CN115588626B - 晶圆的缺陷模式识别方法、设备及存储介质 - Google Patents
晶圆的缺陷模式识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115588626B CN115588626B CN202211587511.9A CN202211587511A CN115588626B CN 115588626 B CN115588626 B CN 115588626B CN 202211587511 A CN202211587511 A CN 202211587511A CN 115588626 B CN115588626 B CN 115588626B
- Authority
- CN
- China
- Prior art keywords
- wafer
- coordinate
- coordinate data
- defect
- sets
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 237
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000002950 deficient Effects 0.000 claims abstract description 50
- 238000012360 testing method Methods 0.000 claims description 21
- 239000013256 coordination polymer Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012567 pattern recognition method Methods 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 232
- 238000003909 pattern recognition Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000002596 correlated effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本公开提供一种晶圆的缺陷模式识别方法、设备及存储介质。其方法包括：读取目标晶圆上缺陷晶片的坐标数据，坐标数据为用于绘制目标晶圆的晶圆图的数据；根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；读取目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；获取指定数量的连续缺陷晶片坐标集合分别与目标区域集合的交集；在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，缺陷模式识别结果用于指示在目标区域存在空间关联的缺陷模式。
Description
技术领域
本公开涉及芯片测试技术领域，尤其涉及一种晶圆的缺陷模式识别方法、设备及存储介质。
背景技术
晶圆测试（CP测试）是半导体芯片测试的重要测试环节，其测试结果往往以晶圆图（Wafer Map）的形式呈现。晶圆图上的各个DIE（晶片）按颜色标记其测试结果，因此，通过晶圆图可视化呈现了缺陷晶片在晶圆上的位置。
通常，缺陷晶片在晶圆上呈现出空间位置的依赖性，预示着一些潜在的制程问题和晶圆良率品质问题。缺陷模式（Fail pattern）是缺陷晶片空间位置依赖性的表显，识别晶圆的缺陷模式是良率工程师的重要工作。
传统的缺陷模式识别方式是人工辨识晶圆图的图片信息，存在识别效率低且识别可靠性较差的问题。另外，传统的缺陷模式识别发生在利用工具生成晶圆图之后，生成的缺陷模式信息难以录入数据库，为测试数据的管理和维护增加了难度。
发明内容
本公开的目的是提供一种晶圆的缺陷模式识别方法、设备及存储介质，以提高缺陷模式的识别效率及可靠性、简化测试数据管理和维护难度。
根据本公开的一个方面，提供一种晶圆的缺陷模式识别方法，该方法包括：
读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；
根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；
读取目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；
获取指定数量的连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集；
在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，该缺陷模式识别结果用于指示在目标区域存在空间关联的缺陷模式。
其中，根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合的一种实现方式可以包括：将每个坐标数据确定为初始连续缺陷晶片坐标集合；计算每两个坐标数据之间的距离，并根据距离判断坐标数据的相邻关系；从初始连续缺陷晶片坐标集合开始，根据坐标数据的相邻关系进行坐标集合合并，直至每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
在上述任一方法实施例的基础上，获取指定数量的连续缺陷晶片坐标集合分别与所述目标区域坐标集合 的交集的一种可行的实现方式包括：按照集合所包含的坐标数据数量降序选择N个连续缺陷晶片坐标集合；
获取N个连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集。
在上述任一方法实施例的基础上，目标区域可以根据目标制程机台的目标特性确定。
在上述任一方法实施例的基础上，缺陷晶片的坐标数据可以包括解析CP测试结果获得的坐标数据。
根据本公开的第二方面，提供一种晶圆的缺陷模式识别方法，该方法包括：
读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；
根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；
将部分或全部连续缺陷晶片坐标集合在目标晶圆上的分布识别为连续缺陷模式。
其中，根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合的一种实现方式可以包括：将每个坐标数据确定为初始连续缺陷晶片坐标集合；计算每两个坐标数据之间的距离，并根据距离判断坐标数据的相邻关系；从初始连续缺陷晶片坐标集合开始，根据坐标数据的相邻关系进行坐标集合合并，直至每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
在第二方面任一实施例的基础上，缺陷晶片的坐标数据可以包括解析CP测试结果获得的坐标数据。
根据本公开的第三方面，提供一种电子设备，该电子设备包括处理器以及与处理器连接的存储器，在存储器上存储有可被处理器运行的程序，该程序被处理器运行时，实现如下任一方法：
读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；读取目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；获取指定数量的连续缺陷晶片坐标集合分别与目标区域坐标集合的交集；在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，该缺陷模式识别结果用于指示在目标区域存在空间关联的缺陷模式；
或者，
读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；将部分或全部连续缺陷晶片坐标集合在目标晶圆上的分布识别为连续缺陷模式。
其中，根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合的一种实现方式可以包括：将每个坐标数据确定为初始连续缺陷晶片坐标集合；计算每两个坐标数据之间的距离，并根据距离判断坐标数据的相邻关系；从初始连续缺陷晶片坐标集合开始，根据坐标数据的相邻关系进行坐标集合合并，直至每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
在上述任一电子设备实施例的基础上，获取指定数量的连续缺陷晶片坐标集合分别与所述目标区域坐标集合 的交集的一种可行的实现方式包括：按照集合所包含的坐标数据数量降序选择N个连续缺陷晶片坐标集合；
获取N个连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集。
在上述任一电子设备实施例的基础上，目标区域可以根据目标制程机台的目标特性确定。
在上述任一电子设备实施例的基础上，缺陷晶片的坐标数据可以包括解析CP测试结果获得的坐标数据。
根据本公开的第四方面，提供一种计算机可读存储介质，该计算机可读存储介质上存储有第一晶圆的缺陷模式识别程序和/或第二晶圆的缺陷模式识别程序。
第一晶圆的缺陷模式识别程序被执行时实现如下方法：读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；读取目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；获取指定数量的连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集；在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，该缺陷模式识别结果用于指示在目标区域存在空间关联的缺陷模式。
第二晶圆的缺陷模式识别程序被执行时实现如下方法：读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；将部分或全部连续缺陷晶片坐标集合在目标晶圆上的分布识别为连续缺陷模式。
其中，根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合的一种实现方式可以包括：将每个坐标数据确定为初始连续缺陷晶片坐标集合；计算每两个坐标数据之间的距离，并根据距离判断坐标数据的相邻关系；从初始连续缺陷晶片坐标集合开始，根据坐标数据的相邻关系进行坐标集合合并，直至每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
在上述任一存储介质实施例的基础上，获取指定数量的连续缺陷晶片坐标集合分别与所述目标区域坐标集合 的交集的一种可行的实现方式包括：按照集合所包含的坐标数据数量降序选择N个连续缺陷晶片坐标集合；
获取N个连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集。
在上述任一存储介质实施例的基础上，目标区域可以根据目标制程机台的目标特性确定。
在上述任一存储介质实施例的基础上，缺陷晶片的坐标数据可以包括解析CP测试结果获得的坐标数据。
附图说明
图1为本公开一个实施例的晶圆的缺陷模式识别方法流程图；
图2为本公开另一个实施例的晶圆的缺陷模式识别方法流程图；
图3为本公开一个实施例提供的电子设备结构示意图。
具体实施方式
在介绍本公开实施例之前，应当说明的是：
本公开部分实施例被描述为处理流程，虽然流程的各个操作步骤可能被冠以顺序的步骤编号，但是其中的操作步骤可以被并行地、并发地或者同时实施。
本公开实施例中可能使用了术语“第一”、“第二”等等来描述各个特征，但是这些特征不应当受这些术语限制。使用这些术语仅仅是为了将一个特征与另一个特征进行区分。
本公开实施例中可能使用了术语“和/或”，“和/或”包括其中一个或更多所列出的相关联特征的任意和所有组合。
应当理解的是，当描述两个部件的连接关系或通信关系时，除非明确指明两个部件之间直接连接或直接通信，否则，两个部件的连接或通信可以理解为直接连接或通信，也可以理解为通过中间部件间接连接或通信。
为了使本公开实施例中的技术方案及优点更加清楚明白，以下结合附图对本公开的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本公开的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
本公开的目的是提供一种晶圆的缺陷模式识别方案，可用于制程问题分析、晶圆品质管控，以提升芯片产品良率。
如图1所示，本公开提供一种晶圆的缺陷模式识别方法，该方法包括如下步骤：
步骤101、读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据。
本公开中，缺陷晶片的坐标数据是指缺陷晶片在目标晶圆对应的平面坐标系中的坐标。
本公开提供的方法可以在解析CP测试结果（例如Raw test log，原始测试日志）之后实施，那么，步骤101读取的是对CP测试结果进行解析后得到的缺陷晶片坐标数据。本公开提供的方法也可以在Bin数据入库之后实施，那么，步骤101从数据库中读取缺陷晶片的坐标数据。以CP测试结果解析得到的坐标数据为例，CP测试结果中，晶片被划分为不同的Bin等级，而fail bin是其中一个Bin等级，缺陷晶片既是指Bin等级为fail bin的晶片。因此，读取缺陷晶片的坐标数据，是指读取Bin等级为fail bin的晶片的坐标数据。
本公开中，坐标数据属于单片晶圆的数据，反映了缺陷晶片在目标晶圆上的位置。
步骤102、根据上述坐标数据的相邻关系确定多个连续缺陷晶片坐标集合（又称连续Fail Pattern集合，Fpat集合），每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
该步骤的具体实现方式可以通过识别坐标数据的连续性来实现。
本公开中，上述步骤102的实现方式有多种，下面例举其中一种：将每个坐标数据确定为初始连续缺陷晶片坐标集合；计算每两个坐标数据之间的距离（即每两个缺陷晶片之间的距离），并根据距离判断坐标数据的相邻关系；从初始连续缺陷晶片坐标集合开始，根据坐标数据的相邻关系进行坐标集合合并，直至每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
本公开中，可以根据两个缺陷晶片的坐标数据计算两个缺陷晶片之间的欧几里得距离（Euclid）或者切比雪夫（Chebyshev）距离，如果两个缺陷晶片之间的欧几里得距离或者切比雪夫距离小于2，意味着两个缺陷晶片相邻。本公开中，两个缺陷晶片相邻是指在X轴、Y轴上相邻，或者对角相邻。
创建初始连续缺陷晶片坐标集合，每个初始连续缺陷晶片坐标集合由一个坐标数据构成。遍历初始连续缺陷晶片坐标集合，针对当前初始连续缺陷晶片坐标集合，查找与其坐标数据的距离不超过2的其他坐标数据，将查找到的坐标数据所属的初始连续缺陷晶片坐标集合与当前初始连续缺陷晶片坐标集合进行合并。完成初始连续缺陷晶片坐标集合的遍历后，得到多个合并后的连续缺陷晶片坐标集合。针对多个合并后的连续缺陷晶片坐标集合，继续按照上述方式进行遍历，直至每个连续缺陷晶片坐标集合中的坐标数据与其他连续缺陷晶片坐标集合中的坐标数据的距离均大于2。
步骤103、将部分或全部连续缺陷晶片坐标集合在目标晶圆上的分布识别为连续缺陷模式。
其中，可以从连续缺陷晶片坐标集合中选择部分坐标集合，选择的标准可以根据实际需求确定，作为举例而非限定，可以将坐标集合中包含的坐标数据的数量作为选择标准，选择坐标数据的数量达到预定数量的N个连续缺陷晶片坐标集合。一种可行的实现方式中，为N个连续缺陷晶片坐标集合分别分配缺陷模式标记，每个连续缺陷晶片坐标集合在目标晶圆上的分布作为一种连续缺陷模式，以一个缺陷模式标记为索引，N个连续缺陷晶片坐标集合及各自对应的缺陷模式标记可以关联保存到数据库中。另一种可行的实现方式中，为N个连续缺陷晶片坐标集合分配一个缺陷模式标记，N个连续缺陷晶片坐标集合在目标晶圆上的整体分布作为一种连续缺陷模式，以一个缺陷模式标记为索引，N个连续缺陷晶片坐标集合及缺陷模式标记可以关联保存到数据库中。
连续缺陷模式反映了缺陷晶片在目标晶片上呈现空间连续的特点，可以反应目标晶圆的出货品质。作为举例而非限定，预先配置连续缺陷晶片的不同数量区间对应不同的出货品质，那么，可以确定连续缺陷晶片坐标集合对应的出货品质（如果N个连续缺陷晶片坐标集合在目标晶圆上的整体分布作为一种连续缺陷模式，既可以使用N个连续缺陷晶片坐标集合对应的缺陷晶圆总数进行出货品质匹配，也可以使用其中连续晶圆数量的最大值进行出货品质匹配）。相应的，指示出货品质的数据也可以作为缺陷模式识别产生的相关数据保存到数据库中。
实际应用中，也可以将全部连续缺陷晶片坐标集合在目标晶圆上的分布识别为连续缺陷模式，相应的实现方式可以参照上述实施例的描述，此处不再赘述。
如上所述，本公开实施例提供的方法可以在晶圆图生成之前，利用缺陷晶片的坐标数据进行缺陷模式的识别，进而可以针对识别到的连续缺陷模式进行告警。在晶圆图生成之前，缺陷模式识别产生的相关数据容易录入到系统的数据库中，降低了数据录入、维护的成本和难度。
如上所述，针对目标晶圆进行CP测试，目标晶圆上的晶片会被划分为不同的Bin等级，通常以不同颜色表示。一个晶圆上往往有大量的晶片，这些晶片以不同颜色表示，反映在晶圆图上类似于彩色马赛克的效果，良率工程师往往很难从单张晶圆图上识别出缺陷模式，即使是识别连续的缺陷晶片也是较为困难的，通常需要将多个晶圆图叠加来识别出缺陷模式，这就导致缺陷模式识别周期长、效率低，影响芯片良率的提升。而本公开采用的方法可以通过单个目标晶圆的坐标数据自动识别出连续缺陷模式，识别效率高、识别结果的可靠性也较高，有利于芯片良率的提升。
晶片缺陷模式往往还呈现出晶圆区域的相关性或依赖性，也就是说，在晶圆的特定区域上往往呈现出特定的缺陷模式，这种相关性或依赖性可以但不仅限于与制程机台的目标特性有关。有鉴于此，为进一步识别出与晶圆特定区域相关的缺陷模式，可以预先根据制程机台的目标特性划分晶圆的目标区域。作为举例而非限定，可以以晶圆的中心为圆心，将晶圆划分为中心、中间及边缘三个圆环状的目标区域。当然，根据实际需求，也可以在晶圆上划分其他目标区域，例如扇形区域。
在此基础上，本公开不仅识别连续缺陷模式，并基于连续缺陷模式标识晶圆的出货品质，还可以进一步识别目标区域相关的缺陷模式，其实现方式如下：
读取目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；获取指定数量的连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集；在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，该缺陷模式识别结果用于指示在目标区域存在空间关联的缺陷模式。
假设N个连续缺陷晶片坐标集合与目标区域坐标集合 的交集分别为N_Overlay1、N_Overlay2、N_Overlay3、N_Overlay4和N_Overlay5，这5个交集中，N_Overlay3包含的坐标数据最多，那么N_Overlay3即为最大交集。
本公开中，缺陷模式识别结果可以仅指示存在目标区域存在空间关联的缺陷模式，而不包含缺陷模式对应的连续缺陷晶片坐标集合的信息。当然，缺陷模式识别结果还可以进一步包含缺陷模式对应的连续缺陷晶片坐标集合的信息，例如该集合的索引、该集合的所有坐标数据等等。
如果目标晶圆上有多个目标区域，那么，可以依次按照上述处理方式识别每个目标区域是否存在空间关联的缺陷模式。
应当指出的是，本公开中，目标区域并不是任何一种缺陷模式，而是在该晶圆区域可能存在与之存在空间关联的缺陷模式。
本公开实施例中，可以选择所有的连续缺陷晶片坐标集合参与目标区域空间关联的缺陷模式识别。但数量较少的连续缺陷晶片坐标集合往往无法表示缺陷模式，因此，可以根据数量筛选参与目标区域空间关联的缺陷模式识别的连续缺陷晶片坐标集合。相应的，可以按照集合所包含的坐标数据数量降序选择N个连续缺陷晶片坐标集合；获取N个连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集。
应当指出的是，本公开提供的缺陷模式识别方法，也可以仅进行目标区域空间关联的缺陷模式识别，而不进行连续缺陷模式的识别，相应的处理过程如图2所示：
步骤201、读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；
步骤202、根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；
步骤203、读取目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；
步骤204、获取指定数量的连续缺陷晶片坐标集合分别与目标区域坐标集合 的交集；
步骤205、在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，该缺陷模式识别结果用于指示在目标区域存在空间关联的缺陷模式。
其中，各个步骤的具体实现方式可以参照上述方法实施例的描述，此处不再赘述。
基于与方法相同的发明构思，本公开还提供一种电子设备，该电子设备包括处理器以及与处理器连接的存储器，在存储器上存储有可被处理器运行的程序，该程序被处理器运行时，实现如下任一方法：
读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；读取目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；获取指定数量的连续缺陷晶片坐标集合分别与目标区域坐标集合的交集；在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，该缺陷模式识别结果用于指示在目标区域存在空间关联的缺陷模式；
或者，
读取目标晶圆上缺陷晶片的坐标数据，该坐标数据为用于绘制目标晶圆的晶圆图的数据；根据坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；将部分或全部连续缺陷晶片坐标集合在目标晶圆上的分布识别为连续缺陷模式。
其具体实现方式可以参照上述方法实施例的描述，此处不再赘述。
在一些实施方式中，如图3所示，电子设备300可以包括：存储器310、通讯总线320、处理器330以及其他部件340（如果必要）。
其中，存储器310、处理器330以及可能出现于电子设备300内的其他部件之间可相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，如图3所示出的这些部件相互之间可通过一条或多条通讯总线320或信号线实现电性连接。
存储器310用于存储计算机程序。
处理器330，用于执行存储器310中存储的计算机程序。
存储器310可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
处理器330可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit， CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。
此外，本公开实施例还提供一种计算机可读存储介质，在该计算机可读存储介质上存储有晶圆的缺陷模式识别程序，该晶圆的缺陷模式识别程序被执行时，可实现上述任一可行的实现方式所提供的晶圆的缺陷模式识别方法。至于具体的执行过程可参照上述方法实施例，此处不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备（系统）和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。
Claims (10)
1.一种晶圆的缺陷模式识别方法，包括：
读取目标晶圆上缺陷晶片的坐标数据，所述坐标数据为用于绘制所述目标晶圆的晶圆图的数据；
根据所述坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；
读取所述目标晶圆上目标区域的坐标数据构成的目标区域坐标集合；
获取指定数量的连续缺陷晶片坐标集合分别与所述目标区域坐标集合 的交集；
在最大交集中的坐标数据的达到预设标准的情况下，生成缺陷模式识别结果，所述缺陷模式识别结果用于指示在所述目标区域存在空间关联的缺陷模式。
2.根据权利要求1所述的方法，其中，所述根据所述坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，包括：
将每个坐标数据确定为初始连续缺陷晶片坐标集合；
计算每两个坐标数据之间的距离，并根据距离判断坐标数据的相邻关系；
从初始连续缺陷晶片坐标集合开始，根据所述坐标数据的相邻关系进行坐标集合合并，直至每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
3.根据权利要求1所述的方法，其中，所述获取指定数量的连续缺陷晶片坐标集合分别与所述目标区域坐标集合 的交集，包括：
按照集合所包含的坐标数据数量降序选择N个连续缺陷晶片坐标集合；
获取所述N个连续缺陷晶片坐标集合分别与所述目标区域坐标集合 的交集。
4.根据权利要求1所述的方法，其中，所述目标区域根据目标制程机台的目标特性确定。
5.根据权利要求1所述的方法，其中，所述缺陷晶片的坐标数据包括解析CP测试结果获得的坐标数据。
6.一种晶圆的缺陷模式识别方法，包括：
读取目标晶圆上缺陷晶片的坐标数据，所述坐标数据为用于绘制所述目标晶圆的晶圆图的数据；
根据所述坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻；
将部分或全部所述多个连续缺陷晶片坐标集合在所述目标晶圆上的分布识别为连续缺陷模式。
7.根据权利要求6所述的方法，其中，所述根据所述坐标数据的相邻关系确定多个连续缺陷晶片坐标集合，包括：
将每个坐标数据确定为初始连续缺陷晶片坐标集合；
计算每两个坐标数据之间的距离，并根据距离判断坐标数据的相邻关系；
从初始连续缺陷晶片坐标集合开始，根据所述坐标数据的相邻关系进行坐标集合合并，直至每个连续缺陷晶片坐标集合中的坐标数据与本连续缺陷晶片坐标集合中的至少一个坐标数据相邻，且与其他连续缺陷晶片坐标集合中的其他坐标数据均不相邻。
8.根据权利要求6所述的方法，其中，所述缺陷晶片的坐标数据包括解析CP测试结果获得的坐标数据。
9.一种电子设备，包括处理器以及与所述处理器连接的存储器，在所述存储器上存储有可被所述处理器运行的程序，所述程序被所述处理器运行时，实现如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有晶圆的缺陷模式识别程序，所述晶圆的缺陷模式识别程序被执行时实现如权利要求1-8中任一项所述的晶圆的缺陷模式识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211587511.9A CN115588626B (zh) | 2022-12-12 | 2022-12-12 | 晶圆的缺陷模式识别方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211587511.9A CN115588626B (zh) | 2022-12-12 | 2022-12-12 | 晶圆的缺陷模式识别方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115588626A CN115588626A (zh) | 2023-01-10 |
| CN115588626B true CN115588626B (zh) | 2023-03-24 |
Family
ID=84783257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211587511.9A Active CN115588626B (zh) | 2022-12-12 | 2022-12-12 | 晶圆的缺陷模式识别方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115588626B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197617B (zh) * | 2023-09-19 | 2024-05-28 | 芯率智能科技(苏州)有限公司 | 一种重复缺陷的缺陷分类方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109804462A (zh) * | 2016-05-17 | 2019-05-24 | 科磊股份有限公司 | 用于大量图案搜索的检验和设计之间的漂移的自动校正的系统及方法 |
| CN114399508A (zh) * | 2022-03-25 | 2022-04-26 | 杭州广立微电子股份有限公司 | 晶圆数据的处理方法、装置、电子装置和存储介质 |
| CN114627072A (zh) * | 2022-03-14 | 2022-06-14 | 苏州中巨苏智能科技有限公司 | 一种基于神经网络的晶圆缺陷提取方法 |
| CN115100163A (zh) * | 2022-07-05 | 2022-09-23 | 江苏泰治科技股份有限公司 | 一种晶圆缺陷识别方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4918537B2 (ja) * | 2008-12-11 | 2012-04-18 | 日東電工株式会社 | 半導体ウエハの保護テープ剥離方法および保護テープ剥離装置 |
-
2022
- 2022-12-12 CN CN202211587511.9A patent/CN115588626B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109804462A (zh) * | 2016-05-17 | 2019-05-24 | 科磊股份有限公司 | 用于大量图案搜索的检验和设计之间的漂移的自动校正的系统及方法 |
| CN114627072A (zh) * | 2022-03-14 | 2022-06-14 | 苏州中巨苏智能科技有限公司 | 一种基于神经网络的晶圆缺陷提取方法 |
| CN114399508A (zh) * | 2022-03-25 | 2022-04-26 | 杭州广立微电子股份有限公司 | 晶圆数据的处理方法、装置、电子装置和存储介质 |
| CN115100163A (zh) * | 2022-07-05 | 2022-09-23 | 江苏泰治科技股份有限公司 | 一种晶圆缺陷识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115588626A (zh) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5777901A (en) | Method and system for automated die yield prediction in semiconductor manufacturing | |
| US5539752A (en) | Method and system for automated analysis of semiconductor defect data | |
| US9569836B2 (en) | Defect observation method and defect observation device | |
| JPH11214462A (ja) | 回路パターン検査における欠陥致命性判定方法、レビュー対象とする欠陥選択方法、およびそれらに関連する回路パターンの検査システム | |
| CN115588626B (zh) | 晶圆的缺陷模式识别方法、设备及存储介质 | |
| US11170332B2 (en) | Data analysis system and apparatus for analyzing manufacturing defects based on key performance indicators | |
| CN104568979A (zh) | 芯片对数据库的影像检测方法 | |
| CN115798559B (zh) | 失效单元预测方法、装置、设备及存储介质 | |
| US9142014B2 (en) | System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering | |
| CN108446702B (zh) | 一种图像字符分割方法、装置、设备及存储介质 | |
| CN102053089A (zh) | 自动目检方法 | |
| US9292914B2 (en) | Device for measuring critical dimension of pattern and method thereof | |
| CN113870754B (zh) | 一种面板检测电子信号缺陷判定的方法和系统 | |
| TW202328665A (zh) | 分析缺陷的方法 | |
| US9904660B1 (en) | Nonparametric method for measuring clustered level of time rank in binary data | |
| CN111709951B (zh) | 目标检测网络训练方法及系统及网络及装置及介质 | |
| CN113012137A (zh) | 一种面板缺陷检查方法、系统、终端设备及存储介质 | |
| CN113837983A (zh) | 一种晶圆缺陷分析方法、系统、设备和介质 | |
| CN115144735B (zh) | 测试程序确定方法、装置、电子设备及可读存储介质 | |
| CN114167223B (zh) | 供电异常的检测方法、装置及计算机可读存储介质 | |
| CN117455865A (zh) | 一种物料缺陷复检显示方法、装置、设备及存储介质 | |
| CN112819751B (zh) | 多肽芯片检测结果的数据处理方法及装置 | |
| US11328108B2 (en) | Predicting die susceptible to early lifetime failure | |
| CN117765170B (zh) | 一种三维可视化的管理方法及系统 | |
| CN116755953B (zh) | 测试结果分组方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231204 Address after: 401135 No. 618 Liangjiang Avenue, Longxing Town, Yubei District, Chongqing Patentee after: Xiangdixian Computing Technology (Chongqing) Co.,Ltd. Address before: Room 901, 901, floor 9 (09), building 1, yard 5, Anding Road, Chaoyang District, Beijing 100029 Patentee before: Beijing xiangdixian Computing Technology Co.,Ltd. |