JP4317805B2

JP4317805B2 - 欠陥自動分類方法及び装置

Info

Publication number: JP4317805B2
Application number: JP2004283013A
Authority: JP
Inventors: 正樹栗原; 久恵渋谷; 敏文本田; 直樹細谷; 敦宮本
Original assignee: Hitachi High Technologies Corp
Current assignee: Hitachi High Tech Corp
Priority date: 2004-09-29
Filing date: 2004-09-29
Publication date: 2009-08-19
Anticipated expiration: 2024-09-29
Also published as: JP2006098153A; US20060078188A1

Description

本発明は，半導体製造工程での半導体ウェハの試料上に発生する異物や欠陥を検査装置によって検出した欠陥データから欠陥種類を分類する方法及びその装置に関する。

半導体ウェハの製造において，各製造工程で処理されたウェハについて検査が実施される。これは，製造工程における不具合によりウェハ上に発生する，歩留に影響を与える欠陥を早期に検出し，歩留を向上させることを目的としている。
従来の半導体製造工程での検査を図４に示す。

前段のウェハ201上の欠陥を検出するのに好適な検査装置と，後段の欠陥検出には向かないが，欠陥の仔細な観察ができるより解像度の高い検査装置の組合せで用いられることが多い。

まず，検査装置202によりウェハ上の欠陥を検出し，検出した欠陥についてそのウェハ上の位置や検出時の処理によって得られる特徴量等を含む欠陥データ203を得る。検査装置202には，光学式あるいはSEM（Scanning Electron Microscope：走査電子顕微鏡）式の異物検査装置やパターン検査装置があり，取得した欠陥データ203を用いて欠陥をユーザ定義または装置固有の定義による欠陥の種類（以降，欠陥クラスと呼ぶ）に自動的に分類するADC（Automatic Defect Classification）と呼ばれる機能を有するものもある。検査装置のADCには特許文献1に記載された方法がある。

検査装置202は，ウェハ上の欠陥を高速に検出することを目的としているため，ウェハ上に存在する欠陥の大きさに比べて解像度が低い。したがって，より詳細な情報の取得のため，解像度の高い光学式またはSEM式のレビュー装置207で欠陥を仔細に観察する。以降，欠陥をレビュー装置で仔細に観察することをレビューすると呼ぶ。レビューして得られる欠陥の情報に基づいて，レビュー装置のADC機能により検査装置202とは別定義の詳細な欠陥クラス208に分類する。レビュー装置207により得られる詳細な欠陥クラス208を含む詳細な情報により，その欠陥の発生原因の推定が容易になり，歩留向上のための対策を立てることが可能となる。

ウェハ全体の欠陥の発生状況を可能な限り完全に把握し，製造工程における不具合を可能な限り完全に対策するためには，ウェハ上の全欠陥の詳細情報を得ることが理想的である。しかし，時々刻々と生産されるウェハの数とそのウェハ上に検出される欠陥数を考慮すると，時間的制約から，全欠陥をレビューすることは現実的に不可能である。したがって，検出された欠陥の中から様々な基準によりサンプリング206した欠陥のみをレビューし，これらの欠陥の詳細情報を元に歩留向上のための対策を立てているのが現状である。

これを改善する方法として，レビューしていない欠陥の欠陥クラスの決定方法が特許文献2に開示されている。これは光学式またはSEM式の検査装置による検査情報と各検査装置のADCによる欠陥クラスを統合して再分類する方法である
また，複数の欠陥検査装置で構成されたシステムにおいて，検査装置間で統一された欠陥クラスを定義し，その欠陥クラスに分類する分類器の設計方法及び分類方法が特許文献3に開示されている。

特開2002-257533号公報米国特許6,408,219号公報特開2004-47939号公報

レビューにより分類した欠陥クラスは，欠陥の発生原因を推定する手がかりとなる。一方，検査装置により得られる欠陥クラスは，スクラッチと異物の弁別のように粗い分類であるため，レビューしていない欠陥に関する情報が欠陥の原因推定に用いられることはほとんどない。

また、従来の技術では、レビューしていない欠陥に対してレビューしている欠陥と同じ定義の欠陥クラスを割り当てることができないため、レビューしていない欠陥の情報を有効に活用することができない。

さらに、レビューしていない欠陥に対しては，レビュー装置で行われる分類において定義される欠陥クラスと同等な詳細分類が行われるかは保証されていない。レビュー装置と同じ定義の分類を行う検査装置の分類器を設計することも可能であるが，以降その分類器を用いて分類を行うことを前提とするものであり，検査装置及び検査対象の日々の変動によって，分類基準が変動する可能性が有る。

本発明の目的は，ウェハ上の大多数を占める，レビューしていない欠陥の情報を有効活用するため，レビューしていない欠陥に対してレビューした欠陥と同じ定義の欠陥クラスを付与する欠陥自動分類方法を提供することにある。

上記目的を達成するため，本発明の欠陥自動分類方法は，解像度の低い検査装置から得られる欠陥データと解像度の高いレビュー装置により分類された欠陥クラスに基づいて，欠陥をレビュー装置で定義している欠陥クラスに分類する分類器を設計し，レビューしていない欠陥の検査装置から得られる欠陥データに基づいて，設計した分類器を用いて，レビューしていない欠陥に対して，レビューした欠陥の欠陥クラスと同じ定義の欠陥クラスを与えるものである。

本発明によれば，検査装置によって検出された欠陥全てにレビュー装置のADCで定義されている欠陥クラスを割り当てることができ，利用されていなかった欠陥に関する情報を有効活用できる。また，SSAデータやCADデータを入力として加えることで，より詳細な分類が可能となり，欠陥の発生原因の推定が容易になる。

以下に，本発明の実施例について図面を参照しながら説明する。

図1は，本発明の欠陥自動分類方法に関する態様例を示している。半導体製造工程を経て，検査工程へと送られるウェハに対して，従来公知の光学式の検査装置等を用いて，ウェハ上の欠陥を検出する（101）。ここで検査装置は欠陥に関する情報として，少なくとも欠陥位置座標と特徴量を算出する（106）。以降，この欠陥に関する情報を欠陥データと呼ぶこととする。検出された欠陥のうち，従来公知のサンプリングでレビューする欠陥を選択する(102)。

次に選択した欠陥は，より解像度の高い，従来公知のSEM式のレビュー装置等でレビューされる（103）。レビューした結果は従来公知のADCに渡され，欠陥クラスに分類される（104）。ADCの欠陥クラス105と欠陥データ106を入力として，ADCの欠陥クラスのない欠陥（レビューしていない欠陥）に対してADCの欠陥クラスを割り当てる（107）。ウェハ上の全欠陥にADCの欠陥クラスを対応付けする（108）。

図5は，本発明の欠陥自動分類方法を適用した実施の形態として，半導体ウェハの検査工程における欠陥自動分類を例にした図である。

半導体ウェハの検査工程における装置の構成は光学式の検査装置202とこの光学式の検査装置２０２に比べて解像度の高い半導体ウェハの201の像を撮像可能なSEM式のレビュー装置207が組み合わされており，LAN205でサーバ204に接続されている。

光学式の検査装置202は，少なくとも半導体ウェハ201上の欠陥の位置座標と特徴量を算出し，これらの情報を含めた欠陥データ203をサーバ204へと送る。

サーバ204では，入力された欠陥データ203を従来公知の方法を使用して，全欠陥のうちSEM式のレビュー装置207でレビューする欠陥をサンプリングし、サンプリング指示206をSEM式のレビュー装置207に送る。

SEM式のレビュー装置207は，受け取ったサンプリング指示206に基づいて該当する欠陥をレビューする。SEM式のレビュー装置207は，従来公知の欠陥分類方法であるADC（208）に対してレビューデータを送る。

ADC（208）はレビューデータに基づいてレビュー対象である欠陥の欠陥クラス209を決定する。決定した欠陥クラス209はサーバ204へと送られ，欠陥データ203との対応付け２１０が行われる。

サーバ204内の分類器設計21１に欠陥クラス209との対応付け２１０が終わった欠陥データ203が入力され，欠陥クラス209のある欠陥，欠陥クラス209のない欠陥データとに振り分けられる。欠陥データ203を用いた分類器として，光学式の検査装置202にADC（図示なし）が搭載されている場合，このADCを再設計することも考えられる。しかし，光学式の検査装置202に搭載されているADCをあるウェハ用に再設計すると，他のウェハに対して欠陥クラスの分類正解率が低くなってしまう恐れがある。そこで、本実施例では、光学式の検査装置202に搭載されているADCとは別に，すべてのレビュー対象ウェハ各々に対して，分類器を設計するようにした。

レビューしていない欠陥を欠陥クラスに分類するための分類器の設計には，種々の公知の技術を利用することができる。図8乃至図11を用いて，分類器の設計の態様を説明する。図8及び図9には、パターン認識のパラメトリックな学習型分類器を設計する方法の例を示す。まず、光学式の検査装置202から出力される欠陥データ203とレビュー装置207のADC208より出力される欠陥クラス情報209をサーバ204に入力する（301）。欠陥データは多次元の特徴量であり，冗長な情報を持っている場合がある。そのため特徴量変換の必要があるか否かをチェックし（３０２）、必要がある場合には、冗長な部分を削除するため次元圧縮を行い，欠陥データを変換する（303）。

次に、欠陥データの特徴量における欠陥の分布に対して数学のモデルを仮定し，そのモデルのパラメータを推定することで欠陥の分布を推定する（304）。分類対象となる欠陥の欠陥データのモデルへの適合度の高さにより欠陥クラスへの判定を行う分類器を設計する（305）。設計した分類器で判定を行い（306），該当する欠陥クラスがある場合にはそのクラスを割り当て（307），ない場合には未知な欠陥に分類する（308）。

図9（ａ）を用いて，次元圧縮を詳細に説明する。例として2次元の特徴量を1次元に次元圧縮する場合を説明する。2次元401及び402平面上にある2つの欠陥クラスの分布403及び404の分類を考えると，1次元の直線D（405）への射影が，分類を行う上では，射影後の欠陥クラスの分布406及び407を最もよく分離する。次元圧縮後は直線D（405）の1次元で分布を表現する。

同様に図9を用いて，欠陥の分布の推定を詳細に説明する。例として欠陥を2次元401及び402の分布とする。2次元401及び402平面上に2つのクラス408及び409の学習サンプルがある。これらの分布の数学モデルをｐ（ｆ_１，ｆ_２｜ω_ｉ）＝ｇ_ｉ（ｆ_１，ｆ_２，θ）（ｉ＝１，２）と仮定する。ただし，ｆ_１，ｆ_２は特徴量，ω_ｉはクラスを表し，ｐ（x｜ω_ｉ）はクラスに対する特徴量の分布密度関数を示す。ここで，パラメータθを例えば，最尤法で推定すれば，クラスω_ｉの欠陥分布が推定できる。元の2次元平面上での推定した分布は410及び411となる。

続いて，分類器の設計２１１と設計された分類器２１２を用いた分類について説明する。分類器の設計は2次元401及び402平面上では，2つの欠陥クラスの分布410及び411を分類する境界線412を決めることとなる。境界線412は，この場合ｇ_１（ｆ_１，ｆ_２）＝ｇ_２（ｆ_１，ｆ_２）を満たす曲線となる。この曲線を境にｇ_１（ｆ_１，ｆ_２）＞ｇ_２（ｆ_１，ｆ_２）となる欠陥413は，欠陥クラス408となり，ｇ_１（ｆ_１，ｆ_２）＜ｇ_２（ｆ_１，ｆ_２）となる欠陥414は，欠陥クラス409と分類する。

図10及び図11を用いて，分類器の設計２１１において分類器２１２としてパターン認識のノンパラメトリックな学習型分類器とルールベース型分類器を設計する方法を説明する。図8及び図9を用いて説明したパラメトリックな学習型分類器を設計する場合と同様に，光学式の検査装置２０２から出力される欠陥データ２０３とレビュー装置２０７のADC２０８より出力される欠陥クラスの情報２０５をサーバ２０４への入力とし（１００１），特徴量変換の必要性があるか否かをチェックし（３０２）、必要がある場合には、特徴量に冗長な成分があれば次元圧縮を行う（１００３）。

次のステップ1005において，ノンパラメトリックな学習型分類器を用いる場合には、分類器の設計ではなく選択を行い，ルールベース型分類器を用いる場合には、分類するための条件式の設計を行う（１００５）。以降の処理１００６，１００７及び１００８は、図8及び図9を用いて説明したパラメトリックな学習型分類器を用いる場合と同様である。

図11（ａ），（ｂ）を用いて，ノンパラメトリックな学習型分類器の例としてk-NN法，ルールベース型分類器の例として閾値処理を説明する。先ず、図11（ａ）は、ノンパラメトリックな学習分類記の例としてｋ−NN法について説明する図であって、2次元１１０１及び１１０２の特徴量で表された平面上に，2つの欠陥クラス１１０８及び１１０９の学習サンプルが存在しているときに、分類対象となるサンプル１１１３を分類する場合を説明する。

k-NN法では，対象となる欠陥サンプル１１１３を中心に距離が近いk個の学習サンプルを抽出し，そのk個のサンプルのうち所属する欠陥クラスが最も多い欠陥クラスへと分類する。図11（ａ）の例では，kを5に設定した場合であり，抽出する範囲は円１１１５の内部となる。円１１１５内の学習サンプル（図１１（ａ）の●及び▲）からサンプル１１１３は欠陥クラス１１０８に属すると分類される。

図１１（ｂ）は、ルールベース型分類器の例として、閾値処理を説明する図である。閾値処理では，学習サンプルを2つの欠陥クラス１１０８及び１１０９に分ける，閾値１１１６及び１１１７を決める。この閾値１１１６及び１１１７は自動で決定する方法もあるが，一般的にはユーザが手動で決定する。対象サンプル１１１３は，この場合，欠陥クラス１１０８へと分類される。

分類器の設計２１１において設計した分類器２１２を用いて，レビューしていない欠陥の欠陥データの特徴量を入力し，上記の基準に従ってサーバ２０４内で欠陥クラス分類を行い、分類した全欠陥の欠陥クラス２１３を出力する。
そして，割り当てられた欠陥クラスと欠陥データを対応付けして表示する。図12に表示部分の態様例を示す。表示部は，ウェハ情報領域501，ウェハマップ領域506，欠陥クラス及び欠陥データ領域508，ビュー領域517及び詳細ビュー領域519，欠陥クラス領域521からなる。

ウェハ情報領域501は，ユーザが供給した対象ウェハに関する情報を受け取るよう機能する。ウェハの特定に使用する典型的情報としては，ウェハ種別502，工程種類503，ロット番号504，ウェハ番号505等がある。開示した本発明態様例に従い処理及び解析され，その後に保存される多数のウェハから，特定ウェハを識別するよう，これらの情報は機能する。

ウェハマップ領域506は，ウェハ情報領域において識別されたウェハの情報を表示する。ウェハマップ領域506は，選択されたウェハを表す画像または他の好適な情報を表示する表示領域507（以下ウェハマップ表示領域は，表示領域507を指す。）を備えている。表示された画像または他の情報をウェハマップと呼び，従来と同様に，検出した欠陥のウェハ上での分布の状態がウェハマップ上に表示される。欠陥データから作成されたウェハマップは，ウェハ上の欠陥の座標位置を示す。ウェハマップ上に表示される欠陥は，レビュー装置でのレビュー済み欠陥とレビューしていない欠陥に色分けされて表示される。

欠陥クラス及び欠陥データ領域508を図13に詳細に示す。欠陥クラス及び欠陥データ領域508は，欠陥ID（509），検査装置で付与される欠陥クラス510，レビュー装置及び本発明による欠陥自動分類方法で割り当てられる欠陥クラス511，欠陥データ512等を表示する。欠陥データ512は，欠陥のウェハ上の位置座標や欠陥に関する検査装置の特徴量を並べて表示する。ウェハマップ表示領域507で表示される欠陥とは連動しており，ウェハマップ表示領域507で選択した欠陥５１４（画面上のポインタ５１３で指示された欠陥）に対するデータ欄５１６が欠陥クラス及び欠陥データ領域508上で強調表示される。逆に、欠陥クラス及び欠陥データ領域508上でポインタ５１５でデータ欄５１６を指示すると、データ５１６に対応する欠陥のウェハマップ表示領域５０７上の位置５１４が強調して表示される。

ビュー領域517は，ウェハマップ表示領域507及び欠陥クラス及び欠陥データ領域508でポインタ５１３又は５１５で選択された欠陥の光学式検査装置２０２で撮影された欠陥の画像等を表示する。ビュー領域517は，欠陥の画像や欠陥が存在しない，ウェハ上の同一箇所の画像である参照画像等を表示する表示領域518を備えている。

詳細なビュー領域519は，ウェハマップ表示領域507または欠陥クラス及び欠陥データ領域508でポインタ５１３又は５１５で選択された欠陥のレビュー装置２０７で撮影された欠陥画像等を表示する。詳細なビュー領域519は，表示領域520に関して，ビュー領域517と同等な機能を有している。

欠陥クラス作成領域521は，存在する欠陥クラス表示領域522，クラス追加ボタン５２３及び削除ボタン524からなる。ビュー領域517及び詳細ビュー領域519で表示される画像や欠陥データを参照して，ユーザの判断で欠陥クラスの追加・削除を行い，欠陥の一部もしくは全てを欠陥クラス表示領域522の該当する欠陥クラスへと欠陥クラス及び欠陥データ表示領域の欄をドラッグ&ドロップすることで移すことができる。欠陥クラスの追加・削除を行った後，再分類ボタン525を押すことで，学習データのレビューした欠陥を新たな欠陥クラスへと移したときのみ，分類器の再設計および再分類が行われる。レビューしていない欠陥を新たな欠陥クラスへ移した場合，再分類ボタン525を押しても，移した結果は保持される。再分類後，存在する欠陥クラスの表示領域522を更新し，表示する。欠陥クラス及び欠陥データ表示領域は，図14に示す代替案がある。ウェハマップ表示領域507に表示された欠陥601を選択すると，欠陥クラス及び欠陥データ領域が別領域602で表示される。同様に欠陥ID（603），欠陥クラス604，欠陥データ605等を表示する。

本発明の第二の態様例を図2に示す。

第二の態様例では，欠陥検出２１０１からADC欠陥クラス２１０５までのステップは、図１に記載した欠陥検出１０１からADC欠陥クラス１０５までのステップと同じである。前記第一の態様と異なる点は，欠陥検出２１０１後に欠陥分布状態の解析であるSSA（Spatial Signature Analysis）２１０９を行い，その出力であるSSAデータ２１１０がサンプリング２１０２及び全欠陥クラス推定２１０７の入力となっている点である。

ウェハ上の欠陥分布は一般的に偏っており，それは装置またはプロセス特有の原因による。そのためウェハ上の欠陥位置情報に基づいて，欠陥分布状態を解析する手法，SSA（２１０９）が提案されている。SSA（２１０９）は，例えば特開２００３‐０５９９８４号公報に記載されている方法を用いる。記載されている手法によれば，欠陥はその分布状態によって，欠陥分布特徴クラスである領域を持つ欠陥とランダム欠陥に分けられる。領域を持つ欠陥には，複数のチップに渡ってチップ内のほぼ同じ位置に存在する繰り返し欠陥やウェハマップ上で隣接する欠陥との距離が非常に小さい密集欠陥等がある。ランダム欠陥は，領域を持つ欠陥に当てはまらない欠陥分布を指す。SSA（２１０９）の出力であるSSAデータ２１１０は，少なくとも欠陥分布特徴クラスを含む。

図6は，半導体ウェハの検査工程に本発明の第二の実施例を適用した例を示す図である。

図5で説明した第1の実施例と同様に、半導体ウェハの検査工程における装置の構成は光学式の検査装置6202と光学式の装置に比べて解像度の高いSEM式のレビュー装置6207が組み合わされており，LAN6205でサーバ6204に接続されている。

光学式の検査装置6202は，図5で説明した第1の実施例と同様に、少なくともウェハ6201上の欠陥の位置座標と特徴量を算出し，これらの情報を含めた欠陥データ6203をサーバ6204へと送る。

サーバ6204では，入力された欠陥データ6203を従来公知の方法を使用して，全欠陥のうちSEM式のレビュー装置６２０７でレビューする欠陥をサンプリングする。サーバはサンプリング指示6206をSEM式のレビュー装置6207に送る。

SEM式のレビュー装置6207は，受け取ったデータに基づいて該当する欠陥をレビューする。SEM式のレビュー装置6207は，従来公知の欠陥分類方法であるADC（6208）に対してレビューデータを送る。

ADC（6208）はレビューデータに基づいてレビュー対象である欠陥の欠陥クラス６２０９を決定する。決定した欠陥クラス６２０９はサーバ６２０４へと送られ，欠陥データ６２０３との対応付け６２１０が行われる。

サーバ６２０４内の分類器設計６２１１に欠陥クラス６２０９との対応付け６２１０の終わった欠陥データ６２０３が入力され，欠陥クラス６２０９のある欠陥，欠陥クラス６２０９のない欠陥データとに振り分けられる。欠陥データ６２０３を用いた分類器として，光学式検査装置６２０２にADC（図示なし）が搭載されている場合，このADCを再設計することも考えられる。しかし，光学式検査装置６２０２に搭載されているADCをあるウェハ用に再設計すると，他のウェハに対して欠陥クラスの分類正解率が低くなってしまう恐れがある。そこで、本実施例では、光学式検査装置６２０２に搭載されているADCとは別に，すべてのレビュー対象ウェハ各々に対して，分類器を設計するようにした。

この第二の態様においては，上述したように、光学式の検査装置６２０２からサーバ６２０４内のSSA６２１３へと欠陥データ６２０３が入力され，そこから出力されるSSAデータ６２１４が欠陥クラス６２０９との対応付け６２１０を経て分類器設計６２１１へと入力される。

SSA６２１３を用いる場合，分類器設計６２１１に利用するだけでなく，SSAデータ６２１４を用いて効果的なサンプリングを行うことができる。例として，「欠陥点サンプリング技術を利用した外観検査手法」、第13回外観検査の自動化ワークショップ、pp. 99-104(2001年12月)で提案されているサンプリング手法がある。

SSAデータ６２１４は，光学式検査装置６２０２で撮像した画像から得られる欠陥データ６２０３と異なり，ウェハ６２０１上の欠陥分布に依るため，欠陥データ６２０３との相関は低いと考えられる。またSSAデータ６２１４に含まれる欠陥分布特徴クラスは，レビュー装置６２０７で付与される欠陥クラス６２０９と違い，全欠陥に割り当てられる。そのためレビューしていない欠陥を分類器６２１２にかける前に欠陥分布特徴クラスごとに半導体ウェハ上の局所に偏在する主モードとそれ以外に分け，クラスごとの主モード以外のレビューしていない欠陥を分類する手法が考えられる。これは，半導体ウェハの局所に偏在する欠陥の発生要因が同じであり，欠陥クラスに分類できるという知識による。

欠陥クラス及び欠陥データ領域508を図15に示す。図１５（ａ）の表示領域１５０６は，第一の態様例で示した表示部５６６（図12）を利用する。ウェハマップ表示領域１５０７に欠陥の空間分布を閉曲線１５２６で表示する。ウェハ上の閉曲線１５２６で囲まれた領域に存在する欠陥は，SSAの同じ欠陥分布特徴クラスに分類される。図１５（ｂ）の欠陥クラス及び欠陥データ領域１５０８の構成は図１３に示した構成とほぼ同じであるが、新たにSSAの欠陥分布特徴クラスを表示するSSAデータ表示領域１５２７が追加されている。

次に，本発明の第三の態様例を図3に示す。

第三の態様例では，欠陥検出３１０１からADC欠陥クラス３１０５までのステップは、図１に記載した欠陥検出１０１からADC欠陥クラス１０５までのステップと同じである。前記第一の態様と異なる点は，欠陥検出３１０１の前にデータベースへとアクセスし３１１１，半導体ウェハ上に形成されるチップの設計の際に作成され，チップのレイアウトが2次元・複数レイアについて記述されているCAD（Computer Aided Design）データ３１１２を検索し，全欠陥クラス推定３１０７の入力となっている点である。

欠陥検出３１０１で得られる欠陥データ３１０６は，検査装置の解像度が劣っているため，欠陥レビュー３１０３で得られる情報に比べて，分類のための情報量が少ない。そのため欠陥が存在するウェハのCADデータ３１１２を加えることで，欠陥が存在するウェハ上のパターンの密度やパターンのエッジ密度の情報等が補われる。

図7は，半導体ウェハの検査工程に本発明の第三の態様例を適用した例を示す図である。この第三の態様において，前記第一の態様と異なる点は，CADサーバ７２１６へウェハ情報７２１５が入力され，分類器設計７２１１にCADサーバ７２１６からのCADデータ７２１７が入力されていることである。

CADデータ７２１７は，欠陥に関する直接の情報を持っていないので，分類器設計７２１１に入力された時点で，欠陥データ７２０３と照合され，欠陥と欠陥の存在する領域との関係を表す数値へと変換される。例えば，欠陥に関する撮像された画像内の欠陥以外の領域で，存在するパターンが領域全体に占める割合を数値化する。

その数値を欠陥データ７２０３の特徴量と合わせて，欠陥に関する特徴量として分類器設計７２０１で分類器７２１２を設計する。

光学式検査装置７２０２で撮影した欠陥に関する画像において，欠陥が存在する領域の画像上での見え方によって，欠陥に関する特徴量が異なる。欠陥クラスが同一な欠陥であっても，光学式検査装置７２０２の欠陥データ７２０３に基づく分類の場合，異なる欠陥クラスへと分類される可能性がある。そのため，CADデータ７２１７を用いて欠陥が存在する領域をユーザが定義した，または任意に定義された基準により分類し，分類した領域ごとにレビューした欠陥と同じ欠陥クラスへと分類する分類器７２１２を分類器設計７２１１で設計する。

CADデータ表示部を図16に示す。ウェハマップ表示領域６５０７（図１２のウェハマップ表示領域５０７と同じ）の任意の点選択（701）により，CADデータ領域702が別領域として表示される。CADデータ表示領域702は，CADデータ画像表示領域703，レイア移動やパターン表示切り替え等のボタン704，CADデータ数値表示領域705からなる。

CADデータ画像表示領域703は，CADデータ217を画像として表示する。レイア移動やパターン切り替え等のボタン704を押すことにより，その内容を反映した画像へと切り替わる。またレイアごとに色分けされ，各レイアは重ねて表示される。

CADデータ217数値表示領域705は，CADデータ画像表示領域703における任意の点を選択する（706）のに伴って，選択した点の座標，レイア数，CAD特徴量等を表示する。

本発明による欠陥自動分類方法の一態様を示すフロー図である。本発明による欠陥自動分類方法の他の態様例を示すフロー図である。本発明による欠陥自動分類方法の更に他の態様例を示すフロー図である。従来の欠陥自動分類方法の一例を示すウェハ検査及びレビューシステムの態様例を示すブロック図である。本発明によって提供されるウェハ検査及びレビューシステムの一態様例を示すブロック図である。本発明によって提供されるウェハ検査及びレビューシステムの他の態様例を示すブロック図である。本発明によって提供されるウェハ検査及びレビューシステムの更に他の態様例を示すブロック図である。図1で示される態様において示される工程の一具体例を示すフロー図である。図9で示される態様において示される工程の一具体例を示す図である。図1で示される態様において示される工程の他の具体例を示すフロー図である。図10で示される態様において示される工程の一具体例を示す図である。本発明の一態様における典型的なユーザインターフェースを示す図である。図12で示される態様において示される領域の一具体例を示す図である。図12で示される態様において示される領域の一具体例を示す図である。図6で示される態様において，図12で示される領域の一具体例を示す図である。図7で示される態様において，図12で示される領域の一具体例を示す図である。

符号の説明

２０２、６２０２、７２０２・・・光学式検査装置２０４，６２０４，７２０４・・・サーバ２０７，６２０７，７２０７・・・SEM式レビュー装置２０８，６２０８，７２０８・・・ADC ２１１、６２１１，７２１１・・・分類器設計２１２，６２１２，７２１２・・・欠陥分類器５００・・・表示部

Claims

欠陥を分類する方法であって、
試料を解像度の低い検査装置で検査して得た欠陥の情報と該検査装置で検出した欠陥の
中からサンプリングした欠陥を解像度の高いレビュー装置で観察して分類された欠陥分類
情報に基づいて前記検査装置で検出した欠陥を前記レビュー装置で定義している欠陥クラ
スに分類する分類器を設計し，
前記検査装置で検出された欠陥のうち前記レビュー装置で観察されていない欠陥に対し
て前記検査装置から得られた欠陥情報に基づいて前記設計した分類器を用いて前記レビュ
ーした欠陥の欠陥クラスと同じ定義の欠陥クラスを与える
ことを特徴とする欠陥分類方法。
前記分類器を設計する工程において、前記検査装置から入力した欠陥の情報に基づいて
該検出した欠陥を前記試料上で偏在する欠陥と偏在していない欠陥とに分類し、該偏在し
ていない欠陥について前記詳細観察装置で観察して分類した分類情報に基いて分類器を設
計し、前記欠陥のクラスを与える工程において前記設計した分類器を用いて前記偏在して
いない欠陥を分類することを特徴とする請求項１記載の欠陥分類方法。
前記設計した分類器を用いて、前記検査装置から入力した全ての欠陥を分類することを
特徴とする請求項1記載の欠陥分類方法。
前記検査装置で検出した欠陥を画面上にマップ上に表示し、該マップ上に表示した全て
の欠陥について前記分類器を用いて分類することを特徴とする請求項1記載の欠陥分類方法。
前記分類器を設計する工程において、前記試料を設計する際に作成されたCAD情報を更に用いることを特徴とする請求項1記載の欠陥分類方法。
欠陥を分類する装置であって、
試料を解像度の低い検査装置で検査して得た欠陥の情報と該検査装置で検出した欠陥の
中からサンプリングした欠陥を解像度の高いレビュー装置で観察して分類された欠陥分類
情報に基づいて前記検査装置で検出した欠陥を前記レビュー装置で定義している欠陥クラ
スに分類する分類器を設計する分類器設計手段と，
前記検査装置で検出された欠陥のうち前記レビュー装置で観察されていない欠陥に対し
て前記検査装置から得られた欠陥情報に基づいて前記分類器設計手段で設計した分類器を
用いて前記レビューした欠陥の欠陥クラスと同じ定義の欠陥クラスを与える欠陥分類手段
と
を備えたことを特徴とする欠陥分類装置。
前記分類器設計手段は、前記検査装置から入力した欠陥の情報に基づいて該検出した欠
陥を前記試料上で偏在する欠陥と偏在していない欠陥とに分類する偏在欠陥抽出部と、該
偏在欠陥抽出部で偏在していないと判断された欠陥について前記詳細観察装置で観察して
分類した分類情報に基いて分類器を設計する分類器設計部とを有することを特徴とする請
求項６記載の欠陥分類装置。
前記欠陥分類手段は、前記検査装置から入力した全ての欠陥を分類することを特徴とす
る請求項６記載の欠陥分類装置。
表示画面を有する表示手段を更に備え、前記検査装置で検出した欠陥を前記表示手段の
画面上にマップ状に表示し、該マップ状に表示した全ての欠陥について前記欠陥分類手段
で前記分類器を用いて分類することを特徴とする請求項６記載の欠陥分類装置。
前記分類器設計手段は、工程において、前記試料を設計する際に作成されたCAD情報を更に用いて前記分類器を設計することを特徴とする請求項６記載の欠陥分類装置。