KR20220143644A - 시편의 검사를 위한 결함 위치의 결정 - Google Patents
시편의 검사를 위한 결함 위치의 결정 Download PDFInfo
- Publication number
- KR20220143644A KR20220143644A KR1020227023228A KR20227023228A KR20220143644A KR 20220143644 A KR20220143644 A KR 20220143644A KR 1020227023228 A KR1020227023228 A KR 1020227023228A KR 20227023228 A KR20227023228 A KR 20227023228A KR 20220143644 A KR20220143644 A KR 20220143644A
- Authority
- KR
- South Korea
- Prior art keywords
- regions
- data
- semiconductor specimen
- att
- specimen
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 153
- 230000007547 defect Effects 0.000 title claims abstract description 152
- 239000004065 semiconductor Substances 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000002596 correlated effect Effects 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000005286 illumination Methods 0.000 claims description 8
- 238000010894 electron beam technology Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 235000012431 wafers Nutrition 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000004630 atomic force microscopy Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004626 scanning electron microscopy Methods 0.000 description 2
- 125000003821 2-(trimethylsilyl)ethoxymethyl group Chemical group [H]C([H])([H])[Si](C([H])([H])[H])(C([H])([H])[H])C([H])([H])C(OC([H])([H])[*])([H])[H] 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- 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
- G03F7/70681—Metrology strategies
- G03F7/706833—Sampling plan selection or optimisation, e.g. select or optimise the number, order or locations of measurements taken per die, workpiece, lot or batch
-
- 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
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- 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
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
검사 툴에 의해 취득된 반도체 시편의 하나 이상의 제1 영역의 이미지를 획득하고, 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하고, 하나 이상의 제1 영역에서, 적어도, Datt의 또는 Datt에 상관된 데이터의 변화에 기초하여, 결함의 존재가 의심되는 반도체 시편의 하나 이상의 제2 영역을 결정하고, 검사 툴에 의한 검사를 위해 하나 이상의 제2 영역을 선택하도록 구성된 시스템 및 방법이 제공된다.
Description
본 개시된 주제는, 일반적으로, 시편 검사 분야에 관한 것이며, 더 구체적으로, 시편의 검사를 자동화하는 것에 관한 것이다.
제조된 디바이스들의 극초대규모 집적 회로와 연관된, 높은 밀도 및 성능에 대한 현재의 요구들은 미크론미만 피처들(submicron features), 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 필요로 한다. 그러한 요구들은 높은 정밀도 및 균일성으로 디바이스 피처들을 형성하는 것을 필요로 하는데, 이는 차례로, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 되어 있는 동안 디바이스들의 자동화된 검사를 포함하는, 제조 프로세스의 주의 깊은 모니터링을 요한다.
검사 프로세스들은 시편들 상의 결함들을 검출하고 분류하기 위해 반도체 제조 동안 다양한 단계들에 사용된다. 검사의 유효성은, 예를 들어, 자동 결함 분류(ADC), 자동 결함 검토(ADR) 등과 같은 프로세스(들)의 자동화에 의해 증가될 수 있다.
본 개시된 주제의 특정 양상들에 따르면, 반도체 시편의 검사 시스템이 제공되고, 시스템은 프로세서 및 메모리 회로(PMC)를 포함하고, PMC는, 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 제1 영역의 이미지를 획득하고, 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하고, 하나 이상의 제1 영역에서, 적어도, Datt의 또는 Datt에 상관된 데이터의 변화에 기초하여, 결함의 존재가 의심되는 반도체 시편의 하나 이상의 제2 영역을 결정하고, 검사 툴에 의한 검사를 위해 하나 이상의 제2 영역을 선택하도록 구성된다.
일부 실시예들에 따르면, 하나 이상의 제2 영역의 결정은 Datt의 극값의 검색에 기초한다.
일부 실시예들에 따르면, 시스템은, 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와, 하나 이상의 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터 사이의 상관을 나타내는 D상관을 결정하고, 결함의 존재가 의심되는 반도체 시편의 하나 이상의 제2 영역을 결정하고 - 하나 이상의 제2 영역은, D상관 또는 그를 나타내는 데이터, 및 반도체 시편의 두께를 나타내는 데이터에 기초하여 결정됨 -, 검사 툴에 의한 검사를 위해 하나 이상의 제2 영역을 선택하도록 구성된다.
일부 실시예들에 따르면, 시스템은, 1과 동일한 i로부터, 정지 기준이 충족될 때까지, (1), (2), (3) 및 (4): (1) 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 영역(Ai)의 이미지를 획득하는 것, (2) 하나 이상의 영역(Ai)에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하는 것, (3) 적어도, 하나 이상의 영역(Ai)에서의 Datt의 변화에 기초하여, 결함의 존재가 의심되는 반도체 시편의 하나 이상의 영역(Ai + 1)을 결정하는 것, 및 (4) 1만큼 증분된 i에 대해 (1)로 복귀하는 것을 반복적으로 수행하도록 구성된다.
일부 실시예들에 따르면, 시스템은, 반도체 시편의 이미지에 존재하는 픽셀들의 복수의 하위세트들 각각에 대해, 각각의 하위세트에 결함이 존재하는 확률을 생성하도록 구성되고, 여기서 제2 영역은 적어도 확률에 기초하여 선택되고, 확률은 (i) 및 (ii): (i) 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt); 및 (ii) 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와, 하나 이상의 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터 사이의 상관을 나타내는 데이터(D상관), 및 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나에 기초한다.
일부 실시예들에 따르면, 하나 이상의 제1 영역에서의 데이터(Datt)는: 하나 이상의 제1 영역에 존재하는 요소들의 형상을 나타내는 데이터, 및 하나 이상의 제1 영역에 존재하는 요소들과 하나 이상의 제1 영역의 기준 이미지에 존재하는 요소들 사이의 차이를 나타내는 데이터 중 적어도 하나를 포함한다.
일부 실시예들에 따르면, 데이터(D상관)가 범위(R)에 걸친 반도체 시편의 두께를 나타내는 데이터에 의존하는 함수(F)를 포함하는 경우, 시스템은, (i), (ii) 및 (iii):
(i) 제2 영역에서의 반도체 시편의 두께를 나타내는 데이터가 범위(R)의 함수(F)를 따르는 것;
(ii) 제2 영역에서의 반도체 시편의 두께를 나타내는 데이터가, R과 상이한 범위(R')에 걸쳐 함수(F)를 시험하는 것을 허용하는 것;
(iii) 함수(F)의 출력의 극값을 향해 이동하려고 시도하기 위해, 제2 영역에서의 반도체 시편의 두께를 나타내는 데이터가 선택되는 것
중 적어도 하나가 충족되도록 제2 영역을 선택하도록 구성된다.
일부 실시예들에 따르면, 하나 이상의 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터, 및 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나는, 적어도 하나의 광학 검사 툴에 의해 취득된 이미지에서의 픽셀 강도에 기초하여 획득된다.
일부 실시예들에 따르면, 하나 이상의 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터 및 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나는, 적어도 하나의 광학 검사 툴에 의해 취득된 복수의 이미지들에서의 픽셀 강도에 기초하여 획득되고, 여기서 복수의 이미지들은 광학 검사 툴의 조명 광학 신호의 파장에 의해 상이하다.
일부 실시예들에 따르면, 시스템은, 반도체 시편에 걸친 결함들의 존재의 확률을 나타내는 제1 확률 지도에 기초하여 하나 이상의 제1 영역을 선택하도록 구성되고, 여기서, 제1 확률 지도는, 광학 검사 툴에 의해 취득된, 반도체 시편의 이미지, 광학 검사 툴에 의해 취득된, 반도체 시편의 이미지에 기초한 결함 위치의 추정, 결함 위치에 관한 이력 데이터, 전자 빔 검사 툴에 의해 취득된, 반도체 시편의 이미지, 반도체 시편의 모의된 이미지, 반도체 시편의 합성 이미지, 및 반도체 시편의 제조 데이터 중 적어도 하나에 기초하여 구축된다.
일부 실시예들에 따르면, 하나 이상의 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터, 및 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나는, 적어도 하나의 광학 검사 툴에 의해 취득된 이미지에서의 픽셀 강도에 기초하여 획득된다.
일부 실시예들에 따르면, 하나 이상의 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터 및 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나는, 적어도 하나의 광학 검사 툴에 의해 취득된 복수의 이미지들에서의 픽셀 강도에 기초하여 획득되고, 여기서 복수의 이미지들은 광학 검사 툴의 조명 광학 신호의 파장에 의해 상이하다.
본 개시된 주제의 특정 양상들에 따르면, 반도체 시편의 검사 방법이 제공되고, 방법은, 프로세서 및 메모리 회로(PMC)에 의해: 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 제1 영역의 이미지를 획득하는 단계, 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하는 단계, 하나 이상의 제1 영역에서, 적어도, Datt의 또는 Datt에 상관된 데이터의 변화에 기초하여, 결함의 존재가 의심되는 반도체 시편의 하나 이상의 제2 영역을 결정하는 단계, 및 검사 툴에 의한 검사를 위해 하나 이상의 제2 영역을 선택하는 단계를 포함한다.
본 개시된 주제의 다른 양상들에 따르면, 컴퓨터에 의해 실행될 때 컴퓨터로 하여금 상기 방법을 수행하게 하는 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체가 제공된다.
일부 실시예들에 따르면, 제안된 해결책은, (예를 들어, 광학 검사 툴에 의해 취득된 이미지에서의) 신호 대 잡음비가 낮은, 작은 구조들을 포함하는 시편의 효율적인 검사를 허용한다. 일부 실시예들에 따르면, 제안된 해결책은 상충되는 요건들: 제한된 시간 및 예산에서, 시편의 검사를 위한 저속 고해상도 검사 툴(이 툴은, 특히, 작은 구조들의 검사를 위해 요구되지만, 합리적인 시간에 시편의 작은 영역만을 검사할 수 있음)의 효율적인 사용에 대처한다. 일부 실시예들에 따르면, 제안된 해결책은 검사 툴을 시편의 관련 영역들을 향해 스마트하고 효율적인 방식으로 지향시키는 것을 허용한다. 일부 실시예들에 따르면, 제안된 해결책은 시편의 검사에 요구되는 시간 및 비용을 최적화한다.
본 개시내용을 이해하고 본 개시내용이 어떻게 실제로 수행될 수 있는지를 알기 위해, 이제, 첨부 도면들을 참조하여, 단지 비제한적인 예로서, 실시예들이 설명될 것이고, 도면들에서:
도 1은 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 일반화된 블록도를 예시한다.
도 2는 시편에서의 관심 위치들에 대한 정보를 제공하는 제1 확률 지도를 구축하는 방법의 일반화된 흐름도를 예시한다.
도 3은 검사 툴에 의한 검사를 위해 시편에서의 관심 위치들을 결정하는 방법의 일반화된 흐름도를 예시한다.
도 3a는 시편에 대한 도 3의 방법의 사용의 비제한적인 예를 예시한다.
도 4는 검사 툴에 의한 검사를 위해 시편에서의 관심 위치들을 결정하는 반복적 방법의 일반화된 흐름도를 예시한다.
도 5는 도 3의 방법의 다른 가능한 실시예의 일반화된 흐름도를 예시한다.
도 5a는 적어도 하나의 취득 파라미터에 의해 상이한 복수의 이미지들에 기초하여 시편의 두께를 나타내는 데이터를 결정하는 방법의 일반화된 흐름도를 예시한다.
도 5b는 영역에서의 결함의 존재를 나타내는 데이터와 픽셀 강도(두께를 나타냄)를 상관시키는 함수의 예를 예시한다.
도 5c는 영역에서의 결함의 존재를 나타내는 데이터와 픽셀 강도(두께를 나타냄)를 상관시키는 함수의 다른 예를 예시한다.
도 6은 반복적으로 적용되는 도 5의 방법의 일반화된 흐름도를 예시한다.
도 1은 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 일반화된 블록도를 예시한다.
도 2는 시편에서의 관심 위치들에 대한 정보를 제공하는 제1 확률 지도를 구축하는 방법의 일반화된 흐름도를 예시한다.
도 3은 검사 툴에 의한 검사를 위해 시편에서의 관심 위치들을 결정하는 방법의 일반화된 흐름도를 예시한다.
도 3a는 시편에 대한 도 3의 방법의 사용의 비제한적인 예를 예시한다.
도 4는 검사 툴에 의한 검사를 위해 시편에서의 관심 위치들을 결정하는 반복적 방법의 일반화된 흐름도를 예시한다.
도 5는 도 3의 방법의 다른 가능한 실시예의 일반화된 흐름도를 예시한다.
도 5a는 적어도 하나의 취득 파라미터에 의해 상이한 복수의 이미지들에 기초하여 시편의 두께를 나타내는 데이터를 결정하는 방법의 일반화된 흐름도를 예시한다.
도 5b는 영역에서의 결함의 존재를 나타내는 데이터와 픽셀 강도(두께를 나타냄)를 상관시키는 함수의 예를 예시한다.
도 5c는 영역에서의 결함의 존재를 나타내는 데이터와 픽셀 강도(두께를 나타냄)를 상관시키는 함수의 다른 예를 예시한다.
도 6은 반복적으로 적용되는 도 5의 방법의 일반화된 흐름도를 예시한다.
이하의 상세한 설명에서, 본 개시내용의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다. 그러나, 본 개시된 주제가 이러한 구체적인 세부 사항들 없이 실시될 수 있다는 점을 관련 기술분야의 통상의 기술자는 이해할 것이다. 다른 경우들에서, 잘 알려진 방법들, 절차들, 구성요소들 및 회로들은 본 개시된 주제를 모호하게 하지 않기 위해 상세히 설명되지 않았다.
이하의 논의들로부터 명백한 것으로서, 구체적으로 달리 언급되지 않는 한, 본 명세서 전반에 걸쳐 "처리", "획득", "선택", "결정", "생성", "출력" 등과 같은 용어들을 활용하는 논의들이, 데이터 - 상기 데이터는 물리적으로, 예컨대, 전자, 양들로 표현되고/거나 상기 데이터는 물리적 대상들을 표현함 - 를 다른 데이터로 조작하고/거나 변환하는, 컴퓨터의 액션(들) 및/또는 프로세스(들)를 지칭한다는 것을 이해한다. "컴퓨터"라는 용어는, 비제한적인 예로서, 본 출원에 개시된 시스템(103) 및 그의 각각의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어 기반 전자 디바이스를 포함하는 것으로 광범위하게 이해되어야 한다.
본원에서 사용되는 "비일시적 메모리" 및 "비일시적 저장 매체"라는 용어들은 본 개시된 주제에 적합한 임의의 휘발성 또는 비휘발성 컴퓨터 메모리를 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "시편"이라는 용어는 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체 제조 물품들을 제조하기 위해 사용되는 임의의 종류의 웨이퍼, 마스크들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "검사"라는 용어는 임의의 종류의 계측 관련 동작들뿐만 아니라 시편의 제조 동안 시편의 결함들의 검출 및/또는 분류와 관련된 동작들도 포함하는 것으로 광범위하게 이해되어야 한다. 검사는 검사될 시편의 제조 동안 또는 제조 이후에 비파괴적 검사 툴들을 사용함으로써 제공된다. 비제한적인 예로서, 검사 프로세스는, 동일하거나 상이한 검사 툴들을 사용하여, 시편 또는 그의 부분들에 관하여 제공되는 (단일 또는 다수 횟수의 스캔들의) 런타임 스캐닝, 샘플링, 검토, 측정, 분류 및/또는 다른 동작들을 포함할 수 있다. 마찬가지로, 검사는 검사될 시편의 제조 이전에 제공될 수 있고, 예를 들어, 검사 레시피(들)를 생성하는 것 및/또는 다른 설정 동작들을 포함할 수 있다. 구체적으로 달리 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어들은 검사 영역의 크기 또는 해상도에 관하여 제한되지 않는다는 점을 주목한다. 다양한 비파괴적 검사 툴들은, 비제한적인 예로서, 주사 전자 현미경들, 원자력 현미경들, 광학 검사 툴들 등을 포함한다.
비제한적인 예로서, 실행시간 검사는 2단계 절차, 예를 들어, 시편의 검사 및 이어서, 잠재적 결함들의 샘플링된 위치들의 검토를 채용할 수 있다. 제1 단계 동안, 시편의 표면은 고속 및 비교적 저해상도로 검사된다. 제1 단계에서는, 결함의 높은 확률을 갖는, 시편 상의 의심되는 위치들을 보여주기 위해 결함 지도가 생성된다. 제2 단계 동안, 의심되는 위치들 중 적어도 일부가, 비교적 높은 해상도로 더 철저하게 분석된다. 일부 경우들에서, 양쪽 단계들 모두, 동일한 검사 툴에 의해 구현될 수 있고, 일부 다른 경우들에서는, 이러한 2개의 단계들은 상이한 검사 툴들에 의해 구현된다.
본 명세서에서 사용되는 "결함"이라는 용어는 시편 상에 또는 시편 내에 형성된 임의의 종류의 이상 또는 바람직하지 않은 피처를 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "설계 데이터"라는 용어는 시편의 계층적 물리적 설계(레이아웃)를 나타내는 임의의 데이터를 포함하는 것으로 광범위하게 이해되어야 한다. 설계 데이터는 각각의 설계자에 의해 제공될 수 있고/거나 물리적 설계로부터(예를 들어, 복잡한 모의(complex simulation), 간단한 기하학적 및 부울 연산 등을 통해) 유도될 수 있다. 설계 데이터는 상이한 포맷들, 예컨대, 비제한적인 예들로서, GDSII 포맷, OASIS 포맷 등으로 제공될 수 있다. 설계 데이터는 벡터 포맷, 그레이스케일 강도 이미지 포맷 또는 다른 방식으로 제시될 수 있다.
구체적으로 달리 언급되지 않는 한, 개별 실시예들의 맥락으로 설명되는 본 개시된 주제의 특정한 피처들이 또한, 조합하여 단일 실시예에 제공될 수 있다는 것이 이해된다. 반대로, 단일 실시예의 맥락으로 설명되는 본 개시된 주제의 다양한 특징들이 또한, 개별적으로 또는 임의의 적합한 하위조합으로 제공될 수 있다. 이하의 상세한 설명에서, 방법들 및 장치의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다.
이를 염두에 두고, 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하는 도 1에 주목한다. 도 1에 예시된 검사 시스템(100)은 시편 제조 프로세스의 부분으로서 시편(예를 들어, 웨이퍼 및/또는 그의 부분들)의 검사를 위해 사용될 수 있다. 예시된 검사 시스템(100)은 시편 제조 동안 획득된 이미지들을 사용하여 계측 관련 정보 및/또는 결함 관련 정보를 자동적으로 결정할 수 있는 컴퓨터 기반 시스템(103)을 포함한다. 시스템(103)은 하나 이상의 저해상도 검사 툴(101) 및/또는 하나 이상의 고해상도 검사 툴(102) 및/또는 다른 검사 툴들에 동작 가능하게 연결될 수 있다. 검사 툴들은 이미지들을 캡처하고/거나 캡처된 이미지(들)를 검토하고/거나 캡처된 이미지(들)에 관련된 측정들을 가능하게 하거나 제공하도록 구성된다. 시스템(103)은 CAD 서버(110) 및 데이터 저장소(109)에 추가로 동작 가능하게 연결될 수 있다.
시스템(103)은, 하드웨어 기반 입력 인터페이스(105) 및 하드웨어 기반 출력 인터페이스(106)에 동작 가능하게 연결된 프로세서 및 메모리 회로(PMC)(104)를 포함한다. PMC(104)는, 이하에서 더 상세히 설명되는 바와 같이 시스템(103)을 동작시키기 위해 필요한 모든 처리를 제공하도록 구성되고(시스템(103)에 의해 적어도 부분적으로 수행될 수 있는, 도 3 내지 5에 설명된 방법들 참고), 프로세서(개별적으로 도시되지 않음) 및 메모리(개별적으로 도시되지 않음)를 포함한다. PMC(104)의 프로세서는 PMC에 포함된 비일시적 컴퓨터 판독가능 메모리 상에 구현된 컴퓨터 판독가능 명령어들에 따라 몇몇 기능 모듈들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이하에서 PMC에 포함되는 것으로 지칭된다. PMC(104)에 포함된 기능 모듈들은 심층 신경망(DNN)(112)을 포함한다. DNN(112)은 시편들의 이미지들에 기초하여 응용 관련 데이터를 출력하기 위해 기계 학습 알고리즘을 사용하여 데이터 처리를 가능하게 하도록 구성된다.
비제한적인 예로서, DNN(112)의 계층들은 콘볼루션 신경망(CNN) 아키텍처, 순환 신경망 아키텍처, 재귀 신경망들 아키텍처, 생성적 대립 신경망(GAN) 아키텍처 또는 다른 방식에 따라 조직화될 수 있다. 선택적으로, 계층들 중 적어도 일부는 복수의 DNN 부분망들로 조직화될 수 있다. DNN의 각각의 계층은 관련 기술분야에서 차원들, 뉴런들, 또는 노드들로서 전형적으로 지칭되는 다수의 기본 계산 요소들(CE)을 포함할 수 있다.
일반적으로, 주어진 계층의 계산 요소들은 선행 계층 및/또는 후속 계층의 CE들과 연결될 수 있다. 선행 계층의 CE와 후속 계층의 CE 사이의 각각의 연결은 가중 값과 연관된다. 주어진 CE는 각각의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있고, 각각의 주어진 연결은 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은 연결들의 상대적 강도 및 그에 따른 주어진 CE의 출력에 대한 각각의 입력들의 상대적 영향을 결정할 수 있다. 주어진 CE는 활성화 값(예를 들어, 입력들의 가중 합)을 계산하고, 계산된 활성화에 활성화 함수를 적용함으로써 출력을 더 유도하도록 구성될 수 있다. 활성화 함수는, 예를 들어, 항등 함수, 결정 함수(예를 들어, 선형, 시그모이드, 임계 등), 확률적 함수, 또는 다른 적합한 함수일 수 있다. 주어진 CE로부터의 출력은 각각의 연결들을 통해 후속 계층의 CE들로 송신될 수 있다. 마찬가지로, 상기와 같이, CE의 출력에서의 각각의 연결은, 후속 계층의 CE의 입력으로서 수신되기 전에 CE의 출력에 적용될 수 있는 가중 값과 연관될 수 있다. 가중 값들에 추가로, 연결들 및 CE들과 연관된 임계 값들(극한 함수들(limiting functions)을 포함함)이 존재할 수 있다.
DNN(112)의 가중 및/또는 임계 값들은 훈련 전에 초기에 선택될 수 있고, 훈련된 DNN에서 가중 및/또는 임계 값들의 최적 세트를 달성하기 위해, 훈련 동안 추가로 반복적으로 조정 또는 수정될 수 있다. 각각의 반복 후에, 데이터의 각각의 훈련 세트와 연관된 목표 출력과, DNN(112)에 의해 생성된 실제 출력 사이의 차이(손실 함수라고도 함)가 결정될 수 있다. 차이는 오차 값으로 지칭될 수 있다. 훈련은, 오차 값을 나타내는 비용 또는 손실 함수가, 미리 결정된 값 미만일 때 또는 반복들 사이의 성능에서의 제한된 변화가 달성될 때 완료되는 것으로 결정될 수 있다. 선택적으로, DNN 부분망들 중 적어도 일부는 (존재한다면) 전체 DNN을 훈련시키기 전에 개별적으로 훈련될 수 있다.
시스템(103)은 입력 인터페이스(105)를 통해 입력 데이터를 수신하도록 구성된다. 입력 데이터는, 검사 툴들에 의해 생성된 데이터(및/또는 그의 파생물들 및/또는 그와 연관된 메타데이터) 및/또는 생성되고/거나 하나 이상의 데이터 저장소(109) 및/또는 CAD 서버(110) 및/또는 다른 관련 데이터 저장소에 저장된 데이터를 포함할 수 있다. 입력 데이터는 이미지들(예를 들어, 캡처된 이미지들, 캡처된 이미지들로부터 유도된 이미지들, 모의된 이미지들, 합성 이미지들 등) 및 연관된 수치 데이터(예를 들어, 메타데이터, 수작업 속성들 등)를 포함할 수 있다는 점을 주목한다. 이미지 데이터는 시편의 관심 있는 층 및/또는 하나 이상의 다른 층에 관련된 데이터를 포함할 수 있다는 점을 추가로 주목한다.
시스템(103)은 수신된 입력 데이터의 적어도 일부를 처리하고 출력 인터페이스(106)를 통해 결과들(또는 그의 부분)을 저장 시스템(107)에, 검사 툴(들)에, 결과들을 표시하기 위한 컴퓨터 기반 그래픽 사용자 인터페이스(GUI)(108)에 그리고/또는 외부 시스템들(예를 들어, FAB의 수율 관리 시스템(YMS))에 전송하도록 추가로 구성된다. GUI(108)는 시스템(103)을 동작시키는 것에 관련된 사용자 특정 입력들을 가능하게 하도록 추가로 구성될 수 있다.
비제한적인 예로서, 시편은 하나 이상의 저해상도 검사 기계(101)(예를 들어, 광학 검사 시스템, 저해상도 SEM 등)에 의해 검사될 수 있다. 시편의 저해상도 이미지들에 대한 정보를 제공하는 결과 데이터(이하에서 저해상도 이미지 데이터(121)로 지칭됨)는 직접적으로 또는 하나 이상의 중간 시스템을 통해 시스템(103)에 송신될 수 있다. 대안적으로 또는 추가적으로, 시편은 고해상도 기계(102)에 의해 검사될 수 있다(예를 들어, 검토를 위해 선택된 잠재적 결함 위치들의 하위세트는 주사 전자 현미경(SEM) 또는 원자력 현미경(AFM)에 의해 검토될 수 있다). 시편의 고해상도 이미지들에 대한 정보를 제공하는 결과 데이터(이하에서 고해상도 이미지 데이터(122)로 지칭됨)는 직접적으로 또는 하나 이상의 중간 시스템을 통해 시스템(103)에 송신될 수 있다.
시편 상의 원하는 위치의 이미지들은 상이한 해상도들로 캡처될 수 있다는 점이 주목된다. 비제한적인 예로서, 원하는 위치의 소위 "결함 이미지들"은 결함과 오경보를 구별하는데 사용가능한 반면, 원하는 위치의 소위 "부류 이미지들"은 더 높은 해상도로 획득되고 결함 분류에 사용가능하다. 일부 실시예들에서, 동일한 위치의 (동일한 또는 상이한 해상도들을 갖는) 이미지들은 이미지들 간에(예를 들어, 주어진 위치로부터 캡처된 이미지들과 주어진 위치에 대응하는 하나 이상의 기준 이미지들 간에) 정합된 몇몇 이미지들을 포함할 수 있다.
이미지 데이터는 그와 연관된 메타데이터(예를 들어, 픽셀 크기, 결함 유형의 텍스트 설명, 이미지 캡처 프로세스의 파라미터들 등)와 함께 수신 및 처리될 수 있다는 점을 주목한다.
입력 데이터를(예를 들어, 저해상도 이미지 데이터 및/또는 고해상도 이미지 데이터를, 선택적으로, 다른 데이터, 예를 들어, 설계 데이터, 합성 데이터 등과 함께) 처리할 시, 시스템(103)은 결과들(예를 들어, 명령어 관련 데이터(123 및/또는 124))을 검사 툴(들) 중 임의의 것에 전송하고, 결과들(예를 들어, 결함 속성들, 결함 분류 등)을 저장 시스템(107)에 저장하고, 결과들을 GUI(108)를 통해 표시하고/거나 외부 시스템에(예를 들어, YMS에) 전송할 수 있다.
관련 기술분야의 통상의 기술자는, 본 개시된 주제의 교시들이, 도 1에 예시된 시스템에 의해 제한되지 않고; 동등하고/거나 수정된 기능이, 다른 방식으로 통합되거나 분할될 수 있으며 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 쉽게 이해할 것이다.
어떠한 방식으로든 본 개시내용의 범위를 제한하지 않고, 검사 툴들은 다양한 유형들의 검사 기계들, 예컨대, 광학 이미지화 기계들, 전자 빔 검사 기계들 등으로서 구현될 수 있다는 점을 또한 주목해야 한다. 일부 경우들에서, 동일한 검사 툴이, 저해상도 이미지 데이터 및 고해상도 이미지 데이터를 제공할 수 있다. 일부 경우들에서, 적어도 하나의 검사 툴이 계측 능력들을 가질 수 있다.
도 1에 예시된 검사 시스템은, 도 1에 도시된 전술한 기능 모듈들이 몇몇 로컬 및/또는 원격 디바이스들에 분산될 수 있고 통신망을 통해 연결될 수 있는 분산 컴퓨팅 환경으로 구현될 수 있다는 점을 주목한다. 다른 실시예들에서, 검사 툴들(101 및/또는 102), 데이터 저장소들(109), 저장 시스템(107) 및/또는 GUI(108)의 적어도 일부는 검사 시스템(100)의 외부에 있을 수 있고 입력 인터페이스(105) 및 출력 인터페이스(106)를 통해 시스템(103)과 데이터 통신하여 동작할 수 있다는 점을 추가로 주목한다. 시스템(103)은 검사 툴들과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, 시스템의 각각의 기능들은, 적어도 부분적으로, 하나 이상의 검사 툴과 통합될 수 있다.
이제, 반도체 시편의 관심 위치들을 결정하는 방법을 도시하는 도 2를 주목한다. 방법은 결함 위치를 나타내는 데이터를 획득하는 단계(동작(200))를 포함한다. 일부 실시예들에 따르면, 데이터는 광학 검사 툴(예를 들어, 참조번호(101)를 참고)에 의해 취득된, 반도체 시편의 이미지를 포함할 수 있다. 특히, 일부 실시예들에 따르면, 반도체 시편의 광학 이미지와 기준 이미지 사이의 차이 이미지가 생성될 수 있고, 픽셀 강도의 차이가 임계치를 초과하는, 차이 이미지의 위치들은 관심 위치(결함을 포함할 수 있음)를 나타낼 수 있다. 위에서 언급된 바와 같이, 다양한 응용들에서, 광학 신호는 저해상도를 갖고, 그러므로 차이 이미지는 일반적으로, 임의의 결함들을 검출하기에 그 자체로 충분하지 않다. 일부 실시예들에서, 기준 이미지는 검사 중인 시편과 동일한 유형의 다른 시편의 이미지이다(실제로, 결함들의 분포는 무작위 분포로서 모델링될 수 있고, 그러므로 동일한 유형의 2개의 시편들 사이에 픽셀 강도의 상당한 차이가 존재하는 경우, 이는 결함을 나타낼 수 있다). 일부 실시예들에서, 기준 이미지는 결함들이 없는 것으로 가정되는 시편의 이미지(모의된 이미지 또는 실제 이미지)이다.
일부 실시예들에 따르면, 데이터는 (특히, 검사 중인 시편의 유형에 대해) 결함 위치에 대한 이력 데이터를 포함할 수 있다. 일부 실시예들에 따르면, 데이터는 광학 검사 툴(예를 들어, 참조번호(101)를 참고)에 의해 취득된, 시편의 이미지를 포함할 수 있다. 실제로, 일부 실시예들에서, 광학 검사 툴이, (예를 들어, 작은 구조들의 경우에) 결함들을 검출하기에 충분한 해상도의 이미지를 제공하지 않더라도, 광학 검사 툴에 의해 제공되는 데이터는 결함(들)의 존재가 의심되는 영역들의 제1 추정을 여전히 포함할 수 있다(그에 의해, 결함들을 검출하는 방법의 후속 동작들에서 고려될 영역들의 크기를 감소시킨다). 일부 실시예들에서, 광학 검사 툴에 의해 제공되는 데이터는, 조명 빔의 상이한 파장들을 사용하여 취득된 이미지들에 대응할 수 있다. 일부 실시예들에 따르면, 데이터는 전자 빔 검사 툴(예를 들어, 참조번호(102)를 참고)에 의해 취득된, 반도체 시편의 이미지를 포함할 수 있다. 일부 실시예들에 따르면, 데이터는 반도체 시편의 하나 이상의 영역에 걸친 임계 치수 균일성(CDU)을 포함할 수 있다. 제조 프로세스 동안, 복수의 패턴 피처들이 기판에 형성된다. 임계 치수(CD)는, 예를 들어, 시편의 제조에서 허용되는, 게이트 폭, 라인의 최소 폭, 또는 2개의 라인들 사이의 최소 공간을 포함한다. CDU는 시편의 영역에서의 임계 치수의 변동들을 특징화한다.
일부 실시예들에 따르면, 데이터는 반도체 시편의 모의된 이미지를 포함할 수 있다. 특히, 이는, 결함의 존재의 가능성이 높은 시편에 존재하는 구조화된 요소들("CAD 핫스팟(들)")에 관한 정보를 포함할 수 있는 CAD 데이터(예를 들어, 사용자에 의해 제공됨)와 같은 설계 데이터를 포함할 수 있다. 일부 실시예들에 따르면, 데이터는 반도체 시편의 합성 이미지를 포함할 수 있다. 일부 실시예들에 따르면, 데이터는 반도체 시편의 제조 데이터(예를 들어, 온도, 압력, 가스의 유형, 제조 툴들의 유형)를 포함할 수 있다. 실제로, 제조 데이터는 반도체 시편에서의 결함들의 위치에 영향을 줄 수 있다. 일반적으로, 시편에 대한 제조 데이터의 변동들의 영향은, 광학 검사 툴의 해상도보다 더 큰 치수를 갖는다.
방법은, 시편에 걸친 결함들의 존재의 확률을 나타내는 제1 확률 지도를 구축하기 위해 데이터를 사용하는 단계(210)를 포함할 수 있다. 일부 실시예들에서, 데이터는, 시편의 각각의 픽셀 또는 픽셀들의 영역에 대해, 결함이 존재할 제1 확률을 출력할 수 있는 훈련된 심층 신경망(예컨대, DNN(112))에 공급될 수 있다. 심층 신경망은, 요구된 지도를 제공하기 위해 감독 학습을 사용하여 사전 훈련될 수 있다. 감독 학습 동안, 운영자에 의해 제공되고 결함들의 존재를 나타내는 표지가, 동작(200)에서 획득된 바와 같은 데이터를 포함하는 훈련 세트와 함께 사용된다. 제1 확률 지도를 생성하기 위해 심층 신경망을 사용하는 것은 단지 가능한 예일 뿐이고, 다른 방법들, 예컨대, 물리적 모델링(하나 이상의 통계적 모델의 사용을 수반함)이 사용될 수 있다. 이러한 제1 확률 지도에 기초하여, 더 검사되어야 하는, 시편에서의 관심 위치들의 제1 추정을 획득하는 것이 가능하다(이러한 위치들은, 결함의 존재 확률이 임계치를 초과하는, 제1 확률 지도에서의 위치들에 대응할 수 있음).
일부 실시예들에 따르면, 시편의 복수의 이미지들은 검사 툴(예컨대, 광학 검사 툴(101))에 의해 취득될 수 있고, 여기서 이미지들은 적어도 하나의 취득 파라미터, 예컨대, 파장에 의해 상이하다. 위에서 설명된 바와 같이, 기준 이미지와 시편의 이미지 간의 차이 이미지가 생성될 수 있다. 각각의 파장에 대한 차이 이미지는, 결함들의 위치를 나타내는 다른 데이터와 함께, 파장별 제1 확률 지도를 구축하는 데 사용될 수 있다. 일부 실시예들에서, 집계된 제1 확률 지도가 (예를 들어, 모든 파장들에 대한 확률에 대한 최대값을 취함으로써 - 다른 집계들은 복수의 제1 확률 지도들을 집계하는 데 사용될 수 있음) 구축될 수 있다.
이제, 도 3을 주목한다. 방법은 검사 툴에 의해 취득된, 시편의 제1 영역의 이미지를 획득하는 단계(305)를 포함할 수 있다. 일부 실시예들에서, 검사 툴은 고해상도 검사 툴(도 1의 참조번호(102)를 참고)일 수 있다. 일부 실시예들에 따르면, 제1 영역은 도 2의 방법에 따라 계산된 제1 확률 지도에 기초하여 선택될 수 있다. 특히, 제1 영역은, 결함의 존재의 확률이 임계치 초과임을 확률 지도가 나타내는 영역으로서 선택될 수 있다.
일부 실시예들에 따르면, 동작(305)은 검사 툴(예컨대, 검사 툴(102))에 의해 취득된, 반도체 시편의 복수의 제1 영역들 중 각각의 제1 영역의 이미지를 획득하는 단계를 포함할 수 있다. 복수의 제1 영역들은 도 2의 방법에 따라 계산된 확률 지도에 기초하여 선택될 수 있다. 일부 실시예들에 따르면, 복수의 제1 영역들은 그들이 (특히, 시편의 반경 방향을 따라) 충분히 확산되도록 선택된다. 일부 실시예들에 따르면, 복수의 제1 영역들은, 시편의 두께 변화가 제1 영역들 중 적어도 일부 사이에서 상이하도록, 그리고/또는 제1 영역들 중 적어도 일부에서의 시편의 두께가 변화하고 일정하지 않도록 선택된다(이하에서 설명되는 바와 같이, 광학 이미지에서의 픽셀 강도는 두께에 상관되고, 시편의 두께를 특징화하는 데 사용될 수 있음). 이는, 처리되는 정보의 다양화를 증가시키는 것을 허용한다.
주어진 제1 영역에 대해, 방법은 주어진 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)(즉, 결함(들)의 존재에 대한 정보를 제공하는 데이터)를 결정하는 단계(310)를 포함할 수 있다. 하나 이상의 속성에 대한 그러한 데이터의 다양한 예들이 이하에 제공된다. 이하에서 설명되는 바와 같이, Datt는, 결함들이 Datt의 극값에 대응하는 Datt의 값들에 대해 존재하는 경향이 있다는 점에서 특정적일 수 있다.
일부 실시예들에 따르면, 하나 이상의 제1 영역 각각에서의 데이터(Datt)는 하나 이상의 제1 영역의 복수의 광학 이미지들에 기초하여 결정된다. 복수의 광학 이미지들은 조명 광학 신호의 파장에 의해 상이할 수 있다. 그러므로, 각각의 파장에 대해, 상이한 데이터(Datt)가 획득될 수 있다.
하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터는 다양한 방법들을 사용하여 획득될 수 있다.
일부 실시예들에 따르면, 하나 이상의 제1 영역에 존재하는 요소들(예를 들어, 구조화된 요소들, 예컨대, 접촉부들, 트랜지스터들)의 형상을 나타내는 데이터가 획득될 수 있다. 이는, 예를 들어, 요소들의 윤곽을 나타내는 데이터(예를 들어, 시편에 존재하는 요소들의 에지들의 비평활도를 지칭하는 라인 에지 거칠기(line edge roughness)(LER)), 요소들의 표면을 나타내는 데이터, 요소들의 둘레를 나타내는 데이터, 및 요소들의 크기를 나타내는 데이터를 포함할 수 있다. 일부 실시예들에서, 이러한 데이터는 임계 치수 균일성(critical dimension uniformity)(CDU)을 포함할 수 있다.
이러한 다양한 데이터는 광학 검사 툴(예컨대, 검사 툴(101))에 의해 이전에 취득된 광학 이미지들에 기초하고/거나 동작(305)에서 검사 툴(특히, 검사 툴(102)일 수 있음)에 의해 취득된 이미지에 기초하여 획득될 수 있다. 이러한 데이터는 기준 데이터(설계 데이터, 예컨대, CAD 데이터, 또는 결함들이 없는 시편의 기준 이미지)와 비교될 수 있다. 차이가 임계치를 초과하는 경우, 이는 결함의 존재를 나타낼 수 있다.
더 일반적으로, 하나 이상의 제1 영역에 존재하는 구조화된 요소들과, 주어진 제1 영역의 기준 이미지에 존재하는 구조화된 요소들 사이의 차이를 나타내는 데이터가, 결함들을 검출하는 데 사용될 수 있다. 이는, 예를 들어, 하나 이상의 제1 영역의 기준 이미지에 대한, 하나 이상의 제1 영역에서의 구조화된 요소들의 위치(또는 배향)의 차이를 포함할 수 있다.
일부 실시예들에서, 구조화된 요소들의 형상을 나타내는 데이터의 변화가 하나 이상의 제1 영역 내에서 분석될 수 있다. 예를 들어, 모든 구조화된 요소들이, 유사한 형상(예를 들어, 원형 형상)을 갖고, 하나의 구조화된 요소가, 공통의 평균 형상과 상이하게 되는 형상을 갖거나, 상이한 형상(예를 들어, 타원)을 이미 갖는 경우, 이는 결함을 나타낼 수 있다. 더 일반적으로, 결함을 나타낼 수 있는 다른 속성들에 대해, 하나 이상의 제1 영역에서의 속성의 값들의 분포가 계산될 수 있고, 평균 값으로부터의 편차가 검출될 수 있다.
방법은, 결함의 존재가 의심되는 반도체 시편의 하나 이상의 제2 영역을 결정하는 단계(320)를 더 포함할 수 있고, 여기서, 주어진 제2 영역은 적어도, 하나 이상의 제1 영역의 Datt(또는, 이하에서 설명되는 바와 같이, Datt에 상관된 데이터)에 기초하여 결정된다.
일반적으로, 결함성에 대한 정보를 제공하는 데이터(Datt)(예컨대, CDU, LER 등)는, 결함을 발견할 확률이 가장 높은 극값(속성에 따라, 최대값 또는 최소값 중 어느 하나, 또는 둘 모두일 수 있음)이 존재하도록 하는 것이다. 그러므로, 이 극값을 발견하거나, 적어도, 이 극값을 향하는 경향이 있는 것이 시도될 수 있다. (예를 들어, 시편에 걸친 하나 이상의 영역에 대해) Datt의 복수의 값들이 획득되었으므로, 제2 영역은 Datt의 극값을 향해 이동하려고 시도하도록 선택될 수 있다. 일부 실시예들에 따르면, 하나 이상의 제2 영역의 선택은 방법들, 예컨대, 경사하강법, 뉴턴법, 탐색/이용 알고리즘들(그러나 이에 제한되지 않음)에 의존할 수 있다.
간단한 (그리고 비제한적인) 예가 도 3a에 예시된다. 시편의 9개의 상이한 영역들(영역들(331 내지 339))에 대해, 결함성에 대한 정보를 제공하는 주어진 속성에 대해 Datt가 획득되었다고 가정한다. Datt가 영역들(334 내지 339)에 대해 일정한 값을 갖지만, Datt의 그 값은 영역(331)으로부터 영역(332)으로는 감소하고, 영역(332)으로부터 영역(333)으로는 다시 증가한다고 가정한다. 그러므로, Datt가 계산된 특정 속성에 대해, 최소 값이, 결함을 발견할 높은 확률에 대응한다는 것이 알려져 있는 경우, 이는, 영역들(331 및 332) 사이에서 추가의 취득들이 수행되어야 한다는 것을 나타낸다. 특히, 방법은, 결함이 발견될 때까지, 영역들(340 및 341)에서 Datt의 더 많은 값들을 취득하기 위해(더 세밀한 샘플링) 반복될 수 있다.
도 2를 참조하여, 결함이 존재할 (심각한) 가능성이 있는 관심 위치들을 나타내는 제1 확률 지도가 구축될 수 있다고 언급되었다. 일부 실시예들에 따르면, 동작(320)은 Datt에 기초하여 제1 확률 지도를 업데이트하는 단계를 포함할 수 있다. 특히, Datt가 (하나 이상의 제1 영역에서 동작(310)에서 발견된 Datt의 추세에 기초하여) 극값에 대응하는 값을 가질 것으로 예상되는 영역들은 그들의 확률의 증가를 얻을 수 있는 반면, 다른 영역들은 그들의 확률의 감소를 얻을 수 있다. 하나 이상의 제2 영역은 업데이트된 제1 확률 지도에 기초하여 결정되고 선택될 수 있다.
일부 실시예들에 따르면, Datt는 복수의 상이한 속성들 각각에 대해 하나 이상의 제1 영역에서 동작(310)에서 개별적으로 결정된다(예를 들어, Datt,1은 CDU에 대응하고, Datt,2는 LER에 대응하는 등). 각각의 속성은 웨이퍼 상에서의 그 자신의 추세를 따를 수 있다. 결과적으로, 각각의 속성에 대해, 주어진 위치에서 결함이 존재하는 상이한 확률이 획득될 수 있다. 예를 들어, 모든 속성들에 대해 결정된 모든 확률들을 곱함으로써, 각각의 픽셀 또는 픽셀들의 영역에 대해, 집계된 확률(P): P = ΠP속성이 계산될 수 있고(이는 제한적이지 않고, 다른 통계식이 사용될 수 있음):, 여기서 P속성은 주어진 속성에 대한 결함을 발견할 확률이다. 일부 실시예들에서, Datt가 복수의 상이한 파장들에 대해 계산될 수 있기 때문에, 주어진 위치에 결함이 존재하는 복수의 확률들이 획득될 수 있다. 결과적으로, 집계된 확률은 위에서 설명된 바와 같이 임의의 적응된 통계식을 사용하여 생성될 수 있다.
하나 이상의 제2 영역이 일단 식별되면, 그들은 검사 툴에 의한 검사를 위해 선택될 수 있다(동작(330)). 특히, 일부 실시예들에 따르면, 동작(330)은, 하나 이상의 제2 영역의 이미지를 취득하도록 검사 툴에 지시하는, 검사 툴에 대한 명령을 생성하는 단계를 포함할 수 있다. 하나 이상의 제2 영역의 이미지에 기초하여, 제2 영역이 결함을 포함하는지 여부를 검출하는 것이 가능하다. 예를 들어, 검사 툴이 고해상도 검사 툴(예컨대, 전자 빔 현미경(102))인 경우, 이는 결함이 존재하는지 여부에 대한 명확한 결정을 출력할 수 있다.
일부 실시예들에 따르면, 도 3의 방법은 정지 기준이 충족될 때까지 반복적으로 반복될 수 있다. 이는 도 4에 예시된다.
방법은, 검사 툴에 의한 검사를 위해 반도체 시편의 적어도 하나의 영역(Ai)을 선택하는 단계(동작(400)) 및 검사 툴에 의해 취득된, 적어도 하나의 영역(Ai)의 이미지를 획득하는 단계(동작(405))를 포함한다. 동작(405)은 동작(305)과 유사하다. 제1 반복(i=1의 경우)에서, Ai는 도 2를 참조하여 설명된 바와 같이 계산된 제1 확률 지도에 기초하여 선택될 수 있다.
방법은, 하나 이상의 영역(Ai)에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하는 단계(동작(410))를 포함한다. 동작(410)은 동작(310)과 유사하다. 방법은, 일부 실시예들에서, Datt에 기초하여 (현재 사용 중인) 확률 지도를 업데이트하는 단계(415)를 포함할 수 있다.
방법은, 하나 이상의 영역(Ai+1)을 결정하는 단계(동작(420))를 포함한다. 이는, 예를 들어, 확률 지도에 기초하여(그리고/또는 Datt에 기초하여) 수행될 수 있다. 동작(420)은 동작(320)과 유사할 수 있다. 그 다음, 하나 이상의 영역(Ai+1)이, 검사 툴에 의한 검사를 위해 선택될 수 있다.
그 다음, 방법이 반복될 수 있다(참조번호(440)를 참고). 다음 반복에서, 하나 이상의 영역(Ai + 1)의 Datt가 계산되고, 하나 이상의 영역(Ai)에서의 Datt에 대해 결정된 추세가, 새롭게 선택된 영역(들)(Ai+1)에서 계속되는지를 결정하는 것을 돕는다.
그러므로, 도 4의 방법에 따르면, 시편에 걸친 (하나 이상의 속성에 대한) Datt의 일반적인 추세를 검출하기 위해 제1 개략적인 샘플링이 수행되고, 후속 반복들 동안, Datt의 극값(속성에 따라 최소값 및/또는 최대값)을 향하려는 경향을 시도하기 위해, 결함을 발견할 확률이 높은, 시편의 특정 영역들에 대해 Datt의 값들의 더 세밀한 샘플링이 수행된다.
일부 실시예들에 따르면, (확률 지도의 각각의 픽셀 또는 픽셀들의 영역들에 대한 업데이트된 확률(P신규)을 획득하기 위한) 동작(415)에서의 확률 지도의 업데이트는 이전 확률(이전 반복("i")에서 획득된 P이전)과 현재 확률(반복("i+1")에서 획득된 P현재) 간의 가중 조합을 수행하는 단계를 포함할 수 있다. 일부 실시예들에 따르면, 다음의 식이 사용될 수 있다(이는 제한적이지 않고, α는, 예를 들어, 운영자에 의해 선택된 가중치임).
P신규 = αP이전 + (1-α)P현재
도 4의 방법의 반복들 동안, 일부 스테이지에서, 검사 툴의 출력이, (k의 일부 값에 대해) 선택된 영역(Ak)에서의 결함의 존재를 나타내는 것으로 예상된다. 다시 말해서, Datt의 사용은 결함에 집중하여 발견하는 데 유익했다.
이제, 도 3의 방법의 다른 가능한 구현을 설명하는 도 5를 주목한다. 특히, 도 3에서, Datt에 상관된 데이터에 기초하여 하나 이상의 제2 영역의 선택이 수행될 수 있다고 언급되었다. 도 5는 이 방법의 가능한 실시예를 예시한다.
방법은, 시편의 적어도 하나의 주어진 제1 영역(또는 복수의 주어진 제1 영역들)의 이미지를 획득하는 단계(동작(305)과 유사한 동작(505))를 포함한다.
방법은, 주어진 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와, 주어진 제1 영역에서의 시편의 두께를 나타내는 데이터 사이의 상관을 나타내는 데이터(D상관)를 결정하는 단계(동작(510))를 더 포함한다. 일부 실시예들에서, 동작(310)은 복수의 주어진 제1 영역들에 대해, 또는 주어진 제1 영역들 전부에 대해 수행될 수 있다. Datt에 대한 다양한 예들이 이미 제공되었고, 이 방법에서 사용될 수 있다.
일부 실시예들에 따르면, 주어진 제1 영역에서의 시편의 두께를 나타내는 데이터는, 특히, 광학 검사 툴(예를 들어, 참조번호(101)를 참고)에 의해 취득된, 주어진 제1 영역의 이미지에 기초하여 획득될 수 있다. 실제로, (하나 이상의 층을 포함할 수 있는) 시편의 두께는 광학 신호의 회절에, 그리고 따라서, 광학 이미지에서의 픽셀 강도에 영향을 미친다. 조명 광학 신호의 파장에 따라, 일부 경우들에서, 시편의 두께가 높을수록, 광학 이미지에서의 대응하는 픽셀(들)의 강도("그레이 레벨")가 높고(양의 상관), 다른 경우들에서, 시편의 두께가 낮을수록, 광학 이미지에서의 대응하는 픽셀(들)의 강도("그레이 레벨")가 높다(음의 상관).
시편의 광학 이미지에서의 픽셀 강도는 시편의 두께에 상관되기 때문에, 픽셀 강도는 시편의 두께를 나타내는 데이터로서 사용될 수 있다. 픽셀 강도와 시편의 두께 사이의 관계를 결정할 필요는 없는데, 이는 이러한 관계가 반드시 알려지거나 이용가능할 필요는 없기 때문이고: 광학 이미지에서의 픽셀 강도가 시편의 두께를 나타낸다는 것을 아는 것으로 충분하다.
일부 실시예들에 따르면, 주어진 제1 영역에서의 시편의 두께를 나타내는 데이터는 주어진 제1 영역의 복수의 광학 이미지들에 기초하여 결정된다. 이는 도 5a에 예시된다. (동작(340)에서 획득된) 복수의 광학 이미지들은 조명 광학 신호의 파장에 의해 상이할 수 있다. 복수의 광학 이미지들 각각에서의 주어진 제1 영역의 픽셀 강도의 분포는 일반적으로 상이하다. 실제로, 각각의 광학 신호는 상이한 파장을 가지므로, 상이한 레벨의 회절이 획득되고, 그러므로 각각의 파장에 대해, 상이한 픽셀 강도 분포가 획득되며, 각각의 픽셀 강도 분포는 두께 분포를 나타낸다.
위에서 언급된 바와 같이, 동작(510)은 제1 데이터(주어진 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터)와 제2 데이터(주어진 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터 - 실제로, 위에서 언급된 바와 같이, 광학 이미지에서의 픽셀 강도가, 시편의 두께를 특징화하는 데 사용될 수 있음) 사이의 데이터(D상관)를 결정하는 단계를 포함한다. 실제로, 시편의 두께와 결함이 존재하는 확률 사이에 상관이 존재하는 것으로 예상된다. 이러한 상관은 실험적으로 관찰되었다.
주어진 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)가 변수(Z)로 표현되고, 광학 이미지에서의 픽셀 강도가 변수(Y)로 표현되고, 주어진 제1 영역에서의 반도체 시편의 두께를 나타내는 데이터가 변수(X)로 표현된다고 가정한다. 데이터(D상관)를 결정하는 것은, 함수(F), 예컨대, Z=F(Y)를 결정하는 것을 포함할 수 있다. Y가 X에 상관되는 것으로 알려져 있기 때문에, 이는 Z=G(X)를 결정하는 것과 등가이다. 이하에서 설명되는 바와 같이, 속성들(Z)의 일부 유형들의 경우에, Z의 값이 높을수록, 결함을 발견할 확률이 높고, 속성들(Z)의 다른 유형들의 경우에는, Z의 값이 낮을수록, 결함을 발견할 확률이 높다.
일부 실시예들에 따르면, F는, 예를 들어, 방법들, 예컨대, 보간법(비제한적인 예는 선형 회귀를 포함함), 또는 다른 통계적 방법들을 사용하여 결정될 수 있다. 주어진 제1 영역에서의 결함을 나타내는 주어진 속성(예를 들어, CDU)에 대해, 값들의 복수의 쌍들이 획득될 수 있다고 가정한다(Z=속성의 값; Y=픽셀 강도). 결과적으로, 이 속성에 대해 함수(F)가 획득될 수 있다. 일부 실시예들에 따르면, 결함을 나타내는 각각의 속성에 대해, 함수(F속성)가 개별적으로 결정될 수 있다.
방법은, 결함의 존재가 의심되는, 반도체 시편의 하나 이상의 제2 영역을 결정하는 단계(520)를 더 포함할 수 있고, 여기서, 하나 이상의 제2 영역은 D상관(또는 이를 나타내는 데이터, 예컨대, D상관에 기초하여 생성된 결함 확률) 및 시편의 두께를 나타내는 데이터에 기초하여 결정된다. 실제로, 위에서 언급된 바와 같이, 두께의 값은 일반적으로, 직접적으로 이용가능하지 않고, 광학 이미지에서의 픽셀 강도는 두께를 나타내는 데 사용될 수 있다.
실제로, D상관의 일부인 F(또는 F속성)는 픽셀 강도의 어느 값들에 대해(그리고 차례로, 두께의 어느 값에 대해) 그리고/또는 픽셀 강도의 어느 변화에 대해(그리고 차례로, 두께의 어느 변화에 대해), 주어진 위치에 결함이 존재할 확률이 있는지를 결정하는 데 사용될 수 있다. 예를 들어, 속성이, 속성의 높은 값이, 결함을 발견할 높은 확률에 대응하도록 하는 것이면, F속성의 높은 값과 연관된 픽셀 강도가 결정될 수 있고, 제2 영역을 선택하는 데 사용될 수 있다. 예를 들어, 속성이 CDU인 경우, CDU의 값이 높을수록, 결함을 발견할 확률이 높을 것으로 예상된다. 이는 제한적이지 않고, 다른 속성들에 대해, 속성의 낮은 값이, 결함을 발견할 높은 확률에 대응할 수 있다.
시편의 두께를 나타내는 데이터가 (예를 들어, 시편의 광학 이미지에 기초하여) 이용가능하고, D상관이 (픽셀 강도를 통한) 시편의 두께와 결함성에 대한 정보를 제공하는 데이터 사이의 관계를 특징화하기 때문에, 제2 영역은, 픽셀 강도(및 그러므로, 시편의 두께)가 결함의 존재를 반영할 것으로 예상되는 영역으로서 선택될 수 있다. 제2 영역은, 제2 영역이 결함을 포함하는지 여부를 확인하기 위해, 검사 툴에 의해 검사되기 위해 선택될 수 있다(동작(530)).
도 2를 참조하여, 결함이 존재할 (심각한) 가능성이 있는 관심 위치들을 나타내는 제1 확률 지도가 구축될 수 있다고 언급되었다. 일부 실시예들에 따르면, 동작(520)은 D상관 및 시편의 두께를 나타내는 데이터에 기초하여 제1 확률 지도를 업데이트하는 단계를 포함할 수 있다. 다시 말해서, D상관은 (영역이 검사 툴(102)에 의해 획득되지 않았더라도) 결함이 존재할 확률을 계산하는 데 사용될 수 있다. 특히, D상관이 결함이 존재할 높은 확률을 나타내는 픽셀 강도(예를 들어, 픽셀 강도의 값, 및/또는 픽셀 강도 변화)를 갖는 영역들은, 그들의 확률의 증가를 얻을 것이고, 반먼에, D상관이 결함이 존재할 낮은 확률을 나타내는 픽셀 강도를 갖는 영역들은 그들의 확률의 감소를 얻을 것이다. 하나 이상의 제2 영역은 업데이트된 확률 지도에 기초하여 결정되고 선택될 수 있다.
예를 들어, D상관이 픽셀 강도의 (예를 들어, 범위 [Y1;Y2]의) 특정 값들에 대해 결함들의 높은 확률을 나타낸다고 가정한다. 그러면, 제2 영역은 그의 픽셀 강도가 이 범위에 위치되도록 선택될 수 있다. 일부 실시예들에서, 픽셀들(제1 확률 지도에 속함)은 픽셀 강도에 기초하여 복수의 클러스터들로 클러스터화될 수 있고, 그러므로, 픽셀 강도의 선택된 범위에 가장 가까운 픽셀들의 클러스터는 높은 확률을 얻을 것이다.
위에서 언급된 바와 같이, 일부 실시예들에 따르면, (결함의 위치를 나타내는) 속성의 값과 픽셀 강도 사이의 상관을 나타내는 함수(F)(또는 F속성)가 복수의 속성들 각각에 대해 결정된다. 제1 확률 지도의 업데이트는, 지도의 각각의 픽셀 또는 픽셀들의 영역에 대해, (시편의 두께를 나타내는) 픽셀 강도 및 F속성에 기초하여 결함이 존재하는 확률(P속성)을 결정하는 단계를 포함할 수 있다. 확률의 모델링의 비제한적인 예는: 
를 포함할 수 있다. 이러한 표현식에서, Y는 (두께를 나타내는) 광학 이미지에서의 픽셀 강도이다. μ는 이 속성에 대해 획득된 F속성에 기초하여 결정될 수 있다. 예를 들어, F속성이, 픽셀 강도의 주어진 값(Y*)에 대해, 결함을 발견할 확률이 높다는 것(그리고 Y*로부터 멀어지게 이동할 때 감소함)을 나타내는 경우, μ는 μ=Y*이도록 선택될 수 있다.
예를 들어, 모든 속성들에 대해 결정된 모든 확률들을 곱함으로써, 각각의 픽셀 또는 픽셀들의 영역에 대해, 집계된 확률(P): P = ΠP속성이 계산될 수 있다(이는 제한적이지 않고, 다른 통계식이 사용될 수 있음).
일부 실시예들에 따르면, 제2 영역은 (제1 영역에 대한) 이전 반복에서 획득된 함수(F)(또는 F속성)를 시험하기 위해 선택될 수 있다. 예를 들어, 함수(F)가 (두께를 나타내는) 픽셀 강도의 범위(R)의 높은 결함 확률을 나타내는 경우, 제2 영역은 이 범위의 픽셀 강도로 선택될 수 있다. 다른 예들에서, 함수(F)가 (두께를 나타내는) 픽셀 강도의 범위(R)의 높은 결함 확률을 나타내는 경우, 제2 영역은 이 범위(R)와 상이한 범위(R')(예를 들어, R'는 R을 포함할 수 있음)의 픽셀 강도로 선택될 수 있다.
위에서 설명된 바와 같이, 일반적으로, 결함의 존재를 나타내는 데이터(예컨대, CDU, LER 등)는, 결함을 발견할 확률이 가장 높은 극값(속성에 따라, 최대값 및/또는 최소값 중 어느 하나)이 존재하도록 하는 것이다. 그러므로, 이 극값을 발견하거나, 적어도, 이 극값을 향하는 경향이 있는 것이 시도될 수 있다. 제2 영역은 함수(F)의 출력의 극값을 향해 이동하려고 시도하도록 선택될 수 있다. 예를 들어, CDU의 경우, CDU가 결함 영역에서 높은 값을 가질 것으로 예상되고, 따라서 최대값이 발견되어야 한다.
픽셀 강도가 Y1로부터 Y1+5로 증가할 때 함수 F가 결함의 존재의 높은 확률(Z=F(Y)의 값에 의해 반영됨)을 나타낸다고 가정한다(도 5b의 예를 참고 - 이 예에서, 속성의 값이 높을수록, 결함의 확률이 높음). 이 추세가 실제로 결함을 나타내는지 여부를, 픽셀 강도가 Y1+5로부터 Y1+10으로 변화되는 제2 영역을 선택하고/거나 픽셀 강도가 Y1+10과 이미 동일한 영역을 선택함으로써 확인하려고 시도할 수 있다. 다시 말해서, 바라건대 Z의 극값(도 5b에서, Z최대)에 도달하기 위해, 이전 반복에서 식별된 추세가 정확한지 여부를 확인하려고 시도한다.
일부 실시예들에서, 픽셀 강도가, 위에서 언급된 관계를 따르는 (위에서 언급된 바와 같은 확률 지도에서의) 픽셀 영역들에 할당된 확률이 증가될 수 있고, 그에 의해, 이러한 영역들이 다음 반복에서 선택될 가망이 증가한다.
유사하게, 픽셀 강도가 Y1로부터 Y1-5로 감소할 때, 다른 속성에 대한 함수(F)가 결함의 존재의 높은 확률(Z=F(Y)의 값에 의해 반영됨)을 나타낸다고 가정한다(도 5c 참고 - 이 예에서, 속성의 값이 낮을수록, 결함의 확률이 높음). 이 추세가 실제로 결함을 나타내는지 여부를, 픽셀 강도가 Y1-5로부터 Y1-10으로 변화되는 제2 영역을 선택하고/거나 두께가 Y1-10과 이미 동일한 영역을 선택함으로써 확인하려고 시도할 수 있다. 다시 말해서, 바라건대 Z의 극값(도 5c에서, Z최소)에 도달하기 위해, 이전 반복에서 식별된 추세가 정확한지 여부를 확인하려고 시도한다.
일부 실시예들에 따르면, (방법의 이전 반복에서 결정된 상관 함수의 유효성을 체크하기 위한) 제2 영역의 선택은, 방법들, 예컨대, 경사하강법, 뉴턴법, 탐색/이용 알고리즘들(탐색/이용 알고리즘들은 함수가 복수의 국부 극값들을 포함할 때 특히 유용함)에 의존할 수 있다.
도 5a를 참조하여, 일부 실시예들에 따르면, 적어도 하나의 취득 파라미터(예컨대, 파장)에 의해 상이한 복수의 이미지들이 획득될 수 있다는 것이 언급되었다. 그러므로, 각각의 취득 파라미터에 대해, 픽셀 강도의 상이한 분포가 획득되고, D상관은 각각의 취득 파라미터에 대해 독립적으로 계산될 수 있다. 일부 실시예들에 따르면, 상이한 확률 지도가 각각의 취득 파라미터에 대해 획득될 수 있고, 제2 영역은, 예를 들어, 모든 상이한 확률 지도들 중에서 확률이 가장 높은 영역으로서 선택될 수 있다.
제2 영역이 일단 식별되면, 동작(330)을 참조하여 설명된 바와 같이, 검사 툴에 의한 검사를 위해 선택될 수 있다(동작(530)).
일부 실시예들에 따르면, 도 5의 방법은 정지 기준이 충족될 때까지 반복적으로 반복될 수 있다. 이는 도 6에 예시된다.
방법은, 검사 툴에 의한 검사를 위해 반도체 시편의 적어도 하나의 영역(Ai)을 선택하는 단계(동작(600)) 및 검사 툴에 의해 취득된, 적어도 하나의 영역(Ai)의 이미지를 획득하는 단계(동작(605))를 포함한다. 동작(605)은 동작(505)과 유사하다. 제1 반복(i=1의 경우)에서, Ai는 도 2를 참조하여 설명된 바와 같이 계산된 제1 확률 지도에 기초하여 선택될 수 있다.
방법은, 영역(Ai)에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와 영역(Ai)에서의 시편의 두께를 표현하는 데이터 사이의 상관을 표현하는 데이터(D상관,i)를 결정하는 단계(동작(610))를 포함한다(특히, 픽셀 강도는 영역(Ai)에서의 시편의 두께를 나타냄). 동작(610)은 동작(510)과 유사하다. 방법은, 일부 실시예들에서, D상관,i에 기초하여 (현재 사용 중인) 확률 지도를 업데이트하는 단계(615)를 포함할 수 있다.
방법은 적어도 하나의 영역(Ai+1)을 결정하는 단계(동작(620))를 포함한다. 이는, 예를 들어, 확률 지도에 기초하여(그리고/또는 D상관,i 및 시편의 두께를 나타내는 데이터에 기초하여) 수행될 수 있다. 동작(620)은 동작(520)과 유사할 수 있다. 그 다음, 영역(Ai+1)이, 검사 툴에 의한 검사를 위해 선택될 수 있다.
그 다음, 방법이 반복될 수 있다(참조번호(640)를 참고). 다음 반복에서, 영역(Ai+1)의 D상관,i +1이 계산되고, 결함을 나타내는 것으로서 D상관,i에서 결정된 추세(및/또는 픽셀 강도의 특정 값들)가 정확한지 여부를 결정하는 것을 돕는다.
예를 들어, D상관,i가, 픽셀 강도의 범위 [Y1;Y2]에 대해 결함을 발견할 높은 확률이 존재한다는 것을 나타내고, D상관,i +1이 이러한 가설을 확인한다고 가정한다. 그 다음, 확률 지도는, 이러한 범위에 위치된 두께를 갖는 픽셀들의 영역들에 할당되는 확률을 더 증가시키기 위해 업데이트될 수 있다(동작(615)).
다른 예에서, D상관,i가, 픽셀 강도의 범위 [Y3;Y4]에 대해 결함을 발견할 높은 확률이 존재한다는 것을 나타내고, D상관,i +1이 이러한 가설에 상충된다고 가정한다. 그 다음, 확률 지도는, 이러한 범위에 위치된 픽셀 강도를 갖는 픽셀들의 영역들에 할당되는 확률을 감소시키기 위해 업데이트될 수 있다(동작(615)).
다른 예에서, D상관,i가, 픽셀 강도에서의 (그리고 차례로, 두께의) 특정 경사 또는 추세가 결함을 나타낸다는 것을 나타낸다고 가정한다. 위에 언급된 바와 같이, Ai +1은 픽셀 강도에서의 이러한 경사 또는 추세가 실제로 결함을 나타내는지 여부를 시험하기 위해 선택될 수 있다.
D상관,i+1(영역(Ai+1)에서의 결함의 존재를 나타내는 데이터와 영역(Ai+1)에서의 시편의 두께를 나타내는 데이터 사이의 상관을 나타냄)이, D상관,i에 존재하는 바와 같은 픽셀 강도에서의 (그리고 차례로, 두께의) 경사 또는 추세가 결함을 나타냄을 확인하면, 확률 지도는, D상관,i 및 D상관,i+1에 설명된 바와 같은 경사 또는 추세를 따르는 픽셀 강도를 갖는 픽셀들의 영역들에 할당되는 확률을 증가시키기 위해 업데이트될 수 있다(동작(615)).
D상관,i+1(영역(Ai+1)에서의 결함의 존재를 나타내는 데이터와 영역(Ai+1)에서의 시편의 두께를 나타내는 데이터 사이의 상관을 나타냄)이, D상관,i에 존재하는 바와 같은 픽셀 강도에서의 경사 또는 추세가 결함을 나타내지 않음을 나타내면, 확률 지도는, D상관,i에 설명된 바와 같은 경사 또는 추세를 따르는 픽셀 강도를 갖는 픽셀들의 영역들에 할당되는 확률을 감소시키기 위해 업데이트될 수 있다(동작(615)). 예를 들어, 여러 번의 후속 반복들 후에, 결함을 나타내는 정확한 경사 또는 추세가 발견될 수 있다.
일부 실시예들에 따르면, (확률 지도의 각각의 픽셀 또는 픽셀들의 영역들에 대한 업데이트된 확률(P신규)을 획득하기 위한) 동작(615)에서의 확률 지도의 업데이트는, 도 4를 참조하여 이미 설명된 바와 같이, 이전 확률(이전 반복("i")에서 획득된 P이전)과 현재 확률(반복("i+1")에서 획득된 P현재) 간의 가중 조합을 수행하는 단계를 포함할 수 있다.
도 6의 방법의 반복들 동안, 일부 스테이지에서, 검사 툴의 출력이, (k의 일부 값에 대해) 선택된 영역(Ak)에서의 결함의 존재를 나타내는 것으로 예상된다. 다시 말해서, D상관의 사용은 결함에 집중하여 발견하는 데 유익했다. 일부 실시예들에 따르면, 이 영역(Ak)의 두께를 나타내는 데이터(DAk)는 확률 지도를 업데이트하는 데 사용될 수 있다. 특히, 이 영역(Ak)에서 결함이 검출되었기 때문에, 확률 지도가 업데이트될 수 있고, 이로써, 픽셀 강도가 (예를 들어, 임계치를 포함할 수 있는 유사성 기준에 따라) DAk와 유사하게 변화하고/거나 값들을 포함하는 픽셀들의 임의의 영역에 높은 확률(예를 들어, 1에 가까움)이 할당될 수 있다. 결과적으로, 방법의 미래의 반복 동안(그러한 반복을 도시하는 참조번호(640)를 참고), 픽셀들의 이러한 영역들은 검사 툴에 의한 검사를 위해 선택될 것이고(동작(600)), 이에 의해, 추가적인 결함들을 결정하기 위해 가망들을 증가시킨다.
일부 실시예들에 따르면, 검사 툴에 의해 취득될 수 있는 영역들의 개수에 대한 제한이 존재한다. 이러한 제한은, 예를 들어, 시간 및/또는 비용 제약들로 인한 것일 수 있다. 특히, 고해상도 검사 툴, 예컨대, 검사 툴(102)(예를 들어, 전자 빔 현미경)의 경우에 이러한 제한에 직면한다. 결과적으로, 모든 영역들이 검사 툴에 의해 취득될 수 있는 것은 아니다. 확률 지도가 D상관 및 하나 이상의 영역에서의 반도체 시편의 두께를 나타내는 데이터에 기초하여 계산되었기 때문에, 검사 툴에 의한 하나 이상의 영역의 이미지의 취득을 요구하지 않고 하나 이상의 영역이 결함을 포함하는 확률을 출력하는 것이 가능하다. 특히, 결함이 존재하는 확률이 임계치를 초과하는 하나 이상의 영역이 출력될 수 있다(그러나, 실제로, 고해상도 검사 툴은 이러한 영역들의 이미지를 취득하지 않았다).
일부 실시예들에 따르면, D상관 및/또는 확률 지도는 제1 시편에 대해 결정될 수 있고, 검사 툴(예를 들어, 102)에 의해 검사될 위치들을 선택하기 위해 다른 시편들(제1 시편과 유사함, 예를 들어, 동일한 유형의 웨이퍼, 또는 동일한 제조 프로세스)에 사용될 수 있다. 일부 실시예들에서, 제1 시편에서 결함들의 높은 확률이 발견된 위치들은 후속하는 유사한 시편들에서 검사될 수 있다. 일부 실시예들에서, D상관 및/또는 확률 지도는 (두께 변화를 반영하는) 픽셀 강도에 기초하여 결함이 존재하는 확률에 대한 정보를 제공한다. 그러므로, 전체 시편의, 검사 툴(예를 들어, 102)에 의한 취득을 요구하지 않고, 픽셀 강도의 분포에 기초하여, 후속하는 유사한 시편들에서의 관심 위치들을 결정하는 것이 가능하다.
본 발명은 본 출원에서, 본원에 포함된 설명에 제시되거나 도면들에 예시된 세부사항들로 제한되지 않는다는 것을 이해해야 한다.
또한, 본 발명에 따른 시스템은, 적어도 부분적으로, 적절히 프로그래밍된 컴퓨터 상에 구현될 수 있다는 것을 이해할 것이다. 마찬가지로, 본 발명은, 본 발명의 방법을 실행하기 위해, 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 발명은, 본 발명의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능 메모리를 더 고려한다.
본 발명은 다른 실시예들이 가능하고, 다양한 방식들로 실시되거나 수행될 수 있다. 그러므로, 본원에서 채용되는 어법 및 용어는 설명의 목적을 위한 것이며 제한으로서 간주되어서는 안 된다는 점을 이해하여야 한다. 이로써, 관련 기술분야의 통상의 기술자는, 본 개시내용이 기초로 하는 개념이, 본 개시된 주제의 몇몇 목적을 수행하기 위한 다른 구조들, 방법들 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있음을 이해할 것이다.
관련 기술분야의 통상의 기술자는, 다양한 수정들 및 변경들이, 본 발명의 범위로부터 벗어나지 않고 앞서 설명되고 첨부된 청구항들에 그리고 청구항들에 의해 정의된 바와 같이 본 발명의 실시예들에 적용될 수 있다는 것을 쉽게 이해할 것이다.
Claims (20)
- 반도체 시편의 검사의 시스템으로서, 상기 시스템은,
프로세서 및 메모리 회로(PMC)
를 포함하고, 상기 PMC는:
- 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 제1 영역의 이미지를 획득하고,
- 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하고,
- 상기 하나 이상의 제1 영역에서, 적어도, Datt의 또는 Datt에 상관된 데이터의 변화(evolution)에 기초하여, 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 제2 영역을 결정하고,
- 상기 검사 툴에 의한 검사를 위해 상기 하나 이상의 제2 영역을 선택하도록
구성되는, 시스템. - 제1항에 있어서,
상기 하나 이상의 제2 영역의 결정은 Datt의 극값의 검색에 기초하는, 시스템. - 제1항에 있어서,
- 이하의 것:
o 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와
o 상기 하나 이상의 제1 영역에서의 상기 반도체 시편의 두께를 나타내는 데이터
사이의 상관을 나타내는 D상관을 결정하고,
- 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 제2 영역을 결정하고 ― 상기 하나 이상의 제2 영역은 D상관, 또는 이를 나타내는 데이터, 및 상기 반도체 시편의 두께를 나타내는 데이터에 기초하여 결정됨 ―,
- 상기 검사 툴에 의한 검사를 위해 상기 하나 이상의 제2 영역을 선택하도록
구성되는, 시스템. - 제1항에 있어서,
1과 동일한 i로부터, 정지 기준이 충족될 때까지, (1), (2), (3) 및 (4):
- (1) 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 영역(Ai)의 이미지를 획득하는 것,
- (2) 상기 하나 이상의 영역(Ai)에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하는 것,
- (3) 적어도 상기 하나 이상의 영역(Ai)에서의 Datt의 변화에 기초하여, 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 영역(Ai + 1)을 결정하는 것, 및
- (4) 1만큼 증분된 i에 대해 (1)로 복귀하는 것
을 반복적으로 수행하도록 구성되는, 시스템. - 제1항에 있어서,
1과 동일한 i로부터, 정지 기준이 충족될 때까지, (1), (2), (3) 및 (4):
- (1) 검사 툴에 의해 취득된 반도체 시편의 영역(Ai)의 이미지를 획득하는 것,
- (2) 이하의 것:
o 상기 영역(Ai)에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와
o 상기 영역(Ai)에서의 상기 반도체 시편의 두께를 나타내는 데이터
사이의 상관을 나타내는 데이터(D상관,i)를 결정하는 것,
- (3) 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 영역(Ai + 1)을 결정하는 것 ― 상기 하나 이상의 영역(Ai + 1)은 적어도, D상관,i, 또는 이를 나타내는 데이터, 및 상기 반도체 시편의 두께를 나타내는 데이터에 기초하여 결정됨 ―,
- (4) 1만큼 증분된 i에 대해 (1)로 복귀하는 것
을 반복적으로 수행하도록 구성되는, 시스템. - 제1항에 있어서,
상기 반도체 시편의 이미지에 존재하는 픽셀들의 복수의 하위세트들 각각에 대해, 각각의 하위세트에 결함이 존재하는 확률을 생성하도록 구성되고, 상기 제2 영역은 적어도 상기 확률에 기초하여 선택되고, 상기 확률은 (i) 및 (ii):
(i) 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt); 및
(ii) 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와 상기 하나 이상의 제1 영역에서의 상기 반도체 시편의 두께를 나타내는 데이터 사이의 상관을 나타내는 데이터(D상관), 및 상기 반도체 시편의 두께를 나타내는 데이터
중 적어도 하나에 기초하는, 시스템. - 제1항에 있어서,
상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)는:
- 상기 하나 이상의 제1 영역에 존재하는 요소들의 형상을 나타내는 데이터, 및
- 상기 하나 이상의 제1 영역에 존재하는 요소들과 상기 하나 이상의 제1 영역의 기준 이미지에 존재하는 요소들 사이의 차이를 나타내는 데이터
중 적어도 하나를 포함하는, 시스템. - 제3항에 있어서,
데이터(D상관)가 범위(R)에 걸친 상기 반도체 시편의 두께를 나타내는 데이터에 의존하는 함수(F)를 포함하는 경우, 상기 시스템은, (i), (ii) 및 (iii):
(i) 상기 제2 영역에서의 반도체 시편의 두께를 나타내는 데이터가 상기 범위(R)의 함수(F)를 따르는 것;
(ii) 상기 제2 영역에서의 반도체 시편의 두께를 나타내는 데이터가 R과 상이한 범위(R')에 걸쳐 함수(F)를 시험하는 것을 허용하는 것;
(iii) 상기 함수(F)의 출력의 극값을 향해 이동하려고 시도하기 위해, 상기 제2 영역에서의 반도체 시편의 두께를 나타내는 데이터가 선택되는 것
중 적어도 하나가 충족되도록 상기 제2 영역을 선택하도록 구성되는, 시스템. - 제3항에 있어서,
상기 하나 이상의 제1 영역에서의 상기 반도체 시편의 두께를 나타내는 데이터, 및 상기 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나는, 적어도 하나의 광학 검사 툴에 의해 취득된 이미지에서의 픽셀 강도에 기초하여 획득되는, 시스템. - 제3항에 있어서,
상기 하나 이상의 제1 영역에서의 상기 반도체 시편의 두께를 나타내는 데이터 및 상기 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나는, 적어도 하나의 광학 검사 툴에 의해 취득된 복수의 이미지들에서의 픽셀 강도에 기초하여 획득되고, 상기 복수의 이미지들은 상기 광학 검사 툴의 조명 광학 신호의 파장에 의해 상이한, 시스템. - 제1항에 있어서,
상기 반도체 시편에 걸친 결함들의 존재의 확률을 나타내는 제1 확률 지도에 기초하여 상기 하나 이상의 제1 영역을 선택하도록 구성되고, 상기 제1 확률 지도는:
- 광학 검사 툴에 의해 취득된 상기 반도체 시편의 이미지;
- 광학 검사 툴에 의해 취득된 상기 반도체 시편의 이미지에 기초한 결함 위치의 추정;
- 결함 위치에 관한 이력 데이터;
- 전자 빔 검사 툴에 의해 취득된 상기 반도체 시편의 이미지;
- 상기 반도체 시편의 모의된 이미지,
- 상기 반도체 시편의 합성 이미지, 및
- 상기 반도체 시편의 제조 데이터
중 적어도 하나에 기초하여 구축되는, 시스템. - 제3항에 있어서,
상기 검사 툴에 의한 하나 이상의 영역의 이미지의 취득을 요구하지 않고, 상기 하나 이상의 영역에서의, 상기 반도체 시편 또는 다른 반도체 시편의 두께를 나타내는 데이터에 기초하여, 상기 반도체 시편 또는 상기 다른 반도체 시편의 하나 이상의 영역에 결함이 존재하는 확률을 나타내는 데이터를 출력하도록 구성되는, 시스템. - 반도체 시편의 검사의 방법으로서,
상기 방법은, 프로세서 및 메모리 회로(PMC)에 의한:
- 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 제1 영역의 이미지를 획득하는 단계,
- 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하는 단계,
- 상기 하나 이상의 제1 영역에서, 적어도, Datt의 또는 Datt에 상관된 데이터의 변화에 기초하여, 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 제2 영역을 결정하는 단계, 및
- 상기 검사 툴에 의한 검사를 위해 상기 하나 이상의 제2 영역을 선택하는 단계
를 포함하는, 방법. - 제13항에 있어서,
상기 하나 이상의 제2 영역의 결정은 Datt의 극값의 검색에 기초하는, 방법. - 제13항에 있어서,
1과 동일한 i로부터, 정지 기준이 충족될 때까지, (1), (2), (3) 및 (4):
- (1) 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 영역(Ai)의 이미지를 획득하는 단계,
- (2) 상기 하나 이상의 영역(Ai)에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하는 단계,
- (3) 적어도 상기 하나 이상의 영역(Ai)에서의 Datt의 변화에 기초하여, 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 영역(Ai + 1)을 결정하는 단계, 및
- (4) 1만큼 증분된 i에 대해 (1)로 복귀하는 단계
를 반복적으로 수행하는 단계를 포함하는, 방법. - 제13항에 있어서,
1과 동일한 i로부터, 정지 기준이 충족될 때까지, (1), (2), (3) 및 (4):
- (1) 검사 툴에 의해 취득된 반도체 시편의 영역(Ai)의 이미지를 획득하는 단계,
- (2) 이하의 것:
o 상기 영역(Ai)에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와
o 상기 영역(Ai)에서의 상기 반도체 시편의 두께를 나타내는 데이터
사이의 상관을 나타내는 데이터(D상관,i)를 결정하는 단계,
- (3) 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 영역(Ai + 1)을 결정하는 단계 ― 상기 하나 이상의 영역(Ai + 1)은 적어도, D상관,i, 또는 이를 나타내는 데이터, 및 상기 반도체 시편의 두께를 나타내는 데이터에 기초하여 결정됨 ―; 및
- (4) 1만큼 증분된 i에 대해 (1)로 복귀하는 단계
를 반복적으로 수행하는 단계를 포함하는, 방법. - 제13항에 있어서,
상기 반도체 시편의 이미지에 존재하는 픽셀들의 복수의 하위세트들 각각에 대해, 각각의 하위세트에 결함이 존재하는 확률을 생성하는 단계를 포함하고, 상기 제2 영역은 적어도 상기 확률에 기초하여 선택되고, 상기 확률은 (i) 및 (ii):
(i) 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt); 및
(ii) 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)와 상기 하나 이상의 제1 영역에서의 상기 반도체 시편의 두께를 나타내는 데이터 사이의 상관을 나타내는 데이터(D상관), 및 상기 반도체 시편의 두께를 나타내는 데이터
중 적어도 하나에 기초하는, 방법. - 제13항에 있어서,
상기 하나 이상의 제1 영역에서의 데이터(Datt)는:
- 상기 하나 이상의 제1 영역에 존재하는 요소들의 형상을 나타내는 데이터, 및
- 상기 하나 이상의 제1 영역에 존재하는 요소들과 상기 하나 이상의 제1 영역의 기준 이미지에 존재하는 요소들 사이의 차이를 나타내는 데이터
중 적어도 하나를 포함하는, 방법. - 제16항에 있어서,
상기 영역(Ai)에서의 상기 반도체 시편의 두께를 나타내는 데이터 및 상기 반도체 시편의 두께를 나타내는 데이터 중 적어도 하나는, 적어도 하나의 광학 검사 툴에 의해 취득된 복수의 이미지들에서의 픽셀 강도에 기초하여 획득되고, 상기 복수의 이미지들은 상기 광학 검사 툴의 조명 광학 신호의 파장에 의해 상이한, 방법. - 비일시적 컴퓨터 판독가능 매체로서,
명령어들
을 포함하고, 상기 명령어들은 프로세서에 의해 실행될 때 상기 프로세서로 하여금,
- 검사 툴에 의해 취득된 반도체 시편의 하나 이상의 제1 영역의 이미지를 획득하는 것,
- 상기 하나 이상의 제1 영역에서의 결함성에 대한 정보를 제공하는 데이터(Datt)를 결정하는 것,
- 상기 하나 이상의 제1 영역에서, 적어도, Datt의 또는 Datt에 상관된 데이터의 변화에 기초하여, 결함의 존재가 의심되는 상기 반도체 시편의 하나 이상의 제2 영역을 결정하는 것, 및
- 상기 검사 툴에 의한 검사를 위해 상기 하나 이상의 제2 영역을 선택하는 것
을 포함하는 동작들을 수행하게 하는, 비일시적 컴퓨터 판독가능 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/794,172 | 2020-02-18 | ||
| US16/794,172 US11423529B2 (en) | 2020-02-18 | 2020-02-18 | Determination of defect location for examination of a specimen |
| PCT/IL2020/051144 WO2021165947A1 (en) | 2020-02-18 | 2020-11-04 | Determination of defect location for examination of a specimen |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220143644A true KR20220143644A (ko) | 2022-10-25 |
| KR102727895B1 KR102727895B1 (ko) | 2024-11-12 |
Family
ID=73455770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227023228A KR102727895B1 (ko) | 2020-02-18 | 2020-11-04 | 시편의 검사를 위한 결함 위치의 결정 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11423529B2 (ko) |
| EP (1) | EP4107593A1 (ko) |
| JP (1) | JP7454057B2 (ko) |
| KR (1) | KR102727895B1 (ko) |
| CN (1) | CN114930260A (ko) |
| WO (1) | WO2021165947A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7563665B2 (ja) * | 2021-01-26 | 2024-10-08 | 日東電工株式会社 | 検査システム、検査方法及び検査プログラム |
| WO2024099710A1 (en) * | 2022-11-11 | 2024-05-16 | Asml Netherlands B.V. | Creating a dense defect probability map for use in a computational guided inspection machine learning model |
| WO2024175298A1 (en) * | 2023-02-22 | 2024-08-29 | Asml Netherlands B.V. | Method and system for selecting patterns based on similarity metric |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7271891B1 (en) * | 2003-08-29 | 2007-09-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for providing selective defect sensitivity |
| KR20130139762A (ko) * | 2012-06-13 | 2013-12-23 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품 |
| KR20170098709A (ko) * | 2016-02-22 | 2017-08-30 | 코니악 게엠베하 | 샘플링 플랜을 이용한 반도체 소자 제조 방법 |
| WO2020100180A1 (ja) * | 2018-11-12 | 2020-05-22 | 株式会社日立ハイテク | 欠陥の発生を推定するシステム、及びコンピューター可読媒体 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3678133B2 (ja) | 2000-10-30 | 2005-08-03 | 株式会社日立製作所 | 検査システムおよび半導体デバイスの製造方法 |
| US20020156550A1 (en) * | 2001-02-28 | 2002-10-24 | Langford Rick Edward | Robust windowing method using the poisson yield model for determining the systematic and random yield of failing circuits on semiconductor wafers |
| JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
| US10551827B2 (en) * | 2017-07-25 | 2020-02-04 | Kla-Tencor Corporation | Hybrid inspection system for efficient process window discovery |
| JP2019138660A (ja) * | 2018-02-06 | 2019-08-22 | 東芝メモリ株式会社 | 欠陥検査装置および欠陥検査方法 |
-
2020
- 2020-02-18 US US16/794,172 patent/US11423529B2/en active Active
- 2020-11-04 JP JP2022546408A patent/JP7454057B2/ja active Active
- 2020-11-04 EP EP20808209.9A patent/EP4107593A1/en active Pending
- 2020-11-04 CN CN202080091929.3A patent/CN114930260A/zh active Pending
- 2020-11-04 KR KR1020227023228A patent/KR102727895B1/ko active IP Right Grant
- 2020-11-04 WO PCT/IL2020/051144 patent/WO2021165947A1/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7271891B1 (en) * | 2003-08-29 | 2007-09-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for providing selective defect sensitivity |
| KR20130139762A (ko) * | 2012-06-13 | 2013-12-23 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품 |
| KR20170098709A (ko) * | 2016-02-22 | 2017-08-30 | 코니악 게엠베하 | 샘플링 플랜을 이용한 반도체 소자 제조 방법 |
| WO2020100180A1 (ja) * | 2018-11-12 | 2020-05-22 | 株式会社日立ハイテク | 欠陥の発生を推定するシステム、及びコンピューター可読媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4107593A1 (en) | 2022-12-28 |
| US20210256687A1 (en) | 2021-08-19 |
| KR102727895B1 (ko) | 2024-11-12 |
| US11423529B2 (en) | 2022-08-23 |
| CN114930260A (zh) | 2022-08-19 |
| WO2021165947A1 (en) | 2021-08-26 |
| JP2023514104A (ja) | 2023-04-05 |
| TW202202957A (zh) | 2022-01-16 |
| JP7454057B2 (ja) | 2024-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111443094B (zh) | 样本检验的方法及其系统 | |
| US12007335B2 (en) | Automatic optimization of an examination recipe | |
| CN110325843B (zh) | 引导式集成电路缺陷检测 | |
| KR102727895B1 (ko) | 시편의 검사를 위한 결함 위치의 결정 | |
| KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
| US20220210525A1 (en) | Prediction of electrical properties of a semiconductor specimen | |
| US20230230349A1 (en) | Identification of an array in a semiconductor specimen | |
| CN110582842B (zh) | 依据光学检验结果进行计量导引检验样品成形 | |
| CN114219749B (zh) | 样本的模拟图像的确定 | |
| TWI858308B (zh) | 基於參考圖像來決定樣本中的缺陷和/或邊緣粗糙度 | |
| TWI865645B (zh) | 決定檢驗樣品的缺陷位置 | |
| TWI864314B (zh) | 樣本的類比圖像的決定 | |
| JP7530330B2 (ja) | 半導体試料の画像のセグメンテーション | |
| KR20250001442A (ko) | 반도체 시편들에 대한 기계 학습 기반 계측 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0105 | International application |
Patent event date: 20220706 Patent event code: PA01051R01D Comment text: International Patent Application |
|
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20240311 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20240902 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20241105 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20241106 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |