CN103439346A - 用于分类样品上的缺陷的计算机实现的方法和系统 - Google Patents

用于分类样品上的缺陷的计算机实现的方法和系统 Download PDF

Info

Publication number
CN103439346A
CN103439346A CN2013102988552A CN201310298855A CN103439346A CN 103439346 A CN103439346 A CN 103439346A CN 2013102988552 A CN2013102988552 A CN 2013102988552A CN 201310298855 A CN201310298855 A CN 201310298855A CN 103439346 A CN103439346 A CN 103439346A
Authority
CN
China
Prior art keywords
defect
group
classification
assigned
user
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
CN2013102988552A
Other languages
English (en)
Other versions
CN103439346B (zh
Inventor
C·H·德
托马索·托雷利
多米尼克·戴维
C·杨
迈克尔·戈登·斯科特
拉里塔·A·巴拉苏布若门尼
L·高
T·黄
J·张
米哈尔·科瓦斯基
乔纳森·奥克利
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.)
KLA Tencor Technologies Corp
Original Assignee
KLA Tencor Technologies Corp
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 KLA Tencor Technologies Corp filed Critical KLA Tencor Technologies Corp
Publication of CN103439346A publication Critical patent/CN103439346A/zh
Application granted granted Critical
Publication of CN103439346B publication Critical patent/CN103439346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—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; CALCULATING OR 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J3/00—Details of electron-optical or ion-optical arrangements or of ion traps common to two or more basic types of discharge tubes or lamps
    • H01J3/14—Arrangements for focusing or reflecting ray or beam
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

本发明提供用于分类样品上的缺陷的计算机实现的方法和系统。还提供各种用于分类样品上的缺陷的计算机实现的方法。一种方法包括基于在样品上检测到的各个缺陷的一种或更多种特性，将各个缺陷指派到缺陷组。所述方法还包括向用户显示关于所述缺陷组的信息。此外，所述方法包括允许所述用户向所述缺陷组中的每一个组指派分类。还提供了被配置来分类样品上的缺陷的系统。一种系统包括在处理器上可执行的程序指令，所述程序指令用于基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷指派到缺陷组。所述系统还包括用户界面，所述用户界面被配置来向用户显示关于所述缺陷组的信息，并且允许所述用户向所述缺陷组中的每一个组指派分类。

