KR20180005737A - 반복적 결함 분류 방법 및 시스템 - Google Patents

반복적 결함 분류 방법 및 시스템 Download PDF

Info

Publication number
KR20180005737A
KR20180005737A KR1020187000044A KR20187000044A KR20180005737A KR 20180005737 A KR20180005737 A KR 20180005737A KR 1020187000044 A KR1020187000044 A KR 1020187000044A KR 20187000044 A KR20187000044 A KR 20187000044A KR 20180005737 A KR20180005737 A KR 20180005737A
Authority
KR
South Korea
Prior art keywords
defects
classifier
defect
manual classification
additional
Prior art date
Application number
KR1020187000044A
Other languages
English (en)
Other versions
KR102351346B1 (ko
Inventor
상카르 벵카타라만
리 헤
3세 존 알. 조단
하쉬 싱하
옥슨 티. 바리스
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 KR20180005737A publication Critical patent/KR20180005737A/ko
Application granted granted Critical
Publication of KR102351346B1 publication Critical patent/KR102351346B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G06F18/41—Interactive pattern learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps

Abstract

결함 분류는, 다수의 결함을 포함하는, 표본(specimen)의 하나 이상의 이미지를 취득하는 것과, 결함의 속성에 기초하여 결함을 결함 유형 그룹으로 그룹핑하는 것과, 그룹으로부터의 선택된 수의 결함의 제1 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하는 것과, 제1 수동 분류 및 결함의 속성에 기초하여 분류기(classifier)를 생성하는 것과, 제1 수동 분류에 의해 수동으로 분류되지 않는 하나 이상의 결함을 분류기에 의해 분류하는 것과, 분류기에 의해 분류된, 최저 신뢰도를 갖는 결함을 식별하는 것과, 최저 신뢰도를 갖는 결함의 추가 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하는 것과, 추가 수동 분류가 상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부를 결정하는 것과, 새로운 결함 유형이 발견되지 않을 때까지 이상의 프로시저를 반복하는 것을 포함한다.

Description

반복적 결함 분류 방법 및 시스템
<관련 출원과의 교차 참조>
본 출원은 다음에 열거된 출원(들)("관련 출원들(Related Applications)")으로부터 가장 빠른 이용 가능한 유효 출원일(들)과 관련되고, 그 이익을 주장한다(예를 들어, 임시 특허 출원들이 아닌 것에 대하여 가장 빠른 이용 가능한 우선일들을 주장하거나, 관련 출원(들)의 임의의 그리고 모든 부모(parent) 출원, 조부모(grandparent) 출원, 증조부모(great-grandparent) 출원 등에 대하여, 임시 특허 출원들에 대한 35 USC §119(e) 하의 이익을 주장한다).
<관련 출원>
미국특허상표청의 부가적인 법적 요건에 따라, 본 출원은 Sankar Venkataraman, Li He, John Jordan, Oksen Baris 및 Harsh Sinha을 발명자로 하고, "ITERATIVE DEFECT CLASSIFICATION STRATEGY"라는 발명의 명칭으로 2015년 6월 5일 출원된 출원 번호 제62/171,898호의 미국 임시 특허 출원의 정규(regular)(비-임시(non-provisional)) 특허 출원을 구성한다. 출원 일련 번호 62/171,898호는 본 명세서에 그 전체가 참고로 인용된다.
<기술 분야>
본 발명은 개괄적으로 결함 검토 및 분류에 관한 것이며, 구체적으로는 반복적 결함 분류에 관한 것이다.
로직 및 메모리 디바이스와 같은 반도체 디바이스의 제조는 통상, 다수의 반도체 제조 프로세스를 이용해 반도체 웨이퍼 등의 기판을 처리하여 반도체 디바이스의 다중 레벨 및 다양한 피처를 형성하는 것을 포함한다. 반도체 디바이스 크기가 점점 작아짐에 따라, 개선된 검사 및 검토 디바이스 및 프로시저를 개발하는 것이 중요해지고 있다. 이러한 프로시저의 하나는 웨이퍼 등의 표본(specimen) 상의 결함의 분류 및 분석을 포함한다. 본 개시내용 전반에 걸쳐서 사용되는 용어 "웨이퍼"는 일반적으로 반도체 또는 비반도체 재료로 형성된 기판을 지칭한다. 예를 들어, 반도체 또는 비반도체 재료는 단결정 실리콘, 갈륨 비화물 및 인듐 인화물을 포함할 수 있지만, 이에 한정되는 것은 아니다.
결함 검토(defect review)는 사용자가 검사기(inspector) 또는 검사툴에서 취득한 결함을 검토하는 프로세스이다. 결함 검토는 결함의 분류와 구별, 또는 결함 속성의 세트에 기초한 결함 유형의 구분을 필요로 한다. 그러나, 현재의 결함 분류 접근법에는 많은 한계가 있다. 종래의 접근법은 인간 검토 프로세스에서 관찰된 결함의 유형에 기초하여 클래스 코드를 할당하기 위해 하나 이상의 주사 전자 현미경(SEM) 이미지의 시각적 분석을 수반한다. 이러한 수동 검토 및 분류 프로세스에는 여러 가지 단점이 있다. 첫째, 통상 이미지는 사용자에 의해 시간당 1000개 미만의 결함으로 분류된다. 통상의 샘플 크기가 4000개의 결함보다 클 수 있다고 가정한다면, 수동 분류 프로세스는 느리다. 또한, 이 프로세스는 사용자 중심적이며 인적 오류에 취약하다.
이와 같이, 앞에서 확인된 단점을 치유하는 개선된 결함 분류를 제공하는 시스템 및 방법을 제공하는 것이 바람직할 것이다.
본 개시내용의 하나 이상의 예시적인 실시형태에 따라, 반복적 결함 분류 방법이 개시된다. 일 실시형태에 있어서, 상기 방법은 복수의 결함을 포함하는, 표본(specimen)의 하나 이상의 이미지를 취득하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 방법은 상기 복수의 결함 중 적어도 일부의 각각을, 상기 결함의 하나 이상의 속성에 기초하여 2개 이상의 결함 유형 그룹 중 하나로 그룹핑하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 방법은 상기 2개 이상의 결함 유형 그룹의 각각으로부터의 선택된 수의 결함의 제1 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 방법은 수신된 제1 수동 분류 및 상기 결함의 속성에 기초하여 분류기를 생성하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 방법은 상기 제1 수동 분류에 의해 수동으로 분류되지 않은 하나 이상의 결함을 상기 분류기에 의해 분류하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 방법은 상기 분류기에 의해 분류된, 최저 신뢰도를 갖는 선택된 수의 결함을 식별하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 방법은 상기 최저 신뢰도를 갖는 선택된 수의 결함의 추가 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 방법은 상기 추가 수동 분류가 상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부를 결정하는 단계를 포함한다. 다른 실시형태에 있어서, 상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형의 추가 수동 분류에 의한 식별에 응답하여, 상기 방법은 추가 분류기를 생성하고 상기 분류 및 분석 프로세스를 반복한다.
본 개시내용의 하나 이상의 예시적인 실시형태에 따라, 반복적 결함 분류 장치가 개시된다. 일 실시형태에 있어서, 상기 장치는 검사툴을 포함한다. 다른 실시형태에 있어서, 상기 검사툴은 표본의 적어도 일부의 하나 이상의 이미지를 취득하도록 구성된 하나 이상의 검출기를 포함한다. 다른 실시형태에 있어서, 상기 장치는 사용자 인터페이스 디바이스를 포함한다. 다른 실시형태에 있어서, 상기 장치는 컨트롤러를 포함한다. 일 실시형태에 있어서, 상기 컨트롤러는 상기 검사툴의 하나 이상의 검출기에 통신 가능하게 연결된 하나 이상의 프로세서를 포함하고, 상기 하나 이상의 프로세서는 메모리에 저장된 프로그램 명령어의 세트를 실행하도록 구성된다. 일 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금 상기 검사툴의 하나 이상의 검출기로부터 상기 하나 이상의 이미지를 수신하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 상기 복수의 결함 중 적어도 일부의 각각을, 상기 결함의 하나 이상의 속성에 기초하여 2개 이상의 결함 유형 그룹 중 하나로 그룹핑하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 상기 2개 이상의 결함 유형 그룹의 각각으로부터의 선택된 수의 결함의 제1 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 수신된 제1 수동 분류 및 상기 결함의 속성에 기초하여 분류기를 생성하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 상기 제1 수동 분류에서 수동으로 분류되지 않은 하나 이상의 결함을 상기 분류기에 의해 분류하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 상기 분류기에 의해 분류된 최저 신뢰도를 갖는 선택된 수의 결함을 식별하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 상기 최저 신뢰도를 갖는 선택된 수의 결함의 추가 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 상기 추가 수동 분류가 상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부를 결정하게 하도록 구성된다. 다른 실시형태에 있어서, 상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형의 추가 수동 분류에 의한 식별에 응답하여, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금, 추가 분류기를 생성하고 상기 분류 및 분석 프로세스를 반복하게 하도록 구성된다.
전술한 개괄적인 설명과 이어지는 상세한 설명은 전부 예시적이며, 설명을 위한 것일뿐 청구되는 본 발명을 반드시 제한하는 것이 아님이 이해되어야 한다. 첨부하는 도면은 본 명세서에 통합되어 본 명세서의 일부를 구성하고, 본 발명의 실시형태를 예시하며, 전술한 일반적인 설명과 함께 본 발명의 원리를 설명하는 역할을 한다.
본 개시내용의 다수의 장점은 다음의 첨부 도면을 참조함으로써 당업자에게 더 잘 이해될 수 있다.
도 1은 본 개시내용의 일 실시형태에 따른 결함 분류 및 분석 시스템의 블록도이다.
도 2는 본 개시내용의 일 실시형태에 따른 결함 분류 및 분석 방법에서 수행되는 단계들을 예시하는 블록도이다.
이하, 첨부 도면에 나타내는, 개시하는 요지를 상세하게 참조할 것이다.
일반적으로 도 1 내지 도 2를 참조하여, 본 개시내용에 따른 결함 분류 및 분석 방법 및 시스템을 설명한다. 본 개시내용의 실시형태는 유효 결함의 서브세트를 분류하여 샘플의 화상 데이터(imagery data)에 존재하는 결함 유형을 고신뢰도로 결정하는 것에 관한 것이다.
본 개시내용의 실시형태는 사용자에게 다양한 결함의 서브세트를 제공하기 위해 결함 속성을 이용한다. 각 결함 유형에 대해 작은 부분의 결함들이 사용자에 의해 수동으로 분류된다. 수동 분류에 기초하여, 자동 결함 분류 모델 또는 분류기(classifier)가 생성된다. 그런 다음 분류기가 전체 샘플 세트를 분류한다. 추가 실시형태는 사용자에게 초기 자동 분류로부터 최저 신뢰도 결함으로서 식별되는 추가의 더 작은 부분의 결함을 제공한다. 최저 신뢰도 결함이 식별되면, 이들 결함은 사용자에 의해 추가 수동 분류가 행해진다. 추가 수동 분류에서 새로운 결함 유형이 발견되는 경우, 제1 및 추가 수동 분류 결과를 사용하여 새로운 분류기가 생성될 수 있다. 매 반복마다 분류 신뢰도가 상승한다. 충분한 반복으로 선택된 임계치를 초과하는 모든 결함의 분류 신뢰도로 모든 결함 유형이 결정될 것으로 기대된다.
결함 분류는 일반적으로 Li He 등에 의해, 2015년 6월 24일자로 출원된 미국 특허 출원 14/749,316호에 개시되어 있으며, 이 특허문헌은 본 명세서에 참고로 인용된다.
도 1은 본 개시내용의 하나 이상의 실시형태에 따른, 결함 분류 및 분석 시스템(100)의 개념적 블록도이다. 일 실시형태에 있어서, 시스템(100)은 검사툴(102)을 포함한다. 일 실시형태에 있어서, 검사툴(102)은 반도체 웨이퍼(예컨대, Si 웨이퍼)와 같으나 이에 한정되지 않는 표본의 표면 상에 또는 표면 내에 배치된 하나 이상의 결함의 하나 이상의 특성을 측정하도록 구성된다.
검사툴(102)은 결함을 검토하고 분류할 수 있는 당업계에 알려진 임의의 검사 구성을 포함할 수도 있다. 일 실시형태에 있어서, 도 1에 도시하는 바와 같이, 검사툴(102)은 전자빔 결함 검토(EDR, e-beam defect review) 툴을 포함한다. 예를 들어, 도 1에 도시하는 바와 같이, 검사툴(102)은 전자 소스(101)(예컨대, 하나 이상의 전자빔을 방출하는 하나 이상의 전자총), 검출기(103)(예컨대, 2차 전자 검출기), 및 결함 검토를 수행하는 당업계에 알려진 임의의 하나 이상의 전자-광학 구성요소(105)를 포함한다.
본 개시내용의 범위는 일반적으로 시스템(100)의 EDR 구성 또는 전자빔 검토에 제한되지 않는다는 것을 유의해야 한다. 일 실시형태에 있어서, 검사툴(102)은 광 기반의 검사툴로서 구성될 수 있다. 예를 들어, 검사툴(102)은 암시야 검사(darkfield inspection)용으로 구성될 수 있지만, 필수적이지는 않다. 또 다른 예로, 검사툴(102)은 명시야 검사(brightfield inspection)용으로도 구성될 수 있지만, 필수적이지는 않다. 광 기반 검사의 경우, 검사툴(102)은 표본(112)을 조명하기 위한 하나 이상의 광원을 포함할 수 있다. 광원은 당업계에 알려진 임의의 광원을 포함할 수 있다. 예를 들어, 광원은 레이저 소스 등의 협대역 광원을 포함할 수 있다. 다른 예로서, 광원은 방전 램프 또는 레이저 지속형 플라즈마(LSP, laser-sustained plasma) 광원과 같은 광대역 광원을 포함할 수도 있다. 다른 실시 예에서, 광원은 샘플 스테이지(115) 상에 배치된 표본(112)의 표면으로 광을 (다양한 광학 구성요소들을 통해) 지향시키도록 구성될 수도 있다. 또한, 검사툴(102)의 다양한 광학 구성요소는 웨이퍼(112)의 표면으로부터 반사, 산란, 및/또는 회절된 광을 검사툴(102)의 검출기(도시 생략)로 지향시키도록 구성된다. 검출기는 당업계에 알려진 임의의 적절한 광검출기를 포함할 수 있다. 일 실시형태에 있어서, 검출기는 CCD(Charged Coupled Device) 검출기, PMT(Photomultiplier Tube) 검출기 등을 포함할 수 있지만, 이에 한정되는 것은 아니다.
간략화를 위해, 검사툴(102)은 개략적 블록도로 묘사되는 것을 알아야 한다. 구성요소 및 기하학적 구성을 포함하는 이 묘사는 제한적인 것이 아니며 예시 용도로 제공된다. 본 명세서에서는 검사툴(102)이 임의의 수의 광학 요소(예를 들어, 렌즈, 미러, 필터 빔 스플리터 등), 에너지 소스(예를 들어, 광원 또는 전자 소스), 및 샘플 스테이지(115) 상에 배치된 웨이퍼(112)의 하나 이상의 부분을 검사하기 위한 검출기(예를 들어, 2차 전자 검출기와 같은 전자 검출기 또는 광검출기)를 포함할 수 있다고 인식되고 있다.
다른 실시형태에 있어서, 시스템(100)은 컨트롤러(104)를 포함한다. 일 실시형태에 있어서, 컨트롤러(104)는 검사툴(102)에 통신 가능하게 연결된다. 예를 들어, 컨트롤러(104)는 검사툴(102)의 검출기(103)의 출력에 연결될 수 있다. 컨트롤러(104)는 검사툴(102)에 의해 생성된 출력을 수신할 수 있도록 임의의 적절한 방식으로(예를 들어, 도 1에 도시한 라인이 지시하는 하나 이상의 전송 매체에 의해) 검출기에 연결될 수 있다.
일 실시형태에 있어서, 컨트롤러(104)는 검출기(103)와 메모리(108)에 통신 가능하게 연결된 하나 이상의 프로세서(106)를 포함한다. 일 실시형태에 있어서, 하나 이상의 프로세서(106)는 메모리(108)에 유지되는 프로그램 명령어 세트(116)를 실행하도록 구성된다.
컨트롤러(104)의 하나 이상의 프로세서(106)는 당업계에 알려진 임의의 하나 이상의 프로세싱 엘리먼트를 포함할 수도 있다. 이러한 의미에서, 하나 이상의 프로세서(106)는 알고리즘 및/또는 명령어를 실행하도록 구성된 임의의 마이크로프로세서 디바이스를 포함할 수 있다. 일 실시형태에 있어서, 하나 이상의 프로세서(106)는 본 개시내용 전체에 걸쳐 설명하는 바와 같이, 시스템(100)을 동작시키도록 구성된 프로그램을 실행하도록 구성된 데스크탑 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 이미지 컴퓨터, 병렬 프로세서, 또는 기타 컴퓨터 시스템(예를 들어, 네트워크 컴퓨터)로 이루어질 수 있다. 본 개시내용 전체에 걸쳐 설명하는 단계들은 단일 컴퓨터 시스템, 또는 다르게는 다수의 컴퓨터 시스템에 의해 수행될 수 있음을 알아야 한다. 일반적으로, "프로세서"란 용어는 비일시적 메모리 매체(예를 들어, 메모리(108))로부터의 명령어를 실행하는 하나 이상의 프로세싱 엘리먼트를 구비한 임의의 디바이스를 망라하도록 넓게 정의될 수 있다. 또한, 시스템(100)의 상이한 서브시스템(예를 들어, 검사툴, 디스플레이 또는 사용자 인터페이스(110))은 본 개시내용 전체에 걸쳐 설명하는 단계들의 적어도 일부를 수행하기에 적합한 프로세서 또는 논리 소자를 포함할 수 있다. 그러므로, 상기 설명은 본 발명에 대한 제한으로서 해석되어서는 안 되며 예시일 뿐이다.
메모리 매체(108)는 연관되는 하나 이상의 프로세서(106)에 의해 실행 가능한 프로그램 명령어를 저장하기에 적합한 당업계에 알려진 임의의 저장 매체를 포함할 수 있다. 예를 들어, 메모리 매체(108)는 비일시적 메모리 매체를 포함할 수 있다. 예를 들어, 메모리 매체(108)는 판독 전용 메모리, 랜덤 액세스 메모리, 자기 또는 광학 메모리 디바이스(예를 들어, 디스크), 자기 테이프, 솔리드 스테이트 드라이브 등을 포함할 수 있지만, 이들에 한정되지는 않는다. 다른 실시형태에서는 메모리(108)가 검사툴(102)로부터의 하나 이상의 결과 및/또는 본 명세서에 설명하는 다양한 단계들의 출력을 저장하도록 구성되는 것을 알아야 한다. 또한, 메모리(108)는 하나 이상의 프로세서(106)와 함께 공통 컨트롤러 하우징에 내장될 수 있는 것도 알아야 한다. 대안의 실시형태에 있어서, 메모리(108)는 프로세서 및 컨트롤러(104)의 물리적 장소에 대해 원격으로 위치할 수도 있다. 예를 들어, 컨트롤러(104)의 하나 이상의 프로세서(106)는 네트워크(예를 들어, 인터넷, 인트라넷 등)를 통해 액세스 가능한 원격 메모리(예를 들어, 서버)에 액세스할 수 있다. 다른 실시형태에 있어서, 메모리 매체(108)는 하나 이상의 프로세서(106)로 하여금 본 개시내용 전체에 걸쳐 설명하는 다양한 단계들을 수행하게 하는 프로그램 명령어(116)을 저장한다.
다른 실시형태에 있어서, 시스템(100)의 컨트롤러(104)는 유선 및/또는 무선 부분을 포함할 수 있는 전송 매체에 의해 다른 시스템으로부터의 데이터 또는 정보(예를 들어, 검사 시스템으로부터의 검사 결과 또는 계측 시스템으로부터의 계측 결과)를 수신 및/또는 취득하도록 구성될 수 있다. 다른 실시형태에 있어서, 시스템(100)의 컨트롤러(104)는 유선 및/또는 무선 부분을 포함할 수 있는 전송 매체에 의해 데이터 또는 정보(예를 들어, 본 명세서에 개시하는 하나 이상의 프로세스의 출력)을 하나 이상의 시스템 또는 서브시스템(예를 들어, 검사 시스템 또는 계측 시스템)에 전송하도록 구성될 수 있다. 이런 식으로, 전송 매체는 시스템(100)의 컨트롤러(104)와 다른 서브시스템 사이에 데이터 링크로서 역할할 수도 있다. 또한, 컨트롤러(104)는 전송 매체(예를 들어, 네트워크 접속)을 통해 외부 시스템에 데이터를 송신할 수도 있다.
다른 실시형태에 있어서, 시스템(100)은 사용자 인터페이스(110)를 포함한다. 일 실시형태에 있어서, 사용자 인터페이스(110)는 컨트롤러(104)의 하나 이상의 프로세서(106)에 통신 가능하게 연결된다. 다른 실시형태에 있어서, 사용자 인터페이스 디바이스(110)는 사용자로부터 선택 및/또는 지시를 취입하기 위해 컨트롤러(104)에 의해 사용될 수 있다. 본 명세서에서 더 설명하는 일부 실시형태에 있어서, 디스플레이(114)는 데이터를 사용자(도시 생략)에게 표시하는 데에 사용될 수 있다. 이어서, 사용자는 디스플레이 디바이스(114)를 통해 사용자에게 표시된 데이터에 응답하여, 사용자 입력 디바이스(113)를 통해 선택 및/또는 지시를 입력할 수 있다.
사용자 인터페이스 디바이스(110)는 당업계에 알려진 임의의 사용자 인터페이스를 포함할 수 있다. 예를 들어, 사용자 인터페이스(110)의 사용자 입력 디바이스(113)는 키보드, 키패드, 터치스크린, 레버, 노브, 스크롤 휠, 트랙 볼, 스위치, 다이얼, 슬라이딩 바, 스크롤 바, 슬라이드, 핸들, 터치 패드, 패들, 조향 휠, 조이스틱, 베젤 입력 디바이스 등을 포함할 수 있다. 터치스크린 인터페이스 디바이스의 경우, 당업자라면 다수의 터치스크린 인터페이스 디바이스가 본 발명의 구현예에 적합할 수 있음을 알아야 한다. 예를 들어, 디스플레이 디바이스(114)는 용량성 터치스크린, 저항성 터치스크린, 표면 음향 기반 터치스크린, 적외선 기반 터치스크린 등과 통합될 수 있지만, 이들에 한정되지는 않는다. 일반적인 의미에서, 디스플레이 디바이스의 디스플레이부와 통합될 수 있는 임의의 터치스크린 인터페이스가 본 발명의 구현예에 적합하다. 다른 실시형태에 있어서, 사용자 입력 디바이스(113)는 베젤 장착형 인터페이스(bezel mounted interface)를 포함할 수 있지만, 이에 한정되는 것은 아니다.
디스플레이 디바이스(114)는 당업계에 알려진 임의의 디스플레이 디바이스를 포함할 수 있다. 일 실시형태에 있어서, 디스플레이 디바이스는 액정 디스플레이(LCD)를 포함할 수 있지만, 이에 한정되는 것은 아니다. 일 실시형태에 있어서, 디스플레이 디바이스는 유기 발광 다이오드(OLED) 기반 디스플레이를 포함할 수 있지만, 이에 한정되는 것은 아니다. 다른 실시형태에 있어서, 디스플레이 디바이스는 CRT 디스플레이를 포함할 수 있지만, 이에 한정되는 것은 아니다. 당업자라면 다양한 디스플레이 디바이스가 본 발명의 구현예에 적합할 수 있고 폼팩터, 비용 등을 포함하나 이들에 한정되지 않는 다양한 인자에 따라 디스플레이 디바이스의 특정 선택이 좌우될 수 있음을 알아야 한다. 일반적인 의미에서, 사용자 입력 디바이스(예를 들어, 터치스크린, 베젤 장착형 인터페이스, 키보드, 마우스, 트랙패드 등)와 통합될 수 있는 임의의 디스플레이 디바이스가 본 발명의 구현예에 적합하다.
일 실시형태에 있어서, 컨트롤러(104)의 하나 이상의 프로세서(106)는 후술하는 바와 같이 반복적 결함 분류 프로시저의 하나 이상의 단계를 수행하도록 프로그래밍된다. 도 1에 도시하는 시스템(100)의 실시형태는 본 명세서에 설명하는 바와 같이 추가로 구성될 수도 있다. 또한, 시스템(100)은 본 명세서에 설명하는 방법의 실시형태 중 임의의 것의 다른 단계(들)을 수행하도록 구성될 수도 있다.
도 2는 본 개시내용의 일 실시형태에 따른 결함 분류 및 분석 방법(200)에서 수행되는 단계들을 예시하는 흐름도이다. 본 명세서에 있어서 방법(200)의 단계들은 시스템(100)에 의해 전체 또는 일부가 구현될 수 있음을 유의해야 한다. 그러나, 방법(200)은 추가 또는 대안적 시스템 레벨의 실시형태가 방법(200)의 단계들의 전부 또는 일부를 수행할 수 있다는 점에서 시스템(100)으로 제한되지 않는다는 것도 인식된다.
단계 202에서, 다수의 결함을 포함하는, 표본의 하나 이상의 이미지(107)가 획득된다. 하나 이상의 결함은 다수의 결함 유형으로 구성된다. 예를 들어, 표본 상에 또는 표본 내에 포함된 결함의 유형은 입자 결함, 잔여물 결함, 보이드 또는 스크래치 결함, 범프 또는 돌기(protrusion) 결함, 브릿지 결함 등을 포함할 수 있지만, 이에 한정되는 것은 아니다. 일 실시형태에 있어서, 검사툴(102)은 하나 이상의 이미지(107)를 획득하고, 하나 이상의 이미지(107)를 하나 이상의 컨트롤러(104)에 전송한다. 하나 이상의 이미지(107)가 메모리(108)에 저장되어 추후 분석에 사용될 수 있는 것도 고려된다.
단계 204에서, 결함의 적어도 일부가 다수의 결함 유형 그룹 중 하나로 그룹핑된다. 일 실시형태에 있어서, 결함은 유사한 결함은 동일한 그룹으로 그룹핑되도록 결함의 하나 이상의 속성에 따라 컨트롤러(104)의 하나 이상의 프로세서(106)에 의해 다수의 결함 유형 그룹으로 그룹핑된다. 예를 들어, 결함은 k개의 결함 유형 그룹으로 그룹핑될 수 있으며, 여기서 k는 2와 100 사이이다. 예를 들어, 이미지(107)에서 획득된 결함은 10개의 상이한 결함 유형 그룹으로 그룹핑될 수 있다. 또한, 결함 데이터를 k개의 그룹으로 그룹핑하는 것은, 결함 데이터를 메모리(108)(또는 다른 메모리)에 유지되는 k개 폴더의 세트로 분배하여 저장함으로써 수행될 수 있다.
일 실시형태에 있어서, 하나 이상의 이미지(107) 내의 결함의 속성은 결함을 분류하기 위한 실시간 자동 분류(RT-ADC, real-time automatic classification) 프로시저와 같은 자동 분류 프로시저에 의해 프로세싱될 수 있지만, 이에 한정되는 것은 아니다. RT-ADC의 활용은 고속의 프로세싱 속도를 희생시키지 않으면서 "대략적(rough)" 자동 분류를 제공하는 것임을 유의해야 한다. 실시간 자동 분류는 2009년 10월 13일자로 허여된 미국 특허 7,602,962호에 일반적으로 기재되어 있으며, 이 특허문헌은 그 전체가 참고로 인용된다. 본 명세서에 있어서 임의 유형의 자동 그룹핑 알고리즘이 하나 이상의 이미지(107)의 결함을 자동으로 분류하고 그룹핑하는데 사용될 수 있음을 알아야 한다. 예를 들어, 자동 그룹핑 알고리즘은 센트로이드 기반 클러스터링 프로시저(예를 들어, k-평균 그룹핑 알고리즘)를 포함할 수 있지만, 이에 한정되는 것은 아니다. 다른 예로서, 자동 그룹핑 알고리즘은 접속성 기반의 클러스터링 프로시저(예를 들어, 계층적 클러스터링 알고리즘)를 포함할 수 있지만, 이에 한정되는 것은 아니다. 다른 예를 들어, 자동 그룹핑 알고리즘은 분포 기반 클러스터링 프로시저(예를 들어, 기대-최대화(EM, expectation-maximization) 알고리즘)를 포함할 수 있지만, 이에 한정되는 것은 아니다.
결함을 그룹핑하는 데에 사용하는 하나 이상의 속성은 이미지 특징량, 결함 좌표, 조성 분석 결과, 제조 개시 이력 데이터, 또는 머신 QC(품질 제어, Quality Control) 데이터를 포함할 수 있지만, 이에 제한되지는 않는다. 또한, 하나 이상의 속성은 광학 또는 SEM 이물 검사 머신, 패턴 검사 머신, 결함 검토 머신, SPM, 또는 원소 분석 머신 등의 여러 유형의 결함 검사툴 또는 시스템으로부터 획득될 수 있다. 결함 분류에 적합한 속성은 2009년 10월 13일에 허여된 미국 특허 7,602,962호에 기술되어 있으며, 이 특허문헌은 본 명세서에 참고로 인용된다.
단계 206에서, k개의 결함 유형 그룹의 각각으로부터의 선택된 수의 결함의 제1 수동 분류가 수행된다. 예를 들어, 사용자는 획득된 하나 이상의 이미지(107)로부터 k개의 결함 유형 그룹 각각에 포함되는 선택된 수의 결함을 수동으로 분류할 수 있다. 일 실시형태에 있어서, n개의 결함은 단계 204에서 발견된 k개의 결함 그룹 각각으로부터 컨트롤러(104)의 하나 이상의 프로세서(106)에 의해 자동으로 선택된다. 예를 들어, 컨트롤러(104)는 k개의 결함 유형 그룹의 각각으로부터 n개의 결함을 자동으로 선택할 수 있으며, 여기서 n은 2와 100 사이이다. 예를 들어, 컨트롤러(104)는 수동 분류를 위해 결함 유형 그룹의 각각으로부터 50개의 결함을 선택할 수 있다.
다른 실시형태에 있어서, 컨트롤러(104)의 하나 이상의 프로세서(106)는 사용자 인터페이스 디바이스(100)의 디스플레이(114) 상에 각각의 결함 유형 그룹으로부터의 선택된 n개의 결함을 표시할 수 있다. 이어서, 사용자는 하나 이상의 결함의 하나 이상의 속성에 기초하여 사용자 인터페이스 디바이스(110)의 사용자 입력(113)을 통해 k개의 결함 유형 그룹 각각으로부터의 n개의 결함을 수동으로 분류할 수 있다. 사용자 인터페이스 디바이스(110)는 표본(112)의 결함의 수동 분류를 나타내는 신호를 컨트롤러(104)에 전송할 수 있다. 다른 실시형태에 있어서, 컨트롤러(104)는 결함의 수동 분류를 수신하여 그 결과를 메모리(108)에 저장할 수 있다. 단계 206의 분류를 수행하는데 사용되는 하나 이상의 속성은 전술한 바와 같이 결함 검사 또는 검토툴로부터 도출될 수 있는 임의의 하나 이상의 속성을 포함한다.
단계 208에서, 제1 분류기(117)가 생성된다. 일 실시형태에 있어서, 제1 분류기(117)는 단계 206의 결함의 제1 수동 분류 및 하나 이상의 연관된 속성에 기초하여 생성 또는 트레이닝된다. 일 실시형태에 있어서, 컨트롤러(104)의 하나 이상의 프로세서(106)는 제1 분류기(117)를 생성 또는 트레이닝하여, 메모리(108)에 제1 분류기(117)를 저장할 수 있다. 일 실시형태에 있어서, 제1 분류기는 앙상블 학습 분류기(ensemble learning classifier)를 포함한다. 예를 들어, 앙상블 학습 분류기는 랜덤 포레스트 분류기를 포함할 수 있다. 예를 들어, 하나 이상의 프로세서(106)는, 트레이닝 기간 동안 다중 결정 트리를 구성하여 개별 트리의 클래스의 모드인 클래스를 출력함으로써 동작하는 랜덤 포레스트 분류기를 트레이닝할 수 있다. 이와 관련하여, 하나 이상의 프로세서(106)는 결함 및 연관된 속성의 수동 분류를 사용하여 랜덤 포레스트 분류기를 트레이닝할 수 있다. 랜덤 포레스트 분류기의 구현예는 일반적으로 Breiman의 Random Forests[Machine Learning, Vol. 45, Issue 1, pp.5-32 (2001)]에 기술되어 있으며, 이 문헌은 그 전체가 참고로 본 명세서에 인용된다. 랜덤 포레스트는 Kulkarni 등의 Random Forest Classifiers: A Survey and Future Research Directions[국제 학술지 Advanced Computing, Vol. 36, Issue 1, pp. 1144-1153 (2013)]에서도 논의되며, 이 문헌은 본 명세서에 참고로 인용된다.
다른 예로서, 앙상블 학습 분류기는 서포트 벡터 머신(SVM, support vector machine)을 포함한다. 하나 이상의 프로세서(106)는 결함 및 연관된 속성의 제1 수동 분류를 사용하여 SVM 기반 분류기를 트레이닝할 수 있다. SVM 기반 분류기의 구현예는 일반적으로 Xie 등의 Detection and Classification of Defect Patterns in Optical Inspection Using Support Vector Machines[Intelligent Computing Theories Lecture Notes in Computer Science, Vol. 7995, pp. 376-384 (2013)]에 기재되어 있으며, 이 문헌은 본 명세서에 참고로 인용된다.
본 명세서에 있어서, 단계 208에서 생성된 분류기는 당업계에 알려진 임의의 분류기를 포함할 수 있으며, 앙상블 학습 분류기로 한정되지 않는다는 것을 유의해야 한다. 예를 들어, 생성된 분류기는 단일 결정 트리 분류기 또는 다중 결정 트리 분류기(예를 들어, 수퍼 분류기)를 포함할 수 있다.
분류기 생성은 본 명세서에서 그 전체가 참고로 인용되는 미국 출원 14/749,316호에 기재되어 있다.
단계 210에서, 하나 이상의 결함이 제1 분류기(117)에 의해 분류된다. 일 실시형태에 있어서, 하나 이상의 프로세서(106)는 메모리(108)에 저장된 제1 분류기(117)(단계 208 참조)를 검색하고, 단계 206에서 수동 분류되지 않은 잔여 결함의 하나 이상에 제1 분류기(117)를 적용할 수 있다. 이와 관련하여, 제1 분류기가 단계 208에서 트레이닝되었으면, 이 분류기는 단계 206에서 수동 분류되지 않은 주어진 샘플로부터 획득된 화상 데이터에 포함되는 하나 이상의 결함을 분류하는데 사용될 수 있다.
단계 212에서, 최저 신뢰도를 갖는, 제1 분류기에 의해 분류된 선택된 수의 결함이 식별된다. 예를 들어, 신뢰도는 제1 분류기에 의해 분류된 결함의 전부 또는 일부에 대해 계산된다. 본 명세서에 있어서, 하나 이상의 결함에 대한 분류의 신뢰도는 당업계에 알려진 임의의 방식으로 계산될 수 있는 것임을 유의해야 한다. 일 실시형태에 있어서, 하나 이상의 프로세서(106)는 투표 프로시저(voting procedure)를 통해 하나 이상의 결함의 신뢰도를 계산한다. 예를 들어, 제1 분류기(117)가 랜덤 포레스트 분류기인 경우에, 랜덤 포레스트 분류기의 각각의 트리는 본 명세서에서 "득표(vote)"라 칭하는 분류 출력을 갖는다. 이 경우에, 제1 분류기(117)에 의해 분류된 하나 이상의 결함에 대한 신뢰도는 이하에 주어지는 과반 2 득표 방식(majority two vote scheme)을 통해 계산될 수 있지만 반드시 그런 것은 아니다:
Figure pct00001
다른 실시형태에 있어서, 제1 분류기에 의해 분류된 결함에 대해 신뢰도가 계산된 후에, 컨트롤러(104)의 하나 이상의 프로세서(106)는 최저 신뢰도를 갖는 m개의 결함을 식별할 수 있다. 일 실시형태에 있어서, 최저 신뢰도를 갖는 결함의 수는 사용자 인터페이스(110)를 통해 사용자에 의해 미리 선택된 수(예를 들어, 최저 신뢰도를 갖는 N개의 결함)에 대응할 수 있다. 이와 관련하여, 하나 이상의 프로세서(106)는 최저 신뢰도를 갖는 N개의 결함(예를 들어, 1-50개의 결함)을 선택할 수 있다. 다른 실시형태에 있어서, 최저 신뢰도를 갖는 결함의 수는 사용자 인터페이스(110)를 통해 사용자에 의해 미리 선택된 총 결함수의 백분율(예를 들어, 신뢰도 관점에서 결함의 최저 P%)에 대응할 수 있다. 이와 관련하여, 하나 이상의 프로세서(106)는 최저 신뢰도를 갖는 P%의 결함(예를 들어, 최저 10%의 결함)를 선택할 수 있다.
본 명세서에서는 분류된 결함의 임의의 수가 최저 신뢰도를 갖는 결함으로서 식별될 수 있음을 유의해야 한다. 예를 들어, 1 내지 50개 사이의 수의 최저 신뢰도 결함이 컨트롤러(104)에 의해 선택될 수 있다.
대안적으로, 최저 신뢰도 결함으로서 식별된 결함의 수(또는 백분율)는 선택된 신뢰도 임계치의 함수일 수 있다. 이와 관련하여, 사용자는 분류된 결함에 있어서 적절한 신뢰도를 위해 임계치를 미리 선택할 수 있다. 이 임계치보다 낮은 신뢰도를 갖는 결함이 이하에서 더 상세하게 설명하는 추가 분류를 위해 선택된다. 예를 들어, 하나 이상의 결함의 각 결함 유형마다 신뢰도 임계치가 생성될 수 있다. 일 실시형태에 있어서, 하나 이상의 프로세서(106)는 사용자 인터페이스(110)로부터 수신된 신뢰도 임계치에 기초하여 하나 이상의 결함의 각각의 결함 유형마다 신뢰도 임계치를 생성한다. 다른 실시형태에 있어서, 신뢰도 임계치는 교차-검증 프로시저를 통해 하나 이상의 프로세서(106)에 의해 생성된다. 다른 실시형태에 있어서, 사용자는 사용자 인터페이스(110)를 통해 순도(purity) 요건 또는 순도 레벨을 선택할 수 있다. 이어서, 사용자 인터페이스 디바이스(110)는 선택된 순도 요건을 나타내는 신호를 컨트롤러(104)의 하나 이상의 프로세서(106)에 전송할 수 있다. 컨트롤러(104)는 그 후 선택된 순도 요건을 메모리(108)에 저장할 수 있다. 본 명세서에 있어서 수신된 순도 요건은 다양한 파라미터의 함수일 수 있음을 유의해야 한다. 예를 들어, 수신된 순도 요건은 사용자 선호도 및/또는 주어진 웨이퍼 상에 존재하는 예상 결함 유형에 좌우될 수 있다.
예를 들어, 사용자는 모든 결함 유형에 대해 단일 분류 순도 요건(예를 들어, 90%)을 선택할 수 있다. 다른 경우에 있어서, 사용자는 제1 결함 유형에 대한 제1 분류 순도 요건(예를 들어, 90%) 및 제2 결함 유형에 대한 제2 분류 순도 요건(예컨대, 85%) 등등을 선택할 수 있다. 또한, 일부 실시형태에서는 강화된 순도 요건이 더 높은 신뢰도 임계치와 상관관계가 있음을 유의해야 한다. 이와 관련하여, 컨트롤러(104)의 하나 이상의 프로세서(106)는 사용자 인터페이스(110)를 통한 사용자 입력에 응답하여 신뢰도 임계치를 자동으로 조정한다.
결함 유형 분류에 대한 신뢰도의 생성 및 신뢰도 임계치의 생성은 본 명세서에 그 전체가 참고로 인용되는 미국 특허 출원 14/749,316호에 기재되어 있다.
단계 214에서, 제1 분류기(117)에 의해 분류된 최저 신뢰도 결함의 선택된 수의 추가 수동 분류가 수행된다. 예를 들어, 최저 신뢰도를 갖는 m개의 결함이 단계 212에서 식별된 후, 사용자는 최저 신뢰도를 갖는 m개의 결함을 수동으로 분류할 수 있다.
일 실시형태에 있어서, 컨트롤러(104)는 사용자 인터페이스 디바이스(110)의 디스플레이(114) 상에 최저 신뢰도를 갖는 m개의 결함을 표시할 수 있다. 다른 실시형태에 있어서, 사용자는 하나 이상의 결함의 하나 이상의 속성에 기초하여 사용자 인터페이스 디바이스(110)의 사용자 입력(113)을 통해 최저 신뢰도를 갖는 m개의 결함을 수동으로 분류할 수 있다. 이어서, 사용자 인터페이스 디바이스(110)는 최저 신뢰도를 갖는 m개의 결함의 수동 분류를 나타내는 신호를 컨트롤러(104)에 전송할 수 있다. 다른 실시형태에 있어서, 컨트롤러(104)는 최저 신뢰도를 갖는 m개의 결함의 수동 분류를 수신하여 그 결과를 메모리(108)에 저장할 수 있다. 단계 214의 분류를 수행하는데 사용되는 하나 이상의 속성은 전술한 바와 같이 결함 검사 또는 검토툴로부터 도출될 수 있는 임의의 하나 이상의 속성을 포함한다.
단계 216에서는, 단계 212의 추가 수동 분류가 단계 206의 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부가 결정된다. 예를 들어, 컨트롤러(104)의 하나 이상의 프로세서(106)는 제1 수동 분류(단계 206)에서 식별된 결함 유형의 제1 세트를 추가 수동 분류(단계 214)의 결함 유형과 비교할 수 있다. 추가 수동 분류에서 식별된 결함 유형이 단계 206의 제1 수동 분류에서 식별된 결함 유형과 일치하지 않는 경우에, 추가 결함 유형이 존재하는 것으로 결정된다.
하나 이상의 새로운 결함 유형이 단계 216에서 발견되는 경우, 프로세스는 단계 218로 이동한다. 단계 218에서, 새로 식별된 결함 유형이 단계 206에서 수동 분류된 n개의 결함에 추가되고, 프로세스는 단계 208 내지 단계 216을 반복한다. 이와 관련하여, 추가 수동 분류에서 식별된 추가 결함 유형은 단계 206의 제1 수동 분류에서 분류된 n개의 결함과 조합된다. 그런 다음, 조합된 결함 유형 세트에 대해 단계 208 내지 단계 216가 행해진다.
예를 들어, 단계 208이 반복됨으로써, 단계 206에서 발견된 n개의 결함과 단계 216에서 발견된 새로운 결함을 이용하여 새로운 분류기가 생성된다. 마찬가지로, 단계 210 내지 단계 216가 새로운 분류기를 사용해서 반복될 수 있다. 이 프로세스는 임의의 반복 횟수(예컨대, 1-10회)로 반복될 수 있다. 단계 208 내지 단계 216의 매 반복마다 단계 212에서 계산되는 분류 신뢰도가 상승하는 것을 알아야 한다. 프로세스는 결함 유형의 각각에 대한(또는 적어도 일부에 대한) 분류 신뢰도가 선택된 신뢰도를 초과할 때까지 연속으로 반복될 수 있다.
새로운 결함 유형이 단계 216에서 발견되지 않는다면, 프로세스는 단계 220로 이동한다. 단계 220에서, 매 반복 시에 발견된 결함 유형이 수집되고 보고된다. 예를 들어, 분류된 결함 유형은 사용자 인터페이스(110)에 보고될 수 있다. 다른 예로서, 분류된 결함 유형은 메모리(108)에 보고될 수도 있다. 다른 예로서, 분류된 결함 유형은 원격 메모리(예컨대, 원격 컴퓨터 또는 서버의 메모리)에 보고될 수도 있다. 다른 예로서, 분류된 결함 유형은 검사툴(100)에 통신 가능하게 연결된 추가의 광학 분석툴(예를 들어, 검사툴, 검토툴, 계측툴 등)에 보고될 수도 있다. 다른 예로서, 분류된 결함 유형은 제조 라인의 연관된 디바이스(예를 들어, 반도체 디바이스)의 하나 이상의 제어 시스템에 보고될 수 있다. 일 실시형태에 있어서, 샘플(112)의 결함 유형의 분류와 연관된 정보는 하나 이상의 다운스트림 프로세스 툴 파라미터를 조정하여 분류된 결함 유형의 존재의 영향을 완화시키는 데에 사용될 수도 있다. 다른 실시형태에 있어서, 샘플(112)의 결함 유형의 분류와 연관된 정보는 하나 이상의 업스트림 프로세스 툴 파라미터를 조정하여, 제조 라인의 그 프로세스 툴에 의해 처리되는 후속 웨이퍼에서 방법(200)으로 분류되는 특정 결함 유형의 형성을 감소시키는 데에 사용될 수도 있다.
본 명세서에 설명하는 방법들은 모두 본 발명의 실시형태의 하나 이상의 단계들의 결과를 저장 매체에 저장하는 단계를 포함할 수 있다. 그 결과는 본 명세서에서 설명한 결과들 중 임의의 것을 포함할 수 있고 당업계에 알려진 임의의 방법으로 저장될 수 있다. 저장 매체는 본 명세서에서 설명한 임의의 저장 매체 또는 당업계에 알려진 기타 적절한 저장 매체를 포함할 수 있다. 결과가 저장된 후에, 그 결과는 저장 매체에서 액세스되고, 본 명세서에서 설명한 방법 또는 시스템 중 임의의 것에 의해 이용되며, 사용자에 표시하기 위해 포맷팅되고, 다른 소프트웨어 모듈, 방법 또는 시스템에 의해 이용되고, 등등이 가능하다. 또한, 결과는 "영구적으로", "반영구적으로" 또는 일정 기간 동안 저장될 수 있다. 예를 들어, 저장 매체는 랜덤 액세스 메모리(RAM)일 수 있고, 그 결과는 반드시 저장 매체에 무기한 유지될 필요는 없다.
당업자는, 시스템의 양태의 하드웨어 구현과 소프트웨어 구현 간에 구별이 거의 없는 시점으로 기술의 상태가 발전하였음과, 하드웨어 또는 소프트웨어의 사용은 일반적으로 (항상 그렇지는 않지만, 특정 상황에서는 하드웨어와 소프트웨어 간의 선택이 중요해질 수 있다는 점에서) 비용 대 효율성의 트레이드오프를 나타내는 설계 선택임을 인식할 것이다. 당업자는, 본 명세서에서 설명하는 프로세스 및/또는 시스템 및/또는 다른 기술(예를 들어, 하드웨어, 소프트웨어 및/또는 펌웨어)이 실행될 수 있음과, 프로세스 및/또는 시스템 및/또는 다른 기술이 전개되는 상황에 따라 바람직한 수단이 변할 것임을 알 것이다. 예를 들어, 속도와 정확도가 가장 중요하다고 결정한 구현예에서는 주로 하드웨어 및/또는 펌웨어 수단을 선택할 수 있고, 이와 다르게, 유연성이 가장 중요한 경우 구현예는 주로 소프트웨어 구현을 선택할 수 있으며, 또 다른 경우로, 구현예는 하드웨어, 소프트웨어 및/또는 펌웨어의 일부 조합을 선택할 수도 있다. 따라서, 본 명세서에서 설명하는 프로세스 및/또는 디바이스 및/또는 다른 기술이 실행될 수 있는 여러 가능한 수단이 존재하며, 사용되는 임의의 수단이 그 수단이 배치될 상황에 따라 선택사항이라는 점에서 그 중 어떤 것도 다른 것보다 본질적으로 우수하지 않으며, 구현예의 특정 관심사(예를 들어, 속도, 유연성 또는 예측 가능성) 중 임의의 것은 변할 수 있다. 당업자는 구현예의 광학적 양태가 통상 광학적으로 지향된 하드웨어, 소프트웨어, 및/또는 펌웨어를 채택할 것임을 인식할 것이다.
본 명세서에 설명하는 본원의 요지의 특정 양태가 도시되고 기술되었지만, 당업자는 본원의 교시에 기초하여, 본 명세서에 기술하는 요지 및 그것의 더 넓은 양태로부터 벗어나지 않고서 변경 및 변형이 이루어질 수 있음을 알 것이며, 따라서, 첨부하는 청구범위는 본 명세서에 기재된 요지의 진정한 정신 및 범위 내에 있는 것으로서 그러한 모든 변경 및 변형을 그 범위 내에 포함하는 것이다.
또한, 본 발명은 첨부하는 청구범위에 의해 한정되는 것임이 이해되어야 한다. 일반적으로, 당업자라면, 본 명세서에서 사용하는 용어, 및 특히 첨부하는 청구범위(예를 들어, 첨부하는 청구범위의 본문)는 일반적으로 "오픈(open)" 용어로서 의도되는 것을 이해할 것이다(예를 들어, "포함하는"이라는 용어는 "~를 포함하지만 ~에 한정되지 않는"인 것으로서 해석되어야 하고, "구비하는"이라는 용어는 "적어도 구비하는"인 것으로서 해석되어야 하며, "포함한다"는 용어는 "~를 포함하지만 ~에 한정되지 않는다"는 것 등으로 해석되어야 한다.). 도입한 청구항의 특정 수의 기재(recitation)가 의도된다면, 그러한 의도는 청구항에서 명시적으로 언급될 것이고, 그러한 기재가 없을 경우, 그러한 의도는 존재하지 않는다는 것이 당업자에 의해 더 잘 이해될 것이다. 예를 들어, 이해를 돕기 위해, 다음의 첨부하는 청구범위는 "적어도 하나" 및 "하나 이상"이라는 도입 어구의 사용을 포함하여 청구항 기재를 도입할 수 있다. 그러나, 이러한 어구의 사용은, 동일한 청구항이 "하나 이상" 또는 "적어도 하나"라는 도입 어구와 "a" 또는 "an" 등의 부정 관사를 포함하더라도, 부정 관사 "a" 또는 "an"에 의한 청구항 기재의 도입이 그러한 도입 청구항의 기재를 포함하는 임의의 특정 청구항을 한정하는 것을 암시하도록 해석되어서는 안 되며(예컨대, "a" 및/또는 "an"이 통상 "적어도 하나" 또는 "하나 이상"을 의미하도록 해석되어야 한다), 동일한 것이 청구항 기재를 도입하는데 사용되는 정관사의 사용에 대해서도 마찬가지로 적용된다. 또한, 도입한 청구항의 특정 수의 기재가 명시적으로 언급되더라도, 당업자는 그러한 기재가 통상 적어도 기재된 수를 의미하는 것으로 해석되어야 하는 것을 인식할 것이다(예를 들어, 다른 수식어가 없다면 "2개의 기재"의 사실 그대로의 기재는 통상 적어도 2개의 기재, 또는 2개 이상의 기재를 의미한다). 또한, "A, B 및 C 등등 중 적어도 하나"와 유사한 협약이 사용되는 경우, 일반적으로 그러한 구성은 당업자가 그 협약을 이해할 것이라는 의미로 의도된다(예를 들어, "A, B 및 C 중 적어도 하나를 구비한 시스템"은 A 단독, B 단독, C 단독, A 및 B를 함께, A 및 C를 함께, B 및 C를 함께, 그리고/또는 A, B, 및 C를 함께, 등등을 구비한 시스템을 포함하지만 이에 한정되지 않을 것이다.). "A, B 또는 C 등등 중 적어도 하나"와 유사한 협약이 사용되는 경우, 일반적으로 그러한 구성은 당업자가 그 협약을 이해할 것이라는 의미로 의도된다(예를 들어, "A, B 또는 C 중 적어도 하나를 구비한 시스템"은 A 단독, B 단독, C 단독, A 및 B를 함께, A 및 C를 함께, B 및 C를 함께, 그리고/또는 A, B, 및 C를 함께, 등등을 구비한 시스템을 포함하지만 이에 한정되지는 않을 것이다.). 당업자라면, 또한 명세서에서든지, 청구범위에서든지 또는 도면에서든지 하여간, 2개 이상의 대안적인 용어를 제시하는 사실상 임의의 선언적인 단어 및/또는 어구가 그 용어 중 하나, 그 용어 중 어느 한쪽, 또는 양쪽 용어를 포함하는 가능성을 고려하도록 이해되어야 함이 이해될 것이다. 예를 들어, "A 또는 B"라는 어구는 "A" 또는 "B" 또는 "A 및 B"의 가능성을 포함하는 것으로 이해될 것이다.
본 개시내용 및 다수의 수반되는 장점들은 전술한 설명에 의해 이해될 것으로 간주되며, 개시하는 요지로부터 벗어나는 일 없이 또는 그것의 중요한 장점들 전부를 희생하는 일 없이 구성요소의 형태, 구성 및 배열에서 다양한 변화가 이루어질 수 있음이 명백할 것이다. 기술하는 형태는 설명을 위한 것이며, 이러한 변화를 망라하고 포함하는 것이 다음의 청구범위의 의도이다.

Claims (22)

  1. 결함 분류 방법에 있어서,
    복수의 결함을 포함하는, 표본(specimen)의 하나 이상의 이미지를 취득하는 단계와,
    상기 복수의 결함 중 적어도 일부의 각각을, 상기 결함의 하나 이상의 속성에 기초하여 2개 이상의 결함 유형 그룹 중 하나로 그룹핑하는 단계와,
    상기 2개 이상의 결함 유형 그룹의 각각으로부터의 선택된 수의 결함의 제1 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하는 단계와,
    수신된 제1 수동 분류 및 상기 결함의 속성에 기초하여 분류기(classifier)를 생성하는 단계와,
    상기 제1 수동 분류에 의해 수동으로 분류되지 않은 하나 이상의 결함을 상기 분류기에 의해 분류하는 단계와,
    상기 분류기에 의해 분류된, 최저 신뢰도(confidence level)를 갖는 선택된 수의 결함을 식별하는 단계와,
    상기 최저 신뢰도를 갖는 선택된 수의 결함의 추가 수동 분류를 나타내는 신호를 상기 사용자 인터페이스 디바이스로부터 수신하는 단계와,
    상기 추가 수동 분류가 상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부를 결정하는 단계
    를 포함하는 결함 분류 방법.
  2. 제1항에 있어서,
    상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형의 추가 수동 분류에 의한 식별에 응답하여, 상기 제1 수동 분류 및 상기 추가 수동 분류에 기초해서 추가 분류기를 생성하는 단계와,
    상기 제1 수동 분류 또는 상기 추가 수동 분류에서 분류되지 않은 하나 이상의 결함을 상기 추가 분류기에 의해 분류하는 단계와,
    상기 추가 분류기에 의해 분류된, 최저 신뢰도를 갖는 선택된 수의 결함을 식별하는 단계와,
    상기 최저 신뢰도를 갖는 선택된 수의 결함의 제2 추가 수동 분류를 나타내는 신호를 상기 사용자 인터페이스 디바이스로부터 수신하는 단계와,
    상기 제2 추가 수동 분류가 상기 제1 수동 분류 또는 상기 추가 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부를 결정하는 단계
    를 더 포함하는 결함 분류 방법.
  3. 제1항에 있어서,
    상기 추가 수동 분류가 상기 제1 수동 분류에 포함되지 않은 결함 유형을 식별하지 않는다는 결정에 응답하여, 적어도, 상기 제1 수동 분류에서 분류된 결함 유형과, 상기 분류기에 의해 분류된 결함 유형을 보고하는 단계를 더 포함하는 결함 분류 방법.
  4. 제1항에 있어서, 상기 복수의 결함 중 적어도 일부의 각각을, 상기 결함의 하나 이상의 속성에 기초하여 2개 이상의 결함 유형 그룹 중 하나로 그룹핑하는 단계는,
    상기 복수의 결함 중 적어도 일부의 각각을, 상기 하나 이상의 속성에 적용된 실시간 자동 결함 분류 방식(RT-ADC(real-time automatic defect classification) scheme)에 의해, 2개 이상의 결함 유형 그룹 중 하나로 그룹핑하는 단계를 포함하는 것인 결함 분류 방법.
  5. 제1항에 있어서, 상기 제1 분류기 또는 상기 추가 분류기 중 적어도 하나는,
    앙상블 학습 분류기(ensemble learning classifier)를 포함하는 것인 결함 분류 방법.
  6. 제5항에 있어서, 상기 앙상블 학습 분류기는,
    랜덤 포레스트 분류기(random forest classifier)를 포함하는 것인 결함 분류 방법.
  7. 제5항에 있어서, 상기 앙상블 학습 분류기는,
    서포트 벡터 머신(SVM, support vector machine)를 포함하는 것인 결함 분류 방법.
  8. 제1항에 있어서, 상기 제1 분류기 또는 상기 추가 분류기 중 적어도 하나는,
    결정 트리 분류기 또는 다중 결정 트리 분류기 중 적어도 하나를 포함하는 것인 결함 분류 방법.
  9. 제1항에 있어서, 상기 분류기에 의해 분류된 하나 이상의 결함에 대해 신뢰도가 계산되는 것인 결함 분류 방법.
  10. 제9항에 있어서, 상기 신뢰도는 상기 분류기에 의해 분류된 하나 이상의 결함에 대해 투표 방식(voting scheme)으로 계산되는 것인 결함 분류 방법.
  11. 결함 분류 장치에 있어서,
    표본의 적어도 일부의 하나 이상의 이미지를 취득하도록 구성된 하나 이상의 검출기를 포함하는 검사툴과,
    사용자 인터페이스 디바이스와,
    상기 검사툴의 하나 이상의 검출기에 통신 가능하게 연결된 하나 이상의 프로세서를 포함하는 컨트롤러
    를 포함하고,
    상기 하나 이상의 프로세서는 메모리에 저장된 프로그램 명령어의 세트를 실행하도록 구성되며, 상기 프로그램 명령어의 세트는 상기 하나 이상의 프로세서로 하여금,
    상기 검사툴의 하나 이상의 검출기로부터 상기 하나 이상의 이미지를 수신하게 하고,
    상기 복수의 결함 중 적어도 일부의 각각을, 상기 결함의 하나 이상의 속성에 기초하여 2개 이상의 결함 유형 그룹 중 하나로 그룹핑하게 하며,
    상기 2개 이상의 결함 유형 그룹의 각각으로부터의 선택된 수의 결함의 제1 수동 분류를 나타내는 신호를 사용자 인터페이스 디바이스로부터 수신하게 하고,
    수신된 제1 수동 분류 및 상기 결함의 속성에 기초하여 분류기를 생성하게 하고,
    상기 제1 수동 분류에 의해 수동으로 분류되지 않은 하나 이상의 결함을 상기 분류기에 의해 분류하게 하며,
    상기 분류기에 의해 분류된, 최저 신뢰도를 갖는 선택된 수의 결함을 식별하게 하고,
    상기 최저 신뢰도를 갖는 선택된 수의 결함의 추가 수동 분류를 나타내는 신호를 상기 사용자 인터페이스 디바이스로부터 수신하게 하며,
    상기 추가 수동 분류가 상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부를 결정하게 하도록 구성되는 것인 결함 분류 장치.
  12. 제11항에 있어서, 상기 컨트롤러는 또한,
    상기 제1 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형의 추가 수동 분류에 의한 식별에 응답하여, 상기 제1 수동 분류 및 상기 추가 수동 분류에 기초해서 추가 분류기를 생성하고,
    상기 제1 수동 분류 또는 상기 추가 수동 분류에서 분류되지 않은 하나 이상의 결함을 상기 추가 분류기에 의해 분류하며,
    상기 추가 분류기에 의해 분류된, 최저 신뢰도를 갖는 선택된 수의 결함을 식별하고,
    상기 최저 신뢰도를 갖는 선택된 수의 결함의 제2 추가 수동 분류를 나타내는 신호를 상기 사용자 인터페이스 디바이스로부터 수신하며,
    상기 제2 추가 수동 분류가 상기 제1 수동 분류 또는 상기 추가 수동 분류에서 식별되지 않은 하나 이상의 추가 결함 유형을 식별하는지의 여부를 결정하도록 구성되는 것인 결함 분류 장치.
  13. 제11항에 있어서, 상기 컨트롤러는 또한,
    상기 추가 수동 분류가 상기 제1 수동 분류에 포함되지 않은 결함 유형을 식별하지 않는다는 결정에 응답하여, 적어도, 상기 제1 수동 분류에서 분류된 결함 유형과, 상기 분류기에 의해 분류된 결함 유형을 보고하도록 구성되는 것인 결함 분류 장치.
  14. 제11항에 있어서, 상기 컨트롤러는 또한,
    상기 복수의 결함 중 적어도 일부의 각각을, 상기 하나 이상의 속성에 적용된 실시간 자동 결함 분류(RT-ADC) 방식에 의해, 2개 이상의 결함 유형 그룹 중 하나로 그룹핑하도록 구성되는 것인 결함 분류 장치.
  15. 제11항에 있어서, 상기 제1 분류기 또는 상기 추가 분류기 중 적어도 하나는,
    앙상블 학습 분류기를 포함하는 것인 결함 분류 장치.
  16. 제15항에 있어서, 상기 앙상블 학습 분류기는,
    랜덤 포레스트 분류기를 포함하는 것인 결함 분류 장치.
  17. 제15항에 있어서, 상기 앙상블 학습 분류기는,
    서포트 벡터 머신(SVM)을 포함하는 것인 결함 분류 장치.
  18. 제11항에 있어서, 상기 제1 분류기 또는 상기 추가 분류기 중 적어도 하나는,
    결정 트리 분류기 또는 다중 결정 트리 분류기 중 적어도 하나를 포함하는 것인 결함 분류 장치.
  19. 제11항에 있어서, 상기 컨트롤러는 또한,
    상기 분류기에 의해 분류된 하나 이상의 결함에 대해 신뢰도를 계산하도록 구성되는 것인 결함 분류 장치.
  20. 제11항에 있어서, 상기 검사툴은,
    전자빔 결함 검토툴을 포함하는 것인 결함 분류 장치.
  21. 제11항에 있어서, 상기 검사툴은,
    암시야 검사툴을 포함하는 것인 결함 분류 장치.
  22. 제11항에 있어서, 상기 검사툴은,
    명시야 검사툴을 포함하는 것인 결함 분류 장치.
KR1020187000044A 2015-06-05 2016-06-02 반복적 결함 분류 방법 및 시스템 KR102351346B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562171898P 2015-06-05 2015-06-05
US62/171,898 2015-06-05
US15/010,887 US9922269B2 (en) 2015-06-05 2016-01-29 Method and system for iterative defect classification
US15/010,887 2016-01-29
PCT/US2016/035466 WO2016196760A1 (en) 2015-06-05 2016-06-02 Method and system for iterative defect classification

Publications (2)

Publication Number Publication Date
KR20180005737A true KR20180005737A (ko) 2018-01-16
KR102351346B1 KR102351346B1 (ko) 2022-01-13

Family

ID=57441960

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187000044A KR102351346B1 (ko) 2015-06-05 2016-06-02 반복적 결함 분류 방법 및 시스템

Country Status (6)

Country Link
US (1) US9922269B2 (ko)
JP (1) JP6857620B2 (ko)
KR (1) KR102351346B1 (ko)
CN (1) CN107690671B (ko)
TW (1) TWI670652B (ko)
WO (1) WO2016196760A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190143192A (ko) * 2018-06-20 2019-12-30 에임시스템 주식회사 기계 학습 기반의 자동 결함 분류 방법
KR20220129265A (ko) * 2021-03-16 2022-09-23 현대모비스 주식회사 설명가능 ai 기반 불량검출 장치 및 방법

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426926B (zh) * 2016-01-04 2019-09-24 京东方科技集团股份有限公司 一种对amoled进行检测分类的方法及装置
US10796235B2 (en) 2016-03-25 2020-10-06 Uptake Technologies, Inc. Computer systems and methods for providing a visualization of asset event and signal data
CA2989617A1 (en) * 2016-12-19 2018-06-19 Capital One Services, Llc Systems and methods for providing data quality management
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
TWI688761B (zh) * 2017-01-18 2020-03-21 荷蘭商Ａｓｍｌ荷蘭公司 缺陷顯示方法
US11300521B2 (en) * 2017-06-14 2022-04-12 Camtek Ltd. Automatic defect classification
US11037286B2 (en) * 2017-09-28 2021-06-15 Applied Materials Israel Ltd. Method of classifying defects in a semiconductor specimen and system thereof
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
JP6992475B2 (ja) 2017-12-14 2022-01-13 オムロン株式会社 情報処理装置、識別システム、設定方法及びプログラム
JP7054436B2 (ja) * 2017-12-14 2022-04-14 オムロン株式会社 検出システム、情報処理装置、評価方法及びプログラム
US10937705B2 (en) * 2018-03-30 2021-03-02 Onto Innovation Inc. Sample inspection using topography
US11151707B2 (en) 2018-12-07 2021-10-19 Kla Corporation System and method for difference filter and aperture selection using shallow deep learning
US20220222806A1 (en) * 2019-05-22 2022-07-14 Applied Materials Israel Ltd. Machine learning-based classification of defects in a semiconductor specimen
US11361423B2 (en) 2019-06-17 2022-06-14 RecognAIse Technologies Inc. Artificial intelligence-based process and system for visual inspection of infrastructure
JP2021015546A (ja) * 2019-07-16 2021-02-12 株式会社日立製作所 情報処理システムおよび情報処理方法
CN114175093A (zh) * 2020-05-29 2022-03-11 京东方科技集团股份有限公司 显示面板的检测装置、检测方法、电子装置、可读介质
WO2021250884A1 (ja) * 2020-06-12 2021-12-16 株式会社日立ハイテク 欠陥検査のための方法、システム、及びコンピューター可読媒体
EP3945548A1 (en) * 2020-07-30 2022-02-02 ASML Netherlands B.V. Method for classifying semiconductor wafers
US11810284B2 (en) * 2020-08-21 2023-11-07 Kla Corporation Unsupervised learning for repeater-defect detection
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection
US20220335254A1 (en) * 2021-04-16 2022-10-20 Baker Hughes Holdings Llc Computer vision inferencing for non-destructive testing
CN117916582A (zh) 2021-09-07 2024-04-19 明答克株式会社 缺陷分类系统
CN113688802B (zh) * 2021-10-22 2022-04-01 季华实验室 基于肌电信号的手势识别方法、装置、设备及存储介质
CN113781485B (zh) * 2021-11-12 2022-09-09 成都数联云算科技有限公司 一种pcb缺陷类别的智能检测方法、装置、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003529741A (ja) * 1998-07-15 2003-10-07 オーガスト テクノロジー コーポレイション 自動化ウェハ欠陥検査システムおよびこのような検査を実行する方法
US20040156540A1 (en) * 2003-02-12 2004-08-12 Kla-Tencor Technologies, Corporation Automatic supervised classifier setup tool for semiconductor defects
JP2012043156A (ja) * 2010-08-18 2012-03-01 Canon Inc 情報処理装置、情報処理方法およびプログラム
JP2013225313A (ja) * 2012-04-20 2013-10-31 Applied Materials Israel Ltd 自動欠陥分類における分類器の準備及び保守

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6922482B1 (en) 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
JP4118703B2 (ja) * 2002-05-23 2008-07-16 株式会社日立ハイテクノロジーズ 欠陥分類装置及び欠陥自動分類方法並びに欠陥検査方法及び処理装置
US7602962B2 (en) 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines
US8995747B2 (en) 2010-07-29 2015-03-31 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection and classification
US20120323506A1 (en) 2010-11-23 2012-12-20 Andrew Payshin King Semiconductor Defect Signal Capturing and Statistical System and Method
US9401013B2 (en) * 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
US10043264B2 (en) * 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
US8848068B2 (en) 2012-05-08 2014-09-30 Oulun Yliopisto Automated recognition algorithm for detecting facial expressions

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003529741A (ja) * 1998-07-15 2003-10-07 オーガスト テクノロジー コーポレイション 自動化ウェハ欠陥検査システムおよびこのような検査を実行する方法
US20040156540A1 (en) * 2003-02-12 2004-08-12 Kla-Tencor Technologies, Corporation Automatic supervised classifier setup tool for semiconductor defects
JP2012043156A (ja) * 2010-08-18 2012-03-01 Canon Inc 情報処理装置、情報処理方法およびプログラム
JP2013225313A (ja) * 2012-04-20 2013-10-31 Applied Materials Israel Ltd 自動欠陥分類における分類器の準備及び保守

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190143192A (ko) * 2018-06-20 2019-12-30 에임시스템 주식회사 기계 학습 기반의 자동 결함 분류 방법
KR20220129265A (ko) * 2021-03-16 2022-09-23 현대모비스 주식회사 설명가능 ai 기반 불량검출 장치 및 방법

Also Published As

Publication number Publication date
US20160358041A1 (en) 2016-12-08
KR102351346B1 (ko) 2022-01-13
TWI670652B (zh) 2019-09-01
CN107690671B (zh) 2019-10-18
CN107690671A (zh) 2018-02-13
JP6857620B2 (ja) 2021-04-14
US9922269B2 (en) 2018-03-20
JP2018524804A (ja) 2018-08-30
TW201710952A (zh) 2017-03-16
WO2016196760A1 (en) 2016-12-08

Similar Documents

Publication Publication Date Title
KR102351346B1 (ko) 반복적 결함 분류 방법 및 시스템
KR102513713B1 (ko) 결함 분류를 위한 방법 및 시스템
US10964013B2 (en) System, method for training and applying defect classifiers in wafers having deeply stacked layers
CN106461581B (zh) 基于来自光学检验及光学重检的缺陷属性的用于电子束重检的缺陷取样
US10014229B2 (en) Generating a wafer inspection process using bit failures and virtual inspection
KR101995618B1 (ko) 자동화된 검사 시나리오 생성
KR20190037161A (ko) 복수의 아이템들을 분류하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US20130077092A1 (en) Substrate surface defect inspection method and inspection device
KR20190057402A (ko) 검사 관련 알고리즘을 설정하는데 사용되는 트레이닝 세트의 최적화
KR101992440B1 (ko) 물체의 조사에서의 적응형 샘플링을 위한 방법 및 그 시스템
JP2017162232A (ja) 教師データ作成支援装置、画像分類装置、教師データ作成支援方法および画像分類方法
KR102574356B1 (ko) 얕은 딥 러닝을 이용한 차분 필터 및 애퍼처 선택을 위한 시스템 및 방법
US20230175981A1 (en) Method for Defect Inspection, System, and Computer-Readable Medium

Legal Events

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