CN103187343A - 智能型缺陷诊断方法 - Google Patents

智能型缺陷诊断方法 Download PDF

Info

Publication number
CN103187343A
CN103187343A CN201210587012XA CN201210587012A CN103187343A CN 103187343 A CN103187343 A CN 103187343A CN 201210587012X A CN201210587012X A CN 201210587012XA CN 201210587012 A CN201210587012 A CN 201210587012A CN 103187343 A CN103187343 A CN 103187343A
Authority
CN
China
Prior art keywords
defective
layout
defect
data
image
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
Application number
CN201210587012XA
Other languages
English (en)
Other versions
CN103187343B (zh
Inventor
吕一云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Elite Semiconductor Inc
Original Assignee
Elitetech Technology Co Ltd
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 Elitetech Technology Co Ltd filed Critical Elitetech Technology Co Ltd
Publication of CN103187343A publication Critical patent/CN103187343A/zh
Application granted granted Critical
Publication of CN103187343B publication Critical patent/CN103187343B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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], 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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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]

Abstract

本发明提供一种智能型缺陷诊断方法，其使用于一制造工厂，该方法包括：接收至少一缺陷检测仪器所产生的多个缺陷数据，接收一轮廓设计系统产生的多个设计布局图，以及接收该制造工厂所产生的多个制造数据；通过一缺陷分析系统分析该缺陷数据、设计布局图及该制造数据。先分割完整晶片设计布局图成许多设计布局图单元，导入缺陷数据及图形比对分析成为以布局图图形群组(LPG)单元属性的缺陷复合式图形群组，并针对影像图形作影像处理测量及关键区域分析良率，诊断系统缺陷、制造方法缺陷、及缺陷良率。本发明可以快速地监控工厂生产状况，并针对缺陷良率作出正确的除错。

Description

智能型缺陷诊断方法
技术领域
本发明涉及一种诊断方法，特别是涉及一种应用于半导体工厂、封装厂、平面显示器工厂、太阳能板工厂、印刷电路板(Printed Circuit Board，PCB)工厂、光罩工厂或LED组装厂的缺陷诊断方法。
背景技术
一般而言，在工厂内生产、制造集成电路(Integrated Circuit)，均是通过薄膜沉积、光罩、半导体微影术、蚀刻…等工法而形成。在制造的过程中，由于设备本身的故障、管线漏气、工艺环境的粒子或设计布局图的问题，这些缺点均极易造成在制造过程里使产品产生缺陷。这些缺陷大致可以区分为随机性缺陷与系统性缺陷。无论这些缺陷的大小或型式为何，其均会大幅影响产品的良率(yield)，进而导致生产成本的提升。在生产工厂的实务运作里，以实时(real-time)的缺陷及影像图形测量的数据分析方法，是增进良率的重要方法，亦是本创新的核心部分。
首先，我们可利用自动缺陷分类数据、致命缺陷良率数据、及工厂生产线数据、SEM及光学显微镜的影像图形轮廓测量数据(该光学影像的检测、测量方法，已揭示在美国专利12/318,974号专利案中)、及晶片测试数据(Chipprobe，Cp)，来执行缺陷数据参数分析(data mining)，分析将会造成缺陷良率损失的各个缺陷起因。然而，因为现有缺陷分析数据的不足，所以导致目前的人工缺陷影像的检测方式并无法自动性地达到数据参数分析(data mining)的功能。故，若能针对工厂的生产线数据(例如缺陷的关键尺寸、厚度、批号历史、设备操作历史、错误检测与分类(Fault Detection and Classification，FDC)数据…等)、百分百地自动缺陷分类数据、致命缺陷良率、Cp测试数据、光学影像/显微影像图形轮廓测量分析数据，进行缺陷数据参数分析(data mining)将会是解决缺陷良率的创新且快速的方法。
再者，人们也希望可以通过整合所有层次的缺陷良率的预测及产品的生产制造数据(Work-in-Process，WIP)资料，而不仅实时(real-time)地提供制造工厂其晶圆产出数据，亦提供良好晶粒的产出预测值。
此外，横跨多个批号的高失败频率累积的缺陷布局图图形分析，可通过我们的“布局图属性的缺陷复合式图形群组”方法来达到。而且，缺陷图形的数据库收集这些高失败频率累积的缺陷布局图图形，提供给DFM(Design-for-manufacturing)检测而改进良率。
最后，布局图、半导体微影术模拟(例如光学邻近效应修正法(OpticalProximity Correction，OPC))的分析法是利用和工厂的影像图的影像图形轮廓作复合式图形比对重叠(matching)；这种图形轮廓测量数据通常是用以和布局图图形规格作检测而逮出系统性缺陷图形及工艺性缺陷图形。进一步说，缺陷布局图图形可以是由缺陷影像图形对应至布局图图形找到，或是在图象数据库系统(Graphic Database System，GDS)、公开存取同时信息系统(OpenAccess Same-time Information System，OASIS)的预先提取布局图图形中形成。然后，这些系统性缺陷与工艺性缺陷的布局图图形才被储存在缺陷图形数据库里，用以作为良率改善或DFM(Design-for-manufacturing)检测之用。
因此，基于上述多种技术层面上的考量，如何克服上述诸多限制，用以提升并改善制造工厂的量产效率，是本领域的技术人员努力的目标。
发明内容
本发明主要目的在于提供一种智能型缺陷诊断方法，近乎实时地(real-time)监控工厂的制造方法，并针对缺陷良率进行除错(debug)动作；特别是应用缺陷数据参数分析(data mining)于自动缺陷分类数据、缺陷良率数据、影像测量数据、工厂生产线数据，来迅速侦错缺陷良率损失。
本发明另一目的在于方便地由缺陷影像图形测量分析而辨别出异常的缺陷图形；利用复合式缺陷影像图形、布局图图形、半导体微影术模拟图形多边图的测量数据与图形规格的差异，用以辨别出系统性缺陷图形及工艺性缺陷图形。该影像图形测量分析系统可以自动地诊断出异常缺陷图形，而非人工分析方法，因为人工分析仅能抽检，靠运气成份居多。
本发明又一目的，在于整合缺陷良率预测数据及生产制造数据(Work-in-Process，WIP)数据，用以实时地(real-time)提供制造工厂其良好晶粒的产出预测值。此外，高失败频率缺陷的布局图图形分析使用布局图图形群组(Layout Pattern Group，LPG)属性的缺陷复合图形分析来找出制造方法中出现的重要致命缺陷(killer defect)的图形；至目前为止，无人能用布局图图形群组分析系统化逮出系统性的失败缺陷图形，而是由实体的失败晶粒或封装中作物理性失败分析找出失败的原因。
为达上述及其他目的，本发明揭示一种智能型缺陷诊断方法，其使用于一制造工厂，该方法包括：步骤A10：接收至少一缺陷检测仪器所产生的多个缺陷数据，接收一轮廓设计系统产生的多个设计布局图，以及接收该制造工厂所产生的多个制造数据；步骤B10：通过一缺陷分析系统分析该缺陷数据、设计布局图及该制造数据，其中，该分析步骤B10还进一步包括下列子步骤：步骤B101：先分割完整晶片设计布局图成许多设计布局图单元，再将同样图形的设计布局图归在一起，成为多个复合式图形群组单元，用以构成一布局图图形群组(Layout Pattern Group，LPG)单元属性的图形群组；步骤B102：引入该缺陷数据；步骤B1025：将各个缺陷的影像分割成多个缺陷及多个图形轮廓；步骤B103：将所有这些缺陷数据一一对应叠合至每一个缺陷坐标所对应的布局图图形群组单元，用以形成一布局图图形群组属性的缺陷复合式图形群组，以及辩识出高失败频率的缺陷布局图图形；步骤B1035：对影像图形轮廓与设计布局图施以坐标转换及图形比对重叠，用以校正其坐标；步骤B104：对该缺陷轮廓、图形轮廓或设计布局图多边图形执行关键区域分析(Critical Area Analysis，CAA)，用以得到一相对应的缺陷良率；步骤B105：通过缺陷影像分类分析而对该缺陷数据的缺陷种类区分类别。
如上所述的智能型缺陷诊断方法，其中，该智能型缺陷诊断方法还包括步骤C10：由制造数据、自动缺陷良率数据与自动缺陷分类数据中施以数据参数分析(data mining)。此外，该缺陷数据参数分析步骤还包括下列子步骤：步骤C101：聚集该制造数据；步骤C102：将自动缺陷良率、自动缺陷分类数据与该制造数据建立关联；步骤C103：建立一缺陷数据参数分析方程式，其中，该缺陷数据参数分析方程式包括有设备或生产腔模式、产品模式、工厂生产线数据模式(fab in-line)、错误检测与分类模式(Fault Detection andClassification，FDC)或黄金路径模式。
如上所述的智能型缺陷诊断方法，其中，该智能型缺陷诊断方法还包括步骤C20：收集多个批号所累积的缺陷数据，并完成一布局图图形群组(LPG)属性的缺陷复合布局图图形群组；步骤D20：取得至少一高失败频率的缺陷布局图图形。
如上所述的智能型缺陷诊断方法，其中，该智能型缺陷诊断方法还包括步骤C30：重新取得一制造数据、一自动缺陷良率数据及一自动缺陷分类数据；步骤D30：得到良好晶粒的至少一数量预测值。
如上所述的智能型缺陷诊断方法，其中，该智能型缺陷诊断方法还包括步骤C50：完成一图形测量分析，用以产生并测量该缺陷的图形轮廓、缺陷轮廓，并得到一缺陷的热点图形；步骤D50：整合影像图形轮廓与缺陷轮廓，并创造一完整晶片的制造轮廓图形浏览器。在此，该步骤C50的图形测量分析步骤还包括下列子步骤：步骤C501：产生一缺陷影像图形轮廓，并得到一布局图图形多边图或一模拟图形多边图；步骤C502：针对该缺陷影像图形轮廓、布局图图形多边图或该模拟图形多边图而执行图形比对重叠；步骤C503：将该缺陷影像图形轮廓、布局图图形多边图或该模拟图形多边图累积并叠置；步骤C504：通过影像图形测量与由影像尺寸单位辨识分析得来的量尺，测量该图形轮廓与该图形多边图的大小尺寸；步骤C505：引入至少一图形规格，并设定该图形规格的容许误差值；步骤C506：检查该多边图的宽度、间距或形状与该图形规格的差异，用以逮出该缺陷的热点图形；步骤C507：当该轮廓测量数据超过该图形规格的公差值时，则辩识出特定缺陷的热点图形。该步骤D50的轮廓图形浏览器的创造步骤还包括下列子步骤：步骤D501：取得多个缺陷影像文件；步骤D502：通过影像特征分割与轮廓轨迹描图而产生多个缺陷影像图形及多个缺陷轮廓；步骤D503：通过缺陷影像图形轮廓与设计布局图多边图的图形比对重叠而校正该缺陷坐标转换至该设计布局图的坐标；步骤D504：产生一完整晶片框架，其x、y轴方向的大小尺寸和该完整晶片设计布局图的x、y轴方向的大小尺寸一致；步骤D505：将已校正坐标的缺陷影像图形轮廓及缺陷轮廓上传至该完整晶片的框架；步骤D506：通过该完整晶片的制造轮廓图形浏览器来重新检视该制造图形轮廓与该缺陷轮廓。
如上所述的智能型缺陷诊断方法，其中，该步骤D50的轮廓图形浏览器的创造步骤还包括下列子步骤：步骤D50a：对于一产品，产生一空白完整晶片框架，其x、y轴方向的大小尺寸和一完整晶片设计布局图的x、y轴方向大小尺寸一致；步骤D50b：通过影像图形分割及轮廓轨迹描图而转换多个影像成为多个图形轮廓，并取得多个布局图多边图，并执行缺陷影像图形轮廓、布局图图形多边图或模拟图形多边图的图形比对重叠；步骤D50c：得到该完整晶片框架的影像图形轮廓或缺陷轮廓的坐标校正值、晶圆、缺陷、布局图图形群组(LPG)及该尺寸规格的信息；步骤D50d：上传每一产品的影像图形轮廓及缺陷轮廓至该完整晶片框架，使其在该完整晶片框架内具有正确的坐标及晶圆、缺陷、布局图图形群组(LPG)及该尺寸单位的信息；步骤D50e：依照晶圆数据层级、设备、光罩、测量值、制造方法或光学邻近效应修正(Optical Proximity Correction，OPC)的信息，而将每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓进行排序；步骤D50f：依照图示模式设备、缺陷分类、尺寸大小、热点、布局图图形群组及测量值的信息，而将每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓进行排序；步骤D50g：产生该影像图形轮廓的放大、缩小功能及完整晶片浏览器的功能；步骤D50h：由影像图尺寸单位辨识产生一量尺(scale ruler)，用以叠合至一完整晶片制造轮廓图形浏览器；步骤D50i：整合每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓，用以方便该缺陷的检视及测量。
本发明提供另一种智能型缺陷诊断方法，其使用于一制造工厂，该方法包括：步骤A10：接收至少一缺陷检测仪器所产生的多个缺陷数据，接收一轮廓设计系统产生的多个设计布局图，以及接收该制造工厂所产生的多个制造数据；步骤B20：通过一缺陷分析系统分析该缺陷数据、设计布局图及该制造数据；步骤C40：比较布局图多边图的尺寸与缺陷数据的图形轮廓；步骤D40：在该布局图多边图的尺寸上定义一容许误差值；步骤E40：当该缺陷数据的图形轮廓尺寸超过该容许误差值时，取得至少一热点图形。
如上所述的智能型缺陷诊断方法，其中，该分析步骤B20还包括下列子步骤：步骤B201：通过影像图形分割及轮廓轨迹描图，而将一显微装置所拍摄的多个影像转换成多个图形轮廓，并取得多个布局图多边图；步骤B202：通过像素(pixel)尺寸或像素值，而测量该图形轮廓的尺寸与该布局图多边图的尺寸。
本发明的有益效果在于，藉此，本发明所述的智能型缺陷诊断方法可以快速地监控工厂生产状况，并针对缺陷良率作出正确的除错。还有，该缺陷影像图形测量的分析方式可用以辨认系统性缺陷图形及工艺性缺陷图形。当然，本发明的方法还可以检测复合式缺陷影像图形的测量数据、布局图图形的测量数据及半导体微影术模拟图形多边图的测量数据，并检查是不是与图形规格相符。再者，本发明整合了缺陷良率预测数据及生产制造数据(Work-in-Process，WIP)数据，用以实时地(real-time)提供制造工厂其良好晶粒的产出预测值，高失败频率缺陷的布局图图形分析利用布局图图形群组(Layout Pattern Group，LPG)属性的缺陷复合式图形分析来找出制造方法中出现的重要致命缺陷(killer defect)的图形。最后，本发明还通过影像图形测量分析的功能，而可用以发挥缺陷图形浏览器(viewer)的强大数据库功能，其完整晶片的制造轮廓图形浏览器还可用以实时地(real-time)提供设计布局图所需要的分析功能。
为使能还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，然而附图仅提供参考与说明用，并非用来对本发明加以限制。为使能还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，然而附图仅提供参考与说明用，并非用来对本发明加以限制。
附图说明
图1A所绘示为本发明第一实施例的智能型缺陷诊断方法的流程示意图。
图1B所绘示为本发明第一实施例的分析步骤B10的子步骤流程。
图1C所绘示为本发明第一实施例的缺陷数据参数分析步骤C10的子步骤流程。
图1D所绘示为本发明第一实施例的执行步骤C50的子步骤流程。
图1E所绘示为本发明第一实施例的产生及上传步骤D50的子步骤流程。
图1F所绘示为本发明另一状况的产生及上传步骤D50的子步骤流程。
图2A所绘示为本发明第二实施例的智能型缺陷诊断方法的流程示意图。
图2B所绘示为本发明第二实施例的分析步骤B20的子步骤流程。
图3A所绘示为工厂的缺陷分析系统的示意图。
图3B所绘示为工厂的另一缺陷分析系统的示意图。
图4所绘示本发明执行测量分析步骤C50的示意图。
其中，附图标记说明如下：
80：晶圆
81：布局图图形
82：影像图形轮廓
84：图形多边图
90：工厂
91：工厂储存单元
92：工厂缺陷检测仪器
93：储存恢复单元
94：缺陷分析系统
具体实施方式
在半导体工厂、平面显示器工厂、太阳能板工厂、印刷电路板(PrintedCircuit Board，PCB)工厂、光罩工厂或LED（Light Emitted Diode，LED）组装厂里，一般均需要致力于产品缺陷的检测与分析。由于制造过程上的缺失、不佳的管控、甚至仪器设备或技术上的瓶颈所造成的原因，有时在电子产品制造方法的过程里这些缺失的产生是无可避免的。请参阅图3A，一工厂90内会包括有一工厂储存单元91、一工厂缺陷检测仪器92及一储存恢复单元93，其目的即在于降低工厂生产电子产品时所产生的实质性缺陷。工厂90内的工厂缺陷检测仪器92及工厂储存单元91与该储存恢复单元93相连接，并用以求得并储存多笔缺陷数据（defect data），以便于进一步地将所述缺陷数据连接至一缺陷分析系统94。当缺陷分析系统94完成多笔缺陷数据的分析后，其产生的各种有用的数据即可被收集后送至客户1、客户2或客户3。一般而言，该缺陷数据可以是扫描的数据、扫描式电子显微镜（ScanningElectron Microscope，SEM）的影像、电子束（E-beam）影像、光学影像、缺陷形状、缺陷外形、缺陷的轮廓信息(例如尺寸、宽度、大小、坐标或轮廓…等)、热点位置或热点大小。所述缺陷数据可通过工厂缺陷检测仪器92取得，该工厂缺陷检测仪器92例如可以是显微设备、SEM检测器、E-beam检测器、光学检测器、缺陷扫描仪或照相机等。
通常在电子产品制造前，会利用至少一设计布局图来设计产品的构形、轮廓；该设计布局图可以是布局图多边图、布局图形状、布局图外观、布局图尺寸、布局图轮廓、布局图坐标、布局图图层、文字标示或大小；因此一般而言，该设计布局图的格式(format)可以是图象数据库系统（GraphicDatabase System，GDS）格式、GDS-II格式或公开存取同时信息系统(OpenAccess Same-time Information System，OASIS)格式。其中，OASIS格式一般由半导体微影术模拟或电脑辅助设计（Computer Aided Design，CAD）仪器的轮廓设计系统/数据库所产生。通常，工厂在生产半导体或IC（IntegratedCircuit）晶片时多采用IC设计公司以CAD的软件来制作GDS格式或GDS-II格式的文件，如此才可在IC设计的相关应用里达到通用、具可交换格式的目的。当随着半导体设备的尺寸大幅缩小时，由于物理极限、制造方法瓶颈所产生的系统性图形缺陷也越来越明显。因此针对解决缺陷良率，用以分析高失败频率的缺陷设计图形、以及一完整晶片的制造轮廓图形浏览器(viewer)，此新方法提供的解决方案是传统缺陷分析方法所不能达成的。
以下，本发明揭示一种使用于制造工厂的智能型缺陷诊断方法，该智能型缺陷诊断方法利用影像图形数据、测量数据（例如图形轮廓、布局图多边图）及工厂生产线制造数据，来提供晶圆(wafer)缺陷的实时分析(real-timeanalysis)。再者，本发明的智能型缺陷诊断方法还可应用缺陷数据参数分析(data mining)，检测高失败频率的缺陷布局图图形、检测系统性或工艺性的缺陷影像图形，并预测生产过程中的良好晶粒产出预测值，来进行缺陷良率除错。换句话说，如图3A、图3B所示的客户1、客户2、客户3即可以最佳的效率、最少的时间来管理工厂90内的缺陷良率。
请参阅图1A，本发明使用于电子产品的生产制造工厂90的智能型缺陷诊断方法，其包括下列步骤，首先，接收至少一工厂缺陷检测仪器92所产生的多个缺陷数据，接收一轮廓设计系统产生的多个设计布局图，以及接收该制造工厂90所产生的多个制造数据(步骤A10)；其中，该制造数据可以是生产制造数据(Work-in-Process，WIP)数据、工厂MES系统（ManufacturingExecution System）的线上数据，或是工厂90内电脑系统所收集的操作数据；该制造数据一般包括某一晶圆的产品信息或制造状态。
然后，通过一缺陷分析系统分析该缺陷数据、设计布局图及该制造数据(步骤B10)。在此，如图1B所示，该分析步骤B10还进一步包括下列子步骤：先分割完整晶片设计布局图成许多设计布局图单元，再将同样图形的设计布局图归在一起，成为多个复合式图形群组单元，用以构成一布局图图形群组(Layout Pattern Group，LPG)单元属性的图形群组(步骤B101)；引入该缺陷数据(步骤B102)；将各个缺陷的影像分割成多个缺陷及多个图形轮廓(步骤B1025)；将所有这些缺陷数据一一对应叠合至每一个缺陷坐标所对应的布局图图形群组单元，用以形成一布局图图形群组属性的缺陷复合式图形群组，以及辩识出高失败频率的缺陷布局图图形(步骤B103)；对影像图形轮廓与设计布局图施以坐标转换及图形比对重叠，用以校正其坐标(步骤B1035)；对该缺陷轮廓、图形轮廓或设计布局图多边图形执行关键区域分析(Critical AreaAnalysis，CAA)，用以得到一相对应的缺陷良率(步骤B104)；通过缺陷影像分类分析而对该缺陷数据的缺陷种类区分类别(步骤B105)。
接下来，步骤C10：由制造数据、自动缺陷良率数据与自动缺陷分类数据中施以数据参数分析(data mining)。详细来说，如图1C所示，本发明第一实施例的数据参数分析步骤C10还包括下列子步骤：聚集该制造数据(步骤C101)；将100％的自动缺陷良率、100％的自动缺陷分类数据与该制造数据建立关联(步骤C102)；建立一缺陷数据参数分析方程式，其中，该缺陷数据参数分析方程式包括有设备或生产腔模式（Equipment/chamber mode)、产品模式、工厂生产线数据模式(fab in-line)、错误检测与分类模式(Fault Detectionand Classification，FDC)或黄金路径模式(步骤C103)。在此，步骤C10的数据参数分析目的在于使工厂90可以随时随地找出制造方法中实时的缺陷失败原因，但晶片测试良率数据Cp（Chip probe，Cp）与产品测试数据参数分析，必须等到完成半导体工艺出货后，才能开始分析良率失败原因。此一功能可以大幅节省良率损失，并提早数周或数个月地解决生产线上可能产生的问题。另外，设备及生产腔模式缺陷数据参数分析使用共通性统计方法找出特定异常机台。产品模式缺陷数据参数分析使用共通性的统计分析及高失败频率的缺陷图形分析，来检索特定产品的缺陷布局图图形。工厂生产线数据参数分析则是利用SPC（Statistical Process Control/统计工艺控制）及统计分析来找出好的缺陷良率的最合适制造方法生产线参数控制范围。FDC模式的缺陷数据参数分析则是使用统计分析而得到对缺陷良率敏感的FDC参数，使用共通性统计方法检索出对缺陷失败特定的异常FDC参数。黄金路径模式的缺陷数据参数分析则是使用统计分析来求得最好的设备组合状态，用以取得最佳的产品良率。
再者，如图1A所示，除了数据参数分析步骤C10之外，也可以执行步骤C20及步骤D20，其包括：收集多个批号所累积的缺陷数据，并执行一布局图图形群组（LPG）属性的缺陷复合式布局图图形群组(步骤C20)；取得至少一高失败频率的缺陷布局图图形(步骤D20)。在这些步骤中，每一产品内具有高失败频率的所述缺陷布局图图形即可由多个批号(lot)中被逮出来。然后，在不同产品的设计布局图中较有弱点(weak)的缺陷布局图图形即可被图形比对重叠方法分析检测出来。藉此，不同批号或不同产品的高出现率的失败缺陷布局图图形即可分类至缺陷图形库中；也因此我们可以得知，对于良率的改进而言，每一图层的高失败频率缺陷布局图图形都是非常关键的。
接下来，步骤C30及步骤D30也可接在步骤B10之后，其包括：重新取得一制造数据、一自动缺陷良率数据及一自动缺陷分类数据(步骤C30)；得到良好晶粒的至少一数量预测值(步骤D30)。在此，上述步骤的晶圆产品信息除了包括产品批号数量及工艺阶段数据之外，还包括由制造方法中的多层次致命缺陷良率(killer defect yield)所得到的复合式缺陷良率的损失分析。还有，每个产品批号的良好晶粒产出量均可随时被预估；其原因在于某特定数学方程式模型的预估值可以产生较为正确的预测百分比。故上述步骤的目的即在于建立一高品质的良好晶粒产出量预测模型，即便在还未知的良率结果及良好晶粒产出结果之前，将此模型用于预测，能预测出良好晶粒产出量的准确率是愈高愈好。
最后，还有本发明的智能型缺陷诊断方法也可以包括步骤C50及步骤D50；其包括：完成一图形测量分析，用以产生并测量该缺陷影像图的图形轮廓、缺陷轮廓，并逮到一缺陷的热点（hot spot）图形(步骤C50)；整合所有影像图形轮廓与缺陷轮廓并传送至一完整晶片框架中，而创造一完整晶片的制造轮廓图形浏览器，如同设计布局图浏览器一样，作为一缺陷图形及制造轮廓图形的百科全书(步骤D50)。在此，如图1D所示，为了完成步骤C50的分析程序，其还可以进一步地包括下列子步骤：产生一缺陷影像图形轮廓，并得到一布局图图形多边图或一模拟图形多边图(步骤C501)；针对该缺陷影像图形轮廓、布局图图形多边图或该模拟图形多边图而执行图形比对重叠(步骤C502)；将该缺陷影像图形轮廓、布局图图形多边图或该模拟图形多边图累积并叠置(步骤C503)；通过影像图形测量与影像尺寸单位辨识分析的量尺而测量该图形轮廓与该图形多边图的尺寸(步骤C504)；从全像尺寸单位、图像量尺单位、影像文件大小的光学字形辨识方法可得到该影像图的尺寸单位，得到至少一图形规格，并设定该图形规格的容许误差值(步骤C505)；检查该多边图的宽度、间距或形状与该图形规格的差异，用以逮出该缺陷的热点图形(步骤C506)；当该轮廓测量数据超过该图形规格的容许误差值时，则辩识出特定缺陷的热点图形(步骤C507)。
藉此，如图4所示，在一晶圆80中即可用以显示至少一影像图形轮廓82，并使该影像图形轮廓82分割成多个图形多边图84。从另一方面来说，多个理想的布局图图形81即在轮廓设计系统/数据库里被模拟或产出。之后，布局图图形81及影像图形轮廓的图形比对重叠即可被执行（如步骤C502所示）；多个缺陷影像图形轮廓、布局图多边图及模拟图形多边图即可被加总地累积并叠置（如步骤C503所示）；然后通过影像尺寸单位辨识分析的量尺测量该影像图的图形轮廓与该图形多边图的尺寸（如步骤C504所示），使用者并制定图形规格的容许误差（如步骤C505所示）。在图形比对重叠之后，所述超过预先定义的容许误差的热点图形即可通过图形多边图、图形轮廓、图形长度、图形间距、图形外观与图形规格的差异，而被轻易地找出来（如步骤C506~C507所示）。一般而言，该热点图形即是晶圆里常见的缺陷。
当然，如图1E所示，步骤D50的图形轮廓浏览器的创造步骤也可以进一步地包括下列子步骤：取得多个缺陷影像文件(步骤D501)；通过影像特征分割与轮廓轨迹描图而产生多个缺陷影像图形及多个缺陷轮廓(步骤D502)；通过缺陷影像图形轮廓与设计布局图多边图的图形比对重叠而校正该缺陷坐标转换至该设计布局图的坐标(步骤D503)；产生一完整晶片框架，其x、y轴方向的大小尺寸和该完整晶片设计布局图的x、y轴方向的大小尺寸一致(步骤D504)；将已校正坐标的缺陷影像图形轮廓及缺陷轮廓上传至该完整晶片的框架(步骤D505)；通过该完整晶片的制造轮廓图形浏览器来重新检视该制造图形轮廓与该缺陷轮廓(步骤D506)。
如此一来，步骤C50分析结果应用步骤D50的轮廓图形浏览器的设置，即整合完整晶片的框架正确地对应至x、y坐标或x、y坐标校正（如步骤D503~D504所示），使该影像图形的测量可以用像素尺寸(pixel scale)及像素值(pixel value)表示。然后，该上传及对应的数据即可让客户1、客户2、客户3方便地浏览或监控。在较佳实施例中，该完整晶片的制造轮廓图形浏览器可以是累积图形的浏览器或缺陷轮廓的浏览器；且，所有缺陷影像图形轮廓及缺陷轮廓均可被整合至该制造轮廓图形浏览器。
另外，在其他实施例中，如图1F所示，该步骤D50的轮廓图形浏览器的创造步骤也可以包括下列子步骤：对于一产品，产生一空白完整晶片框架，其x、y轴方向的大小尺寸和一完整晶片设计布局图的x、y轴方向大小尺寸一致(步骤D50a)；通过影像图形分割及轮廓轨迹描图而转换多个影像成为多个图形轮廓，并取得多个布局图多边图，并执行缺陷影像图形轮廓、布局图图形多边图或模拟图形多边图的图形比对重叠(步骤D50b)；执行该完整晶片框架的影像图形轮廓或缺陷轮廓，获得坐标校正值、晶圆、缺陷、布局图图形群组(LPG)及该尺寸规格的信息(步骤D50c)；上传每一产品的影像图形轮廓及缺陷轮廓至该完整晶片框架，使其在该完整晶片框架内具有正确的坐标及晶圆、缺陷、布局图图形群组(LPG)及该尺寸规格的信息(步骤D50d)；依照晶圆数据层级、设备、光罩、测量值、制造方法或光学邻近效应修正(OpticalProximity Correction，OPC)的信息，而将每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓进行排序(步骤D50e)；依照图示模式设备、缺陷分类、尺寸大小、热点、布局图图形群组及测量值的信息，而将每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓进行排序(步骤D50f)；产生该影像图形轮廓的放大、缩小功能及完整晶片浏览器的功能(步骤D50g)；由影像尺寸单位辨识方法产生一量尺(scale ruler)，用以叠合至一完整晶片制造轮廓图形浏览器(步骤D50h)；整合每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓，用以方便该缺陷的检视及测量(步骤D50i)。藉此，本实施例亦可达到前述图形浏览器的LPG与测量数据的优点。
此外，本发明的智能型诊断方法也可以有其他实施例。请参阅图2A，图2A所绘示为本发明第二实施例的智能型缺陷诊断方法的流程示意图。如图2A所示，本发明第二实施例的智能型诊断方法包括下列步骤：接收至少一工厂缺陷检测仪器所产生的多个缺陷数据，接收一轮廓设计系统产生的多个设计布局图，以及接收该制造工厂所产生的多个制造数据(步骤A10)；通过一缺陷分析系统分析该缺陷数据、设计布局图及该制造数据(步骤B20)；产生缺陷影像图的各个图形轮廓，比较布局图多边图的尺寸与缺陷数据的图形轮廓尺寸(步骤C40)；在该布局图多边图的尺寸上定义一容许误差值(步骤D40)；当该缺陷数据的图形轮廓尺寸超过该容许误差值时，取得至少一热点图形(步骤E40)。
在图2A实施例中，步骤A10与第一实施例(即图1A)的步骤A10完全相同；再者，步骤B20的分析步骤虽然与图1A的步骤B10相同，但，本实施例的步骤B20的子步骤却与第一实施例不同。如图2B所示，本实施例的步骤B20的子步骤为：通过影像图形分割及轮廓轨迹描图，而将一显微装置所拍摄的多个影像图转换成多个图形轮廓，另外取得多个布局图多边图(步骤B201)；通过像素(pixel)尺寸或像素值，测量该图形轮廓的尺寸与该布局图多边图的尺寸(步骤B202)。
如上所述，当步骤B20完成后，接下来是步骤C40、步骤D40、步骤E40。在此，该缺陷影像的图形轮廓可能漂离原先的设定目标图形，因此，工厂90必须调整工艺状况，用以调回至原来的图形轮廓，并使该制造方法状况符合图形规格及容许误差。要不然，当该影像图形轮廓的尺寸超过图形规格的容许误差时，缺陷热点图形即可被逮出。
通过执行上述步骤，本发明即可快速地检测、并针对工厂90内产品的缺陷良率进行除错(debug)动作。此外，缺陷影像图形测量分析(即检查复合式缺陷影像图形、布局图图形、半导体微影术模拟图形多边图的测量值是不是合乎图形规格的测量)即可方便、迅速地达到。进而，系统性缺陷图形或工艺性缺陷图形的辨识工作也较为容易。还有，应用整合缺陷良率预测数据及生产制造数据(Work-in-Process，WIP)资料，来实时地(real-time)提供制造工厂其良好晶粒的产出预测值，也可轻易地达到。另外，通过布局图图形群组(LayoutPattern Group，LPG)属性的缺陷复合式图形群组的分析，也可使工厂90轻易地检测、找出制造方法中常见的致命缺陷(killer defect)的图形。
再来，本发明也可应用至图3B所示的工厂90；如图3B所示，该工厂储存单元91及工厂缺陷检测仪器92可以直接地输入制造数据至缺陷分析系统94，用以让客户1、客户2、客户3方便地使用与检测。
本发明以实施例说明如上，然其并非用以限定本发明所主张的专利权利范围。其专利保护范围当视后附的权利要求及其等同领域而定。凡本领域的技术人员，在不脱离本专利精神或范围内，所作的更动或润饰，均属于本发明所揭示精神下所完成的等同改变或设计，且应包含在权利要求内。

Claims (11)

1.一种智能型缺陷诊断方法，其使用于一制造工厂，其特征在于，该方法包括：
步骤A10：接收至少一缺陷检测仪器所产生的多个缺陷数据，接收一轮廓设计系统产生的多个设计布局图，以及接收该制造工厂所产生的多个制造数据；
步骤B10：通过一缺陷分析系统分析该缺陷数据、设计布局图及该制造数据，其中，该分析步骤还进一步包括下列子步骤：
步骤B101：先分割完整晶片设计布局图成许多设计布局图单元，再将同样图形的设计布局图归在一起，成为多个复合式图形群组单元，用以构成一布局图图形群组单元属性的图形群组；
步骤B102：引入该缺陷数据；
步骤B1025：将该缺陷的影像分割成多个缺陷及多个图形轮廓；
步骤B103：将所述缺陷数据叠合至每一复合式图形群组单元，用以形成一布局图图形群组属性的缺陷复合式图形群组，以及辩识出高失败频率的缺陷布局图图形；
步骤B1035：对影像图形轮廓与设计布局图施以坐标转换及图形比对重叠，用以校正其坐标；
步骤B104：对该缺陷轮廓、图形轮廓或设计布局图多边图执行关键区域分析，用以得到一相对应的缺陷良率；
步骤B105：通过缺陷影像分类分析而对该缺陷数据的缺陷种类区分类别。
2.如权利要求1所述的智能型缺陷诊断方法，其特征在于，该方法还包括下列步骤：
步骤C10：由制造数据、自动缺陷良率数据与自动缺陷分类数据中施以数据参数分析。
3.如权利要求2所述的智能型缺陷诊断方法，其特征在于，该缺陷数据参数分析步骤还包括下列子步骤：
步骤C101：聚集该制造数据；
步骤C102：将自动缺陷良率、自动缺陷分类数据与该制造数据建立关联；
步骤C103：建立一缺陷数据参数分析方程式，其中，该缺陷数据参数分析方程式包括有设备或生产腔模式、产品模式、工厂线上数据模式、错误检测与分类模式或黄金路径模式。
4.如权利要求1所述的智能型缺陷诊断方法，其特征在于，该方法还包括下列步骤：
步骤C20：收集多个批号所累积的缺陷数据，并完成一布局图图形群组属性的缺陷复合布局图图形群组；
步骤D20：取得至少一高失败频率的缺陷布局图图形。
5.如权利要求1所述的智能型缺陷诊断方法，其特征在于，该方法还包括下列步骤：
步骤C30：重新取得一制造数据、一自动缺陷良率数据及一自动缺陷分类数据；
步骤D30：得到良好晶粒的至少一产出预测值。
6.如权利要求1所述的智能型缺陷诊断方法，其特征在于，该方法还包括下列步骤：
步骤C50：完成一图形测量分析，用以产生并测量该缺陷影像图的图形轮廓、缺陷轮廓，并得到一缺陷的热点图形；
步骤D50：整合影像图形轮廓与缺陷轮廓，并创造一完整晶片的制造轮廓图形浏览器。
7.如权利要求6所述的智能型缺陷诊断方法，其特征在于，该图形测量分析步骤还包括下列子步骤：
步骤C501：产生一缺陷影像图形轮廓，并得到一布局图图形多边图或一模拟图形多边图；
步骤C502：针对该缺陷影像图形轮廓、布局图图形多边图或该模拟图形多边图而执行图形比对重叠；
步骤C503：将该缺陷影像图形轮廓、布局图图形多边图或该模拟图形多边图累积并叠置；
步骤C504：通过影像图形测量与由影像尺寸单位辨识分析得来的量尺，测量该图形轮廓与该图形多边图的大小尺寸；
步骤C505：引入至少一图形规格，并设定该图形规格的容许误差值；
步骤C506：检查该多边图的宽度、间距或形状是不是合乎与图形规格的容许误差，用以逮出该缺陷的热点图形；
步骤C507：当该轮廓测量数据超过该图形规格的公差值时，则辩识出特定缺陷的热点图形。
8.如权利要求6所述的智能型缺陷诊断方法，其特征在于，该轮廓图形浏览器的创造步骤还包括下列子步骤：
步骤D501：取得多个缺陷影像文件；
步骤D502：通过影像特征分割与轮廓轨迹描图而产生多个缺陷影像图形及多个缺陷轮廓；
步骤D503：通过缺陷影像图形轮廓与设计布局图多边图的图形比对重叠而校正该缺陷对应至该设计布局图的正确坐标；
步骤D504：产生一完整晶片框架，其x、y轴方向的大小尺寸和该完整晶片设计布局图的x、y轴方向的大小尺寸一致；
步骤D505：将已校正坐标的缺陷影像图形轮廓及缺陷轮廓上传至该完整晶片的框架；
步骤D506：通过该完整晶片的制造轮廓图形浏览器来重新检视该制造图形轮廓与该缺陷轮廓。
9.如权利要求6所述的智能型缺陷诊断方法，其特征在于，该轮廓图形浏览器的设置步骤还包括下列子步骤：
步骤D50a：对于一产品，产生一空白完整晶片框架，其x、y轴方向的大小尺寸和一完整晶片设计布局图的x、y轴方向大小尺寸一致；
步骤D50b：通过影像图形分割及轮廓轨迹描图而转换多个影像成为多个图形轮廓，并取得多个布局图多边图，并执行缺陷影像图形轮廓、布局图图形多边图或模拟图形多边图的图形比对重叠；
步骤D50c：得到该完整晶片框架的影像图形轮廓或缺陷轮廓的坐标校正值、晶圆、缺陷、布局图图形群组及该尺寸规格的信息；
步骤D50d：上传每一产品的影像图形轮廓及缺陷轮廓至该完整晶片框架，这些轮廓在完整晶片框架上均具有正确的坐标及晶圆、缺陷、布局图图形群组及该尺寸规格的信息；
步骤D50e：依照晶圆数据层级、设备、光罩、测量值、制造方法或光学邻近效应修正的信息，而将每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓进行排序；
步骤D50f：依照图示模式设备、缺陷分类、尺寸大小、热点、布局图图形群组及测量值的信息，而将每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓进行排序；
步骤D50g：产生该影像图形轮廓的放大、缩小功能及完整晶片浏览器的功能；
步骤D50h：产生一量尺，用以叠合至一完整晶片制造轮廓图形浏览器；
步骤D50i：整合每一产品的完整晶片框架的影像图形轮廓及缺陷轮廓，用以方便该缺陷的检视及测量。
10.一种智能型缺陷诊断方法，其使用于一制造工厂，其特征在于，该方法包括：
步骤A10：接收至少一缺陷检测仪器所产生的多个缺陷数据，接收一轮廓设计系统产生的多个设计布局图，以及接收该制造工厂所产生的多个制造数据；
步骤B20：通过一缺陷分析系统分析该缺陷数据、设计布局图及该制造数据；
步骤C40：比较布局图多边图的尺寸与缺陷数据的图形轮廓尺寸；
步骤D40：在该布局图多边图的尺寸上定义一容许误差值；
步骤E40：当该缺陷数据的图形轮廓尺寸超过该容许误差值时，取得至少一热点图形。
11.如权利要求10所述的智能型缺陷诊断方法，其特征在于，该分析步骤还包括下列子步骤：
步骤B201：通过影像图形分割及轮廓轨迹描图，而将一显微装置所拍摄的多个影像转换成多个图形轮廓，并取得多个布局图多边图；
步骤B202：通过像素尺寸或像素值，而测量该图形轮廓的尺寸与该布局图多边图的尺寸。
CN201210587012.XA 2011-12-28 2012-12-28 智能型缺陷诊断方法 Expired - Fee Related CN103187343B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/338,331 2011-12-28
US13/338,331 US8607169B2 (en) 2011-12-28 2011-12-28 Intelligent defect diagnosis method

Publications (2)

Publication Number Publication Date
CN103187343A true CN103187343A (zh) 2013-07-03
CN103187343B CN103187343B (zh) 2016-06-08

Family

ID=48678440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210587012.XA Expired - Fee Related CN103187343B (zh) 2011-12-28 2012-12-28 智能型缺陷诊断方法

Country Status (3)

Country Link
US (1) US8607169B2 (zh)
CN (1) CN103187343B (zh)
TW (1) TWI498853B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104465434A (zh) * 2013-09-23 2015-03-25 中芯国际集成电路制造(上海)有限公司 缺陷分析法
CN104655641A (zh) * 2015-01-31 2015-05-27 华南理工大学 一种高精密全自动fpc缺陷检测装置及检测工艺
CN105335536A (zh) * 2014-07-09 2016-02-17 中芯国际集成电路制造(上海)有限公司 用于集成电路设计优化和良率改进的方法
CN106296025A (zh) * 2016-08-19 2017-01-04 宁夏共享集团股份有限公司 一种同步记录铸件缺陷参数和坐标信息的方法
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
CN107038697A (zh) * 2015-09-18 2017-08-11 台湾积体电路制造股份有限公司 用于诊断半导体晶圆的方法和系统
CN108475649A (zh) * 2016-01-06 2018-08-31 科磊股份有限公司 通过异常值检测的特征选择及自动化工艺窗监测
CN109616426A (zh) * 2017-10-05 2019-04-12 敖翔科技股份有限公司 智能型的缺陷校正系统与其实施方法
CN110021005A (zh) * 2018-01-05 2019-07-16 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
CN110727247A (zh) * 2018-07-17 2020-01-24 敖翔科技股份有限公司 半导体厂缺陷操作系统及装置
CN110836905A (zh) * 2019-11-13 2020-02-25 上海华力集成电路制造有限公司 自动识别芯片物理缺陷的失效分析方法

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8307528B2 (en) * 2009-10-05 2012-11-13 Sonnax Industries, Inc. Low clearance machined part mating system
US8930782B2 (en) * 2011-05-16 2015-01-06 Mentor Graphics Corporation Root cause distribution determination based on layout aware scan diagnosis results
US9269135B2 (en) * 2012-03-01 2016-02-23 Taiwan Semiconductor Manufacturing Company, Ltd. Defect management systems and methods
US8831333B2 (en) * 2012-06-13 2014-09-09 Nanya Technology Corporation Mask pattern analysis apparatus and method for analyzing mask pattern
US9443051B2 (en) * 2012-08-22 2016-09-13 Mentor Graphics Corporation Generating root cause candidates for yield analysis
TWI534646B (zh) * 2013-05-20 2016-05-21 敖翔科技股份有限公司 智慧型弱點圖形診斷方法、系統與電腦可讀取記憶媒體
US9589086B2 (en) 2014-01-27 2017-03-07 Macronix International Co., Ltd. Method for measuring and analyzing surface structure of chip or wafer
TWI502190B (zh) * 2014-01-28 2015-10-01 Macronix Int Co Ltd 量測與分析晶片或晶圓表面結構的方法與黃光曝光補值的方法
KR102310123B1 (ko) * 2014-09-05 2021-10-08 삼성전자주식회사 반도체 소자의 패턴 분석방법
KR102392057B1 (ko) 2014-12-22 2022-04-28 삼성전자주식회사 자동 결함 분류 방법
CN112665556B (zh) 2015-04-01 2023-09-05 瓦亚视觉传感有限公司 使用被动和主动测量生成场景的三维地图
US9547745B1 (en) * 2015-07-27 2017-01-17 Dmo Systems Limited System and method for discovering unknown problematic patterns in chip design layout for semiconductor manufacturing
US10935962B2 (en) * 2015-11-30 2021-03-02 National Cheng Kung University System and method for identifying root causes of yield loss
CN105678408A (zh) * 2015-12-30 2016-06-15 广州兴森快捷电路科技有限公司 Pcb板合拼方法及合拼系统
TWI564741B (zh) * 2016-01-25 2017-01-01 敖翔科技股份有限公司 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體
US10068323B2 (en) * 2016-04-10 2018-09-04 Kla-Tencor Corporation Aware system, method and computer program product for detecting overlay-related defects in multi-patterned fabricated devices
US10740888B2 (en) 2016-04-22 2020-08-11 Kla-Tencor Corporation Computer assisted weak pattern detection and quantification system
TWI588673B (zh) * 2016-04-27 2017-06-21 亦思科技股份有限公司 半導體製程錯誤分析方法以及電腦程式產品
US10902576B2 (en) * 2016-08-12 2021-01-26 Texas Instruments Incorporated System and method for electronic die inking after automatic visual defect inspection
TWI611252B (zh) * 2016-08-31 2018-01-11 台灣積體電路製造股份有限公司 光學鄰近校正之修復方法
TWI660249B (zh) * 2017-01-18 2019-05-21 荷蘭商Ａｓｍｌ荷蘭公司 缺陷圖案分組方法及系統
US10445928B2 (en) 2017-02-11 2019-10-15 Vayavision Ltd. Method and system for generating multidimensional maps of a scene using a plurality of sensors of various types
TWI637250B (zh) * 2017-03-31 2018-10-01 林器弘 智慧加工調變系統及方法
TWI641960B (zh) * 2017-04-05 2018-11-21 敖翔科技股份有限公司 設計佈局的失效風險的智慧型預診斷系統及方法
US20180300872A1 (en) * 2017-04-12 2018-10-18 Ngr Inc. Method And Apparatus For Integrated Circuit Pattern Inspection With Automatically Set Inspection Areas
TWI641961B (zh) * 2017-07-21 2018-11-21 敖翔科技股份有限公司 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統
TWI639908B (zh) * 2017-09-08 2018-11-01 中國鋼鐵股份有限公司 製程偵錯與診斷方法
TWI742156B (zh) * 2017-09-08 2021-10-11 聯華電子股份有限公司 晶圓失效圖案分析方法
CN111149063B (zh) 2017-09-27 2022-04-22 Asml荷兰有限公司 确定器件制造工艺的控制参数的方法
CN109753979B (zh) * 2017-11-01 2022-11-15 阿里巴巴集团控股有限公司 基于图像特征的故障检测方法及装置
US11023648B2 (en) 2017-12-12 2021-06-01 Siemens Industry Software Inc. Puzzle-based pattern analysis and classification
TWI669519B (zh) * 2018-01-05 2019-08-21 財團法人工業技術研究院 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體
TWI671838B (zh) * 2018-07-17 2019-09-11 敖翔科技股份有限公司 半導體廠缺陷作業系統及裝置
US10545099B1 (en) * 2018-11-07 2020-01-28 Kla-Tencor Corporation Ultra-high sensitivity hybrid inspection with full wafer coverage capability
WO2020114692A1 (en) * 2018-12-07 2020-06-11 Asml Netherlands B.V. Method for determining root cause affecting yield in a semiconductor manufacturing process
JP7020392B2 (ja) * 2018-12-25 2022-02-16 東芝三菱電機産業システム株式会社 データ収集再生システム
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
WO2020167720A1 (en) * 2019-02-14 2020-08-20 Lam Research Corporation Data capture and transformation to support data analysis and machine learning for substrate manufacturing systems
CN110097542B (zh) * 2019-04-19 2023-09-12 中山大学 芯片气泡的检测方法、装置及存储介质
CN110837717B (zh) * 2019-11-06 2022-09-06 成都数之联科技股份有限公司 一种基于Map图的玻璃面板多元缺陷根因分析方法
CN110910352A (zh) * 2019-11-06 2020-03-24 创新奇智(南京)科技有限公司 基于深度学习的太阳能电池缺陷检测系统及检测方法
WO2021088027A1 (en) 2019-11-08 2021-05-14 Yangtze Memory Technologies Co., Ltd. Automatic assessment method and assessment system thereof for yield improvement
US11816411B2 (en) 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
KR20210099850A (ko) 2020-02-05 2021-08-13 삼성전자주식회사 광학적 근접 효과 보정의 검증 방법
US11842472B2 (en) 2020-03-31 2023-12-12 International Business Machines Corporation Object defect correction
US20210341832A1 (en) * 2020-04-30 2021-11-04 Photronics, Inc. System, method, and program product for manufacturing a photomask
WO2022016274A1 (en) 2020-07-21 2022-01-27 Leddartech Inc. Beam-steering devices and methods for lidar applications
CA3125623C (en) 2020-07-21 2023-06-27 Leddartech Inc. Beam-steering device particularly for lidar systems
WO2022016277A1 (en) 2020-07-21 2022-01-27 Leddartech Inc. Systems and methods for wide-angle lidar using non-uniform magnification optics
TWI770614B (zh) * 2020-09-22 2022-07-11 南亞科技股份有限公司 機台監控系統與機台監控方法
CN115360116B (zh) * 2022-10-21 2023-01-31 合肥晶合集成电路股份有限公司 一种晶圆的缺陷检测方法及系统
CN117474924B (zh) * 2023-12-28 2024-03-15 山东鲁抗医药集团赛特有限责任公司 基于机器视觉的标签缺陷检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070230770A1 (en) * 2005-11-18 2007-10-04 Ashok Kulkarni Methods and systems for determining a position of inspection data in design data space
CN101241770A (zh) * 2007-01-15 2008-08-13 三星电子株式会社 用于半导体集成电路设备的缺陷分析方法和缺陷分析系统
CN101305320A (zh) * 2005-09-09 2008-11-12 睿初科技公司 采用独立掩模误差模型的掩模验证系统和方法
CN101398393A (zh) * 2007-09-28 2009-04-01 上海华虹Nec电子有限公司 硅片制品缺陷分析方法及装置
US20100215247A1 (en) * 2008-12-22 2010-08-26 Tadashi Kitamura System And Method For A Semiconductor Lithographic Process Control Using Statistical Information In Defect Identification
US7853920B2 (en) * 2005-06-03 2010-12-14 Asml Netherlands B.V. Method for detecting, sampling, analyzing, and correcting marginal patterns in integrated circuit manufacturing
CN102054724A (zh) * 2009-11-11 2011-05-11 无锡华润上华半导体有限公司 晶圆表面缺陷的检测方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7882394B2 (en) * 2005-07-11 2011-02-01 Brooks Automation, Inc. Intelligent condition-monitoring and fault diagnostic system for predictive maintenance
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
TW200849048A (en) * 2007-06-13 2008-12-16 Promos Technologies Inc Method of predicting yield rate of wafer
US8095895B2 (en) 2009-01-14 2012-01-10 Iyun Leu Method for defect diagnosis and management
JP5583766B2 (ja) * 2009-07-01 2014-09-03 ケーエルエー−テンカー・コーポレーション 時間的に変化する欠陥分類性能の監視のための方法、システムおよびコンピュータ可読媒体
US8473223B2 (en) 2009-10-07 2013-06-25 Iyun Leu Method for utilizing fabrication defect of an article
US20120259574A1 (en) * 2011-04-05 2012-10-11 Chenmin Hu Designed-based yield management system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7853920B2 (en) * 2005-06-03 2010-12-14 Asml Netherlands B.V. Method for detecting, sampling, analyzing, and correcting marginal patterns in integrated circuit manufacturing
CN101305320A (zh) * 2005-09-09 2008-11-12 睿初科技公司 采用独立掩模误差模型的掩模验证系统和方法
US20070230770A1 (en) * 2005-11-18 2007-10-04 Ashok Kulkarni Methods and systems for determining a position of inspection data in design data space
CN101241770A (zh) * 2007-01-15 2008-08-13 三星电子株式会社 用于半导体集成电路设备的缺陷分析方法和缺陷分析系统
CN101398393A (zh) * 2007-09-28 2009-04-01 上海华虹Nec电子有限公司 硅片制品缺陷分析方法及装置
US20100215247A1 (en) * 2008-12-22 2010-08-26 Tadashi Kitamura System And Method For A Semiconductor Lithographic Process Control Using Statistical Information In Defect Identification
CN102054724A (zh) * 2009-11-11 2011-05-11 无锡华润上华半导体有限公司 晶圆表面缺陷的检测方法及装置

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104465434B (zh) * 2013-09-23 2017-07-11 中芯国际集成电路制造(上海)有限公司 缺陷分析法
CN104465434A (zh) * 2013-09-23 2015-03-25 中芯国际集成电路制造(上海)有限公司 缺陷分析法
CN105335536A (zh) * 2014-07-09 2016-02-17 中芯国际集成电路制造(上海)有限公司 用于集成电路设计优化和良率改进的方法
CN104655641A (zh) * 2015-01-31 2015-05-27 华南理工大学 一种高精密全自动fpc缺陷检测装置及检测工艺
CN107038697A (zh) * 2015-09-18 2017-08-11 台湾积体电路制造股份有限公司 用于诊断半导体晶圆的方法和系统
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
CN108475649A (zh) * 2016-01-06 2018-08-31 科磊股份有限公司 通过异常值检测的特征选择及自动化工艺窗监测
CN106296025A (zh) * 2016-08-19 2017-01-04 宁夏共享集团股份有限公司 一种同步记录铸件缺陷参数和坐标信息的方法
CN109616426A (zh) * 2017-10-05 2019-04-12 敖翔科技股份有限公司 智能型的缺陷校正系统与其实施方法
CN113361225A (zh) * 2017-10-05 2021-09-07 敖翔科技股份有限公司 智能型坐标转换校正方法
CN110021005A (zh) * 2018-01-05 2019-07-16 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
CN110021005B (zh) * 2018-01-05 2022-03-15 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
CN110727247A (zh) * 2018-07-17 2020-01-24 敖翔科技股份有限公司 半导体厂缺陷操作系统及装置
CN110727247B (zh) * 2018-07-17 2022-10-04 敖翔科技股份有限公司 半导体厂缺陷操作系统及装置
CN110836905A (zh) * 2019-11-13 2020-02-25 上海华力集成电路制造有限公司 自动识别芯片物理缺陷的失效分析方法

Also Published As

Publication number Publication date
CN103187343B (zh) 2016-06-08
US20130174102A1 (en) 2013-07-04
TW201329909A (zh) 2013-07-16
US8607169B2 (en) 2013-12-10
TWI498853B (zh) 2015-09-01

Similar Documents

Publication Publication Date Title
CN103187343B (zh) 智能型缺陷诊断方法
TWI634485B (zh) 在半導體裝置製造製程期間之圖案缺陷和強度檢測及追蹤
US10483081B2 (en) Self directed metrology and pattern classification
CN106415807B (zh) 使用高分辨率全裸片图像数据进行检验
US9183624B2 (en) Detecting defects on a wafer with run time use of design data
US6826735B2 (en) Inspection data analysis program, defect inspection apparatus, defect inspection system and method for semiconductor device
US8611639B2 (en) Semiconductor device property extraction, generation, visualization, and monitoring methods
CN103186657B (zh) 智能型缺陷良率总览接口系统与方法
CN108352336B (zh) 确定样品上所关注图案的一或多个特性
CN106796724A (zh) 自动化图案保真度测量计划产生
JP2002100660A (ja) 欠陥検出方法と欠陥観察方法及び欠陥検出装置
US20090043527A1 (en) Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan
US10832396B2 (en) And noise based care areas
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
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
CN108431936A (zh) 基于形状的分组
US20140177940A1 (en) Recipe generation apparatus, inspection support apparatus, inspection system, and recording media
US10719655B2 (en) Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database
TWI617816B (zh) 晶圓的可適性電性測試
IL257205A (en) Self-directed metrology and example classification
US7263451B1 (en) Method and apparatus for correlating semiconductor process data with known prior process data

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160608

Termination date: 20211228

CF01 Termination of patent right due to non-payment of annual fee