CN113627457A - 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 - Google Patents

基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 Download PDF

Info

Publication number
CN113627457A
CN113627457A CN202010831725.0A CN202010831725A CN113627457A CN 113627457 A CN113627457 A CN 113627457A CN 202010831725 A CN202010831725 A CN 202010831725A CN 113627457 A CN113627457 A CN 113627457A
Authority
CN
China
Prior art keywords
images
models
defect
imaging
wafer
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
CN202010831725.0A
Other languages
English (en)
Inventor
艾萨克·丹尼尔·布扎格洛
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.)
Cantek Co ltd
Original Assignee
Cantek 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 Cantek Co ltd filed Critical Cantek Co ltd
Publication of CN113627457A publication Critical patent/CN113627457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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

Abstract

本发明提供了基于深度学习网络的用于使用晶圆缺陷图像对晶圆中的缺陷进行分类的方法和系统100。本文的实施方案使用晶圆缺陷图像的多个模式之间的协同来进行分类决策。此外，通过添加模式的混合，可以从不同来源获得信息，例如彩色图像、ICI、黑白图像等，来对缺陷图像进行分类。除了混合模式，参考图像可用于每个模式。每个模式图像的参考图像被提供给深度学习模型，以集中于缺陷本身，而不是缺陷图像的相关底层光刻。此外，可将参考图像提供给深度学习模型的训练过程，其可显著减少标记图像的数量和深度学习模型收敛所述的训练时间。

Description

基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的 方法和系统
相关申请
本申请要求于2020年4月24日递交的美国临时申请号63/015,101的权益和优先权。
发明领域
本申请一般涉及的是半导体应用的神经网络。具体地，但不限于，本发明涉及的是一种基于深度学习网络的使用晶圆缺陷图像对晶圆中的缺陷进行分类的方法和系统。
发明背景
一般而言，半导体基板(即晶圆)制造技术已持续改进以将半导体元件的数目不断增加的特性及多层合并到半导体晶圆的较小表面积中。因此，光刻(photolithography/lithography)工艺可用于半导体晶圆制造，其更复杂，从而允许将越来越多的特征并入半导体晶圆的较小面积中(即，用于实现半导体晶圆的更高性能)。因此，半导体晶圆上潜在缺陷的尺寸可以在微米到亚微米范围内，这是由于加入了越来越多的特征。此外，晶圆中的缺陷可以是，例如，由晶圆的真实和物理现象引起的缺陷，以及假事件/滋扰性缺陷(即，滋扰(nuisance)可以是晶圆上的不规则或虚假缺陷，但不是感兴趣的缺陷)。
通常，可基于使用高倍率光学系统或扫描电子显微镜(SEM)中的至少一个来获得晶圆的更高分辨率图像来检测半导体晶圆中的缺陷。为了确定缺陷的厚度、粗糙度、尺寸等参数，可以生成高分辨率的硅片缺陷图像。此外，传统系统公开了一种成像系统，该成像系统可被配置成在晶圆的物理版本上扫描多模能量源(例如，光或电子)，并由此生成用于所述晶圆的物理版本的实际图像。此外，可以通过将缺陷图像与用于异常检测和缺陷分类的参考图像进行比较来确定缺陷区域。传统的系统可以使用单一的深度学习模型来检测和分类晶圆中的缺陷。然而，传统的系统可能无法通过考虑与晶圆对应的缺陷图像的不同方面/模式来准确地确定晶圆中的缺陷。
发明内容
本发明提供了基于深度学习网络的使用晶圆缺陷图像对晶圆中的缺陷进行分类的方法和系统。本文中的实施方案使用晶圆缺陷图像的多个模式之间的协同来做出分类决策。此外，通过添加模式的混合物，可以从不同来源获得信息，例如：彩色图像、内裂纹成像(ICI)图像、黑白图像等，以对缺陷图像进行分类。除了模式的混合，可以对每个模式使用参考图像(例如，金晶片图像(a golden die image))。提供给每个模式图像的参考图像的优点是集中于缺陷本身，而不是缺陷图像的相关底层光刻。此外，可将参考图像提供给深度学习模型的训练过程，其可显著减少标记图像的数量和深度学习模型收敛所需的训练时间(即，当整个数据集通过深度学习神经网络向前和向后传递时)。
本文中的实施方案可以使用有向无环图(Direct Acyclic Graph,DAG)作为深度学习模型的组合，并且每个深度学习可以使用缺陷晶圆图像来处理问题的不同方面或晶圆中缺陷的不同形式。此外，创建的DAG可以具有任意数量的模型和每个深度学习模型的多个不同图像。此外，后处理决策模块可被配置成组合参数，例如，缺陷调查图像的两个方面和缺陷调查图像的结果标签、来自DAG的每个深度学习模型的值，以及缺陷的计量信息(元数据)或先前在扫描仪机器中收集的参数。基于深度学习网络，包括深度学习模型的DAG可用于利用晶圆缺陷图像对晶圆缺陷进行精确分类。
本发明中公开的特征有助于在制造期间通过分析晶圆缺陷图像的多个模式来准确地检测缺陷并对晶圆中的缺陷进行分类。
在一个方面，一种计算机实现的对半导体晶圆中的缺陷进行分类和检查的方法包括：提供一个或多个成像单元；提供一个计算单元；接收从一个或多个成像单元检查的半导体晶圆上的一个或多个晶片拍摄的多个图像，其中使用多个成像模式捕获多个图像；提供一个或多个机器学习(Machine Learning，ML)模型，多个ML模式中的一个与至少一个计算机处理器、数据库和与计算单元相关联的存储器相关联；从多个ML模型、计算机处理器识别并将半导体晶圆中存在的一个或多个缺陷分类为一个或多个缺陷类别，其中多个ML模型配置在有向无环图(DAG)架构中，其中DAG架构中的每个节点表示一个ML模型，其中一个或多个ML模型配置为DAG架构中的根节点；所述多个ML模型配置为对所述半导体晶圆中的一个或多个晶片上的一个或多个缺陷进行分类，其中所述训练包括：从多个ML模型向所述一个或多个ML模型提供存储在数据库中的半导体晶圆的多个标记图像和多个参考图像；配置来自所述多个ML模型的每个ML模型，以使用来自所述多个参考图像的对应参考图像将所述多个标记图像分类为一个或多个缺陷类别；存储所述一个或多个缺陷类别；通过对一个或多个晶片进行成像来检查半导体晶圆上的一个或多个晶片是否存在缺陷；尝试将一个或多个晶片的图像与一个或多个缺陷类别的任何一个或多个进行匹配；如果一个或多个晶片和一个或多个缺陷类别之间存在匹配，将一个或多个匹配的晶片分类为缺陷，并传输一个或多个缺陷晶片的标识并作为缺陷拒绝。
在另一方面，一个或多个ML模型具有来自多个成像模式的多个图像和属于成像模式的多个标记图像。此外，多个ML模型中的每一个都是监督模型、半监督模型和非监督模型中的一个。
在进一步的方面，所述多个模式包括至少一个：X射线成像、内裂纹成像(ICI)、灰度成像、黑白成像和彩色成像。此外，所述多个ML模型是深度学习模型。
在另一方面，所述多个标记图像包括与所述一个或多个缺陷类别相关的标签，其中所述多个标记图像是使用标签模型生成的。
在附加的方面，本发明所述的计算单元包括配置用于执行上述方法步骤的一个或多个处理器和存储器。
在一个方面，一种对半导体晶圆中的缺陷进行分类的方法包括：捕获由一个或多个成像单元检测的半导体晶圆的多个图像，其中所述多个图像使用多个成像模式捕获；将所述多个图像从多个ML模型提供给一个或多个及其学习(ML)模型，以识别半导体晶圆中的一个或多个缺陷并将其分类为一个或多个缺陷类别，其中，多个ML模型配置在有向无环图(DAG)架构中，其中DAG架构中的每个节点表示一个ML模型，其中一个或多个ML模型被配置为DAG架构中的根节点；其中多个ML模型被训练以分类半导体晶圆中的一个或多个缺陷，并且其中训练包括：从多个ML模型向一个或多个ML模型提供存储在数据库中的半导体晶圆的多个标记图像和多个参考图像；以及，配置来自于多个ML模型的每个ML模型以使用来自多个参考图像的对应参考图像将多个标记图像分类为一个或多个缺陷类别。
在另一方面，所述一个或多个ML模型具有来自多个成像模式的多个图像和属于一个成像模式的多个标记图像。此外，所述多个ML模型中的每一个都为监督模型、半监督模型和非监督模型中的一个。所述多个模式包括至少一种：X射线成像、内裂纹成像(ICI)、灰度成像、黑白成像和彩色成像。多个ML模型中的每一个都是深度学习模型。
在另一方面，所述多个标记图像包括与所述一个或多个缺陷类别相关的标签，其中所述多个标记图像是使用所述半导体晶圆的历史图像生成的。使用后期融合技术、早期融合技术或混合融合技术中的一种来组合从多个模式中提取的特征。进一步包括后处理，其中后处理包括使用来自多个ML模型中的每一个分类信息将多个图像准确地分类到一个或多个缺陷类别中。
在一个方面，一种用于半导体晶圆中的缺陷进行分类和检查的系统包括：一个或多个成像单元，所述一个或多个成像单元被配置用于捕获由一个或多个成像单元检查的半导体晶圆上的一个或多个晶片的多个图像，其中使用多个成像模式捕获多个图像；计算单元，所述计算单元至少包括计算机处理器、数据库和存储器，并且被配置为：从多个ML模型向一个或多个机器学习(ML)模型提供多个图像，以识别和分类一个或多个机器学习(ML)半导体晶圆上的一个或多个晶片中的更多缺陷形成一个或多个缺陷类别，其中所述多个ML模型配置在有向无环图(DAG)架构中，其中所述DAG架构中的每个节点代表ML模型，其中所述一个或多个ML模型配置为DAG架构中的根节点，多个ML模型配置为被训练从而对半导体晶圆中的一个或多个晶片上的一个或多个缺陷进行分类，其中计算单元配置用于：将存储在数据库中的半导体晶圆的多个标记图像和多个参考图像提供给来自多种ML模型的一个或多个ML模型；
配置来自多个ML模型的每个ML模型，以使用来自多个参考图像的对应参考图像将多个标记图像分类为一个或多个缺陷类别；然后，根据一个或多个晶片与一个或多个缺陷类别的匹配的存在，分别存储缺陷类别并在检查的前提下接受或拒绝一个或多个晶片。
在另一方面，所述一个或多个成像单元包括自动光学检测(AOI)设备、自动X射线检测(AXI)设备、联合测试工作组(JTAG)设备和在线测试(ICT)设备。此外，计算单元从标签模型接收包括与一个或多个缺陷类别相关的标签的多个标记图像，其中标签模型使用半导体晶圆的历史图像生成多个标记图像。
在又一方面，使用后期融合技术、早期融合技术或混合融合技术中的一种来组合从多个模式中提取的特征。计算单元被进一步配置为后处理多个ML模型的输出，其中计算单元使用来自多个ML模型中的每个的分类信息将多个图像精确地分类到一个或多个缺陷类别中。
附图说明
当结合附图进行阅读时，将通过参考以下对说明性实施方案的详细描述来最好地理解本发明本身的实施方案以及优选的使用模式、其进一步的目标和优点。现在参照附图描述一个或多个实施方案，其中：
图1示出了根据本发明的一些实施方案，基于深度学习网络的用于使用晶圆缺陷图像对晶圆中的缺陷进行分类的系统的框图；
图2示出了根据本发明的一些实施方案的多模式后期融合深度学习模型的框图，所述模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模型之一；
图3示出了根据本发明的一些实施方案的多模式混合融合深度学习模型的框图，所述模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模型之一；
图4示出了根据本发明的一些实施方案的多模式早期融合深度学习模型的框图，所述模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模型之一；
图5a示出了根据本发明的一些实施方案的使用一系列深度学习模型的DAG拓扑的示意图；
图5b示出了根据本申请的一些实施方案，来自定义DAG中的流动路径的每个深度学习模型的示例性结果标签的示意图；
图6a是描述根据本发明的一些实施方案的基于深度学习网络使用晶圆缺陷图像对晶圆中的缺陷进行分类的方法的流程；以及
图6b是流程图，其描述了根据本发明的一些实施方案，如果晶圆缺陷图像的缺陷元数据没有存储在电子装置中，则用于计算表示缺陷元数据的特征的方法。
所述附图仅为说明目的而描绘本发明的实施方案。本领域技术人员将容易地从以下描述中认识到，在不脱离本文描述的公开的原则的情况下，可以使用本文所示的结构和方法的替代实施方案。
具体实施方式
前述内容大致概括了本发明的特征和技术优势，以便更好地理解下面对本发明的具体描述。本领域技术人员应当理解，所公开的概念和具体实施方案可以容易地用作修改或设计用于实现本发明相同目的的其他结构的基础。
本发明的技术特征被认为是新颖性特征，包括其组织和操作方法，以及进一步的目的和优点，将在下文结合附图考虑中更好地被理解。然而，应明确理解的是，所提供的每个图仅用于说明和描述，而不应视为本发明的限制定义。
图1示出了根据本发明的一些实施方案的用于基于深度学习网络使晶圆缺陷图像对晶圆中的缺陷进行分类的系统100的框图。
在整个发明中，术语“晶圆(wafer)”通常是指由半导体或非半导体材料形成的基底。例如，半导体或非半导体材料可包括，但不限于，单晶硅、砷化镓、磷化铟等。晶圆可包括一层或多层，所述的层可包括，例如，但不限于，抗蚀剂、节点材料、导电材料、半导体材料等。例如，在晶圆上形成的一个或多个层可以是图案化的或非图案化的。例如，晶圆可以包括多个晶片，每个晶片具有可重复的图案特征。这些材料层的形成和加工可能会导致完整的装置。此外，如本文所用，术语“表面缺陷(surface defect)”或“缺陷(defect)”是指完全位于晶圆上表面上方的缺陷(例如，颗粒)和部分位于晶圆上表面以下或完全位于晶圆上表面之下的缺陷。因此，缺陷的分类对于诸如晶圆和在晶圆上形成的材料等半导体材料特别有用。此外，对于无图案硅晶圆(bare silicon wafer)、绝缘体上的硅(SOI)薄膜、应变硅薄膜和介电薄膜来说，区分表面和次表面缺陷可能特别重要。本文中的实施方案可用于检查含有硅或其上形成含硅层的晶圆，例如，碳化硅，掺碳二氧化硅、绝缘体上的硅(SOI)、应变硅、含硅介电薄膜等。
在图1的实施方案中，所述系统100包括成像设备102和电子装置104。所述成像设备102经由通信网络106与电子装置104相关联。所述的通信网络106可以是有限网络或无线网络。在一个实施例中，所述的成像设备102可以是但不限于自动光学检测(AOI)设备、自动X射线检测(AXI)设备、联合测试工作组(JTAG)设备、在线测试(ICT)设备等中的至少一个。所述成像设备102包括但不限于光源108、照相机镜头110、缺陷检测模块112和成像存储单元126中的至少一个。例如，与所述成像设备102相关联的所述缺陷检测模块112可检测晶圆的多个表面特征缺陷，例如，但不限于，硅结点(即凸点)、划痕、污渍、尺寸缺陷(例如，开路、短路和焊料变薄等)中的至少一个。此外，所述缺陷检测模块112还可以检测不正确的组件、丢失组件和错误放置的组件，因为所述成像设备102能够执行所有的视觉检查。
此外，所述电子装置104可以是，但不限于，移动电话、智能电话、平板电脑(tablet)、手持设备、平板(phablet)、笔记本电脑、计算机、个人数字助理(PDA)、可穿戴计算设备、虚拟/增强现实装置、物联网设备(IoT device)等中的至少一个。所述电子装置104进一步包括存储单元116、处理器118和输入/输出(I/O)接口120。此外，所述电子装置104包括深度学习模块122。所述的深度学习模块122使所述电子装置104使用从成像装置102获得的晶圆缺陷图像对晶圆中的缺陷进行分类。所述的电子装置104还可以包括使用深度学习网络对晶圆中的缺陷进行分类的应用管理框架。所述的应用管理框架可包括不同的模块和子模块，以基于深度学习网络执行利用晶圆缺陷图像对晶圆缺陷进行分类的操作。另外，所述模块和子模块可包括软件模块或硬件模块中的至少一个或两个。
因此，本文描述的实施方案被配置用于基于图像的晶圆过程控制和产量提升。例如，本文中的一个实施方案涉及基于深度学习网络的使用晶圆缺陷图像对晶圆中的缺陷进行分类的系统和方法。
在一个实施方案中，所述成像装置102可配置用于对放置在其内的晶圆捕获图像。例如，所述图像可包括，例如，检查图像、光学或电子束图像、晶圆检查图像、基于光学和SEM的缺陷检查图像、模拟图像、来自设计布局的剪辑等图像中的至少一个。此外，成像设备102随后可被配置为将捕获的图像存储在于成像设备102相关联的图像存储单元126中。在一个实施方案中，通信地耦合至所述成像设备102的电子装置104可配置为检索存储在于成像设备102相关联的图像存储单元126中的图像。例如，图像可包括黑白图像、彩色图像、内裂纹成像(ICI)图像、使用所述成像设备102(例如，AOI机器等)先前扫描的图像、来自所述成像存储单元126或几种存储单元(未示出)的图像、从所述成像设备102(例如，AOI机器等)实时获得的图像等。然后，所述电子装置104被配置为从外部数据库(未示出)或从与电子装置104相关联的存储单元116加载与表示相同扫描的黑白参考图像、彩色参考图像、ICI参考图像中的至少一个相对应的参考图像中的至少一个晶圆中无缺陷的检查图像的晶圆面积。此外，所述电子装置104配置用于向深度学习模块122提供具有相关模式的参考图像和晶圆图像。在本发明的一个方面中，多个深度学习模型或深度学习分类器可以使用晶圆中缺陷的不同类型分类进行训练。所述多个深度学习模型或深度学习分类器可以是，但不限于，卷积神经网络(CNN)(例如LeNet、AlexNet、VGGNet、GoogleNet、ResNet等)、递归神经网络(RNN)、生成式对抗网络(GAN)、随机森林算法、自编码器等中的至少一个。训练几个深度学习模型的目的是，可以创建每个模型来处理缺陷的集中模式的协同作用。因此，可以建立几个深度学习模型，根据相似性和不同性，对所有缺陷进行分层，分布训练分类过程。在另一个实施例中，为了缩短训练过程和分类图像的数目，可以将每个模式图像的参考图像添加到每个深度学习模型的架构中。训练过程中的参考图像可以通过向深度学习模块122提供关于所检查图像和参考图像之间的内部关系的信息以对深度学习内部参数的更快的调整或训练。此外，如果缺陷出现在不同晶圆中，则经过训练以对单个晶圆的特定缺陷进行分类的深度学习模块122也可以动态地分类训练的缺陷。因此，训练过程可以丢弃常见事件，例如，底层光刻等，并且可以集中在实际缺陷上。
在一个实施例中，所述的深度学习模型可以连接为并行架构或串联架构。进一步地，所述电子装置104可配置为使用多个深度学习模型的有向无环图(DAG)架构来生成晶圆图像的分类判定。例如，训练后的多个深度学习模型可以从深度学习模块122中调用并随后可在有向无环图(DAG)架构中连接以用于晶圆缺陷的分类处理。此外，电子装置104可配置为将包括相关目录和元数据结果(即缺陷元数据)的分类晶圆图像保存在于电子装置104相关联的外部数据库或存储单元116中。
在另一个实施方案中，所述的电子装置104可配置为从与电子装置104相关联的外部数据库或存储单元116加载先前计算和存储的缺陷元数据。例如，元数据包括不同的特征，但不限于，缺陷的尺寸、缺陷的直方图、缺陷的最大颜色或灰度值、缺陷的最小颜色或灰度值等。如果所述缺陷元数据没有被存储，那么所述电子装置104可配置为计算表示所述缺陷元数据的特征。然后，所述电子装置104可配置为向训练的深度学习模型提供检查的图像、参考图像和缺陷元数据(即，缺陷的元数据特征)。因此，所述电子装置104可配置为使用多个深度学习模型的有向无环图(DAG)架构来生成晶圆图像的分类判定。此外，所述的电子装置104可配置用于将包括相关联的元数据结果(即缺陷元数据)的分类晶圆图像存储在与电子装置104相关联的存储单元116或外部数据库中。
此外，图像和缺陷元数据也可以存储在外部数据库(未示出)中。例如，外部存储器可用于深度学习模型/分类器的训练过程。作为一个实施例，存储在外部数据库(或所述图像存储单元126)中的所述图像可以是黑白图像、彩色图像、ICI图像、AOI设备先前扫描的图像、包含晶圆缺陷、假事件和滋扰缺陷的图像等。所述图像可以在存储在外部数据库(或图像存储单元126)之前被标记。对于在存储在外部数据库(或图像存储单元126)中的图像中发现的每个缺陷，从缺陷图像提取的一组元数据特征被存储在外部数据库(或图像存储单元126)中。元数据缺陷特征可以由用户或者由AOI扫描器结果提供(或者元数据缺陷特征可以为了深度学习分类器的数据检索而创建)。此外，包括彩色参考图像、黑白参考图像和/或ICI参考图像的参考图像(例如，金晶片)也可以存储在外部数据库中。所述参考图像是同一晶圆的图像。所述外部数据库也可以用于执行深度学习模型的训练过程。
本文的实施方案使用晶圆缺陷图像的集中模式之间的协同来进行分类决策。此外，通过添加模式的混合，可以从诸如彩色图像、ICI、黑白图像等不同来源获得信息，以对缺陷图像进行分类。除了模式的混合，可对每个模式使用参考图像(例如，金晶片图像)。提供给每个模式图像的参考图像的优点是集中于缺陷本身，而不是缺陷图像的相关底层光刻。这种方法节省了处理能力、内存利用率和时间。此外，提供给深度学习模型的训练过程的所述参考图像可以明显减少标记图像的数量和训练时间(即，当一个完整的数据集通过深度学习神经网络向前和向后传递时)需要进行深度学习模型的融合。
图2示出了根据本发明的一些实施方案的多模式后期融合深度学习模型的框图，该模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模型之一。
在一个实施方案中，电子装置104包括一个多模式卷积神经网络(CNN)，其被配置成在一个单一前向传递中集成有不同图像传感器获取的图像。诸如多模式后期融合深度学习模型之类的深度学习模型可以理由两个传感器图像，例如通过使用第一深度学习模型的ICI图像和使用第二深度学习模型的彩色图像。此外，如图2所示，多模式CNN模型包括用于分别对彩色图像和ICI图像进行编码并组合两者的决策的CNN模型。训练后的多模式后融合深度学习模型可用于处理每个模式以允许对每个模式分别作出决定。最后，一个中央分类层可以提供基于不同模式的共同决策。
图3示出了根据本发明的一些实施方案的多模式混合融合深度学习模型的框图，该模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模型之一。
多模式CNN模型，例如多模式混合融合深度学习模型可以包括用于编码彩色图像的第一CNN模型、用于编码ICI图像的第二CNN模型以及用于联合表示颜色和ICI缺陷图像的第三CNN模型。所述第三个/最后一个CNN模型可以在进行分类决策之前学习彩色图像和ICI图像之间的模型间关系。
图4示出的是根据本发明的一些实施方案的多模式早期融合深度学习模型的框图，该模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模型之一。
多模式早期融合深度学习模型可以包括用于联合表示彩色缺陷图像和ICI缺陷图像的CNN模型，通过同时处理单个多模式图像中的联合特征点。
图5a示出了根据本发明的一些实施方案使用一系列深度学习模型的DAG拓扑的示意图。
如图5a所示，多个深度学习模型可以连接为多树(polytree)，所述多树可以是深度学习模型的有向无环图(DAG)，其底层无向图可以是树，如图5a所示，多模式混合融合深度学习模型、多模式早期融合深度学习模型、单输入图像的深度学习模型、具有一个或两个输入图像的自动编码器和/或生成式对抗网络(GAN)深度学习模型。所述DAG可以包括唯一的拓扑序，每个深度学习模型可以定位于DAG的一个节点上。此外，每个节点可以直接连接到一个或多个前节点，然后再连接到一个或多个节点。此外，每个深度学习模型的结果标签定义了DAG中的流路径。例如，如图5a所示，“模型1”中的结果图像“标签1”将继续在“模型3”中进行评价。
作为一个实施例，考虑到每个模型的结果标签在图5b中进行描述。“模型1”的结果标签“标签1：A”可能具有0.9的概率值，而“标签1：B”的概率值可能为0.1.同样地，“模型3”的结果标签“标签2：B”的概率值可能为0.2，“标签3：B”的概率值可能为0.7，“标签3：C”的概率值可能为0.1。此外，“模型5”的结果标签“标签5：A”的概率值为0.1，“标签5：B”的概率值为0.1，“标签5：C”的概率值为0.2，“标签5：D”的概率值为0.6。DAG中的每一个深度学习模型都可以是唯一的，并且可被设计用于处理分类问题的特定部分。例如，DAG中的一个深度学习模型可以是ResNet模型，另一个可以是GoogleNet模型，还有一个可以是多模式深度学习模型。在DAG路径的末尾，可以在后处理模块中评估每个图像(如图5a所示)，其中可以基于与该图像交互作用的深度学习模型的结果来做出决定。
图6a描述的是根据本申请的一些实施方案的基于深度学习网络的用于使用晶圆缺陷图像对晶圆中的缺陷进行分类的方法600a的流程图。
在方框601，晶圆的图像是由成像设备102捕获的。在方框602，捕获的图像由所述成像设备102(图1)存储在与所述成像设备102相关联的图像存储单元126(图1)中。在方框603，存储在与所述成像设备102相关联的图像存储单元126中的图像是由电子装置104(图1)进行检索的。在方框604，电子装置104接收到与至少一个黑白参考图像、彩色参考图像、ICI参考图像相对应的至少一个参考图像，该参考图像代表具有在晶圆中没有缺陷的被检查图像扫描的晶圆的相同区域。在方框605，电子装置104从电子装置104的深度学习模块122使用经过训练的多个具有相关预期模式图像的深度学习模型/分类器。在方框606，经过训练的多个深度学习模型由电子装置104以有向无环图(DAG)架构连接，用于晶圆图像缺陷的分类处理。在方框607，由电子装置104使用多个深度学习模型的有向无环图(DAG)架构来生成晶圆图像的分类判定。最后，在方框608，由电子装置104将包括相关联的元数据结果(即缺陷元数据)的分类晶圆图像存储在电子装置104的外部数据库或存储单元116中。
图6b描述的是根据本申请的一些实施方案的电子装置104中没有存储晶圆缺陷图像的缺陷元数据的情况下，用于计算表示缺陷元数据的特征的方法600b的流程。
在方框611，电子装置104接收来自电子装置104的外部数据库或存储单元116的先前计算和存储的缺陷元数据。例如，元数据包括缺陷的不同特征，但不限于，缺陷的尺寸、缺陷的直方图、缺陷的最大颜色或灰度值、缺陷的最小颜色或灰度值等。在方框612，如果缺陷元数据未被存储，则由电子装置104计算表示缺陷元数据的特征。
本文的实施方案可以利用有向无环图(DAG)作为深度学习模型的组合，并且每个深度学习可以使用缺陷晶圆图像来处理问题的不同方面或晶圆中缺陷的不同形式。此外，所述DAG可以创建具有任意数量的模型，每个深度学习模型的多个不同图像(例如，六图像)。此外，后处理决策模块可配置成组合参数，例如，缺陷调查图像的两个方面和缺陷调查图像的结果标签，来自DAG的每个深度学习模型的值，以及先前在扫描仪中收集的缺陷或缺陷的计量信息(元数据)。基于深度学习网络，包括深度学习模型的DAG可用于利用晶圆缺陷图像对晶圆缺陷进行精确分类。
对于本文中基本上任何复数和/或单数术语的使用，本领域技术人员可根据上下文和/或应用从复数换成单数和/或从单数换成复数。为了清楚起见，可以在此明确地阐述各种单数/复数排列。
本领域技术人员将会理解，一般而言，本文中使用的术语，通常是“开放式”术语(例如，术语“包括(including)”应解释为“包括但不限于”，术语“具有(having)”应解释为“具有至少”，术语“包括(includes)”应解释为“包括但不限于”等)。本领域技术人员应进一步理解，所引用的权利要求书的的具体数量是有意的。例如，作为辅助理解，具体描述可包括介绍性短语“至少一个”和“一个或多个”的用法来介绍权利要求。然而，此类短语的使用不应被解释为通过不定冠词“a”或“an”引入权利要求将包含该引入的权利要求陈述的任何特定权利要求限制为仅包含一个这样的叙述的发明，即使同一权利要求包括介绍性短语“一个或多个”或“至少一个”和不定冠词，如“a”或“an”(例如，“a”或“an”通常应解释为“一个或多个”或“至少一个”)；这同样适用于使用定冠词来介绍权利要求。此外，即使明确地引用权利要求书的特定数量，本领域技术人员也将认识到，这种引用通常应被解释为至少意味着引用的数字(例如，没有其他修饰语的“两项引用”通常意味着至少两项引用，或两次或两次以上的引用)。
虽然本文已经公开了各方面和实施方案，但是其他方面和实施方案对本领域技术人员来说是显而易见的。本文所公开的各个方面和实施方案是为了说明而非限制，真是的范围和精神通过下面的具体实施方式来表示。
参考标号
参考标号 具体描述
100 系统
102 成像设备
104 电子装置
106 通信网络
108 光源
110 照相机镜头
112 缺陷检测模块
116 存储单元
118 处理器
120 I/O接口
122 深度学习模块
126 图像存储单元

Claims (20)

1.一种用于对半导体晶圆进行分类和检测的计算机实现方法，其包括：
提供一个或多个成像单元；
提供一个计算单元；
接收由一个或多个成像单元检测的从所述半导体晶圆上的一个或多个晶片拍摄的多个图像，其中所述多个图像是使用多个成像模式捕获的；
提供一个或多个机器学习(ML)模型，所述一个或多个ML模型与计算机处理器、数据库和与所述计算单元相关联的存储器中的至少一个相关联；
将所述多个图像从多个ML模型提供给所述一个或多个(ML)模型，所述计算机处理器识别并将半导体晶圆中存在的一个或多个缺陷分类为一个或多个缺陷类别，其中所述多个ML模型配置在有向无环图(DAG)架构中，其中所述DAG架构中的每个节点表示一个ML模型，其中一个或多个ML模型被配置为DAG架构中的根节点，
所述多个ML模型被配置为被训练以对半导体晶圆中的一个或多个晶片上的一个或多个缺陷进行分类，其中所述训练包括：
从多个ML模型向所述一个或多个ML模型提供存储在所述数据库中的半导体晶圆的多个标记图像和多个参考图像；
配置来自多个ML模型的每个ML模型以使用来自多个参考图像的对应参考图像将多个标记图像分类为一个或多个缺陷类别；
存储所述的一个或多个缺陷类别；
通过对所述一个或多个晶片进行成像检测半导体晶圆上的一个或多个晶片是否存在缺陷；
尝试将所述一个或多个晶片的图像与所述一个或多个缺陷类别中的任何一个或多个进行匹配；
如果在所述一个或多个晶片和所述一个或多个缺陷类别之间存在匹配，则将所述一个或多个匹配的晶片分类为缺陷，以及，
传输所述一个或多个缺陷晶片的标识并作为缺陷拒绝。
2.根据权利要求1所述的方法，其中向所述一个或多个ML模型提供来自所述多个成像模式的属于一个成像模式的所述多个图像和多个标记图像。
3.根据权利要求1所述的方法，其中所述多个ML模型中的每个是以下其中之一：监督模型、半监督模型和非监督模型。
4.根据权利要求1所述的方法，其中所述多个模式包括以下至少其中之一：X射线成像、内裂纹成像(ICI)、灰度成像、黑白成像和彩色成像。
5.根据权利要求1所述的方法，其中所述多个ML模型为深度学习模型。
6.根据权利要求1所述的方法，其中所述多个标记图像包括与所述一个或多个缺陷类别相关的标签，其中所述多个标记图像是使用标签模型生成的。
7.一种包括一个或多个处理器和一个存储器的计算单元，其配置用于执行权利要求1所述的步骤。
8.一种对半导体晶圆内的缺陷进行分类的方法，所述方法包括：
通过一个或多个成像单元在检测模式下捕获半导体晶圆的多个图像，其中所述多个图像是使用多个成像模式捕获的；
以及
将所述多个图像从多个ML模型提供给一个或多个机器学习(ML)模型，从而识别半导体晶圆中的一个或多个缺陷并将其分类为一个或多个缺陷类别，其中所述多个ML模型配置在有向无环图(DAG)架构中，其中所述DAG架构中的每个节点表示一个ML模型，其中所述一个或多个ML模型配置作为DAG架构中的根节点，
其中所述多个ML模型被训练从而对所述半导体晶圆内的一个或多个缺陷进行分类，其中所述训练包括：
从所述多个ML模型向所述一个或多个ML模型提供存储在数据库中的半导体晶圆的多个标记图像和多个参考图像；
以及
配置来自多个ML模型的每个ML模型以使用来自多个参考图像的对应参考图像将多个标记图像分类为一个或多个缺陷类别。
9.根据权利要求8所述的方法，其中向所述一个或多个ML模型提供来自所述多个成像模式的属于一个成像模式的所述多个图像和多个标记图像。
10.根据权利要求8所述的方法，其中所述多个ML模型的每个为以下之一：监督模型、半监督模型和非监督模型。
11.根据权利要求8所述的方法，其中所述多个模式包括以下至少其中之一：X射线成像、内裂纹成像(ICI)、灰度成像、黑白成像和彩色成像。
12.根据权利要求8所述的方法，其中所述多个ML模型的每个为深度学习模型。
13.根据权利要求8所述的方法，其中所述多个标记图像包括与所述一个或多个缺陷类别相关的标签，其中所述多个标记图像是使用所述半导体晶圆的历史图像生成的。
14.根据权利要求8所述的方法，其中使用后期融合技术、早期融合技术或混合融合技术中的一种来组合从所述多个模式中提取的特征。
15.根据权利要求8所述的方法，进一步包括后处理，其中后处理包括使用来自所述多个ML模型中的每个的分类信息将所述多个图像准确地分类到所述一个或多个缺陷类别中。
16.一种用于对半导体晶圆内的缺陷进行分类和检测的系统，所述系统包括：
一个或多个成像单元，所述一个或多个成像单元配置用于捕获由一个或多个成像单元检测的半导体晶圆上的一个或多个晶片的多个图像，其中所述多个图像是使用多个成像模式捕获的；
计算单元，所述计算单元至少包括计算机处理器、数据库和存储器，所述计算单元被配置用于：
将所述多个图像从多个ML模型提供给一个或多个机器学习(ML)模型，从而识别半导体晶圆上的一个或多个晶片中的一个或多个缺陷并将其分类为一个或多个缺陷类别，其中所述多个ML模型配置在有向无环图(DAG)架构中，其中所述DAG架构中的每个节点表示一个ML模型，其中一个或多个ML模型被配置为DAG架构中的根节点，
所述多个ML模型被配置为被训练以对半导体晶圆中的一个或多个晶片上的一个或多个缺陷进行分类，其中所述计算单元配置为：
从多个ML模型向一个或多个ML模型提供存储在数据库中的半导体晶圆的多个标记图像和多个参考图像；
配置来自所述多个ML模型的每个ML模型，以使用来自多个参考图像的对应参考图像将多个标记图像分类为一个或多个缺陷类别；
根据一个或多个晶片与所述一个或多个缺陷类别的匹配的存在，分别存储缺陷类别并拒绝或接受检查中的一个或多个晶片。
17.根据权利要求16所述的系统，其中所述一个或多个成像单元包括以下至少其中之一：自动光学检测(AOI)设备、自动X射线检测(AXI)设备、联合测试工作组(JTAG)设备和在线测试(ICT)设备。
18.根据权利要求16所述的系统，其中所述计算单元从标签模型接收包括与一个或多个缺陷类别相关的标签的多个标记图像，其中所述标签模型使用半导体晶圆的历史图像生成多个标记图像。
19.根据权利要求16所述的系统，其中使用后期融合技术、早期融合技术或混合融合技术中的一种来组合从所述多个模式中提取的特征。
20.根据权利要求16所述的系统，其中所述计算单元进一步被配置为后处理所述多个ML模型的输出，其中所述计算单元使用来自所述多个ML模型中的每个的分类信息将多个图像精确地分类到所述一个或多个缺陷类别中。
CN202010831725.0A 2020-04-24 2020-08-18 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 Pending CN113627457A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063015101P 2020-04-24 2020-04-24
US63/015,101 2020-04-24
US16/932,717 US20210334946A1 (en) 2020-04-24 2020-07-18 Method and system for classifying defects in wafer using wafer-defect images, based on deep learning
US16/932,717 2020-07-18

Publications (1)

Publication Number Publication Date
CN113627457A true CN113627457A (zh) 2021-11-09

Family

ID=78222556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010831725.0A Pending CN113627457A (zh) 2020-04-24 2020-08-18 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统

Country Status (6)

Country Link
US (1) US20210334946A1 (zh)
JP (1) JP7146857B2 (zh)
KR (1) KR102618355B1 (zh)
CN (1) CN113627457A (zh)
IL (1) IL276245A (zh)
TW (1) TWI833034B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147422A (zh) * 2022-09-05 2022-10-04 武汉精立电子技术有限公司 一种晶圆中心晶粒生成方法、装置、设备及存储介质
CN117372428A (zh) * 2023-12-06 2024-01-09 上海孤波科技有限公司 一种晶圆的缺陷检测方法、装置、电子设备及存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7281041B2 (ja) * 2018-11-29 2023-05-25 京セラドキュメントソリューションズ株式会社 種類判別システム
US20210232969A1 (en) * 2018-12-24 2021-07-29 Intel Corporation Methods and apparatus to process a machine learning model in a multi-process web browser environment
CN110231360B (zh) * 2019-05-31 2020-06-26 华南农业大学 电镜像差的确定方法、消除方法及装置
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
KR20220045499A (ko) * 2020-10-05 2022-04-12 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
TWI833390B (zh) * 2022-02-23 2024-02-21 南亞科技股份有限公司 製造缺陷原因之識別系統以及非暫時性電腦可讀媒體
CN117030724B (zh) * 2023-10-09 2023-12-08 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6922482B1 (en) * 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
US6947936B1 (en) * 2001-04-30 2005-09-20 Hewlett-Packard Development Company, L.P. Method for a topic hierarchy classification system
NZ544432A (en) * 2005-12-23 2009-07-31 Pacific Edge Biotechnology Ltd Prognosis prediction for colorectal cancer using a prognositc signature comprising markers ME2 and FAS
EP3050007A1 (en) * 2013-09-26 2016-08-03 British Telecommunications Public Limited Company Sequence identification
KR101978995B1 (ko) * 2015-06-04 2019-05-16 가부시키가이샤 히다치 하이테크놀로지즈 결함 화상 분류 장치 및 결함 화상 분류 방법
US10032092B2 (en) * 2016-02-02 2018-07-24 Adobe Systems Incorporated Training data to increase pixel labeling accuracy
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
JP7087397B2 (ja) * 2018-01-17 2022-06-21 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
US11170255B2 (en) * 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
EP3629240B1 (en) * 2018-09-07 2023-08-23 Panasonic Intellectual Property Corporation of America Generative adversarial networks for local noise removal from an image
AU2020355226A1 (en) * 2019-09-25 2022-04-07 Blue River Technology Inc. Treating plants using feature values and ground planes extracted from a single image
US20210151034A1 (en) * 2019-11-14 2021-05-20 Comcast Cable Communications, Llc Methods and systems for multimodal content analytics
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147422A (zh) * 2022-09-05 2022-10-04 武汉精立电子技术有限公司 一种晶圆中心晶粒生成方法、装置、设备及存储介质
CN117372428A (zh) * 2023-12-06 2024-01-09 上海孤波科技有限公司 一种晶圆的缺陷检测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20210334946A1 (en) 2021-10-28
JP2021174980A (ja) 2021-11-01
IL276245A (en) 2021-10-31
TW202141027A (zh) 2021-11-01
TWI833034B (zh) 2024-02-21
KR102618355B1 (ko) 2023-12-28
JP7146857B2 (ja) 2022-10-04
KR20210132566A (ko) 2021-11-04

Similar Documents

Publication Publication Date Title
CN113627457A (zh) 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统
CN113302728B (zh) 利用自动产生缺陷特征检验半导体结构的方法及系统
TWI773888B (zh) 訓練用於低解析度影像中之缺陷偵測之神經網路
US20230386021A1 (en) Pattern grouping method based on machine learning
CN108463875B (zh) 使用具有晶片图像数据的设计数据改进半导体晶片检验器的缺陷敏感度
US8331651B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
JP5599387B2 (ja) ウェハー上の欠陥を検出して検査結果を生成するシステム及び方法
CN113763312B (zh) 使用弱标记检测半导体试样中的缺陷
US6687633B2 (en) Inspection system, inspection apparatus, inspection program, and production method of semiconductor devices
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
TW202226027A (zh) 用於光學或其他模式選擇之深度生成模型
US11644756B2 (en) 3D structure inspection or metrology using deep learning
TW202300900A (zh) 以經呈現設計影像之設計照護區域之分段
KR20240004240A (ko) 반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬
Starodubov et al. Pcb Components Recognition Using Wafercaps: A Data Fusion and Deep Learning Approach

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