KR102476927B1 - 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링 - Google Patents
이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링 Download PDFInfo
- Publication number
- KR102476927B1 KR102476927B1 KR1020187022518A KR20187022518A KR102476927B1 KR 102476927 B1 KR102476927 B1 KR 102476927B1 KR 1020187022518 A KR1020187022518 A KR 1020187022518A KR 20187022518 A KR20187022518 A KR 20187022518A KR 102476927 B1 KR102476927 B1 KR 102476927B1
- Authority
- KR
- South Korea
- Prior art keywords
- die
- wafer
- classifier
- images
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 156
- 230000008569 process Effects 0.000 title claims abstract description 81
- 238000012544 monitoring process Methods 0.000 title abstract description 13
- 238000013450 outlier detection Methods 0.000 title description 4
- 235000012431 wafers Nutrition 0.000 claims description 136
- 238000004519 manufacturing process Methods 0.000 claims description 29
- 238000004886 process control Methods 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 238000003384 imaging method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 239000004065 semiconductor Substances 0.000 description 21
- 238000007689 inspection Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012880 independent component analysis Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010894 electron beam technology Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001459 lithography Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 229910002601 GaN Inorganic materials 0.000 description 1
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 1
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 238000005389 semiconductor device fabrication Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
- H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
-
- 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
- H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Image Analysis (AREA)
Abstract
프로세스 윈도우 모니터링을 위해 특성 추출 및 분류가 사용된다. 마스킹된 다이 이미지들의 메트릭들의 조합들에 기반하고 하나 이상의 세그먼트 마스크, 메트릭, 및 웨이퍼 이미지의 한 세트의 중요 조합들을 포함하는 분류기가 프로세스 부적합을 검출할 수 있다. 계산된 메트릭들에 기반하여 분류기를 사용하여 프로세스 상태가 결정될 수 있다. 분류기는 공칭 데이터로부터 러닝할 수 있다.
Description
본 출원은 2016년 1월 6일에 출원되고 미국 출원 제 62/275,700 호가 부여된 특허 가출원을 우선권으로 주장하며 이 가출원의 개시는 참조로서 본원에 포함된다.
본 개시는 웨이퍼 제조 프로세스들의 제어 및 모니터링에 관한 것이다.
논리 및 메모리 디바이스들과 같은 반도체 디바이스들은 일반적으로, 기판 또는 웨이퍼에 적용되는 일련의 프로세싱 단계들에 의해 제조된다. 이들 프로세싱 단계들에 의해 반도체 디바이스들의 다양한 피처들 및 다수의 구조적 레벨들이 형성된다. 예를 들어, 리소그래피는 반도체 웨이퍼 상에 패턴을 생성하는 것을 포함하는 반도체 제조 프로세스이다. 반도체 제조 프로세스들의 추가적인 예시들은 화학적 기계적 폴리싱(chemical-mechanical polishing; CMP), 에칭, 퇴적, 및 이온 주입을 포함하지만, 이들에 제한되는 것은 아니다. 단일 반도체 웨이퍼 상에 다수의 반도체 디바이스들이 제조될 수 있고 이어서 개별 반도체 디바이스들로 분리될 수 있다.
더 높은 수율을 촉진하기 위해 웨이퍼들 상의 결함들을 검출하도록 반도체 제조 프로세스 동안 다양한 단계들에서 검사 프로세스들이 사용된다. 설계 규칙들 및 프로세스 윈도우들은 사이즈를 축소시키는 것을 지속하며, 검사 시스템들은 높은 스루풋을 유지하면서 웨이퍼 표면들 상의 더 넓은 범위의 물리적 결함들을 캡처하도록 필요된다.
웨이퍼 제조 프로세서 제어는 일반적으로, 느리지만 민감한 검사 툴을 사용하는 로우 웨이퍼 샘플링(low wafer sampling)에 이은 주사 전자 현미경(scanning electron microscope; SEM)을 사용하는 리뷰에 기반하여 수행된다. 다른 경우들에서, 프로세스 모니터링 및 제어는, 프로세스 툴이 메인터넌스를 필요로 하기 전에 얼마나 길게 사용될 수 있는지를 프로세스 엔지니어가 러닝하는 러닝 기반 방법에 의해 달성된다. 이 프로세스 엔지니어 기반 접근법은, 인라인(in-line) 피드백 또는 오래된 자동 분류기(classifier)들이 없기 때문에 우발적으로 실패하기 쉽다. 이들 이전의 기술들 둘 다에서, 프로세스 툴 문제들의 조기 검출은 없다. 문제들은 프로세스 툴이 문제가 생기고 검사시 관찰될 수 있는 결함들을 생성해야만 검출된다. 추가적으로, 이들 기술들은 느리므로, 웨이퍼 샘플링이 느리다. 그러한 기술들은, 가령 1일 또는 2일 예방 메인터넌스 사이클을 갖는 프로세스 툴들에 대해 큰 간접비(overhead)를 생성한다. 이들 기술들은 또한 감소된 수율을 유발할 수 있고, 이는 제조를 위한 디바이스당 몇 로트(lot)들만을 가질 수 있는 파운드리(foundry)들에 악영향을 준다. 또한, 검사된 웨이퍼들 상에서 정상 분류(normal class)가 더 흔할 수 있으며, 이는 검출을 어렵게 만든다. 이상치(outlier)들은 일반적으로 드물며 예기치 않은 조합들로 나타날 수 있다.
실제로, 반도체 프로세스들은 일반적으로, 서로간에 상호의존성을 가질 수 있는 다수의 파라미터들의 대상이다. 따라서, 효과적인 프로세스 최적화를 위해, 어느 파라미터들이 프로세스의 수율을 결정하는데 가장 중요한지 식별하는 것 및 이어서 각각의 파라미터에 대한 값들(또는 “프로세스 윈도우”)의 최적 범위를 결정하는 것이 필수적이다. 또한, 반도체 제조 프로세스에서 가능한 한 빨리 이 결정을 내리는 것이 바람직하다.
반도체 제조에서의 임계 치수들은, 14 nm 내지 7 nm 마이크로아키텍처가 점점 더 만연함에 따라 축소를 지속한다. 그러나, 분해능 능력은 여전히 λ/NA[여기서 λ는 이미징 파장이고 NA는 개구수(numerical aperture)]이다. 더 높은 분해능을 달성하기 위해 λ가 감소되거나 개구수(NA)가 증가된다. 파장을 감소시키기 위해 극자외선(extreme ultraviolet; EUV) 리소그래피가 제안되었지만, 그 경제적 실현성(viability)은 아직 달성되지 않았다. 따라서, 더 나은 이미징을 위해 높은 NA를 갖는 렌즈들이 사용되어, 초점 심도(depth of focus; DOF)가 NA2에 반비례하므로 감소된 DOF를 초래한다. 결론적으로, 반도체 제조가 프로세스 변화에 훨씬 더 민감하다. 이는 초점 및 도스(dose)에 대한 더 높은 민감도의 결과로서 조직적인(systematic) 패터닝 결함들이 증가하기 때문에 수율에 영향을 준다. 프로세스 윈도우를 제어하는 스캐너 정밀도가 향상되더라도, 다른 프로세스 제약들이 초점 및 노출에 영향을 줄 수 있다. 따라서, 생산 웨이퍼들에 대한 프로세스 윈도우를 모니터링하기 위한 실시간 기술에 대한 시장이 존재한다. 환언하면, 리소그래픽 프로세스에서의 프로세스 윈도우는, 전자 회로들이 원하는 사양들로 제조되도록 하는 허용가능한 범위의 초점들 및 노출들의 집합(collection)이다.
현재의 반도체 제조 기술들에서, 프로세스 윈도우는 한번에 하나의 파라미터에 대해서만 최적화되고, 변화들의 결과들간의 트레이드오프(tradeoff)는 잘 고려되지 않는다. 예를 들어, 임계 치수 프로세스 윈도우가 최적화되면, 이는 산화물 두께 프로세스 윈도우에서의 시프트를 필요로 할 것이다. 그러나, 산화물 두께 프로세스 윈도우가 최적화되면, 임계 치수 프로세스 윈도우가 시프트될 것이다. 이는 전체 생산 수율에 악영향을 줄 수 있다.
프로세스 윈도우 모니터링에 대한 기술들은 툴 성능 및 툴의 안정성을 모니터링하여 프로세스 변화를 포착하는 경향이 있다. 그러나, 이들 기술들은 다른 프로세스들의 영향으로 인한 생산 웨이퍼들에 대한 프로세스 변동들을 검출할 수 없다.
따라서, 이전에 알려지지 않은 패턴들에 기반하여 부적합(non-compliance)을 검출할 수 있는 고스루풋(high-throughput) 프로세스 모니터링 및 제어가 필요된다.
제 1 실시예에서, 분류기를 생성하기 위한 방법이 제공된다. 방법은, 적어도 하나의 웨이퍼 이미지 - 웨이퍼 이미지는 한 세트의 다이 이미지들을 포함함 - 를 수신하는 단계; 프로세서를 사용하여, 한 세트의 다이 이미지들에 기반하여 웨이퍼의 중간값(median) 다이 및 웨이퍼의 표준 편차를 생성하는 단계; 프로세서를 사용하여, 웨이퍼의 중간값 다이에 기반하여 그리고 웨이퍼의 표준 편차에 기반하여 세그먼트 마스크를 생성하는 단계; 프로세서를 사용하여, 다이 이미지들 각각에 세그먼트 마스크를 적용하여 다이 이미지들 각각에 대한 복수의 세그먼트화된 다이 이미지들을 생성하는 단계;
프로세서를 사용하여, 다이들 각각을 특성값들의 벡터로 표현하는 단계; 프로세서를 사용하여, 벡터에 기반하여 다이 이미지들 각각에 대한 다이 메트릭(metric)들을 계산하는 단계; 및 프로세서를 사용하여, 다이 메트릭들, 세그먼트 마스크, 및 웨이퍼 이미지의 하나 이상의 통계적으로 의미가 있는 조합을 식별하여 분류기를 생성하는 단계를 포함한다.
다이 메트릭들은, 세그먼트화된 다이 이미지들 각각에 대한 평균 및 표준 편차를 포함할 수 있다. 다이 메트릭들은, 다이의 그래디언트(gradient) 이미지의 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함할 수 있다. 세그먼트화된 다이 이미지들 각각에 대한 평균 및 표준 편차는, Y-그래디언트(Y-gradient) 또는 X-그래디언트(X-gradient) 중 적어도 하나를 포함할 수 있다.
분류기는, 일 분류의 마하라노비스(Mahalanobis) 분류기 또는 일 분류의 서포트 벡터 머신(Support Vector Machine; SVM)일 수 있다.
제 2 실시예에서, 프로세스 제어 방법이 제공된다. 방법은, 프로세스 부적합을 검출할 수 있는 미리 결정된 분류기 - 분류기는 마스킹된 다이 이미지들의 메트릭들의 조합들에 기반함 - 를 수신하는 단계; 한 세트의 다이 이미지들을 포함하는 웨이퍼 이미지를 수신하는 단계; 웨이퍼 이미지를 세그먼트 마스크를 사용하여 마스킹하는 단계; 프로세서를 사용하여, 한 세트의 다이 이미지들 내의 다이들 각각을 특성값들의 벡터로 표현하는 단계; 프로세서를 사용하여, 다이들 각각에 대한 다이 메트릭들을 계산하는 단계; 프로세서를 사용하여, 분류기로부터의 세그먼트 마스크 및 다이 메트릭들의 대응하는 조합에 기반하여 웨이퍼 이미지의 메트릭을 계산하는 단계; 및 프로세서를 사용하여, 계산된 메트릭들에 기반하여 분류기를 사용하여 프로세스 상태를 결정하는 단계를 포함한다.
분류기는, 일 분류의 마하라노비스 분류기 또는 일 분류의 서포트 벡터 머신(SVM) 분류기일 수 있다.
다이 메트릭들은, 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함할 수 있다. 다이 메트릭들은, 다이의 그래디언트 이미지의 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함할 수 있다. 평균 및 표준 편차는, Y-그래디언트 또는 X-그래디언트 중 적어도 하나를 포함할 수 있다.
방법은, 프로세스 상태로 예측 모델을 트레이닝하는 단계; 프로세스 상태에 기반하여 제조 툴의 추정된 파라미터를 계산하는 단계; 및 추정된 파라미터를 제조 툴에 전달하는 단계를 더 포함할 수 있다.
방법은, 다이 이미지들을 사용하여 자동 엔코더(auto-encoder) - 자동 엔코더는 제조 툴의 초점 및 노출 왜곡(skew)들을 결정하도록 구성됨 - 를 트레이닝하는 단계를 더 포함할 수 있다.
제 3 실시예에서, 프로세스 제어 시스템이 제공된다. 프로세스 제어 시스템은, 프로세서; 프로세서와 전자 통신하는 저장 디바이스; 및 프로세서와 전자 통신하는 통신 포트를 포함한다. 프로세서는, 통신 포트에서, 웨이퍼의 복수의 웨이퍼 이미지들 - 각각의 웨이퍼 이미지는 복수의 다이들을 가짐 - 을 수신하고; 세그먼트 마스크를 사용하여 웨이퍼 이미지들 각각을 마스킹하여 한 세트의 세그먼트화된 다이 이미지들을 생성하고; 한 세트의 세그먼트화된 다이 이미지들 내의 다이들 각각을 특성값들의 벡터로 표현하고; 다이들 각각에 대한 다이 메트릭들을 계산하고; 분류기로부터의 세그먼트 마스크 및 다이 메트릭들의 대응하는 조합에 기반하여 웨이퍼 이미지들 각각의 메트릭을 계산하며; 계산된 메트릭들에 기반하여 분류기를 사용하여 프로세스 상태를 결정하도록 프로그래밍된다.
분류기는, 일 분류의 마하라노비스 분류기 또는 일 분류의 서포트 벡터 머신(SVM) 분류기 중 하나 일수 있다.
다이 메트릭들은, 세그먼트화된 다이 이미지들 각각으로부터의 평균 및 표준 편차를 포함할 수 있다. 다이 메트릭들은, 다이의 그래디언트 이미지의 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함할 수 있다. 평균 및 표준 편차는, Y-그래디언트 또는 X-그래디언트 중 적어도 하나를 포함할 수 있다.
프로세서는 또한, 추가 웨이퍼들에 대해 각각의 프로그램 단계를 반복하며; 각각의 웨이퍼에 대한 통계적으로 의미가 있는 조합들에 따라 분류기를 정제하도록(refine) 프로그래밍될 수 있다.
본 개시의 종류 및 목적들의 더 완전한 이해를 위해, 첨부된 도면들과 관련하여 취해지는 다음의 상세한 설명에 대한 참조가 이루어져야 한다.
도 1은 본 개시의 실시예에 따른 예시적인 세그먼트화를 도시하는 그래프이다.
도 2는 본 개시의 실시예에 따른 메트릭 계산의 예시적인 요약이다.
도 3a는 본 개시의 실시예에 따른 분류기를 트레이닝하는 예시적인 흐름도이다.
도 3b는 본 개시의 실시예에 따른 도 3a의 프로세스에 기반하여 새로운 데이터가 POR(process of record)인지의 여부를 결정하는 예시적인 흐름도이다.
도 4는 포지티브, 네거티브, 및 공칭(nominal) 초점이탈(defocus)들을 갖는 다양한 이전에 볼 수 없던 샘플들에 대한 정상 분류 트레이닝 예시들의 중심으로부터의 마하라노비스 거리의 예시를 도시하는 차트이다.
도 5a는 본 개시의 다른 실시예들에 따른 거리 계산의 예시적인 흐름도이다.
도 5b는 본 개시의 실시예에 따른 도 5a의 프로세스에 기반하여 새로운 데이터가 POR(process of record)인지의 여부를 결정하는 예시적인 흐름도이다.
도 6은 본 개시의 실시예에 따른 분류기를 생성하는 방법을 도시하는 흐름도이다.
도 7은 본 개시의 실시예에 따른 프로세스 제어 방법을 도시하는 흐름도이다.
도 8은 본 개시의 실시예에 따른 프로세스 제어 시스템의 블록도이다.
도 1은 본 개시의 실시예에 따른 예시적인 세그먼트화를 도시하는 그래프이다.
도 2는 본 개시의 실시예에 따른 메트릭 계산의 예시적인 요약이다.
도 3a는 본 개시의 실시예에 따른 분류기를 트레이닝하는 예시적인 흐름도이다.
도 3b는 본 개시의 실시예에 따른 도 3a의 프로세스에 기반하여 새로운 데이터가 POR(process of record)인지의 여부를 결정하는 예시적인 흐름도이다.
도 4는 포지티브, 네거티브, 및 공칭(nominal) 초점이탈(defocus)들을 갖는 다양한 이전에 볼 수 없던 샘플들에 대한 정상 분류 트레이닝 예시들의 중심으로부터의 마하라노비스 거리의 예시를 도시하는 차트이다.
도 5a는 본 개시의 다른 실시예들에 따른 거리 계산의 예시적인 흐름도이다.
도 5b는 본 개시의 실시예에 따른 도 5a의 프로세스에 기반하여 새로운 데이터가 POR(process of record)인지의 여부를 결정하는 예시적인 흐름도이다.
도 6은 본 개시의 실시예에 따른 분류기를 생성하는 방법을 도시하는 흐름도이다.
도 7은 본 개시의 실시예에 따른 프로세스 제어 방법을 도시하는 흐름도이다.
도 8은 본 개시의 실시예에 따른 프로세스 제어 시스템의 블록도이다.
청구되는 발명내용이 특정 실시예들에 의해 설명될 것이지만, 본원에서 제시되는 이익들 및 특성들 모두를 제공하는 것은 아닌 실시예들을 포함하여 다른 실시예들이 또한 본 개시의 범위 내에 있다. 다양한 구조적, 논리적, 프로세스 단계, 및 전자적 변경들이 본 개시의 범위를 벗어나지 않고 이루어질 수 있다. 따라서, 본 개시의 범위는 첨부된 청구항들에 대한 참조에 의해서만 규정된다.
본원에서 개시되는 실시예들은 특성 추출 및 분류에 기반한 프로세스 윈도우 모니터링 기술들을 제공한다. 더 유용한 프로세스 정보를 전달하는 저주파수 특성들로부터 웨이퍼 레벨 정보가 추출되고, 이어서 웨이퍼들의 프로세스 상태를 결정하는데 사용된다. 개시되는 접근법의 장점들 중 하나는 초점이탈(일부 경우들에서 10nm 이하 정밀도) 및 도스 변조(modulation)들[즉, 반도체 디바이스 제조시의 최종 이미지가 이상적 이미지에 가깝도록, 제어되는 방식으로 결과적인 포토마스크 표현들을 변형하는데 사용되는 에너지 레벨들(도스들)]을 검출하는 능력이다.
생산시에, (대부분은 아닐지라도) 많은 웨이퍼들은 공칭이며, 따라서 프로세스 윈도우가 실패한, 다이들/필드들의 많은 예시들이 없을 수 있다. 따라서, 새로운 데이터의 프로세스 상태를 예측하기 위해 공칭 데이터로부터 러닝만 하는 분류기를 갖는 것이 가치있다.
본원에서 개시되는 실시예들은 모든 웨이퍼의 프로세스 윈도우를 정량화할 수 있다. 따라서, 각각의 웨이퍼로부터 유용한 프로세스 정보가 추출될 수 있다. 이와 같이 하기 위해, 각각의 다이가 특성값들의 벡터로 표현된다. 세그먼트화 마스크들이 다이 또는 필드당 적용되어 다이 또는 필드를, 표현적 특성값들을 계산할 때 함께 고려될 수 있는 의미있는 영역들로 파티션화한다. 세그먼트화는 다이/필드의 표현을 더 의미있고 분석하기 더 쉬운 구조들로 단순화할 수 있다. 세그먼트화는 비감시적(unsupervised) 및 자동일 수 있다.
웨이퍼 레벨 정보로부터 비정상치(abnormality)들을 구별하면서 공칭 분류를 기술하는 특성들을 선택하는 것은 어려운 작업이다. 공칭 분류, 정상 분류, 또는 POR(process of reference)은 모두 허용가능한 초점, 노출, 또는 다른 파라미터들을 갖는 다이 또는 필드들을 지칭한다. 특성들은, 큰 고유값들을 갖는 주요 컴포넌트들을 선택함으로써; 두드러진(prominent) ICA(independent component analysis)를 유지함으로써; 또는 다른 기술들을 사용함으로써 통계적 모멘트들에 따른 순위화 미가공 특성들에 기반하여 웨이퍼 레벨 특성들의 앙상블(ensemble)로부터 선택될 수 있다. 선형 변환의 고유벡터는, 변환이 적용될 때 방향을 변경하지 않는 비제로(non-zero) 벡터이다. 변환을 고유벡터에 적용하는 것은 고유값으로 지칭되는 스칼라값 λ에 의해 고유벡터를 스케일링한다. 이 기술들은 웨이퍼 레벨 정보의 앙상블로부터 방해적(nuisance) 신호를 제거하면서 관련 특성들을 선택하는 것을 도울 수 있다. 예를 들어, 도 3a 및 도 3b의 흐름도들을 보라.
특성들은 또한, 표준 편차와 같은 통계적 모멘트들에 따라 순위화 미가공 특성들에 기반하여 웨이퍼 레벨 특성들의 앙상블로부터 선택될 수 있다. 선택된 특성들은 일 분류의 마하라노비스 거리 분류기 또는 일 분류의 서포트 벡터 머신(SVM) 분류기들과 같은 임의의 생성적 모델을 트레이닝하는데 사용될 수 있다. 마하라노비스 거리 분류기는, 선택된 특성 공간에서 공칭 분류 샘플들의 중심을 첫번째로 찾음으로써 작동한다. 새로운 샘플이 정상 분류에 속하는지의 여부는, 중심으로부터 마하라노비스 거리를 측정하고 이를 설정된 임계값과 비교함으로써 결정된다. 일 분류의 SVM은, 특정 퍼센트의 정상 예시들(예를 들어, 99%의 정상 예시들)이 서포트 벡터들에 의해 둘러싸이도록 서포트 벡터들을 찾음으로써 작동한다. 이들이 서포트 벡터들에 의해 규정된 인클로저 내에 있지 않으면 새로운 샘플들이 고려된다. 그렇지 않으면, 이들은 이상치들로 간주된다.
예시에서, 특성들은 가장 큰 고유값들을 갖는 주요 컴포넌트들을 선택함으로써 웨이퍼 레벨 특성들의 앙상블로부터 선택될 수 있다. 선택된 특성들은 이어서 일 분류의 마하라노비스 또는 SVM 분류기들을 트레이닝하는데 사용될 수 있다.
다른 예시에서, 특성들은 두드러진 ICA를 유지함으로써 웨이퍼 레벨 특성들의 앙상블로부터 선택된다. 선택된 특성들은 이어서 일 분류의 마하라노비스 또는 SVM 분류기들을 트레이닝하는데 사용된다.
또한, 새로운 서술적 특성들을 더 규정하고 추출하기 위해 “딥 러닝” 기술들이 사용될 수 있다. 경험적(heuristic) 특성들을 사용하는 대신에, “딥 러닝” 알고르즘이 미가공 공칭 이미지드로부터 특성들을 추출한다. 특성 선택을 위해, 스택 RBM(Restricted Boltzmann Machine)들 또는 자동 엔코더(auto-encoder)들(예를 들어, 딥 러닝 자동 엔코더들)이 사용될 수 있다. 종래의 분류기들은 이전의 지식에 기반하여 설계된 경험적 특성들을 사용한다. 대조적으로, 딥 러닝은 원하는 출력과 실제 출력 사이의 차이를 최소화하기 위해 관련 특성들을 자동으로 러닝할 수 있고, 따라서 최적화 문제를 해결한다. 딥 러닝은 올바른 경험을 찾는 것과 연관된 도전과제들을 제거할 수 있다. 예를 들어, 변화하는(알려지지 않은) 도스들 및 노출들을 갖는 다수의 다이들/필드들로부터의 예시들이 있다고 가정한다. 자동 엔코더는 완전히 연결된 초기 레이어에 이은 더 작은 가중치(들)를 갖는 숨겨진 레이어에 대한 딥 러닝을 포함할 수 있다. 자동 엔코더의 최종 레이어는 입력 레이어와 동일한 수의 노드들을 가질 수 있다. 자동 엔코더는 출력값(Y)이 가능한 한 입력(X)에 가깝도록 트레이닝될 수 있다. 환언하면, 자동 엔코더들은 최소 손실로 자체 입력들을 재구성하도록 트레이닝된다. 트레이닝되면, 중간 레이어 출력이 입력의 저차원 표현으로서 보여질 수 있다. 자동 엔코더는 PCA(Principal Component Analysis) 또는 ICA와 유사한 특성 차원수를 낮추는데 사용될 수 있다.
예시에서, 알고리즘은 정상 이미지들에 의해 트레이닝되어 몇몇 특성들만을 갖는 레이어를 통과하는 원본 데이터를 재생성한다. 이 레이어는 일 분류의 이상치 검출기들을 트레이닝하는데 사용되는 표현/특성들을 생성한다. 딥 러닝 자동 엔코더는 다양한 도스들 및 노출들을 갖는 다이들 및/또는 필드들의 비감시적 예시들을 사용하여 트레이닝된다. 트레이닝되면, 각각의 입력 이미지를 더 낮은 차원 특성 공간에 맵핑하기 위해 자동 엔코더 투사(projection)가 사용될 수 있다. 이 특성값들은 이제 일 분류의 SVM 분류기 또는 일 분류의 마하라노비스 분류기와 같은 임의의 생성적 모델을 트레이닝하는데 사용될 수 있다.
이와 같이 하기 위해, 각각의 다이가 특성값들의 벡터로 표현될 수 있다. 세그먼트화 마스크들이 다이 또는 필드당 적용되어 다이 또는 필드를, 표현적 특성값들을 계산할 때 함께 고려될 수 있는 의미있는 영역들로 파티션화한다. 보통, 다이들/필드들은 단일 값으로 표현될 수 없는 몇몇 상이한 구조물들로 이루어진다. 이 문제를 극복하기 위해, 다이/필드들의 상이한 구조물 상의 몇몇 메트릭들이 적절한 세그먼트화 마스크들을 적용함으로써 계산될 수 있다. 세그먼트화는 다이/필드의 표현을 더 의미있고 분석하기 더 쉬운 구조들로 단순화할 수 있다. 상이한 다이들간의 유효 비교를 확립하기 위해, 세그먼트들이 동일할 수 있다. 웨이퍼로부터 가치있는 정보를 획득하기 위해 적절한 세그먼트화 마스크들을 규정하는 것이 필요될 수 있다. 다이/필드들 상의 세그먼트들의 일부 예시들은 메모리, 논리부, 상호연결부들, 재분배 라인들, 팬 아웃들, 범프들 등과 같은 존재하는 다양한 기능적 컴포넌트들을 포함한다.
세그먼트들은 몇몇 공칭 다이들/필드들을 분석함으로써 획득될 수 있다. 개념적으로, 이 다이들은 다층식으로 적층되어 “다이 스택”을 생성한다. 다이 스택 상에 PCA를 수행하는 것은, 높은 공분산(covariance)을 갖는 픽셀들로 구성된 세그먼트들을 산출하기 위해 임계화될 수 있는 고유벡터들을 산출한다. 이는 다이의 기능적 컴포넌트들에 대응할 수 있다. 대안적으로, 다이 스택의 픽셀당 통계들이 평균, 중간값, 분산 이미지들 등을 산출하기 위해 계산될 수 있다. 이 통계적 이미지들이 기저(underlying) 프로세스 변화들을 캡처한다. 예를 들어, 고분산을 갖는 픽셀들은 초점 변경으로 인해 라인 폭에 있어서의 변동들을 나타낼 수 있다. 낮은 중간값들은 노출 문제들을 나타낼 수 있다. 통계적 이미지들은 세그먼트들을 산출하기 위해 직접적으로 임계화될 수 있거나, 또는 이 이미지들로부터 추출되는 그래디언트 및 강도 특성들이 세그먼트들로 클러스터링하는데 사용될 수 있다. 도 1은 세그먼트화가 어떻게 행해지는지의 예시를 도시한다.
프로세스 정보를 정량화하기 위해, 각각의 다이는 특성 벡터(feature vector)로 특징지어질 수 있다. 다이는 세그먼트들로 파티션화된다. 각각의 세그먼트에 대해 몇몇 메트릭들이 계산되고 함께 연관되어 특성 벡터를 형성한다. 메트릭들은 세그먼트 내의 픽셀들의 지역적 및 전역적 통계를 포함한다.
다이 메트릭들을 계산하는 것은, 웨이퍼로부터 프로세스 윈도우 정보를 추출하기 위해 필요될 수 있는, 하나의 생산 웨이퍼에 대한 다수의 표현들을 제공할 수 있다. 다음의 속성들 중 하나 이상이 다이/필드의 각각의 세그먼트에 대해 계산될 수 있다: 평균; STD; X-그래디언트3x3-평균; X-그래디언트3x3-STD; Y-그래디언트3x3-평균; Y-그래디언트3x3-STD; X-그래디언트5x5-평균; X-그래디언트5x5-STD; Y-그래디언트5x5-평균; 및 Y-그래디언트5x5-STD.
예를 들어, X-그래디언트3x3은, 다이/필드의 X-방향 그래디언트를 검출하기 위해 3x3 마스크가 적용되는 것을 의미한다. 메트릭 계산의 예시적인 요약이 도 2에 도시된다.
많은 데이터 세트들에서, 관측치들 중 일 유형의 관측치만이 액세스될 수 있다. 예를 들어, 다이/필드의 각각의 세그먼트에 대해 계산될 수 있는 속성들을 사용하여, 새로운 관측치가 기존의 유형의 데이터에 속하는지[즉, 관측치가 정상치(inlier)] 아닌지(즉, 관측치가 이상치)의 여부가 결정될 수 있다.
비정상치(anomaly)들을 검출하기 위해 감시적 러닝 접근법이 사용될 수 있다. 그러한 경우, 정상 관측치 및 이상 관측치 둘 다를 포함하는 데이터세트를 사용하여 분류기가 트레이닝된다. 다른 분류 접근법은 알고리즘이 정상 관측치들만을 모델링하는 반감시적(semi-supervised)이다. 이 분류기들에 부합하지 않는 관측치들은 테스팅 국면에서 이상치들로 분류된다. 마지막 접근법은 트레이닝 데이터세트가 라벨링되지 않고 데이터세트 중 작은 부분만이 이상치(들)를 포함한다고 가정하는 비감시적 러닝을 사용하는 것이다. 분류기를 획득하기 위해, 이상치들 및 정상 데이터가 상이하다고 가정한다.
프로세스 윈도우 모니터링과 같은 많은 실질적 응용들에서, 라벨링 정보가 이용가능하기 않을 때 비감시적 러닝 접근법이 적합하다. 또한, 프로세스 윈도우 모니터링에서 비정상 기록의 종류(nature)는 빈번히 변할 수 있고, 이는 비정상치들을 정확하게 기술하는 트레이닝 데이터세트들을 획득하는 것을 불가능하지는 않지만 어렵게 한다. 예를 들어, 비정상치는 초점이탈, 노출 왜곡, 상이한 CMP 두께 등에 의해 유발될 수 있다.
일 분류의 SVM들은 포인트들과 원점 사이의 최대 분리를 달성하는 결정 경계(decision boundary)를 러닝하려 한다. 일 분류의 SVM은 데이터를 고차원 공간에 투사하기 위해 커널에 의해 규정되는 변환 음함수(implicit transformation function)(즉, 미가공 표현에서의 데이터 포인트들의 쌍들에 대한 유사도 함수)를 이용한다. 알고리즘은 이어서 데이터의 대부분을 원점과 분리하는 초평면(hyper plane)(결정 경계로도 알려짐)을 러닝한다. 데이터 포인트들의 작은 부분만이 결정 경계의 다른 측 상에 오는 것이 허용된다(즉, 이상치들로 간주됨). 이 기술은 공칭 데이터를 임의의 다른 데이터와 분리하는데 사용될 수 있다. 이 기술은 어떤 것이 잘못될지 예측하는 것이 어려울 수 있기 때문에 특별하게 유용할 수 있지만, 들어오는 데이터가 공칭이 아님을 검출하는 것은 제조자가 초기 단계에서 임의의 잠재적인 문제들을 조사할 수 있도록 한다. 도 3a 및 도 3b는 이상치 검출 분류기를 트레이닝하고 적용하는 것을 도시한다. 분류기는, 예를 들어 일 분류의 SVM 분류기 또는 다른 유형의 분류기일 수 있다.
많은 수의 웨이퍼 레벨 경험적 특성들로부터 적정한 수의 관련 특성들을 선택하는 것은 어려운 작업일 수 있다. 방해적 신호를 최소화하면서 비정상치 검출을 위해 관련 특성들을 선택하는 조직적인 방법이 적용될 수 있다.
관련 특성들은 특성들의 통계적 분석에 의해 특성들의 앙상블로부터 선택될 수 있다. 예를 들어, 특성들은 그들의 표준 편차들과 같은 그들의 통계적 모멘트들에 기반하여 등급화될 수 있다. 다른 예시에서, 신호를 가장 잘 기술하는 두드러진 컴포넌트들을 식별하기 위해 PCA 및 ICA가 이용될 수 있다. 선택된 특성들은 이어서 일 분류의 마하라노비스 또는 SVM 분류기들을 트레이닝하는데 사용된다.
알고리즘은 정상 이미지들에 의해 트레이닝되어 몇몇 특성들만을 갖는 레이어를 통과하는 원본 데이터를 재생성할 수 있다. 이 레이어는 일 분류의 이상치 검출기들을 트레이닝하는데 사용되는 표현/특성들을 생성한다. “딥 러닝” 알고리즘들이 미가공 공칭 이미지들로부터 특성들을 추출할 수 있고 특성 선택을 위해 스택 또는 자동 엔코더들(딥 러닝 자동 엔코더들)이 사용될 수 있다.
PCA는 정상 분류로부터 미가공 특성들에 적용될 수 있다. 예를 들어, 정상 분류 신호에서의 90%의 변동에 기여하는 주요 컴포넌트들이 식별된다. 이 주 컴포넌트들은 고차원 특성 공간으로부터 저차원 PCA 공간까지 모든 미가공 특성들을 투사하는데 사용될 수 있다. 정상적 분류로부터만의 트레이닝 데이터를 사용하여, 마하라노비스 거리 분류기가 트레이닝될 수 있다. 이제 검사하의 새로운 샘플들이 PCA 공간 내의 트레이닝 클러스터의 중심에 대한 그들의 마하라노비스 거리에 기반하여 분류될 수 있다. 도 4는 포지티브, 네거티브, 및 공칭 초점이탈들을 갖는 다양한 이전에 볼 수 없던 샘플들에 대한 정상 분류 트레이닝 예시들의 중심으로부터의 마하라노비스 거리들을 도시한다. 포지티브 및 네거티브 초점이탈 샘플들은 정확한 임계값들을 사용함으로써 식별된다. 도 5a 및 도 5b는 본원에서 설명되는 방법의 실시예를 요약한다.
방법의 단계들 각각은 본원에서 추가로 설명되는 바와 같이 수행될 수 있다. 방법들은 또한, 본원에서 설명되는 이미지 취득 서브시스템 및/또는 컴퓨터 서브시스템(들) 또는 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 단계들은, 본원에서 설명되는 실시예들 중 임의의 실시예에 따라 구성될 수 있는 하나 이상의 컴퓨터 시스템에 의해 수행된다. 또한, 위에서 설명된 방법들은 본원에서 설명되는 시스템 실시예들 중 임의의 시스템 실시예에 의해 수행될 수 있다.
본 개시는 도 6에 도시된 바와 같이 분류기를 생성하기 위한 방법으로서 구현될 수 있다. 방법은 적어도 하나의 웨이퍼 이미지를 수신하는 단계(100)를 포함한다. 웨이퍼 이미지는 한 세트의 다이 이미지들을 포함할 수 있다. 하나보다 많은 웨이퍼 이미지가 제공될 수 있다. 각각의 이미지는, 예를 들어 명시야 조명, 암시야 조명, 편광, 적색광, 청색광, 녹색광, 백색광 등, 또는 이들의 조합들과 같은 동일하거나 상이한 방식을 사용하여 캡처될 수 있다.
각각의 웨이퍼에 대해, 세그먼트 마스크가 생성된다[단계(101)]. 이는, 웨이퍼의 중간값 다이에 기반할 수 있고 웨이퍼의 표준 편차에 기반할 수 있다. 세그먼트 마스크는, 예를 들어 3x3 또는 5x5 마스크일 수 있다.
프로세서를 사용하여, 세그먼트 마스크가 다이 이미지들 각각에 적용된다[단계(102)]. 세그먼트 마스크들은, 잠재적으로 덜 유용한(즉, 노이즈) 정보를 마스킹하면서 잠재적으로 유용한 정보(즉, 신호)를 갖는 이미지의 부분만을 보여주도록 각각의 이미지(웨이퍼 및/또는 다이)가 마스킹되게 한다. 다이 내의 상이한 구조물들이 상이한 레벨들의 프로세스 정보를 전달할 수 있다는 점을 유념해야 한다. 이 구조물들이 광학 파라미터들의 조합들로 검사되므로 일반적으로 상당량의 프로세스 정보가 데이터 내에 숨겨져 있다. 이 풍부한 프로세스 정보가 본원에서 개시되는 유형들의 분석을 적용함으로써 추출될 수 있다. 이 분석의 일 양태는 다이 내의 상이한 종류들의 구조물들의 다양한 그룹들로의 세그먼트화이다. 신호 대 노이즈비를 더 향상시키기 위해 각각의 그룹 내에 신호가 축적된다.
다이들 각각이 특성값들의 벡터로 표현된다[단계(103)]. 각각의 다이에 대해 다이 메트릭들이 계산된다[단계(104)]. 다이 메트릭들은 다이의 각각의 세그먼트로부터의 평균 및 표준 편차를 포함할 수 있다. 다이 메트릭들은 또한, 다이의 그래디언트 이미지의 각각의 세그먼트에 대한 평균 및 표준 편차를 포함할 수 있다. 다이의 그래디언트 이미지의 각각의 세그먼트는 Y-그래디언트 또는 X-그래디언트 중 적어도 하나를 포함할 수 있다.
프로세서를 사용하여, 다이 메트릭, 세그먼트 마스크, 및 웨이퍼 이미지의 하나 이상의 통계적으로 의미가 있는 조합이 식별되어[단계(105)] 분류기를 생성한다. 식별[단계(105)]은 다이 검사 결과들에 기반할 수 있다.
본 개시는 도 7에 도시된 바와 같이, 프로세스 제어의 방법으로서 구현될 수 있다. 방법은 미리 결정된 분류기를 수신하는 단계(200)를 포함한다. 예를 들어, 이 분류기는 도 6의 프로세스를 사용하여 결정될 수 있다. 분류기는 마스킹된 다이 이미지들의 메트릭들의 조합들에 기반할 수 있다. 한 세트의 다이 이미지들을 포함하는 웨이퍼 이미지가 수신된다[단계(201)]. 웨이퍼 이미지는 세그먼트 마스크를 사용하여 마스킹된다[단계(202)]. 세그먼트 마스크는, 예를 들어 3x3 또는 5x5 마스크일 수 있다.
한 세트의 다이 이미지들 내의 다이들 각각이 특성값들의 벡터로 표현된다[단계(203)]. 다이들 각각에 대해 다이 메트릭들이 계산된다[단계(204)]. 다이들이 세그먼트화될 수 있다. 다이 메트릭들은 다이의 각각의 세그먼트로부터의 평균 및 표준 편차를 포함할 수 있다. 다이 메트릭들은 또한, 다이의 그래디언트 이미지의 각각의 세그먼트에 대한 평균 및 표준 편차를 포함할 수 있다. 다이의 그래디언트 이미지의 각각의 세그먼트에 대한 평균 및 표준 편차는 Y-그래디언트 또는 X-그래디언트 중 적어도 하나를 포함할 수 있다.
분류기로부터의 세그먼트 마스크 및 다이 메트릭들의 대응하는 조합에 기반하여 웨이퍼 이미지의 메트릭이 계산된다[단계(205)]. 이 웨이퍼 이미지는 마스킹된 이미지일 수 있다.
프로세스의 적합 또는 부적합 상태를 검출하기 위해, 계산된 메트릭들에 기반하여 분류기를 사용하여 프로세스 상태가 결정된다[단계(206)]. 분류기는 마하라노비스 분류기 또는 SVM 분류기 중 하나 일 수 있다. 다른 분류기들이 가능하다.
프로세스 상태는 각각의 다이 또는 각각의 웨이퍼에 대한 단순한 통과/실패 표시일 수 있다. 다른 실시예들에서, 프로세스 상태는 통과 또는 실패를 표시할 수 있고 또한 실패에 대한 하나 이상의 이유를 표시할 수 있다. 예를 들어, 리소그래피 모듈(리소그래피를 위해 사용되는 생산 툴)에 대해, 다이는 정렬, 피델리티(fidelity), 초점, 레티클 기울기, 임계 치수, 오버레이, 파티클 등으로 인해 실패할 수 있다. CMP 모듈에서, 실패는 폴리싱 결함들, 오염, 스크래치 등에 인한 것일 수 있다. 퇴적 모듈에서, 실패는 정렬, 오염, 막 두께 등에 인한 것일 수 있다. 다른 실패 유형들이 알려져 있고 포함될 수 있다. 이와 같이, 본원에서 개시되는 방법의 실시예들은 다수의 분류들(예를 들어, 3가지 분류 분류기인 통과, 정렬 실패, 또는 스크래치)을 갖는 분류기를 생성하는데 사용될 수 있다. 일반적으로, 이 분류기는 또한, 개별 모델이 연속 모델로 대체될 수 있는 회귀(regression) 유형일 수 있다.
예시에서, 딥 러닝 자동 엔코더는 다양한 도스 및 노출들을 갖는 다이들 및/또는 필드들의 비감시적 예시들을 사용하여 트레이닝될 수 있고, 이 특성값들은 이제 일 분류의 SVM 분류기 또는 일 분류의 마하라노비스 분류기와 같은 임의의 생성적 모델을 트레이닝하는데 사용될 수 있다.
문제들이 발생하면 문제들을 검출하기 위해 이 방법이 사용될 수 있지만, 이 방법은 또한 문제들이 발생하기 전에 문제들의 임박한 조짐을 검출하기 위해 사용될 수 있다. 이 방법은 프로세스 문제들의 임의의 단일 분류에 특정되지 않는다. 본 기술의 실시예들은, 이 기술이 반도체 제조 시설에서의 임의의 또는 모든 프로세스 모듈들에 걸쳐 적용될 수 있도록 보편성(universality)을 갖는다.
예시에서, 예를 들어 도 7의 방법을 사용하여 생성되는 다이 메트릭들, 프로세스 상태, 또는 다른 정보는, 제조 툴의 추정된 파라미터들을 계산하기 위한 회귀, 딥 러닝, 또는 뉴럴 네트워크들과 같은 예측 모델들을 트레이닝하는데 사용될 수 있다. 예를 들어, 예측 모델은 노출 또는 초점이탈의 정확한 양을 계산하기 위해 트레이닝될 수 있다. 추정된 파라미터들은 제조 툴의 성능을 향상시키기 위해 제조 툴에 전달될 수 있다.
도 6 또는 도 7의 방법들의 단계들은 분류기를 정제하기 위해 추가 웨이퍼 이미지들에 대해 반복될 수 있다. 예를 들어, 단계들은 이 방법에서 이전에 사용된 이미지 양식들과는 상이한 이미지 양식들을 갖는 추가 웨이퍼 이미지들에 대해 반복될 수 있다. 이 방식으로, 추가적인 통계적으로 의미가 있는 조합들이 발견되는 경우 결과적인 분류기가 향상될 수 있다. 다른 예시에서, 단계들은 이전에 사용된 이미지들과 동일한 양식들을 갖는 추가 웨이퍼 이미지들에 대해 반복될 수 있다. 예를 들어, 추가 이미지들은 이 방법에서 이전에 사용되지 않은 추가 웨이퍼들의 이미지들이다. 이와 같이, 결과적인 분류기는 추가 데이터 포인트들의 사용을 통해 향상될 수 있다. 이 방식으로, 제조 환경에서 도 6 또는 도 7의 방법을 사용하는 디바이스가 이 분류기를 지속적으로 향상시킬 수 있다.
본원에서 개시되는 실시예들을 사용하면, 알고리즘은 웨이퍼 레벨 이미지들을 세그먼트화할 수 있다. 이 세그먼트화는 자동일 수 있다. 견고성을 위해 단일의 또는 다수의 웨이퍼들/로트들이 조합될 수 있다. 이상치 검출 알고리즘은 새로운 웨이퍼들의 프로세스를 예측하기 위해, 제어되는 공칭 웨이퍼들 또는 로트들로부터 러닝한다. 분류(즉, 공칭 분류)를 사용함으로써 서술적 특성들이 많은 미가공 특성들로부터 자동으로 선택될 수 있다. 초점이탈 또는 도스 왜곡 데이터가 필요되지 않을 수 있다. 대신, 공칭 데이터가 필요되는 전부일 수 있다. 레티클당 지역적 프로세스 윈도우 마진들이 맵핑된다.
본원에서 개시되는 실시예들, 프로세스 툴로의 문제들의 조기 검출은, 프로세스 툴이 시작되고 웨이퍼들 상의 결함들을 유발하기 전에도 달성될 수 있다. 이는, 웨이퍼들 또는 재료들의 손실없이 다운타임의 스케줄링을 허용할 수 있다.
본원에서 개시되는 실시예들은 고분해능 결함 검출 모듈들과 관련하여 실행될 수 있다.
프로세스 윈도우 모니터링에서, 비정상 기록의 종류는 보통 빈번히 변한다(예를 들어, 초점이탈, 노출 왜곡, 상이한 CMP 두께). 본원에서 개시되는 실시예들을 사용하는 것과 같은, 비POR(non-process of record) 데이터로부터 POR 데이터를 분리하는 능력이 유용하다. 초점이탈 또는 노출 왜곡과 같은 특정 신호가 자동으로 검출될 수 있다. 자동 이상치 검출은 새로운 웨이퍼의 프로세스 상태를 결정하는데 사용될 수 있다.
종종, 다른 분류(예를 들어, 비정상치)보다 많은 예시들의 일 분류(예를 들어, 양호한/허용가능한 예시들)가 있다. 비정상치의 정도 및 소스는 변화할 수 있고, 각각의 가능한 변화로부터 표현 예시들을 수집하는 것은 불가능할 수 있다. 본원에서 개시되는 바와 같이, 정상 분류에서 변화들을 러닝하는 것 및 허용하능한 규준(norms)을 넘는 변화들을 검출하는 것이 바람직할 수 있다.
본원에서 개시되는 실시예들은 상이한 제조 응용들에 적용될 수 있다. 예를 들어, 본원에서 개시되는 실시예들은 초점이탈 및 도스 리소그래피 응용들 또는 CMP 및 막 모듈들에 대한 막 두께 모니터링에 적용될 수 있다.
예시에서, 다수의 웨이퍼들 상에서 개별 다이들이 검사된다. 이 예시에서의 특성들은 와이어들 또는 다른 상호연결부들에 기반할 수 있고 평균, 표준 편차, 대조(contrast), 또는 다른 값들을 포함할 수 있다. 다이당 특성들은 다차원값이다. 다이의 표준 편차는 구형 또는 타원형 분포를 가질 수 있다. 이 예시에서, 특성들 대부분은 정상 필드들에 속하며, 예를 들어 데이터의 99%가 다차원 구형에 속한다. 이 분포에 기반하여, SVM 분류기와 같은 분류기가 정상인 것을 러닝한다. 분류기는 기존 데이터에 기반하여 구축될 수 있다. 추가 웨이퍼들은 분류기에서의 정상 분포에 비교되고 이는 양호하거나 또는 정상인 것을 결정한다. 3D 공간(즉, 다차원 구형) 내부는 정상인 반면 3D 공간 외부는 정상이 아니다.
도 8은 프로세스 제어 시스템(300)의 블록도이다. 프로세스 제어 시스템(300)은, SEM, 전자 빔을 사용하는 다른 검사 툴, 광 빔을 사용하는 다른 검사 툴, 또는 웨이퍼들을 검사하도록 구성되는 다른 장비일 수 있거나 이들을 포함할 수 있다.
프로세스 제어 시스템(300)은 웨이퍼(303)를 클램핑하도록 구성되는 스테이지(304)를 포함한다. 스테이지(304)은 하나의, 두개의, 또는 세개의 축들로 이동하고 회전하도록 구성될 수 있다.
프로세스 제어 시스템(300)은 또한 웨이퍼(303)의 표면의 이미지를 생성하도록 구성되는 이미징 디바이스(301)를 포함한다. 이미지는 웨이퍼(303)의 특정 레이어에 대한 것일 수 있다. 이 예시에서, 이미징 디바이스(301)는 빔(302)을 생성하여 웨이퍼(303)의 이미지를 생성한다. 빔(302)은, 예를 들어 전자 빔 또는 광 빔일 수 있다. 광대역 플라즈마를 사용하는 이미징 디바이스와 같은 다른 이미징 디바이스들(301)이 가능하다.
본원에서 사용되는 바와 같이, 용어 “웨이퍼”는 일반적으로 반도체 또는 비반도체 재료로 형성되는 기판을 지칭한다. 그러한 반도체 또는 비반도체 재료의 예시들은 단결정 실리콘, 갈륨 질화물, 갈륨 비소, 인듐 인, 사파이어, 및 글래스를 포함하지만 이들에 제한되는 것은 아니다. 그러한 기판들은 통상적으로 반도체 제조 시설들에서 발견되고/되거나 프로세싱된다.
웨이퍼는 기판 상에 형성되는 하나 이상의 레이어를 포함할 수 있다. 예를 들어, 그러한 레이어들은 포토레지스트, 유전체 재료, 도전성 재료, 및 반도체 재료를 포함할 수 있지만 이들에 제한되는 것은 아니다. 많은 상이한 유형들의 그러한 레이어들이 본 기술분야에 알려져 있고, 본원에서 사용되는 바와 같은 용어 웨이퍼는 모든 유형들의 그러한 레이어들을 포함하는 웨이퍼를 포괄하도록 의도된다.
웨이퍼 상에 형성되는 하나 이상의 레이어는 패터닝되거나 패터닝되지 않을 수 있다. 예를 들어, 웨이퍼는, 각각이 반복가능한 패터닝된 피처들 또는 주기적 구조물들을 갖는 복수의 다이들을 포함할 수 있다. 재료의 그러한 레이어들의 형성 및 프로세싱은 궁극적으로 완료된 디바이스들을 초래할 수 있다. 많은 상이한 유형들의 디바이스들이 웨이퍼 상에 형성될 수 있고, 본원에서 사용되는 바와 같은 용어 웨이퍼는 본 기술분야에 알려진 임의의 유형의 디바이스가 그 위에 제조되는 웨이퍼를 포괄하도록 의도된다.
프로세스 제어 시스템(300)은 제어기(305)와 통신한다. 예를 들어, 제어기(305)는 이미징 디바이스(301) 또는 프로세스 제어 시스템(300)의 다른 컴포넌트들과 통신할 수 있다. 제어기(305)는 프로세서(306), 프로세서(306)와 전자 통신하는 저장 디바이스(307), 및 프로세서(306)와 전자 통신하는 통신 포트(308)를 포함할 수 있다. 제어기(305)가 하드웨어, 소프트웨어, 및 펌웨어의 임의의 조합에 의해 실제로 구현될 수 있다는 점이 이해되어야 한다. 예를 들어, 통신 포트(308)는 이더넷 포트 또는 무선 이더넷 포트와 같은 네트워크 포트일 수 있다. 또한, 본원에서 설명되는 바와 같은 기능들은, 하나의 유닛에 의해 수행되거나, 또는 상이한 컴포넌트들로 분배될 수 있으며, 컴포넌트들 각각은 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 차례로 구현될 수 있다. 본원에서 설명되는 다양한 방법들 및 기능들을 구현하기 위한 제어기(305)에 대한 프로그램 코드 또는 명령어들은 메모리와 같은 제어기 판독가능 저장 매체 내에, 제어기(305) 내에, 제어기(305) 외부에, 또는 이들의 조합으로 저장될 수 있다.
예시에서, 통신 포트(308)는 예를 들어 이미징 디바이스(301)에 대한 직렬 인터페이스일 수 있다. 이미징 디바이스(301)는 이미징 센서를 포함할 수 있다. 이미징 센서는 예를 들어 CCD(charge-coupled device) 또는 TDI(time delay and integration) 센서일 수 있다. 이미징 디바이스(301)는 조명 소스를 더 포함할 수 있다. 조명 소스는 본 기술분야에 알려진 바와 같은 명시야 소스 또는 암시야 소스로 구성될 수 있다. 조명 소스는 백색광 소스와 같은 광범위 스펙트럼 소스, 또는 적색광, 청색광, 또는 녹생광 소스와 같은 보다 협범위 스펙트럼 소스일 수 있다. 이미징 디바이스(301)는 편광을 사용하여 이미지들을 캡처하도록 구성될 수 있다. 이미징 디바이스(301)는, 프로세스 제어 시스템(300)이 상이한 양식들을 갖는 이미지들을 이용할 수 있도록 하나보다 많은 조명 소스들을 포함할 수 있다. 다른 이미징 양식들 및 이미징 디바이스(301) 구성들이 알려져 있고 본 개시의 관점에서 명백해질 것이다. 이미징 디바이스(301)는 웨이퍼의 이미지를 캡처하도록 구성된다. 예를 들어, 웨이퍼 이미지는, 웨이퍼가 프로세스 제어 디바이스(300)를 통해 이송되는 동안 캡처될 수 있다.
제어기(305)는 또한 웨이퍼(303) 상의 비정상치들을 식별할 수 있고 제조 프로세스의 적합/부적합을 검출할 수 있다. 예를 들어, 제어기(305)는 도 6 또는 도 7의 단계들을 수행할 수 있다. 제어기(305)는 다른 단계들 또는 본원에서 설명되는 기술들을 수행할 수 있다.
제어기(305)는, 제어기(305)가 이미징 디바이스(301) 내의 검출기들과 같은 검출기들에 의해 생성되는 출력을 수신할 수 있도록, 임의의 적절한 방식으로(예를 들어, “유선” 및/또는 “무선” 전송 매체를 포함할 수 있는 하나 이상의 전송 매체를 통해) 프로세스 제어 시스템(300)의 검출기들에 커플링될 수 있다. 제어기(305)는 검출기들의 출력을 사용하여 다수의 기능들을 수행하도록 구성될 수 있다. 예를 들어, 제어기(305)는 검출기들의 출력을 사용하여 웨이퍼(303) 상의 결함들을 검출하도록 구성될 수 있다. 웨이퍼(303) 상의 결함들을 검출하는 것은, 검출기들에 의해 생성되는 출력에 일부 프로세스 제어 또는 적합 알고리즘 및/또는 방법을 적용함으로써 제어기(305)에 의해 수행될 수 있다. 알고리즘 및/또는 방법은 본원에서 개시되거나 또는 본 기술분야에 알려진 임의의 적절한 알고리즘 및/또는 방법을 포함할 수 있다. 예를 들어, 제어기(305)는 검출기들의 출력을 임계값과 비교할 수 있다. 임계값 위의 값들을 갖는 임의의 출력은 부적합으로 식별될 수 있는 반면, 임계값 아래의 값들을 갖는 임의의 출력은 적합으로 식별될 수 있다. 다른 예시에서, 제어기(305)는 검출기들의 출력을, 출력 상의 결함 검출을 수행하지 않고 스토리지 디바이스(307) 또는 다른 저장 매체에 송신하도록 구성될 수 있다. 제어기(305)는 또한 본원에서 설명되는 바와 같이 구성될 수 있다.
본원에서 설명되는 제어기(305), 또는 시스템(들), 또는 다른 서브 시스템(들)은, 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 기기(appliance), 인터넷 기기, 또는 다른 디바이스를 포함하여, 다양한 형태를 취할 수 있다. 일반적으로, 용어 "제어기"는 메모리 매체로부터의 명령어들을 실행하는, 하나 이상의 프로세서를 갖는 임의의 디바이스를 포괄하도록 넓게 규정될 수 있다. 서브컴퓨터(들) 또는 시스템(들)은 또한 병렬 프로세서와 같은 본 기술분야에 알려진 임의의 적절한 프로세서를 포함할 수 있다. 또한, 서브컴퓨터(들) 또는 시스템(들)은 독립형(standalone) 또는 네트워크형 툴로서, 고속 프로세싱 및 소프트웨어를 갖는 플랫폼을 포함할 수 있다.
시스템이 하나보다 많은 서브시스템을 포함하면, 상이한 서브시스템들은 이미지들, 데이터, 정보, 명령어들 등이 서브시스템들간에 송신될 수 있도록 서로 커플링될 수 있다. 예를 들어, 본 기술분야에 알려진 임의의 적절한 유선 및/또는 무선 전송 매체를 포함할 수 있는 임의의 적절한 전송 매체에 의해 하나의 서브시스템이 추가 서브시스템(들)에 커플링될 수 있다. 두개 이상의 그러한 서브시스템들이 또한, 공유되는 컴퓨터 판독가능 저장 매체(미도시)에 의해 효과적으로 커플링될 수 있다.
추가 실시예는, 본원에서 설명되는 바와 같은, 웨이퍼 상의 비정상치를 식별하거나 또는 적합/부적합을 검출하기 위한 컴퓨터로 구현되는 방법을 수행하기 위한 제어기 상에서 실행가능한 프로그램 명령어들을 저장하는 비일시적 컴퓨터 판독가능 매체에 관한 것이다. 특히, 도 8에 도시된 바와 같이, 저장 디바이스(307) 또는 다른 저장 매체가 제어기(305) 상에서 실행가능한 프로그램 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체를 포함할 수 있다. 컴퓨터로 구현되는 방법은 위에서 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
본원에서 설명되는 방법들과 같은 방법들을 구현하는 프로그램 명령어들은 컴퓨터 판독가능 매체 상에 가령 저장 디바이스(307) 또는 다른 저장 매체 내에 저장될 수 있다. 컴퓨터 판독가능 매체는 본 기술분야에 알려진 자기 또는 광학 디스크, 자기 테이프, 또는 임의의 다른 적절한 비일시적 컴퓨터 판독가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어들은 다른 것들 중에서도, 프로시저 기반 기술들, 컴포넌트 기반 기술들, 및/또는 객체 지향 기술들을 포함하는 임의의 다양한 방식들로 구현될 수 있다. 예를 들어, 프로그램 명령어들은 원하는대로, 액티브엑스 컨트롤(ActiveX control), C++ 오브젝트(C++ object), 자바빈스(JavaBeans), 마이크로소프트 파운데이션 클래스(Microsoft Foundation Class; “MFC”), SSE(Streaming SIMD Extension) 또는 다른 기술들 또는 방법들을 사용하여 구현될 수 있다.
제어기(305)는 본원에서 설명되는 임의의 실시예들에 따라 구성될 수 있다. 예시에서, 프로세서(306)는 본원에서 설명되는 임의의 방법들을 수행하도록 프로그래밍된다. 예시에서, 프로세서(306)는 적어도 하나의 웨이퍼 이미지를 수신하도록 프로그래밍된다. 웨이퍼 이미지는 한 세트의 다이 이미지들을 포함할 수 있다. 프로세서(306)는 한 세트의 다이 이미지들에 기반하여 웨이퍼의 중간값 다이 및 웨이퍼의 표준 편차를 생성하도록 프로그래밍된다. 각각의 웨이퍼에 대해, 프로세서(306)는 웨이퍼의 중간값 다이에 기반하여 그리고 웨이퍼의 표준 편차에 기반하여 세그먼트 마스크를 생성하도록 프로그래밍된다. 프로세서(306)는 다이 이미지들 각각에 세그먼트 마스크를 적용하여 다이 이미지들 각각에 대한 세그먼트화된 다이 이미지들을 생성하도록 프로그래밍된다. 프로세서(306)는 다이들 각각을 특성값들의 벡터로 표현하도록 프로그래밍된다. 프로세서(306)는 벡터에 기반하여 각각의 다이에 대한 다이 메트릭들을 계산하도록 프로그래밍된다. 프로세서(306)는 다이 메트릭, 세그먼트 마스크, 및 웨이퍼 이미지의 하나 이상의 통계적으로 의미가 있는 조합을 식별하여 분류기를 생성하도록 프로그래밍된다.
다른 예시에서, 프로세서(306)는 프로세스 부적합을 검출할 수 있는 미리 결정된 분류기를 수신하도록 프로그래밍된다. 분류기는 마스킹된 다이 이미지들의 메트릭들의 조합들에 기반할 수 있다. 프로세서(306)는 한 세트의 다이 이미지들을 포함하는 웨이퍼 이미지를 수신하도록 프로그래밍된다. 프로세서(306)는 세그먼트 마스크를 사용하여 웨이퍼 이미지를 마스킹하고 한 세트의 다이 이미지들 내의 다이들 각각을 특성값들의 벡터로 표현하도록 프로그래밍된다. 프로세서(306)는 다이들 각각에 대한 다이 메트릭들을 계산하도록 프로그래밍된다. 프로세서(306)는 분류기로부터의 세그먼트 마스크 및 다이 메트릭들의 대응하는 조합에 기반하여 웨이퍼 이미지의 메트릭을 계산하도록 프로그래밍된다. 프로세서(306)는 계산된 메트릭들에 기반하여 분류기를 사용하여 프로세스 상태를 결정하도록 프로그래밍된다. 분류기는 마하라노비스 분류기 또는 SVM 분류기 중 하나 일 수 있다. 다른 분류기들이 가능하다.
다른 예시에서, 프로세서(306)는 웨이퍼의 복수의 웨이퍼 이미지들을 수신하도록 프로그래밍된다. 각각의 웨이퍼 이미지는 복수의 다이들을 갖는다. 프로세서(306)는 세그먼트 마스크를 사용하여 웨이퍼 이미지들 각각을 마스킹하여 한 세트의 세그먼트화된 다이 이미지들을 생성하고; 한 세트의 세그먼트화된 다이 이미지들 내의 다이들 각각을 특성값들의 벡터로 표현하고; 다이들 각각에 대한 다이 메트릭들을 계산하고; 분류기로부터의 세그먼트 마스크 및 다이 메트릭들의 대응하는 조합에 기반하여 웨이퍼 이미지들 각각의 메트릭을 계산하며; 계산된 메트릭들에 기반하여 분류기를 사용하여 프로세스 상태를 결정하도록 프로그래밍된다.
본원에서 개시되는 기술들은, CMP 툴과 같은 프로세싱 툴을 조정하거나 또는 프로세싱 툴이 메인터넌스를 필요로 한다는 통지를 제공하기 위한 피드백 메커니즘으로서 사용될 수 있다. 이와 같이, 프로세서(306)는 통신 포트(308)에 의해 프로세싱 툴에 명령어들을 송신할 수 있다. 추가적으로 또는 대안적으로, 프로세서(306)는 통신 포트(308) 또는 다른 것(예를 들어, 알람 디바이스 등)에 의해 메인터넌스 통지 신호를 송신할 수 있다. 일부 실시예들에서, 프로세스 제어 시스템(300)은 재작업 또는 스크랩을 위해 웨이퍼들을 라우팅할 수 있는 이송 메커니즘을 포함할 수 있다. 그러한 실시예들에서, 프로세서(306)는 재작업 또는 스크랩을 위해 웨이퍼를 라우팅하도록 프로그래밍될 수 있다.
프로세스 제어 시스템의 부분으로서 개시되었지만, 본원에서 개시된 제어기(305)는 검사 시스템들과의 사용을 위해 구성될 수 있다. 다른 실시예에서, 본원에서 설명된 제어기(305)는 계측 시스템과의 사용을 위해 구성될 수 있다. 따라서, 본원에서 개시된 바와 같은 실시예들은, 상이한 응용들에 어느 정도 적합한 상이한 이미징 능력들을 갖는 시스템들에 대해 다수의 방식들로 테일러링될 수 있는 분류를 위한 일부 구성들을 설명한다.
본원에서 개시된 실시예들은 또한 레티클들과 같은 다른 표본(specimen)들의 검사, 결함 검토, 및 계측을 위해 구성될 수 있다. 예를 들어, 본원에서 개시된 실시예들은 마스크 검사, 웨이퍼 검사, 및 웨이퍼 계측의 목적들을 위해 구성될 수 있다. 특히, 본원에서 개시된 실시예들은 광대역 플라즈마 검사기, 전자 빔 검사기 또는 결함 검토 툴, 마스크 검사기, 가상 검사기 등과 같은 출력 취득 서브시스템의 컴포넌트 또는 이들에 커플링되는 컴퓨터 노드 또는 컴퓨터 클러스터 상에 설치될 수 있다. 이 방식으로, 본원에서 설명된 실시예들은, 웨이퍼 검사, 마스크 검사, 전자 빔 검사 및 검토, 계측 등을 포함하지만 이들에 제한되는 것은 아닌 다양한 응용들을 위해 사용될 수 있는 출력을 생성할 수 있다. 제어기는 실제 출력을 생성할 표본에 기반하여 위에서 설명된 바와 이 변형될 수 있다.
본 개시가 하나 이상의 특정 실시예에 관하여 설명되었지만, 본 개시의 다른 실시예들이 본 개시의 범위를 벗어나지 않고 구성될 수 있다는 점이 이해될 것이다. 따라서, 본 개시는 첨부된 청구항들 및 이들의 합당한 해석에 의해서만 제한되는 것으로 간주된다.
Claims (20)
- 분류기(classifier)를 생성하기 위한 방법에 있어서,
빔을 생산하는 이미징 디바이스를 사용하여 적어도 하나의 웨이퍼 이미지 - 상기 적어도 하나의 웨이퍼 이미지는 한 세트의 다이 이미지들을 포함함 - 를 생성하는 단계;
프로세서를 사용하여, 상기 한 세트의 다이 이미지들에 기반하여 웨이퍼의 중간값 다이(median die) 및 상기 웨이퍼의 표준 편차를 생성하는 단계;
상기 프로세서를 사용하여, 상기 웨이퍼의 중간값 다이에 기반하여 그리고 상기 웨이퍼의 표준 편차에 기반하여 세그먼트 마스크를 생성하는 단계;
상기 프로세서를 사용하여, 상기 한 세트의 다이 이미지들 각각에 대한 복수의 세그먼트화된 다이 이미지들을 생성하기 위해 상기 한 세트의 다이 이미지들 각각에 상기 세그먼트 마스크를 적용하는 단계;
상기 프로세서를 사용하여, 다이들 각각을 특성값(feature value)들 - 상기 특성값들은 상기 적어도 하나의 웨이퍼 이미지의 웨이퍼 레벨 특성들을 가짐 - 의 벡터로 표현(represent)하는 단계;
상기 프로세서를 사용하여, 상기 벡터에 기반하여 상기 한 세트의 다이 이미지들 각각에 대한 다이 메트릭(die metric)들을 계산하는 단계; 및
상기 프로세서를 사용하여, 분류기를 생성하기 위해 상기 다이 메트릭들, 상기 세그먼트 마스크, 및 상기 적어도 하나의 웨이퍼 이미지의 하나 이상의 통계적으로 유의미한 조합(statistically significant combination)을 식별하는 단계
를 포함하는, 분류기를 생성하기 위한 방법. - 제 1 항에 있어서, 상기 다이 메트릭들은, 상기 복수의 세그먼트화된 다이 이미지들 각각에 대한 평균 및 표준 편차를 포함하는 것인, 방법.
- 제 1 항에 있어서, 상기 다이 메트릭들은, 다이의 그래디언트 이미지(gradient image)의 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함하는 것인, 방법.
- 제 3 항에 있어서, 상기 복수의 세그먼트화된 다이 이미지들 각각에 대한 평균 및 표준 편차는, Y 그래디언트 또는 X 그래디언트 중 적어도 하나를 포함하는 것인, 방법.
- 제 1 항에 있어서, 상기 분류기는, 일 분류의 마하라노비스 분류기(one-class Mahalanobis classifier)인 것인, 방법.
- 제 1 항에 있어서, 상기 분류기는, 일 분류의 서포트 벡터 머신(Support Vector Machine; SVM) 분류기인 것인, 방법.
- 프로세스 제어 방법에 있어서,
프로세스 불이행(process non-compliance)을 검출할 수 있는 미리 결정된 분류기 - 상기 분류기는 마스킹된 다이 이미지들의 메트릭들의 조합들에 기반함 - 를 수신하는 단계;
빔을 생산하는 이미징 디바이스를 사용하여 한 세트의 다이 이미지들을 포함하는 웨이퍼 이미지를 생성하는 단계;
세그먼트 마스크를 사용하여 상기 웨이퍼 이미지를 마스킹하는 단계;
프로세서를 사용하여, 상기 한 세트의 다이 이미지들 내의 다이들 각각을 특성값들 - 상기 특성값들은 상기 웨이퍼 이미지의 웨이퍼 레벨 특성들을 가짐 - 의 벡터로 표현하는 단계;
상기 프로세서를 사용하여, 상기 다이들 각각에 대한 다이 메트릭들을 계산하는 단계;
상기 프로세서를 사용하여, 상기 분류기로부터의 세그먼트 마스크 및 다이 메트릭들의 대응하는 조합에 기반하여 상기 웨이퍼 이미지의 메트릭을 계산하는 단계; 및
상기 프로세서를 사용하여, 상기 계산된 메트릭에 기반하여 상기 분류기를 사용하여 프로세스 상태를 결정하는 단계
를 포함하는, 프로세스 제어 방법. - 제 7 항에 있어서, 상기 분류기는, 일 분류의 마하라노비스 분류기인 것인, 방법.
- 제 7 항에 있어서, 상기 분류기는, 일 분류의 서포트 벡터 머신(SVM) 분류기인 것인, 방법.
- 제 7 항에 있어서, 상기 다이 메트릭들은, 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함하는 것인, 방법.
- 제 7 항에 있어서, 상기 다이 메트릭들은, 다이의 그래디언트 이미지의 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함하는 것인, 방법.
- 제 11 항에 있어서, 상기 평균 및 상기 표준 편차는, Y 그래디언트 또는 X 그래디언트 중 적어도 하나를 포함하는 것인, 방법.
- 제 7 항에 있어서,
상기 프로세스 상태로 예측 모델을 트레이닝하는 단계;
상기 프로세스 상태에 기반하여 제조 툴의 추정되는 파라미터를 계산하는 단계; 및
상기 제조 툴에 상기 추정되는 파라미터를 전달하는 단계
를 더 포함하는, 방법. - 제 7 항에 있어서, 상기 다이 이미지들을 사용하여 자동 엔코더(auto-encoder) - 상기 자동 엔코더는 제조 툴의 초점 및 노출 왜곡(exposure skew)들을 결정하도록 구성됨 - 를 트레이닝하는 단계를 더 포함하는, 방법.
- 프로세스 제어 시스템에 있어서,
빔을 생산하는 이미징 디바이스 - 상기 이미징 디바이스는 웨이퍼의 표면의 복수의 이미지들을 생성하도록 구성됨 - ;
프로세서;
상기 프로세서와 전자 통신하는 저장 디바이스; 및
상기 프로세서 및 상기 이미징 디바이스와 전자 통신하는 통신 포트
를 포함하고,
상기 프로세서는,
상기 통신 포트에서, 상기 웨이퍼의 복수의 웨이퍼 이미지들 - 각각의 웨이퍼 이미지는 복수의 다이들을 가짐 - 을 수신하도록;
한 세트의 세그먼트화된 다이 이미지들을 생성하기 위해 세그먼트 마스크를 사용하여 상기 복수의 웨이퍼 이미지들 각각을 마스킹하도록;
상기 한 세트의 세그먼트화된 다이 이미지들 내의 다이들 각각을 특성값들 - 상기 특성값들은 상기 웨이퍼 이미지의 웨이퍼 레벨 특성들을 가짐 - 의 벡터로 표현하도록;
상기 다이들 각각에 대한 다이 메트릭들을 계산하도록;
분류기로부터의 세그먼트 마스크 및 다이 메트릭들의 대응하는 조합에 기반하여 상기 복수의 웨이퍼 이미지들 각각의 메트릭을 계산하도록; 그리고
상기 계산된 메트릭들에 기반하여 상기 분류기를 사용하여 프로세스 상태를 결정하도록
프로그래밍되는 것인, 프로세스 제어 시스템. - 제 15 항에 있어서, 상기 분류기는, 일 분류의 마하라노비스 분류기 또는 일 분류의 서포트 벡터 머신(SVM) 분류기 중 하나인 것인, 프로세스 제어 시스템.
- 제 15 항에 있어서, 상기 다이 메트릭들은, 상기 세그먼트화된 다이 이미지들 각각으로부터의 평균 및 표준 편차를 포함하는 것인, 프로세스 제어 시스템.
- 제 15 항에 있어서, 상기 다이 메트릭들은, 다이의 그래디언트 이미지의 세그먼트화된 다이 이미지에 대한 평균 및 표준 편차를 포함하는 것인, 프로세스 제어 시스템.
- 제 18 항에 있어서, 상기 평균 및 상기 표준 편차는, Y 그래디언트 또는 X 그래디언트 중 적어도 하나를 포함하는 것인, 프로세스 제어 시스템.
- 제 15 항에 있어서, 상기 프로세서는 또한,
추가 웨이퍼들에 대해 각각의 프로그램 단계를 반복하도록; 그리고
각각의 웨이퍼에 대한 통계적으로 유의미한 조합들(statistically significant combinations)에 따라 상기 분류기를 개량(refine)하도록
프로그래밍되는 것인, 프로세스 제어 시스템.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662275700P | 2016-01-06 | 2016-01-06 | |
| US62/275,700 | 2016-01-06 | ||
| US15/248,523 | 2016-08-26 | ||
| US15/248,523 US10365639B2 (en) | 2016-01-06 | 2016-08-26 | Feature selection and automated process window monitoring through outlier detection |
| PCT/US2017/012382 WO2017120370A1 (en) | 2016-01-06 | 2017-01-05 | Feature selection and automated process window monitoring through outlier detection |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180091952A KR20180091952A (ko) | 2018-08-16 |
| KR102476927B1 true KR102476927B1 (ko) | 2022-12-12 |
Family
ID=59226313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187022518A KR102476927B1 (ko) | 2016-01-06 | 2017-01-05 | 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US10365639B2 (ko) |
| JP (1) | JP6826121B2 (ko) |
| KR (1) | KR102476927B1 (ko) |
| CN (1) | CN108475649B (ko) |
| IL (1) | IL259969B (ko) |
| TW (1) | TWI708301B (ko) |
| WO (1) | WO2017120370A1 (ko) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180262525A1 (en) * | 2017-03-09 | 2018-09-13 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
| KR102440695B1 (ko) * | 2017-08-11 | 2022-09-05 | 삼성전자주식회사 | 웨이퍼 맵 분석 장치, 이를 이용한 웨이퍼 맵 분석 방법 및 반도체 장치 제조 방법 |
| 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 |
| SG11202009105YA (en) * | 2018-03-20 | 2020-10-29 | Tokyo Electron Ltd | Self-aware and correcting heterogenous platform incorporating integrated semiconductor processing modules and method for using same |
| CN108596630B (zh) * | 2018-04-28 | 2022-03-01 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
| CN108629593B (zh) * | 2018-04-28 | 2022-03-01 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
| CN109146847B (zh) * | 2018-07-18 | 2022-04-05 | 浙江大学 | 一种基于半监督学习的晶圆图批量分析方法 |
| JP7134033B2 (ja) * | 2018-09-06 | 2022-09-09 | 東京エレクトロン株式会社 | 基板状態判定装置、基板処理装置、モデル作成装置及び基板状態判定方法 |
| US11169865B2 (en) * | 2018-09-18 | 2021-11-09 | Nec Corporation | Anomalous account detection from transaction data |
| KR102638267B1 (ko) * | 2018-12-03 | 2024-02-21 | 삼성전자주식회사 | 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법 |
| CN111477562B (zh) * | 2019-01-24 | 2023-11-21 | 台湾积体电路制造股份有限公司 | 用于半导体制造的晶片质量监控方法 |
| KR102234097B1 (ko) | 2019-07-17 | 2021-04-01 | 부산대학교 산학협력단 | 딥러닝을 위한 이미지 처리 방법 및 이미지 처리 시스템 |
| US11120546B2 (en) * | 2019-09-24 | 2021-09-14 | Kla Corporation | Unsupervised learning-based reference selection for enhanced defect inspection sensitivity |
| TWI714371B (zh) * | 2019-11-29 | 2020-12-21 | 力晶積成電子製造股份有限公司 | 晶圓圖的辨識方法與電腦可讀取記錄媒體 |
| US11256967B2 (en) * | 2020-01-27 | 2022-02-22 | Kla Corporation | Characterization system and method with guided defect discovery |
| JP7426261B2 (ja) * | 2020-03-10 | 2024-02-01 | 株式会社Ｓｃｒｅｅｎホールディングス | 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法 |
| US11302545B2 (en) | 2020-03-20 | 2022-04-12 | Nanya Technology Corporation | System and method for controlling semiconductor manufacturing equipment |
| US11675340B2 (en) * | 2020-04-08 | 2023-06-13 | Nanya Technology Corporation | System and method for controlling semiconductor manufacturing apparatus |
| US20220270212A1 (en) * | 2021-02-25 | 2022-08-25 | Kla Corporation | Methods for improving optical inspection and metrology image quality using chip design data |
| CN114967640A (zh) * | 2022-04-25 | 2022-08-30 | 江苏理工学院 | 流程工业的故障检测与隔离方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130163851A1 (en) | 2011-12-21 | 2013-06-27 | Michele Dalla-Torre | System, method and computer program product for classification within inspection images |
| US20140114597A1 (en) | 2012-10-19 | 2014-04-24 | Kla-Tencor Corporation | Systems, Methods and Metrics for Wafer High Order Shape Characterization and Wafer Classification Using Wafer Dimensional Geometry Tool |
| US20150234379A1 (en) | 2014-02-14 | 2015-08-20 | Kla-Tencor Corporation | Wafer and Lot Based Hierarchical Method Combining Customized Metrics with a Global Classification Methodology to Monitor Process Tool Condition at Extremely High Throughput |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6246787B1 (en) * | 1996-05-31 | 2001-06-12 | Texas Instruments Incorporated | System and method for knowledgebase generation and management |
| US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
| JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
| CN100499057C (zh) * | 2006-06-12 | 2009-06-10 | 中芯国际集成电路制造(上海)有限公司 | 晶片检测方法 |
| US7877722B2 (en) * | 2006-12-19 | 2011-01-25 | Kla-Tencor Corp. | Systems and methods for creating inspection recipes |
| US20090035740A1 (en) * | 2007-07-30 | 2009-02-05 | Monster Medic, Inc. | Systems and methods for remote controlled interactive training and certification |
| US20090226057A1 (en) * | 2008-03-04 | 2009-09-10 | Adi Mashiach | Segmentation device and method |
| JP5275017B2 (ja) * | 2008-12-25 | 2013-08-28 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及びその装置 |
| US9768082B2 (en) * | 2009-02-13 | 2017-09-19 | Hermes Microvision Inc. | Method and machine for examining wafers |
| JP2012049503A (ja) * | 2010-07-27 | 2012-03-08 | Fujitsu Semiconductor Ltd | 半導体装置の検査装置及び半導体装置の検査方法 |
| US8656323B2 (en) * | 2011-02-22 | 2014-02-18 | Kla-Tencor Corporation | Based device risk assessment |
| JP2013098267A (ja) * | 2011-10-31 | 2013-05-20 | Hitachi High-Technologies Corp | 半導体パターン検査装置 |
| US8607169B2 (en) * | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
| US8831334B2 (en) | 2012-01-20 | 2014-09-09 | Kla-Tencor Corp. | Segmentation for wafer inspection |
| JP6078234B2 (ja) * | 2012-04-13 | 2017-02-08 | 株式会社日立ハイテクノロジーズ | 荷電粒子線装置 |
| US8977035B2 (en) * | 2012-06-13 | 2015-03-10 | Applied Materials Israel, Ltd. | System, method and computer program product for detection of defects within inspection images |
| US9181583B2 (en) * | 2012-10-23 | 2015-11-10 | Illumina, Inc. | HLA typing using selective amplification and sequencing |
| US9311698B2 (en) * | 2013-01-09 | 2016-04-12 | Kla-Tencor Corp. | Detecting defects on a wafer using template image matching |
| JP6009956B2 (ja) * | 2013-01-31 | 2016-10-19 | 株式会社日立ハイテクノロジーズ | 欠陥検査装置および欠陥検査方法 |
| US9002097B1 (en) * | 2013-02-26 | 2015-04-07 | Hermes Microvision Inc. | Method and system for enhancing image quality |
| US9865512B2 (en) * | 2013-04-08 | 2018-01-09 | Kla-Tencor Corp. | Dynamic design attributes for wafer inspection |
| CN103545230B (zh) * | 2013-10-21 | 2016-05-04 | 上海华力微电子有限公司 | 监控电子束扫描仪缺陷检出率的方法 |
| US9639781B2 (en) * | 2015-04-10 | 2017-05-02 | Cognex Corporation | Systems and methods for classification and alignment of highly similar or self-similar patterns |
| US9569834B2 (en) * | 2015-06-22 | 2017-02-14 | Kla-Tencor Corporation | Automated image-based process monitoring and control |
-
2016
- 2016-08-26 US US15/248,523 patent/US10365639B2/en active Active
-
2017
- 2017-01-05 WO PCT/US2017/012382 patent/WO2017120370A1/en active Application Filing
- 2017-01-05 CN CN201780005642.2A patent/CN108475649B/zh active Active
- 2017-01-05 JP JP2018535153A patent/JP6826121B2/ja active Active
- 2017-01-05 KR KR1020187022518A patent/KR102476927B1/ko active IP Right Grant
- 2017-01-06 TW TW106100511A patent/TWI708301B/zh active
-
2018
- 2018-06-12 IL IL259969A patent/IL259969B/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130163851A1 (en) | 2011-12-21 | 2013-06-27 | Michele Dalla-Torre | System, method and computer program product for classification within inspection images |
| US20140114597A1 (en) | 2012-10-19 | 2014-04-24 | Kla-Tencor Corporation | Systems, Methods and Metrics for Wafer High Order Shape Characterization and Wafer Classification Using Wafer Dimensional Geometry Tool |
| US20150234379A1 (en) | 2014-02-14 | 2015-08-20 | Kla-Tencor Corporation | Wafer and Lot Based Hierarchical Method Combining Customized Metrics with a Global Classification Methodology to Monitor Process Tool Condition at Extremely High Throughput |
Also Published As
| Publication number | Publication date |
|---|---|
| IL259969B (en) | 2021-08-31 |
| IL259969A (en) | 2018-07-31 |
| JP6826121B2 (ja) | 2021-02-03 |
| CN108475649B (zh) | 2021-04-20 |
| KR20180091952A (ko) | 2018-08-16 |
| JP2019506739A (ja) | 2019-03-07 |
| WO2017120370A1 (en) | 2017-07-13 |
| US10365639B2 (en) | 2019-07-30 |
| US20170192411A1 (en) | 2017-07-06 |
| CN108475649A (zh) | 2018-08-31 |
| TW201735210A (zh) | 2017-10-01 |
| TWI708301B (zh) | 2020-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102476927B1 (ko) | 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링 | |
| US10599951B2 (en) | Training a neural network for defect detection in low resolution images | |
| TWI751376B (zh) | 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 | |
| US10679333B2 (en) | Defect detection, classification, and process window control using scanning electron microscope metrology | |
| KR102432428B1 (ko) | 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선 | |
| TWI751306B (zh) | 缺陷偵測之方法及系統 | |
| KR20180094111A (ko) | 이미지 기반 표본 프로세스 제어 | |
| US8260034B2 (en) | Multi-modal data analysis for defect identification | |
| CN107533994B (zh) | 自动化的基于图像的过程监测及控制 | |
| CN110741466B (zh) | 基于扰乱点图的宽带等离子检验 | |
| TW202300900A (zh) | 以經呈現設計影像之設計照護區域之分段 |
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 |