JP7254921B2 - 半導体試料の欠陥の分類 - Google Patents
半導体試料の欠陥の分類 Download PDFInfo
- Publication number
- JP7254921B2 JP7254921B2 JP2021524054A JP2021524054A JP7254921B2 JP 7254921 B2 JP7254921 B2 JP 7254921B2 JP 2021524054 A JP2021524054 A JP 2021524054A JP 2021524054 A JP2021524054 A JP 2021524054A JP 7254921 B2 JP7254921 B2 JP 7254921B2
- Authority
- JP
- Japan
- Prior art keywords
- defects
- class
- attribute
- belonging
- subset
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (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)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Description
Claims (19)
- 半導体試料の欠陥を複数のクラスに分類することができるシステムであって、前記システムが、
第1の分類器によってマジョリティクラスに分類された複数の欠陥を受け取ることであり、前記複数の欠陥からの各欠陥は、複数の属性のセットにおける各属性の値と関連づけられ、前記複数の欠陥からの1つまたは複数の欠陥が、前記1つまたは複数の欠陥のグランドトゥルースを示すマイノリティクラスに属し、前記複数の欠陥からの前記欠陥の少なくとも一部が、前記欠陥の少なくとも一部のグランドトゥルースを示す前記マジョリティクラスに属する、受け取ることと、
前記複数の属性のセットからサブセットを選択し、前記サブセットの属性ごとの区別要因を定義することであり、その結果、第2の分類器が、前記サブセットに従って欠陥を分類するように構成され、それぞれの属性ごとの前記区別要因が、前記複数の欠陥からの少なくとも事前定義された一部の欠陥を前記マイノリティクラスおよび前記マジョリティクラスに正しく分類する、定義することと、
一時的訓練セットを生成することであり、前記一時的訓練セットが、前記マジョリティクラスに正しく分類された前記複数の欠陥からの前記欠陥の少なくとも一部、前記マイノリティクラスに属するが、前記マジョリティクラスに誤って分類された前記複数の欠陥からの前記欠陥の少なくとも一部、および前記第2の分類器が追加の欠陥を前記マイノリティクラスに分類するように前記サブセットの属性値を有する前記追加の欠陥を含む、生成することと、
前記サブセットの第1の値によって特徴づけられる欠陥が前記マジョリティクラスに属するという信頼性レベルを取得するように構成されたエンジンを訓練することであり、前記訓練することが、前記一時的訓練セット、前記サブセット、および前記サブセットの属性ごとの前記区別要因を使用して実行される、訓練することと、
前記マジョリティクラスに分類される複数の潜在的な欠陥からの各所与の潜在的な欠陥に前記エンジンを適用し、前記マジョリティクラスに属する前記所与の潜在的な欠陥の信頼性レベルを取得することと、
前記複数の潜在的な欠陥から、所定の閾値よりも低い信頼性レベルをそれぞれ有する1つまたは複数の潜在的な欠陥を出力することであり、前記1つまたは複数の潜在的な欠陥が、前記マジョリティクラスに誤って分類され、かつ前記マイノリティクラスに属する確率がより高いと仮定される、出力することと
を行うように構成されるプロセッシングおよびメモリ回路(PMC)を備える、システム。 - 前記PMCが、前記第2の分類器によって前記マイノリティクラスに分類可能な前記追加の欠陥を生成するようにさらに構成される、請求項1に記載のシステム。
- 前記追加の欠陥のうちの少なくとも1つが、複数の値に基づいて生成された合成欠陥であり、各値が、前記サブセットの属性ごとの区別要因に従って前記サブセットからの属性に関連づけられる、請求項1に記載のシステム。
- 属性に割り当てられた前記複数の値からの値が、前記マイノリティクラスに属する第1の欠陥の前記属性の第2の値と、前記第1の欠陥に隣接し、かつ前記マジョリティクラスに属する第2の欠陥の前記属性の第3の値との間の値として決定される、請求項3に記載のシステム。
- 属性に割り当てられた前記複数の値からの値が、前記マイノリティクラスに属する第1の欠陥の前記属性の値に比較的近いと決定される、請求項3に記載のシステム。
- 前記PMCが、
前記出力された潜在的な欠陥の少なくとも一部を前記マイノリティクラスに属するものとして識別することと、
前記複数の欠陥の中からの、前記マイノリティクラスに属する少なくともいくつかの欠陥、前記複数の欠陥の中からの、前記マジョリティクラスに属する少なくともいくつかの欠陥、および前記出力された潜在的な欠陥の一部を含む訓練セットで前記第1の分類器を訓練することによって、前記第1の分類器を更新することと、
前記複数の欠陥に含まれない、前記マジョリティクラスに属するものとして前記第1の分類器によって分類され、前記エンジンが前記所定の閾値未満の信頼性レベルを取得する追加の欠陥を出力することと
を行うようにさらに構成される、請求項1に記載のシステム。 - 前記エンジンが、ツリーアンサンブルを含む、請求項1に記載のシステム。
- 前記区別要因が、値の範囲からのカットオフポイントの値である、請求項1に記載のシステム。
- 前記区別要因が、離散値の集合からの1つまたは複数の値を含む、請求項1に記載のシステム。
- 半導体資料の欠陥を複数のクラスに分類する方法であって、前記方法が、メモリとプロセッサとを含むコンピューティングプラットフォームによって実行され、前記方法が、
第1の分類器によってマジョリティクラスに分類された複数の欠陥を受け取ることであり、前記複数の欠陥からの各欠陥は、複数の属性のセットにおける各属性の値と関連づけられ、前記複数の欠陥からの1つまたは複数の欠陥が、前記1つまたは複数の欠陥のグランドトゥルースを示すマイノリティクラスに属し、前記複数の潜在的な欠陥からの前記欠陥の少なくとも一部が、前記欠陥の少なくとも一部のグランドトゥルースを示す前記マジョリティクラスに属する、受け取ることと、
前記複数の属性のセットからサブセットを選択し、前記サブセットの属性ごとの区別要因を定義することであり、その結果、第2の分類器が、前記サブセットに従って欠陥を分類するように構成され、それぞれの属性ごとの前記区別要因が、前記複数の欠陥からの少なくとも事前定義された一部の欠陥を前記マイノリティクラスおよび前記マジョリティクラスに正しく分類する、定義することと、
一時的訓練セットを生成することであり、前記一時的訓練セットが、前記マジョリティクラスに正しく分類された前記複数の欠陥からの前記欠陥の少なくとも一部、前記マイノリティクラスに属するが、前記マジョリティクラスに誤って分類された前記複数の欠陥からの前記欠陥の少なくとも一部、および前記第2の分類器が追加の欠陥を前記マイノリティクラスに分類するように前記サブセットの属性値を有する前記追加の欠陥を含む、生成することと、
前記サブセットの第1の値によって特徴づけられる欠陥が前記マジョリティクラスに属するという信頼性レベルを取得するように構成されたエンジンを訓練することであり、前記訓練することが、前記一時的訓練セット、前記サブセット、および前記サブセットの属性ごとの前記区別要因を使用して実行される、訓練することと、
前記マジョリティクラスに分類される複数の潜在的な欠陥からの各所与の潜在的な欠陥に前記エンジンを適用し、前記マジョリティクラスに属する前記所与の潜在的な欠陥の信頼性レベルを取得することと、
前記複数の潜在的な欠陥から、所定の閾値よりも低い信頼性レベルをそれぞれ有する1つまたは複数の潜在的な欠陥を出力することであり、前記1つまたは複数の潜在的な欠陥が、前記マジョリティクラスに誤って分類され、かつ前記マイノリティクラスに属する確率がより高いと仮定される、出力することと
を含む、方法。 - 前記第2の分類器によって前記マイノリティクラスに分類可能な前記追加の欠陥を生成することをさらに含む、請求項10に記載の方法。
- 前記追加の欠陥のうちの少なくとも1つが、複数の値に基づいて生成された合成欠陥であり、各値が、前記サブセットの属性ごとの区別要因に従って前記サブセットからの属性に関連づけられる、請求項11に記載の方法。
- 属性に割り当てられた前記複数の値からの値が、前記マイノリティクラスに属する第1の欠陥の前記属性の第2の値と、前記第1の欠陥に隣接し、かつ前記マジョリティクラスに属する第2の欠陥の前記属性の第3の値との間の値として決定される、請求項12に記載の方法。
- 属性に割り当てられた前記複数の値からの値が、前記マイノリティクラスに属する第1の欠陥の前記属性の値に比較的近いと決定される、請求項12に記載の方法。
- 前記出力された潜在的な欠陥の少なくとも一部を前記マイノリティクラスに属するものとして識別することと、
前記複数の欠陥の中からの、前記マイノリティクラスに属する少なくともいくつかの欠陥、前記複数の欠陥の中からの、前記マジョリティクラスに属する少なくともいくつかの欠陥、および前記出力された潜在的な欠陥の一部を含む訓練セットで前記第1の分類器を訓練することによって、前記第1の分類器を更新することと、
前記複数の欠陥に含まれない、前記マジョリティクラスに属するものとして前記第1の分類器によって分類され、前記エンジンが前記所定の閾値未満の信頼性レベルを取得する追加の欠陥を出力することと
をさらに含む、請求項10に記載の方法。 - 前記エンジンが、ランダムフォレスト分類器で構成される、請求項10に記載の方法。
- 前記区別要因が、値の範囲からのカットオフポイントの値である、請求項10に記載の方法。
- 前記区別要因が、離散値の集合からの1つまたは複数の値を含む、請求項10に記載の方法。
- 命令を含む非一時的コンピュータ可読媒体であって、前記命令は、コンピュータによって実行されると、前記コンピュータに、半導体試料の欠陥を複数のクラスに自動的に分類する方法を実行させ、前記方法が、
第1の分類器によってマジョリティクラスに分類された複数の欠陥を受け取ることであり、前記複数の欠陥からの各欠陥は、複数の属性のセットにおける各属性の値と関連づけられ、前記複数の欠陥からの1つまたは複数の欠陥が、前記1つまたは複数の欠陥のグランドトゥルースを示すマイノリティクラスに属し、前記複数の潜在的な欠陥からの前記欠陥の少なくとも一部が、前記欠陥の少なくとも一部のグランドトゥルースを示す前記マジョリティクラスに属する、受け取ることと、
前記複数の属性のセットからサブセットを選択し、前記サブセットの属性ごとの区別要因を定義することであり、その結果、第2の分類器が、前記サブセットに従って欠陥を分類するように構成され、それぞれの属性ごとの前記区別要因が、前記複数の欠陥からの少なくとも事前定義された一部の欠陥を前記マイノリティクラスおよび前記マジョリティクラスに正しく分類する、定義することと、
一時的訓練セットを生成することであり、前記一時的訓練セットが、前記マジョリティクラスに正しく分類された前記複数の欠陥からの前記欠陥の少なくとも一部、前記マイノリティクラスに属するが、前記マジョリティクラスに誤って分類された前記複数の欠陥からの前記欠陥の少なくとも一部、および前記第2の分類器が追加の欠陥を前記マイノリティクラスに分類するように前記サブセットの属性値を有する前記追加の欠陥を含む、生成することと、
前記サブセットの第1の値によって特徴づけられる欠陥が前記マジョリティクラスに属するという信頼性レベルを取得するように構成されたエンジンを訓練することであり、前記訓練することが、前記一時的訓練セット、前記サブセット、および前記サブセットの属性ごとの前記区別要因を使用して実行される、訓練することと、
前記マジョリティクラスに分類される複数の潜在的な欠陥からの各所与の潜在的な欠陥に前記エンジンを適用し、前記マジョリティクラスに属する前記所与の欠陥の信頼性レベルを取得することと、
前記複数の潜在的な欠陥の中から、所定の閾値よりも低い信頼性レベルをそれぞれ有する1つまたは複数の潜在的な欠陥を出力することであり、前記1つまたは複数の潜在的な欠陥が、前記マジョリティクラスに誤って分類され、かつ前記マイノリティクラスに属する確率がより高いと仮定される、出力することと
を含む、非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/228,676 | 2018-12-20 | ||
