KR102619285B1 - 분류 장치 및 분류 장치의 동작 방법 - Google Patents

분류 장치 및 분류 장치의 동작 방법 Download PDF

Info

Publication number
KR102619285B1
KR102619285B1 KR1020170142871A KR20170142871A KR102619285B1 KR 102619285 B1 KR102619285 B1 KR 102619285B1 KR 1020170142871 A KR1020170142871 A KR 1020170142871A KR 20170142871 A KR20170142871 A KR 20170142871A KR 102619285 B1 KR102619285 B1 KR 102619285B1
Authority
KR
South Korea
Prior art keywords
defect
image
classification device
classification
scaled
Prior art date
Application number
KR1020170142871A
Other languages
English (en)
Other versions
KR20190048203A (ko
Inventor
전성진
김범철
김재범
김진우
박용훈
박태수
황태웅
황한순
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170142871A priority Critical patent/KR102619285B1/ko
Publication of KR20190048203A publication Critical patent/KR20190048203A/ko
Application granted granted Critical
Publication of KR102619285B1 publication Critical patent/KR102619285B1/ko

Links

Classifications

    • 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
    • H01L21/67271—Sorting devices
    • 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
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

분류 장치는 머신 러닝 기반 분류 장치 및 자동 결함 분류 장치를 포함한다. 상기 머신 러닝 기반 분류 장치는 반도체 웨이퍼에 포함된 적어도 하나의 결함의 특징을 추출하여 상기 결함의 진위 여부를 판단한다. 상기 자동 결함 분류 장치는 상기 머신 러닝 기반 분류 장치로부터 상기 결함의 진위 여부를 나타내는 태그 신호를 수신하고, 상기 태그 신호에 기초하여 상기 결함 영상의 진위 여부를 자동으로 적어도 한번 재판단하고, 상기 결함 영상에 해당하는 분류 코드를 출력한다.

Description

분류 장치 및 분류 장치의 동작 방법{Defect classification device and method of operating defect classification device}
본 본 발명은 자동 결함 분류에 관한 것으로, 보다 상세하게는 딥 러닝(deep learning)을 기반으로 하는 결함 분류 장치 및 결함 분류 장치의 동작 방법에 관한 것이다.
최근, 고속 동작과 동시에 대용량의 저장 능력을 가지는 반도체 디바이스가 요구되며, 이에 따라 반도체 디바이스의 집적도는 점차 증가되고 있다. 이처럼 반도체 디바이스의 집적도가 증차됨에 따라 기판 상에 발생할 수 있는 결함 제어가 중요해지고 있다. 상기 기판 상에 발생할 수 있는 결함 제어를 위해 결함 분류 공정이 수행될 수 있으며, 공정 효율을 높임과 동시에 신뢰도가 높은 자동 결함 분류 공정이 요구된다.
본 발명의 일 목적은 자동으로 반도체 장치의 결함을 분류하여 결함 분류에 소모되는 시간을 감소시키고 결함 분류의 정합성을 증가시킬 수 있는 분류 장치를 제공하는데 있다.
본 발명의 일 목적은 자동으로 반도체 장치의 결함을 분류하여 결함 분류에 소모되는 시간을 감소시키고 결함 분류의 정합성을 증가시킬 수 있는 분류 장치의 동작 방법을 제공하는데 있다.
상기 일 목적을 달성하기 위한 본 발명의 실시예들에 따른 분류 장치는 머신 러닝 기반 분류 장치 및 자동 결함 분류 장치를 포함한다. 상기 머신 러닝 기반 분류 장치는 반도체 웨이퍼에 포함된 적어도 하나의 결함의 특징을 추출하여 상기 결함의 진위 여부를 판단한다. 상기 자동 결함 분류 장치는 상기 머신 러닝 기반 분류 장치로부터 상기 결함의 진위 여부를 나타내는 태그 신호를 수신하고, 상기 태그 신호에 기초하여 상기 결함 영상의 진위 여부를 자동으로 적어도 한번 재판단하고, 상기 결함 영상에 해당하는 분류 코드를 출력한다.
상기 일 목적을 달성하기 위한 본 발명의 실시예들에 따른 반도체 웨이퍼에서 검출된 결함을 자동으로 분류하는 분류 장치의 동작 방법에서는 상기 반도체 웨이퍼의 영역들 중 상기 검출된 결함을 포함하는 결함 영상을 획득하고, 상기 획득한 영상을 기초로 상기 결함의 유형을 자동으로 분류하되, 상기 결함의 진위 여부를 적어도 두 번 판단하여 상기 결함의 유형을 분류한다.
본 발명의 실시예들에 따르면, 인공지능 확률 모델 알고리즘을 이용하여 결함의 진위 여부를 판단한 후에, 자동 결함 분류 장치를 이용하여 결함의 진위 여부를 적어도 다시 한번 자동으로 판단하여 작업자가 관여하는 부분을 상당히 감소시켜 결함 분류 작업에 소요되는 시간을 감소시킬 수 있고, 결함 분류의 정합성을 증가시킬 수 있다.
도 1은 본 발명의 실시예들에 따른 반도체 검사 시스템을 보여주는 도면이다.
도 2는 본 발명의 실시예들에 따른 반도체 검사 시스템(100)의 동작을 나타내는 순서도이다.
도 3은 본 발명의 실시예들에 따른 도 1의 분류 장치의 구성을 나타내는 블록도이다.
도 4는 본 발명의 실시예들에 따른 도 3의 분류 장치에서 결함 자동 분류 장치의 구성을 나타내는 블록도이다.
도 5는 도 3의 분류 장치를 개념적으로 나타낸다.
도 6a는 도 4의 제1 스케일러에서 생성되는 스케일링된 제1 결함 영상을 나타내고, 도 6b는 도 4의 제2 스케일러에서 생성되는 스케일링된 제2 결함 영상을 나타낸다.
도 7a는 도 4의 크로퍼에서 출력되는 크로핑된 결함 영상을 나타내고, 도 7b는 도 4의 제1 이미지 처리 로직에서 출력되는 복수의 컬러 결함 영상들을 나타내고, 도 7c는 복수의 컬러 결함 영상들에서 결함들을 나타내고, 도 7d는 도 4의 측정 로직에서 결함의 실제 크기가 측정되는 것을 나타낸다.
도 8은 도 4의 제2 이미지 처리 로직에서 출력되는 컬러 영상을 나타낸다.
도 9는 도 4의 광학 현미경들에서 관측될 수 있는 전 공정성 결함을 나타낸다.
도 10은 본 발명의 실시예들에 따른 도 2의 검사 시스템의 동작 방법에서 획득한 영상을 기반으로 검출된 결함의 유형을 분류하여 분류 코드를 출력하는 단계를 보다 상세히 나타내는 흐름도이다.
도 11은 본 발명의 실시예들에 따른 자동 결함 분류 공정(A100)을 포함하는 반도체 제조 공정을 예시적으로 나타낸다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 실시예들에 따른 반도체 검사 시스템을 보여주는 도면이다.
도 1을 참조하면, 반도체 검사 시스템(100)은 검사 장치(110), 리뷰 장치(120), 분류 장치(200) 및 반도체 웨이퍼(101)를 포함한다. 분류 장치(200)는 결함 분류 장치로 호칭될 수 있다.
검사 장치(110)는 반도체 웨이퍼(101)의 표면에 발생한 결함(DEF, defect)을 검출할 수 있다. 예를 들어, 검사 장치(110)는 광학 설비를 사용하여 반도체 웨이퍼(101)의 전면을 검사할 수 있다. 검사 장치(110)는 검사 결과를 기반으로 반도체 웨이퍼(101)에 포함된 결함들(DEF)을 검출할 수 있다.
리뷰 장치(120)는 검출된 결함(DEF, defect)을 포함하는 영상을 획득할 수 있다. 예를 들어, 리뷰 장치(120)는 반도체 웨이퍼(101)의 영상을 획득하기 위한 전자 현미경(SEM, Scanning Electron Microscope)을 포함할 수 있다. 리뷰 장치(120)는 검출된 결함이 위치한 영역(예를 들어, 하나의 다이)의 영상을 전자 현미경을 통해 획득할 수 있다. 예시적으로, 결함(DEF)은 외부로부터 유입된 먼지, 공정 설비의 이상, 공정 과정에서 발생하는 부산물 등과 같은 요인에 의해 반도체 웨이퍼(101) 상에 정상적인 패턴이 형성되지 않는 것을 가리킨다.
분류 장치(200)는 검출된 결함의 유형을 식별하고, 검출된 결함을 유형별로 분류하여 검출된 결함에 대한 분류 코드(classification code)를 출력할 수 있다. 분류 장치(200)는 검출된 결함의 유형을 식별하고, 검출된 결함을 유형별로 분류하는 동작을 자동으로 수행할 수 있다.
반도체 웨이퍼(101)는 복수의 다이들(102, Die)을 포함한다. 복수의 다이들(102) [0019] 각각은 메모리 장치, 집적회로 등과 같은 반도체 회로로 구성된다. 복수의 다이들(102) 중 일부는 결함(DEF, Defect)을 포함할 수 있다. 결함(DEF)은 외부로부터 유입된 먼지(particle), 공정 설비의 이상 등과 같이 다양한 요인들에 의해 발생할 수 있다.
검사 장치(110)는 반도체 웨이퍼(101)의 결함(DEF)의 유무를 판단하기 위하여 반도체 웨이퍼(101) 전면을 스캐닝하여 결함(DEF)을 검출한다. 이러한 검사 장치(110)의 동작은 검사 동작이라 불린다.
검사 동작에서 결함(DEF)이 검출된 경우, 리뷰 장치(120)는 검출된 결함(DEF)의 영상을 획득할 수 있다. 리뷰 장치(120)는 획득한 영상을 기반으로 검출된 결함(DEF)의 위치를 감지할 수 있다. 이러한 검사 장치(110)의 동작은 리뷰 동작이라 불린다.
분류 장치(200)는 획득한 영상을 기반으로 검출된 결함(DEF)의 특징들을 추출할 수 있다. 분류 장치(200)는 추출된 특징들을 기반으로 검출된 결함(DEF)의 유형을 분류할 수 있다. 이러한 분류 장치(200)의 동작은 분류 동작이라 불린다. 상술된 분류 장치(200)의 동작은 이하의 도면들을 참조하여 더욱 상세하게 설명된다.
도 2는 본 발명의 실시예들에 따른 반도체 검사 시스템(100)의 동작을 나타내는 순서도이다.
도 1 및 도 2를 참조하면, S110 단계에서, 검사 장치(110)는 반도체 웨이퍼(101)에 포함된 결함(DEF)을 검출할 수 있다. 예를 들어, 반도체 웨이퍼(101)는 공정과정에서 다양한 요인들로 인하여 발생한 결함들(DEF)을 포함할 수 있다. 검사 장치(110)는 고해상도 광학 기기(미도시)를 이용하여 반도체 웨이퍼(101) 상부를 스캐닝하고, 스캐닝된 결과를 기반으로 결함들(DEF)을 검출할 수 있다. 예시적으로, 검사 장치(110)는 검출된 결함들(DEF)의 개수 및 위치(예를 들어, (x,y) 좌표)를 검출할 수 있다.
S120 단계에서, 리뷰 장치(120)는 검출된 결함의 영상을 획득할 수 있다. 예를 들어, 리뷰 장치(120)는 전자 현미경(SEM)을 사용하여 검출된 결함이 위치한 영역의 영상을 획득할 수 있다.
S200 단계에서, 분류 장치(200)는 획득한 영상을 기반으로 검출된 결함의 유형을 분류하여 분류 코드(CFCD)를 출력할 수 있다. 분류 장치(200)는 머신 러닝 기반으로 획득한 영상에서 결함의 특징을 추출하여 상기 결함의 진위 여부를 판단하고, 상기 결함의 영상을 처리하여 특징을 추출하여 판단된 결함의 진위 여부를 다시 한번 판단하고, 상기 분류 코드(CFCD)를 출력할 수 있다.
도 3은 본 발명의 실시예들에 따른 도 1의 분류 장치의 구성을 나타내는 블록도이다.
도 3을 참조하면, 분류 장치(200)는 머신 러닝 기반 분류 장치(250) 및 자동 결함 분류 장치(300)를 포함할 수 있다.
머신 러닝 기반 분류 장치(250)는 검사 장치에서 발견된 결함의 결과를 나타내는 특징 벡터(feature vector, FV)를 수신하고, 결함에 대하여 SVM(Support Vector Machine) 인공지능 확률 모델 알고리즘을 이용하여 결함의 진위 여부를 판단하고, 결함의 진위 여부를 나타내는 태그 신호(TAG)와 결함 영상(DIMG)를 자동 결함 분류 장치(300)에 제공할 수 있다.
자동 결함 분류 장치(300)는 태그 신호(TAG)와 결함 영상(DIMG)을 수신하고, 결함 영상(DIMG)을 고배율 또는 저배율로 스케일링하고, 스케일링된 결함 영상을 컬러 처리하고 컬러 처리된 결함 영상의 진위 여부를 판단하고, 상기 판단에 따른 분류 코드(CFCD)를 출력할 수 있다. 자동 결함 분류 장치(300)는 상술된 동작을 사용자의 개입 없이 자동으로 수행할 수 있다.
도 4는 본 발명의 실시예들에 따른 도 3의 분류 장치에서 자동 결함 분류 장치의 구성을 나타내는 블록도이다.
도 5는 도 3의 분류 장치를 개념적으로 나타낸다.
도 4를 참조하면, 자동 결함 분류 장치(400)는 디멀티플렉서(305), 제1 스케일러(310), 제2 스케일러(315), 검출 로직(320), 크로퍼(330), 제1 이미지 처리 로직(335), 제2 이미지 처리 로직(340), 측정 로직(350), 분류 코드 할당기(360) 및 광학 이미지 처리 로직들(370, 375)을 포함할 수 있다.
실시예에 따라서, 광학 이미지 처리 로직들(370, 375)은 자동 결함 분류 장치(400)에 포함되지 않을 수도 있다.
도 4 및 도 5를 참조하면, 머신 러닝 기반 분류 장치(250)는 결함의 진위 여부를 나타내는 태그 신호(TAG)를 디멀티플렉서(350)에 제공한다.
디멀티플렉서(350)는 태그 신호(TAG)가 결함 영상(DIMG)이 거짓임을 나타내는 경우, 즉 결함이 아님을 나타내는 경우(False), 결함 영상(DIMG)을 제1 결함 영상(DIMG1)으로서 제1 스케일러(310)에 제공한다. 디멀티플렉서(350)는 태그 신호(TAG)가 결함 영상(DIMG)이 진실임을 나타내는 경우, 즉 결함임을 나타내는 경우(Real), 결함 영상(DIMG)을 제2 결함 영상(DIMG2)으로서 제2 스케일러(315)에 제공한다.
제1 스케일러(310)는 제1 결함 영상(DIMG1)을 저배율로 스케일링(scaling, 확대)하고, 저배율로 스케일링된 제1 결함 영상에서 결함에 검출되지 않는 경우(NG), 스케일링된 제1 결함 영상을 광학 이미지 처리 로직(375)에 제공한다. 광학 이미지 처리 로직(375)을 이용하여 결함이 검출되지 않은 스케일링된 제1 결함 영상을 조사하여, 결함이 검출되지 않은 스케일링된 제1 결함 영상을 가짜(False)와 미지(Unknown)로 구분하고, 분류 코드 할당기(360)는 가짜(False)와 미지(Unknown)에 해당하는 결함이 검출되지 않은 스케일링된 제1 결함 영상에 대하여 상응하는 분류 코드(CFCD)를 할당한다. 미지(unknown)에 해당하는 분류 코드를 할당받은 제1 결함 영상에 대하여는 작업자가 다시 리뷰하도록 한다.
제1 스케일러(310)는 저배율로 스케일링된 제1 결함 영상에서의 결함이 검출되는 경우(GOOD), 스케일링된 제1 결함 영상을 검출 로직(320)에 제공한다.
제2 스케일러(315)는 제2 결함 영상(DIMG2)을 고배율로 스케일링하고, 고배율로 스케일링된 제2 결함 영상에서 결함이 검출되지 않는 경우(NG), 고배율로 스케일링된 제2 결함 영상을 제2 이미지 처리 로직(340)에 제공한다. 제2 스케일러(315)는 고배율로 스케일링된 제2 결함 영상에서 결함이 검출되는 경우(GOOD), 고배율로 스케일링된 제2 결함 영상을 검출 로직(320)에 제공한다.
검출 로직(320)은 저배율로 스케일링된 제1 결함 영상 또는 고배율로 스케일링된 제2 결함 영상에서 다시 한번 결함을 검출하고, 결함이 검출되는 경우(GOOD), 결함이 검출된 예비 결함 영상을 크로퍼(330)에 제공한다.
크로퍼(330)는 결함이 검출된 예비 결함 영상에서 결함 부분을 크로핑하여 크로핑된 결함 영상을 제1 이미지 처리 로직(335)에 제공한다. 제1 이미지 처리 로직(335)은 크로핑된 결함 영상을 일정한 각도에 따라 3번 연속 회전시키고, 각도가 회전된 회전 결함 영상들에 복수의 컬러들을 머징하여 복수의 컬러 결함 영상들을 생성하고, 생성된 컬러 결함 영상들을 딥러닝(deep learning)으로 분류하여 분류 코드를 부여한 후, 측정 로직(350)에 제공한다..
측정 로직(350)은 컬러 결함 영상들을 기초로 크로핑된 결함 영상의 실제 크기를 측정하고, 측정된 크기 정보와 크로핑된 결함 영상을 분류 코드 할당기(360)에 제공한다.
분류 코드 할당기(360)는 측정 로직(350)으로부터 제공된 크로핑된 결함 영상에 대하여는 실제 결함에 해당하는 분류 코드(CFCD)를 부여한다.
검출 로직(320)은 저배율로 스케일링된 제1 결함 영상 또는 고배율로 스케일링된 제2 결함 영상에서 결함이 검출되지 않는 경우, 상기 결함 영상을 제2 이미지 처리 로직(340)에 제공한다.
제2 이미지 처리 로직(340)은 제2 스케일러(315) 또는 검출 로직(320)으로부터의 결함이 검출되지 않은 영상을 수신하고, 상기 수신된 영상에서 결함 부분으로 기대되는 부분을 크로핑하고, 크로핑된 영상에 대하여 컬러를 머지하여 컬러 결함 영상들을 생성하고, 생성된 컬러 결함 영상들을 딥러닝으로 분류하여 분류 코드를 부여한 후 컬러 영상을 광학 이미지 처리 로직(370)에 제공한다..
광학 이미지 처리로직(370)은 제2 이미지 처리 로직(340)에서 제공된 컬러 영상에 대하여 결함의 진위 여부를 딥러닝을 이용하여 다시 판단하고, 결함의 진위 여부가 판단된 영상을 분류 코드 할당기(360)에 제공한다. 광학 현미경(370)에서 컬러 영상의 결함을 가짜(False)로 판단하는 경우, 분류 코드 할당기(360)는 상기 결함에 대하여 가짜(False)에 해당하는 분류 코드(CFCD)를 부여한다. 상기 결함은 현재 공정 이전에 수행된 공정에서 발생된 결함일 수 있다. 광학 이미지 처리 로직(370)에서 컬러 영상의 결함을 진짜(Real)로 판단하는 경우, 분류 코드 할당기(360)는 상기 결함에 대하여 미지(unknown)에 해당하는 분류 코드를 할당한다. 미지(nnknown)에 해당하는 분류 코드가 할당된 결함에 대하여는 작업자가 다시 리뷰하도록 한다.
분류 코드 할당기(360)는 머신 러닝 기반 분류 장치(250)에 제공하여 머신 러닝 기반 분류 장치(250)가 결함을 학습하도록 할 수 있다.
도 5에서 SVM은 도 3의 머신 러닝 기반 분류 장치(250)에 해당하고, SADC는 도 3의 자동 결함 분류 장치(300)에 해당한다.
도 6a는 도 4의 제1 스케일러에서 생성되는 스케일링된 제1 결함 영상을 나타내고, 도 6b는 도 4의 제2 스케일러에서 생성되는 스케일링된 제2 결함 영상을 나타낸다.
도 6a 및 도 6b를 참조하면, 머신 러닝 기반 분류 장치(250)가 결함이 가짜라고 판단된 결함 영상에서 결함이 진짜일 수 있고, 머신 러닝 기반 분류 장치(250)가 결함이 진짜라고 판단된 결함 영상에서 결함이 가짜일 수도 있음을 알 수 있다.
도 7a는 도 4의 크로퍼에서 출력되는 크로핑된 결함 영상을 나타내고, 도 7b는 도 4의 제1 이미지 처리 로직에서 출력되는 복수의 컬러 결함 영상들을 나타내고, 도 7c는 복수의 컬러 결함 영상들에서 결함들을 나타내고, 도 7d는 도 4의 측정 로직에서 결함의 실제 크기가 측정되는 것을 나타낸다.
도 7a 내지 도 7d를 참조하면, 크로퍼(330)와 제1 이미지 처리 로직(335)에서의 처리에 의하여 결함이 보다 강조되어 결함을 검출하고 결함의 실제 크기를 측정하기가 용이함을 알 수 있다. 또한 제1 이미지 처리 로직(335)은 하나의 크로핑된 결함 영상을 기초로 24 개의 컬러 결함 영상들을 생성함을 알 수 있다.
도 8은 도 4의 제2 이미지 처리 로직에서 출력되는 컬러 영상을 나타내고, 도 9는 도 4의 광학 이미지에서 관측될 수 있는 전 공정성 결함을 나타낸다.
도 10은 본 발명의 실시예들에 따른 도 2의 검사 시스템의 동작 방법에서 획득한 영상을 기반으로 검출된 결함의 유형을 분류하여 분류 코드(CFCD)를 출력하는 단계를 보다 상세히 나타내는 흐름도이다.
도 4 내지 도 10을 참조하면, 획득한 영상을 기반으로 검출된 결함의 유형을 분류하여 분류 코드(CFCD)를 출력하기 위하여, S210 단계에서, 머신 러닝 기반 분류 장치(250)에서 결함의 진위 여부를 판단한다. 결함이 진짜(Real)이면, 제2 스케일러(315)에서 제2 결함 영상(DIMG2)을 고배율로 스케일링하고, 결함이 검출되는지 여부를 판단한다(S220). 결함 영상이 거짓(False)이면, 제1 스케일러(310)에서 제1 결함 영상(DIMG1)을 저배율로 스케일링하고, 결함이 검출되는지 여부를 판단한다(S225).
단계(S220)에서 결함이 검출되거나, 단계(S225)에서 결함이 검출되는 경우에, 스케일링된 결함 영상은 검출 로직(320)에 제공되고, 검출 로직(320)은 다시 한번 결함을 검출하여 결함이 검출된 예비 결함 영상을 크로퍼(330)에 제공한다. 크로퍼(330)는 예비 결함 영상에서 결함 부분만을 고배율로 크로핑하고(S240), 크로퍼(330)는 크로핑된 결함 영상을 제1 이미지 처리 로직(335)에 제공한다. 제1 이미지 처리 로직(335)은 크로핑된 결함 영상을 회전시켜, 복수의 회전 영상들을 생성하고, 회전 영상들 각각에 컬러들을 머징하여 복수의 컬러 결함 영상들을 생성한다(S250). 복수의 컬러 영상들을 딥러닝을 이용하여 분류 코드(CFCD)를 할당하고, 분류 코드(CFCD)를 측정 로직(350)에 제공한다.
측정 로직(350)은 복수의 컬러 결함 영상들을 기초로 결함의 실제 크기를 측정한다(S260). 분류 코드 할당기(360)는 측정 로직(350)의 출력에 대하여 실제 결함에 해당하는 분류 코드(CFCD)를 할당한다(S270).
S225 단계에서 결함이 검출되지 않는 경우(NG), 분류 코드 할당기(360)는 광학 이미지 처리 로직(375)의 리뷰에 기초하여 해당하는 분류 코드(CFCD)를 할당한다.
S220 단계에서 결함이 검출되지 않는 경우(NG), 제2 스케일러(315)는 스케일링된 제2 결함 영상을 제2 이미지 처리 로직(340)에 제공하고, 제2 이미지 처리 로직(340)은 수신된 영상에서 결함이라고 예측되는 부분만을 크로핑하고, 크로핑된 영상에 대하여 컬러를 머지하여 컬러 영상을 광학 이미지 처리 로직(370)에 제공한다. 분류 코드 할당기(360)는 광학 이미지 처리 로직(375)의 리뷰에 기초하여 제2 이미지 처리 로직(340)의 출력에 대하여 해당하는 분류 코드(CFCD)를 할당한다(S270).
도 11은 본 발명의 실시예들에 따른 자동 결함 분류 공정(A100)을 포함하는 반도체 제조 공정을 예시적으로 나타낸다.
도 11을 참조하면, 반도체 제조 공정은 복수의 단위 공정들(U1 ~ Un), 적어도 하나 이상의 자동 결함 분류 공정(A100) 및 테스트 공정(T)을 포함할 수 있다.
복수의 단위 공정들(U1~Un) 각각은 반도체 디바이스의 제조에서 요구되는 단위 공정들 중 어느 하나일 수 있다. 예를 들어, 단위 공정들(U1~Un) 각각은 소자 분리막(STI: shallow trench isolation) 형성 공정, 활성층(active layer) 형성 공정, 이온 주입 공정, 게이트층 형성 공정, 회로 패턴 형성 공정 등의 다양한 단위 공정들 중 어느 하나일 수 있다.
단위 공정들(U1~Un)이 완료된 후에는, 단위 공정들(U1 ~ Un)이 완료된 기판(미도시)의 전기적 특성을 검사하는 테스트 공정(T)이 수행될 수 있다. 상기 테스트 공정(T)은 예를 들면 팹(fab) 공정과 어셈블리(assembly) 공정 사이에서 수행되어 상기 기판에 형성된 반도체 디바이스들(미도시)의 전기적 특성을 테스트하는 이디에스(EDS: Electrical Die Sorting) 공정일 수 있다.
상기 이디에스 공정은 상기 기판에 형성된 반도체 디바이스들 각각의 주변부를 따라 형성된 패드들에 전기적 신호를 인가하고, 인가된 전기적 신호에 대응하여 출력되는 신호에 의해 반도체 디바이스들의 전기적 불량 여부를 판단하는 공정이다.
한편, 단위 공정들(U1~Un) 중 적어도 하나 이상의 단위 공정이 완료된 후에는, 본 발명의 실시예들에 따른 자동 결함 분류 공정(A100)이 수행될 수 있다. 본 실시예에서의 자동 결함 분류 공정(A100)은 제2 단위 공정(U2)이 수행된 후 제3 단위 공정(U3)을 수행하기 전에만 수행되는 것으로 도시되었으나 이에 한정되지 않는다. 예를 들어, 자동 결함 분류 공정(A100)은 각각의 단위 공정들(U1 ~ Un)이 완료될 때마다 수행될 수도 있다.
자동 결함 분류 공정(A100)은, 결함 검출 공정(A110) 및 결함 분류 공정(A120)을 포함할 수 있다. 결함 검출 공정(A110)은 도 2의 단계(S120)에 해당할 수 있고, 결함 분류 공정(A120)은 도 2의 단계(S200)에 해당할 수 있다.
상술한 바와 같이 본 발명에서는 인공지능 확률 모델 알고리즘을 이용하여 결함의 진위 여부를 판단한 후에, 자동 결함 분류 장치를 이용하여 결함의 진위 여부를 적어도 다시 한번 자동으로 판단하여 작업자가 관여하는 부분을 상당히 감소시켜 결함 분류 작업에 소요되는 시간을 감소시킬 수 있고, 결함 분류의 정합성을 증가시킬 수 있다.
본 발명은 반도체 장치, 메모리 장치와 같은 다양한 제품들의 결함을 자동으로 분류하는데 적용될 수 있다.
상술한 바와 같이, 본 발명의 실시예들을 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 것이다.

Claims (10)

  1. 반도체 웨이퍼에 포함된 적어도 하나의 결함을 포함하는 결함 영상으로부터 상기 결함의 특징을 추출하여 상기 결함 영상의 진위 여부를 판단하는 머신 러닝 기반 분류 장치; 및
    상기 머신 러닝 기반 분류 장치로부터 상기 결함 영상 및 상기 결함의 진위 여부를 나타내는 태그 신호를 수신하고, 상기 태그 신호에 기초하여 상기 결함 영상의 진위 여부를 자동으로 적어도 한번 재판단하고, 상기 결함 영상에 해당하는 분류 코드를 출력하는 자동 결함 분류 장치를 포함하는 분류 장치.
  2. 제1항에 있어서,
    상기 머신 러닝 기반 분류 장치는 SVM(Support Vector Machine) 알고리즘을 이용하여 결함의 진위 여부를 판단하는 분류 장치.
  3. 제1항에 있어서, 상기 자동 결함 분류 장치는
    상기 태그 신호 및 상기 결함 영상을 수신하고, 상기 태그 신호가 상기 결함 영상이 거짓임을 나타내는 경우, 상기 결함 영상을 제1 결함 영상으로서 제공하고, 상기 태그 신호가 상기 결함 영상이 진실임을 나타내는 경우, 상기 결함 영상을 제2 결함 영상으로서 제공하는 디멀티플렉서;
    상기 디멀티플렉서로부터 수신된 상기 제1 결함 영상을 저배율로 스케일링하고, 상기 저배율로 스케일링된 제1 결함 영상에서 결함의 검출 여부를 판단하는 제1 스케일러;
    상기 디멀티플렉서로부터 수신된 상기 제2 결함 영상을 고배율로 스케일링하고, 상기 고배율로 스케일링된 제2 결함 영상에서 결함의 검출 여부를 판단하는 제2 스케일러;
    상기 저배율로 스케일링된 제1 결함 영상에서 결함이 검출되는 경우, 상기 제1 스케일러로부터 스케일링된 제1 결함 영상을 수신하고, 상기 고배율로 스케일링된 제2 결함 영상에서 결함이 검출되는 경우 상기 제2 스케일러로부터 스케일링된 제2 결함 영상을 수신하고, 상기 스케일링된 제1 결함 영상 또는 상기 스케일링된 제2 결함 영상에서 결함을 다시 검출하고, 상기 결함이 검출되는 경우, 상기 결함이 검출된 예비 결함 영상을 출력하는 검출 로직;
    상기 검출 로직에서 제공되는 상기 예비 결함 영상을 고배율로 확대하고, 상기 확대된 예비 결함 영상에서 상기 결함 부분을 크로핑하여 크로핑된 결함 영상을 출력하는 크로퍼;
    상기 크로퍼에서 출력되는 상기 크로핑된 결함 영상을 회전시켜 복수의 회전 영상들을 생성하고, 상기 회전 영상들 각각에 컬러들을 머징하여 복수의 컬러 결함 영상들을 생성하고 딥러닝을 이용해 실제 결함에 해당하는 분류 코드를 판단하는 제1 이미지 처리 로직;
    상기 복수의 컬러 결함 영상들을 기초로 상기 결함의 실제 크기를 측정하는 측정 로직; 및
    상기 측정 로직의 출력에 대하여 실제 결함에 해당하는 분류 코드를 할당하는 분류 코드 할당기를 포함하는 분류 장치.
  4. 제3항에 있어서,
    상기 제1 이미지 처리 로직은 상기 크로핑된 결함 영상을 일정한 각도에 따라 연속적으로 회전시켜 상기 복수의 회전 영상들을 생성하고,
    상기 머신 러닝 기반 분류 장치는 인공지능 확률 모델 알고리즘을 이용하여 상기 결함 영상의 진위 여부를 판단하는 분류 장치.
  5. 제3항에 있어서,
    상기 고배율로 스케일링된 제2 결함 영상에서 결함이 검출되지 않는 경우 상기 제2 스케일러로부터 상기 스케일링된 제2 결함 영상을 수신하고, 상기 스케일링된 제2 결함 영상의 일 부분을 크로핑하고, 상기 크로핑된 영상에 컬러를 머지하여 컬러 영상을 생성하고 딥러닝을 이용해 진위 여부를 판단하는 제2 이미지 처리 로직을 더 포함하는 분류 장치.
  6. 제5항에 있어서,
    상기 분류 코드 할당기는 상기 제2 이미지 처리 로직의 출력에 대하여 거짓 또는 미지(known)에 해당하는 분류 코드를 할당하는 분류 장치.
  7. 제3항에 있어서,
    상기 분류 코드 할당기는 상기 제1 스케일러의 출력에 대하여 거짓 또는 미지(known)에 해당하는 분류 코드를 할당하는 분류 장치.
  8. 제3항에 있어서,
    상기 분류 코드 할당기는 상기 분류 코드를 상기 머신 러닝 기반 분류 장치에 제공하여 상기 머신 러닝 기반 분류 장치를 학습시키는 분류 장치.
  9. 반도체 웨이퍼에서 검출된 결함을 자동으로 분류하는 분류 장치의 동작 방법에 있어서,
    상기 반도체 웨이퍼의 영역들 중 상기 검출된 결함을 포함하는 결함 영상을 획득하는 단계; 및
    상기 획득한 영상을 기초로 상기 결함의 유형을 자동으로 분류하되, 상기 결함의 진위 여부를 적어도 두 번 판단하여 상기 결함의 유형을 분류하는 단계를 포함하는 분류 장치의 동작 방법.
  10. 제9항에 있어서, 상기 결함의 유형을 자동으로 분류하는 단계는
    상기 결함을 포함하는 결함 영상으로부터 상기 결함의 특징을 추출하여 상기 결함 영상의 진위 여부를 판단하는 단계; 및
    상기 결함 영상 및 상기 결함의 진위 여부를 나타내는 태그 신호에 기초하여 상기 결함 영상의 진위 여부를 적어도 한번 재판단하고, 상기 결함 영상에 해당하는 분류 코드를 출력하는 단계를 포함하는 분류 장치의 동작 방법.
KR1020170142871A 2017-10-30 2017-10-30 분류 장치 및 분류 장치의 동작 방법 KR102619285B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170142871A KR102619285B1 (ko) 2017-10-30 2017-10-30 분류 장치 및 분류 장치의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170142871A KR102619285B1 (ko) 2017-10-30 2017-10-30 분류 장치 및 분류 장치의 동작 방법

Publications (2)

Publication Number Publication Date
KR20190048203A KR20190048203A (ko) 2019-05-09
KR102619285B1 true KR102619285B1 (ko) 2023-12-29

Family

ID=66546229

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170142871A KR102619285B1 (ko) 2017-10-30 2017-10-30 분류 장치 및 분류 장치의 동작 방법

Country Status (1)

Country Link
KR (1) KR102619285B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102498322B1 (ko) 2020-08-27 2023-02-10 단국대학교 산학협력단 딥러닝 기반의 반도체 디바이스 상태 분류를 위한 장치 및 방법
KR20240071660A (ko) * 2022-11-16 2024-05-23 한화솔루션 주식회사 딥러닝을 이용한 태양광 웨이퍼 결함 검출 시스템, 장치 및 그 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001189358A (ja) 1999-12-28 2001-07-10 Hitachi Ltd 半導体ウェーハ欠陥部の高倍率画像自動収集方法およびそのシステム
JP2008135568A (ja) 2006-11-28 2008-06-12 Hitachi High-Technologies Corp 欠陥レビュー方法および装置
KR101105701B1 (ko) 2011-01-27 2012-01-17 주식회사 엘지실트론 웨이퍼 결함 검출 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3476913B2 (ja) * 1994-07-08 2003-12-10 オリンパス株式会社 欠陥種別判定装置及びプロセス管理システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001189358A (ja) 1999-12-28 2001-07-10 Hitachi Ltd 半導体ウェーハ欠陥部の高倍率画像自動収集方法およびそのシステム
JP2008135568A (ja) 2006-11-28 2008-06-12 Hitachi High-Technologies Corp 欠陥レビュー方法および装置
KR101105701B1 (ko) 2011-01-27 2012-01-17 주식회사 엘지실트론 웨이퍼 결함 검출 방법

Also Published As

Publication number Publication date
KR20190048203A (ko) 2019-05-09

Similar Documents

Publication Publication Date Title
KR101934313B1 (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US10297021B2 (en) Defect quantification method, defect quantification device, and defect evaluation value display device
US10853932B2 (en) Method of defect detection on a specimen and system thereof
TWI512684B (zh) Defect observation method and defect observation device
CN109558620B (zh) 产生检查方案的方法和其系统
US8090190B2 (en) Method and apparatus for reviewing defects
TWI226591B (en) Automatic defect classification with invariant core classes
JP3904419B2 (ja) 検査装置および検査システム
US8595666B2 (en) Semiconductor defect classifying method, semiconductor defect classifying apparatus, and semiconductor defect classifying program
JP4776308B2 (ja) 画像欠陥検査装置、画像欠陥検査システム、欠陥分類装置及び画像欠陥検査方法
KR100598381B1 (ko) 인-라인 타입의 자동 웨이퍼결함 분류장치 및 그 제어방법
WO2003104781A1 (en) Method for pattern inspection
TW201351305A (zh) 使用以ｃａｄ為基礎之環境背景屬性之缺陷分類
KR102619285B1 (ko) 분류 장치 및 분류 장치의 동작 방법
WO2014103617A1 (ja) 位置合せ装置、欠陥検査装置、位置合せ方法、及び制御プログラム
JP3536884B2 (ja) 半導体ウエハの欠陥分類方法及びその装置
CN115312414A (zh) 一种缺陷检测方法
US20230206417A1 (en) Detection of defects using a computationally efficient segmentation approach
US11636587B2 (en) Inspection of a semiconductor specimen
US11087454B2 (en) Defect observation device and defect observation method
KR20150094118A (ko) 리뷰 장치의 동작 방법
JP2023045419A (ja) 画像処理装置、画像処理方法及びプログラム
KR20240000388A (ko) 반도체 시편에 형성된 홀의 검사
TW202415943A (zh) 檢查半導體取樣中形成的孔
CN116358411A (zh) 接点定位方法、装置、探针台及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant