KR102513717B1 - 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용 - Google Patents

픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용 Download PDF

Info

Publication number
KR102513717B1
KR102513717B1 KR1020217018222A KR20217018222A KR102513717B1 KR 102513717 B1 KR102513717 B1 KR 102513717B1 KR 1020217018222 A KR1020217018222 A KR 1020217018222A KR 20217018222 A KR20217018222 A KR 20217018222A KR 102513717 B1 KR102513717 B1 KR 102513717B1
Authority
KR
South Korea
Prior art keywords
image
processor
defect
wafer
pixels
Prior art date
Application number
KR1020217018222A
Other languages
English (en)
Other versions
KR20210080567A (ko
Inventor
하리 파싼지
시바프라사스 미낙시순다람
타나이 반살
Original Assignee
케이엘에이 코포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 케이엘에이 코포레이션 filed Critical 케이엘에이 코포레이션
Publication of KR20210080567A publication Critical patent/KR20210080567A/ko
Application granted granted Critical
Publication of KR102513717B1 publication Critical patent/KR102513717B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/244—Detection characterized by the detecting means
    • H01J2237/2448—Secondary particle detectors
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2803—Scanning microscopes characterised by the imaging method
    • H01J2237/2806—Secondary charged particle
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2809—Scanning microscopes characterised by the imaging problems involved
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Abstract

이미지에서 가능한 결함(probable defects)의 히트 맵(heat map)이 각 픽셀에 대응하는 결함 확률 인덱스의 매트릭스로 표현될 수 있다. 이미지는 주사 전자 현미경의 검출기 또는 다른 검사 툴로부터 수신된 데이터로부터 생성될 수 있다. 상기 매트릭스에서 대응하는 문턱값을 초과하는 상기 이미지에서의 픽셀의 수가 정량화될 수 있다.

Description

픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용
관련 출원에 대한 상호참조
본 출원은 2018년 11월 15일에 출원된 인도 특허출원 No. 201841042919에 우선권을 주장하며, 이 출원의 개시 내용은 여기에 참조로 포함된다.
본 개시는 결함 검출 및 분류에 관한 것이다.
반도체 제조 산업의 발전으로 수율(yield) 관리, 특히 계측 및 검사 시스템에 대한 요구가 커지고 있다. 임계 치수(critical dimensions)는 계속 축소되고 있지만, 업계는 고수율, 고부가가치 생산을 달성하기 위해 시간을 줄여야 한다. 수율 문제 감지에서 수정까지의 총 시간을 최소화하는 것이 반도체 제조업체의 투자 수익률을 결정한다.
논리 및 메모리 디바이스와 같은 반도체 디바이스를 제조하는 것은 일반적으로 반도체 디바이스의 다양한 피처(features) 및 다수의 레벨(multiple levels)을 형성하기 위해 다수의 제조 프로세스를 사용하여 반도체 웨이퍼를 처리하는 것을 포함한다. 예를 들어, 리소그래피는 패턴을 레티클(reticle)에서 반도체 웨이퍼 상에 배열된 포토레지스트로 전사하는 것을 포함하는 반도체 제조 프로세스이다. 반도체 제조 프로세스의 추가적인 예시는 화학적-기계적 연마(CMP), 에칭, 퇴적 및 이온 주입을 포함하지만 이에 제한되지 않는다. 다수의 반도체 디바이스가 단일의 반도체 웨이퍼 상에 배열로 제조된 다음 개개의 반도체 디바이스로 분리될 수 있다.
검사(inspection) 프로세스는 반도체 제조 동안 다양한 단계에서 웨이퍼 상의 결함을 검출하여 제조 프로세스에서 더 높은 수율, 따라서 더 높은 수익을 촉진하기 위해 사용된다. 검사는 집적회로(IC)와 같은 반도체 디바이스를 제조하는 데 항상 중요한 부분이었다. 그런데 반도체 디바이스의 크기가 감소함에 따라 작은 결함이 디바이스에 불량을 초래할 수 있기 때문에 검사는 허용가능한 반도체 디바이스의 성공적인 제조에 더욱 중요해진다. 예를 들어, 반도체 디바이스의 크기가 감소함에 따라 상대적으로 작은 결함이라도 반도체 디바이스에 원치 않는 수차(aberrations)를 유발할 수 있기 때문에 감소하는 크기의 결함에 대한 검출이 필요하게 되었다.
그러나, 설계 규칙이 축소됨에 따라 반도체 제조 프로세스는 그 프로세스의 수행 가능성(performance capability)에 대한 한계에 더 가깝게 동작하고 있을 수 있다. 또한, 설계 규칙이 축소됨에 따라 더 작은 결함이 디바이스의 전기적 파라미터에 영향을 미칠 수 있으며, 이는 더 예민한 검사를 추진시킨다. 설계 규칙이 축소됨에 따라 검사를 통해 검출된 잠재적인 수율-관련 결함의 모집단(population)이 급격히 증가하고, 검사로 검출된 뉴슨스(nuisance) 결함의 모집단도 크게 증가한다. 따라서, 더 많은 결함이 웨이퍼에서 검출될 수 있으며 모든 결함을 제거하기 위해 프로세스를 수정하는 것은 어렵고 비용이 많이 들수 있다. 어떤 결함이 실제로 디바이스의 전기적 파라미터와 수율에 영향을 미치는지 결정하는 것은 프로세스 제어 방법이 이들 결함에 초점이 맞춰지도록 허용하는 한편 다른 결함들은 대부분 무시할 수 있게 해준다. 또한, 더 작은 설계 규칙에서 프로세스로 인한 불량은, 경우에 따라 계통적인(systematic) 경향이 있다. 즉, 프로세스로 인한 불량은 설계 내에서 여러 번 반복되는 미리 결정된 설계 패턴에서 실패하는 경향이 있다. 공간적으로-계통적(spatially-systematic)이고, 전기적으로-연관된 결함의 제거는 수율에 영향을 미칠 수 있다.
결함 리뷰(defect review)는 일반적으로 고배율 광학 시스템 또는 주사 전자 현미경(SEM) 중 하나를 사용하는 검사 프로세스에 의해 표시되는(flagged) 결함의 고해상도 이미징 및 분류를 포함한다. 결함 리뷰는 전형적으로 검사에 의해 결함이 검출되었던 표본 상의 개별 위치에서 수행된다. 결함 리뷰에 의해 생성된 결함에 대해 더 높은 해상도의 데이터는 프로파일(profile), 거칠기(roughness) 또는 보다 정확한 크기 정보와 같은 결함의 속성을 결정하는 데 더욱 적합하다.
제조 동안 반도체 웨이퍼의 광학 검사는 일반적으로 느리고 수동적인 프로세스이다. 반도체 제조 공장(fabs)의 결함 팀은 보통 웨이퍼 검사에 광학 툴을 사용하지만 일반적으로 검증을 위해 결함에 대한 SEM 리뷰를 수행한다. 따라서, 광학 검사 툴에서 검사된 모든 레이어에 대해 샘플링된 결함 모집단(population)이 그 다음 SEM 툴에서 리뷰된다. 리뷰된 결함을 수동으로 분류하는 것은 지루하고 시간 소모적이다. 결함 분류와 관련된 시간과 노력을 절약하기 위해 제조 공장은 자동 검출 및 분류 스킴을 사용한다. 그러나 자동 검출 및 분류 스킴에는 한계가 있으며 사람에 의한 분류를 대체할 수 없다. 큰 계산 전력(computation power)을 필요로 하는 것 외에도 자동 검출 및 분류 스킴은 뉴슨스(nuisance) 또는 다수의 중요하지 않은 결함의 인스턴스(instances)에 취약하다. 반도체 레이어에 대한 최적의 검사 레시피는 가능한 한 많은 관심 결함(defects of interest, DOI)을 검출해야 하며 동시에 실질적으로 낮은 뉴슨스 비율(rate)을 유지해야 한다.
이전에는 결함의 픽셀 레벨 정량화(pixel level quantification)는 에지(edge) 검출 및 계산 또는 그레이레벨 차분 기반(difference based ) 알고리즘을 사용했다. 이러한 기술은 관심 구조에서 프로세스 변동으로 인한 변화에 유연하지 않다. 이미징 아티팩트(imaging artefacts)에 의해 초래된 그레이레벨 변화는 계산 오류의 원인을 유발하는 것으로 알려져 있다. 유사하게 보이는 의도된 및 프로세스로 인한 랜덤 결함 모드들 사이를 구별하는 것은 어렵거나 불가능할 수도 있다.
따라서, 결함 검출 및 분류를 위한 개선된 기술 및 시스템이 필요하다.
제1 실시형태에서 시스템이 제공된다. 시스템은 전자빔을 생성하는 전자빔 소스; 상기 전자빔의 경로에 웨이퍼를 유지하도록 구성된 스테이지; 상기 웨이퍼로부터 되돌아오는 전자빔을 수신하도록 구성된 검출기; 및 상기 검출기와 전자 통신하는 프로세서를 포함한다. 프로세서는 이미지에서 가능한 결함(probable defects)의 히트 맵(heat map)을 각 픽셀에 대응하는 결함 확률 인덱스(defect probability index)의 매트릭스로 표현하고, 상기 매트릭스에서 대응하는 문턱값(threshold)을 초과하는 상기 이미지에서의 픽셀의 수를 정량화하도록 구성된다. 상기 이미지는 상기 검출기에서 수신된 데이터로부터 생성된다.
시스템은 상기 프로세서에 의해 작동되는 딥 러닝(deep learning) 모듈을 더 포함할 수 있다. 상기 딥 러닝 모듈은 상기 이미지를 수신하고, 상기 이미지에 대한 결함 검출을 수행하고, 상기 이미지에 대한 결함 분류를 수행하도록 구성될 수 있다.
일 예에서, 상기 프로세서는 또한 상기 히트 맵을 결정하도록 구성된다.
상기 픽셀 중 하나에 대한 상기 대응하는 문턱값은 상기 픽셀 중 상기 하나와 상기 이미지 상에서 동일한 위치에 있을 수 있다.
상기 정량화는 픽셀 레벨 이미지 정량화에 사용될 수 있다.
상기 가능한 결함은 EUV 스토캐스틱스(stochastics) 또는 임계 치수 결함일 수 있다.
상기 이미지는 주사 전자 현미경 이미지일 수 있다.
제2 실시형태에서는 방법이 제공된다. 상기 방법은 프로세서를 이용하여 이미지에서 가능한 결함의 히트 맵을 각 픽셀에 대응하는 결함 확률 인덱스의 매트릭스로서 표현하는 단계, 및 상기 프로세서를 사용하여 상기 매트릭스에서 대응하는 문턱값을 초과하는 상기 이미지에서의 픽셀의 수를 정량화하는 단계를 포함한다. 상기 이미지는 검출기로부터 수신된 데이터로부터 생성된다.
상기 방법은 상기 프로세서에서 상기 이미지를 수신하는 단계, 상기 프로세서의 딥 러닝 모듈을 사용하여 상기 이미지에 대해 결함 검출을 수행하는 단계, 및 상기 프로세서의 상기 딥 러닝 모듈을 사용하여 상기 이미지에 대해 결함 분류를 수행하는 단계를 더 포함할 수 있다.
일 예에서, 상기 방법은 상기 프로세서를 이용하여 상기 히트 맵을 결정하는 단계를 더 포함한다.
상기 픽셀 중 하나에 대한 상기 대응하는 문턱값은 상기 픽셀 중 상기 하나와 상기 이미지 상에서 동일한 위치에 있을 수 있다.
상기 정량화는 픽셀 레벨 이미지 정량화에 사용될 수 있다.
상기 가능한 결함은 EUV 스토캐스틱스 또는 임계 치수 결함일 수 있다.
상기 이미지는 주사 전자 현미경 이미지일 수 있다.
일 예에서, 상기 방법은 상기 웨이퍼에 전자빔을 지향시키는 단계, 검출기로 상기 웨이퍼로부터 되돌아온 전자를 수집하는 단계, 및 상기 프로세서를 사용하여 상기 웨이퍼의 상기 이미지를 생성하는 단계를 더 포함한다.
프로그램을 저장하는 비-일시적 컴퓨터 판독가능한 매체는 프로세서가 제2 실시형태의 상기 방법을 실행하게 지시하도록 구성될 수 있다.
본 개시의 본질 및 목적에 대한 완전한 이해를 위해, 첨부된 도면과 함께 다음의 상세한 설명이 참조되어야 한다.
도 1은 본 개시에 따른 방법의 실시형태에 대한 흐름도이다.
도 2는 예시적인 SEM 이미지이다.
도 3은 두 개의 하단 브리지(bridges)(좌측), 종래 알고리즘의 결과(중앙) 및 SMARTS 알고리즘의 결과(우측)를 갖는 다른 예시적인 SEM 이미지를 포함한다.
도 4는 예시적인 웨이퍼 히트 맵(heat map)이다.
도 5는 두꺼운 박스 및 16.7의 값을 갖는 도 4의 영역에 대해 1x1 ㎛ SEM 시야의 평균 직경으로부터 개개의 콘택트 홀의 직경에 대한 편차 백분율 차트(좌측 상단), 문턱값 처리된(thresholded) 후에 결함이 있는 것으로 고려되는 픽셀을 보여주는 이진 이미지(우측 상단), 10x10 콘택트 홀 매트릭스의 1x1 ㎛ SEM 이미지(우측 하단) 및 결과(좌측 하단)를 예시한다.
도 6은 두꺼운 박스 및 19.4의 값을 갖는 도 4의 영역에 대해 1x1 ㎛ SEM 시야의 평균 직경으로부터 개개의 콘택트 홀의 직경에 대한 편차 백분율 차트(좌측 상단), 문턱값 처리된 후에 결함이 있는 것으로 고려되는 픽셀을 보여주는 이진 이미지(우측 상단), 10x10 콘택트 홀 매트릭스의 1x1 ㎛ SEM 이미지(우측 하단) 및 결과(좌측 하단)를 예시한다.
도 7은 두꺼운 박스 및 15.7의 값을 갖는 도 4의 영역에 대해 1x1 ㎛ SEM 시야의 평균 직경으로부터 개개의 콘택트 홀의 직경에 대한 편차 백분율 차트(좌측 상단), 문턱값 처리된 후에 결함이 있는 것으로 고려되는 픽셀을 보여주는 이진 이미지(우측 상단), 10x10 콘택트 홀 매트릭스의 1x1 ㎛ SEM 이미지(우측 하단) 및 결과(좌측 하단)를 예시한다.
도 8은 두꺼운 박스 및 17.1의 값을 갖는 도 4의 영역에 대해 1x1 ㎛ SEM 시야의 평균 직경으로부터 개개의 콘택트 홀의 직경에 대한 편차 백분율 차트(좌측 상단), 문턱값 처리된 후에 결함이 있는 것으로 고려되는 픽셀을 보여주는 이진 이미지(우측 상단), 10x10 콘택트 홀 매트릭스의 1x1 ㎛ SEM 이미지(우측 하단) 및 결과(좌측 하단)를 예시한다.
도 9는 도 5의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다.
도 10은 도 6의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다.
도 11은 도 7의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다.
도 12는 도 8의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다.
도 13은 도 5-8의 이미지에 대한 결과 표이다.
도 14는 본 개시에 다른 시스템의 블록도이다.
청구된 발명이 특정 실시형태의 관점에서 설명될 것이지만, 여기에 설명된 모든 이점 및 특징을 제공하지는 않는 실시형태를 포함하여 다른 실시형태도 본 개시의 범위 내에 있다. 본 개시의 범위를 벗어나지 않고 다양한 구조적, 논리적, 프로세스 단계 및 전자적 변경이 이루어질 수 있다. 따라서, 본 개시의 범위는 첨부된 청구 범위를 참조하여서만 정의된다.
여기에 개시된 실시형태는 픽셀 레벨 이미지 정량화(quantification)를 위해 딥 러닝(deep learning)-기반 결함 검출 및/또는 분류 네트워크를 사용한다. 예를 들어, 딥 러닝은 SEM 이미지의 픽셀 레벨 정량화에 사용될 수 있다. 이것은 극자외선(extreme ultraviolet, EUV) 스토캐스틱스(stochastics) 비율 정량화 또는 임계 치수(critical dimension, CD) 측정/비교와 같은 응용 분야에서 사용될 수 있다. 여기에 개시된 실시형태는 리뷰 툴 또는 검사 툴을 위한 기존의 결함 검출 또는 분류 스킴에 통합될 수 있다.
딥 러닝-기반 결함 검출 및 분류 알고리즘은 픽셀 레벨 SEM 이미지 정량화를 제공할 수 있다. 반도체 제조업체는 이미지의 픽셀 레벨 정량화가 필요할 수 있다. 예를 들어, 픽셀 레벨 정량화는 패턴 폭, 갭, 거리 또는 직경과 같은 구조의 특정 기하학적 파라미터가 상기 구조의 두 에지 또는 코너 사이의 픽셀 수를 정량화함으로써 측정될 때 임계 치수 측정에 사용될 수 있다. 픽셀 레벨 정량화는 EUV 스토캐스틱스에도 사용될 수 있다. EUV 스토캐스틱스 응용의 목적은 특정 결함 모드를 발생시키는 특정 SEM 이미지에서 결함이 있는 픽셀의 수를 정량화하는 것이다. 이러한 결함이 있는 픽셀들은 확실히 반복되는 것(hard repeaters)도 아니고 프로세스 결함처럼 완전히 랜덤(random)하지도 않다. 이러한 응용 및 기타 응용을 위해, 바람직한 결과를 제공하기 위해 픽셀 레벨 정확도로 이미지(예를 들어, SEM 이미지)를 정량화하는 것이 필요할 수 있다. 불량 픽셀과 양호한 픽셀의 수가 카운트되기 때문에 픽셀 레벨 정확도가 필요할 수 있다. 예를 들어, 스토캐스틱스는 패터닝 프로세스에서 분자 수준의 부정확성으로 인해 발생할 수 있으며, 이는 웨이퍼 상에 픽셀 또는 심지어 서브-픽셀 레벨의 불량을 초래한다. 딥 러닝-기반 결함 검출 및 분류 알고리즘은 픽셀 레벨 정확도로 SEM 이미지의 정량화를 제공할 수 있다.
여기에 개시된 실시형태는 픽셀 정량화를 위해 (KLA-Tencor Corporation의 SMARTS와 같은) 딥 러닝-기반 결함 검출 및 분류를 사용한다. 이는 딥 러닝 알고리즘이 DOI에만 표시를 하고(flag) 동시에 DOI와 구조적으로 또는 형태학적으로 유사하더라도 랜덤한 프로세스로 인한 결함은 표시하지 않도록, 적절한 방식으로 특정 이미지 세트를 트레이닝함으로써 달성된다.
딥 러닝-기반 결함 검출 및 분류로부터의 결과는 정량화될 수 있다. 도 1은 방법(100)의 일 실시형태에 대한 흐름도이다.
단계(101)에서, SEM 이미지와 같은 이미지에서의 가능한 결함(probable defects)의 히트 맵(heat map)이 각 픽셀에 대응하는 결함 확률 인덱스의 매트릭스(matrix)로 표현된다. 상기 가능한 결함은 EUV 스토캐스틱스, 임계 치수 결함, 브리지(bridges), 라인 끊어짐(line breaks), 돌출(protrusions), 누락된 콘택트(missing contacts), 병합된 콘택트(merged contacts), 수축된 콘택트(shrunk contacts) 또는 기타 유형의 결함일 수 있다. 상기 이미지는 SEM에 있는 검출기와 같은 검출기로부터 수신된 데이터로부터 생성된다.
상기 이미지는 그레이레벨 이미지일 수 있거나 흑백 이미지일 수 있다. 매트릭스는 0(zeroes)과 1(ones)이 될 수 있다. 0은 결함에 해당할 수 있다. 그레이레벨 이미지에서는, 차분(differences)이 인위적으로 유도되거나(예를 들어, 아티팩트(artefacts)) 프로세스 변동(variations)일 수 있다. 이러한 차분은 결함이 아닐 수 있다.
단계(102)에서, 상기 매트릭스에서 대응하는 문턱값(threshold)을 초과하는 상기 이미지에서의 픽셀의 수가 정량화된다. 픽셀 중 하나에 대한 상기 대응하는 문턱값은 그 픽셀과 상기 이미지 상에서 동일한 위치에 있을 수 있다. 따라서, 각 픽셀은 문턱값을 가질 수 있고, 이미지의 일부가 문턱값을 가질수 있거나, 전체 이미지가 문턱값을 가질 수 있다. 단계(102)는 이미지 또는 이미지의 일부에서 불량인 픽셀의 수를 정량화할 수 있다. 정량화는 숫자 또는 총 픽셀에 대한 백분율로 표현될 수 있다. 이 경우 문턱값보다 작은 픽셀은 결함이 없는 것으로 고려되고 상기 문턱값보다 크거나 같은 픽셀은 결함이 있는 것으로 고려될 수 있지만, 또 다른 경우에는 문턱값보다 작거나 같은 픽셀이 결함이 있는 것으로 고려될 수 있다.
뉴슨스 비율은 검출 문턱값 파라미터를 사용하여 필요한 수준으로 조정될 수 있다. 따라서, 상기 문턱값은 응용분야 또는 원하는 감도에 따라 조정될 수 있다.
픽셀을 정량화하는 것은 픽셀 레벨 이미지 정량화를 사용하거나 포함할 수 있다.
단계(101, 102)는 결함 검출 및 결함 분류 동안 실시간으로 수행될 수 있다. 단계(101, 102)는 프로세서에서 수행될 수 있다. 방법(100)은 도 14의 전자 데이터 저장 유닛(209)과 같은 비-일시적 컴퓨터 판독가능한 매체에 저장될 수 있다.
일 예에서, 이미지가 프로세서에 수신된다. 결함 검출 및 결함 분류가 프로세서의 딥 러닝 모듈을 사용하여 상기 이미지에 대해 수행된다. 히트 맵이 프로세서에 의해 생성될 수 있다. 딥 러닝 모듈은 예를 들어, 결함 코드가 있는 예시적인 이미지로 트레이닝될 수 있다. 일 예에서, 콘택트 홀(contact hole) 이미지가 딥 러닝 모듈을 트레이닝하는 데 사용된다. 콘택트 홀을 위한 이상적인 크기에 대한 콘택트 홀 크기가 결함을 식별하는 데 사용될 수 있다.
결함 검출 및 분류는 정량적 아웃풋(output)을 제공할 수 있다. 정량적 아웃풋은 정량화에 사용될 수 있다. 비 정량적(non-quantitative) 아웃풋은 정량화 계산에 사용하기가 더 어려울 수 있다.
딥 러닝-기반 픽셀 정량화는 실제의 DOI에 민감할 수 있으며 동시에 랜덤 프로세스로 인한 변동은 성공적으로 무시할 수 있다. 여기에 개시된 실시형태는 트레이닝 세트로부터의 임계 치수 예측에서 +/- 2 % 정확도(accuracy)까지 정확할 수 있으며, 이는 기존 기술의 오류 예상보다 훨씬 낮다. 여기에 개시된 실시형태들을 사용하는 일 예에서는, 의도된 또는 랜덤 프로세스로 인한 임계 치수 변화(modulations) 이상의(beyond) 임계 치수 예측에서 +/- 1 % 정확도까지의 감도(sensitivity)가 가능하다.
여기에 개시된 실시형태는 기존의 검출 플랫폼 또는 분류 플랫폼에 통합될 수 있고, 최적화를 위해 기존 파라미터 공간(parameter space)을 사용할 수 있다.
일 실시예에서, 현상후검사(after development inspection, ADI) 단계(포스트-리소그래피(post-lithography))의 EUV 콘택트 홀(CH) 어레이의 테스트 레이어가 사용되었다. 그러나, 여기에 개시된 기술은 임의의 비-ADI 단계에 대해 유효할 수 있다. 테스트 세트는 0.5 ㎛ 시야의 SEM 이미지를 사용한다. SEM 이미지는 도 2에 도시된 것과 같은 100 개의 콘택트 홀을 가지거나, 다른 수의 콘택트 홀을 가질 수 있다.
이 실시예에서 각각의 시야의 평균 임계 치수의 10 %를 초과하여 크기가 더 작은 콘택트 홀들은 결함이 있는 것으로 고려된다. 그러나, 제조 요구사항에 따라 임의의 제한이 적용될 수 있다.
딥 러닝 기반 결함 검출 알고리즘이 특정 이미지에서의 나머지 콘택트 홀보다 일정 퍼센트만큼 더 작은 검증 세트 이미지들에서의 콘택트 홀을 식별하기 위해 트레이닝되고 사용된다. 딥 러닝 접근 방식이 결함이 있는 콘택트 홀을 식별할 수 있다면, 그것은 이미지에서의 결함 있는 픽셀의 수를 정량화하는 데 사용될 수 있다. 픽셀 레벨 정량화는 EUV 스토캐스틱스 불량률(failure rate)을 정량화하는 것을 포함하여 많은 응용 분야를 갖는다. EUV 스토캐스틱스 불량은 작은 규모의 영역에 걸친 구조의 임계 치수 변동에 의해 또는 이미지에서 누락된 구조(예를 들어, 픽셀)를 가지는 것에 의해 그것들 자체가 나타날 수 있다.
EUV 리소그래피에 의해 노출된 콘택트 홀 어레이의 초점 노출 매트릭스(focus exposure matrix, FEM) 웨이퍼가 이 실시예의 테스트 재료로 사용될 수 있다. 웨이퍼 상의 모든 다이(die)에 대해 하나의 SEM 이미지(0.5 ㎛ 시야)가 생성될 수 있다. 각각의 SEM 이미지는 그 안에 100 개의 콘택트 홀을 가질 수 있다.
히트 맵이 일단 생성되면, 이 히트 맵은 (예를 들어, 0 내지 100의 스케일로) 각각의 픽셀이 결함이 있을 확률을 나타내는 확률 인덱스들의 매트릭스로 변환된다. 적용되는 문턱값에 따라, 특정 인덱스를 넘는 확률 인덱스를 가진 픽셀은 결함이 있는 것으로 고려된다. 주어진 SEM 이미지 또는 광학 패치(optical patch)에서 이러한 픽셀의 총 합계는 불량 픽셀의 총 수로 제공된다. 이것은 이미지의 총 픽셀 수에 대해 정규화될 수 있으며, 데이터에서 스토캐스틱스 불량률로 제시될 수 있다.
트레이닝 세트는, 예를 들면 변화하는 평균 임계 치수(예를 들어, 직경)로 이미지를 고려함(factoring in)으로써 더 최적화되어 뉴슨스를 더욱 감소시킬 수 있다. 참조로 설계 클립(design clips)을 사용하는 것과 같은 D2DB 가능(enabled) 트레이닝은 픽셀 레벨 정량화에 대해 뉴슨스 감소의 결과를 가져올 수도 있다. D2DB는 반도체 또는 디바이스 설계가 참조로 사용되는 결함 검출 기술이다. SEM 이미지 또는 광학 패치는 특정 위치의 설계 클립과 비교되며 상기 설계에 대하여 상기 이미지의 임의의 이상(anomaly)은 결함 픽셀(들)로 표시된다.
딥 러닝 알고리즘은 작은 임계 치수 변화에 민감할 수 있으므로, 이는 하나의 구조에 걸쳐 국부적인 임계 치수 변동을 평가하는 데 사용될 수 있다. 결함을 정량화하는 방법을 제공하는 것 외에도, 정량화를 결정하는 것(determining)이 픽셀 레벨 결함 검출에 사용되는 알고리즘의 성능을 향상시키기 위해 실행될 수 있다.
도 3 내지 13은 검출 문턱값 파라미터를 사용하여 뉴슨스 비율을 필요한 수준으로 조절하는 것을 도시한다. 콘택트 홀들의 하나의 모집단(population)의 평균 CD에 따라, 문턱값(Thr)은 최적의 검출 결과를 제공하기 위해 상이하다.
도 3은 두 개의 하단 브리지(좌측), 종래 알고리즘의 결과(중앙) 및 SMARTS 알고리즘의 결과(우측)가 있는 예시적인 SEM 이미지를 포함한다. SMARTS 딥-러닝 엔진은 종래의 알고리즘보다 SEM 이미지에서의 결함을 더 잘 검출하고 분류할 수 있다. 도 3에서 종래의 알고리즘은 높은 노이즈를 갖는다.
도 4는 각 다이로부터의 하나의 SEM 이미지에서 100 개의 콘택트 홀의 평균 직경(예를 들어, 임계 치수)에 대한 예시적인 웨이퍼 히트 맵이다. 이 실시예에는 EUV 스토캐스틱스가 있다. 상기 EUV 스토캐스틱스는 대량 생산에서 EUV에 대한 게이팅 요인(gating factor)이 될 수 있다. 이 실시예에서 EUV 리소그래피(13.5 nm 광)는 스케일링 가능자(scaling enabler)(< 7nm 노드)일 수 있다. 스토캐스틱스는 랜덤한(예를 들어, 국부적 및/또는 전체적) 구조적 변동(variations)일 수 있다. 근본 원인은 재료, 스캐너 파라미터 또는 구조적 종속성일 수 있다.
도 4의 히트 맵에서 두꺼운 검정색 테두리 안에 있는 3 개 다이의 SEM 이미지에서(평균 직경 16.7, 17.2 및 17.2), 상기 해당 이미지에서 100 개의 콘택트 홀의 평균 임계 치수의 10 %보다 더 작은 모든 개개의 콘택트 홀이 결함 있는 것으로 식별될 딥 러닝 모델을 트레이닝하는 데 사용되었다. 이 딥 러닝 모델을 사용하여, 두꺼운 테두리(평균 직경 15.7, 17.1 및 19.4)로 표시된 3 개의 개개의 다이로부터의 SEM 이미지가 결함 있는 콘택트 홀을 식별하는 데 있어서의 딥 러닝 모델의 성능을 평가하기 위해 검증 이미지로 사용되었다.
도 5 내지 8에서, 우측 하단 이미지는 콘택트 홀 매트릭스의 1x1 ㎛ SEM 이미지를 보여준다. 도 5 내지 8에서 좌측 상단 이미지는 상기 1x1 ㎛ SEM 시야의 평균 직경으로부터 개개의 콘택트 홀에 대한 직경의 퍼센트 편차(deviation)를 보여준다. 도 5 내지 8의 우측 상단 이미지는 문턱값 처리된(thresholded) 후 결함이 있는 것으로 고려되는 픽셀을 보여주는 이진(binary) 이미지를 도시한다. 수축된 콘택트 홀 상에 누락된(missing) 픽셀들은, 존재하는 경우, 이들 콘택트 홀의 직경이 상기 SEM 시야의 평균 직경과 유사할 것이다. 이는 불량 픽셀의 수를 계산하는 데 사용된다. 도 5 내지 8에서 좌측 하단 이미지는 SEM 시야의 평균 직경에서 10 %를 초과하여 더 작은 콘택트 홀들을 도시하고, 이들은 -1로 표시된다. 0으로 표시된 콘택트 홀들은 SEM 시야의 상기 평균에서 10 %를 초과하여 수축된 것이 아니다. 도 5는 도 4의 두꺼운 박스 및 16.7의 값을 갖는 영역에 해당한다. 도 6은 도 4의 두꺼운 박스 및 19.4의 값을 갖는 영역에 해당한다. 도 7은 도 4의 두꺼운 박스 및 15.7의 값을 갖는 영역에 해당한다. 도 8은 도 4의 두꺼운 박스 및 17.1의 값을 갖는 영역에 해당한다.
도 5 내지 8에서, 라벨 A-F는 다음을 나타낸다. A는 실제 결함 캡처(CH 수축 > 10 %)를 나타내고, B는 허용가능한 뉴슨스(CH 수축 = 8-10 %)을 나타낸다. C는 그로스(gross) 뉴슨스(CH 수축 ≤≤ 10 %). D는 허용가능한 누락(miss)(CH 수축 = 8-10 %)을 나타낸다. E는 주석이 없는 결함 유형을 나타낸다. F는 그로스 누락(CH 수축 >> 10 %)을 나타낸다. 이들 라벨은 도 13에도 도시되어 있다.
도 9는 도 5의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다. 도 10은 도 6의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다. 도 11은 도 7의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다. 도 12는 도 8의 SEM 이미지에서 콘택트 홀의 임계 치수 직경에 대한 차트이다.
도 5에서 SFR은 4.7x10-3 / Thr = 60이다. 도 6에서 SFR은 7.6x10-4 / Thr = 50이다. 도 7에서 SFR은 8.2x10-3 / Thr = 65이다. 도 8에서 SFR은 3.3x10-3 / Thr = 60이다.
도 13은 도 5 내지 8의 이미지에 대한 결과 표이다. 결과에서 알 수 있듯이, SMARTS는 트레이닝 세트에서 약 2 % 정확도(accuracy)의 CD 변경에 민감하다. 이러한 결과는 딥 러닝 검출 알고리즘이 EUV 스토캐스틱스 비율 또는 기타 픽셀 레벨 정량화를 성공적으로 정량화할 수 있음을 보여준다. 브리지(bridges), 돌출(protrusions) 또는 개방(opens)으로 인해 발생되는 결함 픽셀 수를 정량화하기 위한 라인/공간 구조에 대한 유사한 연습이 마찬가지로 성공할 것으로 예상된다. 트레이닝(예를 들어, D2DB 트레이닝)은 뉴슨스를 감소시키기 위해 더 최적화될 수 있다.
도 14는 시스템(200)의 블록도이다. 시스템(200)은 웨이퍼(204)의 이미지를 생성하도록 구성된 웨이퍼 검사 툴(전자 칼럼(electron column)(201)을 포함함)을 포함한다. 시스템(200)은 또한 검사 툴 대신 리뷰 툴로서 구성될 수 있다.
웨이퍼 검사 툴은 적어도 에너지 소스 및 검출기를 포함하는 아웃풋(output) 획득 서브시스템을 포함한다. 아웃풋 획득 서브 시스템은 전자빔-기반 아웃풋 획득 서브시스템일 수 있다. 예를 들어, 일 실시형태에서, 웨이퍼(204)로 지향되는 에너지는 전자를 포함하고, 웨이퍼(204)로부터 검출된 에너지는 전자를 포함한다. 이러한 방식으로, 에너지 소스는 전자빔 소스일 수 있다. 도 14에 도시된 하나의 그러한 실시형태에서, 아웃풋 획득 서브 시스템은 컴퓨터 서브시스템(202)에 연결된 전자 칼럼(201)을 포함한다. 스테이지(210)는 웨이퍼(204)를 유지할 수 있다.
또한 도 14에 도시된 바와 같이, 전자 칼럼(201)은 하나 이상의 요소(elements)(205)에 의해 웨이퍼(204)에 집속되는 전자를 생성하도록 구성된 전자빔 소스(203)를 포함한다. 전자빔 소스(203)는 예를 들어, 캐소드 소스(cathode source) 또는 에미터 팁(emitter tip)을 포함할 수 있다. 하나 이상의 요소(205)는 예를 들어, 건 렌즈(gun lens), 애노드(anode), 빔 제한 애퍼처(beam limiting aperture), 게이트 밸브(gate valve), 빔 전류 선택 애퍼처(beam current selection aperture), 대물 렌즈(objective lens) 및 스캐닝 서브시스템을 포함할 수 있으며, 이들 모두는 이 기술분야에 알려진 임의의 그와 같은 적절한 요소를 포함할 수 있다.
웨이퍼(204)로부터 되돌아온 전자(예를 들어, 2차 전자)는 하나 이상의 요소(206)에 의해 검출기(207)로 집속될 수 있다. 하나 이상의 요소(206)는 예를 들면 요소(들)(205)에 포함된 동일한 스캐닝 서브시스템일 수 있는 스캐닝 서브시스템을 포함할 수 있다.
전자 칼럼(201)은 또한 이 기술분야에 공지된 임의의 다른 적절한 요소를 포함할 수 있다.
도 14에는 전자 칼럼(201)이 전자가 비스듬한 입사각으로 웨이퍼(204)로 지향되고 또 다른 비스듬한 각도로 웨이퍼(204)로부터 산란되도록 구성되는 것으로 도시되지만, 전자빔은 임의의 적절한 각도로 웨이퍼(204)로 지향되고 웨이퍼(204)로부터 산란될 수 있다. 또한, 전자빔-기반 아웃풋 획득 서브시스템은 웨이퍼(204)의 이미지를 생성하기 위해 다중 모드를 사용하도록 구성될 수 있다(예를 들어, 상이한 조명 각도, 수집 각도 등). 전자빔-기반 아웃풋 획득 서브시스템의 상기 다중 모드는 아웃풋 획득 서브시스템의 임의의 이미지 생성 파라미터에서 상이할 수 있다.
전술한 바와 같이 컴퓨터 서브시스템(202)은 검출기(207)에 연결될 수 있다. 검출기(207)는 웨이퍼(204)의 표면으로부터 되돌아온 전자를 검출하여 웨이퍼(204)의 전자빔 이미지를 형성할 수 있다. 전자빔 이미지는 임의의 적절한 전자빔 이미지를 포함할 수 있다. 컴퓨터 서브시스템(202)은 검출기(207)의 아웃풋 및/또는 전자빔 이미지를 사용하여 여기에 설명된 임의의 기능을 수행하도록 구성될 수 있다. 컴퓨터 서브시스템(202)은 여기에 설명된 임의의 추가 단계(들)를 수행하도록 구성될 수 있다. 도 14에 도시된 아웃풋 획득 서브시스템을 포함하는 시스템(200)은 또한 여기에 설명된 바와 같이 구성될 수 있다.
도 14는 여기에 설명된 실시형태들에서 사용될 수 있는 전자빔-기반 아웃풋 획득 서브시스템의 구성을 일반적으로 예시하기 위해 제공된다는 점이 언급된다. 여기에 설명된 전자빔-기반 아웃풋 획득 서브시스템 구성은, 상용 아웃풋 획득 시스템을 설계할 때 일반적으로 수행되듯이 아웃풋 획득 서브시스템의 성능을 최적화하기 위해 변경될 수 있다. 또한, 여기에 설명된 시스템은 (예를 들어, 기존 시스템에 여기에 설명된 기능을 추가함으로써) 기존 시스템을 사용하여 구현될 수 있다. 이러한 일부 시스템의 경우, 여기에 설명된 방법은 (예를 들어, 시스템의 다른 기능에 추가하여) 상기 시스템의 선택적 기능으로 제공될 수 있다. 대안적으로, 여기에 설명된 시스템은 완전히 새로운 시스템으로 설계될 수 있다.
아웃풋 획득 서브시스템이 전자빔-기반 아웃풋 획득 서브 시스템인 것으로 위에서 설명되었지만, 아웃풋 획득 서브 시스템은 이온빔-기반 출력 획득 서브시스템일 수 있다. 이러한 아웃풋 획득 서브시스템은 전자빔 소스가 이 기술분야에 알려진 임의의 적합한 이온빔 소스로 대체될 수 있다는 점을 제외하고는 도 14에 도시된 바와 같이 구성될 수 있다. 또한, 아웃풋 획득 서브시스템은 상업적으로 이용가능한 집속 이온빔(focused ion beam, FIB) 시스템, 헬륨 이온 현미경(helium ion microscopy, HIM) 시스템 및 2차 이온 질량 분석기(secondary ion mass spectroscopy, SIMS) 시스템에 포함된 것과 같은 임의의 다른 적절한 이온빔-기반 아웃풋 획득 서브시스템일 수 있다.
컴퓨터 서브시스템(202)은 프로세서(208) 및 전자 데이터 저장 유닛(209)을 포함한다. 프로세서(208)는 마이크로 프로세서, 마이크로 컨트롤러 또는 기타 장치를 포함할 수 있다.
컴퓨터 서브 시스템(202)은 프로세서(208)가 아웃풋을 수신할 수 있도록 임의의 적절한 방식(예를 들어, 유선 및/또는 무선 전송 매체를 포함할 수 있는 하나 이상의 전송 매체를 통해)으로 시스템(200)의 구성요소에 결합될 수 있다. 프로세서(208)는 상기 아웃풋을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 웨이퍼 검사 툴은 프로세서(208)로부터 명령 또는 다른 정보를 수신할 수 있다. 프로세서(208) 및/또는 전자 데이터 저장 유닛(209)은 추가 정보를 수신하거나 명령을 전송하기 위해 선택적으로 다른 웨이퍼 검사 툴, 웨이퍼 계측 툴 또는 웨이퍼 리뷰 툴(미도시)과 전자 통신할 수 있다.
프로세서(208)는 검출기(207)와 같은 웨이퍼 검사 툴과 전자 통신한다. 프로세서(208)는 검출기(207)로부터의 측정을 사용하여 생성된 이미지를 처리하고 매트릭스에서 대응하는 문턱값을 초과하는 이미지에서의 픽셀의 수를 정량화하도록 구성될 수 있다. 예를 들어, 프로세서는 방법(100)의 실시형태를 수행할 수 있다.
여기서 설명된 컴퓨터 서브시스템(202), 다른 시스템(들) 또는 다른 서브시스템(들)은 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 기기, 인터넷 기기, 또는 기타 장치를 포함하는 다양한 시스템의 일부일 수 있다. 서브시스템(들) 또는 시스템(들)은 병렬 프로세서(parallel processor)와 같은 이 기술분야에 알려진 임의의 적절한 프로세서를 또한 포함할 수 있다. 또한, 서브시스템(들) 또는 시스템(들)은 독립형 또는 네트워크화된 툴로서 고속 프로세싱 및 소프트웨어를 구비한 플랫폼을 포함할 수 있다.
프로세서(208) 및 전자 데이터 저장 유닛(209)은 시스템(200) 또는 다른 장치에 배치되거나 또는 아니면 그 일부일 수 있다. 일 실시예에서, 프로세서(208) 및 전자 데이터 저장 유닛(209)은 독립형 제어 유닛의 일부이거나 중앙 집중식 품질 제어 유닛에 있을 수 있다. 다수의 프로세서(208) 또는 전자 데이터 저장 유닛(209)이 사용될 수 있다.
프로세서(208)는 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 실제로 구현될 수 있다. 또한, 여기에 설명된 그 기능은 하나의 유닛에 의해 수행될 수 있거나, 각각이 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 차례로 구현될 수 있는 서로 다른 구성요소 간에 나누어질 수 있다. 프로세서(208)가 다양한 방법 및 기능을 구현하기 위한 프로그램 코드 또는 명령은 전자 데이터 저장 유닛(209)의 메모리 또는 기타 메모리와 같은 판독가능한 저장 매체에 저장될 수 있다.
시스템(200)이 하나 이상의 컴퓨터 서브시스템(202)을 포함하는 경우, 상이한 서브시스템들은 이미지, 데이터, 정보, 명령 등이 서브시스템 간에 전송될 수 있도록 서로 결합될 수 있다. 예를 들어, 하나의 서브시스템은 이 분야에 알려진 임의의 적절한 유선 및/또는 무선 전송 매체를 포함할 수 있는 임의의 적절한 전송 매체에 의해 추가적인 서브시스템(들)에 결합될 수 있다. 이러한 서브시스템 중 둘 이상은 또한 공유된 컴퓨터-판독가능한 저장 매체(미도시)에 의해 효과적으로 결합될 수 있다.
프로세서(208)는 시스템(200)의 아웃풋 또는 다른 아웃풋을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 예를 들어, 프로세서(208)는 상기 아웃풋을 전자 데이터 저장 유닛(209) 또는 다른 저장 매체로 전송하도록 구성될 수 있다. 프로세서(208)는 또한 여기에 설명된 바와 같이 구성될 수 있다.
프로세서(208) 또는 컴퓨터 서브시스템(202)은 결함 리뷰 시스템, 검사 시스템, 계측 시스템 또는 일부 다른 유형의 시스템의 부분일 수 있다. 따라서, 여기에 개시된 실시형태는 상이한 응용에 다소 적합한 상이한 능력을 갖는 시스템에 대해 다수의 방식으로 맞춤화될(tailored) 수 있는 일부 구성을 기술한다.
프로세서(208)는 여기에 설명된 임의의 실시형태에 따라 구성될 수 있다. 프로세서(208)는 또한 시스템(200)의 아웃풋을 사용하거나 다른 소스로부터의 이미지 또는 데이터를 사용하여 다른 기능 또는 추가 단계를 수행하도록 구성될 수 있다.
일 예에서, 프로세서(208)는 검출기(207)와 전자 통신한다. 프로세서(208)는 각 픽셀에 대응하는 결함 확률 인덱스의 매트릭스로서 이미지에서 가능한 결함(probable defects)의 히트 맵을 나타내도록 구성된다. 상기 이미지는 검출기로부터 수신된 데이터에서 생성된다. 프로세서(208)는 또한 상기 매트릭스에서 대응하는 문턱값을 초과하는 상기 이미지에서의 픽셀의 수를 정량화하도록 구성된다. 픽셀 중 하나에 대한 상기 대응하는 문턱값은 그 픽셀과 동일한 위치에 있다. 프로세서(208)는 또한 상기 히트 맵을 결정하도록 구성될 수 있다.
프로세서(208)는 이미지를 수신하고, 이미지에 대한 결함 검출을 수행하고, 이미지에 대한 결함 분류를 수행하도록 구성된 딥 러닝 모듈을 동작시킬 수 있다. 딥 러닝 모듈은 컨볼루션 신경망(convolution neural network)과 같은 신경망 또는 다른 유형의 딥 러닝 시스템일 수 있다.
프로세서(208)는 이 기술분야에 알려진 임의의 방식으로 시스템(200)의 다양한 구성요소 또는 서브-시스템 중 임의의 것에 통신가능하게 결합될 수 있다. 더욱이, 프로세서(208)는 유선 및/또는 무선 부분을 포함할 수 있는 전송 매체에 의해 다른 시스템으로부터 데이터 또는 정보(예를 들어, 리뷰 툴, 설계 데이터 등을 포함하는 원격 데이터베이스와 같은 검사 시스템으로부터의 검사 결과)를 수신 및/또는 획득하도록 구성될 수 있다. 이러한 방식으로, 전송 매체는 프로세서(208)와 시스템(200)의 다른 서브시스템 또는 시스템(200) 외부의 시스템 사이의 데이터 링크로서 기능할 수 있다.
여기에 개시된 시스템(200) 및 방법의 다양한 단계, 기능 및/또는 동작은 전자 회로, 논리 게이트, 멀티플렉서, 프로그램가능 논리 디바이스, ASIC, 아날로그 또는 디지털 제어/스위치, 마이크로컨트롤러, 또는 컴퓨팅 시스템 중 하나 이상에 의해 수행된다. 여기에 설명된 것과 같은 방법을 구현하는 프로그램 명령은 캐리어 매체(carrier medium)를 통해 전송되거나 저장될 수 있다. 캐리어 매체는 읽기-전용 메모리, 랜덤 액세스 메모리, 자기 또는 광 디스크, 비-휘발성 메모리, 솔리드 스테이트(solid state) 메모리, 자기 테이프 등과 같은 저장 매체를 포함할 수 있다. 캐리어 매체는 유선, 케이블 또는 무선 전송 링크와 같은 전송 매체를 포함할 수 있다. 예를 들어, 본 개시 전반에 걸쳐 설명된 다양한 단계들은 단일의 프로세서(208)(또는 컴퓨터 서브시스템(202)), 또는 대안적으로 다수의 프로세서(208)(또는 다수의 컴퓨터 서브시스템(202))에 의해 수행될 수 있다. 더욱이, 시스템(200)의 상이한 서브-시스템은 하나 이상의 컴퓨팅 또는 논리 시스템을 포함할 수 있다. 따라서, 상기한 설명은 단지 예시일 뿐이고 본 발명에 대한 제한으로 해석되어서는 안된다.
방법의 각 단계는 여기에 설명된 대로 수행될 수 있다. 방법은 또한 여기에 설명된 프로세서 및/또는 컴퓨터 서브시스템(들) 또는 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 단계들은 여기에 설명된 임의의 실시형태에 따라 구성될 수 있는 하나 이상의 컴퓨터 시스템에 의해 수행될 수 있다. 또한, 위에서 설명된 방법은 여기에 설명된 임의의 시스템 실시형태에 의해 수행될 수 있다.
본 개시가 하나 이상의 특정 실시형태에 관하여 설명되었지만, 본 개시에 대한 다른 실시형태가 본 개시의 범위를 벗어나지 않고 만들어질 수 있다는 것이 이해될 것이다. 따라서, 본 발명은 첨부된 청구범위 및 그 합리적인 해석에 의해서만 제한되는 것으로 간주된다.

Claims (18)

  1. 시스템으로서,
    전자빔을 생성하는 전자빔 소스;
    상기 전자빔의 경로에 웨이퍼를 유지하도록 구성된 스테이지;
    상기 웨이퍼로부터 되돌아오는 상기 전자빔을 수신하도록 구성된 검출기;
    상기 검출기와 전자 통신하는 프로세서; 및
    상기 프로세서에 의해 작동되는 딥 러닝(deep learning) 모듈
    을 포함하고,
    상기 딥 러닝 모듈은,
    상기 검출기로부터 수신된 데이터로부터 생성된 이미지를 수신하고; 및
    상기 이미지에 대한 결함 검출 및 결함 분류를 수행하여, 이로써 가능한(probable) 결함을 결정하도록
    구성되고,
    상기 프로세서는,
    상기 이미지의 각 픽셀에 대응하는 결함 확률 인덱스의 매트릭스(matrix)로서 상기 이미지에서의 상기 답 러닝 모듈로부터 상기 가능한 결함의 히트 맵(heat map)을 표현하고 - 상기 히트 맵은, 상기 웨이퍼의 적어도 일부를 포함하고, 상기 이미지에서의 피쳐들의 측정에 기초함 -; 그리고,
    상기 매트릭스에서 대응하는 문턱값을 초과하는 상기 이미지에서의 픽셀의 수를 정량화하도록
    구성되는, 시스템.
  2. 제1 항에 있어서,
    상기 프로세서는 또한, 상기 히트 맵을 결정하도록 구성되는, 시스템.
  3. 제1 항에 있어서,
    상기 픽셀 중 하나에 대한 상기 대응하는 문턱값은 상기 픽셀 중 상기 하나와 상기 이미지 상에서 동일한 위치에 있는, 시스템.
  4. 제1 항에 있어서,
    상기 정량화는 픽셀 레벨 이미지 정량화에 사용되는, 시스템.
  5. 제1 항에 있어서,
    상기 가능한 결함은 EUV 스토캐스틱스(stochastics)인, 시스템.
  6. 제1 항에 있어서,
    상기 가능한 결함은 임계 치수 결함인, 시스템.
  7. 제1 항에 있어서,
    상기 이미지는 주사 전자 현미경 이미지인, 시스템.
  8. 방법으로서,
    프로세서에서 이미지를 수신하는 단계;
    상기 프로세서의 딥 러닝 모듈을 사용하여 상기 이미지에 대한 결함 검출 및 결함 분류를 수행하여, 이로써 가능한 결함을 결정하는 단계;
    프로세서를 사용하여 각 픽셀에 대응하는 결함 확률 인덱스의 매트릭스로서 상기 이미지에서의 상기 딥 러닝 모듈로부터 상기 가능한 결함의 히트 맵을 표현하는 단계 - 상기 이미지는 검출기로부터 수신된 데이터로부터 생성되고, 상기 히트 맵은, 웨이퍼의 적어도 일부를 포함하고, 상기 이미지에서의 피쳐들의 측정에 기초함 -; 및
    상기 프로세서를 사용하여, 상기 매트릭스에서 대응하는 문턱값을 초과하는 상기 이미지에서의 픽셀의 수를 정량화하는 단계
    를 포함하는 방법.
  9. 제8 항에 있어서,
    상기 프로세서를 사용하여 상기 히트 맵을 결정하는 단계를 더 포함하는, 방법.
  10. 제8 항에 있어서,
    상기 픽셀 중 하나에 대한 상기 대응하는 문턱값은 상기 픽셀 중 상기 하나와 상기 이미지 상에서 동일한 위치에 있는, 방법.
  11. 제8 항에 있어서,
    상기 정량화하는 단계는 픽셀 레벨 이미지 정량화에 사용되는, 방법.
  12. 제8 항에 있어서,
    상기 가능한 결함은 EUV 스토캐스틱스인, 방법.
  13. 제8 항에 있어서,
    상기 가능한 결함은 임계 치수 결함인, 방법.
  14. 제8 항에 있어서,
    상기 이미지는 주사 전자 현미경 이미지인, 방법.
  15. 제8 항에 있어서,
    상기 웨이퍼에 전자빔을 지향시키는 단계;
    검출기로 상기 웨이퍼로부터 되돌아온 전자를 수집하는 단계; 및
    상기 프로세서를 사용하여 상기 웨이퍼의 상기 이미지를 생성하는 단계
    를 더 포함하는, 방법.
  16. 제8 항의 방법을 프로세서가 실행하게 지시하도록 구성된 프로그램을 저장하는, 비-일시적 컴퓨터 판독가능한 매체.
  17. 제1 항에 있어서, 상기 히트 맵은 평균 직경들을 디스플레이하는 것인 시스템.
  18. 제8 항에 있어서, 상기 히트 맵은 평균 직경들을 디스플레이하는 것인 방법.
KR1020217018222A 2018-11-15 2019-11-15 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용 KR102513717B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
IN201841042919 2018-11-15
IN201841042919 2018-11-15
US16/249,337 2019-01-16
US16/249,337 US10672588B1 (en) 2018-11-15 2019-01-16 Using deep learning based defect detection and classification schemes for pixel level image quantification
PCT/US2019/061578 WO2020102611A1 (en) 2018-11-15 2019-11-15 Using deep learning based defect detection and classification schemes for pixel level image quantification

Publications (2)

Publication Number Publication Date
KR20210080567A KR20210080567A (ko) 2021-06-30
KR102513717B1 true KR102513717B1 (ko) 2023-03-23

Family

ID=70727871

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217018222A KR102513717B1 (ko) 2018-11-15 2019-11-15 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용

Country Status (7)

Country Link
US (1) US10672588B1 (ko)
EP (1) EP3870959A4 (ko)
JP (1) JP7216822B2 (ko)
KR (1) KR102513717B1 (ko)
CN (1) CN112969911B (ko)
TW (1) TWI805868B (ko)
WO (1) WO2020102611A1 (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10546160B2 (en) 2018-01-05 2020-01-28 Datamax-O'neil Corporation Methods, apparatuses, and systems for providing print quality feedback and controlling print quality of machine-readable indicia
US10803264B2 (en) 2018-01-05 2020-10-13 Datamax-O'neil Corporation Method, apparatus, and system for characterizing an optical system
US10834283B2 (en) 2018-01-05 2020-11-10 Datamax-O'neil Corporation Methods, apparatuses, and systems for detecting printing defects and contaminated components of a printer
US10795618B2 (en) 2018-01-05 2020-10-06 Datamax-O'neil Corporation Methods, apparatuses, and systems for verifying printed image and improving print quality
US11200659B2 (en) 2019-11-18 2021-12-14 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
US11501424B2 (en) * 2019-11-18 2022-11-15 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
US11651981B2 (en) * 2020-08-18 2023-05-16 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for map-free inspection of semiconductor devices
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
CN117121064A (zh) * 2021-03-30 2023-11-24 Asml荷兰有限公司 改进的带电粒子图像检测
CN112884769B (zh) * 2021-04-12 2021-09-28 深圳中科飞测科技股份有限公司 图像处理方法、装置、光学系统和计算机可读存储介质
FR3125156B1 (fr) * 2021-07-12 2023-11-10 Safran Controle non destructif d’une piece
CN117813492A (zh) * 2021-08-13 2024-04-02 株式会社羽岛 学习模型的生成方法、学习模型、检查装置、检查方法以及计算机程序
US20240087135A1 (en) * 2022-09-09 2024-03-14 Applied Materials, Inc. Clog detection via image analytics

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030023404A1 (en) 2000-11-22 2003-01-30 Osama Moselhi Method and apparatus for the automated detection and classification of defects in sewer pipes

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292582B1 (en) 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
US6067376A (en) 1998-01-16 2000-05-23 Cognex Corporation Classifying pixels of an image
JP3749090B2 (ja) * 2000-07-06 2006-02-22 大日本スクリーン製造株式会社 パターン検査装置
EP1273907A4 (en) * 2000-11-17 2006-08-30 Ebara Corp METHOD AND INSTRUMENT FOR WAFER INSPECTION AND ELECTRON BEAM
US7162071B2 (en) 2002-12-20 2007-01-09 Taiwan Semiconductor Manufacturing Co., Ltd. Progressive self-learning defect review and classification method
US20050152594A1 (en) * 2003-11-10 2005-07-14 Hermes-Microvision, Inc. Method and system for monitoring IC process
JP2006098152A (ja) 2004-09-29 2006-04-13 Dainippon Screen Mfg Co Ltd 欠陥検出装置および欠陥検出方法
JP2012217139A (ja) * 2011-03-30 2012-11-08 Sony Corp 画像理装置および方法、並びにプログラム
JP5707291B2 (ja) * 2011-09-29 2015-04-30 株式会社日立ハイテクノロジーズ 画像分類支援を行う荷電粒子線装置
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
TWI737659B (zh) 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
US10181185B2 (en) 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10031997B1 (en) * 2016-11-29 2018-07-24 Taiwan Semiconductor Manufacturing Co., Ltd. Forecasting wafer defects using frequency domain analysis
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030023404A1 (en) 2000-11-22 2003-01-30 Osama Moselhi Method and apparatus for the automated detection and classification of defects in sewer pipes

Also Published As

Publication number Publication date
US20200161081A1 (en) 2020-05-21
WO2020102611A1 (en) 2020-05-22
JP2022507543A (ja) 2022-01-18
JP7216822B2 (ja) 2023-02-01
EP3870959A4 (en) 2022-07-27
KR20210080567A (ko) 2021-06-30
TWI805868B (zh) 2023-06-21
CN112969911A (zh) 2021-06-15
TW202033954A (zh) 2020-09-16
US10672588B1 (en) 2020-06-02
CN112969911B (zh) 2022-09-06
EP3870959A1 (en) 2021-09-01

Similar Documents

Publication Publication Date Title
KR102513717B1 (ko) 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용
JP5695924B2 (ja) 欠陥推定装置および欠陥推定方法並びに検査装置および検査方法
JP6312641B2 (ja) 検査データと組み合わせて設計データを使用するための方法
JP5591675B2 (ja) 検査装置および検査方法
US8139843B2 (en) Methods and systems for utilizing design data in combination with inspection data
KR102485553B1 (ko) 임계 치수 균일도 강화 기술들 및 장치
KR102386536B1 (ko) 시편 상의 관심 패턴의 하나 이상의 특성의 결정
TW201734439A (zh) 混合檢查器
KR20200014938A (ko) 반도체 제조 프로세스에서 딥 러닝을 사용하여 결함 및 임계 치수를 예측하기 위한 시스템 및 방법
US9678442B2 (en) Aerial mask inspection based weak point analysis
IL262464A (en) Systems and methods for automatic correction of deviation between testing and design for a massive model search
JP2011145263A (ja) 検査装置および検査方法
JP5859039B2 (ja) 検査装置

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant