JP2023539568A - リピータ欠陥検出のための教師なし学習 - Google Patents

リピータ欠陥検出のための教師なし学習 Download PDF

Info

Publication number
JP2023539568A
JP2023539568A JP2023511617A JP2023511617A JP2023539568A JP 2023539568 A JP2023539568 A JP 2023539568A JP 2023511617 A JP2023511617 A JP 2023511617A JP 2023511617 A JP2023511617 A JP 2023511617A JP 2023539568 A JP2023539568 A JP 2023539568A
Authority
JP
Japan
Prior art keywords
repeater
defects
defect
clusters
optical inspection
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
Application number
JP2023511617A
Other languages
English (en)
Inventor
ジェン－シアン リン
ブーン キアット タイ
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 JP2023539568A publication Critical patent/JP2023539568A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

リピータ欠陥を見つけるために、1つ以上の半導体ウェハについての光学検査結果が得られる。光学検査結果に基づいて、1つ以上の半導体ウェハ上の複数の欠陥が識別される。複数の欠陥のうち、1つ以上の半導体ウェハの複数のダイ上の同一のダイ位置を有する欠陥は、リピータ欠陥として分類される。光学検査結果に基づいて、教師なし機械学習を使用して、リピータ欠陥を複数のクラスタにクラスタリングする。リピータ欠陥をスコア化する。リピータ欠陥をスコア付けすることは、複数のクラスタ内のクラスタがそれぞれのリピータ欠陥の複数のインスタンスを含む度合いに基づいてそれぞれのスコアをそれぞれのリピータ欠陥に割り当てることを含む。リピータ欠陥は、それぞれのスコアに基づいてランク付けされる。

Description

本開示は、半導体欠陥検出に関し、より詳細には、教師なし学習を使用してリピータ欠陥を検出することに関する。
関連出願
本出願は、米国仮特許出願６３／０６８，３８０号（２０２０年８月２１日）に対する優先権を主張し、これは、あらゆる目的のために参照によりその全体が組み込まれる。
半導体ウェハ上のリピータ欠陥は、水上の複数のダイ上の同じダイ位置で発生する欠陥である。リピータ欠陥は、レチクル（すなわち、フォトマスク）上の欠陥によって引き起こされる場合があり、これは、ウェハ上の特定のダイ上の同じ位置（すなわち、ウェハ上の複数のダイ上の同じレチクルレベル位置にある）に不正確に層がパターニングされる原因となる。リピータ欠陥の発見及び除去は、半導体製造の歩留まり改善の重要な部分である。
リピータ欠陥を含む半導体ウェハ上の欠陥は、ウェハの光学検査によって識別することができる。しかしながら、光学検査は、ニューサンス欠陥ならびに対象の欠陥を識別する。対象の欠陥は、半導体デバイスの機能を損なう真の欠陥であるが、ニューサンス欠陥は、わずかなプロセス変動から生じ、デバイスの機能を損なわない。半導体ウェハ上の対象の欠陥の存在は、ウェハ歩留まり（すなわち、ウェハ上の機能ダイの数またはパーセンテージである）を低下させる。半導体ウェハ上のニューサンス欠陥の存在は、歩留まりに影響を及ぼさない。したがって、技術者は、関心のある欠陥を見つけることに関心があるが、ニューサンス欠陥を見つけることには関心がない。しかしながら、現代の光学検査では、ニューサンス欠陥は、関心のある欠陥を数桁上回る場合がある。
リピータ欠陥は、光学検査を実行し、同じダイレベルまたはレチクルレベルの位置（例えば、複数のダイのｉ個の画像を積み重ねることによる）を有する欠陥を識別することによって識別することができる。しかし、このアプローチは、対象の欠陥であるリピータ欠陥を見つけるための低い信号対雑音比に悩まされる。光学検査によって識別される多数のニューサンス欠陥のため、この手法を使用して識別されるリピータ欠陥の多くはニューサンス欠陥になる。
米国特許出願公開第２０１８／０１３０１９９号
したがって、対象の欠陥であるリピータ欠陥を識別するためのより正確な方法およびシステムが必要とされている。
いくつかの実施形態では、リピータ欠陥を見つける方法は、１つ以上の半導体ウェハの光学検査結果を得ることを含む。光学検査結果に基づいて、１つ以上の半導体ウェハ上の複数の欠陥が識別される。複数の欠陥のうち、１つ以上の半導体ウェハの複数のダイ上の同一のダイ位置を有する欠陥は、リピータ欠陥として分類される。光学検査結果に基づいて、教師なし機械学習を使用して、リピータ欠陥を複数のクラスタにクラスタリングする。リピータ欠陥をスコア化する。リピータ欠陥をスコア付けすることは、複数のクラスタ内のクラスタがそれぞれのリピータ欠陥の複数のインスタンスを含む度合いに基づいてそれぞれのスコアをそれぞれのリピータ欠陥に割り当てることを含む。リピータ欠陥は、それぞれのスコアに基づいてランク付けされる。
いくつかの実施形態では、非一時的コンピュータ可読記憶媒体は、１つ以上のプロセッサによって実行するための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、上記の方法を実行するための命令を含む。
いくつかの実施形態では、システムは、光学検査ツールと、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、上記の方法を実行するための命令を含む。
この方法、システム、および非一時的コンピュータ可読記憶媒体は、対象の欠陥であるリピータ欠陥（すなわち、真のリピータ欠陥）が高い信号対雑音比で識別されることを可能にする。
説明される様々な実施形態をより良く理解するために、以下の図面と併せて、以下の詳細な説明を参照されたい。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。
半導体ウェハ上の欠陥位置を示すウェハマップである。 いくつかの実施形態による、リピータ欠陥を見つける方法を示すフローチャートである。 いくつかの実施形態による、図２の方法において教師なし機械学習を使用して実行されるクラスタリングの結果の例を示す。 いくつかの実施形態による、図３Ａのクラスタリングに基づくリピータ欠陥のスコアのグラフを示す。 いくつかの実施形態による、ハイパーパラメータ値を選択するために使用されるグラフを示す。 いくつかの実施形態による半導体欠陥識別システムのブロック図である。
ここで、様々な実施形態を詳細に参照し、その例を添付の図面に示す。以下の詳細な説明では、説明される様々な実施形態の完全な理解を提供するために、多数の具体的な詳細が述べられる。しかしながら、説明される様々な実施形態は、これらの具体的な詳細なしに実施され得ることが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、半導体ウェハ１００上の欠陥位置を示すウェハマップである。半導体ウェハ１００は、ウェハ１００にわたってレチクル（すなわち、フォトマスク）をステッピングし、ウェハ上のそれぞれの領域１０２を連続的に露光して複数のダイ１０４のそれぞれの層をパターン化することによって、フォトリソグラフィを使用して製作される複数のダイ１０４を有する。各領域１０２は、半導体ダイ１０４のアレイを含む。アレイ内の（すなわち、領域１０２内の）各半導体ダイ１０４は、レチクル上のそれぞれのパターン形成された領域に対応する。各レチクルは、名目上同一のパターン化された領域のアレイを有し、その各々は、各領域１０２のアレイ内のそれぞれの半導体ダイ１０４に対応する。図１の例では、各領域１０２は、半導体ダイ１０４－１～１０４－６の２×３アレイを有し、各レチクルは、名目上同一のパターン化領域の対応する２×３アレイを有する。ウェハ１００上の半導体ダイ１０４の数の他の例と同様に、領域１０２及びレチクルのアレイサイズの他の例が可能である。
半導体ウェハ１００のウェハマップ上に示される欠陥は、リピータ欠陥１０６および非リピータ欠陥１０８を含む。図１の例では、リピータ欠陥は、リピータ欠陥１０６－１、１０６－２、及び１０６－３を含む。リピータ欠陥１０６－１は、半導体ダイ１０４－１の６つのインスタンスにおいて同じダイレベル位置で発生し、したがって、６つの異なるダイにおいて同じレチクルレベル位置で発生する。リピータ欠陥１０６－２は、半導体ダイ１０４－４の２つのインスタンスにおいて同じダイレベル位置で発生し、したがって、２つの異なるダイにおいて同じレチクルレベル位置で発生する。リピータ欠陥１０６－３は、半導体ダイ１０４－６の３つのインスタンスにおいて同じダイレベル位置で発生し、したがって、３つの異なるダイにおいて同じレチクルレベル位置で発生する。非リピータ欠陥１０８は、複数の半導体ダイ１０４内の同じダイレベル位置では発生せず、したがって、複数の半導体ダイ１０４内の同じレチクルレベル位置では発生しない。一般に、欠陥は、それらが複数のダイ内の同じ位置にある場合、および複数のダイが領域１０２内のそれぞれのアレイ内の同じ位置にある場合、同じレチクルレベル位置を有する。
図２は、いくつかの実施形態による、リピータ欠陥（例えば、図１のリピータ欠陥１０６－１、１０６－２、及び／又は１０６－３）を見つける方法２００を示すフローチャートである。方法２００は、光学検査ツール（例えば、図５の光学検査ツール５３０）に通信可能に結合されたコンピュータシステムによって実行することができる。例えば、方法２００は、図５の半導体欠陥識別システム５００内のコンピュータシステムによって実行することができる。
方法２００では、１つ以上の半導体ウェハ（例えば、半導体ウェハ１００の１つ以上のインスタンスについて、図１を参照されたい）に対する光学検査結果が得られる（２０２）。光学検査結果は、１つ以上の半導体ウェハ上の半導体ダイの差分画像を含む。各差分画像は、それぞれのターゲット画像と参照画像との間の差分である：差分画像は、ダイのターゲット画像を参照画像（例えば、ターゲット画像から参照画像を減算することによるか、又はその逆による）と比較することによって生成される。ターゲット画像は、光学検査ツール（例えば、図５の光学検査ツール５３０）を使用して１つ以上のウェハを走査することによって生成される。いくつかの実施形態では、光学検査結果はまた、ターゲット画像を含む。光学検査結果は、光学検査ツールから直接取得されてもよく、および／または以前に記憶されたコンピュータシステムのメモリ（例えば、図５のメモリ５１０）から読み出されることによって取得されてもよい。
光学検査結果に基づいて、１つ以上の半導体ウェハ上の複数の欠陥が識別される（２０４）。例えば、差分画像において複数の欠陥が特定される。複数の欠陥は、リピータ欠陥と非リピータ欠陥の両方を含むが、方法２００のこの時点では、どれがどれであるかはまだ決定されていない。同様に、複数の欠陥は、関心のある欠陥とニューサンス欠陥の両方を含むが、方法２００のこの時点では、どれがどれであるかは知られていない。
複数の欠陥のうち、１つ以上の半導体ウェハの複数のダイ上の同一のダイ位置を有する欠陥は、リピータ欠陥として分類される（２０６）。いくつかの実施形態では、１つ以上の半導体ウェハ上の同一のレチクルレベル位置を有する複数の欠陥のうちの欠陥が、リピータ欠陥として分類される（２０８）。複数のダイ上の同一の位置で発生しない、または同一のレチクルレベル位置で発生しない欠陥は、リピータ欠陥（例えば、非リピータ欠陥として分類される）として分類されない。例えば、欠陥１０６－１、１０６－２、及び１０６－３（図１）は、リピータ欠陥として分類されるが、欠陥１０８（図１）は、リピータ欠陥（例えば、非リピータ欠陥として分類される）として分類されない。
いくつかの実施形態では、リピータ欠陥の欠陥属性が、光学検査結果から抽出される（２１０）。欠陥属性は、例えば、サイズ、ダイ位置、ウェハ位置、および／または光強度（例えば、差分画像におけるグレーレベルによって示されるように）を含む（２１２）。ひとたび抽出されると、欠陥属性を光学検査結果に含めることができる。
光学検査結果に基づいて、教師なし機械学習（教師なし学習とも呼ばれる）を使用して、リピータ欠陥を複数のクラスタにクラスタリングする（２１４）。いくつかの実施形態によれば、非リピータ欠陥はクラスタリングから除外される。教師なし機械学習は、複数の欠陥がクラスタ化されるべきクラスタの所定の数を指定しない教師なし機械学習アルゴリズムを使用して実行することができる（２１６）。例えば、アイテム（この場合、欠陥）がクラスタリングされるべき所定の数のクラスタを指定しない、ノイズを伴うアプリケーションの密度ベースの空間クラスタ化（ＤＢＳＣＡＮ）アルゴリズムが使用されてもよい。教師なし機械学習は、いくつかのリピータ欠陥が、複数のクラスタのいずれのクラスタにも含まれない外れ値であると判定することができる。外れ値は、破棄されてもよく、したがって、方法２００の後続のステップでは考慮されなくてもよい。
いくつかの実施形態では、教師なし機械学習は、ステップ２１０で抽出されたリピータ欠陥に対する欠陥属性を使用する（２１８）。教師なし機械学習アルゴリズムは、欠陥属性を入力として受け取り、欠陥属性を使用してリピータ欠陥を複数のクラスタにクラスタリングする。欠陥属性は、リピータ欠陥がクラスタリングされる空間の寸法として使用することができる。
いくつかの実施形態では（例えば、欠陥属性抽出２１０を行わない）、光学検査からのターゲット画像が、教師なし機械学習アルゴリズムに提供される（２２０）。対象画像はパッチ画像と呼ばれることもある。教師なし機械学習アルゴリズムは、ターゲット画像を入力として受け取り、ターゲット画像を使用して複数の欠陥を複数のクラスタにクラスタリングする。したがって、教師なし機械学習アルゴリズムは、抽出された欠陥属性を受信することなくクラスタリングを実行することができる。このような実施形態は、欠陥属性に関する情報がターゲット画像に本質的に埋め込まれているので実行可能である。
リピータ欠陥がスコア付けされる（２２２）。それぞれのスコアは、複数のクラスタ内のクラスタがそれぞれのリピータ欠陥の複数のインスタンスを含む度合いに基づいて、それぞれのリピータ欠陥（すなわち、同じダイロケーション（例えば、同じレチクルレベルロケーション）を有する欠陥のそれぞれのグループに対する）に割り当てられる。したがって、スコアは、それぞれのクラスタ内の同一のダイ位置（例えば、同一のレチクルレベル位置）を有するリピータ欠陥の出現に基づく。
例えば、各クラスタにおける各リピータ欠陥の割合（例えば、トラクション又はパーセンテージ）が計算される。
Ｐｉｊ＝Ｃｉｊ／Ｔｊ （１）
ここで、Ｔｊはｉ番目のクラスタにおけるｉ番目のリピータ欠陥のインスタンス数（欠陥数）、Ｔｊはｊ番目のクラスタにおける総欠陥数（すなわち、ロケーションにかかわらず、リピータ欠陥の総数）、Ｐｉｊはｉ番目のクラスタにおけるｉ番目のリピータ欠陥の割合である。スコアは、これらの比率に基づいて決定されてもよい。いくつかの実施形態では、各スコアは、複数のクラスタのクラスタにおけるそれぞれのリピータ欠陥のインスタンスの最大パーセンテージ（または割合）に対応する。
Ｓｃｏｒｅｉ＝ｍａｘｊ（Ｐｉｊ） （２）
ここで、ｉはリピータ欠陥を指し、ｉはクラスタを指し示す。いくつかの他の実施形態では、各スコアは、複数のクラスタ中のそれぞれのリピータ欠陥のインスタンスの非ゼロパーセンテージの平均に対応する。
Ｓｃｏｒｅｉ＝ｍｅａｎ∀Ｐｉｊ≠０（Ｐｉｊ） （３）
ここで、ｉはリピータ欠陥のインデックスであり、ｊはクラスタのインデックスである。
リピータ欠陥は、それぞれのスコアに基づいてランク付けされる（２２４）。いくつかの実施形態では、閾値を満たすそれぞれのスコアを有するリピータ欠陥が選択される（２２６）。例えば、閾値を超える、または閾値と等しい、または閾値を超えるスコアを有するリピータ欠陥が選択される。別の例では、最も高いスコアを有する指定された数またはパーセンテージのリピータ欠陥が選択される（すなわち、閾値は、リピータ欠陥のスコアが、指定された数またはパーセンテージのトップスコアのリピータ欠陥にそれを配置することである）。
図３Ａは、いくつかの実施形態による、ステップ２１４において教師なし機械学習を使用して実行されるクラスタリングの仮想結果３００の例を示す。結果３００は、４つのクラスタ３０２－１～３０２－４と、クラスタ３０２のいずれにも含まれない外れ値３０４とを含む。異常値３０４は、破棄され、したがって、ステップ２２２および２２４においてリピータ欠陥をスコア化およびランク付けするときに考慮されない。ステップ２０６で分類されたリピータ欠陥は、５つの異なるリピータ欠陥３０６－１～３０６－５を含む。クラスタ３０２－１は、リピータ欠陥３０６－１の４つのインスタンスと、リピータ欠陥３０６－２の１つのインスタンスとを含む。クラスタ３０２－２は、リピータ欠陥３０６－２の３つのインスタンスと、リピータ欠陥３０６－３の１つのインスタンスと、リピータ欠陥３０６－４の１つのインスタンスとを含む。クラスタ３０２－３は、リピータ欠陥３０６－３の２つのインスタンスと、リピータ欠陥３０６－２の１つのインスタンスと、リピータ欠陥３０６－４の１つのインスタンスとを含む。クラスタ３０２－４は、リピータ欠陥３０６－４の３つのインスタンスと、リピータ欠陥３０６－１の１つのインスタンスとを含む。クラスタ３０２－１から３０２－４のいずれも、リピータ欠陥３０６－５のいかなるインスタンスも含まない。
図３Ｂは、いくつかの実施形態による、リピータ欠陥３０６－１から３０６－５に対するスコア３１２のグラフ３１０を示す。示されるように、クラスタ３０２におけるリピータ欠陥３０６－１の最も高い割合は、クラスタ３０２－１において８０％（５のうちの４）である。クラスタ３０２におけるリピータ欠陥３０６－２の最も高い割合は、クラスタ３０２－２において６０％（５のうちの３）である。クラスタ３０２内のリピータ欠陥３０６－３の最も高い割合は、クラスタ３０２－３内の５０％（４のうちの２）である。クラスタ３０２内のリピータ欠陥３０６－４の最も高い割合は、クラスタ３０２－４内の７５％（４のうちの３）である。また、クラスタ３０２内のリピータ欠陥３０６－５の最も高い割合は、クラスタ３０２－１～３０２－４のいずれにおいてもリピータ欠陥３０６－５のインスタンスが発生しないため、ゼロである。したがって、リピータ欠陥３０６－１～３０６－５は、それぞれ０．８，０．６，０．５，０．７５，および０のスコアを有する（いくつかの実施形態では、リピータ欠陥３０６－５は、外れ値としてのみ生じるため、スコアを割り当てられない。）。それらのスコアに基づいてランク付けされるように、リピータ欠陥３０６の順序付けは、（最高から最低へ）３０６－１、３０６－４、３０６－２、３０６－３、および３０６－５である。リピータ欠陥３０６－１、３０６－２及び３０６－４のスコアは閾値３１４を満たすが、リピータ欠陥３０６－３及び３０６－５のスコアは満たさない。したがって、リピータ欠陥３０６－１、３０６－２、および３０６－４が選択されるが、リピータ欠陥３０６－３および３０６－５は選択されない。
いくつかの実施形態では、選択されたリピータ欠陥を指定するレポートが生成される（２２８）。例えば、レポートは、選択されたリピータ欠陥のみを指定することができる。別の例では、レポートは、選択されたリピータ欠陥と選択されていないリピータ欠陥の両方を含み、どのリピータ欠陥が選択されたかを示す。レポートは、リピータ欠陥及び／又は対応するクラスタのリストを含むことができ、及び／又はウェハマップを含むことができる。ニューサンス欠陥に対する関心のある欠陥の比は、ステップ２０６において、リピータ欠陥として分類された欠陥のセットよりも、選択されたリピータ欠陥について著しく高い。
方法２００（図２）のステップ２１４で使用される教師なし機械学習アルゴリズムは、１つ以上のハイパーパラメータを有してもよい。ハイパーパラメータは、機械学習を行う前に選択された値を有するパラメータである。したがって、ハイパーパラメータの選択された値は、機械学習中に処理されるデータに基づかない。そのようなハイパーパラメータの例は、ＤＢＳＣＡＮの「ｅｐｓ」（イプシロンとも呼ばれる）である。教師なし機械学習アルゴリズムの開発プロセス中、方法２００は、同じ光学検査結果について（したがって、同じ１つ以上の半導体ウェハについて）異なるハイパーパラメータ値で（たとえば、ｅｐｓの異なる値で）繰り返し実行され得る。最も高いリピータカウント（例えば、これは、欠陥の最大総数を有する選択されたクラスタを生成する）を生成する値は、ハイパーパラメータ値として選択され得る。次いで、このハイパーパラメータ値は、方法２００が生産環境において実施されるときに使用される。
図４は、いくつかの実施形態による、ハイパーパラメータ値を選択するために使用される仮想グラフ４００を示す。グラフ４００のｙ軸はリピータカウント４０４であり、グラフ４００のｘ軸はハイパーパラメータ値４０２である。異なるハイパーパラメータ値４０２は、方法２００の異なる反復に対して異なるリピータカウント４０４をもたらす。最も高いリピータカウント４０４を生成するハイパーパラメータ値４０６が選択され、方法２００が生産環境において実施されるときに教師なし機械学習のために使用される。
図５は、いくつかの実施形態による半導体欠陥識別システム５００のブロック図である。半導体欠陥識別システム５００は、光学検査ツール５３０と、１つ以上のプロセッサ５０２（例えば、ＣＰＵ）、ユーザインターフェース５０６、メモリ５１０、およびこれらの構成要素を相互接続する通信バス５０４を伴うコンピュータシステムとを含む。いくつかの実施形態では、光学検査ツール５３０は、１つ以上の有線および／または無線ネットワークを介してコンピュータシステムに通信可能に結合される。いくつかの実施形態では、半導体欠陥識別システム５００は、コンピュータシステムと通信可能に結合された複数の光学検査ツール５３０を含む。コンピュータシステムはさらに、光学検査ツール５３０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つ以上の有線および／または無線ネットワークインターフェースを含んでもよい。
ユーザインターフェース５０６は、ディスプレイ５０７および１つ以上の入力デバイス５０８（例えば、キーボード、マウス、ディスプレイ５０７のタッチ感知面などである。）を含み得る。ディスプレイ５０７は、リピータ欠陥（例えば、図２の方法２００のステップ２２８に従って選択されたクラスタを指定するレポート）を指定する報告を含む結果を表示することができる。
メモリ５１０は、揮発性および／または不揮発性メモリを含む。メモリ５１０（例えば、メモリ５１０内の不揮発性メモリである）は、非一時的なコンピュータ可読記憶媒体を含む。メモリ５１０は、随意に、プロセッサ５０２から遠隔に位置する１つ以上の記憶デバイス、および／またはシステム５００に取り外し可能に挿入される非一時的コンピュータ可読記憶媒体を含む。メモリ５１０（例えば、メモリ５１０の持続性コンピュータ可読記憶媒体）は、方法２００（図２）の全部または一部を実行するための命令を含む。
いくつかの実施形態では、メモリ５１０（例えば、メモリ５１０の持続性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、またはそのサブセットもしくはスーパーセットを記憶する。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５１２；欠陥識別モジュール５１４（例えば、図２の方法２００のステップ２０４を実行するためのものである）；リピータ分類モジュール５１６（例えば、図２の方法２００のステップ２０６を実行するためのものである）；属性抽出モジュール５１８（例えば、図２の方法２００のステップ２１０を実行するためのものである）；クラスタリングモジュール５２０（例えば、図２の方法２００のステップ２１４を実行するためのものである）；クラスタスコアリング、ランク付け、および選択モジュール５２４（例えば、図２の方法２００のステップ２２２、２２４、および／または２２６を実行するためのものである）；報告モジュール５２６（例えば、図２の方法２００のステップ２２８を実行するためのものである）；光学検査結果５２８（例えば、差分画像、ターゲット画像、及び／又は欠陥属性を含む）。クラスタリングモジュール５２０は、教師なし機械学習５２２（例えば、教師なし機械学習アルゴリズムを実装するための命令を含むことができる）を実行することができる。いくつかの実施形態では、教師なし機械学習５２２は、複数の欠陥がクラスタ化される所定の数のクラスタを指定しない。
メモリ５１０に記憶されたモジュールの各々は、本明細書で説明する１つ以上の機能を実行するための命令のセットに対応する。別個のモジュールは、別個のソフトウェアプログラムとして実装される必要はない。モジュールおよびモジュールのさまざまなサブセットは、組み合わされてもよく、さもなければ再構成されてもよい。いくつかの実施形態では、メモリ５１０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またはスーパーセットを記憶する。
図５は、構造的概略図としてよりも、半導体欠陥識別システムに存在し得る様々な特徴の機能的説明として意図されている。例えば、半導体欠陥識別システム５００内のコンピュータシステムの機能性は、複数のデバイス間で分割されてもよい。メモリ５１０に記憶されたモジュールの一部は、代替的に、１つ以上のネットワークを介して半導体欠陥識別システム５００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、説明の目的のために、特定の実施形態を参照して説明されている。しかしながら、上記の例示的な説明は、網羅的であること、または特許請求の範囲を開示された厳密な形態に限定することを意図するものではない。上記の教示を考慮して、多くの修正及び変形が可能である。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良に説明し、それによって、当業者が、企図される特定の使用に適した様々な修正とともに実施形態を最良に使用することを可能にするために選択されたものである。

Claims (27)

  1. 方法であって、
    １つ以上の半導体ウェハについての光学検査結果を取得するステップと、
    前記光学検査結果に基づいて、前記１つ以上の半導体ウェハ上の複数の欠陥を識別するステップと、
    前記複数の欠陥のうち、前記１つ以上の半導体ウェハの複数のダイ上の同一のダイ位置を有する欠陥をリピータ欠陥として分類するステップと、
    前記光学検査結果に基づいて、教師なし機械学習を使用して、前記リピータ欠陥を複数のクラスタにクラスタリングするステップと、
    前記複数のクラスタ内のクラスタがそれぞれの前記リピータ欠陥の複数のインスタンスを含む度合いに基づいてそれぞれのスコアをそれぞれの前記リピータ欠陥に割り当てて、前記リピータ欠陥をスコアリングするステップと、
    それぞれのスコアに基づいて前記リピータ欠陥をランク付けするステップと、
    を備える方法。
  2. 閾値を満たすそれぞれのスコアを有する前記リピータ欠陥を選択するステップと、
    選択された前記リピータ欠陥を特定するレポートを生成するステップと、
    をさらに含む、請求項１に記載の方法。
  3. 前記分類するステップは、前記複数の欠陥のうち、前記１つ以上の半導体ウェハ上の同一のレチクルレベル位置を有する欠陥を前記リピータ欠陥として分類するステップを含む、請求項Ｉに記載の方法。
  4. それぞれの前記スコアは、前記複数のクラスタのクラスタにおけるそれぞれの前記リピータ欠陥のインスタンスの最大パーセンテージに対応する、請求項１に記載の方法。
  5. それぞれの前記スコアは、前記複数のクラスタにおけるそれぞれの前記リピータ欠陥のインスタンスの非ゼロパーセンテージの平均に対応する、請求項１に記載の方法。
  6. 前記光学的検査結果から前記リピータ欠陥の欠陥属性を抽出するステップをさらに含み、前記教師なし機械学習は、前記欠陥属性を使用する、請求項１に記載の方法。
  7. 前記欠陥属性は、サイズ、ダイ位置、ウェハ位置、及び光強度からなる群から選択される欠陥属性を含む、請求項６に記載の方法。
  8. 前記光学検査結果は、前記１つ以上の半導体ウェハ上のダイのターゲット画像と、前記１つ以上の半導体ウェハ上のダイの差分画像とを含み、各差分画像は、それぞれのターゲット画像と参照画像との間の差分であり、
    前記識別するステップは、前記差分画像内の複数の欠陥を識別するステップを含み、
    前記教師なし機械学習を使用して前記リピータ欠陥をクラスタリングすることは、前記教師なし機械学習アルゴリズムにターゲット画像を提供することを含む、請求項１に記載の方法。
  9. 前記教師なし機械学習を使用して前記リピータ欠陥をクラスタリングすることは、所定の数のクラスタを指定しない教師なし機械学習アルゴリズムを使用して実行される、請求項１に記載の方法。
  10. １つ以上のプロセッサによって実行するための１つ以上のプログラムを記憶する、コンピュータ可読記憶媒体であって、前記１つ以上のプログラムは、
    １つ以上の半導体ウェハについての光学検査結果を取得するステップと、
    前記光学検査結果に基づいて、前記１つ以上の半導体ウェハ上の複数の欠陥を識別するステップと、
    前記複数の欠陥のうち、前記１つ以上の半導体ウェハの複数のダイ上の同一のダイ位置を有する欠陥をリピータ欠陥として分類するステップと、
    前記光学検査結果に基づいて、教師なし機械学習を使用して、前記リピータ欠陥を複数のクラスタにクラスタリングするステップと、
    前記複数のクラスタ内のクラスタがそれぞれのリピータ欠陥の複数のインスタンスを含む度合いに基づいてそれぞれのスコアをそれぞれのリピータ欠陥に割り当てて、前記リピータ欠陥をスコアリングするステップと、
    それぞれのスコアに基づいて前記リピータ欠陥をランク付けするステップ、
    の命令を含む、コンピュータ可読記憶媒体。
  11. 前記１つ以上のプログラムは、
    閾値を満たすそれぞれのスコアを有する前記リピータ欠陥を選択するステップと、
    選択された前記リピータ欠陥を特定するレポートを生成するステップ、
    の命令をさらに含む、請求項１０に記載のコンピュータ可読記憶媒体。
  12. 前記分類するための命令は、前記複数の欠陥のうち、前記１つ以上の半導体ウェハ上の同一のレチクルレベル位置を有する欠陥を前記リピータ欠陥として分類するための命令を含む、請求項１０に記載のコンピュータ可読記憶媒体。
  13. それぞれの前記スコアは、前記複数のクラスタのクラスタにおけるそれぞれの前記リピータ欠陥のインスタンスの最大パーセンテージに対応する、請求項１０に記載のコンピュータ可読記憶媒体。
  14. それぞれの前記スコアは、前記複数のクラスタにおけるそれぞれの前記リピータ欠陥のインスタンスの非ゼロパーセンテージの平均に対応する、請求項１０に記載のコンピュータ可読記憶媒体。
  15. 前記１つ以上のプログラムは、前記光学検査結果から前記リピータ欠陥の欠陥属性を抽出するための命令をさらに含み、前記教師なし機械学習を使用するための命令は、前記欠陥属性を使用して前記リピータ欠陥をクラスタリングするための命令を含む、請求項１０に記載のコンピュータ可読記憶媒体。
  16. 前記欠陥属性は、サイズ、ダイ位置、ウェハ位置、及び光強度からなる群から選択される欠陥属性を含む、請求項１５に記載のコンピュータ可読記憶媒体。
  17. 前記光学検査結果は、前記１つ以上の半導体ウェハ上のダイのターゲット画像と、前記１つ以上の半導体ウェハ上のダイの差分画像とを含み、各差分画像は、それぞれのターゲット画像と参照画像との間の差分であり、
    前記識別するための命令は、前記差分画像内の複数の欠陥を識別するための命令を含み、
    前記教師なし機械学習を使用して前記リピータ欠陥をクラスタリングするための命令は、前記教師なし機械学習アルゴリズムにターゲット画像を提供するための命令を含む、請求項１０に記載のコンピュータ可読記憶媒体。
  18. 前記教師なし機械学習を使用して前記リピータ欠陥をクラスタリングするための命令は、所定の数のクラスタを指定しない教師なし機械学習アルゴリズムを使用するための命令を含む、請求項１０に記載のコンピュータ可読記憶媒体。
  19. システムであって、
    光学検査ツールと、
    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であって、前記１つ以上のプログラムは、
    前記光学検査ツールから前記１つ以上の半導体ウェハの光学検査結果を取得するステップと、
    前記光学検査結果に基づいて、前記１つ以上の半導体ウェハ上の複数の欠陥を識別するステップと、
    前記複数の欠陥のうち、前記１つ以上の半導体ウェハの複数のダイ上の同一のダイ位置を有する欠陥をリピータ欠陥として分類するステップと、
    前記光学検査結果に基づいて、教師なし機械学習を使用して、前記リピータ欠陥を複数のクラスタにクラスタリングするステップと、
    複数のクラスタ内のクラスタがそれぞれのリピータ欠陥の複数のインスタンスを含む度合いに基づいてそれぞれのスコアをそれぞれのリピータ欠陥に割り当てて、前記リピータ欠陥をスコアリングするステップと、
    それぞれのスコアに基づいて前記リピータ欠陥をランク付けするステップ、
    の命令を含む、メモリと、
    を備えるシステム。
  20. 前記１つ以上のプログラムは、
    閾値を満たすそれぞれのスコアを有する前記リピータ欠陥を選択するステップと、
    選択された前記リピータ欠陥を特定するレポートを生成するステップ、
    の命令を含む、請求項１９に記載のシステム。
  21. 前記分類するための命令は、前記複数の欠陥のうち、前記１つ以上の半導体ウェハ上の同一のレチクルレベル位置を有する欠陥を前記リピータ欠陥として分類するための命令を含む、請求項１９に記載のシステム。
  22. それぞれの前記スコアは、前記複数のクラスタのクラスタにおけるそれぞれの前記リピータ欠陥のインスタンスの最大パーセンテージに対応する、請求項１９に記載のシステム。
  23. それぞれの前記スコアは、前記複数のクラスタにおけるそれぞれの前記リピータ欠陥のインスタンスの非ゼロパーセンテージの平均に対応する、請求項１９に記載のシステム。
  24. 前記１つ以上のプログラムは、
    前記光学検査結果から前記リピータ欠陥の欠陥属性を抽出するための命令をさらに含み、
    前記教師なし機械学習を使用するための命令は、欠陥属性を使用して前記リピータ欠陥をクラスタリングするための命令を含む、請求項１９に記載のシステム。
  25. 前記欠陥属性は、サイズ、ダイ位置、ウェハ位置、及び光強度からなる群から選択される欠陥属性を含む、請求項２４に記載のシステム。
  26. 光学検査結果は、前記１つ以上の半導体ウェハ上のダイのターゲット画像と、前記１つ以上の半導体ウェハ上のダイの差分画像とを含み、各差分画像は、それぞれのターゲット画像と参照画像との間の差分であり、
    前記識別するための命令は、前記差分画像内の前記複数の欠陥を識別するための命令を含み、
    前記教師なし機械学習を使用して前記リピータ欠陥をクラスタリングするための命令は、前記教師なし機械学習アルゴリズムにターゲット画像を提供するための命令を含む、請求項１９に記載のシステム。
  27. 前記教師なし機械学習を使用して前記リピータ欠陥をクラスタリングするための命令は、所定の数のクラスタを指定しない教師なし機械学習アルゴリズムを使用するための命令を含む、請求項１９に記載のシステム。
JP2023511617A 2020-08-21 2021-08-18 リピータ欠陥検出のための教師なし学習 Pending JP2023539568A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202063068380P 2020-08-21 2020-08-21
US63/068,380 2020-08-21
US17/184,189 US11810284B2 (en) 2020-08-21 2021-02-24 Unsupervised learning for repeater-defect detection
US17/184,189 2021-02-24
PCT/US2021/046397 WO2022040248A1 (en) 2020-08-21 2021-08-18 Unsupervised learning for repeater-defect detection

Publications (1)

Publication Number Publication Date
JP2023539568A true JP2023539568A (ja) 2023-09-15

Family

ID=80270980

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023511617A Pending JP2023539568A (ja) 2020-08-21 2021-08-18 リピータ欠陥検出のための教師なし学習

Country Status (7)

Country Link
US (1) US11810284B2 (ja)
EP (1) EP4154303A1 (ja)
JP (1) JP2023539568A (ja)
KR (1) KR20230054398A (ja)
CN (1) CN116097413B (ja)
TW (1) TW202210852A (ja)
WO (1) WO2022040248A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375679B (zh) * 2022-10-24 2023-01-20 广东工业大学 一种缺陷芯片寻边寻点定位方法及装置
US20240177294A1 (en) * 2022-11-30 2024-05-30 Kla Corporation Print check repeater defect detection

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5991699A (en) * 1995-05-04 1999-11-23 Kla Instruments Corporation Detecting groups of defects in semiconductor feature space
US7817844B2 (en) * 1999-08-26 2010-10-19 Nanogeometry Research Inc. Pattern inspection apparatus and method
US6965895B2 (en) 2001-07-16 2005-11-15 Applied Materials, Inc. Method and apparatus for analyzing manufacturing data
US6882745B2 (en) * 2002-12-19 2005-04-19 Freescale Semiconductor, Inc. Method and apparatus for translating detected wafer defect coordinates to reticle coordinates using CAD data
CN102129164B (zh) * 2010-01-15 2012-08-22 中芯国际集成电路制造(上海)有限公司 掩膜版缺陷的判断方法及判断系统
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US10474042B2 (en) * 2017-03-22 2019-11-12 Kla-Tencor Corporation Stochastically-aware metrology and fabrication
US10600175B2 (en) * 2017-03-24 2020-03-24 Kla-Tencor Corporation Dynamic care areas for defect detection
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10648925B2 (en) * 2017-06-05 2020-05-12 Kla-Tencor Corporation Repeater defect detection
US10957033B2 (en) * 2017-07-10 2021-03-23 Kla-Tencor Corporation Repeater defect detection
US11282695B2 (en) 2017-09-26 2022-03-22 Samsung Electronics Co., Ltd. Systems and methods for wafer map analysis
US10557802B2 (en) * 2018-05-09 2020-02-11 Kla-Tencor Corporation Capture of repeater defects on a semiconductor wafer
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
KR20200086485A (ko) 2019-01-09 2020-07-17 에스케이텔레콤 주식회사 웨이퍼 맵 결함 패턴 인식 방법 및 장치
US11328411B2 (en) * 2020-05-04 2022-05-10 KLA Corp. Print check repeater defect detection

Also Published As

Publication number Publication date
EP4154303A1 (en) 2023-03-29
WO2022040248A1 (en) 2022-02-24
CN116097413A (zh) 2023-05-09
US11810284B2 (en) 2023-11-07
US20220058787A1 (en) 2022-02-24
KR20230054398A (ko) 2023-04-24
TW202210852A (zh) 2022-03-16
CN116097413B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
Nakazawa et al. Wafer map defect pattern classification and image retrieval using convolutional neural network
US11719650B2 (en) Method for performing smart semiconductor wafer defect calibration
US10115040B2 (en) Convolutional neural network-based mode selection and defect classification for image fusion
JP6826121B2 (ja) 外れ値検出を通じた特徴選択及び自動処理窓監視
US10650508B2 (en) Automatic defect classification without sampling and feature selection
TWI706376B (zh) 用於缺陷檢測之系統、方法及非暫時性電腦可讀儲存媒體
US10204290B2 (en) Defect review sampling and normalization based on defect and design attributes
JP2023539568A (ja) リピータ欠陥検出のための教師なし学習
US11450122B2 (en) Methods and systems for defect inspection and review
US10312161B2 (en) Process window analysis
US20140226893A1 (en) Method and System for Image-Based Defect Alignment
TW201839383A (zh) 用於缺陷偵測之動態注意區
US10719655B2 (en) Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database
JP2011521454A (ja) ウェハー上の欠陥を検出して検査結果を生成するシステム及び方法
CN112561849B (zh) 晶圆缺陷检测方法
WO2017100076A1 (en) Reducing registration and design vicinity induced noise for intra-die inspection
US20110013824A1 (en) Inspection area setting method, inspection area setting apparatus, and computer program product
TWI758533B (zh) 設計關鍵性分析擴充之製程窗合格取樣
TWI742156B (zh) 晶圓失效圖案分析方法
KR20230002862A (ko) 웨이퍼 빈 맵 기반 근본 원인 분석
US20220334567A1 (en) Fabrication fingerprint for proactive yield management
Carlson et al. Use of wafer backside inspection and SPR to address systemic tool and process issues
CN117529803A (zh) 用于主动良率管理的制造指纹
Frittoli et al. Artificial Intelligence for Silicon Wafer Production Monitoring

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240517

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20240517