TW201507045A - 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 - Google Patents

用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 Download PDF

Info

Publication number
TW201507045A
TW201507045A TW103112740A TW103112740A TW201507045A TW 201507045 A TW201507045 A TW 201507045A TW 103112740 A TW103112740 A TW 103112740A TW 103112740 A TW103112740 A TW 103112740A TW 201507045 A TW201507045 A TW 201507045A
Authority
TW
Taiwan
Prior art keywords
tool
wafer
images
segments
different groups
Prior art date
Application number
TW103112740A
Other languages
English (en)
Other versions
TWI603409B (zh
Inventor
Ashok V Kulkarni
Saibal Banerjee
Original Assignee
Kla Tencor Corp
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 Kla Tencor Corp filed Critical Kla Tencor Corp
Publication of TW201507045A publication Critical patent/TW201507045A/zh
Application granted granted Critical
Publication of TWI603409B publication Critical patent/TWI603409B/zh

Links

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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)

Abstract

提供用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣之方法及系統。該等實施例提供影像處理及圖案辨識演算法，及用於自SEM影像修補提取臨界區域用以當一半導體晶片之設計資料不可用時在一晶圓檢查系統中使用之一適應性取樣方法。該等實施例亦提供影像處理及圖案辨識演算法，用以使用來自一晶圓檢查系統之輸出在正常製程中有效率地發現臨界缺陷及顯著偏差，及一適應性取樣方法，用以選擇待在一高解析度檢閱或計量工具上檢查之晶圓位置。

Description

用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
1. 技術領域
本發明大體上係關於用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣。
2. 相關技術之描述
以下描述及實例無法憑藉此部分中之其等之內含物而被承認為先前技術。
半導體製造涉及一較大及複雜組之成像、蝕刻、沈積及平坦化程序以在一聚矽氧基板上構建次微米(低至幾十納米)幾何圖案。用於偵測大多數隨機及低概率系統缺陷之通常方法係在晶圓上使用一成像或散射光學工具(諸如KLA-Tencor 2900系列或KLA-Tencor 9800系列系統)來比較鄰近晶粒上之相同位置。然而，隨著容差之程序窗口變得更緊，此任務變得愈來愈有挑戰性。當標稱比較鄰近晶粒中之形同位置時，與晶圓處理中之較小變動耦合之工具雜訊(諸如歸因於影像抖動或其他來源之感測器雜訊及影像未對準)將雜訊引入不同量測中。
晶粒之設計佈局通常用於識別臨界區域(諸如高幾何密度之區域)及其中可顯露缺陷之其他所謂「熱點」。藉由將臨界區域自非臨界區域分離，可在臨界區域中執行一更敏感檢查，且在較小臨界區域中執 行一較不敏感檢查。2010年3月9日發佈之Kulkarni等人之美國專利第7,676,077號(該案以宛如全文闡述引用的方式併入本文中)描述此方法。然而，在諸多情況中，設計資訊可能無法輕易獲取。
據此，此將有利於發展用於晶圓檢查相關之應用之不具有上文所描述之缺點之一或多者之方法及/或系統。
各種實施例之以下描述不應依任何方式被理解為限制隨附技術方案之標的。
一實施例係關於用於適應性取樣之一電腦實施的方法。該方法包含使用一第一工具來掃描一晶圓之至少一部分，藉此產生該晶圓之至少部分之一或多個第一影像。第一工具能夠具有比一第二工具更高之一掃描速度，且第二工具能夠具有比第一工具更高之一解析度。該方法亦包含將一或多個第一影像分成片段及判定該等片段之各者之一特徵向量。另外，該方法包含使用一無監督叢集化演算法來叢集化特徵向量，藉此基於特徵向量而將片段分成不同群組，及自不同群組之一第一者選擇片段之一或多者，藉此創建不同群組之第一者之片段之一樣本。該方法進一步包含使用第二工具來獲取片段之樣本之一或多個第二影像。該方法亦包含基於一或多個第二影像而判定片段之樣本之一特性及使得所判定之特定與不同群組之第一者中之全部片段相關聯。另外，該方法包含針對不同群組之任何其他者而重複選擇、獲取、判定特性及相關聯步驟。分離、判定特徵向量、叢集化、選擇、獲取、判定特性及重複步驟由一或多個電腦系統執行。
上文所描述之方法可如文中進一步所描述而執行。另外，上文所描述之方法可包含文中所描述之任何其他方法之任何其他步驟。此外，上文所描述之方法可由文中所描述之系統之任何者執行。
另一實施例係關於在一電腦系統上可執行之一永久性電腦可讀 媒體儲存程式指令用以執行適應性取樣。電腦實施的方法包含上文所描述之方法之步驟。電腦可讀媒體可如文中所描述而被進一步組態。電腦實施的方法之步驟可如文中進一步所描述而執行。另外，程式指令可針對其而執行之電腦實施的方法可包含文中所描述之任何其他方法之任何其他步驟。
一額外實施例係關於經組態以執行適應性取樣之一系統。該系統包含經組態以掃描一晶圓之至少一部分，藉此產生該晶圓之至少部分之一或多個第一影像之一第一工具。該系統亦包含一或多個電腦系統，其等經組態用以將一或多個第一影像分成片段，判定該等片段之各者之一特徵向量、使用一無監督叢集化演算法來叢集化特徵向量，藉此基於特徵向量而將片段分成不同群組、及自不同群組之一第一者選擇片段之一或多者，藉此創建不同群組之第一者之片段之一樣本。該系統進一步包含經組態以獲取片段之樣本之一或多個第二影像之一第二工具。第一工具能夠具有比第二工具更高之一掃描速度，且第二工具能夠具有比第一工具更高之一解析度。一或多個電腦系統進一步經組態用以基於一或多個第二影像而判定片段之樣本之一特性、使得所判定之特定與不同群組之第一者中之全部片段相關聯、及針對不同群組之任何其他者而重複選擇片段之一或多者、獲取一或多個第二影像、判定特性及使得所判定之特性相關聯。該系統可如文中所描述被進一步組態。
10‧‧‧檢查系統
12‧‧‧晶圓
14‧‧‧適應性取樣模組
16‧‧‧分析系統
18‧‧‧設計資料
20‧‧‧缺陷位置
22‧‧‧影像分析系統
24‧‧‧迴路
200‧‧‧步驟
202‧‧‧步驟
204‧‧‧步驟
206‧‧‧步驟
208‧‧‧步驟
210‧‧‧步驟
212‧‧‧步驟
214‧‧‧步驟
216‧‧‧步驟
218‧‧‧步驟
300‧‧‧步驟
302‧‧‧步驟
303‧‧‧設計
304‧‧‧步驟
306‧‧‧步驟
308‧‧‧步驟
310‧‧‧步驟
312‧‧‧步驟
313‧‧‧設計
314‧‧‧步驟
316‧‧‧步驟
318‧‧‧步驟
320‧‧‧步驟
400‧‧‧永久性電腦可讀媒體
402‧‧‧程式指令
404‧‧‧電腦系統
500‧‧‧第一工具
502‧‧‧第二工具
504‧‧‧光源
506‧‧‧分束器
508‧‧‧折射光學元件
510‧‧‧晶圓
512‧‧‧偵測器
516‧‧‧晶圓
518‧‧‧偵測器
520‧‧‧電腦系統
600‧‧‧叢集工具
602‧‧‧工具
604‧‧‧工具
606‧‧‧工具
608‧‧‧晶圓支撐件
610‧‧‧軸
612‧‧‧軌道
614‧‧‧晶圓盒
616‧‧‧方向
618‧‧‧方向
620‧‧‧晶圓容器支撐件
622‧‧‧晶圓
624‧‧‧電腦系統
在閱讀以下詳細描述之後及在參考附圖之後將明白本發明之其他目標及優點，其中：圖1係繪示經組態用以適應性取樣之一系統之一實施例之一方塊圖；圖2係繪示用於臨界區域產生之適應性取樣之一方法之一實施例 之一流程圖；圖3係繪示用於快速真實缺陷發現之適應性取樣之一方法之一實施例之一流程圖；圖4係繪示可在一電腦系統上執行用以執行文中所描述之電腦實施的方法之一或多者之一永久性電腦可讀媒體儲存程式指令之一實施例之一方塊圖；及圖5至圖6係繪示經組態用於適應性取樣之一系統之各種實施例側視圖之示意圖。
儘管本發明易於以多種修改及替代形式呈現，然經由圖式中之實例來展示其之特定實施例且將在文中詳細描述。然而，應瞭解，至此之圖式及詳細描述不意欲將本發明限於所揭示之特定形式，但相反，本發明意欲涵蓋本發明之精神及範疇內之全部修改、等效物及替代，如由隨附申請專利範圍定義。
現轉向圖式，應注意該等圖式並非按照比例繪製。特定言之，圖式之一些元件之比例經過分誇張以強調元件之特性。亦應注意，圖式並非按照相同比例繪製。已使用相同元件符號來指示可經類似組態之一個以上圖式中所示之元件。除非文中另作說明，則所描述及展示之元件之任何者可包含任何適合的商業上可購得之元件。
一實施例係關於用於適應性取樣之一電腦實施的方法。該方法包含使用一第一工具來掃描一晶圓之至少一部分，藉此產生該晶圓之至少部分之一或多個第一影像。可依任何適合方式而執行掃描晶圓之至少部分。例如，第一工具可依一蛇形方式而掃描晶圓，且當晶圓被掃描時產生影像。第一工具可如文中所描述被進一步組態。
第一工具能夠具有比一第二工具更高之一掃描速度。換言之，第二工具無法具有與第一工具一樣高之一掃描速度。第二工具能夠具 有比第一工具更高之一解析度。換言之，第一工具無法具有與第二工具一樣高之一解析度。例如，第一工具可為一晶圓檢查工具且第二工具可為一高解析度缺陷檢閱工具或一高解析度計量工具或一晶粒之一所儲存之高解析度影像。在一此實例中，第一工具可為一光學或基於光之檢查系統，而第二工具可為一基於電子束之系統，諸如一掃描電子顯微鏡(SEM)。儘管文中關於一SEM進一步描述一些實施例，然應瞭解，全部實施例可包含一SEM或任何其他適合缺陷檢閱或計量工具或晶粒之一所儲存之高解析度影像(或使用其等而執行)。
在一些實例中，第一工具及第二工具可為實體上單獨工具。然而，在其他實例中，第一工具及第二工具可為由一晶圓處置子系統(例如一晶圓處置機器人或其他機械裝置)服務之一叢集工具之部分。文中進一步描述各種此等實施例。
該方法亦包含將一或多個第一影像分成片段，及判定該等片段之各者之一特徵向量。另外，該方法包含：使用一無監督叢集化演算法來叢集化特徵向量，藉此基於特徵向量而將片段分成不同群組；及自不同群組之一第一者選擇片段之一或多個者，藉此創建不同群組之第一者之片段之一樣本。該方法進一步包含使用第二工具來獲取片段之樣本之一或多個第二影像。該方法亦包含基於一或多個第二影像而判定片段之樣本之一特性，及使得所判定之特定與不同群組之第一者中之全部片段相關聯。另外，該方法包含針對不同群組之任何其他者而重複選擇、獲取、判定特性及相關聯步驟。分離、判定特徵向量、叢集化、選擇、獲取、判定特性及重複步驟由一或多個電腦系統執行。此等步驟之各者可如文中進一步所描述而執行。
上文所描述之一般方法具有諸多不同應用，包含：判定用於晶圓檢查之參數(例如晶圓上之臨界及非臨界區域、注意區域資訊等)；晶圓上所偵測之潛在缺陷(或事件)之檢閱及分類；及監測可疑晶圓雜 訊訊符。例如，文中所描述之實施例提供影像處理及圖案辨識演算法及用於自SEM影像修補提取臨界區域用以當一半導體晶片之設計資料不可用時(儘管其等亦可用於設計資料可用時之實例中)在晶圓檢查中使用之一適應性取樣方法。另外，文中所描述之實施例提供影像處理及圖案辨識演算法用以使用來自一晶圓檢查系統之輸出來有效率地發現正常製程中之臨界缺陷及顯著偏差，及一適應性取樣方法，用以選擇待在一相對較高解析度檢閱或計量工具上被檢查之晶圓位置。文中進一步詳細描述此等應用。
用於檢查處方創建或更改之適應性取樣
在諸多其中針對晶圓檢查而判定參數之情況下，設計資訊可能無法輕易可獲得。在此等情況下，文中所描述之實施例可用於使用一高解析度成像工具(諸如一SEM)及使用影像處理及圖案辨識技術來自較小臨界區域識別晶粒上之臨界區域。在此情況下，吾人可將SEM影像視為設計之一代理人，此係因為其具有展示在晶圓上之幾何形狀之細節足以允許將晶粒之臨界區域自晶粒之非臨界區域分離之解析度。
如今，SEM檢閱工具缺少通量以在一合理時間內成像一整個晶粒。因此，文中所描述之實施例建議在上文所描述之叢集化步驟中，首先分組自檢查工具(其通常具有優於一SEM工具之1000X通量)獲得之一整個晶粒之光學影像之部分，其基於被判定為上文所描述之特徵向量之光學性質(諸如灰階、紋理及晶粒對晶粒雜訊量測)，接著在上文所描述之選擇步驟中，自各群組取樣此等影像修補之一相對較小子集。第一工具可包含一或多個電腦系統，其經組態以將一或多個第一影像分成不同片段，且以判定不同片段之光學性質或特徵向量。例如，一或多個電腦系統可經組態以使用影像處理演算法來分析由第一工具所產生之影像。
在晶圓上呈現的不同幾何形狀將使得對應於其等之影像之部分 具有不同特徵向量(即使不同幾何形狀無法由第一工具解析)。因此，藉由基於其等之特徵向量而將影像之片段分成群組，片段將基本上基於對應於片段之幾何形狀而被分成群組。依此方式，藉由自不同群組取樣一或多個片段，可選擇表示呈現於晶圓上之幾何形狀之晶圓上之一組位置。
接著，第二更高解析度工具可成像對應於所選片段之晶圓上之位置，且自動分析此等位置以識別晶圓上之臨界區域。實施例亦包含基於分析先前組之SEM影像之結果而適應性地選擇待在SEM工具上被成像及分析之下一組位置。例如，在一實施例中，該方法包含基於所判定之片段之樣本之特性而更改針對其他不同群組之任何者而重複之選擇、獲取、判定特性及相關聯步驟之一或多者之一或多個參數。在一此實例中，該方法可包含基於分析由第二高解析度工具成像之先前片段之結果而選擇訪問片段之隨後群組。在另一實施例中，該方法包含基於一或多個第二影像之影像性質而更改針對不同群組之任何其他者而重複之選擇、獲取、判定特性及相關聯步驟之一或多者之一或多個參數。例如，用於選擇隨後組片段之分析可利用由第二工具成像直到該點之片段位置之影像性質。在一額外實施例中，該方法包含基於自一或多個第二影像判定之片段之設計內文而更改針對其他不同群組之任何者而重複之選擇、獲取、判定特性及相關聯步驟之一或多者之一或多個參數。例如，用於選擇隨後組片段之分析利用圍繞由第二工具成像直到該點之片段位置之設計內文。
此適應性取樣方法可顯著減少需要在SEM工具上檢查之位置之數目。此係因為，在各光學上類似的修補之群組內，幾何形狀係非常相似的。藉由在SEM上詳細分析一些此等位置，吾人可在SEM影像中之某些臨界區域與光學修補中之其等之對應外觀之間建立一對應性。當吾人對自動學習(使用機器學習原則)此關聯有信心時，吾人僅需要取 樣其中吾人對分類臨界及非臨界區域較無信心之該等群組。適應性選擇程序係可經利用以有效率地執行此學習之一般方法。在下一部分中提供此演算法之細節。
在其中自由第二工具產生之晶圓上之一或多個晶粒之一高解析度儲存影像獲取一或多個第二影像之實例中，一或多個第二影像可為自高解析度儲存影像提取之相對較小修補影像。可在執行該方法之前產生高解析度儲存影像。且在此實例中，第二工具可為一基於電子束之檢查工具，其可用於藉由使用一電子束來掃描實體晶圓而產生晶圓上之一或多個晶粒之一高解析度儲存影像、一電腦系統，其自晶圓之設計資料模擬高解析度儲存影像，或一光罩工具，其產生接近於一或多個晶粒將如何列印於一實體晶圓上之實體光罩之一高解析度影像。依此方式，由此「第二工具」產生之一影像可用於取代將由晶圓之一SEM檢閱工具產生之影像。獲取第二影像可藉由自所儲存之影像抓取影像修補而執行，而不是在獲取一或多個第二影像之步驟中移動該台且抓取一SEM檢閱工具上之SEM高解析度影像。
上文所描述之實施例可用於一或多個第一影像，無論缺陷是否在第一影像中被偵測。例如，在一實施例中，執行將一或多個第一影像分成片段，無論晶圓上之缺陷的位置。在一此實例中，晶圓上之一整體晶粒之一第一影像可被分為片段。依此方式，一些片段可含有晶圓上之缺陷的影像或資訊。在另一此實例中，第一影像可包含藉由掃描晶圓上之一或多個晶粒而獲取之一或多個條帶影像。換言之，由第一工具針對晶圓而產生之影像的全部或一部分可被分成片段，且全部該等片段可用於文中所描述之實施例中。相反地，文中所描述的一些其他實施例可僅使用由第一工具針對晶圓而產生之影像的一部分或全部來創建用於實施例中的片段。
用於缺陷檢閱及分類之適應性取樣
適應性取樣對於由一更低解析度但更高速度之晶圓檢驗器(諸如KLA-Tencor 2900系列工具(即第一工具)，其可檢查一晶圓及偵測感興趣的事件(潛在缺陷或晶圓製程變動))發現之事件(潛在缺陷)的有效檢閱及分類也是有用的。
當創建一檢查處方時，吾人無法知道待應用於晶粒之各種區域的適當臨限值，此係因為雜訊特性及「正常」程序變動係未知的。隨後之通常方法係執行一「熱」檢查處方(即其中用於判定一潛在缺陷存在之臨限值實質上接近於檢查之雜訊底之一檢查)，以導致數十萬「缺陷事件」被偵測，且接著選擇性地解諧不同區域中之處方，以便使用一可接受假警報(擾亂)速率來偵測相對較大數目個真實及臨界缺陷。
然而，關於各事件(即其是否是一真實缺陷或一擾亂點)之「底面實況」僅可藉由在一檢閱工具上執行該位置之一SEM檢閱來判定。一「擾亂點」或「擾亂點缺陷」係技術中通常使用之一術語，以指代在一晶圓上被偵測之一潛在缺陷，但其不是一使用者感興趣之一真實缺陷。依此方式，一「擾亂點缺陷」可僅為檢查所偵測之晶圓上的雜訊，其並非表示晶圓上之任何真實缺陷，或使用者並不關心之一真實缺陷。
手動檢閱全部數十萬所偵測之事件(例如使用一SEM檢閱工具)係是不實際的，此係因為此一檢閱中所涉及之時間。當前方法係手動創建一分類器、基於其等之光學性質來分組缺陷、取樣各群組(使用SEM工具)、手動分類此等缺陷，及反覆使用一經修改之分類器。若干輪乏味及通常特殊的方法係用以獲得接著用於進一步精緻化處方之感興趣之缺陷(DOI)之一較佳樣本。
相反地，文中所描述之實施例使用適應性取樣以自由檢驗器偵測之事件之一相對較大集用場自動識別各種缺陷。不同於上文所描述 之實施例，其中第一影像被分成片段，無論在第一影像中存在或不存在缺陷，此等實施例可基於由第一工具偵測之潛在缺陷而將第一影像分成片段。例如，在一此實施例中，該方法包含基於一或多個第一影像而在晶圓上偵測潛在缺陷，一或多個第一影像包含藉由掃描而獲取之條帶影像，且片段包含在所偵測之潛在缺陷之位置處獲取之修補影像。在一此實例中，當第一工具掃描晶圓時，可(例如使用一缺陷偵測方法及/或演算法)處理藉由掃描而產生之影像，且其中潛在缺陷被偵測之影像之部分可由第一工具抓取及儲存，使得其等可用於文中所描述之進一步步驟中。如文中所使用之術語「修補影像」係通常用於技術中之一術語以係指整體上可由一演算法或方法處理之一相對較小影像。例如，一「修補影像」可為圍繞一所偵測潛在缺陷或由一缺陷檢閱工具或計量工具在一給定位置處產生之一影像或自一高解析度儲存影像擷取之一影像之選定數目個像素。
如在其中適應性取樣用於識別晶粒之臨界區域之先前情況中，一類似方法可在此處用於藉由使用SEM分析之結果來有效率地自全部潛在缺陷之集合選擇最重要缺陷類型，從而反覆影響待被選擇用於下一個檢查之事件。例如，該方法可包含選擇晶圓上之一第一組事件位置、成像其中使用一高解析度工具(即第二工具)來由第一工具偵測事件之位置、且選擇待依一反覆方式被分析之一隨後組事件。當設計資料可用時，此方法可利用其以改良找出產率臨界缺陷之效率。
適應性取樣亦可基於由第一工具產生之結果而執行。例如，在一些實施例中，該方法包含基於不同群組中之片段之特徵向量及/或自一或多個第一影像判定之片段之設計內文而更改針對不同群組之任何其他者而重複之選擇、獲取、判定特性及相關聯步驟之一或多者之一或多個參數。換言之，用於選擇隨後組事件之分析可利用由第一工具在由第一工具偵測之事件位置之各者處提取之光學特徵。另外，或 替代地，用於選擇隨後組事件之分析可利用圍繞由第一工具偵測之事件位置之設計內文。用於缺陷檢閱之一適應性取樣演算法之細節使用在下一部分中給出之案例。
用於監測可疑雜訊訊符之適應性取樣
針對適應性取樣之第三使用案例係用於監測可疑晶圓雜訊訊符。藉由雜訊，吾人意指在對應的實質上相同(x,y)位置(相對於各晶粒之原點)處之鄰近晶粒之間之灰階中之觀察到的差異、或一晶粒位置與在一參考(例如一無缺陷晶粒)中之對應位置之間之差異。2010年9月14日發佈之Bhaskar等人之美國專利第7,796,804號(該案以宛如全文闡述引用的方式併入本文中)描述用於產生一標準參考晶粒(SRD)之各種方法及系統。通常，臨界尺寸(CD)在線寬上之變動可能不作為缺陷被偵測，但作為「雜訊」之一特定位準出現。此等CD變動亦在晶粒之一些區域(並非其他區域)中發生，或可在晶圓上之一些晶粒(並非其他晶粒)(例如相比於晶圓上之內部晶粒之邊緣晶粒)上發生。
由於由晶圓檢查系統及其等之速度提供之晶圓全面覆蓋，所以吾人可在一檢閱或計量工具上取樣此等雜訊訊符中之所選位置。例如，在一實施例中，特徵向量包含片段中之雜訊之一值，且特性包含形成於晶圓上且在一或多個第二影像中成像之經圖案化之特徵(例如CD)之一特性。雜訊之值可包含雜訊(諸如平均雜訊、中值雜訊、均值雜訊等)之任何適合值。當設計資料可用時，吾人可使用其以優先化待基於如自設計而判定其等之臨界而被訪問之晶粒位置。例如，在一實施例中，該方法包含判定與不同群組相關聯之針對晶圓之一設計之一部分及基於與不同群組相關聯之設計之部分針對選擇、獲取、判定特性及相關聯步驟而優先化不同群組。
由於SEM工具通常相對較慢，所以吾人希望盡可能有效率地使用其等，且仍確保(例如)未錯過臨界CD變動。在一晶圓點處之計量量測 可用於引導下一個訪問點之選擇。例如，在一實施例中，獲取一或多個第二影像包含使用第二工具來獲取片段之樣本中之一第一片段之一或多個第二影像，判定特性包含基於針對第一片段獲取之一或多個第二影像而判定第一片段之特性，且該方法包含基於針對第一片段所判定之特性而更改片段之樣本。在一此實施例中，若一點展示實質上接近於該點之容差限制之一量測，則吾人可取樣相對接近於其(在檢驗器上展現一類似事件信號)之其他點。依此方式，吾人可確認是否存在圍繞該位置之一系統CD變動。若在一叢集之此等雜訊位置中，吾人取樣一些位置，且發現CD量測較佳位於容差區間內，則無需再進一步取樣該訊符。依此方式，選擇程序可受直到該點所觀察之量測影響。
各種應用之進一步細節
圖1展示一適應性取樣系統之一實施例之架構。高速且較大區域覆蓋之檢查系統10(即第一工具)掃描晶圓12(步驟1)，且產生供應至適應性取樣模組14之結果。接著，晶圓12被運輸至更高解析度更低速分析系統16(即第二工具)，其可為一檢閱工具或一計量工具。此工具產生晶圓之一或多個第二影像(步驟2)。適應性取樣模組分析來自系統10之檢查結果，當設計資料18可用時加以使用，且產生待由更高解析度工具分析之一列缺陷位置20。更高解析度工具在該等位置處獲取資料。此資料(其可包含影像資料及量測)被發送至影像分析系統22。影像分析系統分析影像且分類及/或執行量測且將結果供應至適應性取樣模組14。適應性取樣模組使用此資訊以重新優先化接著由更高解析度工具訪問之晶圓上之該列位置。重複此迴路24直到已獲得特徵化由檢驗器偵測之該組事件之所要資訊。
如上文進一步所描述，實施例可用於SEM影像之適應性取樣，用以當設計不可用時定義晶圓檢查之臨界及非臨界區域。此部分描述自 SEM影像修補提取微小注意區域(MCA)用以在一晶圓檢查系統中使用之一方法。該目標是為了發展係可撓性之一系統，其中不同「規則」可用於提取感興趣的區域。此方法可用於其中設計不可用之情況中。圖2描述可經執行以產生檢查區域之步驟。
臨界區域產生之步驟(見圖2)：
1. 如圖2之步驟200中所示，一整體晶粒參考影像可自一光學檢驗器獲取。例如，可使用一適合成像模式及像素(其允許頂層幾何圖形之成像令人滿意)來在光學檢查工具上掃描一晶粒。
(如在圖2之步驟202中所示，該方法包含光學修補影像分析及分類，此可包含以下所描述之步驟2至4。)
2. 晶粒影像被分成N x N個窗口，例如31 x 31個像素。
3. 灰階紋理量測及雜訊量測自各N x N修補提取以構建一特徵向量。第一工具上之影像之分析可使用晶粒之各部分中之影像之性質，及影像之各此部分與晶圓上之一鄰近晶粒之影像之對應部分之間之差異之量測。例如，在一此實施例中，一或多個第一影像包含藉由自由第一工具針對一區域所產生之一影像減去晶圓上之一晶粒之一區域之一參考影像而產生之差異影像。
4. 接著，晶粒影像之不同部分被分成不同群組。例如，使用一無監督叢集化演算法來叢集化此等特徵向量。
(如在圖2之步驟204中所示，該方法接著可包含基於參考內文之臨界區域識別，此可包含以下所描述之步驟5至6。)
5. 針對第二工具上之分析自各群組選擇一代表組位置。例如，針對SEM影像獲取及分析自動選擇自各叢集之修補之一樣本。在一此實例中，如圖2之步驟206中所示，該方法包含優先佇列SEM樣本產生，其可如文中進一步所描述參考文中所描述之選擇步驟而執行。另外，如圖2之步驟208中所示，該方法可包含依優先化順序之SEM影像獲 取，其可如文中進一步所描述參考獲取一或多個第二影像之步驟而執行。
6. 自第二工具或自在所選位置處之一儲存高解析度晶粒影像獲得之影像經分析以判定具有臨界幾何圖形之影像之區域，其中臨界可由應用於鑒於一或多個第二影像之幾何特徵之一組基於幾何之規則定義。例如，可自動分析各SEM修補影像，提取其之幾何標記及臨界區域(其中「臨界」之定義由一組使用者供應之「規則」定義)。在一此實例中，如圖2之步驟210中所示，該方法包含SEM影像分析及分類。另外，如圖2之步驟212中所示，該方法包含SEM臨界區域識別。
7. SEM修補使用其等之對應光學修補印記。例如，如圖2之步驟214中所示，該方法包含找出對應於SEM影像之光學修補。
8. 來自SEM影像之臨界區域遮罩映射於光學修補上。SEM轉光學字典經更新以反映此映射。例如，如圖2之步驟216中所示，該方法包含SEM轉光學字典更新。該字典可包含光學子修補模板或描述子修補之一特徵向量或兩者。
9. 該字典應用於屬於與此光學修補相同之叢集(上文步驟4之結果)之全部其他修補。依此方式，以上分析之結果用於將晶粒影像分成具有不同臨界之區域。無論是否存在匹配字典值之一區域，對應晶粒位置被標記為一臨界區域。
10. 可當找出典型臨界區域時採用針對SEM取樣之一適應性方法。例如，若來自一特定叢集之樣本之SEM分析未展示臨界幾何圖形，則因此可跳過該叢集以減少所獲取之SEM樣本之數目及需進行之光學模板匹配。
11. 步驟9及10之結果係一組待針對潛在相關產率缺陷而檢查之晶粒上之臨界區域。換言之，分析之結果用於將晶圓上之各晶粒分成具有不同臨界之區域。例如，如圖2之步驟218中所示，該方法包含 MCA產生。
接著，該等區域或注意區域可用於基於不同區域之臨界而檢查晶圓及/或第一工具上之具有不同敏感性之其他晶圓。例如，在一實施例中，所判定之特性係片段之一臨界，且該方法包含將晶圓上之區域之一臨界判定為對應於區域之片段之臨界，及基於區域之臨界而檢查晶圓或另一晶圓。
基於區域之臨界而檢查晶圓可包含更改一既有處方以更新檢查處方中之注意區域，且接著使用檢查處方以檢查一或多個晶圓。然而，基於區域之臨界而檢查晶圓可包含創建包含區域之臨界之資訊之一新晶圓檢查處方。
一組使用者定義之規則可用於將區域分類為臨界或較小臨界。下文給出的是吾人可使用之規則之實例。可使用任何適合形態學形狀分析演算法來分析SEM影像以判定其等是否滿足一給定規則。
1. 提取其中線(幾何圖形)比D納米更接近之區域。
2. 提取具有相對較高曲率之區域(諸如線之隅角及端部)。
3. 提取具有相對較高曲率點(自一鄰近線比D納米更接近(幾何特徵))之區域。
4. 提取比D納米薄之線。
5. 提取其中線比D1納米薄且由小於D2納米間隔分離之區域
6. 具有以上特徵之任何布林函數：例如，其中存在一較高曲率(例如線之端部)及相對較窄空間之區域。
7. 亦可使用特徵之間之空間關係，例如兩個相對(定向)相對較高曲率點之間之一相對較薄空間(<D nm)。
如文中進一步所描述，實施例可用於SEM之適應性取樣用以快速發現臨界缺陷。此方法可在藉由在檢驗器上執行一熱處方(此可產生數十萬潛在缺陷事件)之最初檢查處方創建期間使用。此部分描述一 種用於基於學習字典(其將光學修補性質與SEM影像性質匹配且亦使用所觀察之雜訊訊符以解優先化可為由薄膜之光學效應及晶粒上之先前層幾何圖形引起之擾亂事件之缺陷)而優先化SEM檢閱之缺陷之方法(見圖3)。
用於快速發現真實缺陷之步驟(見圖3)：
1. 整個晶圓(或所選晶粒)經檢查以獲得包含圍繞缺陷位置(在缺陷及參考晶粒兩者中)之光學修補之一熱批次結果，此在圖3之步驟300中展示。
2. 如圖3中所示，該方法包含步驟302中所示之光學修補影像分析及分類及步驟304中所示之光學影像雜訊識別。例如，灰階紋理量測及雜訊量測可自各N x N像素修補提取以構建一特徵向量。可使用設計303(若其可用)來執行光學修補影像分析。如圖3之步驟306中所示，該方法包含基於參考內文之缺陷臨界識別。例如，若設計可用，則缺陷位置之臨界及源自缺陷信號及設計之其他特徵亦被計算，諸如密集幾何圖形中之缺陷能量對比於稀疏幾何圖形或空白區域上之缺陷能量之比率。
3. 使用一無監督叢集化演算法來叢集化此等特徵向量。
4. 針對SEM影像獲取及分析而自動選擇來自各叢集之修補之一樣本。例如，如圖3之步驟308中所示，該方法包含優先佇列SEM樣本產生。另外，如圖3之步驟310中所示，該方法包含依優先化順序之SEM影像獲取。
5. 如步驟312中所示，該方法包含SEM影像分析及分類。例如，各SEM修補自動與其之對應光學修補對準，或與設計313(若其可用)對準，且缺陷位置經分析以判定是否在此處存在一可觀察之缺陷，若存在，則為周圍幾何圖形之臨界(例如線及空間之密度等)。如圖3之步驟314中所示，若不存在可觀察之缺陷或若缺陷未定位於臨界幾何 圖形中，則該方法包含SEM擾亂點缺陷識別。另外，若一缺陷被觀察到及其定位於臨界幾何圖形中，則該方法包含SEM真實缺陷(即非擾亂點缺陷)臨界識別，如圖3之步驟316中所示。
6. 該方法亦可包含找出對應於SEM影像之光學修補(如圖3之步驟318中所示)及SEM轉光學字典更新(如圖3之步驟320中所示)。在一實施例中，所判定特性係判定一缺陷是否存在於對應於片段之樣本之位置處之晶圓上，且若存在一缺陷，則該方法包含判定缺陷之一或多個特性。例如，若未發現缺陷(即其係一擾亂事件)，則光學特徵向量作為一擾亂被記錄於SEM轉光學字典用以進一步參考。若發現一缺陷，則其在字典中被自動分類及記錄。事件之分析(例如判定一缺陷之一或多個特性)可使用一影像分析及分類演算法或藉由一人類分類事件來自動執行。在一實施例中，缺陷之一或多個特性包含描述缺陷之一分類編碼。在另一實施例中，判定特性包含量測晶圓上之幾何圖案。例如，第二工具上之所訪問之位置之分析可為晶圓上之幾何圖案或在該等位置處之遮罩或描述在該等位置處發現之異常之分類編碼之量測。
7. 在缺陷之樣本已依以上方式被自動分析之後，所學習之字典被應用於(迄今為止)未經取樣之缺陷，且缺陷基於其等係臨界區域中之真實缺陷且不是擾亂點缺陷之可能性被重新優先化。在下一部分中提供選擇方法之細節。
8. 接著，SEM檢閱之下一組樣本基於其等之優先分數而產生。
9. 重複以上反覆程序，其中各循環改良所學字典，且吾人最大化找出臨界缺陷之概率，而避免需要檢閱擾亂點或非臨界缺陷。
在一實施例中，依一反覆方式分析隨後組事件直到達到一些特定限制。例如，片段之各者可為由第一工具在晶圓上所偵測之一潛在缺陷之一修補影像，且針對不同群組之任何者執行重複選擇、獲取、 判定特性及相關聯步驟直到達到一限制。所達到的限制係由該解析度工具分析的固定數目個事件位置(即使用第二工具針對其而獲取一或多個第二影像之在晶圓上被偵測的固定數目個潛在缺陷)、由第一工具在晶圓上偵測之事件或潛在缺陷之分類精確度之某一經指定的位準，或見於一或多個第二影像中之事件(類別或分類)或真實缺陷之類型的某一加權量測。
在一實施例中，片段之各者係由第一工具在晶圓上偵測之一潛在缺陷之一修補影像，且藉由選擇最大化一目標函數(其估計產生一或多個第二影像之值或成本)之一值或最小化其之成本之片段的樣本(針對其產生一或多個第二影像)來執行獲取、判定特性、相關聯及重複步驟。換言之，分析可基於最大化(或最小化)一目標函數，該目標函數估計在第二工具上成像迄今為止未經成像之位置之各者的值(或成本)，且選擇將最大化該值(或最小化該成本)的位置(一或多者)。在一實施例中，在執行該方法之前設定目標函數。在另一實施例中，基於在一或多個第二影像中偵測之缺陷之類型，於該方法期間修改目標函數。例如，目標函數可在適應性取樣程序之開始處被設定，或基於由高解析度工具發現之缺陷之類型而由一使用者在適應循環中之任何點處修改。另外，目標函數可在該方法期間基於由一使用者之設定之偏好而被自動修改。在另一實施例中，目標函數基於在該方法期間所接收之來自一使用者之輸入而被修改。例如，可在程序期間由使用者本身手動修改目標函數，此取決於她依一動態方式觀察到的事物(即該等方法為使用者提供改變她意見的方式(若需如此))。在下一部分中，描述缺陷計分及樣本選擇方法。
如上文所描述，實施例提供用於適應性取樣之一缺陷選擇方法。在此部分中，吾人提供一較佳實施例之描述。應瞭解，該實施例係例示性的，且不限制本發明之廣度及範疇，且僅提供其之描述，以 使得熟悉此項技術者能夠完成或使用本發明。
假定存在分別具有與啟示成本(簡而言之為標記成本)c0,...,cm-1有關之積極標記之使用0,...,m-1為索引之m個類別標記。注意，允許標記成本取決於在學習程序之任何階段處之使用者裁量而改變。考量學習程序在其上發生之n個特徵點之全域U。在學習之一特定階段，使P U指示類別標記尚未公開之「永久」特徵點之集合；相反地，暫時集合T=S\P係類別標記尚未顯示之S中之特徵點之集合。吾人應將一組態G叫做2元G=(P,T)。
針對P中之每一特徵點，其之類別標記係已知的。因此，其之目標函數C(P)係可部分被定義為P中之點之標記成本之總和之一成本函數。形式上，
其中l(x)指示特徵點x之所顯示之標記。
相反地，針對一特徵點x T，其之標記係未知的。使pi(x)為x之 標記係之概率。隨著學習之繼續，此等估計 值變得更好，且因此相對於標記之集合T之全部不確定性U(T)降低。
若X指示特徵點x T之隨機變數，則點x之標記不確定性u(x)可經定義為隨機變數X之H(X)熵(參見定義，T.M.Cover及J.A.Thomas,Elements of Information Theory，第二版，Hoboken,New Jersey：John Wiley & Sons,Inc.,2006，該案之全文以宛如全文闡述引用的方式併入本文中)。因此，
因此，擷取T中之全部特徵點之全部標記不確定性之目標函數 U(T)可被定義為：
適應性程序可被描述為如下：
1. 給定組態Gt=(Pt,Tt)，選擇
2. Tt+1=Tt\{x}
3. Pt+1=Pt U{x}
4. 顯示x之隱藏標記l(x)，且更新概率pi(x)。
5. 產率新組態Gt+1=(Pt+1,Tt+1)。
選擇之方法將包括自Tt選擇一候選點x，及若在步驟t處選 擇x，則完成估計值C(Pt+1)之(Pt+1；x)及U(Tt+1)之Û(Tt+1；x)。估計值(Pt+1；x)及Û(Tt+1；x)係此等個別目標函數之期望值。接著，藉由組合(Pt+1；x)與Û(Tt+1；x)而選擇此等候選點之最佳者。此組合可為相加的、相乘的或使用組合此等兩個數量之一些其他方法。可使用文獻中所描述之各種方法之任何者來更新概率pi(x)(參見，例如R.O.Duda及P.E.Hart,Pattern Classification and Scene Analysis,New York：John Wiley & Sons,Inc.,1973，該案之全文以宛如全文闡述引用的方式併入本文中)。
上文所描述之方法之實施例之各者可包含文中所描述之任何其他方法之任何其他步驟。此外，上文所描述之方法之實施例之各者可由文中所描述之系統之任何者執行。
文中所描述之全部方法可包含出將方法實施例之一或多個步驟之結果儲存於一永久性電腦可讀儲存媒體。該等結果可包含文中所描述之結果之任何者，且可依於技術中已知的任何方法儲存。儲存媒體可包含文中所描述之任何儲存媒體或技術中已知的任何其他適合儲存 媒體。在已儲存結果之後，該等結果可於儲存媒體中存取，且由文中所描述之方法或系統實施例之任何者使用、經格式化以顯示給一使用者、由另一軟體模組、方法或系統使用等。例如，在該方法偵測缺陷之後，該方法可包含將關於所偵測之缺陷之資訊儲存於一儲存媒體中。
一額外實施例係關於儲存可在一電腦系統上執行以執行適應性取樣之程式指令之一永久性電腦可讀媒體。在圖4中展示一此實施例。特定言之，如圖4中所示，永久性電腦可讀媒體400包含可在電腦系統404上執行之程式指令402。電腦實施的方法包含上文所描述之方法之步驟。程式指令可針對其執行之電腦實施的方法可包含文中所描述之任何其他步驟。
實施諸如文中所描述之該等方法之方法之程式指令402可被儲存於電腦可讀媒體400上。電腦可讀媒體可為一儲存媒體，諸如一磁碟或光碟、一磁帶或技術中已知的任何其他適合的永久性電腦可讀媒體。
程式指令可依各種方式之任何者實施，尤其包含基於程序之技術、基於組件之技術及/或物件導向技術。例如，可使用ActiveX控制、C++物件、JavaBeans、微軟基礎類別(「MFC」)或其他技術或方法來實施程式指令(如所期望)。
電腦系統可採用各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。一般而言，術語「電腦系統」可被廣泛定義為包含具有一或多個處理器之任何裝置，其執行來自一記憶體媒體之指令。電腦系統亦可包含技術中已知的任何適合的處理器，諸如一平行處理器。另外，電腦系統可包含具有高速處理及軟體之一電腦平台，作為一分立或網路工具。
另一實施例係關於一種經組態以執行適應性取樣之系統。在圖5 中展示此一系統之一實施例。該系統包含一第一工具，其經組態以掃描一晶圓之至少一部分，藉此產生晶圓之至少部分之一或多個第一影像。例如，如圖5中所示，該系統包含第一工具500。第一工具可如文中進一步所描述而被進一步組態。例如，第一工具可係比較第二工具502(其亦包含於系統中且在下文進一步描述)之一相對較高速、低解析度工具。在一此實例中，第一工具可為一基於光或光學、晶圓檢查系統，包含自供應商(諸如加州苗必達KLA-Tencor)商業上可購得之該等系統之任何者。
如圖5中所示，第一工具包含光源504。光源504可包含技術中已知的任何適合光源，諸如一雷射。光源504經組態以將光導引至分束器506，該分束器經組態以將來自光源504之光反射至折射光學元件508。折射光學元件508經組態以將來自分束器506之光聚焦於晶圓510。分束器506可包含任何適合分束器，諸如一50/50分束器。折射光學元件508可包含任何適合折射光學元件，且儘管在圖5中將折射光學元件508展示為一單一折射光學元件，然其可由一或多個折射光學元件及/或一或多個反射光學元件取代。
因此，光源504、分束器506及折射光學元件508可為第一工具形成一照明通道。照明通道可包含任何其他適合元件(圖5中未展示)，諸如一或多個極化組件及一或多個濾波器(諸如濾光片)。如圖5中所示，光源、分束器及折射光學元件經組態使得光依一法向或實質上法向的入射角度被導引至晶圓。然而，光可依任何其他適合的入射角度被導引至晶圓。
第一工具可經組態以依任何適合方式經由晶圓而掃描光。
歸因於照明之自晶圓510反射之光可由折射光學元件508收集，且透過分束器506被導引至偵測器512。因此，折射光學元件、分束器及偵測器可形成第一工具之一偵測通道。偵測器可包含技術中已知的 任何適合的成像偵測器，諸如一電荷耦合裝置(CCD)。此偵測通道亦可包含一或多個額外組件(圖5中未展示)，諸如一或多個極化組件、一或多個空間濾波器、一或多個濾光片及其相似者。偵測器512經組態以產生回應於由偵測器偵測之反射光之一或多個第一影像。
如上文所描述，包含於第一工具中之偵測器可經組態以偵測自晶圓反射之光。因此，包含於第一工具中之偵測通道可經組態為一明場(BF)通道。然而，第一工具可包含可用於偵測歸因於晶圓之照明而自晶圓散射之光之一或多個偵測通道(未展示)。另外，圖5中所示之偵測通道之一或多個參數可經更改使得偵測通道偵測自晶圓散射之光。依此方式，第一工具可經組態為一暗場(DF)工具及/或一BF工具。
如上文所提及，系統亦包含第二工具502。第二工具經組態以獲取片段之樣本之一或多個第二影像，如文中進一步所描述。第二工具502可經組態為一電子束檢閱(EBR)工具，包含自供應商(諸如KLA-Tencor)商業上可購得之任何電子束缺陷檢閱工具。第二工具502亦可經組態或替代地經組態為包含自供應商(諸如KLA-Tencor)商業上可購得之任何計量工具之一計量工具。計量工具可為基於電子束的，諸如一SEM或一基於光之系統，諸如一基於CD散射量測之工具。第二工具可如文中所描述而被進一步組態。例如，第二工具可能具有比第一工具更高之一解析度，但可能不具有與第一工具一樣高之一速度。換言之，第一工具可能具有比第二工具更高之一掃描速度。在一此實例中，第一工具可經組態以經由晶圓之一相對較大部分而掃描光，同時獲取輸出(例如影像或影像資料)，但第二工具可經組態以僅掃描晶圓之一實質上小部分，同時(例如依一移動-獲取-量測之類型之方式)獲取輸出。
在圖5中將第二工具展示為具有用於一SEM之一般組態。特定言 之，如圖5中所示，第二工具可包含電子束源514，其經組態以產生由一或多個聚焦及/或導引元件(未展示)依一適合的入射角度而導引至晶圓516之一電子束。歸因於入射於其上之電子束之自晶圓返回之電子可由偵測器518偵測。可使用任何適合的聚焦及/或導引元件(未展示)來將自晶圓返回之電子導引及聚焦於偵測器上。偵測器518可包含任何適合的成像偵測器，其回應於自晶圓返回之電子而可產生文中所描述之一或多個第二影像。
該系統亦包含耦合至第一工具及第二工具之一或多個電腦系統。例如，一或多個電腦系統可耦合至第一工具及第二工具之偵測器。在一此實例中，如圖5中所示，一或多個電腦系統包含(例如由藉由圖5中之虛線所示之一或多個傳輸媒體，其可包含技術中已知的任何適合的傳輸媒體)耦合至第一工具500之偵測器512及第二工具502之偵測器518之電腦系統520。電腦系統可依任何適合方式耦合至偵測器。在另一實例中，一或多個電腦系統可耦合至第一工具及第二工具之個別電腦系統(未展示)。電腦系統可依任何其他適合方式耦合至第一工具及第二工具，使得由第一工具及第二工具產生之晶圓之影像及任何其他資訊可被發送至電腦系統，且視情況而定，使得電腦系統可發送指令至第一工具及/或第二工具以執行文中所描述之一或多個步驟(例如使用第二工具來獲取一或多個第二影像)。
一或多個電腦系統(例如電腦系統520)經組態用以將一或多個第一影像分成片段、判定該等片段之各者之一特徵向量、使用無監督叢集化演算法來叢集化特徵向量及自不同群組之一第一者選擇片段之一或多者，藉此創建不同群組之第一者之片段之一樣本。此等步驟之各者可如文中所描述而被進一步執行。一或多個電腦系統亦經組態用以基於由第二工具獲取之一或多個第二影像而判定片段之樣本之一特性、使所判定之特性與不同群組之第一者中之全部片段相關聯、且重 複選擇一或多個片段、獲取一或多個第二影像、判定特性及使不同群組之任何其他者之所判定特性相關聯。此等步驟之各者可如文中所進一步描述而執行。另外，電腦系統可經組態以執行文中所描述之任何其他步驟。圖5中所示之系統可如文中所描述而被進一步組態。
應注意，文中提供圖5以大體上繪示可包含於文中所描述之系統實施例中之第一工具及第二工具之一組態。明顯地，文中所描述之第一工具及第二工具之組態可經更改以最佳化如當設計一商業檢查、缺陷檢閱或計量系統時通常所執行之系統之效能。另外，文中所描述之系統可(例如藉由將文中所描述之功能添加至一既有檢查系統)使用一既有檢查系統(諸如自KLA-Tencor商業上可購得之作為第一工具之28XX、29XX及Puma 9XXX系列工具)來實施。針對一些此等系統，文中所描述之方法可作為系統之任選功能(例如除了系統之其他功能)而被提供。替代地，文中所描述之系統可「從頭開始」設計以提供一完全新的系統。
如上文所描述，第一工具及第二工具可為由一晶圓處置子系統(例如一晶圓處置機器人)服務之一叢集工具之部分。在圖6中展示一此實施例。圖6中所示之系統經組態為叢集工具600，其包含由一共同晶圓處理器服務之兩個或兩個以上晶圓檢查、缺陷檢閱等工具(即產率控制相關之工具)。在圖6中所示之實施例中，叢集工具包含工具602、604及606。如圖6中所示，一些工具可經定位於其他工具之上方或下方，或可並排配置一些工具。例如，工具602及604經垂直配置於叢集工具內，且工具602及604與工具606並排配置。工具602、604及606之一或多者可經組態為文中進一步所描述之第一工具，且一或多個工具602、604及606可經組態為文中進一步所描述之第二工具。在一實例中，工具602可經組態為文中所描述之第一工具(即一高速檢查工具)，且工具604及606可經組態為文中所描述之不同類型之第二工 具(例如一缺陷檢閱工具及一計量工具)。叢集工具可包含產率相關之工具之任何組合。
如圖6中進一步所示，叢集工具可包含在圖6中被展示為附接至軸610(其耦合至軌道612)之晶圓支撐件608之一晶圓處置子系統。晶圓支撐件可包含可自晶圓盒614或其他適合的晶圓容器移除晶圓且將晶圓放置於其等中之任何適合的機械及/或機器人裝置。該裝置亦可經組態以自包含於叢集工具中之各種工具移除晶圓，且將晶圓放置於該等工具中。軸亦可耦合至任何適合的機械及/或機器人裝置，使得軸可在垂直位於叢集工具內之方向616及水平沿著軌道之方向618上移動晶圓支撐件。
在圖6中所示之實例中，當晶圓盒614被放置於晶圓容器支撐件620上時，盒中之晶圓622之一者可由晶圓處置子系統移除，且被放置於第一工具中(例如工具602、604及606之一者)中。一或多個第一影像可由如文中所描述之第一工具產生，且被發送至包含於系統中之電腦系統624。電腦系統可執行文中所描述之步驟之任何者，該等步驟包含創建第二影像將針對其而由第二工具獲取之一樣本。在第一影像已產生之後，晶圓處置子系統可自第一工具移除晶圓，且接著將晶圓放置於第二工具中(例如工具602、604及606之一其他者)。接著，第二工具可產生如文中所描述之晶圓之第二影像。第二影像可被發送至電腦系統624，其可執行文中所描述之任何其他步驟。圖6中所示之元件之各者可如文中所描述而被進一步組態。另外，儘管在圖6中展示一叢集工具之一組態，然應瞭解，文中所描述之系統可具有技術中已知的任何適合的叢集工具組態。
熟悉此項技術者將鑒於此描述明白本發明之各種態樣之進一步修改及替代實施例。例如，提供用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣之方法及系統。據此，此描述僅被理解為繪示性 的，且係針對將執行本發明之一般方式教導給熟悉此項技術者之目的。應瞭解，文中所展示及描述之本發明之形式意欲作為目前較佳實施例。元件及材料可代替文中所繪示及描述之該等元件及材料。可顛倒部件及程序，且可獨立利用本發明之某些特徵，其全部在具有本發明之此描述之優點之後熟悉此項技術者將明白。在不背離如以下申請專利範圍中所描述之本發明之精神及範疇之情況下在文中所描述之元件中可進行改變。
200‧‧‧步驟
202‧‧‧步驟
204‧‧‧步驟
206‧‧‧步驟
208‧‧‧步驟
210‧‧‧步驟
212‧‧‧步驟
214‧‧‧步驟
216‧‧‧步驟
218‧‧‧步驟

Claims (35)

  1. 一種用於適應性取樣之電腦實施的方法，其包括：使用一第一工具來掃描一晶圓之至少一部分，藉此產生該晶圓之至少該部分之一或多個第一影像，其中該第一工具能夠具有比一第二工具更高之一掃描速度，且其中該第二工具能夠具有比該第一工具更高之一解析度；將該一或多個第一影像分成片段；判定該等片段之各者之一特徵向量；使用一無監督叢集化演算法來叢集化該等特徵向量，藉此基於該等特徵向量來將該等片段分成不同群組；自該等不同群組之一第一者選擇該等片段之一或多者，藉此創建該等不同群組之該第一者之片段之一樣本；使用該第二工具來獲取片段之該樣本之一或多個第二影像；基於該一或多個第二影像來判定片段之該樣本之一特性；使該所判定之特性與該等不同群組之該第一者中之全部該等片段相關聯；及針對該等不同群組之任何其他者，重複該等選擇、獲取、判定該特性及相關聯步驟，其中該等分離、判定該特徵向量、叢集化、選擇、獲取、判定該特性及重複步驟係由一或多個電腦系統執行。
  2. 如請求項1之方法，其中該所判定之特性係該等片段之一臨界，且其中該方法進一步包括將該晶圓上之區域之一臨界判定為對應於該等區域之該等片段之該臨界，及基於該等區域之該臨界來檢查該晶圓或另一晶圓。
  3. 如請求項1之方法，其中該一或多個第一影像包括由該第一工具 針對該一區域產生之一影像減去該晶圓上之一晶粒之一區域之一參考影像而產生的差異影像。
  4. 如請求項1之方法，其中該所判定特性係該等片段之一臨界，且其中該臨界係由應用於見於該一或多個第二影像之幾何特徵之一組基於幾何的規則所定義。
  5. 如請求項1之方法，其中該所判定特性係該等片段之一臨界，且其中該方法進一步包括將該晶圓上之一晶粒之一影像分成具有不同臨界的區域。
  6. 如請求項1之方法，其中執行將該一或多個第一影像分成該等片段，無論該晶圓上之缺陷的位置。
  7. 如請求項1之方法，進一步包括基於該一或多個第一影像而在該晶圓上偵測潛在缺陷，其中該一或多個第一影像包括藉由該掃描而獲取之條帶影像，且其中該等分段包括在該等所偵測之潛在缺陷之位置處獲取的修補影像。
  8. 如請求項1之方法，其中該所判定之特性係判定一缺陷是否存在於對應於片段之該樣本之位置處之該晶圓上，且若存在一缺陷，則該方法進一步包括判定該缺陷之一或多個特性。
  9. 如請求項8之方法，其中判定該缺陷之該一或多個特性係由一影像分析及分類演算法自動執行。
  10. 如請求項8之方法，其中該缺陷之該一或多個特性包括描述該缺陷之一分類編碼。
  11. 如請求項1之方法，其中判定該特性包括量測該晶圓上之幾何圖案。
  12. 如請求項1之方法，進一步包括基於該等不同群組中之該等片段之該等特徵向量而更改針對該等任何其他不同群組所重複之該等選擇、獲取、判定該特性及相關聯步驟之一或多者的一或多 個參數。
  13. 如請求項1之方法，進一步包括基於自該一或多個第一影像判定之該等片段的設計內文而更改針對該等任何其他不同群組所重複之該等選擇、獲取、判定該特性及相關聯步驟之一或多者的一或多個參數。
  14. 如請求項1之方法，進一步包括基於片段之該樣本之該所判定的特性而更改針對該等任何其他不同群組所重複之該等選擇、獲取、判定該特性及相關聯步驟之一或多者的一或多個參數。
  15. 如請求項1之方法，進一步包括基於該一或多個第二影像的影像性質而更改針對該等任何其他不同群組所重複之該等選擇、獲取、判定該特性及相關聯步驟之一或多者的一或多個參數。
  16. 如請求項1之方法，進一步包括基於自該一或多個第二影像所判定之該等片段的設計內文而更改針對該等任何其他不同群組所重複之該等選擇、獲取、判定該特性及相關聯步驟之一或多者的一或多個參數。
  17. 如請求項1之方法，其中該等片段之各者係由該第一工具在該晶圓上偵測之一潛在缺陷之一修補影像，且其中執行針對該等不同群組之任何其他者而重複該等選擇、獲取、判定該特性及相關聯步驟直到達到一限制。
  18. 如請求項17之方法，其中該限制係固定數目個在該晶圓上所偵測之該等潛在缺陷，針對其等，使用該第二工具來獲取該一或多個第二影像。
  19. 如請求項17之方法，其中該限制係該第一工具在該晶圓上偵測之該等潛在缺陷之一分類精確度。
  20. 如請求項17之方法，其中該限制係見於該一或多個第二影像之真實缺陷之類型之一加權量測。
  21. 如請求項1之方法，其中該等片段之各者係由該第一工具在該晶圓上偵測之一潛在缺陷之一修補影像，且其中藉由選擇該一或多個第二影像針對其而產生之片段之該樣本，執行該等獲取、判定該特性、相關聯及重複步驟，此最大化估計產生該一或多個第二影像之一值或一成本之一目標函數之該值，或最小化該目標函數之該成本。
  22. 如請求項21之方法，其中在執行該方法之前，設定該目標函數。
  23. 如請求項21之方法，其中在該方法期間，基於在該一或多個第二影像中偵測之缺陷的類型而修改該目標函數。
  24. 如請求項23之方法，其中該目標函數經部分定義為該等特徵點之一集合中之特徵點之標記成本之總和之一成本函數。
  25. 如請求項23之方法，其中在該方法期間，基於由一使用者設定之偏好而自動修改該目標函數。
  26. 如請求項23之方法，其中基於在該方法期間接收之來自一使用者之輸入而修改該目標函數。
  27. 如請求項1之方法，其中該等特徵向量包括該等片段中之雜訊之一值，且其中該特性包括形成於該晶圓上且在該一或多個第二影像中成像之經圖案化之特徵之一特性。
  28. 如請求項27之方法，進一步包括判定與該等不同群組相關聯之該晶圓之一設計的一部分，及基於與該等不同群組相關聯之該設計之該部分，針對該等選擇、獲取、判定該特性及相關聯步驟來優先化該等不同群組。
  29. 如請求項27之方法，其中該獲取包括使用該第二工具來獲取片段之該樣本中之一第一片段之該一或多個第二影像，其中判定該特性包括基於針對該第一片段而獲取之該一或多個第二影像 來判定該第一片段之該特性，且其中該方法進一步包括基於針對該第一片段所判定之該特性來更改片段之該樣本。
  30. 如請求項1之方法，其中該第二工具係一缺陷檢閱工具。
  31. 如請求項1之方法，其中該第二工具係一計量工具。
  32. 如請求項1之方法，其中該一或多個第二影像自由該第二工具產生之該晶圓上之一或多個晶粒之一高解析度儲存影像獲取。
  33. 如請求項1之方法，其中該第一工具及該第二工具係一晶圓處置子系統服務之一叢集工具的部分。
  34. 一種永久性電腦可讀媒體，其儲存可在一電腦系統上執行之程式指令，用以執行適應性取樣，其中該電腦實施的方法包括：獲取藉由使用一第一工具來掃描該晶圓之至少該部分而產生之一晶圓之至少一部分之一或多個第一影像，其中該第一工具能夠具有比一第二工具更高之一掃描速度，且其中該第二工具能夠具有比該第一工具更高之一解析度；將該一或多個第一影像分成片段；判定該等片段之各者之一特徵向量；使用一無監督叢集化演算法來叢集化該等特徵向量，藉此基於該等特徵向量來將該等片段分成不同群組；自該等不同群組之一第一者選擇該等片段之一或多者，藉此創建該等不同群組之該第一者之片段之一樣本；使用該第二工具來獲取片段之該樣本之一或多個第二影像；基於該一或多個第二影像而判定片段之該樣本之一特性；使該所判定之特性與該等不同群組之該第一者中的全部該等片段相關聯；及針對該等不同群組之任何其他者，重複該等選擇、獲取該一或多個第二影像、判定該特性及相關聯步驟。
  35. 一種經組態以執行適應性取樣之系統，其包括：一第一工具，其經組態以掃描一晶圓之至少一部分，藉此產生該晶圓之至少該部分之一或多個第一影像；一或多個電腦系統，其經組態用以：將該一或多個第一影像分成片段；判定該等片段之各者之一特徵向量；使用一無監督叢集化演算法來叢集化該等特徵向量，藉此基於該等特徵向量來將該等片段分成不同群組；及自該等不同群組之一第一者選擇該等片段之一或多者，藉此創建該等不同群組之該第一者之片段之一樣本；及一第二工具，其經組態以獲取片段之該樣本之一或多個第二影像，其中該第一工具能夠具有比該第二工具更高之一掃描速度，其中該第二工具能夠具有比該第一工具更高之一解析度，及其中該一或多個電腦系統經進一步組態用以：基於該一或多個第二影像來判定片段之該樣本之一特性；使該所判定之特性與該等不同群組之該第一者中的全部該等片段相關聯；及針對該等不同群組之任何其他者，重複選擇該一或多個該等片段、獲取該一或多個第二影像、判定該特性及使該所判定之特性相關聯。
TW103112740A 2013-04-08 2014-04-07 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 TWI603409B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201361809417P 2013-04-08 2013-04-08
US14/228,023 US9098891B2 (en) 2013-04-08 2014-03-27 Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology

Publications (2)

Publication Number Publication Date
TW201507045A true TW201507045A (zh) 2015-02-16
TWI603409B TWI603409B (zh) 2017-10-21

Family

ID=51654504

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103112740A TWI603409B (zh) 2013-04-08 2014-04-07 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣

Country Status (4)

Country Link
US (1) US9098891B2 (zh)
KR (1) KR102083706B1 (zh)
TW (1) TWI603409B (zh)
WO (1) WO2014168884A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI618977B (zh) * 2015-10-27 2018-03-21 Nuflare Technology Inc Mask inspection method and mask inspection device
CN108028210A (zh) * 2015-09-21 2018-05-11 科磊股份有限公司 用于使用灵活取样的过程控制的方法及系统
CN108352336A (zh) * 2015-08-24 2018-07-31 科磊股份有限公司 确定样品上所关注图案的一或多个特性
TWI663667B (zh) * 2016-11-03 2019-06-21 以色列商應用材料以色列公司 用於在檢查物件時自我調整取樣的方法和其系統
CN110709688A (zh) * 2017-04-13 2020-01-17 英卓美特公司 用于预测在装配单元中的缺陷的方法
US10754260B2 (en) 2015-06-18 2020-08-25 Kla-Tencor Corporation Method and system for process control with flexible sampling
TWI725534B (zh) * 2016-12-12 2021-04-21 美商應用材料股份有限公司 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選
US11010665B2 (en) 2015-12-22 2021-05-18 Applied Material Israel, Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI734724B (zh) * 2016-01-04 2021-08-01 美商克萊譚克公司 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體
TWI739391B (zh) * 2019-06-25 2021-09-11 日商東芝三菱電機產業系統股份有限公司 資料收集裝置、設備監視系統及資料收集方法
TWI751376B (zh) * 2017-08-30 2022-01-01 美商克萊譚克公司 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
TWI769262B (zh) * 2017-06-05 2022-07-01 美商克萊譚克公司 用於偵測複製機缺陷之系統與方法及用於過濾干擾之方法
TWI811218B (zh) * 2017-08-11 2023-08-11 南韓商三星電子股份有限公司 晶圓圖分析器及分析晶圓圖的方法

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9129715B2 (en) 2012-09-05 2015-09-08 SVXR, Inc. High speed x-ray inspection microscope
US9430824B2 (en) * 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
US9401016B2 (en) 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
US9835566B2 (en) 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US10177048B2 (en) 2015-03-04 2019-01-08 Applied Materials Israel Ltd. System for inspecting and reviewing a sample
WO2016177548A1 (en) 2015-05-07 2016-11-10 Asml Netherlands B.V. Metrology method and apparatus, computer program and lithographic system
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10325363B2 (en) * 2016-01-15 2019-06-18 Instrumental, Inc. Methods for automatically generating a common measurement across multiple assembly units
US10127651B2 (en) 2016-01-15 2018-11-13 Kla-Tencor Corporation Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
KR102483787B1 (ko) * 2016-02-25 2023-01-04 에스케이하이닉스 주식회사 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
US11443083B2 (en) * 2016-05-12 2022-09-13 Asml Netherlands B.V. Identification of hot spots or defects by machine learning
US11010886B2 (en) 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10146036B2 (en) 2016-06-07 2018-12-04 Globalfoundries Inc. Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects
WO2018014138A1 (en) 2016-07-22 2018-01-25 Lynx Inspection Inc. Inspection method for a manufactured article and system for performing same
US10706522B2 (en) 2016-11-08 2020-07-07 Kla-Tencor Corporation System and method for generation of wafer inspection critical areas
JP6358351B1 (ja) * 2017-03-21 2018-07-18 Ｊｆｅスチール株式会社 表面欠陥検査方法及び表面欠陥検査装置
US10474042B2 (en) 2017-03-22 2019-11-12 Kla-Tencor Corporation Stochastically-aware metrology and fabrication
US10598617B2 (en) 2017-05-05 2020-03-24 Kla-Tencor Corporation Metrology guided inspection sample shaping of optical inspection results
US11270430B2 (en) * 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
US10790114B2 (en) * 2017-06-29 2020-09-29 Kla-Tencor Corporation Scanning electron microscope objective lens calibration using X-Y voltages iteratively determined from images obtained using said voltages
TWI768092B (zh) * 2017-08-07 2022-06-21 美商克萊譚克公司 用於臨界尺寸量測之檢測導引臨界位點選擇
US11035666B2 (en) * 2017-08-07 2021-06-15 Kla-Tencor Corporation Inspection-guided critical site selection for critical dimension measurement
US10290087B2 (en) * 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof
US10739276B2 (en) * 2017-11-03 2020-08-11 Kla-Tencor Corporation Minimizing filed size to reduce unwanted stray light
KR20190073756A (ko) 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
KR102536331B1 (ko) * 2017-12-31 2023-05-26 에이에스엠엘 네델란즈 비.브이. 결함 검사 및 검토를 위한 시스템들 및 방법들
US11060981B2 (en) * 2018-03-20 2021-07-13 Applied Materials Israel Ltd. Guided inspection of a semiconductor wafer based on spatial density analysis
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
WO2020011648A1 (en) 2018-07-13 2020-01-16 Asml Netherlands B.V. Pattern grouping method based on machine learning
US20220028052A1 (en) * 2018-12-14 2022-01-27 Asml Netherlands B.V. Apparatus and method for grouping image patterns to determine wafer behavior in a patterning process
KR20240038156A (ko) * 2018-12-31 2024-03-22 에이에스엠엘 네델란즈 비.브이. E-빔 이미지 향상을 위한 완전 자동화 sem 샘플링 시스템
US10964015B2 (en) 2019-01-15 2021-03-30 International Business Machines Corporation Product defect detection
US11122680B2 (en) * 2019-03-18 2021-09-14 International Business Machines Corporation Passive methods of loose die identification
US11114324B2 (en) 2019-04-10 2021-09-07 KLA Corp. Defect candidate generation for inspection
KR20200137219A (ko) 2019-05-29 2020-12-09 삼성에스디에스 주식회사 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
US11293970B2 (en) * 2020-01-12 2022-04-05 Kla Corporation Advanced in-line part average testing
JP2022092727A (ja) * 2020-12-11 2022-06-23 株式会社日立ハイテク 観察装置のコンピュータシステムおよび処理方法
CN117074867A (zh) * 2023-10-12 2023-11-17 广州市扬新技术研究有限责任公司 一种基于站间goose信息的城市轨道交通供电系统故障定位方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6792366B2 (en) 2001-12-11 2004-09-14 Hitachi, Ltd. Method and apparatus for inspecting defects in a semiconductor wafer
KR20060035159A (ko) 2004-10-21 2006-04-26 삼성전자주식회사 반도체 기판 검사 장치
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP4866141B2 (ja) * 2006-05-11 2012-02-01 株式会社日立ハイテクノロジーズ Ｓｅｍ式レビュー装置を用いた欠陥レビュー方法及びｓｅｍ式欠陥レビュー装置
US8175831B2 (en) 2007-04-23 2012-05-08 Kla-Tencor Corp. Methods and systems for creating or performing a dynamic sampling scheme for a process during which measurements are performed on wafers
US7796804B2 (en) 2007-07-20 2010-09-14 Kla-Tencor Corp. Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US8000922B2 (en) 2008-05-29 2011-08-16 Kla-Tencor Corp. Methods and systems for generating information to be used for selecting values for one or more parameters of a detection algorithm
JP5429869B2 (ja) * 2008-12-22 2014-02-26 株式会社 Ｎｇｒ パターン検査装置および方法
JP5320329B2 (ja) 2010-03-15 2013-10-23 株式会社日立ハイテクノロジーズ Ｓｅｍ式欠陥観察装置および欠陥画像取得方法
US9189844B2 (en) 2012-10-15 2015-11-17 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific information
KR20140038876A (ko) * 2013-08-13 2014-03-31 삼성전기주식회사 적층 세라믹 커패시터 및 그 실장 기판

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10754260B2 (en) 2015-06-18 2020-08-25 Kla-Tencor Corporation Method and system for process control with flexible sampling
CN108352336A (zh) * 2015-08-24 2018-07-31 科磊股份有限公司 确定样品上所关注图案的一或多个特性
TWI705510B (zh) * 2015-09-21 2020-09-21 美商克萊譚克公司 用於使用靈活取樣之程序控制之方法及系統
CN108028210A (zh) * 2015-09-21 2018-05-11 科磊股份有限公司 用于使用灵活取样的过程控制的方法及系统
CN108028210B (zh) * 2015-09-21 2022-07-12 科磊股份有限公司 用于使用灵活取样的过程控制的方法及系统
TWI618977B (zh) * 2015-10-27 2018-03-21 Nuflare Technology Inc Mask inspection method and mask inspection device
US11205119B2 (en) 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US11010665B2 (en) 2015-12-22 2021-05-18 Applied Material Israel, Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI737659B (zh) * 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
US11348001B2 (en) 2015-12-22 2022-05-31 Applied Material Israel, Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI734724B (zh) * 2016-01-04 2021-08-01 美商克萊譚克公司 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體
TWI663667B (zh) * 2016-11-03 2019-06-21 以色列商應用材料以色列公司 用於在檢查物件時自我調整取樣的方法和其系統
TWI725534B (zh) * 2016-12-12 2021-04-21 美商應用材料股份有限公司 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選
CN110709688A (zh) * 2017-04-13 2020-01-17 英卓美特公司 用于预测在装配单元中的缺陷的方法
TWI769262B (zh) * 2017-06-05 2022-07-01 美商克萊譚克公司 用於偵測複製機缺陷之系統與方法及用於過濾干擾之方法
TWI811218B (zh) * 2017-08-11 2023-08-11 南韓商三星電子股份有限公司 晶圓圖分析器及分析晶圓圖的方法
TWI751376B (zh) * 2017-08-30 2022-01-01 美商克萊譚克公司 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
TWI739391B (zh) * 2019-06-25 2021-09-11 日商東芝三菱電機產業系統股份有限公司 資料收集裝置、設備監視系統及資料收集方法

Also Published As

Publication number Publication date
US9098891B2 (en) 2015-08-04
KR102083706B1 (ko) 2020-03-02
TWI603409B (zh) 2017-10-21
US20140301630A1 (en) 2014-10-09
KR20150140349A (ko) 2015-12-15
WO2014168884A1 (en) 2014-10-16

Similar Documents

Publication Publication Date Title
TWI603409B (zh) 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
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
US9401016B2 (en) Using high resolution full die image data for inspection
US10483081B2 (en) Self directed metrology and pattern classification
TWI621849B (zh) 用於偵測晶圓上之缺陷之電腦實施方法、非暫時性電腦可讀媒體及系統
US9811897B2 (en) Defect observation method and defect observation device
JP5275017B2 (ja) 欠陥検査方法及びその装置
TWI797382B (zh) 在極端紫外光光罩上所檢測到之缺陷處理
KR102386536B1 (ko) 시편 상의 관심 패턴의 하나 이상의 특성의 결정
US9171364B2 (en) Wafer inspection using free-form care areas
US9293298B2 (en) Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
KR102424800B1 (ko) 웨이퍼 위치의 형상 메트릭 기반의 스코어링
US9702827B1 (en) Optical mode analysis with design-based care areas
US20210158498A1 (en) Wafer inspection methods and devices
KR20210062713A (ko) 설계 및 잡음 기반 케어 영역들
US20090252403A1 (en) Method and its apparatus for reviewing defects
IL257205A (en) Self-directed metrology and example classification
JP3722757B2 (ja) 欠陥撮像装置
KR20220041126A (ko) 광학 검사를 이용한 프로세스 모니터링 방법
Qu et al. Full-flow surface defect identification method based on spot scanning scattering for unpatterned wafer