KR20240054469A - 결함 검출 장치 및 방법 - Google Patents

결함 검출 장치 및 방법 Download PDF

Info

Publication number
KR20240054469A
KR20240054469A KR1020220134334A KR20220134334A KR20240054469A KR 20240054469 A KR20240054469 A KR 20240054469A KR 1020220134334 A KR1020220134334 A KR 1020220134334A KR 20220134334 A KR20220134334 A KR 20220134334A KR 20240054469 A KR20240054469 A KR 20240054469A
Authority
KR
South Korea
Prior art keywords
defect
image
area
controller
layout
Prior art date
Application number
KR1020220134334A
Other languages
English (en)
Inventor
황성욱
신태수
옥슬기
이기범
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020220134334A priority Critical patent/KR20240054469A/ko
Priority to US18/195,190 priority patent/US20240127425A1/en
Priority to CN202311159623.9A priority patent/CN117907339A/zh
Publication of KR20240054469A publication Critical patent/KR20240054469A/ko

Links

Classifications

    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/10—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
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor 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
    • G06T2207/10056—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

Landscapes

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

Abstract

일 실시예에 따른 결함 검출 장치는 회로 패턴의 이미지 및 더미 패턴의 이미지를 포함하는 레이아웃 이미지를 저장하는 메모리, 그리고 레이아웃 이미지를 학습하는 인공 신경망을 포함하고, 인공 신경망을 사용하여 웨이퍼 상에서 결함이 포함된 영역을 촬영한 검사 이미지 내에서 결함이 위치하는 영역이 회로 패턴이 위치한 제1 영역인지 또는 더미 패턴이 위치한 제2 영역인지를 판단하고, 결함이 위치하는 영역이 제1 영역인지 또는 제2 영역인지에 기초하여 결함의 종류를 결정하는 컨트롤러를 포함한다.

Description

결함 검출 장치 및 방법{DEFECT DETECTION DEVICE AND METHOD THEREOF}
본 개시는 결함 검출 장치 및 방법에 관한 것이다.
반도체 소자가 소형화됨에 따라, 패턴을 형성하기 위한 식각 과정(etch process) 중 식각액에 노출된 식각 면적 차이 또는 패턴의 밀도차에 따라 식각 속도가 달라지는 식각 로딩 효과(etching loading effect)가 발생할 수 있다. 식각 로딩 효과를 억제하도록 반도체 소자의 회로 구성에 실질적으로 영향을 미치지 않는 더미 패턴을 도입하여, 웨이퍼 상에 균일한 식각이 이루어지도록 할 수 있다.
한편, 실제 웨이퍼에 반도체 소자의 회로 패턴이 잘 형성되었는지를 검사하기 위해, 패턴 측정 장비를 사용하여 회로 패턴을 촬영하고 촬영된 이미지 상에서 패턴의 오류를 검사하고, 이를 결함으로 검출하는 방식이 사용된다. 그러나, 이러한 방식은 회로 패턴의 오류 외에도, 더미 패턴의 오류를 결함으로 검출하므로, 검출된 결함들을 분석하는 데 많은 시간과 비용이 소모된다는 문제가 있다.
본 개시는 결함을 검출하여 결함의 종류를 판단하는 결함 검출 장치를 제공하기 위한 것이다.
일 실시예에 따른 결함 검출 장치는 회로 패턴의 이미지 및 더미 패턴의 이미지를 포함하는 레이아웃 이미지를 저장하는 메모리, 그리고 레이아웃 이미지를 학습하는 인공 신경망을 포함하고, 인공 신경망을 사용하여 웨이퍼 상에서 결함이 포함된 영역을 촬영한 검사 이미지 내에서 결함이 위치하는 영역이 회로 패턴이 위치한 제1 영역인지 또는 더미 패턴이 위치한 제2 영역인지를 판단하고, 결함이 위치하는 영역이 제1 영역인지 또는 제2 영역인지에 기초하여 결함의 종류를 결정하는 컨트롤러를 포함한다.
어떤 실시예에서, 레이아웃 이미지는 그래픽 데이터 시스템(graphic data system, GDS) 이미지이고, 검사 이미지는 전자 현미경(Scanning Electron Microscope, SEM)에 의해 촬영된 이미지일 수 있다.
어떤 실시예에서, 컨트롤러는, 결함이 제1 영역에 위치하는 경우에 결함의 종류를 진성 결함이라고 결정할 수 있다.
어떤 실시예에서, 컨트롤러는, 결함이 제2 영역에 위치하는 경우에 결함의 종류를 가성 결함이라고 결정할 수 있다.
어떤 실시예에서, 회로 패턴의 이미지를 복수의 제1 크롭 이미지로 분할하고, 더미 패턴의 이미지를 복수의 제2 크롭 이미지로 분할하며, 복수의 제1 크롭 이미지 및 복수의 제2 크롭 이미지를 인공 신경망에 제공하는 데이터 전처리부를 더 포함할 수 있다.
어떤 실시예에서, 복수의 제1 크롭 이미지 및 복수의 제2 크롭 이미지의 크기는 검사 이미지의 크기와 동일할 수 있다.
어떤 실시예에서, 컨트롤러는, 검사 이미지를 레이아웃 형태로 변환하고, 레이아웃 변환된 이미지를 인공 신경망에 입력하여 검사 이미지 내에서 결함이 위치하는 영역이 제1 영역인지 또는 제2 영역인지를 결정할 수 있다.
어떤 실시예에서, 컨트롤러는, 검사 이미지 내의 게이트 라인의 선폭과 게이트 라인에 대응하는 레이아웃 이미지 내의 라인의 선폭 간의 대응 관계를 나타내는 선폭 변환 데이터에 기초하여 복수의 게이트 라인이 촬영된 검사 이미지를 레이아웃 변환할 수 있다.
어떤 실시예에서, 컨트롤러는, 회로 패턴 및 더미 패턴 설계 시 미리 결정된 규칙에 기초하여 검사 이미지를 레이아웃 형태로 변환할 수 있다.
어떤 실시예에서, 컨트롤러는, 검사 이미지 내에서 결함을 삭제하여 레이아웃 변환된 이미지를 생성할 수 있다.
일 실시예에 따른 결함 검출 방법은 웨이퍼 상에서 결함이 포함된 영역을 촬영한 제1 검사 이미지를 레이아웃 형태로 변환하여 제2 검사 이미지를 생성하는 단계; 회로 패턴의 이미지 및 더미 패턴의 이미지를 포함하는 레이아웃 이미지가 학습된 인공 신경망에 제2 검사 이미지를 입력하는 단계; 인공 신경망을 이용하여 제2 검사 이미지 내에서 결함이 위치하는 영역이 회로 패턴이 위치한 제1 영역인지 또는 더미 패턴이 위치한 제2 영역인지를 판단하는 단계; 및 결함이 위치하는 영역이 제1 영역인지 또는 제2 영역인지에 기초하여 결함의 종류를 결정하는 단계를 포함한다.
어떤 실시예에서, 결함이 제1 영역에 위치하는 경우에 결함의 종류를 진성 결함이라고 결정하는 단계를 더 포함할 수 있다.
어떤 실시예에서, 결함이 제2 영역에 위치하는 경우에, 결함의 위치로부터 제1 영역까지의 거리가 미리 설정된 임계값 이하인 경우에, 결함의 종류를 위험 결함이라고 결정하는 단계를 더 포함할 수 있다.
어떤 실시예에서, 결함이 제2 영역에 위치하는 경우에, 결함의 위치로부터 제1 영역까지의 거리가 미리 설정된 임계값 이상인 경우에, 결함의 종류를 가성 결함이라고 결정하는 단계를 더 포함할 수 있다.
어떤 실시예에서, 제1 검사 이미지를 레이아웃 형태로 변환하는 단계는, 제1 검사 이미지 내의 게이트 라인의 선폭과 게이트 라인에 대응하는 레이아웃 이미지 내의 라인의 선폭 간의 대응 관계를 나타내는 선폭 변환 데이터에 기초하여 복수의 게이트 라인이 촬영된 제1 검사 이미지를 레이아웃 형태로 변환하는 단계를 포함할 수 있다.
어떤 실시예에서, 제1 검사 이미지를 레이아웃 형태로 변환하는 단계는, 회로 패턴 및 더미 패턴 설계 시 미리 결정된 규칙에 기초하여 검사 이미지를 레이아웃 형태로 변환하는 단계를 포함할 수 있다.
어떤 실시예에서, 제1 검사 이미지를 레이아웃 형태로 변환하는 단계는, 복수의 요소가 촬영된 제1 검사 이미지 내에서 결함이 미리 설정된 크기보다 작은 경우에, 결함을 삭제하고 복수의 요소 중 결함에 의해 분리된 요소를 하나의 요소로 변환하는 단계를 포함할 수 있다.
일 실시예에 따른 결함 검출 시스템은 웨이퍼 상에서 결함이 포함된 영역을 촬영하여 검사 이미지를 생성하는 검사 장치; 및 회로 패턴의 이미지 및 더미 패턴의 이미지를 포함하는 레이아웃 이미지를 학습하는 인공 신경망을 포함하고, 인공 신경망을 사용하여 검사 이미지 내에서 결함이 위치하는 영역이 회로 패턴이 위치한 제1 영역인지 또는 더미 패턴이 위치한 제2 영역인지를 판단하고, 결함이 위치하는 영역이 제1 영역인지 또는 제2 영역인지에 기초하여 결함의 종류를 결정하는 결함 검출 장치를 포함한다.
어떤 실시예에서, 결함 검출 장치는, 결함이 제1 영역에 위치하는 경우에, 결함의 종류를 진성 결함이라고 결정할 수 있다.
어떤 실시예에서, 결함 검출 장치는, 결함이 제2 영역에 위치하는 경우에, 결함의 종류를 가성 결함이라고 결정할 수 있다.
도 1은 일 실시예에 따른 검출 시스템을 나타낸 도면이다.
도 2는 일 실시예에 따른 레이아웃 이미지를 예시적으로 나타낸 도면이다.
도 3은 일 실시예에 따른 인공 신경망을 나타낸 도면이다.
도 4는 일 실시예에 따른 컨트롤러의 결함 검출 방법을 도시한 흐름도이다.
도 5 및 도 6은 일 실시예에 따른 검사 이미지와 레이아웃 형태로 변환된 검사 이미지의 예시적으로 도시한 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
또한, 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다. 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소를 설명하는데 사용될 수 있지만, 구성요소는 이러한 용어에 의해 한정되지는 않는다. 이들 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로 사용될 수 있다.
도 1은 일 실시예에 따른 검출 시스템을 나타낸 도면이다.
도 1을 참조하면, 검출 시스템(10)은 검사 장치(20) 및 결함 검출 장치(30)를 포함할 수 있다. 일 실시예에서, 검출 시스템(10)은 웨이퍼(201)를 촬영하여 웨이퍼(201)에 발생한 결함(defect, DEF)을 검출할 수 있다.
웨이퍼(201)는 복수의 다이(202)를 포함할 수 있다. 복수의 다이(202) 각각은 메모리 장치, 집적 회로 등과 같은 반도체 회로로 구성될 수 있다. 복수의 다이(202) 각각에는 회로 패턴이 형성되어 있을 수 있다. 복수의 다이(202) 중 일부는 결함(DEF)을 포함할 수 있다. 결함(DEF)은 외부로부터 유입된 먼지(particle), 공정 설비의 이상, 공정 과정에서 발생하는 부산물 등과 같은 다양한 요인에 의해 웨이퍼(201) 상에 정상적인 패턴이 형성되지 않는 것일 수 있다.
검사 장치(20)는 웨이퍼(201)의 표면에 발생한 결함(DEF)을 검출할 수 있다. 예를 들어, 검사 장치(20)는 광학 설비를 사용하여 웨이퍼(201)의 전면을 검사할 수 있다. 검사 장치(20)는 검사 결과를 기반으로 웨이퍼(201)에 포함된 결함들(DEF)을 검출할 수 있다.
어떤 실시예에서, 검사 장치(20)는 웨이퍼(201)의 영상을 획득하기 위한 전자 현미경(Scanning Electron Microscope, SEM)을 포함할 수 있다. 검사 장치(20)는 검출된 결함이 위치한 영역(예를 들어, 하나의 다이)의 영상을 전자 현미경을 통해 획득할 수 있다.
검사 장치(20)는 검출한 결함들(DEF)에 대한 검사 이미지(SEM_IMG)를 촬영할 수 있다. 검사 장치(20)는 촬영한 검사 이미지(SEM_IMG)를 결함 검출 장치(30)로 전송할 수 있다. 이 때, 검사 이미지(SEM_IMG)의 크기는 검사 장치(20)가 한 번에 촬영할 수 있는 크기에 대응할 수 있다.
어떤 실시예에서, 검사 장치(20)는 웨이퍼(201) 내에서 결함들(DEF)을 포함하는 영역을 촬영하여 검사 이미지(SEM_IMG)를 생성할 수 있다. 검사 장치(20)는 웨이퍼(201) 내에서 결함들(DEF)을 포함하는 영역에 인접한 영역을 촬영하여 검사 이미지(SEM_IMG)를 생성할 수 있다.
결함 검출 장치(30)는 컨트롤러(310), 데이터 전처리부(320), 및 메모리(330)를 포함할 수 있다. 결함 검출 장치(30)는 검출된 결함의 위치를 판단하고, 검출된 결함의 종류를 판단할 수 있다.
먼저, 데이터 전처리부(320)는 메모리(330)로부터 복수의 레이아웃 이미지(LAYOUT_IMG)를 수신할 수 있다. 데이터 전처리부(320)는 결함 검출 장치(30) 내에 위치하는 것으로 기술하였으나, 결함 검출 장치(30)의 외부에 별도로 위치할 수도 있다.
복수의 레이아웃 이미지는 웨이퍼 상에 형성되는 패턴, 즉, 웨이퍼(201) 상에 형성할 패턴에 대한 설계 이미지일 수 있다. 웨이퍼(201) 상에는 레이아웃 이미지에 대응하는 패턴이 형성될 수 있다. 구체적으로, 웨이퍼(201) 상으로 전사할 패턴의 레이아웃을 설계하고, 설계된 레이아웃을 실제 웨이퍼(201) 상으로 전사하여 패턴을 형성할 수 있다. 웨이퍼(201) 상에 형성된 패턴은 레지스트 패턴이거나, 포토레지스트 패턴에 의해 식각되어 형성된 막질일 수 있다.
어떤 실시예에서, 레이아웃 이미지는 그래픽 데이터 시스템(graphic data system, GDS) 이미지일 수 있다.
어떤 실시예에서, 하나의 레이아웃 이미지는 회로 패턴을 포함하는 회로 영역 이미지 및 더미 패턴을 포함하는 더미 영역 이미지를 포함할 수 있다.
회로 영역 이미지는 하나의 웨이퍼(201) 내에서 회로 패턴에 대한 이미지를 포함할 수 있다. 회로 패턴은 반도체 소자의 동작을 위한 임의의 구조물이나 피처(feature)들일 수 있다. 예를 들어, 회로 패턴은 게이트 라인(gate line)을 위한 패턴일 수 있다.
또한, 더미 영역 이미지는 하나의 웨이퍼(201) 내에서 더미 패턴에 대한 이미지를 포함할 수 있다. 더미 패턴은 반도체 소자의 동작에 기여하지 않는 임의의 구조물이나 피처들일 수 있다. 더미 패턴은 반도체 소자의 제조 과정에서 발생하는 식각 로딩 효과를 완화시킬 수 있다. 더미 패턴의 평면 형태는 임의의 다각형, 원, 또는 타원 등의 형태를 가질 수 있다.
데이터 전처리부(320)는 회로 영역 이미지를 복수의 제1 크롭 이미지로 분할할 수 있다. 또한, 데이터 전처리부(320)는 더미 영역 이미지를 복수의 제2 크롭 이미지로 분할할 수 있다. 어떤 실시예에서, 제1 크롭 이미지 및 제2 크롭 이미지 각각은 검사 장치(20)의 검사 이미지(SEM_IMG)의 크기와 동일한 크기의 이미지일 수 있다.
데이터 전처리부(320)의 동작과 관련하여 도 2를 함께 참조하여 기술한다. 도 2는 일 실시예에 따른 레이아웃 이미지를 예시적으로 나타낸 도면이다.
도 2를 참조하면, 하나의 레이아웃 이미지(1001)는 회로 영역 이미지 및 더미 영역 이미지를 포함할 수 있다. 도 2에서는, 하나의 웨이퍼 상에 회로 영역 이미지와 더미 영역 이미지가 겹쳐 도시되어 있다.
데이터 전처리부(320)는 회로 영역 이미지를 복수의 제1 크롭 이미지(1010, 1011, 1012, 1013, 1014, 1015, 1016. 1017)로 분할할 수 있다. 또한, 데이터 전처리부(320)는 더미 영역 이미지를 복수의 제2 크롭 이미지(1110, 1111, 1112, 1113, 1114, 1115, 1116. 1117)로 분할할 수 있다. 도 2에서는, 8개의 제1 크롭 이미지 및 8개의 제2 크롭 이미지만이 도시되어 있으나, 본 발명은 이에 한정되는 것은 아니며, 데이터 전처리부(320)는 하나의 레이아웃 이미지를 더 많거나 더 적은 개수의 제1 크롭 이미지 및 제2 크롭 이미지로 분할할 수 있다.
어떤 실시예에서, 제1 크롭 이미지(1010, 1011, 1012, 1013, 1014, 1015, 1016. 1017) 각각은 검사 장치(20)의 검사 이미지(SEM_IMG) 크기와 동일한 크기의 이미지일 수 있다. 또한, 제2 크롭 이미지(1110, 1111, 1112, 1113, 1114, 1115, 1116. 1117) 각각은 검사 이미지(SEM_IMG) 크기와 동일한 크기의 이미지일 수 있다.
데이터 전처리부(320)는 복수의 제1 크롭 이미지 및 복수의 제2 크롭 이미지를 포함하는 생성 이미지(GDS_IMG)를 결함 검출 장치(30)에 전송할 수 있다. 즉, 도 2에서 데이터 전처리부(320)는 복수의 제1 크롭 이미지(1010, 1011, 1012, 1013, 1014, 1015, 1016. 1017) 및 복수의 제2 크롭 이미지(1110, 1111, 1112, 1113, 1114, 1115, 1116. 1117)를 포함하는 생성 이미지(GDS_IMG)를 컨트롤러(310)에 전송할 수 있다.
컨트롤러(310)는 검사 장치(20)로부터 수신한 검사 이미지(SEM_IMG)를 분석하여 수신한 검사 이미지(SEM_IMG) 내의 결함이 회로 패턴 영역 및 더미 패턴 영역 중 어느 패턴 영역에 포함되는지 여부를 판단할 수 있다.
컨트롤러(310)는, 인공 신경망(312)을 포함할 수 있다. 어떤 실시예에서, 컨트롤러(310)는 인공 신경망(312)을 사용하여 검사 이미지(SEM_IMG) 내의 결함이 어느 패턴 영역에 포함되는지 여부를 판단할 수 있다. 구체적으로, 컨트롤러(310)는 데이터 전처리부(320)로부터 수신한 제1 크롭 이미지 및 제2 크롭 이미지를 학습시킨 인공 신경망(312)을 사용함으로써 수신한 검사 이미지(SEM_IMG) 내의 결함이 어느 패턴의 영역에 포함되는지 판단할 수 있다.
인공 신경망(312)은 복수의 레이어를 포함하며, 복수의 레이어는 가중치가 적용되는 복수의 연산을 통해 연결된다. 다시 말하자면, 인공 신경망(312)은 가중치가 적용되는 복수의 연산을 포함하는 복수의 레이어를 포함한다. 여기서, 복수의 연산을 포함하는 복수의 레이어는 콘볼루션 연산을 수행하는 콘볼루션 레이어(convolution layer), 다운 샘플링 연산을 수행하는 풀링 레이어(pooling layer), 업샘플링(Up Sampling) 연산을 수행하는 언풀링(UL: Unpooling Layer) 레이어, 디콘볼루션 연산을 수행하는 디콘볼루션 레이어(DL: Deconvolution Layer), 풀리 커넥티드(fully connected) 레이어 등을 포함할 수 있다. 어떤 실시예에서, 컨트롤러(310)는 CNN(Convolutional Neural Network)을 포함할 수 있다. 컨트롤러(310) 내 인공 신경망(312)과 관련하여, 도 3을 참조하여 기술한다.
도 3은 일 실시예에 따른 인공 신경망을 나타낸 도면이다.
구체적으로, 도 3은 인공 신경망(312)의 복수의 레이어들에 의해 하나의 레이아웃 이미지(1001) 내에서 특성이 추출되는 예시를 도시한다. 아래에서, 다양한 수치들을 이용하여 각 레이어가 구체적으로 설명되지만, 본 발명은 이에 한정되지 않으며 입력되는 이미지들의 형태 또는 레이어의 적층 형태에 따라, 다양하게 응용 및 변경될 수 있다.
도 3에 도시된 인공 신경망(312)은 입력 이미지, 피처맵들(feature maps) 및 출력을 포함하는 복수 레이어들을 갖는 아키텍처로 구현될 수 있다. 인공 신경망(312)에서 입력 이미지는 웨이트(weight) 또는 커널(kernel)이라 불리는 필터와의 콘볼루션 연산이 수행되고, 그 결과 피처맵들이 출력된다. 이 때, 생성된 출력 피처맵들은 입력 피처맵들로서 다시 커널 필터와의 콘볼루션 연산이 수행되고, 새로운 피처맵들이 출력된다. 인공 신경망(312)은 여러 레이어들에서 콘볼루션 연산 및 서브샘플링(또는 풀링) 연산을 반복적으로 수행함으로써 입력 이미지로부터 이미지 전체를 대표할 수 있는 특징들을 필터링하여 출력하고, 출력된 특징들이 풀리 커넥티드 레이어에 입력됨으로써 최종적으로 입력 이미지에 대한 인식 결과를 도출할 수 있다.
컨트롤러(310)는 데이터 전처리부(320)로부터 회로 패턴을 포함하는 회로 영역 이미지가 분할된 복수의 제1 크롭 이미지 및 더미 패턴을 포함하는 더미 영역 이미지를 복수의 제2 크롭 이미지를 수신할 수 있다. 인공 신경망(312)은 제1 크롭 이미지가 입력된 경우에는 회로 패턴을 지시하는 영역 데이터를 출력하도록 학습되고, 제2 크롭 이미지가 입력된 경우에는 더미 패턴을 지시하는 영역 데이터를 출력하도록 학습될 수 있다.
도 3에 도시된 바와 같이, 하나의 크롭 이미지(1003)는 가로(X1)로 28, 세로(Y1)로 28, 그리고 채널(CH1)로 1의 사이즈를 가질 수 있다. 크롭 이미지(1003)는 제1 크롭 이미지 또는 제2 크롭 이미지일 수 있다. 제1 크롭 이미지는 회로 패턴이라고 라벨링될 수 있고, 제2 크롭 이미지는 더미 패턴이라고 라벨링되어 인공 신경망(312)에 입력될 수 있다. 예를 들어, 크롭 이미지(1003)의 사이즈는 픽셀 데이터의 개수일 수 있다.
크롭 이미지(1003)에 제1 콘볼루션 레이어(CL1)가 적용될 수 있다. 제1 콘볼루션 레이어(CL1)는 가로(X)로 5, 세로(Y)로 5, 그리고 채널로 1의 사이즈의 커널을 가질 수 있다. 그리고, 제1 콘볼루션 레이어(CL1)의 패딩 방법으로 "VALID"를 설정할 수 있다. 여기서, "VALID"는 패딩이 없음을 의미할 수 있다.
제1 콘볼루션 레이어(CL1)의 커널의 개수는 제1 콘볼루션 레이어(CL1)를 통해 출력되는 데이터의 채널들의 수와 동일할 수 있다. 예를 들어, 제1 콘볼루션 레이어(CL1)의 커널의 사이즈는 크롭 이미지(1003)와 연산되는 채널들의 개수일 수 있다.
크롭 이미지(1003)에 제1 콘볼루션 레이어(CL1)가 적용될 때, 복수의 커널들 중 하나의 커널이 선택될 수 있다. 선택된 하나의 커널은 제1 윈도(W1)로서 크롭 이미지(1003)와 연산될 수 있다. 제1 윈도(W1)는 크롭 이미지(1003) 상에서 미리 정해진 방향에 따라 이동할 수 있다. 어떤 실시예에서, 제1 윈도(W1)의 크기는 하나의 검사 이미지(SEM_IMG)의 크기와 동일할 수 있다.
제1 콘볼루션 레이어(CL1)의 커널의 사이즈가 가로(X)로 5이고 세로(Y)로 5이므로, 제1 콘볼루션 데이터(CD1)의 각 채널의 사이즈는 크롭 이미지(1003)의 사이즈보다 작을 수 있다. 예를 들어, 제1 윈도(W1)의 최상단 최좌측의 지점을 기준으로 제1 윈도(W1)가 크롭 이미지(1003) 상에서 이동할 수 있는 공간을 계산하면, 제1 윈도(W1)는 가로(X1)로 24개의 서로 다른 위치들에 배치될 수 있고 그리고 세로(Y1)로 24개의 서로 다른 위치들에 배치될 수 있다.
따라서, 제1 콘볼루션 데이터(CD1)는 가로(X2)로 24, 세로(Y2)로 24, 그리고 채널(CH3)로 n1의 사이즈를 가질 수 있다. 예를 들어, 제1 콘볼루션 데이터(CD1)의 사이즈는 샘플 데이터의 개수로 측정될 수 있다.
제1 콘볼루션 데이터(CD1)에 서브 샘플링 레이어(ML1)가 적용될 수 있다. 도 3에서는 인공 신경망(312)이 복수의 특징 정보 중 최대값을 취하는 방식인 최대 풀링(max pooling) 방식을 사용하는 것으로 도시되어 있으나, 본 발명은 이에 한정되지 않으며 복수의 특징 정보의 평균값을 취하는 방식인 평균-풀링(average-pooling) 등의 방식 등이 적용될 수도 있다. 서브 샘플링 레이어(ML1)의 커널은 가로(X)로 2, 세로(Y)로 2, 그리고 채널로 1의 사이즈를 가질 수 있다. 여기서, 풀링은 복수의 특징 정보를 가지는 복수의 픽셀들을 종합하여, 특징을 나타낼 수 있는 하나의 픽셀을 생성하는 것을 의미한다.
따라서, 인공 신경망(312)은 서브 샘플링 레이어(ML1)를 통해 24 x 24 크기를 갖는 n1 채널의 피처맵의 픽셀 값들 중 일부만이 이용되어 12x12 크기를 갖는 n1 채널의 피처맵들을 출력할 수 있다.
서브 샘플링 레이어(ML1)의 커널은 제2 윈도(W2)로 선택될 수 있다. 제2 윈도(W2)는 제1 콘볼루션 데이터(CD1) 상에서 이동할 수 있다. 예를 들어, 제1 콘볼루션 데이터(CD1)의 n1 개의 채널들이 순차적으로 선택되고, 선택된 채널에서 제2 윈도(W2)가 이동할 수 있다.
선택된 채널에서, 제2 윈도(W2)는 제1 윈도(W1)와 동일한 방식으로 이동할 수 있다. 제2 윈도(W2)의 각 위치에서, 서브 샘플링이 수행될 수 있다. 예를 들어, 서브 샘플링은 제2 윈도의 각 위치에 속한 데이터 중에서 최대 값을 갖는 데이터를 선택하는 것을 포함할 수 있다.
선택된 채널의 선택된 위치의 서브 샘플링의 결과는 서브 샘플링 레이어(ML1)의 출력 데이터(예를 들어 제1 서브 샘플링 데이터(SD1))의 대응하는 채널의 대응하는 위치의 하나의 데이터(예를 들어 샘플 데이터)를 형성할 수 있다.
제1 서브 샘플링 데이터(SD1)는 가로(X3)로 12, 세로(Y3)로 12, 그리고 채널(CH3)로 n1의 사이즈를 가질 수 있다. 예를 들어, 제1 서브 샘플링 데이터(SD1)의 사이즈는 샘플 데이터의 개수로 측정될 수 있다.
제1 서브 샘플링 데이터(SD1)에 제2 콘볼루션 레이어(CL2)가 적용될 수 있다.
제2 콘볼루션 레이어(CL2)의 커널의 사이즈는 가로(X)로 5, 세로(Y)로 5, 그리고 채널로 n2의 사이즈를 가질 수 있다. 제2 콘볼루션 레이어(CL2)의 커널의 채널들의 개수는 제1 서브 샘플링 데이터(SD1)의 채널들(CH3)의 개수와 동일할 수 있다. 따라서, 제1 콘볼루션 레이어(CL1)와 동일한 방식으로 제2 콘볼루션 레이어(CL2)가 제1 서브 샘플링 데이터(SD1)에 적용될 수 있다.
제2 콘볼루션 레이어(CL2)가 적용된 결과 데이터는 제2 콘볼루션 데이터(CD2)일 수 있다. 제2 콘볼루션 데이터(CD2)는 가로(X4)로 8, 세로(Y4)로 8, 그리고 채널(CH4)로 n2의 사이즈를 가질 수 있다. 제2 콘볼루션 데이터(CD2)의 사이즈는 샘플 데이터의 개수를 가리킬 수 있다.
제2 콘볼루션 데이터(CD2)에 제2 서브 샘플링 레이어(ML2)가 적용될 수 있다. 제2 서브 샘플링 레이어(ML2)의 커널은 가로(X)로 2, 세로(Y)로 2, 그리고 채널로 1의 사이즈를 가질 수 있다. 제2 서브 샘플링 레이어(ML2)는 제1 서브 샘플링 레이어(ML1)가 제1 콘볼루션 데이터(CD1)에 적용되는 것과 동일한 방식으로 제2 콘볼루션 데이터(CD2)에 적용될 수 있다.
제2 서브 샘플링 레이어(ML2)가 적용된 결과 데이터는 제2 서브 샘플링 데이터(SD2)일 수 있다. 제2 서브 샘플링 데이터(SD2)는 가로(X5)로 4, 세로(Y5)로 4, 그리고 채널(CH5)로 n2의 사이즈를 가질 수 있다. 제2 서브 샘플링 데이터(SD2)의 사이즈는 샘플 데이터의 개수를 가리킬 수 있다.
제2 서브 샘플링 데이터(SD2)에 제1 풀리 커넥티드 레이어(FL1)가 적용될 수 있다. 제1 풀리 커넥티드 레이어(FL1)의 커널은 가로(X)로 4의 사이즈를 가질 수 있고, 세로(Y)로는 제1 풀리 커넥티드 레이어(FL1)가 적용된 결과인 제1 풀리 커넥티드 데이터(FD1)의 샘플 데이터의 개수에 대응할 수 있다.
그러나 제1 풀리 커넥티드 레이어(FL1)의 커널의 사이즈는 풀리 커넥티드의 구조, 히든 레이어들의 개수 등에 따라 달라질 수 있다. 제1 풀리 커넥티드 레이어(FL1)는 활성 레이어(ReLU activation)를 포함할 수 있다. 활성 레이어의 커널은 샘플 데이터의 값들을 정해진 범위 내의 값들로 한정하기 위한 것으로, 예를 들면 시그모이드(sigmoid) 함수일 수 있다.
제1 풀리 커넥티드 레이어(FL1)가 적용된 결과인 제1 풀리 커넥티드 데이터(FD1)에는 제2 풀리 커넥티드 레이어(FL2)가 적용될 수 있다. 제2 풀리 커넥티드 레이어(FL2)는 가로(X)로 10의 사이즈를 가질 수 있고, 세로(Y)로는 제2 풀리 커넥티드 레이어(FL2)가 적용된 결과인 제2 풀리 커넥티드 데이터(FD2)의 샘플 데이터의 개수에 대응할 수 있다. 그러나 제2 풀리 커넥티드 커널(FM2)의 사이즈는 풀리 커넥티드의 구조, 히든 레이어들의 개수 등에 따라 달라질 수 있다.
정리하면, 도 3의 인공 신경망(312)은 크롭 이미지(1003)를 입력 데이터로 사용하여 레이아웃 이미지(1001) 내의 회로 영역 이미지 및 더미 영역 이미지를 학습할 수 있다. 회로 영역 이미지 및 더미 영역 이미지를 학습한 인공 신경망(312)은 검사 이미지(SEM_IMG)가 입력되면, 검사 이미지(SEM_IMG) 내에서 패턴을 인식하고, 인식한 패턴이 더미 패턴 또는 회로 패턴인지를 지시하는 영역 데이터를 출력할 수 있다.
다시 도 1을 참조하면, 컨트롤러(310)는 인공 신경망(312)으로부터 출력된 영역 데이터에 기초하여 검사 이미지(SEM_IMG) 내의 결함이 어느 패턴 영역에 포함되는지 판단할 수 있다.
또한, 컨트롤러(310)는 검사 이미지(SEM_IMG) 내에서 결함이 위치한 패턴 영역의 유형에 기초하여 결함의 종류를 결정할 수 있다.
메모리(330)는 컨트롤러(310)가 검사 이미지(SEM_IMG) 내의 결함의 종류를 결정하는 데에 필요한 데이터를 포함할 수 있다.
어떤 실시예에서, 메모리(330)는 컨트롤러(310)가 검사 이미지(SEM_IMG)를 레이아웃 형태로 변환하는 데에 필요한 데이터를 포함할 수 있다.
예를 들어, 검사 이미지(SEM_IMG)를 레이아웃 형태로 변환하는 데에 필요한 데이터는 디자인 룰에 대한 데이터를 포함할 수 있다. 디자인 룰은, 패턴 설계 시 고려해야 하는 미리 결정된 규칙들일 수 있다. 예를 들어, 디자인 룰은 회로 패턴의 폭, 서로 인접하는 회로 패턴들 사이의 간격, 회로 패턴 내의 게이트 라인의 최소 폭 및 최대 폭, 서로 인접하는 게이트 라인들 사이의 간격 등을 설정하는 것을 포함할 수 있다.
또 다른 예를 들어, 검사 이미지(SEM_IMG)를 레이아웃 형태로 변환하는 데에 필요한 데이터는 선폭 변환 데이터를 포함할 수 있다. 선폭 변환 데이터는, 검사 이미지(SEM_IMG) 상 게이트 라인의 선폭과 레이아웃 이미지 상 게이트 라인의 선폭 간의 대응 관계를 나타내는 데이터일 수 있다. 예를 들어, 레이아웃 상에서 10nm 정도의 선폭을 가지는 패턴을 실제 노광하면 웨이어 상에서는 9.7nm 정도의 선폭을 가지는 패턴으로 전사될 수 있다. 이 때, 선폭 데이터는 검사 이미지(SEM_IMG) 상의 9.7nm와 레이아웃 상의 10nm가 대응한다는 것을 지시하는 데이터를 포함할 수 있다.
도 4는 일 실시예에 따른 컨트롤러의 결함 검출 방법을 도시한 흐름도이다.
먼저, 컨트롤러(310)는 검사 장치(20)로부터 수신한 검사 이미지(SEM_IMG)를 레이아웃 형태로 변환(S301)한다.
구체적으로, 컨트롤러(310)는 디자인 룰을 고려하여 검사 이미지(SEM_IMG)를 레이아웃 형태로 변환할 수 있다. 또한, 컨트롤러(310)는 광학적 근접 보정(Optical Proximity Correction, OPC)을 고려하여 검사 이미지(SEM_IMG)를 레이아웃 형태로 변환할 수 있다. OPC 방식은 포토 리소그래피 공정 시 광 근접 효과에 의한 패턴의 왜곡 현상을 극복하기 위하여 마스크 패턴을 고의적으로 변경하는 방식일 수 있다. 예를 들어, OPC 방식은 패턴의 모서리에 세리프(serif)를 달아주는 보정 방식일 수 있다.
검사 이미지(SEM_IMG)를 레이아웃 형태로 변환하는 단계와 관련하여, 도 5 및 도 6을 함께 참조한다. 도 5 및 도 6은 일 실시예에 따른 검사 이미지와 레이아웃 형태로 변환된 검사 이미지의 예시적으로 도시한 도면이다.
도 5를 참조하면, 검사 장치(20)로부터 수신한 검사 이미지(6000) 및 레이아웃 형태로 변환된 검사 이미지(6010)가 도시되어 있다.
검사 이미지(6000)는 X 축 방향으로 연장되는 제1 게이트 라인(6001), 제2 게이트 라인(6003), 및 제3 게이트 라인(6005), Y 축 방향으로 연장되는 제4 게이트 라인(6007), 및 결함(DEF)을 포함할 수 있다.
컨트롤러(310)는 디자인 룰에 기초하여, 검사 이미지(6000) 내의 게이트 라인이 곡선으로 이루어진 형태를 가지고 있더라도, 직선으로 이루어진 형태로 변환할 수 있다. 예를 들어, 컨트롤러(310)는 각 게이트 라인들의 에지 영역을 X 방향 및 Y 방향으로 평탄화할 수 있고, 각 게이트 라인들의 에지 영역의 라운딩 처리된 부분을 직각으로 표현할 수 있다.
구체적으로, 컨트롤러(310)는 제1 게이트 라인(6001)에 대해 X 축 방향으로의 제1 선폭(d1) 및 Y 축 방향으로의 제2 선폭(d2)을 측정할 수 있다. 컨트롤러(310)는 제1 선폭(d1)과 제2 선폭(d2)의 비를 통해 제1 게이트 라인(6001)의 방향을 결정할 수 있다. 이후, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제1 게이트 라인(6001)을 제1 라인(6011)으로 변환할 수 있다. 구체적으로, 선폭 변환 데이터는 검사 이미지의 제1 선폭(d1)이 제1’ 선폭(d1')에 대응하고, 제2 선폭(d2)이 제2’ 선폭(d2')에 대응한다는 것을 지시하는 데이터를 포함할 수 있다.
컨트롤러(310)는, 제2 게이트 라인(6003)의 제1 부분(6003_1)에 대해 X 축 방향으로의 제31 선폭(d31) 및 제2 게이트 라인(6003)의 제2 부분(6003_2)에 대해 X 축 방향으로의 제32 선폭(d32)을 측정할 수 있다. 또한, 컨트롤러(310)는, 제2 게이트 라인의 제1 부분(6003_1)에 대해 Y 축 방향으로의 제41 선폭(d41) 및 제2 게이트 라인의 제2 부분(6003_2)에 대해 Y 축 방향으로의 제42 선폭(d42)을 측정할 수 있다. 제41 선폭(d41) 및 제42 선폭(d42)은 모두 하나의 게이트 라인(6003)에 대한 Y 축 방향으로의 선폭이므로, 제41 선폭(d41) 및 제42 선폭(d42)은 동일할 수 있다.
컨트롤러(310)는 제31 선폭(d31)과 제41 선폭(d41)의 비를 통해 제1 부분(6003_1)의 방향을 결정할 수 있다. 이후, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제2 게이트 라인(6003)의 제1 부분(6003_1)을 제2_1 라인(6013_1)으로 변환할 수 있다. 구체적으로, 선폭 변환 데이터는 검사 이미지의 제31 선폭(d31)이 제31’ 선폭(d31')에 대응하고, 제41 선폭(d41)이 제4’ 선폭(d4')에 대응한다는 것을 지시하는 데이터를 포함할 수 있다. 유사하게, 컨트롤러(310)는 제32 선폭(d32)과 제41 선폭(d42)의 비를 통해 제2 부분(6003_2)의 방향을 결정할 수 있다. 이후, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제2 게이트 라인(6003)의 제2 부분(6003_2)을 제2_2 라인(6013_2)으로 변환할 수 있다. 구체적으로, 선폭 변환 데이터는 검사 이미지의 제32 선폭(d32)이 제32’ 선폭(d32')에 대응하고, 제42 선폭(d42)이 제4’ 선폭(d4')에 대응한다는 것을 지시하는 데이터를 포함할 수 있다.
컨트롤러(310)는 제2 게이트 라인(6003)을 변환하는 방식과 유사하게, 제3 게이트 라인(6005)을 변환할 수 있다. 컨트롤러(310)는 선폭 변환 데이터에 기초하여 제3 게이트 라인(6005)의 제1 부분(6005_1)을 제3_1 라인(6015_1)으로 변환할 수 있다. 컨트롤러(310)는 선폭 변환 데이터에 기초하여 제3 게이트 라인(6005)의 제2 부분(6005_2)을 제3_2 라인(6015_2)으로 변환할 수 있다.
한편, 제2 게이트 라인(6003) 및 제3 게이트 라인(6005)을 가로질러 결함(DEF)이 위치할 수 있다. 컨트롤러(310)는 디자인 룰에 기초하여, 결함(DEF)을 삭제할 수 있다. 구체적으로, 컨트롤러(310)는 결함(DEF)의 주변에 위치한 게이트 라인(6003) 및 게이트 라인(6005)은 모두 X 축 방향으로 연장된다고 판단할 수 있다. 또한, 컨트롤러(310)는 게이트 라인(6003) 및 게이트 라인(6005)의 X 축 방향으로의 선폭과 Y 축 방향으로의 선폭에 대한 데이터를 측정할 수 있다. 반면에, 결함(DEF)은 Y 축 방향으로 연장되는 요소이며, 결함(DEF)의 X 축 방향 및 Y 축 방향으로의 선폭은 주변 게이트 라인(6001, 6003, 6005)의 선폭과는 전혀 상이한 값을 가질 수 있다. 즉, 결함(DEF)은 주변의 요소와 상이한 특징을 가질 수 있다. 따라서, 컨트롤러(310)는 결함(DEF)이 검사 이미지(6000) 상의 오류라고 판단할 수 있으며, 결함(DEF)을 삭제하여 레이아웃 형태로 변환할 수 있다.
또한, 컨트롤러(310)는 제4 게이트 라인(6007)에 대해 X 축 방향으로의 제5 선폭(d5) 및 Y 축 방향으로의 제6 선폭(d6)을 측정할 수 있다. 마찬가지로, 컨트롤러(310)는 제5 선폭(d5)과 제6 선폭(d6)의 비를 통해 제4 게이트 라인(6007)의 방향을 결정할 수 있다. 이후, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제4 게이트 라인(6007)을 제4 라인(6017)으로 변환할 수 있다. 구체적으로, 선폭 변환 데이터는 검사 이미지의 제5 선폭(d5)이 제5’ 선폭(d5')에 대응하고, 제6 선폭(d6)이 제6’ 선폭(d6')에 대응한다는 것을 지시하는 데이터를 포함할 수 있다.
도 6은 검사 장치(20)로부터 수신한 검사 이미지(6000) 및 레이아웃 형태로 변환된 검사 이미지(6020)가 도시되어 있다.
도 6은 도 5에 비해 결함(DEF)의 주변에 위치한 게이트 라인(6003) 및 게이트 라인(6005)의 레이아웃 변환 형식만 상이하므로, 도 5에 대한 설명이 도 6에도 유사하게 적용될 수 있다.
구체적으로, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제1 게이트 라인(6001)을 제1 라인(6021)으로 변환할 수 있다.
구체적으로, 컨트롤러(310)는 결함(DEF)의 주변에 위치한 게이트 라인(6003) 및 게이트 라인(6005)은 모두 X 축 방향으로 연장된다고 판단할 수 있다. 또한, 컨트롤러(310)는 게이트 라인(6003) 및 게이트 라인(6005)의 X 축 방향으로의 선폭과 Y 축 방향으로의 선폭에 대한 데이터를 측정할 수 있다. 반면에, 결함(DEF)은 Y 축 방향으로 연장되는 요소이며, 결함(DEF)의 X 축 방향 및 Y 축 방향으로의 선폭은 주변 게이트 라인(6001, 6003, 6005)의 선폭과는 전혀 상이한 값을 가질 수 있다. 즉, 결함(DEF)은 주변의 요소와 상이한 특징을 가질 수 있다. 따라서, 컨트롤러(310)는 결함(DEF)이 검사 이미지(6000) 상의 오류라고 판단할 수 있으며, 결함(DEF)을 삭제하여 레이아웃 형태로 변환할 수 있다.
한편, 제2 게이트 라인(6003) 및 제3 게이트 라인(6005)을 가로질러 결함(DEF)이 위치할 수 있다. 컨트롤러(310)는 디자인 룰에 기초하여, 결함(DEF)을 삭제할 수 있다. 컨트롤러(310)는 결함(DEF)이 미리 설정된 크기보다 작거나, 결함(DEF)의 주변에 위치한 요소가 유사한 특징을 가지고 있는 경우에, 결함(DEF)의 근처에 위치한 복수의 요소를 하나의 요소로 변환할 수도 있다. 구체적으로, 컨트롤러(310)는 결함(DEF)에 의해 분리되어 결함(DEF)의 양 측 또는 상하에 위치한 게이트 라인이 연장되는 방향이 동일하거나, 선폭의 크기가 유사하면, 결함(DEF)의 주변에 위치한 요소가 유사한 특징을 가지고 있다고 판단할 수 있다. 따라서, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제2 게이트 라인(6003)의 제1 부분(6003_1) 및 제2 부분(6003_2)을 하나의 제2 라인(6023)으로 변환할 수 있다. 또한, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제3 게이트 라인(6005)의 제1 부분(6005_1) 및 제2 부분(6005_2)을 하나의 제3 라인(6025)으로 변환할 수 있다.
또한, 컨트롤러(310)는 선폭 변환 데이터에 기초하여, 제4 게이트 라인(6007)을 제4 라인(6027)으로 변환할 수 있다.
검사 이미지(6000) 내의 다른 게이트 라인을 레이아웃 형태로 변환하는 방식은 도 5를 참조하여 기술한 검사 이미지(6000) 내의 게이트 라인(6001, 6003, 6005, 6007)에 대해 레이아웃 형태로 변환하는 방식과 유사할 수 있다.
다시 도 4를 참조하면, 컨트롤러(310)는 레이아웃 형태로 변환된 검사 이미지 내의 결함이 포함되는 영역을 판단(S303)할 수 있다.
구체적으로, 컨트롤러(310)는 레이아웃 형태로 변환된 검사 이미지를 인공 신경망(312)에 입력하고, 인공 신경망(312)으로부터 출력된 영역 데이터에 기초하여 검사 이미지(SEM_IMG) 내의 결함이 어느 패턴 영역에 포함되는지 판단할 수 있다.
검사 이미지(SEM_IMG) 내의 결함이 더미 영역에 포함되는 경우, 컨트롤러(310)는 변환된 검사 이미지의 인접 영역에 회로 영역이 위치하는지 여부를 판단(S305)한다.
변환된 검사 이미지의 인접 영역에 회로 영역이 위치하지 않으면, 컨트롤러(310)는 검사 이미지(SEM_IMG) 내의 결함이 가성 결함이라고 결정(S307)할 수 있다.
더미 패턴은 반도체 소자의 회로 구성에 실질적으로 영향을 미치지 않는 패턴이므로, 더미 패턴 상의 결함은 실제 회로의 동작에 영향을 미치지 않는 가성 결함일 수 있다.
그러나, 변환된 검사 이미지의 인접 영역에 회로 영역이 위치하면, 컨트롤러(310)는 검사 이미지(SEM_IMG) 내의 결함이 위험 결함이라고 결정(S309)할 수 있다.
가성 결함 중에서도, 검사 이미지(SEM_IMG) 내의 결함이 포함된 더미 영역이 회로 영역으로부터 일정 범위 내에 포함되면, 검사 이미지(SEM_IMG) 내의 결함이 회로 패턴에 영향을 미칠 수 있다. 이 때, 일정 범위는 더미 패턴의 구성의 변화가 반도체 소자의 회로 구성에 영향을 미칠 수 있는 범위일 수 있다. 예를 들어, 컨트롤러(310)는 검사 이미지(SEM_IMG) 내의 결함이 발생한 더미 영역이 검사 이미지(SEM_IMG) 내의 회로 영역과 인접하면, 더미 영역이 회로 영역으로부터 일정 범위 내에 포함된다고 판단할 수 있다. 구체적으로, 검사 이미지(SEM_IMG)의 더미 영역 내의 결함의 위치로부터 회로 영역까지의 최단 거리가 소정 값 이하인 경우, 컨트롤러(310)는 검사 이미지(SEM_IMG) 내에서 결함이 발생한 더미 영역이 검사 이미지(SEM_IMG) 내의 회로 영역과 인접한 것으로 결정할 수 있다. 어떤 실시예에서, 컨트롤러(310)는 결함이 발생한 더미 영역에 인접한 회로 영역이 있는지 여부를 검사 이미지(SEM_IMG) 외의 다른 검사 이미지들을 사용하여 결정할 수도 있다. 예를 들어, 회로 영역이 포함되지 않은 제1 검사 이미지 내의 더미 영역에서 결함이 발생한 경우, 컨트롤러(310)는 제1 검사 이미지 내의 더미 영역과 인접한 영역을 촬영한 적어도 하나의 제2 검사 이미지를 결정할 수 있다. 이후, 컨트롤러(310)는 적어도 하나의 제2 검사 이미지 내에서 제1 검사 이미지 내의 더미 영역과 인접한 회로 영역이 포함되는지 여부를 결정할 수 있다. 이때에도, 컨트롤러(310)는 제1 검사 이미지 내의 더미 영역의 결함의 위치로부터 적어도 하나의 제2 검사 이미지 내의 회로 영역까지의 최단 거리가 소정 값 이하인지 여부를 판단하여, 소정 값 이하이면 검사 이미지(SEM_IMG) 내의 결함이 발생한 더미 영역이 검사 이미지(SEM_IMG) 내의 회로 영역과 인접한 것으로 결정할 수 있다.
검사 이미지(SEM_IMG) 내의 결함이 회로 영역에 포함되는 경우, 컨트롤러(310)는 검사 이미지(SEM_IMG) 내의 결함이 진성 결함이라고 결정(S311)할 수 있다.
컨트롤러(310)는 검사 이미지(SEM_IMG) 내의 결함이 위험 결함 또는 진성 결함인 경우에, 결함을 제거하기 위해 반도체 제조 장비에 적절한 피드백을 제공할 수 있다. 예를 들어, 반도체 제조 장비는 증착 공정을 수행하는 장비, 화학적 기계적 연마를 수행하는 장비, 포토리소그래피 공정을 수행하는 장비, 식각 공정을 수행하는 장비, 이온 주입 공정을 수행하는 장비, 세정 공정을 수행하는 장비 등일 수 있다.
본 개시에 따른 결함 검출 장치는 실제 반도체 소자를 구성하거나 반도체 소자의 동작에 영향을 미치는 결함만 검출하므로 결함 분석에 소요되는 시간 및 비용을 감소시킬 수 있다. 이에 따라, 결함 분석이 빠르게 수행될 수 있으므로, 반도체 소자의 생산성 향상을 구현할 수 있다는 장점이 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (10)

  1. 회로 패턴의 이미지 및 더미 패턴의 이미지를 포함하는 레이아웃 이미지를 저장하는 메모리, 그리고
    상기 레이아웃 이미지를 학습하는 인공 신경망을 포함하고, 상기 인공 신경망을 사용하여 웨이퍼 상에서 결함이 포함된 영역을 촬영한 검사 이미지 내에서 상기 결함이 위치하는 영역이 상기 회로 패턴이 위치한 제1 영역인지 또는 상기 더미 패턴이 위치한 제2 영역인지를 판단하고, 상기 결함이 위치하는 영역이 상기 제1 영역인지 또는 상기 제2 영역인지에 기초하여 상기 결함의 종류를 결정하는 컨트롤러
    를 포함하는 결함 검출 장치.
  2. 제1항에 있어서,
    상기 레이아웃 이미지는 그래픽 데이터 시스템(graphic data system, GDS) 이미지이고,
    상기 검사 이미지는 전자 현미경(Scanning Electron Microscope, SEM)에 의해 촬영된 이미지인, 결함 검출 장치.
  3. 제1항에 있어서,
    상기 컨트롤러는, 상기 결함이 상기 제1 영역에 위치하는 경우에 상기 결함의 종류를 진성 결함이라고 결정하는, 결함 검출 장치.
  4. 제1항에 있어서,
    상기 컨트롤러는, 상기 결함이 상기 제2 영역에 위치하는 경우에 상기 결함의 종류를 가성 결함이라고 결정하는, 결함 검출 장치.
  5. 제1항에 있어서,
    상기 회로 패턴의 이미지를 복수의 제1 크롭 이미지로 분할하고, 상기 더미 패턴의 이미지를 복수의 제2 크롭 이미지로 분할하며, 상기 복수의 제1 크롭 이미지 및 상기 복수의 제2 크롭 이미지를 상기 인공 신경망에 제공하는 데이터 전처리부를 더 포함하는, 결함 검출 장치.
  6. 제5항에 있어서,
    상기 복수의 제1 크롭 이미지 및 상기 복수의 제2 크롭 이미지의 크기는 상기 검사 이미지의 크기와 동일한, 결함 검출 장치.
  7. 제1항에 있어서,
    상기 컨트롤러는, 상기 검사 이미지를 레이아웃 형태로 변환하고, 레이아웃 변환된 이미지를 상기 인공 신경망에 입력하여 상기 검사 이미지 내에서 상기 결함이 위치하는 영역이 상기 제1 영역인지 또는 상기 제2 영역인지를 결정하는, 결함 검출 장치.
  8. 제7항에 있어서,
    상기 컨트롤러는, 상기 검사 이미지 내의 게이트 라인의 선폭과 상기 게이트 라인에 대응하는 상기 레이아웃 이미지 내의 라인의 선폭 간의 대응 관계를 나타내는 선폭 변환 데이터에 기초하여 복수의 게이트 라인이 촬영된 상기 검사 이미지를 레이아웃 변환하는, 결함 검출 장치.
  9. 제7항에 있어서,
    상기 컨트롤러는, 상기 회로 패턴 및 상기 더미 패턴 설계 시 미리 결정된 규칙에 기초하여 상기 검사 이미지를 레이아웃 형태로 변환하는, 결함 검출 장치.
  10. 제7항에 있어서,
    상기 컨트롤러는, 상기 검사 이미지 내에서 상기 결함을 삭제하여 상기 레이아웃 변환된 이미지를 생성하는, 결함 검출 장치.

KR1020220134334A 2022-10-18 2022-10-18 결함 검출 장치 및 방법 KR20240054469A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020220134334A KR20240054469A (ko) 2022-10-18 2022-10-18 결함 검출 장치 및 방법
US18/195,190 US20240127425A1 (en) 2022-10-18 2023-05-09 Defect detection device and method thereof
CN202311159623.9A CN117907339A (zh) 2022-10-18 2023-09-08 缺陷检测设备及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220134334A KR20240054469A (ko) 2022-10-18 2022-10-18 결함 검출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20240054469A true KR20240054469A (ko) 2024-04-26

Family

ID=90626611

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220134334A KR20240054469A (ko) 2022-10-18 2022-10-18 결함 검출 장치 및 방법

Country Status (3)

Country Link
US (1) US20240127425A1 (ko)
KR (1) KR20240054469A (ko)
CN (1) CN117907339A (ko)

Also Published As

Publication number Publication date
CN117907339A (zh) 2024-04-19
US20240127425A1 (en) 2024-04-18

Similar Documents

Publication Publication Date Title
US9406117B2 (en) Inspection system and method for inspecting line width and/or positional errors of a pattern
US8045789B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
US7630535B2 (en) Die-to-die photomask defect detection using region data to modify inspection thresholds
JP4185516B2 (ja) 試料検査装置、試料検査方法及びプログラム
US7664308B2 (en) Photomask inspection apparatus comparing optical proximity correction patterns to minimum and maximum limits
US10163733B2 (en) Method of extracting defects
JP4323475B2 (ja) 試料検査装置、試料検査方法及びプログラム
US7359546B2 (en) Defect inspection apparatus and defect inspection method
US10846846B2 (en) Pattern inspection apparatus and pattern inspection method
US8811713B2 (en) Photomask inspection method, semiconductor device inspection method, and pattern inspection apparatus
JP2010153277A (ja) 荷電粒子線装置及び荷電粒子線装置による画像取得条件決定方法
KR20240054469A (ko) 결함 검출 장치 및 방법
WO2022230338A1 (ja) 欠陥を検出するシステム、及びコンピュータ可読媒体
US20200160496A1 (en) Pattern inspection apparatus and pattern inspection method
JP4629086B2 (ja) 画像欠陥検査方法および画像欠陥検査装置
US7834316B2 (en) Method for adjusting imaging magnification and charged particle beam apparatus
JP7144262B2 (ja) パターン検査装置及び参照画像の作成方法
JP2014206446A (ja) パターン検査方法
JP3652589B2 (ja) 欠陥検査装置
JP7222671B2 (ja) パターン検査装置及びパターン検査方法
JP7111496B2 (ja) パターン検査装置
CN116465917A (zh) 用于检测缺陷的系统和方法
JP2023103762A (ja) パターン検査装置及びパターン検査方法
CN116615645A (zh) 带电粒子射束检测系统中的基于拓扑结构的图像渲染
JP4554663B2 (ja) パターン検査装置及びパターン検査方法