KR102483787B1

KR102483787B1 - 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템

Info

Publication number: KR102483787B1
Application number: KR1020160022655A
Authority: KR
Inventors: 주용한; 김규영; 김덕인; 마성민; 한준성
Original assignee: 에스케이하이닉스 주식회사
Priority date: 2016-02-25
Filing date: 2016-02-25
Publication date: 2023-01-04
Also published as: KR20170100710A

Abstract

본 기술의 일 실시예에 의한 결함 모델링 장치는 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하도록 구성되는 데이터 수집부, 복수의 속성값을 기초로 결함 후보 픽셀들을 복수의 군집으로 구분하고, 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 각 군집별 목표변수를 설정하도록 구성되는 그룹화부 및 복수의 속성값을 기초로 각 군집에 포함된 결함 후보 픽셀들을 분류하여 목표변수를 만족하는 분류규칙을 생성하도록 구성되는 분류규칙 생성부를 포함하도록 구성될 수 있다.

Description

반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템{Apparatus and Method for Modeling of Defect to Semiconductor Apparatus, and Computer Program Therefor, and System for Inspection of Defect to Semiconductor Apparatus}

본 발명은 반도체 장치의 검사 장치에 관한 것으로, 보다 구체적으로는 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템에 관한 것이다.

반도체 장치는 웨이퍼 상에 사진 공정, 식각 공정, 확산 공정, 이온주입 공정 및 박막 증착 공정 등의 과정을 통해 형성될 수 있다. 이러한 단위 공정을 통해 제작된 반도체 장치는 테스트 설비를 통해 전기적으로 측정되고, 그 측정 결과에 따라 양/불량을 판별할 수 있다.

일련의 단위 공정을 수행하는 동안 여러가지 형태의 공정 결함들이 웨이퍼 상에 발생할 수 있으며, 이러한 결함들은 반도체 장치의 수율을 저하시키는 요인으로 작용한다.

반도체 장치의 수율 향상을 위해 특정 결함 패턴을 정의하고, 정의된 패턴들을 시스템 상에서 자동으로 분류하는 결함 패턴 인식 알고리즘 및 이를 이용한 결함 검출 시스템의 개발 및 운용에 대한 다양한 연구들이 진행되고 있다.

웨이퍼 결함 검출 시스템의 주된 성능 목적은 뉴슨스(nuisance)의 개수를 최소화하면서 가능한 많은 관심 결함(Defect Of Interest; DOI)을 포착하는 것이다. 관심 결함에 대한 민감도를 증가시키면서 뉴슨스의 포함 정도를 낮추기 위해, 웨이퍼 결함 검출 시스템은 검사 중인 웨이퍼에 최적화된 검사 레시피로 동작해야 한다. 레시피는 검사 및 계측과 같은 공정을 실행하기 위한 명령어들의 집합이라 정의될 수 있다.

웨이퍼 결함 검출 시스템을 자동화하기 위하여 레시피 셋업 및 튜닝은 보다 중요해 지고 있으며, 웨이퍼 상에서 검출될 수 있는 다양한 결함 유형을 식별하면서도 결함과 뉴슨스 간의 식별력을 높일 수 있는 레시피의 셋업이 점차 중요해 지고 있다.

본 기술의 실시예는 모델링 대상 반도체 장치에 포함된 결함이 중복이나 누락 없이 최대한 포함되도록 하며, 결함과 뉴슨스를 구별할 수 있는 최적의 레시피를 셋업할 수 있는 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템을 제공할 수 있다.

본 기술의 일 실시예에 의한 반도체 장치의 결함 모델링 장치는 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하도록 구성되는 데이터 수집부; 상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고, 상기 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 각 군집별 목표변수를 설정하도록 구성되는 그룹화부; 및 상기 복수의 속성값을 기초로 상기 각 군집에 포함된 상기 결함 후보 픽셀들을 분류하여 상기 목표변수를 만족하는 분류규칙을 생성하도록 구성되는 분류규칙 생성부;를 포함하도록 구성될 수 있다.

본 기술의 일 실시예에 의한 반도체 장치의 결함 분류 모델링 방법은 반도체 장치의 결함 모델링 장치에서의 결함 모델링 방법으로서, 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하는 단계; 상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고, 상기 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 각 군집별 목표변수를 설정하는 단계; 및 상기 복수의 속성값을 기초로 상기 각 군집에 포함된 상기 결함 후보 픽셀들을 분류하여 상기 목표변수를 만족하는 분류규칙을 생성하는 단계;를 포함하도록 구성될 수 있다.

본 기술의 일 실시예에 의한 반도체 장치의 결함 분류 모델링을 위한 컴퓨터 프로그램은 반도체 장치의 결함 모델링 장치에서 실행될 수 있는 결함 모델링을 위한 컴퓨터 프로그램으로서, 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하는 기능; 상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고, 상기 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 각 군집별 목표변수를 설정하는 기능; 및 상기 복수의 속성값을 기초로 상기 각 군집에 포함된 상기 결함 후보 픽셀들을 분류하여 상기 목표변수를 만족하는 분류규칙을 생성하는 기능;을 실행시키기 위해 전자 장치에 저장될 수 있다.

본 기술의 일 실시예에 의한 반도체 장치의 결함 검사 시스템은 모델링 대상 반도체 장치 및 검사 대상 반도체 장치로부터 이미지 데이터를 획득하도록 구성되는 이미지 획득 장치; 상기 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 수치화 데이터로 수집하고, 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고 샘플링하여 목표변수를 설정하며, 각 군집의 결함 후보 픽셀들을 목표변수에 따라 구분하여 분류규칙을 생성하도록 구성되는 결함 모델링 장치; 및 상기 분류규칙에 기초하여 상기 검사 대상 반도체 장치를 검사하도록 구성되는 결함 검사 장치;를 포함하도록 구성될 수 있다.

본 기술에 의하면 모델링 대상 반도체 장치에 포함된 결함을 검출하기 위한 최적의 레시피를 고속으로 셋업할 수 있다. 또한, 모델링 대상 반도체 장치로부터 중복이나 누락 없이 관심결함을 샘플링하여 결함 검출력을 향상시킬 수 있다.

레시피 셋업이 자동화됨에 따라 비전문가 또한 결함 검사 시스템을 용이하게 사용할 수 있다.

또한 반도체 장치의 공정 변경시 검사 레시피의 변경이나 튜닝을 쉽고 빠르게 수행할 수 있다.

도 1은 일 실시예에 의한 반도체 장치의 결함 모델링 장치의 구성도이다.
도 2는 일 실시예에 의한 그룹화부의 구성도이다.
도 3은 일 실시예에 의한 군집분석부의 구성도이다.
도 4는 일 실시예에 의한 분류규칙 생성부의 구성도이다.
도 5는 일 실시예에 의한 반도체 장치의 결함 분류 모델링 방법을 설명하기 위한 흐름도이다.
도 6은 일 실시예에 의한 그룹화 방법을 설명하기 위한 흐름도이다.
도 7은 일 실시예에 의한 분류규칙 생성 방법을 설명하기 위한 흐름도이다.
도 8은 일 실시예에 의한 샘플링 방법을 설명하기 위한 흐름도이다.
도 9는 일 실시예에 의한 반도체 장치의 결함 검사 시스템의 구성도이다.

이하, 첨부된 도면을 참조하여 본 기술의 실시예를 보다 구체적으로 설명한다.

도 1은 일 실시예에 의한 반도체 장치의 결함 모델링 장치의 구성도이다.

도 1을 참조하면, 일 실시예에 의한 반도체 장치의 결함 모델링 장치(10)는 컨트롤러(110), 기억부(120), 사용자 인터페이스(130), 데이터 수집부(140), 그룹화부(150) 및 분류규칙 생성부(160)를 포함할 수 있다.

컨트롤러(110)는 예를 들어 중앙처리장치일 수 있으며, 결함 모델링 장치(10)의 동작 전반을 제어하도록 구성될 수 있다.

기억부(120)는 결함 모델링 장치(10)가 동작하는 데 필요한 프로그램, 응용 프로그램, 제어 데이터, 동작 파라미터, 처리결과 등을 저장할 수 있다. 기억부(120)는 주기억장치 및 보조기억장치를 포함할 수 있다.

사용자 인터페이스(130)는 사용자가 결함 모델링 장치(10)에 접근할 수 있는 환경을 제공할 수 있다. 사용자 인터페이스(130)는 키보드, 마우스, 터치패드, 터치스크린 등과 같은 입력장치를 위한 인터페이스와, 디스플레이, 스피커 등과 같은 출력장치를 위한 인터페이스를 포함할 수 있다.

데이터 수집부(140)는 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터를 제공받고, 테스트 이미지 데이터에 포함된 각 결함 후보 픽셀을 복수의 속성값을 갖는 수치화 데이터로서 수집하도록 구성될 수 있다. 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터는 광학 검사 장치 또는 전자 빔 검사 장치와 같은 테스트 장치로부터 획득될 수 있고 결함 및 뉴슨스를 포함할 수 있다. 다시 말해, 모델링 대상 반도체 장치는 테스트 장치에 의해 가해지는 각종 전기적 자극에 반응하여 결함 후보 픽셀을 포함하는 이미지 데이터로 제공될 수 있으며, 그 반응 결과가 데이터 수집부(140)에 의해 수치화되어 자료로 저장될 수 있다. 이 때 데이터 수집부(140)는 이미지 데이터에 포함된 각 픽셀에 대해 기 설정된 다양한 속성값을 수치화하여 저장하도록 구성될 수 있다.

그룹화부(150)는 데이터 수집부(140)에서 수집한 결함 후보 픽셀의 수치화 데이터를 기초로, 유사한 속성값을 갖는 픽셀들을 기 설정된 개수의 군집으로 구분하도록 구성될 수 있다. 그룹화부(150)는 결함 후보 픽셀을 군집화할 때 결함 후보 데이터가 중복 또는 누락되지 않도록 할 수 있다. 또한 그룹화부(150)는 각 군집으로부터 지정된 개수의 샘플을 추출하고, 추출된 샘플로부터 실제 결점과 뉴슨스가 식별됨에 따라, 각 군집별로 목표변수를 설정하도록 구성될 수 있다. 즉, 그룹화부(150)는 각 군집별로 검출되어야 할 결함의 개수를 목표변수로서 설정할 수 있다.

분류규칙 생성부(160)는 데이터 수집부(140)에서 결함 후보 픽셀의 수치화된 속성값을 기반으로 각 군집에 대해 결함 후보 픽셀을 분류하여 목표변수를 만족하는 분류규칙을 생성하도록 구성될 수 있다. 분류규칙은 결함과 뉴슨스를 구분할 수 있는 규칙일 수 있으며, 생성된 분류규칙은 최종 레시피로 셋업될 수 있다. 일 실시예에서, 분류규칙 생성부(160)는 지도학습 방법에 의해 분류규칙을 생성할 수 있다.

도 2는 일 실시예에 의한 그룹화부의 구성도이다.

일 실시예에 의한 그룹화부(20)는 군집분석부(210), 샘플 생성부(220) 및 테스트부(230)를 포함할 수 있다.

군집분석부(210)는 데이터 수집부(140)에서 수집한 결함 후보 픽셀의 속성값을 기반으로 유사한 속성을 갖는 결함 후보 픽셀을 기 설정된 개수(K)의 군집으로 구분하도록 구성될 수 있다.

데이터 수집부(140)에서 수집한 결함 후보 픽셀의 속성값은 픽셀의 극성, 명도, 모양, 크기, 위치 등을 포함할 수 있다. 따라서 군집분석부(210)는 이러한 속성값을 기반으로 군집분석을 수행하여 유사한 속성을 갖는 K개의 군집을 생성할 수 있다.

군집분석은 유사한 특성을 지니는 자료들을 서로 모아 하나의 의미 있는 군집을 형성하는 분석 기법을 의미한다.

샘플 생성부(220)는 군집분석부(210)에서 생성한 K개의 군집 각각에 대하여 기 설정된 개수의 샘플을 추출하도록 구성될 수 있다. 군집분석부(210)에서 생성한 각 군집에 포함되는 샘플의 개수는 상이할 수 있으며, 이러한 샘플 수의 편의를 억제하기 위해 샘플 생성부(220)를 통해 각 군집별로 동일한 개수의 샘플을 추출하는 것이다. 일 실시예에서, 샘플 생성부(220)는 층화 샘플링 기법(Stratified sampling method)에 의해 기 설정된 개수의 샘플을 추출할 수 있으나, 이에 한정되는 것은 아니다.

층화 샘플링 기법은 모집단인 K개의 군집으로부터 기 설정된 방식, 예를 들어 단순 임의 추출 방식이나 계통 추출 방식으로 미리 할당된 수의 샘플을 추출하는 것을 의미한다.

테스트부(230)는 샘플 생성부(220)에서 추출된 각 군집별 설정된 개수의 샘플에 대하여 이미지 기반 검수를 통해 결함과 뉴슨스가 구분됨에 따라, 각 군집별 목표변수를 설정하도록 구성된다. 이를 통해, 각 군집별로 검출되어야 할 결함의 개수(개수의 범위)가 목표변수로서 설정될 수 있다.

한편, 군집분석부(210)는 K개의 군집을 생성하기 위하여 수치화된 속성값들 간의 상관도를 낮출 수 있고, 보다 적절한 K값을 선택할 필요가 있다.

도 3은 일 실시예에 의한 군집분석부의 구성도이다.

도 3에 도시한 것과 같이, 일 실시예에 의한 군집분석부(30)는 변수 축약부(310), 군집수 결정부(320) 및 군집화부(330)를 포함할 수 있다.

데이터 수집부(140)에서 수집된 수치화된 데이터들의 속성값은 각각 다르게 측정되며, 이러한 수치화된 데이터들은 상관도가 높다. 따라서, 변수 축약부(310)는 수치화된 속성값들 간의 상관도를 낮추기 위해 주성분 분석(Principle Component Analysis; PCA) 또는 탐색적 요인분석(Exploratory Factor Analysis) 등과 같은 변수 축약 기법에 의해 상관계수의 감소를 수행한다.

주성분 분석은 고차원의 데이터를 저차원의 데이터로 환원시키는 기법이다.

탐색적 요인분석은 여러 변수들로 측정된 데이터를 적은 수의 요인으로 축소시킴으로써 변수들 간에 내재하고 있는 구조를 발견하는 통계 기법으로, 분석 대상 데이터로부터 몇 개의 요인이 산출될 수 있는지 탐색적으로 검토한 후 그 개수만큼의 요인구조를 산출해 낸다.

군집수 결정부(320)는 결함 후보 픽셀들을 몇 개의 군집으로 나눌 것인지 결정하도록 구성된다. 군집수 결정부(320)는 의사(Pseudo) F-테스트 값, 또는 CCC(Cubic Clustering Criterion)값을 사용하여 군집의 개수(K)를 결정할 수 있다. 의사 F-테스트 값은 군집의 밀집 정도를 측정하는 통계량으로서 군집간 분산과 군집 내 분산의 비를 사용하여 결정될 수 있다. CCC 값은 자료 즉, 변수가 축약된 데이터들이 균등분포(Uniform distribution)를 따른다는 가정 하에서 이 자료들의 기대분포와 군집들의 편향 정도를 비교하는 측도이다.

군집화부(330)는 군집수 결정부(320)에서 결정된 군집의 개수에 따라 결함 후보 픽셀을 군집화하도록 구성된다. 이를 위해 K-평균 군집 방법(K-means clustering)이 이용될 수 있다. K-평균 군집 방법은 반복처리(iterative process)를 통한 그룹화 알고리즘의 일 예이다. 이는 처리 대상 이미지가 주어졌을 때 반복처리 또는 반복학습을 통해 비슷한 특성을 갖는 데이터를 K개의 클러스터로 그룹화하는 알고리즘이다.

이와 같이, 군집분석부(210)는 데이터 수집부(140)에서 수집한 결함 후보 픽셀에 대한 수치화 데이터(속성값)들의 상관도를 낮춘 후, 최적의 개수(K)로 데이터를 군집화하도록 구성된다. 이에 따라, 샘플 생성부(220)에 의해 각 군집 별로 기 설정된 개수의 샘플이 추출될 수 있다. 그리고, 테스트부(230)에서 각 군집별로 추출된 샘플의 이미지 데이터에 기반하여 결함과 뉴슨스가 구별되어 목표변수가 설정되게 된다.

목표변수가 설정되면, 분류규칙 생성부(160)는 각 군집에 대해 목표변수를 만족하는 분류규칙을 생성할 수 있다.

도 4는 일 실시예에 의한 분류규칙 생성부의 구성도이다.

일 실시예에 의한 분류규칙 생성부(40)는 분류부(410) 및 레시피 설정부(420)를 포함할 수 있다.

분류부(410)는 각 군집에 포함된 결함 후보 픽셀에 대하여 수치화된 속성값을 기반으로 데이터를 분류하여 목표변수를 만족하는 분류규칙을 생성할 수 있다. 일 실시예에서, 분류부(410)는 의사결정나무, 인공신경망 등과 같은 지도학습 방법을 기초로 분류규칙을 생성할 수 있다. 지도학습 방법은 이에 한정되는 것은 아니며, 지지도벡터기계(Support Vector Machine) 방식, 로지스틱 회귀분석(Logistic Regression) 방식, 사례기반 추론(Case-Based Reasoning) 방식 등 다양한 방법이 채택될 수 있음은 물론이다.

일 실시예에서, 분류부(310)는 분류규칙의 적합도를 확인하기 위해, 각 군집에서 층화 및 무작위로 샘플을 추출하여 적합도를 확인하는 과정을 반복 학습하여 최적의 분류규칙을 생성하도록 구성될 수 있다.

레시피 설정부(420)는 분류부(410)에서 생성한 분류규칙을 최종 레시피로 셋업하도록 구성될 수 있다. 최종 레시피는 실제 반도체 장치의 결함 검사 시스템에서 검사 대상 반도체 장치의 결함과 뉴슨스를 구분할 수 있는 규칙으로 작용하게 된다.

도 5는 일 실시예에 의한 반도체 장치의 결함 분류 모델링 방법을 설명하기 위한 흐름도이다.

모델링 대상 반도체 장치에 대한 테스트 이미지 데이터가 제공됨에 따라, 데이터 수집부(140)를 통해 테스트 이미지 데이터에 포함된 각 결함 후보 픽셀을 분석하여 복수의 속성값을 갖는 수치화 데이터를 수집할 수 있다(S10).

결함 후보 픽셀의 속성값은, 픽셀의 극성, 명도, 모양, 크기, 위치 등을 포함할 수 있다.

결함 후보 픽셀들 각각에 대한 수치화된 속성값이 수집됨에 따라, 속성값을 그룹화부(150)를 통해 결함 후보 픽셀들을 속성값에 기초하여 복수개(K개)의 군집으로 구분할 수 있다(S20).

도 6에는 결함 후보 픽셀을 군집화하는 방법의 일 예를 나타내었다.

도 6을 참조하면, 수치화된 속성값들 간의 상관도를 감소시키기 위해 변수 축약 과정이 수행될 수 있다(S201). 일 실시예에서 주성분 분석 또는 탐색적 요인분석 등과 같은 변수 축약 기법에 의해 상관계수의 감소를 수행할 수 있다.

이후, 결함 후보 픽셀들을 몇 개의 군집으로 구분할 것인지 결정할 수 있다(S203). 군집의 개수를 결정하기 위해 의사(Pseudo) F-테스트 값, 또는 CCC(Cubic Clustering Criterion)값을 사용할 수 있다.

군집의 개수가 결정되면, 예를 들어 K-평균 군집 방법(K-means clustering)과 같은 그룹화 알고리즘을 이용하여 결함 후보 픽셀을 군집화할 수 있다(S205).

단계 S205의 결과로 생성된 각 군집에 포함되는 샘플의 개수는 상이할 수 있으며, 이러한 샘플 수의 편의(bias)를 억제하기 위해 각 군집별로 동일한 개수의 샘플을 추출할 수 있다(S207). 이 때 층화 샘플링 기법(Stratified sampling method)을 이용할 수 있으나, 이에 한정되는 것은 아니다.

각 군집마다 동일한 개수의 샘플이 추출되면, 이미지 기반 검수를 통해 결함과 뉴슨스를 구분하는 검수 과정이 수행되고, 검수 결과에 따라 각 군집별 목표변수가 설정될 수 있다(S209).

다시 도 5를 참조하면, 목표변수가 설정됨에 따라, 분류규칙 생성부(160)를 통해 각 군집별로 결함 후보 픽셀을 분류하여 목표변수를 만족하는 분류규칙을 생성할 수 있다(S30). 단계 S30에서 생성된 분류규칙은 실제 반도체 장치에 대한 결함을 검사하기 위한 최종 레시피로 셋업될 수 있다.

일 실시예에서, 분류규칙 생성부(160)는 지도학습 방법에 의해 분류규칙을 생성할 수 있다.

도 7은 일 실시예에 의한 분류규칙 생성 방법을 설명하기 위한 흐름도이다.

각 군집에 대하여 결함 후보 픽셀의 수치화된 속성값을 기초로 결함과 뉴슨스를 분류할 수 있다(S301).

단계 S301의 분류 결과는 기준 데이터와 비교될 수 있다(S303). 일 실시예에서, 기준 데이터는 엔지니어에 의해 생성된 분류 데이터일 수 있다.

단계 S303의 비교 결과, 본 기술의 결함 모델링 장치에 의한 분류 결과가 기준 데이터와 동등하거나 우위에 있는 경우에는 이를 최종 레시피로 셋업할 수 있다(S305). 반면, 결함 모델링 장치에 의한 분류 결과가 기준 데이터보다 열위에 있는 경우에는 샘플 데이터를 추가하여 결함과 뉴슨스를 분류하는 과정(S301)을 반복할 수 있다.

결함 분류 과정(S301)을 반복 학습하고, 그 반복의 횟수가 증가할수록 결함과 뉴슨스 간의 구분을 더욱 정확하게 할 수 있다.

도 8은 일 실시예에 의한 샘플링 방법을 설명하기 위한 흐름도이다.

도 8에 도시한 샘플링 방법은 도 6의 샘플링 과정(S207)에 후속하여 수행될 수 있다.

도 8을 참조하면, 군집간 샘플 데이터에 대한 이질성을 검증할 수 있다(S401).

그리고, 이질성이 만족되는지 확인하여(S403), 이질성이 만족되는 경우에는 군집별 목표변수를 설정하는 단계(S209)로 진행할 수 있다.

만약, 이질성이 만족되지 않으면 추가 샘플을 확보한 후(S405) 샘플링하는 단계(S207)로 진행할 수 있다.

이질성 검증이란, 관측값들이 정해진 범주 내에서 서로 다르게 나타나고 있는지 검증하는 것을 의미한다.

도 1 내지 도 4에 도시한 결함 모델링 장치, 또는 도 5 내지 도 8에 도시한 결함 모델링 방법은 전자 장치 또는 컴퓨팅 장치에서 실행 가능한 컴퓨터 프로그램으로 구현될 수 있다.

도 9는 일 실시예에 의한 반도체 장치의 결함 검사 시스템의 구성도이다.

도 9를 참조하면, 결함 검사 시스템(50)은 시스템 제어기(510), 이미지 획득 장치(520), 결함 모델링 장치(530) 및 결함 검사 장치(540)를 포함할 수 있다.

시스템 제어기(510)는 결함 검사 시스템(50)의 동작 전반을 제어하도록 구성될 수 있다.

이미지 획득 장치(520)는 모델링 대상 반도체 장치 및 검사 대상 반도체 장치로부터 결함 후보 픽셀을 포함하는 이미지 데이터를 획득하도록 구성될 수 있다. 이미지 획득 장치(520)는 광학 검사 장치 또는 전자 빔 검사 장치일 수 있으나 이에 한정되는 것은 아니다.

결함 모델링 장치(530)는 예를 들어 도 1 내지 도 4에 도시한 결함 모델링 장치일 수 있다. 따라서, 결함 모델링 장치(530)는 결함 후보 픽셀들을 기 설정된 개수의 군집으로 구분하고 샘플링하여 목표변수를 설정하며, 각 군집의 결함 후보 픽셀들을 목표변수에 따라 구분하여 분류규칙을 생성하도록 구성될 수 있다.

결함 검사 장치(540)는 결함 모델링 장치(530)에서 생성된 분류규칙을 제공받는다. 그리고 이미지 획득 장치(520)로부터 검사 대상 반도체 장치에 대한 이미지 데이터를 수신하고 분류규칙에 따라 결함검사를 수행할 수 있다.

결함 모델링 장치(530)에서 결함과 뉴슨스가 정확히 구분되어 레시피가 생성되기 때문에 결함 검사 장치(540)는 우수한 결함 검출력으로 검사 대상을 검사할 수 있다.

또한, 결함 모델링 장치(530)에서 검사 레시피가 자동화되어 결함 검사 장치(540)에 이식되므로, 비전문가 또한 결함 검사 시스템을 용이하게 사용할 수 있다. 아울러 반도체 장치의 공정 변경시 결함 모델링 장치(530)를 통해 검사 레시피의 변경 또는 튜닝을 쉽고 빠르게 이루어질 수 있다.

이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

10 : 결함 모델링 장치
20 : 그룹화부
30 : 군집분석부
40 : 분류규칙 생성부
50 : 결함 검사 시스템

Claims

모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하도록 구성되는 데이터 수집부;
상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고, 상기 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 각 군집별 목표변수를 설정하도록 구성되는 그룹화부; 및
상기 복수의 속성값을 기초로 상기 각 군집에 포함된 상기 결함 후보 픽셀들을 분류하여 상기 목표변수를 만족하는 분류규칙을 생성하도록 구성되는 분류규칙 생성부;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 2은(는) 설정등록료 납부시 포기되었습니다.◈

제 1 항에 있어서,
상기 복수의 속성값은 상기 결함 후보 픽셀들 각각의 극성, 명도, 모양, 크기, 위치를 포함하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 3은(는) 설정등록료 납부시 포기되었습니다.◈

제 1 항에 있어서,
상기 그룹화부는, 상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하도록 구성되는 군집분석부;
상기 복수의 군집 각각에 대하여 상기 기 설정된 개수의 샘플을 추출하도록 구성되는 샘플 생성부; 및
상기 샘플 생성부에서 추출된 상기 각 군집별 샘플에 대하여 결함 및 뉴슨스가 구분됨에 따라, 상기 각 군집별 상기 목표변수를 설정하도록 구성되는 테스트부;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 4은(는) 설정등록료 납부시 포기되었습니다.◈

제 3 항에 있어서,
상기 군집분석부는, 상기 수치화 데이터의 상관도를 감소시키도록 구성되는 변수 축약부;
상기 군집의 개수를 결정하도록 구성되는 군집수 결정부; 및
상기 변수 축약부의 처리 결과를 상기 결정된 군집의 개수에 따라 군집화하도록 구성되는 군집화부;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 5은(는) 설정등록료 납부시 포기되었습니다.◈

제 4 항에 있어서,
상기 변수 축약부는, 상기 수치화 데이터에 대한 주성분 분석 또는 탐색적 요인분석을 수행하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 6은(는) 설정등록료 납부시 포기되었습니다.◈

제 4 항에 있어서,
상기 군집수 결정부는 의사(Pseudo) F-테스트 값, 또는 CCC(Cubic Clustering Criterion)값에 의해 상기 군집의 개수를 결정하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 7은(는) 설정등록료 납부시 포기되었습니다.◈

제 4 항에 있어서,
상기 군집화부는, K-평균 군집 방법으로 상기 군집화를 수행하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 8은(는) 설정등록료 납부시 포기되었습니다.◈

제 3 항에 있어서,
상기 샘플 생성부는 층화 샘플링을 통해 상기 기 설정된 개수의 샘플을 추출하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 9은(는) 설정등록료 납부시 포기되었습니다.◈

제 1 항에 있어서,
상기 분류규칙 생성부는, 지도학습 방법으로 상기 분류규칙을 생성하도록 구성되는 반도체 장치의 결함 모델링 장치.
◈청구항 10은(는) 설정등록료 납부시 포기되었습니다.◈

제 1 항에 있어서,
상기 분류규칙 생성부는, 상기 결함 후보 픽셀들을 결함과 뉴슨스로 분류하여 분류규칙을 생성하고, 상기 분류규칙의 적합도를 확인하도록 구성되는 분류부; 및
상기 분류부에서 생성된 최종 분류규칙을 검사 레시피로 셋업하도록 구성되는 레시피 설정부;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 장치.
반도체 장치의 결함 모델링 장치에서의 결함 모델링 방법으로서,
모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하는 단계;
상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고, 상기 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 각 군집별 목표변수를 설정하는 그룹화 단계; 및
상기 복수의 속성값을 기초로 상기 각 군집에 포함된 상기 결함 후보 픽셀들을 분류하여 상기 목표변수를 만족하는 분류규칙을 생성하는 단계;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 방법.
◈청구항 12은(는) 설정등록료 납부시 포기되었습니다.◈

제 11 항에 있어서,
상기 복수의 속성값은 상기 결함 후보 픽셀들 각각의 극성, 명도, 모양, 크기, 위치를 포함하도록 구성되는 반도체 장치의 결함 모델링 방법.
◈청구항 13은(는) 설정등록료 납부시 포기되었습니다.◈

제 11 항에 있어서,
상기 그룹화 단계는, 상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하는 군집분석 단계;
상기 복수의 군집 각각에 대하여 상기 기 설정된 개수의 샘플을 추출하는 샘플링 단계; 및
상기 샘플링 단계에서 추출된 상기 각 군집별 샘플에 대하여 결함 및 뉴슨스가 구분됨에 따라, 상기 각 군집별 상기 목표변수를 설정하는 목표변수 설정 단계;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 방법.
◈청구항 14은(는) 설정등록료 납부시 포기되었습니다.◈

제 13 항에 있어서,
상기 군집분석 단계는, 상기 수치화 데이터의 상관도를 감소시키는 변수 축약 단계;
상기 군집의 개수를 결정하도록 구성되는 군집수 결정 단계; 및
상기 변수 축약 단계의 처리 결과를 상기 결정된 군집의 개수에 따라 군집화하는 군집화 단계;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 방법.
◈청구항 15은(는) 설정등록료 납부시 포기되었습니다.◈

제 14 항에 있어서,
상기 변수 축약 단계는, 상기 수치화 데이터에 대한 주성분 분석 또는 탐색적 요인분석을 수행하는 단계를 포함하는 반도체 장치의 결함 모델링 방법.
◈청구항 16은(는) 설정등록료 납부시 포기되었습니다.◈

제 14 항에 있어서,
상기 군집수 결정 단계는 의사(Pseudo) F-테스트 값, 또는 CCC(Cubic Clustering Criterion)값에 의해 상기 군집의 개수를 결정하는 단계를 포함하는 반도체 장치의 결함 모델링 방법.
◈청구항 17은(는) 설정등록료 납부시 포기되었습니다.◈

제 14 항에 있어서,
상기 군집화 단계는, K-평균 군집 방법으로 상기 군집화를 수행하는 단계인 반도체 장치의 결함 모델링 방법.
◈청구항 18은(는) 설정등록료 납부시 포기되었습니다.◈

제 13 항에 있어서,
상기 샘플링 단계는 층화 샘플링을 통해 상기 기 설정된 개수의 샘플을 추출하는 단계인 반도체 장치의 결함 모델링 방법.
◈청구항 19은(는) 설정등록료 납부시 포기되었습니다.◈

제 11 항에 있어서,
상기 분류규칙을 생성하는 단계는, 지도학습 방법으로 상기 분류규칙을 생성하는 단계인 반도체 장치의 결함 모델링 방법.
◈청구항 20은(는) 설정등록료 납부시 포기되었습니다.◈

제 11 항에 있어서,
상기 분류규칙을 생성하는 단계는, 상기 결함 후보 픽셀들을 결함과 뉴슨스로 분류하여 분류규칙을 생성하고, 상기 분류규칙의 적합도를 확인하는 단계; 및
상기 분류규칙의 적합도를 확인하여 생성한 최종 분류규칙을 검사 레시피로 셋업하는 단계;
를 포함하도록 구성되는 반도체 장치의 결함 모델링 방법.
반도체 장치의 결함 모델링 장치에서 실행될 수 있는 결함 모델링을 위한 컴퓨터 프로그램으로서,
모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하는 기능;
상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고, 상기 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 각 군집별 목표변수를 설정하는 기능; 및
상기 복수의 속성값을 기초로 상기 각 군집에 포함된 상기 결함 후보 픽셀들을 분류하여 상기 목표변수를 만족하는 분류규칙을 생성하는 기능;
을 실행시키기 위해 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 22은(는) 설정등록료 납부시 포기되었습니다.◈

제 21 항에 있어서,
상기 복수의 속성값은 상기 결함 후보 픽셀들 각각의 극성, 명도, 모양, 크기, 위치를 포함하도록 구성되는 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 23은(는) 설정등록료 납부시 포기되었습니다.◈

제 21 항에 있어서,
상기 각 군집별 상기 목표 변수를 설정하는 기능은, 상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 복수의 군집으로 구분하는 군집분석 기능;
상기 복수의 군집 각각에 대하여 기 설정된 개수의 샘플을 추출하는 샘플링 기능; 및
상기 샘플링 기능에 의해 추출된 상기 각 군집별 샘플에 대하여 결함 및 뉴슨스가 구분됨에 따라, 상기 각 군집별 상기 목표변수를 설정하는 목표변수 설정 기능;
을 더 포함하는 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 24은(는) 설정등록료 납부시 포기되었습니다.◈

제 23 항에 있어서,
상기 군집분석 기능은, 상기 수치화 데이터의 상관도를 감소시키는 변수 축약 기능;
상기 군집의 개수를 결정하도록 구성되는 군집수 결정 기능; 및
상기 변수 축약 기능에 의한 처리 결과를 상기 결정된 군집의 개수에 따라 군집화하는 군집화 기능;
을 더 포함하는 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 25은(는) 설정등록료 납부시 포기되었습니다.◈

제 24 항에 있어서,
상기 변수 축약 기능은, 상기 수치화 데이터에 대한 주성분 분석 또는 탐색적 요인분석을 수행하는 기능을 포함하는 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 26은(는) 설정등록료 납부시 포기되었습니다.◈

제 24 항에 있어서,
상기 군집수 결정 기능은 의사(Pseudo) F-테스트 값, 또는 CCC(Cubic Clustering Criterion)값에 의해 상기 군집의 개수를 결정하는 기능을 포함하는 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 27은(는) 설정등록료 납부시 포기되었습니다.◈

제 24 항에 있어서,
상기 군집화 기능은, K-평균 군집 기법으로 상기 군집화를 수행하는 기능인 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 28은(는) 설정등록료 납부시 포기되었습니다.◈

제 23 항에 있어서,
상기 샘플링 기능은 층화 샘플링을 통해 상기 기 설정된 개수의 샘플을 추출하는 기능인 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 29은(는) 설정등록료 납부시 포기되었습니다.◈

제 21 항에 있어서,
상기 분류규칙을 생성하는 기능은, 지도학습 기법으로 상기 분류규칙을 생성하는 기능인 전자 장치에 저장되는 컴퓨터 프로그램.
◈청구항 30은(는) 설정등록료 납부시 포기되었습니다.◈

제 21 항에 있어서,
상기 분류규칙을 생성하는 기능은, 상기 결함 후보 픽셀들을 결함과 뉴슨스로 분류하여 분류규칙을 생성하고, 상기 분류규칙의 적합도를 확인하는 기능; 및
상기 분류규칙의 적합도를 확인하여 생성한 최종 분류규칙을 검사 레시피로 셋업하는 기능;
을 더 포함하는 전자 장치에 저장되는 컴퓨터 프로그램.
모델링 대상 반도체 장치 및 검사 대상 반도체 장치로부터 이미지 데이터를 획득하도록 구성되는 이미지 획득 장치;
상기 모델링 대상 반도체 장치에 대한 테스트 이미지 데이터에 기초하여, 상기 테스트 이미지 데이터에 포함된 결함 후보 픽셀들을 수치화 데이터로 수집하고, 상기 결함 후보 픽셀들을 복수의 군집으로 구분하고 샘플링하여 목표변수를 설정하며, 각 군집의 결함 후보 픽셀들을 목표변수에 따라 구분하여 분류규칙을 생성하도록 구성되는 결함 모델링 장치; 및
상기 분류규칙에 기초하여 상기 검사 대상 반도체 장치를 검사하도록 구성되는 결함 검사 장치;
를 포함하도록 구성되는 반도체 장치의 결함 검사 시스템.
◈청구항 32은(는) 설정등록료 납부시 포기되었습니다.◈

제 31 항에 있어서,
상기 결함 모델링 장치는, 상기 결함 후보 픽셀들을 복수의 속성값을 갖는 수치화 데이터로 수집하도록 구성되는 데이터 수집부;
상기 복수의 속성값을 기초로 상기 결함 후보 픽셀들을 상기 복수의 군집으로 구분하고, 상기 각 군집으로부터 기 설정된 개수의 샘플을 추출하여, 상기 각 군집별 상기 목표변수를 설정하도록 구성되는 그룹화부; 및
상기 복수의 속성값을 기초로 상기 각 군집에 포함된 상기 결함 후보 픽셀들을 분류하여 상기 목표변수를 만족하는 상기 분류규칙을 생성하도록 구성되는 분류규칙 생성부;
를 포함하도록 구성되는 반도체 장치의 결함 검사 시스템.
◈청구항 33은(는) 설정등록료 납부시 포기되었습니다.◈

제 32 항에 있어서,
상기 복수의 속성값은 상기 결함 후보 픽셀들 각각의 극성, 명도, 모양, 크기, 위치를 포함하도록 구성되는 반도체 장치의 결함 검사 시스템.