CN115699281A - 半导体检查方法及半导体检查装置 - Google Patents

半导体检查方法及半导体检查装置 Download PDF

Info

Publication number
CN115699281A
CN115699281A CN202180041063.XA CN202180041063A CN115699281A CN 115699281 A CN115699281 A CN 115699281A CN 202180041063 A CN202180041063 A CN 202180041063A CN 115699281 A CN115699281 A CN 115699281A
Authority
CN
China
Prior art keywords
image
pattern image
semiconductor device
semiconductor
learning
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
CN202180041063.XA
Other languages
English (en)
Inventor
嶋瀬朗
毛祥光
内角哲人
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.)
Hamamatsu Photonics KK
Original Assignee
Hamamatsu Photonics KK
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 Hamamatsu Photonics KK filed Critical Hamamatsu Photonics KK
Priority claimed from PCT/JP2021/013840 external-priority patent/WO2021250984A1/ja
Publication of CN115699281A publication Critical patent/CN115699281A/zh
Pending legal-status Critical Current

Links

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
    • H01L22/20—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
    • 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
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/302—Contactless testing
    • G01R31/308—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/302—Contactless testing
    • G01R31/308—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation
    • G01R31/311—Contactless testing using non-ionising electromagnetic radiation, e.g. optical radiation of integrated circuits
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

本发明的一实施方式的半导体检查方法包含以下步骤：通过对半导体器件扫描激光，对激光的每一照射位置，取得表示与激光的照射相应的半导体器件的电信号的特性的特性信息，基于每一照射位置的特性信息，产生半导体器件的第1图案图像；基于半导体器件的布局图像与表示半导体器件的电流路径的电流路径信息，产生半导体器件的第2图案图像；及基于第1图案图像与第2图案图像的位置对准的结果，取得表示第1图案图像与布局图像的相对关系的匹配信息。

Description

半导体检查方法及半导体检查装置
技术领域
本公开关于一种半导体检查方法及半导体检查装置。
背景技术
以往，已知有基于作为检查对象器件(DUT：device under test，待测件)的半导体器件的图像，进行故障解析等的技术。例如，在专利文献1、2中，曾公开取得通过拍摄来自半导体器件的反射光而获得的光学图像，作为表示该半导体器件的图案的图案图像，进行该图案图像、与显示该半导体器件的布局的CAD图像等的布局图像(设计图像)的位置对准。通过进行如此的位置对准，而例如，可获得将由检查装置获得的半导体器件的故障解析图像(例如，通过发光而显示等半导体器件的故障部位的发光图像)、与该半导体器件的布局图像重合的重叠图像。通过利用如此的重叠图像，而容易进行半导体器件的故障解析。
[现有技术文献]
[专利文献]
专利文献1：日本特开2007-00306号公报
专利文献2：国际公开2015/098342号公报
发明内容
[发明所要解决的问题]
然而，近年来，半导体器件的图案的细微化不断进展，难以获得可高精度地辨识半导体器件的图案的光学图像。因此，有难以高精度地进行自半导体器件获得的图案图像与布局图像的位置对准的情形。
为此，本公开的一形态的目的在于提供一种可将自半导体器件获得的图案图像与该半导体器件的布局图像高精度地进行位置对准的半导体检查方法及半导体检查装置。
[解决问题的技术手段]
本公开的一形态的半导体检查方法包含以下步骤：通过对半导体器件扫描光，对光的每一照射位置，取得表示与光的照射相应的半导体器件的电信号的特性的特性信息，基于每一照射位置的特性信息，产生半导体器件的第1图案图像；基于表示半导体器件的布局的布局图像、与表示半导体器件的电流路径的电流路径信息，产生半导体器件的第2图案图像；及基于第1图案图像与第2图案图像的位置对准的结果，取得表示第1图案图像与布局图像的相对关系的匹配信息。
已知有照射于半导体器件的光(例如激光)具有一定的扩展性，来自半导体器件的反射光的半峰全幅值大于朝向半导体器件的入射光的半峰全幅值(FWHM：full width athalf maximum)。此处，相对于基于反射光取得的光学图像的分辨率(解像度)依存于所观察的反射光的半峰全幅值，而不基于反射光的第1图案图像的分辨率依存于朝向半导体器件的入射光的半峰全幅值。另外，光的半峰全幅值越小，则所获得的图像的分辨率越变小。因而，通过基于与光的照射相应的半导体器件的电信号的特性，产生第1图案图像，而可获得较基于反射光取得的光学图像为高分辨率的图像。进而，可根据基于布局图像与半导体器件的电流路径获得的第2图案图像与第1图案图像的位置对准的结果，获得第1图案图像与布局图像之间的精度较高的匹配信息。根据以上所述，根据上述半导体检查方法，可将自半导体器件获得的图案图像(第1图案图像)与该半导体器件的布局图像高精度地进行位置对准。
产生第2图案图像的步骤可包含：第1处理，其基于电流路径信息，将半导体器件中所含的扩散层的至少一部分及元件分离层的至少一部分的至少一者加以分类，且对于布局图像中的扩散层的至少一部分及元件分离层的至少一部分的至少一者，设定与分类相应的色彩；及第2处理，其基于通过第1处理产生的着色图像，产生第2图案图像。根据上述构成，根据基于电流路径信息经着色的着色图像，可获得可高精度地进行与第1图案图像的位置对准的第2图案图像。
第2处理可包含对于着色图像的模糊处理。根据上述构成，通过模糊处理，可获得与第1图案图像相似的第2图案图像。其结果，可获得可高精度地进行与第1图案图像的位置对准的第2图案图像。
第2处理可包含以下处理：通过使用示教数据的机器学习，学习着色图像的转换处理，该示教数据包含学习用的着色图像、及与学习用的着色图像对应的第1图案图像；及使用通过学习而决定的转换处理将着色图像进行转换，由此产生第2图案图像。根据上述构成，通过基于机器学习的结果的转换处理，可获得与第1图案图像相似的第2图案图像。其结果，可高精度地进行第1图案图像与第2图案图像的位置对准。
取得匹配信息的步骤可包含以下处理：对用户提示第1图案图像及第2图案图像；及基于由用户指定的表示第1图案图像与第2图案图像的对应关系的信息，取得匹配信息。根据上述构成，可令使用者实施以目视进行的第1图案图像及第2图案图像的位置对准。
取得匹配信息的步骤可包含以下处理：通过使用示教数据的机器学习，学习第1图案图像与第2图案图像的位置对准处理，该示教数据包含学习用的第1图案图像、与学习用的第1图案图像对应的第2图案图像、及这些图像的匹配结果；及使用通过学习而决定的位置对准处理，进行第1图案图像与第2图案图像的位置对准，由此取得匹配信息。根据上述构成，通过基于机器学习的结果的位置对准处理，可高精度地进行第1图案图像与第2图案图像的位置对准。
半导体检查方法可更包含以下步骤：基于匹配信息，产生使布局图像与第1图案图像重叠的重叠图像。根据上述构成，基于匹配信息，可获得使布局图像与第1图案图像高精度地重叠的重叠图像。其结果，可高精度地进行使用重叠图像的故障解析等。
半导体检查方法可更包含以下步骤：基于匹配信息，进行通过对半导体器件的故障解析而确定出的故障位置与布局图像上的位置的认定、或对半导体器件的探测位置的设定。根据上述构成，通过利用匹配信息，而可高精度地进行故障解析(布局图像上的故障位置的确定或探测位置的设定)。
在产生第1图案图像的步骤中，可取得相应于向半导体器件照射光而产生的光伏电流的测定值作为特性信息。根据上述构成，可获得经设定与光伏电流的测定值相应的色调(深浅)的OBIC(Optical Beam Induced Current，光束感应电流)图像，作为第1图案图像。
半导体器件可具有半导体基板，该半导体基板具有形成有晶体管的主面、及与主面为相反侧的背面，在产生第1图案图像的步骤中，可对于半导体基板的背面，照射自背面向主面侧透过的光，光可具有比半导体基板的材料的带隙高的能量。根据上述构成，在半导体基板的主面侧的晶体管中，通过产生单光子吸收(SPA：Single Photon Absorption)，而可较佳地产生OBIC。
半导体器件可具有半导体基板，该半导体基板具有形成有晶体管的主面、及与主面为相反侧的背面，在产生第1图案图像的步骤中，可对于半导体基板的背面，照射自背面向主面侧透过的脉冲光即光，光可具有比半导体基板的材料的带隙低的能量。根据上述构成，在半导体基板的主面侧的晶体管中，通过产生多光子吸收(MPA：Multi PhotonAbsorption)，而可较佳地产生OBIC。
本公开的一形态的半导体检查装置具备：光源；扫描部，其对于半导体器件扫描来自光源的光；测定部，其与半导体器件电连接，对光的每一照射位置，测定与光的照射相应的半导体器件的电信号的特性；第1产生部，其基于表示由测定部测定出的每一照射位置的电信号的特性的特性信息，产生半导体器件的第1图案图像；第2产生部，其基于表示半导体器件的布局的布局图像与表示半导体器件的电流路径的电流路径信息，产生半导体器件的第2图案图像；及处理部，其基于第1图案图像与第2图案图像的位置对准的结果，取得表示第1图案图像与布局图像的相对关系的匹配信息。
根据上述半导体检查装置，可较佳地执行上述的半导体检查方法。
第2产生部可执行：第1处理，其基于电流路径信息，将半导体器件中所含的扩散层的至少一部分及元件分离层的至少一部分的至少一者加以分类，且对布局图像中的扩散层的至少一部分及元件分离层的至少一部分的至少一者，设定与分类相应的色彩；及第2处理，其基于通过第1处理产生的着色图像，产生第2图案图像。根据上述构成，根据基于电流路径信息经着色的着色图像，可获得可高精度地进行与第1图案图像的位置对准的第2图案图像。
第2处理可包含对于着色图像的模糊处理。根据上述构成，通过模糊处理，可获得与第1图案图像相似的第2图案图像。其结果，可获得可高精度地进行与第1图案图像的位置对准的第2图案图像。
第2处理可执行以下处理：通过使用示教数据的机器学习，学习着色图像的转换处理，该示教数据包含学习用的着色图像、及与学习用的着色图像对应的第1图案图像；及使用通过学习而决定的转换处理将着色图像进行转换，由此产生第2图案图像。根据上述构成，通过基于机器学习的结果的转换处理，可获得与第1图案图像相似的第2图案图像。其结果，可高精度地进行第1图案图像与第2图案图像的位置对准。
处理部可执行以下处理：对用户提示第1图案图像及第2图案图像；及基于由用户指定的表示第1图案图像与第2图案图像的对应关系的信息，取得匹配信息。根据上述构成，可令使用者实施以目视进行的第1图案图像及第2图案图像的位置对准。
处理部可执行以下处理：通过使用示教数据的机器学习，学习第1图案图像与第2图案图像的位置对准处理，该示教数据包含学习用的第1图案图像、与学习用的第1图案图像对应的第2图案图像、及这些图像的匹配结果；及使用通过学习而决定的位置对准处理，进行第1图案图像与第2图案图像的位置对准，由此取得匹配信息。根据上述构成，通过基于机器学习的结果的位置对准处理，可高精度地进行第1图案图像与第2图案图像的位置对准。
处理部可基于匹配信息，产生使布局图像与第1图案图像重叠的重叠图像。根据上述构成，基于匹配信息，可获得使布局图像与第1图案图像高精度地重叠的重叠图像。其结果，可高精度地进行使用重叠图像的故障解析等。
处理部可基于匹配信息，进行通过对半导体器件的故障解析而确定出的故障位置与布局图像上的位置的认定、或对半导体器件的探测位置的设定。根据上述构成，通过利用匹配信息，而可高精度地进行故障解析(布局图像上的故障位置的确定或探测位置的设定)。
测定部可取得相应于向半导体器件照射光而产生的光伏电流的测定值作为特性信息。根据上述构成，可获得经设定与光伏电流的测定值相应的色调(深浅)的OBIC(Optical Beam Induced Current，光束感应电流)图像，作为第1图案图像。
半导体器件可具有半导体基板，该半导体基板具有形成有晶体管的主面、及与主面为相反侧的背面，扫描部可对于半导体基板的背面，扫描自背面向主面侧透过的光，光可具有比半导体基板的材料的带隙高的能量。根据上述构成，在半导体基板的主面侧的晶体管中，通过产生单光子吸收(SPA：Single Photon Absorption)，而可较佳地产生OBIC。
半导体器件可具有半导体基板，该半导体基板具有形成有晶体管的主面、及与主面为相反侧的背面，扫描部可对半导体基板的背面，扫描自背面向主面侧透过的脉冲光即光，光可具有比半导体基板的材料的带隙低的能量。根据上述构成，在半导体基板的主面侧的晶体管中，通过产生多光子吸收(MPA：Multi Photon Absorption)，而可较佳地产生OBIC。
[发明的效果]
根据本公开的一形态，可提供一种可将自半导体器件获得的图案图像与该半导体器件的布局图像高精度地进行位置对准的半导体检查方法及半导体检查装置。
附图说明
图1为一实施方式的半导体检查装置的概略构成图。
图2为显示半导体器件的构成例的概略图。
图3的(A)及(B)为显示半导体器件的一部分的布局的一例的概略图。
图4为显示布局图像的一例的图。
图5为显示OBIC图像(第1图案图像)的一例的图。
图6为显示激光的波长与OBIC图像的分辨率的关系、及激光的波长与硅基板的透过率的关系的图表。
图7为显示框设定图像的一例的图。
图8为显示着色图像的一例的图。
图9为显示模糊图像(第2图案图像)的一例的图。
图10为显示半导体检查装置的动作的一例的流程图。
图11为显示由半导体检查装置产生的各图像的关系的图。
图12为显示用于取得OBIC信号的第1构成例的概略图。
图13为显示用于取得OBIC信号的第2构成例的概略图。
图14的(A)为显示用于取得OBIC信号的第3构成例的概略图，图14的(B)为显示用于取得OBIC信号的第4构成例的概略图。
图15为显示用于取得OBIC信号的第5构成例的概略图。
具体实施方式
以下，针对本公开的实施方式，参照图式，详细地说明。此外，在图式的说明中，对同一要素赋予同一符号，且省略重复的说明。
图1为一实施方式的半导体检查装置1的概略构成图。图2为作为检查对象器件的半导体器件10的构成例的概略图。半导体器件10例如为逻辑LSI、内存、模拟电路等的IC(集成电路)、或功率器件等。作为一例，半导体器件10具有：半导体芯片11、及封装基板12。半导体芯片11具有：半导体基板11A、配线层11B、及凸块B。
半导体基板11A具有：形成例如MOS晶体管等晶体管T的主面11a、及与主面11a为相反侧的背面11b。半导体基板11A为例如硅基板。但是，半导体基板11A的材料不限定于硅。例如，在半导体器件10为高频器件、光子器件等的情形下，可使用GaAs、GaP等的化合物半导体作为半导体基板11A的材料。另外，在半导体器件10为功率器件的情形下，可使用SiC、GaN等作为半导体基板11A的材料。
配线层11B为在半导体基板11A的主面11a侧，配置与晶体管T电连接的金属配线W的层。凸块B设置于配线层11B的与半导体基板11A侧为相反侧的表面。封装基板12为搭载半导体芯片11的配线基板。封装基板12经由凸块B与设置于半导体芯片11的配线层11B的金属配线W电连接。在封装基板12，设置与晶体管T的电源(VDD)或接地(VSS)对应的端子12a。
图3为显示半导体器件10的一部分(半导体基板11A的主面11a附近的部分)的布局的一例的概略图。图3的(A)为自与主面11a相对的方向观察半导体基板11A的概略俯视图。图3的(B)为沿图3的(A)的B-B线的概略剖视图。图3的(C)为沿图3的(A)的C-C线的概略剖视图。如图3的(A)、(B)、(C)所示那样，在半导体基板11A的主面11a形成有第1导电型的扩散层11c1、11c2(11c)、及用于将扩散层11c分离的绝缘层11d。扩散层11c为杂质经扩散的区域。此处，作为一例，扩散层11c1为n型杂质经扩散的区域，扩散层11c2为p型杂质经扩的区域。图3所示的图案为提取半导体器件10的一个单元列的图案。绝缘层11d包含将配置在与图3的横向方向对应的单元列方向的各个组件元件间分离的组件元件分离层11d1。绝缘层11d由例如SiO2等形成。如图3的(C)所示那样，扩散层11c具有一般而言被称为鳍片的多个峰状的形状。朝鳍片的上部，通过离子布植等，注入与扩散层11c不同的杂质。此处，作为一例，朝扩散层11c1的上部注入特定浓度的p型杂质，朝扩散层11c2的上部注入特定浓度的n型杂质。如此，形成第2导电型的鳍片部14a、14b(14)。在本实施方式中，作为一例，半导体器件10系为以7nm制程制造的器件(7nm器件)，相邻的栅极13彼此之间隔为例如数十nm左右。通过对如上述那样以跨于鳍片部14的方式形成的栅极13施加电压，而包含鳍片部14与栅极13的部分作为半导体器件10的晶体管T发挥功能。具有如此的构造的晶体管T被称为鳍式场效晶体管(FinFET：Fin Field-Effect Transistor)。扩散层11c1(n型杂质经扩散的区域)与形成于其上的鳍片部14a(经注入p型杂质的区域)作为p型晶体管(PMOS)动作。另一方面，扩散层11c2(p型杂质经扩散的区域)与形成于其上的鳍片部14b(经注入n型杂质的区域)作为n型晶体管(NMOS)动作。虽然除了跨于鳍片部14的栅极13以外，也在组件元件分离层11d1上形成有栅极13a，但该栅极13a不具有作为原本的栅极的功能，被称为虚设栅极。鳍片部14经由通孔V(也被称为接点contact)，与金属配线W(金属第1层)电连接。由此，各鳍片部14经由通孔V(接点)及金属配线W，电连接于电源(VDD)、接地(VSS)、或构成其他晶体管T的栅极13。
半导体检查装置1具备：激光光源2(光源)、激光扫描部3(扫描部)、放大器4(测定部)、计算机5、输入设备6、及显示设备7。激光光源2及激光扫描部3构成对于半导体器件10照射及扫描作为刺激光的激光L的光学系统。激光光源2出射激光L的光源。激光扫描部3对于半导体器件10，二维扫描自激光光源2出射的激光L。激光扫描部3由例如检流计反射镜、MEMS反射镜等构成。激光扫描部3构成为对于半导体基板11A的背面11b，扫描自背面11b向主面11a侧透过的激光L。激光L的焦点被调整至半导体基板11A的主面11a(即，形成有晶体管T的区域)附近。如图1所示那样，可在半导体基板11A的背面11b上，配置固态浸没透镜(SIL：Solid immersion lens)8。即，激光L可经由固态浸没透镜8对于半导体基板11A的背面11b照射。在配置固态浸没透镜8的情形下，较未配置固态浸没透镜8的情形，可增大照射于半导体基板11A的背面11b的激光L的数值孔径(NA：Numerical Aperture)。
激光光源2例如可构成为出射具有比半导体基板11A的材料(在本实施方式中为硅)的带隙(在硅的情形下为1.12eV)为高的能量的激光L。即，激光L可为比与硅的带隙(能量间隙)对应的波长(1107nm)短的波长的光。该情形下，在半导体基板11A的主面11a侧的晶体管T(例如，pn结部)中，通过产生单光子吸收(SPA：Single Photon Absorption)，而可较佳地产生光伏电流(OBIC：Optical Beam Induced Current，光束感应电流)。
或者，激光光源2例如可构成为出射具有比半导体基板11A的材料的带隙低的能量的脉冲光，即激光L。即，激光L可为波长比硅的带隙对应的波长(1107nm)长的脉冲光。该情形下，在半导体基板11A的主面11a侧的晶体管T(例如，pn结部)中，通过产生如例如日本特开平10-332794号公报所记载的多光子吸收(MPA：Multi Photon Absorption)，而可更佳地产生OBIC。
放大器4就激光L的每一照射位置，测定与激光L的照射相应的半导体器件10的电信号的特性。在本实施方式中，放大器4取得相应于激光L的照射而由半导体器件10产生的OBIC的测定值(OBIC信号)，作为上述电信号的特性。放大器4具有一对端子4a、4b。放大器4的一端子4a电连接于与晶体管T的漏极侧的电源(VDD)对应的封装基板12的端子12a。放大器4的另一端子4b电连接于与晶体管T的源极侧的接地(VSS)对应的封装基板12的端子12a。放大器4将通过对由激光L产生的OBIC予以检测及放大而获得的测定值(OBIC信号)输入至计算机5。
计算机5进行后述的各种图像处理、及自放大器4输入的OBIC信号的处理、构成半导体检查装置1的各部的控制等的装置。计算机5例如具备处理器(例如CPU等)、内置内存(例如ROM、RAM等)、及存储介质(例如HDD、SSD等)等。计算机5作为功能性构成要素，具有：存储部51、第1产生部52、第2产生部53、图像处理部54(处理部)、及控制部55。另外，在计算机5，连接有用于对计算机5输入数据的鼠标、键盘等的输入设备6、及用于显示(输出)计算机5的处理结果(图像等)的显示器等的显示设备7。计算机5的各功能例如通过上述处理器执行储存于上述内置内存或上述存储介质的计算机程序而实现。
存储部51存储检查对象的半导体器件10的布局图像。图4为显示布局图像的一例(布局图像P1)的图。布局图像P1例如为显示自外部取得的CAD数据等的半导体器件10的图案的设计图像。另外，存储部51存储表示与布局图像P1对应的电流路径的电流路径信息。电流路径信息例如为表示布局图像P1所示的各区域经由配线层11B的金属配线W连接的对象(连接对象)的信息。作为如此的电流路径(连接对象)的分类的例，例如，可举出电源(VDD)、接地(VSS)、栅极、无连接目的地的4种。另外，在存储部51，适宜存储自放大器4输送的OBIC信号、后述的第1产生部52、第2产生部53、及图像处理部54的处理结果(图像等的数据)等。
第1产生部52基于表示就每一照射位置获得的电信号的特性的特性信息，产生半导体器件10的第1图案图像。在本实施方式中，特性信息为由放大器4测定出的OBIC信号。另外，第1图案图像为基于OBIC信号获得的OBIC图像。OBIC图像为通过将OBIC信号的值与被照射激光L的位置建立对应关系并图像化(即，将OBIC信号的值转换为像素值)而获得的图像。本实施方式的OBIC图像为以OBIC的电流量越大的区域越变亮的方式设定像素值的图像。图5为半导体器件10(7nm器件)的OBIC图像的示意图(OBIC图像P2)。具体而言，图5所示的OBIC图像P2为通过本发明人根据以40nm制程制造的半导体器件的OBIC图像进行类推而制作的图像。
图6为显示激光L的波长与所获得的OBIC图像的分辨率的关系、及激光L的波长与硅基板的透过率的关系的图表。在图6中，虚线表示与硅的带隙对应的波长(1107nm)。曲线G1表示在产生单光子吸收(SPA)的情形下获得的OBIC图像的分辨率。曲线G2表示在产生多光子吸收(MPA)的情形下获得的OBIC图像的分辨率。如图6所示，可知产生MPA的情形的分辨率(G2)成为产生SPA的情形的分辨率(G1)的1/√2。另外，曲线G3表示激光L的波长与硅基板(此处，作为一例，厚度为100μm的硅基板)的透过率的关系。如曲线G3所示，在使用比与硅的带隙对应的波长长的波长的激光L的MPA中，由于激光L的大致100％可透过硅基板，故可实现高效的激光L的照射。具体而言，在使用1000nm的波长的激光L的SPA中，分辨率为约160nm，激光L对于硅基板的透过率为约50％。相对于此，在使用1300nm的波长的激光L(脉冲光)的MPA中，获得与使用1000nm的波长的激光L的SPA同等以上的分辨率(约150nm)，且激光L对于硅基板的透过率成为约100％。因而，基于谋求分辨率的提高及激光L的照射效率的提高的两者的观点，与使用产生SPA的激光L相比，优选使用产生MPA的激光L(即，具有比硅的带隙低的能量的脉冲光)。另一方面，应用于MPA的脉冲激光必须具有较高的尖峰值。作为如此的脉冲激光，可举出例如被称为飞秒激光的超短脉冲激光。在使用如此的特殊的激光的情形下，施加稳定性及波长的选择范围等的限制。另外，激光本身也较昂贵。因而，基于谋求降低半导体器件10的装置价格(制造成本)的观点，与使用MPA相比，优选使用SPA。但是，也有为了进行充分的解析，而必须使分辨率优先的情形。因而，选择搭载SPA与MPA的哪一方式的装置，可相应于使用者需要对何种半导体器件10进行何种程度的详细的解析而决定。
此处，通过激光L的照射产生电子-空穴对的是pn结部。而后，pn结部中的最易流通OBIC的部分为连接于电源(VDD)或接地(VSS)的部分。在pn结部中的连接于栅极的部分中，因自栅极的泄漏，而流通若干OBIC。另一方面，在pn结部中的未连接于任何部位的部分中，几乎不流通OBIC。另外，在设置有虚设栅极13a的元件分离层11d1的一部分(与虚设栅极13a重叠的部分除外的部分)中，OBIC即便流通，也为非常小。如此，在半导体器件10中，就上述的电流路径的每一分类，OBIC的电流量不同。而且，因如此的电流量的不同，在OBIC图像P2中，产生每一区域的深浅差。
为此，第2产生部53基于上述的OBIC图像的性质，根据布局图像P1产生与OBIC图像P2类似的图像(第2图案图像)。即，第2产生部53基于半导体器件10的布局图像P1与半导体器件10的电流路径信息(在本实施方式中，上述的每一区域的电流路径(连接对象)的分类)，产生半导体器件10的第2图案图像。例如，第2产生部53实施后述的第1处理及第2处理。
(第1处理)
第1处理包含分类处理及色彩设定处理。分类处理自基于电流路径信息，将半导体器件10中所含的扩散层11c的至少一部分及元件分离层11d1的至少一部分分类的处理。色彩设定处理为对于布局图像P1中的扩散层11c的至少一部分及元件分离层11d1的至少一部分，设定与电流路径的分类相应的色彩的处理。图7为显示通过对于布局图像P1的第1处理而产生的框设定图像P3的图。
(分类处理)
作为一例，第2产生部53在分类处理中，在扩散层11c(自半导体基板11A的厚度方向观察，为设置有扩散层11c的区域)中的相互相邻的栅极13间，设定矩形状的框区域BA(BA1、BA2、BA3)。同样地，第2产生部53在元件分离层11d1中的相互相邻的栅极13A间设定矩形状的框区域BA(BA4)。框区域BA1～BA4根据上述的电流路径而分类。具体而言，框区域BA1为连接于电源(VDD)或接地(VSS)的区域。框区域BA2为连接于栅极的区域。框区域BA3为无连接目的地的区域(于扩散层11c中孤立的区域)。框区域BA4为在元件分离层11d1中孤立的区域。
(色彩设定处理)
继而，第2产生部53在色彩设定处理中，对各框区域BA1～BA4，设定与电流路径的分类相应的色彩。如上述那样，与各框区域BA1～BA4对应的OBIC的电流量的大小关系成为「BA1＞BA2＞BA3＞BA4」。因此，在OBIC图像P2中，与框区域BA2对应的区域变得较与框区域BA1对应的区域为暗。另外，与框区域BA3对应的区域变得较与框区域BA2对应的区域为暗。另外，与框区域BA4对应的区域变得较与框区域BA3对应的区域为暗。为此，第2产生部53对框区域BA1设定最亮的色彩(例如接近白色的色彩)，对框区域BA2设定较框区域BA1为暗的色彩(例如浅灰色)，对框区域BA3设定较框区域BA2为暗的色彩(例如深灰色)，对框区域BA4设定较框区域BA3为暗的色彩(例如接近黑色的色彩)。而且，第2产生部53自框设定图像P3去除框区域BA1～BA4以外的图案。由此，如图8所示，获得仅包含经着色的多个框区域BA的着色图像P4。
(第2处理)
第2处理为基于着色图像P4产生第2图案图像的处理。作为一例，第2产生部53通过进行对于着色图像P4的模糊处理，而产生第2图案图像。作为模糊处理，可利用周知的模糊加工的方法。模糊加工的参数(模糊度)例如可基于OBIC图像P2而决定。例如，操作员(用户)一边确认显示于显示设备7的OBIC图像P2，一边以产生尽量与OBIC图像P2类似第2图案图像的方式，决定着色图像P4的模糊度。而且，第2产生部53通过基于经由输入设备6由操作员输入的模糊度，执行对于着色图像P4的模糊处理，而可产生第2图案图像(模糊图像)。或，第2产生部53可基于在不经由人手下，预先设定的模糊度，执行对于着色图像P4的模糊处理。图9为显示通过模糊处理而获得的模糊图像P5的一例的图。
另外，根据着色图像P4产生模糊图像P5的处理可利用通过机器学习而学习到的转换处理取代上述的模糊处理，而进行。例如，第2产生部53可预先通过使用示教数据的机器学习，学习着色图像的转换处理，其中该示教数据包含学习用的着色图像、及与该学习用的着色图像对应的OBIC图像。而后，第2产生部53可利用通过上述机器学习而决定的转换处理，将着色图像P4进行转换，由此产生模糊图像P5。
例如，第2产生部53可预先制作具有与上述转换处理对应的参数(完成学习的参数)的完成学习的模型(以下为「转换模型」)，并存储于存储部51。转换模型例如为构成为通过使用上述的示教数据的机器学习，输入着色图像，而输出与OBIC图像类似的图像(与通过上述的模糊处理而产生的图像对应的图像)的模型。作为示教数据(学习用的着色图像、及与该学习用的着色图像对应的OBIC图像)，例如，可使用自在过去设为检查对象的半导体器件获得的着色图像及OBIC图像。而且，第2产生部53可取得通过将着色图像P4输入至转换模型而自转换模型输出的图像，作为模糊图像P5。转换模型例如为由神经网络、深层学习(Deep learning，深度学习)建构的多层神经网络等。作为转换模型的例，为CNN(Convolutional Neural Network，卷积神经网络)、FCN(Fully Convolutional Networks，全卷积网络)、U-Net、ResNet(Residual Network，残差网络)等。但是，转换模型不限定于特定的模型。另外，转换模型的节点数及层数也可任意地设定。
图像处理部54基于OBIC图像P2(参照图5)与模糊图像P5(参照图9)的位置对准的结果，取得表示OBIC图像P2与布局图像P1(参照图4)的相对关系(对应关系)的匹配信息。例如，OBIC图像P2与模糊图像P5的位置对准通过在OBIC图像P2与模糊图像P5之间确定出相互对应的3处以上的点而进行。如此的位置对准可通过周知的图案匹配方法进行，也可由操作员执行。例如，图像处理部54可经由显示设备7对用户示出OBIC图像P2及模糊图像P5，且取得经由输入设备6由操作员指定的表示OBIC图像P2与模糊图像P5的对应关系的信息(例如，表示相互对应的3处以上的点的信息)。如上述那样，模糊图像P5由于为以与OBIC图像P2尽量相似的方式基于着色图像P4而产生的图像，故通过操作员的目视，也可以相应的精度进行模糊图像P5与OBIC图像P2的位置对准。另外，模糊图像P5由于为根据布局图像P1产生的图像，故预先掌握在模糊图像P5设定的坐标与在布局图像P1设定的坐标的对应关系。因而，图像处理部54根据OBIC图像P2与模糊图像P5的位置对准的结果，可获得OBIC图像P2与布局图像P1之间的匹配信息。所获得的匹配信息被存储于例如存储部51。
匹配信息为用于确定OBIC图像P2的任意的坐标位置与布局图像P1的哪一坐标位置对应的信息(或，用于确定布局图像P1的任意的坐标位置与OBIC图像P2的哪一坐标位置对应的信息)。匹配信息例如可为用于将OBIC图像P2的坐标、与跟布局图像P1建立关联的坐标相互转换的信息(例如函数等)。此处，OBIC图像P2的坐标为与激光L的照射位置建立关联的坐标，且系半导体检查装置1的动作控制用的坐标(即，半导体检查装置1进行辨识的坐标系的坐标)。但是，匹配信息中所含的信息不限定于上文。例如，匹配信息可包含：表示布局图像P1相对于OBIC图像P2的旋转角度的角度信息、或布局图像P1相对于OBIC图像P2的倍率等的信息。若概括上述内容，则如以下那样。存在规定布局图像P1的二维的第1坐标系、及规定OBIC图像P2的二维的第2坐标系。此处，在第1坐标系与第2坐标系之间，纵横尺度及水平垂直角度可不同。但是，两坐标系的坐标面设为平坦且无变形的坐标面。此时，指定第1坐标系的3点(X1,Y1)、(X2,Y2)、(X3,Y3)、及与这3点在同一位置对应的第2坐标系的3点(x1,y1)、(x2,y2)、(x3,y3)。在于第1坐标系及第2坐标系无变形的情形下，将第1坐标系的点与第2坐标系的点通过一次转换而建立对应关系。基于如此的对应关系，获得用于将一坐标系的任意的点转换为另一坐标系的对应的点的转换式。上文所述的函数相当于该转换式。另外，角度信息或倍率也可包含于该转换式。在在两个坐标系之间，特定的条件(例如，两个坐标系位于相同的平面上的状况等)成立的情形等下，转换式可被简略化。例如，仅通过坐标旋转或坐标偏移，便可进行第1坐标系与第2坐标系的相互转换。
图像处理部54可基于如上述那样获得的匹配信息，产生使布局图像P1与OBIC图像P2重叠的重叠图像P6(参照图11)。此外，在图11中，为了方便，以素色表示重叠图像P6。实际上，重叠图像P6成为于布局图像P1及OBIC图像P2的一图像的上，重叠经设定透过率的另一图像者。通过使用上述的匹配信息，而可获得使布局图像P1与OBIC图像P2高精度地重叠的重叠图像P6。其结果，可高精度地进行使用重叠图像P6的故障解析等。此外，图像处理部54可产生根据需要使布局图像P1及OBIC图像P2以外的图像(例如，框设定图像P3、着色图像P4、模糊图像P5等)重叠的图像，作为重叠图像P6。例如，图像处理部54可使操作员选择设为重叠对象的图像、重合的顺序、各图像的透过率等，基于所选择的内容，产生重叠图像。
或，图像处理部54可将布局图像P1与OBIC图像P2排列显示于显示设备7的显示器上。该情形下，图像处理部54在通过经由鼠标等的输入设备6的操作员的操作，将光标对准布局图像P1及OBIC图像P2的一图像上的任意的位置时，可基于匹配信息，在与一图像上的光标位置对应的另一图像上的位置显示另一光标。通过如此的并列表示，操作员也可容易掌握布局图像P1与OBIC图像P2的对应关系。
另外，图像处理部54可基于匹配信息，进行通过对于半导体器件10的故障解析而确定出的故障位置与布局图像P1上的位置的认定、或对于半导体器件10的探测的位置的设定。例如，图像处理部54通过半导体检查装置1具备的未图标的测试器，对半导体器件10施加特定的电信号的测试图案、特定的电压、或特定的电流，且以未图示的摄像部拍摄因半导体器件10的故障而产生的发热或发光。如上述那样由摄像部拍摄到的发热图像或发光图像中所示的故障位置(反应位置)的坐标被作为OBIC图像P2的坐标(即，半导体检查装置1的动作控制用的坐标)而掌握。因而，图像处理部54通过使用匹配信息，而可确定布局图像P1上的故障位置。此外，故障解析方法不限定于特定的方法。例如，作为故障解析方法，除了上述的发热解析或发光解析以外，也可使用OBIRCH(Optical Beam Induced ResistanceCurrent，光束感应电阻电流)解析、SDL(Soft Defect Localization，软缺陷定位)解析、LADA(Laser Assisted Device Alteration，激光辅助器件修改)解析、EOFM(ElectroOptical Frequency Mapping，电光频率映像)解析等。
另外，可通过匹配信息，将布局图像P1上的任意的坐标转换为与该坐标对应的OBIC图像P2的坐标(即，半导体检查装置1的动作控制用的坐标)。即，可通过使用匹配信息，指定布局图像P1上的任意的坐标，由此，指定由半导体检查装置1进行的探测的位置。例如，图像处理部54经由显示设备7对操作员提示图标布局图像P1，且取得经由输入设备6由操作员指定的布局图像P1上的位置(坐标)。而后，图像处理部54通过基于匹配信息，将如上述那样取得的坐标转换为半导体检查装置1的动作控制用的坐标，而可设定由半导体检查装置1进行的探测的位置(例如，EOP(Electro Optical Probing，电光探测)解析时的探测的位置)。如以上所述那样，通过利用匹配信息，而可高精度地进行故障解析(布局图像上的故障位置的确定或探测位置的设定)。
控制部55控制计算机5的数据处理、及连接于计算机5的各器件(激光光源2、激光扫描部3、放大器4、输入设备6、显示设备7等)的动作。
其次，参照图10及图11，针对由半导体检查装置1执行的半导体检查方法的处理顺序的一例，进行说明。
在步骤S1中，半导体检查装置1(主要为激光光源2、激光扫描部3、及放大器4)通过对于半导体器件10扫描激光L，而就激光L的每一照射位置，取得表示与激光L的照射相应的半导体器件10的电信号的特性的特性信息(在本实施方式中为OBIC信号)。而后，半导体检查装置1(主要为第1产生部52)基于每一照射位置的特性信息，产生半导体器件10的第1图案图像(在本实施方式中为OBIC图像P2)(参照图5)。
在步骤S2中，半导体检查装置1(主要为第2产生部53)基于布局图像P1及电流路径信息，产生第2图案图像(在本实施方式中为模糊图像P5)。作为一例，第2产生部53如上述那样，基于布局图像P1及电流路径信息，产生框设定图像P3(参照图7)，根据框设定图像P3产生着色图像P4(参照图8)，根据着色图像P4产生模糊图像P5(参照图9)。此外，可早于步骤S1，执行步骤S2，也可并行执行步骤S1与步骤S2。
在步骤S3中，半导体检查装置1(主要为图像处理部54)基于第1图案图像(OBIC图像P2)与第2图案图像(模糊图像P5)的位置对准的结果，取得匹配信息。
在步骤S4中，半导体检查装置1(主要为图像处理部54)通过使用匹配信息，产生使第1图案图像(OBIC图像P2)与布局图像P1重叠的重叠图像P6。
在步骤S5中，半导体检查装置1(主要为图像处理部54)使用匹配信息，实施故障解析。例如，半导体检查装置1可如上述那样，进行通过对于半导体器件10的故障解析而确定出的故障位置与布局图像P1上的位置的认定、或对于半导体器件10的探测的位置的设定。此外，当实施步骤S5的处理时，未必必须实施产生步骤S4的重叠图像P6的处理，但通过产生重叠图像P6，并对操作员示出，而可提高实施故障解析的操作员的便利性。
[作用效果]
已知有照射于半导体器件10的光(例如激光)具有一定的扩展性，来自半导体器件10的反射光的半峰全幅值大于朝向半导体器件10的入射光的半峰全幅值(FWHM：fullwidth at half maximum)。此处，相对于基于反射光取得的光学图像的分辨率(解像度)依存于所观察的反射光的半峰全幅值，而不基于反射光的第1图案图像(OBIC图像P2)的分辨率依存于朝向半导体器件10的入射光的半峰全幅值。另外，光的半峰全幅值越小，则所获得的图像的分辨率越变小。因而，通过基于与光的照射相应的半导体器件10的电信号的特性(OBIC信号)，产生第1图案图像(OBIC图像P2)，而可获得较基于反射光取得的光学图像为高分辨率的图像。进而，可根据基于布局图像P1与半导体器件10的电流路径所获得的第2图案图像(模糊图像P5)与第1图案图像(OBIC图像P2)的位置对准的结果，获得第1图案图像(OBIC图像P2)与布局图像P1之间的精度较高的匹配信息。根据以上所述，根据上述的半导体检查装置1及半导体检查方法，可将从半导体器件10获得的第1图案图像(OBIC图像P2)与该半导体器件10的布局图像P1高精度地进行位置对准。其结果，可使通过故障解析而确定出的半导体器件10的故障位置显示于布局图像P1上、或通过指定布局图像P1上的位置，而容易地设定探测位置。
另外，第2产生部53可执行：第1处理，其基于电流路径信息，将半导体器件10中所含的扩散层11c的至少一部分及元件分离层11d1的至少一部分的至少一者(在本实施方式中为两者)加以分类，且对于布局图像P1中的扩散层11c的至少一部分及元件分离层11d1的至少一部分的至少一者，设定与分类相应的色彩；及第2处理，其基于由第1处理产生的着色图像P4，产生第2图案图像(模糊图像P5)。根据上述构成，根据基于电流路径信息而经着色的着色图像P4，可获得可高精度地进行与布局图像P1的位置对准的第2图案图像(模糊图像P5)。
另外，上述第2处理可包含对于着色图像P4的模糊处理。根据上述构成，通过模糊处理，可获得与第1图案图像(OBIC图像P2)相似的第2图案图像(模糊图像P5)。其结果，可获得可高精度地进行与第1图案图像(OBIC图像P2)的位置对准的第2图案图像(模糊图像P5)。
另外，上述第2处理可执行：通过使用示教数据的机器学习，学习着色图像P4的转换处理的处理，其中该示教数据包含学习用的着色图像P4、及与该学习用的着色图像P4对应的第1图案图像(OBIC图像P2)；及利用通过学习而决定的转换处理，将着色图像P4进行转换，由此产生第2图案图像(模糊图像P5)的处理。根据上述构成，通过基于机器学习的结果的转换处理，可获得与第1图案图像(OBIC图像P2)相似的第2图案图像(模糊图像P5)。其结果，可高精度地进行第1图案图像(OBIC图像P2)与第2图案图像(模糊图像P5)的位置对准。
另外，图像处理部54可执行：对用户示出第1图案图像(OBIC图像P2)及第2图案图像(模糊图像P5)的处理；及基于由用户指定的表示第1图案图像(OBIC图像P2)与第2图案图像(模糊图像P5)的对应关系的信息，取得匹配信息的处理。根据上述构成，可令使用者实施以目视进行的第1图案图像(OBIC图像P2)及第2图案图像(模糊图像P5)的位置对准。
另外，放大器4可取得相应于激光L向半导体器件10的照射而产生的光伏电流(OBIC)的测定值(OBIC信号)，作为特性信息。根据上述构成，可获得经设定与光伏电流的测定值相应的色调(深浅)的OBIC图像，作为第1图案图像。
[变化例]
以上，虽然针对本公开的一实施方式进行了说明，但本公开不限定于上述的实施方式。针对各构成的材料及形状不限定于上述的材料及形状，可采用各种材料及形状。
例如，虽然在上述实施方式中，利用通过对于着色图像P4进行模糊加工(或，通过转换模型进行的转换处理)而获得的模糊图像P5作为第2图案图像，但可利用着色图像P4作为第2图案图像。
另外，上述的取得匹配信息的处理可利用通过机器学习而学习到的位置对准处理而进行。例如，图像处理部54可预先执行通过使用示教数据的机器学习，而学习第1图案图像(OBIC图像P2)与第2图案图像(着色图像P4或模糊图像P5)的位置对准处理，其中该示教数据包含学习用的第1图案图像(OBIC图像P2)、与学习用的第1图案图像(OBIC图像P2)对应的第2图案图像(着色图像P4或模糊图像P5)、及这些图像的匹配结果(位置对准的结果)。例如，图像处理部54可预先制作具有与上述位置对准处理对应的参数(完成学习的参数)的完成学习的模型(以下为「位置对准模型」)，并存储于存储部51。位置对准模型例如为如下述那样构成的模型，即：通过使用上述的示教数据的机器学习，输入第1图案图像及第2图案图像，而输出这些位置对准的结果(例如，两图像的相互对应的3处以上的点的坐标等)。作为示教数据，例如，可使用通过对于在过去设为检查对象的半导体器件的处理而获得的OBIC图像、着色图像(或模糊图像)、及匹配结果的组合。
而且，图像处理部54可执行下述处理，即：利用通过上述学习而决定的位置对准处理，进行第1图案图像(OBIC图像P2)与第2图案图像(着色图像P4或模糊图像P5)的位置对准，由此取得表示第1图案图像(OBIC图像P2)与布局图像P1的相对关系的匹配信息。例如，图像处理部54可取得通过朝位置对准模型输入第1图案图像及第2图案图像而自位置对准模型输出的结果，作为这些图像的位置对准的结果。而且，图像处理部54可基于如上述那样获得的位置对准的结果，取得匹配信息。位置对准模型例如为由神经网络、深层学习(Deeplearning，深度学习)建构的多层神经网络等。作为位置对准模型的例，为CNN(Convolutional Neural Network，卷积神经网络)、FCN(Fully Convolutional Networks，全卷积网络)、U-Net、ResNet(Residual Network，残差网络)等。但是，位置对准模型不限定于特定的模型。另外，位置对准模型的节点数及层数也可任意地设定。根据上述构成，通过基于机器学习的结果的位置对准处理，可高精度地进行第1图案图像与第2图案图像的位置对准。另外，在使用着色图像P4作为第2图案图像的情形下，在操作员的目视或先前的图案匹配等的方法中，位置对准的精度有可能降低。另一方面，通过使用上述的位置对准模型，而即便在使用着色图像P4作为第2图案图像的情形下，也可期待高精度地进行第1图案图像与第2图案图像的位置对准。即，在使用上述的位置对准模型的情形下，可确保位置对准的精度，且省略根据着色图像P4产生模糊图像P5的处理。
参照图12～图15，针对用于取得OBIC信号的构成例(第1构成例～第5构成例)，进行说明。
(第1构成例)
图12为显示第1构成例的概略图。在该例中，半导体器件10被分成电源电压互不相同的多个区块BR。构成为区块BR1由电源VDD1施加第1电压，区块BR2由电源VDD2施加第2电压。该情形下，在对于区块BR1的区域扫描激光L而取得OBIC信号时，只要将放大器4的一端子4a(与连接于接地VSS的侧的端子4b为相反侧的端子)连接于与电源VDD1对应的封装基板12的端子12a即可。另一方面，在对于区块BR2的区域扫描激光L而取得OBIC信号时，只要将放大器4的一端子4a连接于与电源VDD2对应的封装基板12的端子12a即可。
(第2构成例)
图13为显示第2构成例的概略图。如图13所示，上述的半导体器件10(半导体芯片11及封装基板12)可经由托座15搭载于印刷基板等的板16。该情形下，放大器4的端子4a、4b可连接于设置于板16的电源端子及接地端子。
(第3构成例)
图14的(A)为显示第3构成例的概略图。如图14的(A)所示，在将电源VDD及接地VSS直接连接于半导体芯片11内的情形下，只要如例如图13所示那样将放大器4的端子4a、4b连接于电源VDD及接地VSS，不施加偏压，监视相应于激光L的照射而流通的电流IDD的变化(即，OBIC信号)即可。通过不施加偏压，而可尽量减小噪声成分，可容易进行OBIC信号的测定(识别)。
(第4构成例)
图14的(B)为显示第4构成例的概略图。如图14的(B)所示，在将MOS开关SW设置于接地VSS的情形下，通过将半导体器件10设定为待机状态，而将接地VSS连接于外部。在该状态下，可检测到于一定水平(level)的泄漏电流中伴有OBIC信号的电流变化。此外，图14的(B)的左侧的图为将实际的构成简略化而图示的图，实际上，通过控制开关的电路，切换MOS(晶体管T)的导通/关断。另外，放大器4为了检测微小电流，而可由微分电路构成。该情形下，可检测电流的变化量。即，在OBIC信号大于噪声成分的情形下，可忽视噪声成分等的偏移(offset)。
(第5构成例)
图15为显示第5构成例的概略图。在该例中，在半导体器件10设置有电源管理电路(PMC：power management circuit)C。电源管理电路C构成为调整自电源VDD供给的电压，将经调整的电源电压(VDD1，VDD2)供给至半导体器件10的各区块BR(参照图12)。在如此的情形下，为了取得于朝与电源电压(VDD1)对应的区块BR照射激光L时产生的OBIC信号，而必须对供给电源电压(VDD1)的电源线WDD1进行存取。为此，在该例中，在半导体基板11A的背面11b，形成有自背面11b到达设置于配线层11B的电源线WDD1的开口部11e。在开口部11e，配置通过例如FIBCVD等的FIB加工而形成的由绝缘体构成的绝缘部17、及同样通过FIB加工而形成的由金属构成的垫18。垫18的内侧(配线层11B侧)的前端部与电源线WDD1连接，垫18的外侧的表面露出于开口部11e。绝缘部17形成为覆盖垫18的周围。垫18的外侧的表面连接有用于测定电源线WDD1中流通的电流的探针PR的前端。如此，对于自电源管理电路C分支之后的电源线WDD1，通过经由露出于半导体基板11A的背面11b侧的垫18进行探测，而可测定电源线WDD1中流通的电流。此外，通常，在区块BR(参照图12)的外缘部，设置与该区块BR对应的较宽幅的电源线。该情形下，上述的开口部11e只要形成于该外缘部即可。
另外，第1图案图像不限定于OBIC图像。作为第1图案图像，可使用通过使相应于来自半导体基板11A的背面11b的光照射(光刺激)观测到的电信号的特性图像化而获得的任意的图像。
【符号说明】
1…半导体检查装置，2…激光光源(光源)，3…激光扫描部(扫描部)，4…放大器(测定部)，10…半导体器件，11A…半导体基板，11a…主面，11b…背面，11c,11c1,11c2…扩散层，11d…绝缘层，11d1…元件分离层，52…第1产生部，53…第2产生部，54…图像处理部(处理部)，L…激光(光)，P1…布局图像，P2…OBIC图像(第1图案图像)，P4…着色图像(第2图案图像)，P5…模糊图像(第2图案图像)，P6…重叠图像，T…晶体管。

Claims (22)

1.一种半导体检查方法，其包括：
通过对半导体器件扫描光，对所述光的每一照射位置，取得表示与所述光的照射相应的所述半导体器件的电信号的特性的特性信息，基于所述每一照射位置的所述特性信息，产生所述半导体器件的第1图案图像；
基于表示所述半导体器件的布局的布局图像与表示所述半导体器件的电流路径的电流路径信息，产生所述半导体器件的第2图案图像的步骤；及
基于所述第1图案图像与所述第2图案图像的位置对准的结果，取得表示所述第1图案图像与所述布局图像的相对关系的匹配信息。
2.如权利要求1的半导体检查方法，其中，
产生所述第2图案图像的步骤包括：
第1处理，将所述半导体器件中所含的扩散层的至少一部分及元件分离层的至少一部分的至少一者基于所述电流路径信息进行分类，且对所述布局图像中的所述扩散层的至少一部分及所述元件分离层的至少一部分的至少一者，设定与所述分类相应的色彩；及
第2处理，其基于由所述第1处理产生的着色图像，产生所述第2图案图像。
3.如权利要求2所述的半导体检查方法，其中，
所述第2处理包括对于所述着色图像的模糊处理。
4.如权利要求2所述的半导体检查方法，其中，
所述第2处理包括：
通过使用示教数据的机器学习，学习所述着色图像的转换处理，该示教数据包含学习用的所述着色图像、及与所述学习用的着色图像对应的所述第1图案图像；及
使用通过所述学习而决定的所述转换处理将所述着色图像进行转换，由此产生所述第2图案图像。
5.如权利要求1至4中任一项所述的半导体检查方法，其中，
取得所述匹配信息的步骤包括：
对用户提示所述第1图案图像及所述第2图案图像；及
基于由所述使用者指定的表示所述第1图案图像与所述第2图案图像的对应关系的信息，取得所述匹配信息。
6.如权利要求1至4中任一项所述的半导体检查方法，其中，
取得所述匹配信息的步骤包括：
通过使用示教数据的机器学习，学习所述第1图案图像与所述第2图案图像的位置对准处理，该示教数据包含学习用的所述第1图案图像、与所述学习用的第1图案图像对应的所述第2图案图像、及这些图像的匹配结果；及
使用通过所述学习而决定的所述位置对准处理，进行所述第1图案图像与所述第2图案图像的位置对准，由此取得所述匹配信息。
7.如权利要求1至6中任一项所述的半导体检查方法，其进一步包括：
基于所述匹配信息，产生使所述布局图像与所述第1图案图像重叠的重叠图像。
8.如权利要求1至7中任一项所述的半导体检查方法，其进一步包括：
基于所述匹配信息，进行通过对所述半导体器件的故障解析而确定出的故障位置与所述布局图像上的位置的认定、或对所述半导体器件的探测位置的设定。
9.如权利要求1至8中任一项所述的半导体检查方法，其中，
在产生所述第1图案图像的步骤中，取得相应于向所述半导体器件照射光而产生的光伏电流的测定值作为所述特性信息。
10.如权利要求9所述的半导体检查方法，其中，
所述半导体器件具有半导体基板，该半导体基板具有形成有晶体管的主面、及与所述主面为相反侧的背面，
在产生所述第1图案图像的步骤中，对所述半导体基板的所述背面，照射自所述背面向所述主面侧透过的所述光，
所述光具有比所述半导体基板的材料的带隙高的能量。
11.如权利要求9所述的半导体检查方法，其中，
所述半导体器件具有半导体基板，该半导体基板具有形成有晶体管的主面、及与所述主面为相反侧的背面，
在产生所述第1图案图像的步骤中，对所述半导体基板的所述背面，照射自所述背面向所述主面侧透过的作为脉冲光的所述光，
所述光具有比所述半导体基板的材料的带隙低的能量。
12.一种半导体检查装置，其具备：
光源；
扫描部，其对于半导体器件扫描来自所述光源的光；
测定部，其与所述半导体器件电连接，对所述光的每一照射位置，测定与所述光的照射相应的所述半导体器件的电信号的特性；
第1产生部，其基于表示由所述测定部测定出的所述每一照射位置的所述电信号的特性的特性信息，产生所述半导体器件的第1图案图像；
第2产生部，其基于表示所述半导体器件的布局的布局图像与表示所述半导体器件的电流路径的电流路径信息，产生所述半导体器件的第2图案图像；及
处理部，其基于所述第1图案图像与所述第2图案图像的位置对准的结果，取得表示所述第1图案图像与所述布局图像的相对关系的匹配信息。
13.如权利要求12所述的半导体检查装置，其中，
所述第2产生部执行：
第1处理，将所述半导体器件中所含的扩散层的至少一部分及元件分离层的至少一部分的至少一者基于所述电流路径信息进行分类，且对所述布局图像中的所述扩散层的至少一部分及所述元件分离层的至少一部分的至少一者，设定与所述分类相应的色彩；及
第2处理，其基于由所述第1处理产生的着色图像，产生所述第2图案图像。
14.如权利要求13所述的半导体检查装置，其中，
所述第2处理包括对于所述着色图像的模糊处理。
15.如权利要求13所述的半导体检查装置，其中，
所述第2处理执行：
通过使用示教数据的机器学习，学习所述着色图像的转换处理，该示教数据包含学习用的所述着色图像、及与所述学习用的着色图像对应的所述第1图案图像；及
使用通过所述学习而决定的所述转换处理将所述着色图像进行转换，由此产生所述第2图案图像。
16.如权利要求12至15中任一项所述的半导体检查装置，其中，
所述处理部执行：
对用户提示所述第1图案图像及所述第2图案图像；及
基于由所述使用者指定的表示所述第1图案图像与所述第2图案图像的对应关系的信息，取得所述匹配信息。
17.如权利要求12至15中任一项所述的半导体检查装置，其中，
所述处理部执行：
通过使用示教数据的机器学习，学习所述第1图案图像与所述第2图案图像的位置对准处理，该示教数据包含学习用的所述第1图案图像、与所述学习用的第1图案图像对应的所述第2图案图像、及这些图像的匹配结果；及
使用通过所述学习而决定的所述位置对准处理，进行所述第1图案图像与所述第2图案图像的位置对准，由此取得所述匹配信息。
18.如权利要求12至17中任一项所述的半导体检查装置，其中，
所述处理部基于所述匹配信息，产生使所述布局图像与所述第1图案图像重叠的重叠图像。
19.如权利要求12至18中任一项所述的半导体检查装置，其中，
所述处理部基于所述匹配信息，进行通过对所述半导体器件的故障解析而确定出的故障位置与所述布局图像上的位置的认定、或对所述半导体器件的探测位置的设定。
20.如权利要求12至19中任一项所述的半导体检查装置，其中，
所述测定部取得相应于向所述半导体器件照射光而产生的光伏电流的测定值作为所述特性信息。
21.如权利要求20所述的半导体检查装置，其中，
所述半导体器件具有半导体基板，该半导体基板具有形成有晶体管的主面、及与所述主面为相反侧的背面，
所述扫描部对所述半导体基板的所述背面，扫描自所述背面向所述主面侧透过的所述光，
所述光具有比所述半导体基板的材料的带隙高的能量。
22.如权利要求20的半导体检查装置，其中，
所述半导体器件具有半导体基板，该半导体基板具有形成有晶体管的主面、及与所述主面为相反侧的背面，
所述扫描部对所述半导体基板的所述背面，扫描自所述背面向所述主面侧透过的作为脉冲光的所述光，
所述光具有比较所述半导体基板的材料的带隙低的能量。
CN202180041063.XA 2020-06-08 2021-03-31 半导体检查方法及半导体检查装置 Pending CN115699281A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-099463 2020-06-08
JP2020099463 2020-06-08
PCT/JP2021/013840 WO2021250984A1 (ja) 2020-06-08 2021-03-31 半導体検査方法及び半導体検査装置

Publications (1)

Publication Number Publication Date
CN115699281A true CN115699281A (zh) 2023-02-03

Family

ID=78509540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180041063.XA Pending CN115699281A (zh) 2020-06-08 2021-03-31 半导体检查方法及半导体检查装置

Country Status (5)

Country Link
US (1) US20230206422A1 (zh)
EP (1) EP4131350A4 (zh)
JP (1) JP6966668B1 (zh)
KR (1) KR20230021669A (zh)
CN (1) CN115699281A (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004146428A (ja) * 2002-10-22 2004-05-20 Renesas Technology Corp 故障解析方法
JP2007000306A (ja) 2005-06-23 2007-01-11 Yoshiko Amano 物干しハンガー
JP2009186319A (ja) * 2008-02-06 2009-08-20 Fujitsu Microelectronics Ltd 欠陥検査方法および欠陥検査装置
CN105849882B (zh) * 2013-12-26 2019-04-30 浜松光子学株式会社 图像处理方法、图像处理装置、图像处理程序及存储有图像处理程序的存储介质
KR101664405B1 (ko) 2014-02-20 2016-10-10 김일희 자가 발전형 에스컬레이터 손잡이 청소기
US10605859B2 (en) * 2016-09-14 2020-03-31 Qualcomm Incorporated Visible alignment markers/landmarks for CAD-to-silicon backside image alignment
JP6865044B2 (ja) * 2017-01-19 2021-04-28 浜松ホトニクス株式会社 検査方法、検査装置、及びマーキング形成方法
US10282510B2 (en) * 2017-04-07 2019-05-07 Fei Company Alignment of CAD data to images in high resolution optical fault analysis
JP7158224B2 (ja) * 2018-09-26 2022-10-21 浜松ホトニクス株式会社 半導体デバイス検査方法及び半導体デバイス検査装置

Also Published As

Publication number Publication date
EP4131350A4 (en) 2024-05-08
JPWO2021250984A1 (zh) 2021-12-16
EP4131350A1 (en) 2023-02-08
JP6966668B1 (ja) 2021-11-17
US20230206422A1 (en) 2023-06-29
KR20230021669A (ko) 2023-02-14

Similar Documents

Publication Publication Date Title
JP6718534B2 (ja) 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体
CN111564384B (zh) 检查装置及检查方法
JP7033225B2 (ja) 検査方法、検査装置、及びマーキング形成方法
KR100402044B1 (ko) 비파괴 검사 방법
Aaron Falk Advanced LIVA/TIVA Techniques
JP2006024774A (ja) 半導体デバイスの故障診断方法と装置
WO2021166496A1 (ja) 半導体故障解析装置及び半導体故障解析方法
WO2021250984A1 (ja) 半導体検査方法及び半導体検査装置
JP6966668B1 (ja) 半導体検査方法及び半導体検査装置
JP2010197051A (ja) 故障解析装置
TW202101292A (zh) 半導體檢查方法及半導體檢查裝置
JP2006047294A (ja) 半導体素子解析方法
JP2006337203A (ja) 位置出し方法と装置
KR20120084837A (ko) 웨이퍼 맵 생성 방법
JP2008286658A (ja) 半導体検査装置及びそれを用いた半導体検査方法
WO2020246149A1 (ja) 半導体検査装置及び半導体検査方法
Keow et al. Logic circuit failure analysis & micro-probing on floating signal net
JP2013083537A (ja) 半導体装置の不良解析方法ならびに不良解析装置および不良解析プログラム
Sienkiewcz et al. Methodology to support laser-localized soft defects on analog and mixed-mode advanced ICs
JP2013120075A (ja) 故障解析装置および故障解析方法ならびにスクリーニングテスト装置およびスクリーニングテスト方法
Firiti et al. Thermal laser stimulation effects on NMOS transistor
JP2012079939A (ja) 解析装置、解析方法、及び半導体装置の製造方法
JP2012234907A (ja) 半導体素子の検査方法

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