CN110770886B - 用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法 - Google Patents
用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法 Download PDFInfo
- Publication number
- CN110770886B CN110770886B CN201880041282.6A CN201880041282A CN110770886B CN 110770886 B CN110770886 B CN 110770886B CN 201880041282 A CN201880041282 A CN 201880041282A CN 110770886 B CN110770886 B CN 110770886B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- wafer
- defect
- controller
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000004065 semiconductor Substances 0.000 title claims description 39
- 238000004519 manufacturing process Methods 0.000 title claims description 25
- 238000013135 deep learning Methods 0.000 title description 2
- 238000013136 deep learning model Methods 0.000 claims abstract description 74
- 238000013461 design Methods 0.000 claims abstract description 45
- 238000007689 inspection Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 239000012634 fragment Substances 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 13
- 238000012552 review Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 8
- 238000004378 air conditioning Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims 5
- 235000012431 wafers Nutrition 0.000 description 74
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001878 scanning electron micrograph Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32186—Teaching inspection data, pictures and criteria and apply them for inspection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37109—Photoelectric scanned raster, rule and photocell, microscope
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37208—Vision, visual inspection of workpiece
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
可在晶片上的各种位点处进行初始检验或临界尺寸测量。位置、设计片段、工艺工具参数或其它参数可用于训练深度学习模型。可验证所述深度学习模型且这些结果可用于重新训练所述深度学习模型。可重复此工艺直到预测达到检测准确度阈值。所述深度学习模型可用于预测新可能缺陷位置或临界尺寸故障位点。
Description
相关申请案的交叉引用
本申请案主张2017年6月30日申请的第201741023043号印度申请案及2017年8月15日申请的第62/545,918号美国临时申请案的优先权，两者均待决，且所述案的揭示内容以引用的方式并入本文中。
技术领域
本发明涉及用于预测缺陷位点及临界尺寸测量的系统及方法。
背景技术
制造例如逻辑及存储器装置的半导体装置通常包含使用大量半导体制造工艺处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。例如，光刻是涉及将图案从光罩转印到布置于半导体晶片上的抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可以一种布置制造于单个半导体晶片上且接着分离成个别半导体装置。
在半导体制造工艺期间的各种步骤处使用检验过程以检测晶片上的缺陷以促进制造工艺中的较高良率且因此促进较高利润。检验始终是制造例如集成电路(IC)的半导体装置的重要部分。但是，随着半导体装置的尺寸减小，检验对于成功制造可接受半导体装置变得更重要，这是因为较小缺陷也可引起装置故障。例如，随着半导体装置的尺寸减小，检测大小减小的缺陷已变得必要，这是因为甚至相对较小缺陷也可引起半导体装置中的不需要的像差。
但是，随着设计规则收紧，半导体制造工艺可更接近工艺的性能能力的极限操作。另外，随着设计规则收紧，较小缺陷对装置的电参数可具有影响，这驱动更灵敏检验。因此，随着设计规则收紧，由检验检测的潜在良率相关缺陷的群体急剧增长，且由检验检测的妨害缺陷的群体也急剧增加。因此，晶片上可检测到越来越多的缺陷，且校正工艺以消除所有缺陷可为较困难且昂贵的。因而，确定哪些缺陷实际上对装置的电参数及良率具有影响可允许工艺控制方法聚焦于所述缺陷而很大程度上忽略其它缺陷。此外，在较小设计规则下，在一些情况中，工艺诱发的故障趋向于是系统性的。即，工艺诱发的故障趋向于在通常在设计内重复多次的预定设计图案处发生故障。消除空间系统性、电相关缺陷是重要的，因为消除这些缺陷对良率可具有显著总体影响。通常无法从上述检验、重检及分析工艺确定缺陷是否将影响装置参数及良率，因为这些工艺可能无法确定缺陷相对于电设计的位置。
发现临界缺陷位置对于半导体制造产业、尤其对于定位是良率杀手(yieldkillers)的所关注缺陷(DOI)是关键性的。一组复杂参数负责缺陷形成。缺陷可因诸多原因形成且可基于根本原因而广泛分类。这些根本原因包含设计相关问题、工艺相关问题、工具相关问题及随机缺陷。常规光学或电子束检验工具已用于扫描晶片上的临界热点以定位实际缺陷位点。
当前缺陷检测方法涉及使用基于设计或形状的特征发现各种热点位点。接着，检验工具到访所述位点，所述位点接着使用扫描电子显微镜(SEM)来重检以确认缺陷类型。此方法具有大妨害率且不涉及来自用于定位缺陷的工艺工具的任何直接输入。
当前，临界尺寸(CD)SEM工具仅测量特定位点处的CD数据，其可能无法提供关于跨越晶片的CD变动的有用信息。此外，数据点通常太稀少以致无法进行任何有意义的投射。
这些当前技术不涉及界定缺陷的形成的一组综合方程式。在缺陷检测期间，这些当前技术也导致高妨害率且无法使用已知位置预测缺陷位点。此外，归因于晶片上缺乏综合CD数据，无法预测CD测量或产生高分辨率晶片图。归因于处理量约束，基于电子束的CD测量工具较缓慢且针对CD数据仅覆盖晶片的小部分。
需要一种用于预测缺陷检测及临界尺寸测量的新技术及系统。
发明内容
在第一实施例中，提供一种方法。所述方法包括使用检验工具扫描晶片。使用缺陷重检工具确认至少一个缺陷的存在。将参数输入到深度学习模型中。所述参数包含以下中的一或多者：所述缺陷相对于设计、关注区或设计片段中的一或多者的位置；焦点；曝光；所述缺陷的类型；相邻设计位点；及层类型。在例子中，所述参数也包含光学接近性校正。基于所述深度学习模型而使用控制器预测缺陷位点。验证所述缺陷位点。视情况重新训练所述深度学习模型。在重新训练期间，重复所述预测、所述验证及所述重新训练直到所述深度学习模型达到检测准确度阈值。所述缺陷重检工具可为扫描电子显微镜。所述扫描可为热扫描。
可产生所述缺陷位点的热图。
所述深度学习模型可用于预测新晶片上的缺陷。所述深度学习模型也可用于针对新半导体制造工艺预测所述晶片上的缺陷。
存储程序的非暂时性计算机可读媒体可经配置以指示处理器执行第一实施例中的方法的任何变动。
在第二实施例中，提供一种方法。所述方法包括使用扫描电子显微镜扫描晶片。使用控制器跨越晶片计算样本位点处的临界尺寸变动。将参数输入到深度学习模型中。所述参数包含以下中的一或多者：相对于设计、关注区或设计片段中的一者测量临界尺寸的位置；焦点；曝光；相邻设计位点；及层类型。在例子中，所述参数也包含光学接近性校正。基于所述深度学习模型而使用所述控制器预测跨越所述晶片的位点处的临界尺寸。验证具有不同临界尺寸的所述位点。视情况重新训练所述深度学习模型。在重新训练期间，重复所述预测、所述验证及所述重新训练直到所述深度学习模型达到检测准确度阈值。
可产生临界尺寸变动的热图。
所述深度学习模型可用于预测新晶片上的临界尺寸。所述深度学习模型也可用于针对新半导体制造工艺预测所述晶片上的临界尺寸。
存储程序的非暂时性计算机可读媒体可经配置以指示处理器执行第二实施例中的方法的任何变动。
在第三实施例中，提供一种系统。所述系统包括与扫描电子显微镜或与所述扫描电子显微镜及光学检验工具电子通信的控制器。
所述控制器包含处理器及与所述处理器电子通信的电子数据存储单元。所述控制器经配置以：接收晶片的重检的结果；将参数输入深度学习模型中；预测跨越所述晶片的位点处的额外结果；接收跨越所述晶片的所述位点处的所述结果的验证；及视情况重新训练所述深度学习模型。所述结果是缺陷位置或临界尺寸中的一者。所述参数包含以下中的一或多者：相对于设计、关注区或设计片段中的一者测量所述结果的位置；焦点；曝光；相邻设计位点；及层类型。所述额外结果与所述缺陷位置或所述临界尺寸中的一者相同。在重新训练期间，重复预测步骤、验证步骤及重新训练步骤直到所述深度学习模型达到检测准确度阈值。
所述系统可进一步包含与所述控制器电子通信的扫描电子显微镜。所述系统也可进一步包含与所述控制器电子通信的光学检验工具及扫描电子显微镜。
所述控制器可经配置以产生结果变动的热图。
所述控制器可经配置以使用所述深度学习模型预测新晶片上的结果。所述控制器也可经配置以使用所述深度学习模型针对新半导体制造工艺预测所述晶片上的结果。
附图说明
为较完全理解本发明的性质及目的，应参考结合附图进行的以下详细描述，其中：
图1是说明根据本发明的方法的实施例的流程图；
图2是说明根据本发明的方法的另一实施例的流程图；
图3是本文所揭示的方法的实例的流程图；及
图4是结合本发明的实施例使用的系统的系统图式。
具体实施方式
尽管将根据某些实施例来描述所主张的目标，但其它实施例(其包含未提供本文所阐述的所有优点及特征的实施例)也在本发明的范围内。可在不背离本发明的范围的情况下作出各种结构、逻辑、工艺步骤及电子改变。因此，仅通过参考所附权利要求书来界定本发明的范围。
本文所揭示的技术(例如)使用初始热点检验来收集晶片数据。因此，可在晶片上的各种位点处进行初始检验或CD测量。晶片数据可包含缺陷或CD变动。位置、设计片段、工艺工具参数或其它参数可用于训练深度学习模型，其接着用于跨越晶片或后续晶片进行预测。使用检验及重检工具到访所预测的位置可验证深度学习模型且这些结果可用于重新训练深度学习模型。可重复此工艺直到预测具有可接受准确度。深度学习模型可用于预测新可能缺陷位置或CD故障位点。
伴随设计规则收紧，在所有工艺步骤处跨越晶片监测CD变动变得越来越重要。监测可有助于标示跨越阈值的任何CD变动，这可防止对晶片的任何质量标度损坏。这也可助于在制造期间防止工艺中的漂移。
图1是说明方法100的流程图。在101处，使用例如光学检验工具的检验工具扫描晶片。检测晶片上的缺陷可涉及使用一或多个光学器件模式(包含使用一或多个光学器件模式对晶片执行热扫描)。“热扫描”一般是指经执行以检测缺陷或通过施加相对主动检测设置(例如大体上接近噪声底限的阈值)而对晶片进行测量的晶片的测量/检验。以此方式，可执行热扫描以收集将用于本文所揭示的其它步骤的关于晶片的检验或测量。热扫描的目标是以所述选定模式测量所有CD测量的代表性样本或检测晶片上的所有缺陷及妨害类型的代表性样本。
在102处，使用缺陷重检工具(其可为SEM或另一装置)确认至少一个缺陷的存在。可执行取样以确认所述至少一个缺陷的存在。
在103处，将参数输入到深度学习模型中。参数可包含以下中的一或多者：缺陷相对于设计、关注区或设计片段中的一或多者的位置；工具参数(例如焦点、曝光)；缺陷的类型；相邻设计位点；层类型；或光学接近性校正。相邻设计位点可用于确定哪种设计文件可导致缺陷。
相对于参数，缺陷位置可相对于裸片拐角。缺陷位置也可以指晶片坐标系统或相对于晶片坐标系统的裸片索引。缺陷类型可为例如颗粒、空隙、短路、桥或任何其它一般类型的缺陷的缺陷的类型。相邻设计位点可为设计的任何特定形状或图案(例如T形或其它临界形状)，且可为或可与密度有关。层类型可为CMP层、蚀刻层或晶片上的其它层。
在104处，基于已经训练的深度学习模型而预测缺陷位点。预测104可由控制器执行。在105处，(例如)使用如SEM或另一装置的缺陷重检工具验证缺陷位点。可执行验证以确认缺陷位点处的缺陷的存在。可在缺陷位点处收集晶片数据。例如，可在缺陷位点处收集SEM图像。
在例子中，深度学习模型可使用TensorFlow，其最初由Google Brain团队开发。TensorFlow是用于使用数据流图的数值计算的软件库。图节点表示数学运算，而图边缘表示在其之间流动的多维数据阵列(张量)。除TensorFlow以外，可使用用于一般机器学习应用及神经网络的其它数学库且TensorFlow仅是一个实例。
在例子中，仅使用正数据重新训练深度学习模型且移除负数据。
如果有必要，那么在106处重新训练深度学习模型。可重复预测104、验证105及重新训练106直到深度学习模型达到检测准确度阈值。来自104处的验证的晶片数据可输入深度学习模型中。在例子中，不需要重新训练，因为深度学习模型基于初始预测104的结果达到检测准确度阈值。检测准确度阈值可按照半导体制造商要求进行设置。检测准确度阈值可由半导体制造商期望的妨害率确定。妨害越小，阈值越严格。例如，如果半导体制造商需要经取样的100个位点中的20％到30％的妨害率，那么可设置检测准确度阈值以满足这些要求。
在107处，深度学习模型可用于预测新晶片上的缺陷及/或针对新半导体制造工艺预测晶片上的缺陷。到深度学习模型的输入可相同于用于训练或重新训练的输入。深度学习模型应能够预测缺陷及/或CD测量。如果对参数中的任何者进行任何改变，那么可将所述参数输入到深度学习模型以提供准确预测。
方法100可进一步包含产生缺陷位点的热图。热图可说明晶片图上的可能缺陷及缺陷类型。
图2是说明方法200的流程图。在201处，使用SEM扫描晶片。在202处，计算样本位点处的跨越晶片的CD变动。此可由控制器执行。
在203处，将参数输入到深度学习模型中。参数可包含以下中的一或多者：相对于设计、关注区或设计片段中的一或多者测量CD的位置；工具参数(例如焦点、曝光)；缺陷的类型；相邻设计位点；层类型；或光学接近性校正。相邻设计位点可用于确定哪种设计文件可导致缺陷。
在204处，基于已经训练的深度学习模型而预测跨越晶片的位点处的CD。预测204可由控制器执行。在205处，(例如)使用SEM或另一装置验证具有不同CD的位点。可执行验证以确认所述位点处的CD。可在所述位点处收集晶片数据。在例子中，需要在所述位点处收集SEM图像以确认缺陷的存在。晶片数据可指使用SEM图像的CD测量数据，其可在所述位点处收集以确认CD变动量。
如果有必要，那么在206处重新训练深度学习模型。可重复预测204、验证205及重新训练206直到深度学习模型达到检测准确度阈值。可将来自204处的验证的晶片数据输入到深度学习模型中。在例子中，不需要重新训练，因为深度学习模型基于初始预测204的结果达到检测准确度阈值。
在207处，深度学习模型可用于预测新晶片上的CD或针对新半导体制造工艺预测晶片上的CD。
方法200可进一步包含产生缺陷位点的热图。热图可说明晶片图上的CD变动。
方法100及方法200使用深度学习模型预测晶片上的可能缺陷位置或CD测量。这可有助于在半导体制造期间发现可能缺陷位置。降低妨害率是缺陷检验中的最大挑战中的一者，因为其减少用于发现临界DOI位置的检验重检循环。此外，可提供缺陷及/或CD的热图。这可改进工艺监测。
方法100及方法200使用实际晶片数据点及额外参数。小样本集可用于初始预测。
图3是本文所揭示的方法的实例的流程图300。在301处，使用例如光学检验工具的检验工具检验晶片。在302处，可(例如)使用SEM发现缺陷或CD位置。在302处，也可确定缺陷或CD类型。在303处，例如使用位置、缺陷类型及制造工具参数作为输入来训练深度学习模型。在304处，使用深度学习模型预测具有缺陷或CD故障的位点且在305处确认位点。确认位点305可包含使用SEM重新到访所述位点(例如在302处)，其可用于进一步训练深度学习模型。深度学习模型可视情况如306中所展示那样重新训练。
图4是系统400的系统图式。系统400包含光学检验工具401、缺陷重检工具402及控制器403，控制器403具有处理器404及与处理器404电子通信的电子数据存储单元405。缺陷重检工具402可为SEM。光学检验工具401可为BBP检验工具，其可经配置以执行热扫描以捕获检验结果。晶片检验工具401也可为电子束工具或激光扫描工具。控制器403与光学检验工具401及缺陷重检工具402电子通信。
控制器403可为光学检验工具401或缺陷重检工具402的部分或另一装置。在实例中，控制器403可为独立控制单元或位于集中式质量控制单元中。可使用多个控制器403。
实际上，控制器403可由硬件、软件及固件的任何组合实施。另外，其功能(如本文所描述)可由一个单元执行或在不同组件之间分配，组件中的每一者可又由硬件、软件及固件的任何组合实施。用于实施各种方法及功能的控制器403的程序代码或指令可存储于控制器可读存储媒体中(例如电子数据存储单元405中的存储器或其它存储器)。
控制器403可经配置以接收晶片数据。晶片数据可为缺陷位置或CD中的一者且可由(例如)缺陷重检工具402或光学检验工具401产生。将参数输入深度学习模型中。参数包含以下中的一或多者：相对于设计、关注区或设计片段中的一或多者测量结果的位置；工具参数(例如焦点、曝光)；缺陷的类型；相邻设计位点；层类型；或光学接近性校正。预测跨越晶片的位置处的额外结果。额外结果与缺陷位置或CD中的一者相同，这意味着如果接收缺陷位置，那么将预测缺陷位置，而如果接收CD结果，那么将预测CD结果。控制器403接收跨越晶片的位置处的结果的验证。因此，可确认额外结果。如果有必要，那么重新训练深度学习模型。可重复预测、接收验证及重新训练直到深度学习模型达到检测准确度阈值。
控制器可经配置以使用深度学习模型预测新晶片上的结果或针对新半导体制造工艺预测晶片上的结果。使用新半导体工艺，可将新参数集输入到深度学习模型中以确定预测是否准确。
控制器403也可经配置以产生结果变动的热图。
系统400可包含与控制器403电子通信的SEM 402或与控制器403电子通信的光学检验工具401及SEM 402两者。尽管说明具有光学检验工具401及SEM 402两者，但系统400可仅包含与控制器403电子通信的SEM 402。控制器403可为光学检验工具401或SEM 402的部分。
控制器403可以任何适合方式(例如经由一或多个传输媒体，其可包含有线及/或无线传输媒体)耦合到系统400的组件，使得控制器403可接收由系统400产生的输出。控制器403可经配置以使用输出执行若干功能。
控制器403、本文所描述的其它系统或其它子系统可为各种系统(包含个人计算机系统、图像计算机、主计算机系统、工作站、网络装置、因特网装置或其它装置)的部分。所述子系统或系统也可包含此项技术中已知的任何适合处理器(例如并行处理器)。另外，所述子系统或系统可包含具有高速处理及软件的平台作为独立或网络化工具。
如果系统包含一个以上子系统，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等等。例如，子系统可由任何适合传输媒体(其可包含此项技术中已知的任何适合有线/无线传输媒体)耦合到额外子系统。这些子系统中的两者或两者以上也可由共享计算机可读存储媒体(图中未展示)有效地耦合。
如本文所揭示，额外实施例涉及一种非暂时性计算机可读媒体，其存储可在控制器上执行以执行计算机实施缺陷检测或CD分析的程序指令。特定来说，处理器404可耦合到电子数据存储单元405或其它电子数据存储媒体中的存储器，其中非暂时性计算机可读媒体包含可在处理器404上执行的程序指令。计算机实施方法可包含本文所描述的任何方法的任何步骤。例如，控制器403可经编程以执行图1、图2或图3的一些或所有步骤，其可由处理器404执行。电子数据存储单元405或其它电子数据存储媒体中的存储器可为例如磁盘或光盘、磁带或此项技术中已知的任何其它适合非暂时性计算机可读媒体的存储媒体。
可以尤其包含基于程序的技术、基于组件的技术及/或面向对象技术的各种方式的任一者实施程序指令。例如，可根据期望使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、SSE(流式SIMD扩展)或其它技术或方法来实施程序指令。
如本文所使用，术语“晶片”一般是指由半导体或非半导体材料形成的衬底。此半导体或非半导体材料的实例包含(但不限于)单晶硅、砷化镓及磷化铟。这些衬底可常见于及/或被处理于半导体制造设备中。
晶片可包含形成于衬底上的一或多个层。例如，这些层可包含(但不限于)抗蚀剂、电介质材料及导电材料。这些层的诸多不同类型在此项技术中是已知的，且本文所使用的术语“晶片”意在涵盖包含这些层的所有类型的晶片。
可图案化或未图案化形成于晶片上的一或多个层。例如，晶片可包含各具有可重复图案化特征的多个裸片。这些材料层的形成及处理可最终导致完成装置。诸多不同类型的装置(例如IC)可形成于晶片上，且本文所使用的术语“晶片”意在涵盖此项技术中已知的任何类型的装置制造于其上的晶片。如本文所使用，术语“芯片”可包括为了特定目的而设计的IC的集合。
尽管本文相对于晶片描述实施例，但应了解，实施例可用于例如光罩的另一样品，其通常也可被称为掩模或光掩模。诸多不同类型的光罩在此项技术中是已知的，且本文所使用的术语“光罩”、“掩模”及“光掩模”意在涵盖此项技术中已知的所有类型的光罩。
可如本文所描述那样执行方法的每一步骤。方法也可包含可由本文所描述的控制器及/或计算机子系统或系统执行的任何其它步骤。步骤可由可根据本文所描述的任何实施例来配置的一或多个计算机系统执行。另外，上述方法可由本文所描述的任何系统实施例执行。
尽管已相对于一或多个特定实施例描述本发明，但应了解，可在不背离本发明的精神及范围的情况下实施本发明的其它实施例。因此，可认为本发明仅受限于所附权利要求书及其合理解释。
Claims (20)
1.一种用于预测缺陷站点及临界尺寸测量的方法，其包括：
使用检验工具扫描晶片；
使用缺陷重检工具确认至少一个缺陷的存在，其中所述确认包括对缺陷进行采样；
将参数输入到深度学习模型中，其中所述参数包含所述缺陷相对于设计、关注区或设计片段中的一或多者的位置，且其中所述参数进一步包括以下中的一或多者：
焦点；
曝光；
所述缺陷的类型；
相邻设计位点；及
层类型；
在所述输入之后，基于所述深度学习模型而使用控制器预测缺陷位点；
收集由所述深度学习模型预测的所述缺陷站点的图像；
验证所述缺陷位点，其中所述验证包括确认所述图像中的所述缺陷站点处的至少一个缺陷的存在；及
使用来自所述验证的晶片数据重新训练所述深度学习模型，其中重复所述预测、所述验证及所述重新训练直到所述深度学习模型达到检测准确度阈值。
2.根据权利要求1所述的方法，其中所述扫描是热扫描。
3.根据权利要求1所述的方法，其中所述缺陷重检工具是扫描电子显微镜。
4.根据权利要求1所述的方法，其中所述参数进一步包含光学接近性校正。
5.根据权利要求1所述的方法，其进一步包括产生所述缺陷位点的热图。
6.根据权利要求1所述的方法，其进一步包括使用所述深度学习模型预测新晶片上的缺陷。
7.根据权利要求1所述的方法，其进一步包括使用所述深度学习模型针对新半导体制造工艺预测所述晶片上的缺陷。
8.一种非暂时性计算机可读媒体，其存储经配置以指示处理器执行根据权利要求1所述的方法的程序。
9.一种用于预测缺陷站点及临界尺寸测量的方法，其包括：
使用扫描电子显微镜扫描晶片；
使用控制器计算样本位点处的跨越所述晶片的临界尺寸变动；
将参数输入到深度学习模型中，其中所述参数包含相对于设计、关注区或设计片段中的一者测量临界尺寸的位置，且其中所述参数进一步包含以下中的一或多者：
焦点；
曝光；
相邻设计位点；及
层类型；
在所述输入之后，基于所述深度学习模型而使用所述控制器预测跨越所述晶片的位点处的所述临界尺寸；
收集来自所述深度学习模型的站点的图像；
验证所述位点处的所述临界尺寸，其中所述验证包括确认所述图像中的所述位点处的所述临界尺寸；及
使用来自所述验证的晶片数据重新训练所述深度学习模型，其中重复所述预测、所述验证及所述重新训练直到所述深度学习模型达到检测准确度阈值。
10.根据权利要求9所述的方法，其中所述参数进一步包含光学接近性校正。
11.根据权利要求9所述的方法，其进一步包括产生临界尺寸变动的热图。
12.根据权利要求9所述的方法，其进一步包括使用所述深度学习模型预测新晶片上的临界尺寸。
13.根据权利要求9所述的方法，其进一步包括使用所述深度学习模型针对新半导体制造工艺预测所述晶片上的临界尺寸。
14.一种非暂时性计算机可读媒体，其存储经配置以指示处理器执行根据权利要求9所述的方法的程序。
15.一种用于预测缺陷站点及临界尺寸测量的系统，其包括：
控制器，其与扫描电子显微镜或与所述扫描电子显微镜及光学检验工具电子通信，其中所述控制器包含处理器及与所述处理器电子通信的电子数据存储单元，且其中所述控制器经配置以：
接收晶片的重检的结果，其中所述结果是缺陷位置或临界尺寸中的一者；
将参数输入深度学习模型中，其中所述参数包含相对于设计、关注区或设计片段中的一者测量所述结果的位置，且其中所述参数进一步包含以下中的一或多者：
焦点；
曝光；
相邻设计位点；及
层类型；
在所述输入之后，预测跨越所述晶片的位点处的额外结果，其中所述额外结果与所述缺陷位置或所述临界尺寸中的所述一者相同；
接收来自所述深度学习模型预测的所收集的所述站点的图像；
接收跨越所述晶片的所述位点处的所述结果的验证，其中所述验证确认所述图像中的所述缺陷站点处的所述额外结果的存在；及
使用来自所述验证的晶片数据重新训练所述深度学习模型，其中重复预测步骤、验证步骤及重新训练步骤直到所述深度学习模型达到检测准确度阈值。
16.根据权利要求15所述的系统，其进一步包括与所述控制器电子通信的所述扫描电子显微镜。
17.根据权利要求15所述的系统，其进一步包括与所述控制器电子通信的所述光学检验工具及所述扫描电子显微镜。
18.根据权利要求15所述的系统，其中所述控制器经配置以产生结果变动的热图。
19.根据权利要求15所述的系统，其中所述控制器经配置以使用所述深度学习模型预测新晶片上的结果。
20.根据权利要求15所述的系统，其中所述控制器经配置以使用所述深度学习模型针对新半导体制造工艺预测所述晶片上的结果。
Applications Claiming Priority (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201741023043 | 2017-06-30 | ||
| IN201741023043 | 2017-06-30 | ||
| US201762545918P | 2017-08-15 | 2017-08-15 | |
| US62/545,918 | 2017-08-15 | ||
| US15/814,561 | 2017-11-16 | ||
| US15/814,561 US11275361B2 (en) | 2017-06-30 | 2017-11-16 | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
| PCT/US2018/040162 WO2019006222A1 (en) | 2017-06-30 | 2018-06-29 | SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110770886A CN110770886A (zh) | 2020-02-07 |
| CN110770886B true CN110770886B (zh) | 2023-09-15 |
Family
ID=66213171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880041282.6A Active CN110770886B (zh) | 2017-06-30 | 2018-06-29 | 用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11275361B2 (zh) |
| KR (1) | KR102568074B1 (zh) |
| CN (1) | CN110770886B (zh) |
| TW (1) | TWI784018B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102576687B1 (ko) * | 2016-08-15 | 2023-09-08 | 에이에스엠엘 네델란즈 비.브이. | 반도체 제조 수율을 향상시키는 방법 |
| US20220130027A1 (en) * | 2019-02-15 | 2022-04-28 | Hitachi High-Tech Corporation | Structure Estimation System and Structure Estimation Program |
| US11860548B2 (en) | 2019-02-20 | 2024-01-02 | Asml Netherlands B.V. | Method for characterizing a manufacturing process of semiconductor devices |
| IL287677B1 (en) * | 2019-04-28 | 2024-02-01 | נובה בע מ | Manufacturing a semiconductor device with in-line detection for a sensitive area |
| KR102268019B1 (ko) * | 2019-04-30 | 2021-06-22 | (주)코셈 | 인공 지능 학습 데이터를 활용한 전자 현미경 |
| US11340060B2 (en) * | 2019-07-23 | 2022-05-24 | Kla Corporation | Automatic recipe optimization for overlay metrology system |
| JP7285728B2 (ja) * | 2019-08-07 | 2023-06-02 | 株式会社日立ハイテク | 電気特性を導出するシステム及び非一時的コンピューター可読媒体 |
| KR20210046459A (ko) | 2019-10-18 | 2021-04-28 | 삼성전자주식회사 | 멀티-opc 모델을 이용한 opc 방법, 및 그 opc 방법을 이용한 마스크 제조방법 |
| US11087449B2 (en) * | 2019-10-24 | 2021-08-10 | KLA Corp. | Deep learning networks for nuisance filtering |
| US11415971B2 (en) * | 2020-02-10 | 2022-08-16 | Globalwafers Co., Ltd. | Systems and methods for enhanced wafer manufacturing |
| TWI759906B (zh) * | 2020-10-15 | 2022-04-01 | 維曙智能科技有限公司 | 基於深度學習之階層式圖片分類系統及其方法 |
| EP4244677A1 (en) * | 2020-11-13 | 2023-09-20 | ASML Netherlands B.V. | Active learning-based defect location identification |
| WO2022128694A1 (en) * | 2020-12-18 | 2022-06-23 | Asml Netherlands B.V. | Training machine learning models based on partial datasets for defect location identification |
| WO2022207181A1 (en) * | 2021-03-30 | 2022-10-06 | Asml Netherlands B.V. | Improved charged particle image inspection |
| CN113238460B (zh) * | 2021-04-16 | 2022-02-11 | 厦门大学 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
| US11614480B2 (en) * | 2021-06-08 | 2023-03-28 | Kla Corporation | System and method for Z-PAT defect-guided statistical outlier detection of semiconductor reliability failures |
| US20230051330A1 (en) * | 2021-08-16 | 2023-02-16 | Applied Materials Inc. | Using defect models to estimate defect risk and optimize process recipes |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1401107A (zh) * | 2000-01-18 | 2003-03-05 | 索威森公司 | 检测印刷电路板缺陷的方法和系统 |
| JP2004354250A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
| CN1735866A (zh) * | 2002-11-12 | 2006-02-15 | Fei公司 | 缺陷分析仪 |
| CN105849643A (zh) * | 2013-12-17 | 2016-08-10 | Asml荷兰有限公司 | 良品率估计和控制 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6324298B1 (en) * | 1998-07-15 | 2001-11-27 | August Technology Corp. | Automated wafer defect inspection system and a process of performing such inspection |
| US20080077907A1 (en) | 2006-09-21 | 2008-03-27 | Kulkami Anand P | Neural network-based system and methods for performing optical proximity correction |
| US7937179B2 (en) * | 2007-05-24 | 2011-05-03 | Applied Materials, Inc. | Dynamic inline yield analysis and prediction of a defect limited yield using inline inspection defects |
| US7873585B2 (en) | 2007-08-31 | 2011-01-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for predicting a semiconductor parameter across an area of a wafer |
| US9601393B2 (en) | 2009-02-06 | 2017-03-21 | Kla-Tencor Corp. | Selecting one or more parameters for inspection of a wafer |
| US9087367B2 (en) | 2011-09-13 | 2015-07-21 | Kla-Tencor Corp. | Determining design coordinates for wafer defects |
| US9430824B2 (en) | 2013-05-14 | 2016-08-30 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
| KR102521159B1 (ko) | 2014-11-25 | 2023-04-13 | 피디에프 솔루션즈, 인코포레이티드 | 반도체 제조 공정을 위한 개선된 공정 제어 기술 |
| US10430719B2 (en) * | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
| US10650508B2 (en) * | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
| US10436720B2 (en) | 2015-09-18 | 2019-10-08 | KLA-Tenfor Corp. | Adaptive automatic defect classification |
| CN106290378B (zh) | 2016-08-23 | 2019-03-19 | 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 |
| US10365617B2 (en) * | 2016-12-12 | 2019-07-30 | Dmo Systems Limited | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow |
-
2017
- 2017-11-16 US US15/814,561 patent/US11275361B2/en active Active
-
2018
- 2018-06-28 TW TW107122224A patent/TWI784018B/zh active
- 2018-06-29 KR KR1020207002828A patent/KR102568074B1/ko active IP Right Grant
- 2018-06-29 CN CN201880041282.6A patent/CN110770886B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1401107A (zh) * | 2000-01-18 | 2003-03-05 | 索威森公司 | 检测印刷电路板缺陷的方法和系统 |
| CN1735866A (zh) * | 2002-11-12 | 2006-02-15 | Fei公司 | 缺陷分析仪 |
| JP2004354250A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
| CN105849643A (zh) * | 2013-12-17 | 2016-08-10 | Asml荷兰有限公司 | 良品率估计和控制 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110770886A (zh) | 2020-02-07 |
| TW201905731A (zh) | 2019-02-01 |
| US20190004504A1 (en) | 2019-01-03 |
| US11275361B2 (en) | 2022-03-15 |
| KR20200014938A (ko) | 2020-02-11 |
| TWI784018B (zh) | 2022-11-21 |
| KR102568074B1 (ko) | 2023-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110770886B (zh) | 用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法 | |
| JP7216822B2 (ja) | 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用 | |
| US8139844B2 (en) | Methods and systems for determining a defect criticality index for defects on wafers | |
| CN106537449B (zh) | 确定样本上的关注区域的坐标 | |
| TWI468958B (zh) | 用於以設計為基礎之裝置風險評估之方法 | |
| US11120182B2 (en) | Methodology of incorporating wafer physical measurement with digital simulation for improving semiconductor device fabrication | |
| JP2017523390A (ja) | 検査のための高解像度フルダイイメージデータの使用 | |
| US10692690B2 (en) | Care areas for improved electron beam defect detection | |
| TWI807442B (zh) | 程序控制之晶粒內度量衡方法及系統 | |
| US20160110859A1 (en) | Inspection method for contact by die to database | |
| TWI750368B (zh) | 光學檢驗結果之計量導引檢驗樣品成形 | |
| CN109314067B (zh) | 在逻辑及热点检验中使用z层上下文来改善灵敏度及抑制干扰的系统及方法 | |
| WO2019006222A1 (en) | SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS | |
| US10503078B2 (en) | Criticality analysis augmented process window qualification sampling | |
| CN111819673A (zh) | 用于临界尺寸测量的所关注区域及所关注图案产生 | |
| TWI785065B (zh) | 基於妨害地圖之寬帶電漿檢查 |
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 |