KR102392057B1 - 자동 결함 분류 방법 - Google Patents

자동 결함 분류 방법 Download PDF

Info

Publication number
KR102392057B1
KR102392057B1 KR1020140186370A KR20140186370A KR102392057B1 KR 102392057 B1 KR102392057 B1 KR 102392057B1 KR 1020140186370 A KR1020140186370 A KR 1020140186370A KR 20140186370 A KR20140186370 A KR 20140186370A KR 102392057 B1 KR102392057 B1 KR 102392057B1
Authority
KR
South Korea
Prior art keywords
defect
doi
matching
image
substrate
Prior art date
Application number
KR1020140186370A
Other languages
English (en)
Other versions
KR20160076310A (ko
Inventor
박일석
안정호
조형석
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140186370A priority Critical patent/KR102392057B1/ko
Priority to US14/819,566 priority patent/US9727799B2/en
Publication of KR20160076310A publication Critical patent/KR20160076310A/ko
Application granted granted Critical
Publication of KR102392057B1 publication Critical patent/KR102392057B1/ko

Links

Images

Classifications

    • 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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • 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
    • G06T2207/10—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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

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

Abstract

자동 결함 분류 방법은 적어도 하나 이상의 단위 공정이 수행된 기판으로부터 결함부들을 검출하는 결함 검출 단계 및 결함부들 각각의 결함 종류를 분류하는 결함 분류 단계를 포함하고, 결함 분류 단계는 결함부들 각각의 SEM 이미지들을 획득하는 이미지 획득 단계와, SEM 이미지들 각각에 대응되는 GDS 이미지들에 기판의 정보를 등록하는 기판 정보 등록 단계와, 결함부들의 결함을 유형화한 복수의 DOI 들을 정의하는 DOI 정의 단계와, 결함부들 각각의 결함이 DOI 들 중 어떤 DOI에 해당하는지를 판단하는 기준인 DOI 룰을 정의하는 DOI 룰 정의 단계와, DOI 룰에 따라 결함부들 각각의 결함이 DOI 들 중 어떤 DOI에 해당하는지를 분류하는 이미지 분석 단계를 포함한다.

Description

자동 결함 분류 방법 {Method of Auto Defect Classification}
본 발명의 기술적 사상은 자동 결함 분류 방법에 관한 것으로, 특히 SEM/GDS 이미지를 이용하여 결함 종류를 분류하는 자동 결함 분류 방법에 관한 것이다.
최근, 고속 동작과 동시에 대용량의 저장 능력을 가지는 반도체 디바이스가 요구되며, 이에 따라 반도체 디바이스의 집적도는 점차 증가되고 있다. 이처럼반도체 디바이스의 집적도가 증차됨에 따라 기판 상에 발생할 수 있는 결함 제어가 중요해지고 있다. 상기 기판 상에 발생할 수 있는 결함 제어를 위해 결함 분류 공정이 수행될 수 있으며, 공정 효율을 높임과 동시에 신뢰도가 높은 자동 결함 분류 공정이 요구된다.
본 발명의 기술적 사상이 이루고자 하는 기술적 과제는 고집적화된 기판에 발생할 수 있는 결함을 높은 신뢰도를 가지며 자동으로 분류하는 자동 결함 분류 방법을 제공하는 것이다.
본 발명의 기술적 사상에 의한 일 양태에 따른 자동 결함 분류 방법은 적어도 하나 이상의 단위 공정이 수행된 기판으로부터 결함부들을 검출하는 결함 검출 단계 및 상기 결함부들 각각의 결함 종류를 분류하는 결함 분류 단계를 포함하고, 상기 결함 분류 단계는 상기 결함부들 각각의 SEM 이미지들을 획득하는 이미지 획득 단계와, 상기 SEM 이미지들 각각에 대응되는 GDS 이미지들에 상기 기판의 정보를 등록하는 기판 정보 등록 단계와, 상기 결함부들의 결함을 유형화한 복수의 DOI 들을 정의하는 DOI 정의 단계와, 상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 판단하는 기준인 DOI 룰을 정의하는 DOI 룰 정의 단계와, 상기 DOI 룰에 따라 상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 분류하는 이미지 분석 단계를 포함한다.
일부 실시예들에서,상기 기판 정보 등록 단계에서 상기 기판 정보는 절연 라인 패턴, 도전 라인 패턴 및 도전 도트 패턴 중 적어도 하나 이상의 정보를 포함할 수 있다. 상기 기판 정보는 상기 절연 라인 패턴, 상기 도전 라인 패턴 및 상기 도전 도트 패턴 중 적어도 하나의 물질 정보를 포함할 수 있다.
일부 실시예들에서, 상기 이미지 분석 단계는 상기 SEM 이미지 및 상기 GDS 이미지를 매칭하여 매칭 일치 영역 및 매칭 불일치 영역을 획득하는 매칭 이미지 획득 단계와, 상기 매칭 불일치 영역을 분석하는 매칭 불일치 영역 분석 단계를 포함할 수 있다.
상기 매칭 불일치 영역 분석 단계는 상기 매칭 불일치 영역의 물질 정보와, 상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보를 비교 분석하는 단계를 포함할 수 있다.
일부 실시예들에서, 상기 기판 정보는 상기 도전 라인 패턴의 물질 정보를 포함하고, 상기 DOI 들 중 어느 하나의 DOI는 절연 라인 브릿지이며, 상기 결함부가 상기 절연 라인 브릿지로 분류되기 위한 상기 DOI 룰은 "상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보가 상기 도전 라인 패턴의 물질 정보와 동일할 경우, DOI는 절연 라인 브릿지로 분류한다"로 정의될 수 있다.
일부 실시예들에서, 상기 기판 정보는 상기 절연 라인 패턴의 물질 정보를 포함하고, 상기 DOI 들 중 어느 하나의 DOI는 도전 라인 브릿지이며, 상기 결함부가 상기 도전 라인 브릿지로 분류되기 위한 상기 DOI 룰은 "상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보가 상기 절연 라인 패턴의 물질 정보와 동일할 경우, DOI는 도전 라인 브릿지로 분류한다"로 정의될 수 있다.
일부 실시예들에서, 상기 기판 정보는 상기 도전 도트 패턴의 물질 정보 및 상기 도전 도트 패턴을 둘러싸는 배리어막의 물질 정보를 포함하고, 상기 DOI 들 중 어느 하나의 DOI는 도전 도트 보이드이며, 상기 결함부가 상기 도전 도트 보이드로 분류되기 위한 상기 DOI 룰은 "상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보가 상기 도전 도트 패턴의 물질 정보와 동일하되, 상기 매칭 불일치 영역이 상기 배리어막의 내부 영역에 위치할 경우, DOI는 도전 도트 보이드로 분류한다"로 정의될 수 있다.
일부 실시예들에서, 상기 DOI 룰 정의 단계는 임시 DOI 룰을 정의하는 임시 DOI 룰 정의 단계와, 상기 임시 DOI 룰의 신뢰도를 판단하는 신뢰도 판단 단계와, 상기 신뢰도 판단 단계에서 상기 임시 DOI 룰이 적합하다고 판단될 경우 상기 임시 DOI 룰을 확정 DOI 룰로 정의하는 확정 DOI 룰 정의 단계를 포함할 수 있다.
상기 자동 결함 분류 방법은 상기 결함 분류 단계의 결과물에 기초하여 결함 원인을 분석하는 결함 원인 분석 단계와, 상기 결함 원인에 기초하여 상기 단위 공정의 공정 레시피를 수정하는 공정 레시피 수정 단계를 더 포함할 수 있다.
본 발명의 기술적 사상에 의한 다른 양태에 따른 자동 결함 분류 방법은 적어도 하나 이상의 단위 공정이 수행된 기판으로부터 결함부들을 검출하는 결함 검출 단계, 특징 벡터를 이용하여 상기 결함부들 각각의 결함 종류를 분류하는 제1 결함 분류 단계 및 SEM 이미지를 이용하여 상기 결함부들 각각의 결함 종류를 분류하는 제2 결함 분류 단계를 포함하고, 상기 제2 결함 분류하는 단계는 복수의 DOI 들을 정의하는 단계와, 상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 판단하는 DOI 룰을 정의하는 단계와, 상기 DOI 룰에 따라 상기 SEM 이미지 및 GDS 이미지를 분석하여 상기 결함부들 각각의 결함이 각각이 상기 DOI 들 중 어떤 DOI에 해당하는지를 분류하는 이미지 분석 단계를 포함한다.
일부 실시예들에서,상기 결함 검출 단계는 광학 검사 장치를 이용하여 상기 기판의 광학 이미지를 획득하여 기판 맵을 생성하는 기판 맵 생성 단계를 포함하고, 상기 자동 분류 방법은 상기 기판 맵 상 결함 종류를 분류하는 제3 결함 분류 단계를 포함할 수 있다.
상기 제3 결함 분류 단계는 상기 기판 맵 상 결함 종류를 유형화한 복수의 맵 DOI 들을 정의하는 단계와, 상기 기판 맵 상 결함이 상기 맵 DOI 들 중 어떤 맵 DOI에 해당하는지를 판단하는 맵 DOI 룰을 정의하는 단계를 포함할 수 있다.
일부 실시예들에서, 상기 이미지 분석 단계는 상기 결함부들 각각의 상기 SEM 이미지를 획득하는 단계와, 상기 SEM 이미지에 대응되는GDS 이미지에 기판 정보를 등록하는 단계를 포함할 수 있다.
상기 제1 결함 분류 단계는 상기 제2 결함 분류 단계보다 선행될 수 있다.
본 발명의 기술적 사상에 의한 자동 결함 분류 방법은 DOI 룰을 정의하고, 상기 DOI 룰에 따라 해당 영역의 결함을 자동 분류함으로서, 높은 신뢰도를 유지함과 동시에 공정 시간 및 공정 비용을 단축할 수 있으며, 이에 따라 궁극적으로 반도체 디바이스의 제조 공정의 수율(yield)을 높일 수 있게 된다. 나아가, 자동으로 분류된 DOI 들 각각에 해당하는 결함 원인을 분석할 수 있어, 결함 분류 및 결함 원인 분석에 소모될 수 있는 공정 시간 및 공정 비용을 절약할 수 있으며, 결함에 대한 정보를 피드백함으로써 공정 수율을 높일 수 있게 된다.
도 1은 본 발명의 기술적 사상에 의한 일 실시예에 따른 자동 결함 분류 공정을 포함하는 반도체 제조 공정을 예시적으로 나타낸 도면이다.
도 2는 본 발명의 기술적 사상에 의한 일 실시예에 따른 SEM 이미지를 이용한 결함 분류 공정을 나타낸 흐름도이다.
도 3a 내지 도 3c는 상기 SEM 이미지를 이용한 결함 분류 공정을 통해 절연 라인 브릿지를 검출하는 모습을 예시적으로 나타낸 도면들이다.
도 4a 내지 도 4c는 상기 SEM 이미지를 이용한 결함 분류 공정을 통해 도전 라인 브릿지를 검출하는 모습을 예시적으로 나타낸 도면들이다.
도 5a 내지 도 5c는 상기 SEM 이미지를 이용한 결함 분류 공정을 통해 도전 도트 보이드를 검출하는 모습을 예시적으로 나타낸 도면들이다.
도 6은 본 발명의 기술적 사상에 의한 다른 실시예에 따른 SEM 이미지를 이용한 결함 분류 공정을 나타낸 흐름도이다.
도 7은 본 발명의 기술적 사상에 의한 일 실시예에 따른 기판 맵을 이용한 결함 분류 공정을 나타낸 흐름도이다.
도 8은 기판 맵을 이용한 결함 분류 공정을 통해 스크래치를 검출하는 모습을 예시적으로 나타낸 도면이다.
도 9는 기판 맵을 이용한 결함 분류 공정을 통해 포토 마스크 불량을 검출하는 모습을 예시적으로 나타낸 도면이다.
도 10은 본 발명의 기술적 사상에 의한 일 실시예에 따른 특징 벡터를 이용한 결함 분류 공정을 나타낸 흐름도이다.
도 11은 특징 벡터를 이용한 결함 분류 공정을 예시적으로 나타낸 도면이다.
도 12 및 도 13은 본 발명의 기술적 사상에 의한 실시예들에 따른 자동 결함 분류 공정을 나타낸 개념도이다.
도 14는 본 발명의 기술적 사상에 의한 다른 실시예에 따른 자동 결함 분류 공정을 포함하는 반도체 제조 공정을 예시적으로 나타낸 도면이다.
이하, 첨부 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.
본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 발명의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들어, 본 발명의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 발명 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것임은 이해될 것이다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.
첨부 도면에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시예들은 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조 과정에서 초래되는 형상의 변화를 포함하여야 한다.
본 명세서에서, "결함"이라는 용어는 기판 상에서 발견될 수 있는 임의의 이상들(anomalies)을 의미할 수 있다.
본 명세서에서, "기판"이라는 용어는 반도체 또는 비반도체 물질을 포함하는 기판을 의미할 수 있다. 이와 같은 반도체 또는 비반도체 물질의 예로는, 단결정실리콘, 갈륨 아세나이드 및 인듐 인화물이 포함될 수 있지만, 이에 한정되는 것은 아니다.
상기 "기판"이라는 용어는 웨이퍼를 포함하는 개념일 수 있다.
한편, 웨이퍼는 순수 실리콘 기판을 의미할 수 있다. 또는, 웨이퍼는 상기 순수 실리콘 기판 위에서 형성된 하나 또는 그 이상의 층들을 포함할 수도 있다. 예를 들어, 이와 같은 층들은 절연 도료, 절연 물질 및 도전 물질을 포함할 수 있다. 절연 도료는 광학 리소그라피 기술, 전자빔 리소그라피 기술 또는 엑스선 리소그라피 기술 등으로 패터닝될 수 있는 임의의 물질을포함할 수 있다. 절연 물질의 예들은 실리콘 산화물, 실리콘 질화물, 실리콘 산화 질화물 및 티타늄 질화물을 포함할 수 있지만, 이에 한정되는 것은 아니다.
또한, 도전 물질의 예들은 알루미늄, 폴리실리콘 및 구리를 포함할 수 있지만, 이에 한정되는 것은 아니다.
웨이퍼 상에 형성된 하나 또는 그 이상의 층들은 패터닝되거나 패터닝 되지 않을 수 있다. 예를 들어, 웨이퍼는 반복적인 패턴 특징들을 갖는 복수의 다이(dies)를 포함할 수 있다. 이와 같은 물질의 층들의 형성 및 처리가 궁극적으로 반도체 디바이스를 완성하는데 필요하다. 이와 같이, 웨이퍼는 완성된 반도체 디바이스의 모든 층이 형성되지 않은 기판 또는 완성된 반도체 디바이스의 모든 층이 형성된 기판을 포함할 수 있다. 또한, 마이크로전기기계(MEMS) 디바이스 및 이와 유사한 기타의 디바이스들 또한 본 명세서에서의 웨이퍼 상에 형성될 수 있다.
도 1은 본 발명의 기술적 사상에 의한 일 실시예에 따른 자동 결함 분류 공정(A100)을 포함하는 반도체 제조 공정을 예시적으로 나타낸 도면이다.
도 1을 참조하면, 반도체 제조 공정은 복수의 단위 공정들(U1 ~ Un), 적어도 하나 이상의 자동 결함 분류 공정(A100) 및 테스트 공정(T)을 포함할 수 있다.
복수의 단위 공정들(U1 ~ Un) 각각은 반도체 디바이스의 제조에서 요구되는 단위 공정들 중 어느 하나일 수 있다. 예를 들어, 단위 공정들(U1 ~ Un) 각각은 소자 분리막(STI: shallow trench isolation) 형성 공정, 활성층(active layer) 형성 공정, 이온 주입 공정, 게이트층 형성 공정, 회로 패턴 형성 공정 등의 다양한 단위 공정들 중 어느 하나일 수 있다.
단위 공정들(U1 ~ Un)이 완료된 후에는, 단위 공정들(U1 ~ Un)이 완료된 기판(미도시)의 전기적 특성을 검사하는 테스트 공정(T)이 수행될 수 있다. 상기 테스트 공정(T)은 예를 들면 팹(fab) 공정과 어셈블리(assembly) 공정 사이에서 수행되어 상기 기판에 형성된 반도체 디바이스들(미도시)의 전기적 특성을 테스트하는 이디에스(EDS: Electrical Die Sorting) 공정일 수 있다.
상기 이디에스 공정은 상기 기판에 형성된 반도체 디바이스들 각각의 주변부를 따라 형성된 패드들에 전기적 신호를 인가하고, 인가된 전기적 신호에 대응하여 출력되는 신호에 의해 반도체 디바이스들의 전기적 불량 여부를 판단하는 공정이다.
한편, 단위 공정들(U1 ~ Un) 중 적어도 하나 이상의 단위 공정이 완료된 후에는, 본 발명의 실시예들에 따른 자동 결함 분류 공정(A100)이 수행될 수 있다.
본 실시예에서의 자동 결함 분류 공정(A100)은 제2 단위 공정(U2)이 수행된 후 제3 단위 공정(U3)을 수행하기 전에만 수행되는 것으로 도시되었으나 이에 한정되지 않는다. 예를 들어, 자동 결함 분류 공정(A100)은 각각의 단위 공정들(U1 ~ Un)이 완료될 때마다 수행될 수도 있다.
이하에서는, 설명의 편의상 제2 단위 공정(U2)이 수행된 후 제3 단위 공정(U3)을 수행하기 전에 자동 결함 분류 공정(A100)이 수행되는 경우를 예로 들어 설명하기로 한다.
자동 결함 분류 공정(A100)은, 결함 검출 공정(A110) 및 결함 분류 공정(A120)을 포함할 수 있다.
결함 검출 공정(A110)은 제2 단위 공정(U2)이 수행된 후의 기판(미도시)의 결함을 검출하는 공정으로서, 결함 검출 공정(A110)은 예를 들면 레이저, 자외선, 가시광선 등을 이용한 광학 검사 장치를 통해 수행될 수 있다.
결함 검출 공정(A110)을 통해, 제2 단위 공정(U2)이 수행된 후의 기판 상에 위치할 수 있는 복수의 결함부들(미도시)을 검출할 수 있게 된다.
결함 분류 공정(A120)에서는, 검출된 상기 결함부들 각각의 결함 종류를 분류하는 공정이 수행된다.
본 발명에서의 결함 분류 공정(A120)은, 도 2 내지 도 9를 참조하여 설명할 SEM (Scanning Electron Microscope) 이미지를 이용한 결함 분류 공정을 포함할 수 있다.
나아가, 본 발명에서의 결함 분류 공정(A120)은 도 10 내지 도 14를 참조하여 설명할 기판 맵(map)을 이용한 결함 분류 공정(도 10 내지 도 12 참조) 및 특징 벡터 (feature vector)를 이용한 결함 분류 공정(도 13 및 도 14 참조)을 더 포함할 수도 있다.
이하에서는, SEM 이미지를 이용한 결함 분류 공정, 기판 맵을 이용한 결함 분류 공정 및 특징 벡터를 이용한 결함 분류 공정 각각에 대한 상세한 설명을 하기로 한다.
도 2는 본 발명의 기술적 사상에 의한 일 실시예에 따른 SEM 이미지를 이용한 결함 분류 공정(S1)을 나타낸 흐름도이다.
도 2를 참조하면, SEM 이미지를 이용한 결함 분류 공정(S1)은 SEM/GDS 이미지 획득 단계(S110), 기판 정보 등록 단계(S120), DOI 정의 단계(S130), DOI 룰 정의 단계(S140) 및 SEM/GDS 이미지 분석 단계(S150)를 포함할 수 있다.
SEM/GDS 이미지 획득 단계(S110)에서는, 도 1을 참조하여 설명한 결함 검출 공정(A110)에 의해 검출된 결함부들 각각의 SEM/GDS 이미지를 획득할 수 있다.
상기 SEM 이미지는 전자 주사 현미경을 이용하여, 상기 결함부들 각각의 국부적 이미지를 스캔함으로써 획득할 수 있다.
상기 GDS (Graphic data system) 이미지는, 상기 SEM 이미지에 대응되는 영역에서의 레이아웃(layout) 저장 포맷(format)으로서, 상기 SEM 이미지와 매칭, 분석되는 표준으로서의 역할을 수행할 수 있다. 상기 GDS 이미지는 예를 들면 GDS 이미지를 생성하는 변환 툴(tool) 등을 사용하여 생성할 수 있다.
기판 정보 등록 단계(S120)에서는, 결함 분류 공정(S1)에서의 공정 대상인 기판의 정보를 상기 GDS 이미지에 등록할 수 있다.
상기 기판 정보는 상기 기판 상에 어떠한 패턴이 형성되었는지를 알 수 있는 패턴 정보, 예를 들면 라인 패턴 및 도트 패턴 정보를 포함할 수 있다.
일부 실시예들에서, 상기 기판 정보는 상기 라인 패턴 및 도트 패턴의 물질 정보 등을 포함할 수 있다.
예를 들어, 도 1의 제2 단위 공정(U2)이 기판 상에 활성층을 형성하는 공정일 경우, 상기 기판 정보는 예를 들면 상기 활성층의 물질 정보, 즉 상기 활성층이 실리콘인 점을 포함될 수 있다.
다른 예를 들면, 상기 제2 단위 공정(U2)이 기판 상에 게이트층을 형성하는 공정일 경우, 상기 기판 정보는 예를 들면 상기 게이트층이 텅스텐 (W)으로 이루어지는 점을 포함할 수 있다.
또 다른 예를 들면, 상기 제2 단위 공정(U2)이 기판 상에 도전 패턴을 형성하는 공정일 경우, 상기 기판 정보는 예를 들면 상기 도전 패턴이 구리 (Cu)로 이루어지는 점을 포함할 수 있다.
DOI (Defect of interest) 정의 단계(S130)에서는, 상기 결함부들의 결함 종류를 정의할 수 있다. 즉, 상기 DOI 정의 단계(S130)에서 정의되는 DOI 들은 상기 결함부들의 결함을 유형화한 결과물일 수 있다.
예를 들면, 상기 DOI 들은 절연 라인 브릿지(도 3b 참조), 메탈 라인 브릿지(도 4b 참조) 및 메탈 도트 보이드(도 5b 참조) 등을 포함할 수 있다. 그 외에도, 상기 DOI 들은 예를 들면 패턴 폭의 스펙 아웃, 공정 잔여물의 미제거, 스크래치 등을 포함할 수도 있다.
DOI 룰 정의 단계(S140)에서는, 상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 판단하는 기준인 DOI 룰(rule)을 정의할 수 있다. 즉, 상기 DOI 룰은 상기 DOI 들 각각의 판단 기준이 될 수 있다.
예를 들어, 상기 DOI 룰은 "매칭 불일치 영역에 대응되는 영역에서의 GDS 이미지에 등록된 물질 정보가 도전 라인 패턴의 물질 정보와 동일할 경우, DOI는 절연 라인 브릿지로 분류한다", "매칭 불일치 영역에 대응되는 영역에서의 GDS 이미지에 등록된 물질 정보가 절연 라인 패턴의 물질 정보와 동일할 경우, DOI는 도전 라인 브릿지로 분류한다" 및 "매칭 불일치 영역에 대응되는 영역에서의 GDS 이미지에 등록된 물질 정보가 도전 도트 패턴의 물질 정보와 동일하되, 매칭 불일치 영역이 배리어막의 내부 영역에 위치할 경우, DOI는 도전 도트 보이드로 분류한다" 등을 포함할 수 있으며, 이에 대한 상세한 설명은 도 3a 내지 도 5c를 참조하여 후술하기로 한다.
상기DOI 룰 정의 단계(S140) 이후에는 SEM/GDS 이미지 분석 단계(S150)가 수행될 수 있다. SEM/GDS 이미지 분석 단계(S150)에서는, 상기 DOI 룰에 따라 상기 SEM 이미지 및 상기 GDS 이미지를 분석하여 상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 분류할 수 있다.
예를 들어, SEM/GDS 이미지 분석 단계(S150)에서는 결함부들 각각에 해당하는 SEM 이미지 및 GDS 이미지를 매칭하고, 상기DOI 룰에 따라 매칭된 결과물이 상기 DOI 들 중 어떤 DOI에 해당하는지를 분류할 수 있다.
본 실시예에서와 같이 DOI 룰을 정의하고, 상기 DOI 룰에 따라 해당 영역의 결함을 자동 분류함으로서, 공정 시간 및 공정 비용을 단축할 수 있다. 오퍼레이터에 의한 수동 결함 분류는 매우 시간 소모적이고, 결함들을 재검사하고 분류할 오퍼레이터를 고용하는 데에는 상당한비용이 요구될 수도 있기 때문이다.
나아가, 본 실시예에 따를 때 신뢰도 높은 결함 분류를 통해 궁극적으로 반도체 디바이스의 제조 공정의 수율을 높일 수 있게 된다. 왜냐 하면, 오퍼레이터가 수동으로 SEM 이미지를 관찰하여 결함의 종류를 분류할 경우, 기판 상의 수많은 결함부들을 일일이 분류하는 데에 따르는 물리적 제약이 존재하며, 수많은 검출 이미지 또는 기타의 데이터를 계속해서 반복적으로 검토하는 것은 오퍼레이터의 피로와 집중력 상실을 초래할 수 있기 때문이다.
상기 DOI 룰을 이용하여 수행되는 이미지 분석에 대한 상세한 설명은, 도 3a 내지 도 5c를 참조하여 후술하기로 한다.
도 3a 내지 도 3c는 상기 SEM 이미지를 이용한 결함 분류 공정(S1)을 통해 절연 라인 브릿지(bridge)를 검출하는 모습을 예시적으로 나타낸 도면들이다.
도 3a 내지 도 3c에서, 도 3a는 GDS 이미지를 나타내며, 도 3b는 SEM 이미지를 나타내고, 도 3c는 상기 SEM/GDS 이미지의 매칭 이미지를 나타낸다.
도 3a를 참조하면, GDS 이미지는 도전 라인 패턴(1), 절연 라인 패턴(2), 배리어막(3) 및 도전 도트 패턴(4)을 포함할 수 있다.
일부 실시예들에서, 상기 GDS 이미지에는 도 2를 참조하여 설명한 기판 정보가 등록되어 있을 수 있다. 구체적으로, 상기 GDS 이미지에는 도전 라인 패턴(1), 절연 라인 패턴(2), 배리어막(3) 및 도전 도트 패턴(4) 중 적어도 하나의 물질 정보가 등록되어 있을 수 있다. 예를 들어, 도전 라인 패턴(1) 및 도전 도트 패턴(4)은 구리 (Cu)로 이루어지고, 절연 라인 패턴(2)은 실리콘 산화물로 이루어진다는 정보가 상기 GDS 이미지에 등록되어 있을 수 있다.
도 3b를 참조하면, SEM 이미지는 도전 라인 패턴(10), 절연 라인 패턴(20), 배리어막(30) 및 도전 도트 패턴(40)을 포함할 수 있다. 상기 SEM 이미지를 통해 해당 영역의 결함의 종류가 절연 라인 브릿지(D1)임을 확인할 수 있다.
한편, 본 발명은 오퍼레이터 등이 SEM 이미지를 확인하여 결함 종류를 판단하는 과정을 거치지 않고, SEM 이미지 및 GDS 이미지를 매칭 분석함으로써 해당 영역의 결함 종류를 분류할 수 있다.
도 3c를 참조하면, SEM/GDS 매칭 이미지는 매칭 일치 영역(C) 및 매칭 불일치 영역(NC1)을 포함할 수 있다.
상기SEM/GDS 매칭 이미지는 GDS 이미지(도 3a)와 SEM 이미지(도 3b)를 뺄셈 연산한 결과물일 수 있다.
매칭 일치 영역(C)은 GDS 이미지(도 3a)와 SEM 이미지(도 3b)가 일치하는 영역에서의 매칭 결과물이고, 매칭 불일치 영역(NC1)은 상기 GDS 이미지와SEM 이미지가 일치하지 않는 영역에서의 매칭 결과물일 수 있다.
본 발명에서는, 상기 매칭 불일치 영역(NC1)을 분석하여 상기 SEM 이미지 해당 영역에서의 결함 종류를 자동으로 분류할 수 있다.
구체적으로 살펴보면, 매칭 불일치 영역(NC1)은 도전 라인 패턴(1)이 위치하는 곳에 형성되어 있게 된다. GDS 이미지에는 도전 라인 패턴(1)의 물질 정보가 등록되어 있으므로, 매칭 불일치 영역(NC1)에서의 상기 GDS 이미지에 등록된 물질 정보가 도전 라인 패턴(1)의 물질 정보일 경우 결함 종류는 절연 라인 브릿지(D1)임을 확인할 수 있다.
이러한 케이스에서, 도 2를 참조하여 설명한 DOI 룰은 예를 들면 "매칭 불일치 영역에 대응되는 영역에서의 GDS 이미지에 등록된 물질 정보가 도전 라인 패턴의 물질 정보와 동일할 경우, DOI는 절연 라인 브릿지로 분류한다" 등과 유사하게 정의될 수 있다.
도 4a 내지 도 4c는 상기 SEM 이미지를 이용한 결함 분류 공정(S1)을 통해 도전 라인 브릿지를 검출하는 모습을 예시적으로 나타낸 도면들이다.
도 4a 내지 도 4c에서, 도 4a는 GDS 이미지를 나타내며, 도 4b는 SEM 이미지를 나타내고, 도 4c는 상기 SEM/GDS 이미지의 매칭 이미지를 나타낸다.
도 4a를 참조하면, GDS 이미지는 도전 라인 패턴(1), 절연 라인 패턴(2), 배리어막(3) 및 도전 도트 패턴(4)을 포함할 수 있다. GDS 이미지에 대한 설명은 도 3a를 참조하여 상술한 바, 여기서는 생략하기로 한다.
도 4b를 참조하면, SEM 이미지는 도전 라인 패턴(10), 절연 라인 패턴(20), 배리어막(30) 및 도전 도트 패턴(40)을 포함할 수 있다.
상기SEM 이미지를 통해 해당 영역의 결함의 종류가 도전 라인 브릿지(D2)임을 확인할 수 있다.
도 4c를 참조하면, SEM/GDS 매칭 이미지는 매칭 일치 영역(C) 및 매칭 불일치 영역(NC2)을 포함할 수 있다.
상기 SEM/GDS 매칭 이미지는 GDS 이미지(도 4a)와 SEM 이미지(도 4b)를 뺄셈 연산한 결과물일 수 있다.
매칭 일치 영역(C)은 GDS 이미지(도 4a)와 SEM 이미지(도 4b)가 일치하는 영역에서의 매칭 결과물이고, 매칭 불일치 영역(NC2)은 상기 GDS 이미지와SEM 이미지가 일치하지 않는 영역에서의 매칭 결과물일 수 있다.
도 3a 내지 도 3c를 참조하여 설명한 것과 유사하게, 매칭 불일치 영역(NC2)을 분석하여 상기 SEM 이미지 해당 영역에서의 결함 종류가 도전 라인 브릿지(D2)임을 자동으로 분류할 수 있다.
구체적으로 살펴보면, 매칭 불일치 영역(NC2)은 절연 라인 패턴(2)이 위치하는 곳에 형성되어 있게 된다. GDS 이미지에는 절연 라인 패턴(2)의 물질 정보가 등록되어 있으므로, 매칭 불일치 영역(NC2)에서의 상기 GDS 이미지에 등록된 물질 정보가 절연 라인 패턴(2)의 물질 정보일 경우 결함 종류는 도전 라인 브릿지(D2)임을 확인할 수 있다.
이러한 케이스에서, 도 2를 참조하여 설명한 DOI 룰은 예를 들면 "매칭 불일치 영역에 대응되는 영역에서의 GDS 이미지에 등록된 물질 정보가 절연 라인 패턴의 물질 정보와 동일할 경우, DOI는 도전 라인 브릿지로 분류한다" 등과 유사하게 정의될 수 있다.
도 5a 내지 도 5c는 상기 SEM 이미지를 이용한 결함 분류 공정(S1)을 통해 도전 도트 보이드(dot void)를 검출하는 모습을 예시적으로 나타낸 도면들이다.
도 5a 내지 도 5c에서, 도 5a는 GDS 이미지를 나타내며, 도 5b는 SEM 이미지를 나타내고, 도 5c는 상기 SEM/GDS 이미지의 매칭 이미지를 나타낸다.
도 5a를 참조하면, GDS 이미지는 도전 라인 패턴(1), 절연 라인 패턴(2), 배리어막(3) 및 도전 도트 패턴(4)을 포함할 수 있다. GDS 이미지에 대한 설명은 도 3a를 참조하여 상술한 바, 여기서는 생략하기로 한다.
도 5b를 참조하면, SEM 이미지는 도전 라인 패턴(10), 절연 라인 패턴(20), 배리어막(30) 및 도전 도트 패턴(40)을 포함할 수 있다. 상기 SEM 이미지를 통해 해당 영역의 결함의 종류가 도전 도트 보이드(D3)임을 확인할 수 있다.
도 5c를 참조하면, SEM/GDS 매칭 이미지는 매칭 일치 영역(C) 및 매칭 불일치 영역(NC3)을 포함할 수 있다.
상기 SEM/GDS 매칭 이미지는 GDS 이미지(도 5a)와 SEM 이미지(도 5b)를 뺄셈 연산한 결과물일 수 있다.
매칭 일치 영역(C)은 GDS 이미지(도 5a)와 SEM 이미지(도 5b)가 일치하는 영역에서의 매칭 결과물이고, 매칭 불일치 영역(NC3)은 상기 GDS 이미지와 SEM 이미지가 일치하지 않는 영역에서의 매칭 결과물일 수 있다.
도 3a 내지 도 3c를 참조하여 설명한 것과 유사하게, 매칭 불일치 영역(NC3)을 분석하여 상기 SEM 이미지 해당 영역에서의 결함 종류가 도전 도트 보이드(D3)임을 자동으로 분류할 수 있다.
구체적으로 살펴보면, 매칭 불일치 영역(NC3)은 도전 도트 패턴(4)이 위치하는 곳에 형성되어 있게 된다. GDS 이미지에는 도전 도트 패턴(4)의 물질 정보가 등록되어 있으므로, 매칭 불일치 영역(NC3)에서의 상기 GDS 이미지에 등록된 물질 정보가 도전 도트 패턴(4)의 물질 정보일 경우 결함 종류는 도전 도트 보이드(D3)임을 확인할 수 있다.
다만, 도전 도트 패턴(4)이 도전 라인 패턴(1)과 동일한 물질로 이루어지는 경우, 상기 GDS 이미지에는 동일한 물질 정보가 등록되어 있어, 결함 종류가 절연 라인 브릿지(D1, 도 3b 참조)인지 도전 도트 보이드(D3)인지를 구분하지 못할 수 있다. 따라서, 결함 종류가 도전 도트 보이드(D3)인지를 판단하기 위해, 매칭 불일치 영역(NC3)의 위치를 추가적으로 고려할 수 있다. 즉, 도전 도트 패턴(4)은 배리어막(3)의 내부 영역에 형성되므로, 매칭 불일치 영역(NC3)이 배리어막(3)의 내부 영역에 위치하는 경우의 결함 종류는 절연 라인 브릿지(D1)가 아니고 도전 도트 보이드(D3)임을 확인할 수 있다.
이러한 케이스에서, 도 2를 참조하여 설명한 DOI 룰은 예를 들면 "매칭 불일치 영역에 대응되는 영역에서의 GDS 이미지에 등록된 물질 정보가 도전 도트 패턴의 물질 정보와 동일하되, 매칭 불일치 영역이 배리어막의 내부 영역에 위치할 경우, DOI는 도전 도트 보이드로 분류한다" 등과 유사하게 정의될 수 있다.
도 6은 본 발명의 기술적 사상에 의한 다른 실시예에 따른 SEM 이미지를 이용한 결함 분류 공정(S2)을 나타낸 흐름도이다.
도 6을 참조하면, SEM 이미지를 이용한 결함 분류 공정(S2)은 SEM/GDS 이미지 획득 단계(S210), 기판 정보 등록 단계(S220), DOI 정의 단계(S230), DOI 룰 정의 단계(S240) 및 SEM/GDS 이미지 분석 단계(S250)를 포함할 수 있다.
본 실시예에서의 결함 분류 공정(S2)은 도 2를 참조하여 설명한 결함 분류 공정(S1)과 DOI 룰 정의 단계(S240)에 다소 차이가 있으며, SEM/GDS 이미지 획득 단계(S210), 기판 정보 등록 단계(S220), DOI 정의 단계(S230) 및 SEM/GDS 이미지 분석 단계(S250) 각각은 도 2를 참조하여 설명한 SEM/GDS 이미지 획득 단계(S110), 기판 정보 등록 단계(S120), DOI 정의 단계(S130) 및 SEM/GDS 이미지 분석 단계(S150) 각각과 유사한 방법에 의해 수행될 수 있다. 따라서, 본 실시예에서는 DOI 룰 정의 단계(S240)를 위주로 설명하기로 한다.
DOI 룰 정의 단계(S240)는, 임시 DOI 룰 정의 단계(S242), 임시 DOI 룰의 신뢰도 판단 단계(S244) 및 확정 DOI 룰 정의 단계(S246)를 포함할 수 있다.
임시DOI 룰 정의 단계(S242)에서는, 상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 판단하는 기준인 임시 DOI 룰을 정의할 수 있다.
임시DOI 룰의 신뢰도 판단 단계(S244)에서는, 상기 임시 DOI 룰에 의한 결함 분류 결과가 기준 신뢰도 이상의 결과를 나타내는지 여부를 판단한다.
예를 들어, 결함 분류가 적합하게 된 결함 개소의 수가 전체 결함 개소의 수에 대해 기준 퍼센트(예를 들면, 99 %) 이상일 경우, 달리 말하면 결함 분류가 부적합하게 된 결함 개소의 수가 전체 결함 개소의 수에 대해 기준 퍼센트(예를 들면, 1 %) 이하일 경우, 상기 임시 DOI 룰은 적합한 것으로 판단될 수 있다.
상기 임시 DOI 룰이 적합할 경우, 상기 임시 DOI 룰은 확정 DOI 룰로 정의된다(S246).
상기 임시 DOI 룰이 부적합할 경우, 상기 임시 DOI 룰은 수정되어 재정의될 수 있다.
SEM/GDS 이미지 분석 단계(S250)에서는, 상기 확정 DOI 룰에 따라 SEM 이미지 및 GDS 이미지를 분석하여 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 분류할 수 있다.
도 7은 본 발명의 기술적 사상에 의한 일 실시예에 따른 기판 맵을 이용한 결함 분류 공정(M)을 나타낸 흐름도이다.
도 7을 참조하면, 기판 맵을 이용한 결함 분류 공정(M)은 기판 맵 생성 단계(M110), 맵 DOI 정의 단계(M120), 맵 DOI 룰 정의 단계(M130) 및 기판 맵 분석 단계(M140)를 포함할 수 있다.
기판 맵 생성 단계(M110)에서는, 광학 검사 장치 등을 이용하여 하나 이상의 단위 공정이 수행된 기판의 광학 이미지를 획득함으로써, 도 8 또는 도 9에 도시된 기판 맵(W1, W2)과 유사한 기판 맵을 생성할 수 있다. 상기 광학 검사 장치는 예를 들면 레이저, 자외선, 가시광선 등을 이용한 검사 장치일 수 있다.
맵 DOI 정의 단계(M120)에서는, 상기 기판 맵 상의 결함 유형을 유형화한 맵 DOI 들을 정의할 수 있다. 예를 들어, 맵 DOI 들은 스크래치(도 8 참조) 및 마스크 불량(도 9 참조) 등을 포함할 수 있다.
일부 실시예들에서, 상기 맵 DOI 들은 도 2 내지 도 6을 참조하여 설명한 DOI 들과 별개로 구성될 수 있다. 다른 일부 실시예들에서, 상기 맵 DOI 들 중 적어도 일부의 맵 DOI는 도 2 내지 도 6을 참조하여 설명한 DOI 들에 포함될 수도 있다.
맵 DOI 룰 정의 단계(M130)에서는, 상기 기판 맵 상의 결함 유형이 상기 맵 DOI 들 중 어떤 맵 DOI에 해당하는지를 판단하는 기준인 맵 DOI 룰을 정의할 수 있다. 즉, 상기 맵 DOI 룰은 상기 맵 DOI 들 각각의 판단 기준이 될 수 있다.
예를 들어, 상기 맵 DOI 룰은 "적어도 세개 이상의 결함이 방향성을 가지고 연속적으로 형성될 경우, 맵 DOI는 스크래치로 분류한다" 또는 "결함부들이 단위 영역을 기준으로 반복 배치된 경우, 맵 DOI는 포토 마스크 불량으로 분류한다" 등을 포함할 수 있으며, 이에 대한 상세한 설명은 도 8 및 도 9를 참조하여 후술하기로 한다.
기판 맵 분석 단계(M140)에서는, 상기 맵 DOI 룰에 따라 상기 기판 맵을 분석하여 상기 기판 맵 상의 결함이 상기 맵 DOI 들 중 어떤 맵 DOI에 해당하는지를 분류할 수 있다.
일부 실시예들에서, 기판 맵을 이용한 결함 분류 공정(M)은 도 2 또는 도 6을 참조하여 설명한 SEM 이미지를 이용한 결함 분류 공정(S1, S2)과 별개로 수행될 수 있다(도 12 참조).
다른 일부 실시예들에서, 기판 맵을 이용한 결함 분류 공정(M)은 상기 SEM 이미지를 이용한 결함 분류 공정과 순서를 가지며 수행될 수도 있다(도 13 참조).
도 8은 기판 맵(W1)을 이용한 결함 분류 공정을 통해 스크래치를 검출하는 모습을 예시적으로 나타낸 도면이다.
도 8을 참조하면, 기판 맵(W1) 상에는 복수의 결함부들(Ft)이 위치하고 있으며, 결함부들(Ft) 중 제1 영역(Area1)에 위치하는 결함부들은 일정한 방향성을 가지고 있다. 이 경우, 제1 영역(Area1)에 위치하는 결함부들은 스크래치로 분류될 수 있다.
이러한 케이스에서, 맵 DOI 룰은 예를 들면 "적어도 세개 이상의 결함이 일정한 방향성을 가지고 연속적으로 형성될 경우, 맵 DOI는 스크래치로 분류한다" 등과 유사하게 정의될 수 있다.
일부 실시예들에서, 도 13에 도시된 바와 같이 기판 맵을 이용한 결함 분류 공정(M)이 SEM 이미지를 이용한 결함 분류 공정(S)보다 먼저 수행될 경우, 결함부들(Ft) 중 제1 영역(Area1)에 위치하는 결함부들을 제외하고 SEM 이미지를 이용한 결함 분류 공정(S)을 수행할 수도 있다. 즉, 기판 맵을 이용한 결함 분류 공정(M)은 결함부들(Ft)에 대하여 SEM 이미지를 이용한 분석을 수행할 지 여부를 결정하는 데에 이용할 수 있다. 이 경우, 모든 결함부들(Ft)에 대하여 SEM 이미지 분석을 수행할 필요 없이, SEM 이미지 분석이 요구되는 결함부에서만 SEM 이미지 분석을 수행함으로써 공정 효율성을 높일 수 있게 된다.
도 9는 기판 맵(W2)을 이용한 결함 분류 공정을 통해 포토 마스크 불량을 검출하는 모습을 예시적으로 나타낸 도면이다.
도 9를 참조하면, 기판 맵(W2) 상에는 복수의 결함부들(Ft)이 위치하고 있으며, 결함부들(Ft)은 제2 영역(Area2) 내에서 동일한 위치에 존재한다. 즉, 결함부들(Ft)은 제2 영역(Area2)을 단위 영역으로 하여 반복 형성되고 있다. 이러한 결함부들(Ft)은 단위 영역에 따라 배치되는 포토 마스크(photo mask)의 불량에 의해 형성될 가능성이 높다.
이러한 케이스에서, 맵 DOI 룰은 예를 들면 "결함부들이 단위 영역을 기준으로 반복 배치된 경우, 맵 DOI는 포토 마스크 불량으로 분류한다" 등과 유사하게 정의될 수 있다.
일부 실시예들에서, 결함부들(Ft)의 맵 DOI가 포토 마스크 불량으로 분류된 경우, 상기 결함부들(Ft)에 대하여는 SEM 이미지 분석을 수행하지 않을 수 있다.
도 10은 본 발명의 기술적 사상에 의한 일 실시예에 따른 특징 벡터를 이용한 결함 분류 공정(F)을 나타낸 흐름도이다.
도 10을 참조하면, 특징 벡터를 이용한 결함 분류 공정(M)은 특징 벡터 선정 단계(F110), 벡터 DOI 정의 단계(F120), 벡터 DOI 룰 정의 단계(F130) 및 특징 벡터 분석 단계(F140)를 포함할 수 있다.
특징 벡터 선정 단계(F110)에서, 특징 벡터는 도 1을 참조하여 설명한 결함 검출 공정(A110)에 의해 검출된 결함부들 각각에서의 측정 데이터가 가지는 특징 벡터들로부터 선정될 수 있다. 상기 측정 데이터는 예를 들면 수십 내지 수백 개의 특징 벡터들을 포함할 수 있으며, 적어도 하나 이상의 특징 벡터가 상기 특징 벡터들로부터 임의로 선정될 수 있다.
일부 실시예들에서, 선정된 특징 벡터 중 적어도 하나 이상의 특징 벡터에는 가중치가 부여될 수도 있다.
벡터DOI 정의 단계(F120)에서는, 상기 결함부들 각각의 결함 유형을 유형화한 벡터 DOI 들을 정의할 수 있다. 예를 들어, 벡터 DOI 들은 제1 내지 제3 클래스(도 11 참조)를 포함할 수 있다.
일부 실시예들에서, 상기 벡터 DOI 들은 도 2 내지 도 6을 참조하여 설명한 DOI 들과 별개로 구성될 수 있다. 다른 일부 실시예들에서, 상기 벡터 DOI 들 중 적어도 일부의 벡터 DOI는 도 2 내지 도 6을 참조하여 설명한 DOI 들에 포함될 수도 있다.
벡터DOI 룰 정의 단계(F130)에서는, 상기 결함부들 각각의 결함 유형이 상기 벡터 DOI 들 중 어떤 벡터 DOI에 해당하는지를 판단하는 기준인 벡터 DOI 룰을 정의할 수 있다. 즉, 상기 벡터 DOI 룰은 상기 벡터 DOI 들 각각의 판단 기준이 될 수 있다.
특징 벡터 분석 단계(F140)에서는, 상기 벡터 DOI 룰에 따라 상기 특징 벡터를 분석하여 상기 결함부들 각각의 결함이 상기 벡터 DOI 들 중 어떤 벡터 DOI에 해당하는지를 분류할 수 있다.
일부 실시예들에서, 특징 벡터를 이용한 결함 분류 공정(F)은 도 2 또는 도 6을 참조하여 설명한 SEM 이미지를 이용한 결함 분류 공정(S1, S2)과 별개로 수행될 수 있다(도 12 참조).
다른 일부 실시예들에서, 특징 벡터를 이용한 결함 분류 공정(F)은 상기 SEM 이미지를 이용한 결함 분류 공정과 순서를 가지며 수행될 수도 있다(도 13 참조).
도 11은 특징 벡터를 이용한 결함 분류 공정을 예시적으로 나타낸 도면이다.
도 11을 참조하면, 도 10을 참조하여 상술한 측정 데이터가 가지는 복수의 특징 벡터들 중 제1 특징 벡터(F1) 및 제2 특징 벡터(F2)가 선정된 경우로서, 결함부들이 제1 특징 벡터(F1) 및 제2 특징 벡터(F2)에 따라 분포된 경우를 도시하고 있다.
상기 결함부들은, 도 10을 참조하여 설명한 벡터 DOI 룰에 따라, 제1 내지 제3 클래스(C1 ~ C3)로 분류될 수 있다.
상기 벡터 DOI 룰은 예를 들면, "제1 특징 벡터(F1) 값이 제1 기준선(L1)보다 큰 값을 가지고, 제2 특징 벡터(F2) 값이 제2 기준선(L2)보다 큰 값을 가질 경우, 벡터 DOI는 제1 클래스(C1)로 분류한다", "제1 특징 벡터(F1) 값이 제1 기준선(L1)보다 작은 값을 가지고, 제2 특징 벡터(F2) 값이 제3 기준선(L3)보다 큰 값을 가질 경우, 벡터 DOI는 제2 클래스(C2)로 분류한다" 또는 "제1 특징 벡터(F1) 값이 제2 기준선(L2)보다 작은 값을 가지고, 제2 특징 벡터(F2) 값이 제3 기준선(L3)보다 작은 값을 가질 경우, 벡터 DOI는 제3 클래스(C3)로 분류한다" 등을 포함할 수 있다.
일부 실시예들에서, 도 13에 도시된 바와 같이 특성 벡터를 이용한 결함 분류 공정(F)이 SEM 이미지를 이용한 결함 분류 공정(S)보다 먼저 수행될 경우, 제1 내지 제3 클래스(C1 ~ C3) 중 일부 클래스에 대하여만 SEM 이미지를 이용한 결함 분류 공정(S)을 수행할 수도 있다. 이 경우, 제1 내지 제3 클래스(C1 ~ C3)에 포함된 모든 결함부들에 대하여 SEM 이미지 분석을 수행할 필요 없이, SEM 이미지 분석이 요구되는 클래스에서만 SEM 이미지 분석을 수행함으로써 공정 효율성을 높일 수 있게 된다.
도 12 및 도 13은 본 발명의 기술적 사상에 의한 실시예들에 따른 자동 결함 분류 공정(A300, A400)을 나타낸 개념도이다.
도 12 및 도 13에 도시된 바와 같이, 결함 검출 공정(A310, A410)이 수행된 후, 결함 검출 공정(A310, A410)에서 검출된 결함부들의 결함 종류를 분류하기 위한 결함 분류 공정(A320, A420)이 수행될 수 있다.
결함 분류 공정(A320, A420)은 SEM 이미지를 이용한 결함 분류 공정(S), 특징 벡터를 이용한 결함 분류 공정(F) 및 기판 맵을 이용한 결함 분류 공정(M) 중 적어도 하나 이상의 결함 분류 공정을 포함할 수 있다.
한편, 결함 분류 공정(A320, A420)에서 SEM 이미지를 이용한 결함 분류 공정(S), 특징 벡터를 이용한 결함 분류 공정(F) 및 기판 맵을 이용한 결함 분류 공정(M)이 수행되는 방법은 다양할 수 있다.
예를 들어, 도 12에 도시된 바와 같이, SEM 이미지를 이용한 결함 분류 공정(S), 특징 벡터를 이용한 결함 분류 공정(F) 및 기판 맵을 이용한 결함 분류 공정(M)은 결함 분류 공정(A320) 동안 동시에 수행될 수 있다.
이와 다르게, 도 13에 도시된 바와 같이, SEM 이미지를 이용한 결함 분류 공정(S), 특징 벡터를 이용한 결함 분류 공정(F) 및 기판 맵을 이용한 결함 분류 공정(M)은 결함 분류 공정(A420) 동안 순차적으로 수행될 수 있다. 예를 들어, 기판 맵을 이용한 결함 분류 공정(M)을 통해 1차적으로 결함을 분류(1차 분류)하고, 상기 1차 분류의 결과물 내에서 특징 벡터를 이용한 결함 분류 공정(F)을 통해 2차적으로 결함을 분류(2차 분류)하며, 상기 2차 분류의 결과물 내에서 SEM 이미지를 이용한 결함 분류 공정(S)을 통해 3차적으로 결함을 분류(3차 분류)할 수도 있다.
도 14는 본 발명의 기술적 사상에 의한 다른 실시예에 따른 자동 결함 분류 공정을 포함하는 반도체 제조 공정을 예시적으로 나타낸 도면이다.
도 14를 참조하면, 반도체 제조 공정은 복수의 단위 공정들(U1 ~ Un), 적어도 하나 이상의 자동 결함 분류 공정(A200) 및 테스트 공정(T)을 포함할 수 있다.
자동 결함 분류 공정(A200)은, 결함 검출 공정(A210), 결함 분류 공정(A220), 결함 원인 분석 공정(A230) 및 공정 레시피 수정 공정(A240)을 포함할 수 있다.
본 실시예에서의 자동 결함 분류 공정(A200)은 도 1을 참조하여 설명한 자동 결함 분류 공정(A100)과 유사한 방법으로 수행될 수 있으나, 결함 원인 분석 공정(A230) 및 공정 레시피 수정 공정(A240)이 추가적으로 수행되는 점에 차이가 있다.
한편, 본 실시예에서는 결함 원인 분석 공정(A230) 및 공정 레시피 수정 공정(A240)이 자동 결함 분류 공정(A200)에 포함된 것으로 설명되었으나, 이에 한정되지 않는다. 즉, 결함 원인 분석 공정(A230) 및 공정 레시피 수정 공정(A240)은 자동 결함 분류 공정(A200) 이후에 별개로 수행되는 공정일 수 있다.
결함 검출 공정(A210)은 제2 단위 공정(U2)이 수행된 후의 기판(미도시)의 결함을 검출하는 공정으로서, 결함 검출 공정(A210)을 통해, 제2 단위 공정(U2)이 수행된 후의 기판 상에 위치할 수 있는 복수의 결함부들(미도시)을 검출할 수 있게 된다.
결함 분류 공정(A220)에서는, 검출된 상기 결함부들 각각의 결함 종류를 분류하는 공정이 수행된다.
결함 검출 공정(A210) 및 결함 분류 공정(A220) 각각은 도 1을 참조하여 설명한 결함 검출 공정(A110) 및 결함 분류 공정(A120)과 유사한 방법으로 수행될 수 있다.
결함 원인 분석 공정(A230)에서는, 결함 분류 공정(A220)에 의해 분류된 DOI 들 각각의 결함 원인을 분석할 수 있다.
예를 들어, 결함 분류 공정(A220)을 통해 결함부의 DOI가 도 3b를 참조하여 설명한 절연 라인 브릿지(D1)로 분류된 경우, 결함 원인은 패터닝 공정에서의 파티클 문제로 분석될 수 있다.
다른 예로서, 결함부의 DOI가 도 4b를 참조하여 설명한 도전 라인 브릿지(D2)로 분류된 경우, 결함 원인은 패터닝 공정에서의 포토 마스크 문제로 분석될 수 있다.
또 다른 예로서, 결함부의 DOI가 도 5b를 참조하여 설명한 도전 도트 보이드(D3)로 분류된 경우, 결함 원인은 도전 물질 충진(filling) 불량으로 분석될 수 있다.
공정 레시피 수정 공정(S240)에서는, 결함 원인 분석 공정(A230)에 의해 분석된 결함 원인을 토대로 제2 단위 공정(U2)에서의 공정 레시피를 수정할 수 있다. 다만, 이에 한정되지 않고, 결함 원인이 제2 단위 공정(U2)이전에 수행된 제1 단위 공정(U1)에 있는 것으로 분석될 경우에는 제1 단위 공정(U1)에서의 공정 레시피를 수정할 수도 있다.
본 실시예에서와 같이 검출된 결함부들이 복수의 DOI 들 중 어떤 DOI에 해당하는지 자동으로 분류하고, DOI 들 각각에 해당하는 결함 원인을 분석할 경우 결함 분류 및 결함 원인 분석에 소모될 수 있는 공정 시간 및 공정 비용을 절약할 수 있으며, 결함에 대한 정보를 피드백함으로써 공정 수율을 높일 수 있게 된다.
이상, 본 발명을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시예에 한정되지 않고, 본 발명의 기술적 사상 및 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러가지 변형 및 변경이 가능하다.
A100: 자동 결함 분류 공정
A110: 결함 검출 공정
A120: 결함 분류 공정
S, S1, S2: SEM 이미지를 이용한 결함 분류 공정
F: 특징 벡터를 이용한 결함 분류 공정
F1, F2: 제1 및 제2 특징 벡터
L1, L2, L3: 제1 내지 제3 기준선
M: 기판 맵을 이용한 결함 분류 공정
1, 10: 도전 라인 패턴
2, 20: 절연 라인 패턴
3, 30: 배리어막
4, 40: 도전 도트 패턴
C: 매칭 일치 영역
NC: 매칭 불일치 영역
Ft: 결함부들
W1, W2: 기판 맵

Claims (10)

  1. 적어도 하나 이상의 단위 공정이 수행된 기판으로부터 결함부들을 검출하는 결함 검출 단계 및
    상기 결함부들 각각의 결함 종류를 분류하는 결함 분류 단계를 포함하고,
    상기 결함 분류 단계는
    상기 결함부들 각각의 SEM (Scanning Electron Microscope) 이미지들을 획득하는 이미지 획득 단계와,
    상기 SEM 이미지들 각각에 대응되는 GDS (Graphic data system) 이미지들에 상기 기판의 정보를 등록하는 기판 정보 등록 단계와,
    상기 결함부들의 결함을 유형화한 복수의 DOI (Defect of interest) 들을 정의하는 DOI 정의 단계와,
    상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 판단하는 기준인 DOI 룰(rule)을 정의하는 DOI 룰 정의 단계와,
    상기 DOI 룰에 따라 상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 분류하는 이미지 분석 단계를 포함하는 것을 특징으로 하는 자동 결함 분류 방법.
  2. 제1 항에 있어서,
    상기 기판 정보 등록 단계에서 상기 기판 정보는 절연 라인 패턴, 도전 라인 패턴 및 도전 도트 패턴 중 적어도 하나 이상의 패턴에 대한 정보를 포함하는 것을 특징으로 하는 자동 결함 분류 방법.
  3. 제2 항에 있어서,
    상기 기판 정보는 상기 절연 라인 패턴, 상기 도전 라인 패턴 및 상기 도전 도트 패턴 중 적어도 하나 이상의 패턴에 포함된 물질에 대한 정보인 물질 정보를 포함하는 것을 특징으로 하는 자동 결함 분류 방법.
  4. 제3 항에 있어서,
    상기 이미지 분석 단계는
    상기 SEM 이미지 및 상기 GDS 이미지를 매칭하여 매칭 일치 영역 및 매칭 불일치 영역을 획득하는 매칭 이미지 획득 단계와,
    상기 매칭 불일치 영역을 분석하는 매칭 불일치 영역 분석 단계를 포함하는 것을 특징으로 하는 자동 결함 분류 방법.
  5. 제4 항에 있어서,
    상기 매칭 불일치 영역 분석 단계는 상기 매칭 불일치 영역의 물질 정보와, 상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보를 비교 분석하는 단계를 포함하는 것을 특징으로 하는 자동 결함 분류 방법.
  6. 제3 항에 있어서,
    상기 기판 정보는 상기 도전 라인 패턴의 물질 정보를 포함하고,
    상기DOI 들 중 어느 하나의 DOI는 절연 라인 브릿지(bridge)이며,
    상기 결함부가 상기 절연 라인 브릿지로 분류되기 위한 상기 DOI 룰은 "상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보가 상기 도전 라인 패턴의 물질 정보와 동일할 경우, DOI는 절연 라인 브릿지로 분류한다"로 정의되는 것을 특징으로 하는 자동 결함 분류 방법.
  7. 제3 항에 있어서,
    상기 기판 정보는 상기 절연 라인 패턴의 물질 정보를 포함하고,
    상기DOI 들 중 어느 하나의 DOI는 도전 라인 브릿지이며,
    상기 결함부가 상기 도전 라인 브릿지로 분류되기 위한 상기 DOI 룰은 "상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보가 상기 절연 라인 패턴의 물질 정보와 동일할 경우, DOI는 도전 라인 브릿지로 분류한다"로 정의되는 것을 특징으로 하는 자동 결함 분류 방법.
  8. 제3 항에 있어서,
    상기 기판 정보는 상기 도전 도트 패턴의 물질 정보 및 상기 도전 도트 패턴을 둘러싸는 배리어막의 물질 정보를 포함하고,
    상기DOI 들 중 어느 하나의 DOI는 도전 도트 보이드(dot void)이며,
    상기 결함부가 상기 도전 도트 보이드로 분류되기 위한 상기 DOI 룰은 "상기 매칭 불일치 영역에 대응되는 영역에서의 상기 GDS 이미지에 등록된 물질 정보가 상기 도전 도트 패턴의 물질 정보와 동일하되, 상기 매칭 불일치 영역이 상기 배리어막의 내부 영역에 위치할 경우, DOI는 도전 도트 보이드로 분류한다"로 정의되는 것을 특징으로 하는 자동 결함 분류 방법.
  9. 제1 항에 있어서,
    상기 결함 분류 단계의 결과물에 기초하여 결함 원인을 분석하는 결함 원인 분석 단계와,
    상기 결함 원인에 기초하여 상기 단위 공정의 공정 레시피(recipe)를 수정하는 공정 레시피 수정 단계를 더 포함하는 것을 특징으로 하는 자동 결함 분류 방법.
  10. 적어도 하나 이상의 단위 공정이 수행된 기판으로부터 결함부들을 검출하는 결함 검출 단계
    특징 벡터(feature vector)를 이용하여 상기 결함부들 각각의 결함 종류를 분류하는 제1 결함 분류 단계 및
    SEM 이미지를 이용하여 상기 결함부들 각각의 결함 종류를 분류하는 제2 결함 분류 단계를 포함하고,
    상기 제2 결함 분류하는 단계는
    복수의 DOI 들을 정의하는 단계와,
    상기 결함부들 각각의 결함이 상기 DOI 들 중 어떤 DOI에 해당하는지를 판단하는 DOI 룰을 정의하는 단계와,
    상기DOI 룰에 따라 상기 SEM 이미지 및 GDS 이미지를 분석하여 상기 결함부들 각각의 결함이 각각이 상기 DOI 들 중 어떤 DOI에 해당하는지를 분류하는 이미지 분석 단계를 포함하는 것을 특징으로 하는 자동 결함 분류 방법.
KR1020140186370A 2014-12-22 2014-12-22 자동 결함 분류 방법 KR102392057B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140186370A KR102392057B1 (ko) 2014-12-22 2014-12-22 자동 결함 분류 방법
US14/819,566 US9727799B2 (en) 2014-12-22 2015-08-06 Method of automatic defect classification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140186370A KR102392057B1 (ko) 2014-12-22 2014-12-22 자동 결함 분류 방법

Publications (2)

Publication Number Publication Date
KR20160076310A KR20160076310A (ko) 2016-06-30
KR102392057B1 true KR102392057B1 (ko) 2022-04-28

Family

ID=56130018

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140186370A KR102392057B1 (ko) 2014-12-22 2014-12-22 자동 결함 분류 방법

Country Status (2)

Country Link
US (1) US9727799B2 (ko)
KR (1) KR102392057B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190073756A (ko) 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
US20220146822A1 (en) * 2019-08-15 2022-05-12 Ostendo Technologies, Inc. Wearable Display Systems and Design Methods Thereof
US20240144464A1 (en) * 2022-10-28 2024-05-02 Applied Materials, Inc. Classification of defect patterns of substrates

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008086282A2 (en) 2007-01-05 2008-07-17 Kla-Tencor Corporation Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
WO2009039486A2 (en) 2007-09-20 2009-03-26 Kla-Tencor Corporation Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US20130140457A1 (en) 2009-12-16 2013-06-06 Yohei Minekawa Defect observation method and defect observation device

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6456899B1 (en) * 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
JP2008082740A (ja) 2006-09-26 2008-04-10 Toshiba Corp 半導体装置のパターン欠陥検査方法
US8214798B2 (en) 2008-07-16 2012-07-03 International Business Machines Corporation Automatic calculation of orthogonal defect classification (ODC) fields
KR20100076471A (ko) 2008-12-26 2010-07-06 주식회사 하이닉스반도체 반도체 장치의 제조 방법
US8175373B2 (en) * 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
JPWO2011004534A1 (ja) 2009-07-09 2012-12-13 株式会社日立ハイテクノロジーズ 半導体欠陥分類方法，半導体欠陥分類装置，半導体欠陥分類プログラム
JP5622398B2 (ja) 2010-01-05 2014-11-12 株式会社日立ハイテクノロジーズ Ｓｅｍを用いた欠陥検査方法及び装置
US9390490B2 (en) 2010-01-05 2016-07-12 Hitachi High-Technologies Corporation Method and device for testing defect using SEM
WO2011155123A1 (ja) * 2010-06-07 2011-12-15 株式会社 日立ハイテクノロジーズ 観察画像の分類基準の最適化方法、および画像分類装置
JP2012068051A (ja) 2010-09-21 2012-04-05 Toshiba Corp パターン欠陥検査装置およびパターン欠陥検査方法
JP2012083147A (ja) 2010-10-08 2012-04-26 Hitachi High-Technologies Corp 欠陥分類システム及び欠陥分類装置及び画像撮像装置
US8607169B2 (en) 2011-12-28 2013-12-10 Elitetech Technology Co., Ltd. Intelligent defect diagnosis method
JP5882072B2 (ja) * 2012-02-06 2016-03-09 株式会社日立ハイテクノロジーズ 欠陥観察方法及びその装置
US9269135B2 (en) 2012-03-01 2016-02-23 Taiwan Semiconductor Manufacturing Company, Ltd. Defect management systems and methods
US10043264B2 (en) 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
WO2014149197A1 (en) 2013-02-01 2014-09-25 Kla-Tencor Corporation Detecting defects on a wafer using defect-specific and multi-channel information

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008086282A2 (en) 2007-01-05 2008-07-17 Kla-Tencor Corporation Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
WO2009039486A2 (en) 2007-09-20 2009-03-26 Kla-Tencor Corporation Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US20130140457A1 (en) 2009-12-16 2013-06-06 Yohei Minekawa Defect observation method and defect observation device

Also Published As

Publication number Publication date
US20160180513A1 (en) 2016-06-23
KR20160076310A (ko) 2016-06-30
US9727799B2 (en) 2017-08-08

Similar Documents

Publication Publication Date Title
US10713771B2 (en) Methods and systems for inspection of wafers and reticles using designer intent data
US7570800B2 (en) Methods and systems for binning defects detected on a specimen
US9508611B2 (en) Semiconductor inspection method, semiconductor inspection device and manufacturing method of semiconductor element
US7351968B1 (en) Multi-pixel electron emission die-to-die inspection
US11010886B2 (en) Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
KR102392057B1 (ko) 자동 결함 분류 방법
JP6637375B2 (ja) パターン検査方法及びパターン検査装置
US6687633B2 (en) Inspection system, inspection apparatus, inspection program, and production method of semiconductor devices
US9251581B1 (en) Methods for promoting semiconductor manufacturing yield and classifying defects during fabricating a semiconductor device, and computer readable mediums encoded with a computer program implementing the same
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
US11676260B2 (en) Variation-based segmentation for wafer defect detection
CN111837227A (zh) 通过倾斜照射的前层扰乱减少
KR102380099B1 (ko) 범위 기반 실시간 스캐닝 전자 현미경 비시각적 비너
US6284553B1 (en) Location dependent automatic defect classification
US11610296B2 (en) Projection and distance segmentation algorithm for wafer defect detection
US11295432B2 (en) Broad band plasma inspection based on a nuisance map
US20230139085A1 (en) Processing reference data for wafer inspection
US20230411224A1 (en) System and method for detecting defects on a wafer and related non-transitory computer-readable medium
Ben-Porath et al. Advanced process development and control based on a fully automated SEM with ADC
US20050049836A1 (en) Method of defect root cause analysis
KR20220053293A (ko) 테스트 더미 패턴을 갖는 반도체 장치, 그것의 제조방법 및 테스트 더미 패턴을 이용한 불량 검사 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant