CN115100163A - 一种晶圆缺陷识别方法及装置 - Google Patents

一种晶圆缺陷识别方法及装置 Download PDF

Info

Publication number
CN115100163A
CN115100163A CN202210782550.8A CN202210782550A CN115100163A CN 115100163 A CN115100163 A CN 115100163A CN 202210782550 A CN202210782550 A CN 202210782550A CN 115100163 A CN115100163 A CN 115100163A
Authority
CN
China
Prior art keywords
wafer
chip
region
value
connecting region
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
CN202210782550.8A
Other languages
English (en)
Inventor
陆玉峰
赵伟
徐祖峰
丁小果
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.)
Jiangsu Taizhi Technology Co ltd
Original Assignee
Jiangsu Taizhi Technology 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 Jiangsu Taizhi Technology Co ltd filed Critical Jiangsu Taizhi Technology Co ltd
Priority to CN202210782550.8A priority Critical patent/CN115100163A/zh
Publication of CN115100163A publication Critical patent/CN115100163A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明公开了一种晶圆缺陷识别方法及装置。所述方法包括：从芯片测试数据中获取每颗芯片在晶圆上的坐标位置以及每颗芯片的测试结果，根据芯片坐标为每片晶圆生成一个二维矩阵，矩阵中每个位置的值是对应芯片的测试结果值；将晶圆划分为(K‑2)*(K‑2)+4块区域并根据各区域芯片坏品数量在该区域中总芯片数量的占比获得区域特征值；对晶圆应用拉东变换，获得拉东变换特征值；针对每个坏芯片找出同为坏品且位置相邻的最大连通区域，计算几何特征；根据提取出的多种特征，利用一种或多种经过训练的分析模型来判断晶圆缺陷。本发明通过从芯片测试数据中提取有效特征值结合机器学习的方法，快速、准确地实现晶圆缺陷的识别。

