KR20200067305A - 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법 - Google Patents

반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법 Download PDF

Info

Publication number
KR20200067305A
KR20200067305A KR1020180153781A KR20180153781A KR20200067305A KR 20200067305 A KR20200067305 A KR 20200067305A KR 1020180153781 A KR1020180153781 A KR 1020180153781A KR 20180153781 A KR20180153781 A KR 20180153781A KR 20200067305 A KR20200067305 A KR 20200067305A
Authority
KR
South Korea
Prior art keywords
map
processing
auto
maps
type
Prior art date
Application number
KR1020180153781A
Other languages
English (en)
Other versions
KR102638267B1 (ko
Inventor
박민철
마아미
유지수
정창욱
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 KR1020180153781A priority Critical patent/KR102638267B1/ko
Priority to US16/599,733 priority patent/US11741596B2/en
Publication of KR20200067305A publication Critical patent/KR20200067305A/ko
Application granted granted Critical
Publication of KR102638267B1 publication Critical patent/KR102638267B1/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
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G06T7/001—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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/22—Connection or disconnection of sub-entities or redundant parts of a device in response to a measurement
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • G—PHYSICS
    • 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
    • G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
    • 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
    • G06T2207/30141—Printed circuit board [PCB]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템은 제1 불량 유형으로 분류된 제1 기준 맵 및 제2 불량 유형으로 분류된 제2 기준 맵을 저장하도록 구성된 데이터베이스, 제1 기준 맵에서 제1 불량 유형에 대한 노이즈를 제거하여 제1 전-처리 기준 맵을 생성하도록 구성된 제1 오토-인코더/디코더, 제2 기준 맵에서 제2 불량 유형에 대한 노이즈를 제거하여 제2 전-처리 기준 맵을 생성하도록 구성된 제2 오토-인코더/디코더, 및 불량 유형 분석 장치를 포함하고, 데이터베이스는 제1 및 제2 전-처리 기준 맵들을 기반으로 업데이트되고, 불량 유형 분석 장치는 업데이트된 데이터베이스를 기반으로 타겟 웨이퍼로부터 측정된 타겟 맵의 불량 유형을 분류하도록 구성된다.

Description

반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법{SEMICONDUCTOR WAFER FAULT ANALYSIS SYSTEM AND OPERATION METHOD THEREOF}
본 발명은 반도체 불량 분석에 관한 것으로, 더욱 상세하게는 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법에 관한 것이다.
반도체 장치는 다양한 공정들 통해 제조된다. 반도체 설계 기술이 발전하면서, 반도체를 제조하기 위한 공정들의 수, 또는 각 공정의 복잡도, 또는 반도체 장치의 집적도가 증가하고 있다. 이에 따라, 반도체 제조 과정에서 다양한 불량들(defects) 또는 불량들(faults)이 발생할 수 있다.
반도체 불량 또는 불량의 원인을 파악하고 교정하기 위하새넌, 반도체 웨이퍼 상의 불량을 검출하고, 검출된 불량의 불량 유형이 분류되어야 한다. 반도체 웨이퍼에 대한 불량 유형을 분류하는 일 예로서, 특정 불량 유형들로 미리 분류된 기준 맵들과 반도체 웨이퍼 상에서 측정된 맵을 비교하여 가장 유사한 기준 맵을 선택하고, 선택된 기준 맵으로 분류함으로써, 반도체 웨이퍼의 불량 유형이 분류될 수 있다. 그러나, 이러한 방식에서 기준 맵들이 충분하지 않거나 또는 기준 맵들에 다양한 노이즈가 포함되어 기준 맵들의 신뢰성이 낮은 경우, 정확한 불량 유형을 분류하는 것이 어려울 수 있다.
본 발명의 목적은 향상된 정확성 및 신뢰성을 갖는 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법을 제공하는데 있다.
본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템은 제1 불량 유형으로 분류된 제1 기준 맵 및 제2 불량 유형으로 분류된 제2 기준 맵을 저장하도록 구성된 데이터베이스, 상기 제1 기준 맵에서 상기 제1 불량 유형에 대한 노이즈를 제거하여 제1 전-처리 기준 맵을 생성하도록 구성된 제1 오토-인코더/디코더, 상기 제2 기준 맵에서 상기 제2 불량 유형에 대한 노이즈를 제거하여 제2 전-처리 기준 맵을 생성하도록 구성된 제2 오토-인코더/디코더, 및 불량 유형 분석 장치를 포함하고, 상기 데이터베이스는 상기 제1 및 제2 전-처리 기준 맵들을 기반으로 업데이트되고, 상기 불량 유형 분석 장치는 상기 업데이트된 데이터베이스를 기반으로 타겟 웨이퍼로부터 측정된 타겟 맵의 불량 유형을 분류하도록 구성된다.
본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템은 제1 불량 유형으로 분류된 제1 기준 맵 및 제2 불량 유형으로 분류된 제2 기준 맵을 포함하는 데이터베이스, 타겟 반도체 웨이퍼로부터 타겟 맵을 측정하도록 구성된 측정 장치, 및 상기 데이터베이스의 상기 제1 기준 맵 및 상기 제2 기준 맵을 기반으로 상기 측정된 타겟 맵의 불량 유형을 분류하도록 구성된 불량 유형 분석 장치를 포함하고, 상기 불량 유형 분석 장치는 상기 제1 불량 유형에 대한 정보를 이용하여 상기 제1 기준 맵에 대한 제1 전-처리 동작을 수행하여 하나 또는 그 이상의 제1 전-처리 기준 맵들을 생성하고, 상기 제2 불량 유형에 대한 정보를 이용하여 상기 제2 기준 맵에 대한 제2 전-처리 동작을 수행하여 하나 또는 그 이상의 제2 전-처리 기준 맵들을 생성하도록 구성된 전-처리 장치, 및 상기 타겟 맵과 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들 및 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 각각 비교하여 상기 타겟 맵의 상기 불량 유형을 분류하도록 구성된 분류 모델을 포함한다.
본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템의 동작 방법은 제1 불량 유형으로 분류된 제1 기준 맵에 대하여, 상기 제1 불량 유형에 기반된 제1 전-처리 동작을 수행하여 하나 또는 그 이상의 제1 전-처리 기준 맵들을 생성하는 단계, 제2 불량 유형으로 분류된 제2 기준 맵에 대하여, 상기 제2 불량 유형에 기반된 제2 전-처리 동작을 수행하여 하나 또는 그 이상의 제2 전-처리 기준 맵들을 생성하는 단계, 타겟 반도체 웨이퍼로부터 타겟 맵을 측정하는 단계, 상기 제1 기준 맵, 상기 제2 기준 맵, 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들, 및 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 기반으로 상기 타겟 맵의 불량 유형을 분류하는 단계, 및 상기 분류된 불량 유형에 대한 정보를 출력하는 단계를 포함하고, 상기 제1 전-처리 동작은 제1 오토-인코더/디코더에 의해 수행되고, 상기 제2 전-처리 동작은 상기 제1 오토-인코더/디코더와 다른 제2 오토-인코더-디코더에 의해 수행된다.
본 발명의 실시 예들에 따르면, 반도체 웨이퍼 불량 분석 시스템은 기준 맵들에 대한 전-처리 동작을 수행함으로써, 반도체 웨이퍼 불량 분석에서 사용되는 참조 데이터(즉, label, 기준 맵 등)의 신뢰성 및 정확성을 향상시킬 수 있다. 따라서, 향상된 신뢰성 및 정확성을 갖는 반도체 불량 분석 시스템 및 그것의 동작 방법에 제공된다.
도 1은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석에서 사용되는 데이터베이스를 관리하도록 구성된 데이터베이스 관리 장치를 예시적으로 보여주는 블록도이다.
도 2는 도 1의 데이터베이스 관리 장치의 동작을 예시적으로 보여주는 순서도이다.
도 3은 도 1의 전-처리 장치를 예시적으로 보여주는 블록도이다.
도 4는 도 3의 전-처리 장치의 동작을 설명하기 위한 도면이다.
도 5는 도 3의 제1 오토-인코더/디코더를 예시적으로 보여주는 도면이다.
도 6은 도 3의 전-처리 장치에 기반된 전-처리 동작(도 2의 S120 단계)을 예시적으로 보여주는 순서도이다.
도 7은 도 3의 전-처리 장치를 예시적으로 보여주는 블록도이다.
도 8a 및 도 8b는 도 7의 전-처리 장치의 동작을 설명하기 위한 도면이다.
도 9는 도 3의 전-처리 장치를 예시적으로 보여주는 블록도이다.
도 10a 및 도 10b는 도 9의 제1 증가 모듈의 동작을 설명하기 위한 도면들이다.
도 11은 도 9의 전-처리 장치의 동작에 따른 데이터베이스 관리 장치의 동작을 예시적으로 보여주는 순서도이다.
도 12는 도 2의 전-처리 장치를 예시적으로 보여주는 블록도이다.
도 13은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템을 예시적으로 보여주는 블록도이다.
도 14는 도 13의 불량 유형 분석 장치를 예시적으로 보여주는 블록도이다.
도 15는 도 14의 불량 유형 분석 장치의 동작을 예시적으로 보여주는 순서도이다.
도 16은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템을 예시적으로 보여주는 블록도이다.
도 17은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템을 예시적으로 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.
이하에서, 본 발명의 실시 예들을 간결하고 명확하게 설명하기 위하여, 맵(map), 기준 맵(reference map) 등의 용어들이 사용된다. 본문에서 사용되는 “맵(map)”의 용어는 반도체 웨이퍼로부터 측정된 다양한 정보가 이미지 형태로 제공되는 데이터 또는 정보를 가리킬 수 있다. 하나의 맵은 하나의 반도체 웨이퍼에 대응하는 정보일 수 있다. 즉, 하나의 반도체 웨이퍼에 대한 다양한 테스트들의 결과를 기반으로 하나의 맵이 생성될 수 있다. 본문에서 사용되는 "맵(map)"의 용어는 "맵(Mage map)", "웨이퍼 맵(wafer map)" 등의 용어들과 혼용되어 사용될 수 있다.
본문에서 사용되는 “기준 맵(reference map)”의 용어는 맵들 중 특정 불량 유형으로 분류된 맵으로서, 반도체 웨이퍼 불량 분석에서 타겟 맵과의 비교의 기준이 되는 데이터 또는 정보를 가리킬 수 있다. 즉, 기준 맵은 다양한 반도체 웨이퍼들로부터 측정된 맵들 중 불량이 포함된 맵들을 포함할 수 있다. 기준 맵 각각은 대응하는 불량 유형에 대한 정보와 함께 관리될 수 있다.
이하에서 설명되는, 기준 맵 데이터베이스 관리 장치(이하에서, “데이터베이스 관리 장치”라 칭함.)에 의해 관리 또는 생성된 데이터베이스는 반도체 웨이퍼 불량 분석을 수행하는데 사용될 수 있다. 예를 들어, 데이터베이스는 반도체 웨이퍼의 다양한 불량 유형들 각각에 대한 하나 또는 그 이상의 기준 맵들을 포함할 수 있고, 반도체 웨이퍼 불량 분석 동작에서 타겟 맵과 일치하는 또는 가장 유사한 기준 맵을 검출함으로써, 타겟 맵에 대응하는 불량 유형을 분류 또는 분석하는데 사용될 수 있다.
예시적인 실시 예에서, 기준 맵은 다양한 반도체 웨이퍼들로부터 측정된 맵들 중 불량 유형이 포함된 맵들로 구성되기 때문에, 특정 불량 유형뿐만 아니라, 다른 다양한 형태의 노이즈를 포함할 수 있다. 이로 인하여, 반도체 웨이퍼 불량 분석에서 정확성 및 신뢰성이 낮아지는 문제점이 있다.
본 발명의 실시 예에 따르면, 데이터베이스에 포함된 기준 맵들에 대한 전-처리 동작을 수행하여, 전-처리 기준 맵들을 생성하고, 전-처리 기준 맵들을 사용하여 반도체 웨이퍼 불량 분석이 수행됨으로써, 반도체 웨이퍼 불량 분석의 정확성이 향상될 수 있다. 이하에서, 첨부된 도면들을 참조하여, 본 발명의 실시 예들이 좀 더 상세하게 설명된다. 그러나 본 발명의 범위가 이에 한정되는 것은 아니다.
도 1은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석에서 사용되는 데이터베이스를 관리하도록 구성된 데이터베이스 관리 장치를 예시적으로 보여주는 블록도이다. 도 1을 참조하면, 데이터베이스 관리 장치(100)는 측정 장치(110), 사전 분류기(120), 데이터베이스(130), 및 전-처리 장치(140)를 포함할 수 있다.
측정 장치(110)는 복수의 반도체 웨이퍼들(WF) 각각에 대한 복수의 맵들(M; Map)을 생성할 수 있다. 맵(M)은 하나의 반도체 웨이퍼에 대한 다양한 테스트 동작들의 결과들이 이미지 형태로 변환된 정보 또는 데이터를 가리킨다. 즉, 반도체 웨이퍼(WF) 상에서 결함 또는 불량이 있는 것으로 판별된 영역은 맵(M)의 대응하는 영역에 특정한 값 또는 특정한 형태로 표현될 수 있다.
반도체 웨이퍼(WF)는 반도체의 기판으로 사용될 수 있다. 예를 들어, 반도체 웨이퍼(WF)는 실리콘(Si), 갈륨비소(GaAs) 등과 같은 반도체 특성을 갖는 물질을 포함할 수 있다. 반도체 웨이퍼(WF)는 공정 과정에 따라 다양한 반도체 패턴을 가질 수 있다.
측정 장치(110)로부터 측정된 맵들(M)은 사전-분류기(120)로 제공될 수 있다. 사전 분류기(120)는 맵들(M) 각각의 불량 유형을 분류할 수 있다. 예를 들어, 사전 분류기(120)는 맵들(M) 각각에 포함된 불량 유형을 판별하고, 맵들(M) 각각이 어떤 불량 유형에 속하는지를 판별할 수 있다.
사전 분류기(120)에 의해 판별된 불량 유형에 따라 맵들(M)은 데이터베이스(130)의 제1 레이블(LB1)에 불량 유형에 대한 정보와 함께 저장될 수 있다. 예를 들어, 제1 레이블(LB1)은 복수의 기준 맵들(RM) 및 각각에 대한 불량 유형의 정보를 포함할 수 있다. 예시적인 실시 예에서, 데이터베이스(130)는 다양한 정보 또는 데이터를 저장하고 관리하도록 구성된 컴퓨팅 장치, 또는 대용량 저장 매체를 포함할 수 있다.
예시적인 실시 예에서, 측정 장치(110), 사전-분류기(120), 및 데이터베이스(130)의 제1 레이블(LB1)의 구성들 또는 그것들의 동작들이 예시적으로 설명되었으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 예를 들어, 이전의 반도체 웨이퍼 불량 분석 동작을 통해 복수의 맵들에 대한 불량 검출 및 불량 유형 분류가 미리 수행될 수 있고, 특정 불량 유형으로 분류된 복수의 맵들은 제1 레이블(LB1)에 각각의 불량 유형에 대한 정보와 함께 기준 맵들(RM)로서 저장될 수 있다. 즉, 제1 레이블(LB1)은 사전에 미리 구성된 기준 맵들(RM) 및 그것들의 불량 유형에 대한 정보를 포함할 수 있다.
전-처리 장치(140)는 제1 레이블(LB1)에 저장된 복수의 기준 맵들(RM)에 대한 전-처리 동작을 수행하여, 전-처리 기준 맵들(PRM)(pre-processed reference Map)을 생성할 수 있다. 전-처리 기준 맵들(PRM)은 데이터베이스(130)의 제2 레이블(LB2)에 저장될 수 있다.
예시적인 실시 예에서, 전-처리 기준 맵들(PRM)은 기준 맵들(RM)보다 향상된 정확도 또는 향상된 신뢰성을 가질 수 있다. 전-처리 기준 맵들(PRM)의 정확도 또는 신뢰성이 높다는 것은 전-처리 기준 맵들(PRM)에 기반된 반도체 불량 유형 분석 동작의 정확도 및 신뢰성이 높다는 것을 가리킬 수 있다.
예를 들어, 전-처리 동작은 기준 맵들(RM) 각각에 대한 노이즈 제거 동작, 기준 맵에 대한 정보 증가 또는 확장 동작 등을 가리킬 수 있다. 즉, 전-처리 기준 맵(PRM)은 기준 맵들(RM)과 비교하여 대응하는 불량 유형에 대한 노이즈가 감소되거나 또는 기준 맵들(RM)보다 많은 정보(즉, 특정 불량 유형에 대한 기준 맵들의 개수가 더 많음)를 포함하기 때문에, 반도체 웨이퍼 불량 분석 동작의 신뢰성 및 정확도가 향상될 수 있다. 이하의 도면들을 참조하여, 본 발명의 실시 예에 따른 전-처리 동작이 좀 더 상세하게 설명된다.
상술된 바와 같이, 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석을 위한 데이터베이스 관리 장치는 기준 맵들에 대한 전-처리 동작을 수행하여 전-처리 기준 맵들을 생성할 수 있다. 전-처리 기준 맵들을 사용하여 반도체 웨이퍼 불량 분석이 수행됨으로써, 불량 분석 동작의 정확성 및 신뢰성이 향상될 수 있다.
도 2는 도 1의 데이터베이스 관리 장치의 동작을 예시적으로 보여주는 순서도이다. 도 2를 참조하면, S110 단계에서, 데이터베이스 관리 장치(100)는 기준 맵들의 불량 유형을 분류할 수 있다. 예를 들어, 측정 장치(110)로부터 측정된 맵이 불량인 반도체 웨이퍼로부터 측정되거나 또는 측정된 맵이 불량을 포함하는 것으로 판별된 경우, 측정된 맵은 기준 맵으로서 사용될 수 있다. 사전-분류기(120)는 기준 맵의 불량 유형을 분류할 수 있다. 기준 맵은 분류된 불량 유형의 정보와 함께 데이터베이스(130)의 제1 레이블(LB1)에 저장될 수 있다.
예시적인 실시 예에서, 제1 레이블(LB1)에 저장된 기준 맵 및 불량 유형에 대한 정보는 사전의 반도체 웨이퍼 불량 분석 동작에 의해 미리 생성되거나 또는 구성될 수 있다.
S120 단계에서, 데이터베이스 관리 장치(100)는 분류된 불량 유형을 기반으로 전-처리 동작(pre-processing operation)을 수행할 수 있다. 예를 들어, 데이터베이스 관리 장치(100)의 전-처리 장치(140)는 불량 유형을 기반으로 기준 맵에 대한 노이즈 제거 동작을 수행할 수 있다. 또는 데이터베이스 관리 장치(100)의 전-처리 장치(140)는 불량 유형을 기반으로 기준 맵을 확장 또는 증가시킬 수 있다. 기준 맵에 대한 전-처리 동작은 도 3 내지 도 11을 참조하여 더욱 상세하게 설명된다.
S130 단계에서, 데이터베이스 관리 장치(100)는 전-처리 동작의 결과를 기반으로 데이터베이스(130)를 업데이트할 수 있다. 예를 들어, 데이터베이스 관리 장치(100)는 전-처리 동작의 결과를 데이터베이스(130)의 제2 레이블(LB2)에 저장할 수 있다.
예시적인 실시 예에서, 반도체 웨이퍼 불량 분석에서, 업데이트된 데이터베이스(130)가 사용됨으로써, 반도체 웨이퍼 불량 분석의 정확성 및 신뢰성이 향상될 수 있다.
도 3은 도 1의 전-처리 장치를 예시적으로 보여주는 블록도이다. 도 3을 참조하면, 전-처리 장치(140-1)는 제1 내지 제n 오토-인코더/디코더들(141a~141n)을 포함할 수 있다. 제1 내지 제n 오토-인코더들(141a~141n) 각각은 제1 내지 제n 기준 맵들(RM1~RMn)에 대한 노이즈 제거 동작을 수행할 수 있다.
예시적인 실시 예에서, 제1 내지 제n 기준 맵들(RM1~RMn) 각각은 서로 다른 불량 유형으로 분류된 맵들일 수 있다. 예를 들어, 제1 기준 맵들(RM1)은 제1 불량 유형(예를 들어, 작대기 불량(linear fault))으로 분류된 기준 맵들일 수 있고, 제2 기준 맵들(RM2)은 제2 불량 유형(예를 들어, 랜덤성 불량(random fault))으로 분류된 기준 맵들일 수 있고, 제n 기준 맵들(RMn)은 제n 불량 유형(예를 들어, 링 불량(ring fault))으로 분류된 기준 맵들일 수 있다. 그러나 본 발명의 범위가 이에 한정되는 것은 아니다.
제1 내지 제n 오토-인코더/디코더들(141a~141n) 각각은 서로 다른 불량 유형에 대하여 노이즈 제거 동작을 수행할 수 있다. 예를 들어, 제1 오토-인코더/디코더(141a)는 제1 불량 유형으로 분류된 제1 기준 맵들(RM1)에 대한 노이즈 제거 동작을 수행하여 제1 전-처리 맵들(PRM1)을 생성할 수 있다. 제2 오토-인코더/디코더(141b)는 제2 불량 유형으로 분류된 제2 기준 맵들(RM2)에 대한 노이즈 제거 동작을 수행하여 제2 전-처리 맵들(PRM2)을 생성할 수 있다. 유사하게, 제n 오토-인코더/디코더(141n)는 제n 불량 유형으로 분류된 제n 기준 맵들(RMn)에 대한 노이즈 제거 동작을 수행하여 제n 전-처리 맵(PRMn)를 생성할 수 있다.
상술된 바와 같이, 기준 맵의 불량 유형에 따라 서로 다른 오토-인코더/디코더를 사용하여 기준 맵에 대한 노이즈 제거 동작을 수행함으로써, 불량 유형과 관련된 정보가 정확하게 추출될 수 있다.
예를 들어, 제1 기준 맵들(RM1)이 작대기 불량으로 분류된 기준 맵들이고, 제2 기준 맵들(RM2)이 랜덤 불량으로 분류된 기준 맵들인 것으로 가정하자. 이 때, 제1 기준 맵들(RM1) 및 제2 기준 맵들(RM2) 전부에 동일한 노이즈 제거 필터(예를 들어, 가우시안 필터와 같은 LPF(low pass filter))를 적용하거나 또는 동일한 오토-인코더/디코더를 적용하여 노이즈 제거 동작을 수행할 경우, 제1 기준 맵들(RM1)에서 작대기 불량과 관련된 정보가 제거되거나 또는 작대기 불량과 관련되지 않은 정보가 제거되지 않을 수 있고, 제2 기준 맵들(RM2)에서 랜덤 불량과 관련된 정보가 제거되거나 또는 랜덤 불량과 관련되지 않은 정보가 제거되지 않을 수 있다. 이런 경우에, 그 결과 값들은 불필요한 정보를 포함하거나 또는 필요한 정보가 없는 상태일 수 있다. 즉, 제1 기준 맵들(RM1) 및 제2 기준 맵들(RM2) 전부에 동일한 노이즈 제거 필터(예를 들어, 가우시안 필터와 같은 LPF(low pass filter))를 적용하거나 또는 동일한 오토-인코더/디코더를 적용할 경우, 결과 값에 대한 정확성 및 신뢰성이 감소되고, 이에 따라 이후의 반도체 웨이퍼 불량 분석의 정확성 및 신뢰성이 감소될 수 있다.
반면에, 본 발명의 실시 예에 따르면, 기준 맵들 각각의 불량 유형에 따라 서로 다른 오토-인코더/디코더를 사용하여 노이즈 제거 동작이 수행되기 때문에, 전-처리 기준 맵들 각각이 대응하는 불량 유형에 대한 정보만 포함할 수 있다.
예를 들어, 제1 오토-인코더/디코더(141a)는 제1 불량 유형으로 분류된 제1 기준 맵들(RM1)에 대한 노이즈 제거 동작을 수행할 수 있다. 이 경우, 제1 오토-인코더/디코더(141a)는 제1 불량 유형에 대하여 학습되기 때문에, 제1 불량 유형과 관련된 정보를 추출할 수 있다. 제2 오토-인코더/디코더(141b)는 제2 불량 유형으로 분류된 제2 기준 맵들(RM2)에 대한 노이즈 제거 동작을 수행할 수 있다. 이 경우, 제2 오토-인코더/디코더(141b)는 제2 불량 유형에 대하여 학습되기 때문에, 제2 불량 유형과 관련된 정보를 추출할 수 있다.
좀 더 상세한 예로서, 도 4는 도 3의 전-처리 장치의 동작을 설명하기 위한 도면이다. 도 4를 참조하면, 제1 기준 맵들(RM1)은 작대기 불량을 포함할 수 있다. 즉, 제1 기준 맵들(RM1)은 작대기 불량 유형으로 분류될 수 있다.
도 4의 제1 맵들(Ma)은 모든 맵들(즉, 정상 또는 불량과 무관하게 모든 웨이퍼들에 대한 모든 맵들)에 대하여 동일한 가우시안 필터를 사용하는 방식에 따라 노이즈-제거 동작이 수행된 결과를 보여준다. 도 4의 제2 맵들(Mb)은 전체 맵들에 대하여 동일한 오토-인코더/디코더를 사용하는 방식에 따라 노이즈-제거 동작이 수행된 결과를 보여준다. 도 4의 제3 맵들(Mc)은 전체 기준 맵들(즉, 불량인 웨이퍼들에 대한 맵들, 단 불량 유형과 무관함)에 대하여 동일한 오토-인코더/디코더를 사용하는 방식에 따라 노이즈-제거 동작이 수행된 결과를 보여준다. 도 4의 제1 전-처리 기준 맵들(PRM1)은, 본 발명의 실시 예와 같이, 제1 불량 유형으로 분류된 제1 기준 맵들(RM1)에 대하여 제1 오토-인코더/디코더(131)를 사용하는 방식에 따라 노이즈-제거 동작이 수행된 결과를 보여준다.
도 4에 도시된 바와 같이, 제1 내지 제3 맵들(Ma~Mc)은 작대기 불량과 관련된 정보가 제거되거나 또는 명확하게 표현되지 않는다. 반면에, 본 발명의 실시 예에 따른 제1 전-처리 기준 맵들(PRM1)은 제1 내지 제3 맵들(Ma~Mc)보다 작대기 불량과 관련된 정보를 명확하게 표현한다. 다시 말해서, 본 발명의 실시 예에 따른 제1 전-처리 기준 맵들(PRM1)이 반도체 웨이퍼 불량 분석에서 기준 맵들로 사용될 경우, 작대기 불량 유형을 분류하는 정확도가 향상될 수 있다.
상술된 바와 같이, 본 발명의 실시 예에 따른 전-처리 장치(130)는 기준 맵의 불량 유형에 따라 서로 다른 오토-인코더/디코더를 사용하여 노이즈 제거 동작을 수행함으로써, 기준 맵들에서 불량 유형들 각각에 관련된 정보를 정확하게 추출할 수 있다.
도 5는 도 3의 제1 오토-인코더/디코더를 예시적으로 보여주는 도면이다. 도 3 및 도 5를 참조하면, 제1 오토-인코더/디코더(141a)는 오토-인코더(AE; Auto-Encoder) 및 오토-디코더(AD; Auto-Decoder)를 포함할 수 있다.
오토-인코더(AE)는 제1 기준 맵(RM1)을 수신하고, 제1 기준 맵(RM1)에 대한 인코딩(또는 압축)을 수행함으로써, 대응하는 불량 유형과 관련된 정보를 추출할 수 있다. 예를 들어, 오토-인코더(AE)는 입력 레이어(IL) 및 제1 및 제2 히든 레이어들(HL1, HL2)을 포함할 수 있다. 입력 레이어(IL)는 입력 뉴런들을 포함할 수 있고, 입력 뉴런들은 제1 기준 맵(RM1)으로부터 각각 대응하는 값을 수신할 수 있다. 입력 뉴런들 각각은 제1 히든 레이어(HL1)의 히든 뉴런들 각각과 연결된다. 이 때, 입력 레이어(IL) 및 제1 히든 레이어(HL1) 사이의 정보 전달 과정에서 각각의 뉴런들 사이에 가중치가 적용되고, 가중치에 따라 제1 기준 맵(RM1)의 정보가 인코딩(또는 압축)될 수 있다. 유사하게, 제1 히든 레이어(HL1) 및 제2 히든 레이어(HL2)의 뉴런들 사이의 정보 전달 과정에서 각각의 뉴런들 사이에 가중치가 적용될 수 있다. 최종적으로, 오토-인코더(AE)는 제1 기준 맵(RM1)에 대한 압축된 형태의 정보를 생성할 수 있다.
오토-디코더(AD)는 오토-인코더(AD)에 의해 생성된 제1 기준 맵(RM1)에 대한 압축된 형태의 정보를 디코딩할 수 있다. 예를 들어, 오토-디코더(AD)는 제2 및 제3 히든 레이어들(HL2, HL3) 및 출력 레이어(OL)를 포함할 수 있다. 앞서 설명된 바와 유사하게, 제2 및 제3 히든 레이어들(HL2, HL3) 사이의 히든 뉴런들 사이에 가중치가 적용되고, 제3 히든 레이어(HL3)의 히든 뉴런들 및 출력 레이어(OL)의 출력 뉴런들 사이에 가중치가 적용됨으로써, 최종적으로 제1 전-처리 기준 맵(PRM1)이 출력될 수 있다. 제1 전-처리 기준 맵(PRM1)은 제1 기준 맵(RM1)과 비교하여, 제1 불량 유형에 대한 정보를 제외한 나머지 정보들(즉, 제1 불량 유형에 대한 노이즈)이 제거된 형태를 가질 수 있다. 즉, 오토-인코더/디코더(141a)를 통해 제1 기준 맵(RM1)이 인코딩/디코딩됨으로써, 제1 불량 유형에 대한 노이즈가 제거될 수 있다. 또는, 오토-인코더/디코더(141a)를 통해 제1 기준 맵(RM1)이 인코딩/디코딩됨으로써, 제1 불량 유형과 연관된 특징이 추출될 수 있다.
예시적인 실시 예에서, 제1 오토-인코더/디코더(141a)에서 사용되는 가중치들은 비-지도 학습(un-supervised learning)을 통해 조절될 수 있다. 즉, 제1 오토-인코더/디코더(141a)가 제1 불량 유형으로 분류된 제1 기준 맵들(RM1)에 대한 오토-인코딩 및 오토-디코딩을 수행함으로써, 상술된 가중치들이 학습 또는 결정될 수 있다. 이에 따라, 제1 오토-인코더/디코더(131)는 입력된 기준 맵(즉, 제1 기준 맵(RM1))에 대하여 제1 불량 유형에 대한 노이즈를 제거하도록 구성될 수 있다.
비록 도면에 명확하게 도시되지는 않았으나, 도 5의 제1 오토-인코더/디코더(141a)의 히든 레이어들의 개수는 다양하게 변형될 수 있다. 또한, 입력 레이어(IL), 히든 레이어(HL), 및 출력 레이어(OL)에 포함된 뉴런들의 개수는 다양하게 변형될 수 있다. 또한, 도 3의 제2 내지 제n 오토-인코더/디코더들(141b~141n) 각각은 도 5의 제1 오토-인코더/디코더(141a)와 유사한 구조를 가질 수 있으며, 대응하는 불량 유형에 대한 노이즈를 제거하도록 학습될 수 있다.
예시적인 실시 예에서, 도 3 내지 도 5를 참조하여 오토-인코더/디코더가 설명되었으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 오토-인코더/디코더는 CAE(convolution autoencoder), VAE(variational autoencoder), GAN(Generative Adversarial Network) 등과 같은 특징 학습 모델로 대체될 수 있다.
도 6은 도 3의 전-처리 장치에 기반된 전-처리 동작(도 2의 S120 단계)을 예시적으로 보여주는 순서도이다. 도 2, 도 3, 및 도 6을 참조하면, S120 단계의 동작은 S121 단계 및 S122 단계의 동작들을 포함할 수 있다.
S121 단계에서, 데이터베이스 관리 장치(100)의 전-처리 장치(140-1)는 불량 유형을 기반으로 오토-인코더/디코더를 선택할 수 있다. 예를 들어, 도 3을 참조하여 설명된 바와 같이, 전-처리 장치(140-1)는 제1 내지 제n 오토-인코더/디코더들(141~14n)을 포함할 수 있다. 제1 내지 제n 오토-인코더/디코더들(141~14n) 각각은 서로 다른 불량 유형에 대응할 수 있다. 전-처리 장치(140)는 기준 맵(RM)의 불량 유형을 기반으로 대응하는 오토-인코더/디코더를 선택할 수 있다.
S122 단계에서, 데이터베이스 관리 장치(100)의 전-처리 장치(140-1)는 선택된 오토-인코더/디코더를 사용하여 노이즈 제거 동작(de-noising operation)을 수행할 수 있다. 예를 들어, 기준 맵(RM)이 제1 불량 유형으로 분류된 경우, 제1 불량 유형과 대응하는 제1 오토-인코더/디코더(141a)가 선택될 수 있고, 전-처리 장치(140-1)는 제1 오토-인코더/디코더(141)를 통해 기준 맵에 대한 노이즈 제거 동작을 수행할 수 있다. 이후에, 데이터베이스 관리 장치(100)는 S130 단계의 동작을 수행할 수 있다.
도 7은 도 3의 전-처리 장치를 예시적으로 보여주는 블록도이다. 도 8a 및 도 8b는 도 7의 전-처리 장치의 동작을 설명하기 위한 도면이다. 도 3, 도 7, 도 8a, 및 도 8b를 참조하면, 전-처리 장치(140-2)는 제1 내지 제n 오토-인코더/디코더들(141a~141n) 및 제1 내지 제n 임계 처리 모듈들(142a~142n)을 포함할 수 있다. 제1 내지 제n 오토 인코더/디코더들(141a~141n)은 도 3 내지 도 6을 참조하여 설명되었으므로, 이에 대한 상세할 설명은 생략된다.
제1 내지 제n 임계 처리 모듈들(142a~142n)은 제1 내지 제n 오토 인코더/디코더들(141a~141n)의 출력들에 대한 임계 처리 동작을 각각 수행할 수 있다. 예를 들어, 제1 임계 처리 모듈(142a)은 제1 오토-인코더/디코더(141a)로부터의 출력(즉, 제1 기준 맵(RM1)에서 제1 불량 유형에 대한 노이즈가 제거된 정보)에 대한 임계 처리 동작을 수행할 수 있다. 제2 임계 처리 모듈(142b)은 제2 오토-인코더/디코더(141b)로부터의 출력(즉, 제2 기준 맵(RM2)에서 제2 불량 유형에 대한 노이즈가 제거된 정보)에 대한 임계 처리 동작을 수행할 수 있다. 유사하게, 제n 임계 처리 모듈(142n)은 제n 오토-인코더/디코더(141n)로부터의 출력(즉, 제n 기준 맵(RMn)에서 제n 불량 유형에 대한 노이즈가 제거된 정보)에 대한 임계 처리 동작을 수행할 수 있다. 예시적인 실시 예에서, 임계 처리 동작은 입력 값이 임계치 이하인 경우, 미리 정해진 값을 출력하거나 또는 입력 값을 제거하는 동작을 가리킬 수 있다.
좀 더 상세한 예로서, 도 8a에 도시된 바와 같이, 제1 기준 맵들(RM1)은 작대기 불량을 포함할 수 있다. 제1 기준 맵들(RM1)은 제1 오토-인코더/디코더(141a)로 제공되고, 제1 오토-인코더/디코더(141a)는 제1 기준 맵들(RM1)에 대한 노이즈-제거 동작을 수행하여 노이즈가 제거된 제1 기준 맵들(RM1a)을 출력할 수 있다. 노이즈가 제거된 제1 기준 맵들(RM1a)은 제1 임계 처리 모듈(142a)로 제공되고, 제1 임계 처리 모듈(142a)은 임계 처리 동작을 수행하여, 제1 전-처리 기준 맵들(PRM1)을 출력할 수 있다.
도 8b에 도시된 바와 같이, 제2 기준 맵들(RM2)은 랜덤 불량을 포함할 수 있다. 제2 기준 맵들(RM2)은 제2 오토-인코더/디코더(141b)로 제공되고, 제2 오토-인코더/디코더(141b)는 제2 기준 맵들(RM2)에 대한 노이즈-제거 동작을 수행하여 노이즈가 제거된 제2 기준 맵들(RM2a)을 출력할 수 있다. 노이즈가 제거된 제2 기준 맵들(RM2a)은 제2 임계 처리 모듈(142b)로 제공되고, 제2 임계 처리 모듈(142b)은 임계 처리 동작을 수행하여, 제2 전-처리 기준 맵들(PRM2)을 출력할 수 있다.
도 8a 및 도 8b에 도시된 바와 같이, 제1 및 제2 오토-인코더/디코더들(141a, 141b)의 출력들은 대응하는 기준 맵들에서 대응하는 불량 유형들에 대한 노이즈가 제거된 정보이나, 다른 추가적인 노이즈를 포함할 수 있다. 이 경우, 제1 및 제2 임계 처리 모듈들(142a, 142b)은 제1 및 제2 오토-인코더/디코더들(141a, 141b)의 출력들에서, 대응하는 불량 유형에 대한 정보가 명확하게 표현되도록, 임계 처리 동작을 수행할 수 있다.
즉, 제1 및 제2 임계 처리 모듈들(142a, 142b)은 제1 및 제2 오토-인코더/디코더들(141a, 141b)로부터 출력된 노이즈가 제거된 제1 및 제2 기준 맵들(RM1', RM2')에서 임계치 이하의 값을 갖는 정보를 제거함으로써, 제1 및 기준 맵들(RM1, RM2)의 불량 유형들(즉, 작대기 불량 및 랜덤 불량)과 관련된 정보만 추출되도록, 임계 처리 동작을 수행할 수 있다. 따라서, 도 8a 및 도 8b에 도시된 제1 및 제2 전-처리 맵들(PRM1, PRM2)에서 볼 수 있는 바와 같이, 대응하는 불량 유형과 관련된 정보가 명확하게 표시될 수 있다.
상술된 바와 같이, 본 발명의 실시 예에 따른 데이터베이스 관리 장치(100)는 기준 맵들의 불량 유형들을 기반으로, 서로 다른 오토-인코더/디코더를 적용하여 노이즈 제거 동작을 수행함으로써, 기준 맵들에 포함된 대응하는 불량 유형에 대한 노이즈를 효과적으로 제거하여 전-처리 기준 맵들을 생성할 수 있다. 전-처리 기준 맵들은 대응하는 불량 유형에 대한 정보만 포함하기 때문에, 이후의 반도체 웨이퍼 불량 분석에서, 분량 분석의 정확성 및 신뢰성이 향상될 수 있다.
도 9는 도 3의 전-처리 장치를 예시적으로 보여주는 블록도이다. 도 10a 및 도 10b는 도 9의 제1 증가 모듈의 동작을 설명하기 위한 도면들이다. 도 9를 참조하면, 전-처리 장치(140-3)는 제1 내지 제n 증가 모듈들(143a~143n)(augmenting module)을 포함할 수 있다. 제1 내지 제n 증가 모듈들(143a~143n)은 각각 제1 내지 제n 기준 맵들(RM1~RMn)을 증가 또는 확장시킬 수 있다. 예시적인 실시 예에서, 기준 맵(RM)을 증가 또는 확장하는 것은 하나의 기준 맵을 기반으로 복수 개의 다른 기준 맵들(단, 불량 유형은 동일함.)을 더 생성하는 것을 가리킬 수 있다.
예를 들어, 제1 증가 모듈(143a)은 제1 기준 맵(RM1)의 불량 유형을 기반으로 특정 파라미터를 설정하고, 특정 파라미터를 기반으로 제1 기준 맵(RM1)을 증가 또는 확장시켜 복수의 제1 전-처리 맵들(PRM1)을 생성할 수 있다. 좀 더 상세한 예로서, 도 10a에 도시된 바와 같이, 반도체 웨이퍼에서 다양한 불량 유형들이 발생할 수 있다. 예를 들어, 도 10a의 제1 불량 유형(FT1)은 작대기 불량을 가리킬 수 있고, 제2 불량 유형(FT2)은 도넛 불량을 가리킬 수 있고, 제3 불량 유형(FT3)은 링 불량을 가리킬 수 있고, 제4 불량 유형(FT4)은 반복 불량을 가리킬 수 있고, 제5 불량 유형(FT5)은 매크로 불량을 가리킬 수 있다. 비록 도 10a에서 5개의 불량 유형들이 도시되어 있으나, 본 발명의 범위가 이에 한정되는 것은 아니며, 반도체 웨이퍼 상에서 발생하는 불량 유형들은 도 10a에 도시된 것 보다 많을 수 있다.
제1 내지 제5 불량 유형들(FT1~FT5)은 서로 다른 패턴으로 발생할 수 있다. 예를 들어, 제1 내지 제5 불량 유형들(FT1~FT5)의 발생 패턴은 표 1과 같을 수 있다.
불량 유형 명칭 특성 파라미터
제1 불량 유형(FT1) 작대기 불량(Linear Fault) 회전 각도 변화 각도
제2 불량 유형(FT2) 도넛 불량( 발생 면적 변화 크기, 비율
제3 불량 유형(FT3) 링 불량 발생 면적 변화 크기, 비율
제4 불량 유형(FT4) 반복 불량 동일 위치 반복 순서
제5 불량 유형(FT5) 매크로 불량 발생 위치 변화 거리
표 1에 기재된 바와 같이, 제1 불량 유형(FT1)은 반도체 웨이퍼 상에서 회전하는 형태로 발생할 수 있다. 이 경우, 제1 불량 유형(FT1)에 대한 제1 기준 맵들(RM1) 중 어느 하나를 특정 단위의 각도로 회전시킬 경우, 회전된 맵과 제1 기준 맵들(RM1)이 일치하거나 또는 유사해 질 수 있다. 즉, 제1 기준 맵들(RM1) 각각을 특정 단위의 각도(즉, 파라미터)로 회전시킴으로써, 복수의 제1 전-처리 기준 맵들(PRM1)이 생성될 수 있다. 좀 더 상세한 예로서, 도 10b에 도시된 바와 같이, 제1 불량 유형(FT1)(즉, 작대기 불량)을 포함하는 제1 기준 맵(RM1)이 약 22.5도씩 회전됨으로써, 복수의 제1 전-처리 기준 맵들(PRM1)이 생성될 수 있다. 이 때, 제1 전-처리 기준 맵들(PRM1) 각각은 제1 불량 유형(FT1)으로 분류된 다른 기준 맵들 중 적어도 하나와 일치하거나 또는 유사할 수 있다. 생성된 복수의 제1 전-처리 기준 맵들(PRM1)은 제2 레이블(LB2)에 저장되고, 이후의 반도체 웨이퍼 불량 분석 동작에서 사용될 수 있다.
동일한 불량 유형이더라도, 불량 유형의 특성에 따라 기준 맵들의 정보 또는 형태가 달라질 수 있다. 이 경우, 기준 맵들이 충분하지 않은 경우, 반도체 웨이퍼 불량 분석 동작의 정확성 및 신뢰성이 저하될 수 있다.
반면에, 본 발명의 실시 예에 따르면, 기준 맵들의 불량 유형에 따라 대응하는 파라미터를 설정하고, 설정된 파라미터를 기반으로 기준 맵들을 증가 또는 확장시킴으로써, 동일한 불량 유형에 대한 다양한 형태의 기준 맵들이 생성될 수 있다. 다시 말해서, 본 발명의 실시 예들은 제한된 개수의 기준 맵들의 불량 유형에 따라 기준 맵들을 증가 또는 확장함으로써, 이후의 반도체 웨이퍼 불량 분석의 정확성 및 신뢰성을 향상시킬 수 있다.
도 11은 도 9의 전-처리 장치의 동작에 따른 데이터베이스 관리 장치의 동작을 예시적으로 보여주는 순서도이다. 도 1, 도 2, 도 9, 및 도 11을 참조하면, S120 단계의 동작은 S126 단계, S127 단계, 및 S128 단계의 동작들을 포함할 수 있다.
S126 단계에서, 데이터베이스 관리 장치(100)의 전-처리 장치(140-3)는 불량 유형을 기반으로 증가 모듈을 선택할 수 있다. 예를 들어, 도 9를 참조하여 설명된 바와 같이, 전-처리 장치(140-2)는 제1 내지 제n 증가 모듈들(143a~143n)을 포함할 수 있고, 제1 내지 제n 증가 모듈들(143a~143n) 각각은 서로 다른 불량 유형에 대한 기준 맵들을 확장하도록 구성될 수 있다. 다시 말해서, 제1 내지 제n 증가 모듈들(143a~143n) 각각은 불량 유형에 기반된 서로 다른 파라미터들을 기반으로 기준 맵들을 확장하도록 구성될 수 있다. 전-처리 장치(140-2)는 기준 맵의 불량 유형을 기반으로 대응하는 증가 모듈을 선택할 수 있다.
S127 단계에서, 전-처리 장치(140-3)는 파라미터의 단위를 결정할 수 있다. 다시 말해서, 전-처리 장치(140")는 기준 맵을 확장하기 위해 사용되는 파라미터의 최소 단위를 결정할 수 있다. 예를 들어, 도 10b를 참조하여 설명된 바와 같이, 불량 유형이 작대기 불량인 경우, 전-처리 장치(140-3)는 확장된 기준 맵들이 기존의 맵들과 일치하는 정도를 기반으로 파라미터의 최소 단위를 결정할 수 있다.
S128 단계에서, 전-처리 장치(140-3)는 결정된 파라미터의 최소 단위를 기반으로, 기준 맵을 증가 또는 확장하여 복수의 기준 맵들을 생성할 수 있다. 예시적인 실시 예에서, 복수의 기준 맵들은 전-처리 기준 맵들일 수 있으며, 복수의 기준 맵들은 하나의 기준 맵으로부터 확장된 정보 또는 데이터일 수 있다. 이후에, S130 단계에서, 데이터베이스 관리 장치(100)는 복수의 기준 맵들을 기반으로 데이터베이스를 업데이트할 수 있다.
도 12는 도 2의 전-처리 장치를 예시적으로 보여주는 블록도이다. 도 2 및 도 12를 참조하면, 전-처리 장치(140-4)는 제1 내지 제n 오토-인코더/디코더들(141a~141n) 및 제1 내지 제n 증가 모듈들(143a~143n)을 포함할 수 있다. 제1 내지 제n 오토-인코더/디코더들(141a~141n) 및 제1 내지 제n 증가 모듈들(143a~143n) 각각은 앞서 설명되었으므로, 이에 대한 상세한 설명은 생략된다.
앞서 설명된 바와 유사하게, 제1 내지 제n 오토-인코더/디코더들(141a~141n)은 제1 레이블(LB1)에 저장된 제1 내지 제n 기준 맵들(RM1~RMn) 각각의 불량 유형을 기반으로 제1 내지 제n 오토-인코더/디코더들(141a~141n)에 대한 노이즈 제거 동작을 수행할 수 있다. 제1 내지 제n 증가 모듈들(143a~143n) 각각은 대응하는 불량 유형에 따라 제1 내지 제n 오토-인코더/디코더들(141a~141n)의 출력들 각각의 정보를 증가 또는 확장시켜 복수의 제1 내지 제n 전-처리 기준 맵들(PRM1~PRMn)을 생성할 수 있다. 생성된 복수의 제1 내지 제n 전-처리 기준 맵들(PRM1~PRMn)은 제2 레이블(LB2)에 저장될 수 있다.
즉, 도 12의 전-처리 장치(140-4)에 의해 생성된 전-처리 기준 맵들(PRIM1~PRIMn) 각각은 기준 맵들(RM1~RMn) 각각에서 대응하는 불량 유형에 대한 노이즈를 제거하고, 노이즈가 제거된 기준 맵을 대응하는 불량 유형에 대한 파라미터를 기반으로 복수의 기준 맵들로 증가 또는 확장시킴으로써 생성될 수 있다.
상술된 바와 같이, 본 발명의 실시 예에 따른 데이터베이스 관리 장치(100)는 기준 맵들에 대한 전-처리 동작을 수행함으로써, 기준 맵들의 정확성 및 신뢰성을 향상시킬 수 있다. 예를 들어, 전-처리 동작은 기준 맵들 각각의 불량 유형에 기반된 노이즈 제거 동작(이 때, 노이즈 제거 동작은 불량 유형에 따라 서로 다른 오토-인코더/디코더에 의해 수행됨.) 또는 각각의 불량 유형에 기반된 기준 맵 증가(또는 확장) 동작, 또는 그것들의 조합을 포함할 수 있다. 즉, 기준 맵의 불량 유형에 따라 서로 다른 노이즈 제거 동작 또는 기준 맵 증가(또는 확장) 동작이 수행됨으로써, 전-처리 기준 맵들의 정확성 및 신뢰성이 향상될 수 있다. 예시적인 실시 예에서, 기준 맵들 또는 전-처리 기준 맵들의 정확성 및 신뢰성이 증가하는 것은 기준 맵들 또는 전-처리 기준 맵들을 사용한 반도체 웨이퍼 불량 분석의 정확성 및 신뢰성이 증가하는 것을 가리킬 수 있다.
도 13은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템을 예시적으로 보여주는 블록도이다. 도 13을 참조하면, 반도체 웨이퍼 불량 분석 시스템(1000)은 제조 장치(1100), 측정 장치(1200), 불량 유형 분석 장치(1300), 데이터베이스(1400), 및 제조 장치 제어기(1500)를 포함할 수 있다.
제조 장치(1100)는 다양한 공정 과정을 수행하여 반도체 웨이퍼(WF)를 제조할 수 있다. 예를 들어, 제조 장치(1100)는 반도체 웨이퍼(WF)에 대한 식각, 증착, 평탄화 등과 같은 다양한 공정들을 수행함으로써, 다양한 반도체 패턴을 갖는 반도체 웨이퍼(WF)를 생성할 수 있다.
측정 장치(1200)는 제조 장치(1100)에 의해 생성된 반도체 웨이퍼(WF)에 대한 다양한 테스트 동작들을 수행하여, 반도체 웨이퍼(WF)에 대한 맵(이하에서, 설명의 편의를 위하여 "타겟 맵(TM; target map)이라 칭함.)을 생성할 수 있다. 생성된 타겟 맵(TM)에 대한 정보는 불량 유형 분석 장치(1400)로 제공될 수 있다.
불량 유형 분석 장치(1300)는 타겟 맵(TM)이 불량인지 판별할 수 있다. 예시적인 실시 예에서, 타겟 맵(TM)이 불량인 것은 타겟 맵(TM)과 대응되는 반도체 웨이퍼(WF)가 불량인 것을 가리킬 수 있다.
타겟 맵(TM)이 불량인 경우, 불량 유형 분석 장치(1300)는 데이터베이스(1300)의 제1 레이블(LB1)에 저장된 복수의 기준 맵들(RM) 또는 데이터베이스(1300)의 제2 레이블(LB2)에 저장된 복수의 전-처리 기준 맵들(PRM)을 기반으로 타겟 맵(TM)의 불량 유형을 분류할 수 있다.
예를 들어, 불량 유형 분석 장치(1300)는 타겟 맵(TM)과 복수의 기준 맵(RM) 또는 복수의 전-처리 기준 맵들(PRM)에 대한 픽셀 단위 또는 비트 단위의 비교 동작을 통해 타겟 맵(TM)과 일치하는 또는 유사한 기준 맵 또는 전-처리 기준 맵을 선택하고, 타겟 맵(TM)의 불량 유형을 선택된 기준 맵 또는 전-처리 기준 맵에 대응하는 불량 유형인 것으로 판별할 수 있다.
예시적인 실시 예에서, 데이터베이스(1300)의 제2 레이블(LB2)에 포함된 전-처리 기준 맵들(PRM)은 도 1 내지 도 12를 참조하여 설명된 전-처리 장치들(140, 140-1, 140-2, 140-3, 140-4) 중 어느 하나에 의해 생성된 데이터일 수 있다. 즉, 불량 유형 분석 장치(1400)가 도 1 내지 도 12를 참조하여 설명된 전-처리 기준 맵들(PRM)을 사용하여, 타겟 맵(TM)에 대한 불량 분석 동작을 수행함으로써, 불량 분석 동작의 신뢰성 및 정확성이 향상될 수 있다.
불량 유형 분석 장치(1400)는 타겟 맵(TM)에 대하여 분류된 불량 유형 정보(FTI; information on fault type)를 제조 장치 제어기(1500)로 제공할 수 있다.
제조 장치 제어기(1500)는 불량 유형 분석 장치(1400)로부터 제공된 불량 유형 정보(FTI)를 기반으로 제조 장치(1100)를 제어할 수 있다. 예를 들어, 제조 장치 제어기(1500)는 불량 유형 분석 장치(1400)로부터 제공된 불량 유형 정보(FTI)를 기반으로 제조 장치(110)를 제어함으로써, 불량 유형 정보(FTI)와 대응되는 불량 원인을 제거할 수 있다.
상술된 바와 같이, 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템은 기준 맵들(RM) 및 전-처리 기준 맵(PRM)을 사용하여, 타겟 맵(TM)에 대한 불량 분석 동작을 수행할 수 있다. 즉, 다양한 요인으로 인하여 기준 맵들(RM)이 충분하지 않거나 또는 기준 맵들(RM)의 신뢰성이 다소 낮은 경우에도, 기준 맵들(RM)에 대한 전-처리 동작을 통해 전-처리 기준 맵들(PRM)이 생성되기 때문에, 반도체 웨이퍼 불량 분석 동작에 대한 정확성 및 신뢰성이 향상될 수 있다.
도 14는 도 13의 불량 유형 분석 장치를 예시적으로 보여주는 블록도이다. 도 15는 도 14의 불량 유형 분석 장치의 동작을 예시적으로 보여주는 순서도이다. 도 13 내지 도 15를 참조하면, 불량 유형 분석 장치(1300)는 선형 분류 모델(1310) 및 오토-인토딩/디코딩 분류 모델(1320)을 포함할 수 있다. 불량 유형 분석 장치(1300)는 측정 장치(1200)로부터 측정된 타겟 맵(TM)에 대하여, 순차적인 방식으로 불량 유형 분석을 수행할 수 있다.
예를 들어, 도 15의 S1100 단계에서, 불량 유형 분석 장치(1300)는 측정 장치(1200)로부터 타겟 맵(TM)을 수신할 수 있다.
S1200 단계에서, 불향 유형 분석 장치(1300)는 기준 맵들(RM)을 사용하여 타겟 맵(TM)에 대한 제1 분석을 수행할 수 있다. 예를 들어, 도 14에 도시된 바와 같이, 불량 유형 분석 장치(1300)의 선형 분류 모델(1310)은 타겟 맵(TM)을 수신하고, 수신된 타겟 맵(TM)과 데이터베이스(1400)의 제1 레이블(LB1)의 기준 맵들(RM)에 대한 비교 동작(예를 들어, 픽셀 단위의 비교 동작)을 통해, 수신된 타겟 맵(TM)에 대한 불량 유형을 판별할 수 있다. 즉, 타겟 맵(TM)에 대한 제1 분석은 기준 맵(RM)(다시 말해서, 전-처리되지 않은 기준 맵)을 사용하여 수행될 수 있다.
S1300 단계에서, 불량 유형 분석 장치(1300)는 제1 분석(즉, 선형 분류 모델(1310)에 의한 불량 유형 분류)의 결과가 언-노운(unknown)인지 판별할 수 있다. 즉, 불량 유형 분석 장치(1300)는 제1 분석을 통해 타겟 맵(TM)의 불량 유형이 분류되었는지 판별할 수 있다.
제1 분석을 통해 타겟 맵(TM)의 불량 유형이 분류되지 않은 경우, S1400 단계에서, 불량 유형 분석 장치(1300)는 전-처리 기준 맵들(PRM)을 사용하여 제2 분석을 수행할 수 있다. 예를 들어, 도 14에 도시된 바와 같이, 불량 유형 분석 장치(1300)의 선형 분류 모델(1310)에 의해 타겟 맵(TM)에 대한 불량 유형이 분류되지 않은 경우(즉, Unknown), 불량 유형 분석 장치(1300)의 오토-인코딩/디코딩 분류 모델(1320)에서 제2 분석이 수행될 수 있다.
오토-인코딩/디코딩 분류 모델(1320)은 데이터베이스(1400)의 제2 레이블(LB2)에 저장된 전-처리 기준 맵들(PRM)을 사용하여 타겟 맵(TM)의 불량 유형을 판별할 수 있다. 예를 들어, 오토-인코딩/디코딩 분류 모델(1320)은 타겟 맵(TM)과 데이터베이스(1400)의 제2 레이블(LB2)에 저장된 전-처리 기준 맵들(PRM)에 대한 비교 동작(예를 들어, 픽셀 단위의 비교 동작)을 통해, 수신된 타겟 맵(TM)에 대한 불량 유형을 판별할 수 있다. 즉, 타겟 맵(TM)에 대한 제2 분석은 전-처리 기준 맵(PRM)(다시 말해서, 대응하는 불량 유형에 대한 노이즈가 제거되거나 또는 확장 또는 증가된 기준 맵들))을 사용하여 수행될 수 있다. 이후에, S1500 단계에서, 불량 유형 분석 장치(1000)는 분석 결과를 불량 유형 정보(FTI)로서 출력할 수 있다.
예시적인 실시 예에서, 오토-인코딩/디코딩 분류 모델(1320)에 의해 수행되는 제2 분석은 선형 분류 모델(1310)에 의해 수행되는 제1 분석보다 높은 신뢰성을 가질 수 있다. 앞서 설명된 바와 같이, 전-처리 기준 맵들(PRM)은 대응하는 불량 유형에 대한 노이즈가 제거된 정보이거나 또는 대응하는 불량 유형에 대한 파라미터를 기반으로 증가 또는 확장된 정보이다. 즉, 전-처리 기준 맵들(PRM)은 대응하는 불량 유형에 대한 정보만 포함하기 때문에, 분석 동작의 신뢰성이 향상될 수 있다.
도 16은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템을 예시적으로 보여주는 블록도이다. 도 16을 참조하면, 반도체 불량 분석 시스템(2000)은 제조 장치(2100), 측정 장치(2200), 불량 유형 분석 장치(2300), 데이터베이스(2400), 제조 장치 제어기(2500), 및 전-처리 장치(2600)를 포함할 수 있다. 제조 장치(2100), 측정 장치(2200), 불량 유형 분석 장치(2300), 데이터베이스(2400), 및 제조 장치 제어기(2500)는 도 13 내지 도 15를 참조하여 설명되었으므로, 이에 대한 상세한 설명은 생략된다.
도 16의 반도체 웨이퍼 불량 분석 시스템(2000)은 도 13의 반도체 웨이퍼 불량 분석 시스템(1000과 비교하여, 전-처리 장치(2600)를 더 포함할 수 있다. 전-처리 장치(2600)는 도 1 내지 도 12를 참조하여 설명된 전-처리 장치들(140, 140-1, 140-2, 140-3, 140-4) 중 적어도 하나일 수 있다.
예를 들어, 전-처리 장치(2600)는 불량 유형 분석 장치(2300)에 의해 분류된 타겟 맵(TM)의 불량 유형 정보(FTI)를 기반으로 타겟 맵(TM)에 대한 전-처리 동작을 수행하고, 전-처리된 정보(PRM')를 제2 레이블(LB2)에 저장함으로써, 데이터베이스(2400)를 업데이트할 수 있다.
예시적인 실시 예에서, 상술된 불량 분석 동작 및 데이터베이스(2400)의 업데이트 동작이 반복 수행됨으로써, 데이터베이스(2400)의 제1 레이블(LB1) 및 제2 레이블(LB2)의 정확성 및 신뢰성이 향상될 수 있다.
도 17은 본 발명의 실시 예에 따른 반도체 웨이퍼 불량 분석 시스템을 예시적으로 보여주는 블록도이다. 도 17을 참조하면, 반도체 웨이퍼 불량 분석 시스템(3000)은 제조 장치(3100), 측정 장치(3200), 불량 유형 분석 장치(3300), 데이터베이스(3400), 및 제조 장치 제어기(3500)를 포함할 수 있다. 제조 장치(3100), 측정 장치(3200), 및 제조 장치 제어기(3500)는 앞서 설명되었으므로, 이에 대한 상세한 설명은 생략된다.
불량 유형 분석 장치(3300)는 전-처리 장치(3310) 및 분류 모델(3320)을 포함할 수 있다. 예시적인 실시 예에서, 전-처리 장치(3310)는 도 1 내지 도 12를 참조하여 설명된 전-처리 장치들(140, 140-1, 140-2, 140-3, 140-4) 중 적어도 하나일 수 있다. 즉, 전-처리 장치(3310)는 데이터베이스(3400)의 제1 레이블(LB1)의 기준 맵들(RM) 각각의 불량 유형에 따라 다른 방식의 전-처리 동작(예를 들어, 도 1 내지 도 12를 참조하여 설명된 노이즈 제거 동작, 또는 맵 증가 또는 확장 동작)을 수행하여 전-처리 기준 맵들(PRM)을 생성할 수 있다.
분류 모델(3320)은 전-처리 장치(3310)로부터의 전-처리 기준 맵들(PRM)을 사용하여 타겟 맵(TM)에 대한 분석을 수행할 수 있다. 예시적인 실시 예에서, 분류 모델(3320)은 도 14를 참조하여 설명된 오토-인코딩/디코딩 분류 모델(1320)과 유사한 방식으로 타겟 맵(TM)에 대한 분석을 수행할 수 있다. 또는, 분류 모델(3320)은 도 14의 선형 분류 모델(1310)과 유사한 방식으로 기준 맵들(RM)을 사용하여 타겟 맵(TM)에 대한 분석을 수행할 수 있다.
예시적인 실시 예에서, 분류 모델(3320)은 오토-인코딩 분류 모델을 기반으로 타겟 맵(TM)에 대한 분석 동작을 수행할 수 있다. 예를 들어, 오토-인코딩 분류 모델은 도 5를 참조하여 설명된 오토-인코더(AE)에 의해 생성된 압축된 정보(다시 말해서, 도 5의 제2 히든 레이어(HL2)의 정보)와 타겟 맵(TM)을 비교함으로써, 타겟 맵(TM)에 대한 불량 유형을 분류할 수 있다.
예시적인 실시 예에서, 특정 불량 유형으로 분류된 타겟 맵(TM)은 특정 불량 유형에 대한 정보와 함께 데이터베이스(3400)의 제1 레이블(LB1)에 추가적으로 저장될 수 있다.
상술된 본 발명의 실시 예들에 따르면, 기준 맵들 각각의 불량 유형에 따라, 서로 다른 전-처리 동작이 수행됨으로써, 반도체 웨이퍼 불량 분석 동작을 수행하는데 요구되는 데이터베이스의 정확성 및 신뢰성이 향상될 수 있다. 즉, 특정한 요인에 따라, 반도체 웨이퍼 불량 분석을 위한 데이터베이스에 포함된 기준 맵들이 충분하지 않거나 또는 기준 맵들의 정확도가 낮은 경우에도, 본 발명의 실시 예들에 따른 전-처리 동작을 통해, 데이터베이스의 신뢰성 및 정확도를 향상시킬 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.

Claims (20)

  1. 제1 불량 유형으로 분류된 제1 기준 맵 및 제2 불량 유형으로 분류된 제2 기준 맵을 저장하도록 구성된 데이터베이스;
    상기 제1 기준 맵에서 상기 제1 불량 유형에 대한 노이즈를 제거하여 제1 전-처리 기준 맵을 생성하도록 구성된 제1 오토-인코더/디코더;
    상기 제2 기준 맵에서 상기 제2 불량 유형에 대한 노이즈를 제거하여 제2 전-처리 기준 맵을 생성하도록 구성된 제2 오토-인코더/디코더; 및
    불량 유형 분석 장치를 포함하고,
    상기 데이터베이스는 상기 제1 및 제2 전-처리 기준 맵들을 기반으로 업데이트되고, 상기 불량 유형 분석 장치는 상기 업데이트된 데이터베이스를 기반으로 타겟 웨이퍼로부터 측정된 타겟 맵의 불량 유형을 분류하도록 구성된 반도체 웨이퍼 불량 분석 시스템.
  2. 제 1 항에 있어서,
    상기 제1 불량 유형을 기반으로 상기 제1 전-처리 기준 맵에 대한 임계 처리 동작을 수행하여 제1 임계-처리 기준 맵을 생성하도록 구성된 제1 임계-처리 모듈; 및
    상기 제2 불량 유형을 기반으로 상기 제2 전-처리 기준 맵에 대한 임계 처리 동작을 수행하여 제2 임계-처리 기준 맵을 생성하도록 구성된 제2 임계-처리 모듈을 더 포함하고,
    상기 데이터베이스는 상기 제1 및 제2 전-처리 기준 맵들을 기반으로 생성된 상기 제1 및 제2 임계-처리 맵들을 이용하여 업데이트되는 반도체 웨이퍼 불량 분석 시스템.
  3. 제 1 항에 있어서,
    상기 제1 불량 유형과 대응하는 제1 파라미터를 기반으로 상기 제1 전-처리 기준 맵을 증가시켜 복수의 제1 증가된 기준 맵들을 생성하도록 구성된 제1 증가 모듈; 및
    상기 제2 불량 유형과 대응하는 제2 파라미터를 기반으로 상기 제2 전-처리 기준 맵을 증가시켜 복수의 제2 증가된 기준 맵들을 생성하도록 구성된 제2 증가 모듈을 더 포함하고,
    상기 데이터베이스는 상기 제1 및 제2 전-처리 기준 맵들을 기반으로 생성된 상기 복수의 제1 증가된 기준 맵들 및 상기 복수의 제2 증가된 기준 맵들을 이용하여 업데이트되는 반도체 웨이퍼 불량 분석 시스템.
  4. 제 3 항에 있어서,
    상기 제1 및 제2 파라미터들은 서로 다른 특성을 갖는 반도체 웨이퍼 불량 분석 시스템.
  5. 제 1 항에 있어서,
    상가 타겟 웨이퍼로부터 상기 타겟 맵을 측정하도록 구성된 측정 장치를 더 포함하는 반도체 웨이퍼 불량 분석 시스템.
  6. 제 1 항에 있어서,
    상기 불량 유형 분석 장치는:
    상기 타겟 맵을 상기 업데이트된 데이터베이스의 상기 제1 기준 맵 및 상기 제2 기준 맵과 비교하여 상기 타겟 맵의 상기 불량 유형을 분류하도록 구성된 선형 분류 모델; 및
    상기 타겟 맵의 상기 불량 유형이 상기 선형 분류 모델에 의해 분류되지 않은 경우, 상기 타겟 맵을 상기 업데이트된 데이터베이스의 상기 제1 전-처리 기준 맵 및 상기 제2 전-처리 기준 맵과 비교하여 상기 타겟 맵의 상기 불량 유형을 분류하도록 구성된 오토-인코딩/디코딩 분류 모델을 포함하는 반도체 웨이퍼 불량 분석 시스템.
  7. 제 1 항에 있어서,
    상기 제1 오토-인코더/디코더는:
    상기 제1 기준 맵을 수신하여 상기 제1 기준 맵을 인코딩하도록 구성된 제1 오토-인코더; 및
    상기 제1 오토-인코더에 의해 상기 인코딩된 제1 기준 맵을 디코딩하여 상기 제1 전-처리 기준 맵을 출력하도록 구성된 제1 오토-디코더를 포함하고,
    상기 제2 오토-인코더/디코더는:
    상기 제2 기준 맵을 수신하여 상기 제2 기준 맵을 인코딩하도록 구성된 제2 오토-인코더; 및
    상기 제2 오토-인코더에 의해 상기 인코딩된 제2 기준 맵을 디코딩하여 상기 제2 전-처리 기준 맵을 출력하도록 구성된 제2 오토-디코더를 포함하는 반도체 웨이퍼 불량 분석 시스템.
  8. 제 7 항에 있어서,
    상기 제1 오토-인코더 및 상기 제1 오토-디코더는 상기 제1 불량 유형으로 분류된 제1 추가 기준 맵들에 의해 비-지도 학습(un-supervised learning)되도록 더 구성되고,
    상기 제2 오토-인코더 및 상기 제2 오토-디코더는 상기 제2 불량 유형으로 분류된 제2 추가 기준 맵들에 의해 비-지도 학습되도록 더 구성되는 반도체 웨이퍼 불량 분석 시스템.
  9. 제 1 항에 있어서,
    상기 불량 유형 분석 장치에 의해 상기 타겟 맵의 상기 불량 유형이 분류된 경우, 상기 타겟 맵은 상기 분류된 불량 유형에 대응하는 제3 기준 맵으로서 상기 업데이트된 데이터베이스에 저장되고,
    상기 제1 오토-인코더/디코더 및 상기 제2 오토-인코더/디코더 중 상기 분류된 불량 유형에 대응하는 하나는 상기 제3 기준 맵에서 상기 분류된 불량 유형에 대한 노이즈를 제거하여 제3 전-처리 기준 맵을 생성하도록 더 구성되는 반도체 웨이퍼 불량 분석 시스템.
  10. 제 1 항에 있어서,
    상기 타겟 맵에 대하여 상기 분류된 불량 유형에 대한 정보는 외부 제조 장치 제어기로 제공되는 반도체 웨이퍼 불량 분석 시스템.
  11. 제1 불량 유형으로 분류된 제1 기준 맵 및 제2 불량 유형으로 분류된 제2 기준 맵을 포함하는 데이터베이스;
    타겟 반도체 웨이퍼로부터 타겟 맵을 측정하도록 구성된 측정 장치; 및
    상기 데이터베이스의 상기 제1 기준 맵 및 상기 제2 기준 맵을 기반으로 상기 측정된 타겟 맵의 불량 유형을 분류하도록 구성된 불량 유형 분석 장치를 포함하고,
    상기 불량 유형 분석 장치는:
    상기 제1 불량 유형에 대한 정보를 이용하여 상기 제1 기준 맵에 대한 제1 전-처리 동작을 수행하여 하나 또는 그 이상의 제1 전-처리 기준 맵들을 생성하고, 상기 제2 불량 유형에 대한 정보를 이용하여 상기 제2 기준 맵에 대한 제2 전-처리 동작을 수행하여 하나 또는 그 이상의 제2 전-처리 기준 맵들을 생성하도록 구성된 전-처리 장치; 및
    상기 타겟 맵과 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들 및 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 각각 비교하여 상기 타겟 맵의 상기 불량 유형을 분류하도록 구성된 분류 모델을 포함하는 반도체 웨이퍼 불량 분석 시스템.
  12. 제 11 항에 있어서,
    상기 전-처리 장치는:
    상기 제1 기준 맵에 대하여 상기 제1 전-처리 동작을 수행함으로써, 상기 제1 기준 맵에서 상기 제1 불량 유형에 대한 노이즈를 제거하여 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들을 생성하도록 구성된 제1 오토-인코더/디코더; 및
    상기 제2 기준 맵에 대하여 상기 제2 전-처리 동작을 수행함으로써, 상기 제2 기준 맵에서 상기 제2 불량 유형에 대한 노이즈를 제거하여 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 생성하도록 구성된 제2 오토-인코더/디코더를 포함하는 반도체 웨이퍼 불량 분석 시스템.
  13. 제 11 항에 있어서,
    상기 전-처리 장치는:
    상기 제1 기준 맵에서 상기 제1 불량 유형에 대한 노이즈를 제거하도록 구성된 제1 오토-인코더/디코더;
    상기 제1 불량 유형에 대한 정보를 이용하여, 상기 제1 오토-인코더/디코더의 출력에 대한 제1 임계-처리 동작을 수행하여 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들을 출력하도록 구성된 제1 임계 처리 모듈;
    상기 제2 기준 맵에서 상기 제2 불량 유형에 대한 노이즈를 제거하도록 구성된 제2 오토-인코더/디코더; 및
    상기 제2 불량 유형에 대한 정보를 이용하여, 상기 제2 오토-인코더/디코더의 출력에 대한 제2 임계-처리 동작을 수행하여 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 출력하도록 구성된 제2 임계 처리 모듈을 포함하는 반도체 웨이퍼 불량 분석 시스템.
  14. 제 11 항에 있어서,
    상기 전-처리 장치는:
    상기 제1 불량 유형에 대응하는 제1 파라미터를 이용하여 상기 제1 기준 맵을 확장하여 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들을 생성하도록 구성된 제1 증가 모듈; 및
    상기 제2 불량 유형에 대응하는 제2 파라미터를 이용하여 상기 제2 기준 맵을 확장하여 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 생성하도록 구성된 제2 증가 모듈을 포함하는 반도체 웨이퍼 불량 분석 시스템.
  15. 제 11 항에 있어서,
    상기 데이터베이스는 상기 타겟 맵 및 상기 타겟 맵의 상기 분류된 불량 유형에 대한 정보를 기반으로 업데이트되는 불량 분석 시스템.
  16. 반도체 웨이퍼 불량 분석 시스템의 동작 방법에 있어서,
    제1 불량 유형으로 분류된 제1 기준 맵에 대하여, 상기 제1 불량 유형에 기반된 제1 전-처리 동작을 수행하여 하나 또는 그 이상의 제1 전-처리 기준 맵들을 생성하는 단계;
    제2 불량 유형으로 분류된 제2 기준 맵에 대하여, 상기 제2 불량 유형에 기반된 제2 전-처리 동작을 수행하여 하나 또는 그 이상의 제2 전-처리 기준 맵들을 생성하는 단계;
    타겟 반도체 웨이퍼로부터 타겟 맵을 측정하는 단계;
    상기 제1 기준 맵, 상기 제2 기준 맵, 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들, 및 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 기반으로 상기 타겟 맵의 불량 유형을 분류하는 단계; 및
    상기 분류된 불량 유형에 대한 정보를 출력하는 단계를 포함하고,
    상기 제1 전-처리 동작은 제1 오토-인코더/디코더에 의해 수행되고, 상기 제2 전-처리 동작은 상기 제1 오토-인코더/디코더와 다른 제2 오토-인코더-디코더에 의해 수행되는 동작 방법.
  17. 제 16 항에 있어서,
    상기 제1 오토-인코더/디코더는 상기 제1 불량 유형으로 분류된 제1 추가 기준 맵들에 의해 비-지도 학습되고,
    상기 제1 전-처리 동작은, 상기 제1 오토-인코더/디코더에 의해, 상기 제1 기준 맵에서 상기 제1 불량 유형에 대한 노이즈가 제거되는 동작을 포함하고,
    상기 제2 오토-인코더/디코더는 상기 제2 불량 유형으로 분류된 제2 추가 기준 맵들에 의해 비-지도 학습되고,
    상기 제2 전-처리 동작은, 상기 제2 오토-인코더/디코더에 의해 상기 제2 기준 맵에서 상기 제2 불량 유형에 대한 노이즈가 제거되는 동작을 포함하는 동작 방법.
  18. 제 17 항에 있어서,
    상기 제1 전-처리 동작은 상기 제1 불량 유형에 대응하는 제1 파라미터를 기반으로, 상기 제1 오토-인코더/디코더의 출력을 확장하여 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들을 생성하는 동작을 더 포함하고,
    상기 제2 전-처리 동작은 상기 제2 불량 유형에 대응하는 제2 파라미터를 기반으로, 상기 제2 오토-인코더/디코더의 출력을 확장하여 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들을 생성하는 동작을 더 포함하는 동작 방법.
  19. 제 16 항에 있어서,
    상기 타겟 맵의 상기 불량 유형이 상기 제1 불량 유형으로 분류된 경우, 상기 타겟 맵에 대한 상기 제1 전-처리 동작을 수행하고, 상기 타겟 맵의 상기 불량 유형이 상기 제2 불량 유형으로 분류된 경우, 상기 타겟 맵에 대한 상기 제2 전-처리 동작을 수행하여 제3 전-처리 기준 맵을 생성하는 단계를 더 포함하는 동작 방법.
  20. 제 16 항에 있어서,
    상기 타겟 맵을 상기 제1 기준 맵 및 상기 제2 기준 맵과 비교하여, 상기 타겟 맵의 불량 유형이 분류되고,
    상기 타겟 맵을 상기 제1 기준 맵 및 상기 제2 기준 맵과 비교하여 상기 불량 유형이 분류되지 않은 경우, 상기 타겟 맵을 상기 하나 또는 그 이상의 제1 전-처리 기준 맵들 및 상기 하나 또는 그 이상의 제2 전-처리 기준 맵들과 비교하여 상기 불량 유형이 분류되는 동작 방법.


KR1020180153781A 2018-12-03 2018-12-03 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법 KR102638267B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180153781A KR102638267B1 (ko) 2018-12-03 2018-12-03 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법
US16/599,733 US11741596B2 (en) 2018-12-03 2019-10-11 Semiconductor wafer fault analysis system and operation method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180153781A KR102638267B1 (ko) 2018-12-03 2018-12-03 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법

Publications (2)

Publication Number Publication Date
KR20200067305A true KR20200067305A (ko) 2020-06-12
KR102638267B1 KR102638267B1 (ko) 2024-02-21

Family

ID=70849226

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180153781A KR102638267B1 (ko) 2018-12-03 2018-12-03 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법

Country Status (2)

Country Link
US (1) US11741596B2 (ko)
KR (1) KR102638267B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220041710A (ko) * 2020-09-25 2022-04-01 충북대학교 산학협력단 군집분석에 기초한 웨이퍼 불량 유형 예측 장치 및 방법
KR20220074089A (ko) * 2020-11-27 2022-06-03 주식회사 에이아이비즈 반도체 소자 제조 공정의 공정 업데이트 및 불량 원인 분석 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
JPWO2022065272A1 (ko) * 2020-09-25 2022-03-31
CN116194954A (zh) * 2020-09-25 2023-05-30 发那科株式会社 用于外观检查的模型生成装置以及外观检查装置
WO2022065271A1 (ja) * 2020-09-25 2022-03-31 ファナック株式会社 画像作成装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060075691A (ko) * 2004-12-29 2006-07-04 삼성전자주식회사 결함 검사 방법
KR100652297B1 (ko) * 2005-09-29 2006-11-29 동부일렉트로닉스 주식회사 반도체 장비에서 센시티비티 증가에 따른 누이상스 결함검출 방법
KR20180091952A (ko) * 2016-01-06 2018-08-16 케이엘에이-텐코 코포레이션 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5787190A (en) 1995-06-07 1998-07-28 Advanced Micro Devices, Inc. Method and apparatus for pattern recognition of wafer test bins
JP2001156135A (ja) 1999-11-29 2001-06-08 Hitachi Ltd 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
US8041541B2 (en) 2001-05-24 2011-10-18 Test Advantage, Inc. Methods and apparatus for data analysis
US7602962B2 (en) * 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines
JP6009956B2 (ja) 2013-01-31 2016-10-19 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
US10502694B2 (en) 2013-08-06 2019-12-10 Kla-Tencor Corporation Methods and apparatus for patterned wafer characterization
US9784690B2 (en) 2014-05-12 2017-10-10 Kla-Tencor Corporation Apparatus, techniques, and target designs for measuring semiconductor parameters
CN108426994B (zh) 2014-06-16 2020-12-25 西门子医疗保健诊断公司 分析数字全息显微术数据以用于血液学应用
US20160098633A1 (en) 2014-10-02 2016-04-07 Nec Laboratories America, Inc. Deep learning model for structured outputs with high-order interaction
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US10579923B2 (en) * 2015-09-15 2020-03-03 International Business Machines Corporation Learning of classification model
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US10283221B2 (en) * 2016-10-27 2019-05-07 International Business Machines Corporation Risk assessment based on patient similarity determined using image analysis
US10594712B2 (en) 2016-12-06 2020-03-17 General Electric Company Systems and methods for cyber-attack detection at sample speed
KR101986002B1 (ko) 2017-01-17 2019-06-04 경북대학교 산학협력단 행동-인식 연결 학습 기반 의도 이해 장치, 방법 및 그 방법을 수행하기 위한 기록 매체
US11170255B2 (en) * 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
US10956817B2 (en) * 2018-04-18 2021-03-23 Element Ai Inc. Unsupervised domain adaptation with similarity learning for images
JP7102941B2 (ja) * 2018-05-24 2022-07-20 株式会社ジェイテクト 情報処理方法、情報処理装置、及びプログラム
US10878297B2 (en) * 2018-08-29 2020-12-29 International Business Machines Corporation System and method for a visual recognition and/or detection of a potentially unbounded set of categories with limited examples per category and restricted query scope
CN109242033B (zh) * 2018-09-21 2021-08-20 长鑫存储技术有限公司 晶片缺陷模式分类方法及装置、存储介质、电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060075691A (ko) * 2004-12-29 2006-07-04 삼성전자주식회사 결함 검사 방법
KR100652297B1 (ko) * 2005-09-29 2006-11-29 동부일렉트로닉스 주식회사 반도체 장비에서 센시티비티 증가에 따른 누이상스 결함검출 방법
KR20180091952A (ko) * 2016-01-06 2018-08-16 케이엘에이-텐코 코포레이션 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220041710A (ko) * 2020-09-25 2022-04-01 충북대학교 산학협력단 군집분석에 기초한 웨이퍼 불량 유형 예측 장치 및 방법
KR20220074089A (ko) * 2020-11-27 2022-06-03 주식회사 에이아이비즈 반도체 소자 제조 공정의 공정 업데이트 및 불량 원인 분석 방법

Also Published As

Publication number Publication date
KR102638267B1 (ko) 2024-02-21
US20200175665A1 (en) 2020-06-04
US11741596B2 (en) 2023-08-29

Similar Documents

Publication Publication Date Title
KR102638267B1 (ko) 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법
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
TWI830111B (zh) 最佳度量衡指導之系統及方法
TWI632526B (zh) 捲積網路裝置及其影像強化裝置與方法
US12007335B2 (en) Automatic optimization of an examination recipe
US11205260B2 (en) Generating synthetic defect images for new feature combinations
KR20210039927A (ko) 제품 분류 시스템 및 방법
US9689805B2 (en) Systems and methods eliminating false defect detections
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
CN112150460B (zh) 检测方法、检测系统、设备和介质
CN114219749B (zh) 样本的模拟图像的确定
WO2021222152A9 (en) Training a machine learning model to generate higher resolution images from inspection images
US20210158223A1 (en) Finding Semiconductor Defects Using Convolutional Context Attributes
US11423529B2 (en) Determination of defect location for examination of a specimen
KR20190081708A (ko) 뉴럴 네트워크 모델 기반의 웨이퍼 불량 패턴 인식 방법 및 이를 위한 컴퓨터 프로그램
US20230230349A1 (en) Identification of an array in a semiconductor specimen
KR20210063812A (ko) 세라믹 필름 제조 공정 분석 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체
US11631179B2 (en) Segmentation of an image of a semiconductor specimen
CN117980729A (zh) 多模式光学检验
CN117274148A (zh) 基于深度学习的无监督晶圆缺陷检测方法
IL299017B1 (en) Automatic segmentation of an image of a semiconductor sample and use of measurements
KR20230123220A (ko) 반도체 웨이퍼 분석 장치 및 반도체 웨이퍼 분석 장치의 동작 방법

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