CN102683165A - 智能缺陷筛选及取样方法 - Google Patents
智能缺陷筛选及取样方法 Download PDFInfo
- Publication number
- CN102683165A CN102683165A CN2011100695596A CN201110069559A CN102683165A CN 102683165 A CN102683165 A CN 102683165A CN 2011100695596 A CN2011100695596 A CN 2011100695596A CN 201110069559 A CN201110069559 A CN 201110069559A CN 102683165 A CN102683165 A CN 102683165A
- Authority
- CN
- China
- Prior art keywords
- defective
- defect
- pattern
- layout
- screening
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Images
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
一种智能缺陷筛选及取样方法,包括预先将一设计布局处理为多个基于布局的图案群,将设计布局划分为多个晶胞,重叠属于同一个图案群的多个晶胞,提取一晶圆上的多个缺陷的多个缺陷数据,映射多个缺陷至重叠的图案群来建立多个基于布局的缺陷合成图案群,对缺陷合成图案群执行布局图案匹配,对每一个缺陷合成图案群执行一些缺陷取样选择法则以判断潜在系统缺陷优先顺序,根据潜在系统缺陷优先顺序将多个缺陷合成图案群分类为不同的缺陷类型,根据缺陷类型来检视不同取样个数的多个缺陷合成图案群以取得一缺陷图像文件,对缺陷图像文件执行缺陷产生率分析以产生缺陷图案数据库或缺陷产生率预测。本发明可增加系统性缺陷的检测率及检视缺陷的效率。
Description
技术领域
本发明涉及一种缺陷分析方法,且特别涉及缺陷筛选及取样方法。
背景技术
集成电路的制造过程包括薄膜沉积、光掩模曝光、光刻技术、蚀刻等,在制造的过程中,随机微粒缺陷(random particle defect)及系统性缺陷(systematic defect)等难以避免地产生,这将影响产品的良率,而产品的良率关系到晶粒的成本。
随着设计布局的特征尺寸逐渐缩小,影响产品良率有关的缺陷变得较小,为了提取晶圆上所有致命的缺陷,代工厂必须增加其扫描及检验器具的灵敏度。因此,被检验出来的缺陷个数也会随之增加,然而,事实上非致命的缺陷占所有检验出来的缺陷百分比也会增加。此外,为了确认出真正潜在性的缺陷,代工厂将使用电子式扫描显微镜来检视及分类所有被检验出来的缺陷。然而,代工厂的时间却是有限的,且用来检视的电子式扫描显微镜的效能可能限制了每个晶圆上被观察的个数。因此,目前的技术在确认出产品上属于重要类型的缺陷是有困难的,且具有遗漏辨识出致命性缺陷的风险。
若没有一个快速且创新的方法来预先地确认系统性缺陷,代工厂将面临庞大的产量下滑以及花费大量的学习时间在量产上。
发明内容
有鉴于上述问题,本发明实施例提供一种智能缺陷筛选与取样方法,用以改善系统性缺陷的检测率以及检视缺陷的效率。
为了实现上述目的,本发明实施例提供一种智能缺陷筛选与取样方法,包括预先将一产品的设计布局处理为多个基于布局的图案群,其中设计布局包括多个布局图案;将设计布局划分为多个晶胞,其中多个晶胞中的每一个晶胞是根据其布局图案特征而属于多个图案群中的一个;重叠多个晶胞中属于同一个图案群的多个晶胞;从一缺陷扫描及检验器具提取一晶圆上的多个缺陷的多个缺陷数据,其中多个缺陷数据中的每一个缺陷数据包括一缺陷尺寸及一缺陷坐标;通过映射多个缺陷至重叠的多个图案群来建立多个基于布局的缺陷合成图案群;对具有至少一个缺陷聚集布局图案的缺陷合成图案群执行布局图案匹配,以取得多个缺陷合成图案群中的每一个独特的缺陷合成图案群;对每一个缺陷合成图案群执行一些缺陷取样选择法则,以判断多个缺陷合成图案群的潜在系统性缺陷优先顺序;根据多个缺陷合成图案群的潜在系统缺陷优先顺序将多个缺陷合成图案群分类为多个不同的缺陷类型;根据多个缺陷合成图案群的缺陷类型来检视不同取样个数的多个缺陷合成图案群,以取得一缺陷图像文件;及通过对缺陷图像文件执行一缺陷产生率分析以产生一缺陷图案数据库或一缺陷产生率预测。
综上所述,本发明实施例所提供的智能缺陷筛选与取样方法可通过较少的取样率来实现增加系统性缺陷的检测率以及检视缺陷的效率。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,但是此等说明与附图仅用来说明本发明,而非对本发明的权利范围作任何的限制。
附图说明
图1A是本发明的一实施例的设计公司与代工厂的示意图。
图1B为本发明的智能缺陷筛选与取样方法的第一实施例的流程图。
图1C为本发明的智能缺陷筛选与取样方法的第一实施例的示意图。
图2为本发明的智能缺陷筛选与取样方法的第二实施例的流程图。
图3为本发明的智能缺陷筛选与取样方法的第三实施例的流程图。
图4为本发明的智能缺陷筛选与取样方法的第四实施例的流程图。
上述附图中的附图标记说明如下:
20:代工厂
30:集成电路设计公司
10:晶圆
11:完整晶片布局
110:设计布局
100:缺陷布局图案
101、103:缺陷
11D1、11D2、11D3、11Dn:晶粒
C11~C1a、C21~C2b、C31~C3c:晶胞
LPG1~LPG3:基于布局的图案群
LDPG1~LDPG3:基于布局的缺陷合成图案群
(x1,y1)、(x2,y2):缺陷坐标
(xO1,yO1)、(xO2,yO2):原点坐标
S101~S119、S211~S217、S321~S329、S421~S429:智能缺陷筛选及取样方法步骤
具体实施方式
本说明书揭示一种智能缺陷筛选与取样方法,根据对每一个基于布局的缺陷合成图案群的缺陷类型而采取不同取样个数的缺陷图像来检视。因此,如果在制造过程中有任何系统性缺陷出现在产品上,则使用者(工程师或设计者)便可准确地预先知道并处理这些缺陷。
在本说明书中,产品可以是晶圆、光掩模、一印刷电路板、一平面显示器、一晶圆凸块、一发光二极管或太阳能电池。
所述的智能缺陷筛选与取样方法可以通过软件来执行,或是软件结合硬件来实施,且可以是在单独一台电脑上自动地执行,或是在多台交互作用的电脑上自动地执行。
请参照图1A,图1A是本发明的一实施例的设计公司与代工厂的示意图。本实施例的产品举晶圆为例。整体上来说,智能缺陷筛选与取样方法可以是在代工厂20(以下简称工厂20)中执行,或是在集成电路设计公司30(以下简称设计公司30)中执行。设计公司30提供一个集成电路设计的设计布局(design layout)给工厂20。工厂20根据设计部局使用上百个制造机具及设备在晶圆(wafer)上制造出许多重复的晶粒(die)。在制造的过程中,一些缺陷将无法避免地产生在晶圆上,例如随机微微粒缺陷、工艺关连缺陷(processrelated defects)、系统性缺陷。
这些缺陷是由工厂20中的一缺陷扫描及检验器具所检测出来,且此缺陷扫描及检验器具根据检测结果输出多个与缺陷相对应的缺陷数据。工厂20中的电脑将被启动来执行智能缺陷筛选与取样方法,以分析来自缺陷扫描及检验器具的缺陷数据。并通过执行缺陷产生率分析来取得一缺陷图案数据库或一缺陷产生预测给设计公司30。
〔第一实施例〕
接着,请参考图1B,图1B为本发明的智能缺陷筛选与取样方法的第一实施例的流程图。
请一并参考图1C,图1C为本发明的智能缺陷筛选与取样方法的第一实施例的示意图。
使用者预先将设计布局110处理为多个基于布局的图案群(layout basedpattern group)LPG1、LPG2、LPG3(S101),其中设计布局110是由使用者设计给晶圆10,晶圆10具有一完整晶片布局(full-chip layout)11,且完整晶片布局11包括多个晶粒(die)11D1、11D2,、11D3,通过电脑从一设计布局数据库提取出多个晶粒11D1、11D2,、及11D3的设计布局110,所提取的设计布局110具有多个布局图案(layout pattern)以及位于设计布局110或晶圆10中心的第二参考原点(xO2,yO2),其中多个布局图案具有不相同的布局图案特征。
接着,电脑根据布局图案特征将设计布局110划分为多个晶胞(cell)C11~C1a、C21~C2b、C31~C3c(S103),其中多个晶胞C11~C1a、C21~C2b、C31~C3c中的一些晶胞具有相同的布局图案特征,具有相同的布局图案特征的晶胞便被分配成多个基于布局的图案群LPG1、LPG2、LPG3中的同一群,每一群基于布局的图案群LPG1、LPG2或LPG3具有不同个数的多个晶胞C11~C1a、C21~C2b、C31~C3c。
然后,电脑将多个晶胞C11~C1a、C21~C2b、C31~C3c中属于同一个图案群LPG1、LPG2或LPG3的多个晶胞重叠在一起(S105)。
接着,电脑再从一缺陷扫描及检验器具(图未示)提取晶圆10上的多个缺陷101的多笔缺陷数据130(S107),图1C上显示了来自缺陷扫描及检验器具所取得的缺陷设计布局100上的其中一缺陷103。缺陷103的多笔缺陷数据130中的每一笔包括缺陷103的序号(identification number)、缺陷103所属的晶粒编号(die index)、缺陷103的第一缺陷坐标(x1,y1)及缺陷103的尺寸。其中第一缺陷坐标(x1,y1)是相对于第一参考原点坐标(xO1,yO1),而第一参考原点坐标(xO1,yO1)可由缺陷扫描及检验器具所产生,且第一参考原点坐标(xO1,yO1)可以是位于缺陷设计布局100的中心或角落,以作为标记(marker)。
缺陷数据130更包括产品名称、缺陷制造过程、批号及粗略的缺陷图像等,值得注意的是,晶圆10上的第一参考原点坐标(xO1,yO1)并非缺陷103在设计布局110上的精确坐标,在一实施例中,缺陷设计布局100的文件规格可以是JPG、TIFF、PNG或纯文字(text)规格等,而设计布局110的规格可以是GDS或OASIS规格等。
电脑对缺陷103的第一缺陷坐标(x1,y1)执行坐标转换,将相对于第一参考原点坐标(xO1,yO1)的第一缺陷坐标(x1,y1)转换为第二缺陷坐标(x2,y2),其中第二缺陷坐标(x2,y2)是相对于第二参考原点坐标(xO2,yO2),且第二参考原点坐标(xO2,yO2)是属于设计布局110的设计布局坐标系统的原点或中心点。
经过坐标转换后,电脑通过映射多个缺陷101至重叠的多个图案群LPG1、LPG2或LPG3来建立多个基于布局的缺陷合成图案群LDPG1、LDPG2、LDPG3(S109)。
其中每一个缺陷合成图案群LDPG1、LDPG2或LDPG3具有不同的布局图案及不同的合成缺陷图案,电脑对具有至少一个缺陷聚集布局图案的缺陷合成图案群LDPG1、LDPG2、LDPG3执行布局图案匹配,以取得多个缺陷合成图案群LDPG1、LDPG2、LDPG3中的每一个独特的缺陷合成图案群(S111)。
接着,电脑对每一个缺陷合成图案群LDPG1、LDPG2、LDPG3执行一些缺陷取样选择法则,以判断多个缺陷合成图案群LDPG1、LDPG2、LDPG3的潜在系统性缺陷优先顺序(potential systematic defect priority)(S113)。
然后,电脑根据多个缺陷合成图案群LDPG1、LDPG2、LDPG3的潜在系统缺陷优先顺序将多个缺陷合成图案群LDPG1、LDPG2、LDPG3分类为多个不同的缺陷类型(defect type)(S115)。
在一实施例中,缺陷类型可包括系统性缺陷类型及非系统性缺陷类型,其中系统性缺陷类型可以是颈缩(necking)、桥接(bridging)、遗漏(missing)、崩塌(collapsing)或不符设计布局(design weak)缺陷。而非系统性缺陷类型包括虚拟图案(dummy pattern)缺陷、非标准工艺(abnormal process)缺陷、光掩模缺陷、随机微粒缺陷或非致命性多余(nuisance)缺陷类型。
多个缺陷合成图案群LDPG1、LDPG2、LDPG3中的每一个所包含的一些缺陷布局图案100被传送至扫描式电子显微镜(SEM)作检视,其中每一个缺陷合成图案群LDPG1、LDPG2或LDPG3所取样的缺陷布局图案100个数是根据其所属的缺陷类型及潜在系统缺陷优先顺序而有所不同。举例来说,系统性缺陷类型的取样个数较非系统性缺陷类型的取样个数多。借此,本发明的实施例所提供的智能缺陷筛选及取样方法可精确地监测到缺陷,并节省扫描式电子显微镜(SEM)的检视时间而不会遗漏了任何系统性缺陷。
之后,电脑根据多个缺陷合成图案群的缺陷LDPG1、LDPG2、LDPG3类型来检视不同取样个数的多个缺陷合成图案群,根据检视结果取得一缺陷图像文件(S117),其中缺陷图像文件包括的缺陷图像为真正的系统性缺陷的图像。
最后,电脑通过对缺陷图像文件执行一缺陷产生率分析以产生一缺陷图案数据库或一缺陷产生率预测(S119)。其中被检视的缺陷图像可以二进制代码或多边形图案的格式储存在缺陷图案数据库,二进制代码可以是GDS或OASIS格式,多边形可以是JPG、PNG、TIFF或纯文字格式。缺陷图案数据库可以储存至工厂20的网页。
〔第二实施例〕
请参考图2,图2为本发明的智能缺陷筛选与取样方法的第二实施例的流程图。如图2所示,第二实施例的智能缺陷筛选与取样方法与第一实施例的智能缺陷筛选与取样方法大致相同,其差异在于,电脑建立多个基于布局的缺陷合成图案群LDPG1、LDPG2、LDPG3(S109)之后,第二实施例的智能缺陷筛选与取样方法更包括以下步骤。
电脑执行的缺陷取样选择法则包括计算每一个缺陷合成图案群LDPG1、LDPG2或LDPG3的一命中率(S211)。其中命中率是关于每一个缺陷合成图案群LDPG1、LDPG2或LDPG3中的多个缺陷101个数与多个缺陷101所属的多个晶胞C11~C1a、C21~C2b、C31~C3c个数的关系。举例来说,命中率等于个缺陷101个数除以多个晶胞C11~C1a、C21~C2b、C31~C3c个数,若缺陷合成图案群LDPG1、LDPG2或LDPG3的命中率较高,则缺陷合成图案群LDPG1、LDPG2或LDPG3的类型较可能为系统性缺陷类型。
电脑执行的缺陷取样选择法则更包括估计每一个缺陷合成图案群LDPG1、LDPG2或LDPG3的一致命缺陷指数(S213),其中致命缺陷指数是关于多个缺陷101的每一个缺陷的缺陷尺寸、缺陷坐标偏移及布局图案的临界面积(critical area)。举例来说,当缺陷尺寸较大时,且布局图案的线宽(width)及空间(space)较细,则布局图案的临界面积较大,而致命缺陷指数是正比于缺陷101所位于的布局图案的临界面积,且致命缺陷指数代表布局图案中的缺陷位置的失败可能性(failure probability),例如布局图案是呈现开路(open)或短路(short)具有较高的失败可能性。
电脑执行的缺陷取样选择法则更包括对每一个缺陷合成图案群LDPG1、LDPG2或LDPG3执行一统计聚集分部分析(S215)。统计聚集分部分析是指找寻每一个缺陷合成图案群LDPG1、LDPG2或LDPG3上缺陷出现频率的分布统计,由统计结果所得到的统计尖端位置(statistic peak coordinate)代表缺陷经常出现的位置,也就是此位置出现系统性缺陷的机会高于随机微粒缺陷。
电脑执行的缺陷取样选择法则更包括对每一个晶粒11D1、11D2,或11D3中的多个晶胞C11~C1a、C21~C2b、C31~C3c的布局图案执行晶圆图特征图案分析(wafermap signature pattern analysis)(S217)。晶圆图特征图案分析是参照来自聚焦曝光矩阵(focus exposure matrix(FEM))或工艺视窗认证测试(process window qualification(PWQ)test)。举例来说,当晶粒11D1、11D2,或11D3的临界尺寸厚度的变化是非标准变异时,则系统性缺陷可能存在。
在一实施例中,使用者可通过电脑设定上述不同的缺陷取样选择法则所占有的权重来安排每一个缺陷合成图案群LDPG1、LDPG2或LDPG3所取样的缺陷布局图案100个数是根据其所属的缺陷类型及潜在系统缺陷优先顺序。
除此之外,电脑执行的缺陷取样选择法则更包括从多个缺陷合成图案群LDPG1、LDPG2、LDPG3中过滤虚拟的布局图案(empty field or dummy pattern)缺陷来增进系统性缺陷的检测率以及检视缺陷的效率。
电脑还可以通过设计确认(design check)来分析设计布局110是属于不符设计布局(design weak)的缺陷类型,不符设计布局的缺陷类型可以是违反设计规则(design rule)、光刻工艺/化学抛光(lithography/chemical mechanicalpolishing(CMP))模拟热点及已存在的缺陷图案测试。
当缺陷分布的区域是在较异常高缺陷个数的晶粒11D1、11D2,或11D3,电脑还可以将缺陷101分析为异常工艺缺陷类型,此缺陷分布的区域特别是指缺陷分布的形状为环状等,且位于中心区域或边缘的晶粒11D1、11D2,或11D3。
电脑还可通过检查缺陷的位置是在设计布局110上的一些重复标线(repeated reticle)或是光掩模修复位置(mask repair position)上,则电脑将缺陷101分析为光掩模缺陷类型。
当缺陷101具有不同的尺寸大小,或随机分布在晶圆图上,则电脑可将缺陷101分析为随机颗粒缺陷类型。
〔第三实施例〕
请参考图3,图3为本发明的智能缺陷筛选与取样方法的第三实施例的流程图。如图3所示,第三实施例的智能缺陷筛选与取样方法与第一实施例的智能缺陷筛选与取样方法大致相同,其差异在于,电脑借产生一缺陷图案数据库或一缺陷产生率预测(S119)之后,第三实施例的智能缺陷筛选与取样方法更包括以下步骤。
设计公司30从工厂20的网站下载缺陷图案数据库(S321)。设计公司30的使用者从一设计布局数据库中提取一个新设计布局(S323)。通过电脑对新设计布局的多个新设计布局图案与缺陷数据库中的多个布局图案执行图案匹配(S325)。
电脑根据执行图案匹配辨识出在新设计布局中的一潜在系统性缺陷图案的位置(S327)。最后,使用者通过图案匹配的结果修复在制造过程中的潜在系统性缺陷图案(S329)。
〔第三实施例〕
请参考图4,图4为本发明的智能缺陷筛选与取样方法的第四实施例的流程图。如图4所示,第四实施例的智能缺陷筛选与取样方法与第一实施例的智能缺陷筛选与取样方法大致相同,其差异在于,电脑借产生一缺陷图案数据库或一缺陷产生率预测(S119)之后,第四实施例的智能缺陷筛选与取样方法更包括以下步骤。
工厂20通过智能缺陷筛选与取样方法估算晶圆10中每一层的缺陷产生率预测(S421)。通过加入所有缺陷检验层的缺陷产生率分析数据来执行合成缺陷产生率分析(S423)。之后,根据缺陷产生率分析产生一批次(lot)及晶圆的缺陷产生率报告(S425)。
工厂20上传批次及晶圆的缺陷产生率报告至一工厂网站(S427)。最后客户或是设计者可根据批次及晶圆的缺陷产生率报告估计出整体的良好晶粒交货品质预测(S429)。借此,客户或是设计者不仅可知道正在制造的缺陷良率,更可以知道即将出货的整体良好晶粒的品质。
1.设计布局图案上所有的缺陷可整体地被预先或即时地监视,并可迅速地被修复,而非单一地被一一检查。
2.智能缺陷筛选及取样方法可增进系统性缺陷的检测率以及检视缺陷的效率。
3.设计公司可即时掌握整体良好晶粒的品质及缺陷的产生。
4.设计布局可被预先地修复以提高产品的产量。
综合上述,本发明所提供的实施例具有以下可能的效果。
以上所述仅为本发明的实施例,其并非用以局限本发明的专利范围。
Claims (11)
1.一种智能缺陷筛选及取样方法,其特征在于包括:
预先将一产品的设计布局处理为多个基于布局的图案群,其中该设计布局包括多个布局图案;
将该设计布局划分为多个晶胞,其中所述多个晶胞中的每一个晶胞是根据其布局图案特征而属于所述多个图案群中的一个;
重叠所述多个晶胞中属于同一个该图案群的多个晶胞;
从一缺陷扫描及检验器具提取一晶圆上的多个缺陷的多个缺陷数据,其中所述多个缺陷数据中的每一个缺陷数据包括一缺陷尺寸及一缺陷坐标;
通过映射所述多个缺陷至重叠的所述多个图案群来建立多个基于布局的缺陷合成图案群;
对具有至少一个缺陷聚集布局图案的该缺陷合成图案群执行布局图案匹配,以取得所述多个缺陷合成图案群中的每一个独特的缺陷合成图案群;
对每一个缺陷合成图案群执行一些缺陷取样选择法则,以判断所述多个缺陷合成图案群的潜在系统性缺陷优先顺序;
根据所述多个缺陷合成图案群的潜在系统缺陷优先顺序将所述多个缺陷合成图案群分类为多个不同的缺陷类型;
根据所述多个缺陷合成图案群的缺陷类型来检视不同取样个数的所述多个缺陷合成图案群,以取得一缺陷图像文件;及
通过对该缺陷图像文件执行一缺陷产生率分析以产生一缺陷图案数据库或一缺陷产生率预测。
2.如权利要求1所述的智能缺陷筛选及取样方法,其特征在于所述多个缺陷取样选择法则包括计算每一个缺陷合成图案群的一命中率,该命中率是关于每一个缺陷合成图案群中的所述多个缺陷个数与所述多个晶胞个数的关系。
3.如权利要求2所述的智能缺陷筛选及取样方法,其特征在于所述多个缺陷取样选择法则更包括估计每一个缺陷合成图案群的一致命缺陷指数,该致命缺陷指数是关于该缺陷尺寸、该缺陷坐标及该布局图案的临界面积。
4.如权利要求3所述的智能缺陷筛选及取样方法,其特征在于所述多个缺陷取样选择法则更包括对每一个缺陷合成图案群执行一统计聚集分部分析。
5.如权利要求4所述的智能缺陷筛选及取样方法,其特征在于所述多个缺陷取样选择法则更包括对每一个晶粒中的所述多个晶胞的布局图案执行晶圆图特征图案分析。
6.如权利要求4所述的智能缺陷筛选及取样方法,其特征在于所述多个缺陷取样选择法则更包括从所述多个缺陷合成图案群中过滤虚拟的布局图案缺陷。
7.如权利要求5所述的智能缺陷筛选及取样方法,其特征在于所述多个缺陷类型包括系统性缺陷类型及非致命性多余缺陷类型。
8.如权利要求5所述的智能缺陷筛选及取样方法,其特征在于该系统性缺陷类型的所述多个缺陷合成图案群具有高命中率及高致命缺陷指数。
9.如权利要求5所述的智能缺陷筛选及取样方法,其特征在于该非致命性多余缺陷类型的所述多个缺陷合成图案群具有低致命缺陷指数。
10.如权利要求1所述的智能缺陷筛选及取样方法,其特征在于更包括:
下载该缺陷图案数据库;
从一设计布局数据库中提取一个新设计布局;
对该新设计布局的多个新设计布局图案与该缺陷数据库中的所述多个布局图案执行图案匹配;
根据执行图案匹配辨识出在该新设计布局中的一潜在系统性缺陷图案的位置;及
修复该潜在系统性缺陷图案。
11.如权利要求1所述的智能缺陷筛选及取样方法,其特征在于更包括:
估算该晶圆的每一层的该缺陷产生率预测;
通过加入每一层中被检验的缺陷的缺陷产生率的分析数据来执行一合成缺陷产生率分析;
根据该缺陷产生率分析产生一批次及晶圆的缺陷产生率报告;
上传该批次及晶圆的缺陷产生率报告至一工厂网站;及
根据该批次及晶圆的缺陷产生率报告估计出整体的良好晶粒的交货品质预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110069559.6A CN102683165B (zh) | 2011-03-18 | 2011-03-18 | 智能缺陷筛选及取样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110069559.6A CN102683165B (zh) | 2011-03-18 | 2011-03-18 | 智能缺陷筛选及取样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102683165A true CN102683165A (zh) | 2012-09-19 |
CN102683165B CN102683165B (zh) | 2015-03-25 |
Family
ID=46814902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110069559.6A Active CN102683165B (zh) | 2011-03-18 | 2011-03-18 | 智能缺陷筛选及取样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102683165B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索系统及方法 |
CN103149793A (zh) * | 2013-04-03 | 2013-06-12 | 上海安微电子有限公司 | 一种智能光刻版及其实现方法 |
CN103970922A (zh) * | 2013-01-25 | 2014-08-06 | 英属开曼群岛商达盟系统有限公司 | 在半导体晶圆厂中以设计为基础的制程最佳化装置 |
CN104183517A (zh) * | 2013-05-20 | 2014-12-03 | 敖翔科技股份有限公司 | 智能型弱点图形诊断方法与系统 |
CN106897477A (zh) * | 2015-12-18 | 2017-06-27 | 台湾积体电路制造股份有限公司 | 诊断系统、集成电路设计布局及物理集成电路实施的方法 |
CN107480904A (zh) * | 2017-08-24 | 2017-12-15 | 成都海威华芯科技有限公司 | 一种化合物半导体致命缺陷分析系统和分析方法 |
CN109196499A (zh) * | 2016-06-01 | 2019-01-11 | 科磊股份有限公司 | 用于自动产生晶片图像到设计的坐标映射的系统、方法及计算机程序产品 |
CN109979840A (zh) * | 2019-03-04 | 2019-07-05 | 上海华力集成电路制造有限公司 | 监控缺陷观察设备晶圆载台精度偏移量的方法 |
CN110501626A (zh) * | 2018-05-17 | 2019-11-26 | 瑞昱半导体股份有限公司 | 电子装置测试数据库产生方法 |
CN111178374A (zh) * | 2018-11-09 | 2020-05-19 | 长鑫存储技术有限公司 | 损坏模式确定方法及装置、电子设备、存储介质 |
CN111584397A (zh) * | 2016-12-12 | 2020-08-25 | 应用材料公司 | 半导体元件的制造过程中进行自动缺陷筛选的系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020010560A1 (en) * | 1999-12-13 | 2002-01-24 | Hari Balachandran | System for mapping logical functional test data of logical integrated circuits to physical representation using pruned diagnostic list |
CN1910516A (zh) * | 2004-01-29 | 2007-02-07 | 克拉-坦科技术股份有限公司 | 用于检测标线设计数据中的缺陷的计算机实现方法 |
US20090297019A1 (en) * | 2005-11-18 | 2009-12-03 | Kla-Tencor Technologies Corporation | Methods and systems for utilizing design data in combination with inspection data |
-
2011
- 2011-03-18 CN CN201110069559.6A patent/CN102683165B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020010560A1 (en) * | 1999-12-13 | 2002-01-24 | Hari Balachandran | System for mapping logical functional test data of logical integrated circuits to physical representation using pruned diagnostic list |
CN1910516A (zh) * | 2004-01-29 | 2007-02-07 | 克拉-坦科技术股份有限公司 | 用于检测标线设计数据中的缺陷的计算机实现方法 |
US20090297019A1 (en) * | 2005-11-18 | 2009-12-03 | Kla-Tencor Technologies Corporation | Methods and systems for utilizing design data in combination with inspection data |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982155A (zh) * | 2012-11-29 | 2013-03-20 | 上海华力微电子有限公司 | 基于图形识别的缺陷检索系统及方法 |
CN103970922A (zh) * | 2013-01-25 | 2014-08-06 | 英属开曼群岛商达盟系统有限公司 | 在半导体晶圆厂中以设计为基础的制程最佳化装置 |
CN103149793A (zh) * | 2013-04-03 | 2013-06-12 | 上海安微电子有限公司 | 一种智能光刻版及其实现方法 |
CN103149793B (zh) * | 2013-04-03 | 2015-01-28 | 上海安微电子有限公司 | 一种智能光刻版及其实现方法 |
CN104183517A (zh) * | 2013-05-20 | 2014-12-03 | 敖翔科技股份有限公司 | 智能型弱点图形诊断方法与系统 |
CN104183517B (zh) * | 2013-05-20 | 2017-04-12 | 敖翔科技股份有限公司 | 智能型弱点图形诊断方法与系统 |
CN106897477B (zh) * | 2015-12-18 | 2021-02-19 | 台湾积体电路制造股份有限公司 | 诊断系统、集成电路设计布局及物理集成电路实施的方法 |
CN106897477A (zh) * | 2015-12-18 | 2017-06-27 | 台湾积体电路制造股份有限公司 | 诊断系统、集成电路设计布局及物理集成电路实施的方法 |
TWI726105B (zh) * | 2016-06-01 | 2021-05-01 | 美商克萊譚克公司 | 用於自動產生一晶圓影像以設計座標映射之系統、方法及電腦程式產品 |
CN109196499A (zh) * | 2016-06-01 | 2019-01-11 | 科磊股份有限公司 | 用于自动产生晶片图像到设计的坐标映射的系统、方法及计算机程序产品 |
CN109196499B (zh) * | 2016-06-01 | 2021-05-28 | 科磊股份有限公司 | 用于自动产生晶片图像到设计的坐标映射的系统、方法及计算机程序产品 |
CN111584397A (zh) * | 2016-12-12 | 2020-08-25 | 应用材料公司 | 半导体元件的制造过程中进行自动缺陷筛选的系统 |
CN111584397B (zh) * | 2016-12-12 | 2023-09-12 | 应用材料公司 | 半导体元件的制造过程中进行自动缺陷筛选的系统 |
CN107480904B (zh) * | 2017-08-24 | 2020-11-24 | 成都海威华芯科技有限公司 | 一种化合物半导体致命缺陷分析系统和分析方法 |
CN107480904A (zh) * | 2017-08-24 | 2017-12-15 | 成都海威华芯科技有限公司 | 一种化合物半导体致命缺陷分析系统和分析方法 |
CN110501626A (zh) * | 2018-05-17 | 2019-11-26 | 瑞昱半导体股份有限公司 | 电子装置测试数据库产生方法 |
CN110501626B (zh) * | 2018-05-17 | 2022-09-23 | 瑞昱半导体股份有限公司 | 电子装置测试数据库产生方法 |
CN111178374A (zh) * | 2018-11-09 | 2020-05-19 | 长鑫存储技术有限公司 | 损坏模式确定方法及装置、电子设备、存储介质 |
CN111178374B (zh) * | 2018-11-09 | 2022-04-12 | 长鑫存储技术有限公司 | 损坏模式确定方法及装置、电子设备、存储介质 |
CN109979840A (zh) * | 2019-03-04 | 2019-07-05 | 上海华力集成电路制造有限公司 | 监控缺陷观察设备晶圆载台精度偏移量的方法 |
CN109979840B (zh) * | 2019-03-04 | 2021-06-15 | 上海华力集成电路制造有限公司 | 监控缺陷观察设备晶圆载台精度偏移量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102683165B (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102683165B (zh) | 智能缺陷筛选及取样方法 | |
US8312401B2 (en) | Method for smart defect screen and sample | |
US20210231581A1 (en) | Method for performing smart semiconductor wafer defect calibration | |
US9418199B2 (en) | Method and apparatus for extracting systematic defects | |
JP5624660B2 (ja) | 検査レシピ作成システムおよびその方法 | |
US10726192B2 (en) | Semiconductor Fab's defect operating system and method thereof | |
CN101238346B (zh) | 用于执行缺陷相关功能的计算机实现的方法 | |
US20150110384A1 (en) | Image inspection method of die to database | |
CN103748670A (zh) | 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 | |
KR20100044902A (ko) | 실제 결함들이 잠재적으로 조직적인 결함들인지 또는 잠재적으로 랜덤인 결함들인지를 결정하기 위한 컴퓨터-구현 방법들 | |
US10719655B2 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database | |
CN108694265B (zh) | 设计布局的失效风险的智能型预诊断系统及方法 | |
CN109616426A (zh) | 智能型的缺陷校正系统与其实施方法 | |
TWI617816B (zh) | 晶圓的可適性電性測試 | |
KR20130133685A (ko) | 제조 툴에 대한 레시피를 생성하는 방법 및 그 시스템 | |
US20170168112A1 (en) | Method for enhanced semiconductor product diagnostic fail signature detection | |
CN108073674B (zh) | 集成电路芯片中的系统缺陷的故障标识数据库的早期开发 | |
US20140019927A1 (en) | Waferless measurement recipe | |
TWI402928B (zh) | 智慧型缺陷篩選及取樣方法 | |
CN110796187A (zh) | 不良分类方法及装置 | |
US7634127B1 (en) | Efficient storage of fail data to aid in fault isolation | |
WO2021184526A1 (zh) | 检测对象缺陷图案的优先级排序装置、排序方法及存储介质 | |
US7263451B1 (en) | Method and apparatus for correlating semiconductor process data with known prior process data | |
Tian et al. | Using machine learning method to improve design sampling efficiency for fab applications | |
CN115272181A (zh) | 一种还原晶圆中自定义缺陷位置信息的方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |