類為該最終缺陷類型可使用一機器學習演算法。可用該最終缺陷類型及該缺陷之性質來訓練該機器學習演算法。該等性質包含(舉例而言)一臨界尺寸屬性。
可使用該處理器來識別該影像中之該缺陷。舉例而言，可使用與該半導體晶圓上之一相鄰晶粒之一影像之影像減法來識別該缺陷。可使用該處理器圍繞該缺陷繪製該定界框。
該影像可係一掃描電子顯微鏡影像。
一非暫時性電腦可讀媒體可儲存一程式，其經組態以指示該處理器執行該第一實施例之該方法。
在一第二實施例中，提供一種方法。在一處理器處接收在 一定界框中具有一缺陷之一半導體晶圓之一影像。在該處理器處接收該影像中之該缺陷之一初始缺陷類型。使用該處理器針對該影像中之該缺陷獲得形貌屬性及反差比屬性。使用該處理器基於該等形貌屬性及該等反差比屬性將該缺陷分類為一最終缺陷類型。
可將該缺陷之性質及該最終缺陷類型添加至一資料庫。
分類為該最終缺陷類型可使用一機器學習演算法。可用該最終缺陷類型及該缺陷之性質來訓練該機器學習演算法。該等性質包含(舉例而言)一臨界尺寸屬性。
該影像可係一掃描電子顯微鏡影像。
一非暫時性電腦可讀媒體可儲存一程式，其經組態以指示該處理器執行該第二實施例之該方法。
在一第三實施例中，提供一種系統。該系統包含：一載台，其經組態以固持一半導體晶圓；一電子源，其將電子引導至該載臺上之該半導體晶圓處；一偵測器，其自該載臺上之該半導體晶圓之一表面接收電子；一電子資料儲存單元；及一處理器，其與該偵測器及該電子資料儲存單元電子通信。該處理器經組態以：接收在一定界框中具有一缺陷之該半導體晶圓之一影像；基於該影像中之像素將該影像中之該缺陷分類為一初始缺陷類型；自該電子資料儲存單元擷取與該缺陷類型相關聯之臨界尺寸均勻性參數；且基於該等臨界尺寸均勻性參數量化該缺陷之一缺陷性位準。
該處理器可進一步經組態以獲得該影像中之該缺陷之形貌屬性及反差比屬性，且基於該等形貌屬性及該等反差比屬性將該缺陷分類為一最終缺陷類型。
該系統可包含一機器學習模組。分類為該最終缺陷類型可使用該機器學習演算法模組。
該處理器可進一步經組態以識別該影像中之該缺陷。
該處理器可進一步經組態以圍繞該缺陷繪製該定界框。
100:方法
101:步驟
102:步驟
103:步驟
104:步驟
200:方法
201:步驟
202:步驟
203:步驟
204:步驟
300:系統
301:電子柱
302:電腦子系統
303:電子束源
304:晶圓
305:元件
306:元件
307:偵測器
308:處理器
309:電子資料儲存單元/電子資料儲存媒體
310:載台
出於對本發明之本質及目的之一更全面理解，應結合附圖參考以下詳細說明，其中：圖1係根據本發明之一方法之一流程圖；圖2係根據本發明之另一方法之一流程圖；圖3係圖解說明圖案失效之一實例性影像；圖4包含圖解說明圖案失效之四個實例性影像；圖5包含圖解說明圖案失效之四個實例性影像；圖6包含量化圖案失效概率之三個實例性影像；圖7包含量化圖案失效概率之兩個實例性影像；及圖8係根據本發明之一系統之一實施例。
相關申請案之交叉參考
本申請案主張於2018年3月14日提出申請並指配申請案第201841009298號之印度專利申請案以及於2018年5月2日提出申請並指配美國申請案第62/665,903號之臨時專利申請案之優先權，該等申請案之揭露內容以引用方式併入本文中。
儘管將依據某些實施例闡述所主張之標的物，但包含不提供本文中所陳述之全部優點及特徵之實施例之其他實施例亦在本發明之範 疇內。可在不背離本發明之範疇之情形下做出各種結構、邏輯、程序步驟及電子改變。因此，本發明之範疇僅參考所附申請專利範圍來界定。
可將一SEM再檢驗或檢驗平臺上之臨界尺寸均勻性(CDU)特徵之輸出整合至缺陷分類練習中。如臨界尺寸均勻性之一測量特徵量測圖案保真度指標，如圖案寬度、長度、直徑、面積、角度、粗糙度、邊緣放置誤差等。自動化缺陷分類平臺可基於某些缺陷屬性自動分類缺陷或可使用已經訓練之一神經網路來識別某些缺陷類型。
圖1圖解說明一方法100。在101處，在一處理器處接收在一定界框中具有一缺陷之一半導體晶圓之一影像。該影像可係一掃描電子顯微鏡影像。可藉由獲取參考影像與缺陷影像之間之一影像差異而將定界框報告為再檢驗SEM中之缺陷偵測流程之一結果。亦可藉由使用深度學習技術用於關於設計之單個影像偵測或缺陷偵測而將定界框報告為缺陷偵測流程之一結果。
在102處，使用處理器基於影像中之像素將影像中之缺陷分類為一初始缺陷類型。因此，可自缺陷提取屬性且可基於此等屬性分類缺陷。此可係基於一預訓練之分類器流程。可為每一缺陷類型指配一特定分類碼。
預訓練之分類器流程可使用一組預定義(基於輸入訓練資料集)之濾波器或基於影像及/或設計屬性之準則。新影像可流動通過此邏輯序列。可取決於新影像與現有分類流程之匹配成功來指配分類碼。
在103處，使用處理器自一電子資料儲存單元擷取與缺陷類型相關聯之臨界尺寸均勻性參數。可將在102處指配之缺陷分類碼映射至一或多個量測類型。量測類型可包含線臨界尺寸(CD)、溝槽CD、接觸 直徑、接觸CDU、距離、粗糙度或其他類型。映射可作為工具中或CDU平臺中之變因設置之一部分來完成，其中某些分類碼被映射至某些量測類型。
在104處，使用處理器量化基於臨界尺寸均勻性參數之缺陷之一缺陷性位準。可藉由將在晶圓上發現的缺陷之總數目正規化為晶圓之一面積來判定一缺陷性位準。舉例而言，可將晶圓上之缺陷之總數目正規化為晶圓上一每cm2面積。亦可藉由將所量測之臨界尺寸與缺陷性之一嚴重性相關聯來量化缺陷性位準。舉例而言，然後可藉由界定一良好、不良及可接受臨界尺寸範圍來判定良好、不良及可接受缺陷性位準。
