CN106204598A - 在自动缺陷分类流程中管理缺陷的方法及系统 - Google Patents
在自动缺陷分类流程中管理缺陷的方法及系统 Download PDFInfo
- Publication number
- CN106204598A CN106204598A CN201610551876.4A CN201610551876A CN106204598A CN 106204598 A CN106204598 A CN 106204598A CN 201610551876 A CN201610551876 A CN 201610551876A CN 106204598 A CN106204598 A CN 106204598A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- background area
- record
- processor
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 400
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000008569 process Effects 0.000 title claims abstract description 37
- 238000013461 design Methods 0.000 claims abstract description 64
- 238000007689 inspection Methods 0.000 claims abstract description 43
- 238000001459 lithography Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 239000000284 extract Substances 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 4
- 238000004626 scanning electron microscopy Methods 0.000 claims 3
- 230000002708 enhancing effect Effects 0.000 description 15
- 239000012634 fragment Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005728 strengthening Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001259 photo etching Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种用于在自动缺陷分类流程中管理缺陷的方法及系统。该方法包括：基于对目标试样的检查，接收一个缺陷记录；从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据；通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域的仿真图像；通过所述处理器比较所述背景区域的仿真图像与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配；基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
Description
技术领域
本发明涉及在自动缺陷分类(automatic defect classification，ADC)流程中，利用仿真技术——如光刻仿真——来增强自动缺陷分类的功能。
背景技术
随着半导体制造技术发展推进到更细的分辨率——如小于20纳米，缺陷数目的增加可因各种系统条件所引发，例如工艺变化及光学临近修正(optical proximitycorrection,OPC)技术。不断增加的系统性缺陷可能会导致性能下降。
目前，自动缺陷分类(ADC)已被广泛用于半导体制造。
发明内容
本文公开了一种以光刻仿真增强自动缺陷分类流程的方法。该方法包括：
基于对目标试样的检查，接收一个缺陷记录；
从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域的仿真图像；
通过所述处理器比较所述背景区域的仿真图像与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配；
基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
本文还公开了一种用于在自动缺陷分类流程中管理缺陷的系统，所述系统包括：
缺陷检查模块，用于基于对目标试样的检查，接收一个缺陷记录；
设计数据库，用于存储晶片或掩模版设计数据；
光刻分析模块，用于从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据，并且，通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域的仿真图像；
自动缺陷分类模块，用于通过所述处理器比较所述背景区域的仿真图像与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配，并且，基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
本文还公开了一种非易失性的存储有一套指令集的计算机可读媒介，所述指令集被计算机系统的处理器执行时，可被所述处理器操作以在自动缺陷分类流程中管理缺陷，所述非易失性的计算机可读媒介包括指令，以：
基于对目标试样的检查，接收一个缺陷记录；
从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域；
通过所述处理器比较所述背景区域与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配；
基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
本文还公开了一种用于在自动缺陷分类流程中管理缺陷的系统，所述系统包括：
一个处理器；
一个连接到所述处理器的存储器，所诉存储器经配置以存储一套指令集，所述指令集被所述处理器执行时，可被所述处理器操作，以：
基于对目标试样的检查，接收一个缺陷记录；
从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域；
通过所述处理器比较所述背景区域与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配；
基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
上述实施方式的细节、上述实施方式的修改，以及更多的实施方式，将通过下文详细描述。
附图说明
通过以下的详细描述，并结合附图，可以更好地理解本发明。需要强调的是，根据通常的作法，附图的各种特征不一定成比例。相反，为解释清楚，所述各种特征的尺寸可能被任意地放大或缩小。本发明的公开内容提到所附的附图时，类似的附图标记在所有附图中表示类似的部分。在附图中：
图1是一个以光刻仿真增强自动缺陷分类的示例流程的示意图；
图2是一个以光刻仿真增强自动缺陷分类的示例流程的示意图；
图3是另一个以光刻仿真增强自动缺陷分类的示例流程的示意图；
图4是一个示例性的增强的自动缺陷分类系统的示意图；
图5是一个示例性的、可以实现本发明各方面的增强的自动缺陷分类系统的示意图。
具体实施方式
在半导体制造过程中，随着技术推进到小于20纳米的设计分辨率，缺陷的数目越来越多。缺陷分类，包括自动缺陷分类(ADC)，已被广泛用于半导体制造。在缺陷分类中，在对一个缺陷相关的缺陷图像的特性进行分析之后，可给该缺陷分配一个标签。通过为检查到的缺陷分配正确的标签，可以快速实施预定的措施以处理生产线上的缺陷、晶片或掩模版。此外，基于分类的缺陷分析可用于指导补救措施，以提高工艺和产量的制定。
这些缺陷往往是由系统条件造成的，如工艺变化、设计和工艺间的交互，以及先进的光刻技术(如OPC)。因此，由自动缺陷分类流程辨别的缺陷可被分门别类，如系统缺陷和随机缺陷。系统缺陷(如失真)往往由分辨率增强技术引起，它们可能是无害的且对制造流程不具致命影响。然而，系统缺陷也可能是致命的，例如，如果它们是由几何设计所引起且制造过程无法解决。另一方面，随机缺陷通常是由颗粒(例如晶片上的尘埃)、不均匀性或不规则性引起的。随机缺陷可能是无害的(例如，受随机缺陷影响的芯片局部不具任何电子学重要性)，也可能是致命的(例如，随机缺陷导致电路开路或短路)。除了系统缺陷和随机缺陷，其他类型的缺陷也可以被分类。
根据本文公开的实施例，一种用光刻仿真增强的自动缺陷分类工艺被用于向所述自动缺陷分类流程补充系统缺陷的信息，并引导自动缺陷分类流程给缺陷分配正确的分类。如下文详述，对晶片或掩模版(“目标试样”)执行检查，可以生成缺陷记录。缺陷的位置可从缺陷记录中提取，而从设计数据库中可以针对缺陷周围位置的区域提取包括对应的相关设计数据的数据库片段(database clip)。光刻仿真可以基于所述数据库片段来执行，以生成一个背景区域，而背景区域将用于与缺陷图像进行比较，以识别系统缺陷。除了系统缺陷，其他类型的缺陷也可以相应地识别。
图1是一个以光刻仿真增强自动缺陷分类的示例流程100的示意图。图1所示的增强的自动缺陷分类流程100可由运行于计算机系统的处理器的软件模块(如指令或代码)、计算机系统的硬件模块或两者的组合来执行。本文所描述的一个或多个步骤可以被集成进——例如——对晶片或掩模版执行检查的产品，并由半导体制造商所使用。
在步骤102中，基于对目标试样的检查，一个缺陷记录被接收。目标试样可以包括诸如晶片或掩模版。检查可以包括诸如光学或电子束检查。缺陷记录可以是检查报告的一部分，并且可以包括一个或多个缺陷。每个缺陷可以包括诸如位置和图像信息。位置可以包括有关缺陷位置的数据，如层信息和坐标。缺陷图像和/或位置可从缺陷记录中提取。
在步骤104中，对所述缺陷记录中一个缺陷的位置周围的一个区域，与其关联的相关设计数据被提取出设计数据库。设计数据库可以包括诸如至少一个对应于目标样本——如晶片或掩模版——的设计数据库文件，还可以包括诸如芯片蓝图和多边形描述等。相关设计数据可以数据库片段的形式被提取，而其包含围绕缺陷位置的区域的相关数据。相关设计数据可包括与晶片或掩模版的设计有关的任何数据，诸如物理数据(如大小)、几何数据(如形状或布局)、技术数据、层数据，或上述的任意组合。
在步骤106中，光刻仿真基于所述相关设计数据被执行，以确定所述缺陷的位置周围的背景区域。例如，光刻仿真可以基于所述数据库片段运行，以产生围绕该缺陷位置的背景区域。背景区域可以包括一个仿真图像，而其基本上是基于所述光刻工艺的校准模型模拟的数据库图像。背景区域还可以包括诸如电路、走线的数据，和其他用光刻工艺生成或渲染的数据。
在步骤108中，所述背景区域与所述缺陷记录中所述缺陷的一个缺陷图像进行比较，以判断所述背景区域与所述缺陷图像是否匹配。背景区域与缺陷图像之间的比较可以通过——例如——将两个图像对齐后从一个中减去另一个。该比较也可以利用缺陷检查算法，而其可以根据应用的具体要求来确定。
如上所讨论，所述检查可以是光学检查或电子束检查。如果是光学检查，背景区域可以与缺陷的光学图像(来自光学检查)进行比较，而这类似于芯片对数据库(die-to-database)检查。如果是电子束检查，背景区域的轮廓可以与缺陷的扫描电子显微镜(Scanning Electron Microscope,SEM)图像的轮廓(来自电子束检查)进行比较。在一些实施例中，所述的各轮廓可以先被提取，再进行比较。
如果(背景区域的)仿真图像与缺陷图像相匹配，则表明缺陷图像可以通过仿真过程从设计数据库被重新创建。这意味着该缺陷更可能是由系统因素(如OPC或工艺变化等)所引起的，而非随机因素(如尘埃)。
在步骤110中，基于所述背景区域与所述缺陷图像相匹配的判断，所述缺陷被定义为系统缺陷。根据匹配的结果，所述缺陷可以被归类为系统缺陷或非系统缺陷。如果背景区域与缺陷图像被判定为不匹配，所述缺陷不会被归类为系统缺陷。在一些实施例中，所述缺陷可被归类为非系统缺陷(如随机缺陷或另一种类型的缺陷)，或根据自动缺陷分类决策的其他方面、基于所述背景和缺陷信息被分配一个特定的标签。
利用上述操作，原有的自动缺陷分类工艺得以增强，在处理缺陷时可以考虑系统缺陷的信息。如上所述，系统缺陷信息(或非系统缺陷信息)与其他相关信息(例如背景信息)一起，可被用于在自动缺陷分类决策过程中增强其流程。例如，包含在背景区域的信息，也可以被增强的自动缺陷分类工艺以其他方式使用。在一个实例中，利用预定的规则，某些缺陷可以被预先归类或消除。在另一实例中，系统缺陷在增强的自动缺陷分类工艺中可以利用预定的规则被自动归类。自动缺陷分类工艺通过光刻仿真增强(或辅助)时，自动缺陷分类流程中的分类器将得知诸如电路中缺陷的位置和电路的类型，从而得以智能判断缺陷对电路的影响，继而准确归类缺陷。此外，增强的自动缺陷分类工艺可以应用到上述实施例以外的情况，并可基于诸如由光刻仿真提供的缺陷周边环境的信息，用于归类所有种类的缺陷(如形状和色调)。
图2是一个以光刻仿真增强自动缺陷分类的示例流程200的示意图。在图1所示的过程200。图2所示的流程200可由运行于计算机系统的处理器的软件模块(如指令或代码)、计算机系统的硬件模块或两者的组合来执行。
根据图2所示的例子，增强的自动缺陷分类流程200包括从设计数据库204提取缺陷202位置周围的区域所关联的相关设计数据(数据库片段206)。例如，缺陷202可以从作为对目标试样(如晶片或掩模版)的检查结果(例如光学或电子束检查)的缺陷记录中获得。如上所述，光刻仿真可以基于所述区域所关联的相关设计数据(数据库片段206)来执行，以确定背景区域208。接着，增强的自动缺陷分类210可以将缺陷202的图像(“缺陷图像”)与背景区域208进行比较，以确定背景区域和缺陷图像是否匹配，和/或将所述缺陷归类为系统缺陷或非系统缺陷，以及其他事项。以这种方式，原有自动缺陷分类得以增强，在处理缺陷时可以考虑到系统缺陷的信息。
例如，晶片或掩模版的设计数据库可能是非常大的，可以包括成百上千GB的数据，而包含有缺陷202位置四周区域所关联的相关设计数据的数据库片段却相对较小，包含如大约一个或几个MB的数据。区域(或数据库片段206)的尺寸可以有所变化，例如基于形状或缺陷的大小。在一个例子中，区域的宽度和高度可以是32×32或64×64。
图3是另一个以光刻仿真增强自动缺陷分类的示例流程300的示意图。图3所示的流程300可由运行于计算机系统的处理器的软件模块(如指令或代码)、计算机系统的硬件模块或两者的组合来执行。
基于图像相似性，缺陷可以进行分组。增强的自动缺陷分类流程300与增强的自动缺陷分类流程200有所不同，不同在于来自缺陷记录的缺陷可被分类成组。例如，所有在一个缺陷组中的缺陷(如缺陷组302)可以具有相同或相似的图像。每个缺陷组可以有一个代表缺陷304；其可为随机选择的缺陷，或者基于一个或多个预定规则所指定的缺陷。例如，一个新缺陷可以与每个缺陷组的代表缺陷304的图像(“代表缺陷图像”)进行比较，以确定该新缺陷所属的缺陷组。
一旦所有来自缺陷记录的缺陷被处理和分类成组，某组的代表缺陷图像可以与对应于该组的代表缺陷的背景区域208(如在图1的操作106确定)进行比较(如在图1的操作108)。相较于比较每个缺陷图像与背景区域，比较组里的代表缺陷图像与相应的背景区域可以大大减少计算工作。例如，该比较结果可被用于增强的自动缺陷分类210，而其对同组内的每个缺陷将处理相同的信息。例如，当某个缺陷组的代表缺陷图像被判定为与针对该缺陷组生成的背景区域相匹配，该组内的所有缺陷都可被归类为系统缺陷而无需重复所有操作。
在图示的例子中，增强的自动缺陷分类流程300包括从设计数据库204提取缺陷组302的代表缺陷304位置周围的区域所关联的相关设计数据(数据库片段206)。如上所述，光刻仿真可以基于所述区域所关联的相关设计数据(数据库片段206)来执行，以确定背景区域208。接着，增强的自动缺陷分类210可以将缺陷组302的代表缺陷图像与背景区域208进行比较，以确定背景区域和代表缺陷图像是否匹配，和/或将所述缺陷组的所有缺陷归类为系统缺陷或非系统缺陷，以及其他事项。
图4是是一个示例性的增强的自动缺陷分类系统400的示意图。本文公开的内容，例如流程100、200、300的操作，可被实现为增强的自动缺陷分类系统400内的软件和/或硬件模块。例如，增强的自动缺陷分类系统400可以包括一个装置，诸如计算设备，其可以实现为任意配置的一个或多个计算机，诸如微型计算机、大型计算机、超级计算机、通用计算机、专用/特殊目的计算机、集成计算机、数据库计算机、远程服务器计算机、个人计算机，或由计算服务提供商——如网络主机或云服务提供商——提供的计算服务。在一些实施例中，计算设备可以实现为处于不同地理位置的多组计算机的形式。
在图示的例子中，增强的自动缺陷分类系统400可以包括缺陷检查模块402、设计数据库404、光刻分析模块406，以及自动缺陷分类模块408。
缺陷检查模块402可被配置用于对一个目标试样(如晶片或掩模版)执行检查(如光学或电子束检查)，并生成包括缺陷记录的检查报告。如上所述，缺陷记录可以包括缺陷的列表，且每个缺陷可以包括图像和位置信息。在一些实施例中，缺陷可以被分类成组，组里的代表缺陷可用于比较，而不是比较每个单独的缺陷，如图3中所讨论。
设计数据库404可以是存有晶片或掩模版设计数据的任何数据库。如前所述，缺陷位置周围的区域的相关数据(本文中“数据库片段”)可从设计数据库404中被选取和取回。
光刻分析模块406可以基于数据库片段进行光刻仿真，以生成背景区域。如上所述，背景区域可以包括缺陷位置周围的各种背景信息，例如作为光刻流程结果的仿真数据库图像。
自动缺陷分类模块408可以使用背景区域(由光刻分析模块406产生)和缺陷信息(由缺陷检查模块402生成)为其决策。例如，自动缺陷分类模块408可以比较缺陷图像和对应的背景区域：如果相匹配，该缺陷被识别为系统缺陷。在一些实施例中，某组的代表缺陷图像可以与对应的背景区域进行比较；如果相匹配，该组(以及该组内的所有缺陷)被识别为系统缺陷。包括在背景区域的信息也可以被自动缺陷分类模块408以其他方式使用，例如，某些缺陷可以利用预定的规则进行预先归类或排除。
图5是一个示例性的、可以实现本发明各方面的增强的自动缺陷分类系统500的示意图。例如，增强的自动缺陷分类系统500可包括一个装置，如一个计算设备。在一些实施例中，计算设备可以实现为任意配置的一个或多个计算机，诸如微型计算机、大型计算机、超级计算机、通用计算机、专用/特殊目的计算机、集成计算机、数据库计算机、远程服务器计算机、个人计算机，或由计算服务提供商——如网络主机或云服务器——提供的计算服务。在一些实施例中，计算设备实现的形式可以为处于不同地理位置的、互相或互不通信的多组计算机——如通过一个网络进行通信。某些操作可以由多个计算机共同分担，但在一些实施例中，不同的计算机可以被分配不同的操作。
所述计算设备可以具有内在的硬件配置，包括处理器502和存储器504。处理器502可以包括至少一个处理单元，诸如中央处理单元(CPU)或任何其它类型的设备、或多个设备，其可操纵或处理目前存在的或以后开发的信息。虽然本文的实施例可以如图所示用单一的处理器来实施，但利用多个处理器可以达成速度和效率上的优势。例如，处理器502可以分布在多台机器或设备上(每个机器或设备具有一个或多个处理器)，而这些机器或设备可以直接连接，或通过局域网或其他网络进行连接。存储器504可以是随机存取存储器设备(RAM)、只读存储器设备(ROM)、光盘、磁盘，或任何其它适当类型的存储装置。在一些实施例中，存储器504可分布在多台机器或设备上，诸如基于网络的存储器或在多个机器上执行操作的存储器——为了便于说明，可以在此描述为使用单个计算机或多个计算设备执行。在一些实施例中，存储器504可存储处理器502可用总线来访问的代码和数据。例如，存储器504可以包括处理器502可用总线512访问的数据5042。
存储器504还可以包括操作系统5046和安装的应用5044。应用5044包括程序，以允许处理器502实现指令来为本文所述的增强的自动缺陷分类系统500产生控制信号、实现功能。所述指令还可以包括为分类而处理不属于自动缺陷分类系统的缺陷信息，诸如产生可被自动缺陷分类系统用于生成系统缺陷标签的背景信息。增强的自动缺陷分类系统500还可以包括辅助、额外或外部存储器506，例如存储卡、闪存驱动器、外部硬盘驱动器、光盘驱动器，或任何其它形式的计算机可读介质。在一些实施例中，应用5044可以整体或部分存储在存储器506中，并在处理需要时加载到存储器504。
增强的自动缺陷分类系统500可包括一个或多个输出设备，诸如输出508。输出508可以实现为各种方式——例如，它可以是连接到增强的自动缺陷分类系统500的显示器，被配置用于显示视频数据的渲染。输出508可以是任何向用户传输视觉、听觉或触觉信号的设备，诸如显示器、触敏设备(如触摸屏)、扬声器、耳机、发光二极管(LED)指示器，或振动马达。例如，如果输出508是显示器，它可以是一个液晶显示器(LCD)、阴极射线管(CRT)、或任何其他能够向个人提供可见输出的输出设备。在某些情况下，输出设备也可作为输入设备——例如，配置成接收基于触摸的输入的触摸屏显示器。
输出508可以替换地或额外地构成用于传输信号和/或数据的通信设备。例如，输出508可以包括用于从增强的自动缺陷分类系统500向其他设备传输信号或数据的有线手段。又例如，输出508可包括使用兼容于无线接收器的协议的无线发射器，用以从增强的自动缺陷分类系统500向其他设备传输信号。
增强的自动缺陷分类系统500可包括一个或多个输入设备，例如输入510。输入510可以实现为各种方式，诸如键盘、数字键盘、鼠标、麦克风、触敏设备(如触摸屏)、传感器，或手势输入装置。任何其他类型的输入设备都是可能的，包括不要求用户干预的输入装置。例如，输入510可以是通信设备，诸如根据任何无线协议接收信号操作的无线接收器。输入510可以输出——如沿总线512——指示输入的信号或数据到增强的自动缺陷分类系统500中。
可选地，增强的自动缺陷分类系统500可以用通信设备(如通信设备514)通过网络(如网络516)与其他设备通信。网络516可以是任何适当类型的一个或多个通信网络的任意组合，包括但不限于使用蓝牙、红外线、近场连接(NFC)、无线网络、有线网络、局域网(LAN)、广域网(WAN)、虚拟专用网(VPN)、蜂窝数据网及因特网通信的网络。通信设备514可以实现为各种方式，诸如应答器/收发器、调制解调器、路由器、网关、电路、芯片、有线网络适配器、无线网络适配器、蓝牙适配器、红外线适配器、NFC适配器、蜂窝网络芯片，或任何适当类型的装置的任意组合，其利用总线512连接到增强的自动缺陷分类系统500以通过网络516提供通信的功能。
