JP2023539235A - 転移学習を用いるウェハレベルシグネチャグループ化 - Google Patents
転移学習を用いるウェハレベルシグネチャグループ化 Download PDFInfo
- Publication number
- JP2023539235A JP2023539235A JP2023513250A JP2023513250A JP2023539235A JP 2023539235 A JP2023539235 A JP 2023539235A JP 2023513250 A JP2023513250 A JP 2023513250A JP 2023513250 A JP2023513250 A JP 2023513250A JP 2023539235 A JP2023539235 A JP 2023539235A
- Authority
- JP
- Japan
- Prior art keywords
- wafer
- processor
- maps
- wafer map
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013526 transfer learning Methods 0.000 title claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 44
- 239000004065 semiconductor Substances 0.000 claims abstract description 30
- 230000003190 augmentative effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 53
- 238000007689 inspection Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000010365 information processing Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000010894 electron beam technology Methods 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 20
- 235000012431 wafers Nutrition 0.000 description 94
- 230000003287 optical effect Effects 0.000 description 39
- 238000013136 deep learning model Methods 0.000 description 29
- 238000001514 detection method Methods 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 16
- 238000005286 illumination Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008906 neuronal response Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011236 particulate material Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
ウェハマップが、機械学習ベースモデルと、そのウェハマップ上のシグネチャとを用い分類される。その機械学習ベースモデルでは転移学習が用いられる。その機械学習ベースモデルを、抽出及び補強された様々な源泉由来の画像並びにそれらの抽出済特徴を用い、訓練することができる。それら抽出済特徴を、半導体製造中に生じる欠陥に分類することができる。
Description
本件開示は半導体製造に関する
[関連出願への相互参照]
本願では、2020年8月25日付印国特許出願第202041036573号及び2020年10月8日付米国暫定特許出願第63/089036号に基づく優先権を主張し、参照によりそれらの開示内容を本願に繰り入れる。
本願では、2020年8月25日付印国特許出願第202041036573号及び2020年10月8日付米国暫定特許出願第63/089036号に基づく優先権を主張し、参照によりそれらの開示内容を本願に繰り入れる。
半導体製造業界の発展につれ歩留まり管理、とりわけ計量及び検査システムへの要請が強まっている。限界寸法が縮まり続けているのに、業界にはより短時間で高歩留まり高付加価値生産を達成することが求められている。歩留まり問題を察知してからそれを正すまでの合計時間を縮めることで、半導体製造業者にとっての投資収益率が高まる。
半導体デバイス、例えば論理及び記憶デバイスを製造する際には、通常、多数の製造プロセスを用い半導体ウェハを処理することで、それら半導体デバイスの様々なフィーチャ(外形特徴)及び複数の階層が形成される。例えばリソグラフィなる半導体製造プロセスにおいては、半導体ウェハ上に配置されたフォトレジストへと、レティクルからパターンが転写される。半導体製造プロセスの更なる例には、これに限られるものではないが化学機械研磨(CMP)、エッチング、堆積及びイオンインプランテーションがある。
大抵のモノリシック集積回路は、ウェハ上にあるデバイス群のバッチとして製造される。1枚のウェハ上にそうしたデバイスを多く設けることで、それらのデバイスを扱うのが容易になるし、製造コストを下げることができる。各デバイス内の機能素子は、極端に小さくなりがちであるため、容易に損傷しうる。例えば粒状物は、その粒状物が気媒性か液媒性か否かによらず、デバイスにとっては致命的なものとなりうる。ウェハの表面上に着地した何れの粒子も、適時に取り除かれない場合、その製造プロセスに支障をきたしそのデバイスに不調を発生させるものとなろう。同様に、スクラッチ(ひっかき傷)その他、所望の製造プロセスに対する物理的障害によっても、デバイスに不調が生じることがある。
こうした物理的不正常(例.欠陥)の原因を識別し可能な限り補正することは、大変に重要であるので、通常、ウェハは製造サイクルの様々な段階で物理的検査を受ける。検査システムでは、欠陥のタイプ(例.スクラッチや粒状物)のみならずその欠陥の発生源をも判別することが試みられる。多くの場合、欠陥のタイプ及びその欠陥のパターンにより、その欠陥の発生源について手掛かりを得ることができる。通常、こうした検査は、訓練された技能者又は技術者がある種の顕微鏡下でそれらのウェハのうち1枚又は複数枚を調べ、欠陥を探し、実験を踏まえそれらの発生源の特定を試みることにより、マニュアルで行われている。
個々のウェハのマニュアル検査は厄介なことであるし、疲労、不慣れ、不注意等が原因でその結果が不正確且つ非一貫的になることがある。マニュアル検査は、関わってくるウェハが大量であるため、製造セッティングでは非現実的なことでもある。空間シグネチャ(痕跡)分析は、集積回路ウェハプロセスにおける諸問題を自動追跡する能力をもたらすものである。空間シグネチャ分析は製造プロセスの様々な段階にてウェハを対象に実行することができ、それによって、それらの上の欠陥がなす特定のパターンを検出することができる。識別されたパターンを、そのウェハに施された様々なプロセスへとマッピング(写像)することができる。例えば、CMPプロセスに欠陥があると、長い湾曲スクラッチが発生することがある。そうした場合に、微視的欠陥のサブセットの精査、典型的には走査型電子顕微鏡レビュー(観察)が必要な精査に頼ることなく、プロセス問題を自動検出することができる。これは、翻って、補正処置の迅速化、歩留まりの向上、並びに利益の増大につながる。
不運なことに、空間シグネチャ分析は柔軟性を欠くプロセスであったし、欠陥を個別に分析しすぎる傾向及びそれを繰り返し行う傾向を有していることが多く、また存在しているはずの欠陥パターンを認識し損ねることがある。即ち、空間シグネチャ分析は、通常、欠陥の性質特定に関わる問題を有していて、非常に長い時間をとりがちであり、且つそれに元々実装されていた能力及びパラメタを越えて拡張又は再構成することができない。
従来のシステムでは、パラメトリック則がウェハシグネチャと併用されていた。ある従来例によれば、画素レベルシグネチャ分析プラットフォームによるシグネチャの検出が、一連のパラメトリック則をセットアップすることによって、或いはパターンテンプレートを用いることによって行われていた。そのパラメトリックサーチが、基本的で数学的に記述可能な形状に限られていた。独立なルールが形状毎に構成されることが、過剰適合や検出し損ねにつながっていた。加えて、大抵のプロセスシグネチャは、線、弧、円等といった単純なルールを用い定義することができない。テンプレートサーチを用いることで複雑な形状への対処が行われていたが、これはユーザにより定義されるテンプレートによる制約を受けていた。重要なシグネチャは、形状、サイズ、密度及び完全性の面で様々なバリエーションを孕むものである。これら従来のパラメトリック則は、衝撃を受けたウェハの発見やあらゆる根本原因分析を遅らせるものであり、それにより半導体製造業者での歩留まりが低下していた。
"Very Deep Convolutional Networks for Large-Scale Image Recognition," by Simonyan et al., ICLR 2015
そのため、改善された方法及びシステムが必要とされている。
第1実施形態では方法が提供される。本方法では、プロセッサにてウェハマップ、特にウェハ全体の表面に係るウェハマップを受領する。プロセッサは、ウェハマップを分類するため機械学習(マシンラーニング)ベースモデルを実行するよう構成する。ウェハマップを、その機械学習ベースモデルとそのウェハマップ上のシグネチャとを用い分類する。機械学習ベースモデルでは転移学習(トランスファラーニング)を用いる。
本方法にて、更に、その分類に係る信頼度レベルを決定することもできる。その信頼度レベルは、そのシグネチャ内の欠陥の重要度(クリティカリティ)に基づくものとする。
本方法にて、更に、そのシグネチャが信頼度レベルの枠外である場合に警報を送ることもできる。
本方法にて、更に、プロセッサにて複数個の標本ウェハマップを受領し、プロセッサを用い欠陥の根本原因に基づきそれらの標本ウェハマップを分類し、プロセッサを用いそれらの標本ウェハマップをもとに標本シグネチャのライブラリを生成することもできる。ある例によれば、プロセッサを用い複数個の欠陥マップ、ビンソート(並べ替え)マップ及び/又は計量マップから画像を抽出し、プロセッサを用いそれらの画像を補強することができる。ある例では、機械学習ベースモデルを訓練する際に、それらの画像から抽出された特徴が用いられる。
本方法にて、同じ分類を有するウェハマップ群を以てウェハマップをグループ化することもできる。
第2実施形態ではシステムが提供される。本システムは、半導体ウェハ検査システムと、その半導体ウェハ検査システムと電子通信するプロセッサとを有する。プロセッサは、ウェハマップを受領し、機械学習ベースモデルとそのウェハマップ上のシグネチャとを用いそのウェハマップを分類するよう構成する。ウェハマップはウェハ全体の表面に係るものとする。プロセッサは、ウェハマップを分類するため機械学習ベースモデルを実行するよう構成する。その機械学習ベースモデルでは転移学習を用いる。
半導体ウェハ検査システムは、光源又は電子ビーム源を有するものとすることができる。
半導体ウェハ検査システムにてウェハマップを生成することもできる。
プロセッサは更に、分類に係る信頼度レベルを決定するよう構成することができる。その信頼度レベルは、シグネチャ内の欠陥の重要度に基づくものとすることができる。
プロセッサは更に、シグネチャが信頼度レベルの枠外である場合に警報を送るよう構成することができる。
プロセッサは更に、複数個の標本ウェハマップを受領し、欠陥の根本原因に基づきそれら標本ウェハマップを分類し、それらの標本ウェハマップをもとに標本シグネチャのライブラリを生成するよう、構成することができる。ある例では、プロセッサが更に、複数個の欠陥マップ、ビンソートマップ及び/又は計量マップから画像を抽出してそれらの画像を補強するよう構成される。ある例では、プロセッサが更に、それらの画像から抽出された特徴を用い機械学習ベースモデルを訓練するよう構成される。
プロセッサは更に、同じ分類を有するウェハマップ群を以てウェハマップをグループ化するよう構成することができる。
第3実施形態では非一時的コンピュータ可読格納媒体が提供される。この非一時的コンピュータ可読格納媒体は、以下の諸ステップを1個又は複数個の情報処理装置上で実行するための1個又は複数個のプログラムを備える。ウェハマップは、機械学習ベースモデルとそのウェハマップ上のシグネチャとを用い分類される。機械学習ベースモデルでは転移学習を用いる。ウェハマップはウェハ全体の表面に係るものとする。
それらステップのなかに、更に、複数個の標本ウェハマップを受領するステップと、欠陥の根本原因に基づきそれらの標本ウェハマップを分類するステップと、それらの標本ウェハマップをもとに標本シグネチャのライブラリを生成するステップとを、含めることができる。
それらステップのなかに、更に、複数個の欠陥マップ、ビンソートマップ及び/又は計量マップから画像を抽出するステップと、それらの画像を補強するステップとを、含めることができる。
それらステップのなかに、更に、それらの画像から抽出された特徴を用い機械学習ベースモデルを訓練するステップを、含めることができる。
本件開示の性質及び目的についてのより遺漏なき理解のためには、後掲の詳細記述と併せ、以下の添付図面を参照すべきである。
特定の諸実施形態により特許請求の範囲記載の主題につき記述するが、本件開示の技術的範囲内には、本願中で説明される諸利益及び諸特徴が全ては提供されない諸実施形態を含め、他の諸実施形態も存在している。本件開示の技術的範囲から離隔することなく様々な構造的、論理的、処理ステップ的及び電子的改変を施すことができる。従って、本件開示の技術的範囲は専ら別項の特許請求の範囲への参照によって定まる。
転移学習及び機械学習を用い、ウェハレベルでウェハシグネチャを自動分類することができる。ウェハマップシグネチャは半導体製造業者に情報をもたらすものであり、これはそれらが根本原因分析を助けるからである。図4はウェハハンドライシューに係るシグネチャ例であり、これには3個の衝撃点が示されている。図5はCMPイシューに係るシグネチャ例であり、これには長い弧状スクラッチが示されている。図6には様々な半導体製造イシューに係る他のシグネチャ例が描かれている。これらの例はそれぞれ別々な発生源を有しており、ウェハ上のシグネチャを速やかに識別することで、その問題の根本原因の特定を助けることができる。
既存のアプリケーションはマニュアルであるか用いるのが煩わしく、特に単一のクラス(階級)下に収まるシグネチャ形状の分布が与えられている許では、満足のいくものではない。転移学習を用いれば、ウェハマップ上のマルチラベルマルチクラスシグネチャを分類することができる。これは変動性の新たなシグネチャが入り込んでいる場合に役立つことであり、それは再訓練が迅速で情報処理パワーが少ししか必要でない傾向があるからである。
図7は方法100の一実施形態である。方法100の諸ステップのうち一部又は全てでプロセッサを用いることができる。101では、プロセッサにてウェハマップが受領される。このウェハマップはウェハ全体の表面に係るものであり、図4~図6の諸例に示されている。その表面がウェハの平坦面であってもよいし、そのウェハ上で諸デバイス(例.ダイ又は集積回路)が備わる面であってもよい。プロセッサは、機械学習ベースモデルを実行することでそのウェハマップを分類するよう構成されている。
102では、そのウェハマップが機械学習ベースモデルとそのウェハマップ上のシグネチャとを用い分類される。その機械学習ベースモデルでは転移学習が用いられる。ウェハシグネチャは半導体製造業者にとり役立ちうるものである。それらを用いそのエラーの根本原因を探すことができる。根本原因の早期検出はウェハ廃棄が少なくなることを意味している。これにより半導体製造業者における歩留まりが高まる。シグネチャの自動処理及び定量により、半導体製造業者にて、インラインエクスカージョン(逸脱)に対しより速く応答し根本原因分析を実行することもできる。
図3に示されている実施形態では標本ウェハマップが受領される。それらの標本ウェハマップが欠陥の根本原因に基づき分類される。例えば、図2にはシグネチャの分類例が描かれている。図3に示されている通り、標本シグネチャのライブラリがそれら標本ウェハマップをもとに生成される。機械学習ベースモデルは、これらの画像から抽出された特徴を用い訓練することができる。
図3の実施形態では、諸画像が欠陥マップ、ビンソートマップ及び/又は計量マップから抽出される。欠陥マップは、検出された欠陥の所在個所を示すウェハマップである。ビンソートマップは、そのウェハ内の諸ダイの合否ステータスを示すウェハマップである。計量マップは、そのウェハ内の実部材或いはそのウェハ内に配置されている専用ターゲット(標的)マークの特性計測結果を示すウェハマップである。その後、これらの画像を補強することができる。
抽出を実行することができる。ディープ(深層)ニューラルネットワークを、諸画像をクラスへとマッピングするよう訓練することができる。そのディープニューラルネットワークの中間層によって、その画像の抽象表現を提供することができる。抽出中には画像が処理され、それら中間層のうち一層の出力から諸特徴が抽出される。特徴を生成するのに用いられるディープニューラルネットワークを別の画像データセットに基づき訓練してあれば、転移学習が実行される。
補強を実行することができる。補強に際しては、それら原画像を別々の事例と見なせるやり方で原画像群(即ち小さなデータセット)を変換することによって、より大きな画像データセットが生成される。それらの画像は、完全に別なデータセットの一部分であると見なすのに十分なほどには、変換されない。
図1のフローチャートを用い図3の実施形態を更に説明する。諸特徴は、補強された諸画像から抽出される。その上で、それらの特徴が分類され、標本シグネチャのライブラリに追加される。ユーザは、その標本シグネチャライブラリ内の諸例に基づき、その機械学習ベースモデルを確認及び/又は再訓練することができる。マニュアル分類を用いグラウンドトゥルース(正解)を提供することができる。例えば、半導体製造業者が1個又は2個の例を分類した後、その機械学習ベースモデルに残りを決定させることができる。図1の例では諸画像がクラスA~nへと分類されている。その機械学習ベースモデルにより傾向を調べ、欠陥源を追跡し、そして生産を監視することができる。その機械学習ベースモデルにより、特定のウェハ処理工程又はツールに係る複雑なシグネチャを探すこともできる。
方法100の諸実施形態により、半導体製造環境にて見出される一群のシグネチャのうちウェハ廃棄による歩留まり損失に影響しかねないシグネチャに、対処することができる。入力がデータではなく画像であるため、既存方法を用い決定することができないシグネチャクラスを分類することができる。
ある例によれば、分類に係る信頼度レベルを決定することができる。その信頼度レベルを、シグネチャにおける欠陥の重要度に基づくものとすることができる。その信頼度レベルからの逸脱を監視することができる。例えば、そのシグネチャが信頼度レベルの枠外である場合に警報を送ることができる。信頼度指標によって、半導体製造業者が、その重要度に基づきそのシグネチャビンの純度を制御することが可能となる。
ある例によれば、同じ分類を有するウェハマップ群を以てウェハマップをグループ化することができる。シグネチャを、変動性のある形状、サイズ及び形態を踏まえ組織的にグループ化することができる。
転移学習を機械学習ベースモデルと併用することができる。転移学習は機械学習技術の一種であり、この技術ではあるタスクを対象にして訓練されたモデルが第2の関連タスクを対象にして再編(リパーパス)される。転移学習により、第2のタスクをモデル化する際の進捗を早め又は性能を改善することが可能となる。
本願開示の諸実施形態によれば、転移学習技術と深層学習(ディープラーニング)技術との組合せを用いた自動ウェハレベルシグネチャ分析が可能となる。あるプロトタイプにおいては、初期分析を踏まえ80%超の精度及び回収率で以てシグネチャクラスが検出された。ある具体例においては、約3000枚の生産ウェハが分析された。シグネチャクラスの純度は信頼度行列により制御することができる。本願開示の諸実施形態は、諸ウェハ、層及びデバイスに亘り半導体製造に適用することができる。ある期間に亘るツール安定性を監視することができる。
ウェハ上のCMPイシューを検出させるべくモデルを訓練する際に、類似ドメイン(例.ウェハハンドリングイシュー)を対象にして訓練されたモデルを用いることができる。これらのタイプのシグネチャが図4及び図5に示されている。とはいえ、実際には、そのモデルが自身の訓練データのバイアスを受け継いでいること、並びに新たなドメイン(領域)向けにどう一般化するかを知っていないことが原因で、性能の劣化又は崩壊が発生することがありうる。エッチング欠陥の検出等といった新タスクを実行させるべくモデルを訓練する際に既存モデルを再使用できないのは、それらタスク間でラベルが相違するためである。
実際、そのソース(転移元)セッティングからターゲット(転移先)タスク又はドメインへと適量の知識を転移させることは、有益たりうる。この知識は、そのデータ次第で様々な形態を採りうる。例えば、新規オブジェクトの識別につき諸オブジェクトをどのように編成するかに関するものとすることができる。
転移学習であれば、ある種の関連タスク又はドメインの既存なラベル付きデータを活用することで、これらのシナリオを扱うことができる。この知識はそのソースドメインにてそのソースタスクを解くことで得られるものであり、格納しておきそれら新たなウェハシグネチャに対し適用することができる。
転移学習は、概略、既に学習が済んでいる関連タスク(1個又は複数個のソースタスク)からの知識転移を通じた新タスク(又はターゲットタスク)での学習改善として、定義することができる。本願記載の諸実施形態では、名目例(ノミナルインスタンス)のみで以て機械学習ベースモデルを訓練する際に、その1個又は複数個のソースタスクの学習が行われ、非名目例で以てその機械学習ベースモデルを再訓練する際には、それらソースタスク(名目例)からそのターゲットタスク(非名目例)へと知識が転移される。転移学習では、そのエージェントが、ターゲットタスクについて(或いはターゲットタスクがありそうなことさえ)無知な状態で、ソースタスクについて学習する。例えば、本願記載の諸実施形態では、機械学習ベースモデルが、新シグネチャ群について無知な状態で、従前のデータで以て訓練される。とはいえ、一般に、本願記載の転移学習は、本件技術分野にて既知であり好適な何れの要領に従い実行することもできる。
帰納転移(インダクティブトランスファ)は、標準的な教師付き学習タスクにおける学習を改善する途のみならず、比較的小さなデータセットが関わるタスクにより背負わされる難事をオフセットする途とも、見ることができる。即ち、あるタスクに係るデータ又はクラスラベルが比較的少量である場合、そのタスクをターゲットタスクとして扱い関連ソースタスクからの帰納転移を実行することで、より正確なモデルへと導くことができる。こうした手法では、それら2個のデータセットが別々の確率分布に由来するものと想定されるという事実にもかかわらず、ソースタスクデータを用いターゲットタスクデータを増強することができる。本願記載の転移学習は更に特許文献1に記載の如く実行することができるので、同特許文献を参照により繰り入れ本願中で全面説明されていると見なすことにする。本願記載の諸実施形態は、更に、同特許文献や、本願にて開示されているあらゆる関連参考文献に記載の如く、構成することができる。
本願記載の諸実施形態により用いられる再訓練(及び訓練)アーキテクチャは、最小個数の標本で以てグラウンドトゥルース(確認標本に係るそれ)へと収束するよう、設計することができる。ある実施形態では、その1個又は複数個のコンポーネントが、1個又は複数個の付加的コンポーネントを含むものとされ、その再訓練が、その1個又は複数個の付加的コンポーネントを用い実行される。その1個又は複数個の付加的コンポーネントのなかに、それらの試料の全層に共通なマザーネットワーク、それらの試料の全層に共通なグランドマザーネットワークその他のコンポーネントを、含めることができる。例えば、転移学習法を、本願記載の転移学習訓練入力生成方法のうち何れかを用い生成された訓練セット(群)に対し適用することで、それら機械学習ベースモデルを訓練することができる。
ある例によれば、ディープニューラルネットワーク(例.VGG19ディープニューラルネットワーク)を用い、ウェハマップから特徴ベクトルを抽出することができる。そのディープニューラルネットワークに一連のロジスティック回帰モデルを後続させ、それらに分類を実行させることができる。そのディープニューラルネットワークを機械学習ベースモデルとすることができる。
大略、「深層学習」(深層構造化学習、階層的学習又は深層学習としても知られるそれ)は機械学習の一分岐であり、データ中の高度な抽象概念をモデル化するよう試みる一組のアルゴリズムに依拠している。単純なケースでは二組の層、即ち入力信号を受領するものと出力信号を送るものとが設けられよう。入力層にて入力が受領されると、そこから次層へとその入力の修正版が引き渡される。ディープネットワークでは入出力間に多くの層があるので、そのアルゴリズムに従い、複数通りの線形変換及び非線形変換で構成されている複数個の処理層を用いることができる。
深層学習は、データ表現の学習に依拠する機械学習法の拡大ファミリの一員である。観測結果(例.画像)は多くのやり方、例えば画素毎強度値のベクトルで、或いはより抽象的なやり方で一組のエッジ、特定形状領域等々として、表現することができる。ある種の表現は、その学習タスク(例.顔認識又は顔表情認識)を単純化する上で他のものに勝っている。深層学習の展望の一つは、教師無し又は準教師付き特徴学習及び階層的特徴抽出向けの効率的アルゴリズムで以て、人手設計特徴(ハンドクラフト特徴)が置換されることにある。
この分野の研究では、より良好な表現を作成すること、並びにそれら表現を大規模なラベル無しデータから学習するモデルを生成することが、試みられている。それら表現のうち幾つかは神経科学の進歩に鼓吹されたものであり、神経系における情報処理及び通信パターンの解釈、例えば様々な刺激とそれに関連する大脳内ニューロン反応との間の関係を定めようと試みる神経符号化論(ニューラルコーディング)に、緩く依拠している。
ある種の実施形態では深層学習モデルが生成モデルとされる。「生成」モデルは、一般に、確率的な性質のモデルとして定義することができる。生成モデルの学習は、適切な訓練データセットに基づき行うことができる(その学習においてそのモデルの諸パラメタを学習することができる)。ある実施形態では深層学習モデルが深層生成モデルとして構成される。例えば、そのモデルを、深層学習アーキテクチャを有するものとなるよう構成すること、即ちそのモデルに備わる複数個の層により複数のアルゴリズム又は変換が実行されるようにすることができる。
別の実施形態では深層学習モデルがニューラルネットワークとして構成される。更なる実施形態によれば、その深層学習モデルを、自身の訓練用に供給されたデータに従い世界をモデル化する一組の荷重付きのディープニューラルネットワークとすることができる。ニューラルネットワークは、一般に、軸索により結合された生体ニューロンからなる相対的に大きなクラスタで以て生体脳が問題を解決するやり方を緩くモデル化している比較的大きなニューラルユニット集団に依拠した情報処理手法として、定義することができる。各ニューラルユニットが他の多くのニューラルユニットに結合されているので、リンクによって、結合されている諸ニューラルユニットの活性化状態に対するそれらの影響を増強又は抑制することができる。これらのシステムは、明示的にプログラミングされているというより自己学習し且つ訓練を受けるものであり、旧来のコンピュータプログラムでは解決又は特徴検出策を提示するのが難しかった分野に秀でている。
ニューラルネットワークは、通常は複数個の層で構成されており、その信号路が前方から後方へと走っている。ニューラルネットワークの目標は人間の頭脳が行うであろうそれと同じやり方で問題を解決することであるが、ニューラルネットワークのなかにはかなり抽象的なものもある。昨今のニューラルネットワークプロジェクトでは、通常、数千~数百万個のニューラルユニット及び数百万通りの結合を有するものを手掛けている。ニューラルネットワークは、本件技術分野にて既知であり好適な何れのアーキテクチャ及び/又は構成を有するものにもすることができる。
ある実施形態では、試料上で検出された欠陥に係る分類が情報に組み込まれる。その種のある実施形態では深層学習モデルがAlexNetとして構成される。例えば、AlexNetに複数個の畳込み層(例.5個)及びそれに後続する複数個の全結合層(例.3個)を設け、画像を分類すべくそれらを結合的に構成及び訓練することができる。
その種の別の実施形態では、深層学習モデルがGoogLeNetとして構成される。例えば、GoogLeNetに畳込み層、プーリング層、全結合層等の諸層、例えば画像を分類すべく構成及び訓練された本願詳述のそれらを組み込むことができる。GoogLeNetアーキテクチャには比較的多数の層を設けうるところ、それらの層のうち幾つかは並列に動作させることができ、互いに並列に機能する層の集まりのことを一般にインセプションモジュールと呼んでいる。他の諸層は順次動作させればよい。従って、GoogLeNetは、シーケンシャル(順次的)構造の態で全層が配列されるわけではない点で、本願記載の他のニューラルネットワークと異なっている。
その種の更なる実施形態では深層学習モデルがVGGネットワークとして構成される。例えば、VGGネットワークは、そのアーキテクチャの他パラメタを固定しておき畳込み層の個数を増やすことで生成される。畳込み層を追加することで深さを増大させることができ、またそれを、それらの層全てで十分に小さな畳込みフィルタを用いることにより行うことができる。本願記載の他のニューラルネットワークと同じく、VGGネットワークが、画像を分類するよう生成及び訓練される。VGGネットワークは、畳込み層及びそれに後続する全結合層をも有する。VGGとして構成されたニューラルネットワークの例が非特許文献1に記載されているので、参照によりそれを繰り入れ本願にて全面説明されていると見なすことにする。本願記載の深層学習モデルを、この非特許文献に記載の如く更に構成することができる。
その種のある実施形態では深層学習モデルが深層残差ネットワークとして構成される。例えば、本願記載の他の幾つかのネットワークと同じく、深層残差ネットワークには畳込み層及びそれに後続する全結合層を設けることができ、それらを画像分類向けに結合的に構成及び訓練することができる。深層残差ネットワークでは、諸層が、非参照関数を学習するのに代え層入力を参照して残差関数を学習するよう構成される。具体的には、数個あるスタック層それぞれが所望の基礎マッピングに直にフィットすることを期待するのに代え、それらの層を明示的に、残差マッピングに対しフィットさせうるようにし、またそれを、ショートカット接続を有するフィードフォワード型ニューラルネットワークにより実現させる。ショートカット接続とは1個又は複数個の層をスキップする接続・結合のことである。深層残差ネットを生成するには、畳込み層を有するプレーンなニューラルネットワーク構造を採用しショートカット接続を挿入することによって、採用されているそのプレーンなニューラルネットワークをそれの残差学習版へと転化させればよい。
その種の更なる実施形態では、深層学習モデルに、試料上の欠陥を分類するよう構成された1個又は複数個の全結合層が設けられる。「全結合層」は、一般に、各ノードが前層内の各ノードに結合されている層として定義することができる。その全結合層(群)により、畳込み層(群)例えば本願詳述の如く構成されたものにより抽出された特徴に基づき、分類を実行することができる。その全結合層(群)は、特徴選択及び分類向けに構成されたものとする。言い換えれば、その全結合層(群)により特徴マップから諸特徴が選択され、更にそれら選択された特徴に基づき画像(群)における欠陥が分析されるようにする。それら選択される特徴が、特徴マップ内の特徴全てを含んでいることも(適切な場合)、特徴マップ内の特徴のうち幾つかしか含んでいないこともありうる。
試料上で検出された欠陥に係る分類を深層学習モデルから出力させる際に、その深層学習モデルから画像分類を出力させてもよく、またそのなかに、画像毎の分類結果と併せ各分類結果に係る信頼度を含めてもよい。この画像分類結果も本願詳述の如く用いることができる。その画像分類は、何れか好適なフォーマット(例えば画像又は欠陥IDや、「パターン」、「ブリッジ」等といった欠陥記述等)を有するものとすることができる。それら画像分類結果を格納して本願詳述の如く用いることができる。
幾つかの実施形態では、深層学習モデルにより決定される情報が、その深層学習モデルにより抽出された画像の特徴を含むものとされる。その種のある実施形態では、その深層学習モデルに1個又は複数個の畳込み層が設けられる。その畳込み層(群)は、本件技術分野にて既知であり好適な何れの構成を有するものであってもよく、一般には、1個又は複数個のフィルタを用い入力画像に畳込み関数を適用することにより画像に係る特徴をその画像上での位置の関数(即ち特徴マップ)として特定するよう、構成される。こうすることで、その深層学習モデル(又はその深層学習モデルの少なくとも一部)を畳込みニューラルネットワーク(CNN)として構成することができる。例えば、その深層学習モデルをCNN、通常は畳込み層及びプーリング層のスタックたるそれとして構成することで、局所的な特徴を抽出可能とすることができる。本願記載の諸実施形態では、深層学習概念例えばCNNの長所を利用することで、通常は手に負えない表現反転問題を解くことができる。その深層学習モデルは、本件技術分野で既知な何れのCNN構成又はアーキテクチャを有するものとすることもできる。その1個又は複数個のプーリング層は、本件技術分野にて既知であり好適な何れの構成(例.最多プーリング層)を有するものともすることもでき、一般には、その最重要特徴を保ちつつその1個又は複数個の畳込み層により生成される特徴マップの次元数を低減するよう構成される。
深層学習モデルにより特定される特徴には、本願にて詳述されており又は本件技術分野にて既知であって好適なあらゆる特徴のうち、本願記載の入力から推論可能(であり且つ潜在的には本願詳述の出力を生成するのに使用可能)なものを、含めることができる。例えば、それらの特徴のなかに、画素毎の強度値のベクトルを含めることができる。それらの特徴のなかに、本願記載のあらゆる他タイプの特徴、例えばスカラー値のベクトル、独立分布のベクトル、結合分布その他、本件技術分野にて既知であり好適な何れのタイプの特徴をも含めることができる。
総じて、本願記載の深層学習モデルは訓練された深層学習モデルである。例えば、1個又は複数個の診断機能が実行される深層学習モデルを、他の1個又は複数個のシステム及び/又は方法により前以て訓練しておくことができる。加えて、その深層学習モデルを、本願記載の諸実施形態のうち1個又は複数個により訓練した後に、その深層学習モデルに関しその1個又は複数個の診断機能が実行されるようにすることができる。このように、本願記載の診断機能は、深層学習モデルの訓練中に実行される深層学習モデル特性評価とは異なっており、本願記載の諸実施形態では、その深層学習モデルが予め生成及び訓練された上でそのモデルの機能を本願記載の如く決定し、その上でそれを用いその深層学習モデルに係る1個又は複数個の付加的機能を実行することができる。
システム200の一実施形態が図8に示されている。本システム200は光学ベースサブシステム201を有している。大略、光学ベースサブシステム201は、試料202に光を差し向け(或いはその上を光で走査し)その試料202からの光を検出することで、試料202に係る光学ベース出力を生成するよう、構成されている。ある実施形態によれば、試料202にウェハが包含される。そのウェハには、本件技術分野で既知なあらゆるウェハが包含されうる。別の実施形態によれば、試料にレティクルが包含される。そのレティクルには、本件技術分野で既知なあらゆるレティクルが包含されうる。
図8に示されている実施形態のシステム200では、光学ベースサブシステム201が、試料202に光を差し向けるよう構成された照明サブシステムを有している。この照明サブシステムは少なくとも1個の光源を有している。例えば、図8に示されている通り、照明サブシステムは光源203を有している。ある実施形態によれば、照明サブシステムが一通り又は複数通りの入射角、例えば一通り又は複数通りの斜め角及び/又は一通り又は複数通りの直交角を含む入射角にて試料202に光を差し向けるよう、構成される。例えば、図8に示されている通り、光源203からの光は、光学素子204、次いでレンズ205を介し、ある斜め入射角にて試料202に差し向けられる。この斜め入射角には何れの好適な斜め入射角を含めることもでき、またそれを、例えば試料202の特性により変えることもできる。
光学ベースサブシステム201は、別々の時点では別々の入射角にて試料202に光を差し向けるよう、構成することもできる。例えば、光学ベースサブシステム201を、照明サブシステムに備わる1個又は複数個の素子の一通り又は複数通りの特性を変化させることで、図8に示されているそれとは異なる入射角にて試料202に光を差し向けうるように、構成してもよい。その種のある例によれば、光学ベースサブシステム201を、光源203、光学素子204及びレンズ205を動かせるよう、ひいては光を試料202へと別の斜め入射角又は直交(又は近直交)入射角にて差し向けうるよう、構成することができる。
幾つかの例によれば、光学ベースサブシステム201を、同時に複数通りの入射角にて試料202に光を差し向けるよう構成することができる。例えば、照明サブシステムに複数個の照明チャネルを設けることができ、それら照明チャネルのうち1個に、図8に示されている通り光源203、光学素子204及びレンズ205を設けることができ、且つそれら照明チャネルのうち別の1個(図示せず)に、それに類する素子群を設けることができ、またそれらを別様にも同様にも構成することができ、或いは少なくとも1個の光源と恐らくは1個又は複数個の他部材、例えば本願詳述のそれらを設けることもできる。そうした光を他方の光と同時に試料へと差し向ける場合、別々の入射角にて試料202に差し向けられる光に備わる一通り又は複数通りの特性(例.波長、偏波等々)を異ならせることで、それら別々の入射角での試料202の照明によりもたらされる光をその検出器(群)にて互いに弁別可能とすることができる。
別のある例によれば、照明サブシステムに光源を1個(例.図8に示した光源203)だけ設け、その光源からの光を、その照明サブシステムに備わる1個又は複数個の光学素子(図示せず)により(例.波長、偏波等々に基づき)別々の光路へと振り分けるように、することができる。その後はそれら別々の光路それぞれの光を試料202へと差し向ければよい。複数個の照明チャネルを、光を試料202に同時に差し向けるよう構成してもよいし、別々の時点で差し向けるよう構成してもよい(例.別々の照明チャネルを用い試料を順次照明する際)。別のある例によれば、同一の照明チャネルを、別々の時点では別々の特性で以て試料202に光を差し向けるよう構成することができる。例えば、ある種の例によれば、光学素子204を分光フィルタとして構成し、その分光フィルタの特性を様々なやり方にて(例.その分光フィルタを交換することにより)変化させることで、別々の時点にて別々の波長の光を試料202に差し向けうるようにすることができる。照明サブシステムは、別々又は同一の特性を有する光を別々又は同一の入射角にて順次又は同時に試料202に差し向けるのに適し、本件技術分野で既知な、他の何れの構成を有するものともすることができる。
ある実施形態によれば、光源203を、広帯域プラズマ(BBP)光源を有するものとすることができる。こうすることで、光源203により生成され試料202に差し向けられる光を、広帯域光を含むものとすることができる。とはいえ、光源には他のあらゆる好適な光源例えばレーザが含まれうる。そのレーザには本件技術分野にて既知であり好適なあらゆるレーザが含まれうるし、本件技術分野にて既知であり好適な何れの波長又は波長群にて光を生成するようにもそのレーザを構成することができる。加えて、単色又は近単色の光を生成するようそのレーザを構成することができる。こうすることで、そのレーザを狭帯域レーザとすることができる。光源203を、複数通りのとびとびな波長又は波帯にて光を生成する多色光源を有するものと、することもできる。
光学素子204からの光は、レンズ205により試料202上へと集束させることができる。図8ではレンズ205が単一の屈折性光学素子として示されているが、ご理解頂けるように、実際には、レンズ205を複数個の屈折性及び/又は反射性光学素子を備えるものとし、それらの協働でその光学素子から試料へと光が集束されるようにすることができる。図8に示され本願にて記述されている照明サブシステムには、この他にもあらゆる好適な光学素子(図示せず)を設けることができる。そうした光学素子の例には、これに限られるものではないが偏向部材(群)、分光フィルタ(群)、空間フィルタ(群)、反射性光学素子(群)、アポダイザ(群)、ビームスプリッタ(群)(例えばビームスプリッタ213)、アパーチャ(群)等があり、これには本件技術分野にて既知であり好適なあらゆる類種光学素子が含まれうる。加えて、光学ベースサブシステム201を、光学ベース出力を生成するのに用いられる照明の種類に基づき照明サブシステムの諸素子のうち1個又は複数個を改変するよう、構成してもよい。
光学ベースサブシステム201に、光で試料202上を走査するよう構成された走査サブシステムを設けることもできる。例えば、光学ベースサブシステム201に、光学ベース出力の生成中に試料202が載置されるステージ206を設ければよい。走査サブシステムに何らかの好適な機械及び/又はロボットアセンブリ(ステージ206を有するもの)を設け、そのアセンブリを、試料202を動かしその試料202上を光で走査することができるように構成すればよい。これに加え又は代え、光学ベースサブシステム201を、その光学ベースサブシステム201に備わる1個又は複数個の光学素子により試料202上にて幾ばくかの光走査が実行されうるように構成してもよい。光による試料202上の走査は、例えば蛇状路沿い或いは螺旋路沿い等、何らかの好適な様式で行えばよい。
光学ベースサブシステム201は、更に、1個又は複数個の検出チャネルを有している。その1個又は複数個の検出チャネルのうち少なくとも1個が検出器を有しており、その検出器が、そのサブシステムによる試料202の照明の結果その試料202からもたらされる光を検出するよう、且つその検出光に応じ出力を生成するよう、構成されている。例えば、図8に示されている光学ベースサブシステム201は2個の検出チャネルを有しており、そのうち1個が集光器207、素子208及び検出器209により、もう1個が集光器210、素子211及び検出器212により形成されている。図8に示されている通り、それら2個の検出チャネルは、別々の集光角にて光を集め検出するよう構成されている。ある種の例では、両検出チャネルが、散乱光を検出するよう構成され、またそれら検出チャネルが、試料202から別々の角度で散乱されてきた光を検出するよう構成される。とはいえ、検出チャネルのうち1個又は複数個を、試料202からの別種の光(例.反射光)を検出するよう構成してもよい。
図8に更に示されている通り、両検出チャネルは紙面内に位置する態で示されており、照明サブシステムも紙面内に位置する態で示されている。即ち、本実施形態では、どちらの検出チャネルも入射面内に配置(例.芯決め)されている。とはいえ、検出チャネルのうち1個又は複数個を入射面外に配置することもできる。例えば、集光器210、素子211及び検出器212により形成される検出チャネルを、入射面外に散乱された光を集め検出するよう構成することができる。こうした検出チャネルは従って「サイド」チャネルと通称することができ、そうしたサイドチャネルを、入射面に対し略垂直な平面内にて芯決めすることもできる。
図8に示す実施形態の光学ベースサブシステム201は2個の検出チャネルを有しているが、光学ベースサブシステム201が別の個数の検出チャネル(例.単一の検出チャネル又は2個以上の検出チャネル)を有していてもよい。その種のある例によれば、集光器210、素子211及び検出器212で形成される検出チャネルにより上述の如く1個のサイドチャネルを形成する一方で、その光学ベースサブシステム201に更なる検出チャネル(図示せず)を設け、それを入射面の逆側に位置する別のサイドチャネルとして形成することができる。そのため、光学ベースサブシステム201にて、集光器207、素子208及び検出器209を有する検出チャネルを設けて入射面内で芯決めし、試料202の表面に直交し又はそれに近い(複数の)散乱角にて光を集め検出するよう構成することもできる。この検出チャネルは従って「トップ」チャネルと通称することができ、またその光学ベースサブシステム201に上述の如く構成された2個以上のサイドチャネルを設けることもできる。即ち、光学ベースサブシステム201を、少なくとも3個のチャネル(即ち1個のトップチャネル及び2個のサイドチャネル)を有するものとし、それら少なくとも3個のチャネルそれぞれを、自身の集光器を有するものとし、そのそれぞれを、他の集光器の何れとも異なる散乱角の光を集めるよう構成することができる。
更に上述の通り、光学ベースサブシステム201内の各検出チャネルを、散乱光を検出するよう構成することができる。従って、図8に示されている光学ベースサブシステム201を、試料202に係る暗視野(DF)出力の生成用に構成することができる。とはいえ、それに加え又は代えて、光学ベースサブシステム201に、試料202に係る明視野(BF)出力の生成用に構成された検出チャネル(群)を設けることもできる。言い換えれば、光学ベースサブシステム201に、試料202から鏡面反射されてきた光を検出するよう構成された少なくとも1個の検出チャネルを、設けることができる。従って、本願記載の光学ベースサブシステム201は、DF単独、BF単独又はDF・BF両者での撮像用に構成することができる。図8では各集光器が単一の屈折性光学素子として示されているが、ご理解頂けるように、各集光器が、1個又は複数個の屈折性光学ダイ及び/又は1個又は複数個の反射性光学素子を有していてもよい。
その1個又は複数個の検出チャネルは、本件技術分野にて既知であり好適な何れの検出器を有するものともすることができる。例えば、それら検出器のなかに、光電子増倍管(PMT)、電荷結合デバイス(CCD)、時間遅延積分(TDI)カメラその他、本件技術分野にて既知であり好適なあらゆる検出器を含めることができる。それら検出器のなかに、非撮像型検出器も撮像型検出器も含めることもできる。この構成において、それら検出器を非撮像型検出器にする場合、各検出器を、散乱光に備わるある種の特性、例えば強度を検出するよう構成しうる反面、その特性をその撮像面における位置の関数として検出するようには構成することができない。即ち、その光学ベースサブシステムの各検出チャネル内に設けられている検出器それぞれにより生成される出力が、信号又はデータとはされうるが、画像信号又は画像データとはされえない。この種の例でも、プロセッサ例えばプロセッサ214を、それら検出器の非撮像出力をもとに試料202の画像を生成するよう構成することはできる。とはいえ、別の例に従い、それら検出器を、撮像信号又は画像データを生成するよう構成された撮像型検出器として構成することもできる。このように、光学ベースサブシステムは、様々なやり方で光学画像その他、本願記載の光学ベース出力を生成するよう構成することができる。
なお、本願に図8を設けたのは、本願記載の諸システム実施形態に組み込むことができ或いは本願記載の諸システム実施形態にて用いられる光学ベース出力を生成することができる光学ベースサブシステム201の構成を、大まかに描出するためである。商用の出力獲得システムを設計する際に通常行われている通り、本願記載の構成を有する光学ベースサブシステム201を、その光学ベースサブシステム201の性能が最適化されるよう改変することもできる。加えて、本願記載の諸システムを、既存システムを用い(例.既存システムに本願記載の機能を付加することで)実施することもできる。その種のあるシステム向けに、本願記載の諸方法を、(例.そのシステムの他の機能に加え)そのシステムのオプション的機能として提供することもできる。これに代え、本願記載のシステムを完全に新規なシステムとして設計することもできる。
プロセッサ214は、システム200の諸部材に何らかの好適な要領にて(例.1個又は複数個の伝送媒体、例えば有線及び/又は無線伝送媒体を含むそれを介し)結合させることができ、ひいてはそのプロセッサ214にて出力を受け取れるようにすることができる。プロセッサ214は、その出力を用い多数の機能を実行するよう構成することができる。システム200にて、そのプロセッサ214から命令その他の情報を受け取ることができる。プロセッサ214及び/又は電子データ格納ユニット215にて、オプション的に、ウェハ検査ツール、ウェハ計量ツール又はウェハレビューツール(描写せず)と電子通信し、付加的な情報を受け取ることや命令を送ることもできる。例えば、プロセッサ214及び/又は電子データ格納ユニット215が走査型電子顕微鏡と電子通信することができる。
本願記載のプロセッサ214その他のシステム(群)又はその他のサブシステム(群)は、パーソナルコンピュータシステム、イメージコンピュータ、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その他のデバイスを初め、様々なシステムの一部分とすることができる。そのサブシステム(群)又はシステム(群)には、本件技術分野にて既知であり好適なあらゆるプロセッサ、例えば並列プロセッサをも含めることができる。加えて、そのサブシステム(群)又はシステム(群)には、スタンドアロンであれネットワーク接続されたツールであれ、高速な処理及びソフトウェアを伴うプラットフォームを含めることができる。
プロセッサ214及び電子データ格納ユニット215は、システム200その他のデバイスの一部分とすること、例えばその内部に配置することができる。ある例によれば、プロセッサ214及び電子データ格納ユニット215をスタンドアロン制御ユニットの一部とし、或いは集中品質制御ユニット内に設けることができる。複数個のプロセッサ214又は電子データ格納ユニット215を用いてもよい。
プロセッサ214は、現実には、ハードウェア、ソフトウェア及びファームウェアのどのような組合せで実施することもできる。また、それの機能であり本願記載のものを、単一ユニットで実行しても複数個の異なる部材間で分かち合ってもよいし、その部材それぞれをハードウェア、ソフトウェア及びファームウェアのどのような組合せで実施してもよい。プロセッサ214に様々な方法及び機能を実行・実施させるためのプログラムコード又は命令は、可読格納媒体内、例えば電子データ格納ユニット215内メモリやその他のメモリ内に格納することができる。
システム200が複数個のプロセッサ214を有している場合、それら別々なサブシステム同士を結合させることができ、ひいては画像、データ、情報、命令等々をそれらサブシステム間で送り合うことができる。例えば、あるサブシステムを付加的なサブシステム(群)に対し何らかの好適な伝送媒体により結合させることができ、またその媒体のなかに本件技術分野で既知であり好適なあらゆる有線及び/又は無線伝送媒体を含めることができる。そうしたサブシステムのうち2個以上を、共有型コンピュータ可読格納媒体(図示せず)により実質結合させることもできる。
プロセッサ214は、システム200の出力その他の出力を用い多数の機能を実行するよう構成することができる。例えば、プロセッサ214を、その出力を電子データ格納ユニット215その他の格納媒体に送るよう構成することができる。プロセッサ214は、本願記載の諸実施形態の何れに従い構成することもできる。プロセッサ214は、また、システム200の出力を用い、或いは他の源泉からの画像又はデータを用い、他の諸機能又は付加的ステップを実行するよう、構成することもできる。
本願開示のシステム200及び諸方法の様々なステップ、機能及び/又は及び動作は、電子回路、論理ゲート、マルチプレクサ、プログラマブル論理デバイス、ASIC、アナログ若しくはディジタルコントローラ/スイッチ、マイクロコントローラ又は情報処理システムのうち1個又は複数個により実行される。諸方法例えば本願記載のそれらを実施するプログラム命令群を、キャリア媒体上で伝送させ又はそれに格納することができる。そのキャリア媒体には、リードオンリメモリ、ランダムアクセスメモリ、磁気若しくは光ディスク、不揮発性メモリ、固体メモリ、磁気テープ等といった格納媒体が包含されうる。キャリア媒体には、ワイヤ、ケーブル、無線伝送リンク等といった伝送媒体も包含されうる。例えば、本件開示の随所に記載の諸ステップを、単一のプロセッサ214により実行することも、それに代え複数個のプロセッサ214により実行することもできる。更に、システム200の様々なサブシステムに1個又は複数個の情報処理又は論理システムを組み込んでもよい。従って、上掲の記述は、本件開示に対する限定事項としてではなく、単なる例証として解されるべきである。
ある例では、プロセッサ214がシステム200と通信する。プロセッサ214は、諸実施形態の方法100を実行するよう構成される。そのプロセッサ214により、一例に係る機械学習ベースモデルを動作させることができる。システム200により、欠陥との関連でウェハを検査することができ、その結果を用い、プロセッサ214にて受領されるウェハマップを生成することができる。
付加的実施形態には、コントローラ上で実行可能なプログラム命令であり本願開示の如くウェハマップを分類するコンピュータ実施方法を実行するためのそれを格納している、非一時的コンピュータ可読媒体に関するものがある。具体的には、図8に示されている通り、電子データ格納ユニット215その他の格納媒体のなかに、プロセッサ214上で実行可能なプログラム命令が入っている非一時的コンピュータ可読媒体を含めることができる。そのコンピュータ実施方法は、方法100を初め本願記載の何れの方法(群)の何れのステップ(群)を有するものともすることができる。
それらプログラム命令は、就中、手続きベース技術、要素ベース技術及び/又はオブジェクト指向技術を初め、様々なやり方のうち何れで実現することもできる。例えば、それらプログラム命令を、ActiveX(登録商標)コントロール、C++オブジェクト、JavaBeans(登録商標)、Microsoft(登録商標)FoundationClasses(MFC)、ストリーミングSIMDエクステンション(SSE)その他のテクノロジ又は方法論を所望の如く用い実施することができる。
システム200では光が用いられているが、方法100を、別の半導体検査ツールを用い実行することもできる。例えば、方法100を、電子ビームを用いるシステム例えば走査型電子顕微鏡やイオンビームを用いるシステムからもたらされる結果を用い、実行することができる。ひいては、そのシステムを、電子ビーム源又はイオンビーム源を有するものとすることができる。
1個又は複数個の具体的実施形態を基準にして本件開示につき記述してきたが、ご理解頂けるように、本件開示の技術的範囲から離隔することなく本件開示の他の諸実施形態をなすこともできる。即ち、本件開示は、添付する特許請求の範囲及びその合理的解釈によってのみ限定されるものと解される。
Claims (20)
- 方法であって、
ウェハマップをプロセッサにて受領する方法であり、但しそのウェハマップがウェハ全体の表面に係るものであり、そのプロセッサが、そのウェハマップを分類するため機械学習ベースモデルを実行するよう構成されたものであり、且つ
前記機械学習ベースモデルと、前記ウェハマップ上のシグネチャと、を用い前記ウェハマップを分類する方法であり、但しその機械学習ベースモデルが転移学習を用いるものである、
方法。 - 請求項1に記載の方法であって、更に、前記分類に係る信頼度レベルを決定する方法であり、その信頼度レベルが前記シグネチャ内の欠陥の重要度に基づくものである方法。
- 請求項1に記載の方法であって、更に、前記シグネチャが信頼度レベルの枠外である場合に警報を送る方法。
- 請求項1に記載の方法であって、更に、
前記プロセッサにて複数個の標本ウェハマップを受領し、
前記プロセッサを用い、欠陥の根本原因に基づき前記標本ウェハマップを分類し、且つ
前記プロセッサを用い、前記標本ウェハマップをもとに標本シグネチャのライブラリを生成する、
方法。 - 請求項4に記載の方法であって、更に、
前記プロセッサを用い複数個の欠陥マップ、ビンソートマップ及び/又は計量マップから画像を抽出し、且つ
前記プロセッサを用い前記画像を補強する、
方法。 - 請求項5に記載の方法であって、更に、前記画像から抽出された特徴を用い前記機械学習ベースモデルを訓練する方法。
- 請求項1に記載の方法であって、更に、同じ分類を有するウェハマップ群を以て前記ウェハマップをグループ化する方法。
- 半導体ウェハ検査システムと、
前記半導体ウェハ検査システムと電子通信するプロセッサと、
を備えるシステムであって、
前記プロセッサが、
ウェハマップを受領するよう構成されており、但しそのウェハマップがウェハ全体の表面に係るものであり、前記プロセッサが、そのウェハマップを分類するため機械学習ベースモデルを実行するよう構成されており、且つ
前記機械学習ベースモデルと、前記ウェハマップ上のシグネチャと、を用い前記ウェハマップを分類するよう構成されており、但しその機械学習ベースモデルが転移学習を用いるものである、
システム。 - 請求項8に記載のシステムであって、前記半導体ウェハ検査システムが光源又は電子ビーム源を有するシステム。
- 請求項8に記載のシステムであって、前記半導体ウェハ検査システムが前記ウェハマップを生成するシステム。
- 請求項8に記載のシステムであって、前記プロセッサが更に、前記分類に係る信頼度レベルを決定するよう構成されており、その信頼度レベルが前記シグネチャ内の欠陥の重要度に基づくものであるシステム。
- 請求項8に記載のシステムであって、前記プロセッサが更に、前記シグネチャが信頼度レベルの枠外である場合に警報を送るよう構成されているシステム。
- 請求項8に記載のシステムであって、前記プロセッサが更に、
複数個の標本ウェハマップを受領するよう、
欠陥の根本原因に基づき前記標本ウェハマップを分類するよう、且つ
前記標本ウェハマップをもとに標本シグネチャのライブラリを生成するよう、
構成されているシステム。 - 請求項13に記載のシステムであって、前記プロセッサが更に、
複数個の欠陥マップ、ビンソートマップ及び/又は計量マップから画像を抽出するよう、且つ
前記画像を補強するよう、
構成されているシステム。 - 請求項14に記載のシステムであって、前記プロセッサが更に、前記画像から抽出された特徴を用い前記機械学習ベースモデルを訓練するよう構成されているシステム。
- 請求項8に記載のシステムであって、前記プロセッサが更に、同じ分類を有するウェハマップ群を以て前記ウェハマップをグループ化するよう構成されているシステム。
- 1個又は複数個のプログラムが備わる非一時的コンピュータ可読格納媒体であって、そのプログラムが、1個又は複数個の情報処理装置上で、
機械学習ベースモデルとウェハマップ上のシグネチャとを用いウェハマップを分類するステップであり、その機械学習ベースモデルにて転移学習が用いられ且つそのウェハマップがウェハ全体の表面に係るものとされているステップを含め、
諸ステップを実行するためのものである非一時的コンピュータ可読格納媒体。 - 請求項17に記載の非一時的コンピュータ可読格納媒体であって、前記諸ステップに更に、
複数個の標本ウェハマップを受領するステップと、
欠陥の根本原因に基づき前記標本ウェハマップを分類するステップと、
前記標本ウェハマップをもとに標本シグネチャのライブラリを生成するステップと、
が含まれている非一時的コンピュータ可読格納媒体。 - 請求項18に記載の非一時的コンピュータ可読格納媒体であって、前記諸ステップに更に、
複数個の欠陥マップ、ビンソートマップ及び/又は計量マップから画像を抽出するステップと、
前記画像を補強するステップと、
が含まれている非一時的コンピュータ可読格納媒体。 - 請求項19に記載の非一時的コンピュータ可読格納媒体であって、前記諸ステップに更に、前記画像から抽出された特徴を用い前記機械学習ベースモデルを訓練するステップが含まれている非一時的コンピュータ可読格納媒体。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202041036573 | 2020-08-25 | ||
IN202041036573 | 2020-08-25 | ||
US202063089036P | 2020-10-08 | 2020-10-08 | |
US63/089,036 | 2020-10-08 | ||
US17/405,014 | 2021-08-17 | ||
US17/405,014 US11967060B2 (en) | 2020-08-25 | 2021-08-17 | Wafer level spatial signature grouping using transfer learning |
PCT/US2021/047223 WO2022046677A1 (en) | 2020-08-25 | 2021-08-24 | Wafer level spatial signature grouping using transfer learning |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023539235A true JP2023539235A (ja) | 2023-09-13 |
Family
ID=80353893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023513250A Pending JP2023539235A (ja) | 2020-08-25 | 2021-08-24 | 転移学習を用いるウェハレベルシグネチャグループ化 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11967060B2 (ja) |
EP (1) | EP4154078A4 (ja) |
JP (1) | JP2023539235A (ja) |
KR (1) | KR20230056698A (ja) |
CN (1) | CN116113982A (ja) |
TW (1) | TW202225678A (ja) |
WO (1) | WO2022046677A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102665637B1 (ko) * | 2023-10-19 | 2024-05-20 | 주식회사 에이아이비즈 | 복수의 이상 탐지 기법을 통합하여 공정 설비의 이상을 탐지하는 방법, 장치 및 프로그램 |
CN118067740B (zh) * | 2024-04-18 | 2024-06-25 | 华南理工大学 | 一种用于滤波器的光测、电测检测设备 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6718526B1 (en) | 2003-02-07 | 2004-04-06 | Kla-Tencor Corporation | Spatial signature analysis |
US7570796B2 (en) * | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8041518B2 (en) * | 2007-05-08 | 2011-10-18 | Globalfoundries Inc. | Determining die test protocols based on process health |
KR101214806B1 (ko) | 2010-05-11 | 2012-12-24 | 가부시키가이샤 사무코 | 웨이퍼 결함 검사 장치 및 웨이퍼 결함 검사 방법 |
US9437506B2 (en) * | 2013-05-10 | 2016-09-06 | Lattice Semiconductor Corporation | Semiconductor defect characterization |
US11580375B2 (en) | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US10360477B2 (en) | 2016-01-11 | 2019-07-23 | Kla-Tencor Corp. | Accelerating semiconductor-related computations using learning based models |
WO2017203600A1 (ja) | 2016-05-24 | 2017-11-30 | 株式会社日立ハイテクノロジーズ | 欠陥分類装置および欠陥分類方法 |
US11580398B2 (en) | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
US10598617B2 (en) * | 2017-05-05 | 2020-03-24 | Kla-Tencor Corporation | Metrology guided inspection sample shaping of optical inspection results |
US10387755B2 (en) * | 2017-06-28 | 2019-08-20 | Applied Materials, Inc. | Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks |
US10713534B2 (en) | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
US11282695B2 (en) * | 2017-09-26 | 2022-03-22 | Samsung Electronics Co., Ltd. | Systems and methods for wafer map analysis |
KR102073362B1 (ko) | 2017-12-29 | 2020-02-04 | 주식회사 비스텔 | 웨이퍼 맵을 불량 패턴에 따라 분류하는 방법 및 컴퓨터 프로그램 |
US10825650B2 (en) | 2018-09-28 | 2020-11-03 | Taiwan Semiconductor Manufacturing Co., Ltd. | Machine learning on wafer defect review |
US11263737B2 (en) * | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US10930597B2 (en) * | 2019-03-27 | 2021-02-23 | Kla-Tencor Corporation | Die screening using inline defect information |
-
2021
- 2021-08-17 US US17/405,014 patent/US11967060B2/en active Active
- 2021-08-24 JP JP2023513250A patent/JP2023539235A/ja active Pending
- 2021-08-24 EP EP21862510.1A patent/EP4154078A4/en active Pending
- 2021-08-24 KR KR1020237008256A patent/KR20230056698A/ko active Search and Examination
- 2021-08-24 WO PCT/US2021/047223 patent/WO2022046677A1/en unknown
- 2021-08-24 CN CN202180050094.1A patent/CN116113982A/zh active Pending
- 2021-08-25 TW TW110131488A patent/TW202225678A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022046677A1 (en) | 2022-03-03 |
EP4154078A4 (en) | 2024-06-19 |
KR20230056698A (ko) | 2023-04-27 |
US11967060B2 (en) | 2024-04-23 |
TW202225678A (zh) | 2022-07-01 |
CN116113982A (zh) | 2023-05-12 |
US20220067911A1 (en) | 2022-03-03 |
EP4154078A1 (en) | 2023-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111094952B (zh) | 使用统一神经网络进行缺陷检测及分类的方法及系统 | |
CN111819676B (zh) | 训练用于低分辨率图像中的缺陷检测的神经网络 | |
KR102372147B1 (ko) | 학습 기반 결함 분류기의 트레이닝 | |
CN108475350B (zh) | 使用基于学习的模型加速半导体缺陷检测的方法和系统 | |
CN108475351B (zh) | 用于训练基于机器学习的模型的系统和计算机实施方法 | |
KR102468982B1 (ko) | 주사 전자 현미경 계측을 사용한 결함 검출, 분류 및 프로세스 윈도우 제어 | |
KR102412022B1 (ko) | 큰 오프셋 다이-다이 검사를 위한 다단계 이미지 정렬 방법 | |
TW201816670A (zh) | 用於經組態用於半導體應用之深度學習模型之診斷系統及方法 | |
US11694327B2 (en) | Cross layer common-unique analysis for nuisance filtering | |
CN114600156B (zh) | 用于滋扰滤波的深度学习网络 | |
US11170475B2 (en) | Image noise reduction using stacked denoising auto-encoder | |
CN114600154A (zh) | 用于sem图像的bbp辅助缺陷检测流程 | |
US11774371B2 (en) | Defect size measurement using deep learning methods | |
JP2023539235A (ja) | 転移学習を用いるウェハレベルシグネチャグループ化 | |
CN115552431A (zh) | 训练机器学习模型以从检验图像产生较高分辨率图像 | |
CN115943429A (zh) | 用于光学或其它模式选择的深度生成模型 | |
CN115769254A (zh) | 基于深度学习的缺陷检测 | |
TWI844784B (zh) | 偵測缺陷之系統、非暫時性電腦可讀媒體、及偵測缺陷之電腦實施方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240516 |