CN113039631A - 通过将光学信号拟合到点扩散函数的缺陷分类 - Google Patents

通过将光学信号拟合到点扩散函数的缺陷分类 Download PDF

Info

Publication number
CN113039631A
CN113039631A CN201980073205.3A CN201980073205A CN113039631A CN 113039631 A CN113039631 A CN 113039631A CN 201980073205 A CN201980073205 A CN 201980073205A CN 113039631 A CN113039631 A CN 113039631A
Authority
CN
China
Prior art keywords
defects
defect
point spread
spread function
point
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
CN201980073205.3A
Other languages
English (en)
Other versions
CN113039631B (zh
Inventor
S·科内茨基
B·布拉尔
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 CN113039631A publication Critical patent/CN113039631A/zh
Application granted granted Critical
Publication of CN113039631B publication Critical patent/CN113039631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

使用光学显微镜检验半导体裸片以产生所述半导体裸片的测试图像。导出所述半导体裸片的所述测试图像与参考图像之间的差异图像。针对所述半导体裸片的多个缺陷中的每一缺陷，将点扩散函数拟合到如在所述差异图像中指示的所述缺陷且确定所述经拟合点扩散函数的一或多个尺寸。至少部分基于所述多个缺陷中的相应缺陷的所述经拟合点扩散函数的所述一或多个尺寸来区分所述多个缺陷中的潜在所关注缺陷与扰乱点缺陷。

Description

通过将光学信号拟合到点扩散函数的缺陷分类
相关申请案
本申请案主张2018年11月30日申请的标题为“通过将缺陷信号拟合到点扩散函数来区分所关注点状缺陷与扩展工艺变动的方法(Method to Distinguish Point-LikeDefects of Interest From Extended Process Variation by Fitting Defect Signalsto a Point Spread Function)”的第62/773,834号美国临时专利申请案的优先权，所述申请案的全文特此出于全部目的以引用的方式并入。
技术领域
本发明涉及半导体检验且更具体来说，涉及对通过半导体检验检测的缺陷进行分类。
背景技术
现代光学半导体检验工具使用比典型缺陷的尺寸显著长通常一个数量级或更多的波长。因而，检验工具无法分辨缺陷且因此无法提供展示缺陷的图像；代替性地，检验工具仅提供缺陷已被检测到的指示。此外，许多经检测缺陷是不影响装置功能性且是工艺集成及良率改进工程师所不感兴趣的所谓扰乱点缺陷。另外，扰乱点缺陷的数量可比所关注缺陷的数量多(例如)1000倍或更多。大量扰乱点缺陷使得对全部经识别缺陷执行后续失效分析(例如，使用扫描电子显微镜进行可视化)不实际。大量扰乱点缺陷也使得无法确定是否应归因于大量所关注缺陷而将晶片报废或重做。
发明内容
因此，需要区分所关注缺陷与扰乱点缺陷的经改进方法及系统。这些方法及系统可涉及将光学检验结果拟合到点扩散函数。
在一些实施例中，一种识别所关注半导体缺陷的方法包含使用光学显微镜检验半导体裸片以产生所述半导体裸片的测试图像。所述方法也包含：导出所述半导体裸片的所述测试图像与参考图像之间的差异图像；且针对所述半导体裸片的多个缺陷中的每一缺陷，将点扩散函数拟合到如在所述差异图像中指示的所述缺陷且确定所述经拟合点扩散函数的一或多个尺寸。所述方法进一步包含至少部分基于所述多个缺陷中的相应缺陷的所述经拟合点扩散函数的所述一或多个尺寸来区分所述多个缺陷中的潜在所关注缺陷与扰乱点缺陷。
在一些实施例中，一种识别所关注半导体缺陷的方法包含使用光学显微镜检验半导体裸片以产生所述半导体裸片的测试图像。所述方法也包含：导出所述半导体裸片的所述测试图像与参考图像之间的差异图像；及将多个点扩散函数的求和拟合到所述差异图像。所述多个点扩散函数中的每一点扩散函数在所述半导体裸片中的不同预定义位置上居中且具有与所述光学显微镜相关联的固定宽度。执行所述拟合包含确定所述多个点扩散函数中的相应点扩散函数的参数(例如，系数)。所述方法进一步包含至少部分基于所述相应点扩散函数的所述参数(例如，系数)来区分所述半导体裸片的多个缺陷中的潜在所关注缺陷与扰乱点缺陷。
在一些实施例中，一种非暂时性计算机可读存储媒体存储用于通过包含光学显微镜(即，半导体检验工具)的半导体检验系统的一或多个处理器执行的一或多个程序。所述一或多个程序包含用于引起所述光学显微镜检验半导体裸片以产生所述半导体裸片的测试图像的指令。所述一或多个程序还包含用于执行上文方法中的任一者或两者的其它步骤的指令。
附图说明
为了更好地理解各种所描述实施例，应结合以下图式参考下文的具体实施方式。
图1到3展示根据一些实施例的识别所关注半导体缺陷的方法的流程图。
图4是展示根据一些实施例的裸片上的缺陷在两个方向上的标准偏差的分布的散点图。
图5是根据一些实施例的半导体检验系统的框图。
贯穿图式及说明书，相同元件符号指代对应零件。
具体实施方式
现将详细参考各种实施例，在随附图式中说明所述实施例的实例。在以下详细描述中，阐述许多具体细节以便提供各种所述实施例的透彻理解。但是，所属领域的技术人员将明白，可在没有这些具体细节的情况下实践各种所述实施例。在其它例子中，未详细描述众所周知方法、程序、组件、电路及网络以免不必要地致使实施例的方面不清楚。
光学半导体检验工具(即，光学显微镜)通过使用光束(其是通过裸片的表面上的结构散射)照明裸片的部分来识别半导体裸片上的缺陷。收集经散射光束并使其成像。所得图像通常不分辨缺陷，这是因为缺陷比在光束中使用的光的波长的衍射限制小得多。但是，缺陷的存在引起经散射光束的光学信号的变动。可检测此变动且因此可识别潜在缺陷的位置。
以此方式识别的缺陷包含所关注缺陷及扰乱点缺陷两者。所关注缺陷通常经隔离且经局部化(例如，点状)，而扰乱点缺陷可(例如，由于工艺变动)在空间上延伸。可利用此区别以通过将如由光学显微镜成像的光学信号拟合到点扩散函数来区分所关注缺陷与许多扰乱点缺陷。(点扩散函数是使用表示未经分辨缺陷的图像中的形状的光学显微镜的脉冲响应的指示。)所得拟合给出缺陷的尺寸及因此大小的指示。接着，可至少部分基于如通过拟合推断的其大小来将缺陷分类为所关注缺陷或扰乱点缺陷。
图1展示根据一些实施例的识别所关注半导体缺陷的方法100的流程图。可使用半导体检验系统500(图5)执行方法100。可组合或分解方法100中的步骤。
在方法100中，使用光学显微镜(例如，检验工具504，图5)检验(102)半导体裸片以产生半导体裸片的测试图像。(测试图像可为整个裸片或裸片的部分的图像。)导出(104)半导体裸片的测试图像与参考图像之间的差异图像。可通过从测试图像减去参考图像或从参考图像减去测试图像而导出的差异图像以逐像素指示测试图像与参考图像之间的差异程度。可将这些差异程度称为灰度。差异程度的量值越大(即，灰度量值越大)，给定像素越可能对应于半导体裸片上的缺陷。
在一些实施例中，参考图像是相同晶片上的相邻裸片的图像、相同晶片上的任何其它裸片的图像或另一晶片上的裸片的图像。在一些实施例中，参考图像是多个裸片(例如，多个邻近裸片、相同晶片上的裸片及/或其它晶片上的裸片)的图像的组合(例如，中值)。在一些实施例中，例如通过通过模拟光学显微镜的成像的模拟器运行(例如，如在gds文件中指定的)裸片的布局而从裸片的设计导出参考图像。在一些实施例中，针对裸片上的阵列区域(即，在裸片上的其中相同图案重复的区域)，参考图像是图案的相邻例子或图案的相邻例子的组合。重复图案可为存储器单元或存储器单元群组。
在步骤104的差异图像中或在单独差异图像中识别(106)半导体裸片的多个缺陷。如果使用单独差异图像，那么可已使用(例如，针对步骤104描述的任何类型的参考图像的)不同参考图像及/或(例如，使用与在步骤102的检验中使用的光学模式不同的光学模式的)不同检验的结果产生所述单独差异图像。可通过确定差异图像中的对应灰度是否满足一或多个准则(例如，具有超过，或等于或超过经指定阈值的量值)来识别缺陷。虽然展示为在步骤104之后执行，但如果使用单独差异图像，那么可替代地在步骤102之前或在步骤102与104之间执行步骤106。
针对多个缺陷中的每一缺陷，将点扩散函数拟合(108)到如在步骤104的差异图像中指示的缺陷。确定经拟合点扩散函数的一或多个尺寸。一或多个尺寸提供缺陷的大小(例如，缺陷在相应方向上的宽度)的量度。
在一些实施例中，点扩散函数是(110)二维高斯(Gaussian)函数：
Figure BDA0003053227830000041
其中A是指示最大强度的系数，x0及y0是点扩散函数及缺陷的中心的坐标(且对应于缺陷在其上在差异图像中居中的像素的坐标)，且σx及σy是点扩散函数在两个正交方向上的标准偏差。一或多个尺寸包含指示经拟合高斯函数在相应第一及第二方向上的宽度的第一及第二尺寸(例如，标准偏差σx及σy，或x方向及y方向上的半峰全宽)。
在一些实施例中，点扩散函数是(112)辛克(sinc)函数(即，基数正弦函数)、多项式函数或其它分析函数。在一些实施例中，点扩散函数是(112)数值模拟，使得步骤108包含将数值模拟拟合到如由步骤104的差异图像中的对应信号指示的缺陷。
在一些实施例中，一或多个尺寸包含(114)相应第一及第二方向上(例如，x及y方向上)的经拟合点扩散函数的最大梯度之间的第一及第二距离。特定方向上的最大梯度之间的距离是缺陷宽度的另一指示符。
在一些实施例中，一或多个尺寸包含(116)经拟合点扩散函数在相应第一及第二方向上(例如，x及y方向上)通过由经拟合点扩散函数的最大值的高度正规化的所述最大值的横截面下方的第一及第二面积。
至少部分基于多个缺陷中的相应缺陷的经拟合点扩散函数的一或多个尺寸，区分(118)多个缺陷中的潜在所关注缺陷与扰乱点缺陷。
在一些实施例中，区分(118)潜在所关注缺陷与扰乱点缺陷包含针对特定缺陷确定经拟合点扩散函数的一或多个尺寸的第一尺寸是否超过，或等于或超过第一阈值。如果第一尺寸超过，或等于或超过第一阈值，那么将缺陷分类为扰乱点缺陷。区分(118)潜在所关注缺陷与扰乱点缺陷也可或替代地包含针对特定缺陷确定第一尺寸是否小于、或小于或等于第二阈值，其中第二阈值小于第一阈值。如果第一尺寸小于，或小于或等于第二阈值，那么将缺陷分类为扰乱点缺陷。可针对一或多个尺寸的第二尺寸进行类似确定(例如，其中第一阈值及第二阈值与用于第一尺寸的第一阈值及第二阈值相等或不同)，其中相应地对缺陷进行分类。
图4是展示根据一些实施例的如在步骤108中确定的针对裸片上的缺陷的尺寸σx及σy的分布的散点图400。将所关注缺陷展示为黑色星号，而将扰乱点缺陷展示为灰色点。所关注缺陷位于由上σy阈值402、下σy阈值404、下σx阈值406及上σx阈值408界定的矩形中。可如上文针对第一阈值及第二阈值描述那样应用也可被称为切割线的阈值402、404、406及408。因此，在一些实施例中，方法100将落在矩形外部的任何缺陷分类为扰乱点缺陷。落在矩形内的任何缺陷可被分类为潜在所关注缺陷，或可基于其它因素进一步分析。虽然矩形内的一些缺陷实际上是扰乱点缺陷，但阈值402、404、406及/或408的应用仍从一组候选潜在所关注缺陷大幅减少扰乱点缺陷的数量。
在其中一或多个尺寸包含(例如，对应于x及y轴的)两个尺寸的一些实施例中，区分(118)潜在所关注缺陷与扰乱点缺陷包含针对特定缺陷确定作为两个尺寸的函数的度量是否满足阈值。如果度量不满足阈值，那么将缺陷分类为扰乱点缺陷。度量可对应于平面(例如，图4的σx-σy平面)中的特定形状(例如，圆形、椭圆形等)，其中不满足阈值的缺陷是落在形状外部的那些缺陷。
在一些实施例中，区分(118)潜在所关注缺陷与扰乱点缺陷包含针对多个缺陷中的相应缺陷提供经拟合点扩散函数的一或多个尺寸作为到经训练以区分潜在所关注缺陷与扰乱点缺陷的机器学习算法的输入。可已使用从已知所关注缺陷及已知扰乱点缺陷(例如，如通过扫描电子显微术及/或其它失效分析技术识别)的经拟合点扩散函数确定的一组训练尺寸来训练机器学习算法。
在方法100中，在执行拟合之前识别(即，检测)缺陷。替代地，可在检测缺陷之前执行拟合。图2展示根据一些实施例的识别所关注半导体缺陷的这种方法200的流程图。如同方法100，方法200可使用半导体检验系统500(图5)执行。可组合或分解方法200中的步骤。
在方法200中，检验(102)半导体裸片且导出(104)测试图像与参考图像之间的差异图像，如针对方法100(图1)描述。
针对差异图像中的多个像素中的每一像素，将点扩散函数拟合(208)到差异图像中对应于像素的位置。位置包含像素及光学显微镜的点扩散函数的宽度内的其它附近像素(例如，周围像素)。确定经拟合点扩散函数的一或多个尺寸。可以与针对方法100(图1)的步骤108相同的方式执行步骤208的拟合。例如，步骤208可包含步骤110、112、114或116。点扩散函数针对其拟合的多个像素可为参考图像中的每一像素或被识别为候选像素(例如，参考图像中具有局部最大及/或最小灰度值的全部像素)的像素的子集。由于步骤208中的多个像素包含对应于缺陷的像素，所以步骤208是方法100(图1)的步骤108的实例。
至少部分基于一或多个尺寸，区分(218)多个像素中具有归因于半导体裸片的多个缺陷中的潜在所关注缺陷的信号的像素与具有归因于扰乱点缺陷的信号的像素。步骤218提供用于区分潜在所关注缺陷与扰乱点缺陷的方式，如在方法100(图1)的步骤118中。
在一些实施例中，从参考图像中的一组候选像素移除(220)不满足准则的像素。准则是基于一或多个尺寸中的至少一者。例如，准则可为像素是否满足阈值402、404、406及408(图4)中的一或多者，或作为多个尺寸的函数的度量是否满足准则(例如，像素是否落在平面(例如图4的σx-σy平面)中的对应形状内)。在一些实施例中，使用准则调整(222)所述一组候选像素中的差异图像中的相应像素的差异程度，所述准则是基于相应像素的经拟合点扩散函数的一或多个尺寸中的至少一者。如果经拟合点扩散函数的一或多个尺寸对应于缺陷不是所关注缺陷的可能性，那么可减小差异程度的量值，及/或如果经拟合点扩散函数的一或多个尺寸对应于缺陷是所关注缺陷的可能性，那么可增大差异程度的量值。在执行步骤220及/或222之后，从所述一组候选像素识别(224)潜在所关注缺陷。步骤220从所述一组候选像素移除可能对应于扰乱点缺陷的像素。步骤222使得可能对应于扰乱点缺陷的像素较不可能在步骤224中识别，及/或使得可能对应于所关注缺陷的像素更可能在步骤224中识别。以这些方式中的任一者或两者，区分潜在所关注缺陷与扰乱点缺陷，这是因为改进了在步骤224中识别的所关注缺陷对扰乱点缺陷的比率。
在一些实施例中，方法100及/或200进一步包含确定经拟合点扩散函数对于多个缺陷中的相应缺陷的拟合优度。例如，拟合优度可由拟合的残差平方和(“R-平方”度量)或由拟合的最大单个残差确定。区分(118)潜在所关注缺陷与扰乱点缺陷可进一步至少部分基于对于相应缺陷的拟合优度：增加拟合优度与缺陷是所关注缺陷且不是扰乱点缺陷的增加可能性直接相关，且相应地对缺陷进行分类。例如，如果拟合优度不满足阈值，那么可将对应缺陷分类为扰乱点缺陷或可从一组候选像素排除。在另一实例中，类似于步骤222，可基于拟合优度调整差异程度(例如，使得低拟合优度引起一或多个对应像素调整其灰度，使得其较不可能被识别为缺陷)。
图3展示根据一些实施例的识别所关注半导体缺陷的又一方法300的流程图。如同方法100(图1)及200(图2)，方法300可使用半导体检验系统500(图5)执行。可组合或分解方法300中的步骤。
在方法300中，检验(102)半导体裸片且导出(104)半导体裸片的测试图像与参考图像之间的差异图像，如针对方法100(图1)描述。
将多个点扩散函数的求和拟合(308)到差异图像。多个点扩散函数中的每一点扩散函数在半导体裸片中的不同预定义位置上居中且具有与光学显微镜相关联的固定宽度。(所述方法可容许根据工艺变动的预定义位置的程度移动。)确定拟合包含确定求和中的多个点扩散函数中的相应点扩散函数的系数。
例如，可使用多个高斯点扩散函数的求和：
Figure BDA0003053227830000071
其中Ai是待确定的系数，x0i及y0i是相应预定义位置的坐标，σx及σy是点扩散函数在x及y方向上的标准偏差，且N是不同预定义位置的数量及因此点扩散函数的数量。σx及σy的值固定(例如，使用检验工具504的已知值，图5)。例如：
Figure BDA0003053227830000072
其中λ是光学检验波长，NAillumination是检验工具中的照明系统的数值孔径，且NAcollection是检验工具中的集光系统的数值孔径。
高斯点扩散函数仅为可在方法300中求和的点扩散函数的一个实例。其它实例(例如，如针对方法100的步骤108描述，图1)可行。
至少部分基于相应点扩散函数的系数，区分(318)半导体裸片的多个缺陷中的潜在所关注缺陷与扰乱点缺陷。与其它系数(例如，其它Ai值)相比，具有大量值的系数(例如，Ai值)暗示所关注缺陷存在于对应点扩散函数的位置处。但是，在与其它系数相同的范围中的系数暗示扰乱点缺陷(例如，起因于工艺变动)。因此，如果缺陷的对应系数(或其量值)满足(例如，超过，或等于或超过)阈值，那么可将所述缺陷分类为所关注缺陷，且如果其对应系数(或其量值)不满足阈值，那么可将所述缺陷分类为扰乱点缺陷。阈值可经预定义或可为其它系数值(例如，其它Ai值)的函数(例如，平均值或中值)。
可结合方法100或200执行方法300，使得可至少部分基于如在方法100或200中确定的经拟合点扩散函数的尺寸且也至少部分基于如在方法300中确定的点扩散函数系数将缺陷分类为所关注缺陷。
在方法100、200及/或300的一些实施例中，产生指定潜在所关注缺陷的报告。例如，报告可列出全部缺陷(例如，使用其坐标)且指示每一缺陷是否已被分类为潜在所关注缺陷或扰乱点缺陷。替代地，报告可列出潜在所关注缺陷(例如，使用其坐标)且省略扰乱点缺陷。报告可为图形的；例如，报告可展示具有潜在所关注缺陷的位置的指示的裸片图。可将报告显示(例如，在显示器511上，图5)及/或传输到客户端装置以供显示。
因此，方法100、200及300容许区分潜在所关注缺陷与扰乱点缺陷，尽管有在差异图像中无法分辨缺陷的事实。在方法100、200及/或300的一些实施例中，至少部分基于经识别潜在所关注缺陷做出关于是否报废、重做或继续处理晶片的决策。在方法100、200及/或300的一些实施例中，随后针对潜在所关注缺陷中的一或多者执行失效分析(例如，包含扫描电子显微镜成像)。
图5是根据一些实施例的半导体检验系统500的框图。半导体检验系统500包含半导体检验工具504(即，光学显微镜)及相关联计算机系统，所述相关联计算机系统包含一或多个处理器502(例如，CPU)、用户接口510、存储器514及使这些组件互连的一或多个通信总线503。半导体检验系统500也可包含用于与远程计算机系统通信(例如，从其检索配方及/或将数据传输到其)的一或多个网络接口(有线及/或无线，未展示)。
检验工具504包含照明源505、照明及集光光学器件506、晶片夹507及图像传感器508。将半导体晶片装载到晶片夹507上以供检验。经散射离开晶片表面的光束由图像传感器508成像。
用户接口510可包含显示器511及一或多个输入装置512(例如，键盘、鼠标、显示器511的触敏表面等)。显示器511可显示缺陷分类的结果。
存储器514包含易失性及/或非易失性存储器。存储器514(例如，存储器514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514视情况包含与处理器502远程定位的一或多个存储装置及/或被可移除地插入计算机系统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514(例如，存储器514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516，其包含用于处置各种基本系统服务及用于执行硬件相依任务的程序；检验模块518(例如，用于引起步骤102被执行)；差异图像导出模块520(例如，用于执行步骤104)；缺陷识别模块522(例如，用于执行步骤106及/或224)；函数拟合模块524(例如，用于执行步骤108、208及/或308)；及缺陷分类模块526(例如，用于执行步骤118及/或318)。
因此，存储器514(例如，存储器514的非暂时性计算机可读存储媒体)包含用于执行方法100、200及/或300(图1到图3)的全部或部分的指令。存储于存储器514中的每一模块对应于用于执行本文中描述的一或多个函数的一组指令。不需要将单独模块实施为单独软件程序。可组合或以其它方式重新布置模块及模块的各种子集。在一些实施例中，存储器514存储上文识别的模块及/或数据结构的子集或超集。
图5意在比作为结构示意图更多地作为可存在于半导体检验系统中的各种特征的功能描述。例如，检验工具504的组件的布置可(例如，以此项技术中已知的方式)变动。可组合分开展示的项目且可分开一些项目。此外，可在多个装置之间分割半导体检验系统500的功能性。例如，存储于存储器514中的模块的部分可替代地存储于通过一或多个网络与半导体检验系统500通信地耦合的一或多个计算机系统中。
出于解释的目的，已参考特定实施例描述前述描述。但是，上文的说明性论述不意在为详尽的或将权利要求书的范围限于所揭示的精确形式。鉴于上文教示，许多修改及变动是可行的。选择实施例以便最佳解释作为权利要求书及其实际应用的基础的原理以借此使所属领域的其它技术人员最好地使用具有如适合所预期特定使用的各种修改的实施例。

