CN115711900A - 一种基于神经网络的晶圆测试检测方法 - Google Patents
一种基于神经网络的晶圆测试检测方法 Download PDFInfo
- Publication number
- CN115711900A CN115711900A CN202211513044.5A CN202211513044A CN115711900A CN 115711900 A CN115711900 A CN 115711900A CN 202211513044 A CN202211513044 A CN 202211513044A CN 115711900 A CN115711900 A CN 115711900A
- Authority
- CN
- China
- Prior art keywords
- image
- combined
- standard
- images
- difference
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000012360 testing method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 235000012431 wafers Nutrition 0.000 claims description 81
- 230000001537 neural effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005215 recombination Methods 0.000 description 4
- 230000006798 recombination Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请提供了一种基于神经网络的晶圆测试检测方法,涉及晶圆检测领域,包括如下步骤:对标准晶圆进行分层扫描,获得扫描标准图像并发送给计算机进行处理,获矩阵化组合化标准图像;对待测晶圆进行分层扫描,获得扫描待测图像并处理获得矩阵化组合化待测图像;用矩阵化组合化标准图像作为检测依据对矩阵化组合化待测图像进行检测,获得检测矩阵化组合化图像;对检测矩阵化组合化图像进行去矩阵化,获得检测组合化图像;对检测组合化图像进行差异筛选,获得差异筛选组合化图像;对差异筛选组合化图像进行去组合化,获得差异筛选图像;对差异筛选图像进行重组,获得重组图像并发送给绘图仪和显示器。本申请方法能够提高检测效率以及检测结果的可靠性。
Description
技术领域
本申请涉及晶圆检测技术领域,尤其涉及一种基于神经网络的晶圆测试检测方法。
背景技术
芯片是各种技术的硬件基础,在芯片的制造过程中,每道工序流程对晶圆的处理都可能会产生一些缺陷,这些缺陷可能会造成芯片无法正常工作,如果依靠人工检测缺陷,效率低下。而随着芯片尺寸的不断减小,芯片制造工艺越来越复杂,晶圆缺陷的种类和数量也越来越多,所以需要在芯片制造过程中快速的检测晶圆缺陷,从而及时分析影响芯片良率的因素。
发明内容
本申请提供一种基于神经网络的晶圆测试检测方法,用于提高晶圆检测效率。
本申请提供了一种基于神经网络的晶圆测试检测方法,包括如下步骤:
用扫描电镜对标准晶圆进行分层扫描,获得扫描标准图像a1、a2、…、an并发送给计算机进行处理;用计算机对扫描标准图像进行组合化,使各扫描标准图像由左至右且由上至下依次并排布置,获得组合化标准图像a1、a2、…、ajk,其中jk=n;对组合化标准图像进行矩阵化,获得j行k列的矩阵化组合化标准图像a11、a12、…、ajk,其中jk=n;
用扫描电镜对待测晶圆进行分层扫描,获得扫描待测图像b1、b2、…、bn并发送给计算机进行处理;用计算机对扫描待测图像进行组合化,使各扫描待测图像由左至右且由上至下依次并排布置,获得组合化待测图像b1、b2、…、bjk,其中jk=n;对组合化待测图像进行矩阵化,获得j行k列的矩阵化组合化待测图像b11、b12、…、bjk,其中jk=n;
用矩阵化组合化标准图像作为检测依据对矩阵化组合化待测图像进行检测,将矩阵化组合化待测图像与矩阵化组合化标准图像进行对比获得检测矩阵化组合化图像c11、c12、…、cjk,其中cpq包括apq和bpq,1≤p≤j,1≤q≤k;
对检测矩阵化组合化图像进行去矩阵化,使检测矩阵化组合化图像由左至右且由上至下依次并排布置,获得检测组合化图像c1、c2、…、cjk,其中ci包括ai和bi,1≤i≤jk;
对检测组合化图像进行差异筛选,判断ci中的ai和bi是否存在差异,若存在差异则保留ci,否则删除ci,获得差异筛选组合化图像;
对差异筛选组合化图像进行去组合化,使差异筛选组合化图像由上至下或由左至右并排布置,获得差异筛选图像;
对差异筛选图像进行重组,使cs中的as和bs并排布置,获得重组图像,将重组图像发送给绘图仪和显示器,其中1≤s≤n,as和bs存在差异。
在本申请的一些实施方式中,还包括:
在各晶圆上印刷标签进行编号,扫描电镜对各晶圆按编号排序依次进行扫描,用扫描的晶圆对应的编号对获得的重组图像进行标记。
在本申请的一些实施方式中,还包括:
用扫描电镜对多个标准晶圆进行分层扫描,获得多个扫描标准图像,并发送给计算机进行处理获得多个矩阵化组合化标准图像;用多个矩阵化组合化标准图像分别作为检测依据对矩阵化组合化待测图像依次进行检测、去矩阵化、差异筛选、去组合化,获得多个差异筛选组合化图像;
对多个差异筛选组合化图像进行通项筛选,筛选出每个差异筛选组合化图像中共同存在的序号对应的图像,获得通项筛选图像;
对通项筛选通项进行重组,获得重组图像。
在本申请的一些实施方式中,cs中的as为组合化标准图像中的任意一个。
在本申请的一些实施方式中,cs中包括多个或所有组合化标准图像中的as,bs以及所有as成线性并排布置。
在本申请的一些实施方式中,重组图像经过计算机放大后再发送给绘图仪和显示器。
在本申请的一些实施方式中,用计算机在as和bs中存在差异的位置进行标记。
在本申请的一些实施方式中,用计算机在矩阵化组合化标准图像以及矩阵化组合化待测图像上建立坐标系,根据坐标系获得as和bs中存在差异的位置坐标。
在本申请的一些实施方式中,坐标系包括主坐标系X0Y和副坐标系UOV,XOY用于对as和bs的行列序号进行定位,UOV用于对as和bs中存在差异的位置进行定位。
在本申请的一些实施方式中,对bs中存在差异的位置上的标记基于UOV标注坐标值。
本申请具有如下有益效果:
通过对标准晶圆和待测晶圆进行分层扫描,以标准晶圆的扫描图像作为检测依据,对待测晶圆的扫描图像进行检测,经过组合化、矩阵化、检测、去矩阵化、差异筛选、去组合化、重组处理,实现快速获得检测结果,提高检测效率以及检测结果的可靠性,并将重组图像打印存档以及在计算机中存档,作为审核依据以及神经网络模型的训练样本,为后续的检测提供支持。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例中基于神经网络的晶圆测试检测方法的流程示意图;
图2是本申请实施例中基于神经网络的晶圆测试检测方法的原理示意图;
图3是本申请实施例中获得矩阵化组合化标准图像的原理示意图;
图4是本申请实施例中获得矩阵化组合化待测图像的原理示意图;
图5是本申请实施例中获得检测矩阵化组合化图像的原理示意图;
图6是本申请实施例中获得重组图像的原理示意图;
图7是本申请实施例中多个标准晶圆作为依据时获得多个差异筛选组合化图像的原理示意图;
图8是本申请实施例中多个标准晶圆作为依据时获得重组图像的原理示意图;
图9是本申请实施例中UOV坐标系以及差异位置标记的结构示意图。
具体实施方式
下面结合附图和实施例对本申请的实施方式作进一步详细描述,本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
如图1至图6所示,本申请的实施例提供了一种基于神经网络的晶圆测试检测方法,包括如下步骤:
用扫描电镜对标准晶圆进行分层扫描,获得扫描标准图像a1、a2、…、an并发送给计算机进行处理;用计算机对扫描标准图像进行组合化,使各扫描标准图像由左至右且由上至下依次并排布置,获得组合化标准图像a1、a2、…、ajk,其中jk=n;对组合化标准图像进行矩阵化,获得j行k列的矩阵化组合化标准图像a11、a12、…、ajk,其中jk=n;
用扫描电镜对待测晶圆进行分层扫描,获得扫描待测图像b1、b2、…、bn并发送给计算机进行处理;用计算机对扫描待测图像进行组合化,使各扫描待测图像由左至右且由上至下依次并排布置,获得组合化待测图像b1、b2、…、bjk,其中jk=n;对组合化待测图像进行矩阵化,获得j行k列的矩阵化组合化待测图像b11、b12、…、bjk,其中jk=n;
用矩阵化组合化标准图像作为检测依据对矩阵化组合化待测图像进行检测,将矩阵化组合化待测图像与矩阵化组合化标准图像进行对比获得检测矩阵化组合化图像c11、c12、…、cjk,其中cpq包括apq和bpq,1≤p≤j,1≤q≤k;
对检测矩阵化组合化图像进行去矩阵化,使检测矩阵化组合化图像由左至右且由上至下依次并排布置,获得检测组合化图像c1、c2、…、cjk,其中ci包括ai和bi,1≤i≤jk;
对检测组合化图像进行差异筛选,判断ci中的ai和bi是否存在差异,若存在差异则保留ci,否则删除ci,获得差异筛选组合化图像;
对差异筛选组合化图像进行去组合化,使差异筛选组合化图像由上至下或由左至右并排布置,获得差异筛选图像;
对差异筛选图像进行重组,使cs中的as和bs并排布置,获得重组图像,将重组图像发送给绘图仪和显示器,其中1≤s≤n,as和bs存在差异。
通过本实施例的上述实施方式,扫描电镜对晶圆由浅至深逐层扫描,对标准晶圆的扫描层数以及层深与对待测晶圆扫描的层数和层深相同,扫描结果发送给计算机,由计算机进行处理(包括上述实施方式所述的组合化、矩阵化、检测、去矩阵化、差异筛选、去组合化、重组),处理后得到重组图像,将重组图像发送给绘图仪(或者打印机)和显示器,显示器优选采用与计算机连接的显示器,实现了对待测晶圆进行快速检测;检测人员通过显示器观察重组图像,在确认处理结果可靠时则通过与计算机连接的绘图仪进行打印存档,同时对计算机中的处理结果进行存档,将存档打包后由审核人员进行审核,经过检测人员的初步确认以及审核人员的再次审核,存档记录的检测结果更加可靠,根据存档记录的检测结果在待测晶圆分拣程序过程中将不合格的待测晶圆筛除掉,相对于现有技术中人工检测而言,提高了检测效率以及检测结果的可靠性。将待测晶圆以及标准晶圆的各层扫描的图像以矩形阵列的方式并排布置,使矩阵化组合化标准图像和矩阵化组合化待测图像排布结构上完全相同,以便于计算机对两者进行对比,经过组合后,计算机只需要对两张图像进行对比,而不需对各层图像进行逐一对比,提高了计算效率。对比方式可采用图像识别也可以采用堆叠求差的方式(堆叠求差的方式类似于Photoshop软件中的图层的差值运算)。图像识别则采用神经网络模型进行识别,神经网络模型由多个不合格的待测晶圆的图像经过训练获得,神经网络模型中存在多种不合格待测晶圆的缺陷特征,识别过程中,将各缺陷特征对待测晶圆的各层图像进行匹配,若匹配到缺陷特征,则说明待测晶圆对应层存在缺陷,判定为该待测晶圆不合格。训练神经网络模型的样本可采用历史上的检测数据,也可以采用上述的档案数据,实现每次检测到缺陷后将缺陷特征加入到样本中,扩大缺陷特征的样本容量,提高图像识别的准确度。
在本实施例的一些实施方式中,还包括:
在各晶圆上印刷标签进行编号,扫描电镜对各晶圆按编号排序依次进行扫描,用扫描的晶圆对应的编号对获得的重组图像进行标记。
结合图7至图9所示,在本实施例的一些实施方式中,还包括:
用扫描电镜对多个标准晶圆进行分层扫描,获得多个扫描标准图像,并发送给计算机进行处理获得多个矩阵化组合化标准图像;用多个矩阵化组合化标准图像分别作为检测依据对矩阵化组合化待测图像依次进行检测、去矩阵化、差异筛选、去组合化,获得多个差异筛选组合化图像;
对多个差异筛选组合化图像进行通项筛选,筛选出每个差异筛选组合化图像中共同存在的序号对应的图像,获得通项筛选图像;
对通项筛选通项进行重组,获得重组图像。
在本实施例的一些实施方式中,cs中的as为组合化标准图像中的任意一个。
在本实施例的一些实施方式中,cs中包括多个或所有组合化标准图像中的as,bs以及所有as成线性并排布置。
在本实施例的一些实施方式中,重组图像经过计算机放大后再发送给绘图仪和显示器。
在本实施例的一些实施方式中,用计算机在as和bs中存在差异的位置进行标记。
在本实施例的一些实施方式中,用计算机在矩阵化组合化标准图像以及矩阵化组合化待测图像上建立坐标系,根据坐标系获得as和bs中存在差异的位置坐标。
在本实施例的一些实施方式中,坐标系包括主坐标系X0Y和副坐标系UOV,XOY用于对as和bs的行列序号进行定位,UOV用于对as和bs中存在差异的位置进行定位。
在本实施例的一些实施方式中,对bs中存在差异的位置上的标记基于UOV标注坐标值,如图9中的bs上存在缺陷位置标记圆圈并用引线引出该位置的坐标值(u,v),as中也在对应位置标记圆圈。
应当理解,本实施例中的“用计算机”可以是人工操控计算机,也可以是计算机中的程序自动执行实现对图像数据的处理,以及发送给绘图仪和显示器。
为了便于理解本实施例的方案,结合图2至图9提供一下实施示例:
对标准晶圆和待测晶圆分为4层进行逐层扫描,获得扫描标准图像a1、a2、a3、a4,获得扫描待测图像b1、b2、b3、b4;组合化处理获得组合化标准图像和组合化待测图像,再经过矩阵化处理获得矩阵化组合化标准图像a11、a12、a21、a22,获得矩阵化组合化待测图像b11、b12、b21、b22;经过检测处理获得检测矩阵化组合化图像c11、c12、c21、c22,c11包括a11和b11,c12包括a12和b12,c21包括a21和b21,c22包括a22和c22;经过去矩阵化之后获得检测组合图像c1、c2、c3、c4,c1包括a1和b1,c2包括a2和b2,c3包括a3和b3,c4包括a4和b4;经过图像识别后能够判断出c1、c2、c3、c4中哪些存在差异,假设c2、c3和c4存在差异,即a2与b2之间存在差异,a3与b3之间存在差异,a4与b4之间存在差异,则保留c2、c3和c4,删除c1,获得差异筛选组合化图像c2、c3、c4;差异筛选组合化图像的排布方式未经改变,经过去组合化后,形成线芯排布的布置形式,获得差异筛选图像;差异筛选图像中的c2包括a2和b2,c3包括a3和b3,c4包括a4和b4,a2和b2、a3和b3、a4和b4的未处于并排布置形式,经过重组后,使a2和b2并排布置、a3和b3并排布置、a4和b4并排布置,并且a2和b2、a3和b3、a4和b4并排布置后再成线性并排布置(如图5所示);结合图7所示,使用多个标准晶圆作为依据对待测晶圆进行检测时,以3个标准晶圆为例,标准晶圆1和待测晶圆经过处理1(第1次处理)获得差异筛选组合化图像1,标准晶圆2和待测晶圆经过处理2(第2次处理)获得差异筛选组合化图像2,标准晶圆3与待测晶圆经过处理3(第3次处理)获得差异筛选组合化图像3;结合图8所示,3个差异筛选组合化图像经过通向筛选处理获得通项筛选图像,经过通项筛选有助于避免单个标准晶圆作为依据获得的检测结果不可靠的情况,理论上而言作为依据的标准晶圆的数量越多,检测结果的可靠性越高,例如标准晶圆1作为依据的a2与b2存在差异而标准晶圆2和/或标准晶圆3作为依据的a2与b2不存在差异,则过滤掉c2,标准晶圆2和/或标准晶圆3作为依据的a4与b4存在差异而标准晶圆1作为依据的a4与b4不存在差异,则过滤掉c4,标准晶圆1、标准晶圆2、标准晶圆3作为依据的a3与b3均存在差异,则保留c3作为通项筛选图像,经过重组获得重组图像a3和b3。如图9所示,通过建立的坐标系,能够快速的将待测晶圆上的差异位置与标准晶圆上的差异位置进行对应,便于在显示器行进行确认以及后续的审核。
以上实施例仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本申请的实施方式做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
Claims (10)
1.一种基于神经网络的晶圆测试检测方法,其特征在于,包括如下步骤:
用扫描电镜对标准晶圆进行分层扫描,获得扫描标准图像a1、a2、…、an并发送给计算机进行处理;用计算机对扫描标准图像进行组合化,使各扫描标准图像由左至右且由上至下依次并排布置,获得组合化标准图像a1、a2、…、ajk,其中jk=n;对组合化标准图像进行矩阵化,获得j行k列的矩阵化组合化标准图像a11、a12、…、ajk,其中jk=n;
用扫描电镜对待测晶圆进行分层扫描,获得扫描待测图像b1、b2、…、bn并发送给计算机进行处理;用计算机对扫描待测图像进行组合化,使各扫描待测图像由左至右且由上至下依次并排布置,获得组合化待测图像b1、b2、…、bjk,其中jk=n;对组合化待测图像进行矩阵化,获得j行k列的矩阵化组合化待测图像b11、b12、…、bjk,其中jk=n;
用矩阵化组合化标准图像作为检测依据对矩阵化组合化待测图像进行检测,将矩阵化组合化待测图像与矩阵化组合化标准图像进行对比获得检测矩阵化组合化图像c11、c12、…、cjk,其中cpq包括apq和bpq,1≤p≤j,1≤q≤k;
对检测矩阵化组合化图像进行去矩阵化,使检测矩阵化组合化图像由左至右且由上至下依次并排布置,获得检测组合化图像c1、c2、…、cjk,其中ci包括ai和bi,1≤i≤jk;
对检测组合化图像进行差异筛选,判断ci中的ai和bi是否存在差异,若存在差异则保留ci,否则删除ci,获得差异筛选组合化图像;
对差异筛选组合化图像进行去组合化,使差异筛选组合化图像由上至下或由左至右并排布置,获得差异筛选图像;
对差异筛选图像进行重组,使cs中的as和bs并排布置,获得重组图像,将重组图像发送给绘图仪和显示器,其中1≤s≤n,as和bs存在差异。
2.根据权利要求1所述的一种基于神经网络的晶圆测试检测方法,其特征在于,还包括:
在各晶圆上印刷标签进行编号,扫描电镜对各晶圆按编号排序依次进行扫描,用扫描的晶圆对应的编号对获得的重组图像进行标记。
3.根据权利要求1所述的一种基于神经网络的晶圆测试检测方法,其特征在于,还包括:
用扫描电镜对多个标准晶圆进行分层扫描,获得多个扫描标准图像,并发送给计算机进行处理获得多个矩阵化组合化标准图像;用多个矩阵化组合化标准图像分别作为检测依据对矩阵化组合化待测图像依次进行检测、去矩阵化、差异筛选、去组合化,获得多个差异筛选组合化图像;
对多个差异筛选组合化图像进行通项筛选,筛选出每个差异筛选组合化图像中共同存在的序号对应的图像,获得通项筛选图像;
对通项筛选通项进行重组,获得重组图像。
4.根据权利要求3所述的一种基于神经网络的晶圆测试检测方法,其特征在于,cs中的as为组合化标准图像中的任意一个。
5.根据权利要求3所述的一种基于神经网络的晶圆测试检测方法,其特征在于,cs中包括多个或所有组合化标准图像中的as,bs以及所有as成线性并排布置。
6.根据权利要求1所述的一种基于神经网络的晶圆测试检测方法,其特征在于,重组图像经过计算机放大后再发送给绘图仪和显示器。
7.根据权利要求1至6任一项所述的一种基于神经网络的晶圆测试检测方法,其特征在于,用计算机在as和bs中存在差异的位置进行标记。
8.根据权利要求7所述的一种基于神经网络的晶圆测试检测方法,其特征在于,用计算机在矩阵化组合化标准图像以及矩阵化组合化待测图像上建立坐标系,根据坐标系获得as和bs中存在差异的位置坐标。
9.根据权利要求8所述的一种基于神经网络的晶圆测试检测方法,其特征在于,坐标系包括主坐标系X0Y和副坐标系UOV,XOY用于对as和bs的行列序号进行定位,UOV用于对as和bs中存在差异的位置进行定位。
10.根据权利要求9所述的一种基于神经网络的晶圆测试检测方法,其特征在于,对bs中存在差异的位置上的标记基于UOV标注坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513044.5A CN115711900A (zh) | 2022-11-30 | 2022-11-30 | 一种基于神经网络的晶圆测试检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513044.5A CN115711900A (zh) | 2022-11-30 | 2022-11-30 | 一种基于神经网络的晶圆测试检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115711900A true CN115711900A (zh) | 2023-02-24 |
Family
ID=85235358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513044.5A Pending CN115711900A (zh) | 2022-11-30 | 2022-11-30 | 一种基于神经网络的晶圆测试检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115711900A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997002465A1 (en) * | 1995-06-30 | 1997-01-23 | Ultrapointe Corporation | Method for characterizing defects on semiconductor wafers |
CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
CN111239152A (zh) * | 2020-01-02 | 2020-06-05 | 长江存储科技有限责任公司 | 晶圆检测方法、装置和设备 |
CN111564382A (zh) * | 2020-04-08 | 2020-08-21 | 中国科学院微电子研究所 | 晶圆检测装置及检测方法 |
CN112461838A (zh) * | 2019-09-09 | 2021-03-09 | 芯恩(青岛)集成电路有限公司 | 晶圆缺陷检测装置及方法 |
CN112529873A (zh) * | 2020-12-09 | 2021-03-19 | 深圳市芯汇群微电子技术有限公司 | 一种基于art神经网络的晶圆缺陷检测方法 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
US20210192116A1 (en) * | 2019-12-23 | 2021-06-24 | Synopsys, Inc. | Net-based wafer inspection |
CN113488414A (zh) * | 2021-07-06 | 2021-10-08 | 长鑫存储技术有限公司 | 晶圆生产监控方法、系统与电子设备 |
CN114140425A (zh) * | 2021-11-30 | 2022-03-04 | 上海华力集成电路制造有限公司 | 一种针对晶背缺陷的检测方法 |
CN114503155A (zh) * | 2019-10-01 | 2022-05-13 | 科磊股份有限公司 | 控制样本检验的工艺 |
WO2022100139A1 (zh) * | 2020-11-10 | 2022-05-19 | 长鑫存储技术有限公司 | 晶圆测试机台的侦测方法及侦测装置 |
-
2022
- 2022-11-30 CN CN202211513044.5A patent/CN115711900A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997002465A1 (en) * | 1995-06-30 | 1997-01-23 | Ultrapointe Corporation | Method for characterizing defects on semiconductor wafers |
CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
CN112461838A (zh) * | 2019-09-09 | 2021-03-09 | 芯恩(青岛)集成电路有限公司 | 晶圆缺陷检测装置及方法 |
CN112561849A (zh) * | 2019-09-26 | 2021-03-26 | 长鑫存储技术有限公司 | 晶圆缺陷检测方法 |
CN114503155A (zh) * | 2019-10-01 | 2022-05-13 | 科磊股份有限公司 | 控制样本检验的工艺 |
US20210192116A1 (en) * | 2019-12-23 | 2021-06-24 | Synopsys, Inc. | Net-based wafer inspection |
CN111239152A (zh) * | 2020-01-02 | 2020-06-05 | 长江存储科技有限责任公司 | 晶圆检测方法、装置和设备 |
CN111564382A (zh) * | 2020-04-08 | 2020-08-21 | 中国科学院微电子研究所 | 晶圆检测装置及检测方法 |
WO2022100139A1 (zh) * | 2020-11-10 | 2022-05-19 | 长鑫存储技术有限公司 | 晶圆测试机台的侦测方法及侦测装置 |
CN112529873A (zh) * | 2020-12-09 | 2021-03-19 | 深圳市芯汇群微电子技术有限公司 | 一种基于art神经网络的晶圆缺陷检测方法 |
CN113488414A (zh) * | 2021-07-06 | 2021-10-08 | 长鑫存储技术有限公司 | 晶圆生产监控方法、系统与电子设备 |
CN114140425A (zh) * | 2021-11-30 | 2022-03-04 | 上海华力集成电路制造有限公司 | 一种针对晶背缺陷的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9037280B2 (en) | Computer-implemented methods for performing one or more defect-related functions | |
EP3005412B1 (en) | Systems and methods for automatically verifying correct die removal from film frames | |
US5345514A (en) | Method for inspecting components having complex geometric shapes | |
CN110579479A (zh) | 一种基于假点缺陷检测的pcb检修系统及检修方法 | |
WO2000014790A1 (fr) | Systeme d'inspection et procede de production d'un dispositif electronique l'utilisant | |
JP2002071575A (ja) | 欠陥検査解析方法および欠陥検査解析システム | |
JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
JP2014021973A (ja) | 画像処理装置 | |
EP2212909B1 (en) | Patterned wafer defect inspection system and method | |
CN104916559A (zh) | 结合实体坐标的位失效侦测方法 | |
CN105478364B (zh) | 一种不良品检测分类方法及系统 | |
KR20210105335A (ko) | 반도체 시편에서의 결함들의 분류 | |
US7760930B2 (en) | Translation engine of defect pattern recognition | |
CN109596639A (zh) | 缺陷检测系统及缺陷检测方法 | |
CN115711900A (zh) | 一种基于神经网络的晶圆测试检测方法 | |
US10068786B1 (en) | Data structures for semiconductor die packaging | |
KR102367310B1 (ko) | 반도체 시편에서 결함들을 분류하는 방법 및 그 시스템 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
WO2005093819A1 (ja) | 処理装置、表示方法および表示プログラム | |
CN101685786B (zh) | 用光学显微镜自动检测硅片周边去边及缺陷的方法 | |
JP4136109B2 (ja) | 電子デバイス検査システム | |
JP4538205B2 (ja) | 検査データの解析プログラム、検査データ解析装置 | |
US6764866B1 (en) | System and method for qualifying multiple device under test (DUT) test head | |
TW200935045A (en) | Method and system for evaluating contact elements | |
US20240202909A1 (en) | Method and device for detecting word line shorts in memory device |
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 |