KR20210087100A - 광 신호를 포인트 확산 함수에 피팅하는 것에 의한 결함 분류 - Google Patents

광 신호를 포인트 확산 함수에 피팅하는 것에 의한 결함 분류 Download PDF

Info

Publication number
KR20210087100A
KR20210087100A KR1020217019675A KR20217019675A KR20210087100A KR 20210087100 A KR20210087100 A KR 20210087100A KR 1020217019675 A KR1020217019675 A KR 1020217019675A KR 20217019675 A KR20217019675 A KR 20217019675A KR 20210087100 A KR20210087100 A KR 20210087100A
Authority
KR
South Korea
Prior art keywords
defects
point spread
spread function
defect
fitted
Prior art date
Application number
KR1020217019675A
Other languages
English (en)
Inventor
소렌 코넥키
뵨 부라우어
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
Application filed by 케이엘에이 코포레이션 filed Critical 케이엘에이 코포레이션
Publication of KR20210087100A publication Critical patent/KR20210087100A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Abstract

광학 현미경을 사용하여 반도체 다이를 검사하여 상기 반도체 다이의 테스트 이미지를 생성한다. 상기 반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지를 도출한다. 상기 반도체 다이에 대한 복수의 결함의 각각의 결함에 대해, 상기 차이 이미지에서 표시된 바와 같이 포인트 확산 함수를 상기 결함에 피팅하고 상기 피팅된 포인트 확산 함수의 하나 이상의 치수를 결정한다. 이 방법은 상기 복수의 결함의 각각의 결함들에 대한 상기 피팅된 포인트 확산 함수의 하나 이상의 치수에 적어도 부분적으로 기초하여, 상기 복수의 결함 중 잠재적 관심 결함들을 뉴슨스 결함들과 구별한다.

Description

광 신호를 포인트 확산 함수에 피팅하는 것에 의한 결함 분류
본 출원은 2018년 11월 30일에 출원된, 발명의 명칭이 "Method to Distinguish Point-Like Defects of Interest From Extended Process Variation by Fitting Defect Signals to a Point Spread Function"인 미국 임시 특허 출원 제62/773,834호의 우선권을 주장하고, 이로써 해당 출원은 모든 면에서 그 전체가 인용에 의해 포함된다.
본 개시는 반도체 검사에 관한 것으로, 더 구체적으로는 반도체 검사에 의해 검출된 결함들을 분류하는 것에 관한 것이다.
현대의 광학 반도체 검사 장비들은 전형적인 결함의 치수들보다 상당히 더 긴, 종종 한 자릿수 이상 더 긴 파장들을 사용한다. 그에 따라, 검사 장비들은 결함들을 해상(resolve)할 수 없고 따라서 결함들을 보여주는 이미지들을 제공할 수 없다; 대신에, 검사 장비들은 단지 결함이 검출되었다는 표시(indication)를 제공한다. 더욱이, 검출된 결함들 중 다수가 디바이스 기능에 영향을 미치지 않고 프로세스-통합 및 수율-개선 엔지니어들에게 관심이 없는 소위 뉴슨스 결함들(nuisance defect)이다. 또한, 뉴슨스 결함들은 관심 결함들(defect of interest)보다, 예를 들어, 1000배 이상 많을 수 있다. 다량의 뉴슨스 결함은 식별된 모든 결함들에 대해 후속 고장 분석(failure analysis)(예를 들어, 주사 전자 현미경을 사용한 시각화)을 수행하는 것을 비실용적으로 만든다. 다량의 뉴슨스 결함은 또한 많은 수의 관심 결함들로 인해 웨이퍼를 폐기되어야 하는지 또는 재가공되어야 하는지를 결정하는 것을 불가능하게 한다.
따라서, 관심 결함들을 뉴슨스 결함들과 구별하는 개선된 방법들 및 시스템들이 필요하다. 그러한 방법들 및 시스템들은 광학 검사 결과들을 포인트 확산 함수(point-spread function)에 피팅하는 것을 포함할 수 있다.
일부 실시예들에서, 반도체 관심 결함들을 식별하는 방법은 광학 현미경을 사용하여 반도체 다이를 검사하여 상기 반도체 다이의 테스트 이미지를 생성하는 단계를 포함한다. 이 방법은 상기 반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지를 도출하고, 상기 반도체 다이에 대한 복수의 결함의 각각의 결함에 대해, 상기 차이 이미지에서 표시된 바와 같이 포인트 확산 함수를 상기 결함에 피팅하고 상기 피팅된 포인트 확산 함수의 하나 이상의 치수를 결정하는 단계를 또한 포함한다. 이 방법은 상기 복수의 결함의 각각의 결함들에 대한 상기 피팅된 포인트 확산 함수의 하나 이상의 치수에 적어도 부분적으로 기초하여, 상기 복수의 결함 중 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 단계를 추가로 포함한다.
일부 실시예들에서, 반도체 관심 결함들을 식별하는 방법은 광학 현미경을 사용하여 반도체 다이를 검사하여 상기 반도체 다이의 테스트 이미지를 생성하는 단계를 포함한다. 이 방법은 상기 반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지를 도출하고, 복수의 포인트 확산 함수의 합을 상기 차이 이미지에 피팅하는 단계를 또한 포함한다. 복수의 포인트 확산 함수의 각각의 포인트 확산 함수는 반도체 다이에서 별개의 미리 정의된 위치에 중심을 두고 광학 현미경과 연관된 고정된 폭을 갖는다. 상기 피팅을 수행하는 것은 복수의 포인트 확산 함수의 각각의 포인트 확산 함수들의 파라미터들(예를 들어, 계수들)을 결정하는 것을 포함한다. 이 방법은 상기 각각의 포인트 확산 함수들의 파라미터들(예를 들어, 계수들)에 적어도 부분적으로 기초하여 상기 반도체 다이에 대한 복수의 결함 중 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 단계를 추가로 포함한다.
일부 실시예들에서, 컴퓨터 판독가능 비일시적 저장 매체는 광학 현미경(즉, 반도체 검사 장비)을 포함하는 반도체 검사 시스템의 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램을 저장한다. 상기 하나 이상의 프로그램은 상기 광학 현미경으로 하여금 반도체 다이를 검사하여 상기 반도체 다이의 테스트 이미지를 생성하게 하기 위한 명령어들을 포함한다. 상기 하나 이상의 프로그램은 위의 방법들 중 어느 하나 또는 둘 다의 다른 단계들을 수행하기 위한 명령어들을 또한 포함한다.
다양한 설명된 실시예들의 더 나은 이해를 위해, 다음의 도면들과 함께, 아래의 상세한 설명이 참조되어야 한다.
도 1 내지 도 3은 일부 실시예들에 따른 반도체 관심 결함들을 식별하는 방법들의 흐름도들을 도시한다.
도 4는 일부 실시예들에 따른 다이 상의 결함들에 대한 2개의 방향에서의 표준 편차들의 분포를 보여주는 산점도이다.
도 5는 일부 실시예들에 따른 반도체 검사 시스템의 블록도이다.
같은 참조 번호들은 도면들 및 명세서 전체에 걸쳐 대응하는 부분들을 나타낸다.
지금부터 다양한 실시예들이 상세히 언급될 것이고, 그 예들은 첨부 도면들에 예시되어 있다. 다음의 상세한 설명에서는, 본 발명의 다양한 설명된 실시예들에 대한 완전한 이해를 제공하기 위해 많은 특정 세부 사항들이 설명된다. 그러나, 이들 특정 세부 사항 없이도 다양한 설명된 실시예들이 실시될 수 있다는 것이 당업자에게 명백할 것이다. 다른 예들에서, 실시예들의 양태들을 불필요하게 모호하게 하지 않기 위해 잘 알려진 방법들, 절차들, 컴포넌트들, 회로들, 및 네트워크들은 상세히 설명되지 않았다.
광학 반도체 검사 장비(즉, 광학 현미경)는 다이의 표면 상의 구조들에 의해 산란되는, 광 빔으로 다이의 부분들을 조명하는 것에 의해 반도체 다이의 결함들을 식별한다. 산란된 광 빔은 수집되고 이미징된다. 결과적인 이미지는 전형적으로 결함들을 해상하지 못하는데, 그 이유는 그 결함들이 광 빔에서 사용되는 광의 파장(들)에 대한 회절 한계보다 훨씬 작기 때문이다. 그러나, 결함의 존재는 산란된 광 빔의 광 신호에 변화를 야기한다. 이 변화가 검출될 수 있고 따라서 잠재적 결함들의 위치가 식별될 수 있다.
이러한 방식으로 식별된 결함들은 관심 결함들과 뉴슨스 결함들 둘 다를 포함한다. 관심 결함들은 전형적으로 격리되고 국지화되는(예를 들어, 점 같은) 반면, 뉴슨스 결함들은 공간적으로 확장될 수 있다(예를 들어, 공정 변동의 결과로서). 이 차이는, 광학 현미경에 의해 이미징된 광 신호를 포인트 확산 함수에 피팅하는 것에 의해, 관심 결함들을 많은 뉴슨스 결함들과 구별하기 위해 이용될 수 있다. (포인트 확산 함수는, 해상되지 않은 결함을 나타내는 이미지 내의 형상과 함께, 광학 현미경의 임펄스 응답의 표시이다.) 결과적인 피팅은 결함의 치수들, 및 따라서 그 크기의 표시를 제공한다. 그 후 결함들은 피팅을 통해 추론된 그것들의 크기들에 적어도 부분적으로 기초하여 관심 결함들 또는 뉴슨스 결함들로 분류될 수 있다.
도 1은 일부 실시예들에 따른 반도체 관심 결함들을 식별하는 방법(100)의 흐름도를 도시한다. 방법(100)은 반도체 검사 시스템(500)(도 5)을 사용하여 수행될 수 있다. 방법(100)의 단계들은 조합되거나 분리될 수 있다.
방법(100)에서는, 광학 현미경(예를 들어, 검사 장비(504, 도 5))을 사용하여 반도체 다이를 검사하여(102) 반도체 다이의 테스트 이미지를 생성한다. (테스트 이미지는 다이 전체 또는 다이의 일부의 이미지일 수 있다.) 테스트 이미지와 반도체 다이의 참조 이미지 사이의 차이 이미지를 도출한다(104). 테스트 이미지로부터 참조 이미지를 빼는 것 또는 그 반대에 의해 도출될 수 있는 차이 이미지는 픽셀마다(on a pixel-by-pixel basis) 테스트 이미지와 참조 이미지 사이의 차이의 정도들을 표시한다. 이들 차이의 정도는 그레이 레벨이라고 지칭될 수 있다. 차이의 정도의 크기가 클수록(즉, 그레이-레벨 크기가 클수록) 주어진 픽셀이 반도체 다이의 결함에 대응할 가능성이 더 많아진다.
일부 실시예들에서, 참조 이미지는 동일한 웨이퍼 상의 이웃 다이의 이미지, 동일한 웨이퍼 상의 임의의 다른 다이의 이미지, 또는 다른 웨이퍼 상의 다이의 이미지이다. 일부 실시예들에서, 참조 이미지는 다중 다이(예를 들어, 다중 인접 다이, 동일한 웨이퍼 상의 다이, 및/또는 다른 웨이퍼들 상의 다이)의 이미지들의 조합(예를 들어, 중앙값)이다. 일부 실시예들에서, 참조 이미지는 다이의 설계로부터, 예를 들어, 광학 현미경에 의한 이미징을 시뮬레이션하는 시뮬레이터를 통해 (예를 들어, gds 파일에 지정된 바와 같이) 다이의 레이아웃을 실행하는 것에 의해 도출된다. 일부 실시예들에서, 다이 상의 어레이 영역(즉, 동일한 패턴이 반복되는 다이 상의 영역)에 대해, 참조 이미지는 패턴의 이웃 인스턴스 또는 패턴의 이웃 인스턴스들의 조합이다. 반복 패턴은 메모리 셀 또는 메모리 셀들의 그룹일 수 있다.
반도체 다이에 대한 복수의 결함이 단계 104의 차이 이미지에서 또는 별개의 차이 이미지에서 식별된다(106). 별개의 차이 이미지가 사용된다면, 별개의 차이 이미지는 상이한 참조 이미지(예를 들어, 단계 104에 대해 설명된 참조 이미지들의 유형들 중 임의의 것의) 및/또는 상이한 검사의 결과들(예를 들어, 단계 102의 검사에 사용된 광학 모드와 상이한 광학 모드를 이용)을 이용하여 생성되었을 수 있다. 차이 이미지 내의 대응하는 그레이 레벨들이 하나 이상의 기준을 만족시키는지(예를 들어, 지정된 임계치를 초과하거나, 또는 그 이상인 크기를 갖는지)를 결정하는 것에 의해 결함들이 식별될 수 있다. 단계 104 후에 수행되는 것으로 도시되어 있지만, 단계 106은 대안적으로, 별개의 차이 이미지가 사용된다면, 단계 102 전에 또는 단계 102와 단계 104 사이에서 수행될 수 있다.
복수의 결함의 각각의 결함에 대해, 단계 104의 차이 이미지에서 표시된 바와 같이 포인트 확산 함수가 결함에 피팅된다(108). 피팅된 포인트 확산 함수의 하나 이상의 치수가 결정된다. 하나 이상의 치수는 결함의 크기의(예를 들어, 각각의 방향들에서의 결함의 폭들의) 측정치를 제공한다.
일부 실시예들에서, 포인트 확산 함수는 2차원 가우스 함수이다(110):
Figure pct00001
여기서 A는 최대 강도를 표시하는 계수이고, x0 및 y0은 포인트 확산 함수의 중심의 그리고 결함의 좌표들이고(차이 이미지에서 결함이 중심을 둔 픽셀의 좌표들에 대응하고, σx 및 σy는 2개의 직교 방향에서의 포인트 확산 함수의 표준 편차들이다. 하나 이상의 치수는 각각의 제1 방향 및 제2 방향에서의 피팅된 가우스 함수의 폭들을 나타내는 제1 치수 및 제2 치수(예를 들어, x 방향 및 y 방향에서의 표준 편차 σx 및 σy, 또는 반치전폭들(full widths at half-maximum))을 포함한다.
일부 실시예들에서, 포인트 확산 함수는 싱크 함수(즉, cardinal sine function), 다항식 함수, 또는 다른 분석 함수이다(112). 일부 실시예들에서, 포인트 확산 함수는 수치 시뮬레이션이고(112), 따라서 단계 108은 단계 104의 차이 이미지에서 대응하는 신호에 의해 표시된 바와 같이 수치 시뮬레이션을 결함에 피팅하는 것을 포함하게 된다.
일부 실시예들에서, 하나 이상의 치수는 각각의 제1 방향 및 제2 방향에서(예를 들어, x 방향 및 y 방향에서)의 피팅된 포인트 확산 함수의 최대 기울기들 사이의 제1 거리 및 제2 거리를 포함한다(114). 특정 방향에서의 최대 기울기들 사이의 거리는 결함 폭의 다른 표시자이다.
일부 실시예들에서, 하나 이상의 치수는, 최대치의 높이에 의해 정규화된, 피팅된 포인트 확산 함수의 최대치를 통해 각각의 제1 방향 및 제2 방향에서(예를 들어, x 방향 및 y 방향에서)의 피팅된 포인트 확산 함수의 단면들 아래의 제1 면적 및 제2 면적을 포함한다(116).
복수의 결함의 각각의 결함들에 대한 피팅된 포인트 확산 함수의 하나 이상의 치수에 적어도 부분적으로 기초하여, 복수의 결함 중 잠재적 관심 결함들은 뉴슨스 결함들과 구별된다(118).
일부 실시예들에서, 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 것(118)은, 특정 결함에 대해, 피팅된 포인트 확산 함수의 하나 이상의 치수 중 제1 치수가 제1 임계치를 초과하거나, 또는 그 이상인지를 결정하는 것을 포함한다. 제1 치수가 제1 임계치를 초과하거나, 또는 그 이상이면, 결함은 뉴슨스 결함으로 분류된다. 잠재적 관심 결함들을 뉴슨스 결함과 구별하는 것(118)은 또한 또는 대안적으로, 특정 결함에 대해, 제1 치수가 제2 임계치 미만이거나, 또는 그 이하인지를 결정하는 것을 포함할 수 있고, 여기서 제2 임계치는 제1 임계치 미만이다. 제1 치수가 제2 임계치 미만이거나, 또는 그 이하이면, 결함은 뉴슨스 결함으로 분류된다. 하나 이상의 치수 중 제2 치수에 대해 유사한 결정들이 이루어질 수 있고(예를 들어, 제1 임계치 및 제2 임계치가 제1 치수에 사용되는 제1 임계치 및 제2 임계치와 동등하거나 다르게 하여), 그에 따라 결함이 분류된다.
도 4는 일부 실시예들에 따른, 단계 108에서 결정된 바와 같은, 다이 상의 결함에 대한 치수 σx 및 σy의 분포를 보여주는 산점도(400)이다. 관심 결함들은 검은 색 별표들로 도시되어 있는 반면, 뉴슨스 결함들은 회색 점들로 도시되어 있다. 관심 결함들은 상위 σy 임계치(402), 하위 σy 임계치(404), 하위 σx 임계치(406), 및 상위 σx 임계치(408)에 의해 정의된 직사각형 내에 위치한다. 절단 선들이라고도 지칭될 수 있는, 임계치들(402, 404, 406, 및 408)은, 제1 임계치 및 제2 임계치에 대해 위에 설명된 바와 같이 적용될 수 있다. 따라서, 일부 실시예들에서, 방법(100)은 직사각형 외부에 있는 임의의 결함을 뉴슨스 결함으로 분류한다. 직사각형 내에 있는 임의의 결함은 잠재적 관심 결함으로 분류될 수 있거나, 다른 요인들에 기초하여 더 분석될 수 있다. 직사각형 내의 결함들 일부는 실제로는 뉴슨스 결함들이지만, 임계치들(402, 404, 406, 및/또는 408)의 적용은 잠재적 관심 결함들의 후보 세트로부터 뉴슨스 결함의 수를 여전히 극적으로 감소시킨다.
하나 이상의 치수가 2개의 치수(예를 들어, x 축 및 y 축에 대응)를 포함하는 일부 실시예들에서, 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 것(118)은, 특정 결함에 대해, 2개의 치수의 함수인 메트릭이 임계치를 만족시키는지를 결정하는 것을 포함한다. 메트릭이 임계치를 만족시키지 않으면, 결함은 뉴슨스 결함으로 분류된다. 메트릭은 평면(예를 들어, 도 4의 σx-σy 평면) 내의 특정 형상(예를 들어, 원, 타원 등)에 대응할 수 있고, 여기서 임계치를 만족시키지 않는 결함들은 그 형상의 외부에 있는 결함들이다.
일부 실시예들에서, 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 것(118)은 잠재적 관심 결함들을 뉴슨스 결함들과 구별하도록 훈련된 기계 학습 알고리즘에 대한 입력으로서 복수의 결함의 각각의 결함들에 대한 피팅된 포인트 확산 함수의 하나 이상의 치수를 제공하는 것을 포함한다. 기계 학습 알고리즘은 알려진 관심 결함들 및 알려진 뉴슨스 결함들(예를 들어, 주사 전자 현미경 및/또는 다른 고장 분석 기법들을 통해 식별됨)에 대해 피팅된 포인트 확산 함수들로부터 결정된 치수들의 훈련 세트를 사용하여 훈련되었을 수 있다.
방법(100)에서, 결함들은 피팅이 수행되기 전에 식별(즉, 검출)된다. 대안적으로, 결함들이 검출되기 전에 피팅이 수행될 수 있다. 도 2는 일부 실시예들에 따른 반도체 관심 결함들을 식별하는 그러한 방법(200)의 흐름도를 도시한다. 방법(100)과 마찬가지로, 방법(200)은 반도체 검사 시스템(500)(도 5)을 사용하여 수행될 수 있다. 방법(200)의 단계들은 조합되거나 분리될 수 있다.
방법(200)에서는, 방법(100)(도 1)에 대해 설명된 바와 같이, 반도체 다이가 검사되고(102) 테스트 이미지와 참조 이미지 사이의 차이 이미지가 도출된다(104).
차이 이미지 내의 복수의 픽셀의 각각의 픽셀에 대해, 포인트 확산 함수가 픽셀에 대응하는 차이 이미지 내의 위치에 피팅된다(208). 위치는 광학 현미경의 포인트 확산 함수의 폭 내에 픽셀 및 다른 근처의 픽셀들(예를 들어, 주위 픽셀들)을 포함한다. 피팅된 포인트 확산 함수의 하나 이상의 치수가 결정된다. 단계 208의 피팅은 방법(100)(도 1)의 단계 108에 대한 것과 동일한 방식으로 수행될 수 있다. 예를 들어, 단계 208은 단계 110, 112, 114, 또는 116을 포함할 수 있다. 포인트 확산 함수가 피팅되는 복수의 픽셀은 참조 이미지 내의 모든 픽셀이거나 후보 픽셀들로 식별되는 픽셀들의 서브세트일 수 있다(예를 들어, 국소 최대 및/또는 최소 그레이-레벨 값들을 갖는 참조 이미지 내의 모든 픽셀들). 단계 208에서 복수의 픽셀은 결함에 대응하는 픽셀들을 포함하기 때문에, 단계 208은 방법(100)(도 1)의 단계 108의 예이다.
하나 이상의 치수에 적어도 부분적으로 기초하여, 반도체 다이에 대한 복수의 결함 중 잠재적 관심 결함들로 인한 신호들을 갖는 복수의 픽셀 중의 픽셀들은 뉴슨스 결함들로 인한 신호들을 갖는 픽셀들과 구별된다(218). 단계 218은, 방법(100)(도 1)의 단계 118에서와 같이, 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 방식을 제공한다.
일부 실시예들에서, 기준을 만족시키지 않는 픽셀들은 참조 이미지 내의 후보 픽셀들의 세트로부터 제거된다(220). 기준은 하나 이상의 치수 중 적어도 하나에 기초한다. 예를 들어, 기준은 픽셀들이 임계치들(402, 404, 406, 및 408)(도 4) 중 하나 이상을 만족시키는지, 또는 다수의 치수의 함수인 메트릭이 기준을 만족시키는지(예를 들어, 픽셀들이 도 4의 σx-σy 평면과 같은 평면 내의 대응하는 형상 내에 있는지)일 수 있다. 일부 실시예들에서, 후보 픽셀들의 세트 내의 차이 이미지의 각각의 픽셀들에 대한 차이의 정도들은 각각의 픽셀들에 대한 피팅된 포인트 확산 함수의 하나 이상의 치수 중 적어도 하나에 기초하는 기준을 사용하여 조정된다(222). 차이의 정도의 크기는 피팅된 포인트 확산 함수의 하나 이상의 치수가 결함이 관심 결함이 아닐 가능성에 대응한다면 감소될 수 있고/있거나, 피팅된 포인트 확산 함수의 하나 이상의 치수가 결함이 관심 결함일 가능성에 대응한다면 증가될 수 있다. 단계 220 및/또는 단계 222를 수행한 후, 잠재적 관심 결함들이 후보 픽셀들의 세트로부터 식별된다(224). 단계 220은 후보 픽셀들의 세트로부터 아마도 뉴슨스 결함들에 대응하는 픽셀들을 제거한다. 단계 222는 아마도 뉴슨스 결함들에 대응하는 픽셀들이 단계 224에서 식별될 가능성을 더 적게 만들고/만들거나 아마도 관심 결함들에 대응하는 픽셀들이 단계 224에서 식별될 가능성을 더 많게 만든다. 이들 방식 중 어느 하나 또는 둘 다에서, 잠재적 관심 결함들이 뉴슨스 결함들과 구별되는데, 그 이유는 단계 224에서 식별된 관심 결함들 대 뉴슨스 결함들의 비율이 개선되기 때문이다.
일부 실시예들에서, 방법들(100 및/또는 200)은 복수의 결함의 각각의 결함들에 대한 피팅된 포인트 확산 함수의 적합도(goodness of fit)를 결정하는 단계를 추가로 포함한다. 예를 들어, 적합도는 피팅에 대한 잔차 제곱(square of residuals)의 합("R-제곱" 메트릭) 또는 피팅에 대한 가장 큰 단일 잔차에 의해 결정될 수 있다. 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 것(118)은 추가로 각각의 결함들에 대한 적합도에 적어도 부분적으로 기초할 수 있다: 적합도의 증가는 결함이 뉴슨스 결함이 아니라 관심 결함일 확률의 증가와 직접 상관되고, 그에 따라 결함들이 분류된다. 예를 들어, 적합도가 임계치를 만족시키지 않으면, 대응하는 결함은 뉴슨스 결함으로 분류될 수 있거나 후보 픽셀들의 세트로부터 제외될 수 있다. 다른 예에서, 차이의 정도는, 단계 222와 유사하게, 적합도에 기초하여 조정될 수 있다(예를 들어, 따라서 낮은 적합도는 하나 이상의 대응하는 픽셀이 결함들로 식별될 가능성이 더 적도록 그것들의 그레이 레벨들이 조정되게 한다).
도 3은 일부 실시예들에 따른 반도체 관심 결함들을 식별하는 또 다른 방법(300)의 흐름도를 도시한다. 방법(100)(도 1) 및 방법(200)(도 2)과 마찬가지로, 방법(300)은 반도체 검사 시스템(500)(도 5)을 사용하여 수행될 수 있다. 방법(300)의 단계들은 조합되거나 분리될 수 있다.
방법(300)에서는, 방법(100)(도 1)에 대해 설명된 바와 같이, 반도체 다이가 검사되고(102) 반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지가 도출된다(104).
복수의 포인트 확산 함수의 합이 차이 이미지에 피팅된다(308). 복수의 포인트 확산 함수의 각각의 포인트 확산 함수는 반도체 다이에서 별개의 미리 정의된 위치에 중심을 두고 광학 현미경과 연관된 고정된 폭을 갖는다. (이 방법은 공정 변동에 따라 미리 정의된 위치들의 정도 이동을 허용할 수 있다.) 피팅을 결정하는 것은 합에서 복수의 포인트 확산 함수의 각각의 포인트 확산 함수의 계수들을 결정하는 것을 포함한다.
예를 들어, 복수의 가우스 포인트 확산 함수의 합이 사용될 수 있다:
Figure pct00002
여기서 Ai는 결정될 계수이고, x0i 및 y0i는 각각의 미리 정의된 위치에 대한 좌표들이고, σx 및 σy는 x 방향 및 y 방향에서의 포인트 확산 함수의 표준 편차들이고, N은 별개의 미리 정의된 위치들의 수이고 따라서 포인트 확산 함수들의 수이다. σx 및 σy의 값들은 고정된다(예를 들어, 도 5의 검사 장비(504)에 대해 알려진 값들이 사용된다). 예를 들어:
Figure pct00003
여기서 λ는 광학 검사 파장이고, NAillumination은 검사 장비에서 조명 시스템의 개구수(numerical aperture)이고, NAcollection은 검사 장비에서 수집 시스템의 개구수이다.
가우스 포인트 확산 함수는 방법(300)에서 합산될 수 있는 포인트 확산 함수들의 일 예에 불과하다. 다른 예들(예를 들어, 도 1의 방법(100)의 단계 108에 대해 설명된 바와 같은)이 가능하다.
각각의 포인트 확산 함수들의 계수들에 적어도 부분적으로 기초하여, 반도체 다이에 대한 복수의 결함 중 잠재적 관심 결함들이 뉴슨스 결함들과 구별된다(318). 다른 계수들(예를 들어, 다른 Ai 값들)에 비해 큰 크기를 갖는 계수(예를 들어, Ai 값)는 대응하는 포인트 확산 함수의 위치에 관심 결함이 존재함을 암시한다. 그러나, 다른 계수들과 동일한 범위에 있는 계수는 뉴슨스 결함(예를 들어, 공정 변동으로 인한)을 암시한다. 따라서 결함은 대응하는 계수(또는 그 크기)가 임계치를 충족시키면(예를 들어, 초과하거나, 또는 그 이상이면) 관심 결함으로 분류될 수 있고, 대응하는 계수(또는 그 크기)가 임계치를 만족시키지 않으면 뉴슨스 결함으로 분류될 수 있다. 임계치는 미리 정의될 수 있거나 다른 계수 값들(예를 들어, 다른 Ai 값들)의 함수(예를 들어, 평균 또는 중앙값)일 수 있다.
방법(300)은 방법(100 또는 200)과 함께 수행될 수 있고, 따라서 결함들은 방법(100 또는 200)에서 결정된 피팅된 포인트 확산 함수들의 치수에 그리고 또한 방법(300)에서 결정된 포인트 확산 함수 계수들에 적어도 부분적으로 기초하여 관심 결함들로 분류될 수 있게 된다.
방법들(100, 200, 및/또는 300)의 일부 실시예들에서, 잠재적 관심 결함들을 특정하는 보고서가 생성된다. 예를 들어, 보고서는 모든 결함들(예를 들어, 그것들의 좌표와 함께)을 열거하고 각각이 잠재적 관심 결함으로 분류되었는지 또는 뉴슨스 결함으로 분류되었는지를 특정할 수 있다. 대안적으로, 보고서는 잠재적 관심 결함들(예를 들어, 그것들의 좌표와 함께)을 열거하고 뉴슨스 결함들을 생략할 수 있다. 보고서는 그래픽일 수 있다; 예를 들어, 보고서는 잠재적 관심 결함들의 위치들의 표시들과 함께 다이의 맵을 보여줄 수 있다. 보고서는 디스플레이(예를 들어, 도 5의 디스플레이(511) 상에)되고/되거나 디스플레이를 위해 클라이언트 디바이스로 송신될 수 있다.
따라서 방법들(100, 200, 및 300)은 결함들이 차이 이미지에서 해상되지 않을 수 있다는 사실에도 불구하고 잠재적 관심 결함들이 뉴슨스 결함들과 구별될 수 있게 한다. 방법들(100, 200, 및/또는 300)의 일부 실시예들에서, 식별된 잠재적 관심 결함들에 적어도 부분적으로 기초하여 웨이퍼를 폐기할지, 재가공할지, 또는 계속 처리할지에 대한 결정이 이루어진다. 방법들(100, 200, 및/또는 300)의 일부 실시예들에서, 잠재적 관심 결함들 중 하나 이상에 대해 고장 분석(예를 들어, 주사 전자 현미경 이미징을 포함)이 후속하여 수행된다.
도 5는 일부 실시예들에 따른 반도체 검사 시스템(500)의 블록도이다. 반도체 검사 시스템(500)은 반도체 검사 장비(504)(즉, 광학 현미경) 및 하나 이상의 프로세서(502)(예를 들어, CPU), 사용자 인터페이스들(510), 메모리(514), 및 이들 컴포넌트를 상호 연결하는 하나 이상의 통신 버스(503)를 포함하는 연관된 컴퓨터 시스템을 포함한다. 반도체 검사 시스템(500)은 원격 컴퓨터 시스템들과 통신(예를 들어, 그것들로부터 레시피들을 검색 및/또는 그것들에 데이터를 송신)하기 위한 하나 이상의 네트워크 인터페이스(유선 및/또는 무선, 도시되지 않음)를 또한 포함할 수 있다.
검사 장비(504)는 조명원(505), 조명 및 수집 광학계(506), 웨이퍼 척(507), 및 이미지 센서(508)를 포함한다. 반도체 웨이퍼들이 검사를 위해 웨이퍼 척(507) 상에 로딩된다. 웨이퍼 표면으로부터 산란된 광 빔이 이미지 센서(508)에 의해 이미징된다.
사용자 인터페이스들(510)은 디스플레이(511) 및 하나 이상의 입력 디바이스(512)(예를 들어, 키보드, 마우스, 디스플레이(511)의 터치-감응 표면 등)를 포함할 수 있다. 디스플레이(511)는 결함 분류 결과들을 디스플레이할 수 있다.
메모리(514)는 휘발성 및/또는 비-휘발성 메모리를 포함한다. 메모리(514)(예를 들어, 메모리(514) 내의 비-휘발성 메모리)는 컴퓨터 판독가능 비일시적 저장 매체를 포함한다. 메모리(514)는 옵션으로 프로세서(502)로부터 원격에 위치한 하나 이상의 저장 디바이스 및/또는 컴퓨터 시스템에 제거 가능하게 삽입되는 컴퓨터 판독가능 비일시적 저장 매체를 포함한다. 일부 실시예들에서, 메모리(514)(예를 들어, 메모리(514)의 컴퓨터 판독가능 비일시적 저장 매체)는 다음의 모듈들 및 데이터, 또는 이들의 서브세트 또는 수퍼세트를 저장한다: 다양한 기본 시스템 서비스들을 핸들링하기 위한 그리고 하드웨어 의존 작업들을 수행하기 위한 절차들을 포함하는 운영 체제(516), 검사 모듈(518)(예를 들어, 단계 102가 수행되게 하는 것), 차이 이미지 도출 모듈(520)(예를 들어, 단계 104를 수행하기 위한 것), 결함 식별 모듈(522)(예를 들어, 단계 106 및/또는 224를 수행하기 위한 것), 함수 피팅 모듈(524)(예를 들어, 단계 108, 208, 및/또는 308을 수행하기 위한 것), 및 결함 분류 모듈(526)(예를 들어, 단계 118 및/또는 318을 수행하기 위한 것).
따라서 메모리(514)(예를 들어, 메모리(514)의 컴퓨터 판독가능 비일시적 저장 매체)는 방법들(100, 200, 및/또는 300)(도 1 내지 도 3)의 전부 또는 일부를 수행하기 위한 명령어들을 포함한다. 메모리(514)에 저장된 모듈들 각각은 여기에 설명된 하나 이상의 기능을 수행하기 위한 명령어들의 세트에 대응한다. 별개의 모듈들이 별개의 소프트웨어 프로그램들로 구현될 필요는 없다. 모듈들 및 모듈들의 다양한 서브세트들은 조합되거나 달리 재배열될 수 있다. 일부 실시예들에서, 메모리(514)는 위에서 식별된 모듈들 및/또는 데이터 구조들의 서브세트 또는 수퍼세트를 저장한다.
도 5는 구조적 개략도로서보다는 반도체 검사 시스템 내에 존재할 수 있는 다양한 특징들에 대한 기능적 설명으로서 더 의도되어 있다. 예를 들어, 검사 장비(504)의 컴포넌트들의 배열은 달라질 수 있다(예를 들어, 당업계에 공지된 방식들로). 개별적으로 도시된 항목들은 조합될 수 있고 일부 항목들은 분리될 수 있다. 더욱이, 반도체 검사 시스템(500)의 기능은 다수의 디바이스들 사이에 분할될 수 있다. 예를 들어, 메모리(514)에 저장된 모듈들 중 일부는 대안적으로 하나 이상의 네트워크를 통해 반도체 검사 시스템(500)과 통신적으로 결합된 하나 이상의 컴퓨터 시스템에 저장될 수 있다.
전술한 설명은, 설명의 목적으로, 특정 실시예들에 관련하여 기술되었다. 그러나, 위의 예시적인 논의들은 철저한 것으로 또는 청구항들의 범위를 개시된 정확한 형태들로 제한하는 것으로 의도되어 있지 않다. 위의 교시 내용들에 비추어 많은 수정들 및 변형들이 가능하다. 실시예들은 청구항들 및 그것들의 실제 응용들의 기초를 이루는 원리들을 가장 잘 설명하기 위해, 그에 의해 당업자들이 고려되는 특정 사용들에 적합한 다양한 수정들과 함께 실시예들을 가장 잘 사용할 수 있게 하기 위해 선택되었다.

Claims (22)

  1. 광학 현미경을 포함하는 반도체 검사 시스템의 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램을 저장하는 컴퓨터 판독가능 비일시적 저장 매체로서,
    상기 하나 이상의 프로그램은,
    반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지를 도출하고 - 상기 테스트 이미지는 상기 광학 현미경을 사용하여 상기 반도체 다이를 검사하는 것에 의해 생성됨 -;
    상기 반도체 다이에 대한 복수의 결함의 각각의 결함에 대해, 상기 차이 이미지에서 표시된 바와 같이 포인트 확산 함수를 상기 결함에 피팅하고 상기 피팅된 포인트 확산 함수의 하나 이상의 치수를 결정하고;
    상기 복수의 결함의 각각의 결함들에 대한 상기 피팅된 포인트 확산 함수의 하나 이상의 치수에 적어도 부분적으로 기초하여, 상기 복수의 결함 중 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들
    을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  2. 제1항에 있어서,
    상기 포인트 확산 함수는 2차원 가우스 함수이고;
    상기 하나 이상의 치수는 제1 방향에서의 상기 피팅된 가우스 함수의 폭을 나타내는 제1 치수 및 제2 방향에서의 상기 피팅된 가우스 함수의 폭을 나타내는 제2 치수를 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  3. 제2항에 있어서,
    상기 제1 치수는 상기 제1 방향에서의 상기 피팅된 가우스 함수의 표준 편차 및 상기 제1 방향에서의 상기 피팅된 가우스 함수의 반치전폭(full width at half maximum)으로 구성된 그룹으로부터 선택되고;
    상기 제2 치수는 상기 제2 방향에서의 상기 피팅된 가우스 함수의 표준 편차 및 상기 제2 방향에서의 상기 피팅된 가우스 함수의 반치전폭으로 구성된 그룹으로부터 선택된 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  4. 제1항에 있어서,
    상기 하나 이상의 치수는,
    제1 방향에서의 상기 피팅된 포인트 확산 함수의 최대 기울기들 사이의 제1 거리; 및
    제2 방향에서의 상기 피팅된 포인트 확산 함수의 최대 기울기들 사이의 제2 거리
    를 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  5. 제1항에 있어서,
    상기 하나 이상의 치수는,
    최대치의 높이에 의해 정규화된, 상기 피팅된 포인트 확산 함수의 최대치를 통해 제1 방향에서의 상기 피팅된 포인트 확산 함수의 단면 아래의 제1 면적; 및
    최대치의 높이에 의해 정규화된, 최대치를 통해 제2 방향에서의 상기 피팅된 포인트 확산 함수의 단면 아래의 제2 면적
    을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  6. 제1항에 있어서,
    상기 포인트 확산 함수는 싱크 함수인 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  7. 제1항에 있어서,
    상기 포인트 확산 함수는 다항식 함수인 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  8. 제1항에 있어서,
    상기 포인트 확산 함수를 상기 결함에 피팅하기 위한 명령어들은 상기 포인트 확산 함수의 수치 시뮬레이션을 상기 결함에 피팅하기 위한 명령어들을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  9. 제1항에 있어서,
    상기 하나 이상의 프로그램은 상기 복수의 결함 각각에 대해 상기 포인트 확산 함수를 상기 결함에 피팅하기 전에 상기 차이 이미지에서 상기 복수의 결함을 식별하기 위한 명령어들을 더 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  10. 제1항에 있어서,
    상기 하나 이상의 프로그램은 상기 복수의 결함 각각에 대해 상기 포인트 확산 함수를 상기 결함에 피팅하기 전에 상기 복수의 결함을 식별하기 위한 명령어들을 포함하지 않고;
    상기 복수의 결함 각각에 대해 상기 포인트 확산 함수를 상기 결함에 피팅하기 위한 명령어들은, 상기 차이 이미지 내의 복수의 픽셀의 각각의 픽셀에 대해, 상기 포인트 확산 함수를 상기 차이 이미지 내의 각각의 위치에 피팅하기 위한 명령어들을 포함하고,
    상기 각각의 위치는 상기 각각의 픽셀에 대응하고 상기 각각의 픽셀 및 상기 각각의 픽셀을 둘러싸는 상기 복수의 픽셀 중의 다른 픽셀들을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  11. 제10항에 있어서,
    상기 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들은,
    상기 차이 이미지 내의 후보 픽셀들의 세트로부터, 상기 피팅된 포인트 확산 함수의 하나 이상의 치수 중 적어도 하나에 기초하는 기준을 만족시키지 않는 픽셀들을 제거하고;
    상기 제거를 수행한 후, 상기 후보 픽셀들의 세트로부터 상기 잠재적 관심 결함들을 식별하기 위한 명령어들
    을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  12. 제10항에 있어서,
    상기 차이 이미지는 픽셀마다 상기 테스트 이미지와 상기 참조 이미지 사이의 차이의 정도들을 표시하고,
    상기 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들은,
    상기 차이 이미지의 각각의 픽셀들에 대한 차이의 정도들을 상기 각각의 픽셀들에 대한 상기 피팅된 포인트 확산 함수의 하나 이상의 치수 중 적어도 하나에 기초하는 기준을 사용하여 조정하고;
    상기 조정을 수행한 후, 상기 후보 픽셀들의 세트로부터 상기 잠재적 관심 결함들을 식별하기 위한 명령어들
    을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  13. 제1항에 있어서,
    상기 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들은,
    상기 복수의 결함 중 제1 결함에 대해, 상기 피팅된 포인트 확산 함수의 하나 이상의 치수 중 제1 치수가 제1 임계치를 초과하거나, 또는 그 이상이라고 결정하고;
    상기 제1 치수가 상기 제1 임계치를 초과하거나, 또는 그 이상이라고 결정하는 것에 응답하여, 상기 제1 결함을 뉴슨스 결함으로 분류하기 위한 명령어들
    을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  14. 제13항에 있어서,
    상기 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들은,
    상기 복수의 결함 중 제2 결함에 대해, 상기 제1 치수가 제2 임계치 미만이거나, 또는 그 이하라고 결정하고 - 상기 제2 임계치는 상기 제1 임계치 미만임 -;
    상기 제1 치수가 상기 제2 임계치 미만이거나, 또는 그 이하라고 결정하는 것에 응답하여, 상기 제2 결함을 뉴슨스 결함으로 분류하기 위한 명령어들
    을 더 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  15. 제1항에 있어서,
    상기 피팅된 포인트 확산 함수의 하나 이상의 치수는 2개의 치수를 포함하고,
    상기 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들은,
    상기 복수의 결함 중 제1 결함에 대해, 메트릭이 임계치를 만족시키는지를 결정하고 - 상기 메트릭은 상기 2개의 치수의 함수임 -;
    상기 메트릭이 상기 임계치를 만족시키지 않는다고 결정하는 것에 응답하여, 상기 제1 결함을 뉴슨스 결함으로 분류하기 위한 명령어들
    을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  16. 제1항에 있어서,
    상기 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들은 잠재적 관심 결함들을 뉴슨스 결함들과 구별하도록 훈련된 기계 학습 알고리즘에 대한 입력으로서 상기 복수의 결함의 각각의 결함들에 대한 상기 피팅된 포인트 확산 함수의 하나 이상의 치수를 제공하기 위한 명령어들을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  17. 제1항에 있어서,
    상기 하나 이상의 프로그램은 상기 복수의 결함의 각각의 결함들에 대한 상기 피팅된 포인트 확산 함수의 적합도(goodness of fit)를 결정하기 위한 명령어들을 더 포함하고,
    상기 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 것은 또한, 상기 각각의 결함들에 대한 적합도에 적어도 부분적으로 기초한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  18. 제1항에 있어서,
    상기 복수의 결함의 각각의 결함들은 상기 차이 이미지에서 해상되지 않는 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  19. 제1항에 있어서,
    상기 하나 이상의 프로그램은 상기 잠재적 관심 결함들을 특정하는 보고서를 생성하기 위한 명령어들
    을 더 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
  20. 반도체 검사 시스템으로서,
    광학 현미경;
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램을 저장하는 메모리
    를 포함하고, 상기 하나 이상의 프로그램은,
    반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지를 도출하고 - 상기 테스트 이미지는 상기 광학 현미경을 사용하여 상기 반도체 다이를 검사하는 것에 의해 생성됨 -;
    상기 반도체 다이에 대한 복수의 결함의 각각의 결함에 대해, 상기 차이 이미지에서 표시된 바와 같이 포인트 확산 함수를 상기 결함에 피팅하고 상기 피팅된 포인트 확산 함수의 하나 이상의 치수를 결정하고;
    상기 복수의 결함의 각각의 결함들에 대한 상기 피팅된 포인트 확산 함수의 하나 이상의 치수에 적어도 부분적으로 기초하여, 상기 복수의 결함 중 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들
    을 포함한 것인, 반도체 검사 시스템.
  21. 반도체 관심 결함들을 식별하는 방법으로서,
    광학 현미경을 사용하여 반도체 다이를 검사하여 상기 반도체 다이의 테스트 이미지를 생성하는 단계; 및
    하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행하기 위한 명령어들을 저장하는 메모리를 포함하는 컴퓨터 시스템에서,
    상기 반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지를 도출하는 단계;
    상기 반도체 다이에 대한 복수의 결함의 각각의 결함에 대해, 상기 차이 이미지에서 표시된 바와 같이 포인트 확산 함수를 상기 결함에 피팅하고 상기 피팅된 포인트 확산 함수의 하나 이상의 치수를 결정하는 단계; 및
    상기 복수의 결함의 각각의 결함들에 대한 상기 피팅된 포인트 확산 함수의 하나 이상의 치수에 적어도 부분적으로 기초하여, 상기 복수의 결함 중 잠재적 관심 결함들을 뉴슨스 결함들과 구별하는 단계
    를 포함하는, 반도체 관심 결함들을 식별하는 방법.
  22. 광학 현미경을 포함하는 반도체 검사 시스템의 하나 이상의 프로세서에 의해 실행하기 위한 하나 이상의 프로그램을 저장하는 컴퓨터 판독가능 비일시적 저장 매체로서,
    상기 하나 이상의 프로그램은,
    상기 반도체 다이의 테스트 이미지와 참조 이미지 사이의 차이 이미지를 도출하고 - 상기 테스트 이미지는 상기 광학 현미경을 사용하여 상기 반도체 다이를 검사하는 것에 의해 생성됨 -;
    복수의 포인트 확산 함수의 합을 상기 차이 이미지에 피팅하고 - 상기 복수의 포인트 확산 함수의 각각의 포인트 확산 함수는 상기 반도체 다이에서 별개의 미리 정의된 위치에 중심을 두고 상기 광학 현미경과 연관된 고정된 폭을 갖고, 상기 피팅은 상기 복수의 포인트 확산 함수의 각각의 포인트 확산 함수들의 계수들을 결정하는 것을 포함함 -;
    상기 각각의 포인트 확산 함수들의 계수들에 적어도 부분적으로 기초하여, 상기 반도체 다이에 대한 복수의 결함 중 잠재적 관심 결함들을 뉴슨스 결함들과 구별하기 위한 명령어들
    을 포함한 것인, 컴퓨터 판독가능 비일시적 저장 매체.
KR1020217019675A 2018-11-30 2019-11-27 광 신호를 포인트 확산 함수에 피팅하는 것에 의한 결함 분류 KR20210087100A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862773834P 2018-11-30 2018-11-30
US62/773,834 2018-11-30
US16/355,584 US10957035B2 (en) 2018-11-30 2019-03-15 Defect classification by fitting optical signals to a point-spread function
US16/355,584 2019-03-15
PCT/US2019/063478 WO2020112922A1 (en) 2018-11-30 2019-11-27 Defect classification by fitting optical signals to a point-spread function

Publications (1)

Publication Number Publication Date
KR20210087100A true KR20210087100A (ko) 2021-07-09

Family

ID=70850191

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217019675A KR20210087100A (ko) 2018-11-30 2019-11-27 광 신호를 포인트 확산 함수에 피팅하는 것에 의한 결함 분류

Country Status (6)

Country Link
US (1) US10957035B2 (ko)
KR (1) KR20210087100A (ko)
CN (1) CN113039631B (ko)
IL (1) IL282902A (ko)
TW (1) TWI832931B (ko)
WO (1) WO2020112922A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11810284B2 (en) * 2020-08-21 2023-11-07 Kla Corporation Unsupervised learning for repeater-defect detection
CN114359115B (zh) * 2022-03-18 2022-06-03 武汉精立电子技术有限公司 一种提高缺陷检测准确性的方法、计算机设备及可读介质

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864394A (en) * 1994-06-20 1999-01-26 Kla-Tencor Corporation Surface inspection system
US5825482A (en) * 1995-09-29 1998-10-20 Kla-Tencor Corporation Surface inspection system with misregistration error correction and adaptive illumination
KR100606460B1 (ko) * 1997-07-17 2006-07-31 호야 가부시키가이샤 투광성물질의 불균일성검사방법 및 그 장치와 투명기판의 선별방법
WO2001082225A2 (en) * 2000-04-24 2001-11-01 Washington University Method and apparatus for probabilistic model of ultrasonic images
US20040032581A1 (en) * 2002-01-15 2004-02-19 Mehrdad Nikoonahad Systems and methods for inspection of specimen surfaces
US6686994B2 (en) * 2002-03-28 2004-02-03 Kla-Tencor Technologies Corporation UV compatible programmable spatial filter
US7031796B2 (en) * 2003-09-03 2006-04-18 Kla-Tencor Technologies Corporation Radiation damage reduction
US7728969B2 (en) 2006-12-05 2010-06-01 Kla-Tencor Technologies Corp. Methods and systems for identifying defect types on a wafer
US7912658B2 (en) * 2008-05-28 2011-03-22 Kla-Tencor Corp. Systems and methods for determining two or more characteristics of a wafer
US8494802B2 (en) * 2008-06-19 2013-07-23 Kla-Tencor Corp. Computer-implemented methods, computer-readable media, and systems for determining one or more characteristics of a wafer
US8269960B2 (en) * 2008-07-24 2012-09-18 Kla-Tencor Corp. Computer-implemented methods for inspecting and/or classifying a wafer
JP5505007B2 (ja) * 2010-03-18 2014-05-28 富士通株式会社 画像処理装置、画像処理方法及び画像処理用コンピュータプログラム
CN102569115B (zh) * 2010-12-23 2015-04-22 无锡华润上华半导体有限公司 半导体器件缺陷的检测方法
US9625810B2 (en) * 2011-03-16 2017-04-18 Kla-Tencor Corporation Source multiplexing illumination for mask inspection
US8340456B1 (en) * 2011-10-13 2012-12-25 General Electric Company System and method for depth from defocus imaging
US9401013B2 (en) 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
US9310316B2 (en) * 2012-09-11 2016-04-12 Kla-Tencor Corp. Selecting parameters for defect detection methods
US9151881B2 (en) * 2012-11-12 2015-10-06 Kla-Tencor Corporation Phase grating for mask inspection system
JP5948262B2 (ja) * 2013-01-30 2016-07-06 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
US10545020B2 (en) * 2013-03-14 2020-01-28 Applied Materials Israel, Ltd. System, a method and a computer program product for size estimation
US9442077B2 (en) * 2013-08-28 2016-09-13 Kla-Tencor Corp. Scratch filter for wafer inspection
DE102013017124A1 (de) * 2013-10-15 2015-04-16 Carl Zeiss Microscopy Gmbh Scanmikroskop und Verfahren zum Betreiben eines Scanmikroskops
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US9401016B2 (en) * 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
JP6486050B2 (ja) * 2014-09-29 2019-03-20 株式会社Ｓｃｒｅｅｎホールディングス 検査装置および検査方法
KR102392057B1 (ko) 2014-12-22 2022-04-28 삼성전자주식회사 자동 결함 분류 방법
US9816940B2 (en) * 2015-01-21 2017-11-14 Kla-Tencor Corporation Wafer inspection with focus volumetric method
US10261851B2 (en) * 2015-01-23 2019-04-16 Lightbend, Inc. Anomaly detection using circumstance-specific detectors
US9875536B2 (en) * 2015-03-31 2018-01-23 Kla-Tencor Corp. Sub-pixel and sub-resolution localization of defects on patterned wafers
US10067072B2 (en) * 2015-07-10 2018-09-04 Kla-Tencor Corporation Methods and apparatus for speckle suppression in laser dark-field systems
US10416087B2 (en) * 2016-01-01 2019-09-17 Kla-Tencor Corporation Systems and methods for defect detection using image reconstruction
US9952422B2 (en) * 2016-01-14 2018-04-24 University Of Vienna Enhancing the resolution of three dimensional video images formed using a light field microscope
US11216936B2 (en) * 2016-02-19 2022-01-04 SCREEN Holdings Co., Ltd. Defect detection device, defect detection method, and program
US10043265B2 (en) * 2016-03-17 2018-08-07 Kla-Tencor Corporation System, method and computer program product for identifying fabricated component defects using a local adaptive threshold
EP3252452A1 (en) * 2016-05-25 2017-12-06 The Board of Trustees of the Leland Stanford Junior University Method for imaging and analysis of a biological specimen
US10753881B2 (en) * 2016-05-27 2020-08-25 Purdue Research Foundation Methods and systems for crack detection
DE102017203879B4 (de) * 2017-03-09 2023-06-07 Carl Zeiss Smt Gmbh Verfahren zum Analysieren einer defekten Stelle einer photolithographischen Maske
WO2018165753A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
US10600175B2 (en) * 2017-03-24 2020-03-24 Kla-Tencor Corporation Dynamic care areas for defect detection
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
CA3064073A1 (en) * 2017-05-19 2018-11-22 The Rockefeller University Imaging signal extraction apparatus and methods of using same
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
DE102018201794B3 (de) * 2018-02-06 2019-04-11 Heidelberger Druckmaschinen Ag Adaptive Bildglättung
US10690486B2 (en) * 2018-07-03 2020-06-23 Amo Development, Llc Water-immersed high precision laser focus spot size measurement apparatus
US10755135B2 (en) * 2018-09-23 2020-08-25 Paulo Eduardo Xavier da Silveira Computational imaging device and method for improved corner detection
US10924727B2 (en) * 2018-10-10 2021-02-16 Avalon Holographics Inc. High-performance light field display simulator

Also Published As

Publication number Publication date
IL282902A (en) 2021-06-30
TWI832931B (zh) 2024-02-21
US20200175664A1 (en) 2020-06-04
US10957035B2 (en) 2021-03-23
TW202038192A (zh) 2020-10-16
WO2020112922A1 (en) 2020-06-04
CN113039631B (zh) 2024-04-05
CN113039631A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
TWI603409B (zh) 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
US10297021B2 (en) Defect quantification method, defect quantification device, and defect evaluation value display device
EP2907157B1 (en) Detecting defects on a wafer using defect-specific information
JP5275017B2 (ja) 欠陥検査方法及びその装置
US7751036B2 (en) Apparatus of inspecting defect in semiconductor and method of the same
JP6078234B2 (ja) 荷電粒子線装置
KR102110634B1 (ko) 자유형의 주의 영역들을 사용한 웨이퍼 검사
KR102079022B1 (ko) 검사 레시피를 생성하는 방법 및 그 시스템
WO2019059011A1 (ja) 教師データ作成方法及び装置並びに欠陥検査方法及び装置
TW202029071A (zh) 用於判定空白光罩上之缺陷之類型及尺寸之系統及方法
US20080175466A1 (en) Inspection apparatus and inspection method
TW202105549A (zh) 對樣本的缺陷檢測的方法及其系統
KR20130118276A (ko) 자동 및 수동 결함 분류의 통합
CN104520983A (zh) 用于半导体制造中的检验的嵌入噪声中的缺陷的检测
KR20130118275A (ko) 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화
TW201517192A (zh) 晶片對資料庫的影像檢測方法
JP2018004632A (ja) パターン検査方法およびパターン検査装置
KR20210064365A (ko) 결함 검사 장치, 결함 검사 방법
CN113039631B (zh) 通过将光学信号拟合到点扩散函数的缺陷分类
TWI813871B (zh) 圖像處理程式、圖像處理裝置及圖像處理方法
KR102440742B1 (ko) 반도체 소자 검사 시스템 및 그 동작 방법
KR101889833B1 (ko) 패턴 측정 장치 및 컴퓨터 프로그램
JP2006292500A (ja) 表面検査方法及び表面検査装置
JP2002048722A (ja) 欠陥検査装置
JP7087221B2 (ja) 検査装置、方法、及び、プログラム