CN111801783A - 用于新颖缺陷发现的扰乱挖掘 - Google Patents

用于新颖缺陷发现的扰乱挖掘 Download PDF

Info

Publication number
CN111801783A
CN111801783A CN201980016792.2A CN201980016792A CN111801783A CN 111801783 A CN111801783 A CN 111801783A CN 201980016792 A CN201980016792 A CN 201980016792A CN 111801783 A CN111801783 A CN 111801783A
Authority
CN
China
Prior art keywords
defect
defects
bin
population
defect population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980016792.2A
Other languages
English (en)
Other versions
CN111801783B (zh
Inventor
M·普利哈尔
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 CN111801783A publication Critical patent/CN111801783A/zh
Application granted granted Critical
Publication of CN111801783B publication Critical patent/CN111801783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • 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
    • 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
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/126—Microprocessor processing
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Meat, Egg Or Seafood Products (AREA)
  • Coloring Foods And Improving Nutritive Qualities (AREA)
  • Seasonings (AREA)

Abstract

本发明使得半导体制造商能够更准确地确定本来会被忽略的缺陷的存在。本发明可体现为用于新颖缺陷发现的系统、方法或设备。本发明可包括：在扰乱筛选器中设置扰乱格区；将缺陷群体划分成缺陷群体分区；将所述缺陷群体分区分段成缺陷群体区段；从所述缺陷群体区段选择一组选定缺陷；计算所述缺陷群体区段中的所述缺陷的信号属性的一或多个统计量；复制所述组选定缺陷以得到产生型缺陷；将所述产生型缺陷移位到所述缺陷群体区段之外；创建训练组；及训练二进制分类器。

Description

用于新颖缺陷发现的扰乱挖掘
相关申请案的交叉参考
本申请案主张在2018年3月19日提出申请的第62/645,086号美国临时申请案的优先权，所述临时申请案的全部揭示内容特此以引用的方式并入。
技术领域
本发明大体来说涉及晶片检验。更特定来说，本发明大体涉及扰乱筛选及缺陷发现。
背景技术
对扰乱筛选器进行配置以用于对半导体晶片进行光学检验的困难在于，有漏掉在设置期间训练晶片上并不存在的缺陷的风险。对于数据驱动型基于机器学习算法(基于ML的算法)的筛选器来说，此风险尤为严重。
在使用人工构造的扰乱筛选器(例如，iDO决策树)的情况下，可利用领域知识及经验来在属性空间中为训练晶片上不存在的缺陷“留出信号空间”。此留出空间的方法成功地用于创建可靠扰乱筛选器，所述可靠扰乱筛选器能够在宽带等离子体(BBP)检验期间捕捉“新”缺陷且保证不会遗漏任何“明显”缺陷。
基于人工构造的扰乱筛选器的方法利用人类专家的领域知识及经验来在属性空间中为预期缺陷分配空间。
人工构造的扰乱筛选器具有以下缺点，尤其包含：需要漫长的人工过程，人工过程是主观且不完备的，且在训练组充分时其表现不如基于ML的筛选器。
关于基于ML的扰乱筛选器，可用于降低此漏掉缺陷风险的方法包含训练组累加或训练组扩增。图1描绘基于ML的扰乱筛选器100的实例，其是关于第一训练晶片的最终模型。基于ML的扰乱筛选器100开始于智能分类引擎(ICE)节点101。基于(举例来说)ICE类别码1将缺陷归类成格区102，且基于ICE类别码99将缺陷归类成格区103。然后，依据置信度将格区103归类成经调谐格区104(或多个经调谐格区)及格区105，格区105通过检验而移除了缺陷。存在尚未发现的所关注缺陷(DOI)被置于格区105中的风险。可使用主动学习或多样性取样使用格区104中的缺陷来收集额外训练数据。格区105存在漏掉新颖DOI的可能性。
训练组累加包含：设置次级阈值以用于捕获在合理扰乱率下无法保留的缺陷；运行较热的检验；从所述较热的检验进行取样并累加更多训练组，所述更多训练组包含无法保留的缺陷；利用所累加训练组来改进扰乱筛选器；及继续直到扰乱筛选器成熟为止。此方法至少因以下不可靠原因而存在缺点。基于训练晶片而创建的扰乱筛选器为因漏掉所有后续晶片上的特定类型的缺陷的风险而创建。如果移除了缺陷，那么即使后续晶片上存在此类缺陷，仍无法对其进行取样并添加到训练组。因此，此些方法可能从开始便有瑕疵。
训练组扩增涉及扩增训练组来改进扰乱筛选器的成熟度。此方法存在缺点的原因至少在于其对未知数据无效，这是因为将未知缺陷扩增到训练组中且在不对分类器的性能造成负面影响的情况下进行扩增极其困难。
基于ML的扰乱筛选器的缺陷为两个筛选器的序列应用于“被摒弃群体”。此群体占据了光学检验器上的数据量，这会导致吞吐量风险。
因此，需要用于发现新缺陷的改进的方法、系统及设备。
发明内容
本发明可体现为一种用于新颖缺陷发现的方法。所述方法可包括：在扰乱筛选器中设置扰乱格区；将缺陷群体划分成缺陷群体分区；将所述缺陷群体分区分段成缺陷群体区段；从所述缺陷群体区段选择一组选定缺陷；计算所述缺陷群体区段中的所述缺陷的信号属性的一或多个统计量；复制所述组选定缺陷以得到产生型缺陷；将所述产生型缺陷移位到所述缺陷群体区段之外；创建训练组；及训练二进制分类器。
本发明可体现为一种用于发现新颖缺陷的系统。所述系统可包括检验工具、电子存储数据单元及处理器。所述检验工具可包括粒子发射器、载台及检测器。所述粒子发射器可经配置来以粒子束形式发射粒子。所述粒子可为光子。所述载台可经配置以固持晶片。所述晶片可由所述载台固持于由所述粒子发射器发射的所述粒子束的路径中。所述检测器可经配置以检测由所述晶片反射的所述粒子的一部分，且可进一步得到裸片图像。所述电子数据存储单元可经配置以存储处方。所述处方可包含划分规则。
所述处理器可与所述检验工具及/或所述电子数据存储单元进行电子通信。所述处理器可经配置以针对训练晶片：在扰乱筛选器中设置扰乱格区；将缺陷群体划分成缺陷群体分区；将所述缺陷群体分区分段成缺陷群体区段；从所述缺陷群体区段选择一组选定缺陷；计算所述缺陷群体区段中的所述缺陷的信号属性的一或多个统计量；复制所述组选定缺陷以得到产生型缺陷；将所述产生型缺陷移位到所述缺陷群体区段之外；创建训练组；及训练二进制分类器。
本发明可体现为一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体可包括用于在一或多个计算装置上执行若干步骤的一或多个程序。所述步骤可包含：在扰乱筛选器中设置扰乱格区；将缺陷群体划分成缺陷群体分区；将所述缺陷群体分区分段成缺陷群体区段；从所述缺陷群体区段选择一组选定缺陷；计算所述缺陷群体区段中的所述缺陷的信号属性的一或多个统计量；复制所述组选定缺陷以得到产生型缺陷；将所述产生型缺陷移位到所述缺陷群体区段之外；创建训练组；及训练二进制分类器。
所述扰乱格区可包含缺陷群体。所述缺陷群体可具有多个缺陷。所述缺陷群体中的每一缺陷可具有信号属性。替代地，所述缺陷群体中的每一缺陷可具有一或多个信号属性。所述信号属性可包含能量、量值、位点相似度或多裸片自动阈值(MDAT)偏移。
可使用划分规则来进行所述划分。所述划分规则可包含以下各项中的一者：热点、区标识或具有至少一个注意区域的注意区域群组。所述至少一个注意区域可为灵活注意区域。
可使用分段规则来进行所述分段。所述分段规则可包含在光学图像情境空间中基于光学图像情境使用多样性取样来形成所述缺陷群体区段。所述分段规则可替代地或还包含基于设计的分组或模式分组。
可使用选择规则来进行所述选择。所述选择规则可包含缺陷相像性、随机选择或信号空间中的离群值取样。所述组缺陷可包含至少两个缺陷。
可使用所述一或多个统计量来进行所述移位。所述一或多个统计量可包含所述缺陷群体区段中的所述信号属性的标准偏差或平均值。
可通过将所述组选定缺陷标记为扰乱且将所述产生型缺陷标记为所关注缺陷来创建所述训练组。
可使用所述训练组来训练所述二进制分类器。可在所述缺陷群体区段中的每一者中训练二进制分类器。每一二进制分类器可包含新颖缺陷格区及真正扰乱格区。所述新颖缺陷格区与所述真正扰乱格区可共享分类边界，所述分类边界经配置以将所述缺陷区段群体分离到所述新颖缺陷格区及所述真正扰乱格区中。可基于每一缺陷的信号属性强度来进行所述分离。
可自动地调整所述分类边界以将所述新颖缺陷格区中真正扰乱的数量最小化。在一些实施例中，在自动地调整所述分类边界之后，可由用户人工地进一步调整所述分类边界以更新所述新颖缺陷格区中的真正扰乱的所述数量。
附图说明
为更全面地理解本发明的性质及目标，应结合附图参考以下详细说明，在附图中：
图1图解说明根据先前方法的基于ML的扰乱筛选器；
图2图解说明根据本发明的扰乱筛选器；
图3图解说明根据本发明实施例的方法；
图4图解说明根据本发明实施例的注意区域群组；
图5图解说明根据本发明实施例的基于设计的群组；
图6图解说明根据本发明实施例的情境多样性格区；
图7图解说明根据本发明实施例的选定缺陷；
图8图解说明根据本发明实施例的产生型缺陷的产生；
图9图解说明根据本发明实施例的数组产生型缺陷的产生；
图10图解说明根据本发明实施例的新颖缺陷格区、扰乱格区及相关缺陷；
图11图解说明根据本发明实施例的方法；且
图12图解说明根据本发明实施例的系统。
具体实施方式
尽管将依据某些实施例描述所主张标的物，但其它实施例(包含不提供本文中所述的全部益处及特征的实施例在内)也在本发明的范围内。可做出各种结构改变、逻辑改变、过程步骤改变及电子改变，而这并不背离本发明的范围。因此，本发明的范围仅参考所附权利要求书来界定。
本文中所揭示的实施例包含方法、系统及设备，所述方法、系统及设备克服了基于ML的扰乱筛选器相对于人工创建的扰乱筛选器的缺点。此些实施例有效地消除了漏掉后续晶片上的在对筛选器进行训练时未知的缺陷的风险，即其能够发现先前并不包含于训练组中的未知缺陷。此些实施例将新能力引入到训练过程中，所述新能力使任何基于ML的扰乱筛选器解决方案成为人工创建的扰乱筛选器的更佳替代方案。此些实施例减少了处方设置期间的人工干预，且使机器学习方法能够简化检验处方设置，而非传统地在初始扰乱筛选器设置期间需要作出大量努力来确保不会漏掉后续晶片上的缺陷。
图2描绘筛选器200的实施例，筛选器200包括第一级筛选器及第二级筛选器。所述第一级筛选器可包括：ICE节点201；格区202，其可表示(举例来说)ICE类别码1；及格区203，其可表示(举例来说)ICE类别码99。这些ICE类别码为实例，且在筛选期间可存在更多ICE类别码。ICE可为基于机器学习的扰乱筛选器，且ICE节点可为插入到决策树中的基于机器学习的扰乱筛选器。在ICE节点201处，可基于缺陷的ICE类别码而将所述缺陷归类到格区202及格区203中。可将格区203归类成格区204及新颖存在节点205。可将格区203中低于第一阈值的缺陷归类到格区204中。可将格区203中高于第一阈值的缺陷归类到新颖存在节点205中。第二级筛选器可包括新颖存在节点205、新颖缺陷格区206及扰乱格区207。可自动地创建新颖存在节点205以将新颖缺陷从扰乱格区207筛选到新颖缺陷格区206中。
与拓宽第一级筛选器的可接受度且然后对通过第一级筛选器的缺陷执行后续筛选不同，本发明的第二筛选器的实施例适用于本来被级1筛选器作为扰乱而摒弃的那些缺陷。因此，如果关于训练晶片而对级1筛选器进行了恰当配置，那么级2筛选器捕捉训练晶片上不存在的噪声及缺陷。因此，可使用具有更大准确度的阈值来划定噪声最低值。
可基于阈值将缺陷及扰乱归类到格区204及新颖存在节点205中。可基于已知缺陷依据扰乱率及缺陷上限率(cap rate)来确定缺陷与扰乱之间的所述阈值。
可根据图3中所描绘的作为方法300的本发明的实施例来形成新颖存在节点205及新颖缺陷格区206。根据本发明的方法300可包含设置扰乱格区，301。扰乱格区301可包含缺陷群体或第一多个缺陷，其中扰乱格区内的每一缺陷具有至少一个信号属性。信号属性可尤其是能量、量值、位点相似度、多裸片自动阈值(MDAT)偏移。所述属性中的一些属性可(举例来说)描述缺陷的最大信号强度，且其它属性可相对于周围噪声特性来描述信号的空间跨度或信号强度。缺陷可能存在一个信号属性，或者缺陷可能存在多个信号属性。
在新颖存在节点205内，可基于划分规则划分缺陷群体，302。此划分302的结果可包含缺陷群体分区或第二多个缺陷。划分规则可包含注意区域群组(CAG)、热点、区标识或另一形式的CAG码分组。CAG可包含一或多个规则注意区域或灵活注意区域或其任何组合。注意区域可为经界定几何形状，在所述几何形状内执行检验。灵活注意区域为适应几何形状的某些变化的注意区域。替代地，划分规则可包含区标识(区ID)。可在划分302中使用的CAG的实例包含图4中所描绘的CAG规则401或402。
可依据分段规则将每一分区内的群体(即，所述第二多个缺陷)分段，303，所述分段规则可为情境模式。此分段303的结果可包含缺陷群体区段或第三多个缺陷。所述分段规则或情境模式可包含光学片块及多样性取样，基于光学图像情境在光学图像情境空间中使用多样性取样或使用设计及任何模式分组方法来形成缺陷群体区段。此模式分组可为基于设计的分组(DBG)。可使用DBG来将依据(举例来说)CAG规则401及402所创建的缺陷群体分区分别分段成基于设计的群组501及502，如图5中所描绘。替代地，可使用光学片块及多样性取样来将依据(举例来说)CAG规则401及402所创建的缺陷群体分区分段，以发现情境特征并将其分别归到情境多样性格区601及602中，如图6中所描绘。
可使用选择规则来从缺陷群体区段(即，所述第三多个缺陷)选择一组选定缺陷，304。图7中描绘一组选定缺陷的实例。注意，图7的实例中展示六个所检测到的缺陷位置。在经由DBG进行分段303的实施例中，选择304中所使用的选择规则可经配置以在区段内选择随机缺陷。在其中经由在光学图像情境空间中基于光学图像情境使用多样性取样形成缺陷群体区段来进行分段303的实施例中，选择304中所使用的选择规则可经配置以选择具有最类似情境的缺陷或“缺陷相像性”功能性。缺陷相像性功能性是确定存在最类似缺陷(例如，在缺陷当中光学情境最类似的那些缺陷)的功能。
利用缺陷群体区段中的缺陷，可计算其信号属性的统计量，305。统计量中的一者可为标准偏差。在一些实施例中，还计算平均值或中值。
缺陷群体区段或第三多个缺陷中的缺陷可形成具有边界的缺陷群集或缺陷云。所述边界可处于信号空间中，且所测量的数量可为信号属性。缺陷群体区段的边界可包括一或多个信号属性在信号空间中的统计分布。此统计分布的量度可包含标准偏差或平均值。然后，可使用此统计分布来确定缺陷群体区段中的缺陷群集或缺陷云。
可复制所述组选定缺陷以形成产生型缺陷，306。可将产生型缺陷移位，使得其处于缺陷群体区段或群集之外，307。缺陷群体区段或群集的边界可用于界定新颖缺陷格区的分类边界。可使用在305处计算出的信号属性的统计量来执行移位307。举例来说，可将在305处计算标准偏差而得出的信号属性移位若干个(整数或分数)标准偏差，以在统计学上将产生型组中的缺陷与缺陷群体区段中的缺陷区别开。这可被称为将一组产生型选定缺陷移位到缺陷群体区段之外，所述组产生型选定缺陷可被称为群集。这些产生型缺陷可界定将针对新颖缺陷格区而建立的分类边界，或改进对所述分类边界的界定。
图8中描绘此缺陷产生的实施例。在图8中，复制来自一组选定缺陷的缺陷801并将其移位以得到产生型缺陷802。图9描绘已经受了此过程的多个缺陷。举例来说，复制并移位一组选定缺陷901以得到产生型缺陷902及903。可(举例来说)通过将信号属性增大若干个(整个或分数)标准偏差以得到跨越本文中所描述的一组选定缺陷的信号属性来移位产生型缺陷902及903。因此，经复制组902及903包括产生型缺陷。
在复制306及移位307之后，在308处，可使用所述组选定缺陷及所述产生型缺陷来创建训练组。可通过将在303中分段的缺陷群体区段中的缺陷标记为扰乱且将在306及307处产生的经复制及经移位的产生型缺陷标记为真正或DOI来实现训练组产生308。可使用区别产生型缺陷与缺陷群体区段的任何其它适合的缺陷标记或缺陷命名。此缺陷标记可为二进制的，即(举例来说)通过针对每一CAG码标记扰乱及DOI来在每一经分段情境中将扰乱与DOI区别开。
然后，可在309处使用308中所产生的训练组来在情境中训练ICE模型以得到经训练ICE模型。经训练智能分类引擎可包含新颖缺陷格区，例如新颖缺陷格区206，其可具有分类边界，所述分类边界将其与扰乱格区207区分开。在一些实施例中，ICE模型可为二进制的。可对经训练ICE模型进行训练的情境包含区、CAG或DBG格区。
训练309可包含建立如图10中所描绘的分类边界1004。图10展示缺陷群体区段1002内在其它未选定缺陷当中的一组选定缺陷1003。可与缺陷群体区段1002对应地建立扰乱格区1001，其中分类边界1004区分扰乱格区1001与新颖缺陷格区1005。在新颖缺陷格区1005内，可存在产生型缺陷1006及1007，它们被视为新颖缺陷。产生型缺陷1006及1007已通过复制一组选定缺陷1003并将产生型缺陷1006及1007移位到缺陷群体区段1002之外而形成。
可在309处自动调谐或自动地调整分类边界1004以保持新颖缺陷格区1005中的缺陷为零或小分率。这可通过相对于缺陷群体区段1002的统计分布调谐分类边界1004来实现。
在本发明的另一实施例中，图11中描绘创建第二级新颖存在筛选器或新颖缺陷筛选器的方法1100。方法1100可在1101处开始：依据区或CAG码来划分缺陷群体。
过程可在1102处取决于基于设计的分格(DBB)是否可用而发生分化。
在DBB可用的实施例中，可在1103处依据DBG将每一区或CAG分段，且可在1104处从每一DBG格区选择一组随机选择缺陷以得到一组选定缺陷。
在DBB不可用的实施例中，在1105处，可使用每一区或CAG来使用情境特征在每一区或CAG中创建一或多个多样性格区。在1106处，可从每一多样性格区选择具有最类似情境的一组选定缺陷，因此得到一组选定缺陷。
在于1104或1106处创建每一组选定缺陷的情况下，可在1107处针对每一组选定缺陷分析噪声统计量以确定信号属性的统计量。然后在1108处，可通过复制所述组选定缺陷的非信号属性且基于在1107处所执行的分析替代信号属性来从所述组选定缺陷产生新缺陷，从而得到产生型组。
在1109处，可分析每一组的噪声统计量或信号属性的统计量，且可创建具有较强信号的一组互补选定缺陷。
在创建新产生型组之后，在1110处，将产生型组标记为真正或DOI，且将所述组选定缺陷标记为扰乱。另外在1110处，可使用所标记缺陷来产生训练模型，所述训练模型可用于训练具有情境区段的模型，所述情境区段包括具有分类边界的新颖缺陷格区，例如新颖缺陷格区206或1005。在1111处，可调谐每一情境区段内的分类边界或边界以划定噪声最低值，举例来说，自动调整成足够宽宽泛以保持新颖缺陷格区或DOI格区为空的或仅将几个缺陷置于新颖缺陷格区或DOI格区内。
然后在1112处，可通过将情境模型组合到新颖存在节点中来最终确定新颖存在节点。
本发明具有优于现有方法及系统的数个优势。其提供系统性且全自动的方法来针对各种情境及区划定噪声最低值。其提供用于捕捉尚未被观测到且训练组中不存在的缺陷的可靠方法，即其在基于ML的扰乱筛选器中可靠地捕捉新颖存在。以非侵入方式执行新颖存在捕捉，并不会使经经训练扰乱筛选器的性能降级。此方法显著降低漏掉在BBP检验中具有信号的缺陷的风险。其简化了使用基于ML的扰乱筛选器的处方设置。其使得BBP检验不容易漏掉缺陷。其还能够较稳健地在各生产批次中发现新颖存在。
可取决于使用案例以各种逼近程度来在每一情境中执行对分类边界的自动调谐。举例来说，格区206或1005可为空的，或可含有某一小数目个缺陷。可在自动调整之后视需要人工调整置信度分割线。产生型缺陷的信号强度应足够大以允许达成100％区分。
如果DOI格区中可容许存在真正扰乱，那么可使用相同的方法。如果真正扰乱被指派到不同“真正”格区，那么在可出现DOI的情境存在真正缺陷的情况下，新颖存在节点可必须适用于DOI及真正格区两者。然而，使用无信号扫描电子显微镜(SEM)不可视(SNV)将真正扰乱分格到扰乱格区中可能效果并不好。这是因为真正扰乱具有信号，且因此作为离群值出现于信号空间中。使用监督式机器学习可改善真正扰乱中的一些扰乱，但并非所有扰乱均能得到改善。将对此些真正扰乱进行检验，但不期望进行此检验。
本文中所揭示的方法还可仅在已知一组选定情境是漏掉的DOI的候选者的情况下适用于所述组选定情境。
本文中所揭示的方法意在在数据充足的情况解决问题直到扰乱筛选器“成熟”为止。然而，某些实施例还可用于监测新缺陷的特定情境或所有情境，以加强新颖存在发现。
由于(举例来说)格区206或格区1005的内容并非用于缺陷监测的检验的部分，因此可贯穿处方使用期动态地管理其内容。即，当在后续晶片上收集到新数据时，可动态地更新且调整分类边界来应对过程变化。处方使用期内的此动态管理将需要(举例来说)按生产批次从格区206或1005进行连续取样。
图12中展示系统1200的一个实施例。系统1200包含基于光学的子系统1201。通常，基于光学的子系统1201经配置以通过将光引导到样品1202(或使光在样品1202上方进行扫描)并检测来自样品1202的光来针对样品1202产生基于光学的输出。在一个实施例中，样品1202包含晶片。所述晶片可包含本技术领域中已知的任何晶片。在另一实施例中，所述样品包含光罩。所述光罩可包含本技术领域中已知的任何光罩。
在图12中所展示的系统1200的实施例中，基于光学的子系统1201包含照射子系统，所述照射子系统经配置以将光引导到样品1202。所述照射子系统包含至少一个光源。举例来说，如图12中所展示，照射子系统包含光源1203。在一个实施例中，照射子系统经配置为以一或多个入射角(其可包含一或多个倾斜角及/或一或多个法向角)将光引导到样品1202。举例来说，如图12中所展示，以倾斜入射角将光从光源1203穿过光学元件1204且然后穿过透镜1205引导到样品1202。倾斜入射角可包含可取决于(举例来说)样品1202的特性而变化的任何适合的倾斜入射角。
基于光学的子系统1201可经配置以在不同时间以不同入射角将光引导到样品1202。举例来说，基于光学的子系统1201可经配置以更改照射子系统的一或多个元件的一或多个特性，使得可以与图12中展示的入射角不同的入射角将光引导到样品1202。在一个此类实例中，基于光学的子系统1201可经配置以移动光源1203、光学元件1204及透镜1205，使得以不同倾斜入射角或法向(或近乎法向)入射角将光引导到样品1202。
在一些例子中，基于光学的子系统1201可经配置以同时以多于一个入射角将光引导到样品1202。举例来说，照射子系统可包含多于一个照射通道，所述照射通道中的一者可包含图12中所展示的光源1203、光学元件1204及透镜1205，且所述照射通道中的另一者(未展示)可包含可具有不同或相同的配置的类似元件，或可至少包含光源以及可能包含一或多个其它组件(例如，本文中进一步描述的那些组件)。如果将此类光与其它光同时引导到样品，那么以不同入射角引导到样品1202的光的一或多个特性(例如，波长、偏振等)可有所不同，使得可在检测器处将以不同入射角对样品1202进行照射所得的光彼此区别开。
在另一例子中，照射子系统可仅包含一个光源(例如，图12中所展示的光源1203)，且可通过照射子系统的一或多个光学元件(未展示)将来自所述光源的光分离到不同光学路径中(例如，基于波长、偏振等)。然后，可将不同光学路径中的每一者中的光引导到样品1202。多个照射通道可经配置以同时地或在不同时间(例如，当使用不同照射通道来依序照射样品时)将光引导到样品1202。在另一例子中，同一照射通道可经配置以在不同时间将具有不同特性的光引导到样品1202。举例来说，在一些例子中，可将光学元件1204配置为光谱滤光器，且可以各种不同方式(例如，通过置换光谱滤光器)改变光谱滤光器的性质，使得可在不同时间将不同波长的光引导到样品1202。照射子系统可具有本技术领域中已知的任何其它适合配置，以用于以不同或相同的入射角依序或同时将具有不同或相同特性的光引导到样品1202。
在一个实施例中，光源1203可包含宽带等离子体(BBP)源。以此方式，由光源1203产生且被引导到样品1202的光可包含宽带光。然而，所述光源可包含任何其它适合的光源，例如激光器。激光器可包含本技术领域中已知的任何适合激光器，且可经配置以在本技术领域中已知的任一或多个适合波长下产生光。另外，激光器可经配置以产生单色或近乎单色的光。以此方式，激光器可为窄带激光器。光源1203还可包含多色光源，所述多色光源在多个离散波长或波段下产生光。
可通过透镜1205将来自光学元件1204的光聚焦到样品1202上。尽管图12中将透镜1205展示为单个折射光学元件，但应理解，实际上，透镜1205可包含组合地将来自光学元件的光聚焦到样品的若干个折射光学元件及/或反射光学元件。图12中所展示且在本文中所描述的照射子系统可包含任何其它适合的光学元件(未展示)。此类光学元件的实例包含(但不限于)偏光组件、光谱滤光器、空间滤波器、反射光学元件、切趾器、分束器(例如，分束器1213)、光圈等，它们可包含本技术领域中已知的任何此类适合光学元件。另外，基于光学的子系统1201可经配置以基于将用于产生基于光学的输出的照射类型来更改照射子系统的元件中的一或多者。
基于光学的子系统1201还可包含扫描子系统，所述扫描子系统经配置以使光在样品1202上方进行扫描。举例来说，基于光学的子系统1201可包含载台1206，在基于光学的输出产生期间样品1202安置于载台1206上。扫描子系统可包含任何适合的机械及/或机器人组合件(包含载台1206)，机械及/或机器人组合件可经配置以移动样品1202使得光可在样品1202上方进行扫描。另外或替代地，基于光学的子系统1201可经配置以使得基于光学的子系统1201的一或多个光学元件使光在样品1202上方执行某种程度的扫描。可使光在样品1202上方以任何适合的方式进行扫描，例如按照蛇形路径或按照螺旋形路径。
基于光学的子系统1201进一步包含一或多个检测通道。所述一或多个检测通道中的至少一者包含检测器，所述检测器经配置以检测由于所述子系统对样品1202进行照射而产生的来自样品1202的光，且响应于所检测到光而产生输出。举例来说，图12中所展示的基于光学的子系统1201包含两个检测通道，其中一者为由集光器1207、元件1208及检测器1209形成，且另一者为由集光器1210、元件1211及检测器1212形成。如图12中所展示，所述两个检测通道经配置而以不同的聚集角度聚集并检测光。在一些例子中，两个检测通道均经配置以检测散射光，且检测通道经配置以检测从样品1202以不同角度散射的光。然而，检测通道中的一或多者可经配置以从样品1202检测另一类型的光(例如，反射光)。
如图12中进一步展示，两个检测通道均被展示为定位于纸张的平面中，且照射子系统也被展示为定位于纸张的平面中。因此，在此实施例中，两个检测通道均定位于入射平面中(例如，在所述入射平面中居中)。然而，检测通道中的一或多者可定位于入射平面之外。举例来说，由集光器1210、元件1211及检测器1212形成的检测通道可经配置以聚集并检测从入射平面散射出去的光。因此，此检测通道可通常被称为“侧”通道，且此侧通道可在与入射平面大致垂直的平面中居中。
尽管图12展示包含两个检测通道的基于光学的子系统1201的实施例，但基于光学的子系统1201可包含不同数目个检测通道(例如，仅一个检测通道，或者两个或多于两个检测通道)。在一个此类例子中，由集光器1210、元件1211及检测器1212形成的检测通道可形成上文所描述的一个侧通道，且基于光学的子系统1201可包含额外检测通道(未展示)，所述额外检测通道形成为定位于入射平面的相对侧上的另一侧通道。因此，基于光学的子系统1201可包含检测通道，所述检测通道包含集光器1207、元件1208及检测器1209且在入射平面中居中且经配置而以(若干)散射角度聚集并检测光，所述散射角度在样品1202的表面处或近乎法向于样品1202的表面。因此，此检测通道可通常被称为“顶部”通道，且基于光学的子系统1201还可包含按照上文的描述而配置的两个或多于两个侧通道。如此，基于光学的子系统1201可包含至少三个通道(即，一个顶部通道且两个侧通道)，且至少三个通道中的每一者具有其自己的集光器，所述集光器中的每一者经配置而以与其它集光器中的每一者不同的散射角度聚集光。
如上文进一步描述，基于光学的子系统1201中所包含的检测通道中的每一者可经配置以检测散射光。因此，图12中所展示的基于光学的子系统1201可经配置以针对样品1202产生暗场(DF)输出。然而，基于光学的子系统1201还可或替代地包含经配置以针对样品1202产生明场(BF)输出的检测通道。换句话说，基于光学的子系统1201可包含经配置以检测从样品1202镜面反射的光的至少一个检测通道。因此，本文中所描述的基于光学的子系统1201可经配置以仅进行DF成像、仅进行BF成像或进行DF及BF成像两者。尽管图12中将集光器中的每一者展示为单个折射光学元件，但应理解，所述集光器中的每一者可包含一或多个折射光学裸片及/或一或多个反射光学元件。
一或多个检测通道可包含本技术领域中已知的任何适合的检测器。举例来说，检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、时间延迟积分(TDI)相机，及本技术领域中已知的任何其它适合的检测器。所述检测器还可包含非成像检测器或成像检测器。以此方式，如果检测器为非成像检测器，那么检测器中的每一者可经配置以检测散射光的某些特性(例如，强度)但不可经配置以依据成像平面内的位置而检测此类特性。如此，由包含于基于光学的子系统的检测通道中的每一者中的检测器中的每一者所产生的输出可为信号或数据，但非图像信号或图像数据。在此些例子中，处理器(例如，处理器1214)可经配置以依据检测器的非成像输出产生样品1202的图像。然而，在其它例子中，可将检测器配置为成像检测器，所述成像检测器经配置以产生像信号或图像数据。因此，基于光学的子系统可经配置而以若干种方式产生光学图像或本文中所描述的其它基于光学的输出。
注意，本文中提供图12以大体图解说明基于光学的子系统1201的配置，基于光学的子系统1201可包含于本文中所描述的系统实施例中，或可产生供本文中所描述的系统实施例使用的基于光学的输出。可更改本文中所描述的基于光学的子系统1201配置以优化基于光学的子系统1201的性能，在设计商业输出获取系统时通常会执行此更改。另外，可使用现有系统(例如，通过将本文中所描述的功能性添加到现有系统)来实施本文中所描述的系统。针对一些此类系统，可将本文中所描述的方法提供为所述系统的任选功能性(例如，除所述系统的其它功能性之外)。替代地，可将本文中所描述的系统设计为全新的系统。
处理器1214可以任何适合方式(例如，经由一或多个传输媒体，其可包含有线传输媒体及/或无线传输媒体)耦合到系统1200的组件，使得处理器1214可接收输出。处理器1214可经配置以使用输出来执行若干个功能。系统1200可从处理器1214接收指令或其它信息。处理器1214及/或电子数据存储单元1215任选地可与晶片检验工具、晶片度量工具或晶片再检测工具(未图解说明)进行电子通信以接收额外信息或发送指令。举例来说，处理器1214及/或电子数据存储单元1215可与SEM进行电子通信。
本文中所描述的处理器1214、其它系统或其它子系统可为各种系统的部分(包含个人计算机系统、图像计算机、主机计算机系统、工作站、网络器具、因特网器具或其它装置)。所述子系统或系统还可包含本技术领域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工具或联网工具。
处理器1214及电子数据存储单元1215可安置于系统1200或另一装置中，或可以其它方式为系统1200或另一装置的部分。在一实例中，处理器1214及电子数据存储单元1215可为独立控制单元的部分或可位于集中式质量控制单元中。可使用多个处理器1214或电子数据存储单元1215。
实际上，可通过硬件、软件及固件的任何组合来实施处理器1214。此外，本文中所描述的处理器1214的功能可由一个单元执行，或可在不同组件间进行分配，所述不同组件中的每一者又可通过硬件、软件及固件的任何组合来实施。可将处理器1214用以实施各种方法及功能的程序代码或指令存储于可读存储媒体中，例如存储于电子数据存储单元1215中的存储器或其它存储器中。
如果系统1200包含多于一个处理器1214，那么不同子系统可彼此耦合使得图像、数据、信息、指令等可在所述子系统之间发送。举例来说，一个子系统可通过任何适合的传输媒体耦合到额外子系统，所述传输媒体可包含本技术领域中已知的任何适合的有线及/或无线传输媒体。此些子系统中的两者或多于两者还可通过共享计算机可读存储媒体(未展示)有效地耦合。
处理器1214可经配置以使用系统1200的输出或其它输出来执行若干个功能。举例来说，处理器1214可经配置以将输出发送到电子数据存储单元1215或另一存储媒体。可按照本文中的描述来对处理器1214进行进一步配置。
如果所述系统包含多于一个子系统，那么不同子系统可彼此耦合使得图像、数据、信息、指令等可在所述子系统之间发送。举例来说，一个子系统可通过任何适合的传输媒体耦合到额外子系统，所述传输媒体可包含本技术领域中已知的任何适合的有线及/或无线传输媒体。此些子系统中的两者或多于两者还可通过共享计算机可读存储媒体(未展示)有效地耦合。
可根据本文中所描述的实施例中的任一者来对处理器1214进行配置。处理器1214还可经配置以使用系统1200的输出或使用来自其它源的图像或数据来执行其它功能或额外步骤。
通过以下各项中的一或多者执行本文中所揭示的系统1200及方法的各种步骤、功能及/或操作：电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控件/开关、微控制器或计算系统。实施方法(例如，本文中所描述的那些方法)的程序指令可经由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、磁带等。载体媒体可包含传输媒体，例如导线、缆线或无线传输链路。举例来说，可通过单个处理器1214或替代地通过多个处理器1214来执行本发明通篇所描述的各种步骤。此外，系统1200的不同子系统可包含一或多个计算系统或逻辑系统。因此，以上说明不应解释为限制本发明，而是仅为图解说明。
在一例子中，处理器1214与系统1200进行通信。处理器1214可经配置以针对训练晶片：在扰乱筛选器中设置扰乱格区；将缺陷群体划分成缺陷群体分区；将缺陷群体分区分段成缺陷群体区段；从缺陷群体区段选择一组选定缺陷；计算缺陷群体区段中的缺陷的信号属性的一或多个统计量；复制所述组选定缺陷以得到产生型缺陷；将产生型缺陷移位到缺陷群体区段之外；创建训练组；及训练二进制分类器。
当在处理器1214上执行时，扰乱格区可包含缺陷群体。所述缺陷群体可具有多个缺陷。缺陷群体中的每一缺陷可具有信号属性。替代地，缺陷群体中的每一缺陷可具有一或多个信号属性。所述信号属性可包含能量、量值、位点相似度或多裸片自动阈值(MDAT)偏移。
处理器1214可使用划分规则来执行划分。所述划分规则可包含热点、区标识或具有至少一个注意区域的注意区域群组中的一者。所述至少一个注意区域可为灵活注意区域。
处理器1214可使用分段规则来执行分段。所述分段规则可包含在光学图像情境空间中基于光学图像情境使用多样性取样来形成缺陷群体区段。所述分段规则可替代地或还包含基于设计的分组或模式分组。
处理器1214可使用选择规则来执行选择。所述选择规则可包含缺陷相像性、随机选择或信号空间中的离群值取样。所述组缺陷可包含至少两个缺陷。
处理器1214可使用一或多个统计量来执行移位。所述一或多个统计量可包含缺陷群体区段中的信号属性的标准偏差或平均值。
处理器1214可通过将一组选定缺陷标记为扰乱且将产生型缺陷标记为所关注缺陷来创建训练组。
处理器1214可使用训练组来训练二进制分类器。可在缺陷群体区段中的每一者中训练二进制分类器。每一二进制分类器可包含新颖缺陷格区及真正扰乱格区。新颖缺陷格区与真正扰乱格区可共享分类边界，所述分类边界经配置以将缺陷区段群体分离到新颖缺陷格区及真正扰乱格区中。可基于每一缺陷的信号属性强度来进行所述分离。
处理器1214可自动地调整分类边界以将新颖缺陷格区中的真正扰乱的数量最小化。在一些实施例中，在自动调整分类边界之后，可由用户人工地进一步调整分类边界以更新新颖缺陷格区中的真正扰乱的数量。
额外实施例涉及存储程序指令的非暂时性计算机可读媒体，所述程序指令可在控制器上执行以执行用于在样品1202的表面上确定照射区的高度的计算机实施方法，如本文中所揭示。特定来说，如图12中所展示，电子数据存储单元1215或其它存储媒体可含有非暂时性计算机可读媒体，所述非暂时性计算机可读媒体包含可在处理器1214上执行的程序指令。计算机实施方法可包含本文中所描述的任何方法(包含方法300及1100)的任何步骤。
实施方法(例如，本文中所描述的那些方法)的程序指令可存储于计算机可读媒体上，例如存储于电子数据存储单元1215或其它存储媒体中。计算机可读媒体可为例如磁盘或光盘、磁带等存储媒体，或本技术领域中已知的任何其它适合的非暂时性计算机可读媒体。
可以各种方式中的任一者来实施程序指令，所述方式包含基于过程步骤的技术、基于组件的技术及/或面向对象的技术等等。举例来说，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式传输SIMD扩展(SSE)或其它技术或方法来实施所述程序指令。
在操作中，一旦调谐第一级扰乱筛选器，便起始第二级扰乱筛选器的创建。操作者可通过创建捕获所有新颖缺陷格区来起始此创建。可根据方法300或1100创建格区。可相对于噪声最低值来自动调谐捕获所有新颖缺陷格区的灵敏度。就训练晶片来说，捕获所有新颖缺陷格区可为空的。
先前的缺陷发现方法及系统是缓慢、需要人工输入及臆测的，且经常漏掉本来期望捕捉到的缺陷。本发明呈现通过确定本将会被漏掉的缺陷的存在来改进缺陷发现功能性的方法、系统及设备。
本文中所揭示的各种实施例及实例中所描述的方法的步骤足以执行本发明的方法。因此，在一实施例中，所述方法基本上由本文中所揭示的方法的步骤的组合组成。在另一实施例中，所述方法由此些步骤组成。
尽管已关于一或多个特定实施例描述了本发明，但应理解可在不背离本发明的范围的情况下做出本发明的其它实施例。

Claims (20)

1.一种缺陷发现方法，其包括：
在扰乱筛选器中设置扰乱格区，所述扰乱格区包含具有多个缺陷的缺陷群体，其中每一缺陷具有信号属性；
使用划分规则来将所述缺陷群体划分成缺陷群体分区；
使用分段规则来将所述缺陷群体分区分段成缺陷群体区段；
使用选择规则来从所述缺陷群体区段选择一组选定缺陷，所述组选定缺陷包含至少两个缺陷；
计算所述缺陷群体区段中的所述缺陷的所述信号属性的一或多个统计量；
复制所述组选定缺陷以得到产生型缺陷；
使用所述一或多个统计量将所述产生型缺陷移位到所述缺陷群体区段之外；
创建训练组，在所述训练组中将所述组选定缺陷标记为扰乱，且将所述产生型缺陷标记为所关注缺陷；及
使用所述训练组在所述缺陷群体区段中的每一者中训练二进制分类器，其中所述二进制分类器包含新颖缺陷格区及真正扰乱格区，其中所述新颖缺陷格区与所述真正扰乱格区共享分类边界，所述分类边界经配置以基于每一缺陷的信号属性强度来将所述缺陷区段群体分离到所述新颖缺陷格区及所述真正扰乱格区中。
2.根据权利要求1所述的方法，其中所述一或多个统计量包含所述缺陷群体区段中的所述缺陷的所述信号属性的标准偏差或平均值。
3.根据权利要求1所述的方法，其中所述信号属性包含能量、量值、位点相似度或多裸片自动阈值偏移。
4.根据权利要求1所述的方法，其中所述划分规则包含以下各项中的一者：热点、区标识或具有至少一个注意区域的注意区域群组。
5.根据权利要求4所述的方法，其中所述至少一个注意区域为灵活注意区域。
6.根据权利要求1所述的方法，其中所述分段规则包含在光学图像情境空间中基于光学图像情境使用多样性取样来形成所述缺陷群体区段。
7.根据权利要求1所述的方法，其中所述分段规则包含基于设计的分组或模式分组。
8.根据权利要求1所述的方法，其中所述选择规则包含缺陷相像性、随机选择或信号空间中的离群值取样。
9.根据权利要求1所述的方法，其中自动地调整所述分类边界以将所述新颖缺陷格区中真正扰乱的数量最小化。
10.根据权利要求9所述的方法，其中在自动地调整所述分类边界之后，由用户人工地调整所述分类边界以更新所述新颖缺陷格区中真正扰乱的所述数量。
11.一种用于发现缺陷的系统，其包括：
检验工具，其包括：
粒子发射器，其经配置来以粒子束形式发射粒子，
载台，其经配置以将晶片固持于由所述粒子发射器发射的所述粒子束的路径中，及
检测器，其经配置以检测所述晶片反射的所述粒子的一部分并得到裸片图像；
电子数据存储单元，其经配置以存储处方，所述处方包含划分规则；以及
处理器，其与所述检验工具及所述电子数据存储单元进行电子通信，所述处理器经配置以针对训练晶片来：
在扰乱筛选器中设置扰乱格区，所述扰乱格区包含具有多个缺陷的缺陷群体，其中每一缺陷具有信号属性；
使用所述划分规则来将所述缺陷群体划分成缺陷群体分区；
使用分段规则来将所述缺陷群体分区分段成缺陷群体区段；
使用选择规则来从所述缺陷群体区段选择一组选定缺陷，所述组选定缺陷包含至少两个缺陷；
计算所述缺陷群体区段中的所述缺陷的所述信号属性的一或多个统计量；
复制所述组选定缺陷以得到产生型缺陷；
使用所述一或多个统计量将所述产生型缺陷移位到所述缺陷群体区段之外；
创建训练组，在所述训练组中将所述组选定缺陷标记为扰乱，且将所述产生型缺陷标记为所关注缺陷；及
使用所述训练组在所述缺陷群体区段中的每一者中训练二进制分类器，其中所述二进制分类器包含新颖缺陷格区及真正扰乱格区，其中所述新颖缺陷格区与所述真正扰乱格区共享分类边界，所述分类边界经配置以基于每一缺陷的信号属性强度来将所述缺陷区段群体分离到所述新颖缺陷格区及所述真正扰乱格区中。
12.根据权利要求11所述的系统，其中所述粒子为光子。
13.根据权利要求11所述的系统，其中所述一或多个统计量包含所述缺陷群体区段中的所述缺陷的所述信号属性的标准偏差或平均值。
14.根据权利要求11所述的系统，其中所述信号属性包含能量、量值、位点相似度或多裸片自动阈值偏移。
15.根据权利要求11所述的系统，其中所述划分规则包含以下各项中的一者：热点、区标识或具有至少一个注意区域的注意区域群组。
16.根据权利要求11所述的系统，其中所述分段规则包含在光学图像情境空间中基于光学图像情境使用多样性取样来形成所述缺陷群体区段。
17.根据权利要求11所述的系统，其中所述分段规则包含基于设计的分组或模式分组。
18.根据权利要求11所述的系统，其中自动地调整所述分类边界以将所述新颖缺陷格区中扰乱的数量最小化。
19.根据权利要求18所述的系统，其中在自动地调整所述分类边界之后，由用户人工地调整所述分类边界以更新所述新颖缺陷格区中扰乱的所述数量。
20.一种非暂时性计算机可读存储媒体，其包括用于在一或多个计算装置上执行以下步骤的一或多个程序：
在扰乱筛选器中设置扰乱格区，所述扰乱格区包含具有多个缺陷的缺陷群体，其中每一缺陷具有信号属性；
使用划分规则来将所述缺陷群体划分成缺陷群体分区；
使用分段规则来将所述缺陷群体分区分段成缺陷群体区段；
使用选择规则来从所述缺陷群体区段选择一组选定缺陷，所述组选定缺陷包含至少两个缺陷；
计算所述缺陷群体区段中的所述缺陷的所述信号属性的一或多个统计量；
复制所述组选定缺陷以得到产生型缺陷；
使用所述一或多个统计量将所述产生型缺陷移位到所述缺陷群体区段之外；
创建训练组，在所述训练组中将所述组选定缺陷标记为扰乱，且将所述产生型缺陷标记为所关注缺陷；及
使用所述训练组在所述缺陷群体区段中的每一者中训练二进制分类器，其中所述二进制分类器包含新颖缺陷格区及真正扰乱格区，其中所述新颖缺陷格区与所述真正扰乱格区共享分类边界，所述分类边界经配置以基于每一缺陷的信号属性强度来将所述缺陷区段群体分离到所述新颖缺陷格区及所述真正扰乱格区中。
CN201980016792.2A 2018-03-19 2019-03-18 用于新颖缺陷发现的扰乱挖掘 Active CN111801783B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862645086P 2018-03-19 2018-03-19
US62/645,086 2018-03-19
US16/277,617 2019-02-15
US16/277,617 US11514357B2 (en) 2018-03-19 2019-02-15 Nuisance mining for novel defect discovery
PCT/US2019/022656 WO2019182923A1 (en) 2018-03-19 2019-03-18 Nuisance mining for novel defect discovery

Publications (2)

Publication Number Publication Date
CN111801783A true CN111801783A (zh) 2020-10-20
CN111801783B CN111801783B (zh) 2023-09-01

Family

ID=67905832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980016792.2A Active CN111801783B (zh) 2018-03-19 2019-03-18 用于新颖缺陷发现的扰乱挖掘

Country Status (5)

Country Link
US (1) US11514357B2 (zh)
KR (1) KR20200123258A (zh)
CN (1) CN111801783B (zh)
TW (1) TWI798386B (zh)
WO (1) WO2019182923A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10801968B2 (en) * 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US11431976B2 (en) 2019-01-28 2022-08-30 Kla Corporation System and method for inspection using tensor decomposition and singular value decomposition
US11615993B2 (en) * 2019-11-21 2023-03-28 Kla Corporation Clustering sub-care areas based on noise characteristics
KR102296511B1 (ko) * 2020-11-17 2021-09-02 주식회사 트윔 제품 검사를 위한 학습 데이터 생성 장치, 방법 및 그 학습 데이터를 이용한 제품 검사 장치

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040120569A1 (en) * 2002-12-20 2004-06-24 Taiwan Semiconductor Manufacturing Co., Ltd. Progressive self-learning defect review and classification method
US6850321B1 (en) * 2002-07-09 2005-02-01 Kla-Tencor Technologies Corporation Dual stage defect region identification and defect detection method and apparatus
US20140212122A1 (en) * 2013-01-28 2014-07-31 Canon Kabushiki Kaisha Barrier device, lens barrel, and imaging apparatus including same
US20150254832A1 (en) * 2014-03-06 2015-09-10 Kla-Tencor Corporation Composite Defect Classifier
US20150262038A1 (en) * 2014-03-17 2015-09-17 Kla-Tencor Corporation Creating Defect Classifiers and Nuisance Filters
TW201643410A (zh) * 2015-03-03 2016-12-16 克萊譚克公司 適應性滋擾過濾器
US20170082555A1 (en) * 2015-09-18 2017-03-23 Kla-Tencor Corporation Adaptive Automatic Defect Classification
US20170212168A1 (en) * 2016-01-25 2017-07-27 Elite Semiconductor, Inc. Method and system for intelligent defect classification and sampling, and non-transitory computer-readable storage device
CN107003249A (zh) * 2014-11-04 2017-08-01 科磊股份有限公司 晶片缺陷发现
TW201734439A (zh) * 2015-12-31 2017-10-01 克萊譚克公司 混合檢查器

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6999614B1 (en) 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570800B2 (en) 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
US9401013B2 (en) 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
US9607233B2 (en) 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification
US9582869B2 (en) * 2014-10-19 2017-02-28 Kla-Tencor Corp. Dynamic binning for diversification and defect discovery
US9898811B2 (en) 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
CN111340762B (zh) * 2015-08-10 2021-06-25 科磊股份有限公司 用于预测晶片级缺陷可印性的设备及方法
US10223615B2 (en) 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6850321B1 (en) * 2002-07-09 2005-02-01 Kla-Tencor Technologies Corporation Dual stage defect region identification and defect detection method and apparatus
US20040120569A1 (en) * 2002-12-20 2004-06-24 Taiwan Semiconductor Manufacturing Co., Ltd. Progressive self-learning defect review and classification method
US20140212122A1 (en) * 2013-01-28 2014-07-31 Canon Kabushiki Kaisha Barrier device, lens barrel, and imaging apparatus including same
US20150254832A1 (en) * 2014-03-06 2015-09-10 Kla-Tencor Corporation Composite Defect Classifier
US20150262038A1 (en) * 2014-03-17 2015-09-17 Kla-Tencor Corporation Creating Defect Classifiers and Nuisance Filters
TW201543592A (zh) * 2014-03-17 2015-11-16 Kla Tencor Corp 建立缺陷分類器及妨害篩選器
CN107003249A (zh) * 2014-11-04 2017-08-01 科磊股份有限公司 晶片缺陷发现
TW201643410A (zh) * 2015-03-03 2016-12-16 克萊譚克公司 適應性滋擾過濾器
US20170082555A1 (en) * 2015-09-18 2017-03-23 Kla-Tencor Corporation Adaptive Automatic Defect Classification
TW201734439A (zh) * 2015-12-31 2017-10-01 克萊譚克公司 混合檢查器
US20170212168A1 (en) * 2016-01-25 2017-07-27 Elite Semiconductor, Inc. Method and system for intelligent defect classification and sampling, and non-transitory computer-readable storage device

Also Published As

Publication number Publication date
US20190287015A1 (en) 2019-09-19
TW201941327A (zh) 2019-10-16
US11514357B2 (en) 2022-11-29
KR20200123258A (ko) 2020-10-28
TWI798386B (zh) 2023-04-11
WO2019182923A1 (en) 2019-09-26
CN111801783B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
JP6490211B2 (ja) ウェハ欠陥発見
CN111801783B (zh) 用于新颖缺陷发现的扰乱挖掘
KR101995618B1 (ko) 자동화된 검사 시나리오 생성
JP2020118696A (ja) 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング
KR102340791B1 (ko) 폐쇄-루프 자동 결함 검사 및 분류
KR102550474B1 (ko) 자율 결함 세그먼트화
US20160061745A1 (en) Repeater Detection
US10801968B2 (en) Algorithm selector based on image frames
TW201643410A (zh) 適應性滋擾過濾器
TW201825883A (zh) 最佳化使用於設定檢查相關演算法之訓練組
US10557802B2 (en) Capture of repeater defects on a semiconductor wafer
TWI807179B (zh) 用於晶圓檢測之方法及系統與相關之非暫時性電腦可讀儲存媒體
CN111563870B (zh) 图像处理方法和设备、检测方法和装置、存储介质
TW202236344A (zh) 用於大量生產微型發光二極體的具成本效益的探測

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