CN113302478A - 半导体设备的缺陷分类和来源分析 - Google Patents

半导体设备的缺陷分类和来源分析 Download PDF

Info

Publication number
CN113302478A
CN113302478A CN202080008796.9A CN202080008796A CN113302478A CN 113302478 A CN113302478 A CN 113302478A CN 202080008796 A CN202080008796 A CN 202080008796A CN 113302478 A CN113302478 A CN 113302478A
Authority
CN
China
Prior art keywords
substrate
defect
defects
stage
data
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
CN202080008796.9A
Other languages
English (en)
Inventor
卡皮尔·索拉尼
理查德·A·戈奇奥
迈克尔·达内克
基思·威尔斯
基思·汉森
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.)
Lam Research Corp
Original Assignee
Lam Research 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 Lam Research Corp filed Critical Lam Research Corp
Publication of CN113302478A publication Critical patent/CN113302478A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • G—PHYSICS
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Quality & Reliability (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

可利用计算缺陷分析系统对包含电子组件的衬底上的缺陷进行分类，该计算缺陷分析系统可以多个阶段实现。例如，第一阶段分类引擎可处理计量数据以产生缺陷的初始分类。第二阶段分类引擎可利用该初始分类、以及制造信息和/或先验缺陷知识，以输出由一或更多个潜在来源造成缺陷的概率。

Description

半导体设备的缺陷分类和来源分析
通过引用并入
PCT申请表作为本申请的一部分与本说明书同时提交。如在同时提交的PCT申请表中所标识的本申请要求享有其权益或优先权的每个申请均通过引用全文并入本文且用于所有目的。
背景技术
工艺晶片上的颗粒及金属污染为产品故障的主要原因。受越来越小的技术节点驱动，半导体装置加工系统不断地发展。新工艺系统需要新的硬件组件、越来越复杂的组件、新的制造方法、以及对清洁与搬运技术的紧密控制。新部件的引入可能为晶片上的颗粒的主要来源。此外，现有工艺条件的变化可能导致颗粒生成。颗粒会引起装置缺陷，其使得良率降低，并且需要分析与资源(其可在他处被更好地使用)。
在此包含的背景及上下文的描述仅针对整体呈现公开内容的上下文的目的而提供。本公开内容的许多呈现发明人的成果，且单纯由于如此成果在背景技术部分中描述或在本文其他位置呈现为上下文，并不表示将其认为是现有技术。
发明内容
本文公开了缺陷分类方法和系统，其使用机器学习、深度学习、以及/或者其他计算技术以分析缺陷组成、形态、晶片图案图等，并选择性地将所得分析与下列各项结合：在室和/或机组(fleet)水平的缺陷分布的先验知识，以及其他信息，如组件制造数据、部件组成数据、材料与制造信息、以及其他工具或平台水平的数据。通过结合不同的输入并分析先验分布，可预测出精细化且准确的后验分布。可以多个水平或阶段进行该分析。在每个分析水平之后，可使缺陷分类准确性显著提升。
在本文实施方案的一方面中，提供了一种缺陷分析计算系统，该系统具有以下特征：(a)一或更多处理器；以及(b)用于在该一或更多处理器上执行的程序指令，这样的程序指令包含：一或更多个第一阶段缺陷分类引擎，其被配置成：接收针对包含电子装置或部分加工的电子装置的衬底上的缺陷而获得的计量数据，并且根据该计量数据而产生第一阶段缺陷分类；以及第二阶段缺陷分类引擎，其被配置成：接收由该一或更多个第一阶段缺陷分类引擎所产生的该第一阶段缺陷分类，接收制造信息，利用该第一阶段缺陷分类及该制造信息以确定该衬底上的缺陷的一或更多个来源，并且输出由第一来源造成缺陷的可能性，该第一来源与该制造设备、该衬底上的一或更多种材料、以及/或者加工工艺相关联。在某些实施方案中，该制造信息包含关于下列各项的数据：(i)在该衬底上执行加工工艺且在该衬底上产生缺陷的制造设备、(ii)该加工工艺、(iii)该衬底上的一或更多种材料、以及/或者(iv)该制造设备和/或加工工艺的先验缺陷分类。
在多种实施方案中，该计量数据包含图像、组成数据、以及/或者晶片图。在某些这样的情况下，该计量数据还包含与用于获得该计量数据的检测工具有关的元数据。
在一些实施方案中，该第一阶段缺陷分类包含该衬底上的缺陷的形态、组成、或晶片图分类。在某些情况下，该第一阶段缺陷分类引擎包含一或更多个神经网络。
该制造设备的示例包含干式蚀刻反应器、化学气相沉积反应器、原子层沉积反应器、物理气相沉积反应器、或电镀反应器。
在多种实施方案中，该第二阶段缺陷分类引擎被额外地配置成将该衬底上的缺陷进一步分类、以及/或者提供建议的改正措施，以减少该衬底上的缺陷生成和/或减少未来处理的衬底上发生缺陷的机会。在进一步实施方案中，该第二阶段缺陷分类引擎被配置成利用贝叶斯分析确定该衬底上的缺陷的该一或更多个来源。
在一些实施方案中，在该加工工艺期间原位地获得该计量数据。在某些实施方案中，该一或更多个第一阶段缺陷分类引擎被配置成接收包含下列各项的传感器数据：该加工工艺的环境条件、在该加工工艺期间该衬底的质量变化、在该加工工艺期间所经历的机械力、以及其组合，且该第二阶段缺陷分类引擎利用该传感器数据以确定该衬底上的缺陷的该一或更多个来源。
在本文实施方案的另一方面中，提供了一种分析缺陷的计算方法，该方法包含：接收针对衬底上的缺陷而获得的计量数据，该衬底包含电子装置或部分加工的电子装置，其中该计量数据包含图像、组成数据、以及/或者晶片图；根据该计量数据而产生第一阶段缺陷分类；接收制造信息，该制造信息包含关于下列各项的数据：(i)在该衬底上执行加工工艺且在该衬底上产生缺陷的制造设备、(ii)加工工艺、(iii)该衬底上的一或更多种材料、以及/或者(iv)该制造设备和/或加工工艺的先验缺陷分类；利用该第一阶段缺陷分类和该制造信息以确定该衬底上的缺陷的一或更多可能来源；以及输出由第一来源造成缺陷的可能性，该第一来源与该制造设备、该衬底上的一或更多种材料、以及/或者加工工艺相关联。
在多种实施方案中，该计量数据包含图像、组成数据、以及/或者晶片图。在一些这样的情况下，该计量数据还包含与用于获得该计量数据的检测工具有关的元数据。
在一些实施方案中，该第一阶段缺陷分类包含该衬底上的缺陷的形态、组成、或晶片图分类。在某些情况下，一或更多个神经网络根据该计量数据而产生该第一阶段缺陷分类。
在某些实施方案中，该制造设备为干式蚀刻反应器、化学气相沉积反应器、原子层沉积反应器、物理气相沉积反应器、或电镀反应器。
在许多实施方案中，该方法还包含利用该第一阶段缺陷分类和该制造信息以将该衬底上的缺陷进一步分类、以及/或者提供建议的改正措施，以减少该衬底上的缺陷生成和/或减少未来处理的衬底上的缺陷的发生。
在多种实施方案中，确定该衬底上的缺陷的一或更多可能来源的步骤包含进行贝叶斯分析(Bayesian analysis)。
在一些实施方案中，在该加工工艺期间原位地获得该计量数据。在某些实施方案中，该方法还包含接收包含下列各项的传感器数据：该加工工艺的环境条件、在该加工工艺期间该衬底的质量变化、在该加工工艺期间所经历的机械力、以及其组合；以及利用该传感器数据以确定该衬底上的缺陷的该一或更多可能来源。
在本文的实施方案的另一方面中，提供一种用于分析缺陷的计算机程序产品，该产品包含非瞬时计算机可读取介质，在该非瞬时计算机可读取介质上提供用于下列操作的计算机可执行指令：接收针对衬底上的缺陷而获得的计量数据，该衬底包含电子装置或部分加工的电子装置，其中该计量数据包含图像、组成数据、以及/或者晶片图；根据该计量数据而产生第一阶段缺陷分类；接收制造信息，该制造信息包含关于下列各项的数据：(i)在该衬底上执行加工工艺且在该衬底上产生缺陷的制造设备、(ii)该加工工艺、(iii)该衬底上的一或更多种材料、以及/或者(iv)该制造设备和/或加工工艺的先验缺陷分类；利用该第一阶段缺陷分类和该制造信息以确定该衬底上的缺陷的一或更多可能来源；以及输出由第一来源造成缺陷的可能性，该第一来源与该制造设备、该衬底上的一或更多种材料、以及/或者加工工艺相关联。
在多种实施方案中，该计量数据包含图像、组成数据、以及/或者晶片图。在某些这样的情况下，该计量数据还包含与用于获得该计量数据的检测工具有关的元数据。
在一些实施方案中，该第一阶段缺陷分类包含该衬底上的缺陷的形态、组成、或晶片图分类。在一些情况下，用于根据该计量数据而产生该第一阶段缺陷分类的指令包含：用于在一或更多个神经网络上处理该计量数据的指令。
在一些实施方案中，该制造设备为干式蚀刻反应器、化学气相沉积反应器、原子层沉积反应器、物理气相沉积反应器、或电镀反应器。
在多种实施方案中，用于确定该衬底上的缺陷的该一或更多可能来源的计算机可执行指令包含：用于在该第一阶段缺陷分类之外将该衬底上的缺陷进一步分类的计算机可执行指令。在某些实施方案中，计算机可执行指令提供建议的改正措施以减少该衬底上的缺陷生成和/或减少未来处理的衬底上的缺陷的发生。
在一些实施方案中，该衬底上的缺陷的该一或更多可能来源包含用于进行贝叶斯分析的计算机可执行指令。
在一些实施方案中，在该加工工艺期间原位地获得该计量数据。在一些实施方案中，用于产生该第一阶段缺陷分类的计算机可执行指令包含用于接收下列各项的传感器数据的计算机可执行指令：该加工工艺的环境条件、在该加工工艺期间该衬底的质量变化、在该加工工艺期间所经历的机械力、以及其组合，且用于确定该衬底上的缺陷的该一或更多可能来源的计算机可执行指令包含利用该传感器数据的指令。
在多种实施方案中，计算机可执行指令还包含用于以下操作的指令：利用由与该制造设备和/或加工工艺相关联的第一来源造成缺陷的可能性，以产生该制造设备和/或加工工艺的数字映射。
以下参照相关附图而详细描述公开实施方案的这些以及其他特征。
附图说明
图1A和1B呈现了缺陷分析系统的示例性架构。
图2呈现了一示例性实施方案的处理器的操作的流程图。
图3呈现了一示例性实施方案的框图。
图4呈现了第二示例性实施方案的框图。
图5呈现了缺陷和缺陷来源的示例。
图7A和7B呈现了使用图像数据对缺陷进行分类的示例。
图8呈现了一示例性计算机系统，其可用于实施本文所述的某些实施方案。
具体实施方案
术语
以下术语在本说明书中各处使用：
在本公开内容中，术语“半导体晶片”、“晶片”、“衬底”、“晶片衬底”、以及“部分加工的集成电路”可互换地使用。本领域技术人员会理解：术语“部分加工的集成电路”可指其上的集成电路加工的许多阶段中的任一阶段期间的半导体晶片。用于半导体装置产业中的晶片或衬底通常具有200mm、或300mm、或450mm的直径。该实施方案说明假设实施方案是在晶片上施行。然而，本发明并非受限如此。工件可以为各种外形、尺寸、及材料。除了半导体晶片之外，可利用本发明的其他工件包含各种对象，例如印刷电路板。
本文所用的“半导体装置加工操作”为在半导体装置的加工期间所进行的操作。通常，整体加工程序包含多个半导体装置加工操作，每个操作是在其本身的半导体加工工具(例如等离子体反应器、电镀槽、化学机械平坦化工具、湿式蚀刻工具等)中进行。半导体装置加工操作的范围包含削减式处理(例如蚀刻处理和平坦化处理)以及材料加成式处理(例如沉积处理，如物理气相沉积、化学气相沉积、原子层沉积、电化学沉积、无电沉积)。在蚀刻处理的背景下，衬底蚀刻处理包含蚀刻掩模层的处理，或者更概括地，包含蚀刻预先沉积于衬底表面上和/或存在于衬底表面上的任何材料层的处理。这种蚀刻处理可蚀刻衬底中的膜层堆栈体。
“制造设备”或“加工工具”是指在其中进行制造处理的设备，该制造处理可能在半导体衬底或其他工件中产生缺陷。制造设备通常具有处理室，在处理期间工件驻留于该处理室中。通常，当使用时，制造设备执行一或更多半导体装置加工操作。用于半导体装置加工的制造设备的示例包含沉积反应器(例如电镀槽、物理气相沉积反应器、化学气相沉积反应器、以及原子层沉积反应器)、以及削减式处理反应器(例如干式蚀刻反应器(如化学及/或物理蚀刻反应器)、湿式蚀刻反应器、以及灰化器)。
本文所用的“缺陷”为与工艺、膜层、或产品的适当功能的偏离。缺陷可以是随机或系统性的。工艺缺陷为与预期工艺的偏离，其可能导致所加工的装置或产品发生故障。工艺缺陷的一示例为残渣(scumming)，其中来自光致抗蚀剂的残留物在去除光致抗蚀剂后仍残留在晶片上。另一示例为装置中的组件之间的不期望有的桥接，其可能导致短路。颗粒缺陷可通过诸如组成、形状(或形态)、尺寸、及晶片上的位置等特性而分类。半导体衬底上的缺陷可能源自一或更多个来源，其通常是在衬底处理室中。处理室组件(例如喷头、室壁、密封件、以及窗)可能掉落呈颗粒形式的材料，其可能产生晶片缺陷。此外，某些加工工艺(例如蚀刻处理)可能造成再沉积物或残留物保留在衬底上，从而导致缺陷。另外，缺陷可能因衬底上的材料的移动而引起，例如热处理期间的材料回流、或在晶片的底部或侧部上的非预期颗粒沉积，这些颗粒随后移动并重新沉积于晶片的顶部上。
本文所用的“计量数据”是指：至少部分是通过对经处理的衬底或衬底于其中受处理的反应室的特征进行测量而产生的数据。可在反应室中进行半导体装置加工操作的同时或之后进行测量。在某些实施方案中，计量数据是通过在经蚀刻的衬底上执行下列各项的计量系统而产生：显微术(例如扫描式电子显微术(SEM)、透射式电子显微术(TEM)、扫描透射式电子显微术(STEM)、反射式电子显微术(REM)、原子力显微术(AFM))、或光学计量。当使用光学计量时，计量系统可通过根据所测得的光学计量信号而计算缺陷位置、形状、以及/或者尺寸，以获得关于它们的信息。在某些实施方案中，通过在被处理的衬底上进行反射测量、圆顶散射测量(dome scatterometry)、角分辨散射测量、小角度X射线散射测量、以及/或者椭圆偏振技术，以产生计量数据。在某些实施方案中，计量数据包含来自例如能量色散X射线光谱术(EDX)的光谱数据。当使用光谱术时，计量系统可获得关于缺陷组成的信息。计量数据的其他示例包含传感器数据，例如温度、室内的环境条件、衬底或反应器组件的质量变化、机械力等。
在某些实施方案中，计量数据包含与用于获得计量数据的计量系统条件有关的“元数据(metadata)”。元数据可视为对数据进行描述和/或表征的成组的标签。元数据属性的非排他性列表包含：
处理工具设计和操作信息，例如平台信息、机械臂设计、工具材料细节、部件信息、工艺配方信息等。
图像捕获细节，例如对比度、放大率、模糊、噪声、亮度等。
光谱生成细节，例如x射线着陆能量、波长、暴露/采样时间、化学光谱、检测器类型等。
计量工具细节，例如缺陷尺寸、位置、类别识别、采集时间、旋转速度、激光波长、边缘排除、明场、暗场、倾斜、正入射、配方信息等。
来自加工工艺的传感器数据(其可为原位或异位的)：所捕获的数据的光谱范围、能量、功率、处理终点细节、检测频率、温度、其他环境条件等。
机器学习模型：机器学习模型为经训练的计算模型，其采用从衬底上的缺陷提取的计量数据，并以例如组成、形状、尺寸、位置等对缺陷进行分类。机器学习模型的示例包含随机森林模型(其包括深度随机森林)、神经网络(其包括循环神经网络以及卷积神经网络)、受限玻尔兹曼(Boltzmann)机、循环张量网络(recurrent tensor networks)、以及梯度提升树。术语“分类器”(或分类模型)有时用于描述所有形式的分类模型，包括深度学习模型(例如，具有许多层的神经网络)、以及随机森林模型。
在该领域中，有些机器学习模型被表征为“深度学习”模型。除非另外指明，否则本文中任何提及“机器学习”处都包含深度学习的实施方案。可以以各种形式实施深度学习模型，例如通过神经网络(例如卷积神经网络)等。一般而言(虽然并非必然)，其包含多个层。每个这样的层包含多个处理节点，且这些层按顺序进行处理，其中较靠近模型输入的层的节点是在较靠近模型输出的层的节点之前进行处理。在许多实施方案中，一层馈入下一层，等等。输出层可包含代表各种缺陷分类(例如晶片上的位置(如边缘、中央、或随机)、组成(包括例如钨、氧化铝、以及氧化铜)、以及形态(例如团簇、片状、以及球形等))的节点。在某些实施方案中，深度学习模型为数据仅需非常少的预处理且输出缺陷分类的模型。
在多种实施方案中，深度学习模型具有很大的深度，并且可对大型或异质阵列的缺陷进行分类。在某些实施方案中，该模型具有多于两个(或多于三个或多于四个或多于五个)层的处理节点，其自前层接收数值(或为直接输入)并输出数值至后层(或最终输出)。内部节点通常为“隐藏的”，因其输入和输出数值在模型外部系不可见的。在许多实施方案中，在操作期间，隐藏节点的操作未受监视或纪录。
深度学习模型的节点与连接可经训练和重新训练而无需重新设计其数目、配置、与图像输入的接口等，仍可对大范围且异质的单元异常生成物(cellular artifacts)进行分类。
如所指出的，在许多实施方案中，节点层可共同形成神经网络，但许多深度学习模型具有其他结构和形式。深度学习模型的许多实施方案不具有分层结构，在这样的情况下，将“深度”表征为具有许多层的上述内容并不相关。
“贝叶斯分析”指的是使用可用证据来评估先验概率以确定后验概率的统计范式。先验概率是一种概率分布，其反映与待检测的一或更多参数有关的当前知识或主观选择。举例而言，先验概率可包含基于给定工具的不同类别的缺陷计数或缺陷类型的分布。先验概率也可以包含所存储的测量结果的方差系数或报出限(reporting limit)。证据为经收集或采样的新数据，其影响先验概率的概率分布。利用贝叶斯理论或其变形(其对于本领域技术人员而言是公知的)，将先验概率与证据结合以产生更新后的概率分布，其称为后验概率。在某些实施方案中，可使用该后验概率作为新的先验概率并结合新的证据，以重复进行贝叶斯分析多次。
“数字映射(digital twin)“为室或其他组件或工具的数学模型，其用作针对下列各项的参考：与使用历史的比较、组件/工具规格、以及/或者从收集组件或工具中的数据的各种网络化传感器所收集的计量数据。数字映射代表工具、组件、以及/或者加工工艺的功能。在某些实施方案中，数字映射是根据计量数据而构建的。在室各处设置传感器以在加工工艺期间不断地收集数据。接着，将所收集的数据组织成在加工工艺期间任何给定点的处理室的数字表示形式。在某些实施方案中，利用计量数据将数字映射模型化。在某些实施方案中，利用关于工具、组件、或工艺的历史信息和/或规格以构建数字映射。这种信息的示例包含消耗性部件的预期或观测到的使用寿命、维护计划等。
数字映射可用作其所模型化的工具或组件的参考系统。在室的操作期间，可将来自室中的各种传感器收集的数据与数字映射中所包含的信息进行比较。所收集的数据与数字映射的数据之间的差异可表示在加工工艺或衬底中可能发生不可接受的缺陷。
随着时间的推移，利用来自操作中的实际工具或处理的信息，可将数字映射改良。例如，随着加工工艺继续进行且缺陷分析持续进行，数字映射可将其数据更新以反映由室中的各种传感器所收集的数值的适当范围。随着时间的推移，数字映射可得知哪些传感器数值偏差可被归类为缺陷。
数字映射可实现作为机器学习模型(例如深度学习模型)。然而，通常，数字映射实施作为工具、组件、或处理的计算上简单的统计或分类模型。并且，即使将其实现作为神经网络或其他复杂机器学习算法，仍可使其相对简单(例如，其在神经网络中需要相对少的层)。当然，可利用更为计算密集性的缺陷分类算法(例如本文所述的缺陷分类以及来源识别算法)以产生这样相对简单的数位映射。在许多实施方案中，将传感器数据提供至数字映射和本文所述类型的缺陷分类模型。数字映射可使用这种数据以在加工工艺期间快速确定(有时是实时地)是否需要进行维护或某些补救措施。缺陷分类算法可使用这种数据以确定是否确实存在缺陷、确定这种缺陷的可能来源、以及/或者建议采取补救措施。例如，数字映射可在缺陷变得不可反逆之前识别加工工艺中的缺陷，使得对加工工艺的调整能够补救被检测的衬底上的缺陷，从而使得衬底良率提高。
“缺陷分析系统”是一种计算系统，其接收计量数据作为输入并提供缺陷分类作为输出。计量数据含有关于衬底上的一或更多缺陷的信息。缺陷分析系统还可接收与以下项相关的信息作为输入：用于执行产生缺陷的操作的特定制造设备和/或加工工艺。除了提供缺陷分类外，缺陷分析系统还可提供缺陷的来源或根本原因以作为输出。并且，在某些实施方案中，缺陷分析系统还可提供建议的补救措施，以减少或防止某些类型的缺陷在一件制造设备的未来操作中发生。建议的补救措施可包含对制造设备中所采用的工艺条件的修改、或对设备本身的修改。
在某些实施方案中，缺陷分析系统包含一或更多逻辑引擎或模块，其处理缺陷分析系统的不同功能。例如，一个引擎接收计量数据并提供缺陷的初始分类，而第二引擎接收该初始分类和关于产生缺陷的制造设备和/或设备上执行的处理的信息。该第二引擎可提供精细化的缺陷分类、根本原因识别、以及/或者建议的补救措施。所述引擎可实现作为软件或其他计算机指令。
“第一阶段缺陷分类引擎”将诸如缺陷图像、缺陷(及其周围)光谱、以及/或者晶片图的计量数据作为输入。第一阶段缺陷分类引擎可通过各种分类算法中的任一者来实现，其可以是机器学习模型。示例包含卷积神经网络、循环卷积神经网络、生成对抗网络、自动编码器等。第一阶段分类引擎输出缺陷分类，如缺陷组成、形状、尺寸、以及/或者在晶片上的分布。
缺陷分析系统可具有一或更多第一阶段分类引擎，其各自被配置成对来自一或更多个计量来源的输入进行处理。例如，一个第一阶段缺陷分类引擎可对晶片图进行处理，另一个可对光谱数据进行处理，而第三个可对图像进行处理。在某些实施方案中，单个的第一阶段缺陷分类引擎对从缺陷位置获得的两种或更多种不同类型的计量数据(例如光谱及图像数据)进行处理。一或更多个第一阶段缺陷分类引擎中的每一者可具有一或更多种不同的分类算法。
“第二阶段缺陷分类引擎”将来自至少一个第一阶段分类引擎的缺陷分类作为输入，并对其进行操作。这种输入可包含缺陷组成、形状、尺寸、以及/或者在晶片上的分布。第二阶段引擎输出精细化的缺陷分类、根本原因确定、以及/或建议的补救措施。在某些实施方案中，第二阶段缺陷分类引擎额外地接收关于在考虑中的产生缺陷的制造工具和/或处理的信息。
第二阶段缺陷分类引擎可通过各种分类算法中的任一者来实现，其可以为机器学习模型。在某些情况下，第二阶段缺陷分类引擎被配置成执行贝叶斯分析。在某些情况下，第二阶段缺陷分类引擎被配置成执行决策树(decision tree)。
缺陷的“缺陷来源”或“根本原因”是产生造成半导体衬底上的缺陷的颗粒或其他情况的工艺操作和/或设备组件。可能为缺陷来源的设备组件的示例包含喷头、环件、介电窗、处理室壁、气体管线、弹性体涂层、机械磨损、晶片传送系统、以及流体输送系统。在某些情况下，暴露于加工化学品的所有工艺部件都是潜在的缺陷来源。工艺参数的示例包含沉积前体、化学蚀刻剂、等离子体条件(例如等离子体功率、等离子体频率、衬底偏压、离子方向等)、气体流率以及压力、底座温度、工艺时序、室调节、阀顺序、或衬底质量。其他条件可包含衬底上的造成缺陷的一或更多种材料。任何这些来源导致的缺陷可能为颗粒、残渣(scumming)、桥接、针孔等。根本原因或来源还可指明与产生缺陷的设备组件相关的特定条件。示例包含在室壁、喷头、或底座上的沉积物、组件中的裂痕、磨损等。
术语“制造信息”是指与造成缺陷产生的加工工具相关的信息。制造信息可包含关于下列各项的信息：工具历史(包含关于先前产生的缺陷、先前在工具上执行的处理、以及其他相似工具的历史的信息)、在工具中的衬底上沉积或从其蚀刻的一或更多种材料等。制造信息还可以包含关于具有相同的某些组件或执行相似操作的其它工具的信息。
概述
由于缺陷对工艺质量和晶片良率造成直接影响，因此缺陷是半导体装置制造商以及加工设备供货商的首要处理问题。缺陷分类、识别缺陷来源、以及识别改正措施以消除缺陷来源需要持续的时间和资源投入，这不仅是在工艺开发期间，而且在工艺优化和硬件升级期间也是如此。
在缺陷分析期间，工程师被要求解决一系列的问题，包括识别晶片上的缺陷的形态、以及基于组成、尺寸、形状而将缺陷分类等等。最终，为了完全解决缺陷问题，工程师必须识别缺陷来源并实施改正措施。
按常规，基于化学光谱和/或形态而对缺陷进行分类，并将其归因于经人工完成的系统上的已知来源。有时，还可以基于晶片图上颗粒分布的位置、以及/或者基于其在非常熟悉的工具上的给定位置处的尺寸分布而识别缺陷。然而，该方法主要也是人工的。
即使有某些程度的自动化，工程师仍例行性地花费许多时间通过人工将缺陷分类。在此之后进行根本原因分析，例如鱼骨分析和/或其他方法。最终，一旦想出对于根本原因的假设，工程团队即不仅必须执行改正措施，还必须接着重复测试该假设的正确性。这是非常人工的且劳力密集的工作。据估计，工程师每年在无附加价值的分类和报告工作上花费23％-34％的精力。
所公开的方法和系统可提供精确且快速的缺陷分类、根本原因分析(以识别缺陷来源)、以及/或者建议的改正措施。本文所公开的方法和系统可提供自动化缺陷分析方法。在某些实施方案中，采用适应性分类技术(例如持续的机器学习)，并可将其应用于多个工具、多个系统升级等。在某些实施方案中，将诸如神经系统(例如卷积神经网络、循环神经网络、循环卷积神经网络、生成对抗神经网络、自动编码器等)的机器学习(例如深度学习)技术与工具数据(制造设备信息、组件级数据、平台信息、配方信息、室配置等)的先验知识的使用结合。所公开的方法还可采用数学似然形式的学科专业知识(利用贝叶斯及/或其他方法)。
计算缺陷分析系统
本公开内容的多个方面涉及用于将缺陷分类的计算工具，且在某些情况下涉及用于识别半导体加工反应室或工艺中的缺陷来源的计算工具。并且，在某些情况下甚至超出该范围，计算工具可建议改正措施以用于解决问题根源。在某些实施方案中，计算工具是管线化的，例如因为第一阶段缺陷分类引擎对原始或相对未经处理的数据(例如来自一或更多个计量工具的数据)进行操作并提供输出，该输出被馈送至第二阶段缺陷分类引擎，该第二阶段缺陷分类引擎提供整体缺陷分类和/或缺陷来源识别。在某些情况下，第二阶段缺陷分类引擎提供用于减少缺陷的建议程序。一般管线可包含来自一或更多个(例如三或更多个)来源的输入、以及馈送至中央分类引擎(例如第二阶段缺陷分类引擎)的多个分支。输入的来源可包含计量工具数据、加工工具和/或工艺信息、制造信息、以及/或者关于分类、来源、以及/或者解决方案的先验信息。
图1A表示示例性缺陷分析系统的示意图，该缺陷分析系统具有多个第一阶段缺陷分类引擎101、102、以及103与第二阶段缺陷分类引擎130。计量数据105被馈送至各个第一阶段缺陷分类引擎中，以分别产生第一阶段缺陷分类124、126、以及128。例如，晶片图106被馈送至第一阶段缺陷分类引擎101，其产生第一阶段缺陷分类124。形态数据107(例如缺陷的图像)被馈送至第一阶段缺陷分类引擎102，其产生第一阶段缺陷分类126。组成数据108被馈送至第一阶段缺陷分类引擎103，其产生第一阶段缺陷分类128。然而，应注意，在某些实施方案中，使用多于或少于三个的第一阶段缺陷分类引擎以提供第一阶段缺陷分类。可通过单个第一阶段缺陷分类引擎或多个第一阶段缺陷分类引擎对计量数据105进行处理。计量数据105还可被分成不同类别的数据，并被专门地馈送至第一阶段缺陷分类引擎中(如此处所示)、或被馈送至多个第一阶段缺陷分类引擎中。
在所描绘的实施方案中，计量数据105可包含晶片图106、形态数据107、以及/或者组成数据108。晶片图为通过检测衬底上的异常的计量工具在加工工艺期间或之后所获得的衬底表示。晶片图(例如Klarf图)使得缺陷及缺陷密度可视化，并且可用于基于图案(例如线条、曲线、或团簇)以及位置(例如边缘、中心、或衬底上的相对位置)而对缺陷进行分类。晶片图可显示与特定加工工艺或制造设备所产生的缺陷对应的图案，例如与喷头匹配的线条、或在边缘处与制造设备的环匹配的环形。以此方式，晶片图可用于基于将缺陷图案与潜在的缺陷来源匹配而确定缺陷来源。晶片图也可暗示性地建议有关补救措施的信息，例如将剥落颗粒至晶片上的组件更换。当然，晶片图与特定缺陷来源之间的关联可能要复杂得多，且不易检测和/或甚至不易被非常能干的工程师所理解。
图5和图6显示了两个示例性晶片图：晶片图500和晶片图600。在分析晶片图500的过程中，第一阶段缺陷分类引擎可针对两个潜在缺陷来源而产生分类，一个为大型颗粒缺陷502，而另一个为小型颗粒缺陷501。在分析晶片图600的过程中，第一阶段缺陷分类引擎可基于邻近边缘的缺陷的位置而产生分类，且可额外地基于缺陷来源而产生分类。对于晶片图600而言，可假定晶片夹601会造成某些缺陷。第一阶段缺陷分类可将缺陷分类为在边缘处，而第二阶段缺陷分类引擎会将可能的缺陷来源确定为晶片夹601的接触点。再次说明，这些简单示例说明了缺陷分析系统可使用的信息及其可能考虑的数据与来源之间的关系。其会经训练以处理远远更复杂的情况并提供定量指导。
形态数据可包含特定缺陷的图像，且可用于对缺陷的尺寸和/或形状进行分类。可利用电子显微术、原子力显微术、或其他成像技术以获得图像。大于或小于某些数值的缺陷可能仅由特定来源所致。特定形状或尺寸的缺陷也可能与组成或微结构相关联，并因此促成来源识别。
图5显示了小型颗粒缺陷501与大型颗粒缺陷502的形态数据。在一示例性实施方案中，第一阶段缺陷分类引擎处理全部的十个图像以产生一或更多个第一阶段缺陷分类。一般而言，第一阶段缺陷分类引擎可处理缺陷的每个图像，其可以是单一图像或多个图像。也可能存在多个的缺陷来源，在此情况下，第一阶段缺陷分类引擎可能针对所有缺陷而产生单一分类、针对所有缺陷而产生多个分类、以及/或针对不同的缺陷分组而产生多个分类。第一阶段缺陷分类可说明缺陷的尺寸和/或形状。
组成数据可包含光谱信息，其与缺陷组成以及周围环境相关联。产生光谱信息的技术的示例包含X射线光谱术(例如EDS)、俄歇(Auger)电子能谱术、波长色散X射线光谱术、以及X射线绕射(XRD)。
计量数据还可包含与用于从晶片收集计量数据的计量工具的一或多者相关的元数据。这可能包含给定工具上的操作设定或工具所接收的先验计量数据。在某些实施方案中，计量数据包含用于收集计量数据的特定计量工具、其构造及设计、制造商、以及其在使用过程中其运行的条件。
回到图1A，晶片图106、形态数据107、以及组成数据108被分别馈送至第一阶段分类引擎101、102、以及103中，以分别产生第一阶段缺陷分类124、126、以及128(例如，机器学习模型的输出)。在某些实施方案中，与形态(例如图像)及组成(例如光谱)有关的计量数据被馈送至单个第一阶段缺陷分类引擎中，而在其他实施方案中，将所有计量数据馈送至单个第一阶段缺陷分类引擎中，且仅有一个第一阶段缺陷分类。在机器学习的实施方案中，第一阶段缺陷分类的选项(例如，薄片对团簇、或钨对氧化钇)由有用户定义，用户建立训练集以训练第一阶段缺陷分类引擎101、102、以及103。
在图1A中所描绘的实施方案中，第一阶段缺陷分类引擎101、102、以及103为机器学习模型。然而，应注意，在其他实施方案中，第一阶段缺陷分类引擎可以是不同的分类算法，例如分类树。机器学习模型利用来自计量工具的原始数据以将晶片上的缺陷分类。在某些实施方案中，利用卷积神经网络以处理来自计量工具的图像数据(例如晶片图或形态数据)，而光谱数据是由使用不同算法的不同机器学习模型处理。在其他实施方案中，通过单个第一阶段缺陷分类引擎以处理多个类型的计量数据。例如，形态数据以及光谱数据可通过相同的第一阶段缺陷分类引擎进行处理。在许多实施方案中，通过单一机器学习模型(例如卷积神经网络)以处理形态数据以及光谱数据，其中形态数据经过一个或更多卷积层，且光谱数据被提供至卷积神经网络的第一完全连接层。一或更多卷积层的输出还被提供至第一完全连接层。在某些实施方案中，机器学习模型(例如上述模型中的任一者)被配置成产生缺陷或缺陷群组的一或更多个推定分类。
在图1A中所描绘的实施方案中，第一阶段缺陷分类124、126、以及128被馈送至具有数据存储132的第二阶段缺陷分类引擎130中。数据存储132可存储关于加工工具的制造信息或关于半导体装置加工操作的信息。数据存储132还可存储关于先前缺陷的信息，包括分类、根本原因、以及防止将来发生相似缺陷的改正措施。数据存储132还可存储关于使用相似部件的相似工具的信息。数据存储132中的信息还可包含来自工艺工程师以及操作员的信息，这些工艺工程师以及操作员着手于缺陷并识别缺陷的来源或根本原因、以及在减少或消除缺陷方面有效或无效的改正措施。
在所描绘的实施方案中，第二阶段缺陷分类引擎130被配置成利用来自数据存储132的信息(包括来自第一阶段缺陷分类引擎的输出)以及先验概率134a以进行分析。数据存储132可包含有关下列各项的信息：模块(例如构造的材料、磨损率等)、平台信息(例如构造的材料、机械手、机械接触、负载闸等)、配方信息、以及制造信息。先验概率134a包含来自先验分析的结果，包括缺陷数分布、不同类别的缺陷类型、以及与各种工具相关的缺陷类别。该分析的结果(其为第二阶段分类引擎130的输出)可以是缺陷的更加精细的分类(有时称为第二阶段缺陷分类138a)、以及/或者如下所述的其他信息。在某些实施方案中，利用贝叶斯分析以完成该分析，但在其他实施方案中，使用不同统计分析以产生第二阶段缺陷分类138a。在某些实施方案中，使用分类树。在某些实施方案中，使用机器学习模型。
贝叶斯分析需要先验概率，该先验概率可以是对缺陷、缺陷的来源、以及/或者用于防止缺陷发生的补救措施进行分类的初始概率分布。接着，利用可得证据以评估先验概率和确定后验概率，后验概率为第二阶段缺陷分类、缺陷的来源、以及/或者补救措施。第一阶段缺陷分类为用于评估先验概率的证据的一部分。换言之，第一阶段分类引擎可提供与正被观察的缺陷相关的结果。先验分析是基于来自过去结果的数据。第一阶段缺陷分类的第i步骤结果可用作第二阶段分析期间的第i+1步骤。数据存储中的信息可用作产生先验概率的一部分、作为评估先验概率的证据而被馈入至该分析中、或两者兼而有之。先验概率还包含来自先前缺陷分析的后验概率。
第二阶段缺陷分类138a的形式可取决于用于产生它的特定方法或算法的形式。在某些情况下，第二阶段缺陷分类138a包含多个分类，每个分类具有归因于其的相关联的概率或似然值。此外，第二阶段缺陷分类138a可包含缺陷的一或更多个来源或根本原因、以及归因于它们中的每一个的概率或似然值。更进一步，第二阶段缺陷分类138a可包含一或更多种改正措施、以及改正措施成功减少或移除缺陷的关联概率。
改正措施可包含部件更换(例如经腐蚀的气体管线、过滤器故障、O型环失效、其他部件故障、泵故障、部件磨损、部件/孔口堵塞等)、部件清洁(例如导致喷头图案的喷头清洁不佳、观察端口脏污、混合碗脏污、气体管线起尘/污染、ESC污染等)、部件重新设计(例如起因于工具中的机械臂和/或其他接触点的机械刮痕、侵蚀性等离子体清洁损坏管件、PM门摩擦/接触、RF接地不良、边缘环高度等)、化学品残留检查/校正(例如气相冷凝、室清洁不足等)、操作员行为(例如晶片搬运、不正确的工艺及/或计量配方等)、工艺调整(例如涂层剥除、室调节不足、不足的底涂层、预涂层和清洁、膜内缺陷(如火山/凹孔)、不稳定的等离子体模式等)、或其组合。
图1B表示示例性缺陷分析系统的另一示意图，其中计量数据105被馈送至两个第一阶段缺陷分类引擎111和112以及第二阶段缺陷分类引擎130。在该图中，第一阶段缺陷分类引擎111对原位计量数据109进行操作，以输出第一阶段缺陷分类121。原位计量数据在室内收集，且可在加工工艺之前、期间、或之后收集。原位计量数据109包含例如来自下列各项的数据：散射测量术、反射测量术、椭圆偏振术、光谱测量术、衬底质量、或其他传感器数据。原位计量数据109可用于在加工期间将缺陷分类。在某些实施方案中，原位计量数据可用于建议改正措施，改正措施对从其收集原位计量数据的衬底上的缺陷进行补救。例如，通过在进行下一加工工艺之前蚀刻衬底以移除桥接的材料，以改正桥接缺陷。这能通过实时对缺陷进行识别和补救而使衬底的良率提高。
在某些实施方案中，第一阶段缺陷分类引擎112对异位计量数据110进行操作。异位计量数据在室外部收集，且通常是在加工工艺之后进行。异位计量数据110被第一阶段缺陷分类引擎112所使用，以输出第一阶段缺陷分类122。
在图1B中所描绘的实施方案中，第一阶段缺陷分类121和122被馈送至第二阶段分类引擎130中。与图1A的实施方案相似，第二阶段分类引擎130利用数据存储132(包括来自第一阶段缺陷分类引擎的输出)及先验分析134b以进行分析。该分析的结果(其为第二阶段缺陷分类引擎130的输出)可以是缺陷的更加精细的分类，其有时称为第二阶段缺陷分类138b。
为了收集可在计算缺陷分析中使用的各种数据，可以使用除了上述缺陷分类传感器之外的各种传感器。这样的额外的传感器可配置成用于原位和/或异位数据收集。如所指示的，这样的传感器可包含下列各项的传感器：加工工艺的环境条件(例如温度、压力、流率、等离子体条件等)、加工工艺期间的质量变化、加工工艺期间所经历的机械力、以及其组合。可将这样的数据馈送至第一阶段和/或第二阶段缺陷分类引擎。
在一些实施方案中，使用数字映射以模仿第一阶段缺陷分类引擎111或112和/或第二阶段缺陷分类引擎的某些或所有行为。在某些实施方案中，这样的数字映射接受第一和/或第二阶段缺陷分类引擎所使用的一些或全部输入。如所指示，数字映射可以是室、组件、以及/或者衬底的数学模型，其用作与所收集的计量数据比较的参考。在某些实施方案中，数字映射能够基于所收集的计量数据和/或其他传感器数据而更快速地对某些缺陷进行分类。
在一些实施方案中，数字映射是由与多个室整合的各种网络化传感器所产生的，其实现了工业4.0。将类似的传感器与大量的室、工具、或平台一起使用，以收集有关在各个室、工具、或平台所执行的相似工艺的数据。接着，使用数字映射以检测大量的室、工具、或平台之间的差异。接着，可利用网络化传感器与设备的结合以分析室、工具、或平台上各处的缺陷，以确定多件设备所共有的根本原因。
图2为一程序流程图，其显示了在根据某些公开实施方案的方法中所执行的操作。可以在任何合适的系统上执行所公开的操作，而不管其是否为如图1的系统中所示的管线化的。在操作201中，收集计量数据。如所说明的，计量数据可包含晶片图、指示缺陷(或多个缺陷)的尺寸和形状的形态数据、包含光谱的组成数据、以及/或者关于缺陷的其他数据。
在操作202中，对计量数据进行分析，以产生一或更多个第一阶段缺陷分类。在某些实施方案中，使用机器学习模型将缺陷分类成许多分类。
在操作203中，获得或收集制造信息。制造信息包含关于制造设备(例如制造设备中所存在的材料)、其组件的设计、以及其配置的信息。制造信息还可以包含关于加工工艺的信息，包括工艺配方信息。制造信息还可包含关于衬底上的材料的信息，例如其组成、尺寸、或形状。制造信息还可包含基于制造设备、加工工艺、或衬底上材料的先前缺陷分类信息。
在操作204中，将制造信息与来自操作202的第一阶段缺陷分类一起进行分析。可利用各种统计方法以进行该分析。在一实施方案中，使用贝叶斯分析以产生一或更多个可能的缺陷来源。在另一实施方案中，使用机器学习模型。在许多实施方案中，使用分类树。在某些实施方案中，使用聚类算法。在一些实施方案中，使用诸如主成分分析(PCA)之类的降维技术。
在操作205中，提供一或更多个可能的缺陷来源。在某些实施方案中，可能存在缺陷的进一步分类或建议的补救措施，以减少在未来衬底上出现缺陷的机会。补救措施可以包含制造设备或加工工艺的变更、各种组件的清洁或更换、或工艺中所使用的材料的变更。
图3是显示一示例性程序的框图，该程序将晶片上的缺陷识别为氧化铝。如图所示，形态数据304和光谱数据306被馈送至卷积神经网络314中，卷积神经网络314产生第一阶段缺陷分类322和324。在某些实施方案中，形态数据是图像，其通过卷积神经网络的卷积层进行处理。接着，卷积的输出可以与光谱数据一起被馈送至完全连接层。于是第一阶段缺陷分类322和324可包含关于缺陷组成的分类，并且对缺陷的尺寸和形状进行分类。
在该示例中，晶片图数据308被馈送至单独的卷积神经网络316，以产生第一阶段缺陷分类326和328。这些分类与分类322和324不同，但第一阶段缺陷分类324和328两者都可表明缺陷的潜在组成。应注意，神经网络316已被训练成不仅输出缺陷的位置/分布的分类(分类326)，而且还输出缺陷组成的可能分类(分类328)。虽然第一阶段缺陷分类324表明缺陷含有钨的概率高，但第一阶段缺陷分类328表明缺陷含有钨的概率相对较低，反而表明缺陷含有氧化铝的概率高。
接着，使用贝叶斯分析引擎336以分析第一阶段缺陷分类以及来自数据存储332与先验分析334的信息。在该示例中，贝叶斯分析引擎336可视为第二阶段缺陷分类引擎的唯一或主要组件。如上所说明，诸如数据存储332的数据存储可包含制造信息330，例如关于加工工艺的信息、配方信息、通过工艺已沉积或移除哪些材料、以及特定工具的历史数据。
第二阶段缺陷分类338为贝叶斯分析的结果。这是精细化的缺陷分类，因为其提供比任何第一阶段缺陷分类更可能正确的分类。在该示例中，氧化铝为缺陷的主要成分的概率非常大，而钨为主要成分的概率低许多。在某些实施方案中，第二阶段缺陷分类还输出缺陷的潜在来源和/或可能的补救措施以防止将来发生缺陷。
图4为显示一示例性程序的框图，该程序将晶片上的缺陷识别为钨球。如图所示，形态数据404和光谱数据406被馈送至卷积神经网络414中，卷积神经网络414产生第一阶段缺陷分类422和424。在某些实施方案中，形态数据为图像，其通过卷积神经网络的卷积层处理。接着，卷积的输出可与光谱数据一起被馈送至完全连接层。于是第一阶段缺陷分类422和424可包含关于缺陷组成的分类，并且对缺陷的尺寸和形状进行分类。
在该示例中，晶片图数据408被馈送至单独的卷积神经网络416，以产生第一阶段缺陷分类426和428。这些分类与分类422和424不同，尽管第一阶段缺陷分类424和428两者都可表明缺陷的潜在组成。应注意，神经网络416已被训练成不仅输出缺陷的位置/分布的分类(分类426)，而且还输出缺陷组成的可能分类(分类428)。第一阶段缺陷分类424与第一阶段缺陷分类428两者都表明缺陷含有钨的概率高，而缺陷含有不同分子的概率相对较低。
接着，使用贝叶斯分析引擎436以分析第一阶段缺陷分类以及来自数据存储432与先验分析434的信息。在该示例中，贝叶斯分析引擎436可视为第二阶段缺陷分类引擎的唯一或主要组件。如上所说明的，诸如数据存储432之类的数据存储可包含制造信息430，例如关于加工工艺的信息、配方信息、通过工艺已沉积或移除哪些材料、以及特定工具的历史数据。
第二阶段缺陷分类438为贝叶斯分析的结果。这是精细化的缺陷分类，因为其提供比任何第一阶段缺陷分类更可能正确的分类。在该示例中，钨为缺陷的主要成分的概率非常大。在一些实施方案中，第二阶段缺陷分类还输出缺陷的潜在来源和/或可能的补救措施以防止将来发生缺陷，例如在等离子体蚀刻处理之后调整清洁处理以完全移除化学品。
图5为可由第一和/或第二阶段缺陷分类引擎进行处理的计量数据的示例性说明图。晶片图500显示了衬底上的缺陷的位置。小型颗粒缺陷501和大型颗粒缺陷502为形态数据的示例，其可由第一阶段缺陷分类引擎所收集和处理以基于尺寸和形状而产生分类。如图表505所示，超过50％的颗粒缺陷小于0.0985微米，且至少25％的颗粒缺陷非常大。接着，第二阶段缺陷分类引擎可对该数据进行处理，以进一步将缺陷分类或产生一或更多可能的缺陷来源(例如晶片夹或喷头)。
图6为将衬底上的缺陷与缺陷的可能来源联系起来的示例性说明图。晶片图600具有与晶片夹601的接触点相匹配的缺陷图案602。第一阶段缺陷分类引擎可将缺陷图案602分类为晶片的特定部分上的边缘缺陷，而第二阶段缺陷分类引擎会进一步将缺陷的可能来源分类和产生作为晶片夹601。
图7A和7B为仅使用形态数据或结合使用形态数据与组成数据对缺陷进行分类的示例性说明图。在图7A中，图像701和图像711分别与光谱数据703和光谱数据713一起经由卷积神经网络(未图标)处理，以产生第一阶段缺陷分类705和715。
在图7B中，图像721和图像731分别单独地经由卷积神经网络(未图标)进行处理，以产生第一阶段缺陷分类725和735，其提供缺陷组成的概率。有趣的是，仅使用图像作为输入数据，机器学习模型能够输出具有99.9％概率的基于组成的分类。EDS产生的光谱723和733分别确认了第一阶段缺陷分类725和735。仅使用图像数据而不收集光谱数据的缺陷分析是有利的，因为与收集光谱数据相比，收集图像数据可能更容易且成本更低。光谱中的噪声或信号重叠可能降低其对于缺陷分类的效用。
图像数据可能难以人工处理，特别是对于其用于基于缺陷组成而将缺陷分类而言。经高度训练的工程师可以学习仅基于缺陷的形态而对缺陷组成进行分类，但其需要多年时间以形成这样的经验。另一方面，缺陷分析系统可经训练以如工程师般地将缺陷分类、或者甚至更佳且效率提高。
应用
本文所述的缺陷分析系统可节省分类缺陷、识别缺陷来源、和实施适当补救措施的时间。缺陷分析系统还可提供对于缺陷来源的洞察力横跨多个工具或工具群组的补救措施。例如，缺陷分析系统可确定一个清洁程序对于氧化铝成分而言比另一清洁程序更为有效。
如上所述，工程师每年可能花费其23％-34％的时间对缺陷进行分类、测试补救措施、以及撰写报告。缺陷分析系统可使花费在这种工作上的时间减少多达70％，其使得工程师探究缺陷的时间效率获得改善。
缺陷分析系统还可用于建议预防性保养。组件随着时间推移或重复使用而磨损和劣化，从而导致颗粒在衬底上引起缺陷。缺陷分析系统可确定在满足先决条件(例如大量使用或不同使用组合)后更有可能发生特定缺陷，因此一旦满足这样的先决条件，即建议进行预防性维护。预防性维护可以包含更换组件或调整加工工艺，以消除或减少缺陷数量。
本发明的方法和系统可通过下列方式而节省时间及成本：减少花费在收集计量数据上的时间、减少在改正缺陷之前产生的缺陷晶片的数量、更快速地将缺陷分类、更快速地识别根本原因和补救措施、跨具有相似组件和/或缺陷的不同产品而建议解决方案、在中央数据存储中维护知识等。
与解决半导体工艺设备上的缺陷问题的传统方法相比，本发明中所提出的方法具有显著的优点。所述方法不仅可提高分析速度(其对于识别根本原因和解决问题是重要的)，而且还可利用工具、平台、以及所制造的组件的先验知识以改善其准确性。
所公开的计算实施方案的背景
此处所公开的某些实施方案涉及用于生成和/或使用机器学习模型的计算系统。此处所公开的某些实施方案涉及用于生成和/或使用在这些系统上实现的机器学习模型的方法。可设置用于生成机器学习模型的系统，以分析用于将表示或关系校正或优化的数据，该表示或关系用于表现衬底上的缺陷的分类、来源、或补救方式。还可设置生成机器学习模型的系统，以接收诸如表示在半导体装置制造操作期间所发生的物理工艺的程序代码的数据和指令。以此方式，在这种系统上生成或程序化机器学习模型。用于使用机器学习模型的程序化系统可被设置成(i)接收诸如衬底上缺陷的计量数据之类的输入，以及(ii)执行确定衬底上缺陷的分类、来源、或补救方式的指令。
具有各种计算机架构中的任何一种的计算系统的许多类型可实现为所公开的用于实施机器学习模型的系统；以及用于生成和/或优化这种模型的算法。例如，该系统可包含在一或多个通用处理器或专门设计的处理器(例如专用集成电路(ASIC)或可编程逻辑设备(例如现场可编程门阵列(FPGAs))的特殊设计的处理器上执行的软件组件。另外，该系统可在单一装置上实现或分布遍及多个装置。计算部件的功能可彼此合并或是进一部分成多个子模块。
在某些实施方案中，在恰当地程序化的系统上在机器学习模型的生成或执行期间执行的程序代码可以软件部件的形式实现，该软件部件可存储于非挥发性存储介质(诸如光盘、快闪存储装置、行动硬盘等)中，包含用于制造计算机装置(诸如个人计算机、服务器、网络设备等等)的大量指令。
在一个级别，软件部件被实现为由程序设计员/开发员所准备的成组的指令。然而，可由计算机硬件执行的模块软件是使用“机器码”提交给存储器的可执行程序代码，该“机器码”是选自设计在硬件处理器中的特定机器语言指令组或“原生指令(nativeinstruction)”。该机器语言指令组、或原生指令组对硬件处理器是已知的且基本上内置于其中。这是系统及应用软件与硬件处理器通信的“语言”。每个原生指令是离散码，该离散码由处理架构所识别，且该离散码可以为算数、寻址、或控制功能；特定内存位置或偏置；以及用于解释操作数的特定寻址模式而指定特定寄存器。更复杂的操作通过结合这些简单原生指令进行构建，该原生指令是按顺序、或者由控制流程指令所指示以其他方式执行。
可执行的软件指令与硬件处理器之间的相互关系是结构性的。换言之，该指令本身是一系列符号或数值。它们本质上并不传达任何信息。其是处理器，该处理器按照设计预先配置以解释所述符号/数值，从而赋予意义给指令。
此处所使用的模型可被设置成在单一位置的单一机器上、在单一位置的多个机器上、或是在多个位置的多个机器上执行。当使用多个机器时，可针对它们的特定任务定制各个机器。例如，可以在大型和/或固定机器上实现需要大代码块和/或显著处理能力的操作。
此外，某些实施方案与有形的和/或非暂时计算机可读介质或计算机程序产品相关，该计算机程序产品包括用于执行各种计算机实施的操作的程序指令和/或数据(包含数据结构)。计算机可读介质的示例包含但不限于：半导体内存装置；相变装置；诸如硬盘、磁带之类的磁介质；诸如CD、磁光介质之类的光学介质；以及特别设置以存储以及执行程序指令的硬件装置，诸如只读存储器(ROM)以及随机存取存储器(RAM)。计算机可读的介质可由终端用户直接控制，或者该介质可由终端用户间接控制。直接控制介质的示例包含位于用户工厂的介质和/或不与其他实体共享的介质。间接控制介质的示例包含用户经由外部网络和/或经由提供诸如“云端”的共享资源的服务可间接访问的介质。程序指令的示例包含机器程序代码(例如由编译程序所产生)和含有可由计算机使用解释器执行的更高级程序代码的文件两者。
在多种实施方案中，在所公开的方法和设备中使用的数据或信息以电子格式提供。这种数据或信息可以包含：设计布局、固定参数值、浮动参数值、特征轮廓、检测结果等等。如此处所使用的，以电子格式提供的数据或其他信息可存储在机器上以及在机器之间传输。按常规，电子格式的数据以数字形式提供且在各种数据结构、列表、数据库等等中可存储为位和/或字节。数据可以以电子的、光学的等方式实施。
在某些实施方案中，机器学习模型可各自被视为与用户以及与系统软件连接的应用软件的一种形式。系统软件一般与计算机硬件以及相关联的内存连接。在某些实施方案中，系统软件包含：操作系统软件和/或固件、以及安装在系统中的任何中间软件以及驱动器。系统软件提供计算机的基本非任务特定功能。相反，模块以及其他应用软件用于完成特定任务。每个用于模块的原生指令存储于内存装置且以数值表示。
一示例性的计算机系统800描绘于图8中。如图所示，计算机系统800包含输入/输出子系统802，其可以实现用于与人类用户和/或其他计算机系统交互的接口，具体取决于应用。本发明的实施方案可以在系统800上的程序代码中实现，系统800具有用于从人类用户接收输入程序陈述和/或数据(例如经由GUI或键盘)以及将它们显示给该用户的I/O子系统802。I/O子系统802可包含，例如：键盘、鼠标、图形用户接口、触控屏幕、或者其他输入接口；以及例如：LED或其他平面屏幕显示器、或其他输出接口。本发明的实施方案的其他组件可利用类似于计算机系统800的计算机系统加以实施，但可能没有I/O。
程序代码可以存储在非暂时介质，例如持久性存储器810或内存808或两者中。一或多个处理器804从一或多个非暂时介质读取程序代码并执行该程序代码以使计算机系统能够完成由此处的实施方案所执行的方法，例如，如本文所描述的涉及产生或使用工艺仿真模型的那些。本领域技术人员应理解，处理器可接受诸如用于执行训练和/或模型化操作的陈述的来源码、以及将该来源码解释或编译进在处理器的硬件门级可理解的机器码。总线将I/O子系统802、处理器804、周边装置806、内存808、以及持久性存储器810耦合。
结论
在以上的叙述中，说明了大量的特定细节，以提供对所提出的实施方案的彻底理解。在不需要这些特定细节中的若干或全部的情况下即可实行所公开的实施方案。在其他示例中，为了不使所公开的实施方案难以理解，常规的处理操作不会有详细描述。虽然所公开的实施方案与特定实施方案一同叙述，但应理解，其并非试图限制所公开的实施方案。
除非另外指明，否则本文所述的方法操作和装置特征涉及在计量、半导体装置加工技术、软件设计与编程、以及统计中常用的技术与设备，这些都在本领域的技术范围内。
除非在本文中另外定义，否则本文所使用的所有技术和科学术语具有与本领域技术人员所通常理解的含义相同的含义。包含本文中所含术语的各种科学辞典对于本领域技术人员而言是公知的且可得的。虽然与本文所述的相似或等同的任何方法及材料都可用于本文所述实施方案的实践或测试中，但对某些方法和材料进行了描述。
数值范围包含界定范围的数字。本说明书各处所提供的每个最大数值限制意图包含每个较低数值限制，如同这些较低数值限制在本文中明确写出一样。本说明书各处所提供的每个最小数值限制会包含每个较高数值限制，如同这些较高数值限制在本文中明确写出一样。本说明书各处所提供的每个数值范围会包含落在较宽数值范围内的每个较窄数值范围，如同这种较窄数值范围都在本文中明确写出一样。
本文所提供的标题并非意图限制本发明。
如本文所使用的，除非上下文另外明确指明，否则单数术语“一”、“一个”、以及“该(the)”包含多个参考。除非另外指明，否则本文所使用的术语“或”是指非排他性的“或”。

Claims (28)

1.一种缺陷分析计算系统，其包含：
(a)一或更多个处理器；
(b)程序指令，其用于在所述一或更多处理器上执行，所述程序指令限定：
一或更多个第一阶段缺陷分类引擎，其被配置成：
接收针对衬底上的缺陷而获得的计量数据，所述衬底包含电子装置或部分加工的电子装置，其中所述计量数据包含图像、组成数据、和/或晶片图，并且
根据所述计量数据产生第一阶段缺陷分类；以及
第二阶段缺陷分类引擎，其被配置成：
接收由所述一或更多个第一阶段缺陷分类引擎所产生的所述第一阶段缺陷分类，
接收制造信息，所述制造信息包含关于下列各项的数据：(i)在所述衬底上执行加工工艺且在所述衬底上产生缺陷的制造设备、(ii)所述加工工艺、(iii)所述衬底上的一或更多种材料、以及/或者(iv)所述制造设备和/或加工工艺的先验缺陷分类，
利用所述第一阶段缺陷分类和所述制造信息以确定所述衬底上的缺陷的一或更多个来源，并且
输出由第一来源造成缺陷的可能性，所述第一来源与所述制造设备、所述衬底上的一或更多种材料、以及/或者加工工艺相关联。
2.根据权利要求1所述的缺陷分析计算系统，其中所述计量数据包含所述图像、所述组成数据、以及所述晶片图。
3.根据权利要求1-2中任一项所述的缺陷分析计算系统，其中所述计量数据包含与用于获得所述计量数据的检测工具有关的元数据。
4.根据权利要求1-3中任一项所述的缺陷分析计算系统，其中所述第一阶段缺陷分类包含所述衬底上的缺陷的形态分类。
5.根据权利要求1-4中任一项所述的缺陷分析计算系统，其中所述第一阶段缺陷分类包含所述衬底上的缺陷的组成分类。
6.根据权利要求1-5中任一项所述的缺陷分析计算系统，其中所述第一阶段缺陷分类包含所述衬底上的缺陷的晶片图分类。
7.根据权利要求1-6中任一项所述的缺陷分析计算系统，其中所述第一阶段缺陷分类引擎包含一或更多个神经网络。
8.根据权利要求1-7中任一项所述的缺陷分析计算系统，其中所述制造设备是干式蚀刻反应器、化学气相沉积反应器、原子层沉积反应器、物理气相沉积反应器、或电镀反应器。
9.根据权利要求1-8中任一项所述的缺陷分析计算系统，其中所述第二阶段缺陷分类引擎额外地被配置成将所述衬底上的缺陷进一步分类。
10.根据权利要求1-9中任一项所述的缺陷分析计算系统，其中所述第二阶段缺陷分类引擎额外地被配置成提供建议的改正措施，以减少所述衬底上的缺陷生成以及/或者减少未来处理的衬底上的缺陷的发生。
11.根据权利要求1-10中任一项所述的缺陷分析计算系统，其中所述第二阶段缺陷分类引擎被配置成通过利用贝叶斯分析确定所述衬底上的缺陷的所述一或更多个来源。
12.根据权利要求1-11中任一项所述的缺陷分析计算系统，其中，在所述加工工艺期间原位地获得所述计量数据。
13.根据权利要求1-2中任一项所述的缺陷分析计算系统，其中所述一或更多个第一阶段缺陷分类引擎被进一步配置成接收选自由下列各项组成的群组的传感器数据：所述加工工艺的环境条件、在所述加工工艺期间所述衬底的质量变化、在所述加工工艺期间所经历的机械力、以及其组合，且其中所述第二阶段缺陷分类引擎被进一步配置成利用所述传感器数据来确定所述衬底上的缺陷的所述一或更多个来源。
14.一种分析缺陷的计算方法，所述计算方法包含：
接收针对衬底上的缺陷而获得的计量数据，所述衬底包含电子装置或部分加工的电子装置，其中所述计量数据包含图像、组成数据、和/或晶片图；
根据所述计量数据产生第一阶段缺陷分类；
接收制造信息，所述制造信息包含关于下列各项的数据：(i)在所述衬底上执行加工工艺且在所述衬底上产生缺陷的制造设备、(ii)所述加工工艺、(iii)所述衬底上的一或更多种材料、以及/或者(iv)所述制造设备和/或加工工艺的先验缺陷分类，
利用所述第一阶段缺陷分类和所述制造信息以确定所述衬底上的缺陷的一或更多个可能来源，并且
输出由第一来源造成缺陷的可能性，所述第一来源与所述制造设备、所述衬底上的一或更多种材料、以及/或者加工工艺相关联。
15.一种用于分析缺陷的计算机程序产品，所述计算机程序产品包含非瞬时计算机可读取介质，在所述非瞬时计算机可读取介质上提供用于下列操作的计算机可执行指令：
接收针对衬底上的缺陷而获得的计量数据，所述衬底包含电子装置或部分加工的电子装置，其中所述计量数据包含图像、组成数据、和/或晶片图；
根据所述计量数据产生第一阶段缺陷分类；
接收制造信息，所述制造信息包含关于下列各项的数据：(i)在所述衬底上执行加工工艺且在所述衬底上产生缺陷的制造设备、(ii)所述加工工艺、(iii)所述衬底上的一或更多种材料、以及/或者(iv)所述制造设备和/或加工工艺的先验缺陷分类，
利用所述第一阶段缺陷分类和所述制造信息以确定所述衬底上的缺陷的一或更多个可能来源，并且
输出由第一来源造成缺陷的可能性，所述第一来源与所述制造设备、所述衬底上的一或更多种材料、以及/或者加工工艺相关联。
16.根据权利要求15所述的计算机程序产品，其中所述计量数据包含所述图像、所述组成数据、以及所述晶片图。
17.根据权利要求15-16中任一项所述的计算机程序产品，其中所述计量数据包含与用于获得所述计量数据的检测工具有关的元数据。
18.根据权利要求15-17中任一项所述的计算机程序产品，其中所述第一阶段缺陷分类包含所述衬底上的缺陷的形态分类。
19.根据权利要求15-18中任一项所述的计算机程序产品，其中所述第一阶段缺陷分类包含所述衬底上的缺陷的组成分类。
20.根据权利要求15-19中任一项所述的计算机程序产品，其中所述第一阶段缺陷分类包含所述衬底上的缺陷的晶片图分类。
21.根据权利要求15-20中任一项所述的计算机程序产品，其中用于根据所述计量数据产生第一阶段缺陷分类的所述计算机可执行指令包含：用于在一或更多个神经网络上处理所述计量数据的计算机可执行指令。
22.根据权利要求15-21中任一项所述的计算机程序产品，其中所述制造设备是干式蚀刻反应器、化学气相沉积反应器、原子层沉积反应器、物理气相沉积反应器、或电镀反应器。
23.根据权利要求15-22中任一项所述的计算机程序产品，其中，用于确定所述衬底上的缺陷的一或更多个可能来源的所述计算机可执行指令包含：用于在所述第一阶段缺陷分类之外将所述衬底上的缺陷进一步分类的指令。
24.根据权利要求15-23中任一项所述的计算机程序产品，其还包括用于下述操作的计算机可执行指令：提供建议的改正措施，以减少所述衬底上的缺陷生成以及/或者减少未来处理的衬底上的缺陷的发生。
25.根据权利要求15-24中任一项所述的计算机程序产品，其中用于确定所述衬底上的缺陷的一或更多个可能来源的所述计算机可执行指令包含：用于执行贝叶斯分析的计算机可执行指令。
26.根据权利要求15-25中任一项所述的计算机程序产品，其中，在所述加工工艺期间原位地获得所述计量数据。
27.根据权利要求15-26中任一项所述的计算机程序产品，其中用于产生第一阶段缺陷分类的所述计算机可执行指令包含：接收选自由下列各项组成的群组的传感器数据的计算机可执行指令：所述加工工艺的环境条件、在所述加工工艺期间所述衬底的质量变化、在所述加工工艺期间所经历的机械力、以及其组合，且其中用于确定所述衬底上的缺陷的一或更多个可能来源的所述指令包括利用所述传感器数据的指令。
28.根据权利要求15-27中任一项所述的计算机程序产品，其还包含用于以下操作的指令：利用由与所述制造设备和/或加工工艺相关联的第一来源造成缺陷的可能性，以产生所述制造设备和/或加工工艺的数字映射。
CN202080008796.9A 2019-01-10 2020-01-10 半导体设备的缺陷分类和来源分析 Pending CN113302478A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/245,040 US11263737B2 (en) 2019-01-10 2019-01-10 Defect classification and source analysis for semiconductor equipment
US16/245,040 2019-01-10
PCT/US2020/013041 WO2020146708A1 (en) 2019-01-10 2020-01-10 Defect classification and source analysis for semiconductor equipment

Publications (1)

Publication Number Publication Date
CN113302478A true CN113302478A (zh) 2021-08-24

Family

ID=71517768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080008796.9A Pending CN113302478A (zh) 2019-01-10 2020-01-10 半导体设备的缺陷分类和来源分析

Country Status (5)

Country Link
US (2) US11263737B2 (zh)
KR (1) KR20210102985A (zh)
CN (1) CN113302478A (zh)
TW (1) TW202037906A (zh)
WO (1) WO2020146708A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397244A (zh) * 2022-01-14 2022-04-26 长春工业大学 一种金属增材制造制件缺陷的识别方法及相关设备

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11062174B2 (en) * 2017-02-28 2021-07-13 Nec Solution Innovators, Ltd. Mobile entity detection apparatus, mobile entity detection method, and computer-readable recording medium
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
US11592812B2 (en) 2019-02-19 2023-02-28 Applied Materials, Inc. Sensor metrology data integration
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US11263496B2 (en) * 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
US11755689B2 (en) * 2019-06-24 2023-09-12 Intel Corporation Methods, systems, articles of manufacture and apparatus to manage process excursions
CN110516726A (zh) * 2019-08-19 2019-11-29 上海华力微电子有限公司 一种自动识别晶圆空间图案分布的分类方法
CN114303150A (zh) * 2019-09-10 2022-04-08 美商新思科技有限公司 集成电路设计中的机器学习驱动的预测
MX2022005752A (es) * 2019-11-12 2022-08-17 Bright Machines Inc Sistema de análisis de imágenes para pruebas en la fabricación.
US20230142383A1 (en) * 2019-12-20 2023-05-11 Boe Technology Group Co., Ltd. Method and device for processing product manufacturing messages, electronic device, and computer-readable storage medium
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
WO2021240572A1 (ja) * 2020-05-25 2021-12-02 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法
US11404331B2 (en) * 2020-06-29 2022-08-02 Vanguard International Semiconductor Corporation System and method for determining cause of abnormality in semiconductor manufacturing processes
US11861286B2 (en) * 2020-06-30 2024-01-02 Synopsys, Inc. Segregating defects based on computer-aided design (CAD) identifiers associated with the defects
US11967060B2 (en) * 2020-08-25 2024-04-23 Kla Corporation Wafer level spatial signature grouping using transfer learning
US20220066410A1 (en) * 2020-08-28 2022-03-03 Pdf Solutions, Inc. Sequenced Approach For Determining Wafer Path Quality
JP7430271B2 (ja) * 2020-09-17 2024-02-09 株式会社日立ハイテク エラー要因の推定装置及び推定方法
WO2022088082A1 (zh) 2020-10-30 2022-05-05 京东方科技集团股份有限公司 基于缺陷检测的任务处理方法、装置及设备及存储介质
CN112446857A (zh) * 2020-11-06 2021-03-05 长江存储科技有限责任公司 缺陷图像自动分类标记系统、建立方法及分类标记方法
EP3995808B1 (de) * 2020-11-09 2023-01-04 Siltronic AG Verfahren zum klassifizieren von unbekannten partikeln auf einer oberfläche einer halbleiterscheibe
TWI791174B (zh) * 2020-11-19 2023-02-01 正修學校財團法人正修科技大學 運用深度學習檢測內螺紋螺牙之光學檢測方法
DE102020215720A1 (de) 2020-12-11 2022-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Fertigungslinie zur Herstellung von Halbleiterbauelementen
DE102020215718A1 (de) 2020-12-11 2022-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und Verfahren zur kontinuierlichen Prozessoptimierung bei einer Herstellung von Halbleiterbauelementen
EP4016360A1 (de) * 2020-12-21 2022-06-22 Siemens Aktiengesellschaft Verfahren, computer-programm-produkt und modellierungswerkzeug zum referenzmodellbasierten, komponentenbezogenen entwickeln eines technischen systems
US11784028B2 (en) * 2020-12-24 2023-10-10 Applied Materials, Inc. Performing radio frequency matching control using a model-based digital twin
TWI764473B (zh) * 2020-12-25 2022-05-11 鴻海精密工業股份有限公司 物體檢測方法、裝置、電子設備及存儲介質
US20240112961A1 (en) * 2021-01-26 2024-04-04 Lam Research Corporation Matching pre-processing and post-processing substrate samples
US11853042B2 (en) 2021-02-17 2023-12-26 Applied Materials, Inc. Part, sensor, and metrology data integration
US20220351997A1 (en) * 2021-04-28 2022-11-03 Tel Manufacturing And Engineering Of America, Inc. Automated Fault Detection in Microfabrication
US20220397515A1 (en) * 2021-06-10 2022-12-15 Applied Materials, Inc. Obtaining substrate metrology measurement values using machine learning
US11901203B2 (en) 2021-06-10 2024-02-13 Applied Materials, Inc. Substrate process endpoint detection using machine learning
US11965798B2 (en) 2021-06-10 2024-04-23 Applied Materials, Inc. Endpoint detection system for enhanced spectral data collection
US20220414300A1 (en) * 2021-06-28 2022-12-29 Baker Hughes Holdings Llc Asset analysis
US11669079B2 (en) * 2021-07-12 2023-06-06 Tokyo Electron Limited Tool health monitoring and classifications with virtual metrology and incoming wafer monitoring enhancements
US11955358B2 (en) * 2021-09-24 2024-04-09 Applied Materials, Inc. Model-based failure mitigation for semiconductor processing systems
WO2023118929A1 (en) * 2021-12-21 2023-06-29 Applied Materials, Inc. Method of inspecting a carrier transport system, vacuum processing apparatus, computer program, and computer-readable storage medium
US20230195074A1 (en) * 2021-12-21 2023-06-22 Applied Materials, Inc. Diagnostic methods for substrate manufacturing chambers using physics-based models
US11874320B2 (en) * 2021-12-28 2024-01-16 Rockwell Collins, Inc. Digital twins (DT) for circuit board reliability prediction
US20230341841A1 (en) * 2022-04-24 2023-10-26 Applied Materials, Inc. Bayesian decomposition for mismatched performances in semiconductor equipment
WO2023220680A1 (en) * 2022-05-13 2023-11-16 Lam Research Corporation Virtual semiconductor fab environment
WO2024042700A1 (ja) * 2022-08-26 2024-02-29 株式会社荏原製作所 基板状態測定装置、めっき装置、及び基板状態測定方法
US20240123477A1 (en) * 2022-10-13 2024-04-18 Applied Materials, Inc. Rapid thermal processing (rtp) chamber outgassing removal
CN117558645B (zh) * 2024-01-09 2024-03-29 武汉中导光电设备有限公司 大数据Wafer缺陷确定方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW483080B (en) * 1999-07-16 2002-04-11 Applied Materials Inc Defect reference system automatic pattern classification
TW509962B (en) * 1998-05-11 2002-11-11 Applied Materials Inc FAB yield enhancement system
CN1677636A (zh) * 2004-03-29 2005-10-05 力晶半导体股份有限公司 缺陷原因分析的方法
US20060078188A1 (en) * 2004-09-29 2006-04-13 Masaki Kurihara Method and its apparatus for classifying defects
JP2008066633A (ja) * 2006-09-11 2008-03-21 Hitachi High-Technologies Corp 欠陥検査解析システム、欠陥検査解析方法及びこれに用いる管理コンピュータ
US7987150B1 (en) * 2007-02-09 2011-07-26 Siglaz Method and apparatus for automated rule-based sourcing of substrate microfabrication defects
CN103439346A (zh) * 2004-10-12 2013-12-11 恪纳腾技术公司 用于分类样品上的缺陷的计算机实现的方法和系统
CN107833843A (zh) * 2017-11-02 2018-03-23 武汉新芯集成电路制造有限公司 缺陷来源的分析方法及分析系统、缺陷检测装置
US20190005357A1 (en) * 2017-06-28 2019-01-03 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7120285B1 (en) * 2000-02-29 2006-10-10 Advanced Micro Devices, Inc. Method for evaluation of reticle image using aerial image simulator
US6744266B2 (en) * 2000-10-02 2004-06-01 Applied Materials, Inc. Defect knowledge library
US7333650B2 (en) 2003-05-29 2008-02-19 Nidek Co., Ltd. Defect inspection apparatus
US7298496B2 (en) * 2004-05-21 2007-11-20 Zetetic Institute Apparatus and methods for overlay, alignment mark, and critical dimension metrologies based on optical interferometry
US7788629B2 (en) * 2004-07-21 2010-08-31 Kla-Tencor Technologies Corp. Systems configured to perform a non-contact method for determining a property of a specimen
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) * 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
TWI381468B (zh) * 2007-03-30 2013-01-01 Tokyo Electron Ltd 線上微影及蝕刻系統
JP4723544B2 (ja) 2007-09-10 2011-07-13 シャープ株式会社 基板分類方法および装置、基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
US8607169B2 (en) * 2011-12-28 2013-12-10 Elitetech Technology Co., Ltd. Intelligent defect diagnosis method
US20140226893A1 (en) * 2013-02-11 2014-08-14 Taiwan Semiconductor Manufacturing Company, Ltd. Method and System for Image-Based Defect Alignment
US9658170B2 (en) * 2013-06-26 2017-05-23 Kla-Tencor Corporation TDI imaging system with variable voltage readout clock signals
US9518932B2 (en) * 2013-11-06 2016-12-13 Kla-Tencor Corp. Metrology optimized inspection
JP6386569B2 (ja) * 2014-02-12 2018-09-05 エーエスエムエル ネザーランズ ビー．ブイ． プロセスウィンドウを最適化する方法
US10483081B2 (en) * 2014-10-22 2019-11-19 Kla-Tencor Corp. Self directed metrology and pattern classification
WO2017024065A1 (en) * 2015-08-05 2017-02-09 Kla-Tencor Corporation Range-based real-time scanning electron microscope non-visual binner
US11205119B2 (en) 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
KR20180090385A (ko) * 2015-12-31 2018-08-10 케이엘에이-텐코 코포레이션 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10223615B2 (en) 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US10887580B2 (en) * 2016-10-07 2021-01-05 Kla-Tencor Corporation Three-dimensional imaging for semiconductor wafer inspection
TWI728197B (zh) * 2016-10-24 2021-05-21 美商克萊譚克公司 整合至一計量及/或檢測工具中之製程模組
US10529534B2 (en) * 2018-01-05 2020-01-07 Kla-Tencor Corporation Compensating for scanning electron microscope beam distortion-induced metrology error using design
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW509962B (en) * 1998-05-11 2002-11-11 Applied Materials Inc FAB yield enhancement system
TW483080B (en) * 1999-07-16 2002-04-11 Applied Materials Inc Defect reference system automatic pattern classification
CN1677636A (zh) * 2004-03-29 2005-10-05 力晶半导体股份有限公司 缺陷原因分析的方法
US20060078188A1 (en) * 2004-09-29 2006-04-13 Masaki Kurihara Method and its apparatus for classifying defects
CN103439346A (zh) * 2004-10-12 2013-12-11 恪纳腾技术公司 用于分类样品上的缺陷的计算机实现的方法和系统
JP2008066633A (ja) * 2006-09-11 2008-03-21 Hitachi High-Technologies Corp 欠陥検査解析システム、欠陥検査解析方法及びこれに用いる管理コンピュータ
US7987150B1 (en) * 2007-02-09 2011-07-26 Siglaz Method and apparatus for automated rule-based sourcing of substrate microfabrication defects
US20190005357A1 (en) * 2017-06-28 2019-01-03 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
CN107833843A (zh) * 2017-11-02 2018-03-23 武汉新芯集成电路制造有限公司 缺陷来源的分析方法及分析系统、缺陷检测装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397244A (zh) * 2022-01-14 2022-04-26 长春工业大学 一种金属增材制造制件缺陷的识别方法及相关设备

Also Published As

Publication number Publication date
WO2020146708A1 (en) 2020-07-16
TW202037906A (zh) 2020-10-16
US20220270237A1 (en) 2022-08-25
US11263737B2 (en) 2022-03-01
US20200226742A1 (en) 2020-07-16
KR20210102985A (ko) 2021-08-20

Similar Documents

Publication Publication Date Title
US11263737B2 (en) Defect classification and source analysis for semiconductor equipment
JP7068784B2 (ja) プラズマ処理システムを監視するための方法およびシステム、ならびに高度なプロセスおよびツール制御
US10539882B2 (en) Methods and apparatus for obtaining diagnostic information, methods and apparatus for controlling an industrial process
TWI672599B (zh) 探索裝置及探索方法
US8473089B2 (en) Methods and apparatus for predictive preventive maintenance of processing chambers
JP7137943B2 (ja) 探索装置、探索方法及びプラズマ処理装置
US20120101622A1 (en) Automatic fault detection and classification in a plasma processing system and methods thereof
KR101708077B1 (ko) 프로세싱 챔버의 예측 예방 보전을 위한 방법 및 장치
WO2015049087A1 (en) Methods & apparatus for obtaining diagnostic information relating to an industrial process
US20230400847A1 (en) Predictive maintenance for semiconductor manufacturing equipment
CN101238421A (zh) 用于监控工艺环境中的动态参数的自校正多变量分析
US11281110B2 (en) Methods using fingerprint and evolution analysis
US6687561B1 (en) Method and apparatus for determining a sampling plan based on defectivity
Jalali et al. Predicting time-to-failure of plasma etching equipment using machine learning
TWI614699B (zh) 大量客製化產品的品質預測方法
TW202145304A (zh) 半導體裝置製造系統及半導體裝置製造方法
Tin et al. A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective
WO2023137212A1 (en) Anomaly detection in manufacturing processes using hidden markov model-based segmentation error correction of time-series sensor data
Chu et al. ANALYZING TFT-LCD ARRAY BIG DATA FOR YIELD ENHANCEMENT AND AN EMPIRICAL STUDY OF TFT-LCD MANUFACTURING IN TAIWAN.
TW202340884A (zh) 預防保養後的腔室條件監控及模擬
Khamis et al. A robust vector autoregressive model for forecasting economic growth in Malaysia
KR20230124043A (ko) 반도체 제작 장비의 프로세스 제어를 위한 적응형 모델 트레이닝 (adaptive model training)
CN108268987B (zh) 多样式产品的品质推估方法
US11954615B2 (en) Model management for non-stationary systems
US20240112961A1 (en) Matching pre-processing and post-processing substrate samples

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