CN114341630B - 等概率缺陷检测 - Google Patents

等概率缺陷检测 Download PDF

Info

Publication number
CN114341630B
CN114341630B CN202080061758.XA CN202080061758A CN114341630B CN 114341630 B CN114341630 B CN 114341630B CN 202080061758 A CN202080061758 A CN 202080061758A CN 114341630 B CN114341630 B CN 114341630B
Authority
CN
China
Prior art keywords
detection threshold
detection
image
wafer
processor
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
Application number
CN202080061758.XA
Other languages
English (en)
Other versions
CN114341630A (zh
Inventor
P·桑卡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Tencor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN114341630A publication Critical patent/CN114341630A/zh
Application granted granted Critical
Publication of CN114341630B publication Critical patent/CN114341630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—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
    • G01N2021/8858—Flaw counting
    • 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

Abstract

针对半导体检验图像，可基于在像素强度下的概率密度函数确定检测阈值。可接着将所述检测阈值应用到图像。这可通过估计基础数据的概率分布且调适所述检测阈值而在全部像素强度水平下以固定概率寻找离群点。可基于所述检测阈值优化激光功率。

Description

等概率缺陷检测
相关申请案的交叉参考
本申请案主张2019年9月27日申请且被转让的第62/906,999号美国申请案的临时专利申请案的优先权，所述申请案的公开内容特此以引用的方式并入。
技术领域
本公开涉及半导体晶片的检验。
背景技术
半导体制造产业的演进对良率管理且尤其对度量及检验系统提出更高要求。临界尺寸继续缩小，而产业需要减少用于实现高良率、高价值生产的时间。最小化从检测到良率问题到解决所述问题的总时间确定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被分成个别半导体装置。
在半导体制造期间的每一个步骤使用检验过程以检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终是制造半导体装置(例如集成电路(IC))的重要部分。然而，随着半导体装置的尺寸减小，检验对于可接受半导体装置的成功制造变得甚至更重要，这是因为较小缺陷可引起装置失效。例如，随着半导体装置的尺寸减小，具有减小大小的缺陷的检测已变得必要，这是因为甚至相对小缺陷也可引起半导体装置中的非所要像差。
然而，随着设计规则缩小，半导体制造过程可以更接近对过程的性能能力的限制操作。另外，随着设计规则缩小，较小缺陷可对装置的电参数具有影响，此驱动更灵敏检验。随着设计规则缩小，通过检验检测的潜在良率相关缺陷的群体大幅增长，且通过检验检测的扰乱点缺陷的群体还大幅增加。因此，可在晶片上检测更多缺陷，且校正过程以剔除全部缺陷可为困难且昂贵的。确定哪些缺陷实际上对装置的电参数及良率具有影响可允许工艺控制方法聚焦于所述缺陷而大体上忽略其它缺陷。此外，在较小设计规则下，在一些情况中，工艺引发的失效趋于是系统性的。也就是说，工艺引发的失效趋于在通常在设计内重复许多次的预定设计模式下失效。空间系统、电相关缺陷的剔除可对良率具有影响。
在检验期间，先前方法在每一像素强度下应用固定阈值以进行分段。如果基础数据是高斯(Gaussian)分布的，那么此产生离群点检测的固定概率。使用预处理方法(例如基于强度的图像分段)以克服基础分布在全部强度水平下不相同的问题。接着在不同片段处使用不同阈值用于缺陷检测，此增加配方设置时间。归因于算法参数的延长手动调谐，先前缺陷检测方法不合适用于基于检验的激光功率设置的自动化过程中。
图1显示在1600的像素强度下的差异图像的直方图且图2显示在2624的像素强度下的差异图像的直方图。像素强度可为12位灰度。例如，像素强度可具有0到4095的范围。虚线曲线表示实际数据且实线曲线表示与数据拟合的一般化高斯密度。图1中的标绘图是接近正态(高斯)分布且图2中的标绘图是次正态(接近拉普拉斯(Laplacian))分布。如果如在先前缺陷检测方法中，使用基于标准偏差的固定阈值以检测在这些像素强度下的离群点，那么将在2624的强度下以比在1600的强度下更高的概率检测更多缺陷。为了克服此缺点，设置基于强度的分段且在2624片段中使用比在1600片段中更高的阈值。然而，此需要额外用户配方设置时间，此对于寻找最优激光功率的自动化过程是非所要的。
因此，需要经改进的检验系统及方法。
发明内容
在第一实施例中，提供一种系统。所述系统包括：光源，其产生光束(例如，激光)；载物台，其经配置以固持晶片；检测器，其接收从所述晶片反射的所述光束；及处理器，其与所述检测器电子通信。所述处理器经配置以基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值。所述处理器还经配置以将所述检测阈值应用到至少一个图像。所述图像是使用来自所述检测器的数据产生。
所述检测阈值可进一步基于经估计形状参数及/或离群点检测的概率。
所述处理器可进一步经配置以确定使用来自所述检测器的所述数据产生的差异图像的分布。在例子中，所述处理器经配置以基于所述分布调适所述检测阈值。
在第二实施例中提供一种方法。所述方法包括：使用光学检验系统使晶片成像，借此形成至少一个图像；使用处理器基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值；及使用所述处理器将所述检测阈值应用到至少一个图像。
可在热扫描期间产生所述图像。
所述图像中的每一者可为所述晶片上的裸片的图像。
所述光学检验系统可使用激光。
所述确定可进一步基于经估计形状参数及/或离群点检测的概率。
可存在多个所述图像，且所述方法可进一步包含从所述多个所述图像确定差异图像的分布。在例子中，基于所述分布调适所述检测阈值。
所述方法可进一步包含在应用所述检测阈值之后执行缺陷检测。
所述方法可进一步包含基于所述检测阈值优化激光功率。
在第三实施例中提供一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体包括用于对一或多个计算装置执行以下步骤的一或多个程序。所述步骤包含：接收半导体晶片的至少一个图像；基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值；及将所述检测阈值应用到至少一个图像。
所述确定可进一步基于经估计形状参数及/或离群点检测的概率。
可存在多个所述图像。所述步骤可进一步包含：从所述多个所述图像确定差异图像的分布；及基于所述分布调适所述检测阈值。
附图说明
为了更全面理解本公开的性质及目标，应参考结合所附图式进行的以下详细描述，其中：
图1是展示在1600的像素强度下的差异直方图的图表；
图2是展示在2624的像素强度下的差异直方图的图表；
图3是根据本公开的方法的流程图；
图4是展示在图像中的片段的图式；
图5是展示从数据测量的密度形状参数的图表；
图6是展示在近似10^-15的概率下用于检测的对应阈值的图表；及
图7是根据本公开的系统的图式。
具体实施方式
虽然将依据特定实施例描述所主张标的物，但其它实施例(包含不提供本文中阐述的全部益处及特征的实施例)还在本公开的范围内。可做出各种结构、逻辑、工艺步骤及电子改变而不脱离本公开的范围。因此，本公开的范围仅通过参考所附权利要求书定义。
本文中公开的实施例提供用于在半导体晶片检验期间的缺陷检测的统计算法。所公开算法可用于在晶片检验工具上寻找最优及/或安全激光功率的自动化过程中。一个目的是在用户不进行显著配方设置的情况下检测各种晶片上的异常/缺陷。这是通过凭借估计基础数据的概率分布且调适检测阈值而在全部像素强度水平下以固定概率寻找离群点而实现。这些检测阈值与可在检验期间识别的缺陷的数目及类型有关。
可估计差异图像(背景)的分布且可基于经估计分布调适检测阈值。此允许对于具有更少用户干预的自动化检验策略中所需的不同数据的经改进调适。因此，本文中公开的实施例可在缺陷发现过程期间用于“智能”热扫描且可减少用于设置图像的基于强度的分段所需的时间。
本文中公开的实施例可在激光功率电平的基于检验的优化期间使用。使用阈值的缺陷检测算法可1)使用最少或不使用配方调谐，2)报告归因于晶片损坏的任何漂移，及/或3)可用于来自不同层及制造商的晶片。一个目的是在全部光电平下且针对不同层及/或制造商但不以高灵敏度检测相对强缺陷。
图3是方法100的流程图。在101，使用光学检验系统使晶片成像，此形成至少一个图像。图像可在热扫描期间产生且可为晶片上的个别裸片的图像。在例子中，光学检验系统使用激光来产生引导到晶片处的光束。
在102，使用处理器基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值。可在检验配方中设置定义检测的概率的标称检测阈值。可基于在像素强度下的概率密度函数调整在像素强度下应用的实际检测阈值。概率密度函数是其在样本空间中的样本(或点)处的值(通过随机变量获取的可能值集)可被解释为提供随机变量的值等于所述样本的可能性的函数。虽然由于存在无限可能值集，连续随机变量采用任何特定值的绝对可能性是0，但在两个不同样本处的概率密度函数的值可用于推断在随机变量的任何特定抽取中，相较于另一样本，随机变量将等于一个样本的可能性大多少。概率密度函数可用于指定随机变数落在值的特定范围内而非采用任何一个值的概率。此概率由此变量的概率密度函数在所述范围内的积分给定。因此，此概率由在密度函数下方但在水平轴上方且在范围的最小值与最大值之间的面积给定。概率密度函数处处为非负，且其在整个空间上的积分等于1。
检测阈值的此种确定可进一步基于像素概率密度函数的经估计形状参数及/或在检验配方中设置的离群点检测的概率。在实例中，概率密度函数通过形状参数特性化。算法可基于数据估计形状参数。形状参数的确定可为基于图像像素的数据统计。可在检验配方中设置离群点检测的概率。在像素强度下应用的实际检测阈值可由以下项确定：(1)在配方中设置的离群点检测的概率；及(2)密度函数的经估计形状参数。
在103，使用处理器将检测阈值应用到至少一个图像。可在应用检测阈值之后执行缺陷检测。
可基于方法100优化激光功率电平。最优激光功率确定可为系统级任务。可在不同激光功率下扫描晶片上的裸片的小样本且比较所述小样本与基线扫描结果。可将最高功率电平(高于所述电平，扫描结果展示从基线结果的变化)视为最优功率电平。可在无任何检验配方设置的情况下促进在不同功率电平下的这些扫描。
在例子中，存在多个图像。在另一例子中，使用单裸片检验方法。可从多个图像确定差异图像的分布且可基于所述分布调适检测阈值。本文中公开的实施例可用于对来自图像(其来自多个裸片)的不同强度分布或来自一个裸片图像的多个图块的差异的统计进行建模。虽然公开差异图像以估计基础密度，但还可使用差异图像的平均值或差异图像的乘积。
针对差异图像的分布，可首先形成落在给定中值强度下的差异图像像素的直方图。基于此直方图，可估计概率分布函数。
方法100假定基础数据属于概率分布族，即，一般化高斯密度。密度函数是通过可表示不同密度函数的形状参数参数化。例如，形状＝2表示高斯分布且形状＝1表示拉普拉斯分布。在图4中描绘裸片图像，其在一个检验区域内具有1500到3000的大强度范围。图4中的此裸片图像可用于说明方法100。
用户(例如，应用工程师)可设置如表1中列举的三个不同基于强度的分段，其展示图4中的典型基于片段的检验参数。在图4中，片段0(使用影线展示)趋于比片段1具有更少噪声且片段2趋于比片段1具有更多噪声。
通常，在较高强度水平下设置较高检测阈值以将缺陷计数保持为合理数目。如果差异图像的基础分布在全部像素强度水平下确实是高斯，那么固定检测阈值应以检测的固定概率检测离群点。
Figure GDA0003529405380000051
Figure GDA0003529405380000061
表1
在表1中，I表示针对三个裸片在给定像素位置处的强度的中值。
差异图像分布可在不同像素强度值下变化。可首先形成落在给定中值强度下的差异图像像素的直方图。基于此直方图，可估计概率分布函数。
在例子中，阈值是基于密度形状参数。可使用(例如)一般化高斯密度对不同强度的分布进行建模。这些密度函数可通过三个参数特性化，所述三个参数中的一者是形状。在图5中显示在每一片段中的若干像素强度值下的分布的经测量形状参数。在图5中的垂直轴上的形状是可影响分布的形状参数的实例。在图6中绘制近似10^-15的离群点检测的固定概率的对应检测阈值。
在此实例中，分布在片段0中的最低强度下接近正态，在片段1中的中等强度范围中次正态且在片段2中的高强度范围处高度次正态(即，大约拉普拉斯)，如在表2中在不同像素强度下的经估计密度函数中概述。
片段ID 密度形状参数 密度描述符 检测阈值
0 1.6-2.0 接近正态 8–10
1 1.2-1.7 次正态 10–20
2 <1.2 高度次正态 20-25
表2
可基于在给定像素强度下的经估计概率密度函数指派检测阈值。可在检验配方参数中设置离群点检测的概率。此概率值可转换为不同一般化高斯密度的不同检测阈值。在给定像素下，实际检测阈值可由一般化高斯密度(由形状给定)及离群点检测的概率确定。
通过使用经估计形状参数及在算法配方中设置的离群点检测的概率而导出检测阈值。在上文实例中，针对10^-15的概率，检测阈值在片段0、1及2中分别在(8-12)、(10-20)及(20-25)的范围中。这些阈值的意义不同于表1中列举的阈值。如在表1中的用户设置配方中，检测阈值随着像素强度增加。
在实施例中，可在每一像素处估计分布。可检索离群点。
缺陷检测可基于基础数据分布调适检测阈值。可手动地或自动地设置检测阈值。
针对安全功率优化任务，可基于不同晶片上的特性化确定离群点的固定概率，此导致无配方检验(零旋钮算法)。还可出于调谐目的提供指定检测的概率的单个旋钮(单旋钮算法)。通过调谐，用户可根据需要改变在配方参数中设置的预设离群点检测概率值。
激光扫描晶片检验工具可具有多个检验通道，此实现用于缺陷检测的通道图像融合方法。本文中公开的实施例可应用到图像融合方法。零旋钮及单旋钮通道图像融合算法还可实施为安全功率自动化特征的部分。因此，本文中公开的实施例可与一个通道或多个通道一起使用。激光扫描(LS)晶片检验工具可具有在任何给定晶片位置处产生图像的多个复本的不只一个成像通道。
如在此实例中展示，1)可以高捕获率检测大缺陷(>＝100nm)，2)归因于晶片上的高激光功率，方法可检测缺陷计数的任何漂移，且3)一个预设配方阈值(离群点检测的固定概率)可用于不同晶片(包含直接步进晶片(DSW)及其它类型的晶片)上。
可在使用本文中公开的实施例的确定之后调整图4的图式上的片段。因此，在完成方法100之后，片段可在裸片上移动或重新分布。
方法100可用于使用激光的光学检验系统中。可确定用于检验的最优光电平或激光功率。此确定可为自动化的。例如，这可用于使在晶片检验、智能热扫描、低端暗场工具处的无配方检验或其它应用中寻找最优激光功率自动化。这可减少算法配方设置时间。
在图7中展示系统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经配置用于通过将光引导到样品202(或将光扫描遍及样品202)且检测来自样品202的光而产生样品202的基于光学的输出。在一个实施例中，样品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，样品202包含光罩。光罩可包含所属领域中已知的任何光罩。
在图7中展示的系统200的实施例中，基于光学的子系统201包含经配置以将光引导到样品202的照明子系统。照明子系统包含至少一个光源。例如，如图7中展示，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可包含一或多个倾斜角及/或一或多个法向角的一或多个入射角将光引导到样品202。例如，如图7中展示，按倾斜入射角引导来自光源203的光穿过光学元件204且接着穿过透镜205到样品202。倾斜入射角可包含可取决于(例如)样品202的特性而变化的任何合适倾斜入射角。
基于光学的子系统201可经配置以在不同时间按不同入射角将光引导到样品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，使得可按不同于图7中展示的入射角的入射角将光引导到样品202。在一个此实例中，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，使得按不同倾斜入射角或法向(或近法向)入射角将光引导到样品202。
在一些例子中，基于光学的子系统201可经配置以在相同时间按不只一个入射角将光引导到样品202。例如，照明子系统可包含不只一个照明通道，照明通道中的一者可包含如图7中展示的光源203、光学元件204及透镜205，且照明通道中的另一者(未展示)可包含可不同或相同配置的类似元件或可包含至少一光源及可能一或多个其它组件(例如本文中进一步描述的组件)。如果与其它光同时将此光引导到样品，那么按不同入射角引导到样品202的光的一或多个特性(例如，波长、偏光等)可不同，使得可在检测器处将源自按不同入射角照明样品202的光彼此区分。
在另一例子中，照明子系统可仅包含一个光源(例如，图7中展示的光源203)且可由照明子系统的一或多个光学元件(未展示)将来自所述光源的光分成不同光学路径(例如，基于波长、偏光等)。接着，可将不同光学路径中的每一者中的光引导到样品202。多个照明通道可经配置以在相同时间或不同时间(例如，当使用不同照明通道以按序照明样品时)将光引导到样品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引导到样品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可以各种不同方式(例如，通过调换出光谱滤波器)改变光谱滤波器的性质，使得可在不同时间将不同波长的光引导到样品202。照明子系统可具有所属领域中已知的用于依序或同时按不同或相同入射角将具有不同或相同特性的光引导到样品202的任何其它合适配置。
在一个实施例中，光源203可包含宽带等离子体(BBP)源。以此方式，由光源203产生且引导到样品202的光可包含宽带光。然而，光源可包含任何其它合适光源(例如激光)。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，激光可为窄带激光。光源203还可包含产生多个离散波长或波带的光的多色光源。
来自光学元件204的光可通过透镜205聚焦到样品202上。虽然透镜205在图7中展示为单折射光学元件，但应理解，实际上，透镜205可包含将来自光学元件的光组合地聚焦到样品的数个折射及/或反射光学元件。图7中展示且本文中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)偏光组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、光束分离器(例如光束分离器213)、孔隙及类似者，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类型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遍及样品202的扫描子系统。例如，基于光学的子系统201可包含在基于光学的输出产生期间在其上安置样品202的载物台206。扫描子系统可包含可经配置以移动样品202，使得光可扫描遍及样品202的任何合适机械及/或机器人总成(其包含载物台206)。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执行光遍及样品202的某一扫描。可以任何合适方式(例如以蛇形路径或以螺旋路径)使光扫描遍及样品202。
基于光学的子系统201进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，所述检测器经配置以归因于通过子系统照明样品202而从样品202检测光且响应于所检测光产生输出。例如，图7中展示的基于光学的子系统201包含两个检测通道，一个检测通道由集光器207、元件208及检测器209形成且另一检测通道由集光器210、元件211及检测器212形成。如图7中展示，两个检测通道经配置以按不同收集角收集且检测光。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按不同角度从样品202散射的光。然而，一或多个检测通道可经配置以从样品202检测另一类型的光(例如，反射光)。
如图7中进一步展示，两个检测通道经展示为定位于纸平面中且照明子系统还经展示定位于纸平面中。因此，在此实施例中，两个检测通道定位(例如，居中)于入射平面中。然而，一或多个检测通道可定位于入射平面外。例如，由集光器210、元件211及检测器212形成的检测通道可经配置以收集且检测从入射平面散射出的光。因此，此检测通道可通常称为“侧”通道，且此侧通道可在大体上垂直于入射平面的平面中居中。
虽然图7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，由集光器210、元件211及检测器212形成的检测通道可如上文描述那样形成一个侧通道，且基于光学的子系统201可包含形成为定位于入射平面的相对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，所述检测通道包含集光器207、元件208及检测器209且在入射平面中居中且经配置以按法向于或接近法向于样品202表面的散射角收集且检测光。因此，此检测通道可通常称为“顶部”通道，且基于光学的子系统201还可包含如上文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具有其自身的集光器，每一集光器经配置以按与每一其它集光器不同的散射角收集光。
如上文进一步描述，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7中展示的基于光学的子系统201可经配置用于样品202的暗场(DF)输出产生。然而，基于光学的子系统201可还或替代地包含经配置用于样品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品202镜面反射的光的至少一个检测通道。因此，本文中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。虽然在图7中将每一集光器展示为单折射光学元件，但应理解，每一集光器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。
所述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，所述检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、延时积分(TDI)摄像机及所属领域中已知的任何其它合适检测器。所述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，那么每一检测器可经配置以检测散射光的某些特性(例如强度)但可不经配置以检测依据成像平面内的位置而变化的此类特性。因而，由包含于基于光学的子系统的每一检测通道中的每一检测器产生的输出可为信号或数据，而非图像信号或图像数据。在此类例子中，处理器(例如处理器214)可经配置以从检测器的非成像输出产生样品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个方式产生本文中描述的光学图像或其它基于光学的输出。
应注意，本文中提供图7以大体上说明可包含于本文中描述的系统实施例中或可产生由本文中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。可更改本文中描述的基于光学的子系统201配置以如在设计商业输出检索系统时通常执行那样优化基于光学的子系统201的性能。另外，可使用现有系统(例如，通过将本文中描述的功能性添加到现有系统)实施本文中描述的系统。对于一些此类系统，本文中描述的方法可被提供为系统的任选功能性(例如，除了系统的其它功能性之外)。替代地，可将本文中描述的系统设计为全新系统。
处理器214可以任何合适方式(例如，经由一或多个传输媒体，所述一或多个传输媒体可包含有线及/或无线传输媒体)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个功能。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视情况可与晶片检验工具、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，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(例如平行处理器)。另外，所述子系统或所述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及电子数据存储单元215可经安置于系统200或另一装置中或以其它方式作为系统200或另一装置的部分。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。
实际上，处理器214可通过硬件、软件及固件的任何组合实施。又，如本文中描述的其功能可由一个单元执行或在不同组件当中划分，所述不同组件中的每一者可又通过硬件、软件及固件的任何组合实施。供处理器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包含不只一个处理器214，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过可包含所属领域中已知的任何合适有线及/或无线传输媒体的任何合适传输媒体耦合到额外子系统。两个或更多个此类子系统还可通过共享计算机可读存储媒体(未展示)有效地耦合。
处理器214可经配置以使用系统200的输出或其它输出执行数个功能。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。可如本文中描述那样进一步配置处理器214。
可根据本文中描述的任何实施例配置处理器214。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执行其它功能或额外步骤。
系统200的各种步骤、功能及/或操作及本文中公开的方法由以下项中的一或多者实行：电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控制件/开关、微控制器或计算系统。实施例如本文中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、磁带及类似者。载体媒体可包含传输媒体，例如导线、电缆或无线传输链路。例如，贯穿本公开描述的各种步骤可通过单处理器214或替代地多个处理器214实行。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，上文描述不应被解释为对本公开的限制而仅为图解。
在例子中，处理器214与系统200通信。处理器214经配置以基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值且接着将检测阈值应用到至少一个图像。所述图像是使用来自所述检测器的数据产生。检测阈值还可基于经估计形状参数及/或离群点检测的概率。处理器214可进一步经配置以确定使用来自检测器的数据产生的差异图像的分布且基于所述分布调适检测阈值。可基于检测阈值优化激光功率。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在控制器上执行以执行用于晶片检验的计算机实施方法，如本文中公开。特定来说，如图7中展示，电子数据存储单元215或其它存储媒体可含有包含可在处理器214上执行的程序指令的非暂时性计算机可读媒体。计算机实施方法可包含本文中描述的任何方法(包含方法100)的任何步骤。步骤可包含：接收半导体晶片的至少一个图像；基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值；及将检测阈值应用到至少一个图像。检测阈值还可基于经估计形状参数及/或离群点检测的概率确定。可存在多个图像，且步骤可进一步包含：从多个图像确定差异图像的分布；及基于所述分布调适检测阈值。可基于检测阈值优化激光功率。
可以各种方式(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)中的任何者实施程序指令。例如，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)或其它技术或方法论实施程序指令。
可如本文中描述那样执行方法的每一步骤。方法还可包含可由本文中描述的处理器及/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描述的任何实施例配置。另外，上文描述的方法可由本文中描述的任何系统实施例执行。
如贯穿本公开使用，术语“晶片”大体上是指由半导体或非半导体材料形成的衬底。例如，半导体或非半导体材料可包含(但不限于)单晶硅、砷化镓及磷化铟。晶片可包含一或多个层。例如，此类层可包含(但不限于)光致抗蚀剂、电介质材料、导电材料及半导电材料。许多不同类型的此类层在所属领域中已知，且如本文中使用的术语晶片希望涵盖其上可形成全部类型的此类层的晶片。形成于晶片上的一或多个层可经图案化或未经图案化。例如，晶片可包含每一具有可重复图案化特征的多个裸片。此类材料层的形成及处理可最终产生完成装置。许多不同类型的装置可形成于晶片上，且如本文中使用的术语晶片希望涵盖其上制造所属领域中已知的任何类型的装置的晶片。
出于本公开的目的，术语“多通道”可是指单个检验系统的两个或更多个检验通道或第一检验系统的第一检验通道及额外检验系统的额外检验通道。在此方面，术语“多通道”不应被解释为对单个检验系统的限制。
虽然已关于一或多个特定实施例描述本公开，但应理解，可制作本公开的其它实施例而不脱离本公开的范围。因此，将本公开视为仅由所附权利要求书及其合理解释限制。

Claims (20)

1.一种用于晶片检验的系统，其包括：
光源，其产生光束；
载物台，其经配置以固持晶片；
检测器，其接收从所述晶片反射的所述光束；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：
基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值；且
将所述检测阈值应用到至少一个图像，其中所述图像是使用来自所述检测器的数据产生。
2.根据权利要求1所述的系统，其中所述光源是激光。
3.根据权利要求1所述的系统，其中所述检测阈值是进一步基于经估计形状参数。
4.根据权利要求1所述的系统，其中所述检测阈值是进一步基于离群点检测的概率。
5.根据权利要求1所述的系统，其中所述处理器进一步经配置以确定使用来自所述检测器的所述数据产生的差异图像的分布。
6.根据权利要求5所述的系统，其中所述处理器进一步经配置以基于所述分布调适所述检测阈值。
7.一种用于晶片检验的方法，其包括：
使用光学检验系统使晶片成像，借此形成至少一个图像；
使用处理器基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值；及
使用所述处理器，将所述检测阈值应用到至少一个图像。
8.根据权利要求7所述的方法，其中在热扫描期间产生所述图像。
9.根据权利要求7所述的方法，其中所述图像中的每一者是所述晶片上的裸片的图像。
10.根据权利要求7所述的方法，其中所述光学检验系统使用激光。
11.根据权利要求7所述的方法，其中所述确定是进一步基于经估计形状参数。
12.根据权利要求7所述的方法，其中所述确定是进一步基于离群点检测的概率。
13.根据权利要求7所述的方法，其中存在多个所述图像，且所述方法进一步包括从所述多个所述图像确定差异图像的分布。
14.根据权利要求13所述的方法，其进一步包括基于所述分布调适所述检测阈值。
15.根据权利要求7所述的方法，其进一步包括在应用所述检测阈值之后执行缺陷检测。
16.根据权利要求7所述的方法，其进一步包括基于所述检测阈值优化激光功率。
17.一种非暂时性计算机可读存储媒体，其包括用于对一或多个计算装置执行以下步骤的一或多个程序：
接收半导体晶片的至少一个图像；
基于在裸片的像素强度或多个裸片的中值像素强度下的概率密度函数确定检测阈值；及
将所述检测阈值应用到至少一个图像。
18.根据权利要求17所述的非暂时性计算机可读存储媒体，其中所述确定是进一步基于经估计形状参数。
19.根据权利要求17所述的非暂时性计算机可读存储媒体，其中所述确定是进一步基于离群点检测的概率。
20.根据权利要求17所述的非暂时性计算机可读存储媒体，其中存在多个所述图像，其中所述步骤进一步包含从所述多个所述图像确定差异图像的分布及基于所述分布调适所述检测阈值。
CN202080061758.XA 2019-09-27 2020-09-25 等概率缺陷检测 Active CN114341630B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962906999P 2019-09-27 2019-09-27
US62/906,999 2019-09-27
US17/029,372 2020-09-23
US17/029,372 US11410292B2 (en) 2019-09-27 2020-09-23 Equi-probability defect detection
PCT/US2020/052596 WO2021062069A1 (en) 2019-09-27 2020-09-25 Equi-probability defect detection

Publications (2)

Publication Number Publication Date
CN114341630A CN114341630A (zh) 2022-04-12
CN114341630B true CN114341630B (zh) 2023-07-14

Family

ID=75163634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080061758.XA Active CN114341630B (zh) 2019-09-27 2020-09-25 等概率缺陷检测

Country Status (6)

Country Link
US (1) US11410292B2 (zh)
KR (1) KR20220070459A (zh)
CN (1) CN114341630B (zh)
IL (1) IL290969A (zh)
TW (1) TW202124945A (zh)
WO (1) WO2021062069A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102255421B1 (ko) * 2020-08-11 2021-05-24 충남대학교산학협력단 단결정 산화갈륨의 결함 평가방법
US11599988B2 (en) * 2020-09-11 2023-03-07 Super Micro Computer, Inc. Inspection of circuit boards for unauthorized modifications

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5301129A (en) * 1990-06-13 1994-04-05 Aluminum Company Of America Video web inspection system employing filtering and thresholding to determine surface anomalies
JP2004165483A (ja) * 2002-11-14 2004-06-10 Nikon Corp データ抽出方法及び装置、位置検出方法及び装置、並びに露光装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5808735A (en) 1993-06-17 1998-09-15 Ultrapointe Corporation Method for characterizing defects on semiconductor wafers
US6336086B1 (en) * 1998-08-13 2002-01-01 Agere Systems Guardian Corp. Method and system for analyzing wafer processing order
US6870950B2 (en) 2001-03-15 2005-03-22 Agere Systems Inc. Method for detecting defects in a material and a system for accomplishing the same
JP2004200632A (ja) * 2002-10-22 2004-07-15 Nikon Corp 位置検出方法、露光方法及び露光装置、デバイス製造方法、並びにプログラム及び情報記録媒体
US8020120B2 (en) * 2007-10-01 2011-09-13 International Business Machines Corporation Layout quality gauge for integrated circuit design
US8223327B2 (en) 2009-01-26 2012-07-17 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer
CN104487898B (zh) 2012-07-23 2016-10-12 Asml荷兰有限公司 检查方法及设备、光刻系统以及器件制造方法
US9518934B2 (en) 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
NL2017881B1 (en) 2015-12-18 2017-10-17 Ultratech Inc Full-wafer inspection methods having selectable pixel density
US10062156B2 (en) 2016-02-25 2018-08-28 Kla-Tencor Corporation Method and system for detecting defects on a substrate
KR20190029670A (ko) * 2016-09-01 2019-03-20 가부시키가이샤 히다치 하이테크놀로지즈 패턴 계측 장치, 및 컴퓨터 프로그램
US11079687B2 (en) * 2017-12-22 2021-08-03 Asml Netherlands B.V. Process window based on defect probability
EP3531205A1 (en) * 2018-02-22 2019-08-28 ASML Netherlands B.V. Control based on probability density function of parameter

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5301129A (en) * 1990-06-13 1994-04-05 Aluminum Company Of America Video web inspection system employing filtering and thresholding to determine surface anomalies
JP2004165483A (ja) * 2002-11-14 2004-06-10 Nikon Corp データ抽出方法及び装置、位置検出方法及び装置、並びに露光装置

Also Published As

Publication number Publication date
US20210097672A1 (en) 2021-04-01
US11410292B2 (en) 2022-08-09
IL290969A (en) 2022-05-01
WO2021062069A1 (en) 2021-04-01
KR20220070459A (ko) 2022-05-31
TW202124945A (zh) 2021-07-01
CN114341630A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
KR102330733B1 (ko) 적응형 뉴슨스 필터
US10698325B2 (en) Performance monitoring of design-based alignment
US10801968B2 (en) Algorithm selector based on image frames
CN114341630B (zh) 等概率缺陷检测
CN111819596A (zh) 组合模拟及光学显微术以确定检验模式
CN114402192B (zh) 用于晶片缺陷检测的基于变化的分段
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
CN114667596B (zh) 基于噪声特性而对次关注区域进行聚类
US11610296B2 (en) Projection and distance segmentation algorithm for wafer defect detection
US20220405903A1 (en) Image contrast metrics for deriving and improving imaging conditions
KR102607149B1 (ko) 광학 검사를 이용한 프로세스 모니터링 방법
US20230122514A1 (en) Laser Anneal Pattern Suppression

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