CN109712136B - 一种分析半导体晶圆的方法及装置 - Google Patents
一种分析半导体晶圆的方法及装置 Download PDFInfo
- Publication number
- CN109712136B CN109712136B CN201811636763.XA CN201811636763A CN109712136B CN 109712136 B CN109712136 B CN 109712136B CN 201811636763 A CN201811636763 A CN 201811636763A CN 109712136 B CN109712136 B CN 109712136B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- model
- measured
- semiconductor wafer
- defect distribution
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种分析半导体晶圆的方法及装置,用以分析待测半导体晶圆上的缺陷分布模式。上述方法包括:获取上述待测半导体晶圆的缺陷分布图,上述缺陷分布图指示待测半导体晶圆平面内的缺陷分布;根据上述缺陷分布图建立三维待测模型,上述三维待测模型的XY平面对应上述待测半导体晶圆平面,上述三维待测模型的Z轴对应位于XY平面内各个网格单元中缺陷的数量;以及计算上述三维待测模型与至少一个三维参考模型之间的相似度以确定上述待测半导体晶圆的缺陷分布模式,其中,每个三维参考模型指示一种模式的缺陷分布。通过上述方法,能够实现对特殊分布缺陷进行智能识别和监控预警。
Description
技术领域
本发明涉及缺陷分析领域,尤其涉及半导体晶圆的缺陷分析及其监控预警。
背景技术
缺陷监控及缺陷分析一直是半导体工艺流程中必不可缺的重要环节之一。尤其在大型集成电路晶圆生产过程中,在各个制程工艺节点检测工艺过程中产生的缺陷问题是控制提高良率的必要手段。也就是说,如何精准地将缺陷半导体晶圆从众多半导体晶圆中筛选出来是保证能够进行后续缺陷分析、控制提高良率的前提。
目前业界针对线上缺陷监控主要依靠缺陷数量阈值报警,随着半导体制造工艺的逐渐发展,已经较优地控制了缺陷的绝对数量,因此,单一地依靠缺陷数量阈值报警已经无法有效地将缺陷半导体晶圆筛选出来。
更进一步地,由于不同的工艺制程因其特定的机台构造或者是特殊的工艺作业方式,会造成缺陷呈现特殊或规律分布。举例而言,在干法刻蚀制程工艺的缺陷检测中,由于机台构造的固有缺陷,不可避免地在腔体上方的某些固定零件上积累长时间干刻工艺作业沉积留下的聚合物。若这些聚合物掉落在正在作业的晶圆上时,会导致正在作业的晶圆干刻不彻底,部分图案无法刻蚀成功,并形成特殊分布的缺陷晶圆。由于掉落数量不同,其缺陷数量会有不同程度的差异,表现缺陷数量较大差异,给上述缺陷的监控带来难度。
针对此类特殊分布缺陷,目前业界较为先进的做法是对半导体晶圆生成表面缺陷图,并通过类似或模拟人脸识别的方式进行图片智能识别。这种方法主要是通过特征点的抓取、比对来识别同类缺陷图。这种智能图片识别方法对比较严重或非常典型的特殊分布缺陷晶圆图的识别率较高,但对较轻微或者缺陷分布面积变化较大的类型,无法较准确地识别拦截。
有鉴于此,亟需一种分析半导体晶圆的方法及装置,能够将位于不同半导体晶圆上的不同数量、呈现各种不同分布的缺陷统一智能分类识别,并进行报警拦截或统一归类分析,最终实现对半导体晶圆的表面缺陷长期有效地监控分析。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
如上所述,为了解决现有技术无法对不同数量、不同分布情况的各种高缺陷进行有效地监控分析的问题,本发明提供了一种分析半导体晶圆的方法,用以分析待测半导体晶圆上的缺陷分布模式,上述方法包括:
获取上述待测半导体晶圆的缺陷分布图,上述缺陷分布图指示待测半导体晶圆平面内的缺陷分布;
根据上述缺陷分布图建立三维待测模型,上述三维待测模型的XY平面对应上述待测半导体晶圆平面,上述三维待测模型的Z轴对应位于XY平面内各个网格单元中缺陷的数量;以及
计算上述三维待测模型与至少一个三维参考模型之间的相似度以确定上述待测半导体晶圆的缺陷分布模式,其中,每个三维参考模型指示一种模式的缺陷分布。
在一实施例中,可选的,上述方法还包括:调整上述三维待测模型以获得经调整的三维待测模型;以及
计算上述相似度进一步包括:计算上述经调整的三维待测模型与上述至少一个三维参考模型之间的相似度以确定述待测半导体晶圆的缺陷分布模式。
在一实施例中,可选的,上述调整上述三维待测模型进一步包括:归一化处理位于XY平面内各个网格单元中缺陷的数量以获得上述Z轴经调整的三维待测模型。
在一实施例中,可选的,上述调整上述三维待测模型进一步包括:傅立叶变换位于XY平面内各个网格单元中缺陷的数量以获得上述Z轴经调整的三维待测模型。
在一实施例中,可选的,上述调整上述三维待测模型进一步包括:
响应于上述三维待测模型的XY平面的网格数量与上述至少一个三维参考模型的XY平面的网格数量不一致,根据上述至少一个三维参考模型的XY平面的网格数量将上述三维待测模型的XY平面重新网格化以获得上述XY平面经调整的三维待测模型。
在一实施例中,可选的,上述调整上述三维待测模型进一步包括:绕上述Z轴多次旋转上述三维待测模型;
上述计算进一步包括,针对上述至少一个三维参考模型中的每一个,计算该三维参考模型与每一次旋转后的三维待测模型之间的相似度并以其中最高的相似度为上述三维待测模型与该三维参考模型之间的相似度。
在一实施例中,可选的,上述至少一个三维参考模型包括多个三维参考模型;
计算每一个三维参考模型与上述待测三维模型之间的相似度;以及
响应于得到的多个相似度中的最高相似度高于预设阈值,判断上述待测半导体晶圆的缺陷分布模式为对应上述最高相似度的三维参考模型所指示的缺陷分布模式。
在一实施例中,可选的,还包括:建立上述至少一个三维参考模型。
在一实施例中,可选的,上述建立进一步包括:
获取多个半导体晶圆样本的缺陷分布图;
基于多个半导体晶圆样本的缺陷分布图建立对应的多个三维样本模型;
根据多个三维样本模型之间的相似程度将上述多个三维样本模型分类为至少一个类别,同一类别所包含的三维样本模型指示相同的缺陷分布模式;以及
选取同一类别中的任一三维样本模型为该类别的三维参考模型。
在一实施例中,可选的,当判断出上述待测半导体晶圆的缺陷分布为上述至少一个三维参考模型所指示的缺陷分布模式后,上述方法还包括:
标记上述待测半导体晶圆,和/或,进一步分析上述待测半导体晶圆的缺陷的产生原因。
本发明还提供了一种分析半导体晶圆的装置,用以执行分析半导体晶圆的方法,以分析待测半导体晶圆上的缺陷分布模式,上述装置包括处理器和数据库,其中
上述数据库中存储有至少一个三维参考模型,每个三维参考模型指示一种模式的缺陷分布;
上述处理器被配置成:获取上述待测半导体晶圆的缺陷分布图,上述缺陷分布图指示待测半导体晶圆平面内的缺陷分布;
根据上述缺陷分布图建立三维待测模型,上述三维待测模型的XY平面对应上述待测半导体晶圆平面,上述三维待测模型的Z轴对应位于XY平面内各个网格单元中缺陷的数量;以及
计算上述三维待测模型与上述至少一个三维参考模型之间的相似度以确定上述待测半导体晶圆的缺陷分布模式。
在一实施例中,可选的,上述处理器还被配置成:调整上述三维待测模型以获得经调整的三维待测模型;以及
计算上述相似度进一步包括:计算上述经调整的三维待测模型与上述至少一个三维参考模型之间的相似度以确定述待测半导体晶圆的缺陷分布模式。
在一实施例中,可选的,上述处理器调整上述三维待测模型进一步包括:归一化处理位于XY平面内各个网格单元中缺陷的数量以获得上述Z轴经调整的三维待测模型。
在一实施例中,可选的,上述处理器调整上述三维待测模型进一步包括:傅立叶变换位于XY平面内各个网格单元中缺陷的数量以获得上述Z轴经调整的三维待测模型。
在一实施例中,可选的,上述处理器调整上述三维待测模型进一步包括:
响应于上述三维待测模型的XY平面的网格数量与上述至少一个三维参考模型的XY平面的网格数量不一致,根据上述至少一个三维参考模型的XY平面的网格数量将上述三维待测模型的XY平面重新网格化以获得上述XY平面经调整的三维待测模型。
在一实施例中,可选的,上述处理器调整上述三维待测模型进一步包括:绕上述Z轴多次旋转上述三维待测模型;
上述计算进一步包括,针对上述至少一个三维参考模型中的每一个,计算该三维参考模型与每一次旋转后的三维待测模型之间的相似度并以其中最高的相似度为上述三维待测模型与该三维参考模型之间的相似度。
在一实施例中,可选的,上述数据库中存储的上述至少一个三维参考模型包括多个三维参考模型;
上述处理器被配置成:计算每一个三维参考模型与上述待测三维模型之间的相似度;以及
响应于得到的多个相似度中的最高相似度高于预设阈值,判断上述待测半导体晶圆的缺陷分布模式为对应上述最高相似度的三维参考模型所指示的缺陷分布模式。
在一实施例中,可选的,上述处理器还被配置成:
建立上述至少一个三维参考模型,并将所建立的上述至少一个三维参考模型存储至上述数据库。
在一实施例中,可选的,上述处理器建立上述至少一个三维参考模型进一步包括:
获取多个半导体晶圆样本的缺陷分布图;
基于多个半导体晶圆样本的缺陷分布图建立对应的多个三维样本模型;
根据多个三维样本模型之间的相似程度将上述多个三维样本模型分类为至少一个类别,同一类别所包含的三维样本模型指示相同的缺陷分布模式;以及
选取同一类别中的任一三维样本模型为该类别的三维参考模型。
在一实施例中,可选的,上述处理器还被配置成:当判断出上述待测半导体晶圆的缺陷分布为上述至少一个三维参考模型所指示的缺陷分布模式后,还包括:标记上述待测半导体晶圆,和/或,进一步分析上述待测半导体晶圆的缺陷的产生原因。
如上上述,根据本发明所提供的分析半导体晶圆的方法及装置,通过将半导体晶圆的缺陷分布图三维模型化,能够将位于不同半导体晶圆上的不同数量、呈现各种不同分布的缺陷统一智能识别,为后续进行报警拦截或统一归类分析提供可能。通过本发明所提供的方法及装置,可以实现对半导体晶圆的表面缺陷长期有效地监控分析。
附图说明
图1示出了本发明所提供的分析半导体晶圆的方法流程图。
图2A示出了本发明所获取的缺陷分布图的示意图。
图2B示出了根据图2A的缺陷分布图所建立的对应的三维待测模型。
图3A-3D示出了本发明一实施例中获取的半导体晶圆的缺陷分布图。
图4A-4D示出了根据图3A-3D的缺陷分布图所建立的对应的三维待测模型。
图5A-5D示出了对图4A-4D示出的三维待测模型进行调整后获得的三维待测模型。
图6A-6C示出了本发明另一实施例中获取的半导体晶圆的缺陷分布图。
图7A-7C示出了根据图6A-6C的缺陷分布图所建立的对应的三维待测模型。
图8A-8C示出了对图7A-7C示出的三维待测模型进行调整后获得的三维待测模型。
图9A-9C示出了本发明另一实施例中获取的半导体晶圆的缺陷分布图。
图10A-10C示出了根据图9A-9C的缺陷分布图所建立的对应的三维待测模型。
图11A-11C示出了对图10A-10C示出的三维待测模型进行调整后获得的三维待测模型。
图12示出了本发明所提供的分析半导体晶圆的装置的示意图。
具体实施方式
在以下详细描述中,阐述了许多特定细节以提供对本发明的更透彻理解。然而,对于本领域技术人员显而易见的是,本发明的实践可不必局限于这些具体细节。换言之,公知的结构和器件以框图形式示出而没有详细显示,以避免模糊本发明。
请读者注意与本说明书同时提交的且对公众查阅本说明书开放的所有文件及文献,且所有这样的文件及文献的内容以参考方式并入本文。除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。
注意,在使用到的情况下,标志左、右、前、后、顶、底、正、反、顺时针和逆时针仅仅是出于方便的目的所使用的,而并不暗示任何具体的固定方向。事实上,它们被用于反映对象的各个部分之间的相对位置和/或方向。
如本文使用的术语“在...上方(over)”、“在...下方(under)”、“在...之间(between)”和“在...上(on)”指的是这一层相对于其它层的相对位置。同样地,例如,被沉积或被放置于另一层的上方或下方的一层可以直接与另一层接触或者可以具有一个或多个中间层。此外,被沉积或被放置于层之间的一层可以直接与这些层接触或者可以具有一个或多个中间层。相比之下,在第二层“上”的第一层与该第二层接触。此外,提供了一层相对于其它层的相对位置(假设相对于起始基底进行沉积、修改和去除薄膜操作而不考虑基底的绝对定向)。
如背景技术中所提及的,对于大型集成电路晶圆生产过程中检测各个节点的缺陷问题,随着半导体工艺水平、工艺要求的提高,通过现有技术的检测手段,已经无法有效地将潜在的缺陷晶圆筛选出来。
因此,亟需要一种能够有效地筛选缺陷半导体晶圆的方法和装置。有鉴于此,本发明提供了一种分析半导体晶圆的方法及装置,通过将半导体晶圆的缺陷分布图三维模型化,能够将位于不同半导体晶圆上的不同数量、呈现各种不同分布的缺陷统一智能识别,为后续进行报警拦截或统一归类分析提供可能。通过本发明所提供的方法及装置,可以实现对半导体晶圆的表面缺陷长期有效地监控分析。
本发明提供的分析方法是这样实施的,请参考图1,图1示出了本发明所提供的分析半导体晶圆的方法流程图。如图1所示,本发明提供的分析方法至少包括步骤110,获取待测半导体晶圆的缺陷分布图;
步骤120,根据缺陷分布图建立三维待测模型以及
步骤130,计算三维待测模型与至少一个三维参考模型之间的相似度以确定待测半导体晶圆的缺陷分布模式。
对于步骤110,具体地,请一并参考图2A,图2A示出了在步骤110后所获取的待测半导体晶圆的缺陷分布图。缺陷分布图指示待测半导体晶圆平面内的缺陷分布,上述缺陷分布包括缺陷所在的位置信息和缺陷的数量信息。上述缺陷分布图可以通过光学/电学扫描机台得到,更进一步地,本领域技术人员应当知道如何通过光学/电学扫描机台获取上述缺陷分布图,在此不再赘述。需要注意的是,上述缺陷分布图可以是通过设置在整个晶圆生产线各个不同工艺节点的扫描机台扫描得到的缺陷分布图,从而能够获取不同工艺节点的半导体晶圆缺陷,用以后续分析。
对于步骤120,请一并参考图2B,图2B示出了根据图2A示出的缺陷分布图建立的三维待测模型。根据步骤110所获取的待测半导体晶圆的缺陷分布图,能够获取到缺陷所在的位置信息以及缺陷的数量信息,在步骤120中,首先通过将上述缺陷分布图网格化的方式构建三维待测模型的XY平面,以使三维待测模型的XY平面对应待测半导体晶圆平面,通过统计位于网格内的缺陷数量构建三维待测模型的Z轴。
进一步地,在如图2A、图2B所示出的缺陷分布图和三维待测模型中,上述网格单元对应的是位于半导体晶圆上的芯片单元。本领域技术人员应当知道,在一个半导体晶圆上通常形成有多个重复的芯片单元,在扫描得到缺陷分布图时,可以以半导体晶圆上的芯片单元为基本的重复单元为基准去统计缺陷的数量。应当注意的是,上述以芯片单元为重复单元作为网格单元的实施例仅为网格单元划分的举例,在本发明所提供的其他实施例中,还可以根据实际情况对网格单元进行变换,在此部分不再展开。
进一步地,在如图2A、图2B所示出的缺陷分布图和三维待测模型中,所构建的三维待测模型的Z轴表示位于XY平面的网格内的缺陷数量,尤其,表征上述缺陷数量的绝对数量。由于在步骤110中已经可以获得相应的缺陷数量信息,因此,可以通过缺陷数量的绝对数量构建Z轴。应当注意的是,上述Z轴表征缺陷数量绝对数量的实施例仅为Z轴表征缺陷数量的举例,在本发明所提供的其他实施例中,还可以根据实际情况对缺陷数量进行处理,在此部分不再展开。
对于步骤130,在获得如图2B所示出的三维待测模型后,通过计算三维待测模型与至少一个三维参考模型之间的相似度,能够确定待测半导体晶圆的缺陷分布模式。通过将上述缺陷分布图三维化的方式,能够突出半导体晶圆表面的缺陷的相关特征,从而有效并直观地将缺陷半导体晶圆筛选出来。
进一步的,本领域技术人员应当知道,上述至少一个三维参考模型可以包括一个或多个三维参考模型,其中,每一个三维参考模型对应一种特定的缺陷分布模式。换句话说,上述三维参考模型是根据具有一种特定缺陷分布模式的半导体晶圆所建立的三维模型,上述三维模型的建立方法可以参考步骤110和步骤120,在此不再赘述。
当仅提供有一个三维参考模型时,可以通过计算三维待测模型与该三维参考模型之间的相似度来判断待测半导体晶圆是否具有该三维参考模型对对应的缺陷分布模式。若相似度高于预设阈值,则说明该待测半导体晶圆具有该缺陷分布模式,因此,可以对该待测半导体晶圆进行标记、报警等措施,以使该缺陷晶圆被筛选出来。进一步地,还可以通过分析该缺陷晶圆上缺陷的形成原因来对这一类缺陷进行分析。
当提供有多个三维参考模型时,可以通过分别计算每一个三维参考模型与该三维待测模型之间的相似度获取多个相似度值。响应于其中有一个相似度值高于预设阈值,则说明该待测半导体晶圆的缺陷分布模式为该相似度值高于预设阈值的三维参考模型对应的缺陷分布模式。因此,可以对该待测半导体晶圆进行标记、报警等措施,以使该缺陷晶圆被筛选出来。进一步地,还可以通过分析该缺陷晶圆上缺陷的形成原因来对这一类缺陷进行分析。
更进一步的,上述至少一个三维参考模型可以预先存储在数据库中的。当判断出上述三维待测模型与所提供的至少一个三维参考模型之间的相似度均低于预设阈值,说明就目前已有的三维参考模型而言,三维待测模型所具有缺陷分布并不是已有的缺陷分布模式中的一种。对此,可以乐观地认为三维待测模型所表征的待测半导体晶圆的确不具有超出标准的缺陷,还可以将该三维待测模型存入上述数据库中,以期完善上述三维参考模型。
更进一步地,在一实施例中,本发明所提供的半导体晶圆的分析方法还包括建立上述至少一个三维参考模型。具体地,包括先获取多个半导体晶圆样本的缺陷分布图,本领域技术人员可以参考前述的方法获取缺陷分布图,在此不再展开;基于多个半导体晶圆样本的缺陷分布图建立对应的多个三维样本模型,本领域技术人员可以参考前述的方法根据缺陷分布图建立三维模型,在此不再展开;根据多个三维样本模型之间的相似程度将多个三维样本模型分类为至少一个类别,同一类别所包含的三维样本模型指示相同的缺陷分布模式;以及选取同一类别中的任一三维样本模型为该类别的三维参考模型。
本领域技术人员应当知道,可以通过各种现有或将有的方法计算多个三维样本模型之间的相似程度,例如,通过相关性计算等。
通过获取大量的半导体晶圆的缺陷分布图,构建大量的缺陷三维模型,并且通过相似程度分类的方式,能够获得上述至少一个三维参考模型。并且,如前所述,通过上述方法,对于每一个三维单侧模型,若其不具有现有的至少一个三维参考模型所对应的缺陷分布模式,可以将该三维待测模型作为三维样本模型存入数据库中,以不断完善三维参考模型。
根据上述方法,能够实现24小时系统无间断智能识别拦截,可以大大降低人工成本并提高拦截预警的准确率和时效性,更适用于日益先进复杂的集成电路生产线良率监控。
如图1所示,在另一实施例中,本发明提供的分析方法还可以包括步骤122,调整所建立的三维待测模型。进一步地,在步骤130中,计算调整后的三维待测模型与至少一个三维参考模型之间的相似度以确定待测半导体晶圆的缺陷分布模式。
进一步地,在步骤122中,上述调整三维待测模型可以包括:
调整(1):对三维待测模型的Z轴进行归一化;
调整(2):对三维待测模型的Z轴进行傅立叶变换;
调整(3):将三维待测模型绕Z轴重复旋转若干角度;以及
调整(4):将三维待测模型的XY平面重新网格化。
请参考图3A-3D、图4A-4D、图5A-5D来理解调整(1):对三维待测模型的Z轴进行归一化和调整(2):对三维待测模型的Z轴进行傅立叶变换。
图3A-3D分别示出了四个半导体晶圆的缺陷分布图。从图3A-3D中可以看出,图3A中的半导体晶圆具有较少的缺陷,而图3D示出的半导体晶圆的中心部分具有非常密集的缺陷,图3B、图3C示出的半导体晶圆的中心部分具有的缺陷位于两者之间。若仅从现有的技术,通过缺陷数量阈值,不会判断出图3A-3D中半导体晶圆的缺陷分布为同一种缺陷。
图4A-4D分别示出了根据图3A-3D中的缺陷分布图建立的三维缺陷模型。在此步骤中,还未对上述三维缺陷模型进行调整。从图4A-4D中可以看出,图4B-4D之间的相似度已经较为明显,可以认为是相同的缺陷分布。通过将缺陷分布图三维化,已经能够较为有效地将原本相似关系不明显的模型筛选出来。
进一步地,较优地,在步骤122中,还包括对图4A-4D中的三维待测模型进行调整(1)和调整(2),调整后的三维待测模型如5A-5D所示。从图5A-5D可以看出,调整后5A-5D中的三维待测模型之间的相似度十分明显。
在上述实施例中,对三维待测模型的Z轴进行归一化是为了无量纲处理手段,使缺陷数值的绝对值变成相对值关系。从图5A-5D中可以看出,Z轴的坐标已经从原本的缺陷的绝对数量转变为0-1之间的比例。通过上述归一化的手段,可以使如图3A示出的缺陷较少的半导体晶圆上的缺陷分布特征被放大,因此,可以将图3A对应的半导体晶圆与图3B-3D归为同一种缺陷分布类型。
在上述实施例中,还包括对三维待测模型的Z轴进行傅立叶变换。执行傅立叶变换是为了降噪,从而保证显示在三维待测模型中的为实际的缺陷,而并非图像上的噪声。通过上述实施例,能够有效地对如图3D示出的缺陷较多的半导体晶圆做降噪处理,以排除干扰。
本领域技术人员应当知道可以通过现有或将有的技术实现上述归一化处理和傅立叶变换,在此不再赘述。
通过执行步骤122,对三维待测模型进行调整,能够有效地避免缺陷绝对数量过少或过多的而无法区分缺陷分布的情况,从而能够高效将同类的缺陷识别出并标识。
请参考图6A-6C、图7A-7C、图8A-8C来理解调整(3):将三维待测模型绕Z轴重复旋转若干角度。
图6A-6C分别示出了三个半导体晶圆的缺陷分布图。从图6A-6C中可以看出,虽然通过人工排查,可以认为分布在半导体晶圆上的缺陷都是以沿某一条半径的形式分布,但是通过图像识别的方式,并没有办法将上述三种半导体晶圆的缺陷分布化为同一种类。
图7A-7C分别示出了根据图6A-6C中的缺陷分布图建立的三维缺陷模型。在此步骤中,还未对上述三维缺陷模型进行调整,较优地,也可以对上述三维缺陷模型进行调整(1)和调整(2),使模型更加容易区分。从图7A-7C中可以看出,从现有的角度而言,无法将这三种三维缺陷模型认为是同一种缺陷分布。
因此,进一步地,在步骤122中,还包括对图7A-7C中的三维待测模型进行调整(3),调整后的三维待测模型如图8A-8C所示。从图8A-8C可以看出,调整后图8A-8C中的三维待测模型之间的相似度十分明显。
在上述实施例中,对三维待测模型的Z轴重复旋转若干角度是针对存在特定或非特定角度差的特殊分布缺陷晶圆。上述图8B调整为图9B系通过将三维缺陷模型绕Z轴逆时针旋转90°得到。上述图8C调整为图9C系通过将三维缺陷模型绕Z轴顺时针旋转90°得到。本领域技术人员应当知道,上述逆时针旋转90°或顺时针旋转90°仅为重复旋转若干角度的结果的举例。具体操作时,可以事先预设一个旋转角度,通过使三维待测模型重复旋转上述角度,并且每一次旋转后计算三维待测模型和三维参考模型之间的相似度,取其中相似度最高的一次为调整后的三维待测模型。
通过执行步骤122,对三维待测模型进行调整,能够有效地避免由于缺陷的分布存在特定或非特定角度差的情况,从而能够高效将同类的缺陷识别出并标识。
请参考图9A-9C、图10A-10C、图11A-11C来理解调整(5)将三维待测模型的XY平面重新网格化。
图9A-9C分别示出了三个半导体晶圆的缺陷分布图。从图9A-9C中可以看出,虽然通过人工排查,可以认为分布在半导体晶圆上的缺陷都是以沿呈特定夹角的某两条半径的形式分布,但是通过图像识别的方式,由于这三者之间的尺寸不匹配,并没有办法将上述三种半导体晶圆的缺陷分布化为同一种类。
图10A-10C分别示出了根据图9A-9C中的缺陷分布图建立的三维缺陷模型。在此步骤中,还未对上述三维缺陷模型进行调整,较优地,也可以对上述三维缺陷模型进行调整(1)、调整(2)和调整(3),使模型更加容易区分。从图10A-10C中可以看出,由于尺寸之间的不匹配,无法将这三种三维缺陷模型认为是同一种缺陷分布。
因此,进一步地,在步骤122中,还包括对图10A-10C中的三维待测模型进行调整(4),调整后的三维待测模型如图11A-11C所示。从图11A-11C可以看出,调整后图11A-11C的三维待测模型之间的相似度十分明显。
在上述实施例中,三维待测模型的XY平面重新网格化是针对于芯片设计尺寸不同或晶圆尺寸不同的产品。如前所述,三维待测模型的XY平面中的网格单元可以是对应晶圆上重复的芯片单元。由于本发明所提供的分析方法可以适用于不同的工艺流程、工艺机台,存在待测的半导体晶圆的尺寸相同但芯片单元的尺寸不同、芯片单元的尺寸相同但半导体晶圆的尺寸不同或者半导体晶圆的尺寸以及芯片单元的尺寸均不同的情况。
因此,需要对三维待测模型进行调整,使其XY平面重新网格化,上述重新网格化也是一种归一化的体现,最终使不同尺寸晶圆、芯片都通过具有相同数量的网格单元的XY平面去表征。
例如,预设一个XY平面内具有4*4,16个网格,若存在一种模型其XY平面内的原始网格数量为2*2,4个,可以通过将上述2*2的缺陷分布重新划分为4*4,并以此为XY平面获得调整后的三维缺陷模型。
例如,可以使原本2*2的网格1(如下表1)转化为4*4的网格2(如下表2),其中网格内的数字表示位于该网格内的缺陷数量。本领域技术人员应当知道,在调整XY平面后,还可以包括对Z轴的缺陷数量进行调整,以获得最优的三维缺陷模型。
2 | 2 |
10 | 10 |
表1
1 | 0 | 0 | 0 |
0 | 1 | 1 | 1 |
1 | 4 | 4 | 1 |
4 | 1 | 0 | 5 |
表2
通过执行步骤122,对三维待测模型进行调整,将缺陷分布坐标(X,Y)在二维坐标系中重新归一分布,能够有效地避免不同尺寸晶圆、不同芯片大小或是不同晶圆大小造成缺陷分布图无法识别的情况,从而能够高效将同类的缺陷识别出并标识。
至此,已经基本介绍了本发明所提供的半导体晶圆的分析方法的具体实现方法,本发明通过对线上缺陷扫描得到的晶圆缺陷分布信息图建立统一的三维缺陷晶圆模型,并对其进行降噪处理、归一化拟合、旋转处理或XY平面归一化,得到较突出典型的清晰易辨的特殊分布缺陷晶圆模型,避免了传统缺陷数量阈值报警和图片特征点识别技术对缺陷程度较轻或随机缺陷背景较杂乱的特殊分布缺陷晶圆无法识别的情况,提高系统智能识别特殊分布缺陷晶圆的准确率和敏感度,最终实现不同晶圆不同芯片尺寸不同角度差异不同缺陷数量的同类型特殊分布缺陷晶圆的统一三维模型智能监控。改善大型集成电路生产线的多平台多产品的统一生产工艺监控,提高良率。
更进一步地,本发明还提供了一种装置,如图12所示,上述装置200包括处理器210和数据库220。上述处理器210被配置成用以实现本发明所提供的分析半导体晶圆的方法,具体请参见上述方法的具体实施部分,在此不再赘述。
进一步的,上述数据库220中存储有各种三维模型,包括各种参考模型、待测模型和模型样本大数据。上述处理器210可以从数据库220中调取相关数据模型,亦可以将相关数据模型存储在数据220中,以最终实现不同晶圆不同芯片尺寸不同角度差异不同缺陷数量的同类型特殊分布缺陷晶圆的统一三维模型智能监控。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
应当理解的是,本说明书将不用于解释或限制权利要求的范围或意义。此外,在前面的详细描述中,可以看到的是,各种特征被在单个实施例中组合在一起以用于精简本公开的目的。本公开的此方法不应被解释为反映所要求保护的实施例要求比在每个权利要求中明确列举的特征更多的特征的目的。相反,如所附权利要求所反映的,创造性主题在于少于单个所公开的实施例的所有特征。因此,所附权利要求据此并入详细描述中,其中每个权利要求独立地作为单独的实施例。
在该描述中提及的一个实施例或实施例意在结合该实施例描述的特定的特征、结构或特性被包括在方法的至少一个实施例中。在说明书中各处出现的短语一个实施例不一定全部指的是同一实施例。
Claims (10)
1.一种分析半导体晶圆的方法,用以分析待测半导体晶圆上的缺陷分布模式,所述方法包括:
获取所述待测半导体晶圆的缺陷分布图,所述缺陷分布图指示待测半导体晶圆平面内的缺陷分布;
根据所述缺陷分布图建立三维待测模型,所述三维待测模型的XY平面对应所述待测半导体晶圆平面,所述三维待测模型的Z轴对应位于XY平面内各个网格单元中缺陷的数量;以及
计算所述三维待测模型与至少一个三维参考模型之间的相似度以确定所述待测半导体晶圆的缺陷分布模式,其中,每个三维参考模型指示一种模式的缺陷分布;
其中,所述方法还包括:
调整所述三维待测模型以获得经调整的三维待测模型;以及
计算所述相似度进一步包括:计算所述经调整的三维待测模型与所述至少一个三维参考模型之间的相似度以确定述待测半导体晶圆的缺陷分布模式;
其中,所述调整所述三维待测模型进一步包括:归一化处理位于XY平面内各个网格单元中缺陷的数量以获得所述Z轴经调整的三维待测模型;
其中,所述调整所述三维待测模型进一步包括:傅立叶变换位于XY平面内各个网格单元中缺陷的数量以获得所述Z轴经调整的三维待测模型;
其中,所述调整所述三维待测模型进一步包括:
响应于所述三维待测模型的XY平面的网格数量与所述至少一个三维参考模型的XY平面的网格数量不一致,根据所述至少一个三维参考模型的XY平面的网格数量将所述三维待测模型的XY平面重新网格化以获得所述XY平面经调整的三维待测模型;
其中,所述调整所述三维待测模型进一步包括:绕所述Z轴多次旋转所述三维待测模型;
所述计算进一步包括,针对所述至少一个三维参考模型中的每一个,计算该三维参考模型与每一次旋转后的三维待测模型之间的相似度并以其中最高的相似度为所述三维待测模型与该三维参考模型之间的相似度。
2.如权利要求1所述的方法,其特征在于,所述至少一个三维参考模型包括多个三维参考模型;
计算每一个三维参考模型与所述三维待测模型之间的相似度;以及
响应于得到的多个相似度中的最高相似度高于预设阈值,判断所述待测半导体晶圆的缺陷分布模式为对应所述最高相似度的三维参考模型所指示的缺陷分布模式。
3.如权利要求1所述的方法,其特征在于,还包括:建立所述至少一个三维参考模型。
4.如权利要求3所述的方法,其特征在于,所述建立进一步包括:
获取多个半导体晶圆样本的缺陷分布图;
基于多个半导体晶圆样本的缺陷分布图建立对应的多个三维样本模型;
根据多个三维样本模型之间的相似程度将所述多个三维样本模型分类为至少一个类别,同一类别所包含的三维样本模型指示相同的缺陷分布模式;以及
选取同一类别中的任一三维样本模型为该类别的三维参考模型。
5.如权利要求1所述的方法,其特征在于,当判断出所述待测半导体晶圆的缺陷分布为所述至少一个三维参考模型所指示的缺陷分布模式后,所述方法还包括:
标记所述待测半导体晶圆,和/或,进一步分析所述待测半导体晶圆的缺陷的产生原因。
6.一种分析半导体晶圆的装置,用以执行分析半导体晶圆的方法,以分析待测半导体晶圆上的缺陷分布模式,所述装置包括处理器和数据库,其中
所述数据库中存储有至少一个三维参考模型,每个三维参考模型指示一种模式的缺陷分布;
所述处理器被配置成:获取所述待测半导体晶圆的缺陷分布图,所述缺陷分布图指示待测半导体晶圆平面内的缺陷分布;
根据所述缺陷分布图建立三维待测模型,所述三维待测模型的XY平面对应所述待测半导体晶圆平面,所述三维待测模型的Z轴对应位于XY平面内各个网格单元中缺陷的数量;以及
计算所述三维待测模型与所述至少一个三维参考模型之间的相似度以确定所述待测半导体晶圆的缺陷分布模式;
其中,所述处理器还被配置成:调整所述三维待测模型以获得经调整的三维待测模型;以及
计算所述相似度进一步包括:计算所述经调整的三维待测模型与所述至少一个三维参考模型之间的相似度以确定述待测半导体晶圆的缺陷分布模式;
其中,所述处理器调整所述三维待测模型进一步包括:归一化处理位于XY平面内各个网格单元中缺陷的数量以获得所述Z轴经调整的三维待测模型;
其中,所述处理器调整所述三维待测模型进一步包括:傅立叶变换位于XY平面内各个网格单元中缺陷的数量以获得所述Z轴经调整的三维待测模型;
其中,所述处理器调整所述三维待测模型进一步包括:
响应于所述三维待测模型的XY平面的网格数量与所述至少一个三维参考模型的XY平面的网格数量不一致,根据所述至少一个三维参考模型的XY平面的网格数量将所述三维待测模型的XY平面重新网格化以获得所述XY平面经调整的三维待测模型;
其中,所述处理器调整所述三维待测模型进一步包括:绕所述Z轴多次旋转所述三维待测模型;
所述计算进一步包括,针对所述至少一个三维参考模型中的每一个,计算该三维参考模型与每一次旋转后的三维待测模型之间的相似度并以其中最高的相似度为所述三维待测模型与该三维参考模型之间的相似度。
7.如权利要求6所述的装置,其特征在于,所述数据库中存储的所述至少一个三维参考模型包括多个三维参考模型;
所述处理器被配置成:计算每一个三维参考模型与所述三维待测模型之间的相似度;以及
响应于得到的多个相似度中的最高相似度高于预设阈值,判断所述待测半导体晶圆的缺陷分布模式为对应所述最高相似度的三维参考模型所指示的缺陷分布模式。
8.如权利要求6所述的装置,其特征在于,所述处理器还被配置成:
建立所述至少一个三维参考模型,并将所建立的所述至少一个三维参考模型存储至所述数据库。
9.如权利要求8所述的装置,其特征在于,所述处理器建立所述至少一个三维参考模型进一步包括:
获取多个半导体晶圆样本的缺陷分布图;
基于多个半导体晶圆样本的缺陷分布图建立对应的多个三维样本模型;
根据多个三维样本模型之间的相似程度将所述多个三维样本模型分类为至少一个类别,同一类别所包含的三维样本模型指示相同的缺陷分布模式;以及
选取同一类别中的任一三维样本模型为该类别的三维参考模型。
10.如权利要求6所述的装置,其特征在于,所述处理器还被配置成:当判断出所述待测半导体晶圆的缺陷分布为所述至少一个三维参考模型所指示的缺陷分布模式后,还包括:
标记所述待测半导体晶圆,和/或,进一步分析所述待测半导体晶圆的缺陷的产生原因。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811636763.XA CN109712136B (zh) | 2018-12-29 | 2018-12-29 | 一种分析半导体晶圆的方法及装置 |
US16/681,843 US11244444B2 (en) | 2018-12-29 | 2019-11-13 | Method and apparatus for analyzing semiconductor wafer |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811636763.XA CN109712136B (zh) | 2018-12-29 | 2018-12-29 | 一种分析半导体晶圆的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712136A CN109712136A (zh) | 2019-05-03 |
CN109712136B true CN109712136B (zh) | 2023-07-28 |
Family
ID=66259586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811636763.XA Active CN109712136B (zh) | 2018-12-29 | 2018-12-29 | 一种分析半导体晶圆的方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11244444B2 (zh) |
CN (1) | CN109712136B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7329077B2 (ja) * | 2019-05-07 | 2023-08-17 | ジョンフアン アドヴァンスド セミコンダクター マテリアルズ カンパニー リミテッド | ウェハの欠陥を自動的に探知及び制御する方法、及びシステム |
CN111524822B (zh) * | 2020-04-03 | 2023-09-15 | 中环领先(徐州)半导体材料有限公司 | 自动侦测并卡控晶圆上缺陷的方法和系统 |
CN113327863B (zh) * | 2020-02-28 | 2022-06-21 | 芯恩(青岛)集成电路有限公司 | 半导体工艺方法 |
TW202209119A (zh) * | 2020-05-01 | 2022-03-01 | 美商Pdf對策公司 | 基於晶圓分格圖的根本原因分析 |
US11513079B2 (en) * | 2020-10-09 | 2022-11-29 | Fei Company | Method and system for wafer defect inspection |
CN112507653B (zh) * | 2020-10-27 | 2022-10-21 | 南京理工大学 | 电子输运性能更优的iv-v族二维半导体模型构建方法 |
CN113868734B (zh) * | 2021-09-08 | 2024-04-19 | 中铁二十局集团第六工程有限公司 | 分布特性预测方法、装置和计算机可读存储介质 |
CN115631293A (zh) * | 2022-08-18 | 2023-01-20 | 中通服慧展科技有限公司 | 一种3d大场景可视化编辑方法、装置、电子设备及介质 |
CN116150662B (zh) * | 2023-04-23 | 2023-07-18 | 青岛华芯晶电科技有限公司 | 一种磷化铟晶片的辅助检测装置的数据识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018646A (zh) * | 2011-09-21 | 2013-04-03 | 北京大学深圳研究生院 | 一种面向SoC芯片的晶圆级高温老化测试调度方法 |
CN103871921A (zh) * | 2014-02-21 | 2014-06-18 | 上海华力微电子有限公司 | 一种基于服务器的晶圆缺陷监测分析方法 |
CN104062305A (zh) * | 2014-07-28 | 2014-09-24 | 上海华力微电子有限公司 | 一种集成电路缺陷的分析方法 |
CN107689335A (zh) * | 2017-09-26 | 2018-02-13 | 中航(重庆)微电子有限公司 | 一种多种产品晶圆缺陷的分析方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004177377A (ja) * | 2002-11-29 | 2004-06-24 | Hitachi Ltd | 検査方法および検査装置 |
US7373215B2 (en) * | 2006-08-31 | 2008-05-13 | Advanced Micro Devices, Inc. | Transistor gate shape metrology using multiple data sources |
US9843596B1 (en) * | 2007-11-02 | 2017-12-12 | ThetaRay Ltd. | Anomaly detection in dynamically evolving data and systems |
JP2015184023A (ja) * | 2014-03-20 | 2015-10-22 | 株式会社東芝 | 欠陥検査方法 |
US10887580B2 (en) * | 2016-10-07 | 2021-01-05 | Kla-Tencor Corporation | Three-dimensional imaging for semiconductor wafer inspection |
US11047806B2 (en) * | 2016-11-30 | 2021-06-29 | Kla-Tencor Corporation | Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures |
US10615067B2 (en) * | 2018-05-18 | 2020-04-07 | Kla-Tencor Corporation | Phase filter for enhanced defect detection in multilayer structure |
-
2018
- 2018-12-29 CN CN201811636763.XA patent/CN109712136B/zh active Active
-
2019
- 2019-11-13 US US16/681,843 patent/US11244444B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018646A (zh) * | 2011-09-21 | 2013-04-03 | 北京大学深圳研究生院 | 一种面向SoC芯片的晶圆级高温老化测试调度方法 |
CN103871921A (zh) * | 2014-02-21 | 2014-06-18 | 上海华力微电子有限公司 | 一种基于服务器的晶圆缺陷监测分析方法 |
CN104062305A (zh) * | 2014-07-28 | 2014-09-24 | 上海华力微电子有限公司 | 一种集成电路缺陷的分析方法 |
CN107689335A (zh) * | 2017-09-26 | 2018-02-13 | 中航(重庆)微电子有限公司 | 一种多种产品晶圆缺陷的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
US11244444B2 (en) | 2022-02-08 |
US20200211168A1 (en) | 2020-07-02 |
CN109712136A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712136B (zh) | 一种分析半导体晶圆的方法及装置 | |
TWI755613B (zh) | 基於機器學習之圖案分組方法 | |
US9165843B2 (en) | Systems and methods of automatically detecting failure patterns for semiconductor wafer fabrication processes | |
US6922482B1 (en) | Hybrid invariant adaptive automatic defect classification | |
US20140198975A1 (en) | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method | |
US8170707B2 (en) | Failure detecting method, failure detecting apparatus, and semiconductor device manufacturing method | |
JP2013224942A (ja) | 自動欠陥分類のための未知欠陥除去の最適化 | |
US20190026419A1 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on caa pre-diagnosis database | |
Yacob et al. | Anomaly detection in Skin Model Shapes using machine learning classifiers | |
TW202209153A (zh) | 檢查方案的自動最佳化 | |
TW202044067A (zh) | 基於機器學習之半導體樣本中的缺陷分類 | |
EP4179452A1 (en) | Machine learning-based down selection of candidate hotspot locations of circuit designs | |
Koo et al. | A unified defect pattern analysis of wafer maps using density-based clustering | |
US20040175943A1 (en) | System and method of pattern detection for semiconductor wafer map data | |
JP2001110867A (ja) | 電子デバイスの製造方法および電子デバイスの品質管理システム | |
US11423529B2 (en) | Determination of defect location for examination of a specimen | |
TW202209119A (zh) | 基於晶圓分格圖的根本原因分析 | |
JP2003028930A (ja) | 検査解析装置及び方法並びに検査解析実行手順プログラムを記録した記録媒体 | |
CN117529803A (zh) | 用于主动良率管理的制造指纹 | |
TW202309475A (zh) | 用於基於高通量量測信號而選擇晶圓位置以特性化跨晶圓變化之方法及系統 | |
JP2003347377A (ja) | 測定波形の信号プロセスによる変則フォトレジスト線/間隔プロファイル検出 | |
EP4356419A1 (en) | Monitoring and control of a semiconductor manufacturing process | |
CN115760675A (zh) | 半导体样本中的局部形状偏差 | |
CN117292164A (zh) | 检查半导体样本中形成的孔 | |
JP2020126601A (ja) | 不良検知方法および不良検知装置 |
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 |