CN109596638A - 有图形晶圆及掩模版的缺陷检测方法及装置 - Google Patents

有图形晶圆及掩模版的缺陷检测方法及装置 Download PDF

Info

Publication number
CN109596638A
CN109596638A CN201811259816.0A CN201811259816A CN109596638A CN 109596638 A CN109596638 A CN 109596638A CN 201811259816 A CN201811259816 A CN 201811259816A CN 109596638 A CN109596638 A CN 109596638A
Authority
CN
China
Prior art keywords
image data
defect
sample
wafer
mask
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
CN201811259816.0A
Other languages
English (en)
Other versions
CN109596638B (zh
Inventor
刘立拓
周维虎
陈小梅
李冠楠
纪荣祎
石俊凯
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.)
Academy of Opto Electronics of CAS
Original Assignee
Academy of Opto Electronics of CAS
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 Academy of Opto Electronics of CAS filed Critical Academy of Opto Electronics of CAS
Priority to CN201811259816.0A priority Critical patent/CN109596638B/zh
Publication of CN109596638A publication Critical patent/CN109596638A/zh
Application granted granted Critical
Publication of CN109596638B publication Critical patent/CN109596638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9503—Wafer edge inspection

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明实施例提供一种有图形晶圆及掩模版的缺陷检测方法及装置，该方法包括：获取待检测的器件的图像数据，器件包括有图形晶圆或掩模版，图像数据用于反映器件的光照区域的电磁场分布情况；将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型进行训练后获得的。本发明实施例由于通过图像数据的方式检测有图形晶圆和掩模版的缺陷，相比于探测电磁扰动来检测有图形晶圆和掩模版的缺陷的方式，较少的实验样本来实现仿真数据的逼近，且利用网络模型处理多维非线性问题的能力，能够显著提高缺陷检测的灵敏度。

Description

有图形晶圆及掩模版的缺陷检测方法及装置
技术领域
本发明实施例涉及集成电路领域，更具体地，涉及一种有图形晶圆及掩模版的缺陷检测方法及装置。
背景技术
晶圆是指硅半导体集成电路制作所用的硅晶片，由于其形状为圆形，故称为晶圆；在硅晶片上可加工制作成各种电路元件结构，而成为有特定电性功能的集成电路产品。现有技术中，有图形晶圆和掩模版缺陷的在线检测技术主要通过对标准样品仿真获得的仿真数据或实验数据库中数据作为参考，与实验数据进行比对分析的方法提取定位缺陷，该方法能实现10nm及以上的缺陷检测灵敏度。但是，7nm制程芯片制造已经布线并开始进入量产，随着缺陷尺寸的进一步减小，缺陷引起探测系统的电磁场扰动也相应变小，扰动越小就越难检测到，而现有技术的缺陷在线检测系统已无法识别10nm以下的缺陷弱信号。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的有图形晶圆及掩模版的缺陷检测方法及装置。
根据本发明实施例的第一方面，提供一种有图形晶圆及掩模版的缺陷检测方法，该方法包括：获取待检测的器件的图像数据，器件包括有图形晶圆或掩模版，图像数据用于反映器件的光照区域的电磁场分布情况；将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型进行训练后获得的。
根据本发明实施例第二方面，提供了一种有图形晶圆及掩模版的缺陷检测装置，该装置包括：获取模块，用于获取待检测的器件的图像数据，器件包括有图形晶圆或掩模版，图像数据用于反映器件的光照区域的电磁场分布情况；检测模块，用于将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型进行训练后获得的。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的有图形晶圆及掩模版的缺陷检测方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的有图形晶圆及掩模版的缺陷检测方法。
本发明实施例提供的有图形晶圆及掩模版的缺陷检测方法及装置，通过将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；由于通过图像数据的方式检测有图形晶圆和掩模版的缺陷，相比于探测电磁扰动来检测有图形晶圆和掩模版的缺陷的方式，较少的实验样本来实现仿真数据的逼近，适用于10nm以下制程，且利用网络模型处理多维非线性问题的能力，能够显著提高缺陷检测的灵敏度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的有图形晶圆及掩模版的缺陷检测方法的流程示意图；
图2为本发明实施例提供的有图形晶圆及掩模版的缺陷检测装置的结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图；
图4为本发明另一实施例提供的有图形晶圆及掩模版的缺陷检测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
当前，7nm制程芯片制造已经布线开始进入量产，这对相应制程的缺陷在线检测技术提出巨大挑战。目前最先进的缺陷在线检测水平依然为10nm及以上，还没有现有技术能实现满足7nm制程需求的缺陷在线检测技术。而随着缺陷尺寸的进一步减小，缺陷引起探测系统的电磁场扰动也相应变小，传统的缺陷在线检测系统已无法识别10nm以下的缺陷弱信号。因此，为了提高缺陷检测灵敏度及芯片良品率，需要发展满足10nm以下检测灵敏度的缺陷在线检测方法。基于此，本发明实施例提供一种有图形晶圆及掩模版的缺陷检测方法。参见图1，该方法包括：
101、获取待检测的器件的图像数据，器件包括有图形晶圆或掩模版，图像数据用于反映器件的光照区域的电磁场分布情况。
其中，有图形晶圆是指设置有图形结构的晶圆。掩模版(mask)简称掩模，是光刻工艺不可缺少的部件；掩模上承载有设计图形(即图形结构)，光线透过它，可以把设计图形透射在光刻胶上。因此，有图形晶圆及掩模版上都设置有图形结构，该图形结构包括周期性和非周期性图形结构。应当说明的是，本发明实施例提供的缺陷检测方法是对有图形晶圆及掩模版的缺陷进行检测，也即对有图形晶圆或掩模版上的图形结构上所存在的缺陷进行检测。因此，可以理解的是，该方法同样适用于对其他的与有图形晶圆及掩模版类似的器件上的图形结构的缺陷进行检测，本发明实施例对其他器件的具体类型不作限定。在步骤101中，本发明实施例对获取待检测的器件的图像数据的方式不作限定，例如可以通过将激光作用到有图形晶圆或掩模版上的方式获得图像数据。
102、将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型进行训练后获得的。
在步骤102前，可训练获得缺陷检测模型。应当说明的是，针对不同类型的器件(器件的类型包括图形晶圆和掩模版)的图像数据应分别训练不同类型的缺陷检测模型。例如，针对有图形晶圆的图像数据训练获得第一缺陷检测模型，而针对掩模版的图像数据训练获得第二缺陷检测模型。以下以针对有图形晶圆的图像模型的缺陷检测为例进行说明。在训练模型前，可预先采集获得有图形晶圆的样本图像数据，然后确定该样本图像数据对应的样本缺陷类型。在训练过程中，将样本图像数据作为模型的输入、将样本缺陷类型作为模型的输出(即样本图像数据的标签)对模型进行训练，训练完成后获得缺陷检测模型。本发明实施例对网络模型的具体类型和结构不作限定。在步骤102中，将图像数据输入至与器件对应的缺陷检测模型，即例如将有图形晶圆的图像数据输入至上述第一缺陷检测模型，而将掩模版的图像数据输入至上述第二缺陷检测模型。输入图像数据后，能够获得缺陷检测模型输出的缺陷检测结果。
本发明实施例提供的有图形晶圆及掩模版的缺陷检测方法，通过将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；由于通过图像数据的方式检测有图形晶圆和掩模版的缺陷，相比于探测电磁扰动来检测有图形晶圆和掩模版的缺陷的方式，较少的实验样本来实现仿真数据的逼近，且利用网络模型处理多维非线性问题的能力，能够显著提高缺陷检测的灵敏度。
基于上述实施例的内容，参见图4，将图像数据输入至与器件对应的缺陷检测模型之前，作为一种可选实施例，提供一种训练获得缺陷检测模型的方法，包括但不限于：仿真获得样本图像数据后，获得与样本图像数据对应的器件的真实样品测量数据；根据真实样品测量数据，确定与样本图像数据对应的样本缺陷类型；采用样本图像数据及对应的样本缺陷类型进行模型训练，训练完成后获得缺陷检测模型。
其中，通过仿真的方式可以获得大量样本图像数据(即图4中的无缺陷图像及各种缺陷类型图像)。而为了确定每个样本图像数据对应的样本缺陷类型，可制造出该图像对应的器件的真实样品，例如制造出有图形晶圆的真实样品，基于对真实样品的缺陷检测，可获得真实的实验数据，该实验数据反映真实样品的缺陷检测情况，即该样本图像数据对应的样本缺陷类型(即图4中的实验数据)。在训练过程中，将样本图像数据作为模型的输入(即图4中的训练集)，将对应的样本缺陷类型或实验数据(即图4中的预测集)作为模型的输出进行模型训练，获得训练完成的缺陷检测模型。
本发明实施例提供的方法，通过仿真获得样本图像数据，并通过对真实样品进行测量确定对应的样本缺陷类型，能够保证训练集及预测集的准确性，提升缺陷检测模型的检测准确度。
基于上述实施例的内容，在采用样本图像数据及对应的样本缺陷类型进行模型训练之前，作为一种可选实施例，提供一种对样本图像数据进行相关性逼近处理的方法(即图4中的相关性逼近的步骤)，包括但不限于：在样本图像数据中叠加噪声，噪声是在对真实样品进行测量的过程中所引入的噪声。
具体地，由于仿真获得的样本图像数据与真实样品的样本缺陷类型(即测量获得的实验数据)之间的差别在于测量系统所引入的噪声，这部分噪声与有图形晶圆上图形结构的线粗糙度相关，并与探测系统的暗电流噪声相关，但与有图形晶圆的具体结构本身不相关的。因此不同图形结构的有图形晶圆的噪声部分具有一致性。因此，通过在样本图像数据中叠加对真实样品进行测量的过程中所引入的噪声，能够使样本图像数据逼近真实样品的实验数据或图像数据。通过相关性逼近处理能够使缺陷检测模型在实际的检测过程中，避免了对待检测器件进行测量获得图像数据的过程中的噪声对缺陷检测结果产生的影响。
基于上述实施例的内容，作为一种可选实施例，提供一种仿真获得样本图像数据的方法，包括但不限于：采用时域有限差分法仿真激光照射至器件上的过程，并通过改变器件上的图形结构、缺陷的尺寸、缺陷的类型及缺陷的位置，获得多种样本图像数据；多种样本图像数据包括：不存在缺陷的样本图像数据、存在各种类型缺陷的样本图像数据以及在光照区域内的不同位置存在缺陷的样本图像数据。
其中，时域有限差分法(FDTD)的仿真方法是专门的电磁场仿真方法，其利用严格的麦克斯韦方程组求解电磁场分布，在集成电路缺陷检测领域已经得到应用。该仿真方法可以对缺陷检测进行仿真，但该方法是一项共性技术，需要与其后的算法结合，来提取缺陷信息。具体地，利用时域有限差分法将仿真激光作用到有图形晶圆或掩模版上，能够获得多种样本图像数据。多种样本图像数据应包含各种实际检测过程中会遇到的类型，例如不存在缺陷的样本图像数据、存在各种类型缺陷的样本图像数据以及在光照区域内的不同位置存在缺陷的样本图像数据。
基于上述实施例的内容，作为一种可选实施例，各种类型缺陷包括：集成电路制造工艺中的桥接线、断线、颗粒、划痕以及大于10％的CD尺寸偏差中的至少一种。
基于上述实施例的内容，作为一种可选实施例，缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型对卷积神经网络进行训练后获得的，卷积神经网络包括一个输入层、至少一个隐含层及一个输出层。具体地，缺陷检测模型的模型类型可以为卷积神经网络CNN。CNN网络可以由一个输入层、至少一个隐含层、一个输出层组成。本发明实施例提供的方法，利用FDTD仿真产生大量训练数据，再利用CNN处理多维非线性问题的能力，能够提高缺陷在线检测灵敏度
基于上述实施例的内容，作为一种可选实施例，检测结果包括缺陷指示信息、缺陷类型信息及缺陷位置信息，缺陷指示信息用于指示图像数据对应的区域是否存在缺陷。具体地，通过使检测结果包括上述三方面信息，实现了对待检测器件是否存在缺陷进行识别，以及在确认有图形晶圆或掩模版存在缺陷后，确认缺陷的类型以及定位到缺陷在有图形晶圆或掩模版中的位置。其中，缺陷类型信息可以由缺陷检测模型直接输出获得，而缺陷指示信息和缺陷位置信息可通过其他方式，本发明实施例对此不作限定。
基于上述实施例的内容，本发明实施例提供的有图形晶圆及掩模版的缺陷检测方法，利用有限时域差分仿真得到任意有图形晶圆及掩模版的图形结构及不同缺陷类型下电磁场分布的大量数据，并利用卷积神经网络处理多维非线性复杂问题的能力有望进一步提高缺陷在线检测系统的灵敏度，实现缺陷的识别、定位和分类。
基于上述实施例的内容，本发明实施例提供了一种有图形晶圆及掩模版的缺陷检测装置，该有图形晶圆及掩模版的缺陷检测装置用于执行上述方法实施例中的有图形晶圆及掩模版的缺陷检测方法。参见图2，该装置包括：获取模块201和检测模块202；其中，获取模块201，用于获取待检测的器件的图像数据，器件包括有图形晶圆或掩模版，图像数据用于反映器件的光照区域的电磁场分布情况；检测模块202，用于将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型进行训练后获得的。
其中，本发明实施例对其他器件的具体类型不作限定。本发明实施例对获取模块201获取待检测的器件的图像数据的方式不作限定，例如可以通过将激光作用到有图形晶圆或掩模版上的方式获得图像数据。检测模块202将图像数据输入至与器件对应的缺陷检测模型，即例如将有图形晶圆的图像数据输入至上述第一缺陷检测模型，而将掩模版的图像数据输入至上述第二缺陷检测模型。输入图像数据后，检测模块202能够获得缺陷检测模型输出的缺陷检测结果。
本发明实施例提供的有图形晶圆及掩模版的缺陷检测装置，通过将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；由于通过图像数据的方式检测有图形晶圆和掩模版的缺陷，相比于探测电磁扰动来检测有图形晶圆和掩模版的缺陷的方式，较少的实验样本来实现仿真数据的逼近，且利用网络模型处理多维非线性问题的能力，能够显著提高缺陷检测的灵敏度。
本发明实施例提供了一种电子设备，如图3所示，该设备包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的有图形晶圆及掩模版的缺陷检测方法，例如包括：获取待检测的器件的图像数据，器件包括有图形晶圆或掩模版，图像数据用于反映器件的光照区域的电磁场分布情况；将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型进行训练后获得的。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的有图形晶圆及掩模版的缺陷检测方法，例如包括：获取待检测的器件的图像数据，器件包括有图形晶圆或掩模版，图像数据用于反映器件的光照区域的电磁场分布情况；将图像数据输入至与器件对应的缺陷检测模型，输出与器件对应的缺陷检测结果；缺陷检测模型是基于样本图像数据以及预先确定的与样本图像数据对应的样本缺陷类型进行训练后获得的。
以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种有图形晶圆及掩模版的缺陷检测方法，其特征在于，包括：
获取待检测的器件的图像数据，所述器件包括有图形晶圆或掩模版，所述图像数据用于反映所述器件的光照区域的电磁场分布情况；
将所述图像数据输入至与所述器件对应的缺陷检测模型，输出与所述器件对应的缺陷检测结果；所述缺陷检测模型是基于样本图像数据以及预先确定的与所述样本图像数据对应的样本缺陷类型进行训练后获得的。
2.根据权利要求1所述的方法，其特征在于，将所述图像数据输入至与所述器件对应的缺陷检测模型之前，还包括：
仿真获得所述样本图像数据后，获得与所述样本图像数据对应的所述器件的真实样品测量数据；
根据所述真实样品测量数据，确定与所述样本图像数据对应的所述样本缺陷类型；
采用所述样本图像数据及对应的所述样本缺陷类型进行模型训练，训练完成后获得所述缺陷检测模型。
3.根据权利要求2所述的方法，其特征在于，所述采用所述样本图像数据及对应的所述样本缺陷类型进行模型训练之前，还包括：
在所述样本图像数据中叠加噪声，所述噪声是在对所述真实样品进行测量的过程中所引入的噪声。
4.根据权利要求2所述的方法，其特征在于，所述仿真获得所述样本图像数据，包括：
采用时域有限差分法仿真激光照射至所述器件上的过程，并通过改变所述器件上的图形结构、缺陷的尺寸、缺陷的类型及缺陷的位置，获得多种所述样本图像数据；多种所述样本图像数据包括：不存在缺陷的样本图像数据、存在各种类型缺陷的样本图像数据以及在所述光照区域内的不同位置存在缺陷的样本图像数据。
5.根据权利要求4所述的方法，其特征在于，所述各种类型缺陷包括：集成电路制造工艺中的桥接线、断线、颗粒、划痕以及大于10％的CD尺寸偏差中的至少一种。
6.根据权利要求1所述的方法，其特征在于，所述缺陷检测模型是基于样本图像数据以及预先确定的与所述样本图像数据对应的样本缺陷类型对卷积神经网络进行训练后获得的，所述卷积神经网络包括一个输入层、至少一个隐含层及一个输出层。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述检测结果包括缺陷指示信息、缺陷类型信息及缺陷位置信息，所述缺陷指示信息用于指示所述图像数据对应的区域是否存在缺陷。
8.一种有图形晶圆及掩模版的缺陷检测装置，其特征在于，包括：
获取模块，用于获取待检测的器件的图像数据，所述器件包括有图形晶圆或掩模版，所述图像数据用于反映所述器件的光照区域的电磁场分布情况；
检测模块，用于将所述图像数据输入至与所述器件对应的缺陷检测模型，输出与所述器件对应的缺陷检测结果；所述缺陷检测模型是基于样本图像数据以及预先确定的与所述样本图像数据对应的样本缺陷类型进行训练后获得的。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述有图形晶圆及掩模版的缺陷检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述有图形晶圆及掩模版的缺陷检测方法的步骤。
CN201811259816.0A 2018-10-26 2018-10-26 有图形晶圆及掩模版的缺陷检测方法及装置 Active CN109596638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811259816.0A CN109596638B (zh) 2018-10-26 2018-10-26 有图形晶圆及掩模版的缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811259816.0A CN109596638B (zh) 2018-10-26 2018-10-26 有图形晶圆及掩模版的缺陷检测方法及装置

Publications (2)

Publication Number Publication Date
CN109596638A true CN109596638A (zh) 2019-04-09
CN109596638B CN109596638B (zh) 2022-05-06

Family

ID=65958344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811259816.0A Active CN109596638B (zh) 2018-10-26 2018-10-26 有图形晶圆及掩模版的缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN109596638B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132991A (zh) * 2019-06-18 2019-08-16 徐州鑫晶半导体科技有限公司 用于检测硅晶圆上激光打标缺陷的方法
CN111428374A (zh) * 2020-03-30 2020-07-17 苏州惟信易量智能科技有限公司 零件缺陷检测方法、装置、设备及存储介质
CN111428373A (zh) * 2020-03-30 2020-07-17 苏州惟信易量智能科技有限公司 产品装配质量检测方法、装置、设备及存储介质
CN111429426A (zh) * 2020-03-20 2020-07-17 上海集成电路研发中心有限公司 一种检测对象缺陷图案的提取装置、提取方法及存储介质
CN111812105A (zh) * 2020-09-02 2020-10-23 歌尔股份有限公司 缺陷检测方法、装置、设备及计算机存储介质
CN112884697A (zh) * 2019-11-29 2021-06-01 力晶积成电子制造股份有限公司 晶圆图的辨识方法与计算机可读取记录介质
CN113222967A (zh) * 2021-05-28 2021-08-06 长江存储科技有限责任公司 晶圆的检测方法及系统
CN113610155A (zh) * 2021-08-06 2021-11-05 上海众壹云计算科技有限公司 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质
CN114723650A (zh) * 2020-12-21 2022-07-08 东方晶源微电子科技（北京）有限公司 晶圆缺陷检测方法和装置、设备及存储介质
TWI786799B (zh) * 2020-12-07 2022-12-11 南亞科技股份有限公司 電子系統及樣品鑑定方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0915161A (ja) * 1995-06-27 1997-01-17 Hitachi Ltd 欠陥検査方法および装置
US20050031188A1 (en) * 2003-08-10 2005-02-10 Luu Victor Van Systems and methods for characterizing a sample
US20080298669A1 (en) * 2007-05-31 2008-12-04 Hitachi High-Technologies Corporation Data processing apparatus and data processing method
EP1696269B1 (en) * 2005-02-24 2009-09-09 Synopsys, Inc. Identifying a problem area in a layout using a process-sensitivity model
CN101981683A (zh) * 2008-03-27 2011-02-23 东京毅力科创株式会社 缺陷分类方法、计算机存储介质以及缺陷分类装置
CN102087469A (zh) * 2009-12-03 2011-06-08 无锡华润上华半导体有限公司 光学临近效应修正的建模方法及测试图形的形成方法
CN104317159A (zh) * 2010-03-03 2015-01-28 中芯国际集成电路制造(上海)有限公司 一种掩膜图形缺陷的检测方法及系统
CN104502363A (zh) * 2014-12-30 2015-04-08 湘潭大学 一种蓝宝石微缺陷无损检测装置
CN105045033A (zh) * 2015-02-10 2015-11-11 北京理工大学 一种基于样本库和数据拟合的快速三维掩模衍射近场计算方法
CN105629658A (zh) * 2014-10-30 2016-06-01 中芯国际集成电路制造(上海)有限公司 掩模版和半导体器件的形成方法
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN106840217A (zh) * 2015-12-03 2017-06-13 中国科学院光电研究院 一种基于psd的信号处理方法
CN108431937A (zh) * 2016-01-04 2018-08-21 科磊股份有限公司 光学裸片对数据库检查
CN109408913A (zh) * 2018-10-10 2019-03-01 中国科学院上海技术物理研究所 一种电机驱动控制系统传导干扰联合仿真分析方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0915161A (ja) * 1995-06-27 1997-01-17 Hitachi Ltd 欠陥検査方法および装置
US20050031188A1 (en) * 2003-08-10 2005-02-10 Luu Victor Van Systems and methods for characterizing a sample
EP1696269B1 (en) * 2005-02-24 2009-09-09 Synopsys, Inc. Identifying a problem area in a layout using a process-sensitivity model
US20080298669A1 (en) * 2007-05-31 2008-12-04 Hitachi High-Technologies Corporation Data processing apparatus and data processing method
CN101981683A (zh) * 2008-03-27 2011-02-23 东京毅力科创株式会社 缺陷分类方法、计算机存储介质以及缺陷分类装置
CN102087469A (zh) * 2009-12-03 2011-06-08 无锡华润上华半导体有限公司 光学临近效应修正的建模方法及测试图形的形成方法
CN104317159A (zh) * 2010-03-03 2015-01-28 中芯国际集成电路制造(上海)有限公司 一种掩膜图形缺陷的检测方法及系统
CN105629658A (zh) * 2014-10-30 2016-06-01 中芯国际集成电路制造(上海)有限公司 掩模版和半导体器件的形成方法
CN104502363A (zh) * 2014-12-30 2015-04-08 湘潭大学 一种蓝宝石微缺陷无损检测装置
CN105045033A (zh) * 2015-02-10 2015-11-11 北京理工大学 一种基于样本库和数据拟合的快速三维掩模衍射近场计算方法
CN106840217A (zh) * 2015-12-03 2017-06-13 中国科学院光电研究院 一种基于psd的信号处理方法
CN108431937A (zh) * 2016-01-04 2018-08-21 科磊股份有限公司 光学裸片对数据库检查
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN109408913A (zh) * 2018-10-10 2019-03-01 中国科学院上海技术物理研究所 一种电机驱动控制系统传导干扰联合仿真分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MEREDITH BEEBE ET，: "Monitoring wafer cleanliness and metal contamination via VPD ICP-MS:Case studies for next generation requirements", 《MICROELECTRONIC ENGINEERING》 *
MIN-KYOO SONG ET，: "Crack Detection in Single-Crystalline Silicon Wafer Using Laser Generated Lamb Wave", 《ADVANCES IN MATERIALS SCIENCE AND ENGINEERING》 *
倪国强 等，: "多色焦平面和图像融合SoC 实现技术的研究", 《光学技术》 *
王世通 等，: "光学元件表面缺陷散射光成像数值模拟研究", 《中国激光》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132991A (zh) * 2019-06-18 2019-08-16 徐州鑫晶半导体科技有限公司 用于检测硅晶圆上激光打标缺陷的方法
CN112884697A (zh) * 2019-11-29 2021-06-01 力晶积成电子制造股份有限公司 晶圆图的辨识方法与计算机可读取记录介质
CN111429426A (zh) * 2020-03-20 2020-07-17 上海集成电路研发中心有限公司 一种检测对象缺陷图案的提取装置、提取方法及存储介质
CN111428374A (zh) * 2020-03-30 2020-07-17 苏州惟信易量智能科技有限公司 零件缺陷检测方法、装置、设备及存储介质
CN111428373A (zh) * 2020-03-30 2020-07-17 苏州惟信易量智能科技有限公司 产品装配质量检测方法、装置、设备及存储介质
CN111812105A (zh) * 2020-09-02 2020-10-23 歌尔股份有限公司 缺陷检测方法、装置、设备及计算机存储介质
TWI786799B (zh) * 2020-12-07 2022-12-11 南亞科技股份有限公司 電子系統及樣品鑑定方法
US12019032B2 (en) 2020-12-07 2024-06-25 Nanya Technology Corporation Electronic system and method of specimen qualification
CN114723650A (zh) * 2020-12-21 2022-07-08 东方晶源微电子科技（北京）有限公司 晶圆缺陷检测方法和装置、设备及存储介质
CN113222967A (zh) * 2021-05-28 2021-08-06 长江存储科技有限责任公司 晶圆的检测方法及系统
CN113610155A (zh) * 2021-08-06 2021-11-05 上海众壹云计算科技有限公司 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质
CN113610155B (zh) * 2021-08-06 2024-05-31 上海众壹云计算科技有限公司 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN109596638B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN109596638A (zh) 有图形晶圆及掩模版的缺陷检测方法及装置
CN103748670B (zh) 区域决定装置、观察装置或检查装置、区域决定方法以及使用了区域决定方法的观察方法或检查方法
KR100846018B1 (ko) 집적 회로의 특성 측정 장치 및 방법
CN108463875A (zh) 使用具有晶片图像数据的设计数据改进半导体晶片检验器的缺陷敏感度
CN102637614B (zh) 消除错误缺陷检测方法与系统
Kimura et al. A decomposition workflow for integrated circuit verification and validation
CN111080633A (zh) 屏缺陷检测方法、装置、终端设备以及存储介质
US20150204799A1 (en) Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services
TW200842570A (en) Method for enhancing the diagnostic accuracy of a VLSI chip
CN110472743A (zh) 样本集中特征穿越的处理方法及装置、设备与可读介质
CN104614660A (zh) 基于有源光学水印的硬件木马检测方法
CN107290653B (zh) 基于宽频磁感应信道特征辨识pcb的检测装置和方法
CN103278511A (zh) 基于多尺度角点特征提取的晶片缺陷检测方法
US11579994B2 (en) Fast and scalable methodology for analog defect detectability analysis
US10691868B1 (en) Process for analyzing printed circuit board and packaging manufacturing design rules
CN109522642B (zh) 设备的仿真方法和装置
CN112800716B (zh) 一种集成电路版图布线中线网开路检测方法
CN112257382B (zh) 用于芯片设计的物理验证方法、系统、设备以及存储介质
TWI676041B (zh) 積體電路晶片中的系統缺陷的故障標識資料庫的早期開發之方法
CN101430722A (zh) 测试点布设检测方法
CN108695183A (zh) 网络跟踪先前层级减除的装置及方法
US20120050728A1 (en) Identifying defects
Girard et al. An advanced diagnostic method for delay faults in combinational faulty circuits
US8181146B1 (en) Equivalence checker
CN104865270B (zh) 基于无源光学水印的硬件木马检测方法

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