KR102289795B1 - 결함 및 설계 속성들에 기초한 결함 검토 샘플링 및 정규화 - Google Patents

결함 및 설계 속성들에 기초한 결함 검토 샘플링 및 정규화 Download PDF

Info

Publication number
KR102289795B1
KR102289795B1 KR1020197013678A KR20197013678A KR102289795B1 KR 102289795 B1 KR102289795 B1 KR 102289795B1 KR 1020197013678 A KR1020197013678 A KR 1020197013678A KR 20197013678 A KR20197013678 A KR 20197013678A KR 102289795 B1 KR102289795 B1 KR 102289795B1
Authority
KR
South Korea
Prior art keywords
defects
attributes
bins
defect
unclassified
Prior art date
Application number
KR1020197013678A
Other languages
English (en)
Other versions
KR20190055851A (ko
Inventor
포 분 용
Original Assignee
케이엘에이 코포레이션
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 케이엘에이 코포레이션 filed Critical 케이엘에이 코포레이션
Publication of KR20190055851A publication Critical patent/KR20190055851A/ko
Application granted granted Critical
Publication of KR102289795B1 publication Critical patent/KR102289795B1/ko

Links

Images

Classifications

    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • 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

Landscapes

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

Abstract

결정 트리 및 정규화된 재분류는 결함들을 분류하는 데 사용된다. 결함 검토 샘플링 및 정규화는 정확한 파레토 랭킹 및 결함 소스 분석을 위해 사용될 수 있다. 결함 검토 시스템, 이를테면, 광대역 플라즈마 툴 및 제어기는 결함 속성들 및 설계 속성들에 기초하여 결정 트리를 사용하여 결함들을 비닝하는 데 사용될 수 있다. 클래스 코드들은 각각의 빈 내의 결함들 중 적어도 일부에 할당된다. 정규화된 재분류는 빈 내의 임의의 분류되지 않은 결함들에 클래스 코드를 할당한다. 정규화된 재분류 후에 임의의 빈이 2개 이상의 클래스 코드를 갖는 경우 부가적인 결정 트리가 사용될 수 있다.

Description

결함 및 설계 속성들에 기초한 결함 검토 샘플링 및 정규화
본 출원은 2016년 10월 14일에 출원되고 미국 출원 번호 제62/408,232호가 지정된 가특허 출원을 우선권으로 주장하며, 이로써 그의 개시내용은 인용에 의해 포함된다.
본 개시내용은 결함 검출 및 분류에 관한 것이다.
웨이퍼 검사 시스템들은 반도체 제조사가 제조 프로세스 동안 발생하는 결함들을 검출함으로써 집적 회로(IC) 칩 수율들을 증가 및 유지하도록 도와준다. 검사 시스템들의 히나의 목적은 제조 프로세스가 사양들을 충족시키는지를 모니터링하는 것이다. 검사 시스템은 제조 프로세스가 설정된 기준들의 범위 외부에 있는 경우 문제 및/또는 문제의 원인을 표시하며, 반도체 제조자는 그 후 이를 해결할 수 있다.
반도체 제조 산업의 진화는 수율 관리, 특히 계측 및 검사 시스템들에 대한 요구가 계속 커지고 있다. 임계 치수들은 줄어드는 반면, 웨이퍼 크기는 증가하고 있다. 경제성은, 고-수율의 높은 가치의 생산을 달성하기 위해 시간을 감소시키도록 산업을 몰아가고 있다. 따라서 수율 문제를 검출하는 것에서부터 이를 고치는데 까지의 총 시간을 최소화하는 것은 반도체 제조사에 대한 투자 수익(return-on-investment; ROI)을 결정한다.
수율 관리에 더 중점을 두지만, 반도체 웨이퍼들 상의 결함 검출은 복잡하고 시간 소모적일 수 있다. 반도체 제조사들은 결함들을 보다 빠르고 보다 신뢰성있는 방식으로 검출하는 개선된 기술들이 필요하다.
검토 샘플링은 웨이퍼로부터 결함들을 샘플링하고 이들을 검토 시스템으로 전송하는 것을 포함할 수 있다. 샘플링된 결함들이 분류되면, 모든 결함들에 대한 결함 유형들의 분포를 추정하기 위해 정규화가 사용될 수 있다. 정규화는 주어진 데이터 세트 내의 모든 검사 데이터에서, 이 데이터의 서브세트만이 클래스 코드들을 할당받을 때 결함 유형 표현을 판단하는 기술이다. 정규화는 특히 결함 카운트들이 합리적으로 클 때, 모든 검사된 데이터에 대한 상이한 결함 유형들의 영향을 이해하는 데 도움이 될 수 있다. 이는, 결함 분류가 샘플 세트로 제한되게 할 수 있다. 정규화는 결함 유형 파레토(Pareto), 결함 소스 분석 또는 통계 프로세스 제어(SPC) 모니터링과 같은 결함 분석들에 사용된다.
통상의 검토 샘플링은 랜덤 선택에 기초하여 결함들을 샘플링한다. 그러나 소정의 고감도 검사들은 노이즈를 승계하고, 결과적으로 다수의 검사된 결함들이 성가신 것으로 간주된다. 따라서 노이즈가 많은 결함 분포에 대한 랜덤 샘플링은 검토 동안 높은 SNV(SEM non-visual)를 생성하거나 어떠한 결함 발견 결과들도 생성하지 않을 것이다.
통상의 기술들은 총 결함 카운트에 대해 비례하거나 비례하지 않은 샘플 크기에 기초하여 정규화를 허용한다. 이러한 기술들은 각각의 클래스 내의 결함들의 수 대 분류된 결함들의 총 수의 비를 사용함으로써 결함 클래스에 대한 분류되지 않은 결함들의 분포를 추정하는 산술 공식을 사용한다. 결과들은 개별의 분류되지 않은 결함들에 클래스 코드(class code)를 할당하는 대신 숫자 값들을 보여준다. 이러한 이전의 기술들의 결과들은 종종, 부정확하고 결함 클래스들의 실제 분포를 나타내지 않는다. 정규화된 결함 유형 파레토의 예에서, 결함 클래스의 부정확한 랭킹(ranking)은 잘못된 조치들로 이어질 수 있다. 또한, 개별 결함들이 정규화될 수 없기 때문에 정규화 결과들이 결함-레벨 수율 예측에 사용될 수 없다. 정규화는 검토 및 분류된 결함들의 비율 퍼센티지를 사용하여 전체 개체군의 실제 분포를 추정하는 산술 계산을 포함하기 때문에, 개별 결함들이 정규화될 수 없다.
따라서, 개선된 결함 검토 샘플링 및 정규화가 필요하다.
제 1 실시예에서, 시스템이 제공된다. 시스템은 결함 검토 시스템 및 제어기를 포함한다. 결함 검토 시스템은 웨이퍼를 홀딩하도록 구성된 스테이지 및 웨이퍼의 이미지를 생성하도록 구성된 이미지 생성 시스템을 포함한다. 제어기는 결함 검토 시스템과 전자 통신하고, 결함 속성들 및 설계 속성들에 기초하여 결정 트리(decision tree)를 사용하여 복수의 빈(bin)들로 복수의 결함들을 비닝하고; 빈들 각각 내의 결함들 중 적어도 일부에 하나 이상의 클래스 코드들 중 하나를 할당하고; 그리고 빈들 각각에 대해 정규화된 재분류(normalized reclassification)를 수행하도록 구성되고, 빈들 내의 분류되지 않은 결함들에는 하나 이상의 클래스 코드들 중 하나가 각각 할당된다. 클래스 코드들 각각은 상이한 결함 유형을 나타낸다.
제어기는, 프로세서, 프로세서와 전자 통신하는 전자 데이터 저장 유닛, 및 프로세서 및 전자 데이터 저장 유닛과 전자 통신하는 통신 포트를 포함할 수 있다.
결함 검토 시스템은 광대역 플라즈마 툴일 수 있다.
이미지 생성 시스템은 웨이퍼의 이미지를 생성하기 위해 전자 빔, 광대역 플라즈마, 또는 레이저 중 적어도 하나를 사용하도록 구성될 수 있다.
빈들 중 하나는 정규화된 재분류 후에 클래스 코드들 중 2개를 포함할 수 있다. 이 경우에, 제어기는 또한, 정규화된 재분류 후에 빈들 중 하나가 클래스 코드들 중 2개를 포함한다고 결정하고; 2차(secondary) 결함 속성들 및 2차 설계 속성들에 기초하여 2차 결정 트리를 사용하여 복수의 2차 빈들로 클래스 코드들 중 2개를 갖는 빈 내의 결함들을 비닝하고; 2차 빈들 각각 내의 결함들 중 적어도 일부에 하나 이상의 2차 클래스 코드들 중 하나를 할당하고; 그리고 2차 빈들 각각에 대해 정규화된 재분류를 수행 2차 빈들 내의 분류되지 않은 결함들에는 하나 이상의 2차 클래스 코드들 중 하나가 각각 할당되도록 구성된다. 2차 클래스 코드들 각각은 상이한 결함 유형을 나타낸다.
결함 속성들은 패치 이미지 프로세싱 알고리즘들, 검사기 광학 속성들, 검사기 레시피 속성들, 웨이퍼 레벨 시그니처 속성들, 존(zonal) 속성들, 케어 영역(care area) 정보, 계측 속성들, 프로세스 조건들, 프로세스 장비 및 사용자-정의 속성들로부터 추출된 속성들 중 하나 이상을 포함할 수 있다. 설계 속성들은 설계-기반 클래스, 설계-기반 그룹화, 패턴 그룹화, 핫스팟 그룹화, 설계 임계성 인덱스, 패턴 복잡도 인덱스 및 관심 구역 중 하나 이상을 포함할 수 있다.
제 2 실시예에서, 방법이 제공된다. 방법은, 제어기를 사용하여, 반도체 웨이퍼로부터의 복수의 결함들을, 결함 속성들 및 설계 속성들에 기초하여 결정 트리를 사용하여 복수의 빈들로 비닝하는 단계를 포함한다. 제어기를 사용하여, 하나 이상의 클래스 코드들 중 하나가 빈들 각각 내의 결함들 중 적어도 일부에 할당된다. 클래스 코드들 각각은 상이한 결함 유형을 나타낸다. 제어기를 사용하여, 빈들 각각 상에서 정규화된 재분류가 수행되며, 빈들 내의 분류되지 않은 결함들에는 하나 이상의 클래스 코드들 중 하나가 각각 할당된다.
결함 속성들은 패치 이미지 프로세싱 알고리즘들, 검사기 광학 속성들, 검사기 레시피 속성들, 웨이퍼 레벨 시그니처 속성들, 존 속성들, 케어 영역 정보, 계측 속성들, 프로세스 조건들, 프로세스 장비 및 사용자-정의 속성들로부터 추출된 속성들 중 하나 이상을 포함할 수 있다. 설계 속성들은 설계-기반 클래스, 설계-기반 그룹화, 패턴 그룹화, 핫스팟 그룹화, 설계 임계성 인덱스, 패턴 복잡도 인덱스 및 관심 구역 중 하나 이상을 포함할 수 있다.
빈 당 결함들의 수는 비닝하는 단계 이후 비례적으로 분포될 수 있다.
빈들 중 하나는 정규화된 재분류 후에 클래스 코드들 중 2개를 포함한다. 이 경우에, 제어기를 사용하여, 정규화된 재분류 후에 빈들 중 하나가 클래스 코드들 중 2개를 포함한다는 것이 결정된다. 제어기를 사용하여, 2차 결함 속성들 및 2차 설계 속성들에 기초하여 2차 결정 트리를 사용하여 복수의 2차 빈들로 클래스 코드들 중 2개를 갖는 빈 내의 결함들이 비닝된다. 제어기를 사용하여, 2차 빈들 각각 내의 결함들 중 적어도 일부에 하나 이상의 2차 클래스 코드들 중 하나가 할당되고 2차 클래스 코드들 각각은 상이한 결함 유형을 나타낸다. 제어기를 사용하여, 2차 빈들 각각 상에서 정규화된 재분류가 수행되며, 2차 빈들 내의 분류되지 않은 결함들에는 하나 이상의 2차 클래스 코드들 중 하나가 각각 할당된다.
방법은, 결함들에 대해 웨이퍼를 검사하고 비닝을 위해 웨이퍼 상의 복수의 결함들을 제어기에 전달하는 단계를 더 포함할 수 있다.
제 3 실시예에서, 비-일시적인 컴퓨터-판독 가능 저장 매체가 제공된다. 비-일시적인 컴퓨터-판독 가능 저장 매체는 하나 이상의 컴퓨팅 디바이스들 상에서 다음의 단계들을 실행하기 위한 하나 이상의 프로그램들을 포함하며, 이 단계들은, 반도체 웨이퍼로부터의 복수의 결함들을, 결함 속성들 및 설계 속성들에 기초하여 결정 트리를 사용하여 복수의 빈들로 비닝하는 단계; 빈들 각각 내의 결함들 중 적어도 일부에 하나 이상의 클래스 코드들 중 하나를 할당하는 단계; 및 빈들 각각에 대해 정규화된 재분류를 수행하는 단계이고, 빈들 내의 분류되지 않은 결함들에는 하나 이상의 클래스 코드들 중 하나가 각각 할당된다. 클래스 코드들 각각은 상이한 결함 유형을 나타낸다.
빈 당 결함들의 수는 비닝하는 단계 이후 비례적으로 분포될 수 있다.
결함 속성들은 패치 이미지 프로세싱 알고리즘들, 검사기 광학 속성들, 검사기 레시피 속성들, 웨이퍼 레벨 시그니처 속성들, 존 속성들, 케어 영역 정보, 계측 속성들, 프로세스 조건들, 프로세스 장비 및 사용자-정의 속성들로부터 추출된 속성들 중 하나 이상을 포함할 수 있다. 설계 속성들은 설계-기반 클래스, 설계-기반 그룹화, 패턴 그룹화, 핫스팟 그룹화, 설계 임계성 인덱스, 패턴 복잡도 인덱스 및 관심 구역 중 하나 이상을 포함할 수 있다.
빈들 중 하나는 정규화된 재분류 후에 클래스 코드들 중 2개를 포함할 수 있다. 이 경우에서, 비-일시적인 컴퓨터-판독 가능 저장 매체는 하나 이상의 컴퓨팅 디바이스들 상에서 다음의 단계들을 실행하기 위한 하나 이상의 프로그램들을 포함하며, 이 단계들은, 정규화된 재분류 후에 빈들 중 하나가 클래스 코드들 중 2개를 포함한다고 결정하는 단계; 2차 결함 속성들 및 2차 설계 속성들에 기초하여 2차 결정 트리를 사용하여 복수의 2차 빈들로 클래스 코드들 중 2개를 갖는 빈 내의 결함들을 비닝하는 단계; 2차 빈들 각각 내의 결함들 중 적어도 일부에 하나 이상의 2차 클래스 코드들 중 하나를 할당하는 단계; 및 2차 빈들 각각에 대해 정규화된 재분류를 수행하는 단계이고, 2차 빈들 내의 분류되지 않은 결함들에는 하나 이상의 2차 클래스 코드들 중 하나가 각각 할당된다. 2차 클래스 코드들 각각은 상이한 결함 유형을 나타낸다.
본 개시내용의 성질 및 목적들을 보다 완전히 이해하기 위해, 첨부 도면들과 관련하여 취해진 다음의 상세한 설명에 대한 참조가 이루어져야 한다.
도 1은 본 개시내용에 따른 방법의 실시예의 흐름도이다.
도 2는 본 개시내용에 따른 예시적인 결정 트리를 예시하는 도면이다.
도 3은 본 개시내용에 따라 도 2의 결정 트리에 기초하여 분류 및 정규화된 재분류를 예시하는 도면이다.
도 4는 본 개시내용에 따른 예시적인 2차 결정 트리를 예시하는 도면이다.
도 5는 본 개시내용에 따라 도 4의 2차 결정 트리에 기초하여 분류 및 정규화된 재분류를 예시하는 도면이다.
도 6은 본 개시내용에 따른 시스템의 실시예의 블록도이다.
도 7은 본 개시내용에 따른 기계 학습 엔진의 실시예의 블록도이다.
도 8은 웨이퍼 상의 결함들을 비닝하는 예시적인 결정 트리를 예시하는 도면이다.
청구된 청구 대상이 소정의 실시예들의 관점에서 설명될 것이지만, 본원에서 기술된 이점들 및 특징들 모두를 제공하진 않는 실시예들을 포함하는 다른 실시예들이 또한 본 개시내용의 범위 내에 있다. 다양한 구조적, 논리적, 프로세스 단계 및 전자적 변화들이 본 개시내용의 범위를 벗어나지 않고 이루어질 수 있다. 따라서, 본 개시내용의 범위는 오직 첨부된 청구항들을 참조하여 정의된다.
본원에서 개시된 실시예들은 정확한 파레토 랭킹 및 결함 소스 분석을 위해 결함 및 설계 속성들에 기초하여 결함 검토 샘플링 및 정규화를 가능하게 한다. 결함 검토 샘플링 및 정규화는 결정 트리를 사용하여 결함 및 설계 속성들에 기초할 수 있다. 본원에서 개시된 시스템들 및 방법들을 이용한 결함 검토는 통상의 정규화 기술들보다 더 정확할 수 있다. 예를 들어, 정규화된 재분류가 통상의 정규화 기술들보다, 분류되지 않은 결함들에 클래스 코드들을 더 정확하게 할당할 수 있기 때문에, 보다 정확한 파레토 분석이 생성될 수 있다. 증가된 비닝 정확도(binning accuracy)로 인해, 사용자는 실수로 잘못된 유형의 결함들에 대한 조치를 취하지 않고 가장 중요한 결함들을 해결하는 데 초점을 맞출 수 있다. 또한, 사용자는 보다 정확한 파레토 분석으로 인해 결함 소스들을 해결하기 위한 조치를 취할 수 있다.
본원에 개시된 실시예들은 검토 및 분류된 결함들에 기초하여 웨이퍼들 상의 결함-클래스 분포의 보다 정확한 표현을 허용한다. 보다 정확한 결함-유형 파레토 분석은 가장 크게 영향을 줄 가능성이 높은 식별된 결함들에 대해 사용자가 조치를 취할 수 있도록 도와준다. 결함 소스 분석(DSA) 및 유형-소스 파레토 분석은 결함 검토 샘플링 및 정규화의 결과들을 사용하여 수행될 수 있다. 또한, 보다 정확한 결함-분류 분포를 갖는 수율 예측은 수율 제한 요인들을 예측하는 데 있어 보다 정확할 것이다.
도 1은 방법(100)의 실시예의 흐름도이다. 결함들을 위해 웨이퍼가 검사되거나 웨이퍼 상의 결함들이 획득된다. 예를 들어, 웨이퍼 상의 복수의 결함들이 이를테면, 분류를 위해 제어기에 통신될 수 있다. 다른 예에서, 복수의 결함들이 디지털 방식으로 표현되고 (하드 드라이브와 같은) 전자 저장 디바이스에 저장된다. 복수의 결함들이 하나 이상의 웨이퍼들로부터 그리고 하나 이상의 설계로부터 유래될 수 있다. 복수의 결함들이 전자 네트워크를 통해, 분류를 위해 프로세서에 의해 리트리브(retrieve)될 수 있다. 먼저, 결함들은 결정 트리(101)를 사용하여 비닝된다. 결정 트리는 결함 및 설계 속성들에 기초하여 구성된 계층 구조일 수 있다. 일 예에서, 비닝은 웨이퍼 상에서 검출된 결함들을, 웨이퍼 상에 형성되는 디바이스 내의 상이한 관심 구역들에 위치되는 결함들의 그룹으로 효과적으로 분리한다. 따라서 관심 구역들에 위치된 결함들은 잠재적인 관심 결함(defect of interest; DOI)들이다.
둘째, 결함들은 이를테면, 검토 샘플링 규칙들을 적용함으로써 검토 및 분류된다(102). 이는 추가로 검토되어야 하는 결함들을 식별하는 데 사용될 수 있다. 이 단계는 또한 결함들을 분류함으로써 잠재적인 DOI들이 실제로 DOI들인지를 결정하는 것을 포함할 수 있다. 결함 검토 및 분류(102)는 수동, 자동 또는 이들의 조합일 수 있다. 이 단계의 결과들은 관심 구역들 중 어느 것이 패턴-의존 결함들을 나타내는지를 식별하는 데 사용될 수 있다. 이러한 방식으로, 이 단계의 결과들은, 잠재적으로 보다 문제가 되는 (예를 들어, 체계적인 결함들에 보다 취약한) 디바이스 설계에서 관심 구역 또는 구역들을 식별하는 데 사용될 수 있다. 예를 들어, 결함 및 설계 속성들의 선택 및 결정 트리의 분할은 사용자의 제조 또는 다른 기술 지식에 기초할 수 있다. 다른 경우에서, 결함 및 설계 속성들의 선택 및 결정 트리의 분할은 기계 학습 엔진에 기초할 수 있다. 예를 들어, 기계 학습 엔진은 결함 및 설계 속성들을 포함한 모든 이력 결함 정보를 모델링하고 이로부터 학습하며, 이는 결함 발견의 정확도 및 속도를 증가시키는 데 도움을 줄 수 있다. 검사된 결함들은 결함 및 설계 속성 값들에 기초하여 빈들(bins)로 카테고리화된다. 빈당 결함들의 수는 비례적으로 분포될 수 있다. 예를 들어, 검사된 결함들은 특정 툴, 프로세스, 웨이퍼 또는 설계에 대한 이전 분류들에 기초하여 빈들로 카테고리화될 수 있다. 예를 들어, 빈 당 결함들의 수는 특정 툴, 프로세스, 웨이퍼 또는 설계에 대한 알려진 결과들 또는 알려진 파레토 분석에 기초하여 분포될 수 있다. 따라서, 이전 지식은 검사에 적용되는 벤치마크일 수 있다.
적어도 일부 샘플 결함들이 하나 이상의 검토 툴들에 의해 검토 및 분류되면, 빈 내의 각각의 분류되지 않은 결함에 클래스 코드를 할당할 수 있는 정규화된 재분류(103)가 수행된다. 검토 샘플링 빈이 단지 하나의 클래스만을 갖는 경우, 분류되지 않은 결함들의 나머지는 그 클래스가 되도록 재-분류될 것이다.
검토 샘플링 빈이 다수의 클래스들을 갖는 경우, 분류되지 않은 결함들의 나머지는 클래스에 랜덤으로 할당될 수 있다. 예를 들어, 단일 검토 샘플 빈에서 다수의 클래스 코드들로의 분류되지 않은 결함들의 할당은 분류된 결함들의 비율에 기초할 수 있다. 예를 들어, 검토 샘플 빈에서 700개의 결함들 중 200개의 결함들의 결함 검토는 클래스 코드 B를 150개의 결함들에 그리고 클래스 코드 C를 50개의 결함들에 할당한다. 남은 500개의 분류되지 않은 결함들은 클래스 코드 B 또는 C에 랜덤으로 할당된다. 이 예에서 375개의 분류되지 않은 결함들에는 클래스 코드 B가 할당되고 125개의 분류되지 않은 결함들에는 클래스 코드 C가 할당된다. 이러한 방식으로, 결국, 결함들의 프랙션(fraction)이 클래스에 할당되게 하는 것이 가능하다.
정규화된 재분류 후에 검토 샘플링 빈 당 다수의 분류들이 존재하는 경우, 검토 샘플링 빈은 선택적으로 2차 결정 트리(예를 들어, 철저한 구분 트리), 결함 검토 및 분류 및 정규화된 재분류를 통해 보다 미세한 검토 샘플링 빈들로 추가로 구분될 수 있다(103). 이는 결과들을 정제할 수 있다. 2차 결정 트리는 1차 결정 트리와 동일하거나 상이할 수 있는 결함 및 설계 속성들을 사용할 수 있다. 단계들(101, 102 및 103)은 선택적 단계(104)에서 반영되는 보다 세립성 비닝을 위해 한 번 이상 반복될 수 있다.
방법(100)은 각각의 빈이 단지 하나의 결함 클래스만을 가질 때만 중단될 수 있다. 동일한 브랜치(branch)에서 동일한 특성들을 나타내는 것으로 간주되는 분류되지 않은 결함들은 결정 트리에서 빈의 결함 클래스로서 분류될 수 있다. 따라서, 2차 결정 트리 이후에 3차 샘플링 결정 트리, 4차 샘플링 결정 트리 등이 존재할 수 있다. 자식들을 갖는 빈들은 부모(parent) 빈들이고, 자식(child) 빈들은 그의 부모 빈들의 캐릭터를 공유할 수 있다. 정규화된 재분류 후에, 각각의 분류되지 않은 결함들은 정규화에 기초하여 결함 클래스를 가질 수 있다.
도 2는 결정 트리를 예시하는 도면이다. 결함들은 분류를 위해 도 2에 도시된 결정 트리에 전송된다. 각각의 결함에는 속성들(속성들 1, 2, 3, 4)에 기초하여 빈(원들 1, 2, 3, 4, N)이 지정된다. 4개의 속성들 및 5개의 빈들이 예시되지만, 결정 트리는 더 많거나 더 적은 빈들 및 속성들을 가질 수 있다. 예를 들어, 결정 트리는 10개, 15개, 20개, 25개, 50개 또는 100개의 빈들을 가질 수 있다. 결정 트리에서 빈들(또는 레벨들)의 수는 애플리케이션에 따라 변동될 수 있다. 본원에서 개시된 바와 같은 결정 트리에서 빈들(또는 레벨들)의 수에 대한 상한이 존재하지 않지만, 사용자는 결정 트리를 단순화하려고 시도할 수 있다. 예를 들어, 결정 트리의 브랜치들은 중복 빈들을 제거하기 위해 가지치기(prune)될 수 있다. 그러나 보다 복잡한 결정 트리들은 결함들의 보다 미세한 구분을 제공할 수 있다.
속성들은 결함 속성들 또는 설계 속성들일 수 있다. 결함 속성들은 패치 이미지 프로세싱 알고리즘, 검사기 광학 속성, 검사기 레시피 속성(inspector recipe attribute), 웨이퍼 레벨 시그니처 속성(wafer level signature attribute), 존 속성, 케어 영역(care area) 정보, 계측 속성, 프로세스 조건, 프로세스 장비 및 사용자-정의 속성으로부터 추출된 하나 이상의 속성들을 포함할 수 있다. 설계 속성들은 설계-기반 클래스, 설계-기반 그룹화, 패턴 그룹화, 핫스팟 그룹화, 설계 임계성 인덱스, 패턴 복잡도 인덱스 및 관심 구역 중 하나 이상을 포함할 수 있다. 다른 결함 및 설계 속성들이 가능하며 이들은 단지 예들로서 나열된다. 속성들은 기계 학습에 의해, 사용자에 의해 또는 이들의 조합에 의해 선택될 수 있다.
예를 들어, 속성(1)은 결함 소스 분석이다. 애더(adder) 결함들(예를 들어, 새롭게 부가된 결함들)은 속성(2)으로 전송되고 공통 결함(예를 들어, 다수의 검사들에 공통적인 결함들)은 빈(N)으로 이어지는 경로를 따라 전송된다. 속성(2)은 결함이 웨이퍼에 걸쳐 반복되는지 여부이다. 반복 결함들은 빈(1)으로 전송되고 비-반복 결함들은 속성(3)으로 전송된다. 속성(3)은 클러스터링(clustering)을 평가한다. 클러스터링된 결함들은 빈(2)으로 전송되고 랜덤 결함들은 속성(4)으로 전송된다. 속성(4)은 크기 분석이다. 대형 결함들은 빈(3)으로 전송되고 소형 결함들은 빈(4)으로 전송된다.
도 3은 도 2의 결정 트리에 기초하여 분류 및 정규화된 재분류를 예시하는 도면이다. 각각의 빈(1, 2, 3, 4) 내의 결함들 중 일부에는 클래스 코드(A-G)가 할당되는 반면, 나머지에는 분류되지 않는다(U). 각각의 클래스 코드는 상이한 유형의 결함을 나타낼 수 있다. 도 3에 도시된 바와 같이, 빈(1)은 단일 클래스 코드만을 가지며, 빈들(2, 3 및 4)은 2개의 클래스 코드들을 갖는다. 검사를 통해 분류된 각각의 빈 내의 결함들의 퍼센티지는 사용자 또는 애플리케이션에 의해 변동될 수 있다.
적어도 일부 결함들에 클래스 코드가 할당된 후에, 각각의 빈 내의 분류되지 않은 결함에 대해 정규화된 재분류가 수행된다. 빈 내의 분류되지 않은 결함들 각각에는 클래스 코드들 중 하나가 할당된다. 도 3에서, 빈(1) 내의 분류되지 않은 결함의 100%에는 클래스 코드(A)가 할당된다. 다른 빈들은 2개 이상의 클래스 코드를 가지며, 분류되지 않은 결함들은 정규화된 재분류를 사용하여 2개의 클래스 코드들 사이에서 분할된다. 따라서, 빈(2)에서 분류되지 않은 결함들의 y2%에는 클래스 코드(B)가 할당되고 분류되지 않은 결함들의 z2%에는 클래스 코드(C)가 할당되고, 빈(3)에서 분류되지 않은 결함들의 y3%>에는 클래스 코드(D)가 할당되고 분류되지 않은 결함들의 z3%에는 클래스 코드(E)가 할당되고, 빈(4)에서 분류되지 않은 결함들의 y4%에는 클래스 코드(F)가 할당되고 분류되지 않은 결함들의 z4%에는 클래스 코드(G)가 할당된다. 이 예들에서, 빈에 대한 yn% 및 zn%는 각각 0% 초과 내지 100% 미만일 수 있으며, 여기서 yn% 및 zn%의 합은 100%와 동일하다. 상이한 클래스 코드들 사이의 분류되지 않은 결함들의 분할은 빈 내의 각각의 클래스 코드의 분류된 결함들의 퍼센티지에 비례할 수 있으며, 분류되지 않은 결함들에는 클래스 코드가 랜덤으로 할당된다. 결정 트리의 부가적인 레벨들이 사용되어 빈을 추가로 정제할 수 있다.
다른 예에서, 빈은 3개 이상의 클래스 코드들(예를 들어, 3개 또는 4개의 클래스 코드들)을 갖는다. 이 경우에, 분류되지 않은 결함들에는 정규화된 재분류에 기초하여 빈들에서 클래스 코드들 중 하나가 할당된다. 각각의 클래스 코드에 할당된 분류되지 않은 결함들의 퍼센티지는 0%초과 내지 100% 미만의 범위일 수 있지만, 각각의 구성 성분 퍼센티지의 합은 100%이다. 상이한 클래스 코드들 사이의 분류되지 않은 결함들의 분할은 빈 내의 각각의 클래스 코드의 분류된 결함들의 퍼센티지에 비례할 수 있으며, 분류되지 않은 결함들에는 클래스 코드가 랜덤으로 할당된다. 결정 트리의 부가적인 레벨들이 사용되어 빈을 추가로 정제할 수 있다.
도 4는 2차 결정 트리를 예시하는 도면이다. 도 3에서 도시된 바와 같이, 빈(2)은 정규화된 재분류 후에 클래스 코드들(B 및 C)을 갖는다. 시스템은, 정규화된 재분류 후에 빈들 중 하나가 2개의 클래스 코드들을 갖는다고 결정할 수 있다. 각각의 빈이 단지 하나의 분류 코드만을 갖도록 하기 위해, 빈(2) 내의 결함들에는 도 4의 2차 결정 트리의 속성들(속성 5-8)에 기초하여 빈들(원들 1', 2', 3', 4', N')이 할당된다. 4개의 속성들 및 5개의 빈들이 예시되지만, 2차 결정 트리는 더 많거나 더 적은 빈들 및 속성들을 가질 수 있다. 정규화된 재분류 후에 3개 이상의 클래스 코드들을 포함하는 도 3의 빈들 각각은 자체의 2차 결정 트리(예를 들어, 3차 결정 트리)를 가질 수 있다.
도 5는 2차 도 4의 결정 트리에 기초하여 분류 및 정규화된 재분류를 예시하는 도면이다. 빈 내의 분류되지 않은 결함들 각각에는 클래스 코드들 중 하나가 할당된다. 도 5에서, 빈(1') 내의 분류되지 않은 결함의 100%에는 클래스 코드(A')가 할당되고, 빈(2') 내의 분류되지 않은 결함의 100%에는 클래스 코드(B')가 할당되고, 빈(3) 내의 분류되지 않은 결함의 100%에는 클래스 코드(C)가 할당된다.
도 5의 2차 결정 트리에서, 빈(4')은 2개 이상의 클래스 코드를 포함하며, 분류되지 않은 결함들은 정규화된 재분류를 사용하여 2개의 클래스 코드들 사이에서 분할된다. 따라서, 빈(4')에서 분류되지 않은 결함들의 y4%에는 클래스 코드(D')가 할당되고 분류되지 않은 결함들의 z4%에는 클래스 코드(E')가 할당된다. 이 예에서, 빈에 대한 yn% 및 zn%는 각각 0%초과 내지 100% 미만일 수 있으며, 여기서 yn% 및 zn%의 합은 100%와 동일하다. 상이한 클래스 코드들 사이의 분류되지 않은 결함들의 분할은 빈 내의 각각의 클래스 코드의 분류된 결함들의 퍼센티지에 비례할 수 있으며, 분류되지 않은 결함들에는 클래스 코드가 랜덤으로 할당된다. 결정 트리의 부가적인 레벨들이 사용되어 빈을 추가로 정제할 수 있다.
정규화된 재분류 후에, 빈(4')은 2개의 클래스 코드들을 포함한다. 각각의 빈이 단지 하나의 분류 코드만을 갖도록 하기 위해, 3차 결정 트리가 빈(4') 내의 결함들에 대해 사용될 수 있다. 3차 결정 트리는 도 4 내지 도 5의 2차 결정 트리와 유사하게 동작할 수 있다.
하나의 가능한 결과는, 정규화된 재분류 후에 모든 결함들에는 하나의 클래스 코드가 할당되고 어떠한 빈도 2개 이상의 클래스 코드를 갖지 않는다는 것이다. 결정 트리들의 속성들은 필요에 따라 조정될 수 있다.
대안적으로, 정규화된 재분류 후에 하나 이상의 빈들은 다수의 클래스 코드들을 포함할 수 있다. 시스템은 빈 내의 결함들을 추가로 정제하기 위해 다른 레벨을 결정 트리에 자동으로 부가할 수 있다. 시스템 또는 사용자는 또한, 빈 내의 결함들의 순도(purity)가 충분하고 특정 빈 내의 결함들의 추가의 구분이 필요 없다고 결정할 수 있다.
각각의 결함 클래스에 대한 각각의 샘플 빈에 기초하여 비-비례 정규화를 허용하기 위해 검토 샘플 빈들이 생성될 수 있다.
정규화된 재분류 이후의 임의의 결과들은 결함 정보를 모델링하고 이로부터 학습할 수 있는 기계 학습 엔진에 제공될 수 있다. 이는 결함 발견의 정확도 및 속도를 증가시키는 데 도움을 줄 수 있다. 예를 들어, 기계 학습 엔진은 결함 및 설계 속성들과 SNV 분류들 사이의 링크를 보여주는 데 사용될 수 있다.
기계 학습 엔진은 이력 데이터를 사용하여 예측 모델 또는 결정 트리를 구축할 수 있다. 기계 학습 엔진은 먼저 데이터 마이닝 기술(data mining technique)에 기초하여 모델을 구축할 수 있다. 출력은 기술들에 의존하여 예측 모델 또는 결정 트리이다. 또한, 모델은 결함 정보와 관련하여 속성들의 중요성을 보여줄 수 있다. 하나의 경우에서, 모델 또는 결정 트리는 새로운 검사가 도달할 때 각각의 결함을 검토 샘플 빈에 할당할 수 있다. 기계 학습 엔진은 또한 새로운 데이터에 기초하여 학습하고 시간에 지남에 따라 이를 개선할 수 있다. 새로운 검사가 분류될 때마다, 데이터를 이력 데이터 세트에 다시 저장될 수 있고 모델이 재트레이닝될 수 있다.
도 7은 기계 학습 엔진의 실시예의 블록도이다. 이력 데이터는 모델 구축 및 예측 모델/결정 트리 컴포넌트들 둘 모두를 포함하는 기계 학습 엔진에 제공된다. 새로운 검사들이 예측 모델/결정 트리 컴포넌트에 제공된다. 각각의 결함은 기계 학습 엔진을 사용하여 검토 샘플 빈에 할당된다.
새로운 인입 DOI가 있을 때, 모델은 DOI들의 랭크(rank) 및 우선순위를 정할 수 있다. 소정의 DOI들이 통계적 또는 수학적 의미에서 상당한 차이들을 보이는 특징들을 갖는 경우, DOI들은 예를 들어, 전자 빔 검토 툴에서 검토되도록 샘플링될 수 있다.
기계 학습은 또한 수율 예측이나 킬러 결함(killer defect) 식별을 위한 설계 속성들을 포함해서, BBP 속성들에 기초하여 결함을 재분류하는 데 사용될 수 있다. 예를 들어, 결정 트리는 킬러 결함들을 식별하도록 구성될 수 있거나, 또는 사용자 또는 기계 학습 엔진이 킬러 결함들을 포함하는 빈들을 식별할 수 있다. 킬러 결함은 반도체 디바이스의 오작동 또는 고장을 야기할 수 있는 반면, 비-킬러 결함들은 반도체 디바이스의 성능에 실질적으로 영향을 주지 않는다. 예를 들어, 킬러 결함들은 a) 서브-마이크론 크기이고, b) 단일 마스크 레벨의 짧은 엘리먼트들(이를테면, 금속 또는 게이트-스택 러너(gate-stack runner))이거나, 또는 이들 동일 레벨들에서 개구들을 함께 생성하고, 그리고 c) 검사 SEM과 같은 인-라인 검사 툴들을 사용하여 검출될 수 있다.
또한, 결함에 기초하여 설계 변동성과 프로세스 변동성 사이의 링크를 보여주기 위해 딥 분석(deep analytics)이 사용될 수 있다. 결함 검사를 위해 잠재적인 핫스팟을 식별하기 위해 FDC(Fault Detection and Classification) 데이터가 사용될 수 있다.
도 8은 웨이퍼 상의 결함들을 비닝(binning)하는 예시적인 결정 트리를 예시하는 도면이다. 결함들은 DSA인 속성(1)에서 검토된다. 이 예에서의 결함들의 수는 예시적이며 이해를 용이하게 하기 위해 사용된다. 일부 결함들(이 예에서, 999개)이 공통적인 것으로서 나열되며, 이는 비닝되거나 추가로 구분될 수 있다. 애더 결함들은 결함들이 반복되는지 여부인 속성 2에서 구분된다. 51개의 결함들이 반복되고 나머지는 그렇지 않다. 속성 3은 시그니처들이다. 다수의 결함들은 클래스 코드가 각각 할당되는 시그니처 클래스(13, 15, 98, n)를 갖는다. 속성 4는 결함이 서브-다이 구역과 관련되는지 여부이다. 70개의 결함들은 비-임계적이고 나머지는 임계적이다. 임계 결함들은 결함 크기 분석인 속성 5에서 평가된다. 46개의 결함들이 2㎛를 초과하고 35개의 결함들은 2㎛ 이하이다. 다수의 클래스 코드들(예를 들어, 시그니처 클래스)을 갖는 빈들 중 임의의 빈은 부가적인 레벨의 결정 트리를 통해 추가로 구분될 수 있다.
도 6은 본 개시내용에 따른 시스템의 블록도이다. 제어기(205)는 결함 검토 시스템(200) 및/또는 서버(209)와 전자 통신한다.
결함 검토 시스템(200)은 웨이퍼(203) 또는 다른 공작물을 홀딩하도록 구성된 스테이지(204)를 포함한다. 스테이지(204)는 1개, 2개 또는 3개의 축들로 이동 또는 회전하도록 구성될 수 있다. 결함 검토 시스템(200)은 또한, 웨이퍼(203)의 표면의 이미지를 생성하도록 구성된 이미지 생성 시스템(201)을 포함한다. 이미지는 웨이퍼(203)의 특정 층 또는 구역에 대한 것일 수 있다. 이 예에서, 이미지 생성 시스템(201)은 광대역 플라즈마(BBP)(202)를 생성하여 웨이퍼(203)의 이미지를 생성한다. 전자 빔 또는 레이저 스캐닝을 사용하는 것과 같은 다른 이미지 생성 시스템(201)이 가능하다. 예를 들어, 암 필드 이미징 또는 명 필드 이미징이 이미지 생성 시스템(201)에 의해 수행될 수 있다. 결함 검토 시스템(200) 및/또는 이미지 생성 시스템(201)은 웨이퍼(203)의 이미지를 생성할 수 있다.
광대역 플라즈마 광원들이 다양한 애플리케이션들에 대해 사용될 수 있다. 가스 혼합물로 인클로저 내부에서 플라즈마가 생성된다. 플라즈마 방전의 결과로서 생성된 방사선은 인클로저 외부에 위치된 웨이퍼(203)에 광학적으로 결합된다. 인클로저는 방전 램프의 부분일 수 있다.
본원에서 사용된 바와 같이, "웨이퍼"란 용어는 일반적으로 반도체 또는 비-반도체 재료로 형성된 기판들을 지칭한다. 그러한 반도체 또는 비-반도체 재료의 예들은 단결정 실리콘, 갈륨 질화물, 갈륨 비화물, 인듐 인화물, 사파이어 및 유리를 포함(그러나 이에 제한되지 않음)한다. 이러한 기판들은 반도체 제조 설비들에서 흔히 발견되고 그리고/또는 프로세싱될 수 있다.
웨이퍼는 기판 상에 형성된 하나 이상의 층들을 포함할 수 있다. 예를 들어, 이러한 층들은 포토레지스트, 유전체 재료, 도전성 재료 및 반도체 재료를 포함(그러나 이에 제한되지 않음)할 수 있다. 다수의 상이한 유형들의 이러한 층들은 당 업계에 알려져 있고, 본원에서 사용된 바와 같은 웨이퍼라는 용어는 이러한 층들의 모든 유형들을 포함하는 웨이퍼를 포괄하는 것으로 의도된다.
웨이퍼 상에 형성된 하나 이상의 층들은 패터닝되거나 패터닝되지 않을 수 있다. 예를 들어, 웨이퍼는 각각이 반복 가능한 패터닝된 피처들 또는 주기적인 구조들을 갖는 복수의 다이들을 포함할 수 있다. 재료의 이러한 층들의 형성 및 프로세싱은 궁극적으로 디바이스들을 완성시킬 수 있다. 다수의 상이한 유형들의 디바이스들이 웨이퍼 상에 형성될 수 있으며, 본원에서 사용되는 바와 같은 웨이퍼라는 용어는 당 업계에 알려진 임의의 유형의 디바이스들이 제조되는 웨이퍼를 포함하는 것으로 의도된다.
다른 유형들의 웨이퍼들이 또한 사용될 수 있다. 예를 들어, 웨이퍼는 LED들, 태양 전지들, 자기 디스크들, 평면 패널들 또는 연마된 플레이트들을 제조하는 데 사용될 수 있다. 다른 객체들 상의 결함들이 또한 본원에서 개시된 기술들 및 시스템들을 사용하여 분류될 수 있다.
특정 예에서, 결함 검토 시스템(200)은 BBP 툴의 부분이거나 BBP 툴이다. 웨이퍼(203)의 이미지들은 BBP(202)로 웨이퍼(203)를 스캐닝함으로써 생성된다.
서버(209)는 반도체 웨이퍼들 또는 다른 공작물들에 대한 설계 이미지들을 저장하도록 구성될 수 있다. 또한, 서버(209)는 기계 학습 엔진이거나, 이를 포함하거나 이에 연결될 수 있다.
결함 검토 시스템(200) 및 서버(209)는 제어기(205)와 통신할 수 있다. 예를 들어, 제어기(205)는 이미지 생성 시스템(201) 또는 결함 검토 시스템(200)의 다른 컴포넌트들과 통신할 수 있다. 제어기(205)는, 프로세서(206), 프로세서(206)와 전자 통신하는 전자 데이터 저장 유닛(207), 및 프로세서(206) 및 전자 데이터 저장 유닛(207)과 전자 통신하는 통신 포트(208)를 포함할 수 있다. 제어기(205)는 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 실제로 구현될 수 있다는 것이 인지될 것이다. 또한, 본원에서 설명된 바와 같은 그의 기능들은 하나의 유닛에 의해 수행되거나, 상이한 컴포넌트들 사이에서 분할될 수 있으며, 이 컴포넌트들 각각은 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 차례로 구현될 수 있다. 본원에서 설명된 다양한 방법들 및 기능들을 구현하기 위해 제어기(205)에 대한 프로그램 코드 또는 명령들은 전자 데이터 저장 유닛(207)의 메모리, 제어기(205) 내의 메모리, 제어기(205) 외부의 메모리, 또는 이들의 조합들과 같은 제어기 판독 가능 저장 매체에 저장될 수 있다.
제어기(205)는 (예를 들어, "유선" 및/또는 "무선" 송신 매체를 포함할 수 있는 하나 이상의 송신 매체를 통해) 임의의 적절한 방식으로 서버(209) 또는 결함 검토 시스템(200)의 컴포넌트들에 결합될 수 있어서, 제어기(205)는 결함 검토 시스템(200)에 의해 생성된 출력, 이를테면, 이미징 디바이스(201)로부터의 출력 또는 서버(209)에 의해 생성된 출력을 수신할 수 있게 된다. 제어기(205)는 출력을 사용하여 다수의 기능들을 수행하도록 구성될 수 있다. 예를 들어, 제어기(205)는 출력을 사용하여 웨이퍼(203) 상의 결함들의 정규화된 재분류를 검토 및 수행하도록 구성될 수 있다. 다른 예에서, 제어기(205)는 출력 상에서 결함 검토 또는 정규화된 재분류를 수행하지 않고 출력을 전자 데이터 저장 유닛(207) 또는 다른 저장 매체에 전송하도록 구성될 수 있다. 제어기(205)는 추가로, 이를테면, 도 1, 도 2 내지 도 5 또는 도 8의 실시예들을 수행하도록 본원에서 설명된 바와 같이 구성될 수 있다. 제어기(205)는 또한 샘플링, 이미징, 검사 또는 계측 목적들을 위해 검토, 검사 또는 계측 툴에 명령을 전송하도록 구성될 수 있다.
본원에서 설명된 제어기(205), 다른 시스템(들) 또는 다른 서브시스템(들)은 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 기구, 인터넷 기구 또는 다른 디바이스를 포함하는 다양한 형태들을 취할 수 있다. 일반적으로, "제어기"라는 용어는 메모리 매체로부터의 명령들을 실행하는 하나 이상의 프로세서들을 갖는 임의의 디바이스를 포괄하도록 광범위하게 정의될 수 있다. 서브시스템(들) 또는 시스템(들)은 또한 당 업계에 알려진 임의의 적합한 프로세서, 이를테면, 병렬 프로세서를 포함할 수 있다. 또한, 서브시스템(들) 또는 시스템(들)은 자립형 또는 네트워킹된 툴로서 고속 프로세싱 및 소프트웨어를 가진 플랫폼을 포함할 수 있다.
시스템이 둘 이상의 서브시스템을 포함하는 경우, 상이한 서브시스템들은 서로 결합되어서, 이미지들, 데이터, 정보, 명령들 등이 서브시스템들 사이에서 전송될 수 있다. 예를 들어, 하나의 서브시스템은 당 업계에 알려진 임의의 적합한 유선 및/또는 무선 송신 매체를 포함할 수 있는 임의의 적합한 송신 매체에 의해 부가적인 서브시스템(들)에 결합될 수 있다. 이러한 서브시스템들 중 2개 이상은 또한, 공유된 컴퓨터-판독 가능 저장 매체(도시되지 않음)에 의해 효과적으로 결합될 수 있다.
본원에서 설명된 방법들과 같은 방법들을 구현하는 프로그램 명령들은 전자 데이터 저장 유닛(207) 또는 다른 저장 매체와 같은 컴퓨터-판독 가능 매체 상에 저장될 수 있다. 컴퓨터-판독 가능 매체는 저장 매체, 이를테면, 자기 또는 광학 디스크, 자기 테이프, 또는 당 업계에 알려진 임의의 다른 적합한 비-일시적인 컴퓨터 판독 가능 매체일 수 있다.
프로그램 명령들은 다른 것들 중에서도, 프로시저-기반 기술들, 컴포넌트-기반 기술들 및/또는 객체-지향 기술들을 포함하는 다양한 방식 중 임의의 것으로 구현될 수 있다. 예를 들어, 프로그램 명령들은, ActiveX 컨트롤들, C ++ 객체들, JavaBeans, "MFC"(Microsoft Foundation Class), SSE(Streaming SIMD Extension) 또는 다른 기술들 또는 방법들을 사용하여 원하는 대로 구현될 수 있다.
제어기(205)는 본원에서 설명된 실시예들 중 임의의 것에 따라 구성될 수 있다. 예를 들어, 제어기(205)는 도 1의 단계들 중 일부 또는 전부를 수행하도록 프로그래밍될 수 있다.
부가적인 실시예는 본원에서 개시된 바와 같이 결함들을 분류하기 위한 컴퓨터-구현 방법을 수행하기 위한 제어기 상에서 실행 가능한 프로그램 명령들을 저장하는 비-일시적인 컴퓨터-판독 가능 매체에 관한 것이다. 특히, 도 6에 도시된 바와 같이, 전자 데이터 저장 유닛(207) 또는 다른 저장 매체는 제어기(205) 상에서 실행 가능한 프로그램 명령들을 포함하는 비-일시적인 컴퓨터-판독 가능 매체를 포함할 수 있다. 컴퓨터-구현 방법은 본원에서 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
예를 들어, 비-일시적인 컴퓨터-판독 가능 저장 매체는 하나 이상의 컴퓨팅 디바이스들 상에서 다음의 단계들을 실행하기 위한 하나 이상의 프로그램들을 포함한다. 복수의 결함들은 결함 속성들 및 설계 속성들에 기초하여 결정 트리를 사용하여 복수의 빈들로 비닝된다. 하나 이상의 클래스 코드들 중 하나는 빈들 각각 내의 결함들 중 적어도 일부에 할당된다. 클래스 코드들 각각은 상이한 결함 유형을 나타낸다. 정규화된 재분류는 빈들 각각 상에서 수행된다. 빈들 내의 분류되지 않은 결함들에는 하나 이상의 클래스 코드들 중 하나가 각각 할당된다.
빈들 중 하나가 정규화된 재분류 후에 클래스 코드들 중 2개를 포함하는 경우, 빈들 중 하나가 정규화된 재분류 후에 클래스 코드들 중 2개를 포함한다고 결정된다. 클래스 코드들 중 2개를 갖는 빈 내의 결함들은 2차 결함 속성들 및 2차 설계 속성들에 기초하여 2차 결정 트리를 사용하여 복수의 2차 빈들로 비닝된다. 하나 이상의 2차 클래스 코드들 중 하나는 2차 빈들 각각 내의 결함들 중 적어도 일부에 할당된다. 2차 클래스 코드들 각각은 상이한 결함 유형을 나타낸다. 정규화된 재분류는 2차 빈들 각각 상에서 수행된다. 2차 빈들 내의 분류되지 않은 결함들에는 하나 이상의 2차 클래스 코드들 중 하나가 각각 할당된다.
결함 검토 시스템의 부분으로서 개시되었지만, 본원에서 설명된 제어기(205)는 검사 시스템들과 함께 사용하도록 구성될 수 있다. 다른 실시예에서, 본원에서 설명된 제어기(205)는 계측 시스템과 함께 사용하도록 구성될 수 있다. 따라서, 본원에서 개시된 바와 같은 실시예들은 상이한 애플리케이션들에 더 또는 덜 적합한 상이한 이미징 능력들을 갖는 시스템들에 대해 다수의 방식들로 맞춤 제작될 수 있는, 분류를 위한 일부 구성들을 설명한다.
방법의 단계들 각각은 본원에서 추가로 설명된 바와 같이 수행될 수 있다. 방법들은 또한 본원에서 설명된 제어기 및/또는 컴퓨터 서브시스템(들) 또는 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 단계들은 본원에서 설명된 실시예들 중 임의의 것에 따라 구성될 수 있는 하나 이상의 컴퓨터 시스템들에 의해 수행될 수 있다. 또한, 위에서 설명된 방법들은 본원에서 설명된 시스템 실시예들 중 임의의 것에 의해 수행될 수 있다.
본 발명이 하나 또는 그 초과의 특정한 실시예들에 대해 설명되었지만, 본 발명의 다른 실시예들이 본 발명의 범위를 벗어나지 않으면서 행해질 수도 있음을 이해할 것이다. 따라서, 본 발명은, 첨부된 청구항들 및 그의 합리적인 해석에 의해서만 제한된다고 간주된다.

Claims (15)

  1. 결함 분류를 위한 시스템에 있어서,
    결함 검토 시스템(defect review system)으로서,
    웨이퍼를 홀딩하도록 구성된 스테이지; 및
    상기 웨이퍼의 이미지를 생성하도록 구성된 이미지 생성 시스템 - 상기 이미지 생성 시스템은 전자 빔 소스, 광대역 플라즈마 소스, 레이저 소스, 또는 램프(lamp) 중 적어도 하나를 포함함 -
    을 포함하는, 상기 결함 검토 시스템; 및
    상기 결함 검토 시스템과 전자 통신하는 제어기로서, 상기 제어기는 프로세서, 상기 프로세서와 전자 통신하는 전자 데이터 저장 유닛, 및 상기 프로세서 및 상기 전자 데이터 저장 유닛과 전자 통신하는 통신 포트를 포함하고, 상기 제어기는,
    복수의 결함들을 결함 속성들 및 설계 속성들에 기초하여 결정 트리(decision tree)를 사용하여 복수의 빈(bin)들로 비닝(binning)하도록;
    하나 이상의 분류 코드(class code) 중 하나를 상기 복수의 빈들 각각 내의 상기 복수의 결함들 중 적어도 일부에 할당하여 분류된 결함들을 생성하도록 - 상기 하나 이상의 분류 코드 각각은 상이한 결함 유형을 나타내고, 상기 하나 이상의 분류 코드가 적용된 후 분류되지 않은 결함들이 남아있음 - ; 그리고
    상기 분류되지 않은 결함들을 갖는 상기 복수의 빈들 각각에 정규화된 재분류(normalized reclassification)를 수행하도록 - 상기 복수의 빈들 내의 상기 분류되지 않은 결함들 각각에는, 자신의 각자의 빈의 상기 하나 이상의 분류 코드 중 하나가, 상기 분류되지 않은 결함들을 포함하는 상기 빈 내의 상기 하나의 이상의 클래스 코드가 할당된 상기 분류된 결함들의 각각의 수량(quantity)의 비율(ratio)에 따라 상기 분류되지 않은 결함들 각각에 상기 하나 이상의 분류 코드 중 하나를 무작위로(randomly) 할당함으로써 할당됨 -
    구성되는 것인, 상기 제어기
    를 포함하는, 결함 분류를 위한 시스템.
  2. 제1 항에 있어서, 상기 이미지 생성 시스템은 상기 광대역 플라즈마 소스를 포함하고, 상기 결함 검토 시스템은 광대역 플라즈마 툴인 것인, 결함 분류를 위한 시스템.
  3. 제1 항에 있어서, 상기 복수의 빈들 중 하나는 상기 정규화된 재분류 후 상기 하나 이상의 분류 코드 중 2개를 포함하고, 상기 제어기는 또한,
    상기 복수의 빈들 중 하나가 상기 정규화된 재분류 후 상기 하나 이상의 분류 코드 중 2개를 포함한다고 결정하도록;
    2차 결함 속성(secondary defect attribute)들 및 2차 설계 속성들에 기초하여 2차 결정 트리를 사용하여 상기 하나 이상의 분류 코드 중 2개를 갖는 빈 내의 복수의 결함들을 복수의 2차 빈들로 비닝하도록;
    하나 이상의 2차 분류 코드 중 하나를 상기 복수의 2차 빈들 각각 내의 상기 복수의 결함들 중 적어도 일부에 할당하여 상기 복수의 2차 빈들 내의 분류된 결함들을 생성하도록 - 상기 하나 이상의 2차 분류 코드 각각은 상이한 결함 유형을 나타내고, 상기 하나 이상의 2차 분류 코드가 적용된 후 상기 복수의 2차 빈들 중 적어도 하나 내에 상기 분류되지 않은 결함들이 남아있음 - ; 그리고
    상기 분류되지 않은 결함들을 갖는 상기 복수의 2차 빈들 각각에 정규화된 재분류를 수행하도록 - 상기 복수의 2차 빈들 내의 상기 분류되지 않은 결함들 각각에는, 자신의 각자의 2차 빈의 상기 하나 이상의 2차 분류 코드 중 하나가, 상기 분류되지 않은 결함들을 포함하는 상기 2차 빈 내의 상기 하나의 이상의 2차 클래스 코드가 할당된 상기 분류된 결함들의 각각의 수량의 비율에 따라 상기 2차 빈 내의 상기 분류되지 않은 결함들 각각에 상기 하나 이상의 2차 분류 코드 중 하나를 무작위로 할당함으로써 할당됨 -
    구성되는 것인, 결함 분류를 위한 시스템.
  4. 제1 항에 있어서, 상기 결함 속성들은, 패치 이미지 프로세싱 알고리즘(patch image processing algorithm)들, 검사기 광학 속성(inspector optical attribute)들, 검사기 레시피 속성(inspector recipe attribute)들, 웨이퍼 레벨 시그니처 속성들, 존 속성(zonal attribute)들, 케어 영역 정보(care area information), 계측 속성들, 프로세스 조건들, 프로세스 장비, 및 사용자-정의 속성(user-defined attribute)들로부터 추출된 속성들 중 하나 이상을 포함하고, 상기 설계 속성들은, 설계-기반 클래스, 설계-기반 그룹화(design-based grouping), 패턴 그룹화, 핫스팟 그룹화, 설계 임계성 인덱스(design criticality index), 패턴 복잡도 인덱스, 및 관심 구역(region of interest) 중 하나 이상을 포함하는 것인, 결함 분류를 위한 시스템.
  5. 제1 항에 있어서, 상기 제어기는, 상기 비닝 후 빈당 결함(defect per bin)들의 개수를 비례적으로(proportionally) 분포시키도록 구성되는 것인, 결함 분류를 위한 시스템.
  6. 결함 분류를 위한 방법에 있어서,
    제어기를 사용하여, 반도체 웨이퍼로부터의 복수의 결함들을 결함 속성들 및 설계 속성들에 기초하여 결정 트리를 사용하여 복수의 빈들로 비닝하는 단계 - 상기 제어기는 프로세서, 상기 프로세서와 전자 통신하는 전자 데이터 저장 유닛, 및 상기 프로세서 및 상기 전자 데이터 저장 유닛과 전자 통신하는 통신 포트를 포함함 - ;
    상기 제어기를 사용하여, 하나 이상의 분류 코드 중 하나를 상기 복수의 빈들 각각 내의 상기 복수의 결함들 중 적어도 일부에 할당하여 분류된 결함들을 생성하는 단계 - 상기 하나 이상의 분류 코드 각각은 상이한 결함 유형을 나타내고, 상기 하나 이상의 분류 코드가 적용된 후 분류되지 않은 결함들이 남아있음 - ; 및
    상기 제어기를 사용하여, 상기 분류되지 않은 결함들을 갖는 상기 복수의 빈들 각각에 정규화된 재분류를 수행하는 단계 - 상기 복수의 빈들 내의 상기 분류되지 않은 결함들 각각에는, 자신의 각자의 빈의 상기 하나 이상의 분류 코드 중 하나가, 상기 분류되지 않은 결함들을 포함하는 상기 빈 내의 상기 하나의 이상의 클래스 코드가 할당된 상기 분류된 결함들의 각각의 수량의 비율에 따라 상기 분류되지 않은 결함들 각각에 상기 하나 이상의 분류 코드 중 하나를 무작위로 할당함으로써 할당됨 -
    를 포함하는, 결함 분류를 위한 방법.
  7. 제6 항에 있어서, 상기 결함 속성들은, 패치 이미지 프로세싱 알고리즘들, 검사기 광학 속성들, 검사기 레시피 속성들, 웨이퍼 레벨 시그니처 속성들, 존 속성들, 케어 영역 정보, 계측 속성들, 프로세스 조건들, 프로세스 장비, 및 사용자-정의 속성들로부터 추출된 속성들 중 하나 이상을 포함하고, 상기 설계 속성들은, 설계-기반 클래스, 설계-기반 그룹화, 패턴 그룹화, 핫스팟 그룹화, 설계 임계성 인덱스, 패턴 복잡도 인덱스, 및 관심 구역 중 하나 이상을 포함하는 것인, 결함 분류를 위한 방법.
  8. 제6 항에 있어서, 상기 비닝 후 빈당 결함들의 개수가 비례적으로 분포되는 것인, 결함 분류를 위한 방법.
  9. 제6 항에 있어서, 상기 복수의 빈들 중 하나는, 상기 정규화된 재분류 후 상기 하나 이상의 분류 코드 중 2개를 포함하고, 상기 방법은,
    상기 제어기를 사용하여, 상기 복수의 빈들 중 하나가 상기 정규화된 재분류 후 상기 하나 이상의 분류 코드 중 2개를 포함한다고 결정하는 단계;
    상기 제어기를 사용하여, 2차 결함 속성들 및 2차 설계 속성들에 기초하여 2차 결정 트리를 사용하여 상기 하나 이상의 분류 코드 중 2개를 갖는 빈 내의 복수의 결함들을 복수의 2차 빈들로 비닝하는 단계;
    상기 제어기를 사용하여, 하나 이상의 2차 분류 코드 중 하나를 상기 복수의 2차 빈들 각각 내의 상기 복수의 결함들 중 적어도 일부에 할당하여 상기 복수의 2차 빈들 내의 분류된 결함들을 생성하는 단계 - 상기 하나 이상의 2차 분류 코드 각각은 상이한 결함 유형을 나타내고, 상기 하나 이상의 2차 분류 코드가 적용된 후 상기 복수의 2차 빈들 중 적어도 하나 내에 상기 분류되지 않은 결함들이 남아있음 - ; 및
    상기 제어기를 사용하여, 상기 분류되지 않은 결함들을 갖는 상기 복수의 2차 빈들 각각에 정규화된 재분류를 수행하는 단계 - 상기 복수의 2차 빈들 내의 상기 분류되지 않은 결함들 각각에는, 자신의 각자의 2차 빈의 상기 하나 이상의 2차 분류 코드 중 하나가, 상기 분류되지 않은 결함들을 포함하는 상기 2차 빈 내의 상기 하나의 이상의 2차 클래스 코드가 할당된 상기 분류된 결함들의 각각의 수량의 비율에 따라 상기 2차 빈 내의 상기 분류되지 않은 결함들 각각에 상기 하나 이상의 2차 분류 코드 중 하나를 무작위로 할당함으로써 할당됨 -
    를 더 포함하는, 결함 분류를 위한 방법.
  10. 제6 항에 있어서, 복수의 결함들에 대해 웨이퍼를 검사하고 상기 웨이퍼 상의 상기 복수의 결함들을 비닝을 위해 상기 제어기에 전달하는 단계를 더 포함하는, 결함 분류를 위한 방법.
  11. 하나 이상의 프로그램을 포함하는 비-일시적 컴퓨터-판독가능 저장 매체에 있어서, 상기 하나 이상의 프로그램은 하나 이상의 컴퓨터 디바이스 상에서,
    반도체 웨이퍼로부터의 복수의 결함들을 결함 속성들 및 설계 속성들에 기초하여 결정 트리를 사용하여 복수의 빈들로 비닝하는 단계;
    하나 이상의 분류 코드 중 하나를 상기 복수의 빈들 각각 내의 상기 복수의 결함들 중 적어도 일부에 할당하여 분류된 결함들을 생성하는 단계 - 상기 하나 이상의 분류 코드 각각은 상이한 결함 유형을 나타내고, 상기 하나 이상의 분류 코드가 적용된 후 분류되지 않은 결함들이 남아있음 - ; 및
    상기 분류되지 않은 결함들을 갖는 상기 복수의 빈들 각각에 정규화된 재분류를 수행하는 단계 - 상기 복수의 빈들 내의 상기 분류되지 않은 결함들 각각에는, 자신의 각자의 빈의 상기 하나 이상의 분류 코드 중 하나가, 상기 분류되지 않은 결함들을 포함하는 상기 빈 내의 상기 하나의 이상의 클래스 코드가 할당된 상기 분류된 결함들의 각각의 수량의 비율에 따라 상기 분류되지 않은 결함들 각각에 상기 하나 이상의 분류 코드 중 하나를 무작위로 할당함으로써 할당됨 -
    를 실행하기 위한 것인, 비-일시적 컴퓨터-판독가능 저장 매체.
  12. 제11 항에 있어서, 상기 비닝 후 빈당 결함들의 개수가 비례적으로 분포되는 것인, 비-일시적 컴퓨터-판독가능 저장 매체.
  13. 제11 항에 있어서, 상기 결함 속성들은, 패치 이미지 프로세싱 알고리즘들, 검사기 광학 속성들, 검사기 레시피 속성들, 웨이퍼 레벨 시그니처 속성들, 존 속성들, 케어 영역 정보, 계측 속성들, 프로세스 조건들, 프로세스 장비, 및 사용자-정의 속성들로부터 추출된 속성들 중 하나 이상을 포함하고, 상기 설계 속성들은, 설계-기반 클래스, 설계-기반 그룹화, 패턴 그룹화, 핫스팟 그룹화, 설계 임계성 인덱스, 패턴 복잡도 인덱스, 및 관심 구역 중 하나 이상을 포함하는 것인, 비-일시적 컴퓨터-판독가능 저장 매체.
  14. 제11 항에 있어서, 상기 복수의 빈들 중 하나는 상기 정규화된 재분류 후 상기 하나 이상의 분류 코드 중 2개를 포함하고, 상기 비-일시적 컴퓨터-판독가능 저장 매체는 하나 이상의 프로그램을 더 포함하고, 상기 하나 이상의 프로그램은 하나 이상의 컴퓨팅 디바이스 상에서,
    상기 복수의 빈들 중 하나가 상기 정규화된 재분류 후 상기 하나 이상의 분류 코드 중 2개를 포함한다고 결정하는 단계;
    2차 결함 속성들 및 2차 설계 속성들에 기초하여 2차 결정 트리를 사용하여 상기 하나 이상의 분류 코드 중 2개를 갖는 빈 내의 복수의 결함들을 복수의 2차 빈들로 비닝하는 단계;
    하나 이상의 2차 분류 코드 중 하나를 상기 복수의 2차 빈들 각각 내의 상기 복수의 결함들 중 적어도 일부에 할당하여 상기 복수의 2차 빈들 내의 분류된 결함들을 생성하는 단계 - 상기 하나 이상의 2차 분류 코드 각각은 상이한 결함 유형을 나타내고, 상기 하나 이상의 2차 분류 코드가 적용된 후 상기 복수의 2차 빈들 중 적어도 하나 내에 상기 분류되지 않은 결함들이 남아있음 - ; 및
    상기 분류되지 않은 결함들을 갖는 상기 복수의 2차 빈들 각각에 정규화된 재분류를 수행하는 단계 - 상기 복수의 2차 빈들 내의 상기 분류되지 않은 결함들 각각에는, 자신의 각자의 2차 빈의 상기 하나 이상의 2차 분류 코드 중 하나가, 상기 분류되지 않은 결함들을 포함하는 상기 2차 빈 내의 상기 하나의 이상의 2차 클래스 코드가 할당된 상기 분류된 결함들의 각각의 수량의 비율에 따라 상기 2차 빈 내의 상기 분류되지 않은 결함들 각각에 상기 하나 이상의 2차 분류 코드 중 하나를 무작위로 할당함으로써 할당됨 -
    를 실행하기 위한 것인, 비-일시적 컴퓨터-판독가능 저장 매체.
  15. 삭제
KR1020197013678A 2016-10-14 2017-10-13 결함 및 설계 속성들에 기초한 결함 검토 샘플링 및 정규화 KR102289795B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662408232P 2016-10-14 2016-10-14
US62/408,232 2016-10-14
US15/426,138 US10204290B2 (en) 2016-10-14 2017-02-07 Defect review sampling and normalization based on defect and design attributes
US15/426,138 2017-02-07
PCT/US2017/056547 WO2018071789A1 (en) 2016-10-14 2017-10-13 Defect review sampling and normalization based on defect and design attributes

Publications (2)

Publication Number Publication Date
KR20190055851A KR20190055851A (ko) 2019-05-23
KR102289795B1 true KR102289795B1 (ko) 2021-08-12

Family

ID=61903980

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197013678A KR102289795B1 (ko) 2016-10-14 2017-10-13 결함 및 설계 속성들에 기초한 결함 검토 샘플링 및 정규화

Country Status (5)

Country Link
US (1) US10204290B2 (ko)
KR (1) KR102289795B1 (ko)
CN (1) CN109844916B (ko)
TW (1) TWI734848B (ko)
WO (1) WO2018071789A1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11314721B1 (en) * 2017-12-07 2022-04-26 Palantir Technologies Inc. User-interactive defect analysis for root cause
CN112424826A (zh) 2018-07-13 2021-02-26 Asml荷兰有限公司 基于机器学习的图案分组方法
US11668655B2 (en) 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
US11017522B2 (en) * 2019-04-18 2021-05-25 Taiwan Semiconductor Manufacturing Co., Ltd. Inspection and cleaning system and method for the same
CN110866617A (zh) * 2019-11-15 2020-03-06 国网天津市电力公司 一种与设备生命周期相关联的检修辅助决策方法
US11861286B2 (en) * 2020-06-30 2024-01-02 Synopsys, Inc. Segregating defects based on computer-aided design (CAD) identifiers associated with the defects
CN112308120B (zh) * 2020-10-15 2023-09-29 国家电网公司华北分部 对继电保护装置缺陷进行定级的方法、装置及存储介质
DE102022116102A1 (de) 2022-06-28 2023-12-28 Wavelabs Solar Metrology Systems Gmbh Solarzellentestvorgang, solarzellenproduktionsvorgang, solarzellentestanlage und solarzellenproduktionsanlage
DE102022116064A1 (de) 2022-06-28 2023-12-28 Wavelabs Solar Metrology Systems Gmbh Solarzellenproduktionsvorgang und solarzellenproduktionsanlage
CN116344378B (zh) * 2023-03-31 2024-01-23 江苏神州新能源电力有限公司 一种光伏板生产用智能检测系统及其检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140212022A1 (en) 2012-02-03 2014-07-31 Applied Materials Israel Ltd. Method of design-based defect classification and system thereof
US20150125064A1 (en) 2013-11-03 2015-05-07 Kla-Tencor Corporation Decision Tree Construction for Automatic Classification of Defects on Semiconductor Wafers

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020013664A1 (en) * 2000-06-19 2002-01-31 Jens Strackeljan Rotating equipment diagnostic system and adaptive controller
US20050069863A1 (en) * 2003-09-29 2005-03-31 Jorge Moraleda Systems and methods for analyzing gene expression data for clinical diagnostics
KR101885585B1 (ko) * 2005-11-18 2018-08-07 케이엘에이-텐코 코포레이션 검사 데이터와 조합하여 설계 데이터를 활용하는 방법 및 시스템
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
US7832267B2 (en) * 2007-04-25 2010-11-16 Ecometriks, Llc Method for determining temporal solar irradiance values
US8233494B2 (en) 2008-01-22 2012-07-31 International Business Machines Corporation Hierarchical and incremental multivariate analysis for process control
US8413250B1 (en) * 2008-06-05 2013-04-02 A9.Com, Inc. Systems and methods of classifying sessions
US8560539B1 (en) * 2009-07-29 2013-10-15 Google Inc. Query classification
CN101975818B (zh) * 2010-04-29 2012-12-26 中国计量科学研究院 特征物质的检测系统及方法
JP5342606B2 (ja) 2011-06-27 2013-11-13 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
US9310320B2 (en) * 2013-04-15 2016-04-12 Kla-Tencor Corp. Based sampling and binning for yield critical defects
US9348834B2 (en) * 2013-07-03 2016-05-24 International Business Machines Corporation Effective method to compress tabular data export files for data movement
WO2015109036A1 (en) * 2014-01-15 2015-07-23 Kla-Tencor Corporation Overlay measurement of pitch walk in multiply patterned targets
US10290088B2 (en) * 2014-02-14 2019-05-14 Kla-Tencor Corporation Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140212022A1 (en) 2012-02-03 2014-07-31 Applied Materials Israel Ltd. Method of design-based defect classification and system thereof
US20150125064A1 (en) 2013-11-03 2015-05-07 Kla-Tencor Corporation Decision Tree Construction for Automatic Classification of Defects on Semiconductor Wafers

Also Published As

Publication number Publication date
CN109844916A (zh) 2019-06-04
US20180107903A1 (en) 2018-04-19
WO2018071789A1 (en) 2018-04-19
TWI734848B (zh) 2021-08-01
CN109844916B (zh) 2020-08-21
TW201820187A (zh) 2018-06-01
US10204290B2 (en) 2019-02-12
KR20190055851A (ko) 2019-05-23

Similar Documents

Publication Publication Date Title
KR102289795B1 (ko) 결함 및 설계 속성들에 기초한 결함 검토 샘플링 및 정규화
TWI708301B (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
KR102220437B1 (ko) 결함 분류기들 및 뉴슨스 필터들의 생성
KR101144545B1 (ko) 반도체 제조를 위한 탄력적 혼성 결함 분류
KR102178254B1 (ko) 복합 결함 분류기
US10127651B2 (en) Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
US6496958B1 (en) Yield prediction and statistical process control using predicted defect related yield loss
CN111542915B (zh) 使用电子束检验及具有实时情报的深度学习以减少妨害的缺陷探索
KR102330733B1 (ko) 적응형 뉴슨스 필터
CN112840205B (zh) 基于设计及噪声的关注区域
CN116097413B (zh) 用于重复缺陷检测的无监督学习
KR20170100710A (ko) 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
TW202038110A (zh) 分類半導體樣本中的缺陷
TWI683284B (zh) 保留可重標準化性之製造樣本成型
CN110741466B (zh) 基于扰乱点图的宽带等离子检验
KR20220104776A (ko) 노이즈 특성에 기초한 서브케어 영역의 클러스터링
TW202223535A (zh) 電子系統及樣品鑑定方法
CN118805079A (zh) 用于改善缺陷分类滋扰率的方法和系统

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant