JP7286290B2 - 半導体試料の欠陥を分類する方法およびそのシステム - Google Patents
半導体試料の欠陥を分類する方法およびそのシステム Download PDFInfo
- Publication number
- JP7286290B2 JP7286290B2 JP2018183321A JP2018183321A JP7286290B2 JP 7286290 B2 JP7286290 B2 JP 7286290B2 JP 2018183321 A JP2018183321 A JP 2018183321A JP 2018183321 A JP2018183321 A JP 2018183321A JP 7286290 B2 JP7286290 B2 JP 7286290B2
- Authority
- JP
- Japan
- Prior art keywords
- exclusion
- class
- classification
- defects
- cnd
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Sampling And Sample Adjustment (AREA)
Description
本明細書で使用する「試料」という用語は、半導体集積回路、磁気ヘッド、フラットパネルディスプレイ、および他の半導体製造物品を生産するために使用されるあらゆる種類のウエハ、マスク、他の構造、それらの組合せおよび/または一部を網羅するように拡張的に解釈されるべきである。
本明細書で使用する「欠陥」という用語は、試料上にまたは試料内に形成されたあらゆる種類の異常なまたは望ましくない特徴を網羅するように拡張的に解釈されるべきである。
多くの用途において、欠陥のタイプまたはクラスは重要である。例えば、粒子、掻き傷、隆起などの欠陥をいくつかのクラスのうちの1つに分類することができる。
試験プロセスは、複数の試験ステップを含むことができる。生産プロセスの間、試験ステップは、例えばいくつかの層の生産または処理の後などに多数回実行することができる。追加としてまたは代替として、各試験ステップは、例えば、異なる試料場所に対してまたは異なる試験設定で同じ試料場所に対して多数回繰り返すことができる。
別の非限定の例として、各マジョリティクラスは、以下の分類グループ、すなわち、「KDOI」、「DOI」、および「疑似」のうちの1つに割り当てることができ、一方、マイノリティクラスは「新規(Novelty)」分類グループに割り当てることができ、グループの優先度は、以下の順序、すなわち、「KDOI」>「新規」>「DOI」>「疑似」で構成することができる。したがって、優先順位付き排除ビンは、「KDOI」CND排除ビン、「DOI」CND排除ビン、「疑似」CND排除ビン、および「新規」UNK排除ビンからなることができ、すべての排除ビンの優先度はそれぞれの分類グループの優先度に対応する。
さらなる態様により、およびオプションとして本開示の主題の他の態様と組み合わせて、同じ分類グループに割り当てられたいくつかのクラスを一緒に結合することができ、品質要件は、結合クラス(bound class)に対して、単一クラスと同様に規定することができる。
さらなる態様により、およびオプションとして本開示の主題の他の態様と組み合わせて、自動分類の寄与率は、分類目的に応じて異なるように計算することができ、ユーザによって構成可能であり得る。
本開示の主題のいくつかの実施形態の利点の中に、クラスの各々または結合クラスに対して別々に定義された品質要件を満たす自動分類を行う能力がある。
本発明を理解し、それが実際にどのように実行され得るかを確かめるために、次に、添付図面を参照して、単に非限定の例として、実施形態を説明する。
本明細書で使用する「非一時的メモリ」および「非一時的ストレージ媒体」という用語は、本開示の主題に適した任意の揮発性または不揮発性コンピュータメモリを網羅するように拡張的に解釈されるべきである。
本明細書で使用する「試料の欠陥」という用語は、試料上にまたは試料内に形成されたあらゆる種類の異常または望ましくない特徴を網羅するように拡張的に解釈されるべきである。
特に記載のない限り、別個の実施形態の文脈に記載されている本開示の主題のいくつかの特徴は、単一の実施形態において組合せで提供することもできることを理解されたい。逆に、単一の実施形態の文脈に記載されている本開示の主題の様々な特徴は、別々にまたは任意の好適なサブ組合せで提供することもできる。以下の詳細な説明では、多数の特定の詳細が、方法および装置の完全な理解を提供するために記載される。
試料は、検査ツール101(例えば、光学検査システム、低解像度SEMなど)で試験することができる。結果として生じる画像および/または派生物を処理して(オプションとして、例えば設計データおよび/または欠陥分類データのような他のデータと一緒に)、レビューのための潜在的な欠陥を選択することができる。
本開示の主題の教示は図1に示したシステムによって拘束されず、等価なおよび/または変更された機能は、別の方法で統合するかまたは分割することができ、ソフトウェアをファームウェアおよび/またはハードウェアと適切に組み合わせて実施することができることを当業者は容易に理解するであろう。
図2を参照すると、本開示の主題のいくつかの実施形態による自動欠陥分類器を動作させる一般化された流れ図が示される。PMC104は、非一時的コンピュータ可読ストレージ媒体に実装されたコンピュータ可読命令に従って以下に詳述するそれぞれの動作を実行するように構成される。
単なる例示のために、以下の説明は、マルチクラスSVM(サポートベクトルマシン)分類器に対して行われる。本開示の主題の教示は、同様に、欠陥を分類するのに好適な任意の他の分類器および/または分類器の組合せに適用可能であることを当業者は容易に理解するであろう。
分類結果は、図3~図6を参照してさらに詳述する1つまたは複数の品質尺度(例えば、純度、精度、抽出率)および性能(例えば、ADC寄与率)尺度によって特性評価することができる。信頼度要件を低く設定するほど、分類器が排除する欠陥を少なくすることができるが、分類誤り、または注目する欠陥のいくつかの欠損が多くなることがある。他方、信頼度要件を増加させると、分類の品質は高まるが、排除率または疑似警報率が高くなるという犠牲が生じる。
オプションとして、動作の間、分類器は、性能/品質パラメータをモニタする(208)ことができ、結果に応じて、結果的に、分類ルールをさらに精密にするために再訓練することができる(例えば、間違って分類された欠陥の分類後結果を使用して)。
分類器の訓練および動作の非限定の例が、本出願の譲受人に譲渡された米国特許出願第2016/0189055号、米国特許第8,315,453号、米国特許第9,607,233号、および米国特許第9,715,723号に開示されており、追加または代替の詳細、特徴、および/または技術的背景の適切な教示のためにそれらの全体が参照により本明細書に組み込まれる。
図3を参照すると、本開示の主題のいくつかの実施形態に従って自動欠陥分類器を訓練する一般化された流れ図が示される。PMC104は、非一時的コンピュータ可読ストレージ媒体に実装されたコンピュータ可読命令に従って以下で詳述するそれぞれの動作を実行するように構成される。
非限定の例として示されているように、マジョリティクラスの中で、クラスAはグループDOIに割り当てられ、クラスBはグループKDOIに割り当てられ、クラスCはグループ「疑似」に割り当てられる。さらに、マイノリティクラスDはグループ「新規」に割り当てられる。
低い閾値による初期分離の結果として、欠陥は分類器によってCNDまたはUNKとして分類されていない。図示のように、クラスAに予め分類された60個の欠陥の中で、52個の欠陥が分類器103によって正しく分類されており、一方、クラスBの4個の欠陥がクラスAに誤って分類されており、クラスCの3個の欠陥がクラスAに誤って分類されており、クラスDの11個の欠陥がクラスAに誤って分類されている。同様に、クラスBに予め分類された44個の欠陥の中で、38個の欠陥が分類器103によって正しく分類されており、一方、クラスAの4個の欠陥がクラスBに誤って分類されており、クラスCの6個の欠陥およびクラスDの12個の欠陥がクラスBに誤って分類されており、一方、クラスCに予め分類された119個の欠陥の中で、110個の欠陥が分類器103によって正しく分類されており、一方、クラスAの4個の欠陥がクラスCに誤って分類されており、クラスBの2個の欠陥がクラスCに誤って分類されており、クラスDの4個の欠陥がクラスCに誤って分類されている。
さらに、各クラスは、所与のクラスに正しく分類された欠陥と所与のクラスに予め分類された欠陥との間の比として計算された精度のような品質尺度(列408によって示された)によって特性評価することができる。
分類器の性能は、分類された欠陥の全数に対する、別のモダリティによるさらなる分類のために送られなかった(例えば、クラス純度を満たして分類された)欠陥の比として計算された寄与率によって特性評価することができる。
信頼度閾値を増加させ、それにより、いくつかの欠陥をUNK欠陥またはCND欠陥として排除することによって、純度を改善することができる。しかしながら、ある信頼度閾値は特定の品質および/または性能測定を改善するが、それは、例えば寄与率のような異なる性能尺度に劣化をもたらすことがある。
したがって、優先順位付き分類グループにクラスを割り当てる非限定の例として、マジョリティクラスおよびマイノリティクラスの各々のものは、KDOI、DOI、および疑似分類グループのうちの1つに割り当てることができる。CND欠陥は、KDOI CNDビン、DOI CNDビン、および疑似CNDビンに排除する(優先度の順序で)ことができる。不明欠陥は、1つまたは複数のUNKビンに排除することができる。
ME-その他区分(ME-OTHERS division)は、ビンごとに「その他」がそれぞれのビン優先度のクラスのみを含むように実施することができる。所与のKDOIクラスに誤って分類されたKDOI欠陥は、KDOI排除ビンに排除され、所与のDOIクラスに誤って分類されたDOI欠陥は、DOI排除ビンに排除され、所与の疑似クラスに誤って分類された疑似欠陥は、疑似排除ビンに排除される。キーDOIとDOI\疑似との間のCNDは、KDOI CNDビンに行く(疑似\DOI欠陥は、KDOIクラスから排除されないことになる)。疑似クラスに分類されたDOI欠陥は、DOI CNDビンに排除されることになり、DOIクラスに分類された疑似欠陥は、疑似CNDビンに排除されることになり、マイノリティは新規UNKビンに排除されることになる。
クラスおよび排除ビンの相対的優先度に応じた例示された排除ルールが表1に要約されている(「Me」は、初期分離(304)の間に正しく分類された欠陥を指す)。
多数のCNDおよび1つまたは複数のUNKビンを用いて排除ルールを設定する際、分類器103は、訓練欠陥の情報を与えるデータを処理して、マジョリティクラスごとに、クラス使用点を生成し(306)、各クラス使用点は、優先順位付き排除ビンに対応する信頼度閾値のあり得るセットによって特性評価される。KDOI CNDビン、新規UNKビン、DOI CNDビン、および疑似CNDビンの上述の非限定の例では、各クラス使用点は、各々がそれぞれのビンに対応する4つの信頼度閾値によって特性評価される。
- 所与のクラスの純度要件を満たさない使用点を取り除くこと、
- クラスにとって正当な複数の使用点をもたらすために他のクラスを考慮して所与のクラスの抽出率要件を一時的に満たさない使用点を取り除くこと(このステップにおいて一時的に抽出率要件を満たす使用点は、さらなる最適化処理中に必ずしも全体的なクラス抽出率要件を満たさない)、
- 正当な使用点の各々に対して潜在的なクラス寄与率(すなわち、それぞれのクラスによって与えられる全体的な寄与率の一部)を計算すること、
- 計算されたクラス寄与率に従って正当な点を区分し、さらなる処理のために結果を保管すること
を含むことができる。
オプションとして、正当なクラス使用点は、直接探索によって、またはあり得る使用点の中で選択する代わりに当業者に知られている任意の他の好適な最適化方法によって取得され得ることに留意されたい。
本開示の主題の教示は、非限定の例に示したような分類グループおよび優先順位付き排除ビンによって拘束されず、同様に、分類グループおよび対応する排除ビンの他のタイプ、数、および/または優先度に適用可能であることに留意されたい。
クラスB純度=32(クラスBに正しく自動的に分類された欠陥の数)/40(クラスBに自動的に分類された欠陥の合計数)=80%。
クラスB抽出率=(32(純度閾値より上のクラスB欠陥の数)+12(クラスB KDOI CNDビン中の欠陥の数))/44(クラスBに手作業で分類された欠陥の数)=100%。
図示の例では、クラスA(DOI分類グループに割り当てられた)の純度および抽出率は、以下のように計算することができる。
クラスA純度=43(クラスAに正しく自動的に分類された欠陥の数)/43(クラスAに自動的に分類された欠陥の合計数)=93%。
クラスA抽出率=(43(純度閾値より上のクラスA欠陥の数)+2+4+6(クラスA KDOI CNDビン+DOI CNDビン+不明CNDビンにおける欠陥の数)/60(クラスBに手作業で分類された欠陥の数)=91%。
図7を参照すると、本開示の主題のいくつかの実施形態による使用点の例示された処理(308)の一般化された流れ図が示される。
訓練欠陥ごとに、事前分類の結果、自動分類の結果、および優先順位付き排除ビンの各々に関する信頼度レベルを取得する(701)際、分類器103は、マジョリティクラスの各々に対する正当なクラス使用点を計算する(702)。
正当なクラス使用点の中で、分類器103は、最大のクラス寄与率をもつ正当な使用点を選択し、この使用点がすべてのクラスを考慮した抽出率要件を満たしているかどうかをチェックする(703)。満たしている場合、この点は、クラスごとの品質要件を満たしながら最も高いあり得るADC寄与率を可能にする最大値の点である。
非限定の例として、直接計算を以下のように行うことができる。
本開示の主題の教示は図7に示した処理によって拘束されないことを当業者は容易に理解するであろう。クラスごとに品質要件を満たしながら最も高いあり得るADC寄与率を可能にする最適な使用点を取得するために、他の適切なアルゴリズムおよびその組合せを実施することができる。
本発明は、その適用において、本明細書に含まれる説明に記載されたまたは図面に示された詳細に限定されないことを理解されるべきである。本発明は、他の実施形態が可能であり、様々な方法で実践および実行することができる。それゆえに、本明細書において使用された語法および用語は説明のためのものであり、限定と見なされるべきでないことを理解されるべきである。そのため、本開示が基づいている概念は、本開示の主題のいくつかの目的を実行するために、他の構造、方法、およびシステムを設計するための基礎として容易に利用することができることを当業者は理解するであろう。
添付の特許請求の範囲においておよび添付の特許請求の範囲によって定義される範囲から逸脱することなく、上文に記載したような本発明の実施形態に様々な変形および変更を適用することができることを当業者は容易に理解するであろう。
101 検査ツール
102 レビューツール
103 分類器
104 プロセッサおよびメモリ回路
105 ハードウェアベース入力インターフェース
106 ハードウェアベース出力インターフェース
107 ストレージシステム
108 GUI
109 データレポジトリ
110 設計サーバ
122 レビューデータ
Claims (20)
- 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、処理およびメモリ回路(PMC)を含み、前記処理およびメモリ回路(PMC)が、
前記複数のクラスのクラスごとに別々に定義された品質要件を示すデータを取得することと、
異なる優先度をもつ少なくとも3つの分類グループの中の分類グループへの前記複数のクラスの各クラスの割当てを示すデータを取得することと、
少なくとも3つの「決定することができない(CND)」排除ビンを特定することとを行うように構成されており、
少なくとも3つのCND排除ビンは、それぞれのクラスに対応する信頼レベルを有する複数のクラスのうちのいずれかのクラスに割り当てることができないCNDベースの排除された欠陥を取集するために構成されており、前記少なくとも3つのCND排除ビンは、前記少なくとも3つの分類グループに対応しており、前記少なくとも3つのCND排除ビンの分類優先度は、それぞれの分類グループの優先度に対応しており、
訓練中に、
複数の予め分類された訓練欠陥およびその属性値を含む訓練データを取得し、
初期に分類された訓練欠陥をもたらすために前記複数のクラスのうちのクラスへの前記複数の予め分類された訓練欠陥の初期自動分類を行い、
前記複数のクラスのクラスごとに定義されたクラスごとの品質要件を満たしながら自動分類の最も高いあり得る寄与率に対応する最適な使用点を取得するために前記初期に分類された訓練欠陥を処理し、
前記最適な使用点に対応する信頼度閾値をもつ分類ルールを生成し、前記信頼度閾値が、優先順位付き排除ビンに対応し、前記優先順位付き排除ビンは、前記少なくとも3つのCND排除ビンを備え、
前記試料の欠陥を分類するとき、前記生成された分類ルールを適用すること
を行うように更に構成される、
システム。 - 前記PMCが、同じ分類グループに割り当てられたいくつかのクラスを一緒に結合することを可能にし、前記結合クラスの品質要件を単一クラスと同様に規定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。
- 各クラスが、以下の分類グループ、すなわち、最も高い優先度をもつ前記分類グループである「注目するキー欠陥(KDOI)」、「注目する欠陥(DOI)」、および最も低い優先度をもつ前記分類グループである「疑似」のうちの1つに割り当てられる、請求項1に記載のシステム。
- 前記優先順位付き排除ビンが、「KDOI」CND排除ビン、「DOI」CND排除ビン、「疑似」CND排除ビン、および「不明(UNK)」排除ビンからなり、前記優先順位付き排除ビンのCND排除ビンの優先度がそれぞれの分類グループの優先度に対応する、請求項3に記載のシステム。
- 各マジョリティクラスが、以下の分類グループ、すなわち、「KDOI」、「DOI」、および「疑似」のうちの1つに割り当てられ、マイノリティクラスが、「新規」分類グループに割り当てられ、前記グループの優先度が、以下の順序に、すなわち、「KDOI」>「新規」>「DOI」>「疑似」に構成される、請求項1に記載のシステム。
- 前記優先順位付き排除ビンが、「KDOI」CND排除ビン、「DOI」CND排除ビン、「疑似」CND排除ビン、および「新規」UNK排除ビンからなり、前記優先順位付き排除ビンのすべての排除ビンの優先度がそれぞれの分類グループの優先度に対応する、請求項5に記載のシステム。
- 所与のクラスに対して定義された前記品質要件が、前記所与のクラスの正しく分類された欠陥と、前記所与のクラスに属し、前記所与のクラスの抽出率のためにカウントするときに選択される1つまたは複数の排除ビンに排除された欠陥との両方をカウントする抽出率要件を含む、請求項1に記載のシステム。
- 自動分類の前記寄与率が、分類目的に応じて異なるように計算される、請求項1に記載のシステム。
- 試料の欠陥を複数のクラスに自動分類する方法であって、
処理およびメモリ回路(PMC)で分類ルールを生成するステップを備え、
前記分類ルールを生成するステップが、
前記複数のクラスのクラスごとに別々に定義された品質要件を示すデータと、異なる優先度をもつ少なくとも3つの分類グループの中の分類グループへの前記複数のクラスの各クラスの割当てを示すデータとを取得するステップと、
少なくとも3つの「決定することができない(CND)」排除ビンを特定するステップを備え、
少なくとも3つのCND排除ビンは、それぞれのクラスに対応する信頼レベルを有する複数のクラスのうちのいずれかのクラスに割り当てることができないCNDベースの排除された欠陥を取集するために構成されており、前記少なくとも3つのCND排除ビンは、前記少なくとも3つの分類グループに対応しており、前記少なくとも3つのCND排除ビンの分類優先度は、それぞれの分類グループの優先度に対応しており、
訓練中に、
複数の予め分類された訓練欠陥およびその属性値を含む訓練データを取得し、
初期に分類された訓練欠陥をもたらすために前記複数のクラスのうちのクラスへの前記複数の予め分類された訓練欠陥の初期自動分類を行い、
前記複数のクラスのクラスごとに定義されたクラスごとの品質要件を満たしながら自動分類の最も高いあり得る寄与率に対応する最適な使用点を取得するために前記初期に分類された訓練欠陥を処理し、
前記最適な使用点に対応する信頼度閾値をもつ前記分類ルールを生成し、前記信頼度閾値が、優先順位付き排除ビンに対応し、前記優先順位付き排除ビンは、前記少なくとも3つのCND排除ビンを備え、
前記試料の欠陥を分類するとき、前記PMCによって、前記生成された分類ルールを適用するステップ
を更に含む、方法。 - 同じ分類グループに割り当てられたいくつかのクラスを一緒に結合するステップと、前記結合クラスの品質要件を単一クラスと同様に規定するステップとをさらに含む、請求項9に記載の方法。
- 各クラスが、以下の分類グループ、すなわち、最も高い優先度をもつ前記分類グループである「注目するキー欠陥(KDOI)」、「注目する欠陥(DOI)」、および最も低い優先度をもつ前記分類グループである「疑似」のうちの1つに割り当てられる、請求項9に記載の方法。
- 前記優先順位付き排除ビンが、「KDOI」CND排除ビン、「DOI」CND排除ビン、「疑似」CND排除ビン、および「不明(UNK)」排除ビンからなり、前記優先順位付き排除ビンのCND排除ビンの優先度がそれぞれの分類グループの優先度に対応する、請求項11に記載の方法。
- 各マジョリティクラスが、以下の分類グループ、すなわち、「KDOI」、「DOI」、および「疑似」のうちの1つに割り当てられ、マイノリティクラスが、「新規」分類グループに割り当てられ、前記グループの優先度が、以下の順序に、すなわち、「KDOI」>「新規」>「DOI」>「疑似」に構成される、請求項9に記載の方法。
- 前記優先順位付き排除ビンが、「KDOI」CND排除ビン、「DOI」CND排除ビン、「疑似」CND排除ビン、および「新規」UNK排除ビンからなり、前記優先順位付き排除ビンのすべての排除ビンの優先度がそれぞれの分類グループの優先度に対応する、請求項13に記載の方法。
- 前記最適な使用点を取得するために前記初期に分類された訓練欠陥を処理するステップが、前記PMCによって、マジョリティクラスごとに、正当なクラス使用点を取得するステップであり、各正当なクラス使用点が、それぞれのクラスに対して定義された品質要件を満たし、前記優先順位付き排除ビンに対応する信頼度閾値によって特性評価される、取得するステップと、
前記PMCによって、前記最適な使用点を取得するために前記正当なクラス使用点を処理するステップとを含む、請求項9に記載の方法。 - 前記正当なクラス使用点を取得するステップが、前記訓練欠陥の少なくとも一部を前記優先順位付き排除ビンにわたって分配するステップを含み、ある欠陥に対して排除ビンを選択するステップが、それぞれの分類グループの相対的優先度および前記排除ビンの優先度に応じて、予め定義されたルールに従って行われる、請求項15に記載の方法。
- 所与のクラスに対して定義された前記品質要件が、前記所与のクラスの正しく分類された欠陥と、前記所与のクラスに属し、前記所与のクラスの抽出率のためにカウントするときに選択される1つまたは複数の排除ビンに排除された欠陥との両方をカウントする抽出率要件を含む、請求項9に記載の方法。
- 前記所与のクラスの分類グループの優先度よりも低くない優先度をもつすべての排除ビンが、前記所与のクラスの抽出率のためにカウントするときに選択される、請求項17に記載の方法。
- 自動分類の前記寄与率が、分類目的に応じて異なるように計算される、請求項9に記載の方法。
- コンピュータによって実行されたときに、試料の欠陥を複数のクラスに自動分類する方法を前記コンピュータに実行させる命令を含む非一時的コンピュータ可読媒体であって、前記方法が、
処理およびメモリ回路(PMC)で分類ルールを生成するステップを備え、
前記分類ルールを生成するステップが、
前記複数のクラスのクラスごとに別々に定義された品質要件を示すデータと、異なる優先度をもつ少なくとも3つの分類グループの中の分類グループへの前記複数のクラスの各クラスの割当てを示すデータとを取得し、
少なくとも3つの「決定することができない(CND)」排除ビンを特定することを備え、
少なくとも3つのCND排除ビンは、それぞれのクラスに対応する信頼レベルを有する複数のクラスのうちのいずれかのクラスに割り当てることができないCNDベースの排除された欠陥を取集するために構成されており、前記少なくとも3つのCND排除ビンは、前記少なくとも3つの分類グループに対応しており、前記少なくとも3つのCND排除ビンの分類優先度は、それぞれの分類グループの優先度に対応しており、
訓練中に、
複数の予め分類された訓練欠陥およびその属性値を含む訓練データを取得し、
初期に分類された訓練欠陥をもたらすために前記複数のクラスのうちの前記クラスへの前記複数の予め分類された訓練欠陥の初期自動分類を行い、
前記複数のクラスのクラスごとに定義されたクラスごとの品質要件を満たしながら自動分類の最も高いあり得る寄与率に対応する最適な使用点を取得するために前記初期に分類された訓練欠陥を処理し、
前記最適な使用点に対応する信頼度閾値をもつ前記分類ルールを生成し、前記信頼度閾値が、優先順位付き排除ビンに対応し、前記優先順位付き排除ビンは、前記少なくとも3つのCND排除ビンを備え、
前記試料の欠陥を分類するとき、前記PMCによって、前記生成された分類ルールを適用するステップ
を更に含む、非一時的コンピュータ可読媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/719,447 US11037286B2 (en) | 2017-09-28 | 2017-09-28 | Method of classifying defects in a semiconductor specimen and system thereof |
US15/719,447 | 2017-09-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019075553A JP2019075553A (ja) | 2019-05-16 |
JP7286290B2 true JP7286290B2 (ja) | 2023-06-05 |
Family
ID=65807910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018183321A Active JP7286290B2 (ja) | 2017-09-28 | 2018-09-28 | 半導体試料の欠陥を分類する方法およびそのシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11037286B2 (ja) |
JP (1) | JP7286290B2 (ja) |
KR (1) | KR102548769B1 (ja) |
CN (1) | CN109583465B (ja) |
TW (1) | TWI776945B (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110278366B (zh) * | 2018-03-14 | 2020-12-01 | 虹软科技股份有限公司 | 一种全景图像虚化方法、终端及计算机可读存储介质 |
US11538237B2 (en) * | 2019-01-15 | 2022-12-27 | Accenture Global Solutions Limited | Utilizing artificial intelligence to generate and update a root cause analysis classification model |
US11151706B2 (en) * | 2019-01-16 | 2021-10-19 | Applied Material Israel, Ltd. | Method of classifying defects in a semiconductor specimen and system thereof |
US10762618B1 (en) * | 2019-02-14 | 2020-09-01 | United Microelectronics Corp. | Mask weak pattern recognition apparatus and mask weak pattern recognition method |
CN110263859A (zh) * | 2019-06-21 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 样本分类方法、装置、设备及可读存储介质 |
CN110716990A (zh) * | 2019-09-04 | 2020-01-21 | 华东江苏大数据交易中心股份有限公司 | 一种应用于数据交易的多数据源管理系统 |
CN110555838A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 基于图像的零件故障检测方法及装置 |
CN111311542B (zh) * | 2020-01-15 | 2023-09-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
WO2022032056A1 (en) * | 2020-08-07 | 2022-02-10 | Pdf Solutions, Inc. | Pattern-enhanced spatial correlation of test structures to die level responses |
TWI771983B (zh) * | 2021-04-14 | 2022-07-21 | 國立中山大學 | 氮化鎵高電子移動率電晶體的缺陷檢測方法 |
CN113743445B (zh) * | 2021-07-15 | 2024-06-04 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
CN117890765A (zh) * | 2024-01-17 | 2024-04-16 | 张家港莱荟科技有限公司 | 一种连续式集成电路测试系统及其测试方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009516832A (ja) | 2005-11-18 | 2009-04-23 | ケーエルエー−テンカー テクノロジィース コーポレイション | 検査データと組み合わせて設計データを使用するための方法及びシステム |
JP2012247409A (ja) | 2010-07-27 | 2012-12-13 | Applied Materials Israel Ltd | 最適化された純度による欠陥分類 |
JP2013224942A (ja) | 2012-04-19 | 2013-10-31 | Applied Materials Israel Ltd | 自動欠陥分類のための未知欠陥除去の最適化 |
US20160189055A1 (en) | 2014-12-31 | 2016-06-30 | Applied Materials Israel Ltd. | Tuning of parameters for automatic classification |
WO2016194210A1 (ja) | 2015-06-04 | 2016-12-08 | 株式会社日立ハイテクノロジーズ | 欠陥画像分類装置および欠陥画像分類方法 |
US20180314984A1 (en) | 2015-08-12 | 2018-11-01 | Entit Software Llc | Retraining a machine classifier based on audited issue data |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7162073B1 (en) * | 2001-11-30 | 2007-01-09 | Cognex Technology And Investment Corporation | Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object |
US8165384B1 (en) * | 2003-11-19 | 2012-04-24 | Kla-Tencor Corporation | Defect classification |
US7729529B2 (en) * | 2004-12-07 | 2010-06-01 | Kla-Tencor Technologies Corp. | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle |
US7570796B2 (en) * | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
JP4908995B2 (ja) * | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及びその装置並びに欠陥検査装置 |
US7756658B2 (en) * | 2008-05-14 | 2010-07-13 | Kla-Tencor Corp. | Systems and methods for detecting defects on a wafer and generating inspection results for the wafer |
US8140514B2 (en) * | 2008-11-26 | 2012-03-20 | Lsi Corporation | Automatic classification of defects |
JP5591675B2 (ja) * | 2010-12-06 | 2014-09-17 | 株式会社ニューフレアテクノロジー | 検査装置および検査方法 |
US9607233B2 (en) * | 2012-04-20 | 2017-03-28 | Applied Materials Israel Ltd. | Classifier readiness and maintenance in automatic defect classification |
US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
US9898811B2 (en) * | 2015-05-08 | 2018-02-20 | Kla-Tencor Corporation | Method and system for defect classification |
US9922269B2 (en) * | 2015-06-05 | 2018-03-20 | Kla-Tencor Corporation | Method and system for iterative defect classification |
US10436720B2 (en) * | 2015-09-18 | 2019-10-08 | KLA-Tenfor Corp. | Adaptive automatic defect classification |
TWI737659B (zh) * | 2015-12-22 | 2021-09-01 | 以色列商應用材料以色列公司 | 半導體試樣的基於深度學習之檢查的方法及其系統 |
TWI564741B (zh) * | 2016-01-25 | 2017-01-01 | 敖翔科技股份有限公司 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
US20180196867A1 (en) * | 2017-01-09 | 2018-07-12 | Alexander WIESMAIER | System, method and computer program product for analytics assignment |
US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
WO2019067641A1 (en) * | 2017-09-26 | 2019-04-04 | Aquifi, Inc. | SYSTEMS AND METHODS FOR VISUAL INSPECTION BASED ON INCREASED REALITY |
-
2017
- 2017-09-28 US US15/719,447 patent/US11037286B2/en active Active
-
2018
- 2018-08-30 TW TW107130362A patent/TWI776945B/zh active
- 2018-09-20 KR KR1020180112565A patent/KR102548769B1/ko active IP Right Grant
- 2018-09-27 CN CN201811129995.6A patent/CN109583465B/zh active Active
- 2018-09-28 JP JP2018183321A patent/JP7286290B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009516832A (ja) | 2005-11-18 | 2009-04-23 | ケーエルエー−テンカー テクノロジィース コーポレイション | 検査データと組み合わせて設計データを使用するための方法及びシステム |
JP2012247409A (ja) | 2010-07-27 | 2012-12-13 | Applied Materials Israel Ltd | 最適化された純度による欠陥分類 |
JP2013224942A (ja) | 2012-04-19 | 2013-10-31 | Applied Materials Israel Ltd | 自動欠陥分類のための未知欠陥除去の最適化 |
US20160189055A1 (en) | 2014-12-31 | 2016-06-30 | Applied Materials Israel Ltd. | Tuning of parameters for automatic classification |
WO2016194210A1 (ja) | 2015-06-04 | 2016-12-08 | 株式会社日立ハイテクノロジーズ | 欠陥画像分類装置および欠陥画像分類方法 |
US20180314984A1 (en) | 2015-08-12 | 2018-11-01 | Entit Software Llc | Retraining a machine classifier based on audited issue data |
Also Published As
Publication number | Publication date |
---|---|
CN109583465B (zh) | 2024-02-02 |
KR102548769B1 (ko) | 2023-06-27 |
KR20190037123A (ko) | 2019-04-05 |
CN109583465A (zh) | 2019-04-05 |
TWI776945B (zh) | 2022-09-11 |
TW201915770A (zh) | 2019-04-16 |
JP2019075553A (ja) | 2019-05-16 |
US11037286B2 (en) | 2021-06-15 |
US20190096053A1 (en) | 2019-03-28 |
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 | |
US11526979B2 (en) | Method of defect classification and system thereof | |
KR102110755B1 (ko) | 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화 | |
KR102137184B1 (ko) | 자동 및 수동 결함 분류의 통합 | |
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 | |
JP7254921B2 (ja) | 半導体試料の欠陥の分類 | |
JP4443270B2 (ja) | 欠陥分類方法 | |
US20220222806A1 (en) | Machine learning-based classification of defects in a semiconductor specimen | |
US11592400B2 (en) | System, method and computer program product for object examination | |
US10921334B2 (en) | System, method and computer program product for classifying defects | |
KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
TWI772735B (zh) | 對半導體取樣中的缺陷進行分類的方法及其系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210705 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220729 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220829 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221129 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230130 |
|
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: 20230424 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230524 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7286290 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |