CN107003249A - 晶片缺陷发现 - Google Patents

晶片缺陷发现 Download PDF

Info

Publication number
CN107003249A
CN107003249A CN201580059575.3A CN201580059575A CN107003249A CN 107003249 A CN107003249 A CN 107003249A CN 201580059575 A CN201580059575 A CN 201580059575A CN 107003249 A CN107003249 A CN 107003249A
Authority
CN
China
Prior art keywords
defect
chip
feature
defects
detector
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
CN201580059575.3A
Other languages
English (en)
Other versions
CN107003249B (zh
Inventor
陈宏�
肯翁·吴
M·普利哈尔
V·潘季塔
R·萨那帕拉
V·巴加特
R·拉克哈瓦特
O·巴里斯
R·拉马钱德兰
N·哈克
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 Corp
Original Assignee
KLA Tencor 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 Corp filed Critical KLA Tencor Corp
Publication of CN107003249A publication Critical patent/CN107003249A/zh
Application granted granted Critical
Publication of CN107003249B publication Critical patent/CN107003249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/245—Detection characterised by the variable being measured
    • H01J2237/24592—Inspection and quality control of devices

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供用于发现晶片上的缺陷的系统及方法。一种方法包含通过在晶片的第一扫描中将阈值应用于由检测器产生的输出来检测所述晶片上的缺陷，且确定经检测的缺陷的特征的值。所述方法还包含自动对所述特征排名、识别特征裁切线，以将所述缺陷分组成筐，且对于所述筐中的每一者，确定在被应用于所述筐中的每一者中的缺陷的特征的值时将导致所述筐中的每一者中的预定数量的缺陷的一或多个参数。所述方法还包含在所述晶片的第二扫描中将所述一或多个经确定的参数应用于由所述检测器产生的输出以产生缺陷群体，其具有预定缺陷计数，且以所述特征的值多样化。

Description

晶片缺陷发现
技术领域
本发明大体上涉及用于发现晶片上的缺陷的系统及方法，其对于设置晶片检验过程尤其有用。
背景技术
以下描述及实例不凭借其包含在此节中而认为是现有技术。
在半导体制造工艺期间，在各种步骤中使用检验过程以检测晶片上的缺陷以促进所述制造工艺中的更高良率且因此促进更高利润。检验始终是制造半导体装置(例如IC)的重要部分。然而，随着半导体装置的尺寸减小，因为更小的缺陷可引起所述装置发生故障，所以对于成功制造可接受的半导体装置，检验甚至变得更重要。
许多不同类型的检验系统具有可调整的输出获取(例如，数据、信号及/或图像获取)及灵敏度(或缺陷检测)参数，使得不同参数可用以检测不同缺陷或避免不需要的(干扰)事件的源。尽管具有可调整的输出获取及灵敏度参数的检验系统向半导体装置制造商提供显著的优点，但如果不正确的输出获取及灵敏度参数用于检验过程，那么这些检验系统是本质上无用。此外，由于晶片上的缺陷、工艺条件及噪声可急剧地变化(且由于所述晶片自身的特性可急剧地变化)，因此可难以(如果不是不可能)预测用于检测特定晶片上的缺陷的最佳输出获取及灵敏度参数。因此，尽管使用正确的输出获取及灵敏度参数将对检验的结果产生急剧影响，但可想到的是当前许多检验过程是使用不正确的或非优化的输出获取及灵敏度参数执行。
用于半导体层的最佳检验配方应检测尽可能多的所关注缺陷(DOI)，同时维持相当低的干扰率。优化检验配方大体上涉及调谐在所述配方中使用的参数直到实现最优结果。待调谐的参数的设置因此取决于所使用的检测算法。
一种用于配方优化的最佳已知方法是运行大体上“热”检验，由此增加检测DOI的可能性但以相当高的干扰率为代价。接着，用户将此热批及所述晶片带到扫描电子显微镜(SEM)进行重检。用户使用所述SEM重检所述缺陷且将所述缺陷分类为真实、干扰或DOI。一旦分类了足够的每一类型的缺陷，用户即尝试设置正确的缺陷检测参数值以建立将检测足够的DOI且检测尽可能少的干扰缺陷的配方。被分类的缺陷越多，所述配方可越好。接着，用户可使用新的配方重新检验所述晶片且使用所述SEM重检使用所述新配方在所述晶片上检测的缺陷。以此方式，可以迭代方式执行重新检验及缺陷重检直到用户确定可基于缺陷重检结果通过所述配方实现令人满意的缺陷检测。
关于此类方法的一个问题是SEM重检单个缺陷耗费大量时间。此外，所述检验系统与所述SEM之间的多个跳脱的需要添加大量时间到配方设置。用户理想上想要重检仍将产生精确配方的可能的最小数目的缺陷且想要能够在到所述SEM的一个跳脱中完成此。
因此，发展不具有上文所描述的所述缺点中的一或多者的用于发现晶片上的缺陷的系统及方法将是有利的。
发明内容
不以任何方式将各种实施例的以下描述视为限制所附权利要求书的标的物。
一个实施例涉及一种经配置以发现晶片上的缺陷的系统。所述系统包含检验子系统，其包括至少能源及检测器。所述能源经配置以产生被引导到晶片且在晶片上进行扫描的能量。所述检测器经配置以从所述晶片检测能量且响应于经检测的能量产生输出。所述系统还包含计算机子系统，其经配置用于通过在所述晶片的第一扫描中将阈值应用于由所述检测器产生的输出而检测所述晶片上的缺陷。所述计算机子系统还经配置用于确定经检测的缺陷的特征的值。此外，所述计算机子系统经配置用于基于所述特征的值，自动对所述特征排名且识别特征裁切线以将所述缺陷分组成筐。所述计算机子系统进一步配置用于对于所述筐中的每一者，确定在被应用于所述筐中的每一者中的所述缺陷的所述特征的值将导致所述筐中的每一者中的预定数目的缺陷的一或多个参数。所述计算机子系统还经配置用于在所述晶片的第二扫描中将所述一或多个经确定的参数应用于由所述检测器产生的输出以产生缺陷群体。所述缺陷群体具有预定缺陷计数且以所述特征的值多样化。所述系统可如本文所描述而进一步配置。
另一实施例涉及一种用于发现晶片上的缺陷的计算机实施方法。所述方法包含由上文所描述的计算机子系统执行的检测、确定值、自动排名、识别、确定一或多个参数及应用。所述方法的步骤中的每一者可如本文所描述而进一步执行。此外，所述方法可包含在本文所描述的任何其它方法的任何其它步骤。此外，所述方法可由本文所描述的所述系统中的任何者执行。
另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行的用于执行用于发现晶片上的缺陷的计算机实施方法的程序指令。所述计算机实施方法包含上文所描述的方法的步骤。所述计算机可读媒体可如本文所描述而进一步配置。所述计算机实施方法的步骤可如本文所进一步描述而执行。此外，所述计算机实施方法(可针对所述方法执行所述程序指令)可包含在本文所描述的任何其它方法的任何其它步骤。
附图说明
所属领域的技术人员将通过优选实施例的以下详细描述的优点且在参考附图后明白本发明的进一步优点，其中：
图1到1a是说明经配置以发现晶片上的缺陷的系统的实施例的侧视图的示意图；
图2是说明自动排名经检测的缺陷的特征的结果的一个实施例的示意图；
图3是说明用于发现晶片上的缺陷的一种当前使用的方法的流程图；
图4到5是说明可通过本文所描述的用于使用检验系统的多个光学模式发现晶片上的缺陷的计算机子系统执行的各种步骤的实施例的流程图；及
图6是说明存储用于引起计算机系统执行本文所描述的计算机实施的方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
尽管本发明易受各种修改及替代形式影响，但其特定实施例以实例方式在图式中展示且在本文中详细描述。图式可不按比例绘制。然而，应理解，图式及其详细描述不希望将本发明限于所揭示的特定形式，但相反，本发明覆盖落入如通过所附权利要求书所界定的本发明的精神及范围内的所有修改、等效物及替代方式。
具体实施方式
现在转到图式，应注意图不按比例绘制。特定来说，图的一些元件的比例非常夸大以强调元件的特性。还应注意图未按相同比例绘制。可相似地配置的一个以上图中展示的元件已使用相同参考数字来指示。除非本文中另有规定，否则所描述及展示的元件中的任何者可包含任何合适的市售元件。
本文所描述的实施例经配置以执行一步调谐扫描(OSTS)用于晶片缺陷发现。一个实施例涉及经配置以发现晶片上的缺陷的系统，且一种此系统在图1中展示。所述系统包含检验子系统，所述检验子系统包含至少能源及检测器。所述能源经配置以产生引导到晶片且在晶片上进行扫描的能量。所述检测器经配置以从所述晶片检测能量且响应于经检测的能量产生输出。
在一个实施例中，所述能源包含光源，引导到所述晶片且在所述晶片上进行扫描的能量包含光，且经检测的能量包含经检测的光。举例来说，在图1中展示的系统的实施例中，检验子系统10包含经配置以将光引导到晶片14的照明子系统。所述照明子系统包含至少一个光源。举例来说，如图1中所示，所述照明子系统包含光源16。在一个实施例中，所述照明子系统经配置以按一或多个入射角度(其可包含一或多个斜角及/或一或多个法线角)将光引导到所述晶片。举例来说，如图1中所示，来自光源16的光以倾斜入射角通过光学元件18且接着通过透镜20引导到晶片14。所述倾斜入射角可包含任何合适倾斜入射角，其可取决于(例如)所述晶片及待在所述晶片上检测的缺陷的特性而变化。
所述照明子系统可经配置以在不同时间以不同入射角度将光引导到所述晶片。举例来说，所述检验子系统可经配置以修改所述照明子系统的一或多个元件的一或多个特性使得光可以不同于图1中所示的入射角度的入射角度引导到所述晶片。在一个此实例中，所述检验子系统可经配置以移动光源16、光学元件18及透镜20使得光以不同倾斜入射角或法线(或接近法线)入射角引导到所述晶片。
在一些例子中，所述照明子系统可经配置以同时以一个以上入射角将光引导到所述晶片。举例来说，所述照明子系统可包含一个以上照明通道，所述通道中的一者可包含如图1中所示的光源16、光学元件18及透镜20且所述照明通道中的另一者(未展示)可包含类似元件，其可经不同或相同配置，或可包含至少光源且可包含一或多个组件(例如本文所、进一步描述的组件)。如果此光与另一光同时引导到所述晶片，那么以不同入射角度引导到所述晶片的光的一或多个特性(例如，波长、偏光等等)可为不同的，使得从以所述不同入射角照明所述晶片所产生的光可在检测器处彼此区别。
在另一例子中，所述照明子系统可仅包含一个光源(例如，图1中所示的源16)且来自所述光源的光可通过所述照明子系统的一或多个光学元件(未展示)分离到不同光学路径中(例如，基于波长、偏光等等)。接着，可将所述不同光学路径中的每一者中的光引导到所述晶片。多个照明通道可经配置以同时或在不同时间(例如，当不同照明通道用以依序照明所述晶片时)将光引导到所述晶片。在另一例子中，相同照明通道可经配置以在不同时间使用不同特性将光引导到所述晶片。例如，在一些例子中，光学元件18可配置为光谱过滤器且所述光谱过滤器的性质可以多种不同方式(例如，通过改变所述光谱过滤器)改变使得不同波长的光可在不同时间被引导到所述晶片。所述照明子系统可具有所属领域中已知的用于依序或同时将具有不同或相同特性的光以不同或相同入射角引导到所述晶片的任何其它合适配置。
在一个实施例中，光源16可包含宽带等离子体(BBP)光源。以此方式，由所述光源产生且被引导到所述晶片的光可包含宽带光。然而，所述光源可包含任何其它合适光源，例如激光器。所述激光器可包含所属领域中已知的任何合适激光器且可经配置以按任何合适波长或所属领域中已知的波长产生光。此外，所述激光器可经配置以产生单色或几乎单色的光。以此方式，所述激光器可为窄带激光器。所述光源还可包含以波带的多个离散波长产生光的多色光源。
来自光学元件18的光可通过透镜20聚焦到晶片14上。尽管透镜20在图1中展示为单个折射光学元件，但应理解，实际上，透镜20可包含若干进行组合以将光从所述光学元件聚焦到所述晶片的折射及/或反射光学元件。图1中展示及本文所描述的所述照明子系统可包含任何其它合适光学元件(未展示)。此类光学元件的实例包含(但不限于)偏光组件、光谱过滤器、空间过滤器、反射光学元件、切趾器、分束器、光圈及类似者，其可包含所属领域中已知的任何此类合适光学元件。此外，所述检验子系统可经配置以基于待用于检验的照明的类型修改所述照明子系统的元件中的一或多者。
所述检验子系统还可包含经配置以致使光在所述晶片上进行扫描的扫描子系统。举例来说，所述检验子系统可包含载物台22，在检验期间在载物台22上安置晶片14。所述扫描子系统可包含可经配置以移动所述晶片。使得光可在所述晶片上进行扫描的任何合适机械及/或机器人组合件(其包含载物台22)。此外或替代地，所述检验子系统可经配置使得所述检验子系统的一或多个光学元件在所述晶片上执行光的某种扫描。可以任何合适方式(例如在蛇形状路径或在螺旋路径中)使光在所述晶片上进行扫描。
所述检验子系统进一步包含一或多个检测通道。所述一或多个检测通道中的至少一者包含检测器，其经配置以检测归因于所述检验子系统照明所述晶片而来自所述晶片的光且响应于经检测的光产生输出。举例来说，图1中展示的所述检验子系统包含两个检测通道，一个检测通道由收集器24、元件26及检测器28形成，且另一个检测通道由收集器30、元件32及检测器34形成。如图1中所示，所述两个检测通道经配置以不同收集角度收集且检测光。在一些例子中，两个检测通道均经配置以检测散射光，且所述检测通道经配置以检测从所述晶片以不同角度散射的光。然而，所述检测通道中的一或多者可经配置以从所述晶片检测另一类型的光(例如，反射光)。
如图1中进一步所示，两个检测通道均展示成定位于纸的平面中，且所述照明子系统也展示成定位于纸的平面中。因此，在此实施例中，两个检测通道均定位于(例如，居中于)入射的平面。然而，所述检测通道中的一或多者可定位于入射的平面外。举例来说，由收集器30、元件32及检测器34形成的检测通道可经配置以收集且检测散射在入射平面外的光。因此，此检测通道通常可称为“侧”通道，且此侧通道可居中于大体上垂直于入射平面的平面中。
尽管图1展示包含两个检测通道的所述检验子系统的实施例，但所述检验子系统可包含不同数目的检测通道(例如，仅检测一个通道或两个或两个以上检测通道)。在一个此例子中，由收集器30、元件32及检测器34形成的检测通道可形成如上文所描述的一个侧通道，且所述检验子系统可包含形成为定位于入射的平面的相对侧上的另一侧通道的额外检测通道(未展示)。因此，所述检验子系统可包含检测通道，所述检测通道包含收集器24、元件26及检测器28且居中于入射的平面中且经配置以处于或接近于晶片表面的法线的散射角收集且检测光。因此，此检测通道通常可称为“顶部”通道，且所述检验子系统还可包含两个或两个以上如上文所描述而配置的侧通道。因而，所述检验子系统可包含至少三个通道(即，一个顶部通道及两个侧通道)，且所述至少三个通道中的每一者具有其自身的收集器，每一收集器经配置以不同于另外两个收集器中的每一者的散射角度收集光。
如上文所进一步描述，包含在所述检验子系统中的所述检测通道中的每一者可经配置以检测散射光。因此，图1中展示的所述检验子系统可经配置用于晶片的暗场(DF)检验。然而，所述检验子系统还可或替代地包含经配置用于晶片的明场(BF)检验的检测通道。换句话说，所述检验子系统可包含经配置以检测从所述晶片镜面反射的光的至少一个检测通道。因此，本文所描述的所述检验子系统可经配置仅用于DF、仅用于BF或DF与BF两者的检验。尽管所述收集器中的每一者在图1中展示为单个折射光学元件，但应理解所述收集器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
所述一或多个检测通道可包含所属领域中已知的任何合适检测器。举例来说，所述检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)及延时积分(TDI)相机。所述检测器还可包含所属领域中已知的任何其它合适检测器。所述检测器还可包含非成像检测器或成像检测器。以此方式，如果所述检测器是非成像检测器，那么所述检测器中的每一者可经配置以检测散射光的特定特性(例如强度)，但可不经配置以检测依据成像平面内的位置的此类特性。因而，由包含在所述检验子系统的所述检测通道中的每一者中的所述检测器中的每一者产生的输出可为信号或数据，但不是图像信号或图像数据。在此类例子中，计算机子系统(例如所述系统的计算机子系统36)可经配置以从所述检测器的非成像输出产生所述晶片的图像。然而，在其它例子中，所述检测器可配置为经配置以产生成像信号或图像数据的成像检测器。因此，所述系统可经配置以按若干方式产生图像。
应注意，本文中提供图1以大体上说明可包含于本文所描述的系统实施例中的检验子系统的配置。明显地，本文所描述的所述检验子系统布置可经修改以如当设计商用检验系统时所通常执行那样来优化所述检验子系统的性能。此外，本文所描述的所述系统可使用现有检验子系统(例如，通过添加本文所描述的功能性到现有检验系统)(例如可从加利福尼亚州苗必达市的科磊公司(KLA-Tencor,Milpitas,Calif)购得的29xx/28xx系列工具)来实施。对于一些此类系统，本文所描述的方法可提供为所述检验系统的任选功能性(例如，除所述检验系统的其它功能性外)。或者，本文所描述的所述检验子系统可为“从头开始”设计以提供全新检验系统。
所述系统的计算机子系统36可以任何合适方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到所述检验子系统的所述检测器，使得在所述晶片的扫描期间，所述计算机子系统可接收由所述检测器产生的输出。计算机子系统36可经配置以使用所述检测器的输出来执行若干功能。举例来说，所述计算机子系统经配置以通过在所述晶片的第一扫描中将阈值应用于由所述检测器产生的输出来检测所述晶片上的缺陷。所述阈值可包含在所属领域中已知的任何合适缺陷检测算法及/或方法中。任何具有高于所述阈值的值的输出可被识别为缺陷，而任何具有低于所述阈值的值的输出可不被识别为缺陷。
在一个实施例中，所述阈值位于所述输出的噪声底限处。基于差异图像的直方图中的用户指定的像素密度来界定所述噪声底限。阈值偏移指示阈值离所述噪声底限多远。举例来说，位于所述噪声底限处的所述阈值意味0的阈值偏移。在另一实施例中，所述阈值是自动地由所述计算机子系统选择。以此方式，所述阈值可为自动选择阈值。所述系统的所述计算机子系统可为如本文所描述而进一步配置。
所述系统的所述计算机子系统(以及本文所描述的其它计算机子系统)在本文中还可称为“计算机系统”。本文所描述的所述计算机子系统或系统中的每一者可采用各种形式，包含个人计算机系统、图像计算机、主计算机系统、工作站、网络设备、因特网设备或其它装置。一般来说，术语“计算机系统”可为概括地界定以涵盖任何具有一或多个处理器的装置，所述处理器执行来自存储器媒体的指令。所述计算机子系统或系统还可包含所属领域中已知的任何合适处理器(例如并行处理器)。此外，所述计算机子系统或系统可包含具有高速处理及软件的计算机平台，作为独立或网络工具。
尽管所述系统在上文中描述为光学或基于光的检验系统，但所述检验系统可为基于电子束的系统，举例来说，在一个实施例中，所述能源包含电子束源，经引导到所述晶片且在所述晶片上扫描的能量包含电子，且经检测的能量包含经检测的电子。在图1a中展示的一种此类实施例中，所述系统包含配置为经耦合到计算机子系统124的电子柱122的检验子系统。
也如图1a中所示，所述电子柱包含经配置以产生通过一或多个元件130聚焦于晶片128的电子的电子束源126。所述电子束源可包含(例如)阴极源或射极尖端，且一或多个元件130可包含(例如)电子枪透镜、阳极、光束限制孔隙、闸阀、束流选择孔隙、物镜及扫描子系统，其所有者可包含所属领域中已知的任何此类合适元件。
从所述晶片返回的电子(例如，次级电子)可通过一或多个元件132聚焦到检测器134。一或多个元件132可包含(例如)扫描子系统，其可为包含在元件130中的相同扫描子系统。
所述电子柱可包含所属领域中已知的任何其它合适元件。此外，所述电子柱可如于2014年4月4日颁予江(Jiang)等人的第8,664,594号美国专利、于2014年4月8日颁予小岛(Kojima)等人的第8,692,204号美国专利、于2014年4月15日颁予古本斯(Gubbens)的第8,698,093号美国专利及于2014年5月6日颁予麦克唐纳(MacDonald)等人的第8,716,662号美国专利中所描述而进一步配置，所述专利如在本文中充分地阐述那样以引用方式并入本文中。
尽管所述电子柱在图1a中展示为经配置使得所述电子以倾斜入射角引导到所述晶片且以另一斜角从所述晶片散射，但应理解，所述电子束可以任何合适角度引导到所述晶片且从所述晶片散射。此外，如本文所进一步描述，所述基于电子束的检验系统可经配置以使用多个模式产生所述晶片的图像(例如，使用不同照明角度、收集角度等等)。所述基于电子束的检验子系统的多个模式可在所述检验子系统的任何图像产生参数上不同。
计算机子系统124可耦合到检测器134，如上文所描述。所述检测器可检测从所述晶片的表面返回的电子，由此形成所述晶片的电子束图像。所述电子束图像可包含任何合适电子束图像。计算机子系统124可经配置以如本文所进一步描述使用由检测器134产生的输出检测所述晶片上的缺陷。计算机子系统124可经配置以执行本文所描述的任何额外步骤。包含图1a中展示的所述检验子系统的系统可如本文所描述而进一步配置。
应注意，本文中提供图1a以大体上说明可包含在本文所描述的实施例中的基于电子束的检验子系统的配置。如同上文所描述的所述光学检验子系统，本文所描述的基于电子束的检验子系统布置可经修改以如在设计商用检验系统时所通常执行那样优化所述检验子系统的性能。此外，本文所描述的所述系统可使用现有检验子系统(例如，通过添加本文所描述的功能性到现有检验子系统)(例如可从加利福尼亚州苗必达市的科磊公司购得的eSxxx系列工具)实施。对于一些此类系统，本文所描述的方法可提供为所述系统的任选功能性(例如，除所述系统的其它功能性外)。或者，本文所描述的所述系统可“从头开始”设计以提供全新系统。
所述计算机子系统(例如，计算机子系统36或计算机子系统124)还经配置用于确定经检测的缺陷的特征的值。举例来说，在上文所描述的所述第一扫描期间，所述计算机子系统可计算且收集每一经检测的缺陷的各种特征。特定来说，所述计算机子系统可使用针对所述晶片上位置(在所述位置处检测到所述缺陷)产生的输出及/或关于输出的信息来确定经检测的缺陷的特征的值。所述特征的值可或可不为定量值。举例来说，所述特征的值可包含灰度或强度值。然而，所述特征的值还可包含定性值(例如裸片类型(其中检测到所述缺陷)、区域类型(其中检测到所述缺陷)、指示所述缺陷是否比其背景更亮的极性及其类似者)。此类特征中的任何者的值可以任何合适方式确定。此外，所述缺陷的所述特征可包含本文所描述或所属领域中已知的任何其它缺陷特征。
所述计算机子系统还经配置用于基于所述特征的值(例如，从所述第一扫描收集的特征信息)，自动对所述特征(即，缺陷特征)排名且识别特征裁切线以将所述缺陷分组成筐(或子群组)。举例来说，各种缺陷特征可经计算且接着自动排名。排名首位的特征可用以将缺陷分组成不同子群组(筐)。以此方式，缺陷特征节点的多个水平可用以将缺陷分组。每一节点可基于排名选择不同特征。以此方式，自动对所述特征排名且识别特征裁切线的结果可产生缺陷分类模型、方法或算法(例如缺陷分类确定树)。
在选择多样化节点及针对每一节点的裁切线的一个实例中，如果用户选择裸片类型、区域及极性，那么这些可为顶端节点。在极性下，节点的用户指定层(例如，1、2或3)可从已从所述第一扫描保存的特征选择。每一节点及每一节点的裁切线可使用某种方法选择，所述方法类似于在可从加利福尼亚州苗必达市的科磊公司购得的IMPACT产品中的动力辅助节点及裁切线选择中使用的方法。可在所述配方中指定节点的层及最大裁切线。
对于所述筐中的每一者，所述计算机子系统还经配置用于确定一或多个参数，如果应用于所述筐中的每一者中的所述缺陷的所述特征的值，那么所述参数将导致所述筐中的每一者中的预定数目的缺陷。在一个实施例中，所述一或多个经确定的参数包含一或多个阈值。举例来说，不同阈值参数可应用于通过一些上述缺陷特征分离的每一子群组(筐)中以实现期望总缺陷计数。以此方式，对于每一子群组，期望数目的缺陷可使用一或多个特定阈值参数实现。
在一些实施例中，所述一或多个经确定的参数包括用于干扰过滤的一或多个参数。举例来说，本文所描述的实施例中使用的干扰过滤器可经配置使得用户可调整特定层/装置/等等的多样化准则。此外，本文所描述的实施例可经配置用于针对干扰过滤器设置自动收集用户指定数目的缺陷而无需手动用户配方设置。
图2说明如何产生多样化缺陷群体的一个实施例。例如，在图2的实施例中，筐200可用于一种裸片类型且仅在一个假想实例中可含有125,000个缺陷。接着，筐200中的缺陷可基于所述裸片类型中的区域分离成筐202及一或多个其它筐(未展示)。在上文所描述的所述假想实例中，筐202中的缺陷的数目可为100,000个缺陷。接着，筐202中的缺陷可基于极性分离成筐204及一或多个其它筐(未展示)。在上文所描述的所述假想实例中，筐204中的缺陷的数目可为25,000个缺陷。接着，筐204中的缺陷可基于缺陷检测算法的参数(例如用于通过可从科磊公司购得的一些检验工具的缺陷检测的多裸片自动定限(MDAT)算法的中位数灰度)分离成筐206及一或多个其它筐(未展示)。在上文所描述的所述假想实例中，筐206中的缺陷的数目可为12,500个缺陷。接着，筐206中的缺陷可基于所述缺陷检测算法的另一参数(例如阈值偏移)分离成筐208及一或多个其它筐(未展示)。在最后层中使用的缺陷检测参数可经选择以实现缺陷的目标数目。
在另一实施例中，缺陷的预定数目由用户选择。举例来说，本文所描述的实施例经配置用于针对一个步骤配方调谐自动收集用户指定数目的缺陷而无需手动用户配方设置。在额外实施例中，缺陷的预定数目对于所述筐的至少两个筐不同。在一些此类实施例中，用户可从初级及次级裸片指定百分比缺陷、从区域指定百分比缺陷及甚至指定每一区域的百分比极性。如果一个特定节点不具有足够缺陷，那么剩余缺陷配额可再分配到相同级别处的其它节点以产生用户期望的总缺陷计数。举例来说，如果不存在来自一个区域的足够缺陷，那么可将额外缺陷配额再分配到其它区域。
所述计算机子系统进一步配置用于在所述晶片的第二扫描中将所述一或多个经确定的参数应用于由所述检测器产生的输出以产生缺陷群体。因此，本文所描述的发现OSTS可包含两个扫描。此外，如上文所描述，在所述第一OSTS扫描与第二OSTS扫描之间，所述计算机子系统识别配方参数及干扰过滤器以收集目标数目的多样化缺陷。所述第二扫描可以任何合适方式执行。所述缺陷群体可如本文所进一步描述通过所述第二扫描(例如，在所述第二扫描期间将所述一或多个经确定的参数应用于所产生的所述检验子系统的一或多个检测器的输出)产生。
所述缺陷群体具有预定缺陷计数且以所述特征的值多样化。举例来说，本文所描述的实施例的目标可为产生许多具有期望总缺陷计数及多样化缺陷群体的结果以帮助用户快速发现所关注缺陷(DOI)。以此方式，在所述第二扫描中，在所述第一扫描之后识别的配方参数及干扰过滤器应用于所述第二扫描中以实现具有多样化缺陷群体的期望缺陷计数。多样化通过收集分布在多维空间中的使用不同缺陷特征界定的缺陷实现。因而，本文所描述的实施例可经配置用于缺陷多样化及热扫描建立中的干扰过滤器“训练”。
在一个实施例中，所述计算机子系统经进一步配置用于自动且无需手动配方设置而执行检测、确定值、自动排名、识别、确定所述一或多个参数及应用。举例来说，本文所描述的实施例可用于自动检测半导体晶片上的多样化缺陷而无需手动用户配方设置。
如上文所描述，所述实施例可包含一个初始扫描。然而，所述实施例可执行用于迭代调谐的所述初始扫描的后续运行。所述迭代可包含首次运行具有0阈值偏移的扫描。在每一次迭代之后，所述计算机子系统可经配置用于发现实现具有期望多样化的期望缺陷计数的干扰过滤器且将检测阈值提升到不会移除显著数目的缺陷(其中附接所述干扰过滤器)的水平。如果提升经检测的偏移，那么其可应用于所述配方且可执行具有新阈值的扫描。此过程可重复直到达到停止准则。以此方式，本文所描述的实施例可经配置用于检测阈值及干扰过滤器的同时迭代调谐。
已开发出用于OSTS的一些方法及系统但其具有若干缺点。举例来说，一些当前使用的OSTS方法收集具有主动缺陷检测阈值的缺陷且自动调整子群组中的阈值以实现期望缺陷计数。所述当前使用的方法还与更少的多样化维度协作且无法基于不同缺陷特征收集多样化缺陷群体。此外，所述当前使用的方法由于与固定的多样化配方协作而变得不灵活。所述当前使用的方法进一步具有弱的干扰抑制，仅针对一个特定检测算法起作用，且很大程度上取决于晶片缺陷性且不取决于缺陷背景。
本文所描述的实施例具有优于此类当前使用的方法的若干优点。举例来说，当前BBP工具上普遍使用干扰过滤器实现生产检验中的期望灵敏度及干扰率。这些干扰过滤器采用非常相同的多样化策略，接着是调谐。为调谐此类检验配方，需要良好的训练批结果及有效的取样配方以针对干扰过滤器的所有叶节点产生良好的训练数据。本文所描述的实施例将可在待调谐的干扰过滤器的所有节点中产生快速且可靠的具有足够缺陷计数的良好的训练批结果。所述实施例还关闭将实现考虑贯穿调谐过程的必要的缺陷多样化的统一配方调谐方法的循环，即，(a)数据收集(热扫描)，(b)取样(用于扫描电子显微镜(SEM)重检以获得实况)及(c)基于经分类的缺陷的干扰过滤器调谐。本文所描述的实施例还改进结果的时间。举例来说，在旧方法中，用户必须投入许多时间运行及调谐扫描(有时一次以上)以实现期望结果。相反，本文所描述的实施例显著地减少所述时间。此外，所述当前使用的方法需要用以尤其针对逻辑区域运行良好扫描的特定水平的应用工程师技能组合。相反，本文所描述的实施例将更有效且从应用工程师方面消除许多手动工作。
本文所描述的额外实施例经配置用于多模式适应性缺陷发现。举例来说，在一个实施例中，所述检验子系统经配置以使用不同光学模式来扫描所述晶片。在一个此实例中，使用BBP光学检验器的缺陷发现采用具有一组不同光学模式的多个晶片扫描，以最大化检测晶片上的所有缺陷类型的机率。“模式”可大体上被界定为可共同地使用以针对晶片产生输出的一组参数。因此，不同模式将具有至少一个不同参数(例如不同照明条件、不同收集/检测条件等等)。以此方式，每一模式可视为所述晶片的不同“视角”。一些模式可在晶片的相同扫描中使用。然而，一些模式仅可在晶片的不同扫描中使用。因此，本文所描述的使用不同模式的所述晶片的扫描可包含一或多个扫描。用于发现的模式的数目已稳定地增加，且当前最佳已知模式(BKM)是27个模式。本文所描述的实施例提供用于以很可能产生更好及更快发现结果的更有效的方式来处理此丰富信息的新方法。
用于发现晶片上的缺陷类型的一些当前使用的方法包含识别所述BBP工具上的基本上覆盖光学条件的整个光谱的一组不同光学模式。(当前BKM是使用27个模式。)此外，所述当前使用的方法包含：在使用每一模式扫描所述晶片，且在针对所有模式产生热检验之后，执行共性分析以发现在哪些模式中发现哪些缺陷。可计算针对每一独特缺陷的捕获率。(捕获率等于检测缺陷的模式的分率。)移除经检测的缺陷的重复例子，且保持来自所述第一模式(其中检测到所述缺陷)的缺陷。接着，使用发现(多样性)取样来独立地处理使用每一模式产生的结果，以发现每一模式中的一组不同缺陷。此步骤还包含识别已在先前模式中取样的当前处理的模式中的缺陷且接着还相对于所述缺陷多样化的能力。
图3示意地展示此方法。举例来说，如步骤300中所示，所述方法可包含使用不同光学模式来扫描晶片多次。因此，每一模式可产生不同检验结果302，每一模式一个结果。如步骤304中所示，所述方法可包含发现扫描(模式)之间的共同缺陷，且计算针对每一独特缺陷的捕获率。举例来说，对于图3中展示的使用不同模式所产生的检验结果306、308及310，所述结果的两个或两个以上结果可共同具有若干缺陷。特定来说，检验结果306及310共同具有缺陷312a及312b、检验结果308及310共同具有缺陷314a及314b、检验结果306及308共同具有缺陷316a及316b，且检验结果306、308及310共同具有缺陷318a、318b及318c。
如在步骤320中所示，所述方法可包含从后续扫描(模式)移除重复使得相同缺陷不会被多次选择。此外，如在步骤322中所示，所述方法可包含使用用户选择的特征而从每一次扫描(模式)选择一组不同缺陷。举例来说，所述方法可包含从使用以一个模式执行的一个扫描产生的检验结果302a选择一组不同缺陷，及从使用以另一模式执行的另一扫描产生的检验结果302b选择一组不同缺陷。如步骤324中进一步所示，所述方法可包含将从个别扫描(模式)选择的缺陷组合成最终“发现”集合。
所述当前使用的方法(例如上文所描述方法)相对于本文所描述的实施例具有两个显著缺点。首先，用户必须选择他们相信将给予他们最佳且最相关的多样化的缺陷属性组。尽管在某种程度上可获得此知识，但对于给定晶片可总是存在当前无法识别的一组更好属性。此外，使用多模式信息的方式是极笨拙的。本质上，除了消除重复以外每一模式独立于彼此进行处理，这使用缺陷捕获率作为模式相关信息且可能地通过识别哪些缺陷已在其它模式中取样而跨越模式利用多样化机构来实现。此外，当前根本不使用编码于来自多个模式的每一缺陷所具有的多组性质中的大量信息。(缺陷趋向于在不同模式中具有不同光学表象，且这些差异可被用以发现独特缺陷类型。)
本文中所进一步描述的所述实施例可采用从一组训练标志数据点构建缺陷分类模型的机器学习算法。所述模型针对所述模型未训练的缺陷产生(a)缺陷分类及(b)分类置信度。接着，此信息可用以搜索所述模型中未知的缺陷类型。
在一种此类实施例中，所述计算机子系统经配置用于基于使用所述不同模式产生的输出检测其它缺陷、使用以所述不同模式产生的输出确定其它缺陷的特征的值且基于所有所述缺陷的所有所述经确定的特征的所有值的组合执行缺陷发现。举例来说，所述实施例可包含使用不同模式扫描晶片一或多次。由所述检验系统的检测器针对所述不同模式中的每一者产生的输出可如本文所进一步描述而使用以检测所述晶片上的缺陷。此外，如本文所描述，所述方法可包含确定通过所述不同模式中的每一者检测的缺陷的特征的值。接着，所有所述缺陷的所有所述特征的所有值可如本文所进一步描述而共同地使用以执行缺陷发现。
在另一此实施例中，所述计算机子系统经配置用于基于使用所述不同模式产生的输出检测其它缺陷、比较其它缺陷以识别所述不同模式，其中使用所述不同模式检测其它缺陷中的每一者、确定其它缺陷中的每一者的一组特征，基于使用所述不同模式产生的输出确定所述组特征且基于所述组特征针对不同类型的缺陷搜索其它缺陷。举例来说，所述检验子系统可经配置以使用不同光学模式(假设M个模式)扫描晶片一或多次。接着，所述计算机子系统可经配置用于执行共性分析以识别在哪个模式中检测到哪些缺陷且建立所有独特缺陷的主列表。所述计算机子系统还可经配置用于通过执行以下操作从多模式检验建立多模式数据集。对于每一主列表缺陷，从所有模式收集所有特征。即，如果每一模式针对每一经检测的缺陷产生N个缺陷特征，那么主列表缺陷将具有以以下方式构造的N x M个特征。如果在模式J中检测主列表缺陷，那么位置[N x(J-1)+1]到[N X J]中的其特征将包含来自模式J的N个特征。如果此主列表缺陷未在模式J中检测到，那么位置[N x(J-1)+1]到[NX J]中的其特征将填满零。接着，如本文所进一步描述，所述计算机子系统可针对缺陷类型执行适应性搜索。
在一个此实施例中，搜索其它缺陷包括基于其它缺陷的样本设置缺陷分类过程，将所述缺陷分类过程应用于未包含在所述样本中的其它缺陷且确定通过所述缺陷分类过程指派到未包含在所述样本中的其它缺陷的分类的置信度的水平。当所述晶片在SEM重检站上时可执行搜索其它缺陷。所述SEM重检站可如上文相对于图1a所描述而配置(但图1a中展示的所述检验子系统的一或多个参数可取决于所述电子束子系统是否用于检验或缺陷重检而不同)。在此实施例中，所述计算机子系统经配置用于从所述多模式数据集取样相对较小的一组缺陷。(所述组的此大小经受特性化，但其可能为大约5到50个缺陷。)接着，所述系统可经配置用于SEM重检且手动分类所述组缺陷。如果所述样本中仅存在一个缺陷类型，那么所述计算机子系统可取样相对较小的另一组缺陷。否则，所述计算机子系统可经配置用于针对已知缺陷类型使用通过所述SEM重检及手动分类建立的训练组建立分类模型。所述计算机子系统还可经配置用于使用如上文所描述建立的分类模型分类多模式检验结果中的所有剩余缺陷。这些缺陷将分类成所述模型已知的具有各种水平的置信度的类型。
在一些此类实施例中，搜索其它缺陷还包含取样一组具有低于其它缺陷的他者的置信度的水平的置信度的所述水平的其它缺陷、基于所述样本及所述组经取样的其它缺陷设置新的缺陷分类过程、将所述新的缺陷分类过程应用于未包含在所述样本中且未包含在所述组经取样的缺陷中的其它缺陷，且确定通过所述新的缺陷分类过程指派到未包含在所述样本或所述组经取样的缺陷中的其它缺陷的分类的置信度的水平。举例来说，所述计算机子系统可经配置用于取样一组最低置信度缺陷。所述最低置信度缺陷是所述模型无法很好地分类的缺陷，且其可能是新缺陷类型。所述样本组的大小经受特性化，但其可为大约5到50个缺陷。接着，所述系统可经配置用于此组缺陷的SEM重检及手动分类。接着，所述计算机子系统可将这些缺陷添加到所述训练组且训练新模型。接着，所述新模型可用于分类所述多模式检验结果中的所有剩余缺陷。与原始模型相同，所述缺陷将分类成所述模型已知的具有各种水平的置信度的类型。接着，可取样、重检且手动分类具有最低水平的置信度的所述缺陷，且接着，可产生新模型。当所述模型停止产生相对较低的置信度分类时，可重复这些步骤。
图4及5说明用于多模式的缺陷发现过程。图4展示用于建立多模式主列表的过程。图5展示适应性发现方法，其可在具有多模式信息的用户的SEM重检站上执行。
如图4的步骤400中所示，所述检验子系统可使用不同光学模式多次(一或多次)扫描晶片。所述计算机子系统可针对不同光学模式产生不同检验结果402。接着，所述计算机子系统可建立所有独特缺陷的主列表，如步骤404中所示。举例来说，基于检验结果402a、402b及402c，所述计算机子系统可建立包含通过所有所述模式检测的所有所述缺陷的信息的主列表406。如果缺陷已通过一个以上模式检测，那么所述主列表可仅包含所述缺陷的一个例子。接着，所述计算机子系统可建立多视角(多模式)主列表，如步骤408中所示。如图4中所示，所述多视角主列表可包含表410或任何其它合适数据结构，其中不同缺陷可与针对通过所有用以扫描所述晶片的模式的缺陷确定的所有所述特征相关联。举例来说，在表410中，所述缺陷的ID可列在第一列中。接着，针对所述缺陷确定的任何特征可列在所述缺陷的额外列中。举例来说，如图4中所示，模式1及模式2可已用以扫描晶片。接着，基于使用模式1产生的输出针对所述缺陷确定的缺陷特征的值(F1、F2及F3)可列在所述表的模式1部分下的列F1、F2及F3中。此外，基于使用模式2产生的输出针对所述缺陷确定的缺陷特征的值(F1、F2及F3)可列在所述表的模式2部分下的列F1、F2及F3中。以此方式，来自所有模式的所述特征可组合成针对每一缺陷的一个特征组。此外，如果未在所述模式中的任何者中检测到缺陷，那么对应特征可使用零指明。举例来说，如表410中所示，因为缺陷1未在模式2中检测到，所以所述表的模式2部分中的特征的值(F1、F2及F3)是零。如表410中所示，在另一实例中，因为缺陷2未在模式1中检测到，所以所述表的模式1部分中的特征的值F1、F2及F3是零。接着，所述计算机子系统可从所述多视角(多模式)主列表执行适应性缺陷选择，如步骤412中所示。可如图5中所示执行所述适应性缺陷选择。
如图5中所示，适应性发现(其可在电子束缺陷重检工具(例如可从科磊公司购得的eDR工具)上执行)(当所述晶片在所述重检工具上时)可包含选择一小组不同缺陷，如步骤500中所示。所述适应性发现还可包含SEM重检且对所述缺陷手动分类，如步骤502中所示。此外，所述适应性发现可包含确定是否发现一个以上类型，如步骤504中所示。如果未发现一个以上类型，那么所述计算机子系统可经配置以重复步骤500中展示的选择、步骤502中展示的重检及分类及步骤504中展示的确定。如果已发现一个以上类型，那么所述计算机子系统可使用所有经分类的缺陷作为训练集构建分类模型，如步骤506中所示。接着，所述计算机子系统可使用经构造的模型对所述主列表中的所有剩余缺陷分类，如步骤508中所示。所述计算机子系统确定模型是否收敛，如步骤510中所示。通过监视训练混淆矩阵的分类置信度及稳定性建立收敛。所述计算机子系统可建议何时停止，但最终用户可基于所述计算机子系统的建议决定何时停止。如果所述模型收敛，那么所述计算机子系统可停止，如步骤512中所示。如果所述模型未收敛，那么所述计算机子系统可选择一小组具有最低分类置信度的缺陷，如步骤514中所示。接着，所述计算机子系统可执行步骤500及上文所描述的其它步骤。
本文所描述的实施例具有优于现有发现方法的若干优点。举例来说，本文所描述的实施例通过组合来自多个模式的缺陷特征提供处理多模式发现检验的新方式。因此，本文所描述的实施例消除在每一模式中独立地执行缺陷发现且接着将其组合在一起的需要。此外，所述多模式主列表不仅含有关于每一缺陷的捕获率的信息，而且含有关于哪些模式成功检测缺陷的信息。此额外信息无法在当今使用的现有方法中充分利用。所述实施例还提供用于终止发现过程的机构且因此避免发展用于取样待应用于所有晶片的大小的BKM的需要。此停止准则将导致对于不同晶片的不同SEM重检要求。此外，本文所描述的实施例可与所有缺陷特征协作，与发现取样不同，无有效性的损失，其依赖于用户选择一小组待用于多样化的特征。本文所描述的实施例还具有发现于分离缺陷类型时的重要缺陷特征的能力，且此建议可随后用于针对生产配方调谐的第二回合发现。本文所描述的实施例还可与其它方法(例如多样化、偏置等等)组合。
通过使用分类模型以选择相对较低的置信度缺陷发现新缺陷类型而产生的结果已展示此方法的作用正如发现取样一样良好或比所述发现取样更好，其中额外优点是能够实时建议重检预算。特性化还展示即便具有相对较大数目的缺陷特征(大约500)且即使当绝大部分缺陷特征是噪声时，所述分类模型仍足够工作。此指示所述多模式方法应极有价值。如果所述发现在SEM重检站上执行(其中所述晶片位于所述工具上)，那么此发现可为有价值的，这是因为具有检验(BBP)及缺陷重检(SEM)的融合特征一起起作用。
本文所描述的额外实施例通常可称为“1测试(NanoPoint)NP+工艺窗限定(PWQ)扫描”。一般来说，本文所描述的实施例可用于NP的OSTS。术语“NP”大体上是指使用极小关注区域(例如，大约是在所述晶片上印刷的特征的大小)的检验的类型，其用法是通过确定由具有大体上高精确度(例如，在子像素水平)的检验系统的检测器通过(例如)将所述检测器的输出与设计数据对准产生的输出中的所述“微关注区域”的位置。PWQ扫描大体上是指通过检验系统在晶片(于其上已形成印刷在所述晶片上的具有在所述晶片上执行的制造工艺的一或多个参数的不同(即，调制)值的至少两个裸片)执行的扫描的类型。此类参数的实例包含(但不限于)在所述晶片上执行的光刻工艺的曝光及剂量。
本文所描述的实施例可用以减少检验工具(例如BBP工具)上的NP及PWQ扫描的设置及运行时间。举例来说，使用关注区域的用于PWQ扫描的一些当前使用的方法包含每个模式每次调制一个测试(其中，通常大约20到大约50次调制)，即，针对每一经调制的裸片的分离测试，且使用初始阈值探测器(ITF)针对每次调制分离地设置灵敏度，其实行初步扫描以评估裸片的缺陷性且接着基于由用户指派的百分比指派灵敏度，且每次扫描的时间约等于完全晶片扫描时间乘以调制列的数目。
所述当前使用的方法具有若干缺点，举例来说，所述当前使用的方法对于每次调制需要一个测试，这在所述BBP工具上耗费更多时间。每次扫描所需的时间是一个完全晶片扫描的时间乘以调制列的数目。用于所述扫描的所需的额外时间从可用于其它有价值的项目的时间减去。此外，所述当前使用的方法需要针对ITF百分比的迭代调谐。用户以针对每一阈值区域的BKM ITF值开始。接着，用户运行一些调制且调谐所述ITF百分比且重复所述过程直到用户对所述ITF百分比满意。
相比之下，本文所描述的实施例可包含每个模式1测试，使用后处理以跨越所述晶片设置灵敏度，类似于OSTS，除将针对NP关注区域(CA)与旧有CA及PWQ均工作外，且每次扫描的时间是所述完全晶片扫描时间。以此方式，本文所描述的实施例具有优于当前使用的方法的若干优点(例如更易于使用且减少检验工具(例如，BBP工具)上的扫描时间，所述扫描时间可用于其它计划)。举例来说，由于任何额外工具时间可用以实行生产扫描或其它配方设置，因此检验工具(例如BBP工具)的时间是极有价值的。此外，增强的易使用性将使得配方设置时间更快。此时间节约对于检验工具用户是关键的且可为用户节约数百万美元。
在一个实施例中，所述检验子系统经配置以在所述检测器产生输出时在另一晶片上扫描能量，另一晶片是PWQ晶片，在其上使用针对用以印刷所述晶片的工艺的一或多个参数的不同值印刷至少两个裸片，且所述计算机子系统经配置用于识别所述输出中的微关注区域且基于所述微关注区域中的所述输出检测其它缺陷。举例来说，所述实施例可在针对BBP扫描的任何NP+PWQ流中利用。所述实施例还可代替热扫描在正常NP扫描中使用用于更容易的分段及阈值调谐。如本文所进一步描述，所述检验子系统可经配置以在所述晶片上扫描能量。如本文所进一步描述，所述计算机子系统可经配置以识别所述输出中的所述微关注区域(例如，通过将所述检测器的所述输出与所述晶片的设计数据对准)。所述计算机子系统还可经配置以基于所述微关注区域中的所述输出以任何合适方式(例如，通过将缺陷检测算法及/或方法仅应用于在所述微关注区域中产生的所述输出)检测缺陷。
以此方式，本文所描述的实施例可针对所有调制使用一个测试而不是针对每一分离调制使用一个测试。本文所描述的实施例可使用将提供一步调谐的新算法而不是使用ITF。此用于NP的称为OSTS的新算法将类似于OSTS，除其将在NP及旧有关注区域(CA)上而不是仅在旧有CA上起作用外。由于所述实施例大幅减少设置与运行时间两者，因此所述实施例在旧方法上改进。在设置期间，用户将仅需要指定缺陷限制且选择新算法。将不存在进一步迭代的需要。在运行时间期间，扫描时间将与完全晶片扫描耗时一样久，这比使用旧方法的扫描时间快多倍。
在一个此实施例中，针对使用所述不同值印刷的所述至少两个裸片中的两个或两个以上裸片及所述检验子系统的一或多个模式执行所述扫描，检测其它缺陷包含针对所述一或多个模式分别产生一或多个缺陷群体，且所述一或多个缺陷群体中的每一者包含在所述至少两个裸片中的两个或两个以上裸片中检测到的其它缺陷。以此方式，可针对至少两个经调制的裸片及所述检验子系统的一或多个模式执行每次扫描。因此，通过任何一次扫描产生的缺陷群体可包含在所述一次扫描中扫描的所述至少两个经调制的裸片中的缺陷。在一些此类实施例中，所述一或多个模式的所述一或多个缺陷群体对于所述至少两个裸片中的两个或两个以上裸片中的每一者分别包含约相同数目的缺陷。举例来说，新算法(对于NP的OSTS)可跨越所述晶片运行特定百分比的扫描以评估缺陷性。使用此信息，所述算法可跨越所述晶片分配缺陷使得所述缺陷将跨越所述裸片均匀地分布，从而确保对于所有调制存在相似缺陷计数。
在额外此类实施例中，所述计算机子系统经配置用于分别基于所述一或多个模式的所述一或多个缺陷群体针对使用所述一或多个模式中的至少一者额外PWQ晶片的检验选择一或多个参数。举例来说，所述算法允许针对PWQ的一步调谐且跨越调制均匀地分布缺陷。归因于一步调谐，用户将不再必须迭代地调谐阈值。这还将使测试数目从每个调制一个测试减少到所有调制一个测试，从而大幅减少扫描时间。针对额外PWQ晶片的检验选择参数可以任何合适方式执行。
本文所描述的实施例上的变化可包含设法对相似调制的集合分组以减少测试的数目且可能地减少扫描时间。然而，这将意味针对多个调制运行热扫描以重检哪些调制可被分组。此外，这仍将导致若干测试及比本文所描述的实施例的扫描时间更久的扫描时间。
另一实施例涉及一种用于发现晶片上的缺陷的计算机实施方法。所述方法包含通过在所述晶片的第一扫描中将阈值应用于由检验系统的检测器产生的输出而检测晶片上的缺陷。所述检验系统可相对于检验子系统如本文所描述而配置。所述方法还包含用于确定所述值、自动对所述特征排名、识别所述特征、确定一或多个参数及应用本文所描述的所述一或多个经确定的参数的步骤。使用计算机系统执行这些步骤，所述计算机系统可如本文所进一步描述而配置。
上文所描述的方法可包含用于执行本文所描述的系统实施例的任何其它一或多个功能的步骤。此外，上文所描述的方法可由本文所描述的系统中的任何者执行。
本文所描述的所有方法可包含将方法实施例的一或多个步骤的结果存储在计算机可读存储媒体中。所述结果可包含本文所描述的所述结果中的任何者且可以所属领域中已知的任何方式存储。所述存储媒体可包含本文所描述的任何存储媒体或所属领域中已知的任何其它合适存储媒体。在已存储所述结果之后，所述结果可在所述存储媒体中存取且由本文所描述的方法或系统实施例中的任何者使用、经格式化用于对用户显示、由另一软件模块、方法或系统使用等等。
另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行的用于执行用于发现晶片上的缺陷的计算机实施方法的程序指令。一个此实施例在图6中展示。举例来说，如图6中所示，非暂时性计算机可读媒体600存储可在计算机系统604上执行的用于执行用于发现晶片上的缺陷的计算机实施方法的程序指令602。所述计算机实施方法可包含本文所描述的任何方法的任何步骤。
实施方法(例如本文所描述的方法)的程序指令602可存储在非暂时性计算机可读媒体600上。所述计算机可读媒体可为存储媒体(例如磁盘或光盘、磁带或所属领域中已知的任何其它合适的非暂时性计算机可读媒体)。
可以各种方式中的任何者实施所述程序指令，其包含(尤其)基于过程的技术、基于组件的技术及/或面向对象技术。举例来说，可根据需要使用Matlab、Visual Basic、ActiveX控件、C、C++对象、C#、JavaBeans、微软基础类别(“MFC”)或其它技术或方法实施所述程序指令。
计算机系统604可如本文所描述而进一步配置。
由于此描述，所属领域的技术人员将明白本发明的各种方面的进一步修改及替代实施例。举例来说，提供用于发现晶片上的缺陷的系统及方法。因此，此描述待视为仅说明且为教示所属领域的技术人员执行本发明的一般方式的目的。应理解，本文展示及描述的本发明的形式待视为目前优选实施例。元件及材料可替代本文所说明及描述的所述元件及材料，可颠倒零件及过程，且可独立地利用本发明的特定特征，所属领域的技术人员在获得本发明的此描述的优点之后应明白上述所有内容。可在不背离如在所附权利要求书中所描述的本发明的精神及范围的情况下，对本文所描述的元件做出改变。

Claims (20)

1.一种经配置用于发现晶片上的缺陷的系统，其包括：
检验子系统，其包括至少能源及检测器，其中所述能源经配置以产生被引导到晶片且在晶片上进行扫描的能量，且其中所述检测器经配置以从所述晶片检测能量且响应于所述经检测的能量而产生输出；及
计算机子系统，其经配置用于：
通过在所述晶片的第一扫描中将阈值应用于由所述检测器产生的所述输出来检测所述晶片上的缺陷；
确定所述经检测的缺陷的特征的值；
基于所述特征的所述值，自动对所述特征排名且识别特征裁切线，以将所述缺陷分组成筐；
对于所述筐中的每一者，确定在被应用于所述筐中的所述每一者中的所述缺陷的所述特征的所述值时将导致所述筐中的所述每一者中的预定数目的缺陷的一或多个参数；且
在所述晶片的第二扫描中，将所述一或多个经确定的参数应用于由所述检测器产生的所述输出以产生缺陷群体，其中所述缺陷群体具有预定缺陷计数，且以所述特征的所述值多样化。
2.根据权利要求1所述的系统，其中所述计算机子系统经进一步配置用于自动且无需手动配方设置来执行所述检测、所述确定所述值、所述自动排名、所述识别、所述确定所述一或多个参数及所述应用。
3.根据权利要求1所述的系统，其中所述一或多个经确定的参数包括一或多个阈值。
4.根据权利要求1所述的系统，其中所述阈值位于所述输出的噪声底限处。
5.根据权利要求1所述的系统，其中所述阈值是由所述计算机子系统自动地选择。
6.根据权利要求1所述的系统，其中所述缺陷的所述预定数目是由用户选择。
7.根据权利要求1所述的系统，其中所述缺陷的所述预定数目对于所述筐的至少两个筐是不同的。
8.根据权利要求1所述的系统，其中所述一或多个经确定的参数包括用于干扰过滤的一或多个参数。
9.根据权利要求1所述的系统，其中所述检验子系统经配置以使用不同模式来扫描所述晶片。
10.根据权利要求9所述的系统，其中所述计算机子系统经进一步配置用于基于使用所述不同模式产生的所述输出来检测其它缺陷、使用以所述不同模式产生的所述输出来确定所述其它缺陷的特征的值，且基于所有所述缺陷的所有所述经确定的特征的所有所述值的组合来执行缺陷发现。
11.根据权利要求9所述的系统，其中所述计算机子系统经进一步配置用于基于使用所述不同模式产生的所述输出来检测其它缺陷、比较所述其它缺陷以识别所述不同模式，使用所述不同模式来检测所述其它缺陷中的每一者、确定所述其它缺陷中的每一者的一组特征，其中基于使用所述不同模式产生的所述输出来确定所述组特征，且基于所述组特征，针对不同类型的缺陷来搜索所述其它缺陷。
12.根据权利要求11所述的系统，其中所述搜索包括基于所述其它缺陷的样本来设置缺陷分类过程，将所述缺陷分类过程应用于未包含于所述样本中的所述其它缺陷，且确定由所述缺陷分类过程指派到未包含于所述样本中的所述其它缺陷的分类的置信度的水平。
13.根据权利要求12所述的系统，其中所述搜索进一步包括取样一组具有低于所述其它缺陷的他者的置信度的所述水平的置信度的所述水平的所述其它缺陷、基于所述样本及所述组经取样的所述其它缺陷来设置新的缺陷分类过程、将所述新的缺陷分类过程应用于未包含于所述样本中且未包含于所述组经取样的缺陷中的所述其它缺陷，且确定由所述新的缺陷分类过程指派到未包含在所述样本或所述组经取样的缺陷中的所述其它缺陷的分类的置信度的所述水平。
14.根据权利要求1所述的系统，其中所述检验子系统经配置以在所述检测器产生所述输出时，使所述能量在另一晶片上进行扫描，其中所述另一晶片是工艺窗限定晶片，在所述晶片上针对用以印刷所述晶片的工艺的一或多个参数，使用不同值来印刷至少两个裸片，且其中所述计算机子系统经进一步配置用于识别所述输出中的微关注区域，及基于所述微关注区域中的所述输出来检测其它缺陷。
15.根据权利要求14所述的系统，其中对使用所述不同值来印刷的所述至少两个裸片中的两个或两个以上裸片及所述检验子系统的一或多个模式执行所述扫描，其中检测所述其它缺陷包括针对所述一或多个模式分别产生一或多个缺陷群体，且其中所述一或多个缺陷群体中的每一者包括在所述至少两个裸片的所述两个或两个以上裸片中检测到的所述其它缺陷。
16.根据权利要求15所述的系统，其中对于所述一或多个模式的所述一或多个缺陷群体，分别包括所述至少两个裸片的所述两个或两个以上裸片中的每一者的约相同数目的缺陷。
17.根据权利要求15所述的系统，其中所述计算机子系统经进一步配置用于分别基于所述一或多个模式的所述一或多个缺陷群体，针对使用所述一或多个模式中的至少一者的额外工艺窗限定晶片的检验，选择一或多个参数。
18.根据权利要求1所述的系统，其中所述能源是宽带等离子体光源。
19.一种用于发现晶片上的缺陷的计算机实施方法，其包括：
通过在晶片的第一扫描中将阈值应用于由检验系统的检测器产生的输出来检测所述晶片上的缺陷，其中所述检验系统包括至少能源及所述检测器，其中所述能源经配置以产生被引导到所述晶片且在所述晶片上进行扫描的能量，且其中所述检测器经配置以从所述晶片检测能量，且响应于经检测的能量而产生所述输出；
确定所述经检测的缺陷的特征的值；
基于所述特征的所述值，自动对所述特征排名且识别特征裁切线，以将所述缺陷分组成筐；
对于所述筐中的每一者，确定在被应用于所述筐中的所述每一者中的所述缺陷的所述特征的所述值时将导致所述筐中的所述每一者中的预定数目的缺陷的一或多个参数；且
在所述晶片的第二扫描中，将所述一或多个经确定的参数应用于由所述检测器产生的所述输出以产生缺陷群体，其中所述缺陷群体具有预定缺陷计数，且以所述特征的所述值多样化，且其中使用计算机系统来执行所述检测、所述确定所述值、所述自动排名、所述识别、所述确定所述一或多个参数及所述应用。
20.一种非暂时性计算机可读媒体，其存储可在计算机系统上执行的用于执行用于发现晶片上的缺陷的计算机实施方法的过程指令，其中所述计算机实施方法包括：
通过在晶片的第一扫描中将阈值应用于由检验系统的检测器产生的输出来检测所述晶片上的缺陷，其中所述检验系统包括至少能源及所述检测器，其中所述能源经配置以产生被引导到所述晶片且在所述晶片上进行扫描的能量，且其中所述检测器经配置以从所述晶片检测能量，且响应于所述经检测的能量而产生所述输出；
确定所述经检测的缺陷的特征的值；
基于所述特征的所述值，自动对所述特征排名且识别特征裁切线，以将所述缺陷分组成筐；
对于所述筐中的每一者，确定在被应用于所述筐中的所述每一者中的所述缺陷的所述特征的所述值时将导致所述筐中的所述每一者中的预定数目的缺陷的一或多个参数；且
在所述晶片的第二扫描中，将所述一或多个经确定的参数应用于由所述检测器产生的所述输出以产生缺陷群体，其中所述缺陷群体具有预定缺陷计数，且以所述特征的所述值多样化。
CN201580059575.3A 2014-11-04 2015-11-04 晶片缺陷发现 Active CN107003249B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201462075002P 2014-11-04 2014-11-04
US62/075,002 2014-11-04
US14/931,226 2015-11-03
US14/931,226 US9518934B2 (en) 2014-11-04 2015-11-03 Wafer defect discovery
PCT/US2015/059085 WO2016073638A1 (en) 2014-11-04 2015-11-04 Wafer defect discovery

Publications (2)

Publication Number Publication Date
CN107003249A true CN107003249A (zh) 2017-08-01
CN107003249B CN107003249B (zh) 2018-05-18

Family

ID=55852384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580059575.3A Active CN107003249B (zh) 2014-11-04 2015-11-04 晶片缺陷发现

Country Status (7)

Country Link
US (2) US9518934B2 (zh)
JP (1) JP6490211B2 (zh)
KR (1) KR102276925B1 (zh)
CN (1) CN107003249B (zh)
SG (1) SG11201703560VA (zh)
TW (1) TWI644378B (zh)
WO (1) WO2016073638A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109491210A (zh) * 2017-09-12 2019-03-19 Imec 非营利协会 一种用于检测光刻图案的缺陷的方法
CN111801783A (zh) * 2018-03-19 2020-10-20 科磊股份有限公司 用于新颖缺陷发现的扰乱挖掘
CN111837228A (zh) * 2018-03-28 2020-10-27 科磊股份有限公司 用于检验的模式选择
CN114207795A (zh) * 2019-08-07 2022-03-18 科磊股份有限公司 结合光学及电子束检验的半导体热点及工艺窗的发现
CN114270182A (zh) * 2019-09-04 2022-04-01 株式会社日立高新技术 带电粒子束装置
CN116368377A (zh) * 2020-09-02 2023-06-30 应用材料以色列公司 多视角晶片分析

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US9702827B1 (en) * 2014-11-20 2017-07-11 Kla-Tencor Corp. Optical mode analysis with design-based care areas
EP3086175B1 (en) * 2015-04-22 2022-01-26 IMEC vzw Method for hotspot detection and ranking of a lithographic mask
US10204290B2 (en) * 2016-10-14 2019-02-12 Kla-Tencor Corporation Defect review sampling and normalization based on defect and design attributes
JP6353008B2 (ja) * 2016-11-02 2018-07-04 ファナック株式会社 検査条件決定装置、検査条件決定方法及び検査条件決定プログラム
US10679909B2 (en) 2016-11-21 2020-06-09 Kla-Tencor Corporation System, method and non-transitory computer readable medium for tuning sensitivies of, and determining a process window for, a modulated wafer
US11047806B2 (en) * 2016-11-30 2021-06-29 Kla-Tencor Corporation Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
US10365617B2 (en) * 2016-12-12 2019-07-30 Dmo Systems Limited Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US10234402B2 (en) * 2017-01-05 2019-03-19 Kla-Tencor Corporation Systems and methods for defect material classification
JP6731370B2 (ja) 2017-03-27 2020-07-29 株式会社日立ハイテク 画像処理システム及び画像処理を行うためのコンピュータープログラム
US10733744B2 (en) * 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US10620135B2 (en) * 2017-07-19 2020-04-14 Kla-Tencor Corp. Identifying a source of nuisance defects on a wafer
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US11056366B2 (en) * 2018-03-23 2021-07-06 Kla Corporation Sample transport device with integrated metrology
JP6675433B2 (ja) * 2018-04-25 2020-04-01 信越化学工業株式会社 欠陥分類方法、フォトマスクブランクの選別方法、およびマスクブランクの製造方法
US11151711B2 (en) * 2018-06-06 2021-10-19 Kla-Tencor Corporation Cross layer common-unique analysis for nuisance filtering
US10801968B2 (en) * 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US10545099B1 (en) 2018-11-07 2020-01-28 Kla-Tencor Corporation Ultra-high sensitivity hybrid inspection with full wafer coverage capability
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US10930597B2 (en) * 2019-03-27 2021-02-23 Kla-Tencor Corporation Die screening using inline defect information
US11114324B2 (en) 2019-04-10 2021-09-07 KLA Corp. Defect candidate generation for inspection
CN110068578B (zh) * 2019-05-17 2022-02-22 苏州图迈蓝舸智能科技有限公司 一种pvc地板的表观缺陷检测方法、装置及终端设备
JP7222821B2 (ja) * 2019-06-14 2023-02-15 株式会社ニューフレアテクノロジー マルチビーム検査装置
US11410292B2 (en) * 2019-09-27 2022-08-09 Kla Corporation Equi-probability defect detection
US11967056B2 (en) 2020-12-31 2024-04-23 Infrastructure Dl, Llc Systems, methods and apparatuses for detecting and analyzing defects in underground infrastructure systems
US11887296B2 (en) * 2021-07-05 2024-01-30 KLA Corp. Setting up care areas for inspection of a specimen
CN117813547A (zh) * 2021-08-11 2024-04-02 Asml荷兰有限公司 掩模缺陷检测
CN113628212B (zh) * 2021-10-12 2022-03-11 高视科技(苏州)有限公司 不良偏光片识别方法、电子设备和存储介质
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection
US20230314336A1 (en) 2022-03-31 2023-10-05 Kla Corporation Multi-mode optical inspection
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5999003A (en) * 1997-12-12 1999-12-07 Advanced Micro Devices, Inc. Intelligent usage of first pass defect data for improved statistical accuracy of wafer level classification
US8000922B2 (en) * 2008-05-29 2011-08-16 Kla-Tencor Corp. Methods and systems for generating information to be used for selecting values for one or more parameters of a detection algorithm
US20110310382A1 (en) * 2002-11-27 2011-12-22 Sachio Uto Defects inspecting apparatus and defects inspecting method
CN102396058A (zh) * 2009-02-13 2012-03-28 恪纳腾公司 检测晶片上的缺陷
WO2013119992A1 (en) * 2012-02-10 2013-08-15 Kla-Tencor Corporation System and method for apodization in a semiconductor device inspection system
US20140202189A1 (en) * 2011-06-13 2014-07-24 Abhijit Sathe Pumped loop cooling system

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5903342A (en) * 1995-04-10 1999-05-11 Hitachi Electronics Engineering, Co., Ltd. Inspection method and device of wafer surface
US20070212859A1 (en) * 2006-03-08 2007-09-13 Paul Carey Method of thermal processing structures formed on a substrate
JP4908995B2 (ja) 2006-09-27 2012-04-04 株式会社日立ハイテクノロジーズ 欠陥分類方法及びその装置並びに欠陥検査装置
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
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
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
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
US9053390B2 (en) 2012-08-14 2015-06-09 Kla-Tencor Corporation Automated inspection scenario generation
US9053527B2 (en) * 2013-01-02 2015-06-09 Kla-Tencor Corp. Detecting defects on a wafer
TWI601937B (zh) * 2013-01-14 2017-10-11 克萊譚克公司 用於執行半導體樣品之度量衡之橢圓偏光計設備
US9095952B2 (en) * 2013-01-23 2015-08-04 Applied Materials, Inc. Reflectivity measurements during polishing using a camera
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5999003A (en) * 1997-12-12 1999-12-07 Advanced Micro Devices, Inc. Intelligent usage of first pass defect data for improved statistical accuracy of wafer level classification
US20110310382A1 (en) * 2002-11-27 2011-12-22 Sachio Uto Defects inspecting apparatus and defects inspecting method
US8000922B2 (en) * 2008-05-29 2011-08-16 Kla-Tencor Corp. Methods and systems for generating information to be used for selecting values for one or more parameters of a detection algorithm
CN102396058A (zh) * 2009-02-13 2012-03-28 恪纳腾公司 检测晶片上的缺陷
US20140202189A1 (en) * 2011-06-13 2014-07-24 Abhijit Sathe Pumped loop cooling system
WO2013119992A1 (en) * 2012-02-10 2013-08-15 Kla-Tencor Corporation System and method for apodization in a semiconductor device inspection system

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109491210A (zh) * 2017-09-12 2019-03-19 Imec 非营利协会 一种用于检测光刻图案的缺陷的方法
CN109491210B (zh) * 2017-09-12 2021-07-23 Imec 非营利协会 一种用于检测光刻图案的缺陷的方法和系统
CN111801783A (zh) * 2018-03-19 2020-10-20 科磊股份有限公司 用于新颖缺陷发现的扰乱挖掘
CN111801783B (zh) * 2018-03-19 2023-09-01 科磊股份有限公司 用于新颖缺陷发现的扰乱挖掘
CN111837228A (zh) * 2018-03-28 2020-10-27 科磊股份有限公司 用于检验的模式选择
CN111837228B (zh) * 2018-03-28 2021-11-30 科磊股份有限公司 用于检验的模式选择的方法和系统
CN114207795A (zh) * 2019-08-07 2022-03-18 科磊股份有限公司 结合光学及电子束检验的半导体热点及工艺窗的发现
CN114207795B (zh) * 2019-08-07 2023-05-23 科磊股份有限公司 确定半导体制造工艺窗的方法、系统及计算机可读存储媒体
CN114270182A (zh) * 2019-09-04 2022-04-01 株式会社日立高新技术 带电粒子束装置
CN116368377A (zh) * 2020-09-02 2023-06-30 应用材料以色列公司 多视角晶片分析

Also Published As

Publication number Publication date
TW201626478A (zh) 2016-07-16
SG11201703560VA (en) 2017-05-30
WO2016073638A1 (en) 2016-05-12
US20160123898A1 (en) 2016-05-05
US9518934B2 (en) 2016-12-13
US20170076911A1 (en) 2017-03-16
KR20170082559A (ko) 2017-07-14
TWI644378B (zh) 2018-12-11
JP6490211B2 (ja) 2019-03-27
JP2018504768A (ja) 2018-02-15
KR102276925B1 (ko) 2021-07-12
CN107003249B (zh) 2018-05-18

Similar Documents

Publication Publication Date Title
CN107003249B (zh) 晶片缺陷发现
TWI774708B (zh) 用於半導體結構之檢驗之方法及系統
CN106461581B (zh) 基于来自光学检验及光学重检的缺陷属性的用于电子束重检的缺陷取样
US9053390B2 (en) Automated inspection scenario generation
TWI587157B (zh) 選擇用於缺陷偵測方法之參數
US7728969B2 (en) Methods and systems for identifying defect types on a wafer
US9891538B2 (en) Adaptive sampling for process window determination
CN107078073A (zh) 用于工艺窗口特征化的虚拟检验系统
CN106537125A (zh) 具有多种模式的虚拟检验系统
KR102472309B1 (ko) 검사를 위한 모드 선택
CN107003250A (zh) 检验系统及具有增强检测的技术
KR20210138116A (ko) 반도체 응용 분야를 위한 학습 가능한 결함 검출
KR20190057402A (ko) 검사 관련 알고리즘을 설정하는데 사용되는 트레이닝 세트의 최적화
KR20170120182A (ko) 적응형 뉴슨스 필터
KR102629852B1 (ko) 다중-모드 검사를 위한 통계적 학습-기반 모드 선택
CN112219113B (zh) 基于多个散射信号的嵌入式粒子深度分级
KR102557194B1 (ko) 검사를 위한 결함 후보 생성

Legal Events

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