US16/228,676 US11321633B2 (en) | 2018-12-20 | 2018-12-20 | Method of classifying defects in a specimen semiconductor examination and system thereof |
PCT/IL2019/051284 WO2020129041A1 (en) | 2018-12-20 | 2019-11-24 | Classifying defects in a semiconductor specimen |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022512292A JP2022512292A (ja) | 2022-02-03 |
JPWO2020129041A5 JPWO2020129041A5 (ja) | 2022-08-30 |
JP7254921B2 true JP7254921B2 (ja) | 2023-04-10 |
Family
ID=71097693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021524054A Active JP7254921B2 (ja) | 2018-12-20 | 2019-11-24 | 半導体試料の欠陥の分類 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11321633B2 (ja) |
JP (1) | JP7254921B2 (ja) |
KR (1) | KR102530950B1 (ja) |
CN (1) | CN112805719A (ja) |
TW (1) | TWI791930B (ja) |
WO (1) | WO2020129041A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286279B (zh) * | 2019-06-05 | 2021-03-16 | 武汉大学 | 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 |
US11379969B2 (en) * | 2019-08-01 | 2022-07-05 | Kla Corporation | Method for process monitoring with optical inspections |
US11568317B2 (en) | 2020-05-21 | 2023-01-31 | Paypal, Inc. | Enhanced gradient boosting tree for risk and fraud modeling |
TWI770817B (zh) * | 2021-02-09 | 2022-07-11 | 鴻海精密工業股份有限公司 | 瑕疵檢測方法、電子裝置及存儲介質 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003331253A (ja) | 2002-04-25 | 2003-11-21 | Agilent Technol Inc | 信頼性の高い希少事象のクラシファイア |
JP2004295879A (ja) | 2003-03-12 | 2004-10-21 | Hitachi High-Technologies Corp | 欠陥分類方法 |
US20150088791A1 (en) | 2013-09-24 | 2015-03-26 | International Business Machines Corporation | Generating data from imbalanced training data sets |
US20160328837A1 (en) | 2015-05-08 | 2016-11-10 | Kla-Tencor Corporation | Method and System for Defect Classification |
WO2018134290A1 (en) | 2017-01-18 | 2018-07-26 | Asml Netherlands B.V. | Defect displaying method |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756320B2 (en) | 2003-03-12 | 2010-07-13 | Hitachi High-Technologies Corporation | Defect classification using a logical equation for high stage classification |
US20090097741A1 (en) * | 2006-03-30 | 2009-04-16 | Mantao Xu | Smote algorithm with locally linear embedding |
TWI574136B (zh) * | 2012-02-03 | 2017-03-11 | 應用材料以色列公司 | 基於設計之缺陷分類之方法及系統 |
US9286675B1 (en) * | 2014-10-23 | 2016-03-15 | Applied Materials Israel Ltd. | Iterative defect filtering process |
CN104458755B (zh) * | 2014-11-26 | 2017-02-22 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
US20160189055A1 (en) * | 2014-12-31 | 2016-06-30 | Applied Materials Israel Ltd. | Tuning of parameters for automatic classification |
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
US10031997B1 (en) * | 2016-11-29 | 2018-07-24 | Taiwan Semiconductor Manufacturing Co., Ltd. | Forecasting wafer defects using frequency domain analysis |
-
2018
- 2018-12-20 US US16/228,676 patent/US11321633B2/en active Active
-
2019
- 2019-11-24 CN CN201980065723.0A patent/CN112805719A/zh active Pending
- 2019-11-24 KR KR1020217015166A patent/KR102530950B1/ko active IP Right Grant
- 2019-11-24 JP JP2021524054A patent/JP7254921B2/ja active Active
- 2019-11-24 WO PCT/IL2019/051284 patent/WO2020129041A1/en active Application Filing
- 2019-12-17 TW TW108146199A patent/TWI791930B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003331253A (ja) | 2002-04-25 | 2003-11-21 | Agilent Technol Inc | 信頼性の高い希少事象のクラシファイア |
JP2004295879A (ja) | 2003-03-12 | 2004-10-21 | Hitachi High-Technologies Corp | 欠陥分類方法 |
US20150088791A1 (en) | 2013-09-24 | 2015-03-26 | International Business Machines Corporation | Generating data from imbalanced training data sets |
US20160328837A1 (en) | 2015-05-08 | 2016-11-10 | Kla-Tencor Corporation | Method and System for Defect Classification |
WO2018134290A1 (en) | 2017-01-18 | 2018-07-26 | Asml Netherlands B.V. | Defect displaying method |
Also Published As
Publication number | Publication date |
---|---|
JP2022512292A (ja) | 2022-02-03 |
WO2020129041A1 (en) | 2020-06-25 |
US20200202252A1 (en) | 2020-06-25 |
KR20210105335A (ko) | 2021-08-26 |
CN112805719A (zh) | 2021-05-14 |
US11321633B2 (en) | 2022-05-03 |
KR102530950B1 (ko) | 2023-05-11 |
TW202038110A (zh) | 2020-10-16 |
TWI791930B (zh) | 2023-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7286290B2 (ja) | 半導体試料の欠陥を分類する方法およびそのシステム | |
JP7254921B2 (ja) | 半導体試料の欠陥の分類 | |
US11526979B2 (en) | Method of defect classification and system thereof | |
CN110945528B (zh) | 产生可用于检查半导体样品的训练集的方法及其系统 | |
CN109598698B (zh) | 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质 | |
US11592400B2 (en) | System, method and computer program product for object examination | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
TW202044067A (zh) | 基於機器學習之半導體樣本中的缺陷分類 | |
US10921334B2 (en) | System, method and computer program product for classifying defects | |
KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
KR102367310B1 (ko) | 반도체 시편에서 결함들을 분류하는 방법 및 그 시스템 | |
CN116057546A (zh) | 错误原因的推断装置和推断方法 | |
CN117529803A (zh) | 用于主动良率管理的制造指纹 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220819 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220819 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220819 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221107 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230206 |
|
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: 20230313 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230329 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7254921 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |