KR20160130252A - 복합 결함 분류기 - Google Patents

복합 결함 분류기 Download PDF

Info

Publication number
KR20160130252A
KR20160130252A KR1020167026562A KR20167026562A KR20160130252A KR 20160130252 A KR20160130252 A KR 20160130252A KR 1020167026562 A KR1020167026562 A KR 1020167026562A KR 20167026562 A KR20167026562 A KR 20167026562A KR 20160130252 A KR20160130252 A KR 20160130252A
Authority
KR
South Korea
Prior art keywords
defect
classifiers
defects
wafer
classifier
Prior art date
Application number
KR1020167026562A
Other languages
English (en)
Other versions
KR102178254B1 (ko
Inventor
마틴 플리할
Original Assignee
케이엘에이-텐코 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-텐코 코포레이션 filed Critical 케이엘에이-텐코 코포레이션
Publication of KR20160130252A publication Critical patent/KR20160130252A/ko
Application granted granted Critical
Publication of KR102178254B1 publication Critical patent/KR102178254B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G06N99/005—
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

웨이퍼에서 검출된 결함을 분류하기 위한 방법 및 시스템이 제공된다. 하나의 방법은, 웨이퍼에서 검출된 결함에 대한 정보를 복합 결함 분류기에 포함된 적어도 2개의 결함 분류기의 각각에 입력하는 단계를 포함한다. 이러한 방법은, 또한, 복합 결함 분류기에서 2 이상의 빈에 할당되는 적어도 하나의 결함에 대하여, 2 이상의 빈에 할당된 순위에 기초하여 적어도 하나의 결함에 대한 빈을 결정하는 단계를 포함한다. 순위는 2 이상의 빈에 대하여 결정된 하나 이상의 특성에 기초하여 2 이상의 빈에 할당되고, 하나 이상의 특성은 훈련 세트에서의 결함에 대한 미리 정의된 결함 분류와 적어도 2개의 결함 분류기에 의한 상기 훈련 세트에서의 결함에 대하여 결정된 결함 분류의 비교에 기초하여 결정된다.

Description

복합 결함 분류기{COMPOSITE DEFECT CLASSIFIER}
본 발명은 일반적으로 웨이퍼에서 검출된 결함을 분류하는 방법 및 시스템에 관한 것이다.
다음의 설명 및 예는 본 섹션에서 이를 포함하는 것에 의해서 종래 기술로서 인정되지는 않는다.
논리 및 메모리 소자과 같은 반도체 소자를 제조하는 것은 통상적으로 반도체 소자의 다수의 레벨 및 다양한 특징부(feature)를 형성하기 위하여 다수의 반도체 제조 프로세스를 이용하여 반도체 웨이퍼와 같은 기판을 처리하는 것을 포함한다. 예를 들어, 리소그래피(lithography)는 레티클(reticle)로부터 반도체 웨이퍼 상에 배열된 레지스트로 패턴을 전사하는 것을 수반하는 반도체 제조 프로세스이다. 반도체 제조 프로세스의 추가 예는 화학 기계 연마, 에칭, 퇴적(deposition) 및 이온 주입(ion implantation)을 포함하지만 이에 한정되지 않는다. 다수의 반도체 소자는 단일 반도체 웨이퍼 상의 배치물(arrangement)로 제작되고, 그 다음 개별 반도체 소자로 분리될 수 있다.
검사 프로세스가 웨이퍼에서의 결함을 검출하기 위하여 반도체 제조 프로세스 동안 다양한 단계에 사용된다. 검사 프로세스는 항상 집적 회로와 같은 반도체 소자를 제조하는 것의 중요한 부분이 되어 왔다. 그러나, 반도체 소자의 치수가 감소함에 따라, 검사 프로세스는 허용 가능한 반도체 소자의 성공적인 제조에 훨씬 더 중요하게 된다. 예를 들어, 반도체 디바이스의 치수가 감소함에 따라, 상대적으로 작은 결함이 반도체 소자에서 원하지 않는 이상(aberration)을 야기할 수 있기 때문에, 감소하는 치수의 결함 검출은 필수적이게 되었다.
반도체 결함의 자동 결함 분류(automatic defect classification(ADC))는 웨이퍼 검사 및 결함 리뷰 도구의 중요한 애플리케이션이다. 웨이퍼 검사 동안 가장 일반적이고 가장 신뢰되는 결함 분류기는 수동으로 형성된 결정 트리I(decision tree)이다. 지금까지 결함 분류 트리를 형성하기 위한 가장 일반적인 방법은 서브 트리를 복사하고 붙이는 능력 등과 같은 여러 개의 사용하기 쉬운 특징을 이용한 수동 접근 방식이다.
복잡한 결정 경계(decision boundary)와의 데이터 세트를 위한 결함 분류기의 조합이 지난 20동안 헌신적인 연구의 원천이었으며, 방대한 문헌이 이 주제에 존재한다. (a) 데이터 레벨 조합, (b) 특징 레벨 조합(상이한 특징 공간), (c) 분류기 조합(훈련 가능한 조합기 규칙과의 고정 분류기, 고정된 조합기 규칙과의 훈련 가능한 분류기 등) 등을 포함하는, 많은 상이한 조합 스킴이 고려되어 왔다. 또한, 누이상스 필터(nuisance filter)를 시퀀싱하는 능력이 사용 가능하다. 그러나. 누이상스 필터를 시퀀싱하는 것은 이의 장점을 조합함으로써 성능을 향상시키려고 시도하지 않는 독립적인 분류기의 단순한 연속 실행이다(예를 들어, 누이상스 필터의 세트로부터 가장 나쁘게 수행하는 누이상스 빈(bin)은 최대 관심 결함(DOI(defect of interest)을 제거할 것이다.
따라서, 현재 사용되는 방법 및 시스템에 비하여 향상된 결함 분류를 제공할 수 있는, 웨이퍼에서 검출된 결함을 분류하기 위한 시스템 및/또는 방법을 개발하는 것은 유익할 것이다.
다양한 실시예에 대한 이어지는 설명은 어떠한 방식으로도 첨부된 청구범위의 내용을 한정하는 것으로서 고려되어서는 안 된다.
일 실시예는 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법에 관한 것이다. 방법은, 훈련 웨이퍼에서 검출된 결함에 대한 데이터의 훈련 세트와, 훈련 세트에서 결함에 대하여 결정된 결함 분류를 획득하는 단계를 포함한다. 방법은, 또한, 데이터의 훈련 세트를 2 이상의 결함 분류기에 입력함으로써 2 이상의 결함 분류 프로세스를 수행하는 단계와, 2 이상의 결함 분류기에 의해 생성된 결함 분류 결과를 훈련 세트에서 결함에 대하여 결정된 결함 분류에 비교하는 단계를 포함한다. 또한, 방법은, 비교하는 단계의 결과에 기초하여 2 이상의 결함 분류기에서 하나 이상의 빈(bin)의 하나 이상의 특성을 결정하는 단계와, 결정된 하나 이상의 특성에 기초하여 2 이상의 결함 분류기에서 하나 이상의 빈에 순위(rank)를 할당하는 단계를 포함한다. 방법은, 하나 이상의 빈에 할당된 순위에 기초하여 복합 결함 분류기에 포함될 2 이상의 결함 분류기 중 적어도 2개를 선택하는 단계와, 검사 시스템을 이용하여 웨이퍼에 대한 검사 결과를 획득하는 단계를 더 포함한다. 검사 결과는 웨이퍼에서 검출된 결함에 대한 정보를 포함한다. 방법은, 또한, 웨이퍼에서 검출된 결함에 대한 정보를 복합 결함 분류기에 포함되도록 선택된 적어도 2개의 결함 분류기의 각각에 입력함으로써 웨이퍼에서 검출된 결함을 분류하는 단계로서, 복합 결함 분류기에서의 2 이상의 빈에 할당된 결함의 적어도 하나에 대하여, 2 이상의 빈에 할당된 순위에 기초하여 결함의 적어도 하나에 대한 빈을 결정하는 단계를 포함한다. 훈련 세트를 획득하는 단계, 수행하는 단계, 비교하는 단계, 결정하는 단계, 할당하는 단계, 선택하는 단계, 검사 결과를 획득하는 단계 및 분류하는 단계는, 컴퓨터 시스템에 의해 수행된다.
위에서 설명된 방법은 본 명세서에서 더 설명되는 바와 같이 수행될 수 있다. 더하여, 본 방법은 본 명세서에서 설명된 임의의 다른 방법(들)의 임의의 단계(들)를 포함할 수 있다. 또한, 위에서 설명된 방법은 본 명세서에서 설명된 임의의 시스템에 의해 수행될 수 있다.
다른 실시예는 웨이퍼에서 검출된 결함을 분류하기 위한 다른 컴퓨터 구현 방법에 관한 것이다. 본 방법은, 검사 시스템을 이용하여 웨이퍼에 대한 검사 결과를 획득하는 단계를 포함한다. 검사 결과는 웨이퍼에서 검출된 결함에 대한 정보를 포함한다. 본 방법은, 또한, 웨이퍼에서 검출된 결함에 대한 정보를 복합 결함 분류기에 포함된 적어도 2개의 결함 분류기의 각각에 입력하고, 그리고, 복합 결함 분류기에서 2 이상의 빈에 할당되는 적어도 하나의 결함에 대하여, 2 이상의 빈에 할당된 순위에 기초하여 적어도 하나의 결함에 대한 빈을 판단함으로써, 웨이퍼에서 검출된 결함을 분류하는 단계를 포함한다. 순위는 2 이상의 빈에 대하여 결정된 하나 이상의 특성에 기초하여 2 이상의 빈에 할당된다. 하나 이상의 특성은 훈련 세트에서의 결함에 대한 미리 정의된 결함 분류와 적어도 2개의 결함 분류기에 의한 훈련 세트에서의 결함에 대하여 결정된 결함 분류의 비교에 기초하여 결정된다. 획득하는 단계 및 분류하는 단계는 컴퓨터 시스템에 의해 수행된다.
위에서 설명된 방법은 본 명세서에서 더 설명되는 바와 같이 수행될 수 있다. 더하여, 본 방법은 본 명세서에서 설명된 임의의 다른 방법(들)의 임의의 단계(들)를 포함할 수 있다. 또한, 위에서 설명된 방법은 본 명세서에서 설명된 임의의 시스템에 의해 수행될 수 있다.
추가적인 실시예는 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법을 수행하기 위해 컴퓨터 시스템에서 실행 가능한 프로그램 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 컴퓨터 구현 방법은 위에서 설명된 방법의 단계들을 포함한다. 컴퓨터 판독 가능한 매체는 본 명세서에서 설명된 바와 같이 더 구성될 수 있다. 컴퓨터 구현 방법의 단계들은 본 명세서에서 더 설명되는 바와 같이 수행될 수 있다. 또한, 프로그램 명령어가 실행 가능한 컴퓨터 구현 방법은 본 명세서에서 설명된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다.
추가적인 실시예는 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템에 관한 것이다. 시스템은 웨이퍼에 대한 검사 결과를 획득하도록 구성된 검사 서브 시스템을 포함한다. 검사 결과는 웨이퍼에서 검출된 결함에 대한 정보를 포함한다. 또한, 시스템은 위에서 설명된 방법의 데이터의 훈련 세트를 획득하는 단계, 수행하는 단계, 비교하는 단계, 결정하는 단계, 할당하는 단계, 선택하는 단계 및 분류하는 단계를 수행하도록 구성된 컴퓨터 서브 시스템을 포함한다. 시스템은 본 명세서에서 설명된 바와 같이 더 구성될 수 있다.
본 발명의 다른 과제 및 이점은 이어지는 발명을 실시하기 위한 구체적인 내용의 숙독과 다음의 첨부 도면에 대한 참조에 따라 명백해질 것이다:
도 1은 본 명세서에서 설명된 실시예에서 사용될 수 있는 2 이상의 결함 분류기의 예를 도시하는 개략도이다;
도 2는 본 명세서에서 설명된 실시예에 의해 도 1에 도시된 2 이상의 결함 분류기에서 빈(bin)에 할당될 수 있는 순위(rank)의 일 실시예를 예시하는 개략도이다;
도 3은 본 명세서에서 설명된 실시예에서 따는 복합 결함 분류기에 포함되도록 선택될 수 있는 2 이상의 결함 분류기의 서브 세트의 일례를 예시하는 개략도이다;
도 4는 본 명세서에서 설명된 복합 결함 분류기 실시예를 이용하여 결함을 분류하기 위하여 수행될 수 있는 단계들의 일 실시예를 예시하는 개략도이다;
도 5는 본 명세서에서 설명된 하나 이상의 컴퓨터 구현 방법을 수행하게 하기 위하여 컴퓨터 시스템에서 실행 가능한 프로그램 명령어를 저장하는 비일시적인 컴퓨터 판독 가능한 매체의 일 실시예를 예시하는 블록도이다; 그리고,
도 6은는 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템의 일 실시예의 측면도를 도시하는 개략도이다.
본 발명이 다양한 변형예 및 대안적인 형태로 되기 쉽지만, 이의 특정 실시예는 도면에서 예로서 도시되고, 본 명세서에서 상세하게 설명될 것이다. 그러나, 도면 및 이에 대한 상세한 설명은 본 발명을 개시된 특정 형태로 한정하도록 의도되지 않으며, 반대로, 첨부된 청구범위에 의해 정의되는 바와 같은 본 발명의 기술적 사상 및 범위 내에 있는 모든 수정물, 균등물 및 대체물을 포함하도록 의도된다는 것이 이해되어야 한다.
이제 도면을 참조하면, 도면들은 정확한 축척으로 작도되지 않은 것이 주목된다. 특히, 도면의 일부 요소의 축척은 그 요소의 특징을 강조하기 위해 상당히 과장된다. 또한, 도면들은 동일한 축척으로 작도되지 않았다는 점이 주목된다. 유사하게 구성될 수 있는 2개 이상의 도면에 나타나는 요소들은 동일한 참조 번호를 이용하여 표시된다. 본 명세서에 달리 언급되지 않는다면, 설명되고 도시된 임의의 요소는 임의의 상업적으로 입수 가능한 요소를 포함할 수 있다.
일 실시예는 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법에 관한 것이다. 본 명세서에서 설명된 실시예들은 더 정확하고 강력한 분류기를 만들기 의하여 잠재적으로 다양하고 부분적인 훈련 과제의 결과에 영향을 주는 새로운 분류기 훈련 방법을 제공한다. 본 명세서에서 설명된 실시예들은 웨이퍼 검사 분석에서 상당히 많이 채택되는 분류 회귀 트리(CART(classification and regression tree)형 분류기이지만, 본 명세서에서 설명된 실시예들은 분류기에서의 각각의 빈의 순도(purity) 민 안정성과 같은 하나 이상의 특성이 예측될 수 있는 임의의 종류의 결함 분류기를 이용하여 사용될 수 있다. 또한, 본 명세서에서 설명된 실시예들이 단지 한 종류의 결함 분류기에 관하여 설명되지만, 본 명세서에서 더 설명되는 복합 결함 분류기는 2종류 이상의 결함 분류기를 포함할 수 있다.
본 명세서에서 설명된 실시예들은 상이한 판별 임계값을 갖는 다중 결정 트리형 분류기, 예를 들어 상이한 누이상스 비율(nuisance rate)를 갖는 분류기를 생성하기 위하여 사용되는 방법 및 시스템의 특징화 동안 이루어진 관찰에 기초한다. 특히, 결정 트리의 일부, 예를 들어 특정 빈이, 실질적으로 양호한 관심 결함(DOI(defect of interest))-누이상스 분리를 만드는 만면, 분류기의 다른 부분은 덜 유용하다는 것이 주목되었다. 또한, 상이한 트리에서, 유사한 누이상스 비율로도, 상이한 부분 집단(sub-population)이 "양호(well)"로 분류된다는 것이 주목되었다. 예를 들어, 입력으로서 상대적으로 낮은 누이상스 비율을 갖는 결함 집단을 갖는 분류기는 실질적으로 순수한 DOI 빈을 조금 가지는 경향이 있고, 이들의 누이상스 빈은 비-누이상스(non-nuisance)가 상당히 차지한다. 결함 집단 입력이 상대적으로 높은 누이상스 비율을 갖는 분류기는 반대 거동을 갖는 경향이 있다. 따라서, 더 양호하고 더 강력한 결함 종류 분리를 성취하기 위하여 다양한 분류기의 "양호한" 부분을 조합하는 노력을 추구하는 것이 전도유망한 것으로 보여지며, 본 명세서에서 설명된 실시예는 이러한 조합을 수행하는데 사용될 수 있다.
방법은, 훈련 웨이퍼에서 검출된 결함에 대한 데이터의 훈련 세트와, 훈련 세트에서 결함에 대하여 결정된 결함 분류를 획득하는 단계를 포함한다. 훈련 웨이퍼는 당해 기술 분야에서 사용되는 임의의 적합한 훈련 웨이퍼를 포함할 수 있다. 훈련 세트를 선택하는 방법은 임의의 분류기의 훈련과 성능을 위하여 매우 중요하다. 일반적으로, 훈련 세트는 가능한 한 전체 집단을 대표하여야 한다. 훈련 웨이퍼에서 검출된 결함에 대한 데이터의 훈련 세트를 생성하는 것은, 훈련 웨이퍼에서 검사 프로세스를 수행하고, 그 다음, 소정의 종류의 결함 리뷰 도구 또는 방법을 이용하여 결함을 분류하는 단계를 포함한다. 예를 들어, 결함은 결함 리뷰 도구(예를 들어, 주사형 전자 현미경(scanning electron microscope(SEM))로 훈련 웨이퍼 상의 결함을 촬영하고, 이미지에 기초하여 사용자로부터 결함 분류 정보를 받는 것으로 분류될 수 있다. 이러한 방식으로, 훈련 세트에서의 결함에 대한 결함 분류는 흔히 "지상 검증(ground truth)"이라 하는 것일 수 있다. 데이터의 훈련 세트는 훈련 웨이퍼에서 수행된 검사 프로세스(및 임의의 결함 리뷰 프로세스)에 의해 결함에 대하여 생성된 임의의 다른 데이터 또는 정보를 포함할 수 있다.
일 실시예에서, 훈련 세트에서의 결함은 DOI와 누이상스를 포함할 수 있다. 예를 들어, 데이터의 훈련 세트는, 바람직하게는, DOI와 누이상스를 모두 포함하여, 결함 분류기는 DOI 및 누이상스를 모두 정확하게 분류하는 능력에 기초하여 본 명세서에서 더 설명되는 바와 같이 평가될 수 있다. DOI는 당해 기술 분야에서 알려진 임의의 종류의 DOI를 포함할 수 있고, 누이상스는 당해 기술 분야에서 알려진 임의의 종류의 누이상스를 포함할 수 있다. 다른 말로 하면, 본 명세서에서 설명된 실시예는 결함 분류기를 평가하는데 사용될 수 있고 본 명세서에서 설명된 바와 같이 생성된 분류기에 의해 분류될 수 있는 결함의 종류에 제한되지 않는다. 또한, 훈련 웨이퍼는 그 웨이퍼의 종류에 제한되지 않는다. 다른 말로 하면, 본 명세서에서 설명된 실시예는 당해 기술 분야에서 알려진 임의의 종류의 웨이퍼를 위한 결함 분류기를 생성하고 사용하는데 사용될 수 있다.
또한, 방법은, 데이터의 훈련 세트를 2 이상의 결함 분류기에 입력함으로써 2 이상의 결함 분류 프로세스를 수행하는 단계를 포함한다. 데이터의 훈련 세트를 2 이상의 결함 분류기에 입력하는 것은 당해 기술 분야에서 알려진 임의의 적합한 방법으로 수행될 수 있다. 이 단계에서 사용되는 2 이상의 결함 분류기는 당해 기술 분야에서 알려진 임의의 적합한 방법으로 생성될 수 있다. 또한, 2 이상의 결함 분류기를 생성하는 것은 수동으로 또는 자동 튜닝 엔진의 도움으로 수행될 수 있다. 따라서, 본 명세서에서 설명된 실시예는 자동 튜닝 엔진의 출력을 획득하도록 구성될 수 있고, 분류기가 훈련된 동일한 훈련 데이터에 대한 액세스를 가질 수 있다. 2 이상의 결함 분류기는 상이한 판별 임계값을 갖는 다수의 분류기를 포함할 수 있다.
일 실시예에서, 방법은, 적어도 하나의 결함 분류기의 성능을 나타내는 그래프를 만들기 위하여 수정 베이지안 프라이어(modified Bayesian prior) 세트를 이용하여, 본 명세서에서 더 설명되는 바와 같이 2 이상의 결함 분류기에서 하나 이상의 빈에 순위를 할당하는 단계 전에, 2 이상의 결함 분류기 중 적어도 하나를 튜닝하는 단계를 포함한다. 예를 들어, 본 명세서에서 설명된 실시예는 ROC(Receiver operating characteristic) 곡선을 만드는 수정 베이지안 프라이어 세트를 이용하는 개별 분류기의 튜닝(자동 구성)을 포함한다. 상이한 프라이어는, DOI 빈에서 상이한 레벨의 누이상스 비율로 분류기를 만들며, 이는 상이한 순도/분리 특성을 목표로 하는 다수의 솔루션(분류기)을 생성하는 방식이다. 또한, 2 이상의 결함 분류기는 가변하는 판별 임계값(가변하는 누이상스 비율 목표 또는 가변하는 베이지안 프라이어)에 기초하는 자동 튜닝 접근 방식으로 생성될 수 있다. 2 이상의 결함 분류기는 또한 DOI 및 누이상스의 특정 부분 집단을 신뢰성 있게 분리하는 목표로 수동으로 구성될 수 있다. 예를 들어, 결함 분류기는 한 번에 하나의 DOI를 분리하도록 훈련된 가장 가까운 이웃 또는 선형(비선형) 판별 분류기일 수 있다. 한 번에 하나의 DOI로 분류기를 훈련시키는 것은, 가능하게는 캘리포니아 밀피타스의 KLA-Tencor로부터 상업적으로 입수 가능한 소정의 기존 제품을 이용함으로써, 당해 기술 분야에서 알려진 임의의 적합한 방식으로 수행될 수 있다.
2 이상의 결함 분류 프로세스를 수행하는데 사용되는 2 이상의 결함 분류기는 본 방법이 수행될 때 입수 가능한 임의의 모든 결함 분류기를 포함할 수 있다. 그러나, 본 명세서에서 설명된 방법에서 평가된 2 이상의 결함 분류기는 효율을 목적으로 소정의 방식에서 개수가 감소될 수 있다. 예를 들어, 알려진 결함 분류기가 결함의 훈련 세트에 포함된 임의의 DOI를 분류하도록 구성되지 않으면, 본 명세서에서 설명된 실시예에서 사용되지 않을 수 있다. 반대도 또한 적용된다. 본 방법이 수행될 때 알려지고 결함의 훈련 세트에 포함된 적어도 하나의 DOI를 분류하도록 구성된 임의의 모든 결함 분류기가 본 명세서에서 설명된 실시예에 사용될 수 있다. 또한, 본 명세서에서 설명된 실시예에서 사용된 결함 분류기는 단지 기존의 분류기만, 본 발명을 수행하기 전에 존재하지 않았고 따라서 본 명세서에서 설명된 방법에 의해 만들어진 분류기만, 본 명세서에서 설명된 실시예에 의해 소정의 방식으로 수정(또는 튜닝)된 하나 이상의 기존의 분류기 또는 이들의 조합을 포함할 수 있다. 다른 말로 하면, 본 명세서에서 설명된 실시예는 본 명세서에서 설명된 실시예에서 사용되는 하나 이상의 개별 분류기를 생성 및/또는 수정하는 것을 포함할 수 있거나, 포함하지 않을 수 있다.
본 명세서에서 설명된 실시예에서 사용된 개별 결함 분류기가 임의의 적합한 방식으로 생성될 수 있지만, 개별 분류기를 생성하는 하나의 특히 유용한 방식이 이제 설명될 것이다. 이 방법은 트리 생성을 위하여 사용될 결함 속성 리스트를 제공하거나 획득하는 단계를 포함할 수 있다. 결함 속성 리스트는 임의의 적합한 방식으로 획득되거나 생성될 수 있다. 예를 들어, 사용자는 결함 속성 리스트를 수동으로 입력할 수 있다. 다른 예에서, 결함 속성 리스트는 훈련 세트에 포함된 결함의 결함 속성에 기초하여 결정될 수 있다.
각각의 개별 분류기의 각각의 레벨에서, 방법은 그 레벨에서 최상의 분리를 제공하는 속성을 찾아볼 수 있고, 속성은 이 최상의 분리를 제공하는 커트라인(cutline)으로 삽입된다. 최상의 분리를 구성하는 것은 베이지안 프라이어에 의해 영향을 받으며, 따라서 상이한 프라이어가 상이한 트리를 만들 것이다. 분류에 대한 궁극적인 관심이 바이너리 분류, 즉 누이상스 대 DOI이지만, 프라이어는 또한 각각의 결함 종류에 할당될 수 있다.
그 다음, 한 레벨로부터 다음으로의 향상에 대한 소정의 레벨이 성취되지 않을 때, 트리의 구성은 종료될 수 있다. 이것은 하나의 트리의 구성을 끝낸다. 개별 분류기의 각각의 잎 노드는 훈련 세트로부터 어느 종류가 빈에서의 결함 집단의 대다수인지에 따라 "누이상스" 또는 "DOI"라는 라벨을 반송할 수 있다.
본 명세서에서 설명된 실시예에서 사용될 수 있는 대안적인 구성 방법은 속성 선택의 램덤화 및/또는 상이한 정지 기준과 관련된다.
일 실시예에서, 결함 분류 프로세스를 수행하는 단계는, 훈련 세트에서의 결함에 대하여 결정된 결함 분류에 기초하여 2 이상의 결함 분류기를 튜닝하는 단계를 포함한다. 따라서, 본 명세서에서 설명된 실시예는 분류기 훈련(튜닝) 단계를 포함할 수 있다. 2 이상의 결함 분류기가 훈련될 수 있는 다수의 방법이 있다. 예를 들어, 훈련하는 동안, 여러 분류기가 특정 목표를 위하여 튜닝될 수 있다. 이 튜닝은 나머지로부터 결함의 특정 부분 집단을 분리하기 위하여 분류기를 구성하는 수동 프로세스일 수 있거나, 아마도, 당해 기술 분야에서 알려진 임의의 이러한 튜닝 프로세스를 포함할 수 있는 반자동 튜닝 프로세스일 수 있다. 또한, 본 명세서에서 설명된 (분류기의 결함 분류 결과가 훈련 세트에서 결함에 대하여 결정된 결함 분류에 비교되는) 비교하는 단계의 결과는, 분류기에 의해 만들어진 결함 분류 결과가 가능한 한 가깝게 미리 정해진 결함 분류와 매치하여 이에 의해 분류기를 튜닝하도록 분류기의 하나 이상의 파라미터를 변경시키는데 사용될 수 있다. 또한, 본 명세서에서 설명된 실시예에서 사용되는 2 이상의 결함 분류기는 임의의 기존 튜닝 방법에 의해 만들어질 수 있다. 따라서, 본 명세서에서 설명된 실시예에서 사용되는 2 이상의 결함 분류기는 본 명세서에서 설명된 방법에 의해 생성될 수 있다. 그러나, 본 명세서에서 설명된 방법에서 사용되는 결함 분류기는 일부 다른 시스템 및 방법에 의해 생성되고 본 명세서에서 설명된 실시예에 의해 획득될 수 있다. 또한, 본 명세서에서 설명된 실시예에서 사용되는 결함 분류기는 본 명세서에서 설명된 방법이 수행될 때 존재하는 임의의 그리고/또는 모든 결함 분류기를 포함할 수 있다.
도 1은 본 명세서에서 설명된 실시예에서 사용될 수 있는 다수의 상이한 결함 분류기의 예를 예시한다. 예를 들어, 결함 분류기는 분류기(100, 102, 104, 106)를 포함할 수 있다. 도 1에 도시된 바와 같이, 각각의 결함 분류기는 각각의 다른 결함 분류기와는 상이한 결정 트리 구조를 가진다. 그러나, 2 이상의 결함 분류기는 동일한 구조를 가지지만 빈 사이에 상이한 파라미터(커트라인)를 가질 수 있다. 또한, 동일한 결정 트리 구조를 갖는 결함 분류기는 결함 분리를 위하여 상이한 조합의 결함 속성을 이용하도록 구성될 수 있다. 본 명세서에서 설명된 실시예에 의해 사용된 결함 분류기는 웨이퍼 검사 프로세스 동안 웨이퍼 검사 도구에 의해 결정될 수 있는 크기, 극성, 그레이 레벨, 기준 거칠기, 에너지 및 이와 유사한 것을 포함할 수 있다.
도 1에 더 도시된 바와 같이, 결함 분류기(100)는 결함 집단 입력(108)을 빈(110, 112)으로 분리할 수 있다. 그 다음, 결함 분류기는 빈(110)에서의 결함 집단을 빈(114, 116)으로 분리할 수 있다. 또한, 결함 분류기는 빈(112)에서의 결함 집단을 빈(118, 120)으로 분리할 수 있다. 빈(114, 116, 118, 120)의 일부는 DOI 빈일 수 있고 다른 빈은 누이상스 빈일 수 있다.
도 1에 더 도시된 바와 같이, 결함 분류기(102)는 결함 집단 입력(108)을 빈(122, 124)으로 분리할 수 있다. 그 다음, 결함 분류기는 빈(122)에서의 결함 집단을 빈(126, 128)으로 분리할 수 있다. 또한, 빈(124, 126, 128)의 일부는 DOI 빈일 수 있고 다른 빈은 누이상스 빈일 수 있다.
또한, 결함 분류기(104)는 결함 집단 입력(108)을 빈(130, 132)으로 분리하고, 빈(130, 132)에서 더 이상의 부분 집단의 분리는 없다. 따라서, 결함 분류기(104)는 트리 기반의 분류기의 가장 간단한 가능 형태이다. 빈(130, 132)의 하나는 DOI 빈일 수 있고 빈(130, 132)의 다른 하나는 누이상스 빈일 수 있다.
도 1에 더 도시된 바와 같이, 결함 분류기(106)는 결함 집단 입력(108)을 빈(134, 136)으로 분리할 수 있다. 그 다음, 결함 분류기는 빈(134)에서의 결함 집단을 빈(138, 140)으로 분리할 수 있다. 또한, 결함 분류기(106)는 빈(136)에서의 결함 집단을 빈(142, 144)으로 분리할 수 있다. 결함 분류기(106)는 빈(138)에서의 결함 집단 입력을 빈(146, 148)으로 더 분리할 수 있다. 빈(140, 142, 144, 146, 148)의 일부는 DOI 빈일 수 있고 다른 빈은 누이상스 빈일 수 있다.
도 1로부터 알 수 있는 바와 같이, 동일한 집단 내의 결함은 상이한 분류기에 의해 다수의 상이한 빈으로 분리될 수 있다. 이와 같이, 집단 내의 결함은 상이한 분류기에 의해 상이한 분류가 할당된다. 전술한 바와 같이, 결함 분류기는 소정의 개수의 DOI 빈(예를 들어, 적어도 하나의 DOI 빈)과 소정의 개수의 누이상스 빈(적어도 하나의 누이상스 빈)을 포함할 수 있다. 일부 경우에. 임의의 하나의 결함 분류기에서의 모든 DOI 빈은 동일한 종류의 DOI를 위한 것일 수 있다. 이러한 결함 분류기는 결함 분류의 목적이 바이너리 분류 사용인 경우, 즉 누이상스 필터링일 때 사용될 수 있다. 그러나, 본 명세서에서 설명된 실시예는 다중 DOI 클래스 분류로 확장될 수 있다. 이러한 실시예에서, 상이한 종류의 DOI가 동일한 트리에서 상이한 빈으로 분리될 수 있도록, 결함 분류기의 하나 이상이 상이한 DOI 종류에 대하여 여러 DOI 빈을 가지도록 구성될 수 있다.
방법은, 2 이상의 결함 분류기에 의해 생성된 결함 분류 결과를 훈련 세트에서 결함에 대하여 결정된 결함 분류에 비교하는 단계를 더 포함한다. 예를 들어, 훈련 세트에서의 임의의 하나의 결함에 대하여, 비교하는 단계는 2 이상의 결함 분류기(예를 들어, 도 1의 예에서, 결함 분류기(100, 102, 104, 106))의 모두에 의해 결함에 할당된 결함 분류를 훈련 세트에 포함된 결함에 대한 결함 분류에 비교할 수 있다. 따라서, 비교하는 단계의 출력은 결함 분류기의 각각이 정확한 결함 분류(훈련 세트에서의 분류)를 각각의 결함에 할당하였는지에 관한 소정의 정보를 포함할 수 있다. 분류기가 정확한 분류를 결함에 할당하는지 여부는 분류기에 관한 정보를 결정하기 위하여 본 명세서에서 설명되는 바와 같이 사용될 수 있다.
또한, 방법은 비교하는 단계의 결과에 기초하여 2 이상의 결함 분류기에서 하나 이상의 빈의 하나 이상의 특성을 결정하는 단계를 포함한다. 따라서, 방법은 데이터의 훈련 세트(들)에서 다수의 결정 트리를 분석한다. 다른 말로 하면, 방법은 결함이 분류기에 의해 정확한 빈에 할당되었는지에 기초하는 빈의 특성(들)을 결정함으로써 다수의 결함 분류기를 분석할 수 있다. 이 단계는 본 명세서에서 더 논의되는 바와 같이 다수의 상이한 특성에 기초하여 다수의 상이한 방식으로 수행될 수 있다.
일부 실시예에서, 2 이상의 결함 분류 프로세스를 수행하기 위하여 2 이상의 결함 분류기로 입력되는 데이터의 훈련 세트는 데이터의 전체 훈련 세트를 포함할 수 있다. 그러나, 일부 경우에, 데이터의 훈련 세트의 일부만이 2 이상의 결함 분류기로 입력될 수 있다. 데이터의 훈련 세트는 교차 검증 목적으로 이 방법으로 분할될 수 있다. 예를 들어, 교차 검증은 훈련 세트가 실제로 훈련되는 결함 그룹과 훈련이 평가되는 상이한 그룹으로 분할되는 방법을 말한다. 하나의 이러한 실시예에서, 훈련 세트는 전체 훈련 세트를 커버하는 대략 동일한 개수의 결함(전체 훈련 세트의 대략 10%)의 임의의 선택된 10개의 디스조인트(disjoint)로 분할될 수 있다. 그 다음, 10개의 세트의 각각에 대하여, 훈련을 위하여 훈련 세트의 다른 90% 를 사용하고 훈련된 모델의 검증을 위하여 더 작은 시험 세트(훈련 세트의 대략 10%)를 사용할 것이다.
일부 이러한 경우에, 방법은 훈련 데이터 세트의 대략 90%의 상이한 부분을 이용하여 훈련하고, 그 다음 훈련 데이터 세트에 기초하여 빈의 적어도 일부의 안정성과 순도와 같은 하나 이상의 특성을 평가하는 단계를 포함한다. 최상의 분류기가 선택될 수 있고, 이러한 분류기를 위한 빈 점수가 본 명세서에서 더 설명되는 바와 같이 결정될 수 있다. 이 프로세스는 모든 결함이 이러한 방식으로 처리될 때까지 다른 세트에 대하여 반복될 수 있다.
방법은 결정된 하나 이상의 특성에 기초하여 2 이상의 결함 분류기에서 하나 이상의 빈에 순위(rank)를 할당하는 단계를 더 포함한다. 이러한 방식으로, 하나 이상의 빈의 하나 이상의 결정된 특성을 제공하는 위에서 설명된 결함 분류기의 분석이 하나 이상의 빈에 순위를 매기는데 사용될 수 있다. 특히, 모든 분류기에 대한 위에서 설명된 분석은 훈련 세트에서 실행되는 모든 분류기의 모든 빈에 대한 순위 할당 스킴에 도달하는데 사용될 수 있다. 할당하는 단계의 출력은 2 이상의 결함 분류기에서 모든 빈의 순위일 수 있다. 일부 경우에, 사용자 입력이 순위 할당 스킴을 파라미터화(예를 들어, 얼마나 많은 가중치가 빈 안정성에 대하여 빈 순도에 주어져야 하는지 등)하기 위하여 사용될 수 있다. 순위를 할당하는 것은 본 명세서에서 더 설명되는 바와 같이 다수의 상이한 방식으로 수행될 수 있다.
할당하는 단계의 결과의 일 실시예에서, 도 2에 도시된 바와 같이, 결함 분류기(100, 102, 104, 106)에 의해 만들어진 빈의 각각은 도 2에서 빈에 숫자로 도시된 바와 같이 1 내지 14의 순위가 할당될 수 있다. 이 순위는 본 명세서에서 더 설명된 임의의 특성(들)에 기초하여 할당될 수 있다. 도 2에 도시된 바와 같이, 어떠한 2개의 빈도 동일한 순위가 할당되지 않는다. 이러한 방식으로, 결함이 2 이상의 빈 중 임의의 빈으로 분리되면, 본 명세서에서 더 설명된 바와 같이 수행된 분류는 순위에 기초하여 결함에 대한 최종 빈을 명확하게 중재할(arbitrate) 수 있다. 예를 들어, 결함에 상이한 결함 분류에 대응하는 2개의 상이한 빈으로 할당되면, 그리고 어떠한 빈도 동일한 순위를 가지지 않으면, 결함이 분리된 2개의 빈은 반드시 상이한 순위를 가질 것이고, 이에 의해 결함을 위한 최종 결함 분류의 중재를 더 간단하게 만든다. 그러나, 하나 이상의 결함 분류기에서 빈의 일부는 동일한 순위를 할당 받을 수 있고, 결함이 동일한 순위를 갖는 2 이상의 빈에 할당되는 상황에 대하여, 더 복잡한 중재 스킴(예를 들어, 본 명세서에서 설명된 실시예에 의해 결정된 순위와 사용자가 할당한 가중치의 조합을 사용)이 사용될 수 있다는 것을 생각할 수 있다. 순위가 정수(whole number, integer)로서 도 2에 도시되지만, 설명된 실시예에서 사용되는 순위는 임의의 적합한 포맷을 가질 수 있다. 또한, 말하자면 0에서 100까지의 간단한 점수 부여에 비하여, 이러한 "계층적(hierarchical)" 순위 매김은 점수 부여의 부분이 더 중요한 사용자 입력을 허용한다. 다른 말로 하면, 이 스킴은, 예를 들어, 더 많은 안정성 또는 더 많은 순도 등과 같이, 상이한 특성을 갖는 분류기를 만들기 위하여 자주 경쟁하는 기준에 가중치를 사용자가 부여하게 한다.
도 2에 더 도시된 바와 같이, 모든 결함 분류기로부터 제공되는 모든 빈은 서로에 대하여 총괄적으로 순위가 매겨졌다. 따라서, DOI 빈 및 누이상스 빈 모두가 함께 서로에 대하여 순위가 매겨졌다. 이러한 방식으로, DOI 빈은 누이상스 빈과는 개별적으로 서로에 대하여 순위가 매겨지지 않았다. 예를 들어, 결함이 하나의 분류기에 의해 DOI 빈으로 그리고 다른 분류기에 의해 누이상스 빈으로 분류될 수 있기 때문에, 모든 가능한 (DOI 및 누이상스) 빈이 함께 순위가 매겨졌다면, 하나의 결함에 대한 DOI 빈 및 누이상스 빈의 순위가 쉽게 비교될 수 있어, 본 명세서에서 더 설명된 결함 분류 중재를 가능한 한 간단히 만든다.
일 실시예에서, 하나 이상의 특성은 2 이상의 결함 분류기에서 하나 이상의 빈에 할당된 훈련 세트에서의 결함의 순도(purity)를 포함하고, 더 높은 순위가 더 높은 순도에 대응하도록 하나 이상의 빈에 할당된 순위는 순도에 기초한다. 빈에서의 결함의 순도는 일반적으로 빈에 정확하게 할당된 결함 대 빈에 부정확하게 할당된 결함의 소정의 정도(예를 들어, 개수, 비율, 퍼센티지 등)으로서 정의된다. 예를 들어, DOI 빈의 순도는 DOI 종류의 빈인 빈에 할당된 결함의 개수 대 다른 종류의 DOI 또는 누이상스인 빈에 할당된 결함의 개수에 기초하여 결정될 수 있다. 하나의 이러한 예에서, 브리징(bridging) 결함에 대한 빈의 순도는 빈에 할당된 브리징 결함의 개수 대 빈에 할당된 다른 비-브리징(non-bridging) DOI 및 누이상스의 개수에 기초하여 결정될 수 있다. 이러한 방식으로, 99개의 브리징 결함과 1개의 비-브리징 결함을 포함하는 브리징 결함에 대한 하나의 빈은 70개의 브리징 결함과 30개의 비-브리징 결함을 포함하는 브리징 결함에 대한 다른 빈에 비하여 더 순수할 수 있다. 누이상스 빈의 순도가 유사한 방식으로 결정될 수 있다. 고려되는 각각의 빈에 대한 순도가 결정되면, 순도는 서로 비교되어, 이에 의해 최상의 순도로부터 최하의 순도까지 빈의 순서를 결정할 수 있고, 이는 본 명세서에 설명되는 바와 같이 순위를 할당하는데 사용될 수 있다.
다른 실시예에서, 하나 이상의 특성은 2 이상의 결함 분류기에서 하나 이상의 빈에 할당된 훈련 세트에서의 결함의 안정성을 포함하고, 더 높은 순위가 더 높은 안정성에 대응하도록 하나 이상의 빈에 할당된 순위는 안정성에 기초한다. 빈에 할당된 훈련 세트에서의 결함의 안정성은 일반적으로 빈에 대하여 커트라인(들)에 근접하는 빈에서의 결함의 밀도의 정도로서 정의될 수 있다. 이러한 방식으로, 안정성은 얼마나 많은 결함이 빈의 커트라인에 상대적으로 가까운 속성을 가지는지에 대한 표시일 수 있다. 예를 들어, 웨이퍼 상의 (훈련 웨이퍼에 비교하여) 상대적으로 작은 비-결함(non-defect) 관련 변화가 결함을 분류하는데 사용되는 웨이퍼에서 검출되는 결함의 (결함의 훈련 세트에 비교하여) 상대적으로 작은 변화를 발생시킬 수 있다. 따라서, 훈련 웨이퍼에서의 결함이 빈의 커트라인에 실질적으로 가까운 특성을 가진다면, 결함 특성(들)에서의 상대적으로 작은 변화가 비-훈련(non-training) 웨이퍼에서의 결함이 다른 빈으로 잘못 할당되게 할 수 있다. 이와 같이, 비-훈련 웨이퍼에서의 결함이 할당되었어야 한 빈은 웨이퍼에서의 상대적으로 작은 비-결함 관련 변화에 대하여 상대적으로 불안정하다. 결과적으로, 더 안정된 결함 빈은 덜 안정된 결함 빈에 비하여 "더 양호하거나" 더 강력하며, 본 명세서에 설명된 순위는 이러한 빈 차이를 반영하도록 할당될 수 있다.
추가적인 실시예에서, 하나 이상의 특성은 훈련 세트에서의 결함을 하나 이상의 빈에 정확하게 분리하기 위한 2 이상의 결함 분류기 중 적어도 하나의 신뢰성(reliability)을 포함하고, 더 높은 순위가 더 높은 신뢰성에 대응하도록 하나 이상의 빈에 할당된 순위는 신뢰성에 기초한다. 이러한 방식으로, 트리의 가장 신뢰성 있고 가장 구별되는 부분이 식별될 수 있다. 빈의 신뢰성은 일반적으로 본 명세서에서 더 설명된 순도 및 안정성과 같은 빈의 다른 특성(들)에 기초하여 정의될 수 있다. 그러나, 빈의 신뢰성은 정확성, 정밀성 등과 같은 빈에 할당된 훈련 세트에서의 결함의 다른 특성(들) 또는 개별 빈에 관련된 결함 분류기의 성능을 평가하는데 사용될 수 있는 임의의 다른 특성에 기초하여 결정될 수 있다. 이러한 방식으로, 각각의 결함 분류기에서 각각의 빈의 신뢰성은 가장 신뢰성이 있는 것으로부터 가장 신뢰성이 없는 것으로 빈의 순서를 결정하도록 서로 비교될 수 있고, 이에 따라 순위가 본 명세서에서 더 설명되는 바와 같이 그 순서에 기초하여 할당될 수 있다.
따라서, 본 명세서에서 설명되는 바와 같이, 각각의 빈의 순위는 빈의 다양한 상이한 특성에 기초하여 할당될 수 있다. 본 명세서에서 설명된 실시예에서 사용된 특성에 관계없이, 각각의 빈의 순위는 항상 이의 라벨(예를 들어, DOI 빈으로서의 라벨 또는 누이상스 빈으로서의 라벨)과 매치하는 종류의 결함의 집합적인 특성일 것이다. 예를 들어, 빈이 DOI 빈으로서 지정되면, 이것은 빈의 순도 특성(들)을 결정할 DOI 집단의 순도일 것이다. 안정성에 대하여, 빈에서의 DOI가 소정의 의미로 빈에서의 DOI가 커트라인으로부터 "멀리" 있고, 커트라인의 다른 측, 즉 이웃하는 빈에서의 누이상스 집단도 커트라인으로부터 "멀리" 있다면, 이러한 빈은 상대적으로 높은 점수를 얻을 것이다.
모든 분류기 빈 및 분류 경계에 대한 이러한 객관적인 순위 매김 스킴의 개발로, 단독의 임의의 개별(구성을 이루는) 분류기에 비하여 더 양호한 분류 결과를 성취할 수 있는 분류기의 서브 세트를 인식하는 것이 가능하다. 많은 시스템 및 방법이 자동 튜닝 결정 트리 분류기에 대하여 존재하지만, 이러한 시스템 및 방법의 어느 것도 본 명세서에서 설명된 바와 같은 다수의 분류기의 제안된 조합을 위하여 사용될 수 있는 순도, 안정성 등에 대한 분류기의 개별 입 노드(빈)를 분석하고 점수를 매기지 않는다. 대신에, 이러한 기존 시스템 및 방법은 중재를 위한 단순한 투표 기준에 의존한다(예를 들어, 랜덤 포레스트(Random Forest) 접근 방식).
방법은, 하나 이상의 빈에 할당된 순위에 기초하여 복합 결함 분류기에 포함될 2 이상의 결함 분류기 중 적어도 2`개를 선택하는 단계를 포함한다. 선택하는 단계는 훈련 데이터 및 위에서 설명된 바와 같이 만들어진 순위로 작업할 수 있다. 다른 말로 하면, 훈련 데이터를 이용하여 만들어진 결과에 기초하여 빈이 순위가 매겨진 분류기가 선택하는 단계로 전달될 수 있다. 그 다음, 2 이상의 결함 분류기의 최상의 서브 세트가 본 명세서에서 더 설명된 복합 결함 분류기에서의 사용을 위하여 선택될 수 있다. 본 명세서에서 설명된 바와 같이 최상의 분류 영역을 갖는 개별 분류기만을 더 양호한 복합 결함 분류기에 조합하는 개념은 웨이퍼 검사 방법에서 새로운 것으로 믿어진다. 또한, 본 명세서에서 설명된 바와 같이 개별 분류기를 생성하고 선택하는 것은 웨이퍼 검사 방법에서 새로운 것으로 믿어진다. 또한, 본 명세서에서 설명된 바와 같이 훈련 세트에서의 개별 분류기의 글로벌(global) 빈 순위에 기초하여 선택하는 단계를 수행하는 것은 새로운 것으로 믿어진다. 선택하는 단계의 출력은 대응하는 빈 순위를 갖는 분류기의 선택된 서브 세트일 수 있다.
선택하는 단계는 선택하는 단계에서 유연성(수동에서 알고리즘적으로)을 허용하도록 사용자 입력에 기초하여 수행될 수 있다. 따라서, 복합 결함 분류기에 포함될 결함 분류기를 식별하는데 있어서 상이한 자동화 레벨이 있을 수 있다. 예를 들어, 훈련 동안 획득된 세트부터의 결함 분류기의 선택은 누이상스로부터 특정 DOI 종류의 전반적인 판별과 같은 일부 특정 기준을 자동으로 최대화하도록 될 수 있다. 이 대신에, 실시예는 간단히 이러한 기준이 분류기를 수동으로 결합할 수 있는 사용자가 사용 가능하게 할 수 있다.
방법에서 사용된 2 이상의 결함 분류기가 상이한 종류의 결함 분류기일 수 있기 때문에, 적어도 2개의 선택된 결함 분류기는 상이한 종류의 결함 분류기를 포함할 수 있다. 예를 들어, 선택된 결함 분류기는 모든 DOI 종류를 더욱 신뢰성 있게 분류하는 복합 결함 분류기로 조합될 수 있는 결정 트리형 결함 분류기 및/또는 가장 가까운 이웃 또는 선형(비선형) 판별 분류기를 포함할 수 있다.
일 실시예에서, 선택하는 단계는 결함의 훈련 세트에서 DOI의 가장 큰 세트에 대하여 가장 높은 순위를 할당 받는 하나 이상의 빈을 포함하는 2 이상의 결함 분류기의 서브 세트를 선택하는 단계를 포함한다. 이러한 방식으로, 가장 큰 DOI 세트를 가장 신뢰성 있게(즉 가장 높은 순위를 가짐) 분류하는 분류기의 서브 세트가 선택될 수 있다. 이러한 선택하는 단계는 알려진 DOI가 할당된 빈에 대응하는 순위를 최대화하고, 선택된 결함 분류기의 개수를 최소화하는 임의의 방법 및/또는 알고리즘을 이용하여 수행될 수 있다. 이러한 방식으로, 대부분의 DOI를 정확하게 효과적으로 분류하는 가장 간단한 복합 결함 분류기가 생성될 수 있다.
다른 실시예에서, 순위는 2 이상의 결함 분류기에서 하나 이상의 빈에서 훈련 세트에서의 DOI와 훈련 세트에서의 누이상스 사이의 분리에 대응하고, 선택하는 단계는 하나 이상의 빈에 할당된 순위에 기초하여 최대 DOI 분리를 만드는 2 이상의 결함 분류기의 최소 개수를 선택하는 단계를 포함한다. DOI 사이의 분리는 일반적으로 특정 분류를 갖는 모든 DOI를 그 분류에 대응하는 빈에 할당하여, 이에 의해 집단에서 DOI를 다른 결함으로부터 분리하는 분류기의 능력으로서 정의될 수 있다. 따라서, DOI 사이의 분리는, 예를 들어, 분류기에 의해 대응하는 빈에 할당된 결함 훈련 세트에서의 특정 DOI 종류를 갖는 결함의 전체 개수의 개수, 퍼센티지 등에 기초하여 결정될 수 있다. 그 다음, 빈은 최대 DOI 분리로부터 최소 DOI 분리까지의 순서로 정렬될 수 있다. 그 다음, 순위가 그 순서에 기초하여 할당될 수 있다. 이러한 방식으로, 선택하는 단계는 최대 DOI 분리를 만들 수 있는 분류기의 가장 작은 서브 세트를 선택하도록 수행될 수 있다. 이러한 선택하는 단계는 DOI 분리를 최대화하고 선택된 결함 분류기의 개수를 최소화하는 임의의 방법 및/또는 알고리즘을 이용하여 수행될 수 있다. 이러한 방식으로, DOI 사이의 분리를 최대화하는 가장 간단한 복합 결함 분류기가 생성될 수 있다.
전형적으로, 개별 분류기에서의 빈의 대부분은 부분적으로 혼합(순수하지 않게)될 것이다. 하나의 DOI 종류의 모든 결함이 하나의 빈에 있다 하더라도, 동일한 빈에서 상당한 양의 누이상스가 역시 있다면, 이것이 양호한 빈일 것이라고 반드시 의미하지 않는다. 한편, 약간의 브리징 결함이 누이상스가 거의 없이 빈에 있게 될 수 있고, 일부 다른 것이 더 큰 누이상스 비율을 갖는 빈에 있게 될 수 있다. 이러한 경우에, 상대적으로 높은 순도를 갖는 하나의 빈이 하나의 분류기에서 선택될 수 있고, 동일한 DOI 종류의 다른 결함을 분리할 다른 분류기가 검색되어 본 명세서에서 더 설명되는 바와 같이 복합 결함 분류기에 포함될 수 있다. 따라서, 빈 "양호(goodness)"는 실제로 DOI 분리에 기초하여 빈을 평가할 때에도 빈의 순도(및 안정성)에 관련될 수 있다.
언급할 가치가 있는 다른 점은 더 양호한 DOI 분리가 "양호한" 일부 누이상스 부분 집단을 분리하는 일부 빈을 찾는 것으로 성취될 수 있다는 것이다. 높게 순위가 매겨진 누이상스 빈으로 신뢰성 있게 가는 이 부분 집단을 가지는 것으로, 이러한 누이상스 결함이 다른 분류기로 갈 수 있는 모든 더 낮게 순위가 매겨진 DOI 빈의 순도를 효과적으로 개선할 수 있다. 따라서, 빈의 순위는 양호한 DOI 분리를 찾는 것에 기초할 뿐만 아니라, 누이상스가 신뢰성 있게 격리되는 소정의 빈을 찾는 것에 기초할 수 있다.
추가적인 실시예에서, 방법은, 선택된 적어도 2개의 결함 분류기에 포함된 하나 이상의 빈에 할당된 순위를 갖는 선택된 적어도 2개의 결함 분류기에 대한 정보를 저장함으로써 복합 결함 분류기를 생성하는 단계를 포함한다. 예를 들어, 분류기의 선택된 서브 세트는 모든 빈에 대한 훈련 프로세스로부터의 순위 정보를 반송할 수 있다. 또한, 정보를 저장하는 것은 복합 결함 분류기에 대한 정보를 사용될 임의의 검사 레시피에 붙이는 것을 포함할 수 있다. 분류기에서 빈에 할당된 순위는, 본 명세서에서 더 설명된 것을 포함하는, 임의의 적합한 방식으로 임의의 적합한 저장 매체에서 분류기에 대한 다른 정보와 함께 저장될 수 있다.
도 1 및 2에 도시된 결함 분류기의 하나의 이러한 예에서, 도 3에 도시된 바와 같이, 결함 분류기(100, 104, 106)만이 복합 결함 분류기에 포함되도록 선택된다. 이러한 방식으로, 도 1 및 2에 도시된 결함 분류기(102)는 복합 결함 분류기에 포함되도록 선택되지 않았으며, 이는 방법에서 고려된 모든 결함 분류기의 서브 세트만을 포함한다. 도 3에 더 도시된 바와 같이, 선택된 결함 분류기에서 빈의 각각에 할당된 순위는 보유되고, 그 정보는 결함 분류기에 대한 임의의 모든 정보(예를 들어, 결함 분류기 식별, 빈 식별, 커트라인과 같은 파라미터 등)와 함께 저장될 수 있다. 이러한 방식으로, 보유되고 저장된 순위는 본 명세서에서 더 설명되는 바와 같이 사용될 수 있다.
추가 실시예에서, 방법은, 선택된 적어도 2개의 결함 분류기에 기초하여 복합 결함 분류기를 생성하는 단계를 더 포함하고, 복합 결함 분류기를 생성하는 단계는 선택된 적어도 2개의 결함 분류기의 임의의 것을 변경하는 단계를 포함하지 않는다. 일부 실시예에서, 방법은, 선택된 적어도 2개의 결함 분류기에 기초하여 복합 결함 분류기를 생성하는 단계를 더 포함하고, 복합 결함 분류기를 생성하는 단계는 선택된 적어도 2개의 결함 분류기의 임의의 것을 튜닝하는 단계를 포함하지 않는다. 예를 들어, 방법은 데이터의 훈련 세트를 이용하여 수행될 수 있는 분류기 훈련(또는 튜닝)을 포함한다. 특히, 본 명세서에서 설명된 (분류기의 결함 분류 결과가 훈련 세트에서 결함에 대하여 결정된 결함 분류에 비교되는) 비교하는 단계의 결과는 결함 분류기에 의해 만들어진 결함 분류 결과가 미리 정해진 결함 분류에 가능한 한 가깝게 매치하여 이에 의해 분류기를 튜닝하도록 분류기의 하나 이상의 파라미터를 변경하는데 사용될 수 있다. 이와 같이, 본 명세서에서 설명된 바와 같이 분류기에서 빈에 대하여 결정된 하나 이상의 특성은 2 이상의 튜닝된 결함 분류기에서의 하나 이상의 빈의 하나 이상의 특성일 수 있다. 또한, 방법의 다른 단계들이 튜닝된 분류기를 이용하여 수행될 수 있다. 이와 같이, 적어도 2개의 결함 분류기가 선택되면, 복합 결함 분류기가 분류기에서 어떠한 추가 튜닝도 수행하지 않고 선택된 결함 분류기에 기초하여 생성될 수 있다.
또 다른 실시예에서, 방법은, 선택된 적어도 2개의 결함 분류기에 기초하여 복합 결함 분류기를 생성하는 단계를 더 포함하고, 복합 결함 분류기를 생성하는 단계는 선택된 적어도 2개의 결함 분류기를 결함 분류기 시퀀스로 조합하는 단계를 포함하지 않는다. 예를 들어, 본 명세서에서 더 설명된 바와 같이, 복합 결함 분류기는 선택된 적어도 2개의 결함 분류기를 포함하지만, 복합 결함 분류기에서 선택된 결함 분류기를 포함하는 것은 개별의 선택된 결함 분류기를 변경하거나 수정하는 것을 포함하지 않는다. 따라서, 트리는 웨이퍼에서 검출된 결함 집단으로부터 개별 분류기의 입력을 변경하고 다른 개별 분류기의 출력으로 분류되도록 수정되지 않는다. 다른 말로 하면, 복합 결함 분류기에서, 개별 분류기는 하나의 분류기의 출력이 다른 분류기로 입력되도록 배치되지 않는다. 따라서, 복합 결함 분류기를 생성하는 것은 상대적으로 작은 결정 트리를 분류될 결함 집단이 단지 한번 입력되고 결함이 단지 하나의 빈에만 할당되는 하나의 단일의 더 큰 판단 트리로 조합하는 것에 균등하지 않다.
따라서, 본 명세서에서 설명된 실시예는 현재 사용되는 다른 결함 분류기 및 결함 분류기를 생성하기 위하여 현재 사용되는 다른 방법과는 다르다. 예를 들어, 본 명세서에서 설명된 것과 같은 분류기의 조합은 웨이퍼 검사 프로세스에서 시도되지 않았다고 믿어진다. 유일한 다소 유사한 능력은 생산 스캔 동안의 다수의 누이상스 필터의 시퀀싱이다. 그러나, 이러한 흐름에서, 필터링은 순수히 필터의 순차적인 실행에 기초하여, 더 복잡한 조합기 규칙은 사용되지 않는다. 시퀀싱된 누이상스 필터는 각각의 필터가 특정 누이상스 소스를 필터링하여 제거하도록 튜닝될 수 있기 때문에 실질적으로 강력하지만, 본 명세서에서 설명된 실시예는 또한 인간인 전문가가 놓칠 수 있는 경향(trend)을 식별하는 것을 허용할 수 있으며, 실시예들은 또한 비닝(binning)에도 사용될 수 있다.
결함 분류기를 생성하기 위하여 현재 사용되는 일부 다른 방법은 "랜덤 포레스트" 분류에 기초한다. 이것은 많은 수의 트리가 랜덤으로 생성되고 - 속성이 모든 결정 트리의 각각의 노드에서 랜덤으로 선택된다 - 전형적으로 모든 빈이 순수하게 될 때까지 트리가 가지치기 없이 구축되는 "앙상블(ensemble)" 방법이다. 각각의 빈에서의 라벨은 그 빈에 있는 훈련 세트에서의 결함의 종류에 의해 결정된다. 그 다음, 모든 트리가 분류 동안 사용되고, 각각의 결합은 간단한 투표에 기초하여 레벨을 획득한다. 즉, 대부분의 트리가 결함을 A 종류인 것으로 분류하면, 결함은 A 종류로 분류될 것이다.
본 명세서에서 설명된 접근 방식은 랜덤 포레스트 분류기와는 매우 다르다. 적어도 4개의 기본적인 차이가 있다. 예를 들어, 본 명세서에서 설명된 실시예에서, 개별 트리는 고정된 깊이로만 구성되고, 한 레벨로부터 다음으로의 판별에서 소정의 최소 향상에 대한 요건 때문에 보통 훨씬 더 이르게 종료한다. 그 결과, 본 명세서에서 설명된 실시예에서 사용된 후보 분류기에서의 빈은 일반적으로 랜덤 포레스트 분류에서와는 다르게 순수하지 않다. 다른 예에서, 본 명세서에서 설명된 실시예에서 사용된 "포레스트" 또는 후보 트리 세트가 생성되는 방식은 상이하다. 특히, 본 명세서에서 설명된 실시예에서 사용된 후보 트리의 포레스트를 형성하는 방법은 수정 베이시안 프라이어(modified Bayesian prior), 즉 변동된 판별 임계값으로 솔루션을 생성하는 것에 기초할 수 있다. 추가적인 예에서, 이 포레스트로부터 트리의 서브 세트, 예를 들어, 가장 높은 가능 점수를 갖는 빈으로 모든 결함을 분류하는데 필요한 트리만이, 본 명세서에서 다양한 위치에서 설명된 바와 같은 분류를 위하여 선택되는 방식은, 위에서 설명된 랜덤 포레스트 분류기와는 상이하다. 다른 예에서, 본 명세서에서 설명된 실시예에서 사용된 분류를 위한 중재 스킴은 본 명세서에서 광범위하게 설명된 바와 같이 상이하다.
대조적으로, 본 명세서에서 설명된 실시예는 개별 분류 경계의 신뢰성을 분석하고 각각의 분류기의 가장 순수하고 가장 안정된 빈을 식별하는 것에만 사용되지 않고, 실시예는 또한, (a) 가장 적합한 분류기의 세트를 식별하기 위하여 (빈 순위 정보에 기초하여) 주어진 세트로부터 가장 적합한 분류기의 서브 세트를 식별하기 위한 방법, 및 (b) 빈 순위에 기초하여 방법(들)을 조합하는 것을 제공한다.
방법은 검사 시스템을 이용하여 웨이퍼에 대한 검사 결과를 획득하는 단계를 포함한다. 검사 결과는 웨이퍼에서 검출된 결함에 대한 정보를 포함한다. 사용자는 방법에서 사용될 검사 결과 파일을 선택할 수 있다. 검사 결과는 웨이퍼에서 검출된 결함의 위치와 같은 웨이퍼에서 검출된 결함에 관한 정보와, 결함에 대하여 결정된 결함 속성과 결함에 대하여 생성된 이미지 데이터 또는 이미지들과 같은 웨이퍼에서 검출된 결함에 대한 임의의 다른 정보를 포함할 수 있다. 검사 결과를 획득하는 것은 검사 시스템으로 웨이퍼를 스캔하는 것을 포함할 수 있다. 다른 말로 하면, 검사 결과를 획득하는 것은 검사 시스템으로 웨이퍼 상에 웨이퍼 검사 프로세스를 수행하여, 이에 의해 웨이퍼에서 결함을 검출하고 결함에 대한 정보를 생성할 수 있다. 그러나, 검사 결과를 획득하는 것은 검사 결과가 검사 시스템에 의해 저장된 저장 매체로부터 검사 결과를 획득하는 것을 포함할 수 있다.
방법은, 웨이퍼에서 검출된 결함에 대한 정보를 복합 결함 분류기에 포함되도록 선택된 적어도 2개의 결함 분류기의 각각에 입력함으로써 웨이퍼에서 검출된 결함을 분류하는 단계로서, 복합 결함 분류기에서의 2 이상의 빈에 할당된 결함의 적어도 하나에 대하여, 2 이상의 빈에 할당된 순위에 기초하여 결함의 적어도 하나에 대한 빈을 결정하는 단계를 더 포함한다. 따라서, 방법은, 분류기 실행 엔진에 의해 수행될 수 있는 분류기 실행 단계를 포함한다. 분류하는 단계는, 복합 결함 분류기에 포함된 모든 결함 분류기로 모든 결함을 처리할 수 있다. 이러한 방식으로, 생산 웨이퍼에서, 복합 결함 분류기에서의 모든 분류기가 실행될 수 있고, 각각의 결함에 대하여 가장 신뢰성 있는 분류가 결정될 수 있다. 그 다음, 결함은 대응하는 빈에 할당될 수 있다.
일부 실시예에서, 복합 결함 분류기에서 2 이상의 빈에 할당된 결함 중 적어도 하나의 결함에 대하여, 2 이상의 빈에 할당된 순위에 기초하여 결함의 적어도 하나에 대한 빈을 결정하는 단계는, 2 이상의 빈의 순위를 비교하고, 2 이상의 빈 중 가장 높은 순위를 갖는 빈에 결함의 적어도 하나를 할당하는 단계를 포함한다. 이러한 방식으로, 결함이 그 일부인 가장 높게 순위가 매겨진 빈에 기초하여 부분적인 결과를 중재함으로써 분류가 각각의 결함에 할당될 수 있다. 이러한 방식으로, 결함에 대한 분류는 결함에 할당된 다양한 분류의 순위에 기초하여 결정되어, 이에 의해 최종 분류를 만들 수 있다. 실행 동안, 각각의 결함이 할당되는 빈의 개수는 복합 분류기에서의 개별 분류기의 개수와 동일하여야 한다.
하나의 이러한 실시예에서, 도 4에 도시된 바와 같이, 웨이퍼에 대한 검사 결과는 웨이퍼(402)에서 검출된 결함(400)에 대한 정보를 포함한다. 결함은 분류 단계의 추가적인 이해를 위하여 이 도면에 단순히 도시되지만, 웨이퍼에서 검출되고 본 명세서에서 설명된 바와 같이 분류될 수 있는 임의의 특정 결함을 나타내는 것으로 의도되지 않는다. 예를 들어, 본 명세서에서 설명된 실시예는 분류될 수 있는 결함의 종류 또는 실시예가 사용될 수 있는 웨이퍼의 종류에 제한되지 않는다.
본 도면에서 도시된 복합 결함 분류기(404)는 도 3의 예에서 위에서 설명된 바와 같이 선택된 결함 분류기(100, 104, 106)를 포함한다. 검사 결과가 웨이퍼에 대하여 획득된 후에, 웨이퍼에서 검출되고 분류될 모든 결함은 복합 결함 분류기에 포함된 결함 분류기(100, 104, 106)의 각각에 입력될 것이다. 결함 분류기가 동시에 실행될 수 있다면, 모든 결함 분류기가 병렬로 실행될 수 있다. 그러나, 결함 분류기가 어떤 이유(예를 들어, 사용 가능한 컴퓨팅 리소스)로 모두 동시에 실행될 수 없다면, 결함 분류기는 연속으로 실행될 수 있다. 그러나, 어떠한 경우에도, 각각의 결함 분류기에 대한 입력은 정확하게 동일할 것이다(즉, 웨이퍼에서 검출되고 분류될 동일한 집단). 이러한 방식으로, 결함 분류기가 결함 분류기의 시퀀스로 구성되는 경우일 수 있는 바와 같이, 하나의 결함 분류기의 결과는 다른 결함 분류기에 입력되지 않는다.
이제 분류 프로세스가 웨이퍼에서 단일 결함에 관하여 설명될 것이지만, 이 분류는 웨이퍼에서 검출된 임의의 모든 결함에 대하여 수행될 수 있다는 것이 이해되어야 한다. 특히, 도 4에 도시된 바와 같이, 결함(400a)에 대한 정보는 모든 결함 분류기(100, 104, 106)에 입력된다. 결함 분류기의 각각은 결함을 빈에 할당한다. 따라서, 결함(400a)은 3개의 상이한 빈에 할당된다. 그 다음, 본 명세서에서 설명된 실시예에 따라 이러한 3개의 빈에 할당된 순위는, 가장 간단한 구현예에서, 결함이 할당된 모든 빈의 모든 순위를 비교하고, 가장 높은 순위를 갖는 빈에 대응하는 분류로서 결함의 분류를 결정하는 것을 포함하는 중재 단계(406)로 보내질 수 있다. 중재 단계의 출력은, 따라서, 분류(408)를 포함할 수 있고, 이는 그 다음 결함(400a)에 할당될 수 있다. 그 다음, 이러한 방식으로 결정된 분류는 임의의 다른 결함 분류가 저장되어 사용되는 것과 동일한 방식으로 저장되어 사용될 수 있다.
일부 실시예에서, 중재 단계는 결함이 할당된 빈에 대응하는 분류에 관계없이 임의의 결함에 대하여 수행될 수 있다. 그러나, 일부 경우에, 중재 단계는 결함이 할당된 빈에 대응하는 분류를 비교하는 것을 포함할 수 있다. 검출이 할당된 모든 빈에 대응하는 모든 분류가 동일하다면, 중재는 빈의 순위를 비교하지 않고 그 분류를 결함에 단순히 할당하는 것을 포함할 수 있다. 그러나, 검출이 할당된 임의의 2 이상의 빈이 상이한 대응하는 분류를 가진다면, 중재는 위에서 설명된 바와 같이 순위를 비교하는 것을 포함할 수 있다.
따라서, 본 명세서에서 설명된 실시예는, 2 이상의 결함 분류기의 빈의 순위를 매기는 것(가장 순수하고 가장 안정된 것으로부터 가장 덜 순수하고 가장 덜 안정된 것으로)과, 가장 높게 순위가 매겨진 빈에 기초하여 결함을 분리하는 것을 포함한다. 이러한 접근 방식은 CART형 분류기에 유용하다. 또한, 다른 종류의 분류기에 적용 가능할 수 있는 다른 조합기 규칙이 본 명세서에서 설명된 실시예에서 개발되어 사용될 수 있다. 예를 들어, 조합기 규칙은 (a) AND, (b) OR, (c) 다수결 투표, (d) N 조합기 중 k, 또는 (e) DOI에 대한 보다 카운트(Borda count)에 기초한 고정된 규칙을 포함할 수 있다. 다른 가능한 방법은 빈 점수에 의해 가중치가 부여된 투표에 기초하는 것이다. 이것은 가장 높게 점수가 매겨진 빈에 기초하는 단순한 다수결 투표와 분류 사이의 절충이다. 다른 예에서, 조합기 규칙은 개별 분류기의 이후의 확률을 예측하여 베이지안 에러(또는 위험)을 최소화하는 능력에 의존하는 베이지안 조합기를 포함할 수 있다. 추가적인 예에서, 조합기 규칙은 개별 분류기의 조합이 훈련 및 검증 데이터 세트를 이용하여 분류기 훈련 프로세스의 일부로서 자체가 처리될 수 있는 훈련 가능한 조합기일 수 있다. 또한, 조합기 규칙은 부트스트랩 집합(bootstrap aggregation)이 분류기 안정성을 연구하기 위한 더 큰 (랜덤) 데이터 세트를 생성하는데 사용되는 조합기 훈련에 관련된 배깅(bagging) 방법일 수 있다. 또한, 조합기 규칙은 분류기와 훈련 세트를 순차적으로 생성하는 부스팅 절차(boosting procedure)를 포함할 수 있다. 본 방법에서, 하나의 분류기로부터의 분류 결과는 다음 분류기에 대한 입력 데이터 세트가 될 수 있다. 본 방법은 선행하는 분류기의 더 약한 분류에 집중하며, 따라서 분류 결과를 강화한다. 다른 예에서, 조합기 규칙은 더 양호하고 더 복잡한 분류기를 만들기 위하여 약한 분류기들의 선형 조합을 형성하는 절차인 AdaBoost를 포함할 수 있다. 또한, 결합 규칙은 사용자가 정의한 구성의 컴퓨터 보조 순위 매김으로 사용자에 의해 수동으로 구성될 수 있다. 이러한 접근 방식은 인간의 결정 능력을 기계 기반의 객관적인 순위 매김과 조합하는 장점을 가진다. 따라서, 본 명세서에서 설명된 실시예는 다양한 조합 접근 방식(훈련 대 고정, 등)을 이용할 수 있다.
위에서 설명된 바와 같이, 복합 결함 분류기는 웨이퍼 검사 프로세스(즉, 생산 스캔) 전에 생성되어, 그 다음 동일한 종류의 다수의 웨이퍼에 대하여 사용될 수 있다. 복합 결함 분류기는 또한 복합 결함 분류기의 사용이 시작된 후에 주기적으로 수정될 수 있다. 복합 결함 분류기를 업데이트하기 위하여 사용될 검사 프로세스는, 검사 프로세스의 임의의 누이상스 필터가 오프로 될 수 있고 그리고/또는 누이상스 빈에 할당된 결함의 정보가 저장될 수 있다는 점을 제외하고는, 복합 결함 분류기를 이용하여 임의의 다른 검사 프로세스가 수행되는 것과 동일한 방식으로 수행될 수 있다. 따라서, 검사 프로세스 후에, DOI 인 것으로 결정된 결함과 누이상스인 것으로 결정된 결함 모두에 대한 정보가 결함에 대한 "진정한(true)" 분류를 결정하기 위하여 소정의 방식으로(예를 들어, 주사형 전자 현미경(scanning electron microscope(SEM))를 이용하여) 더 검사될 수 있다. 복합 결함 분류기에 의해 부정확한 분류로 할당되도록 결정된 임의의 결함은, 복합 결함 분류기의 하나 이상의 파라미터가 부정확하게 분류된 결함의 개수를 줄이기 위하여 수정될 수 있는지 결정하는데 사용될 수 있다. 이러한 파라미터는 본 명세서에서 설명된 중재 단계의 임의의 파라미터뿐만 아니라 복합 결함 분류기의 임의의 파라미터를 포함한다.
위에서 설명된 훈련 세트를 획득하는 단계, 수행하는 단계, 비교하는 단계, 결정하는 단계, 할당하는 단계, 선택하는 단계, 검사 결과를 획득하는 단계 및 분류하는 단계는, 본 명세서에서 설명된 바와 같이 구성될 수 있는 컴퓨터 시스템에 의해 수행된다.
위에서 설명된 방법의 실시예들의 각각은 본 명세서에 기재된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다. 또한, 위에서 설명된 방법의 실시예들의 각각은 본 명세서에 기재된 시스템들 중 어느 하나에 의해 수행될 수 있다.
다른 실시예는 웨이퍼에서 검출된 결함을 분류하기 위한 다른 컴퓨터 구현 방법에 관한 것이다. 방법은, 검사 시스템을 이용하여 웨이퍼에 대한 검사 결과를 획득하는 단계를 포함하고, 이는 본 명세서에서 설명된 임의의 실시예에 따라 수행될 수 있다. 검사 결과는 웨이퍼에서 검출된 결함에 대한 정보를 포함하고, 정보는 본 명세서에서 설명된 임의의 이러한 정보를 포함할 수 있다.
방법은, 또한, 웨이퍼에서 검출된 결함에 대한 정보를 복합 결함 분류기에 포함된 적어도 2개의 결함 분류기의 각각에 입력함으로써 웨이퍼에서 검출된 결함을 분류하는 단계를 포하며, 이는 본 명세서에서 설명된 임의의 실시예에 따라 수행될 수 있다. 또한, 웨이퍼에서 검출된 결함을 분류하는 단계는, 복합 결함 분류기에서 2 이상의 빈에 할당되는 적어도 하나의 결함에 대하여, 2 이상의 빈에 할당된 순위에 기초하여 적어도 하나의 결함에 대한 빈을 결정하는 단계를 포함하며, 이는 본 명세서에서 설명된 임의의 실시예에 따라 수행될 수 있다. 순위는 2 이상의 빈에 대하여 결정된 하나 이상의 특성에 기초하여 2 이상의 빈에 할당되고, 이는 본 명세서에서 설명된 임의의 실시예에 따라 수행될 수 있다. 하나 이상의 특성은 훈련 세트에서의 결함에 대한 미리 정의된 결함 분류와 적어도 2개의 결함 분류기에 의한 훈련 세트에서의 결함에 대하여 결정된 결함 분류의 비교에 기초하여 결정되고, 이는 본 명세서에서 설명된 임의의 실시예에 따라 수행될 수 있다.
따라서, 위에서 설명된 추가적인 방법은, 복합 결함 분류기를 생성하는 단계를 반드시 포함하지는 않는다. 대신에, 복합 결함 분류기는 본 명세서에서 설명된 임의의 것을 포함하는 다른 방법 또는 시스템에 의해 생성될 수 있다. 따라서, 이 추가적인 방법은 검사 프로세스(복합 결함 분류기를 포함)가 구성된 후에 비-훈련 웨이퍼(예를 들어, 생산 웨이퍼)에서 검출된 결함을 분류하기 위하여 사용되는 것일 수 있다. 따라서, 본 명세서에서 설명된 방법은 복합 결함 분류기의 구성만, 복합 결함 분류기를 이용하여 수행되는 분류만, 또는 복합 결함 분류기의 구성과 실행 모두를 포함할 수 있다.
위에서 설명된 획득하는 단계 및 분류하는 단계는 컴퓨터 시스템에 의해 수행된다.
위에서 설명된 방법의 실시예들의 각각은 본 명세서에 기재된 임의의 다른 방법(들)의 임의의 다른 단계(들)를 포함할 수 있다. 또한, 위에서 설명된 방법의 실시예들의 각각은 본 명세서에 기재된 시스템들 중 어느 하나에 의해 수행될 수 있다.
본 명세서에서 설명된 모든 방법은 컴퓨터 판독 가능한 저장 매체에 방법 실시예들의 하나 이상의 단계의 결과를 저장하는 것을 포함할 수 있다. 그 결과는 본 명세서에 설명된 결과 중 어느 하나를 포함할 수 있고 당해 기술 분야에 알려진 임의의 방식으로 저장될 수 있다. 저장 매체는 본 명세서에 기재된 임의의 저장 매체 또는 당해 기술 분야에 알려진 임의의 다른 적합한 저장 매체를 포함할 수 있다. 결과가 저장된 후에, 그 결과는 저장 매체 내에서 액세스되고, 본 명세서에서 설명된 방법 또는 시스템 실시예들 중 어느 하나에 의해 사용되며, 사용자에게 디스플레이하기 위해 포맷되고, 다른 소프트웨어 모듈, 방법 또는 시스템 등에 의해 사용될 수 있다.
추가적인 실시예는 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법을 수행하기 위해 컴퓨터 시스템에서 실행 가능한 프로그램 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 하나의 이러한 실시예가 도 5에 도시된다. 특히, 도 5에 도시되어 있는 바와 같이, 컴퓨터 판독 가능한 매체(500)는 컴퓨터 시스템(504)에서 실행 가능한 프로그램 명령어(502)를 저장한다. 컴퓨터 구현 방법은 위에서 설명된 방법의 단계를 포함한다. 프로그램 명령어가 실행 가능한 컴퓨터 구현 방법은 본 명세서에서 설명된 임의의 다른 단계(들)를 포함할 수 있다.
본 명세서에서 설명된 것과 같은 방법을 구현하는 프로그램 명령어(502)는 비일시적인 컴퓨터 판독 가능한 매체(500)에 저장될 수 있다. 컴퓨터 판독 가능한 매체는 자기 또는 광학 디스크, 자기 테이프와 같은 저장 매체, 또는 당해 기술 분야에 알려진 임의의 다른 적합한 비일시적인 컴퓨터 판독 가능한 매체일 수 있다.
프로그램 명령어는 그 중에서도 특히 절차 기반 기술(procedure-based technique), 구성요소(component) 기반 기술, 및/또는 객체 지향(object-oriented) 기술을 포함하는 다양한 방법 중 어느 하나로 실현될 수 있다. 예를 들면, 프로그램 명령어는 원하는 바에 따라 ActiveX 제어, C++ 오브젝트, JavaBeans, 마이크로소프트 파운데이션 클래스("MFC(Microsoft Foundation Classes)") 또는 다른 기술 또는 방법론(methodologies)을 사용하여 구현될 수 있다.
컴퓨터 시스템은 퍼스널 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임(mainframe) 컴퓨터 시스템, 워크스테이션(workstation), 네트워크 기기, 인터넷 기기 또는 다른 장치를 포함하는 다양한 형태를 취할 수 있다. 일반적으로, "컴퓨터 시스템"이란 용어는 메모리 매체로부터의 명령어를 실행하는 하나 이상의 프로세서를 갖는 임의의 장치를 포함하도록 광범위하게 정의될 수 있다. 컴퓨터 시스템은 또한 병렬 프로세서와 같이 당해 기술 분야에서 알려진 임의의 적합한 프로세서를 포함할 수 있다. 또한, 컴퓨터 시스템은 고속 처리를 이용하는 컴퓨터 플랫폼과 소프트웨어를, 단독형으로 또는 네트워크형 도구로서 포함할 수 있다.
추가적인 실시예는 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템에 관한 것이다. 이러한 실시예의 일례는 도 6에 도시된다. 시스템은 웨이퍼(604)에 대한 검사 결과를 획득하도록 구성된 검사 서브 시스템(602)을 포함한다. 검사 결과는 웨이퍼에서 검출된 결함에 대한 정보를 포함하고, 이는 본 명세서에서 설명된 임의의 이러한 정보를 포함할 수 있다.
검사 서브 시스템은 광학 또는 광 기반 검사 서브 시스템의 경우에 레이저와 같은 임의의 적합한 광원을 포함할 수 있는 소스(606)를 포함한다. 검사 서브 시스템이 광 기반 검사 서브 시스템에 관하여 여기에서 더 설명될 것이지만, 검사 서브 시스템은 임의의 적합한 방식으로 수정될 수 있으며, 전자 빔 기반의 검사 서브 시스템이 되도록 교체될 수 있다.
광원으로부터의 광은 웨이퍼(604)로 지향된다. 광원은 하나 이상의 집광 렌즈, 시준 렌즈, 릴레이 렌즈, 대물 렌즈, 어퍼처, 스펙트럼 필터, 편광 구성요소 등과 같은 임의의 다른 적합한 요소(미도시)에 결합될 수 있다. 도 6에 도시된 바와 같이, 광은 비스듬한 입사각으로 웨이퍼에 지향될 수 있다. 그러나, 광은 거의 수직 및 수직 입사를 포함하는 임의의 적합한 입사각으로 웨이퍼에 지향될 수 있다. 또한, 광 또는 다중 광빔은 순차적으로 또는 동시에 하나보다 많은 입사각으로 웨이퍼에 지향될 수 있다.
웨이퍼(604)는 광이 웨이퍼로 지향되고 있는 동안 스테이지(미도시)에 배치될 수 있다. 스테이지는 임의의 적합한 기계 또는 로봇 어셈블리를 포함할 수 있고, 광이 웨이퍼로 지향되고 있는 동안 광이 검사 서브 시스템에 의해 웨이퍼 위로 스캔될 수 있도록 하나 이상의 방향으로 웨이퍼를 이동시키도록 구성될 수 있다. 그러나, 검사 서브 시스템은 임의의 다른 적합한 방식으로 웨이퍼 위로 광을 스캔할 수 있다.
또한, 검사 서브 시스템은 웨이퍼로부터 산란된 광을 수집하는 수집기(collector)(608)를 포함할 수 있고(암시야(dark field) 가능 검사 시스템의 경우에), 이는 수집기에 의해 수집된 웨이퍼로부터의 산란된 광을 검출하도록 구성된 검출기(610)에 수집된 광을 지향시키도록 구성된다. 수집기는 임의의 적합한 개수 및 구성의 굴절 광학 요소 및/또는 반사 광학 요소를 포함할 수 있다. 검출기(610)는 임의의 적합한 검출기를 포함할 수 있다. 따라서, 검출기(610)와 수집기(608)는 검사 서브 시스템의 검출 시스템의 적어도 일부를 형성할 수 있다. 검출 서브 시스템은, 대물 렌즈, 릴레이 렌즈, 확대 렌즈, 주밍 렌즈, 어퍼처, 스펙트럼 필터, 그레이팅 및 편광 구성요소와 같이 검출기와 웨이퍼 사이의 광로에 위치 설정되는 하나 이상의 다른 적합한 요소(미도시)를 포함할 수 있다. 검사 시스템이 웨이퍼로부터 산란된 광을 검출하도록 도 6에 도시되어 있지만, 검사 서브 시스템은 더하여 또는 대신에 웨이퍼의 명시야(bright field(BF)) 검사를 위하여 구성될 수 있다. 또한, 검사 서브 시스템은 웨이퍼로부터 상이한 광을 동시에 또는 순차적으로 검출하는데 사용될 수 있는 하나보다 많은 검출기(미도시)를 포함할 수 있다.
검사 서브 시스템은 본 명세서에서 설명된 검사 결과를 생성하도록 구성된 컴퓨터 서브 시스템(612)을 포함할 수 있다. 예를 들어, 컴퓨터 서브 시스템(612)은, 컴퓨터 서브 시스템이 검출기의 출력을 수신할 수 있도록, "무선" 및/또는 "유선" 전송 매체를 포함할 수 있는 하나 이상의 전송 매체(미도시)에 의해 검출기(610)에 결합될 수 있다. 그 다음, 컴퓨터 서브 시스템은 본 명세서에서 설명된 바와 같이 웨이퍼에서 결함을 검출하고, 결함에 대하여 본 명세서에서 설명된 임의의 정보를 결정하는데 사용될 수 있다. 그 다음, 컴퓨터 서브 시스템(612)에 의해 생성된 정보는 본 명세서에서 더 설명되는 바와 같이 검사 결과 파일의 형태로 컴퓨터 서브 시스템에 의해 출력될 수 있다.
검사 서브 시스템은 웨이퍼에서 결함을 검출하도록 구성된 하나의 컴퓨터 서브 시스템을 포함할 수 있고, 시스템은, 본 명세서에서 설명된 방법의 단계들을 수행하도록 구성된 다른 상이한 컴퓨터 서브 시스템을 포함할 수 있다. 예를 들어, 시스템은 위에서 설명된 바와 같이 컴퓨터 서브 시스템(612)에 결합될 수 있는 컴퓨터 서브 시스템(614)을 포함할 수 있어, 컴퓨터 서브 시스템(614)이 컴퓨터 서브 시스템(612)으로부터 검사 결과를 수신할 수 있다. 컴퓨터 서브 시스템(614)은 본 명세서에서 설명된 훈련 세트를 획득하는 단계, 수행하는 단계, 비교하는 단계, 결정하는 단계, 할당하는 단계, 선택하는 단계 및 분류하는 단계를 수행하도록 구성될 수 있고, 이는 본 명세서에서 설명된 바와 같이 실행될 수 있다. 컴퓨터 서브 시스템과 시스템은 본 명세서에서 설명된 바와 같이 임의의 다른 단계(들)를 수행하도록 구성될 수 있고, 본 명세서에서 설명된 바와 같이 더 구성될 수 있다. 또한, 시스템은 본 명세서에서 설명된 모든 단계(들)를 수행하도록 구성된 단지 하나의 컴퓨터 서브 시스템(예를 들어, 유일한 컴퓨터 서브 시스템(612))을 포함할 수 있다. 이것은 검사 도구가 본 명세서에서 설명된 방법 실시예를 수행하도록 구성된 경우일 수 있다. 예를 들어, 도 6에 도시된 검사 서브 시스템은 본 명세서에서 설명된 바와 같이 웨이퍼에서 결함을 검출하고 결함을 분류하는 검사 도구로서 구성될 수 있다.
도 6이 본 명세서에서 설명된 시스템 실시예에 포함될 수 있는 검사 서브 시스템의 하나의 구성을 일반적으로 예시하도록 본 명세서에 제공된다는 것이 주목된다. 명백하게도, 본 명세서에서 설명된 검사 서브 시스템 구성은 상업적인 검사 시스템을 설계할 때 정상적으로 수행되는 것과 같은 검사 서브 시스템의 성능을 최적화하도록 변경될 수 있다. 더하여, 본 명세서에 설명된 시스템들은 KLA-Tencor로부터 상업적으로 입수 가능한 Puma 90xx, 91xx 및 93xx 시리즈의 도구와 같은 기존의 검사 시스템을 이용하여(예를 들어, 기존의 검사 시스템에 본 명세서에서 설명된 기능을 추가함으로써) 구현될 수 있다. 일부 이러한 시스템에 대하여, 본 명세서에서 설명된 방법은 시스템의 선택적인 기능으로서(예를 들어, 시스템의 다른 기능에 더하여) 제공될 수 있다. 이 대신에, 본 명세서에 설명된 시스템은 완전히 새로운 시스템을 제공하도록 "맨 처음부터(from scratch)" 설계될 수 있다.
본 발명의 다양한 양태의 추가의 변형 및 대체 실시예들이 이 설명에 비추어 통상의 기술자에게는 명백하게 될 것이다. 예를 들어, 웨이퍼에서 검출된 결함을 분류하기 위한 방법 및 시스템이 제공된다. 따라서, 본 설명은 예시적인 것으로만 해석되어야 하고 통상의 기술자에게 본 발명을 수행하는 일반적인 방식을 교시하기 위한 것이다. 본 명세서에 도시되고 설명된 방법의 형태들은 현재 바람직한 실시예로서 취해져야 하는 것으로 이해되어야 한다. 요소들 및 재료들이 본 명세서에 예시되고 설명된 것에 대하여 치환될 수 있고, 부분 및 프로세스들은 반대로 될 수 있으며, 본 발명의 특정 특징들이 독립적으로 이용될 수 있고, 모두 본 발명의 이 기재의 이익을 얻은 후에 통상의 기술자자에게 명백하게 될 것이다. 아래의 청구범위에 설명된 바와 같은 발명의 기술적 사상 및 범위를 벗어나지 않고 본 명세서에 기재된 요소에 변경이 이루어질 수 있다.

Claims (30)

  1. 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법에 있어서,
    훈련 웨이퍼에서 검출된 결함에 대한 데이터의 훈련 세트와, 상기 훈련 세트에서 상기 결함에 대하여 결정된 결함 분류를 획득하는 단계;
    데이터의 상기 훈련 세트를 2 이상의 결함 분류기에 입력함으로써 2 이상의 결함 분류 프로세스를 수행하는 단계;
    상기 2 이상의 결함 분류기에 의해 생성된 결함 분류 결과를 상기 훈련 세트에서 상기 결함에 대하여 결정된 상기 결함 분류에 비교하는 단계;
    상기 비교하는 단계의 결과에 기초하여 상기 2 이상의 결함 분류기에서 하나 이상의 빈(bin)의 하나 이상의 특성을 결정하는 단계;
    결정된 상기 하나 이상의 특성에 기초하여 상기 2 이상의 결함 분류기에서 상기 하나 이상의 빈에 순위(rank)를 할당하는 단계;
    상기 하나 이상의 빈에 할당된 순위에 기초하여 복합 결함 분류기에 포함될 상기 2 이상의 결함 분류기 중 적어도 2개를 선택하는 단계;
    검사 시스템을 이용하여 상기 웨이퍼에 대한 검사 결과를 획득하는 단계로서, 상기 검사 결과는 상기 웨이퍼에서 검출된 결함에 대한 정보를 포함하는 것인, 상기 웨이퍼에 대한 검사 결과를 획득하는 단계; 및
    상기 웨이퍼에서 검출된 결함에 대한 정보를 상기 복합 결함 분류기에 포함되도록 선택된 상기 적어도 2개의 결함 분류기의 각각에 입력함으로써 상기 웨이퍼에서 검출된 결함을 분류하는 단계와, 상기 복합 결함 분류기에서의 2 이상의 빈에 할당된 결함의 적어도 하나에 대하여, 상기 2 이상의 빈에 할당된 순위에 기초하여 상기 결함의 적어도 하나에 대한 빈을 결정하는 단계를 포함하고,
    상기 훈련 세트를 획득하는 단계, 상기 수행하는 단계, 상기 비교하는 단계, 상기 결정하는 단계, 상기 할당하는 단계, 상기 선택하는 단계, 상기 검사 결과를 획득하는 단계 및 상기 분류하는 단계는, 컴퓨터 시스템에 의해 수행되는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  2. 제1항에 있어서,
    상기 훈련 세트에서의 결함은 관심 결함(defect of interest) 및 누이상스(nuisance)를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  3. 제1항에 있어서,
    상기 수행하는 단계는, 상기 훈련 세트에서의 결함에 대하여 결정된 상기 결함 분류에 기초하여 상기 2 이상의 결함 분류기를 튜닝하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  4. 제1항에 있어서,
    상기 적어도 하나의 결함 분류기의 성능을 나타내는 그래프를 만들기 위하여 수정 베이지안 프라이어(modified Bayesian prior) 세트를 이용하여 상기 할당하는 단계 전에 상기 2 이상의 결함 분류기 중 적어도 하나를 튜닝하는 단계를 더 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  5. 제1항에 있어서,
    상기 하나 이상의 특성은 상기 2 이상의 결함 분류기에서 상기 하나 이상의 빈에 할당된 상기 훈련 세트에서의 결함의 순도(purity)를 포함하고, 더 높은 순위가 더 높은 순도에 대응하도록, 상기 하나 이상의 빈에 할당된 순위는 상기 순도에 기초하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  6. 제1항에 있어서,
    상기 하나 이상의 특성은 상기 2 이상의 결함 분류기에서 상기 하나 이상의 빈에 할당된 상기 훈련 세트에서의 결함의 안정성(stability)을 포함하고, 더 높은 순위가 더 높은 안정성에 대응하도록, 상기 하나 이상의 빈에 할당된 순위는 상기 안정성에 기초하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  7. 제1항에 있어서,
    상기 하나 이상의 특성은 상기 훈련 세트에서의 결함을 상기 하나 이상의 빈으로 정확하게 분리하기 위한 상기 2 이상의 결함 분류기 중 적어도 하나의 신뢰성(reliability)을 포함하고, 더 높은 순위가 더 높은 신뢰성에 대응하도록, 상기 하나 이상의 빈에 할당된 순위는 상기 신뢰성에 기초하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  8. 제1항에 있어서,
    상기 선택하는 단계는, 결함의 상기 훈련 세트에서 관심 결함의 가장 큰 세트에 대하여 가장 높은 순위가 할당된 상기 하나 이상의 빈을 포함하는 상기 2 이상의 결함 분류기의 서브 세트를 선택하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  9. 제1항에 있어서,
    상기 순위는 상기 2 이상의 결함 분류기의 상기 하나 이상의 빈에서 상기 훈련 세트에서의 관심 결함과 상기 훈련 세트에서의 누이상스 사이의 분리에 대응하고, 상기 선택하는 단계는, 상기 하나 이상의 빈에 할당된 순위에 기초하여 최대 관심 결함 분리를 만드는 최소 개수의 상기 2 이상의 결함 분류기를 선택하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  10. 제1항에 있어서,
    선택된 상기 적어도 2개의 결함 분류기에 포함된 상기 하나 이상의 빈에 할당된 순위를 갖는 선택된 상기 적어도 2개의 결함 분류기에 대한 정보를 저장함으로써 상기 복합 결함 분류기를 생성하는 단계를 더 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  11. 제1항에 있어서,
    선택된 상기 적어도 2개의 결함 분류기에 기초하여 상기 복합 결함 분류기를 생성하는 단계를 더 포함하고, 상기 복합 결함 분류기를 생성하는 단계는 선택된 상기 적어도 2개의 결함 분류기의 임의의 것을 변경하는 단계를 포함하지 않는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  12. 제1항에 있어서,
    선택된 상기 적어도 2개의 결함 분류기에 기초하여 상기 복합 결함 분류기를 생성하는 단계를 더 포함하고, 상기 복합 결함 분류기를 생성하는 단계는 선택된 상기 적어도 2개의 결함 분류기의 임의의 것을 튜닝하는 단계를 포함하지 않는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  13. 제1항에 있어서,
    선택된 상기 적어도 2개의 결함 분류기에 기초하여 상기 복합 결함 분류기를 생성하는 단계를 더 포함하고, 상기 복합 결함 분류기를 생성하는 단계는 선택된 상기 적어도 2개의 결함 분류기를 결함 분류기 시퀀스로 조합하는 단계를 포함하지 않는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  14. 제1항에 있어서,
    상기 복합 결함 분류기에서 상기 2 이상의 빈에 할당된 결함 중 적어도 하나에 대하여, 상기 2 이상의 빈에 할당된 순위에 기초하여 상기 결함의 적어도 하나에 대한 빈을 결정하는 단계는, 상기 2 이상의 빈의 순위를 비교하는 단계와, 상기 2 이상의 빈 중 가장 높은 순위를 갖는 빈에 상기 결함의 적어도 하나를 할당하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  15. 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법에 있어서,
    검사 시스템을 이용하여 상기 웨이퍼에 대한 검사 결과를 획득하는 단계로서, 상기 검사 결과는 상기 웨이퍼에서 검출된 결함에 대한 정보를 포함하는 것인, 상기 웨이퍼에 대한 검사 결과를 획득하는 단계; 및
    상기 웨이퍼에서 검출된 결함에 대한 정보를 복합 결함 분류기에 포함된 적어도 2개의 결함 분류기의 각각에 입력하고; 그리고, 상기 복합 결함 분류기에서 2 이상의 빈에 할당되는 적어도 하나의 결함에 대하여, 상기 2 이상의 빈에 할당된 순위에 기초하여 상기 결함의 적어도 하나에 대한 빈을 결정함으로써, 상기 웨이퍼에서 검출된 결함을 분류하는 단계
    를 포함하고,
    상기 순위는 상기 2 이상의 빈에 대하여 결정된 하나 이상의 특성에 기초하여 상기 2 이상의 빈에 할당되고,
    상기 하나 이상의 특성은 훈련 세트에서의 결함에 대한 미리 정의된 결함 분류와 상기 적어도 2개의 결함 분류기에 의한 상기 훈련 세트에서의 결함에 대하여 결정된 결함 분류의 비교에 기초하여 결정되고,
    상기 획득하는 단계 및 상기 분류하는 단계는 컴퓨터 시스템에 의해 수행되는 것인, 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법.
  16. 웨이퍼에서 검출된 결함을 분류하기 위한 컴퓨터 구현 방법을 수행하기 위하여 컴퓨터 시스템에서 실행 가능한 프로그램 명령어를 저장하는 비일시적인 컴퓨터 판독 가능한 매체에 있어서, 상기 컴퓨터 구현 방법은,
    훈련 웨이퍼에서 검출된 결함에 대한 데이터의 훈련 세트와, 상기 훈련 세트에서 상기 결함에 대하여 결정된 결함 분류를 획득하는 단계;
    데이터의 상기 훈련 세트를 2 이상의 결함 분류기에 입력함으로써 2 이상의 결함 분류 프로세스를 수행하는 단계;
    상기 2 이상의 결함 분류기에 의해 생성된 결함 분류 결과를 상기 훈련 세트에서 상기 결함에 대하여 결정된 상기 결함 분류에 비교하는 단계;
    상기 비교하는 단계의 결과에 기초하여 상기 2 이상의 결함 분류기에서 하나 이상의 빈(bin)의 하나 이상의 특성을 결정하는 단계;
    결정된 상기 하나 이상의 특성에 기초하여 상기 2 이상의 결함 분류기에서 상기 하나 이상의 빈에 순위(rank)를 할당하는 단계;
    상기 하나 이상의 빈에 할당된 순위에 기초하여 복합 결함 분류기에 포함될 상기 2 이상의 결함 분류기 중 적어도 2개를 선택하는 단계;
    검사 시스템을 이용하여 상기 웨이퍼에 대한 검사 결과를 획득하는 단계로서, 상기 검사 결과는 상기 웨이퍼에서 검출된 결함에 대한 정보를 포함하는 것인, 상기 웨이퍼에 대한 검사 결과를 획득하는 단계; 및
    상기 웨이퍼에서 검출된 결함에 대한 정보를 상기 복합 결함 분류기에 포함되도록 선택된 상기 적어도 2개의 결함 분류기의 각각에 입력함으로써 상기 웨이퍼에서 검출된 결함을 분류하는 단계와, 상기 복합 결함 분류기에서의 2 이상의 빈에 할당된 결함의 적어도 하나에 대하여, 상기 2 이상의 빈에 할당된 순위에 기초하여 상기 결함의 적어도 하나에 대한 빈을 결정하는 단계
    를 포함하는 비일시적인 컴퓨터 판독 가능한 매체.
  17. 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템에 있어서,
    상기 웨이퍼에서 검출된 결함에 대한 정보를 포함하는 상기 웨이퍼에 대한 검사 결과를 획득하도록 구성된 검사 서브 시스템; 및
    컴퓨터 서브 시스템
    을 포함하고,
    상기 컴퓨터 서브 시스템은,
    훈련 웨이퍼에서 검출된 결함에 대한 데이터의 훈련 세트와, 상기 훈련 세트에서 상기 결함에 대하여 결정된 결함 분류를 획득하는 단계;
    데이터의 상기 훈련 세트를 2 이상의 결함 분류기에 입력함으로써 2 이상의 결함 분류 프로세스를 수행하는 단계;
    상기 2 이상의 결함 분류기에 의해 생성된 결함 분류 결과를 상기 훈련 세트에서 상기 결함에 대하여 결정된 상기 결함 분류에 비교하는 단계;
    상기 비교하는 단계의 결과에 기초하여 상기 2 이상의 결함 분류기에서 하나 이상의 빈(bin)의 하나 이상의 특성을 결정하는 단계;
    결정된 상기 하나 이상의 특성에 기초하여 상기 2 이상의 결함 분류기에서 상기 하나 이상의 빈에 순위(rank)를 할당하는 단계;
    상기 하나 이상의 빈에 할당된 순위에 기초하여 복합 결함 분류기에 포함될 상기 2 이상의 결함 분류기 중 적어도 2개를 선택하는 단계; 및
    상기 웨이퍼에서 검출된 결함에 대한 정보를 상기 복합 결함 분류기에 포함되도록 선택된 상기 적어도 2개의 결함 분류기의 각각에 입력함으로써 상기 웨이퍼에서 검출된 결함을 분류하는 단계와, 상기 복합 결함 분류기에서의 2 이상의 빈에 할당된 결함의 적어도 하나에 대하여, 상기 2 이상의 빈에 할당된 순위에 기초하여 상기 결함의 적어도 하나에 대한 빈을 결정하는 단계
    를 위하여 구성되는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  18. 제17항에 있어서,
    상기 훈련 세트에서의 결함은 관심 결함(defect of interest) 및 누이상스(nuisance)를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  19. 제17항에 있어서,
    상기 수행하는 단계는, 상기 훈련 세트에서의 결함에 대하여 결정된 상기 결함 분류에 기초하여 상기 2 이상의 결함 분류기를 튜닝하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  20. 제17항에 있어서,
    상기 컴퓨터 서브 시스템은 또한, 상기 적어도 하나의 결함 분류기의 성능을 나타내는 그래프를 만들기 위하여 수정 베이지안 프라이어(modified Bayesian prior) 세트를 이용하여 상기 할당하는 단계 전에 상기 2 이상의 결함 분류기 중 적어도 하나를 튜닝하기 위하여 구성되는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  21. 제17항에 있어서,
    상기 하나 이상의 특성은 상기 2 이상의 결함 분류기에서 상기 하나 이상의 빈에 할당된 상기 훈련 세트에서의 결함의 순도(purity)를 포함하고, 더 높은 순위가 더 높은 순도에 대응하도록, 상기 하나 이상의 빈에 할당된 순위는 상기 순도에 기초하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  22. 제17항에 있어서,
    상기 하나 이상의 특성은 상기 2 이상의 결함 분류기에서 상기 하나 이상의 빈에 할당된 상기 훈련 세트에서의 결함의 안정성(stability)을 포함하고, 더 높은 순위가 더 높은 안정성에 대응하도록, 상기 하나 이상의 빈에 할당된 순위는 상기 안정성에 기초하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  23. 제17항에 있어서,
    상기 하나 이상의 특성은 상기 훈련 세트에서의 결함을 상기 하나 이상의 빈으로 정확하게 분리하기 위한 상기 2 이상의 결함 분류기 중 적어도 하나의 신뢰성(reliability)을 포함하고, 더 높은 순위가 더 높은 신뢰성에 대응하도록, 상기 하나 이상의 빈에 할당된 순위는 상기 신뢰성에 기초하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  24. 제17항에 있어서,
    상기 선택하는 단계는, 결함의 상기 훈련 세트에서 관심 결함의 가장 큰 세트에 대하여 가장 높은 순위가 할당된 상기 하나 이상의 빈을 포함하는 상기 2 이상의 결함 분류기의 서브 세트를 선택하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  25. 제17항에 있어서,
    상기 순위는 상기 2 이상의 결함 분류기의 상기 하나 이상의 빈에서 상기 훈련 세트에서의 관심 결함과 상기 훈련 세트에서의 누이상스 사이의 분리에 대응하고, 상기 선택하는 단계는, 상기 하나 이상의 빈에 할당된 순위에 기초하여 최대 관심 결함 분리를 만드는 최소 개수의 상기 2 이상의 결함 분류기를 선택하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  26. 제17항에 있어서,
    상기 컴퓨터 서브 시스템은 또한, 선택된 상기 적어도 2개의 결함 분류기에 포함된 상기 하나 이상의 빈에 할당된 순위를 갖는 선택된 상기 적어도 2개의 결함 분류기에 대한 정보를 저장함으로써 상기 복합 결함 분류기를 생성하기 위하여 구성되는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  27. 제17항에 있어서,
    상기 컴퓨터 서브 시스템은 또한, 선택된 상기 적어도 2개의 결함 분류기에 기초하여 상기 복합 결함 분류기를 생성하기 위하여 구성되고, 상기 복합 결함 분류기를 생성하는 단계는 선택된 상기 적어도 2개의 결함 분류기의 임의의 것을 변경하는 단계를 포함하지 않는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  28. 제17항에 있어서,
    상기 컴퓨터 서브 시스템은 또한, 선택된 상기 적어도 2개의 결함 분류기에 기초하여 상기 복합 결함 분류기를 생성하기 위하여 구성되고, 상기 복합 결함 분류기를 생성하는 단계는 선택된 상기 적어도 2개의 결함 분류기의 임의의 것을 튜닝하는 단계를 포함하지 않는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  29. 제17항에 있어서,
    상기 컴퓨터 서브 시스템은 또한, 선택된 상기 적어도 2개의 결함 분류기에 기초하여 상기 복합 결함 분류기를 생성하기 위하여 구성되고, 상기 복합 결함 분류기를 생성하는 단계는 선택된 상기 적어도 2개의 결함 분류기를 결함 분류기 시퀀스로 조합하는 단계를 포함하지 않는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
  30. 제17항에 있어서,
    상기 복합 결함 분류기에서 상기 2 이상의 빈에 할당된 결함 중 적어도 하나에 대하여, 상기 2 이상의 빈에 할당된 순위에 기초하여 상기 결함의 적어도 하나에 대한 빈을 결정하는 단계는, 상기 2 이상의 빈의 순위를 비교하는 단계와, 상기 2 이상의 빈 중 가장 높은 순위를 갖는 빈에 상기 결함의 적어도 하나를 할당하는 단계를 포함하는 것인, 웨이퍼에서 검출된 결함을 분류하도록 구성된 시스템.
KR1020167026562A 2014-03-06 2015-03-04 복합 결함 분류기 KR102178254B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201461949031P 2014-03-06 2014-03-06
US61/949,031 2014-03-06
US14/637,242 US9430743B2 (en) 2014-03-06 2015-03-03 Composite defect classifier
US14/637,242 2015-03-03
PCT/US2015/018798 WO2015134650A1 (en) 2014-03-06 2015-03-04 Composite defect classifier

Publications (2)

Publication Number Publication Date
KR20160130252A true KR20160130252A (ko) 2016-11-10
KR102178254B1 KR102178254B1 (ko) 2020-11-12

Family

ID=54017854

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167026562A KR102178254B1 (ko) 2014-03-06 2015-03-04 복합 결함 분류기

Country Status (5)

Country Link
US (1) US9430743B2 (ko)
KR (1) KR102178254B1 (ko)
IL (1) IL247378B (ko)
TW (1) TWI640049B (ko)
WO (1) WO2015134650A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190037123A (ko) * 2017-09-28 2019-04-05 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 표본에서의 결함들을 분류하는 방법 및 그 시스템
KR20190098271A (ko) * 2017-01-10 2019-08-21 케이엘에이 코포레이션 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3086175B1 (en) * 2015-04-22 2022-01-26 IMEC vzw Method for hotspot detection and ranking of a lithographic mask
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
US9842280B2 (en) * 2015-11-04 2017-12-12 Omnivision Technologies, Inc. System and method for evaluating a classifier implemented within an image signal processor
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US10204290B2 (en) * 2016-10-14 2019-02-12 Kla-Tencor Corporation Defect review sampling and normalization based on defect and design attributes
US10365617B2 (en) * 2016-12-12 2019-07-30 Dmo Systems Limited Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US10964013B2 (en) * 2017-01-10 2021-03-30 Kla-Tencor Corporation System, method for training and applying defect classifiers in wafers having deeply stacked layers
US10628935B2 (en) * 2017-01-30 2020-04-21 Zhongke Jingyuan Electron Limited Method and system for identifying defects of integrated circuits
US10360669B2 (en) * 2017-08-24 2019-07-23 Applied Materials Israel Ltd. System, method and computer program product for generating a training set for a classifier
US10503078B2 (en) 2017-09-01 2019-12-10 Kla-Tencor Corporation Criticality analysis augmented process window qualification sampling
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
WO2019113313A1 (en) * 2017-12-07 2019-06-13 Walmart Apollo, Llc System and method for the distributed approval of image-based claims
JP7239588B2 (ja) * 2017-12-19 2023-03-14 テトラ ラバル ホールディングス アンド ファイナンス エス エイ 包装容器における欠陥検出の方法
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US11514357B2 (en) * 2018-03-19 2022-11-29 Kla-Tencor Corporation Nuisance mining for novel defect discovery
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
CN109446090A (zh) * 2018-10-31 2019-03-08 南开大学 基于深度神经网络和概率决策森林的软件缺陷预测模型
US11010885B2 (en) 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US11475556B2 (en) 2019-05-30 2022-10-18 Bruker Nano, Inc. Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
WO2021033792A1 (ko) * 2019-08-19 2021-02-25 엘지전자 주식회사 Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템
CN110874839A (zh) * 2019-11-19 2020-03-10 上海华力微电子有限公司 晶圆图形提取方法及其提取系统
US11675340B2 (en) * 2020-04-08 2023-06-13 Nanya Technology Corporation System and method for controlling semiconductor manufacturing apparatus
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
JP7393313B2 (ja) * 2020-09-29 2023-12-06 タカノ株式会社 欠陥分類装置、欠陥分類方法及びプログラム
WO2022254858A1 (ja) * 2021-06-03 2022-12-08 コニカミノルタ株式会社 検査装置、検査方法、および検査プログラム
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
CN116504663B (zh) * 2023-06-20 2023-08-22 深圳市芯片测试技术有限公司 一种晶圆多等级测试方法及装置
CN117132174B (zh) * 2023-10-26 2024-01-30 扬宇光电(深圳)有限公司 一种应用于工业流水线质量检测的模型训练方法与系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1061571A2 (en) * 1999-06-15 2000-12-20 Applied Materials, Inc. Adaptative method and apparatus for automatically classifying surface defects
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
JP2011254084A (ja) * 2011-06-27 2011-12-15 Hitachi High-Technologies Corp 欠陥分類方法及びその装置
KR20120096532A (ko) * 2010-02-24 2012-08-30 쿄세라 코포레이션 입력 장치, 표시 장치, 및 휴대 단말

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5544256A (en) 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
US6092059A (en) * 1996-12-27 2000-07-18 Cognex Corporation Automatic classifier for real time inspection and classification
US7359544B2 (en) 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
JP4253522B2 (ja) 2003-03-28 2009-04-15 株式会社日立ハイテクノロジーズ 欠陥分類方法及び装置
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
US7729529B2 (en) 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
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
JP4908995B2 (ja) * 2006-09-27 2012-04-04 株式会社日立ハイテクノロジーズ 欠陥分類方法及びその装置並びに欠陥検査装置
US8315453B2 (en) 2010-07-27 2012-11-20 Applied Materials Israel, Ltd. Defect classification with optimized purity
US10043264B2 (en) 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
US9607233B2 (en) 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1061571A2 (en) * 1999-06-15 2000-12-20 Applied Materials, Inc. Adaptative method and apparatus for automatically classifying surface defects
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
KR20120096532A (ko) * 2010-02-24 2012-08-30 쿄세라 코포레이션 입력 장치, 표시 장치, 및 휴대 단말
JP2011254084A (ja) * 2011-06-27 2011-12-15 Hitachi High-Technologies Corp 欠陥分類方法及びその装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190098271A (ko) * 2017-01-10 2019-08-21 케이엘에이 코포레이션 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법
KR20190037123A (ko) * 2017-09-28 2019-04-05 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 표본에서의 결함들을 분류하는 방법 및 그 시스템

Also Published As

Publication number Publication date
TW201545253A (zh) 2015-12-01
WO2015134650A1 (en) 2015-09-11
TWI640049B (zh) 2018-11-01
IL247378B (en) 2019-03-31
US9430743B2 (en) 2016-08-30
US20150254832A1 (en) 2015-09-10
KR102178254B1 (ko) 2020-11-12

Similar Documents

Publication Publication Date Title
KR102178254B1 (ko) 복합 결함 분류기
CN108352339B (zh) 自适应自动缺陷分类
TWI771591B (zh) 用於缺陷分類器訓練之主動學習
KR102372147B1 (ko) 학습 기반 결함 분류기의 트레이닝
KR102220437B1 (ko) 결함 분류기들 및 뉴슨스 필터들의 생성
US10964013B2 (en) System, method for training and applying defect classifiers in wafers having deeply stacked layers
US10267748B2 (en) Optimizing training sets used for setting up inspection-related algorithms
KR102289795B1 (ko) 결함 및 설계 속성들에 기초한 결함 검토 샘플링 및 정규화
JP6833027B2 (ja) 検査関連アルゴリズムのセットアップに用いられる訓練集合の最適化
US11694327B2 (en) Cross layer common-unique analysis for nuisance filtering
KR20150084976A (ko) 비편향 웨이퍼 결함 샘플
CN117334609A (zh) 在半导体制造中使用随机故障度量
JP6641195B2 (ja) 最適化方法、最適化装置、プログラムおよび画像処理装置
US9582869B2 (en) Dynamic binning for diversification and defect discovery
Alegre et al. A machine-learning classifier for LOFAR radio galaxy cross-matching techniques
KR20170100710A (ko) 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
TWI683284B (zh) 保留可重標準化性之製造樣本成型
TW202210852A (zh) 用於重複缺陷檢測之無監督學習
Guo et al. Inline inspection improvement using machine learning on broadband plasma inspector in an advanced foundry fab
JP2009260185A (ja) 特性分布解析方法および装置、基板分類方法および装置、上記特性分布解析方法または基板分類方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体、並びに分類基準データ

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