KR20190073756A - 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템 - Google Patents

반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템 Download PDF

Info

Publication number
KR20190073756A
KR20190073756A KR1020170174886A KR20170174886A KR20190073756A KR 20190073756 A KR20190073756 A KR 20190073756A KR 1020170174886 A KR1020170174886 A KR 1020170174886A KR 20170174886 A KR20170174886 A KR 20170174886A KR 20190073756 A KR20190073756 A KR 20190073756A
Authority
KR
South Korea
Prior art keywords
images
semiconductor
defect
image
wafer
Prior art date
Application number
KR1020170174886A
Other languages
English (en)
Inventor
권남영
강효형
김용덕
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170174886A priority Critical patent/KR20190073756A/ko
Priority to US16/032,356 priority patent/US10713778B2/en
Priority to CN201811538781.4A priority patent/CN110060228A/zh
Publication of KR20190073756A publication Critical patent/KR20190073756A/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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67271—Sorting devices
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V10/778—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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • 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
    • 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
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명은 반도체 결함 분류 장치에 관한 것이다. 본 발명의 반도체 결함 분류 장치는 웨이퍼 상의 반도체 패턴들의 이미지들을 수신하고, 이미지들로부터 이미지들의 특성들을 추출하도록 구성되는 특성 추출기들, 그리고 이미지들의 특성들 및 웨이퍼에 대한 제1 메타 정보를 수신하고, 그리고 이미지들의 특성들 및 제1 메타 정보에 따라 기계 학습에 기반하여 이미지들과 연관된 반도체 패턴들의 결함을 분류하는 분류기를 포함한다.

Description

반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템{SEMICONDUCTOR DEFECT CLASSIFICATION DEVICE, METHOD FOR CLASSIFYING DEFECT OF SEMICONDUCTOR, AND SEMICONDUCTOR DEFECT CLASSIFICATION SYSTEM}
본 발명은 반도체 장치에 관한 것으로, 더 상세하게는 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템에 관한 것이다.
반도체는 다양한 공정들을 통해 제조된다. 반도체의 설계 기술이 발전하면서, 반도체를 제조하기 위한 공정들의 수가 증가하고 그리고 각 공정의 복잡도가 증가하고 있다. 반도체의 공정들의 수 및 복잡도가 증가함에 따라, 반도체의 제조 과정에서 다양한 결함들(defects)이 발생할 수 있다.
반도체의 결함의 원인을 파악하고 교정하기 위하여, 반도체의 결함이 먼저 검출되어야 한다. 반도체의 결함을 검출하는 방법들 중 하나는 시각적 방법을 포함한다. 시각적 방법에 따르면, 반도체의 이미지들에 기반하여 반도체의 결함이 분류된다.
종래에는 반도체의 제조 과정을 관리하는 관리자가 수동으로 시각적 방법에 따라 반도체의 결함을 분류하여 왔다. 그러나 관리자에 의한 결함의 분류는 관리자의 숙련도에 따라 정확도 또는 신뢰도가 달라지는 문제가 있다. 또한, 관리자에 의한 결함의 분류는 관리자에게 누적되는 피로로 인해 특정 시간을 초과하여 진행될 수 없는 한계가 있다.
본 발명의 목적은 반도체의 제조 과정에서 관리자에 의존하지 않고 반도체의 결함을 분류하는 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템을 제공하는 데에 있다.
본 발명의 실시 예에 따른 반도체 결함 분류 장치는 웨이퍼 상의 반도체 패턴들의 이미지들을 수신하고, 이미지들로부터 이미지들의 특성들을 추출하도록 구성되는 특성 추출기들, 그리고 이미지들의 특성들 및 웨이퍼에 대한 제1 메타 정보를 수신하고, 그리고 이미지들의 특성들 및 제1 메타 정보에 따라 기계 학습에 기반하여 이미지들과 연관된 반도체 패턴들의 결함을 분류하는 분류기를 포함한다.
본 발명의 실시 예에 따른 반도체의 결함을 분류하는 방법은, 웨이퍼 상의 반도체 패턴들의 이미지들을 수신하는 단계, 이미지들로부터 이미지들의 특성들을 추출하는 단계, 이미지들과 연관된 메타 정보를 수신하는 단계, 그리고 특성들 및 메타 정보에 따라 기계 학습에 기반하여 반도체 패턴들의 결함을 분류하는 단계를 포함한다.
본 발명의 실시 예에 따른 반도체 결함 분류 시스템은 웨이퍼에 반도체 패턴들을 제조하는 제조 장치, 반도체 패턴들의 이미지들을 촬영하는 촬영 장치, 그리고 촬영 장치로부터 출력되는 이미지들에 대해 기계 학습의 결함 분류를 수행하여 반도체 패턴들의 결함을 분류하는 반도체 결함 분류 장치를 포함한다.
본 발명에 따르면, 기계 학습에 기반하여 반도체의 결함이 자동적으로 검출된다. 따라서, 향상된 정확도 및 신뢰도를 갖고 지속적으로 반도체의 결함을 검출하는 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템이 제공된다.
도 1은 본 발명의 제1 실시 예에 따른 반도체 결함 분류 시스템을 보여주는 블록도이다.
도 2는 본 발명의 실시 예에 따른 반도체 결함 분류 장치의 동작 방법을 보여주는 순서도이다.
도 3은 본 발명의 실시 예에 따른 분류 장치의 예를 보여주는 블록도이다.
도 4는 콘볼루션 신경망의 복수의 레이어들에 의해 이미지들 중 하나의 특성이 추출되는 예를 보여준다.
도 5는 콘볼루션 신경망의 복수의 레이어들에 의해 이미지들 중 하나의 특성이 추출되는 예를 더 보여준다.
도 6은 분류기가 기계 학습에 기반한 결정 나무를 이용하여 결함의 분류를 수행하는 예를 보여준다.
도 7은 분류기가 기계 학습에 기반한 신경망을 이용하여 결함의 분류를 수행하는 예를 보여준다.
도 8은 분류기가 기계 학습에 기반한 지원 벡터 기계를 이용하여 결함의 분류를 수행하는 예를 보여준다.
도 9는 본 발명의 제2 실시 예에 따른 반도체 결함 분류 시스템을 보여주는 블록도이다.
도 10은 도 9의 반도체 결함 분류 장치의 동작 방법을 보여주는 순서도이다.
도 11은 분류 장치 및 오프셋 정렬 장치를 포함하는 반도체 결함 분류 장치를 보여주는 블록도이다.
도 12는 본 발명의 제3 실시 예에 따른 반도체 결함 분류 시스템을 보여주는 블록도이다.
도 13은 도 12의 반도체 결함 분류 장치의 동작 방법을 보여주는 순서도이다.
도 14는 본 발명의 제4 실시 예에 따른 반도체 결함 분류 시스템을 보여주는 블록도이다.
도 15는 본 발명의 제5 실시 예에 따른 반도체 결함 분류 시스템을 보여주는 블록도이다.
이하에서, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
도 1은 본 발명의 제1 실시 예에 따른 반도체 결함 분류 시스템(10a)을 보여주는 블록도이다. 도 1을 참조하면, 반도체 결함 분류 시스템(10a)은 웨이퍼(20), 제조 장치(30), 자동 결함 검토 장치(40), 촬영 장치(50), 이미지 스토리지(60), 결함 이미지 데이터베이스(70), 그리고 반도체 결함 분류 장치(100a)를 포함한다.
웨이퍼(20)는 반도체의 기판으로 사용될 수 있다. 예를 들어, 웨이퍼(20)는 실리콘(Si), 갈륨비소(GaAs) 등과 같은 반도체 특성을 갖는 물질을 포함할 수 있다. 제조 장치(30)는 웨이퍼(20)에 반도체를 제조하기 위한 다양한 공정들을 적용할 수 있다.
예를 들어, 제조 장치(30)는 웨이퍼(20)에 식각, 증착, 평탄화 등과 같은 다양한 공정들을 순차적으로 적용할 수 있다. 제조 장치(30)는 다양한 공정들을 웨이퍼(20)에 적용하여, 웨이퍼(20) 상에 다양한 반도체 패턴들을 생성할 수 있다.
제조 장치(30)는 웨이퍼(20)의 제조와 연관된 정보를 제1 메타 정보(MI1)로 출력할 수 있다. 예를 들어, 제1 메타 정보(MI1)는 웨이퍼(20)를 가공하는 제조 장치(30)의 종류에 대한 정보, 웨이퍼(20)를 가공하여 제조하고자 하는 반도체 장치의 종류에 대한 정보를 포함할 수 있다.
제1 메타 정보(MI1)는 제조 장치(30)가 웨이퍼(20)를 가공하는 데에 사용하는 공정의 종류에 대한 정보를 더 포함할 수 있다. 예를 들어, 제1 메타 정보(MI1)는 자동 결함 검토 장치(40)에 의한 지난 검토와 현재 검토의 사이, 또는 촬영 장치(50)에 의한 지난 촬영과 현재 촬영의 사이에 제조 장치(30)가 웨이퍼(20)에 적용한 공정(또는 공정들)의 종류에 대한 정보를 포함할 수 있다.
제1 메타 정보(MI1)는 제조 장치(30)가 웨이퍼(20)에 대해 수행한 공정 단계에 대한 정보를 더 포함할 수 있다. 예를 들어, 제1 메타 정보(MI1)는 웨이퍼(20)에 적용되는 전체 공정들 중에서, 자동 결함 검토 장치(40)의 현재 검토까지 또는 촬영 장치(50)의 현재 촬영까지 웨이퍼(20)에 적용된 공정들의 정보를 포함할 수 있다.
자동 결함 검토 장치(40)는 웨이퍼(20)에 대해 각 공정이 적용된 후에, 특정한 수의 공정들이 적용된 후에, 또는 검토 포인트로 지정된 공정들 중 하나가 적용된 후에, 웨이퍼(20)의 반도체 패턴들에 결함이 존재하는지를 검토할 수 있다. 자동 결함 검토 장치(40)는 결함이 존재하는 것으로 예측되는 위치(또는 위치들)의 위치 정보(LI)를 촬영 장치(50)로 전달할 수 있다.
촬영 장치(50)는 위치 정보(LI)에 기반하여, 웨이퍼(20) 상의 반도체 패턴들에서 결함이 존재하는 것으로 예측되는 위치들의 이미지들을 촬영할 수 있다. 예를 들어, 촬영 장치(50)는 주사 전자 현미경(SEM, Scanning Electron Microscopy) 장치 또는 광학 현미경(OM, Optical Microscopy) 장치를 포함할 수 있다.
촬영 장치(50)는 주사 전자 현미경(SEM) 촬영에 기반하여, 고해상도 이미지(HRI, High Resolution Image), 저해상도 이미지(LRI, Low Resolution Image), 그리고 참조 이미지(RI, Reference Image)를 출력할 수 있다. 촬영 장치(50)는 광학 현미경(IM) 촬영에 기반하여 광학 이미지(OI)를 출력할 수 있다.
고해상도 이미지(HRI) 및 저해상도 이미지(LRI)는 결함이 존재하는 것으로 예측되는 위치, 측 위치 정보(LI)에 기반한 위치의 이미지일 수 있다. 참조 이미지(RI)는 저해상도 이미지(LRI)와 동일한 해상도를 가질 수 있다. 참조 이미지(RI)는 결함이 존재하지 않는 위치의 이미지일 수 있다.
예를 들어, 참조 이미지(RI)는 위치 정보(LI)와 연관되지 않은 웨이퍼(20) 상의 임의의 위치의 이미지일 수 있다. 참조 이미지(RI)가 촬영되는 웨이퍼(20) 상의 위치는 촬영 장치(50)에 의해 임의로 선택되거나 또는 관리자에 의해 지정될 수 있다.
촬영 장치(50)는 촬영 장치(50)와 연관된 정보 또는 웨이퍼(20)의 반도체 패턴들의 촬영과 연관된 정보를 제2 메타 정보(MI2)로 출력할 수 있다. 예를 들어, 제2 메타 정보(MI2)는 촬영 장치(50)의 종류에 대한 정보, 촬영 장치(50)가 웨이퍼(20)의 반도체 패턴들의 이미지들을 촬영한 거리, 위치 또는 각도에 대한 정보, 결함을 갖는 것으로 추정되는 반도체 패턴들의 웨이퍼 상의 위치 정보 중 적어도 하나를 포함할 수 있다.
이미지 스토리지(60)는 촬영 장치(50)로부터 출력되는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 저장할 수 있다. 이미지 스토리지(60)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 요청에 따라 출력할 수 있다.
이미지 스토리지(60)는 동적 랜덤 액세스 메모리(DRAM) 또는 정적 랜덤 액세스 메모리(SRAM)와 같은 휘발성 메모리, 또는 플래시 메모리, 자기 랜덤 액세스 메모리(MRAM), 상 변화 랜덤 액세스 메모리(PRAM), 강유전체 랜덤 액세스 메모리(FRAM), 저항성 랜덤 액세스 메모리(RRAM)와 같은 불휘발성 메모리를 포함할 수 있다.
반도체 결함 분류 장치(100a)는 이미지 스토리지(60)로부터 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 수신할 수 있다. 반도체 결함 분류 장치(100a)는 제조 장치(30)로부터 제1 메타 정보(MI1)를 수신하고, 촬영 장치(50)로부터 제2 메타 정보(MI2)를 수신할 수 있다.
반도체 결함 분류 장치(100a)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 광학 이미지(OI), 제1 메타 정보(MI1), 제2 메타 정보(MI2), 그리고 제3 메타 정보(MI3)를 이용하여, 이미지들과 연관된 웨이퍼(20)의 반도체 패턴들이 결함을 갖는지 기계 학습 기반으로 분류(또는 판단)할 수 있다.
예를 들어, 제3 메타 정보(MI3)는 반도체 결함 분류 장치(100a)의 기계 학습과 연관된 내부적인 정보를 포함할 수 있다. 제3 메타 정보(MI3)는 반도체 결함 분류 장치(100a)의 기계 학습의 학습 자료를 생성한 생성자에 대한 정보를 포함할 수 있다.
반도체 결함 분류 장치(100a)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 광학 이미지(OI), 그리고 제1 내지 제3 메타 정보들(MI1~MI3)을 이용하여 기계 학습 기반으로 결함을 분류하는 분류 장치(110)를 포함할 수 있다. 결함 분류 장치(110)는 분류 결과(CR)를 출력할 수 있다.
예를 들어, 이전에 결함을 갖는 것으로 분류된 반도체 패턴들의 이미지들에 기반하여 기계 학습이 수행될 수 있다. 기계 학습의 결과로, 반도체 패턴들의 이미지들로부터 결함 또는 정상을 분류하는 분류자가 생성될 수 있다. 분류 장치(110)는 기계 학습에 기반한 분류자를 탑재하고, 이미지들에 대해 분류를 수행할 수 있다.
분류 결과(CR)가 결함을 가리키면, 이미지들과 연관된 반도체 패턴들은 결함을 갖는 것으로 분류된다. 분류 결과(CR)는 관리자에게 통지될 수 있다. 분류 결과(CR)가 결함을 가리키면, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)는 결함 이미지 데이터베이스(70)에 저장될 수 있다.
분류 결과(CR)가 정상을 가리키면, 이미지들과 연관된 반도체 패턴들은 결함을 갖지 않는 것으로 분류된다. 분류 결과(CR)는 관리자에게 통지될 수 있다. 분류 결과(CR)가 정상을 가리키면, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)는 결함 이미지 데이터베이스(70)에 저장되지 않을 수 있다.
결함 이미지 데이터베이스(70)는 반도체 결함 분류 장치(100a)에 의해 결함으로 분류된 반도체 패턴들의 이미지들을 저장할 수 있다. 학습 조건이 충족되면, 결함 이미지 데이터베이스(70)에 저장된 이미지들을 이용하여 기계 학습이 수행될 수 있다.
예를 들어, 분류 장치(110)에 탑재된 분류자가 결함 이미지 데이터베이스(70)에 저장된 이미지들을 이용한 기계 학습에 의해 갱신될 수 있다. 예를 들어, 결함 이미지 데이터베이스(70)에 저장된 이미지들의 수, 이미지들의 용량, 또는 이미지들이 저장된 시간이 특정한 값에 도달하거나 기계 학습 기반 분류의 성능이 하락할 때, 학습 조건이 충족될 수 있다. 다른 예로서, 관리자의 제어에 의해 학습 조건이 충족될 수 있다.
도 2는 본 발명의 실시 예에 따른 반도체 결함 분류 장치(100)의 동작 방법을 보여주는 순서도이다. 예시적으로, 위치 정보(LI)에 포함된 위치들 중 하나의 위치의 반도체 패턴들의 결함이 분류되는 예가 도 2에 도시된다.
도 1 및 도 2를 참조하면, S110 단계에서, 반도체 결함 분류 장치(100a)는 이미지들을 수집할 수 있다. 예를 들어, 반도체 결함 분류 장치(100a)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 수집할 수 있다.
예를 들어, 결함 분류를 용이하게 수행하기 위하여, 반도체 결함 분류 장치(100a)의 분류 장치(110)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 결합하여 하나의 이미지를 생성하고, 생성된 이미지에 따라 결함의 분류를 수행할 수 있다.
다른 예로서, 반도체 결함 분류 장치(100a)의 분류 장치(110)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 각각 수신하고, 이들을 개별적으로 이용하여 결함의 분류를 수행할 수 있다.
S120 단계에서, 반도체 결함 분류 장치(100a)의 분류 장치(110)는 제1 내지 제3 메타 정보들(MI1~MI3)을 수신할 수 있다. S130 단계에서, 반도체 결함 분류 장치(100a)의 분류 장치(110)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 광학 이미지(OI), 그리고 제1 내지 제3 메타 정보들(MI1~MI3)을 이용하여 결함의 분류를 수행할 수 있다.
S140 단계에서, 분류 결과(CR)가 결함을 가리키는지 판단된다. 분류 결과(CR)가 결함을 가리키면, S150 단계가 수행된다. S150 단계에서, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)가 결함 이미지 데이터베이스(70)에 저장된다. 그리고 반도체 패턴들이 결함을 갖는 것이 관리자에게 통지될 수 있다.
S140 단계에서, 분류 결과(CR)가 결함을 가리키지 않으면, 즉 정상을 가리키면, S160 단계가 수행된다. S160 단계에서, 반도체 패턴들이 결함을 갖지 않음이 관리자에게 통지될 수 있다.
위치 정보(LI)에 포함된 위치들에 대해, 도 2를 참조하여 설명된 분류가 수행될 수 있다. 웨이퍼(20)가 교체되면, 교체된 웨이퍼로부터 위치 정보(LI)가 검출되고, 위치 정보(LI)에 기반하여 도 2를 참조하여 설명된 분류가 수행될 수 있다.
본 발명의 실시 예들에 따르면, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 전체적으로 반영하여 기계 학습에 기반하여 결함이 분류된다. 따라서, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI) 중 일부만을 반영하는 것과 반영하여 결함 분류의 신뢰도가 높아진다.
본 발명의 실시 예들에 따르면, 제조 장치(30)와 연관된 제1 메타 정보(MI1)를 반영하여 결함이 분류된다. 따라서, 제조 장치(30)의 특성 또는 웨이퍼(20)에 적용된 공정의 특성을 반영하여 결함이 분류되므로, 결함 분류의 신뢰도가 향상된다. 또한, 공정의 단계에 대한 정보가 결함의 분류에 반영되므로, 공정의 단계별로 별도의 분류자를 구비할 필요성이 해소된다.
본 발명의 실시 예들에 따르면, 촬영 장치(50)와 연관된 제2 메타 정보(MI2)를 반영하여 결함이 분류된다. 따라서, 촬영 장치(50)의 특성 또는 촬영 시의 환경 특성을 반영하여 결함이 분류되므로, 결함 분류의 신뢰도가 향상된다.
본 발명의 실시 예들에 따르면, 기계 학습의 자료를 생성한 생성자, 예를 들어 수동으로 분류를 수행한 분류자에 대한 제3 메타 정보(MI3)를 반영하여 결함이 분류된다. 따라서, 생성자의 성향, 능력 등과 같은 특성이 반영되므로, 결함 분류의 신뢰도가 향상된다.
도 3은 본 발명의 실시 예에 따른 분류 장치(110)의 예를 보여주는 블록도이다. 도 1 및 도 3을 참조하면, 분류 장치(110)는 제1 내지 제5 특성 추출기들(111~115), 비교기(116), 그리고 분류기(117)를 포함한다.
제1 특성 추출기(111)는 저해상도 이미지(LRI)로부터 특성을 추출할 수 있다. 예를 들어, 제1 특성 추출기(111)는 기계 학습에 기반하여 저해상도 이미지(LRI)로부터 특성을 추출할 수 있다. 예를 들어, 제1 특성 추출기(111)는 적층된 콘볼루션 신경망(CNN, Convolutional Neural Network)을 이용하여 저해상도 이미지(LRI)의 특성을 추출할 수 있다.
제2 내지 제5 특성 추출기들(112~115)은 각각 기계 학습, 예를 들어 콘볼루션 신경망(CNN)을 이용하여 참조 이미지(RI), 저해상도 이미지(LRI), 고해상도 이미지(HRI), 그리고 광학 이미지(OI)의 특성들을 추출할 수 있다. 예를 들어, 이미지들 각각의 특성은 공간 벡터의 형태로 나타날 수 있다.
예시적으로, 제1 및 제2 특성 추출기들(111, 112)은 저해상도 이미지(LRI) 및 참조 이미지(RI)의 비교를 위한 특성들을 추출하도록 구성된다. 따라서, 비교가 적절하게 수행될 수 있도록, 제1 및 제2 특성 추출기들(111, 112)은 동일한 특성(예를 들어, 레이어들의 구조)을 갖고, 동일한 파라미터들(예를 들어, 시냅스들)을 이용할 수 있다.
제3 내지 제5 특성 추출기들(113~115)은 제1 및 제2 특성 추출기들(111, 112)과 동일하거나 다른 특성들을 갖고, 동일하거나 다른 파라미터들을 이용할 수 있다. 제3 내지 제5 특성 추출기들(113~115)은 서로 동일하거나 다른 특성들을 갖고, 서로 동일하거나 다른 파라미터들을 이용할 수 있다.
비교기(116)는 저해상도 이미지(LRI)의 특성과 참조 이미지(RI)의 특성을 비교할 수 있다. 예를 들어, 비교기(116)는 저해상도 이미지(LRI)의 특성과 참조 이미지(RI)의 특성의 차이를 검출할 수 있다. 비교기(116)의 비교 결과는 저해상도 이미지(LRI)의 특성과 참조 이미지(RI)의 특성 사이의 차이만을 보여준다. 따라서, 반도체 패턴들의 복잡도가 높고 그리고 결함의 사이즈가 작더라도, 결함을 효과적으로 보여줄 수 있다.
다른 예로서, 분류기(117)는 비교기(116)의 비교 결과를 이용하지 않고 제3 내지 제5 특성 추출기들(113~115)에 의해 추출되는 특성들, 그리고 제1 내지 제3 메타 정보들(MI1~MI3)을 이용하여 기계 학습에 기반한 결함의 분류를 수행할 수 있다.
분류기(117)는 비교기(116)의 출력, 그리고 제3 내지 제5 특성 추출기들(113~115)의 출력들을 수신할 수 있다. 분류기(117)는 제1 내지 제3 메타 정보들(MI1~MI3)을 수신할 수 있다. 분류기(117)는 비교기(116)의 출력, 제3 내지 제5 특성 추출기들(113~115)의 출력들, 그리고 제1 내지 제3 메타 정보들(MI1~MI3)을 이용하여 기계 학습에 기반한 결함의 분류를 수행할 수 있다.
분류기(117)는 결함의 분류의 결과를 분류 결과(CR)로 출력할 수 있다. 예를 들어, 분류기(117)는 결정 트리(decision tree), 신경망(neural network), 지원 벡터 기계(SVM, Support Vector Machine) 등과 같은 다양한 기계 학습 알고리즘들 중 적어도 하나 이상에 기반하여 결함의 분류를 수행할 수 있다.
예시적으로, 분류기(117)는 제1 내지 제3 메타 정보들(MI1~MI3)을 이용하여 결함의 분류를 수행하는 것으로 설명되었다. 그러나 분류기(117)는 제1 내지 제3 메타 정보들(MI1~MI3) 중 적어도 하나를 이용하여 결함의 분류를 수행하도록 수정될 수 있다.
도 4는 콘볼루션 신경망(CNN)의 복수의 레이어들에 의해 이미지들(예를 들어, HRI, LRI, RI, OI) 중 하나의 특성이 추출되는 예를 보여준다. 아래에서, 다양한 수치들을 이용하여 각 레이어가 구체적으로 설명되지만, 언급되는 수치들은 본 발명의 기술적 사상을 더 용이하게 설명하기 위해 예시되는 것이다. 입력되는 이미지들의 형태 또는 콘볼루션 신경망(CNN)의 적층 형태에 따라, 아래에서 언급되는 수치들은 다양하게 응용 및 변경될 수 있으며, 본 발명의 기술적 사상을 한정하지 않는다.
도 3 및 도 4를 참조하면, 이미지 데이터(IMG)는 가로(X1)로 28, 세로(Y1)로 28, 그리고 채널(CH1)로 1의 사이즈를 가질 수 있다. 예를 들어, 이미지 데이터(IMG)의 사이즈는 픽셀 데이터의 개수로 측정될 수 있다.
이미지 데이터(IMG)에 제1 콘볼루션 레이어(CL1)가 적용될 수 있다. 제1 콘볼루션 레이어(CL1)는 제1 커널들(K1) 및 제1 바이어스(B1)를 포함할 수 있다. 제1 커널들(K1) 각각은 가로(X2)로 5, 세로(Y2)로 5, 그리고 채널(CH2)로 1의 사이즈를 가질 수 있다. 제1 커널들(K1) 각각의 채널(CH2)의 사이즈는 입력 데이터, 즉 이미지 데이터(IMG)의 채널(CH1)의 사이즈와 동일할 수 있다.
제1 커널들(K1)의 개수(M1)는 20일 수 있다. 제1 커널들(K1)의 개수(M1)는 제1 콘볼루션 레이어(CL1)를 통해 출력되는 데이터의 채널들의 수와 동일할 수 있다. 예를 들어, 제1 커널들(K1)의 사이즈는 이미지 데이터(IMG)와 연산되는 시냅스들의 개수로 측정될 수 있다. 제1 바이어스(B1)는 제1 커널들(K1)의 개수(M1)와 동일한 20개의 시냅스들을 포함할 수 있다.
이미지 데이터(IMG)에 제1 콘볼루션 레이어(CL1)가 적용될 때, 제1 커널들(K1) 중 하나의 커널이 선택될 수 있다. 선택된 하나의 커널은 제1 윈도(W1)로서 이미지 데이터(IMG)와 연산될 수 있다. 제1 윈도(W1)는 이미지 데이터(IMG) 상에서 미리 정해진 방향에 따라 이동할 수 있다.
이하에서, 다양한 윈도들의 이동이 "위치"의 용어를 사용하여 설명된다. 예를 들어, 윈도의 위치는 윈도에 속한 특정한 시냅스(예를 들어, 윈도 내의 최상단 그리고 최좌측의 시냅스)의 입력 데이터 상에서의 위치를 가리킬 수 있다. 예를 들어, 윈도의 위치는 특정한 시냅스가 입력 데이터의 픽셀 데이터 중에서 가로 방향(X) 및 세로 방향(Y)으로 몇 번째의 픽셀 데이터와 중첩되어 있는지를 가리킬 수 있다.
예를 들어, 제1 윈도(W1)는 선택된 제1 세로 방향(Y)의 위치에서 가로 방향(X)(예를 들어, 좌측으로부터 우측)으로 이동할 수 있다. 제1 윈도(W1)가 선택된 제1 세로 위치에서 최우측으로 이동하면, 선택된 제1 세로 방향(Y)의 위치 아래의 제2 세로 방향(Y)의 위치가 선택될 수 있다. 제1 윈도(W1)는 선택된 제2 세로 방향(Y)의 위치에서 가로 방향(X)(예를 들어, 좌측으로부터 우측)으로 이동할 수 있다.
제1 윈도(W1)의 각 위치에서, 제1 윈도(W1)에 대응하는 이미지 데이터(IMG)의 픽셀 데이터와 제1 윈도(W1)의 시냅스들의 시냅스 데이터가 서로 연산될 수 있다. 연산 결과에 제1 바이어스(B1)의 시냅스들 중에서 선택된 커널의 위치에 대응하는 시냅스의 시냅스 데이터가 더해지거나 감해질 수 있다. 바이어스가 적용된 데이터는 출력 데이터(예를 들어, 제1 콘볼루션 데이터(CD1))의 하나의 위치의 데이터(예를 들어 샘플 데이터)를 형성할 수 있다.
예를 들어, 샘플 데이터가 배치되는 제1 콘볼루션 데이터(CD1)의 채널의 위치는 제1 커널들(K1) 중 선택된 커널의 위치에 대응할 수 있다. 샘플 데이터가 배치되는 제1 콘볼루션 데이터(CD1)의 가로(X3) 및 세로(Y3)의 위치는 제1 윈도(W1)의 이미지 데이터(IMG) 상에서의 위치에 대응할 수 있다.
제1 커널들(K1) 중 하나의 커널의 시냅스들, 그리고 제1 바이어스(B1)의 하나의 시냅스가 이미지 데이터(IMG)에 적용되면, 제1 콘볼루션 데이터(CD1)의 하나의 채널의 데이터가 생성된다. 20개의 제1 커널들(K1)이 순차적으로 적용되면, 제1 콘볼루션 데이터(CD1)의 20개의 채널들이 순차적으로 생성될 수 있다. 예시적으로, 제1 커널들(K1)은 각각 서로 다른 이미지 필터들에 대응할 수 있다. 제1 콘볼루션 데이터(CD1)는 20개의 서로 다른 필터들이 적용된 결과의 집합일 수 있다.
선택된 커널의 사이즈가 가로(X2)로 5이고 세로(Y2)로 5이므로, 제1 콘볼루션 데이터(CD1)의 각 채널의 사이즈는 이미지 데이터(IMG)의 사이즈보다 작을 수 있다. 예를 들어, 제1 윈도(W1)의 최상단 최좌측의 지점을 기준으로 제1 윈도(W1)가 이미지 데이터(IMG) 상에서 이동할 수 있는 공간을 계산하면, 제1 윈도(W1)는 가로(X1)로 24개의 서로 다른 위치들에 배치될 수 있고 그리고 세로(Y1)로 24개의 서로 다른 위치들에 배치될 수 있다.
따라서, 제1 콘볼루션 데이터(CD1)는 가로(X3)로 24, 세로(Y3)로 24, 그리고 채널(CH3)로 20의 사이즈를 가질 수 있다. 예를 들어, 제1 콘볼루션 데이터(CD1)의 사이즈는 샘플 데이터의 개수로 측정될 수 있다.
제1 콘볼루션 데이터(CD1)에 제1 서브 샘플링 레이어(SS1)가 적용될 수 있다. 제1 서브 샘플링 레이어(SS1)는 제1 서브 샘플링 커널(SW1)을 포함할 수 있다. 제1 서브 샘플링 커널(SW1)은 가로(X4)로 2, 세로(Y2)로 2, 그리고 채널(CH4)로 1의 사이즈를 가질 수 있다.
제1 서브 샘플링 커널(SW1)은 제2 윈도(W2)로 선택될 수 있다. 제2 윈도(W2)는 제1 콘볼루션 데이터(CD1) 상에서 이동할 수 있다. 예를 들어, 제1 콘볼루션 데이터(CD1)의 20개의 채널들이 순차적으로 선택되고, 선택된 채널에서 제2 윈도(W2)가 이동할 수 있다.
선택된 채널에서, 제2 윈도(W2)는 제1 윈도(W1)와 동일한 방식으로 이동할 수 있다. 제2 윈도(W2)의 각 위치에서, 서브 샘플링이 수행될 수 있다. 예를 들어, 서브 샘플링은 제2 윈도의 각 위치에 속한 데이터 중에서 최대 값을 갖는 데이터를 선택하는 것을 포함할 수 있다.
선택된 채널의 선택된 위치의 서브 샘플링의 결과는 제1 서브 샘플링 레이어(SS1)의 출력 데이터(예를 들어 제1 서브 샘플링 데이터(SD1))의 대응하는 채널의 대응하는 위치의 하나의 데이터(예를 들어 샘플 데이터)를 형성할 수 있다.
예시적으로, 제2 윈도(W2)의 보폭(stride)은 2로 설정될 수 있다. 보폭은 제2 윈도(W2)가 이동할 때에 현재의 위치로부터 다음 위치로 이동할 때의 위치 차이를 나타낼 수 있다. 예를 들어, 보폭은 제2 윈도(W2)의 제1 위치 및 제1 위치에 바로 후속하는 제2 위치 사이의 위치 차이를 나타낼 수 있다.
제1 서브 샘플링 데이터(SD1)는 가로(X5)로 12, 세로(Y5)로 12, 그리고 채널(CH5)로 20의 사이즈를 가질 수 있다. 예를 들어, 제1 서브 샘플링 데이터(SD1)의 사이즈는 샘플 데이터의 개수로 측정될 수 있다. 제1 서브 샘플링 데이터(SD1)에 제2 콘볼루션 레이어(CL2)가 적용될 수 있다.
제2 콘볼루션 레이어(CL2)는 제2 커널들(K2) 및 제2 바이어스(B2)를 포함할 수 있다. 제2 커널들(K2) 각각은 가로(X6)로 5, 세로(Y6)로 5, 그리고 채널(CH6)로 20의 사이즈를 가질 수 있다. 제2 커널들(K2)의 개수(M2)는 50일 수 있다. 제2 바이어스(B2)는 제2 커널들(K2)의 개수(M2)에 대응하는 50개의 시냅스들을 포함할 수 있다.
제2 커널들(K2) 각각의 채널들(CH2)의 개수는 제1 서브 샘플링 데이터(SD1)의 채널들(CH5)의 개수와 동일하다. 따라서, 제1 콘볼루션 레이어(CL1)와 동일한 방식으로 제2 콘볼루션 레이어(CL2)가 제1 서브 샘플링 데이터(SD1)에 적용될 수 있다.
예를 들어, 하나의 선택된 커널은 제1 서브 샘플링 데이터(SD1) 상의 특정한 위치에서, 20개의 채널들에 대응하는 픽셀 데이터와 20개의 채널들에 대응하는 시냅스들이 연산될 수 있다. 하나의 위치에서 연산되는 픽셀 데이터 및 시냅스들의 채널들의 개수가 증가된 것을 제외하면, 제2 콘볼루션 레이어(CL2)는 제1 콘볼루션 레이어(CL1)와 동일하게 적용될 수 있다.
제2 콘볼루션 레이어(CL2)가 적용된 결과 데이터는 제2 콘볼루션 데이터(CD2)일 수 있다. 제2 콘볼루션 데이터(CD2)는 가로(X7)로 8, 세로(Y7)로 8, 그리고 채널(CH7)로 50의 사이즈를 가질 수 있다. 제2 콘볼루션 데이터(CD2)의 사이즈는 샘플 데이터의 개수를 가리킬 수 있다.
제2 콘볼루션 데이터(CD2)에 제2 서브 샘플링 레이어(SS2)가 적용될 수 있다. 제2 서브 샘플링 레이어(SS2)는 제2 서브 샘플링 커널(SW2)을 포함할 수 있다. 제2 서브 샘플링 커널(SW2)은 가로(X8)로 2, 세로(Y2)로 2, 그리고 채널(CH8)로 1의 사이즈를 가질 수 있다. 제2 서브 샘플링 레이어(SS2)는 제1 서브 샘플링 레이어(SS1)가 제1 콘볼루션 데이터(CD1)에 적용되는 것과 동일한 방식으로 제2 콘볼루션 데이터(CD2)에 적용될 수 있다.
제2 서브 샘플링 레이어(SS2)가 적용된 결과 데이터는 제2 서브 샘플링 데이터(SD2)일 수 있다. 제2 서브 샘플링 데이터(SD2)는 가로(X9)로 4, 세로(Y9)로 4, 그리고 채널(CH9)로 50의 사이즈를 가질 수 있다. 제2 서브 샘플링 데이터(SD2)의 사이즈는 샘플 데이터의 개수를 가리킬 수 있다.
도 5는 콘볼루션 신경망(CNN)의 복수의 레이어들에 의해 이미지들(예를 들어, HRI, LRI, RI, OI) 중 하나의 특성이 추출되는 예를 더 보여준다. 도 3 내지 도 5를 참조하면, 제2 서브 샘플링 데이터(SD2)에 제1 완전 연결(Fully Connected) 레이어(FL1)가 적용될 수 있다. 제1 완전 연결 레이어(FL1)는 제1 완전 연결 커널(FM1)을 포함할 수 있다. 제1 완전 연결 커널(FM1)은 가로(X10)로 500, 그리고 세로(Y10)로 800의 사이즈를 가질 수 있다.
예시적으로, 제1 완전 연결 커널(FM1)의 가로(X10)의 사이즈는 제2 서브 샘플링 데이터(SD2)의 샘플 데이터의 개수에 대응하고, 세로(Y10)의 사이즈는 제1 완전 연결 레이어(FL1)가 적용된 결과인 제1 완전 연결 데이터(FD1)의 샘플 데이터의 개수에 대응할 수 있다.
그러나 제1 완전 연결 커널(FM1)의 사이즈는 완전 연결의 구조, 히든 레이어들의 개수 등에 따라 달라질 수 있다. 예시적으로, 제1 완전 연결 레이어(FL1)는 바이어스를 더 포함할 수 있다. 예를 들어, 바이어스는 제1 완전 연결 커널(FM1)이 적용된 결과에 더해지거나 그로부터 감해지는 값일 수 있다. 바이어스는 동일한 하나의 값 또는 위치에 따라 달라지는 값들을 포함할 수 있다.
제1 완전 연결 데이터(FD1)의 길이(L1)는 500일 수 있다. 제1 완전 연결 데이터(FD1)의 길이(L1)는 샘플 데이터의 개수를 가리킬 수 있다. 제1 완전 연결 데이터(FD1)에 활성 레이어(AL)가 적용될 수 있다. 활성 레이어(AL)는 활성 커널(AF)을 포함할 수 있다. 활성 커널(AF)은 시그모이드(sigmoid) 함수와 같이, 샘플 데이터의 값들을 정해진 범위 내의 값들로 한정할 수 있다.
활성 레이어(AL)가 적용된 결과는 활성 데이터(AD)일 수 있다. 활성 데이터(AD)의 길이(L2)는 제1 완전 연결 데이터(FD1)의 길이(L1)와 동일한 500일 수 있다. 활성 데이터(AD)에 제2 완전 연결 레이어(FL2)가 적용될 수 있다. 제2 완전 연결 레이어(FL2)는 제2 완전 연결 커널(FM2)을 포함할 수 있다. 제2 완전 연결 커널(FM2)은 가로(X11)로 10, 그리고 세로(Y11)로 500의 사이즈를 가질 수 있다.
예시적으로, 제2 완전 연결 커널(FM2)의 가로(X11)의 사이즈는 활성 데이터(AD)의 샘플 데이터의 개수에 대응하고, 세로(Y11)의 사이즈는 제2 완전 연결 레이어(FL2)가 적용된 결과인 제2 완전 연결 데이터(FD2)의 샘플 데이터의 개수에 대응할 수 있다. 그러나 제2 완전 연결 커널(FM2)의 사이즈는 완전 연결의 구조, 히든 레이어들의 개수 등에 따라 달라질 수 있다.
제2 완전 연결 데이터(FD2)는 이미지 데이터(IMG)의 특성에 대한 정보를 포함할 수 있다. 제2 완전 연결 데이터(FD2)는 공간 벡터의 형태로 나타내질 수 있다. 제1 내지 제5 특성 추출기들(111~115)은 저해상도 이미지(LRI), 참조 이미지(RI), 저해상도 이미지(LRI), 고해상도 이미지(HRI), 그리고 광학 이미지(OI) 각각에 대해 도 4 및 도 5를 참조하여 설명된 콘볼루션 신경망(CNN)을 적용함으로써, 각 이미지의 특성이 검출될 수 있다.
예시적으로, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)에 적용되는 콘볼루션 신경망들은 동일하거나 서로 다를 수 있다. 예를 들어, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)에 적용되는 레이어들의 개수들, 레이어들의 종류들, 레이어들의 사이즈들, 레이어들의 특성들(예를 들어, 보폭들, 시냅스 갑들 등)은 동일하거나 서로 다를 수 있다.
예시적으로, 분류기(117)는 도 4 및 도 5를 참조하여 설명된 콘볼루션 신경망(CNN)을 이용하여 결함의 분류를 수행할 수 있다. 예를 들어, 분류기(117)는 비교기(116), 그리고 제3 내지 제5 특성 추출기들(113~115)의 출력들을 조합하여, 도 4의 이미지 데이터(IMG)를 대신하는 입력 데이터로 사용할 수 있다. 분류기(117)는 도 5의 제2 완전 연결 데이터(FD2)의 값, 예를 들어 공간 벡터에 기반하여 결함의 분류를 수행할 수 있다.
도 6은 분류기(117)가 기계 학습에 기반한 결정 나무(decision tree)를 이용하여 결함의 분류를 수행하는 예를 보여준다. 도 3 및 도 6을 참조하면, 분류기(117)는 분류 모듈(CF1)을 실행할 수 있다. 분류 모듈(CF1)은 루트 노드(RN), 제1 내지 제4 가지 노드들(BN1~BN4), 그리고 제1 내지 제6 잎 노드들(LN1~LN6)을 포함한다. 루트 노드(RN), 제1 내지 제4 가지 노드들(BN1~BN4), 그리고 제1 내지 제6 잎 노드들(LN1~LN6)은 각각 가지들을 통해 연결될 수 있다.
루트 노드(RN) 및 제1 내지 제4 가지 노드들(BN1~BN4) 각각에서, 비교기(116)의 출력, 제3 내지 제5 특성 추출기들(113~115)의 출력들, 그리고 제1 내지 제3 메타 정보들(MI1~MI3) 중 적어도 하나에 대한 비교가 수행될 수 있다. 비교 결과에 따라, 각 노드에 연결된 복수의 가지들 중 하나의 가지가 선택된다. 선택된 가지에 다음 가지 노드가 연결되어 있으면, 다음 가지 노드에서 비교가 더 수행될 수 있다.
선택된 가지에 잎 노드가 연결되어 있으면, 잎 노드의 값에 따라 반도체 패턴들의 결함이 분류될 수 있다. 예시적으로, 비교기(116)의 출력, 제3 내지 제5 특성 추출기들(113~115)의 출력들, 그리고 제1 내지 제3 메타 정보들(MI1~MI3) 중에서 가장 선택도가 높은 정보가 루트 노드(RN)에서 비교될 수 있다.
도 7은 분류기(117)가 기계 학습에 기반한 신경망(Neural Network)을 이용하여 결함의 분류를 수행하는 예를 보여준다. 도 3 및 도 7을 참조하면, 분류기(117)는 분류 모듈(CF2)을 실행할 수 있다.
분류 모듈(CF2)은 제1 내지 제4 입력 노드들(IN1~IN4), 제1 내지 제10 히든 노드들(HN1~HN10), 그리고 출력 노드(ON)를 포함한다. 입력 노드들의 개수, 히든 노드들의 개수, 그리고 출력 노드의 개수는 신경망을 구성할 때에 미리 결정될 수 있다.
제1 내지 제4 입력 노드들(IN1~IN4)은 입력 레이어를 형성한다. 제1 내지 제5 히든 노드들(HN1~HN5)은 제1 히든 레이어를 형성한다. 제6 내지 제10 히든 노드들(HN6~HN10)은 제2 히든 레이어를 형성한다. 출력 노드(ON)는 출력 레이어를 형성한다. 히든 레이어들의 개수는 신경망을 구성할 때에 미리 결정될 수 있다.
제1 내지 제4 입력 노드들에 비교기(116)의 출력, 제3 내지 제5 특성 추출기들(113~115)의 출력들, 그리고 제1 내지 제3 메타 정보들(MI1~MI3)이 입력될 수 있다. 서로 다른 입력 노드들에 서로 다른 종류의 특성들 또는 메타 정보들이 입력될 수 있다. 각 입력 노드의 정보는 가중치들을 갖고 제1 히든 레이어의 제1 내지 제5 히든 노드들(HN1~HN5)로 전달된다.
제1 내지 제5 히든 노드들(HN1~HN5) 각각의 입력은 가중치들을 갖고 제2 히든 레이어의 제6 내지 제10 히든 노드들(HN6~HN10)로 전달된다. 제6 내지 제10 히든 노드들(HN6~HN10)의 입력들은 가중치들을 갖고 출력 노드(ON)로 전달된다. 출력 노드(ON)의 정보는 결함의 분류 결과(CR)로 출력될 수 있다.
도 8은 분류기(117)가 기계 학습에 기반한 지원 벡터 기계(SVM, Support Vector Machine)를 이용하여 결함의 분류를 수행하는 예를 보여준다. 도 3 및 도 8을 참조하면, 분류기(117)는 분류 모듈(CF3)을 실행할 수 있다.
분류 모듈(CF3)은 지원 벡터 기계(Support Vector Machine)일 수 있다. 도 8에서, 가로축(x) 및 세로축(y)을 포함하는 좌표축들은 각각 비교기(116)의 출력, 제3 내지 제5 특성 추출기들(113~115)의 출력들, 그리고 제1 내지 제3 메타 정보들(MI1~MI3)을 가리킨다.
도 8에 분포된 샘플들의 형태들(사각형 및 원형)은 서로 다른 분류 결과(CR)를 가리킨다. 분류 모듈(CF3)은 비교기(116)의 출력, 제3 내지 제5 특성 추출기들(113~115)의 출력들, 그리고 제1 내지 제3 메타 정보들(MI1~MI3)이 어느 영역에 포함되는지에 따라, 분류 결과(CR)를 판단할 수 있다.
도 9는 본 발명의 제2 실시 예에 따른 반도체 결함 분류 시스템(10b)을 보여주는 블록도이다. 도 9를 참조하면, 반도체 결함 분류 시스템(10b)은 웨이퍼(20), 제조 장치(30), 자동 결함 검토 장치(40), 촬영 장치(50), 이미지 스토리지(60), 결함 이미지 데이터베이스(70), 그리고 반도체 결함 분류 장치(100b)를 포함한다.
도 1과 비교하면, 반도체 결함 분류 장치(100b)는 오프셋 정렬 장치(120)를 더 포함한다. 오프셋 정렬 장치(120)는 이미지 스토리지(60)로부터 저해상도 이미지(LRI) 및 참조 이미지(RI)를 수신할 수 있다. 오프셋 정렬 장치(120)는 저해상도 이미지(LRI) 및 참조 이미지(RI)에 대해 기계 학습에 기반하여 오프셋을 검출(또는 분류)할 수 있다.
오프셋은 저해상도 이미지(LRI)와 참조 이미지(RI) 사이의 차이를 나타낼 수 있다. 예를 들어, 저해상도 이미지(LRI)와 참조 이미지(RI) 사이의 차이, 즉 오프셋은 촬영 장치(50)의 촬영 거리, 촬영 각도, 촬영 위치와 같은 파라미터 값들의 오차에 의해 발생할 수 있다.
오프셋 정렬 장치(120)는 검출된 오프셋에 따라 저해상도 이미지(LRI) 및 참조 이미지(RI)를 정렬하여 정렬된 저해상도 이미지(LRIa) 및 정렬된 참조 이미지(RIa)를 생성할 수 있다. 오프셋 정렬 장치(120)는 정렬된 참조 이미지(RIa) 및 정렬된 저해상도 이미지(LRIa)를 이미지 스토리지(60)에 저장할 수 있다.
오프셋 정렬 장치(120)는 검출된 오프셋에 따라, 튜닝 정보(TI)를 생성하고, 튜닝 정보(TI)를 촬영 장치(50)에 제공할 수 있다. 예를 들어, 튜닝 정보(TI)는 저해상도 이미지(LRI) 및 참조 이미지(RI)를 정렬하기 위하여 조절되어야 하는 촬영 장치(50)의 파라미터 값을 가리킬 수 있다. 파라미터 값은 촬영 거리, 촬영 각도, 촬영 위치 등을 포함할 수 있다.
촬영 장치(50)는 튜닝 정보(TI)를 다음 웨이퍼의 촬영에 반영할 수 있다. 예를 들어, 촬영 장치(50)는 다음 웨이퍼를 촬영할 때에, 튜닝 정보(TI)에 따라 촬영 거리, 촬영 각도, 촬영 위치와 같은 파라미터 값들을 튜닝 정보(TI)에 따라 조절할 수 있다.
반도체 결함 분류 장치(100b)의 결함 분류 장치(110)는 이미지 스토리지(60)로부터 고해상도 이미지(HRI), 정렬된 저해상도 이미지(LRIa), 정렬된 참조 이미지(RIa), 광학 이미지(OI), 그리고 저해상도 이미지(LRI)를 수신할 수 있다. 결함 분류 장치(110)는 검출된 이미지들에 대해 기계 학습에 기반한 결함의 분류를 수행할 수 있다.
도 10은 도 9의 반도체 결함 분류 장치(100b)의 동작 방법을 보여주는 순서도이다. 도 9 및 도 10을 참조하면, S210 단계에서, 반도체 결함 분류 장치(100b)는 이미지들, 예를 들어 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 수집할 수 있다.
S211 단계에서, 반도체 결함 분류 장치(100b)의 오프셋 정렬 장치(120)는 촬영 오프셋을 검출할 수 있다. 예를 들어, 오프셋 정렬 장치(120)는 저해상도 이미지(LRI) 및 참조 이미지(RI)로부터 기계 학습에 기반하여 오프셋을 검출할 수 있다.
S212 단계에서, 오프셋 정렬 장치(120)는 오프셋이 존재하는지 판단한다. 오프셋이 존재하지 않으면, 저해상도 이미지(LRI) 및 참조 이미지(RI)가 정렬 없이 사용될 수 있다. 오프셋이 존재하면, S213 단계에서 오프셋 정렬 장치(120)는 정렬된 저해상도 이미지(LRIa) 및 정렬된 참조 이미지(RIa)를 생성할 수 있다. S214 단계에서, 오프셋 정렬 장치(120)는 오프셋에 기반하여 튜닝 정보(TI)를 생성하고 출력할 수 있다.
S220 단계에서, 분류 장치(110)는 제1 내지 제3 메타 정보들(MI1~MI3)을 수집할 수 있다. S230 단계에서, 분류 장치(110)는 분류를 수행할 수 있다. 예를 들어, 오프셋이 존재하지 않을 때, 분류 장치(110)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 광학 이미지(OI), 그리고 제1 내지 제3 메타 정보들(MI1~MI3)에 기반하여 분류를 수행할 수 있다.
오프셋이 존재할 때, 분류 장치(110)는 정렬된 저해상도 이미지(LRIa), 정렬된 참조 이미지(RIa), 고해상도 이미지(HRI), 저해상도 이미지(LRI), 광학 이미지(OI), 그리고 제1 내지 제3 메타 정보들(MI1~MI3)에 기반하여 분류를 수행할 수 있다.
S240 단계 내지 S260 단계는 S140 단계 내지 S160 단계와 동일하게 수행된다. 따라서, 설명이 불필요하게 복잡해지는 것을 방지하기 위하여, S240 단계 내지 S260 단계에 대한 중복되는 설명은 생략된다.
상술된 실시 예에 따르면, 반도체 결함 분류 장치(100b)는 저해상도 이미지(LRI)와 참조 이미지(RI) 사이에 오프셋이 존재하는지 검출하고, 오프셋을 반영하여 결함의 분류를 수행할 수 있다. 따라서, 분류 결과(CR)의 신뢰도가 향상된다.
또한, 반도체 결함 분류 장치(100b)는 오프셋에 따라 튜닝 정보(TI)를 생성한다. 촬영 장치(50)는 튜닝 정보(TI)를 반영하여 촬영 파라미터를 수정한다. 따라서, 촬영 장치(50)의 촬영 오프셋이 동적으로(또는 적응적으로) 교정되며, 분류 결과(CR)의 신뢰도가 더 향상된다.
도 11은 분류 장치(110) 및 오프셋 정렬 장치(120)를 포함하는 반도체 결함 분류 장치(100b)를 보여주는 블록도이다. 도 9 및 도 11을 참조하면, 분류 장치(110)는 제1 내지 제5 특성 추출기들(111~115), 비교기(116), 그리고 분류기(117)를 포함한다.
오프셋이 존재할 때에 이미지 스토리지(60)로부터 제1 특성 추출기(111)로 정렬된 저해상도 이미지(LRIa)가 전달되고, 오프셋이 존재하지 않을 때에 이미지 스토리지(60)로부터 제1 특성 추출기(111)로 저해상도 이미지(LRI)가 전달될 수 있다.
오프셋이 존재할 때에 이미지 스토리지(60)로부터 제2 특성 추출기(112)로 정렬된 참조 이미지(RIa)가 전달되고, 오프셋이 존재하지 않을 때에 이미지 스토리지(60)로부터 제2 특성 추출기(112)로 참조 이미지(RI)가 전달될 수 있다.
제1 및 제2 특성 추출기들(111, 112)의 입력들을 제외하면, 분류 장치(110)는 도 3을 참조하여 설명된 것과 동일한 구조를 갖고, 그리고 동일한 방식으로 동작할 수 있다. 따라서, 중복되는 설명은 생략된다.
오프셋 정렬 장치(120)는 제1 및 제2 오프셋 특성 추출기들(121, 122), 오프셋 비교기(123), 그리고 오프셋 검출기(124)를 포함한다. 제1 오프셋 특성 추출기(121)는 이미지 스토리지(60)로부터 저해상도 이미지(LRI)를 수신할 수 있다.
제1 오프셋 특성 추출기(121)는 저해상도 이미지(LRI)로부터 저해상도 이미지(LRI)의 특성을 추출할 수 있다. 예를 들어, 도 4 및 도 5를 참조하여 설명된 바와 같이, 제1 오프셋 특성 추출기(121)는 기계 학습에 기반한 콘볼루션 신경망(CNN)을 이용하여 저해상도 이미지(LRI)의 특성을 추출할 수 있다.
제2 오프셋 특성 추출기(122)는 이미지 스토리지(60)로부터 참조 이미지(RI)를 수신할 수 있다. 제2 오프셋 특성 추출기(122)는 참조 이미지(RI)의 특성을 추출할 수 있다. 예를 들어, 도 4 및 도 5를 참조하여 설명된 바와 같이, 제2 오프셋 특성 추출기(122)는 기계 학습에 기반한 콘볼루션 신경망(CNN)을 이용하여 참조 이미지(RI)의 특성을 추출할 수 있다.
도 4 및 도 5를 참조하여 설명된 바와 같이, 제1 및 제2 오프셋 추출기들(121, 122)은 동일한 특징들을 갖고 동일한 파라미터들을 이용할 수 있다. 다른 예로서, 제1 및 제2 오프셋 추출기들(121, 122)은 서로 다른 특징들을 갖거나 서로 다른 파라미터들을 가질 수 있다.
오프셋 비교기(123)는 제1 및 제2 오프셋 특성 추출기들(121, 122)로부터 출력되는 특성들을 비교하고, 특성들의 차이를 검출할 수 있다. 오프셋 비교기(123)는 검출된 차이를 오프셋 검출기(124)로 전달할 수 있다. 예를 들어, 검출된 차이는 공간 좌표 상의 값들의 형태를 가질 수 있다.
오프셋 검출기(124)는 비교기(123)로부터 전달되는 차이에 따라, 오프셋을 검출할 수 있다. 예를 들어, 오프셋 검출기(124)는 도 4 및 도 5를 참조하여 설명된 콘볼루션 신경망(CNN), 도 6을 참조하여 설명된 결정 나무(decision tree), 도 7을 참조하여 설명된 신경망, 그리고 도 8을 참조하여 설명된 지원 벡터 기계(SVM)와 같은 기계 학습 기반 알고리즘들 중 적어도 하나 이상을 이용하여 오프셋을 검출할 수 있다.
오프셋 검출기(124)는 검출된 오프셋을 이용하여, 정렬된 저해상도 이미지(LRIa) 및 정렬된 참조 이미지(RIa)를 생성할 수 있다. 오프셋 검출기(124)는 정렬된 저해상도 이미지(LRIa) 및 정렬된 참조 이미지(RIa)를 이미지 스토리지(60)에 저장할 수 있다.
오프셋 검출기(124)는 검출된 오프셋을 이용하여 튜닝 정보(TI)를 생성할 수 있다. 오프셋 검출기(124)는 튜닝 정보(TI)를 촬영 장치(50)에 전달할 수 있다. 다른 예로서, 오프셋 검출기(124)는 튜닝 정보(TI)를 촬영 장치(50)가 접속할 수 있는 저장 매체에 저장할 수 있다.
도 12는 본 발명의 제3 실시 예에 따른 반도체 결함 분류 시스템(10c)을 보여주는 블록도이다. 도 12를 참조하면, 반도체 결함 분류 시스템(10c)은 웨이퍼(20), 제조 장치(30), 자동 결함 검토 장치(40), 촬영 장치(50), 이미지 스토리지(60), 결함 이미지 데이터베이스(70), 그리고 반도체 결함 분류 장치(100c)를 포함한다.
도 1과 비교하면, 반도체 결함 분류 장치(100c)는 유사도 분류 장치(130)를 더 포함한다. 유사도 분류 장치(130)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI) 중 적어도 하나 또는 적어도 둘 이상의 조합에 대해 기계 학습 기반으로 유사도의 분류를 수행할 수 있다.
예를 들어, 도 4 및 도 5를 참조하여 설명된 바와 같이, 유사도 분류 장치(130)는 콘볼루션 신경망(CNN)에 기반하여 유사도의 분류를 수행할 수 있다. 다른 예로서, 도 6 내지 도 8을 참조하여 설명된 바와 같이, 유사도 분류 장치(130)는 결정 나무(decision tree), 신경망(neural network), 지원 벡터 기계(SVM)와 같은 다양한 기계 학습 기반 알고리즘들 중 하나를 이용하여 유사도의 분류를 수행할 수 있다.
예시적으로, 유사도는 촬영 장치(50)에 의해 현재 촬영된 이미지들(예를 들어, HRI, LRI, RI 또는 OI)과 결함 이미지 데이터베이스(70)에 저장된 이미지들 사이의 유사도를 가리킬 수 있다. 다른 예로서, 유사도는 현재 촬영된 이미지들(예를 들어, HRI, LRI, RI 또는 OI)과 분류 장치(110)의 기계 학습에 사용된 이미지들 사이의 유사도를 가리킬 수 있다.
이미지들(HRI, LRI, RI, OI)과 연관된 반도체 패턴들이 결함을 갖고, 그리고 유사도가 문턱값보다 낮으면, 유사도 분류 장치(130)는 이미지들(HRI, LRI, RI, OI)이 결함 이미지 데이터베이스(70)에 저장되도록 허용할 수 있다. 이미지들(HRI, LRI, RI, OI)과 연관된 반도체 패턴들이 결함을 갖지 않거나 또는 유사도가 문턱값 이상이면, 유사도 분류 장치(130)는 이미지들(HRI, LRI, RI, OI)이 결함 이미지 데이터베이스(70)에 저장되는 것을 차단할 수 있다.
즉, 유사도 분류 장치(130)가 반도체 결함 분류 장치(100c)에 추가됨으로써, 결함을 갖는 반도체 패턴들과 연관되며, 기존에 저장되었거나 또는 기계 학습에 반영된 이미지들과 유사하지 않은 이미지들이 결함 이미지 데이터베이스(70)에 저장된다.
즉, 기계 학습을 수행할 때에 분류 알고리즘의 성능을 향상하는 데에 도움이 되는 이미지들이 결함 이미지 데이터베이스(70)에 저장된다. 따라서, 결함 이미지 데이터베이스(70)의 저장 용량이 더 효율적으로 사용될 수 있다.
도 13은 도 12의 반도체 결함 분류 장치(100c)의 동작 방법을 보여주는 순서도이다. 도 12 및 도 13을 참조하면, S310 단계에서, 반도체 결함 분류 장치(100c)는 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)를 수집할 수 있다.
S320 단계에서, 분류 장치(110)는 제1 내지 제3 메타 정보들(MI1~MI3)을 수집할 수 있다. S330 단계에서, 분류 장치(110)는 분류를 수행할 수 있다. S340 단계에서, 분류 장치(110)는 결함이 존재하는지 판단할 수 있다. S310 단계 내지 S340 단계는 S110 단계 내지 S140 단계와 동일하게 수행된다. 따라서, 중복되는 설명은 생략된다.
S340 단계에서, 반도체 패턴들에 결함이 존재하면, S341 단계가 수행된다. S341 단계에서, 유사도 분류 장치(130)는 유사도의 분류를 수행하고, 유사도가 문턱값 이상인지 판단할 수 있다. 유사도가 문턱값 이상이면, S342 단계에서, 반도체 결함 분류 장치(100c)는 이미지들(HRI, LRI, RI, OI)을 결함 이미지 데이터베이스(70)에 저장하지 않고, 결함을 가리키는 분류 결과(CR)를 통지할 수 있다.
유사도가 문턱값보다 낮으면, S350 단계에서, 반도체 결함 분류 장치(100c)는 이미지들(HRI, LRI, RI, OI)을 결함 이미지 데이터베이스(70)에 저장하고, 결함을 가리키는 분류 결과(CR)를 통지할 수 있다.
S340 단계에서, 반도체 패턴들에 결함이 존재하지 않으면, S360 단계가 수행된다. S360 단계에서, 반도체 결함 분류 장치(100c)는 정상을 알리는 분류 결과(CR)를 통지할 수 있다.
상술된 실시 예에서, 반도체 패턴들이 결함을 가질 때에 유사도가 판단되고, 판단 결과에 따라 이미지들(HRI, LRI, RI, OI)이 선택적으로 데이터베이스(70)에 저장되는 것으로 설명되었다. 그러나, 반도체 패턴들이 결함을 갖지 않을 때에도, S340 단계를 참조하여 설명된 바와 같이 유사도가 판단되고, 그리고 판단 결과에 따라 이미지들(HRI, LRI, RI, OI)이 데이터베이스(70)에 저장될 수 있다.
예를 들어, 이전에 학습에 사용되었거나 또는 데이터베이스(70)에 이미 저장된 이미지들과 유사도가 낮은 이미지들은 차후 기계 학습에 도움이 될 수 있다 따라서, 반도체 패턴들이 결함을 갖지 않을 때에도, 반도체 패턴들의 이미지들(HRI, LRI, RI, OI)이 이미 학습된 이미지들 또는 데이터베이스(70)에 저장된 이미지들과 연관하여 낮은 유사도를 가지면, 이미지들(HRI, LRI, RI, OI)은 데이터베이스(70)에 저장될 수 있다.
도 14는 본 발명의 제4 실시 예에 따른 반도체 결함 분류 시스템(10d)을 보여주는 블록도이다. 도 14를 참조하면, 반도체 결함 분류 시스템(10d)은 웨이퍼(20), 제조 장치(30), 자동 결함 검토 장치(40), 촬영 장치(50), 이미지 스토리지(60), 결함 이미지 데이터베이스(70), 그리고 반도체 결함 분류 장치(100d)를 포함한다.
반도체 결함 분류 장치(100d)는 도 9를 참조하여 설명된 바와 같이 오프셋 정렬 장치(120)를 포함할 수 있다. 또한, 반도체 결함 분류 장치(100d)는 도 12를 참조하여 설명된 바와 같이 유사도 분류 장치(130)를 포함할 수 있다.
즉, 반도체 결함 분류 장치(100d)는 저해상도 이미지(LRI) 및 참조 이미지(RI) 사이의 오프셋을 검출하고, 오프셋에 따라 정렬된 저해상도 이미지(LRIa) 및 정렬된 참조 이미지(RIa)를 생성할 수 있다. 정렬된 저해상도 이미지(LRIa) 및 정렬된 참조 이미지(RIa)는 분류 장치(110)의 분류에 반영될 수 있다.
또한, 반도체 결함 분류 장치(100d)는 이미지들(HRI, LRI, RI, OI)과 이전 이미지들 사이의 유사도를 분류하고, 유사도에 따라 이미지들(HRI, LRI, RI, OI)을 결함 이미지 데이터베이스(70)에 저장할지를 판단할 수 있다.
도 15는 본 발명의 제5 실시 예에 따른 반도체 결함 분류 시스템(10e)을 보여주는 블록도이다. 도 15를 참조하면, 반도체 결함 분류 시스템(10e)은 웨이퍼(20), 제조 장치(30), 자동 결함 검토 장치(40), 촬영 장치(50), 이미지 스토리지(60), 결함 이미지 데이터베이스(70), 그리고 반도체 결함 분류 장치(100e)를 포함한다.
도 1의 반도체 결함 분류 장치(100a)와 비교하면, 반도체 결함 분류 장치(100e)는 거절 장치(RD, 140)를 더 포함한다. 거절 장치(140)는 분류 장치(110)의 출력을 검증할 수 있다. 예를 들어, 거절 장치(140)는 분류 장치의 출력의 신뢰도를 분류할 수 있다.
예를 들어, 거절 장치(140)는 도 4 및 도 5를 참조하여 설명된 콘볼루션 신경망(CNN), 도 6을 참조하여 설명된 결정 나무(decision tree), 도 7을 참조하여 설명된 신경망(neural network), 그리고 도 8을 참조하여 설명된 지원 벡터 기계(SVM)와 같은 다양한 기계 학습 기반 알고리즘들 중 적어도 하나를 이용하여 신뢰도를 검증할 수 있다.
신뢰도가 문턱값 이상이면 또는 신뢰도가 신뢰 가능한 것으로 분류되면, 거절 장치(140)는 분류 장치(110)의 출력을 분류 결과(CR)로 출력할 수 있다. 신뢰도가 문턱값보다 낮으면 또는 신뢰도가 신뢰 불가능한 것으로 분류되면, 거절 장치(140)는 신뢰도가 낮음을 가리키는 분류 결과(CR)를 출력할 수 있다.
신뢰도가 낮음을 가리키는 분류 결과(CR)가 출력되면, 고해상도 이미지(HRI), 저해상도 이미지(LRI), 참조 이미지(RI), 그리고 광학 이미지(OI)는 결함 이미지 데이터베이스(70)에 저장되지 않을 수 있다.
예시적으로, 거절 장치(140)는 도 9를 참조하여 설명된 반도체 결함 분류 장치(100b), 도 12를 참조하여 설명된 반도체 결함 분류 장치(100c), 또는 도 14를 참조하여 설명된 반도체 결함 분류 장치(100d)에 제공될 수 있다.
상술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
10a~10e: 반도체 결함 분류 시스템
20: 웨이퍼
30: 제조 장치
40: 자동 결함 검토 장치
50: 촬영 장치
60: 이미지 스토리지
70: 결함 이미지 데이터베이스
100a~100e: 반도체 결함 분류 장치
110: 분류 장치
120: 오프셋 정렬 장치
130: 유사도 분류 장치
140: 거절 장치

Claims (10)

  1. 웨이퍼 상의 반도체 패턴들의 이미지들을 수신하고, 상기 이미지들로부터 상기 이미지들의 특성들을 추출하도록 구성되는 특성 추출기들; 그리고
    상기 이미지들의 상기 특성들 및 상기 웨이퍼에 대한 제1 메타 정보를 수신하고, 그리고 상기 이미지들의 상기 특성들 및 상기 제1 메타 정보에 따라 기계 학습에 기반하여 상기 이미지들과 연관된 상기 반도체 패턴들의 결함을 분류하는 분류기를 포함하는 반도체 결함 분류 장치.
  2. 제1항에 있어서,
    상기 이미지들은 상기 반도체 패턴들의 저해상도 이미지, 고해상도 이미지, 광학 이미지, 그리고 참조 이미지를 포함하는 반도체 결함 분류 장치.
  3. 제1항에 있어서,
    상기 특성 추출기들은 적층된 콘볼루션 신경망(CNN, Convolutional Neural Network)을 이용하여 상기 이미지들의 상기 특성들을 추출하도록 구성되는 반도체 결함 분류 장치.
  4. 제1항에 있어서,
    상기 분류기는 결정 나무(Decision Tree), 신경망(Neural Network), 그리고 지원 벡터 기계(Support Vector Machine) 중 하나를 이용하여 상기 반도체 패턴들의 상기 결함을 분류하는 반도체 결함 분류 장치.
  5. 제1항에 있어서,
    상기 제1 메타 정보는 상기 웨이퍼를 가공하는 제조 장치의 종류에 대한 정보, 상기 웨이퍼를 가공하여 제조하고자 하는 반도체 장치의 종류에 대한 정보, 상기 제조 장치가 상기 웨이퍼를 가공하는 데에 사용하는 공정의 종류에 대한 정보, 그리고 상기 제조 장치가 상기 웨이퍼에 대해 수행한 공정 단계에 대한 정보 중 적어도 하나를 포함하는 반도체 결함 분류 장치.
  6. 제1항에 있어서,
    상기 분류기는 상기 반도체 패턴들의 상기 이미지들을 촬영하는 촬영 장치와 연관된 제2 메타 정보를 더 수신하고, 그리고 상기 제2 메타 정보를 상기 결함을 분류하는 데에 더 이용하는 반도체 결함 분류 장치.
  7. 제6항에 있어서,
    상기 제2 메타 정보는 상기 반도체 패턴들의 상기 이미지들을 촬영하는 상기 촬영 장치의 종류에 대한 정보, 상기 촬영 장치가 상기 이미지들을 촬영한 거리, 위치 또는 각도에 대한 정보, 상기 반도체 패턴들이 상기 웨이퍼 상의 위치 정보 중 적어도 하나를 포함하는 반도체 결함 분류 장치.
  8. 제1항에 있어서,
    상기 분류기는 상기 기계 학습과 연관된 제3 메타 정보를 상기 결함을 분류하는 데에 더 이용하는 반도체 결함 분류 장치.
  9. 반도체의 결함을 분류하는 방법에 있어서:
    웨이퍼 상의 반도체 패턴들의 이미지들을 수신하는 단계;
    상기 이미지들로부터 상기 이미지들의 특성들을 추출하는 단계;
    상기 이미지들과 연관된 메타 정보를 수신하는 단계; 그리고
    상기 특성들 및 상기 메타 정보에 따라 기계 학습에 기반하여 상기 반도체 패턴들의 결함을 분류하는 단계를 포함하는 방법.
  10. 웨이퍼에 반도체 패턴들을 제조하는 제조 장치;
    상기 반도체 패턴들의 이미지들을 촬영하는 촬영 장치; 그리고
    상기 촬영 장치로부터 출력되는 상기 이미지들에 대해 기계 학습 기반의 결함 분류를 수행하여 상기 반도체 패턴들의 결함을 분류하는 반도체 결함 분류 장치를 포함하는 반도체 결함 분류 시스템.
KR1020170174886A 2017-12-19 2017-12-19 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템 KR20190073756A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020170174886A KR20190073756A (ko) 2017-12-19 2017-12-19 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
US16/032,356 US10713778B2 (en) 2017-12-19 2018-07-11 Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system
CN201811538781.4A CN110060228A (zh) 2017-12-19 2018-12-14 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170174886A KR20190073756A (ko) 2017-12-19 2017-12-19 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템

Publications (1)

Publication Number Publication Date
KR20190073756A true KR20190073756A (ko) 2019-06-27

Family

ID=66814621

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170174886A KR20190073756A (ko) 2017-12-19 2017-12-19 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템

Country Status (3)

Country Link
US (1) US10713778B2 (ko)
KR (1) KR20190073756A (ko)
CN (1) CN110060228A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
KR20210132566A (ko) * 2020-04-24 2021-11-04 캠텍 리미티드 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템
US11593657B2 (en) 2018-06-05 2023-02-28 Samsung Electronics Co., Ltd. Machine learning device and machine learning method of machine learning device

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US11806833B2 (en) * 2018-08-31 2023-11-07 Taiwan Semiconductor Manufacturing Co., Ltd. Chemical mechanical planarization system and a method of using the same
US20200137380A1 (en) * 2018-10-31 2020-04-30 Intel Corporation Multi-plane display image synthesis mechanism
JP7137487B2 (ja) * 2019-01-22 2022-09-14 株式会社日立ハイテク 画像評価装置及び方法
DE102019102484A1 (de) * 2019-01-31 2020-08-06 Carl Zeiss Smt Gmbh Verarbeitung von dreidimensionalen Bilddatensätzen
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US11263496B2 (en) * 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
DE102019117680A1 (de) * 2019-07-01 2021-01-07 Carl Zeiss Industrielle Messtechnik Gmbh Automatisiertes segmentierungsverfahren für die qualitätsprüfung
US11676264B2 (en) 2019-07-26 2023-06-13 Kla Corporation System and method for determining defects using physics-based image perturbations
US11435719B2 (en) * 2019-09-27 2022-09-06 Samsung Display Co., Ltd. System and method for identifying manufacturing defects
JP7292170B2 (ja) * 2019-10-09 2023-06-16 大阪瓦斯株式会社 部品状態判別システム
CN110796187A (zh) * 2019-10-22 2020-02-14 西安奕斯伟硅片技术有限公司 不良分类方法及装置
CN110838107B (zh) * 2019-10-31 2023-02-17 广东华中科技大学工业技术研究院 变角度光学视频智能检测3c透明构件缺陷的方法及装置
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes
CN110910372B (zh) * 2019-11-23 2021-06-18 郑州智利信信息技术有限公司 基于深度卷积神经网络的匀光板缺陷检测方法
CN110910021A (zh) * 2019-11-26 2020-03-24 上海华力集成电路制造有限公司 一种基于支持向量机监控在线缺陷的方法
CN110961364B (zh) * 2019-12-18 2022-06-17 浪潮(北京)电子信息产业有限公司 一种基于fpga平台的芯片全功能自测系统及其方法
CN111161244B (zh) * 2019-12-30 2021-12-21 华南理工大学 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法
US11694319B2 (en) 2020-04-10 2023-07-04 Samsung Display Co., Ltd. Image-based defects identification and semi-supervised localization
DE102020112146A1 (de) * 2020-05-05 2021-11-11 Integrated Dynamics Engineering Gesellschaft mit beschränkter Haftung Verfahren zur Bearbeitung von Substraten, insbesondere von Wafern, Masken oder Flat Panel Displays, mit einer Maschine der Halbleiterindustrie
CN115668286A (zh) * 2020-05-22 2023-01-31 日本电产理德股份有限公司 训练自动缺陷分类的检测仪器的方法与系统
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
WO2021245937A1 (ja) * 2020-06-05 2021-12-09 株式会社日立ハイテク 欠陥検査装置
CN113820329A (zh) * 2020-06-16 2021-12-21 光宝电子(广州)有限公司 瑕疵检测系统及制品的瑕疵检测方法
US11443095B2 (en) * 2020-07-10 2022-09-13 Taiwan Semiconductor Manufacturing Co., Ltd. Hotspot avoidance method for manufacturing integrated circuits
DE102020119873A1 (de) 2020-07-28 2022-02-03 Aixtron Se Verfahren zum Erkennen fehlerhafter oder fehlerhaft in einem CVD-Reaktor eingesetzte Substrate
US11307150B2 (en) * 2020-08-17 2022-04-19 Applied Materials Israel Ltd. Automatic optimization of an examination recipe
CN112396580B (zh) * 2020-11-05 2024-02-02 北京信息科技大学 一种圆形零件缺陷检测方法
CN114626538A (zh) * 2020-12-09 2022-06-14 艾聚达信息技术(苏州)有限公司 人工智能模型自动提升训练系统及方法
CN112991259B (zh) * 2021-01-29 2023-04-18 合肥晶合集成电路股份有限公司 一种半导体制程缺陷的检测方法及系统
CN113344886A (zh) * 2021-06-11 2021-09-03 长江存储科技有限责任公司 晶圆表面缺陷检测方法和设备
CN113743447B (zh) * 2021-07-15 2024-05-17 上海朋熙半导体有限公司 半导体瑕疵识别方法、装置、计算机设备和存储介质
US20230022057A1 (en) * 2021-07-16 2023-01-26 Taiwan Semiconductor Manufacturing Company, Ltd. Method for retrieving images from database
CN113610155B (zh) * 2021-08-06 2024-05-31 上海众壹云计算科技有限公司 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质
CN114613705B (zh) * 2022-05-10 2022-09-06 深圳市众望丽华微电子材料有限公司 一种半导体元器件加工的控制方法、系统及介质
DE102022204724A1 (de) 2022-05-13 2023-11-16 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Steuern einer Robotervorrichtung

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165384B1 (en) * 2003-11-19 2012-04-24 Kla-Tencor Corporation Defect classification
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
KR101613048B1 (ko) 2005-11-18 2016-04-15 케이엘에이-텐코 코포레이션 검사 데이터와 조합하여 설계 데이터를 활용하는 방법 및 시스템
WO2009152046A1 (en) 2008-06-11 2009-12-17 Kla-Tencor Corporation Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof
JP5452392B2 (ja) 2009-12-16 2014-03-26 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
JP5715873B2 (ja) * 2011-04-20 2015-05-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及び欠陥分類システム
US9098891B2 (en) 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
KR102392057B1 (ko) 2014-12-22 2022-04-28 삼성전자주식회사 자동 결함 분류 방법
US10436720B2 (en) 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
TWI797699B (zh) 2015-12-22 2023-04-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
TWI564741B (zh) 2016-01-25 2017-01-01 敖翔科技股份有限公司 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11593657B2 (en) 2018-06-05 2023-02-28 Samsung Electronics Co., Ltd. Machine learning device and machine learning method of machine learning device
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
KR20210132566A (ko) * 2020-04-24 2021-11-04 캠텍 리미티드 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템

Also Published As

Publication number Publication date
US20190188840A1 (en) 2019-06-20
CN110060228A (zh) 2019-07-26
US10713778B2 (en) 2020-07-14

Similar Documents

Publication Publication Date Title
KR20190073756A (ko) 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
CN110168710B (zh) 用于以卷积神经网络为基础的缺陷检验的数据扩增
TWI733900B (zh) 用於影像融合之以卷積神經網路為基礎之模式選擇及缺陷分類
US11379967B2 (en) Methods and systems for inspection of semiconductor structures with automatically generated defect features
KR102476927B1 (ko) 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링
US11593657B2 (en) Machine learning device and machine learning method of machine learning device
KR20210132566A (ko) 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템
TW202024612A (zh) 透過生成對抗網路之超解析度缺陷視察影像生成
Andreopoulos et al. On sensor bias in experimental methods for comparing interest-point, saliency, and recognition algorithms
US11644756B2 (en) 3D structure inspection or metrology using deep learning
TWI829980B (zh) 半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體
TW202206805A (zh) 用於光學目標檢索之光學影像對比度量
TW202125405A (zh) 分類裝置及圖像分類系統
TWI770883B (zh) 影像處理系統及其方法
CN118202452A (zh) 使用深度神经网络的衬底映射
KR102606069B1 (ko) 웨이퍼 검사 방법
US11189509B2 (en) System and method for controlling semiconductor manufacturing equipment
JP2022168944A (ja) 欠陥を検出するシステム、及びコンピュータ可読媒体
CN113495538B (zh) 半导体制造设备的控制系统及方法
Kharitonov et al. Evaluation of grasps in an automatic intermodal container unloading system
Huang et al. Application of neural networks and genetic algorithms to the screening for high quality chips
JP2023146059A (ja) 異常領域を検出する方法、システム、およびプログラム
KR20240063652A (ko) 데이터 가치 판단 딥러닝 기술을 활용한 딥러닝 자동학습 네트워크 검사 시스템