KR102536011B1 - 심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법 - Google Patents

심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법 Download PDF

Info

Publication number
KR102536011B1
KR102536011B1 KR1020197023130A KR20197023130A KR102536011B1 KR 102536011 B1 KR102536011 B1 KR 102536011B1 KR 1020197023130 A KR1020197023130 A KR 1020197023130A KR 20197023130 A KR20197023130 A KR 20197023130A KR 102536011 B1 KR102536011 B1 KR 102536011B1
Authority
KR
South Korea
Prior art keywords
defect
inspection system
images
classification
wafer
Prior art date
Application number
KR1020197023130A
Other languages
English (en)
Other versions
KR20190098262A (ko
Inventor
마틴 플리할
앙킷 제인
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 KR20190098262A publication Critical patent/KR20190098262A/ko
Application granted granted Critical
Publication of KR102536011B1 publication Critical patent/KR102536011B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10148—Varying focus
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기들을 트레이닝하고 적용하기 위한 시스템, 방법, 및 비일시적인 컴퓨터 판독가능 매체가 제공된다. 사용시, 검사 시스템에 의해 웨이퍼 상에서 검출된 결함의 위치에 대해 검사 시스템에 의해 생성된 복수의 이미지들이 획득된다. 웨이퍼 상의 위치는 복수의 적층된 층들로 구성되며, 상이한 포커싱 설정을 사용하여 그 위치에서 검사 시스템에 의해 복수의 이미지들의 각각의 이미지가 생성된다. 또한, 결함의 분류는 복수의 이미지들을 사용하여 결정된다.

Description

심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법
본 출원은 2017년 1월 10일에 출원된 미국 가출원 제62/444,690호의 우선권을 청구하며, 이 가출원의 내용은 참조로서 본 명세서 내에서 원용된다.
본 발명은 웨이퍼 상의 결함들의 검출에 관한 것이며, 특히 웨이퍼로부터 검출된 결함들을 분류하는 것에 관한 것이다.
반도체 제조 공정 동안 웨이퍼들 상의 결함들을 검출하기 위해 검사 시스템 공정들이 다양한 단계들에서 사용된다. 또한, 반도체 디바이스들의 치수가 감소함에 따라, 보다 작은 결함들이 반도체 디바이스들을 고장나게 할 수 있으므로, 수용가능한 반도체 디바이스들의 성공적인 제조에 있어서 검사는 훨씬 더 중요해진다.
일반적으로, 검사 시스템(즉, 툴)은 웨이퍼의 이미지를 캡처하고, 결함들이 이들 이미지들로부터 검출된다. 이러한 이미지들을, 웨이퍼를 검사함으로써 생성된 신호들이라고도 칭할 수 있다. 그러나, 구체적으로 이러한 결함들의 분류를 비롯하여, 검사 시스템 공정들 동안에 단순한 결함 검출 이상의 정보가 또한 종종 생성된다. 예를 들어, 검출된 결함들 각각은 관심 결함(defect of interest; DOI) 또는 뉴슨스(nuisance)(즉, 실제 결함이 아니거나 또는 사용자가 신경 쓰지 않아서 DOI가 아닌 결함)로서 분류될 수 있다. 검출된 결함들 또는 DOI들 각각은 종종 상이한 그룹들(즉, 결함 유형)로 더 분류된다. 그러한 한가지 예시로서, 결함들을 발견한 후, 결함들은 크기, 규모 및/또는 위치와 같은 결함들의 특성에 기초하여 상이한 그룹들로 분류될 수 있다. 그런 후, 결함 분류는 검사 시스템을 튜닝할 목적으로 검사 시스템에 피드백될 수 있다. 튜닝은 결함을 검사 시스템으로 검출가능하게 하기 위해 수행될 수 있다. 예를 들어, 검사 시스템을 튜닝하는 것은 검사 시스템의 하나 이상의 광학 파라미터 및/또는 검사 시스템의 하나 이상의 결함 검출(출력 처리) 파라미터를 변경하는 것을 포함할 수 있다.
결함 분류는 검사 시스템에 의해 생성된 이미지 또는 정보에만 기초하여 여러 번 수행될 수 없다. 이러한 경우들에서는, 추가적인 검토 시스템을 사용하여 추가적인 정보가 생성될 수 있고, 그 후에 추가 정보에 기초하여 결함 분류가 결정될 수 있다. 그러한 일부 경우들에서, 검사 시스템에 의해 발견된 결함들은 고해상도 주사 전자 현미경(scanning electron microscope; SEM) 검토 툴을 사용하여 검토될 수 있다. 통상적으로, 비교적 많은 수의 SEM 이미지들(예를 들어, 신호들)이 수집되고, 또한 이들 이미지들 각각은 이미지에서 가시적인 결함이 존재하는지를 사용자가 결정하기 위해 컴퓨터 스크린 상에 디스플레이될 수 있다. 결함이 눈으로 검출되면, 결함은 그 형상, 크기, 위치, 또는 기타 속성에 따라 사용자에 의해 여러 카테고리들 중 하나로 분류될 수 있다.
예를 들어, 발명의 명칭이 "Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images"인, Jan A. Lauber의 미국 특허 제9,293,298호에서 개시된 바와 같이, 결함들의 분류를 자동화하기 위한 몇몇 검토 시스템이 개발되었다. 이러한 자동화된 검토 시스템은 사람의 실수가 있기 쉬운 수동적 분류를 필요로 하는 종래 시스템을 개선했지만, 이러한 자동화된 검토 시스템에는 여전히 한계가 있다. 특히, 전술한 바와 같은 결함 검토 시스템은 3차원(3D) NAND 웨이퍼와 같은 적층된 층들을 갖는 웨이퍼에서, 이들 결함들이 웨이퍼의 최상층 아래에 있을 때, 결함들을 분류할 수 없었다. 이는 기존의 결함 검토 시스템들은 웨이퍼의 하부층들의 이미지들을 획득할 수 없기 때문이다. 대신에, 하부층의 필요한 이미지들을 획득하기 위해서는, 상부층들이 물리적으로 제거될 필요가 있었고, 이에 따라 웨이퍼를 파괴해야 했다.
따라서, 종래 기술과 관련된 이러한 문제점들 및/또는 다른 문제점들을 해결할 필요가 있다.
심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기들을 트레이닝하고 적용하기 위한 시스템, 방법, 및 비일시적인 컴퓨터 판독가능 매체가 제공된다. 사용시, 검사 시스템에 의해 웨이퍼 상에서 검출된 결함의 위치에 대해 검사 시스템에 의해 생성된 복수의 이미지들이 획득된다. 웨이퍼 상의 위치는 복수의 적층된 층들로 구성되며, 상이한 포커싱 설정을 사용하여 그 위치에서 검사 시스템에 의해 복수의 이미지들의 각각의 이미지가 생성된다. 또한, 결함의 분류는 복수의 이미지들을 사용하여 결정된다.
도 1a는 본 명세서에서 설명된 하나 이상의 컴퓨터 구현 방법을 수행하도록 컴퓨터 시스템 상에서 실행가능한 프로그램 명령어들을 포함한 비일시적인 컴퓨터 판독가능 매체의 일 실시예를 나타내는 블록도를 도시한다.
도 1b는 제조된 디바이스 상의 결함들을 검출하도록 구성된 검사 시스템의 일 실시예의 측면도를 나타내는 개략도이다.
도 2는 일 실시예에 따른, 적층된 층들을 갖는 웨이퍼에서의 결함을 분류하는 방법을 도시한다.
도 3은 일 실시예에 따른, 분류기 트레이닝 방법을 나타낸다.
도 4는 일 실시예에 따른, 비지도형 비닝(unsupervised binning) 방법을 나타낸다.
도 5는 일 실시예에 따른, 지도형 비닝(supervised binning) 방법을 나타낸다.
이하의 설명은 적층된 층들을 갖는 웨이퍼에서의 결함들을 분류하기 위한 시스템, 방법, 및 비일시적인 컴퓨터 판독가능 매체를 개시한다. 후술되는 다양한 실시예들을 비롯하여, 본 시스템, 방법, 및 비일시적인 컴퓨터 판독가능 매체는 도 1a와 도 1b를 참조하여 아래에서 설명되는 것들과 같은, 임의의 통합된 및/또는 분리된 컴퓨터 및 검사 시스템(예를 들어, 웨이퍼 검사, 레티클 검사, 레이저 스캐닝 검사 시스템 등)의 상황에서 구현될 수 있다.
추가적인 실시예는 적층된 층들을 갖는 웨이퍼들에서의 결함들을 분류하기 위한 컴퓨터 구현 방법을 수행하기 위해 컴퓨터 시스템 상에서 실행가능한 프로그램 명령어들을 저장하는 비일시적인 컴퓨터 판독가능 매체에 관한 것이다. 그러한 하나의 실시예가 도 7에서 도시된다. 특히, 도 1a에서 도시된 바와 같이, 컴퓨터 판독가능 매체(100)는 컴퓨터 시스템(104) 상에서 실행가능한 프로그램 명령어들(102)을 포함한다. 컴퓨터 구현 방법은 도 2를 참조하여 아래에서 설명되는 방법의 단계들을 포함한다. 프로그램 명령어들이 실행될 수 있는 컴퓨터 구현 방법은 본 명세서에서 설명된 임의의 다른 동작들을 포함할 수 있다.
본 명세서에서 설명된 것과 같은 방법들을 구현하는 프로그램 명령어들(102)은 컴퓨터 판독가능 매체(100) 상에 저장될 수 있다. 컴퓨터 판독가능 매체는 자기적 또는 광학적 디스크, 또는 자기적 테이프와 같은 저장 매체, 또는 본 업계에서 알려진 임의의 적절한 다른 비일시적인 컴퓨터 판독가능 매체일 수 있다. 옵션으로서, 컴퓨터 판독가능 매체(100)는 컴퓨터 시스템(104) 내에 위치될 수 있다.
프로그램 명령어들은 여러가지 중에서도, 프로시저 기반 기술들, 컴포넌트 기반 기술들, 및/또는 객체 지향 기술들을 비롯한 임의의 다양한 방법들로 구현될 수 있다. 예를 들어, 프로그램 명령어들은 액티브X 제어, C++ 오브젝트, 자바빈, MFC("Microsoft Foundation Classes", 또는 희망하는 바에 따라 다른 기술들 또는 방법론들을 이용하여 구현될 수 있다.
컴퓨터 시스템(140)은 개인 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 어플라이언스, 인터넷 어플라이언스, 또는 다른 디바이스를 비롯하여, 다양한 형태를 취할 수 있다. 일반적으로, "컴퓨터 시스템"의 용어는 메모리 매체로부터의 명령어들을 실행하는 하나 이상의 프로세서들을 갖는 임의의 디바이스를 망라하도록 광범위하게 정의될 수 있다. 컴퓨터 시스템(140)은 또한 병렬 프로세서와 같은 당 업계에 알려진 임의의 적절한 프로세서를 포함할 수 있다. 또한, 컴퓨터 시스템(140)은 고속 처리 및 소프트웨어를 갖는 컴퓨터 플랫폼을 독립형 또는 네트워크형 툴로서 포함할 수 있다.
추가적인 실시예는 적층된 층들을 갖는 웨이퍼들에서의 결함들을 분류하도록 구성된 시스템에 관한 것이다. 이러한 시스템의 하나의 실시예가 도 1b에서 도시된다. 본 시스템은 웨이퍼(또는 다른 디바이스) 상에 제조된 컴포넌트에 대한 출력을 생성하도록 구성된 검사 시스템(105)을 포함하며, 이는 본 명세서에서 추가로 설명되는 바와 같이 본 실시예에서 구성된다. 본 시스템은 또한 도 2를 참조하여 아래에서 설명되는 동작들을 수행하도록 구성된 하나 이상의 컴퓨터 시스템을 포함한다. 하나 이상의 컴퓨터 시스템은 본 명세서에서 설명된 임의의 실시예들에 따라 이러한 동작들을 수행하도록 구성될 수 있다. 컴퓨터 시스템(들) 및 시스템은 본 명세서에 설명된 임의의 다른 동작들을 수행하도록 구성될 수 있으며, 또한 본 명세서에서 설명된 바와 같이 구성될 수 있다.
도 1b에서 도시된 실시예에서, 컴퓨터 시스템들 중 하나는 전자 설계 자동화(electronic design automation; EDA) 툴의 일부이고, 검사 시스템 및 컴퓨터 시스템들 중 다른 것들은 EDA 툴의 부분이 아니다. 이들 컴퓨터 시스템은 예를 들어, 도 1a를 참조하여 상술한 컴퓨터 시스템(104)을 포함할 수 있다. 예를 들어, 도 1b에서 도시된 바와 같이, 컴퓨터 시스템들 중 하나는 EDA 툴(106) 내에 포함된 컴퓨터 시스템(108)일 수 있다. 이러한 툴 내에 포함된 EDA 툴(106) 및 컴퓨터 시스템(108)은 상업적으로 입수가능한 임의의 EDA 툴을 포함할 수 있다.
검사 시스템(105)은 광으로 웨이퍼를 스캐닝하고 스캐닝 동안 웨이퍼로부터의 광을 검출함으로써 웨이퍼 상의 컴포넌트에 대한 출력을 생성하도록 구성될 수 있다. 예를 들어, 도 1b에서 도시된 바와 같이, 검사 시스템(105)은 당 업계에 알려진 임의의 적절한 광원을 포함할 수 있는 광원(120)을 포함한다. 광원으로부터의 광은 빔 스플리터(118)에 지향될 수 있으며, 빔 스플리터(118)는 광원으로부터의 광을 웨이퍼(122)에 지향시키도록 구성될 수 있다. 광원(120)은 하나 이상의 집광 렌즈, 콜리메이팅 렌즈, 릴레이 렌즈, 대물 렌즈, 어퍼처, 스펙트럼 필터, 편광 컴포넌트들 등과 같은, 임의의 다른 적절한 엘리먼트들(도시되지 않음)에 결합될 수 있다. 도 1b에서 도시된 바와 같이, 광은 수직 입사각으로 웨이퍼(122)에 지향될 수 있다. 그러나, 광은 거의 수직한 입사 및 경사 입사를 비롯하여 임의의 적절한 입사각으로 웨이퍼(122)에 지향될 수 있다. 또한, 광 또는 다중 광 빔들이 하나보다 많은 입사각으로 순차적으로 또는 동시에 웨이퍼(122)에 지향될 수 있다. 검사 시스템(105)은 임의의 적절한 방식으로 웨이퍼(122)에 대해 광을 스캐닝하도록 구성될 수 있다.
웨이퍼(122)로부터의 광은 스캐닝 동안 검사 시스템(105)의 하나 이상의 채널에 의해 수집되고 검출될 수 있다. 예를 들어, 수직에 비교적 가까운 각도(즉, 입사가 수직일 때의 정반사 광)에서 웨이퍼(122)로부터 반사된 광은 빔 스플리터(118)를 거쳐 렌즈(114)에 전달될 수 있다. 렌즈(114)는 도 1b에서 도시된 바와 같이 굴절성 광학 엘리먼트를 포함할 수 있다. 또한, 렌즈(114)는 하나 이상의 굴절성 광학 엘리먼트 및/또는 하나 이상의 반사성 광학 엘리먼트를 포함할 수 있다. 렌즈(114)에 의해 수집된 광은 검출기(112)에 포커싱될 수 있다. 검출기(112)는 전하 결합 디바이스(charge coupled device; CCD) 또는 다른 유형의 이미징 검출기와 같은, 당 업계에 알려진 임의의 적절한 검출기를 포함할 수 있다. 검출기(112)는 렌즈(114)에 의해 수집된 반사광에 응답하는 출력을 생성하도록 구성된다. 따라서, 렌즈(114) 및 검출기(112)는 검사 시스템(105)의 하나의 채널을 형성한다. 검사 시스템(105)의 이러한 채널은 당 업계에 알려진 임의의 다른 적절한 광학 컴포넌트들(미도시됨)을 포함할 수 있다.
도 1b에서 도시된 검사 시스템은 웨이퍼(122)로부터 정반사된 광을 검출하도록 구성되기 때문에, 검사 시스템(105)은 명시야(bright field; BF) 검사 시스템으로서 구성된다. 그러나, 그러한 검사 시스템(105)은 또한 다른 유형의 웨이퍼 검사를 위해 구성될 수 있다. 예를 들어, 도 1b에서 도시된 검사 시스템은 또한 하나 이상의 다른 채널(미도시됨)을 포함할 수 있다. 다른 채널(들)은 산란 광 채널(scattered light channel)로서 구성된, 렌즈 및 검출기와 같은 본 명세서에서 설명된 임의의 광학 컴포넌트들을 포함할 수 있다. 렌즈 및 검출기는 또한 명세서에서 설명된 바와 같이 구성될 수 있다. 이러한 방식으로, 검사 시스템(105)은 또한 암시야(dark field; DF) 검사를 위해 구성될 수 있다.
검사 시스템(105)은 또한 본 명세서에서 설명된 방법들의 하나 이상의 단계를 수행하도록 구성된 컴퓨터 시스템(110)을 포함할 수 있다. 예를 들어, 전술한 광학 엘리먼트들은 검사 서브시스템(105)의 광학 서브시스템(111)을 형성할 수 있고, 이것은 또한 광학 서브시스템(111)에 결합된 컴퓨터 시스템(110)을 포함할 수 있다. 이러한 방식으로, 스캐닝 동안 검출기(들)에 의해 생성된 출력은 컴퓨터 시스템(110)에 제공될 수 있다. 예를 들어, 컴퓨터 시스템(110)이 검출기에 의해 생성된 출력을 수신할 수 있도록, 컴퓨터 시스템(110)은 (예컨대, 도 1b에서 점선으로 도시된 하나 이상의 전송 매체 - 이것은 당 업계에 알려진 임의의 적절한 전송 매체를 포함할 수 있다 - 에 의해) 검출기(112)에 결합될 수 있다.
검사 시스템(105)의 컴퓨터 시스템(110)은 본 명세서에서 설명된 임의의 동작들을 수행하도록 구성될 수 있다. 예를 들어, 컴퓨터 시스템(110)은 본 명세서에 설명된 바와 같이, 제조된 컴포넌트로부터 식별된 패턴 결함들의 체계적이고 확률적인 특성을 위해 구성될 수 있다. 또한, 컴퓨터 시스템(100)은 본 명세서에서 설명된 임의의 다른 단계들을 수행하도록 구성될 수 있다. 또한, 본 명세서에서 설명된 동작들 중 일부는 상이한 컴퓨터 시스템들에 의해 수행될 수 있지만, 본 방법의 모든 동작들은 검사 시스템(105) 또는 독립형 컴퓨터 시스템과 같은 단일 컴퓨터 시스템에 의해 수행될 수 있다. 또한, 컴퓨터 시스템(들) 중 하나 이상은 2012년 2월 28일에 등록된 Bhaskar 등의 미국 특허 제8,126,255호에서 설명된 것과 같은 가상 검사기로서 구성될 수 있으며, 이는 본 명세서에서 완전히 설명된 것처럼 참고 문헌으로서 원용된다.
검사 시스템(105)의 컴퓨터 시스템(110)은 또한 컴퓨터 시스템(108)과 같은 검사 시스템의 일부가 아닌 다른 컴퓨터 시스템에 결합될 수 있으며, 컴퓨터 시스템(110)이 컴퓨터 시스템(108)에 의해 생성된 출력(이것은 컴퓨터 시스템(108)에 의해 생성된 설계를 포함할 수 있다)을 수신할 수 있도록, 컴퓨터 시스템(108)은 상술된 EDA 툴(106)과 같은 다른 툴 내에 포함될 수 있다. 예를 들어, 2개의 컴퓨터 시스템들은 팹(fab) 데이터베이스와 같은 공유형 컴퓨터 판독가능 저장 매체에 의해 효과적으로 결합될 수 있거나, 또는 정보가 2개의 컴퓨터 시스템들 간에 전송될 수 있도록 상술한 바와 같은 전송 매체에 의해 결합될 수 있다.
본 명세서에서 설명된 시스템 실시예들 내에 포함될 수 있는 검사 시스템의 구성을 일반적으로 나타내기 위해 본 명세서에서는 도 1b를 제공하였다는 것을 유념해둔다. 분명하게도, 본 명세서에서 설명된 검사 시스템 구성은 상업적 검사 시스템을 설계할 때 보통 수행되는 검사 시스템의 성능을 최적화하도록 변경될 수 있다. 또한, 본 명세서에서 설명된 시스템들은 (예컨대, 본 명세서에서 설명된 기능을 기존의 검사 시스템에 추가함으로써) KLA-Tencor로부터 상업적으로 입수가능한 29xx/28xx 시리즈의 툴과 같은 기존의 검사 시스템을 사용하여 구현될 수 있다. 이러한 몇가지 시스템들을 위해, 본 명세서에서 설명된 방법들은 (예컨대, 시스템의 다른 기능에 더하여) 시스템의 옵션적 기능으로서 제공될 수 있다. 대안적으로, 본 명세서에서 설명된 시스템은 완전히 새로운 시스템을 제공하기 위해 "맨 처음부터 새롭게" 설계될 수 있다.
추가적인 실시예에서, 검사 시스템(105)은 미국 특허 제9,293,298호에 개시된 SEM 검토 시스템과 같은, 검토 시스템(미도시됨)에 직접적으로 또는 간접적으로 결합될 수 있다. SEM 검토 시스템은 보다 양호한 결함 검출을 위해 검사 시스템(105)을 트레이닝시키는데 결국 사용될 수 있는 결함들의 분류를 위해 검사 시스템(105)에 의해 검출된 결함들을 검토하도록 동작할 수 있다. 후술되는 실시예들은 상술한 검토 시스템의 상황에서 구현될 수 있다는 것을 알아야 한다.
도 2는 일 실시예에 따른, 적층된 층들을 갖는 웨이퍼에서의 결함을 분류하는 방법(200)을 도시한다. 방법(200)은 상술한 검사 시스템 및 검토 시스템과 통신하는 임의의 컴퓨터 시스템에 의해 수행될 수 있다. 또한, 방법(200)은 검사 시스템 및/또는 검토 시스템을 포함하는 컴퓨터 시스템에 의해 수행될 수 있다. 또한, 본 명세서에서는 하나의 결함만이 설명되지만, 방법(200)은 웨이퍼에서의 임의의 개수의 상이한 결함들에 마찬가지로 적용될 수 있다는 것을 유념해야 한다.
동작(202)에서 도시된 바와 같이, 복수의 이미지들이 획득되며, 이미지들은 검사 시스템에 의해 웨이퍼 상에서 검출된 결함의 위치에 대해 검사 시스템에 의해 생성된 것이다. 본 실시예의 상황에서, 웨이퍼 상의 위치는 복수의 심층적으로 적층된 층들로 구성된다. 예를 들어, 웨이퍼는 적어도 결함이 검사 시스템에 의해 검출되는 위치에서 다층들이 수직으로 적층되는 적층화 공정을 통해 제조될 수 있다. 예시적인 일 실시예에서, 웨이퍼는 3차원(3D) NAND 웨이퍼일 수 있다.
동작(202)은 결함이 검사 시스템에 의해 검출되는 위치를 참조하여 설명되지만, 그 위치는 실제 결함을 가질 수도 있고 갖지 않을 수도 있다는 것을 유념해야 한다. 예를 들어, 검출된 결함은 실제로 뉴슨스이거나 또는 기타 비 결함일 수 있다. 다른 실시예들에서, 결함은 실제 결함일 수 있으며, 검사 시스템에 의해 식별된 위치에 있는 적층된 층들 내의 임의의 곳에 위치될 수 있다. 예를 들어, 결함은 적층된 층들의 최상층 상에 또는 적층된 층들의 하부층 내에 위치될 수 있다. 어느 경우이든, 검사 시스템은 아래에서 보다 자세하게 설명되는 결함의 분류를 위해, 검사 시스템에 의해 결함이 검출되는 웨이퍼 상의 위치에서 이미지들을 획득한다.
본 실시예의 상황에서, 복수의 이미지들 각각의 이미지(예를 들어, 신호)는 상이한 포커싱 설정을 사용하여 해당 위치에서 검사 시스템에 의해 생성된다. 달리 말하면, 검사 시스템은 웨이퍼 상의 해당 위치의 제1 이미지를 생성하기 위해 제1 포커싱 설정을 사용하고, 웨이퍼 상의 해당 위치의 제2 이미지를 생성하기 위해 제2 포커싱 설정을 사용하고, 웨이퍼 상의 해당 위치의 제3 이미지를 생성하기 위해 제3 포커싱 설정을 사용하는 식으로 진행될 수 있다. 상이한 포커싱 설정들 각각은 광을, 상이한 깊이로, 해당 위치에서 웨이퍼에 포커싱시킬 수 있다. 이러한 방식으로, 검사 시스템에 의해 획득된 이미지들은 다를 수 있다. 획득된 이미지들의 개수, 및 사용된 특정 포커싱 설정들은 미리구성될 수 있다.
또한, 동작(204)에서 도시된 바와 같이, 결함의 분류는 복수의 이미지들을 사용하여 결정된다. 이 동작(204)에서 수행되는 분류를, 트레이닝 세트에서 결함들을 라벨링하는 것이라고 칭할 수 있다. 이것은 동작(202)에서 획득된 이미지들로부터 또는 동작(202)에서 획득된 이미지들에 기초하여 결정된 스루 포커싱(through-focus) 신호 프로파일들로부터 직접 달성될 수 있다. 일 실시예에서, 분류는 결함이 실제 결함(예를 들어, 관심 결함(DOI))인지 또는 비 결함(예를 들어, 뉴슨스)인지 여부를 나타낼 수 있다. 다른 실시예에서, 결함의 분류는 결함이 존재하는 적층된 층들(예를 들어, 최상층 또는 하부층)을 나타낼 수 있다.
전술한 바와 같이, 결함의 분류는 TF 신호 프로파일들로부터 결정될 수 있다. 이들 프로파일들은, 하나 이상의 속성에 대해, 결함이 검사 시스템에 의해 검출되었던 위치에 대해 획득된 복수의 이미지들에 걸친 변동을 식별함으로써 결정될 수 있다. 따라서, 결함의 분류는 하나 이상의 속성에 대해 식별된 변동에 기초하여 결정될 수 있다. 이러한 속성들은 밝기, 규모, 및/또는 획득한 이미지들에 걸쳐 구별가능한 다른 속성들을 포함할 수 있다. 이 실시예에서, 분류는 웨이퍼에 대한 설계, 실제 결함들의 미리정의된 속성들, 또는 이들의 조합을 사용하여 위에서 설명된 식별된 변동 정보를 처리함으로써 결정될 수 있다.
이를 위해, 검사 시스템에 의해 검출된 결함은 검사 시스템으로부터 획득된 이미지들 또는 이로부터 생성된 TF 신호 프로파일들을 사용하여 분류될 수 있으며, 여기서 이미지들은 상이한 포커싱 설정들을 사용하여 생성된다. 상술된 이러한 스루 포커싱 검사 방법은 기존의 검사 시스템에 의해 사용된 기존의 단일 포커싱 오프셋 검사 방법에서 누락되는, 결함의 깊이에 관한 정보를 제공할 수 있다. 이것은 적층된 층들을 갖는 웨이퍼로부터 검출된 결함의 분류를 가능하게 할 수 있다. 반대로, 종래 기술의 시스템에서, 웨이퍼 상의 적층된 층들 내(즉, 최상층 아래)에 존재하는 임의의 결함은 검사 시스템을 통해 충분히 가시화될 수 없다. 이것은 종래 기술의 검사 시스템이 결함 위치에서 이미지들을 획득하기 위해 상이한 포커싱 설정들을 사용하도록 구성되지 않았기 때문이다.
추가적인 옵션으로서, 검사 시스템은 전술한 트레이닝 세트를 사용하여 튜닝될 수 있다. 이것은 트레이닝 세트를 사용하여 검사 시스템의 분류기를 트레이닝시킴으로써, 검사 중에 모든 결함들을 분류할 때 결함 속성들에 작용하는 분류기의 성능을 튜닝하는 것을 포함할 수 있다. 따라서, 분류기는 머신 러닝 분류기인 것으로 간주될 수 있다. 머신 러닝 분류기에 의해 생성된 분류는 결함 개체군을, 최종 검사 결과일 수 있는 상이한 클래스(빈(bin))로 분리하기 위한 것일 수 있으며, 따라서 이는 비닝(binning)이라고도 칭해질 수 있거나, 또는 일부 경우들에서는 뉴슨스 필터링(nuisance filtering)이라고도 칭해질 수 있다.
TF 시그너처는 결함의 위치, 결함의 분류, 결함의 속성 등을 나타낼 수 있다. 또다른 실시예에서, 검사 시스템은 결함에 대해 생성된 TF 시그너처를 사용하여 튜닝될 수 있다.
동일한 빈 내의 결함들은 빈에 대한 공간적 시그너처를 생성하기 위해 웨이퍼 맵 상에서 도식화(plotting)될 수 있다. 그런 후, 검사 시스템은 빈에 대해 생성된 공간적 시그너처를 사용하여 추가로 튜닝될 수 있다.
이제, 사용자의 희망에 따라, 전술한 방법이 구현될 수도 있고 구현되지 않을 수도 있는 다양한 선택적 아키텍처 및 용도에 대해 보다 많은 예시적인 정보가 설명될 것이다. 다음의 정보는 설명의 목적으로 제시된 것이며 어떤 방식으로든 제한적인 것으로서 해석되어서는 안된다는 것을 알아야 한다. 다음의 특징들 중 임의의 특징은 설명된 다른 특징들과 함께 또는 이들을 배제하지 않고서 선택적으로 통합될 수 있다.
예를 들어, 이하에서 설명되는 실시예들에 따르면, 적층된 층들을 갖는 웨이퍼들의 검사는 TF, 광학 패치, 및 공간적 결함 분포를 조합함으로써 제공될 수 있다. 이들 실시예들은 분류기를 트레이닝시키는데 사용되는 트레이닝 세트를 획득하고, 수정하고, 감소시키는 효율적인 방법을 제공할 수 있고, TF 신호들의 유사성과 비유사성 및 공간적 결함 분포를 고려하여 빈들의 분할 또는 병합을 가능하게 할 수 있으며, 관련 빈들의 공간적 시그너처 및 해당 빈들 내의 결함들의 TF 신호 프로파일들을 사용하여 분류 순도를 평가하기 위한 신속한 검증 방법을 제공할 수 있다.
도 3은 일 실시예에 따른, 분류기 트레이닝 방법(300)을 나타낸다. 옵션으로서, 방법(300)은 임의의 이전 및/또는 후속 도면(들) 및/또는 그 설명에서 진술된 임의의 하나 이상의 실시예의 상황에서 수행될 수 있다. 그러나, 방법(300)은 임의의 바람직한 환경의 상황에서 수행될 수 있음을 이해해야 한다.
동작(302)에서 도시된 바와 같이, 스루 포커싱 스캐닝이 실행된다. 스루 포커싱(TF) 스캐닝은 검사 시스템에 의해 실행될 수 있다. 예를 들어, TF 스캐닝은 웨이퍼 상의 결함의 위치의 이미지들을 생성할 수 있다. 본 실시예에서, 웨이퍼 상의 위치는 복수의 적층된 층들을 포함하고, 각각의 스캐닝은 상이한 포커싱 설정을 사용하여 해당 위치에서의 이미지를 획득한다.
추가적으로, 동작(304)에서 도시된 바와 같이, TF 신호 프로파일들은 스루 포커싱 스캐닝 중에 생성된 이미지들을 사용하여 생성된다. 이러한 TF 신호 프로파일들은 각각 x축 상에서 포커싱 설정을 갖고 y축 상에서 신호(이미지) 속성을 갖는 1차원(1D) 히스토그램일 수 있다. 속성은 밝기, 규모 등일 수 있다. 그런 후, 결함들은 동작(305)에서 도시된 바와 같이, 트레이닝 세트에 추가된다. 따라서, 트레이닝 세트는 결함들의 샘플일 수 있다.
또한, 동작(306)에서 도시된 바와 같이, 트레이닝 세트 내의 N개의 결함들은 TF 신호 프로파일들을 사용하여, 예상된 면내 결함(in-plane defect)들 또는 면외 결함(out-of-plane)들로서 분류된다. 일 실시예에서, N은 검사 시스템에 의해 검출된 모든 결함들의 샘플에 대한 미리정의된 수일 수 있다. 또한, 면내 결함들은 웨이퍼의 단일 면(층)에 걸쳐 존재하는 TF 신호 프로파일들로부터 식별된 것일 수 있고, 면외 결함들은 웨이퍼의 복수의 면들(층들)에 걸쳐 존재하는 TF 신호 프로파일들로부터 식별된 것일 수 있다.
동작(308)에서 도시된 바와 같이, 머신 러닝 알고리즘이 실행된다. 예를 들어, 미리 계산된 특징들로 작동하는 많은 상이한 머신 러닝 알고리즘들 중 임의의 하나가 사용될 수 있다. 어느 경우에나, 머신 러닝 알고리즘은 분류된 N개 결함들에 대해 실행되어 트레이닝된 분류기를 생성한다.
여전히, 동작(310)에서, 트레이닝된 분류기에 기초하여 웨이퍼 시그너처들이 분석된다. 그런 후, 결정(312)에서, 동작(310)의 분석에 기초하여, 예상된 시그너처가 발견되는지 여부가 결정된다. 예상된 시그너처가 발견되지 않으면, 방법(300)은 동작(305)으로 복귀한다. 하지만, 예상된 시그너처가 발견되면, 동작(314)에서 도시된 바와 같이, 트레이닝 데이터의 순도 및 정확도가 분석된다. 그런 후, 결정(316)에서, 결과들이 수렴되는지 여부가 결정된다.
결과들이 수렴되지 않는다고 결정되면, 방법(300)은 동작(305)으로 복귀한다. 그러나, 결과들이 수렴된다고 결정되면, 동작(318)에서 도시된 바와 같이, 뉴슨스 필터링 모델이 (예를 들어, 검사 시스템에 의한 사용을 위해) 준비가 되어 있다고 결정된다.
도 4는 일 실시예에 따른, 비지도형 비닝 방법(400)을 나타낸다. 비지도형 비닝 방법(400)은 일반적인 결함 시그너처들 및 공간적 시그너처들을 발견하고, 이들 간의 관계를 밝히는데 사용되어, 분류기에 대한 품질 척도와 함께 상기 관계가 DOI 빈들을 식별하는데 도움이 되도록 한다. 옵션으로서, 방법(400)은 임의의 이전 및/또는 후속 도면(들) 및/또는 그 설명에서 진술된 임의의 하나 이상의 실시예의 상황에서 수행될 수 있다. 그러나, 방법(400)은 임의의 바람직한 환경의 상황에서 수행될 수 있음을 이해해야 한다.
동작(401)에서 도시된 바와 같이, TF 스캐닝이 실행된다. 그런 후, 동작(402)에서, TF 신호 프로파일들이 생성된다. 또한, 동작(403)에서 도시된 바와 같이, 결함들이 트레이닝 세트에 추가된다. 예를 들어, 검사 시스템에 의해 검출되고 다양한 TF 신호 프로파일들 및 이미지들을 갖는 결함들이 선택된다. 그런 후, 동작(404)에서, 트레이닝 세트 내의 N개의 결함들이 TF 신호 프로파일들을 사용하여, 상이한 결함 유형으로 분류된다.
추가적으로, 동작(406)에서 도시된 바와 같이, 분류된 결함들을 트레이닝 세트로서 사용하여, 분류기가 트레이닝된다. 분류기는 모든 결함 특징들(예를 들어, 광학, 설계 등)에 대해 동작할 수 있거나, 또는 속성 선택은 희망하는 바에 따라 설계 속성 또는 기타 속성들을 배제할 수 있다. 또한, 동작(408)에서 도시된 바와 같이, 트레이닝 프로세스가 각각의 분류기 빈과 관련된 공간적 시그너처들에 적용된다. 특히, 이것은 분류기의 트레이닝이라고 칭해질 수 있으며, 여기서는 유사한 공간적 시그너처들로 빈들을 식별하도록, 분류기 빈들 중 하나로부터의 결함들에 의해 (즉, 사람 전문가 또는 머신 러닝 알고리즘에 의해) 웨이퍼 상에 형성된 공간적 시그너처가 검사된다. 그런 후, 동작(410)에서, 빈들을 병합함으로써 유사한 공간적 시그너처들이 병합되면서, 병합된 빈들 내의 TF 신호 프로파일들의 순도/정확도가 분석된다.
그런 후, 결정(412)에서, 결과들이 수렴되는지 여부가 결정된다. 결과들이 수렴되지 않는다고 결정되면, 방법(400)은 동작(403)으로 복귀한다. 동작(403)을 반복함으로써 트레이닝 세트가 강화되도록 해줄 수 있다. 그러나, 결과들이 수렴된다고 결정되면, 동작(414)에서 도시된 바와 같이, 분류기 모델이 (예를 들어, 검사 시스템에 의한 사용을 위해) 준비가 되어 있다고 결정된다. 옵션으로서, 혼동 행렬(confusion matrix), 분류 신뢰도, 신호 프로파일들 측면에서의 빈 순도, 및 수렴시 공간적 시그너처를 사용하여 분류기의 품질을 정량화할 수 있다.
도 5는 일 실시예에 따른, 지도형 비닝 방법(500)을 나타낸다. 지도형 비닝 방법(500)은 TF 시그너처들과 DOI 공간적 시그너처들 둘 다가 알려져 있을 때 사용된다. 옵션으로서, 방법(500)은 임의의 이전 및/또는 후속 도면(들) 및/또는 그 설명에서 진술된 임의의 하나 이상의 실시예의 상황에서 수행될 수 있다. 그러나, 방법(500)은 임의의 바람직한 환경의 상황에서 수행될 수 있음을 이해해야 한다.
동작(502)에서 도시된 바와 같이, 결함들이 트레이닝 세트에 추가된다. 예를 들어, 검사 시스템에 의해 검출되고 다양한 TF 신호 프로파일들 및 이미지들을 갖는 결함들이 트레이닝 세트를 위해 선택된다. 그런 후, 동작(504)에서, 알려진 TF 신호 프로파일들 및 이미지들을 갖는 DOI가 분류된다. 이 동작(504)은 이들 DOI를 나머지 결함들로부터 분리시킨다.
추가적으로, 동작(506)에서, 분류된 결함들을 트레이닝 세트로서 사용하여, 분류기가 트레이닝된다. 분류기는 모든 결함 특징들(예를 들어, 광학, 설계 등) 또는 그의 선택된 서브세트에 대해 작용할 수 있다. 또한, 동작(508)에서 도시된 바와 같이, DOI 빈과 관련된 공간적 시그너처들이 검사된다. 그런 후, 동작(510)에서, 빈 순도 및 웨이퍼 레벨 시그너처 외관(appearance)이 검증된다.
그런 후, 결정(512)에서, 결과들이 수렴되는지 여부가 결정된다. 결과들이 수렴되지 않는다고 결정되면, 방법(500)은 동작(502)으로 복귀한다. 동작(502)을 반복함으로써 트레이닝 세트가 강화되도록 해줄 수 있다. 그러나, 결과들이 수렴된다고 결정되면, 동작(514)에서 도시된 바와 같이, 분류기 모델이 (예를 들어, 검사 시스템에 의한 사용을 위해) 준비가 되어 있다고 결정된다. 옵션으로서, 혼동 행렬, 분류 신뢰도, 신호 프로파일들 측면에서의 빈 순도, 및 수렴시 공간적 시그너처 매칭 스코어를 사용하여 분류기의 품질을 정량화할 수 있다.
도 3 내지 도 5를 참조하여 상술된 실시예들은, 트레이닝 결함들의 유형이 낮은 신뢰도 및/또는 간접적인 방식으로만 결정될 수 있을 때, 하지만 여러 개의 구별되는 비상관된 DOI 특성들을 결합함으로써 더 높은 신뢰도로 실측 자료(ground truth)가 획득될 수 있을 때, 결함 분류기들 및 뉴슨스 필터들을 트레이닝하기 위한 방법을 개시한다. 복수의 특성들의 예시는 TF 신호 및 그러한 TF 신호 프로파일을 갖는 결함들과 관련된 웨이퍼 레벨(공간적) 결함 분포이다. 구체적으로, 본 방법은 3D NAND 광학 검사와 같은 적층된 층들로 구성된 웨이퍼들에 적용되며, 이러한 3D NAND 광학 검사에서는, 층 적층부 내에 깊숙히 매립된 결함들이, 트레이닝 세트 내의 결함 유형들을 구축하는데 일반적으로 사용되는 SEM 검토 툴 상에서 가시화되지 않는다.
TF 검사는 포커싱 설정 당 수십 개의 속성들과 특징들을 포함하기 때문에, 검사 중에 이미지들을 수집하는데 사용되는 포커싱 설정들이 10개인 경우, 뉴슨스 필터 또는 빈너(binner)를 생성하는 수백 개의 속성들이 존재한다. 그러한 경우, 사용자는 분류기를 수동으로 생성하는 것이 번거롭다는 것을 알게 될 것이다. 그러나, 도 3 내지 도 5를 참조하여 상술한 실시예들은 DOI가 출현할 것으로 예상되는 포커싱 면에 기초한 머신 러닝 분류기를 고유하게 가능하게 한다.
머신 트레이닝된 분류기는 TF 이미지들(즉, 상이한 포커싱 설정들에서의 이미지들) 또는 TF 신호 프로파일들을 사용하여 분류된 결함들을 갖는 트레이닝 세트를 사용하여 제공될 수 있다. 트레이닝 세트에 대한 이 결함 분류는 다음 두가지 방법들 중 하나로 수행될 수 있다:
(1) DOI의 TF 신호 프로파일이 알려지면, 결함은 TF 신호 프로파일에 기초하여 분류된다. 추가적인 관련 설명에 대해서는 도 5의 지도형 접근법을 참조하라.
(2) 결함은 TF 이미지들을 사용하여 직접적으로 분류된다. 추가적인 관련 설명에 대해서는 도 4의 비지도형 접근법을 참조하라.
상기 (1)과 (2) 둘 다의 경우, 분류는 다음의 방식으로 수행될 수 있다:
(A) 수동으로(즉, 전문가가 분류를 결정함) 수행되거나, 또는
(B) TF 이미지들 또는 TF 신호 프로파일들이 각각의 결함 유형 및 뉴슨스를 어떻게 찾아내야 하는지를 시뮬레이션하고, 그런 후, 시뮬레이션된 값이 트레이닝 결함과 가장 "닮은" 결함 유형에 트레이닝 세트 내의 결함들을 할당함으로써 자동적으로 수행된다.
머신 트레이닝된 분류기는 또한, 트레이닝 웨이퍼 상의 모든 광학적 및 다른 관련 결함 특징들을 사용하여 근사한 "실측 자료"(즉, 식별된 결함 유형)에 기초하여 분류기를 트레이닝함으로써 제공될 수 있다. 따라서, 위에서는 실측 자료의 지식의 수준에 기초하여 지도형과 비지도형 동작들 둘 다에 대한 개시내용이 있지만, 다음을 비롯하여, 분류기 트레이닝 동안 지도형과 비지도형 간에 다양한 범위의 가능성이 있을 수도 있다:
(A) TF 신호 프로파일들과 공간적 시그너처들이 하나 이상의 결함 유형들에 대해 알려질 수 있으며, 그 후 전적으로 지도형 동작을 사용한다;
(B) 하나 이상의 결함 유형의 TF 신호 프로파일만이 알려질 수 있고, 공간적 시그너처는 알려지지 않는다;
(C) 하나 이상의 결함 유형에 대한 공간적 시그너처만이 알려질 수 있되, TF 신호 프로파일들은 그렇지 않다;
(D) 상기 정보 중 어느 것도 잘 알려져 있지 않아서, 전적으로 비지도형 동작을 사용한다.
또한, 분류기 빈들에서 신호 프로파일 순도의 동시적 튜닝, 및 알려진 특성들에 대한 관련 빈들의 웨이퍼 레벨 시그너처의 품질이 제공될 수 있다. 수렴이 될 때까지 트레이닝 세트의 반복적인 빌드업이 제공될 수 있으며, 혼동 행렬, 분류의 신뢰도, 관련 DOI 빈들의 순도, 및 DOI 빈(들)에 의해 형성된 공간적 시그니처들의 정확도를 사용하여 비닝의 비닝 적합성 평가가 추가로 제공될 수 있다.
다양한 실시예들을 상술하였지만, 이들 실시예는 단지 예로서 제시된 것이며 한정적인 의미를 갖는 것이 아님을 이해해야 한다. 따라서, 바람직한 실시예의 폭과 범위는 상술한 예시적인 실시예들 중 임의의 실시예에 의해 한정되어서는 안되며, 아래의 청구항들 및 이들 청구항의 등가물들에 따라서만 정의되어야 한다.

Claims (19)

  1. 방법을 수행하기 위해 프로세서에 의해 실행가능한 코드를 갖는 컴퓨터 프로그램 제품을 저장한 비일시적인 컴퓨터 판독가능 매체에 있어서, 상기 방법은,
    검사 시스템에 의해 웨이퍼 상에서 검출된 결함의 위치에 대해 상기 검사 시스템에 의해 생성된 복수의 이미지들을 획득하는 단계 - 상기 웨이퍼 상의 위치는 복수의 적층된 층들을 포함하며, 상기 복수의 이미지들의 각각의 이미지가 상이한 포커싱 설정을 사용하여 상기 위치에서 상기 검사 시스템에 의해 생성됨 -; 및
    상기 검사 시스템에 의해 상기 웨이퍼 상에서 검출된 상기 결함의 위치에 대한 상기 복수의 이미지들을 트레이닝 세트에 추가하는 단계;
    상기 복수의 이미지들을 이용하여, 상기 결함의 분류를 결정하는 단계로서, 상기 결함의 분류는, 상기 복수의 이미지들을 이용함으로써 상기 결함에 대해 생성된 것인, 스루 포커싱(through focus) 신호 프로파일을 사용하여 결정되고, 상기 스루 포커싱 신호 프로파일은 제1 축 상에서 포커싱 설정을 갖고 제2 축 상에서 대응하는 이미지의 속성을 가지며, 상기 포커싱 설정은 깊이 방향의 위치이고, 상기 대응하는 이미지의 속성은 상기 깊이 방향의 위치에 대응하는 이미지의 휘도(brightness) 또는 강도(magnitude)이고, 상기 스루 포커싱 신호 프로파일은 1차원(1D) 히스토그램인 것인, 상기 결함의 분류를 결정하는 단계;
    상기 결함에 대해 결정된 상기 분류에 기초하여, 상기 트레이닝 세트에서 결함을 라벨링하는 단계; 및
    상기 검사 시스템의 머신 러닝 분류기를 트레이닝하는 단계로서, 적층된 층들을 갖는 웨이퍼들의 후속 검사들을 위한 결함의 분류 동안, 상기 트레이닝 세트를 사용하여 상기 머신 러닝 분류기의 성능을 튜닝하기 위해, 상기 검사 시스템의 머신 러닝 분류기를 트레이닝하는 단계
    를 포함한 것인 비일시적인 컴퓨터 판독가능 매체.
  2. 제1항에 있어서,
    상기 웨이퍼는 3차원(3D) NAND 웨이퍼인 것인 비일시적인 컴퓨터 판독가능 매체.
  3. 제1항에 있어서,
    상기 결함은 상기 복수의 적층된 층들의 하부층 내에 위치된 것인 비일시적인 컴퓨터 판독가능 매체.
  4. 제1항에 있어서,
    상이한 포커싱 설정들 각각은 광을, 상이한 깊이로, 상기 위치에서 웨이퍼에 포커싱하는 것인 비일시적인 컴퓨터 판독가능 매체.
  5. 제1항에 있어서,
    상기 결함의 분류는 상기 복수의 이미지들로부터 직접적으로 결정된 것인 비일시적인 컴퓨터 판독가능 매체.
  6. 제1항에 있어서,
    상기 속성은 휘도를 포함한 것인 비일시적인 컴퓨터 판독가능 매체.
  7. 제1항에 있어서,
    상기 속성은 강도(magnitude)를 포함한 것인 비일시적인 컴퓨터 판독가능 매체.
  8. 제1항에 있어서,
    상기 결함의 분류는 상기 복수의 적층된 층들 중에서, 상기 결함이 존재하는 층을 나타내는 것인 비일시적인 컴퓨터 판독가능 매체.
  9. 제1항에 있어서,
    상기 트레이닝된 분류기를 사용하여 결함들을 비닝(binning)하는 단계
    를 더 포함하는 비일시적인 컴퓨터 판독가능 매체.
  10. 방법을 수행하기 위해 프로세서에 의해 실행가능한 코드를 갖는 컴퓨터 프로그램 제품을 저장한 비일시적인 컴퓨터 판독가능 매체에 있어서, 상기 방법은,
    검사 시스템에 의해 웨이퍼 상에서 검출된 결함의 위치에 대해 상기 검사 시스템에 의해 생성된 복수의 이미지들을 획득하는 단계 - 상기 웨이퍼 상의 위치는 복수의 적층된 층들을 포함하며, 상기 복수의 이미지들의 각각의 이미지가 상이한 포커싱 설정을 사용하여 상기 위치에서 상기 검사 시스템에 의해 생성됨 -;
    상기 복수의 이미지들을 이용하여, 상기 결함의 분류를 결정하는 단계;
    상기 분류를 이용하여, 트레이닝 세트를 생성하는 단계;
    상기 트레이닝 세트를 사용하여 상기 검사 시스템의 분류기를 트레이닝하는 단계;
    상기 트레이닝된 분류기를 사용하여 결함들을 비닝하는 단계; 및
    빈(bin)에 대한 공간적 시그너처(spatial signature)를 생성하기 위해 동일한 빈 내에서 다른 결함들과 함께 상기 결함을 도식화(plotting)하는 단계
    를 포함하는 비일시적인 컴퓨터 판독가능 매체.
  11. 제10항에 있어서,
    상기 빈에 대해 생성된 상기 공간적 시그너처를 사용하여 상기 검사 시스템을 튜닝하는 단계
    를 더 포함하는 비일시적인 컴퓨터 판독가능 매체.
  12. 방법에 있어서,
    컴퓨터 프로세서에 의해, 검사 시스템에 의해 웨이퍼 상에서 검출된 결함의 위치에 대해 상기 검사 시스템에 의해 생성된 복수의 이미지들을 획득하는 단계 - 상기 웨이퍼 상의 위치는 복수의 적층된 층들을 포함하며, 상기 복수의 이미지들의 각각의 이미지가 상이한 포커싱 설정을 사용하여 상기 위치에서 상기 검사 시스템에 의해 생성됨 -; 및
    상기 컴퓨터 프로세서에 의해, 상기 검사 시스템에 의해 상기 웨이퍼 상에서 검출된, 상기 결함의 위치에 대한 상기 복수의 이미지들을 트레이닝 세트에 추가하는 단계;
    상기 컴퓨터 프로세서에 의해, 상기 복수의 이미지들을 이용하여, 상기 결함의 분류를 결정하는 단계로서, 상기 결함의 분류는, 상기 복수의 이미지들을 이용함으로써 상기 결함에 대해 생성된 것인, 스루 포커싱 신호 프로파일을 사용하여 결정되고, 상기 스루 포커싱 신호 프로파일은 제1 축 상에서 포커싱 설정을 갖고 제2 축 상에서 대응하는 이미지의 속성을 가지며, 상기 포커싱 설정은 깊이 방향의 위치이고, 상기 대응하는 이미지의 속성은 상기 깊이 방향의 위치에 대응하는 이미지의 휘도 또는 강도이고, 상기 스루 포커싱 신호 프로파일은 1차원(1D) 히스토그램인 것인, 상기 결함의 분류를 결정하는 단계;
    상기 컴퓨터 프로세서에 의해, 상기 결함에 대해 결정된 상기 분류에 기초하여, 상기 트레이닝 세트에서 결함을 라벨링하는 단계; 및
    상기 컴퓨터 프로세서에 의해, 상기 검사 시스템의 머신 러닝 분류기를 트레이닝하는 단계로서, 적층된 층들을 갖는 웨이퍼들의 후속 검사들을 위한 결함의 분류 동안, 상기 트레이닝 세트를 사용하여 상기 머신 러닝 분류기의 성능을 튜닝하기 위해, 상기 검사 시스템의 머신 러닝 분류기를 트레이닝하는 단계
    를 포함하는 방법.
  13. 시스템에 있어서,
    컴퓨터 코드를 저장하는 메모리; 및
    상기 메모리에 결합되며, 방법을 수행하기 위해 상기 컴퓨터 코드를 실행하도록 구성된 프로세서
    를 포함하고,
    상기 방법은,
    검사 시스템에 의해 웨이퍼 상에서 검출된 결함의 위치에 대해 상기 검사 시스템에 의해 생성된 복수의 이미지들을 획득하는 단계 - 상기 웨이퍼 상의 위치는 복수의 적층된 층들을 포함하며, 상기 복수의 이미지들의 각각의 이미지는 상이한 포커싱 설정을 사용하여 상기 위치에서 상기 검사 시스템에 의해 생성됨 -; 및
    상기 검사 시스템에 의해 상기 웨이퍼 상에서 검출된, 상기 결함의 위치에 대한 상기 복수의 이미지들을 트레이닝 세트에 추가하는 단계;
    상기 복수의 이미지들을 이용하여, 상기 결함의 분류를 결정하는 단계로서, 상기 결함의 분류는, 상기 복수의 이미지들을 이용함으로써 상기 결함에 대해 생성된 것인, 스루 포커싱 신호 프로파일을 사용하여 결정되고, 상기 스루 포커싱 신호 프로파일은 제1 축 상에서 포커싱 설정을 갖고 제2 축 상에서 대응하는 이미지의 속성을 가지며, 상기 포커싱 설정은 깊이 방향의 위치이고, 상기 대응하는 이미지의 속성은 상기 깊이 방향의 위치에 대응하는 이미지의 휘도 또는 강도이고, 상기 스루 포커싱 신호 프로파일은 1차원(1D) 히스토그램인 것인, 상기 결함의 분류를 결정하는 단계;
    상기 결함에 대해 결정된 상기 분류에 기초하여, 상기 트레이닝 세트에서 결함을 라벨링하는 단계; 및
    상기 검사 시스템의 머신 러닝 분류기를 트레이닝하는 단계로서, 적층된 층들을 갖는 웨이퍼들의 후속 검사들을 위한 결함의 분류 동안, 상기 트레이닝 세트를 사용하여 상기 머신 러닝 분류기의 성능을 튜닝하기 위해, 상기 검사 시스템의 머신 러닝 분류기를 트레이닝하는 단계
    를 포함한 것인 시스템.
  14. 제13항에 있어서,
    상기 시스템은 상기 검사 시스템을 포함한 것인 시스템.
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
KR1020197023130A 2017-01-10 2018-01-10 심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법 KR102536011B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762444690P 2017-01-10 2017-01-10
US62/444,690 2017-01-10
US15/863,753 2018-01-05
US15/863,753 US10964013B2 (en) 2017-01-10 2018-01-05 System, method for training and applying defect classifiers in wafers having deeply stacked layers
PCT/US2018/013178 WO2018132480A1 (en) 2017-01-10 2018-01-10 System, method for training and applying defect classifiers in wafers having deeply stacked layers

Publications (2)

Publication Number Publication Date
KR20190098262A KR20190098262A (ko) 2019-08-21
KR102536011B1 true KR102536011B1 (ko) 2023-05-23

Family

ID=62839952

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197023130A KR102536011B1 (ko) 2017-01-10 2018-01-10 심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법

Country Status (6)

Country Link
US (1) US10964013B2 (ko)
JP (1) JP7200113B2 (ko)
KR (1) KR102536011B1 (ko)
CN (1) CN110402487B (ko)
TW (1) TWI761420B (ko)
WO (1) WO2018132480A1 (ko)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
US11468553B2 (en) * 2018-11-02 2022-10-11 Kla Corporation System and method for determining type and size of defects on blank reticles
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
US11424037B2 (en) * 2019-11-22 2022-08-23 International Business Machines Corporation Disease simulation in medical images
US11610296B2 (en) 2020-01-09 2023-03-21 Kla Corporation Projection and distance segmentation algorithm for wafer defect detection
US11301977B2 (en) * 2020-04-10 2022-04-12 General Electric Company Systems and methods for automatic defect recognition
TWI785582B (zh) 2020-05-08 2022-12-01 荷蘭商Ａｓｍｌ荷蘭公司 用於在帶電粒子束檢測系統中增強檢測影像之方法、影像增強裝置及其相關非暫時性電腦可讀媒體
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
US11631196B2 (en) 2020-07-31 2023-04-18 Zebra Technologies Corporation Systems and methods to optimize imaging settings for a machine vision job
US11798828B2 (en) * 2020-09-04 2023-10-24 Kla Corporation Binning-enhanced defect detection method for three-dimensional wafer structures
CN113241310B (zh) * 2021-05-28 2022-07-15 长江存储科技有限责任公司 晶圆缺陷的检测方法、检测装置、检测设备及可读存储介质
CN113127605B (zh) * 2021-06-17 2021-11-02 明品云(北京)数据科技有限公司 一种目标识别模型的建立方法、系统、电子设备及介质
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156379A1 (en) 2005-11-18 2007-07-05 Ashok Kulkarni Methods and systems for utilizing design data in combination with inspection data
JP2014070944A (ja) * 2012-09-28 2014-04-21 Dainippon Screen Mfg Co Ltd 教師データ検証装置、教師データ作成装置、画像分類装置、教師データ検証方法、教師データ作成方法および画像分類方法
JP2016516307A (ja) * 2013-04-03 2016-06-02 ケーエルエー−テンカー コーポレイション 垂直スタックメモリにおいて欠陥深さを決定するための装置および方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2822937B2 (ja) * 1995-07-17 1998-11-11 株式会社日立製作所 半導体装置の製造システム及び欠陥検査方法
DE19726696A1 (de) 1997-06-24 1999-01-07 Jenoptik Jena Gmbh Verfahren zur Fokussierung bei der Abbildung strukturierter Oberflächen von scheibenförmigen Objekten
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
US6456899B1 (en) 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
JP2004193529A (ja) * 2002-10-16 2004-07-08 Shin Etsu Handotai Co Ltd ウエーハの評価方法及び装置
US7760347B2 (en) 2005-05-13 2010-07-20 Applied Materials, Inc. Design-based method for grouping systematic defects in lithography pattern writing system
US7659975B1 (en) 2005-09-21 2010-02-09 Kla-Tencor Technologies Corp. Methods and systems for inspection of a wafer or setting up an inspection process
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8605275B2 (en) * 2009-01-26 2013-12-10 Kla-Tencor Corp. Detecting defects on a wafer
TW201118758A (en) * 2009-11-25 2011-06-01 Hermes Microvision Inc Method and system for the visual classification of defects
WO2012005863A2 (en) * 2010-06-30 2012-01-12 Kla-Tencor Corporation Data perturbation for wafer inspection or metrology setup
US20120316855A1 (en) * 2011-06-08 2012-12-13 Kla-Tencor Corporation Using Three-Dimensional Representations for Defect-Related Applications
US9075027B2 (en) * 2012-11-21 2015-07-07 Kla-Tencor Corporation Apparatus and methods for detecting defects in vertical memory
US9829441B2 (en) * 2013-11-29 2017-11-28 Nextin, Inc. Wafer image inspection apparatus
US9293298B2 (en) * 2013-12-23 2016-03-22 Kla-Tencor Corp. Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
JP2015184023A (ja) * 2014-03-20 2015-10-22 株式会社東芝 欠陥検査方法
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070156379A1 (en) 2005-11-18 2007-07-05 Ashok Kulkarni Methods and systems for utilizing design data in combination with inspection data
JP2014070944A (ja) * 2012-09-28 2014-04-21 Dainippon Screen Mfg Co Ltd 教師データ検証装置、教師データ作成装置、画像分類装置、教師データ検証方法、教師データ作成方法および画像分類方法
JP2016516307A (ja) * 2013-04-03 2016-06-02 ケーエルエー−テンカー コーポレイション 垂直スタックメモリにおいて欠陥深さを決定するための装置および方法

Also Published As

Publication number Publication date
TW201830006A (zh) 2018-08-16
TWI761420B (zh) 2022-04-21
JP2020514721A (ja) 2020-05-21
WO2018132480A1 (en) 2018-07-19
US20180204315A1 (en) 2018-07-19
KR20190098262A (ko) 2019-08-21
JP7200113B2 (ja) 2023-01-06
CN110402487A (zh) 2019-11-01
US10964013B2 (en) 2021-03-30
CN110402487B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
KR102536011B1 (ko) 심층적으로 적층된 층들을 갖는 웨이퍼들에서 결함 분류기를 트레이닝하고 적용하기 위한 시스템, 방법
CN106461581B (zh) 基于来自光学检验及光学重检的缺陷属性的用于电子束重检的缺陷取样
US9293298B2 (en) Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US9601393B2 (en) Selecting one or more parameters for inspection of a wafer
JP6342046B2 (ja) ビット不良および仮想検査を用いたウェハ検査プロセスの生成
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
KR102079418B1 (ko) 웨이퍼 상의 결함 검출
US10677742B2 (en) Detecting die repeating programmed defects located in backgrounds with non-repeating features
TW202105549A (zh) 對樣本的缺陷檢測的方法及其系統
CN105960702A (zh) 基于从标准参考图像确定的属性的缺陷检测及分类
CN106537125A (zh) 具有多种模式的虚拟检验系统
CN107358599A (zh) 使用缺陷特定的信息检测晶片上的缺陷
CN112740383B (zh) 在晶片上检测缺陷的系统、计算机实施方法及可读媒体

Legal Events

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