CN112102226A - 数据处理方法、图案检测方法及晶圆缺陷图案检测方法 - Google Patents

数据处理方法、图案检测方法及晶圆缺陷图案检测方法 Download PDF

Info

Publication number
CN112102226A
CN112102226A CN202010461967.5A CN202010461967A CN112102226A CN 112102226 A CN112102226 A CN 112102226A CN 202010461967 A CN202010461967 A CN 202010461967A CN 112102226 A CN112102226 A CN 112102226A
Authority
CN
China
Prior art keywords
data
wafer
value
cluster
axis
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.)
Pending
Application number
CN202010461967.5A
Other languages
English (en)
Inventor
周民植
朴省美
郑智寅
金在勋
朱耿嬉
朴穫根
李栢永
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.)
Samsung SDS Co Ltd
Original Assignee
Samsung SDS Co Ltd
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 Samsung SDS Co Ltd filed Critical Samsung SDS Co Ltd
Publication of CN112102226A publication Critical patent/CN112102226A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • 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
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/431—Frequency domain transformation; Autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • H01L22/12—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
    • 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
    • H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06T2207/10004—Still image; Photographic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供一种既可以对新产生的图案进行聚类，又耐噪声，且无需对学习数据进行标记的基于无监督学习的数据处理方法、图案检测方法及晶圆缺陷图案检测方法。根据本发明的多个实施例，利用3D层叠型空间自相关来准确去除噪声，并使用多变量空间概率分布值和极坐标系空间概率分布值作为用于生成聚类模型的学习特征，从而耐于噪声、旋转及细微的特殊形状。并且，作为聚类的结果而计算出的集群可以多级分类的方式分类为层次集群，并且，可以在没有标号的情况下仅利用测定数据来进行正常/缺陷集群的概率性自动评价。

