KR20240048627A - 반도체 ｐｒ장비의 노즐장치에 대한 불량 도포의 ａｉ 검출 및 제어 시스템 - Google Patents
반도체 ｐｒ장비의 노즐장치에 대한 불량 도포의 ａｉ 검출 및 제어 시스템 Download PDFInfo
- Publication number
- KR20240048627A KR20240048627A KR1020220128162A KR20220128162A KR20240048627A KR 20240048627 A KR20240048627 A KR 20240048627A KR 1020220128162 A KR1020220128162 A KR 1020220128162A KR 20220128162 A KR20220128162 A KR 20220128162A KR 20240048627 A KR20240048627 A KR 20240048627A
- Authority
- KR
- South Korea
- Prior art keywords
- photoresist
- image
- wafer
- image acquisition
- application
- Prior art date
Links
- 239000004065 semiconductor Substances 0.000 title claims abstract description 51
- 230000002950 deficient Effects 0.000 title claims abstract description 41
- 229920002120 photoresistant polymer Polymers 0.000 claims abstract description 333
- 230000007547 defect Effects 0.000 claims abstract description 140
- 238000013135 deep learning Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003892 spreading Methods 0.000 claims abstract description 12
- 230000007480 spreading Effects 0.000 claims abstract description 12
- 238000002347 injection Methods 0.000 claims abstract description 10
- 239000007924 injection Substances 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000005507 spraying Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000001965 increasing effect Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 235000012431 wafers Nutrition 0.000 description 65
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 239000011248 coating agent Substances 0.000 description 6
- 238000000576 coating method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- LHMQDVIHBXWNII-UHFFFAOYSA-N 3-amino-4-methoxy-n-phenylbenzamide Chemical compound C1=C(N)C(OC)=CC=C1C(=O)NC1=CC=CC=C1 LHMQDVIHBXWNII-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229910021642 ultra pure water Inorganic materials 0.000 description 1
- 239000012498 ultrapure water Substances 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/16—Coating processes; Apparatus therefor
- G03F7/162—Coating on a rotating support, e.g. using a whirler or a spinner
-
- 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
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/6715—Apparatus for applying a liquid, a resin, an ink or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
Abstract
본 발명은 반도체 PR장비의 공급노즐에 의한 포토레지스트 불량 도포를 검출 및 제어하는 시스템으로서, 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 상기 웨이퍼의 상방에서 획득하도록 설치되는 PR퍼짐이미지획득부; 및 상기 PR퍼짐이미지획득부로부터 제공되는 포토레지스트의 이미지로부터 딥러닝 알고리즘에 의한 포토레지스트의 퍼짐 분석을 통해 포토레지스트의 도포 불량을 판정하고, 상기 판정 결과에 따라 상기 스핀척의 회전속도 조절이나, 노즐개폐부의 개폐 동작 제어에 의한 포토레지스트의 분사량을 조절함으로써, 상기 포토레지스트의 도포 불량으로 인한 작업 중단을 방지하도록 하는 딥러닝결함분석제어부;를 포함하도록 한 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 관한 것이다.
본 발명에 따르면, 반도체 제조에 사용되는 포토레지스트(Photo Resist, PR)의 도포 불량을 실시간으로 판정하여, 이와 관련되는 파라메터들의 실시간 조절에 의해 포토레지스트 공정이 중단없이 수행되도록 할 수 있고, 이로 인해 반도체 제조 공정의 신뢰성과 수율을 높이도록 하는 효과를 가진다.
본 발명에 따르면, 반도체 제조에 사용되는 포토레지스트(Photo Resist, PR)의 도포 불량을 실시간으로 판정하여, 이와 관련되는 파라메터들의 실시간 조절에 의해 포토레지스트 공정이 중단없이 수행되도록 할 수 있고, 이로 인해 반도체 제조 공정의 신뢰성과 수율을 높이도록 하는 효과를 가진다.
Description
본 발명은 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 관한 것으로서, 보다 상세하게는 반도체 제조에 사용되는 포토레지스트(Photo Resist, PR)의 도포 불량을 실시간으로 판정하여, 이와 관련되는 파라메터들의 실시간 조절에 의해 도포 불량을 해소하여 포토레지스트 공정이 중단없이 수행되도록 하는 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 관한 것이다.
일반적으로, 포토리소그래피(Photo-lithography) 공정은 웨이퍼에 포토레지스트를 도포하고, 포토마스크를 이용하여 노광하고, 현상액에 현상함으로써, 포토 마스크의 일정 패턴이 포토레지스트 막에 전사되도록 하는 공정이다. 이때, 웨이퍼에 포토레지스트를 도포하는 공정을 수행하게 되는데, 이는 주로 스핀 코터를 이용하여 이루어진다.
이러한 스핀 코터는 웨이퍼를 고정하고 회전할 수 있도록 이루어진 회전척 위에 외부에서 공급된 웨이퍼가 놓이면, 회전척은 웨이퍼를 고정하고 회전을 시작한다. 그리고 포토레지스트의 공급노즐은 대기 위치에서 분사 위치로 이동하여 일정량의 포토레지스트를 회전하는 웨이퍼 중앙부에 뿌려주게 되고, 이 액상의 포토레지스터는 회전하는 웨이퍼 상에서 원심력에 의해 넓게 퍼져나가며 자체의 점성에 의해 웨이퍼에 거의 고른 두께로 분포된다. 이후 액상의 포토레지스터는 베이크 같은 일련의 경화과정을 거쳐 고상을 이루고, 노광공정에 투입된다.
이와 같은 스핀 코터에 의한 웨이퍼의 포토레지스트 도포에 대한 품질 관리는 웨이퍼 불량률과 밀접한 관계를 가질 뿐만 아니라, 반도체에서의 미세 선폭 구현에 있어서 더욱 중요해지고 있다.
종래 포토레지스트의 도포 품질 관리를 위한 기술로서, 한국공개특허 제10-2003-0085692호의 "스핀코터의 포토레지스트 센싱장치 및 센싱방법"이 제시된 바 있는데, 이는 구동수단에 의해 회전될 수 있도록 하는 회전척과; 포토레지스트의 양이 감지될 수 있는 제3 센싱부가 구비되고, 상기 회전척의 상부에 위치된 웨이퍼에 일정량의 포토레지스트가 도포되는 포토레지스트 공급용 노즐과; 포토레지스트의 양이 감지될 수 있는 제1 센싱부가 구비되고, 상기 웨이퍼에 분산될 포토레지스트가 담겨져 있는 포토레지스트 용기와; 포토레지스트의 양이 감지될 수 있는 제2 센싱부가 구비되고, 상기 포토레지스트 용기에 담긴 포토레지스트를 상기 포토레지스트 공급용 노즐에 공급될 수 있도록 펌핑시키는 펌핑부과; 상기 회전척이 회전될 수 있도록 구동수단을 콘트롤하고, 상기 포토레지스트 용기에 담긴 포토레지스트를 펌핑하여 포토레지스트 공급용 노즐로 이동되도록 상기 펌핑부를 콘트롤하는 콘트롤러가 구비되어 있다.
그러나, 종래 기술은 도 1에서와 같이, 포토레지스트의 도포 품질이 정상적인 상태와는 달리, 비정상적인 불량을 야기하는 결함을 정확하게 판별하는데 한계를 가지고, 이로 인해, 웨이퍼의 불량률 감소에 기여하는 정도가 크지 않다는 문제점을 가지고 있었다. 이로 인해, 웨이퍼 상의 포토레지스트 두께 불균일성을 초래하여, 웨이퍼에 대한 회로 패턴의 형성에 심각한 영향을 미쳐서, 수율에 악영향을 초래하는 문제점을 가지고 있었다.