在一實例中，一物鏡係用以以100nm之一目標CD將一線印刷在晶圓上。100nm±2%之變化可視為良好的。>±2%及<±5%可視為可接受的。>±5%可視為不良的。
在另一實例中，由於平均溝槽寬度改變，可擷取並檢查溝槽寬度以發現一橋接缺陷。若一橋接缺陷被標記，則可開始一溝槽寬度搜尋。
在另一實例中，接觸直徑可用於量化開接點及/或經合併觸點。兩個結構之間之距離可用於量化經橋接電路或開路。
在一例項中，可使用處理器獲得影像中之缺陷之形貌屬性及反差比屬性。可自由一SEM產生之一影像集獲得形貌及反差比屬性。具有缺陷之影像可具有一組預定義屬性，其可由SEM計算以判定形貌及反差比屬性。可使用處理器基於形貌屬性及反差比屬性將缺陷分類為一最終缺陷類型。可將缺陷之性質及最終缺陷類型添加至一資料庫。該等性質可包含形貌屬性及反差比屬性。
分類為最終缺陷類型可使用一機器學習演算法。可用缺陷之性質及最終缺陷類型訓練機器學習演算法。該等性質可包含一或多個臨界尺寸屬性。儘管此可包含反差比及形貌屬性，但此亦可包含圖案寬度、長度、直徑、面積、角度、粗糙度或邊緣放置誤差。臨界尺寸屬性可基於嚴重性來分類缺陷。
可使用處理器識別影像中之缺陷。在一實例中，可使用與半導體晶圓上之一相鄰晶粒之一影像之影像減法來識別缺陷。可使用處理器圍繞缺陷繪制定界框。
圖2圖解說明一方法200。在201處，在一處理器處接收在一定界框中具有一缺陷之一半導體晶圓之一影像。該影像可係一掃描電子顯微鏡影像。
在202處，在處理器處接收影像中之缺陷之一初始缺陷類型。可自用於再檢驗之一SEM之一預訓練分類器流程獲得初始缺陷類型。
在203處，使用處理器獲得影像中之缺陷之形貌屬性及反差比屬性。亦可獲得其他成像參數，諸如設計內容脈絡、形狀內容脈絡或背景。
在204處，使用處理器基於形貌屬性、反差比屬性或其他成像參數將缺陷分類為一最終缺陷類型。此可使用一機器學習流程中之一預訓練分類器或深度學習技術中之單個影像偵測來執行。最終缺陷類型可與初始缺陷類型相同。最終缺陷類型亦可與初始缺陷類型不同。若最終缺陷類型與初始缺陷類型不同，則可基於臨界尺寸量測之後之臨界尺寸結果來改變缺陷分類之嚴重性，此乃因臨界尺寸量測可比初始分類揭示更多資訊。
可將缺陷之性質及最終缺陷類型添加至一資料庫。該等性質可包含形貌屬性及反差比屬性。
將缺陷分類為最終缺陷類型可使用一機器學習演算法。可用缺陷之性質及最終缺陷類型訓練機器學習演算法。
圖3至圖7圖解說明來自處理窗資格(PWQ)或焦點曝光矩陣(FEM)晶圓之一10nm節點代表性後端M1層上之實例性熱點，其中已在具體晶粒上調變曝光劑量及焦點。將缺陷圈繞在虛線中。在PWQ及/或FEM晶圓上搜集SEM影像。使用一離線CDU公用設施，跨越晶圓在數個晶粒上量測一具體圖案寬度。基於在熱點上量測之臨界尺寸，可基於如遺漏特徵、圖案斷裂、橋接等之不同失效模式來判斷不同晶粒上之圖案化成功。可藉由CDU特徵之輸出來達成圖案化失效模式之此分類。因此，將CDU特徵之輸出整合至自動缺陷分類平臺之屬性空間中將有助於基於此定量屬性之缺陷/熱點分類。CDU與自動化缺陷分類特徵之此一整合在FEM、PWQ或處理窗定心(PWC)應用中可係有用的。
圖3係圖解說明圖案失效之一實例性影像。在一FEM之端處可能存在遺漏特徵或空白影像。在此例項中，最小CD可係0nm。
圖4包含圖解說明圖案失效之四個實例性影像。若平均CD係小於10nm，則可能存在圖案斷裂之一高傾向。若平均CD係自10nm至13nm，則可能存在圖案斷裂之一較小傾向。若平均CD係自10nm至13nm，則圖案斷裂之傾向可係中等或低的。
圖5包含圖解說明圖案失效之四個實例性影像。若最大CD係大於20nm，則可能存在對角橋接之一高傾向。若最大CD係自16nm至20nm，則可能存在對角橋接之一較小傾向。若最大CD係自16nm至20 nm，則對角橋接之傾向可係中等或低的。
圖6包含量化圖案失效概率之三個實例性影像。具有小於15nm之一熱點CD之晶粒具有一斷裂圖案。
圖7包含量化圖案失效概率之兩個實例性影像。具有大於27nm之一熱點CD之晶粒具有變更相鄰結構(亦即，鄰近效應)之圖案。
在一實例中，用於基於由本文中所揭示之實施例達成之定量濾波器之熱點處理窗資格之結果之時間可係少於10分鐘。
基於機器學習之缺陷偵測及/或分類平臺亦可與本文中所揭示之實施例搭配使用。一經整合測量平臺可提供多個益處。首先，除偵測隨機處理缺陷之外，此還可使得能夠使用CDU輸出範圍來偵測基於測量、基於設計或基於圖案化之缺陷。其次，在經整合之測量平臺之訓練階段中整合一測量臂可提供一額外參數以構建用於初始缺陷偵測及/或背景學習之一母模型，以便針對一新層啟動初始偵測/分類階段。經整合測量臂可使用臨界尺寸測量輸出作為分類器之一訓練屬性。該母模型係一泛用模型，當待遭遇之缺陷類型係未知的時其可用於將檢驗之任一新層或缺陷類型。
用於缺陷偵測及分類之機器學習之成功可取決於預訓練，此通常係一耗時的手動程序。用於機器學習訓練之泛用模型通常開始於可經執行以改良先前技術之已知實例。此稱為啟動。一旦CDU相關屬性已用於分類流程中且其等與一分類程序之關係係已知的，則此可用於啟動程序中以進行起動模型CDU感知。
圖8係一系統300之一實施例之一方塊圖。系統300包含一晶圓檢驗工具(其包含電子柱301)，其經組態以產生一晶圓304之影像。
晶圓檢驗工具包含一輸出獲取子系統，其包含至少一能量源及一偵測器。輸出獲取子系統可係一基於電子束之輸出獲取子系統。舉例而言，在一項實施例中，被引導至晶圓304之能量包含電子，且自晶圓304所偵測之能量包含電子。以此方式，能量源可係一電子束源。在圖8中展示之一項此實施例中，輸出獲取子系統包含電子柱301，其被耦合至電腦子系統302。一載台310可固持晶圓304。