Claims (22)

1.一种非暂时性计算机可读存储媒体，其存储用于通过包含光学显微镜的半导体检验系统的一或多个处理器执行的一或多个程序，所述一或多个程序包括用于以下项的指令：
导出半导体裸片的测试图像与参考图像之间的差异图像，其中通过使用所述光学显微镜检验所述半导体裸片而产生所述测试图像；
针对所述半导体裸片的多个缺陷中的每一缺陷，将点扩散函数拟合到如在所述差异图像中指示的所述缺陷且确定所述经拟合点扩散函数的一或多个尺寸；及
至少部分基于所述多个缺陷中的相应缺陷的所述经拟合点扩散函数的所述一或多个尺寸，区分所述多个缺陷中的潜在所关注缺陷与扰乱点缺陷。
2.根据权利要求1所述的计算机可读储存媒体，其中：
所述点扩散函数是二维高斯函数；且
所述一或多个尺寸包括指示所述经拟合高斯函数在第一方向上的宽度的第一尺寸及指示所述经拟合高斯函数在第二方向上的宽度的第二尺寸。
3.根据权利要求2所述的计算机可读储存媒体，其中：
所述第一尺寸是选自由所述经拟合高斯函数在所述第一方向上的标准偏差及所述经拟合高斯函数在所述第一方向上的半峰全宽组成的群组；且
所述第二尺寸是选自由所述经拟合高斯函数在所述第二方向上的标准偏差及所述经拟合高斯函数在所述第二方向上的半峰全宽组成的群组。
4.根据权利要求1所述的计算机可读储存媒体，其中所述一或多个尺寸包括：
所述经拟合点扩散函数在第一方向上的最大梯度之间的第一距离；及
所述经拟合点扩散函数在第二方向上的最大梯度之间的第二距离。
5.根据权利要求1所述的计算机可读储存媒体，其中所述一或多个尺寸包括：
第一面积，其在所述经拟合点扩散函数在第一方向上通过由所述经拟合点扩散函数的最大值的高度正规化的所述最大值的横截面下方；及
第二面积，其在所述经拟合点扩散函数在第二方向上通过由所述最大值的所述高度正规化的所述最大值的横截面下方。
6.根据权利要求1所述的计算机可读储存媒体，其中所述点扩散函数是辛克函数。
7.根据权利要求1所述的计算机可读储存媒体，其中所述点扩散函数是多项式函数。
8.根据权利要求1所述的计算机可读储存媒体，其中用于将所述点扩散函数拟合到所述缺陷的所述指令包括用于将所述点扩散函数的数值模拟拟合到所述缺陷的指令。
9.根据权利要求1所述的计算机可读储存媒体，其中所述一或多个程序进一步包括用于在将所述点扩散函数拟合到所述多个缺陷中的每一者的所述缺陷之前识别所述差异图像中的所述多个缺陷的指令。
10.根据权利要求1所述的计算机可读储存媒体，其中：
所述一或多个程序不包含用于在将所述点扩散函数拟合到所述多个缺陷中的每一者的所述缺陷之前识别所述多个缺陷的指令；且
用于将所述点扩散函数拟合到所述多个缺陷中的每一者的所述缺陷的所述指令包括针对所述差异图像中的多个像素中的每一相应像素，用于将所述点扩散函数拟合到所述差异图像中的相应位置的指令，其中所述相应位置对应于所述相应像素且包括所述相应像素及包围所述相应像素的所述多个像素的其它像素。
11.根据权利要求10所述的计算机可读储存媒体，其中用于区分所述潜在所关注缺陷与扰乱点缺陷的所述指令包括用于以下项的指令：
从所述差异图像中的一组候选像素移除不满足基于所述经拟合点扩散函数的所述一或多个尺寸中的至少一者的准则的像素；及
在执行所述移除之后，从所述一组候选像素识别所述潜在所关注像素。
12.根据权利要求10所述的计算机可读储存媒体，其中所述差异图像逐像素指示所述测试图像与所述参考图像之间的差异程度，且用于区分所述潜在所关注缺陷与扰乱点缺陷的所述指令包括用于以下项的指令：
使用基于所述相应像素的所述经拟合点扩散函数的所述一或多个尺寸中的至少一者的准则调整所述差异图像中的相应像素的所述差异程度；及
在执行所述调整之后，从所述一组候选像素识别所述潜在所关注缺陷。
13.根据权利要求1所述的计算机可读储存媒体，其中用于区分所述潜在所关注缺陷与扰乱点缺陷的所述指令包括用于以下项的指令：
针对所述多个缺陷的第一缺陷，确定所述经拟合点扩散函数的所述一或多个尺寸的第一尺寸超过，或等于或超过第一阈值；及
响应于确定所述第一尺寸超过，或等于或超过所述第一阈值，将所述第一缺陷分类为扰乱点缺陷。
14.根据权利要求13所述的计算机可读储存媒体，其中用于区分所述潜在所关注缺陷与扰乱点缺陷的所述指令进一步包括用于以下项的指令：
针对所述多个缺陷的第二缺陷，确定所述第一尺寸小于，或小于或等于第二阈值，其中所述第二阈值小于所述第一阈值；及
响应于确定所述第一尺寸小于，或小于或等于所述第二阈值，将所述第二缺陷分类为扰乱点缺陷。
15.根据权利要求1所述的计算机可读储存媒体，其中所述经拟合点扩散函数的所述一或多个尺寸包括两个尺寸，且用于区分所述潜在所关注缺陷与扰乱点缺陷的所述指令包括用于以下项的指令：
针对所述多个缺陷的第一缺陷，确定度量是否满足阈值，其中所述度量是所述两个尺寸的函数；及
响应于所述度量不满足所述阈值的确定，将所述第一缺陷分类为扰乱点缺陷。
16.根据权利要求1所述的计算机可读储存媒体，其中用于区分所述潜在所关注缺陷与扰乱点缺陷的所述指令包括用于提供所述多个缺陷的所述相应缺陷的所述经拟合点扩散函数的所述一或多个尺寸作为到经训练以区分潜在所关注缺陷与扰乱点缺陷的机器学习算法的输入的指令。
17.根据权利要求1所述的计算机可读储存媒体，其中所述一或多个程序进一步包括用于确定所述多个缺陷的所述相应缺陷的所述经拟合点扩散函数的拟合优度的指令，其中区分所述潜在所关注缺陷与扰乱点缺陷是进一步至少部分基于对于所述相应缺陷的所述拟合优度。
18.根据权利要求1所述的计算机可读储存媒体，其中所述多个缺陷的所述相应缺陷未在所述差异图像中被分辨。
19.根据权利要求1所述的计算机可读储存媒体，其中所述一或多个程序进一步包括用于产生指定所述潜在所关注缺陷的报告的指令。
20.一种半导体检验系统，其包括：
光学显微镜；
一或多个处理器；及
存储器，其存储用于通过所述一或多个处理器执行的一或多个程序，所述一或多个程序包含用于以下项的指令：
导出半导体裸片的测试图像与参考图像之间的差异图像，其中通过使用所述光学显微镜检验所述半导体裸片而产生所述测试图像；
针对所述半导体裸片的多个缺陷中的每一缺陷，将点扩散函数拟合到如在所述差异图像中指示的所述缺陷且确定所述经拟合点扩散函数的一或多个尺寸；及
至少部分基于所述多个缺陷中的相应缺陷的所述经拟合点扩散函数的所述一或多个尺寸，区分所述多个缺陷中的潜在所关注缺陷与扰乱点缺陷。
21.一种识别所关注半导体缺陷的方法，其包括：
使用光学显微镜检验半导体裸片以产生所述半导体裸片的测试图像；及
在包括一或多个处理器及存储用于通过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：
导出所述半导体裸片的所述测试图像与参考图像之间的差异图像；
针对所述半导体裸片的多个缺陷中的每一缺陷，将点扩散函数拟合到如在所述差异图像中指示的所述缺陷且确定所述经拟合点扩散函数的一或多个尺寸；及
至少部分基于所述多个缺陷中的相应缺陷的所述经拟合点扩散函数的所述一或多个尺寸，区分所述多个缺陷中的潜在所关注缺陷与扰乱点缺陷。
22.一种非暂时性计算机可读存储媒体，其存储用于通过包含光学显微镜的半导体检验系统的一或多个处理器执行的一或多个程序，所述一或多个程序包括用于以下项的指令：
导出所述半导体裸片的测试图像与参考图像之间的差异图像，其中通过使用所述光学显微镜检验所述半导体裸片而产生所述测试图像；
将多个点扩散函数的求和拟合到所述差异图像，其中所述多个点扩散函数中的每一点扩散函数在所述半导体裸片的不同预定义位置上居中且具有与所述光学显微镜相关联的固定宽度，所述拟合包括确定所述多个点扩散函数中的相应点扩散函数的系数；及
至少部分基于所述相应点扩散函数的所述系数，区分所述半导体裸片的多个缺陷中的潜在所关注缺陷与扰乱点缺陷。
CN201980073205.3A 2018-11-30 2019-11-27 通过将光学信号拟合到点扩散函数的缺陷分类 Active CN113039631B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862773834P 2018-11-30 2018-11-30
US62/773,834 2018-11-30
US16/355,584 US10957035B2 (en) 2018-11-30 2019-03-15 Defect classification by fitting optical signals to a point-spread function
US16/355,584 2019-03-15
PCT/US2019/063478 WO2020112922A1 (en) 2018-11-30 2019-11-27 Defect classification by fitting optical signals to a point-spread function

Publications (2)

Publication Number Publication Date
CN113039631A true CN113039631A (zh) 2021-06-25
CN113039631B CN113039631B (zh) 2024-04-05

Family

ID=70850191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980073205.3A Active CN113039631B (zh) 2018-11-30 2019-11-27 通过将光学信号拟合到点扩散函数的缺陷分类

Country Status (6)

Country Link
US (1) US10957035B2 (zh)
KR (1) KR20210087100A (zh)
CN (1) CN113039631B (zh)
IL (1) IL282902A (zh)
TW (1) TWI832931B (zh)
WO (1) WO2020112922A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359115A (zh) * 2022-03-18 2022-04-15 武汉精立电子技术有限公司 一种提高缺陷检测准确性的方法、计算机设备及可读介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11810284B2 (en) * 2020-08-21 2023-11-07 Kla Corporation Unsupervised learning for repeater-defect detection

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040032581A1 (en) * 2002-01-15 2004-02-19 Mehrdad Nikoonahad Systems and methods for inspection of specimen surfaces
US20150221076A1 (en) * 2014-02-06 2015-08-06 Kla-Tencor Corporation Defect detection and classification based on attributes determined from a standard reference image
US20160267658A1 (en) * 2013-10-15 2016-09-15 Carl Zeiss Microscopy Gmbh Scanning Microscope and Method for Determining the Point Spread Function (PSF)of a Scanning Microscope
US20170191945A1 (en) * 2016-01-01 2017-07-06 Kla-Tencor Corporation Systems and Methods for Defect Detection Using Image Reconstruction
US20170270652A1 (en) * 2016-03-17 2017-09-21 Kla-Tencor Corporation System, method and computer program product for identifying fabricated component defects using a local adaptive threshold
US20180276808A1 (en) * 2017-03-24 2018-09-27 Kla-Tencor Corporation Dynamic Care Areas for Defect Detection
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864394A (en) * 1994-06-20 1999-01-26 Kla-Tencor Corporation Surface inspection system
US5825482A (en) * 1995-09-29 1998-10-20 Kla-Tencor Corporation Surface inspection system with misregistration error correction and adaptive illumination
EP1526375B1 (en) * 1997-07-17 2006-03-01 Hoya Corporation Apparatus for inspecting a transparent material for non-uniformities
AU2001253755A1 (en) * 2000-04-24 2001-11-07 Washington University A physically-based, probabilistic model for ultrasonic images incorporating shape, microstructure and system characteristics
US6686994B2 (en) * 2002-03-28 2004-02-03 Kla-Tencor Technologies Corporation UV compatible programmable spatial filter
US7031796B2 (en) * 2003-09-03 2006-04-18 Kla-Tencor Technologies Corporation Radiation damage reduction
US7728969B2 (en) 2006-12-05 2010-06-01 Kla-Tencor Technologies Corp. Methods and systems for identifying defect types on a wafer
US7912658B2 (en) * 2008-05-28 2011-03-22 Kla-Tencor Corp. Systems and methods for determining two or more characteristics of a wafer
WO2009155502A2 (en) * 2008-06-19 2009-12-23 Kla-Tencor Corporation Computer-implemented methods, computer-readable media, and systems for determining one or more characteristics of a wafer
US8269960B2 (en) * 2008-07-24 2012-09-18 Kla-Tencor Corp. Computer-implemented methods for inspecting and/or classifying a wafer
JP5505007B2 (ja) * 2010-03-18 2014-05-28 富士通株式会社 画像処理装置、画像処理方法及び画像処理用コンピュータプログラム
CN102569115B (zh) * 2010-12-23 2015-04-22 无锡华润上华半导体有限公司 半导体器件缺陷的检测方法
US9625810B2 (en) * 2011-03-16 2017-04-18 Kla-Tencor Corporation Source multiplexing illumination for mask inspection
US8340456B1 (en) * 2011-10-13 2012-12-25 General Electric Company System and method for depth from defocus imaging
US9401013B2 (en) 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
US9310316B2 (en) * 2012-09-11 2016-04-12 Kla-Tencor Corp. Selecting parameters for defect detection methods
US9151881B2 (en) * 2012-11-12 2015-10-06 Kla-Tencor Corporation Phase grating for mask inspection system
JP5948262B2 (ja) * 2013-01-30 2016-07-06 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
US10545020B2 (en) * 2013-03-14 2020-01-28 Applied Materials Israel, Ltd. System, a method and a computer program product for size estimation
US9442077B2 (en) * 2013-08-28 2016-09-13 Kla-Tencor Corp. Scratch filter for wafer inspection
US9401016B2 (en) * 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
JP6486050B2 (ja) * 2014-09-29 2019-03-20 株式会社Ｓｃｒｅｅｎホールディングス 検査装置および検査方法
KR102392057B1 (ko) 2014-12-22 2022-04-28 삼성전자주식회사 자동 결함 분류 방법
US9816940B2 (en) * 2015-01-21 2017-11-14 Kla-Tencor Corporation Wafer inspection with focus volumetric method
US10261851B2 (en) * 2015-01-23 2019-04-16 Lightbend, Inc. Anomaly detection using circumstance-specific detectors
US9875536B2 (en) * 2015-03-31 2018-01-23 Kla-Tencor Corp. Sub-pixel and sub-resolution localization of defects on patterned wafers
US10067072B2 (en) * 2015-07-10 2018-09-04 Kla-Tencor Corporation Methods and apparatus for speckle suppression in laser dark-field systems
US9952422B2 (en) * 2016-01-14 2018-04-24 University Of Vienna Enhancing the resolution of three dimensional video images formed using a light field microscope
WO2017141611A1 (ja) * 2016-02-19 2017-08-24 株式会社Ｓｃｒｅｅｎホールディングス 欠陥検出装置、欠陥検出方法およびプログラム
EP3252452A1 (en) * 2016-05-25 2017-12-06 The Board of Trustees of the Leland Stanford Junior University Method for imaging and analysis of a biological specimen
US10753881B2 (en) * 2016-05-27 2020-08-25 Purdue Research Foundation Methods and systems for crack detection
DE102017203879B4 (de) * 2017-03-09 2023-06-07 Carl Zeiss Smt Gmbh Verfahren zum Analysieren einer defekten Stelle einer photolithographischen Maske
WO2018165753A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
WO2018213723A1 (en) * 2017-05-19 2018-11-22 The Rockefeller University Imaging signal extraction apparatus and methods of using same
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
DE102018201794B3 (de) * 2018-02-06 2019-04-11 Heidelberger Druckmaschinen Ag Adaptive Bildglättung
US10690486B2 (en) * 2018-07-03 2020-06-23 Amo Development, Llc Water-immersed high precision laser focus spot size measurement apparatus
US10755135B2 (en) * 2018-09-23 2020-08-25 Paulo Eduardo Xavier da Silveira Computational imaging device and method for improved corner detection
US10924727B2 (en) * 2018-10-10 2021-02-16 Avalon Holographics Inc. High-performance light field display simulator

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040032581A1 (en) * 2002-01-15 2004-02-19 Mehrdad Nikoonahad Systems and methods for inspection of specimen surfaces
US20160267658A1 (en) * 2013-10-15 2016-09-15 Carl Zeiss Microscopy Gmbh Scanning Microscope and Method for Determining the Point Spread Function (PSF)of a Scanning Microscope
US20150221076A1 (en) * 2014-02-06 2015-08-06 Kla-Tencor Corporation Defect detection and classification based on attributes determined from a standard reference image
US20170191945A1 (en) * 2016-01-01 2017-07-06 Kla-Tencor Corporation Systems and Methods for Defect Detection Using Image Reconstruction
US20170270652A1 (en) * 2016-03-17 2017-09-21 Kla-Tencor Corporation System, method and computer program product for identifying fabricated component defects using a local adaptive threshold
US20180276808A1 (en) * 2017-03-24 2018-09-27 Kla-Tencor Corporation Dynamic Care Areas for Defect Detection
US20180293721A1 (en) * 2017-04-07 2018-10-11 Kla-Tencor Corporation Contour based defect detection

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359115A (zh) * 2022-03-18 2022-04-15 武汉精立电子技术有限公司 一种提高缺陷检测准确性的方法、计算机设备及可读介质
CN114359115B (zh) * 2022-03-18 2022-06-03 武汉精立电子技术有限公司 一种提高缺陷检测准确性的方法、计算机设备及可读介质

Also Published As

Publication number Publication date
CN113039631B (zh) 2024-04-05
TW202038192A (zh) 2020-10-16
US10957035B2 (en) 2021-03-23
IL282902A (en) 2021-06-30
TWI832931B (zh) 2024-02-21
KR20210087100A (ko) 2021-07-09
WO2020112922A1 (en) 2020-06-04
US20200175664A1 (en) 2020-06-04

Similar Documents

Publication Publication Date Title
JP5275017B2 (ja) 欠陥検査方法及びその装置
TWI603409B (zh) 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
KR101934313B1 (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
JP6078234B2 (ja) 荷電粒子線装置
US20090290784A1 (en) Methods and systems for binning defects detected on a specimen
US20140198975A1 (en) Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method
CN112955732A (zh) 用于确定空白光罩上的缺陷的类型及大小的系统及方法
TW202105549A (zh) 對樣本的缺陷檢測的方法及其系統
TW201706959A (zh) 在圖案化晶圓上缺陷之子像素及子解析度局部化
US20140376802A1 (en) Wafer Inspection Using Free-Form Care Areas
US20080175466A1 (en) Inspection apparatus and inspection method
US8260034B2 (en) Multi-modal data analysis for defect identification
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
JP2006098152A (ja) 欠陥検出装置および欠陥検出方法
CN113039631B (zh) 通过将光学信号拟合到点扩散函数的缺陷分类
US20080040064A1 (en) Surface inspection apparatus and surface inspection method
TWI813871B (zh) 圖像處理程式、圖像處理裝置及圖像處理方法
JPWO2020092856A5 (zh)
WO2022230338A1 (ja) 欠陥を検出するシステム、及びコンピュータ可読媒体
JP5744965B2 (ja) 欠陥検査方法及びその装置
US11688055B2 (en) Methods and systems for analysis of wafer scan data
JP6031151B2 (ja) 欠陥検査方法及びその装置
JP2002048722A (ja) 欠陥検査装置
KR102680501B1 (ko) 화상 평가 장치 및 방법
WO2021075152A1 (ja) 欠陥分類装置、欠陥分類プログラム

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