CN111566789B - 使用电子显微法的半导体计量及缺陷分类 - Google Patents

使用电子显微法的半导体计量及缺陷分类 Download PDF

Info

Publication number
CN111566789B
CN111566789B CN201880085014.4A CN201880085014A CN111566789B CN 111566789 B CN111566789 B CN 111566789B CN 201880085014 A CN201880085014 A CN 201880085014A CN 111566789 B CN111566789 B CN 111566789B
Authority
CN
China
Prior art keywords
electron microscope
semiconductor
microscope images
simulated
parameters
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
CN201880085014.4A
Other languages
English (en)
Other versions
CN111566789A (zh
Inventor
S·潘戴夫
A·库兹涅佐夫
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 CN111566789A publication Critical patent/CN111566789A/zh
Application granted granted Critical
Publication of CN111566789B publication Critical patent/CN111566789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • 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

Landscapes

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

Abstract

在一些实施例中，从第一源获得半导体结构的相应实例的第一多个电子显微镜图像。所述第一多个电子显微镜图像展示一或多个半导体制造参数的不同值。训练模型，所述模型指定所述第一多个电子显微镜图像与所述一或多个半导体制造参数的所述值之间的关系。收集一或多个半导体晶片上的所述半导体结构的相应实例的第二多个电子显微镜图像。所述一或多个半导体晶片不同于所述第一源。使用所述模型预测所述第二多个电子显微镜图像的所述一或多个半导体制造参数的值。

Description

使用电子显微法的半导体计量及缺陷分类
相关申请案
本申请案主张2018年1月5日申请的标题为“用于使用CD-SEM图像对装置类结构进行计量及缺陷检测的方法(Method for Metrology and Defect Detection on DeviceLike Structures Using CD-SEM Images)”的第62/613,946号美国临时专利申请案的优先权，所述临时专利申请案的全部内容出于所有目的以引用方式并入本文中。
技术领域
本发明涉及半导体检验，且更特定来说，涉及使用电子显微镜图像的半导体计量及/或缺陷分类。
背景技术
可通过在电子显微镜图像中明确地测量半导体结构的尺寸而执行半导体计量。例如，为测量线间距(即，节距)，平均化如临界尺寸扫描电子显微镜(CD-SEM)图像中所展示的线边缘且确定连续平均值之间的距离。然而，此类测量可能是有噪声且不精确的，且难以对任意或复杂结构执行。难以使用此类测量确定非几何参数(例如，光刻焦点及剂量)，一些几何参数(例如，叠加、膜厚度及侧壁角)也是如此。此类测量也未能利用所测量特征外部的图像中的信息。
发明内容
因此，需要使用电子显微镜图像来确定半导体制造参数的值的改进方法及系统。
在一些实施例中，在计算机系统中执行监测半导体制造的第一方法，所述计算机系统包含一或多个处理器及存储由所述一或多个处理器执行的指令的存储器。在所述第一方法中，从第一源获得半导体结构的相应实例的第一多个电子显微镜图像。所述第一多个电子显微镜图像展示一或多个半导体制造参数的不同值。训练模型，所述模型指定所述第一多个电子显微镜图像与所述一或多个半导体制造参数的所述值之间的关系。收集一或多个半导体晶片上的所述半导体结构的相应实例的第二多个电子显微镜图像。所述一或多个半导体晶片不同于所述第一源。使用所述模型预测所述第二多个电子显微镜图像的所述一或多个半导体制造参数的值。
在一些实施例中，在计算机系统中执行监测半导体制造的第二方法，所述计算机系统包含一或多个处理器及存储由所述一或多个处理器执行的指令的存储器。在所述第二方法中，从第一源获得半导体结构的相应实例的第一多个电子显微镜图像。所述第一多个电子显微镜图像展示一或多个半导体制造参数的不同值。使所述第一多个电子显微镜图像与相应缺陷类别相关联。训练模型，所述模型指定所述第一多个电子显微镜图像与所述缺陷类别之间的关系。收集一或多个半导体晶片上的所述半导体结构的相应实例的第二多个电子显微镜图像。所述一或多个半导体晶片不同于所述第一源。使用所述模型预测所述一或多个半导体晶片上的缺陷的一或多个缺陷类别。
在一些实施例中，在计算机系统中执行监测半导体制造的第三方法，所述计算机系统包含一或多个处理器及存储由所述一或多个处理器执行的指令的存储器。在所述第三方法中，获得半导体结构的相应建模实例的模拟电子显微镜图像。所述第一多个电子显微镜图像展示一或多个半导体制造参数的不同值。收集一或多个半导体晶片上的所述半导体结构的相应实例的多个电子显微镜图像。使用所述模拟电子显微镜图像预测所述多个电子显微镜图像的所述一或多个半导体制造参数的值。预测所述值包含执行所述多个电子显微镜图像与所述模拟电子显微镜图像之间的回归分析。
在一些实施例中，计算机系统包含一或多个处理器及存储由所述一或多个处理器执行的一或多个程序的存储器。所述一或多个程序包含用于执行上述第一方法、第二方法及/或第三方法的指令。在一些实施例中，非暂时性计算机可读存储媒体存储经配置以由计算机系统执行的一或多个程序。所述一或多个程序包含用于执行上述第一方法、第二方法及/或第三方法的指令。
附图说明
为更好地理解各种所描述实施方案，应结合以下附图参考下文具体实施方式。
图1到3展示根据一些实施例的监测半导体制造的相应方法的流程图。
图4及5展示根据一些实施例的获得模拟电子显微镜图像的相应方法的流程图。
图6展示具有变动叠加值及因此变动程度的节距误差的多个电子显微镜图像。
图7是根据一些实施例的半导体检验系统的框图。
贯穿附图及说明书，类似参考数字是指对应零件。
具体实施方式
现将详细参考各种实施例，附图中说明所述实施例的实例。在以下具体实施方式中，陈述众多特定细节以提供对各种所描述实施例的透彻理解。然而，所属领域一般技术人员将明白，可在没有这些特定细节的情况下实践各种所描述实施例。在其它实例中，并未详细描述熟知方法、程序、组件、电路及网络以免不必要地混淆所述实施例的方面。
图1展示根据一些实施例的监测半导体制造的方法100的流程图。可在计算机系统(例如，图7的半导体检验系统700的计算机系统)中执行方法100。方法100中的步骤可组合或分解。
在方法100中，从第一源获得(102)半导体结构的相应实例的第一多个电子显微镜图像。第一多个电子显微镜图像展示一或多个半导体制造参数的不同值。例如，第一多个电子显微镜图像中的每一者或第一多个电子显微镜图像的相应群组可展示一或多个半导体制造参数的不同值集。第一多个电子显微镜图像可为扫描电子显微镜(SEM)图像(例如，CD-SEM图像)或透射电子显微镜(TEM)图像。
一或多个半导体制造参数可包含一或多个几何参数(例如，临界尺寸、叠加、边缘放置误差、侧壁角等)。替代地或另外，一或多个半导体制造参数可包含一或多个非几何参数。非几何参数可包含与半导体制造工艺中的一或多个步骤(例如，光刻步骤、蚀刻步骤、沉积步骤等)相关的参数。例如，一或多个半导体制造参数可包含光刻步骤的焦点及/或剂量。光刻步骤的剂量参数量化提供到半导体晶片(例如，到半导体晶片中的特定场，其中每次照明单个场)的照明量及因此光子数目。
半导体结构可为半导体晶片上的任何任意结构。例如，半导体结构可为经设计以特性化半导体制造工艺的性能的测试结构，或可为半导体装置的零件(例如，半导体晶片上的裸片)。在已执行半导体制造工艺的一或多个步骤之后但在半导体制造工艺完成之前，可形成半导体结构，且获得电子显微镜图像。
图6展示根据一些实施例的使用双重图案化光刻(即，使用第一光刻步骤，之后第二光刻步骤)制造的具有多个线602(例如，金属线)的半导体结构的图像600-1、600-2及600-3的预示性实例。图像600-1、600-2及600-3是第一多个电子显微镜图像的实例且可为真实或模拟电子显微镜图像。第一光刻步骤与第二光刻步骤之间的叠加针对图像600-1、600-2及600-3而变动，从而导致每一图像600的不同程度的节距误差。图像600-1展示无节距误差，图像600-2展示第一程度的节距误差(例如，测量为百分比)，且图像600-3展示大于第一程度的第二程度的节距误差。
在一些实施例中，第一源包含(104)实验设计(DOE)晶片，其中不同场经制造为具有不同值。从DOE晶片的相应场获得第一多个电子显微镜图像中的相应图像。所述晶片被称为DOE晶片，这是因为其基于实验设计(例如，“实验设计”或DOE)而制造，使得其针对不同场具有不同值。每一场可经制造为具有一或多个半导体制造参数的不同值，或场的相应群组可经制造使得每一群组具有一或多个半导体制造参数的不同值。(还可发生场之间及场内的参数值的非有意变动。)
在一些实施例中，第一源包含(106)多个DOE晶片，其中不同晶片经制造为具有不同值。从多个DOE晶片中的相应晶片获得第一多个电子显微镜图像中的相应图像。所述晶片被称为DOE晶片，这是因为其基于实验设计而制造，使得不同晶片具有不同值。每一晶片可经制造为具有一或多个半导体制造参数的不同值，或晶片的相应群组可经制造使得每一群组具有一或多个半导体制造参数的不同值。(还可发生晶片之间及晶片上的参数值的非有意变动。)
在一些实施例中，第一多个电子显微镜图像包含(108)模拟电子显微镜图像。例如，第一多个电子显微镜图像全部可为模拟电子显微镜图像。可使用方法400(图4)或500(图5)获得模拟电子显微镜图像，如下文描述。
在一些实施例中，使用参考计量工具(例如，拍摄第一多个图像的电子显微镜)确定(110)第一多个电子显微镜图像的一或多个半导体制造参数的值。参考计量工具可为用于在步骤114(下文)中收集图像的相同工具或工具类型或可为不同(例如，更精确但更慢)工具或工具类型。如果参考计量工具是用于步骤114中的相同工具或工具类型，那么工具设置可与用于步骤114中的设置相同或可为不同的(例如，更精确但更慢)。
训练(112)模型，所述模型指定第一多个电子显微镜图像与一或多个半导体制造参数的值之间的关系。在一些实施例中，所述模型是神经网络。在一些实施例中，使用监督式学习训练模型。
收集(114)一或多个半导体晶片上的半导体结构的相应实例的第二多个电子显微镜图像。一或多个半导体晶片不同于第一源。第二多个电子显微镜图像可为与第一多个电子显微镜图像相同类型的电子显微镜图像，且因此可为SEM图像(例如，CD-SEM图像)或TEM图像。虽然第一多个电子显微镜图像可为实际或模拟电子显微镜图像，但第二多个电子显微镜图像是实际图像。
使用模型预测(116)第二多个电子显微镜图像的一或多个半导体制造参数的值。
在一些实施例中，至少部分基于预测值调整(118)用于制造一或多个半导体晶片的制造工艺。例如，如果预测指示预测值与相应目标值相差达满足(例如，超过，或等于或超过)阈值的量，那么调整工艺使得未来晶片的值将在目标值的范围内(例如，将不满足阈值差异)。在一些实施例中，至少部分基于预测值处置(120)一或多个半导体晶片。处置相应晶片可包含在继续处理相应晶片、重加工相应晶片或弃置相应晶片之间进行选择。在一些实施例中，至少部分基于预测值估计(122)一或多个半导体晶片上的半导体装置的性能。方法100可不包含步骤118、120及122，包含其中的一或多者或全部。
图2展示根据一些实施例的监测半导体制造的另一方法200的流程图。如同方法100，方法200可在计算机系统(例如，图7的半导体检验系统700的计算机系统)中执行。方法200中的步骤可组合或分解。
在方法200中，执行步骤102，如上文针对方法100(图1)描述。在一些实施例中，步骤102包含步骤104、106或108。根据一些实施例，针对步骤108，可使用方法400(图4)或500(图5)。
使第一多个电子显微镜图像与相应缺陷类别相关联(210)。在一些实施例中，相应缺陷类别包含(211)DOE晶片(针对包含步骤104的实施例)或多个DOE晶片(针对包含步骤106的实施例)上的缺陷类别。相应缺陷类别可对应于在第一多个图像中的相应图像中不可见但存在于在其上拍摄图像的相应晶片或晶片场上的缺陷。例如，第一缺陷类别对应于在其上拍摄第一图像的第一晶片或晶片场上可见的第一缺陷类型，且其它缺陷类别、晶片或晶片场及图像依此类推。在一些实施例中，相应缺陷类别对应于在第一多个图像中的相应图像中不可见但已知与对应于相应图像的半导体制造参数的一或多个相应值相关联的缺陷(例如，在指定程度内匹配相应图像中所展示的值)。在一些实施例中，相应缺陷类别对应于在第一多个图像中的相应图像中可见的缺陷。
训练(212)模型，所述模型指定第一多个电子显微镜图像与缺陷类别之间的关系。在一些实施例中，所述模型是神经网络。
在一些实施例中，在获得第一多个电子显微镜图像时，未指定(例如，未知)缺陷类别的缺陷类型。为训练模型，可使用非监督式学习来确定第一多个电子显微镜图像与缺陷类别之间的关系，而未指定缺陷类别的缺陷类型。在已确定关系且已指定(例如，已知)缺陷类别的缺陷类型之后，用指定缺陷类别的缺陷类型的标签标记缺陷类别。替代地，在步骤212之前(例如，在获得第一多个电子显微镜图像时)指定(例如，已知)缺陷类别的缺陷类型，且使用监督式学习训练模型。
收集(114)一或多个半导体晶片上的半导体结构的相应实例的第二多个电子显微镜图像，如上文针对方法100(图1)描述。
使用模型预测(216)一或多个半导体晶片上的缺陷的一或多个缺陷类别。因此使用模型分类一或多个半导体晶片上的缺陷。
在一些实施例中，至少部分基于所预测的一或多个缺陷类别调整(218)用于制造一或多个半导体晶片的制造工艺。在一些实施例中，至少部分基于所预测的一或多个缺陷类别处置(220)一或多个半导体晶片。处置相应晶片可包含在继续处理相应晶片、重加工相应晶片或弃置相应晶片之间进行选择。方法200可不包含步骤218及220，包含其中的一者或两者。
图3展示根据一些实施例的监测半导体制造的又一方法300的流程图。如同方法100及/或200，方法300可在计算机系统(例如，图7的半导体检验系统700的计算机系统)中执行。方法300中的步骤可组合或分解。
在方法300中，获得(302)半导体结构的相应建模实例的模拟电子显微镜图像。模拟电子显微镜图像展示一或多个半导体制造参数的不同值。例如，每一模拟电子显微镜图像或模拟电子显微镜图像的相应群组可展示一或多个半导体制造参数的不同值集。模拟电子显微镜图像可为模拟SEM图像(例如，模拟CD-SEM图像)或模拟TEM图像。在一些实施例中，可使用方法400(图4)或500(图5)获得模拟电子显微镜图像。
关于方法100及200(图1到2)中的步骤102，半导体结构可为任何任意结构(例如，测试结构或半导体装置的零件)(例如，图6的多个线602)。半导体结构可为如果实际制造那么将在已执行半导体制造工艺的一或多个步骤之后但在整个半导体制造工艺完成之前形成的结构。
收集(304)一或多个半导体晶片上的半导体结构的相应实例的多个电子显微镜图像。多个电子显微镜图像因此包含实际(而非模拟)电子显微镜图像。
使用模拟电子显微镜图像预测(306)多个电子显微镜图像的一或多个半导体制造参数的值。作出这个预测包含执行多个电子显微镜图像与模拟电子显微镜图像之间的回归分析。回归分析可最小化在步骤304中收集的多个电子显微镜图像与在步骤302中获得的模拟电子显微镜图像之间的信号差异。不同于方法100，方法300因此不涉及步骤112及116(图1)的模型。
在一些实施例中，执行步骤118、120及/或122，如上文针对方法100(图1)描述。
图4展示根据一些实施例的获得模拟电子显微镜图像的方法400的流程图。在方法400中，创建(402)半导体结构的几何模型。用一或多个半导体制造参数(其可为几何参数)参数化几何模型。改变(404)几何模型的一或多个半导体制造参数以生成具有一或多个半导体制造参数的不同值的几何模型的变动(即，生成半导体结构的相应建模实例)。使用几何模型的相应变动(即，使用相应建模实例)生成(406)模拟电子显微镜图像。例如，基于几何模型的不同变动生成每一模拟图像。使用接收变动作为输入的图像模拟器(例如，图7的图像模拟模块718)执行图像模拟。
图5展示根据一些实施例的获得模拟电子显微镜图像的另一方法500的流程图。在方法500中，使用用工艺参数参数化的工艺模拟器创建(502)半导体结构的基于工艺的模型。改变工艺模拟器的工艺参数以产生具有一或多个半导体制造参数的不同值的半导体结构的相应模拟实例。例如，用不同工艺参数值执行工艺模拟的相应反复以产生半导体结构的相应模拟实例。工艺参数指定关于如何执行一或多个工艺步骤(例如，光刻、蚀刻、沉积等)的细节且因此并非几何参数。例如，工艺参数可包含一或多个光刻步骤的焦点及/或剂量。相应工艺参数可不同于步骤102(图1到2)及302(图3)的一或多个半导体制造参数或替代地可为相同的。使用半导体结构的相应模拟实例生成(504)模拟电子显微镜图像，其作为输入提供到像模拟器(例如，图7的图像模拟模块718)。例如，基于由工艺模拟器提供的半导体结构的不同实例生成每一模拟图像。
图7是根据一些实施例的半导体检验系统700的框图。半导体检验系统700包含电子显微镜742及计算机系统，所述计算机系统具有一或多个处理器702(例如，CPU)、用户接口706、存储器710及使这些组件互连的一或多个通信总线704。计算机系统可通过一或多个网络740而与电子显微镜742通信地耦合。计算机系统可进一步包含用于与电子显微镜742及/或远程计算机系统通信的一或多个网络接口(有线及/或无线，未展示)。电子显微镜742可为SEM(例如，CD-SEM)或TEM。
用户接口706可包含显示器707及一或多个输入装置708(例如，键盘、鼠标、显示器707的触敏表面等)。显示器707可报告方法100、200及/或300的结果(例如，可报告处置、性能估计、缺陷类别预测、制造工艺调整细节等)。
存储器710包含易失性及/或非易失性存储器。存储器710(例如，存储器710内的非易失性存储器)包含非暂时性计算机可读存储媒体。存储器710任选地包含远离于处理器702定位的一或多个存储装置及/或可移除地插入到服务器系统700中的非暂时性计算机可读存储媒体。在一些实施例中，存储器710(例如，存储器710的非暂时性计算机可读存储媒体)存储以下模块及数据或其子集或超集：操作系统712，其包含用于处理各种基本系统服务及用于执行硬件相关任务的程序；结构建模模块714，其用于创建半导体结构的几何模型(例如，如用于图4的方法400)；工艺模拟模块716(例如，用于图5的方法500)；图像模拟模块718，其用于生成模拟电子显微镜图像(例如，根据图1到2的步骤108、图4的步骤406及/或图5的步骤504)；模型训练模块720(例如，用于图1到2的步骤112及/或212)；值预测模块722(例如，用于图1的步骤116及/或图3的步骤306)；缺陷分类模块724(例如，用于图2的步骤216)；工艺调整模块726(例如，用于图1到3的步骤118及/或218)；晶片处置模块728(例如，用于图1到3的步骤120及/或220)；性能估计模块730(例如，用于图1及3的步骤122)；及电子显微镜图像732(真实及/或模拟)。
存储器710(例如，存储器710的非暂时性计算机可读存储媒体)因此包含用于执行方法100(图1)、200(图2)及/或300(图3)的指令。因而，存储器710可包含用于执行方法400(图4)及/或500(图5)的指令。存储在存储器710中的模块中的每一者对应于用于执行本文中描述的一或多个功能的指令集。单独模块无需被实施为单独软件程序。模块及各种模块子集可组合或以其它方式重新布置。在一些实施例中，存储器710存储上文识别的模块及/或数据结构的子集或超集。
图7更意在作为可存在于半导体检验系统中的各种特征的功能描述而非作为结构示意图。例如，可在多个装置之间分割半导体检验系统700中的计算机系统的功能性。存储在存储器710中的模块的部分可替代地存储在通过一或多个网络而与半导体检验系统700的计算机系统通信地耦合的一或多个其它计算机系统中。
出于解释目的，已参考特定实施例描述前文描述。然而，上述阐释性论述并非意在为穷尽性的或将权利要求书的范围限于所揭示的精确形式。鉴于上述教示，许多修改及变动是可行的。实施例经选择以最好地解释权利要求书的基本原理及其实际应用，以由此使所属领域技术人员能够最好地使用具有适于特定预期用途的各种修改的实施例。

Claims (22)

1.一种监测半导体制造的方法，其包括：在包括一或多个处理器及存储由所述一或多个处理器执行的指令的存储器的计算机系统中：
从第一源获得半导体结构的相应实例的第一多个电子显微镜图像，其中所述第一多个电子显微镜图像展示一或多个半导体制造参数的不同值；
训练模型，所述模型指定所述第一多个电子显微镜图像与所述一或多个半导体制造参数的所述值之间的关系；
收集一或多个半导体晶片上的所述半导体结构的相应实例的第二多个电子显微镜图像，其中所述一或多个半导体晶片不同于所述第一源；及
使用所述模型预测所述第二多个电子显微镜图像的所述一或多个半导体制造参数的值。
2.根据权利要求1所述的方法，其中所述一或多个半导体制造参数包含叠加、临界尺寸CD、侧壁角或边缘放置误差中的至少一者。
3.根据权利要求1所述的方法，其中所述一或多个半导体制造参数包含光刻工艺步骤的焦点或剂量中的至少一者。
4.根据权利要求1所述的方法，其中所述第一多个电子显微镜图像及所述第二多个电子显微镜图像是临界尺寸SEM（CD-SEM） 图像。
5.根据权利要求1所述的方法，其中：
使用制造工艺制造所述一或多个半导体晶片；且
所述方法进一步包括至少部分基于经预测值调整所述制造工艺。
6.根据权利要求1所述的方法，其中：
所述方法进一步包括至少部分基于经预测值处置所述一或多个半导体晶片；且
处置所述一或多个半导体晶片包括在继续处理所述一或多个半导体晶片中的相应晶片、重加工所述相应晶片或弃置所述相应晶片之间进行选择。
7.根据权利要求1所述的方法，其中所述方法进一步包括至少部分基于经预测值估计所述一或多个半导体晶片上的半导体装置的性能。
8.根据权利要求1所述的方法，其中：
所述第一源包括实验设计DOE晶片，其中不同场经制造为具有所述不同值；
从所述DOE晶片的相应场获得所述第一多个电子显微镜图像中的相应图像；且
所述方法进一步包括在所述获得之后且在所述训练之前，使用参考计量工具确定所述第一多个电子显微镜图像的所述一或多个半导体制造参数的所述值。
9.根据权利要求1所述的方法，其中：
所述第一源包括多个DOE晶片，其中不同晶片经制造为具有所述不同值；
从所述多个DOE晶片中的相应晶片获得所述第一多个电子显微镜图像中的相应图像；且
所述方法进一步包括在所述获得之后且在所述训练之前，使用参考计量工具确定所述第一多个电子显微镜图像的所述一或多个半导体制造参数的所述值。
10.根据权利要求1所述的方法，其中：
所述第一多个电子显微镜图像包括模拟电子显微镜图像；且
从所述第一源获得所述第一多个电子显微镜图像包括：
创建所述半导体结构的几何模型，其中用所述一或多个半导体制造参数参数化所述几何模型；
改变所述几何模型的所述一或多个半导体制造参数以生成具有一或多个半导体制造参数的所述不同值的所述几何模型的变动；及
使用所述几何模型的相应变动生成所述模拟电子显微镜图像。
11.根据权利要求1所述的方法，其中：
所述第一多个电子显微镜图像包括模拟电子显微镜图像；
从所述第一源获得所述第一多个电子显微镜图像包括：
使用用工艺参数参数化的工艺模拟器来创建所述半导体结构的基于工艺的模型，包括改变所述工艺模拟器的所述工艺参数以产生具有一或多个半导体制造参数的所述不同值的所述半导体结构的相应模拟实例；及
使用所述半导体结构的所述相应模拟实例生成所述模拟电子显微镜图像；且
所述方法进一步包括在所述训练之前，确定所述模拟电子显微镜图像的所述一或多个半导体制造参数的所述值。
12.一种监测半导体制造的方法，其包括：在包括一或多个处理器及存储由所述一或多个处理器执行的指令的存储器的计算机系统中：
从第一源获得半导体结构的相应实例的第一多个电子显微镜图像，其中所述第一多个电子显微镜图像展示一或多个半导体制造参数的不同值；
使所述第一多个电子显微镜图像与相应缺陷类别相关联；
训练模型，所述模型指定所述第一多个电子显微镜图像与所述缺陷类别之间的关系；
收集一或多个半导体晶片上的所述半导体结构的相应实例的第二多个电子显微镜图像，其中所述一或多个半导体晶片不同于所述第一源；及
使用所述模型预测所述一或多个半导体晶片上的缺陷的一或多个缺陷类别。
13.根据权利要求12所述的方法，其进一步包括至少部分基于所预测的所述一或多个缺陷类别执行选自由以下步骤组成的群组的措施：
调整用于制造所述一或多个半导体晶片的制造工艺；及
处置所述一或多个半导体晶片，包括在继续处理所述一或多个半导体晶片中的相应晶片、重加工所述相应晶片或弃置所述相应晶片之间进行选择。
14.根据权利要求12所述的方法，其中：
所述第一源包括实验设计DOE晶片，其中不同场经制造为具有所述不同值；
从所述DOE晶片的相应场获得所述第一多个电子显微镜图像中的相应图像；且
所述相应缺陷类别包括所述DOE晶片上的缺陷类别。
15.根据权利要求12所述的方法，其中：
所述第一源包括多个DOE晶片，其中不同晶片经制造为具有所述不同值；
从所述多个DOE晶片中的相应晶片获得所述第一多个电子显微镜图像中的相应图像；且
所述相应缺陷类别包括所述多个DOE晶片上的缺陷类别。
16.根据权利要求12所述的方法，其中训练所述模型包括：
使用非监督式学习来确定所述第一多个电子显微镜图像与所述缺陷类别之间的所述关系，而未指定所述缺陷类别的缺陷类型；及
在使用非监督式学习来确定所述关系之后，用指定所述缺陷类别的所述缺陷类型的标签标记所述缺陷类别。
17.根据权利要求12所述的方法，其中：
所述第一多个电子显微镜图像包括模拟电子显微镜图像；且
从所述第一源获得所述第一多个电子显微镜图像包括：
创建所述半导体结构的几何模型，其中用所述一或多个半导体制造参数参数化所述几何模型；
改变所述几何模型的所述一或多个半导体制造参数以生成具有一或多个半导体制造参数的所述不同值的所述几何模型的变动；及
使用所述几何模型的相应变动生成所述模拟电子显微镜图像。
18.根据权利要求12所述的方法，其中：
所述第一多个电子显微镜图像包括模拟电子显微镜图像；且
从所述第一源获得所述第一多个电子显微镜图像包括：
使用用工艺参数参数化的工艺模拟器来创建所述半导体结构的基于工艺的模型，包括改变所述工艺模拟器的所述工艺参数以产生具有一或多个半导体制造参数的所述不同值的所述半导体结构的相应模拟实例；及
基于所述半导体结构的所述相应模拟实例生成所述模拟电子显微镜图像。
19.一种监测半导体制造的方法，其包括：在包括一或多个处理器及存储由所述一或多个处理器执行的指令的存储器的计算机系统中：
获得半导体结构的相应建模实例的模拟电子显微镜图像，其中所述模拟电子显微镜图像展示一或多个半导体制造参数的不同值；
收集一或多个半导体晶片上的所述半导体结构的相应实例的多个电子显微镜图像；及
使用所述模拟电子显微镜图像预测所述多个电子显微镜图像的所述一或多个半导体制造参数的值，包括执行所述多个电子显微镜图像与所述模拟电子显微镜图像之间的回归分析。
20.根据权利要求19所述的方法，其中获得所述模拟电子显微镜图像包括：
创建所述半导体结构的几何模型，其中用所述一或多个半导体制造参数参数化所述几何模型；
改变所述几何模型的所述一或多个半导体制造参数以生成所述半导体结构的所述相应建模实例；及
使用所述半导体结构的所述相应建模实例生成所述模拟电子显微镜图像。
21.根据权利要求19所述的方法，其中：
获得所述模拟电子显微镜图像包括：
使用用工艺参数参数化的工艺模拟器来创建所述半导体结构的基于工艺的模型，包括改变所述工艺模拟器的所述工艺参数以产生所述半导体结构的所述相应建模实例；及
使用所述半导体结构的所述相应建模实例生成所述模拟电子显微镜图像；且
所述方法进一步包括在训练所述基于工艺的模型之前，确定所述模拟电子显微镜图像的所述一或多个半导体制造参数的所述值。
22.根据权利要求19所述的方法，其进一步包括至少部分基于经预测值执行选自由以下步骤组成的群组的措施：
调整用于制造所述一或多个半导体晶片的制造工艺；
处置所述一或多个半导体晶片，包括在继续处理所述一或多个半导体晶片中的相应晶片、重加工所述相应晶片或弃置所述相应晶片之间进行选择；及
估计所述一或多个半导体晶片上的半导体装置的性能。
CN201880085014.4A 2018-01-05 2018-12-31 使用电子显微法的半导体计量及缺陷分类 Active CN111566789B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862613946P 2018-01-05 2018-01-05
US62/613,946 2018-01-05
US16/198,658 2018-11-21
US16/198,658 US10580673B2 (en) 2018-01-05 2018-11-21 Semiconductor metrology and defect classification using electron microscopy
PCT/US2018/068093 WO2019136015A1 (en) 2018-01-05 2018-12-31 Semiconductor metrology and defect classification using electron microscopy

Publications (2)

Publication Number Publication Date
CN111566789A CN111566789A (zh) 2020-08-21
CN111566789B true CN111566789B (zh) 2021-12-03

Family

ID=67144483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880085014.4A Active CN111566789B (zh) 2018-01-05 2018-12-31 使用电子显微法的半导体计量及缺陷分类

Country Status (8)

Country Link
US (1) US10580673B2 (zh)
JP (1) JP7097447B2 (zh)
KR (1) KR102445989B1 (zh)
CN (1) CN111566789B (zh)
DE (1) DE112018006771T5 (zh)
IL (1) IL275718B2 (zh)
TW (1) TWI759574B (zh)
WO (1) WO2019136015A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3796230B1 (en) * 2019-09-17 2022-03-09 Imec VZW A method for determining process limits of a semiconductor process
US11868119B2 (en) * 2021-09-24 2024-01-09 Tokyo Electron Limited Method and process using fingerprint based semiconductor manufacturing process fault detection

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1754087A (zh) * 2002-12-23 2006-03-29 马特森热力产品有限责任公司 用于确定速热设备中的半导体晶片的温度的方法
CN101939833A (zh) * 2007-08-31 2011-01-05 恪纳腾公司 用于跨晶片区域预测半导体参数的装置和方法
CN106062939A (zh) * 2014-02-20 2016-10-26 科磊股份有限公司 用于基于图像的叠对测量的信号响应计量

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608526A (en) 1995-01-19 1997-03-04 Tencor Instruments Focused beam spectroscopic ellipsometry method and system
US5859424A (en) 1997-04-08 1999-01-12 Kla-Tencor Corporation Apodizing filter system useful for reducing spot size in optical measurements and other applications
US6429943B1 (en) 2000-03-29 2002-08-06 Therma-Wave, Inc. Critical dimension analysis with simultaneous multiple angle of incidence measurements
US7330279B2 (en) 2002-07-25 2008-02-12 Timbre Technologies, Inc. Model and parameter selection for optical metrology
US7478019B2 (en) 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
US7567351B2 (en) 2006-02-02 2009-07-28 Kla-Tencor Corporation High resolution monitoring of CD variations
JP2007218711A (ja) 2006-02-16 2007-08-30 Hitachi High-Technologies Corp 電子顕微鏡装置を用いた計測対象パターンの計測方法
JP2008177064A (ja) 2007-01-19 2008-07-31 Hitachi High-Technologies Corp 走査型荷電粒子顕微鏡装置および走査型荷電粒子顕微鏡装置で取得した画像の処理方法
US20130110477A1 (en) 2011-10-31 2013-05-02 Stilian Pandev Process variation-based model optimization for metrology
WO2014062972A1 (en) 2012-10-18 2014-04-24 Kla-Tencor Corporation Symmetric target design in scatterometry overlay metrology
US10769320B2 (en) 2012-12-18 2020-09-08 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US9291554B2 (en) 2013-02-05 2016-03-22 Kla-Tencor Corporation Method of electromagnetic modeling of finite structures and finite illumination for metrology and inspection
US10101670B2 (en) 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
US9875946B2 (en) 2013-04-19 2018-01-23 Kla-Tencor Corporation On-device metrology
US9915522B1 (en) 2013-06-03 2018-03-13 Kla-Tencor Corporation Optimized spatial modeling for optical CD metrology
US10935893B2 (en) 2013-08-11 2021-03-02 Kla-Tencor Corporation Differential methods and apparatus for metrology of semiconductor targets
US9518916B1 (en) 2013-10-18 2016-12-13 Kla-Tencor Corporation Compressive sensing for metrology
US10151986B2 (en) 2014-07-07 2018-12-11 Kla-Tencor Corporation Signal response metrology based on measurements of proxy structures
US10210606B2 (en) 2014-10-14 2019-02-19 Kla-Tencor Corporation Signal response metrology for image based and scatterometry overlay measurements
US9710728B2 (en) 2014-10-28 2017-07-18 Kla-Tencor Corporation Image based signal response metrology
US10030965B2 (en) * 2015-05-08 2018-07-24 Kla-Tencor Corporation Model-based hot spot monitoring
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
EP3290911A1 (en) * 2016-09-02 2018-03-07 ASML Netherlands B.V. Method and system to monitor a process apparatus
EP3321737A1 (en) * 2016-11-10 2018-05-16 ASML Netherlands B.V. Method for determining an optimized set of measurement locations for measurement of a parameter of a lithographic process, metrology system
EP3336608A1 (en) * 2016-12-16 2018-06-20 ASML Netherlands B.V. Method and apparatus for image analysis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1754087A (zh) * 2002-12-23 2006-03-29 马特森热力产品有限责任公司 用于确定速热设备中的半导体晶片的温度的方法
CN101939833A (zh) * 2007-08-31 2011-01-05 恪纳腾公司 用于跨晶片区域预测半导体参数的装置和方法
CN101939833B (zh) * 2007-08-31 2017-03-15 科磊股份有限公司 用于跨晶片区域预测半导体参数的装置和方法
CN106062939A (zh) * 2014-02-20 2016-10-26 科磊股份有限公司 用于基于图像的叠对测量的信号响应计量

Also Published As

Publication number Publication date
IL275718B (en) 2022-12-01
US20190214285A1 (en) 2019-07-11
DE112018006771T5 (de) 2020-09-17
KR102445989B1 (ko) 2022-09-21
TWI759574B (zh) 2022-04-01
CN111566789A (zh) 2020-08-21
JP2021509772A (ja) 2021-04-01
JP7097447B2 (ja) 2022-07-07
TW201937625A (zh) 2019-09-16
IL275718A (en) 2020-08-31
WO2019136015A1 (en) 2019-07-11
IL275718B2 (en) 2023-04-01
KR20200096992A (ko) 2020-08-14
US10580673B2 (en) 2020-03-03

Similar Documents

Publication Publication Date Title
TWI808815B (zh) 半導體製作製程控制之系統及方法，以及電腦程式產品
CN108231623B (zh) 半导体元件的制造过程中进行自动缺陷筛选的系统
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
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
TWI672565B (zh) 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統
KR102637430B1 (ko) 계측을 위한 신호-도메인 적응
KR102513715B1 (ko) 반도체 제조에서 확률적 불량 메트릭의 사용
JP6893549B2 (ja) 高次元変数選択モデルを使用した重要なパラメータの決定システム
CN111566789B (zh) 使用电子显微法的半导体计量及缺陷分类
TW202227838A (zh) 半導體試樣的電屬性的預測

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