亦如圖8中所展示，電子柱301包含一電子束源303，其經組態以產生藉由一或多個元件305聚焦至晶圓304之電子。電子束源303可包含(舉例而言)一陰極源或發射器尖端。一或多個元件305可包含(舉例而言)一槍透鏡、一陽極、一射束限制孔徑、一閘閥、一束流選擇孔徑、一物鏡及一掃描子系統，所有其等可包含此項技術中已知之任何此等適合元件。
自晶圓304返回之電子(例如，輔助電子)可藉由一或多個元件306而聚焦至偵測器307。一或多個元件306可包含(舉例而言)一掃描子系統，該掃描子系統可係包含於元件305中之相同掃描子系統。
電子柱亦可包含此項技術中已知之任何其他適合元件。
儘管電子柱301在圖8中展示為經組態以使得電子以一傾斜入射角引導至晶圓304且以另一傾斜角自晶圓散射，但電子束可以任何適合角度引導至晶圓304及自晶圓304散射。此外，基於電子束之輸出獲取子系統可經組態以使用多個模式產生晶圓304之影像(例如，以不同照明角度、收集角度等)。基於電子束之輸出獲取子系統之多個模式可在輸出獲取子系統之任一影像產生參數中係不同的。
電腦子系統302可如上文所闡述耦合至偵測器307。偵測器 307可偵測自晶圓304之表面返回之電子，藉此形成晶圓304之電子束影像。電子束影像可包含任何適合電子束影像。電腦子系統302可經組態以使用偵測器307之輸出及/或電子束影像執行本文中所闡述之功能中之任一者。電腦子系統302可經組態以執行本文中所闡述之任何額外步驟。包含圖8中展示之輸出獲取子系統之一系統300可如在本文所闡述進一步經組態。
應注意，本文中提供圖8以大體上圖解說明可在本文中所闡述之實施例中使用之一基於電子束之輸出獲取子系統之一組態。可變更本文中所闡述之基於電子束之輸出獲取子系統組態以最佳化輸出獲取子系統之效能，此通常在設計一商用輸出獲取系統時執行。此外，本文中所闡述之系統可使用一現有系統(例如，藉由將本文中所闡述之功能性添加至一現有系統)來實施。針對某些此等系統，可將本文中所闡述之方法作為系統之選用功能性(例如，除系統之其他功能性之外)而提供。另一選擇係，本文中所闡述之系統可設計為一完全新系統。
儘管上文將輸出獲取子系統闡述為係一基於電子束之輸出獲取子系統，但該輸出獲取子系統可係一基於離子束之輸出獲取子系統。此一輸出獲取子系統可如圖8中所展示而組態，除電子束源可被替換為此項技術中已知之任一適合離子束源之外。此外，輸出獲取子系統可係任一其他適合的基於離子束之輸出獲取子系統，諸如包含於可商用購得之聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統以及輔助離子質譜學(SIMS)系統中之彼等基於離子束之輸出獲取子系統。
電腦子系統302包含一處理器308及一電子資料儲存單元309。處理器308可包含一微處理器、一微控制器或其他裝置。處理器308 及/或電子資料儲存單元309視情況可與一晶圓檢驗工具或一晶圓再檢驗工具(未圖解說明)電子通信以接收額外資訊。
可以任一適合方式(例如，經由一或多個傳輸媒體，其可包含有線及/或無線傳輸媒體)將電腦子系統302耦合至系統300之組件，使得處理器308可接收輸出。處理器308可經組態以使用輸出執行若干功能。晶圓檢驗工具可自處理器308接收指令或其他資訊。處理器308及/或電子資料儲存單元309視情況可與另一晶圓檢驗工具、一晶圓測量工具或一晶圓再檢驗工具(未圖解說明)電子通信以接收額外資訊或發送指令。
處理器308與晶圓檢驗工具(諸如偵測器307)電子通信。處理器308可經組態以處理使用來自偵測器307之量測產生之影像。舉例而言，處理器可執行方法100或方法200之實施例。
本文中所闡述之電腦子系統302、其他系統或其他子系統可係各種系統之部分，包含一個人電腦系統、影像電腦、大型電腦系統、工作站、網路器具、網際網路器具或其他裝置。子系統或系統亦可包含此項技術中已知之任一適合處理器，諸如一並行處理器。此外，子系統或系統可包含具有高速度處理及軟體之一平臺作為一獨立工具或一經網路連線工具。
處理器308及電子資料儲存單元309可安置在系統300或其他裝置中或以其他方式可係系統300或其他裝置之部分。在一實例中，處理器308及電子資料儲存單元309可係一獨立控制單元之部分或在一集中式品質控制單元中。可使用多個處理器308或電子資料儲存單元309。
實務上，處理器308可藉由硬體、軟體及韌體之任一組合來實施。此外，本文中所闡述之其功能可由一個單元執行，或在不同組件 間進行分配，其等中之每一者繼而可藉由硬體、軟體及韌體之任一組合來實施。用於使處理器308實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體中，諸如電子資料儲存單元309中之一記憶體或其他記憶體。
若系統300包含一個以上電腦子系統302，則不同子系統可耦合至彼此使得影像、資料、資訊、指令等可在子系統之間發送。舉例而言，一個子系統可藉由任何適合傳輸媒體耦合至額外子系統，該傳輸媒體可包含此項技術中已知之任何適合有線及/或無線傳輸媒體。此等子系統中之兩者或更多者亦可藉由一共用電腦可讀儲存媒體(未展示)來有效耦合。
處理器308可經組態以使用系統300之輸出或其他輸出執行若干功能。舉例而言，處理器308可經組態以將輸出發送至一電子資料儲存單元309或另一儲存媒體。可如本文中所闡述進一步組態處理器308。
處理器308或電腦子系統302可係一缺陷再檢驗系統、一檢驗系統、一測量系統或某些其他類型之系統之部分。因此，本文中所揭示之實施例闡述某些組態，其等可以若干方式裁剪以用於具有更多或更少地適合於不同應用程式之不同能力之系統。
若該系統包含一個以上子系統，則不同子系統可耦合至彼此使得影像、資料、資訊、指令等可在子系統之間發送。舉例而言，一個子系統可藉由任何適合傳輸媒體耦合至額外子系統，該傳輸媒體可包含此項技術中已知之任何適合有線及/或無線傳輸媒體。此等子系統中之兩者或更多者亦可藉由一共用電腦可讀儲存媒體(未展示)來有效耦合。
可根據本文中所闡述之實施例中之任一者組態處理器308。處理器308亦可經組態以使用系統300之輸出或使用來自其他源之影 像或資料來執行其他功能或額外步驟。
處理器308可以此項技術中已知之任一方式通信地耦合至系統300之各種組件或子系統中之任一者。此外，處理器308可經組態以藉由可包含有線及/或無線部分之一傳輸媒體接收及/或獲取來自其他系統之資料或資訊(例如，來自諸如一再檢驗工具之一檢驗系統之檢驗結果、包含設計資料之一遠端資料庫及類似者)。以此方式，該傳輸媒體可用作處理器308與系統300之其他子系統或系統300外部之系統之間之一資料連結。
由以下各項中之一或多者執行各種步驟、功能及/或系統300之操作以及本文中所揭示之方法：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控制件/開關、微控制器或計算系統。實施方法之程式指令(諸如本文中所闡述之彼等指令)可經由載體媒體發射或存儲於載體媒體上。載體媒體可包含一儲存媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、一非揮發性記憶體、一固態記憶體、一磁帶及類似者。一載體媒體可包含一傳輸媒體，諸如一導線、纜線或無線傳輸連結。舉例而言，遍及本發明所闡述之各種步驟可藉由一單個處理器308(或電腦子系統302)或另一選擇係多個處理器308(或多個電腦子系統302)來執行。此外，系統300之不同子系統可包含一或多個計算或邏輯系統。因此，以上說明不應解釋為對本發明之一限制而僅係一圖解說明。
一額外實施例係關於儲存可在一處理器上執行之程式指令之一非暫時性電腦可讀媒體。特定而言，一處理器(諸如處理器308)可耦合至包含可執行程式指令之具有非暫時性電腦可讀媒體之一電子資料儲存媒體(諸如電子資料儲存媒體309)中之一記憶體。電腦實施之方法可包含 本文中所闡述之任何方法之任何步驟。舉例而言，處理器308可經程式化以執行方法100或圖3之方法之某些或所有步驟。電子資料儲存媒體309中之記憶體可係一儲存媒體，諸如一磁碟或光碟、一磁帶或此項技術中已知之任一其他適合非暫時性電腦可讀媒體。
可以包含基於程序之技術、基於組件之技術及/或物件導向之技術以及其他技術之各種方式中之任一者來實施程式指令。舉例而言，可視需要使用ActiveX控件、C++物件、JavaBeans、微軟基礎類別(MFC)、串流化SIMD擴展(SSE)或其他技術或方法來實施該等程式指令。
在一實施例中，一或多個程式包含於諸如電子資料儲存媒體309之一非暫時性電腦可讀儲存媒體上。該一或多個程式係用於在諸如處理器308之一或多個計算裝置上執行步驟。該等程式可包含：接收在一定界框中具有一缺陷之一半導體晶圓之一影像；基於影像中之像素將影像中之缺陷分類為一初始缺陷類型；自一電子資料儲存單元(例如，電子資料儲存媒體309)擷取與缺陷類型相關聯之臨界尺寸均勻性參數；及基於臨界尺寸均勻性參數量化缺陷之一缺陷性位準。該等程式亦可包含獲得影像中之缺陷之形貌屬性及反差比屬性以及基於形貌屬性及反差比屬性將缺陷分類為一最終缺陷類型。
電腦子系統302可進一步包含一機器學習模組。將缺陷分類為最終缺陷類型可使用機器學習演算法模組。機器學習演算法模組可儲存於電子資料儲存媒體309上及/或在處理器308上運行。
在一實施例中，基於學習之模型包含一機器學習模型。機器學習可大體上界定為在未明確程式化之情形下使電腦具備學習能力之一類型之人工智慧(AI)。機器學習聚焦於電腦程式之開發，該等電腦程式可 自學以在曝露於新資料時成長及改變。換言之，機器學習可界定為在未明確程式化之情形下賦予電腦學習能力之電腦科學之子領域。機器學習探索可自資料學習及對資料進行預測之演算法之研究及構造。藉由透過自樣本輸入構建一模型進行資料驅動之預測或決策，此等演算法克服嚴格遵循靜態程式指令。
在一項實施例中，基於學習之模型包含一深度學習模型。大體而言，「深度學習」(亦稱為深度結構化學習、階層式學習或深度機器學習)係基於嘗試建模資料中之高位準抽象之一組演算法之機器學習之一分支。在一簡單情形中，可存在兩組神經元：一個組接收一輸入信號且一個組發送一輸出信號。當輸入層接收一輸入時，其將輸入之一經修改版本傳送至下一層。在一深度網路中，輸入與輸出之間存在諸多層，從而允許演算法使用由多個線性及非線性變換組成之多個處理層。
深度學習係基於學習資料表示之一較寬泛族系之機器學習方法之部分。一觀察(例如，一影像)可以諸多方式表示，諸如每像素強度值之一向量，或以一更抽象之方式表示為一組邊緣、特定形狀之區域等。某些表示在簡化學習任務(例如，面部辨識或面部表情辨識)方面較其他表示為佳。深度學習之承諾中之一者係將手工製作之特徵替換為高效演算法，以用於非監督式或半監督式特徵學習及階層式特徵提取。
在一其他實施例中，基於學習之模型包含一神經網路。舉例而言，該模型可係具有一組權重之一深度神經網路，該等權重根據資料(該資料已饋送以對其進行訓練)來建模世界。神經網路大體上可界定為基於一相對大之神經單元集合之一計算方法，該神經單元鬆散地建模一生物大腦利用藉由軸突連接之相對大之生物神經元叢集解決問題之方式。每一 神經單元與諸多其他神經單元連接，且鏈路可強迫或抑制其等對經連接之神經單元之激活狀態之效應。此等系統係自學及訓練的而不是明確程式化的，且擅長於以一傳統電腦程式難以表達解決方案或特徵偵測之領域。
神經網路通常由多個層組成，且信號路徑自前至後穿越。神經網路之目標係以與人腦相同之方式解決問題，儘管數個神經網路係更抽象的。現代神經網路項目通常使用幾千至幾百萬個神經單元及數百萬個連接。神經網路可具有此項技術中已知之任一適合架構及/或組態。
在另一實施例中，基於學習之模型包含一捲積神經網路(CNN)。舉例而言，本文中所闡述之實施例可利用深度學習概念(例如，一CNN)來解決通常難解之表示轉換問題(例如，再現)。該模型可具有此項技術中已知之任一CNN組態或架構。
在一其他實施例中，基於學習之模型包含一深度神經網路。舉例而言，該模型可經組態以具有一深度學習架構，其中該模型可包含執行若干演算法或變換之多個層。大體而言，模型中之層之數目並不重要且係使用情形相依的。出於實務之目的，包含於模型中之層之一適合範圍係自兩個層至數十個層。如本文中所闡述，可以其他方式組態深度神經網路。在一項此實施例中，基於學習之模型可組態為一深度CNN(DCNN)。
在一額外實施例中，基於學習之模型包含一區辯模型。區辯模型(亦稱為條件模型)係機器學習中用於建模未觀察變量y對觀察變量x之相依性之一類模型。在一概率框架內，此係藉由建模條件概率分佈P(y x)來完成，條件概率分佈P(y x)可用於自x預測y。與產生模型相反，區辯模型不允許自x與y之聯合分佈產生樣本。然而，對於諸如不需要聯合分佈 之分類及回歸之任務，區辯模型可產生優異效能。相比而言，產生模型在表達複雜學習任務中之相依性中通常較區辯模型更靈活。此外，多數區辯模型本質上係監督式的且不能容易地擴展至非監督式學習。應用特定細節最終指定選擇一區辯對產生模型之適合性。以此方式，本文中所闡述之實施例可使用一區辯類型之一深度學習網路用於本文中所闡述之應用(分類或回歸目的)。
在某些實施例中，基於學習之模型包含一產生模型。一產生模型可大體上界定為本質上係概率的之一模型。換言之，一產生模型並非執行正向模擬或基於規則之方法的模型，且如此，產生實際輸出(為此產生模擬輸出)所涉及之程序之實體之一模型未必係必需的。而是，如本文中進一步所闡述，可使產生模型基於一適合訓練資料集來學習(其中可學習其參數)。以此方式，本文中所闡述之實施例可使用諸如一深度產生網路之一深度學習網路用於本文中所闡述之應用(分類或回歸目的)。
在一項實施例中，基於學習之模型包含一深度產生模型。舉例而言，該模型可經組態以具有一深度學習架構，其中該模型可包含執行若干演算法或變換之多個層。大體而言，產生模型之一個或兩個側上之層之數目並不重要且係使用情形相依的。出於實務目的，兩個側上之層之一適合範圍係自兩個層至數十個層。
在另一實施例中，基於學習之模型經組態用於具有經增加取樣之濾波器之捲積。舉例而言，在最初設計用於影像分類之連續DCNN層處執行之最大池化及減少取樣(「跨步」)之重複組合可導致當DCNN以一完全捲積方式使用時具有顯著減少之空間解析度之特徵圖。為克服此障礙且高效地產生更密集特徵圖，可自最後數個最大池化DCNN層移除減少 取樣運算子且而是在後續捲積層中對濾波器進行增加取樣，從而導致以一較高取樣率計算之特徵圖。
濾波器增加取樣相當於在非零濾波器抽頭之間嵌入孔。此技術在信號處理方面具有一長久歷史，最初為非抽選小波變換之高效計算而開發。此方案提供在密集預測任務中使用解捲積層之一簡單但強大之替代方案。與具有較大濾波器之常規捲積相比，非取樣濾波器(「帶孔捲積」)允許在不增加參數之數目或計算之量之情形下有效地放大濾波器之視場。
以此方式，本文中所闡述之實施例可經組態用於使用機器學習之缺陷偵測及識別。特定而言，在不同應用(例如，缺陷偵測、CAD再現)中，可將影像位準分析轉換為一像素位準分類問題。
本文中所闡述之實施例可或不可經組態用於訓練本文中所闡述之基於學習之模型。舉例而言，另一方法及/或系統可經組態以產生一經訓練之基於學習之模型，其接著可由本文中所闡述之實施例存取及使用。
如本文中所使用，術語「晶圓」通常係指由一半導體或非半導體材料形成之基板。此一半導體或非半導體材料之實例包含但不限於單晶矽、氮化鎵、砷化鎵、磷化銦、藍寶石及玻璃。此等基板通常可存在於半導體製作設施中及/或在其中處理。
一晶圓可包含形成於一基板上之一或多個層。舉例而言，此等層可包含但不限於一光阻劑、一介電材料、一導電材料及一半導電材料。諸多不同類型之此等層係此項技術中已知的，且如本文中所使用之術語晶圓意欲囊括包含所有類型之此等層之一晶圓。
形成於一晶圓上之一或多個層可係經圖案化或未經圖案化的。舉例而言，一晶圓可包含複數個晶粒，每一晶粒具有可重複的經圖案化特徵或週期性結構。此等材料層之形成及處理可最終導致所完成之裝置。可在一晶圓上形成諸多不同類型之裝置，且如本文中所使用之術語晶圓意欲囊括其上製作有本項技術中已知之任一類型之裝置之一晶圓。
亦可使用其他類型之晶圓。舉例而言，晶圓可用於製造LED、太陽能電池、磁碟、扁平面板或拋光板。亦可使用本文中所揭示之技術及系統來分類其他物件上之缺陷。
可如本文中所闡述執行該方法之該等步驟中之每一者。該等方法亦可包含可由本文中所闡述之處理器及/或電腦子系統或系統執行之任何其他步驟。該等步驟可由一或多個電腦系統執行，該一或多個電腦系統可根據本文中所闡述之實施例中之任一者而組態。此外，可藉由本文中所闡述之系統實施例中之任一者來執行上文所闡述之方法。
儘管已關於一或多個特定實施例闡述本發明，但應理解可在不背離本發明之範疇之情形下做出本發明之其他實施例。因而，本發明被視為僅受隨附申請專利範圍及其合理闡釋限制。
300:系統
301:電子柱
302:電腦子系統
303:電子束源
304:晶圓
305:元件
306:元件
307:偵測器
308:處理器
309:電子資料儲存單元/電子資料儲存媒體
310:載台

Claims (11)

  1. 一種用於一半導體裝置之檢測方法，其包括：在一處理器處接收在一定界框中具有一缺陷之一半導體晶圓之一影像；使用該處理器基於該影像中之像素將該影像中之該缺陷分類為一初始缺陷類型；使用該處理器自一電子資料儲存單元擷取與該初始缺陷類型相關聯之臨界尺寸均勻性參數；使用該處理器基於該等臨界尺寸均勻性參數量化該缺陷之一缺陷性位準；使用該處理器獲得該影像中之該缺陷之形貌屬性(topography attributes)及反差比屬性(contrast attributes)；使用該處理器基於該等形貌屬性及該等反差比屬性將該缺陷分類為一最終缺陷類型，其中分類為該最終缺陷類型使用一機器學習演算法；及用該最終缺陷類型及該缺陷之性質訓練該機器學習演算法，其中該等性質包含一臨界尺寸屬性。
  2. 如請求項1之方法，其進一步包括將該缺陷之性質及該最終缺陷類型添加至一資料庫，其中該等性質包含該等形貌屬性及該等反差比屬性。
  3. 如請求項1之方法，其進一步包括使用該處理器識別該影像中之該缺陷。
  4. 如請求項3之方法，其中使用與該半導體晶圓上之一相鄰晶粒之一影像之影像減法來識別該缺陷。
  5. 如請求項3之方法，其進一步包括使用該處理器圍繞該缺陷繪製該定界框。
  6. 如請求項1之方法，其中該影像係一掃描電子顯微鏡影像。
  7. 一種非暫時性電腦可讀媒體，其儲存經組態以指示一處理器執行如請求項1之方法之一程式。
  8. 一種用於一半導體裝置之檢測系統，其包括：一載台，其經組態以固持一半導體晶圓；一電子源，其將電子引導至該載臺上之該半導體晶圓處；一偵測器，其自該載臺上之該半導體晶圓之一表面接收電子；一電子資料儲存單元；及一處理器，其與該偵測器及該電子資料儲存單元電子通信，其中該處理器經組態以：接收在一定界框中具有一缺陷之該半導體晶圓之一影像；基於該影像中之像素將該影像中之該缺陷分類為一初始缺陷類型；自該電子資料儲存單元擷取與該初始缺陷類型相關聯之臨界尺寸 均勻性參數；基於該等臨界尺寸均勻性參數量化該缺陷之一缺陷性位準；獲得該影像中之該缺陷之形貌屬性及反差比屬性；基於該等形貌屬性及該等反差比屬性將該缺陷分類為一最終缺陷類型，其中使用一機器學習演算法將該缺陷分類為該最終缺陷類型；及用該最終缺陷類型及該缺陷之性質訓練該機器學習演算法，其中該等性質包含一臨界尺寸屬性。
  9. 如請求項8之系統，其中該系統進一步包括儲存於該電子資料儲存單元上之一機器學習模組，且其中分類為該最終缺陷類型使用該機器學習模組。
  10. 如請求項8之系統，其中該處理器進一步經組態以識別該影像中之該缺陷。
  11. 如請求項8之系統，其中該處理器進一步經組態以圍繞該缺陷繪製該定界框。
TW108108408A 2018-03-14 2019-03-13 用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體 TWI769371B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
IN201841009298 2018-03-14
IN201841009298 2018-03-14
US201862665903P 2018-05-02 2018-05-02
US62/665,903 2018-05-02
US16/046,171 US10679333B2 (en) 2018-03-14 2018-07-26 Defect detection, classification, and process window control using scanning electron microscope metrology
US16/046,171 2018-07-26

Publications (2)

Publication Number Publication Date
TW201941162A TW201941162A (zh) 2019-10-16
TWI769371B true TWI769371B (zh) 2022-07-01

Family

ID=67905893

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108108408A TWI769371B (zh) 2018-03-14 2019-03-13 用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體

Country Status (5)

Country Link
US (1) US10679333B2 (zh)
KR (1) KR102468982B1 (zh)
CN (1) CN111837225B (zh)
TW (1) TWI769371B (zh)
WO (1) WO2019177800A1 (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018213056A1 (de) * 2018-08-03 2020-02-06 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln einer Erklärungskarte
US12114989B2 (en) 2018-12-04 2024-10-15 Brainvivo Ltd. Apparatus and method for utilizing a brain feature activity map database to characterize content
US20210241065A1 (en) * 2018-12-04 2021-08-05 Brainvivo Ltd. Classifying Discipline-Specific Content Using a General-Content Brain-Response Model
US12045969B2 (en) * 2019-10-01 2024-07-23 Carl Zeiss Smt Gmbh Automated root cause analysis for defect detection during fabrication processes of semiconductor structures
US11615993B2 (en) * 2019-11-21 2023-03-28 Kla Corporation Clustering sub-care areas based on noise characteristics
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
IL295877B2 (en) 2020-02-23 2024-01-01 נובה בע מ Measurement of uniformity of local critical dimensions of an array of two-dimensional structural units
US12118708B2 (en) 2020-10-05 2024-10-15 Samsung Electronics Co., Ltd. Device and method for detecting defects on wafer
CN112036514B (zh) * 2020-11-04 2021-07-13 腾讯科技（深圳）有限公司 一种图像分类方法、装置、服务器及计算机可读存储介质
CN116709988A (zh) * 2021-01-14 2023-09-05 布雷恩维沃有限公司 使用一般内容脑反应模型对特定于学科的内容进行分类
CN112991259B (zh) * 2021-01-29 2023-04-18 合肥晶合集成电路股份有限公司 一种半导体制程缺陷的检测方法及系统
KR20220153839A (ko) 2021-05-12 2022-11-21 삼성전자주식회사 노광 공정의 최적 포커스 및 최적 도즈를 결정하는 방법
CN113658125B (zh) * 2021-08-11 2024-02-23 全芯智造技术有限公司 用于评估版图热点的方法、设备和存储介质
US12191806B2 (en) * 2021-09-01 2025-01-07 Arizona Board Of Regents On Behalf Of Arizona State University Autonomous polarimetric imaging for photovoltaic module inspection and methods thereof
KR102535327B1 (ko) 2021-11-16 2023-05-26 라이트비전 주식회사 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
KR102405557B1 (ko) 2021-10-14 2022-06-07 라이트비전 주식회사 컴퓨터가 구분하기 용이한 회절패턴 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법
KR20230071772A (ko) 2021-11-16 2023-05-23 라이트비전 주식회사 공간군 추론이 용이한 분류 체계 시스템 및 이에 있어서 정대축 추천 방법
CN114199892B (zh) * 2021-12-10 2022-11-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及系统
JP2025500915A (ja) * 2021-12-16 2025-01-15 ジェイド バード ディスプレイ（シャンハイ） リミテッド 欠陥レベル分類モデルを構築するためのシステム
CN114648528B (zh) * 2022-05-19 2022-09-23 江苏第三代半导体研究院有限公司 一种半导体检测方法、装置以及计算机可读存储介质
US20230386015A1 (en) * 2022-05-31 2023-11-30 Siemens Industry Software Inc. Layout-based wafer defect identification and classification
CN115829951B (zh) * 2022-11-21 2025-02-18 东方晶源微电子科技(北京)股份有限公司 基于设计版图的扫描电子显微镜图像缺陷分类方法、装置
CN116344378B (zh) * 2023-03-31 2024-01-23 江苏神州新能源电力有限公司 一种光伏板生产用智能检测系统及其检测方法
KR20250083791A (ko) * 2023-12-01 2025-06-10 엘에스일렉트릭(주) 영상데이터를 이용한 불량 확인 방법 및 장치

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103748670A (zh) * 2011-09-07 2014-04-23 株式会社日立高新技术 区域决定装置、观察装置或检查装置、区域决定方法以及使用了区域决定方法的观察方法或检查方法
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
US8995747B2 (en) * 2010-07-29 2015-03-31 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection and classification
US9075026B2 (en) * 2009-09-28 2015-07-07 Hitachi High-Technologies Corporation Defect inspection device and defect inspection method
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
US9589086B2 (en) * 2014-01-27 2017-03-07 Macronix International Co., Ltd. Method for measuring and analyzing surface structure of chip or wafer
US9739728B1 (en) * 2016-06-20 2017-08-22 International Business Machines Corporation Automatic defect detection and classification for high throughput electron channeling contrast imaging
TW201734439A (zh) * 2015-12-31 2017-10-01 克萊譚克公司 混合檢查器
TWI606235B (zh) * 2012-03-08 2017-11-21 克萊譚克公司 用於檢測一光微影光罩之方法、檢測系統及電腦可讀媒體

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6148099A (en) * 1997-07-03 2000-11-14 Neopath, Inc. Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification
US6122397A (en) * 1997-07-03 2000-09-19 Tri Path Imaging, Inc. Method and apparatus for maskless semiconductor and liquid crystal display inspection
US7229845B1 (en) * 2004-01-26 2007-06-12 Si Glaz Automated sourcing of substrate microfabrication defects using defects signatures
US10539612B2 (en) * 2015-05-20 2020-01-21 Kla-Tencor Corporation Voltage contrast based fault and defect inference in logic chips
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10598617B2 (en) * 2017-05-05 2020-03-24 Kla-Tencor Corporation Metrology guided inspection sample shaping of optical inspection results
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US11237872B2 (en) 2017-05-23 2022-02-01 Kla-Tencor Corporation Semiconductor inspection and metrology systems for distributing job among the CPUs or GPUs based on logical image processing boundaries
US10387755B2 (en) * 2017-06-28 2019-08-20 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US10607119B2 (en) 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
US11016035B2 (en) * 2017-09-18 2021-05-25 Elite Semiconductor Inc. Smart defect calibration system and the method thereof

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9075026B2 (en) * 2009-09-28 2015-07-07 Hitachi High-Technologies Corporation Defect inspection device and defect inspection method
US8995747B2 (en) * 2010-07-29 2015-03-31 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection and classification
CN103748670A (zh) * 2011-09-07 2014-04-23 株式会社日立高新技术 区域决定装置、观察装置或检查装置、区域决定方法以及使用了区域决定方法的观察方法或检查方法
TWI606235B (zh) * 2012-03-08 2017-11-21 克萊譚克公司 用於檢測一光微影光罩之方法、檢測系統及電腦可讀媒體
US9589086B2 (en) * 2014-01-27 2017-03-07 Macronix International Co., Ltd. Method for measuring and analyzing surface structure of chip or wafer
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
TW201734439A (zh) * 2015-12-31 2017-10-01 克萊譚克公司 混合檢查器
US9739728B1 (en) * 2016-06-20 2017-08-22 International Business Machines Corporation Automatic defect detection and classification for high throughput electron channeling contrast imaging
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统

Also Published As

Publication number Publication date
WO2019177800A1 (en) 2019-09-19
CN111837225A (zh) 2020-10-27
US10679333B2 (en) 2020-06-09
TW201941162A (zh) 2019-10-16
CN111837225B (zh) 2021-12-24
US20190287238A1 (en) 2019-09-19
KR20200122401A (ko) 2020-10-27
KR102468982B1 (ko) 2022-11-18

Similar Documents

Publication Publication Date Title
TWI769371B (zh) 用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體
US10599951B2 (en) Training a neural network for defect detection in low resolution images
CN108463876B (zh) 为样品产生模拟输出
TWI710763B (zh) 經組態以偵測一樣品上之缺陷之系統及用於偵測一樣品上之缺陷之電腦實施方法
CN109074650B (zh) 针对半导体应用从输入图像产生经模拟图像
CN108475649B (zh) 通过异常值检测的特征选择及自动化工艺窗监测
US10186026B2 (en) Single image detection
CN108463874B (zh) 基于图像的样品过程控制
JP2022507543A (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
CN115552431A (zh) 训练机器学习模型以从检验图像产生较高分辨率图像
CN108475351A (zh) 用于半导体应用的基于机器学习的模型的加速训练
TWI809094B (zh) 用於損害篩選之跨層共同-獨特分析
US20220285226A1 (en) Apparatus and methods for three dimensional reticle defect smart repair
TW202240637A (zh) 基於半導體製程之晶圓層級分析及根本原因分析之資料驅動預測與失效模式識別
US12229935B2 (en) Semantic image segmentation for semiconductor-based applications
TW202334641A (zh) 用於基於半導體應用之無監督或自我監督之深度學習
TWI907687B (zh) 基於半導體應用之語義圖像分割
CN121437360A (zh) 用于半导体查验的无标签缺陷检测
CN116648722A (zh) 基于半导体处理的晶片级分析和根本原因分析的数据驱动失败模式预测和标识