Description

一种晶圆缺陷识别方法及装置
技术领域
本发明涉及半导体器件制造领域，具体涉及一种晶圆缺陷识别方法及装置。
背景技术
在半导体制造和封装过程中，涉及成百上千道复杂的工艺。在实际生产过程中，每一道工序都可能因为设备、材料、工艺参数等发生变化的原因引入缺陷，导致芯片的功能和电气特性无法达到预期，成为残次品。晶圆是制造半导体芯片的基本材料，其缺陷是制约质量和良率提升的关键，因此高效的识别晶圆缺陷尤为重要。通过对晶圆进行缺陷识别，依据缺陷的类型分析出引发的原因，找到对应工艺制程上的问题并加以解决，可以有效减少和避免生产出更多有缺陷的晶圆，从而保障产品的质量，提高整体良率。
目前的晶圆缺陷识别方法多是基于图像进行识别，这些图像主要来自两个方面：一是在关键工艺阶段定点拍摄图片，二是通过生产过程中的数据绘制图片。针对这些图片，最常用的识别方法是人工观察和基于卷积神经网络的图像识别技术。人工观察的方法是最原始的一种方法，费时费力，效率低下，且依赖经验，会因为人为的主观因素导致分类不准确。基于卷积神经网络的图像识别的方法，亦存在一些缺陷，主要表现为三点：(1)对图像的拍摄或绘制的质量有一定的依赖性，且这件事本身也需要付出一定的成本；(2)需要较大数据量才能有比较好的泛化能力，而在实际生产过程中很难获取到大量有缺陷的样本，自然也就无法训练出一个较好的分类模型；(3)在实际生产过程中，不同厂商不同产品的晶圆尺寸大小不同，会对模型训练和应用的准确性带来影响。
发明内容
发明目的：针对现有技术的不足，本发明提供一种晶圆缺陷识别方法，以较低的样本数据实现高效准确的晶圆缺陷识别。
本发明还提供一种晶圆缺陷识别装置、计算机设备及计算机存储介质。
技术方案：根据本发明的第一方面，一种晶圆缺陷识别方法，包括以下步骤：
从芯片测试数据中获取每颗芯片在晶圆上的坐标位置以及每颗芯片的测试结果，根据芯片坐标为每片晶圆生成一个二维矩阵，矩阵中每个位置的值是对应芯片的测试结果值；
将晶圆分别横向和纵向等间距分割成K份，将边缘弧形区域合并成上下左右4块，其余中间部分构成(K-2)*(K-2)块，共获得(K-2)*(K-2)+4块区域，对于每块区域，基于二维矩阵中记载的每个位置处对应芯片的测试结果计算该区域芯片坏品数量在该区域中总芯片数量的占比，获得(K-2)*(K-2)+4个区域特征值；
对晶圆应用拉东变换，获得一个新的二维矩阵，对新的二维矩阵的每一行取均值Rμ，得到一个均值数组，对该均值数组应用插值后，等间距从中抽取若干个值，获得拉东变换特征值；
针对晶圆上的每个坏芯片，找出同为坏品且位置相邻的最大连通区域，基于最大连通区域的几何特性计算几何特征值；
根据提取出的区域特征值、拉东变换特征值、几何特征值，利用一种或多种经过训练的机器学习模型来判断晶圆缺陷类别。
作为优选实施方式，所述方法在根据芯片坐标为每片晶圆生成一个二维矩阵后，对二维矩阵数据应用中值滤波，消除孤立的噪声点，再进行每一行的运算。
作为优选实施方式，所述方法在获得拉东变化特征值时，对新的二维矩阵的每一行取标准差Rδ，得到一个标准差数组，对该标准差数组应用插值后，等间距从中抽取若干个值，与基于均值数组抽取的若干个值融合，形成拉东变换特征值。
作为优选实施方式，基于最大连通区域计算的几何特征包括以下至少一项：最大连通区域的面积与晶圆面积的比值、最大连通区域的周长与晶圆周长的比值、最大连通区域的周长与最大连通区域的面积的比值、最大连通区域的质心坐标到晶圆中心的相对距离与晶圆半径的比值、最大连通区域内距离晶圆中心最大的三个位置的平均距离与晶圆半径的比值、最大连通区域内距离晶圆中心最小的三个位置的平均距离与晶圆半径的比值。
作为优选实施方式，利用机器学习模型来判断晶圆缺陷类别时，若有任一种机器学习模型识别为晶圆缺陷，则判定晶圆存在缺陷，并进行芯片产品的良率、缺陷原因的分析。
根据本发明的第二方面，一种晶圆缺陷识别装置，包括：
数据准备模块，用于从芯片测试数据中获取每颗芯片在晶圆上的坐标位置以及每颗芯片的测试结果，根据芯片坐标为每片晶圆生成一个二维矩阵，矩阵中每个位置的值是对应芯片的测试结果值；
区域特征提取模块，用于将晶圆分别横向和纵向等间距分割成K份，将边缘弧形区域合并成上下左右4块，其余中间部分构成(K-2)*(K-2)块，共获得(K-2)*(K-2)+4块区域，对于每块区域，基于二维矩阵中记载的每个位置处对应芯片的测试结果计算该区域芯片坏品数量在该区域中总芯片数量的占比，获得(K-2)*(K-2)+4个区域特征值；
拉东变换特征提取模块，用于对晶圆应用拉东变换，获得一个新的二维矩阵，对新的二维矩阵的每一行取均值Rμ，得到一个均值数组，对该均值数组应用插值后，等间距从中抽取若干个值，获得拉东变换特征值；
几何特征提取模块，用于针对晶圆上的每个坏芯片，找出同为坏品且位置相邻的最大连通区域，基于最大连通区域的几何特性计算几何特征值；以及
缺陷识别模块，用于根据提取出的区域特征值、拉东变换特征值、几何特征值，利用一种或多种经过训练的机器学习模型来判断晶圆缺陷类别。
根据本发明的第三方面，一种计算机设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的晶圆缺陷识别方法的步骤。
根据本发明的第四方面，一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的晶圆缺陷识别方法的步骤。
有益效果：与现有技术相比，本发明摆脱了对图像的依赖，通过对芯片测试数据的分析挖掘，提取出能够指示坏品在晶圆中分布的区域特征值，指示晶圆在指定方向上的坏品特性的拉东变换特征值，以及坏品所在区域在整个晶圆当中的几何特征，这些特征和晶圆的缺陷类型和潜在的制程工艺紧密相关，基于这些特征对机器学习模型进行训练，从而实现晶圆缺陷的准确、快速识别，为产品质量和整体良率提供了保障。实验表明，本发明通过提取有效特征值和机器学习的方法，在有限的样本集(5000个样本)下得到了一个较好的训练模型，且不受限于晶圆尺寸，再配合分析人员对识别结果的进一步甄别和分析，基于此的识别准确率达到92.4％，平均每片晶圆的识别时间为60秒，极大的提高了晶圆缺陷的识别效率。
附图说明
图1为本发明的晶圆缺陷识别方法流程图；
图2为本发明的中值滤波效果示例图；
图3为本发明中晶圆区域划分示例图；
图4为本发明中对晶圆应用拉东变换示意图；
图5为本发明实施例中训练模型所用晶圆缺陷示例图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
晶圆缺陷检测目的是甄别出整片晶圆是否有缺陷并做出一个初步分类，一片晶圆上可能有数万颗芯片，对芯片的测试会给出每颗芯片的结果(好品或坏品)，本发明通过对测试数据的挖掘分析，提出一种高效识别晶圆缺陷的方法，参照图1，方法包括以下步骤：
步骤S1，对芯片测试数据进行处理和清洗，获得相应格式的高质量数据。
根据本发明的实施方式，对芯片测试过程中产生的STDF(Standard Test DataFormat，标准测试数据格式)文件进行解析，获得两部分数据：本次测试的每颗芯片在晶圆上的坐标位置、每颗芯片的测试结果。STDF文件是半导体行业芯片测试数据的存储规范，以二进制的形式记录了整个测试结果数据。
在一个实施例中，基于STDF文件提取的两部分数据，对同一个批次初测和复测的结果进行汇总，得到每颗芯片的最终测试结果数据。根据芯片坐标为每片晶圆生成一个二维矩阵，矩阵中每个位置的值是每颗芯片的测试结果值，例如，好品为0，坏品为1。没有芯片的位置用2表示，不参与计算。
对数据清洗包括：对生成的二维矩阵应用中值滤波法，消除孤立的噪声点，降低孤立的坏品点对后续的算法造成的干扰。在本发明的实施方式中，对二维矩阵中每个元素，用周围相邻八个值的均值取代填充，即，当一个芯片周围的八个芯片中超过半数为坏品时，才将该芯片作为坏品，从而过滤孤立的坏品点。可替换地，也可以取周围六个元素的均值来填充。图2所示为中值滤波前后的效果示例。
步骤S2，对晶圆进行等间距划分，提取区域特征值。
参照图3，将晶圆分别进行横向和纵向等间距划分，在本发明实施例中，横向沿着B1、B2、B3、B4四条线等间距划分为5份，纵向沿着A1、A2、A3、A4四条线等间距划分为5份，将边缘弧形区域合并成上下左右4块，其余中间构成9块，共获得13块区域。
针对分割的13块区域，基于步骤S1的数据分别计算每个区域芯片坏品数量在该区域总芯片数量中的占比，可以获得13个区域特征值，即R1、R2、…、R13。
单个区域的区域特征值反应了坏品分布的密集程度，通过13个区域的区域特征值可以表征一片晶圆的整体坏品分布特征，即缺陷特征。
应当理解，参照图3分割的区域块数作为示例仅是说明的作用，而不是对本发明的限制。实际操作中可以根据晶圆的尺寸来进行划分。
步骤S3，对晶圆应用拉东变换，提取拉东变换特征值。
拉东变换，是将数字矩阵在某一指定角度射线方向上做投影变换。参照图4，对晶圆应用拉东变换，将M条射线同时在[0,180°]范围内旋转N次，每次旋转角度为(180/N)°。通过这些投影，可以获取晶圆在指定方向上的突出特性，即是否存在大量坏品。对于M*N矩阵，每次旋转时，M条射线从指定方向射入矩阵，经过好品时衰减速率为0，经过坏品时衰减速率为1，每条射线方向上累加求和可以得到一个投影值。最终得到一个新的M*N的二维矩阵。
鉴于晶圆的尺寸大小不一样，即M*N的大小不一样，这里对拉东变换后的矩阵的每一行取均值Rμ，得到一个大小为M的均值数组，对该数组应用插值后，本发明实施例中等间距抽取20个值，可以获得特征值R14、R15、…、R34。例如，插值后的数组顺序表示为[1,2,3,4，....,40]，等间距抽取20个值分别对应1,3,5,7,9,11，..，39位置或2,4,6,8,10,12，..，40位置的数据。
作为优选，对拉东变换后的矩阵的每一行取标准差Rδ，得到一个大小为M的标准差数组，对该数组应用三次样条插值后，等间距抽取20个值，可以获得特征值R35、R36、…、R55。连同前述得到的R14、R15、…、R34，共40个拉东变换特征值。
步骤S4，针对每个坏芯片找出同为坏品且位置相邻的最大连通区域，提取几何特征值。
对每个晶圆上的坏芯片做最大连通域分析，找出同为坏品且位置相邻的最大连通区域G。在本发明实施例中，针对最大连通区域G，分别计算该区域的面积与晶圆面积的比值R56、该区域的周长与晶圆周长的比值R57、该区域的周长与该区域的面积的比值R58、该区域的质心坐标到晶圆中心的相对距离与晶圆半径的比值R59、该区域内距离晶圆中心最大的三个位置的平均距离与晶圆半径的比值R60、该区域内距离晶圆中心最小的三个位置的平均距离与晶圆半径的比值R61。
通过几何特征，可以对坏品区域的大小、位置与整片晶圆的关系进行表征。这些尺寸、位置关系和制程工艺是息息相关的。
步骤S5，将提取出的区域特征、拉东变换特征、几何特征送入一种或多种机器学习模型，根据模型的识别结果综合判定晶圆是否缺陷。
本发明实施例中采用逻辑回归、支持向量机、梯度提升决策树三种机器学习模型来综合判定。模型需要预先经过训练，才能实现准确的识别。利用训练样本集中每片晶圆对应的缺陷分类值对三种模型做训练，得到训练好的模型。图5所示为本发明实施例中的训练样本集所包含的8种常见晶圆缺陷，分别用1-8表示，用9表示无缺陷。这些缺陷都与晶圆的制程工艺息息相关，如下表1所示。例如，中心和圆环的缺陷可能是晶圆制造过程中温度分布不均匀所致，局部的缺陷可能是有机化学品残留所致。通过识别出来的晶圆缺陷类型，对进一步查找晶圆制程中的问题具有显著的指导价值。
表1缺陷类型及潜在的制程因素
Figure BDA0003730139100000061
利用该样本集，根据步骤S1-S4进行样本数据提取、特征计算，再送入三种分类模型中进行训练，得到训练好的模型。本发明可以在有限的样本集(5000个样本)下得到一个较好的训练模型。应当理解，使用上述三种的机器学习模型只是示例的作用，并不是对本发明的限制，本方法可以采用其他模型来训练和识别。
利用该样本集，对三种特征的不同组合分别进行了相关模型训练和识别，如下表2所示，可以发现当三种特征一起使用时可以让识别准确率达到最高。实验表明，结合三种特征的识别准确率达到92.4％，平均每片晶圆的识别时间为60秒，极大的提高了晶圆缺陷的识别效率。
表2各种特征的识别准确率
特征组合 识别准确率
区域特征 62.3％
拉东变换特征 68.4％
几何特征 54.1％
区域特征、拉东变换特征 85.6％
区域特征、几何特征 65.1％
拉东变换特征、几何特征 73.6％
区域特征、拉东变换特征、几何特征 92.4％
在步骤S5中，对于生产过程中生成的每片晶圆的测试数据，按照步骤S1-S4依次进行数据处理与特征提取，将特征数据送入训练出来的机器学习模型中，分别获得每种模型下的判别结果。
在本发明实施方式中，针对三种模型的判别结果，只要有一个识别为晶圆缺陷，就将结果发送给生产上的分析人员做进一步的分析，避免某个单独模型误判带来的漏检问题。生产上的分析人员在拿到判定信息后，做进一步的数据分析，发掘相关规律，并基于此找出对应的制程过程中的问题。
作为示例，某产品的测试过程中，利用本发明的方法发现有晶圆被识别为边缘环的缺陷，经过人工甄别和分析确认后，进一步分析制程工艺，发现是上游晶圆制造厂的晶圆微影制程参数有问题，从而推动上游厂商配合改进，避免了后续的继续生产出有类似缺陷的晶圆。
本发明的另一实施例还提供一种晶圆缺陷识别装置，包括：
数据准备模块，用于从芯片测试数据中获取每颗芯片在晶圆上的坐标位置以及每颗芯片的测试结果，根据芯片坐标为每片晶圆生成一个二维矩阵，矩阵中每个位置的值是对应芯片的测试结果值；
区域特征提取模块，用于将晶圆分别横向和纵向等间距分割成K份，将边缘弧形区域合并成上下左右4块，其余中间部分构成(K-2)*(K-2)块，共获得(K-2)*(K-2)+4块区域，对于每块区域，基于二维矩阵中记载的每个位置处对应芯片的测试结果计算该区域芯片坏品数量在该区域中总芯片数量的占比，获得(K-2)*(K-2)+4个区域特征值；
拉东变换特征提取模块，用于对晶圆应用拉东变换，获得一个新的二维矩阵，对新的二维矩阵的每一行取均值Rμ，得到一个均值数组，对该均值数组应用插值后，等间距从中抽取若干个值，获得拉东变换特征值；
几何特征提取模块，用于针对晶圆上的每个坏芯片，找出同为坏品且位置相邻的最大连通区域，基于最大连通区域的几何特性计算几何特征值；以及
缺陷识别模块，用于根据提取出的区域特征值、拉东变换特征值、几何特征值，利用一种或多种经过训练的机器学习模型来判断晶圆缺陷类别。
为了进一步提高数据质量，数据准备模块在根据芯片坐标为每片晶圆生成一个二维矩阵后，对二维矩阵数据应用中值滤波，消除孤立的噪声点，再进行每一行的运算。作为示例，中值滤波是这样实现的：对二维矩阵中每个元素，用周围相邻八个值的均值取代填充，即，当一个芯片周围的八个芯片中超过半数为坏品时，才将该芯片作为坏品，从而过滤孤立的坏品点。可替换地，也可以取周围六个元素的均值来填充。
为了提高晶圆在指定方向上的突出特性表征能力，拉东变换特征提取模块在提取拉东变化特征值时，对新的二维矩阵的每一行取标准差Rδ，得到一个标准差数组，对该标准差数组应用插值后，等间距从中抽取若干个值，与基于均值数组抽取的若干个值融合，形成拉东变换特征值。
根据本发明的实施方式，基于最大连通区域计算的几何特征包括以下至少一项：最大连通区域的面积与晶圆面积的比值、最大连通区域的周长与晶圆周长的比值、最大连通区域的周长与最大连通区域的面积的比值、最大连通区域的质心坐标到晶圆中心的相对距离与晶圆半径的比值、最大连通区域内距离晶圆中心最大的三个位置的平均距离与晶圆半径的比值、最大连通区域内距离晶圆中心最小的三个位置的平均距离与晶圆半径的比值。
缺陷识别模块利用机器学习模型来判断晶圆缺陷类别时，若有任一种机器学习模型识别为晶圆缺陷，则判定晶圆存在缺陷，并进行芯片产品的良率、缺陷原因的分析。
本发明实施方式中机器学习模型采用采用逻辑回归、支持向量机、梯度提升决策树，利用训练集数据训练后，应用于缺陷识别模块中，实现对生产过程中生成的每片晶圆缺陷识别。训练集数据通过数据准备模块、区域特征提取模块、拉东变换特征提取模块、几何特征提取模块对已有的晶圆测试数据处理获取的特征值来得到。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明的实施例还提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的晶圆缺陷识别方法对应的操作。
需要说明的是，该计算设备是与上述方法对应的计算设备，上述方法实施例中的所有实现方式均适用于该计算设备的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上所述的晶圆缺陷识别方法。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。

Claims (10)

1.一种晶圆缺陷识别方法，其特征在于，包括以下步骤：
从芯片测试数据中获取每颗芯片在晶圆上的坐标位置以及每颗芯片的测试结果，根据芯片坐标为每片晶圆生成一个二维矩阵，矩阵中每个位置的值是对应芯片的测试结果值；
将晶圆分别横向和纵向等间距划分为K份，将边缘弧形区域合并成上下左右4块，其余中间部分构成(K-2)*(K-2)块，共获得(K-2)*(K-2)+4块区域，对于每块区域，基于二维矩阵中记载的每个位置处对应芯片的测试结果计算该区域芯片坏品数量在该区域中总芯片数量的占比，获得(K-2)*(K-2)+4个区域特征值；
对晶圆应用拉东变换，获得一个新的二维矩阵，对新的二维矩阵的每一行取均值Rμ，得到一个均值数组，对该均值数组应用插值后，等间距从中抽取若干个值，获得拉东变换特征值；
针对晶圆上的每个坏芯片，找出同为坏品且位置相邻的最大连通区域，基于最大连通区域的几何特性计算几何特征值；
根据提取出的区域特征值、拉东变换特征值、几何特征值，利用一种或多种经过训练的机器学习模型来判断晶圆缺陷类别。
2.根据权利要求1所述的晶圆缺陷识别方法，其特征在于，所述方法在根据芯片坐标为每片晶圆生成一个二维矩阵后，对二维矩阵数据应用中值滤波，消除孤立的噪声点，再进行每一行的运算。
3.根据权利要求1所述的晶圆缺陷识别方法，其特征在于，所述方法在获得拉东变化特征值时，对新的二维矩阵的每一行取标准差Rδ，得到一个标准差数组，对该标准差数组应用插值后，等间距从中抽取若干个值，与基于均值数组抽取的若干个值融合，形成拉东变换特征值。
4.根据权利要求1所述的晶圆缺陷识别方法，其特征在于，基于最大连通区域计算的几何特征包括以下至少一项：最大连通区域的面积与晶圆面积的比值、最大连通区域的周长与晶圆周长的比值、最大连通区域的周长与最大连通区域的面积的比值、最大连通区域的质心坐标到晶圆中心的相对距离与晶圆半径的比值、最大连通区域内距离晶圆中心最大的三个位置的平均距离与晶圆半径的比值、最大连通区域内距离晶圆中心最小的三个位置的平均距离与晶圆半径的比值。
5.根据权利要求1所述的晶圆缺陷识别方法，其特征在于，利用机器学习模型来判断晶圆缺陷类别时，若有任一种机器学习模型识别为晶圆缺陷，则判定晶圆存在缺陷，并进行芯片产品的良率、缺陷原因的分析。
6.一种晶圆缺陷识别装置，其特征在于，包括：
数据准备模块，用于从芯片测试数据中获取每颗芯片在晶圆上的坐标位置以及每颗芯片的测试结果，根据芯片坐标为每片晶圆生成一个二维矩阵，矩阵中每个位置的值是对应芯片的测试结果值；
区域特征提取模块，用于将晶圆分别横向和纵向等间距分割成K份，将边缘弧形区域合并成上下左右4块，其余中间部分构成(K-2)*(K-2)块，共获得(K-2)*(K-2)+4块区域，对于每块区域，基于二维矩阵中记载的每个位置处对应芯片的测试结果计算该区域芯片坏品数量在该区域中总芯片数量的占比，获得(K-2)*(K-2)+4个区域特征值；
拉东变换特征提取模块，用于对晶圆应用拉东变换，获得一个新的二维矩阵，对新的二维矩阵的每一行取均值Rμ，得到一个均值数组，对该均值数组应用插值后，等间距从中抽取若干个值，获得拉东变换特征值；
几何特征提取模块，用于针对晶圆上的每个坏芯片，找出同为坏品且位置相邻的最大连通区域，基于最大连通区域的几何特性计算几何特征值；以及
缺陷识别模块，用于根据提取出的区域特征值、拉东变换特征值、几何特征值，利用一种或多种经过训练的机器学习模型来判断晶圆缺陷类别。
7.根据权利要求6所述的晶圆缺陷识别装置，其特征在于，所述拉东变换特征提取模块在获得拉东变化特征值时，对新的二维矩阵的每一行取标准差Rδ，得到一个标准差数组，对该标准差数组应用插值后，等间距从中抽取若干个值，与基于均值数组抽取的若干个值融合，形成拉东变换特征值。
8.根据权利要求6所述的晶圆缺陷识别装置，其特征在于，基于最大连通区域计算的几何特征包括以下至少一项：最大连通区域的面积与晶圆面积的比值、最大连通区域的周长与晶圆周长的比值、最大连通区域的周长与最大连通区域的面积的比值、最大连通区域的质心坐标到晶圆中心的相对距离与晶圆半径的比值、最大连通区域内距离晶圆中心最大的三个位置的平均距离与晶圆半径的比值、最大连通区域内距离晶圆中心最小的三个位置的平均距离与晶圆半径的比值。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-5中任一项所述的晶圆缺陷识别方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的晶圆缺陷识别方法的步骤。
CN202210782550.8A 2022-07-05 2022-07-05 一种晶圆缺陷识别方法及装置 Pending CN115100163A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210782550.8A CN115100163A (zh) 2022-07-05 2022-07-05 一种晶圆缺陷识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210782550.8A CN115100163A (zh) 2022-07-05 2022-07-05 一种晶圆缺陷识别方法及装置

Publications (1)

Publication Number Publication Date
CN115100163A true CN115100163A (zh) 2022-09-23

Family

ID=83297543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210782550.8A Pending CN115100163A (zh) 2022-07-05 2022-07-05 一种晶圆缺陷识别方法及装置

Country Status (1)

Country Link
CN (1) CN115100163A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588626A (zh) * 2022-12-12 2023-01-10 北京象帝先计算技术有限公司 晶圆的缺陷模式识别方法、设备及存储介质
CN117373965A (zh) * 2023-12-07 2024-01-09 泓浒(苏州)半导体科技有限公司 可追踪半导体晶圆生产缺陷的晶圆运输机械手

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543720A (zh) * 2018-10-30 2019-03-29 东华大学 一种基于对抗生成网络的晶圆图缺陷模式识别方法
CN110717881A (zh) * 2018-07-12 2020-01-21 长鑫存储技术有限公司 晶圆缺陷识别方法、装置、存储介质和终端设备
CN110767564A (zh) * 2019-10-28 2020-02-07 苏师大半导体材料与设备研究院(邳州)有限公司 一种晶圆检测方法
CN112102226A (zh) * 2019-05-29 2020-12-18 三星Sds 株式会社 数据处理方法、图案检测方法及晶圆缺陷图案检测方法
CN112200806A (zh) * 2020-12-03 2021-01-08 晶芯成(北京)科技有限公司 一种晶圆的缺陷分析方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717881A (zh) * 2018-07-12 2020-01-21 长鑫存储技术有限公司 晶圆缺陷识别方法、装置、存储介质和终端设备
CN109543720A (zh) * 2018-10-30 2019-03-29 东华大学 一种基于对抗生成网络的晶圆图缺陷模式识别方法
CN112102226A (zh) * 2019-05-29 2020-12-18 三星Sds 株式会社 数据处理方法、图案检测方法及晶圆缺陷图案检测方法
CN110767564A (zh) * 2019-10-28 2020-02-07 苏师大半导体材料与设备研究院(邳州)有限公司 一种晶圆检测方法
CN112200806A (zh) * 2020-12-03 2021-01-08 晶芯成(北京)科技有限公司 一种晶圆的缺陷分析方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
樊梦莹: ""基于OPTICS以及监督式学习的晶圆缺陷类型识别与分类"", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 04, pages 15 - 17 *
陈寿宏: ""微电子制造中晶圆缺陷模式的机器学习与智能分类识别研究"", 《中国博士学位论文全文数据库信息科技辑》, no. 03, pages 44 - 56 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588626A (zh) * 2022-12-12 2023-01-10 北京象帝先计算技术有限公司 晶圆的缺陷模式识别方法、设备及存储介质
CN115588626B (zh) * 2022-12-12 2023-03-24 北京象帝先计算技术有限公司 晶圆的缺陷模式识别方法、设备及存储介质
CN117373965A (zh) * 2023-12-07 2024-01-09 泓浒(苏州)半导体科技有限公司 可追踪半导体晶圆生产缺陷的晶圆运输机械手
CN117373965B (zh) * 2023-12-07 2024-02-13 泓浒(苏州)半导体科技有限公司 可追踪半导体晶圆生产缺陷的晶圆运输机械手

Similar Documents

Publication Publication Date Title
CN115100163A (zh) 一种晶圆缺陷识别方法及装置
CN111539908B (zh) 对样本的缺陷检测的方法及其系统
JP4695239B2 (ja) 形状特徴に基づく欠陥検出方法及び装置
US20140307931A1 (en) Fully automated system and method for image segmentation and quality control of protein microarrays
CN111837157A (zh) 细胞图像解析方法、细胞图像解析装置、及学习模型创建方法
US9170211B2 (en) Design-based inspection using repeating structures
Arora et al. A novel approach for segmentation of human metaphase chromosome images using region based active contours.
US20070247937A1 (en) Information processing system for calculating the number of redundant lines optimal for memory device
US9747518B2 (en) Automatic calibration sample selection for die-to-database photomask inspection
CN112288714B (zh) 基于深度学习的硬件木马检测方法
CN107689335B (zh) 一种多种产品晶圆缺陷的分析方法
TWI733221B (zh) 系統性故障定位系統及系統性故障定位的方法
US6920596B2 (en) Method and apparatus for determining fault sources for device failures
Pahwa et al. Automated attribute measurements of buried package features in 3D X-ray images using deep learning
CN115170548A (zh) 基于无监督学习的皮革缺陷自动检测方法及装置
Sumikawa et al. A pattern mining framework for inter-wafer abnormality analysis
CN116777861B (zh) 一种激光雕刻机打标质量检测方法及系统
CN113971651A (zh) 检测方法以及检测装置、电子设备和存储介质
CN116416433A (zh) 晶圆图像在故障模式识别过程中的预处理方法和装置
García et al. A configuration approach for convolutional neural networks used for defect detection on surfaces
Hsu et al. Variation and failure characterization through pattern classification of test data from multiple test stages
JP2022123235A (ja) 画像検査装置、画像検査方法及び学習済みモデル生成装置
Deng et al. An Incremental Surface Defect Detection Method by Fused Unsupervised and Supervised Methods
KR20230174693A (ko) 반도체 시편들을 위한 검사 레시피 최적화
JP2023104488A (ja) 機械学習装置、機械学習方法、機械学習プログラム、検査装置、検査方法、および検査プログラム

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