KR102671587B1 - 향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택 - Google Patents

향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택 Download PDF

Info

Publication number
KR102671587B1
KR102671587B1 KR1020227012513A KR20227012513A KR102671587B1 KR 102671587 B1 KR102671587 B1 KR 102671587B1 KR 1020227012513 A KR1020227012513 A KR 1020227012513A KR 20227012513 A KR20227012513 A KR 20227012513A KR 102671587 B1 KR102671587 B1 KR 102671587B1
Authority
KR
South Korea
Prior art keywords
images
image
sample
cluster
combinations
Prior art date
Application number
KR1020227012513A
Other languages
English (en)
Other versions
KR20220066912A (ko
Inventor
비욘 브라우어
누르모하메드 팻워리
션 상봉 박
시아오춘 리
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 KR20220066912A publication Critical patent/KR20220066912A/ko
Application granted granted Critical
Publication of KR102671587B1 publication Critical patent/KR102671587B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

광학 특성화 시스템 및 이를 사용하는 방법이 개시된다. 시스템은 샘플로부터의 조명을 수신하여 이미지 데이터를 생성하도록 구성된 하나 이상의 검출기와 통신가능하게 결합되도록 구성된 컨트롤러를 포함한다. 하나 이상의 프로세서가 상기 샘플 상의 다이들의 이미지들을 수신하고, 상기 이미지들의 모든 조합에 대해 비유사도(dissimilarity) 값들을 계산하고, 클러스터 분석을 수행하여 상기 이미지들의 조합을 둘 이상의 클러스터들로 분할하고, 상기 둘 이상의 클러스터들 중 한 클러스터에 대한 참조 이미지를, 상기 클러스터에 있는 상기 이미지들의 상기 조합 중 둘 이상을 사용하여 생성하고, 상기 클러스터에 있는 테스트 이미지를 상기 클러스터에 대한 상기 참조 이미지와 비교함으로써 샘플 상의 하나 이상의 결함을 검출하도록 구성될 수 있다.

Description

향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택
관련 출원에 대한 상호 참조
본 출원은 발명자가 Bjorn Brauer 및 Nurmohammed Patwary이고, 발명의 명칭이 UNSUPERVISED LEARNING-BASED REFERENCE SELECTION FOR ENHANCED DEFECT INSPECTION SENSITIVITY인, 2019년 9월 24일에 출원된 미국 임시 출원 일련번호 제62/904,855호에 대한 35 U.S.C. § 119(e)하의 이익을 주장하며, 이 출원은 그 전체가 본원에 참조로 포함된다.
본 출원은 발명자가 Bjorn Brauer, Nurmohammed Patwary, Sangbong Park, 및 Xiaochun Li이고, 발명의 명칭이 SYSTEMS AND METHODS TO ENHANCE DEFECT INSPECTION SENSITIVITY BY IMPROVED REFERENCE COMPUTATION인, 2020년 5월 8일에 출원된 미국 임시 출원 일련번호 제63/021,694호에 대한 35 U.S.C. § 119(e)하의 이익을 주장하며, 이 출원은 그 전체가 본원에 참조로 포함된다.
기술분야
본 개시는 전반적으로 반도체 웨이퍼 및 마스크의 결함 검출에 관한 것이다. 특히, 본 개시는 (예를 들어, 참조 이미지(reference image)와 테스트 이미지 간의 차분을 발견하기 위해) 테스트 이미지와 비교할 적절한 참조 이미지를 발견하는 것에 관한 것이다.
샘플(예를 들어, 반도체 웨이퍼 또는 포토마스크) 상의 결함을 검출하기 위해 조명 소스는 샘플을 조명하고 검출기(예를 들어, 카메라)는 샘플에서 반사되거나 산란되는 조명을 수신한다. 검출기는 이미지 데이터를 생성하고 그 다음에 이미지 데이터는 컴퓨터 시스템으로 전송된다.
결함을 검출하기 위해, 테스트 이미지(즉, 테스트 프레임)는 참조 이미지(즉, 참조 프레임)와 비교된다. 참조 이미지는 이상적인 또는 오류 없는 이미지 역할을 하여, 참조 이미지에서 테스트 이미지를 빼면 그 차분 이미지(difference image)는 문제가 있는 구조를 나타내고 수정 작업(예를 들어, 웨이퍼 설계 또는 프로세싱을 변경)이 수행된다. 웨이퍼 상의 결함을 정확하게 검출하기 위해 (예를 들어, 바람직하지 않은 노이즈를 제거함으로써) 참조 이미지의 생성을 개선하는 것이 바람직하다.
본 개시의 하나 이상의 예시적인 실시예에 따른 광학 특성화 시스템이 개시된다. 하나의 예시적인 실시예에서, 광학 특성화 시스템은 샘플로부터의 조명을 수신하여 이미지 데이터를 생성하도록 구성된 하나 이상의 검출기와 통신가능하게 결합되도록 구성된 컨트롤러를 포함한다. 상기 컨트롤러는 하나 이상의 프로세서가, 상기 이미지 데이터를 수신하고 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -; 상기 이미지들의 모든 조합에 대해 비유사도(dissimilarity) 값들을 계산하고; 클러스터 분석을 수행하여 상기 이미지들의 조합을 둘 이상의 클러스터들로 분할하고; 상기 둘 이상의 클러스터들 중 한 클러스터에 대한 참조 이미지를, 상기 클러스터에 있는 상기 이미지들의 상기 조합 중 둘 이상을 사용하여 생성하고; 상기 클러스터에 있는 테스트 이미지를 상기 클러스터에 대한 상기 참조 이미지와 비교함으로써 샘플 상의 하나 이상의 결함을 검출하게 하는 프로그램 명령을 실행하도록 구성된 상기 하나 이상의 프로세서를 포함한다.
본 개시의 하나 이상의 예시적인 실시예에 따른 광학 특성화 방법이 개시된다. 하나의 예시적인 실시예에서, 광학 특성화 방법은 하나 이상의 검출기를 사용하여 샘플로부터의 조명을 수신하는 단계; 이미지 데이터를 생성하는 단계; 상기 이미지 데이터를 수신하는 단계 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -; 상기 이미지들의 모든 조합에 대해 비유사도 값들을 계산하는 단계; 클러스터 분석을 수행하여 상기 이미지들의 조합을 둘 이상의 클러스터들로 분할하는 단계; 상기 둘 이상의 클러스터들 중 한 클러스터에 대한 참조 이미지를, 상기 클러스터에 있는 상기 이미지들의 상기 조합 중 둘 이상을 사용하여 생성하는 단계; 및 상기 클러스터에 있는 테스트 이미지를 상기 클러스터에 대한 상기 참조 이미지와 비교함으로써 샘플 상의 하나 이상의 결함을 검출하는 단계를 포함한다.
본 개시의 하나 이상의 예시적인 실시예에 따른 광학 특성화 시스템이 개시된다. 하나의 예시적인 실시예에서, 광학 특성화 시스템은 샘플로부터의 조명을 수신하여 이미지 데이터를 생성하도록 구성된 하나 이상의 검출기와 통신가능하게 결합되도록 구성된 컨트롤러를 포함한다. 상기 컨트롤러는 하나 이상의 프로세서가, 상기 이미지 데이터를 수신하고 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -; 상기 샘플 상의 다이들의 상기 이미지들로부터 에지(edge) 다이 이미지들을 식별하고; 상기 에지 다이 이미지들로부터 제1 에지 다이 이미지를 사용하여 참조 에지 다이 이미지를 생성하고; 상기 참조 에지 다이 이미지와 상기 에지 다이 이미지들 중 다른 에지 다이 이미지들의 모든 조합에 대해 비유사도 값들을 계산하고; 클러스터 분석을 수행하여 상기 이미지들의 상기 조합을 둘 이상의 클러스터들로 분할하고; 상기 둘 이상의 클러스터들 중 한 클러스터에 대한 참조 이미지를, 상기 클러스터에 있는 상기 이미지들의 상기 조합 중 둘 이상을 사용하여 생성하고; 상기 클러스터에 있는 테스트 이미지를 상기 클러스터에 대한 상기 참조 이미지와 비교함으로써 샘플 상의 하나 이상의 결함을 검출하게 하는 프로그램 명령을 실행하도록 구성된 상기 하나 이상의 프로세서를 포함한다.
본 개시의 하나 이상의 예시적인 실시예에 따른 광학 특성화 시스템이 개시된다. 하나의 예시적인 실시예에서, 광학 특성화 시스템은 샘플로부터의 조명을 수신하여 이미지 데이터를 생성하도록 구성된 하나 이상의 검출기와 통신가능하게 결합되도록 구성된 컨트롤러를 포함한다. 상기 컨트롤러는 하나 이상의 프로세서가, 상기 이미지 데이터를 수신하고 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -; 테스트 이미지를 식별하고; 상기 테스트 이미지와 상기 이미지들 중 다른 이미지들의 모든 조합에 대해 비유사도 값들을 계산하고; 문턱 비유사도 값(threshold dissimilarity value) 미만의 비유사도 값을 갖는 상기 조합 중 둘 이상을 식별하고; 상기 조합 중 상기 둘 이상을 사용하여 참조 이미지를 생성하고; 상기 참조 이미지를 상기 테스트 이미지에 비교함으로써 샘플 상의 하나 이상의 결함을 검출하게 하는 프로그램 명령을 실행하도록 구성된 상기 하나 이상의 프로세서를 포함한다.
전술한 개괄적인 설명 및 다음의 상세한 설명 모두는 단지 예시적이고 설명적인 것이며 청구된 본 발명을 반드시 제한하는 것은 아님을 이해해야 한다. 명세서에 포함되고 그 일부를 구성하는 첨부 도면은 본 발명의 실시예를 예시하고 전반적인 설명과 함께 본 발명의 원리를 설명하는 역할을 한다.
본 개시의 수많은 이점은 다음의 첨부 도면을 참조하여 이 분야의 기술자에 의해 더 잘 이해될 수 있다.
도 1은 본 개시의 하나 이상의 실시예에 따른 샘플의 이미지를 수집하기 위한 광학 특성화 시스템을 예시하는 박스 다이어그램이다.
도 2a는 본 개시의 하나 이상의 실시예에 따른 광 기반 검사 서브시스템을 포함하는 도 1의 광학 특성화 시스템을 예시한다.
도 2b는 본 개시의 하나 이상의 실시예에 따른 전자 기반 검사 서브시스템을 포함하는 도 1의 광학 특성화 시스템을 예시한다.
도 3은 본 개시의 하나 이상의 실시예에 따른 참조 이미지를 생성하는 방법을 나타내는 흐름도이다.
도 4a는 본 개시의 하나 이상의 실시예에 따른 유사한 웨이퍼 다이들의 클러스터들을 보여주는 덴드로그램(dendrogram)이다.
도 4b는 본 개시의 하나 이상의 실시예에 따른 도 4a의 덴드로그램에서 식별된 클러스터들을 보여주는 웨이퍼 맵이다.
도 5는 본 개시의 하나 이상의 실시예에 따라, 참조 이미지로서 사용될 다이들을 식별하는 마킹을 도시하는 도 4b의 웨이퍼 맵이다.
도 6은 본 개시의 하나 이상의 실시예에 따른, 참조 이미지 생성을 위한 다양한 방식을 예시하는 웨이퍼 맵을 도시한다.
도 7a는 본 개시의 하나 이상의 실시예에 따른, 참조 이미지 생성을 위한 프레임들의 선택을 보여주는 웨이퍼 맵이다.
도 7b는 본 개시의 하나 이상의 실시예에 따른, 참조 이미지 생성을 위한 프레임들의 선택을 예시하는 흐름도이다.
전술한 개괄적인 설명 및 다음의 상세한 설명 모두는 단지 예시적이고 설명적인 것이며 청구된 본 발명을 반드시 제한하는 것은 아님을 이해해야 한다. 명세서에 포함되고 그 일부를 구성하는 첨부 도면은 본 발명의 실시예를 예시하고 전반적인 설명과 함께 본 발명의 원리를 설명하는 역할을 한다. 본 개시의 사상 및 범위를 벗어나지 않고 형태 및 세부사항에 있어서 다양한 변경 및 수정이 이루어질 수 있음이 이 분야의 기술자들에게 쉽게 명백할 것이다. 이제 개시된 본 발명에 대해 상세하게 참조할 것이며, 이는 첨부 도면들에 도시되어 있다.
본 명세서에서 용어 "프레임" 및 "이미지"는 상호 교환적인 것으로 해석될 수 있음이 언급된다. 또한, 용어 "테스트 이미지", "후보 이미지" 및 "타겟 이미지"는 상호 교환적인 것으로 해석될 수 있다. 또한, 용어 "계산된(computed)", "계산된(calculated)" 및 "생성된(generated)"은 상호 교환적인 것으로 해석될 수 있다.
본 개시의 실시예는 광학 특성화 시스템(optical characterization system) 및 이를 사용하는 방법에 관한 것이다. 광학 특성화 시스템은 샘플(예를 들어, 반도체 웨이퍼 또는 포토마스크) 상의 하나 이상의 결함을 검출하거나 샘플의 층들 사이의 오정렬(예를 들어, 오버레이(overlay))을 검출하도록 구성될 수 있다. 시스템은 광자 또는 전자로 샘플을 조명하고, 하나 이상의 검출기에서 조명(예를 들어, 샘플로부터 반사 및/또는 산란된 광자 또는 전자)을 수신하여 이미지 데이터를 생성하는 것을 수반할 수 있다.
이미지 데이터는 컨트롤러(예를 들어, 이미지 서버)로 전송될 수 있다. 이미지 데이터는 복수의 이미지들(즉, 프레임들)을 포함할 수 있고, 여기서 각각의 이미지는 웨이퍼 상의 다이(die)에 대응한다. 이미지들은 정렬되고(예를 들어, 서로 오버레이됨(overlaid)) 다이-대-다이(die-to-die) 프로세스 변동에 대해 수정될 수 있으며, 웨이퍼 상의 모든 다이들은 웨이퍼 맵(wafer map)을 생성하기 위해 비교될 수 있다. 그런 다음 웨이퍼 맵은 서로 가장 유사한 다이들을 식별하고 참조 이미지를 생성하는 데 사용될 수 있다. 참조 이미지는 테스트될 다이에 대한 후보 이미지(즉, 테스트 이미지)와 비교될 수 있다. 후보 이미지에서 참조 이미지를 빼면, 그 차분은 문제가 있는 구조 또는 오정렬을 나타낼 수 있으며, (예를 들어, 웨이퍼의 설계 또는 프로세싱을 변경함으로써) 수정 작업이 수행될 수 있다. 본 개시의 실시예들은 서로 유사한 다이들의 이미지들을 식별하고, 가장 유사한 이미지들을 사용하여 참조 이미지를 계산할 수 있게 한다.
종래의 시스템에서, 웨이퍼 상의 개개의 다이의 테스트 이미지는 개개의 다이 또는 다이 이미지들의 선형 조합(예를 들어, 다이 이미지들의 평균)의 참조 이미지와 비교된다. 인접한 다이들로부터의 이미지들만이 테스트 이미지와 참조 이미지 간의 차분 이미지를 계산하는 데 사용된다.
참조 이미지 생성을 위해 인접한 다이들의 이미지들을 사용하는 것은 프로세스(예를 들어, 리소그래피 프로세싱)가 인접한 다이들에 대해 유사하다고 가정한다. 그러나 이러한 프로세스 유사성이 항상 존재하는 것은 아니다. 예를 들어, 웨이퍼 중앙에 있는 다이들의 행(row)을 고려할 때 서로 옆에 있는 다이들은 서로 상이한 방사상(radial) 위치에 존재한다. 첫 번째 다이는 중심에서 5mm의 반경에 있을 수 있고, 두 번째 다이는 10mm의 반경에 있을 수 있고, 세 번째 다이는 15mm의 반경 등에 있을 수 있다. 많은 웨이퍼 프로세싱 조건들이 방사상 종속성(radial dependency)을 갖기 때문에, (첫 번째 다이와 세 번째 다이 등 뿐만 아니라) 첫 번째 다이와 두 번째 다이는 서로 다른 것으로 간주될 수 있다. 이 방사상 종속성은 웨이퍼의 에지(edge)에 가까운 다이들을 웨이퍼의 내측 부분의 다이와 비교할 때 특히 분명하다.
따라서, 종래의 시스템에서는, (예를 들어, 수평 행에서) 서로 옆에 위치된 다이들의 이미지들이 서로 비교된다. 서로 옆에 위치된 다이들이 반드시 가장 유사한 것은 아니며, 따라서 프로세싱의 방사상 종속성에 유래한 노이즈가 다이들 간의 차이를 정확하게 검출하는 것을 방해할 수 있다.
예를 들어, 종래의 시스템에서, 동일한 스와스(swath)(즉, 동일한 다이 행)로부터의 3 내지 12개 다이들의 이미지가 수집될 수 있다. 그런 다음 상기 이미지 내의 프레임들이 비교된다. 예를 들어, 참조 이미지는 다른 프레임들의 선형 조합(예를 들어, 평균)으로부터 생성된다. 이 프로세스는 참조 이미지를 생성하기 위해 가능한 최상의 프레임 조합들이 사용되는 것을 보장하지 않는다. 따라서 많은 경우에 차분 이미지에 아티팩트(artifacts)(예를 들어, 웨이퍼 프로세싱의 방사상 종속성에 유래한 노이즈)가 존재할 수 있다.
일반적으로, 반도체 제조업체들은 웨이퍼의 방사상 프로파일에 있어서의 약간의 변동에는 주력하지 않는 경향이 있는데, 상기 변동은 프로세싱 툴에 고유한 것이고 수율을 제한하지 않기 때문이다. 오히려 제조업체들은 관심 있는 주요 결함들에 대해 가능한 가장 높은 검출 감도를 원한다. 그러나 이미지 프레임들을 비교할 때 근본적인 프로세스 변동 노이즈가 있다면 이러한 감도는 보장될 수 없다. 이 프로세스 변동 노이즈가 최소화되어야만 결함 검출 감도가 향상될 수 있다.
웨이퍼 상의 결함 식별을 위해 최적화된 참조 이미지를 생성하기 위한 몇 가지 방법이 있다. 이러한 방법에는 예를 들어, (a) 이웃하는 다이들을 참조로 사용하는 이중 검출, (b) 후보 이미지에 가까운 동일한 다이 행 내에서 최대 12개의 다이들을 사용하여 중앙값 이미지(median image)를 계산(MDAT(Multi-Die Adaptive Threshold) ), (c) 참조 이미지와 후보 이미지 간 차분의 제곱합(sum squared difference)을 최소화함으로써 참조 이미지를 계산(MCAT(Multi-Die Computed Reference Adaptive Threshold)), (d) 웨이퍼 상의 다양한 이미지들을 평균함(SRD(single reference die)), 또는 (e) 설계로부터 참조 이미지를 계산하는 것이 포함된다. MCAT은 최근 개발된 것으로 MDAT에 비해 크게 개선되었다. 그러나 테스트 다이의 노이즈 특성이 모든 참조 다이들과 크게 다를 경우 개선의 여지가 있다. 동일한 다이 행 내의 인접한 프레임들로부터만 참조 이미지들을 선택하는 것은 MCAT 감도의 추가적인 개선을 제한한다.
이 문제를 극복하기 위해, 본 개시의 실시예들은 플렉시블 비지도 학습(flexible unsupervised learning) 기반 참조 이미지 선택 알고리즘에 관한 것이다. 비지도 학습 기반 알고리즘은 전체 웨이퍼에 걸쳐 테스트 이미지와 가장 유사한 참조 이미지들을 발견할 수 있고, 그런 다음 상기 유사한 참조 이미지들을 참조 이미지 계산(예를 들어, MCAT 참조 계산)을 위해 사용할 수 있다.
도 1은 본 개시의 하나 이상의 실시예에 따른 광학 특성화 시스템(100)을 예시한다. 특히, 도 1은 샘플(예를 들어, 반도체 웨이퍼, 포토마스크, 또는 레티클)의 표면 상의 결함을 결정하기 위한 시스템(100)을 예시한다. 시스템(100)은 이에 한정되는 것은 아니지만, 하나 이상의 특성화 서브시스템(102)(즉, 검사 서브시스템(102))을 포함할 수 있다. 시스템(100)은 하나 이상의 프로세서(106) 및 메모리(108)를 포함하는 컨트롤러(104), 및 사용자 인터페이스(110)를 추가로 포함할 수 있다.
특성화 서브시스템(102)은 이에 한정되는 것은 아니지만, (예를 들어, 샘플의 결함을 검출하도록 구성된) 검사 서브시스템을 포함하여 이 분야에 공지된 임의의 특성화 서브시스템(102)을 포함할 수 있다. 일부 실시예에서, 특성화 서브시스템(102)은 (예를 들어, 샘플의 오버레이 또는 정렬을 측정하도록 구성된) 오버레이 계측 서브시스템일 수 있다. 특성화 서브시스템(102)은 이에 한정되는 것은 아니지만, 광학 기반 검사 시스템, 하전 입자 기반 검사 시스템 등을 포함할 수 있다. 예를 들어, 특성화 서브시스템(102)은 광대역(broadband) 검사 시스템(예를 들어, 광대역 플라즈마 검사 시스템) 또는 협대역(narrowband) 검사 시스템(예를 들어, 레이저 기반 검사 시스템)을 포함할 수 있다. 다른 예에서, 특성화 서브시스템(102)은 주사 전자 현미경(SEM) 검사 시스템을 포함할 수 있다.
일 실시예에서, 컨트롤러(104)는 하나 이상의 특성화 서브시스템(102)에 통신가능하게 결합된다. 컨트롤러(104)의 하나 이상의 프로세서(106)는 검사 서브시스템(102)의 하나 이상의 특성을 조정하도록 구성되는 하나 이상의 제어 신호를 생성하도록 구성될 수 있다. 예를 들어, 컨트롤러(104)는 샘플을 유지하는 스테이지의 높이 또는 빛의 파장을 조정하도록 구성될 수 있다.
일 실시예에서, 컨트롤러(104)는 샘플의 하나 이상의 이미지(예를 들어, 이미지 데이터)를 수신하도록 구성된다. 예를 들어, 이미지 데이터는 복수의 이미지들(즉, 프레임들)을 포함할 수 있다. 각각의 프레임들 각각은 샘플 상의 다이에 대응할 수 있다(예를 들어, 샘플이 웨이퍼인 경우). 컨트롤러(104)는 샘플의 하나 이상의 결함을 나타내는 샘플의 하나 이상의 피처(features)를 결정하도록 구성될 수 있다. 다른 실시예에서, 컨트롤러(104)는 타겟 샘플의 하나 이상의 타겟 피처에 대한 하나 이상의 타겟 이미지를 수신하도록 구성될 수 있다.
도 2a는 본 개시의 하나 이상의 실시예에 따른 샘플을 특성화하기 위한 시스템(100)의 단순화된 개략도를 예시한다. 특히, 도 2a에 도시된 시스템(100)은 광학 검사 서브시스템(102a)을 포함하여 시스템(100)이 광학 검사 시스템으로서 동작한다.
광학 검사 서브시스템(102a)은 이 분야에 공지된 임의의 광학 기반 검사를 포함할 수 있다. 예를 들어, 검사 서브시스템(102a)은 광학 암시야 검사 툴을 포함할 수 있다. 광학 검사 서브시스템(102a)은 이에 한정되는 것은 아니지만, 조명 소스(112), 조명 아암(111), 수집 아암(113), 및 검출기 어셈블리(126)를 포함할 수 있다.
일 실시예에서, 광학 검사 서브시스템(102a)은 스테이지 어셈블리(122) 상에 배치된 샘플(120)을 검사하고/하거나 측정하도록 구성된다. 조명 소스(112)는 이에 한정되는 것은 아니지만, 광대역 방사선 소스를 포함하여 조명(101)을 생성하기 위해 이 분야에 공지된 임의의 조명 소스를 포함할 수 있다. 다른 실시예에서, 광학 검사 서브시스템(102a)은 조명(101)을 샘플(120)로 지향시키도록 구성된 조명 아암(111)을 포함할 수 있다. 광학 검사 서브시스템(102a)의 조명 소스(112)는 이에 한정되는 것은 아니지만, 암시야 배향(dark-field orientation), 명시야 배향(light-field orientation) 등을 포함하여 이 분야에 공지된 임의의 배향으로 구성될 수 있다는 것이 언급된다. 예를 들어, 하나 이상의 광학 요소(114, 124)는 검사 서브시스템(102a)을 암시야 배향, 명시야 배향 등으로 구성하기 위해 선택적으로 조정될 수 있다.
샘플(120)은 이에 한정되는 것은 아니지만, 웨이퍼, 레티클, 포토마스크 등을 포함하여 이 분야에 공지된 임의의 샘플을 포함할 수 있다. 일 실시예에서, 샘플(120)은 샘플(120)의 이동을 용이하게 하기 위해 스테이지 어셈블리(122) 상에 배치된다. 다른 실시예에서, 스테이지 어셈블리(122)는 작동가능한(actuatable) 스테이지이다. 예를 들어, 스테이지 어셈블리(122)는 이에 한정되는 것은 아니지만, 하나 이상의 선형 방향(예를 들어, x-방향, y-방향 및/또는 z-방향)을 따라 샘플(120)을 선택적으로 병진 이동하기에 적합한 하나 이상의 병진(translational) 스테이지를 포함할 수 있다. 다른 예로서, 스테이지 어셈블리(122)는 이에 한정되는 것은 아니지만, 회전 방향을 따라 샘플(120)을 선택적으로 회전시키기에 적합한 하나 이상의 회전 스테이지를 포함할 수 있다. 다른 예로서, 스테이지 어셈블리(122)는 이에 한정되는 것은 아니지만, 선형 방향을 따라 샘플(120)을 선택적으로 병진 이동 및/또는 회전 방향을 따라 샘플(120)을 회전시키기에 적합한 회전 스테이지 및 병진 스테이지를 포함할 수 있다. 시스템(100)은 이 분야에 공지된 임의의 스캐닝 모드에서 동작할 수 있다는 것이 여기에서 언급된다.
조명 아암(111)은 이 분야에 공지된 임의의 수 및 타입의 광학 구성요소들을 포함할 수 있다. 일 실시예에서, 조명 아암(111)은 하나 이상의 광학 요소(114), 빔 스플리터(116), 및 대물 렌즈(118)를 포함한다. 이와 관련하여, 조명 아암(111)은 조명 소스(112)로부터의 조명(101)을 샘플(120)의 표면 상에 집속시키도록 구성될 수 있다. 하나 이상의 광학 요소(114)는 이에 한정되는 것은 아니지만, 하나 이상의 미러, 하나 이상의 렌즈, 하나 이상의 편광자, 하나 이상의 빔 스플리터, 파장판, 하나 이상의 아포다이저(apodizers) 등을 포함하여 이 분야에 공지된 임의의 광학 요소들을 포함할 수 있다.
다른 실시예에서, 광학 검사 서브시스템(102a)은 샘플(120)로부터 반사되거나 산란된 조명을 수집하도록 구성된 수집 아암(113)을 포함한다. 다른 실시예에서, 수집 아암(113)은 상기 반사되거나 산란된 빛을 하나 이상의 광학 요소(124)를 통해 검출기 어셈블리(126)의 하나 이상의 센서로 지향시키고/시키거나 집속시킬 수 있다. 하나 이상의 광학 요소(124)는 이에 한정되는 것은 아니지만, 하나 이상의 미러, 하나 이상의 렌즈, 하나 이상의 편광자, 하나 이상의 빔 스플리터, 파장판 등을 포함하여 이 분야에 공지된 임의의 광학 요소를 포함할 수 있다. 검출기 어셈블리(126)는 샘플(120)로부터 반사되거나 산란된 조명을 검출하기 위해 이 분야에 공지된 임의의 센서 및 검출기 어셈블리를 포함할 수 있는 것이 언급된다.
다른 실시예에서, 광학 검사 서브시스템(102a)의 검출기 어셈블리(126)는 샘플(120)로부터 반사되거나 산란된 조명에 기초하여 샘플(120)의 검사 데이터를 수집하도록 구성된다. 다른 실시예에서, 검출기 어셈블리(126)는 수집/획득된 이미지들 및/또는 계측 데이터(metrology data)를 컨트롤러(104)로 전송하도록 구성된다.
본 명세서에서 앞서 언급한 바와 같이, 시스템(100)의 컨트롤러(104)는 하나 이상의 프로세서(106) 및 메모리(108)를 포함할 수 있다. 메모리(108)는 하나 이상의 프로세서(106)가 본 개시의 다양한 단계들을 수행하게 하도록 구성된 프로그램 명령을 포함할 수 있다. 일 실시예에서, 프로그램 명령은 하나 이상의 프로세서(106)가 샘플(120)에 대한 하나 이상의 측정을 수행하기 위해 광학 검사 서브시스템(102a)의 하나 이상의 특성(characteristics)을 조정하게 하도록 구성된다.
도 2b는 본 개시의 하나 이상의 실시예에 따른, 샘플(120)을 특성화하기 위한 시스템(100)의 단순화된 개략도를 예시한다. 특히, 도 2b에 도시된 바와 같은 시스템(100)은 전자 기반 검사 시스템(예를 들어, 주사 전자 현미경(SEM) 시스템)으로서 작동하도록 전자 기반 서브시스템(102b)을 포함한다.
일 실시예에서, 전자 기반 검사 서브시스템(102b)은 샘플(120)에 대해 하나 이상의 측정을 수행하도록 구성된다. 이와 관련하여, 전자 기반 검사 서브시스템(102b)은 샘플의 하나 이상의 이미지를 획득하도록 구성될 수 있다. 전자 기반 검사 서브시스템(102b)은 이에 한정되는 것은 아니지만, 전자빔 소스(128), 하나 이상의 전자-광학(electron-optical) 요소(130), 하나 이상의 전자-광학 요소(132), 및 하나 이상의 전자 센서(136)를 포함하는 전자 검출기 어셈블리(134)를 포함할 수 있다.
일 실시예에서, 전자빔 소스(128)는 하나 이상의 전자빔(129)을 샘플(120)로 지향시키도록 구성된다. 전자빔 소스(128)는 전자-광학 칼럼(electron-optical column)을 형성할 수 있다. 다른 실시예에서, 전자빔 소스(128)는 하나 이상의 전자빔(129)을 샘플(120)의 표면에 집속시키고/시키거나 지향시키도록 구성된 하나 이상의 추가적인 및/또는 대안적인 전자-광학 요소(130)를 포함한다. 다른 실시예에서, 전자 기반 검사 서브시스템(102b)은 하나 이상의 전자빔(129)에 응답하여 샘플(120)의 표면으로부터 방출된 2차 및/또는 후방산란된(backscattered) 전자들(131)을 수집하도록 구성된 하나 이상의 전자-광학 요소(132)를 포함한다. 하나 이상의 전자-광학 요소(130) 및 하나 이상의 전자-광학 요소(132)는 이에 한정되는 것은 아니지만, 하나 이상의 편향기, 하나 이상의 전자-광학 렌즈, 하나 이상의 콘덴서 렌즈(예를 들어, 자기 콘덴서 렌즈), 하나 이상의 대물 렌즈(예를 들어, 자기 콘덴서 렌즈) 등을 포함하여, 전자를 지향, 집속 및/또는 수집하도록 구성된 임의의 전자-광학 요소들을 포함할 수 있음이 여기에서 언급된다.
전자 기반 검사 서브시스템(102b)의 전자 광학 어셈블리는 도 2b에 도시된 전자-광학 요소에 한정되지 않으며, 이는 단지 예시 목적으로 제공된 것이라는 점이 언급된다. 시스템(100)은 하나 이상의 전자빔(129)을 샘플(120) 상으로 지향시키고/집속시키고, 응답으로, 방출된 2차 및/또는 후방산란된 전자들(131)을 전자 검출기 어셈블리(134) 상으로 수집하고 이미지화하는 데 필요한 임의의 수 및 타입의 전자-광학 요소를 포함할 수 있는 것이 또한 언급된다.
예를 들어, 시스템(100)은 하나 이상의 전자빔 스캐닝 요소(도시되지 않음)를 포함할 수 있다. 예를 들어, 하나 이상의 전자빔 스캐닝 요소는 이에 한정되는 것은 아니지만, 샘플(120)의 표면에 대해 하나 이상의 전자빔들(129)의 위치를 제어하기에 적합한 하나 이상의 전자기 스캐닝 코일(electromagnetic scanning coils) 또는 정전기 편향기(electrostatic deflectors)를 포함할 수 있다. 또한, 하나 이상의 스캐닝 요소는 선택된 패턴으로 샘플(120)을 가로질러 하나 이상의 전자빔들(129)을 스캔하는데 이용될 수 있다.
다른 실시예에서, 2차 및/또는 후방산란된 전자들(131)은 전자 검출기 어셈블리(134)의 하나 이상의 센서(136)로 지향된다. 전자 기반 검사 서브시스템(102b)의 전자 검출기 어셈블리(134)는 샘플(120)의 표면에서 방출되는 후방산란된 및/또는 2차 전자들(131)을 검출하는 데 적합한 이 분야에 공지된 임의의 전자 검출기 어셈블리를 포함할 수 있다. 일 실시예에서, 전자 검출기 어셈블리(134)는 전자 검출기 어레이를 포함한다. 이와 관련하여, 전자 검출기 어셈블리(134)는 전자 검출부들의 어레이를 포함할 수 있다. 또한, 전자 검출기 어셈블리(134)의 검출기 어레이의 각각의 전자 검출부는 입사 전자빔들(129) 중 하나와 연관된 샘플(120)로부터의 전자 신호를 검출하도록 위치될 수 있다. 전자 검출기 어셈블리(134)는 이 분야에 공지된 임의의 타입의 전자 검출기를 포함할 수 있다. 예를 들어, 전자 검출기 어셈블리(134)는 마이크로채널 플레이트(micro-channel plate, MCP), PIN 또는 p-n 접합 검출기 어레이, 예를 들어 이에 한정되는 것은 아니지만, 다이오드 어레이 또는 애벌런치 포토다이오드(avalanche photo diode, APD)들을 포함할 수 있다. 다른 예로서, 전자 검출기 어셈블리(134)는 고속 신틸레이터(high-speed scintillator) 또는 광전자 증배관(photomultiplier tube, PMT) 검출기를 포함할 수 있다.
도 2b는 전자 기반 검사 서브시스템(102b)이 2차 전자 검출기 어셈블리만을 포함하는 전자 검출기 어셈블리(134)를 포함하는 것으로 도시하고 있지만, 이는 본 개시에 대한 제한으로 간주되어서는 안된다. 이와 관련하여, 전자 검출기 어셈블리(134)는 이에 한정되는 것은 아니지만, 2차 전자 검출기, 후방산란된 전자 검출기, 및/또는 1차 전자 검출기(예를 들어, 인-칼럼(in-column) 전자 검출기)를 포함할 수 있는 것이 언급된다. 다른 실시예에서, 전자 기반 검사 서브시스템(102b)은 복수의 전자 검출기 어셈블리들(134)을 포함할 수 있다. 예를 들어, 시스템(100)은 2차 전자 검출기 어셈블리, 후방산란된 전자 검출기 어셈블리, 및 인-칼럼 전자 검출기 어셈블리를 포함할 수 있다.
다른 실시예에서, 본 명세서에서 앞서 설명된 바와 같이, 시스템(100)은 컨트롤러(104)에 통신가능하게 결합된 사용자 인터페이스(110)를 포함한다. 다른 실시예에서, 사용자 인터페이스(110)는 사용자 입력 디바이스 및 디스플레이를 포함한다. 사용자 인터페이스(110)의 사용자 입력 디바이스는 사용자로부터 하나 이상의 입력 명령을 수신하도록 구성될 수 있으며, 하나 이상의 입력 명령은 시스템(100)에 데이터를 입력하고/하거나 시스템(100)의 하나 이상의 특성을 조정하도록 구성된다. 다른 실시예에서, 사용자 인터페이스(110)의 디스플레이는 시스템(100)의 데이터를 사용자에게 표시하도록 구성될 수 있다.
일 실시예에서, 하나 이상의 프로세서(106)는 메모리(108)에 통신가능하게 결합될 수 있고, 여기서 하나 이상의 프로세서(106)는 메모리(108a)에 저장된 프로그램 명령 세트를 실행하도록 구성된다. 프로그램 명령 세트는 하나 이상의 프로세서(106)가 본 개시의 다양한 기능들 및 단계들을 수행하게 하도록 구성될 수 있다.
컨트롤러(104)는 검사 시스템(102a 또는 102b)에 통신가능하게 결합될 수 있다. 컨트롤러(104)는 검사 서브시스템(102a 또는 102b)으로부터 이미지 데이터(125)를 수신하고 상기 이미지 데이터(125)를 사용하여 샘플(120) 상의 하나 이상의 결함을 검출하도록 구성될 수 있다.
시스템(100)의 하나 이상의 구성요소는 이 분야에 공지된 임의의 방식으로 시스템(100)의 다양한 다른 구성요소들에 통신가능하게 결합될 수 있다는 것이 여기에서 언급된다. 예를 들어, 하나 이상의 프로세서들(106)은 유선(예를 들어, 구리 와이어, 광섬유 케이블 등) 또는 무선 연결(예를 들어, RF 커플링, IR 커플링, WiMax, 블루투스, 3G, 4G, 4G LTE, 5G 등)을 통해 서로 그리고 다른 구성요소들에 통신가능하게 결합될 수 있다. 다른 예로서, 컨트롤러(104)는 이 분야에 공지된 임의의 유선 또는 무선 연결을 통해 검사 서브시스템(102)의 하나 이상의 구성요소에 통신가능하게 결합될 수 있다.
일 실시예에서, 하나 이상의 프로세서(106)는 이 분야에 공지된 임의의 하나 이상의 프로세싱 요소를 포함할 수 있다. 이러한 의미에서, 하나 이상의 프로세서(106)는 알고리즘 및/또는 명령을 실행하도록 구성된 임의의 마이크로프로세서 타입 디바이스를 포함할 수 있다. 본 개시 전반에 걸쳐 설명된 바와 같이, 일 실시예에서, 하나 이상의 프로세서(106)는 시스템(100)을 동작시키도록 구성된 프로그램을 실행하도록 구성된 데스크탑 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 이미지 컴퓨터, 병렬 프로세서, 또는 다른 컴퓨터 시스템(예를 들어, 네트워크화된 컴퓨터)의 구성요소일 수 있다. 본 개시 전반에 걸쳐 설명된 단계들은 단일 컴퓨터 시스템 또는 대안적으로 (예를 들어, 클라우드 컴퓨팅 시스템에서의) 다수의 컴퓨터 시스템들에 의해 수행될 수 있음을 인식해야 한다. 또한, 본 개시 전반에 걸쳐 설명된 단계들은 상기 하나 이상의 프로세서들(106) 중 임의의 하나 이상에서 수행될 수 있음을 인식해야 한다. 일반적으로, 용어 "프로세서"는 메모리(108)로부터 프로그램 명령을 실행하는 하나 이상의 프로세싱 요소를 구비하는 임의의 디바이스를 포함하도록 광범위하게 정의될 수 있다. 또한, 시스템(100)의 서로 상이한 서브시스템들(예를 들어, 조명 소스(112), 전자빔 소스(128), 검출기 어셈블리(126), 전자 검출기 어셈블리(134), 컨트롤러(104), 사용자 인터페이스(110) 등)은 본 개시 전반에 걸쳐 설명된 단계들의 적어도 일부를 수행하기에 적합한 프로세서 또는 논리 요소들을 포함할 수 있다. 따라서, 위의 설명은 본 개시에 대한 제한으로 해석되어서는 안 되며 단지 예시일 뿐이다.
메모리(108)는 관련된 하나 이상의 프로세서(106)에 의해 실행가능한 프로그램 명령 및 검사 서브시스템(102)으로부터 수신된 데이터를 저장하기에 적합한 이 분야에 공지된 임의의 저장 매체를 포함할 수 있다. 예를 들어, 메모리(108)는 비-일시적 메모리 매체를 포함할 수 있다. 예를 들어, 메모리(108)는 이에 한정되는 것은 아니지만, 읽기전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 자기 또는 광학 메모리 디바이스(예를 들어, 디스크), 자기 테이프, 솔리드 스테이트 드라이브 등을 포함할 수 있다. 메모리(108)는 각각 하나 이상의 프로세서(106)와 함께 공통 컨트롤러 하우징에 수용될 수 있다는 것이 또한 언급된다. 대안적인 실시예에서, 메모리(108)는 프로세서(106) 및 컨트롤러(104)의 물리적 위치에 대해 원격으로 위치될 수 있다.
일 실시예에서, 사용자 인터페이스(110)는 컨트롤러(104)에 통신가능하게 결합된다. 일 실시예에서, 사용자 인터페이스(110)는 이에 한정되는 것은 아니지만, 하나 이상의 데스크탑, 태블릿, 스마트폰, 스마트 시계 등을 포함할 수 있다. 다른 실시예에서, 사용자 인터페이스(110)는 시스템(100)의 데이터를 사용자에게 표시하는 데 사용되는 디스플레이를 포함한다. 사용자 인터페이스(110)의 디스플레이는 이 분야에 공지된 임의의 디스플레이를 포함할 수 있다. 예를 들어, 디스플레이는 이에 한정되는 것은 아니지만, 액정 디스플레이(LCD), 유기발광다이오드(OLED) 기반 디스플레이, 또는 CRT 디스플레이를 포함할 수 있다. 이 분야의 기술자는 사용자 인터페이스(110)와 통합할 수 있는 임의의 디스플레이 디바이스가 본 개시의 구현에 적합하다는 것을 인식해야 한다. 다른 실시예에서, 사용자는 사용자에게 표시된 데이터에 응답하여 사용자 인터페이스(110)의 사용자 입력 디바이스(예를 들어, 마우스 및 키보드)를 통해 선택 및/또는 명령을 입력할 수 있다.
도 3은 본 개시의 하나 이상의 실시예에 따른 참조 이미지를 생성하는 다양한 방법들을 예시하는 흐름도이다.
단계(302)에서, 이미지 데이터(예를 들어, 이미지 데이터(125))가 검사 서브시스템(예를 들어, 검사 서브시스템(102a 또는 102b))으로부터 컨트롤러(예를 들어, 컨트롤러(104))로 전송될 수 있다. 이미지 데이터는 복수의 이미지들(즉, 프레임들)을 포함할 수 있으며, 여기서 각각의 이미지는 웨이퍼 상의 다이에 대응한다.
단계(304)에서, 이미지들이 정렬될 수 있고(예를 들어, 다른 것들 위에 오버레이됨) 다이-대-다이 프로세스 변동에 대해 서브픽셀 정밀도(sub-pixel accuracy)로 수정될 수 있다. 일부 실시예에서, 이미지들은 대략적인 정렬(coarse alignment)(예를 들어, ≤ 5 픽셀)을 사용하여 정렬될 수 있다. 일부 실시예에서, 이미지들은 이득(gain) 및 오프셋(offset) 보정과 함께 미세 정렬(예를 들어, ≤ 픽셀)을 사용하여 정렬될 수 있다.
단계(306) 또는 단계(308)에서, 다이 이미지들의 모든 쌍들(k-조합(combinations)) 간의 유사도 척도(similarity measure)가 계산될 수 있다. 단계(306) 및 단계(308)는 선택 가능한 단계들이고, 단계(306) 또는 단계(308) 중 하나가 유사도 척도를 계산하기 위해 수행될 수 있다. k-조합의 총 수는 다음으로 정의될 수 있다:
여기서 n은 다이 이미지들의 총 수이고, k는 2이며, n과 k는 모두 정수이다. 일 예에서, 웨이퍼 상에 470개의 다이가 있는 경우, C(470, 2) = 110,215개의 비교될 가능한 이미지들의 조합이 있다. 여기서 유사도 척도는 웨이퍼 상의 다이들에 한정되지 않고, 다른 구조들(예를 들어, 포토마스크의 분할 영역들의 이미지)에도 적용될 수 있음이 언급된다. 변수들 사이의 유사도를 정량화하기 위해 다른 방법들(예를 들어, 최소 제곱 피팅(least square fitting))이 사용될 수 있다는 것과, 본 개시가 단계(306) 및 단계(308)와 관련하여 설명된 유사도 계산에 한정되지 않는다는 것이 언급된다.
특히, 단계(306)에서는, 피어슨 상관(Pearson correlation) 계산이 유사도 척도를 계산하기 위해 사용될 수 있다. 피어슨 상관 계산은 다이 X의 이미지에서 n개 픽셀들 및 다이 Y의 이미지에서 n개 픽셀들에 대해 각각의 픽셀 i에 대해 수행된다(예를 들어, 여기서 다이 X의 이미지로부터의 n개 픽셀은 다이 Y의 이미지로부터의 n개 픽셀과 정렬되거나 오버레이됨). 피어슨 상관을 수행하기 위한 방정식은 다음과 같이 정의된다:
(1)
여기서 cov(X,Y)는 다이 X의 이미지 및 다이 Y의 이미지에서 픽셀들의 공분산(covariance) 행렬이고, σ x 및 σ y 는 대응하는 표준 편차이고, x i 및 y i 는 다이 X의 이미지와 다이 Y의 이미지에서 픽셀 i에 대한 각각의 그레이스케일(grayscale) 값들이고, 와 는 다이 X의 이미지와 다이 Y의 이미지에서 모든 픽셀들에 대한 각각의 그레이스케일 값 평균들이다. 예를 들어, 각 이미지에 128 x 128 픽셀이 있는 경우, i의 범위는 픽셀 1에서 픽셀 16,384까지이다. 일 실시예에서, 각각의 이미지들의 서브섹션들(sub-sections)은 유사도 척도가 각각의 서브섹션에 대해 계산되도록 처리될 수 있다. 그런 다음 각각의 서브섹션에 대한 유사도 척도들은 전체 유사도 척도(예를 들어, 각각 3 x 42 픽셀인 20개의 서브섹션)를 위해 결합될 수 있다.
특히 단계(308)에서는, 유사도 척도를 계산하기 위해 정규화된 차분 제곱합(normalized sum squared difference, NSSD) 계산이 사용될 수 있다. NSSD의 계산은 다이 X의 이미지에서 M*N 픽셀들 및 다이 Y의 이미지에서 M*N 픽셀들에 대해 수행된다(예를 들어, 여기서 다이 X의 이미지로부터의 픽셀들은 다이 Y의 이미지로부터의 픽셀들과 정렬되거나 오버레이됨). NSSD 계산을 수행하기 위한 방정식은 다음과 같이 정의된다:
(2)
여기서 M과 N은 이미지들의 각 행과 각 열의 각각의 픽셀 수, i는 각 행에 대한 픽셀 인덱스, j는 각 열에 대한 픽셀 인덱스, X(i,j)는 다이 X의 이미지(예를 들어, 그레이스케일 값들의 행렬), Y(i,j)는 다이 Y의 이미지(예를 들어, 그레이스케일 값들의 행렬)이고, γ는 다이 X의 이미지와 다이 Y의 이미지 간의 이득이고, K는 다이 X의 이미지와 다이 Y의 이미지 간의 오프셋이다.
단계(312)에서, 클러스터 분석이 다이 이미지들의 쌍들을 클러스터들(즉, 그룹들)로 분할하기 위해 수행될 수 있으며, 여기서 각 클러스터 내의 쌍들은 실질적으로 유사한 유사도 척도를 갖는다. 도 4a에 도시된 바와 같이, 클러스터 분석은 수직 축에 비유사도(dissimilarity) 값을 그리고 수평 축에 웨이퍼 상의 각 다이의 위치를 플롯팅하는 덴드로그램을 사용할 수 있다. 클러스터 분석은 계층적(hierarchical) 클러스터링, k-평균(k-means) 클러스터링(여기서 k는 특정 값에 한정되지 않는 클러스터들의 수임), 또는 기타 다른 클러스터 분석 방법을 사용하여 수행될 수 있다. 본 개시는 임의의 특정 계층적 클러스터링으로 한정되지 않고, 임의의 다른 타입의 계층적 클러스터링이 사용될 수 있다(예를 들어, 평균 연결(average linkage), 단일 연결(single linkage), 완전 연결(complete linkage), 또는 중심 연결(centroid linkage)).
k-평균 클러스터링을 사용할 때, 클러스터들은 그것들의 중심 위치들에 기초하여 사용자 정의된 클러스터들의 수를 입력함으로써 분리된다. 반면에 계층적 클러스터링은 입력으로 n개의 관측값을 취하고 이러한 관측값들에 대한 모든 가능한 조합들의 C(n,2)개 쌍별(pairwise) 비유사도 값들을 계산한다. C(n,2)개 상관 계수들은 상관 거리(즉, 비유사도) 행렬(1-rxy)이 도출되는 상관 행렬(correlation matrix)로 요약된다. 일 예에서, 각각의 관측값은 512 x 512 픽셀 크기를 갖는 이미지의 그레이스케일 레벨 값들을 포함한다.
도 4a의 덴드로그램에 도시된 바와 같이, 일 예에서 3개의 클러스터들(401, 402, 403)이 분할될 수 있다. 덴드로그램은 수직 축에 비유사도 점수를, 그리고 수평 축에 다이 위치를 플롯팅한다. 여기서 덴드로그램은 임의의 수의 클러스터들(예를 들어, 2개 이상의 클러스터)로 분할될 수 있고, 도 4a에 도시된 3개의 클러스터들(401, 402, 403)은 단지 하나의 예시임이 언급된다. 클러스터들은 사용자 또는 미리 정의된 분할 설정에 기초하여, 또는 알고리즘적으로 분할될 수 있다. 도 4a의 덴드로그램에서, 모든 잎들(leaves)은 1.5의 문턱 비유사도 값 미만의 비유사도 값을 갖는다. 상기 문턱 비유사도 값은 미리 선택되거나, 데이터에 기초하여 사용자 선택되거나, 알고리즘적으로 결정될 수 있다.
클러스터들 중 모든 쌍별 클러스터 간(inter-cluster) 비유사도가 검사되고 가장 덜 비유사한(least dissimilar) 클러스터들의 쌍이 식별되고 융합된다. 이 두 클러스터들 간의 비유사도는 융합(fusion)이 배치될 수 있는 덴드로그램의 높이를 나타낸다. 클러스터들의 그룹들 간의 비유사도를 계산하기 위해 연결(linkage) 개념이 사용된다. 가능한 연결에는 완전 연결, 단일 연결, 평균 연결 및 중심 연결이 포함될 수 있으며, 이들 각각은 최대, 최소, 평균 및 중심 클러스터 간 비유사도를 나타낸다.
도 4b에 도시된 바와 같이, 덴드로그램의 각 엔트리가 웨이퍼 상의 특정 다이 위치에 대응하는 웨이퍼 맵이 구성될 수 있다. 도 4b의 웨이퍼 맵에 도시된 그룹화(groupings)는 도 4a의 덴드로그램에 평균 연결(average linkage)로 계층적 클러스터링을 적용하여 구성될 수 있다. 예를 들어, 클러스터(401)는 웨이퍼의 중앙 영역에 해당하고, 클러스터(402)는 웨이퍼 내측 영역에 해당하고, 클러스터(403)는 웨이퍼의 에지 영역에 해당한다. 각각의 클러스터(예를 들어, 클러스터(401)) 내의 다이들의 이미지는 (예를 들어, 웨이퍼 프로세싱의 방사상 의존성으로부터) 비교적 낮은 양의 노이즈를 갖는 참조 이미지를 제공하기 위해 서로 비교될 수 있다. 대조적으로, 하나의 클러스터(예를 들어, 클러스터(401))로부터의 이미지를 다른 클러스터(예를 들어, 클러스터(402, 403))로부터의 이미지와 비교하는 것은 비교적 높은 양의 노이즈를 갖는 참조 이미지를 제공할 수 있다. 따라서 동일한 클러스터 내의 이미지들만을 비교하는 것이 바람직할 수 있다.
도 4a의 덴드로그램의 하단에 있는 가지들(branches)이 (덴드로그램의 하단에서 비유사도가 가장 낮기 때문에) 비교적 낮은 양의 노이즈를 갖는 참조 이미지를 생성하기 위해 선택될 수 있다. 각각의 잎(leaf)은 하나의 행과 하나의 열 값에 의해 특징지어진 하나의 다이를 나타낸다. 적어도 3개의 잎들이 참조 이미지를 생성하기 위해 선택될 수 있다. 일부 실시예에서, 하나의 클러스터(예를 들어, 클러스터(401))에 있는 모든 잎들(즉, 다이 이미지들)이 참조 이미지를 생성하기 위해 선택될 수 있다. 일부 실시예에서, 하나의 클러스터에 있는 잎들(예를 들어, 비교적 유사한 노이즈 프로파일들(profiles)을 갖는 잎들)의 서브세트가 참조 이미지를 생성하기 위해 선택될 수 있다.
도 5는 여기서 식별되는 다이들이 덴드로그램의 잎들에 대응하는 웨이퍼 맵을 도시한다. 다이들(501a-501d)(모두 동일한 클러스터(403)에 있음)은 참조 이미지 계산을 위해 선택될 수 있는데, 다이들(501a-501d)은 그들의 노이즈 특성 면에서 서로 비교적 유사하고 따라서 참조 이미지의 노이즈를 감소시킬 수 있기 때문이다(예를 들어, 다이들(501a-501d)을 나타내는 잎들이 비교적 유사한 비유사도 점수를 갖는 도 5에 도시된 덴드로그램 가지들 참조).
단계(310)는 단계(306) 또는 단계(308)에 대한 대안적인 단계이다. 단계(310)에서, 테스트 이미지(즉, 타겟 이미지)가 선택되면, (예를 들어, 다이 이미지들의 가능한 모든 조합들 사이 대신) 테스트 이미지와 다른 모든 이미지들 사이에서만 NSSD가 계산된다. 예를 들어, 470개의 다이가 있는 경우 타겟 이미지와 다른 모든 이미지들 간에 469개의 비교가 있다. 단계(314)에서, 타겟 이미지와 다른 모든 이미지들 사이에서 NSSD가 계산된 후, 타겟 이미지와 (예를 들어, 문턱값 미만의 비유사도 값을 갖는) 다른 모든 이미지들 사이에서 다수의 실질적으로 유사한 참조 이미지들(예를 들어, ≥ 2)이 식별될 수 있다. 참조 이미지들은 테스트 이미지와 비교할 때 최소 SSD를 갖는 이미지들에 기초하여 식별될 수 있다.
단계(316)에서, 참조 이미지가 단계(312) 또는 단계(314) 중 하나에서 식별된 이미지들에 기초하여 계산될 수 있다. 참조 이미지는 예를 들어, 참조 이미지들의 선형 조합(예를 들어, MCAT)을 사용하거나 상기 이미지들을 평균함으로써 계산될 수 있다. 참조 이미지는 테스트될 다이에 대한 후보 이미지(즉, 테스트 이미지)와 비교될 수 있다. 테스트 이미지에서 참조 이미지를 빼면, 그 차분은 문제가 있는 구조(또는 오버레이 오정렬)를 나타낼 수 있으며, 테스트되는 다이의 위치에 대해 수정 작업(예를 들어, 웨이퍼의 설계 또는 프로세싱을 조정)이 수행될 수 있다. 수정될 프로세스들은 예를 들어 박막 퇴적, 에칭, 연마 등과 관련될 수 있다.
도 6은 다이 이미지 선택 및 참조 이미지 생성을 위한 다양한 방식을 예시하는 웨이퍼 맵(601-603)을 도시한다. 웨이퍼 맵(601, 602)은 다이 이미지들이 웨이퍼의 미리 정의된 영역들로부터 선택되는 종래의 방식(예를 들어, 유사도 점수에 기초하지 않음)을 예시한다. 대조적으로, 웨이퍼 맵(603)은 도 3 내지 도 5와 관련하여 설명된 바와 같이 다이 이미지들이 유사한 노이즈 프로파일에 기초하여 선택되는 방식을 예시한다.
참조 뱅크 방식(reference bank scheme)(601)에서는, 웨이퍼에 대해 방사상 대칭이 가정된다. 영역들(601a, 601b)은 웨이퍼의 중심으로부터 동일한 반경을 갖는다. 테스트될 다이의 이미지(즉, 테스트 이미지)는 영역(601a) 또는 영역(601b)에서 선택된다. 마찬가지로, 영역(601a) 및/또는 영역(601b)에서 다이들의 이미지들이 참조 이미지 생성을 위해 선택되는데, 이는 선택된 다이 이미지들의 노이즈 프로파일이 테스트 이미지의 노이즈 프로파일과 유사한 것으로 가정되기 때문이다. 참조 뱅크 방식은 미국특허 No. 10,151,706에 더 기술되어 있으며, 이는 그 전체가 본원에 참고로 포함된다. 영역(601a) 및/또는 영역(601b)에서 선택된 이미지들은 영역(601a) 또는 영역(601b)으로부터의 테스트 이미지와 유사한 노이즈 프로파일을 가질 수 있지만, 노이즈 프로파일 유사도에서 추가적인 개선이 이루어지는 것이 바람직하다.
POR(process-of-record) 방식(602)에서는, 행(602a)에서 인접한 다이들의 이미지들이 참조 이미지 생성을 위해 선택된다. 해칭된 다이(예를 들어, 행(602a)의 우측)는 테스트 다이를 나타낸다. 굵게 표시된 다이들은 참조 이미지 생성을 위해 선택된 다이들을 나타낸다. 서로 옆에 위치된 다이들의 이미지들이 반드시 유사한 노이즈 프로파일을 가지지는 않을 수 있으며, 따라서 프로세싱의 방사상 종속성에 유래한 노이즈는 다이들 간 차분의 정확한 검출을 방해할 수 있다. 테스트 다이 이미지와 선택된 다이 이미지들 간의 노이즈 프로파일 유사도에서 추가적인 개선이 이루어지는 것이 바람직하다.
플렉시블 작업 방식(603)에서는, 유사한 노이즈 프로파일을 갖는 다이 이미지들의 조합이 참조 이미지 생성을 위해 선택될 수 있다. 다이(603a)는 테스트 다이를 나타낼 수 있고, 다이들(603b-603g)은 참조 이미지 생성을 위해 선택된 다이들을 나타낼 수 있다. 다이들(603b-603g)의 이미지는 테스트 다이(603a)의 이미지와 유사한 노이즈 프로파일을 가질 수 있다. 따라서, 다이들(603b-603g)의 이미지는 테스트 다이에 대한 그들의 물리적 위치에 관계없이 (예를 들어, 도 3 내지 도 5와 관련하여 설명된 바와 같이 피어슨 상관 계산 또는 NSSD 계산, 및 클러스터링을 사용하여) 선택될 수 있다.
이제 도 7a 내지 도 7b를 참조하여, 본 개시의 하나 이상의 실시예에 따른 노이즈 프로파일들에 기초하여 참조 이미지를 결정하기 위한 기술이 설명된다. 다이들은 그것들의 노이즈 프로파일에 기초하여 두 그룹: (1) 다이-대-다이 비교에서의 노이즈가 (예를 들어, 테스트 다이와 인접 다이들 간의 적은 차이로 인해) 런-타임(run-time) 스캐닝 동안 보상될 수 있는 다이들, 및 (2) 인접한 다이들과 상당히 다른 노이즈 특성을 갖는 다이들로 그룹화될 수 있다.
후자의 다이들 그룹에 대해 참조 이미지를 생성할 때, 전체 웨이퍼들에 걸쳐 유사한 노이즈 프로파일을 갖는 다이들을 선택하는 것이 바람직할 수 있다. 특히, 후자의 그룹은 (방사상 종속성 노이즈로 인해) 내측 다이와 상당히 다른 노이즈 프로파일을 가질 수 있는 에지 다이들을 포함할 수 있다. 일부 실시예에서, 상기 에지 다이 이미지들은 공통 참조 에지 다이 이미지와 비교하는 것이 유리할 수 있다.
도 7a는 참조 이미지 생성을 위한 프레임들의 선택을 보여주는 웨이퍼 맵이다. 에지 다이들(1-30)의 그룹이 참조 이미지 생성을 위해 이용될 수 있다. 일부 실시예에서, 하나 또는 두 개의 내측 다이들이 에지 다이들(1-30)과 함께 그룹화될 수 있다. 마스터 정렬 다이(master align die, MAD)가 다른 모든 다이 이미지들이 MAD에 정렬되도록 이용될 수 있다. 선택적으로, MAD에 추가하여 픽셀-대-설계 정렬(pixel-to-design alignment, PDA) 다이가 프로세싱된 다이들이 설계 이미지에 정렬되는 것을 보장하기 위해 이용될 수 있다.
도 7b는 도 7a의 웨이퍼 맵을 사용한 참조 이미지 생성을 위한 에지 다이 이미지들의 선택을 예시하는 흐름도이다.
단계(701)에서, 이미지 데이터(예를 들어, 이미지 데이터(125))가 검사 서브시스템(예를 들어, 검사 서브시스템(102a 또는 102b))으로부터 컨트롤러(예를 들어, 컨트롤러(104))로 전송될 수 있다. 이미지 데이터는 복수의 이미지들(즉, 프레임들)을 포함할 수 있으며, 여기서 각각의 이미지는 웨이퍼 상의 다이에 대응한다. 특히, 에지 다이들 및 두 개의 이웃하는 내측 다이들의 이미지들이 컨트롤러에 의해 수집될 수 있다.
단계(702)에서, 이미지들이 정렬되고(예를 들어, 다른 것들 위에 오버레이됨) 서브픽셀 정밀도로 다이-대-다이 프로세스 변동에 대해 수정될 수 있다. 마스터 정렬 다이(MAD)가 다른 모든 다이 이미지들이 MAD에 정렬되도록 이용될 수 있다. 선택적으로, MAD에 추가하여, 프로세싱된 다이들이 설계 이미지에 정렬되는 것을 보장하기 위해 픽셀-대-설계 정렬(PDA) 다이가 이용될 수 있다. 일부 실시예에서, 이미지들은 대략적인 정렬(예를 들어, ≤ 5 픽셀)을 사용하여 정렬될 수 있다. 일부 실시예에서, 이미지들은 이득 및 오프셋 보정과 함께 미세 정렬(예를 들어, ≤ 1 픽셀)을 사용하여 정렬될 수 있다. 본 개시는 임의의 특정 정렬 기술로 한정되지 않고, 명시적으로 개시되지 않은 다른 정렬 기술이 이용될 수 있다는 것이 여기에서 언급된다.
단계(703)에서, 이미지들은 상기 이미지들이 나중 단계들에서 빠르게 검색될 수 있도록 캐시될(cached) 수 있다. 특히, 에지 다이들 및 2개의 이웃하는 내측 다이들의 이미지들이 캐시될 수 있다. 추가로, MAD 다이에 대한 에지 다이들의 위치 오프셋이 생성될 수 있다.
단계(704)에서, 제1 에지 다이 이미지가 참조 이미지 생성을 위해 선택될 수 있다. 단계(705)에서, 제1 에지 다이 이미지로부터 참조 에지 다이 이미지가 생성될 수 있다. 단계(706)에서, 노이즈 프로파일을 생성하기 위해, 에지 다이 이미지들(즉, 참조 에지 다이 이미지를 생성하기 위해 선택되지 않은 다른 모든 에지 다이 이미지들)이 참조 에지 다이 이미지와 비교될 수 있다. 예를 들어, 에지 다이(1)의 이미지가 참조 에지 다이 이미지로 선택되면, 에지 다이(1)의 이미지는 에지 다이들(2-30)의 이미지들과 비교될 수 있다. 이 비교는 예를 들어, 도 3의 단계(308)와 관련하여 설명된 NSSD 계산을 사용하여 수행될 수 있다. 단계(707)에서, 상기 비교에 기초하여 유사도 척도(즉, 비유사도 값들)가 생성될 수 있다. 덴드로그램은 수직 축에 비유사도 값들을, 그리고 수평 축에 다이 위치를 플롯팅하여 구성될 수 있다(예를 들어, 도 4a와 관련하여 설명된 덴드로그램과 실질적으로 유사함).
단계(708)에서, 클러스터 분석이 에지 다이 이미지들에 대해 수행될 수 있다. 이 클러스터 분석은 예를 들어, 도 3의 단계(312)와 관련하여 설명된 계층적 클러스터링을 사용하여 수행될 수 있다. 클러스터 분석은 (예를 들어, 도 4a에 도시된 덴드로그램과 실질적으로 유사한) 수직 축에 비유사도를 그리고 수평 축에 다이 위치를 플롯팅하는 덴드로그램을 사용할 수 있다. 단계(709)에서, 에지 다이 이미지들은 그것들의 노이즈 프로파일에 기초하여 다수의 파티션으로 분할될 수 있다. 각 파티션 내의 이미지들은 참조 이미지들을 생성하는 데 사용될 수 있다(예를 들어, MCAT 알고리즘 사용). 참조 이미지에서 후보 이미지를 빼서 차분 이미지를 생성할 수 있다.
후보 이미지에 대한 참조 이미지(예를 들어, MCAT 참조 이미지)를 생성할 때 뉴슨스(nuisances)(예를 들어, 바람직하지 않거나 오해를 초래하는 노이즈)를 줄이기 위해 여러 기술들이 이용될 수 있다. 각각의 후보 이미지는 대응하는 MCAT 참조 이미지(예를 들어, 도 7b의 흐름도의 단계(709)에서 생성됨)를 가질 수 있다. MCAT 참조 이미지에서 후보 이미지를 빼면 차분 이미지를 생성할 수 있다. 여기에서 참조 이미지는 본 개시에서 설명된 임의의 타입의 참조 이미지일 수 있고, MCAT 참조 이미지는 예로서 설명된다는 점이 언급된다.
제1 뉴슨스 제거 기술에서는, MCAT 차분 이미지가 MCAT 참조 이미지에서 후보 이미지를 뺌으로써 계산될 수 있다. 제1 최소 차분(minimum difference)("min-diff") 이미지가 후보 이미지와 단일의 참조 에지 다이 이미지(예를 들어, 단계(705)와 관련하여 설명됨) 사이에서 계산될 수 있다. 그런 다음, 제2 최소 차분 이미지가 제1 최소 차분 이미지와 MCAT 차분 이미지 사이에서 계산될 수 있다. 그런 다음 상기 제2 최소 차분 이미지에 기초하여 결함이 검출될 수 있다.
제2 뉴슨스 제거 기술에서는, MCAT 차분 이미지가 MCAT 참조 이미지에서 후보 이미지를 뺌으로써 계산될 수 있다. 제2 차분 이미지가 MCAT 차분 이미지와 단일의 참조 에지 다이 이미지(예를 들어, 단계(705)와 관련하여 설명됨) 사이에서 계산될 수 있다. 상기 제2 차분 이미지에 기초하여 결함이 검출될 수 있고, 결함과 관련된 픽셀에 대해 신호-대-노이즈(signal-to-noise, SNR)가 계산될 수 있다. SNR이 하나 이상의 픽셀들에 대해 큰 경우, 상기 픽셀들은 (실제 결함이 아닌) 뉴슨스와 연관될 수 있다.
최소 차분 이미지 계산은, 후보 이미지의 다이와 MCAT 참조 이미지의 다이에서 실제 결함들(또는 층들 간의 오정렬)의 위치들은 유사한 그레이스케일 값들을 갖는 반면, 랜덤 프로세스 노이즈의 위치들은 광범위하게 변화하는 그레이스케일 값들을 갖는다는 점에서 유리할 수 있다. 따라서 실제 결함들의 그레이스케일 값들은 대체로 영향을 받지 않는 반면, 랜덤 노이즈는 크게 감소된다.
본 개시 및 그에 수반되는 많은 이점이 전술한 설명에 의해 이해될 것이며, 개시된 주제를 벗어나지 않거나 이의 모든 실질적인 이점들을 희생하지 않고서, 구성요소의 형태, 구성 및 배열에 다양한 변경이 이루어질 수 있다는 것이 명백할 것이다. 설명된 형태는 단지 예시적인 것이며, 다음의 청구범위는 그러한 변경을 포괄하고 포함하는 것을 의도한다. 또한, 본 발명은 첨부된 청구범위에 의해 정의된다는 것이 이해되어야 한다.

Claims (27)

  1. 광학 특성화 시스템(optical characterization system)에 있어서,
    프로그램 명령어들을 실행하도록 구성된 하나 이상의 프로세서를 포함하며, 샘플로부터의 조명을 수신하여 이미지 데이터를 생성하도록 구성된 하나 이상의 검출기와 통신가능하게 결합되도록 구성된 컨트롤러
    를 포함하고,
    상기 하나 이상의 프로세서는, 상기 하나 이상의 프로세서로 하여금:
    상기 이미지 데이터를 수신하고 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -;
    상기 이미지들의 모든 조합들에 대해 비유사도(dissimilarity) 값들을 계산하고;
    클러스터 분석을 수행하여 상기 이미지들의 상기 조합들을 둘 이상의 클러스터들로 분할하고;
    상기 둘 이상의 클러스터들 중 클러스터에 대한 참조 이미지를, 상기 클러스터 내의 상기 이미지들의 상기 조합들 중 둘 이상을 사용하여 생성하고;
    상기 클러스터 내의 테스트 이미지를 상기 클러스터에 대한 상기 참조 이미지와 비교함으로써 상기 샘플 상의 하나 이상의 결함을 검출하게 하는
    프로그램 명령어들을 실행하도록 구성된 것인, 광학 특성화 시스템.
  2. 제1 항에 있어서,
    상기 하나 이상의 프로세서는, 상기 하나 이상의 프로세서로 하여금:
    상기 참조 이미지로부터 상기 테스트 이미지를 뺌(subtract)으로써 차분 이미지(difference image)를 생성하게 하는 프로그램 명령어들을 실행하도록 구성된 것인, 광학 특성화 시스템.
  3. 제1 항에 있어서,
    상기 조합들의 총 수는:

    로 정의되며, n은 상기 이미지들의 총 수이고 k는 2인 것인, 광학 특성화 시스템.
  4. 제1 항에 있어서,
    상기 샘플은 반도체 웨이퍼, 레티클, 또는 포토마스크를 포함하는 것인, 광학 특성화 시스템.
  5. 제1 항에 있어서,
    상기 하나 이상의 프로세서는, 상기 하나 이상의 프로세서로 하여금 상기 이미지들 중 각각의 이미지를, 상기 이미지들 중 다른 이미지들에 정렬하게 하는 프로그램 명령어들을 실행하도록 더 구성된 것인, 광학 특성화 시스템.
  6. 제1 항에 있어서,
    상기 비유사도 값들은 피어슨 상관(Pearson correlation)을 사용하여 계산되는 것인, 광학 특성화 시스템.
  7. 제1 항에 있어서,
    상기 비유사도 값들은 정규화된 차분 제곱합(normalized sum squared difference, NSSD) 계산을 사용하여 계산되는 것인, 광학 특성화 시스템.
  8. 제1 항에 있어서,
    상기 클러스터 분석은 계층적(hierarchical) 클러스터링을 포함하는 것인, 광학 특성화 시스템.
  9. 제8 항에 있어서,
    상기 계층적 클러스터링은:
    평균 연결(average linkage), 단일 연결(single linkage), 완전 연결(complete linkage), 또는 중심 연결(centroid linkage)
    중 적어도 하나를 포함하는 것인, 광학 특성화 시스템.
  10. 제1 항에 있어서,
    상기 클러스터 분석은 k-평균(k-means) 클러스터링을 포함하는 것인, 광학 특성화 시스템.
  11. 광학 특성화 방법에 있어서,
    하나 이상의 검출기를 사용하여 샘플로부터의 조명을 수신하는 단계;
    이미지 데이터를 생성하는 단계;
    상기 이미지 데이터를 수신하는 단계 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -;
    상기 이미지들의 모든 조합들에 대해 비유사도 값들을 계산하는 단계;
    클러스터 분석을 수행하여 상기 이미지들의 상기 조합들을 둘 이상의 클러스터들로 분할하는 단계;
    상기 둘 이상의 클러스터들 중 클러스터에 대한 참조 이미지를, 상기 클러스터 내의 상기 이미지들의 상기 조합들 중 둘 이상을 사용하여 생성하는 단계; 및
    상기 클러스터 내의 테스트 이미지를 상기 클러스터에 대한 상기 참조 이미지와 비교함으로써 상기 샘플 상의 하나 이상의 결함을 검출하는 단계
    를 포함하는, 광학 특성화 방법.
  12. 제11 항에 있어서,
    상기 참조 이미지로부터 상기 테스트 이미지를 뺌(substract)으로써 차분 이미지(difference image)를 생성하는 단계를 더 포함하는, 광학 특성화 방법.
  13. 제11 항에 있어서,
    상기 조합들의 총 수는:

    로 정의되며, n은 상기 이미지들의 총 수이고 k는 2인 것인, 광학 특성화 방법.
  14. 제11 항에 있어서,
    상기 샘플은 반도체 웨이퍼, 레티클, 또는 포토마스크를 포함하는 것인, 광학 특성화 방법.
  15. 제11 항에 있어서,
    상기 이미지 데이터를 수신하는 단계 이후에,
    상기 이미지들 중 각각의 이미지를, 상기 이미지들 중 다른 이미지들에 정렬하는 단계를 더 포함하는, 광학 특성화 방법.
  16. 제11 항에 있어서,
    상기 비유사도 값들은 피어슨 상관을 사용하여 계산되는 것인, 광학 특성화 방법.
  17. 제11 항에 있어서,
    상기 비유사도 값들은 정규화된 차분 제곱합(NSSD) 계산을 사용하여 계산되는 것인, 광학 특성화 방법.
  18. 제11 항에 있어서,
    상기 클러스터 분석은 계층적 클러스터링을 포함하는 것인, 광학 특성화 방법.
  19. 제18 항에 있어서,
    상기 계층적 클러스터링은:
    평균 연결, 단일 연결, 완전 연결, 또는 중심 연결
    중 적어도 하나를 포함하는 것인, 광학 특성화 방법.
  20. 제11 항에 있어서,
    상기 클러스터 분석은 k-평균 클러스터링을 포함하는 것인, 광학 특성화 방법.
  21. 광학 특성화 시스템에 있어서,
    프로그램 명령어들을 실행하도록 구성된 하나 이상의 프로세서를 포함하며, 샘플로부터의 조명을 수신하여 이미지 데이터를 생성하도록 구성된 하나 이상의 검출기와 통신가능하게 결합되도록 구성된 컨트롤러
    를 포함하고,
    상기 하나 이상의 프로세서는, 상기 하나 이상의 프로세서로 하여금:
    상기 이미지 데이터를 수신하고 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -;
    상기 샘플 상의 다이들의 이미지들로부터 에지(edge) 다이 이미지들을 식별하고;
    상기 에지 다이 이미지들로부터 제1 에지 다이 이미지를 사용하여 참조 에지 다이 이미지를 생성하고;
    상기 참조 에지 다이 이미지와 상기 에지 다이 이미지들 중 다른 에지 다이 이미지들의 모든 조합들에 대해 비유사도 값들을 계산하고;
    클러스터 분석을 수행하여 상기 조합들을 둘 이상의 클러스터들로 분할하고;
    상기 둘 이상의 클러스터들 중 클러스터에 대한 참조 이미지를, 상기 클러스터 내의 상기 에지 다이 이미지들의 조합들 중 둘 이상을 사용하여 생성하고;
    상기 클러스터 내의 테스트 이미지를 상기 클러스터에 대한 상기 참조 이미지와 비교함으로써 상기 샘플 상의 하나 이상의 결함을 검출하게 하는
    프로그램 명령어들을 실행하도록 구성된 것인, 광학 특성화 시스템.
  22. 제21 항에 있어서,
    상기 하나 이상의 프로세서는, 상기 하나 이상의 프로세서로 하여금:
    상기 참조 이미지에서 상기 테스트 이미지를 뺌으로써 차분 이미지를 생성하게 하는 프로그램 명령어들을 실행하도록 구성된 것인, 광학 특성화 시스템.
  23. 제21 항에 있어서,
    상기 비유사도 값들은 피어슨 상관을 사용하여 계산되는 것인, 광학 특성화 시스템.
  24. 제21 항에 있어서,
    상기 비유사도 값들은 정규화된 차분 제곱합(NSSD) 계산을 사용하여 계산되는 것인, 광학 특성화 시스템.
  25. 제21 항에 있어서,
    상기 클러스터 분석은 계층적 클러스터링을 포함하는 것인, 광학 특성화 시스템.
  26. 광학 특성화 시스템에 있어서,
    프로그램 명령어들을 실행하도록 구성된 하나 이상의 프로세서를 포함하며, 샘플로부터의 조명을 수신하여 이미지 데이터를 생성하도록 구성된 하나 이상의 검출기와 통신가능하게 결합되도록 구성된 컨트롤러
    를 포함하고,
    상기 하나 이상의 프로세서는, 상기 하나 이상의 프로세서로 하여금:
    상기 이미지 데이터를 수신하고 - 상기 이미지 데이터는 상기 샘플 상의 다이들의 이미지들을 포함함 -;
    테스트 이미지를 식별하고;
    상기 테스트 이미지와 상기 이미지들 중 다른 이미지들의 모든 조합들에 대해 비유사도 값들을 계산하고;
    문턱 비유사도 값(threshold dissimilarity value) 미만의 비유사도 값을 갖는 상기 조합들 중 둘 이상을 식별하고;
    상기 조합들 중 상기 둘 이상을 사용하여 참조 이미지를 생성하고;
    상기 참조 이미지를 상기 테스트 이미지와 비교함으로써 상기 샘플 상의 하나 이상의 결함을 검출하게 하는
    프로그램 명령어들을 실행하도록 구성된 것인, 광학 특성화 시스템.
  27. 제26 항에 있어서,
    상기 비유사도 값들은 정규화된 차분 제곱합(NSSD) 계산을 사용하여 계산되는 것인, 광학 특성화 시스템.
KR1020227012513A 2019-09-24 2020-09-18 향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택 KR102671587B1 (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201962904855P 2019-09-24 2019-09-24
US62/904,855 2019-09-24
US202063021694P 2020-05-08 2020-05-08
US63/021,694 2020-05-08
US17/013,264 US11120546B2 (en) 2019-09-24 2020-09-04 Unsupervised learning-based reference selection for enhanced defect inspection sensitivity
US17/013,264 2020-09-04
PCT/US2020/051343 WO2021061499A1 (en) 2019-09-24 2020-09-18 Unsupervised learning-based reference selection for enhanced defect inspection sensitivity

Publications (2)

Publication Number Publication Date
KR20220066912A KR20220066912A (ko) 2022-05-24
KR102671587B1 true KR102671587B1 (ko) 2024-05-31

Family

ID=74881063

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227012513A KR102671587B1 (ko) 2019-09-24 2020-09-18 향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택

Country Status (5)

Country Link
US (1) US11120546B2 (ko)
KR (1) KR102671587B1 (ko)
CN (1) CN114341933B (ko)
TW (1) TWI826729B (ko)
WO (1) WO2021061499A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11328411B2 (en) 2020-05-04 2022-05-10 KLA Corp. Print check repeater defect detection
US11328435B2 (en) * 2020-06-08 2022-05-10 KLA Corp. Image alignment setup for specimens with intra- and inter-specimen variations using unsupervised learning and adaptive database generation methods
US11921052B2 (en) 2022-03-31 2024-03-05 Kla Corporation Inspection with previous step subtraction
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008116405A (ja) 2006-11-07 2008-05-22 Hitachi High-Technologies Corp 欠陥検査方法及びその装置
US20170186144A1 (en) 2015-12-28 2017-06-29 Powerchip Technology Corporation Method, image processing system and computer-readable recording medium for item defect inspection

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69634089T2 (de) 1995-10-02 2005-12-08 Kla-Tencor Corp., San Jose Verbesserung der ausrichtung von inspektionsystemen vor der bildaufnahme
US6456899B1 (en) * 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) * 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
US7714997B2 (en) * 2006-11-07 2010-05-11 Hitachi High-Technologies Corporation Apparatus for inspecting defects
US8611637B2 (en) * 2007-01-11 2013-12-17 Kla-Tencor Corporation Wafer plane detection of lithographically significant contamination photomask defects
US8135207B2 (en) 2008-06-25 2012-03-13 Applied Materials South East Asia Pte. Ltd. Optical inspection tools featuring parallel post-inspection analysis
KR20140008201A (ko) * 2012-07-11 2014-01-21 삼성전자주식회사 어플리케이션의 품질 테스트를 위한 테스트 케이스의 우선 순위화 장치 및 방법
TWI649572B (zh) 2012-11-09 2019-02-01 美商克萊譚克公司 用於計量目標之特性化之方法、計量系統及用於計量系統之視覺使用者介面
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection
US10151706B1 (en) 2016-04-07 2018-12-11 Kla-Tencor Corp. Inspection for specimens with extensive die to die process variation
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US11270430B2 (en) * 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
US10290087B2 (en) 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof
US10698325B2 (en) 2018-05-23 2020-06-30 Kla-Tencor Corporation Performance monitoring of design-based alignment
US11049745B2 (en) 2018-10-19 2021-06-29 Kla Corporation Defect-location determination using correction loop for pixel alignment
US10922808B2 (en) 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008116405A (ja) 2006-11-07 2008-05-22 Hitachi High-Technologies Corp 欠陥検査方法及びその装置
US20170186144A1 (en) 2015-12-28 2017-06-29 Powerchip Technology Corporation Method, image processing system and computer-readable recording medium for item defect inspection

Also Published As

Publication number Publication date
WO2021061499A1 (en) 2021-04-01
TWI826729B (zh) 2023-12-21
CN114341933A (zh) 2022-04-12
US20210090229A1 (en) 2021-03-25
US11120546B2 (en) 2021-09-14
TW202124947A (zh) 2021-07-01
CN114341933B (zh) 2023-01-31
KR20220066912A (ko) 2022-05-24

Similar Documents

Publication Publication Date Title
KR102671587B1 (ko) 향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택
CN109791897B (zh) 用于半导体晶片检验的三维成像
KR102347057B1 (ko) 전자 빔 이미지에서의 결함 위치 결정
US10365232B2 (en) High accuracy of relative defect locations for repeater analysis
KR102576880B1 (ko) 반도체 기판의 임계 치수 측정을 위한 딥 러닝 기반 적응적 관심 영역
US8502146B2 (en) Methods and apparatus for classification of defects using surface height attributes
US11880193B2 (en) System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
TWI819229B (zh) 用於判定缺陷之系統和方法
US11803960B2 (en) Optical image contrast metric for optical target search
KR102347052B1 (ko) 리피터 분석을 위한 높은 정확도의 상대적 결함 위치
KR20230061424A (ko) 3차원 웨이퍼 구조체들에 대한 비닝 향상된 결함 검출 방법
US20230075297A1 (en) Wafer alignment improvement through image projection-based patch-to-design alignment

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