JP2008515239A - 半導体製造のための柔軟でハイブリッドな欠陥分類 - Google Patents

Abstract

半導体製造における欠陥を分類するためのハイブリッドな方法が得られる。この方法は、検査データに、欠陥についてのルールの柔軟なシーケンスを適用する工程を含んでいる。ルールのシーケンスは、決定論的ルール、統計的ルール、ハイブリッドなルール、またはそれらの何らかの組合せを含んでいる。シーケンスに含まれるルールは、グラフィカルインタフェースを用いて、ユーザによって選択されてよい。この方法は、検査データにルールのシーケンスを適用した結果に基づいて欠陥を分類する工程も含んでいる。

Description

本発明は、一般に、半導体ウェーハまたは試験体の製造中に生じた欠陥を分類するための、コンピュータに実装された方法に関する。ある種の形態は、半導体試験体の検査によって見出された欠陥に対して、統計的ルール、決定論的ルール、ハイブリッドなルール、または、それらの組合せの一つまたはそれ以上のシーケンスを柔軟に適用する工程、およびルールのシーケンスの適用の結果に基づいて欠陥を分類する工程を含むコンピュータに実装された方法に関する。

以下の説明および例は、それらがこのセクションに含まれているからといって、それらが先行技術である、と認められるものではない。

ウェーハ検査システムは、しばしば、各ウェーハ上に数千の異常（一般に、「事象」または「欠陥」と呼ばれている）を見出す。欠陥は、半導体ウェーハ製造中に生ずる場合がある構造上の傷、プロセス残留物、および外部汚染などの多くの形態を有している場合がある。欠陥分類は、検査によって生成された大量の情報を理解し、かつ、「興味ある」欠陥を見つけるのに用いられる。ウェーハを作成するプロセスが進化するにつれ、興味ある欠陥タイプは変化する。欠陥の重要性は、外観を含むいくつかの要因、並びに、場所、他の欠陥への近接性、および試験体の以前の履歴などの他の特性に左右される。

多くの異なる欠陥分類方法が用いられてきた。半導体検査の分野における、欠陥を分類するための既存の方法は、１）決定論的ルールベースの方法、２）統計的（訓練ベースの）方法、および、３）決定論的ルールと訓練された特性との固定された組合せ、という３つの一般的なカテゴリーに大別される。

完全にルールベースの手法の例としては、AIT II、AIT III、およびAIT XPシステム（これらはKLA-Tencor（登録商標）, San Jose, Californiaから市販されている）上に与えられているランタイム分類（Run Time Classification）（RTC）、Applied Materials（登録商標）, Inc., Santa Clara, Californiaから市販されているコンパス（Compass）ツール上のオンザフライ（OTF）分類方法の初期のリリース、および電圧コントラスト欠陥についてのグレーレベルビンニング（これはHermes MicroVision, Milpitas, Californiaから市販されている）などが挙げられる。このような分類器のセットアップは、比較的簡単であり、かつ、ユーザは、容易に理解できる。これらの手法のうちの多くのものは、欠陥がどのように分離されたかを、各種のグラフィカル手段を介して示すことによって、また、各ビン内の欠陥の例を示すことによって、何らかのユーザ支援を与える。決定論的ルールベースの分類器は、一般に、高い処理量を有している。

統計的（訓練された）分類の例としては、KLA-Tencorから市販されている23xx、AIT、eSxx、およびeV300ツール上の現行の自動欠陥分類（ADC）およびインラインADC（iADC）製品が挙げられる。これらの特定の例は、統計的分類（例えば、最近傍）手法を用いて欠陥を分離する。訓練された分類器の追加の例としては、Applied Materials, Inc., Santa Clara, Californiaから市販されている「OTFグルーピング」と呼ばれるOTFの現行リリースが挙げられる。ユーザは、各ビンに対して、低い偽陽性または偽陰性査定の重要度を制御できる場合があるものの、これらの分類アルゴリズムは、欠陥の外観およびコンテキスト（「欠陥特徴」と呼ばれることがある）の数学的表現を「ブラックボックス」的に用いて、欠陥を訓練セットと照合する。

ハイブリッドな手法の一例としては、SEMVision ADC（これはApplied Materials, Inc., Santa Clara, Californiaから市販されており、かつ、主として、多視点イメージングを介した、欠陥境界解析、バックグラウンドのセグメント化、および欠陥の深さに基づく、コアクラスと呼ばれるビンの固定されたセットを有している）が挙げられる。この手法では、ツリー構造（これは、行われるべき決定の順序およびタイプを定義する）は固定されているが、分類する工程のための閾値化は、ユーザが設定することができる。
発見できず

上述した方法は、欠陥分類においてある程度成功しているが、これらの方法のそれぞれは、改善が可能である。例えば、多くの決定論的方法は、良好な分類に関連する欠陥の特性の全てを含んでいるわけではない。また、固定された境界は、異なる試験体上で、長い時間に亘っては、うまく働かない場合が多い。決定論的ルールベースの方法はまた、一般に、ルールおよび欠陥特性の用法において柔軟性がない。また、これらの方法は、一般に、特性の数および種類、並びに、それらをどのように組み合わせるかについての制限をいくつか含んでいる。さらにまた、これらの方法は、一般に、分類レシピを作成する能力において、ユーザインタフェース上の不備を有している。例えば、ユーザインタフェースは、ナビゲートするのが複雑である場合があり、また、最終的な結果が明確でない場合がある。

完全に訓練された手法の一つの欠点は、これらの方法が、一般に、各ビンに対する欠陥の十分な母集団を、訓練に利用できなければならないことである。これらの方法はまた、維持され、かつ、見かけの異なる欠陥が見出された際に、あるいは、処理条件が変化した際に、更新される必要がある。また、これらの方法は、ブラックボックスとして機能する（すなわち、ユーザは、分類を行なうのに用いるべき特性または特性グループを選択することができない）ため、これらの方法は、ユーザの意図を反映していない場合があるやり方で働く。さらにまた、これらの方法は、しばしば、解析目的のため欠陥を分離する際に重要である場合がある、非外観特性を無視する。最後に、完全に訓練された分類器、特に、多数の特性で訓練された分類器は、一般に、決定論的ルールより実行が遅い。

柔軟性のないハイブリッドな方法は、例えば、ユーザが、そのやり方で特定の画像または試験体に対して欠陥を分離したいと望む場合がある新規なやり方に対して、責任を持たない場合が多い、などの欠点を有している。また、これらの方法は、欠陥をビンニングするのに用いられる経路を厳しく制限する。

したがって、上記の欠点のうちの一つまたはそれ以上の欠点を排除した、欠陥を分類するための、コンピュータに実装された方法を開発するのが有利な場合がある。

本発明の一形態は、半導体製造において見出される欠陥を分類するための、コンピュータに実装された柔軟な方法に関する。術語「柔軟な」は、ここで使用される場合、一般に、ユーザ構成可能な、あるいは、ユーザ定義された、と定義することができる。言い換えれば、「コンピュータに実装された柔軟な方法」は、パラメータが、ユーザによって定義され、かつ（あるいは）、構成されていてよい、コンピュータに実装された方法と定義してよい。ここで述べるコンピュータに実装された方法がどのように柔軟であるか、および、この柔軟性の利点は、ここで与えられた本発明の説明をさらに読むことにより、明らかになるであろう。

この方法は、半導体試験体の検査によって生成された検査データに、欠陥についてのルールのシーケンスを適用する適用工程を含んでいる。ルールのシーケンスは、統計的ルール、決定論的ルール、ハイブリッドな統計的・決定論的ルール、または、それらの何らかの組合せを含んでいる。

決定論的ルールは、ここで「属性」とも呼ばれる欠陥の特性に、一つまたはそれ以上のテストを適用する。例えば、属性または特性は、欠陥が暗いか、あるいは、明るいか、欠陥の、バックグラウンドに対するコントラスト、測定されたサイズ、検出方法（例えば、欠陥がどのように検出されたか）、試験体の他のレベルにおける欠陥についての情報、試験体上の欠陥の場所、他の事象への近接性、あるいは、欠陥をビンニングするのに決定論的に用いられる属性の何らかの組合せを含んでいてよい。

対照的に、統計的ルールは、色、サイズ、エッジ鮮明度、偏心率、真円度、透明度、テクスチャー、または、それらの何らかの組合せを含む欠陥の特性に基づいていてよい。統計的ルールは、特性を統計的に適用して欠陥をビンニングする。ルールのシーケンスの適用に用いられる統計的ルールおよび決定論的ルールに入力される欠陥の特性は、ユーザによって選択されてよい。ハイブリッドなルールは、分類のため、測定可能な特性（例えば、測定されたサイズ）および統計的な特性（例えば、統計的なサイズ）の情報の両方を共に用いてよい。

統計的ルール、決定論的ルール、およびハイブリッドなルールは、ユーザ定義されていてよい。一形態では、検査データに適用するのに用いられる統計的ルール、決定論的ルール、および（または）、ハイブリッドなルールは、分類を行なうためのシーケンスまたは「レシピ」を作成するため、ユーザが選択する。別の形態では、決定論的、統計的、および（または）、ハイブリッドなルールは、検査中に適用される。追加の形態では、ルールのシーケンスを適用する工程は、テスト作業後に、完全なウェーハ検査後に、あるいは、いくつかのウェーハの検査後に、行なわれてよい。

別の形態では、ルールのシーケンスの一部は、検査中に欠陥が見出された際に適用される。ルールのシーケンスの別の部分は、検査の終了時に適用される。ルールのシーケンスの、この他方の部分は、欠陥の、試験体上の他の欠陥への近接性、あるいは、前の試験体履歴に基づくルールを含んでいてよい。他方の部分が適用された後に、依存的ルールを適用してよい。例えば、決定論的および統計的ルールのうちのいくつかのルールは、検査中に適用されてよく、一方、（引掻き傷におけるような）他の欠陥への近接性、または、欠陥タイプがウェーハ全体に亘って繰り返されるという事実などの他の決定論的ルールは、検査の終了時に適用されるであろう。このやり方で、検査の終了時まで利用できない結果または情報に依存するルールは、その時点で実行されることになる。追加の形態では、検査データにルールのシーケンスを適用する適用工程は、ユーザが（例えば、同じツールまたは異なるツール上の）欠陥をレビューしている間に行なわれてよい。

この方法は、ルールのシーケンスの適用の結果に基づいて欠陥を分類する分類工程も含んでいる。一形態では、この分類の結果、欠陥が、各種のルールを介して同じビンに入れられてよい。一形態では、分類の結果は、欠陥に対する多重出力分類を含んでいてよい。また、この方法は、決定論的ルール、または、決定論的ルールと統計的ルールとの組合せの適用の結果に基づいて、欠陥がニューサンス欠陥であるかどうかを判定する工程を含んでいてよい。別の形態では、欠陥を分類する分類工程は、検査データに統計的および（または）決定論的ルールを適用した結果に基づいて、ニューサンス欠陥であると判定された欠陥を濾過する工程（例えば、これらの欠陥を表すデータを除去する工程）を含んでいてよい。

一形態では、この方法は、分類の結果に基づいて、検査レシピをチューニングする工程を含んでいてよい。別の形態では、この方法は、分類の結果を用いて、技術解析を行なう工程を含んでいてよい。追加の形態では、この方法は、分類の結果を用いて、直ぐ後の活動のため、欠陥をサンプリングする工程を含んでいてよい。例えば、この方法は、手動または自動レビューのためのサンプリングアルゴリズムなどの他の解析アルゴリズムへの入力として、ビンを使用する工程を含んでいてよい。別の形態では、分類の結果を用いて、検査自体からの、あるいは、レビュー走査型電子顕微鏡（SEM）などの異なるレビューツールからのデータに基づく欠陥の手動分類中に、ユーザを助けることができよう。別の形態では、この方法は、異なるハードウェア構成を有する異なる検査ツールによって生成された検査データに対して、コンピュータに実装された方法を行なう工程を含んでいてよい。

一形態では、検査データにルールのシーケンスを適用するのに用いられる決定論的ルール、統計的ルール、およびハイブリッドなルールは、ユーザによって選択される。別の形態では、ルールのシーケンスは、対話形式のユーザインタフェースを扱うユーザによって組織化されてよい。追加の形態では、この方法は、制限のないブール演算子を欠陥属性に適用する工程を介して、対話形式のユーザインタフェースを用いて、決定論的ルールを構築する工程を含んでいてよい。

ルールのシーケンスは、対話形式のユーザインタフェースにおいて、異なるレベルを有するツリーとして表現されてよい。一形態では、このツリーは、一つまたはそれ以上の分岐、一つまたはそれ以上の終端ビン、または、それらの何らかの組合せを生成するノードを含んでいてよい。いくつかの形態では、このツリーは、決定論的ノード、統計的ノード、ハイブリッドな決定論的・統計的ノード、または、それらの何らかの組合せを含んでいてよい。別の形態では、このツリーは、属性名で指定された決定論的ノード、名前で指定された統計的ノード、名前で指定されたハイブリッドなノード、または、それらの何らかの組合せを含んでいてよい。

一形態では、ルールのシーケンスは、統計的ルールのみを含んでいてよい。一つのこのような形態では、これらのルールは、ルールに対するユーザの理解を助けるため、かつ、用いられるべき特性における選択性を可能にするため、グループに組織化されてよい。この選択性は、次の３つの主な利点を有している。すなわち、分類は、相当により少ない例（これは、抽象例を含んでいてよい）を用いて行なうことができる；分類は、より多くの試験体に亘って安定であり得る；かつ、分類は、より迅速に実行することができる。別の形態では、統計的ルールは、別々に重み付けされてよい。追加の形態では、統計的ルールおよびハイブリッドなルールは、これらのルールに対するユーザの理解を助けるため、かつ、ユーザの意図を反映した分類を与えるため、選択のためのグループに組織化されてよい。

上記の対話形式のユーザインタフェースは、分類の結果を、グラフィカルに、かつ、サンプル画像と共に、示してよい。上記のコンピュータに実装された方法の形態のそれぞれは、ここで述べる任意の他の工程（複数も可）を含んでいてよい。

以下の好適な実施形態の詳細な説明により、また、添付の図面を参照することにより、本発明のさらなる利点が、当業者には、明らかになるであろう。

本発明は、各種の変更態様および代わりの形態が可能であるが、その特定の実施形態を、図面の例により示し、ここに詳述することになる。図面は、一定の縮尺ではない場合がある。しかしながら、図面およびそれに対する詳細な説明は、本発明を、開示された特定の形態に限定することを意図したものではなく、反対に、添付のクレームによって定義された本発明の精神および範囲内にある全ての変更態様、同等物および代替物を包含することを意図していることを理解されたい。

ここで使用される場合、術語「欠陥」は、半導体試験体上で見出される場合がある任意の異常を指す。ここで使用される場合、術語「半導体試験体」は、ウェーハ、あるいは、レチクルまたはフォトマスクなどの技術上既知の任意の他の試験体を指すのに用いられる。実施形態は、ここで、ウェーハに対して述べられているが、実施形態は、半導体製造の技術上既知の任意の他の試験体上で検出された欠陥を分類するのに用いられてよいことを理解すべきである。

ここで使用される場合、術語「ウェーハ」は、一般に、半導体または非半導体材料から形成された基板を指す。このような半導体または非半導体材料の例としては、単結晶シリコン、砒化ガリウム、および燐化インジウムなどが挙げられるが、それらに限定されない。このような基板は、一般に、半導体製造設備において、見出され、かつ（あるいは）、処理されてよい。

ウェーハは、基板（例えば、パターン形成されていないバージンウェーハ）のみを含んでいてよい。別法として、ウェーハは、基板上に形成された一つまたはそれ以上の層を含んでいてよい。例えば、このような層は、レジスト、誘電体材料、および導体材料を含んでいてよいが、それらに限定されない。レジストは、ホトリソグラフィー技法、電子ビームリソグラフィー技法、または、X線リソグラフィー技法によってパターン形成されてよい任意の材料を含んでいてよい。誘電体材料の例としては、二酸化シリコン、窒化シリコン、酸窒化シリコン、および窒化チタンなどが挙げられるが、それらに限定されない。誘電体材料の追加の例としては、「低K」誘電体材料（例えば、Applied Materials, Inc., Santa Clara, Californiaから市販されているBlack Diamond、およびNovellus Systems, Inc., San Jose, Californiaから市販されているCORAL）、「超低K」誘電体材料（例えば、「キセロゲル」）、および「高K」誘電体材料（例えば、五酸化タンタル）などが挙げられる。また、導体材料の例としては、アルミニウム、ポリシリコン、および銅などが挙げられるが、それらに限定されない。

ウェーハ上に形成された一つまたはそれ以上の層は、パターン形成されていてよく、あるいは、パターン形成されていなくてよい。例えば、ウェーハは、それぞれが繰り返し可能なパターン形体を有する複数のダイを含んでいてよい。材料のこのような層の形成および処理は、最終的に、完成した半導体デバイスをもたらしてよい。そのようなものとして、ウェーハは、その上に、完全な半導体デバイスの全ての層が形成されていない基板、または、その上に、完全な半導体デバイスの全ての層が形成されている基板を含んでいてよい。術語「半導体デバイス」は、ここで、術語「集積回路」と可換的に使用される。また、微小電気機械（MEMS）デバイスなどの他のデバイスを、ウェーハ上に形成してもよい。

訓練されたルールと決定論的ルールとを組み合わせた柔軟なユーザインタフェースは、ルールベーストビンニング（Rule Based Binning）（RBB）と呼ばれており、これは、23xxリリース10.1、eS3xバージョン1.3、および9xxxバージョン9.0上で、KLA-Tencorから市販されている。RBBは、iADC（訓練された手法）の結果を、決定論的ルールへの入力として用いることを可能にする決定論的ルールベースの手法である。RBBの機能は、このアプリケーションに含まれ、かつ、それにおいて拡張されている。

ここで図面を参照すると、図１は、欠陥を分類するための、コンピュータに実装された柔軟な方法の一実施形態を示している。図１に示した工程は、この方法の実施に不可欠ではないことに気づく。一つまたはそれ以上の工程を、図１に示した方法から省略し、あるいは、それに追加してよく、それでも、この方法は、この実施形態の範囲内で実施することができる。

この方法は、工程１０に示すように、検査データに、欠陥についてのルールのシーケンスを適用する工程を含んでいる。検査データは、半導体試験体の検査によって生成される。ルールのシーケンスは、統計的ルール、決定論的ルール、ハイブリッドな統計的・決定論的ルール、または、それらの何らかの組合せを含んでいる。一実施形態では、ルールのシーケンスを適用する工程は、統計的ルールを適用し、かつ、統計的ルールの適用の結果を決定論的ルールへの入力として用いる工程、あるいは、その逆の工程を含んでいてよい。

いくつかの実施形態では、検査データに適用される統計的ルール、決定論的ルール、および（または）、ハイブリッドなルールは、ユーザ定義されていてよい。言い換えれば、統計的、決定論的、およびハイブリッドなルールは、本質的に、ユーザによって書かれ、かつ（あるいは）、編集されてよい。別法として、統計的ルール、決定論的ルール、および（または）、ハイブリッドなルールは、コンピュータに実装された方法によって生成されてよい。コンピュータに実装された方法は、例えば、ユーザによって選択された欠陥画像に基づいて、統計的、決定論的、および（または）、ハイブリッドなルールを生成する工程を含んでいてよい。また、コンピュータ生成されたルールは、ユーザによって編集されてよい。統計的ルール、決定論的ルール、およびハイブリッドなルールは、技術上既知の任意の形態を有していてよい。

決定論的ルールは、欠陥の一つまたはそれ以上の測定可能な特性に基づいている。いくつかの実施形態では、これらの特性は、欠陥が暗いか、あるいは、明るいか、欠陥がどのように検出されたか、あるいは、検出方法（例えば、欠陥を検出するのに用いられる閾値における許容差のレベル）、欠陥の、バックグラウンドに対するコントラスト、測定されたサイズ、試験体の他のレベルにおける欠陥についての情報、試験体上の欠陥の場所、他の事象への近接性、検査ツールの機能に応じた他の属性、または、欠陥を分類するため決定論的に用いられる属性の何らかの組合せなどの属性を含んでいてよい。決定論的ルールは、欠陥の特性に、一つまたはそれ以上のテストを適用する。例えば、決定論的ルールは、欠陥のこれらの測定可能な特性のうちの一つまたはそれ以上の特性を決定論的なやり方で用いて、さらなる処理のため、欠陥を分離し、かつ（あるいは）、それらをビンに割り当てる。

決定論的ルールの一例としては、光が特定の収集角度で（例えば、他の収集角度ではなく、実質的に対角の収集角度で）欠陥から散乱された場合は、欠陥は、引掻き傷である、というルールが挙げられる。光が引掻き傷から散乱される収集角度は、引掻き傷の方向（例えば、引掻き傷が長手方向に伸びる方向）を示してもよい。決定論的ルールの別の例としては、重要でない、あるいは、冗長な形状を有するエリアに位置する欠陥は、ニューサンス欠陥としてビンニングされてよいことが挙げられよう。ルールのシーケンスに含まれ、かつ、検査データに適用される決定論的ルールは、例えば、興味ある欠陥、試験体上に形成されることが予想される欠陥、試験体特性、試験体のプロセス履歴などによって異なっていてよい。ルールはまた、検査データを生成するのに用いられる検査ツールの一つまたはそれ以上の特性（例えば、電子ビームまたは光学式などの検査ツールタイプ、波長、光学的構成などの検査ツール構成など）によって異なっていてよい。

統計的ルールは、色、サイズ、エッジ鮮明度、偏心率、真円度、透明度、テクスチャー（「粗さ」）、コンテキスト、または、それらの何らかの組合せなどの、欠陥の特性に基づいている。検査データに適用される統計的ルールは、例えば、興味ある欠陥、試験体上に予想される欠陥、興味ある欠陥または予想される欠陥の特性、試験体の特性、および試験体のプロセス履歴によって異なっていてよいことは明らかである。また、統計的ルールは、検査データを生成するのに用いられる検査ツールのタイプ、および、波長、光学的構成などの検査ツールの他の特性などによって異なっていてよい。統計的ルールは、特性を統計的に適用して、欠陥をビンニングする。

欠陥のサイズは、高さ、幅、長さ、アスペクト比、面積などの各種の寸法特性を含んでいてよい。これらの特性のうちのいくつかは、属性として直接用いることができ、あるいは、それらを、統計的ルールに通して、訓練セットのメンバー、または、サイズの抽象概念と、サイズが同様である欠陥を見出してよい。欠陥情報に適用するのに用いられる統計的ルール（および決定論的ルール）に入力される欠陥の特性は、ここでさらに述べるように、ユーザによって選択されてよい。

統計的ルールによって用いられる特性は、統計的ルールに対するユーザの理解を助けるため、グループに組織化されてよい。例えば、統計的特性は、人間の理解に適合するよう、サイズおよびコンテキストなどの、知覚できるグループに組織化されてよい。ルールのそれぞれの下には、調整可能であるが全てのサンプルセットに対して訓練しなくてもよい訓練セットがあってもよく、あるいは、なくてもよい。したがって、ユーザは、ユーザが選択した特性のグループを用いて欠陥を分類することができ、それにより、微細なデテールでユーザを煩わせることなしに、既存の訓練された分類器より、より多くの制御をユーザに与える。

統計的ルールは、技術上既知の、任意の統計的パラメータに基づいていてよい。統計的ルールの例としては、最近傍タイプのルールおよびニューラルネットタイプのルールなどが挙げられる。統計的ルールは、例えば、非常に複雑な状況を記述するのに用いてよい。一つのこのような実施形態では、統計的ルールを用いて、バックグラウンドデータを、開放、低密度、および高密度などの異なるタイプに分類してよい。これらの複雑な状況は、それらを想定し、かつ、決定論的ルールにまで発展させるのが難しい。統計的ルールを用いて、新しいルールを生成するのに用いることができる新しい属性を開発することができる。統計的ルールは、入力またはパラメータとして、欠陥の一つまたはそれ以上の特性を用いてよい。このような特性は、ただ一つのグループとして、あるいは、任意の組合せで、用いられてよい。特性の制限されたシーケンスに対して必要とされるサンプル数は、特性の大きなセットに対して必要とされるサンプル数より少ない。また、決定論的ルールのうちの一つまたはそれ以上のルール、あるいは、統計的ルールのうちの一つまたはそれ以上のルールを、試験体上の他のレベルを補うように修正してよい。

一般に、統計的ルールは、訓練データを用いて生成される。訓練データは、多数の試験体に対して生成された検査データを含んでいてよく、これは、コンピュータに実装された方法によって統計的に解析される。次いで、統計的解析は、開放、低密度、および高密度バックグラウンドなどの試験体の各種のパラメータと関連付けられてよい。この関連付けは、ユーザによって定義されてよい。別法として、この関連付けは、コンピュータに実装された方法によって生成されてよい。

ルールのそれぞれは、多数の異なる特性に対するパラメータを含んでいてよい。このような特性は、任意の組合せで用いてよく、また、個々の特性のグループを、別々に重み付けしてよい。例えば、統計的特性のそれぞれを、各ルールにおいて別々に重み付けしてよい。各ルールに利用可能な厳密な特性は、検査またはレビューツールの性質によってのみ制限される。

図１に示すように、この方法は、工程１６に示すように、ルールのシーケンスの適用の結果に基づいて、欠陥を分類する工程も含んでいる。特に、欠陥は、検査データに適用された決定論的ルール、統計的ルール、ハイブリッドなルール、または、それらの組合せの結果に基づいて、分類されてよい。分類の結果は、欠陥に対する多重出力分類を含んでいてよい。別の例では、分類作業の出力は、欠陥の自動または手動レビューのためのサンプルプランを判定する工程などの、他の自動作業に送り込まれてよい。言い換えれば、分類の結果を用いて、直ぐ後の活動のため、欠陥をサンプリングしてよい。

一実施形態では、欠陥を分類する工程は、検査データへの、決定論的ルール、あるいは、決定論的ルールと統計的ルールとの組合せの適用の結果に基づいて、欠陥がニューサンス欠陥であるかどうかを判定する工程を含んでいてよい。例えば、ニューサンス欠陥は、試験体上の別のレベル、あるいは、試験体を形成するのに用いられたプロセスについての情報に基づく、一つまたはそれ以上の決定論的ルールを用いて識別されてよい。一つのこのような実施形態では、ウェーハ上のダイ内の欠陥の場所を、ダイ内のニューサンスまたは許容可能な欠陥の場所と比較してよく、この場所が一致する場合は、この欠陥は、ニューサンス欠陥として識別されてよい。この比較は、設計データまたはユーザ入力などの各種のデータソースに基づいて行なわれてよい。任意の他の方法を用いて、検査データ内のニューサンス欠陥を検出してよい。例えば、欠陥が、ビンのうちの少なくとも一つのビンに該当しない場合は、欠陥は、ニューサンス欠陥として識別されてよい。言い換えれば、決定論的および統計的ルールは、興味ある欠陥のみを識別するよう作成され、かつ、選択されてよい。ニューサンス欠陥として識別された欠陥は、検査データから濾過する（例えば、除去する）ことができる。

ここで述べる方法は、欠陥を分類するための、ルールベースの柔軟な手法である。ここで述べる方法の一つの利点は、この方法が、検査データに適用されるルールにおける相当な柔軟性および選択性を与えることである。例えば、検査データに適用するのに用いられる統計的ルール、決定論的ルール、およびハイブリッドなルールは、ユーザによって定義されていてよい。ユーザは、ルールを書いてよく、あるいは、既存のルールまたはコンピュータ生成されたルールを編集してよい。例えば、これらの柔軟なレシピは、簡単なレシピ、あるいは、ルールベースのレシピのコレクションとして、拡張可能マークアップ言語（XML）ドキュメントまたは他の使用可能なフォーマットとして、ファイルに格納されてよく、また、レシピは、オフラインまたはオンラインのユーザインタフェースを介して、作成し、かつ、編集することができる。

また、検査データに適用されるルールのシーケンスは、ユーザによって選択されてよい。例えば、この柔軟なレシピを、テンプレートとして、再利用し、かつ、再度組み合わせることができる。特に、この方法は、拡張可能な数の属性および関係を与える柔軟なユーザインタフェース（UI）を用いて、実行することができる。ここで述べる方法は、ユーザが、欠陥属性を評価し、かつ、ブールまたは算術演算子を用いて、結果を組み合わせることを可能にする。また、ソフトウェアを再度実行しなくても、構成を編集することによって、ルールのシーケンスに新しい属性を追加することができる。別の例では、ユーザは、検査データへの適用に利用可能な既存のルールの全てを含むルールデータベースまたはライブラリから、ルールを選択してよい。別法として、データベースまたはライブラリは、（例えば、検査された試験体のタイプ、あるいは、試験体の履歴に基づいて）検査データへの適用に利用可能なルールのサブセットのみを呈示してよい。次いで、ユーザは、呈示されたルールから一つまたはそれ以上のルールを選択することによって、検査データに適用されるべきルールのシーケンスを作成してよい。ユーザは、以下に詳述するUIを用いて、ルールのシーケンスを作成してもよい。

これら方法はまた、それらが行なわれてよいやり方において柔軟である。例えば、ここで述べる方法を実行するのに用いられるアーキテクチャは、検査データが利用可能な時はいつでも、ルールのシーケンスが呼び出されることを可能にするよう構成されていてよい。このやり方で、ルールのシーケンスは、試験体上でテスト作業１２が行なわれた後に、検査データに適用されてよい。術語「テスト作業」は、ここで使用される場合、検査中の検査ツール、あるいは、自動化されたレビューを行なっているレビューツールによって、試験体上で行なわれてよいプロセスのうちの一つのプロセスを指すよう意図されている。加えて、あるいは、別法として、ルールのシーケンスは、完全なウェーハ検査またはレビュー１４の後に、検査データに適用されてよい。有利には、各テスト作業および完全なウェーハ検査またはレビューの後に適用されるルールのシーケンスは、それらの、生成されたデータのタイプ、および、検出されている欠陥のタイプに対する感度に基づいて、選択されてよい。

別の例では、ルールのシーケンスの一部は、検査中に欠陥が見出された際に適用されてよい。ルールのシーケンスの別の部分は、検査の終了時に適用されてよい。ルールのシーケンスの、この他方の部分は、欠陥の、試験体上の他の欠陥への近接性、あるいは、前の試験体履歴に基づくルールを含んでいてよい。ルールのシーケンスの、他方の部分が適用された後に、依存的ルールを適用してもよい。

別の例では、この方法は、ルールのシーケンスをいつ検査データに適用するかに関しても柔軟である。例えば、ルールのシーケンスは、一つのテスト作業後に、試験体上で別のテスト作業が行なわれている間に、検査データに適用されてよい。したがって、ルールのシーケンスは、検査がいまだ行なわれている間に、検査データに適用されてよい。追加的に、ルールのシーケンスは、ユーザが欠陥をレビューしている間に、検査データに適用されてよい。このやり方で、ここで述べる方法は、全体的な欠陥分類プロセスの処理量を向上させることができる。

ここで述べる方法の柔軟性のさらなる例では、検査データに、ルールの異なるシーケンスを適用してよい。また、ルールの一つのシーケンスの適用の結果を用いて、ルールの別のシーケンスを検査データに適用すべきかどうか、また、もし適用すべき場合は、ルールのどのシーケンスを適用するか、を判定してよい。適用されるルールの異なるシーケンスは、ユーザによって選択されてよい。ルールの異なるシーケンスのそれぞれは、上記のように構成されていてよい。特に、ルールの異なるシーケンスのそれぞれは、一つまたはそれ以上の統計的ルール、一つまたはそれ以上の決定論的ルール、一つまたはそれ以上のハイブリッドなルール、または、それらの何らかの組合せを含んでいる。また、ルールの異なるシーケンスは、異なるやり方で生成され（例えば、一つのシーケンスはユーザ定義され、別のシーケンスはコンピュータ生成され）てよく、あるいは、同じやり方で生成されてよい。

また、ユーザは、興味ある既知のエリアに基づいて、統計的、決定論的、および（または）、ハイブリッドなルールで用いられるべき欠陥のアスペクトまたは特性において、選択的であり得る。例えば、ユーザが、主として、欠陥自体の外観ではなく、バックグラウンドの外観（その密度または形状）による欠陥に関心がある場合は、コンテキストに焦点を当てたルールを選択することができる。別法として、ユーザにとって形状よりサイズがより重要な場合は、形状よりサイズ特性をより大きく重み付けすることができる。

さらにまた、ここで述べる方法は、異なるハードウェア構成を有する異なる検査またはレビューツールによって生成された検査データに対して、行なうことができる。例えば、上記のように、検査データに適用される決定論的ルール、統計的ルール、およびハイブリッドなルールは、検査データを生成するのに用いられた検査ツールの構成によって異なっていてよい。また、適用される決定論的ルール、統計的ルール、およびハイブリッドなルールは、ここで述べるように、比較的容易に、かつ、迅速に変えてよい。例えば、ユーザは、属性の数または属性のタイプに対する制限なしに、ブール式を用いて、特性の構成可能なセットを共に組み合わせることができる。この柔軟性は、異なるハードウェアを有する多重ツール上で同じソフトウェアを使用することを可能にする。したがって、多くの異なる半導体試験体および多くの異なる検査ツールに、同じ方法を適用可能であってよい。また、これらのレシピは、拡張可能マークアップ言語（XML）ドキュメントまたは他の読み取り可能なフォーマットとしてファイルに格納されてよく、これらは、異なる検査ツール間で「移植」することができる。

さらに、ここで述べる方法は、それらが、技術上既知の任意のインタフェースを有する技術上既知の任意のソフトウェア構成体を用いて実行することができるという点で、柔軟であり、かつ、有利である。例えば、ここで述べる方法は、各種の他の欠陥解析エンジンのためのプラグインとして構成されていてよい。UIは、技術上既知の任意のツールパッケージを用いて実行することができ、かつ、技術上既知の任意のオペレーティングシステム上で走らせることができる。

図１に示した方法は、多数の追加の工程を含んでいてもよい。例えば、一実施形態では、この方法は、工程１８に示すように、分類の結果に基づいて、一つまたはそれ以上の検査レシピをチューニングする工程を含んでいてよい。検査レシピをチューニングする工程は、カテゴリーの異なる組合せで欠陥を見ることによって、行なわれてよい。いくつかの実施形態では、検査レシピ（複数も可）をチューニングする工程は、検査レシピ（複数も可）が、一つまたはそれ以上の選択されたタイプの欠陥に対してより感度が高くなるよう、検査レシピ（複数も可）の一つまたはそれ以上のパラメータを変更する工程を含んでいてよい。変更されてよい検査レシピ（複数も可）の一つまたはそれ以上のパラメータは、例えば、検査ツールのタイプ、照明の波長、入射角度、収集角度、偏光、サンプリング率などを含んでいてよい。別の実施形態では、検査レシピ（複数も可）をチューニングする工程は、検査レシピ（複数も可）が、ニューサンス欠陥に対してより感度が低くなるよう、検査レシピ（複数も可）の一つまたはそれ以上のパラメータを変更する工程を含んでいてよい。さらなる実施形態では、検査レシピ（複数も可）をチューニングする工程は、試験体を再検査するのに用いられることになる検査レシピをチューニングする工程を含んでいてよい。再検査は、欠陥の分類後に、あるいは、試験体上で修理または清浄化プロセスなどの別のプロセスが行なわれた後に、行なわれてよい。別の実施形態では、この方法は、既存のレシピをチューニングする代わりに、上述したように、分類の結果に基づいて新しい検査レシピを作成する工程を含んでいてよい。

別の実施形態では、この方法は、工程２０に示すように、欠陥を分類した結果を用いて技術解析を行なう工程を含んでいてよい。技術解析は、ここで述べる分類方法によって生成された欠陥データを用いる工程、および、オプションとして、異なる分類レシピを走らせる工程を含んでいてよい。技術解析は、例えば、試験体を製造するのに用いられるプロセスのうちの一つまたはそれ以上のプロセスが、確立された許容差の範囲外であるかどうかを判定する工程を含んでいてもよい。別の例では、技術解析は、試験体を製造するのに用いられるプロセスのうちの一つまたはそれ以上のプロセスをモニターする工程を含んでいてよい。また、技術解析は、試験体を製造するのに用いられる一つまたはそれ以上のプロセスの一つまたはそれ以上のパラメータを変更すべきかどうかを判定する工程、および、新しいパラメータ、あるいは、補正が望まれる場合は、補正係数を判定する工程を含んでいてよい。このやり方で、技術解析は、統計的プロセス制御、フィードバック制御、および技術上既知の任意の他のタイプの制御を含んでいてよい。例えば、技術解析は、試験体上で行なわれることになる一つまたはそれ以上のプロセス、および（または）、試験体上で行なわれることになる一つまたはそれ以上のプロセスのための一つまたはそれ以上のパラメータを判定するためのフィードフォワード制御を含んでいてよい。一つのこのような実施形態では、技術解析は、試験体上で清浄化または他の修理プロセスを行なうべきかどうかを判定する工程を含んでいてよい。

別の例では、この方法は、ビンニングされた欠陥を解析する工程を含んでいてよい。欠陥を解析する工程は、ビン内の欠陥の場所を判定する工程、ビン内の欠陥の場所をマッピングする工程、または、ビン内の欠陥に対応する検査データに対して、任意の他の機能を行なう工程を含んでいてよい。追加の例では、この方法は、エネルギー分散型X線分光法（「EDS」）デバイス（これは、欠陥の組成を判定するのに用いることができる）などの、一つまたはそれ以上の追加の検査、および（または）、レビュープロセスまたはツールを用いて、ウェーハ上の実際の欠陥を解析する工程を含んでいてよい。さらなる例では、この方法は、ビン内の欠陥をソートする工程を含んでいてよい。ビン内の欠陥は、場所および（または）サイズなどの、欠陥の一つまたはそれ以上の特性を用いてソートされてよい。

検査データに適用される決定論的ルール、統計的ルール、ハイブリッドなルール、または、それらの何らかの組合せは、上述したように、ユーザによって選択されてよい。例えば、検査データに適用されるルールのシーケンスは、対話形式のUIを扱うユーザによって、選択され、かつ、組織化されてよい。特に、ユーザは、欠陥の分離を、多くの異なるレベルを有し得るツリーとして表す対話形式のUIを扱うことによって、柔軟な分類器を構築してよい。しかしながら、欠陥の分離は、技術上既知の任意の他の方法、グラフィック、または、構造を用いて、対話形式のUIにおいて、表現されてよい。

このようなUIの一例が、図２に示されている。ルールのシーケンスは、対話形式のUIに、異なるレベル２６を有するツリー２４として表現されている。図２に示した対話形式のUIには、ツリーの４つのレベルが示されているが、上下にスクロールすることによって、ツリーのより多くのレベルを示すことができることを理解すべきである。また、図２に示した対話形式のUIにおいては、ツリーの４つのレベルが示されているが、このツリーは、任意の適当な数のレベルを含んでいてよく、また、ツリーが生成され、かつ、編集される柔軟性は、生成されてよい異なるタイプおよび構成のツリーにおいて、相当な利点を有利に与えることを理解すべきである。

ユーザは、基本要素をノード（これは、決定論的または統計的ノードとして構築することができる）として扱うことによって、ルール／決定ツリーを構築することができ、あるいは、ユーザは、この要素を、統計的分類器と属性とを組み合わせたより複雑なノード（すなわち、ハイブリッドなノード）に組み合わせることができる。図２にさらに示すように、ツリー２４は、一つまたはそれ以上の分岐３０、一つまたはそれ以上の終端ビン３２、またはそれらの何らかの組合せを生成するノード２８を含んでいる。タイプに関わらず、ツリー内のいかなるノードも、一つまたはそれ以上の分岐および（または）一つまたはそれ以上の終端ビンを生成することができる。そのようなものとして、統計的分類器の出力は、決定論的ノード出力と同じである。言い換えれば、両方のタイプのノードが、ルールとして機能する。

ツリー内の各ノードは、シーケンスに含まれるルールを表している。このやり方で、このツリーは、決定論的ノード、統計的ノード、ハイブリッドな決定論的・統計的ノード、または、それらの何らかの組合せを含んでいてよい。ツリーでは、決定論的ノードは、属性名（例えば、評価されている属性および適用されているルール）で指定されてよく、また、統計的および他の複雑なノード（例えば、ハイブリッドなノード）は、名前で指定されてよい。このようなグラフィカル表現は、ユーザによって行われた選択の結果を見、かつ、把握するのを助ける。簡単または複雑なノードのそれぞれは、サブレシピとして保存され、かつ、他の分類器で再利用されてよい。

対話形式のUIは、分類する工程の結果を、グラフィカルに、かつ、サンプル画像と共に、示してよい。例えば、分類器性能ボックス３４に示すように、UIは、一つのノードにグループ化された欠陥の数を示してよい。分類器性能は、混同図で示されているが、任意の適当なグラフィックまたは方法を用いて、分類器性能を示してよいことを理解すべきである。それに対して性能が示されるノードは、ツリー２４内で強調表示されている分類器ノードなどの、ツリー２４内のノードを選択することによって、選択されてよい。また、分類器性能ボックス内の「ショー・デフェクツ（欠陥を示せ）」オプション（図示せず）を選択することによって、欠陥のサンプル画像を示してよい。サンプル画像は、生の検査データを含んでいてよい。他のタイプの欠陥データを、同様のやり方で示してよい。ユーザが、サンプル母集団に対するツリーを構築する際に、分類する工程の結果は、グラフィカルに、かつ、例示画像を介して、利用可能であってよい。したがって、UIは、分類器のセットアップ中に、ユーザにフィードバックを与える。

対話形式のUIは、選択されたノードについての他の情報を示してもよい。例えば、UIは、ノードについての一般的な情報を、ノード情報ボックス３８内に表示してよい。一例では、ノードタイプは、ノード情報ボックス内にリスト化されてよい。また、分類器情報は、ノード情報ボックス内にリスト化されてよい。さらにまた、UIを用いて、選択されたノードに対して行われた任意の変更を、ノード情報ボックス内のセーブボタンを選択することによって保存してよい。また、ノード情報ボックス内のロードボタンを選択することによって、ツリー内の既存のノードを置き換えてよい。ノード情報ボックス内のロードボタンを選択した結果、ユーザがツリーに挿入するのに利用可能な多数のノードが呈示されてよい。

ノード情報ボックスは、ノードに対して手動で選択されたノードの特性も示す。例えば、ノード情報ボックス３８の手動特性選択部４０には、ノードに利用可能な特性が示されている。また、手動特性選択部は、選択された特性および選択されなかった特性の両方を示す。特に、選択されたノードについては、選択された特性は、この特定のタイプの検査機器に利用可能な特性のサブセットである。

図２のUIにおいては、多数の特定の特性が示されているが、機器に応じて、各ノードに対して、任意数の特性が利用可能であってよく、かつ、選択されてよく、また、各ノードに利用可能な特性は、技術上既知の任意の適当な特性を含んでいてよいことを理解すべきである。手動特性選択部においてさらに示すように、各特性は、個々に、手動で重み付けすることができ、また、重み付けする工程は、グラフィカルに、かつ、数値的に示される。また、ユーザは、デフォルトボタン４２を選択して、特性に割り当てられた個々の重みを、それらのデフォルト値に設定することができる。

ノード情報ボックスは、ノードを生成するのに用いられた訓練セットについての情報も与える。訓練セット部４４は、訓練セットを用いて生成されたノード（例えば、統計的ノード）に対してのみ、示されてよい。訓練セット部に示されたファイルを選択することによって、訓練セットの内容を示してよい。また、UIは、このファイルを選択することによって、ひとたび訓練セットが開かれると、訓練セットが編集され得るよう構成されていてよい。訓練セットは、手動で編集されてよい。別法として、訓練セットは、コンピュータに実装された方法によって自動的に変更されてよく、また、このような変更は、それらが完了されるまで、UIにおいて表示されなくてよい。

図２に示したUIは、利用できる欠陥ボックス４６を含んでいてもよい。利用できる欠陥ボックスは、検証欠陥を示してよい。例えば、利用できる欠陥ボックスは、欠陥を、それらがADCなどの別の分類方法によって分類された欠陥として示してよい。したがって、異なる方法の結果が比較でき、また、個々の分類機能を、それに従って編集することができる。図２に示すように、利用できる欠陥ボックスは、欠陥の画像を示してよい。別法として、利用できる欠陥ボックスは、技術上既知の任意の適当な方法を用いて、検証欠陥についての情報を与えてよい。

図２では、UIは、ツリーおよびツリーの選択されたノードについての情報を含む４つの異なるボックスを含むように示されているが、UIは、４つ未満の情報ボックスまたは４つ以上の情報ボックスを含んでいてよいことを理解すべきである。一般に、UIにおいて示される情報の量および組織化は、可能な限り最も管理しやすく、かつ、把握しやすいやり方で、ユーザに最大量の情報を呈示するよう設計されていてよい。

図３は、ツリー２４内で異なるノードが選択されているユーザインタフェースの別の例を示している。例えば、図２に示したプロトタイプスクリーンショットでは、統計的分類器ノードが選択されていたが、図３のプロトタイプスクリーンショットでは、決定論的ノードが選択されている。このやり方で、図２と図３との比較は、ユーザインタフェースにおいて表示される情報が、ノードおよび選択されているノードのタイプによって変化することになることを示す。例えば、図２と同じく、図３は、分類器性能ボックスを含んでおり、これは、上記のように構成されていてよい。しかしながら、分類器性能ボックスは、この例では、前に選択された分類器ノードの代わりに、選択されている決定論的ノードによる、欠陥のグループ化または分離を含んでいてよい。

また、図３は、ノード情報ボックス３８を含んでいる。しかしながら、分類器性能ボックスと同じく、ノード情報ボックスに表示されている情報は、選択されたノードを反映するように変化している。例えば、ツリー２４では、決定論的ノードが選択されたため、ノード情報ボックスは、オリジナルルールの記述４８およびルール定義の記述５０を表示している。図３では、オリジナルルールの記述とルール定義の記述は同じであるが、これらの記述は異なっていてよいことを理解すべきである。

ノード情報ボックス３８は、ルール構築操作部５２も含んでおり、これは、ユーザによって選択され、あるいは、選択解除され得る多数の異なる属性のリスト５４を与える。また、ルール構築操作部は、選択された属性（複数も可）と組み合わされてよい、可能な演算子のリスト５６を含んでいる。このやり方で、この方法は、UIを用いて、制限のないブール演算子を欠陥属性に適用して、シーケンスに含まれる決定論的ルールのうちの一つまたはそれ以上のルールを構築する工程を含んでいてよい。可能な演算子のリストは、ユーザによってどの属性（複数も可）が選択されるかによって、変更されてよい。

ルール構築操作部は、さらに、入力ボックス５８を含んでおり、この中に、ユーザは、選択された演算子と共に用いられるべき値を入力することができる。ユーザは、所望の値が表示されるまで、入力値ボックスの隣の矢印をクリックすることによって、値を入力することができ、あるいは、ユーザは、入力値ボックスに値をタイプすることができる。ルール構築操作部は、ヒストグラムオプション６２がチェックされている場合は、ユーザにヒストグラム６０も表示してよい。ヒストグラムは、選択された属性（複数も可）の各種の値を有する欠陥の数を示してよい。このやり方で、ルール構築操作ボックスは、ユーザに、欠陥についての情報を与え、したがって、ユーザは、この情報を用いて、試験体上の欠陥にとって有用となるルールを構築することができる。

図３に示すように、このユーザインタフェースは、図２に示した訓練セットボックス４４のような訓練セットボックスを含んでいない。選択されたノードは決定論的ノードなので、図３のユーザインタフェースにおいては、訓練セットボックスは表示されていない。訓練セットは、決定論的ノードには利用できない。

図３にさらに示すように、ユーザインタフェースは、利用できる欠陥ボックス４６を含んでおり、これは、上記のように、検証欠陥を示してよい。このボックスに示された検証欠陥情報は、上記の情報を含んでいてよい。また、検証欠陥情報は、ルールを構築しながら、ユーザに有用な情報を与えてよい。利用できる欠陥ボックスは、さらに上記のように構成されていてよい。図３のユーザインタフェースは、さらに上記のように構成されていてよく、かつ、図２のユーザインタフェースと同じ利点を有することになる。

図４は、ハイブリッドなツリーの一例の、より詳細な図である。この例は、決定論的ノード６４および６６は、それぞれ、統計的ノード６８および７０に分岐することができる、という概念を示している。また、統計的ノードは、決定論的ノードに分岐することができる。例えば、欠陥エリアのための決定論的ルールノードは、統計的ルールノードに分岐することができ、かつ、これらの統計的ルールノードのうちのいくつかの統計的ルールノードは、欠陥が明るいか、あるいは、暗いかに基づいて、決定論的ルールノードに分岐することができる。図４に示した一つのこのような例では、決定論的ノード６６は、統計的ノード７０に分岐し、かつ、統計的ノード７０は、３つの異なる統計的ノード７２、７４、および７６に分岐する。また、統計的ノード７４は、決定論的ノード７８および８０に分岐する。決定論的ノード７８は、欠陥が明るいかどうかに基づく決定論的ルールを表し、かつ、決定論的ノード８０は、欠陥が暗いかどうかに基づく決定論的ルールを表している。このツリーは、さらに、全ての欠陥８２が分類できるよう、上記のように構成されていてよい。

したがって、ここで述べる方法は、分離を行うための、ユーザの現在の優先事項に重点を置いた、柔軟、迅速、かつ直観的なやり方で、決定論的、統計的、および（または）ハイブリッドなルールを組み合わせた基準に基づいて、欠陥をビンまたはクラスに分離することによって、半導体試験体の検査およびレビューツールの有効性を増大させる。また、分類器は、業界で用いられている既存のルールベースの手法に比べてより多くのパワーを有する訓練された分類器よりも、速く、かつ、容易にセットアップできる。上記の方法の実施形態のそれぞれは、ここで述べる任意の他の工程（複数も可）を含んでいてよい。

方法（例えば、ここで記述する方法）を実行するプログラム命令は、キャリア媒体を越えて伝送され、あるいは、キャリア媒体上に格納されていてよい。キャリア媒体は、伝送媒体（例えば、ワイヤー、ケーブル、または無線伝送リンク）、あるいは、このようなワイヤー、ケーブル、またはリンクに沿って進む信号であってよい。キャリア媒体は、記憶媒体（例えば、読取り専用メモリ、ランダムアクセスメモリ、磁気または光ディスク、あるいは、磁気テープ）であってもよい。

一実施形態では、プロセッサは、プログラム命令を実行して、上記の実施形態によるコンピュータに実装された方法を行なうよう構成してよい。プロセッサは、パーソナルコンピュータシステム、メインフレームコンピュータシステム、ワークステーション、ネットワーク機器、インターネット機器、パーソナルデジタルアシスタント（「PDA」）、テレビジョンシステムまたは他のデバイスを含む、各種の形態を取ってよい。一般に、術語「コンピュータシステム」は、一つまたはそれ以上のプロセッサ（これは、メモリ媒体からの命令を実行する）を有する任意のデバイスを包含するよう広く定義されてよい。

プログラム命令は、とりわけ、手続きベースの技法、コンポーネントベースの技法、および（または）、オブジェクト指向技法を含む、各種のやり方のうちの任意のやり方で、実行されてよい。例えば、プログラム命令は、必要に応じて、ActiveX（登録商標）コントロール、C++オブジェクト、JavaBeans（登録商標）、Microsoft Foundation Class（「MFC」）、あるいは、他の技術または方法論を用いて、実行されてよい。

図５は、半導体試験体９０上で検出された欠陥を分類するための、ここで述べるコンピュータに実装された方法のうちの一つまたはそれ以上の方法を行なうよう構成されたシステムの一実施形態を示している。図５に示したシステムは、ウェーハなどの半導体試験体を検査するよう構成されている。しかしながら、このシステムは、任意の他の半導体試験体（例えば、レチクル）の検査に適した技術上既知の任意の構成を有していてよい。

このシステムは、プロセッサ９２を含んでいる。このプロセッサは、技術上既知の任意の適当なプロセッサを含んでいてよい。例えば、このプロセッサは、画像コンピュータまたはパラレルプロセッサであってよい。また、このプロセッサは、上記のように構成されていてよい。このシステムは、キャリア媒体９４も含んでいる。このキャリア媒体は、上記のように構成されていてよい。例えば、キャリア媒体９４は、プログラム命令９６を含んでおり、これは、プロセッサ９２上で実行可能である。このプログラム命令は、その実行によって、上記の方法の実施形態のうちの任意の実施形態を行うことができるものであってよい。このプログラム命令は、さらに上記のように構成されていてよい。

いくつかの実施形態では、このシステムは、検査および（または）レビューツール９８を含んでいてもよい。ツール９８は、半導体試験体９０上の欠陥を検出するよう、かつ、半導体試験体上の欠陥についての情報を含む半導体試験体のための検査データを生成するよう構成されていてよい。ツール９８は、プロセッサ９２に結合されていてよい。例えば、ツール９８の一つまたはそれ以上の構成要素は、伝送媒体（図示せず）によってプロセッサ９２に結合されていてよい。この伝送媒体は、「有線」および「無線」部分を含んでいてよい。別の例では、ツール９８の検出器１００は、出力１０２を生成するよう構成されていてよい。この出力は、伝送媒体を越えて、検出器１００からプロセッサ９２に伝送されてよい。いくつかの実施形態では、この出力は、検出器とプロセッサとの間に結合された一つまたはそれ以上の電子構成要素を介して伝送されてもよい。したがって、出力１０２は、ツールからプロセッサに伝送され、また、プログラム命令９６は、プロセッサ上で実行して、半導体試験体上で検出された欠陥を、出力１０２に含まれる検査データを用いてビンニングすることが可能であってよい。プログラム命令９６は、さらに、プロセッサ上で実行して、ここで述べる他の機能（例えば、分類機能を行なう、ビン内の欠陥をソートする、ビン内の欠陥をマッピングする、など）を行なうことができるものであってよい。このプログラム命令は、プロセッサ上で実行して、半導体試験体上の欠陥を、技術上既知の任意の方法（例えば、ダイ比較）を用いて検出することができるものであってもよい。

検査および（または）レビューツール９８は、技術上既知の任意の技法を用いて半導体試験体の検査を行なうよう構成されていてよい。例えば、このツールは、半導体試験体によって散乱された光を検出するよう、かつ（あるいは）、試験体の画像を形成するよう構成されていてよい。また、このツールは、測定中、その上に半導体試験体９０を配設してよいステージ１０４を含んでいる。このステージは、技術上既知の任意の適当な機械的またはロボチックアセンブリを含んでいてよい。このツールは、光源１０６も含んでいる。光源１０６は、技術上既知の任意の適当な光源を含んでいてよい。また、このツールは、ビームスプリッタ１０８を含んでいてよく、これは、光源１０６からの光を、試験体９０の上面に略垂直な角度で、試験体９０に向けるよう構成されている。このビームスプリッタは、技術上既知の任意の適当なビームスプリッタを含んでいてよい。このツールは、さらに、検出器１００を含んでおり、これは、ビームスプリッタ１０８によって伝送される光を検出するよう構成されている。この検出器はまた、出力１０２を生成するよう構成されている。この検出器は、上記の検出器のうちの任意の検出器、あるいは、技術上既知の任意の他の適当な検出器を含んでいてよい。

図５は、この検査および（または）レビューツールの一つの一般的な構成を示すが、このツールは、技術上既知の任意の適当な構成を有していてよいことを理解すべきである。例えば、検査および（または）レビューツール９８を、2360ツール、AITファミリーのツールのうちの一つ、SL3UVツール、Surfscan（登録商標）ファミリーのツールのうちの一つ、TeraScanまたはTeraStarツール、およびViperファミリーのツールのうちの一つ（これらは全て、KLA-Tencorから市販されている）の測定ヘッドで置き換えてよい。また、この検査および（または）レビューツールは、光学イメージングシステム、エリプソメーターベースのシステム、スキャタロメーターベースのシステムなどの他の光学システム、および（または）、CD SEM並びにeS25およびeS30システム（これらはKLA-Tencorから市販されている）などの電子ビームシステムを含んでいてよい。

さらに、この説明を考察すれば、本発明の各種のアスペクトの変更態様および代わりの実施形態が、当業者には明らかであろう。例えば、欠陥を分類するための、コンピュータに実装された方法が得られる。したがって、この説明は、単に説明的なものと解釈すべきであり、また、本発明を実施するための一般的なやり方を当業者に教示するのが目的である。ここで図示し、説明した本発明の形態は、現在好適な実施形態である、と取るべきであることを理解されたい。ここで図示し、説明した要素および材料の代わりに、他の要素および材料を用いてよく、部分およびプロセスを逆にしてよく、また、本発明のある形体を独立的に利用してよく、これらのことはすべて、本発明のこの説明を読んだ当業者には明らかであろう。ここで説明した要素は、以下のクレームに記述する本発明の精神および範囲を逸脱しない限り、変更してよい。

欠陥を分類するための、コンピュータに実装された柔軟な方法の一実施形態を示すフローチャートである。 欠陥を分類するための、コンピュータに実装された方法のうちの一つまたはそれ以上の方法を行なうのに用いることができるユーザインタフェースの一例を示すプロトタイプスクリーンショットである。 欠陥を分類するための、コンピュータに実装された方法のうちの一つまたはそれ以上の方法を行なうのに用いることができるユーザインタフェースの一例を示すプロトタイプスクリーンショットである。 ハイブリッドな分類ツリーを示すユーザインタフェースの詳細な例である。 コンピュータに実装された方法のうちの一つまたはそれ以上の方法を行なうのに用いることができるシステムの一実施形態の側面図を示す概略図である。

Claims (20)

1. 欠陥を分類するための、コンピュータに実装された柔軟な方法であって、
   半導体試験体の検査によって生成された検査データに、欠陥についてのルールのシーケンスを適用する適用工程であって、該ルールのシーケンスは、統計的ルール、決定論的ルール、ハイブリッドな統計的・決定論的ルール、または、それらの何らかの組合せを含む該適用工程と、
   前記適用工程の結果に基づいて該欠陥を分類する分類工程と、
   を含むことを特徴とする方法。
2. 決定論的ルールは、欠陥の特性に、一つまたはそれ以上のテストを適用し、かつ、該特性は、該欠陥が明るいか、あるいは、暗いか、該欠陥の、バックグラウンドに対するコントラスト、測定されたサイズ、検出方法、試験体の他のレベルにおける欠陥についての情報、該試験体上の該欠陥の場所、他の事象への近接性、あるいは、欠陥を分類するため決定論的に用いることができる属性の何らかの組合せを含むこととする請求項１に記載の方法。
3. 統計的ルールは、色、サイズ、エッジ鮮明度、偏心率、真円度、透明度、テクスチャー、コンテキスト、またはそれらの何らかの組合せを含む欠陥の特性に基づいており、かつ、該統計的ルールは、該特性を統計的に適用して、欠陥をビンニングすることとする請求項１に記載の方法。
4. 適用工程に用いられる統計的ルールおよび決定論的ルールに入力される欠陥の特性は、ユーザによって選択されることとする請求項１に記載の方法。
5. ルールのシーケンスの一部は、検査中に欠陥が見出された際に適用され、該ルールのシーケンスの別の部分は、該検査の終了時に適用され、該ルールのシーケンスの該別の部分は、欠陥の、試験体上の他の欠陥への近接性、あるいは、前の試験体履歴に基づくルールを含み、かつ、該別の部分が適用された後に、依存的ルールが適用されることとする請求項１に記載の方法。
6. 適用工程は、ユーザが欠陥をレビューしている間に行なわれることとする請求項１に記載の方法。
7. 分類工程の結果に基づいて検査レシピをチューニングする工程をさらに含むこととする請求項１に記載の方法。
8. 分類工程の結果を用いて、直ぐ後の活動のため、欠陥をサンプリングする工程をさらに含むこととする請求項１に記載の方法。
9. 分類工程の結果を用いて技術解析を行なう工程をさらに含むこととする請求項１に記載の方法。
10. 異なるハードウェア構成を有する異なる検査またはレビューツールによって生成されたデータに対して、コンピュータに実装された方法を行なう工程をさらに含むこととする請求項１に記載の方法。
11. 分類工程の結果は、該欠陥に対する多重出力分類を含むこととする請求項１に記載の方法。
12. 分類工程は、該決定論的ルールあるいは該決定論的ルールと統計的ルールとの組合せを適用する前記適用工程の結果に基づいて、該欠陥がニューサンス欠陥であるかどうかを判定する工程を含むこととする請求項１に記載の方法。
13. 統計的ルールおよび該ハイブリッドな統計的・決定論的ルールは、これらのルールに対するユーザの理解を助けるため、かつ、該ユーザの意図を反映した分類を与えるため、選択のためのグループに組織化されることとする請求項１に記載の方法。
14. 統計的ルールは、別々に重み付けされることとする請求項１に記載の方法。
15. ルールのシーケンスは、対話形式のユーザインタフェースを扱うユーザによって組織化され、かつ、該ルールのシーケンスは、該対話形式のユーザインタフェースにおいて、異なるレベルを有するツリーとして表現されることとする請求項１に記載の方法。
16. ツリーは、一つまたはそれ以上の分岐、一つまたはそれ以上の終端ビン、または、それらの何らかの組合せを生成するノードを含むこととする請求項１５に記載の方法。
17. ツリーは、決定論的ノード、統計的ノード、またはハイブリッドな決定論的・統計的ノードを含むこととする請求項１５に記載の方法。
18. ツリーは、特性名で指定された決定論的ノード、名前で指定された統計的ノード、および名前で指定されたハイブリッドなノードを含むこととする請求項１５に記載の方法。
19. 対話形式のユーザインタフェースは、分類する工程の結果を、グラフィカルに、かつ、サンプル画像と共に、示すこととする請求項１５に記載の方法。
20. 制限のないブール演算子を欠陥特性に適用する工程を介して、対話形式のユーザインタフェースを用いて、決定論的ルールのうちの一つのルールを構築する工程をさらに含むこととする請求項１５に記載の方法。

Images