KR20210125637A - Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템 - Google Patents

Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템 Download PDF

Info

Publication number
KR20210125637A
KR20210125637A KR1020200042732A KR20200042732A KR20210125637A KR 20210125637 A KR20210125637 A KR 20210125637A KR 1020200042732 A KR1020200042732 A KR 1020200042732A KR 20200042732 A KR20200042732 A KR 20200042732A KR 20210125637 A KR20210125637 A KR 20210125637A
Authority
KR
South Korea
Prior art keywords
photoresist
deep learning
dvs
spin coater
wafer
Prior art date
Application number
KR1020200042732A
Other languages
English (en)
Other versions
KR102327761B1 (ko
Inventor
박경남
Original Assignee
주식회사 이지스로직
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 주식회사 이지스로직 filed Critical 주식회사 이지스로직
Priority to KR1020200042732A priority Critical patent/KR102327761B1/ko
Publication of KR20210125637A publication Critical patent/KR20210125637A/ko
Application granted granted Critical
Publication of KR102327761B1 publication Critical patent/KR102327761B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70608—Monitoring the unpatterned workpiece, e.g. measuring thickness, reflectivity or effects of immersion liquid on resist
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/16—Coating processes; Apparatus therefor
    • G03F7/162—Coating on a rotating support, e.g. using a whirler or a spinner
    • 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
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/6715—Apparatus for applying a liquid, a resin, an ink or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 발명은 스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 1 DVS(Dynamic Vision Sensor); 상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 2 DVS(Dynamic Vision Sensor); 상기 제 1 내지 제 3 DVS로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 하는 딥러닝판단부; 상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부; 및 상기 제어부의 제어신호에 따라 경보를 발생시키는 경보발생부;를 포함하도록 한 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 관한 것이다. 본 발명에 따르면, 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 노즐 상태를 감시하며, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있다.

Description

ＤＶＳ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템{System for inspecting photoresist coating quality of spin coater}
본 발명은 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 관한 것으로서, 보다 상세하게는 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하는 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 관한 것이다.
일반적으로, 반도체소자 제조공정 중 패턴 형성을 위한 포토리소그래피 공정은 웨이퍼에 포토레지스트를 도포하고, 포토마스크를 이용하여 노광하고, 현상액에 현상함으로써, 포토 마스크의 일정 패턴이 포토레지스터 막에 전사되도록 하는 공정이다. 이때, 웨이퍼에 포토레지스트를 도포하는 공정을 수행하게 되는데, 이는 주로 스핀 코터를 이용하여 이루어진다.
이러한 스핀 코터는 웨이퍼를 고정하고 회전할 수 있도록 이루어진 회전척 위에 외부에서 공급된 웨이퍼가 놓이면, 회전척은 웨이퍼를 고정하고 회전을 시작한다. 그리고 포토레지스트의 공급노즐은 대기 위치에서 분사 위치로 이동하여 일정량의 포토레지스트를 회전하는 웨이퍼 중앙부에 뿌려주게 되고, 이 액상의 포토레지스터는 회전하는 웨이퍼 상에서 원심력에 의해 넓게 퍼져나가며 자체의 점성에 의해 웨이퍼에 거의 고른 두께로 분포된다. 이후 액상의 포토레지스터는 베이크 같은 일련의 경화과정을 거쳐 고상을 이루고, 노광공정에 투입된다.
이와 같은 스핀 코터에 의한 웨이퍼의 포토레지스트 코팅에 대한 품질 관리는 웨이퍼 불량률과 밀접한 관계를 가질 뿐만 아니라, 반도체에서의 미세 선폭 구현에 있어서 더욱 중요해지고 있다.
종래 포토레지스트의 코팅 품질 관리를 위한 기술로서, 한국공개특허 제10-2003-0085692호의 "스핀코터의 포토레지스트 센싱장치 및 센싱방법"이 제시된 바 있는데, 이는 구동수단에 의해 회전될 수 있도록 하는 회전척과; 포토레지스트의 양이 감지될 수 있는 제3 센싱부가 구비되고, 상기 회전척의 상부에 위치된 웨이퍼에 일정량의 포토레지스트가 도포되는 포토레지스트 공급용 노즐과; 포토레지스트의 양이 감지될 수 있는 제1 센싱부가 구비되고, 상기 웨이퍼에 분산될 포토레지스트가 담겨져 있는 포토레지스트 용기와; 포토레지스트의 양이 감지될 수 있는 제2 센싱부가 구비되고, 상기 포토레지스트 용기에 담긴 포토레지스트를 상기 포토레지스트 공급용 노즐에 공급될 수 있도록 펌핑시키는 펌핑부과; 상기 회전척이 회전될 수 있도록 구동수단을 콘트롤하고, 상기 포토레지스트 용기에 담긴 포토레지스트를 펌핑하여 포토레지스트 공급용 노즐로 이동되도록 상기 펌핑부를 콘트롤하는 콘트롤러가 구비되어 있다.
그러나, 종래 기술은 도 1에서와 같은 포토레지스트의 코팅 품질 불량을 야기하는 결함을 정확하게 판별하는데 한계를 가지고, 이로 인해, 웨이퍼의 불량률 감소에 기여하는 정도가 크지 않다는 문제점을 가지고 있었다.
이와 같은 포토레지스트의 코팅 결함을 검출하기 위한 다른 종래 방안으로서, 머신비전 방식을 이용하는 경우, 정상영역 대비 확연한 형상 차이를 보이는 결함(Defect)을 검출(Detection)하는 방식이며, 조명 대비 배경의 밝기 차이, 그리고 윤곽(Edge)을 이용한 형상 검출, 영상을 주파수 공간으로 변환하는 이산 푸리에 변환 알고리즘을 이용한 결함 검출 방법을 사용하게 되는데, 이 경우, 다음과 같은 문제점들을 가질 수 있다.
머신비전 방식의 첫 번째 제한요소는 영상데이터 배경과 결함요소가 바뀔 때 마다 검출 방법을 다르게 만들어야 한다는 것이며, 검사의 대상이 바뀔 때마다 새로운 특징(Feature)을 갖는 데이터를 수집하고, 그 데이터에서 특징을 추출하여 알고리즘을 적용해야 하기 때문에, 다양한 결함 종류에 대한 통합적인 검사 알고리즘을 구성하기가 어려우며, 추가적인 시간과 비용이 크게 발생되는 문제점을 가진다.
머신비전 방식의 두 번째 제한요소는 다양한 배경에서 알고리즘을 적용시킬 경우, 검출 제품의 변화에 따라 결함 검출 방법의 수정이 필요하며, 배경 분석을 통해 검출 방법을 결정하는 것을 작업자가 각 제품의 모델별로 정상제품의 기준 영상이미지와 결함의 영상이미지에 대해서 결함부분에 대한 티칭(Teaching) 작업이 필요하게 된다는 것이며, 작업자의 능력에 따라 티칭(Teaching) 작업 시 에러가 발생할 수 있는 위험이 존재하여, 예측하지 못한 결함이 발생할 경우, 신뢰성이 하락하게 되는 문제점을 가진다.
상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트의 결함 발생 우려 가능성이 높은 공급노즐 부근이나 웨이퍼의 평면 뿐만 아니라, 웨이퍼의 가장자리를 집중적으로 모니터링함으로써 포토레지스트의 결함 검출의 정확도를 높이도록 하며, 특히 반도체 리소그래피(Lithography) 공정에서 핵심적 공정 장치에 해당하는 포토레지스트 코팅을 위한 노즐의 포토레지스트 공급 상태 검출을 통해, 반도체 업계에서 요구하는 반도체 소자의 고신뢰성 및 수율 증대에 대한 요구를 만족시키는데 목적이 있다.
본 발명의 다른 목적들은 이하의 실시례에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일측면에 따르면, 스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 1 DVS(Dynamic Vision Sensor); 상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 2 DVS(Dynamic Vision Sensor); 상기 제 1 내지 제 3 DVS로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 하고, 상기 딥러닝 알고리즘의 구현을 위하여, CNN 하드웨어 가속기를 가지는 딥러닝판단부; 상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부; 및 상기 제어부의 제어신호에 따라 경보를 발생시키는 경보발생부;를 포함하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템이 제공된다.
상기 제 1 DVS는, 한 쌍으로 이루어져서 상기 공급노즐을 중심으로 90도의 각도로 배치되고, 상기 제어부는, 상기 공급노즐로부터 정상적으로 공급되는 포토레지스트의 단면과 상기 제 1 DVS로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시할 수 있다.
상기 제어부는, 상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시, 상기 스핀 코터의 동작을 정지시키도록 제어할 수 있다.
상기 딥러닝판단부는, 상기 공급노즐의 하단으로부터 수직 하방으로 연장되는 가상의 수직선에 대하여, 상기 공급노즐의 하단으로부터 하방으로 공급되는 포토레지스트의 이격량에 따라 상기 포토레지스트의 결함을 판별하도록 하거나, 상기 포토레지스트가 도포되는 상기 웨이퍼 상에서 중심부와 차별되는 색상이나 형태를 가지는 영역 비율에 따라 상기 포토레지스트의 결함을 판별하도록 할 수 있다.
웨이퍼에 대한 상기 포토레지스트의 도포후, 후속 공정에서 상기 웨이퍼의 다이별로 검사된 프로브 테스트의 데이터를 통해서 상기 웨이퍼의 다이별 불량률을 산출하는 웨이퍼수율관리시스템으로부터 상기 불량률을 수신받도록 하는 불량률수신부를 더 포함하고, 상기 딥러닝판단부는, 상기 딥러닝 알고리즘에 의해 학습된 가중치를 상기 불량률에 비례하도록 수정하여, 상기 포토레지스트의 결함 판별시 사용하도록 할 수 있다.
본 발명에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 의하면, 반도체 제조공정 중 하나인 포토레지스트(Photo Resist, PR) 코팅에 사용되는 노즐의 상태와 포토레지스트의 코팅 영역을 DVS(Dynamic Vision Sensor) 및 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 노즐 상태를 감시하며, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있고, 포토레지스트의 결함 발생 우려 가능성이 높은 공급노즐 부근이나 웨이퍼의 평면 뿐만 아니라, 웨이퍼의 가장자리를 집중적으로 모니터링함으로써 포토레지스트의 결함 검출의 정확도를 높일 수 있으며, 특히 반도체 리소그래피(Lithography) 공정에서 핵심적 공정 장치에 해당하는 포토레지스트 코팅을 위한 노즐의 포토레지스트 공급 상태 검출을 통해, 반도체 업계에서 요구하는 반도체 소자의 고신뢰성 및 수율 증대에 대한 요구를 만족시키는 효과를 가진다.
도 1은 종래의 포토레지스트 코팅 품질의 저하로 인한 불량을 나타낸 이미지이다.
도 2는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템이 마련되는 스핀 코터의 내부를 도시한 정면도이다.
도 3은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템을 도시한 구성도이다.
도 4는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서 제 1 DVS의 배치를 도시한 평면도이다.
도 5는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템의 결함 판별 기준을 설명하기 위한 측면도이다.
도 6은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템의 결함 판별 기준의 다른 예를 설명하기 위한 평면도이다.
도 7은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 CNN 하드웨어 가속기의 블록도이다.
도 8은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Convolution Layer 모듈의 블록도이다.
도 9는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Max Pooling Layer 모듈의 블록도이다.
도 10은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Fully Connected Layer 모듈의 블록도이다.
도 11은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Layer별 입력 행렬과 필터 및 Pooling 구조의 블록도이다.
도 12는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 일례를 도시한 블록도이다.
도 13은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Faster R-CNN 기반 검출구현 블록도이다.
도 14는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 Ground-truth and anchor box(Left dispensing 검출의 경우를 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템의 딥러닝판단부에서 지주박스를 기준박스로 미세 조정을 설명하기 위한 도면이다.
도 16은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 1x1xN convolution 기법을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 C-언어 기반 Quasi-Simulator 소프트웨어 네트워크 구조이다.
도 18은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 딥러닝판단부의 학습용 데이터 샘플을 도시한 이미지이다.
도 19는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 검사 모니터링 UI 예시이다.
도 20은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, DVS의 구체적인 블록도이다.
도 21은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, 해상도 확장 DVS 설계 예시이다.
도 22는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, DVS의 민감도 개선 개념도이다.
도 23은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서, DVS의 최적화 개념도이다.
도 24는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서 제 3 DVS의 획득 이미지를 통한 결함 측정을 설명하기 위한 부분 확대도이다.
도 25는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에서 포토레지스트의 공급 결함을 직관적으로 디스플레이하는 모습을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시례를 가질 수 있는 바, 특정 실시례들을 도면에 예시하고, 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니고, 본 발명의 기술 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 식으로 이해되어야 하고, 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시례에 한정되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 실시례를 상세히 설명하며, 도면 부호에 관계없이 동일하거나 대응하는 구성요소에 대해서는 동일한 참조 번호를 부여하고, 이에 대해 중복되는 설명을 생략하기로 한다.
도 2는 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템이 마련되는 스핀 코터의 내부를 도시한 정면도이고, 도 3은 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템을 도시한 구성도이다.
도 2 및 도 3을 참조하면, 본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템(100)은 제 1 DVS(Dynamic Vision Sensor; 110), 제 2 DVS(Dynamic Vision Sensor; 120), 제 3 DVS(Dynamic Vision Sensor; 260), 딥러닝판단부(130), 제어부(140) 및 경보발생부(150)를 포함할 수 있다.
제 1 DVS(110)는 스핀 코터(10)의 공급노즐(210)로부터 공급되는 포토레지스트의 이미지를 획득하도록 스핀 코터(10)에 설치된다. 제 1 DVS(110)는 후술하게 될 제 2 DVS(120)와 마찬가지로, 일반 이미지 센서보다 20배 정도 빠르며, 비교적 원거리에서도 움직임을 정확하게 인식하도록 함으로써, 움직이는 물체의 파악에 유용하다.
제 1 DVS(110)는 공급노즐(210)로부터 하방으로 공급되는 포토레지스트가 균일한 두께를 가지고서 수직되게 제대로 공급되는지를 정확하게 검출하기 위하여, 여러 방향에서 이미지를 획득할 필요가 있는데, 이를 위해 가장 적은 개수로서 정확한 결함 검출을 위하여, 도 4에서와 같이, 한 쌍으로 이루어져서 공급노즐(210)을 중심으로 90도의 각도로 배치될 수 있다. 제 1 DVS(110) 각각은 공급노즐(210)로부터 하방으로 공급되는 포토레지스트를 향하도록 스핀 코터(10)의 케이싱(230) 내에 설치될 수 있다.
제 2 DVS(Dynamic Vision Sensor; 120)는 공급노즐(210)로부터 스핀척(220) 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 스핀 코터(10)에 설치된다. 제 2 DVS(120)는 예컨대 공급노즐(210)이 고정된 노즐아암(211)에 하방을 향하도록 설치될 수 있다.
제 3 DVS(Dynamic Vision Sensor; 260)는 공급노즐(210)로부터 스핀척(220) 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 웨이퍼에 수평된 방향에서 웨이퍼의 가장자리로부터 획득하도록 스핀 코터(10)에 설치된다. 제 3 DVS(260)는 웨이퍼에 수평된 방향에서, 도 24에서와 같이, 웨이퍼(W)의 가장자리에 대한 영상(B)을 획득하여, 포토레지스트(PR)에서 볼록한 부분(b1)이나 오목한 부분(b2) 등과 같이, 포토레지스트(PR)에 대한 결함 관측에 유리하도록 한다. 즉, 웨이퍼(W)에서 가장자리 부분에 대해서 포토레지스트(PR)의 결함 발생 우려가 높은데, 웨이퍼(W)에서 수평방향으로 가장자리의 이미지를 획득시, 포토레지스트(PR)의 평탄도를 해치는 볼록한 부분(b1)의 관측이 용이하면서도 정확해지고, 오목한 부분(b2)은 웨이퍼(W)의 회전시 다른 부분에 비하여 얼룩진 것과 같은 형태를 나타내므로, 이 역시 관측이 용이하면서도 정확해진다.
딥러닝판단부(130)는 제 1 내지 제 3 DVS(110,120,260)로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 한다. 딥러닝판단부(130)는 후술하게 될 제어부(140), 경보발생부(150), 불량률수신부(160) 등과 함께 스핀 코터(10)의 케이싱(230) 내에 마련되는 콘트롤박스(231)에 수용될 수 있다.
딥러닝판단부(130)는 일례로, 도 5에서와 같이, 공급노즐(210)의 하단으로부터 수직 하방으로 연장되는 가상의 수직선(H)에 대하여, 공급노즐(210)의 하단으로부터 하방으로 공급되는 포토레지스트(P)의 이격량, 예컨대 최대 이격 거리(d)에 따라 포토레지스트의 결함을 판별하도록 할 수 있다. 이러한 이격량은 이미지 프로세싱을 통해 포토레지스트(P)의 정해진 두께를 기준으로 산출하도록 구성될 수 있다. 또한 딥러닝판단부(130)는 다른 예로서, 도 6에서와 같이, 포토레지스트가 도포되는 웨이퍼(W) 상에서 중심부(A1)와 차별되는 색상이나 형태를 가지는 영역(A2) 비율에 따라 포토레지스트의 결함을 판별하도록 할 수 있는데, 이 역시 이미지 프로세스에 의해 픽셀별 색상이나 형태의 차이를 면적 산출 알고리즘을 이용하여, 중심부(A1)를 기준으로 이와는 차별되는 색상이나 형태를 가지는 영역(A2)의 면적 비율을 산출하여 포토레지스트의 결함 판별에 사용하도록 구성될 수 있다.
딥러닝판단부(130)는 딥러닝 알고리즘의 구현을 위해, 일례로, 도 7에서와 같은 CNN 하드웨어 가속기를 가지는데, 이러한 CNN 하드웨어 가속기는 Verilog 기반 PL(Programmable Logic) 하드웨어로 구현될 수 있고, 데이터 전송은 AMBA AXI4 버스를 이용할 수 있으며, 임베디드 환경에서 CNN의 실시간 처리를 위하여 Convolution 연산 및 기타 연산들을 병렬로 처리하여 CNN의 속도를 향상시키는 하드웨어 구조로서 구현될 수 있고, 도 8 내지 도 11에서와 같이, Convolution 모듈, Max Pooling 모듈, Fully Connected 모듈로 구성될 수 있다. 이들의 동작 과정은 Bus Interface를 통해서 CNN 연산에 필요한 weight와 bias, 입력 영상을 Block Memory(weight memory, bias memory, Input image)에 저장하고, Convolution1 모듈부터 순차적으로 동작을 구현하는데, Max Pooling은 모든 feature map에 대해 동시에 수행되고, 각 모듈의 연산 결과는 Block Memory에 저장된다. 여기서 하드웨어 구조는 Convolution Layer의 수행 시간을 최대한 줄이기 위해서 곱셈기를 사용할 수 있고, Convolution 연산이 1 clk에 수행되게 하며, 더블 버퍼를 이용하여 연속적으로 계산이 이루어지도록 구현 처리될 수 있다.
또한 딥러닝판단부(130)는 구체적으로 도 12에서와 같은 구성들을 포함할 수 있는데, 신경망 시스템 개발을 위한 FPGA 보드로서 제작될 수 있고, AXI4 simulation 환경 및 logic 설계, Channel write input arbiter, address/data fifo 설계, Channel write input arbiter, address/data fifo 설계, Boundary write split 설계, AXI I/F write wrapper 설계, AXI Master wrapper I/F, Slave I/F 설계, FPGA top module 설계, 병렬 프로세서를 위한 시뮬레이션 환경 구축 및 모델링, 병렬 프로세서에서 객체인식 알고리즘 매핑 등이 구현되고, 학습된 가중치를 메모리에 저장하도록 함과 아울러, 카메라 인터페이스 설계도 함께 구현된다.
딥러닝판단부(130)에서, 기반 객체검출 알고리즘의 구현은, 도 13에서와 같이, Faster R-CNN을 이용하여 포토레지스트의 공급노즐(210)에서 포토레지스트에 대한 좌,우측 분배 및 드롭, 잔존 등의 결함영역을 검출하는 알고리즘이 구현되고, 제안영역(Region Proposal)은 추출방법을 CNN에 포함하여 입력부터 출력까지 전과정을 하나의 네트워크로 운용할 수 있도록 하여, 처리시간의 단축과 학습의 일관성을 갖도록 구현된다. Fast R-CNN 구성에는 기존 이미지 센서가 측정하기 어려운 1,000rpm 이상의 고속으로 움직이는 피사체에 대해서도 정확한 이미지 획득이 가능하도록 구성될 수 있다.
도 14를 참조하면, 딥러닝판단부(130)에 의해, 입력영상으로부터 CNN과 다운샘플링(max pooling)으로 특징맵을 추출하고, 검출하려는 객체가 있는 전경(object) 영역과 없는 배경(not object) 영역을 구분하고, 특징맵을 CNN(Conv.3)을 통과시키고, 다시 Conv.1을 통과시킨 후, 이를 완전연결층(FC: fully connected layer)에 연결하여 배경 영역과 전경 영역을 분류한다. 전경 영역의 위치와 전경 영역에 외접하는 사각형(bounding-box)을 구하는 과정으로서, 위치는 전경 영역을 둘러싸는 사각형의 중심좌표(x,y)이고, 사각형의 크기는 가로폭(w)과 세로높이(h)로 x,y,w,h로 표시되며, 결과는 전경 배경과 x, y, w, h의 6개 값이 되며, 이를 이용하여 제안영역을 표현할 수 있다. 전경 배경은 각각 0과 1 사이의 실수값을 가진다. 이 값은 지주(anchor)박스와 기준(ground-truth)박스를 이용하여 구하며, 지주박스는 검출영역을 탐색하는 윈도우이다. 전경 및 배경을 구별하기 위한 값은 아래 수학식 1을 이용한다.
Figure pat00001
여기서, A는 지주박스 면적이고 B는 기준박스 면적이며, S는 두 박스가 겹치는 면적으로서, 전경과 배경에 대한 영역 값을 설정할 수 있다.
도 15를 참조하면, 검출과정은 ROI(region of interesting) pooling층, 두 개의 완전연결(fully connected layer)층, 좌우 분배(Left & Right dispensing), 드롭(drop), 잔류물(residues) 영역의 검출 과정으로 구성될 수 있다. ROI pooling층의 출력은 두 개의 완전 연결층(FC)을 거쳐, 좌우 분배(Left & Right dispensing), 드롭(drop), 잔류물(residues) 영역과 배경으로 구분된다. 객체 영역을 둘러싸는 사각형의 위치를 미세조정(fine-tune)하는 과정은 검출된 영역을 확정하기 위한 것으로 검출된 객체에 외접하는 사각형을 구하는 과정이기도 하다.
도 16 및 도 17을 참조하면, 기준박스와 지주박스 검출의 경우, RTL을 위한 동작검증용 시뮬레이터(Simulator)를 개발할 수 있는데, 이는 하드웨어와 정확한 동작을 확인하기 위한 검증용으로서 필요하다. 이를 위한 C-언어 기반의 시뮬레이터로 구현할 수 있고, 객체인식 성능을 최대한 유지하면서 연산량(FLOPs)을 개선하기 위해 1 x 1 x N channel reduction layer의 삽입이나, Weight pruning 기법, Weight quantization 기법 등 네트워크 압축 기법으로 구현 처리할 수 있다. 또한, 기존 네트워크 계층(layer)을 줄이고, 대신 인식 성능 저하를 최소화하기 위한 route(skip connection), reorg와 같은 신규 네트워크 기법을 도입하여 연산량을 개선시킬 수 있다. 검증을 위한 프로파일링 기능 구현 과정, 각 레이어의 입력/출력 정보를 로그 파일 생성 과정, 그리고 각 레이어의 가중치 및 파라미터 정보를 로그 파일로 생성하는 과정들이 수행될 수 있다.
도 18을 참조하면, 학습하고자 하는 데이터는 반도체 산업의 특성상 보안 문제로 인해 데이터 수집에 대한 접근에 많은 어려움이 있어, 결함데이터 이미지를 학습하기에는 매우 불충분한 상황이다. 따라서, 충분한 학습용 데이터를 확보하기 위하여 관련 유지보수 업체를 활용하여 산업체 현장에서 사용하는 포토레지스트 코팅용 공급노즐 및 포토레지스를 확보한 후, 다른 장소에서 유사 환경실험을 통하여 확보할 수 있다. 또한 원본 이미지에 대해 변환(평행 이동, 각도 조절 등)처리를 이용해서 확보할 수도 있다. 학습은 네가지 단계를 거쳐 이루어질 수 있는데, 첫 번째 단계는, 학습데이터를 이용하여 RPN을 학습하고, 두 번째 단계는 학습된 RPN으로부터 얻은 제안영역을 이용하여 검출기를 학습하고, 세 번째 단계는 콘볼루션(CNN) 및 Max pooloing 단계의 가중치를 고정한 후 RPN을 미세조정할 수 있다. 네번째 단계는 세 번째 단계로부터 구한 제안영역을 이용하여 검출기를 미세조정 하는 과정이다. 여기서 세 번째 및 네 번째 단계에서는 콘볼루션 및 Max pooling 과정의 가중치를 서로 공유하게 된다. 또한 외부에 별도로 존재하는 RPN을 네트워 크 내부로 통합함으로써, 콘볼루션 및 Max pooling 부분을 공유하게 되어 객체검출 시간을 크게 단축할 수 있다.
도 19 내지 도 21을 참조하면, 플랫폼기반의 이미징 시스템 개발을 위해, 딥러닝 영상감시 플랫폼 적용, 반도체 장비에 특화된 UI 기반 결함검사 모니터링 프로그램 개발, 네트워크 8채널 이상의 비디오 입력, 화면분할(1분할, 4분할, 8분할), 연속 또는 이벤트시 영상 저장 모드의 구현, H.265,H.264,MJPEG 압축방식과 HDMI, VGA 모니터 출력, 1TB 이상 저장공간이 구현되도록 할 수 있다.
도 22를 참조하면, 제 1 내지 제 3 DVS(110,120,260)에 대한 높은 이미지 품질을 위한 해상도 확장이 필요한데, 이를 위해, 높은 수준의 영향을 획득하기 위해서 128*128 이상의 해상도로 확장되도록 구성될 수 있고, 집적화를 최대화하기 위해 성능을 유지하면서 픽셀 면적을 줄여 기존 전체 칩 사이즈에 더 큰 해상도를 확보할 수 있도록 할 필요가 있다.
도 23을 참조하면, 낮은 조도에서도 사물을 감지할 수 있기 위해서는 픽셀의 고감도(high sensitivity)가 필요하다. 이를 위해 디퍼런싱 증폭기(Differencing Amplifier)의 높은 이득(gain)이 필요하기 때문에 빛을 모아주는 포토다이오드의 필 팩터(fill factor)가 감소하는 문제점이 존재하는데, 이의 해결을 위하여, 디퍼런싱 증폭기(differencing amp)를 펄스 발생기(pulse generator)로 대체할 수 있다.
제어부(140)는 딥러닝판단부(130)의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 한다. 제어부(140)는 딥러닝판단부(130)의 판별 결과에 따라 포토레지스트의 결함 발생시, 스핀 코터(10)의 동작을 정지시키도록 제어할 수 있는데, 이를 위해 스핀 코터(10)에 마련되는 결함중단부(250)가 제어부(140)의 제어신호를 수신받아 스핀 코터(10)의 동작을 정지시키도록 구성될 수도 있다.
제어부(140)는 공급노즐(210)로부터 정상적으로 공급될 때의 포토레지스트의 단면과 한 쌍으로 이루어져서 공급노즐(210)을 중심으로 90도의 각도로 배치되는 상기 제 1 DVS(110)로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이부(미도시)를 통해서 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시하도록 할 수 있다. 따라서, 작업자는 이러한 디스플레이 결과를 통해서 현재 공급노즐(210)의 상태를 확인할 수 있도록 할 뿐만 아니라, 이에 대한 신속한 후속 조치를 취할 수 있도록 한다. 제어부(140)는 서로 직교하도록 이미지를 획득하는 한 쌍의 제 1 DVS(110) 각각의 획득 이미지로부터 공급되는 포토레지스트가 정상임을 판단하기 위한 기준이 되는 수직선(도 5 참조)으로부터 어느 정도 일치 내지 이격되었는지를 이미지 프로세싱에 의해 수치적으로 획득하고, 이를 기초로 하여, 공급노즐(210)로부터 공급되는 포토레지스트의 단면 형태를 실험에 의해 획득하고, 이러한 단면 형태를 기준이 되는 수직선으로부터 어느 정도 이격되었는지 수치적으로 획득한 값을 적용하여 기준으로부터 배치함으로써, 도 25에서와 같이, 평면적으로 정상 포토레지스트의 단면(기준)을 기준으로 전후 및 좌우 이격치를 반영하여 실제 공급되는 포토레지스트의 단면(실제)을 나타냄으로써, 실제 포토레지스트의 결함 편차를 직관적으로 신속하게 파악할 수 있도록 한다.
경보발생부(150)는 제어부(140)의 제어신호에 따라 경보를 발생시키도록 하는데, 케이싱(230)의 외측에 마련되는 디스플레이부(170)를 통해서 경보 메시지를 디스플레이하도록 하거나, 경보음을 출력하도록 스피커로 이루어지거나, 발광이나 점멸 등에 의해 경보를 제공하도록 발광유닛으로 이루어질 수 있다.
본 발명의 일 실시례에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템(100)에는, 데이터나 명령의 입력을 위한 입력부(180), 동작에 필요한 전원을 분배하는 전원공급부(미도시), 각종 데이터나 프로그램 등의 저장을 위한 메모리부(미도시) 등이 마련될 수도 있고, 웨이퍼에 대한 포토레지스트의 도포후, 후속 공정에서 웨이퍼의 다이(chip)별로 검사된 프로브(probe) 테스트의 데이터를 통해서 웨이퍼의 다이별 불량률을 산출하는 웨이퍼수율관리시스템(300)으로부터 불량률을 유선이나 무선 통신을 이용하여 데이터로서 수신받도록 하는 불량률수신부(160)가 마련될 수 있다.
이때, 딥러닝판단부(130)는 딥러닝 알고리즘에 의해 학습된 가중치를 불량률에 비례하도록 수정하여, 포토레지스트의 결함 판별시 사용하도록 할 수 있다. 여기서 비례 상수로는 0.1~10을 비롯하여, 불량률의 최소화를 위해 실험적으로 구해질 수 있다. 여기서, 웨이퍼수율관리시스템(300)은 웨이퍼의 다이별로 검사된 프로브(probe) 테스트 데이터를 입력받아, 입력된 프로브 테스트 데이터를 이용하여, 정해진 수율 산출 방식에 따라 웨이퍼 각각에 대한 수율을 산출하게 되고, 웨이퍼 각각에 대한 식별정보와 함께 해당하는 수율을 불량률수신부(160)에 제공하도록 한다.
스핀 코터(10)는 공급노즐(210)을 통한 포토레지스의 공급을 개폐시키기 위한 노즐개폐부(212)가 마련될 수 있고, 케이싱(230) 내에 공급노즐(210)이 고정된 노즐아암(211)을 스핀척(220)의 상측에 로딩하도록 하거나, 스핀척(220)의 상측으로부터 언로딩시키는 노즐이송부(213)가 마련될 수 있고, 또한 스핀 코터(10)는 정해진 프로세스를 수행하도록 노즐개폐부(212), 노즐이송부(213) 및 스핀척(220) 등의 제어를 수행하도록 하는 메인제어부(240)가 마련될 수 있다.
이와 같은 본 발명에 따른 DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템에 따르면, 딥러닝(Deep learning) 기술을 활용한 스핀 코터의 공급노즐 상태에 대한 유형 데이터를 정량화하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 공급노즐 상태를 감시하고, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있다.
또한, 본 발명에 따르면, 딥러닝 기반 이미지 분석은 육안 검사의 정교함과 유연성을 컴퓨터 비전의 신뢰성, 일관성, 속도와 결합하여, 기존 머신비전으로는 유지관리가 거의 불가능한 까다로운 비전 애플리케이션을 정밀하고, 반복적으로 해결할 수 있으며, 허용되지 않는 결함을 구분하는 동시에 복잡한 패턴의 자연적인 변동을 용인할 수 있으며, 코어 알고리즘을 다시 프로그래밍하지 않고도 새로운 예시에 맞게 바로 조정할 수 있는 장점을 가지도록 한다.
또한, 본 발명에 따르면, 딥러닝 기반 기술은 포토레지스트의 공급노즐 상태의 결함 기준에서 영상을 분류(Classification)하고, 결함영역 구분 및 물체 검출은 컨볼루션신경망(CNN)을 이용하여 입력된 영상의 특징 맵(feature map)을 생성하여, 영상데이터에서 결함영역 구분 및 물체 검출을 수행하는 영상처리 알고리즘을 사용하여, 결함 영상처리 능력을 향상시키고, 검사신뢰성을 높일 수 있다는 점에서 머신비전 방식과 차별성을 가지게 된다.
이와 같이, 웨이퍼 제조공정의 초기단계인 포토리소그래피(Photo-Lithograghy) 공정의 포토레지스트 노즐로부터 공급 결함으로 인한 레지스트 필름의 두께 이상 및 불균일성으로 인한 피해를 예방함으로써, 수입 대체 및 비용 절감에 따른 경제적인 효과를 달성할 수 있다.
이와 같이 본 발명에 대해서 첨부된 도면을 참조하여 설명하였으나, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 수정 및 변형이 이루어질 수 있음은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시례에 한정되어서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이러한 특허청구범위와 균등한 것들에 의해 정해져야 한다.
110 : 제 1 DVS 120 : 제 2 DVS
130 : 딥러닝판단부 140 : 제어부
150 : 경보발생부 160 : 불량률수신부
170 : 디스플레이부 180 : 입력부
210 : 공급노즐 211 : 노즐아암
212 : 노즐개폐부 213 : 노즐이송부
220 : 스핀척 230 : 케이싱
231 : 콘트롤박스 240 : 메인제어부
250 : 결함중단부 260 : 제 3 DVS
300 : 웨이퍼수율관리시스템

Claims (5)

  1. 스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 1 DVS(Dynamic Vision Sensor);
    상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 획득하도록 상기 스핀 코터에 설치되는 제 2 DVS(Dynamic Vision Sensor);
    상기 공급노즐로부터 상기 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 상기 웨이퍼에 수평된 방향에서 상기 웨이퍼의 가장자리로부터 획득하도록 상기 스핀 코터에 설치되는 제 3 DVS(Dynamic Vision Sensor);
    상기 제 1 내지 제 3 DVS로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해 포토레지스트의 결함 여부를 판별하도록 하고, 상기 딥러닝 알고리즘의 구현을 위하여, CNN 하드웨어 가속기를 가지는 딥러닝판단부;
    상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부; 및
    상기 제어부의 제어신호에 따라 경보를 발생시키는 경보발생부;
    를 포함하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템.
  2. 청구항 1에 있어서,
    상기 제 1 DVS는,
    한 쌍으로 이루어져서 상기 공급노즐을 중심으로 90도의 각도로 배치되고,
    상기 제어부는,
    상기 공급노즐로부터 정상적으로 공급되는 포토레지스트의 단면과 상기 제 1 DVS로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시하도록 하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템.
  3. 청구항 1에 있어서,
    상기 제어부는,
    상기 딥러닝판단부의 판별 결과에 따라 포토레지스트의 결함 발생시, 상기 스핀 코터의 동작을 정지시키도록 제어하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템.
  4. 청구항 1에 있어서,
    상기 딥러닝판단부는,
    상기 공급노즐의 하단으로부터 수직 하방으로 연장되는 가상의 수직선에 대하여, 상기 공급노즐의 하단으로부터 하방으로 공급되는 포토레지스트의 이격량에 따라 상기 포토레지스트의 결함을 판별하도록 하거나, 상기 포토레지스트가 도포되는 상기 웨이퍼 상에서 중심부와 차별되는 색상이나 형태를 가지는 영역 비율에 따라 상기 포토레지스트의 결함을 판별하도록 하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템.
  5. 청구항 1 내지 청구항 4 중 어느 한 항에 있어서,
    웨이퍼에 대한 상기 포토레지스트의 도포후, 후속 공정에서 상기 웨이퍼의 다이별로 검사된 프로브 테스트의 데이터를 통해서 상기 웨이퍼의 다이별 불량률을 산출하는 웨이퍼수율관리시스템으로부터 상기 불량률을 수신받도록 하는 불량률수신부를 더 포함하고,
    상기 딥러닝판단부는,
    상기 딥러닝 알고리즘에 의해 학습된 가중치를 상기 불량률에 비례하도록 수정하여, 상기 포토레지스트의 결함 판별시 사용하도록 하는, DVS와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템.
KR1020200042732A 2020-04-08 2020-04-08 Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템 KR102327761B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200042732A KR102327761B1 (ko) 2020-04-08 2020-04-08 Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200042732A KR102327761B1 (ko) 2020-04-08 2020-04-08 Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템

Publications (2)

Publication Number Publication Date
KR20210125637A true KR20210125637A (ko) 2021-10-19
KR102327761B1 KR102327761B1 (ko) 2021-11-19

Family

ID=78228464

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200042732A KR102327761B1 (ko) 2020-04-08 2020-04-08 Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템

Country Status (1)

Country Link
KR (1) KR102327761B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040060553A (ko) * 2002-12-30 2004-07-06 동부전자 주식회사 포토레지스트 도포 결함 모니터링 장치 및 그 방법
KR20190015160A (ko) * 2018-11-01 2019-02-13 주식회사 수아랩 인공 신경망의 훈련 방법
JP2020031103A (ja) * 2018-08-21 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理装置および基板処理システム
JP2020031083A (ja) * 2018-08-20 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理装置および基板処理システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040060553A (ko) * 2002-12-30 2004-07-06 동부전자 주식회사 포토레지스트 도포 결함 모니터링 장치 및 그 방법
JP2020031083A (ja) * 2018-08-20 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理装置および基板処理システム
JP2020031103A (ja) * 2018-08-21 2020-02-27 株式会社Ｓｃｒｅｅｎホールディングス 基板処理方法、基板処理装置および基板処理システム
KR20190015160A (ko) * 2018-11-01 2019-02-13 주식회사 수아랩 인공 신경망의 훈련 방법

Also Published As

Publication number Publication date
KR102327761B1 (ko) 2021-11-19

Similar Documents

Publication Publication Date Title
US9031313B2 (en) Inspection system
US8948495B2 (en) Inspecting a wafer and/or predicting one or more characteristics of a device being formed on a wafer
TWI597689B (zh) 使用表面形貌屬性之缺陷分類
CN110969598A (zh) 晶圆检查方法以及晶圆检查系统
US20210012475A1 (en) System and method for set up of production line inspection
US9262821B2 (en) Inspection recipe setup from reference image variation
JP2002100660A (ja) 欠陥検出方法と欠陥観察方法及び欠陥検出装置
CA2843892A1 (en) System and method for remote full field three-dimensional displacement and strain measurements
JP2001326263A (ja) ウェーハー表面の構造欠陥を査定する方法
US20120163698A1 (en) Method for Inspection and Detection of Defects on Surfaces of Disc-Shaped Objects and Computer System with a Software Product for Carrying out the Method
US20150346610A1 (en) Aerial mask inspection based weak point analysis
CN108431936A (zh) 基于形状的分组
JP4109799B2 (ja) 半導体装置の製造方法
JP4126189B2 (ja) 検査条件設定プログラム、検査装置および検査システム
JP2015127653A (ja) 検査装置、及び検査方法
KR102368201B1 (ko) 스핀 코터의 포토레지스트 코팅 품질 검사 시스템
KR102585478B1 (ko) 딥러닝을 이용한 스핀 코터의 포토레지스트 도포 상태 검사 시스템
KR102327761B1 (ko) Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템
KR102324162B1 (ko) 포토레지스트 코팅 품질 검사가 가능한 스핀 코터
KR102189951B1 (ko) 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법
KR20240051370A (ko) 반도체 포토레지스트 분사장비의 코팅 품질 검사가 가능한 스핀 코터
KR20240048627A (ko) 반도체 ｐｒ장비의 노즐장치에 대한 불량 도포의 ａｉ 검출 및 제어 시스템
KR20240051374A (ko) 반도체 포토레지스터 장비의 pr 분사품질 자동검출기
EP1146481A2 (en) Pattern inspection apparatus, pattern inspection method, and recording medium
CN117015850B (zh) 以经呈现设计图像进行的设计注意区域的分段

Legal Events

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