KR20190098271A - 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 - Google Patents

광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 Download PDF

Info

Publication number
KR20190098271A
KR20190098271A KR1020197023546A KR20197023546A KR20190098271A KR 20190098271 A KR20190098271 A KR 20190098271A KR 1020197023546 A KR1020197023546 A KR 1020197023546A KR 20197023546 A KR20197023546 A KR 20197023546A KR 20190098271 A KR20190098271 A KR 20190098271A
Authority
KR
South Korea
Prior art keywords
wafer
inspection
defect
interest
processor
Prior art date
Application number
KR1020197023546A
Other languages
English (en)
Other versions
KR102557181B1 (ko
Inventor
마틴 플리할
에르판 솔탄모함마디
사라바난 파라마시밤
사이람 라부
안키트 자인
프라산티 우팔루리
비자이 라마찬드란
Original Assignee
케이엘에이 코포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US15/835,399 external-priority patent/US11237119B2/en
Application filed by 케이엘에이 코포레이션 filed Critical 케이엘에이 코포레이션
Publication of KR20190098271A publication Critical patent/KR20190098271A/ko
Application granted granted Critical
Publication of KR102557181B1 publication Critical patent/KR102557181B1/ko

Links

Images

Classifications

    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

안정적인 뉴슨스 레이트 및 관심 결함 캡처 레이트를 갖는 웨이퍼 검사가 개시된다. 이 기법은, 제조 공정 중에 발생하는 새롭게 출현하는 결함의 발견을 위해 사용될 수 있다. 제1 웨이퍼에 기초하여, 필터링 및 분류된 검사 결과에 기초해 관심 결함이 식별된다. 나머지 웨이퍼 각각에 대해, 필터링 및 분류된 검사 결과에 기초하여 결함 분류기가 업데이트되고 그다음 웨이퍼 내의 관심 결함이 식별된다.

Description

광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법
[관련 출원에 대한 상호 참조]
본 출원은, 2017년 1월 10일에 출원된 미국 가특허 출원 제62/444,694호, 2017년 3월 22일에 출원된 미국 가특허 출원 제62/475,030호, 및 2017년 11월 3일에 출원된 미국 가특허 출원 제62/581,378호에 대한 우선권을 청구하며, 이들 미국 가특허 출원의 개시는 본 명세서에 참조로서 통합된다.
[기술 분야]
본 개시는 결함 검출에 관한 것이다.
반도체 제조 업계의 발전으로 인해, 수율 관리와, 특히, 계측 및 검사 시스템에 대한 요구가 그 어느 때보다 커지고 있다. 웨이퍼 크기가 증가하는 동안, 임계 치수는 줄어들고 있다. 경제적 요인들은, 반도체 제조 업계로 하여금, 높은 수율 및 높은 가치의 생산을 달성하는 데 소요되는 시간을 줄이도록 하고 있다. 따라서, 수율 문제의 검출에서부터 이의 해결까지의 총 시간을 최소화하는 것은, 반도체 제조자의 투자 수익률을 결정한다.
로직 디바이스 및 메모리 디바이스와 같은 반도체 디바이스의 제조는, 많은 수의 제조 공정을 사용해 반도체 웨이퍼를 처리하여 반도체 디바이스의 다양한 피처(feature) 및 다수의 레벨(level)을 형성하는 것을 일반적으로 포함한다. 예컨대, 리소그래피(lithography)는, 레티클(reticle)로부터의 패턴을, 반도체 웨이퍼 상에 배열된 포토레지스트(photoresist)에 전사(transfer)하는 것이 수반되는 반도체 제조 공정이다. 반도체 제조 공정의 추가적인 예는, 화학적-기계적 연마(CMP, chemical-mechanical polishing), 에칭, 퇴적, 및 이온 주입을 포함하지만, 이들로 한정되지는 않는다. 다수의 반도체 디바이스는 단일 반도체 웨이퍼 상에 배열의 형태로 제조된 후 개별 반도체 디바이스로 분리될 수 있다.
웨이퍼 상의 결함을 검출하기 위해 알고리즘이 사용될 수 있다. 결함 분류기 및 뉴슨스 필터를 생성하기 위해 기계 학습 알고리즘이 사용될 때, 해당 알고리즘은, 튜닝 또는 진단되지 않은 블랙박스 솔루션(black box solution)으로서 간주되는 경향이 있다. 검사 레시피의 평가는 일반적으로, 평가를 위해 수신된 새로운 세트의 레이블링된 데이터를 관찰할 때까지 미루어지거나, 또는, 대안적으로, 레이블링된 데이터의 일부를 사용하지 않고 유효성검증을 위해 이를 보존한다. 이러한 기법 둘 다는 자원을 낭비한다.
검사 레시피를 설정할 때, 분류기를 트레이닝하기 위해 사용되는 데이터의 품질, 및 데이터로부터 정보를 학습 및 추출할 수 있는 분류기의 능력에 기초하여 전체적인 성능 평가가 행해질 수 있다. 데이터의 품질이 나쁘고, 실제 결함과 뉴슨스가 명확한 분리 경계를 갖지 않는다면, 임의의 분류기는 실패할 가능성이 높을 것이다.
각 레시피의 성능은, 구별가능성(discriminability) 및 신뢰성(reliability)이라는 2개의 측정기준을 사용하여 평가된다. 여러 구별가능성 측정기준이 존재한다. 하나는, 트레이닝 데이터의 혼동 행렬(confusion matrix)이며, 이는 조건부 오류 레이트의 세트로 구성되어 있다. 이들 조건부 오류 레이트 중에서, 캡처 레이트(cap rate, capture rate) 및 뉴슨스 레이트(nuisance rate)는 반도체 제조자에게 중요할 수 있다. 캡처 레이트는, 웨이퍼 내의 관심 결함(DOI, defects of interest)의 총 수에 대한, 올바르게 분류된 DOI의 수의 비율이다. 뉴슨스 레이트는, DOI로서 분류된 결함의 총 수에 대한, DOI로서 분류된 뉴슨스의 수이다. 더 높은 캡처 레이트 및 더 낮은 뉴슨스 레이트는 더 나은 레시피를 의미한다. 그러나 이전까지 뉴슨스 레이트 및 캡처 레이트는 데이터의 실제 레이블을 포함했던 트레이닝 데이터 세트에 대해서만 평가될 수 있었다.
신뢰성은, 분류기가 내리는 결정에 관해 해당 분류기가 얼마나 확신하는지를 나타내는 측정기준이다. 신뢰성은, 분류기에 의해 행해지는 후험적 확률(posterior)의 추정의 함수이다. 이전까지, 분류기 신뢰성은 각 결함에 대한 신뢰도(confidence) 계산을 통해 평가되었다.
구별가능성 및 신뢰성은 중요한 측정기준일 수 있지만, DOI 및 뉴슨스의 근본적인 분포가 특정한 특징을 갖는다면, 구별가능성 및 신뢰성은 현실을 가릴 수 있다. 이는 음영 효과(shadowing effect)로서 지칭될 수 있다.
광대역 플라즈마(BBP, broad band plasma) 및 레이저 스캐닝(LS, laser scanning) 도구 상에서의 분류기 평가를 위해 일반적으로 사용되는 접근법은, 구별가능성을 측정하기 위해 사용되는, 트레이닝 세트의 혼동 행렬, 및 신뢰성을 측정하기 위해 사용되는, 신뢰도 히스토그램의 계산에 기초한다. 도 1a에 도시된 바와 같이, 구별가능성은 트레이닝 데이터에만 기초하여 측정되며, 임의의 특수한 샘플링 방법이 사용된다면 트레이닝 데이터는 편향된다. 신뢰도 히스토그램은 신뢰성을 측정하기 위해 사용되어 왔다. 이러한 기법을 사용하는 경우에는, DOI 또는 뉴슨스 클래스에 대한 신뢰성에 관하여, 사용자를 위한 정보가 없을 수 있다.
트레이닝 세트의 혼동 행렬을 사용하는 것으로는, 웨이퍼 전체에 대한 레시피의 거동을 이해하기에 일반적으로 충분하지 않다. 트레이닝 세트 내의 결함이 특정한 방식으로 선택되었다면(이는 일반적으로 스캐닝 전자 현미경(SEM, scanning electron microscope) 검토 및 수동 분류에 대한 결함의 수를 줄이기 위해 행해짐), 트레이닝 세트의 혼동 행렬은 이들 결함을 향해 편향되며, 이는 웨이퍼 전체에 걸친 분류기 성능의 좋은 추정자가 아니다.
이전의 해결책은, 공정 모니터링(생산 샘플링) 중에 획득된 수동 분류에 기초하여 바이너리 분류기(binary classifier)(예컨대, 뉴슨스 대 DOI)를 재트레이닝한다. 이러한 이전의 해결책은, 업데이트된 분류기를 사용해 후속적인 웨이퍼 상에서 새로운 DOI/뉴슨스 분리를 야기했고, 새 빈(bin)을 사용해 생산 샘플링을 생성했으며, 이는 이어서 그다음 분류기를 튜닝하기 위해 사용되었다. 이전 해결책의 샘플의 50%는 최근의 분류기의 DOI 빈으로부터의 무작위 샘플링이고, 나머지 50%는 전체 집단으로부터의 무작위 샘플링이다. 이 두 샘플이 사용되어, 해당 두 검사의 통계적 공정 제어(SPC, statistical process control)를 비교하며, 두 번째 샘플은 또한, 분류기의 재트레이닝을 위해 사용될 "문턱값 미만의(sub-threshold)" 결함을 제공한다.
공정/웨이퍼 변동을 처리하기 위한 또 다른 이전의 방법은, 분류기를 처음부터 새로 구축하고, SEM 자동 결함 분류(ADC, automatic defect classification)를 통해 트레이닝 세트를 반복적으로 구축한 후, 새로 생성된 DOI 빈으로부터 생산 샘플을 생성하는 것에 의존했다. 그러나 각 웨이퍼에 대해 분류기를 처음부터 새로 생성해야 하는 필요성은, SEM 도구 시간의 관점에서 더 많은 비용을 소요한다. 또한, BBP 모델을 트레이닝하기 위한 실측값(ground truth)은 인간의 검증이 없는 SEM ADC에 기초하며, 이는 실측값이 잠재적으로 더 낮은 신뢰성 갖게 한다. 마지막으로, 이 방법은 이전의 웨이퍼로부터의 결함을 활용하지 않으며, 따라서, 트레이닝 프로세스 중에 데이터 불충분성 및 불안정성의 위험을 높인다.
이전의 기법은 추가적인 샘플링 없이 웨이퍼 전체(및 레이블링되지 않은 데이터)에 대한 캡처 레이트 및 뉴슨스 레이트의 추정치를 구하지 않는다. 따라서, 사용자는, 레시피를 튜닝하는 것이 전체적인 성능에 어떻게 영향을 미칠 수 있는지 알지 못한다. 이전의 기법은 또한 음영 효과를 식별하지 않는다. 따라서, 새 결함 검출 기법 및 시스템이 필요하다.
제1 실시예에서, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템이 제공된다. 본 시스템은, 복수의 분류된 검사 결과 및 최초의 결함 분류기를 저장하도록 구성된 중앙 저장 매체; 웨이퍼 검사 도구; 이미지 데이터 취득 시스템; 및 중앙 저장 매체, 웨이퍼 검사 도구, 및 이미지 데이터 취득 시스템과 전자적으로 통신하는 프로세서를 포함한다. 프로세서는, 검사 엔진, 샘플링 엔진, 및 튜닝 엔진의 명령어를 실행하도록 구성된다. 검사 엔진은, 웨이퍼 검사 도구로부터 제1 웨이퍼의 검사 결과를 수신하도록 프로세서에 명령한다. 샘플링 엔진은, 중앙 저장 매체로부터 최초의 결함 분류기를 리트리빙(retrieving)하고; 최초의 결함 분류기에 기초하여 검사 결과를 필터링하고; 필터링된 검사 결과에 기초하여 이미지 데이터 취득 시스템으로 제1 웨이퍼 상의 관심 위치를 검토하고; 최초의 결함 분류기에 기초하여, 필터링된 검사 결과를 분류하고; 필터링 및 분류된 검사 결과를 중앙 저장 매체 내에 저장하고; 필터링 및 분류된 검사 결과에 기초하여 제1 웨이퍼 내의 관심 결함을 식별하도록 프로세서에 명령한다. 튜닝 엔진은, 중앙 저장 매체 내의 필터링, 분류 및 저장된 검사 결과에 기초하여 최초의 결함 분류기를 업데이트하도록 프로세서에 명령한다. 나머지 웨이퍼 각각에 대해, 검사 엔진은, 웨이퍼 검사 도구로부터 그다음 웨이퍼의 검사 결과를 수신하도록 프로세서에 명령한다. 나머지 웨이퍼 각각에 대해, 샘플링 엔진은, 최초의 결함 분류기에 기초하여 그다음 웨이퍼의 검사 결과를 필터링하고; 그다음 웨이퍼의 필터링된 검사 결과 및 이력 분석 샘플링에 기초하여, 이미지 데이터 취득 시스템을 사용해, 그다음 웨이퍼 상의 관심 위치를 검토하고; 그다음 웨이퍼 상의 검토된 관심 위치에 기초하여 그다음 웨이퍼의 필터링된 검사 결과를 분류하고; 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과를 중앙 저장 매체 내에 저장하고; 중앙 저장 매체 내의 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 프로세서를 사용해, 결함 분류기를 업데이트하고; 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과에 기초하여 그다음 웨이퍼 내의 관심 결함을 식별하도록 프로세서에 명령한다.
나머지 웨이퍼 각각에 대해, 튜닝 엔진은, 중앙 저장 매체 내의 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 프로세서를 사용해, 결함 분류기를 업데이트하도록 프로세서에 명령할 수 있다. 샘플링 엔진은, 업데이트된 결함 분류기에 기초하여 필터링을 수행하도록 프로세서에 명령할 수 있다.
이미지 데이터 취득 시스템은 SEM 검토 도구일 수 있다.
웨이퍼 검사 도구는 검사 결과를 캡처하기 위해 핫 스캐닝을 수행할 수 있다. 예컨대, 웨이퍼 검사 도구는 광대역 플라즈마 검사 도구일 수 있다.
결함 분류기는 결함 분류기의 재트레이닝을 위해 관심 결함 데이터 및 뉴슨스 데이터를 전송할 수 있다.
관심 결함을 식별하는 것은, 가장 최근의 결함 분류기의 분류 경계 근처에서 샘플링하고; 결함 분류기 내의 변동에 기초하여 분류기 안정성에 관한 정보를 획득하고; 분류 경계의 이동을 관찰하고; 분류 경계의 예측된 이동에 기초하여 관심 결함을 식별하는 것을 포함할 수 있다.
검사 결과 또는 검토된 관심 위치는 중앙 저장 매체 내에 저장될 수 있다.
제2 실시예에서, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법이 제공된다. 본 방법은, 프로세서에서, 웨이퍼 검사 도구로부터 제1 웨이퍼의 검사 결과를 수신하는 단계를 포함한다. 프로세서를 사용해, 최초의 결함 분류기에 기초하여 검사 결과가 필터링된다. 필터링된 검사 결과에 기초하여, 이미지 데이터 취득 시스템을 사용해, 제1 웨이퍼 상의 관심 위치가 검토된다. 필터링된 검사 결과는, 제1 웨이퍼 상에서의 검토된 관심 위치에 기초하여, 프로세서를 사용해, 분류된다. 필터링 및 분류된 검사 결과는 중앙 저장 매체 내에 저장된다. 필터링 및 분류된 검사 결과에 기초하여 제1 웨이퍼 내의 관심 결함이 식별된다. 나머지 웨이퍼 각각에 대해, 본 방법은, 프로세서에서, 웨이퍼 검사 도구로부터 그다음 웨이퍼의 검사 결과를 수신하는 것을 포함한다. 프로세서를 사용해, 최초의 결함 분류기에 기초하여 검사 결과가 필터링된다. 그다음 웨이퍼의 필터링된 검사 결과 및 이력 분석 샘플링에 기초하여, 이미지 데이터 취득 시스템을 사용해, 그다음 웨이퍼 상의 관심 위치가 검토된다. 그다음 웨이퍼의 검토된 관심 위치에 기초하여, 프로세서를 사용해, 그다음 웨이퍼의 필터링된 검사 결과가 분류된다. 그다음 웨이퍼의 필터링 및 분류된 검사 결과는 중앙 저장 매체 내에 저장된다. 중앙 저장 매체 내의 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 프로세서를 사용해, 결함 분류기가 업데이트된다. 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과에 기초하여 그다음 웨이퍼 내의 관심 결함이 식별된다.
이미지 데이터 취득 시스템은 SEM 검토 도구일 수 있다.
웨이퍼 검사 도구는 검사 결과를 캡처하기 위해 핫 스캐닝을 수행할 수 있다. 예컨대, 웨이퍼 검사 도구는 광대역 플라즈마 검사 도구일 수 있다.
결함 분류기는 결함 분류기의 재트레이닝을 위해 관심 결함 데이터 및 뉴슨스 데이터를 전송할 수 있다.
관심 결함을 식별하는 단계는, 가장 최근의 결함 분류기의 분류 경계 근처에서 샘플링하는 단계; 결함 분류기 내의 변동에 기초하여 분류기 안정성에 관한 정보를 획득하는 단계; 분류 경계의 이동을 관찰하는 단계; 및 분류 경계의 예측된 이동에 기초하여 관심 결함을 식별하는 단계를 포함할 수 있다.
나머지 웨이퍼 각각에 대해, 본 방법은, 중앙 저장 매체 내의 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 프로세서를 사용해, 결함 분류기를 업데이트하는 단계를 포함할 수 있다. 필터링하는 단계는, 업데이트된 결함 분류기에 기초하여 수행될 수 있다.
검사 결과 또는 검토된 관심 위치는 중앙 저장 매체 내에 저장될 수 있다.
중앙 저장 매체 내의 필터링, 분류, 및 저장된 검사 결과에 기초하여 결함 분류기를 업데이트하는 단계는, 계산된 트레이닝 혼동 행렬에 기초하여 캡처 레이트를 추정하고, 중앙 저장 매체 내의 결함 분류기, 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과, 및 추정된 캡처 레이트에 기초하여 뉴슨스 레이트를 추정하는 단계를 포함할 수 있다. 계산된 트레이닝 혼동 행렬은 중앙 저장 매체 내의 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초한다.
필터링된 검사 결과는, 필터링된 검사 결과와 연관된 적어도 2개의 문턱값을 가질 수 있다. 적어도 2개의 문턱값 중 제1 문턱값은, 공정 및 결함의 모니터링을 위해 사용되는 검사를 위한 문턱값이다. 적어도 2개의 문턱값 중 제2 문턱값은 제1 문턱값보다 더 작고 검사 중에 문턱값 미만의 결함을 캡처하도록 구성된다.
본 개시의 본질 및 목적에 대한 보다 완전한 이해를 위해서는, 다음과 같은 첨부 도면과 관련하여 취해진 다음의 상세한 설명을 참조해야 한다.
도 1은 이전의 기법의 흐름도 (a) 및 (b)를 포함한다.
도 2는 캡처 레이트 대 커트라인 곡선, 뉴슨스 레이트 대 커트라인 곡선, 및 캡처 레이트 대 뉴슨스 레이트 곡선의 차트 (a), (b), 및 (c)를 포함한다.
도 3은 분포 (a), (b), 및 (c)를 포함한다.
도 4는 분포 (a) 및 (b)를 포함한다.
도 5는, 본 개시에 따른 음영 검출 알고리즘의 실시예의 흐름도이다.
도 6은 일반 웨이퍼(a) 및 음영으로 가려진 웨이퍼(b)에 대한 정확성 대 풀 내의 결함의 수의 차트를 포함한다.
도 7은, 본 개시에 따른 진단 모델의 실시예의 흐름도이다.
도 8은, 본 개시에 따른 실시예의 흐름도이다.
도 9는, 본 개시에 따른 시스템의 블록도이다.
도 10은, 본 개시에 따른, 동적 샘플링 및 안정성 분석을 사용하는 동적 분류기의 도면이다.
도 11은, 본 개시에 따른, 동적 샘플링 및 안정성 분석을 사용하는 정적 분류기의 도면이다.
청구되는 주제는 특정 실시예의 관점에서 설명될 것이지만, 본 명세서에 설명된 모든 이점과 특징을 제공하지는 않는 실시예를 비롯한 다른 실시예 또한 본 개시의 범위 내에 있다. 본 개시의 범위로부터 벗어나지 않고서도 다양한 구조적 변경, 논리적 변경, 공정 단계 변경, 및 전자적 변경이 이루어질 수 있다. 따라서, 본 개시의 범위는, 첨부된 청구범위에 대한 참조에 의해서만 한정된다.
본 명세서에 개시된 실시예는, 집적 회로 제조 공정의 초기 단계에서의 공정 및 웨이퍼 불안정성을 처리하기 위한 새로운 시스템 및 방법을 다룬다. 본 개시의 한 실시예는, 생산 샘플링에 더하여, 생산 로트(productions lot)에 대한 작은 샘플을 생산하고, 다수의 웨이퍼에 걸쳐 샘플을 집성화하여 최신(up-to-date) 분류기를 구축하고, 분류기를 사용하여 그다음 웨이퍼에 대한 새로운 업데이트된 샘플을 생산한다는 아이디어에 기초한다.
적어도 다음의 이유로 인해, 본 명세서에 개시된 실시예는 기존의 방법에 비해 특히 이로울 수 있다. 본 명세서에 개시된 시스템 및 방법은, 최근의 알려진 공정 조건을 사용해 생성되고 우수한 분류기를 반환하기에 알맞은 보충(supplemental)(증강(augmented)) 샘플을 이용한다. 최근의 알려진 공정 조건 및 결함은, 현재 사용되는 무작위 샘플보다, 이러한 목적을 위해 훨씬 더 유용하다.
최근의 알려진 공정 조건은 또한 공정 변화에 대한 우수한 지표이며, 임의의 새로운 결함, 또는 가장 큰 변동을 나타내는 결함이, 샘플 내에서 효율적으로 드러날 것이다. 즉, 작은 샘플 크기를 사용하는 효율적인 증분식 발견은, 더 작은 추가적 SEM 검토 및 분류 비용으로 이어진다.
또한, 공정 불안정성의 추가적인 모니터링, 및 본 명세서에 개시된 시스템 및 방법의 그러한 공정 불안정성을 정량화하는 능력을 고려하면, 보충 샘플은, 이들 공정 조건에 일치하도록 자동으로 튜닝될 수 있다.
일반적으로, 개시된 시스템 및 방법은, 더 안정적인 뉴슨스 레이트 및 DOI 캡처 레이트를 갖는 더 관련성 있는 광대역 플라즈마 검사를 고려한다. 개시된 시스템 및 방법은, 제조 공정 중에 발생하는 새롭게 출현하는 결함의 더 빠른 발견을 고려하며, 제조 공정의 안정성의 분석을 고려한다.
본 명세서에 개시된 시스템 및 방법을 구현하기 위한 여러 방식이 존재한다. 한 실시예는 오직 중앙 저장 매체로부터의 데이터에만 의존하며, 시스템 및 방법은 나머지 검사에 대해 분류기 성능 내에서의 결함의 수동 분류를 활용한다. 이들 실시예는, 분류기가, 현재 검사되고 있는 것보다 한 웨이퍼만큼 뒤처지게 한다. 또 다른 실시예는, 웨이퍼 결함 검토 도구 상에서 샘플링을 수행한 후 중앙 저장 매체에 보충 샘플을 생산함으로써 현재의 웨이퍼에 대해 분류기를 업데이트하는 능력을 추가한다. 이 실시예의 한 장점은, 최근의 웨이퍼 조건 또한 분류기 내에 포함된다는 것이다.
실제 레이블이 사용가능하지 않은 경우에는 해당 데이터에 대해 캡처 레이트 및 뉴슨스 레이트가 추정될 수 있다. 따라서, 캡처 레이트 및 뉴슨스 레이트에 대한 예상되는 값이 제공될 수 있다. 이 기법은, 캡처 레이트, 뉴슨스 레이트, 후험적 확률, 및 신뢰도의 모든 추정치가 정확하다는 것을 나타내거나, 이러한 데이터가, 음영으로 가려진 분포(shadowed distribution)를 갖는다는 것을 나타낸다. (분류에 더하여) 알고리즘에 의해 생성되는 데이터는, 인라인 결함 정리기(iDO, inline defect organizer)와 같은 수동으로 생성되는 분류기로는 제공될 수 없는 진단 정보를 제공할 수 있다. iDO는 검사 중에 실시간으로 결함을 분류할 수 있는 알고리즘의 예이다.
레시피가 평가될 수 있다. 이들 방법은, 캡처 레이트의 추정; 뉴슨스 레이트의 추정; 레시피의 미세한 튜닝을 위한, 캡처 레이트 대 뉴슨스 레이트를 보일 수 있는, 수신기 동작 곡선(ROC, receiver operating curve)의 평가; 및 후험적 확률, 신뢰도, 캡처 레이트, 및 뉴슨스 레이트의 추정이 신뢰할 수 있는지를 결정하는, 음영 효과의 검출을 포함한다. ROC는, 참 긍정률 대 거짓 긍정률을 플로팅하는 곡선일 수 있다. ROC 대신, 또는 ROC와 공동으로, DOI 캡처 레이트(참 긍정률) 대 (거짓 긍정률이 아닌) 뉴슨스 레이트가 사용될 수 있다.
분류기로부터의 2개의 출력은 진단 도구를 구축하기 위해 사용될 수 있다. 첫 번째로, 분류기에 의해 제공되는 분류 결과인, 결정이 사용될 수 있다. 두 번째로, 각 결함에 대한 후험적 확률이 사용될 수 있다. 분류기가 후험적 확률을 구할 수 있는 상이한 방법들이 존재한다. 각 클래스 중심으로부터의 거리 또는 정확성의 확률적 측정치가 2개의 예이다.
캡처 레이트를 추정하기 위해, 트레이닝 세트 내의 DOI의 총 수에 대한, 올바르게 분류된 DOI의 수의 비율이 사용될 수 있다. 이는, 테스트 데이터 내의 잠재적으로 누락된 DOI의 수의 추정치를 구하기 위해 테스트 세트에 적용될 수 있다. 2개의 클래스(DOI 및 뉴슨스)가 존재한다고 가정하면, 혼동 행렬은 표 1에 표시된 바와 같이 나타난다.
ADC＼수동 DOI 뉴슨스
DOI SDD SDN
뉴슨스 SND SNN
Snm은, 원래는 클래스 m에 속하며 클래스 n으로서 분류된 모든 결함의 세트이다. SDD는, DOI로서 분류되었으며 실제로 DOI인 결함의 세트이다. SND는, 뉴슨스로서 분류되었지만 실제로는 DOI인 결함의 세트이다. SDN은, DOI로서 분류되었지만 실제로는 뉴슨스인 결함의 세트이다. SNN은, 뉴슨스로서 분류되었으며 실제로도 뉴슨스인 결함의 세트이다. 웨이퍼 전체에 대한 캡처 레이트 추정이 수학식 1에 나타나 있다.
Figure pct00001
수학식 1에서, |S|는 세트 S의 크기(기수성(cardinality))를 나타낸다. 레이블링되지 않은 결함의 뉴슨스 레이트를 추정하기 위하여, DOI 빈 내의 결함의 총 수에 대한, DOI로서 분류되는 결함에 대해서 뉴슨스에 연관되는 결함의 누적 후험적 확률의 비율이 사용될 수 있다. 2개의 클래스(DOI 및 뉴슨스)를 가정하여, 테스트 데이터(또는 임의의 레이블링되지 않은 데이터)에 대한 데이터의 집단의 분류가 표 2에 나타나 있다.
ADC
DOI SD
뉴슨스 SN
SD는, DOI로서 분류된 결함의 세트이다. SN은, 뉴슨스로서 분류된 결함의 세트이다. 결함 i에 연관된 뉴슨스 클래스에 대한 후험적 확률이 pi라고 가정하면, 뉴슨스 레이트는, 수학식 2에 나타난 바와 같이 계산될 것이다.
Figure pct00002
SD는, DOI로서 분류된 결함의 세트이다. pi는, 결함 i에 연관된 뉴슨스 클래스에 대한 후험적 확률이다. |SD|는 세트 SD의 크기를 나타낸다.
뉴슨스 레이트가 높으면 캡처 레이트가 증가될 수 있다. 이는, 예컨대, 신뢰도 히스토그램 내에서 커트 라인을 이동시키고, 더 낮은 신뢰도를 갖는 결함의 클래스 코드를 변경함으로써 행해질 수 있다. 캡처 레이트 및 뉴슨스 레이트는 커트라인의 모든 가능한 값에 대해 평가될 수 있다. 이후, 3개의 플롯이 표시될 수 있으며, 이들의 3개의 예가 도 2에 도시되어 있다. 도 2의 차트 (a)는 캡처 레이트 대 커트라인 값을 도시한다. 도 2의 차트 (b)는 뉴슨스 레이트 대 커트라인 값을 도시한다. 도 2의 차트 (c)는 ROC를 도시한다. ROC는, 주어진 데이터 세트에 대한 분류기의 성능의 유용한 표현일 수 있다. 사용자는, 원하는 캡처 레이트에 대한 뉴슨스 레이트가 무엇일지 확인할 수 있으며, 그 반대의 경우도 마찬가지이다. 이들 곡선을 사용하면, 사용자는 커트라인의 값이 가치가 있는지 결정할 수 있다.
분류에 있어서, 잘 분리된 분포는, 도 3의 (a), 도 3의 (b), 및 도 3의 (c)에 도시된 바와 같이 짧은 오버랩을 갖는 분포일 수 있다. 데이터는, 도 3의 (a) 및 도 3의 (b)에 도시된 바와 같이 마치 두 분포 사이에 명확한 경계가 그려질 수 있는 것처럼 잘 분리될 수 있다. 도 3의 (c)에 도시된 바와 같이, 분포는 잘 분리되고 공간 내에 다수의 영역을 가질 수 있으며, 다수의 경계를 사용하여 분리될 수 있다.
대부분의 분류기는 이러한 상황을 학습할 수 있다. 이러한 시나리오에서, 분류기의 성능은 일반적이다. 그러한 확률 밀도 함수(PDF, Probability Density Function)는, 웨이퍼 내에서 일반적으로 나타나는 PDF이지만, 항상 그러한 것은 아니다. 한 분포의 큰 부분이 음영으로 가려졌을 수 있다. 음영 효과는, 한 클래스 분포의 큰 부분이 또 다른 클래스의 PDF 아래에 있을 때의 상황이다. 이러한 상황은 수동 또는 자동 레이블링 중에 실수로서 발생하거나, 음영으로 가려진 부분을 다른 클래스로부터 구별하기 위한 우수한 속성을 갖지 못하는 결과로서 발생할 수 있다. 도 4의 차트 (a) 및 (b)는 이러한 상황의 2개의 예이다.
첫 번째 경우(도 4의 (a))의 검출은 상대적으로 쉬우며, 왜냐하면, 단지 트레이닝 혼동 행렬을 관찰함으로써, 한 클래스에 대한 정확성이 나쁘다고 결정될 수 있기 때문이다. 두 번째 경우(도 4의 (b))를 검출하는 것은 더 어렵다. 이러한 상황은, 어떠한 종류의 클래스가 사용되는지에 상관없이, 한 클래스의 큰 부분이 검출되지 않는 웨이퍼에 대한 데이터에 관하여 사용자를 오도할 수 있다. 여기서의 잘못된 분류는 분류기의 나쁜 성능으로 인한 것이 아니라, 피처 또는 레이블링의 나쁜 품질로 인한 것일 수 있다.
이러한 상황을 검출하기 위하여, 분류기는 트레이닝 세트를 사용해 트레이닝될 수 있다. 이후, 검출기로부터 획득된 결함의 신뢰도 값으로부터, 트레이닝은 오름차순으로 소팅(sorting)될 수 있다. 빈 풀(empty pool)이 생성될 수 있으며, 가장 낮은 신뢰도로부터 가장 높은 신뢰도까지 결함이 하나씩 풀에 추가될 수 있다. 각 결함을 추가한 후, 풀 내의 결함의 혼동 행렬이 계산될 수 있고 클래스의 정확성 및 풀 내의 결함의 수가 저장될 수 있다. 각 클래스에 대한 정확성은, 해당 클래스로부터의 결함의 총 수에 대한 해당 클래스의 올바르게 분류된 결함의 수로서 정의될 수 있다. 트레이닝 세트 내의 모든 결함을 사용한 후, 정확성 대 풀 내의 결함의 수가 비교될 수 있다. 이러한 알고리즘의 예가 도 5에 도시되어 있다.
웨이퍼 상의 일반적인 결함 분포의 경우, 결함의 수가 증가할 때 풀 내의 모든 클래스의 정확성은 증가하거나 일정하게 유지될 것으로 예상된다. 다른 논거가 가능하지만, 풀 내의 새 결함은, 풀 내의 이전의 결함에 비교하여 그 이상의 신뢰도를 가질 수 있다.
도 6의 (a) 및 (b)의 플롯은 이를 2개의 상이한 웨이퍼에 대해 도시한다. 도 6의 (a)의 플롯은, 음영으로 가려진 DOI가 없는 웨이퍼로부터의 플롯이며, 결함의 수에 따라서 DOI 및 뉴슨스 둘 다의 정확성이 개선된다. 그러나 도 6의 플롯 (b)는, DOI 클래스에서 음영 효과가 관찰되는 웨이퍼를 도시한다. DOI 빈은 결함의 수에 따라서 개선되지 않는다. 이는, 고신뢰도 결함이 추가되었지만, 이들이 올바르지 않게 분류되고 있다는 것을 나타내며, 이는 음영 효과의 지표이다.
방법의 실시예의 세부사항이 도 7의 흐름도에 도시되어 있다. 도 7은, 뉴슨스 레이트 및 캡처 레이트를 추정하는 알고리즘 및 음영 효과의 검출에 대한 흐름도를 도시한다. 분류기를 생성하기 위해 트레이닝 세트가 사용된다. 분류기는 테스트 세트 내의 결함에 적용된다. 이후, (트레이닝 세트 및 테스트 세트 둘 다의) 모든 결함에 대한 신뢰도 및 후험적 확률을 평가하기 위해 분류기가 사용된다. 뉴슨스 레이트의 추정은, 후험적 확률을 사용하여 행해진다. 캡처 레이트의 추정은, 트레이닝 세트로부터 획득된 혼동 행렬을 사용하여 행해진다. 마지막으로, 데이터가 음영 효과의 아래에 있는지 또는 그렇지 않은지 알아내기 위하여 확인이 행해진다. 만일 그렇지 않다면, 추정치는 신뢰할 수 있다.
도 8은, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법(100)의 흐름도이다. 단계(101)에서, BBP 도구 또는 또 다른 검사 디바이스일 수 있는 웨이퍼 검사 도구로부터, 제1 웨이퍼의 검사 결과가, 예를 들면 프로세서에서, 수신된다. 단계(102)에서, 예를 들면 프로세서를 사용해, 최초의 결함 분류기에 기초하여 검사 결과가 필터링된다. 단계(103)에서, 예를 들면 이미지 데이터 취득 시스템을 사용해, 필터링된 검사 결과에 기초하여 제1 웨이퍼 상의 관심 위치가 검토된다. 이미지 데이터 취득 시스템은 SEM 검토 도구 또는 또 다른 측정, 검사, 또는 계측 도구일 수 있다. 단계(104)에서, 제1 웨이퍼 상의 검토된 관심 위치에 기초하여, 예를 들면 프로세서를 사용해, 필터링된 검사 결과가 분류된다. 단계(105)에서, 분류된 검사 결과가 중앙 저장 매체 내에 저장된다. 단계(106)에서, 필터링 및 분류된 검사 결과에 기초하여, 예를 들면 프로세서를 사용해, 관심 결함이 식별된다. 필터링된 검사 결과는, 예를 들면, 샘플링된 각 웨이퍼에 대해, 분리되어 유지될 수 있다.
단계(107)에서, 나머지 웨이퍼 각각에 대해, 웨이퍼 검사 도구로부터, 그다음 웨이퍼의 검사 결과가, 예를 들면 프로세서에서, 수신된다. 단계(108)에서, 최초의 결함 분류기에 기초하여, 예를 들면 프로세서를 사용해, 검사 결과가 필터링된다. 단계(109)에서, 필터링된 검사 결과 및 이력 분석 샘플링에 기초하여, 예를 들면 이미지 데이터 취득 시스템을 사용해, 그다음 웨이퍼 상의 관심 위치가 검토된다. 단계(110)에서, 그다음 웨이퍼 상의 검토된 관심 위치에 기초하여, 예를 들면 프로세서를 사용해, 필터링된 검사 결과가 분류된다. 단계(111)에서, 필터링 및 분류된 결과가 중앙 저장 매체 내에 저장된다. 단계(112)에서, 중앙 저장 매체 내의 분류 및 저장된 결과에 기초하여, 예를 들면 프로세서를 사용해, 결함 분류기가 업데이트된다. 단계(113)에서, 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과에 기초하여, 예를 들면 프로세서를 사용해, 그다음 웨이퍼 내의 관심 결함이 식별된다.
그다음 웨이퍼는, 그다음의 순차적 웨이퍼를 지칭할 수 있지만, 제2, 제3, 제4, 제5, 또는 그 이후의 웨이퍼를 의미할 수도 있다.
방법(100)에서, 관심 결함을 식별하는 단계는, 가장 최근의 결함 분류기의 분류 경계 근처에서 샘플링하는 단계를 포함할 수 있다. 결함 분류기 내의 변동에 기초하여, 분류기 안정성에 관한 정보가 획득될 수 있다. 분류 경계의 이동은 예측될 수 있다. 관심 결함은 분류 경계의 예측된 이동에 기초하여 식별될 수 있다.
웨이퍼 검사 도구는 방법(100)을 사용해 검사 결과를 캡처하기 위해 핫 스캐닝을 수행할 수 있다.
결함 분류기는, 결함 분류기의 재트레이닝을 위해 사용될 관심 결함 데이터 및 뉴슨스 데이터를 전송할 수 있다.
나머지 웨이퍼 각각에 대해, 중앙 저장 매체 내의 분류 및 저장된 결과에 기초하여, 예를 들면 프로세서를 사용해, 결함 분류기가 업데이트될 수 있다. 필터링하는 단계는, 업데이트된 결함 분류기에 기초하여 수행될 수 있다.
검사 결과 또는 검토된 관심 위치는 중앙 저장 매체 내에 저장될 수 있다.
중앙 저장 매체 내의 분류 및 저장된 결과에 기초하여 결함 검출기를 업데이트하는 단계는, 계산된 트레이닝 혼동 행렬에 기초하여 캡처 레이트를 추정하는 단계를 포함할 수 있다. 계산된 트레이닝 혼동 행렬은 중앙 저장 매체 내의 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초할 수 있다. 뉴슨스 레이트는 중앙 저장 매체 내의 결함 분류기, 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과, 및 추정된 캡처 레이트에 기초하여 추정될 수 있다. 이들 단계는 프로세서에 의해 수행될 수 있다.
신뢰도 값 또한 최초의 결함 분류기에 기초하여 계산될 수 있다. 이러한 경우, 중앙 저장 매체 내의 분류 및 저장된 결과에 기초하여 결함 분류기를 업데이트하는 단계는, 결함 분류기 및 계산된 신뢰도 값에 기초하여 음영 효과를 검출하는 단계를 더 포함할 수 있다.
필터링된 검사 결과는, 필터링된 검사 결과와 연관된 적어도 2개의 문턱값을 가질 수 있다. 적어도 2개의 문턱값 중 제1 문턱값은 검사를 위한 문턱값이며, 공정 및 결함을 모니터링하기 위해 사용될 수 있다. 적어도 2개의 문턱값 중 제2 문턱값은 제1 문턱값보다 더 작고 검사 중에 문턱값 미만의 결함을 캡처하도록 구성될 수 있다. 이는 문턱값의 양쪽에서의 샘플링을 가능하게 하여, 양방향 모두로의 분류 경계의 변경을 허용한다.
이러한 기법은 다수의 장점을 제공한다. 이러한 기법은 빠른 캡처 레이트 추정자를 제공한다. 일반적으로, 캡처 레이트의 추정은 비용이 많이 들고 그리고/또는 부정확한 작업이다. 사용자는 뉴슨스 빈으로부터의 많은 수의 결함을 샘플링하고, 도구(예컨대, SEM 도구)를 사용해 이들을 검토하고, 이들을 분류하고, 뉴슨스 빈 내의 DOI의 수의 추정치를 제시하려고 시도해야 한다. 이러한 방법은 대부분의 경우 가능하지 않으며, 왜냐하면 DOI 빈 내의 결함의 수가 극도로 크기 때문이다. 본 명세서에 개시된 실시예는 임의의 샘플을 필요로 하지 않으며, 이는 해당 실시예를 극도로 빠르게 한다. 더 빠른 뉴슨스 레이트 추정 또한 제공된다. 일반적으로 뉴슨스 레이트를 추정하기 위하여, 사용자는 DOI 빈으로부터 무작위로 샘플링한 후 이들에 대해 SEM 검토를 수행하고, 이들을 분류한다. 본 명세서에 개시된 기법을 사용하면, 샘플링, SEM 검토, 및 분류를 위한 이러한 추가적인 시간이 제거될 수 있다.
웨이퍼 전체에 대한 ROC 곡선의 추정치는, 원하는 결과를 고려하여 반도체 제조자가 레시피를 튜닝하고 검사를 위한 최적의 조건을 식별하도록 하는 유용한 도구일 수 있다.
개시된 기법은 또한 음영 효과를 위한 검출 방법을 제공한다. 데이터 내에서 분포의 분리할 수 없는 부분이 식별될 수 있다. 이러한 현상은 일반적으로 수동 레이블링 중의 실수, 나쁜 SEM 이미지 품질, 또는 강력한 피처의 부재로 인해 발생한다.
도 9는, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템(200)의 블록도이다. 시스템(200)은 웨이퍼 검사 도구(201), 이미지 데이터 취득 시스템(204), 중앙 저장 매체(203), 및 프로세서(202)를 포함한다. 이미지 데이터 취득 시스템(204)은 SEM 검토 도구일 수 있다. 웨이퍼 검사 도구(201)는 BBP 검사 도구일 수 있으며, 이는, 검사 결과를 캡처하기 위해 핫 스캐닝을 수행하도록 구성될 수 있다. 웨이퍼 검사 도구(201)는, KLA-Tencor Corporation에 의해 제조되는 Surfscan SPx와 같은, LS 도구 또는 패터닝되지 않은 웨이퍼 표면 검사 시스템일 수도 있다. 중앙 저장 매체(203)는, 복수의 분류된 검사 결과 및 최초의 결함 분류기를 저장하도록 구성된다. 프로세서(202)는 중앙 저장 매체(203), 웨이퍼 검사 도구(201), 및 이미지 데이터 취득 시스템(204)과 전자적으로 통신한다.
프로세서(202)는, 검사 엔진, 샘플링 엔진, 및 튜닝 엔진의 명령어를 실행하도록 구성된다. 검사 엔진은, 웨이퍼 검사 도구로부터 제1 웨이퍼의 검사 결과를 수신하도록 프로세서에 명령한다. 샘플링 엔진은, 중앙 저장 매체로부터 최초의 결함 분류기를 리트리빙하고; 최초의 결함 분류기에 기초하여 검사 결과를 필터링하고; 필터링된 검사 결과에 기초하여 이미지 데이터 취득 시스템으로 제1 웨이퍼 상의 관심 위치를 검토하고; 최초의 결함 분류기에 기초하여, 필터링된 검사 결과를 분류하고; 필터링 및 분류된 검사 결과를 중앙 저장 매체 내에 저장하고; 필터링 및 분류된 검사 결과에 기초하여 제1 웨이퍼 내의 관심 결함을 식별하도록 프로세서에 명령한다. 튜닝 엔진은, 중앙 저장 매체 내의 분류 및 저장된 결과에 기초하여 최초의 결함 분류기를 업데이트하도록 프로세서에 명령한다.
나머지 웨이퍼 각각에 대해, 검사 엔진은, 웨이퍼 검사 도구로부터 그다음 웨이퍼의 검사 결과를 수신하도록 프로세서에 명령한다. 샘플링 엔진은, 최초의 결함 분류기에 기초하여 검사 결과를 필터링하고; 필터링된 검사 결과 및 이력 분석 샘플링에 기초하여, 이미지 데이터 취득 시스템을 사용해, 그다음 웨이퍼 상의 관심 위치를 검토하고; 그다음 웨이퍼 상의 검토된 관심 위치에 기초하여, 필터링된 검사 결과를 분류하고; 분류된 결과를 중앙 저장 매체 내에 저장하고; 중앙 저장 매체 내의 분류 및 저장된 결과에 기초하여, 프로세서를 사용해, 결함 분류기를 업데이트하고; 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과에 기초하여 그다음 웨이퍼 내의 관심 결함을 식별하도록 프로세서에 명령한다.
나머지 웨이퍼 각각에 대해, 튜닝 엔진은, 중앙 저장 매체 내의 분류 및 저장된 결과에 기초하여, 프로세서를 사용해, 결함 분류기를 업데이트하도록 프로세서에 명령할 수 있다. 샘플링 엔진은, 업데이트된 결함 분류기에 기초하여 필터링을 수행하도록 프로세서에 명령할 수 있다. 결함 분류기를 업데이트하기 위해 사용되는 결과의 수 또는 웨이퍼의 수는 알고리즘에 의해 결정될 수 있으며 설정에 의해 제어될 수 있다. 이들 수는 해당 활용 사례 및 해당 검사에 의존할 수 있다. 연구 및 개발 응용예의 경우, 단 몇 개의 가장 최근의 웨이퍼가 사용될 수 있다. 더 성숙한 대량 제조 공정에서, 트레이닝 데이터는 더 많은 웨이퍼로부터 유래될 수 있다. 이는 시간에 제약되고 데이터 충분성에 제약될 수 있다.
결함 분류기는, 결함 분류기의 재트레이닝을 위해 사용될 관심 결함 데이터 및 뉴슨스 데이터를 전송할 수 있다.
관심 결함을 식별하는 것은, 가장 최근의 결함 분류기의 분류 경계 근처에서 샘플링하고; 결함 분류기 내의 변동에 기초하여 분류기 안정성에 관한 정보를 획득하고; 분류 경계의 이동을 관찰하고; 분류 경계의 예측된 이동에 기초하여 관심 결함을 식별하는 것을 포함할 수 있다. 이동을 관찰하는 것은 가장 최근의 웨이퍼 중 일부에 대해 수행될 수 있다.
검사 결과 또는 검토된 관심 위치는 중앙 저장 매체(203) 내에 저장될 수 있으며, 중앙 저장 매체는 데이터베이스를 포함할 수 있다. 특정한 예에서, 중앙 저장 매체(203)는, 분류된 결함을 검사 집단의 나머지와 함께 저장할 수 있다. 튜닝 및 분석 엔진은, 새 데이터 각각이 데이터베이스에 추가된 후, 저장된 데이터에 대해 동작할 수 있다. 샘플링 엔진은 가장 적합한 결함을 식별하기 위해 중앙 서버로부터 최근의 분류기를 리트리빙할 수 있다. 이는 다음의 기법 중 하나 이상에 의해 행해진다. 첫 번째로, 최근의 분류기를 활용하여 해당 모델의 분류 경계 근처에서(경계의 양쪽에서) 샘플링한다. 두 번째로, 최근의 웨이퍼에 대한 분류 변동으로부터 획득된 분류기 안정성에 관한 정보를 사용한다. 세 번째로, 경계 이동의 방향일 가능성이 가장 높은 분류 경계의 한쪽으로 샘플의 대부분을 지향시킨다.
한 실시예는 오직 중앙 저장 매체(203)에만 의존하고 나머지 검사에 대해 결함의 수동 분류 및 분류기 성능을 활용한다. 이러한 구성은 분류기가 계속하여 한 웨이퍼만큼 뒤처지게 한다. 또 다른 실시예는, 웨이퍼 결함 검토 도구 상에서 샘플링을 수행한 후 중앙 저장장치를 위한 보충 샘플을 생산함으로써 현재의 웨이퍼에 대해 모델을 업데이트하는 능력을 추가하며, 이는 최근의 웨이퍼 조건 또한 포함된다는 것을 의미한다. 도 10 및 도 11에 2개의 예가 도시되어 있다. 도 10 및 도 11에서, 뉴슨스-DOI 분류기가 표준 뉴슨스 필터의 역할을 수행할 때 검사는 더 핫하게(hotter) 실행된다. 이는 재트레이닝을 위해 뉴슨스-DOI 경계의 양쪽의 결함을 유지한다. 이력 분석 샘플링 설정 및 최근의 분류기로부터의 안정성 정보는 샘플링을 위해 사용된다.
프로세서(202) 및 중앙 저장 매체(203)는 분리된 것으로 도시되어 있지만, 이들은 동일한 제어 유닛의 일부일 수 있다. 프로세서(202) 및 중앙 저장 매체(203) 둘 다는 웨이퍼 검사 도구(201)나 이미지 데이터 취득 시스템(204), 또는 또 다른 디바이스의 일부일 수 있다. 한 예에서, 프로세서(202)는 독립형 제어 유닛이거나 중앙집중식 품질 제어 유닛 내에 있을 수 있다. 다수의 프로세서(202) 및/또는 중앙 저장 매체(203)가 사용될 수 있다. 예컨대, 검사 엔진, 샘플링 엔진, 및 튜닝 엔진에 대해 3개의 프로세서(202)가 사용될 수 있다.
프로세서(202)는 실제로 하드웨어, 소프트웨어, 및 펌웨어의 임의의 조합에 의해 구현될 수 있다. 또한, 본 명세서에 설명된 바와 같은 프로세서의 기능은 하나의 유닛에 의해 수행되거나, 상이한 컴포넌트들 간에 분배될 수 있으며, 컴포넌트 각각은 하드웨어, 소프트웨어, 및 펌웨어의 임의의 조합에 의해 차례로 구현될 수 있다. 다양한 방법 및 기능을 구현하기 위한 프로세서(202)를 위한 프로그램 코드 또는 명령어는, 중앙 저장 매체(203) 내의 메모리 또는 다른 메모리와 같은, 제어기 판독 가능 저장 매체 내에 저장될 수 있다.
시스템(200)에 의해 생성된 출력을 프로세서(202) 및 중앙 저장 매체(203)가 수신할 수 있도록, 프로세서(202) 및 중앙 저장 매체(203)는 임의의 적합한 방식으로(예컨대, 유선 및/또는 무선 송신 매체를 포함할 수 있는 하나 이상의 송신 매체를 통해) 시스템(200)의 컴포넌트에 커플링될 수 있다. 프로세서(202)는, 출력을 사용하여 다수의 기능을 수행하도록 구성될 수 있다.
본 명세서에 설명된 프로세서(202) 및 중앙 저장 매체(203), 다른 시스템(들), 또는 다른 서브시스템(들)은, 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 어플라이언스, 인터넷 어플라이언스, 또는 다른 디바이스를 비롯한 다양한 시스템의 일부일 수 있다. 서브시스템(들) 또는 시스템(들)은, 병렬 프로세서와 같은, 당업계에 공지된 임의의 적합한 프로세서도 포함할 수 있다. 또한, 서브시스템(들) 또는 시스템(들)은, 고속 처리 및 소프트웨어를 갖는 플랫폼을, 독립형 또는 네트워크형 도구로서 포함할 수 있다.
시스템이, 하나보다 많은 서브시스템을 포함한다면, 상이한 서브시스템들 사이에서 이미지, 데이터, 정보, 명령어 등이 전송될 수 있도록, 해당 서브시스템들이 서로에 커플링될 수 있다. 예컨대, 하나의 서브시스템은, 당업계에 공지된 임의의 적절한 유선 및/또는 무선 송신 매체를 포함할 수 있는 임의의 적절한 송신 매체에 의해 추가적인 서브시스템(들)에 커플링될 수 있다. 그러한 서브시스템들 중 2개 이상의 서브시스템은, 공유된 컴퓨터-판독가능 저장 매체(도시되지 않음)에 의해 유효하게 커플링될 수도 있다.
한 추가적인 실시예는, 본 명세서에 개시된 실시예의 컴퓨터-구현 방법(computer-implemented method)을 수행하기 위해 제어기 상에서 실행가능한 프로그램 명령어를 저장한 비일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)에 관한 것이다. 특히, 프로세서(202)는, 프로세서(202) 상에서 실행가능한 프로그램 명령어를 포함하는 비일시적 컴퓨터-판독가능 매체를 갖는 중앙 저장 매체(203) 또는 다른 전자 데이터 저장 매체 내의 메모리에 커플링될 수 있다. 컴퓨터-구현 방법은, 본 명세서에 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다. 예컨대, 프로세서(202)는, 도 8의 단계의 일부 또는 전부를 수행하도록 프로그래밍될 수 있다. 중앙 저장 매체(203) 또는 다른 전자 데이터 저장 매체 내의 메모리는, 자기 또는 광학 디스크, 자기 테이프, 또는 당업계에 공지된 임의의 다른 적합한 비일시적 컴퓨터-판독가능 매체와 같은 저장 매체일 수 있다.
프로그램 명령어는, 여러 가지 중에서도, 프로시저 기반 기법, 컴포넌트 기반 기법, 및/또는 객체 지향 기법을 비롯한 임의의 다양한 방식 중 임의의 방식으로 구현될 수 있다. 예컨대, 프로그램 명령어는 원하는 바에 따라 ActiveX 컨트롤, C++ 객체, JavaBeans, Microsoft Foundation Classes(MFC), SSE(Streaming SIMD Extension), 또는 다른 기술이나 방법을 사용하여 구현될 수 있다.
방법의 단계들의 각각은, 본 명세서에 설명된 바와 같이 수행될 수 있다. 방법은 또한, 본 명세서에서 설명된 제어기 및/또는 컴퓨터 서브시스템(들)이나 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 단계들은, 본 명세서에서 설명된 임의의 실시예들에 따라 구성될 수 있는 하나 이상의 컴퓨터 시스템에 의해 수행될 수 있다. 또한, 전술한 방법은, 본 명세서에 설명된 시스템 실시예 중 임의의 실시예에 의해 수행될 수 있다.
본 개시는 하나 이상의 특정 실시예와 관련하여 설명되었지만, 본 개시의 사상 및 범위를 벗어나지 않고서 본 개시의 다른 실시예가 실시될 수 있음이 이해될 것이다. 따라서, 본 개시는, 첨부된 청구범위 및 이의 합리적인 해석에 의해서만 제한되는 것으로 간주된다.

Claims (18)

  1. 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템에 있어서,
    복수의 분류된 검사 결과 및 최초의 결함 분류기를 저장하도록 구성된 중앙 저장 매체;
    웨이퍼 검사 도구;
    이미지 데이터 취득 시스템; 및
    상기 중앙 저장 매체, 상기 웨이퍼 검사 도구, 및 상기 이미지 데이터 취득 시스템과 전자적으로 통신하는 프로세서를 포함하며, 상기 프로세서는,
    상기 웨이퍼 검사 도구로부터 제1 웨이퍼의 검사 결과를 수신하도록 상기 프로세서에 명령하는 검사 엔진;
    샘플링 엔진으로서,
    상기 중앙 저장 매체로부터 상기 최초의 결함 분류기를 리트리빙(retrieving)하고;
    상기 최초의 결함 분류기에 기초하여 상기 검사 결과를 필터링하고;
    상기 필터링된 검사 결과에 기초하여 상기 이미지 데이터 취득 시스템으로 상기 제1 웨이퍼 상의 관심 위치를 검토하고;
    상기 최초의 결함 분류기에 기초하여, 상기 필터링된 검사 결과를 분류하고;
    상기 필터링 및 분류된 검사 결과를 상기 중앙 저장 매체 내에 저장하고;
    상기 필터링 및 분류된 검사 결과에 기초하여 상기 제1 웨이퍼 내의 관심 결함을 식별
    하도록 상기 프로세서에 명령하는 상기 샘플링 엔진; 및
    상기 중앙 저장 매체 내의 상기 필터링, 분류, 및 저장된 검사 결과에 기초하여 상기 최초의 결함 분류기를 업데이트하도록 상기 프로세서에 명령하는 튜닝 엔진
    의 명령어를 실행하도록 구성되며;
    나머지 웨이퍼 각각에 대해,
    상기 검사 엔진은, 상기 웨이퍼 검사 도구로부터 그다음 웨이퍼의 검사 결과를 수신하도록 상기 프로세서에 명령하고;
    상기 샘플링 엔진은,
    상기 최초의 결함 분류기에 기초하여 상기 그다음 웨이퍼의 검사 결과를 필터링하고;
    상기 그다음 웨이퍼의 필터링된 검사 결과 및 이력 분석 샘플링에 기초하여, 상기 이미지 데이터 취득 시스템을 사용해, 상기 그다음 웨이퍼 상의 관심 위치를 검토하고;
    상기 그다음 웨이퍼의 검토된 관심 위치에 기초하여 상기 그다음 웨이퍼의 필터링된 검사 결과를 분류하고;
    상기 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과를 상기 중앙 저장 매체 내에 저장하고;
    상기 중앙 저장 매체 내의 상기 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 상기 프로세서를 사용해, 상기 결함 분류기를 업데이트하고;
    상기 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과에 기초하여 상기 그다음 웨이퍼 내의 관심 결함을 식별
    하도록 상기 프로세서에 명령하는,
    복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  2. 제1항에 있어서, 상기 나머지 웨이퍼 각각에 대해,
    상기 튜닝 엔진은, 상기 중앙 저장 매체 내의 상기 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 상기 프로세서를 사용해, 상기 결함 분류기를 업데이트하도록 상기 프로세서에 명령하고;
    상기 샘플링 엔진은, 상기 업데이트된 결함 분류기에 기초하여 상기 필터링을 수행하도록 상기 프로세서에 명령하는, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  3. 제1항에 있어서, 상기 이미지 데이터 취득 시스템은 SEM 검토 도구인, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  4. 제1항에 있어서, 상기 웨이퍼 검사 도구는 검사 결과를 캡처하기 위해 핫 스캐닝을 수행하는, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  5. 제1항에 있어서, 상기 결함 분류기는 상기 결함 분류기의 재트레이닝을 위해 관심 결함 데이터 및 뉴슨스 데이터를 전송하는, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  6. 제1항에 있어서, 상기 관심 결함을 식별하는 것은,
    가장 최근의 결함 분류기의 분류 경계 근처에서 샘플링하고;
    상기 결함 분류기 내의 변동에 기초하여 분류기 안정성에 관한 정보를 획득하고;
    상기 분류 경계의 이동을 관찰하고;
    상기 분류 경계의 예측된 이동에 기초하여 상기 관심 결함을 식별하는 것을 포함하는, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  7. 제1항에 있어서, 상기 시스템은 또한, 상기 검사 결과 또는 검토된 관심 위치를 상기 중앙 저장 매체 내에 저장하도록 구성되는, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  8. 제1항에 있어서, 상기 웨이퍼 검사 도구는 광대역 플라즈마 검사 도구인, 복수의 웨이퍼 내의 관심 결함을 검출하기 위한 시스템.
  9. 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법에 있어서,
    프로세서에서, 웨이퍼 검사 도구로부터 제1 웨이퍼의 검사 결과를 수신하는 단계;
    최초의 결함 분류기에 기초하여, 상기 프로세서를 사용해, 상기 검사 결과를 필터링하는 단계;
    상기 필터링된 검사 결과에 기초하여, 이미지 데이터 취득 시스템을 사용해, 상기 제1 웨이퍼 상의 관심 위치를 검토하는 단계;
    상기 제1 웨이퍼의 상의 검토된 관심 위치에 기초하여, 상기 프로세서를 사용해, 상기 필터링된 검사 결과를 분류하는 단계;
    상기 필터링 및 분류된 검사 결과를 중앙 저장 매체 내에 저장하는 단계;
    상기 필터링 및 분류된 검사 결과에 기초하여 상기 제1 웨이퍼 내의 관심 결함을 식별하는 단계; 및
    나머지 웨이퍼 각각에 대해,
    상기 프로세서에서, 상기 웨이퍼 검사 도구로부터 그다음 웨이퍼의 검사 결과를 수신하는 단계;
    상기 최초의 결함 분류기에 기초하여, 상기 프로세서를 사용해, 상기 검사 결과를 필터링하는 단계;
    상기 그다음 웨이퍼의 필터링된 검사 결과 및 이력 분석 샘플링에 기초하여, 상기 이미지 데이터 취득 시스템을 사용해, 상기 그다음 웨이퍼 상의 관심 위치를 검토하는 단계;
    상기 그다음 웨이퍼의 검토된 관심 위치에 기초하여, 상기 프로세서를 사용해, 상기 그다음 웨이퍼의 필터링된 검사 결과를 분류하는 단계;
    상기 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과를 상기 중앙 저장 매체 내에 저장하는 단계;
    상기 중앙 저장 매체 내의 상기 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 상기 프로세서를 사용해, 상기 결함 분류기를 업데이트하는 단계; 및
    상기 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과에 기초하여 상기 그다음 웨이퍼 내의 관심 결함을 식별하는 단계
    를 포함하는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  10. 제9항에 있어서, 상기 이미지 데이터 취득 시스템은 SEM 검토 도구인, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  11. 제9항에 있어서, 상기 웨이퍼 검사 도구는 검사 결과를 캡처하기 위해 핫 스캐닝을 수행하는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  12. 제9항에 있어서, 상기 결함 분류기는 상기 결함 분류기의 재트레이닝을 위해 관심 결함 데이터 및 뉴슨스 데이터를 전송하는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  13. 제9항에 있어서, 상기 관심 결함을 식별하는 단계는,
    가장 최근의 결함 분류기의 분류 경계 근처에서 샘플링하는 단계;
    상기 결함 분류기 내의 변동에 기초하여 분류기 안정성에 관한 정보를 획득하는 단계;
    상기 분류 경계의 이동을 관찰하는 단계; 및
    상기 분류 경계의 예측된 이동에 기초하여 상기 관심 결함을 식별하는 단계를 포함하는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  14. 제9항에 있어서, 상기 나머지 웨이퍼 각각에 대해,
    상기 중앙 저장 매체 내의 상기 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 상기 프로세서를 사용해, 상기 결함 분류기를 업데이트하는 단계를 더 포함하며;
    상기 필터링하는 단계는 상기 업데이트된 결함 분류기에 기초하여 수행되는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  15. 제9항에 있어서, 상기 검사 결과 또는 검토된 관심 위치를 상기 중앙 저장 매체 내에 저장하는 단계를 더 포함하는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  16. 제9항에 있어서, 상기 웨이퍼 검사 도구는 광대역 플라즈마 검사 도구인, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  17. 제9항에 있어서, 상기 중앙 저장 매체 내의 상기 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하여, 상기 프로세서를 사용해, 상기 결함 분류기를 업데이트하는 단계는,
    계산된 트레이닝 혼동 행렬에 기초하여 캡처 레이트를 추정하는 단계로서, 상기 계산된 트레이닝 혼동 행렬은 상기 중앙 저장 매체 내의 상기 그다음 웨이퍼에 대한 필터링, 분류, 및 저장된 검사 결과에 기초하는, 상기 캡처 레이트를 추정하는 단계; 및
    상기 중앙 저장 매체 내의 상기 결함 분류기, 상기 그다음 웨이퍼에 대한 필터링 및 분류된 검사 결과, 및 상기 추정된 캡처 레이트에 기초하여 뉴슨스 레이트를 추정하는 단계를 포함하는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
  18. 제9항에 있어서, 상기 필터링된 검사 결과는, 상기 필터링된 검사 결과와 연관된 적어도 2개의 문턱값을 가지며, 상기 적어도 2개의 문턱값 중 제1 문턱값은, 공정 및 결함을 모니터링하기 위해 사용되는 검사를 위한 문턱값이고, 상기 적어도 2개의 문턱값 중 제2 문턱값은 상기 제1 문턱값보다 더 작고 검사 중에 문턱값 미만의 결함을 캡처하도록 구성되는, 복수의 웨이퍼 내의 관심 결함을 식별하기 위한 방법.
KR1020197023546A 2017-01-10 2018-01-05 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 KR102557181B1 (ko)

Applications Claiming Priority (11)

Application Number Priority Date Filing Date Title
US201762444694P 2017-01-10 2017-01-10
US62/444,694 2017-01-10
IN201741004615 2017-02-08
IN201741004615 2017-02-08
US201762475030P 2017-03-22 2017-03-22
US62/475,030 2017-03-22
US201762581378P 2017-11-03 2017-11-03
US62/581,378 2017-11-03
US15/835,399 US11237119B2 (en) 2017-01-10 2017-12-07 Diagnostic methods for the classifiers and the defects captured by optical tools
US15/835,399 2017-12-07
PCT/US2018/012684 WO2018132321A1 (en) 2017-01-10 2018-01-05 Diagnostic methods for the classifiers and the defects captured by optical tools

Publications (2)

Publication Number Publication Date
KR20190098271A true KR20190098271A (ko) 2019-08-21
KR102557181B1 KR102557181B1 (ko) 2023-07-18

Family

ID=62840218

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197023546A KR102557181B1 (ko) 2017-01-10 2018-01-05 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법

Country Status (3)

Country Link
KR (1) KR102557181B1 (ko)
TW (1) TWI755468B (ko)
WO (1) WO2018132321A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US11379969B2 (en) * 2019-08-01 2022-07-05 Kla Corporation Method for process monitoring with optical inspections
DE102020107779A1 (de) * 2020-03-20 2021-09-23 Schaeffler Technologies AG & Co. KG Verfahren und Prüfanlage zum Prüfen einer Bipolarplatte einer Brennstoffzelle
CN115951619B (zh) * 2023-03-09 2023-05-23 山东拓新电气有限公司 基于人工智能的掘进机远程智能控制系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050177264A1 (en) * 2004-02-06 2005-08-11 Long-Hui Lin Method of building a defect database
US20090080759A1 (en) * 2007-09-20 2009-03-26 Kla-Tencor Corporation Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
KR20160130252A (ko) * 2014-03-06 2016-11-10 케이엘에이-텐코 코포레이션 복합 결함 분류기

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6256093B1 (en) * 1998-06-25 2001-07-03 Applied Materials, Inc. On-the-fly automatic defect classification for substrates using signal attributes
JP5537282B2 (ja) * 2009-09-28 2014-07-02 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US9053390B2 (en) * 2012-08-14 2015-06-09 Kla-Tencor Corporation Automated inspection scenario generation
US9835566B2 (en) * 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050177264A1 (en) * 2004-02-06 2005-08-11 Long-Hui Lin Method of building a defect database
US20090080759A1 (en) * 2007-09-20 2009-03-26 Kla-Tencor Corporation Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
JP2014195090A (ja) * 2007-09-20 2014-10-09 Kla-Tencor Corp ウエハ用永続的データの作成と、永続的データを検査関連機能に使用するためのシステムと方法
KR20160130252A (ko) * 2014-03-06 2016-11-10 케이엘에이-텐코 코포레이션 복합 결함 분류기

Also Published As

Publication number Publication date
TW201830334A (zh) 2018-08-16
WO2018132321A1 (en) 2018-07-19
KR102557181B1 (ko) 2023-07-18
TWI755468B (zh) 2022-02-21

Similar Documents

Publication Publication Date Title
US11237119B2 (en) Diagnostic methods for the classifiers and the defects captured by optical tools
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
CN109598698B (zh) 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质
US20190287230A1 (en) Semi-supervised anomaly detection in scanning electron microscope images
US7756658B2 (en) Systems and methods for detecting defects on a wafer and generating inspection results for the wafer
TWI706376B (zh) 用於缺陷檢測之系統、方法及非暫時性電腦可讀儲存媒體
JP7286290B2 (ja) 半導体試料の欠陥を分類する方法およびそのシステム
KR102557181B1 (ko) 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법
US11592400B2 (en) System, method and computer program product for object examination
CN117893817A (zh) 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质
KR102530950B1 (ko) 반도체 시편에서의 결함들의 분류
US10921334B2 (en) System, method and computer program product for classifying defects
US20220291138A1 (en) Method of examining specimens and system thereof
TWI772735B (zh) 對半導體取樣中的缺陷進行分類的方法及其系統
TW202240637A (zh) 基於半導體製程之晶圓層級分析及根本原因分析之資料驅動預測與失效模式識別

Legal Events

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