CN114651172A - 使用卷积上下文属性以寻找半导体缺陷 - Google Patents

使用卷积上下文属性以寻找半导体缺陷 Download PDF

Info

Publication number
CN114651172A
CN114651172A CN202080077797.9A CN202080077797A CN114651172A CN 114651172 A CN114651172 A CN 114651172A CN 202080077797 A CN202080077797 A CN 202080077797A CN 114651172 A CN114651172 A CN 114651172A
Authority
CN
China
Prior art keywords
semiconductor die
defect
defects
context
attributes
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
CN202080077797.9A
Other languages
English (en)
Inventor
A·塞兹希内尔
G·罗素
M·玛里亚潘
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 CN114651172A publication Critical patent/CN114651172A/zh
Pending legal-status Critical Current

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
    • G01N21/95—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
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G01N21/95623—Inspecting patterns on the surface of objects using a spatial filtering method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G01N21/95—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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

计算用于半导体裸片的图案化层的光学成像的上下文属性。计算所述上下文属性包含计算所述图案化层的图案与多个核心的相应核心的卷积，其中所述多个核心是正交的。根据所述上下文属性寻找所述半导体裸片上的缺陷。

Description

使用卷积上下文属性以寻找半导体缺陷
相关申请案
本申请案主张2019年11月22日申请的第62/939,534号美国临时专利申请案的优先权，所述申请案的全部内如出于所有目的以引用的方式并入本文中。
技术领域
本公开涉及使半导体晶片成像以寻找缺陷，且更特定来说，涉及使用上下文属性检测及/或分类缺陷。
背景技术
在半导体缺陷检验中，信号及噪声两者根据在半导体裸片上成像的位置处或周围的图案(例如，电路图案)改变。术语“上下文”指在裸片的当前层及可能在裸片的一或多个先前层中的位置处及周围的图案。缺陷检测算法及缺陷分类算法的行动可根据上下文改变。上下文属性是针对此类算法编码或提取上下文的变量。
传统上，上下文属性从半导体晶片的光学图像计算。然而，这些光学图像的强度、对比度及其它性质在标称相同晶片上在晶片间及跨晶片在所述晶片上的标称相同裸片上改变。这些改变由工艺变动(例如在可接受公差内的集成电路中的特征的层厚度、尺寸及形状的变动)引起。这些改变不一定对应于缺陷率。当光学图像变动时，从其导出的上下文属性也变动，从而引起使用上下文属性作出的检测及分类决策变动。此变动是非所要的，这是因为其不与缺陷率相关。
发明内容
可通过卷积图案与表示成像系统的响应的核心而计算独立于工艺变动的上下文属性。所得上下文属性可用于寻找缺陷。例如，上下文属性可用于缺陷分类及/或注意区域识别。
在一些实施例中，一种方法包含计算用于半导体裸片的图案化层的光学成像的上下文属性。计算所述上下文属性包含计算所述图案化层的图案与多个核心的相应核心的卷积，其中所述多个核心是正交的。所述方法还包含根据所述上下文属性寻找所述半导体裸片上的缺陷。
在一些实施例中，一种非暂时性计算机可读存储媒体存储用于通过包含光学检验工具的系统的一或多个处理器执行的一或多个程序。所述一或多个程序包含用于计算用于半导体裸片的图案化层的光学成像的上下文属性的指令。计算所述上下文属性包含计算所述图案化层的图案与多个核心的相应核心的卷积，其中所述多个核心是正交的。所述一或多个程序还包含用于使用光学成像工具根据所述上下文属性寻找所述半导体裸片上的缺陷的指令。
在一些实施例中，一种系统包含光学检验工具、一或多个处理器及存储用于通过所述一或多个处理器执行的一或多个程序的存储器。所述一或多个程序包含用于计算用于半导体裸片的图案化层的光学成像的上下文属性的指令。计算所述上下文属性包含计算所述图案化层的图案与多个核心的相应核心的卷积，其中所述多个核心是正交的。所述一或多个程序还包含用于使用光学成像工具根据所述上下文属性寻找所述半导体裸片上的缺陷的指令。
附图说明
为了更好地理解各种所述实施方案，应结合以下附图参考下文的实施方式。
图1是被分割成多个标称相同半导体裸片的半导体晶片的平面图。
图2到6是展示根据一些实施例的在193nm的波长下操作且具有0.85的数值孔径的成像系统的前五个核心的图表。
图7是根据一些实施例的机器学习系统中的异常检测器的框图。
图8是根据一些实施例的机器学习系统中的空间分解引擎的框图。
图9是展示根据一些实施例的寻找半导体缺陷的方法的流程图。
图10是展示根据一些实施例的根据上下文属性寻找缺陷的方法的流程图，其中上下文属性用于分类缺陷。
图11是展示根据一些实施例的根据上下文属性寻找缺陷的方法的流程图，其中缺陷检测过滤器的操作取决于上下文属性。
图12是展示根据一些实施例的根据缺陷属性寻找缺陷的方法的流程图，其中上下文属性用于识别注意区域。
图13是根据一些实施例的半导体缺陷识别系统的框图。
贯穿附图及说明书，相同元件符号指对应零件。
具体实施方式
现将详细参考各个实施例，在附图中说明所述实施例的实例。在以下详细描述中，阐述多个具体细节以便提供各个所述实施例的透彻理解。然而，所属领域的一般技术人员将明白，可在无这些具体细节的情况下实践各种所述实施例。在其它例子中，未详细描述众所周知的方法、工艺、组件、电路及网络以免不必要地使本公开的方面不清楚。
图1是半导体晶片100的平面图。晶片100被分割成多个半导体裸片102。半导体裸片102标称相同(例如，是相同集成电路的标称相同例子)：其基于相同设计，使用相同半导体制造工艺制造。虽然标称相同，然而，在不同半导体裸片102之间可存在差异。首先，跨晶片100的工艺变动可引起半导体裸片102之间及之内两者的例如层厚度、尺寸及特征形状的参数的差异。第二，缺陷可存在于不同半导体裸片102上的不同位置(例如，随机位置)中。
可执行光学成像以寻找半导体晶片100上的缺陷。在执行光学成像之前，在半导体裸片102上识别注意区域104。注意区域104是用于寻找缺陷的特定所关注区域。缺陷检测及/或分类可针对注意区域104与针对半导体裸片102上的其它区域不同地执行。例如，可针对注意区域104使用比针对其它区域更高的缺陷检测灵敏度。
工艺变动是光学成像的噪声源：除寻找实际缺陷(称为所关注缺陷(DOI))之外，光学成像还拾取源自工艺变动的扰乱点缺陷。扰乱点缺陷通常不为工程师所关注，这是因为其不使半导体裸片102不起作用。扰乱点缺陷可在数目上超过所关注缺陷，有时达若干数量级。执行缺陷分类以确定哪些缺陷是所关注缺陷且哪些缺陷是扰乱点缺陷。
可使用通过卷积半导体晶片102的特定层(例如，在执行光学成像时是顶部层，其被称为当前层)的图案与来自表示光学成像系统的响应的多个核心的相应核心而计算的上下文属性寻找缺陷。多个核心是在编码或提取图案信息的积分变换中使用的正交函数。上下文属性可用于(例如)缺陷分类及/或注意区域识别。此类上下文属性避免基于工艺变动的变动。
半导体裸片102(例如，半导体裸片102上的集成电路)的特定层的图案通过一组多边形描述。在设计数据库中指定(即，含有)多边形。设计数据库可指定半导体裸片102的每一图案化层的多边形。特定图案化层l的多边形界定半导体晶片100的平面中(即，在x-y平面中)的二元值函数：
Figure BDA0003633333070000031
在一些实施例中，核心表示光学成像系统(例如，光学检验工具1330，图13)的响应，包含其照明光瞳分布、数值孔径及波长频谱。如通过光学成像系统获取的半导体裸片102的图像取决于图案与核心的卷积。这些卷积含有关于光学成像系统具有的图案的全部信息。因此，这些数量是理想上下文属性：
Figure BDA0003633333070000041
其
Figure BDA0003633333070000042
中是第n核心中的卷积运算符ψn；n是具有在从1到N的范围中的值的整数，N是核心的数目；且cl，n是针对第l图案化层及第n核心的上下文属性。在一些实施例中，N具有在4到8的范围中的值。因此，在等式2的实例中，每一上下文属性cl，n等于第l图案化层的图案与多个核心的第n核心的卷积。
在一些实施例中，相应上下文属性是特定图案化层的图案与相应核心的卷积的函数。例如，每一上下文属性cl，n可等于第l图案化层的图案与多个核心的第n核心的卷积的量值的平方：
Figure BDA0003633333070000043
核心形成对应于光学成像系统的空间的基(例如，完整标准正交基)。在一些实施例中，核心是厄米高斯(Hermite Gaussian)函数(即，具有高斯权重的厄米多项式)。在一些实施例中，核心是用于加柏(Gabor)变换的基函数。核心的其它实例是可行的。
每一上下文属性cl，n可为属性向量中的项目(即，分量)。因此，属性向量中的相应项目(例如，每一项目)是层的图案与光学成像系统的相应核心的卷积或卷积的函数。在一些实施例中，上下文属性仅包含经检验层(即，当前层)的卷积且不包含半导体裸片102上的先前(即，下)层的任何卷积。替代地，考虑多个层且属性向量包含交叉项，例如：
Figure BDA0003633333070000044
其中pl-1是先前层(即，第(l-1)层)的图案，ψn是先前层的核心，pl是当前层的图案，且ψm是当前层的核心。
图2到6是展示根据一些实施例的在193nm的波长下操作且具有0.85的数值孔径的成像系统的前五个核心的图表。这些前五个核心包含第一核心200(图2)、第二核心300(图3)、第三核心400(图4)、第四核心500(图5)及第六核心600(图6)。图2到6的图表是热图，其中x轴及y轴每一者在从-500nm到500nm的范围内且核心值由填充图案表示。(热图通常使用色彩而非填充图案来表示值。)相应核心可用作过滤器。例如，具有定位于x＝0处的边缘及至少第二核心300(图3)的范围的数量级的宽度的垂直线将导致图案与具有大量值的第二核心300的卷积。因此，第二核心300的使用允许过滤掉垂直线的厚度(例如，垂直线的边缘粗糙度)的变动，从而消除源自垂直线的厚度的变动的扰乱点缺陷。类似地，具有定位于y＝0处的边缘及至少第三核心400(图4)的范围的数量级的宽度的水平线将导致图案与具有大量值的第三核心400的卷积。因此，第三核心400的使用允许过滤掉水平线的厚度(例如，水平线的边缘粗糙度)的变动，从而消除源自水平线的厚度的变动的扰乱点缺陷。
机器学习系统(例如，使用图13的存储器1310中的指令实行)可用于应用上下文属性以寻找缺陷，且因此消耗上下文属性。此机器学习系统也可计算上下文属性(例如，根据等式2、3及/或4)，其包含计算卷积。例如，机器学习系统产生属性向量。
图7是根据一些实施例的机器学习系统中的异常检测器700的框图。异常检测器700是经训练以分类缺陷的机器学习模型。异常检测器700可经实施为(例如且不限于)随机森林(即，随机决策森林)或神经网络(例如，卷积神经网络)。在一些实施例中，异常检测器700经训练以区分所关注缺陷与扰乱点缺陷。将上下文属性702(例如，属性向量)及一或多个信号属性704作为输入(例如，作为输入元组)提供到异常检测器700，作为响应，所述异常检测器700提供缺陷分类706。缺陷分类706分类通过光学成像系统检测的相应缺陷(例如，分类为所关注缺陷或扰乱点缺陷)。
上下文属性702包含特定图案化层的图案与相应核心的卷积及/或特定图案化层的图案与相应核心的卷积的函数。例如，上下文属性702包含使用等式2、3及/或4计算的上下文属性。信号属性704(其也称为差异图像属性)是差异图像的属性，所述差异图像是通过比较如通过光学成像系统获取的半导体裸片102的目标图像与半导体裸片102的参考图像(例如，通过在逐像素基础上从目标图像减去参考图像，或反之亦然)而产生的图像。信号属性704的一个实例是光点相似性，其被定义为差异图像中的光点的峰值(例如，灰度值)除以光点的范围的标准偏差。可将上下文属性702(例如，属性向量)及光点相似性(例如，作为输入元组)提供到异常检测器700。
在其中将具有已知分类的缺陷的上下文属性702及信号属性704提供到异常检测器700的训练过程期间训练异常检测器700。在一些实施例中，比较通过异常检测器700产生的缺陷分类706与已知分类，且相应地调整异常检测器700，直到缺陷分类706与已知分类收敛。在一些实施例中，在训练过程中仅使用扰乱点缺陷(即，非缺陷情况)：异常检测器700学习扰乱点缺陷在上下文属性702及一或多个信号属性704的空间中的分布。在操作期间，异常检测器700确定缺陷是否落在此分布内(即，缺陷的上下文属性702及(若干)信号属性704是否落在此分布内)及因此缺陷是否是扰乱点缺陷或所关注缺陷。仅使用扰乱点缺陷训练异常检测器700是所要的，这是因为扰乱点缺陷在数目上远超过所关注缺陷(通过比较，其为稀少的)。
图8是根据一些实施例的机器学习系统中的空间分解引擎800的框图。空间分解引擎800是经训练以识别半导体裸片102上(例如，半导体裸片102的层中)的区域的机器学习模型。例如，空间分解引擎800可用于(即，已经训练以)识别半导体裸片102上的注意区域104(图1)。空间分解引擎800可经实施为(例如且不限于)随机森林(即，随机决策森林)或神经网络(例如，卷积神经网络)。将上下文属性702(例如，属性向量)作为输入(例如，作为输入元组)提供到空间分解引擎800，作为响应，所述空间分解引擎800执行空间分解且指定半导体裸片102上的相异区域(例如，注意区域)。
在其中将已知区域(例如，用户识别区域)的上下文属性702提供到空间分解引擎800的训练过程期间训练空间分解引擎800。比较通过空间分解引擎800指定的区域804与已知区域(例如，注意区域及非注意区域)，且相应地调整空间分解引擎800，直到实现收敛。
图9是展示根据一些实施例的寻找半导体缺陷的方法900的流程图。方法900可通过半导体缺陷识别系统1300(图13)执行。在方法900中，计算(902)用于半导体裸片102(图1)的图案化层的光学成像的上下文属性。计算上下文属性包含计算图案化层的图案与多个核心的相应核心的卷积(例如，使用等式2及/或3)。多个核心是正交的。在一些实施例中，多个核心是(904)厄米高斯函数。在一些其它实施例中，多个核心(906)用于加柏变换。这些仅是核心的两个实例；其它实例是可行的。
图案化层是第一图案化层(例如，当前图案化层，其经光学检验)，图案是第一图案(即，第一图案化层的图案)，且多个核心是第一多个核心。在一些实施例中，计算上下文属性包含计算(908)第一图案与第一多个核心的相应核心的卷积和第二图案化层(即，在当前层下方(例如紧接在当前层下方)的层)的第二图案与第二多个核心的相应核心的卷积之间的交叉项(例如，使用等式4)。第二多个核心是正交的。例如，第二多个核心用于加柏变换的厄米高斯函数或正交函数。
根据上下文属性寻找(910)半导体裸片的缺陷。例如，使用上下文属性过滤掉及/或分类缺陷，及/或使用上下文属性识别注意区域。
图10是展示根据一些实施例的根据上下文属性寻找缺陷的方法1000的流程图，其中上下文属性用于分类缺陷。方法1000是方法900(图9)中寻找(910)缺陷的实例。方法1000可通过半导体缺陷识别系统1300(图13)执行。
在方法1000中，(例如，使用光学检验工具1330，图13)使半导体裸片102光学成像(1002)以产生目标图像。比较(1004)半导体裸片102的目标图像与半导体裸片102的参考图像以产生半导体裸片的差异图像。检测(1006)差异图像中的缺陷。
使用上下文属性分类(1008)缺陷。在一些实施例中，使用上下文属性将缺陷分类(1010)为扰乱点缺陷或所关注缺陷(例如，将每一缺陷分类为扰乱点缺陷或所关注缺陷)。在一些实施例中，将上下文属性提供(1012)到使用上下文属性(例如，上下文属性702，图7)分类缺陷的机器学习模型(例如，异常检测器700，图7)。例如，机器学习模型已经训练以使用上下文属性将缺陷分类为扰乱点缺陷或所关注缺陷。可能已使用扰乱点缺陷(即，已知扰乱点缺陷，其可能已被用户分类为扰乱点缺陷)且不使用所关注缺陷训练机器学习模型。替代地，可能已使用扰乱点缺陷及所关注缺陷两者训练机器学习模型。
在一些实施例中，除上下文属性之外，还将差异图像的一或多个信号属性(例如，(若干)信号属性704，图7)(例如，光点相似性)提供(1016)到机器学习模型。机器学习模型已经训练以使用上下文属性及一或多个信号属性分类缺陷(例如，分类为扰乱点缺陷或所关注缺陷)。
在一些实施例中，在光学检验完成之后，脱机执行分类(1010)缺陷。例如，将在步骤1006中检测的缺陷存储在数据库中，(例如，使用机器学习模型)脱机分析所述数据库以分类缺陷。替代地，在步骤1010中在执行光学检验时实时分类缺陷，且一些缺陷(例如，分类为扰乱点缺陷的所述缺陷)被过滤掉且不存储在数据库中，从而节省存储器。
图11是展示根据一些实施例的根据上下文属性寻找缺陷的方法1100的流程图，其中缺陷检测过滤器的操作取决于上下文属性。方法1100是方法900(图9)中寻找(910)缺陷的实例。方法1100可通过半导体缺陷识别系统1300(图13)执行。
在方法1100中，(例如，使用光学检验工具1330，图13)使半导体裸片102光学成像(1102)以产生目标图像。比较(1104)半导体裸片102的目标图像与半导体裸片102的参考图像以产生半导体裸片的差异图像。
至少部分基于上下文属性针对半导体裸片的不同部分调整(1106)缺陷检测过滤器。在一些实施例中，至少部分基于上下文属性将半导体裸片的一部分(例如，特定区域)识别(1108)为具有在经光学检验时产生扰乱点缺陷的可能性。此部分可通过接收上下文属性(例如，上下文属性702，图8)作为输入的机器学习模型(例如，空间分解引擎800，图8)识别。作为响应，设置(1110)缺陷检测过滤器以针对经识别部分比针对半导体裸片的未识别为具有在经光学检验时产生扰乱点缺陷的可能性的其它部分具有更低灵敏度。
使用缺陷检测过滤器检测(1112)差异图像中的缺陷。例如，将经检测缺陷的列表存储(1114)在数据库中。因此，在具有产生扰乱点缺陷的可能性的部分中比在半导体裸片的其它部分(例如，区域)中检测更少缺陷，从而过滤掉扰乱点缺陷且引起更少扰乱点缺陷被存储在列表中，此节省存储器。随后可分类存储列表中的缺陷(例如，如图10的方法1000的步骤1008中那样)。
图12是展示根据一些实施例的根据上下文属性寻找缺陷的方法1200的流程图。方法1200是方法900(图9)中寻找(910)缺陷的实例。方法1200可通过半导体缺陷识别系统1300(图13)执行。
在方法1200中，使用上下文属性识别(1202)半导体裸片102上的注意区域104(图1)。例如，使用机器学习模型(例如，空间分解引擎800，图8)识别注意区域104。
光学检验(1204)半导体裸片102的缺陷。使用第一检验模式检验注意区域104且使用相异于第一检验模式的第二检验模式检验半导体裸片的在注意区域104之外的区域。第一检验模式可比第二检验模式更灵敏，因此增加了检测注意区域104中的所关注缺陷的概率，同时降低了在其它区域中检测的扰乱点缺陷的数目。
在一些实施例中，为了光学检验(1204)半导体裸片102，(例如，使用光学检验工具1330，图13)使半导体裸片102光学成像(1206)以产生目标图像。比较(1208)半导体裸片102的目标图像与半导体裸片的参考图像以产生半导体裸片的差异图像。使用缺陷检测过滤器检测(1210)差异图像中的缺陷。缺陷检测过滤器的灵敏度在第一检验模式中比在第二检验模式中更高。例如，如在方法1100(图11)的步骤1106中那样调整缺陷检测过滤器。
可将方法1200与方法1000(图10)及/或1100(图11)组合。
图13是根据一些实施例的半导体缺陷识别系统1300的框图。半导体缺陷识别系统1300包含光学检验工具1330及具有一或多个处理器1302(例如，CPU)、用户接口1306、存储器1310及将这些组件互连的(若干)通信总线1304的计算机系统。在一些实施例中，光学检验工具1330通过一或多个有线及/或无线网络通信地耦合到计算机系统。在一些实施例中，半导体缺陷识别系统1300包含与计算机系统通信地耦合的多个光学检验工具1330。计算机系统可进一步包含用于与(若干)光学检验工具1330及/或远程计算机系统通信的一或多个有线及/或无线网络接口。
用户接口1306可包含显示器1307及一或多个输入装置1308(例如，键盘、鼠标、显示器1307的触敏表面等)。显示器1307可显示包含缺陷检测及/或缺陷分类结果的结果。
存储器1310包含易失性及/或非易失性存储器。存储器1310(例如，存储器1310内的非易失性存储器)包含非暂时性计算机可读存储媒体。存储器1310任选地包含与处理器1302远程定位的一或多个存储装置及/或可卸除地插入系统1300中的非暂时性计算机可读存储媒体。存储器1310(例如，存储器1310的非暂时性计算机可读存储媒体)包含用于执行方法900(图9)(包含(例如)方法1000(图10)、1100(图11)及/或1200(图12))的指令。半导体缺陷识别系统1300的计算机系统可通过执行存储在存储器1310中的指令而实施图7及/或8的机器学习系统。
在一些实施例中，存储器1310(例如，存储器1310的非暂时性计算机可读存储媒体)存储以下模块及数据或其子集或超集：操作系统1312，其包含用于处置各种基本系统服务且用于执行硬件相依任务的程序；上下文属性模块1314，其用于计算上下文属性(例如，上下文属性702，图7到8)；及缺陷寻找模块1316，其用于对半导体晶片100(图1)的半导体裸片102执行缺陷检测。上下文属性模块1314包含用于计算图案化层的图案与多个正交核心的相应核心的卷积的指令(例如，用于执行图9的方法900中的步骤902的指令)。在一些实施例中，缺陷寻找模块1316包含注意区域确定模块1318(例如，具有用于执行图12的方法1200的步骤1202的指令)、光学成像模块1320(例如，具有用于执行图10到12的方法1000、1100及1200的步骤1002、1102及/或1206的指令)、缺陷检测模块1322(例如，具有用于执行图10的方法1000的步骤1004及1006、用于执行图11的方法1100的步骤1104、1106、1112及/或用于执行图12的方法1200的步骤1208及1210的指令)及缺陷分类模块1324(例如，具有用于执行图10的方法1000的步骤1008的指令)。
存储在存储器1310中的每一模块对应于用于执行本文中描述的一或多个功能的指令集。单独模块不需要被实施为单独软件程序。可组合或以其它方式重新配置模块及模块的各种子集。在一些实施例中，存储器1310存储上文识别的模块及/或数据结构的子集或超集。
相较于作为结构示意图，图13旨在更多地作为可存在于半导体缺陷识别系统中的各种特征的功能描述。例如，半导体缺陷识别系统1300中的计算机系统的功能性可在多个装置之间分割。存储在存储器1310中的模块的一部分可替代地存储在通过一或多个网络与半导体缺陷识别系统1300的计算机系统通信地耦合的一或多个其它计算机系统中。
出于解释的目的，已参考特定实施例描述前述描述。然而，上文的阐释性论述不旨在为穷举性或将权利要求书的范围限于所公开的精确形式。鉴于上文中的教示，许多修改及变动是可行的。选取实施例以便最佳解释作为权利要求书及其实际应用的基础的原理以从而使其它所属领域的技术人员能够最佳地使用具有如适合所审慎考虑的特定使用的各种修改的实施例。

Claims (28)

1.一种方法，其包括：
计算用于半导体裸片的图案化层的光学成像的上下文属性，其包括计算所述图案化层的图案与多个核心的相应核心的卷积，其中所述多个核心是正交的；及
根据所述上下文属性寻找所述半导体裸片上的缺陷。
2.根据权利要求1所述的方法，其中所述多个核心是厄米高斯函数。
3.根据权利要求1所述的方法，其中所述多个核心用于加柏变换。
4.根据权利要求1所述的方法，其中：
所述图案化层是第一图案化层；
所述图案是第一图案；
所述多个核心是第一多个核心；
计算所述上下文属性包括计算所述第一图案与所述第一多个核心的相应核心的卷积和第二图案化层的第二图案与第二多个核心的相应核心的卷积之间的交叉项；且
所述第二多个核心是正交的。
5.根据权利要求1所述的方法，其中根据所述上下文属性寻找所述半导体裸片上的缺陷包括：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；
检测所述差异图像中的缺陷；及
使用所述上下文属性分类所述缺陷。
6.根据权利要求5所述的方法，其中所述分类包括使用所述上下文属性将所述缺陷分类为扰乱点缺陷或所关注缺陷。
7.根据权利要求6所述的方法，其中所述分类包括将所述上下文属性提供到经训练以使用所述上下文属性将所述缺陷分类为扰乱点缺陷或所关注缺陷的机器学习模型。
8.根据权利要求7所述的方法，其中使用扰乱点缺陷训练所述机器学习模型。
9.根据权利要求7所述的方法，其中：
所述分类进一步包括将所述差异图像的一或多个信号属性提供到所述机器学习模型；且
训练所述机器学习模型以使用所述上下文属性及所述一或多个信号属性将所述缺陷分类为扰乱点缺陷或所关注缺陷。
10.根据权利要求5所述的方法，其中在使所述半导体裸片光学成像之后脱机执行所述分类。
11.根据权利要求1所述的方法，其中根据所述上下文属性寻找所述半导体裸片上的缺陷包括：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；
至少部分基于所述上下文属性针对所述半导体裸片的不同部分调整缺陷检测过滤器；
使用所述缺陷检测过滤器检测所述差异图像中的缺陷；及
存储所述经检测缺陷的列表。
12.根据权利要求11所述的方法，其中至少部分基于所述上下文属性调整所述缺陷检测过滤器包括：
至少部分基于所述上下文属性将所述半导体裸片的一部分识别为具有在经光学检验时产生扰乱点缺陷的可能性；及
设置所述缺陷检测过滤器以针对所述经识别部分比针对所述半导体裸片的未识别为具有在经光学检验时产生扰乱点缺陷的所述可能性的其它部分具有更低灵敏度。
13.根据权利要求1所述的方法，其中根据所述上下文属性寻找所述半导体裸片上的缺陷包括：
使用所述上下文属性识别所述半导体裸片上的注意区域；及
光学检验所述半导体裸片的缺陷，其包括使用第一检验模式检验所述注意区域且使用相异于所述第一检验模式的第二检验模式检验所述半导体裸片的在所述注意区域之外的区域。
14.根据权利要求13所述的方法，其中光学检验所述半导体裸片的缺陷包括：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；及
使用缺陷检测过滤器检测所述差异图像中的缺陷；
其中所述缺陷检测过滤器的灵敏度在所述第一检验模式中比在所述第二检验模式中更高。
15.一种非暂时性计算机可读存储媒体，其存储用于通过包括光学检验工具的系统的一或多个处理器执行的一或多个程序，所述一或多个程序包含指令，其用于：
计算用于半导体裸片的图案化层的光学成像的上下文属性，其包括计算所述图案化层的图案与多个核心的相应核心的卷积，其中所述多个核心是正交的；及
使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷。
16.根据权利要求15所述的非暂时性计算机可读存储媒体，其中用于使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷的所述指令包括以下指令，其用于：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；
检测所述差异图像中的缺陷；及
使用所述上下文属性分类所述缺陷。
17.根据权利要求16所述的非暂时性计算机可读存储媒体，其中用于分类所述缺陷的所述指令包括用于使用所述上下文属性将所述缺陷分类为扰乱点缺陷或所关注缺陷的指令。
18.根据权利要求17所述的非暂时性计算机可读存储媒体，其中用于分类所述缺陷的所述指令包括用于将所述上下文属性提供到经训练以使用所述上下文属性将所述缺陷分类为扰乱点缺陷或所关注缺陷的机器学习模型的指令。
19.根据权利要求15所述的非暂时性计算机可读存储媒体，其中用于使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷的所述指令包括以下指令，其用于：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；
至少部分基于所述上下文属性针对所述半导体裸片的不同部分调整缺陷检测过滤器；
使用所述缺陷检测过滤器检测所述差异图像中的缺陷；及
存储所述经检测缺陷的列表。
20.根据权利要求15所述的非暂时性计算机可读存储媒体，其中用于使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷的所述指令包括以下指令，其用于：
使用所述上下文属性识别所述半导体裸片上的注意区域；及
光学检验所述半导体裸片的缺陷，其包括使用第一检验模式检验所述注意区域且使用相异于所述第一检验模式的第二检验模式检验所述半导体裸片的在所述注意区域之外的区域。
21.根据权利要求20所述的非暂时性计算机可读存储媒体，其中用于光学检验所述半导体裸片的缺陷的所述指令包括以下指令，其用于：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；及
使用缺陷检测过滤器检测所述差异图像中的缺陷；
其中所述缺陷检测过滤器的灵敏度在所述第一检验模式中比在所述第二检验模式中更高。
22.一种系统，其包括：
光学检验工具；
一或多个处理器；及
存储器，其存储用于通过所述一或多个处理器执行的一或多个程序，所述一或多个程序包括指令，其用于：
计算用于半导体裸片的图案化层的光学成像的上下文属性，其包括计算所述图案化层的图案与多个核心的相应核心的卷积，其中所述多个核心是正交的；及
使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷。
23.根据权利要求22所述的系统，其中用于使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷的所述指令包括以下指令，其用于：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；
检测所述差异图像中的缺陷；及
使用所述上下文属性分类所述缺陷。
24.根据权利要求23所述的系统，其中用于分类所述缺陷的所述指令包括用于使用所述上下文属性将所述缺陷分类为扰乱点缺陷或所关注缺陷的指令。
25.根据权利要求24所述的系统，其中用于分类所述缺陷的所述指令包括用于将所述上下文属性提供到经训练以使用所述上下文属性将所述缺陷分类为扰乱点缺陷或所关注缺陷的机器学习模型的指令。
26.根据权利要求22所述的系统，其中用于使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷的所述指令包括以下指令，其用于：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；
至少部分基于所述上下文属性针对所述半导体裸片的不同部分调整缺陷检测过滤器；
使用所述缺陷检测过滤器检测所述差异图像中的缺陷；及
存储所述经检测缺陷的列表。
27.根据权利要求22所述的系统，其中用于使用所述光学检验工具根据所述上下文属性寻找所述半导体裸片上的缺陷的所述指令包括以下指令，其用于：
使用所述上下文属性识别所述半导体裸片上的注意区域；及
光学检验所述半导体裸片的缺陷，其包括使用第一检验模式检验所述注意区域且使用相异于所述第一检验模式的第二检验模式检验所述半导体裸片的在所述注意区域之外的区域。
28.根据权利要求27所述的系统，其中用于光学检验所述半导体裸片的缺陷的所述指令包括以下指令，其用于：
使所述半导体裸片光学成像以产生目标图像；
比较所述半导体裸片的所述目标图像与所述半导体裸片的参考图像以产生所述半导体裸片的差异图像；及
使用缺陷检测过滤器检测所述差异图像中的缺陷；
其中所述缺陷检测过滤器的灵敏度在所述第一检验模式中比在所述第二检验模式中更高。
CN202080077797.9A 2019-11-22 2020-11-16 使用卷积上下文属性以寻找半导体缺陷 Pending CN114651172A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962939534P 2019-11-22 2019-11-22
US62/939,534 2019-11-22
US17/098,256 US20210158223A1 (en) 2019-11-22 2020-11-13 Finding Semiconductor Defects Using Convolutional Context Attributes
US17/098,256 2020-11-13
PCT/US2020/060807 WO2021101851A1 (en) 2019-11-22 2020-11-16 Finding semiconductor defects using convolutional context attributes

Publications (1)

Publication Number Publication Date
CN114651172A true CN114651172A (zh) 2022-06-21

Family

ID=75975428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080077797.9A Pending CN114651172A (zh) 2019-11-22 2020-11-16 使用卷积上下文属性以寻找半导体缺陷

Country Status (6)

Country Link
US (1) US20210158223A1 (zh)
KR (1) KR20220100673A (zh)
CN (1) CN114651172A (zh)
IL (1) IL292816A (zh)
TW (1) TW202136757A (zh)
WO (1) WO2021101851A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429415B (zh) * 2020-03-18 2020-12-08 东华大学 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法
CN113743447B (zh) * 2021-07-15 2024-05-17 上海朋熙半导体有限公司 半导体瑕疵识别方法、装置、计算机设备和存储介质
CN114022746A (zh) * 2021-11-03 2022-02-08 合肥工业大学 一种多项式多尺度空间特征学习方法
US20240161270A1 (en) * 2022-11-14 2024-05-16 Kla Corporation System and method for enhancing defect detection in optical characterization systems using a digital filter

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165854B1 (en) * 2006-01-11 2012-04-24 Olambda, Inc. Computer simulation of photolithographic processing
US9042645B2 (en) * 2012-05-16 2015-05-26 Imec Feature detection in numeric data
US10409165B2 (en) * 2014-12-15 2019-09-10 Asml Netherlands B.V. Optimization based on machine learning
US10394984B2 (en) * 2015-11-25 2019-08-27 International Business Machines Corporation Tool to provide integrated circuit masks with accurate dimensional compensation of patterns
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US10466586B2 (en) * 2016-11-29 2019-11-05 Taiwan Semiconductor Manufacturing Co., Ltd. Method of modeling a mask having patterns with arbitrary angles
US10699926B2 (en) * 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
EP3518041A1 (en) * 2018-01-30 2019-07-31 ASML Netherlands B.V. Inspection apparatus and inspection method

Also Published As

Publication number Publication date
US20210158223A1 (en) 2021-05-27
WO2021101851A1 (en) 2021-05-27
TW202136757A (zh) 2021-10-01
KR20220100673A (ko) 2022-07-15
IL292816A (en) 2022-07-01

Similar Documents

Publication Publication Date Title
CN114651172A (zh) 使用卷积上下文属性以寻找半导体缺陷
JP6794737B2 (ja) 情報処理装置、情報処理方法、プログラムおよび検査システム
CN114155181B (zh) 检查方案的自动优化
JP2014511530A (ja) ウェブベース材料内の不均一性の検出システム
US9031312B2 (en) Rapid processing and detection of non-uniformities in web-based materials
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
JP2014178229A (ja) 教師データ作成方法、画像分類方法および画像分類装置
CN113439276A (zh) 基于机器学习的半导体样本中的缺陷分类
US20190187555A1 (en) Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
US11144702B2 (en) Methods and systems for wafer image generation
CN117033912B (zh) 一种设备故障预测方法、装置、可读存储介质及电子设备
CN115861259A (zh) 一种基于模板匹配的引线框架表面缺陷检测方法及装置
CN114897863A (zh) 一种缺陷的检测方法、装置以及设备
Li et al. Applying regional level-set formulation to postsawing four-element led wafer inspection
CN113947561B (zh) 半导体样本的图像分割
CN118116821A (zh) 一种基于膜厚数据的晶圆缺陷检测方法及装置
CN117036769A (zh) 一种芯片缺陷检测方法、系统及存储介质

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