Description

用于分类样品上的缺陷的计算机实现的方法和系统
本申请是2005年10月12日递交的申请号为200580034951.X、发明名称为“用于分类样品上的缺陷的计算机实现的方法和系统”的发明专利申请的分案申请。
技术领域
本发明一般地涉及用于分类样品上的缺陷的计算机实现的方法和系统。一些实施方案涉及这样的计算机实现方法，即，所述方法包括允许用户向缺陷组指派分类，其中，基于在样品上检测到的各个缺陷的一种或更多种性质，所述各个缺陷被指派到所述缺陷组。
背景技术
下面的描述和实施例不因为被包括在本部分中而被认为是现有技术。
晶片检查系统经常在每个芯片上发现数千个异常（普遍被称为“事件”或“缺陷”）。缺陷可以具有很多形式，例如结构瑕疵、工艺残留和可能在半导体晶片制造期间发生的外部污染。随着用于制作晶片的工艺发展，感兴趣的缺陷类型也改变。缺陷的重要性取决于几个因素，例如外观以及诸如尺寸和位置的其他特性。
因此，分类在晶片和其他样品上发现的缺陷已经越来越重要，以便除了将感兴趣的缺陷类型与其他缺陷类型区分开以外，确定什么种类的缺陷出现在晶片上。分类缺陷可以还包括确定缺陷是真正的缺陷还是干扰缺陷（nuisance defect）。干扰缺陷可以被一般地定义为样品的这样的部分，所述部分在检查期间显得是缺陷但并非真正有缺陷的。
一般来说，分类在晶片检查已经完成之后进行。此外，分类通常在缺陷评估（review）期间或缺陷评估之后进行。缺陷评估一般包括使用与曾用于检查的工具不同的工具。例如，缺陷检测通常使用光学检查工具来进行，而缺陷评估通常使用电子束评估工具来进行。然而，缺陷评估可以使用具有比光学检查工具更高的放大率或分辨率的光学评估工具来进行。以这样的方式，缺陷评估工具可以被用来获得关于可能的缺陷的更详细的信息。因此，由缺陷评估工具生成的信息可能尤其适合于缺陷分类。
在过去，已经以几种不同的方式来进行缺陷分类。例如，可以完全由操作者以手动方式来进行缺陷分类。典型地，以一次一个的方式顺序地向操作者呈现缺陷图像或者用于每个缺陷的其他缺陷数据。随后，该操作者基于缺陷外观和可能其他特性（粗糙度）来向缺陷指派分类（例如，凹陷，粒子等等）。有经验的操作者可能在分类晶片上的缺陷方面还算有效率。然而，即使是由最熟练和最有经验的操作者进行的手动缺陷分类也要耗费不可接受地长的时间。例如，操作者一般以一次一个的方式分类各个缺陷。以这种方式，无论操作者多熟练，进行分类所需的时间将必然取决于曾在晶片上检测到多少个缺陷。此外，一个接一个重复地评估很多缺陷图像或其他数据将必然导致操作者疲劳以及注意力不集中。因此，即使是熟练的操作者也可能由于降低的警觉性而错误地分类缺陷。此外，雇用操作者来评估和分类缺陷是相当昂贵的，尤其是因为如上面描述的手动缺陷分类是如此地费时。
因为对于当前使用的用于手动缺陷分类的方法来说存在着相当数量的缺点，所以已经努力使缺陷分类工艺自动化。现在已经有几种完全自动的缺陷分类（ADC）工具可用。典型地，这些工具使用分类“配置（recipe）”来进行缺陷分类。“配置”可以被一般地定义为这样的指令集，所述指令集定义要被工具执行的操作，并且一旦用户请求，所述指令集被提供给所述工具并且在所述工具上运行。典型地，使用之前的关于具体缺陷类别的数据来生成所述配置，所述数据可以被集合在适当的数据库中。在最简单的实现中，ADC工具可以随后将未知的缺陷与被包括在所述具体的缺陷类别中的那些缺陷进行比较，以确定该未知的缺陷最像哪个缺陷类别。显然，ADC工具可以使用复杂得多的算法来确定所述未知缺陷最有可能属于缺陷类别中的哪一个。
ADC的概念相当简单。然而，已经证明实现相当复杂和困难。例如，生成用于ADC配置的适当的数据库通常涉及使用晶片检查和手动缺陷分类来在晶片上定位大量的每种缺陷类型，这可以如上面描述的那样进行。针对具有特定类型的每个缺陷的数据可以随后被组合成适当的数据库。被包括在该数据库中的缺陷数据可以被用户选择。这个代表性缺陷数据集可以被共同地称为“训练集（training set）”。尽管如上面描述的那样生成的数据库可能相对准确，但是生成该数据库通常耗时并且昂贵。此外，因为ADC配方趋向于仅对于那些与训练集中的缺陷相当类似的缺陷准确，所以ADC配方可能仅对于基本上类似的工艺有用，这些类似的工艺随着时间的推移趋向于产生相同种类的缺陷。不是足够类似于数据库中的缺陷的那些缺陷可能被不正确地分类或者根本不被分类。因此，ADC配置经常不能用于不同工艺或不同类型的样品，并且因此，很多这样的配置可以是取决于要被检查的缺陷和样品而生成的。这样，ADC配置的不灵活性可能增加ADC的成本，因为每次工艺或样品改变，ADC配置就需要被手动地更新。此外，生成很多不同的ADC配置的时间和花费可能也基本上是令人却步的。
尽管上面描述的缺陷分类方法和工具具有各种类型的缺点，但是未来缺陷分类的重要性在半导体器件制造中将只会增加。例如，缺陷分类可用于标识关于半导体制造工艺的问题。此外，缺陷分类可用于标识关于半导体器件设计的问题。因此，由于缺陷分类的结果可用于作出关于半导体工艺和设计的产出管理决策（yield management decision），所以半导体分类的准确度可能对半导体制造的成功有直接影响。
因此，开发相对低廉、快速、准确、灵活并且容易考虑很多不同类型的晶片或其他样品上的未预料的缺陷类型的、用于分类样品上的缺陷的计算机实现的方法和系统是有益的。
发明内容
下面对计算机实现的方法的各个实施方案的描述不应该以任何方式解读为限制所附的权利要求书的主题。
本发明的实施方案涉及用于分类样品上的缺陷的计算机实现的方法。所述方法包括基于在所述样品上检测到的各个缺陷的一种或更多种特性。在一个实施方案中，所述一种或更多种特性包括缺陷特征向量、提取的（extracted）特征、特征属性或它们的一些组合。在一些实施方案中，所述一种或更多种特性是从对所述各个缺陷的电子束评估生成的数据来确定的。在其他实施方案中，所述一种或更多种特性是从对所述各个缺陷的电子束评估生成的数据结合对所述样品的光学检查生成的数据来确定的。
在实施方案中，所述方法包括基于所述样品的一种或更多种特性选择分类配置。例如，可以基于正在所述样品上形成的器件选择所述分类配置。在不同的实施方案中，所述方法包括基于在所述样品上进行的一种或更多种工艺选择分类配置。在这两种实施方案中，将所述各个缺陷指派到缺陷组的步骤可以包括使用所述分类配置来将所述各个缺陷指派到所述缺陷组。在其他实施方案中，将所述各个缺陷指派到缺陷组的步骤包括使用自动缺陷分类代码来将所述各个缺陷指派到所述缺陷组。在可替换的实施方案中，将所述各个缺陷指派到缺陷组的步骤包括使用自然分组（natural grouping）来将所述各个缺陷指派到所述缺陷组。
在一个实施方案中，所述缺陷组包括针对具有一个或更多个未识别特性的所述各个缺陷的缺陷组。在另一个实施方案中，所述缺陷组包括针对曾被检查检测到但未曾被评估再次检测到的所述各个缺陷的缺陷组。
所述方法还包括向用户显示关于所述缺陷组的信息。在一个实施方案中，被显示给所述用户的所述信息包括用于所述缺陷组的概然分类。在另一个实施方案中，所述信息包括关于被包括在所述缺陷组中的每一个组中的一个或更多个典型缺陷（例如非离群（non-outlier））的信息。在额外的实施方案中，所述信息包括关于所述各个缺陷中的一个或更多个的数据。所述数据可以是由电子束评估工具生成的。可替换或者可附加地，所述数据可以是由光学检查工具生成的。
此外，所述方法包括允许所述用户向所述缺陷组中的每一个组指派分类。所述方法还包括允许所述用户将所述各个缺陷中的一个或更多个从所述缺陷组中的一个组移动到所述缺陷组中的另一个组。在一些实施方案中，所述方法包括允许所述用户创建一个或更多个额外的缺陷组，以及将所述各个缺陷中的一个或更多个从所述缺陷组移动到所述一个或更多个额外的缺陷组。
在进一步的实施方案中，所述方法包括基于由所述用户指派的分类生成分类配置。以这种方式，所述方法可以包括“从零开始”生成分类配置。所述分类配置可以被用于半自动的缺陷分类方法和自动的缺陷分类方法。在另一个实施方案中，将所述各个缺陷指派到缺陷组的步骤包括使用分类配置来将所述各个缺陷指派到所述缺陷组。可以如上面描述的那样选择分类配置。所述方法的这样的实施方案还可以包括基于由所述用户指派的所述分类更改所述分类配置。以这种方式，所述方法可以包括“校正”或“更新”现存的分类配置。在另外的实施方案中，所述方法包括基于由所述用户指派的所述分类生成训练集。
所述方法还可以包括基于由所述用户指派的所述分类分析所述各个缺陷、所述样品、在所述样品上进行的工艺或者它们的组合。此外，所述方法可以包括基于由所述用户指派的所述分类作出产出管理决策。上面描述的方法的每一个实施方案可以包括本文中描述的任何其他一个或多个步骤。
另一个实施方案涉及一种不同的用于分类样品上的缺陷的计算机实现的方法。该实施方案包括基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷指派到缺陷组。可以如上面描述的那样将所述各个缺陷指派到缺陷组。所述方法还包括向用户显示关于所述缺陷组的信息。所述信息包括被指派给所述缺陷组中的每一个组的分类。此外，所述方法包括允许所述用户确认或更改被指派给所述缺陷组中的每一个组的所述分类。所述方法还包括本文中描述的任何其他一个或多个步骤。
另外的实施方案涉及一种被配置来分类样品上的缺陷的系统。所述系统包括在处理器上可执行的程序指令，所述程序指令用于基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷指派到缺陷组。所述系统还包括用户界面，所述用户界面被配置来向用户显示关于所述缺陷组的信息，并且允许用户向所述缺陷组中的每一个组指派分类。
在一个实施方案中，允许所述用户向所述缺陷组中的每一个组指派分类的步骤包括允许所述用户确认或拒绝由所述程序指令指派给所述缺陷组中的每一个组的分类。在另一个实施方案中，允许所述用户向所述缺陷组中的每一个组指派分类的步骤包括允许所述用户更改由所述程序指令指派给所述缺陷组中的每一个组的分类。上面描述的系统的每一个实施方案可以如本文中描述的那样被进一步配置。
本发明还提供一种用于分类样品上的缺陷的计算机实现的方法，所述方法包括：基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷指派到缺陷组；向用户显示关于所述缺陷组的信息；以及允许所述用户向所述缺陷组中的每一个组指派分类。
其中，所述一种或更多种特性包括缺陷特征向量、提取的特征、特征属性或它们的一些组合。
其中，所述一种或更多种特性是从对所述各个缺陷的电子束评估生成的数据来确定的。
其中，所述一种或更多种特性是从对所述各个缺陷的电子束评估生成的数据结合对所述样品的光学检查生成的数据来确定的。
其中，所述方法还包括基于所述样品的一种或更多种特性选择分类配置，其中所述指派步骤包括使用所述分类配置来将所述各个缺陷指派到所述缺陷组。
其中，所述方法还包括基于在所述样品上进行的一种或更多种工艺选择分类配置，其中所述指派步骤包括使用所述分类配置来将所述各个缺陷指派到所述缺陷组。
其中，所述指派步骤包括使用自动缺陷分类代码来将所述各个缺陷指派到所述缺陷组。
其中，所述指派步骤包括使用自然分组来将所述各个缺陷指派到所述缺陷组。
其中，所述缺陷组包括针对具有一个或更多个未识别特性的所述各个缺陷的缺陷组。
其中，所述缺陷组包括针对曾被检查检测到但未曾被评估再次检测到的所述各个缺陷的缺陷组。
其中，所述信息包括用于所述缺陷组的概然分类。
其中，所述信息包括关于被包括在所述缺陷组中的每一个组中的一个或更多个典型缺陷的信息。
其中，所述信息包括关于所述各个缺陷中的一个或更多个的数据，并且其中所述数据是由电子束评估工具生成的。
其中，所述信息包括关于所述各个缺陷中的一个或更多个的数据，并且其中所述数据是由光学检查工具生成的。
其中，所述方法还包括允许所述用户将所述各个缺陷中的一个或更多个从所述缺陷组中的一个组移动到所述缺陷组中的另一个组。
其中，所述方法还包括允许所述用户创建一个或更多个额外的缺陷组，以及将所述各个缺陷中的一个或更多个从所述缺陷组移动到所述一个或更多个额外的缺陷组。
其中，所述方法还包括基于由所述用户指派的分类生成分类配置，其中所述分类配置可以被用于半自动的缺陷分类方法和自动的缺陷分类方法。
其中，所述指派步骤包括使用分类配置来将所述各个缺陷指派到所述缺陷组，所述方法还包括基于由所述用户指派的所述分类更改所述分类配置。
其中，所述方法还包括基于由所述用户指派的所述分类生成训练集。
其中，所述方法还包括基于由所述用户指派的所述分类分析所述各个缺陷、所述样品、在所述样品上进行的工艺或者它们的组合。
其中，所述方法还包括基于由所述用户指派的所述分类作出产出管理决策。
本发明还提供一种用于分类样品上的缺陷的计算机实现的方法，所述方法包括：基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷指派到缺陷组；向用户显示关于所述缺陷组的信息，其中所述信息包括被指派给所述缺陷组中的每一个组的分类；以及允许所述用户确认或更改被指派给所述缺陷组中的每一个组的所述分类。
本发明还提供一种被配置来分类样品上的缺陷的系统，所述方法包括：在处理器上可执行的程序指令，所述程序指令用于基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷指派到缺陷组；以及用户界面，所述用户界面被配置来向用户显示关于所述缺陷组的信息，并且允许所述用户向所述缺陷组中的每一个组指派分类。
其中，所述允许的步骤包括允许所述用户确认或拒绝由所述程序指令指派给所述缺陷组中的每一个组的分类。
其中，所述允许的步骤包括允许所述用户更改由所述程序指令指派给所述缺陷组中的每一个组的分类。
附图说明
受益于下面对优选实施方案的详细描述并且参照附图之后，本领域中的那些技术人员将清楚本发明的进一步的优点，在所述附图中：
图1是图示用于分类样品上的缺陷的计算机实现的方法的一个实施方案的流程图；
图2是图示对于本文所描述的方法的实施方案来说可预期的示例性用于分类的时间相对于手动分类的图（plot）；
图3是图示对于本文所描述的方法的实施方案来说可预期的示例性成功率的图；
图4是图示被配置来分类样品上的缺陷的系统的一个实施方案的侧视图的示意图；以及
图5-7是图示可以被包括在本文所描述的系统的实施方案中的用户界面的实施例的屏幕照片（screenshot）。
尽管本发明容许各种修改和可替换的形式，但是本发明的具体实施方案在附图中以实施例的方式被示出，并且可以在这里被详细地描述。附图可以不按比例绘制。但是，应该理解附图和对本发明的详细描述并不想要将本发明限制为公开的特定形式，并且正相反，本发明要覆盖所有落入如所附的权利要求书定义的本发明的精神和范围内的修改、等同物和替代。
具体实施方式
使用在这里，术语“缺陷”指可以在样品上发现的任何异常。使用在这里，术语“样品”指晶片或诸如掩模版（reticle）的本领域已知的任何其他样品，所述掩模版还可以被普遍地称为“掩模（mask）”。尽管在本文中关于晶片来描述实施方案，但是应该理解，所述实施方案可以被用于分类在本领域已知的任何其他样品上检测到的缺陷。
使用在这里，术语“晶片”一般地指由半导体或非半导体材料形成的衬底（substrate）。这样的半导体或非半导体材料的例子包括但不限于，单晶硅、砷化镓和磷化铟。在半导体制造设施中普遍可以找到和/或处理这样的衬底。
晶片可以仅包括衬底，例如原始晶片。可替换地，晶片可以包括形成在衬底上的一个或更多个层。例如，这样的晶片可以包括但不限于，抗蚀剂、电介质材料和导电材料。抗蚀剂可以包括可以由光刻技术、电子束光刻技术或X-射线光刻技术图形化的任何材料。电介质材料的例子包括但不限于，二氧化硅、氮化硅、氮氧化硅，以及氮化钛。电介质材料另外的例子包括：“低k”电介质材料，所述“低k”电介质材料例如在商业上可从加州圣克拉拉的应用材料公司（Applied Materials,Inc.）获得的Black DiamondTM，以及在商业上可从加州圣何塞的Novellus Systems,Inc获得的CORALTM；“超低k”电介质材料，例如“干凝胶（xerogel）”；以及，“高k”电介质材料，例如五氧化二钽。此外，导电材料的例子可以包括但不限于，铝、多晶硅和铜。
在晶片上形成的一个或更多个层可以被图形化或不被图形化。例如，晶片可能包括多个具有可重复图形特征的管芯（die）。这样的材料层的形成和处理最终可以导致完成的半导体器件。因此，晶片可以包括衬底，完成的半导体器件的所有层并非都已经在所述衬底上形成，或者晶片可以包括这样的衬底，完成的半导体器件的所有层都已在所述衬底上形成。在本文中，术语“半导体器件”与术语“集成电路”被可互换地使用。此外，诸如微机电（MEMS）器件等的其他器件可以被形成在晶片上。
本文所描述的方法可以被一般地描述为半自动的缺陷分类方法。本文中所描述的方法还可以被描述为动力辅助分类（power assisted classification，PAC）方法。例如，本文所描述的方法一般包括基于缺陷的一种或更多种特性自动地分组所述缺陷。接下来，缺陷组可以被用户分类。在一个这样的实施例中，可以给用户呈现对缺陷组的概然（probable）或者可能的（possible）分类连同关于所述缺陷的一些信息。随后用户可以确认或拒绝所提议的分类。此外，用户可以更改所述提议的分类。以这种方式，所述方法既包括自动步骤又包括手动步骤。
本文中描述的方法和系统提供优于诸如上面描述的其他缺陷分类方法和系统（例如手动分类或自动分类）的优点。例如，本文中描述的方法提供对分类的显著的用户控制，所述分类最终被指派到缺陷组。然而，所述用户可以分类缺陷而不必如在当前可用的手动分类方法中那样一次一个地分类各个缺陷。因此，本文中描述的方法比手动分类方法快得多、更高效并且不那么昂贵。此外，因为本文中描述的方法和系统给用户提供纠正各个缺陷的分组以及被指派给缺陷组的分类的能力，所以本文中描述的方法和系统可以在提供自动缺陷分类（ADC）方法的很多优点（例如高吞吐量）的同时比ADC方法更准确。
此外，本文中描述的方法和系统可以被用来基于所述方法的结果动态地创建和更新分类配置。以这样的方式，所述方法和系统可以被用来创建可以用于半自动和/或ADC的分类配置，所述分类配置可以比以其他方式创建的分类配置更准确。此外，本文中描述的方法和系统比ADC方法更灵活，因为可以基于关于样品、感兴趣的缺陷和/或在样品上进行的工艺的信息来选择被用于分组的缺陷特性。此外，本文中描述的方法和系统可以与各种缺陷数据一起使用，所述缺陷数据诸如由光学检查和/或评估工具生成的数据、由电子束评估工具生成的数据，或者来自光学检查和/或评估工具以及电子束评估工具两者的数据的组合。在本文所提供的描述中可以找到所述用于分类缺陷的方法和系统的额外的优点和进一步的细节。
现在转向附图，图1图示用于分类样品上的缺陷的计算机实现的方法。注意到，图1中示出的步骤对于该方法的实践来说并非是必不可少的。一个或更多个步骤可以从图1中示出的方法中省略或添加到所述方法中，并且，仍然能够在该实施方案的范围内实践所述方法。
所述方法可以在用户选择用于分类的结果集（未示出）时开始。可以使用如本文中进一步描述的用户界面来选择所述结果集。所述方法包括如步骤10所示出的将在样品上检测到的各个缺陷指派到缺陷组。基于所述各个缺陷的一种或更多种特征，所述各个缺陷被指派到缺陷组。在一个实施方案中，被用于分组缺陷的所述缺陷的一种或更多种特征包括缺陷特征向量、提取的特征、特征属性或者它们的组合。缺陷特征向量、提取的特征和特征属性可以包括本领域已知的任何种类。此外，缺陷特征向量、提取的特征和特征属性可以以本领域已知的任何方式被确定。所述提取的特征中的一种或更多种可以被加权，并且所述提取的特征可以如针对Baker等的PCT公开WO01/40145中所说明的那样被相应地进行比较，所述公开通过引用而被包括，如同是全部在本文中提出的一样。此外，如授予Han的美国专利6,104,835中说明的那样，缺陷的提取的特征可以与数据库（例如知识库）中已分类缺陷的特征进行比较，所述专利通过引用而被包括，如同是全部在本文中提出的一样。
可以从通过对各个缺陷的电子束评估生成的数据来确定缺陷的一个或更多个特性。可以用诸如eV300扫描电子显微镜（SEM）评估工具的电子束评估工具或本领域中任何其他适当的电子束评估工具来执行对各个缺陷的电子束评估，所述eV300扫描电子显微镜（SEM）评估工具在商业上可从加利福尼亚州圣何塞市的KLA-Tencor获得。在不同的实施方案中，可以从通过对各个缺陷的光学评估生成的数据来确定缺陷的一个或更多个特性。可以使用诸如2360和AIT XP系统的光学高分辨率成像系统或者任何本领域已知的其他光学评估工具来进行光学评估，所述2360和AIT XP系统均在商业上可从KLA-Tencor获得。在再一个实施方案中，可以从对所述各个缺陷的电子束评估生成的数据结合对所述样品的光学检查生成的数据来确定缺陷的一个或更多个特性。可以使用上面描述的光学系统以及本领域已知的任何其他光学检查系统来进行光学检查。
可以使用本领域任何已知的方法来分组缺陷。然而，与其他方法和系统不同，本文中描述的方法和系统可以在基于可获得的数据来分组缺陷的方式方面变化。换言之，计算机实现的方法的行为可能基于可获得的与所述数据一起工作的工具而改变。例如，如果没有现存的用于曾被检查的样品的分类配置，则所述方法将从对当前样品的检查和评估可获得的数据进行工作。可以从来自用户的输入（例如用户指示感兴趣的缺陷的数量或种类）确定各个缺陷被指派到的缺陷组。相反，如果有现存的用于在检查之前已经形成在样品上的层的分类配置，则所述方法将该分类配置用作在设置用于缺陷分组的参数时的起点。此外，如果有现存的用于形成在正被检查的样品上的所述层上的器件的分类配置，所述方法将该分类配置用于缺陷分组。
如步骤12中示出的，以这种方式，所述方法可以包括选择分类配置，所述分类配置将被用来把各个缺陷指派到缺陷组中。可以基于样品的一种或更多种特性和/或在样品上执行的一种或更多种工艺来选择分类配置。此外，可以通过为分类配置指派与被指派给正被检查的器件层的名称相同的名称而使分类配置的选择自动化。在其他实施方案中，将各个缺陷指派到缺陷组可以包括使用ADC代码来将各个缺陷指派到缺陷组。在不同的实施方案中，将各个缺陷指派到缺陷组可以包括使用自然分组来将各个缺陷指派到缺陷组。
如步骤14中所示出的，所述方法还包括向用户显示关于缺陷组的信息。可以用例如本文中进一步描述的那些用户界面显示所述信息。优选地，关于缺陷组的信息以这样的方式被显示，即用户可以轻易地评估和评价（evaluate）各个缺陷到缺陷组的指派结果，并且从而所述用户可以在所述各个缺陷和所述缺陷组上执行一个或更多个功能。
例如，所述信息可以包括概然或者可能的用于缺陷组的分类。此外，所述信息可以包括用于少于全部缺陷组的概然分类。例如，缺陷组可以包括针对具有一个或更多个未识别特性的各个缺陷的缺陷组。换言之，所述缺陷组中的一个组可以包括不可以被指派到所述可能的缺陷组中的一个组的各个缺陷。这个缺陷组可以被指示为“未知”，或者用一些其他适当的缺陷组标识来指示，所述缺陷组标识指示这些缺陷未曾被识别。此外，缺陷组可以包括针对曾被检查检测到但是未曾被评估再次检测到的各个缺陷的缺陷组。这样的缺陷可能是或者可能不是真正的缺陷。因此，这些各个缺陷可以被分组在一起，并且被标识以用于用户评估。
向用户显示的信息还可以包括关于被包括在所述缺陷组中每一个组中的一个或更多个典型缺陷的信息。所述一个或多个典型缺陷可以包括非离群缺陷。以这种方式，所述典型缺陷可以包括一般地代表整个缺陷组的各个缺陷。此外，向用户显示多于一个典型缺陷的步骤可以向用户提供对缺陷组中缺陷的平均特性的估计，由此可能使所述用户能够作出对缺陷组分类的准确评定（assessment）。
此外，被显示给用户的、关于所述缺陷组中一个或更多个组中的各个缺陷的一个或更多个的数据可以包括由电子束评估工具生成的数据。以这种方式，被显示的数据可以包括SEM图像（例如自顶向下SEM图像和/或横截面SEM图像）。优选地，被显示给用户的信息是高放大率图像，因为这类数据在视觉上向用户提供关于缺陷的实质量的信息。可附加地或者可替换地，被显示给用户的数据可以包括由光学检查工具生成的数据。例如，光学检查数据可以取代或者附加于针对未曾由评估再次检测到的各个缺陷的电子束评估数据而被显示。以这种方法，当确定是否检测到的缺陷真正存在时，用户可以评估曾指示缺陷存在的数据（例如检查数据）以及曾指示缺陷不存在的数据（例如评估数据）两者。
如步骤16中示出的，所述方法还包括允许用户向缺陷组中的每一个组指派分类。向缺陷组中的每一个组指派分类的步骤可以包括确认或拒绝曾由所述计算机实现的方法提议的分类。此外，向缺陷组中的每一个组指派分类的步骤可以包括更改曾由所述计算机实现的方法提议的一种或更多种分类。以这种方式，本文中描述的方法和系统向用户提供对被指派的分类的最终控制。因此，用户可以校正曾由所述计算机实现的方法错误地提议的任何分类。
如步骤18中示出的，所述方法还可以包括允许用户将各个缺陷中的一个或更多个从所述缺陷组中的一个组移动到所述缺陷组中的另一个组。以这种方式，用户可以校正由所述计算机实现的方法所作出的各个缺陷到缺陷组的任何不正确的指派。此外，如步骤20中示出的，所述方法可以包括允许用户创建一个或更多个额外的缺陷组，以及将各个缺陷中的一个或更多个从缺陷组移动到所述一个或更多个额外的缺陷组。例如，如果在样品上检测到未预期的缺陷类型，创建新的缺陷组的能力可能特别有用。用户还可以针对特定缺陷组的子组创建新的缺陷组。
在一些实施方案中，如步骤22所示，所述方法还可以包括生成分类配置。可以基于用户指派的分类来生成分类配置。这样的分类配置可以用于例如本文中描述的那些半自动的缺陷分类方法。此外，所述分类配置可以用于ADC方法。以这种方式，分类结果可以用于创建和改进对缺陷的自动分类或进容器（binning）。
在另一个实施方案中，如果分类配置被用于将各个缺陷指派到缺陷组，则如步骤24所示，所述方法可以包括更改所述分类配置。可以基于由用户指派的分类来更改分类配置。以这种方式，分类的结果可以被用来改进用于初始分组的分类配置，所述分类配置随后可以用于在其他晶片上的后续缺陷分类。在一种模式下，可以允许特许用户指导分类配置的改进。在另一种操作形式中，分类配置可以被自动地更改。以这种方式，所述方法可以被用于基于实际的缺陷数据、实际的分类结果和来自用户的反馈生成并更新现存的分类配置，由此产生比以其他方式生成的分类配置“更灵巧的（smarter）”分类配置。
例如，图2图示针对多个晶片手动分类在其间完成的估计时间和使用文本中描述的方法在其间完成分类的估计时间。图2中示出的时间图示了在其间每个晶片上100个缺陷被分类的时间，这是为了在多个晶片之间使时间标准化。缺陷在其上被分类的晶片在检查和评估之前被类似地处理。手动分类是如上面所描述的那样通过高级操作者使用标准的缺陷图像库（gallery）来进行的。晶片被顺序地处理（即，缺陷在晶片1上被分类，随后缺陷在晶片2上被分类，等等）。
如图2中示出的，对于前三个晶片，在其间手动分类完成的时间和在其间本文描述的分类方法（在图2中被称为“ePAC”或者“电子束动力辅助分类”）完成的时间两者均减少。在其间操作者完成手动分类的时间减少至少部分是因为随着该操作者分类越来越多的缺陷，该操作者对晶片上的缺陷变得益发熟悉。在其间本文中描述的分类方法完成的时间减少至少部分是因为随着越来越多的缺陷被分类，该方法对晶片上的缺陷变得益发熟悉。换言之，所述计算机实现的方法随晶片变得“更灵巧”和更快。所述计算机实现的方法的增加的熟悉程度至少部分是因为随着缺陷被分类而进行的分类配置的升级。
如图2中进一步示出的，在其间操作者完成对晶片3-6上的缺陷的分类的时间基本上恒定。这个恒定的时间反映出尽管操作者的经验水平和对缺陷的熟悉度随时间增加，但是在某个时间点，将达到完成的最少时间。该完成的最少时间将根据被分类的缺陷的数量而改变，因为该操作者必须一次一个地分类每个缺陷。相反，在其间所述计算机实现的方法完成晶片3-6上缺陷分类的时间持续减少。如图2中示出的，在其间所述计算机实现的方法完成晶片3-6上缺陷分类的时间以指数的方式减少。缺陷分类时间这样的实质性减少反映出这样的事实，即所述计算机实现的方法如上面所描述的那样针对在其上缺陷被分类的每个晶片变得“更灵巧”。此外，如图2中示出的，即使在对于操作者来说已经达到了用于分类的最少时间时，所述计算机实现的方法持续变快。以这种方式，本文中描述的计算机实现的方法的吞吐量可以实质性地高于手动分类的吞吐量。
如图3中示出的，随着在其上缺陷被分类的晶片数量增加，本文中描述的计算机实现的方法还变得更准确。例如，如图.3中示出的，在仅仅4个晶片上，被所述计算机实现的方法正确地分类的缺陷的成功率或者百分比从60%实质性地增加到90%。此外，对于在其上缺陷被分类的每个芯片，所述计算机实现的方法的误分类指数（misclassification index）减少。以这种方式，本文中描述的计算机实现方法不仅随时间变得更快，并且他们还随时间变得更准确。因此，计算机实现的方法可以在它们已经分类了大量晶片上的缺陷后变得更适合于在ADC方法和工具中使用。
如图1的步骤26所示的，所述方法还包括基于由用户指派的分类生成训练集。训练集可以被一般地定义为关于缺陷的数据集，所述数据集可以被用于定义分类配置中的参数并且可以被用于验证缺陷分类。在本文中描述的方法中，可以在用户已经提供了关于缺陷组的反馈之后自动地生成训练集。此外，训练集可以包括针对多于一个样品的缺陷数据。其数据被包括在训练集中的样品可以包括在相同工艺已经在样品上执行之后被检查的所述样品。此外，所述方法可以包括生成全新的训练集或者更新现存的训练集。以这种方式，所述计算机实现的方法维护从缺陷分类收集的知识“存储器（memory）”，由此使持续的知识建立能够进行。此外，训练集可以包括更多个具有相同类型的缺陷，由此增加定义缺陷组的参数的准确性。
在一些实施方案中，如步骤28中示出的，所述方法可以包括分析各个缺陷、样品、在所述样品上进行的工艺或者它们的组合。分析各个缺陷可以包括，例如，处置（disposition）所述各个缺陷（例如确定所述各个缺陷是否可以或应该被修复）。分析样品可以包括处置所述样品（例如确定所述样品是否可以被清洁或者以其他方式被修复，确定所述样品是否应该重新加工，确定将在所述样品上进行的一种或更多种工艺的一个或更多个参数，等等）。分析曾在样品上进行的工艺可以包括，例如，确定是否应该维护用于该工艺的工艺工具，确定该工艺是否超出规范并且如果是的话该工艺的哪些参数应该被修改以使该工艺回到规范内，确定用于该工艺的一个或更多个参数的校正项，等等。以这种方式，因为本文中描述的方法生成关于出现在样品上的缺陷种类的有价值的信息，所以所述方法可以使用该信息来作出关于所述缺陷、样品和/或工艺的明智的决策。
以类似的方式，如步骤30中示出的，所述方法可以包括进行产出管理决策。产出管理决策可以基于用户指派的分类。产出管理决策可以包括决策曾在样品上进行的工艺是否以及如何被更改。优选地，可以更改工艺来降低在其上进行该工艺的其他样品上出现缺陷的数量。产出管理决策还可以包括决策将在样品上进行的工艺是否以及如何被更改。例如，可以更改要在样品上进行的工艺来补偿所述样品的缺陷及其他特性。此外，产出管理决策可以包括决策正在样品上形成的器件的设计是否以及如何被更改。例如，如果缺陷被该方法分类为形成在样品的层上的特征的圆角（corner rounding），则该方法可以指示应该向该设计中添加光学临近校正（OPC）。如果OPC特征已经被包括在该设计中，则该方法可以指示该设计中的OPC特征应该被更改。显然，这是诸如集成电路设计可以如何被更改的一个实施例，而所述设计可以以多种其他方式中任何一种被更改。
因此，上面描述的方法的实施方案通过在分类处理的准备中对缺陷进行分组，提供了对半导体晶片上的缺陷的更快、更容易并且更可靠的半手动分类。这种分组利用缺陷的当前特征和/或属性，并且使用来自曾检查晶片的其他工具的特征和/或属性。所述计算机实现的方法还在整个分类过程中“动力辅助”所述的用户。此外，通过共享信息，本文中描述的分类方法可以被用作用于检查者的到自动分类（对于高分辨率工具）和进容器的用户友好的进阶石。手动分类和缺陷图像或者其他缺陷数据可以在计算机实现的方法完成时（以KLARF或其他标准文件的形式）被发送出去，以用于数据分析。
图4图示被配置来分类样品40上的缺陷的系统的一个实施方案。具体来说，图4中图示的系统实施方案可以特别地适合于执行本文中描述的计算机实现的方法中的一种或更多种。图4中示出系统被配置来评估样品40上的缺陷，所述样品40可以是晶片。然而，所述系统可以具有任何本领域已知的、适于评估任何其他样品（例如掩模版）上的缺陷的配置。
该系统包括处理器42和载体介质44。载体介质44包括可以是在处理器42上可执行的程序指令46。所述程序指令可以是在处理器上可执行来基于在样品上检测到的各个缺陷的一个或更多个特性将所述各个缺陷指派到缺陷组。将各个缺陷指派到缺陷组的步骤可以如上面描述的那样进行。所述程序指令还可执行来进行上面描述的方法的实施方案中任何一种的额外的步骤。所述程序指令可以如上面描述的那样被进一步配置。
实现诸如本文中描述的那些方法的程序指令可以在载体介质上传输或者被储存在载体介质上。载体介质可以是诸如电线、线缆或无线传输链路的传输介质。载体介质还可以是诸如只读存储器、随机访问存储器、磁或光盘或者磁带的储存介质。
所述程序指令可以以各种方式中的任何一种来实现，包括基于过程的技术、基于组件的技术和/或面向对象的技术。例如，程序指令可以使用ActiveX控制、C++对象、JavaBeans、微软基础类（“MFC”）或如期望的其他技术或方法来实现。
所述处理器可以采取各种形式，包括个人计算机系统、大型计算机系统、工作站、网络应用平台、因特网应用平台、个人数字助理（“PDA”）、电视系统或其他设备。总的来说，术语“计算机系统”可以被广泛地定义来包括具有一个或更多个处理器的任何设备，所述计算机系统执行来自存储介质的指令。
所述系统还可以包括用户界面48，所述用户界面48被配置来向用户显示关于缺陷组的信息，并且允许用户向每个缺陷组指派分类。被显示给用户的信息可以包括任何如上面描述的信息。在一个实施方案中，允许用户指派分类可以包括允许用户确认或拒绝由所述程序指令指派到每个缺陷组的分类。在另一个实施方案中，允许用户指派分类可以包括允许用户更改由所述程序指令指派到每个缺陷组的分类。所述用户界面可以被配置来进行如本文中描述的额外的步骤（例如允许用户将缺陷从一个缺陷组移动另一个组）。下面进一步地描述了适当的用户界面的示例性屏幕照片。用户界面可以以任何适于执行本文中描述的功能的方式被实现。
所述系统可以被配置为独立的工作站。换言之，所述系统可以包括处理器42、载体介质44、程序指令46、用户界面48，以及任何其他计算机相关组件（例如联网硬件等等），但是不包括任何检查或缺陷评估相关的硬件（例如光学子系统）。可替换地，所述系统可以包括检查和/或评估工具50。工具50可以被配置来评估样品40上的缺陷，并且为所述样品生成包含关于该样品上的缺陷的信息的评估数据。在一些实施方案中，工具50可以被配置来检查样品40，并且为该样品生成检查数据。
工具50可以耦合到处理器42。例如，工具50的一个或更多个组件可以通过传输介质（未示出）耦合到处理器42。传输介质可以包括“有线”和“无线”部分。在另一个实施例中，工具50的检测器52可以被配置来生成输出54。所述输出可以经过传输介质从检测器52传输到处理器42。在一些实施方案中，所述输出还可以通过耦合在检测器和处理器之间的一个或更多个电子组件被传输。因此，输出54从所述工具被传输到所述处理器，并且程序指令46可以是在所述处理器上可执行的，以使用被包括在输出54中的评估数据来分类样品上的缺陷。
检查和/或评估工具50可以被配置为使用任何本领域已知的技术来执行缺陷评估。例如，所述工具可以被配置来形成样品的高分辨率图像。此外，所述工具包括台56，在缺陷评估期间样品40被设置在所述台56上。所述台可以包括在本领域中已知的任何适当机械的或机器人装置。所述工具还可以包括光源58。光源58可以包括在本领域中已知的任何合适光源。另外，所述工具可以包括分束器60，所述分束器60被配置成以大致垂直于样品40的上表面的角度将光从光源58引导到样品40上。所述分束器可以包括在本领域中已知的任何适当的分束器。所述工具还包括检测器52，所述检测器52被配置来检测由分束器60透射的光。检测器还被配置来生成输出52。所述检测器可以包括在本领域中已知的任何适当的检测器。
尽管在图4中示出检查和/或评估工具的一种一般配置，但是应该理解，所述工具可以具有本领域中已知的任何适当的配置。例如，可以用2360工具的测量头或者诸如eV300SEM评估工具的非光学缺陷评估工具来替代检查和/或评估工具50，所述2360工具是AIT工具族中的一种，所有这些在商业上可从KLA-Tencor获得。此外，检查和/或评估工具可以包括其他例如基于椭圆偏光仪的系统、基于散射仪的系统等等的光学系统，和/或诸如CD SEM和eS25和eS30系统的e束系统，所述CD SEM和eS25和eS30系统在商业上可从KLA-Tencor获得。
图5是图示可用于执行上面描述的功能中的一种或更多种的用户界面的一个实施例的屏幕照片。所述用户界面的顶部右手侧70显示各个缺陷曾被指派到其中的缺陷组以及曾被指派到每个组的缺陷的数量。在该实施例中，缺陷曾被指派到其中的缺陷组的数量是基于用户曾选择的组的数量。当缺陷配置对于该计算机实现的方法的是用来说不可获得时，这样的缺陷组可能特别适合。
所述用户界面的左手侧72通过仅仅图示典型缺陷的样本（sample）来显示缺陷的分组。换言之，在该屏幕照片中示出特征间隔（space）的典型表示，并且在该实施例中未显示离群缺陷。在图5的屏幕照片中，在用户界面的左手侧图示概然类别1和概然类别2的典型缺陷，并且通过使用靠近用户界面左手侧72的右边的滚动条可以显示在其他概然类别中的典型缺陷。尽管在该实施例中使用缺陷图像来显示各个缺陷，但是应该理解，可以用任何其他本领域已知的缺陷数据并且特别是对于用户来说有意义的其他缺陷数据来向用户显示各个缺陷。此外，尽管在图5的用户界面中仅示出缺陷图像的一种类型，但是应该理解，所述用户界面可以向用户显示多于一种类型的缺陷数据。
如图5中所示，用户可以选择被指派到在用户界面的左手侧图示的缺陷组（例如类别1和2）中的缺陷，并且可以将所选择的缺陷移动到用户界面的底部右手侧的其他缺陷组（例如，类别3）。可以通过点击和拖拽各个缺陷图像来容易地实现这样的缺陷移动。以类似的方式，用户可以在用户界面的右手侧创建一个或更多个额外的缺陷组。此外，用户可以如上面描述的那样将各个缺陷指派到所述额外的一个或多个缺陷组。以这种方式，用户可以在定制的（customized）库中进行工作，以将缺陷从分组移动到分类“容器（bin）”中。此外，贯穿分类过程中，额外的缺陷可以在无需用户操作的情况下被系统在用户界面移动和/或放入容器。在用户已经手动地编辑了被包括在任何缺陷组中的各个缺陷之后，用户可以选择显示在用户界面中的例如“接受所有”的选项，以接受缺陷组中的各个缺陷。以这种方式，用户可以确认缺陷分类是正确的。用户界面可以如图5中示出的那样被进一步配置。此外，用户界面可以如本文中描述的那样被进一步配置。
图6是图示可用于执行上面描述的功能中的一种或更多种的用户界面的不同实施例的屏幕照片。所述用户界面的顶部右手侧80显示各个缺陷曾被指派到其中的缺陷组以及曾被指派到每个组的缺陷的数量。类似于上面描述的实施例，缺陷曾被指派到其中的缺陷组的数量是基于用户曾选择的组的数量。当缺陷配置对于该计算机实现的方法的使用来说不可获得时，这样的缺陷组可能特别适合。
所述用户界面的左手侧82通过图示各个缺陷的全部来显示缺陷的分组。换言之，在该实施例中示出特征间隔的典型表示以及离群缺陷。在图6的屏幕照片中，在用户界面的左手侧图示概然类别1和概然类别2的缺陷，并且通过使用靠近用户界面左手侧的右边的滚动条可以显示在其他概然类别中的缺陷。
如图6中所示，用户可以选择被指派到在用户界面的左手侧图示的缺陷组（例如类别1和2）中的缺陷，并且可以将所选择的缺陷移动到用户界面的底部右手侧84的其他缺陷组（例如，类别3）。可以通过点击和拖拽各个缺陷图像来容易地实现这样的缺陷移动。以类似的方式，用户可以在用户界面的右手侧创建一个或更多个额外的缺陷组。此外，用户可以如上面描述的那样将各个缺陷指派到所述额外的一个或多个缺陷组。用户界面可以如图6中示出的那样被进一步配置。此外，用户界面可以如本文中描述的那样被进一步配置。
计算机实现的方法所检测到的任何新的缺陷可以被指派到另一个缺陷组，所述缺陷组可以用诸如“概然新缺陷类型”的名称标识，并且也可以与所有其他缺陷组一起被图示在用户界面的左手侧。以这种方式，当从一种配置进行工作时，如果存在与任何之前分类的缺陷不匹配的缺陷，则可以提示用户单独地处理这些缺陷。此外，在用户界面中图示的缺陷组还可以包括针对在评估期间未曾被检测到的缺陷的缺陷组。这样的缺陷可以被标记（flag）为未找到缺陷（No Defect Found）或者“NDF”，并且在基于SEM的评估的情况下可以在例如名为“SEM不可见（SEM Non-Visuals）”的组中被示出。用户界面可以提示用户单独地处理这些缺陷。在用户界面中显示的关于这些缺陷的信息可以包括由光学检查生成的缺陷的低放大率图像，在所述光学检查期间所述缺陷曾被检测到。
图7是图示可用于执行上面描述的功能中的一种或更多种的用户界面的不同实施例的额外的屏幕照片。该用户界面图示在计算机实现的方法已经被执行之后可以被显示给用户的结果。例如，所述用户界面显示图90，所述图90图示分类的结果。此外，所述用户界面显示晶片形态图（map）92，所述晶片形态图92图示不同类别的缺陷和所述缺陷在晶片上的位置。所述用户界面还可以显示缺陷库94，所述缺陷库94图示如同排布在缺陷组中的缺陷和任何曾被用户指派给所述缺陷组的类别。尽管在图7中仅图示手动类别5和手动类别7中的缺陷，但是应该理解，可以使用例如缺陷库右边的滚动条来图示其他类别中的缺陷。
所述用户界面可以如图7中示出那样被进一步配置。此外，所述用户界面可以被配置来执行本文描述的额外的功能或任何本领域已知的其他功能。例如，所述用户界面可以被配置来允许用户标志（tag）缺陷，以指示该用户想要摆脱（ship）哪些缺陷。在一个这样的实施例中，分类（以及可选地在分类方法期间选择的图像）可以使用KFARF或其他标准文件被发送以用于进一步分析。此外，所述用户界面可以被配置来允许用户将结果发送到例如加工数据库（fab database）的数据库。
通过阅读本说明书，本领域中的那些技术人员可以清楚本发明的各个方面的进一步的修改和可替换的实施方案。例如，提供了生成用于仿真程序的输入或者生成掩模版的仿真图像的计算机实现的方法。因此，本说明书要被解读为仅是图示说明性的，并且是为了教导本领域中的那些技术人员实施本发明的一般方式。可以理解，在这里示出和描述的本发明的形式要被当作当前优选的实施方案。在这里图示和描述的元件和材料可以被替换，部件和工艺可以被颠倒，并且本发明的一些特征可以被独立地使用，在受益于本发明的本说明书之后，本领域中的技术人员将会清楚所有这些。可以对在这里描述的元件做出改变，而不会偏离如在所附的权利要求书中描述的本发明的精神和范围。

Claims (24)

1.一种用于分类样品上的缺陷的计算机实现的方法，包括：
基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷自动指派到缺陷组，其中在指派步骤中用户不是以每次一个的方式将所述各个缺陷指派到所述缺陷组；
在所述指派步骤之后，向所述用户显示关于所述缺陷组的信息，其中所述信息包括关于被包括在所述缺陷组中的每一个组中的一个或更多个典型缺陷的信息，其中不进行所述显示步骤，直到所述一个或更多个典型缺陷和其他缺陷已经被指派到所述缺陷组后；以及
允许所述用户向所述缺陷组中的每一个组指派分类，其中所述指派步骤、所述显示步骤以及所述允许步骤由计算机系统进行。
2.如权利要求1所述的方法，其中所述一种或更多种特性包括缺陷特征向量、提取的特征、特征属性或它们的一些组合。
3.如权利要求1所述的方法，其中所述一种或更多种特性是从对所述各个缺陷的电子束评估生成的数据来确定的。
4.如权利要求1所述的方法，其中所述一种或更多种特性是从对所述各个缺陷的电子束评估生成的数据结合对所述样品的光学检查生成的数据来确定的。
5.如权利要求1所述的方法，还包括基于所述样品的一种或更多种特性选择分类配置，其中所述指派步骤包括使用所述分类配置来将所述各个缺陷指派到所述缺陷组。
6.如权利要求1所述的方法，还包括基于在所述样品上进行的一种或更多种工艺选择分类配置，其中所述指派步骤包括使用所述分类配置来将所述各个缺陷指派到所述缺陷组。
7.如权利要求1所述的方法，其中所述指派步骤包括使用自动缺陷分类代码来将所述各个缺陷指派到所述缺陷组。
8.如权利要求1所述的方法，其中所述指派步骤包括使用自然分组来将所述各个缺陷指派到所述缺陷组。
9.如权利要求1所述的方法，其中所述缺陷组包括针对具有一个或更多个未识别特性的所述各个缺陷的缺陷组。
10.如权利要求1所述的方法，其中所述缺陷组包括针对曾被检查检测到但未曾被评估再次检测到的所述各个缺陷的缺陷组。
11.如权利要求1所述的方法，其中所述信息还包括用于所述缺陷组的概然分类。
12.如权利要求1所述的方法，其中所述信息还包括关于所述各个缺陷中的一个或更多个的数据，并且其中所述数据是由电子束评估工具生成的。
13.如权利要求1所述的方法，其中所述信息还包括关于所述各个缺陷中的一个或更多个的数据，并且其中所述数据是由光学检查工具生成的。
14.如权利要求1所述的方法，还包括允许所述用户将所述各个缺陷中的一个或更多个从所述缺陷组中的一个组移动到所述缺陷组中的另一个组。
15.如权利要求1所述的方法，还包括允许所述用户创建一个或更多个额外的缺陷组，以及将所述各个缺陷中的一个或更多个从所述缺陷组移动到所述一个或更多个额外的缺陷组。
16.如权利要求1所述的方法，还包括基于由所述用户指派的分类生成分类配置，其中所述分类配置可以被用于半自动的缺陷分类方法和自动的缺陷分类方法。
17.如权利要求1所述的方法，其中所述指派步骤包括使用分类配置来将所述各个缺陷指派到所述缺陷组，所述方法还包括基于由所述用户指派的所述分类更改所述分类配置。
18.如权利要求1所述的方法，还包括基于由所述用户指派的所述分类生成训练集。
19.如权利要求1所述的方法，还包括基于由所述用户指派的所述分类分析所述各个缺陷、所述样品、在所述样品上进行的工艺或者它们的组合。
20.如权利要求1所述的方法，还包括基于由所述用户指派的所述分类作出产出管理决策。
21.一种用于分类样品上的缺陷的计算机实现的方法，包括：
基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷自动指派到缺陷组，其中在指派步骤中用户不是以每次一个的方式将所述各个缺陷指派到所述缺陷组；
在所述指派步骤之后，向用户显示关于所述缺陷组的信息，其中所述信息包括被指派给所述缺陷组中的每一个组的分类以及关于被包括在所述缺陷组中的每一个组中的一个或更多个典型缺陷的信息，其中不进行所述显示步骤，直到所述一个或更多个典型缺陷和其他缺陷已经被指派到所述缺陷组后；以及
允许所述用户确认或更改被指派给所述缺陷组中的每一个组的所述分类，其中所述指派步骤、所述显示步骤以及所述允许步骤由计算机系统进行。
22.一种被配置来分类样品上的缺陷的系统，包括：
在处理器上储存可执行的程序指令的非瞬态计算机可读介质，所述程序指令用于基于在所述样品上检测到的各个缺陷的一种或更多种特性，将所述各个缺陷自动指派到缺陷组，其中在指派步骤中用户不是以每次一个的方式将所述各个缺陷指派到所述缺陷组；以及
用户界面，所述用户界面被配置来在所述指派步骤之后向用户显示关于所述缺陷组的信息，其中所述信息包括关于被包括在所述缺陷组中的每一个组中的一个或更多个典型缺陷的信息，其中不进行所述显示步骤，直到所述一个或更多个典型缺陷和其他缺陷已经被指派到所述缺陷组后，并且允许所述用户向所述缺陷组中的每一个组指派分类。
23.如权利要求22所述的系统，其中所述允许的步骤包括允许所述用户确认或拒绝由所述程序指令指派给所述缺陷组中的每一个组的分类。
24.如权利要求22所述的系统，其中所述允许的步骤包括允许所述用户更改由所述程序指令指派给所述缺陷组中的每一个组的分类。
CN201310298855.2A 2004-10-12 2005-10-12 用于分类样品上的缺陷的计算机实现的方法和系统 Active CN103439346B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US61847504P 2004-10-12 2004-10-12
US60/618,475 2004-10-12
CNA200580034951XA CN101120329A (zh) 2004-10-12 2005-10-12 用于分类样品上的缺陷的计算机实现的方法和系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CNA200580034951XA Division CN101120329A (zh) 2004-10-12 2005-10-12 用于分类样品上的缺陷的计算机实现的方法和系统

Publications (2)

Publication Number Publication Date
CN103439346A true CN103439346A (zh) 2013-12-11
CN103439346B CN103439346B (zh) 2017-10-20

Family

ID=36203471

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201310298855.2A Active CN103439346B (zh) 2004-10-12 2005-10-12 用于分类样品上的缺陷的计算机实现的方法和系统
CNA200580034951XA Pending CN101120329A (zh) 2004-10-12 2005-10-12 用于分类样品上的缺陷的计算机实现的方法和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CNA200580034951XA Pending CN101120329A (zh) 2004-10-12 2005-10-12 用于分类样品上的缺陷的计算机实现的方法和系统

Country Status (5)

Country Link
US (1) US8532949B2 (zh)
JP (2) JP5871446B2 (zh)
KR (3) KR20070104331A (zh)
CN (2) CN103439346B (zh)
WO (1) WO2006044426A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130415A (zh) * 2003-07-03 2020-12-25 恪纳腾技术公司 使用设计者意图数据检查晶片和掩模版的方法和系统
CN113302478A (zh) * 2019-01-10 2021-08-24 朗姆研究公司 半导体设备的缺陷分类和来源分析
TWI748122B (zh) * 2017-09-28 2021-12-01 以色列商應用材料以色列公司 用於對多個項進行分類的系統、方法和電腦程式產品
TWI752526B (zh) * 2019-08-07 2022-01-11 日商日立全球先端科技股份有限公司 半導體晶圓的檢查系統及非暫態電腦可讀媒體

Families Citing this family (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4758358B2 (ja) * 2004-01-29 2011-08-24 ケーエルエー−テンカー コーポレイション レチクル設計データにおける欠陥を検出するためのコンピュータに実装される方法
US9188974B1 (en) 2004-02-13 2015-11-17 Kla-Tencor Technologies Corp. Methods for improved monitor and control of lithography processes
JP4904034B2 (ja) 2004-09-14 2012-03-28 ケーエルエー−テンカー コーポレイション レチクル・レイアウト・データを評価するための方法、システム及び搬送媒体
US7729529B2 (en) * 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
JP5006520B2 (ja) * 2005-03-22 2012-08-22 株式会社日立ハイテクノロジーズ 欠陥観察装置及び欠陥観察装置を用いた欠陥観察方法
US7570797B1 (en) 2005-05-10 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for generating an inspection process for an inspection system
US9037280B2 (en) * 2005-06-06 2015-05-19 Kla-Tencor Technologies Corp. Computer-implemented methods for performing one or more defect-related functions
US7769225B2 (en) * 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
JP5283830B2 (ja) * 2006-06-13 2013-09-04 富士通セミコンダクター株式会社 欠陥検査方法
JP4976112B2 (ja) * 2006-11-24 2012-07-18 株式会社日立ハイテクノロジーズ 欠陥レビュー方法および装置
US7904845B2 (en) * 2006-12-06 2011-03-08 Kla-Tencor Corp. Determining locations on a wafer to be reviewed during defect review
WO2008077100A2 (en) * 2006-12-19 2008-06-26 Kla-Tencor Corporation Systems and methods for creating inspection recipes
US8194968B2 (en) 2007-01-05 2012-06-05 Kla-Tencor Corp. Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US7962863B2 (en) 2007-05-07 2011-06-14 Kla-Tencor Corp. Computer-implemented methods, systems, and computer-readable media for determining a model for predicting printability of reticle features on a wafer
US7738093B2 (en) 2007-05-07 2010-06-15 Kla-Tencor Corp. Methods for detecting and classifying defects on a reticle
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
US7796804B2 (en) * 2007-07-20 2010-09-14 Kla-Tencor Corp. Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US7711514B2 (en) 2007-08-10 2010-05-04 Kla-Tencor Technologies Corp. Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan
US7975245B2 (en) 2007-08-20 2011-07-05 Kla-Tencor Corp. Computer-implemented methods for determining if actual defects are potentially systematic defects or potentially random defects
US8135204B1 (en) * 2007-09-21 2012-03-13 Kla-Tencor Technologies Corp. Computer-implemented methods, carrier media, and systems for creating a defect sample for use in selecting one or more parameters of an inspection recipe
US8139844B2 (en) 2008-04-14 2012-03-20 Kla-Tencor Corp. Methods and systems for determining a defect criticality index for defects on wafers
US9710903B2 (en) 2008-06-11 2017-07-18 Kla-Tencor Corp. System and method for detecting design and process defects on a wafer using process monitoring features
US9659670B2 (en) 2008-07-28 2017-05-23 Kla-Tencor Corp. Computer-implemented methods, computer-readable media, and systems for classifying defects detected in a memory device area on a wafer
JP5255953B2 (ja) * 2008-08-28 2013-08-07 株式会社日立ハイテクノロジーズ 欠陥検査方法及び装置
JP5619776B2 (ja) 2009-02-06 2014-11-05 ケーエルエー−テンカー コーポレイション ウエハの検査のための１つまたは複数のパラメータの選択方法
US8775101B2 (en) 2009-02-13 2014-07-08 Kla-Tencor Corp. Detecting defects on a wafer
US8204297B1 (en) 2009-02-27 2012-06-19 Kla-Tencor Corp. Methods and systems for classifying defects detected on a reticle
US8112241B2 (en) 2009-03-13 2012-02-07 Kla-Tencor Corp. Methods and systems for generating an inspection process for a wafer
JP5537282B2 (ja) 2009-09-28 2014-07-02 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
JP5275208B2 (ja) * 2009-12-02 2013-08-28 株式会社東芝 半導体装置の製造方法
WO2011151116A1 (en) * 2010-06-03 2011-12-08 Carl Zeiss Sms Gmbh A method for determining the performance of a photolithographic mask
US20120160295A1 (en) * 2010-06-25 2012-06-28 International Business Machines Corporation Solar cell classification method
US8781781B2 (en) 2010-07-30 2014-07-15 Kla-Tencor Corp. Dynamic care areas
US9170211B2 (en) 2011-03-25 2015-10-27 Kla-Tencor Corp. Design-based inspection using repeating structures
US9087367B2 (en) 2011-09-13 2015-07-21 Kla-Tencor Corp. Determining design coordinates for wafer defects
CN104025276A (zh) * 2011-11-07 2014-09-03 Bt成像股份有限公司 用于光伏电池制造的晶圆分级和分类
JP5719760B2 (ja) 2011-12-28 2015-05-20 株式会社日立ハイテクノロジーズ 欠陥分類装置
US8831334B2 (en) 2012-01-20 2014-09-09 Kla-Tencor Corp. Segmentation for wafer inspection
US8826200B2 (en) 2012-05-25 2014-09-02 Kla-Tencor Corp. Alteration for wafer inspection
US9189844B2 (en) 2012-10-15 2015-11-17 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific information
US8948494B2 (en) 2012-11-12 2015-02-03 Kla-Tencor Corp. Unbiased wafer defect samples
US9053527B2 (en) 2013-01-02 2015-06-09 Kla-Tencor Corp. Detecting defects on a wafer
US9134254B2 (en) 2013-01-07 2015-09-15 Kla-Tencor Corp. Determining a position of inspection system output in design data space
US9311698B2 (en) 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching
JP5800434B2 (ja) * 2013-01-11 2015-10-28 Ckd株式会社 検査装置の監視システム
KR102019534B1 (ko) 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US9865512B2 (en) 2013-04-08 2018-01-09 Kla-Tencor Corp. Dynamic design attributes for wafer inspection
US9310320B2 (en) 2013-04-15 2016-04-12 Kla-Tencor Corp. Based sampling and binning for yield critical defects
US9430824B2 (en) * 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
US10114368B2 (en) * 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification
US9766286B2 (en) * 2014-08-20 2017-09-19 Taiwan Semiconductor Manufacturing Company Limited Defect diagnosis
US9582869B2 (en) * 2014-10-19 2017-02-28 Kla-Tencor Corp. Dynamic binning for diversification and defect discovery
EP3296722B1 (en) * 2015-05-26 2021-12-22 Mitsubishi Electric Corporation Detection device and detection method
KR101978995B1 (ko) * 2015-06-04 2019-05-16 가부시키가이샤 히다치 하이테크놀로지즈 결함 화상 분류 장치 및 결함 화상 분류 방법
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
KR102483787B1 (ko) * 2016-02-25 2023-01-04 에스케이하이닉스 주식회사 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
CN108886007B (zh) * 2016-04-13 2020-03-27 科磊股份有限公司 用于基于电设计意图的缺陷分类的系统及方法
US10365617B2 (en) 2016-12-12 2019-07-30 Dmo Systems Limited Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US10249033B1 (en) * 2016-12-20 2019-04-02 Palantir Technologies Inc. User interface for managing defects
KR102468184B1 (ko) * 2017-01-18 2022-11-17 에이에스엠엘 네델란즈 비.브이. 결함 검토를 위한 정보 추천
US10515444B2 (en) * 2017-01-30 2019-12-24 Dongfang Jingyuan Electron Limited Care area generation for inspecting integrated circuits
US11314721B1 (en) 2017-12-07 2022-04-26 Palantir Technologies Inc. User-interactive defect analysis for root cause
US10810076B1 (en) 2018-08-28 2020-10-20 Palantir Technologies Inc. Fault clustering for remedial action analysis
JP7203678B2 (ja) 2019-04-19 2023-01-13 株式会社日立ハイテク 欠陥観察装置
US12038802B2 (en) * 2019-10-14 2024-07-16 Pdf Solutions, Inc. Collaborative learning model for semiconductor applications
US11256967B2 (en) * 2020-01-27 2022-02-22 Kla Corporation Characterization system and method with guided defect discovery
US20240255932A1 (en) * 2022-08-03 2024-08-01 Industrial Video Solutions Inc. Systems and methods for monitoring and controlling industrial processes

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1398348A (zh) * 2000-10-02 2003-02-19 应用材料有限公司 缺陷源识别器
CN1440569A (zh) * 2000-10-16 2003-09-03 应用材料有限公司 在缺陷源识别器和工具数据收集及控制系统之间提供通信的方法和装置
US20040028276A1 (en) * 2002-08-12 2004-02-12 Hitachi, Ltd. Method and its apparatus for classifying defects
WO2004044596A2 (en) * 2002-11-12 2004-05-27 Fei Company Defect analyzer
WO2004049213A1 (en) * 2002-11-21 2004-06-10 Toppan Photomasks, Inc. System and method for automatically transferring a defect image from an inspection system to a database

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3415943B2 (ja) * 1994-09-29 2003-06-09 オリンパス光学工業株式会社 欠陥種別判定装置及びプロセス管理システム
US6757645B2 (en) 1997-09-17 2004-06-29 Numerical Technologies, Inc. Visual inspection and verification system
US6104835A (en) 1997-11-14 2000-08-15 Kla-Tencor Corporation Automatic knowledge database generation for classifying objects and systems therefor
JP3812185B2 (ja) * 1998-12-01 2006-08-23 株式会社日立製作所 欠陥分類方法およびその装置
US6922482B1 (en) * 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
US6999614B1 (en) 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
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
JP2001256480A (ja) * 2000-03-09 2001-09-21 Hitachi Ltd 画像自動分類方法及び装置
JP4526661B2 (ja) 2000-06-28 2010-08-18 株式会社日立製作所 検査装置および検査方法
JP4155496B2 (ja) 2002-04-25 2008-09-24 大日本スクリーン製造株式会社 分類支援装置、分類装置およびプログラム
JP4118703B2 (ja) * 2002-05-23 2008-07-16 株式会社日立ハイテクノロジーズ 欠陥分類装置及び欠陥自動分類方法並びに欠陥検査方法及び処理装置
US7027143B1 (en) * 2002-10-15 2006-04-11 Kla-Tencor Technologies Corp. Methods and systems for inspecting reticles using aerial imaging at off-stepper wavelengths
WO2004042965A2 (en) 2002-11-05 2004-05-21 Lightfleet Corporation Optical fan-out and broadcast interconnect
US7359544B2 (en) 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
US7602962B2 (en) * 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines
JP4136883B2 (ja) * 2003-10-03 2008-08-20 株式会社日立ハイテクノロジーズ 欠陥観察方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1398348A (zh) * 2000-10-02 2003-02-19 应用材料有限公司 缺陷源识别器
CN1440569A (zh) * 2000-10-16 2003-09-03 应用材料有限公司 在缺陷源识别器和工具数据收集及控制系统之间提供通信的方法和装置
US20040028276A1 (en) * 2002-08-12 2004-02-12 Hitachi, Ltd. Method and its apparatus for classifying defects
WO2004044596A2 (en) * 2002-11-12 2004-05-27 Fei Company Defect analyzer
WO2004049213A1 (en) * 2002-11-21 2004-06-10 Toppan Photomasks, Inc. System and method for automatically transferring a defect image from an inspection system to a database

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112130415A (zh) * 2003-07-03 2020-12-25 恪纳腾技术公司 使用设计者意图数据检查晶片和掩模版的方法和系统
CN112130415B (zh) * 2003-07-03 2024-08-30 恪纳腾技术公司 使用设计者意图数据检查晶片和掩模版的方法和系统
TWI748122B (zh) * 2017-09-28 2021-12-01 以色列商應用材料以色列公司 用於對多個項進行分類的系統、方法和電腦程式產品
CN113302478A (zh) * 2019-01-10 2021-08-24 朗姆研究公司 半导体设备的缺陷分类和来源分析
TWI752526B (zh) * 2019-08-07 2022-01-11 日商日立全球先端科技股份有限公司 半導體晶圓的檢查系統及非暫態電腦可讀媒體
TWI763614B (zh) * 2019-08-07 2022-05-01 日商日立全球先端科技股份有限公司 半導體晶圓的檢查系統及非暫態電腦可讀媒體
US11694325B2 (en) 2019-08-07 2023-07-04 Hitachi High-Tech Corporation System for deriving electrical characteristics and non-transitory computer-readable medium

Also Published As

Publication number Publication date
WO2006044426A2 (en) 2006-04-27
JP2015135978A (ja) 2015-07-27
US20060082763A1 (en) 2006-04-20
KR20180037323A (ko) 2018-04-11
JP2008516259A (ja) 2008-05-15
US8532949B2 (en) 2013-09-10
JP5871446B2 (ja) 2016-03-01
JP6055003B2 (ja) 2016-12-27
CN101120329A (zh) 2008-02-06
WO2006044426A3 (en) 2006-12-07
CN103439346B (zh) 2017-10-20
KR20170003710A (ko) 2017-01-09
KR20070104331A (ko) 2007-10-25

Similar Documents

Publication Publication Date Title
CN103439346A (zh) 用于分类样品上的缺陷的计算机实现的方法和系统
US20210231581A1 (en) Method for performing smart semiconductor wafer defect calibration
KR101144545B1 (ko) 반도체 제조를 위한 탄력적 혼성 결함 분류
US9739720B2 (en) Method, computer system and apparatus for recipe generation for automated inspection of semiconductor devices
US7346470B2 (en) System for identification of defects on circuits or other arrayed products
JP5624660B2 (ja) 検査レシピ作成システムおよびその方法
US7760929B2 (en) Grouping systematic defects with feedback from electrical inspection
JP4791267B2 (ja) 欠陥検査システム
KR101600209B1 (ko) 영역 결정 장치, 검사 장치, 영역 결정 방법 및 영역 결정 방법을 사용한 검사 방법
US11450122B2 (en) Methods and systems for defect inspection and review
CN108352336A (zh) 确定样品上所关注图案的一或多个特性
EP2394295A2 (en) Selecting one or more parameters for inspection of a wafer
CN110896038A (zh) 缺陷检查装置及缺陷检查方法
JP2022512292A (ja) 半導体試料の欠陥の分類
JPH11111796A (ja) 不良解析方法及びその装置
JP4190748B2 (ja) 半導体不良解析用のｃａｄツール及び半導体不良解析方法
WO2022059135A1 (ja) エラー要因の推定装置及び推定方法
JP5374225B2 (ja) ウェハ検査条件決定方法、ウェハ検査条件決定システム及びウェハ検査システム
US8014587B2 (en) Pattern test method of testing, in only specific region, defect of pattern on sample formed by charged beam lithography apparatus
CN117940738A (zh) 计算机系统、尺寸测量方法以及半导体装置制造系统
JP2006147977A (ja) 欠陥レビュー装置、欠陥レビュー方法及び欠陥解析方法、半導体装置の製造方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant