KR102445989B1 - 전자 현미경을 사용한 반도체 계측 및 결함 분류 - Google Patents
전자 현미경을 사용한 반도체 계측 및 결함 분류 Download PDFInfo
- Publication number
- KR102445989B1 KR102445989B1 KR1020207022469A KR20207022469A KR102445989B1 KR 102445989 B1 KR102445989 B1 KR 102445989B1 KR 1020207022469 A KR1020207022469 A KR 1020207022469A KR 20207022469 A KR20207022469 A KR 20207022469A KR 102445989 B1 KR102445989 B1 KR 102445989B1
- Authority
- KR
- South Korea
- Prior art keywords
- semiconductor
- electron microscope
- microscope images
- wafers
- images
- Prior art date
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 189
- 230000007547 defect Effects 0.000 title claims description 56
- 238000001493 electron microscopy Methods 0.000 title 1
- 238000001000 micrograph Methods 0.000 claims abstract description 125
- 235000012431 wafers Nutrition 0.000 claims abstract description 95
- 238000004519 manufacturing process Methods 0.000 claims abstract description 89
- 238000000635 electron micrograph Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 127
- 238000013400 design of experiment Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000007790 scraping Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims 2
- 229910052698 phosphorus Inorganic materials 0.000 claims 2
- 239000011574 phosphorus Substances 0.000 claims 2
- 238000002372 labelling Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 10
- 238000000206 photolithography Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 3
- 238000003917 TEM image Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001878 scanning electron micrograph Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
-
- 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
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
일부 실시예에서, 반도체 구조물의 각각의 인스턴스들에 대한 제 1 복수의 전자 현미경 이미지들이 제 1 소스로부터 획득된다. 제 1 복수의 전자 현미경 이미지들의 전자 현미경 이미지들은 하나 이상의 반도체 제조 파라미터의 상이한 값들을 나타낸다. 제 1 복수의 전자 현미경 이미지와 하나 이상의 반도체 제조 파라미터의 값들 사이의 관계를 특정하는 모델이 트레이닝된다. 하나 이상의 반도체 웨이퍼 상의 반도체 구조물의 각각의 인스턴스들에 대한 제 2 복수의 전자 현미경 이미지가 수집된다. 하나 이상의 반도체 웨이퍼는 제 1 소스와 구별된다. 제 2 복수의 전자 현미경 이미지에 대한 하나 이상의 반도체 제조 파라미터의 값들은 모델을 사용하여 예측된다.
Description
본 출원은 "CD-SEM 이미지들을 사용한 디바이스 유사 구조물들 상에서의 계측 및 결함 검출 방법(Method for Metrology and Defect Detection on Device Like Structures Using CD-SEM Images)"이라는 명칭으로 2018 년 1 월 5 일자로 출원된 미국 가특허 출원 제62/613,946호에 대한 우선권을 주장하며, 이는 모든 목적을 위해 그 전체가 본원에 참고로 포함된다.
본 개시 내용은 반도체 검사에 관한 것으로, 보다 구체적으로는 전자 현미경 이미지들을 이용한 반도체 계측 및/또는 결함 분류에 관한 것이다.
반도체 계측은 전자 현미경 이미지에서 반도체 구조물들의 치수를 명시적으로 측정함으로써 수행될 수 있다. 예를 들어, 라인 간격(즉, 피치)을 측정하기 위해, 임계 치수 주사 전자 현미경(critical-dimension scanning-electron-microscope)(CD-SEM) 이미지에서 보여진 바와 같은 라인 에지들(line edges)이 평균화되고 연속적인 평균값들 사이의 거리가 결정된다. 그러나, 이러한 측정치들은 노이즈가 있을 수 있고 부정확할 수 있으며, 임의의 또는 복잡한 구조물들에 대해서는 수행이 곤란하다. 비 기하학적 파라미터들(non-geometric parameters)(예컨대, 리소그래피 초점 및 도즈량)은 일부 기하학적 파라미터들(geometric parameters)(예컨대, 오버레이, 막 두께 및 측벽 각도)이 되는 그러한 측정치들을 사용하여 결정하기가 곤란하다. 이러한 측정치들은 또한 측정되는 피처들의 외부의 이미지들의 정보를 이용하지 못한다.
따라서, 전자 현미경 이미지들을 사용하여 반도체 제조 파라미터들의 값을 결정하는 개선된 방법 및 시스템이 필요하다.
일부 실시예에서, 반도체 제조를 모니터링하는 제 1 방법은 하나 이상의 프로세서 및 하나 이상의 프로세서에 의한 실행을 위한 명령어들을 저장하는 메모리를 포함하는 컴퓨터 시스템에서 수행된다. 제 1 방법에서, 반도체 구조물의 각각의 인스턴스들에 대한 제 1 복수의 전자 현미경 이미지는 제 1 소스로부터 획득된다. 제 1 복수의 전자 현미경 이미지는 하나 이상의 반도체 제조 파라미터의 상이한 값들을 나타낸다. 제 1 복수의 전자 현미경 이미지와 하나 이상의 반도체 제조 파라미터의 값들 사이의 관계를 특정하는 모델이 트레이닝된다. 하나 이상의 반도체 웨이퍼 상의 반도체 구조물의 각각의 인스턴스들에 대한 제 2 복수의 전자 현미경 이미지가 수집된다. 하나 이상의 반도체 웨이퍼는 제 1 소스와 구별된다. 제 2 복수의 전자 현미경 이미지에 대한 하나 이상의 반도체 제조 파라미터의 값들은 모델을 사용하여 예측된다.
일부 실시예에서, 반도체 제조를 모니터링하는 제 2 방법은 하나 이상의 프로세서 및 하나 이상의 프로세서에 의한 실행을 위한 명령어들을 저장하는 메모리를 포함하는 컴퓨터 시스템에서 수행된다. 제 2 방법에서, 반도체 구조물의 각각의 인스턴스들에 대한 제 1 복수의 전자 현미경 이미지는 제 1 소스로부터 획득된다. 제 1 복수의 전자 현미경 이미지는 하나 이상의 반도체 제조 파라미터의 상이한 값들을 나타낸다. 제 1 복수의 전자 현미경 이미지는 각각의 결함 클래스들과 연관된다. 제 1 복수의 전자 현미경 이미지와 결함 클래스들 사이의 관계를 특정하는 모델이 트레이닝된다. 하나 이상의 반도체 웨이퍼 상의 반도체 구조물의 각각의 인스턴스들에 대한 제 2 복수의 전자 현미경 이미지가 수집된다. 하나 이상의 반도체 웨이퍼는 제 1 소스와 구별된다. 하나 이상의 반도체 웨이퍼 상의 결함들에 대한 하나 이상의 결함 클래스들은 모델을 사용하여 예측된다.
일부 실시예에서, 반도체 제조를 모니터링하는 제 3 방법은 하나 이상의 프로세서 및 하나 이상의 프로세서에 의한 실행을 위한 명령어들을 저장하는 메모리를 포함하는 컴퓨터 시스템에서 수행된다. 제 3 방법에서, 반도체 구조물의 각각의 모델링된 인스턴스들에 대한 시뮬레이션된 전자 현미경 이미지들이 획득된다. 제 1 복수의 전자 현미경 이미지는 하나 이상의 반도체 제조 파라미터의 상이한 값들을 나타낸다. 하나 이상의 반도체 웨이퍼 상의 반도체 구조물의 각각의 인스턴스들에 대한 복수의 전자 현미경 이미지가 수집된다. 복수의 전자 현미경 이미지에 대한 하나 이상의 반도체 제조 파라미터의 값들은 시뮬레이션된 전자 현미경 이미지들을 사용하여 예측된다. 이들 값들을 예측하는 것은 복수의 전자 현미경 이미지와 시뮬레이션된 전자 현미경 이미지들 사이의 회귀 분석(regression analysis)을 수행하는 것을 포함한다.
일부 실시예에서, 컴퓨터 시스템은 하나 이상의 프로세서 및 하나 이상의 프로세서에 의한 실행을 위한 하나 이상의 프로그램을 저장하는 메모리를 포함한다. 하나 이상의 프로그램은 위의 제 1 방법, 제 2 방법, 및/또는 제 3 방법을 수행하기 위한 명령어들을 포함한다. 일부 실시예에서, 비 일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 시스템에 의한 실행을 위해 구성되는 하나 이상의 프로그램을 저장한다. 하나 이상의 프로그램은 위의 제 1 방법, 제 2 방법, 및/또는 제 3 방법을 수행하기 위한 명령어들을 포함한다.
설명된 다양한 구현예에 대한 더 나은 이해를 위해, 다음의 도면과 함께 아래의 상세한 설명을 참조해야 한다.
도 1 내지 도 3은 일부 실시예에 따른 반도체 제조를 모니터링하는 각각의 방법들의 흐름도를 도시한다.
도 4 및 5는 일부 실시예에 따라 시뮬레이션된 전자 현미경 이미지들을 획득하는 각각의 방법들의 흐름도를 도시한다.
도 6은 다양한 오버레이 값들 및 그에 따른 다양한 피치 오차 정도를 갖는 복수의 전자 현미경 이미지를 도시한다.
도 7은 일부 실시예에 따른 반도체 검사 시스템의 블럭도이다.
도면 및 명세서 전체에 걸쳐 유사한 참조 부호는 대응하는 부분을 지칭한다.
도 1 내지 도 3은 일부 실시예에 따른 반도체 제조를 모니터링하는 각각의 방법들의 흐름도를 도시한다.
도 4 및 5는 일부 실시예에 따라 시뮬레이션된 전자 현미경 이미지들을 획득하는 각각의 방법들의 흐름도를 도시한다.
도 6은 다양한 오버레이 값들 및 그에 따른 다양한 피치 오차 정도를 갖는 복수의 전자 현미경 이미지를 도시한다.
도 7은 일부 실시예에 따른 반도체 검사 시스템의 블럭도이다.
도면 및 명세서 전체에 걸쳐 유사한 참조 부호는 대응하는 부분을 지칭한다.
이제, 첨부된 도면에 도시되는 다양한 실시예에 대해 상세한 참조가 행해질 것이다. 이하의 상세한 설명에서는, 설명된 다양한 실시예의 완벽한 이해를 제공하기 위해 다양한 특정 세부 사항들이 제시되고 있다. 그러나, 본 기술 분야의 통상의 기술자에게는 이들 특정 세부 사항 없이도 설명된 다양한 실시예가 실시될 수 있음이 명백할 것이다. 다른 경우들에서, 널리 공지된 방법, 절차, 컴포넌트, 회로, 및 네트워크는 실시예의 양태를 불필요하게 모호하게 하지 않기 위해 상세히 설명되지는 않았다.
도 1은 일부 실시예에 따른 반도체 제조를 모니터링하는 방법(100)의 흐름도를 도시한다. 방법(100)은 컴퓨터 시스템(예컨대, 도 7의 반도체 검사 시스템(700)의 컴퓨터 시스템)에서 수행될 수 있다. 방법(100) 내의 단계들은 결합되거나 분리될 수 있다.
방법(100)에서, 반도체 구조물의 각각의 인스턴스들에 대한 제 1 복수의 전자 현미경 이미지는 제 1 소스로부터 획득된다(102). 제 1 복수의 전자 현미경 이미지는 하나 이상의 반도체 제조 파라미터의 상이한 값들을 나타낸다. 예를 들어, 제 1 복수의 전자 현미경 이미지의 각각의 전자 현미경 이미지, 또는 제 1 복수의 전자 현미경 이미지의 각각의 전자 현미경 이미지 그룹들은 하나 이상의 반도체 제조 파라미터의 상이한 값 세트를 나타낼 수 있다. 제 1 복수의 전자 현미경 이미지는 주사 전자 현미경(scanning-electron-microscope)(SEM) 이미지(예컨대, CD-SEM 이미지) 또는 투과 전자 현미경(transmission-electron-microscope)(TEM) 이미지일 수 있다.
하나 이상의 반도체 제조 파라미터는 하나 이상의 기하학적 파라미터(예컨대, 임계 치수, 오버레이, 에지 배치 오차, 측벽 각도 등)를 포함할 수 있다. 대안적으로 또는 부가적으로, 하나 이상의 반도체 제조 파라미터는 하나 이상의 비 기하학적 파라미터를 포함할 수 있다. 비 기하학적 파라미터는 반도체 제조 공정에서 하나 이상의 단계(예컨대, 포토리소래픽 단계, 에칭 단계, 증착 단계 등)와 관련된 파라미터들을 포함할 수 있다. 예를 들어, 하나 이상의 반도체 제조 파라미터는 포토리소그래피 단계에 대한 초점 및/또는 도즈량을 포함할 수 있다. 포토리소그래피 단계에 대한 도즈량 파라미터는 반도체 웨이퍼(예컨대, 단일 필드가 한번에 조명되는 반도체 웨이퍼 내의 특정 필드)에 제공되는 조명의 양 및 그에 따른 광자들의 수를 정량화한다.
반도체 구조물은 반도체 웨이퍼 상의 임의의 구조물일 수 있다. 예를 들어, 반도체 구조물은 반도체 제조 공정의 성능을 특성화하도록 설계된 테스트 구조물일 수 있거나, 또는 반도체 디바이스의 일부(예컨대, 반도체 웨이퍼 상의 다이)일 수 있다. 반도체 제조 공정의 하나 이상의 단계가 수행된 후, 그러나 반도체 제조 공정이 완료되기 전에, 반도체 구조물이 형성될 수 있고, 전자 현미경 이미지들이 획득될 수 있다.
도 6은 일부 실시예에 따라, 이중 패터닝 포토리소그래피를 사용하여(즉, 제 1 포토리소그래피 단계 및 이에 후속하는 제 2 포토리소그래피 단계를 사용하여) 제조된 복수의 라인(602)(예컨대, 금속 라인들)을 갖는 반도체 구조물의 이미지들(600-1, 600-2, 및 600-3)의 예시적인 일례를 도시한다. 이미지들(600-1, 600-2 및 600-3)은 제 1 복수의 전자 현미경 이미지의 전자 현미경 이미지들의 예이고, 실제 또는 시뮬레이션된 전자 현미경 이미지들일 수 있다. 제 1 포토리소그래피 단계와 제 2 포토리소그래피 단계 사이의 오버레이는 이미지들(600-1, 600-2, 및 600-3)에 따라 변화되어, 각각의 이미지(600)마다 피치 오차의 정도가 달라진다. 이미지(600-1)는 피치 오차가 없음을 나타내고, 이미지(600-2)는 제 1 피치 오차 정도(예컨대, 백분율로 측정됨)를 나타내고, 이미지(600-3)는 제 1 피치 오차 정보보다 큰 제 2 피치 오차 정도를 나타낸다.
일부 실시예에서, 제 1 소스는 상이한 필드들이 상이한 값들을 갖도록 제조되는 실험 설계(design-of-experiments)(DOE) 웨이퍼를 포함한다(104). 제 1 복수의 전자 현미경 이미지의 각각의 이미지들은 DOE 웨이퍼의 각각의 필드들로부터 획득된다. 웨이퍼는 실험적인 설계(즉, "실험 설계" 또는 DOE)에 기반하여 제조되어 상이한 필드들마다 상이한 값들을 갖기 때문에 DOE 웨이퍼라 지칭된다. 각각의 필드는 하나 이상의 반도체 제조 파라미터에 대해 상이한 값들을 갖도록 제조될 수 있거나, 또는 각각의 필드 그룹들은 각각의 그룹이 하나 이상의 반도체 제조 파라미터에 대해 상이한 값들을 갖도록 제조될 수 있다. (필드들 간에 그리고 필드 내에서 의도하지 않은 파라미터 값들의 변형이 또한 발생할 수 있다.)
일부 실시예에서, 제 1 소스는 상이한 웨이퍼들이 상이한 값들을 갖도록 제조되는 복수의 DOE 웨이퍼를 포함한다(106). 제 1 복수의 전자 현미경 이미지의 각각의 이미지들은 복수의 DOE 웨이퍼의 각각의 웨이퍼들로부터 획득된다. 웨이퍼들은 실험 설계에 기반하여 제조되어 상이한 웨이퍼들이 상이한 값들을 가지므로 DOE 웨이퍼라고 지칭된다. 각각의 웨이퍼는 하나 이상의 반도체 제조 파라미터에 대해 상이한 값들을 갖도록 제조될 수 있거나, 또는 각각의 웨이퍼 그룹들은 각각의 그룹이 하나 이상의 반도체 제조 파라미터에 대해 상이한 값들을 갖도록 제조될 수 있다. (웨이퍼들 간에 그리고 웨이퍼 상에서 의도하지 않은 파라미터 값들의 변형이 또한 발생할 수 있다.)
일부 실시예에서, 제 1 복수의 전자 현미경 이미지는 시뮬레이션된 전자 현미경 이미지들을 포함한다(108). 예를 들어, 제 1 복수의 전자 현미경 이미지의 모든 전자 현미경 이미지들은 시뮬레이션된 전자 현미경 이미지들일 수 있다. 시뮬레이션된 전자 현미경 이미지들은 후술하는 바와 같이, 방법(400)(도 4) 또는 방법(500)(도 5)을 사용하여 획득될 수 있다.
일부 실시예에서, 제 1 복수의 전자 현미경 이미지에 대한 하나 이상의 반도체 제조 파라미터의 값들은 기준 계측 툴(예컨대, 제 1 복수의 이미지를 취한 전자 현미경)을 사용하여 결정된다(110). 기준 계측 툴은 (아래의) 단계(114)에서 이미지들을 수집하는 데 사용되는 동일한 툴 또는 타입의 툴일 수 있거나, 또는 상이한 (예컨대, 보다 정확하지만 더 느린) 툴 또는 타입의 툴일 수 있다. 기준 계측 툴이 단계(114)에서 사용된 동일한 툴 또는 타입의 툴인 경우, 툴 설정치들은 단계(114)에서 사용된 것들과 동일할 수 있거나 상이할 수 있다(예컨대, 보다 정확하지만 더 느릴 수 있다).
제 1 복수의 전자 현미경 이미지와 하나 이상의 반도체 제조 파라미터의 값들 사이의 관계를 특정하는 모델이 트레이닝된다(112). 일부 실시예에서, 모델은 신경 네트워크이다. 일부 실시예에서, 모델은 지도 학습(supervised learning)을 사용하여 트레이닝된다.
하나 이상의 반도체 웨이퍼 상의 반도체 구조물의 각각의 인스턴스들에 대한 제 2 복수의 전자 현미경 이미지가 수집된다(114). 하나 이상의 반도체 웨이퍼는 제 1 소스와 구별된다. 제 2 복수의 전자 현미경 이미지는 제 1 복수의 전자 현미경 이미지와 동일한 타입의 전자 현미경 이미지들일 수 있고, 따라서 SEM 이미지들(예컨대, CD-SEM 이미지들) 또는 TEM 이미지들일 수 있다. 제 1 복수의 전자 현미경 이미지의 전자 현미경 이미지들은 실제 또는 시뮬레이션된 전자 현미경 이미지들일 수 있지만, 제 2 복수의 전자 현미경 이미지의 전자 현미경 이미지들은 실제 이미지들이다.
제 2 복수의 전자 현미경 이미지에 대한 하나 이상의 반도체 제조 파라미터의 값들은 모델을 사용하여 예측된다(116).
일부 실시예에서, 하나 이상의 반도체 웨이퍼를 제조하는 데 사용되는 제조 공정은 예측된 값들에 적어도 부분적으로 기반하여 조정된다(118). 예를 들어, 예측된 값들이 임계치를 만족시키는(예컨대, 초과하거나, 또는 동일하거나 초과하는) 양만큼 각각의 타겟 값들과 상이하다는 것을 예측이 나타내는 경우, 미래 웨이퍼들에 대한 값들이 타겟 값들의 범위 내에 있도록 (예컨대, 임계치 차이를 만족시키지 않도록) 공정이 조정된다. 일부 실시예에서, 하나 이상의 반도체 웨이퍼는 예측된 값들에 적어도 부분적으로 기반하여 배치된다(120). 각각의 웨이퍼를 배치하는 것은 각각의 웨이퍼를 계속해서 처리하는 것, 각각의 웨이퍼를 재작업하는 것, 또는 각각의 웨이퍼를 스크래핑(scrap)하는 것 중에서 선택하는 것을 포함할 수 있다. 일부 실시예에서, 하나 이상의 반도체 웨이퍼 상의 반도체 디바이스들의 성능은 예측된 값들에 적어도 부분적으로 기반하여 추정된다(122). 방법(100)은 단계들(118, 120, 및 122)을 전혀 포함하지 않거나, 하나 이상을 포함하거나, 또는 모두를 포함할 수 있다.
도 2는 일부 실시예에 따른 반도체 제조를 모니터링하는 다른 방법(200)의 흐름도를 도시한다. 방법(200)은 방법(100)과 유사하게, 컴퓨터 시스템(예컨대, 도 7의 반도체 검사 시스템(700)의 컴퓨터 시스템)에서 수행될 수 있다. 방법(200) 내의 단계들은 결합되거나 분리될 수 있다.
방법(200)에서, 단계(102)는, 방법(100)(도 1)에 대해 전술한 바와 같이, 수행된다. 일부 실시예에서, 단계(102)는 단계(104, 106, 또는 108)를 포함한다. 단계(108)에 대해, 방법(400)(도 4) 또는 방법(500)(도 5)이 일부 실시예에 따라 사용될 수 있다.
제 1 복수의 전자 현미경 이미지는 각각의 결함 클래스들과 연관된다(210). 일부 실시예에서, 각각의 결함 클래스들은 (단계(104)를 포함하는 실시예의 경우) DOE 웨이퍼 상의 또는 (단계(106)를 포함하는 실시예의 경우) 복수의 DOE 웨이퍼 상의 결함 클래스들을 포함한다(211). 각각의 결함 클래스들은 제 1 복수의 전자 현미경 이미지의 각각의 이미지들에서는 보여지지 않지만 이미지들이 취해진 각각의 웨이퍼들 또는 웨이퍼 필드들 상에 존재하는 결함들에 대응할 수 있다. 예를 들어, 제 1 결함 클래스는 제 1 이미지가 취해진 제 1 웨이퍼 또는 웨이퍼 필드 상에 보여지는 제 1 타입의 결함에 대응하며, 다른 결함 클래스들은 다른 이미지들이 취해진 다른 웨이퍼 또는 웨이퍼 필드 상에 보여지는 다른 타입의 결함에 대응한다. 일부 실시예에서, 각각의 결함 클래스들은 제 1 복수의 전자 현미경 이미지의 각각의 이미지들에서 보여지지 않지만 각각의 이미지들에 대응하는(예컨대, 각각의 이미지들에서 보여지는 값들과 특정된 정도 내로 매칭되는) 반도체 제조 파라미터들의 하나 이상의 각각의 값들과 관련되는 것으로 알려진 결함들에 대응한다. 일부 실시예에서, 각각의 결함 클래스들은 제 1 복수의 전자 현미경 이미지의 각각의 이미지들에 보여지는 결함들에 대응한다.
제 1 복수의 전자 현미경 이미지와 결함 클래스들 사이의 관계를 특정하는 모델이 트레이닝된다(212). 일부 실시예에서, 모델은 신경 네트워크이다.
일부 실시예에서, 결함 클래스들에 대한 결함들의 타입은 제 1 복수의 전자 현미경 이미지가 획득될 때는 특정되어 있지 않다(예컨대, 알려지지 않는다). 모델을 트레이닝시키기 위해, 결함 클래스들에 대한 결함들의 타입이 특정되어 있지 않은 동안 제 1 복수의 전자 현미경 이미지와 결함 클래스들 사이의 관계를 결정하는 데 비지도 학습(unsupervised learning)이 사용될 수 있다. 관계가 결정되고 결함 클래스들에 대한 결함들의 타입이 특정된 후(예컨대, 알려진 후), 결함 클래스들에는 결함 클래스들에 대한 결함들의 타입을 특정하는 라벨들이 표시된다. 대안적으로, 결함 클래스들에 대한 결함들의 타입은 단계(212) 이전에(예컨대, 제 1 복수의 전자 현미경 이미지가 획득될 때) 특정되고(예컨대, 알려지고), 모델은 지도 학습(supervised learning)을 사용하여 트레이닝된다.
하나 이상의 반도체 웨이퍼 상의 반도체 구조물의 각각의 인스턴스들에 대한 제 2 복수의 전자 현미경 이미지는, 방법(100)(도 1)에 대해 전술한 바와 같이, 수집된다(114).
하나 이상의 반도체 웨이퍼 상의 결함들에 대한 하나 이상의 결함 클래스들은 모델을 사용하여 예측된다(216). 따라서 하나 이상의 반도체 웨이퍼 상의 결함들은 모델을 사용하여 분류된다.
일부 실시예에서, 하나 이상의 반도체 웨이퍼를 제조하는 데 사용되는 제조 공정은 예측된 하나 이상의 결함 클래스들에 적어도 부분적으로 기반하여 조정된다(218). 일부 실시예에서, 하나 이상의 반도체 웨이퍼는 예측된 하나 이상의 결함 클래스들에 적어도 부분적으로 기반하여 배치된다(220). 각각의 웨이퍼를 배치하는 것은 각각의 웨이퍼를 계속해서 처리하는 것, 각각의 웨이퍼를 재작업하는 것, 또는 각각의 웨이퍼를 스크래핑하는 것 중에서 선택하는 것을 포함할 수 있다. 방법(200)은 단계들(218 및 220)을 전혀 포함하지 않거나, 하나를 포함하거나, 또는 모두를 포함할 수 있다.
도 3은 일부 실시예에 따른 반도체 제조를 모니터링하는 또 다른 방법(300)의 흐름도를 도시한다. 방법(300)은 방법들(100 및/또는 200)과 유사하게, 컴퓨터 시스템(예컨대, 도 7의 반도체 검사 시스템(700)의 컴퓨터 시스템)에서 수행될 수 있다. 방법(300) 내의 단계들은 결합되거나 분리될 수 있다.
방법(300)에서, 반도체 구조물의 각각의 모델링된 인스턴스들에 대한 시뮬레이션된 전자 현미경 이미지들이 획득된다(302). 시뮬레이션된 전자 현미경 이미지들은 하나 이상의 반도체 제조 파라미터의 상이한 값들을 나타낸다. 예를 들어, 각각의 시뮬레이션된 전자 현미경 이미지 또는 각각의 시뮬레이션된 전자 현미경 이미지 그룹은 하나 이상의 반도체 제조 파라미터의 상이한 값 세트를 나타낼 수 있다. 시뮬레이션된 전자 현미경 이미지들은 시뮬레이션된 SEM 이미지들(예컨대, 시뮬레이션된 CD-SEM 이미지들) 또는 시뮬레이션된 TEM 이미지들일 수 있다. 일부 실시예에서, 시뮬레이션된 전자 현미경 이미지들은 방법(400)(도 4) 또는 방법(500)(도 5)을 사용하여 획득될 수 있다.
방법(100) 및 방법(200)(도 1 및 도 2)의 단계(102)에 대해, 반도체 구조물은 임의의 구조물(예컨대, 테스트 구조물 또는 반도체 디바이스의 일부)(예컨대, 복수의 라인(602)(도 6))일 수 있다. 반도체 구조물은, 만약 실제로 제조되는 경우, 반도체 제조 공정의 하나 이상의 단계가 수행된 후, 그러나 전체 반도체 제조 공정이 완료되기 전에 형성될 수 있을 구조물일 수 있다.
하나 이상의 반도체 웨이퍼 상의 반도체 구조물의 각각의 인스턴스들에 대한 복수의 전자 현미경 이미지가 수집된다(304). 따라서, 복수의 전자 현미경 이미지는 시뮬레이션된 전자 현미경 이미지들과는 대조적으로 실제의 전자 현미경 이미지들을 포함한다.
복수의 전자 현미경 이미지에 대한 하나 이상의 반도체 제조 파라미터의 값들은 시뮬레이션된 전자 현미경 이미지들을 사용하여 예측된다(306). 이러한 예측을 행하는 것은 복수의 전자 현미경 이미지와 시뮬레이션된 전자 현미경 이미지들 사이의 회귀 분석을 수행하는 것을 포함한다. 회귀 분석은 단계(304)에서 수집된 복수의 전자 현미경 이미지와 단계(302)에서 획득된 시뮬레이션된 전자 현미경 이미지들 사이의 신호 차이를 최소화할 수 있다. 따라서, 방법(300)은, 방법(100)과는 달리, 단계들(112 및 116)(도 1)의 모델을 포함하지 않는다.
일부 실시예에서, 단계들(118, 120, 및/또는 122)은, 방법(100)(도 1)에 대해 전술한 바와 같이, 수행된다.
도 4는 일부 실시예에 따른 시뮬레이션된 전자 현미경 이미지들을 획득하는 방법(400)의 흐름도를 도시한다. 방법(400)에서, 반도체 구조물의 기하학적 모델이 생성된다(402). 기하학적 모델은 기하학적 파라미터들일 수 있는 하나 이상의 반도체 제조 파라미터로 파라미터화된다. 기하학적 모델에 대한 하나 이상의 반도체 제조 파라미터는 하나 이상의 반도체 제조 파라미터의 상이한 값들을 갖는 기하학적 모델의 변형들을 생성하도록(즉, 반도체 구조물의 각각의 모델링된 인스턴스들을 생성하도록) 변화된다(404). 시뮬레이션된 전자 현미경 이미지들은 기하학적 모델의 각각의 변형들을 사용하여(즉, 각각의 모델링된 인스턴스들을 사용하여) 생성된다(406). 예를 들어, 각각의 시뮬레이션된 이미지는 기하학적 모델의 별개의 변형을 기반으로 생성된다. 이미지 시뮬레이션은 변형들을 입력으로 수신하는 이미지 시뮬레이터(예컨대, 이미지 시뮬레이션 모듈(718)(도 7))를 사용하여 수행된다.
도 5는 일부 실시예에 따른 시뮬레이션된 전자 현미경 이미지들을 획득하는 다른 방법(500)의 흐름도를 도시한다. 방법(500)에서, 반도체 구조물의 공정 기반 모델은 공정 파라미터들로 파라미터화된 공정 시뮬레이터를 사용하여 생성된다(502). 공정 시뮬레이터에 대한 공정 파라미터들은 하나 이상의 반도체 제조 파라미터의 상이한 값들을 갖는 반도체 구조물의 각각의 시뮬레이션된 인스턴스들을 생성하도록 변화된다. 예를 들어, 공정 시뮬레이션의 각각의 반복들은 상이한 공정 파라미터 값들로 수행되어 반도체 구조물의 각각의 시뮬레이션된 인스턴스들을 생성한다. 공정 파라미터들은 하나 이상의 공정 단계(예컨대, 포토리소그래피, 에칭, 증착 등)가 수행되는 방법에 대한 세부 사항들을 특정하고, 따라서 기하학적 파라미터들은 아니다. 예를 들어, 공정 파라미터들은 하나 이상의 포토리소그래피 단계에 대한 초점 및/또는 도즈량을 포함할 수 있다. 각각의 공정 파라미터들은 단계들(102(도 1 및 도 2) 및 302(도 3))의 하나 이상의 반도체 제조 파라미터와 구별될 수 있거나 대안적으로 동일할 수 있다. 시뮬레이션된 전자 현미경 이미지들은 이미지 시뮬레이터(예컨대, 이미지 시뮬레이션 모듈(718)(도 7)에 대한 입력으로서 제공되는 반도체 구조물의 각각의 시뮬레이션된 인스턴스들을 사용하여 생성된다(504). 예를 들어, 각각의 시뮬레이션된 이미지는 공정 시뮬레이터에 의해 제공되는 반도체 구조물의 별개의 인스턴스들에 기반하여 생성된다.
도 7은 일부 실시예에 따른 반도체 검사 시스템(700)의 블럭도이다. 반도체 검사 시스템(700)은 전자 현미경(742), 및 하나 이상의 프로세서(702)(예컨대, CPUs), 사용자 인터페이스(706), 메모리(710), 및 이들 컴포넌트들을 상호 연결하는 하나 이상의 통신 버스(704)를 갖는 컴퓨터 시스템을 포함한다. 컴퓨터 시스템은 하나 이상의 네트워크(740)를 통해 전자 현미경(742)과 통신 가능하게 연결될 수 있다. 컴퓨터 시스템은 전자 현미경(742) 및/또는 원격 컴퓨터 시스템과 통신하기 위한 하나 이상의 네트워크 인터페이스(유선 및/또는 무선, 도시되지 않음)를 더 포함할 수 있다. 전자 현미경(742)은 SEM(예컨대, CD-SEM) 또는 TEM일 수 있다.
사용자 인터페이스(710)는 디스플레이(707) 및 하나 이상의 입력 디바이스(708)(예컨대, 키보드, 마우스, 디스플레이(707)의 터치 감지 표면 등)를 포함할 수 있다. 디스플레이(707)는 방법(100, 200, 및/또는 300)의 결과를 보고할 수 있다(예컨대, 배치, 성능 추정, 결함 클래스 예측, 제조 공정 조정의 세부 사항 등을 보고할 수 있다).
메모리(710)는 휘발성 및/또는 비 휘발성 메모리를 포함한다. 메모리(710)(예컨대, 메모리(710) 내의 비 휘발성 메모리)는 비 일시적 컴퓨터 판독 가능 저장 매체를 포함한다. 메모리(710)는 프로세서(702)로부터 원격에 위치한 하나 이상의 저장 디바이스 및/또는 서버 시스템(700)에 착탈 가능하게 삽입되는 비 일시적 컴퓨터 판독 가능 저장 매체를 선택적으로 포함한다. 일부 실시예에서, 메모리(710)(예컨대, 메모리(710)의 비 일시적 컴퓨터 판독 가능 저장 매체)는 다음의 모듈 및 데이터, 또는 그 서브 세트 또는 수퍼 세트: 즉, 다양한 기본 시스템 서비스를 처리하고 하드웨어 의존적인 작업들을 수행하기 위한 절차들을 포함하는 운영 체제(712), (예컨대, 방법(400)(도 4)에서 사용된 바와 같은) 반도체 구조물들의 기하학적 모델을 생성하기 위한 구조물 모델링 모듈(714), (예컨대, 방법(500)(도 5)에서 사용하기 위한) 공정 시뮬레이션 모듈(716), (예컨대, 단계들(108(도 1 및 도 2), 406(도 4), 및/또는 504(도 5))에 따라), 시뮬레이션된 전자 현미경 이미지들을 생성하기 위한 이미지 시뮬레이션 모듈(718), (예컨대, 단계들(112 및/또는 212(도 1 및 도 2))에서 사용하기 위한) 모델 트레이닝 모듈(720), (예컨대, 단계들(116(도 1) 및/또는 306(도 3))에서 사용하기 위한) 값 예측 모듈(722), (예컨대, 단계(216)(도 2)에서 사용하기 위한) 결함 분류 모듈(724), (예컨대, 단계들(118 및/또는 218(도 1 내지 도 3))에서 사용하기 위한) 공정 조정 모듈(726), (예컨대, 단계들(120 및/또는 220(도 1 내지 도 3))에서 사용하기 위한) 웨이퍼 배치 모듈(728), (예컨대, 단계(122)(도 1 및 도 3)에서 사용하기 위한) 성능 추정 모듈(730), 및 (실제 및/또는 시뮬레이션된) 전자 현미경 이미지들(732)을 저장한다.
따라서, 메모리(710)(예컨대, 메모리(710)의 비 일시적 컴퓨터 판독 가능 저장 매체)는 방법(100)(도 1), 방법(200)(도 2), 및/또는 방법(300)(도 3)을 수행하기 위한 명령어들을 포함한다. 이와 같이, 메모리(710)는 방법(400)(도 4) 및/또는 방법(500)(도 5)을 수행하기 위한 명령어들을 포함할 수 있다. 메모리(710)에 저장된 각각의 모듈은 본원에서 설명되는 하나 이상의 기능을 수행하기 위한 명령어 세트에 대응한다. 개별 모듈들은 개별 소프트웨어 프로그램들로 구현될 필요는 없다. 모듈들 및 모듈들의 다양한 서브 세트는 결합되거나 다른 방식으로 재배열될 수 있다. 일부 실시예에서, 메모리(710)는 위에서 식별된 모듈들 및/또는 데이터 구조들의 서브 세트 또는 수퍼 세트를 저장한다.
도 7은 구조적 개략도로서 보다는 반도체 검사 시스템에 존재할 수 있는 다양한 특징의 기능적 설명으로서 의도된 것이다. 예를 들어, 반도체 검사 시스템(700)에서 컴퓨터 시스템의 기능은 다수의 디바이스 사이에 분할될 수 있다. 메모리(710)에 저장된 모듈들의 일부는 대안적으로 하나 이상의 네트워크를 통해 반도체 검사 시스템(700)의 컴퓨터 시스템과 통신 가능하게 연결된 하나 이상의 다른 컴퓨터 시스템에 저장될 수 있다.
설명의 목적 상, 전술한 설명은 특정 실시예를 참조하여 기술되었다. 그러나, 위의 예시적인 논의는 모든 것을 망라한 것이거나 또는 청구항의 범위를 개시된 정확한 형태로 제한하려는 것이 아니다. 전술한 교시 내용에 비추어 많은 수정 및 변형이 가능하다. 실시예들은 청구항 및 그 실제 적용의 기본 원리를 최상으로 설명하도록 선택되었으며, 이로써 본 기술 분야의 다른 기술자는 고려된 특정 용도에 적합한 다양한 수정을 가진 실시예들을 최상으로 사용할 수 있다.
Claims (22)
- 반도체 제조를 모니터링하는 방법으로서,
하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의한 실행을 위한 명령어들을 저장하는 메모리를 포함하는 컴퓨터 시스템에서,
반도체 구조물의 각각의 인스턴스(instance)들에 대한 제 1 복수의 전자 현미경 이미지들을 제 1 소스로부터 획득하는 단계 ― 상기 제 1 복수의 전자 현미경 이미지들의 전자 현미경 이미지들은 하나 이상의 반도체 제조 파라미터의 상이한 값들을 보여줌 ―;
상기 제 1 복수의 전자 현미경 이미지들과 상기 하나 이상의 반도체 제조 파라미터의 값들 사이의 관계를 규정하는 모델을 트레이닝하는 단계;
하나 이상의 반도체 웨이퍼 상의 상기 반도체 구조물의 각각의 인스턴스들에 대한 제 2 복수의 전자 현미경 이미지들을 수집하는 단계 ― 상기 하나 이상의 반도체 웨이퍼는 상기 제 1 소스와 구별됨 ―; 및
상기 제 2 복수의 전자 현미경 이미지들에 대한 상기 하나 이상의 반도체 제조 파라미터의 값들을 상기 모델을 사용하여 예측하는 단계
를 포함하는 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 하나 이상의 반도체 제조 파라미터는 오버레이, 임계 치수(critical dimension; CD), 측벽 각도, 또는 에지 배치 오차 중 적어도 하나를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 하나 이상의 반도체 제조 파라미터는 포토리소그래피 공정 단계에 대한 초점 또는 도즈량(dose) 중 적어도 하나를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 제 1 복수의 전자 현미경 이미지들과 상기 제 2 복수의 전자 현미경 이미지들은 임계 치수 SEM (CD-SEM) 이미지인 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 하나 이상의 반도체 웨이퍼는 제조 공정을 사용하여 제조되고;
상기 방법은, 상기 예측된 값들에 적어도 부분적으로 기반하여 상기 제조 공정을 조정하는 단계를 더 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 방법은 상기 예측된 값들에 적어도 부분적으로 기반하여 상기 하나 이상의 반도체 웨이퍼를 배치하는 단계를 더 포함하고;
상기 하나 이상의 반도체 웨이퍼를 배치하는 단계는, 상기 하나 이상의 반도체 웨이퍼의 각각의 웨이퍼를 계속 처리하는 것, 상기 각각의 웨이퍼를 재작업(rework)하는 것, 또는 상기 각각의 웨이퍼를 스크래핑(scrap)하는 것 사이에서 선택하는 단계를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 방법은, 상기 예측된 값들에 적어도 부분적으로 기반하여 상기 하나 이상의 반도체 웨이퍼 상의 반도체 디바이스들의 성능을 추정하는 단계를 더 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 제 1 소스는 상이한 필드들이 상기 상이한 값들을 갖도록 제조되는 실험 설계(design-of-experiment; DOE) 웨이퍼를 포함하며,
상기 제 1 복수의 전자 현미경 이미지들의 각각의 이미지들은 상기 DOE 웨이퍼의 각각의 필드들로부터 획득되며;
상기 방법은, 상기 획득하는 단계 후 및 상기 트레이닝하는 단계 전에, 기준 계측 툴을 사용하여 상기 제 1 복수의 전자 현미경 이미지들에 대한 상기 하나 이상의 반도체 제조 파라미터의 값들을 결정하는 단계를 더 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 제 1 소스는 상이한 웨이퍼들이 상기 상이한 값들을 갖도록 제조되는 복수의 DOE 웨이퍼들을 포함하며,
상기 제 1 복수의 전자 현미경 이미지들의 각각의 이미지들은 상기 복수의 DOE 웨이퍼들의 각각의 웨이퍼들로부터 획득되며;
상기 방법은, 상기 획득하는 단계 후 및 상기 트레이닝하는 단계 전에, 기준 계측 툴을 사용하여 상기 제 1 복수의 전자 현미경 이미지들에 대한 상기 하나 이상의 반도체 제조 파라미터의 값들을 결정하는 단계를 더 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 제 1 복수의 전자 현미경 이미지들은 시뮬레이션된 전자 현미경 이미지들을 포함하며;
상기 제 1 복수의 전자 현미경 이미지들을 상기 제 1 소스로부터 획득하는 단계는,
상기 반도체 구조물의 기하학적 모델을 생성하는 단계 ― 상기 기하학적 모델은 상기 하나 이상의 반도체 제조 파라미터로 파라미터화됨 ―;
상기 하나 이상의 반도체 제조 파라미터의 상이한 값들을 갖는 상기 기하학적 모델의 변형들을 생성하도록 상기 기하학적 모델에 대한 상기 하나 이상의 반도체 제조 파라미터를 변화시키는 단계; 및
상기 기하학적 모델의 각각의 변형들을 사용하여 상기 시뮬레이션된 전자 현미경 이미지들을 생성하는 단계
를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제1항에 있어서,
상기 제 1 복수의 전자 현미경 이미지들은 시뮬레이션된 전자 현미경 이미지들을 포함하며;
상기 제 1 복수의 전자 현미경 이미지들을 상기 제 1 소스로부터 획득하는 단계는,
상기 하나 이상의 반도체 제조 파라미터의 상이한 값들을 갖는 상기 반도체 구조물의 각각의 시뮬레이션된 인스턴스들을 생성하도록 공정 시뮬레이터를 위한 공정 파라미터들을 변화시키는 것을 포함하여, 상기 공정 파라미터들로 파라미터화된 상기 공정 시뮬레이터를 사용하여 상기 반도체 구조물의 공정 기반 모델을 생성하는 단계; 및
상기 반도체 구조물의 상기 각각의 시뮬레이션된 인스턴스들을 사용하여 상기 시뮬레이션된 전자 현미경 이미지들을 생성하는 단계
를 포함하며;
상기 방법은, 상기 트레이닝하는 단계 전에, 상기 시뮬레이션된 전자 현미경 이미지들에 대한 상기 하나 이상의 반도체 제조 파라미터의 값들을 결정하는 단계를 더 포함하는 것인 반도체 제조를 모니터링하는 방법. - 반도체 제조를 모니터링하는 방법으로서,
하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의한 실행을 위한 명령어들을 저장하는 메모리를 포함하는 컴퓨터 시스템에서,
반도체 구조물의 각각의 인스턴스들에 대한 제 1 복수의 전자 현미경 이미지들을 제 1 소스로부터 획득하는 단계 ― 상기 제 1 복수의 전자 현미경 이미지들의 전자 현미경 이미지들은 하나 이상의 반도체 제조 파라미터의 상이한 값들을 보여줌 ―;
상기 제 1 복수의 전자 현미경 이미지들을 각각의 결함 클래스들과 연관시키는 단계;
상기 제 1 복수의 전자 현미경 이미지들과 상기 결함 클래스들 사이의 관계를 규정하는 모델을 트레이닝하는 단계;
하나 이상의 반도체 웨이퍼 상의 상기 반도체 구조물의 각각의 인스턴스들에 대한 제 2 복수의 전자 현미경 이미지들을 수집하는 단계 ― 상기 하나 이상의 반도체 웨이퍼는 상기 제 1 소스와 구별됨 ―; 및
상기 하나 이상의 반도체 웨이퍼 상의 결함들에 대한 하나 이상의 결함 클래스를 상기 모델을 사용하여 예측하는 단계
를 포함하는 반도체 제조를 모니터링하는 방법. - 제12항에 있어서,
상기 예측된 하나 이상의 결함 클래스에 적어도 부분적으로 기반하여,
상기 하나 이상의 반도체 웨이퍼를 제조하는 데 사용되는 제조 공정을 조정하는 것; 및
상기 하나 이상의 반도체 웨이퍼의 각각의 웨이퍼를 계속 처리하는 것, 상기 각각의 웨이퍼를 재작업하는 것, 또는 상기 각각의 웨이퍼를 스크래핑(scrap)하는 것 사이에서 선택하는 것을 포함하여, 상기 하나 이상의 반도체 웨이퍼를 배치하는 것
으로 구성되는 그룹으로부터 선택되는 액션을 수행하는 단계
를 더 포함하는 반도체 제조를 모니터링하는 방법. - 제12항에 있어서,
상기 제 1 소스는 상이한 필드들이 상기 상이한 값들을 갖도록 제조되는 실험 설계(DOE) 웨이퍼를 포함하며,
상기 제 1 복수의 전자 현미경 이미지들의 각각의 이미지들은 상기 DOE 웨이퍼의 각각의 필드들로부터 획득되며;
상기 각각의 결함 클래스들은 상기 DOE 웨이퍼 상의 결함 클래스들을 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제12항에 있어서,
상기 제 1 소스는 상이한 웨이퍼들이 상기 상이한 값들을 갖도록 제조되는 복수의 DOE 웨이퍼들을 포함하며,
상기 제 1 복수의 전자 현미경 이미지들의 각각의 이미지들은 상기 복수의 DOE 웨이퍼들의 각각의 웨이퍼들로부터 획득되며;
상기 각각의 결함 클래스들은 상기 복수의 DOE 웨이퍼들 상의 결함 클래스들을 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제12항에 있어서,
상기 모델을 트레이닝하는 단계는,
상기 결함 클래스들에 대한 결함들의 타입이 규정되어 있지 않은 동안 상기 제 1 복수의 전자 현미경 이미지들과 상기 결함 클래스들 사이의 관계를 결정하기 위해 비지도 학습(unsupervised learning)을 사용하는 단계; 및
상기 관계를 결정하기 위해 상기 비지도 학습을 사용하는 단계 후, 상기 결함 클래스들에 대한 결함들의 타입을 규정하는 라벨들로 상기 결함 클래스들을 라벨링(label)하는 단계
를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제12항에 있어서,
상기 제 1 복수의 전자 현미경 이미지들은 시뮬레이션된 전자 현미경 이미지들을 포함하며;
상기 제 1 복수의 전자 현미경 이미지들을 상기 제 1 소스로부터 획득하는 단계는,
상기 반도체 구조물의 기하학적 모델을 생성하는 단계 ― 상기 기하학적 모델은 상기 하나 이상의 반도체 제조 파라미터로 파라미터화됨 ―;
상기 하나 이상의 반도체 제조 파라미터의 상이한 값들을 갖는 상기 기하학적 모델의 변형들을 생성하도록 상기 기하학적 모델에 대한 상기 하나 이상의 반도체 제조 파라미터를 변화시키는 단계; 및
상기 기하학적 모델의 각각의 변형들을 사용하여 상기 시뮬레이션된 전자 현미경 이미지들을 생성하는 단계
를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제12항에 있어서,
상기 제 1 복수의 전자 현미경 이미지들은 시뮬레이션된 전자 현미경 이미지들을 포함하며;
상기 제 1 복수의 전자 현미경 이미지들을 상기 제 1 소스로부터 획득하는 단계는,
상기 하나 이상의 반도체 제조 파라미터의 상이한 값들을 갖는 상기 반도체 구조물의 각각의 시뮬레이션된 인스턴스들을 생성하도록 공정 시뮬레이터를 위한 공정 파라미터들을 변화시키는 것을 포함하여, 상기 공정 파라미터들로 파라미터화된 상기 공정 시뮬레이터를 사용하여 상기 반도체 구조물의 공정 기반 모델을 생성하는 단계; 및
상기 반도체 구조물의 상기 각각의 시뮬레이션된 인스턴스들에 기반하여 상기 시뮬레이션된 전자 현미경 이미지들을 생성하는 단계
를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 반도체 제조를 모니터링하는 방법으로서,
하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의한 실행을 위한 명령어들을 저장하는 메모리를 포함하는 컴퓨터 시스템에서,
반도체 구조물의 각각의 모델링된 인스턴스들에 대한 시뮬레이션된 전자 현미경 이미지들을 획득하는 단계 ― 상기 시뮬레이션된 전자 현미경 이미지들은 하나 이상의 반도체 제조 파라미터의 상이한 값들을 보여줌 ―;
하나 이상의 반도체 웨이퍼 상의 상기 반도체 구조물의 각각의 인스턴스들에 대한 복수의 전자 현미경 이미지들을 수집하는 단계; 및
상기 복수의 전자 현미경 이미지들과 상기 시뮬레이션된 전자 현미경 이미지들 사이의 회귀 분석을 수행하는 것을 포함하여, 상기 시뮬레이션된 전자 현미경 이미지들을 사용하여 상기 복수의 전자 현미경 이미지들에 대한 상기 하나 이상의 반도체 제조 파라미터의 값들을 예측하는 단계
를 포함하는 반도체 제조를 모니터링하는 방법. - 제19항에 있어서,
상기 시뮬레이션된 전자 현미경 이미지들을 획득하는 단계는,
상기 반도체 구조물의 기하학적 모델을 생성하는 단계 ― 상기 기하학적 모델은 상기 하나 이상의 반도체 제조 파라미터로 파라미터화됨 ―;
상기 반도체 구조물의 각각의 모델링된 인스턴스들을 생성하도록 상기 기하학적 모델에 대한 상기 하나 이상의 반도체 제조 파라미터를 변화시키는 단계; 및
상기 반도체 구조물의 상기 각각의 모델링된 인스턴스들을 사용하여 상기 시뮬레이션된 전자 현미경 이미지들을 생성하는 단계
를 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제19항에 있어서,
상기 시뮬레이션된 전자 현미경 이미지들을 획득하는 단계는,
상기 반도체 구조물의 각각의 모델링된 인스턴스들을 생성하도록 공정 시뮬레이터를 위한 공정 파라미터들을 변화시키는 것을 포함하여, 상기 공정 파라미터들로 파라미터화된 상기 공정 시뮬레이터를 사용하여 상기 반도체 구조물의 공정 기반 모델을 생성하는 단계; 및
상기 반도체 구조물의 상기 각각의 시뮬레이션된 인스턴스들을 사용하여 상기 시뮬레이션된 전자 현미경 이미지들을 생성하는 단계
를 포함하며;
상기 방법은, 트레이닝하는 단계 전에, 상기 시뮬레이션된 전자 현미경 이미지들에 대한 상기 하나 이상의 반도체 제조 파라미터의 값들을 결정하는 단계를 더 포함하는 것인 반도체 제조를 모니터링하는 방법. - 제19항에 있어서,
상기 예측된 값들에 적어도 부분적으로 기반하여,
상기 하나 이상의 반도체 웨이퍼를 제조하는 데 사용되는 제조 공정을 조정하는 것;
상기 하나 이상의 반도체 웨이퍼의 각각의 웨이퍼를 계속 처리하는 것, 상기 각각의 웨이퍼를 재작업하는 것, 또는 상기 각각의 웨이퍼를 스크래핑하는 것 사이에서 선택하는 것을 포함하여, 상기 하나 이상의 반도체 웨이퍼를 배치하는 것; 및
상기 하나 이상의 반도체 웨이퍼 상의 반도체 디바이스들의 성능을 추정하는 것
으로 구성되는 그룹으로부터 선택되는 액션을 수행하는 단계
를 더 포함하는 반도체 제조를 모니터링하는 방법.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862613946P | 2018-01-05 | 2018-01-05 | |
| US62/613,946 | 2018-01-05 | ||
| US16/198,658 US10580673B2 (en) | 2018-01-05 | 2018-11-21 | Semiconductor metrology and defect classification using electron microscopy |
| US16/198,658 | 2018-11-21 | ||
| PCT/US2018/068093 WO2019136015A1 (en) | 2018-01-05 | 2018-12-31 | Semiconductor metrology and defect classification using electron microscopy |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200096992A KR20200096992A (ko) | 2020-08-14 |
| KR102445989B1 true KR102445989B1 (ko) | 2022-09-21 |
Family
ID=67144483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020207022469A KR102445989B1 (ko) | 2018-01-05 | 2018-12-31 | 전자 현미경을 사용한 반도체 계측 및 결함 분류 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US10580673B2 (ko) |
| JP (1) | JP7097447B2 (ko) |
| KR (1) | KR102445989B1 (ko) |
| CN (1) | CN111566789B (ko) |
| DE (1) | DE112018006771T5 (ko) |
| IL (1) | IL275718B2 (ko) |
| TW (1) | TWI759574B (ko) |
| WO (1) | WO2019136015A1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3796230B1 (en) * | 2019-09-17 | 2022-03-09 | Imec VZW | A method for determining process limits of a semiconductor process |
| US20220114438A1 (en) * | 2020-10-09 | 2022-04-14 | Kla Corporation | Dynamic Control Of Machine Learning Based Measurement Recipe Optimization |
| US11868119B2 (en) * | 2021-09-24 | 2024-01-09 | Tokyo Electron Limited | Method and process using fingerprint based semiconductor manufacturing process fault detection |
| US20240175824A1 (en) * | 2022-11-30 | 2024-05-30 | Applied Materials, Inc. | Substrate defect analysis |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007218711A (ja) | 2006-02-16 | 2007-08-30 | Hitachi High-Technologies Corp | 電子顕微鏡装置を用いた計測対象パターンの計測方法 |
| US20140316730A1 (en) * | 2013-04-19 | 2014-10-23 | Kla-Tencor Corporation | On-device metrology |
| WO2016182965A1 (en) | 2015-05-08 | 2016-11-17 | Kla-Tencor Corporation | Model-based hot spot monitoring |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5608526A (en) | 1995-01-19 | 1997-03-04 | Tencor Instruments | Focused beam spectroscopic ellipsometry method and system |
| US5859424A (en) | 1997-04-08 | 1999-01-12 | Kla-Tencor Corporation | Apodizing filter system useful for reducing spot size in optical measurements and other applications |
| US6429943B1 (en) | 2000-03-29 | 2002-08-06 | Therma-Wave, Inc. | Critical dimension analysis with simultaneous multiple angle of incidence measurements |
| US7330279B2 (en) | 2002-07-25 | 2008-02-12 | Timbre Technologies, Inc. | Model and parameter selection for optical metrology |
| DE10329107B4 (de) * | 2002-12-23 | 2015-05-28 | Mattson Thermal Products Gmbh | Verfahren zum Bestimmung wenigstens einer Zustandsvariablen aus einem Modell eines RTP-Systems |
| US7478019B2 (en) | 2005-01-26 | 2009-01-13 | Kla-Tencor Corporation | Multiple tool and structure analysis |
| US7567351B2 (en) | 2006-02-02 | 2009-07-28 | Kla-Tencor Corporation | High resolution monitoring of CD variations |
| JP2008177064A (ja) | 2007-01-19 | 2008-07-31 | Hitachi High-Technologies Corp | 走査型荷電粒子顕微鏡装置および走査型荷電粒子顕微鏡装置で取得した画像の処理方法 |
| US7873585B2 (en) * | 2007-08-31 | 2011-01-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for predicting a semiconductor parameter across an area of a wafer |
| US20130110477A1 (en) | 2011-10-31 | 2013-05-02 | Stilian Pandev | Process variation-based model optimization for metrology |
| WO2014062972A1 (en) | 2012-10-18 | 2014-04-24 | Kla-Tencor Corporation | Symmetric target design in scatterometry overlay metrology |
| US10769320B2 (en) | 2012-12-18 | 2020-09-08 | Kla-Tencor Corporation | Integrated use of model-based metrology and a process model |
| US9291554B2 (en) | 2013-02-05 | 2016-03-22 | Kla-Tencor Corporation | Method of electromagnetic modeling of finite structures and finite illumination for metrology and inspection |
| US10101670B2 (en) | 2013-03-27 | 2018-10-16 | Kla-Tencor Corporation | Statistical model-based metrology |
| US9915522B1 (en) | 2013-06-03 | 2018-03-13 | Kla-Tencor Corporation | Optimized spatial modeling for optical CD metrology |
| US10935893B2 (en) | 2013-08-11 | 2021-03-02 | Kla-Tencor Corporation | Differential methods and apparatus for metrology of semiconductor targets |
| US9518916B1 (en) | 2013-10-18 | 2016-12-13 | Kla-Tencor Corporation | Compressive sensing for metrology |
| US10152654B2 (en) * | 2014-02-20 | 2018-12-11 | Kla-Tencor Corporation | Signal response metrology for image based overlay measurements |
| US10151986B2 (en) | 2014-07-07 | 2018-12-11 | Kla-Tencor Corporation | Signal response metrology based on measurements of proxy structures |
| US10210606B2 (en) | 2014-10-14 | 2019-02-19 | Kla-Tencor Corporation | Signal response metrology for image based and scatterometry overlay measurements |
| US9710728B2 (en) | 2014-10-28 | 2017-07-18 | Kla-Tencor Corporation | Image based signal response metrology |
| US10648924B2 (en) | 2016-01-04 | 2020-05-12 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
| US10043261B2 (en) | 2016-01-11 | 2018-08-07 | Kla-Tencor Corp. | Generating simulated output for a specimen |
| EP3290911A1 (en) * | 2016-09-02 | 2018-03-07 | ASML Netherlands B.V. | Method and system to monitor a process apparatus |
| EP3321737A1 (en) * | 2016-11-10 | 2018-05-16 | ASML Netherlands B.V. | Method for determining an optimized set of measurement locations for measurement of a parameter of a lithographic process, metrology system |
| EP3336608A1 (en) * | 2016-12-16 | 2018-06-20 | ASML Netherlands B.V. | Method and apparatus for image analysis |
-
2018
- 2018-11-21 US US16/198,658 patent/US10580673B2/en active Active
- 2018-12-31 DE DE112018006771.8T patent/DE112018006771T5/de active Pending
- 2018-12-31 JP JP2020537154A patent/JP7097447B2/ja active Active
- 2018-12-31 WO PCT/US2018/068093 patent/WO2019136015A1/en active Application Filing
- 2018-12-31 KR KR1020207022469A patent/KR102445989B1/ko active IP Right Grant
- 2018-12-31 CN CN201880085014.4A patent/CN111566789B/zh active Active
-
2019
- 2019-01-03 TW TW108100139A patent/TWI759574B/zh active
-
2020
- 2020-06-29 IL IL275718A patent/IL275718B2/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007218711A (ja) | 2006-02-16 | 2007-08-30 | Hitachi High-Technologies Corp | 電子顕微鏡装置を用いた計測対象パターンの計測方法 |
| US20140316730A1 (en) * | 2013-04-19 | 2014-10-23 | Kla-Tencor Corporation | On-device metrology |
| WO2016182965A1 (en) | 2015-05-08 | 2016-11-17 | Kla-Tencor Corporation | Model-based hot spot monitoring |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111566789B (zh) | 2021-12-03 |
| CN111566789A (zh) | 2020-08-21 |
| TW201937625A (zh) | 2019-09-16 |
| IL275718B (en) | 2022-12-01 |
| IL275718B2 (en) | 2023-04-01 |
| IL275718A (en) | 2020-08-31 |
| DE112018006771T5 (de) | 2020-09-17 |
| TWI759574B (zh) | 2022-04-01 |
| KR20200096992A (ko) | 2020-08-14 |
| WO2019136015A1 (en) | 2019-07-11 |
| JP7097447B2 (ja) | 2022-07-07 |
| JP2021509772A (ja) | 2021-04-01 |
| US10580673B2 (en) | 2020-03-03 |
| US20190214285A1 (en) | 2019-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102445989B1 (ko) | 전자 현미경을 사용한 반도체 계측 및 결함 분류 | |
| US11940740B2 (en) | Methods and apparatus for obtaining diagnostic information relating to an industrial process | |
| KR102275473B1 (ko) | 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성 | |
| JP7216822B2 (ja) | 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用 | |
| CN108231623B (zh) | 半导体元件的制造过程中进行自动缺陷筛选的系统 | |
| KR102637430B1 (ko) | 계측을 위한 신호-도메인 적응 | |
| US11067901B2 (en) | Method and apparatus for image analysis | |
| JP4666918B2 (ja) | 設計主導型検査または測定 | |
| JP2020511003A (ja) | オーバレイ計量データの確率論的挙動の影響の判別 | |
| CN111581907B (zh) | 一种Hessian-Free的光刻掩模优化方法、装置及电子设备 | |
| JP6893549B2 (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定システム | |
| JP2024500887A (ja) | 半導体試料の電気的特性の予測 | |
| US20100081295A1 (en) | Process model evaluation method, process model generation method and process model evaluation program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |