KR20130118278A - Ｃａｄ-기반 컨텍스트 속성들을 사용하는 결함 분류 - Google Patents

Ｃａｄ-기반 컨텍스트 속성들을 사용하는 결함 분류 Download PDF

Info

Publication number
KR20130118278A
KR20130118278A KR1020130043524A KR20130043524A KR20130118278A KR 20130118278 A KR20130118278 A KR 20130118278A KR 1020130043524 A KR1020130043524 A KR 1020130043524A KR 20130043524 A KR20130043524 A KR 20130043524A KR 20130118278 A KR20130118278 A KR 20130118278A
Authority
KR
South Korea
Prior art keywords
interest
pattern
defect
image
cad
Prior art date
Application number
KR1020130043524A
Other languages
English (en)
Other versions
KR102132328B1 (ko
Inventor
이단 카이제르만
이사이 슈바르츠밴드
에프라트 로젠만
Original Assignee
어플라이드 머티리얼즈 이스라엘 리미티드
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 어플라이드 머티리얼즈 이스라엘 리미티드 filed Critical 어플라이드 머티리얼즈 이스라엘 리미티드
Publication of KR20130118278A publication Critical patent/KR20130118278A/ko
Application granted granted Critical
Publication of KR102132328B1 publication Critical patent/KR102132328B1/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

분류를 위한 방법은, 패턴이 위에 형성된 반도체 웨이퍼의 영역의 이미지를 수신하는 단계 ― 상기 영역은 관심 있는 이미지 위치를 포함함 ―, 및 관심 있는 이미지 위치에 대응하는 관심 있는 CAD 위치를 포함하는, 패턴에 관련된 컴퓨터-이용 설계(CAD) 데이터를 수신하는 단계를 포함한다. 관심 있는 이미지 위치의 하나 또는 둘 이상의 속성들에 대한 적어도 하나의 값은, CAD 데이터에 대한 관심 있는 CAD 위치의 컨텍스트에 기초하여 연산된다.

Description

ＣＡＤ-기반 컨택스트 속성들을 사용하는 결함 분류{DEFECT CLASSIFICATION USING CAD-BASED CONTEXT ATTRIBUTES}
본 출원은, 2012년 4월 19일자로 출원되었으며, 발명의 명칭이 "Defect Classification Using Topographical Attributes" 인, 사건 번호 08090.43 (L023), 일련 번호 13/451,490 에 관한 것이다.
본 발명의 실시예들은 일반적으로 자동화된 검사에 관한 것이고, 구체적으로는, 결함 생성의 분석에 대한 기술에 관한 것이다.
자동 결함 분류(Automatic Defect Classification; ADC) 기술들은, 반도체 산업에서, 패터닝된 웨이퍼들 상의 결함들의 검사 및 측정 시에 널리 사용된다. ADC 기술들은, 결함들의 존재를 검출할 뿐만 아니라, 생산 프로세스에 대한 더 상세한 피드백을 제공하고 인간 검사자들에 대한 부담을 감소시키도록, 결함들을 타입에 따라 자동적으로 분류한다. ADC 기술들은, 예컨대, 웨이퍼 표면 상의 미립자 오염물들로부터 발생하는 결함들 및 마이크로회로 패턴 그 자체에서의 불규칙성들과 연관된 결함들의 타입들을 구별하기 위해 사용되며, 또한, 특정 타입들의 입자들 및 불규칙성들을 식별할 수 있다.
결함 분류의 현재의 접근법들은, 검사 하의 반도체 디바이스의 이미지들과 함께 컴퓨터-이용 설계(CAD) 데이터를 사용한다. 예컨대, 미국 특허 제 7,626,163 호는 결함 검토 방법을 설명하며, 그 방법에서는, 비교적 낮은 해상도의 이미지-캡쳐링 조건들에서, 리소그래피 시뮬레이션에 기초하여 추출된 프로세스-마진-협소(process-margin-narrow) 패턴 부분의 이미지를 캡쳐링함으로써, 스캐닝 전자 현미경(SEM) 이미지가 도출된다. 결과의 SEM 이미지는, 임의의 비정상적인 섹션의 추출을 위해 CAD 데이터와 비교된다. 비정상적인 것으로서 추출된 영역의 이미지는 다시 캡쳐링되며, 결과의 고-해상도 SEM 이미지는, 형상 변형과 같은, 이미지의 피쳐 양(feature amount)에 기초하여, 결함 분류를 위해 CAD 데이터와 다시 비교된다.
본 발명의 실시예들은, 검사 데이터에 기초한 결함들의 자동화된 분류를 위한, 개선된 방법들, 시스템들, 및 소프트웨어들을 제공한다. 예시적인 이미지 프로세싱 시스템은, 패턴이 위에 형성된 반도체 웨이퍼의 영역의 이미지를 수신하며, 그 영역은 관심 있는 이미지 위치를 포함한다. 이미지 프로세싱 시스템은, 관심 있는 이미지 위치에 대응하는 관심 있는 CAD 위치를 포함하는, 패턴에 관련된 컴퓨터-이용 설계(CAD) 데이터를 수시한다. 이미지 프로세싱 시스템은, CAD 데이터에 대한 관심 있는 CAD 위치의 컨텍스트에 기초하여, 관심 있는 이미지 위치의 하나 또는 둘 이상의 속성들에 대한 적어도 하나의 값을 연산한다.
일 실시예에서, 관심 있는 이미지 위치는 적어도 하나의 피쳐를 포함하며, 그 적어도 하나의 피쳐는, 결함, 프로세스 변화, 및 관심 있는 설계로 구성된 피쳐들의 그룹으로부터 선택된다.
일 실시예에서, 이미지 프로세싱 시스템은, 하나 또는 둘 이상의 속성들의 값들에 기초하여, 관심 있는 이미지 위치에서의 결함을 자동적으로 분류한다.
일 실시예에서, 이미지 프로세싱 시스템은 스캐닝 전자 현미경(SEM)에 의해 캡쳐링된 이미지를 수신한다.
일 실시예에서, 이미지 프로세싱 시스템은, CAD 데이터에 의해 식별된 하나 또는 둘 이상의 기능적인 세그먼트들과 관심 있는 이미지 위치 사이의 공간적인 관계에 관련된 속성의 사용자로부터의 정의를 수용함으로써, 적어도 하나의 값을 연산한다.
일 실시예에서, 이미지 프로세싱 시스템은, CAD 데이터에서의 세그먼트의 속성의 값을 계산함으로써, 적어도 하나의 값을 연산한다.
일 실시예에서, CAD 데이터에서의 세그먼트는, 패턴에 대응하는 제 1 층에 관련된 부분, 패턴에 대응하는 제 1 층과 상이한 제 2 층에 관련된 부분, 및 이미지의 시계(FOV) 외부에 있는 하나 또는 둘 이상의 위치들에 대응하는 복수의 데이터 엘리먼트들 중 적어도 하나를 포함할 수 있다.
일 실시예에서, 이미지 프로세싱 시스템은, 상기 이미지에서의 픽셀들에 하나 또는 둘 이상의 라벨들을 적용하며, 그 픽셀들은 CAD 데이터에서의 세그먼트들에 대응하고, 이미지 프로세싱 시스템은, 라벨들에 기초하여 픽셀들 중 하나 또는 둘 이상을 선택함으로써 적어도 하나의 값을 연산하고, 선택된 픽셀들에 대한 속성들의 적어도 하나의 값을 계산한다.
일 실시예에서, 이미지 프로세싱 시스템은, CAD 데이터에 의해 정의된 멀티-층 구조와 관심 있는 이미지 위치 사이의 공간적인 관계에 기초하여 속성의 값을 계산함으로써, 복수의 값들을 연산한다.
일 실시예에서, 이미지 프로세싱 시스템은, 패턴의 하나 또는 둘 이상의 엘리먼트들과 관심 있는 이미지 위치에서의 결함 사이의 오버랩을 측정함으로써 적어도 하나의 값을 연산한다.
일 실시예에서, 이미지 프로세싱 시스템은, 패턴의 적어도 하나의 엘리먼트와 결함 사이의 오버랩의 영역을 평가(assess)함으로써 오버랩을 측정한다.
일 실시예에서, 이미지 프로세싱 시스템은, 패턴의 엘리먼트들과 결함 사이의 오버랩들의 수를 평가함으로써 오버랩을 측정한다. 일 실시예에서, 이미지 프로세싱 시스템은, 패턴의 하나 또는 둘 이상의 엘리먼트들과 관심 있는 이미지 위치에서의 결함 사이의 근접성을 측정함으로써 적어도 하나의 값을 연산한다. 일 실시예에서, 이미지 프로세싱 시스템은, 결함이 패턴의 엘리먼트들 중 2개의 엘리먼트들을 브릿징할 가능성을 근접성에 기초하여 추정함으로써, 그리고/또는 상기 결함에 가장 근접한 패턴의 세그먼트를 식별함으로써, 적어도 하나의 값을 연산한다.
일 실시예에서, 이미지 프로세싱 시스템은, 패턴의 하나 또는 둘 이상의 엘리먼트들의 각각의 그레이 레벨들에 대해 관심 있는 이미지 위치의 그레이 레벨을 비교함으로써 적어도 하나의 값을 연산한다.
일 실시예에서, 이미지 프로세싱 시스템은, 반도체 웨이퍼의 복수의 피쳐들에 기초하여 속성의 값을 계산함으로써 적어도 하나의 값을 연산하며, 복수의 피쳐들은 이미지에서 비가시적이고 CAD 데이터에서 분명하다. 피쳐들은, 웨이퍼의 표면 아래의 아래 놓인 층에 있을 수 있거나, 또는 이미지의 시계 외부에 있을 수 있다.
일 실시예에서, 이미지 프로세싱 시스템은, 영역의 3차원(3D) 맵을 수신하며, 그 3D 맵에서의 결함의 복수의 지형적인 피쳐들에 기초하여 결함의 하나 또는 둘 이상의 지형적인 속성 값들을 연산하고, 이미지 프로세싱 시스템은, 결함을 분류할 시에 하나 또는 둘 이상의 지형적인 속성 값들을 적용함으로써, 결함을 자동적으로 분류한다.
부가적인 실시예들에서, 위에서 설명된 실시예들의 동작들을 수행하기 위한 방법들이 또한 구현된다. 부가적으로, 본 발명의 실시예들에서, 비-일시적인 컴퓨터 판독가능 저장 매체가 위에서 설명된 실시예들의 동작들을 수행하기 위한 방법들을 저장한다.
본 발명의 다양한 실시예들은, 본 발명의 다양한 실시예들의 첨부 도면들로부터 그리고 아래에 주어지는 상세한 설명으로부터 더 완전하게 이해될 것이다.
도 1은 본 발명의 실시예에 따른, 결함 검사 및 분류 시스템의 예시적인 개략도.
도 2a 내지 도 2c는 본 발명의 실시예에 따른, 자동 결함 분류(automatic defect classification; ADC)를 위한 방법들의 실시예들을 예시하는 흐름도들.
도 3a는 본 발명의 실시예에 따른, 결함의 SEM-기반 높이 맵을 개략적으로 나타내는 도면.
도 3b는 본 발명의 실시예들에 따른, 도 3a의 높이 맵에 피팅되는 다항식을 개략적으로 나타내는 도면.
도 4 및 도 5는 본 발명의 실시예들에 따른, 반도체 웨이퍼 상의 패턴들을 오버랩하는 결함들의 개략적인 도면들.
도 6a는 반도체 웨이퍼 상에 형성된 패턴의 개략적인 평면도.
도 6b는 본 발명의 실시예에 따른, 도 6a의 웨이퍼의 개략도.
도 7은 본 발명의 실시예에 따른, 반도체 웨이퍼 상의 패턴의 상이한 엘리먼트들을 오버랩하는 결함들의 개략도.
도 8은 본 발명의 실시예에 따른, 반도체 웨이퍼 상의 멀티-층 구조 근처의 결함의 개략도.
도 9는 여기에서 설명된 동작들 중 하나 또는 둘 이상을 수행할 수 있는 예시적인 컴퓨터 시스템의 블록도.
자동 결함 분류(ADC) 시스템들은, 결함들을 식별하기 위해 패터닝된 반도체 웨이퍼의 이미지들과 같은 검사 데이터를 프로세싱하고, 결함들의 형상 및 크기와 같이 결함들의 속성들의 값들을 컴퓨팅하고, 이러한 속성 값들에 기초하여 결함들을 다차원 속성 초공간(hyper-space)으로 맵핑한다. 자동 분류기들은 이러한 초공간 내의 각각의 결함 클래스의 경계들을 학습하고, 이에 따라 결함들을 클래스들에 할당한다. 이러한 종류의 ADC 시스템은, 예를 들면, 2010년 7월 27일자에 출원된 "Defect Classification with Optimized Purity"란 명칭의 미국 특허 출원 제 12/844,724 호에 기재되어 있다. ADC 시스템은 다중-클래스 및 단일-클래스 분류기들 양자를 포함하는 다수의 상이한 분류기들을 검사 데이터에 적용한다. 상기 시스템은 알지 못하거나 새로운 결함들의 거절 레이트를 최대화하면서 분류의 순도(purity)를 최적화하기 위해 분류기들의 파라미터들이 트레이닝되고 조절되도록 허용한다. 자동 분류기들에 의해 (판정 불가 또는 미지의 것으로서) 거절된 결함들은 사람 검사자와 같은 또 다른 검사 양식으로 전달되고, 사람 검사자는 이러한 결함들을 적절한 클래스들에 할당한다.
CAD-기반 컨텍스트 속성들 및 토포그래피 속성들은 결함들에 대한 부가적인 정보를 제공하여, 따라서 입자들, 조각들, 범프들 및 분화구들 등과 같은 특정 결함 형태들의 더 양호한 특징화를 용이하게 한다. 따라서, 본 발명의 실시예들은, 결함들이 SEM과 같은 검사 시스템에 의해 캡처된 이미지들(또는 다른 이러한 이미지들에 기초한 다른 표현들)에서 보임에 따라 결함들의 3D 형상, 텍스처 및 컨텍스트에 관련된 새로운 형태들의 결함 속성들을 제공한다. 개시된 실시예들은 반도체 웨이퍼들 상의 결함들에 관련될 수 있지만, 이러한 형태들의 속성들은 다른 종류들의 샘플들 또는 반도체 마스크들 상에서 보이는 결함들을 분류하는데 유사하게 사용될 수 있다. "검사"라는 용어는 본 특허 출원에서, 데이터가 전체 웨이퍼에 걸쳐 또는 별개의 위치들에서 캡처되든지 아니든지, 결함들을 검출 및 분류하는데 유용한 정보를 제공할 수 있는 임의의 종류의 데이터 캡처를 지칭하는데 널리 사용된다.
본 발명의 실시예들은, 웨이퍼 또는 마스크를 스캔하고 의심되는 결합들의 위치들의 리스트를 제공하는 검사 시스템에 의해 식별되는 결함들의 분석에 적용 가능하다. 일부 실시예들은 검사 툴에 의해 제공된 의심되는 결함들의 위치들에 기초하여 리뷰 툴에 의해 재검사되는 결함들의 분석에 적용 가능하다. 본 발명은 검사 데이터가 생성되는 기술에 의해 제한되지 않는다. 따라서, 반도체 애플리케이션들에 대해, 본 발명의 실시예들은 UVisionTM 시스템 또는 AeraTM 시스템과 같은 광학 검사 시스템에 의해, 또는 SEMVisionTM 시스템(어플라이드 머티어리얼스, 인코포레이티드로부터 상업적으로 입수 가능함)과 같은 리뷰 시스템에 의해, 또는 당분야에 알려진 임의의 다른 종류의 검사 시스템 또는 양식에 의해 생성된 데이터의 분석에 적용될 수 있다.
본원에 기재된 본 발명의 실시예들에서, 이미지 프로세싱 시스템은 패턴이 형성된 반도체 웨이퍼의 영역의 이미지를 수신한다. 영역은 관심있는 이미지 위치를 포함할 수 있다. 위치는 통상적으로 결함, 프로세스 변동, 또는 관심있는 설계와 같은 관심있는 적어도 하나의 피쳐를 포함한다. 아래에 기재된 실시예들이 주로 결함들의 이미지들을 분류하는 것에 관한 것이지만, 본 발명은 관심있는 다른 피쳐들의 속성들을 컴퓨팅하는데 마찬가지로 적용될 수 있다. 상기 시스템은 또한 패턴에 관련된 CAD(computer-aided design) 데이터를 수신한다. CAD 데이터는 관심있는 이미지 위치에 대응하는 관심있는 CAD 위치를 포함할 수 있다. 상기 시스템은 CAD 데이터에 관련하여 관심있는 CAD 위치의 컨텍스트에 기초하여 관심있는 이미지 위치의 하나 이상의 속성들 중 적어도 하나의 값을 컴퓨팅한다. 일부 실시예들에서, ADC 시스템은 결함을 포함하는 패터닝된 웨이퍼의 영역의 이미지를 수신하고, 이것은 동일한 영역 내의 패턴에 관련된 CAD(computer-aided design) 데이터로 등록된다. 이미지 및 CAD 데이터는 ADC 시스템 자체에 의해 등록될 수 있거나, 그들은 당분야에 알려진 임의의 적절한 등록 방법을 사용하여 또 다른 이미지 프로세싱 유닛에 의해 미리 등록될 수 있다. 영역(또는 영역 내의 특정 위치)은 통상적으로 결함을 포함하는 것으로 고려되는데, 왜냐하면 초기 검사 판독들이 영역 또는 위치 내의 기형(abnormality)을 표시하기 때문이다. 그러나, 결함의 분류는 이러한 스테이지에서 아직 확인되지 않을 수 있다(그리고, 기형에도 불구하고, 논의중인 영역 내의 패턴의 부분이 결함이 아니라고 궁극적으로 결정될 수 있음). 결함은 주어진 영역 내의 불규칙성을 나타낼 수 있는 웨이퍼의 주어진 영역 또는 위치로부터 수신된 비정상적인 검사 데이터를 지칭할 수 있다.
ADC 시스템은 등록된 패턴에 관련하여 결함의 컨텍스트에 기초하여 결함의 하나 또는 그 초과의 속성들의 값들을 컴퓨팅하는데 있어서 CAD 데이터를 사용한다. 이미지를 CAD 데이터에 등록하는 것은 이미지의 분할(segmentation)을 용이하게 하여, ADC 시스템이 접촉 패드들 및 라인들과 같은 패턴의 특정 구조들을 식별하는 것을 가능하게 한다. 이어서, 상기 시스템은, 결함이 패턴의 부분들과 중첩하는지, 어떠한 특정 부분들이 중첩하는지 및 중첩의 정도를 표시하는 결함의 속성 값들을 컴퓨팅할 수 있다. 다른 형태들의 컨텍스트-기반 속성들은, 예를 들면, 결함과 특정 패턴 또는 배경 형상들 사이의 교차점들의 수뿐만 아니라 결함이 별개의 패턴들 또는 배경 형상들을 연결할 확률을 표시할 수 있다.
ADC 시스템은, 이미지에서 볼 수 없지만 CAD 데이터에서 분명한 피쳐들에 대한 속성들을 계산하는데 있어서 CAD 데이터를 사용할 수 있다. 그러한 속성들은, 예를 들면, Z-축 분석으로부터 유도될 수 있고, 여기서 특정 결함은 그 아래의 근본적인 층들에 관련하여 분석된다. 근본적인 층 정보는 통상적으로 이미지에서 볼 수 없지만, CAD 데이터에서 이용 가능하다.
ADC 시스템은, 관심있는 결함을 포함하는 검사 이미지의 영역 외부에 있는 구조들을 사용하여 FOV(field of view) 외 분석을 위해 CAD 데이터를 사용할 수 있다. 그러한 경우들에서, 결함은 단락 회로들을 생성할 수 있거나, 패턴 엘리먼트들 사이의 브리지들이 이미지에서 보이지 않을 수 있지만, CAD 데이터에서 분명할 수 있다. 따라서, FOV 외 분석은 CAD 데이터에 기초하여 브리징 또는 다른 속성들을 컴퓨팅하는데 사용될 수 있다.
CAD 데이터는 또한, 예를 들면, 특정 CAD 엘리먼트들 또는 특정 구조들의 조합들에 대한 결함의 근접도에 기초하여 속성들을 컴퓨팅하는데 사용될 수 있다. 이러한 CAD 구조들은, 더 중요하거나 결함이 생기기 쉬운, 웨이퍼 내의 고민감도 영역들의 사전 지식을 활용함으로써 (예를 들면, 운영자에 의해) 정의될 수 있다. 그러한 속성들의 목적은 이러한 특정 엘리먼트들 또는 구조들에 대한 결함의 근접도를 정확히 측정하는 것일 수 있다.
ADC 시스템이 웨이퍼의 영역의 3-차원(3D) 맵으로부터 유도하는 결함들의 토폴로지적 특징들(topographical features) 에 기초하여 ADC 시스템은 속성 값들을 계산할 수 있다. 몇몇 실시예들에서, 속성들은 영상 평면의 X 및 Y 방향들에서 정해진 결함의 형상 및 크기에 관련된다. 몇몇 실시예들에서, 속성들은 높이(Z) 방향에서 정해진 결함의 형상 및 크기에 추가로 관련된다. 이 높이 정보는 SEM 영상들을 이용하여 3D 맵핑함으로써 제공될 수 있다. 토폴로지적 특징들은 예를 들어, 결함의 3D 형상 및/또는 텍스처에 관련될 수 있다.
도 1은 본 발명의 실시예에 따라 자동화된 결함 검사 및 분류를 위한 시스템(20)의 예시적인 개략도 예이다. 패터닝된 반도체 웨이퍼(22)(또는 마스크 또는 레티컬)와 같은 샘플이 검사 머신(24)에 삽입된다. 머신(24)은 예를 들어, SEM(scanning electron microscope) 또는 광학 검사 디바이스 또는 당 분야에 알려진 임의의 다른 적합한 종류의 검사 장치를 포함할 수 있다. 몇몇 실시예들에서, 머신(24)은 웨이퍼(22)의 2-차원 영상들을 생성하도록 구성될 수 있다. 몇몇 실시예들에서, 머신(24)은 웨이퍼(22)의 3D 맵들을 생성하도록 구성될 수 있다.
아래에서, 설명의 용이함을 위해, ADC 머신(26)은 네트워크, 클라우드를 통해, 또는 중간 시스템을 통해 간접적으로 또는 직접적으로 검사 시스템(머신(24)과 같은)에 연결 가능한 독립형 시스템으로서 기술될 것이다. 그러나 본 발명의 실시예는 검사 시스템(머신(24)과 같은)과 통합되거나 그 상에 호스팅되는 모듈로서 구현될 수 있다는 것이 이해되어야 한다.
머신(24)은 웨이퍼(22)의 표면(또는 웨이퍼(22)의 표면의 특정한 부분 또는 부분들)을 스캔할 수 있고, 스캔 결과를 감지 및 프로세싱할 수 있고, 웨이퍼(22) 상의 결함을 포함하는 영역들의 영상들 및/또는 3D 맵들을 포함하는 검사 데이터를 출력할 수 있다. 검사 데이터는 웨이퍼 상에서 발견되는 결함들의 리스트 및 각각의 결함과 연관되는 검사 특징들의 값들과 함께 각각의 결함의 위치를 포함할 수 있다. 검사 특징들은 예를 들어, 크기, 형상, 스캐터링 밀도(scattering intensity), 방향성, 및/또는 스펙트럼 품질들(spectral qualities)은 물론 당 분야에 알려진 다른 적합한 특징들을 포함할 수 있다. 용어 "검사 데이터"가 SEM 영상들 및 연관된 메타데이터를 지칭하기 위해 본 실시예에서 이용되었지만, 이 용어는 데이터를 수집하는데 이용되는 수단에 관계없이, 결합들의 특징들을 식별하기 위해 수집되고 프로세싱될 수 있는 임의의 그리고 모든 종류들의 설명 및/또는 진단 데이터를 지칭하기 위해 보다 널리 이해되어야 한다.
ADC 머신(26)은 머신(24)에 의해 출력된 검사 데이터를 획득 및 프로세싱할 수 있다. 머신(24)이 웨이퍼(22)의 영상들로부터 모든 관련된 결함 속성 값들을 추출하지 않는 경우, ADC 머신(26)은 이들 영상 프로세싱 기능들을 수행할 수 있다. ADC 머신(26)이 검사 머신 출력에 직접 연결되는 것으로서 도 1에서 도시되지만, ADC 머신(26)은 사전-획득된, 저장된 검사 데이터를 획득할 수 있다. 일 실시예에서, ADC 머신(26)의 기능이 머신(25)에 통합된다.
일 실시예에서, 머신(24)은 ADC 머신(26)에 의해 추후에 수신되는 2D 맵을 생성하는 3D 맵 생성기(도시되지 않음)에 검사 데이터를 전송한다. 3D 맵 생성기는 독립형 시스템 또는 ADC 머신(26)과 통합되거나 그에 의해 호스팅되는 시스템일 수 있다.
ADC 머신(26)은 디스플레이(32) 및 입력 디바이스(34)를 포함하는 사용자 인터페이스와 함께, 결함 정보 및 분류 파라미터들을 보유하기 위한 메모리(30)를 갖는 프로세서(28)를 포함하는 범용 컴퓨터일 수 있다. ADC 머신(26)의 기능들을 구현하는 컴퓨터는 ADC 기능들에 전용될 수 있거나, 또는 부가적인 컴퓨팅 기능들을 또한 수행할 수 있다. 일 실시예에서, 여기서 기술된 ADC 기능들 중 적어도 일부는 전용되거나 프로그래밍 가능한 하드웨어 로직에 의해 수행된다.
검사 데이터로부터 관련된 속성 값들을 추출한 이후, ADC 머신(26)은 미리 정의된 클래스들의 리스트 중 하나에 각각의 결함을 할당하도록 시도한다. 이 목적을 위해 ADC 머신(26)은 단일-클래스 및 다중-클래스 식별자들을 포함하는 다수의 분류자들을 실행시킬 수 있다. 신뢰성의 충분한 레벨(sufficient level of confidence)을 갖는 ADC 머신(26)에 의해 분류될 수 없는 결함들은 추가의 분류 결과들을 제공하기 위해 다른 검사 양상(inspection modality)에 전달되거나, 가시적인 분류를 위해 인간 검사자에게 출력될 수 있다. 이어지는 실시예들은 예시 및 명확성을 위해 시스템(20)의 ADC 머신(26) 및 다른 엘리먼트들을 참조하여 기술될 것이지만, 이들 실시예들의 원리들은 마찬가지로 결함 분류의 속성 값들을 컴퓨팅 및 이용하는 임의의 분류 시스템에서 구현될 수 있다.
도 2a는 ADC를 위한 방법의 실시예의 흐름도이다. 도 2a의 방법은 하드웨어(회로, 전용 로직 등), 소프트웨어(범용 컴퓨터 시스템 또는 전용 머신 상에서 실행되는 것과 같은), 또는 이들 둘의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행된다. 일 실시예에서, 도 2a의 방법은 도 1의 ADC 머신(26)에 의해 수행된다.
블록(40)에서, 프로세싱 로직은 그의 값들 컴퓨팅되는 결함 속성들의 정의들을 수신한다. 결함 속성들은 ADC 머신의 운용자 또는 사용자에 의해 정의될 수 있고, 경험적 경험(empirical experience) 또는 관심있는 결합들의 타입에 기초하여 변경, 보충 또는 조정될 수 있다. 속성들은 CAD-관련 콘택스트 속성들, 택스처 속성들, 3D 형상 속성들 등을 포함할 수 있다.
CAD-관련 콘텍스트 속성들은 오버랩 퍼센티지, 오버랩 계층들의 수, 상대적인 평균 그레이 레벨(GL), 인터섹션, 브리징, 가장 가까운 세그먼트, 가장 가까운 세그먼트 거리 등을 포함할 수 있다. 오버랩 퍼센티지 콘텍스트 속성은 결함과 다양한 계층 세그먼트들 간의 오버랩 퍼센티지를 정의할 수 있다. 예를 들어, 오버랩 퍼센티지 콘텍스트 속성 값 0은, 결함과 다양한 계층 세그먼트들이 오버랩핑되지 않은 것을 의미할 수 있고, 오버랩 퍼센티지 콘텍스트 속성 값 1은, 결함과 다양한 계층 세그먼트들이 전적으로 오버랩핑되고 있다는 것을 의미할 수 있다. 오버랩 계층들의 수 콘텍스트 속성은 결함과 상당히 오버랩핑되는 계층들의 수를 정의할 수 있다. 상대적인 평균 GL 콘텍스트 속성은, 결함에 대한 다양한 계층 세그먼트들의 SEM 이미지들의 평균 그레이 레벨들 간의 차를 정의할 수 있다. 인터섹션 콘텍스트 속성은 결함과 다양한 계층 세그먼트들 간의 인터섹션들의 수를 정의할 수 있다. 브리징 콘텍스트 속성은, 결함이 상이한 계층 세그먼트들을 브리징하는 확률을 정의할 수 있다. 가장 가까운 세스먼트 콘텍스트 속성은, 결함 마스크에 대해 가장 가까운 세그먼트의 라벨을 포함할 수 있다. 가장 가까운 세그먼트 거리 속성은 가장 가까운 세그먼트에 대한 거리를 (예를 들어, 나노미터 단위로) 정의할 수 있다.
텍스쳐 속성들은 토포그래피컬 평균 그래디언트, 그래디언트 밀도, 2D 인덱스, 패턴 방향, RMS 포리노미얼 피트 등을 포함할 수 있다. 토포그래피컬 평균 그래디언트 텍스트 속성은 결함 마스크 상의 평균 토포그래피컬 그래디언트 크기를 정의할 수 있다. 그래디언트 밀도 텍스쳐 속성은 결함 마스크 상에 높은 토포그래피컬 그래디언트 크기를 갖는 픽셀들의 밀도를 정의할 수 있다. 2D 인덱스 텍스쳐 속성은 결함 영역 내 텍스쳐의 질서(동일한 방향으로 배향된 에지들) 또는 무질서 또는 결함 표면이 1D에 얼마나 가까이 있는지(예를 들어, 결함 표면에 대한 거리)를 정의할 수 있다. 예를 들어, 2D 인덱스 텍스쳐 속성에 대한 1의 값은, 결함이 등방성이거나 또는 2D라는 것을 의미할 수 있는 반면, 2D 인덱스 텍스쳐 속성에 대한 더 낮은 값은 결함이 1D라는 것을 의미할 수 있다. 패턴 방향 텍스쳐 속성은 결함 표면의 최소 변화의 방향을 정의할 수 있다. RMS 폴리노미얼 피트 텍스쳐 속성은, 폴리노미얼 피팅 이후에 남아있는 토포그래피컬 결함 표면의 평균 로컬 변화를 정의할 수 있다.
3D 형상 속성들은 X 배향, Y 배향, 최대 곡률, 평균 곡률, 리지 밸리(ridge valley) 배향, 폴리노미얼 피트로부터의 크리에이터 범프, 토포그래피로부터의 크리에이터 범프 등을 포함할 수 있다. X 배향 3D 형상 속성은 폴리노미얼 피팅에 기초하여 결함의 토포그래피컬 슬로프의 X-컴포넌트를 정의할 수 있다. Y 배향 3D 형상 속성은 폴리노미얼 피팅에 기초하여 결함의 토포그래피컬 슬로프의 Y-컴포넌트를 정의할 수 있다. 최대 곡률 3D 형상 속성은 폴리노미얼 피팅에 기초하여 토포그래피컬 결함 표면의 최대 3D 곡률을 정의할 수 있다. 평균 곡률 3D 형상 속성은 폴리노미얼 피팅에 기초하여 토포그래피컬 결함 표면의 평균 3D 곡률을 정의할 수 있다. 리지 밸리 배향 3D 형상 속성은 폴리노미얼 피팅에 기초하여 토포그래피컬 결함 표면의 리지의 배향을 정의할 수 있다. 폴리노미얼 피트 3D 형상 속성으로부터의 크리에이터 범프는 결함에 대한 크리에이터 범프가 오목형인지 또는 볼록형인지 여부를 정의할 수 있다. 토포그래피 3D 형상 속성으로부터의 크리에이터 범프는 결함의 평균 높이와 결함의 환경에 있어서의 차이를 (예를 들어, 픽셀 단위로 측정된 것으로) 정의할 수 있다.
블록 42에서, 프로세싱 논리는, 분류될 결함들에 대한 검사 데이터를 (예를 들어, 검사 머신(24)으로부터) 수신한다. 일부 실시형태들에서, 검사 데이터는 검사들의 이미지들을 포함하고, 3D 맵의 부분들에 대응하는 3D 이미지들을 포함할 수 있다. 일부 실시형태들에서, 이미지들은 SEM 이미지들이다. 대안적인 실시형태들에서, 이미지들은 광학 이미지들과 같은 다른 타입들의 이미지들이다 (결함들 및 다른 이미지 특징들이 광학 이미징으로 수정가능한 사이즈임을 가정함).
블록 44에서, 프로세싱 논리는 각각의 결함에 대한 속성 값들을 계산한다. 프로세싱 논리는 다양한 이미지 프로세싱 동작들을 이용하여 속성 값들을 계산할 수 있으며, 이 속성 값들 중 일부는 본 기술에 공지되어 있다. 속성 값들은, 콘텍스트-관련 속성들, 3D 형상 속성들, 및 텍스쳐 속성들과 같은 속성들에 대해 계산될 수 있다. 일부 실시형태들에서, 속성 값들의 벡터는, 각각의 결함에 대해 계산된 속성 값들로부터 각각의 결함에 대해 생성된다. 속성 값들의 벡터는 속성 하이퍼-공간 내 위치로 그 결함을 맵핑할 수 있다.
블록 45에서, 프로세싱 논리는, 입력 이미지들에서 나타나는 형상들의 패턴을 패턴의 생성 시에 사용되었던 CAD 데이터 내 대응하는 형상과 함께 등록함으로써 콘텍스트-관련 속성들에 대한 속성 값들을 계산한다. 콘텍스트-관련 속성들에 대한 속성 값들을 계산하는 실시형태들이 도 4 및 도 5와 관련하여 아래에 더욱 상세하게 기술된다.
블록 46에서, 프로세싱 논리는 결함의 영역의 3D 맵으로부터 3D 형상 및 텍스쳐 속성들에 대한 속성 값들을 계산한다. 3D 맵은, 상기 설명된 바와 같이, SEM 데이터로부터 유도될 수 있다. 3D 형상 및 텍스쳐 속성들에 대한 속성 값들을 계산하는 실시형태들이 도 3a 및 도 3b와 관련하여 아래에 더욱 상세하게 설명된다.
블록 48에서, 프로세싱 논리는 결함에 대한 속성 값들의 벡터에 기초하여 각각의 결함을 분류한다. 일 실시형태에서, 프로세싱 논리는 각각의 결함을 특정 클래스에 자동으로 할당한다. 일 실시형태에서, 자동 분류가 불확실한 경우, 프로세싱 논리는 결함들을 사람 검사자에게 전달한다.
도 2b 및 도 2c는, 본 발명의 대안적인 실시형태들에 따라, ADC에 대한 방법들을 개략적으로 예시하는 흐름도들이다. 도 2b 및 도 2c의 방법들은, 하드웨어(회로소자, 전용 논리 등), 소프트웨어(이를 테면, 범용 컴퓨터 시스템 또는 전용 머신 상에서 실행되는 소프트웨어), 또는 이 양자의 조합을 포함할 수 있는 프로세싱 논리에 의해 실시된다. 일 실시형태에서, 도 2b의 방법은 도 1의 ADC 머신(26)에 의해 실시된다. 일 실시형태에서, 도 2c의 방법은 도 1의 ADC 머신(26)에 의해 실시된다. 도 2b에서, (도 2a의 블록(45)에서 상술된 바와 같이) 단지 콘텍스트-관련 속성들만이 결함들의 분류 시에 사용된다. 도 2c에서, (도 2a의 단계(46)에서 상술된 바와 같이) 단지 형상과 텍스쳐 속성들만이 사용된다. 이러한 대안적인 실시형태들은, 단계들(45 및 46)에서 계산된 속성들이 서로와 무관하게 유도되고 적용될 수 있다는 것을 보여준다.
도 3a는 반도체 웨이퍼 상의 결함의 예시적 3D 맵을 도시한다. 도 3b는 반도체 웨이퍼 상의 결함의 3D 맵에 피팅(fitting)되는 다항식 표면을 도시한다. 도 3a를 참조하면, 맵(50)은 위에서 설명된 바와 같이 SEM 데이터로부터 계산될 수 있다. 도 3b를 참조하면, 표면(52)은 일반 형태
Figure pat00001
의 3차 다항식에 의해 정의되고, 상기 다항식의 계수들(Ci)은 맵(50)에 대한 최소 자승 피팅(least-squares fitting)에 의해 계산된다. 일 실시예에서, 파라메트릭 표면을 제공하기 위해, ADC 머신(26)은 르젠드르 다항식들의 곱들의 시퀀스
Figure pat00002
의 계수들을 피팅시킬 수 있다. 대안적인 실시예들에서, (임의의 차수의) 다항식들과 다른 함수 타입들 둘 다를 포함하는 다른 타입들의 파라메트릭 표면들이 맵에 피팅될 수 있다. 몇몇의 실시예들에서, 표면 파라미터들을 추출하기 위해, 기술분야에 알려진 바와 같은 표면 분석의 다른 방법들이 사용될 수 있다.
표면(52)은 세 개의 컴포넌트들을 사용하여 정의될 수 있다:
S = P + I + L, 여기서
평면(P),
적분 비-평면(I), 및
지역적 비-평면(L).
평면 컴포넌트는 적분 3D 배향(integral 3D orientation)을 정의하고, 상기 적분 3D 배향은 X 배향 3D 형상 속성 및 Y 배향 3D 형상 속성을 측정하기 위해 사용될 수 있다. 이들 속성들은, 예컨대 웨이퍼 상의 패턴의 엘리먼트들 사이를 브릿지하는 플레이크(flake)-형 결함들을 식별하고 그리고 패턴과 입자들 사이를 구별하기 위해 사용될 수 있다.
적분 비-평면은 전체 지형학적 형상을 정의하고, 그리고 최대 곡률 3D 형상 속성, 평균(mean) 곡률 3D 형상 속성, 릿지 밸리(ridge valley) 배향 3D 형상 속성, 다항식 피팅 3D 형상 속성들로부터의 크레이터 범프(crater bump), 그리고 토폴로지 3D 형상 속성으로부터의 크레이터 범프를 정의하기 위해 사용될 수 있다. 적분 비-평면은, 곡률의 축(axes)의 크기(곡률의 반경들) 및 배향뿐만 아니라, 지형학적 형상의 볼록함 또는 오목함과 같은 정보를 포함한다. 이들 특징들은, 예컨대 범프들과 크레이터들 사이 그리고 플레이크들과 더욱 둥글게 된 입자들 사이를 구별하기 위해 사용될 수 있다.
지역적 비-평면은 지형학적 거침(roughness) 및 다른 텍스쳐(texture)-관련 속성들을 정의하고, 그리고 텍스쳐 속성들을 결정하기 위해 사용될 수 있다. 몇몇의 실시예들에서, 비-평면은 실제 결함 표면(맵(50))과 피팅된 표면(표면(52)) 사이의 차이로부터 계산된다. 표면 기울기의 평균(mean) 크기는, 지형학적 평균(mean) 경사(gradient) 텍스쳐 속성을 정의하기 위해 사용될 수 있다. 결함 구역에 걸친 경사 밀도(에지들로서 분류된 픽셀들의 개수)는, 경사 밀도 텍스쳐 속성을 정의하기 위해 사용될 수 있다. 텍스쳐 속성들은, 결함 타입 및 컴포지션에 관한 정보를 제공하기 위해 사용될 수 있다. 결함 구역 내의 텍스쳐의 질서(order)(동일한 방향으로 배향된 에지들) 또는 무질서(disorder)를 측정하기 위해 2D 인덱스 텍스처 속성이 계산될 수 있다.
도 4는 결함의 예시적인 개략적인 평면도를 도시한다. 결함(68)이 반도체 웨이퍼(60) 상의 패턴(62)에 겹쳐지고, 결함 콘텍스트 속성들의 계산이 도시된다. 패턴(62)은, 일차 패턴 세그먼트들(64)로서 지칭되는 전도 라인들 그리고 이차 패턴 세그먼트들(66)로서 지칭되는 기저 패턴 컴포넌트들과 같은 함수 표면 엘리먼트들을 포함한다. 몇몇의 실시예들에서, ADC 머신(예컨대, 도 1의 ADC 머신(26))은, 위에서 설명된 바와 같이 패턴의 레이아웃을 정의하는 대응하는 CAD 데이터를 이용하여, SEM 이미지와 같은 웨이퍼 표면의 이미지를 등록(register)하고 그리고 그런 다음에 이미지를 따라서 세그먼트함으로써, 이들 패턴 세그먼트들을 식별한다. CAD 데이터는 세그먼트된 SEM 이미지 내 각각의 패턴 세그먼트에 관한 부가적인 함수 정보를 제공하고, 상기 각각의 패턴 세그먼트는, 이들 함수 패턴들과의 각자의 공간 관계에 의해 결함 타입들을 특징짓는 특정 속성들을 정의할 때 ADC 사용자에 의해 사용될 수 있다.
자동화된 또는 수동의 결함 검출 절차는 결함(68)에 의해 덮이는 구역을 식별할 수 있고, 상기 구역은 "결함 마스크"로서 지칭된다. 그런 다음, ADC 머신은 결함들과 부근 패턴 세그먼트들 사이의 공간 관계들로부터 콘텍스트-기반 속성들의 값들을 도출할 수 있다. 일 실시예에서, ADC 머신은 오버랩 퍼센티지 콘텍스트 속성을 계산하고, 상기 오버랩 퍼센티지 콘텍스트 속성은, 웨이퍼(60)의 비-패턴(배경) 구역들과 대조적으로, 결함(68)이 일차 및 이차 패턴 세그먼트들(64 및 66)에 오버랩되는 범위를 측정한다. 예컨대, 결함(68)은 0.3 나노미터만큼 일차 패턴 세그먼트(64)에 오버랩될 수 있고, 결함(68)은 0.1 나노미터만큼 이차 패턴 세그먼트(66)에 오버랩될 수 있고, 그리고 결함(68)은 0.6 나노미터만큼 웨이퍼(60)의 배경 구역들에 오버랩될 수 있다. 일 실시예에서, ADC 머신은, 결함에 의해 오버랩된 상이한 계층들의 개수를 측정함으로써, 오버랩 계층들의 개수 콘텍스트 속성을 측정한다. 예컨대, 결함(68)에 대한 오버랩 계층들의 개수는 3개 계층들이다:일차 패턴 세그먼트(64), 이차 패턴 세그먼트(66), 및 웨이퍼(60)의 배경 구역들.
또한, ADC 머신은 상대 평균(relative mean) GL 콘텍스트 속성을 계산할 수 있다. 상대 평균 GL 콘텍스트 속성 값은 패턴 콘텍스트에 대한 결함의 그레이 레벨(GL)에 기초하여 계산될 수 있다. 일 실시예에서, 각각의 결함에 대해, ADC 머신은 세 개의 엘리먼트들의 벡터를 계산할 수 있고, 상기 세 개의 엘리먼트들 각각은 이미지 내 각각의 패턴 또는 배경 세그먼트의 평균(mean) 그레이 레벨과 결함 평균(mean) 그레이 레벨 사이의 차이에 대응한다. 예컨대, 벡터는 일차 패턴 세그먼트(64), 이차 패턴 세그먼트(66), 및 웨이퍼(60)의 배경 구역들에 대해 평균(mean) 그레이 레벨과 결함 평균(mean) 그레이 레벨 사이의 차이를 포함할 수 있다. 일 실시예에서, 벡터는 공식
Figure pat00003
(i=1,2,3)을 이용하여 계산되고, 여기서 μ는 세그먼트(i)에 대한 평균(average) 그레이 레벨을 표현한다.
더욱 일반적으로 말하자면, ADC 머신은 CAD 데이터 내 세그먼트의 임의의 속성의 값을 계산할 수 있다. 도 6a, 도 6b, 도 7 및 도 8과 함께 아래에서 설명되는 바와 같이, CAD 데이터 내 세그먼트는, 패턴에 대응하는, 계층에 관련된 일부분, 또는 패턴에 대응하는 계층이 아닌 다른 계층에 관련된 일부분, 뿐만 아니라 이미지의 시야(FOV) 밖에 있는 하나 또는 그 초과의 위치들에 대응하는 데이터 엘리먼트들을 포함할 수 있다. 몇몇의 실시예들에서, ADC 머신은 CAD 데이터 내 세그먼트들에 대응하는 이미지 내 픽셀들에 하나 또는 그 초과의 라벨들을 적용시킬 수 있고, 그리고 그런 다음에 상기 라벨들에 기초하여 픽셀들 중 하나 또는 그 초과를 선택할 수 있고 그리고 선택된 픽셀들에 대해 특정 속성들의 개별 값들을 계산할 수 있다.
도 5는 본 발명의 추가적 실시예들에 따른, 다른 결함 콘텍스트 속성들의 계산을 예시하는, 반도체 웨이퍼(70) 상의 패턴 세그먼트들(72)에 중첩하는 결함들(74 및 76)의 예시적인 개략적 상면도를 예시한다. 인터섹션(intersection) 콘텍스트 속성은 패턴 세그먼트들(72)과의 결함의 인터섹션들의 수이다. 이 실시예에서, 결함(74)은 그것이 2개의 패턴 세그먼트들(72)에 교차(intersect)하기 때문에 2의 인터섹션 콘텍스트 속성 값을 갖는 반면, 결함(76)은 그것이 어떤 패턴 세그먼트들(72)과도 교차하지 않기 때문에 0의 인터섹션 콘텍스트 속성 값을 갖는다.
다른 콘텍스트 속성들은 패턴의 엘리먼트들과 결함 사이의 거리에 관련될 수 있다. 일 실시예에서, ADC 머신은 결함이 2개의 패턴 세그먼트들을 브릿징하는 확률을 계산함으로써 브릿징 콘텍스트 속성을 결정하고, 따라서 단락(short-circuit)되기 쉽다. 결함(74)에 대해, 결함(74)이 패턴 세그먼트들(72) 중 2개의 패턴 세그먼트들을 가로지르기(cross) 때문에, 브릿징 콘텍스트 속성의 값은 1(또는 거의 1)이다. 일 실시예에서, ADC 머신은 인접 패턴 에지들과 결합의 에지들 사이의 거리(통상적으로 나노미터 단위)의 함수로서(as a function of) 확률을 계산함으로써, 더 작은 결함들에 대한 브릿징 콘텍스트 속성을 결정한다. 이 실시예에서, 거리가 더 멀수록, 브릿징의 확률은 더 작아진다. 예를 들어, 결함(76)에 대한 브릿징 콘텍스트 속성은 결함(76)의 우측에 패턴 세그먼트(72)에 대하여 1에 가까울 수 있는데, 이는 패턴 세그먼트(72)의 에지와 결함(76)의 에지 사이의 거리가 가깝기 때문이다. 그러나 이 실시예에서, 결함(76)에 대한 브릿징 콘텍스트 속성은 결함(76)의 좌측에 패턴 세그먼트(72)에 대하여 0에 가까울 수 있는데, 이는 패턴 세그먼트(72)의 에지와 결함(76)의 에지 사이의 거리가 가깝지 않기 때문이다.
ADC 머신은 결함에 가장 가까운 패턴 세그먼트의 타입을 사용하여 가장 가까운 세그먼트 콘텍스트 속성을 결정할 수 있다. 가장 가까운 세그먼트 거리 콘텍스트 속성은 결함으로부터 패턴 세그먼트까지의 거리를 측정한다. 이제 도 6a 및 6b에 대한 참조가 이루어지며, 도 6a 및 6b는 본 발명의 실시예에 따라, 주어진 영역의 이미지에서 가시적(visible)이지 않은 피쳐들에 기반하여 결함 속성들을 계산하는데 CAD 데이터를 사용하기 위한 방법의 일 실시예를 개략적으로 예시한다. 이 방법을 예시하기 위한 목적으로, 도 6a는 반도체 웨이퍼(80) 상에 형성되는 콘택 홀들(82)의 패턴의 개략적 상면도이다. 도 6b는 웨이퍼 상의 하부 구조물들과 패턴 사이의 연관성을 보여주는, 웨이퍼(80)의 일부의 개략적 단면도이다. 구체적으로 말하면, 웨이퍼(80)의 상부 층(84)에서 2개의 콘택 홀들(82)에 대해, 좌측 상의 홀은 제1 하부 구조물(86)에 액세스하는 반면, 우측 상의 홀은 상이한 하부 구조물(88)에 액세스한다.
웨이퍼(80)의 표면 아래의 층들은 도 6a에 도시된 상면도에서 가시적이지 않으며, 도 6a는 광학적 또는 SEM 검사 머신에 의하여 생성되는 이미지들에서 통상적으로 제공되는 뷰(view)의 종류이다. 따라서, 콘택 홀들(82) 중 하나의 콘택 홀 내부의 또는 그 근처의 그러한 이미지에서 결함이 관찰되면, 이 특정 홀이 어느 하부 구조물에 접촉하는지를 이미지로부터 결정하는 것이 불가능하다. 도 6b에 표현되는 바와 같은 미싱(missing) 데이터가 CAD 데이터로부터 ADC 머신에 의하여 도출되며, 이는 상부 층(84) 및 하부 구조물들(86 및 88) 양자 모두를 포함한다: 일단 검사 이미지 및 CAD 데이터가 등록되었으면, CAD 데이터는 결함이 관찰되는 콘택 홀이 하부 구조물(86 또는 88)과 연통하는지(communicate) 여부를 표시할 수 있다. 따라서, ADC 머신은 결함이 식별되는 실제 이미지에서 비-가시적인(invisible) 웨이퍼(80)의 표면 아래의 구조물들에 기반하여 결함의 속성을 계산할 수 있다.
도 7은 본 발명의 실시예에 따른, 라인들(92 및 94)의 패턴의 상이한 엘리먼트들에 중첩되는 결함들(96 및 98)을 보여주는, 반도체 웨이퍼(90) 상의 라인들(92 및 94)의 패턴의 예시적인 개략적 상면도이다. 라인들(92)은 서로 연결되는 반면, 라인들(94)은 서로 독립적이다. 검사 머신은 영역들(100 및 102)과 같은 웨이퍼 표면의 영역들의 이미지들을 캡쳐한다. 이들 이미지들 내에서, 라인들(92 및 94)은 실질적으로 구별하는 것이 불가능한데, 이는 이미지들 단독으로부터 라인들이 서로 연결되는지 그리고 독립적인지 결정하는 것이 불가능하기 때문이다. 라인들(92)의 접속부들은 검사 데이터에서 가시적이지 않은데, 이는 그들이 영역들(100 및 102)의 이미지들의 시계(FOW: fields of view) 밖에 있기 때문이다.
등록된 CAD 데이터는 영역들(100 및 102)의 이미지 외부의 웨이퍼(90)의 영역들을 커버한다. 따라서, ADC 머신은 결함들(96 및 98)의 속성들의 계산에서 그리고 이미지들에서 나타나는 라인들(92 및 94)을 구별하기 위하여 CAD 데이터를 사용한다. 예를 들어, 브릿징 속성은 상이한 회로 엘리먼트들 사이의 브릿지로서 결함(96)을 식별할 것인데, 이는 결함이 2개의 독립적 라인들(94)을 브릿징하기 때문이다. 이 실시예에서, 결함(98)의 브릿징 속성은 넌-브릿징(non-bridging)의 값(예를 들어, 0에 가까운)을 가질 것인데, 이는 결함(98)이 가로지르는 라인들(92)이 구조적으로 서로 연결되기 때문이다.
도 8은 본 발명의 실시예에 따른 다중-층 구조물(118)에 근접한 결함(120)을 보여주는, 반도체 웨이퍼(110)의 예시적인 개략적 상면도이다. 도 8에서, 3개의 상이한 층들(112, 114, 116)의 웨이퍼 표면 상에 엘리먼트들이 형성된다. CAD 데이터는 결함 분석에 있어서 중요한, 층들(114 및 116)의 엘리먼트들을 포함하는 다중-층 구조물(118)을 식별하기 위하여 ADC 머신의 연산자(operator)를 인에이블시킨다. 다중-층 구조물(118)은 중요한데, 이는 그것이 인근의 결함들, 특히 결함-성향이 있는 것 등에 대해 특히 민감하기 때문이다. 몇몇 실시예들에서, ADC 머신은 CAD 데이터의 중요한 다중-층 구조물들을 자동적으로 식별한다.
일단 구조물(118)이 CAD 데이터에서 식별되었으면, ADC 머신은 결함(120)의 구조-특정 속성들을 계산할 수 있다. ADC 머신은 CAD 데이터로 등록되는 이미지의 대응 구조물을 식별하고, 그 후 이미지에서 구조물에 대한 결함(120)의 공간적 관계(예를 들어, 중첩 퍼센트 속성들 등)에 기반하여 구조-특정 속성을 계산한다.
상기 설명된 실시예들은 구체적으로 SEM 이미지들에 기반한 결함 분류에 관련되나, 본 발명의 원리들은 광학적 이미지들과 같은 다른 수단에 의해 획득된 결함 이미지들에 유사하게 적용될 수 있다. 광학적 검사에서, 이미지의 관심 영역(area of interest)들은 CAD 정보에 따라 식별될 수 있으며, 그 후 더 높은 검출 민감도로 스캐닝될 수 있다.
도 9는 머신의 도면을 컴퓨터 시스템(900)의 예시적인 형태로 도시하고, 머신으로 하여금 본 명세서에서 논의된 방법들 중 임의의 하나 또는 그 초과를 수행하게 하기 위한 명령들의 세트가 머신 내에서 실행될 수 있다. 대안적인 실시예들에서, 머신은 LAN, 인트라넷, 익스트라넷 또는 인터넷에서 다른 머신들에 접속(예를 들어, 네트워킹)될 수 있다. 머신은, 클라이언트-서버 네트워크 환경에서 서버 또는 클라이언트 머신의 용량 내에서 동작할 수 있거나, 또는 피어-투-피어(또는 분산된) 네트워크 환경에서 피어 머신으로서 동작할 수 있다. 머신은 개인용 컴퓨터(PC), 태블릿 PC, 셋탑 박스(STB), 개인 휴대 정보 단말(PDA), 셀룰러 전화, 웹 기기, 서버, 네트워크 라우터, 스위치 또는 브릿지, 또는 임의의 머신에 의해 행해질 동작들을 특정하는 명령들(순차적 또는 다른 방식)의 세트를 실행할 수 있는 그러한 임의의 머신일 수 있다. 추가로, 오직 단일 머신이 도시되었지만, "머신"이라는 용어는 또한, 본 명세서에서 논의되는 방법들 중 임의의 하나 또는 그 초과를 수행하기 위한 명령들의 세트(또는 다수의 세트들)를 개별적으로 또는 함께 실행하는 머신들의 임의의 집합을 포함하는 것으로 받아들여질 것이다.
예시적인 컴퓨터 시스템(900)은, 버스(930)를 통해 서로 통신하는, 프로세싱 디바이스(프로세서)(902), 메인 메모리(904)(예를 들어, 판독 전용 메모리(ROM), 플래쉬 메모리, 동적 랜덤 액세스 메모리(DRAM), 예를 들어 동기식 DRAM(SDRAM), 더블 데이터 레이트(DDR SDRAM) 또는 DRAM(RDRAM) 등), 정적 메모리(906)(예를 들어, 플래쉬 메모리, 정적 랜덤 액세스 메모리(SRAM) 등) 및 데이터 저장 디바이스(918)를 포함한다.
프로세서(902)는 마이크로프로세서, 중앙 처리 장치 등과 같은 하나 또는 그 초과의 범용 프로세싱 디바이스들을 표현한다. 더 구체적으로, 프로세서(902)는 CISC(complex instruction set computing) 마이크로프로세서, RISC(reduced instruction set computing) 마이크로프로세서, VLIW(very long instruction word) 마이크로프로세서, 또는 다른 명령 세트들을 구현하는 프로세서 또는 명령 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세서(902)는 또한 주문형 집적 회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서 등과 같은 하나 또는 그 초과의 특수 목적 프로세싱 디바이스들일 수 있다. 프로세서(902)는 본 명세서에서 논의되는 동작들 및 단계들을 수행하기 위한 명령들(922)을 실행하도록 구성된다.
컴퓨터 시스템(900)은 네트워크 인터페이스 디바이스(908)를 더 포함할 수 있다. 컴퓨터 시스템(900)은 또한 비디오 디스플레이 유닛(910)(예를 들어, 액정 디스플레이(LCD) 또는 음극선관(CRT)), 영숫자(alphanumeric) 입력 디바이스(912)(예를 들어, 키보드), 커서 제어 디바이스(914)(예를 들어, 마우스) 및 신호 생성 디바이스(916)(예를 들어, 스피커)를 포함할 수 있다.
데이터 저장 디바이스(918)는, 본 명세서에서 설명된 방법들 또는 기능들 중 임의의 하나 또는 그 초과를 구현하는 명령들(922)(예를 들어, 소프트웨어)의 하나 또는 그 초과의 세트들이 저장되는 컴퓨터 판독가능 저장 매체(924)를 포함할 수 있다. 명령들(922)은 또한, 컴퓨터 판독가능 저장 매체를 또한 구성하는 컴퓨터 시스템(900), 메인 메모리(904) 및 프로세서(902)에 의해 명령들의 실행 동안 메인 메모리(904) 내에서 및/또는 프로세서(902) 내에서 완전히 또는 적어도 부분적으로 상주할 수 있다. 명령들(922)은 추가로, 네트워크 인터페이스 디바이스(908)를 이용하여 네트워크(920)를 통해 송신 또는 수신될 수 있다.
일 실시예에서, 명령들(922)은, CAD-기반 컨텍스트 속성들을 사용하는 결함 분류를 위한 명령들 및/또는 CAD-기반 컨텍스트 속성들을 사용하는 결함 분류를 위한 명령들을 포함하는 모듈을 호출하는 방법을 포함하는 소프트웨어 라이브러리를 포함한다. 일 실시예에서, 명령들(922)은, CAD-기반 컨텍스트 속성들을 사용하는 결함 분류를 위한 명령들 및/또는 CAD-기반 컨텍스트 속성들을 사용하는 결함 분류를 위한 명령들을 호출하는 방법들을 포함하는 소프트웨어 라이브러리를 포함한다. 컴퓨터 판독가능 저장 매체(924)(머신 판독가능 저장 매체)는 예시적인 실시예에서 단일 매체인 것으로 도시되어 있지만, "컴퓨터 판독가능 저장 매체"라는 용어는 명령들의 하나 또는 그 초과의 세트들을 저장하는 단일 매체 또는 다수의 매체(예를 들어, 중앙식 또는 분산식 데이터베이스, 및/또는 연관 캐쉬들(associated caches) 및 서버들)를 포함하는 것으로 받아들여져야 한다. "컴퓨터 판독가능 저장 매체"라는 용어는 또한, 머신에 의한 실행을 위한 명령들의 세트를 저장, 인코딩 또는 전달할 수 있고, 그리고 머신으로 하여금 본 발명의 방법들 중 임의의 하나 또는 그 초과를 수행하게 하는 임의의 매체를 포함하는 것으로 받아들여질 것이다. 그에 따라, "컴퓨터 판독가능 저장 매체"라는 용어는, 솔리드 스테이트 메모리들, 광학 매체 및 자기 매체를 포함하는 것으로(그러나 이에 한정되지 않음) 받아들여질 것이다.
상기 설명에서, 많은 세부사항들이 설명된다. 그러나 본 발명이 이러한 특정한 세부사항들 없이도 실시될 수 있다는 것은, 본 개시의 이점을 아는 당업자에게 명백할 것이다. 일부 경우들에, 주지의 구조들 및 디바이스들은 본 발명을 불명료하게 하는 것을 피하기 위하여 상세히 설명하는 대신 블록도의 형태로 도시된다.
상세한 설명의 일부 부분들은 컴퓨터 메모리 내에서 데이터 비트들에 대한 동작들의 알고리즘들과 기호적 표현들에 관하여 제시된다. 이들 알고리즘의 설명들과 표현들은 데이터 프로세싱 기술분야들의 당업자들이 그 기술분야의 다른 당업자들에게 이들 작업의 본질을 가장 효과적으로 전달하기 위해서 사용되는 수단이다. 여기서, 알고리즘은 일반적으로, 원하는 결과로 이어지는 일관된 순서의 단계들인 것으로 여겨진다. 상기 단계들은 물리적 분량(quantity)들의 물리적 조작들을 요구하는 것들이다. 필수적이지는 않지만, 일반적으로 이러한 분량들은 저장, 전달, 조합, 비교, 및 그렇지 않으면 조작될 수 있는 전기적 또는 자기적 신호들의 형태를 취한다. 이러한 신호들을, 비트들, 값들, 요소들, 심볼들, 캐릭터들(characters), 용어들(terms), 수들(numbers) 등으로서 참조하는 것이 주로 통상의 용법(usage)의 이유들로 때때로 편리한 것으로 증명되었다.
그러나 모든 이러한 및 유사한 용어들은 적절한 물리적 분량들과 연관되고 그리고 이러한 분량들에 적용되는 편리한 라벨(label)들일 뿐임을 유념하여야 한다. 이하의 논의로부터 명백한 바와 같이, 특별히 달리 언급되지 않는다면, 명세서 전반에 걸쳐 "식별", "제시", "업데이트", "결정", "실행", "제공", "수신" 등과 같은 용어들을 사용하는 논의들은, 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리적(예를 들어, 전자적) 분량들로서 표현되는 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보의 저장, 전송 또는 디스플레이 장치들 내의 물리적 분량들로서 유사하게 표현되는 다른 데이터로 변환 및 조작하는 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 디바이스의 작동들 및 프로세스들을 나타내는 것이 인식된다.
또한, 본 발명은 본 명세서의 동작들을 수행하기 위한 장치에 관한 것이다. 이 장치는, 요구되는 목적들을 위해 구성될 수 있거나, 또는 컴퓨터에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화 또는 재구성되는 범용 컴퓨터를 포함할 수 있다. 이러한 컴퓨터 프로그램은 플로피 디스크들, 광학 디스크들, CD-ROM들 및 광자기 디스크들을 포함하는 임의의 타입의 디스크, ROM들(Read-Only Memories), RAM들(Random Access Memories), EPROM들, EEPROM들, 자기 또는 광학 카드들, 또는 전자적 명령들을 저장하기에 적합한 임의의 타입의 매체와 같은(그러나 이에 한정되는 것은 아님) 컴퓨터 판독가능 저장 매체에 저장될 수 있다.
상기 설명은 도해적이며, 비제한적인 것으로 의도됨이 이해될 것이다. 상기 설명을 읽고 이해할 때 당업자들에게 많은 다른 실시예들이 명확할 것이다. 따라서 본 발명의 범위는 첨부된 청구항들을 참조하여, 그러한 청구항들에 할당된 균등물들의 전체 범위와 함께 결정되어야 한다.

Claims (15)

  1. 분류를 위한 방법으로서,
    패턴이 위에 형성된 반도체 웨이퍼의 영역의 이미지를 컴퓨터 시스템에 의해 수신하는 단계 ― 상기 영역은 관심 있는 이미지 위치를 포함함 ―;
    상기 패턴에 관련된 컴퓨터-이용 설계(CAD) 데이터를 상기 컴퓨터 시스템에 의해 수신하는 단계 ― 상기 CAD 데이터는 상기 관심 있는 이미지 위치에 대응하는 관심 있는 CAD 위치를 포함함 ―; 및
    상기 CAD 데이터에 대한 상기 관심 있는 CAD 위치의 컨텍스트(context)에 기초하여, 상기 관심 있는 이미지 위치의 하나 또는 둘 이상의 속성들에 대한 적어도 하나의 값을 상기 컴퓨터 시스템에 의해 연산하는 단계
    를 포함하는,
    분류를 위한 방법.
  2. 제 1 항에 있어서,
    상기 관심 있는 이미지 위치는 적어도 하나의 피쳐(feature)를 포함하고, 상기 적어도 하나의 피쳐는 복수의 피쳐들로부터 선택되고, 상기 복수의 피쳐들은, 결함, 프로세스 변화, 및 관심 있는 설계를 포함하며,
    상기 방법은,
    상기 하나 또는 둘 이상의 속성들에 대한 상기 적어도 하나의 값에 기초하여, 상기 관심 있는 이미지 위치에서의 결함을 자동적으로 분류하는 단계를 더 포함하는,
    분류를 위한 방법.
  3. 제 1 항에 있어서,
    상기 적어도 하나의 값을 연산하는 단계는,
    상기 CAD 데이터에 의해 식별된 하나 또는 둘 이상의 기능적인(functional) 세그먼트들과 상기 관심 있는 이미지 위치 사이의 공간적인 관계와 연관된 속성의, 사용자로부터의 정의를 수용하는 단계를 포함하는,
    분류를 위한 방법.
  4. 제 3 항에 있어서,
    상기 적어도 하나의 값을 연산하는 단계는,
    상기 CAD 데이터에서의 세그먼트의 속성의 값을 계산하는 단계를 포함하며,
    상기 CAD 데이터에서의 상기 세그먼트는,
    상기 패턴에 대응하는 제 1 층에 관련된 부분,
    상기 패턴에 대응하는 상기 제 1 층과 상이한 제 2 층에 관련된 부분, 및
    상기 이미지의 시계(field of view; FOV) 외부에 있는 하나 또는 둘 이상의 위치들에 대응하는 복수의 데이터 엘리먼트들
    중 적어도 하나를 포함하는,
    분류를 위한 방법.
  5. 제 3 항에 있어서,
    상기 이미지에서의 복수의 픽셀들에 하나 또는 둘 이상의 라벨(label)들을 적용하는 단계를 더 포함하며,
    상기 복수의 픽셀들은 상기 CAD 데이터에서의 상기 세그먼트들에 대응하고,
    상기 적어도 하나의 값을 연산하는 단계는, 상기 하나 또는 둘 이상의 라벨들에 기초하여 상기 복수의 픽셀들 중 하나 또는 둘 이상을 선택하는 단계, 및 상기 선택된 픽셀들에 대한 상기 복수의 속성들 중 적어도 하나의 값을 계산하는 단계를 포함하는,
    분류를 위한 방법.
  6. 제 3 항에 있어서,
    상기 적어도 하나의 값을 연산하는 단계는,
    상기 CAD 데이터에 의해 정의된 멀티-층 구조와 상기 관심 있는 이미지 위치 사이의 공간적인 관계에 기초하여 속성의 값을 계산하는 단계, 또는 상기 패턴의 하나 또는 둘 이상의 엘리먼트들과 상기 관심 있는 이미지 위치에서의 결함 사이의 오버랩(overlap)을 측정하는 단계를 포함하며,
    상기 오버랩을 측정하는 단계는, 상기 패턴의 적어도 하나의 엘리먼트와 상기 결함 사이의 오버랩의 영역을 평가(assess)하는 단계, 또는 상기 패턴의 상기 엘리먼트들과 상기 결함 사이의 오버랩들의 수를 평가하는 단계를 포함하는,
    분류를 위한 방법.
  7. 제 1 항에 있어서,
    상기 적어도 하나의 값을 연산하는 단계는,
    상기 패턴의 하나 또는 둘 이상의 엘리먼트들과 상기 관심 있는 이미지 위치에서의 결함 사이의 근접성(proximity)을 측정하는 단계; 및
    상기 결함이 상기 패턴의 상기 엘리먼트들 중 2개의 엘리먼트들을 브릿징(bridge)할 가능성(likelihood)을 상기 근접성에 기초하여 추정하는 단계
    를 포함하는,
    분류를 위한 방법.
  8. 제 1 항에 있어서,
    상기 복수의 값들을 연산하는 단계는, 상기 패턴의 하나 또는 둘 이상의 엘리먼트들의 복수의 그레이 레벨들 각각에 대해 상기 관심 있는 이미지 위치의 그레이 레벨을 비교하는 단계, 또는 상기 반도체 웨이퍼의 복수의 피쳐들에 기초하여 속성의 값을 계산하는 단계를 포함하며,
    상기 복수의 피쳐들은 상기 이미지에서 비가시적(invisible)이고 상기 CAD 데이터에서 분명(evident)하고, 상기 복수의 피쳐들은, 상기 반도체 웨이퍼의 표면 아래의 아래 놓인 층에 있거나, 또는 상기 이미지의 시계 외부에 있는,
    분류를 위한 방법.
  9. 제 1 항에 있어서,
    상기 영역의 3차원(3D) 맵을 수신하는 단계; 및
    상기 3D 맵에서의 상기 결함의 지형적인(topographical) 피쳐들에 기초하여 상기 결함의 하나 또는 둘 이상의 지형적인 속성 값들을 연산하는 단계를 더 포함하며,
    상기 결함을 자동적으로 분류하는 단계는, 상기 결함을 분류할 시에 상기 하나 또는 둘 이상의 지형적인 속성 값들을 적용하는 단계를 포함하는,
    분류를 위한 방법.
  10. 장치로서,
    메모리; 및
    상기 메모리와 커플링된 프로세싱 디바이스
    를 포함하며,
    상기 프로세싱 디바이스는,
    패턴이 위에 형성된 반도체 웨이퍼의 영역의 이미지를 수신하도록 ― 상기 영역은 관심 있는 이미지 위치를 포함함 ―;
    상기 관심 있는 이미지 위치에 대응하는 관심 있는 CAD 위치를 포함하는, 상기 패턴에 관련된 컴퓨터-이용 설계(CAD) 데이터를 수신하도록; 그리고
    상기 CAD 데이터에 대한 상기 관심 있는 CAD 위치의 컨텍스트에 기초하여, 상기 관심 있는 이미지 위치의 하나 또는 둘 이상의 속성들에 대한 적어도 하나의 값을 연산하도록
    구성되는,
    장치.
  11. 제 10 항에 있어서,
    상기 적어도 하나의 값을 연산하기 위해, 상기 프로세서는 추가로,
    상기 CAD 데이터에 의해 식별된 하나 또는 둘 이상의 기능적인 세그먼트들과 상기 관심 있는 이미지 위치 사이의 공간적인 관계에 관련된 속성의, 사용자로부터의 정의를 수용하도록; 그리고
    상기 CAD 데이터에서의 세그먼트의 속성의 값을 계산하도록
    구성되며,
    상기 CAD 데이터에서의 상기 세그먼트는,
    상기 패턴에 대응하는 제 1 층에 관련된 부분,
    상기 패턴에 대응하는 상기 제 1 층과 상이한 제 2 층에 관련된 부분, 및
    상기 이미지의 시계(FOV) 외부에 있는 하나 또는 둘 이상의 위치들에 대응하는 복수의 데이터 엘리먼트들
    중 적어도 하나를 포함하는,
    장치.
  12. 제 10 항에 있어서,
    상기 프로세서는 추가로,
    상기 CAD 데이터에 의해 식별된 하나 또는 둘 이상의 기능적인 세그먼트들과 상기 관심 있는 이미지 위치 사이의 공간적인 관계에 관련된 속성의, 사용자로부터의 정의를 수용하도록; 그리고
    상기 이미지에서의 복수의 픽세들에 하나 또는 둘 이상의 라벨들을 적용하도록
    구성되며,
    상기 복수의 픽셀들은 상기 CAD 데이터에서의 상기 세그먼트들에 대응하고, 상기 적어도 하나의 값을 연산하는 것은, 상기 하나 또는 둘 이상의 라벨들에 기초하여 상기 복수의 픽셀들 중 하나 또는 둘 이상을 선택하는 것, 및 상기 선택된 픽셀들에 대한 상기 복수의 속성들에 대한 상기 적어도 하나의 값을 계산하는 것을 포함하는,
    장치.
  13. 제 10 항에 있어서,
    상기 프로세서는 추가로,
    상기 CAD 데이터에 의해 식별된 하나 또는 둘 이상의 기능적인 세그먼트들과 상기 관심 있는 이미지 위치 사이의 공간적인 관계에 관련된 속성의 사용자로부터의 정의를 수용하도록; 그리고
    상기 CAD 데이터에 의해 정의된 멀티-층 구조와 상기 관심 있는 이미지 위치 사이의 공간적인 관계에 기초하여 속성의 값을 계산하도록
    구성되는,
    장치.
  14. 제 10 항에 있어서,
    상기 적어도 하나의 값은, 상기 패턴의 하나 또는 둘 이상의 엘리먼트들과 상기 관심 있는 이미지 위치에서의 결함 사이의 오버랩의 측정, 상기 패턴의 하나 또는 둘 이상의 엘리먼트들과 상기 관심 있는 이미지 위치에서의 결함 사이의 근접성의 측정, 상기 패턴의 하나 또는 둘 이상의 엘리먼트들의 복수의 그레이 레벨들 각각에 대한 상기 관심 있는 이미지 위치의 그레이 레벨의 비교, 또는 상기 반도체 웨이퍼의 복수의 피쳐들에 기초한 속성의 값을 포함하며,
    상기 오버랩의 측정은 상기 패턴의 적어도 하나의 엘리먼트와 상기 결함 사이의 오버랩의 영역을 표시하고, 상기 오버랩의 측정은 상기 패턴의 상기 엘리먼트들과 상기 결함 사이의 오버랩들의 수를 포함하며, 상기 복수의 피쳐들은 상기 이미지에서 비가시적이고 상기 CAD 데이터에서 분명한,
    장치.
  15. 프로세싱 디바이스에 의해 실행되는 경우에, 상기 프로세싱 디바이스로 하여금 동작들을 수행하게 하는 명령들을 갖는 비-일시적인(non-transitory) 컴퓨터 판독가능 저장 매체로서,
    상기 동작은,
    패턴이 위에 형성된 반도체 웨이퍼의 영역의 이미지를 수신하는 것 ― 상기 영역은 관심 있는 이미지 위치를 포함함 ―;
    상기 패턴에 관련된 컴퓨터-이용 설계(CAD) 데이터를 수신하는 것 ― 상기 CAD 데이터는 상기 관심 있는 이미지 위치에 대응하는 관심 있는 CAD 위치를 포함함 ―; 및
    상기 CAD 데이터에 대한 상기 관심 있는 CAD 위치의 컨텍스트에 기초하여, 상기 관심 있는 이미지 위치의 하나 또는 둘 이상의 속성들에 대한 적어도 하나의 값을 연산하는 것
    을 포함하는,
    비-일시적인 컴퓨터 판독가능 저장 매체.
KR1020130043524A 2012-04-19 2013-04-19 Ｃａｄ-기반 컨텍스트 속성들을 사용하는 결함 분류 KR102132328B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/451,486 US9858658B2 (en) 2012-04-19 2012-04-19 Defect classification using CAD-based context attributes
US13/451,486 2012-04-19

Publications (2)

Publication Number Publication Date
KR20130118278A true KR20130118278A (ko) 2013-10-29
KR102132328B1 KR102132328B1 (ko) 2020-07-10

Family

ID=49380165

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130043524A KR102132328B1 (ko) 2012-04-19 2013-04-19 Ｃａｄ-기반 컨텍스트 속성들을 사용하는 결함 분류

Country Status (4)

Country Link
US (1) US9858658B2 (ko)
JP (1) JP6228385B2 (ko)
KR (1) KR102132328B1 (ko)
TW (1) TWI616823B (ko)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7448012B1 (en) 2004-04-21 2008-11-04 Qi-De Qian Methods and system for improving integrated circuit layout
US9858658B2 (en) 2012-04-19 2018-01-02 Applied Materials Israel Ltd Defect classification using CAD-based context attributes
DE102013109915B4 (de) * 2013-09-10 2015-04-02 Thyssenkrupp Steel Europe Ag Verfahren und Vorrichtung zur Überprüfung eines Inspektionssystems zur Erkennung von Oberflächendefekten
US10410338B2 (en) 2013-11-04 2019-09-10 Kla-Tencor Corporation Method and system for correlating optical images with scanning electron microscopy images
SG11201606207WA (en) * 2014-02-12 2016-09-29 Asml Netherlands Bv Method of optimizing a process window
US9715724B2 (en) * 2014-07-29 2017-07-25 Applied Materials Israel Ltd. Registration of CAD data with SEM images
US10312161B2 (en) 2015-03-23 2019-06-04 Applied Materials Israel Ltd. Process window analysis
US11010886B2 (en) 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
DE102017213060A1 (de) 2017-07-28 2019-01-31 Siemens Aktiengesellschaft Computerimplementiertes Verfahren und Vorrichtung zum automatischen Generieren von gekennzeichneten Bilddaten und Analysevorrichtung zum Überprüfen eines Bauteils
KR102545141B1 (ko) 2017-12-01 2023-06-20 삼성전자주식회사 반도체 소자 및 그의 제조 방법
KR102536331B1 (ko) * 2017-12-31 2023-05-26 에이에스엠엘 네델란즈 비.브이. 결함 검사 및 검토를 위한 시스템들 및 방법들
US10853697B2 (en) * 2018-08-28 2020-12-01 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for monitoring online retail platform using artificial intelligence and fixing malfunction
JP7053417B2 (ja) * 2018-09-13 2022-04-12 キオクシア株式会社 欠陥検査装置および欠陥検査方法
WO2020061939A1 (zh) * 2018-09-27 2020-04-02 西门子股份公司 识别设备的方法、装置、系统、存储介质、处理器和终端
US11561256B2 (en) * 2019-12-31 2023-01-24 Synopsys, Inc. Correlation between emission spots utilizing CAD data in combination with emission microscope images
CN111353983B (zh) * 2020-02-28 2023-05-23 腾讯科技（深圳）有限公司 缺陷检测识别方法、装置、计算机可读介质及电子设备
EP3916636A1 (de) * 2020-05-27 2021-12-01 Siemens Aktiengesellschaft Verfahren und systeme zum bereitstellen von synthetischen gelabelten trainingsdatensätzen und ihre anwendungen
US11861286B2 (en) * 2020-06-30 2024-01-02 Synopsys, Inc. Segregating defects based on computer-aided design (CAD) identifiers associated with the defects

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6148099A (en) * 1997-07-03 2000-11-14 Neopath, Inc. Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
JP2009122046A (ja) * 2007-11-16 2009-06-04 Hitachi High-Technologies Corp 欠陥検査方法及び欠陥検査装置
JP2010175270A (ja) * 2009-01-27 2010-08-12 Hitachi High-Technologies Corp 欠陥検査装置及びその方法
WO2011004534A1 (ja) * 2009-07-09 2011-01-13 株式会社 日立ハイテクノロジーズ 半導体欠陥分類方法，半導体欠陥分類装置，半導体欠陥分類プログラム

Family Cites Families (76)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5923430A (en) 1993-06-17 1999-07-13 Ultrapointe Corporation Method for characterizing defects on semiconductor wafers
US5705301A (en) * 1996-02-27 1998-01-06 Lsi Logic Corporation Performing optical proximity correction with the aid of design rule checkers
GB2329451B (en) * 1997-09-23 2002-01-02 Spirax Sarco Ltd Float operated devices
US6174738B1 (en) * 1997-11-28 2001-01-16 Advanced Micro Devices, Inc. Critical area cost disposition feedback system
US6987873B1 (en) * 1998-07-08 2006-01-17 Applied Materials, Inc. Automatic defect classification with invariant core classes
US6353222B1 (en) 1998-09-03 2002-03-05 Applied Materials, Inc. Determining defect depth and contour information in wafer structures using multiple SEM images
US6539106B1 (en) * 1999-01-08 2003-03-25 Applied Materials, Inc. Feature-based defect detection
JP3350477B2 (ja) * 1999-04-02 2002-11-25 セイコーインスツルメンツ株式会社 ウエハ検査装置
JP2001005166A (ja) * 1999-06-17 2001-01-12 Nec Corp パターン検査方法及びパターン検査装置
US6577757B1 (en) * 1999-07-28 2003-06-10 Intelligent Reasoning Systems, Inc. System and method for dynamic image recognition
US6373053B1 (en) 2000-01-31 2002-04-16 Advanced Micro Devices, Inc. Analysis of CD-SEM signal to detect scummed/closed contact holes and lines
US6510730B1 (en) 2000-03-31 2003-01-28 Advanced Micro Devices, Inc. System and method for facilitating selection of optimized optical proximity correction
JP2001331784A (ja) * 2000-05-18 2001-11-30 Hitachi Ltd 欠陥分類方法及びその装置
JP2002031525A (ja) * 2000-07-14 2002-01-31 Seiko Instruments Inc 半導体ウエハのパターン形状評価方法及び装置
JP3743319B2 (ja) 2001-07-18 2006-02-08 株式会社日立製作所 欠陥検出方法及びその装置
US6948141B1 (en) * 2001-10-25 2005-09-20 Kla-Tencor Technologies Corporation Apparatus and methods for determining critical area of semiconductor design data
US6745372B2 (en) * 2002-04-05 2004-06-01 Numerical Technologies, Inc. Method and apparatus for facilitating process-compliant layout optimization
JP4073265B2 (ja) 2002-07-09 2008-04-09 富士通株式会社 検査装置及び検査方法
US6930308B1 (en) 2002-07-11 2005-08-16 Kla-Tencor Technologies Corporation SEM profile and surface reconstruction using multiple data sets
JP3944024B2 (ja) * 2002-08-20 2007-07-11 株式会社東芝 画像処理方法、半導体装置の製造方法、パターン検査装置およびプログラム
JP4302965B2 (ja) 2002-11-01 2009-07-29 株式会社日立ハイテクノロジーズ 半導体デバイスの製造方法及びその製造システム
JP3959355B2 (ja) 2003-01-17 2007-08-15 株式会社日立ハイテクノロジーズ 微細パターンの３次元形状測定方法
EP1590696A2 (en) 2003-01-28 2005-11-02 Oraxion Full-filled optical measurements of surface properties of panels, substrates and wafers
US7508973B2 (en) * 2003-03-28 2009-03-24 Hitachi High-Technologies Corporation Method of inspecting defects
US9002497B2 (en) * 2003-07-03 2015-04-07 Kla-Tencor Technologies Corp. Methods and systems for inspection of wafers and reticles using designer intent data
WO2005015500A1 (en) 2003-08-08 2005-02-17 Applied Materials Israel, Ltd. Measurement of corner roundness
US20050031186A1 (en) * 2003-08-10 2005-02-10 Luu Victor Van Systems and methods for characterizing a three-dimensional sample
JP2005158780A (ja) * 2003-11-20 2005-06-16 Hitachi Ltd パターン欠陥検査方法及びその装置
JP4742048B2 (ja) 2003-12-10 2011-08-10 アプライド マテリアルズ イスラエル リミテッド 高度な粗さ度量衡
US7194709B2 (en) * 2004-03-05 2007-03-20 Keith John Brankner Automatic alignment of integrated circuit and design layout of integrated circuit to more accurately assess the impact of anomalies
DE102004040372B4 (de) 2004-08-20 2006-06-29 Diehl Avionik Systeme Gmbh Verfahren und Vorrichtung zur Darstellung einer dreidimensionalen Topographie
JP4317805B2 (ja) * 2004-09-29 2009-08-19 株式会社日立ハイテクノロジーズ 欠陥自動分類方法及び装置
US7376269B2 (en) 2004-11-22 2008-05-20 Xerox Corporation Systems and methods for detecting image quality defects
JP4262690B2 (ja) 2005-03-16 2009-05-13 株式会社日立ハイテクノロジーズ 形状測定装置および形状測定方法
US7760929B2 (en) * 2005-05-13 2010-07-20 Applied Materials, Inc. Grouping systematic defects with feedback from electrical inspection
US7760347B2 (en) * 2005-05-13 2010-07-20 Applied Materials, Inc. Design-based method for grouping systematic defects in lithography pattern writing system
JP2008544295A (ja) 2005-06-28 2008-12-04 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 物体の表面トポロジを再構成する方法
JP4776308B2 (ja) * 2005-09-05 2011-09-21 株式会社東京精密 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
JP4466537B2 (ja) 2005-11-01 2010-05-26 株式会社デンソー 車両用ワイパ制御装置
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7764826B2 (en) 2005-12-07 2010-07-27 Hitachi High-Technologies Corporation Method and apparatus of reviewing defects on a semiconductor device
US7570800B2 (en) 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
JP4644613B2 (ja) * 2006-02-27 2011-03-02 株式会社日立ハイテクノロジーズ 欠陥観察方法及びその装置
US7684609B1 (en) * 2006-05-25 2010-03-23 Kla-Tencor Technologies Corporation Defect review using image segmentation
JP4791267B2 (ja) * 2006-06-23 2011-10-12 株式会社日立ハイテクノロジーズ 欠陥検査システム
JP2008041940A (ja) * 2006-08-07 2008-02-21 Hitachi High-Technologies Corp Ｓｅｍ式レビュー装置並びにｓｅｍ式レビュー装置を用いた欠陥のレビュー方法及び欠陥検査方法
WO2008086282A2 (en) 2007-01-05 2008-07-17 Kla-Tencor Corporation Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
JP5118872B2 (ja) 2007-03-30 2013-01-16 株式会社日立ハイテクノロジーズ 半導体デバイスの欠陥観察方法及びその装置
DE102007019057A1 (de) 2007-04-23 2008-10-30 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und Verfahren zum Bestimmen eines Kanten-Histogramms, Vorrichtung und Verfahren zum Ablegen eines Bildes in einer Bilddatenbank, Vorrichtung und Verfahren zum Auffinden von zwei ähnlichen Bildern und Computerprogramm
US7835564B2 (en) 2007-04-30 2010-11-16 International Business Machines Corporation Non-destructive, below-surface defect rendering using image intensity analysis
JP4936985B2 (ja) 2007-05-14 2012-05-23 株式会社日立ハイテクノロジーズ 走査電子顕微鏡およびそれを用いた三次元形状測定装置
US8799831B2 (en) * 2007-05-24 2014-08-05 Applied Materials, Inc. Inline defect analysis for sampling and SPC
JP2009092954A (ja) * 2007-10-09 2009-04-30 Toshiba Corp パターン評価方法
JP5021503B2 (ja) * 2008-01-15 2012-09-12 株式会社日立ハイテクノロジーズ パターン欠陥解析装置、パターン欠陥解析方法およびパターン欠陥解析プログラム
US7756658B2 (en) 2008-05-14 2010-07-13 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer and generating inspection results for the wafer
SG164293A1 (en) 2009-01-13 2010-09-29 Semiconductor Technologies & Instruments Pte System and method for inspecting a wafer
US20110296362A1 (en) * 2009-02-04 2011-12-01 Tamao Ishikawa Semiconductor defect integrated projection method and defect inspection support apparatus equipped with semiconductor defect integrated projection function
US8175373B2 (en) 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
US8112241B2 (en) 2009-03-13 2012-02-07 Kla-Tencor Corp. Methods and systems for generating an inspection process for a wafer
JP2011033423A (ja) 2009-07-31 2011-02-17 Hitachi High-Technologies Corp パターン形状選択方法、及びパターン測定装置
US8473223B2 (en) 2009-10-07 2013-06-25 Iyun Leu Method for utilizing fabrication defect of an article
US8401273B2 (en) 2010-01-21 2013-03-19 Hitachi, Ltd. Apparatus for evaluating degradation of pattern features
US20110242312A1 (en) 2010-03-30 2011-10-06 Lasertec Corporation Inspection system and inspection method
JP4716148B1 (ja) 2010-03-30 2011-07-06 レーザーテック株式会社 検査装置並びに欠陥分類方法及び欠陥検出方法
KR101214806B1 (ko) * 2010-05-11 2012-12-24 가부시키가이샤 사무코 웨이퍼 결함 검사 장치 및 웨이퍼 결함 검사 방법
US8315453B2 (en) 2010-07-27 2012-11-20 Applied Materials Israel, Ltd. Defect classification with optimized purity
US8502146B2 (en) 2011-10-03 2013-08-06 Kla-Tencor Corporation Methods and apparatus for classification of defects using surface height attributes
US8604427B2 (en) 2012-02-02 2013-12-10 Applied Materials Israel, Ltd. Three-dimensional mapping using scanning electron microscope images
KR102071735B1 (ko) 2012-03-19 2020-01-30 케이엘에이 코포레이션 반도체 소자의 자동화 검사용 레시피 생성을 위한 방법, 컴퓨터 시스템 및 장치
US9858658B2 (en) 2012-04-19 2018-01-02 Applied Materials Israel Ltd Defect classification using CAD-based context attributes
US9595091B2 (en) 2012-04-19 2017-03-14 Applied Materials Israel, Ltd. Defect classification using topographical attributes
US10599944B2 (en) 2012-05-08 2020-03-24 Kla-Tencor Corporation Visual feedback for inspection algorithms and filters
US10330608B2 (en) 2012-05-11 2019-06-25 Kla-Tencor Corporation Systems and methods for wafer surface feature detection, classification and quantification with wafer geometry metrology tools
US8826200B2 (en) 2012-05-25 2014-09-02 Kla-Tencor Corp. Alteration for wafer inspection
US9053390B2 (en) 2012-08-14 2015-06-09 Kla-Tencor Corporation Automated inspection scenario generation
GB2506115A (en) 2012-09-19 2014-03-26 Dupont Teijin Films Us Ltd An Interferometric Method for Profiling the Topography of a Sample Surface

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6148099A (en) * 1997-07-03 2000-11-14 Neopath, Inc. Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
JP2009122046A (ja) * 2007-11-16 2009-06-04 Hitachi High-Technologies Corp 欠陥検査方法及び欠陥検査装置
JP2010175270A (ja) * 2009-01-27 2010-08-12 Hitachi High-Technologies Corp 欠陥検査装置及びその方法
WO2011004534A1 (ja) * 2009-07-09 2011-01-13 株式会社 日立ハイテクノロジーズ 半導体欠陥分類方法，半導体欠陥分類装置，半導体欠陥分類プログラム

Also Published As

Publication number Publication date
JP2013225312A (ja) 2013-10-31
TW201351305A (zh) 2013-12-16
JP6228385B2 (ja) 2017-11-08
US9858658B2 (en) 2018-01-02
KR102132328B1 (ko) 2020-07-10
US20130279790A1 (en) 2013-10-24
TWI616823B (zh) 2018-03-01

Similar Documents

Publication Publication Date Title
KR102131897B1 (ko) 지형적인 속성들을 사용하는 결함 분류
KR102132328B1 (ko) Ｃａｄ-기반 컨텍스트 속성들을 사용하는 결함 분류
KR102549196B1 (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
KR102388365B1 (ko) 표본에 대한 결함 검출 방법 및 그 시스템
TWI539150B (zh) 用於偵測檢查圖像中之缺陷的系統、方法及電腦程式產品
JP6629934B2 (ja) 試験方策を生成する方法およびそのシステム
KR102432428B1 (ko) 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선
JP4585926B2 (ja) パターンレイヤーデータ生成装置、それを用いたパターンレイヤーデータ生成システム、半導体パターン表示装置、パターンレイヤーデータ生成方法、及びコンピュータプログラム
KR20140039075A (ko) 영역 결정 장치, 관찰 장치 또는 검사 장치, 영역 결정 방법 및 영역 결정 방법을 사용한 관찰 방법 또는 검사 방법
US10545490B2 (en) Method of inspecting a specimen and system thereof
KR20130139794A (ko) 패치-대-패치 비교들을 포함하는 결함 검출을 위한 장치 및 방법
KR20220014805A (ko) 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성
KR20110048528A (ko) 웨이퍼의 검사 및/또는 분류를 위한 컴퓨터-구현된 방법들
US10296702B2 (en) Method of performing metrology operations and system thereof
KR20220162121A (ko) 반도체 시편의 검사
KR20230140394A (ko) 반도체 시편의 기계 학습 기반 검사 및 그의 훈련
JP4969635B2 (ja) パターンレイヤーデータ生成方法、及びパターンレイヤーデータ生成装置

Legal Events

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