Description

数据处理方法、图案检测方法及晶圆缺陷图案检测方法
技术领域
本发明涉及基于无监督学习(Unsupervised learning)的晶圆缺陷图案(Waferdefect pattern)检测方法及其装置。更详细地，涉及可以有效去除晶圆的测定值(measure)所包含的噪声(noise)，并可以通过对去除噪声的晶圆的测定值通过无监督学习来有效地聚类晶圆缺陷图案的方法及其装置。
背景技术
目前，提供有很多用于识别可引起生产率减少等降低制造竞争力的产品错误图案(Error pattern)或缺陷图案(Defect pattern)的基于机器学习的多个技术。作为一例，提供基于利用标记(tagging)有缺陷图案的学习数据来学习图案识别模型的基于监督学习(supervised learning)的技术。并且，还提供有在基于上述监督学习的技术中，利用标记(tagging)有缺陷图案的图像(Image)形态的学习数据来学习包括卷积神经网络(Convolutional Neural Network；CNN)所包含的神经网络结构(Neural Networkarchitecture)的图案识别模型的技术。
但是，利用基于监督学习的技术来学习的图案识别模型只能识别公知的图案，却由于没有学习过新产生的缺陷图案，因此，存在无法进行识别的根本问题。
并且，学习产品的图像来识别缺陷图案的方式具有阻碍图案识别的准确度的问题，其是因为图像所包含的高强度的噪声模糊(blur)化而导致周边的图案被删除，或者将上述噪声作为主要成分进行学习而产生。
现有技术文献
专利文献
(专利文献1)美国注册专利第9098891号
发明内容
发明所要解决的问题
想要通过本发明的多个实施例来解决的技术问题在于，提供一种即使不提前进行学习数据的图案标记作业，也可以执行的基于无监督学习的缺陷图案聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的又一技术问题在于，提供一种基于晶圆的测定值(measure)的分布，并考虑上述晶圆的缺陷相关的危险程度，来执行缺陷图案的聚类的方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的又一技术问题在于，提供一种考虑到晶圆的形状，能抵抗随着晶圆的方向发生改变而改变晶圆检测数据的缺陷图案聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的又一技术问题在于，提供一种可以防止因噪声而阻碍晶圆的缺陷芯片分布的群聚性的缺陷图案聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种对新出现的缺陷图案也可以实施聚类的方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种不仅可以实施聚类，而且还可以提供对各集群的评分或等级分类结果的聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种不仅可以实施聚类，而且还可以提供各集群的评分或等级分类结果，而各集群的评分或等级分类结果能以与各集群的信息查询相关用户操作相联动的方式实施更新的聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种不仅能执行聚类，而且还能参照完成标注的外部的集群数据，向基于聚类结果的各集群中的至少一部分提供自动标注功能的聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种聚类后所识别的各个集群的评分或等级分类结果反映在通过测定值的二值化(binarization)的不良/合格产品的判定，而上述不良/合格产品的判定会重新对聚类的结果产生影响的循环型缺陷图案聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种耐于噪声的缺陷图案聚类方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种耐于尖峰噪声(与邻近值之间的自相关性较弱)的二维数据的噪声的去除方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种能够以高的准确度识别划痕类型缺陷图案的新的方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种能够以高的准确度识别曝光类型缺陷图案的新的方法及体现其方法的装置。
想要通过本发明的多个实施例来解决的另一技术问题在于，提供一种耐于尖峰噪声(与邻近值之间的自相关性较弱)的二维数据的噪声的去除方法及体现其方法的装置。
本公开的多个技术问题并不局限于以上所提及的多个技术问题，本公开所属技术领域的普通技术人员可通过以下的记载来明确地理解未提及的其他技术问题。
用于解决问题的方案
用于解决上述技术问题的本发明一实施例的数据处理方法包括：获得原始数据的步骤，上述原始数据包含具有第一轴的坐标值及第二轴的坐标值的多个VALUE；在包括上述第一轴、上述第二轴及第三轴的三维空间映射上述原始数据的步骤，上述第三轴的坐标值为上述VALUE；以及以在上述三维空间映射的原始数据为对象，执行基于三维空间自相关(spatial auto-correlation)的第1噪声去除的步骤。
在一实施例中，执行去除上述第1噪声的步骤包括：通过在上述三维空间映射的原始数据所构成的三维表面回归分析(3D surface regression)来生成表面回归模型的步骤；以及利用上述表面回归模型来执行去除上述第1噪声的步骤。
在一实施例中，上述数据处理方法在执行上述第1噪声去除之后，还可以包括以在包括上述第一轴及第二轴的平面上存在上述VALUE值的多个点为对象，在上述平面上通过基于密度的聚类(density-based spatial clustering of application with noise)来执行第2噪声去除的步骤。
在一实施例中，上述VALUE可以为晶圆的不同坐标的测定值(measure)，上述晶圆的原始数据不包含缺陷图案相关标记信息，上述数据处理方法还可以包括：针对各晶圆的原始数据，反复执行去除上述第1噪声和去除上述第2噪声的步骤；以及利用结束上述第1噪声去除及上述第2噪声去除步骤之后的不同晶圆的数据，来执行用于生成缺陷图案聚类模型的无监督学习(unsupervised learning)的步骤。
用于实现上述技术问题的本发明又一实施例的晶圆缺陷图案检测方法包括：获得二值化(binarized)检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个不同芯片(chip)的缺陷与否数据；对上述二值化检测数据进行图像化的步骤；执行用于检测形成于上述晶圆检测数据的图像的线条的形状检测变换的步骤；以及在执行上述形状检测变换后，判断出在上述晶圆检测数据的图像形成有线条的情况下，判定上述晶圆检测数据为划痕(scratch)类型缺陷图案的步骤。
用于实现上述技术问题的本发明另一实施例的晶圆缺陷图案检测方法包括：获得二值化(binarized)检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个不同芯片(chip)的缺陷与否数据；将上述二值化检测数据的图像变换为频域的步骤；以及将上述二值化检测数据的图像变换为频域后，预指定的一个以上的频率的信号强度大于基准值的情况下，判定上述晶圆检测数据为曝光(SHOT)类型缺陷图案的步骤。
用于实现上述技术问题的本发明另一实施例的图案检测方法包括：获得各不同对象的检测数据的步骤，上述各不同对象的检测数据包含具有第一轴的坐标值及第二轴的坐标值的多个测定值(measure)；提取上述检测数据的特征(feature)的步骤，上述特征包含基于对测定值进行密度估计(density estimation)后获得的测定值分布图案来进行计算的第1特征；以及利用上述晶圆检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习(unsupervised learning)的步骤。
在一实施例中，上述测定值分布图案利用对上述测定值进行核密度估计(KernelDensity Estimation；KDE)后获得的核密度函数(Kernel Density Function；KDF)的参数及核函数种类来进行定义。
用于实现上述技术问题的本发明的另一实施例的晶圆缺陷图案检测方法可以包括：获得各不同晶圆的二值化检测数据步骤，上述各不同晶圆的二值化检测数据包含具有第一轴的坐标值及第二轴的坐标值的多个不同芯片(chip)的缺陷与否数据；提取上述二值化检测数据的特征(feature)的步骤，上述特征包含基于进行基于缺陷芯片的极坐标系的密度估计(density estimation)后获得的缺陷芯片分布图案来计算出的第2特征；以及利用上述二值化检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习(unsupervised learning)的步骤。
在一实施例中，上述基于极坐标系的分布特征可以包含对于从上述晶圆的中心点具有各不同半径的缺陷芯片密度的分布图案的第1特征及对于上述晶圆的圆周上各不同角度的缺陷芯片密度的分布图案的第2特征。
用于实现上述技术问题的本发明另一实施例的晶圆缺陷图案检测方法包括：获得包含形成于晶圆的多个不同芯片(chip)的缺陷与否数据的各不同晶圆的二值化检测数据的步骤；按形成于上述晶圆的平面的不同格子(quadrat)计算出格子的内部的缺陷芯片密度的步骤，上述各个格子以能够包括多个芯片的方式得到划分；提取上述二值化检测数据的特征(feature)的步骤，上述特征包含基于各不同的格子的上述缺陷芯片密度来计算出的第3特征；以及利用上述二值化检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习(unsupervised learning)的步骤。
在一实施例中，计算出上述格子的内部的缺陷芯片密度的步骤包括：计算上述格子的内部的缺陷芯片数量的步骤；以及使各个格子的内部的缺陷芯片数量实现标准化(standardization)或归一化(normalization)，来计算出上述格子的内部的缺陷芯片密度的步骤。
在一实施例中，执行上述无监督学习的步骤包括：执行超参数最优化，以便获得使作为执行上述无监督学习后生成的上述缺陷图案聚类模型的群集度评价函数的损失函数的值最小化的上述格子的第一轴分辨率(resolution)及第二轴分辨率的步骤。
在一实施例中，上述二值化检测数据，上述二值化检测数据还包含各不同芯片的测定值(measure)，上述各不同芯片的测定值(measure)为计算上述多个不同芯片的缺陷与否数据的基础，上述特征还包括基于进行缺陷芯片的基于极坐标系的密度估计(DensityEstimation)后获得的测定值分布图案来计算出的基于极坐标系的分布特征，以及基于对各不同芯片的测定值进行密度估计后获得的测定值分布图案来计算出的缺陷危险程度。
在一实施例中，执行上述无监督学习的步骤包括利用自组织映射(Self-Organizing Map)算法来执行用于生成缺陷图案聚类模型的无监督学习的步骤，上述晶圆缺陷图案检测方法还包括针对通过上述缺陷图案聚类模型来生成的各个集群，以对聚类于上述集群的各不同晶圆的检测数据的各不同芯片的测定值进行密度估计后获得的测定值分布图案为基准，来赋予等级的步骤。此时，上述检测数据可以包含具有第一轴的坐标值及第二轴的坐标值的各芯片的多个测定值(measure)。
用于实现上述技术问题的本发明另一实施例的晶圆缺陷图案检测方法可以包括：获得包含晶圆所包含的多个不同芯片的测定值的晶圆检测数据的步骤，上述晶圆检测数据包含各个不同芯片的第一轴坐标值及第二轴坐标值；在包括上述第一轴、上述第二轴及第三轴的三维空间映射上述原始数据的步骤，上述第三轴的坐标值指上述测定值；以在上述三维空间映射的原始数据为对象，来执行基于三维空间自相关的第1噪声去除的步骤；基于在对执行上述第1噪声去除后的测定值进行密度估计后获得的测定值分布图案来获得第1特征的步骤；在执行上述第1噪声去除后，对剩余的测定值执行二值化，来区分各不同芯片的缺陷与否的步骤；在执行上述二值化后，以在包括上述第一轴及第二轴的平面上指示被划分为缺陷的芯片的多个点为对象，在上述平面上通过基于密度的聚类来执行第2噪声去除的步骤；获得以在执行上述第2噪声去除后所剩余的缺陷芯片的多个点为对象进行基于极坐标系的密度估计后获得的缺陷芯片分布图案来计算出的第2特征，以及基于形成于上述晶圆的平面的不同格子(quadrat)的缺陷芯片密度来计算出的第3特征的步骤；以及利用上述第1特征、上述第2特征及上述第3特征来执行用于生成缺陷图案聚类模型的无监督学习的步骤。
在一实施例中，上述晶圆缺陷图案检测方法还可以包括：针对通过上述缺陷图案聚类模型来生成的各个集群，以聚类于上述集群的各不同晶圆的检测数据的各不同芯片的测定值进行密度估计后获得的测定值分布图案为基准，来赋予等级的步骤；以及反映与上述等级不符的各个集群相关的用户操作，来调整上述各不同集群的等级的步骤。
在一实施例中，上述晶圆缺陷图案检测方法还可以包括针对通过上述缺陷图案聚类模型来生成的各个集群中的至少一部分，根据与集群标签(Label)信息所存在的晶圆检测数据进行比较的结果，来自动执行集群标注(Labeling)的步骤。
在一实施例中，上述晶圆缺陷图案检测方法还可以包括：反映针对上述各个集群的用户操作，来调整上述各不同集群的通知优先顺序及显示优先顺序中的至少一个。
附图说明
图1为本发明一实施例的数据聚类系统的结构图。
图2为参照图1进行说明的数据聚类系统的详细结构图。
图3为本发明又一实施例的噪声的去除方法的结构图。
图4为以示例性的方式表示本发明的多个实施例中为了进行数据处理而在三维空间映射二维数据的图。
图5为表示根据参照图3进行说明的噪声的去除方法来对图4的数据执行第1噪声去除的结果的图。
图6为用于说明根据参照图3进行说明的噪声的去除方法来执行第2噪声去除的基于密度的聚类的图。
图7为与示例一同详细说明参照图3进行说明的噪声的去除方法的图。
图8为本发明另一实施例的图案检测方法的顺序图。
图9为用于说明指示参照图8进行说明的图案检测方法所利用的测定值(measure)分布图案的特征(feature)的聚类模型学习过程中的作用的图。
图10为用于说明指示参照图8进行说明的图案检测方法所利用的基于缺陷芯片分布的极坐标系的分布图案的特征(feature)的聚类模型学习过程中的作用的图。
图11为用于说明指示参照图8进行说明的图案检测方法所利用的基于缺陷芯片分布的极坐标系的分布图案的特征(feature)的聚类模型学习过程中的作用的图。
图12为用于详细说明参照图8进行说明的在图案检测方法中执行的聚类模型的无监督学习过程的图。
图13为用于详细说明参照图8进行说明的在图案检测方法中执行的不同集群的等级评价过程的图。
图14为用于详细说明参照图8进行说明的在图案检测方法中执行的集群自动标注(Labeling)过程的图。
图15为用于说明参照图8进行说明的集群分层化及自动标注(Labeling)的结果的图。
图16为本发明另一实施例的晶圆缺陷图案检测方法的顺序图。
图17为用于详细说明参照图16进行说明的在晶圆缺陷图案检测方法中执行的划痕类型集群优先检测过程的图。
图18为参照图17进行说明的可根据划痕类型集群优先检测过程来检测的示例性晶圆缺陷芯片的图像。
图19为用于详细说明参照图16进行说明的在晶圆缺陷图案检测方法中执行的曝光类型集群优先检测过程的图。
图20为参照图19进行说明的可根据曝光类型集群优先检测过程来检测的示例性晶圆缺陷芯片的图像。
图21及图22为用于详细说明参照图16进行说明的在晶圆缺陷图案检测方法中执行的各不同集群的等级事后调整过程的图。
图23为本发明另一实施例的数据处理装置的硬件结构图。
具体实施方式
以下，参照所附附图对本发明的优选的多个实施例进行详细说明。参照与所附附图一同详细说明的多个实施例会让本发明的优点、特征及实现这些优点和特征的方法更加明确。但是，本发明的技术思想并不局限于以下所公开的实施例，而是能够以互不相同的各种方式实施，以下的多个实施例只用于使本发明的技术思想变得更加完整，并为了让本发明所属技术领域的普通技术人员完整地理解本发明的范畴而提供，本发明的技术思想仅由发明要求保护范围定义。
需要留意的是，在对各附图的结构要素赋予附图标记的过程中，即便显示于不同的附图上，也尽可能对相同的结构要素赋予了相同的附图标记。并且，在对本发明的多个实施例进行说明的过程中，在判断对相关的公知结构或功能的具体说明有可能会模糊本发明的要旨的情况下，将省略对此的详细说明。
只要没有不同的定义，本说明书所使用的所有术语(包括技术性及科学性术语)能够以本公开所属技术领域的普通技术人员可以普遍理解的含义进行使用。并且，通常所使用的词典上已定义的术语只要没有特别定义，就不会以异常或过度的方式解释。本说明书所使用的术语仅用于说明实施例，并不用于限定本公开。在本说明书中，只要没有特别提及，单数形式包括复数形式。
并且，在对本公开进行说明的过程中，可以使用第一、第二等术语。这种术语仅用于将其结构要素与其他结构要素进行区分，相关结构要素的本质或次序或顺序等不会因这种术语而受到限制。以下，参照附图对本发明的多个实施例进行说明。
参照图1至图2，对本发明一实施例的数据聚类(clustering)系统的结构及动作进行说明。
本实施例的数据聚类系统可以包括与网络相连接的原始数据构成装置10及数据处理装置100。原始数据构成装置10构成多个原始数据30，上述多个原始数据30成为聚类的对象。原始数据构成装置10可以周期性地或响应于原始数据30的构成请求来向数据处理装置100发送一个以上的原始数据30。只要多个原始数据30以满足聚类模型生成条件或更新条件的方式得到聚合，数据处理装置100就执行聚类模型的生成或更新逻辑。
原始数据构成装置10可以收集和加工从一个以上的资源供应设备5接收的数据，来构成原始数据30。由于数据处理装置100会试图以从原始数据构成装置10接收的多个原始数据为对象进行聚类，因此，优选地，原始数据构成装置10应向数据处理装置100发送同类的原始数据30。例如，原始数据构成装置10应仅捆绑半导体晶圆的检测数据来向数据处理装置100进行发送，而不应捆绑半导体晶圆的检测数据和显示面板的检测数据来向数据处理装置100进行发送。
资源供应设备5例如可以为生产线的各设备、不同工序的检测装备、成品检测装备、传感器、IoT装置等持续生成数据的多种装置。
原始数据30可以为二维数据。即各个VALUE可以具有第一轴的坐标及第二轴的坐标。原始数据30既可以为对第一轴的所有坐标值及第二轴的所有坐标值赋予VALUE，也可以为像图1所示的原始数据30一样，只包含存在值的VALUE及对其坐标值的数据。原始数据30的上述VALUE优选为数值。然而，即使是在上述VALUE并非为数值的情况下，数据处理装置100也可以通过预处理来对上述VALUE进行数值化。
在原始数据30充分积累，以能执行聚类模型的生成或更新逻辑的情况下，数据处理装置100去除原始数据30的噪声，并利用去除噪声后的原始数据来执行用于生成聚类模型40的无监督学习(unsupervised learning)。由于数据处理装置100为了生成聚类模型40而执行的机器学习的种类为纯粹的无监督学习，因此，在生成上述聚类模型方面，对原始数据30无需任何标记(tag)信息或标注(labeling)信息。即使这样，通过数据处理装置100来生成的聚类模型40可以对二维VALUE进行准确的聚类。
与此同时，可通过数据处理装置100来提供的聚类结果50也提供各不同集群(cluster)的评价结果、各集群的层次结构(hierarchical structure)、对集群的自动标注功能，而各不同集群的评价结果反映用户的聚类结果查询相关操作并进行事后更新。对于此，将与本发明的多个实施例一同进行详细说明。
图2示出数据处理装置100的不同功能单元的详细结构。以下，参照图2对数据处理装置100的结构及动作进行说明。图2所示的数据处理装置100的各功能单元将与其他附图一同进行详细说明，因此，这里将以能理解数据处理装置100的大致动作的程度进行简单说明。然而，将要后述的多个实施例的详细说明会在理解图2的数据处理装置100的结构及动作方面得到参照，这是理所应当的。
噪声过滤部110对从原始数据生成装置10接收或通过其他途径预存储的原始数据执行噪声过滤。噪声过滤部110通过将各VALUE值设置为第三轴值的方式变换作为二维的值集的上述原始数据为三维数据。由此，上述原始数据变换为类似于一种等高线数据的数据,其在包括第一轴(x轴)及第二轴(y轴)的平面上将VALUE设置成高度(第三轴，z轴)。由此，可以有效地去除突发尖峰的噪声或异常(outlier)值。
噪声过滤部110以映射于上述三维空间的原始数据为对象，来执行基于三维空间自相关(spatial auto-correlation)的第1噪声去除。通过上述第1噪声去除来去除广域噪声。并且，噪声过滤部110以进行上述第1噪声去除之后剩下的数据为对象，来执行二值化(binarization)。通过上述二值化，上述原始数据将在二维平面上具有1或0中的一个值。噪声过滤部110以实现上述二值化后的原始数据为对象，通过基于密度的聚类(density-based spatial clustering of application with noise；DBSCAN)来执行第2噪声去除。即通过上述第2噪声去除会进一步去除无法形成集群的局部噪声。以下，将参照图3至图7对噪声过滤相关的内容进行更加详细的说明。
本实施例的数据处理装置100有效地聚类含有二维的缺陷(Defect)相关测定值的原始数据。并且，就数据处理装置100而言，上述测定值具有望小特性，并且，在上述原始数据包含以圆形、椭圆形等将中心点作为基准来具有对称形状的产品为对象执行检测后获得的测定值的情况下，可有效地聚类上述原始数据。以下，为了便于理解，以上述原始数据为半导体晶圆的检测数据的情况作为前提进行说明。然而，需要留意的是，本发明的多个实施例的适用范围并不局限于聚类晶圆的检测数据的情况。
在上述原始数据为晶圆检测数据的情况下，针对存在于上述晶圆的2种公知的缺陷图案，提供相应缺陷图案专门对应的检测逻辑。上述2种公知的缺陷图案为“曝光(SHOT)类型”及“划痕类型”。SHOT类型缺陷图案检测部120以很高的准确度在上述原始数据中检测SHOT类型的缺陷，划痕类型缺陷图案检测部130以很高的准确度在上述原始数据中检测划痕类型的缺陷。
晶圆中存在2种以上的缺陷图案，其中，若包括“曝光(SHOT)类型”或“划痕类型”，则与聚类模型单独存在的SHOT类型缺陷图案检测部120及划痕类型缺陷图案检测部130可以准确地检测“SHOT类型”或“划痕类型”。因此，本实施例的数据处理装置100，例如还可以准确地判定“SHOT类型”和“CENTER类型”的缺陷同时存在。将参照图17至图20来更加详细地说明SHOT类型缺陷图案检测部120及划痕类型缺陷图案检测部130的详细动作。
特征提取部140从噪声过滤部110接收第1噪声去除结果及第2噪声去除结果，并提取原始数据的特征。上述第1噪声去除结果为去除广域噪声的原始数据(测定值)30a-2，上述第2噪声去除结果为去除广域噪声和局部噪声，并使原始数据的各测定值实现二值化的二值化检测数据30a-1。
特征提取部140从去除噪声的原始数据30a-2中基于测定值分布图案来提取第1特征，从去除噪声的二值化检测数据30a-1中基于缺陷芯片分布图案(基于晶圆的中心点为基准的极坐标系)来提取第2特征，并从去除噪声的二值化检测数据30a-1中按形成于晶圆的平面上的不同的格子(quadrat)来获得格子的内部的缺陷芯片密度，基于上述格子的内部的缺陷芯片密度来提取第3特征。上述第2特征包括：第二-一特征，其基于缺陷芯片分布图案，该缺陷芯片分布图案基于以晶圆的中心点为基准的半径；以及第二-二特征，基于缺陷芯片分布图案，该缺陷芯片分布图案基于以基准点为基准的角度。
换言之，特征提取部140可提取4种特征。然而，在多个实施例中，即使特征提取部140仅提取上述4种特征中的一部分，或者提取所有上述4种特征，也可以仅选择其中的一部分来提供至聚类模型学习部150。
特征提取部140也可以调整特征提取的参数，使得通过聚类模型学习部150生成的聚类模型的损失函数(loss function)值变得最小。例如，特征提取部140能够使第一轴分辨率(resolution)及第二轴分辨率(resolution)实现超参数最优化，使得上述损失函数值变得最小，其中，上述第一轴分辨率(resolution)及第二轴分辨率(resolution)用于定义提取上述第3特征时的格子的大小。上述损失函数可以为集群内部的特征值越类似，集群之间的特征值越相差，其损失函数值越变小的函数。
对于特征提取部140而言，将参照图9至图10对上述第1特征、上述第2特征及上述第3特征进行详细说明。
聚类模型学习部150利用特征提取部140所提供的原始数据的特征来执行用于生成原始数据的聚类模型的机器学习。在一实施例中，上述机器学习可以为无监督学习(unsupervised learning)方式的机器学习。例如，上述无监督学习方式的机器学习可以利用自组织映射(Self-Organizing Map)算法。此时，在所输入的特征为多种的情况下，上述无监督学习方式的机器学习可以利用多目标自组织映射(Multi-Objective Self-Organizing Map)算法。
聚类模型学习部150向聚类部160提供用于指示所学习的聚类模型的数据。指示上述聚类模型的数据例如可以为，定义聚类模型的数据。
在聚类模型学习部150以上述无监督学习方式的机器学习来学习聚类生成模型的情况下，无需指定对于各个原始数据所指示的集群的信息。因此，可构件如下系统：即若原始数据生成装置10实时性地以基于原始数据的结构来向数据处理装置100提供原始数据，则数据处理装置100按批量大小(batch size)聚合上述原始数据，并利用按批量大小聚合的原始数据来更新以往的聚类模型，并聚类新批量所包含的原始数据。在这一方面，聚类模型学习部150可以被理解为同时执行机器学习的训练阶段(training stage)和推断阶段(inferring stage)的作用。
聚类部160利用到目前为止所学到的上述聚类模型来聚类所输入的数据。在通过用户终端20来请求针对特定原始数据的聚类的情况下，聚类部160可执行聚类。上述特定原始数据可以为在聚类模型的学习过程中并不用作学习数据的数据。
集群管理部170生成并更新作为学习数据而输入的各个原始数据所形成的各个集群的信息。上述各个集群的信息可以包含例如各个不同集群的得分(Score)或基于此的等级(Level)、各个不同集群的层次结构、各个不同集群的自动标注(labeling)结果及根据用户针对聚类结果输入的各个不同集群的得分或基于此的等级的事后调整结果。针对集群管理部170的上述动作，将在后面进行详细说明。
为了进行各个不同集群的自动标注，集群管理部170可以接收完成标注的数据，并自动对完成标注的数据以及类似的数据所属的集群赋予标签(label)。
当通过集群管理部170生成各个不同集群的得分或基于此的等级时作为基准的数据还提供至噪声过滤部110。上述数值例如可以为，根据原始数据所包含的测定值的望小特性或望大特性，基于田口(Taguchi)方法论来确定的数值。噪声过滤部110能够以上述数值为基准来执行以上所述的二值化(binarization)。
用户界面180构成用于查询聚类的结果的用户界面，并通过网络提供至用户终端20。用户界面180可以聚合用于查询聚类结果的用户操作动作，并提供至集群管理部170，以便能够实现各个不同集群的得分或基于其的等级的事后调整。
以上，针对数据处理装置100的简单的功能单元进行了说明。需要留意的是，如上所述，将要在后续说明的多个实施例的详细说明可以在理解数据处理装置100的结构及动作方面作为参考。接着，参照图3至图7对本发明的又一实施例的噪声的去除方法进行说明。
本实施例的噪声的去除方法可以被理解为能够通过图2的数据处理装置100所包括的噪声过滤部110来执行的方法。即可以被理解成作为用于聚类数据的预处理来执行。但是，这并不说明本实施例的噪声的去除方法仅仅具有用于聚类数据的预处理的含义。而是可以作为有必要准确去除二维数据的噪声的多种数据处理方法的预处理。并且，本实施例的噪声的去除方法也可以单独实施。
本实施例的噪声的去除方法可以通过计算装置来体现。上述计算装置例如可以为参照图1至图2来进行说明的数据处理装置。以下，对本实施例的噪声的去除方法的各动作进行说明。需要参照的是，未提及各动作的主体或以被动式的方式表达的动作的主体为上述计算装置。
以下，以图3的顺序图为中心，参照图4至图7来说明实施例的噪声的去除方法。
在步骤S101中，获得原始数据。上述原始数据可以为二维数据。上述原始数据的形式不受限制。然而，在上述原始数据并非为二维的数值数据，而是如二维的文本及图像等非-数值数据的情况下，可以执行用于将上述非-数值数据变换为数值数据的规定的预处理。以下，为了便于理解，将上述原始数据所包含的数值数据称为VALUE。例如，上述VALUE可以为在检测成品或半成品时，通过检测装备来测定的测定值(measure)。
在步骤S103中，在三维空间映射上述原始数据。如上所述，上述原始数据可以为二维数据。这意味着各个值具有第一轴坐标和第二轴坐标。例如，上述第一轴和上述第二轴可以相互垂直。用于构成三维空间的第三轴是指上述VALUE。以下，为了便于理解，上述第三轴可以被指为高度轴。
另一方面，上述数值数据可以为望小特性的数据。此时，针对并不存在上述VALUE的平面(包括第一轴和第二轴)上的特定位置，其第三轴的值可以被初始化为0。图4示出了映射于三维空间的示例性的原始数据30-1。如图4所示，因全域噪声而具有难以识别原始数据的图案(pattern)的问题。
在步骤S105中，通过对映射于三维空间的原始数据的三维表面回归分析来生成表面回归模型(surface regression model)。关于三维表面回归分析，可以参照多个已公知的文献。通过映射于三维空间的原始数据的上述表面回归模型，可以表达包括第一轴及第二轴的平面上的上述VALUE的趋势。这能够以与地图上的等高线一样的形态进行理解。
在步骤S107中，基于针对映射于三维空间的原始数据的三维空间自相关(auto-correlation)来执行第1噪声去除。在地图的等高线的情况下，通常其在相邻区域中的高度类似，而考虑到这一点的正是在步骤S105中生成的表面回归模型。在步骤S107中，可以利用上述表面回归模型的平面上的各位置的高度值(第三轴)的预测值和实际高度值的值(即VALUE)的差异，来计算出协方差(covariance)，并可以利用上述协方差来计算出各位置的自相关程度。自相关程度低于基准值的平面上位置的高度值的值可以被判断为噪声，并可以被取代为上述表面回归模型的高度值的预测值。
图5示出针对图4所示的示例性的原始数据执行第1噪声去除后的结果。从图5所示的结果中可知，不同于图4的原始数据，识别出了大致的原始数据的图案。
在步骤S109中，针对高度值的值执行二值化(binarization)。即在包括第一轴和第二轴的平面上的特定位置中的高度值的值小于作为二值化的基准的值的情况下，上述特定位置的高度值去除第1-1噪声。并且，在另一特定位置中的高度值的值为作为二值化的基准的值以上的情况下，上述另一特定位置中的高度值被调整为1。结果，在包括第一轴和第二轴的平面上，高度值的值成为1或0。这意味着事实上在三维空间映射的原始数据重新回归为二维平面。
在上述VALUE为具有望小特性的值的情况下，根据上述二值化，原始数据所包含的各个VALUE变换为正常(0)或非正常(1)。当然，上述二值化之后的各个VALUE反映全域噪声的去除结果。若上述二值化之后的各个VALUE实现图像化，则可以生成包括第一轴和第二轴的平面上的点。在上述VALUE为具有望小特性的值的情况下，上述点可以在VALUE为“1”的情况下形成。
在步骤S111中，通过基于密度的聚类(density-based spatial clustering ofapplication with noise；DBSCAN)来执行第2噪声去除。上述第2噪声去除用于将形成于群聚性弱的地方的远离的点视为噪声，并将其去除。在这方面，上述第2噪声去除可以被理解为是局部噪声的去除。如图6所示，通过基于密度的聚类逻辑无法所属于集群30-3、30-4、30-5的多个点可以在步骤S111中通过第2噪声去除而被去除。
在步骤S113中，输出去除噪声的原始数据。此时，所输出的原始数据既可以为实现二值化的去除噪声的原始数据，也可以为实现上述二值化后，复原存在VALUE值的位置(包括第一轴及第二轴的平面上的)的原始VALUE值的数据。并且，在多个实施例中，在步骤S107中进行第1噪声去除后的数据也可以被单独输出。
图7为与示例一同详细说明参照图3来进行说明的噪声的去除方法的图。实现图像化的原始数据30-6及第1噪声去除(步骤S107)及实现二值化(步骤S109)后的原始数据30-7图示于图7中。实现图像化的原始数据30-6可以被理解为在存在VALUE的所有坐标形成点。在去除第1噪声及实现二值化后，可以确认去除了相当部分的全域噪声。然而，即使去除第1噪声，仍存留有局部噪声30-7a。而这种局部噪声30-7a通过第2噪声去除(步骤S111)而去除。
作为去除噪声之后的结果，实现二值化的原始数据的图像30a-1中仅显示出了用于确认存在于原始数据的图案的必要的点。本实施例的噪声的去除方法具有如下效果：防止与相邻位置的VALUE具有大差异的噪声(outlier)因产生模糊(blur)化而妨碍相邻位置的重要图案的识别，并仅去除相应的噪声。这种效果是通过二维数据实现三维化之后基于三维空间自相关来去除噪声的本发明的新的尝试而获得的，而这种效果通过进行基于三维空间自相关的噪声的去除之后执行二值化的第1-1噪声去除及去除局部噪声的第2噪声去除而实现最大化。
本实施例的噪声的去除方法可以非常有效地适用于VALUE具有望小特性的情况。然而，即使在上述VALUE为望目特性(越接近特定目标值越好)的值的情况下，也可以有效地适用。在上述VALUE为望目特性的值的情况下，能够以原始数据和目标值之间的误差为对象，完整地适用本实施例的噪声的去除方法。
本实施例的噪声的去除方法可以在例如上述原始数据为不同晶圆的坐标(第一轴坐标，第二轴坐标)的测定值(measure)的情况下得到适用。此时，针对各晶圆的原始数据，反复执行去除上述第1噪声的步骤和去除上述第2噪声的步骤，并且，可以利用上述第1噪声去除及上述第2噪声去除结束之后的不同晶圆的数据来执行用于生成缺陷图案聚类模型的无监督学习(unsupervised learning)。由于上述缺陷图案聚类模型通过即使没有任何预先标注(labeling)工作也可以执行的无监督学习方式的机器学习来生成，因此，即使仅具有上述原始数据本身也可以生成。现有技术的基于无监督学习的缺陷图案聚类方法的性能因噪声而无法实现商用化。但是，本实施例的执行噪声的去除之后的基于无监督学习的缺陷图案聚类方法呈现出可以实现商用化的水准的聚类能力。而且，可通过将在以下说明的本发明的多个实施例使这种聚类能力得到进一步强化。
以下，参照图8至图15来对本发明另一实施例的图案检测方法进行说明。本实施例的图案检测方法将以图8为基准，参照图9至图15来进行详细说明。本实施例的图案检测方法可通过计算装置来体现。上述计算装置例如可以为参照图1至图2来进行说明的数据处理装置。以下，对本实施例的图案检测方法的各动作进行说明。需要参照的是，未提及各动作的主体或以被动式的方式表达的动作的主体为上述计算装置。
根据本实施例来进行检测的图案，尤其可以指二维的数值数据的图案。例如，上述数值数据可以为具有望小特性的品质特性或具有望目特性的品质特性。并且，上述二维的数值数据可以为平面形状的半成品或成品的各不同位置的品质相关特性值。在上述半成品或成品具有以中心点为基准相对称的形状的情况下，反映这种特征的特征(feature)可以进一步利用于图案的检测。
就本实施例的图案检测方法而言，接收平面形状的半成品或成品的各不同位置的品质相关特性值本身(并非接收平面形状的半成品或成品的照片信息)，来执行准确的图案检测。即使是高分辨率的照片，上述照片信息也因图像的编码/解码过程中的信息丢失、尖峰噪声(outlier)所相邻的区域引起的模糊化(blurring)效果以及不能呈现无法以视觉性的方式反映的特性的问题而不容易实现准确的图案检测。
以下，为了便于理解，以作为图案检测对象的原始数据为各晶圆的不同芯片的测定值(measure)数据为前提，对本实施例进行说明。
在步骤S200中，获得包含不同芯片的测定值(measure；MSR)的原始数据。即上述原始数据为晶圆检测数据。上述原始数据既可以包含所有芯片的测定值，又可以只包含一部分芯片的测定值。在上述原始数据只包含一部分芯片的测定值的情况下，可以对不具有测定值的芯片执行用于设置初始值的预处理。在上述测定值为望小特性值的情况下，上述初始值为“0”，在上述测定值为望目特性值的情况下，上述初始值为基于上述望目特性的目标值。在上述测定值为望目特性值的情况下，还可以执行将上述测定值修改为(测定值–目标值)的绝对值的预处理。在这种情况下，所修改的测定值成为望小特性值。
在步骤S202中，执行噪声的过滤及二值化。本步骤的动作可参照通过图3至图6来进行说明的实施例来执行。
利用根据步骤S202来获得的去除第1噪声的检测数据，在步骤S204中，基于测定值来执行特征提取(feature extraction)。步骤S204的过程可以被理解为适当地变换所谓测定值的已提取的特征的过程，因此，在这一点上，也可以被理解为与特征变换(featuretransformation)相对应。将要说明的步骤S206，也可以被理解为与特征变换相对应。
参照图9，对步骤S202进行详细说明。图9为用于说明指示参照图8进行说明的晶圆缺陷图案检测方法所利用的测定值(measure)分布图案的特征(feature)的聚类模型学习过程中的作用的图。
图9为将具有中心图案的缺陷的晶圆的检测数据图像化的图像30-2a以及将具有其他并非为中心图案的缺陷的晶圆的检测数据图像化的图像30-2b。在2个图像30-2a、30-2b中，以各不同芯片的测定值被相对应的颜色所取代的方式来呈现。根据现有技术的基于对晶圆检测图像的卷积神经网络(CNN)的聚类方法，2个图像30-2a、30-2b难以得到区分。这是因为2个图像30-2a、30-2b在视觉上极为相似。因此，为了利用基于卷积神经网络(CNN)的聚类方法来精密地执行图案聚类，需要以增加隐层(hidden layer)的层数等更复杂的方式构成神经网络的结构，并要确保更多的学习数据。现实来讲，这并非为易事。
相反，根据本实施例，在基于对测定值进行密度估计(density estimation)后获得的测定值分布图案来获得的特征(以下，在本说明书中称之为第1特征)以视觉性的方式表现的情况下，可引导极为类似的2个图像在聚类模型学习过程中得到明确区分。以下，进行更加详细的说明。
图9示出了若对具有中心图案的测定值数据30-2b的密度估计(densityestimation)结果30-2c和具有并非为中心图案的非正常图案的测定值数据30-2e的密度估计结果30-2f进行比较，则表现出负偏态分布(negative skewed distribution)的部分31a、31b存在明确差异。若考虑原始数据的上述测定值为具有望小特性的值，则只要是具有正常品质的晶圆，就会呈现出密度估计的结果偏向接近0的测定值的值的伽马分布(gammadistribution)，而且，越是具有非正常品质的晶圆，密度估计的结果越会呈现出对比上述伽马分布发生负偏斜的分布(negative skewed distribution)。
考虑到上述测定值具有望小特性，即本实施例的第1特征反映出测定值的密度估计的结果。而且，如图9所示，上述第1特征将成为对在视觉上的分布看上去类似的2个相反的图案进行明确区分的因素。并且，上述第1特征其本身也表示晶圆的品质的优劣。当利用这一点来对聚类模型所形成的各个集群执行评分，或者基于上述评分来对各个集群执行等级判定时，属于各个集群的多个数据的上述第1特征可以成为基准。
在一实施例中，上述密度估计可以表示执行核密度估计(Kernel DensityEstimation)。此时，可以通过表示测定值的密度估计的结果的核密度函数(KernelDensity Function)的参数及核函数的种类中的至少一部分来定义上述第1特征。若参考核密度估计的结果，即表示核密度函数
Figure BDA0002511240270000201
的数学式1，则核函数以“K”表示，并且，在密度估计中，指示估算值区间的bin的宽度以“h”表示，测定值以xi表示。
数学式1
Figure BDA0002511240270000202
即用于定义核密度函数的“h”等参数及用于指示核函数的种类的指标值可以反映于上述第1特征。可以参考与核密度估计相关的多个公知文献。
重新返回图8进行说明。
利用根据步骤S202来获得的去除噪声、实现二值化的检测数据来在步骤S206中执行特征提取(feature extraction)。如上所述，上述特征提取可以被表达为特征变换(feature transformation)。在步骤S206中提取第2特征和第3特征，上述第2特征可以适当地反映检测对象所具有的形状方面的特征，上述第3特征可以适当地反映晶圆内缺陷芯片的分布方面的特征。
参照图10对上述第2特征的提取相关的内容进行说明(其中，“凹口”意指“Notch”)。如果是像晶圆等具有以中心点为基准来对称的形状的检测对象产品的情况下，即使第一晶圆和第二晶圆为相同的缺陷图案，也会在以中心点为基准进行旋转的状态下，若赋予各芯片的指标，则存在被识别为互不相同的缺陷图案的担忧。并且，即使第一晶圆和第二晶圆为互不相同的缺陷图案，也会在以中心点为基准进行旋转的状态下，若赋予各芯片的指标，则存在被识别为相同的缺陷图案的担忧。
作为以上述中心点为基准来相对称的形状的示例，可以考虑圆形、椭圆形、正三角形、正方形、正五边形等不存在绝对性的上下标准的所有形状。
例如，图10的第一晶圆的缺陷芯片的分布30a-1a和第二晶圆的缺陷芯片的分布30a-1b在视觉上难以区分。甚至，第一晶圆的上述第1特征及上述第一晶圆的上述第2特征也有可能类似。在这种情况下，第一晶圆和第二晶圆可通过基于缺陷芯片分布的极坐标系的密度估计的分布图案32来得到区分。如图10所示，视觉上难以进行区分的第一晶圆的缺陷芯片分布30a-1a和第二晶圆的缺陷芯片分布30a-1b只要查看基于极坐标系的缺陷芯片分布33a、33b就能明确地区分。
虽然，图10只示出了以从中心点的半径为基准的密度估计结果33a、33b，但极坐标系的坐标可以利用半径及角度来表示，而上述第2特征还可以包含以角度为基准的密度估计结果。
在一实施例中，用于进行上述第2特征提取的密度估计同样与用于进行上述第1特征提取的密度估计一样，可以表示执行核密度估计(Kernel Density Estimation)。此时，上述第2特征可以利用表达测定值的密度估计结果的核密度函数(Kernel DensityFunction)的参数及核函数的种类中的一部分来进行定义。
在多个实施例中，上述第2特征可以无需从去除噪声且实现二值化的检测数据中提取，而是可以从i)未实现二值化且未去除噪声的测定值或ii)未实现二值化而仅去除第1噪声的测定值中提取。
参照图11来说明与上述第3特征的提取相关的内容。上述第3特征以耐于噪声的方式反映晶圆内缺陷芯片的分布方面的特征。为此，以虚拟的方式在晶圆的平面上形成多个格子(quadrat)。上述格子利用第一轴(x轴)上的分辨率p及第二轴(x轴)上的分辨率q来对其大小进行定义，而优选地，上述大小则以在一个格子中至少包括2个芯片的方式进行定义。图11示出了在晶圆35上以虚拟的方式划分出第一轴分辨率p及第二轴分辨率q分别被定义为4的格子34的情况。
格子的第一轴分辨率p及第二轴分辨率q可以从初始设置的值开始，随着步骤S208的无监督学习的进行，被更新为超参数最优化(hyper-parameter optimization)，使得用于表示根据所学习的模型而形成的各个集群的群集度的损失函数(loss function)值实现最小化。根据上述超参数最优化来寻找最佳p、q值的方式可以利用遗传算法(GeneticAlgorithm)等多种最优化算法来执行。例如，在用于寻找实现最优化的p、q的搜索策略方面，可以利用进化搜索(evolutionary search)。
另一方面，若p、q根据超参数最优化来得到更新，则学习的起始点的p、q值和学习的收尾点的p、q值互不相同。因此，还可以在将学习的收尾点的p、q值设置为新的初始p、q值后，执行第二次无监督学习。这种追加的无监督学习可以反复进行至p、q值不会再执行基于超参数最优化的p、q值的更新为止。
表达各个集群的群集度的损失函数(loss function)可以被理解为集群内部数据的特征(feature)越类似且不同集群的特征(feature)越有差异，其损失函数值越小的函数。即上述损失函数为在特征空间(feature space)中，集群内部数据的密集度越高且集群之间的距离越远，其损失函数值越小的函数。此时，上述集群内部数据的密集度以及上述集群之间的距离可以意味着欧氏距离(Euclidean distance)。然而，在多个实施例中，用于测定上述特征空间中的距离的度量(metric)可被度量学习(metric learning)更新。关于此，参考与多个深度度量学习(deep metric learning)相关的公知文献。
各个格子具有内部所包括的缺陷芯片的数量。即各个格子可以表达缺陷芯片的密度34a。可在图11中确认按照各个格子所具有的不同的缺陷芯片的密度34a来反映并表达对应的颜色。
作为晶圆的缺陷芯片的分布方面的特征，若利用各格子的缺陷芯片密度来代替各晶圆的缺陷芯片分布，则可以获得集中于缺陷芯片所密集的区域来学习聚类模型的效果。
在多个实施例中，根据各个格子的内部的缺陷芯片数量实现标准化(standardization)或实现归一化(normalization)的结果来决定上述格子的内部的缺陷芯片密度，从而可以集中于考虑各不同的格子的相对缺陷芯片密度的缺陷芯片分布(并非考虑各格子的绝对缺陷芯片密度)来学习聚类模型。例如，假设在第一晶圆的情况下，只有中央部的缺陷芯片密度高，且其密度为“10”左右，在第二晶圆的情况下，只有中央部的缺陷芯片密度高，且其密度为“2”左右。先不说在第1特征和第2特征方面，第一晶圆和第二晶圆相互区分，若根据各个格子的内部的缺陷芯片数量实现标准化或实现归一化的结果来确定上述格子的内部的缺陷芯片密度，则至少在第3特征方面，可以判断第一晶圆和第二晶圆类似。
目前为止，对与本实施例的特征提取相关的内容进行了说明。在上述第1特征、上述第2特征及上述第3特征中的至少一部分可以被利用于生成聚类模型的无监督学习(步骤S208)。以下，参照图12来详细说明与用于生成聚类模型的无监督学习相关的内容。
如图12所示，可在上述聚类模型的生成中利用自组织图(Self-Organizing Map)算法。尤其是由于所输入的特征为多个，因此考虑这一点，上述自组织映射图算法可以被理解为多目标自组织映射图(Multi-Objective Self-Organizing Map)算法。
根据自组织映射算法，以根据向输入层输入的各个特征向量来更新竞争层的各节点的方式执行学习。根据本实施例，在需要生成用于实现多个目标的聚类模型方面，可以理解输入第1特征36来学习的第一神经网40a、输入第2特征37来学习的第二神经网40b、输入第3特征38来学习的第三神经网40c及输入第4特征39来学习的第四神经网40d在反映各个加权值(w1、w2、w3、w4)后进行合计，从而形成最终聚类模型40。
若结束基于上述自组织映射算法的学习，则各不同集群的代表特征向量(featurevector)可按照各个目标层通过输出层来进行输出。即在图12所示的事例中，可分别输出第1特征36的各不同集群的代表向量、第2特征37的各不同集群的代表向量、第3特征38的各不同集群的代表向量及第4特征39的各不同集群的代表向量。
并且，随着进行无监督学习，用于决定基于自组织映射算法的神经网的竞争层的尺寸的竞争层第一轴的节点数l1、竞争层第二轴的节点数l2、各特征之间的加权值(w1、w2、w3、w4)及通过聚类模型来形成的集群的数量N可以被更新为超参数最优化(hyper-parameter optimization)，以使得用于表达根据所学习的模型来形成的各个集群的群集度的损失函数(loss function)值最小化。根据上述超参数最优化来寻找最佳超参数(l1、l2、w1、w2、w3、w4、N)的方式可以利用遗传算法(Genetic Algorithm)等多种最优化算法来执行。例如，在用于寻找实现最优化的超参数(l1、l2、w1、w2、w3、w4、N)的搜索策略中，可以利用进化搜索(evolutionary search)。
另一方面，若超参数(l1、l2、w1、w2、w3、w4、N)根据超参数最优化来得到更新，则学习的初始点的超参数(l1、l2、w1、w2、w3、w4、N)和学习结束点的超参数(l1、l2、w1、w2、w3、w4、N)会互不相同。因此，可以在将学习结束点的超参数(l1、l2、w1、w2、w3、w4、N)设置成新的初始超参数(l1、l2、w1、w2、w3、w4、N)后，执行第二次无监督学习。这种追加的无监督学习可以反复至基于超参数最优化的超参数(l1、l2、w1、w2、w3、w4、N)的更新不再需要为止。
若结束聚类模型40的学习，则按照所学习的聚类模型40所形成的各个不同集群赋予评分及基于此的等级(步骤S210)。关于此，将参照图13来进行详细说明。
如上所述，在测定值具有望小特性的情况下，可通过属于各个集群的多个数据的测定值的分布来进行各个不同集群的评分。例如，在第一集群的测定值比第二集群的测定值低的情况下，第一集群可以获得比第二集群更好的分数。
在本实施例中，通过田口(Taguchi)模型来更加精细地提示基于这种标准的不同集群的评分。例如，在对属于各集群的各晶圆的测定值的分布进行合计后，可以判断所制成的集群所属所有晶圆的测定值概率密度分布发生多大负偏态分布(negative skeweddistribution)。
图13示出了所学习的所有晶圆的不同测定值的直方图41。由于测定值具有望小特性，因此，积累有多个检测数据的直方图41将具有伽马分布(gamma distribution)，并且，以此为前提，直方图41的概率密度函数(Probability Density Function；PDF)可以由以下的公式构成。
数学式2
Figure BDA0002511240270000241
在数学式2中，k意味着形状(shape)参数，θ意味着大小(scale)参数。
当获得直方图41的上述概率密度函数时，其所有母数可以适用以自举(bootstrap)方式对所有数据的75％进行鲁棒(robust)采样的样本数据。上述自举采样能够以提取基于最小正偏态伽马分布(minimum positive skewed gammadistribution)的样本数据的方式执行。
而且，在利用上述母数来获得伽马分布的上述概率密度函数后，利用上述概率密度函数来获得上述母数数据的均值(mean，μ)及标准偏差(σ)。而且，可利用上述均值(μ)及标准偏差(σ)，以基于田口损失概率(Taguchi loss probability)的品质评价等级来执行各个不同集群的等级分类。
参照图13来进行说明。上述母数的均值43和特定集群的测定值统计代表值44之间的统计距离(statistical distance)42越远，上述特定集群的得分及等级被评价得越不好。测定值统计代表值44可以为均值(mean)、中值(median)或众值(mode)中的一个。
在一实施例中，基于田口损失概率(Taguchi loss probability)的品质评价等级可以被定为以下6个等级。
将集群的测定值的统计代表值视为M时，
-第一等级(最佳)：M＜(μ-6σ)
-第二等级：(μ-6σ)≤M＜(μ-3σ)
-第三等级：(μ-3σ)≤M＜(μ-σ)
-第四等级：(μ-σ)≤M＜(μ+σ)
-第五等级：(μ+σ)≤M＜(μ+3σ)
-第六等级：(μ+3σ)≤M＜(μ+6σ)
-第七等级(最差)：(μ+6σ)＜M
并且，如上所述，在噪声过滤过程中，作为成为测定值实现二值化时的基准的值，根据上述等级分类基准的基准值中的一个可以成为上述二值化的基准值。例如，作为第四等级的上限值的同时，还作为第五等级的下限值的(μ+σ)或作为第三等级的上限值的同时，还作为第四等级的下限值的(μ-σ)可以成为上述二值化的基准值。例如，若上述二值化的基准值为(μ-σ)，则在测定值小于(μ-σ)的情况下，根据上述二值化而二值化为“0”，在测定值为(μ-σ)以上的情况下，根据上述二值化而二值化为“1”。
如上所述，在噪声过滤或特征提取中所利用的实现二值化的测定值基于统计学上的精细程度来得到设置，从而有利于导出准确的聚类结果。
重新参照图8进行说明如下，在步骤S212中，执行通过类似集群之间的合的集群分层化。此时，通过广为人知的集群之间的图案相似度判断方法，集群之间的相似度为，例如在2个集群之间，交集元素的比率可以大于基准值(例如85％)，或者余弦相似度为基准值以上的2个集群可在更高的层次中合并为一个合并集群。并且，层次越提高，合并的基准值可越缓和。通过反复进行这种类似集群合并过程，可以执行集群分层化。图15示出了完成集群分层化的示例性的结果。
然后，在步骤S214中，通过与赋予标签(label)的测定值数据进行比较来执行自动标注(labeling)。参照图14来进行详细说明。如图14所示，对于多个晶圆检测数据而言，其可以是缺陷图案得到标注的状态。在图14中示出了完成标注的几个晶圆检测数据的表47。而且，借助完成标注的几个晶圆检测数据和聚类模型40，被分为特定集群的晶圆检测数据可以映射于流形(manifold)45上的相邻区域。在这种情况下，利用映射于流形45上的相邻区域的晶圆检测数据的标签，来执行对上述特定集群的自动标注。上述流形可通过监督学习(supervised learning)来构成。
例如，在图14的“center”图案和通过集群模型40来聚类的集群3映射于流形45上的相邻区域的情况下，能够以“center”图案来对集群3执行自动标注。
图15示出了完成集群分层化及自动标注的示例性的结果。根据一实施例，可根据用户的操作来对于特定集群调整通知优先顺序及显示优先顺序中的至少一个。例如，针对除了在图15中强调显示的集群之外的剩余集群而言，可根据用户的操作使通知或显示非活性化。由此，可以提供能仅对用户所关注的类型的缺陷图案进行确认的用户便利性。
然后，步骤S216中显示了聚类模型的生成结果。上述聚类模型是利用在步骤S200中获得的所有晶圆检测数据来生成的模型，上述聚类模型的生成结果可包括各不同集群的评分及等级赋予结果、属于各集群的检测数据查询、各集群的层次结构确认及各集群的自动标注结果。
接着，参照图16至图22对本发明另一实施例的晶圆缺陷检测方法进行说明。本实施例的晶圆缺陷检测方法将以图16为基准，参照图17至图22来进行详细说明。本实施例的晶圆缺陷检测方法可通过计算装置来体现。上述计算装置例如可以为参照图1至图2来进行说明的数据处理装置。以下，对本实施例的晶圆缺陷检测方法的各动作进行说明。需要参照的是，未提及各动作的主体或以被动式的方式表达的动作的主体为上述计算装置。
本实施例的晶圆缺陷检测方法可以被理解为在根据参照图8至图15进行说明的图案检测方法来生成聚类模型的状态下执行。以下，参照图16来对本实施例进行说明。
在步骤S200中，获得包含不同芯片的测定值(measure)的晶圆检测数据，在步骤S202中，执行噪声的过滤及二值化。并且，参照图8至图15，通过已经说明的方式来在上述晶圆检测数据中执行第1特征的提取(步骤S204)、第2特征及第3特征的提取(步骤S206)。在步骤S220中，通过向预生成的聚类模型输入上述第1特征至第3特征中的至少一部分来识别上述晶圆检测数据所属的集群。
另一方面，在晶圆中频繁发现的划痕类型缺陷图案及SHOT类型缺陷图案可以不利用聚类模型，而是通过各个单独的检测逻辑来并行检测其集群。
需要留意的一点是，在图16中，虽然示出了利用聚类模型的聚类(步骤S220)和划痕类型缺陷图案(pattern)检测(步骤S207)及SHOT类型缺陷图案(pattern)检测(步骤S209)并行执行的方式，但根据实施例，划痕类型缺陷图案检测(步骤S207)或曝光类型缺陷图案检测(步骤S209)可以单独执行。当然，为了单独执行划痕类型缺陷图案检测(步骤S207)或曝光类型缺陷图案检测(步骤S209)，优先进行之前步骤的动作是显而易见的，即获得晶圆检测数据的动作(步骤S200)及噪声的过滤及二值化动作(步骤S202)。以下，参照图17至图20来进行更加详细的说明。
图17为判定晶圆检测数据是否属于划痕类型集群的方法(步骤S207)的详细顺序图。
在步骤S270中，去除噪声且实现二值化的检测数据实现图像化。上述去除噪声且实现二值化的检测数据包含配置于二维平面上的各个芯片中的与缺陷芯片的位置相关的信息，可通过在各个缺陷芯片的位置显示点的方式来执行图像化。图17中示出了实现图像化的二值化检测数据30a-1c。
在步骤S272中，对图像30a-1c执行形状检测变换。上述形状检测变换可以考虑例如霍夫(Hough)变换或拉东(Radon)变换等。为了便于理解，在本实施例中以执行霍夫(Hough)变换为例进行说明。
在发生划痕类型缺陷的情况下，若对其晶圆检测数据实施图像化，则呈现出相连接的直线形态。并且，若对其晶圆检测数据的图像实施霍夫(Hough)变换，则在变换后的霍夫(Hough)域42上形成峰42a、42b。对这种峰42a、42b在霍夫(Hough)域42上的位置及数量进行分析，来判断是否形成与晶圆检测数据的图像30a-1c相连接的直线形态(线条)(步骤S274)。
根据判断(步骤S274)的结果，来判定所输入的晶圆检测数据是否应被聚类为划痕类型(步骤S276)，或者是否应判定为在上述晶圆检测数据中不存在划痕类型的缺陷(步骤S278)。图18中示出了可根据参照图17进行说明的划痕类型集群优先检测过程检测出的示例性晶圆缺陷芯片图像。
然后，参照图19详细说明用于判定晶圆检测数据是否属于曝光类型集群的方法(步骤S209)。
在步骤S290中，去除噪声且实现二值化的检测数据实现图像化。上述去除噪声且实现二值化的检测数据包含配置于二维平面上的各个芯片中的与缺陷芯片的位置相关的信息，可通过在各个缺陷芯片的位置显示点的方式来执行图像化。图19中示出了实现图像化的二值化检测数据30a-1h。
在步骤S292中，对图像30a-1h执行向频域的变换。上述向频域的变换可以考虑例如傅立叶变换或小波(Wavelet)变换等。为了便于理解，在本实施例中以执行傅立叶变换为例进行说明。
在发生曝光(SHOT)类型缺陷的情况下，若对其晶圆检测数据实施图像化，则呈现出以规定间隔反复的集群。并且，若对其晶圆检测数据的图像实施傅立叶变换，则在变换后的频域43上的特定频率形成峰43a、43b。上述特定频率由晶圆内的芯片尺寸或引起曝光类型缺陷的装备或工序的种类决定。由于晶圆的芯片尺寸为容易了解的信息，因此，可基于形成有峰的频率来轻易地确认引起曝光类型缺陷的装备或工序的种类。
即在发生曝光类型缺陷的情况下，可在频域43上形成有峰的频率(曝光类型监测对象频带(frequency band))有可能得到预先设置。在上述曝光类型监测对象频带可以包含多个频域。
在上述曝光类型监测对象频带中的至少一部分形成有峰的情况下(步骤S294)，所输入的晶圆检测数据需要以曝光类型来得到聚类(步骤S296)。在频域43上完全未形成有峰或只在与上述曝光类型监测对象频带之间相差基准值以上的频率中形成有峰的情况下(步骤S294)，应判定为所输入的晶圆检测数据中不存在曝光类型的缺陷(步骤S298)。图20中示出了可根据参照图18进行说明的曝光类型集群优先检测过程检测出的示例性晶圆缺陷芯片图像。
重新返回图16进行说明。
在步骤S222中，综合了利用聚类模型的聚类结果、利用划痕类型缺陷图案检测模型的划痕类型缺陷图案检测结果、利用曝光类型缺陷图案检测模型的曝光类型缺陷图案检测结果，来显示聚类结果(步骤S222)。此时，显示于用户终端的结果不仅可以包含聚类对象晶圆检测对象数据所属的集群的识别信息，而且还可以包含上述集群的评分及等级赋予结果、上述集群的层次结构上的位置信息及上述集群的自动标注结果。
另一方面，根据本实施例，监测针对聚类结果显示画面的用户操作动作(步骤S224)，以能反映针对上述用户操作动作的监测结果的方式可更新各集群的得分及基于此的等级赋予结果(步骤S226)。这是考虑到如下贝叶斯更新(Bayesian update)而适用于本发明的多个实施例的独创性的集群等级更新的示例，贝叶斯更新(Bayesian update)是关于各集群的先验概率(prior probability)基于利用测定值具有望小特性的特点来赋予的田口切割(Taguchi cut)的等级而确定，但在发生在用户操作的事件之后，上述先验概率可以被更新为后验概率(posterior probability)的理论。
首先需要理解的假设是，用户并不好奇呈现出正常图案的多个数据所属的集群相关的信息。因此，对于赋予了可以被理解为具有低等级的危险程度的得分的集群而言，不会发生用户操作。如果某些集群被赋予了可以被理解为具有低等级的危险程度的得分，且被赋予了基于此的正常等级，但仍依旧频繁发生用于对上述集群进行查询或进行数据导出(export)的用户操作，则上述集群是具有非正常图案(pattern)的集群的可能性高。
以下，操作图21至图22来对集群等级的更新动作S226进行更加详细的说明。
对图21所示的表进行解释(其中，“边缘”对应于“Edge”，“中心边缘”对应于“centerEdge”，“圆环边缘”对应于“DonutEdge”)。针对共计1992个晶圆输入了检测数据，而上述1992个晶圆检测数据被聚类为共计42个集群。其中，1个为负偏态(negative skewed)分布严重的缺陷图案的集群，其被赋予了可以被理解为具有高等级的危险程度的得分。并且，其他37个集群为2个以上的缺陷图案共存的集群，被赋予了可以被理解为具有中间等级的危险程度的得分。并且，剩余4个集群为具有不成问题的单一缺陷图案的多个晶圆的集群，被赋予了可以被理解为具有低等级的危险程度的得分。在共计1992个晶圆中最多的晶圆所属的集群为40.2％的晶圆所属的“边缘(Edge)”集群。“Edge”集群可以被理解为参照完成标注的检测数据而执行了自动标注。由于“Edge”集群具有低等级的危险程度，因此，发生用户操作的可能性并不高。即便如此，将参照图22来说明当持续发生对“Edge”集群的用户操作的情况下，如何更新“Edge”集群的等级赋予。
参照图22的表(a)来进行说明。在表(a)中，利用田口自动切割(Taguchi auto-cut)概念来显示了在集群的代表值为(μ+σ)以下的情况下，向相应的集群赋予优良(GOOD)等级，在集群的代表值大于(μ+σ)且小于(μ+3σ)的情况下，向相应的集群赋予普通(NORMAL)等级，在集群的代表值为(μ+3σ)以上的情况下，向相应的集群赋予不良(BAD)等级。假设“Edge”集群为GOOD等级的集群。
并且，在图22的表(a)中还显示了属于GOOD等级的集群的晶圆检测数据为90％的概率，属于正常，属于NORMAL等级的集群的晶圆检测数据为6.7％的概率，属于正常，属于BAD等级的集群的晶圆检测数据为3.3％的概率，也属于正常。
并且，在图22的表(b)中显示了针对GOOD等级的集群的用户操作概率、针对NORMAL等级的集群的用户操作概率及针对BAD等级的集群的用户操作概率分别为10％、60％、90％，而这些作为先验概率实现初始设定并显示。
图22的表(c)是将图22的表(a)和表(b)的信息合并而成的。在对GOOD等级的集群进行用户操作的情况下，如图22的表(d)所示，消除没有用户操作的区域，参照图22的公式(e)，按各不同的等级，利用未被消除而保留的区域的概率来执行概率归一化(probabilitynormalization)。结果，如图22的公式(e)所示，“Edge”集群实际正常(优良)的概率从先验概率90％更新为后验概率56.6％，“Edge”集群实际为普通的概率从先验概率6.7％更新为后验概率26.4％，而“Edge”集群实际为不良的概率从先验概率3.3％更新为后验概率17.0％。如上所述，3个后验概率(Bayesian Inverse Probability)中最高的依旧正常，因此，即使对“Edge”集群进行一次用户操作，“Edge”集群的等级依旧维持GOOD等级。然而，在持续对“Edge”集群进行用户操作的情况下，“Edge”集群的等级将降至NORMAL等级或BAD等级。
到目前为止，参照图3至图22来进行说明的本发明的多个实施例可在计算机可读介质中体现为计算机可读代码。上述计算机可读记录介质例如可以为可移动记录介质(CD、DVD、蓝光光盘、USB存储装置、可移动硬盘)或固定式记录介质(ROM、RAM、计算机配备硬盘)。记录于上述计算机可读记录介质的上述计算机程序可通过互联网等网络来向其他计算装置传输，并设置于上述其他计算装置，由此，可以在上述其他计算装置中使用。
以下，参照图23对本发明的另一实施例的数据处理装置的结构及动作进行说明。需要留意的是，对于本实施例的数据处理装置的动作而言，即使没有与本实施例相关的其他记载，也可以在本实施例中适用到目前为止参照图1至图22来进行说明的本发明的其他实施例。
如图23所示，本实施例的数据处理装置100包括处理器1100；存储器1400；网络界面1200；贮存器(Storage)1300；及作为处理器1100、存储器1400、网络界面1200及贮存器1300之间的控制信号及数据的收发通道的系统总线1000。
本实施例的数据处理装置100作为设置于数据处理装置100的操作系统(未图示)在存储器1400中加载数据处理软件1303的装置，开始进行与数据聚类相关的动作。
数据处理软件1303对存储于贮存器1300的原始数据30的噪声执行过滤，并执行聚类模型的无监督学习来生成聚类模型数据1301，而且生成各个集群的元数据1302。
重新整理如下，数据处理软件1303可以包含通过处理器1100来执行的多个指令(instruction)，上述多个指令可以包含以下第一指令至第十二指令中的至少一部分。
第一指令：获得原始数据的指令，上述原始数据包含具有第一轴的坐标值及第二轴的坐标值的多个芯片的测定值(measure)。
第二指令：在包括上述第一轴、上述第二轴及第三轴的三维空间映射上述原始数据，而上述第三轴的坐标值为上述VALUE的指令。
第三指令：以映射于上述三维空间的原始数据为对象，执行基于三维空间自相关(spatial auto-correlation)的第1噪声去除的指令。
第四指令：在执行上述第1噪声去除后，以二值化基准值为基准，对上述VALUE值实施二值化的指令。
第五指令：在执行上述二值化后，以剩余的多个点为对象，通过上述基于密度的聚类来执行第2噪声去除的指令。
第六指令：在对执行上述第1噪声去除后的测定值进行密度估计后，基于所获得的测定值分布图案(pattern)来获得第1特征的指令。
第七指令：在执行上述二值化后，以在包括上述第一轴及第二轴的平面上指示被划分为缺陷(defect)的芯片的多个点为对象，获得基于极坐标系的密度估计后获得的缺陷芯片分布图案计算出的第2特征，以及基于形成于上述晶圆的平面上的各不同格子(quadrat)的缺陷芯片密度计算出的第3特征的指令。
第八指令：利用上述第1特征、上述第2特征及上述第3特征中的至少一部分，来执行用于生成缺陷图案聚类模型的无监督学习的指令。
第九指令：针对通过上述缺陷图案聚类模型生成的各个集群中的至少一部分，根据与存在集群标签信息的晶圆检测数据之间的比较结果，来自动执行集群标注的指令。
第十指令：以反映针对上述各个集群的用户操作的方式来调整上述各不同集群的通知优先顺序及显示优先顺序中的至少一个的指令。
第十一指令：针对通过上述缺陷图案聚类模型生成的各个集群，以在对被聚类为上述集群的各不同晶圆的检测数据的各不同芯片的测定值进行密度估计后所获得的测定值分布图案为基准来赋予等级的指令。
第十二指令：依据贝叶斯更新(Bayesian update)模型，以反映与各个集群相关的不符合相应集群的等级的用户操作的方式调整上述各不同集群的等级的指令。
以上，虽然将构成本发明的实施例的所有结构要素结合为一个或以相结合来进行工作的方式进行了说明，但本公开的技术思想并不局限于这种实施例。即只要是在本公开的目的范围内，其可以选择性地结合所有结构要素中的一个以上由来进行动作。
在附图中，多个动作虽然以特定的顺序示出，但这不应被理解为这些动作必须按所示的特定顺序或依次的顺序执行，或者只有执行所有所示的动作，才能获得所需结果。在特定情况下，进行多任务及并列处理可以更为有利。而且，需要理解的是，在以上所述的多个实施例中，多个结构的分离不应被理解为这种分离是必要的，所述的程序组件及系统通常可以被合并为单一的软件产品，或者包装成多个软件产品。
以上，虽然参照所附的附图对本公开的多个实施例进行了说明，但本公开所属技术领域的普通技术人员可以理解在不变更本公开的技术思想或必要特征的情况下，本公开能够以其他具体的形态实施。因此，应理解以上所记述的多个实施例在所有方面均为示例性的，并非限定性的。本公开的保护范围应通过权利要求书来解释，其同等范围内的所有技术思想应被解释为包含在本公开所定义的技术思想的保护范围中。

Claims (25)

1.一种数据处理方法，其通过计算装置来执行，上述数据处理方法的特征在于，包括：
获得原始数据的步骤，上述原始数据包含具有第一轴的坐标值及第二轴的坐标值的多个VALUE；
将上述原始数据映射到由上述第一轴、上述第二轴及第三轴构成的三维空间的步骤，上述第三轴的坐标值为上述VALUE；以及
以映射到上述三维空间的原始数据为对象，执行基于三维空间自相关的第1噪声去除的步骤。
2.根据权利要求1所述的数据处理方法，其特征在于，执行上述第1噪声去除的步骤包括：
通过映射到上述三维空间的原始数据所构成的三维表面回归分析来生成表面回归模型的步骤；以及
利用上述表面回归模型来执行上述第1噪声去除的步骤。
3.根据权利要求1所述的数据处理方法，其特征在于，在执行上述第1噪声去除之后，还包括：
以在由上述第一轴及第二轴构成的平面上存在上述VALUE值的多个点为对象，在上述平面上通过基于密度的聚类来执行第2噪声去除的步骤。
4.根据权利要求3所述的数据处理方法，其特征在于，执行上述第2噪声去除的步骤包括：
在执行上述第1噪声去除之后，对上述VALUE值小于基准值的多个点执行第1-1噪声去除的步骤；以及
以执行上述第1-1噪声去除之后剩余的多个点为对象，通过上述基于密度的聚类来执行第2噪声去除的步骤。
5.根据权利要求3所述的数据处理方法，其特征在于，
上述VALUE为晶圆的各不同坐标的测定值，
上述晶圆的原始数据不包含缺陷图案相关标记信息，
上述数据处理方法还包括：
针对各晶圆的原始数据，反复执行去除上述第1噪声和去除上述第2噪声的步骤；以及
利用结束上述第1噪声去除及上述第2噪声去除步骤之后的不同晶圆的数据来执行用于生成缺陷图案聚类模型的无监督学习的步骤。
6.根据权利要求5所述的数据处理方法，其特征在于，上述测定值为望小特性的值。
7.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得二值化检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个不同芯片的缺陷与否数据；
对上述二值化检测数据进行图像化的步骤；
执行用于检测形成于上述晶圆检测数据的图像的线条的形状检测变换的步骤；以及
在执行上述形状检测变换后，判断出在上述晶圆检测数据的图像形成有线条的情况下，判定上述晶圆检测数据为划痕类型缺陷图案的步骤。
8.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得二值化检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个不同芯片的缺陷与否数据；
将上述二值化检测数据的图像变换为频域的步骤；以及
将上述二值化检测数据的图像变换为频域后，预指定的一个以上的频率的信号强度大于基准值的情况下，判定上述晶圆检测数据为曝光类型缺陷图案的步骤。
9.一种图案检测方法，其通过计算装置来执行，上述图案检测方法的特征在于，包括：
获得各不同对象的检测数据的步骤，上述各不同对象的检测数据包含具有第一轴的坐标值及第二轴的坐标值的多个测定值；
提取上述检测数据的特征的步骤，上述特征包含基于对测定值进行密度估计后获得的测定值分布图案来进行计算的第1特征；以及
利用上述晶圆检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习的步骤。
10.根据权利要求9所述的图案检测方法，其特征在于，
上述测定值分布图案利用对上述测定值进行核密度估计后获得的核密度函数的参数及核函数种类来进行定义。
11.根据权利要求10所述的图案检测方法，其特征在于，
上述测定值为望小特性的值，
上述第1特征为以上述测定值分布图案越倾向于指示伽马分布时具有越低的值，而越倾向于指示负偏态分布时具有越高的值的方式计算出的值。
12.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得各不同晶圆的二值化检测数据的步骤，上述各不同晶圆的二值化检测数据包含具有第一轴的坐标值及第二轴的坐标值的多个不同芯片的缺陷与否数据；
提取上述二值化检测数据的特征的步骤，上述特征包含根据进行基于缺陷芯片的极坐标系的密度估计后获得的缺陷芯片分布图案来计算出的特征；以及
利用上述二值化检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习的步骤。
13.根据权利要求12所述的晶圆缺陷图案检测方法，其特征在于，
根据进行基于缺陷芯片的极坐标系的密度估计后获得的缺陷芯片分布图案来计算出的所述特征：包含对于从上述晶圆的中心点的各不同半径的缺陷芯片密度的分布图案的第1特征及对于上述晶圆的圆周上各不同角度的缺陷芯片密度的分布图案的第2特征。
14.根据权利要求13所述的晶圆缺陷图案检测方法，其特征在于，
上述第1特征是利用对上述各不同半径的缺陷芯片数量进行核密度估计后获得的第一核密度函数的参数及核函数种类来定义的，
上述第2特征是利用对上述各不同角度的缺陷芯片数量进行核密度估计后获得的第二核密度函数的参数及核函数种类来定义的。
15.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得包含形成于晶圆的多个不同芯片的缺陷与否数据的各不同晶圆的二值化检测数据的步骤；
按形成于上述晶圆的平面的不同格子计算格子的内部的缺陷芯片密度的步骤，其中，各个上述格子以能够包括多个芯片的方式得到划分；
提取上述二值化检测数据的特征的步骤，上述特征包含基于各不同的格子的上述缺陷芯片密度来计算出的第3特征；以及
利用上述二值化检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习的步骤。
16.根据权利要求15所述的晶圆缺陷图案检测方法，其特征在于，计算出上述格子的内部的缺陷芯片密度的步骤包括：
计算上述格子的内部的缺陷芯片数量的步骤；以及
对各个格子的内部的缺陷芯片数量进行标准化或归一化，来计算出上述格子的内部的缺陷芯片密度的步骤。
17.根据权利要求15所述的晶圆缺陷图案检测方法，其特征在于，执行上述无监督学习的步骤包括：
执行超参数最优化的步骤，以便获得使作为执行上述无监督学习后生成的上述缺陷图案聚类模型的群集度评价函数的损失函数的值最小化的上述格子的第一轴分辨率及第二轴分辨率。
18.根据权利要求15所述的晶圆缺陷图案检测方法，其特征在于，
上述二值化检测数据还包含各不同芯片的测定值，上述各不同芯片的测定值为计算上述多个不同芯片的缺陷与否数据的基础，
上述特征还包括根据进行基于缺陷芯片的极坐标系的密度估计后获得的测定值分布图案来计算出的基于极坐标系的分布特征，以及根据对各不同芯片的测定值进行密度估计后获得的测定值分布图案来计算出的缺陷危险程度。
19.根据权利要求18所述的晶圆缺陷图案检测方法，其特征在于，执行上述无监督学习的步骤包括：
利用多目标自组织映射算法来执行用于生成缺陷图案聚类模型的无监督学习的步骤；
执行超参数最优化的步骤，以便获得使作为执行上述无监督学习后生成的上述缺陷图案聚类模型的群集度评价函数的损失函数的值最小化的各目标层之间的加权值，上述缺陷图案聚类模型的竞争层的第一轴节点数及第二轴节点数；以及
在适用上述超参数最优化之后的参数的状态下，利用多目标自组织映射算法来重新执行用于生成缺陷图案聚类模型的无监督学习的步骤。
20.根据权利要求15所述的晶圆缺陷图案检测方法，其特征在于，
执行上述无监督学习的步骤包括利用自组织映射算法来执行用于生成缺陷图案聚类模型的无监督学习的步骤，
上述晶圆缺陷图案检测方法还包括：针对通过上述缺陷图案聚类模型来生成的各个集群，以对聚类于上述集群的各不同晶圆的检测数据的各不同芯片的测定值进行密度估计后获得的测定值分布图案为基准，来赋予等级的步骤，
其中，上述检测数据包含具有第一轴的坐标值及第二轴的坐标值的各芯片的测定值。
21.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得包含晶圆所包含的多个不同芯片的测定值的晶圆检测数据的步骤，上述晶圆检测数据包含各个不同芯片的第一轴坐标值及第二轴坐标值；
将上述原始数据映射到由上述第一轴、上述第二轴及第三轴构成的三维空间的步骤，上述第三轴的坐标值指上述测定值；
以映射到上述三维空间的原始数据为对象，来执行基于三维空间自相关的第1噪声去除的步骤；
基于在对执行上述第1噪声去除后的测定值进行密度估计后获得的测定值分布图案来获得第1特征的步骤；
在执行上述第1噪声去除后，对剩余的测定值执行二值化，来区分各不同芯片的缺陷与否的步骤；
在执行上述二值化后，以在由上述第一轴及第二轴构成的平面上指示被划分为缺陷的芯片的多个点为对象，在上述平面上通过基于密度的聚类来执行第2噪声去除的步骤；
获得第2特征以及第3特征的步骤，其中，上述第2特征以执行上述第2噪声去除后所剩余的缺陷芯片的多个点为对象进行基于极坐标系的密度估计后获得的缺陷芯片分布图案来计算，而上述第3特征基于形成于上述晶圆的平面的不同格子(quadrat)的缺陷芯片密度来计算；以及
利用上述第1特征、上述第2特征及上述第3特征来执行用于生成缺陷图案聚类模型的无监督学习的步骤。
22.根据权利要求21所述的晶圆缺陷图案检测方法，其特征在于，还包括：
针对通过上述缺陷图案聚类模型来生成的各个集群，以聚类于上述集群的各不同晶圆的检测数据的各不同芯片的测定值进行密度估计后获得的测定值分布图案为基准，来赋予等级的步骤；以及
以反映与上述等级不符的各个集群相关的用户操作的方式调整上述各不同集群的等级的步骤。
23.根据权利要求21所述的晶圆缺陷图案检测方法，其特征在于，还包括：
针对通过上述缺陷图案聚类模型来生成的各个集群中的至少一部分，根据与存在集群标签信息的晶圆检测数据进行比较的结果，来自动执行集群标注的步骤。
24.根据权利要求21所述的晶圆缺陷图案检测方法，其特征在于，还包括：
以反映针对上述各个集群的用户操作的方式调整上述各不同集群的通知优先顺序及显示优先顺序中的至少一个的步骤。
25.根据权利要求24所述的晶圆缺陷图案检测方法，其特征在于，调整上述各不同集群的通知优先顺序及显示优先顺序中的至少一个的步骤包括：
针对用户所选择的集群及其类似集群进行降低通知优先顺序及显示优先顺序中的至少一个的调整的步骤。
CN202010461967.5A 2019-05-29 2020-05-27 数据处理方法、图案检测方法及晶圆缺陷图案检测方法 Pending CN112102226A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0063195 2019-05-29
KR1020190063195A KR20200137219A (ko) 2019-05-29 2019-05-29 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치

Publications (1)

Publication Number Publication Date
CN112102226A true CN112102226A (zh) 2020-12-18

Family

ID=73550279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010461967.5A Pending CN112102226A (zh) 2019-05-29 2020-05-27 数据处理方法、图案检测方法及晶圆缺陷图案检测方法

Country Status (3)

Country Link
US (2) US11587222B2 (zh)
KR (1) KR20200137219A (zh)
CN (1) CN112102226A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222967A (zh) * 2021-05-28 2021-08-06 长江存储科技有限责任公司 晶圆的检测方法及系统
CN113342906A (zh) * 2021-06-09 2021-09-03 海光信息技术股份有限公司 一种对晶圆量测数据分布形态的分类方法以及装置
CN113538586A (zh) * 2021-09-14 2021-10-22 武汉精创电子技术有限公司 晶粒行列定位方法、装置和系统以及计算机可读存储介质
CN115100163A (zh) * 2022-07-05 2022-09-23 江苏泰治科技股份有限公司 一种晶圆缺陷识别方法及装置
CN118416354A (zh) * 2024-07-05 2024-08-02 长沙心诺医疗器械有限公司 一种半导体激光氧疗仪及呼吸状态检测方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200137219A (ko) * 2019-05-29 2020-12-09 삼성에스디에스 주식회사 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
TW202217354A (zh) * 2020-08-07 2022-05-01 美商Ｐｄｆ對策公司 測試結構與晶粒級回應的圖案增強的空間相關性
CN112581463B (zh) * 2020-12-25 2024-02-27 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
KR20220114716A (ko) 2021-02-09 2022-08-17 삼성에스디에스 주식회사 이미지 클러스터링 방법 및 그 장치
US20220343210A1 (en) * 2021-04-23 2022-10-27 Samsung Display Co., Ltd. System and method for reassignment clustering for defect visibility regression
US11955358B2 (en) * 2021-09-24 2024-04-09 Applied Materials, Inc. Model-based failure mitigation for semiconductor processing systems
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
KR102533365B1 (ko) * 2021-12-22 2023-05-17 호서대학교 산학협력단 오토인코더를 이용한 비전 검사를 위한 장치 및 이를 위한 방법
CN114782445B (zh) * 2022-06-22 2022-10-11 深圳思谋信息科技有限公司 对象缺陷检测方法、装置、计算机设备和存储介质
JP2024134607A (ja) * 2023-03-22 2024-10-04 株式会社東芝 情報処理方法、情報処理装置、および情報処理プログラム
CN117409010B (zh) * 2023-12-15 2024-04-26 菲特（天津）检测技术有限公司 漆面缺陷检测模型训练、检测、编码方法及检测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5539752A (en) * 1995-06-30 1996-07-23 Advanced Micro Devices, Inc. Method and system for automated analysis of semiconductor defect data
JPH1187446A (ja) * 1997-07-04 1999-03-30 Hitachi Ltd パターン欠陥検査装置及びパターン欠陥検査方法
WO2001040145A2 (en) * 1999-11-29 2001-06-07 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
CN102087985A (zh) * 2009-12-03 2011-06-08 无锡华润上华半导体有限公司 晶圆缺陷的检测方法
AU2013100982A4 (en) * 2013-07-19 2013-08-15 Huaiyin Institute Of Technology, China Feature Selection Method in a Learning Machine
CN108122799A (zh) * 2016-11-29 2018-06-05 台湾积体电路制造股份有限公司 预测晶圆缺陷的方法
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101195226B1 (ko) 2005-12-29 2012-10-29 삼성전자주식회사 반도체 웨이퍼 분석 시스템
US8560488B2 (en) * 2008-08-08 2013-10-15 Nec Corporation Pattern determination devices, methods, and programs
US10242290B2 (en) * 2012-11-09 2019-03-26 Kla-Tencor Corporation Method, system, and user interface for metrology target characterization
US9098891B2 (en) 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
KR102440695B1 (ko) 2017-08-11 2022-09-05 삼성전자주식회사 웨이퍼 맵 분석 장치, 이를 이용한 웨이퍼 맵 분석 방법 및 반도체 장치 제조 방법
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
KR20200137219A (ko) * 2019-05-29 2020-12-09 삼성에스디에스 주식회사 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5539752A (en) * 1995-06-30 1996-07-23 Advanced Micro Devices, Inc. Method and system for automated analysis of semiconductor defect data
JPH1187446A (ja) * 1997-07-04 1999-03-30 Hitachi Ltd パターン欠陥検査装置及びパターン欠陥検査方法
WO2001040145A2 (en) * 1999-11-29 2001-06-07 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
CN102087985A (zh) * 2009-12-03 2011-06-08 无锡华润上华半导体有限公司 晶圆缺陷的检测方法
AU2013100982A4 (en) * 2013-07-19 2013-08-15 Huaiyin Institute Of Technology, China Feature Selection Method in a Learning Machine
CN108122799A (zh) * 2016-11-29 2018-06-05 台湾积体电路制造股份有限公司 预测晶圆缺陷的方法
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection
CN109449093A (zh) * 2018-10-24 2019-03-08 武汉新芯集成电路制造有限公司 晶圆检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
STEVEN YOUNG等: "Deep Super Learner: A Deep Ensemble for Classification Problems", CANADIAN CONFERENCE ON ARTIFICIAL INTELLIGENCE, 6 April 2018 (2018-04-06), pages 84, XP047472510, DOI: 10.1007/978-3-319-89656-4_7 *
汤勃;孔建益;伍世虔;: "机器视觉表面缺陷检测综述", 中国图象图形学报, no. 12, 16 December 2017 (2017-12-16), pages 22 - 45 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222967A (zh) * 2021-05-28 2021-08-06 长江存储科技有限责任公司 晶圆的检测方法及系统
CN113342906A (zh) * 2021-06-09 2021-09-03 海光信息技术股份有限公司 一种对晶圆量测数据分布形态的分类方法以及装置
CN113342906B (zh) * 2021-06-09 2023-10-20 海光信息技术股份有限公司 一种对晶圆量测数据分布形态的分类方法以及装置
CN113538586A (zh) * 2021-09-14 2021-10-22 武汉精创电子技术有限公司 晶粒行列定位方法、装置和系统以及计算机可读存储介质
CN113538586B (zh) * 2021-09-14 2021-11-23 武汉精创电子技术有限公司 晶粒行列定位方法、装置和系统以及计算机可读存储介质
CN115100163A (zh) * 2022-07-05 2022-09-23 江苏泰治科技股份有限公司 一种晶圆缺陷识别方法及装置
CN118416354A (zh) * 2024-07-05 2024-08-02 长沙心诺医疗器械有限公司 一种半导体激光氧疗仪及呼吸状态检测方法

Also Published As

Publication number Publication date
US20230177347A1 (en) 2023-06-08
US20200380655A1 (en) 2020-12-03
US11816579B2 (en) 2023-11-14
US11587222B2 (en) 2023-02-21
KR20200137219A (ko) 2020-12-09

Similar Documents

Publication Publication Date Title
CN112102226A (zh) 数据处理方法、图案检测方法及晶圆缺陷图案检测方法
Fan et al. Wafer defect patterns recognition based on OPTICS and multi-label classification
WO2018081929A1 (zh) 一种高光谱遥感图像特征提取和分类方法及其系统
Sirmacek et al. Urban area detection using local feature points and spatial voting
JP7058941B2 (ja) 辞書生成装置、辞書生成方法、及びプログラム
CN109934278B (zh) 一种信息增益混合邻域粗糙集的高维度特征选择方法
CN111553127A (zh) 一种多标记的文本类数据特征选择方法及装置
CN103714148B (zh) 基于稀疏编码分类的sar图像检索方法
CN105975913A (zh) 一种基于自适应聚类学习的道路网提取的方法
Akhtar et al. Optical character recognition (OCR) using partial least square (PLS) based feature reduction: an application to artificial intelligence for biometric identification
Kim et al. A generalised uncertain decision tree for defect classification of multiple wafer maps
CN112115996B (zh) 图像数据的处理方法、装置、设备及存储介质
CN105809113A (zh) 三维人脸识别方法及应用其的数据处理装置
CN111582309A (zh) 一种生成设计版图坏点检测模型的方法及检测坏点的方法
CN114776304B (zh) 一种深海矿产异常区识别的方法、装置、设备及介质
Davis et al. Automated bone age assessment using feature extraction
CN113762151A (zh) 一种故障数据处理方法、系统及故障预测方法
Li et al. Semantic‐Segmentation‐Based Rail Fastener State Recognition Algorithm
Zeybek Inlier point preservation in outlier points removed from the ALS point cloud
CN117788901A (zh) 超高压检修作业路径评估方法、装置、设备及存储介质
CN116246161A (zh) 领域知识引导下的遥感图像目标精细类型识别方法及装置
CN112418313B (zh) 一种大数据在线噪声过滤系统与方法
CN108898052A (zh) 遥感图像中人工地物的检测方法及设备
Liu et al. The pistachio quality detection based on deep features plus unsupervised clustering
CN113673612B (zh) 一种高场不对称离子迁移谱图分类识别方法、装置及设备

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