JP2021509772A - 電子顕微鏡を使用した半導体計測および欠陥分類 - Google Patents

電子顕微鏡を使用した半導体計測および欠陥分類 Download PDF

Info

Publication number
JP2021509772A
JP2021509772A JP2020537154A JP2020537154A JP2021509772A JP 2021509772 A JP2021509772 A JP 2021509772A JP 2020537154 A JP2020537154 A JP 2020537154A JP 2020537154 A JP2020537154 A JP 2020537154A JP 2021509772 A JP2021509772 A JP 2021509772A
Authority
JP
Japan
Prior art keywords
electron microscope
semiconductor
microscope images
wafers
simulated
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.)
Granted
Application number
JP2020537154A
Other languages
English (en)
Other versions
JP7097447B2 (ja
Inventor
スティリアン パンデフ
スティリアン パンデフ
アレクサンダー クズネツォフ
アレクサンダー クズネツォフ
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.)
KLA Corp
Original Assignee
KLA Corp
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 KLA Corp filed Critical KLA Corp
Publication of JP2021509772A publication Critical patent/JP2021509772A/ja
Application granted granted Critical
Publication of JP7097447B2 publication Critical patent/JP7097447B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/10056—Microscopic 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一部の実施形態では、半導体構造のそれぞれのインスタンスについての第１の複数の電子顕微鏡画像が第１のソースから取得される。第１の複数の電子顕微鏡画像は、１つ以上の半導体製造パラメータの異なる値を示す。第１の複数の電子顕微鏡画像と１つ以上の半導体製造パラメータの値との間の関係を特定するモデルが訓練される。１つ以上の半導体ウエハ上の半導体構造のそれぞれのインスタンスについての第２の複数の電子顕微鏡画像が収集される。１つ以上の半導体ウエハは、第１のソースとは異なる。第２の複数の電子顕微鏡画像に対する１つ以上の半導体製造パラメータの値は、モデルを使用して予測される。

Description

本開示は、半導体検査に関し、より詳細には、電子顕微鏡画像を使用した半導体計測および／または欠陥分類に関する。
本出願は、２０１８年１月５日に出願された「Ｍｅｔｈｏｄ ｆｏｒ Ｍｅｔｒｏｌｏｇｙ ａｎｄ Ｄｅｆｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｏｎ Ｄｅｖｉｃｅ Ｌｉｋｅ Ｓｔｒｕｃｔｕｒｅｓ Ｕｓｉｎｇ ＣＤ−ＳＥＭ Ｉｍａｇｅｓ」と題された米国仮特許出願第６２／６１３，９４６号の優先権を主張し、その全体をすべての目的のために本願に引用して援用する。
半導体計測は、電子顕微鏡画像で半導体構造の寸法を明示的に測定することによって行うことができる。例えば、ライン間隔（すなわち、ピッチ）を測定するためには、限界寸法の走査型電子顕微鏡（ＣＤ−ＳＥＭ）画像に示されるようなラインのエッジを平均化し、連続する平均値間の距離を決定する。しかしながら、このような測定は、ノイズが多く不正確な場合があり、任意のまたは複雑な構造に対して行うのが困難である。非幾何学的パラメータ（例えば、リソグラフィの焦点および線量）は、一部の幾何学的パラメータ（例えば、オーバーレイ、膜厚、側壁角度）と同様に、そのような測定を使用して決定することは困難である。そのような測定はまた、測定されている特徴以外には画像の情報を活用することができない。
米国特許出願公開第２０１７／０２００２６５号 米国特許出願公開第２０１４／０３１６７３０号 米国特許出願公開第２０１７／０１９３６８０号
したがって、半導体製造パラメータの値を決定するために電子顕微鏡画像を使用した改善された方法およびシステムが必要である。
一部の実施形態では、半導体の製造を監視する第１の方法は、１つ以上のプロセッサと、１つ以上のプロセッサによる実行のための命令を記憶するメモリと、を含むコンピュータシステムにおいて行われる。第１の方法では、半導体構造のそれぞれのインスタンスについての第１の複数の電子顕微鏡画像が第１のソースから取得される。第１の複数の電子顕微鏡画像は、１つ以上の半導体製造パラメータの異なる値を示す。第１の複数の電子顕微鏡画像と１つ以上の半導体製造パラメータの値との間の関係を特定するモデルが訓練される。１つ以上の半導体ウエハ上の半導体構造のそれぞれのインスタンスについての第２の複数の電子顕微鏡画像が収集される。１つ以上の半導体ウエハは、第１のソースとは異なる。第２の複数の電子顕微鏡画像に対する１つ以上の半導体製造パラメータの値は、モデルを使用して予測される。
一部の実施形態では、半導体の製造を監視する第２の方法は、１つ以上のプロセッサと、１つ以上のプロセッサによる実行のための命令を記憶するメモリと、を含むコンピュータシステムにおいて行われる。第２の方法では、半導体構造のそれぞれのインスタンスについての第１の複数の電子顕微鏡画像が第１のソースから取得される。第１の複数の電子顕微鏡画像は、１つ以上の半導体製造パラメータの異なる値を示す。第１の複数の電子顕微鏡画像は、それぞれの欠陥クラスと関連付けられる。第１の複数の電子顕微鏡画像と欠陥クラスとの間の関係を特定するモデルが訓練される。１つ以上の半導体ウエハ上の半導体構造のそれぞれのインスタンスについての第２の複数の電子顕微鏡画像が収集される。１つ以上の半導体ウエハは、第１のソースとは異なる。１つ以上の半導体ウエハ上の欠陥の１つ以上の欠陥クラスは、モデルを使用して予測される。
一部の実施形態では、半導体の製造を監視する第３の方法は、１つ以上のプロセッサと、１つ以上のプロセッサによる実行のための命令を記憶するメモリと、を含むコンピュータシステムにおいて行われる。第３の方法では、半導体構造のそれぞれのモデル化されたインスタンスについてのシミュレートされた電子顕微鏡画像が取得される。第１の複数の電子顕微鏡画像は、１つ以上の半導体製造パラメータの異なる値を示す。１つ以上の半導体ウエハ上の半導体構造のそれぞれのインスタンスについての複数の電子顕微鏡画像が収集される。複数の電子顕微鏡画像に対する１つ以上の半導体製造パラメータの値は、シミュレートされた電子顕微鏡画像を使用して予測される。値を予測するステップは、複数の電子顕微鏡画像とシミュレートされた電子顕微鏡画像との間で回帰分析を行うステップを含む。
一部の実装形態では、コンピュータシステムは、１つ以上のプロセッサと、１つ以上のプロセッサによる実行のための１つ以上のプログラムを記憶するメモリと、を含む。１つ以上のプログラムは、上記の第１の方法、第２の方法、および／または第３の方法を実行するための命令を含む。一部の実施形態では、非一時的なコンピュータ可読記憶媒体は、コンピュータシステムによる実行のために構成された１つ以上のプログラムを記憶する。１つ以上のプログラムは、上記の第１の方法、第２の方法、および／または第３の方法を実行するための命令を含む。
記載される様々な実施態様をよりよく理解するために、以下の図面と併せて、以下の発明を実施するための形態を参照されたい。
一部の実施形態による、半導体の製造を監視する方法の流れ図である。 一部の実施形態による、半導体の製造を監視する方法の流れ図である。 一部の実施形態による、半導体の製造を監視する方法の流れ図である。 一部の実施形態による、シミュレートされた電子顕微鏡画像を取得する方法の流れ図である。 一部の実施形態による、シミュレートされた電子顕微鏡画像を取得する方法の流れ図である。 様々なオーバーレイ値、すなわち様々な程度のピッチ誤差を有する複数の電子顕微鏡画像である。 一部の実施形態による半導体検査システムのブロック図である。
同様の参照番号は、図面および明細書全体を通して対応する部分を指す。
ここで、様々な実施形態を詳細に参照し、それらの例が添付図面に示されている。以下の詳細な説明では、様々な記載された実施形態についての完全な理解を提供するために数多くの特定の詳細が述べられる。しかしながら、記載された様々な実施形態がこれらの特定の詳細なしに実施され得ることは、当業者には明らかであろう。他の例では、周知の方法、手順、構成要素、回路、およびネットワークは、実施形態の態様を不必要に不明瞭にしないように、詳細には説明されていない。
図１は、一部の実施形態による、半導体の製造を監視する方法１００の流れ図を示す。方法１００は、コンピュータシステム（例えば、図７の半導体検査システム７００のコンピュータシステム）において実行することができる。方法１００のステップは、組み合わされてもよく、または分割されてもよい。
方法１００では、半導体構造のそれぞれのインスタンスについての第１の複数の電子顕微鏡画像が第１のソースから取得される（１０２）。第１の複数の電子顕微鏡画像は、１つ以上の半導体製造パラメータの異なる値を示す。例えば、第１の複数の各電子顕微鏡画像、または第１の複数の電子顕微鏡画像のそれぞれのグループは、１つ以上の半導体製造パラメータの値の異なるセットを示すことができる。第１の複数の電子顕微鏡画像は、走査型電子顕微鏡（ＳＥＭ）画像（例えば、ＣＤ−ＳＥＭ画像）または透過型電子顕微鏡（ＴＥＭ）画像であってもよい。
１つ以上の半導体製造パラメータは、１つ以上の幾何学的パラメータ（例えば、限界寸法、オーバーレイ、エッジ配置誤差、側壁角度など）を含むことができる。あるいは、または加えて、１つ以上の半導体製造パラメータは、１つ以上の非幾何学的パラメータを含むことができる。非幾何学的パラメータは、半導体製造プロセスにおける１つ以上のステップ（例えば、フォトリソグラフィステップ、エッチングステップ、堆積ステップなど）に関するパラメータを含むことができる。例えば、１つ以上の半導体製造パラメータは、フォトリソグラフィステップの焦点および／または線量を含むことができる。フォトリソグラフィステップの線量パラメータは、照射の量、したがって、半導体ウエハに（例えば、単一のフィールドが一度に照射される半導体ウエハの特定のフィールドに）提供される光子の数を定量化する。
半導体構造は、半導体ウエハ上の任意の構造であってよい。例えば、半導体構造は、半導体製造プロセスの性能を特徴付けるために設計されたテスト構造であってもよく、または半導体デバイスの一部（例えば、半導体ウエハ上のダイ）であってもよい。半導体構造は、半導体製造プロセスの１つ以上のステップが行われた後であるが、半導体製造プロセスが完了する前に形成されて、電子顕微鏡画像が取得されてもよい。
図６は、一部の実施形態による、ダブルパターニングフォトリソグラフィを使用して（すなわち、第１のフォトリソグラフィステップに続いて第２のフォトリソグラフィステップを使用して）製造された複数のライン６０２（例えば、金属ライン）を有する半導体構造の画像６００−１、６００−２、および６００−３の予測的な例を示す。画像６００−１、６００−２、および６００−３は、第１の複数の電子顕微鏡画像の例であり、実際のまたはシミュレートされた電子顕微鏡画像であってもよい。第１のフォトリソグラフィステップと第２のフォトリソグラフィステップとの間のオーバーレイを、画像６００−１、６００−２、および６００−３に対して変化させており、その結果、各画像６００に対して異なる程度のピッチ誤差が生じている。画像６００−１は、ピッチ誤差がないことを示し、画像６００−２は、第１の程度のピッチ誤差（例えば、パーセンテージとして測定される）を示し、画像６００−３は、第１の程度よりも大きい第２の程度のピッチ誤差を示す。
一部の実施形態では、第１のソースは、異なるフィールドが異なる値を有するように製造される実験計画法（ＤＯＥ）ウエハを含む（１０４）。第１の複数の電子顕微鏡画像のそれぞれの画像は、ＤＯＥウエハのそれぞれのフィールドから取得される。ウエハは、異なるフィールドに対して異なる値を有するように、実験計画（すなわち、「実験計画法」またはＤＯＥ）に基づいて製造されるため、ＤＯＥウエハと呼ばれる。各フィールドは、１つ以上の半導体製造パラメータに対して異なる値を有するように製造することができ、またはフィールドのそれぞれのグループは、各グループが１つ以上の半導体製造パラメータに対して異なる値を有するように製造することができる。（フィールド間およびフィールド内のパラメータ値の意図しないばらつきが生じる可能性もある。）
一部の実施形態では、第１のソースは、異なるウエハが異なる値を有するように製造される複数のＤＯＥウエハを含む（１０６）。第１の複数の電子顕微鏡画像のそれぞれの画像は、複数のＤＯＥウエハのそれぞれのウエハから取得される。ウエハは、異なるウエハが異なる値を有するように実験計画法に基づいて製造されるため、ＤＯＥウエハと呼ばれる。各ウエハは、１つ以上の半導体製造パラメータに対して異なる値を有するように製造することができ、または各グループが１つ以上の半導体製造パラメータに対して異なる値を有するようにウエハのそれぞれのグループを製造することができる。（ウエハ間およびウエハ上のパラメータ値の意図しないばらつきが生じる可能性もある。）
一部の実施形態では、第１の複数の電子顕微鏡画像は、シミュレートされた電子顕微鏡画像を含む（１０８）。例えば、第１の複数の電子顕微鏡画像のすべてがシミュレートされた電子顕微鏡画像であってもよい。シミュレートされた電子顕微鏡画像は、以下で説明するように、方法４００（図４）または５００（図５）を使用して取得されてもよい。
一部の実施形態では、第１の複数の電子顕微鏡画像の１つ以上の半導体製造パラメータの値は、基準計測ツール（例えば、第１の複数の画像を撮った電子顕微鏡）を使用して決定される（１１０）。基準計測ツールは、ステップ１１４（下記）で画像を収集するために使用される同じツールまたはタイプのツールであってもよく、または異なる（例えば、より正確であるがより遅い）ツールまたはタイプのツールであってもよい。基準計測ツールがステップ１１４で使用される同じツールまたはタイプのツールである場合、ツール設定はステップ１１４で使用されるものと同じであってもよく、または異なっていてもよい（例えば、より正確であるが遅い）。
第１の複数の電子顕微鏡画像と１つ以上の半導体製造パラメータの値との間の関係を特定するモデルが訓練される（１１２）。一部の実施形態では、モデルは、ニューラルネットワークである。一部の実施形態では、モデルは、教師あり学習を使用して訓練される。
１つ以上の半導体ウエハ上の半導体構造のそれぞれのインスタンスについての第２の複数の電子顕微鏡画像が収集される（１１４）。１つ以上の半導体ウエハは、第１のソースとは異なる。第２の複数の電子顕微鏡画像は、第１の複数の電子顕微鏡画像と同じタイプの電子顕微鏡画像であってもよく、したがって、ＳＥＭ画像（例えば、ＣＤ−ＳＥＭ画像）またはＴＥＭ画像であってもよい。第１の複数の電子顕微鏡画像は、実際のまたはシミュレートされた電子顕微鏡画像であってもよいが、第２の複数の電子顕微鏡画像は、実際の画像である。
第２の複数の電子顕微鏡画像に対する１つ以上の半導体製造パラメータの値は、モデルを使用して予測される（１１６）。
一部の実施形態では、１つ以上の半導体ウエハを製造するために使用される製造プロセスは、予測値に少なくとも部分的に基づいて調整される（１１８）。例えば、予測が、予測値がしきい値を満たす（例えば、超える、またはそれ以上の）量だけそれぞれの目標値と異なることを示す場合、プロセスは、将来のウエハに対する値が目標値の範囲内になる（例えば、しきい値の差を満たさない）ように調整される。一部の実施形態では、１つ以上の半導体ウエハは、予測値に少なくとも部分的に基づいて処置される（１２０）。それぞれのウエハを処置するステップは、それぞれのウエハを処理し続けるステップ、それぞれのウエハを再加工するステップ、またはそれぞれのウエハを廃棄するステップの間で選択するステップを含むことができる。一部の実施形態では、１つ以上の半導体ウエハ上の半導体デバイスの性能は、予測値に少なくとも部分的に基づいて推定される（１２２）。方法１００は、ステップ１１８、１２０、および１２２のいずれも含まないか、１つ以上、またはすべてを含むことができる。
図２は、一部の実施形態による、半導体の製造を監視する別の方法２００の流れ図を示す。方法２００は、方法１００と同様に、コンピュータシステム（例えば、図７の半導体検査システム７００のコンピュータシステム）において実行することができる。方法２００のステップは、組み合わされてもよく、または分割されてもよい。
方法２００では、方法１００（図１）について上述したように、ステップ１０２が行われる。一部の実施形態では、ステップ１０２は、ステップ１０４、１０６、または１０８を含む。ステップ１０８では、一部の実施形態に従って、方法４００（図４）または５００（図５）が使用されてもよい。
第１の複数の電子顕微鏡画像は、それぞれの欠陥クラスに関連付けられる（２１０）。一部の実施形態では、それぞれの欠陥クラスは、ＤＯＥウエハ（ステップ１０４を含む実施形態の場合）または複数のＤＯＥウエハ（ステップ１０６を含む実施形態の場合）上の欠陥クラスを含む（２１１）。それぞれの欠陥クラスは、第１の複数の画像のそれぞれの画像では目に見えないが、画像が撮られたそれぞれのウエハまたはウエハフィールド上には存在する欠陥に対応することができる。例えば、第１の欠陥クラスは、第１の画像が撮られた第１のウエハまたはウエハフィールド上で目に見える第１のタイプの欠陥に対応し、他の欠陥クラス、ウエハまたはウエハフィールド、および画像についても同様である。一部の実施形態では、それぞれの欠陥クラスは、第１の複数の画像のそれぞれの画像では目に見えないが、それぞれの画像に対応する（例えば、指定された程度の範囲内でそれぞれの画像に示される値と一致する）半導体製造パラメータの１つ以上のそれぞれの値に関連付けられることが知られている欠陥に対応する。一部の実施形態では、それぞれの欠陥クラスは、第１の複数の画像のそれぞれの画像で目に見える欠陥に対応する。
第１の複数の電子顕微鏡画像と欠陥クラスとの間の関係を特定するモデルが訓練される（２１２）。一部の実施形態では、モデルは、ニューラルネットワークである。
一部の実施形態では、欠陥クラスの欠陥のタイプは、第１の複数の電子顕微鏡画像が取得されたとき、特定されていない（例えば、未知である）。モデルを訓練するために、教師なし学習を使用して、第１の複数の電子顕微鏡画像と欠陥クラスとの関係を決定することができるが、欠陥クラスの欠陥のタイプは、特定されない。関係が決定され、欠陥クラスの欠陥のタイプが特定された（例えば、既知となった）後、欠陥クラスは、欠陥クラスの欠陥のタイプを特定するラベルでラベル付けされる。あるいは、欠陥クラスの欠陥のタイプは、ステップ２１２の前に（例えば、第１の複数の電子顕微鏡画像が取得されたときに）、特定され（例えば、既知となり）、モデルは、教師あり学習を使用して訓練される。
方法１００（図１）について上述したように、１つ以上の半導体ウエハ上の半導体構造のそれぞれのインスタンスについての第２の複数の電子顕微鏡画像が収集される（１１４）。
１つ以上の半導体ウエハ上の欠陥の１つ以上の欠陥クラスが、モデルを使用して予測される（２１６）。したがって、１つ以上の半導体ウエハ上の欠陥は、モデルを使用して分類される。
一部の実施形態では、１つ以上の半導体ウエハを製造するために使用される製造プロセスは、予測された１つ以上の欠陥クラスに少なくとも部分的に基づいて調整される（２１８）。一部の実施形態では、１つ以上の半導体ウエハは、予測された１つ以上の欠陥クラスに少なくとも部分的に基づいて処置される（２２０）。それぞれのウエハを処置するステップは、それぞれのウエハを処理し続けるステップ、それぞれのウエハを再加工するステップ、またはそれぞれのウエハを廃棄するステップの間で選択するステップを含むことができる。方法２００は、ステップ２１８および２２０のいずれも含まないか、または１つもしくは両方を含むことができる。
図３は、一部の実施形態による、半導体の製造を監視するさらに別の方法３００の流れ図を示す。方法３００は、方法１００および／または２００と同様に、コンピュータシステム（例えば、図７の半導体検査システム７００のコンピュータシステム）において実行することができる。方法３００のステップは、組み合わされてもよく、または分割されてもよい。
方法３００では、半導体構造のそれぞれのモデル化されたインスタンスについてのシミュレートされた電子顕微鏡画像が取得される（３０２）。シミュレートされた電子顕微鏡画像は、１つ以上の半導体製造パラメータの異なる値を示す。例えば、シミュレートされた各電子顕微鏡画像、またはシミュレートされた電子顕微鏡画像のそれぞれのグループは、１つ以上の半導体製造パラメータの異なる値のセットを示すことができる。シミュレートされた電子顕微鏡画像は、シミュレートされたＳＥＭ画像（例えば、シミュレートされたＣＤ−ＳＥＭ画像）またはシミュレートされたＴＥＭ画像であってもよい。一部の実施形態では、シミュレートされた電子顕微鏡画像は、方法４００（図４）または５００（図５）を使用して取得することができる。
方法１００および２００（図１〜図２）のステップ１０２に関しては、半導体構造は、任意の構造（例えば、テスト構造または半導体デバイスの一部）（例えば、複数のライン６０２、図６）であってもよい。半導体構造は、実際に製造される場合、半導体製造プロセスの１つ以上のステップが行われた後であるが、半導体製造プロセス全体が完了する前に形成された構造であってもよい。
１つ以上の半導体ウエハ上の半導体構造のそれぞれのインスタンスについての複数の電子顕微鏡画像が収集される（３０４）。したがって、複数の電子顕微鏡画像は、シミュレートされた電子顕微鏡画像とは対照的に、実際の電子顕微鏡画像を含む。
１つ以上の半導体製造パラメータの値は、シミュレートされた電子顕微鏡画像を使用して、複数の電子顕微鏡画像について予測される（３０６）。この予測を行うステップは、複数の電子顕微鏡画像とシミュレートされた電子顕微鏡画像との間で回帰分析を行うステップを含む。回帰分析は、ステップ３０４で収集された複数の電子顕微鏡画像とステップ３０２で取得されたシミュレートされた電子顕微鏡画像との間の信号差を最小限に抑えることができる。したがって、方法３００は、方法１００とは異なり、ステップ１１２および１１６（図１）のモデルを含まない。
一部の実施形態では、方法１００（図１）について上述したように、ステップ１１８、１２０、および／または１２２が行われる。
図４は、一部の実施形態による、シミュレートされた電子顕微鏡画像を取得する方法４００の流れ図を示す。方法４００では、半導体構造の幾何学的モデルが作成される（４０２）。幾何学的モデルは、幾何学的パラメータであってもよい１つ以上の半導体製造パラメータを用いてパラメータ化される。幾何学的モデル用の１つ以上の半導体製造パラメータを変化させて、１つ以上の半導体製造パラメータの異なる値を有する幾何学的モデルのバリエーションを生成する（すなわち、半導体構造のそれぞれのモデル化されたインスタンスを生成する）（４０４）。幾何学的モデルのそれぞれのバリエーションを使用して（すなわち、それぞれのモデル化されたインスタンスを使用して）シミュレートされた電子顕微鏡画像が生成される（４０６）。例えば、シミュレートされた各画像は、幾何学的モデルの異なるバリエーションに基づいて生成される。画像シミュレーションは、バリエーションを入力として受け取る画像シミュレータ（例えば、図７の画像シミュレーションモジュール７１８）を使用して行われる。
図５は、一部の実施形態による、シミュレートされた電子顕微鏡画像を取得する別の方法５００の流れ図を示す。方法５００では、プロセスパラメータを用いてパラメータ化されたプロセスシミュレータを使用して、半導体構造のプロセスベースのモデルが作成される（５０２）。プロセスシミュレータ用のプロセスパラメータを変化させて、１つ以上の半導体製造パラメータの異なる値を有する半導体構造のそれぞれのシミュレートされたインスタンスを生成する。例えば、プロセスシミュレーションのそれぞれの反復は、異なるプロセスパラメータ値を用いて行われ、半導体構造のそれぞれのシミュレーションされたインスタンスを生成する。プロセスパラメータは、１つ以上のプロセスステップ（例えば、フォトリソグラフィ、エッチング、堆積など）がどのように行われるかについての詳細を指定し、したがって幾何学的パラメータではない。例えば、プロセスパラメータは、１つ以上のフォトリソグラフィステップの焦点および／または線量を含むことができる。それぞれのプロセスパラメータは、ステップ１０２（図１〜図２）および３０２（図３）の１つ以上の半導体製造パラメータと異なっていてもよく、あるいは同じであってもよい。シミュレートされた電子顕微鏡画像は、半導体構造のそれぞれのシミュレートされたインスタンスを使用して生成され（５０４）、このインスタンスが画像シミュレータ（例えば、画像シミュレーションモジュール７１８、図７）への入力として提供される。例えば、シミュレートされた各画像は、プロセスシミュレータによって提供される半導体構造の別個のインスタンスに基づいて生成される。
図７は、一部の実施形態による半導体検査システム７００のブロック図である。半導体検査システム７００は、電子顕微鏡７４２と、１つ以上のプロセッサ７０２（例えば、ＣＰＵ）、ユーザインターフェース７０６、メモリ７１０、およびこれらの構成要素を相互接続する１つ以上の通信バス７０４を備えるコンピュータシステムと、を含む。コンピュータシステムは、１つ以上のネットワーク７４０を介して電子顕微鏡７４２と通信可能に結合されてもよい。コンピュータシステムは、電子顕微鏡７４２および／または遠隔コンピュータシステムと通信するための１つ以上のネットワークインターフェース（有線および／または無線、図示せず）をさらに含むことができる。電子顕微鏡７４２は、ＳＥＭ（例えば、ＣＤ−ＳＥＭ）またはＴＥＭであってもよい。
ユーザインターフェース７０６は、ディスプレイ７０７および１つ以上の入力デバイス７０８（例えば、キーボード、マウス、ディスプレイ７０７の触覚感知面など）を含むことができる。ディスプレイ７０７は、方法１００、２００、および／または３００の結果を報告することができる（例えば、処置、性能推定、欠陥クラス予測、製造プロセス調整の詳細などを報告することができる）。
メモリ７１０は、揮発性および／または不揮発性メモリを含む。メモリ７１０（例えば、メモリ７１０内部の不揮発性メモリ）は、非一時的なコンピュータ可読記憶媒体を含む。メモリ７１０は、任意選択で、プロセッサ７０２から遠隔に配置された１つ以上の記憶装置、および／または半導体検査システム７００に取り外し可能に挿入される非一時的なコンピュータ可読記憶媒体を含む。一部の実施形態では、メモリ７１０（例えば、メモリ７１０の非一時的なコンピュータ可読記憶媒体）は、以下のモジュールおよびデータ、またはそれらのサブセットまたはスーパーセットを記憶する。すなわち、様々な基本システムサービスを処理し、ハードウェア依存のタスクを実行するための手順を含むオペレーティングシステム７１２と、（例えば、図４の方法４００で使用されるような）半導体構造の幾何学的モデルを作成するための構造モデリングモジュール７１４と、（例えば、図５の方法５００で使用するための）プロセスシミュレーションモジュール７１６と、（例えば、図１〜図２のステップ１０８、図４の４０６、および／または図５の５０４に従って）シミュレートされた電子顕微鏡画像を生成するための画像シミュレーションモジュール７１８と、（例えば、図１〜図２のステップ１１２および／または２１２で使用するための）モデル訓練モジュール７２０と、（例えば、図１のステップ１１６および／または図３の３０６で使用するための）値予測モジュール７２２と、（例えば、図２のステップ２１６で使用するための）欠陥分類モジュール７２４と、（例えば、図１〜図３のステップ１１８および／または２１８で使用するための）プロセス調整モジュール７２６と、（例えば、図１〜図３のステップ１２０および／または２２０で使用するための）ウエハ処置モジュール７２８と、（例えば、図１および図３のステップ１２２で使用するための）性能推定モジュール７３０と、（実際のおよび／またはシミュレートされた）電子顕微鏡画像７３２と、である。
したがって、メモリ７１０（例えば、メモリ７１０の非一時的なコンピュータ可読記憶媒体）は、方法１００（図１）、２００（図２）、および／または３００（図３）を実行するための命令を含む。したがって、メモリ７１０は、方法４００（図４）および／または５００（図５）を実行するための命令を含むことができる。メモリ７１０に記憶されたモジュールのそれぞれは、本明細書に記載された１つ以上の機能を実行するための１組の命令に対応する。個別のモジュールを個別のソフトウェアプログラムとして実装する必要はない。モジュールおよびモジュールの様々なサブセットは、組み合わされてもよく、他の方法で再配置されてもよい。一部の実施形態では、メモリ７１０は、上記で識別されたモジュールおよび／またはデータ構造のサブセットもしくはスーパーセットを記憶する。
図７は、構造概略図としてというよりも、半導体検査システムに存在する可能性のある様々な特徴の機能説明として意図されている。例えば、半導体検査システム７００におけるコンピュータシステムの機能は、複数のデバイス間で分割されてもよい。あるいは、メモリ７１０に記憶されたモジュールの一部は、１つ以上のネットワークを介して半導体検査システム７００のコンピュータシステムと通信可能に結合された１つ以上の他のコンピュータシステムに記憶されてもよい。
前述の説明は、説明の目的で、特定の実施形態を参照して説明された。しかしながら、上記の例示的な議論は、網羅的であること、または特許請求の範囲を開示された正確な形態に限定することは意図されていない。上記の教示に照らして、多くの修正形態および変更形態が可能である。各実施形態は、特許請求の範囲の基礎をなす原理およびそれらの実際の適用を最もよく説明し、それによって、当業者が、企図された特定の用途に適するような様々な修正を用いて実施形態を最良に使用することができるように選択された。

Claims (22)

  1. １つ以上のプロセッサと、前記１つ以上のプロセッサによる実行のための命令を記憶するメモリと、を備えるコンピュータシステムにおいて、
    第１のソースから、半導体構造のそれぞれのインスタンスについての第１の複数の電子顕微鏡画像を取得するステップであって、前記第１の複数の前記電子顕微鏡画像が１つ以上の半導体製造パラメータの異なる値を示す、ステップと、
    前記第１の複数の電子顕微鏡画像と前記１つ以上の半導体製造パラメータの前記値との間の関係を特定するモデルを訓練するステップと、
    １つ以上の半導体ウエハ上の前記半導体構造のそれぞれのインスタンスについての第２の複数の電子顕微鏡画像を収集するステップであって、前記１つ以上の半導体ウエハが前記第１のソースとは異なる、ステップと、
    前記モデルを使用して、前記第２の複数の電子顕微鏡画像に対する前記１つ以上の半導体製造パラメータの値を予測するステップと、
    を含むことを特徴とする、半導体の製造を監視する方法。
  2. 請求項１に記載の方法であって、前記１つ以上の半導体製造パラメータが、オーバーレイ、限界寸法（ＣＤ）、側壁角度、またはエッジ配置誤差のうちの少なくとも１つを含むことを特徴とする方法。
  3. 請求項１に記載の方法であって、前記１つ以上の半導体製造パラメータが、フォトリソグラフィプロセスステップの焦点または線量のうちの少なくとも１つを含むことを特徴とする方法。
  4. 請求項１に記載の方法であって、前記第１および第２の複数の電子顕微鏡画像が限界寸法のＳＥＭ（ＣＤ−ＳＥＭ）画像であることを特徴とする方法。
  5. 請求項１に記載の方法であって、
    前記１つ以上の半導体ウエハが、製造プロセスを使用して製造され、
    前記方法が、前記予測値に少なくとも部分的に基づいて、前記製造プロセスを調整することをさらに含むことを特徴とする方法。
  6. 請求項１に記載の方法であって、
    前記予測値に少なくとも部分的に基づいて前記１つ以上の半導体ウエハを処置するステップをさらに含み、
    前記１つ以上の半導体ウエハを処置するステップが、前記１つ以上の半導体ウエハのそれぞれのウエハを処理し続けるステップ、前記それぞれのウエハを再加工するステップ、または前記それぞれのウエハを廃棄するステップの間で選択するステップを含むことを特徴とする方法。
  7. 請求項１に記載の方法であって、前記予測値に少なくとも部分的に基づいて、前記１つ以上の半導体ウエハ上の半導体デバイスの性能を推定するステップをさらに含むことを特徴とする方法。
  8. 請求項１に記載の方法であって、
    前記第１のソースが、異なるフィールドが前記異なる値を有するように製造される実験計画法（ＤＯＥ）ウエハを含み、
    前記第１の複数の電子顕微鏡画像のそれぞれの画像が前記ＤＯＥウエハのそれぞれのフィールドから取得され、
    前記取得の後におよび前記訓練の前に、基準計測ツールを使用して、前記第１の複数の電子顕微鏡画像に対する前記１つ以上の半導体製造パラメータの前記値を決定するステップをさらに含むことを特徴とする方法。
  9. 請求項１に記載の方法であって、
    前記第１のソースが、異なるウエハが前記異なる値を有するように製造される複数のＤＯＥウエハを含み、
    前記第１の複数の電子顕微鏡画像のそれぞれの画像が前記複数のＤＯＥウエハのそれぞれのウエハから取得され、
    前記取得の後におよび前記訓練の前に、基準計測ツールを使用して、前記第１の複数の電子顕微鏡画像に対する前記１つ以上の半導体製造パラメータの前記値を決定するステップをさらに含むことを特徴とする方法。
  10. 請求項１に記載の方法であって、
    前記第１の複数の電子顕微鏡画像がシミュレートされた電子顕微鏡画像を含み、
    前記第１のソースから前記第１の複数の電子顕微鏡画像を取得するステップが、
    前記半導体構造の幾何学的モデルを作成するステップであって、前記幾何学的モデルが前記１つ以上の半導体製造パラメータを用いてパラメータ化されている、ステップと、
    前記幾何学的モデル用の前記１つ以上の半導体製造パラメータを変化させて、１つ以上の半導体製造パラメータの前記異なる値を有する前記幾何学的モデルのバリエーションを生成するステップと、
    前記幾何学的モデルのそれぞれのバリエーションを使用して、前記シミュレートされた電子顕微鏡画像を生成するステップと、
    を含むことを特徴とする方法。
  11. 請求項１に記載の方法であって、
    前記第１の複数の電子顕微鏡画像がシミュレートされた電子顕微鏡画像を含み、
    前記第１のソースから前記第１の複数の電子顕微鏡画像を取得するステップが、
    プロセスパラメータを用いてパラメータ化されたプロセスシミュレータを使用して、前記半導体構造のプロセスベースのモデルを作成するステップであって、前記プロセスシミュレータ用の前記プロセスパラメータを変化させて、１つ以上の半導体製造パラメータの前記異なる値を有する前記半導体構造のそれぞれのシミュレートされたインスタンスを生成するステップを含む、ステップと、
    前記半導体構造の前記それぞれのシミュレートされたインスタンスを使用して、前記シミュレートされた電子顕微鏡画像を生成するステップと、
    を含み、
    前記訓練の前に、前記シミュレートされた電子顕微鏡画像に対して前記１つ以上の半導体製造パラメータの前記値を決定するステップをさらに含むことを特徴とする方法。
  12. １つ以上のプロセッサと、前記１つ以上のプロセッサによる実行のための命令を記憶するメモリと、を備えるコンピュータシステムにおいて、
    第１のソースから、半導体構造のそれぞれのインスタンスについての第１の複数の電子顕微鏡画像を取得するステップであって、前記第１の複数の前記電子顕微鏡画像が１つ以上の半導体製造パラメータの異なる値を示す、ステップと、
    前記第１の複数の電子顕微鏡画像をそれぞれの欠陥クラスに関連付けるステップと、
    前記第１の複数の電子顕微鏡画像と前記欠陥クラスとの間の関係を特定するモデルを訓練するステップと、
    １つ以上の半導体ウエハ上の前記半導体構造のそれぞれのインスタンスについての第２の複数の電子顕微鏡画像を収集するステップであって、前記１つ以上の半導体ウエハが前記第１のソースとは異なる、ステップと、
    前記モデルを使用して、前記１つ以上の半導体ウエハ上の欠陥に対する１つ以上の欠陥クラスを予測するステップと、
    を含むことを特徴とする、半導体の製造を監視する方法。
  13. 請求項１２に記載の方法であって、
    前記予測された１つ以上の欠陥クラスに少なくとも部分的に基づいて、
    前記１つ以上の半導体ウエハを製造するために使用される製造プロセスを調整するステップ、および
    前記１つ以上の半導体ウエハのそれぞれのウエハを処理し続けるステップ、それぞれのウエハを再加工するステップ、または前記それぞれのウエハを廃棄するステップの間で選択するステップを含む、前記１つ以上の半導体ウエハを処置するステップ
    からなるグループから選択されたアクションを実行するステップをさらに含むことを特徴とする方法。
  14. 請求項１２に記載の方法であって、
    前記第１のソースが、異なるフィールドが前記異なる値を有するように製造される実験計画法（ＤＯＥ）ウエハを含み、
    前記第１の複数の電子顕微鏡画像のそれぞれの画像が前記ＤＯＥウエハのそれぞれのフィールドから取得され、
    前記それぞれの欠陥クラスが前記ＤＯＥウエハ上の欠陥クラスを含むことを特徴とする方法。
  15. 請求項１２に記載の方法であって、
    前記第１のソースが、異なるウエハが前記異なる値を有するように製造される複数のＤＯＥウエハを含み、
    前記第１の複数の電子顕微鏡画像のそれぞれの画像が前記複数のＤＯＥウエハのそれぞれのウエハから取得され、
    前記それぞれの欠陥クラスが前記複数のＤＯＥウエハ上の欠陥クラスを含むことを特徴とする方法。
  16. 請求項１２に記載の方法であって、
    前記モデルを訓練するステップが、
    教師なし学習を使用して、前記第１の複数の電子顕微鏡画像と前記欠陥クラスとの間の前記関係を決定するが、前記欠陥クラスの欠陥のタイプが特定されていない、ステップと、
    教師なし学習を使用して前記関係を決定した後、前記欠陥クラスに対して前記欠陥のタイプを特定するラベルで前記欠陥クラスにラベル付けするステップと、
    を含むことを特徴とする方法。
  17. 請求項１２に記載の方法であって、
    前記第１の複数の電子顕微鏡画像がシミュレートされた電子顕微鏡画像を含み、
    前記第１のソースから前記第１の複数の電子顕微鏡画像を取得するステップが、
    前記半導体構造の幾何学的モデルを作成するステップであって、前記幾何学的モデルが前記１つ以上の半導体製造パラメータを用いてパラメータ化されている、ステップと、
    前記幾何学的モデル用の前記１つ以上の半導体製造パラメータを変化させて、１つ以上の半導体製造パラメータの前記異なる値を有する前記幾何学的モデルのバリエーションを生成するステップと、
    前記幾何学的モデルのそれぞれのバリエーションを使用して、前記シミュレートされた電子顕微鏡画像を生成するステップと、
    を含むことを特徴とする方法。
  18. 請求項１２に記載の方法であって、
    前記第１の複数の電子顕微鏡画像がシミュレートされた電子顕微鏡画像を含み、
    前記第１のソースから前記第１の複数の電子顕微鏡画像を取得するステップが、
    プロセスパラメータを用いてパラメータ化されたプロセスシミュレータを使用して、前記半導体構造のプロセスベースのモデルを作成するステップであって、前記プロセスシミュレータ用の前記プロセスパラメータを変化させて、１つ以上の半導体製造パラメータの前記異なる値を有する前記半導体構造のそれぞれのシミュレートされたインスタンスを生成するステップを含む、ステップと、
    前記半導体構造の前記それぞれのシミュレートされたインスタンスに基づいて、前記シミュレートされた電子顕微鏡画像を生成するステップと、
    を含むことを特徴とする方法。
  19. １つ以上のプロセッサと、前記１つ以上のプロセッサによる実行のための命令を記憶するメモリと、を備えるコンピュータシステムにおいて、
    半導体構造のそれぞれのモデル化されたインスタンスについてのシミュレートされた電子顕微鏡画像を取得するステップであって、前記シミュレートされた電子顕微鏡画像が１つ以上の半導体製造パラメータの異なる値を示すステップと、
    １つ以上の半導体ウエハ上の前記半導体構造のそれぞれのインスタンスに対する複数の電子顕微鏡画像を収集するステップと、
    前記複数の電子顕微鏡画像と前記シミュレートされた電子顕微鏡画像との間の回帰分析を行うステップを含む、前記シミュレートされた電子顕微鏡画像を使用して前記複数の電子顕微鏡画像に対する１つ以上の半導体製造パラメータの前記値を予測するステップと、
    を含むことを特徴とする、半導体の製造を監視する方法。
  20. 請求項１９に記載の方法であって、
    前記シミュレートされた電子顕微鏡画像を取得するステップが、
    前記半導体構造の幾何学的モデルを作成するステップであって、前記幾何学的モデルが前記１つ以上の半導体製造パラメータを用いてパラメータ化されている、ステップと、
    前記幾何学的モデル用の前記１つ以上の半導体製造パラメータを変化させて、前記半導体構造の前記それぞれのモデル化されたインスタンスを生成するステップと、
    前記半導体構造の前記それぞれのモデル化されたインスタンスを使用して、前記シミュレートされた電子顕微鏡画像を生成するステップと、
    を含むことを特徴とする方法。
  21. 請求項１９に記載の方法であって、
    前記シミュレートされた電子顕微鏡画像を取得するステップが、
    プロセスパラメータを用いてパラメータ化されたプロセスシミュレータを使用して、前記半導体構造のプロセスベースのモデルを作成するステップであって、前記プロセスシミュレータ用の前記プロセスパラメータを変化させて、前記半導体構造の前記それぞれのモデル化されたインスタンスを生成するステップを含む、ステップと、
    前記半導体構造の前記それぞれのシミュレートされたインスタンスを使用して、前記シミュレートされた電子顕微鏡画像を生成するステップと、
    を含み、
    前記訓練の前に、前記シミュレートされた電子顕微鏡画像に対して前記１つ以上の半導体製造パラメータの前記値を決定するステップをさらに含むことを特徴とする方法。
  22. 請求項１９に記載の方法であって、
    前記予測値に少なくとも部分的に基づいて、
    前記１つ以上の半導体ウエハを製造するために使用される製造プロセスを調整するステップ、
    前記１つ以上の半導体ウエハのそれぞれのウエハを処理し続けるステップ、前記それぞれのウエハを再加工するステップ、または前記それぞれのウエハを廃棄するステップの間で選択するステップを含む、前記１つ以上の半導体ウエハを処置するステップ、および
    前記１つ以上の半導体ウエハ上の半導体デバイスの性能を推定するステップ、
    からなるグループから選択されたアクションを実行するステップをさらに含むことを特徴とする方法。
JP2020537154A 2018-01-05 2018-12-31 電子顕微鏡を使用した半導体計測および欠陥分類 Active JP7097447B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862613946P 2018-01-05 2018-01-05
US62/613,946 2018-01-05
US16/198,658 2018-11-21
US16/198,658 US10580673B2 (en) 2018-01-05 2018-11-21 Semiconductor metrology and defect classification using electron microscopy
PCT/US2018/068093 WO2019136015A1 (en) 2018-01-05 2018-12-31 Semiconductor metrology and defect classification using electron microscopy

Publications (2)

Publication Number Publication Date
JP2021509772A true JP2021509772A (ja) 2021-04-01
JP7097447B2 JP7097447B2 (ja) 2022-07-07

Family

ID=67144483

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020537154A Active JP7097447B2 (ja) 2018-01-05 2018-12-31 電子顕微鏡を使用した半導体計測および欠陥分類

Country Status (8)

Country Link
US (1) US10580673B2 (ja)
JP (1) JP7097447B2 (ja)
KR (1) KR102445989B1 (ja)
CN (1) CN111566789B (ja)
DE (1) DE112018006771T5 (ja)
IL (1) IL275718B2 (ja)
TW (1) TWI759574B (ja)
WO (1) WO2019136015A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3796230B1 (en) * 2019-09-17 2022-03-09 Imec VZW A method for determining process limits of a semiconductor process
US11761969B2 (en) * 2020-01-21 2023-09-19 Kla Corporation System and method for analyzing a sample with a dynamic recipe based on iterative experimentation and feedback
US20220114438A1 (en) * 2020-10-09 2022-04-14 Kla Corporation Dynamic Control Of Machine Learning Based Measurement Recipe Optimization
US11868119B2 (en) * 2021-09-24 2024-01-09 Tokyo Electron Limited Method and process using fingerprint based semiconductor manufacturing process fault detection
US20240175824A1 (en) * 2022-11-30 2024-05-30 Applied Materials, Inc. Substrate defect analysis
CN118588219B (zh) * 2024-08-07 2024-10-18 烟台国工智能科技有限公司 一种基于电镜图像识别的高分子材料性能分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005534192A (ja) * 2002-07-25 2005-11-10 ティンバー テクノロジーズ，インコーポレイティド 光学的測定のためのモデルとパラメータの選択
JP2007218711A (ja) * 2006-02-16 2007-08-30 Hitachi High-Technologies Corp 電子顕微鏡装置を用いた計測対象パターンの計測方法
JP2008177064A (ja) * 2007-01-19 2008-07-31 Hitachi High-Technologies Corp 走査型荷電粒子顕微鏡装置および走査型荷電粒子顕微鏡装置で取得した画像の処理方法
US20140316730A1 (en) * 2013-04-19 2014-10-23 Kla-Tencor Corporation On-device metrology
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170200265A1 (en) * 2016-01-11 2017-07-13 Kla-Tencor Corporation Generating simulated output for a specimen

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5608526A (en) 1995-01-19 1997-03-04 Tencor Instruments Focused beam spectroscopic ellipsometry method and system
US5859424A (en) 1997-04-08 1999-01-12 Kla-Tencor Corporation Apodizing filter system useful for reducing spot size in optical measurements and other applications
US6429943B1 (en) 2000-03-29 2002-08-06 Therma-Wave, Inc. Critical dimension analysis with simultaneous multiple angle of incidence measurements
DE10329107B4 (de) * 2002-12-23 2015-05-28 Mattson Thermal Products Gmbh Verfahren zum Bestimmung wenigstens einer Zustandsvariablen aus einem Modell eines RTP-Systems
US7478019B2 (en) 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
US7567351B2 (en) 2006-02-02 2009-07-28 Kla-Tencor Corporation High resolution monitoring of CD variations
US7873585B2 (en) * 2007-08-31 2011-01-18 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
US20130110477A1 (en) 2011-10-31 2013-05-02 Stilian Pandev Process variation-based model optimization for metrology
WO2014062972A1 (en) 2012-10-18 2014-04-24 Kla-Tencor Corporation Symmetric target design in scatterometry overlay metrology
US10769320B2 (en) 2012-12-18 2020-09-08 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US9291554B2 (en) 2013-02-05 2016-03-22 Kla-Tencor Corporation Method of electromagnetic modeling of finite structures and finite illumination for metrology and inspection
US10101670B2 (en) 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
US9915522B1 (en) 2013-06-03 2018-03-13 Kla-Tencor Corporation Optimized spatial modeling for optical CD metrology
US10935893B2 (en) 2013-08-11 2021-03-02 Kla-Tencor Corporation Differential methods and apparatus for metrology of semiconductor targets
US9518916B1 (en) 2013-10-18 2016-12-13 Kla-Tencor Corporation Compressive sensing for metrology
US10152654B2 (en) * 2014-02-20 2018-12-11 Kla-Tencor Corporation Signal response metrology for image based overlay measurements
US10151986B2 (en) 2014-07-07 2018-12-11 Kla-Tencor Corporation Signal response metrology based on measurements of proxy structures
US10210606B2 (en) 2014-10-14 2019-02-19 Kla-Tencor Corporation Signal response metrology for image based and scatterometry overlay measurements
US9710728B2 (en) 2014-10-28 2017-07-18 Kla-Tencor Corporation Image based signal response metrology
US10030965B2 (en) 2015-05-08 2018-07-24 Kla-Tencor Corporation Model-based hot spot monitoring
EP3290911A1 (en) * 2016-09-02 2018-03-07 ASML Netherlands B.V. Method and system to monitor a process apparatus
EP3321737A1 (en) * 2016-11-10 2018-05-16 ASML Netherlands B.V. Method for determining an optimized set of measurement locations for measurement of a parameter of a lithographic process, metrology system
EP3336608A1 (en) * 2016-12-16 2018-06-20 ASML Netherlands B.V. Method and apparatus for image analysis

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005534192A (ja) * 2002-07-25 2005-11-10 ティンバー テクノロジーズ，インコーポレイティド 光学的測定のためのモデルとパラメータの選択
JP2007218711A (ja) * 2006-02-16 2007-08-30 Hitachi High-Technologies Corp 電子顕微鏡装置を用いた計測対象パターンの計測方法
JP2008177064A (ja) * 2007-01-19 2008-07-31 Hitachi High-Technologies Corp 走査型荷電粒子顕微鏡装置および走査型荷電粒子顕微鏡装置で取得した画像の処理方法
US20140316730A1 (en) * 2013-04-19 2014-10-23 Kla-Tencor Corporation On-device metrology
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170200265A1 (en) * 2016-01-11 2017-07-13 Kla-Tencor Corporation Generating simulated output for a specimen

Also Published As

Publication number Publication date
TW201937625A (zh) 2019-09-16
CN111566789B (zh) 2021-12-03
IL275718B2 (en) 2023-04-01
IL275718A (en) 2020-08-31
IL275718B (en) 2022-12-01
CN111566789A (zh) 2020-08-21
TWI759574B (zh) 2022-04-01
US10580673B2 (en) 2020-03-03
JP7097447B2 (ja) 2022-07-07
WO2019136015A1 (en) 2019-07-11
US20190214285A1 (en) 2019-07-11
KR20200096992A (ko) 2020-08-14
KR102445989B1 (ko) 2022-09-21
DE112018006771T5 (de) 2020-09-17

Similar Documents

Publication Publication Date Title
JP7097447B2 (ja) 電子顕微鏡を使用した半導体計測および欠陥分類
KR102637430B1 (ko) 계측을 위한 신호-도메인 적응
US10726169B2 (en) Target and process sensitivity analysis to requirements
TWI735747B (zh) 度量方法及模組，分段疊對目標，及電腦程式產品
TWI669750B (zh) 用於影像分析之方法及設備
KR101723688B1 (ko) 마이크로 브리징 및 러프니스 분석
TWI846635B (zh) 光阻及蝕刻模型建立
TWI691807B (zh) 基於參數之機率密度函數的控制
JP6893549B2 (ja) 高次元変数選択モデルを使用した重要なパラメータの決定システム
US11802763B2 (en) Pattern measurement device and computer program
JP2008020452A (ja) 光学計測システムに係る選択された変数の最適化
JP2008020451A (ja) 光学計測システムに係る選択された変数の最適化
CN112136135A (zh) 使用关键尺寸扫描型电子显微镜的工艺仿真模型校正
TW202211075A (zh) 校正在精簡模型中的隨機訊號
US9262819B1 (en) System and method for estimating spatial characteristics of integrated circuits
US10401837B2 (en) Generating risk inventory and common process window for adjustment of manufacturing tool
US20100081295A1 (en) Process model evaluation method, process model generation method and process model evaluation program
TW202425166A (zh) 用於晶圓的成像資料集中缺陷偵測的電腦實施方法、相應的電腦可讀媒介、電腦程式產品以及利用此方法的系統

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211222

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20211222

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220201

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220428

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220607

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220627

R150 Certificate of patent or registration of utility model

Ref document number: 7097447

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150