KR102438825B1 - 전자 빔 검사를 사용한 결함 발견 및 뉴슨스를 감소시키기 위한 실시간 인텔리전스에 의한 딥 러닝 - Google Patents

전자 빔 검사를 사용한 결함 발견 및 뉴슨스를 감소시키기 위한 실시간 인텔리전스에 의한 딥 러닝 Download PDF

Info

Publication number
KR102438825B1
KR102438825B1 KR1020207022609A KR20207022609A KR102438825B1 KR 102438825 B1 KR102438825 B1 KR 102438825B1 KR 1020207022609 A KR1020207022609 A KR 1020207022609A KR 20207022609 A KR20207022609 A KR 20207022609A KR 102438825 B1 KR102438825 B1 KR 102438825B1
Authority
KR
South Korea
Prior art keywords
care
area
wafer
defect
inspection
Prior art date
Application number
KR1020207022609A
Other languages
English (en)
Other versions
KR20200096993A (ko
Inventor
아르핏 야티
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 KR20200096993A publication Critical patent/KR20200096993A/ko
Application granted granted Critical
Publication of KR102438825B1 publication Critical patent/KR102438825B1/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
    • H01L22/10—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
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/244—Detectors; Associated components or circuits therefor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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

Landscapes

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

Abstract

반도체 웨이퍼에 대한 결함 발견을 위해 딥 러닝 알고리즘이 사용된다. 케어 영역은 웨이퍼 검사 툴에 의해 검사된다. 딥 러닝 알고리즘은 케어 영역 내의 결함을 식별하고 분류하는데 사용된다. 나머지 케어 영역에 대해 이 과정이 반복될 수 있지만, 처리량을 증가시키기 위해 유사한 케어 영역이 생략될 수 있다.

Description

전자 빔 검사를 사용한 결함 발견 및 뉴슨스를 감소시키기 위한 실시간 인텔리전스에 의한 딥 러닝
[본원과 관련된 상호 참조 문헌] 본 출원은, 개시 내용이 참조에 의해 여기에 포함된 인도 가출원 No. 201841000585(출원일: 2018년 1월 5일), 및 미국 출원 No. 62/636,032(출원일: 2018년 2월 27일)에 대한 우선권을 주장한다.
[본 개시의 기술분야] 본 개시는 일반적으로 반도체 검사에 관한 것이다. 특히, 본 개시는 일반적으로 예측에 기초하여 결함을 효율적으로 발견하기 위한 방법에 관한 것이다.
반도체 제조 산업의 발전으로 수율 관리, 특히 계측 및 검사 시스템에 대한 요구가 더욱 높아지고 있다. 임계 치수가 계속 줄어들고 있다. 경제는 고수익, 고부가가치 생산을 달성하는 데 소요되는 시간을 줄이기 위해 업계를 주도하고 있다. 수율 문제 감지부터 해결까지의 총 시간을 최소화하는 것이 반도체 제조사의 투자 수익률을 결정한다.
이러한 로직 및 메모리 디바이스와 같은 반도체 디바이스를 제조하는 것은, 통상적으로 다양한 피처 및 다중 레벨의 반도체 디바이스를 형성하기 위해 다수의 제조 프로세스를 사용하여 반도체 웨이퍼를 프로세싱하는 단계를 포함한다. 예를 들어, 리소그래피는 레티클로부터 반도체 웨이퍼 상에 배열된 포토레지스트로 패턴을 전사하는 단계를 포함하는 반도체 제조 프로세스이다. 반도체 제조 프로세스의 추가 실시예는, CMP(chemical-mechanical polishing), 에칭, 성막, 및 이온 주입을 포함하지만, 이것에 한정되지 않는다. 다수의 반도체 디바이스들은 단일 반도체 웨이퍼 상의 어레인지먼트로 제조되어 개별 반도체 디바이스들로 분리될 수 있다.
결함 발견 또는 중대한 결함 타입의 발견은 반도체 디바이스 제조의 일부이다. 가능한 최소 시간 내에 모든 중대한 결함 타입을 찾는 것은 반도체 제조 과정에서 수율을 향상시킬 수 있으며, 이러한 결함 발견을 위해 전자 빔 검사를 더 자주 의존하고 있다. 층에서 결함 타입을 빨리 식별할수록 이러한 결함을 빨리 수정할 수 있다. 모든 중대한 결함 타입을 찾는 것을 종종 결함 발견이라고 한다. 결함 발견 프로세스는 전형적으로 핫 스캔을 사용하여 층을 먼저 검사하고, 잠재적 결함 사이트를 다양한 알고리즘(예를 들어, 다이버 시티 샘플링)을 사용하여 샘플링한 다음 결함 사이트를 확인하기 위해 스캐닝 전자 현미경(scanning electron microscope; SEM) 이미지를 검수하는 검사 검수 사이클을 포함한다. 검사 레시피를 추가로 조정하여 모든 결함 타입을 찾지 못한 경우 흐름이 반복될 수 있다.
도 1은 종래 기술의 플로우차트이다. 결함 발견의 종래의 방법은 BBP(broadband plasma) 검사 툴을 사용하여 다양한 광학 모드로 핫 스캔을 수행하는 것을 포함한다. 다양한 샘플 세트가 얻어지는 것을 보장하기 위해, BBP 특성을 기반으로 사이트가 다양성 샘플링된다(diversity sampled). 이어서, 다양한 결함 타입을 확인하기 위해 SEM을 사용하여 다양한 샘플 세트가 검수된다.
이전 기술은 단점을 가지고 있다. 우선, 이전 기술을 사용하여 결함 타입을 모두 찾기 위해 1 내지 2일이 소요될 수 있다. 모든 결함을 포착하는 BBP 레시피를 조정하기 위해 여러 번 반복해야 할 수도 있다. BBP 검사 스캔에서의 매우 높은 뉴슨스 레이트(nuisance rate)로 인해, 디자인이 사용 불가인 경우에 디스큐(deskew)를 수행할 때 어려움이 발생할 수 있다. BBP에는 구리 화학적 기계적 평탄화(copper chemical mechanical planarization; CuCMP) 브리지 또는 전압 대비(voltage contrast; VC) 결함과 같은 많은 결함 타입에 대한 갭(gap)을 갖는다. 광학 검사 갭 결함도 발견될 수 없다. 이미 식별된 결함 타입에 기초하여 검사 또는 샘플링을 변경하는 실시간 인텔리전스(real-time intelligence)는 없다. 웨이퍼는 2개의 상이한 툴 상에서 이동해야 하며 좌표계가 매치될 필요가 있다. 검사 스캔은 낮은 결함 수를 가지고, 이는 SEM 툴 상에서의 더 높은 디스큐(de-skew) 시간을 초래하고, 이것은 2 시간 이상이 걸릴 수 있다. 결함 타입이 누락된 경우, BBP 레시피로의 리터닝, SEM 검수, 및 분류를 포함하여 전체 검사 흐름이 반복되어야 한다.
따라서, 향상된 결함 발견이 요구된다.
적응적 결함 발견을 위한 방법이 제1 실시형태에서 제공된다. 복수의 케어 영역이 웨이퍼 검사 툴에서 수신된다. 제1 케어 영역이 웨이퍼 검사 툴에 의해 검사된다. 프로세서에 의한 딥 러닝 알고리즘을 사용하여, 제1 케어 영역에서의 결함이 식별된다. 프로세서에 의한 딥 러닝 알고리즘을 사용하여, 제1 케어 영역에서의 결함이 분류된다(classified). 임의의 나머지 복수의 케어 영역에 대해 검사, 식별, 및 분류가 반복된다.
케어 영역은 디자인 소프트웨어로부터 수신될 수 있다.
검사는 웨이퍼 검사 툴을 사용한 이미징(imaging)을 포함할 수 있다.
방법은 결함이 제1 케어 영역의 제1 인스턴스로 분류된 후에 제1 케어 영역의 추가 인스턴스의 검사를 생략하는 단계를 더 포함할 수 있다. 제1 케어 영역의 각각의 인스턴스는 유사한 디바이스, 구조, 또는 치수를 포함한다.
케어 영역은 100 μm2 이하의 면적을 가질 수 있다. 예컨대, 케어 영역은 50 μm2가 될 수 있다.
방법은 프로세서에 의한 딥 러닝 알고리즘을 사용하여 케어 영역에서 가능한 타입의 결함을 식별하는 단계를 더 포함할 수 있다.
검사, 식별, 및 분류는, 케어 영역을 가진 웨이퍼가 동일한 웨이퍼 검사 툴 내에 있는 동안 발생할 수 있다.
방법은 검사, 식별, 및 분류 동안 웨이퍼 검사 툴 내의 척(chuck) 상에 케어 영역을 가진 웨이퍼를 유지하는 단계를 더 포함할 수 있다.
적응적 결함 발견 시스템이 제2 실시형태에서 제공된다. 적응적 결함 발견 시스템은, 웨이퍼 상에 포커싱된 전자를 생성하는 전자 빔 소스; 전자 컬럼; 검출기; 및 검출기 및 전자 빔 소스와 전자 통신하는 프로세서를 포함한다. 웨이퍼로부터 리턴된 전자는 검출기 상에 포커싱되고, 검출기는 웨이퍼의 이미지를 캡처하는데 사용된다. 프로세서는, 복수의 케어 영역을 수신하고; 전자 빔 소스 및 검출기에 제1 케어 영역을 검사하기 위한 명령을 전송하고; 딥 러닝 알고리즘을 사용하여 제1 케어 영역의 이미지에서 결함을 식별하고; 딥 러닝 알고리즘을 사용하여 제1 케어 영역 내의 결함을 분류하고; 임의의 나머지 복수의 케어 영역에 대해 전송, 식별, 및 분류를 반복하도록 구성된다.
케어 영역은 디자인 소프트웨어로부터 수신될 수 있다.
프로세서는 또한, 딥 러닝 알고리즘을 사용하여 케어 영역 내의 가능한 타입의 결함을 식별하도록 구성될 수 있다.
프로세서는 또한, 결함이 제1 케어 영역의 제1 인스턴스로 분류된 후에 제1 케어 영역의 추가 인스턴스의 검사를 생략하도록 구성될 수 있다. 제1 케어 영역의 각각의 인스턴스는 유사한 디바이스, 구조, 또는 치수를 포함한다.
케어 영역은 100 μm2 이하의 면적을 가질 수 있다. 예컨대, 케어 영역은 50 μm2가 될 수 있다.
케어 영역은 웨이퍼의 케어 영역일 수 있다. 프로세서가 결함을 식별하고 결함을 분류할 때, 적응적 결함 발견 시스템 내에 웨이퍼가 유지될 수 있다.
본 개시의 특징 및 목적의 완전한 이해를 위해, 첨부 도면과 결합된 이하의 상세한 설명에 대한 참조가 이루어진다.
도 1은 종래 기술의 플로우차트이다.
도 2는 본 개시에 따른 방법의 실시형태의 플로우차트이다.
도 3은 본 개시에 따른 방법의 다른 실시형태의 플로우차트이다.
도 4는 본 개시에 따른 시스템의 블록 다이어그램이다.
청구된 주제가 특정 실시형태에 의해 설명될 것이지만, 여기에 설명된 모든 장점 및 특징을 제공하지 않는 실시형태를 포함하는 다른 실시형태도 본 개시의 범위 내에 있다. 본 개시의 범위를 벗어나지 않으면서 다양한 구조적, 논리적, 프로세스 단계 및 전자적 변경이 이루어질 수 있다. 따라서, 본 개시의 범위는 청구범위의 참조에 의해서만 규정된다.
결함 발견은 반도체 파운드리의 중요한 생산 단계이다. 결함 발견은 제품 출시 시간을 단축시키고 램프 업(ramp-up)에 도움이 될 수 있다. 본 개시는, 전자 빔 검사와 같은 검사 또는 검수 시스템을 사용한 결함 발견 및 뉴슨스를 감소시키기 위한 실시간 인텔리전스에 의한 딥 러닝을 제공한다. 딥 러닝으로 전자빔 검사 툴에 의한 결함 발견을 개선하여 프로세스 속도를 높일 수 있다. 본 개시의 실시형태는, 새로운 결함 타입을 발견하기 위한 실시간 인텔리전스를 사용함으로써 결함 발견의 효율을 증가시킨다. 이것은, 다수의 툴을 유지하는 비용을 감소시키는 것뿐만 아니라 제조에서의 파운드리에 대한 시간 및 비용을 절감하기 위해 실시간으로 검사, 검수, 및 분류를 수행하기 위한 단일 툴의 사용을 가능하게 할 수 있다. 딥 러닝으로 새로운 그리고 고유한 결함을 식별하기 위해 동일 플로우에서 검사 및 검수를 사용하는 것은, 식별이 발생하는 속도를 증가시킬 수 있다.
인스턴스에서, 전자 빔 검사 툴과 같은 웨이퍼 검사 툴은 모든 가능한 결함 타입 위치를 커버하는 다양한 위치의 세트를 가진 디자인 관련 소프트웨어, 반도체 제조사, 및/또는 애플리케이션으로부터 검사 케어 영역을 취득한다. 이어서, 웨이퍼 검사 툴은 이 위치들을 검사하고 실제 결함을 검출한다. 메인 필드 검사(main field inspection)가 종료된 후에, 웨이퍼 검사 툴은 결함을 트레이닝하고 분류하기 위한 딥 러닝 알고리즘에 의해 사용될 수 있는 고해상도 이미지를 취득한다. 딥 러닝 알고리즘은 또한 오퍼레이터가 분류하기 위한 상이한 타입의 결함을 식별할 수 있다. 케어 영역 내에서 새로운 결함 타입이 식별되면, 웨이퍼 검사 툴은 새로운 결함 타입을 찾을 확률이 높은 상이한 그리고/또는 다양한 타입의 케어 영역으로 이동할 수 있다. 따라서, 결함 타입이 이미 발견된 케어 영역과 유사한 케어 영역이 생략되어 검수가 더 신속하게 처리된다.
도 2는 적응적 결함 발견을 위한 방법(100)의 플로우차트이다. 101에서, 복수의 케어 영역이 웨이퍼 검사 툴에서 수신된다. 웨이퍼 검사 툴은 SEM과 같은 전자 빔 검사 툴일 수 있다. 각각의 케어 영역은 50 μm2와 같은 100 μm2 이하의 면적을 가질 수 있다. 케어 영역은 디자인 소프트웨어, 오퍼레이터, 및/또는 애플리케이션으로부터 수신될 수 있다.
102에서, 제1 케어 영역이 웨이퍼 검사 툴에 의해 검사된다. 102에서의 검사는 웨이퍼 검사 툴에 의해 웨이퍼를 이미징하는 단계를 포함할 수 있다. 103에서, 제1 케어 영역 내의 모든 결함이 프로세서를 사용하여 식별된다. 104에서, 제1 케어 영역 내의 결함이 프로세서를 사용하여 분류된다. 103 및 104 모두는, 102에서의 검사로부터의 이미지에 대하여 딥 러닝 알고리즘을 사용할 수 있다.
모든 타입의 머신 러닝 기반 알고리즘이 103 및 104에서 사용될 수 있다. 인스턴스에서, 딥 러닝 알고리즘이 결함의 기존 SEM 이미지에 대하여 미리 트레이닝될 수 있다. 다른 인스턴스에서, 새로운 타입의 결함을 필터링하기 위해 랜덤 포레스트 알고리즘(random forest algorithm)이 사용되고, 오퍼레이터는 이 결함들을 분류할 수 있다.
스텝 102, 103, 및 104는 복수의 케어 영역 중 모든 나머지 케어 영역에 대하여 반복될 수 있다. 남은 케어 영역이 없는 경우, 방법(100)은 종료될 수 있다. 효율을 증가시키기 위해, 결함이 케어 영역의 제1 인스턴스로 분류되면 제1 케어 영역의 추가 인스턴스의 검사가 생략된다. 제1 케어 영역의 각각의 인스턴스는 유사한 디바이스, 구조, 또는 치수를 포함할 수 있다. 유사한 디바이스, 구조, 또는 치수는 유사하거나 동일할 수 있다. 실시예에서, 유사한 디바이스, 구조, 또는 치수는 폭 임계치와 같은 특정 치수 임계치 내에 있을 수 있다. 다른 실시예에서, 유사한 디바이스, 구조, 또는 치수는 형상에 관하여 특정 공차 임계치(particular tolerance threshold) 내에 있을 수 있다.
특정 케어 영역을 생략하는 것에 관하여, 케어 영역은 유사도에 기초하여 함께 그룹핑될 수 있다. 디자인 기반 그룹핑(design-based grouping; DBG) 코드가 이러한 케어 영역을 함께 그룹핑하는데 사용될 수 있다. 하나의 케어 영역 내에서 결함이 발견되면, 유사한 특성의 다른 케어 영역이 결함 발견의 제1 라운드(first round)에 대하여 생략될 수 있다. 모든 유형의 결함을 찾을 수 없는 경우, 해당 사이트를 다시 방문할 수 있다.
케어 영역 내의 가능한 타입의 결함이 프로세서를 사용하여 딥 러닝 알고리즘에 기초하여 식별될 수 있다. 인스턴스에서, 실시간 인텔리전스는, 결과에 대한 더 빠른 시간을 제공할 수 있는 모든 결함 타입을 찾기 위해 새로운 위치를 식별할 수 있다. 대개는(probably) 이미 발견된 결함 타입 중 하나가 포함된 사이트는 무시될 수 있다.
딥 러닝을 사용하는 검사, SEM 검수, 및 분류는 단일 세션에서의 런타임(runtime) 동안 수행될 수 있다.
케어 영역을 포함하는 웨이퍼가 동일한 웨이퍼 검사 툴 내에 있는 동안 스텝 102, 103, 및 104가 발생할 수 있다. 따라서, 케어 영역을 가진 웨이퍼는 스텝 102, 103, 및 104 동안 웨이퍼 검사 툴 내의 척 상에 유지될 수 있다.
딥 러닝이 구체적으로 개시되어 있지만, 랜덤 포레스트 기술이 사용될 수도 있다.
본 발명의 다른 실시형태에서, 검사 케어 영역은 모든 가능한 결함 타입 위치를 커버하는 다양한 위치의 세트이다.
도 3을 참조하면, 본 발명의 다른 실시형태는 적응적 결함 발견을 위한 방법을 포함한다. 도 3의 실시형태는 도 2의 실시형태와 함께 또는 별도로 사용될 수 있다. 검사 케어 영역이 수신되고, 여기서 검사 케어 영역은 검사를 위해 복수의 구역(region)으로 결집된다(aggregated). 각 구역은, 복수의 구역 내에 존재하는 결함을 결정하기 위해 차례로 검사될 수 있다.
이 검사는 하기의 동작들을 포함한다. SEM 등에 의해 아직 검사되지 않은 구역이 선택되고 검사된다. 선택된 구역에서 결함이 찾아지면 이 구역이 분류된다. 이 분류는 알려진 결함 타입의 세트를 참조하는 단계 및 찾아진 결함이 알려진 결함 타입 중 하나로 분류 가능한지 여부를 결정하는 단계를 포함할 수 있다. 분류 가능하다면, 찾아진 결함이 그와 같이 분류된다. 찾아진 결함이 알려진 결함 타입 중 하나로 분류 가능하지 않으면, 새로운 결함으로 간주된다. 알려진 결함 타입은 데이터베이스에 저장될 수 있다. 오퍼레이터는 새로운 결함에 대한 분류를 입력하기를 요청할 수 있고, 오퍼레이터에 의해 주어진 분류는 찾아진 결함을 분류하기 위해 사용되고 알려진 결함 타입의 세트에 추가될 수 있다. 이 동작들은, 복수의 구역 내의 각각의 구역이 검사될 때까지 반복될 수 있다. 결함이 식별된 기존 구역과 유사한 일부 구역이 생략될 수 있다. 유사한 구역 내의 결함은 유사한 디바이스, 구조, 또는 치수를 포함할 수 있다.
본 개시의 장점은 새로운 결함 타입을 찾는 프로세스를 가속화하기 위해 개선된 결정을 내릴 수 있는 능력으로 웨이퍼 검사 툴이 개선된다는 것이다. 이것은, 구역에서 새로운 결함을 찾을 가능성이 낮기 때문에, 결함이 이미 찾아진 동일 영역에서 추가 검사를 수행하는 것을 회피한다. 따라서, 동일 타입의 중복 결함을 찾지 않으므로 시간이 절약된다. 또한, 모든 새로운 그리고 알려진 결함 타입이 찾아지면, 검사 프로세스가 중단될 수 있다.
본 개시는 추가 장점을 제공한다. 실시간 검사 데이터에 기초한 적응적 스마트 검사 및 검수는, 결함 타입이 찾아진 후 검사를 위해 다른 영역으로 이동하기 위해 실시간 인텔리전스를 사용함으로써 낮은 뉴슨스 레이트(nuisance rate)를 산출할 수 있다. 광학 검사 갭 결함이 커버될 수 있다.
동일한 툴에서 검사 및 검수를 수행하여 결과가 2 배 내지 3 배 빠른 결과로 제공될 수 있다. 이것은 또한 실시간 뉴슨스 감소를 제공할 수 있고 디스큐 요구를 감소시키거나 제거할 수 있다. 종래 방법을 사용하면 전체 웨이퍼가 검사되기 때문에 뉴슨스가 발생된다. 임의의 결함 타입을 누락시키는 것을 회피하기 위해 뉴슨스 레이트가 높게 유지된다. 제안된 방법을 사용하면, 이미 찾아진 결함으로부터의 지능적 가이던스(intelligent guidance)와 이전에 검사되지 않은 케어 영역 그룹을 선택하는 것 때문에, 넓은 영역의 검사가 생략될 수 있다. 동일 툴 상에서의 스텝들을 수행하는 것은 또한, 검수 시간을 감소시킬 수 있고 검사를 위해 툴 사이에서 웨이퍼를 이동할 필요를 제거할 수 있다.
결함 타입이 누락된 경우 누락된 결함 타입을 로케이팅(locating)하기 위해 웨이퍼 검사 및 검수 프로세스의 제2 라운드를 수행할 필요가 없을 수 있다. 따라서, 전체 프로세스를 재실행할 필요가 없을 수 있다. 여기에 개시된 실시형태는 이미 발견된 결함에 의해 지능적으로 가이드된, 연속 결함 검사 및 검수 작업을 사용할 수 있다. 이 프로세스는 반도체 제조사에 의해 예상되는 모든 결함 타입이 발견되지 않을 때까지 연속적으로 실행될 수 있다.
새로운 타입이 찾아지면 유사한 사이트 또는 케어 영역은 방문될 필요가 없고 검사는 상이한 타입의 사이트 또는 케어 영역으로 즉시 이동할 수 있기 때문에, 검사 및 검수 툴에 의해 뉴슨스 사이트를 방문하는 노력이 감소될 수 있다.
모든 결함 타입이 찾아지면 검사 및 검수가 중지될 수 있다. 이것은 여러 가지 이점을 갖는다.
결함은 실시간으로 검출되고 분류될 수 있다. 여기에 개시된 실시형태를 사용하여 더 큰 결함 감도가 제공될 수 있다. 1) 실시간 검사 데이터에 기초한 적응적 스마트 검사 및 검수는, 결함 타입이 찾아지면, 검사를 위해 다른 영역으로 이동하기 위한 실시간 인텔리전스로 인해, 낮은 뉴슨스 레이트를 갖는다. 2) 이것은 광학 검사 갭 결함을 커버할 수 있다. 3), 이것은 결과로의 2배 내지 3배 더 빠른 시간을 제공할 수 있다. 실시간 뉴슨스 감소 및 디스큐의 불필요함에 의해 동일 툴 상에서 검사 검수가 발생하기 때문에, 결과로의 더 빠른 시간이 발생한다. 4) 결함 타입을 누락시키는 경우에, 중지된 곳으로부터 전자 빔 검사 스캔이 계속될 수 있다. 전체 프로세스를 재실행할 필요가 없다. 5) 이것은 검사 및 검수 툴에 의해 뉴슨스 사이트를 방문하는 노력을 감소시킨다. 새로운 타입이 발견되자마자 유사한 사이트 및/또는 케어 영역을 방문 할 필요가 없다. 검사는 즉시 상이한 타입의 케어 영역 및/또는 사이트로 이동할 수 있다. 6) 기존 프로세스 플로우에는 별도의 툴에 대한 BBP 검사 및 SEM 검수가 필요하므로 결과로의 시간이 증가한다. 이 방법을 사용하면 웨이퍼를 다수의 툴로 이동시키는 데 드는 물류 비용, 디스큐 시간 등이 감소된다. 동일한 툴로 검사 및 검수를 수행할 수 있으므로 디스큐가 잠재적으로 제거될 수 있다. 7) 실시간 결함 검출 및 분류가 수행된다. 8) 더 나은 SEM 해상도가 제공될 수 있기 때문에, 더 양호한 결함 감도가 달성된다. 전자 빔 검사는 현재 BBP 도구와 함께 존재하는 갭을 폐쇄(close)할 능력을 가질 것이다. 9) 이 기술은 레시피 설정 및 대량 제조(high-volume manufacturing; HVM) 모니터링을 위해 BBP 툴의 베이스라인을 제공할 수 있다.
반도체 웨이퍼 검사에 대하여 개시되었지만, 여기에 개시된 기술의 실시형태는 포토마스크 검사 또는 다른 형태의 검사에 사용될 수도 있다.
도 4는 시스템(200)의 실시형태의 블록 다이어그램이다. 시스템(200)은 웨이퍼(204)의 이미지를 생성하도록 구성된 검사 툴(전자 컬럼(201)을 포함함)을 포함한다.
웨이퍼 검사 툴은 적어도 에너지 소스 및 검출기를 포함하는 출력 취득 서브시스템을 포함한다. 출력 취득 서브시스템은 전자 빔 기반 출력 취득 서브시스템일 수 있다. 예를 들어, 일 실시형태에서, 웨이퍼(204)에 지향된 에너지는 전자를 포함하고, 웨이퍼(204)로부터 검출된 에너지는 전자를 포함한다. 이러한 방식으로, 에너지 소스는 전자 빔 소스가 될 수 있다. 도 4에 도시된 이러한 일 실시형태에서, 출력 취득 서브시스템은 컴퓨터 서브시스템(202)에 커플링된 전자 컬럼(201)을 포함한다. 척(미도시)은 웨이퍼(204)를 유지할 수 있다.
도 4에 도시된 바와 같이, 전자 컬럼(201)은 하나 이상의 엘리먼트(205)에 의해 웨이퍼(204)에 포커싱되는 전자를 생성하도록 구성된 전자 빔 소스(203)를 포함한다. 전자 빔 소스(203)는 예를 들어 캐소드 소스 또는 이미터 팁을 포함할 수 있다. 예를 들어, 하나 이상의 엘리먼트(205)는, 건 렌즈(gun lens), 애노드(anode), 빔 제한 개구, 게이트 밸브, 빔 전류 선택 개구, 대물 렌즈, 및 스캐닝 서브시스템을 포함할 수 있고, 이들 모두는 당업계에 공지된 임의의 적합한 엘리먼트를 포함할 수 있다.
웨이퍼(204)로부터 리턴된 전자(예를 들어, 2차 전자)는 하나 이상의 엘리먼트(206)에 의해 검출기(207)로 포커싱될 수 있다. 하나 이상의 엘리먼트(206)는, 예를 들어 엘리먼트(들)(205)에 포함된 동일한 스캐닝 서브시스템일 수 있는 스캐닝 서브시스템을 포함할 수 있다.
전자 컬럼(401)은 당업계에 공지된 임의의 다른 적합한 엘리먼트를 포함할 수도 있다.
전자 컬럼(201)은 전자가 경사 입사각으로 웨이퍼(204)로 지향되고, 다른 경사각으로 웨이퍼로부터 산란되도록 구성되는 것으로 도 4에 도시되어 있지만, 전자 빔은 임의의 적합한 각도로 웨이퍼(204)로 지향되고 웨이퍼로부터 산란될 수 있다. 또한, 전자 빔 기반 출력 취득 서브시스템은 (예를 들어, 상이한 조명 각도, 콜렉션 각도 등으로) 웨이퍼(204)의 이미지를 생성하기 위해 다수의 모드를 사용하도록 구성될 수 있다. 전자 빔 기반 출력 취득 서브시스템의 다수의 모드는 출력 취득 서브시스템의 임의의 이미지 생성 파라미터가 상이할 수 있다.
컴퓨터 서브시스템(202)은 상기한 바와 같이 검출기(207)에 커플링될 수 있다. 검출기(207)가 웨이퍼(204)의 표면으로부터 리턴되는 전자를 검출하여 웨이퍼(204)의 전자 빔 이미지를 형성할 수 있다. 전자 빔 이미지는 임의의 적합한 전자 빔 이미지를 포함할 수 있다. 컴퓨터 서브시스템(202)은 검출기(207)의 출력 및/또는 전자 빔 이미지를 사용하여 여기에 개시된 임의의 기능을 수행하도록 구성될 수 있다. 컴퓨터 서브시스템(202)은 여기에 개시된 임의의 추가 단계(들)를 수행하도록 구성될 수 있다. 도 4에 도시된 출력 취득 서브시스템을 포함하는 시스템(200)은 또한, 여기에 개시된 바와 같이 구성될 수 있다.
도 4는 여기에 개시된 실시형태에서 사용될 수 있는 전자 빔 기반 출력 취득 서브시스템의 구성을 일반적으로 예시하기 위해 제공된 것이다. 여기에 설명된 전자 빔 기반 출력 취득 서브시스템 구성은 상용 출력 취득 시스템을 설계할 때 정상적으로 수행되는 출력 취득 서브시스템의 성능을 최적화하도록 변경될 수 있다. 또한, 본 명세서에 설명된 시스템은 (예를 들어, 본 명세서에 기술된 기능을 기존 시스템에 추가함으로써) 기존 시스템을 사용하여 구현될 수 있다. 일부 이러한 시스템들에 대해, 여기에 설명된 방법들은(예를 들어, 시스템의 다른 기능에 부가하여) 시스템의 선택적 기능으로서 제공될 수 있다. 대안적으로, 여기에 개시된 시스템은 완전히 새로운 시스템으로 디자인될 수 있다.
출력 취득 서브시스템은 전자 빔 기판 출력 취득 서브시스템으로서 전술되어 있지만, 출력 취득 서브시스템은 이온 빔 기반 출력 취득 서브시스템이 될 수 있다. 전자 빔 소스가 당업계에 공지된 임의의 적합한 이온 빔 소스로 대체될 수 있다는 것을 제외하고, 이러한 출력 취득 서브시스템은 도 4에 도시된 바와 같이 구성될 수 있다. 또한, 출력 취득 서브시스템은 상업적으로 이용 가능한 초점 이온 빔(focused ion beam; FIB) 시스템, 헬륨 이온 현미경(helium ion microscopy; HIM) 시스템, 및 2차 이온 질량 분석법(secondary ion mass spectroscopy; SIMS)에 포함된 것과 같은 임의의 다른 적합한 이온 빔 기반 출력 취득 서브시스템일 수 있다.
컴퓨터 서브시스템(202)은 프로세서(208) 및 전자 데이터 저장 유닛(209)을 포함한다. 프로세서(208)는 마이크로프로세서, 마이크로컨트롤러, 또는 다른 디바이스들을 포함할 수 있다. 프로세서(208) 및/또는 전자 데이터 저장 유닛(209)은, 추가 정보를 수신하기 위해, 선택적으로 웨이퍼 검사 툴 또는 웨이퍼 검수 툴(미도시)와 전자 통신할 수 있다.
프로세서(208)가 출력을 수신할 수 있도록, 컴퓨터 서브시스템(202)은 임의의 적합한 방식으로(예를 들어, 유선 및/또는 무선 송신 매체를 포함할 수 있는 하나 이상의 송신 매체를 통해) 시스템(200)의 콤포넌트들에 커플링될 수 있다. 프로세서(208)는 출력을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 웨이퍼 검사 툴은 프로세서(208)로부터 명령어 또는 다른 정보를 수신할 수 있다. 프로세서(208) 및/또는 전자 데이터 저장 유닛(209)은, 추가 정보를 수신하거나 명령어를 전송하기 위해, 선택적으로 다른 웨이퍼 검사 툴, 웨이퍼 계측 툴, 또는 웨이퍼 검수 툴(미도시)과 전자 통신할 수 있다.
프로세서(208)는 검출기(207) 등의 웨이퍼 검사 툴과 전자 통신한다. 프로세서(208)는 검출기(207)로부터의 측정치를 사용하여 생성되는 이미지를 프로세싱하도록 구성될 수 있다. 예를 들어, 프로세서는 방법(100) 또는 도 3의 실시형태를 수행할 수 있다.
여기에 개시된 컴퓨터 서브시스템(202), 다른 시스템(들), 또는 다른 서브시스템(들)은, 퍼스널 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 어플라이언스, 인터넷 어플라이언스, 또는 다른 디바이스를 포함하는 다수의 시스템들의 일부가 될 수 있다. 서브시스템(들) 또는 시스템(들)은 또한 병렬 프로세서와 같은 당해 기술분야에 공지된 임의의 적합한 프로세서를 포함할 수 있다. 또한, 서브시스템(들) 또는 시스템(들)은, 독립형 툴(tool) 또는 네트워크형 툴로서, 고속 프로세싱 및 소프트웨어를 갖는 플랫폼을 포함할 수 있다.
프로세서(208) 및 전자 데이터 저장 유닛(209)은 시스템(200) 또는 다른 디바이스의 일부이거나 그렇지 않으면 그 일부가 될 수 있다. 실시예에서, 프로세서(208) 및 전자 데이터 저장 유닛(209)은 독립형 제어 유닛의 일부이거나 중앙 집중식 품질 제어 유닛 내에 있을 수 있다. 다수의 프로세서들(208) 또는 전자 데이터 저장 유닛(209)이 사용될 수 있다.
프로세서(208)는 실제로 하드웨어, 소프트웨어, 및 펌웨어의 임의의 조합에 의해 구현될 수 있다. 또한, 본 명세서에 기술된 바와 같은 기능은 하나의 유닛에 의해 수행되거나 상이한 콤포넌트로 분할될 수 있으며, 이들 각각은 하드웨어, 소프트웨어, 및 펌웨어의 임의의 조합으로 차례로 구현될 수 있다. 다수의 방법 및 기능을 구현하기 위한 프로세서(208)를 위한 프로그램 코드 또는 명령어들은 전자 데이터 저장 유닛(209) 내의 메모리 또는 다른 메모리와 같은 판독가능 저장 매체에 저장될 수 있다.
시스템(200)이 하나보다 많은 서브시스템(202)을 포함하면, 이미지, 데이터, 정보, 명령어 등이 서브시스템들 사이에서 전송될 수 있도록, 상이한 서브시스템들이 서로 커플링될 수 있다. 예를 들어, 하나의 서브시스템은, 당해 기술분야에 공지된 임의의 적합한 유선 및/또는 무선 송신 매체를 포함할 수 있는 임의의 적합한 송신 매체에 의해 추가 서브시스템(들)에 커플링될 수 있다. 이러한 2개 이상의 서브시스템들은 또한, 공유된 컴퓨터 판독가능 저장 매체(미도시)에 의해 효과적으로 커플링될 수 있다.
프로세서(208)는 시스템(200)의 출력 또는 다른 출력을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 예컨대, 프로세서(208)는 전자 데이터 저장 유닛(209) 또는 다른 저장 매체로 출력을 전송하도록 구성될 수 있다. 프로세서(208)는 또한, 여기에 개시된 바와 같이 구성될 수 있다.
프로세서(208) 또는 컴퓨터 서브시스템(202)은 결함 검수 시스템, 검사 시스템, 계측 시스템, 또는 몇가지 다른 타입의 시스템의 일부가 될 수 있다. 따라서, 본 명세서에 개시된 실시형태는 상이한 애플리케이션에 대해 다소 적합한 상이한 능력을 갖는 시스템에 대해 다수의 방식으로 맞춤화될(tailored) 수 있는 일부 구성을 설명한다.
시스템이 하나보다 많은 서브시스템을 포함하면, 이미지, 데이터, 정보, 명령어 등이 서브시스템들 사이에서 전송될 수 있도록, 상이한 서브시스템들이 서로 커플링될 수 있다. 예를 들어, 하나의 서브시스템은, 당해 기술분야에 공지된 임의의 적합한 유선 및/또는 무선 송신 매체를 포함할 수 있는 임의의 적합한 송신 매체에 의해 추가 서브시스템(들)에 커플링될 수 있다. 이러한 2개 이상의 서브시스템들은 또한, 공유된 컴퓨터 판독가능 저장 매체(미도시)에 의해 효과적으로 커플링될 수 있다.
프로세서(208)는 여기에 개시된 임의의 실시형태에 따라 구성될 수 있다. 프로세서(208)는 또한, 시스템(200)의 출력을 사용하거나 다른 소스로부터의 이미지들 또는 데이터를 사용하여, 다른 기능들 또는 추가 단계들을 수행하도록 구성될 수 있다.
프로세서(208)는 당업계에 공지된 임의의 방식으로 시스템(200)의 임의의 다수의 콤포넌트들 또는 서브 시스템들에 통신가능하게 커플링될 수 있다. 또한, 프로세서(208)는, 유선 및/또는 무선 부분을 포함할 수 있는 송신 매체에 의해 다른 시스템들로부터의 데이터 또는 정보(예를 들어, 디자인 데이터 등을 포함하는 리뷰 툴, 원격 데이터베이스 등의 검사 시스템으로부터의 검사 결과)를 수신 및/또는 획득하도록 구성될 수 있다. 이러한 방식으로, 송신 매체는 시스템(200) 또는 시스템(200)에 대한 외부 시스템들의 다른 서브시스템들과 프로세서(208) 사이의 데이터 링크로서 기능할 수 있다.
여기에 개시된 시스템(200) 및 방법의 다수의 단계들, 기능들, 및/또는 동작들은, 전자 회로, 로직 게이트, 멀티플렉서, 프로그램가능 로직 디바이스, ASIC, 아날로그 또는 디지털 컨트롤/스위치, 마이크로컨트롤러, 또는 컴퓨팅 시스템 중 하나 이상에 의해 수행된다. 여기에 개시된 바와 같은 방법을 구현하는 프로그램 명령어들은 캐리어 매체를 통해 송신되거나 캐리어 매체에 저장될 수 있다. 캐리어 매체는 판독 전용 메모리, 랜덤 액세스 메모리, 자기 또는 광학 디스크, 비휘발성 메모리, 솔리드 스테이트 메모리, 자기 테이프 등과 같은 저장 매체를 포함할 수 있다. 캐리어 매체는 와이어, 케이블, 또는 무선 송신 링크 등의 송신 매체를 포함할 수 있다. 예를 들어, 본 명세서를 통해 개시된 다수의 단계들은, 단일 프로세서(208)(또는 컴퓨터 서브시스템(202)) 또는 대안적으로 다수의 프로세서(208)(또는 다수의 컴퓨터 서브시스템(202))에 의해 수행될 수 있다. 또한, 시스템(200)의 상이한 서브시스템들은 하나 이상의 컴퓨팅 또는 시스템을 포함할 수 있다. 따라서, 상기 설명은 본 명세서에 대한 한정이 아닌 단지 예시로서 해석되어야 한다.
추가 실시형태들은, 프로세서 상에서 실행가능한 프로그램 명령어들이 저장된 비일시적 컴퓨터-판독가능 매체에 관한 것이다. 특히, 프로세서(208)와 같은 프로세서가, 실행가능 프로그램 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체를 가진 전자 데이터 저장 매체(209)와 같은 전자 데이터 저장 매체 내의 메모리에 커플링될 수 있다. 컴퓨터 구현 방법은 여기에 개시된 임의의 방법(들)의 임의의 단계(들)을 포함할 수 있다. 예를 들어, 프로세서(208)는 방법(100) 또는 도 3의 방법의 단계들의 일부 또는 전부를 수행하도록 프로그래밍될 수 있다. 전자 데이터 저장 매체(209) 내의 메모리는 공지된 자기 또는 광학 디스크, 자기 테이프, 또는 임의의 다른 적합한 비일시적 컴퓨터 판독가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어들은 다른 것들 중에서 절차 기반 기술, 콤포넌트 기반 기술 및/또는 객체 지향 기술을 포함하는 다양한 방법 중 임의의 방법으로 구현될 수 있다. 예를 들어, 프로그램 명령어들은, 요구에 따라, ActiveX controls, C++ objects, JavaBeans, Microsoft Foundation Classes (MFC), Streaming SIMD Extension (SSE), 또는 다른 기술들이나 방법들을 사용하여 구현될 수 있다.
실시형태에서, 전자 데이터 저장 매체(209)와 같은 비일시적 컴퓨터 판독가능 저장 매체에 하나 이상의 프로그램이 포함된다. 하나 이상의 프로그램은 프로세서(208)와 같은 하나 이상의 컴퓨팅 디바이스 상에서 단계들을 실행하기 위한 것이다. 예를 들어, 단계들은 디자인 소프트웨어와 같은 복수의 케어 영역을 수신하는 단계를 포함할 수 있다. 단계들은 또한, 제1 케어 영역을 검사하기 위해 전자 빔 소스(203) 및 검출기(207)에 명령어를 전송하는 단계; 제1 케어 영역의 이미지에서 결함을 식별하는 단계; 제1 케어 영역에서의 결함을 분류하는 단계; 및 임의의 나머지 복수의 케어 영역에 대하여 전송, 식별, 및 분류를 반복하는 단계를 포함할 수 있다. 단계들은 딥 러닝 알고리즘을 사용하여 케어 영역 내의 가능한 타입의 결함을 식별하는 단계를 포함할 수 있다. 단계들은 또한 결함이 제1 케어 영역의 제1 인스턴스로 분류된 후에 제1 케어 영역의 추가 인스턴스의 검사를 생략하는 단계를 포함할 수 있다. 제1 케어 영역의 각각의 인스턴스는 유사한 디바이스, 구조, 또는 치수를 포함할 수 있다. 웨이퍼(204)는, 프로세서(208)가 결함을 식별하고, 결함을 분류할 때, 시스템(200) 내에, 예컨대 척 상에 유지될 수 있다.
여기에 사용된 바와 같이, 용어 “웨이퍼”는 일반적으로 반도체 또는 비반도체 물질로 형성된 기판을 지칭한다. 이러한 반도체 또는 비반도체 물질의 예는 단결정 실리콘, 갈륨 질화물, 갈륨 비소, 인화 인듐, 사파이어 및 유리를 포함하지만, 이것들에 한정되지 않는다. 이러한 기판은 일반적으로 반도체 제조 설비에서 발견 및/또는 프로세싱될 수 있다.
웨이퍼는 기판 상에 형성된 하나 이상의 층들을 포함할 수 있다. 예컨대, 이러한 층들은 포토레지스트, 유전체 물질, 도전성 물질, 및 반도체 물질을 포함할 수 있지만, 이것들에 한정되지 않는다. 다수의 상이한 타입의 이러한 층들은 공지되어 있고, 여기에 사용된 용어 웨이퍼는 이러한 모든 타입의 층들을 포함하는 웨이퍼를 포함하는 것으로 의도된다.
웨이퍼 상에 형성된 하나 이상의 층들은 패터닝(patterning)되거나 패터닝되지 않을 수 있다. 예컨대, 웨이퍼는 각각 반복적으로 패터닝된 피처들 또는 주기적 구조체들을 가진 복수의 다이들을 포함할 수 있다. 이러한 물질의 층들의 형성 및 프로세싱은 궁극적으로 완성된 디바이스들을 얻게 할 수 있다. 다수의 상이한 타입의 디바이스들이 웨이퍼 상에 형성될 수 있고, 여기에 사용된 용어 웨이퍼는 공지된 임의의 타입의 디바이스가 제조되는 웨이퍼를 포함하는 것으로 의도된다.
다른 타입의 웨이퍼가 사용될 수도 있다. 예를 들어, 웨이퍼는 LED, 태양 전지, 자기 디스크, 평판, 또는 연마된 플레이트를 제조하는데 사용될 수 있다. 다른 오브젝트에 대한 결함은 또한 여기에 개시된 기술 및 시스템을 사용하여 분류될 수 있다.
방법의 각 단계들은 여기에 개시된 바와 같이 수행될 수 있다. 방법은 또한 여기에 개시된 프로세서 및/또는 컴퓨터 서브시스템(들) 또는 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)을 포함할 수 있다. 단계들은 여기에 개시된 임의의 실시형태에 따라 구성될 수 있는 하나 이상의 컴퓨터 시스템에 의해 수행될 수 있다. 또한, 전술한 방법은 여기에 개시된 임의의 시스템 실시형태에 의해 수행될 수 있다.
본 개시가 하나 이상의 특정 실시형태에 관하여 설명되었지만, 본 개시의 다른 실시형태가 본 개시의 범위를 벗어나지 않고 이루어질 수 있음이 이해될 것이다. 따라서, 본 개시는 첨부된 청구 범위 및 그것의 합리적인 해석에 의해서만 제한되는 것으로 간주된다.

Claims (16)

  1. 적응적 결함 발견(adaptive defect discovery)을 위한 방법으로서,
    웨이퍼 검사 툴에서 복수의 케어 영역을 수신하는 단계;
    상기 웨이퍼 검사 툴에 의해 제1 케어 영역을 검사하는 단계;
    프로세서와 딥 러닝 알고리즘을 사용하여, 상기 제1 케어 영역 내의 결함을 식별하는 단계;
    상기 프로세서와 상기 딥 러닝 알고리즘을 사용하여, 상기 제1 케어 영역 내의 결함을 분류하는 단계;
    상기 제1 케어 영역의 제1 인스턴스(instance)에서 결함이 분류된 후에, 상기 제1 케어 영역의 추가 인스턴스의 검사를 생략하는 단계 - 상기 제1 케어 영역의 각각의 인스턴스는 유사한 디바이스, 구조, 또는 치수를 포함함 - ; 및
    상기 복수의 케어 영역 중 임의의 나머지 케어 영역에 대하여 상기 검사, 상기 식별, 및 상기 분류를 반복하는 단계
    를 포함하는, 적응적 결함 발견을 위한 방법.
  2. 제1항에 있어서,
    상기 케어 영역은 디자인 소프트웨어로부터 수신되는 것인, 적응적 결함 발견을 위한 방법.
  3. 제1항에 있어서,
    상기 검사하는 단계는, 상기 웨이퍼 검사 툴을 사용하여 이미징하는 단계를 포함하는 것인, 적응적 결함 발견을 위한 방법.
  4. 제1항에 있어서,
    상기 프로세서와 상기 딥 러닝 알고리즘을 사용하여 상기 케어 영역 내의 가능한 타입의 결함을 식별하는 단계를 더 포함하는, 적응적 결함 발견을 위한 방법.
  5. 제1항에 있어서,
    상기 검사, 상기 식별, 및 상기 분류는, 상기 케어 영역을 갖는 웨이퍼가 동일한 상기 웨이퍼 검사 툴 내에 있는 동안 발생하는 것인, 적응적 결함 발견을 위한 방법.
  6. 제1항에 있어서,
    상기 검사, 상기 식별, 및 상기 분류 동안 상기 웨이퍼 검사 툴 내의 척(chuck) 상에 상기 케어 영역을 가진 웨이퍼를 유지하는 단계를 더 포함하는, 적응적 결함 발견을 위한 방법.
  7. 제1항에 있어서,
    상기 케어 영역은 100 μm2 이하의 면적을 갖는 것인, 적응적 결함 발견을 위한 방법.
  8. 제7항에 있어서,
    상기 케어 영역은 50 μm2인 것인, 적응적 결함 발견을 위한 방법.
  9. 적응적 결함 발견 시스템으로서,
    웨이퍼 상에 포커싱된 전자를 생성하는 전자 빔 소스;
    전자 컬럼;
    검출기 - 상기 웨이퍼로부터 리턴된 전자는 상기 검출기 상에 포커싱되고, 상기 검출기는 상기 웨이퍼의 이미지를 캡처하는데 사용됨 - ; 및
    상기 검출기 및 상기 전자 빔 소스와 전자 통신하는 프로세서
    를 포함하고,
    상기 프로세서는,
    복수의 케어 영역을 수신하고;
    제1 케어 영역을 검사하기 위해 명령어를 상기 전자 빔 소스 및 상기 검출기에 전송하고;
    딥 러닝 알고리즘을 사용하여 상기 제1 케어 영역의 이미지에서 결함을 식별하고;
    상기 딥 러닝 알고리즘을 사용하여 상기 제1 케어 영역 내의 결함을 분류하고;
    상기 제1 케어 영역의 제1 인스턴스에서 결함이 분류된 후에, 상기 제1 케어 영역의 추가 인스턴스의 검사를 생략하고 - 상기 제1 케어 영역의 각각의 인스턴스는 유사한 디바이스, 구조, 또는 치수를 포함함 - ;
    상기 복수의 케어 영역 중 임의의 나머지 케어 영역에 대해 상기 전송, 상기 식별, 및 상기 분류를 반복하도록
    구성되는 것인, 적응적 결함 발견 시스템.
  10. 제9항에 있어서,
    상기 케어 영역은 디자인 소프트웨어로부터 수신되는 것인, 적응적 결함 발견 시스템.
  11. 제9항에 있어서,
    상기 프로세서는 또한, 상기 딥 러닝 알고리즘을 사용하여 상기 케어 영역 내의 가능한 타입의 결함을 식별하도록 구성되는 것인, 적응적 결함 발견 시스템.
  12. 제9항에 있어서,
    상기 케어 영역은 웨이퍼의 케어 영역이고, 상기 프로세서가 상기 결함을 식별하고 상기 결함을 분류할 때, 상기 웨이퍼는 상기 적응적 결함 발견 시스템 내에 유지되는 것인, 적응적 결함 발견 시스템.
  13. 제9항에 있어서,
    상기 케어 영역은 100 μm2 이하의 면적을 갖는 것인, 적응적 결함 발견 시스템.
  14. 제13항에 있어서,
    상기 케어 영역은 50 μm2인 것인, 적응적 결함 발견 시스템.
  15. 삭제
  16. 삭제
KR1020207022609A 2018-01-05 2019-01-04 전자 빔 검사를 사용한 결함 발견 및 뉴슨스를 감소시키기 위한 실시간 인텔리전스에 의한 딥 러닝 KR102438825B1 (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201841000585 2018-01-05
IN201841000585 2018-01-05
US201862636032P 2018-02-27 2018-02-27
US62/636,032 2018-02-27
US16/034,483 US10970834B2 (en) 2018-01-05 2018-07-13 Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance
US16/034,483 2018-07-13
PCT/US2019/012236 WO2019136190A1 (en) 2018-01-05 2019-01-04 Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance

Publications (2)

Publication Number Publication Date
KR20200096993A KR20200096993A (ko) 2020-08-14
KR102438825B1 true KR102438825B1 (ko) 2022-08-31

Family

ID=67140815

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207022609A KR102438825B1 (ko) 2018-01-05 2019-01-04 전자 빔 검사를 사용한 결함 발견 및 뉴슨스를 감소시키기 위한 실시간 인텔리전스에 의한 딥 러닝

Country Status (5)

Country Link
US (1) US10970834B2 (ko)
KR (1) KR102438825B1 (ko)
CN (1) CN111542915B (ko)
TW (1) TWI769361B (ko)
WO (1) WO2019136190A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592634B1 (en) * 2017-06-06 2020-03-17 Ansys, Inc. Systems and methods for automatic handling of engineering design parameter violations
US11416982B2 (en) 2019-10-01 2022-08-16 KLA Corp. Controlling a process for inspection of a specimen
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
CN110660060B (zh) * 2019-11-29 2020-05-19 武汉精立电子技术有限公司 Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质
TWI777307B (zh) * 2020-11-20 2022-09-11 南臺學校財團法人南臺科技大學 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體
CN116152252B (zh) * 2023-04-20 2023-09-08 长鑫存储技术有限公司 电镜图像处理方法、设备及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012181209A (ja) 2012-06-14 2012-09-20 Hitachi Ltd 欠陥分類方法及びその装置
US20120245861A1 (en) 2011-03-25 2012-09-27 Greene John D Methods and apparatus for optimization of inspection speed by generation of stage speed profile and selection of care areas for automated wafer inspection
US20150042978A1 (en) 2013-08-06 2015-02-12 Kla-Tencor Corporation Setting Up a Wafer Inspection Process Using Programmed Defects

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3991476A (en) 1975-10-10 1976-11-16 Haines Walter E Dip stick with sealing sleeve
US7527987B2 (en) * 2002-12-11 2009-05-05 Pdf Solutions, Inc. Fast localization of electrical failures on an integrated circuit system and method
US10114368B2 (en) 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification
US9535010B2 (en) * 2014-05-15 2017-01-03 Kla-Tencor Corp. Defect sampling for electron beam review based on defect attributes from optical inspection and optical review
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US9754761B2 (en) * 2015-05-26 2017-09-05 Kla-Tencor Corporation High-speed hotspot or defect imaging with a charged particle beam system
US10018571B2 (en) 2015-05-28 2018-07-10 Kla-Tencor Corporation System and method for dynamic care area generation on an inspection tool
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
CN108886007B (zh) * 2016-04-13 2020-03-27 科磊股份有限公司 用于基于电设计意图的缺陷分类的系统及方法
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10656518B2 (en) * 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120245861A1 (en) 2011-03-25 2012-09-27 Greene John D Methods and apparatus for optimization of inspection speed by generation of stage speed profile and selection of care areas for automated wafer inspection
JP2012181209A (ja) 2012-06-14 2012-09-20 Hitachi Ltd 欠陥分類方法及びその装置
US20150042978A1 (en) 2013-08-06 2015-02-12 Kla-Tencor Corporation Setting Up a Wafer Inspection Process Using Programmed Defects

Also Published As

Publication number Publication date
CN111542915A (zh) 2020-08-14
US20190213733A1 (en) 2019-07-11
WO2019136190A1 (en) 2019-07-11
TWI769361B (zh) 2022-07-01
KR20200096993A (ko) 2020-08-14
US10970834B2 (en) 2021-04-06
TW201939634A (zh) 2019-10-01
CN111542915B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
KR102438825B1 (ko) 전자 빔 검사를 사용한 결함 발견 및 뉴슨스를 감소시키기 위한 실시간 인텔리전스에 의한 딥 러닝
US10535131B2 (en) Systems and methods for region-adaptive defect detection
KR102438828B1 (ko) 설계 기반의 정렬의 성능 모니터링
KR102550474B1 (ko) 자율 결함 세그먼트화
WO2016141237A1 (en) Adaptive nuisance filter
KR20200141524A (ko) 반도체 웨이퍼의 리피터 결함 포착
CN110582842B (zh) 依据光学检验结果进行计量导引检验样品成形
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
WO2021034623A1 (en) Design-assisted inspection for dram and 3d nand devices
KR20230052849A (ko) 어레이를 위한 설계에 대한 주사 전자 현미경 이미지 앵커링
KR102502814B1 (ko) 디자인 정렬 개선을 위한 타겟 선택 개선
KR20220041126A (ko) 광학 검사를 이용한 프로세스 모니터링 방법
US11600497B2 (en) Using absolute Z-height values for synergy between tools
US20240205347A1 (en) System and method for distributed image recording and storage for charged particle systems
WO2023151919A1 (en) Active learning to improve wafer defect classification

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