CN117529803A - 用于主动良率管理的制造指纹 - Google Patents
用于主动良率管理的制造指纹 Download PDFInfo
- Publication number
- CN117529803A CN117529803A CN202280043596.6A CN202280043596A CN117529803A CN 117529803 A CN117529803 A CN 117529803A CN 202280043596 A CN202280043596 A CN 202280043596A CN 117529803 A CN117529803 A CN 117529803A
- Authority
- CN
- China
- Prior art keywords
- wafer
- defect
- data
- tool
- manufacturing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 203
- 230000007547 defect Effects 0.000 claims abstract description 297
- 238000000034 method Methods 0.000 claims abstract description 179
- 238000007689 inspection Methods 0.000 claims abstract description 147
- 230000008569 process Effects 0.000 claims abstract description 109
- 238000012800 visualization Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 235000012431 wafers Nutrition 0.000 claims description 435
- 239000000523 sample Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 20
- 238000003909 pattern recognition Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000005530 etching Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000000151 deposition Methods 0.000 description 4
- 230000008021 deposition Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013079 data visualisation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- KJLLKLRVCJAFRY-UHFFFAOYSA-N mebutizide Chemical compound ClC1=C(S(N)(=O)=O)C=C2S(=O)(=O)NC(C(C)C(C)CC)NC2=C1 KJLLKLRVCJAFRY-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005240 physical vapour deposition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
用于改进晶圆制造的系统及方法。可以在制造工艺中的各个点对晶圆进行检查,以生成检查数据。可以使用检查数据和在制晶圆数据来识别缺陷模式和导致晶圆缺陷的工具和/或工艺。可以将检查数据堆叠以形成虚拟晶圆图,这些虚拟晶圆图将信号放大以更容易地检测模式。还可以通过机器学习模型接收人工缺陷可视化作为输入来识别缺陷模式和工具和/或工艺。
Description
技术领域
本申请于2022年4月20日作为PCT国际专利申请提交,并要求于2021年4月20日提交的美国临时专利申请序列号63/177,377和于2021年10月5日提交的美国临时专利申请序列号63/252,281的权益和优先权,这些临时专利申请的全部公开内容通过援引以其全文并入本文。
本公开涉及半导体部件生产以及缺陷和良率管理。
背景技术
半导体晶圆是作为形成半导体芯片或其他类型的集成电路(IC)的一部分而进行生产或制造的。最终IC的部件可以通过一系列制造步骤并入到晶圆中。这些制造步骤可以包括将薄膜层添加到晶圆上的沉积步骤。然后,可以用光刻胶涂覆晶圆,并且可以使用光刻技术将掩模版的电路图案投射到晶圆上。然后,可以进行刻蚀工艺。本领域技术人员将理解额外的制造步骤。在每个制造步骤,执行制造步骤的工具都可能会在晶圆上造成缺陷或瑕疵。
正是关于这些和其他的一般考虑,才有了本文中所公开的方面。此外,尽管可能讨论了相对具体的问题,但是应当理解,这些示例不应局限于解决在本公开的背景技术或其他部分中认定的具体问题。
发明内容
本公开的示例描述了用于改进晶圆制造的系统及方法。在一个方面,该技术涉及一种用于识别导致晶圆缺陷的工具或工艺的方法。如本文所使用的,晶圆缺陷是晶圆中或晶圆上的物理缺陷。该方法包括:在晶圆上执行制造工艺的至少一个制造工具加工该晶圆之后,通过由检查装置检查该晶圆以识别该晶圆中的缺陷;基于由该检查工艺生成的检查数据,生成晶圆图;以及使用从在制晶圆(WIP)数据生成的指纹库对晶圆图执行空间模式识别(SPR)操作,其中,该SPR操作的输出包括以下各项中的至少一项的标识:导致缺陷的制造工具、制造工艺、检查装置或检查工艺。
如本文所使用的,术语“检查数据”可以包括从相应工艺中生成的检查测试数据、计量测试数据和/或电气测试数据中的一项或多项。
在示例中,SPR的输出包括缺陷的类型。
在另一个示例中,制造工具是生产线中的制造工具。
在另一个示例中,晶圆图被表示为数据而不是图像,该数据表示所识别的缺陷的位置。
在另一个示例中,晶圆图是从已经由相同工具加工的多个晶圆的晶圆图生成的堆叠式虚拟晶圆图。
在进一步的示例中,该方法进一步包括:提供晶圆图的图像作为经训练的机器学习模型的输入;由经训练的机器学习模型处理图像,以生成输出;以及基于来自机器学习模型的输出,生成在晶圆图中表示的缺陷的类型的指示。
在进一步的示例中,该方法进一步包括基于输出,生成导致缺陷的工具和工艺中的至少一者的指示。
在另一个示例中,该方法进一步包括:基于对在第一制造设施中加工的晶圆的第一多个晶圆图和第一在制晶圆(WIP)数据的分析,生成至少一个识别的指纹模式,其中,该第一WIP数据包括与第一多个晶圆图相对应的晶圆的工艺数据和工具数据;以及将所生成的至少一个指纹模式存储到指纹库中。
在再一个示例中,执行SPR操作包括将晶圆图与指纹库中的指纹模式进行比较。
在又一个示例中,该方法进一步包括:基于对在第二制造设施中加工的晶圆的第二多个晶圆图和第二WIP数据的分析,生成另一个识别的指纹模式;以及将另一个识别的指纹模式存储在指纹库中。
在再又一个示例中,指纹库存储在能够由第一制造设施中的第一计算装置和第二制造设施中的第二计算装置访问的基于云的服务器中。
在另一个方面,该技术涉及一种用于识别导致晶圆缺陷的工具或工艺的系统。该系统包括至少一个处理器;以及存储器,该存储器存储:指纹库;以及指令,这些指令在由至少一个处理器执行时使系统执行操作。这些操作包括:从第一制造设施接收在第一制造设施处制造的第一晶圆的第一晶圆图;基于第一晶圆图和指纹库,提供以下各项中的至少一项的第一标识:第一制造设施中的制造工具、在第一制造设施中执行的制造工艺、第一制造设施中的检查装置、或在第一制造设施中执行的导致第一晶圆的缺陷的检查工艺。
在示例中,这些操作进一步包括:从第二制造设施接收在第二制造设施处制造的晶圆的第二晶圆图;以及基于第二晶圆图和指纹库,提供对以下各项中的至少一项的第二标识:第二制造设施中的制造工具、在第二制造设施中执行的制造工艺、第二制造设施中的检查装置、或在第二制造设施中执行的导致第二晶圆的缺陷的检查工艺。
在示例中,这些操作进一步包括:从第一制造设施接收从相同制造步骤的晶圆检查数据生成的附加晶圆图;基于第一晶圆图和所接收到的附加晶圆图来生成堆叠式虚拟晶圆图;并且第一标识基于堆叠式虚拟晶圆图。
在另一个示例中,这些操作进一步包括:生成堆叠式虚拟晶圆图的人工缺陷可视化;将缺陷可视化作为输入提供给经训练的机器学习模型;以及由经训练的机器学习模型处理输入,以生成指示第一标识的输出。
在又另一个示例中,这些操作进一步包括向第一制造设施发送第一标识的通知;以及向第二制造设施发送第二标识的通知。
在另一个方面,该技术涉及一种用于识别导致晶圆上缺陷的工具或工艺的方法。该方法包括:在制造工艺中的加工步骤获取第一晶圆的第一检查数据;在制造工艺中的加工步骤获取第二晶圆的第二检查数据;将第一检查数据和第二检查数据叠加组合以形成堆叠式虚拟晶圆图;以及基于堆叠式虚拟晶圆图,标识缺陷类型和以下各项中的至少一项的标识:导致第一晶圆或第二晶圆中的至少一个晶圆的缺陷的工具和工艺。
在示例中,第一晶圆和第二晶圆来自不同的晶圆批次。
在另一个示例中,检查数据包括缺陷数据、晶圆探针数据或计量数据中的至少一项。
在再一个示例中,第一晶圆和第二晶圆由相同的制造工具加工。
在又另一个示例中,该方法进一步包括使用从在制晶圆(WIP)数据生成的指纹库对虚拟晶圆图执行空间模式识别(SPR)操作,其中,该SPR操作的输出包括缺陷类型和标识。
在再又一个示例中,该方法进一步包括:从堆叠式虚拟晶圆图生成缺陷可视化;将缺陷可视化作为输入提供给经训练的机器学习模型;以及由经训练的机器学习模型处理输入,以生成指示缺陷类型和标识的输出。
在进一步的示例中,输入还包括形成堆叠式虚拟晶圆图的晶圆的WIP数据。
在另一个方面,一种用于识别导致晶圆缺陷的工具或工艺的系统包括:至少一个处理器;以及存储器,该存储器存储指令,这些指令在由至少一个处理器执行时使该系统使用显示装置生成包括图表部分和图像部分的图形界面,该图表部分包括表示晶圆缺陷数据的图表,其中,从该图表中选择晶圆缺陷数据的子集使该图形界面在图像部分中显示与该晶圆缺陷数据的子集相对应的一个或多个晶圆缺陷图的一个或多个图像。
提供本发明内容以便以简化形式介绍一系列概念的选集,这些概念将在下面的具体实施方式中进一步描述。本发明内容不旨在标识所要求保护的主题的关键特征或基本特征,也不旨在用于限制所要求保护的主题的范围。示例的附加方面、特征和/或优点将部分地在下面的描述中进行阐述,并且将部分地从该描述中变得明显,或者可以通过本公开的实践而习知。
附图说明
参考以下附图描述了非限制性和非穷举性示例。
图1A描绘了示例晶圆制造系统。
图1B描绘了示例分布式系统。
图2描绘了示例计算装置。
图3描绘了示例缺陷图。
图4描绘了示例堆叠式虚拟晶圆图。
图5描绘了使用机器学习模型识别导致晶圆上的一个或多个缺陷的工具或工艺的示例。
图6描绘了用于识别导致晶圆上的一个或多个缺陷的工具或工艺的示例方法。
图7描绘了由图2的计算装置生成的示例图形用户界面。
图8描绘了图7的图形用户界面的一部分的放大视图。
具体实施方式
如上文所讨论的,在晶圆制造期间,晶圆会经历许多由各种工具执行的工艺步骤。工具或一些其他因素(比如在工艺期间人为处理晶圆)可能会导致一种或多种晶圆缺陷,比如划痕或不需要的材料的沉积。为了识别这些缺陷,可以在制造工艺的不同阶段使用各种检查工具对晶圆进行检查。在检查晶圆时,将缺陷连同缺陷的位置一起记录,以作为缺陷数据。这些缺陷可以视觉地被表示为晶圆的缺陷图,该缺陷图示出晶圆的代表性图像上的缺陷和缺陷的位置。
基于缺陷数据以及在一些示例中基于其他检查数据,可以根据缺陷模式来确定缺陷类型。识别缺陷类型的模式识别工艺被称为空间模式识别(SPR)。SPR通常涉及生成特征向量和/或将缺陷模式与模式库进行比较。然而,目前的SPR技术仅识别缺陷类型(例如,划痕),但是这些SPR技术却不识别缺陷的任何根本原因,比如在用于制造晶圆的特定制造线中是哪个制造工艺或工具导致了缺陷。而是,工程师必须花时间来分析工艺和模式,以找出哪里出了问题,这可能需要大量的时间。此外,在工程师尝试着对根本原因进行标识的同时,晶圆会继续经历生产工艺,并且导致缺陷的工具也在继续操作并在晶圆上执行工艺。因此,可能会有更多的晶圆被故障工具损坏,并且继续加工已经损坏的晶圆也会浪费更多的资源。
本技术提供了一种模式识别系统,该模式识别系统不仅会识别缺陷类型,还会识别导致缺陷的特定工具或工艺。例如,当在SPR下分析晶圆缺陷图时,最终结果会指示可能导致缺陷的工具和/或工艺。
从某种意义上来说,工具在执行相应工艺时会在晶圆上留下缺陷“指纹”。为了能够识别导致缺陷的工具或工艺,可以基于所识别的模式以及关于已经在晶圆上执行过的工具和工艺的数据来构建模式库。该库可以被称为“指纹库”。有关应用于晶圆的工具和工艺的数据可以被称为在制晶圆(WIP)数据。可以基于WIP数据和检查数据(比如晶圆的缺陷图中的缺陷数据、晶圆的探针数据和/或晶圆的计量数据)来自动识别指纹库的新模式。
在一些情况下,缺陷模式可能会不清晰,这使得模式识别变得困难。为了帮助缓解这一问题,本技术能够将该模式放大,以允许更好地进行模式识别。例如,本技术能够将由相同工具加工的多个晶圆的缺陷图或晶圆图进行“堆叠”。例如,可以将由该工具加工的一组晶圆的所有缺陷加在一起,并表示在单个晶圆图中,这被称为堆叠式虚拟晶圆图。然后,可以将该堆叠式虚拟晶圆图用于如上文所讨论的SPR以及根本原因(例如,导致缺陷的工艺和/或工具)的识别。其他类型的检查数据(比如探针数据和计量数据)也可以以类似的方式堆叠。
另外,当前的SPR技术利用晶圆图的底层数据(例如,文本文件)来执行SPR操作,该底层数据比如为KLARF文件中的数据。例如,晶圆图基于指示缺陷的x、y坐标的底层数据,并且SPR操作是使用该数据文件而非晶圆图的图像作为输入来执行的。然而,本技术可以利用人工缺陷可视化来识别可能已经导致缺陷的工具和/或工艺,而不是利用底层数据。例如,可以将该人工缺陷可视化提供给经训练的神经网络(比如卷积神经网络),以识别缺陷类型和导致产生缺陷的工具或工艺。可以从探针数据和/或计量数据生成附加可视化,并以类似的方式进行使用。
有助于以上特征的网络架构还可以包括云计算环境,该云计算环境允许从多个不同的源增强和更新指纹库。例如,可以收集来自多个制造设施的数据,并可以生成能够存储在指纹库中的新模式和根本原因。然后,新客户可以通过基于云的接口或API来访问经增强和更新的指纹库。进一步地,基于云的服务器可以接收来自制造设施的实时检查数据,生成堆叠式虚拟晶圆图,并识别导致缺陷的工具和/或工艺。
图1A描绘了示例晶圆制造系统100。制造系统100可以包括用于制造晶圆的多条制造线,比如第一制造线102和第二制造线104。制造线102、104中的每一条可以包括多个制造工具。例如,第一制造线102可以包括1到N个制造工具,比如第一制造工具108、第二制造工具110、第三制造工具112、以及第N-1制造工具114和第N制造工具116,其中,N是大于1的整数。类似地,第二制造线104可以包括第一制造工具128、第二制造工具130、第三制造工具132、第N-1制造工具134和第N制造工具136。这些制造工具可以包括在晶圆制造工艺中使用的各种类型的制造工具,比如氧化系统、外延反应器、扩散系统、离子注入设备、物理气相沉积系统、化学气相沉积系统、光刻设备和刻蚀设备以及其他类型的工具。虽然在第一制造线102和第二制造线104中仅描绘了五个制造工具,但可以利用更少或更多的制造工具。也可以执行更少或更多的制造步骤,在一些示例中,包括数百个制造或加工步骤。
第一晶圆106可以通过穿行第一制造线104来制造。制造工具108、110、112、114和116中的每一个可以在第一晶圆106上执行工艺步骤。在一些示例中,第一晶圆106可以由相同制造工具加工多于一次。例如,可以在第一晶圆106上执行多个沉积、光刻和/或刻蚀步骤。晶圆及其相应的步骤可以用以下命名法来表示:WA,B,其中,A表示晶圆编号,并且B表示晶圆的加工阶段。在所描绘的示例中,第一晶圆106在第一加工步骤之后由W1,1表示。在第二加工步骤之后,第一晶圆106可以由W1,2表示。
在第一晶圆106上执行一个或多个加工步骤之后,由一组晶圆检查工具118中的一个或多个晶圆检查工具来检查第一晶圆106。检查工具118可以至少包括第一检查工具120和第二检查工具122。第一检查工具120和第二检查工具122可以是相同或不同类型的检查工具。检查工具118可以包括如光学检测系统等检查工具,其捕获晶圆的图像和/或对晶圆执行其他光学或电气测试以识别缺陷。检查工具118可以利用图像捕获、明场照明、暗场照明或其组合来进行缺陷检测。检查工具118还可以利用电子束(EB)成像。也可以利用自动光学检查(AOI)缺陷和晶圆探针缺陷检查工具。本领域技术人员将认识到更多的检查技术和检查工具类型。作为一些特定的非限制性示例,这些检查工具可以包括来自马萨诸塞州威尔明顿的Onto Innovations的各种检查工具,比如Firefly系统、Dragonfly G3系统、NovusEdge系统、F30系统、EB30模块、NSX 330系统和/或AWX FSI系统以及来自其他实体的提供类似功能的检查工具。检查工具118还可以包括计量工具和/或晶圆探针工具。计量工具和/或晶圆工具可以与其他类型的检查工具组合。计量工具可以检查晶圆,以确定或测量晶圆的特性,比如层厚度、涂层特性和/或关键尺寸以及本领域技术人员将理解的其他特性。晶圆探针工具对晶圆上的管芯执行电气测试。探针测试的结果可以是被测管芯中的每一个的通过/未通过指示。
由检查工具118生成的晶圆数据通常可以被称为检查数据,其可以包括缺陷数据、晶圆探针数据和计量数据。例如,检查工具118对第一晶圆106上的缺陷和缺陷的位置进行识别,以生成缺陷数据。缺陷数据包括缺陷的位置,并且在一些示例中包括关于缺陷的附加细节(例如,大小、表面上、进入表面等)。缺陷数据可以存储为数据数组或矩阵。缺陷数据可以以各种文件类型进行存储,比如基于ASCII的文件或KLARF文件格式。如本文进一步讨论的,还可以使用缺陷数据来生成缺陷图(晶圆图的一种形式)。
检查工具118还可以生成指示每个被测管芯是否通过探针测试的晶圆探针数据。类似地,该晶圆探针数据可以被表示为指示管芯的位置以及管芯是否通过探针测试的晶圆图(称为探针图)。值得注意的是,探针测试是在管芯级进行的,而缺陷检查可以在更小的尺度上进行。例如,可以在晶圆图中检测和/或表示单个管芯中的多个缺陷。
检查工具118还可以生成计量数据,比如层厚度、涂层特性和/或关键尺寸以及本领域技术人员将理解的其他特性。计量数据还可以在晶圆图上视觉地被表示为所测量特性的梯度。例如,可以在晶圆图中表示晶圆的厚度梯度。
除由检查工具118捕获到的检查数据外,还可以由制造系统100生成或捕获所制造的每个晶圆的在制晶圆(WIP)数据。WIP数据包括关于加工晶圆的工具以及由每个工具执行的工艺步骤的数据。另外,WIP数据还可以包括检查每个晶圆的检查工具和由该检查工具执行的检查类型。因此,每个晶圆的WIP数据表示该晶圆在制造工艺中的任一点处的制造历史。在一些示例中,WIP数据还可以包括制造工具和/或检查工具的设置和/或维护记录。
第二制造线104可以用于制造第二晶圆(W2)126。第二晶圆由制造工具128、130、132、134和136进行加工。在一个或多个制造步骤之后,可以由检查工具118检查第二晶圆126,并且可以由检查工具118生成第二晶圆126的检查数据。另外,可以生成第二晶圆126的WIP数据。第二晶圆126的WIP数据指示已对第二晶圆126进行加工的特定制造工具128、130、132、134、136和特定检查工具118。因此,因为第一晶圆106是由与加工第二晶圆126的制造工具128、130、132、134、136不同的制造工具108、110、112、114、116(它们可能包括相同类型的工具)进行加工的,所以即使对于旨在以相同方式进行制造的晶圆,第二晶圆126的WIP数据也不同于第一晶圆106的WIP数据。例如,WIP数据可以包括加工晶圆的确切工具,而不仅仅是加工晶圆的工具类型。第二晶圆126的WIP数据还指示用于检查第二晶圆的特定检查工具118,这些特定检查工具可以包括与用于检查第一晶圆106的检查工具118相同或不同的检查工具118。虽然仅描绘了第一晶圆106和第二晶圆126,但是应当理解,可以由制造工具108、110、112、114、116和制造工具128、130、132、134、136制造许多晶圆。可以生成每个经加工的晶圆或经加工的晶圆的子集的检查数据和WIP数据。
模式检测装置124可以包括在制造系统100中。模式检测装置124可以是收集或接收经加工的晶圆的检查数据和WIP数据的计算装置,比如服务器。模式检测装置124可以容纳在制造设施之内,也可以容纳在制造设施之外,比如基于云的服务器。如本文进一步讨论的,模式检测装置124基于检查数据和WIP数据来识别模式。例如,基于检查数据和WIP数据,模式检测装置124能够识别与特定工具和/或加工步骤(比如制造或检查步骤)相对应的缺陷模式。因为对应的缺陷模式是由对应的工具或工艺在晶圆上留下的标记或指纹,所以这些模式可以被称为“指纹”。因此,每个指纹模式可以具有对应的工具或工艺。指纹模式可以包括对应的工具或工艺,以及从缺陷数据、计量数据和/或晶圆探针数据中提取到的特征或模式。在一些示例中,缺陷数据、计量数据和/或晶圆探针数据的组合可以提供工具或工艺的不能单独从缺陷数据中辨识出的鲜明特征或指纹。可以通过各种方法来生成指纹模式和对应的工具和/或工艺,这些方法包括基于输入数据识别未知分类的无监督机器学习技术或模型。在这种示例中,无监督机器学习模型的输入数据可以包括多个晶圆的缺陷数据和WIP数据。
在一些示例中,不是在每个制造步骤之后都会执行检查。例如,如果有100个制造步骤,则可以在制造工艺中仅每5个步骤、每10个步骤或每20个步骤进行一次检查。因此,在该步骤所生成的检查数据或缺陷数据指示的是在检查点之前发生的所有步骤。然而,仍然可以基于该数据来推断哪个或哪些工具最有可能产生特定缺陷模式。例如,如果在制造步骤0至10之后进行一次检查,则在该点出现的缺陷类型必定是由于制造步骤0到10中的一个或多个制造步骤和/或执行这些步骤的工具(和/或检查装置或检查工艺)造成的。如果在步骤10至20之后执行一次检查,那么在该点出现的缺陷类型可能是由于制造步骤10至20中的一个或多个制造步骤造成的,前提是在步骤10之后获取到的检查数据中不存在该缺陷类型。然而,可能的是,在步骤10之后进行的检查不够灵敏,无法检测到形成该缺陷类型的缺陷。在这种情况下,制造步骤0至10之一可能才是导致只能在制造步骤20之后才识别出的缺陷类型的原因。换言之,不能完全排除将制造步骤0至10作为导致制造步骤20之后所检测到的缺陷类型的根本原因。
考虑到可能不会在每个制造步骤之后都执行检查,并且某些检查可能不够灵敏,无法检测到特定的缺陷类型,所生成的指纹模式可以是基于制造步骤和/或制造工具导致缺陷类型的可能性被指配给这些制造步骤和/或制造工具的概率或分数。这种分数可以基于较大的数据集来生成。例如,如果在紧邻检查之前的10个步骤(使用上面的示例)中使用了特定类型的工具或工艺的情况下,特定缺陷类型出现得最频繁,则可以为该工具或工艺指配更高的概率或分数。因此,指纹库中的模式可以与多个工具或步骤相关联,每个工具或步骤都具有指配的分数或概率。可以基于所生成的WIP数据和缺陷图来自动生成根本原因的模式和相关性。
一旦由模式检测装置124识别出指纹模式,就可以将这些指纹模式存储到指纹库125中,该指纹库可以是与模式检测装置124通信的数据库。指纹库125可以存储在用作模式检测装置124的计算装置的存储器中。在其他示例中,指纹库125可以存储在远离模式检测装置124的存储器中。因此,一旦识别出缺陷模式,就可以将该模式与指纹库中的指纹模式进行比较。
模式检测装置124还可以对单个晶圆的实时数据进行操作,以在制造工艺中的任一点处确定导致晶圆上缺陷的工艺或工具。例如,可以在生成特定晶圆的检查数据的每个(或任一)点处,将该检查数据提供给模式检测装置124。然后,模式检测装置124基于该检查数据来确定导致晶圆上缺陷的特定工具和/或工艺。模式检测装置124可以利用SPR技术来识别模式,然后针对指纹库125中的指纹模式使用查找或查询方法。在指纹库包括具有与缺陷类型或模式相对应的指配分数或概率的多个可能工具和/或步骤的示例中,如果特定晶圆的WIP数据中并不存这些可能的工具和/或步骤,则该WIP数据可以用来排除这些可能的工具和/或步骤。
模式检测装置124还可以利用一个或多个经训练的机器学习模型。例如,经训练的机器学习模型的输入可以是晶圆的检查数据。在一些情况下,输入数据还可以包括晶圆的WIP数据。机器学习模型的输出可以是缺陷类型和/或导致缺陷的特定工具和/或工艺。
经训练的机器学习模型可以是基于指纹库125中存储的指纹模式和对应的工具和/或工艺而被训练的。例如,就训练而言,将指纹模式(和/或具有这些指纹模式的缺陷图或晶圆)用作输入,而输出或真值则是对应的工具和/或工艺。在一些示例中,训练输入还包括WIP数据,并且输出包括缺陷类型。因此,经训练的机器学习模型能够基于晶圆的检查数据的输入来预测导致缺陷的工具和/或工艺。
一旦识别出根本原因,就可以通过通知、消息或经由仪表板来提供所识别或预测的工具和/或步骤。因此,工程师可以更快地看到最有可能导致缺陷的工具和/或步骤。然后可以改变排程和制造工艺。例如,可以改变晶圆的线路,使得在修复或调整工具之后才使用该工具。因此,晶圆可能会被所识别的工具或工艺步骤毁坏,并且晶圆的总良率可以在总体上得到改进。例如,在某些情况下,某些重要的缺陷类型直到对最终晶圆执行电探针测试之时才能被识别出,因此必须丢弃和报废该晶圆中的部分。利用本技术,可以更早地识别出缺陷类型,更早地调整特定工具,并且最终需要丢弃或报废的晶圆会更少。
图1B描绘了示例分布式系统150。分布式系统150包括与服务器140通信的多个制造设施142至149。更具体地,制造设施142至149中的每一个制造设施内的一个或多个计算装置可以与服务器140通信。
服务器140可以是基于云的基础设施的一部分。例如,服务器140可以包括多个计算装置或部件,这些计算装置或部件可以运行虚拟机以提供本文所描述的功能和操作。服务器140可以包括或者是模式检测装置124。服务器140的存储器可以存储指纹库125,并且可以访问模式检测装置124。
制造设施142、143、144、145、146、147、148、149中的每一个可以包括一条或多条制造线,比如上文所讨论的制造线102、104。这些制造线可以包括制造晶圆的制造工具和检查晶圆的检查工具。制造设施142、143、144、145、146、147、148、149(以下统称为142至149)中的每一个可以经由如因特网等网络与服务器140通信。制造设施142至149可以将数据传送到服务器140并从服务器140接收数据。所传送的数据可以包括由相应的制造设施142至149加工的晶圆的检查数据和WIP数据。例如,第一制造设施142可以传送关于由第一制造设施142加工的晶圆的检查数据和WIP数据,并且第二制造设施143可以传送关于由第二制造设施143加工的晶圆的检查数据和WIP数据。
模式检测装置124可以基于从制造设施142至149接收到的WIP数据和检查数据来生成指纹模式。通过具有来自多个设施的附加数据,模式检测装置124可以能够更好地识别特定工具的指纹模式。
制造设施142至149中的每一个可以访问存储在服务器140中的指纹库125。例如,指纹库可以是基于来自多个制造设施142至149的数据的具有鲁棒性的指纹库125。因此,指纹库125具有的数据可以比基于仅来自单个制造设施的数据的任何单独指纹库好。
制造设施142至149还可以访问模式检测装置124。例如,第一制造设施142可以上传一个或多个晶圆的检查数据和/或WIP数据,以由基于云的服务器140中的模式检测装置124进行处理。模式检测装置124处理所接收到的检查数据和/或WIP数据,并返回包括缺陷类型和/或导致缺陷的工具和/或工艺的结果。该结果可以通过各种方式传输到制造设施。例如,可以经由通知或其他消息类型的形式的电子消息来传输结果。还可以经由仪表板或可经由如因特网等网络连接来访问的其他类似的接口来传输结果。
图2描绘了可以与本技术一起使用的示例计算装置202。计算装置202可以是服务器和/或执行本文所讨论的操作(比如模式识别操作和指纹库生成操作)的其他计算装置。在一些示例中,计算装置202被配置为生成动态图形用户界面(比如图7至图8中所示的动态图形用户界面),并且经由这种界面接收输入并响应于该输入来提供输出。计算装置202可以包括计算部件206。计算部件206包括至少一个处理器208、以及存储器204。取决于确切的配置,存储器204(存储有模式检测指令和执行本文所公开的操作的指令以及其他内容)可以是易失性的(比如RAM)、非易失性的(比如ROM、闪速存储器等)或两者的某种组合。例如,存储器204还可以存储有当被(多个)处理器208执行时生成并执行图7至图8的图形用户界面的功能的指令。进一步地,服务器202还可以包括存储装置(可移除210和/或不可移除212),这些存储装置包括但不限于固态装置、磁盘、光盘或磁带。进一步地,计算装置202还可以具有如触摸屏、键盘、鼠标、笔、语音输入端等(多个)输入装置216;和/或如显示器、扬声器、打印机等(多个)输出装置214。在一些示例中,经由(多个)输入装置216来提供图7至图8的图形用户界面的用户输入,并且经由如显示器等(多个)输出装置214来提供图形用户界面和响应于输入的进一步输出。还可以将如局域网(LAN)、广域网(WAN)、点对点、蓝牙、RF等一个或多个通信连接218并入到计算装置202中。
图3描绘了示例缺陷图302。示例缺陷图302包括多个缺陷指示符304。缺陷指示符304指示单个缺陷的位置。缺陷指示符304还可以具有颜色或其他显示特征,该颜色或其他显示特征指示关于特定缺陷的附加细节,比如缺陷的强度、缺陷的大小、缺陷是否在晶圆的表面上和/或缺陷是否进入晶圆的表面。这种关于特定的个体缺陷的细节可以被称为个体缺陷属性或细节。
缺陷可以以缺陷分组306形成在晶圆上。缺陷分组306可以形成不同的模式,比如由SPR和本文所讨论的技术所识别的模式。在图3所示的示例缺陷图302中,所识别的缺陷分组306指示划痕。例如,从缺陷分组306中可以看出,形成了看起来像是划痕的线或曲线。基于与示例晶圆图302相对应的晶圆的WIP数据,得知产生划痕的一组工具和/或工艺。使用本文所公开的技术,可以识别出产生划痕的特定工具和/或工艺。
图4描绘了示例堆叠式虚拟晶圆图416。在一些情况下,单个晶圆图中的缺陷模式可能会不清晰,这使得模式识别变得困难。为了帮助缓解这一问题,本技术能够将该模式放大,以允许更好地进行模式识别。例如,本技术能够将由相同的工具或一组工具加工的多个晶圆的缺陷图或晶圆图进行“堆叠”。例如,可以将由该工具加工的一组晶圆的所有缺陷加在一起,并表示在单个晶圆图中,这被称为堆叠式虚拟晶圆图。
如图4所描绘的,获取或接收一组晶圆图402。晶圆图402包括第一晶圆图404、第二晶圆图406、第三晶圆图408、第四晶圆图410、第五晶圆图412和第六晶圆图414。虽然描绘的是一组晶圆图402中包括六个晶圆图,但是应当理解,该组晶圆图402中可以包括更少或更多数量的晶圆图。例如,在一些示例中,该组晶圆图402可以包括至少10个、20个或100个晶圆图。
该组晶圆图402可以仅包括来自每个相应晶圆的特定制造阶段的晶圆图。例如,在制造线中的特定制造阶段,可以对晶圆进行检查,并且可以生成该时间点处的晶圆图。该组晶圆图402由在该制造阶段或时间点生成且由相同的工具加工的所有晶圆图组成。可以基于由特定工具或工艺加工的晶圆来选择该组晶圆图402。因此,如果指纹是由制造线中的特定工具留下的,则由该工具加工的所有(或许多)晶圆都应该具有该指纹,尽管在某些情况下是不清晰的。
值得注意的是,用于生成虚拟晶圆图416的该组晶圆图402可以来自不同的批次。例如,来自单个批次的晶圆可能还未经过所有相同的工具和/或步骤。作为一些背景,在最初制造晶圆时,硅可以形成硅锭。将硅锭切割成薄晶圆。将这些晶圆中的若干个(例如,15个至20个)储存在一个晶圆盒中,其被称为一个批次。通常对各批次一起进行分析,但在本技术中,这种集中分析可能帮助没那么大。
将该组晶圆图402叠加组合以形成堆叠式虚拟晶圆图416。例如,将来自该组晶圆图402中的晶圆图404、406、408、410、412、414中的每一个晶圆图的缺陷加在单个晶圆图中,这被称为堆叠式虚拟晶圆图416。虚拟晶圆图416包括指示来自该组晶圆图402的所组合缺陷的位置的多个缺陷指示符418。缺陷指示符的位置指示缺陷的位置。缺陷指示符418的颜色(或其他显示指示符(例如,灰度阴影))可以指示该组晶圆图402中的该特定位置处的缺陷数量。例如,如果虚拟晶圆图416的特定位置具有的记录缺陷仅在一个晶圆图中,则对应的缺陷指示符418可以显示为黑色。相反,如果虚拟晶圆图416的特定位置具有的记录缺陷在该组晶圆图402中超过50%或所有的晶圆图中,则缺陷指示符418可以表现为红色(或一些其他颜色,或者使用指示该位置处有更多数量的缺陷的一些其他指示符)。在一些示例中,可以将堆叠式虚拟晶圆图416表示为基于该组晶圆图402中所有晶圆图的特定位置处的缺陷数量的热图。表示堆叠式虚拟晶圆图416的底层数据还可以指示晶圆的每个位置的缺陷计数。
通过添加来自该组晶圆图402的缺陷,缺陷分组420的模式可以变得更加明显。例如,缺陷分组420可以更明显地变成划痕、圆圈或如本领域技术人员将认识到的其他形状和模式。因此,与使用单个晶圆图相比,可以更快或更早地识别缺陷模式和这些缺陷的根本原因,并且能够更快地防止未来的缺陷。然而,也可能会出现噪声增加。因此,可以将过滤器应用于虚拟晶圆图416,以去除该组晶圆图402中不常出现的缺陷,或对其应用较小的权重。还可以将虚拟晶圆图416用于生成上面所讨论的用于指纹库的指纹模式和相关性。
可以将基于第一组晶圆图402的第一虚拟晶圆图416与基于第二组晶圆图的另一个或第二虚拟晶圆图进行比较,以确定模式趋势。例如,第一虚拟晶圆图可以从第一次通过一组制造工具的晶圆图(例如,晶圆一至晶圆十)生成。第二虚拟晶圆图可以从第二次通过该组制造工具的晶圆图(例如,晶圆十一至晶圆二十)生成。如果第一虚拟晶圆图中的缺陷分组微弱地指示特定的缺陷类型和/或特定的根本原因,而第二虚拟晶圆图中的缺陷分组强烈地指示特定的缺陷类型和/或特定的根本原因,则可以确定工具和/或工艺正在退化并开始在晶圆上造成更严重(或更频繁)的缺陷。
虽然堆叠式虚拟晶圆图416是由指示晶圆上各个缺陷的位置的缺陷图形成的,但是晶圆探针数据和/或计量数据也可以用于形成堆叠式虚拟晶圆图。例如,晶圆探针数据可以被表示为被测的每个管芯的位置,并且包括管芯是否通过探针测试的指示。可以以与缺陷数据相似的方式对该晶圆探针数据进行堆叠,以形成表示探针数据的堆叠式虚拟晶圆图。类似于上面所讨论的堆叠式缺陷图,堆叠式虚拟晶圆图可以来自为相同的制造阶段或时间点处且由相同的工具加工的晶圆生成的所有晶圆探针数据。在一些示例中,堆叠式虚拟晶圆图可以包括缺陷数据和晶圆探针数据。
类似地,计量数据可以用于形成堆叠式虚拟晶圆图。例如,计量数据可以被表示为整个晶圆上测量值的梯度。可以将这些梯度表示或梯度晶圆图堆叠(例如,叠加组合),以形成表示在相同的制造阶段或时间点处且由相同工具加工的晶圆的计量数据的堆叠式虚拟晶圆图。在一些示例中,堆叠式虚拟晶圆图可以包括缺陷数据、晶圆探针数据和/或计量数据中的两项或更多项的组合。
图5描绘了使用机器学习模型508识别导致晶圆上一个或多个缺陷的工具或工艺的示例。生成包括一个或多个缺陷可视化504的输入502。缺陷可视化504是由对一个或多个晶圆的检查而生成的人工图像。当人工图像是从缺陷数据生成时,它通常表示一个或多个晶圆的缺陷和缺陷位置。例如,缺陷可视化504可以是缺陷图本身的图像(实际上是具有多个点的圆,可以是灰度或彩色的)。当人工图像是从晶圆探针数据生成时,它通常表示被测管芯位置和相应的管芯是否通过晶圆探针测试。当人工图像是从计量数据生成时,它通常表示整个晶圆上的(多个)测量值。每个人工图像都可以被视为不同的缺陷可视化。因此,输入502可以包括表示不同类型的检查数据的多个缺陷可视化504。
在其他示例中,缺陷可视化504可以是堆叠式虚拟晶圆图的图像。数据可视化504还可以是另一种形式的可视化,比如基于晶圆位置中的缺陷密度的缺陷热图。然而,数据可视化504不能是晶圆的实际照片或光学获得的图像。相反,数据可视化504可以是表示一个或多个晶圆的缺陷或者一个或更多个晶圆的其他检查数据的人工创建的可视化。
例如,人工可视化可以包括堆叠式晶圆探针数据。根据该示例,人工创建的可视化可以表示所有晶圆图上管芯通过/未通过测试的值的累积频率,并且该值可以用于识别晶圆模式。
作为另一个示例,人工可视化可以包括来自基于先前分组逻辑的多个晶圆的堆叠式计量数据。根据该示例,人工创建的可视化可以表示多个晶圆上每个位点的统计数据,并且这些统计数据可以用于识别晶圆模式。
在一些示例中,输入还可以包括与用于生成缺陷可视化504的检查数据相对应的一个或多个晶圆的WIP数据506。在缺陷可视化504是从单个晶圆的检查数据生成的情况下,WIP数据506对应于该单个晶圆。在缺陷可视化504是从堆叠式虚拟晶圆生成的情况下,WIP数据506属于其检查数据被用于生成堆叠式虚拟晶圆的一个或多个晶圆。对于上文所讨论的从在相同制造步骤中获得的所有晶圆图生成的堆叠式虚拟晶圆,在该制造步骤的所有晶圆的WIP数据都相同(时间戳除外)。在一些示例中,WIP数据506可以提供为缺陷可视化504的元数据。
将输入502提供给机器学习(ML)模型508。ML模型508可以是神经网络,比如卷积神经网络。如上文所讨论的,ML模型508可以在存储在指纹库中的模式上进行训练。ML模型508处理输入502,以生成输出510。
输出510可以包括缺陷类型512的分类。缺陷类型可以是划痕、团状中心、重边、岩石条纹、水平线和/或圆圈以及本领域技术人员将认识的其他模式类型。替代性地或另外地,输出510可以包括导致与缺陷类型512相对应的缺陷的工具和/或工艺514。例如,可以将导致缺陷类型的特定的制造工具、制造工艺、检查工具和/或检查工艺包括在输出510中。
图6描绘了用于识别导致晶圆上的一个或多个缺陷的工具或工艺的示例方法600。方法600的操作可以由上文所讨论的一个或多个装置来执行,比如上文在以上附图中所讨论的装置和系统。在操作602,接收在特定制造步骤处的一个或多个晶圆的检查数据。例如,模式检测装置可以接收已经历由相同的制造工具进行的相同制造步骤的多个晶圆的检查数据。在一些示例中,操作602可以包括在制造步骤处检查晶圆以生成检查数据。检查数据可以采用以下形式:指示缺陷位置的缺陷图或晶圆图、指示被测管芯通过/未通过的晶圆探针数据和/或指示整个晶圆上的测量值的计量数据。检查数据可以包括第一晶圆的第一晶圆图和第二晶圆的第二晶圆图。
在操作604,从在操作602中接收到的检查数据中的至少一部分生成堆叠式虚拟晶圆。堆叠式虚拟晶圆图可以通过叠加组合在操作602中接收到的晶圆图来生成。堆叠式虚拟晶圆图可以具有上面关于图4所讨论的堆叠式虚拟晶圆图的类型。
在操作606,对在操作604中生成的堆叠式虚拟晶圆执行空间模式识别(SPR)操作。SPR操作可以提供缺陷类型和/或一个或多个特征向量的输出,该一个或多个特征向量表示堆叠式虚拟晶圆图中所表示的缺陷的分组。SPR操作可以是对表示堆叠式虚拟晶圆图的检查数据(例如,文本数据)执行的,而不是对堆叠式虚拟晶圆图的实际图像执行的。
在操作608,可以用SPR操作的输出查询指纹库。例如,可以查询指纹库,以识别指纹库中的与由SPR操作识别出的缺陷类型最接近的缺陷类型。另外地或替代性地,可以使用由SPR操作产生的特征向量来查询指纹库,以查找存储在指纹库中的最接近的特征向量。如上文所讨论的,存储在指纹库中的模式(例如,缺陷类型和/或特征向量)与可能已导致特定缺陷模式(例如,缺陷类型和/或特征向量)的一个或多个工艺或工具相关。在一些示例中,相关性可以是与最有可能导致特定缺陷模式的工具或工艺相关联的分数或概率。因此,在操作608中执行的查询的输出是导致或可能导致特定缺陷模式的一个或多个工具或工艺。即使给定的空间模式与多个物理属性或可能的缺陷相关联,该信息也能有益地指示应该对检查工具和/或工艺进行评估,以细化检查以及其辨别类似模式的能力。
因此,在操作610,识别导致或可能导致特定缺陷模式的一个或多个工具和/或工艺。这些工具和/或工艺是基于在操作608中执行的查询的结果来识别的。例如,这些工具和/或工艺可以包括工具和/或工艺的列表、以及这些工具和/或工艺导致缺陷的其各自的分数或可能性。所识别的工具和/或工艺可以包括以下各项中的一项或多项:制造工具、制造工艺、检查装置或检查工艺。导致或可能导致特定缺陷模式的一个或多个工具或工艺的标识还可以基于其检查数据在操作602中被接收的晶圆的WIP数据。WIP数据可以帮助细化或排除所识别的工具和/或工艺中的一些。例如,如果操作608中的查询结果包括不在WIP数据中的工具,则可以将该工具从可能已导致缺陷模式的可能工具的列表中移除。
除SPR操作和标识外或作为其替代方案,还可以使用机器学习模型和人工缺陷可视化来生成可能导致晶圆上缺陷的工具和/或工艺的类似标识。这种操作被描绘为操作612、操作614和操作616。
在操作612,生成在操作604中生成的堆叠式虚拟晶圆的一个或多个人工缺陷可视化。该一个或多个人工缺陷可视化可以具有上面参考图5所讨论的人工缺陷可视化的类型。在操作614,将一个或多个人工缺陷可视化提供给经训练的ML模型并由其进行处理。可以基于存储在指纹库中的指纹模式与工具和/或工艺的相关对来训练ML模型。在一些示例中,其检查数据在操作602中被接收的晶圆的WIP数据也可以作为输入被包括到经训练的ML模型中。如上文所讨论的,WIP数据可以提供为一个或多个人工缺陷可视化的元数据。经训练的ML模型的输出可以包括可能已经导致在操作604中生成的堆叠式虚拟晶圆图中所表示的一个或多个缺陷的工具和/或工艺。经训练的ML模型的输出还可以包括缺陷类型。
在操作616,识别导致或可能导致特定缺陷模式的一个或多个工具和/或工艺。这些工具和/或工艺是基于ML模型的输出来识别的。例如,这些工具和/或工艺可以包括工具和/或工艺的列表、以及这些工具和/或工艺导致缺陷的其各自的分数或可能性。所识别的工具和/或工艺可以包括以下各项中的一项或多项:制造工具、制造工艺、检查装置或检查工艺。在未将WIP数据作为输入在操作614中提供给ML模型的示例中,可以将WIP数据用于识别操作616。WIP数据可以帮助细化或排除所识别的工具和/或工艺中的一些。例如,如果ML模型的输出包括不在WIP数据中的工具,则可以将该工具从可能已导致缺陷模式的可能工具的列表中移除。
在操作618,生成导致(其检查数据在操作602中被接收的)晶圆上的一个或多个缺陷的工具和/或工艺中的一个或多个的通知。生成通知可以包括将在操作610和操作616中识别的工具和/或工艺(连同任何分数和/或概率)相组合。例如,可以基于在操作610和操作616中识别的工艺和/或工具各自的分数和/或概率来对这些工艺和/或工具进行排序。可以将排名靠前的一组工具和/或工艺(例如,前3个)连同其分数或概率一起提供在所生成的通知中。然后可以发送、递送或显示通知,以告知工程师需要对工具和/或工艺进行调整,以提高良率并防止晶圆上出现进一步的缺陷。
可以通过使用软件、硬件或软件与硬件的组合将本文所描述的实施例用来实施和执行本文所公开的系统和方法。尽管在整个公开中叙述的是用特定装置来执行特定功能,但本领域技术人员将理解,这些装置是出于说明性目的而提供的,并且在不脱离本公开的范围的情况下,可以采用其他装置来执行本文所公开的功能。另外,本公开的一些方面在上文是参考根据本公开的各方面的系统和方法的框图和/或操作性图示进行描述的。框中标注的功能、操作和/或动作可以不按任何相应流程图中所示的顺序发生。例如,取决于所涉及的功能和实施方式,连续示出的两个框实际上可以基本上同时执行或进行,也可以按相反的顺序执行或进行。
本公开参考附图描述了本技术的一些实施例,在附图中仅示出了一些可能的实施例。然而,其他方面可以以许多不同的形式实施并且不应被解释为限于本文阐述的实施例。相反,提供这些实施例从而使得本公开将是详尽且完整的,并且将向本领域技术人员充分地传达这些可能的实施例的范围。进一步地,本文和权利要求中所使用的短语“元件A、元件B或元件C中的至少一个”旨在传达以下各项中的任一项:元件A、元件B、元件C、元件A和元件B、元件A和元件C、元件B和元件C、以及元件A、元件B和元件C。进一步地,本领域技术人员将理解如“大约”或“基本上”等术语在本文所利用的测量技术中所传达的程度。在本领域技术人员可能无法明确定义或理解这些术语的程度上,术语“大约”应当意指正负百分之十。
图7描绘了由图2的计算装置生成的示例图形用户界面700或仪表板。仪表板700包括促进并加快对由系统202生成的工具和缺陷数据的理解的动态特征。仪表板700的特征允许以许多不同的方式呈现和操纵(例如,过滤、分类、排序、比较、显示)工具和缺陷数据,使得能够将反映如上所述的生成可自动识别的缺陷的工具或工艺的数据与其他数据分离,并对这些数据进行可视化和确认,并且能够快速且高效地启动对有问题的工具或工艺的任何正当的修复,从而使晶圆制造系统(比如系统100(图1))的有缺陷的工具或工艺的负面影响最小化。
界面700包括数据图表面板702、检查图像面板704和数据过滤器面板706,在该示例中,这些面板在界面700上并置排列。
下拉菜单708为在数据图表面板702中如何呈现工具和/或缺陷数据提供了可选选项。在所示的示例中,已选择了箱线图选择和折线图表选择,并且面板702包括对应的箱线图图表712和对应的折线图表710。可以经由菜单708选择用于在面板702中呈现的其他示例数据图表结构可以包括例如变异性图表、概率图表、趋势图表、折线图表、XY图表、矢量图表、极坐标图表、热图图表、饼形图表、气泡图表、三维点图表、三维条形图表、三维表面图表、三维瀑布图表和/或表格。
在面板702的一个或多个图表中呈现哪些数据以及对应地在面板704中显示由晶圆检查设备获得的哪些检查图像可经由显示在过滤器面板706中的可选过滤器选项进行选择,该过滤器面板的放大图在图8中进行了描绘。例如,过滤器面板706中所显示的过滤器选项允许通过选择一个或多个过滤器来对显示在面板702中的数据以及对应地显示在面板704中的图像进行过滤。例如,可以选择一个或多个过滤器来示出与特定制造或一个或多个检查工艺、与特定制造或一个或多个检查工具、与一个或多个特定时间帧、与特定缺陷或缺陷类别(例如,与特定存储的一个或多个指纹相对应的所有缺陷)等相对应的数据。
面板704中所呈现的每个图像714可以表示例如缺陷图或缺陷图的一部分,比如图3的缺陷图302的缺陷分组306。类似地,每个图像714可以表示例如堆叠式虚拟晶圆图或堆叠式虚拟晶圆图的一部分,比如图4的堆叠式虚拟晶圆图416的缺陷分组420。面板704可以邻近每个图像714显示关于该图像的信息740。例如,信息740可以包括图像中缺陷的缺陷位点标识(DSID)和图像中缺陷的缺陷类型或类别(DC)。信息740中可以提供其他类型的信息。
在示例界面700中,已选择了过滤器和数据呈现选项,使得箱线图712被显示。箱线图712沿纵轴指示沿横轴表示的工具(工具1至工具15)中的每一个工具的所识别的缺陷的数量。工具和缺陷数量数据均与特定晶圆制造工艺步骤(步骤1)和特定工艺设备标识符(PEID 1)相关联。也就是说,工具(工具1至工具15)中的每一个工具都与相同的工艺设备标识符相关联(例如,与相同的生产商或相同的制造设施相关联),并且用于相同的晶圆制造步骤(例如,刻蚀步骤或沉积步骤)。
如所提及的,面板704中所呈现的图像可以与面板702中所呈现的数据相对应。进一步有利的是,可以选择面板704中呈现的数据的子集,使得面板704仅显示与所选数据子集相对应的那些图像。以这种方式,可以使用界面700快速地对特定的检查数据执行视觉验证。例如,对于给定工具和给定晶圆批次,每个数据点716、718可以表示该晶圆批次中由系统202(图2)识别的缺陷的数量(或计数)。
箱线图中反映了每个工具在各批次中的缺陷计数分布。例如,每个箱形中的水平线可以对应于每个工具在每批次或每个晶圆中的中位或平均缺陷计数,其中,箱形表示数据与平均值或中位数的预定义偏差(例如,标准偏差),而箱形上方和下方的条形表示与平均值或中位数的进一步偏差。因此,例如,数据点716和数据点718是其对应工具的离群值,也即其落在对应箱线图的边界之外。用户可以选择数据点716或718(或超过一个数据点),然后与该选择相对应的缺陷图像就会填充面板704。例如,通过选择面板702中的数据点716,在与数据点716相对应的晶圆或晶圆批次中检测到的缺陷的图像就会显示在面板704上,从而使用户能够快速地在视觉上对所选(多个)离群点的缺陷的性质进行验证。
类似地,可以通过从面板706中选择大量过滤器参数中的任何一个来过滤面板702中呈现的数据和面板704中呈现的对应图像。例如,只有与在制品(WIP)晶圆、特定工具和特定缺陷类型(例如,划痕)相对应的缺陷才能被选择用于在面板702中进行呈现,并且与在面板702中选择的那些缺陷的子集(例如,单个所选晶圆批次的缺陷)相对应的图像会被自动填充到面板704中。
下拉菜单708、可从过滤器面板706选择的过滤器以及其他可选数据呈现选项720允许以各种不同方式查看和分析由系统202(图2)获得的缺陷数据,这可以促进实施分析和修复的方式。例如,可以操纵界面700来根据缺陷计数对工具或工艺进行排名,使得可以快速识别导致最多缺陷的工具或工艺,以便优先于其他工具或工艺进行修复。
已描述了用于使用界面700查看数据的选项的一些示例。另外,箱线图712还显示(通过选择选项720之一)了趋势线722。趋势线722可以例如提供与趋势线相比表现不佳或表现优异的特定工具的可快速识别可视化,这可以促使对表现不佳的特定工具进行更详细的调查,例如通过选择并查看与表现不佳的工具相对应的缺陷图像进行。
折线图表710是所选的用于使用界面700查看数据的特定选项的另一示例。折线图表700向用户提供了随时间推移检测到的缺陷计数(或平均缺陷计数),其中,纵轴为缺陷的数量(或平均数量),而横轴是缺陷的对应日期和/或时间。折线图表710可以使得能够快速确定工具或工艺可能出现导致缺陷的问题的时间(通过特定一天的较大缺陷计数表示出),以及该问题随后是否得到了解决(通过随后一天或多天的缺陷计数下降或缺陷计数未下降表示出)。
与箱线图图表712一样,可以选择在图表折线图表710中表示的数据的子集(比如,表示特定工艺和/或特定工具在特定日期的缺陷计数的数据点728)来自动填充与面板704中的所选数据子集相对应的缺陷图像。
因此,界面700提供了具有高度鲁棒性功能的用于查看和操纵晶圆缺陷数据的仪表板,以快速有效地识别并修复晶圆制造和/或检查问题的事项。
尽管本文描述了特定实施例,但是本技术的范围不限于这些特定实施例。此外,虽然可以分开描述不同的示例和实施例,但在实施本文所描述的技术时可以使这些实施例和示例彼此组合。本领域技术人员将认识到在本技术的范围和精神内的其他实施例或改进。因此,具体的结构、动作或介质仅作为说明性实施例公开。本技术的范围由以下权利要求及其任何等效物来限定。
Claims (25)
1.一种用于识别导致晶圆缺陷的工具或工艺的方法,所述方法包括:
在晶圆上执行制造工艺的至少一个制造工具加工所述晶圆之后,通过由检查装置检查所述晶圆来生成检查数据;
基于所述检查数据来生成晶圆图;以及
使用从在制晶圆(WIP)数据生成的指纹库,对所述晶圆图执行空间模式识别(SPR)操作,其中,所述SPR操作的输出包括导致所述晶圆的缺陷的工具和工艺中的至少一者的标识。
2.如权利要求1所述的方法,其中,所述晶圆图表示由所述检查装置识别出的所述晶圆的缺陷的位置。
3.如权利要求2所述的方法,其中,所述晶圆图被表示为图像。
4.如权利要求2所述的方法,其中,所述晶圆图被表示为人工创建的可视化。
5.如权利要求4所述的方法,其中,所述人工创建的可视化包括堆叠式晶圆探针数据或堆叠式计量数据。
6.如权利要求1所述的方法,其中,所述晶圆图是从已由所述至少一个制造工具加工的多个晶圆的晶圆图生成的堆叠式虚拟晶圆图。
7.如权利要求1所述的方法,进一步包括:
提供所述晶圆图的图像或人工创建的可视化来作为经训练的机器学习模型的输入;
由所述经训练的机器学习模型处理所述图像或所述人工创建的可视化,以生成输出;以及
基于来自所述机器学习模型的所述输出,生成在所述晶圆图中表示的所述晶圆的缺陷的类型的指示。
8.如权利要求4所述的方法,进一步包括:基于所述输出,生成导致所述缺陷的所述工具和所述工艺中的至少一者的指示。
9.如权利要求1所述的方法,进一步包括:
基于对在第一制造设施中加工的第一晶圆的第一多个晶圆图和第一在制晶圆(WIP)数据的分析,生成识别的指纹模式,其中,所述第一WIP数据包括与所述第一多个晶圆图相对应的所述第一晶圆的工艺数据和工具数据;以及
将所述指纹模式存储到指纹库中。
10.如权利要求9所述的方法,其中,执行所述SPR操作包括将所述晶圆图与所述指纹库中的所述指纹模式进行比较。
11.如权利要求9所述的方法,进一步包括:
基于对在第二制造设施中加工的第二晶圆的第二多个晶圆图和第二WIP数据的分析,生成其他识别的指纹模式;以及
将所述其他识别的指纹模式存储在所述指纹库中。
12.如权利要求9所述的方法,其中,所述指纹库存储在能够由所述第一制造设施中的第一计算装置和第二制造设施中的第二计算装置访问的基于云的服务器中。
13.一种用于识别导致晶圆缺陷的工具或工艺的系统,所述系统包括:
至少一个处理器;以及
存储器,所述存储器存储:
指纹库;以及
指令,所述指令在由所述至少一个处理器执行时使所述系统执行操作,所述操作包括:
从第一制造设施接收在所述第一制造设施处制造的第一晶圆的第一晶圆图;以及
基于所述第一晶圆图和所述指纹库,提供以下各项中的至少一项的第一标识:所述第一制造设施中的制造工具、在所述第一制造设施中执行的制造工艺、所述第一制造设施中的检查装置、或在所述第一制造设施中执行的导致所述第一晶圆的缺陷的检查工艺。
14.如权利要求13所述的系统,其中,所述操作进一步包括:
从第二制造设施接收在所述第二制造设施处制造的晶圆的第二晶圆图;以及
基于所述第二晶圆图和所述指纹库,提供以下各项中的至少一项的第二标识:所述第二制造设施中的制造工具、在所述第二制造设施中执行的制造工艺、所述第二制造设施中的检查装置、或在所述第二制造设施中执行的导致所述第二晶圆的缺陷的检查工艺。
15.如权利要求13所述的系统,其中,所述操作进一步包括:
从所述第一制造设施接收从相同制造步骤的晶圆检查数据生成的附加晶圆图;以及
基于所述第一晶圆图和所接收到的附加晶圆图来生成堆叠式虚拟晶圆图,
其中,所述第一标识基于所述堆叠式虚拟晶圆图。
16.如权利要求15所述的系统,其中,所述操作进一步包括:
生成所述堆叠式虚拟晶圆图的人工缺陷可视化;
将所述缺陷可视化作为输入提供给经训练的机器学习模型;以及
由所述经训练的机器学习模型处理所述输入,以生成指示所述第一标识的输出。
17.如权利要求14所述的系统,其中,所述操作进一步包括:
向所述第一制造设施发送所述第一标识的通知;以及
向所述第二制造设施发送所述第二标识的通知。
18.一种用于识别导致晶圆缺陷的工具或工艺的方法,所述方法包括:
在制造工艺中的加工步骤获取第一晶圆的第一检查数据;
在所述制造工艺中的所述加工步骤获取第二晶圆的第二检查数据;
将所述第一检查数据和所述第二检查数据叠加组合以形成堆叠式虚拟晶圆图;以及
基于所述堆叠式虚拟晶圆图,识别所述第一晶圆或所述第二晶圆中的至少一个晶圆的缺陷的类型以及导致所述缺陷的工具和工艺中的至少一者的标识。
19.如权利要求18所述的方法,
其中,所述第一晶圆和所述第二晶圆来自不同的晶圆批次;
其中,所述第一检查数据包括缺陷数据、晶圆探针数据或计量数据中的至少一项;并且
其中,所述第一晶圆和所述第二晶圆由相同的制造工具进行加工。
20.如权利要求18所述的方法,进一步包括使用从在制晶圆(WIP)数据生成的指纹库对所述虚拟晶圆图执行空间模式识别(SPR),其中,所述SPR操作的输出包括所述缺陷类型以及所述工具和所述工艺中的所述至少一者的标识。
21.如权利要求18所述的方法,进一步包括:
从所述堆叠式虚拟晶圆图生成缺陷可视化;
将所述缺陷可视化作为输入提供给经训练的机器学习模型;以及
由所述经训练的机器学习模型处理所述输入,以生成指示所述缺陷类型以及所述工具和所述工艺中的至少一者的标识的输出,
其中,所述输入还包括形成所述堆叠式虚拟晶圆图的所述晶圆的在制晶圆(WIP)数据。
22.一种用于识别导致晶圆缺陷的工具或工艺的系统,所述系统包括:
至少一个处理器;以及
存储器,所述存储器存储指令,所述指令在由所述至少一个处理器执行时使所述系统使用显示装置生成包括图表部分和图像部分的图形界面,所述图表部分包括表示晶圆缺陷数据的图表,其中,从所述图表中选择所述晶圆缺陷数据的子集使所述图形界面在所述图像部分中显示与所述晶圆缺陷数据的子集相对应的一个或多个晶圆缺陷图的一个或多个图像。
23.如权利要求22所述的系统,其中,所述一个或多个图像中的至少一个表示堆叠式虚拟晶圆图。
24.如权利要求22所述的系统,其中,所述图形界面包括具有可选过滤器的过滤器部分,其中,选择所述过滤器之一使所述图表部分显示根据晶圆制造或检查工具、或根据晶圆制造工艺、或根据晶圆缺陷的类型或类别而组织的数据图表。
25.如权利要求22所述的系统,其中,所述图表包括根据与晶圆制造工具或晶圆检查工具相对应的缺陷计数对所述晶圆制造工具或所述晶圆检查工具的排序。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/177,377 | 2021-04-20 | ||
US202163252281P | 2021-10-05 | 2021-10-05 | |
US63/252,281 | 2021-10-05 | ||
PCT/US2022/025602 WO2022226095A1 (en) | 2021-04-20 | 2022-04-20 | Fabrication fingerprint for proactive yield management |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117529803A true CN117529803A (zh) | 2024-02-06 |
Family
ID=89757115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280043596.6A Pending CN117529803A (zh) | 2021-04-20 | 2022-04-20 | 用于主动良率管理的制造指纹 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117529803A (zh) |
-
2022
- 2022-04-20 CN CN202280043596.6A patent/CN117529803A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11761904B2 (en) | Smart defect calibration system in semiconductor wafer manufacturing | |
US9335277B2 (en) | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method | |
US7062081B2 (en) | Method and system for analyzing circuit pattern defects | |
JP4014379B2 (ja) | 欠陥レビュー装置及び方法 | |
CN113763312B (zh) | 使用弱标记检测半导体试样中的缺陷 | |
US8312401B2 (en) | Method for smart defect screen and sample | |
JPWO2007125941A1 (ja) | 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体 | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
JP7254921B2 (ja) | 半導体試料の欠陥の分類 | |
TWI783400B (zh) | 誤差因子的推定裝置及推定方法 | |
JP2011187836A (ja) | 半導体製造装置の管理方法及び管理システム | |
TWI801973B (zh) | 錯誤因素之推定裝置及推定方法 | |
CN117529803A (zh) | 用于主动良率管理的制造指纹 | |
US20220334567A1 (en) | Fabrication fingerprint for proactive yield management | |
JP4599980B2 (ja) | 多層配線構造の不良解析方法および不良解析装置 | |
JP4538205B2 (ja) | 検査データの解析プログラム、検査データ解析装置 | |
JP5566616B2 (ja) | 特性解析装置、特性解析方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
JP4146655B2 (ja) | 欠陥源候補抽出プログラム | |
JP2007049020A (ja) | 欠陥分布分類方法および欠陥分布分類装置 | |
CN118297906A (zh) | 使用弱标记检测半导体试样中的缺陷 | |
JP2004165395A (ja) | 検査データ解析プログラムと検査方法 |
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 |