KR102539921B1 - 자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템 - Google Patents

자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템 Download PDF

Info

Publication number
KR102539921B1
KR102539921B1 KR1020217026273A KR20217026273A KR102539921B1 KR 102539921 B1 KR102539921 B1 KR 102539921B1 KR 1020217026273 A KR1020217026273 A KR 1020217026273A KR 20217026273 A KR20217026273 A KR 20217026273A KR 102539921 B1 KR102539921 B1 KR 102539921B1
Authority
KR
South Korea
Prior art keywords
model
deep learning
neural network
attributes
image
Prior art date
Application number
KR1020217026273A
Other languages
English (en)
Other versions
KR20210107149A (ko
Inventor
제이콥 조지
사라바난 파라마시밤
마틴 플리할
나라심한 니베디타 락시미
사이람 라부
프라산티 우팔우리
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 KR20210107149A publication Critical patent/KR20210107149A/ko
Application granted granted Critical
Publication of KR102539921B1 publication Critical patent/KR102539921B1/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
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

관심 결함(DOI)의 개선된 검출 및 분류를 위한 방법 및 시스템은 후보 결함의 이미지로부터 유도된 하나 이상의 자동으로 생성된 속성의 값에 기초하여 실현된다. 자동으로 생성된 속성은 딥 러닝 모델을 반복적으로 트레이닝, 축소 및 리트레이닝함으로써 결정된다. 딥 러닝 모델은 후보 결함의 광학 이미지를 이들 결함의 알려진 분류와 관련시킨다. 모델 축소 후, 후보 결함의 광학 이미지를 알려진 결함 분류와 강하게 연관시키는 축소된 모델의 속성이 식별된다. 축소된 모델은 후속적으로, 알려지지 않은 분류를 갖는 후보 결함의 이미지와 연관되는 상기 식별된 속성의 값을 생성하는데 사용된다. 다른 양태에서, 자동으로 생성된 속성 및 수동으로 식별된 속성에 기초하여 결함을 분류하도록 통계적 분류기가 사용된다.

Description

자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템
관련 출원에 대한 상호 참조
본 특허 출원은 35 U.S.C.§119 하에서 2019년 1월 18일에 출원된 인도 정부 특허청의 특허 출원 번호 제201941002244호로부터의 우선권을 주장하며, 35 U.S.C.§119 하에서 2019년 9월 6일에 출원된 미국 가특허 출원 일련 번호 제62/896,578호로부터의 우선권을 주장한다. 각각의 이전에 출원된 명세서의 주제는 그 전체가 참조로 여기에 통합된다.
기술 분야
설명된 실시예는 시료(specimen) 검사를 위한 시스템에 관한 것으로, 보다 구체적으로는 반도체 웨이퍼 검사에 관한 것이다.
로직 및 메모리 디바이스와 같은 반도체 디바이스는 일반적으로 기판 또는 웨이퍼에 적용되는 일련의 처리 단계에 의해 제조된다. 이러한 처리 단계에 의해 반도체 디바이스의 다양한 피처 및 다중 구조 레벨이 형성된다. 예를 들어, 그 중에서도 리소그래피는 반도체 웨이퍼에 패턴을 생성하는 것을 수반하는 하나의 반도체 제조 프로세스이다. 반도체 제조 프로세스의 추가 예는 화학 기계적 연마, 에칭, 퇴적, 및 이온 주입을 포함하지만 이에 제한되지는 않는다. 다중 반도체 디바이스는 단일 반도체 웨이퍼에서 제조된 후, 개별 반도체 디바이스로 분리될 수 있다.
검사 프로세스는 반도체 제조 프로세스 동안 다양한 단계에서 사용되어, 패턴화되지 않은 웨이퍼와 패턴화된 웨이퍼 모두에서 결함을 검출하여 더 높은 수율을 촉진한다. 설계 규칙과 프로세스 윈도우의 크기가 계속 줄어듦에 따라, 검사 시스템은 높은 처리량을 유지하면서 심지어 더 작은 최소 결함 크기를 가진 더 넓은 범위의 물리적 결함을 포착해야 한다.
또한, 메모리 아키텍처는 2차원 플로팅-게이트 아키텍처로부터 완전한 3차원 기하학적 구조로 전환되고 있다. 일부 예에서, 막 스택 및 에칭된 구조는 매우 깊다(예를 들어, 깊이가 최대 6마이크로미터 이상). 이러한 높은 종횡비 구조는 패턴화된 웨이퍼 검사에 대한 문제점을 생성한다. 이러한 구조 내에 매립된 결함을 측정하는 능력은, 원하는 성능 레벨과 디바이스 수율을 달성하는데 중요하다.
광학 검사 기술은 2차원 구조와 연관된 결함 및 3차원 구조 내에 매립된 결함의 높은 처리량 검출에 효과적인 것으로 입증되었다. 전통적으로, 결함 발견 및 검사 레시피 최적화는, 평면의 2차원 구조의 검사에 기초한다. 광학 검사 툴은, 웨이퍼의 표면에 위치한 2차원 구조(예를 들어, 두께 1마이크로미터 미만)와 연관된 복수의 후보 결함을 측정하는데 사용된다. 광학 검사 툴에 의해 검출된 후보 결함은 식별된 DOI를 주사 전자 현미경(SEM) 툴로 검사함으로써 검증된다. 이는 일반적으로 SEM 검토(review)라고 지칭된다. SEM 툴은 사용자가 후보 결함을 뉴슨스(nuisance) 결함(즉, 실제 결함이 아닌 광학 검사 툴에 의해 식별된 결함) 또는 관심 결함(defect of interest; DOI)으로서 정확하게 분류할 수 있도록 하는 이미지를 생성할 수 있다. 또한, SEM 이미지는 사용자로 하여금 DOI 유형을 정확하게 분류할 수 있게 한다. SEM 검토의 결과는 웨이퍼 상의 뉴슨스 결함 및 DOI의 위치와 DOI의 분류를 식별하는 라벨링된 결함 세트이다.
많은 예에서, 광학 검사 툴에 대한 검사 레시피는, SEM 검토 동안 식별되는 라벨링된 결함에 기초하여 공식화된다. 뉴슨스 이벤트로부터 관심 결함을 식별해야 하는 검사 작업의 경우, 반도체 층에 대한 성공적인 검사 레시피는 검출된 뉴슨스 이벤트의 수를 최소화하면서 검출된 관심 결함(DOI)의 수를 최대화해야 한다. 더 나아가, 결함의 비닝(binning)이 필요한 검사 작업의 경우, 반도체 층에 대한 성공적인 검사 레시피는, 검출된 뉴슨스 이벤트의 수와 잘못 분류된 결함의 수를 최소화하면서 올바르게 비닝된 결함(즉, 올바르게 분류된 결함)의 수를 최대화해야 한다.
일 예에서, 광학 검사에 기초한 뉴슨스 필터링 및 결함 분류는, 후보 결함의 이미지로부터 유도된 하나 이상의 속성 값을 추정함으로써 실현된다. 트레이닝된 분류 모델은 하나 이상의 속성 값에 기초하여, 뉴슨스 결함으로부터 DOI를 식별하거나, DOI를 분류하거나, 둘 다를 행하는데 사용된다. 분류 모델은 일반적으로 광학 검사 시스템에 의해 수집되는 라벨링된 결함의 이미지 속성에 기초하여 트레이닝된다. 분류 모델은 수동 결정 트리 또는 지원 벡터 머신(SVM), 랜덤 포레스트, K-최근접 이웃 등과 같은 고전적인 기계 학습 알고리즘을 사용하여 트레이닝된다. 이러한 예에서, 이미지로부터 유도된 하나 이상의 속성은 수동으로 선택된다(즉, 사람에 의해 생성됨). 선택된 속성 또는 속성의 세트가, DOI와 뉴슨스 결함 간의 원하는 분리를 최적으로 포착한다는 보장은 없다. 또한, 선택된 속성 또는 속성의 세트가 DOI를 광학적으로 분류한다는 보장은 없다. 따라서 수동으로 선택된 속성에 기초하여 트레이닝된 분류 모델은 성능이 저하될 가능성이 높다. 검사 애플리케이션이 점점 더 어려워짐에 따라, 이는 제한적인 것이 된다.
다른 예에서, 광학 검사에 기초하는 뉴슨스 필터링 및 결함 분류는, 이미지의 속성이 아니라, 후보 결함의 이미지로부터 결함을 직접 식별하고 분류함으로써 실현된다. 트레이닝된 분류 모델은, 후보 결함의 이미지에 기초하여, 뉴슨스 결함으로부터 DOI를 직접 식별하거나, DOI를 분류하거나, 둘 다를 행하는데 사용된다. 트레이닝된 분류 모델은, 일반적으로 광학 검사 시스템에 의해 수집되는 라벨링된 결함의 이미지에 기초하여 트레이닝된다. 분류 모델은 컨볼루션 신경망, 딥 러닝 신경망(Deep Learning Neural Network) 등과 같은 기계 학습 알고리즘을 사용하여 트레이닝된다. 이들 예에서, 신경망은 가까운 장래에 분류 작업에 최적인 커스텀 피처를 학습할 수 있다. 그러나, 인라인 웨이퍼 검사를 위해 복잡하고 트레이닝된 신경망을 실행하는데 드는 계산 비용은 과도하게 높다. 따라서, 허용 가능한 비용으로 높은 처리량이 달성되지 않았다. 또한, 결함 분류에 대한 인간의 지식이나 사용 가능한 광학 이미지를 넘어 정보를 통합하여 트레이닝 프로세스를 향상시키는 것이 불가능했다. 따라서, 현재, 이미지에서 직접 작동하도록 신경망에 기초하여 트레이닝된 분류 모델은, 트레이닝된 분류기의 성능을 더욱 개선할 수도 있는 추가 신호 정보 또는 인간 지식으로부터 이점을 얻을 수 없다.
따라서, 광학 검사 시스템에 의한 복잡한 구조 및 수직 반도체 디바이스의 분류 및 결함 발견을 향상시키기 위해, 개선된 성능을 갖는 결함 분류 모델을 생성하기 위한 방법 및/또는 시스템을 개발하는 것이 유리할 것이다.
관심 결함(DOI)의 개선된 검출 및 분류를 위한 방법 및 시스템은 후보 결함의 이미지로부터 유도된 하나 이상의 자동으로 생성된 속성의 값을 추정함으로써 실현된다. 통계적 분류기는 자동으로 생성된 속성의 값에 기초하여 결함을 분류하도록 트레이닝된다.
일 양태에서, 자동으로 생성된 속성은 딥 러닝 모델을 반복적으로 트레이닝, 축소(reducing) 및 리트레이닝함으로써 결정된다. 딥 러닝 모델은 후보 결함의 광학 이미지를 이들 결함의 알려진 분류와 관련시킨다. 딥 러닝 모델은 반복적으로 복잡성이 감소된다. 모델 축소 후, 후보 결함의 광학 이미지를 알려진 결함 분류와 강하게 연관시키는 축소된 모델의 속성이 식별된다. 축소된 모델은 후속적으로, 알려지지 않은 분류를 갖는 후보 결함의 이미지와 연관되는 상기 식별된 속성의 값을 생성하는데 사용된다. 속성 값은 후보 결함을 분류하기 위해 통계적 분류기에 의해 사용된다.
다른 양태에서, 통계적 분류기는 입력 노드의 값을 트레이닝된 신경망 모델의 각 계층의 출력 노드와 관련시키도록 트레이닝된다. 각각의 통계 분류기는 신경망 모델의 축소를 안내하기 위해 분석된다. 일부 예에서, 대응하는 계층이 신경망 모델에 새로운 정보를 추가하는지 여부를 식별하기 위해 각각의 통계적 분류기가 분석된다. 계층이 실질적인 새로운 정보를 추가하지 않으면, 전체 계층이 제거된다. 다른 예에서, 각각의 통계적 분류기는 대응하는 계층의 노드가 계층에 실질적으로 기여하는지 여부를 식별하기 위해 분석된다. 계층에 상대적으로 작은 기여를 하는 노드는 제거된다. 이와 유사하게, 컨볼루션 계층의 출력에 상대적으로 작은 기여를 하는 필터는 제거된다.
딥 러닝 기반 모델의 축소를 안내하는 딥 러닝 및 독립 통계 분류기의 조합은, 성능 손실 없이 속성을 결정하는 계산 비용을 최소화하는 직접적인 성능 중심 접근 방식을 제공한다.
다른 추가 양태에서, 통계적 분류기는 자동으로 생성된 속성의 값과 알려진 분류를 갖는 결함의 수동으로 생성된 속성의 값에 기초하여 트레이닝된다. 이러한 방식으로, 트레이닝된 통계적 분류기는 결함의 중요한 지표가 되는 인간 사용자에게 알려진 속성과 동일한 결함의 중요한 지표가 되는 수학적 계산에 의해 결정된 속성을 함께 통합한다.
또 다른 추가 양태에서, 통계적 분류기의 트레이닝은 결함 분류기의 트레이닝에 사용된 속성의 수를 감소시키면서 반복적인 방식으로 수행된다.
전술한 내용은 요약이므로, 필요에 따라 세부 사항의 단순화, 일반화 및 생략을 포함하는데, 결과적으로, 당업자는 요약이 단지 예시적이며 어떤 식으로든 제한하지 않는다는 것을 인식할 것이다. 본 명세서에 설명된 디바이스 및/또는 프로세스의 다른 양태, 독창적인 피처, 및 이점은 본 명세서에 기재된 비제한적인 상세한 설명에서 명백해질 것이다.
도 1은 이미지에 기초하여 반도체 웨이퍼에 대한 결함 검출 및 분류를 수행하도록 구성된 광학 검사 시스템(100)의 일 실시예의 단순화된 개략도이다.
도 2는 후보 결함 및 선택된 후보 결함 또는 그 부근에서 수집된 이미지를 포함하는 웨이퍼를 예시하는 도면이다.
도 3은 특정한 측정 애플리케이션에 대한 결함을 분류하도록 구성된 시스템의 일 실시예의 단순화된 개략도이다.
도 4는 일 실시예에서 결함 분류기 트레이닝 엔진을 예시하는 도면이다.
도 5는 결함 분류에 유용한 결함 이미지의 속성을 식별하기 위해 사용되는 신경망 모델의 단순화된 예시를 도시한다.
도 6은 트레이닝된 신경망 모델의 계층을 에뮬레이트하도록 트레이닝된 통계적 분류기의 단순화된 예시를 도시한다.
도 7은 일 실시예에서 결함 분류 엔진(200)의 예시를 도시한다.
도 8은 상이한 분류기에 기초하는 공지된 분류의 결함과 연관된 포착 레이트 대(versus) 뉴슨스 레이트의 플롯을 도시한다.
도 9는 통계적 분류기에 의해 측정된 상대적 중요도에 기초하여 랭크된(ranked) 속성의 목록을 예시하는 차트를 도시한다.
도 10은 웨이퍼 생산 프로세스의 질화규소 제거 단계에서 3D NAND 구조(180)의 단순화된 예시를 도시한다.
도 11은 결함 이미지의 자동으로 생성된 속성에 기초하여 결함을 분류하는데 유용한 예시적인 방법(300)의 흐름도를 도시한다.
이제 본 발명의 배경 예 및 일부 실시예가 상세하게 참조될 것이며, 그 예는 첨부 도면에 도시되어 있다.
반도체 구조 내에서 관심 결함(DOI)의 개선된 검출 및 분류를 위한 방법 및 시스템이 본 명세서에서 설명된다. 특히, 광학 검사를 기반으로 하는 뉴슨스 필터링 및 결함 분류는, 후보 결함의 이미지로부터 유도된 하나 이상의 자동으로 생성된 속성의 값을 추정함으로써 실현된다. 통계적 분류기는 자동으로 생성된 속성의 값에 기초하여 결함을 분류하도록 트레이닝된다.
자동으로 생성된 속성은, 딥 러닝 모델을 반복적으로 트레이닝, 축소, 및 리트레이닝하여 결정된다. 딥 러닝 모델은 후보 결함의 광학 이미지를 해당 결함의 알려진 분류와 관련시킨다. 딥 러닝 모델은 반복적으로 복잡성을 줄이면서 충분한 분류 성능을 유지한다. 모델 축소 후, 후보 결함의 광학 이미지를 알려진 결함 분류와 강하게 연관시키는 축소된 모델의 속성이 식별된다. 축소된 모델은 후속적으로, 알려지지 않은 분류를 갖는 후보 결함의 이미지와 연관되는 식별된 속성의 값을 생성하는데 사용된다. 속성 값은 후보 결함을 분류하기 위해 통계적 분류기에 의해 사용된다.
이러한 방식으로, 결함의 인라인 분류는, 검출된 이미지에 대해 작동하는 계산 비용이 많이 들고 복잡한 신경망이 아니라 계산 비용이 저렴한 통계적 분류기에 의해 수행된다. 계산 비용이 많이 드는 딥 러닝은, 트레이닝 단계에서만 사용되지만 인라인 검사 중에는 사용되지 않는다. 트레이닝된 딥 러닝 기반 모델은, 과도한 파라미터화 및 네트워크 용량을 최소화하기 위해 축소되며, 그 후, 축소된 네트워크는 웨이퍼 스캔 동안에 계산 효율적인 속성 계산에 사용된다.
딥 러닝에 기초하여 식별된 속성을 기반으로 결함 분류를 수행하면 특정 사용 사례에 맞는 속성을 학습할 수 있다. 일반적으로, 원하는 분류 작업은, 딥 러닝 기반 모델의 트레이닝 중에 사용되는 출력 및 목적 함수의 선택을 안내한다. 이러한 방식으로, 동일한 데이터를 사용하여, 출력 및 목적 함수의 선택을 기반으로 하는 특정 분류 작업에 각각 최적으로 적합한 상이한 속성을 학습한다. 일부 예에서, 하나의 결함 유형을 다른 결함 유형과 가장 잘 분리하는 속성이 학습된다(즉, 결함 분류). 이들 예에서, 출력은 각각 다른 결함 클래스이고, 목적 함수는 각 후보 결함에 대한 결함 클래스 중 하나의 클래스로부터 이진 선택을 강제한다. 일부 예에서, 관심 결함(DOI), 즉, 뉴슨스 필터링으로부터 뉴슨스 결함을 가장 잘 분리하는 다른 속성이 학습된다. 이들 예에서, 출력은 DOI 또는 뉴슨스 결함이고, 목적 함수는 각 후보 결함에 대해 이들 2개의 결함 클래스 중 하나의 클래스의 이진 선택을 강제한다.
도 1은 후보 결함을 검출하고 반도체 구조의 관심 결함(DOI)을 분류하도록 구성된 광학 검사 시스템(100)의 일 실시예의 단순화된 개략도이다. 광학 검사 시스템(100)은, 컴퓨팅 시스템, 웨이퍼 위치결정 시스템, 그리고 조명 서브시스템, 수집 서브시스템, 및 하나 이상의 검출기를 포함하는 광학 검사 서브시스템을 포함한다. 조명 서브시스템은 조명 소스(101) 및 조명 소스로부터 웨이퍼까지의 조명 광학 경로의 모든 광학 요소를 포함한다. 수집 서브시스템은 시료에서 각 검출기까지의 수집 광학 경로의 모든 광학 요소를 포함한다. 단순화를 위해, 시스템의 일부 광학 구성요소가 생략되어 있다. 예를 들어, 접는 거울, 편광기, 빔 형성 광학계, 추가 광원, 추가 수집기 및 검출기가 포함될 수도 있다. 이러한 모든 변형은 본 명세서에 설명된 본 발명의 범위 내에 있다. 본 명세서에 설명된 검사 시스템은 패턴화된 웨이퍼 및 패턴화되지 않은 웨이퍼 및 레티클을 검사하는데 사용될 수 있다.
도 1에 도시된 바와 같이, 웨이퍼(103)는 하나 이상의 조명 소스(101)에 의해 생성된 수직 입사 빔(104)에 의해 조명된다. 대안적으로, 조명 서브시스템은 경사 입사각으로 시료에 광선을 지향시키도록 구성될 수 있다. 일부 실시예에서, 시스템(100)은 경사 입사광 빔 및 수직 입사광 빔과 같은 다수의 광 빔을 시료에 지향시키도록 구성될 수 있다. 복수의 광빔은 실질적으로 동시에 또는 순차적으로 시료로 지향될 수 있다.
조명 소스(101)는 예를 들어, 광대역 레이저 지속 플라즈마 광원, 레이저, 초연속체 레이저, 다이오드 레이저, 헬륨 네온 레이저, 아르곤 레이저, 고체 상태 레이저, DPSS(diode pumped solid state) 레이저, 크세논 아크 램프, 가스 방전 램프, LED 어레이 및 백열 램프를 포함할 수 있다. 광원은 거의 단색광 또는 광대역 광을 방출하도록 구성될 수 있다. 일부 실시예에서, 조명 서브시스템은 또한, 시료로 향하는 광의 파장을 제한할 수 있는 하나 이상의 스펙트럼 필터를 포함할 수 있다. 하나 이상의 스펙트럼 필터는 대역통과 필터 및/또는 에지 필터 및/또는 노치 필터일 수 있다. 조명은 임의의 적절한 파장 범위에 걸쳐 시료에 제공될 수 있다. 일부 예에서, 조명 광은 260 나노미터 내지 950 나노미터 범위의 파장을 포함한다. 일부 예에서, 조명 광은 높은 종횡비 구조의 결함을 포착하기 위해 950 나노미터보다 큰 파장(예를 들어, 2,500 나노미터 및 그 이상으로 확장)을 포함한다. 일부 실시예에서, 조명 서브시스템은 또한 시료로 향하는 조명 광의 편광을 제어하기 위해 하나 이상의 편광 광학계를 포함할 수 있다.
조명 소스(101)에 의해 생성된 빔(104)은, 빔 스플리터(105)로 지향된다. 빔 스플리터(105)는 빔을 대물 렌즈(109)로 향하게 한다. 대물 렌즈(109)는 입사 스폿(spot)(119)에서 웨이퍼(103) 상으로 빔(111)을 포커싱한다. 입사 스폿(119)은 조명 소스(101)로부터 웨이퍼(103)의 표면 상으로 방출된 광의 투영에 의해 규정된다(즉, 형상 및 크기가 정해짐).
검사 시스템(100)은 조명 개구(124)를 포함한다. 도 1에 도시된 바와 같이, 컴퓨팅 시스템(130)은 명령 신호(122C)를 조명 개구(124)에 전달한다. 이에 응답하여, 조명 개구(124)는 웨이퍼(103)의 표면 상에 제공된 조명 방향 및 빔 형상을 조정한다. 일 실시예에서, 조명 개구(124)는 컴퓨팅 시스템(130)으로부터 전달된 명령 신호(122C)에 의해 제어되는 다양한 개구 형상을 제공하는 어셈블리이다.
도 1에 도시된 바와 같이, 컴퓨팅 시스템(130)은 명령 신호(122A)를 조명 소스(101)에 전달한다. 이에 응답하여, 조명 소스(101)는 조명 빔(111)의 스펙트럼 범위(들)를 조정한다. 일반적으로, 웨이퍼(103)에 입사하는 빔(111)은, 편광, 강도, 크기 및 모양 등을 포함하여 하나 이상의 방식으로 조명 소스(101)에 의해 방출된 광과 다를 수 있다.
도 1에 도시된 실시예에서, 검사 시스템(100)은 선택 가능한 조명 편광 요소(147)를 포함한다. 일 예에서, 컴퓨팅 시스템(130)은 명령 신호(122E)를 조명 편광 요소(147)에 전달한다. 이에 응답하여, 조명 편광 요소(147)는 웨이퍼(103)의 표면 상에 제공된 조명 광의 편광을 조정한다.
도 1에 도시된 바와 같이, 검사 시스템(100)은 웨이퍼(103)에 전달되는 조명 전력을 제어하는 조명 전력 감쇠기(102)를 포함한다. 일부 다른 실시예에서, 조명 전력 밀도 감쇠기는, 웨이퍼(103)에 전달되는 조명 전력 밀도를 감소시키기 위해 조명 스폿(119)의 크기를 조절하는 빔 성형 요소이다. 일부 다른 실시예에서, 조명 전력 감소 및 빔 사이징(sizing)의 조합이 웨이퍼(103)에 전달되는 조명 전력 밀도를 감소시키기 위해 사용된다. 도 1에 도시된 바와 같이, 컴퓨팅 시스템(130)은 검출기(115, 120, 125) 중 임의의 검출기에 의해 검출된 이미지에 기초하여 조명 전력을 제어하기 위해 제어 신호(122B)를 조명 전력 감쇠기(102)에 전달한다. 일반적으로, 조명 전력 감쇠기(102)는 선택적이다. 따라서, 일부 다른 실시예에서, 검사 시스템(100)은 조명 전력 감쇠기(102)를 포함하지 않는다.
일부 실시예에서, 시스템(100)은 조명 경로에 디플렉터(미도시)를 포함할 수 있다. 일 실시예에서, 디플렉터는 음향 광학 디플렉터(AOD)일 수 있다. 다른 실시예에서, 디플렉터는 기계적 스캐닝 어셈블리, 전자 스캐너, 회전 거울, 다각형 기반 스캐너, 공진 스캐너, 압전 스캐너, 갈보(galvo) 미러, 또는 검류계를 포함할 수 있다. 디플렉터는 시료 위의 광선을 스캔한다. 일부 실시예에서, 디플렉터는 대략 일정한 스캐닝 속도로 시료 위의 광선을 스캔할 수 있다.
시스템(100)은 웨이퍼(103)에 의해 산란 및/또는 반사된 광을 수집하고 그 광을 검출기 어레이(115, 120, 125)에 각각 포커싱하기 위한 수집 광학계(116, 117, 및 118)를 포함한다. 검출기(115, 120, 및 125)의 출력은 신호를 처리하고 후보 결함의 존재 및 그 위치를 결정하기 위해 컴퓨팅 시스템(130)에 전달된다.
수집 광학계(116-118) 중 임의의 것은, 렌즈, 복합 렌즈, 또는 당해 분야에 공지된 임의의 적절한 렌즈일 수 있다. 대안적으로, 수집 광학계(116-118) 중 임의의 것은, 거울과 같은 반사형 또는 부분 반사형 광학 구성요소일 수 있다. 또한, 특정 수집 각도가 도 1에 도시되어 있지만, 수집 광학계는 임의의 적절한 수집 각도로 배열될 수 있음을 이해해야 한다. 수집 각도는 예를 들어, 입사각 및/또는 시료의 지형적 특성에 따라 변할 수 있다.
검출기(115, 120, 및 125)의 각각은 일반적으로 반사 및 산란된 광을 전기 신호로 변환하는 기능을 하며, 따라서 실질적으로 당업 분야에 공지된 임의의 광검출기를 포함할 수 있다. 그러나, 특정 검출기는 검출기의 원하는 성능 특성, 검사될 시료의 유형, 및 조명의 구성에 기초하여 본 발명의 하나 이상의 실시예 내에서 사용하기 위해 선택될 수 있다. 예를 들어, 검사에 사용할 수 있는 광의 양이 상대적으로 적은 경우, TDI(Time Delay Integration) 카메라와 같은 효율성 향상 검출기는 시스템의 신호 대 잡음비와 처리량을 증가시킬 수 있다. 그러나, 검사에 사용할 수 있는 광의 양과 수행되는 검사 유형에 따라, 전하 결합 소자(charge-coupled device; CCD) 카메라, 광다이오드, 광전관 및 광전자 증배관(PMT)과 같은 다른 검출기를 사용할 수 있다. 본 발명의 적어도 하나의 실시예에서, 광전자 증배관은 시료로부터 산란된 광을 검출하기 위해 사용된다. 각 검출기는 하나의 감지 영역만 포함하거나 가능하게는 여러 감지 영역(예를 들어, 검출기 어레이 또는 다중 양극 PMT)을 포함할 수 있다.
시스템(100)은 명시야 및 암시야 모드와 같은 다양한 이미징 모드를 사용할 수 있다. 예를 들어, 일 실시예에서, 검출기(125)는 명시야 이미지를 생성한다. 도 1에 도시된 바와 같이, 웨이퍼(103)의 표면으로부터 좁은 각도로 산란된 광량의 일부는 대물 렌즈(109)에 의해 집광된다. 이 광은 대물 렌즈(109)를 다시 통과하여 빔 스플리터(105)에 충돌한다. 빔 스플리터(105)는 광의 일부를 수집 광학계(118)로 전송하고, 수집 광학계는 차례로 검출기(125)에 광을 포커싱한다. 이러한 방식으로, 명시야 이미지는 검출기 어레이(125)에 의해 생성된다. 수집 광학계(118)는 대물 렌즈(109)에 의해 수집된 반사광을 검출기 어레이(125) 상으로 이미징하는 이미징 렌즈(107)를 포함한다. 조리개(182), 푸리에 필터(106), 또는 둘 다는 대물 렌즈(109)의 후면 초점면에 배치된다. 명시야, 암시야, 및 위상 콘트라스트와 같은 다양한 이미징 모드는, 다른 조명 개구(124), 수집 개수, 푸리에 필터(106), 또는 이들의 조합을 사용하여 구현될 수 있다. 조명 방향이나 이미징 수집 입체각과 같은 이미징 모드의 구성은, DOI 신호 및 수집된 이미지에 기초하여 결정될 수 있다. 본 명세서에 참고로 통합되는 미국 특허 제7,295,303호 및 제7,130,039호는 이들 이미징 모드를 더욱 상세하게 설명한다. 다른 예에서, 검출기(115 및 120)는 더 큰 시야각에서 수집된 산란광을 이미징함으로써 암시야 이미지를 생성한다. 본 명세서에 참고로 통합된 미국 특허 제6,208,411호는 이러한 이미징 모드를 더욱 상세하게 설명한다.
도 1에 도시된 실시예에서, 검사 시스템(100)은 선택 가능한 수집 편광 요소(181)를 포함한다. 일 예에서, 컴퓨팅 시스템(130)은 명령 신호(122F)를 수집 편광 요소(181)에 전달한다. 이에 응답하여, 수집 편광 요소(181)는 검출기(125)의 표면 상에 제공되는 수집된 광의 편광을 조정한다.
도 1에 도시된 바와 같이, 검사 시스템(100)은 선택 가능한 푸리에 필터(106)를 포함한다. 컴퓨팅 시스템(130)은 명령 신호(122D)를 푸리에 필터(106)에 전달한다. 이에 응답하여, 푸리에 필터(106)는 (예를 들어, 수집 빔 경로에 위치한 특정 푸리에 필터 요소를 변경함으로써) 푸리에 필터의 푸리에 필터링 특성을 조정한다.
검사 시스템(100)은 수집 개구(182)를 포함한다. 도 1에 도시된 바와 같이, 컴퓨팅 시스템(130)은 명령 신호(122G)를 수집 개구(182)에 전달한다. 이에 응답하여, 수집 개구(182)는, 대응하는 검출기로 전송되는, 웨이퍼(103)의 표면으로부터 수집된 광의 양을 조정한다. 일 실시예에서, 수집 개구(182)는 컴퓨팅 시스템(130)으로부터 전달된 명령 신호(122G)에 의해 제어되는 다양한 개구 형상을 제공하는 어셈블리이다.
시스템(100)은 또한 검출기(115, 120, 및 125) 중 임의의 검출기에 의해 검출된 반사 및/또는 산란 신호를 처리하는데 필요한 다양한 전자 구성요소(도시되지 않음)를 포함한다. 예를 들어, 시스템(100)은, 검출기(115, 120, 및 125) 중 임의의 검출기로부터 출력 신호를 수신하고 이러한 출력 신호를 미리 결정된 양만큼 증폭하는 증폭기 회로 및 증폭된 신호를 프로세서(131) 내에서 사용하기에 적합한 디지털 포맷으로 변환하는 아날로그/디지털 변환기(ADC)를 포함할 수 있다. 일 실시예에서, 프로세서는 전송 매체에 의해 ADC에 직접 결합될 수 있다. 대안적으로, 프로세서는 ADC에 결합된 다른 전자 구성요소로부터 신호를 수신할 수 있다. 이러한 방식으로, 프로세서는 전송 매체 및 임의의 개재 전자 구성요소에 의해 ADC에 간접적으로 결합될 수 있다.
도 1에 도시된 실시예에서, 웨이퍼 위치결정 시스템(114)은, 컴퓨팅 시스템(130)으로부터 수신된 명령(126)에 기초하여 빔(111) 아래에서 웨이퍼(103)를 이동시킨다. 웨이퍼 위치결정 시스템(114)은 웨이퍼 척(108), 움직임 제어기(113), 회전 스테이지(110), 병진 이동 스테이지(112), 및 z-병진 이동 스테이지(121)를 포함한다. Z-병진 이동 스테이지(121)는 웨이퍼(103)의 표면에 수직인 방향(예를 들어, 좌표계(123)의 z-방향)으로 웨이퍼(103)를 이동시키도록 구성된다. 병진 이동 스테이지(112) 및 회전 스테이지(110)는 웨이퍼(103)의 표면에 평행한 방향(예를 들어, 좌표계(123)의 x 및 y 방향)으로 웨이퍼(103)를 이동시키도록 구성된다. 일부 다른 실시예에서, 웨이퍼(103)는 다중 병진 이동 스테이지의 조정된 움직임에 의해 면내 방향(예를 들어, x 및 y 방향)으로 이동된다.
웨이퍼(103)는, 웨이퍼 척(108) 상에 지지된다. 일부 실시예에서, 웨이퍼(103)는 회전 스테이지(110)의 회전 축과 대략 정렬된 기하학적 중심에 위치된다. 이러한 방식으로, 회전 스테이지(110)는 허용 가능한 허용 오차 내에서, 지정된 각속도(ω)로 기하학적 중심을 중심으로 웨이퍼(103)를 회전시킨다. 또한, 병진 이동 스테이지(112)는, 지정된 속도(VT)로 회전 스테이지(110)의 회전 축에 대략 수직인 방향으로 웨이퍼(103)를 병진 이동시킨다. 움직임 제어기(113)는, 검사 시스템(100) 내에서 웨이퍼(103)의 원하는 면내 스캐닝 움직임을 달성하기 위해 회전 스테이지(110)에 의한 웨이퍼(103)의 회전 및 병진 이동 스테이지(112)에 의한 웨이퍼(103)의 병진 이동을 조정한다. 또한, 움직임 제어기(113)는 검사 시스템(100) 내에서 웨이퍼(103)의 원하는 면외 스캐닝 움직임을 달성하기 위해 병진 이동 스테이지(121)에 의한 웨이퍼(103)의 이동을 조정한다.
웨이퍼(103)는 복수의 상이한 모드에서 검사 시스템(100)의 광학 서브시스템에 대해 위치될 수 있다. 검사 모드에서, 웨이퍼(103)는 2차원 스캔을 위해 측방향(예를 들어, x 방향 및 y 방향)으로 반복적으로 스캔된다. 또한, 웨이퍼(103)는 3차원 스캔을 위해 상이한 z-위치에서 측방향으로 반복 스캔될 수 있다. 일부 예에서, 웨이퍼(103)는 적층 구조를 통해 2개 이상의 깊이(예를 들어, 웨이퍼 표면 아래의 거리)에 대응하는 2개 이상의 상이한 z-위치에서 스캔된다. 결함 검토 모드에서, 웨이퍼(103)는 z 방향으로 스캐닝하는 동안 x 방향 및 y 방향으로 고정된 위치에 위치된다. 이러한 방식으로, 측정 중인 구조체 내의 깊이 범위에 걸쳐 웨이퍼(103)의 고정된 측방 위치에서 측정 데이터에 기초하여 3차원 이미지가 생성된다. 결함 검토 모드는 일반적으로 결함에 대한 보다 상세한 조사(예를 들어, 더 높은 이미지 해상도, 더 높은 초점 깊이 해상도, 또는 둘 다)를 수행하는데 사용된다.
일부 실시예에서, 웨이퍼는 웨이퍼 스택의 상이한 깊이를 이미징하기 위해 검사 시스템의 초점면에 대해 복수의 상이한 z-위치로 이동된다. 일부 다른 실시예에서, 검사 시스템의 초점면의 위치는 웨이퍼 스택의 상이한 깊이를 이미징하기 위해 웨이퍼에 대해 복수의 상이한 z-위치로 광학적으로 조정된다. 일부 예에서, 각각의 z-위치에서 수집된 이미지는, 2개의 측방 치수(예를 들어, 웨이퍼 표면에 평행) 및 복수의 상이한 깊이(즉, 상이한 z-위치)에서 측정된 두꺼운 반도체 구조의 3차원 체적 이미지를 형성하기 위해 집계된다.
일반적으로, 조명 및 수집 서브시스템 둘 다를 포함하는 광학 서브시스템(140)은, 측정 중인 구조(예를 들어, 수직 적층 구조)의 복수의 상이한 깊이에 위치된 복수의 초점면의 각각에서 포커싱된 광학 이미지를 생성한다. 각각의 상이한 깊이에서 광학 서브시스템의 초점면의 정렬은, 초점면을 z 방향으로 이동시키는 광학 조정, z 방향으로의 시료 위치결정, 또는 둘 다에 의해 달성된다. 하나 이상의 검출기는, 복수의 상이한 깊이의 각각에서 수집된 광을 검출하고, 복수의 상이한 깊이의 각각에서 수집된 광의 양을 나타내는 복수의 출력 신호를 생성한다.
일부 예에서, 광학 검사 시스템(100)은 2개의 측방 치수(예를 들어, 웨이퍼 표면에 평행한 치수) 및 깊이 치수(예를 들어, 웨이퍼 표면에 수직인 치수)로 측정된 체적으로부터 두꺼운 반도체 구조의 3차원 이미지를 생성한다. 도 1에 도시된 실시예에서, 컴퓨팅 시스템(130)은 하나 이상의 측정 채널로부터(예를 들어, 하나 이상의 검출기(115, 120, 및 125)로부터)의 출력을, 측정된 체적에 대응하는 체적 데이터 세트로 배열한다.
결함 검토 예에서, 일련의 이미지가 검사 시스템의 초점면 내의 다수의 상이한 웨이퍼 위치에 대한 동일한 (x,y) 위치에서 획득된다. 이 예에서, 컴퓨팅 시스템(130)은 각각의 상이한 초점 오프셋에서 획득된 일련의 2차원 이미지의 스택을 어셈블링함으로써 측정된 체적의 3차원 이미지를 생성한다. 초점 오프셋은 시료의 가장 반사율이 높은 표면과 검사 시스템의 초점면 사이의 상대 거리이다. 일반적으로, 스캔할 파라미터는 초점 오프셋에 제한되지 않는다. 다른 예에서, 센서 축 위치, 스펙트럼 대역, 조명 방향 등이 스캔되어, 3차원 결함 이미지를 형성할 수 있다. 일부 실시예에서, 3차원보다 많은 치수를 갖는 결함 이미지가 컴퓨팅 시스템(130)에 의해 생성된다. 일 예에서, 초점 오프셋과 조명 방향 모두는 주어진 (x, y) 위치에 대해 스캔된다. 일 예에서, 컴퓨팅 시스템(130)은 각각의 상이한 초점 오프셋 및 각각의 상이한 조명 각도에서 획득된 일련의 2차원 이미지를 4차 텐서(tensor)로 어셈블링함으로써 측정된 체적의 4차원 이미지를 생성한다. 일부 예에서, 미리 정의된 초점 오프셋 세트에 대한 일련의 이미지는, 조명 강도 및 다른 시스템 파라미터를 변경하지 않고 유지하면서 수집된다.
일반적으로, 결함 검출 알고리즘을 적용함으로써 이미지로부터 결함을 검출한다. 일부 실시예에서, 결함 검출은 검사 시스템(100)에 의해 생성된 이미지 데이터로부터 직접 수행된다. 일부 실시예에서, 수집된 이미지 데이터로부터 하나 이상의 속성 벡터가 추출되고, 측정된 속성 벡터에 기초하여 결함 검출이 수행된다. 일반적으로, 속성 벡터는 객체(object)(예: 관심 결함, 공칭 구조 등)를 나타내는 숫자 속성의 n차원 벡터이다. 일부 예에서, 결함 검출 알고리즘은 결함 검출 알고리즘의 감도를 조정하는 하나 이상의 선택 가능한 임계값을 포함한다. 매우 제한적인 임계값을 선택하면, 결함 검출 알고리즘이 이미지 세트에서 더 적은 수의 관심 결함을 검출한다. 높은 허용 임계값을 선택하면, 결함 검출 알고리즘이 동일한 이미지 세트에서 더 많은 관심 결함을 검출한다. 너무 적은 수의 결함이 검출되면 실제 결함을 놓칠 수 있고, 너무 많은 결함이 검출되면 많은 뉴슨스(예를 들어, 거짓(false)) 결함이 포착된다. 따라서, 특정 측정 애플리케이션에 맞게 조정된 최적화된 측정 레시피는, 실제 결함의 포착 레이트를 최대화하면서 뉴슨스(즉, 거짓) 결함의 포착 레이트를 최소화하는 검출 알고리즘 임계값을 선택하는 것을 포함한다.
도 1에 대해 설명된 바와 같이, 컴퓨팅 시스템(130)은 조명 전력, 조명 개구, 수집 개수, 스펙트럼 대역, 푸리에 필터, 조명 편광, 수집 편광, 또는 이들의 임의의 조합이 지정된 광학 모드에 따라 선택되도록, 명령 신호(122A-G)를 생성하고 전달한다. 또한, 검사 시스템(100)과 같은 검사 시스템은, 입사각, 방위각 등과 같은 다른 선택 가능한 광학 시스템 설정을 포함한다. 광학 시스템 설정의 각각의 별개의 조합은 광학 검사 시스템(100)의 별개의 광학 모드로 지칭된다.
실제로, 하나 이상의 성능 목표를 달성하기 위해 특정 측정 애플리케이션에 대해 최적의 광학 모드가 선택된다. 예시적인 성능 목표는 검출된 이미지에서 공칭 구조의 응답을 최소화하는 것, 검출된 이미지에서 결함 신호의 응답을 향상시키는 것, 검출된 이미지에서 웨이퍼 노이즈 또는 뉴슨스 신호의 응답을 최소화하는 것, 웨이퍼 노이즈 또는 검출된 이미지의 뉴슨스 신호로부터의 결함의 응답을 구별하는 것, 검출된 이미지로부터 결함의 추정된 물리적 위치의 정확도를 개선하는 것, 또는 이들의 임의의 조합을 포함하지만, 이에 제한되지는 않는다.
도 1에 도시된 실시예에서, 고려 중인 측정 애플리케이션(136)에 대한 정보는 사용자 입력 소스(135)로부터 컴퓨팅 시스템(130)에 의해 수신된다. 일반적으로, 사용자 입력 소스(135)는 검사 중인 구조 및 예상되는 결함에 대한 지식을 가진 사용자 또는 조작자와 같은 엔티티이다. 비제한적인 예로서, 구조적 정보(136)는 관심 결함의 예상 스택 깊이, 관심 결함의 웨이퍼 레벨 시그니처, 3-D 스택의 굴절률 등을 포함한다. 일 실시예에서, 검사 시스템(100)은 사용자로부터 검사 시스템(100)으로 구조적 정보(136)를 전달하기 위해 조작자(예를 들어, 키보드, 마우스, 터치스크린, 통신 포트 등)로부터 입력을 수용하는데 유용한 주변 장치를 포함한다.
일부 실시예에서, 사용자는 또한 검사 시스템(100)에 대한 광학 모드의 초기 세트를 전달한다. 검사 시스템(100)의 사용자는 일반적으로 예비 모델링을 수행하거나 과거 경험을 사용하여, 검사 시스템(100)의 광학 모드의 초기 세트에 도달하는데, 이는 최상의 검사 결과를 초래할 가능성이 가장 높다. 일반적으로, 초기 광학 모드 세트는 수십 개의 상이한 광학 모드를 포함하지만, 수천 개의 사용 가능한 광학 모드보다 훨씬 적다. 일부 예에서, 사용자는 또한 하나 이상의 초기 초점 레벨을 검사 시스템(100)에 전달한다. 하나 이상의 초기 초점 레벨은 관심 결함이 위치해야 하는 초점 레벨을 포함한다.
사용자 입력(136 및 137)에 응답하여, 검사 시스템(100)은 광학 모드의 초기 세트의 각각에서 그리고 하나 이상의 초기 초점 레벨의 각각에서 웨이퍼(103)의 검사를 수행한다. 일반적으로, 검사는 웨이퍼의 넓은 영역(예를 들어, 웨이퍼의 전체 영역)이 하나 이상의 초기 초점 레벨의 각각에서 검사되는 스캐닝 모드에서 실행된다. 초기 검사 동안에 사용된 결함 검출 알고리즘의 임계값은, 많은 후보 결함(즉, 실제 결함과 뉴슨스 결함 모두)을 식별하는 높은 허용 값으로 설정된다. 예를 들어, 도 2는 웨이퍼(103) 상의 검사 시스템(100)에 의해 식별된 후보 결함을 도시한다.
초기 검사를 수행한 후, 컴퓨팅 시스템(130)은 초기 검사에서 식별된 가장 유망한 후보 결함(예를 들어, 도 2에 도시된 후보 결함(145A-C)) 중 몇 가지를 선택한다. 가장 유망한 결함은, 검사 시스템(100)의 사용자에 의해 제공되는 예상 결함과 가장 근접하게 일치하는 관심 결함이다.
일부 실시예에서, 검사 시스템(100)은 선택된 관심 결함이 검사 시스템(100)의 시야 내에 있도록, 광학 검사 서브시스템(140)에 대해 웨이퍼(103)의 위치를 결정함으로써 선택된 관심 결함의 스루(through) 초점 검토를 수행한다. 측정 중인 구조 전체에 걸쳐 복수의 초점 레벨에서 일련의 측정이 수행된다. 스루 초점 검토의 결과에 기초하여, 컴퓨팅 시스템(130)은 관심 결함을 가장 잘 포착하는 하나 이상의 초점면 또는 초점 범위를 결정한다. 일부 예에서, 하나 이상의 초점면 또는 초점 범위는, 측정된 결함 시그니처(예를 들어, 이미지 또는 속성 벡터)와 예상된 결함 시그니처 간의 최상의 매치에 기초하여 결정된다.
하나 이상의 초점면 또는 초점 범위를 결정한 후, 검사 시스템(100)은, 구조체의 전체 깊이 전체에 대한 것이기 보다는, 초기 검사의 각각에서 하나 이상의 초점면 또는 초점 범위에서 식별된 결함 위치와 연관된 이미지 패치(예를 들어, 32x32 픽셀 패치, 64x64 픽셀 패치 등)를 기록한다. 도 2는 각각 후보 결함(145A-C)과 연관된 이미지 패치(146A-C)의 세트를 도시한다. 일부 예에서, 1억 개 이상의 결함 위치가, 다중 초점 레벨에서 이미징되고 기록된다. 이러한 방식으로, 결함 발견과 연관되는 기록된 데이터의 양은 깊이의 서브세트로 제한된다. 기록된 데이터는 후속 결함 검증 및 분류기 트레이닝 프로세스 동안에 사용된다. 기록된 데이터의 양을 제한함으로써, 후속 결함 검증 및 분류기 트레이닝 프로세스가 크게 간소화된다.
다른 양태에서, 검증된 결함 이미지 및 연관된 결함 분류는 검사 시스템(100)에 의해 식별된 대응하는 결함에 매핑된다. 연관된 기록 이미지 및 결함 분류를 포함하는 검증된 결함은, 뉴슨스 필터, 통계적 분류기, 또는 둘 다를 트레이닝하는데 사용된다.
도 3은 반도체 구조의 검사를 위한 결함 발견 및 검증을 위한 시스템(150)의 일 실시예의 단순화된 개략도이다. 시스템(150)은 도 1을 참조하여 설명된 검사 시스템(100), 결함 검증 툴(151), 및 컴퓨팅 시스템(160)을 포함한다. 일부 실시예에서, 컴퓨팅 시스템(160)에 의해 수행되는 작업은 본 명세서에 설명된 바와 같이 컴퓨팅 시스템(130) 또는 또 다른 컴퓨팅 시스템에 의해 구현된다.
일부 실시예에서, 결함 검증 툴(151)은 전자 빔 기반 분석 툴이다. 일부 다른 실시예에서, 결함 검증 툴(151)은 x-선 기반 분석 툴이다. 이들 실시예에서, 매립된 결함을 x-선 기반 분석 툴에 가시적으로 만들기 위해 재료 제거 툴이 필요하지 않을 수 있다. 따라서, 관련 재료 제거 툴은 옵션이다.
일부 예에서, 결함 검증은 웨이퍼(103)를 디프로세싱하고 검사 시스템(100)을 사용하여 노출된 결함을 검사함으로써 달성된다. 이들 예에서, 다른 결함 검증 툴(151)은 필요하지 않을 수 있다. 일부 실시예에서, SEM 검토 툴과 같은 결함 검증 툴은, 단일 웨이퍼 처리 툴로서 검사 시스템(100)과 통합될 수 있거나, 대안적으로는, 개별적으로 또는 임의의 조합으로 상이한 웨이퍼 처리 시스템으로 분리될 수 있다.
컴퓨팅 시스템(130)은 검사 프로세스를 조정하고, 분석, 데이터 처리, 및 통신 작업을 수행한다. 이와 유사하게, 컴퓨팅 시스템(160)은 물질 제거 및 검토 프로세스를 조정하고, 분석을 수행하고, 데이터 처리 및 통신 작업을 수행한다.
결함 검증은 많은 상이한 방식으로 달성될 수 있다. 일부 실시예에서, 결함을 검증하기 위해 전압 콘트라스트 검사가 수행된다. 이들 실시예에서, 웨이퍼는 작은 샘플 계획에 따라 장식되고, 전압 콘트라스트 측정은 전압 콘트라스트 검사 툴에 의해 상기 장식된 웨이퍼에 대해 수행된다.
일부 다른 실시예에서, 웨이퍼 제조가 완료되고 결함을 검증하기 위해 완성된 웨이퍼에 대해 비트맵 테스트가 수행된다.
일부 다른 실시예에서, 웨이퍼는 고려 중인 다층 구조의 계층을 제거하기 위해 디프로세싱된다. 디프로세싱은 화학적 프로세스, 기계적 프로세스, 또는 둘 다에 의해 달성될 수 있다. 일 예로, FIB(focused ion beam; 포커싱된 이온 빔) 툴을 사용하여 웨이퍼의 표면으로부터 재료를 제거한다. 웨이퍼는 매립된 결함이 웨이퍼의 표면에 또는 그 근처에 위치될 때까지 디프로세싱되고, 결함 검증 툴(151), 예를 들어 SEM 검토 툴, 검사 시스템(100) 등에 의해 효과적으로 이미징될 수 있다. 결함 검증 측정과 연관되는 결함 위치 및 연관된 결함 이미지(152)는 메모리(예를 들어, 보드 컴퓨팅 시스템(160) 상의 메모리(162))에 저장된다. 일부 실시예에서, 결함 정보는 KLA 결과 파일(KLARF)의 형태로 저장된다. KLARF 파일은 결함 검증 툴(150)에 의해 생성된 플랫 ASCII 파일이다. 동일한 KLARF 파일 포맷은 검사 시스템(100)으로부터의 결함 정보를 저장하는데 사용된다.
추가 양태에서, 결함 발견의 일부로서 검사 시스템(100)에 의해 식별된 결함과 연관된 결함 정보(141)는, 컴퓨팅 시스템(160)에 전달된다. 컴퓨팅 시스템(160)은 식별된 결함을 샘플링하여 결함 검증 툴(151)로 전달되는 후보 결함(153)의 다양성 세트를 생성한다. 일부 실시예에서, 컴퓨팅 시스템(160)은 결함 발견 동안 검사 시스템(100)에 의해 식별된 결함(예를 들어, 1억 개 이상의 DOI)을 비닝(bin)하고, 후보 결함(153)의 다양성 세트를 생성하기 위해 각 빈(bin)으로부터 몇 개의 결함을 선택한다. 후보 결함(153)의 다양성 세트는, 메모리(예를 들어, 보드 컴퓨팅 시스템(160) 상의 메모리(162))에 저장된다.
결함 검증 측정은 후보 결함의 다양성 세트에 대해 수행된다. 결함 검증 측정으로부터의 결함 위치, 결함 분류, 및 연관된 결함 이미지는, 메모리(예를 들어, 보드 컴퓨팅 시스템(160) 상의 메모리(162))에 저장된다. 결함 분류는 인간 사용자의 도움으로 또는 자동으로 수행될 수 있다. 결함 분류는 결함을 뉴슨스 결함 또는 관심 결함(DOI)으로서 식별한다. 결함이 DOI로서 분류되면, 결함의 특정 분류가 식별된다. 일부 실시예에서, 후보 결함의 다양성 세트와 연관되는 결함 위치, 분류, 및 연관된 결함 이미지는 또한, KLARF 파일 포맷으로 저장된다.
후보 결함의 다양성 세트, 검증된 결함의 임의의 다른 세트, 또는 이들의 조합으로부터의 결함 검증 데이터는, 라벨링된 결함 데이터(171)로서 저장된 결함 이미지 패치에 매핑된다. 결함 검증 데이터 및 대응하는 결함 이미지 패치는, 뉴슨스 필터, 결함 분류기, 또는 둘 다를 트레이닝하는데 사용된다.
일 양태에서, 통계적 분류기는 속성 식별 모듈에 의해 결함 이미지로부터 결정된 자동으로 생성된 속성의 값에 기초하여 결함을 분류하도록 트레이닝된다.
도 4는 일 실시예에서의 결함 분류기 트레이닝 엔진(170)을 예시하는 도면이다. 도 4에 도시된 바와 같이, 딥 러닝 기반 속성 모델 트레이닝 모듈(172)은 각 결함의 알려진 분류(171B)와 함께, 검증된 웨이퍼 결함과 연관된 이미지 데이터(171A)(예를 들어, 이미지 패치)를 수신한다. 각 결함과 연관된 이미지 데이터(171A) 및 분류(171B)는 라벨링된 결함 데이터(171)로부터 추출된다.
자동으로 생성된 속성에 기초하여 분류기를 훈련시키기 위해 사용된 이미지 데이터는 각각의 결함 인스턴스와 개별적으로, 동일한 공칭 구조의 다른 인스턴스와 조합하여, 또는 둘 다와 연관될 수 있다. 일부 예에서, 자동 생성된 속성에 기초하여 분류기를 훈련하기 위해 사용된 이미지 데이터는, 테스트 웨이퍼의 결함, 기준 웨이퍼의 해당 결함 위치, 테스트 웨이퍼와 기준 웨이퍼 상의 결함 이미지 간의 차이, 또는 이들의 조합과 연관될 수 있다.
일부 예에서, 이미지 데이터는 반도체 구조체의 특정 인스턴스와 연관된다. 일부 예에서, 이미지 데이터는 동일한 공칭 반도체 구조체의 2개의 상이한 인스턴스와 연관된다. 일부 다른 예에서, 이미지 데이터는 동일한 공칭 반도체 구조체의 2개의 상이한 인스턴스들 사이의 차이 이미지(즉, 픽셀 x 픽셀 차이)와 연관된다. 일부 예에서, 동일한 공칭 구조의 2개의 상이한 경우는 동일한 웨이퍼 상의 상이한 다이 상에서 제조된 동일한 공칭 구조이다. 일부 예에서, 동일한 공칭 구조의 2개의 상이한 인스턴스는 상이한 웨이퍼 상의 상이한 다이 상에서 제조된 동일한 공칭 구조이다.
딥 러닝 기반 속성 모델 트레이닝 모듈(172)은 결함 이미지 데이터를 입력으로 그리고 알려진 결함 분류를 출력으로 갖는 딥 러닝 기반 모델을 생성한다. 일부 실시예에서, 딥 러닝 기반 모델은 복수의 이미지 필터를 포함하는 적어도 하나의 컨볼루션 계층 및 복수의 노드(즉, 뉴런)를 포함하는 적어도 하나의 연결 계층을 포함하는 신경망 모델이다. 도 5는 고려 중인 각 이미지 패치의 이미지 픽셀에 대응하는 입력 노드(191)의 세트를 포함하는 신경망 모델(190)의 단순화된 예시를 도시한다. 예를 들어, 32x32 픽셀 이미지 패치를 사용하는 경우, 입력 노드(191)의 수는 32*32이다. 신경망 모델(190)은 컨볼루션 계층(192) 및 N개의 연결 계층(195)을 포함한다. 컨볼루션 계층은 입력 노드(191)에 제시되는 이미지 데이터에 대해 동작하는 복수의 필터(193)(예를 들어, 32개의 필터)를 포함한다. 필터의 각각의 출력은 LAYER1의 입력 노드에 있다. 일 예에서, 32x32 픽셀 이미지 패치와 32개의 필터를 사용하는 경우, LAYER1의 노드 수는 32*32*32이다. 그러나, 일반적으로, 컨볼루션 계층의 출력에서 노드 수를 줄이는 다른 풀링 방식이 사용될 수 있다. 연결된 각 계층은 입력 노드 세트와 출력 노드 세트를 포함한다. 가중치 세트는, 연결된 계층의 각 입력 노드를 연결된 계층의 출력 노드와 연관시킨다. 도 5에 도시된 바와 같이, 노드(194)는 LAYER1의 입력 노드이고, 노드(194)는 가중치 세트(예를 들어, WI1-WIK)에 의해 LAYER1의 출력 노드의 각각에 결합된다. 일부 예에서, 연결된 계층은 LAYERN에 의해 예시된 바와 같이 완전히 연결된다(즉, 각 입력 노드가 가중 값에 의해 각 출력 노드에 연결됨). 일부 예들에서, 연결된 계층들은 성기게 연결된다(즉, 모든 입력 노드가 모든 출력 노드에 연결되지는 않음).
일반적으로, 신경망 모델(190)은 비제한적인 예로서 제시된다. 이 특허 문서의 범위 내에서 다른 딥 러닝 모델이 고려될 수 있다. 예를 들어, 신경망 모델(190)은 임의의 수의 컨볼루션 계층, 임의의 수의 연결된 계층, 또는 둘다를 포함할 수 있다.
신경망 모델(190)은 결함 이미지 데이터 및 대응하는 분류에 기초하여 트레이닝된다. 예를 들어, 신경망(190)의 마지막 연결 계층(예를 들어, LAYERN)의 출력 노드의 각각은 상이한 분류에 대응한다. 예를 들어, 도 5에 도시된 바와 같이, LAYERN의 3개의 출력 노드가 있으며, 각각은 상이한 결함 분류에 대응한다. 예를 들어, 알려진 분류 Class1을 갖는 결함에 대한 LAYERN의 출력 노드의 값은, 이상적으로는 {1, 0, 0}이다. 알려진 분류 Class2를 갖는 결함에 대한 LAYERN의 출력 노드의 값은 이상적으로는 {0, 1, 0}이다. 알려진 분류 Class3을 갖는 결함에 대한 LAYERN의 출력 노드의 값은 이상적으로는 {0, 0, 1}이다. 모델 트레이닝 동안에 각 연결된 계층의 가중치와 컨볼루션 계층의 각 필터의 필터 값은, 고려 중인 모든 이미지 결함의 알려진 분류와 연관된 이상적인 모델 출력을 가장 근접하게 달성하도록 조정된다.
일부 예에서, 신경망 모델은 뉴슨스 필터와 연관된 속성들을 식별하도록 트레이닝된다. 이들 예에서, LAYERN의 두 개의 출력 노드가 존재한다. 이 예에서, 뉴슨스 결함에 대한 LAYERN의 출력 노드의 값은 {1, 0}이고, DOI에 대한 LAYERN의 출력 노드의 값은 {0, 1}이다. 이러한 방식으로, 신경망은 신경망 모델의 구조체와 모델 트레이닝을 구동하는데 사용되는 성능 목적 함수를 조정(tune)함으로써 동일한 이미지 데이터에 기초하여 상이한 분류 목표와 연관된 속성을 식별하도록 트레이닝될 수 있다.
원칙적으로, 인라인 검사 프로세스의 일부로서 수집된 이미지 데이터에 기초하여 결함을 직접 분류하기 위해 트레이닝된 신경망 모델이 사용될 수 있다. 그러나, 이러한 모델을 구현하는데 드는 계산 비용은 처리량이 많은 반도체 웨이퍼 검사의 맥락에서 엄두도 못 낼 정도로 높다.
추가 양태에서, 트레이닝된 신경망 모델은 원래 모델의 예측 능력을 유지하는 더 작은 차원 모델에 도달하기 위해 일반적으로 반복적인 방식으로 복잡성이 감소된다. 일부 실시예에서, 신경망 모델은, 모델 계층(컨볼루션 계층, 연결된 계층 또는 둘 다)의 수를 줄이고, 컨볼루션 계층의 이미지 필터의 수를 줄이고, 하나 이상의 연결 층과 연관된 노드의 수, 또는 이들의 임의의 조합을 줄임으로써 축소된다. 축소 단계가 수행된 후, 축소된 신경망 모델은 동일한 이미지 데이터 및 알려진 분류에 대해 리트레이닝된다. 축소된 신경망 모델의 성능은, 트레이닝 프로세스를 구동하는 성능 목적 함수의 잔차를 비교함으로써 원래 모델과 비교된다. 축소된 신경망 모델의 성능이 원래 트레이닝된 모델의 성능과 크게 다를 때까지, 신경망 모델을 반복적으로 축소시킨다.
다른 양태에서, 통계적 분류기는 입력 노드의 값을 트레이닝된 신경망 모델의 각 계층의 출력 노드와 관련시키도록 트레이닝된다. 예를 들어, 도 6은 LAYERI를 에뮬레이트하도록 트레이닝된 통계적 분류기(196)를 도시한다. 각 통계 분류기는 신경망 모델의 축소를 안내하기 위해 분석된다. 일부 예에서, 대응하는 계층이 신경망 모델에 새로운 정보를 추가하는지 여부를 식별하기 위해 각각의 통계적 분류기가 분석된다. 계층이가 실질적인 새로운 정보를 추가하지 않으면, 전체 계층이 제거된다. 다른 예에서, 각 통계적 분류기는 대응하는 계층의 노드가 계층에 실질적으로 기여하는지 여부를 식별하기 위해 분석된다. 계층에 상대적으로 작은 기여를 하는 노드는 제거된다. 이와 유사하게, LAYER1의 입력 노드는, LAYER1을 에뮬레이트하도록 트레이닝된 통계 분류기에 기초하여 분석된다. LAYER1에 실질적으로 기여하지 않는 것으로 밝혀진 LAYER1의 입력 노드는, 컨볼루션 계층의 어떤 필터가 모델에 실질적인 새로운 정보를 제공하지 않는지를 나타낸다. 이러한 필터는 제거된다.
딥 러닝 기반 모델의 축소를 안내하는 딥 러닝 및 독립적인 통계적 분류기의 조합은, 성능 손실 없이 속성을 결정하는 계산 비용을 최소화하기 위한 직접적인 성능 중심 접근 방식을 제공한다.
일반적으로, 딥 러닝 기반 모델을 줄이기 위한 다른 접근 방식이 이 특허 문서의 범위 내에서 고려된다. 예를 들어, 기존의 가중치 희소성 분석 및 활성화 맵을 단독으로, 또는 트레이닝된 통계적 분류기와 함께 구현하여 성능 영향을 최소화하면서 모델 축소를 달성할 수 있다.
다른 추가 양태에서, 각 트레이닝 이미지 또는 이미지 세트와 연관된 자동으로 생성된 속성의 값은 축소된 딥 러닝 모델로부터 추출된다. 도 4에 도시된 바와 같이, 딥 러닝 기반 속성 모델 트레이닝 모듈(172)은 축소된 속성 모델(173)을 생성한다. 축소된 속성 모델(173)은 최종 모델 축소 단계 이후에 트레이닝된 딥 러닝 기반 모델이다.
자동으로 생성된 속성은 감소된 속성 모델(173)의 요소 또는 요소들의 조합이다. 일 예에서, 자동으로 생성된 속성은. 컨볼루션 계층(192)의 필터(193) 중 하나 이상의 필터에 의해 필터링된 입력 이미지의 최대 픽셀 강도이다. 다른 예에서, 자동으로 생성된 속성은 하나 이상의 연결된 계층의 노드, 또는 노드 조합의 값이다. 일반적으로, 축소 속성 모델(173)로부터 추출된 속성은, 특정 분류 적용에 대해 가장 큰 민감도를 나타내는 축소 속성 모델(173)의 요소들이다.
자동으로 생성된 속성 식별 모듈(174)은 각 웨이퍼 결함 이미지에 대한 축소된 속성 모델(173)의 하나 이상의 요소로부터 유도된 속성의 값을 계산함으로써 각 웨이퍼 결함 이미지, 또는 이미지들의 조합에 대한 각각의 자동으로 생성된 속성의 값(175)을 결정한다.
다른 양태에서, 통계적 분류기는 알려진 분류를 갖는 결함의 자동으로 생성된 속성의 값에 기초하여 트레이닝된다. 도 4에 도시된 바와 같이, 라벨링된 결함 데이터(171)와 연관된 자동으로 생성된 속성의 값(175)은 결함 분류기 트레이닝 모듈(178)에 전달된다. 또한, 라벨링된 결함 데이터에 대응하는 알려진 결함 분류(171B)는 또한 결함 분류기 트레이닝 모듈(178)로 전달된다. 결함 분류기 트레이닝 모듈(178)은 결함과 연관된 자동으로 생성된 속성의 값에 기초하여 결함의 분류를 예측하는 통계 모델을 트레이닝시킨다. 일반적으로, 통계 모델은, 임의의 적합한 모델(예를 들어, 의사결정 트리, 지원 벡터 머신(SVM), 랜덤 포레스트, K-최근접 이웃 등)일 수 있다. 트레이닝된 결함 분류기(179)는 결함 분류기 트레이닝 모듈(178)로부터 전달된다.
또 다른 추가 양태에서, 통계적 분류기는 자동으로 생성된 속성의 값 및 알려진 분류를 갖는 결함의 수동으로 생성된 속성의 값에 기초하여 트레이닝된다. 도 4에 도시된 바와 같이, 자동으로 생성된 속성의 값(175) 및 라벨링된 결함 데이터(171)와 연관되는 수동으로 생성된 속성의 값(177)은, 결함 분류기 트레이닝 모듈(178)에 전달된다. 결함 분류기 트레이닝 모듈(178)은 전술한 바와 같이 결함과 연관되는 자동 및 수동으로 생성된 속성의 값에 기초하여 결함의 분류를 예측하는 통계적 모델을 트레이닝시킨다.
이러한 방식으로, 트레이닝된 통계적 분류기는 동일한 결함의 중요한 지표가 될 수학적 계산에 의해 결정된 속성과 함께, 결함의 중요한 지표가 될 인간 사용자에게 알려진 속성을 통합한다. 중요하게는, 수동으로 생성된 일부 속성은, 속성 모델(173)(예를 들어, GDS 데이터, 계측 측정 등)을 트레이닝하는데 사용되는 광학 패치와는 상이한 입력 소스와 연관된다. 일부 예에서, 수동으로 생성된 속성은, 이미지 패치보다는, 검사 시스템에 의해 수집된 전체 이미지 프레임과 연관된다.
도 4에 도시된 바와 같이, 수동으로 생성된 속성의 값(177)은 웨이퍼 결함 이미지 데이터(171A)에 기초하여 수동으로 생성된 속성 식별 모듈(176)에 의해 결정된다.
수동으로 생성된 결함 속성은, 기계가 아닌 인간에 의해 생성된 결함의 속성을 포함한다. 예를 들어, 수동으로 생성된 속성은, 픽셀 밝기 크기, MDAT 오프셋, MDAT 그레이 레벨(기준 그레이 레벨), 및 에너지를 포함한다. 또한, 수동으로 생성된 속성은 스캔 동안 검출된 결함으로부터의 광의 특성(예를 들어, 강도) 또는 심지어 픽셀 그룹 간의 상대적 응답에 응답하는 결함의 속성을 포함할 수 있다. 결함의 수동으로 생성된 속성은, 가능한 한 일반적일 수 있다. 이는 결함 위치, 결함 크기 등과 같은 비강도 유형 속성을 포함할 수 있다. 이는 GDS(Graphic Database System) 파일 또는 기타 소스로부터 유도된 디자인 속성(예를 들어, 참조 지오메트리 및 재료 사양)을 포함할 수 있다.
다른 양태에서, 알려지지 않은 분류를 갖는 결함의 이미지로부터 유도된 자동으로 생성된 속성의 값에 기초하여 결함을 분류하기 위해 트레이닝된 결함 분류기가 사용된다.
도 7은 일 실시예에서 결함 분류 엔진(200)의 예시를 도시한다. 알려지지 않은 분류를 갖는 후보 결함과 연관되는 이미지 데이터(201)는, 도 4을 참조하여 설명된 자동으로 생성된 속성 식별 모듈(174)에 전달된다. 분류되지 않은 결함과 연관되는 자동으로 생성된 속성의 값(202)은, 도 4을 참조하여 설명된 동일한 축소 속성 모델(173)을 사용하여 자동으로 생성된 속성 식별 모듈(174)에 의해 결함 이미지 데이터(201)에 기초하여 결정된다. 일부 실시예에서, 자동으로 생성된 속성의 값(202)은 트레이닝된 결함 분류기(179)에 전달되고, 트레이닝된 결함 분류기(179)는, 자동으로 생성된 속성의 값(202)에 기초하여 이미징된 결함의 분류(204)를 결정한다. 이들 실시예에서, 트레이닝된 결함 분류기(179)는 도 4를 참조하여 설명된 바와 같이 자동으로 생성된 속성에만 기초하여 트레이닝된다.
일부 다른 실시예에서, 이미지 데이터(201)는 또한 도 4을 참조하여 설명된 바와 같이 수동으로 생성된 속성 식별 모듈(174)에 전달된다. 분류되지 않은 결함과 연관되는 수동으로 생성된 속성의 값(202)은, 도 4을 참조하여 설명된 바와 같이 수동으로 생성된 속성 식별 모듈(174)에 의해 결함 이미지 데이터(201)에 기초하여 결정된다. 이들 실시예에서, 자동으로 생성된 속성의 값(202)과 수동으로 생성된 속성의 값(203)은, 트레이닝된 결함 분류기(179)에 전달되고, 트레이닝된 결함 분류기(179)는 값(202 및 203)에 기초하여 이미징된 결함의 분류(204)를 결정한다. 이들 실시예에서, 트레이닝된 결함 분류기(179)는 도 4을 참조하여 설명된 바와 같이 자동으로 생성된 속성과 수동으로 생성된 속성의 조합에 기초하여 트레이닝된다.
도 8은 상이한 분류기에 기초하여 알려진 분류의 결함과 연관된 포착 레이트 대 뉴슨스 레이트의 플롯(210)을 도시한다. 검사 애플리케이션은 CMP(Chemical Mechanical Polishing) 프로세스 단계 후 구리 금속층의 결함을 분류하는 것이다. 플롯라인(214)은 수동으로 생성된 속성만을 사용하여 트레이닝된 통계적 분류기로 달성된 분류 결과를 도시한다. 플롯라인(212)은 본 명세서에 설명된 바와 같이 수동으로 생성된 속성과 자동으로 생성된 속성 모두를 사용하여 트레이닝된 통계적 분류기로 달성된 분류 결과를 도시한다. 플롯라인(210)은 이미지 데이터에 기초하여 직접 결함을 분류하도록 트레이닝된 단일 계층의 컨볼루션 신경망으로 달성된 분류 결과를 도시한다. 이와 유사하게, 플롯라인(211)은 이미지 데이터에 기초하여 직접 결함을 분류하도록 트레이닝된 이중층 컨벌루션 신경망으로 달성된 분류 결과를 도시한다.
이미지 데이터에 기초하여 결함을 직접 분류하기 위해 훈련된 컨볼루션 신경망을 사용하는 것은 현재 계산 비용으로 인해 높은 처리량의 인라인 검사에 적합하지 않다. 그러나, 수동으로 생성된 속성과 자동으로 생성된 속성을 모두 사용하여 트레이닝된 통계적 분류기로 달성된 분류 결과는, 이러한 계산 집약적인 기술과 유리하게 비교된다. 또한, 도 8은 수동으로 생성된 속성만을 사용하여 트레이닝된 통계적 분류기와 비교하여 수동으로 생성된 속성 및 자동으로 생성된 속성 모두를 사용하여 트레이닝된 통계적 분류기로 달성된 분류 성능의 개선을 도시한다.
도 9는 도 8를 참조하여 설명된 검사 애플리케이션에 대해 수동으로 생성된 속성과 자동으로 생성된 속성 모두를 사용하여 트레이닝된 통계적 분류기에 의해 측정된 상대적 중요도에 기초하여 랭크된 속성의 목록을 나타내는 차트(220)를 도시한다. 도 9에 도시된 바와 같이, "스폿 유사성(Spot Likeness)" 및 "패치 결함 신호(Patch Defect Signal)"로 라벨링된 속성만이 수동으로 생성된 속성이다. 다른 모든 속성은 자동으로 생성된다. 도 9에 도시된 바와 같이, 자동으로 생성된 많은 속성은, 이 특정 검사 애플리케이션에 대해 수동으로 생성된 속성보다 훨씬 높게 랭크된다.
또 다른 추가 양태에서, 도 4를 참조하여 설명된 통계적 분류기의 트레이닝은, 분류기의 트레이닝에 사용되는 속성의 수를 반복적으로 감소시킴으로써 반복적인 방식으로 수행될 수 있다.
도 4에 도시된 실시예에서, 결함 분류기 트레이닝 모듈(178)은 트레이닝된 통계적 분류기에 대한 입력으로서 제공된 하나 이상의 속성의 각각의 상대적 중요도를 결정한다. 도 9는 통계적 분류기에 대한 입력으로서 제공되는 복수의 속성의 상대적 중요도의 예시를 도시한다. 또한, 결함 분류기 트레이닝 모듈(178)은 하나 이상의 속성의 각각과 연관되는 상대적 중요도에 기초하여 속성의 서브세트를 결정한다. 예를 들어, 결함 분류기 트레이닝 모듈(178)은, 미리 결정된 임계값 미만의 중요도 값을 갖는 모든 속성이 제거된다고 결정한다. 일 예에서, 결함 분류기 트레이닝 모듈(178)은 25 미만의 중요도 값을 갖는 모든 속성이 제거된다고 결정한다. 통계적 분류기는, 통계적 분류기에 대한 입력으로서 하나 이상의 트레이닝 이미지의 각각과 연관되는 나머지 속성 그리고 통계적 분류기의 출력으로서 하나 이상의 트레이닝 이미지의 각각과 연관되는 알려진 분류에 기초하여, 후속적으로 리트레이닝된다. 통계적 분류기의 평가, 축소 및 리트레이닝은, 분류기 성능이 허용 가능한 레벨을 넘어 유지되는 동안에 반복적으로 반복될 수 있다.
검사 시스템(100)은 프로세서(131) 및 일정량의 컴퓨터 판독 가능 메모리(132)를 포함한다. 프로세서(131) 및 메모리(132)는 버스(133)를 통해 통신할 수 있다. 메모리(132)는 프로세서(131)에 의해 실행될 때, 프로세서(131)로 하여금 본 명세서에서 설명된 결함 검출 및 분류 기능을 실행하게 하는 일정량의 프로그램 코드를 저장하는 일정량의 메모리(134)를 포함한다.
시스템(150)은 프로세서(161) 및 일정량의 컴퓨터 판독 가능한 메모리(162)를 포함한다. 프로세서(161) 및 메모리(162)는 버스(163)를 통해 통신할 수 있다. 메모리(162)는 프로세서(161)에 의해 실행될 때, 프로세서(161)로 하여금 본 명세서에 설명된 결함 검출 및 분류 기능을 실행하게 하는 일정량의 프로그램 코드를 저장하는 일정량의 메모리(164)를 포함한다.
일부 실시예에서, 트레이닝된 결함 분류기(179)는 검사 시스템(100)에 전달되고, 검사 시스템(100)에 의해 생성된 결함 이미지에 적용된다. 각 광학 모드와 연관된 검출 임계값은 원하는 뉴슨스 레이트를 달성하도록 조정된다. 도 1에 도시된 실시예에서, 검사 시스템(100)은, 생산 설정에서 반도체 구조체의 2차원 또는 3차원 이미지의 분석에 기초하여 결함을 식별하고 분류하기 위해 트레이닝된 결함 분류기(179)를 구현한다. 일부 예에서, 프로세서(131)는 본 명세서에 설명된 바와 같이 이미지로부터 결함을 검출 및 분류하도록 구성된다.
또한, 검사 시스템(100)은 조작자(예를 들어, 키보드, 마우스, 터치스크린 등)로부터의 입력을 수용하고 조작자에게 출력을 표시하는데 유용한 주변 장치(예를 들어, 디스플레이 모니터)를 포함할 수 있다. 조작자로부터의 입력 명령은 조명 전력을 제어하는데 사용되는 임계값을 조정하기 위해 컴퓨팅 시스템(130)에 의해 사용될 수 있다. 결과적인 전력 레벨은 디스플레이 모니터에서 조작자에게 그래픽으로 제시될 수 있다.
도 11은 반도체 구조체의 이미지에 기초하여 결함을 검출하는데 유용한 예시적인 방법(300)의 흐름도를 도시한다. 일부 비제한적인 예에서, 도 1을 참조하여 설명되는 검사 시스템(100)은, 방법(300)을 구현하도록 구성된다. 그러나, 일반적으로, 방법(300)의 구현은 본 명세서에 설명된 특정 실시예에 의해 제한되지 않는다.
블록(301)에서, 하나 이상의 후보 결함을 포함하는 하나 이상의 트레이닝 이미지가 예를 들어 검사 시스템(100)에 의해 생성된다. 하나 이상의 후보 결함의 각각은 알려진 결함 분류를 갖는다.
블록(302)에서, 입력으로서 하나 이상의 후보 결함의 하나 이상의 트레이닝 이미지를 그리고 출력으로서 하나 이상의 후보 결함의 각각의 알려진 분류를 갖는 딥 러닝 기반 모델이 트레이닝된다. 일부 실시예에서, 딥 러닝 기반 모델은 복수의 이미지 필터를 포함하는 적어도 하나의 컨볼루션 계층 및 복수의 노드를 포함하는 적어도 하나의 연결 계층을 포함하는 신경망 모델이다.
블록(303)에서, 축소된 딥 러닝 모델은, 신경망 모델의 계층의 수, 신경망 모델의 이미지 필터의 수, 신경망 모델의 노드의 수, 또는 이들의 임의의 조합을 감소시킴으로써 결정된다.
블록(304)에서, 축소된 딥 러닝 모델에 대한 입력으로서 하나 이상의 후보 결함의 하나 이상의 이미지를 그리고 출력으로서 상기 하나 이상의 후보 결함의 각각의 알려진 분류를 가지는 축소된 딥 러닝 기반 모델이 리트레이닝된다.
블록(305)에서, 하나 이상의 트레이닝 이미지의 각각과 연관되는 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값이 결정된다.
블록(306)에서, 입력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 하나 이상의 속성을 그리고 출력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관된 알려진 분류를 포함하는 통계적 분류기가 트레이닝된다.
일반적으로, 본 명세서에서 설명된 분류 기술은, 반도체 디바이스 제조의 연구 및 개발, 생산 램프 및 대량 생산 단계 동안에 적용될 수 있으며, 임의의 광학적 이미지 기반 측정 기술에 적용될 수 있다. 또한, 이러한 기술은 광학 및 x 선 검사 양식에 적용될 수 있다.
특정 유형의 제조 프로세스에 관계없이, 결함은 다층 스택의 모든 레벨에서 그리고 특정 프로세스에서 가능한 한 빨리 검출될 필요가 있다. 특정 검사 실시예는, 바람직하게는 스택 표면을 포함하는 스택 전체에 걸쳐 그리고 스택의 다양한 깊이 전체에 걸쳐 결함의 검출을 포함한다. 예를 들어, 특정 실시예는 약 3 마이크로미터까지의 깊이에서 결함이 발견되는 것을 허용한다. 다른 실시예에서, 결함은 약 8 마이크로미터만큼 큰 스택 깊이에서 검출될 수 있다. 검사 중인 수직 ONON(oxide-nitride-oxide-nitrite) 또는 OPOP(oxide-polysilicon-oxide-polysilicon) 스택의 두께는, 조명 광의 침투 깊이에 의해서만 제한된다. ONON 또는 OPOP 스택을 통한 전송은, 더 긴 파장에서 흡수에 의해 덜 제한된다. 따라서, 매우 깊은 구조를 효과적으로 검사하기 위해 더 긴 조명 파장이 사용될 수 있다.
본 명세서에 설명된 검사 시스템 및 분류 기술은, 테라비트 셀 어레이 트랜지스터(TCAT), 수직 적층 어레이 트랜지스터(VSAT), 비트 비용 확장 가능 기술(BiCST), 파이프 형상 BiCS 기술(P-BiCS) 등을 사용하여 형성된 NAND 또는 NOR 메모리 디바이스와 같은, 임의의 적절한 3D 수직 반도체 구조, 수직 NAND(VNAND) 메모리 구조, 3D 네거티브-AND(NAND) 게이트 메모리 디바이스를 포함하지만 이에 제한되지 않는 복잡한, 수직 적층 구조의 3차원 이미지에 적용될 수 있다. 수직 방향은 일반적으로 기판 표면에 직각인 방향이다. 또한, 특정 제조 단계, 프로세스, 및 재료가 이러한 3D 구조를 형성하기 위해 사용되지만, 검사 실시예는 제조 흐름의 임의의 지점에 적용될 수 있고, 이러한 계층은 임의의 수 및 유형의 재료를 포함할 수 있다.
도 10은 예시적인 목적을 위해 웨이퍼 생산 프로세스의 실리콘 질화물(예를 들어, SiN 또는 Si3N4) 제거 단계에서 3D NAND 구조(180)의 단순화된 예시를 도시한다. 제조된 3D NAND 구조는 추가적인 피처 및 요소를 포함한다. 일 예에서, 제조된 3D NAND 구조는 많은 추가 층을 포함하고 도시된 구조(예를 들어, 구조(182)) 중 일부는 추가 재료를 포함한다. 산화물 코어 구조(181)를 둘러싸는 폴리실리콘 구조(182)는 다층 3D NAND 구조에서 수직으로(예를 들어, 기판(186)의 표면에 수직으로) 연장된다. 실리콘 산화물의 층(187)은 후속적으로 에칭되는 실리콘 질화물의 층(도시되지 않음)에 의해 서로 이격된다. 실리콘 질화물 층(183)은 도 10의 예시를 위해 에칭되지 않는다. 프로세스의 다음 단계는, 실리콘 산화물층 사이의 공간에서 텅스텐을 성장시키는 것이다. 그러나, 도 10에 도시된 바와 같이, 불완전한 에칭은 실리콘 질화물 결함(184 및 185)을 남겼다. 전자 디바이스는 결함(184 및 185)으로 작동하지 않을 것이다. 따라서, 고장날 예정인 디바이스의 추가 처리와 연관된 시간 및 자원의 손실을 방지하기 위해, 제조 프로세스에서 가능한 한 빨리 이 결함을 측정하는 것이 중요하다.
시료를 검사하는데 사용될 수 있는 검사 시스템 또는 툴에 대한 다양한 실시예가 본 명세서에 설명되어 있다. "시료"라는 용어는 본 명세서에서 웨이퍼, 레티클, 또는 당해 분야에 알려진 결함, 피처, 또는 기타 정보(예를 들어, 헤이즈의 양 또는 막 특성)에 대해 검사될 수 있는 임의의 다른 샘플을 지칭하는데 사용된다.
본 명세서에서 사용되는 바와 같이, "웨이퍼"라는 용어는 일반적으로 반도체 또는 비반도체 재료로 형성된 기판을 지칭한다. 예에는 단결정 실리콘, 갈륨 비소 및 인듐 인화물이 포함되지만 이에 제한되지는 않는다. 이러한 기판은 반도체 제조 시설에서 일반적으로 발견 및/또는 처리될 수 있다. 일부 경우에, 웨이퍼는 기판(즉, 베어 웨이퍼)만을 포함할 수 있다. 대안적으로, 웨이퍼는 기판 상에 형성된 상이한 재료의 하나 이상의 층을 포함할 수 있다. 웨이퍼 상에 형성된 하나 이상의 층은 "패턴화" 또는 "비패턴화"될 수 있다. 예를 들어, 웨이퍼는 반복 가능한 패턴 피처를 갖는 복수의 다이를 포함할 수 있다.
"레티클"은 레티클 제조 프로세스의 임의의 단계에 있는 레티클, 또는 반도체 제조 설비에서 사용하기 위해 해제되거나 해제되지 않을 수 있는 완성된 레티클일 수 있다. 레티클 또는 "마스크"는 일반적으로 상부에 형성되고 패턴으로 구성된 실질적으로 불투명한 영역을 갖는 실질적으로 투명한 기판으로서 규정된다. 기판은, 예를 들어, 석영과 같은 유리 재료를 포함할 수 있다. 레티클 상의 패턴이 레지스트로 전사될 수 있도록, 레티클은 리소그래피 프로세스의 노광 단계 동안에 레지스트로 덮인 웨이퍼 위에 배치될 수 있다.
하나 이상의 예시적인 실시예에서, 설명된 기능은 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합으로 구현될 수 있다. 소프트웨어로 구현되는 경우, 기능은 컴퓨터 판독 가능한 매체에 하나 이상의 명령어 또는 코드로서 저장되거나 송신될 수 있다. 컴퓨터 판독 가능한 매체는, 컴퓨터 저장 매체 및 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하는 통신 매체를 모두 포함한다. 저장 매체는 범용 또는 특수 목적 컴퓨터에 의해 액세스될 수 있는 임의의 사용 가능한 매체일 수 있다. 제한이 아닌 예로서, 이러한 컴퓨터 판독 가능한 매체는, RAM, ROM, EEPROM, CD-ROM 또는 기타 광 디스크 저장 장치, 자기 디스크 저장 장치 또는 기타 자기 저장 디바이스, 또는 범용 또는 특수 목적 컴퓨터, 또는 범용 또는 특수 목적 프로세서에 의해 액세스될 수 있는 명령어 또는 데이터 구조체의 형태로 원하는 프로그램 코드 수단을 운반 또는 저장하는데 사용될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 연결은 적절히 컴퓨터 판독 가능한 매체로 지칭된다. 예를 들어, 웹사이트; 서버; 또는 동축 케이블, 광섬유 케이블, 트위스트 페어, DSL(디지털 가입자 회선; digital subscriber line), 또는 적외선, 라디오, 및 마이크로파와 같은 무선 기술을 사용하는 기타 원격 소스로부터 소프트웨어가 송신되는 경우, 동축 케이블, 광섬유 케이블, 트위스트 페어, DSL, 또는 적외선, 라디오, 및 마이크로파와 같은 무선 기술이, 매체의 정의에 포함된다. 본 명세서에서 사용된 원판(disk) 및 디스크(disc)는, CD(컴팩트 디스크), 레이저 디스크, 광 디스크, DVD(디지털 다목적 디스크), 플로피 디스크 및 블루레이 디스크를 포함하며, 여기서 원판은 통상 자기적으로 데이터를 재생하는 반면 디스크는 레이저를 사용하여 데이터를 광학적으로 재생한다. 위의 조합도 컴퓨터 판독 가능한 매체의 범위 내에 포함되어야 한다.
어느 특정 실시예가 교육 목적으로 위에서 설명되었지만, 이 특허 문서의 교시는 일반적인 적용 가능성을 가지며 위에서 설명된 특정 실시예로 제한되지 않는다. 일 예에서, 검출기는 섬유 어레이를 포함할 수 있다. 일 예에서, 검사 시스템(100)은 하나보다 많은 광원(미도시)을 포함할 수 있다. 광원은 다르게 구성되거나 동일하게 구성될 수 있다. 예를 들어, 광원은 동일하거나 상이한 시간에 동일하거나 상이한 입사각으로 동일하거나 상이한 조명 영역에서 웨이퍼로 지향될 수 있는 상이한 특성을 갖는 광을 생성하도록 구성될 수 있다. 광원은 본 명세서에 설명된 실시예들 중 임의의 실시예에 따라 구성될 수 있다. 추가로, 광원들 중 하나는 본 명세서에 설명된 실시예들 중 임의의 실시예에 따라 구성될 수 있고, 다른 광원은 당업계에 공지된 임의의 다른 광원일 수 있다. 일부 실시예에서, 검사 시스템은 하나보다 많은 조명 영역에 걸쳐 웨이퍼를 동시에 조명할 수 있다. 다중 조명 영역은 공간적으로 중첩될 수 있다. 다중 조명 영역은 공간적으로 구별될 수 있다. 일부 실시예에서, 검사 시스템은 상이한 시간에 하나보다 많은 조명 영역에 걸쳐 웨이퍼를 조명할 수 있다. 다른 조명 영역은 시간적으로 중첩될 수 있다(즉, 일정 기간 동안 동시에 조명됨). 상이한 조명 영역은 시간적으로 구별될 수 있다. 일반적으로, 조명 영역의 수는 임의적일 수 있으며, 각 조명 영역은 크기, 방향 및 입사각이 동일하거나 상이할 수 있다. 또 다른 예에서, 검사 시스템(100)은 웨이퍼(103)의 임의의 움직임과 독립적으로 스캔하는 하나 이상의 조명 영역을 갖는 스캔 스폿 시스템일 수 있다. 일부 실시예에서, 조명 영역은 스캔 라인을 따라 반복된 패턴으로 스캔하도록 만들어진다. 스캔 라인은 웨이퍼(103)의 스캔 움직임과 정렬되거나 정렬되지 않을 수 있다. 본 명세서에 제시된 바와 같이, 웨이퍼 위치결정 시스템(114)은 조정된 회전 및 병진 운동에 의해 웨이퍼(103)의 움직임을 생성하지만, 또 다른 예에서, 웨이퍼 위치결정 시스템(114)은 2개의 병진 움직임을 조정함으로써 웨이퍼(103)의 움직임을 생성할 수 있다. 예를 들어, 웨이퍼 위치결정 시스템(114)은 2개의 직교 선형 축을 따른 움직임(예를 들어, X-Y 움직임)을 생성할 수 있다.
따라서, 설명된 실시예의 다양한 특징의 다양한 수정, 개조 및 조합이 청구범위에 기재된 본 발명의 범위를 벗어나지 않고 실시될 수 있다.

Claims (20)

  1. 방법에 있어서,
    하나 이상의 후보 결함을 포함하는 하나 이상의 트레이닝 이미지를 생성하는 단계 - 상기 하나 이상의 후보 결함의 각각은 알려진 결함 분류를 가짐 -;
    상기 하나 이상의 후보 결함의 상기 하나 이상의 트레이닝 이미지를 딥 러닝(deep learning) 기반 모델에 대한 입력으로서 그리고 상기 하나 이상의 후보 결함의 각각의 알려진 결함 분류를 상기 딥 러닝 기반 모델에 대한 출력으로서 갖는 상기 딥 러닝 기반 모델을 트레이닝하는 단계 - 상기 딥 러닝 기반 모델은 복수의 이미지 필터를 포함하는 적어도 하나의 컨볼루션 계층 및 복수의 노드를 포함하는 적어도 하나의 연결 계층을 포함하는 신경망 모델임 -;
    상기 신경망 모델의 계층의 수, 상기 신경망 모델의 이미지 필터의 수, 상기 신경망 모델의 노드의 수, 또는 이들의 임의의 조합을 감소시킴으로써 축소된 딥 러닝 기반 모델을 결정하는 단계;
    상기 축소된 딥 러닝 기반 모델에 대한 입력으로서 상기 하나 이상의 후보 결함의 하나 이상의 이미지를 그리고 상기 축소된 딥 러닝 기반 모델에 대한 출력으로서 상기 하나 이상의 후보 결함의 각각의 알려진 결함 분류를 갖는 상기 축소된 딥 러닝 기반 모델을 리트레이닝하는 단계;
    상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 결정하는 단계; 및
    통계적 분류기에 대한 입력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 그리고 상기 통계적 분류기에 대한 출력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 알려진 결함 분류를 포함하는 통계적 분류기를 트레이닝하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서, 상기 하나 이상의 속성은 필터링된 이미지의 최대 픽셀 강도를 포함하고, 상기 필터링된 이미지는 상기 복수의 이미지 필터 중 임의의 필터에 의해 작동되는 상기 하나 이상의 트레이닝 이미지 중 임의의 이미지인 것인 방법.
  3. 제1항에 있어서, 상기 하나 이상의 속성은 상기 신경망 모델의 하나 이상의 노드의 값을 포함하는 것인 방법.
  4. 제1항에 있어서,
    상기 하나 이상의 후보 결함의 각각과 연관되는 하나 이상의 수동으로 생성된 속성의 각각의 값을 결정하는 단계를 더 포함하며,
    상기 통계적 분류기의 입력은 또한, 상기 하나 이상의 수동으로 생성된 속성을 포함하는 것인 방법.
  5. 제1항에 있어서,
    상기 신경망 모델의 계층의 노드 값을 상기 신경망 모델의 후속 계층의 노드 값과 관련시키는 통계적 모델을 트레이닝하는 단계;
    상기 트레이닝된 통계적 모델에 기초하여, 계층의 상대적 중요도(relative measure of importance), 계층의 각 노드의 상대적 중요도, 각 이미지 필터의 상대적 중요도, 또는 이들의 임의의 조합을 결정하는 단계 - 상기 신경망 모델의 계층의 수, 상기 신경망 모델의 이미지 필터의 수, 상기 신경망 모델의 노드의 수, 또는 이들의 임의의 조합을 감소시키는 것은, 상기 결정된, 상기 계층의 상대적 중요도, 상기 계층의 각 노드의 상대적 중요도, 상기 각 이미지 필터의 상대적 중요도, 또는 이들의 임의의 조합에 기초함 -;
    를 더 포함하는 방법.
  6. 제1항에 있어서, 상기 하나 이상의 트레이닝 이미지는, 상기 하나 이상의 후보 결함과 연관된 구조의 제1 인스턴스를 포함하는 제1 이미지 및 상기 구조의 제2 인스턴스를 포함하는 제2 이미지를 포함하는 것인 방법.
  7. 제6항에 있어서, 상기 하나 이상의 트레이닝 이미지는 차이 이미지를 포함하고, 상기 차이 이미지는 상기 제1 이미지와 상기 제2 이미지 간의 픽셀-바이-픽셀(pixel-by-pixel) 차이인 것인 방법.
  8. 제6항에 있어서, 상기 제1 이미지 및 제2 이미지는 동일한 웨이퍼로부터 수집되는 것인 방법.
  9. 제1항에 있어서,
    상기 하나 이상의 후보 결함을 포함하는 하나 이상의 샘플 이미지를 생성하는 단계 - 상기 하나 이상의 후보 결함의 각각은 알려지지 않은 결함 분류를 가짐 -;
    상기 하나 이상의 샘플 이미지의 각각과 연관되는 상기 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 결정하는 단계; 및
    상기 트레이닝된 통계적 분류기에 기초하여 상기 하나 이상의 후보 결함의 각각의 분류를 결정하는 단계 - 상기 트레이닝된 통계적 분류기에 대한 입력은 상기 하나 이상의 샘플 이미지의 각각과 연관되는 상기 하나 이상의 속성의 값을 포함하고 상기 트레이닝된 통계적 분류기에 대한 출력은 상기 하나 이상의 후보 결합의 각각의 분류인 것인 방법.
  10. 제1항에 있어서,
    상기 트레이닝된 통계적 분류기에 기초하여 상기 하나 이상의 속성의 각각의 상대적 중요도를 결정하는 단계;
    상기 하나 이상의 속성의 각각과 연관되는 상대적 중요도에 기초하여 상기 하나 이상의 속성의 서브세트를 결정하는 단계;
    상기 통계적 분류기에 대한 입력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 하나 이상의 속성의 서브세트를 그리고 상기 통계적 분류기에 대한 출력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 알려진 결함 분류를 포함하는 통계적 분류기를 리트레이닝하는 단계
    를 더 포함하는 방법.
  11. 시스템에 있어서,
    반도체 웨이퍼 상의 하나 이상의 후보 결함의 위치에서 반도체 웨이퍼에 제1 양의 조명 광을 제공하는 조명 소스 - 상기 하나 이상의 후보 결함의 각각은 알려진 결함 분류를 가짐 -;
    상기 제1 양의 조명 광에 응답하여 상기 반도체 웨이퍼로부터의 광량을 검출하고 상기 하나 이상의 후보 결함을 포함하는 복수의 트레이닝 이미지를 생성하는 검출기; 및
    컴퓨팅 시스템
    을 포함하고,
    상기 컴퓨팅 시스템은,
    딥 러닝 기반 모델에 대한 입력으로서 상기 하나 이상의 후보 결함의 하나 이상의 트레이닝 이미지를 그리고 상기 딥 러닝 기반 모델에 대한 출력으로서 상기 하나 이상의 후보 결함의 각각의 알려진 결함 분류를 갖는 상기 딥 러닝 기반 모델을 트레이닝하고 - 상기 딥 러닝 기반 모델은 복수의 이미지 필터를 포함하는 적어도 하나의 컨볼루션 계층 및 복수의 노드를 포함하는 적어도 하나의 연결 계층을 포함하는 신경망 모델임 -,
    상기 신경망 모델의 계층의 수, 상기 신경망 모델의 이미지 필터의 수, 상기 신경망 모델의 노드의 수, 또는 이들의 임의의 조합을 감소시킴으로써 축소된 딥 러닝 기반 모델을 결정하고,
    상기 축소된 딥 러닝 기반 모델에 대한 입력으로서 상기 하나 이상의 후보 결함의 하나 이상의 이미지를 그리고 상기 축소된 딥 러닝 기반 모델에 대한 출력으로서 상기 하나 이상의 후보 결함의 각각의 알려진 결함 분류를 갖는 상기 축소된 딥 러닝 기반 모델을 리트레이닝하고,
    상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 결정하고,
    통계적 분류기에 대한 입력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 그리고 상기 통계적 분류기에 대한 출력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 알려진 결함 분류를 포함하는 상기 통계적 분류기를 트레이닝하도록
    구성되는 것인 시스템.
  12. 제11항에 있어서, 상기 하나 이상의 속성은 필터링된 이미지의 최대 픽셀 강도를 포함하고, 상기 필터링된 이미지는 상기 복수의 이미지 필터 중 임의의 필터에 의해 작동되는 상기 하나 이상의 트레이닝 이미지 중 임의의 이미지인 것인 시스템.
  13. 제11항에 있어서, 상기 하나 이상의 속성은 상기 신경망 모델의 하나 이상의 노드의 값을 포함하는 것인 시스템.
  14. 제11항에 있어서, 상기 컴퓨팅 시스템은 또한,
    상기 하나 이상의 후보 결함의 각각과 연관되는 하나 이상의 수동으로 생성된 속성의 각각의 값을 결정하도록 구성되고,
    상기 통계적 분류기의 입력은 또한, 상기 하나 이상의 수동으로 생성된 속성을 포함하는 것인 시스템.
  15. 제11항에 있어서, 상기 컴퓨팅 시스템은 또한,
    상기 신경망 모델의 계층의 노드 값을 상기 신경망 모델의 후속 계층의 노드 값과 관련시키는 통계적 모델을 트레이닝하고,
    상기 트레이닝된 통계적 모델에 기초하여, 계층의 상대적 중요도, 계층의 각 노드의 상대적 중요도, 각 이미지 필터의 상대적 중요도, 또는 이들의 임의의 조합을 결정하도록 구성되고,
    상기 신경망 모델의 계층의 수, 상기 신경망 모델의 이미지 필터의 수, 상기 신경망 모델의 노드의 수, 또는 이들의 임의의 조합을 감소시키는 것은, 상기 결정된, 상기 계층의 상대적 중요도, 상기 계층의 각 노드의 상대적 중요도, 상기 각 이미지 필터의 상대적 중요도, 또는 이들의 임의의 조합에 기초하는 것인 시스템.
  16. 제11항에 있어서, 상기 조명 소스는 알려지지 않은 결함 분류를 갖는 반도체 웨이퍼 상의 하나 이상의 후보 결함의 위치에서 반도체 웨이퍼에 제2 양의 조명 광을 제공하고, 상기 검출기는, 조명 광의 입사량에 응답하여 상기 반도체 웨이퍼로부터 제2 광량을 검출하고, 알려지지 않은 결함 분류를 갖는 상기 하나 이상의 후보 결함을 포함하는 복수의 샘플 이미지를 생성하며, 상기 컴퓨팅 시스템은 또한,
    하나 이상의 샘플 이미지의 각각과 연관되는 상기 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 결정하고,
    상기 트레이닝된 통계적 분류기에 기초하여 상기 하나 이상의 후보 결함의 각각의 분류를 결정하도록 구성되고,
    상기 트레이닝된 통계적 분류기에 대한 입력은, 상기 하나 이상의 샘플 이미지의 각각과 연관되는 상기 하나 이상의 속성의 값을 포함하고, 상기 트레이닝된 통계적 분류기에 대한 출력은, 상기 하나 이상의 후보 결함의 각각의 분류인 것인 시스템.
  17. 시스템에 있어서,
    반도체 웨이퍼 상의 하나 이상의 후보 결함의 위치에서 반도체 웨이퍼에 제1 양의 조명 광을 제공하는 조명 소스 - 상기 하나 이상의 후보 결함의 각각은 알려진 결함 분류를 가짐 -;
    상기 제1 양의 조명 광에 응답하여 상기 반도체 웨이퍼로부터의 광량을 검출하고, 상기 하나 이상의 후보 결함을 포함하는 복수의 트레이닝 이미지를 생성하는 검출기; 및
    컴퓨팅 시스템
    을 포함하고,
    상기 컴퓨팅 시스템은,
    하나 이상의 프로세서; 및
    명령어를 저장하는 비일시적 컴퓨터 판독 가능한 매체
    를 포함하고,
    상기 명령어는, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 컴퓨팅 시스템으로 하여금:
    딥 러닝 기반 모델에 대한 입력으로서 상기 하나 이상의 후보 결함의 하나 이상의 트레이닝 이미지를 그리고 상기 딥 러닝 기반 모델에 대한 출력으로서 상기 하나 이상의 후보 결함의 각각의 알려진 결함 분류를 갖는 상기 딥 러닝 기반 모델을 트레이닝하게 하고 - 상기 딥 러닝 기반 모델은, 복수의 이미지 필터를 포함하는 적어도 하나의 컨볼루션 계층 및 복수의 노드를 포함하는 적어도 하나의 연결 계층을 포함하는 신경망 모델임 -,
    상기 신경망 모델의 계층의 수, 상기 신경망 모델의 이미지 필터의 수, 상기 신경망 모델의 노드의 수, 또는 이들의 임의의 조합을 감소시킴으로써 축소된 딥 러닝 기반 모델을 결정하게 하고,
    상기 축소된 딥 러닝 기반 모델에 대한 입력으로서 상기 하나 이상의 후보 결함의 하나 이상의 이미지를 그리고 상기 축소된 딥 러닝 기반 모델에 대한 출력으로서 상기 하나 이상의 후보 결함의 각각의 알려진 결함 분류를 갖는 상기 축소된 딥 러닝 기반 모델을 리트레이닝하게 하고,
    상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 축소된 딥 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 결정하게 하고,
    통계적 분류기에 대한 입력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 상기 축소된 립 러닝 기반 모델의 하나 이상의 속성의 각각의 값을 그리고 상기 통계적 분류기에 대한 출력으로서 상기 하나 이상의 트레이닝 이미지의 각각과 연관되는 알려진 결함 분류를 포함하는 상기 통계적 분류기를 트레이닝하게 하는
    것인 시스템.
  18. 제17항에 있어서, 상기 하나 이상의 속성은 필터링된 이미지의 최대 픽셀 강도를 포함하고, 상기 필터링된 이미지는 상기 복수의 이미지 필터 중 임의의 필터에 의해 작동되는 상기 하나 이상의 트레이닝 이미지 중 임의의 이미지인 것인 시스템.
  19. 제17항에 있어서, 상기 비일시적 컴퓨터 판독 가능한 매체는 또한,
    상기 하나 이상의 프로세서에 의해 실행될 때, 상기 컴퓨팅 시스템으로 하여금,
    상기 하나 이상의 후보 결함의 각각과 연관된 하나 이상의 수동으로 생성된 속성의 각각의 값을 결정하게 하는 명령어를 저장하고,
    상기 통계적 분류기의 입력은 또한, 상기 하나 이상의 수동으로 생성된 속성을 포함하는 것인 시스템.
  20. 제17항에 있어서, 상기 비일시적 컴퓨터 판독 가능한 매체는 또한,
    상기 하나 이상의 프로세서에 의해 실행될 때, 상기 컴퓨팅 시스템으로 하여금,
    상기 신경망 모델의 계층의 노드 값을, 상기 신경망 모델의 후속 계층의 노드 값과 관련시키는 통계적 모델을 트레이닝하게 하고,
    상기 트레이닝된 통계적 모델에 기초하여, 계층의 상대적 중요도, 계층의 각 노드의 상대적 중요도, 각 이미지 필터의 상대적 중요도, 또는 이들의 임의의 조합을 결정하게 하는 명령어를 저장하고,
    상기 신경망 모델의 계층의 수, 상기 신경망 모델의 이미지 필터의 수, 상기 신경망 모델의 노드의 수, 또는 이들의 임의의 조합을 감소시키는 것은, 상기 결정된, 상기 계층의 상대적 중요도, 상기 계층의 각 노드의 상대적 중요도, 상기 각 이미지 필터의 상대적 중요도, 또는 이들의 임의의 조합에 기초하는 것인 시스템.
KR1020217026273A 2019-01-18 2020-01-17 자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템 KR102539921B1 (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201941002244 2019-01-18
IN201941002244 2019-01-18
US201962896578P 2019-09-06 2019-09-06
US62/896,578 2019-09-06
US16/744,385 2020-01-16
US16/744,385 US11379967B2 (en) 2019-01-18 2020-01-16 Methods and systems for inspection of semiconductor structures with automatically generated defect features
PCT/US2020/013969 WO2020150538A1 (en) 2019-01-18 2020-01-17 Methods and systems for inspection of semiconductor structures with automatically generated defect features

Publications (2)

Publication Number Publication Date
KR20210107149A KR20210107149A (ko) 2021-08-31
KR102539921B1 true KR102539921B1 (ko) 2023-06-02

Family

ID=71609095

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217026273A KR102539921B1 (ko) 2019-01-18 2020-01-17 자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템

Country Status (6)

Country Link
US (1) US11379967B2 (ko)
KR (1) KR102539921B1 (ko)
CN (1) CN113302728B (ko)
IL (1) IL284248B2 (ko)
TW (1) TWI809243B (ko)
WO (1) WO2020150538A1 (ko)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
US11703459B2 (en) 2019-11-04 2023-07-18 Tokyo Electron Limited System and method to calibrate a plurality of wafer inspection system (WIS) modules
US11168978B2 (en) 2020-01-06 2021-11-09 Tokyo Electron Limited Hardware improvements and methods for the analysis of a spinning reflective substrates
US11435391B2 (en) * 2020-01-22 2022-09-06 Nanya Technology Corporation Dual-sided wafer imaging apparatus and methods thereof
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
CN111429415B (zh) * 2020-03-18 2020-12-08 东华大学 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法
US11022566B1 (en) * 2020-03-31 2021-06-01 Applied Materials Israel Ltd. Examination of a semiconductor specimen
US11150200B1 (en) * 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
TWI732618B (zh) * 2020-07-02 2021-07-01 撼訊科技股份有限公司 影像辨識方法及其系統
IL276478B2 (en) * 2020-08-03 2023-07-01 Inspekto A M V Ltd Adaptive system and method for inspecting photographed objects
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
DE112021004118T5 (de) * 2020-08-03 2023-07-20 Inspekto A.M.V. Ltd Adaptives system und verfahren zur inspektion von abgebildeten gegenständen
US11776108B2 (en) * 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
KR20230046308A (ko) * 2020-09-17 2023-04-05 주식회사 히타치하이테크 에러 요인의 추정 장치 및 추정 방법
CN112365491A (zh) * 2020-11-27 2021-02-12 上海市计算技术研究所 容器焊缝检测的方法、电子设备及存储介质
CN114626538A (zh) * 2020-12-09 2022-06-14 艾聚达信息技术(苏州)有限公司 人工智能模型自动提升训练系统及方法
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection
TWI812091B (zh) * 2021-04-21 2023-08-11 德商卡爾蔡司Ｓｍｔ有限公司 訓練機器學習邏輯及分析高深寬比結構中奈米柱橫截面環之方法、半導體檢測裝置、電腦程式及實體儲存媒體
US11738363B2 (en) 2021-06-07 2023-08-29 Tokyo Electron Limited Bath systems and methods thereof
CN113469997B (zh) * 2021-07-19 2024-02-09 京东科技控股股份有限公司 平面玻璃的检测方法、装置、设备和介质
US11791184B2 (en) 2021-07-26 2023-10-17 Samsung Electronics Co., Ltd. Semiconductor fabrication process and method of optimizing the same
US20230051330A1 (en) * 2021-08-16 2023-02-16 Applied Materials Inc. Using defect models to estimate defect risk and optimize process recipes
US20230057295A1 (en) * 2021-08-23 2023-02-23 Element8 Technology Investment Group Inc. System and method for providing a multi-sided platform for broadband and content delivery networks
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
US11955358B2 (en) 2021-09-24 2024-04-09 Applied Materials, Inc. Model-based failure mitigation for semiconductor processing systems
CN114881934B (zh) * 2022-04-13 2024-05-28 华南理工大学 一种基于神经网络的柔性ic基板表面缺陷分层分类方法
FR3135554A1 (fr) * 2022-05-13 2023-11-17 Commissariat à l'énergie atomique et aux énergies alternatives Procédé et dispositif de traitement d’image pour la localisation de gouttes représentatives de défauts ou irrégularités
CN116504663B (zh) * 2023-06-20 2023-08-22 深圳市芯片测试技术有限公司 一种晶圆多等级测试方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160163035A1 (en) 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
US20180075594A1 (en) 2016-09-14 2018-03-15 Kla-Tencor Corporation Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6271916B1 (en) 1994-03-24 2001-08-07 Kla-Tencor Corporation Process and assembly for non-destructive surface inspections
US5608526A (en) 1995-01-19 1997-03-04 Tencor Instruments Focused beam spectroscopic ellipsometry method and system
US5859424A (en) 1997-04-08 1999-01-12 Kla-Tencor Corporation Apodizing filter system useful for reducing spot size in optical measurements and other applications
US6201601B1 (en) 1997-09-19 2001-03-13 Kla-Tencor Corporation Sample inspection system
US6208411B1 (en) 1998-09-28 2001-03-27 Kla-Tencor Corporation Massively parallel inspection and imaging system
US6429943B1 (en) 2000-03-29 2002-08-06 Therma-Wave, Inc. Critical dimension analysis with simultaneous multiple angle of incidence measurements
US7130039B2 (en) 2002-04-18 2006-10-31 Kla-Tencor Technologies Corporation Simultaneous multi-spot inspection and imaging
US7295303B1 (en) 2004-03-25 2007-11-13 Kla-Tencor Technologies Corporation Methods and apparatus for inspecting a sample
US7478019B2 (en) 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
US7567351B2 (en) 2006-02-02 2009-07-28 Kla-Tencor Corporation High resolution monitoring of CD variations
JP2009014510A (ja) 2007-07-04 2009-01-22 Hitachi High-Technologies Corp 検査方法及び検査装置
US9581430B2 (en) 2012-10-19 2017-02-28 Kla-Tencor Corporation Phase characterization of targets
US8912495B2 (en) 2012-11-21 2014-12-16 Kla-Tencor Corp. Multi-spectral defect inspection for 3D wafers
US9075027B2 (en) 2012-11-21 2015-07-07 Kla-Tencor Corporation Apparatus and methods for detecting defects in vertical memory
US10769320B2 (en) 2012-12-18 2020-09-08 Kla-Tencor Corporation Integrated use of model-based metrology and a process model
US9291554B2 (en) 2013-02-05 2016-03-22 Kla-Tencor Corporation Method of electromagnetic modeling of finite structures and finite illumination for metrology and inspection
US9389349B2 (en) 2013-03-15 2016-07-12 Kla-Tencor Corporation System and method to determine depth for optical wafer inspection
US9696264B2 (en) 2013-04-03 2017-07-04 Kla-Tencor Corporation Apparatus and methods for determining defect depths in vertical stack memory
US9816940B2 (en) 2015-01-21 2017-11-14 Kla-Tencor Corporation Wafer inspection with focus volumetric method
US9524450B2 (en) * 2015-03-04 2016-12-20 Accenture Global Services Limited Digital image processing using convolutional neural networks
CN105719188B (zh) * 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US10223615B2 (en) 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
BR102016028266A2 (pt) * 2016-12-01 2018-06-19 Autaza Tecnologia Ltda - Epp Método e sistema para a inspeção automática de qualidade de materiais
US10810721B2 (en) * 2017-03-14 2020-10-20 Adobe Inc. Digital image defect identification and correction
WO2018165753A1 (en) 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
GB201704373D0 (en) * 2017-03-20 2017-05-03 Rolls-Royce Ltd Surface defect detection
US10453366B2 (en) 2017-04-18 2019-10-22 Samsung Display Co., Ltd. System and method for white spot mura detection
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160163035A1 (en) 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
US20180075594A1 (en) 2016-09-14 2018-03-15 Kla-Tencor Corporation Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion

Also Published As

Publication number Publication date
KR20210107149A (ko) 2021-08-31
TWI809243B (zh) 2023-07-21
IL284248B1 (en) 2023-12-01
US20200234428A1 (en) 2020-07-23
US11379967B2 (en) 2022-07-05
IL284248B2 (en) 2024-04-01
WO2020150538A1 (en) 2020-07-23
CN113302728A (zh) 2021-08-24
CN113302728B (zh) 2024-02-09
IL284248A (en) 2021-08-31
TW202044443A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
KR102539921B1 (ko) 자동으로 생성된 결함 피처를 가진 반도체 구조의 검사를 위한 방법 및 시스템
US11047806B2 (en) Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
US10887580B2 (en) Three-dimensional imaging for semiconductor wafer inspection
KR101995618B1 (ko) 자동화된 검사 시나리오 생성
US9652843B2 (en) Machine learning method and apparatus for inspecting reticles
TWI797382B (zh) 在極端紫外光光罩上所檢測到之缺陷處理
JP7037632B2 (ja) 効率的プロセスウィンドウ発見用ハイブリッド検査システム
KR102550474B1 (ko) 자율 결함 세그먼트화
KR20220031687A (ko) 광학 표면 결함 재료 특성화를 위한 방법 및 시스템
TW202407331A (zh) 多模式光學檢測

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