CN109285791B - 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 - Google Patents
设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 Download PDFInfo
- Publication number
- CN109285791B CN109285791B CN201710651356.5A CN201710651356A CN109285791B CN 109285791 B CN109285791 B CN 109285791B CN 201710651356 A CN201710651356 A CN 201710651356A CN 109285791 B CN109285791 B CN 109285791B
- Authority
- CN
- China
- Prior art keywords
- defect
- data
- failure risk
- diagnosis
- design layout
- 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.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 296
- 238000013461 design Methods 0.000 title claims abstract description 74
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005070 sampling Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000000875 corresponding effect Effects 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 13
- 235000012431 wafers Nutrition 0.000 description 11
- 238000004626 scanning electron microscopy Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- H01L22/10—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Abstract
本发明公开一种设计布局为主的快速在线缺陷诊断、分类及取样方法及系统，本发明的方法是先取得物体的设计布局图与物体于一重要制程阶段的缺陷数据，再从失效风险预诊断分析数据库中取得与设计布局图相关的一预诊断数据群体，然后根据预诊断数据群体判断缺陷数据的致命缺限指数暨失效风险等级。借此，本发明能提高缺陷检测的效率与准确度。
Description
技术领域
本发明涉及一缺陷分析方法及系统，特别是涉及一种设计布局为主的快速在线缺陷诊断、分类及取样方法及系统。
背景技术
现今晶圆(wafer)的制造技术已朝向晶圆尺寸越来越大、晶粒(die)上的组件尺寸趋向越来越小及制程技术趋向越来越复杂，因此在晶圆出厂测试前的晶圆检测是一个非常重要的过程，目的是为了在晶圆制造初期即找到潜在可能影响良率的缺陷。
在生产阶段，晶圆厂通常会提高缺陷检测设备的灵敏度以避免晶圆上有任何潜在可能影响良率的缺陷被遗漏，从而导致检测到的缺陷数量增加，其中不重要的缺陷和噪声所占百分比也会随之增加。晶圆厂随后也会用扫瞄式电子显微镜(SEM,Scanning ElectronMicroscopy)进一步照相检验分析和分类检测到的缺陷，以尽可能找出问题根源并迅速做出修正；然受限于晶圆厂扫瞄式电子显微镜每小时处理缺陷照相的速度，现行作法通常是缺陷检测设备从每一片晶圆上扫描到的随机缺陷(如数千至数万的缺陷)中，随机取样少量的缺陷(如100个缺陷)进行检查，取样率只有几个百分点甚至低于一个百分点。在这种情况下，将很难发现在生产中确认出潜在可能影响良率的缺陷，尤其多种机台和制造过程的组合所导致的差异会让问题变得更严重。
因此，需要一个快速且有效率的方法来对生产中的系统性和随机性的缺陷数量做有效的监控，否则将影响到量产所需时间，严重时甚至会影响到晶圆厂的获利。
发明内容
本发明所要解决的技术问题在于，针对现有技术的不足提供一种设计布局为主的快速在线缺陷诊断、分类及取样方法及系统，其能将检查取样数量限制在一个相对较小但是会影响良率的较高风险关键缺陷范围内，并能以更短的时间选出潜在可能影响良率的缺陷加以分析。
为了解决上述的技术问题，本发明所采用的其中一技术方案是：一种设计布局为主的快速在线缺陷诊断、分类及取样方法，其包括以下步骤：取得一物体的一设计布局图与该物体于一制程阶段的多个缺陷数据，其中每一该缺陷数据包括一缺陷的尺寸以及坐标；从一失效风险预诊断分析数据库中取得与该设计布局图相关的一预诊断数据群体，其中该预诊断数据群体包括该设计布局图的多个位置坐标以及各种尺寸级别的缺陷于每一该位置坐标所对应的致命缺陷指数；以及根据该预诊断数据群体以判断该些缺陷数据的失效风险等级，其中是基于每一该缺陷的坐标所对应的位置坐标与其尺寸于该位置坐标所对应的致命缺陷指数。
为了解决上述的技术问题，本发明所采用的另一技术方案是：一种设计布局为主的快速在线缺陷诊断、分类及取样系统，其包括一数据接收模块以及一缺陷诊断模块。该数据接收模块用以取得一物体的一设计布局图与该物体于一制程阶段的多个缺陷数据，并从一失效风险预诊断分析数据库中取得与该设计布局图相关的一预诊断数据群体，其中每一该缺陷数据包括一缺陷的尺寸以及坐标，该预诊断数据群体包括该设计布局图的多个位置坐标以及各种尺寸级别的缺陷于每一该位置坐标所对应的致命缺陷指数；该缺陷诊断模块用以根据该预诊断数据群体判断该些缺陷数据的失效风险等级，其中是基于每一该缺陷的坐标所对应的位置坐标与其尺寸于该位置坐标所对应的致命缺陷指数。
本发明的有益效果在于，本发明技术方案所提供的设计布局为主的快速在线缺陷诊断、分类及取样方法及系统，其通过“从失效风险预诊断分析数据库中取得与物体的设计布局图相关的预诊断数据群体，并根据预诊断数据群体来判断物体于一制程阶段检测到的缺陷数据的失效风险等级”的技术特征，能在不影响生产时效的前提下检阅大量的缺陷数据，并从中选出造成开路或短路几率较高者加以分析，而避免潜在可能影响良率的缺陷被忽略。与现有技术相比，本方法提供从缺陷检测设备至SEM照相之间，找对关键致命缺陷的检测更快且更精确的结果，有助于用户迅速地做出良率相关的决策。
为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与附图，然而所提供的附图仅用于提供参考与说明，并非用来对本发明加以限制。
附图说明
图1为本发明的设计布局为主的快速在线缺陷诊断、分类及取样方法的实施流程图。
图2为本发明的设计布局为主的快速在线缺陷诊断、分类及取样方法的步骤示意图。
图3为本发明的设计布局为主的快速在线缺陷诊断、分类及取样系统的功能模块图。
图4至图6为本发明为建立失效风险预诊断分析数据库的程序示意图。
具体实施方式
随着设计尺寸不断缩小，影响良率的缺陷也变得越来越小；为了能在复杂的电路设计布局中检测到可能影响良率的一些微小尺寸的缺陷，检测机台必须提高检测设备及程序的灵敏度才能撷取到所有的关键缺陷(DOI,defect of interest)，却也因为缺陷数量增加而容易检测出大量且无关紧要的非关键缺陷(无良率影响)和噪声。有鉴于此，本发明提出一种新的设计布局为主的快速在线缺陷诊断、分类及取样方法，其借由引入电路设计布局的失效风险预诊断数据库，而能在不影响生产时效的前提之下，快速且精确地从大量缺陷数量中分离关键缺陷与非关键缺陷，以选出潜在可能影响良率的缺陷加以分析；例如从数千至数万个缺陷中选出少量例如100个关键缺陷，然后使用SEM照相检验机台进一步分析和分类这些缺陷，以找出问题根源。
以下是通过特定的具体实施例来说明本发明所公开有关“设计布局为主的快速在线缺陷诊断、分类及取样方法”的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不悖离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
请参阅图1，本方法主要包括以下步骤：步骤S100，取得物体的设计布局图与物体于一制程阶段的缺陷数据，其中缺陷数据包括缺陷的尺寸以及坐标；步骤S102，从失效风险预诊断分析数据库中取得与设计布局图相关的预诊断数据群体，其中预诊断数据群体包括设计布局图的多个位置坐标以及各种尺寸级别的缺陷于每一位置坐标所对应的致命缺陷指数(即关键区域分析数值)；以及步骤S104，根据预诊断数据群体判断缺陷数据的失效风险等级，其中是基于每一缺陷的坐标所对应的位置坐标与其尺寸于此位置坐标所对应的致命缺陷指数。
于实务上，使用者也可以不依据预诊断数据群体数据，而代之以先将缺陷重叠至设计布局图上，再利用关键区域分析法，基于缺陷的尺寸大小与相对应的布局区域内的图案等，分析出关键区域大小从而获得致命缺陷指数(即关键区域分析数值)。相关的技术细节可参考本案申请人所取得的第8,473,223号美国专利及第8,312,401号美国专利。
请配合参阅图2及图3，本方法可利用计算机系统，并通过以软件实现的快速在线缺陷诊断、分类及取样系统100来执行。本方法可应用在制造工厂(如晶圆厂)或IC设计公司(design house)，以针对一物体(如晶圆)于一制程阶段(如沉积、黄光微影或蚀刻等重要制程阶段)检测到的缺陷数据，快速且精确地将其中明显却不重要的缺陷数据过滤掉；借此，制造端或设计端能实时掌握正在制造的物体的良率损失原因，并迅速地做出良率相关的决策。
本实施例中，快速在线缺陷诊断、分类及取样系统100的数据接收模块101先取得物体的设计布局图与缺陷数据(本方法的步骤S100)；设计布局图包含预计要在物体上制成的电路设计布局，设计布局图可以从计算机系统中建立的布局数据库200中取得；而缺陷数据是于某一制程阶段产生于物体上，且被制造工厂内的缺陷检测设备(defect inspectiontool)所检测到，缺陷数据可以从计算机系统中建立的缺陷检测数据库300中取得。一般来说，缺陷检测设备可以检测整个物体上不同位置，并产生某一制程阶段的多个缺陷影像图(defect image)，同时给出每一缺陷影像图中潜在的缺陷的数据，而缺陷数据至少包含有缺陷的尺寸、形状、坐标、影像强度(intensity)以及对比度(contrast)等几十种乃至上百种讯息。
需要说明的是，因为缺陷检测设备所量测出的缺陷数据可能会存在误差，例如缺陷的尺寸大小或轮廓形状有误差或缺陷的坐标发生偏移，而利用这些缺陷数据往往无法分析出造成良率损失的真正原因，所以快速在线缺陷诊断、分类及取样系统100的缺陷诊断模块102将对这些缺陷数据中存在的误差进行校正，即实施坐标转换(coordinateconversion)及坐标误差校正(coordinate offset correction)。更进一步地说，缺陷检测设备于检测到物体的缺陷数据时会产生相对应的检测影像图，且检测影像图中包括每一个缺陷的影像；缺陷诊断模块102即先从每一个缺陷的影像中萃取其影像图形轮廓(imagepattern contour)，再对影像图形轮廓与设计布局图施以坐标转换及比对重叠，以校正缺陷的坐标；缺陷诊断模块102并从影像图形轮廓中得到更接近真实的缺陷的尺寸与形状。关于误差校正的技术细节可参考本案申请人所取得的美国专利第8,095,895号。
在取得物体的设计布局图与缺陷数据之后，数据接收模块101接着从计算机系统中建立的失效风险预诊断分析数据库400中取得与设计布局图相关的预诊断数据群体(本方法的步骤S102)；值得说明的是，本方法的技术核心即是在制造工厂根据设计布局图开始制作大量的物体之前，预先分析各种尺寸级别的缺陷在设计布局图的电路设计布局图案的各个部分造成开路或短路(open or short)的失败几率，并将相关的分析数据储存在失效风险预诊断分析数据库400，以作为缺陷数据的分类及取样的基础。
上述分析方法是先利用电子设计自动化(Electronic Design Automation,EDA)工具或图像处理方法来设计产生各种尺寸级别的缺陷，再将这些缺陷按照由小到大的顺序，逐个映射重叠至设计布局图上的各个位置坐标(x,y)，以与其电路设计布局图案的各个部分分别进行比对，然后以关键区域分析法(Critical Area Analysis,CAA)得到不同尺寸大小的缺陷相对于各个位置坐标(含误差范围)所对应的布局区域内的图案的致命缺陷指数(Killer Defect Index,KDI)，此即是关键区域分析数值。相关的技术细节可参考本案申请人所取得的美国专利第8,312,401号。重复上述步骤于物体的多个设计布局图(如晶圆在不同的层的设计布局图)，即可在失效风险预诊断分析数据库400中建立对应不同设计布局图的多个预诊断数据群体，且每一预诊断数据群体至少包含有相对应的设计布局图的多个位置坐标以及各种尺寸级别的缺陷于每一位置坐标所对应的致命缺陷指数。
更进一步地说，基于CAA得到的KDI值(即是CAA数值)可以让用户自行定义，若以KDI值设定在0到1之间为例来区分缺陷的风险等级，因为KDI值为1或0.7-1表示造成开路或短路的几率非常高，KDI值为0.5-0.7表示造成开路或短路的几率相对较高，KDI值为0.1-0.5表示造成开路或短路的几率相对较低，KDI值小于0.1表示造成开路或短路的几率非常低；所以相对于KDI值为1或0.7-1的所有缺陷可以判断为高风险致命缺陷(high riskkiller defect)，相对于KDI值为0.5-0.7的所有缺陷可以判断为中风险致命缺陷(mediumrisk killer defect)，相对于KDI值为0.1-0.5的所有缺陷可以判断为低风险致命缺陷(low risk killer defect)，相对于KDI值小于0.1的所有缺陷可以判断为极低风险致命缺陷(negligible risk killer defect)，相对于KDI值为0的所有缺陷则可以判断为无效缺陷(dummy defect)或干扰缺陷(nuisance defect)。并且实务上可将KDI大于0.5的所有缺陷当作是关键缺陷，而将KDI值小于0.5的所有缺陷当作是非关键缺陷。
上述各个风险等级的KDI值会因不同的fab、制造技术、层次、步骤、产品等而有些微不同。于实务上，用户可以依照SEM照片中显示的开路或短路失败的情况，来定义各个风险等级的KDI值。
以图4所示物体的一设计布局图L为例来说明预诊断数据群体的建立，而不同尺寸大小的缺陷与相对应的布局区域内的图案与致命缺陷指数之间的关系举例说明如图5及图6。
设计布局图L被划分出多个布局区域L1、L2、L3，且每一布局区域L1、L2、L3内有一特定的布局图案；为了简化说明，仅显示了图4中布局区域L1、L2及L3内的布局图案。针对布局区域L1的位置坐标(x1,y1)预先设计产生一缺陷D1，针对布局区域L2的位置坐标(x2,y2)预先设计产生一缺陷D2，并且针对布局区域L3的位置坐标(x3,y3)预先设计产生一缺陷D3；再以CAA分别分析缺陷D1-D3相对于布局区域L1-L3内的布局图案的致命缺陷指数。因为缺陷D1在布局区域L1内完全不会影响到电性开路或短路失败，所以其基于CAA得到的致命缺陷指数为0；另外，缺陷D2相对于布局区域L2内的图案有不小机会造成开路或短路失效，因而基于CAA得到的致命缺陷指数为0.5或是更大；而缺陷D3相对于布局区域L3内的图案必定会造成开路失效，因而基于CAA得到的致命缺陷指数为1或是接近于1。
在取得与设计布局图相关的失效风险预诊断分析数据之后，缺陷诊断模块102即根据预诊断分析数据，将缺陷数据区分为高失效风险、中失效风险、低失效风险或无失效风险(本方法的步骤S104)，缺陷数据的失效风险程度的高低与物体的某一特定部位发生开路或短路的几率呈正相关，即和关键缺陷取样的几率呈正相关。值得一提的是，缺陷诊断模块102是通过数据比数据的方式(缺陷数据比预诊断分析数据)，针对每一缺陷数据先找到其于设计布局图上的正确位置坐标，再以其尺寸于此位置坐标所对应的致命缺陷指数来判断出所属的风险等级；如此作法，即便物体因经过不同制程阶段而有大量的缺陷数据，这些缺陷数据都能直接与失效风险预诊断分析数据做比对而区分出各自的失效风险等级；换言之，本方法能在不影响生产时效的前提下检阅大量的缺陷数据，并从中选出造成开路或短路几率较高者加以分析，而避免潜在可能影响良率的缺陷被忽略。
在区分出缺陷数据的失效风险等级之后，快速在线缺陷诊断、分类及取样系统100的缺陷取样模块103可以再根据影像强度(intensity)、对比度(contrast)或偶极性(polarity)，对属于高失效风险或中失效风险的缺陷数据进行取样(本方法的步骤S106)，以从这些缺陷数据中找出会实质影响物体良率的关键缺陷数据。更进一步地说，缺陷取样模块103可依据缺陷影像强度(intensity)、对比度(contrast)的分布曲线及用户欲分析取样的数量分布区间来动态设定关于影像强度或对比度等参数的一第一门坎值与一第二门坎值，并且当影像强度或对比度等参数高于第一门坎值，即判定相关缺陷数据为高优先取样等级(high sample priority)的缺陷数据，当影像强度或对比度等参数介于第一门坎值与第二门坎值之间，即判定相关缺陷数据为中优先取样等级(high sample priority)的缺陷数据，当影像强度或对比度等参数低于第二门坎值，即判定相关缺陷数据为低优先取样等级(high sample priority)的缺陷数据；实务上第一和第二门坎值可以让用户自行定义。根据上述取样规则，用户可以选择属于高、中失效风险又属于高、中优先取样等级的缺陷数据来进行分析，以提升可能造成开路或短路失败的关键缺陷数据的取样精准度。
此外，为了提高取样的准确度，在区分出缺陷数据的失效风险等级之后或在根据影像强度或对比度等参数进行取样之后，数据处理模块104可进一步分析缺陷数据中是否存在与设计布局图的某一特定部分相关的假警讯缺陷(false alarm defect)，若有则将其过滤掉(本方法的步骤S108)；原因是假警讯缺陷虽会在SEM图像上造成开路或短路失败，但相关的设计布局图案实际上与线路运作及良率无关，所以认定这类缺陷属于假警讯缺陷。真正会造成开路或短路失败的缺陷则属于必须进行取样的警讯缺陷(alarm defect)。相关的技术细节可参考本案申请人所取得的第8,312,401号美国专利。
更进一步地说，数据处理模块104可以通过对一段时间内的缺陷数据进行统计分析，先找出因设计图案而频繁产生的特定缺陷数据，然后IC设计公司提供是否会造成开路或是短路失效数据，再判断哪些缺陷数据为假警讯，哪些缺陷数据为警讯而会造成良率损失，以避免当假警讯的取样数量很高时影响到真正失效的关键缺陷被取样的效率和准确度。
实施例的有益效果
本发明实施例所提供的设计布局为主的快速在线缺陷诊断、分类及取样方法，其通过“从失效风险预诊断分析数据库中取得与物体的设计布局图相关的预诊断数据群体，并根据预诊断数据群体来判断物体于一制程阶段检测到的缺陷数据的失效风险等级”的技术特征，能在不影响生产时效的前提下检阅大量的缺陷数据，并从中选出造成开路或短路几率较高者加以分析，而避免潜在可能影响良率的缺陷被忽略。与现有技术相比，本方法提供从检测设备与SEM照相之间，找对关键致命缺陷的检测更快且更精确的结果。
再者，本方法能加以利用一般检测设备检测到的缺陷数据例如缺陷的影像强度或对比度，将检查取样数量限制在一个相对较小的范围内，以提升关键缺陷数据的取样速度。
此外，本方法可以通过对一段时间内的缺陷数据进行统计分析，先找出因设计图案而频繁产生的特定缺陷数据，然后IC设计公司提供是否会造成开路或是短路失效数据，再判断哪些缺陷数据为假警讯，哪些缺陷数据为警讯而会造成良率损失，以避免当假警讯的取样数量很高时影响到真正失效的关键缺陷被取样的效率和准确度。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的权利要求书的保护范围，故凡运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的权利要求书的保护范围内。
Claims (16)
1.一种设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，所述设计布局为主的快速在线缺陷诊断、分类及取样方法包括：
取得一物体的一设计布局图与该物体于一制程阶段的多个缺陷数据，其中每一该缺陷数据包括一缺陷的尺寸以及坐标；
从一失效风险预诊断分析数据库中取得与该设计布局图相关的一预诊断数据群体，其中该预诊断数据群体包括该设计布局图的多个位置坐标以及各种尺寸级别的缺陷于每一该位置坐标所对应的致命缺陷指数；以及
根据该预诊断数据群体以判断该些缺陷数据的失效风险等级，其中是基于每一该缺陷的坐标所对应的位置坐标与其尺寸于该位置坐标所对应的致命缺陷指数；
其中，于判断所述缺陷数据的失效风险等级时，还进一步从每一该缺陷的影像中萃取其影像图形轮廓，然后再对每一该影像图形轮廓与该设计布局图施以坐标转换及比对重叠，以校正每一该缺陷的坐标；
其中，于校正每一该缺陷的坐标后，还进一步根据每一该缺陷的影像图形轮廓来修正其尺寸与形状的误差。
2.根据权利要求1所述的设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，于判断该些缺陷数据的失效风险等级时，该些缺陷数据被区分为高失效风险、中失效风险、低失效风险或无失效风险，而该些缺陷数据的失效风险程度的高低与关键缺陷取样的几率呈正相关。
3.根据权利要求2所述的设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，于取得该物体的该些缺陷数据时，还进一步取得该物体于该制程阶段的一检测影像图，该检测影像图包括每一该缺陷的影像，且每一该缺陷数据还包括每一该缺陷的影像强度值与对比值。
4.根据权利要求3所述的设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，该设计布局为主的快速在线缺陷诊断、分类及取样方法还进一步包括：根据每一该缺陷的影像强度值或对比值来对属于高失效风险或中失效风险的该些缺陷数据进行取样，以从该些缺陷数据中找出至少一关键缺陷数据，其中至少一该关键缺陷数据实质地影响该物体的良率。
5.根据权利要求4所述的设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，该些缺陷数据的取样顺序是根据每一该缺陷的影像强度值或对比值的大小而决定的。
6.根据权利要求4所述的设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，于判断该些缺陷数据的失效风险等级后或于对属于高失效风险或中失效风险的该些缺陷数据进行取样后，还进一步分析该些缺陷数据中是否存在与该设计布局图相关的假警讯，若有则将假警讯过滤掉。
7.根据权利要求6所述的设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，于判断该些缺陷数据的失效风险等级时，还进一步辨识至少一该缺陷数据为一系统缺陷或一随机缺陷。
8.根据权利要求7所述的设计布局为主的快速在线缺陷诊断、分类及取样方法，其特征在于，若至少一该缺陷数据被辨识为系统缺陷，则进一步从一前处理数据库中取得一图案数据群体，其中该图案数据群体包括该设计布局图经过处理后得到的多个具有相同图案特征的布局图案群以及每一布局图案群所在的坐标群，并找出与至少一该缺陷数据相关的至少一布局图案群。
9.一种设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，所述设计布局为主的快速在线缺陷诊断、分类及取样系统包括：
一数据接收模块，用以取得一物体的一设计布局图与该物体于一制程阶段的多个缺陷数据，并从一失效风险预诊断分析数据库中取得与该设计布局图相关的一预诊断数据群体，其中每一该缺陷数据包括一缺陷的尺寸以及坐标，该预诊断数据群体包括该设计布局图的多个位置坐标以及各种尺寸级别的缺陷于每一该位置坐标所对应的致命缺陷指数；以及
一缺陷诊断模块，用以根据该预诊断数据群体判断该些缺陷数据的失效风险等级，其中是基于每一该缺陷的坐标所对应的位置坐标与其尺寸于该位置坐标所对应的致命缺陷指数；
其中，该缺陷诊断模块能从每一该缺陷的影像中萃取其影像图形轮廓，然后再对每一该影像图形轮廓与该设计布局图施以坐标转换及比对重叠，以校正每一该缺陷的坐标；该缺陷诊断模块并能根据每一该缺陷的影像图形轮廓来修正其尺寸与形状的误差。
10.根据权利要求9所述的设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，该缺陷诊断模块能将该些缺陷数据区分为高失效风险、中失效风险、低失效风险或无失效风险，而该些缺陷数据的失效风险程度的高低与关键缺陷取样的几率呈正相关。
11.根据权利要求10所述的设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，该数据接收模块进一步取得该物体于该制程阶段的一检测影像图，该检测影像图包括每一该缺陷的影像，且每一该缺陷数据还包括每一该缺陷的影像强度值与对比值。
12.根据权利要求11所述的设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，该设计布局为主的快速在线缺陷诊断、分类及取样系统还包括一缺陷取样模块，用以根据每一该缺陷的影像强度值或对比值来对属于高失效风险或中失效风险的该些缺陷数据进行取样，以从该些缺陷数据中找出至少一关键缺陷数据，其中至少一该关键缺陷数据实质地影响该物体的良率。
13.根据权利要求12所述的设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，该缺陷取样模块是根据每一该缺陷的影像强度值或对比值的大小来决定该些缺陷数据的取样顺序。
14.根据权利要求12所述的设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，该设计布局为主的快速在线缺陷诊断、分类及取样系统还包括一数据处理模块，用以分析该些缺陷数据中是否存在与该设计布局图的某一特定部分相关的假警讯，若有则将其过滤掉。
15.根据权利要求14所述的设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，该数据处理模块能辨识至少一该缺陷数据为一系统缺陷或一随机缺陷。
16.根据权利要求15所述的设计布局为主的快速在线缺陷诊断、分类及取样系统，其特征在于，若至少一该缺陷数据被辨识为系统缺陷，则该数据处理模块能从一前处理数据库中取得一图案数据群体，其中该图案数据群体包括该设计布局图经过处理后得到的多个具有相同图案特征的布局图案群以及每一布局图案群所在的坐标群，并能找出与至少一该缺陷数据相关的至少一布局图案群。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106124558A TWI641961B (zh) | 2017-07-21 | 2017-07-21 | 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統 |
| TW106124558 | 2017-07-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109285791A CN109285791A (zh) | 2019-01-29 |
| CN109285791B true CN109285791B (zh) | 2021-01-01 |
Family
ID=65019040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710651356.5A Expired - Fee Related CN109285791B (zh) | 2017-07-21 | 2017-08-02 | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10719655B2 (zh) |
| CN (1) | CN109285791B (zh) |
| TW (1) | TWI641961B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI641960B (zh) * | 2017-04-05 | 2018-11-21 | 敖翔科技股份有限公司 | 設計佈局的失效風險的智慧型預診斷系統及方法 |
| TWI671838B (zh) * | 2018-07-17 | 2019-09-11 | 敖翔科技股份有限公司 | 半導體廠缺陷作業系統及裝置 |
| CN110456616A (zh) * | 2019-08-26 | 2019-11-15 | 上海华力集成电路制造有限公司 | 与光刻机联动的缺陷检测方法 |
| CN112444526A (zh) * | 2019-09-05 | 2021-03-05 | 中芯国际集成电路制造(上海)有限公司 | 缺陷检测方法及缺陷检测系统 |
| CN111311080B (zh) * | 2020-01-21 | 2023-04-28 | 广东三维家信息科技有限公司 | 订单检测修订方法、装置、电子设备和计算机可读介质 |
| CN116882361B (zh) * | 2023-09-06 | 2023-12-26 | 全芯智造技术有限公司 | 芯片缺陷分析方法、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105960702A (zh) * | 2014-02-06 | 2016-09-21 | 科磊股份有限公司 | 基于从标准参考图像确定的属性的缺陷检测及分类 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5598341A (en) * | 1995-03-10 | 1997-01-28 | Advanced Micro Devices, Inc. | Real-time in-line defect disposition and yield forecasting system |
| US7346470B2 (en) * | 2003-06-10 | 2008-03-18 | International Business Machines Corporation | System for identification of defects on circuits or other arrayed products |
| KR100828026B1 (ko) * | 2007-04-05 | 2008-05-08 | 삼성전자주식회사 | 집적회로 설계패턴의 레이아웃 수정방법 및 이를 수행하기위한 장치 |
| TWI409661B (zh) * | 2009-11-18 | 2013-09-21 | Iyun Leu | 物體製造缺陷的應用方法 |
| US8607169B2 (en) * | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
| TWI534646B (zh) * | 2013-05-20 | 2016-05-21 | 敖翔科技股份有限公司 | 智慧型弱點圖形診斷方法、系統與電腦可讀取記憶媒體 |
| TWI564741B (zh) * | 2016-01-25 | 2017-01-01 | 敖翔科技股份有限公司 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
-
2017
- 2017-07-21 TW TW106124558A patent/TWI641961B/zh active
- 2017-08-02 CN CN201710651356.5A patent/CN109285791B/zh not_active Expired - Fee Related
-
2018
- 2018-07-20 US US16/040,598 patent/US10719655B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105960702A (zh) * | 2014-02-06 | 2016-09-21 | 科磊股份有限公司 | 基于从标准参考图像确定的属性的缺陷检测及分类 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI641961B (zh) | 2018-11-21 |
| US10719655B2 (en) | 2020-07-21 |
| US20190026419A1 (en) | 2019-01-24 |
| CN109285791A (zh) | 2019-01-29 |
| TW201909010A (zh) | 2019-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
| US7352890B2 (en) | Method for analyzing circuit pattern defects and a system thereof | |
| JP4695239B2 (ja) | 形状特徴に基づく欠陥検出方法及び装置 | |
| KR101600209B1 (ko) | 영역 결정 장치, 검사 장치, 영역 결정 방법 및 영역 결정 방법을 사용한 검사 방법 | |
| TWI706376B (zh) | 用於缺陷檢測之系統、方法及非暫時性電腦可讀儲存媒體 | |
| TWI692700B (zh) | 智慧型的缺陷校正系統與其實施方法 | |
| CN112424826A (zh) | 基于机器学习的图案分组方法 | |
| US20130108147A1 (en) | Inspection method and device therefor | |
| KR20150140349A (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
| JP7254921B2 (ja) | 半導体試料の欠陥の分類 | |
| CN109979840B (zh) | 监控缺陷观察设备晶圆载台精度偏移量的方法 | |
| KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
| CN111311576A (zh) | 基于点云信息的缺陷检测方法 | |
| US9142014B2 (en) | System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering | |
| KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
| TWI783400B (zh) | 誤差因子的推定裝置及推定方法 | |
| CN110763696A (zh) | 用于晶圆图像生成的方法和系统 | |
| US6539272B1 (en) | Electric device inspection method and electric device inspection system | |
| TWI801973B (zh) | 錯誤因素之推定裝置及推定方法 | |
| JPH09134940A (ja) | 半導体ウェハの不良解析方法及びその装置 | |
| CN112582292A (zh) | 用于芯片生产机台的零部件异常自动侦测方法、存储介质、终端 | |
| JP2002048722A (ja) | 欠陥検査装置 | |
| CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 | |
| CN118043951A (zh) | 用于经由缺陷及电性测试数据的相关性自动诊断及监测半导体缺陷裸片筛选性能的系统 | |
| CN117529803A (zh) | 用于主动良率管理的制造指纹 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210101 Termination date: 20210802 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |