KR102536835B1 - 실리콘 웨이퍼 결함 분석 방법 - Google Patents

실리콘 웨이퍼 결함 분석 방법 Download PDF

Info

Publication number
KR102536835B1
KR102536835B1 KR1020210014006A KR20210014006A KR102536835B1 KR 102536835 B1 KR102536835 B1 KR 102536835B1 KR 1020210014006 A KR1020210014006 A KR 1020210014006A KR 20210014006 A KR20210014006 A KR 20210014006A KR 102536835 B1 KR102536835 B1 KR 102536835B1
Authority
KR
South Korea
Prior art keywords
dsod
defect
wafer
pattern
copper
Prior art date
Application number
KR1020210014006A
Other languages
English (en)
Other versions
KR20220110961A (ko
Inventor
박현우
Original Assignee
에스케이실트론 주식회사
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 에스케이실트론 주식회사 filed Critical 에스케이실트론 주식회사
Priority to KR1020210014006A priority Critical patent/KR102536835B1/ko
Publication of KR20220110961A publication Critical patent/KR20220110961A/ko
Application granted granted Critical
Publication of KR102536835B1 publication Critical patent/KR102536835B1/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
    • H01L22/10—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 개시의 실시 예에 따른 결정 결함 분석 장치 또는 결정 결함 분석 방법은 웨이퍼나 단결정 잉곳의 조각에 대한 구리 헤이즈 맵(Cu-haze map)을 획득하는 단계; 상기 구리 헤이즈 맵에 기초하여 구리 헤이즈 스코어링(Cu haze Scoring) 단계; 및 상기 구리 헤이즈 맵 데이터와 구리 헤이즈 스코어링 결과에 기초하여 DSOD 결함을 예측하는 단계를 포함할 수 있다.

Description

실리콘 웨이퍼 결함 분석 방법 {METHOD OF TESTING DEFECT OF SILICON WAFER}
본 발명은 실리콘 웨이퍼의 결함을 분석하는 방법에 관한 것이다.
반도체를 제조하기 위해서는 웨이퍼를 제조해야하며, 웨이퍼의 제조를 위해서는 먼저 단결정 실리콘을 잉곳(ingot) 형태로 성장시켜야 한다.
제조된 단결정 실리콘 잉곳 또는 실리콘 웨이퍼는 COP(Crystal Originated Particles), FPD(Flow Pattern Defect), OiSF(Oxygen induced Stacking Fault), BMD(Bulk Micro Defect), LDP(Loop Dominant Point defect zone) 등의 결정 결함이 나타나고 있으며, 이와 같은 성장 중에 도입되는 결함(grown-in defect)의 밀도와 크기의 감소가 요구되어 오고 있다.
상기 결정 결함은 소자 수율 및 품질에 영향을 미치는 것으로 확인되고 있다. 따라서, 결정 결함을 완전히 제거시킴과 동시에 이런 결함을 쉽고 빠르게 평가하는 기술은 아주 중요하다.
또한, 단결정 실리콘 잉곳 또는 실리콘 웨이퍼는 그 결정의 성장 조건에 따라서 베이컨시형 점결함이 우세하여 과포화된 베이컨시(Vacancy)가 응집된 결함을 갖는 V-rich 영역, 베이컨시형 점결함이 우세하나 응집된 결함이 없는 VDP(Vacancy Dominant Point defect zone) 영역, 베이컨시/인터스티셜 경계(V/I boundary), 인터스티셜(Interstitial) 점결함이 우세하나 응집된 결함이 없는 IDP(Interstitial Dominant Point defect zone) 영역, 인터스티셜 점결함이 우세하여 과포화된 인터스티셜 실리콘이 응집된 결함을 갖는 I-rich 영역 등이 존재한다.
그리고, 이러한 영역이 발생하는 위치와 단결정 실리콘 잉곳의 결정 길이별로 이러한 영역들이 어떻게 변화해 가는지 확인하는 것은 결정의 품질 수준을 평가함에 있어서 중요하다.
한편, 최근 결정 특성 구간을 판별하는 방법 중 실효성이 뛰어난 방법 중에 하나가, 구리 헤이즈(Cu-Haze) 방법으로 실리콘 웨이퍼에 구리(Cu)를 강제 오염시킨 후, 열처리 조건에 따라 구리(Cu)가 웨이퍼(Wafer) 내부 혹은 표면에 어떻게 분포하는지를 확인하여 결정 특성 구간을 판단하게 되는 방법이 있다.
구리 헤이즈(Cu-haze) 방법은 경면(Mirror-Surface)의 표면을 가지는 낱장 혹은 여러 장의 웨이퍼(wafer)를 Cu 이온을 포함한 용액에 강제 오염시킨 후, 열처리 사이클을 거쳐 결정 영역을 판정한다.
또한 DSOD(Direct Surface Oxide Defect) 분석법이 있다. 구리 데코레이션을 이용한 DSOD 분석법에서는 베어 웨이퍼를 구리이온이 용해되어있는 전해액 속의 구리판 전극 사이에 위치시킨 후 직류(DC) 전원을 인가하는 공정을 실시한다. 이때 베어 웨이퍼는 경면가공되고 표면에 열산화막이 형성된 구조를 갖는 샘플이 사용된다.
직류전원이 공급되면 구리이온이 베어 웨이퍼의 결함부위에 환원 증착되고, 증착이 계속 진행됨에 따라 전류는 결함이 있는 지점으로 집중되며, 어느 순간 원자 격자가 파괴되면서 급격히 전류가 흐르게 된다. 이후 결함이 있는 지점과 그 부근은 육안으로도 관찰될 수 있는 크기의 결함으로 성장하게 되므로 결함의 분포와 밀도 등을 용이하게 분석할 수 있다.
한편, 상기 평가 방법은 각각 독립적으로 수행되므로 웨이퍼 결함 판단에 번거로움이 존재하였으므로, 상기 방법들을 통합 모니터링할 수 있는 방법이 필요하였다.
본 개시의 목적은 DSOD 평가법을 스코어링 정보, FDP/LDP 결함 정보를 Cu-haze map에 한번에 나타내어 웨이퍼 결함 판단을 하기 위함이다.
본 개시의 실시 예에 따른 웨이퍼 결정 결함 평가 방법은 웨이퍼나 단결정 잉곳의 조각에 대한 구리 헤이즈 맵(Cu-haze map)을 획득하는 단계; 상기 구리 헤이즈 맵에 기초하여 구리 헤이즈 스코어링(Cu haze Scoring) 단계; 및 상기 구리 헤이즈 맵 데이터와 구리 헤이즈 스코어링 결과에 기초하여 DSOD 결함을 예측하는 단계를 포함할 수 있다.
또한, 상기 DSOD 결함을 예측하는 단계는, 구리-헤이즈 맵 데이터와 구리 헤이즈 스코어링 결과가 입력되면, DSOD 결함 여부를 결과값으로 출력하도록 학습된 인공 지능 모델을 이용하여, 상기 DSOD 결함을 예측하는 단계를 포함할 수 있다.
또한, 상기 인공지능 모델을 이용하여 DSOD 결함을 예측하는 단계는 구리-헤이즈 맵 데이터와 상기 구리 헤이즈 스코어링 결과에 기초하여 DSOD 스코어를 예측하는 단계; 및 상기 DSOD 스코어에 기초하여 DSOD 결함 여부를 판단하는 단계를 포함할 수 있다.
또한, 상기 DSOD 스코어는, 상기 웨이퍼의 중심으로부터 일정 거리를 갖고 복수개의 결함 각각을 포함하는 적어도 하나 이상의 링이 차지하는 넓이에 기초하여 결정될 수 있다.
또한, 상기 DSOD 결함을 예측하는 단계는 상기 인공지능 모델을 이용하여 DSOD 결함 패턴을 검출하는 단계 및 상기 DSOD 스코어와 DSOD 결함 패턴에 기초하여 DSOD 결함 여부를 판단하는 단계를 더 포함할 수 있다.
또한, 상기 DSOD 결함 패턴은, 링 패턴, 특정 영역에 몰린 패턴 중 적어도 하나를 포함할 수 있다.
또한, 상기 DSOD 결함 패턴을 검출하는 단계는, 상기 웨이퍼의 중심으로부터 일정 거리를 갖고 제1 결함을 지나는 원과, 상기 제2 결함의 거리가 기 설정된 값 이하인 경우, 링형 패턴으로 판단하는 단계를 포함할 수 있다.
또한, 상기 DSOD 결함 패턴을 검출하는 단계는, 복수개의 결함 각각을 중심으로, 일정 반지름을 갖는 복수개의 원 각각의 중첩되는 넓이가 기 설정된 값을 초과하는 경우, 특정 영역에 몰린 패턴 또는 센터 노이즈 패턴으로 판단하는 단계를 포함할 수 있다.
또한, 상기 인공 지능 모델을 학습시키는 단계를 더 포함하고, 상기 인공 지능 모델을 학습시키는 단계는, DSOD 평가 데이터를 이용하여 DSOD 스코어링 데이터를 획득하는 단계; 상기 구리-헤이즈 스코어링 데이터와 상기 DSOD 스코어링 데이터의 상관관계를 학습하는 단계; 및 상기 DSOD 스코어링 데이터와 DSOD 평가 데이터의 상관관계를 학습하는 단계를 포함할 수 있다.
또한 본 개시의 실시 예에 따른 평가 방법은, FPD 및 LDP 평가를 실시하는 단계; 및 FPD 및 LDP 평가결과를 구리 헤이즈 맵에 출력하는 단계를 더 포함할 수 있다.
본 개시의 실시 예에 따른 웨이퍼 결함 분석 장치는 상기 방법의 구성을 모두 포함할 수 있으며 웨이퍼 결함을 판단하기 위한 이미지를 획득하는 입력부; 웨이퍼나 단결정 잉곳의 조각에 대한 구리 헤이즈 맵(Cu-haze map)을 획득하고, 상기 구리 헤이즈 맵에 기초하여 구리 헤이즈 스코어링(Cu haze Scoring)을 수행하고, 인공지능 모델을 이용하여 상기 구리 헤이즈 맵 데이터와 구리 헤이즈 스코어링 결과에 기초하여 DSOD 결함을 예측하는 프로세서를 포함할 수 있다.
또한, 상기 프로세서는 상기 인공지능 모델을 이용하여, 상기 구리-헤이즈 맵 데이터와 상기 구리 헤이즈 스코어링 결과에 기초하여 DSOD 스코어를 예측하고, 상기 DSOD 스코어에 기초하여 DSOD 결함 여부를 판단할 수 있다.
또한, 상기 DSOD 스코어는, 상기 웨이퍼의 중심으로부터 일정 거리를 갖고 복수개의 결함 각각을 포함하는 적어도 하나 이상의 링이 차지하는 넓이에 기초하여 결정될 수 있다.
또한, 상기 프로세서는 상기 인공지능 모델을 이용하여 DSOD 결함 패턴을 검출하고, 상기 DSOD 스코어와 DSOD 결함 패턴에 기초하여 DSOD 결함 여부를 판단하고, 상기 DSOD 결함 패턴은, 링 패턴, 특정 영역에 몰린 패턴 중 적어도 하나를 포함할 수 있다.
또한, 프로세서는, 상기 DSOD 결함 패턴 검출 시, 상기 웨이퍼의 중심으로부터 일정 거리를 갖고 제1 결함을 지나는 원과, 상기 제2 결함의 거리가 기 설정된 값 이하인 경우, 링형 패턴으로 판단할 수 있다.
또한, 상기 프로세서는, 상기 DSOD 결함 패턴 검출 시, 복수개의 결함 각각을 중심으로, 일정 반지름을 갖는 복수개의 원 각각의 중첩되는 넓이가 기 설정된 값을 초과하는 경우, 특정 영역에 몰린 패턴 또는 센터 노이즈 패턴으로 판단할 수 있다.
본 개시는 DSOD 평가법을 스코어링 정보, FDP/LDP 결함 정보를 구리-헤이즈 맵(Cu-haze map)에 한번에 나타냄으로써 DSOD 결함 판단 시 불량률을 유의미하게 감소시킬 수 있다.
본 개시는 DSOD 평가법을 스코어링 정보, FDP/LDP 결함 정보를 구리 헤이즈 맵(Cu-haze map)에 한번에 나타냄으로써 사용자의 웨이퍼 결함 판단 시 효율을 증대시킬 수 있다.
본 개시는 DSOD 평가법을 스코어링 정보, FDP/LDP 결함 정보를 구리 헤이즈 맵(Cu-haze map)에 한번에 나타내어 이전의 결함 평가 공정에 비하여 비용을 절감시킬 수 있다.
도 1은 본 개시의 실시 예에 따른 웨이퍼 제작 공정을 나타낸 순서도이다.
도 2는 본 개시의 실시 예에 따른 웨이퍼 결정 결함 평가 장치의 구성을 나타낸 블록도이다.
도 3은 본 개시의 실시 예에 따른 웨이퍼 결정 결함 평가 방법을 나타낸 순서도이다.
도 4는 본 개시의 실시 예에 따른 인공 지능 모델을 나타낸 것이다.
도 5는 본 개시의 실시 예에 따른 인공 지능 모델의 학습 방법을 나타낸 순서도이다.
도 6은 본 개시의 실시 예에 따른, DSOD 스코어링 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 실시 예에 따른 DSOD 패턴 검출 방법을 설명하기 위한 도면이다.
도 8는 본 개시의 실시 예에 따른, FPD/LDP 출력 방법을 나타낸 순서도이다.
도 9은 본 개시의 실시 예에 따른, FPD/LDP 출력 방법을 나타낸 도면이다.
이하, 본 발명의 상세에 대하여 설명한다.
이하에 설명하는 실시 예는 본 발명의 일례 일 뿐이며, 본 발명은 다양한 형태로 변형 될 수있다. 따라서, 이하에 개시된 특정 구성 및 기능은 청구 범위를 제한하지 않는다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
도 1은 본 개시의 실시 예에 따른, 웨이퍼 공정을 나타낸 도면이다.
도 1을 참고하면, 웨이퍼를 만들기 위한 단결정 잉곳(Ingot)을 성장(Growing)시킨 이후에 베어 웨이퍼를 슬라이싱(Slicing)하는 공정(S10 및 S20)과, 슬라이싱 시 발생한 표면의 손상을 제거하고 평탄도를 향상시키기 위해 웨이퍼의 표면을 랩핑(Lapping)하는 공정(S30)과, 랩핑 공정에서 연마된 웨이퍼의 표면에 발생된 미세 균열이나 표면결함을 화학적 반응으로 에칭(Etching)하는 공정(S40)과, 휠(Wheel)을 이용하여 웨이퍼 표면의 톱니 자국(Saw Mark) 등을 그라인딩(Grinding)하는 공정(S50)과, 웨이퍼의 표면을 살짝 에칭(Slight Etching)하는 공정(S60)과, 웨이퍼의 표면 거칠기와 평탄도를 향상시키기 위해 웨이퍼의 표면을 폴리싱(polishing)하는 공정(S70)과, 웨이퍼를 세정(Cleaning)하는 공정(S80)을 포함할 수 있다.
한편, 종래의 결정 결함 평가 방법에 있어서, 웨이퍼(wafer)가 상대적으로 러프한 상태라 평가 시 MAP의 해상도가 낮은 문제가 발생할 것을 대비하여 그라인딩 공정(S50) 이후에 복수개의 웨이퍼 중 적어도 하나 이상의 샘플을 선택하고, 선택된 샘플에서 FPD/LDP 및 구리-헤이즈 결함을 검출하였다(S55).
또한, DSOD 분석법은 검출되는 DSOD의 결함 크기가 매우 작기 때문에 스크래치(Scratch)나, 주변 환경으로부터 오염된 파티클, 각종 표면결함 등이 다수 존재하는 표면상태에서는 DSOD 분석을 통한 결함 평가가 곤란하기 때문에 폴리싱(Polishing) 공정(S70)을 거쳐 경면가공된 베어 웨이퍼를 사용하여야 했으므로 일련의 웨이퍼 표면처리 작업들을 모두 진행하여 베어 웨이퍼를 가공해야만 하는 문제가 있다.
상기와 같은 문제로 인해 FPD/LDP 결함 및 구리-헤이즈 결함이 발견되지 않아 추후 공정이 진행되었으나, 폴리싱 공정(S70) 이후 DSOD 분석법(S75)에 따라 결함이 발견되는 경우는 그 결함 평가 작업이 번거로울 뿐만 아니라 공정진행에 따른 비용이 많이 소요되고, 결정성장 시 발생한 결함에 대한 평가가 결정성장이 한참 지난 시점에 이루어지므로 결정성장 공정에 대한 신속한 피드백(Feedback)이 이루어질 수 없는 취약점이 있다.
도 2는 본 개시의 실시 예에 따른 웨이퍼 결함 분석 장치의 구성을 나타내는 블록도이다.
도 2를 참고하면, 웨이퍼 결함 분석 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 2를 참고하면, 웨이퍼 결함 분석 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 장치 또는 서버 등의 외부 장치들돠 데이터를 송수신 할 수 있다.
입력부(120)는 영상 데이터를 입력받을 수 있다. 또한 음성 신호 수신, 사용자로부터 데이터를 획득하기 위한 사용자 입력부 등 다양한 종류의 데이터를 획득할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
한편, 웨이퍼 결함 분석 장치(100)에 탑재될 인공 지능 모델은 러닝 프로세서(130)에서 학습될 수 있고, 외부 장치나 서버로부터 전송받는 것 또한 가능할 것이다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
또한 센싱부(140)는 카메라를 포함하고, 카메라를 이용하여 웨이퍼의 결함을 판단하기 위한 이미지를 수신하는 것도 가능할 것이다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
본 개시의 실시 예에 따른 프로세서는 웨이퍼 결함 분석 장치의 전반적인 동작을 제어할 수 있을 것이다.
이하 본 개시의 실시 예에 따른 웨이퍼 결정 결함 분석 장치(100)의 웨이퍼 결정 결함 평가 방법을 나타낸다.
도 3은 본 개시의 실시 예에 따른 웨이퍼 결정 결함 평가 방법을 나타낸 순서도이다.
도 3을 참고하면, 웨이퍼 공정에서, 그라인딩 공정(S50)이 진행된 이후 복수개의 웨이퍼 중 적어도 하나 이상의 샘플을 획득할 수 있다. 이후, 웨이퍼나 단결정 잉곳의 조각에 FPD/LDP 평가를 실시할 수 있다(S310).
본 개시이 실시 예에 따르면 프로세서(180)는 FPC/LDP 평가가 진행된 이후 구리-헤이즈 평가를 실시할 수 있다(S320).
구체적으로 구리-헤이즈 평가 방법은 웨이퍼나 단결정 잉곳의 조각에 대한 구리 헤이즈 맵(Cu-haze map)을 획득하는 단계를 포함할 수 있다. 또한, 상기 구리 헤이즈 맵에 기초하여 구리 헤이즈 스코어링(Cu haze Scoring) 단계를 포함할 수 있다.
더욱 구체적으로 구리-헤이즈 스코어링 단계는 구리-헤이즈 맵 데이터에서 광원을 이용하여, 그리드 결함이 가장 많은 곳에 대한 결함 개수를 산정하는 방식으로 구리-헤이즈 스코어를 획득하는 방식으로 진행될 수 있다.
본 개시의 실시 예에 따르면, 프로세서(180)는 인공지능 모델을 이용하여 구리-헤이즈 맵 데이터와 구리-헤이즈 스코어링 결과에 기초하여 DSOD 스코어를 산출하고, DSOD 스코어에 기초하여 DSOD 결함을 예측할 수 있다(S330).
본 개시의 실시 예에 따른 프로세서는 상기 DSOD 결함을 예측할 시, 구리-헤이즈 맵 데이터와 구리-헤이즈 스코어링 결과가 입력되면, DSOD 결함 여부를 결과값으로 출력하도록 학습된 인공 지능 모델을 이용하여, 상기 DSOD 결함을 예측할 수 있다.
더욱 구체적으로 프로세서(180)가 상기 인공지능 모델을 이용하여 DSOD 결함을 예측하는 방법은, 구리-헤이즈 맵 데이터와 상기 구리-헤이즈 스코어링 결과에 기초하여 DSOD 스코어를 예측하고, 상기 DSOD 스코어에 기초하여 DSOD 결함 여부를 판단하는 단계를 더 포함할 수 있다.
이때, DSOD 스코어는 본 개시에서 개시하는 DSOD 평가에서 검출된 결정 결함을 판단하는 새로운 방법으로, 상기 웨이퍼의 중심으로부터 일정 거리를 갖고 복수개의 결함 각각을 포함하는 복수개의 링이 차지하는 넓이에 기초하여 결정될 수 있다. 이하 구체적인 설명은 도 6에서 한다.
한편 상기 과정은 학습된 인공 지능 모델을 웨이퍼 결함 분석에 활용하는 방법으로써, 인공 지능 모델의 학습 방법은 도 5 내지 도 8에서 설명하도록 한다.
한편, 본 개시의 실시 예에 따라서 DSOD 결함을 예측함과 동시에 구리-헤이즈 스코어를 보정하여 구리-헤이즈 평가에서 웨이퍼 부적합 판단을 하는 것 또한 가능할 것이다.
이하 웨이퍼 결함 분석 시 인공 지능 모델의 동작을 구체적으로 설명한다.
도 4는 본 개시의 실시 예에 따른 인공 지능 모델을 나타낸 것이다.
도 4를 참고하면, 학습된 인공 지능 모델(420)은 구리 헤이즈 평가 시, 구리-헤이즈 맵 이미지 데이터와 구리-헤이즈 스코어가 입력(입력값, 410)되면, 결과값(430)으로 DSOD 결함 예측 결과를 출력할 수 있다.
구체적으로 인공 지능 모델은 구리-헤이즈 맵 이미지와 구리-헤이즈 스코어가 입력되면, 구리-헤이즈 스코어와 DSOD 스코어의 상관관계에 기초하여 매칭되는 DSOD 스코어를 산출할 수 있다. 이후, 인공 지능 모델은 DSOD 스코어에 기초하여 DSOD 결함을 예측할 수 있다.
예를 들어, 구리-헤이즈 스코어가 '150'인 경우, 매칭되는 DSOD 스코어는 '120' 일 수 있다. 인공지능 모델은 DSOD 스코어가 결함 판단의 기준인 100을 초과하는 경우이므로, DSOD 결함 예측 결과를 부적합(reject)으로 판단할 수 있을 것이다.
또는 인공 지능 모델은 DSOD 예상 불량률을 출력할 수 있다. 또는 인공 지능 모델은 구리-헤이즈 스코어의 보정 스코어를 출력할 수 있다.
또는 실시예에 따라 인공 지능 모델은 구리-헤이즈 평가 시, 기존의 구리-헤이즈 맵 이미지와 구리-헤이즈 스코어에 기초하여 DSOD 결함여부를 도출해낼 수 있는 다양한 데이터를 출력할 수 있다.
앞서 설명한 바와 같이, 본 개시의 실시 예에 따라서 DSOD 결함을 예측함과 동시에 구리-헤이즈 스코어를 보정하여 구리-헤이즈 평가에서 웨이퍼 부적합 판단을 하는 것 또한 가능하므로 구리-헤이즈 보정 스코어를 출력하고, 해당 보정 스코어를 구리-헤이즈 스코어에 업데이트 하여 구리-헤이즈 평가 시 웨이퍼의 부적합 판단을 하는 것 또한 가능할 것이다.
예를 들어, 본 개시의 실시 예에 따른 프로세서(180)는 출력부를 통하여 'Cu-H map Scoring Center 30', 'DSOD 예상 불량률: 96.3%', 'DSOD Scoring Center 54' 와 같은 결과를 출력할 수 있다.
사용자는 상기 인공지능 모델의 출력 결과값을 이용하여 DSOD 예상 결함 여부를 판단할 수 있으며, 프로세서(180)가 상기 결과값을 이용하여 DSOD 결함여부를 판단하는 것 또한 가능할 것이다.
한편, 상기 출력 결과값에는 웨이퍼의 위치, 순번, 제조일자, 번호 등의 레퍼런스 정보가 함께 포함되는 것도 가능하다.
이하 도 5 내지 도 8에서 인공 지능 모델의 학습 방법을 설명한다.
도 5는 본 개시의 실시 예에 따른 인공 지능 모델의 학습 방법을 나타낸 순서도이다.
도 5를 참고하면, 프로세서(180)는 종래의 구리-헤이즈 평가 방법, DSOD 평가 방법에 따라서 구리-헤이즈 맵 데이터, 구리-헤이즈 스코어링 데이터 및 DSOD 평가 데이터를 수집할 수 있다(S510).
이때 구리-헤이즈 맵 데이터는 구리-헤이즈 맵 이미지 데이터일 수 있다. 또한, 구리-헤이즈 스코어링 데이터는 구리-헤이즈 맵에서 검출된 결함의 개수를 산정한 값을 의미할 수 있다.
또한 DSOD 평가 데이터는 DSOD 평가 시 사용된 이미지 데이터와 DSOD 평가 결과(예를 들어, 적합/부적합) 데이터를 포함할 수 있다.
본 개시의 실시 예에 따른 웨이퍼 결함분석 장치는 DSOD 평가 데이터를 인공지능 모델에 학습시키기 위하여 전처리를 실시할 수 있다(S520).
이때, 전처리는 DSOD 평가 데이터에 기초하여 DSOD 스코어를 산출하기 위한 전처리 과정일 수 있다.
구체적으로 프로세서(180)는 DSOD 스코어를 산출하기 위하여 DSOD 평가에서 검출된 결함 각각을 포함하고, 일정 선의 두께를 갖는 링을 생성할 수 있다. 이때, 링의 중심은 웨이퍼의 중심일 수 있다.
상기 DSOD 스코어는, 상기 웨이퍼의 중심으로부터 일정 거리를 갖고 복수개의 결함 각각을 포함하는 복수개의 링이 차지하는 넓이에 기초하여 결정될 수 있다.
예를 들어 도 6(a)을 참고하면, 전처리 시 프로세서는 DSOD의 특징을 반영하여 웨이퍼를 센터(612)와 엣지(611)로 구분하고, DSOD 평가에서 검출된 결함을 포함하는 원을 그리기 위한 선의 두께를 설정할 수 있다. 이때 선의 두께는 결함의 민감도, 중요도에 따라 다르게 설정될 수 있을 것이다.
만약 결함을 엄격하게 판단하는 경우라면, 선의 두께는 증가할 수 있고 결함을 엄격하지 판단하지 않는 경우라면 선의 두께는 감소할 수 있을 것이다.
또한, 도 6(b)를 참고하면, 프로세서는 DSOD 스코어를 산출하기 위하여 복수개의 결함 각각을 지나고, 웨이퍼의 중심으로부터 일정 거리를 갖는 원을 상기 선의 두께를 갖는 원을 생성할 수 있다.
예를 들어, 센터 부분에서 검출된 결함 각각을 포함하고 웨이퍼의 중심을 지나는 원은 621과 같이 생성될 수 있고, 엣지 부분에서 검출된 결함 각각을 포함하고 웨이퍼의 중심을 지나는 원은 622와 같이 생성될 수 있다.
또한, 도 6(c)를 참고하면, 프로세서는 DSOD 스코어를 산출하기 위하여 상기 복수개의 원이 형성하는 적어도 하나 이상의 링을 생성할 수 있다.
구체적으로 상기 링은 복수개의 원이 중 어느 하나로부터 일정 거리 이내에 다른 원이 검출된 경우, 더 큰 원을 외둘레로, 작은 원을 내둘레로 설정하여 생성될 수 있다.
프로세서(180)는 복수개의 원을 이용하여 생성된 링의 넓이의 합에 기초하여 DSOD 스코어를 산출할 수 있다.
본 개시의 실시 예에 따르면, 구리-헤이즈 맵의 스코어링 데이터와 DSOD 평가 데이터에서 산출한 DSOD 스코어링 데이터 값은 서로 상관관계가 있음을 알 수 있다. 구체적으로 구리-헤이즈 스코어링 데이터가 높은 값을 가질수록 DSOD 스코어링 데이터는 큰 값을 가질 수 있다
이는, 웨이퍼 표면에서 발생한 결정 결함의 개수가 많을수록, DSOD 스코어를 산출하기 위한 링 넓이의 합도 증가하기 때문에 발생하는 결과이다.
반대로 구리-헤이즈 스코어링 데이터가 작은 값을 가질수록 DSOD 스코어 링 데이터는 작은 값을 가질 수 있다.
다시 도 5를 설명한다.
본 개시의 실시 예에 따른 프로세서는 DSOD 평가 데이터에 전처리를 수행하고, DSOD 전처리 데이터 스코어링을 통하여 DSOD 스코어를 산출할 수 있다.
또한 DSOD 평가 데이터에 기초하여 결함 패턴 정보를 수집할 수 있다(S530).
이때, 결함 패턴 정보와 관련해서 도 7을 참고하여 설명한다.
도 7은 본 개시의 실시 예에 따른 DSOD 패턴 검출 방법을 설명하기 위한 도면이다.
본 개시의 실시 예에 따른 웨이퍼 결함 분석 장치(100)는 종래의 DSOD 평가 데이터를 이용하여 DSOD 스코어링 데이터를 산출하고, DSOD 평가 데이터를 이용하여 DSOD 결함 패턴을 검출할 수 있다.
DSOD 스코어링 데이터를 산출하는 방법은 상기 도 6에서 설명하였고, 도 7은 DSOD 결함 패턴을 검출하는 방법을 설명한다.
도 7을 참고하면, 웨이퍼 표면에서 검출한 복수개의 결정 결함들은 링 패턴, 센터 패턴, 특정 영역에 몰린 결함 패턴 중 적어도 하나를 포함할 수 있다.
도 7(a)를 참고하면, 웨이퍼 표면에서 검출된 복수개의 결함이 링형 패턴을 가지는 예시이다. 해당 패턴이 센터에 존재하는 경우 센터 링 패턴 또한 검출이 가능할 것이다.
본 개시의 실시 예에 따른 프로세서(180)는 상기 웨이퍼의 중심으로부터 일정 거리를 갖고 제1 결함을 지나는 원(711)과, 상기 제2 결함의 거리(712)가 기 설정된 값(713) 이하인 경우, 해당 결함의 패턴을 링형 패턴으로 판단할 수 있다.
구체적으로 웨이퍼에서 발견된 복수개의 결함이 링형 패턴을 이루는 경우라면, 복수개의 결함 중 제1 결함을 지나는 원(711)과 복수개의 결함 중 제2 결함을 지나는 원(712)는 서로 같은 원주상에 존재하거나, 서로 다른 원을 형성하더라도 기 설정된 거리 이하에 존재하게 될 것이다.
도 7(b)를 참고하면, 웨이퍼 표면에서 검출된 복수개의 결함이 특정 영역에 몰린 패턴 가지는 예시이다. 해당 패턴이 웨이퍼의 중심에 존재하는 경우, 센터 결함 패턴일 수 있다.
본 개시의 실시 예에 따른 프로세서(180)는, 복수개의 결함 각각을 중심으로, 일정 반지름을 갖는 복수개의 원(721,723) 각각의 중첩되는 넓이(722)가 기 설정된 값을 초과하는 경우, 특정 영역에 몰린 패턴으로 판단할 수 있다.
구체적으로 웨이퍼에서 발견된 복수개의 결함이 특정 영역에 몰린 패턴을 이루는 경우라면, 복수개의 결함 각각을 중심으로 생성된 원의 중첩되는 넓이는 커지게 되므로 특정 영역에 몰린 패턴을 검출할 수 있을 것이다.
상기 방법을 통하여 프로세서는 인공 지능 모델을 이용하여 DSOD 스코어링 데이터와 DSOD 결함 패턴을 검출하고, 상기 DSOD 스코어링 데이터와 DSOD 결함 패턴에 기초하여 DSOD 결함 여부를 예측할 수 있다.
다시 도 5를 설명한다.
본 개시의 실시 예에 따른 프로세서는 DSOD 패턴 정보를 수집하고 난 이후, 구리-헤이즈 맵 데이터, 구리-헤이즈 스코어링 데이터와 DSOD 스코어링 데이터 및 패턴 정보를 매칭시킬 수 있다(S540).
구체적으로 구리-헤이즈 스코어링 데이터와 DSOD 스코어링 데이터는 서로 추종하는 상관관계가 존재하므로, 이후 인공 지능 모델의 학습을 위하여 구리-헤이즈에 기초한 데이터들과 DSOD 평가를 기초로 정보를 매칭시킬 수 있다. 상기 매칭 결과는 메모리(170)에 저장될 수 있다.
프로세서는 상기 과정에서 생성된 학습 데이터에 기초하여 인공지능 모델을 학습시킬 수 있다(S550).
구체적인 학습 방법은 아래와 같다.
본 개시의 실시 예에 따른 프로세서는 인공 지능 모델을 학습시킬 수 있다.
이때, 인공 지능 모델은 인공 신경망으로 이루어 질 수 있으며, 인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
본 개시의 프로세서는 인공 지능 모델에 구리-헤이즈 스코어링 데이터와 상기 DSOD 스코어링 데이터의 상관관계를 학습시킬 수 있다.
이후, 프로세서는 인공지능 모델에 DSOD 스코어링 데이터와 DSOD 평가 데이터의 상관관계를 학습시킬 수 있다.
또한, 프로세서는 DSOD 평가 데이터에 대응하는 DSOD 평가 결과를 인공 지능 모델에 학습시킬 수 있다.
또한 인공지능 모델의 학습 과정에서 입 DSOD 이미지 데이터, 스코어링 결과, 패턴 인식결과는 웨이퍼의 각 샘플 포지션을 고려하여 개별적으로 수행되어야 할 것이다.
또한 인공지능 모델의 출력값은 인공 지능 모델이 분류 모델(Classification Model)인 경우 DSOD 적합 또는 DSOD 부적합 등의 출력값을 가질 수 있고, 회기 모델(Regression Model)인 경우 구리-헤이즈 스코어링 데이터가 조정된 결과값을 출력하거나, DSOD 스코어 또는 예상 불량 퍼센트를 출력하는 것 또한 가능하다.
위와 같이, 학습과정에서 수많은 훈련용 데이터를 이용하여 인공 지능 모델이 구리-헤이즈 평가 데이터와 구리-헤이즈 스코어링 데이터를 이용하여 DSOD 스코어링 데이터를 산출하고, 상기 DSOD 스코어링 데이터를 이용하여 DSOD 평가 데이터에 따른 DSOD 평가 결과를 예측할 수 있을 것이다.
따라서 인공 지능 모델은 내부에 복수개의 뉴럴 네트워크 또는 복수개의 인공지능 모델을 포함하는 것 또한 가능할 것이며, 그 구현 형태에 제한되어서는 안될 것이다.
도 8은 본 개시의 실시 예에 따른, FPD/LDP 출력 방법을 나타낸 순서도이다. 그리고 도 9는 본 개시의 실시 예에 따른, FPD/LDP 출력 방법을 나타낸 도면이다.
본 개시의 실시 예에 따른 실리콘 웨이퍼 결정 결함 평가 방법에 있어서, 웨이퍼를 만들기 위한 단결정 잉곳(Ingot)을 성장(Growing)시킨 이후, 웨이퍼를 가공하는 공정(S10 내지 S50) 이후, FDP/LDP 결함 평가가 이루어 질 수 있다. 그리고 구리-헤이즈 평가를 실시할 수 있다.
도 9를 참고하면, FPD/LDP 평가가 이루어지고 난 이후, 결정 결함 평가 장치는 FPD/LDP 평가 결과가 적합(pass)인지 부적합(reject)인지 판단할 수 있다(S910). 결정 결함 평가 장치는 이후, 구리-헤이즈 평가를 실시할 수 있다(S920).
결정 결함 평가 장치(100)는 출력부(150)를 통해 구리-헤이즈 평가 시, 구리 헤이즈 맵에 FPD/LDP 평가 결과를 출력할 수 있다(S930).
구체적으로 도 10을 참고하면, 결정 결함 평가장치는 구리-헤이즈 맵(1000)에 LDP의 결과(1010)을 오버랩하여 출력할 수 있다. 또한 결정 결함 평가 장치는 구리-헤이즈 맵(1000)에 FPD 결과(1020)을 오버랩하여 출력할 수 있다.
이때, 구리-헤이즈 맵(1000)에 오버랩되어 출력되는 FPD/LDP데이터는 FPD/LDP 평가 과정에서 부적합(reject)이라고 판단된 웨이퍼의 위치, 번호, 기타 결함 특성 등의 레퍼런스를 포함할 수 있을 것이다.
본 개시의 실시 예에 따르면, 웨이퍼 결정 결함 평가 방법에 있어서 사용자는 웨이퍼 결정 결함 평가 시 구리 헤이즈 평가 방법에서 LDP, FPD 및 DSOD 평가의 결과 또한 예측할 수 있으므로, 기존에 추후 웨이퍼 공정 작업에서 발견되는 DSOD 불량률을 현저히 감소시킬 수 있으며, 추가 공정에 들어가는 비용 및 시간 또한 절감할 수 있다는 이점이 있다.
또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 웨이퍼나 단결정 잉곳의 조각에 대한 구리 헤이즈 맵(Cu-haze map) 데이터를 획득하는 단계;
    상기 구리 헤이즈 맵 데이터에 기초하여 구리 헤이즈 스코어링(Cu-haze Scoring) 데이터를 획득하는 단계; 및
    상기 구리 헤이즈 맵 데이터와 구리 헤이즈 스코어링 데이터에 기초하여 DSOD 결함을 예측하는 단계를 포함하는,
    상기 DSOD 결함을 예측하는 단계는,
    상기 구리 헤이즈 맵 데이터와 상기 구리 헤이즈 스코어링 데이터가 입력되면, DSOD 결함 여부를 결과값으로 출력하도록 학습된 인공 지능 모델을 이용하여, 상기 DSOD 결함을 예측하는 단계를 포함하는,
    웨이퍼 결정 결함 평가 방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 인공 지능 모델을 이용하여 DSOD 결함을 예측하는 단계는
    상기 구리 헤이즈 맵 데이터와 상기 구리 헤이즈 스코어링 데이터에 기초하여 DSOD 스코어를 예측하는 단계; 및
    상기 DSOD 스코어에 기초하여 DSOD 결함 여부를 판단하는 단계를 포함하는,
    웨이퍼 결정 결함 평가 방법.
  4. 제 3항에 있어서,
    상기 DSOD 스코어는,
    상기 웨이퍼의 중심으로부터 일정 거리를 갖고 복수개의 결함 각각을 포함하는 적어도 하나 이상의 링이 차지하는 넓이에 기초하여 결정되는,
    웨이퍼 결정 결함 평가 방법.
  5. 제 3항에 있어서,
    상기 DSOD 결함을 예측하는 단계는
    상기 인공 지능 모델을 이용하여 DSOD 결함 패턴을 검출하는 단계 및 상기 DSOD 스코어와 DSOD 결함 패턴에 기초하여 DSOD 결함 여부를 판단하는 단계를 더 포함하고,
    상기 DSOD 결함 패턴은,
    링 패턴, 특정 영역에 몰린 패턴 중 적어도 하나를 포함하는,
    웨이퍼 결정 결함 평가 방법.
  6. 제 5항에 있어서
    상기 DSOD 결함 패턴을 검출하는 단계는,
    상기 웨이퍼의 중심으로부터 일정 거리를 갖고 제1 결함을 지나는 원과, 제2 결함의 거리가 기 설정된 값 이하인 경우, 링형 패턴으로 판단하는 단계를 포함하는,
    웨이퍼 결정 결함 평가 방법.
  7. 제 5항에 있어서,
    상기 DSOD 결함 패턴을 검출하는 단계는,
    복수개의 결함 각각을 중심으로, 일정 반지름을 갖는 복수개의 원 각각의 중첩되는 넓이가 기 설정된 값을 초과하는 경우, 특정 영역에 몰린 패턴 또는 센터 노이즈 패턴으로 판단하는 단계를 포함하는,
    웨이퍼 결정 결함 평가 방법.
  8. 제 1항에 있어서,
    상기 인공 지능 모델을 학습시키는 단계를 더 포함하고,
    상기 인공 지능 모델을 학습시키는 단계는,
    DSOD 평가 데이터를 이용하여 DSOD 스코어링 데이터를 획득하는 단계;
    상기 구리 헤이즈 스코어링 데이터와 상기 DSOD 스코어링 데이터의 상관관계를 학습하는 단계; 및 상기 DSOD 스코어링 데이터와 DSOD 평가 데이터의 상관관계를 학습하는 단계를 포함하는,
    웨이퍼 결정 결함 평가 방법.
  9. 제 1항에 있어서
    FPD 및 LDP 평가를 실시하는 단계; 및
    FPD 및 LDP 평가결과를 구리 헤이즈 맵에 출력하는 단계를 더 포함하는,
    웨이퍼 결정 결함 평가방법
  10. 웨이퍼 결함을 판단하기 위한 이미지를 획득하는 입력부;
    웨이퍼나 단결정 잉곳의 조각에 대한 구리 헤이즈 맵(Cu-haze map) 데이터를 획득하고, 상기 구리 헤이즈 맵 데이터에 기초하여 구리 헤이즈 스코어링(Cu haze Scoring) 데이터를 획득하고, 인공지능 모델을 이용하여 상기 구리 헤이즈 맵 데이터와 구리 헤이즈 스코어링 데이터에 기초하여 DSOD 결함을 예측하는 프로세서를 포함하는,
    웨이퍼 결정 결함 분석 장치.
  11. 제 10항에 있어서,
    상기 프로세서는 상기 인공지능 모델을 이용하여, 상기 구리 헤이즈 맵 데이터와 상기 구리 헤이즈 스코어링 데이터에 기초하여 DSOD 스코어를 예측하고, 상기 DSOD 스코어에 기초하여 DSOD 결함 여부를 판단하는,
    웨이퍼 결정 결함 분석 장치.
  12. 제 11항에 있어서,
    상기 DSOD 스코어는,
    상기 웨이퍼의 중심으로부터 일정 거리를 갖고 복수개의 결함 각각을 포함하는 적어도 하나 이상의 링이 차지하는 넓이에 기초하여 결정되는,
    웨이퍼 결정 결함 분석 장치.
  13. 제 12항에 있어서,
    상기 프로세서는 상기 인공지능 모델을 이용하여 DSOD 결함 패턴을 검출하고, 상기 DSOD 스코어와 DSOD 결함 패턴에 기초하여 DSOD 결함 여부를 판단하고,
    상기 DSOD 결함 패턴은, 링 패턴, 특정 영역에 몰린 패턴 중 적어도 하나를 포함하는,
    웨이퍼 결정 결함 분석 장치.
  14. 제 13항에 있어서,
    상기 프로세서는, 상기 DSOD 결함 패턴 검출 시,
    상기 웨이퍼의 중심으로부터 일정 거리를 갖고 제1 결함을 지나는 원과, 제2 결함의 거리가 기 설정된 값 이하인 경우, 링형 패턴으로 판단하는
    웨이퍼 결정 결함 분석 장치.
  15. 제 13항에 있어서,
    상기 프로세서는, 상기 DSOD 결함 패턴 검출 시, 복수개의 결함 각각을 중심으로, 일정 반지름을 갖는 복수개의 원 각각의 중첩되는 넓이가 기 설정된 값을 초과하는 경우, 특정 영역에 몰린 패턴 또는 센터 노이즈 패턴으로 판단하는,
    웨이퍼 결정 결함 분석 장치.
KR1020210014006A 2021-02-01 2021-02-01 실리콘 웨이퍼 결함 분석 방법 KR102536835B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210014006A KR102536835B1 (ko) 2021-02-01 2021-02-01 실리콘 웨이퍼 결함 분석 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210014006A KR102536835B1 (ko) 2021-02-01 2021-02-01 실리콘 웨이퍼 결함 분석 방법

Publications (2)

Publication Number Publication Date
KR20220110961A KR20220110961A (ko) 2022-08-09
KR102536835B1 true KR102536835B1 (ko) 2023-05-26

Family

ID=82844640

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210014006A KR102536835B1 (ko) 2021-02-01 2021-02-01 실리콘 웨이퍼 결함 분석 방법

Country Status (1)

Country Link
KR (1) KR102536835B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455897B (zh) * 2023-11-30 2024-04-30 魅杰光电科技(上海)有限公司 一种晶圆划痕检测方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015501533A (ja) 2011-10-14 2015-01-15 エムイーエムシー・エレクトロニック・マテリアルズ・インコーポレイテッドＭｅｍｃ Ｅｌｅｃｔｒｏｎｉｃ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ 結晶関連欠陥の位置を示す方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101063068B1 (ko) * 2009-03-10 2011-09-07 주식회사 엘지실트론 웨이퍼 표면처리 공정이 개선된 ｄｓｏｄ 분석방법
KR101252404B1 (ko) * 2011-07-06 2013-04-08 주식회사 엘지실트론 웨이퍼나 단결정 잉곳의 품질평가 방법 및 이를 이용한 단결정 잉곳의 품질 제어방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015501533A (ja) 2011-10-14 2015-01-15 エムイーエムシー・エレクトロニック・マテリアルズ・インコーポレイテッドＭｅｍｃ Ｅｌｅｃｔｒｏｎｉｃ Ｍａｔｅｒｉａｌｓ，Ｉｎｃｏｒｐｏｒａｔｅｄ 結晶関連欠陥の位置を示す方法

Also Published As

Publication number Publication date
KR20220110961A (ko) 2022-08-09

Similar Documents

Publication Publication Date Title
JP6598790B2 (ja) カスタマイズされたメトリックスをグローバル分類方法と組み合わせて極高処理能力でプロセスツール状態を監視するウエハおよびロットベースの階層化方法
KR102170473B1 (ko) 웨이퍼 맵 분석 시스템 및 방법
TWI646326B (zh) 用於處理至少一組樣品影像之系統及方法
US8081814B2 (en) Linear pattern detection method and apparatus
KR101477665B1 (ko) 불균일한 텍스쳐 표면의 불량 검출방법
JP2001135692A (ja) ハイブリッドで一様に適用可能な自動欠陥分類法
CN105388165B (zh) 偏光膜的缺陷监控方法
JP6584250B2 (ja) 画像分類方法、分類器の構成方法および画像分類装置
JP4012126B2 (ja) 製造装置の異常検出システム、製造装置の異常検出方法及び製造装置の異常検出プログラム
US20230289949A1 (en) Device for evaluating edge defects in a silicon wafer and method therof
KR102536835B1 (ko) 실리콘 웨이퍼 결함 분석 방법
TW202242390A (zh) 缺陷檢查裝置、缺陷檢查方法以及製造方法
CN102177429B (zh) 晶片的图案检查方法及装置
KR101910268B1 (ko) 반도체 gp 예측 방법 및 시스템
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN108039326B (zh) 根据电路设计图形设置扫描阈值的方法
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及系统
KR102651974B1 (ko) 웨이퍼 비전검사 장치 및 방법
CN110766649B (zh) 自动修复系统的缺陷判别装置及方法
JP2005236094A (ja) 半導体装置の製造方法、不良解析方法および不良解析システム
WO2023029491A1 (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
JP2013205320A (ja) 検査条件決定方法、検査方法および検査装置
JP2008071790A (ja) 不良工程推定方法、不良工程推定装置、プログラム、並びに記録媒体
KR102527444B1 (ko) 웨이퍼 또는 단결정 잉곳의 품질평가 방법 및 장치
TW201620057A (zh) 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant