CN109390245A - 晶片图分析器及分析晶片图的方法 - Google Patents

晶片图分析器及分析晶片图的方法 Download PDF

Info

Publication number
CN109390245A
CN109390245A CN201810902836.9A CN201810902836A CN109390245A CN 109390245 A CN109390245 A CN 109390245A CN 201810902836 A CN201810902836 A CN 201810902836A CN 109390245 A CN109390245 A CN 109390245A
Authority
CN
China
Prior art keywords
feature
wafer
wafer map
chip
fisrt feature
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
CN201810902836.9A
Other languages
English (en)
Other versions
CN109390245B (zh
Inventor
朴民哲
高汀勳
朴志庸
李济铉
金大新
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN109390245A publication Critical patent/CN109390245A/zh
Application granted granted Critical
Publication of CN109390245B publication Critical patent/CN109390245B/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
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • H01L22/32—Additional lead-in metallisation on a device or substrate, e.g. additional pads or pad portions, lines in the scribe line, sacrificed conductors
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一种使用晶片图分析器分析晶片图的方法包括：产生多个第一晶片图，所述多个第一晶片图各自显示出对于多个信道中的对应信道而言第一晶片的特性。对所述多个第一晶片图一同进行自动编码以提取第一特征。所述方法还包括：判断所述第一特征是否是是有效图案；在所述第一特征是有效图案时，基于非监督学习对所述第一特征的类型进行分类；以及提取被分类成与所述第一特征同一类型的特征的代表性图像。

Description

晶片图分析器及分析晶片图的方法
[相关申请的交叉参考]
本申请主张在2017年8月11日在韩国知识产权局提出申请的韩国专利申请第10-2017-0102035号的优先权，所述韩国专利申请的公开内容全文并入本申请供参考。
技术领域
本公开涉及一种晶片图分析器、一种使用所述晶片图分析器分析晶片图的方法及一种制造半导体装置的方法。
背景技术
在半导体装置的制造工艺中，晶片的性质使得可采用晶片的图(晶片图)的形式收集所有晶片的数据。由于晶片图的图案涉及特定工艺及特定设备(与特定工艺或特定设备相联系)，因此可执行各种类型的分析。原因在于，通过晶片图的特性可检测到特定工艺或特定设备的缺陷。因此，近来，对这种晶片图的图案分析已被认为是能够在半导体装置的制造工艺中减少缺陷并提高良率的方法。
然而，目前，晶片图的分析依赖于视觉识别领域中工程师的手动分析，且人力输入的百分比非常高。因此，具有人力费用高且准确性低的倾向。
因此，利用通过机器学习来分析晶片图的方法，可极大地降低半导体制造工艺的成本且可利用提高的准确性来极大地提高良率。
发明内容
本公开的一个方面提供一种分析晶片图的方法，所述方法会降低成本并提高准确性。
本公开的另一个方面提供一种晶片图分析器，所述晶片图分析器会降低成本并提高准确性。
本公开的再一个方面提供一种制造半导体装置的方法，所述方法会降低成本并提高准确性。
本发明的各个方面并非仅限于以上所述，且所属领域中的技术人员可从以下说明清楚地理解未提及的其他方面。
根据本公开的一个方面，一种分析晶片图的方法包括产生第一晶片图，所述第一晶片图显示出对于多个信道中的每一者而言第一晶片的特性。所述方法还包括：对多个信道的第一晶片图一同进行自动编码，以提取第一特征；判断所述第一特征是否是有效图案；在所述第一特征是有效图案时，基于非监督学习对所述第一特征的类型进行分类；以及提取被分类成与所述第一特征同一类型的特征的代表性图像作为所述第一特征。
根据本公开的另一个方面，一种分析晶片图的方法包括产生第一晶片的第一信道的第一晶片图以及第一晶片的第二信道的第二晶片图。所述方法还包括产生第二晶片的第一信道的第三晶片图以及第二晶片的第二信道的第四晶片图。所述方法还包括：对所述第一晶片图与所述第二晶片图一同进行自动编码，以提取所述第一晶片的第一特征；对所述第三晶片图与所述第四晶片图一同进行自动编码，以提取所述第二晶片的第二特征；产生包括所述第一特征及所述第二特征的特征群组；从所述特征群组排除所述特征群组的特征中的无效特征；基于非监督学习将特征群组集群成多种类型；以及分别提取所述多种类型的代表性图像。
根据本公开的再一个方面，一种分析晶片图的方法包括分别形成多个晶片的晶片图。所述方法还包括：对所述多个晶片图进行自动编码，以提取与所述多个晶片对应的多个特征；排除所述多个特征中的无效特征；使用非监督学习将多个特征中的有效特征分类成多种类型；产生与所述多种类型各自的中心对应的多个中心特征；以及对所述多个中心特征进行重构以输出代表性图像。
根据本公开的一方面，一种晶片图分析器包括存储装置及处理器。所述存储装置存储晶片图。所述处理器连接到所述存储装置并执行指令来执行工艺。所述处理器从所述晶片图提取特征，确定所述特征的有效性，对所述特征进行集群以将所述特征分类成多种类型，针对所分类的多种类型中的每一种产生具有中心值的特征，并将所述特征重构成晶片图以产生所述类型的代表性图像。所述存储装置存储每一种类型的所述代表性图像。
根据本公开的再一个方面，一种制造半导体装置的方法包括制造第一晶片以及形成多个第一晶片的多个第一晶片图中的每一者。所述方法还包括：对所述多个第一晶片图进行自动编码以提取与所述多个第一晶片对应的多个特征；使用非监督学习将所述多个特征分类成多种类型；产生与所述多种类型各自的中心对应的多个中心特征；对所述多个中心特征进行重构以输出代表性图像；对所述代表性图像指定代码并将所述代码存储在所述存储装置中；在半导体制造设备中制造第二晶片；产生所述第二晶片的第二晶片图；以及将所述代表性图像与所述第二晶片图进行比较以检测所述半导体制造设备的缺陷。
根据本公开的另一个方面，一种晶片图分析器包括非易失性存储器、易失性存储器、处理器以及总线。所述非易失性存储器存储晶片图及程序。所述程序被加载到所述易失性存储器。所述处理器执行所述程序。所述总线连接所述处理器、所述非易失性存储器及所述易失性存储器。所述程序包括不同的可执行模块，所述不同的可执行模块包括自动编码器、特征过滤器、集群机及代码分配器。所述自动编码器自动地对晶片图进行编码以提取特征。所述特征过滤器确定所述特征的有效性并当所述特征无效时排除所述特征。所述集群机执行所述特征的集群并根据所述集群来产生所述群组的中心特征。所述代码分配器为与所述中心特征对应的代表性图像分配代码并将所述代码存储在所述非易失性存储器中。
附图说明
通过参照附图详细阐述本公开的示例性实施例，本公开的以上及其它方面及特征将变得更显而易见，在附图中：
图1是示出根据本公开一些实施例的分析晶片图的方法的流程图。
图2是示出根据本公开一些实施例的用于分析晶片图的方法的晶片图的示例性图。
图3是示出根据本公开一些实施例的使用多个信道来分析晶片图的示例性图。
图4是示出在根据本公开一些实施例的分析晶片图的方法中使用所述多个信道进行晶片图特征提取及晶片图重构的示例性概念图。
图5是示出根据本公开一些实施例的分析晶片图的方法中的有效性确定的示例性曲线图。
图6是示出根据本公开一些实施例的分析晶片图的方法中的有效性确定的示例性曲线图。
图7是示出根据本公开一些实施例的进行集群来分析晶片图的示例性图。
图8是示出根据本公开一些实施例的产生代表性图像来分析晶片图的示例性概念图。
图9是示出根据本公开一些实施例的对代表性图像进行编码来分析晶片图的示例性概念图。
图10是示出根据本公开一些实施例的分析晶片图的另一种方法的流程图。
图11是示出根据本公开一些实施例的晶片图分析器的方块图。
图12是详细示出根据本公开一些实施例的晶片图分析器的操作的方块图。
图13是示出根据本公开一些实施例的制造半导体装置的方法的流程图。
图14是示出根据本公开一些实施例的制造半导体装置的方法的方块图。
[符号的说明]
10：处理器；
20：非易失性存储器；
30：半导体制造设备；
40：易失性存储器；
45：程序；
50：总线；
100：晶片图分析器；
101：自动编码器；
102：特征过滤器；
103：集群机；
104：代码分配器；
210：异常图案检测器；
A1：第一区；
A2：第二区；
C1：单元/良好单元；
C2：单元/不良单元；
CF：中心特征；
CF1：第一中心特征；
Ch1：第一信道；
Ch2：第二信道；
D1：第一距离；
D2：第二距离；
D3：第三距离；
E1：保留区；
E2：排除区；
F：特征/无效特征/有效特征；
F1：第一特征；
F2：第二特征；
F3：第三特征；
F4：第四特征；
G1：第一群组/群组；
G2：第二群组/群组；
G3：第三群组/群组；
L1：基准线；
M1：第一晶片图；
M2：第二晶片图；
M3：第三晶片图；
M4：第四晶片图；
R1：第一经重构晶片图/经重构的第一晶片图；
R2：第二经重构晶片图/经重构的第二晶片图；
R3：第三经重构晶片图/经重构的第三晶片图；
R4：第四经重构晶片图/经重构的第四晶片图；
R.I.：代表性图像；
RI1：第一代表性图像；
RI2：第二代表性图像；
RI3：第三代表性图像；
S1：第一直线；
S2：第二直线；
S3：第三直线；
S100、S200、S300、S400、S500、S600、S700、S800、S1100、S1200、S1300、S1400：步骤；
W：晶片；
X：晶片图；
X'：经重构晶片图/经重构的晶片图异常图案。
具体实施方式
图1是示出根据本公开一些实施例的分析晶片图的方法的流程图。图2是示出根据本公开一些实施例的用于分析晶片图的方法的晶片图的示例性图。图3是示出根据本公开一些实施例的使用多个信道来分析晶片图的示例性图。图4是示出在根据本公开一些实施例的分析晶片图的方法中使用所述多个信道进行晶片图特征提取及晶片图重构的示例性概念图。图5是示出根据本公开一些实施例的分析晶片图的方法中的有效性确定的示例性曲线图。图6是示出根据本公开一些实施例的分析晶片图的方法中的有效性确定的示例性曲线图。图7是示出根据本公开一些实施例的进行集群来分析晶片图的示例性图。图8是示出根据本公开一些实施例的产生代表性图像来分析晶片图的示例性概念图。图9是示出根据本公开一些实施例的对代表性图像进行编码来分析晶片图的示例性概念图。
首先，参照图1，提供晶片图(S100)。
具体来说，晶片图将参照图2加以阐述。晶片W是指在制造半导体装置的工艺中使用的硅衬底。在晶片W的表面上形成例如晶体管等半导体装置，且半导体装置可被随着晶片W被切割成多个芯片而隔开。
图2示出其中将单个晶片W切割成多个单元C1及单元C2(如多个芯片)的配置。在其中形成有一个单元的区中，可将每一个单元的特性显示为图像。
单元C1及单元C2可由单个芯片或多个芯片(例如，大小为2、4、8、16、32、64、128等等的芯片块)构成。晶片W中单元C1及单元C2的大小以及单元C1及单元C2的数目可根据使用多少芯片以及使用何种芯片大小来确定单元C1及单元C2而发生变化。确定单元C1及单元C2所用的芯片的大小及数目可根据对晶片W中的特性进行测量的精细程度而异。
晶片图可为通过在晶片W的平面图中显示单元C1及单元C2中的每一者的特性而测绘的图像。单元C1及单元C2可包括良好单元C1及不良单元C2。良好单元C1可指具有良好特性的单元，且不良单元C2可指具有不良特性的单元。良好单元C1及不良单元C2可由不同的亮度、色度或颜色来表达。
在图2中，在单元C1及单元C2中仅表达二元值(即良好值及不良值)，但实施例并非仅限于此。也就是说，单元C1及单元C2的特性可具有三个或更多个不同的等级。举例来说，当单元C1及单元C2中的每一者由第一等级到第五等级表达时，单元C1及单元C2可由不同的亮度、色度或颜色来表达。作为另外一种选择，在本公开的一些实施例中，单元C1及单元C2可采用除亮度、色度或颜色之外的另一种方式来表达。
作为另外一种选择，在本公开的一些实施例中，可在晶片图的单元C1及单元C2中表达连续值而非分立值。在这种情形中，还可针对晶片图的单元C1及单元C2中的每一者来连续地表达对亮度、色度、颜色或另一种特性的表达。
参照图3，可在单个晶片中或针对单个晶片捕获或产生多个晶片图X。也就是说，可根据各个信道(即，信道1到信道4)来产生不同的晶片图X。信道通常被认为是在传输中使用的单个频带，但本文中所述的信道可指单个连续空间的处理特性、用于捕获单个连续空间的特性的信号、或者用于捕获单个晶片W的孤立且连续的部分的特性的机制的另一种提及方式。因此，在本文中提及多个不同的信道是指用于针对晶片W的不同的、不交叠的部分来捕获或产生多个不同的晶片图X的机制。因此，可产生彼此不同的晶片图X。具体来说，在信道1中、针对信道1或使用信道1可捕获或产生第一晶片图M1，且在信道2中、针对信道2或使用信道2可捕获或产生第二晶片图M2。在信道3中、针对信道3或使用信道3可捕获或产生第三晶片图M3，且在信道4中、针对信道4或使用信道4可捕获或产生第四晶片图M4。
各个信道(即，信道1到信道4)也可或作为另外一种选择可由彼此不同的参数来确定，且因此可用于晶片W的相同的、交叠的部分。举例来说，上述参数可包括电路及芯片的性能参数(例如，导电性、电流、操作延迟及阈值电压)。因此，作为实例，在信道1中、针对信道1或使用信道1可产生具有导电特性的第一晶片图M1，且在信道2中、针对信道2或使用信道2可产生具有阈值电压特性的第二晶片图M2。由于各个参数分别对应于不同的信道，因此第一晶片图M1及第二晶片图M2对应于相同的晶片，但第一晶片图M1及第二晶片图M2可具有不同的图案。
尽管图3中仅示出四个信道，然而本公开并非仅限于此。也就是说，根据本公开一些实施例的分析晶片图的方法的信道可为三个或少于三个且可为五个或多于五个。
再次参照图1，提取晶片图的特征(S200)。
具体来说，参照图4，可通过自动编码器将晶片图X转换成一个特征F。自动编码器是在进行学习后会使所期望的输出与输入变得彼此相等的神经网络模型。自动编码器可具有以下神经网络结构：首先通过编码器对输入值进行转换且随后由解码器接收编码器的输出值作为输入以输出与编码器的输入值相同或相似的输出值。
特征F可通过对晶片图X的信息进行压缩并将所述信息表达为容量较小的信息来获得。特征F可为例如向量格式，且可为如图4所示的图案图像格式。为方便起见，以下将阐述呈图案图像格式的特征F。
在根据本公开一些实施例的分析晶片图的方法中，可例如由处理器来对由多个信道(即，信道1到信道4)提供的多个晶片图X同时进行自动编码以提取一个特征F。本文所述自动编码中的“自动”可意指自动发起编码、自动结束编码、由一个或多个机器组件(例如，处理器)执行编码、或者自动化工艺的其他特性。
也就是说，举例来说，可对第一信道(信道1)到第四信道(信道4)的第一晶片图M1到第四晶片图M4进行自动编码以提取单个第一特征F1。因此，可从多个晶片图提取与一个晶片对应的一个特征F。因此，从一个或多个晶片图提取特征F可被阐述为提取所述一个或多个晶片图以确定、识别、产生及/或选择特征F，且术语“提取”在本文中可采用这种方式使用。
如果第一晶片图M1到第四晶片图M4各自具有1024个单元，则在第一晶片图M1到第四晶片图M4中可存在关于总共4096个单元的信息。当对晶片图进行自动编码时，可将晶片图提取为具有呈总共48个块形式的像素4*4*3的第一特征F1。作为实例，第一特征F1可呈三维块形式或者可包含呈二维块形式的三阶颜色信息。
在根据本实施例的分析晶片图的方法中，不对与不同的信道(即，信道1到信道4)对应的第一晶片图M1到第四晶片图M4进行自动编码来提取另一个特征F。而是，可例如由处理器对与一个晶片对应的所有晶片图X(即，第一晶片图M1到第四晶片图M4)同时进行自动编码以提取单个第一特征F1。因此，由于对通过不同的信道(即，信道1到信道4)形成为不同的图案的第一晶片图M1到第四晶片图M4进行编码来提取一个第一特征F1，因此第一特征可高度地代表(准确地代表)所述晶片。
如果对每一个晶片图X进行编码来提取不同的特征F，则即使在随后将每一个晶片图集群成一个或多个集群群组时也无法准确地反映晶片的特性。如随后所阐述，可基于相似度来将特征从分类特征群组排除，以使得在分析期间特征群组被集群成集群群组。因此，这一实例的多信道自动编码可获得能够高度地代表晶片的单个第一特征F1。
这样一来，可分别从不同的晶片提取第二特征F2、第三特征F3及第四特征F4。还可根据不同的第一信道(信道1)到第四信道(信道4)从所述多个晶片图X逐个提取第二特征F2到第四特征F4。这些多个特征F可构成特征群组。
第一特征F1可由解码器重构成经重构晶片图X'。经重构晶片图X'与晶片图X几乎相同，但由于在编码过程及重构过程期间信息可能会丢失，因此可出现与晶片图X的局部偏差。
具体来说，第一特征F1在信道1中可被重构成第一经重构晶片图R1，且第一特征F1在信道2中可被重构成第二经重构晶片图R2。第一特征F1在信道3中可被重构成第三经重构晶片图R3，且第一特征F1在信道4中可被重构成第四经重构晶片图R4。
如同第一晶片图M1到第四晶片图M4一样，由于经重构的第一晶片图R1到经重构的第四晶片图R4各自具有1024个单元，因此可对关于总共4096个单元的信息进行重构。
经重构晶片图X'与晶片图X之间的差异可被定义为重构误差。重构误差也可表达为“Abs(X-X')”，其中“Abs”代表差异的绝对值。
再次参照图1，确定有效性(S300)。
如上所述，特征群组是其中聚集有多个特征(例如第一特征到第四特征(F1到F4))的群组。当晶片图图案在特征群组中是随机的时，随后执行的集群的值可减小。也就是说，根据本实施例的分析晶片图的方法使多个晶片图的特性部分形象化且随后利用所述特性部分来分析晶片的特性，但在随机图案的情形中，对于这种工作而言可能根本没有任何助益。
因此，根据本实施例的分析晶片图的方法将具有强的随机特性(即，将要形成为与其他图案不相似的图案的趋势)的特征移除，且可使具有强的图案特性(即，将要形成为与其他图案相似的图案的趋势)的特征留在特征群组中。
具体来说，参照图2、图4及图5，可根据重构误差及不良单元的数目来使用曲线图确定有效性。
此处，重构误差可指上述Abs(X-X')，即，经重构晶片图X'与晶片图X之间的差异。尽管只存在与一个晶片对应的一个特征F，然而由于多个晶片图X及多个经重构晶片图X'对应于一个晶片，因此上述重构误差可为单个晶片的累积值或其他方法的代表性值(例如，平均值及中值)。
此处，不良单元的数目是指基于晶片图X或经重构晶片图X'的不良单元C2的数目。如图2中所解释，当晶片图的单元C1及C2以二元方式被定义为两个值中的一者(即，被定义为良好或不良)时，可简单地对不良单元C2的数目进行计数及合计。
如果晶片图的单元C1及单元C2具有若干个等级，则还可包括基于特定参考值来重新定义良好单元C1及不良单元C2的步骤。另外，即使在晶片图的单元C1及单元C2具有连续的值时，相似地，也可通过基于特定参数值重新定义良好单元C1及不良单元C2的步骤来定义不良单元C2。
尽管只存在与一个晶片对应的一个特征F，然而由于多个晶片图X及多个经重构晶片图X'对应于一个晶片，因此不良单元C2的数目可为一个晶片的累积值或其他方法的代表性值(例如，平均值及中值)。
在图5中，当查阅不良单元的数目及重构误差的曲线图时，可按照经验寻找随机特性强的一部分以及图案特性强的一部分。首先，将连接此曲线图的原点的第一直线S1定义为与所显示数值的上轮廓边接触。第一直线S1所接触的部分未必需要为准确的，且所述部分可具有趋势线的形式。
同样地，将连接此曲线图的原点的第三直线S3定义为与所显示数值的下轮廓边接触。第三直线S3所接触的部分未必需要为准确的，且所述部分可具有趋势线的形式。当在图5中若干个数值不完全线性排列时，第三直线S3可被定义为连接代表性值的趋势线。
另外，第一直线S1及第三直线S3未必需要连接到原点，但直线可如图5所示包括接近原点的点中的一个点。也就是说，如果第一直线S1的倾斜度与第三直线S3的倾斜度为正的，则第一直线S1及第三直线S3会合的点的位置可不受限制。
接着，定义倾斜度介于第一直线S1与第三直线S3之间且连接到第一直线S1与第三直线S3会合的点的第二直线S2。第二直线S2的倾斜度可比第三直线S3的倾斜度更接近第一直线S1的倾斜度。根据将被排除的特征的大小而定，可对第二直线S2的倾斜度进行调整。也就是说，当将被排除的特征的规模大时，第二直线S2的倾斜度可接近第三直线S3的倾斜度，且当将被排除的特征的规模小时，第二直线S2的倾斜度可接近第一直线S1的倾斜度。
位于第一直线S1与第二直线S2之间的区可被定义为第一区A1。第一区A1是其中重构误差比不良单元的数目高的区，且在这种情形中，特征F的随机特性可为大的。因此，为使集群的准确性可维持为高的，在随后的集群中需要将第一区排除。因此，可将位于第一区A1中的特征F确定为无效的。
相比之下，与第三直线S3相邻的第二区A2是其中重构误差比不良单元的数目低的区，且特征F的图案特性可为大的。因此，第二区可经历随后的集群，且存储在存储装置中的意义(meaning)可具有显著性。
也就是说，在随后的集群中将属于第一区A1的第四特征F4排除，且不属于第一区A1的第一特征F1、第二特征F2及第三特征F3会留下来且可经历随后的集群。因此，可将位于第二区A2中的特征F确定为有效的。
根据本公开一些实施例的分析晶片图的方法还可使用与图5不同的方法来确定有效性。
具体来说，参照图4及图6，可使用示出重构误差及特征数目的分布图来确定有效性。
当将水平轴定义为重构误差且将垂直轴定义为轴特征的数目时，可示出如图6一样的分布图。当然，以上分布图可如图6所示具有高斯分布，但也可具有另一种形式的分布图。
此处，重构误差可指上述Abs(X-X')，即，经重构晶片图X'与晶片图X之间的差异。尽管只存在与一个晶片对应的一个特征F，然而由于多个晶片图X及多个经重构晶片图X'对应于一个晶片，因此重构误差可为单个晶片的累积值或其他方法的代表性值(例如，平均值及中值)。
特征的数目可指重构误差的数值相同或相似的特征F的数目。因此，可指特征朝图6所示水平轴的右侧具有越来越大的重构误差。
基准线L1可作为用于定义将从随后的集群排除的特征F的重构误差程度的基准。根据基准线L1而定，图6所示分布图可被划分成保留区E1及排除区E2。
由于属于保留区E1的特征具有相对低的重构误差，因此图案特性可为强的。相反地，属于排除区E2的特征具有相对高的重构误差，因此随机特性可为强的。因此可使用特征的重构误差来将特征F确定为有效或无效的。
这可归因于自动编码的学习方法。神经网络会学习自动编码来提高准确性。由于图案是相似的，因此神经网络的学习量增大，且重构误差减小。相反地，如果存在具有强随机特性的不相似的图案，则由于神经网络的学习量小，则重构误差可增大。
因此，可将位于保留区E1中的特征F确定为有效的，且可将位于排除区E2中的特征F确定为无效的。
在根据本公开一些实施例的分析晶片图的方法中，由于可通过上述有效性确定过程来排除随机特性强的特征，因此可执行更准确的集群，且因此，随后可使用不含噪声的数据来对晶片图进行分析。
再次参照图1，基于非监督学习来执行集群(S400)。
集群是指用于基于例如相似度等概念来将数据分类成多个群组的方法。换句话说，集群是指通过有效性确定(S300)来基于相似度针对每一种类型对特征群组进行分类的方法，一些特征会被从所述特征群组排除。
具体来说，参照图7，可在根据信道数目而形成的维度中执行集群。也就是说，在两个信道的情形中，可考虑到二维距离来执行集群。如果如上所述存在四个信道，则可在具有四个维度的Z空间中执行集群。为方便起见，这一流程将在以下假设存在两个信道的条件下进行阐述。
当存在两个信道(即，第一信道Ch1及第二信道Ch2)时，可在二维空间中执行集群。特征群组包括第一特征F1到第三特征F3，且每一个特征可基于特征之间的距离等而被定义为每一个群组。
基于非监督学习的集群方法可有所变化。作为实例，本实施例的集群算法可包括K最邻近法(K-Nearest Neighbor，KNN)、K均值(K-Means)、Kohenen、向量量化(vectorquantization，VQ)(学习向量量化)、C-均值及t分布随机邻域嵌入(t-DistributedStochastic Neighbor Embedding，t-SNE)中的至少一者。然而，本公开并非仅限于此。
具体来说，参照图7，第一特征F1到第三特征F3可全部属于第一群组G1。其他特征也可属于彼此接近的第二群组G2与第三群组G3。群组G1到群组G3中的每一者可各自具有集群中心。尽管中心的概念可针对二维空间或n维空间而被形象化，然而所述中心本身可对应于沿着在n维空间中界定任一维度的轴线的中心值或者中心值的范围。
第一群组G1的集群中心可通过第一特征F1到第三特征F3之间的距离(即，第一距离D1、第二距离D2及第三距离D3)来计算。如果在第一群组G1中存在除第一特征F1到第三特征F3之外的其他特征，则可考虑到与特征的距离来计算集群中心。
此处，包括第一距离D1到第三距离D3在内的“距离”在存在两个信道时是指在二维方向上的距离，且所述距离在存在n个信道时是指在n维方向上的距离。
第一中心特征CF1可为与集群中心对应的特征。也就是说，第一中心特征CF1很有可能是虚拟值。也就是说，只要在集群中心的位置处偶然地不存在特征，集群中心便为不存在的计算值，且因此，第一中心特征CF1也可为由所计算的中心产生的虚拟特征。
再次参照图1，产生每一种类型(即，每一个群组)的代表性图像(S500)。
具体来说，参照图8，可将第一中心特征CF1重构成第一代表性图像RI1。作为重构方法，可使用利用上述自动编码器的解码器的方法。
尽管在图8中未示出，然而如上所述，由于每一个特征具有多个信道，因此第一中心特征CF1自然可根据所述多个信道而具有多个第一代表性图像RI1。
由于如上所述第一中心特征CF1有很高可能性是虚拟值，因此第一代表性图像RI1也很有可能是虚拟图像。然而，在第一中心特征CF1的情形中，由于第一群组G1具有高代表性(具有准确的代表性)且当对第一中心特征CF1进行解码时出现的误差较小，因此在第一代表性图像RI1中形成噪声的可能性可被最小化。
如果对第一特征F1到第三特征F3进行重构且捕获或者产生第一晶片图R1到第三经重构晶片图R3以形成第一群组G1的代表性图像，并且通过任何方法对经重构的第一晶片图R1到经重构的第三经重构晶片图R3加以组合，则代表性图像可能会丧失对第一群组G1的代表性，而同时在三次以上解码过程中形成的噪声会被叠加。因此，根据代表性图像对晶片图进行分析的准确性可随后降低。
因此，根据本实施例的分析晶片图的方法可利用使用虚拟中心值来提取代表性图像的方法使噪声最小化，且可获得与实际数据接近的集群数据。
再次参照图1，向每一个代表性图像指配代码并将代码存储在所述代表性图像中(S600)。
具体来说，参照图9，将第一代表性图像RI1规定为第一代码(代码1)。可将第二代表性图像(RI2)规定为第二代码(代码2)。可将第三代表性图像RI3规定为第三代码(代码3)。
代码可允许随后通过调用存储装置中的代表性图像并使用索引功能来搜索代表性图像。另外，每一个代表性图像的特性可根据代码存储在一起，且在代表性图像的特性与特定代码相似的情形中可容易地追溯工艺及设备的问题。因此，代码可用于随后将所制造的半导体的来源隔离，例如当检测到缺陷或者正在对缺陷进行研究时。
另外，当随后将产生的代表性图像与经编码的代表性图像相似时，可通过指配相似的或相同的代码来容易地执行代表性图像的集群。
在由例如处理器来对多个晶片图同时进行自动编码以提取一个特征的根据本公开一些实施例的分析晶片图的方法中，可基于各个参数之间的相关性获得具有高度代表性的特征。
另外，随后可基于有效性确定或集群中一个特征来执行精确的工作。
通过有效性确定工作，通过将图案特性低的特征(即，随机特性高的特征)排除，集群效率可得到提高，且数据显著性可得到提高。
另外，根据本实施例的分析晶片图的方法对与集群中心对应的中心特征进行重构，并导出所述中心特征作为代表性图像来将因重构造成的噪声最小化。所述方法能够产生高度地代表集群的代表性图像。
在下文中，参照图10，将阐述根据本公开一些实施例的分析晶片图的另一种方法。将省略或简化以上解释内容的重复部分。
图10是示出根据本公开一些实施例的分析晶片图的另一种方法的流程图。
参照图10，与图1所示实施例相比，根据本实施例的分析晶片图的方法还可包括异常图案确定步骤(S700)以及异常图案编码及存储步骤(S800)。因此，以下将主要阐述步骤S700及步骤S800。
确定有效性(S300)，并判断被确定为无效的特征是否是异常图案(S700)。
异常图案可指罕见的或在现有学习数据中不存在的异常图案。也就是说，异常图案可指与预先存储的异常图案样本相似度非常小的图案。由于异常图案可能由半导体装置的制造设备中的严重缺陷造成，因此需要对异常图案进行单独检测及存储。异常图案可指随机特性强但可直观地且清楚地反映原因的图案。举例来说，如果晶片的一半是不良单元或者晶片的外围部分全部是不良单元，则用户可直观地追溯设备或工艺的问题。
可存在各种确定异常图案的方式。举例来说，确定异常图案的方法可包括将预存储的图案与当前特征进行比较。
通过将预存储的图案样本与当前特征进行比较，在其中相似度数值低的情形中，可将图案确定为异常图案。如果相似度的数值高，则可确定当前特征不是异常图案。
如果当前特征是异常图案，则可为异常图案指配代码且可将所述代码存储在异常图案中(S800)。
在异常图案的情形中，可指配代码并将代码存储在特征自身中。作为另外一种选择，在由自动编码器对特征进行解码以及由经重构晶片图来将特征形象化之后，可为所述特征指配代码并存储所述代码。
代码可允许随后通过调用存储装置中的代表性图像并使用索引功能来搜索异常图案图像。另外，通过将每一个异常图案图像的特性根据代码存储在一起，当每一个异常图案图像的特性与特定代码相似时可容易地追溯工艺及设备的问题。
在下文中，将参照图4至图9、图11及图12阐述根据本公开一些实施例的晶片图分析器。将省略或简化与以上说明重复的部分。
图11是示出根据本公开一些实施例的晶片图分析器的方块图，且图12是详细示出根据本公开一些实施例的晶片图分析器的操作的方块图。
参照图4至图9、图11及图12，根据本公开一些实施例的晶片图分析器100包括处理器10、非易失性存储器20、易失性存储器40及总线50。
处理器10可为神经网络的处理器。神经网络是指通过对人类大脑的结构进行建模提供的网络，神经网络由大量人工神经元构成，且在神经网络中各个神经元通过连接强度及权重连接到彼此。因此，神经网络处理器在并行分布处理、计算能力及学习方面应具有优异的能力。神经网络处理器也可适用于控制复杂的非线性系统，且可提供对非监督学习的输出。
非易失性存储器20可接收晶片图X的传输并将晶片图X存储在非易失性存储器20中。晶片图X可随后由处理器10处理成其他数据。非易失性存储器20中可存储有程序45。
易失性存储器40可被用作处理器10的操作的临时存储器。程序45可被加载到易失性存储器40中。程序45可在被存储在非易失性存储器20的状态中通过处理器10的指令被加载到易失性存储器40中。
总线50可将处理器10、非易失性存储器20及易失性存储器40互相连接。也就是说，数据及请求的所有移动均可通过总线50来执行。
处理器10可执行被加载到易失性存储器40的程序45。程序45包括顺序性操作。
参照图4至图9及图12，程序45包括自动编码器101、特征过滤器102、异常图案检测器210、集群机103及代码分配器104。
程序45由处理器10执行，且自动编码器101、特征过滤器102、异常图案检测器210、集群机103及代码分配器104中的每一者可通过处理器10来处理数据。
自动编码器101可接收晶片图X的输入以提取特征F。自动编码器101可使用多个信道(即，信道1到信道4)同时执行对多个晶片图X的自动编码以将所述多个晶片图X提取为单个特征F。第一特征F1可由自动编码器101重构成经重构晶片图X'。自动编码器101可导出重构误差(Abs(X-X'))，重构误差(Abs(X-X'))是经重构晶片图X'与晶片图X之间的差异。
特征过滤器102可确定特征F的有效性以从整体特征群组排除无效特征F，同时仅留下有效特征F。特征过滤器102可使用重构误差及不良单元数目执行过滤(图5所示)，或者可使用因重构误差导致的特征分布执行过滤(图6所示)。然而，本公开并非仅限于此。
异常图案检测器210可判断由特征过滤器102确定为无效特征F的特征F是否是异常图案。
异常图案可指罕见的或在现有学习数据中不存在的图案。也就是说，异常图案可指与预存储图案相似度非常小的图案。由于异常图案可能由半导体装置的制造设备中的严重缺陷造成，因此需要对异常图案进行单独检测及存储。因此，异常图案检测器210可检测异常图案且可将所述异常图案传送到自动编码器101。
集群机103可对通过特征过滤器102的有效特征F进行集群。集群机103可在维度与信道数目对应的Z空间中执行集群。
当根据集群确定多个群组(G1到G3)时，集群机103可产生与每一个群组的中心对应的中心特征CF。集群机103可将中心特征CF传送到自动编码器101。
自动编码器101可通过解码功能来对中心特征CF进行重构以产生代表性图像(R.I.)。自动编码器101可将代表性图像(R.I.)传送到代码分配器104。
另外，自动编码器101可通过解码功能对异常图案进行重构以产生经重构的晶片图异常图案X'。自动编码器101可将经重构的晶片图异常图案X'传送到代码分配器104。
代码分配器104可将每一个代码指配到代表性图像(R.I.)。代码分配器104还可对经重构的晶片图异常图案X'分配代码。
代码是指存储在非易失性存储器20中的代表性图像(R.I.)或异常图案的名称，且允许随后使用索引函数来对代表性图像(R.I.)及异常图案进行检索。另外，通过将每一个代表性图像的特性或异常图案的特性依赖于代码存储在一起，当检测到与特定代码对应的代表性图像(R.I.)或异常图案相似的晶片图时，可容易地追溯工艺及设备的问题。
代码分配器104可将异常图案及代码存储在非易失性存储器20中。
在下文中，将参照图2、图3、图9、图13及图14阐述根据本公开一些实施例的制造半导体装置的方法。将省略或简化与以上解释内容重复的部分。
图13是示出根据本公开一些实施例的制造半导体装置的方法的流程图，且图14是示出根据本公开一些实施例的制造半导体装置的方法的方块图。
参照图13，制造晶片(S1100)。
晶片W是指在制造半导体装置的工艺中使用的硅衬底。在晶片W的表面上形成例如晶体管等半导体装置，且半导体装置随后可被切割成及分隔成多个芯片。
通过多个半导体制造工艺，可在晶片的表面上形成若干图案，例如晶体管及二极管。半导体制造工艺可包括各种工艺，例如气相沉积工艺、蚀刻工艺、等离子体工艺及注入工艺(implant process)。
具体来说，参照图13，半导体制造设备30中可制造半导体装置(即，晶片)。半导体制造设备30是用于在其中制作晶片的半导体制作设备。
接着，形成晶片图(S1200)。
具体来说，参照图2及图3，晶片图X可为通过在晶片W的平面图中显示单元C1及单元C2中的每一者的良好性及不良性而测绘的图像。可在单个晶片中捕获或产生多个晶片图X。也就是说，可根据各个信道(即，信道1到信道4)来捕获或产生不同的晶片图X。具体来说，在信道1中可捕获或产生第一晶片图M1，且在信道2中可捕获或产生第二晶片图M2。在信道3中可捕获或产生第三晶片图M3，且在信道4中可捕获或产生第四晶片图M4。
参照图14，半导体制造设备30可将通过晶片获得的晶片图传送到晶片图分析器100。
再次参照图13，将晶片图X与代表性图像进行比较(S1300)。
参照图9，可将晶片图X与预先存储的第一代表性图像(RI1)到第三代表性图像(RI3)进行比较。由于预先存储的第一代表性图像(RI1)到第三代表性图像(RI3)是被重构成经自动编码特征的晶片图，因此可立即将第一代表性图像(RI1)到第三代表性图像(RI3)与晶片图X进行比较。另外，由于存在根据每一个信道的多个代表性图像(即，第一代表性图像(RI1)到第三代表性图像(RI3))，因此可将同一信道的晶片图X与第一代表性图像(RI1)到第三代表性图像(RI3)进行比较。
参照图14，晶片图分析器100可将晶片图X与代表性图像进行比较。第一代表性图像(RI1)到第三代表性图像(RI3)可具有先前指配的代码。因此，可将晶片图X与多个代码中具有与晶片图X最相似的代表性图像的代码进行比较。
代码的特性与被指配所述代码的代表性图像的特性被存储在一起，且可能容易地追溯设备或工艺的一部分是如何相应地运作的。
接着，对制造设备的缺陷进行检测(S1400)。
具体来说，参照图14，晶片图分析器100可检测半导体制造设备30中的缺陷。作为另外一种选择，晶片图分析器100可检测半导体制造工艺中的缺陷。
换句话说，在被指配代码的代表性图像中，可研究在被形成为这种代表性图像的晶片中存在何种类型的工艺缺陷、以及当在制造设备的一些部分中存在问题时，是否形成代表性图像。
因此，在晶片的晶片图X与代表性图像相似的情形中，可容易地追溯先前所研究的工艺或设备的缺陷。因此，根据本公开一些实施例的制造半导体装置的方法可精确地弥补工艺及设备中的问题。
尽管已参照本公开的示例性实施例具体示出并阐述了本公开，然而所属领域中的一般技术人员应理解，在不背离由以上权利要求书所界定的本公开的精神及范围的条件下，在本文中可作出形式及细节上的各种变化。示例性实施例应被视为仅具有说明性意义而非用于限制目的。

Claims (20)

1.一种分析半导体晶片的晶片图的方法，其特征在于，所述方法包括：
产生多个第一晶片图，所述多个第一晶片图各自显示出对于多个信道中的每一者而言对应的第一晶片的特性；
对所述多个第一晶片图一同进行自动编码，以提取所述半导体晶片的第一特征；
判断所述第一特征是否是用于进行分类的有效图案；
当所述第一特征是有效图案时，基于非监督学习对所述第一特征的类型进行分类；以及
提取被分类成与所述第一特征同一类型的特征的代表性图像。
2.根据权利要求1所述的方法，其特征在于，判断所述第一特征是否是所述有效图案包括：
重构所述第一特征以产生第一经重构晶片图；
使用所述第一经重构晶片图及所述第一晶片图导出重构误差；以及
利用所述重构误差判断所述第一特征是否是所述有效图案。
3.根据权利要求2所述的方法，其特征在于，所述第一晶片图包括具有良好值或不良值的多个单元，且
判断所述第一特征是否是所述有效图案包括考虑所述重构误差及具有所述不良值的单元的数目。
4.根据权利要求2所述的方法，其特征在于，判断所述第一特征是否是所述有效图案包括：
判断所述第一特征是否是包括所述第一特征的多个特征群组中具有高重构误差的特征。
5.根据权利要求1所述的方法，其特征在于，对所述第一特征的所述类型进行分类包括：
将包括所述第一特征的多个特征群组集群成集群群组。
6.根据权利要求5所述的方法，其特征在于，提取所述代表性图像包括：
产生所述集群群组的集群中心的特征；以及
对所述特征进行重构以提取所述代表性图像。
7.根据权利要求1所述的方法，其特征在于，还包括：
指定所述代表性图像的代码并将所述代码存储在存储装置中。
8.根据权利要求1所述的方法，其特征在于，还包括：
当所述第一特征不是有效图案时，判断所述第一特征是否是异常图案。
9.根据权利要求8所述的方法，其特征在于，判断所述第一特征是否是异常图案包括：
将预先存储的异常图案样本与所述第一特征进行比较。
10.一种分析半导体晶片的晶片图的方法，其特征在于，所述方法包括：
分别为多个晶片形成多个晶片图；
对所述多个晶片图进行自动编码，以提取与所述多个晶片对应的多个特征；
排除所述多个特征中对于分类而言无效的无效特征；
利用非监督学习将所述多个特征中的有效特征分类成多种类型；
产生与所述多种类型各自的中心对应的多个中心特征；以及
对所述多个中心特征进行重构以输出代表性图像。
11.根据权利要求10所述的方法，其特征在于，具有不同特性的多个晶片图对应于单个晶片。
12.根据权利要求11所述的方法，其特征在于，提取所述多个特征包括：
对与所述单个晶片对应的所有所述多个晶片图同时进行自动编码，以从每一晶片提取一个特征。
13.根据权利要求10所述的方法，其特征在于，排除所述多个特征中的所述无效特征包括：
利用每一特征的重构误差确定有效性。
14.根据权利要求10所述的方法，其特征在于，还包括：
判断所述多个特征中的所述无效特征是否是异常图案并将所述无效特征存储在存储装置中。
15.根据权利要求14所述的方法，其特征在于，判断所述无效特征是否是所述异常图案包括：
将预先存储的异常图案样本与所述多个特征中的无效特征进行比较。
16.一种晶片图分析器，其特征在于，包括：
非易失性存储器，存储程序及半导体晶片的晶片图；
易失性存储器，所述程序被加载到所述易失性存储器；
处理器，执行所述程序；以及
总线，连接所述处理器、所述非易失性存储器及所述易失性存储器，
其中所述程序包括：
自动编码器，自动地对晶片图进行编码，以提取特征，
特征过滤器，确定对于进行集群而言所述特征的有效性并当所述特征无效时排除所述特征，
集群机，执行将所述特征集群成群组的集群并根据所述集群来产生所述群组的中心特征；
代码分配器，为与所述中心特征对应的代表性图像分配代码并将所述代码存储在所述非易失性存储器中。
17.根据权利要求16所述的晶片图分析器，其特征在于，所述自动编码器对所述中心特征进行重构以产生所述代表性图像，且所述代码是进行搜索以识别由所述晶片图测绘的所述半导体晶片。
18.根据权利要求16所述的晶片图分析器，其特征在于，还包括：
异常图案检测器，判断无效特征是否为异常图案。
19.根据权利要求18所述的晶片图分析器，其特征在于，所述自动编码器对所述异常图案进行重构以产生经重构的晶片图异常图案。
20.根据权利要求19所述的晶片图分析器，其特征在于，所述代码分配器为所述经重构的晶片图异常图案分配代码，并将所述代码存储在所述易失性存储器中。
CN201810902836.9A 2017-08-11 2018-08-09 晶片图分析器及分析晶片图的方法 Active CN109390245B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0102035 2017-08-11
KR1020170102035A KR102440695B1 (ko) 2017-08-11 2017-08-11 웨이퍼 맵 분석 장치, 이를 이용한 웨이퍼 맵 분석 방법 및 반도체 장치 제조 방법

Publications (2)

Publication Number Publication Date
CN109390245A true CN109390245A (zh) 2019-02-26
CN109390245B CN109390245B (zh) 2024-03-12

Family

ID=65275410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810902836.9A Active CN109390245B (zh) 2017-08-11 2018-08-09 晶片图分析器及分析晶片图的方法

Country Status (4)

Country Link
US (2) US11688050B2 (zh)
KR (1) KR102440695B1 (zh)
CN (1) CN109390245B (zh)
TW (1) TWI811218B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112397410A (zh) * 2020-12-08 2021-02-23 晶芯成(北京)科技有限公司 一种晶圆失效的分析方法及系统
CN112446887A (zh) * 2019-09-05 2021-03-05 长鑫存储技术有限公司 晶圆切割晶片数计算方法及计算设备
TWI810945B (zh) * 2022-05-24 2023-08-01 鴻海精密工業股份有限公司 瑕疵檢測方法、電腦設備及儲存介質
TWI822269B (zh) * 2021-09-30 2023-11-11 日商歐姆龍股份有限公司 圖像檢查方法、不良部位的圖像的管理方法以及圖像檢查裝置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11947863B2 (en) * 2018-02-28 2024-04-02 Robert Bosch Gmbh Intelligent audio analytic apparatus (IAAA) and method for space system
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
JP7273556B2 (ja) * 2019-03-15 2023-05-15 株式会社東芝 分析システム、分析方法、プログラム、及び記憶媒体
KR20200137219A (ko) 2019-05-29 2020-12-09 삼성에스디에스 주식회사 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
KR20210065285A (ko) 2019-11-26 2021-06-04 삼성전자주식회사 생성적 적대망들에 기반하여 웨이퍼 맵을 생성하는 프로그램 코드를 저장하는 비일시적 컴퓨터 판독가능 매체 및 컴퓨팅 장치
TWI754911B (zh) * 2020-03-31 2022-02-11 世界先進積體電路股份有限公司 一種判斷半導體製程異常原因之系統與方法
US11404331B2 (en) 2020-06-29 2022-08-02 Vanguard International Semiconductor Corporation System and method for determining cause of abnormality in semiconductor manufacturing processes
JP2022043791A (ja) 2020-09-04 2022-03-16 キオクシア株式会社 情報処理装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5787190A (en) * 1995-06-07 1998-07-28 Advanced Micro Devices, Inc. Method and apparatus for pattern recognition of wafer test bins
KR20050030346A (ko) * 2003-09-25 2005-03-30 동부아남반도체 주식회사 결함 유형 분류 방법 및 시스템
US20070211932A1 (en) * 2005-12-29 2007-09-13 Samsung Electronics Co., Ltd. Semiconductor wafer analysis system

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6091846A (en) * 1996-05-31 2000-07-18 Texas Instruments Incorporated Method and system for anomaly detection
US6622135B1 (en) * 1998-12-29 2003-09-16 International Business Machines Corporation Method for detecting and classifying anomalies using artificial neural networks
JP4310090B2 (ja) * 2002-09-27 2009-08-05 株式会社日立製作所 欠陥データ解析方法及びその装置並びにレビューシステム
KR20070018880A (ko) * 2004-02-06 2007-02-14 테스트 어드밴티지 인코포레이티드 데이터 분석을 위한 방법 및 장치
TW200849436A (en) * 2007-06-01 2008-12-16 King Yuan Electronics Co Ltd Method for wafer analysis with artificial neural network and system thereof
KR20090070235A (ko) 2007-12-27 2009-07-01 주식회사 동부하이텍 웨이퍼 맵 동일 불량 유형 분류 방법
US7937234B2 (en) 2008-08-29 2011-05-03 Intel Corporation Classification of spatial patterns on wafer maps
KR101808819B1 (ko) * 2011-08-16 2017-12-13 삼성전자주식회사 테스트 맵 분류 방법 및 그것을 이용하는 제조 공정 조건 설정 방법
US20140303912A1 (en) 2013-04-07 2014-10-09 Kla-Tencor Corporation System and method for the automatic determination of critical parametric electrical test parameters for inline yield monitoring
US9098891B2 (en) * 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
KR101542558B1 (ko) 2014-01-08 2015-08-06 주식회사 비스텔 웨이퍼 수율 맵을 분석하는 방법 및 상기 방법을 기록한 기록매체
US9401016B2 (en) * 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5787190A (en) * 1995-06-07 1998-07-28 Advanced Micro Devices, Inc. Method and apparatus for pattern recognition of wafer test bins
KR20050030346A (ko) * 2003-09-25 2005-03-30 동부아남반도체 주식회사 결함 유형 분류 방법 및 시스템
US20070211932A1 (en) * 2005-12-29 2007-09-13 Samsung Electronics Co., Ltd. Semiconductor wafer analysis system

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446887A (zh) * 2019-09-05 2021-03-05 长鑫存储技术有限公司 晶圆切割晶片数计算方法及计算设备
CN112446887B (zh) * 2019-09-05 2022-04-08 长鑫存储技术有限公司 晶圆切割晶片数计算方法及计算设备
CN112397410A (zh) * 2020-12-08 2021-02-23 晶芯成(北京)科技有限公司 一种晶圆失效的分析方法及系统
CN112397410B (zh) * 2020-12-08 2021-05-14 晶芯成(北京)科技有限公司 一种晶圆失效的分析方法及系统
TWI822269B (zh) * 2021-09-30 2023-11-11 日商歐姆龍股份有限公司 圖像檢查方法、不良部位的圖像的管理方法以及圖像檢查裝置
TWI810945B (zh) * 2022-05-24 2023-08-01 鴻海精密工業股份有限公司 瑕疵檢測方法、電腦設備及儲存介質

Also Published As

Publication number Publication date
US20190050979A1 (en) 2019-02-14
US11688050B2 (en) 2023-06-27
KR20190017344A (ko) 2019-02-20
KR102440695B1 (ko) 2022-09-05
CN109390245B (zh) 2024-03-12
US20230298154A1 (en) 2023-09-21
TWI811218B (zh) 2023-08-11
TW201910795A (zh) 2019-03-16

Similar Documents

Publication Publication Date Title
CN109390245A (zh) 晶片图分析器及分析晶片图的方法
Tao et al. Deep learning for unsupervised anomaly localization in industrial images: A survey
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
US6104835A (en) Automatic knowledge database generation for classifying objects and systems therefor
CN113362899B (zh) 一种基于深度学习的蛋白质质谱数据的分析方法及系统
CN111967338B (zh) 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和系统
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN113903409B (zh) 一种分子数据处理方法、模型构建与预测方法及相关装置
CN108375729B (zh) 基于Fisher判别的电机SOM聚类退化状态评估方法
CN114283162A (zh) 基于对比自监督学习的现实场景图像分割方法
CN113255591A (zh) 一种基于随机森林和融合特征的轴承故障诊断方法
CN113284563B (zh) 一种蛋白质质谱定量分析结果的筛选方法及系统
CN117132804B (zh) 一种基于因果跨域小样本学习的高光谱图像分类方法
CN111967526A (zh) 基于边缘映射和深度学习的遥感图像变化检测方法及系统
CN115017990B (zh) 一种交通流量预测方法、装置、设备及存储介质
CN114119562B (zh) 一种基于深度学习的刹车盘外表面缺陷检测方法及系统
CN113311081A (zh) 基于三维液相色谱指纹的污染源识别方法及装置
CN113449626A (zh) 隐马尔科夫模型振动信号分析方法装置、存储介质和终端
CN111798473A (zh) 基于弱监督学习的图像协同分割方法
Glass et al. Compressing Interpretable Representations of Piecewise Linear Neural Networks using Neuro-Fuzzy Models
CN115830448B (zh) 一种基于多视角融合的遥感图像对比分析方法
CN117934405A (zh) 产品缺陷检测方法、检测终端及存储介质
CN117592424B (zh) 存储芯片的布局设计方法、装置、设备及存储介质
CN117575165B (zh) 一种数字化配电网的智能巡检管理方法及系统
Shang et al. Aerial image clustering analysis based on genetic fuzzy C-means algorithm and Gabor-Gist descriptor

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