이러한 문제점을 해소하기 위하여, 코팅 불량을 노즐의 상태만을 관찰하여 불량 여부 판정 및 진행 상태 정지의 방식만을 사용할 경우, 포토레지스트 공급노즐에 문제가 없더라도, 그 외에 발생하는 스핀의 상태, 포토레지스트의 농도, 진행 과정에서의 문제점 파악이 어렵게 된다. 또한 스핀척의 회전속도 및 포토레지스트의 농도와 포토레지스트 공급노즐에서의 분사 속도 등 매우 많은 파라메터를 관리하는 것은 매우 까다롭고, 고난이도의 계산 프로세서가 포토레지스트 불량 검출의 시간을 지체하게 하고, 정상 상태로 시스템을 제어 관리하는데 매우 비용이 많이 드는 과정으로 인해, 생산 단가 및 수율에 악영향을 미치게 되는 문제점을 가지고 있었다.
상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 반도체 제조에 사용되는 포토레지스트(Photo Resist, PR)의 도포 불량을 실시간으로 판정하여, 이와 관련되는 파라메터들의 실시간 조절에 의해 도포 불량을 해소하여 포토레지스트 공정이 중단없이 수행되도록 하고, 이로 인해 반도체 제조 공정의 신뢰성과 수율을 높이도록 하는데 목적이 있다.
또한, 본 발명은 포토레지스트 공급노즐의 상태와 포토레지스트의 도포 영역을 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 노즐 상태를 감시하며, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있고, 포토레지스트의 결함 발생 우려 가능성이 높은 공급노즐 부근이나 웨이퍼의 평면 뿐만 아니라, 웨이퍼의 가장자리를 집중적으로 모니터링함으로써 포토레지스트의 결함 검출의 정확도를 높일 수 있으며, 특히 반도체 리소그래피(Lithography) 공정에서 핵심적 공정 장치에 해당하는 포토레지스트 도포를 위한 노즐의 포토레지스트 공급 상태 검출을 통해, 반도체 업계에서 요구하는 반도체 소자의 고신뢰성 및 수율 증대에 대한 요구를 만족시키는데 목적이 있다.
본 발명의 다른 목적들은 이하의 실시례에 대한 설명을 통해 쉽게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위해, 본 발명의 일측면에 따르면, 반도체 PR장비의 공급노즐에 의한 포토레지스트 불량 도포를 검출 및 제어하는 시스템으로서, 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 상기 웨이퍼의 상방에서 획득하도록 설치되는 PR퍼짐이미지획득부; 및 상기 PR퍼짐이미지획득부로부터 제공되는 포토레지스트의 이미지로부터 딥러닝 알고리즘에 의한 포토레지스트의 퍼짐 분석을 통해 포토레지스트의 도포 불량을 판정하고, 상기 판정 결과에 따라 상기 스핀척의 회전속도 조절이나, 노즐개폐부의 개폐 동작 제어에 의한 포토레지스트의 분사량을 조절함으로써, 상기 포토레지스트의 도포 불량으로 인한 작업 중단을 방지하도록 하는 딥러닝결함분석제어부;를 포함하는, 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템이 제공된다.
상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 상기 웨이퍼에 수평된 방향에서 상기 웨이퍼의 가장자리로부터 획득하여, 상기 딥러닝결함분석제어부에 제공하도록 설치되는 수평웨이퍼이미지획득부;를 더 포함하고, 상기 딥러닝결함분석제어부는, 상기 PR퍼짐이미지획득부로부터 제공되는 포토레지스트의 이미지와 함께 상기 수평웨이퍼이미지획득부로부터 제공되는 포토레지스트의 이미지를 통해 포토레지스트의 도포 불량을 판정하고, 상기 판정 결과에 따라 상기 스핀척의 회전속도 조절이나, 상기 노즐개폐부의 개폐 동작 제어에 의한 포토레지스트의 분사 조절 또는 PR농도조절부의 제어에 의한 포토레지스트의 농도를 조절함으로써, 상기 포토레지스트의 도포 불량으로 인한 작업 중단을 방지하도록 할 수 있다.
상기 딥러닝결함분석제어부로부터 제공되는 포토레지스트의 도포 불량 판정 데이터를 제공받아 포토레지스트의 농도를 분석하는 PR농도분석부를 더 포함할 수 있다.
상기 스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하는 PR이미지획득부; 상기 딥러닝결함분석제어부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부; 및 상기 제어부의 제어신호에 따라 결함 발생 사실을 외부에 제공하는 결함알림부;를 더 포함하고, 상기 딥러닝결함분석제어부는, 상기 PR이미지획득부로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해, 상기 공급노즐로부터 포토레지스트가 좌측 또는 우측으로 틀어져서 도포됨으로써 발생하는 결함, 상기 공급노즐로부터 포토레지스트가 물방울 형태로 매달려 있다가 낙하하여 발생하는 결함 및 상기 공급노즐의 겉표면에 발생한 잔류물에 의해 발생하는 결함을 판단하고, 상기 PR이미지획득부로부터 획득되는 이미지로부터 맥스 풀링(Max pooling)으로 특징맵을 추출하고, 상기 특징맵에서 객체 영역(전경)과 비객체 영역(배경)을 구분하며, 상기 특징맵을 CNN(Conv.3)을 통과시키고, 다시 CNN(Conv.1)을 통과시킨 후, 이를 완전 연결 계층(Fully connected layer)에 연결하여 객체 영역과 비객체 영역을 분류하며, 객체 영역과 비객체 영역에 외접하는 경계 상자(bounding-box)를 구하되, 상기 경계 박스의 위치가 객체 영역을 둘러싸는 사각형의 중심좌표이고, 상기 경계 박스의 크기가 가로폭 및 세로높이로 표시되며, 표시 결과와 앵커박스(anchor box) 및 기준 박스(ground-truth box)를 이용하여 영역을 표현하고, 검출과정이 ROI(region of interesting) 풀링 레이어(pooling layer), 2개의 완전 연결 계층(fully connected layer), 포토레지스트의 좌측 또는 우측으로 틀어진 영역, 포토레지스트의 물방울 형태 영역 및 잔류물 영역의 검출 과정을 거치게 되며, ROI 풀링 레이어의 출력이 2개의 완전 연결 계층(fully connected layer)을 거쳐 포토레지스트의 좌측 또는 우측으로 틀어진 영역, 포토레지스트의 물방울 형태 영역 및 잔류물 영역과 배경으로 구분될 수 있다.
상기 PR이미지획득부는, 한 쌍으로 이루어져서 상기 공급노즐을 중심으로 90도의 각도로 배치되고, 상기 제어부는, 상기 공급노즐로부터 정상적으로 공급되는 포토레지스트의 단면과 상기 PR이미지획득부로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시할 수 있다.
상기 딥러닝결함분석제어부는, 상기 PR이미지획득부에 의해 획득되는 포토레지스트에 대한 이미지를 사용하여, 상기 공급노즐의 하단으로부터 수직 하방으로 연장되는 가상의 수직선에 대하여, 상기 공급노즐의 하단으로부터 하방으로 공급되는 포토레지스트의 이격량에 따라 상기 포토레지스트의 결함을 판별하도록 하고, 수평웨이퍼이미지획득부에 의해 획득되는 웨이퍼에서 수평방향으로 가장자리의 이미지를 사용하여, 포토레지스트의 볼록한 부분이나 오목한 부분의 결함을 판별하도록 하며, 상기 PR퍼짐이미지획득부에 의해 획득되는 웨이퍼 상면에 대한 이미지를 사용하여, 상기 포토레지스트가 도포되는 상기 웨이퍼 상에서 중심부와 차별되는 색상이나 형태를 가지는 영역 비율에 따라 상기 포토레지스트의 결함을 판별하도록 할 수 있다.
본 발명에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 의하면, 반도체 제조에 사용되는 포토레지스트(Photo Resist, PR)의 도포 불량을 실시간으로 판정하여, 이와 관련되는 파라메터들의 실시간 조절에 의해 도포 불량을 해소하여 포토레지스트 공정이 중단없이 수행되도록 할 수 있고, 이로 인해 반도체 제조 공정의 신뢰성과 수율을 높이도록 하는 효과를 가진다.
또한, 본 발명에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 의하면, 포토레지스트 공급노즐의 상태와 포토레지스트의 도포 영역을 딥러닝 기술을 활용하여 정확한 결함 감지를 가능하도록 하고, 포토레지스트 도포 과정에 대한 영상 상태의 검출 처리능력을 향상시켜 실시간으로 노즐 상태를 감시하며, 비정상적 결함상태가 감지될 경우 해당 유닛에 경보를 울리게 하여 공정불량 예방 및 수율 강화에 따른 생산효율을 극대화할 수 있고, 포토레지스트의 결함 발생 우려 가능성이 높은 공급노즐 부근이나 웨이퍼의 평면 뿐만 아니라, 웨이퍼의 가장자리를 집중적으로 모니터링함으로써 포토레지스트의 결함 검출의 정확도를 높일 수 있으며, 특히 반도체 리소그래피(Lithography) 공정에서 핵심적 공정 장치에 해당하는 포토레지스트 도포를 위한 노즐의 포토레지스트 공급 상태 검출을 통해, 반도체 업계에서 요구하는 반도체 소자의 고신뢰성 및 수율 증대에 대한 요구를 만족시키는 효과를 가진다.
도 1은 종래의 포토레지스트 도포에 대한 비정상 상태들을 나타낸 이미지이다.
도 2는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템의 포토레지스트 퍼짐 상태 파악 솔루션 개요도이다.
도 3은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템을 도시한 구성도이다.
도 4는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템이 적용되는 스핀 코터의 내부를 도시한 정면도이다.
도 5는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 의해 검출하는 포토레지스트 도포 상태 결함 4종을 나타내는 이미지이다.
도 6은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 PR이미지획득부의 배치를 도시한 평면도이다.
도 7은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템의 결함 판별 기준을 설명하기 위한 측면도이다.
도 8은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 수평웨이퍼이미지획득부의 획득 이미지를 통한 결함 측정을 설명하기 위한 부분 확대도이다.
도 9는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 PR퍼짐이미지획득부의 획득 이미지를 통한 결함 측정을 설명하기 위한 부분 확대도이다.
도 10은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 앵커 박스와 기준 박스를 나타낸다.
도 11은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템의 딥러닝결함분석제어부의 Faster R-CNN 기반 검출구현 구성도이다.
도 12는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 평면적으로 정상 포토레지스트의 단면을 기준으로 전후 및 좌우 이격치를 나타낸다.
도 13은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 모니터링 화면을 예시적으로 나타낸 이미지이다.
도 2는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템의 포토레지스트 퍼짐 상태 파악 솔루션 개요도이다.
도 3은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템을 도시한 구성도이다.
도 4는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템이 적용되는 스핀 코터의 내부를 도시한 정면도이다.
도 5는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 의해 검출하는 포토레지스트 도포 상태 결함 4종을 나타내는 이미지이다.
도 6은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 PR이미지획득부의 배치를 도시한 평면도이다.
도 7은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템의 결함 판별 기준을 설명하기 위한 측면도이다.
도 8은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 수평웨이퍼이미지획득부의 획득 이미지를 통한 결함 측정을 설명하기 위한 부분 확대도이다.
도 9는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 PR퍼짐이미지획득부의 획득 이미지를 통한 결함 측정을 설명하기 위한 부분 확대도이다.
도 10은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 앵커 박스와 기준 박스를 나타낸다.
도 11은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템의 딥러닝결함분석제어부의 Faster R-CNN 기반 검출구현 구성도이다.
도 12는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 평면적으로 정상 포토레지스트의 단면을 기준으로 전후 및 좌우 이격치를 나타낸다.
도 13은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에서 모니터링 화면을 예시적으로 나타낸 이미지이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시례를 가질 수 있는 바, 특정 실시례들을 도면에 예시하고, 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니고, 본 발명의 기술 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 식으로 이해되어야 하고, 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시례에 한정되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 실시례를 상세히 설명하며, 도면 부호에 관계없이 동일하거나 대응하는 구성요소에 대해서는 동일한 참조 번호를 부여하고, 이에 대해 중복되는 설명을 생략하기로 한다.
도 2는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템의 포토레지스트 퍼짐 상태 파악 솔루션 개요도이고, 도 3은 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템을 도시한 구성도이고, 도 4는 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템이 적용되는 스핀 코터의 내부를 도시한 정면도이다.
도 2 내지 도 4를 참조하면, 본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템(100)은 반도체 PR장비의 공급노즐에 의한 포토레지스트 불량 도포를 검출 및 제어하는 시스템으로서, PR퍼짐이미지획득부(170) 및 딥러닝결함분석제어부(120)를 포함할 수 있고, 나아가서, 수평웨이퍼이미지획득부(160) 및 PR농도분석부(121)를 더 포함할 수 있다.
PR퍼짐이미지획득부(170)는 공급노즐(210)로부터 스핀척(220) 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 웨이퍼의 상방에서 획득하도록 스핀 코터(10)에 설치된다. PR퍼짐이미지획득부(170)는 예컨대 공급노즐(210)이 고정된 노즐아암(211)에 하방을 향하도록 설치될 수 있는데, 이미지 획득에 필요한 카메라를 비롯하여 다양한 촬영장치가 사용될 수 있으며, 이하의 이미지획득부에 대해서 마찬가지로 적용된다.
딥러닝결함분석제어부(120)는 PR퍼짐이미지획득부(170)로부터 제공되는 포토레지스트의 이미지로부터 딥러닝 알고리즘에 의한 포토레지스트의 퍼짐 분석을 통해 포토레지스트의 도포 불량을 판정하도록 하고, 판정 결과에 따라 스핀척(220)의 회전속도 조절이나, 노즐개폐부(212)의 개폐 동작 제어에 의한 포토레지스트의 분사량을 조절함으로써, 포토레지스트의 도포 불량으로 인한 작업 중단을 방지하도록 할 수 있다.
수평웨이퍼이미지획득부(160)는 공급노즐(210)로부터 스핀척(220) 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 웨이퍼에 수평된 방향에서 웨이퍼의 가장자리로부터 획득하여, 딥러닝결함분석제어부(120)에 제공하도록 스핀 코터(10)에 설치된다. 수평웨이퍼이미지획득부(160)는 웨이퍼에 수평된 방향에서, 도 8에서와 같이, 웨이퍼(W)의 가장자리에 대한 영상(B)을 획득하여, 포토레지스트(PR)에서 볼록한 부분(b1)이나 오목한 부분(b2) 등과 같이, 포토레지스트(PR)에 대한 결함 관측에 유리하도록 한다. 즉, 웨이퍼(W)에서 가장자리 부분에 대해서 포토레지스트(PR)의 결함 발생 우려가 높은데, 웨이퍼(W)에서 수평방향으로 가장자리의 이미지를 획득시, 포토레지스트(PR)의 평탄도를 해치는 볼록한 부분(b1)의 관측이 용이하면서도 정확해지고, 오목한 부분(b2)은 웨이퍼(W)의 회전시 다른 부분에 비하여 얼룩진 것과 같은 형태를 나타내므로, 이 역시 관측이 용이하면서도 정확해진다. 또한, 수평웨이퍼이미지획득부(160)는 딥러닝결함분석제어부(120)에 의한 웨이퍼(W) 상면에 원하는 두께의 포토레지스트 여부 판정에 필요한 이미지의 제공을 가능하도록 할 수 있다.
딥러닝결함분석제어부(120)는 PR퍼짐이미지획득부(170)로부터 제공되는 포토레지스트의 이미지와 함께 수평웨이퍼이미지획득부(160)로부터 제공되는 포토레지스트의 이미지를 통해 포토레지스트의 도포 불량을 판정하고, 판정 결과에 따라 스핀척(220)의 회전속도 조절이나, 노즐개폐부(212)의 개폐 동작 제어에 의한 포토레지스트의 분사 조절 또는 PR농도조절부(260)의 제어에 의한 포토레지스트의 농도를 조절함으로써, 포토레지스트의 도포 불량으로 인한 작업 중단을 방지하도록 할 수 있다. 여기서 PR농도조절부(260)는 포토레지스트에 포함되는 초순수의 공급관을 개폐시키는 제어밸브 또는 표준 농도 포토레지스트의 공급관을 개폐시키는 제어밸브 등의 제어에 의해 포토레지스트의 농도를 제어하도록 구성될 수 있다.
딥러닝결함분석제어부(120)는 포토레지스트 퍼짐 상태를 확인하기 위한 PR퍼짐이미지획득부(170), 예컨대, AI CNN 카메라를 사용하여 포토레지스트 퍼짐의 분석을 통한 순간적 환경 변화에 의한 불량 상태를 실시간으로 분석하여 서로 영향을 미치는 3개의 파라메터, 즉 스핀척(220)의 회전속도, 노즐개폐부(212)의 동작에 의한 포토레지스트의 분사량, 포토레지스트의 농도를 실시간으로 분석하여, 스핀척(220)의 회전속도 조절이나, 노즐개폐부(212)의 개폐 동작 제어에 의한 포토레지스트의 분사량을 조절하여, 중단없는 포토레지스트 공정이 이루어지도록 할 수 있다. 따라서, 이러한 딥러닝결함분석제어부(120)의 분석 및 제어에 의하여, 공급노즐(210)의 상태 확인만으로 포토레지스트의 농도, 포토레지스트의 분사량, 포토레지스트의 두께 등을 파악하거나, 제어가 불가능한 상태를 개선하도록 하여, 효과적인 포토레지스트 공정의 중단을 방지할 수 있도록 한다.
딥러닝결함분석제어부(120)는 반도체 PR장비의 전체적인 동작을 제어하기 위한 메인제어부(240)에 직접 제어신호를 출력하도록 구성할 수 있으며, 이에 한하지 않고, 제어부(130)를 통해서 메인제어부(240)에 스핀척(220)의 회전속도 제어, 노즐개페부(212)의 개폐 동작 제어, PR농도조절부(260)의 동작 제어 등을 수행하도록 구성될 수도 있다. 딥러닝결함분석제어부(120)는 기본적으로 포토레지스트의 농도, 포토레지스트의 분사량, 포토레지스트의 두께에 해당하는 3개의 값을 기본적으로 정하여, 이러한 3개의 값에 대하여 포토레지스트가 퍼지는 속도, 즉 포토레스트의 외곽에 해당하는 원형이 커지는 속도를 AI에 의하여 학습하도록 하여, 이를 데이터베이스부를 가지고서 순간적인 제어를 수행하도록 하는데, 예컨대, 기본적으로 정해진 스핀척(220)의 회전속도가 일정하다고 할 때, 포토레지스트가 퍼지는 속도가 빠르다고 하면, 즉 포토레지스트의 원이 커지는 속도가 빨라지면, 포토레지스트의 농도가 묽다고 판단할 수 있으며, 이로 인해 스핀척(220)의 속도를 줄여야 하고, 그 반대로 포토레지스트가 퍼지는 속도가 느리다고 하면, 즉 포토레지스트의 원이 커지는 속도가 느리다면, 포토레지스트의 농도가 된 것으로 판단할 수 있으며, 이로 인해 스핀척(220)의 회전속도를 높여야 하는 것이며, 포토레지스트의 농도가 같으나, 포토레지스트의 분사량이 적거나 많음에 따라 포토레지스트가 퍼지는 원의 둘레 변화가 있을 수 있으므로, 상기의 3개의 파라메터, 즉 스핀척(220)의 회전속도, 노즐개폐부(212)의 동작에 의한 포토레지스트의 분사량, 포토레지스트의 농도를 상호 유동적으로 조절하게 된다. 상기의 3개의 파라메터 각각은 포토레지스트 퍼짐에 영향을 주므로, 상기의 3개의 파라메터 중에서 어느 하나의 값이 고정되었다고 보면, 현재 확인될 수 있는 포토레지스트 퍼짐의 가장 적은 변화가 있는 값을 가지는 파라메터를 고정으로 하여, 나머지 2개의 값을 조정하고, 다시 측정하여 포토레지스트 퍼짐의 많은 변화가 있는 값을 줄여서 그 값을 다시 고정하고, 다시 나머지 2개의 값을 학습된 AI에 따라 동작시키는 방법으로 계속 돌려서 처리하도록 할 수 있으며, 순간적인 포토레지스트의 원이 커짐에 따른 AI 학습에 따른 3개의 파라메터를 학습한 경험을 바탕으로 순간적으로 3개의 파라메터가 동시에 조절되도록 할 수도 있다. 종래 반도체 PR장비의 경우, 각 특성상 3개의 파라메터를 아날로그 방식으로 매우 정교하게 맞출수 없어 장치의 고유한 오차(Tolerance)를 가지게 되는데, 이러한 차이로 초기 파라메터를 확정하는데 많은 시간이 소요되는 반면, 딥러닝결함분석제어부(120)는 AI를 사용함으로써, 포토레지스트 퍼짐의 학습을 통한 장비 고유의 특성 값이 포함되는 인공지능 학습으로 PR퍼짐이미지획득부(170) 등으로부터 들어오는 포토레지스트 퍼짐의 영상을 제공받아, 순간적으로 3개의 파라메터를 동시에 제어하는 빠른 프로세스의 구현이 가능하고, 이로 인해, 순간적인 에러에 대처하고 빠른 정상 공정으로 진입하여 무결성을 유지 확보할 수 있다. 즉 딥러닝결함분석제어부(120)는 어떤 속도와 모양에 어떤 3개의 파라메터가 적용되면 되는지, 무수한 AI 학습을 수행하게 되는데, AI 학습 방법에 의한 내용으로 CNN 방법을 사용할 수 있고, 3개의 카메라, 예컨대 PR퍼짐이미지획득부(170), PR이미지획득부(110) 및 수평웨이퍼이미지획득부(160)를 동시에 적용할 수 있다.
딥러닝결함분석제어부(120)는 PR퍼짐이미지획득부(170), PR이미지획득부(110) 및 수평웨이퍼이미지획득부(160)로부터 포토레지스트의 도포 변화를 탐지하고, 그러한 변화에 따른 제어를 위한 AI 알고리즘을 가지는데, 포토레지스트의 도포시 가지는 형태에 해당하는 원이 퍼지는 시간에 따라 변화되는 모양(두께, 물결모양 포함)을 정상적인 것으로 설정하고, 기타의 다른 현상이나 모양을 비교 학습하도록 하고, 그에 따른 양품이 생산되는 정보를 통해서 3개의 파라메터를 동시에 제어하여 실시간으로 정상 공정으로 복귀하도록 하는데, 포토레지스트의 퍼지는 물결 모양, 두께, 속도 등을 학습하여 정상적 공정으로 복귀하는 3개의 파라메터를 즉시 동시에 적용도록 하는 AI 학습이 이루어지도록 하고, 포토레지스트의 도포 모양이 정상이 아닌 다른 모양을 감지하여, 포토레지스트의 도포 균일성을 해치게 되는 경우 발생하는 문제에 의한 차이점을 학습시키고, 이를 개선시키는 정상진행을 위해 2개의 파라메터, 예컨대 포토레지스트의 분사량이나 스핀척(220)의 회전 속도에 대한 값에 대해서 학습하도록 할 수 있으며, 예컨대, CNN의 알고리즘을 사용하도록 구성될 수 있다. 또한, 딥러닝결함분석제어부(120)는 포토레지스트가 퍼지는 모양이나 속도, 포토레지스트의 두께 등의 감지를 위하여, AI에 의해 물체의 변화를 인식하는 알고리즘이 사용될 수 있다.
PR농도분석부(121)는 딥러닝결함분석제어부(120)로부터 제공되는 포토레지스트의 도포 불량 판정 데이터를 제공받아 포토레지스트의 농도를 분석하도록 한다. 즉, PR농도분석부(121)는 포토레지스트의 도포 불량 판정을 위한 데이터로부터 스핀척(220)의 회전속도, 노즐개폐부(212)의 개폐 정도에 따른 포토레지스트의 분사량, 포토레지스트의 퍼짐 정도 내지 속도 등으로부터 포토레지스트의 유동성에 따른 농도를 판단하고, 적절한 스핀척(220)의 회전속도, 포토레지스트의 분사량에 있어서 포토레지스트의 농도가 적정한지를 판단하여, 이를 결과로서 정해진 디스플레이부(180)를 통해서 제공할 수 있고, 과도한 경우 제어부(130)의 제어에 의해 결함알림부(140)를 통해서 알림이 가능하도록 할 수 있다.
본 발명의 일 실시례에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템(100)은 PR이미지획득부(110), 제어부(130) 및 결함알림부(140)를 더 포함할 수 있다.
PR이미지획득부(110)는 스핀 코터(10)의 공급노즐(210)로부터 공급되는 포토레지스트의 이미지를 획득하도록 하고, 이를 위해 스핀 코터(10)에 설치된다. PR이미지획득부(110)는 수평웨이퍼이미지획득부(160) 및 PR퍼짐이미지획득부(170)와 마찬가지로, 일례로 카메라 등을 비롯하여 다양한 촬영장치가 사용될 수 있다.
PR이미지획득부(110)는 공급노즐(210)로부터 하방으로 공급되는 포토레지스트가 균일한 두께를 가지고서 수직되게 제대로 공급되는지를 정확하게 검출하기 위하여, 여러 방향에서 이미지를 획득할 필요가 있는데, 이를 위해 가장 적은 개수로서 정확한 결함 검출을 위하여, 도 6에서와 같이, 한 쌍으로 이루어져서 공급노즐(210)을 중심으로 90도의 각도로 배치될 수 있다. PR이미지획득부(110) 각각은 공급노즐(210)로부터 하방으로 공급되는 포토레지스트를 향하도록 스핀 코터(10)의 케이싱(230) 내에 설치될 수 있다.
딥러닝결함분석제어부(120)는 PR이미지획득부(110)로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해, 도 5에서와 같이, 공급노즐로부터 포토레지스트가 좌측(①) 또는 우측(②)으로 틀어져서 도포됨으로써 발생하는 결함, 공급노즐로부터 포토레지스트가 물방울 형태(③)로 매달려 있다가 낙하하여 발생하는 결함 및 공급노즐의 겉표면에 발생한 잔류물(④)에 의해 발생하는 결함을 판별하도록 한다. 딥러닝결함분석제어부(120)는 후술하게 될 제어부(130), 결함알림부(140), 불량률수신부(150) 등과 함께 스핀 코터(10)의 케이싱(230) 내에 마련되는 콘트롤박스(231)에 수용될 수 있다. 도 5를 참조하면, ① 및 ②는 노즐에 묻어있는 잔류물 및 기타 사유로 인하여 감광액 도포시, 감광액이 오른쪽 또는 왼쪽으로 틀어진 방향으로 잘못된 도포를 수행하게 되는 결함 요소를 나타낸다. ③은 도포 후 Suck back 기술에 의해 감광액이 다시 노즐 내부로 2~3mm 정도 빨려 들어가야 하지만, 정상적으로 다시 빨려 들어가지 못하게 됨으로써, 노즐의 끝부분에 물방울 형태로 매달려 있다가 떨어지거나, 다음 도포시 함께 도포될 경우 감광액의 점성(viscosity) 변화를 일으켜서 필름 두께에 심각한 불량을 일으키게 되는 결함 요소를 나타낸다. ④는 감광액의 화학적 기화작용에 의해 노즐의 겉표면에 잔류물(residue)이 묻어 있어서 불량을 일으키도록 하는 결함 요소를 나타낸다.
딥러닝결함분석제어부(120)는 예컨대, 도 7에서와 같이, PR이미지획득부(110)에 의해 획득되는 포토레지스트에 대한 이미지를 사용하여, 공급노즐(210)의 하단으로부터 수직 하방으로 연장되는 가상의 수직선(H)에 대하여, 공급노즐(210)의 하단으로부터 하방으로 공급되는 포토레지스트(P)의 이격량, 예컨대 최대 이격 거리(d)에 따라 포토레지스트의 결함을 판별하도록 할 수 있다. 이러한 이격량은 이미지 프로세싱을 통해 포토레지스트(P)의 정해진 두께를 기준으로 산출하도록 구성될 수 있다. 딥러닝결함분석제어부(120)는 다른 예로서, 도 8에서와 같이, 수평웨이퍼이미지획득부(160)에 의해 획득되는 웨이퍼(W)에서 수평방향으로 가장자리의 이미지(B)를 사용하여, 포토레지스트(PR)의 볼록한 부분(b1)이나 오목한 부분(b2)의 결함을 판별하도록 할 수 있다. 딥러닝결함분석제어부(120)는 또 다른 예로서, 도 9에서와 같이, PR퍼짐이미지획득부(170)에 의해 획득되는 웨이퍼 상면에 대한 이미지를 사용하여, 포토레지스트가 도포되는 웨이퍼(W) 상에서 중심부(A1)와 차별되는 색상이나 형태를 가지는 영역(A2) 비율에 따라 포토레지스트의 결함을 판별하도록 할 수 있는데, 이 역시 이미지 프로세스에 의해 픽셀별 색상이나 형태의 차이를 면적 산출 알고리즘을 이용하여, 중심부(A1)를 기준으로 이와는 차별되는 색상이나 형태를 가지는 영역(A2)의 면적 비율을 산출하여 포토레지스트의 결함 판별에 사용하도록 구성될 수 있다.
딥러닝결함분석제어부(120)에서 사용하는 CNN 하드웨어 가속기는 Verilog 기반 PL(Programmable Logic) 하드웨어로 구현될 수 있고, 데이터 전송은 AMBA AXI4 버스를 이용할 수 있으며, 임베디드 환경에서 CNN의 실시간 처리를 위하여 Convolution 연산 및 기타 연산들을 병렬로 처리하여 CNN의 속도를 향상시키는 하드웨어 구조로서 구현될 수 있고, Convolution 모듈, Max Pooling 모듈, Fully Connected 모듈로 구성될 수 있다. 이들의 동작 과정은 Bus Interface를 통해서 CNN 연산에 필요한 weight와 bias, 입력 영상을 Block Memory(weight memory, bias memory, Input image)에 저장하고, Convolution1 모듈부터 순차적으로 동작을 구현하는데, 맥스 풀링(Max Pooling)은 모든 특징맵(feature map)에 대해 동시에 수행되고, 각 모듈의 연산 결과는 Block Memory에 저장된다. 여기서 하드웨어 구조는 Convolution Layer의 수행 시간을 최대한 줄이기 위해서 곱셈기를 사용할 수 있고, Convolution 연산이 1 clk에 수행되게 하며, 더블 버퍼를 이용하여 연속적으로 계산이 이루어지도록 구현 처리될 수 있다. 딥러닝결함분석제어부(120)는 신경망 시스템 개발을 위한 FPGA 보드로서 제작될 수 있고, AXI4 simulation 환경 및 logic 설계, Channel write input arbiter, address/data fifo 설계, Channel write input arbiter, address/data fifo 설계, Boundary write split 설계, AXI I/F write wrapper 설계, AXI Master wrapper I/F, Slave I/F 설계, FPGA top module 설계, 병렬 프로세서를 위한 시뮬레이션 환경 구축 및 모델링, 병렬 프로세서에서 객체인식 알고리즘 매핑 등이 구현되고, 학습된 가중치를 메모리에 저장하도록 함과 아울러, 카메라 인터페이스 설계도 함께 구현된다.
딥러닝결함분석제어부(120)은 딥러닝 알고리즘의 구현을 위해, 일례로, 도 11에서와 같은 Faster R-CNN 기반의 포토레지스트 도포 상태 결함 4종 검출 구성을 가질 수 있는데, Faster R-CNN을 이용하여 포토레지스트의 공급노즐(210)에서 포토레지스트에 대한 좌,우측 분배 및 드롭, 잔류물 등의 결함영역을 검출하는 알고리즘이 구현되고, 제안영역(Region Proposal)은 추출방법을 CNN에 포함하여 입력부터 출력까지 전과정을 하나의 네트워크로 운용할 수 있도록 하여, 처리시간의 단축과 학습의 일관성을 갖도록 구현된다.
딥러닝결함분석제어부(120)는 PR이미지획득부(110)로부터 획득되는 이미지로부터 맥스 풀링(Max pooling)으로 특징맵을 추출하고, 특징맵에서 검출하려는 객체가 존재하는 객체 영역(전경)과 검출하려는 객체가 존재하지 않는 비객체 영역(배경)을 구분하며, 특징맵을 CNN(Conv.3)을 통과시키고, 다시 CNN(Conv.1)을 통과시킨 후, 이를 완전 연결 계층(Fully connected layer)에 연결하여 객체 영역과 비객체 영역을 분류하며, 객체 영역과 비객체 영역에 외접하는 경계 상자(bounding-box)를 구하되, 경계 박스의 위치가 객체 영역을 둘러싸는 사각형의 중심좌표(x, y)이고, 경계 박스의 크기가 가로폭(w)과 세로높이(h)로 표시(x,y,w,h)되며, 표시 결과(객체 영역, 비객체 영역, x,y,w,h의 6개 값)와 앵커박스(anchor box; 도 10 참조) 및 기준 박스(ground-truth box; 도 10 참조)를 이용하여 영역을 표현하고, 검출과정이 ROI(region of interesting) 풀링 레이어(pooling layer), 2개의 완전 연결 계층(fully connected layer), 포토레지스트의 좌측 또는 우측으로 틀어진 영역, 포토레지스트의 물방울 형태 영역 및 잔류물 영역의 검출 과정을 거치게 되며, ROI 풀링 레이어의 출력이 2개의 완전 연결 계층(fully connected layer)을 거쳐 포토레지스트의 좌측 또는 우측으로 틀어진 영역, 포토레지스트의 물방울 형태 영역 및 잔류물 영역과 배경으로 구분되도록 할 수 있다. 객체 영역은 각각 0과 1 사이의 실수값을 가진다. 이 값은 앵커 박스와 기준 박스를 이용하여 구하며, 앵커 박스는 검출영역을 탐색하는 윈도우이다. 객체 영역과 비객체 영역을 구별하기 위한 값은 아래 수학식 1을 이용한다.
여기서, A는 앵커 박스 면적이고, B는 기준 박스 면적이며, S는 두 박스가 겹치는 면적으로서, 객체 영역과 비객체 영역에 대한 영역 값을 설정할 수 있다.
딥러닝결함분석제어부(120)에 의한 검출과정은 ROI(region of interesting) 풀링 레이어(pooling layer), 2개의 완전 연결 계층(fully connected layer), 포토레지스트의 좌우 분배(Left & Right dispensing), 물방울(drop) 형태 영역, 잔류물(residues) 영역의 검출 과정으로 구성될 수 있다. ROI 풀링 레이어의 출력은 2 개의 완전 연결 계층(FC)을 거쳐서, 좌우 분배(Left & Right dispensing), 드롭(drop), 잔류물(residues) 영역과 배경으로 구분된다. 객체 영역을 둘러싸는 경계 박스의 위치를 미세조정(fine-tune)하는 과정은 검출된 영역을 확정하기 위한 것으로서 검출된 객체에 외접하는 사각형을 구하는 과정이기도 하다.
앵커 박스와 기준 박스 검출의 경우, RTL을 위한 동작검증용 시뮬레이터(Simulator)를 개발할 수 있는데, 이는 하드웨어와 정확한 동작을 확인하기 위한 검증용으로서 필요하다. 이를 위한 C-언어 기반의 시뮬레이터로 구현할 수 있고, 객체인식 성능을 최대한 유지하면서 연산량(FLOPs)을 개선하기 위해 1 × 1 × N channel reduction layer의 삽입이나, Weight pruning 기법, Weight quantization 기법 등 네트워크 압축 기법으로 구현 처리할 수 있다. 또한, 기존 네트워크 레이어(layer)를 줄이고, 대신 인식 성능 저하를 최소화하기 위한 route(skip connection), 리올그(Reorg)와 같은 신규 네트워크 기법을 도입하여 연산량을 개선시킬 수 있다. 검증을 위한 프로파일링 기능 구현 과정, 각 레이어의 입력/출력 정보를 로그 파일 생성 과정, 그리고 각 레이어의 가중치 및 파라미터 정보를 로그 파일로 생성하는 과정들이 수행될 수 있다.
학습하고자 하는 데이터는 반도체 산업의 특성상 보안 문제로 인해 데이터 수집에 대한 접근에 많은 어려움이 있어, 결함데이터 이미지를 학습하기에는 매우 불충분한 상황이다. 따라서, 충분한 학습용 데이터를 확보하기 위하여 관련 유지보수 업체를 활용하여 산업체 현장에서 사용하는 포토레지스트 도포용 공급노즐 및 포토레지스를 확보한 후, 다른 장소에서 유사 환경실험을 통하여 확보할 수 있다. 또한 원본 이미지에 대해 변환(평행 이동, 각도 조절 등)처리를 이용해서 확보할 수도 있다. 학습은 네가지 단계를 거쳐 이루어질 수 있는데, 첫 번째 단계는, 학습데이터를 이용하여 RPN을 학습하고, 두 번째 단계는 학습된 RPN으로부터 얻은 제안영역을 이용하여 검출기를 학습하고, 세 번째 단계는 콘볼루션(CNN) 및 맥스 풀링(Max pooloing) 단계의 가중치를 고정한 후 RPN을 미세조정할 수 있다. 네번째 단계는 세 번째 단계로부터 구한 제안영역을 이용하여 검출기를 미세조정 하는 과정이다. 여기서 세 번째 및 네 번째 단계에서는 콘볼루션 및 맥스 풀링(Max pooling) 과정의 가중치를 서로 공유하게 된다. 또한 외부에 별도로 존재하는 RPN을 네트워크 내부로 통합함으로써, 콘볼루션 및 맥스 풀링(Max pooling) 부분을 공유하게 되어 객체검출 시간을 크게 단축할 수 있다. 플랫폼기반의 이미징 시스템 개발을 위해, 딥러닝 영상감시 플랫폼 적용, 반도체 장비에 특화된 UI 기반 결함검사 모니터링 프로그램 개발(도 13 참조), 네트워크 8채널 이상의 비디오 입력, 화면분할(1분할, 4분할, 8분할), 연속 또는 이벤트시 영상 저장 모드의 구현, H.265, H.264,MJPEG 압축방식과 HDMI, VGA 모니터 출력, 1TB 이상 저장공간이 구현되도록 할 수 있다.
이미지획득부(110,160,170)에 대한 높은 이미지 품질을 위한 해상도 확장이 필요한데, 이를 위해, 높은 수준의 영향을 획득하기 위해서 128*128 이상의 해상도로 확장되도록 구성될 수 있고, 집적화를 최대화하기 위해 성능을 유지하면서 픽셀 면적을 줄여 기존 전체 칩 사이즈에 더 큰 해상도를 확보할 수 있도록 할 필요가 있다.
낮은 조도에서도 사물을 감지할 수 있기 위해서는 픽셀의 고감도(high sensitivity)가 필요하다. 이를 위해 디퍼런싱 증폭기(Differencing Amplifier)의 높은 이득(gain)이 필요하기 때문에 빛을 모아주는 포토다이오드의 필 팩터(fill factor)가 감소하는 문제점이 존재하는데, 이의 해결을 위하여, 디퍼런싱 증폭기(differencing amp)를 펄스 발생기(pulse generator)로 대체할 수 있다.
제어부(130)는 딥러닝결함분석제어부(120)의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 한다. 제어부(130)는 딥러닝결함분석제어부(120)의 판별 결과에 따라 포토레지스트의 결함 발생시, 스핀 코터(10)의 동작을 정지시키도록 제어할 수 있는데, 이를 위해 스핀 코터(10)에 마련되는 결함중단부(250)가 제어부(130)의 제어신호를 수신받아 스핀 코터(10)의 동작을 정지시키도록 구성될 수도 있다.
제어부(130)는 공급노즐(210)로부터 정상적으로 공급될 때의 포토레지스트의 단면과 한 쌍으로 이루어져서 공급노즐(210)을 중심으로 90도의 각도로 배치되는 PR이미지획득부(110)로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이부(180)를 통해서 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시하도록 할 수 있다. 따라서, 작업자는 이러한 디스플레이 결과를 통해서 현재 공급노즐(210)의 상태를 확인할 수 있도록 할 뿐만 아니라, 이에 대한 신속한 후속 조치를 취할 수 있도록 한다. 제어부(130)는 서로 직교하도록 이미지를 획득하는 한 쌍의 PR이미지획득부(110) 각각의 획득 이미지로부터 공급되는 포토레지스트가 정상임을 판단하기 위한 기준이 되는 수직선(도 7 참조)으로부터 어느 정도 일치 내지 이격되었는지를 이미지 프로세싱에 의해 수치적으로 획득하고, 이를 기초로 하여, 공급노즐(210)로부터 공급되는 포토레지스트의 단면 형태를 실험에 의해 획득하고, 이러한 단면 형태를 기준이 되는 수직선으로부터 어느 정도 이격되었는지 수치적으로 획득한 값을 적용하여 기준으로부터 배치함으로써, 도 12에서와 같이, 평면적으로 정상 포토레지스트의 단면(기준)을 기준으로 전후 및 좌우 이격치를 반영하여 실제 공급되는 포토레지스트의 단면(실제)을 나타냄으로써, 실제 포토레지스트의 결함 편차를 직관적으로 신속하게 파악할 수 있도록 한다.
결함알림부(140)는 제어부(130)의 제어신호에 따라 결함 발생 사실을 외부, 예컨대, 정해진 단말기에 경보를 제공하거나, 외부로 경보를 발생시키도록 하는데, 이를 위해 정해진 단말기에 유선이나 무선 통신에 의해 경보를 제공하거나, 케이싱(230)의 외측에 마련되는 디스플레이부(180)를 통해서 경보 메시지를 디스플레이하도록 하거나, 경보음을 출력하도록 스피커로 이루어지거나, 발광이나 점멸 등에 의해 경보를 제공하도록 발광유닛으로 이루어질 수 있다.
본 발명의 일 실시례에 따른 딥러닝을 이용한 스핀 코터의 포토레지스트 도포 상태 검사 시스템(100)에는, 데이터나 명령의 입력을 위한 입력부(190), 동작에 필요한 전원을 분배하는 전원공급부(미도시), 각종 데이터나 프로그램 등의 저장을 위한 메모리부(미도시) 등이 마련될 수도 있고, 웨이퍼에 대한 포토레지스트의 도포후, 후속 공정에서 웨이퍼의 다이(chip)별로 검사된 프로브(probe) 테스트의 데이터를 통해서 웨이퍼의 다이별 불량률을 산출하는 웨이퍼수율관리시스템(300)으로부터 불량률을 유선이나 무선 통신을 이용하여 데이터로서 수신받도록 하는 불량률수신부(150)가 마련될 수 있다.
이때, 딥러닝결함분석제어부(120)는 딥러닝 알고리즘에 의해 학습된 가중치를 불량률에 비례하도록 수정하여, 포토레지스트의 결함 판별시 사용하도록 할 수 있다. 여기서 비례 상수로는 0.1 ~ 10을 비롯하여, 불량률의 최소화를 위해 실험적으로 구해질 수 있다. 여기서, 웨이퍼수율관리시스템(300)은 웨이퍼의 다이별로 검사된 프로브(probe) 테스트 데이터를 입력받아, 입력된 프로브 테스트 데이터를 이용하여, 정해진 수율 산출 방식에 따라 웨이퍼 각각에 대한 수율을 산출하게 되고, 웨이퍼 각각에 대한 식별정보와 함께 해당하는 수율을 불량률수신부(150)에 제공하도록 한다.
스핀 코터(10)는 공급노즐(210)을 통한 포토레지스의 공급을 개폐시키기 위한 노즐개폐부(212)가 마련될 수 있고, 케이싱(230) 내에 공급노즐(210)이 고정된 노즐아암(211)을 스핀척(220)의 상측에 로딩하도록 하거나, 스핀척(220)의 상측으로부터 언로딩시키는 노즐이송부(213)가 마련될 수 있고, 또한 스핀 코터(10)는 정해진 프로세스를 수행하도록 노즐개폐부(212), 노즐이송부(213) 및 스핀척(220) 등의 제어를 수행하도록 하는 메인제어부(240)가 마련될 수 있다.
이와 같은 본 발명에 따른 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템에 따르면, 포토레지스트가 웨이퍼에 퍼지는 상태를 감지하여 환경적 요인을 일시적으로 바꾸어 일시적으로 공정 상태가 중단될 수 있는 포토레지스트의 농도에 따른 스피척의 회전속도 제어 및 포토레지스트가 퍼지는 상태를 파악하여 공급노즐의 분사량 조절 등의 제어로 포토레지스 작업을 중단없이 진행될 수 있도록 한다.
이와 같이 본 발명에 대해서 첨부된 도면을 참조하여 설명하였으나, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 수정 및 변형이 이루어질 수 있음은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시례에 한정되어서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이러한 특허청구범위와 균등한 것들에 의해 정해져야 한다.
110 : PR이미지획득부 120 : 딥러닝결함분석제어부
121 : PR농도분석부 130 : 제어부
140 : 결함알림부 150 : 불량률수신부
160 : 수평웨이퍼이미지획득부 170 : PR퍼짐이미지획득부
180 : 디스플레이부 190 : 입력부
210 : 공급노즐 211 : 노즐아암
212 : 노즐개폐부 213 : 노즐이송부
220 : 스핀척 230 : 케이싱
231 : 콘트롤박스 240 : 메인제어부
250 : 결함중단부 260 : PR농도조절부
300 : 웨이퍼수율관리시스템
121 : PR농도분석부 130 : 제어부
140 : 결함알림부 150 : 불량률수신부
160 : 수평웨이퍼이미지획득부 170 : PR퍼짐이미지획득부
180 : 디스플레이부 190 : 입력부
210 : 공급노즐 211 : 노즐아암
212 : 노즐개폐부 213 : 노즐이송부
220 : 스핀척 230 : 케이싱
231 : 콘트롤박스 240 : 메인제어부
250 : 결함중단부 260 : PR농도조절부
300 : 웨이퍼수율관리시스템
Claims (6)
- 반도체 PR장비의 공급노즐에 의한 포토레지스트 불량 도포를 검출 및 제어하는 시스템으로서,
상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 웨이퍼의 상방에서 획득하도록 설치되는 PR퍼짐이미지획득부; 및
상기 PR퍼짐이미지획득부로부터 제공되는 포토레지스트의 이미지로부터 딥러닝 알고리즘에 의한 포토레지스트의 퍼짐 분석을 통해 포토레지스트의 도포 불량을 판정하고, 판정 결과에 따라 상기 스핀척의 회전속도 조절이나, 노즐개폐부의 개폐 동작 제어에 의한 포토레지스트의 분사량을 조절함으로써, 상기 포토레지스트의 도포 불량으로 인한 작업 중단을 방지하도록 하는 딥러닝결함분석제어부;
를 포함하는, 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템. - 청구항 1에 있어서,
상기 공급노즐로부터 스핀척 상의 웨이퍼 상면에 공급되어 원심력에 의해 퍼져나가는 포토레지스트의 이미지를 상기 웨이퍼에 수평된 방향에서 상기 웨이퍼의 가장자리로부터 획득하여, 상기 딥러닝결함분석제어부에 제공하도록 설치되는 수평웨이퍼이미지획득부;를 더 포함하고,
상기 딥러닝결함분석제어부는,
상기 PR퍼짐이미지획득부로부터 제공되는 포토레지스트의 이미지와 함께 상기 수평웨이퍼이미지획득부로부터 제공되는 포토레지스트의 이미지를 통해 포토레지스트의 도포 불량을 판정하고, 상기 판정 결과에 따라 상기 스핀척의 회전속도 조절이나, 상기 노즐개폐부의 개폐 동작 제어에 의한 포토레지스트의 분사 조절 또는 PR농도조절부의 제어에 의한 포토레지스트의 농도를 조절함으로써, 상기 포토레지스트의 도포 불량으로 인한 작업 중단을 방지하도록 하는, 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템. - 청구항 1에 있어서,
상기 딥러닝결함분석제어부로부터 제공되는 포토레지스트의 도포 불량 판정 데이터를 제공받아 포토레지스트의 농도를 분석하는 PR농도분석부;를 더 포함하는, 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템. - 청구항 1에 있어서,
상기 스핀 코터의 공급노즐로부터 공급되는 포토레지스트의 이미지를 획득하는 PR이미지획득부;
상기 딥러닝결함분석제어부의 판별 결과에 따라 포토레지스트의 결함 발생시 경보 발생을 위한 제어신호를 출력하도록 하는 제어부; 및
상기 제어부의 제어신호에 따라 결함 발생 사실을 외부에 제공하는 결함알림부;를 더 포함하고,
상기 딥러닝결함분석제어부는,
상기 PR이미지획득부로부터 획득되는 이미지로부터 딥러닝 알고리즘에 의해, 상기 공급노즐로부터 포토레지스트가 좌측 또는 우측으로 틀어져서 도포됨으로써 발생하는 결함, 상기 공급노즐로부터 포토레지스트가 물방울 형태로 매달려 있다가 낙하하여 발생하는 결함 및 상기 공급노즐의 겉표면에 발생한 잔류물에 의해 발생하는 결함을 판단하고, 상기 PR이미지획득부로부터 획득되는 이미지로부터 맥스 풀링(Max pooling)으로 특징맵을 추출하고, 상기 특징맵에서 객체 영역(전경)과 비객체 영역(배경)을 구분하며, 상기 특징맵을 CNN(Conv.3)을 통과시키고, 다시 CNN(Conv.1)을 통과시킨 후, 이를 완전 연결 계층(Fully connected layer)에 연결하여 객체 영역과 비객체 영역을 분류하며, 객체 영역과 비객체 영역에 외접하는 경계 상자(bounding-box)를 구하되, 상기 경계 박스의 위치가 객체 영역을 둘러싸는 사각형의 중심좌표이고, 상기 경계 박스의 크기가 가로폭 및 세로높이로 표시되며, 표시 결과와 앵커박스(anchor box) 및 기준 박스(ground-truth box)를 이용하여 영역을 표현하고, 검출과정이 ROI(region of interesting) 풀링 레이어(pooling layer), 2개의 완전 연결 계층(fully connected layer), 포토레지스트의 좌측 또는 우측으로 틀어진 영역, 포토레지스트의 물방울 형태 영역 및 잔류물 영역의 검출 과정을 거치게 되며, ROI 풀링 레이어의 출력이 2개의 완전 연결 계층(fully connected layer)을 거쳐 포토레지스트의 좌측 또는 우측으로 틀어진 영역, 포토레지스트의 물방울 형태 영역 및 잔류물 영역과 배경으로 구분되는, 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템. - 청구항 4에 있어서,
상기 PR이미지획득부는,
한 쌍으로 이루어져서 상기 공급노즐을 중심으로 90도의 각도로 배치되고,
상기 제어부는,
상기 공급노즐로부터 정상적으로 공급되는 포토레지스트의 단면과 상기 PR이미지획득부로부터 획득되는 이미지로부터 산출되는 실제 포토레지스트의 단면을 오버랩되도록 디스플레이함으로써, 포토레지스트의 공급 결함을 직관적으로 표시하도록 하는, 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템. - 청구항 5에 있어서,
상기 딥러닝결함분석제어부는,
상기 PR이미지획득부에 의해 획득되는 포토레지스트에 대한 이미지를 사용하여, 상기 공급노즐의 하단으로부터 수직 하방으로 연장되는 가상의 수직선에 대하여, 상기 공급노즐의 하단으로부터 하방으로 공급되는 포토레지스트의 이격량에 따라 상기 포토레지스트의 결함을 판별하도록 하고, 수평웨이퍼이미지획득부에 의해 획득되는 웨이퍼에서 수평방향으로 가장자리의 이미지를 사용하여, 포토레지스트의 볼록한 부분이나 오목한 부분의 결함을 판별하도록 하며, 상기 PR퍼짐이미지획득부에 의해 획득되는 웨이퍼 상면에 대한 이미지를 사용하여, 상기 포토레지스트가 도포되는 상기 웨이퍼 상에서 중심부와 차별되는 색상이나 형태를 가지는 영역 비율에 따라 상기 포토레지스트의 결함을 판별하도록 하는, 반도체 PR장비의 노즐장치에 대한 불량 도포의 AI 검출 및 제어 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220128162A KR20240048627A (ko) | 2022-10-06 | 2022-10-06 | 반도체 ｐｒ장비의 노즐장치에 대한 불량 도포의 ａｉ 검출 및 제어 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220128162A KR20240048627A (ko) | 2022-10-06 | 2022-10-06 | 반도체 ｐｒ장비의 노즐장치에 대한 불량 도포의 ａｉ 검출 및 제어 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240048627A true KR20240048627A (ko) | 2024-04-16 |
Family
ID=90882589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220128162A KR20240048627A (ko) | 2022-10-06 | 2022-10-06 | 반도체 ｐｒ장비의 노즐장치에 대한 불량 도포의 ａｉ 검출 및 제어 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240048627A (ko) |
-
2022
- 2022-10-06 KR KR1020220128162A patent/KR20240048627A/ko unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6202037B1 (en) | Quality management system and recording medium | |
| JP3051279B2 (ja) | バンプ外観検査方法およびバンプ外観検査装置 | |
| US20060233434A1 (en) | Method and apparatus for inspection | |
| US8903158B2 (en) | Inspection system and inspection method | |
| US20110044528A1 (en) | Inspection system | |
| US8441440B2 (en) | Position information detection device, position information detection method, and position information detection program | |
| JPH07201946A (ja) | 半導体装置等の製造方法及びその装置並びに検査方法及びその装置 | |
| JP2002100660A (ja) | 欠陥検出方法と欠陥観察方法及び欠陥検出装置 | |
| KR101852057B1 (ko) | 영상 및 열화상을 이용한 돌발 상황 감지시스템 | |
| US5012523A (en) | Dimension checking method | |
| WO2023092690A1 (zh) | 检验胶路状态的装置及其检验方法 | |
| KR102585478B1 (ko) | 딥러닝을 이용한 스핀 코터의 포토레지스트 도포 상태 검사 시스템 | |
| CN111256595A (zh) | 一种光电靶标式结构位移测量方法、装置及存储介质 | |
| CN101427127A (zh) | 滤色器检测方法、滤色器制造方法和滤色器检测装置 | |
| TW201610596A (zh) | 空中遮罩檢測式弱點分析 | |
| CN101685070A (zh) | 光学式异物检测装置以及搭载它的处理液涂布装置 | |
| KR20240048627A (ko) | 반도체 ｐｒ장비의 노즐장치에 대한 불량 도포의 ａｉ 검출 및 제어 시스템 | |
| KR102189951B1 (ko) | 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법 | |
| JP2001015566A (ja) | 半導体装置の製造方法 | |
| KR101229529B1 (ko) | 처리액 토출 검사 방법, 처리액 토출 검사 장치 및 컴퓨터 판독 가능한 기록 매체 | |
| KR102324162B1 (ko) | 포토레지스트 코팅 품질 검사가 가능한 스핀 코터 | |
| KR102368201B1 (ko) | 스핀 코터의 포토레지스트 코팅 품질 검사 시스템 | |
| KR102327761B1 (ko) | Ｄｖｓ와 딥러닝을 이용한 스핀 코터의 포토레지스트 코팅 품질 검사 시스템 | |
| JPH0399376A (ja) | 画質検査装置 | |
| KR20090054541A (ko) | 도료 분사 상태 측정장치 및 그의 방법 |