[go: up one dir, main page]

TWI708301B - 透過異常值偵測之特徵選擇及自動化製程窗監控 - Google Patents

透過異常值偵測之特徵選擇及自動化製程窗監控 Download PDF

Info

Publication number
TWI708301B
TWI708301B TW106100511A TW106100511A TWI708301B TW I708301 B TWI708301 B TW I708301B TW 106100511 A TW106100511 A TW 106100511A TW 106100511 A TW106100511 A TW 106100511A TW I708301 B TWI708301 B TW I708301B
Authority
TW
Taiwan
Prior art keywords
wafer
classifier
images
processor
image
Prior art date
Application number
TW106100511A
Other languages
English (en)
Other versions
TW201735210A (zh
Inventor
夏南 葛哈德
西拿 喬納賓
席曼蘇 法加里亞
布雷德利 李斯
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 TW201735210A publication Critical patent/TW201735210A/zh
Application granted granted Critical
Publication of TWI708301B publication Critical patent/TWI708301B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • H10P72/06—
    • H10P74/203—
    • H10P74/23—
    • H10P74/235—
    • H10P74/277—
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

特徵提取及分類係用於製程窗監控。基於經遮罩晶粒影像之度量之組合且包含一或多個片段遮罩、度量及晶圓影像之一組顯著組合的一分類器能夠偵測一製程非合規。可基於經計算度量使用一分類器判定一製程狀態。該分類器可自標稱資料學習。

Description

透過異常值偵測之特徵選擇及自動化製程窗監控
本發明係關於晶圓製造程序之監控及控制。
通常藉由應用至一基板或晶圓之一序列處理步驟來製造半導體裝置(諸如，邏輯及記憶體裝置)。藉由此等處理步驟形成該等半導體裝置之各種特徵及多個結構層級。例如，微影技術係一種涉及在一半導體晶圓上產生一圖案之半導體製程。半導體製造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製造多個半導體裝置且接著將該等半導體裝置分離成個別半導體裝置。 在一半導體製造程序期間之各種步驟處使用檢測製程以偵測晶圓上之缺陷來促進較高良率。隨著設計規則及製程窗在大小方面繼續收縮，需要檢測系統擷取晶圓表面上之更廣泛範圍之實體缺陷同時維持高產量。 通常使用一緩慢但靈敏檢測工具基於低晶圓取樣來執行晶圓製造程序控制，接著使用一掃描電子顯微鏡(SEM)來再檢測該晶圓製造程序控制。在其他情況中，藉由一基於學習之方法來達成製程監控及控制，其中一程序工程師學習在需要維護之前可使用製程工具之時間。此基於程序工程師之方法易於隨機失效，此係因為不存在線內反饋或較舊的自動化分類器。在此等先前技術之兩者中，不存在對製程工具問題之早期偵測。僅在一製程工具已變得成問題且該製程工具產生可在檢測上觀察之缺陷時偵測問題。此外，此等技術緩慢，且因此，晶圓取樣緩慢。此等技術產生大額外負擔，諸如具有一或兩天預防維護週期之製程工具。此等技術亦可導致減小之良率，其負面地影響可僅具有每裝置少量批量以製造之晶圓代工廠。此外，正常類別(normal class)在經檢測晶圓上可更普遍，其使偵測變得困難。異常值通常不頻繁且異常值可顯示其自身處於非預期之組合中。 實務上，半導體製程通常經歷可具有彼此之間互相依賴之多個參數。因此，針對有效製程最佳化，必須識別判定一製程良率的最高有效參數，且接著判定針對各參數之值之最佳範圍(或「製程窗」)。此外，可期望在半導體製造程序中盡早作出此判定。 半導體製造中之臨界尺寸保持縮減為14 nm且7 nm微架構變得更普遍。然而，解析度能力仍係λ/NA，其中λ係成像波長及NA係數值孔徑。為達成更高解析度，減小λ或增加數值孔徑(NA)。已建議極紫外線(EUV)以減小波長，但其之經濟可行性尚未達成。因此，具有高NA之透鏡用於更佳之成像，導致減小之焦深(DOF)，此係因為DOF與NA2 成反比。因此，半導體製造對製程變動更靈敏。此影響良率，此係因為由於對焦點及劑量之更高靈敏度而增加系統之圖案化缺陷。即使正改良控制製程窗之掃描器精確度，然其他製程約束會影響焦點及曝光。因此，存在用於監控生產晶圓之製程窗之即時技術的一市場。換言之，一微影製程中之製程窗係導致依所欲規格製造電子電路的可接受範圍之焦點及曝光之一集合。 在當前半導體製造技術中，每次僅針對一個參數最佳化一製程窗，且並未很好地考量變動之結果之間之取捨。例如，若最佳化一臨界尺寸製程窗，則此將需要變動氧化物厚度製程窗。然而，若待最佳化該氧化物厚度製程窗，則接著該臨界尺寸製程窗將變動。此會不利地影響整體生產良率。 針對製程窗監控之技術趨於監控工具效能及其之穩定性，且因此捕獲製程變動。然而，歸因於其他製程之影響，此等技術不能偵測生產晶圓之製程波動。 因此，需要能夠基於先前未知圖案而偵測非合規之高產量製程監控及控制。
在一第一實施例中，提供一種用於產生一分類器之方法。該方法包括：接收至少一個晶圓影像，其中該晶圓影像包括一組晶粒影像；使用一處理器，基於該組晶粒影像產生一晶圓之一中值晶粒及該晶圓之一標準差；使用該處理器，基於該晶圓之該中值晶粒及基於該晶圓之該標準差產生一片段遮罩；使用該處理器，將該片段遮罩應用至該等晶粒影像之各者以產生針對該等晶粒之各者的複數個經分段晶粒影像；使用該處理器，用特徵值之一向量來表示該等晶粒之各者；使用該處理器，基於該向量計算針對該等晶粒影像之各者的晶粒度量；及使用該處理器識別該等晶粒度量、該片段遮罩及該晶圓影像之一或多個統計顯著組合而產生一分類器。 該等晶粒度量可包含針對該等經分段晶粒影像之平均值及標準差。該等晶粒度量可包含針對晶粒之一梯度影像之該經分段晶粒影像之平均值及標準差。針對該等經分段晶粒影像之各者的平均值及標準差可包含一Y梯度或一X梯度之至少一者。
分類器可係一單類別馬氏(Mahalanobis)分類器或一單類別支援向量機(SVM)分類器。
在一第二實施例中，提供一種製程控制方法。該方法包括：接收能夠偵測一製程非合規之一預定分類器，其中該分類器係基於經遮罩晶粒影像之度量之組合；接收包括一組晶粒影像之一晶圓影像；使用一片段遮罩遮蔽該晶圓影像；使用一處理器，用特徵值之一向量來表示該組晶粒影像中之該等晶粒之各者；使用該處理器計算針對該等晶粒之各者之晶粒度量；使用該處理器，基於該片段遮罩與來自該分類器之該等晶粒度量之一對應組合來計算該晶圓影像之一度量；及使用該處理器，基於該等經計算度量使用該分類器判定一製程狀態。
該分類器可係一單類別馬氏分類器或一單類別支援向量機(SVM)分類器。
該等晶粒度量可包含針對一經分段晶粒影像之平均值及標準差。該等晶粒度量可包含針對該晶粒之一梯度影像之經分段晶粒影像的平均值及標準差。該平均值及該標準差可包含一Y梯度或一X梯度之至少一者。
該方法可進一步包括：在該製程狀態下訓練一預測模式；基於該製程狀態計算一製程工具之一經估計參數；及將該經估計參數傳達至該製程工具。
該方法可進一步包括使用該等晶粒影像訓練一自動編碼器，其中該自動編碼器經配置以判定一製程工具之焦點及曝光偏斜。
在一第三實施例中，提供一種一製程控制系統。該製程控制系統包括一處理器；一儲存裝置，其與該處理器電子通信；及一通信埠，其與該處理器電子通信。該處理器經程式化以：在該通信埠處接收一晶圓之複數個晶圓影像，各晶圓影像具有複數個晶粒；使用一片段遮罩遮蔽該等晶圓影像之各者以產生一組經分段晶粒影像；用特徵值之一向量來表示該組經分段晶粒影像中之該等晶粒之各者；計算針對該等晶粒之各者之晶粒度量；基於該片段遮罩與來自一分類器之該等晶粒度量之一對應組合計算該等晶圓影像之各者的一度量；及基於該等經計算度量使用該分類器判定一製程狀態。 該分類器可係一單類別瑪氏分類器或一單類別支援向量機(SVM)分類器之一者。 該等晶粒度量可包含來自該等經分段晶粒影像之各者的平均值及標準差。該等晶粒度量可包含針對該晶粒之一梯度影像之經分段晶粒影像的平均值及標準差。該平均值及該標準差可包含一Y梯度或一X梯度之至少一者。 該處理器可進一步經程式化以：針對額外晶圓重複各程式步驟；及根據針對各晶圓之該等統計顯著組合精緻化該分類器。
相關申请案的交叉參考 本申請案主張於2016年1月6日申請且讓與之美國申請案第62/275,700號之臨時專利申請案之優先權，該案之揭示內容以引用之方式併入本文中。 儘管將就特定實施例描述所主張標的物，然包含未提供本文中所闡述之所有優勢及特徵之實施例的其他實施例亦在本發明之範疇內。可在不脫離本發明範疇之情況下作出各種結構、邏輯、製程步驟及電子改變。因此，僅藉由參考隨附申請專利範圍界定本發明之範疇。 本文中揭示之實施例基於特徵提取及分類而提供製程窗監控技術。自攜帶大量有用製程資訊之低頻率特徵提取晶圓級資訊，且接著該晶圓級資訊用以判定晶圓之製程狀態。所揭示方法之優點之一者係其之以下能力：偵測散焦(在一些情況中具有亞10 nm精確度)及劑量調變(即，能階(劑量)，其用來以一經控制方式修改所得光罩表示，使得半導體裝置製造中之最終影像接近一理想影像)。 生產中，許多(若非大多數)晶圓係標稱的，因此可能無其中該製程窗失效之晶粒/場域之許多實例。因此，具有僅自標稱資料(良好資料)學習用於預測新資料之製程狀態之一分類器係珍貴的。 本文中揭示之實施例可量化每一晶圓之製程窗。因此，可自各晶圓提取有用製程資訊。如此，用特徵值之一向量來表示各晶粒。按每晶粒或場域應用分段遮罩以將該等分段遮罩分割成在計算代表性特徵值時可一起被考量的有意義之區域。分段可將晶粒/場域之表示簡化成更有意義且易於分析之結構。分段可係無監督式且自動。 選擇描述標稱類別同時自晶圓級資訊辨別異常性之特徵係一挑戰性任務。標稱類別、正常類別或參考製程(POR)全部係指具有可接受焦點、曝光或其他參數之晶粒或場域。可基於根據統計動差(即，一組點之形狀之一特定定量量測)排名之原始特徵；藉由選擇具有大特徵值之主分量；藉由保持顯著獨立分量分析(ICA)；或藉由使用其他技術，而自晶圓級特徵之一系集選擇特徵。一線性變換之一特徵向量係一非零向量，在將變換應用至該非零向量時該特徵向量並不改變方向。將該變換應用至該特徵向量僅依純量值λ (稱為一特徵值)來按比例調整該特徵向量。此等技術可有助於選擇相關特徵，同時自晶圓級資訊之該系集移除干擾信號(nuisance signal)。例如，參見圖3A及圖3B之流程圖。 亦可根據基於特徵之統計動差(諸如，標準差)排名之原始特徵而自晶圓級特徵之一系集選擇特徵。經選擇之特徵可用於訓練任何生成模式(generative model)，諸如單類別馬氏距離分離器或單類別支援向量機(SVM)分類器。一馬氏距離分類器藉由首先尋找在經選擇特徵空間中的正常類別之質心而工作。藉由量測一新樣品相距於該質心之馬氏距離及比較該馬氏距離與一設定臨限值而判定該新樣品是否屬於該正常類別。單類別SVM藉由尋找支援向量使得一定百分比之正常實例被該等支援向量圍封(例如，99%正常實例)而工作。若新樣品落於由支援向量界定之圍封內，則新樣品被視為正常；否則，樣品被視為異常值。 在一實例中，可藉由選擇具有最大特徵值之主分量而自晶圓級特徵之一系集選擇特徵。經選擇特徵可接著用於訓練單類別馬氏或SVM分類器。 在另一實例中，藉由保持顯著ICA而自晶圓級特徵之系集選擇特徵。經選擇特徵接著用於訓練單類別馬氏或SVM分類器。 此外，「深度學習」技術可用以進一步界定及提取新描述性特徵。替代使用啟發式特徵，「深度學習」演算法自原始標稱影像提取特徵。針對特徵選擇，可使用堆疊限制性波茲曼機(RBM)或自動編碼器(例如，深度學習自動編碼器)。傳統分類器使用基於先前知識設計之啟發式特徵。相比之下，深度學習可自動地學習相關特徵以最小化所欲輸出與實際輸出之間之差異，因此解決一最佳化問題。深度學習可消除與尋找正確啟發式相關聯之挑戰。例如，假定存在來自具有變化(未知)劑量及曝光之多個晶粒/場域實例。一自動編碼器可涉及具有一完全連接之初始層後續接著具有較小權重之一隱蔽層的深度學習。自動編碼器之最終層可具有與輸入層相同數目之節點。自動編碼器可經訓練使得輸出值Y盡可能接近輸入X。換言之，自動編碼器經訓練以重新建構其等自身之輸入且損失最小。在經訓練之後，中間層輸出可被視為輸入之較低維表示。類似於主分量分析(PCA)或ICA，一自動編碼器可用於降低較低特徵維度。 在一例項中，藉由正常影像訓練該演算法以重新產生通過具有僅少數特徵之一層的原始資料。彼層產生用於訓練單類別異常值偵測器之表示/特徵。可使用具有各種劑量及曝光之晶粒及/或場域之無監督式實例來訓練一深度學習自動編碼器。在經訓練之後，自動編碼器投影可用於將各輸入影像映射至一較低維之特徵空間。此等特徵值現可用於訓練任何生產模式，諸如單類別SVM分類器或單類別馬氏分類器。 如此，可用特徵值之一向量來表示各晶粒。按每晶粒或場域應用分段遮罩以將該晶粒或場域分割成在計算代表性特徵值時可一起考量之有意義之區域。通常，晶粒/場域係由無法用一單一值表示之數個不同結構製成。為克服此問題，可藉由應用適當分段遮罩來計算關於該等晶粒/場域之不同結構之數個度量。該分段可將該晶粒/場域之表示簡化成更有意義且易於分析之結構。為建置不同晶粒之間之一有效比較，片段可相同。可需要界定適當分段遮罩以自晶圓獲得有價值資訊。關於一晶粒/場域上之片段之一些實例包含存在之各種功能組件，諸如記憶體、邏輯、互連件、再分佈線、扇出、凸塊等。 可藉由分析數個標稱晶粒/場域獲得片段。概念上，此等晶粒堆疊於彼此頂部上以產生一「晶粒堆疊」。對晶粒堆疊執行一PCA產生特徵向量，該特徵向量可經臨限值化以產生由具有高協方差之像素組成之片段。此等可對應於該晶粒之功能組件。替代地，可計算晶粒堆疊之每像素統計以產生平均值、中值、方差影像(variance image)等。此等統計影像擷取下層製程變動。例如，歸因於焦點改變，故具高方差之像素可指示線寬度之波動。低中項值可指示曝光問題。該等統計影像可經直接臨界值化以產生片段，或自此等影像提取之梯度及強度特徵可用於叢集成片段。圖1展示如何完成分段之一實例。 為量化該製程資訊，各晶粒可經特徵化具有一特徵向量。晶粒被分割成片段。針對各片段計算數個度量且一起經串接以形成特徵向量。該等度量包含在片段內之像素之局域及全域統計。 計算該等晶粒度量可提供針對一個產品晶圓之多種表示，可需要該產品晶圓以自晶圓提取製程窗資訊。可針對晶粒/場域之各片段計算以下屬性之一或多者：平均值；STD；X梯度3x3平均值；X梯度3x3-STD；Y梯度3x3平均值；Y梯度3x3-STD；X梯度5x5平均值；X梯度5x5-STD；Y梯度5x5平均值；及Y梯度5x5-STD。 例如，X梯度3x3意謂應用一3x3遮罩以引導晶粒/場域之X方向性梯度。圖2中展示度量計算之一例示性概述。 在許多資料集中，可存取僅一種類型之觀測資料(observation)。例如，可使用可針對晶粒/場域之各片段計算之屬性來判定一新觀測資料是否屬於現有類型之資料(即，觀測資料係正確值(inlier))或不屬於現有類型之資料(即，觀測資料係一異常值)。 可使用一監督式學習方法偵測異常。在此一情況中，使用含有正常觀測資料及異常(outlying)觀測資料兩者之一資料集來訓練一分類器。另一分類方法係半監督式，其中演算法僅模型化正常觀測資料。在測試階段中，未遵循此分類器之觀測資料被分類為異常值。最後之方法係使用無監督式學習，其中訓練資料集未被標記且假定僅資料集之一小部分含有異常值。為獲得該分類器，假定異常值與正常資料不同。 在許多實務應用(諸如製程窗監控)中，當無標記之資訊可用時，該無監督式學習方法係適用的。此外，在製程窗監控中，異常記錄之本質可持續改變，其使難以獲得準確地描述異常之一訓練資料集(若非不可能)。例如，異常可起因於散焦、曝光偏斜、不同CMP厚度等。 單類別SVM試圖學習達成點與原點之間之最大離距的一決策邊界。單類別SVM利用由核心(即，原始表示中數對資料點之一相似度函數(similarity function))界定之一隱變換函數以將資料投射至一更高維度空間中。演算法接著學習將大多數資料與該原點分離之一雙曲線面(亦稱為決策邊界)。僅容許一分率之資料點位於該決策邊界之另一側(即，被視為異常值)。此技術可用來將標稱資料與任何其他資料分離。此技術由於可能難以預測什麼將出錯而尤其實用，但即將到來之資料不標稱之偵測可容許一製造商在一早期階段研究任何潛在問題。圖3A及圖3B展示訓練及應用異常值偵測分類器。該分類器可係(例如)單類別SVM分類器或另單類別型之分類器。 自大量晶圓級啟發式特徵選擇合理數目個相關特徵可係一挑戰性任務。可應用一種針對異常性偵測選擇相關特徵同時試圖最小化干擾信號之系統方法。 可藉由該等特徵之統計分析自特徵之系集選擇相關特徵。例如，可基於特徵之統計動差(諸如其等之標準差)來排名特徵。在另一實施例中，可採用PCA及ICA來識別最佳描述信號之主導分量。接著使用經選擇特徵來訓練單類別馬氏或SVM分類器。 可藉由正常影像來訓練該演算法以重新產生通過僅具有數個特徵之一層的原始資料。彼層產生用於訓練單類別異常值偵測器之表示/特徵。「深度學習」演算法可自原始標稱影像提取特徵且堆疊或自動編碼器(深度學習自動編碼器)可用於特徵選擇。
PCA可應用至來自正常類別之原始特徵。例如，識別促成正常類別信號中之90%變動之主分量。可使用此等主分量將所有原始特徵自高維度特徵空間投射至低維度PCA空間。僅使用來自正常類別之訓練資料，可訓練一馬氏距離分類器。現可基於新樣品至PAC空間中之一訓練叢集之質心的馬氏距離而分類受檢測之新樣品。圖4展示針對具有正散焦、負散焦及標稱散焦之各種前所未見的樣品相距於正常類別訓練實例之質心的馬氏距離。可藉由使用正確臨限值來識別正散焦樣品及負散焦樣品。圖5A及圖5B概述本文中描述之方法之一實施例。
可如本文中進一步描述般來執行該方法之該等步驟之各者。該方法亦可包含可藉由本文中描述之影像獲取子系統或電腦子系統或系統執行之任何其他步驟。藉由一或多個電腦系統執行該等步驟，可根據本文中描述之實施例之任一者配置電腦系統。此外，可藉由本文中描述之系統實施例之任一者執行上文描述之該等方法。
本發明可體現為用於產生一分類器之一方法，如圖6中所見。該方法包括接收100至少一個晶圓影像。該晶圓影像可包含一組晶粒影像。可提供一個以上晶圓影像。可使用相同或一不同模態(諸如(舉例而言)明場照明、暗場照明、偏振光、紅光、藍光、綠光、白光等或其之一組合)來擷取各影像。
針對各晶圓，產生101一片段遮罩。此可基於該晶圓之中值晶粒且基於該晶圓之標準差。該片段遮罩可係(例如)一3x3或5x5遮罩。
使用一處理器將該片段遮罩應用102至該等晶粒影像之各者。片段遮罩容許各影像(晶圓及/晶粒)被遮蔽以僅展示具有潛在有用資訊(即，信號)同時遮蔽潛在不太有用之資訊(即，雜訊)的影像之部分。應注意，晶粒中之不同結構能夠承載不同程度之製程資訊。顯著量之製程資訊通常隱藏於資料中，此係因為使用光學參數之組合來檢測此等結構。可藉由應用本文中揭示類型之分析來提取此豐富製程資訊。此分析之一態樣係將晶粒中之不同種類之結構分段成各種群組。在各群組內累計該信號以進一步增強信雜比。 用特徵值之一向量來表示103晶粒之各者。針對各晶粒計算104晶粒度量。晶粒度量可包含來自晶粒之各片段之平均值及標準差。晶粒度量亦可包含針對晶粒之一梯度影像之各片段的平均值及標準差。晶粒之梯度影像之各片段可包含一Y梯度或一X梯度之至少一者。 使用一處理器識別105晶粒度量、片段遮罩及晶圓影像之一或多個統計上顯著組合以產生一分類器。識別105可基於晶粒檢測結果。 本發明可體現為一種製程控制之方法，如圖7中所見。該方法包括接收200一預定分類器。例如，可使用圖6之製程判定此分類器。該分類器可基於經遮罩晶粒影像之度量之組合。接收201包括一組晶粒影像之一晶圓影像。使用一片段遮罩遮蔽202該晶圓影像。該片段遮罩可係(例如)一3x3或一5x5遮罩。 用特徵值之一向量來表示203該組晶粒影像中之該等晶粒之各者。針對該等晶粒之各者計算204晶粒度量。可分段該等晶粒。該等晶粒度量可包含來自該晶粒之各片段之平均值及標準差。該等晶粒度量亦可包含針對該晶粒之一梯度影像之各片段的平均值及標準差。針對該晶粒之該梯度影像之各片段的該平均值及該標準差可包含一Y梯度或一X梯度之至少一者。 基於該片段遮罩與來自該分類器之該等晶粒度量之一對應組合而計算205該晶圓影像之一度量。此晶圓影像可係一經遮罩影像。 基於該等經計算度量使用該分類器判定206一製程狀態以偵測該製程之合規或非合規狀態。該分類器可係一馬氏分類器或一SVM分類器之至少一者。其他分類器係可行的。 該製程狀態可係針對各晶粒或各晶圓之一簡單合格/不合格指示。在其他實施例中，該製程狀態可指示合格或不合格，且進一步指示該不合格之一或多個原因。例如，針對一微影模組(用於微影之一生產工具)，一晶粒可歸因於以下而不合格：對準、保真度、焦點、比例光罩傾斜、臨界尺寸、疊對、粒子等。在一CMP模組中，不合格可歸因於拋光缺陷、污染、刮痕等。在一沈積模組中，不合格可歸因於對準、污染、膜厚度等。已知且已併入其他不合格類型。因而，可使用本文中揭示之方法之實施例以產生具有多種類(例如，合格、對準不合格或有刮擦，其係一種三類別分類器)之一分類器。一般言之，此分類器亦可係迴歸類型，其中可使用一連續模型取代一離散模型。 在一例項中，可使用具有各種劑量及曝光的晶粒及/或場域之無監督式實例來訓練一深度學習自動編碼器，且此等特徵值現可用於訓練任何生成模型，諸如單類別SVM分類器或單類別馬氏分類器。 儘管該方法可用於偵測問題(在發生該等問題之後)，然該方法亦可在該等問題發生之前用於偵測問題之即將發生(impending)之徵象。該方法並不專用於任何單一類別製程問題。本發明技術之實施例具有普適性，使得可跨一半導體製造設備中之任何或全部製程模組應用該技術。 在一例項中，可使用(例如)圖7之方法產生之晶粒度量、製程狀態或其他資訊來訓練預測模型(諸如，迴歸、深度學習或類神經網路)以計算一製造工具之估計參數。例如，可訓練該預測模型以計算曝光或散焦之實際量。可將該等經估計參數傳達至一製造工具以改良該製造工具之效能。 可針對額外晶圓影像重複圖6或圖7之方法之步驟以精緻化分類器。例如，可針對具有與方法中先前使用之影像模態不同之影像模態的額外晶圓影像重複步驟。以此方式，可改良所得分類器，其中尋找到額外統計顯著組合。在另一實例中，可運用先前使用之影像之相同模態，針對額外晶圓影像重複步驟。例如，額外影像係在方法中先前未使用之額外晶圓之影像。因而，可透過使用額外資料點來改良所得分類器。以此方式，一種在製造環境中使用圖6或圖7之方法的裝置可連續改良其之分類器。 使用本文中揭示之實施例，一演算法可分段晶圓級影像。此分段可係自動的。可為了穩健性而組合單一或多個晶圓/批量。一異常值偵測演算法可自受控制標稱晶圓或批量而學習以預測新晶圓之製程狀態。可藉由使用一類別(即，標稱類別)而自數種原始特徵自動地選擇描述性特徵。可不需要散焦或劑量偏斜資料。替代地，所有所需可係標稱資料。可映射每比例光罩局域製程窗邊緣。 本文中揭示之實施例(使用一製程工具早期偵測問題)甚至可在製程工具開始對晶圓造成缺陷之前達成。此可容許在不損失晶圓或材料之情況下排程停機時間。 可結合高解析度缺陷偵測模組運行本文中揭示之實施例。 在製程窗監控中，異常記錄之本質通常經常地改變(例如，散焦、曝光偏斜、不同CMP厚度)。將記錄之製程(POR)資料與非POR資料分離(諸如使用本文中揭示之實施例)之能力係實用的。可自動地偵測類似散焦或曝光偏斜之一特定信號。可使用自動化異常值偵測來判定一新晶圓之製程狀態。
通常，單類別之實例(例如，良好/可接受實例)比另一類別之實例(例如，異常性)多。異常性之程度及來源會改變且不可能自各可能變動收集代表性實例。如本文中所描述，學習正常類別中之變動且偵測超出可接受範圍之變動可係有利的。
本文中揭示之實施例可應用於不同製造應用。例如，本文中揭示之實施例可應用於散焦及劑量微影應用或應用於針對CMP及膜模組之膜厚度監控。
在一實例中，在多個晶圓上檢測個別晶粒。此實例中之特徵可係基於導線或其他互連件且該等特徵可包含平均值、標準差、對比或其他值。每晶粒之特徵係一多維值。晶粒之標準差可具有一球體或橢球體分佈。在此例項中，大多數特徵落在正常場域內及(例如)99%之資料落在一多維球體內。基於此分佈，一分類器(諸如一SVM分類器)學習哪些係正常的。可基於現有資料產生一分類器。比較額外晶圓與該分類器中之此正常分佈，從而判定額外晶圓上之良好或正常。在3D空間(即，多維球體)內係正常的，而在該3D空間外係異常的。
圖8係一製程控制系統300之一方塊圖。該製程控制系統300可係一SEM或以其他方式包含一SEM、使用一電子束之另一檢測工具、使用一光束之另一檢測工具或經配置以檢測晶圓之其他設備。
該製程控制系統300包含經配置以箝制一晶圓303之一載物台304。該載物台304可經配置以繞一個、兩個或三個軸移動或旋轉。
該製程控制系統300亦包含經配置以產生該晶圓303之一表面之一影像的一成像裝置301。該影像可係針對該晶圓303之一特定層。在此實例中，該成像裝置301產生一光束302以產生該晶圓303之一影像。光束302可係(例如)一電子束或一光束。其他成像裝置301 (諸如使用寬頻電漿之彼等成像裝置)係可行的。 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。此等基板常可見於半導體製造設施中及/或在半導體製造設施中予以處理。 一晶圓包含形成於一基板上之一或多個層。例如，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。此項技術中已知許多不同類型之此等層，且如本文中所使用之術語晶圓意欲涵蓋包含全部類型之此等層之一晶圓。 形成於一晶圓上之一或多個層可經圖案化或未經圖案化。例如，一晶圓可包含複數個晶粒，各晶粒具有可重複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成品器件。可在一晶圓上形成許多不同類型的裝置，且如本文中使用的術語晶圓意欲涵蓋其上製造此項技術中熟知之任何類型的裝置之一晶圓。 該製程控制系統300與一控制器305通信。例如，該控制器305可與該成像裝置301或該製程控制系統300之其他組件通信。該控制器305可包含：一處理器306；一儲存裝置307，其與該處理器306電子通信；及一通信埠308，其與該處理器306電子通信。應瞭解，可藉由硬體、軟體及韌體之任何組合實務上實施該控制器305。例如，通信埠308可係一網路埠，諸如一乙太網路(Ethernet)埠或一無線乙太網路埠。亦可藉由一個單元執行如本文中描述之通信埠308之功能，或在不同組件中劃分通信埠308之功能，可繼而藉由硬體、軟體及韌體之任何組合實施組件之各者。針對該控制器305用以實施本文中描述之各種方法及功能的程式碼或指令可儲存於控制器可讀儲存媒體(諸如一記憶體)中，該控制器可讀儲存媒體在控制器305內、在控制器305外或其等之組合。
在一例項中，通信埠308可(例如)係至該成像裝置301之一序列介面。該成像裝置301可包含一成像感測器。該成像感測器可係(例如)一電荷耦合裝置(CCD)或一時間延遲及整合(TDI)感測器。該成像裝置301可進一步包括一照明源。該照明源可經配置為一明場源或一暗場源，如此項技術中已知。該照明源可係一寬光譜源(諸如，一白光源)或一更窄光譜源(諸如，一紅光源、藍光源或綠光源)。該成像裝置301可經配置以使用偏振光擷取影像。該成像裝置301可包括一個以上照明源使得該製程控制系統300可利用具有不同模態之影像。鑑於本發明已知且將明白其他成像模態及該成像裝置301配置。該成像裝置301經配置以擷取一晶圓之一影像。例如，可擷取該晶圓影像同時透過該製程控制系統300傳輸一晶圓。
該控制器305亦可識別一晶圓303上之異常性或偵測一製造程序之合規性/非合規性。例如，該控制器305可執行圖6或圖7之步驟。該控制器305亦可執行本文中揭示其他步驟或技術。
該控制器305可依任何適合方式(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)耦合至該製程控制系統300之偵測器，使得該控制器305可接收由該等偵測器(諸如，成像裝置301中之彼等偵測器)產生之輸出。該控制器305可經配置以使用該等偵測器之該輸出來執行數個功能。例如，該控制器305可經配置以使用該等偵測器之該輸出偵測該晶圓303上之缺陷。可藉由該控制器305將一些製程控制或合規 性演算法及/或方法應用至由該等偵測器產生之該輸出而執行偵測該晶圓303上之缺陷。該演算法及/或方法可包含本文中揭示或技術中已知之任何適合演算法及/或方法。例如，該控制器305可比較該等偵測器之該輸出與一臨限值。任何具有高於該臨限值之值的輸出可被識別為一非合規，而任何具有低於該臨限值之值的輸出可被識別為合規。在另一實例中，該控制器305可經配置以將該等偵測器之該輸出發送至一儲存裝置307或另一儲存媒體而不對該輸出執行缺陷偵測。該控制器305可如本文中所描述經進一步配置。
本文所描述之該控制器305、其他系統或其他子系統可採用各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路器具、網際網路器具或其他裝置。一般而言，術語「控制器」可被廣泛地定義為涵蓋具有一或多個處理器之任何裝置，該一或多個處理器執行來自一記憶媒體之指令。(數個)子系統或(數個)系統亦可包含技術中已知之任何適合處理器(諸如一平行處理器)。此外，(數個)子系統或(數個)系統可包含具有高速處理及軟體之一平台，作為一獨立或一網路工具。
若該系統包含一個以上子系統，則該等不同子系統可彼此耦合使得可在該等子系統之間發送影像、資料、資訊、指令等。例如，可藉由任何適合傳輸媒體將一個子系統耦合至(數個)額外子系統，額外子系統可包含技術中已知之任何適合有線及/或無線傳輸媒體。亦可藉由一共用電腦可讀儲存媒體(未展示)來有效地耦合兩個或兩個以上此等子系統。
如本文中所揭示，一額外實施例係關於一種非暫態電腦可讀媒體，其儲存可在一控制器上執行之用於執行用於識別一晶圓上之異常性或偵測合規性或非合規性的一電腦實施方法之程式指令。特定言之，如圖8中所 展示，儲存裝置307或其他儲存媒體可含有包含可在該控制器305上執行之程式指令之非暫態電腦可讀媒體。該電腦實施方法可包含本文所描述之(數個)任何方法之(數個)任何步驟。
程式指令實施方法(諸如，本文中所描述之彼等方法)可儲存於電腦可讀媒體(諸如，儲存裝置307或其他儲存媒體)中。該電腦可讀媒體可係一儲存媒體(諸如一磁碟或一光碟、一磁帶或技術中已知之任何其他適合非暫態電腦可讀媒體)。
可依各種方式之任一者實施該等程式指令，其包含基於程序之技術、基於組件之技術及/或物件導向技術等。例如，可使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE(Streaming SIMD Extension(串流SIMD延伸))或者其他技術或方法(視需要)來實施該等程式指令。
可根據本文中描述之實施例之任一者配置控制器305。在一例項中，該處理器306經程式化以執行本文中描述之該等方法之任一者。在一實例中，該處理器306經程式化以接收至少一個晶圓影像。該晶圓影像包含一組晶粒影像。該處理器306經程式化以基於該組晶粒影像產生一晶圓之一中值晶粒及該晶圓之一標準差。針對各晶圓，該處理器306經程式化以基於該晶圓之該中值晶粒且基於該晶圓之該標準差而產生一片段遮罩。該處理器306經程式化以將該片段遮罩應用至該等晶粒影像之各者而產生針對該等晶粒影像之各者之經分段晶粒影像。該處理器306經程式化以用特徵值之一向量來表示該等晶粒之各者。該處理器306經程式化以基於該向量來計算針對各晶粒之晶粒度量。該處理器306經程式化以識別晶粒度量、片段遮罩及晶圓影像之一或多個統計顯著組合而產生一分類器。
在另一例項中，該處理器306經程式化以接收能夠偵測一製程非合規性之一預定分類器。該分類器可係基於經遮罩晶粒影像之度量之組合。該處理器306經程式化以接收包括一組晶粒影像之一晶圓影像。該處理器306經程式化以使用一片段遮罩來遮蔽該晶圓影像及用特徵值之一向量來表示該組晶粒影像中之該等晶粒之各者。該處理器306經程式化以計算針對該等晶粒之各者之晶粒度量。該處理器306經程式化以基於該片段遮罩與來自該分類器之該等晶粒度量之一對應組合而計算該晶圓影像之一度量。該處理器306經程式化以基於該等經計算度量使用該分類器判定一製程狀態。該分類器可係一馬氏分類器或一SVM分類器之一者。其他分類器係可行的。 在另一例項中，該處理器306經程式化以接收一晶圓之複數個晶圓影像。各晶圓影像具有複數個晶粒。該處理器306經程式化以使用一片段遮罩來遮蔽該等晶圓影像之各者而產生一組經分段晶粒影像；用特徵值之一向量來表示該組經分段晶粒影像中之該等晶粒之各者；基於該片段遮罩與來自一分類器之該等晶粒度量之一對應組合而計算該等晶圓影像之各者之一度量；及基於該等經計算度量而使用該分類器判定一製程狀態。 本文中揭示之技術可用作為一反饋機構以調整一處理工具(諸如，一CMP工具)或提供該處理工具需要維護之一通知。因而，該處理器306可經由該通信埠308將指令發送至一處理工具。此外或替代地，該處理器306可經由該通信埠308或以其他方式(例如，一警報裝置)發送一維護通知信號。在一些實施例中，該製程控制系統300可包括能夠路由用於重工或報廢之晶圓的傳輸機構。在此等實施例中，該處理器306可經程式化以路由用於重工或報廢之一晶圓。
雖然經揭示為一製程控制系統之部分，然本文中描述之該控制器305可經配置以搭配檢測系統使用。在另一實施例中，本文中揭示之該控制器305可經配置以搭配一度量系統使用。因此，如本文中所揭示實施例描述針對可依數個方式經定製之分類的一些配置，因為系統具有更多或更少適用於不同應用之不同成像能力。
亦可針對檢測、缺陷再檢測及其他樣品(諸如，比例光罩)之度量而配置本文中揭示之實施例。例如，可出於遮罩檢測、晶圓檢測及晶圓度量目的而配置本文中描述之實施例。特定言之，本文中所描述之實施例可安裝於係一輸出獲取子系統(諸如，寬頻帶電漿檢測器、一電子束檢測器或缺陷再檢測工具、一遮罩檢測器、一視覺檢測器等)之一組件或耦合至該輸出獲取子系統的一電腦節點或電腦叢集上。以此方式，本文中描述之實施例可產生可用於各種應用(包含(但不限於)晶圓檢測、遮罩檢測、電子束檢測及再檢測、度量等)之輸出。如上文所描述，可基於將產生實際輸出之樣品修改該控制器。
儘管已相對於一或多個特定實施例描述本發明，然將瞭解可在不脫離本發明之範疇之情況下製作本發明之其他實施例。因此，本發明被認為僅受隨附申請專利範圍及其之合理解譯之限制。
200:接收
201:接收
202:遮蔽
203:表示
204:計算
205‧‧‧計算206‧‧‧判定300‧‧‧製程控制系統301‧‧‧成像裝置302‧‧‧光束303‧‧‧晶圓304‧‧‧載物台305‧‧‧控制器306‧‧‧處理器307‧‧‧儲存裝置308‧‧‧通信埠
為更全面了解本發明之本質及目的，應結合隨附圖式參考以下實施方式，其中： 圖1係展示根據本發明之一實施例之例示性分段的一圖式； 圖2係根據本發明之一實施例之度量計算的一例示性概述； 圖3A係根據本發明之一實施例之訓練分類器的一例示性流程圖； 圖3B係根據本發明之一實施例之基於圖3A的製程之判定新資料是否係記錄之製程的一例示性流程圖； 圖4係展示自針對具有正散焦、負散焦及標稱散焦之各種前所未見(never-seen-before)之樣品的相距於正常類別訓練實例之質心的瑪氏距離之一實例； 圖5A係根據本發明之一實施例之距離計算之一例示性流程圖； 圖5B係根據本發明之一實施例之基於圖5A的製程判定新資料是否係記錄之製程之一例示性流程圖； 圖6係展示根據本發明之一實施例之產生一分類器的一方法之一流程圖； 圖7係展示根據本發明之一實施例之一製程控制方法的一流程圖；及 圖8係根據本發明之一製程控制系統之一方塊圖。
200‧‧‧接收
201‧‧‧接收
202‧‧‧遮蔽
203‧‧‧表示
204‧‧‧計算
205‧‧‧計算
206‧‧‧判定

Claims (20)

  1. 一種用於產生一分類器之方法，其包括：利用製造一光束之一成像裝置產生至少一個晶圓影像，該晶圓影像包括一組晶粒影像；使用一處理器，基於該組晶粒影像產生一晶圓之一中值晶粒及該晶圓之一標準差；使用該處理器，基於該晶圓之該中值晶粒且基於該晶圓之該標準差產生一片段遮罩；使用該處理器，將該片段遮罩應用至該等晶粒影像之各者以產生針對該等晶粒影像之各者之複數個經分段晶粒影像；使用該處理器，用特徵值之一向量來表示該等晶粒之各者，其中該等特徵值具有該晶圓影像之晶圓級特徵；使用該處理器，基於該向量計算針對該等晶粒影像之各者之晶粒度量；及使用該處理器，識別該等晶粒度量、該片段遮罩及該晶圓影像之一或多個統計上顯著組合以產生一分類器。
  2. 如請求項1之方法，其中該等晶粒度量包含針對該等經分段晶粒影像之各者的平均值及標準差。
  3. 如請求項1之方法，其中該等晶粒度量包含針對該晶粒之一梯度影像之該經分段晶粒影像的平均值及標準差。
  4. 如請求項3之方法，其中針對該等經分段晶粒影像之各者之該平均值及該標準差包含一Y梯度或一X梯度之至少一者。
  5. 如請求項1之方法，其中該分類器係一單類別馬氏分類器。
  6. 如請求項1之方法，其中該分類器係一單類別支援向量機(SVM)分類器。
  7. 一種製程控制方法，其包括：接收能夠偵測一製程非合規的一預定分類器，其中該分類器係基於經遮罩晶粒影像之度量之組合；利用製造一光束之一成像裝置產生一晶圓影像，該晶圓影像包括一組晶粒影像；使用一片段遮罩遮蔽該晶圓影像；使用一處理器，用特徵值之一向量來表示該組晶粒影像中之該等晶粒之各者，其中該等特徵值具有該晶圓影像之晶圓級特徵；使用該處理器計算針對該等晶粒之各者的晶粒度量；使用該處理器，基於該片段遮罩與來自該分類器之該等晶粒度量之一對應組合來計算該晶圓影像之一度量；及使用該處理器，基於該等經計算度量使用該分類器判定一製程狀態。
  8. 如請求項7之方法，其中該分類器係一單類別馬氏分類器。
  9. 如請求項7之方法，其中該分類器係一單類別支援向量機(SVM)分類器。
  10. 如請求項7之方法，其中該等晶粒度量包含針對一經分段晶粒影像之平均值及標準差。
  11. 如請求項7之方法，其中該等晶粒度量包含針對該晶粒之一梯度影像之該經分段晶粒影像的平均值及標準差。
  12. 如請求項11之方法，其中該平均值及該標準差包含一Y梯度或一X梯度之至少一者。
  13. 如請求項7之方法，其進一步包括：在該製程狀態下訓練一預測模式；基於該製程狀態計算一製造工具之一經估計參數；及將該經估計參數傳達至該製造工具。
  14. 如請求項7之方法，其進一步包括使用該等晶粒影像訓練一自動編碼器，其中該自動編碼器經配置以判定一製造工具之焦點及曝光偏斜。
  15. 一種製程控制系統，其包括： 一成像裝置，其製造一光束，其中該成像裝置經配置以產生一晶圓之一表面之複數個晶圓影像；一處理器；一儲存裝置，其與該處理器電子通信；及一通信埠，其與該處理器及該成像裝置電子通信；其中該處理器經程式化以：在該通信埠處接收該晶圓之該複數個晶圓影像，各晶圓影像具有複數個晶粒；使用一片段遮罩遮蔽該複數個晶圓影像之各者以產生一組經分段晶粒影像；用特徵值之一向量來表示該組經分段晶粒影像中之該等晶粒之各者，其中該等特徵值具有該複數個晶圓影像之晶圓級特徵；計算針對該等晶粒之各者的晶粒度量；基於該片段遮罩與來自一分類器之該等晶粒度量之一對應組合計算該複數個晶圓影像之各者之一度量；及基於該等經計算度量使用該分類器判定一製程狀態。
  16. 如請求項15之製程控制系統，其中該分類器係一單類別馬氏分類器或一單類別支援向量機(SVM)分類器之一者。
  17. 如請求項15之製程控制系統，其中該等晶粒度量包含來自該等經分段晶粒影像之各者的平均值及標準差。
  18. 如請求項15之製程控制系統，其中該等晶粒度量包含針對該晶粒之一梯度影像之該經分段晶粒影像的平均值及標準差。
  19. 如請求項18之製程控制系統，其中該平均值及該標準差包含一Y梯度或一X梯度之至少一者。
  20. 如請求項15之製程控制系統，其中該處理器進一步經程式化以：針對額外晶圓重複各程式步驟；及根據各晶圓之該等統計顯著組合精緻化該分類器。
TW106100511A 2016-01-06 2017-01-06 透過異常值偵測之特徵選擇及自動化製程窗監控 TWI708301B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662275700P 2016-01-06 2016-01-06
US62/275,700 2016-01-06
US15/248,523 US10365639B2 (en) 2016-01-06 2016-08-26 Feature selection and automated process window monitoring through outlier detection
US15/248,523 2016-08-26

Publications (2)

Publication Number Publication Date
TW201735210A TW201735210A (zh) 2017-10-01
TWI708301B true TWI708301B (zh) 2020-10-21

Family

ID=59226313

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106100511A TWI708301B (zh) 2016-01-06 2017-01-06 透過異常值偵測之特徵選擇及自動化製程窗監控

Country Status (7)

Country Link
US (1) US10365639B2 (zh)
JP (1) JP6826121B2 (zh)
KR (1) KR102476927B1 (zh)
CN (1) CN108475649B (zh)
IL (1) IL259969B (zh)
TW (1) TWI708301B (zh)
WO (1) WO2017120370A1 (zh)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10685293B1 (en) * 2017-01-20 2020-06-16 Cybraics, Inc. Methods and systems for analyzing cybersecurity threats
US20180262525A1 (en) * 2017-03-09 2018-09-13 General Electric Company Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid
KR102440695B1 (ko) * 2017-08-11 2022-09-05 삼성전자주식회사 웨이퍼 맵 분석 장치, 이를 이용한 웨이퍼 맵 분석 방법 및 반도체 장치 제조 방법
US10656518B2 (en) 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
US10789703B2 (en) * 2018-03-19 2020-09-29 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
WO2019182913A1 (en) * 2018-03-20 2019-09-26 Tokyo Electron Limited Self-aware and correcting heterogenous platform incorporating integrated semiconductor processing modules and method for using same
CN108596630B (zh) * 2018-04-28 2022-03-01 招商银行股份有限公司 基于深度学习的欺诈交易识别方法、系统及存储介质
CN108629593B (zh) * 2018-04-28 2022-03-01 招商银行股份有限公司 基于深度学习的欺诈交易识别方法、系统及存储介质
CN109146847B (zh) * 2018-07-18 2022-04-05 浙江大学 一种基于半监督学习的晶圆图批量分析方法
JP7134033B2 (ja) * 2018-09-06 2022-09-09 東京エレクトロン株式会社 基板状態判定装置、基板処理装置、モデル作成装置及び基板状態判定方法
US11169865B2 (en) * 2018-09-18 2021-11-09 Nec Corporation Anomalous account detection from transaction data
KR102638267B1 (ko) * 2018-12-03 2024-02-21 삼성전자주식회사 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법
CN111477562B (zh) * 2019-01-24 2023-11-21 台湾积体电路制造股份有限公司 用于半导体制造的晶片质量监控方法
US11156991B2 (en) 2019-06-24 2021-10-26 Nanotronics Imaging, Inc. Predictive process control for a manufacturing process
KR102234097B1 (ko) 2019-07-17 2021-04-01 부산대학교 산학협력단 딥러닝을 위한 이미지 처리 방법 및 이미지 처리 시스템
WO2021030322A1 (en) 2019-08-12 2021-02-18 Lm3 Technologies, Inc. System and method of object detection using ai deep learning models
US11120546B2 (en) * 2019-09-24 2021-09-14 Kla Corporation Unsupervised learning-based reference selection for enhanced defect inspection sensitivity
US11100221B2 (en) * 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11063965B1 (en) 2019-12-19 2021-07-13 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
CN114585981B (zh) 2019-11-06 2025-02-25 纳米电子成像有限公司 用于制造过程的系统、方法和介质
US12153408B2 (en) 2019-11-06 2024-11-26 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
US12165353B2 (en) 2019-11-06 2024-12-10 Nanotronics Imaging, Inc. Systems, methods, and media for manufacturing processes
TW202536646A (zh) 2019-11-20 2025-09-16 美商奈米創尼克影像公司 用於判定網路攻擊及產生警告之製造系統及電腦實施方法
JP7452990B2 (ja) * 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
TWI714371B (zh) * 2019-11-29 2020-12-21 力晶積成電子製造股份有限公司 晶圓圖的辨識方法與電腦可讀取記錄媒體
US11256967B2 (en) * 2020-01-27 2022-02-22 Kla Corporation Characterization system and method with guided defect discovery
KR20210113464A (ko) * 2020-03-05 2021-09-16 삼성전자주식회사 이미징 장치 및 이를 포함하는 전자 기기
JP7426261B2 (ja) * 2020-03-10 2024-02-01 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法
US11302545B2 (en) 2020-03-20 2022-04-12 Nanya Technology Corporation System and method for controlling semiconductor manufacturing equipment
US11675340B2 (en) * 2020-04-08 2023-06-13 Nanya Technology Corporation System and method for controlling semiconductor manufacturing apparatus
US20220270212A1 (en) * 2021-02-25 2022-08-25 Kla Corporation Methods for improving optical inspection and metrology image quality using chip design data
DE102021127016A1 (de) * 2021-10-19 2023-04-20 Precitec Gmbh & Co. Kg Prozesssignalrekonstruktion und Anomalie-Detektion bei Laserbearbeitungsprozessen
CN114967640B (zh) * 2022-04-25 2024-12-24 江苏理工学院 流程工业的故障检测与隔离方法和装置
US12461042B2 (en) * 2023-11-28 2025-11-04 Infineon Technologies Canada Inc. Automatic maverick wafer screening using die pass pattern
US20250363617A1 (en) * 2024-05-24 2025-11-27 Kla Corporation System and method for defect detection using deep learning-based image segmentation

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6483938B1 (en) * 1996-05-31 2002-11-19 Texas Instruments Incorporated System and method for classifying an anomaly
US20090226057A1 (en) * 2008-03-04 2009-09-10 Adi Mashiach Segmentation device and method

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292582B1 (en) * 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
JP2001156135A (ja) 1999-11-29 2001-06-08 Hitachi Ltd 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
CN100499057C (zh) * 2006-06-12 2009-06-10 中芯国际集成电路制造(上海)有限公司 晶片检测方法
WO2008077100A2 (en) * 2006-12-19 2008-06-26 Kla-Tencor Corporation Systems and methods for creating inspection recipes
WO2009018334A2 (en) * 2007-07-30 2009-02-05 Monster Medic, Inc. Systems and methods for remote controlled interactive training and certification
JP5275017B2 (ja) * 2008-12-25 2013-08-28 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
US9768082B2 (en) * 2009-02-13 2017-09-19 Hermes Microvision Inc. Method and machine for examining wafers
JP2012049503A (ja) * 2010-07-27 2012-03-08 Fujitsu Semiconductor Ltd 半導体装置の検査装置及び半導体装置の検査方法
US8656323B2 (en) * 2011-02-22 2014-02-18 Kla-Tencor Corporation Based device risk assessment
JP2013098267A (ja) * 2011-10-31 2013-05-20 Hitachi High-Technologies Corp 半導体パターン検査装置
US9098893B2 (en) 2011-12-21 2015-08-04 Applied Materials Israel, Ltd. System, method and computer program product for classification within inspection images
US8607169B2 (en) * 2011-12-28 2013-12-10 Elitetech Technology Co., Ltd. Intelligent defect diagnosis method
US8831334B2 (en) 2012-01-20 2014-09-09 Kla-Tencor Corp. Segmentation for wafer inspection
JP6078234B2 (ja) * 2012-04-13 2017-02-08 株式会社日立ハイテクノロジーズ 荷電粒子線装置
US8977035B2 (en) * 2012-06-13 2015-03-10 Applied Materials Israel, Ltd. System, method and computer program product for detection of defects within inspection images
US9546862B2 (en) 2012-10-19 2017-01-17 Kla-Tencor Corporation Systems, methods and metrics for wafer high order shape characterization and wafer classification using wafer dimensional geometry tool
US9181583B2 (en) * 2012-10-23 2015-11-10 Illumina, Inc. HLA typing using selective amplification and sequencing
US9311698B2 (en) * 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching
JP6009956B2 (ja) * 2013-01-31 2016-10-19 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US9002097B1 (en) * 2013-02-26 2015-04-07 Hermes Microvision Inc. Method and system for enhancing image quality
US9865512B2 (en) * 2013-04-08 2018-01-09 Kla-Tencor Corp. Dynamic design attributes for wafer inspection
CN103545230B (zh) * 2013-10-21 2016-05-04 上海华力微电子有限公司 监控电子束扫描仪缺陷检出率的方法
US10290088B2 (en) 2014-02-14 2019-05-14 Kla-Tencor Corporation Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput
US9639781B2 (en) * 2015-04-10 2017-05-02 Cognex Corporation Systems and methods for classification and alignment of highly similar or self-similar patterns
US9569834B2 (en) * 2015-06-22 2017-02-14 Kla-Tencor Corporation Automated image-based process monitoring and control

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6483938B1 (en) * 1996-05-31 2002-11-19 Texas Instruments Incorporated System and method for classifying an anomaly
US20090226057A1 (en) * 2008-03-04 2009-09-10 Adi Mashiach Segmentation device and method

Also Published As

Publication number Publication date
IL259969A (en) 2018-07-31
JP6826121B2 (ja) 2021-02-03
CN108475649A (zh) 2018-08-31
KR20180091952A (ko) 2018-08-16
WO2017120370A1 (en) 2017-07-13
US20170192411A1 (en) 2017-07-06
KR102476927B1 (ko) 2022-12-12
IL259969B (en) 2021-08-31
JP2019506739A (ja) 2019-03-07
CN108475649B (zh) 2021-04-20
US10365639B2 (en) 2019-07-30
TW201735210A (zh) 2017-10-01

Similar Documents

Publication Publication Date Title
TWI708301B (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
US10599951B2 (en) Training a neural network for defect detection in low resolution images
TWI857227B (zh) 生成可用於檢查半導體樣本的訓練資料
US10181185B2 (en) Image based specimen process control
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
TWI706376B (zh) 用於缺陷檢測之系統、方法及非暫時性電腦可讀儲存媒體
TWI751306B (zh) 缺陷偵測之方法及系統
TW201946089A (zh) 掃描電子顯微鏡影像中之半監督異常偵測
US20090185739A1 (en) Multi-Modal Data Analysis for Defect Identification
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
CN107533994A (zh) 自动化的基于图像的过程监测及控制
TW202445507A (zh) 用於包含積體電路圖案之物件的成像資料集中缺陷偵測的電腦實施方法、電腦可讀媒介、電腦程式產品以及利用此方法的系統
TWI785065B (zh) 基於妨害地圖之寬帶電漿檢查