CN111542915B - 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索 - Google Patents

使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索 Download PDF

Info

Publication number
CN111542915B
CN111542915B CN201980007147.4A CN201980007147A CN111542915B CN 111542915 B CN111542915 B CN 111542915B CN 201980007147 A CN201980007147 A CN 201980007147A CN 111542915 B CN111542915 B CN 111542915B
Authority
CN
China
Prior art keywords
defect
care
wafer
interest
areas
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
Application number
CN201980007147.4A
Other languages
English (en)
Other versions
CN111542915A (zh
Inventor
A·亚提
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.)
KLA Corp
Original Assignee
KLA Tencor Corp
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 KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN111542915A publication Critical patent/CN111542915A/zh
Application granted granted Critical
Publication of CN111542915B publication Critical patent/CN111542915B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/244—Detectors; Associated components or circuits therefor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like

Landscapes

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

Abstract

深度学习算法用于例如半导体晶片的缺陷探索。用晶片检验工具检验关照区域。所述深度学习算法用于识别所述关照区域中的缺陷且对其进行分类。此可针对其余关照区域重复，但可略过类似关照区域以增加处理量。

Description

使用电子束检验及具有实时情报的深度学习以减少妨害的缺 陷探索
相关申请案的交叉参考
本申请案主张2018年1月5日申请的第201841000585号印度临时申请案及2018年2月27日申请的第62/636,032号美国申请案的优先权，所述申请案的揭示内容以引用的方式并入本文中。
技术领域
本发明大体上涉及半导体检验。更特定来说，本发明大体上涉及用于基于预测有效地探索缺陷的方法。
背景技术
半导体制造行业的演进对良率管理及特定来说计量及检验系统提出更高要求。临界尺寸不断缩小。经济性在驱动行业缩短实现高良率、高价值生产的时间。最小化从检测到良率问题到解决它的总时间确定半导体制造商的投资报酬率。
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制造工艺处理半导体晶片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光致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。可在单个半导体晶片上的某一布置中制造多个半导体装置且接着将其分离为个别半导体装置。
缺陷探索或关键缺陷类型探索是制造半导体装置的部分。在最短可能时间内找到全部关键缺陷类型可改进半导体制造期间的良率，且此缺陷探索越来越多地依靠电子束检验。越快地在层中识别缺陷类型，便可越快地解决这些缺陷。找到全部关键缺陷类型通常被称为缺陷探索。缺陷探索过程通常涉及检验重检循环，其中首先使用热扫描检验层，使用各种算法(例如，相异度取样(diversity sampling))对可能缺陷位点取样，且接着重检扫描电子显微镜(SEM)图像以确认缺陷位点。在未找到全部缺陷类型的情况中可通过进一步调谐检验配方而重复流程。
图1是先前技术的流程图。此常规缺陷发现方法涉及使用宽带等离子(BBP)检验工具以各种光学模式执行热扫描。基于BBP属性对位点进行相异度取样以确保获得相异样本集。接着使用SEM重检相异样本集以确认各种缺陷类型。
此先前技术具有缺点。首先，使用先前技术找到全部缺陷类型可需要一到两天。可需要多次反复来调谐捕获全部缺陷的BBP配方。BBP检验扫描中存在极高妨害率(nuisancerate)，此可导致难以在设计不可用时执行去偏移(deskew)。BBP具有针对例如铜化学机械平坦化(CuCMP)桥或电压对比(VC)缺陷的许多缺陷类型的间隙。也无法探索光学检验间隙缺陷。不存在实时情报以基于已识别的缺陷类型改变检验或取样。需要在两个不同工具上移动晶片且需要匹配其的坐标系统。检验扫描具有低缺陷计数，从而导致SEM工具上的较高去偏移时间，其可多于两小时。在遗漏缺陷类型的情况中，必须重复整个检验流程，包含返回到BBP配方、SEM重检及分类。
因此，需要改进缺陷探索。
发明内容
在第一实施例中提供一种用于自适应缺陷探索的方法。在晶片检验工具处接收多个关照区域。用所述晶片检验工具检验所述关照区域中的第一者。结合处理器使用深度学习算法在所述关照区域中的所述第一者中识别缺陷。结合所述处理器使用所述深度学习算法对所述关照区域中的所述第一者中的所述缺陷进行分类。针对所述多个关照区域中的任何其余者重复所述检验、所述识别及所述分类。
可从设计软件接收所述关照区域。
所述检验可包含使用所述晶片检验工具成像。
所述方法可进一步包含在所述关照区域中的所述第一者的第一例子中对缺陷进行分类之后略过所述关照区域中的所述第一者的额外例子的检验。所述关照区域中的所述第一者的每一例子包含相似装置、结构或尺寸。
所述关照区域可具有100μm2或更小的面积。例如，所述关照区域可为50μm2。
所述方法可进一步包含结合所述处理器使用所述深度学习算法识别所述关照区域中的可能缺陷类型。
所述检验、所述识别及所述分类可在具有所述关照区域的晶片在同一晶片检验工具中时发生。
所述方法可进一步包含在所述检验、所述识别及所述分类期间将具有所述关照区域的晶片固持在所述晶片检验工具中的卡盘上。
在第二实施例中提供一种自适应缺陷探索系统。所述自适应缺陷探索系统包含：电子束源，其产生聚焦于晶片上的电子；电子柱；检测器；及处理器，其与所述检测器及所述电子束源电子通信。从所述晶片返回的电子聚焦于所述检测器上，且其中所述检测器用于捕获所述晶片的图像。所述处理器经配置以：接收多个关照区域；将检验所述关照区域中的第一者的指令发送到所述电子束源及所述检测器；使用深度学习算法识别所述关照区域中的所述第一者的图像中的缺陷；使用所述深度学习算法对所述关照区域中的所述第一者中的所述缺陷进行分类；及针对所述多个关照区域中的任何其余者重复所述发送、所述识别及所述分类。
可从设计软件接收所述关照区域。
所述处理器可经进一步配置以使用所述深度学习算法识别所述关照区域中的可能缺陷类型。
所述处理器可经进一步配置以在所述关照区域中的所述第一者的第一例子中对缺陷进行分类之后略过所述关照区域中的所述第一者的额外例子的检验。所述关照区域中的所述第一者的每一例子包含相似装置、结构或尺寸。
所述关照区域可具有100μm2或更小的面积。例如，所述关照区域可为50μm2。
所述关照区域可为晶片的关照区域。当所述处理器识别所述缺陷且对所述缺陷进行分类时，可将所述晶片固持在所述自适应缺陷探索系统中。
附图说明
为更充分理解本发明的性质及目的，应参考结合附图进行的以下实施方式，其中：
图1是先前技术的流程图；
图2是根据本发明的方法的实施例的流程图；
图3是根据本发明的方法的另一实施例的流程图；及
图4是根据本发明的系统的框图。
具体实施方式
尽管依据特定实施例描述所主张的标的物，但其它实施例(包含未提供本文中陈述的全部益处及特征的实施例)也在本发明的范围内。可在不脱离本发明的范围的情况下做出各种结构、逻辑、工艺步骤及电子改变。因此，仅参考所附权利要求书定义本发明的范围。
缺陷探索是半导体代工厂的重要生产步骤。其减少生产时间(time-to-product)且可帮助扩产(ramp-up)。本发明提供使用检验或重检系统(例如电子束检验)及具有实时情报的深度学习以减少妨害的缺陷探索。可用深度学习改进结合电子束检验工具的缺陷探索以加速过程。本发明的实施例通过使用实时情报来找到新缺陷类型而增加缺陷探索的效率。此可实现使用单个工具来实时执行检验、重检及分类以节省代工厂生产的时间及成本以及减少维护多个工具的成本。在同一流程中使用检验及重检以用深度学习识别新且独特的缺陷可增加识别发生的速度。
在例子中，晶片检验工具(例如电子束检验工具)从设计相关软件、半导体制造商及/或具有涵盖全部可能缺陷类型位置的相异位置集合的应用程序取得检验关照区域。晶片检验工具接着检验所述位置且检测真实缺陷。在主要场检验结束之后，晶片检验工具获得高分辨率图像，所述高分辨率图像可由深度学习算法用于训练及对缺陷进行分类。深度学习算法也可识别不同缺陷类型以供操作者进行分类。一旦在关照区域中识别新缺陷类型，晶片检验工具便可移动到不同或相异类型的关照区域，其中找到新缺陷类型的概率较高。因此，略过相似于其中已找到缺陷类型的关照区域的关照区域以加快重检。
图2是用于自适应缺陷探索的方法100的流程图。在101处，在晶片检验工具处接收多个关照区域。晶片检验工具可为电子束检验工具，例如SEM。每一关照区域可具有100μm2或更小的面积，例如50μm2的面积。可从设计软件、操作者及/或应用程序接收关照区域。
在102处，用晶片检验工具检验关照区域中的第一者。102处的检验可包含用晶片检验工具使晶片成像。在103处使用处理器识别关照区域中的第一者中的任何缺陷。在104处使用处理器对关照区域中的第一者中的缺陷进行分类。103及104两者可对来自102处的检验的图像使用深度学习算法。
在103及104处可使用任何类型的基于机器学习的算法。在例子中，可对缺陷的现存SEM图像预训练深度学习算法。在另一例子中，使用随机森林算法过滤新缺陷类型，且操作者可接着对这些缺陷进行分类。
可针对多个关照区域的任何其余关照区域重复步骤102、103及104。如果未剩余关照区域，那么方法100可结束。为增加效率，如果在关照区域的第一例子中对缺陷进行分类，那么略过关照区域的第一者的额外例子的检验。关照区域中的第一者的每一例子可包含相似装置、结构或尺寸。相似装置、结构或尺寸可为类似或相同的。在实例中，相似装置、结构或尺寸可在特定尺寸阈值(例如宽度阈值)内。在另一实例中，相似装置、结构或尺寸可在关于形状的特定公差阈值内。
关于略过某些关照区域，可基于相似性将关照区域分组在一起。基于设计的分组(DBG)代码可用于将此类关照区域分组在一起。一旦在一个关照区域中找到缺陷，第一轮缺陷探索便可略过具有类似性质的其它关照区域。如果未找到全部缺陷类型，那么可重访所述位点。
可使用处理器基于深度学习算法识别关照区域中的可能缺陷类型。在一例子中，实时情报可识别找到全部缺陷类型的新位置，此可提供更快出结果时间(time toresult)。可能含有已探索的缺陷类型中的一者的位点可被忽略。
可在单个会话中的运行时间期间执行使用深度学习的检验、SEM重检及分类。
步骤102、103及104可在包含关照区域的晶片在同一晶片检验工具中时发生。因此，在步骤102、103及104期间可将具有关照区域的晶片固持在晶片检验工具中的卡盘上。
虽然明确揭示深度学习，但也可使用随机森林技术。
在本发明的另一实施例中，检验关照区域是涵盖全部可能缺陷类型位置的相异位置集合。
参考图3，本发明的另一实施例包括一种用于自适应缺陷探索的方法。图3的实施例可与图2的实施例一起使用或可单独使用。接收检验关照区域，其中将检验关照区域聚合成待检验的多个区。可依次检验每一区以确定存在于多个区中的缺陷。
此检验包含如下的操作。例如用SEM选择及检验尚未检验的区。如果在所选择的区中找到缺陷，就对其进行分类。此分类可包含参考一组已知缺陷类型且确定所找到的缺陷是否可分类为已知缺陷类型中的一者。如果是就将其如此分类。如果所找到的缺陷不可分类为已知缺陷类型中的一者，就将其视为新缺陷。已知缺陷类型可存储于数据库中。可要求操作者输入新缺陷的分类，且由操作者给出的分类可用于对所找到的缺陷进行分类且添加到所述组已知缺陷类型。可重复这些操作直到已检验多个区中的每一区。类似于其中识别缺陷的现存区的一些区可被略过。类似区中的缺陷可包含相似装置、结构或尺寸。
本发明的优点是改进晶片检验工具以具有作出改进决策以加速找到新缺陷类型的过程的能力。此避免在其中已找到缺陷的同一区域中执行进一步检验，这是因为在所述区中找到新缺陷的概率较低。因此，通过不寻找相同类型的冗余缺陷而节省时间。此外，当找到全部新且已知的缺陷类型时，检验过程可停止。
本发明提供额外优点。基于实时检验数据的自适应智能检验及重检可通过在找到缺陷类型之后使用实时情报移动到不同区域进行检验而产生低妨害率。可涵盖光学检验间隙缺陷。
通过在同一工具上执行检验及重检而可能提供快2倍到3倍的结果。此也可提供实时妨害减少且可减少或消除去偏移要求。在使用常规方法的情况下，由于检验整个晶片而产生妨害。妨害率保持为高以避免遗漏任何缺陷类型。凭借所提出的方法，可因来自已找到的缺陷的情报引导及选择之前未检验的关照区域群组而略过大区域的检验。在同一工具上执行步骤也可减少重检时间且可免除在工具之间移动晶片以进行检验的需要。
如果遗漏缺陷类型，那么可无需执行第二轮晶片检验及重检过程以定位所述遗漏所述缺陷类型。因此，可无需重做整个过程。本文中揭示的实施例可使用连续缺陷检验及重检工作，由已探索的缺陷以情报形式引导。此过程可连续运行直到未找到半导体制造商所预期的全部缺陷类型。
可减少检验及重检工具访问妨害位点的工作量，这是因为在找到新类型时，无需访问类似位点或关照区域且检验可立即移动到不同类型的位点或关照区域。
一旦找到全部缺陷类型，检验及重检便可停止。此具有多个益处。
可实时检测缺陷且对缺陷进行分类。可使用本文中揭示的实施例提供较大缺陷敏感度。第一，基于实时检验数据的自适应智能检验及重检由于一旦找到缺陷类型便移动到不同区域进行检验的实时情报而具有低妨害率。第二，此可涵盖光学检验间隙缺陷。第三，此可提供快2倍到3倍的出结果时间。由于检验重检发生在同一工具上以减少实时妨害且不具有去偏移要求，所以发生更快出结果时间。第四，在遗漏缺陷类型的情况中，电子束检验扫描可从其停止之处继续。无需重做整个过程。第五，此减少检验及重检工具访问妨害位点的工作量。一旦找到新类型，便无需访问类似位点及/或关照区域。检验可立即移动到不同类型的关照区域及/或位点。第六，现存过程流程需要单独工具上的BBP检验及SEM重检，因此增加出结果时间。使用此方法减少在多个工具上移动晶片的物流成本(logisticalcost)、去偏移时间等。由于同一工具可进行检验及重检，所以可能消除去偏移。第七，执行实时缺陷检测及分类。第八，因可提供较佳SEM分辨率而实现较佳缺陷敏感度。电子束检验将有能力用BBP工具闭合当前存在的间隙。第九，此技术可为BBP工具提供其的配方设置及大量制造(HVM)监测的基线。
虽然针对半导体晶片检验揭示，但本文中揭示的技术的实施例也可用于光掩模检验或其它形式的检验。
图4是系统200的实施例的框图。系统200包含经配置以产生晶片204的图像的晶片检验工具(其包含电子柱201)。
晶片检验工具包含输出获取子系统，所述输出获取子系统包含至少一能量源及检测器。输出获取子系统可为基于电子束的输出获取子系统。例如，在一个实施例中，引导到晶片204的能量包含电子，且从晶片204检测的能量包含电子。以此方式，能量源可为电子束源。在图4中展示的一个此实施例中，输出获取子系统包含耦合到计算机子系统202的电子柱201。卡盘(未说明)可固持晶片204。
也如图4中展示，电子柱201包含电子束源203，所述电子束源203经配置以产生由一或多个元件205聚焦到晶片204的电子。电子束源203可包含例如阴极源或发射器尖端。一或多个元件205可包含例如枪透镜、阳极、光束限制孔隙、闸阀、光束电流选择孔隙、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类适合元件。
可通过一或多个元件206将从晶片204返回的电子(例如，二次电子)聚焦到检测器207。一或多个元件206可包含例如扫描子系统，所述扫描子系统可为包含于(若干)元件205中的同一扫描子系统。
电子柱也可包含所属领域中已知的任何其它适合元件。
尽管电子柱201在图4中展示为经配置使得电子按一倾斜入射角引导到晶片204且按另一倾斜角从晶片204散射，但电子束可按任何适合角引导到晶片204且从晶片204散射。另外，基于电子束的输出获取子系统可经配置以使用多个模式来产生晶片204的图像(例如，用不同照明角、收集角等)。基于电子束的输出获取子系统的多个模式可在输出获取子系统的任何图像产生参数方面不同。
计算机子系统202可如上文描述那样耦合到检测器207。检测器207可检测从晶片204的表面返回的电子，借此形成晶片204的电子束图像。电子束图像可包含任何适合电子束图像。计算机子系统202可经配置以使用检测器207的输出及/或电子束图像来执行本文中描述的功能中的任一者。计算机子系统202可经配置以执行本文中描述的(若干)任何额外步骤。包含图4中展示的输出获取子系统的系统200可如本文中描述那样进一步配置。
应注意，本文中提供图4以大体上说明可用于本文中描述的实施例中的基于电子束的输出获取子系统的配置。如通常在设计商业输出获取系统时执行，本文中描述的基于电子束的输出获取子系统配置可经更改以优化输出获取子系统的性能。另外，本文中描述的系统可使用现存系统实施(例如，通过将本文中描述的功能性添加到现存系统)。对于一些此类系统，本文中描述的方法可被提供为系统的任选功能性(例如，除系统的其它功能性之外)。替代地，本文中描述的系统可被设计为全新系统。
尽管输出获取子系统在上文被描述为基于电子束的输出获取子系统，但输出获取子系统可为基于离子束的输出获取子系统。可如图4中展示那样配置此输出获取子系统，除了可用所属领域中已知的任何适合离子束源替换电子束源外。另外，输出获取子系统可为任何其它适合基于离子束的输出获取子系统，例如包含于市售聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及二次离子质谱仪(SIMS)系统中的基于离子束的输出获取子系统。
计算机子系统202包含处理器208及电子数据存储单元209。处理器208可包含微处理器、微控制器或其它装置。处理器208及/或电子数据存储单元209任选地可与晶片检验工具或晶片重检工具(未说明)电子通信以接收额外信息。
计算机子系统202可以任何适合方式(例如，经由一或多个传输媒体，其或其可包含有线及/或无线传输媒体)耦合到系统200的组件，使得处理器208可接收输出。处理器208可经配置以使用输出执行数个功能。晶片检验工具可从处理器208接收指令或其它信息。处理器208及/或电子数据存储单元209任选地可与另一晶片检验工具、晶片计量工具或晶片重检工具(未说明)电子通信以接收额外信息或发送指令。
处理器208与晶片检验工具(例如检测器207)电子通信。处理器208可经配置以处理使用来自检测器207的测量产生的图像。例如，处理器可执行方法100或图3的实施例。
本文中描述的计算机子系统202、(若干)其它系统或(若干)其它子系统可为各种系统的部分，所述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、网络设备、因特网设备或其它装置。(若干)子系统或(若干)系统也可包含所属领域中已知的任何适合处理器，例如并行处理器。另外，(若干)子系统或(若干)系统可包含作为单独或联网工具的具有高速处理及软件的平台。
处理器208及电子数据存储单元209可安置于系统200或另一装置中或以其它方式成为系统200或另一装置的部分。在实例中，处理器208及电子数据存储单元209可为单独控制单元的部分或在集中式质量控制单元中。可使用多个处理器208或电子数据存储单元209。
在实践中，处理器208可通过硬件、软件及固件的任何组合实施。同样地，如本文中描述的其功能可通过一个单元执行，或在不同组件间划分，所述组件中的每一者可又通过硬件、软件及固件的任何组合实施。处理器208实施各种方法及功能的程序代码或指令可存储于可读存储媒体(例如电子数据存储单元209中的存储器或其它存储器)中。
如果系统200包含一个以上计算机子系统202，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。例如，一个子系统可通过任何适合传输媒体耦合到(若干)额外子系统，所述传输媒体可包含所属领域中已知的任何适合有线及/或无线传输媒体。此类子系统的两者或两者以上也可通过共享计算机可读存储媒体(未展示)有效耦合。
处理器208可经配置以使用系统200的输出或其它输出执行数个功能。例如，处理器208可经配置以将输出发送到电子数据存储单元209或另一存储媒体。处理器208可如本文中描述般进一步配置。
处理器208或计算机子系统202可为缺陷重检系统、检验系统、计量系统或某其它类型的系统的部分。因此，本文中揭示的实施例描述可针对具有或多或少适合于不同应用的不同能力的系统以数个方式定制的一些配置。
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。例如，一个子系统可通过任何适当传输媒体耦合到(若干)额外子系统，所述传输媒体可包含所属领域中已知的任何适合有线及/或无线传输媒体。此类子系统中的两者或两者以上也可通过共享计算机可读存储媒体(未展示)有效耦合。
处理器208可根据本文中描述的实施例中的任一者配置。处理器208也可经配置以使用系统200的输出或使用来自其它源的图像或数据执行其它功能或额外步骤。
处理器208可以所属领域中已知的任何方式通信地耦合到系统200的各种组件或子系统的任一者。此外，处理器208可经配置以通过可包含有线及/或无线部分的传输媒体接收及/或获取来自其它系统的数据或信息(例如，来自例如重检工具的检验系统的检验结果、包含设计数据的远程数据库及类似物)。以此方式，传输媒体可充当处理器208与系统200的其它子系统或系统200外部的系统之间的数据链路。
系统200的各种步骤、功能及/或操作及本文中揭示的方法由以下中的一或多者实行：电子电路、逻辑门、多路复用器、可编程逻辑设备、ASIC、模拟或数字控制/开关、微控制器或计算系统。实施方法(例如本文中描述的方法)的程序指令可通过载体媒体传输或存储于载体媒体上。载体媒体可包含存储媒体，例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及类似物。载体媒体可包含传输媒体，例如电线、电缆或无线传输链路。例如，贯穿本发明描述的各种步骤可由单处理器208(或计算机子系统202)或替代地多个处理器208(或多个计算机子系统202)实行。此外，系统200的不同子系统可包含一或多个计算或逻辑系统。因此，上文描述不应被解释为对本发明的限制而仅为说明。
额外实施例涉及存储可在处理器上执行的程序指令的非暂时性计算机可读媒体。特定来说，处理器(例如处理器208)可耦合到具有非暂时性计算机可读媒体的电子数据存储媒体(例如包含可执行程序指令的电子数据存储媒体209)中的存储器。计算机实施方法可包含本文中描述的(若干)任何方法的(若干)任何步骤。例如，处理器208可经编程以执行方法100或图3的方法的一些或全部步骤。电子数据存储媒体209中的存储器可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它适合非暂时性计算机可读媒体。
程序指令可以各种方式中的任一者实施，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。例如，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式SIMD扩展(SSE)或其它技术或方法实施程序指令。
在实施例中，一或多个程序包含于非暂时性计算机可读存储媒体(例如电子数据存储媒体209)上。一或多个程序用于在一或多个计算装置(例如处理器208)上执行步骤。例如，所述步骤可包含例如从设计软件接收多个关照区域。所述步骤也可包含：将指令发送到电子束源203及检测器207以检验关照区域中的第一者；识别关照区域中的第一者的图像中的缺陷；对关照区域中的第一者中的缺陷进行分类；及针对多个关照区域中的任何其余者重复发送、识别及分类。所述步骤可包含使用深度学习算法识别关照区域中的可能缺陷类型。所述步骤也可包含在关照区域中的第一者的第一例子中对缺陷进行分类之后略过关照区域中的第一者的额外例子的检验。关照区域中的第一者的每一例子可包含相似装置、结构或尺寸。当处理器208识别缺陷且对缺陷进行分类时，可将晶片204固持在系统200中，例如在卡盘上。
如本文中使用，术语“晶片”一般指代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、氮化镓、砷化镓、磷化铟、蓝宝石及玻璃。通常可在半导体制造厂中找到及/或处理此类衬底。
晶片可包含在衬底上形成的一或多个层。例如，此类层可包含(但不限于)光致抗蚀剂、电介质材料、导电材料及半导电材料。许多不同类型的此类层在所属领域中已知，且如本文中使用的术语晶片希望涵盖包含全部类型的此类层的晶片。
形成于晶片上的一或多个层可经图案化或未经图案化。例如，晶片可包含多个裸片，每一裸片具有可重复图案化特征或周期性结构。此类材料层的形成及处理可最终导致成品装置。许多不同类型的装置可形成于晶片上，且如本文中使用的术语晶片希望涵盖其上制造所属领域中已知的任何类型的装置的晶片。
也可使用其它类型的晶片。例如，晶片可用于制造LED、太阳能电池、磁盘、平板或抛光板。也可使用本文中揭示的技术及系统对其它对象上的缺陷进行分类。
可如本文中描述那样执行所述方法的步骤中的每一者。所述方法也可包含可通过本文中描述的处理器及/或(若干)计算机子系统或(若干)系统执行的任何其它(若干)步骤。通过一或多个计算机系统执行步骤，所述一或多个计算机系统可根据本文中描述的实施例的任一者配置。另外，可通过本文中描述的系统实施例中的任一者执行上文描述的方法。
尽管已参考一或多个特定实施例描述本发明，但将理解，可在不脱离本发明的范围的情况下制作本发明的其它实施例。因此，本发明被视为仅受所附权利要求书及其合理解释限制。

Claims (20)

1.一种用于自适应缺陷探索的方法，其包括：
在晶片检验工具处接收多个关照区域；
用所述晶片检验工具检验所述关照区域中的第一者；
结合处理器使用深度学习算法识别所述关照区域中的所述第一者中的缺陷；
结合所述处理器使用所述深度学习算法对所述关照区域中的所述第一者中的所述缺陷进行分类；
在所述关照区域中的所述第一者的第一例子中对缺陷进行分类之后略过所述关照区域中的所述第一者的额外例子的检验，其中所述关照区域中的所述第一者的每一例子包含相似装置、结构或尺寸；及
针对所述多个关照区域中的任何其余者重复所述检验、所述识别及所述分类。
2.根据权利要求1所述的方法，其中从设计软件接收所述关照区域。
3.根据权利要求1所述的方法，其中所述检验包含使用所述晶片检验工具成像。
4.根据权利要求1所述的方法，其中所述关照区域具有100μm2或更小的面积。
5.根据权利要求4所述的方法，其中所述关照区域是50μm2。
6.根据权利要求1所述的方法，其进一步包括结合所述处理器使用所述深度学习算法识别所述关照区域中的可能缺陷类型。
7.根据权利要求1所述的方法，其中所述检验、所述识别及所述分类在具有所述关照区域的晶片在同一晶片检验工具中时发生。
8.根据权利要求1所述的方法，其进一步包括在所述检验、所述识别及所述分类期间将具有所述关照区域的晶片固持在所述晶片检验工具中的卡盘上。
9.一种自适应缺陷探索系统，其包括：
电子束源，其产生聚焦于晶片上的电子；
电子柱；
检测器，其中从所述晶片返回的电子聚焦于所述检测器上，且其中所述检测器用于捕获所述晶片的图像；及
处理器，其与所述检测器及所述电子束源电子通信，其中所述处理器经配置以：
接收多个关照区域；
将指令发送到所述电子束源及所述检测器以检验所述关照区域中的第一者；
使用深度学习算法识别所述关照区域中的所述第一者的图像中的缺陷；
使用所述深度学习算法对所述关照区域中的所述第一者中的所述缺陷进行分类；
在所述关照区域中的所述第一者的第一例子中对缺陷进行分类之后略过所述关照区域中的所述第一者的额外例子的检验，其中所述关照区域中的所述第一者的每一例子包含相似装置、结构或尺寸；及
针对所述多个关照区域中的任何其余者重复所述发送、所述识别及所述分类。
10.根据权利要求9所述的自适应缺陷探索系统，其中从设计软件接收所述关照区域。
11.根据权利要求9所述的自适应缺陷探索系统，其中所述处理器经进一步配置以使用所述深度学习算法识别所述关照区域中的可能缺陷类型。
12.根据权利要求9所述的自适应缺陷探索系统，其中所述关照区域具有100μm2或更小的面积。
13.根据权利要求12所述的自适应缺陷探索系统，其中所述关照区域是50μm2。
14.根据权利要求9所述的自适应缺陷探索系统，其中所述关照区域是晶片的关照区域，且其中在所述处理器识别所述缺陷且对所述缺陷进行分类时将所述晶片固持在所述自适应缺陷探索系统中。
15.一种用于自适应缺陷探索的方法，其包括：
在晶片检验工具处接收多个关照区域；
用所述晶片检验工具检验所述关照区域中的第一者；
结合处理器使用深度学习算法识别所述关照区域中的所述第一者中的缺陷；
结合所述处理器使用所述深度学习算法对所述关照区域中的所述第一者中的所述缺陷进行分类；
在所述检验、所述识别及所述分类期间将具有所述关照区域的晶片固持在所述晶片检验工具中的卡盘上；及
针对所述多个关照区域中的任何其余者重复所述检验、所述识别及所述分类。
16.根据权利要求15所述的方法，其中从设计软件接收所述关照区域。
17.根据权利要求15所述的方法，其中所述检验包含使用所述晶片检验工具成像。
18.根据权利要求15所述的方法，其中所述关照区域具有100μm2或更小的面积。
19.根据权利要求18所述的方法，其中所述关照区域是50μm2。
20.根据权利要求15所述的方法，其进一步包括结合所述处理器使用所述深度学习算法识别所述关照区域中的可能缺陷类型。
CN201980007147.4A 2018-01-05 2019-01-04 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索 Active CN111542915B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201841000585 2018-01-05
IN201841000585 2018-01-05
US201862636032P 2018-02-27 2018-02-27
US62/636,032 2018-02-27
US16/034,483 2018-07-13
US16/034,483 US10970834B2 (en) 2018-01-05 2018-07-13 Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance
PCT/US2019/012236 WO2019136190A1 (en) 2018-01-05 2019-01-04 Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance

Publications (2)

Publication Number Publication Date
CN111542915A CN111542915A (zh) 2020-08-14
CN111542915B true CN111542915B (zh) 2024-01-09

Family

ID=67140815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980007147.4A Active CN111542915B (zh) 2018-01-05 2019-01-04 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索

Country Status (5)

Country Link
US (1) US10970834B2 (zh)
KR (1) KR102438825B1 (zh)
CN (1) CN111542915B (zh)
TW (1) TWI769361B (zh)
WO (1) WO2019136190A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592634B1 (en) * 2017-06-06 2020-03-17 Ansys, Inc. Systems and methods for automatic handling of engineering design parameter violations
US11416982B2 (en) 2019-10-01 2022-08-16 KLA Corp. Controlling a process for inspection of a specimen
US11100221B2 (en) * 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
CN110660060B (zh) * 2019-11-29 2020-05-19 武汉精立电子技术有限公司 Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质
TWI777307B (zh) * 2020-11-20 2022-09-11 南臺學校財團法人南臺科技大學 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體
CN116152252B (zh) * 2023-04-20 2023-09-08 长鑫存储技术有限公司 电镜图像处理方法、设备及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
WO2016191482A1 (en) * 2015-05-26 2016-12-01 Kla-Tencor Corporation High-speed hotspot or defect imaging with a charged particle beam system
CN106461581A (zh) * 2014-05-15 2017-02-22 科磊股份有限公司 基于来自光学检验及光学重检的缺陷属性的用于电子束重检的缺陷取样
TW201737384A (zh) * 2016-04-13 2017-10-16 克萊譚克公司 用於基於電設計意圖之缺陷分類之系統及方法
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3991476A (en) 1975-10-10 1976-11-16 Haines Walter E Dip stick with sealing sleeve
US7527987B2 (en) * 2002-12-11 2009-05-05 Pdf Solutions, Inc. Fast localization of electrical failures on an integrated circuit system and method
US9780004B2 (en) 2011-03-25 2017-10-03 Kla-Tencor Corporation Methods and apparatus for optimization of inspection speed by generation of stage speed profile and selection of care areas for automated wafer inspection
JP5439543B2 (ja) 2012-06-14 2014-03-12 株式会社日立製作所 欠陥分類方法及びその装置
US10114368B2 (en) 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification
US9347862B2 (en) 2013-08-06 2016-05-24 Kla-Tencor Corp. Setting up a wafer inspection process using programmed defects
US10018571B2 (en) 2015-05-28 2018-07-10 Kla-Tencor Corporation System and method for dynamic care area generation on an inspection tool
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10656518B2 (en) * 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106461581A (zh) * 2014-05-15 2017-02-22 科磊股份有限公司 基于来自光学检验及光学重检的缺陷属性的用于电子束重检的缺陷取样
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类
WO2016191482A1 (en) * 2015-05-26 2016-12-01 Kla-Tencor Corporation High-speed hotspot or defect imaging with a charged particle beam system
TW201737384A (zh) * 2016-04-13 2017-10-16 克萊譚克公司 用於基於電設計意圖之缺陷分類之系統及方法

Also Published As

Publication number Publication date
KR20200096993A (ko) 2020-08-14
TW201939634A (zh) 2019-10-01
KR102438825B1 (ko) 2022-08-31
US20190213733A1 (en) 2019-07-11
US10970834B2 (en) 2021-04-06
WO2019136190A1 (en) 2019-07-11
TWI769361B (zh) 2022-07-01
CN111542915A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111542915B (zh) 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索
CN111837229A (zh) 扫描电子显微镜图像中的半监督异常检测
CN109844916B (zh) 基于缺陷与设计属性的缺陷检视取样和标准化
US9835566B2 (en) Adaptive nuisance filter
WO2017123888A1 (en) Improving defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
US10712289B2 (en) Inspection for multiple process steps in a single inspection process
US11550309B2 (en) Unsupervised defect segmentation
TWI743340B (zh) 用於偵測缺陷之方法、掃描電子顯微鏡及儲存一程式之非暫時性電腦可讀媒體
JP6931084B2 (ja) 光学検査結果に発する計量案内型検査サンプルシェイピング
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
US20220059316A1 (en) Scanning Electron Microscope Image Anchoring to Design for Array
KR102502814B1 (ko) 디자인 정렬 개선을 위한 타겟 선택 개선
CN110741466B (zh) 基于扰乱点图的宽带等离子检验
WO2023160986A1 (en) Methods and systems for improving wafer defect classification nuisance rate

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