增强的自动缺陷分类系统500可以与晶片或掩模版的检查设备进行通信。例如，增强的自动缺陷分类系统500可连接到一个或多个经配置用于生成晶片或掩模版检查结果(如缺陷记录或报告)的晶片或掩模版检查设备。
增强的自动缺陷分类系统500(及存储其上和/或由其执行的算法、方法、指令等)可以在硬件上实现，包括例如知识产权(IP)核心、应用专用集成电路(ASIC)、可编程逻辑阵列、光学处理器、可编程逻辑控制器、微代码、固件、微控制器、服务器、微处理器、数字信号处理器，或任何其它合适的电路。在权利要求中，术语“处理器”应被理解为包括单独或组合使用的任意前述装置。术语“信号”和“数据”可互换使用。此外，增强的自动缺陷分类系统500的各部分不必以相同的方式来实现。
在一些实施例中，增强的自动缺陷分类系统500可用带计算程序的通用计算机/处理器来实现；其在执行时，实现任意在此描述的各方法、算法和/或指令。例如，可以额外地、或可替代地使用专用计算机/处理器，其可包含专用硬件用于执行任意本文描述的方法、算法或指令。
本文已经结合特定实施例和实现方式进行了描述，但是应当理解，本发明并不限于所公开的实施例；相反，其意在覆盖包括在所附权利要求的所述范围内的各种修改和等同布置，所述范围应被赋予最宽的解释，以包含所有依法允许的类似修改及等同结构。
Claims (15)
1.一种用于在自动缺陷分类流程中管理缺陷的方法，包括：
基于对目标试样的检查，接收一个缺陷记录；
从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域的仿真图像；
通过所述处理器比较所述背景区域的仿真图像与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配；
基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
2.根据权利要求1所述的方法，进一步包括：
基于所述背景区域与所述缺陷图像不匹配的判断，定义所述缺陷为非系统缺陷；
将所述缺陷分类到数个缺陷组中的一个缺陷组，基于所述缺陷图像与所述缺陷组的代表缺陷图像的相似度。
3.根据权利要求2所述的方法，其特征在于，
从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据包括：
从所述设计数据库中，对所述缺陷记录中所述缺陷组的所述代表缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
所述通过所述处理器比较所述背景区域与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配包括：
比较所述缺陷组的所述代表缺陷图像与所述背景区域。
4.根据权利要求3所述的方法，其特征在于，所述基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷包括：
基于所述背景区域与所述缺陷组的所述代表图像匹配的判断，定义所述缺陷组中的每一个缺陷为系统缺陷。
5.根据权利要求1所述的方法，其特征在于，所述自动缺陷分类流程是针对所述缺陷记录而执行，并在决策中考虑所述系统缺陷；所述系统缺陷通过在所述自动缺陷分类流程中使用预定规则而被自动分类。
6.根据权利要求1所述的方法，其特征在于，所述目标试样包括晶片或掩模版；
所述检查包括光学检查或电子束检查,并且所述通过所述处理器比较所述背景区域与所述缺陷图像以判断所述背景区域与所述缺陷图像是否匹配包括：
如果所述检查包括电子束检查，比较所述背景区域的轮廓与所述缺陷的扫描电子显微镜(SEM)图像的轮廓；
如果所述检查包括光学检查，比较所述背景区域与所述缺陷的光学图像。
7.一种用于在自动缺陷分类流程中管理缺陷的系统，所述系统包括：
缺陷检查模块，用于基于对目标试样的检查，接收一个缺陷记录；
设计数据库，用于存储晶片或掩模版设计数据；
光刻分析模块，用于从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据，并且，通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域的仿真图像；
自动缺陷分类模块，用于通过所述处理器比较所述背景区域的仿真图像与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配，并且，基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
8.根据权利要求7所述的系统，其特征在于，
所述自动缺陷分类模块，还用于基于所述背景区域与所述缺陷图像不匹配的判断，定义所述缺陷为非系统缺陷；还用于将所述缺陷分类到数个缺陷组中的一个缺陷组，基于所述缺陷图像与所述缺陷组的代表缺陷图像的相似度。
9.根据权利要求8所述的系统，其特征在于，
从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据包括：
从所述设计数据库中，对所述缺陷记录中所述缺陷组的所述代表缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
所述通过所述处理器比较所述背景区域与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配包括：
比较所述缺陷组的所述代表缺陷图像与所述背景区域。
10.根据权利要求9所述的系统，其特征在于，所述基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷包括：
基于所述背景区域与所述缺陷组的所述代表图像匹配的判断，定义所述缺陷组中的每一个缺陷为系统缺陷。
11.根据权利要求7所述的系统，其特征在于，所述自动缺陷分类流程是针对所述缺陷记录而执行，并在决策中考虑所述系统缺陷；所述系统缺陷通过在所述自动缺陷分类流程中使用预定规则而被自动分类。
12.根据权利要求7所述的系统，其特征在于，所述目标试样包括晶片或掩模版；
所述检查包括光学检查或电子束检查,并且所述通过所述处理器比较所述背景区域与所述缺陷图像以判断所述背景区域与所述缺陷图像是否匹配包括：
如果所述检查包括电子束检查，比较所述背景区域的轮廓与所述缺陷的扫描电子显微镜(SEM)图像的轮廓；
如果所述检查包括光学检查，比较所述背景区域与所述缺陷的光学图像。
13.一种用于在自动缺陷分类流程中管理缺陷的系统，所述系统包括：
一个处理器；
一个连接到所述处理器的存储器，所诉存储器经配置以存储一套指令集，所述指令集被所述处理器执行时，可被所述处理器操作，以：
基于对目标试样的检查，接收一个缺陷记录；
从设计数据库中，对所述缺陷记录中一个缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
通过处理器，基于所述区域所关联的所述相关设计数据执行光刻仿真，以确定一个背景区域；
通过所述处理器比较所述背景区域与所述缺陷记录中所述缺陷的一个缺陷图像以判断所述背景区域与所述缺陷图像是否匹配；
基于所述背景区域与所述缺陷图像相匹配的判断，定义所述缺陷为系统缺陷。
14.根据权利要求13所述的系统，其特征在于，所诉存储器经进一步配置以存储一套指令集，所述指令集被所述处理器执行时，可被所述处理器操作，以：
将所述缺陷分类到数个缺陷组中的一个缺陷组，基于所述缺陷图像与所述缺陷组的代表缺陷图像的相似度；
从所述设计数据库中，对所述缺陷记录中所述缺陷组的所述代表缺陷的位置周围的一个区域，提取与其关联的相关设计数据；
比较所述缺陷组的所述代表缺陷图像与所述背景区域；
基于所述背景区域与所述缺陷组的所述代表图像匹配的判断，定义所述缺陷组中的每一个缺陷为系统缺陷。
15.根据权利要求13所述的系统，其特征在于，所述目标试样包括晶片或掩模版；
所述检查包括光学检查或电子束检查,并且所述通过所述处理器比较所述背景区域与所述缺陷图像以判断所述背景区域与所述缺陷图像是否匹配的指令包括以下指令，以：
如果所述检查包括电子束检查，比较所述背景区域的轮廓与所述缺陷的扫描电子显微镜(SEM)图像的轮廓；
如果所述检查包括光学检查，比较所述背景区域与所述缺陷的光学图像。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610551876.4A CN106204598B (zh) | 2016-07-13 | 2016-07-13 | 在自动缺陷分类流程中管理缺陷的方法及系统 |
| PCT/CN2016/097168 WO2018010272A1 (zh) | 2016-07-13 | 2016-08-29 | 在自动缺陷分类流程中管理缺陷的方法及系统 |
| US15/285,955 US9928446B2 (en) | 2016-07-13 | 2016-10-05 | Augmented automatic defect classification |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610551876.4A CN106204598B (zh) | 2016-07-13 | 2016-07-13 | 在自动缺陷分类流程中管理缺陷的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106204598A true CN106204598A (zh) | 2016-12-07 |
| CN106204598B CN106204598B (zh) | 2019-02-05 |
Family
ID=57477480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610551876.4A Active CN106204598B (zh) | 2016-07-13 | 2016-07-13 | 在自动缺陷分类流程中管理缺陷的方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN106204598B (zh) |
| WO (1) | WO2018010272A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
| CN108037739A (zh) * | 2017-11-09 | 2018-05-15 | 广州兴森快捷电路科技有限公司 | Pcb产品的过程管控方法和系统 |
| CN108257166A (zh) * | 2018-01-11 | 2018-07-06 | 上海华虹宏力半导体制造有限公司 | 版图的仿真图像和硅片sem图像自动匹配的方法 |
| CN110660694A (zh) * | 2018-06-28 | 2020-01-07 | 应用材料以色列公司 | 基于系统缺陷的半导体晶片的引导式检验 |
| CN110709688A (zh) * | 2017-04-13 | 2020-01-17 | 英卓美特公司 | 用于预测在装配单元中的缺陷的方法 |
| CN111542855A (zh) * | 2017-12-31 | 2020-08-14 | Asml荷兰有限公司 | 用于缺陷检查和复验的方法和系统 |
| WO2024066279A1 (zh) * | 2022-09-28 | 2024-04-04 | 东方晶源微电子科技（北京）有限公司 | 晶片的缺陷检测方法、装置、设备及计算机可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003263841A (ja) * | 2002-03-08 | 2003-09-19 | Sony Corp | 信号処理装置及び信号処理方法、並びに情報再生装置及び情報再生方法 |
| CN101002141A (zh) * | 2004-07-21 | 2007-07-18 | 恪纳腾技术公司 | 生成用于生成掩模版的仿真图像的仿真程序的输入的计算机实现的方法 |
| CN101924053A (zh) * | 2009-01-13 | 2010-12-22 | 联达科技设备私人有限公司 | 检测晶片的系统和方法 |
| CN102142355A (zh) * | 2010-02-02 | 2011-08-03 | 吕一云 | 物体制造缺陷的应用方法 |
| US8204297B1 (en) * | 2009-02-27 | 2012-06-19 | Kla-Tencor Corp. | Methods and systems for classifying defects detected on a reticle |
| CN103439339A (zh) * | 2013-09-02 | 2013-12-11 | 深圳市华星光电技术有限公司 | 贴附有偏振片的液晶面板的缺陷检测装置及缺陷检测方法 |
| CN104718428A (zh) * | 2012-10-15 | 2015-06-17 | 株式会社日立高新技术 | 图案的检查、测量装置及程序 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100158346A1 (en) * | 2008-12-23 | 2010-06-24 | Wei Fang | Method and system of classifying defects on a wafer |
| JP5460662B2 (ja) * | 2011-09-07 | 2014-04-02 | 株式会社日立ハイテクノロジーズ | 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法 |
| TW201517192A (zh) * | 2013-10-23 | 2015-05-01 | Macronix Int Co Ltd | 晶片對資料庫的影像檢測方法 |
| US10127652B2 (en) * | 2014-02-06 | 2018-11-13 | Kla-Tencor Corp. | Defect detection and classification based on attributes determined from a standard reference image |
-
2016
- 2016-07-13 CN CN201610551876.4A patent/CN106204598B/zh active Active
- 2016-08-29 WO PCT/CN2016/097168 patent/WO2018010272A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003263841A (ja) * | 2002-03-08 | 2003-09-19 | Sony Corp | 信号処理装置及び信号処理方法、並びに情報再生装置及び情報再生方法 |
| CN101002141A (zh) * | 2004-07-21 | 2007-07-18 | 恪纳腾技术公司 | 生成用于生成掩模版的仿真图像的仿真程序的输入的计算机实现的方法 |
| CN101924053A (zh) * | 2009-01-13 | 2010-12-22 | 联达科技设备私人有限公司 | 检测晶片的系统和方法 |
| US8204297B1 (en) * | 2009-02-27 | 2012-06-19 | Kla-Tencor Corp. | Methods and systems for classifying defects detected on a reticle |
| CN102142355A (zh) * | 2010-02-02 | 2011-08-03 | 吕一云 | 物体制造缺陷的应用方法 |
| CN104718428A (zh) * | 2012-10-15 | 2015-06-17 | 株式会社日立高新技术 | 图案的检查、测量装置及程序 |
| CN103439339A (zh) * | 2013-09-02 | 2013-12-11 | 深圳市华星光电技术有限公司 | 贴附有偏振片的液晶面板的缺陷检测装置及缺陷检测方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110709688A (zh) * | 2017-04-13 | 2020-01-17 | 英卓美特公司 | 用于预测在装配单元中的缺陷的方法 |
| CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别系统 |
| CN108037739A (zh) * | 2017-11-09 | 2018-05-15 | 广州兴森快捷电路科技有限公司 | Pcb产品的过程管控方法和系统 |
| CN111542855A (zh) * | 2017-12-31 | 2020-08-14 | Asml荷兰有限公司 | 用于缺陷检查和复验的方法和系统 |
| CN108257166A (zh) * | 2018-01-11 | 2018-07-06 | 上海华虹宏力半导体制造有限公司 | 版图的仿真图像和硅片sem图像自动匹配的方法 |
| CN108257166B (zh) * | 2018-01-11 | 2022-03-04 | 上海华虹宏力半导体制造有限公司 | 版图的仿真图像和硅片sem图像自动匹配的方法 |
| CN110660694A (zh) * | 2018-06-28 | 2020-01-07 | 应用材料以色列公司 | 基于系统缺陷的半导体晶片的引导式检验 |
| CN110660694B (zh) * | 2018-06-28 | 2020-11-20 | 应用材料以色列公司 | 基于系统缺陷的半导体晶片的引导式检验 |
| WO2024066279A1 (zh) * | 2022-09-28 | 2024-04-04 | 东方晶源微电子科技（北京）有限公司 | 晶片的缺陷检测方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018010272A1 (zh) | 2018-01-18 |
| CN106204598B (zh) | 2019-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106204598A (zh) | 在自动缺陷分类流程中管理缺陷的方法及系统 | |
| CN106290378B (zh) | 缺陷分类方法和缺陷检查系统 | |
| JP7393357B2 (ja) | 陽性パターンマッチング例および陰性パターンマッチング例に基づく正規表現生成 | |
| Shin et al. | Accurate lithography hotspot detection using deep convolutional neural networks | |
| US11935722B2 (en) | Machine learning on wafer defect review | |
| US11914941B2 (en) | Integrated circuit layout validation using machine learning | |
| US20180060702A1 (en) | Learning Based Defect Classification | |
| US8661371B1 (en) | Method and apparatus for fixing double patterning color-seeding violations | |
| US8312401B2 (en) | Method for smart defect screen and sample | |
| US10146036B2 (en) | Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects | |
| CN106202177A (zh) | 一种文本分类方法及装置 | |
| US7707528B1 (en) | System and method for performing verification based upon both rules and models | |
| CN103455654A (zh) | 基于机器学习的数据路径提取 | |
| US6397373B1 (en) | Efficient design rule check (DRC) review system | |
| CN110291621A (zh) | 用于识别集成电路缺陷的方法和系统 | |
| CN110291384A (zh) | 用于集成电路的缺陷预测的方法和系统 | |
| US8756205B2 (en) | System and method for rule-based data object matching | |
| CN113792525B (zh) | 集成电路版图设计方法、装置及设备 | |
| CN111582309B (zh) | 一种生成设计版图坏点检测模型的方法及检测坏点的方法 | |
| CN111488911A (zh) | 基于Mask R-CNN与GAN的图像实体抽取方法 | |
| JP6419667B2 (ja) | テストｄｂデータ生成方法及び装置 | |
| US11989964B2 (en) | Techniques for graph data structure augmentation | |
| CN107871286A (zh) | 用户与联系人间亲密度判定方法/系统、存储介质及设备 | |
| US9928446B2 (en) | Augmented automatic defect classification | |
| JP5592414B2 (ja) | テンプレート評価装置、顕微鏡装置及びプログラム |
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 | ||
| CP03 | Change of name, title or address |
Address after: 100176 building 12, yard 156, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee after: Dongfang Jingyuan Microelectronics Technology (Beijing) Co.,Ltd. Address before: Building 12, No. 156 Jinghai Fourth Road, Beijing Economic and Technological Development Zone, Chaoyang District, Beijing, 100176 Patentee before: DONGFANG JINGYUAN ELECTRON Ltd. |
|
| CP03 | Change of name, title or address |