KR20220106255A - 딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치 - Google Patents

딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치 Download PDF

Info

Publication number
KR20220106255A
KR20220106255A KR1020210008612A KR20210008612A KR20220106255A KR 20220106255 A KR20220106255 A KR 20220106255A KR 1020210008612 A KR1020210008612 A KR 1020210008612A KR 20210008612 A KR20210008612 A KR 20210008612A KR 20220106255 A KR20220106255 A KR 20220106255A
Authority
KR
South Korea
Prior art keywords
axis
semiconductor
analysis
measuring device
image
Prior art date
Application number
KR1020210008612A
Other languages
English (en)
Other versions
KR102622174B1 (ko
Inventor
정동수
성웅찬
이영심
Original Assignee
주식회사 라온솔루션
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 라온솔루션 filed Critical 주식회사 라온솔루션
Priority to KR1020210008612A priority Critical patent/KR102622174B1/ko
Publication of KR20220106255A publication Critical patent/KR20220106255A/ko
Application granted granted Critical
Publication of KR102622174B1 publication Critical patent/KR102622174B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/0004—Microscopes specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/265—Mixing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8835—Adjustable illumination, e.g. software adjustable screen
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • G01N2021/8893—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 based on image processing techniques providing a video image and a processed signal for helping visual decision
    • 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]

Landscapes

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

Abstract

딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치는 광학측정의 초점조절을 위해 테스트 대상이 되는 반도체 웨이퍼 칩을 X축, Y축, Z축 방향으로 이송시키는 웨이퍼 스테이지와, 웨이퍼 스테이지에 배치된 상기 반도체 웨이퍼 칩을 소정의 비율로 확대하여 표시하는 광학 현미경과, 광학 현미경에서 확대 표시되는 반도체 웨이퍼 칩을 각 영역별로 복수 번 영상 촬영하는 고해상도 카메라와, 고해상도 카메라로부터 전송되는 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 자동 생성하는 제어 컴퓨터와, 복수 개의 촬영영상 및 분석용 영상을 전송받아 인공 신경망을 이용한 딥러닝을 적용하여 불량을 검출하는 관리서버를 포함하는 것을 특징으로 한다.

Description

딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치{Automatic optical measuring device for semiconductor failure analysis applying deep learning algorithm}
본 발명은 자동 광학측정장치에 관한 것으로서, 더 상세하게는 딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치에 관한 것이다.
반도체 웨이퍼를 생산 후 불량이 발생하였을 때 웨이퍼 칩의 정밀 촬영 후 이를 분석하는 테스트 과정이 필요하다. 이를 위해 오토 촬영 스코프 장비가 필수적으로 사용되고 있다.
즉, 웨이퍼 레벨의 반도체 칩을 확대 촬영하고 각 영역의 부품 및 회로 형성이 정확하게 이루어졌는지 확인하는 과정이 필요하다.
도 1은 종래의 자동 촬영 현미경의 예시도이다.
도 1을 참조하면, 올림푸스, 니콘, 라이카, 짜이즈의 촬영 현미경은 범용의 현미경으로 출시되었다.
즉, 바이오, 화학 등과 같이 다양한 분야의 범용 현미경이므로 자동 촬영시 촬영 매수의 제한이 있고, 특히 웨이퍼를 촬영시 수작업을 거쳐서 최종 분석용 영상을 획득해야하는 불편함이 존재한다.
KR 10-2002-0074014A
본 발명은 상기와 같은 기술적 과제를 해결하기 위해 제안된 것으로, 딥러닝 알고리즘을 적용하여 불량패턴을 검출할 수 있는 반도체 불량분석용 자동 광학측정장치를 제공한다.
상기 문제점을 해결하기 위한 본 발명의 일 실시예에 따르면, 광학측정의 초점조절을 위해 테스트 대상이 되는 반도체 웨이퍼 칩을 X축, Y축, Z축 방향으로 이송시키는 웨이퍼 스테이지와, 웨이퍼 스테이지에 배치된 상기 반도체 웨이퍼 칩을 소정의 비율로 확대하여 표시하는 광학 현미경과, 광학 현미경에서 확대 표시되는 반도체 웨이퍼 칩을 각 영역별로 복수 번 영상 촬영하는 고해상도 카메라와, 고해상도 카메라로부터 전송되는 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 자동 생성하는 제어 컴퓨터와, 복수 개의 촬영영상 및 분석용 영상을 전송받아 인공 신경망을 이용한 딥러닝을 적용하여 불량을 검출하는 관리서버를 포함하는 자동 광학측정장치가 제공된다.
또한, 본 발명에 포함되는 관리서버에서 적용되는 인공 신경망은, 입력 레이어, 히든 레이어 및 출력 레이어로 구성되되, 히든 레이어의 활성함수(activation function)는 ELU function 을 사용하고, 히든 레이어의 아웃풋 레이어의 활성함수(activation function)는 tanh funtion 을 사용하고, 손실함수(loss function)는 mean_squared_error를 사용하고, 옵티마이져(optimizer)는 Adam optimizer를 사용하는 것을 특징으로 한다.
또한, 본 발명에 포함되는 제어 컴퓨터는, 광학 현미경의 확대배율을 고려하여 광학측정의 초점조절을 위해 상기 웨이퍼 스테이지의 X축, Y축, Z축 이송방향 및 이송거리를 자동제어하는 것을 특징으로 한다.
본 발명의 실시예에 따른 반도체 불량분석용 자동 광학측정장치는, 광학측정의 초점조절을 위해 테스트 대상이 되는 반도체 웨이퍼 칩을 X축, Y축, Z축 방향으로 자동 이송시키고 고해상도 카메라로부터 전송되는 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 자동 생성할 수 있으며, 인공 신경망을 이용한 딥러닝을 적용하여 다양한 불량패턴을 빠르게 검출할 수 있다.
도 1은 종래의 자동 촬영 현미경의 예시도
도 2는 본 발명에 따른 반도체 불량분석용 자동 광학측정장치의 개념도
도 3은 본 발명의 일 실시예에 따른 반도체 불량분석용 자동 광학측정장치의 구성도
도 3a는 인공 신경망을 이용한 딥러닝 알고리즘의 예시도
도 4는 제어 컴퓨터에 표시되는 분석용 영상의 예시도
도 5는 반도체 웨이퍼 칩의 불량 검출 예시도
도 6은 화소를 이용한 치수 측정 예시도
도 7은 합성 이미지를 이용한 회로추출 예시도
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시예를 첨부한 도면을 참조하여 설명하기로 한다.
도 2는 본 발명에 따른 반도체 불량분석용 자동 광학측정장치의 개념도이고, 도 3은 본 발명의 일 실시예에 따른 반도체 불량분석용 자동 광학측정장치의 구성도이고, 도 3a는 인공 신경망을 이용한 딥러닝 알고리즘의 예시도이다.
본 실시예에 따른 자동 광학측정장치는 제안하고자 하는 기술적인 사상을 명확하게 설명하기 위한 간략한 구성만을 포함하고 있다.
도 2, 도 3, 도 3a 를 참조하면, 반도체 불량분석용 자동 광학측정장치는 촬영부(10)와 제어 컴퓨터(400)를 포함하여 구성된다.
여기에서 촬영부(10)는 웨이퍼 스테이지(100), 광학 현미경(200), 고해상도 카메라(300)를 포함한다. 또한, 관리서버(500)는 실시예에 따라 선택적으로 구비될 수 있다.
또한, 관리서버(500)에는 인공 신경망을 이용한 딥러닝 알고리즘이 소프트웨어 형태로 적용된다.
상기와 같이 구성되는 반도체 불량분석용 자동 광학측정장치의 주요동작을 살펴보면 다음과 같다.
제안된 자동 광학측정장치는 반도체 웨이퍼의 불량분석, 반도체 패키지의 불량분석, 반도체 웨어퍼 이미지 분석을 통한 설계 검증을 진행할 수 있도록 구성되며, 관리서버(500)에 인공 신경망을 이용한 딥러닝 알고리즘이 소프트웨어 형태로 적용된다.
특히, 관리서버(500)는 “ 기존의 불량영상, 촬영영상, 분석용 영상 및 반도체 공정 조건 데이터”를 주기적으로 지능형 학습 엔진을 통해 학습을 진행한다. 학습된 데이터와 경향을 토대로 반도체 웨이퍼에 일어날 수 있는 불량을 사전에 예측할 수 있다. 지능형 학습 엔진은 관리서버에 소프트웨어 라이브러리로 탑재될 수 있다.
또한, 반도체 공정 조건 데이터를 토대로 고장 발생 가능성과, 예상 발생 시간을 관리를 할 수 있어 테스트 예정인 반도체 웨이퍼의 생산시간을 토대로 장애를 사전에 예측할 수도 있다. - 테스트시 각 반도체 웨이퍼의 생산시간에 대한 정보도 입력된다고 가정함 -
또한, 관리서버에서 딥러닝 네트워크 구조의 적응적 변경 및 취득 영상 데이터 학습이 적용되며, 정의된 이벤트 형태 검출에 적합한 CNN(Convolutional Neural Network)구조 설계가 적용될 수 있다.
또한, 다양한 위치에서 동일한 특징들 탐색을 위한 컨볼루션(Convolution) 레이어 단계별 입출력 파라미터 설계가 적용되고, 위치와 각도 변화에 잘 대처할 수 있도록 풀링(Pooling) 레이어 설계가 적용될 수 있다. 또한, 특징 맵(커널) 및 활성화(Activation) 방식 설계가 적용되고, 획득한 학습 영상에서 이벤트 영역 분리 및 레이블링이 적용되며, 네트워크 학습 진행되도록 구성될 수 있다.
웨이퍼 스테이지(100)는 광학측정의 초점조절을 위해 테스트 대상이 되는 반도체 웨이퍼 칩을 X축, Y축, Z축 방향으로 이송시키는 역할을 수행한다. 웨이퍼 스테이지(100)의 X축, Y축, Z축의 최소 이송거리는 0.5um ~ 0.8um 로 설정할 수 있도록 구성되는 것이 바람직하다.
웨이퍼 스테이지(100)는 X축, Y축, Z축 이송을 위해 제어 컴퓨터(400)에 의해 자동제어되는 스테핑 모터 또는 서보 모터를 포함할 수 있다. 즉, 반도체 웨이퍼 칩을 부분적으로 복수 번 촬영할 때 모터의 제어를 통해 테스트 시료를 이송시키며, 분당 13장 이상의 이미지 촬영이 가능한 속도로 X,Y,Z 축 이동이 가능하다.
광학 현미경(200)은 웨이퍼 스테이지(100)에 배치된 반도체 웨이퍼 칩을 소정의 비율로 확대하여 표시한다. 제어 컴퓨터(400)는 광학 현미경(200)의 확대배율을 고려하여 광학측정의 초점조절을 위해 웨이퍼 스테이지(100)의 X축, Y축, Z축의 위치(반도체 웨이퍼 칩의 위치)를 자동 조절한다.
광학 현미경(200)은 1000배율 이상의 확대비율을 가진 현미경이 사용되는 것이 바람직하며, 초점조절을 위해 웨이퍼 스테이지(100)와 상호 연동되어 동작한다.
고해상도 카메라(300)는 광학 현미경(200)에서 확대 표시되는 반도체 웨이퍼 칩을 각 영역별로 복수 번 영상 촬영한다. 2000만 화소급 이상의 고해상도 카메라(300)가 사용되는 것이 바람직하며, 최소 3000매 이상의 연속 이미지 촬영이 가능한 것이 바람직하다. 고해상도 카메라(300)는 제어 컴퓨터(400)의 제어에 따라 웨이퍼 스테이지(100)와 연동되어 촬영동작을 진행한다.
고해상도 카메라(300)는 제어 컴퓨터(400)의 제어에 따라 반도체 웨이퍼 칩을 부분 촬영, 전체 촬영을 진행할 수 있다.
제어 컴퓨터(400)는 고해상도 카메라(300)로부터 전송되는 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 자동 생성한다.
최소 1000장 이상의 촬영영상을 이미지 합성(스티칭)하여 분석용 영상을 생성한다.
제어 컴퓨터(400)는 광학 현미경(200)의 확대배율을 고려하여 광학측정의 초점조절을 위해 웨이퍼 스테이지(100)의 X축, Y축, Z축 이송방향 및 이송거리를 자동제어할 수 있다. 제어 컴퓨터(400)는 반도체 웨이퍼 칩(테스트 시료)의 불균일성을 스테이지의 X,Y,Z 축을 제어함으로서 0.5㎛심도의 자동 초점조절을 진행한다.
제어 컴퓨터(400)는 분석용 영상과 기준 영상을 비교한 후 그 차이점을 기반으로 불량을 검출하고, 검출결과를 관리서버(500)로 전송한다.
관리서버(500)는 복수 개의 촬영영상 및 분석용 영상을 전송받아 관리한다.
관리서버에서 적용되는 인공 신경망은, 입력 레이어, 히든 레이어 및 출력 레이어로 구성되되, 히든 레이어의 활성함수(activation function)는 ELU function 을 사용하고, 히든 레이어의 아웃풋 레이어의 활성함수(activation function)는 tanh funtion 을 사용하고, 손실함수(loss function)는 mean_squared_error를 사용하고, 옵티마이져(optimizer)는 Adam optimizer를 사용한다.
참고적으로 스테이지의 동작 속도의 최적화로 분당 13장 이상의 반도체 웨이퍼 칩 이미지 촬영할 수 있는데, 연속 이미지 촬영의 속도를 확보하기 위해서는 X,Y 축의 이동 반복 정밀도가 1㎛ 이하로 유지되어야 하므로 정밀 스테핑 모터를 구동한다.
고속 촬영에서 초점심도가 중요한데 1000배율 광학현미경에서 초점 심도는 현미경에서 초점을 맞출 때 해당 면의 전후로 초점면이 어긋나도 선명하게 보이는 범위를 말한다. 개구 수(NA)가 커지면 초점 심도는 얕아지고 초점 심도가 깊어지면 초점이 맞는 범위가 커져 미세한 단차에도 동일 초점을 확인할 수가 있다. 아래는 식 1은 초점 심도의 계산 공식이다.
<식 1>
Figure pat00001
식 1에 의해 1000배율에서 피사체가 정확하게 인식되는 초점심도는 현미경 NA값에 의해서 결정되는데 보통 0.6㎛ ~ 1.4㎛의 피사체 심도를 가진다. 이를 위하여 스테이지의 Z축 초점 심도를 정확히 맞추기 위해서 최소 0.5㎛의 구동 정밀도를 가져야 한다.
도 4는 제어 컴퓨터에 표시되는 분석용 영상의 예시도이고, 도 5는 반도체 웨이퍼 칩의 불량 검출 예시도이다.
도 4 및 도 5를 참조하면 제어 컴퓨터(400)는 고해상도 카메라로부터 전송되는 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 생성하고, 기준 영상과 비교하여 불량을 자동 검출한다. 기준 영상은 양품의 영상이며 관리서버(500)로부터 주기적으로 업데이트된다.
도 6은 화소를 이용한 치수 측정 예시도이다.
도 6을 참조하면, 제어 컴퓨터(400)는 촬영 화상의 화소를 통해 반도체 웨이퍼 칩의 치수를 측정할 수 있다. 즉, 분석용 영상은 화소 단위로 구성되어 있으므로, 측정하고 싶은 구간에 몇 개의 화소가 있는지 확인하고 1화소의 크기를 곱하면 길이로 환산 가능하다. 도 6에서 전체 길이가 300화소이고 촬영 배율시 화소의 크기기 10㎛일 경우 10㎛ x 300화소는 3,000㎛가 된다.
한편, 스티칭 5,000 이상의 카메라 화소가 2000만 화소일 경우 장당 약 4MB의 용량을 가진다. 5,000장의 사진을 스티칭 하면 장당 약 4GB의 용량의 사진을 이미지 프로세싱하여야 하는데 이는 현재의 컴퓨터로 프로세싱할 경우 과부하가 발생할 수 있다.
따라서 제어 컴퓨터(400)의 동작 성능을 고려하여 성능 이상의 많은 수의 이미지를 합성할 경우에는 선택적으로 고해상도 카메라(300)의 촬영영상이 관리서버(500)로 직접 자동 전송되고 관리서버(500)에서 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 자동 생성한 후, 분석용 영상을 제어 컴퓨터(400)로 피드백 하는 과정이 진행될 수 있다.
한편, 촬영부(10)와 제어 컴퓨터(400) 사이의 네트워크 속도와, 제어 컴퓨터(400)와 관리서버(500) 사이의 네트워크 속도에 연동되어 스티칭시 사용되는 이미지 수와, 고해상도 카메라(300)의 분당 촬영 수가 각각 자동조절 될 수 있다. 즉, 네트워크 속도가 느려질수록 스티칭시 사용되는 이미지 수와 분당 촬영 수가 자동 감소한다.
참고적으로 제어 컴퓨터(400) 및 관리서버(500)는 이미지 합성(스티칭)을 진행할 때, 특징 기반 방법(Feature based method) 중 SIFTT(Scale-Invariant Feature Transform)방법에 사용되는 알고리즘을 반도체 이미지에 적용한다.
도 7은 합성 이미지를 이용한 회로추출 예시도이다.
도 7을 참조하면, 제어 컴퓨터(400)는 합성된 분석용 영상을 토대로 회로추출 이미지를 자동생성한 후 표시할 수 있다.
이때, 테스트 대상이 되는 반도체 웨이퍼 칩에 사용된 각 소자의 이미지 특성 및 부품정보는 관리서버(500)에서 미리 제공된다. 즉, 제어 컴퓨터(400)는 합성된 분석용 영상 및 관리서버(500)로부터 제공된 반도체 웨이퍼 칩 정보를 기반으로 회로추출 이미지를 자동 생성한다.
이때, 제어 컴퓨터(400)는 객체(부품)를 식별할 때 객체들이 소정의 영상 유사도 값 이상을 가질 경우, 유사한 영역의 영상정보를 차분하여 추가인식영역을 선정하고 추가인식영역의 영상 차이점을 토대로 고유 식별자를 해당 영역에 부여할 수 있다. 즉, 유사한 영역의 영상정보를 차분하여 추가인식영역을 선정하고 추가인식영역의 영상 차이점을 토대로 고유 식별자를 해당 영역에 부여하여 관리할 수 있다.
관리서버(500)는 촬영영상을 수신하여 하나의 이미지로 합성한 후, 실시간으로 객체를 인식하는 이미지 프로세서를 진행하여 제어 컴퓨터(400)의 연산부하를 감소시킬 수 있다.
또한, 관리서버(500)는 인식된 객체정보(부품)를 제어 컴퓨터(400)로 피드백한다. 즉, 객체인식을 진행하는 과정이 관리서버(500)에서 진행되고, 관리서버(500)는 인식된 결과만을 객체정보로써 제어 컴퓨터(400)에 피드백함으로써 제어 컴퓨터(400)의 연산부하가 감소되는 효과가 발생한다. 이때, 제어 컴퓨터(400)는 이미지를 송신하는 동시에 처리를 원하는 영상처리명령까지 관리서버(500)에 전송하고, 그 결과값만을 피드백 받을 수 있다.
또한, 관리서버(500)는 인식된 객체정보를 제어 컴퓨터(400)로 피드백 할 때, 각각의 객체정보는 객체 종류별로 미리 할당된 식별코드 및 각 객체의 중심영역에 대한 절대 위치정보를 포함한다.
예를 들면, 화면의 영상에서 캐패시터라는 객체(부품)가 인식될 경우, 캐패시터에 미리 할당된 식별코드와, 캐패시터의 중심영역의 위치(좌표)에 대한 정보가 전송된다.
참고적으로, 식별코드는 객체코드 및 부가코드를 포함하는데, 객체코드는 캐패시터이라는 형상에 부여된 코드이고, 부가코드는 캐패시터의 종류 및 크기 등과 같은 부가 데이터 정보를 코드화한 것으로 정의된다.
또한, 웨이퍼 스테이지(100)는 X, Y, Z축 이송은 모터의 동작에 의해 구동되는데, 모터에 연결된 회전축에는 복수의 베어링이 연결되어 있다. 즉, 베어링은 회전축의 하중을 지지하면서 회전축이 회전할 때의 마찰력을 감소시킨다. 웨이퍼 스테이지(100)는 모터의 회전속도를 일정하게 유지한 상태에서 구동전류 또는 구동토크의 변화를 일정시간 감지한 후, 구동전류 또는 구동토크의 변화추세/패턴을 토대로 베어링의 마모 한계점 또는 불량을 검출할 수 있다.
본 발명의 실시예에 따른 반도체 불량분석용 자동 광학측정장치는, 광학측정의 초점조절을 위해 테스트 대상이 되는 반도체 웨이퍼 칩을 X축, Y축, Z축 방향으로 자동 이송시키고 고해상도 카메라로부터 전송되는 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 자동 생성할 수 있으며, 인공 신경망을 이용한 딥러닝을 적용하여 다양한 불량패턴을 빠르게 검출할 수 있다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10 : 촬영부
100 : 웨이퍼 스테이지
200 : 광학 현미경
300 : 고해상도 카메라
400 : 제어 컴퓨터
500 : 관리서버

Claims (5)

  1. 광학측정의 초점조절을 위해 테스트 대상이 되는 반도체 웨이퍼 칩을 X축, Y축, Z축 방향으로 이송시키는 웨이퍼 스테이지;
    상기 웨이퍼 스테이지에 배치된 상기 반도체 웨이퍼 칩을 소정의 비율로 확대하여 표시하는 광학 현미경;
    상기 광학 현미경에서 확대 표시되는 상기 반도체 웨이퍼 칩을 각 영역별로 복수 번 영상 촬영하는 고해상도 카메라;
    상기 고해상도 카메라로부터 전송되는 복수 개의 촬영영상을 이미지 합성하여 분석용 영상을 자동 생성하는 제어 컴퓨터; 및
    상기 복수 개의 촬영영상 및 분석용 영상을 전송받아 인공 신경망을 이용한 딥러닝을 적용하여 불량을 검출하는 관리서버;
    를 포함하는 반도체 불량분석용 자동 광학측정장치.
  2. 제1항에 있어서,
    상기 관리서버에서 적용되는 인공 신경망은,
    입력 레이어, 히든 레이어 및 출력 레이어로 구성되되,
    히든 레이어의 활성함수(activation function)는 ELU function 을 사용하고, 히든 레이어의 아웃풋 레이어의 활성함수(activation function)는 tanh funtion 을 사용하고,
    손실함수(loss function)는 mean_squared_error를 사용하고,
    옵티마이져(optimizer)는 Adam optimizer를 사용하는 것을 특징으로 하는 반도체 불량분석용 자동 광학측정장치.
  3. 제1항에 있어서,
    상기 제어 컴퓨터는,
    상기 광학 현미경의 확대배율을 고려하여 광학측정의 초점조절을 위해 상기 웨이퍼 스테이지의 X축, Y축, Z축 이송방향 및 이송거리를 자동제어하는 것을 특징으로 하는 반도체 불량분석용 자동 광학측정장치.
  4. 제3항에 있어서,
    상기 웨이퍼 스테이지의 X축, Y축, Z축의 최소 이송거리는 0.5um ~ 0.8um 로 설정되는 것을 특징으로 하는 반도체 불량분석용 자동 광학측정장치.
  5. 제3항에 있어서,
    상기 웨이퍼 스테이지는,
    X축, Y축, Z축 이송을 위해 상기 제어 컴퓨터에 의해 자동제어되는 스테핑 모터 또는 서보 모터를 포함하는 것을 특징으로 하는 반도체 불량분석용 자동 광학측정장치.
KR1020210008612A 2021-01-21 2021-01-21 딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치 KR102622174B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210008612A KR102622174B1 (ko) 2021-01-21 2021-01-21 딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210008612A KR102622174B1 (ko) 2021-01-21 2021-01-21 딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치

Publications (2)

Publication Number Publication Date
KR20220106255A true KR20220106255A (ko) 2022-07-29
KR102622174B1 KR102622174B1 (ko) 2024-01-09

Family

ID=82606636

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210008612A KR102622174B1 (ko) 2021-01-21 2021-01-21 딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치

Country Status (1)

Country Link
KR (1) KR102622174B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020074014A (ko) 2001-03-19 2002-09-28 삼성전자 주식회사 반도체 웨이퍼 검사용 현미경장치 및 그 검사방법
KR20070104067A (ko) * 2006-04-21 2007-10-25 팀버 테크놀로지스, 인코포레이티드 머신 학습 시스템을 이용하여 반도체 웨이퍼상에 형성된구조물을 조사하는 방법
JP2011222622A (ja) * 2010-04-06 2011-11-04 Hitachi High-Technologies Corp 検査方法およびその装置
KR20170074812A (ko) * 2015-12-22 2017-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템
US20190383753A1 (en) * 2018-06-19 2019-12-19 Kla-Tencor Corporation Correlating sem and optical images for wafer noise nuisance identification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020074014A (ko) 2001-03-19 2002-09-28 삼성전자 주식회사 반도체 웨이퍼 검사용 현미경장치 및 그 검사방법
KR20070104067A (ko) * 2006-04-21 2007-10-25 팀버 테크놀로지스, 인코포레이티드 머신 학습 시스템을 이용하여 반도체 웨이퍼상에 형성된구조물을 조사하는 방법
JP2011222622A (ja) * 2010-04-06 2011-11-04 Hitachi High-Technologies Corp 検査方法およびその装置
KR20170074812A (ko) * 2015-12-22 2017-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템
US20190383753A1 (en) * 2018-06-19 2019-12-19 Kla-Tencor Corporation Correlating sem and optical images for wafer noise nuisance identification

Also Published As

Publication number Publication date
KR102622174B1 (ko) 2024-01-09

Similar Documents

Publication Publication Date Title
US10101572B2 (en) Variable focal length lens system with multi-level extended depth of field image processing
US6621082B2 (en) Automatic focusing system for scanning electron microscope equipped with laser defect detection function
US20200200531A1 (en) Distance determination of a sample plane in a microscope system
CN116453924A (zh) 对在电子显微镜下研究的样品的漂移校正的自动化应用
KR102108956B1 (ko) 인공지능을 활용한 머신비전 모듈형 소프트웨어를 갖는 머신비전 검사장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
US20220046180A1 (en) Deep Learning Model for Auto-Focusing Microscope Systems
CN112881419A (zh) 芯片检测方法、电子设备及存储介质
JP2017045166A (ja) ワークの処理方法、基準画像の作成方法、基準画像の作成装置、ワークの処理装置、プログラム、及び記録媒体
CN1981302B (zh) 图像处理装置和方法
CN113899698B (zh) 一种面向原位测试平台的实时对焦和居中调整方法及装置
WO2007080568A2 (en) System and method for inspecting workpieces having microscopic features
KR102649495B1 (ko) 사물인터넷 플랫폼 서버와 연동되는 반도체 웨이퍼 칩 분석을 위한 자동 광학측정장치
TW202206805A (zh) 用於光學目標檢索之光學影像對比度量
KR102622174B1 (ko) 딥러닝 알고리즘을 적용한 반도체 불량분석용 자동 광학측정장치
JP2000081324A (ja) 欠陥検査方法およびその装置
KR102599734B1 (ko) 반도체 웨이퍼 칩 분석을 위한 자동 광학측정장치
Pan et al. NJUST-CCTD: an image database for milling tool wear classification with deep learning
CN111862196A (zh) 检测平板物体的通孔的方法、装置和计算机可读存储介质
JPH08210987A (ja) 欠陥検出用顕微鏡装置
CN112819735B (zh) 一种显微系统的实时大尺度图像合成算法
CN112258493B (zh) 快速识别定位衬底上二维材料的方法、系统、设备及介质
WO2023033842A1 (en) Wafer alignment improvement through image projection-based patch-to-design alignment
TW202124946A (zh) 缺陷檢測系統及缺陷檢測方法
JP2015210396A (ja) アライメント装置、顕微鏡システム、アライメント方法、及びアライメントプログラム
US20220261943A1 (en) Image processing device, image processing method, production system, product manufacturing method, and storage medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant