CN114174812B - 用于具有光学检验的工艺监测的方法 - Google Patents
用于具有光学检验的工艺监测的方法 Download PDFInfo
- Publication number
- CN114174812B CN114174812B CN202080053899.7A CN202080053899A CN114174812B CN 114174812 B CN114174812 B CN 114174812B CN 202080053899 A CN202080053899 A CN 202080053899A CN 114174812 B CN114174812 B CN 114174812B
- Authority
- CN
- China
- Prior art keywords
- processor
- wafer
- defect
- inspection
- determining
- 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.)
- Active
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
-
- 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
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G01N2021/8887—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
- G06T2207/10056—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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (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
机器学习方法提供有关半导体晶片检验稳定性问题的额外信息,其可区分如工艺偏移的连续工艺变化与规格内的小工艺变化。可独立监测检验结果中的可变关注缺陷(DOI)捕获率的影响及晶片上的可变缺陷计数的影响。
Description
相关申请案的交叉参考
本申请案主张2019年8月1日申请的第201941031131号印度申请案及2019年9月18日申请且被转让的第62/902,224号美国申请案的优先权,所述申请案的公开内容以引用的方式并入本文中。
技术领域
本发明涉及半导体晶片的检验。
背景技术
半导体制作产业的演进对良率管理且尤其是度量及检验系统提出更高要求。临界尺寸不断缩小,但产业需要减少实现高良率、高价值生产的时间。最小化从检测到良率问题到将其解决的总时间决定了半导体制造商的投资回报率。
制造例如逻辑及存储器装置的半导体装置通常包含使用大量制造工艺处理半导体晶片以形成半导体装置的各种特征及多个层级。例如,光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子注植入。制造于单个半导体晶片上的多个半导体装置的布置可分离成单个半导体装置。
检验过程用于在半导体制造期间的各个步骤中检测晶片上的缺陷以促成制作过程的较高良率且因此促成较高利润。检验一直都是制造例如集成电路(IC)的半导体装置的重要部分。然而,随着半导体装置的尺寸减小,检验对可接受半导体装置的成功制作变得更加重要,因为更小缺陷会引起装置失效。例如,随着半导体装置的尺寸减小,有必要检测减小大小的缺陷,因为即使缺陷相对较小,但其也会引起半导体装置的不想要像差。
然而,随着设计规则收紧,半导体制作过程会更接近过程的性能的限制操作。另外,随着设计规则收紧,更小缺陷会影响装置的电参数,其推动更敏感检验。随着设计规则收紧,由检验检测的潜在良率相关缺陷的群体急剧增长,且由检验检测的干扰缺陷的群体还急剧增加。因此,可在晶片上检测到更多缺陷,且校正过程以消除所有缺陷可能既困难又昂贵。确定哪些缺陷实际上会影响装置的电参数及良率可允许工艺控制方法聚焦于所述缺陷上,而基本上忽略其它缺陷。此外,在较小设计规则下,工艺诱发失效在一些情况中往往是系统性的。即,工艺诱发失效往往在设计内通常重复多次的预定设计图案处失效。消除空间系统性、电相关缺陷会影响良率。
光学检验用于通过在制造期间跟踪晶片上的缺陷计数及干扰来监测晶片制作过程。由于光学检验缺乏分辨率来确定性地确定缺陷类型,因此缺陷监测依靠单独扫描电子显微镜(SEM)重检。归因于半导体制作设施的有限SEM工具时间预算,方法基本上系统计性的。来自检验的少量缺陷经取样,由SEM重检,且经分类。接着,将样品中的SEM确定的缺陷计数投射到检验计数上以估计晶片上的缺陷计数。
借助于通过大量制作(HVM)的统计过程控制(SPC)或使用其它非严格统计方法跟踪缺陷计数随时间的趋势来进行工艺监测。以前,执行了光学检验。优化对关注缺陷(DOI)的敏感度且抑制干扰。执行随机取样,接着进行SEM重检及分类以将取样缺陷分类。接着,执行SPC以从样品计数正规化且绘制缺陷计数趋势。
既有监测方法的问题是光学检验本身对其希望监测的工艺变化很敏感。这是特别限制性的,因为晶片的光学性质对晶片处理的细微变化(即使其不影响芯片的电性质)(即,完全在工艺窗规格内的变化)很敏感。由于此敏感度,光学检验展现缺陷捕获率及干扰率的变化(即使在工艺窗内)且测量不良影响。膜厚度、临界尺寸、线边缘粗糙度、沉积期间不同材料分布、轻微过度蚀刻或蚀刻不足或其它变量的工艺变化会改变晶片的光学性质。因此,这些工艺变化会影响光学检验结果。
光学检验的此固有可变性使准确监测变得困难,且问题因在较小设计规则中需要较高干扰率及较严检验阈值来实现适当DOI捕获率而变严重。无法使用先前技术来分离检验结果中工艺可变性的影响。此限制影响有效监测工艺的能力。
因此,需要用于半导体晶片检验的新方法及系统。
发明内容
在第一实施例中,提供一种方法。所述方法包含由光学检验工具光学检验多个晶片以借此产生图像。由基于机器学习的分类器使用处理器从所述图像提取特征。使用所述处理器,从所述特征及所述晶片的所有检测事件的群体确定监测计量。在所述处理器处从扫描电子显微镜接收所述晶片的分类缺陷。使用所述处理器,相对于检验阈值确定所述分类缺陷的可分离性计量。所述可分离性计量解释所述分类缺陷的群体分布。使用所述处理器确定所述晶片的所述缺陷的可分离性趋势。
所述光学检验工具可为宽带等离子体检验工具。
所述方法可进一步包含使用所述处理器从所述晶片的所述检测事件过滤干扰。
所述方法可进一步包含使用所述处理器确定所述晶片的所述检测事件中的每一者的置信度值。使用所述处理器,可相对于检验阈值确定缺陷移动。确定缺陷移动可包含将所有所述检测事件投射到置信度轴上及监测所述分类缺陷沿所述置信度轴相对于阈值的运动。确定缺陷移动还可包含从影响良率的工艺变化及影响检验敏感度的工艺变化分类所述缺陷移动。
所述可分离性趋势可监测捕获分类缺陷的置信度。所述可分离性趋势可监测信号强度及/或信号扩展。
非暂时性计算机可读媒体可存储经配置以指示处理器执行所述第一实施例的所述方法的程序。
在第二实施例中,提供一种系统。所述系统包含光学检验工具及处理器。所述光学检验工具包含光源、经配置以固持晶片的载台及检测器。所述处理器与所述检测器电子通信。所述处理器经配置以:使用来自所述检测器的数据产生多个所述晶片的图像;由基于机器学习的分类器从所述图像提取特征;从所述特征及所述晶片的所有检测事件的群体确定监测计量;从扫描电子显微镜接收所述晶片的分类缺陷;相对于检验阈值确定所述分类缺陷的可分离性计量;及确定所述晶片的所述缺陷的可分离性趋势。所述可分离性计量解释所述分类缺陷的群体分布。
所述光源可为宽带等离子体源。
所述处理器可经进一步配置以从所述晶片的所述检测事件过滤干扰。所述处理器可经进一步配置以确定所述晶片的所述检测事件中的每一者的置信度值。所述处理器可经进一步配置以确定相对于检验阈值的缺陷移动。确定所述缺陷移动可包含将所有所述检测事件投射到置信度轴上及监测所述分类缺陷沿所述置信度轴相对于阈值的运动。确定所述缺陷移动还可包含从影响良率的工艺变化及影响检验敏感度的工艺变化分类所述缺陷移动。
附图说明
为更完全理解本发明的本质及目的,应参考结合附图的以下详细描述,其中:
图1是根据本发明的方法的实施例的流程图;
图2包含说明用于具有宽带等离子体(BBP)光学检验的工艺监测的计量的图表;
图3是展示使用本文中所公开的实施例的SPC的图表;
图4是展示使用本文中所公开的实施例的信号强度的图表;
图5是展示使用本文中所公开的实施例的信号扩展的图表;及
图6是根据本发明的系统的实施例的图式。
具体实施方式
尽管将根据特定实施例描述所主张的标的物,但包含未提供本文中所阐述的所有益处及特征的实施例的其它实施例还在本发明的范围内。可在不脱离本发明的范围的情况下进行各种结构、逻辑、工艺步骤及电子改变。因此,本发明的范围仅通过参考所附权利要求书来界定。
本文中所公开的实施例提供具有半导体晶片的BBP或其它光学检验的工艺监测。机器学习方法用于提供有关检验稳定性问题的额外信息,其可区分如工艺偏移的连续工艺变化与规格内的小工艺变化。可独立监测检验结果中的可变DOI捕获率的影响及晶片上的可变缺陷计数的影响。
分类置信度可用于工艺监测及方案稳定性测量。可通过机器学习(ML)算法确定分类置信度。SEM重检缺陷的分类置信度可与已知实况一起用于产生描述依据缺陷类型的信号强度及信号扩展的计量。这些基于类别的新计量的晶片到晶片趋势的记录可随时间被监测及/或记录且用于工艺及检验可变性监测。
图1是方法100的实施例的流程图。至少步骤102到106可使用处理器执行,但方法100的其它步骤可使用相同或不同处理器执行。方法100使用光学检验且接着对光学检验结果取样,使用样品的SEM重检,且使用SEM图像的分类。分类可包含将分类自动标记到检验结果上、估计检验中的缺陷计数及产生具有偏移警告的SPC图。
机器学习算法可用于干扰过滤及并像。机器学习算法还可与光学检验工具一起用于产生分类结果及置信度值。缺陷的基于类别的置信度值可用于测量相对于检验阈值(例如干扰事件滤波器(NEF)及并像器切割线)的缺陷移动。可将所有缺陷投射到置信度轴上且可相对于阈值监测已知(分类)缺陷沿此轴的运动。
在101,光学检验一或多个半导体晶片。此可使用例如BBP检验工具的光学检验工具。可使用基于机器学习的算法来过滤干扰及优化对来自步骤101的检验的图像中的DOI的敏感度。
基于机器学习的算法可产生分类概率。例如,基于机器学习的算法可为神经网络、支持向量机、增强树/森林、随机森林、最近邻或其它基于机器学习的算法。
在102,从来自步骤101的图像提取特征。可使用基于机器学习的分类器(例如干扰滤波器)产生可为可分离性属性的特征。特征可由机器学习算法用于产生分类结果,其可从缺陷位置的光学图像提取。因此,提取特征可包含应用分类器。可在分类器训练期间学习可分离性。机器学习可编码于基于类别的置信度中。
在103,可从特征及晶片的所有检测事件的群体确定监测计量。监测计量可不受监督。统计测量源自可分离性。监测计量可由干扰滤波器(例如机器学习分类器)确定。干扰滤波器计算分类置信度。DOI的此置信度监测于晶片之间以寻找置信度下降时的条件,其是方案对DOI失去敏感度的指示。
在例子中,干扰滤波器可确定将类别码应用于来自光学检验的每一缺陷。类别码可具有从0到1的附加值。例如,大于0.5的切可分类为DOI。0.5阈值可基于特定应用、光学检验工具或受检验的装置来调整。类别码的值与阈值之间的差可确定置信度。差越大意味着置信度越大。
在103之后,可将高于阈值的缺陷进行分类。
在104,从扫描电子显微镜接收每一晶片的分类缺陷。分类缺陷的取样可为随机的,这意味着取样是无偏见的。无偏见信息可使后来识别的趋势更有意义。分类缺陷来自相同于光学检验的晶片且可提供实况。受光学检验的每一晶片可使检测缺陷的随机样品被重检及分类。可监测由SEM验证的DOI的置信度。
在105,确定相对于检验阈值的分类缺陷的可分离性计量。个别DOI的可分离性计量可为由干扰滤波器计算的置信度。总体计量可为使用SEM验证的晶片上的所有DOI的平均置信度。检验阈值可为固定的。可分离性计量可解释分类缺陷的群体分布。因此,可分离性计量可经群体正规化。分类缺陷的计量可依据缺陷类型。
步骤105可包含标记(例如自动标记)群组实况以产生受监督监测计量。
在106,确定晶片的缺陷的可分离性趋势。此可为增强SPC的部分。可绘制每一晶片随时间的可分离性趋势。可相对于每一晶片的分类边界记录平均分类置信度。可监测趋势。
在例子中,可(例如)使用分类器/干扰滤波器确定来自SEM检验的DOI的平均分类置信度。可确定相同装置/层的所有晶片的这些值。可随时间监测平均置信度的趋势。可从晶片的检测事件过滤干扰。可确定晶片的检测事件中的每一者的置信度值。
可随时间确定相对于检验阈值的缺陷移动。此可包含将所有检测事件投射到置信度轴上及监测分类缺陷沿置信度轴相对于阈值的运动。
确定缺陷移动还可包含分类或以其它方式识别影响良率的工艺变化及确定影响检验敏感度及/或DOI干扰可分离性的工艺变化。
除本文中所公开的实施例之外,方法还可任选地执行SPC。半导体制造商可执行具有SPC的其它步骤。
可确定每一晶片的每一缺陷类型的统计数据。这些统计数据可包含缺陷类型的平均信号强度(例如置信度)及信号扩展(标准偏差),如图2中所展示。
图2包含说明用于具有BBP光学检验的工艺监测的计量的图表。缺陷类型1及缺陷类型2是不同类型的缺陷。尽管说明三个晶片,但分析中可包含更多晶片。曲线展示依据每一缺陷的置信度而变化的检验中的所有缺陷的直方图。因此,高于阈值的所有缺陷可绘制于直方图上。较远离左边的直方图上的缺陷具有较高置信度,此意味着缺陷更有可能为DOI。例如,在晶片1中,缺陷类型1的置信度高于缺陷类型2的置信度。
曲线下方的横条展示具有已知实况的取样缺陷的位置。这些是来自SEM重检的缺陷。
信号强度可包含缺陷类型1置信度的平均值及标准偏差。可监测每一晶片的信号强度。
可随时间监测这些集体计量的趋势,如在SPC中跟踪缺陷计数的方式。趋势可用于得到有关缺陷干扰可分离性及光学检验的DOI捕获率的变化的信息。
图3是展示SPC的图表。图4是展示信号强度的图表。图5是展示信号扩展的图表。图3及4的图表是来自多个晶片(W1到W7)。可确定每一缺陷类型的置信度且可随时间监测变化。检验工具可随时间漂移及损失信号。由于此漂移,缺陷可具有更接近阈值的置信度。此意味着会在检验期间遗漏一些缺陷。使用随时间的捕获率可识别趋势且改进检验。
针对图3中的SPC,缺陷类型1及缺陷类型2两者的计数随时间下降。然而,图4中的信号强度展示:缺陷类型1的信号强度随时间降低,而缺陷类型2的信号强度保持大致恒定。图5中的信号扩展展示:缺陷类型1的信号扩展在某一点下降,而缺陷类型2的信号扩展保持大致恒定。因此,新跟踪信息指示:缺陷类型2的缺陷计数随时间减少,而缺陷类型1的缺陷计数因在光学检验中损失对缺陷类型1的敏感度而减少。缺陷类型2具有依据时间而变化的相同置信度,因此检验中的减少计数是晶片上的减少计数的指示。缺陷类型2捕获率的置信度大体上是稳定的。类型1的减少计数可由检验损失敏感度且无法捕获晶片上的相同分率的缺陷引起。缺陷类型1例子随时间以降低置信度捕获,这意味着缺陷计数无法表示晶片上的缺陷类型1的数目。检验可能对缺陷类型1不敏感,这意味着应调谐检验工具。
跟踪相对于缺陷捕获率及干扰率的检验可变性及检验中的缺陷计数的统计数据提供过程控制及检验可变性监测的综合方法。影响良率的工艺变化可与仅影响检验敏感度及/或DOI干扰可分离性的工艺变化分离。
在例子中,光学检验工具产生新的工艺相关缺陷等级属性。接着,这些属性由直接集成到计算工艺监测计量的数据库中的计算机引擎处理。数据库还含有监测软件及用于显示趋势的用户接口。在此实施方案中,可集成额外监测性能用于监测工具/方案性能。
在另一例子中,将新产生的工艺相关属性输出到数据文件中用于半导体制作,例如KLARF。接着,使这些用于开发内置到良率管理软件(YMS)中的定制监测策略及半导体制作设施的其它内部监测方案。
尽管具体公开BBP光学检验,但本文中所公开的实施例可与依靠SEM验证的其它光学检验一起使用。
图6中展示具有光学检验工具的系统200的一个实施例。系统200包含基于光学的子系统201。一般来说,基于光学的子系统201经配置以通过将光导引到(或使光扫描)样本202且从样本202检测光来产生样本202的基于光学的输出。在一个实施例中,样本202包含晶片。晶片可包含所属领域中已知的任何晶片。在另一实施例中,样本202包含光罩。光罩可包含所属领域中已知的任何光罩。
在图6所展示的系统200的实施例中,基于光学的子系统201包含经配置以将光导引到样本202的照明子系统。照明子系统包含至少一个光源。例如,如图6中所展示,照明子系统包含光源203。在一个实施例中,照明子系统经配置以按一或多个入射角将光导引到样本202,所述一或多个入射角可包含一或多个倾斜角及/或一或多个法向角。例如,如图6中所展示,来自光源203的光经导引穿过光学元件204及接着透镜205而以倾斜入射角到样本202。倾斜入射角可包含任何合适倾斜入射角,其可取决于(例如)样本202的特性而变化。
基于光学的子系统201可经配置以在不同时间以不同入射角将光导引到样本202。例如,基于光学的子系统201可经配置以更改照明子系统的一或多个元件的一或多个特性,使得光可以不同于图6中所展示的入射角的入射角导引到样本202。在此实例中,基于光学的子系统201可经配置以移动光源203、光学元件204及透镜205,使得光以不同倾斜入射角或法向(或近法向)入射角导引到样本202。
在一些例子中,基于光学的子系统201可经配置以同时以一个以上入射角将光导引到样本202。例如,照明子系统可包含一个以上照明通道,所述照明通道中的一者可包含光源203、光学元件204及透镜205(如图6中所展示),且所述照明通道的另一者(未展示)可包含类似元件,其可经不同或相同配置,或包含至少一光源及可能一或多个其它组件,例如本文中进一步所描述的组件。如果此光与另一光同时导引到样本,那么以不同入射角导引到样本202的光的一或多个特性(例如波长、偏振等等)可不同,使得由以不同入射角照射样本202产生的光可在检测器处彼此区别。
在另一例子中,照明子系统可包含仅一个光源(例如图6中所展示的光源203)且来自光源的光可由照明子系统的一或多个光学元件(未展示)分离成不同光学路径(例如,基于波长、偏振等等)。接着,可将每一不同光学路径中的光导引到样本202。多个照明通道可经配置以在相同时间或不同时间(例如,当不同照明通道用于依序照射样本时)将光导引到样本202。在另一例子中,相同照明通道可经配置以在不同时间将具有不同特性的光导引到样本202。例如,在一些例子中,光学元件204可经配置为光谱滤波器,且光谱滤波器的性质可以各种不同方式改变(例如,通过换出光谱滤波器),使得不同波长的光可在不同时间导引到样本202。照明子系统可具有所属领域中已知的任何其它合适配置用于依序或同时以不同或相同入射角将具有不同或相同特性的光导引到样本202。
在一个实施例中,光源203可包含BBP源。以此方式,由光源203产生且导引到样本202的光可包含宽带光。然而,光源可包含例如激光的任何其它合适光源。激光可包含所属领域中已知的任何合适激光且可经配置以产生所属领域中已知的任何一或若干合适波长的光。另外,激光可经配置以产生单色或近单色光。以此方式,激光可为窄频激光。光源203还可包含产生多个离散波长或波段的光的多色光源。
来自光学元件204的光可由透镜205聚焦到样本202上。尽管透镜205在图6中展示为单个折射光学元件,但应了解,透镜205实际上可包含数个折射及/或反射光学元件,其组合将光从光学元件聚焦到样本。图6中所展示及本文中所描述的照明子系统可包含任何其它合适光学元件(未展示)。此类光学元件的实例包含(但不限于)偏振组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、分束器(例如分束器213)、孔隙及其类似者,其可包含所属领域中已知的任何此类合适光学元件。另外,基于光学的子系统201可经配置以基于用于产生基于光学的输出的照明的类型来更改照明子系统的一或多个元件。
基于光学的子系统201还可包含经配置以引起光扫描样本202的扫描子系统。例如,基于光学的子系统201可包含载台206,样品样本202在基于光学的输出产生期间安置于载台206上。扫描子系统可包含任何合适机械及/或机器人组合件(其包含载台206),其可经配置以移动样本202,使得光可扫描样本202。另外或替代地,基于光学的子系统201可经配置使得基于光学的子系统201的一或多个光学元件使光对样本202执行一些扫描。光可以任何合适方式(例如沿蛇形路径或螺旋路径)扫描样本202。
基于光学的子系统201进一步包含一或多个检测通道。一或多个通道中的至少一者包含检测器,其经配置以归因于由子系统照射样本202而检测来自样本202的光且响应于检测而产生输出。例如,图6中所展示的基于光学的子系统201包含两个检测通道:一个由收集器207、元件208及检测器209形成,且另一个由收集器210、元件211及检测器212形成。如图6中所展示,两个检测通道经配置以按不同收集角收集及检测光。在一些例子中,两个检测通道经配置以检测散射光,且检测通道经配置以检测从样本202以不同角度散射的光。然而,检测通道中的一或多者可经配置以从样本202检测另一类型的光(例如反射光)。
如图6中所进一步展示,两个检测通道经展示为定位于纸面中且照明子系统还经展示为定位于纸面中。因此,在此实施例中,两个检测通道定位于(例如居中于)入射面中。然而,检测通道中的一或多者可定位于入射面外。例如,由收集器210、元件211及检测器212形成的检测通道可经配置以收集及检测从入射面散射出的光。因此,此检测通道通常可称为“侧”通道,且此侧通道可居中于大体上垂直于入射面的平面中。
尽管图6展示包含两个检测通道的基于光学的子系统201的实施例,但基于光学的子系统201可包含不同数目个检测通道(例如仅一个检测通道或两个或更多个检测通道)。在一个此例子中,由收集器210、元件211及检测器212形成的检测通道可形成上文所描述的侧通道,且基于光学的子系统201可包含形成为定位于入射面的对置侧上的另一侧通道的额外检测通道(未展示)。因此,基于光学的子系统201可包含检测通道,其包含收集器207、元件208及检测器209且居中于入射面中且经配置以按法向于或接近法向于样本202表面的散射角收集及检测光。因此,此检测通道通常可称为“顶部”通道,且基于光学的子系统201还可包含如上文所描述那样配置的两个或更多个侧通道。因而,基于光学的子系统201可包含至少三个通道(即,一个顶部通道及两个侧通道),且至少三个通道中的每一者自身具有收集器,每一收集器经配置以按不同于每一其它收集器的散射角收集光。
如上文所进一步描述,包含于基于光学的子系统201中的每一检测通道可经配置以检测散射光。因此,图6中所展示的基于光学的子系统201可经配置用于样本202的暗场(DF)输出产生。然而,基于光学的子系统201还可或替代地包含经配置用于样本202的明场(BF)输出产生的检测通道。换句话说,基于光学的子系统201可包含经配置以检测从样本202镜面反射的光的至少一个检测通道。因此,本文中所描述的基于光学的子系统201可经配置用于仅DF成像、仅BF成像或DF成像及BF成像两者。尽管收集器中的每一者在图6中展示为单个折射光学元件,但应了解,收集器中的每一者可包含一或多个折射光学裸片及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何合适检测器。例如,检测器可包含光倍增管(PMT)、电荷耦合装置(CCD)、时延积分(TDI)摄像机及所属领域中已知的任何其它合适检测器。检测器还可包含非成像检测器或成像检测器。以此方式,如果检测器是非成像检测器,那么检测器中的每一者可经配置以检测散射光的某些特性(例如强度),但无法经配置以检测依据成像面内的位置而变化的特性。因而,由包含于基于光学的子系统的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据,但非图像信号或图像数据。在此类例子中,例如处理器214的处理器可经配置以从检测器的非成像输出产生样本202的图像。然而,在其它例子中,检测器可经配置为经配置以产生成像信号或图像数据的成像检测器。因此,基于光学的子系统可经配置以按数种方式产生光学图像或本文中所描述的其它基于光学的输出。
应注意,本文中提供图6来大体上说明可包含于本文中所描述的系统实施例中或可产生由本文中所描述的系统实施例使用的基于光学的输出的基于光学的子系统201的配置。本文中所描述的基于光学的子系统201的配置可经更改以优化基于光学的子系统201的性能,如设计商业输出获取系统时通常所执行。另外,可使用既有系统(例如,通过将本文中所描述的功能添加到既有系统)来实施本文中所描述的系统。针对一些此类系统,本文中所描述的方法可经提供为系统的选用功能(例如,除系统的其它功能之外)。替代地,本文中所描述的系统可经设计为全新系统。
处理器214可以任何合适方式(例如,经由可包含有线及/或无线传输媒体的一或多个传输媒体)耦合到系统200的组件,使得处理器214可接收输出。处理器214可经配置以使用输出执行数种功能。系统200可从处理器214接收指令或其它信息。处理器214及/或电子数据存储单元215可任选地与晶片检验工具、晶片度量工具或晶片重检工具(未说明)电子通信以接收额外信息或发送指令。例如,处理器214及/或电子数据存储单元215可与SEM电子通信。
本文中所描述的处理器214、其它系统或其它子系统可为各种系统的部分,其包含个人计算机系统、图像计算机、大型计算机系统、工作站、网络设备、因特网设备或其它装置。子系统或系统还可包含所属领域中已知的任何合适处理器,例如并行处理器。另外,子系统或系统可包含具有高速处理及软件的平台作为独立工具或网络工具。处理器214可为CPU或GPU。
处理器214及电子数据存储单元215可安置于系统200或另一装置中或为系统200的其它部分或另一装置。在实例中,处理器214及电子数据存储单元215可为独立控制单元的部分或在集中式质量控制单元中。可使用多个处理器214或电子数据存储单元215。
处理器214实际上可由硬件、软件及固件的任何组合实施。此外,其在本文中所描述的功能可由一个单元执行或分配于不同组件之间,所述组件中的每一者又可由硬件、软件及固件的任何组合实施。使处理器214实施各种方法及功能的程序代码或指令可存储于可读存储媒体(例如电子数据存储单元215中的存储器或其它存储器)中。
如果系统200包含一个以上处理器214,那么不同子系统可彼此耦合,使得图像、数据、信息、指令等等可发送于子系统之间。例如,一个子系统可通过任何合适传输媒体耦合到额外子系统,所述传输媒体可包含所属领域中已知的任何合适有线及/或无线传输媒体。两个或更多个此类子系统还可由共享计算机可读存储媒体(未展示)有效耦合。
处理器214可经配置以使用系统200的输出或其它输出来执行数种功能。例如,处理器214可经配置以将输出发送到电子数据存储单元215或另一存储媒体。处理器214可如本文中所描述那样进一步配置。
处理器214可根据本文中所描述的实施例中的任一者来配置。处理器214还可经配置以使用系统200的输出或使用来自其它源的图像或数据来执行其它功能或额外步骤。
本文中所公开的系统200及方法的各种步骤、功能及/或操作由以下中的一或多者实施:电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控制/开关、微控制器或计算系统。实施例如本文中所描述的方法的方法的程序指令可经由载体媒体传输或存储于载体媒体上。载体媒体可包含存储媒体,例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及其类似者。载体媒体可包含例如电线、电缆或无线传输链路的传输媒体。例如,本发明中所描述的各种步骤可由单处理器214或替代地,多个处理器214实施。此外,系统200的不同子系统可包含一或多个计算或逻辑系统。因此,以上描述不应被解释为本发明的限制而是仅为说明。
在例子中,处理器214与系统200通信。处理器214经配置以:从来自检测器的数据产生至少一个晶片的一或多个图像;使用基于机器学习的分类器从图像提取特征;从特征及晶片的所有检测事件的群体确定监测计量;及从扫描电子显微镜接收晶片的分类缺陷。相对于检验阈值(其可为固定的)确定分类缺陷的可分离性计量。可分离性计量解释分类缺陷的群体分布。可对两个或更多个晶片重复一些或所有这些步骤。可确定可分离性趋势。
处理器214可经进一步配置以使用处理器从晶片的检测事件过滤干扰及/或使用处理器确定用于晶片的检测事件中的每一者的置信度值。处理器214还可经进一步配置以确定相对于检验阈值的缺陷移动。确定缺陷移动可包含将所有检测事件投射到置信度轴上及监测分类缺陷沿置信度轴相对于阈值的运动。确定缺陷移动还可包含确定影响良率的工艺变化及确定影响检验敏感度的工艺变化。系统200可基于结果来调谐,例如通过调整波长或通过替换光源203、光学元件204、透镜205或其它组件。
额外实施例涉及非暂时性计算机可读媒体,其存储可在控制器上执行以执行用于缺陷检验的计算机实施方法的程序指令,如本文中所公开。特定来说,如图6中所展示,电子数据存储单元215或其它存储媒体可含有非暂时性计算机可读媒体,其包含可在处理器214上执行的程序指令。计算机实施方法可包含本文中所描述的任何方法(其包含方法100)的任何步骤。
程序指令可以各种方式中的任一者实施,其包含基于程序的技术、基于组件的技术及/或面向对象技术等等。例如,程序指令可根据需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式传输SIMD扩展(SSE)或其它技术或方法来实施。
方法的步骤中的每一者可如本文中所描述那样执行。方法还可包含可由本文中所描述的处理器及/或计算机子系统或系统执行的任何其它步骤。步骤可由一或多个计算机系统执行,所述一或多个计算机系统可根据本文中所描述的实施例中的任一者配置。另外,上述方法可由本文中所描述的系统实施例中的任一者执行。
尽管已相对于一或多个特定实施例描述本发明,但应了解,可在不脱离本发明的范围的情况下进行本发明的其它实施例。因此,本发明被视为仅由所附权利要求书及其合理解释限制。
Claims (18)
1.一种用于半导体晶片检验的方法,其包括:
由光学检验工具光学检验多个晶片以借此产生图像;
由基于机器学习的分类器使用处理器从所述图像提取特征;
使用所述处理器从所述特征及所述晶片的所有检测事件的群体确定监测计量;
在所述处理器处从扫描电子显微镜接收所述晶片的分类缺陷;
使用所述处理器相对于检验阈值确定所述分类缺陷的可分离性计量,其中所述可分离性计量解释所述分类缺陷的群体分布;及
使用所述处理器确定所述晶片的所述缺陷的可分离性趋势。
2.根据权利要求1所述的方法,其中所述光学检验工具是宽带等离子体检验工具。
3.根据权利要求1所述的方法,其进一步包括使用所述处理器从所述晶片的所述检测事件过滤干扰。
4.根据权利要求3所述的方法,其进一步包括使用所述处理器确定用于所述晶片的所述检测事件中的每一者的置信度值。
5.根据权利要求4所述的方法,其进一步包括使用所述处理器确定相对于检验阈值的缺陷移动。
6.根据权利要求5所述的方法,其中确定所述缺陷移动包含:
将所有所述检测事件投射到置信度轴上;及
监测所述分类缺陷沿所述置信度轴相对于阈值的运动。
7.根据权利要求5所述的方法,其中确定所述缺陷移动包含从影响良率的工艺变化及影响检验敏感度的工艺变化分类所述缺陷移动。
8.根据权利要求1所述的方法,其中所述可分离性趋势监测捕获分类缺陷的置信度。
9.根据权利要求8所述的方法,其中所述可分离性趋势监测信号强度。
10.根据权利要求8所述的方法,其中所述可分离性趋势监测信号扩展。
11.一种非暂时性计算机可读媒体,其存储经配置以指示处理器执行根据权利要求1所述的方法的程序。
12.一种用于半导体晶片检验的系统,其包括:
光学检验工具,其包含:
光源;
载台,其经配置以固持晶片;及
检测器;及
处理器,其与所述检测器电子通信,其中所述处理器经配置以:
使用来自所述检测器的数据产生多个所述晶片的图像;
由基于机器学习的分类器使用处理器从所述图像提取特征;
从所述特征及所述晶片的所有检测事件的群体确定监测计量;
从扫描电子显微镜接收所述晶片的分类缺陷;
相对于检验阈值确定所述分类缺陷的可分离性计量,其中所述可分离性计量解释所述分类缺陷的群体分布;及
确定所述晶片的所述缺陷的可分离性趋势。
13.根据权利要求12所述的系统,其中所述光源是宽带等离子体源。
14.根据权利要求12所述的系统,其中所述处理器经进一步配置以从所述晶片的所述检测事件过滤干扰。
15.根据权利要求14所述的系统,其中所述处理器经进一步配置以确定用于所述晶片的所述检测事件中的每一者的置信度值。
16.根据权利要求15所述的系统,其中所述处理器经进一步配置以确定相对于检验阈值的缺陷移动。
17.根据权利要求16所述的系统,其中确定所述缺陷移动包含:
将所有所述检测事件投射到置信度轴上;及
监测所述分类缺陷沿所述置信度轴相对于阈值的运动。
18.根据权利要求16所述的系统,其中确定所述缺陷移动包含从影响良率的工艺变化及影响检验敏感度的工艺变化分类所述缺陷移动。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201941031131 | 2019-08-01 | ||
IN201941031131 | 2019-08-01 | ||
US201962902224P | 2019-09-18 | 2019-09-18 | |
US62/902,224 | 2019-09-18 | ||
US16/940,373 US11379969B2 (en) | 2019-08-01 | 2020-07-27 | Method for process monitoring with optical inspections |
US16/940,373 | 2020-07-27 | ||
PCT/US2020/044366 WO2021022100A1 (en) | 2019-08-01 | 2020-07-31 | Method for process monitoring with optical inspections |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114174812A CN114174812A (zh) | 2022-03-11 |
CN114174812B true CN114174812B (zh) | 2022-12-16 |
Family
ID=74230563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080053899.7A Active CN114174812B (zh) | 2019-08-01 | 2020-07-31 | 用于具有光学检验的工艺监测的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11379969B2 (zh) |
KR (1) | KR102607149B1 (zh) |
CN (1) | CN114174812B (zh) |
TW (1) | TW202113337A (zh) |
WO (1) | WO2021022100A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240142883A1 (en) * | 2022-10-31 | 2024-05-02 | Kla Corporation | Overlay Estimation Based on Optical Inspection and Machine Learning |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104903712A (zh) * | 2013-01-30 | 2015-09-09 | 株式会社日立高新技术 | 缺陷观察方法以及缺陷观察装置 |
CN107024541A (zh) * | 2015-10-08 | 2017-08-08 | 株式会社日立电力解决方案 | 缺陷检查方法及其装置 |
WO2018132321A1 (en) * | 2017-01-10 | 2018-07-19 | Kla-Tencor Corporation | Diagnostic methods for the classifiers and the defects captured by optical tools |
CN109813717A (zh) * | 2017-11-20 | 2019-05-28 | 台湾积体电路制造股份有限公司 | 缺陷检查方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4750444B2 (ja) | 2005-03-24 | 2011-08-17 | 株式会社日立ハイテクノロジーズ | 外観検査方法及びその装置 |
JP5550862B2 (ja) | 2009-07-23 | 2014-07-16 | 株式会社日立ハイテクノロジーズ | 欠陥分類装置及び分類調整方法 |
US8331669B2 (en) * | 2009-08-25 | 2012-12-11 | Siemens Aktiengesellschaft | Method and system for interactive segmentation using texture and intensity cues |
JP5460662B2 (ja) | 2011-09-07 | 2014-04-02 | 株式会社日立ハイテクノロジーズ | 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法 |
US10670536B2 (en) * | 2018-03-28 | 2020-06-02 | Kla-Tencor Corp. | Mode selection for inspection |
US11321633B2 (en) * | 2018-12-20 | 2022-05-03 | Applied Materials Israel Ltd. | Method of classifying defects in a specimen semiconductor examination and system thereof |
-
2020
- 2020-07-27 US US16/940,373 patent/US11379969B2/en active Active
- 2020-07-31 KR KR1020227005582A patent/KR102607149B1/ko active IP Right Grant
- 2020-07-31 WO PCT/US2020/044366 patent/WO2021022100A1/en active Application Filing
- 2020-07-31 TW TW109126085A patent/TW202113337A/zh unknown
- 2020-07-31 CN CN202080053899.7A patent/CN114174812B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104903712A (zh) * | 2013-01-30 | 2015-09-09 | 株式会社日立高新技术 | 缺陷观察方法以及缺陷观察装置 |
CN107024541A (zh) * | 2015-10-08 | 2017-08-08 | 株式会社日立电力解决方案 | 缺陷检查方法及其装置 |
WO2018132321A1 (en) * | 2017-01-10 | 2018-07-19 | Kla-Tencor Corporation | Diagnostic methods for the classifiers and the defects captured by optical tools |
CN109813717A (zh) * | 2017-11-20 | 2019-05-28 | 台湾积体电路制造股份有限公司 | 缺陷检查方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021022100A1 (en) | 2021-02-04 |
KR102607149B1 (ko) | 2023-11-29 |
US11379969B2 (en) | 2022-07-05 |
TW202113337A (zh) | 2021-04-01 |
CN114174812A (zh) | 2022-03-11 |
US20210035282A1 (en) | 2021-02-04 |
KR20220041126A (ko) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI751376B (zh) | 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 | |
KR102083706B1 (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
TWI673489B (zh) | 以使用一適應性滋擾過濾器產生針對一樣本之檢驗結果之系統及方法,以及非暫時性電腦可讀媒體 | |
US9518932B2 (en) | Metrology optimized inspection | |
US10698325B2 (en) | Performance monitoring of design-based alignment | |
TWI778258B (zh) | 缺陷偵測之方法、系統及非暫時性電腦可讀媒體 | |
WO2020081748A1 (en) | Design and noise based care areas | |
US11803960B2 (en) | Optical image contrast metric for optical target search | |
CN114174812B (zh) | 用于具有光学检验的工艺监测的方法 | |
TWI829980B (zh) | 半導體晶圓檢測之方法及系統,以及非暫時性電腦可讀媒體 | |
US20230122514A1 (en) | Laser Anneal Pattern Suppression | |
US20220405903A1 (en) | Image contrast metrics for deriving and improving imaging conditions | |
CN114946016B (zh) | 用于晶片缺陷检测的投影及距离切割算法 | |
TW202228220A (zh) | 使用影像雜湊之非監督樣式等同偵測 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |