KR20230132082A - 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법 - Google Patents
실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20230132082A KR20230132082A KR1020220029144A KR20220029144A KR20230132082A KR 20230132082 A KR20230132082 A KR 20230132082A KR 1020220029144 A KR1020220029144 A KR 1020220029144A KR 20220029144 A KR20220029144 A KR 20220029144A KR 20230132082 A KR20230132082 A KR 20230132082A
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- edge
- image data
- silicon wafer
- learning model
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 231
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 94
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 94
- 239000010703 silicon Substances 0.000 title claims abstract description 94
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims description 23
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 235000012431 wafers Nutrition 0.000 claims description 92
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000004049 embossing Methods 0.000 claims description 12
- 239000013078 crystal Substances 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000010438 heat treatment 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
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
실리콘 웨이퍼의 에지 결함 평가 장치는 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득하는 영상 획득부와, 상기 획득된 영상 데이터에 에지 결함이 검출되는 경우, 측정 장비를 이용하여 실리콘 웨이퍼의 에지 영역을 측정하여, 상기 검출된 에지 결함의 결함 속성을 결정하는 데이터 전처리부; 및 프로세서를 포함한다.
프로세서는 상기 검출된 에지 결함에 대응하는 결함 속성을 출력하도록 상기 획득된 영상 데이터를 학습하도록 제어하고, 상기 결정된 에지 결함의 결함 속성을 바탕으로 상기 출력된 에지 결함의 결함 속성의 정확도를 검증한다.
프로세서는 상기 검출된 에지 결함에 대응하는 결함 속성을 출력하도록 상기 획득된 영상 데이터를 학습하도록 제어하고, 상기 결정된 에지 결함의 결함 속성을 바탕으로 상기 출력된 에지 결함의 결함 속성의 정확도를 검증한다.
Description
실시예는 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법에 관한 것이다.
일반적으로 실리콘 웨이퍼를 제조하는 방법으로 초크랄스키(CZochralski: 이하 CZ) 방법을 많이 이용하고 있으며, CZ 방법에서는 석영 도가니에 다결정 실리콘을 장입하고, 이를 흑연 발열체에 의해 가열하여 용융시킨 후, 용융 결과 형성된 실리콘 용융액에 씨드 결정을 담그고 계면에서 결정화가 일어나도록 하여 씨드 결정을 회전하면서 인상시킴으로써 단결정의 실리콘 잉곳을 성장시킨다. 그런 다음, 실리콘 잉곳을 슬라이싱(slicing), 에칭(etching) 및 폴리싱(polishing)하여 웨이퍼 형태로 만들게 된다.
반도체 공정의 디자인 룰(Design rule)이 점점 미세화됨에 따라 실리콘 웨이퍼의 에지(edge)에 대한 결함 관리도 중요하게 부각되고 있다. 이에 따라, 실리콘 웨이퍼의 에지 결함을 평가할 수 있는 기술이 중요하다.
하지만, 아직까지 실리콘 웨이퍼의 에지 결함을 평가할 수 있는 기술이 명확히 제안되지 않고 있다.
특히, 실리콘 웨이퍼의 에지 결함의 속성이 명확히 분류되지 않고 있어, 이에 대한 기술 개발이 절실한 실정이다.
실시예는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
실시예의 다른 목적은 실리콘 웨이퍼의 에지 결함을 용이하게 수행할 수 있는 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법을 제공하는 것이다.
또한 실시예의 또 다른 목적은 실리콘 웨이퍼의 에지 결함의 속성을 명확히 분류할 수 있는 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법을 제공하는 것이다.
또한 실시예의 또 다른 목적은 명확한 분류가 가능한 학습을 기반으로 한 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법을 제공하는 것이다.
실시예의 기술적 과제는 본 항목에 기재된 것에 한정되지 않으며, 발명의 설명을 통해 파악될 수 있는 것을 포함한다.
상기 또는 다른 목적을 달성하기 위해 실시예의 제1 측면에 따르면, 실리콘 웨이퍼의 에지 결함 평가 장치는, 상기 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득하는 영상 획득부; 상기 획득된 영상 데이터에 에지 결함이 검출되는 경우, 측정 장비를 이용하여 상기 실리콘 웨이퍼의 에지 영역을 측정하여, 상기 검출된 에지 결함의 결함 속성을 결정하는 데이터 전처리부; 및 프로세서를 포함하고, 상기 프로세서는, 상기 검출된 에지 결함에 대응하는 결함 속성을 출력하도록 상기 획득된 영상 데이터를 학습하도록 제어하고, 상기 결정된 에지 결함의 결함 속성을 바탕으로 상기 출력된 에지 결함의 결함 속성의 정확도를 검증한다.
상기 측정 장비는 3D 레이저 마이크로스코프(microscope), SEM 및 TEM 중 적어도 하나 이상을 포함할 수 있다.
상기 결함 속성은 엠보싱, 스크래치, 파티클, 크리스탈 또는 ESF를 포함할 수 있다.
실리콘 웨이퍼의 에지 결함 평가 장치는 학습 모델을 포함하고, 상기 학습 모델은 계층화된 파라미터 연산식들을 포함할 수 있다.
상기 학습 모델은, 상기 계층화된 파라미터 연산식들을 이용하여 상기 획득된 영상 데이터에서 검출된 에지 결함에 대응하는 결함 속성을 출력할 수 있다.
상기 프로세서는, 상기 결함 속성의 정확도가 임계값 이하인 경우, 상기 계층화된 파라미터 연산식들을 변경할 수 있다.
상기 또는 다른 목적을 달성하기 위해 실시예의 제2 측면에 따르면, 실리콘 웨이퍼의 에지 결함 평가 방법은, 상기 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득하는 단계; 상기 획득된 영상 데이터에 에지 결함이 검출되는 경우, 측정 장비를 이용하여 상기 실리콘 웨이퍼의 에지 영역을 측정하여, 상기 검출된 에지 결함의 결함 속성을 결정하는 단계; 상기 검출된 에지 결함에 대응하는 결함 속성을 출력하도록 상기 획득된 영상 데이터를 학습하도록 제어하는 단계; 및 상기 결정된 에지 결함의 결함 속성을 바탕으로 상기 출력된 에지 결함의 결함 속성의 정확도를 검증하는 단계;를 포함할 수 있다.
실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법의 효과에 대해 설명하면 다음과 같다.
실시예에 따르면, 영상 획득부에서 획득부 영상 데이터를 학습 모델을 이용하여 학습함으로써, 실리콘 웨이퍼의 에지 영역에서 검출된 에지 결함의 결함 속성을 정확하고 쉽게 파악할 수 있다.
실시예에 따르면, 수 많은 실리콘 웨이퍼를 대상으로 학습 모델을 반복적으로 학습할 때마다 출력되는 결함 속성을 통해 결함 속성의 정확도가 산출될 수 있다. 만일 결함 속성의 정확도가 임계값 이하인 경우, 학습 모델의 계층화된 파라미터 연산식들이 변경될 수 있다. 이와 같이 주기적으로 학습 모델의 계층화된 파라미터 연산식들이 변경됨으로써, 학습 모델에서 출력되는 결함 속성의 정확도를 현저히 높일 수 있다.
이와 같이 정확도가 개선된 학습 모델을 실제 공정 라인에 장착함으로써, 별도의 추가 장비 없이 실리콘 웨이퍼에서 획득된 에지 결함에 대한 정확한 결함 속성이 결정될 수 있어, 실리콘 웨이퍼의 에지 영역에 대한 결함 관리가 보다 더 정밀해져, 실리콘 웨이퍼의 품질 개선을 통한 신뢰도가 제고될 수 있다.
실시예의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 실시예의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 바람직한 실시예와 같은 특정 실시예는 단지 예시로 주어진 것으로 이해되어야 한다.
도 1은 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치를 도시한 블록도이다.
도 2는 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 방법을 설명하는 순서도이다.
도 3a 및 도 3b는 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득하는 모습을 도시한다.
도 4는 도 1의 데이터 전처리부에서 결정된 에지 결함의 결함 속성을 보여준다.
도 5는 학습 모델에 포함된 계층화된 파라미터 연산식들을 도시한다.
도 6은 학습 모델의 입출력 테이블을 도시한다.
도 2는 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 방법을 설명하는 순서도이다.
도 3a 및 도 3b는 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득하는 모습을 도시한다.
도 4는 도 1의 데이터 전처리부에서 결정된 에지 결함의 결함 속성을 보여준다.
도 5는 학습 모델에 포함된 계층화된 파라미터 연산식들을 도시한다.
도 6은 학습 모델의 입출력 테이블을 도시한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것이며, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되는 것은 아니다. 또한, 층, 영역 또는 기판과 같은 요소가 다른 구성요소 '상(on)'에 존재하는 것으로 언급될 때, 이것은 직접적으로 다른 요소 상에 존재하거나 또는 그 사이에 다른 중간 요소가 존재할 수도 있는 것을 포함한다.
이하의 실시예에 기술된 인공지능모델은 다양한 인공 신경망 모델로 구성될 수 있으며, 예컨대 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등을 포함하여 구성될 수 있음을 알려둔다.
도 1은 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치를 도시한 블록도이다.
도 1을 참고하면, 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170), 영상 획득부(160), 데이터 전처리부(190) 및 프로세서(180)를 포함할 수 있다. 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치(100)는 러닝 알고리즘을 수행하는 인공 지능(AI) 장치일 수 있다. 따라서, 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치(100)와 AI 장치는 서로 교환적으로 불릴 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 장치 또는 서버 등의 외부 장치들에 데이터를 송수신 할 수 있다.
입력부(120)는 영상 데이터를 입력받을 수 있다. 또한 음성 신호 수신, 사용자로부터 데이터를 획득하기 위한 사용자 입력부 등 다양한 종류의 데이터를 획득할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
나중에 기술하겠지만, 실시예의 학습 모델은 계층화된 파라미터 연산식들을 포함할 수 있다.
학습 모델을 이용하여 영상 획득부(160)의 영상 데이터에서 검출된 에지 결함에 대응하는 결함 속성이 출력될 수 있다. 즉, 영상 데이터에서 검출된 에지 결함으로부터 다양한 파라미터 각각에 대한 값들이 산출될 수 있다. 이들 다양한 파라미터 각각을 계층화하여 모델링하여 학습 모델이 만들어질 수 있다. 따라서, 영상 획득부(160)의 영상 데이터가 학습 모델에 입력되면, 학습 모델의 계층화된 파라미터 연산식들에 따라 복수의 결함 속성(도 5의 class 1 내지 class 6) 중 하나의 결함 속성이 출력될 수 있다.
도 6은 학습 모델의 입출력 테이블을 도시한다.
학습 모델의 입출력 테이블은 복수의 코드를 입력으로 하고 복수의 코드를 출력으로 하여 구성될 수 있다. 여기서, 코드는 학습 모델의 상기 계층화된 파라미터 연산식들의 루틴일 수 있다. 각 코드에 결함 속성이 대응될 수 있지만, 이에 대해서는 한정하지 않는다.
학습 모델이 반복적으로 학습됨으로써, 입출력 테이블에서 가장 많은 개수를 갖는 코드가 결정된 경우, 그 코드에 대응하는 결함 속성이 학습 모델에서 출력될 수 있다.
실시예에 따르면, 수 많은 실리콘 웨이퍼를 대상으로 학습 모델을 반복적으로 학습할 때마다 출력되는 결함 속성을 통해 결함 속성의 정확도가 산출될 수 있다. 만일 결함 속성의 정확도가 임계값 이하인 경우, 학습 모델의 계층화된 파라미터 연산식들이 변경될 수 있다. 이와 같이 주기적으로 학습 모델의 계층화된 파라미터 연산식들이 변경됨으로써, 학습 모델에서 출력되는 결함 속성의 정확도를 현저히 높일 수 있다.
이와 같이 정확도가 개선된 학습 모델을 실제 공정 라인에 장착함으로써, 별도의 추가 장비 없이 실리콘 웨이퍼에서 획득된 에지 결함에 대한 정확한 결함 속성이 결정될 수 있어, 실리콘 웨이퍼의 에지 영역에 대한 결함 관리가 보다 더 정밀해져, 실리콘 웨이퍼의 품질 개선을 통한 신뢰도가 제고될 수 있다.
실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치(100)에 탑재될 인공 지능 모델은 러닝 프로세서(130)에서 학습될 수 있고, 외부 장치나 서버로부터 전송받는 것 또한 가능할 것이다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
또한 센싱부(140)는 카메라를 포함하고, 카메라를 이용하여 웨이퍼의 결함을 판단하기 위한 이미지를 수신하는 것도 가능할 것이다.
나중에 기술될 영상 획득부(160)는 센신부(140)에 포함될 수도 있지만, 이에 대해서는 한정하지 않는다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
영상 획득부(160)는 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득할 수 있다. 영상 획득부(160)는 카메라, 영상 스캐너 등으로 불릴 수 있다.
도 3a 및 도 3b에 도시한 바와 같이, 영상 획득부(160)의 광학 렌즈(320)가 실리콘 웨이퍼(310)의 에지 영역(312)의 다양한 서브 영역(Zone 1 내지 Zone 5)에 포커스된 후 해당 각 서브 영역(Zone 1 내지 Zone 5)에서 영상 데이터가 획득될 수 있다. 서브 영역(Zone 1 내지 Zone 5)은 예컨대, 실리콘 웨이퍼(310)의 에지 영역(312)의 하측 가장자리 영역, 상측 가장자리 영역, 측면 영역 등일 수 있다.
일 예로서, 영상 획득부(160)의 몸체(미도시)는 X축, Y축, Z축 등으로 이동되고 또한 회전 가능하다. 영상 획득부(160)가 X축, Y축, Z축 등으로 이동되고 또한 회전됨으로써, 영상 획득부(160)의 광학 렌즈(320)가 실리콘 웨이퍼(310)의 에지 영역(312)의 다양한 서브 영역(Zone 1 내지 Zone 5) 각각에서 영상 데이터가 획득될 수 있다.
다른 예로서, 영상 획득부(160)의 몸체는 고정되어 있고, 복수의 광학 렌즈(320)가 각각 실리콘 웨이퍼(310)의 복수의 서브 영역(Zone 1 내지 Zone 5) 각각을 동시에 포커스함으로써, 동일 시점에 동시에 영상 데이터가 획득될 수 있다.
실시예에서 영상 획득부(160)는 실리콘 웨이퍼(310)의 에지 영역(312)의 복수의 서브 영역(Zone 1 내지 Zone 5) 각각에서 획득된 영상 데이터를 분석하여 해당 영상 데이터로부터 에지 결함을 검출할 수 있다.
한편, 에지 결함의 검출은 프로세서(180)에 의해 수행될 수 있다. 이러한 경우, 영상 획득부(160)에서 실리콘 웨이퍼(310)의 에지 영역(312)의 복수의 서브 영역(Zone 1 내지 Zone 5) 각각에서 획득된 영상 데이터가 프로세서(180)로 전송될 수 있다. 프로세서(180)는 실리콘 웨이퍼(310)의 에지 영역(312)의 복수의 서브 영역(Zone 1 내지 Zone 5) 각각에서 획득된 영상 데이터를 분석하여 해당 영상 데이터로부터 에지 결함을 검출할 수 있다.
데이터 전처리부(190)는 영상 획득부(160)에 의해 획득된 영상 데이터에 에지 결함이 검출되는 경우, 측정 장비를 이용하여 실리콘 웨이퍼(310)의 에지 영역(312)을 측정하여, 상기 검출된 에지 결함의 결함 속성을 결정할 수 있다. 측정 장비는 3D 레이저 마이크로스코프, SEM 및 TEM 중 적어도 하나 이상을 포함할 수 있다.
영상 획득부(160)에 의해 획득된 영상 데이터에 에지 결함이 검출되지 않는 경우, 데이터 전처리부(190)의 동작은 수행되지 않을 수도 있다. 이와 달리, 영상 획득부(160)에 의해 획득된 영상 데이터에 에지 결함이 검출되지 않더라도, 데이터 전처리부(190)의 동작이 수행될 수 있다. 이러한 경우, 영상 획득부(160)에 의해 검출되지 않는 에지 결함이 측정 장비에 의해 에지 결함이 검출될 수 있다.
도 4a 내지 도 4f와 같이 측정 장비에 의한 측정을 통해 다양한 결함 속성이 결정될 수 있다. 결함 속성은 에지 종류를 의미할 수 있다.
결함 속성은 예컨대, 엠보싱(도 4a), 스크래치(도 4b), 파티클(도 4c), ESF(도 4d), 크리스탈(도 4e)이 있다.
예컨대, 폴리쉬드(polished) 실리콘 웨이퍼는 엠보싱(도 4a), 스크래치(도 4b), 파티클(도 4c)과 같은 결함 속성으로 결정될 수 있다.
EPI 실리콘 웨이퍼는 직접 제품 제조에 사용되는 웨이퍼서, 폴리쉬드 웨이퍼에 비해 더 정밀한 에지 결함 관리가 필요하므로, 좀 더 구체적인 결함 속성들로 분류될 필요가 있다. 따라서, EPI 실리콘 웨이퍼는 엠보싱(도 4a), 스크래치(도 4b), 파티클(도 4c), ESF(도 4d), 크리스탈(도 4e)와 같은 결함 속성으로 결정될 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
프로세서(180)는 실시예에 따른 실리콘 웨이퍼(310)의 에지 결함 평가 장치(100)의 전반적인 동작을 제어할 수 있을 것이다.
프로세서(180)는 실리콘 웨이퍼(310)의 에지 영역(312)에서 검출된 에지 결함에 대응하는 결함 속성을 출력하도록 영상 데이터를 학습하도록 제어할 수 있다.
학습 모델과 같은 인공지능모델은 메모리(170)에 저장될 수 있다.
일 예로서, 프로세서(180)는 메모리(170)로부터 학습 모델을 로딩하고, 학습 모델이 학습되도록 제어할 수 있다.
다른 예로서, 러닝 프로세서(130)가 메모리(170)로부터 학습 모델을 로딩하고, 학습 모델을 제어할 수도 있다. 러닝 프로세서(130)는 프로세서(180)에 포함될 수도 있다.
학습 모델은 도 5에 도시된 바와 같이, 계층화된 파라미터 연산식들을 포함할 수 있다. 여기서, 파라미터는 최소/최대 그레이값, 평균 그레이값, 그레이의 표준편차, 면적, X/Y 중심 좌표, X/Y 질량 중심좌표, X/Y 각 축의 넓이, 진원도(circularity), 컴팩트 정도(compactness), 윤곽 길이, 돌출 정도(convexity), 사각 정도(rextangularity), 타원의 근사(fitting 장축/단축/각도, 형상 계수(anisometry), 확장 정도(bulkiness), 구조 계수(structure factor), 최소 외접원의 반경, 최대 내접원의 반경우, 윤곽 평균거리, 윤곽 거리 표준 편차, 원형 정도(roundness), 다각형 근사 변수, 홀 면적, 직경, 오일러의 수(Euler Number), 최소 직사각형의 장폭/단폭, 적어도 2개 이상의 주변 화소의 평균 그레이값/그레이 표준 편차 등을 포함할 수 있다.
도 5에서 a 내지 u는 각 파라미터의 임계값일 수 있다. 각 파라미터는 영상 획득부(160)에서 검출된 실리콘 웨이퍼(310)의 에지 영역(312)에서 검출된 에지 결함에 대한 파라미터일 수 있다. 이들 파라미터들이 임계값과 비교되는 연산식들이 계층화될 수 있다. 따라서, 이들 계층화된 연산식들에 의해 계층적으로 연산됨으로써, 최종 출력값이 출력될 수 있다. 최종 출력값은 결함 속성들(class 1 내지 class 6) 중 하나일 수 있다. 예컨대, class 1은 엠보싱이고, class 2는 스크래치이고, claim 3은 파티클일 수 있다. 예컨대, class 4는 ESF이고, class 5는 크리스탈일 수 있다. 예컨대, class 6은 실시예에서 정의되지 않은 또 다른 결함 속성일 수 있다.
도 5에서는 6개의 결함 속성들(class 1 내지 class 6)이 도시되고 있지만, 이보다 더 많은 결함 속성들도 가능하다.
학습 모델은 상기 계층화된 파라미터 연산식들을 이용하여 영상 획득부(160)의 영상 데이터에서 검출된 에지 결함에 대응하는 결함 속성을 출력할 수 있다.
한편, 학습 모델과 같은 인공지능모델은 프로세서(180)에 의해 학습되는 것으로 설명하였으나, 외부 장치 또는 서버로부터 학습된 인공지능모델을 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 장치(100)가 수신하는 것 또한 가능할 것이다.
다시 도 1을 참조하면, 프로세서(180)는 데이터 전처리부(190)에서 결정된 에지 결함의 결합 속성을 바탕으로 학습 모델에서 출력된 에지 결함의 결함 속성의 정확도를 검증할 수 있다.
영상 획득부(160)에서 획득된 실리콘 웨이퍼(310)의 에지 영역(312)에 대한 영상 데이터에서 하나의 에지 결함이 검출되는 경우, 데이터 전처리부(190)는 실리콘 웨이퍼(310)의 에지 영역(312)을 측정하고, 그 측정된 에지 영역(312)에서 영상 획득부(160)의 영상 데이터에서 검출된 에지 결함과 대응하는 에지 결함을 검출하고 분석하여 그 에지 결함에 대한 결함 속성을 결정할 수 있다.
학습 모델에 영상 획득부(160)에서 획득된 영상 데이터가 입력될 수 있다. 구체적으로, 학습 모델에 영상 획득부(160)에서 획득된 영상 데이터에서 획득된 다양한 파라미터 각각의 값들이 입력될 수 있다. 이들 파라미터 각각의 값들은 영상 획득부(160)에서 획득된 영상 데이터를 분석하여 획득될 수 있다. 이때, 영상 데이터에서 획득된 파라미터들은 도 5에 도시된 계층화된 파라미터들과 동일한 파라미터들일 수 있다.
학습 모델은 영상 데이터에서 획득된 파라미터 각각의 값을 바탕으로 상기 계층화된 파라미터 연산식들을 연산함으로써, 복수의 결함 속성들(class 1 내지 class 6) 중 하나의 결함 속성을 출력할 수 있다.
이러한 경우, 프로세서(180)는 실리콘 웨이퍼(310)에서 검출된 동일한 에지 결함에 대해 데이터 전처리부(190)에서 결정된 결함 속성과 출력 모델에서 출력된 결함 속성이 동일한지를 판단할 수 있다.
데이터 전처리부(190)에서 결정된 결함 속성과 출력 모델에서 출력된 결함 속성이 동일한 경우, 학습 모델에 상기 계층화된 파라미터 연산식들이 잘 설정된 것으로서 출력 모델의 결함 속성에 대한 분류가 정확한 것임을 의미할 수 있다.
데이터 전처리부(190)에서 결정된 결함 속성과 출력 모델에서 출력된 결함 속성이 상이한 경우, 학습 모델에 상기 계층화된 파라미터 연산식들이 잘못 설정된 것으로서, 출력 모델의 결함 속성에 대한 분류가 정확하지 않음을 의미할 수 있다.
다만, 하나의 에지 결함에 대해서 학습 모델의 정확성을 검증하기는 어렵다. 이에 따라, 실시예에서는 폴리쉬드 실리콘 웨이퍼, EPI 실리콘 웨이퍼 등을 포함하는 다양한 실리콘 웨이퍼 각각에 대해 반복적인 학습 모델의 정확도 검증을 수행함으로써, 정확도를 높일 수 있다.
이와 같은 반복적인 정확도 검증에도 불구하고, 학습 모델에서 출력된 결함 속성의 정확도가 임계값 이하인 경우, 학습 모델에 설정된 상기 계층화된 파라미터 연산식들을 변경할 수 있다. 예컨대, 상기 계층화된 파라미터 연산식들 각각의 임계값이 변경되거나 상기 계층화된 파라미터 연산식들 각각의 위치가 변경될 수 있다. 학습 모델에서 출력된 결함 속성의 정확도는 결함 속성에 따라 달라질 수 있지만, 이에 대해서는 한정하지 않는다.
이하, 도 2를 참조하여 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 방법을 설명한다.
도 2는 실시예에 따른 실리콘 웨이퍼의 에지 결함 평가 방법을 설명하는 순서도이다.
도 1 및 도 2를 참조하면, 영상 획득부(160)는 실리콘 웨이퍼의 에지 영역(312)에 대한 영상 데이터를 획득할 수 있다(S210).
도 3a 및 도 3b에 도시한 바와 같이, 영상 획득부(160)의 광학 렌즈(320)가 실리콘 웨이퍼(310)의 에지 영역(312) 둘레를 포커스하여 실리콘 웨이퍼(310)의 에지 영역(312)에 대한 영상 데이터를 획득할 수 있다. 영상 데이터에 에지 결함이 있을 수도 있고 그렇지 않을 수도 있다.
영상 데이터가 분석되어, 에지 결함이 검출될 수 있다. 영상 데이터로부터 각 종 파라미터들을 바탕으로 에지 결함 후보들이 검출되고, 이들 에지 결함 후보들을 정밀 분석하여 에지 결함이 검출될 수 있다.
한편, 종래에는 실리콘 웨이퍼(310)의 에지 영역(312)에 대한 에지 결함을 검출하기 어려웠을 뿐만 아니라 에지 결함의 구체적인 결함 속성을 분류하거나 결정할 수 없었다.
실시예는 영상 획득부(160)에서 획득된 영상 데이터를 학습 모델을 이용하여 결함 속성을 분류하거나 결정할 수 있다. 즉, 학습 모델에 영상 데이터의 다양한 파라미터 각각의 값들이 입력되는 경우, 영상 데이터에서 검출된 에지 결함에 대한 결함 속성을 출력할 수 있다. 이러한 경우, 학습 모델에서 분류되거나 결정된 결함 속성의 정확도가 높아야 한다.
이하에 설명될 S220, S230 및 S240은 학습 모델에서 분류되거나 결정된 결함 속성의 정확도를 높이기 위한 방법에 관한 것이다.
즉, 데이터 전처리부(190)는 학습 모델에서 출력된 결함 속성의 정확도를 검증하기 위한 기준 결함 속성을 제공할 수 있다.
이를 위해, 데이터 전처리부(190)는 영상 데이터에서 검출된 에지 결함의 결함 속성을 결정할 수 있다(S220). 즉, 데이터 전처리부(190)는 영상 획득부(160)에서의 영상 데이터에서 검출된 에지 결함이 구체적으로 어떤 결함 속성인지가 결정될 수 있다.
먼저, 측정 장비를 이용하여 실리콘 웨이퍼(310)의 에지 영역(312)이 측정될 수 있다. 예컨대, 측정 장비는 3D 레이저 마이크로스코프, SEM 및 TEM 중 하나 이상을 포함할 수 있다.
예컨대, 결함 속성의 개수는 폴리쉬드 실리콘 웨이퍼나 EPI 실리콘 웨이퍼에 따라 달라질 수 있다. 예컨대, 폴리쉬드 실리콘 웨이퍼의 경우, 엠보싱(도 4a), 스크래치(도 4b), 파티클(도 4c)과 같이 3개가 있을 수 있지만, 이에 대해서는 한정하지 않는다. EPI 실리콘 웨이퍼의 경우, 엠보싱(도 4a), 스크래치(도 4b), 파티클(도 4c), ESF(도 4d), 크리스탈(도 4e)와 같이 5개가 있을 있지만, 이에 대해서는 한정하지 않는다.
데이터 전처리부(190)는 측정 장비를 이용하여 측정된 실리콘 웨이퍼(310)의 에지 영역(312) 관련 데이터를 분석함으로써, 실리콘 웨이퍼(310)의 에지 영역(312)에 존재하는 에지 결함에 대한 결함 속성을 결정할 수 있다.
한편, 프로세서(180)는 에지 결함에 대응하는 결함 속성을 출력하도록 영상 데이터를 학습하도록 제어할 수 있다(S230).
예컨대, 프로세서(180)는 학습 모델을 메모리(170)에서 로딩한 후, 영상 획득부(160)에서 획득된 영상 데이터를 학습 모델로 입력할 수 있다. 즉, 영상 데이터에서 검출된 에지 결함에 대한 각종 파라미터 각각의 값이 학습 모델로 입력될 수 있다.
학습 모델은 계층화된 파라미터 연산식들을 포함할 수 있다. 따라서, 학습 모델은 영상 데이터에서 검출된 에지 결함에 대한 파라미터 각각의 값을 입력받아, 상기 계층화된 파라미터 연산식들을 연산함으로써, 에지 결함에 대한 결함 속성을 출력할 수 있다. 즉, 도 5에 도시한 바와 같이, 계층화된 파라미터 연산식들이 연산됨으로서, 복수의 결함 속성(class 1 내지 class 6) 중 하나의 결함 속성이 출력될 수 있다.
프로세서(180)는 학습 모델에서 출력된 에지 결함에 대한 결함 속성의 정확도를 검증할 수 있다(S240).
즉, 프로세서(180)는 데이터 전처리부(190)에서 결정된 에지 결함에 대한 결함 속성과 학습 모델에서 출력된 에지 결함에 대한 결함 속성을 비교할 수 있다. 데이터 전처리부(190)에서 결정된 에지 결함에 대한 결함 속성과 학습 모델에서 출력된 에지 결함에 대한 결함 속성은 영상 획득부(160)에서 획득된 영상 데이터에서 검출된 에지 결함과 동일한 에지 결함일 수 있다.
프로세서(180)는 데이터 전처리부(190)에서 결정된 에지 결함에 대한 결함 속성과 학습 모델에서 출력된 에지 결함에 대한 결함 속성이 동일한 경우, 학습 모델에 설정된 상기 계층화된 파라미터 연산식들의 설정이 타당한 것으로 판단할 수 있다. 예컨대, 데이터 전처리부(190)에서 결정된 에지 결함에 대한 결함 속성이 엠보싱인데, 학습 모델에서 출력된 에지 결함에 대한 결함 속성도 엠보싱인 경우, 학습 모델에 설정된 상기 계층화된 파라미터 연산식들이 타당한 것으로 판단될 수 있다.
프로세서(180)는 데이터 전처리부(190)에서 결정된 에지 결함에 대한 결함 속성과 학습 모델에서 출력된 에지 결함에 대한 결함 속성이 상이한 경우, 학습 모델에 설정된 상기 계층화된 파라미터 연산식들의 설정이 타당하지 않은 것으로 판단할 수 있다. 예컨대, 데이터 전처리부(190)에서 결정된 에지 결함에 대한 결함 속성이 엠보싱인데, 학습 모델에서 출력된 에지 결함에 대한 결함 속성도 스크래치인 경우, 학습 모델에 설정된 상기 계층화된 파라미터 연산식들이 타당하지 않은 것으로 판단될 수 있다.
이와 같이, 학습 모델에 설정된 상기 계층화된 파라미터 연산식들이 타당하지 않은 것으로 판단된 경우, 프로세서(180)는 상기 계층화된 파라미터 연산식들을 변경할 수 있다.
이와 같이 학습 모델의 상기 계층화된 파라미터 연산식들이 변경된 후, S210, S220, S230 및 S240이 수행됨으로써, 학습 모델에서 출력된 결함 속성의 정확도가 다시 검증될 수 있다.
이와 같은 동작이 반본적으로 수행됨으로써, 학습 모델에서 출력된 결함 속성의 정확도가 높아질 수 있다.
다른 실시예로서, 학습 모델의 상기 계층화된 파라미터 연산식들이 변경되지 않더라도, S210, S220, S230 및 S240을 반복 수행하여 학습 모델의 학습의 동작 횟수를 늘림으로써, 학습 모델에서 출력된 결함 속성의 정확도가 높아질 수 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 실시예의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 실시예의 등가적 범위 내에서의 모든 변경은 실시예의 범위에 포함된다.
160: 영상 획득부
180: 프로세서
190: 데이터 전처리부
310: 실리콘 웨이퍼
312: 에지 영역
320: 광학 렌즈
180: 프로세서
190: 데이터 전처리부
310: 실리콘 웨이퍼
312: 에지 영역
320: 광학 렌즈
Claims (12)
- 실리콘 웨이퍼의 에지 결함 평가 장치에 있어서,
상기 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득하는 영상 획득부;
상기 획득된 영상 데이터에 에지 결함이 검출되는 경우, 측정 장비를 이용하여 상기 실리콘 웨이퍼의 에지 영역을 측정하여, 상기 검출된 에지 결함의 결함 속성을 결정하는 데이터 전처리부; 및
프로세서를 포함하고,
상기 프로세서는,
상기 검출된 에지 결함에 대응하는 결함 속성을 출력하도록 상기 획득된 영상 데이터를 학습하도록 제어하고,
상기 결정된 에지 결함의 결함 속성을 바탕으로 상기 출력된 에지 결함의 결함 속성의 정확도를 검증하는
실리콘 웨이퍼의 에지 결함 평가 장치. - 제1항에 있어서,
상기 측정 장비는 3D 레이저 마이크로스코프, SEM 및 TEM 중 적어도 하나 이상을 포함하는
실리콘 웨이퍼의 에지 결함 평가 장치. - 제1항에 있어서,
상기 결함 속성은 엠보싱, 스크래치, 파티클, 크리스탈 또는 ESF를 포함하는
실리콘 웨이퍼의 에지 결함 평가 장치. - 제1항에 있어서,
학습 모델을 포함하고,
상기 학습 모델은 계층화된 파라미터 연산식들을 포함하는
실리콘 웨이퍼의 에지 결함 평가 장치. - 제4항에 있어서,
상기 학습 모델은,
상기 계층화된 파라미터 연산식들을 이용하여 상기 획득된 영상 데이터에서 검출된 에지 결함에 대응하는 결함 속성을 출력하는
실리콘 웨이퍼의 에지 결함 평가 장치. - 제4항에 있어서,
상기 프로세서는,
상기 결함 속성의 정확도가 임계값 이하인 경우, 상기 계층화된 파라미터 연산식들을 변경하는
실리콘 웨이퍼의 에지 결함 평가 장치. - 실리콘 웨이퍼의 에지 결함 평가 방법에 있어서,
상기 실리콘 웨이퍼의 에지 영역에 대한 영상 데이터를 획득하는 단계;
상기 획득된 영상 데이터에 에지 결함이 검출되는 경우, 측정 장비를 이용하여 상기 실리콘 웨이퍼의 에지 영역을 측정하여, 상기 검출된 에지 결함의 결함 속성을 결정하는 단계;
상기 검출된 에지 결함에 대응하는 결함 속성을 출력하도록 상기 획득된 영상 데이터를 학습하도록 제어하는 단계; 및
상기 결정된 에지 결함의 결함 속성을 바탕으로 상기 출력된 에지 결함의 결함 속성의 정확도를 검증하는 단계;를 포함하는
실리콘 웨이퍼의 에지 결함 평가 방법. - 제7항에 있어서,
상기 측정 장비는 3D 레이저 마이크로스코프, SEM 및 TEM 중 적어도 하나를 포함하는
실리콘 웨이퍼의 에지 결함 평가 방법. - 제7항에 있어서,
상기 결함 속성은 엠보싱, 스크래치, 파티클, 크리스탈 또는 ESF를 포함하는
실리콘 웨이퍼의 에지 결함 평가 방법. - 제7항에 있어서,
상기 획득된 영상 데이터의 학습은 학습 모델에 포함된 계층화된 파라미터 연산식들에 의해 수행되는
실리콘 웨이퍼의 에지 결함 평가 방법. - 제10항에 있어서,
상기 학습 모델은,
상기 계층화된 파라미터 연산식들을 이용하여 상기 획득된 영상 데이터에서 검출된 에지 결함에 대응하는 결함 속성을 출력하는
실리콘 웨이퍼의 에지 결함 평가 방법. - 제10항에 있어서,
상기 결함 속성의 정확도가 임계값 이하인 경우, 상기 계층화된 파라미터 연산식들을 변경하는
실리콘 웨이퍼의 에지 결함 평가 방법.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220029144A KR20230132082A (ko) | 2022-03-08 | 2022-03-08 | 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법 |
| US18/172,940 US20230289949A1 (en) | 2022-03-08 | 2023-02-22 | Device for evaluating edge defects in a silicon wafer and method therof |
| CN202310246340.1A CN116739970A (zh) | 2022-03-08 | 2023-03-07 | 用于评估硅晶片中的边缘缺陷的装置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220029144A KR20230132082A (ko) | 2022-03-08 | 2022-03-08 | 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230132082A true KR20230132082A (ko) | 2023-09-15 |
Family
ID=87910303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220029144A KR20230132082A (ko) | 2022-03-08 | 2022-03-08 | 실리콘 웨이퍼의 에지 결함 평가 장치 및 그 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230289949A1 (ko) |
| KR (1) | KR20230132082A (ko) |
| CN (1) | CN116739970A (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333441B (zh) * | 2023-09-27 | 2024-04-02 | 威海天拓合创电子工程有限公司 | 一种基于图像数据的pcb板缺陷检测方法及系统 |
| CN117635922A (zh) * | 2023-12-06 | 2024-03-01 | 北京薇笑美网络科技有限公司 | 一种基于路由器网线接口的质量识别方法 |
-
2022
- 2022-03-08 KR KR1020220029144A patent/KR20230132082A/ko not_active Application Discontinuation
-
2023
- 2023-02-22 US US18/172,940 patent/US20230289949A1/en active Pending
- 2023-03-07 CN CN202310246340.1A patent/CN116739970A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230289949A1 (en) | 2023-09-14 |
| CN116739970A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230289949A1 (en) | Device for evaluating edge defects in a silicon wafer and method therof | |
| TWI751376B (zh) | 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 | |
| CN107064170B (zh) | 一种检测手机外壳轮廓度缺陷方法 | |
| JP6598790B2 (ja) | カスタマイズされたメトリックスをグローバル分類方法と組み合わせて極高処理能力でプロセスツール状態を監視するウエハおよびロットベースの階層化方法 | |
| CN109949286A (zh) | 用于输出信息的方法和装置 | |
| CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
| CN107123111A (zh) | 一种用于手机屏幕缺陷检测的深度残差网络构造方法 | |
| CN109671174A (zh) | 一种电塔巡检方法及装置 | |
| CN108090896B (zh) | 木板平整度检测及其机器学习方法、装置及电子设备 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| JP2009531784A (ja) | マシンビジョンツールパラメータの自動決定 | |
| CN108205180A (zh) | 机器学习装置以及光源单元制造装置 | |
| US11783471B2 (en) | Method and device for determining whether object includes defect | |
| TWI683262B (zh) | 工業影像檢測方法、系統與電腦可讀取記錄媒體 | |
| CN107544432A (zh) | 寿命判定装置、寿命判定方法及计算机可读取的记录介质 | |
| CN110146017A (zh) | 工业机器人重复定位精度测量方法 | |
| CN107525652A (zh) | 镜头畸变测试方法、装置及系统 | |
| CN113569679B (zh) | 测量断裂伸长率的方法、装置和系统 | |
| KR101936628B1 (ko) | Tsom 이미지 획득 방법 및 반도체 장치 검사 방법 | |
| KR102536835B1 (ko) | 실리콘 웨이퍼 결함 분석 방법 | |
| CN113888494B (zh) | 一种汽车域控制器的人工智能接口引脚质量检测方法 | |
| Fang et al. | Classification and inspection of milling surface roughness based on a broad learning system | |
| KR102527444B1 (ko) | 웨이퍼 또는 단결정 잉곳의 품질평가 방법 및 장치 | |
| CN111462095B (zh) | 用于工业瑕疵图像检测的参数自动调节方法 | |
| CN114827457B (zh) | 一种晶圆检测中的动态对焦方法、装置、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |