TW201822038A - 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選 - Google Patents

在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選 Download PDF

Info

Publication number
TW201822038A
TW201822038A TW106123635A TW106123635A TW201822038A TW 201822038 A TW201822038 A TW 201822038A TW 106123635 A TW106123635 A TW 106123635A TW 106123635 A TW106123635 A TW 106123635A TW 201822038 A TW201822038 A TW 201822038A
Authority
TW
Taiwan
Prior art keywords
data
model
defects
defect
item
Prior art date
Application number
TW106123635A
Other languages
English (en)
Other versions
TWI675306B (zh
Inventor
志誠 林
少特 莊
Original Assignee
達盟系統有限公司
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 達盟系統有限公司 filed Critical 達盟系統有限公司
Publication of TW201822038A publication Critical patent/TW201822038A/zh
Application granted granted Critical
Publication of TWI675306B publication Critical patent/TWI675306B/zh

Links

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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32199—If number of errors grow, augment sampling rate for testing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32205—Use model error adapted to type of workpiece
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一種利用自適應機器學習進行自動缺陷篩選的系統，包括了一自適應模型控制器、一缺陷/干擾點檔案庫以及用於執行資料模型化分析的一模組。其中的自適應模型控制器具有一前饋路徑以及一反饋路徑，前饋路徑係接收晶圓檢測中取得的複數個候選缺陷，反饋路徑係接收晶圓檢測後由一個以上的已知缺陷篩選模型篩選後的感興趣缺陷。自適應模型控制器係從所接收的資料中選擇資料樣本、與掃描電子顯微鏡(Scanning Electron Microscope, SEM)介接以取得用於驗證各個資料樣本為真實缺陷或干擾點的對應的SEM結果，並且編整模型訓練與驗證資料。用於執行資料模型化分析的模組係由自適應模型控制器適應地控制，藉此根據一目標規格利用模型訓練與驗證資料產生並驗證一個以上的更新缺陷篩選模型。

Description

在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選
本發明是關於半導體元件的製造；特別是關於製造半導體元件的製造流程中的自動缺陷篩選。
半導體元件的製造，是藉由將多層電路圖案製作於晶圓上，以形成具有大量集成之電晶體的一複雜電路。在半導體元件的製造流程中，微影製程是負責將電路設計人員創造的電路圖案轉移到晶圓上的製程。
具有根據電路圖案之不透光及透光圖案的光罩/光盤係用於在晶圓上將元件層圖案化。光罩上鄰近圖案的效應、光學繞射、光阻發展與蝕刻、對晶圓的鄰近圖層所進行的化學機器式研磨（chemical-mechanical polishing, CMP），以及圖案與製造在晶圓上的鄰近圖層之間的幾何與層疊關係都可能會造成元件層圖案的變形。隨著積體電路的元件密度的增加，積體電路的圖案與佈局之複雜度也隨之增加，此外，由圖案變形所產生的系統缺陷，或者因製程的變數而產生的隨機缺陷或汙染，皆會進一步導致製造在晶圓上的元件之故障。
在製造半導體元件的生產流程中，於不同圖層上進行晶圓檢測屬於常規的流程。其中，具有一小時內能完成一個以上的完整晶圓之產出量的光學檢測，是晶圓檢測領域中的主力。在一般的晶圓檢測過程中，偵測到的缺陷通常也包含了干擾點，這些干擾點屬於錯誤的檢測結果，或者屬於不感興趣的缺陷。隨著設計規則的縮小，許多關鍵缺陷的尺寸也變得更小，而相較於雜訊的訊號以及正常製程的變數來說，缺陷的訊號也變得更弱。因此，在先進技術的節點中，通常在能偵測到小數量的關鍵感興趣缺陷之前，會先得到大量的干擾點回報。對於半導體元件的製造商而言，要能夠在製造過程中的加速與量產期間辨識出關鍵缺陷，實為一大考驗。
在光學檢測工具中，較先進的檢測配方會提供干擾點的過濾技術，藉此協助減少干擾點的數量。為了能利用干擾點的過濾技術，使用者必須利用各種缺陷分析工具或者掃描電子顯微鏡(Scanning Electron Microscope, SEM)工作站仔細分析與審閱從一個以上的晶圓所蒐集到的檢測結果，藉此將各個候選缺陷標示為真實缺陷或干擾點。經標記的真實缺陷與干擾點係被用來產生一干擾點過濾器。上述的檢測工具的先進配方可以利用該干擾點過濾器來過濾干擾點。
隨著元件的技術改良到20nm以下，為了能保留關鍵的感興趣缺陷，即使在應用干擾點過濾技術之後，在晶圓檢測過程中偵測到的干擾點數量通常仍然代表了由光學檢測工具回報的缺陷中90%以上的數量。干擾點過濾技術的效能沒有辦法達到有效地過濾干擾點的理想結果，主要有以下幾個原因。
其中一個原因在於，實際上不可能從少量的檢測晶圓中蒐集足夠用於產生干擾點過濾器的關鍵缺陷種類。另一原因在於，為檢測所蒐集的局部光學影像不能看清楚電路的圖案，其僅能提供關於先進技術節點的非常有限的資訊。此外，為了達到配合晶圓的高速生產，檢測工具所需要處理的大量資料，也會對檢測過程中使用的干擾點過濾器的可負擔計算的複雜度造成限制。再者，製程容許範圍中的持續變化也會改變干擾點的表現，並且會引發新的缺陷種類，使得干擾點過濾器變得過時並且無法有效發揮作用。因此，為了不錯失關鍵的感興趣缺陷，檢測工具仍然需要輸出大量的干擾點。
因此，在加速製造期間，必須投入大量的工程師與操作人員來透過SEM審閱工具以肉眼審閱檢測結果，藉此將關鍵的感興趣缺陷篩選出來供後續診斷，進而改善製造過程的產量。在量產期間，假設大部分的關鍵缺陷都已經在加速製造期間被排除，通常會採樣少量的缺陷進行SEM審閱以控制製造過程。結果，半導體元件的製造有很大的風險會在所製造的半導體元件產量受到嚴重影響後才發現未知的關鍵缺陷。
本發明的目的在於克服半導體元件的製造過程中，與晶圓檢測的關鍵缺陷篩選相關的前述的缺點以及挑戰。據此，本發明係提供了一種系統與方法，其係利用自適應機器學習在半導體元件的製造流程中進行自動缺陷篩選。
根據本發明之自適應機器學習的系統係包括一自適應模型控制器、一缺陷/干擾點檔案庫以及用於執行資料模型化分析的一模組。其中的自適應模型控制器係從半導體元件製造流程的前饋路徑與反饋路徑中接收資料、與SEM審閱/檢測介接、更新缺陷/干擾點檔案庫、編整模型訓練資料以及模型驗證資料，並且將該些資料傳送以執行資料模型化分析。
自適應模型控制器係包括一缺陷採樣器、一SEM介面以及一訓練資料與模型管理器。缺陷採樣器係從前饋路徑接收晶圓檢測中的複數個候選缺陷，並且從反饋路徑中接收在晶圓檢測後，已經由一個以上的已知缺陷篩選模型篩選所得出的感興趣缺陷。
缺陷採樣器係將包含採樣的候選缺陷與感興趣缺陷的資料樣本傳送至與SEM審閱/檢測進行通訊的SEM介面，藉此取得對應於該些資料樣本的SEM結果。每一個資料樣本係經過驗證，並且在對應SEM結果中被標示為真實缺陷或干擾點。
訓練資料與模型管理器係接收所述的資料樣本以及對應SEM結果、建立並更新一缺陷/干擾點檔案庫，並且為資料模型化分析編整模型訓練資料與模型驗證資料，藉此產生作為自動缺陷篩選的缺陷篩選模型的資料模型。在自動缺陷篩選的初始階段中，系統係執行自適應機器學習的數個連續巡迴，藉此基於一目標規格建立一個以上的缺陷篩選模型。缺陷採樣器係持續接收前饋與反饋資料，以供訓練資料與模型控制器控制透過資料模型化分析更新缺陷篩選模型的時機。
本發明係進一步提供一關鍵特徵檔案庫，其係與資料模型化分析介接以執行關鍵特徵分析，並且為自動缺陷篩選產生關鍵特徵模型。關鍵特徵檔案庫係包括複數個關鍵特徵資料庫。每一個關鍵特徵資料庫中係儲存了多數量的關鍵電路圖案、相關聯的設計剪輯、缺陷特徵、局部光學影像、SEM影像以及對應的關鍵特徵模型。
圖1顯示了根據本發明之在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選的實施例。參照圖1，晶圓檢測101在半導體元件的製造中是執行識別候選缺陷102的常規流程。在產線的晶圓檢測過程中，檢測的區域通常會涵蓋整個晶圓，或者涵蓋整個晶圓的一大部分。雖然進行晶圓檢測時，利用所製造的半導體元件的設計資料是選擇性的，但為了讓晶圓檢測能達到更高的敏感度以及讓檢測區域更為準確，在晶圓檢測時提供設計資料的情況越來越多。
將晶粒與晶粒比較的光學檢測是最為廣泛使用的晶圓檢測方法。該方法係透過掃描得到晶粒的高解析度光學影像，並將該些影像進行比較以偵測缺陷。在先進的技術節點中，由於光學檢測的快速處理量可以達到一個小時完成一個以上的晶圓的速度，使用的光學檢測工具通常具有30~50nm的檢測像素尺寸。電子束檢測工具可以提供較高敏感度的關鍵點檢測。然而，對於產線的完整晶圓檢測來說，電子束檢測工具所能達到的處理量太低。
晶圓檢測的輸出結果為候選缺陷102的一清單。清單中會記錄每一個候選缺陷的座標、定界框、尺寸以及其他檢測工具從光學影像中判定與擷取的特徵。如同先前所述，隨著半導體元件的設計規則縮小，晶圓檢測結果中通常會包含大量的候選缺陷102。在先進技術節點中，百分之九十以上的候選缺陷102屬於干擾點或錯誤的檢測結果的情形不算少見。對於半導體元件的製造商來說，困難的地方在於該如何在加速製造的過程或執行量產的常規監控過程中，從大量的候選缺陷中篩選出真正的感興趣缺陷，並且進一步診斷出限制產量的關鍵問題所在。
如同上文中所述，雖然可以在先進的檢測配方中提供干擾點過濾器來減少干擾點，但候選缺陷102的數量對於在加速製造過程中進行診斷來說還是過於龐大。如圖1所示，本發明係提供一種自動缺陷篩選105的方法，該方法係根據自適應機器學習104篩選出感興趣缺陷106，並且與SEM審閱/檢測103介接以取得用於驗證真實缺陷與干擾點的SEM結果。如果可以取得設計資料，則可以從設計資料中剪出候選缺陷的識別缺陷區域的設計剪輯以進行自適應機器學習。
電子束技術中最近的進步，展現了可以透過小至1nm的影像像素尺寸來執行SEM審閱/檢測。雖然SEM審閱/檢測的處理量對於完整的晶圓檢測來說過慢，但透過如此高像素的影像與先進演算法的配合，SEM審閱/檢測可以以95%的準確率來驗證候選缺陷為真實缺陷或干擾點。
如圖1所示，為了執行本發明的自適應機器學習104，本發明中係設置了前饋路徑與反饋路徑來接收候選缺陷與感興趣缺陷，藉此透過SEM審閱/檢測驗證真實缺陷。為了讓機器學習技術以自適應的方式訓練並且為自動缺陷篩選更新資料模型，篩選前的候選缺陷是被向前饋送，而篩選後的感興趣缺陷則是被反饋。
透過將採樣的候選缺陷之晶粒對晶粒的SEM影像進行比較的晶粒對晶粒的SEM檢測，可以取得準確的SEM結果。根據觀察的結果，基於高像素的SEM影像，可以輕易地識別出在光學檢測中偵測到之因為表面粗糙度或圖層厚度變化造成的干擾效果所產生的許多干擾點。此外，也可以透過執行藉由將SEM影像與對應的設計剪輯做比較所進行的晶粒對設計資料的SEM檢測，來判斷候選缺陷為真實缺陷或干擾點。可以根據SEM影像與設計剪輯的分析，進一步進行更詳細的分類。
根據本發明，自適應機器學習104中使用了包含從SEM審閱/檢測103取得之經過驗證且標示為真實缺陷或干擾點的SEM結果、由晶圓檢測101所回報的如缺陷特徵與局部光學影像等相關的缺陷資訊，以及從設計資料中剪出的設計剪輯。如圖2所示，自適應機器學習104包括了一缺陷/干擾點檔案庫200以及一自適應模型控制器201，其中，自適應模型控制器201與缺陷/干擾點檔案庫200介接，以儲存採樣的候選缺陷以及經由SEM審閱/檢測驗證過之選定的感興趣缺陷。
如圖3所示，自適應模型控制器201係包括一缺陷採樣器301、一SEM介面302以及一訓練資料與模型管理器303。缺陷採樣器301係接收前饋路徑中的候選缺陷的缺陷特徵、局部光學影像與設計剪輯，或者接收反饋路徑中的感興趣缺陷。候選缺陷係經過採樣，以使採樣後的候選缺陷數量為SEM審閱/檢測103可以處理的數量。採樣的候選缺陷與感興趣缺陷的位置，以及若有該些缺陷的對應設計剪輯，係一併被傳送至與SEM審閱/檢測工具通訊的SEM介面302以獲得SEM結果，該些SEM結果係對採樣的候選缺陷或感興趣缺陷進行驗證並且將其標示為真實缺陷或干擾點。
在前饋路徑中，如果候選缺陷的數量過大，自適應模型控制器201中的缺陷採樣器301可以以稀疏並隨機的方式對候選缺陷102進行採樣。缺陷採樣器301也可以採用其他的採樣策略，例如，根據為檢測晶圓所建立的檢測區域的重要程度而採樣的策略，或者，根據對應的設計剪輯中的圖案密度而採樣的策略。
舉例來說，如果在檢測過程中有為了關鍵缺陷監控而建立了由光學鄰近修正(Optical Proximity Correction, OPC)認證所預測的關鍵點，缺陷採樣器301可能需要更頻繁地對預測的關鍵點中的候選缺陷進行採樣。由於空白區域中的缺陷對所製造的半導體元件來說可能沒有任何影響，因此可以將空白區域中的候選缺陷忽略。然而，在密集電路圖案的區域中的缺陷較容易使得所製造的半導體元件產生故障，因此最好以較高的優先順序對其進行採樣。
根據SEM驗證與標示的結果，訓練資料與模型管理器303係在缺陷/干擾點檔案庫200中儲存並更新經標示的資料樣本，其中，經標示的資料樣本係包括候選缺陷以及感興趣缺陷，但該些缺陷係已被標示為真實缺陷或干擾點。值得注意的是，缺陷/干擾點檔案庫200必須同時包括SEM驗證後的真實缺陷與干擾點。訓練資料與模型管理器303進一步將經標示的資料樣本的一部分指定為模型訓練資料202，將經標示的資料樣本的另一部分指定為模型驗證資料203，並且啟動資料模型化分析204以產生作為缺陷篩選模型205的一個以上的資料模型。
在自適應機器學習104的初始階段中，本發明係採樣並且累積候選缺陷以建立缺陷/干擾點檔案庫，並且將圖2中所示的資料模型化分析204執行數個連續巡迴，直到所產生的缺陷篩選模型205能夠滿足一模型目標規格為止。
在缺陷篩選模型205的產生過程中必須建立資料模型化分析204的模型目標規格，藉此利用模型驗證資料203來驗證所產生的缺陷篩選模型205的效能。舉例來說，可以基於缺陷篩選模型205對模型驗證資料203預測的真實缺陷與干擾點的準確率百分比與純度百分比來建立模型目標規格。
在機器學習的領域中，通常會使用與在訓練資料中採樣的各個資料相關聯的一定數量之特徵來訓練與產生資料模型。圖2中顯示的資料模型化分析204係採用相同的原則，並且使用了機器學習領域中可以廣泛取得的演算法。
根據本發明的內容，晶圓檢測所回報的缺陷特徵係被包含在訓練與產生缺陷篩選模型205的特徵之中。此外，也會擷取從各個資料樣本的局部光學影像中擷取出來的一些其他影像特徵。影像特徵的範例包括了局部光學影像中的像素的最大、最小或平均的灰階或最大、最小或平均的灰階梯度，或者，局部光學影像的測試像素與參考像素的差異像素的灰階或灰階梯度。此外，本發明係從設計剪輯中擷取出對應於資料樣本的一組特徵。從設計剪輯擷取出來之特徵的範例包括了圖案密度、圖案周長、最小或最大線寬、最小或最大間隔、圖案方位、邊緣數量、角落內或角落外、空間頻率分布…等等。上文所述的這些特徵僅為範例，該領域中具有通常知識者也可以根據特定興趣擷取許多其他的特徵。
在建立有目標規格的情況下，可以利用從模型訓練資料202中的各個資料樣本擷取出來的特徵訓練資料模型。許多資料模型訓練演算法已經在機器學習的資料分析與資料探勘被廣泛使用。舉例來說，可以取得基於決策樹、線性回歸、非線性回歸、支持向量機(Support Vector Machine, SVM)、K-均值分群法、階級分群法、規則模式、類神經網路…等等的資料模型化演算法。這些資料模型訓練演算法都可以被應用到模型訓練資料202上，藉此建立用於篩選缺陷之缺陷篩選模型的資料模型。
在模型訓練資料202的資料模型被建立成為缺陷篩選模型205之後，該資料模型係被應用至模型驗證資料203。本發明係為模型驗證資料203中的各個資料樣本擷取相同組的特徵。缺陷篩選模型205是用來測試並且預測模型驗證資料203中的各個資料樣本為真實缺陷或干擾點。預測的結果會被用來與資料模型化分析204中的模型驗證資料203的SEM結果作比對，藉以確認是否有滿足目標規格。如果有需要的話，可以透過使用不同的演算法產生多個模型來滿足目標規格。
為了產生穩定且可以使用的缺陷篩選模型205，具有足夠代表性能夠在參數或統計方面提供真實缺陷與干擾點之間的差異性特徵的候選缺陷，必須被饋送至自適應機器學習104中的資料模型化分析204。如前文中所述，為了達到更佳的缺陷篩選，透過檢測一定數量的晶圓採樣的候選缺陷最好是基於檢測區域的優先程度、預測關鍵點區域、電路圖案的圖案密度…等因素進行採樣的候選缺陷。
根據本發明的自適應機器學習，圖1所示的前饋路徑提供了取得包含真實缺陷與干擾點之採樣候選缺陷的機制，且SEM介面302提供了驗證並將候選缺陷標示為真實缺陷或干擾點的機制。反饋路徑提供了取得已經被篩選過的感興趣缺陷的機制，藉以驗證缺陷篩選模型205的有效性。
應理解的是，如果在模型訓練資料202中有捕捉到足夠的真實缺陷與干擾點的資料表現，則缺陷篩選模型205可以有效的運作。然而，隨著設計規則縮小，製程容許範圍也更為緊縮。製程變化可能會產生新種類的缺陷，或者會改變干擾點的性質。在本發明中，前饋路徑可以幫助捕捉新的缺陷種類或者改變行為的干擾點，而反饋路徑則可以幫助捕捉尚未被篩選出來的干擾點。
根據本發明的內容，訓練資料與模型管理器303也會決定前饋路徑中的候選缺陷與反饋路徑中的感興趣缺陷該如何由缺陷採樣器301採樣或選擇，並且決定該些缺陷如何被用於訓練資料。舉例來說，可以以均勻且隨機的形式，以及與上文中所述的檢測區域的優先程度或檢測區域的圖案密度成比例的方式以所有的檢測區域對從前饋路徑接收的候選缺陷進行採樣。如果從前饋路徑接收的感興趣缺陷的驗證結果為真實缺陷，則代表缺陷篩選模型正確執行，因此可以將該結果忽略。然而，如果感興趣缺陷的驗證結果為干擾點，最好能將該些感興趣缺陷包含於模型訓練資料中，藉以改進所產生的缺陷篩選模型。
如圖2所示，經驗證與標示的資料樣本係被儲存在缺陷/干擾點檔案庫200中，並且被作為模型訓練資料202與模型驗證資料203使用。值得注意的是，訓練資料與模型管理器303係對儲存在缺陷/干擾點檔案庫中的資料進行管理。目前已知的是，如果模型訓練資料202中的資料樣本的數量太大，訓練的模型可能會過度適應。因此，訓練資料與模型管理器303會在需要時透過將重複的資料刪除的方式，將儲存在缺陷/干擾點檔案庫中的缺陷或干擾點保持在適當的數量。舉例來說，可以計算資料樣本之間的特徵關聯性，並且可以將與既有之資料樣本具有高度關聯性的新資料樣本排除。
為了達到缺陷篩選模型的理想表現，自適應模型控制器201中的訓練資料與模型管理器303也決定缺陷篩選模型更新的時機。可以以週期性的方式更新缺陷篩選模型，或者也可以根據某些其他的條件來進行更新。舉例來說，如果SEM驗證結果顯示從反饋迴路中接收到的感興趣缺陷偏離了目標規格，則表示需要對缺陷篩選模型進行更新。
根據本發明的內容，如圖4所示，可以為自適應機器學習104建立並且更新一關鍵特徵檔案庫400。圖2所示的資料模型化分析204係為關鍵缺陷執行關鍵特徵分析504的任務，如圖5所示。與關鍵缺陷一同產生的資料模型，是自適應機器學習104用來進行自動缺陷篩選105的關鍵特徵模型505。如圖6所示，關鍵特徵模型以及相關的電路圖案、設計剪輯、缺陷特徵、局部光學影像、SEM影像係被儲存於並且在關鍵特徵檔案庫400的對應關鍵特徵資料庫601中更新。
關鍵特徵檔案庫400是一儲存裝置，用於儲存如圖6所示的關鍵特徵資料庫601的檔案庫。在關鍵特徵檔案庫400中，可以利用各種索引來指示各個關鍵特徵資料庫601。舉例來說，可以通過如14nm、10nm或7nm的技術節點給資料庫附加索引，或者可以通過產線等資訊來附加索引。各個關鍵特徵資料庫601係包括複數個已知的關鍵電路圖案，以及其對應的資料與關鍵特徵模型。
在本發明中，各個關鍵特徵資料庫601係包括自適應機器學習104中的關鍵特徵分析504所產生之作為一個以上的關鍵特徵模型的一個以上的資料模型。可以利用不同的模型化演算法，或者利用從設計剪輯中擷取出的不同組特徵，或者利用關鍵缺陷的局部光學影像，為對應的關鍵特徵資料庫601建立並且儲存複數個資料模型。
值得注意的是，本發明的要旨在於，利用基於從設計剪輯中擷取出來的特徵或者對應的局部光學影像的資料模型，將半導體製造流程中會在電路圖案上產生缺陷的效果模型化。只有在資料模型化中使用的特徵能夠捕捉半導體製造流程中在電路圖案上的效果時，才能夠建立良好的資料模型。
本領域中具有通常知識者已經知道並且觀察到光學鄰近效應在晶片設計布局的圖案化中扮演了重要的腳色。為了能改善所建立的資料模型的準確度與完整度，本發明的資料模型化分析204中用來產生資料模型205的特徵，可以包括為了與各個缺陷相關的電路圖案從不同尺寸的設計剪輯中擷取出來的特徵。透過不同尺寸的電路圖案，可以更良好地在資料模型中捕捉光學鄰近效應。
由於在半導體元件的製造過程中是以一層一層的方式疊加電路圖案，除了利用不同尺寸的電路圖案擷取特徵以外，本發明也利用了當前設計圖層的下方一層的設計剪輯來擷取特徵，藉此捕捉多個電路圖層的效果。如OR，XOR、AND、NOT等等的布林運算子可以被應用到包括當前圖層與下方圖層的設計剪輯上，藉此形成用於擷取特徵的複合電路圖案。
圖7顯示了總結根據本發明之利用自適應機器學習進行的自動缺陷篩選方法的流程圖。在步驟701中，該方法係蒐集包括晶圓檢測中的複數個候選缺陷以及已經由一個以上的已知缺陷篩選模型篩選後的感興趣缺陷的一資料組。本方法是從晶圓檢測中蒐集尚未由已知的缺陷篩選模型篩選之前的候選缺陷。感興趣缺陷則是利用先前的晶圓檢測結果進行自動缺陷篩選後所取得的篩選結果。
在步驟702中，利用SEM審閱/檢測驗證包括了採樣的候選缺陷以及感興趣缺陷之資料組中的資料樣本為真實缺陷或干擾點，並且接著將驗證結果用來更新儲存在缺陷/干擾點檔案庫中的資料樣本，以進行資料模型化分析。
在步驟703中，對模型訓練與驗證資料進行編整。根據從與模型訓練資料中的資料樣本相關之資料擷取的特徵，資料模型化分析係產生作為更新的缺陷篩選模型的一個以上的資料模型，並且進一步由模型驗證資料進行驗證以符合一目標規格。
如上文中所述，利用自適應機器學習的自動缺陷篩選方法，利用適應了可能的製程容許範圍變數的缺陷篩選模型來改善缺陷篩選的有效性。前饋路徑中提供的候選缺陷，確保了更新缺陷篩選模型時有將新的缺陷種類或干擾點特性納入考慮。反饋路徑中的感興趣缺陷能夠檢查缺陷篩選模型是否令人滿意，且缺陷篩選模型沒篩選出的干擾點可以進一步被整合進模型訓練資料中，藉以更新並改善缺陷篩選模型。
值得一提的是，本發明的圖2、圖3、圖4與圖5中所示的自適應機器學習可以被實施為一種電腦系統，該系統具有與一個以上的記憶體裝置配合的一個以上的計算處理器，並且利用計算處理器來執行設計來實施自適應模型控制器201、資料模型化分析204、缺陷採樣器301、SEM介面302以及訓練資料與模型管理器303之功能的程式指令。也可以使用設計來執行所需要之功能的專用硬體裝置來替代通用目的的計算機系統。可以利用計算處理器控制的記憶體裝置來建立缺陷/干擾點檔案庫200以及關鍵特徵檔案庫400。
雖然上文中係參照本發明的較佳實施例對本發明進行說明，但熟知該領域的技術人士應當理解，在不脫離本發明的申請專利範圍所界定之保護範疇的條件下，可以對本發明做出各種改良與變化。
101‧‧‧晶圓檢測
102‧‧‧候選缺陷
103‧‧‧SEM審閱/檢測
104‧‧‧自適應機器學習
105‧‧‧自動缺陷篩選
106‧‧‧感興趣缺陷
200‧‧‧缺陷/干擾點檔案庫
201‧‧‧自適應模型控制器
202‧‧‧模型訓練資料
203‧‧‧模型驗證資料
204‧‧‧資料模型化分析
205‧‧‧缺陷篩選模型/資料模型
301‧‧‧缺陷採樣器
302‧‧‧SEM介面
303‧‧‧訓練資料與模型管理器
400‧‧‧關鍵特徵檔案庫
504‧‧‧關鍵特徵分析
505‧‧‧關鍵特徵模型
601‧‧‧關鍵特徵資料庫
701‧‧‧步驟
702‧‧‧步驟
703‧‧‧步驟
本領域中具有通常知識者在參考附圖閱讀較佳實施例的詳細說明之後，可以對本發明有更良好的理解，該些附圖包括： 圖1是顯示根據本發明之在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選的方塊圖； 圖2是顯示根據本發明之用於執行自動缺陷篩選的自適應機器學習的系統的方塊圖； 圖3是顯示根據本發明之自適應機器學習中的自適應模組控制器的方塊圖； 圖4是顯示根據本發明之利用自適應機器學習的自動缺陷篩選，進一步與一關鍵特徵檔案庫介接的示意圖； 圖5是顯示自適應機器學習參考關鍵特徵檔案庫利用關鍵特徵分析產生關鍵特徵模型的示意圖； 圖6是顯示關鍵特徵檔案庫包括數個關鍵特徵資料庫的示意圖；以及 圖7是顯示根據本發明之用於執行自動缺陷篩選的自適應機器學習的方法的流程圖。

Claims (24)

  1. 一種在半導體元件的製造過程中進行自動缺陷篩選的系統，該系統包括一個以上的計算處理器以及一個以上的記憶體裝置，並且係被配置且被編程以執行功能模組，該系統包括： 一自適應模型控制器，包括具有一前饋輸入路徑與一反饋輸入路徑的一缺陷採樣器、一掃描電子顯微鏡(Scanning Electron Microscope, SEM)介面以及一訓練資料與模型管理器，其中，該前饋輸入路徑係接收在檢測該半導體元件的一個以上的晶圓時取得的複數個候選缺陷，該反饋輸入路徑係接收利用一個以上的已知缺陷篩選模型篩選得出的感興趣缺陷，該SEM介面係接收從該等候選缺陷以及該等感興趣缺陷中選出的資料樣本的缺陷資訊，並且與一SEM審閱/檢測工具介接以取得該等資料樣本中的對應SEM結果，以及，該訓練資料與模型管理器係用於接收該等資料樣本以及該等對應SEM結果，並且係用於輸出模型訓練資料以及模型驗證資料； 一資料模型化分析執行器，用於接收該模型訓練資料以及該模型驗證資料，並且用於產生一個以上的更新缺陷篩選模型，藉以從該模型訓練資料中進行自動缺陷篩選，以得出經由該模型驗證資料驗證並且符合一目標規格的結果；以及 一自動缺陷篩選器，利用該一個以上的更新缺陷篩選模型對該等候選缺陷為真實缺陷或者為干擾點進行預測，並且將預測的干擾點過濾出來； 其中，該等資料樣本中的每一者係經過驗證並且在該等對應SEM結果中被標示為真實缺陷或干擾點，且該自適應模型控制器係根據一預設條件控制產生該一個以上的更新缺陷篩選模型的時機。
  2. 根據申請專利範圍第1項所述的系統，其中，該自適應模型控制器係進一步與一缺陷/干擾點檔案庫介接，且形成該模型訓練資料以及該模型驗證資料的該等資料樣本係在該缺陷/干擾點檔案庫中儲存與更新。
  3. 根據申請專利範圍第1項所述的系統，其中，從該前饋輸入路徑接收的特定比例的該等候選缺陷，係隨機且均勻地被選擇為該等資料樣本。
  4. 根據申請專利範圍第1項所述的系統，其中，從該前饋輸入路徑接收的該等候選缺陷，係根據在檢測該半導體元件的該一個以上的晶圓時設定的檢測區域的優先程度被選擇為該等資料樣本。
  5. 根據申請專利範圍第1項所述的系統，其中，從該前饋輸入路徑接收的該等候選缺陷，係根據在該半導體元件的晶片設計佈局中與各個該等候選缺陷相關聯的一個以上的設計剪輯的圖案密度，被選擇為該等資料樣本。
  6. 根據申請專利範圍第1項所述的系統，其中，如果從該反饋輸入路徑接收的該等感興趣缺陷中的各個缺陷在該等對應SEM結果中被驗證為真實缺陷，則將該缺陷忽略。
  7. 根據申請專利範圍第1項所述的系統，其中，該自適應模型控制器係根據參照該目標規格對從該反饋輸入路徑接收的該等感興趣缺陷的該等對應SEM結果中驗證的真實缺陷與干擾點，控制產生該一個以上的更新缺陷篩選模型的時機。
  8. 根據申請專利範圍第1項所述的系統，其中，該資料模型化分析執行器係擷取與該模型訓練資料中的各個該等資料樣本相關聯的一組特徵，並根據該組特徵產生該一個以上的更新缺陷篩選模型，以及，該自動缺陷篩選器係擷取與各個該等候選缺陷相關聯的該組特徵，藉以利用該一個以上的更新缺陷篩選模型預測該等候選缺陷為真實缺陷或干擾點。
  9. 根據申請專利範圍第8項所述的系統，其中，該資料模型化分析執行器係進一步與一關鍵特徵檔案庫介接，該資料模型化分析執行器係產生一個以上的資料模型，並且將該一個以上的資料模型在該關鍵特徵檔案庫的一對應特徵資料庫中儲存為一個以上的關鍵特徵模型，其中，各個該關鍵特徵模型係由不同組的特徵所產生。
  10. 根據申請專利範圍第8項所述的系統，其中，該資料模型化分析執行器係進一步與一關鍵特徵檔案庫介接，該資料模型化分析執行器係產生一個以上的資料模型，並且將該一個以上的資料模型在該關鍵特徵檔案庫的一對應特徵資料庫中儲存為一個以上的關鍵特徵模型，其中，各個該關鍵特徵模型係由不同的資料模型化演算法所產生。
  11. 根據申請專利範圍第8項所述的系統，其中，在該模型訓練資料中與各個該資料樣本相關聯的該組特徵，包括了從該半導體元件的晶片設計佈局中的一個以上的設計剪輯擷取出來之與該資料樣本相關聯的特徵。
  12. 根據申請專利範圍第11項所述的系統，其中，該晶片設計佈局中的該一個以上的設計剪輯，包括了取得相關聯的該資料樣本的晶圓中的目前當層的下方一層的至少一個該設計剪輯。
  13. 一種在製造半導體元件的過程中進行自動缺陷篩選的方法，該方法係利用具有一個以上的計算處理器與一個以上的記憶體裝置的系統執行，且該系統具有被配置且被編程以作為一自適應模型控制器、一資料模型化分析執行器以及一自動缺陷篩選器的功能，其中，該方法包括以下的步驟： 準備供該自適應模型控制器使用的一前饋輸入路徑，以接收透過檢測該半導體元件的一個以上的晶圓所取得的複數個候選缺陷，並且準備供該自適應模型控制器使用的反饋輸入路徑，以接收利用一個以上的已知缺陷篩選模型篩選得出的感興趣缺陷； 從該自適應模型控制器中的該等候選缺陷以及該等感興趣缺陷選出資料樣本，並且與一SEM審閱/檢測工具介接以取得該等資料樣本的對應SEM結果，該等資料樣本中的每一者係經過驗證並且在該等對應SEM結果中被標示為真實缺陷或干擾點； 根據累積資料樣本的該等對應SEM結果，從該自適應模型控制器中的該等累積資料樣本編整模型訓練資料以及模型驗證資料； 利用該資料模型化分析執行器執行資料模型化分析，藉以從該模型訓練資料中產生一個以上的更新缺陷篩選模型，並且滿足經由該模型驗證資料驗證過的一目標規格；以及 利用該自動缺陷篩選器中的該一個以上的更新缺陷篩選模型，預測該等候選缺陷為真實缺陷或干擾點，並且將預測的干擾點過濾出來； 其中，該方法進一步利用該自適應模型控制器，根據一預設條件控制產生該一個以上的更新缺陷篩選模型的時機。
  14. 根據申請專利範圍第13項所述的方法，其中，該自適應模型控制器係進一步與一缺陷/干擾點檔案庫介接，且形成該模型訓練資料以及該模型驗證資料的該等資料樣本係在該缺陷/干擾點檔案庫中儲存與更新。
  15. 根據申請專利範圍第13項所述的方法，其中，從該前饋輸入路徑接收的特定比例的該等候選缺陷，係隨機且均勻地被選擇為該等資料樣本。
  16. 根據申請專利範圍第13項所述的方法，其中，從該前饋輸入路徑接收的該等候選缺陷，係根據在檢測該半導體元件的該一個以上的晶圓時設定的檢測區域的優先程度被選擇為該等資料樣本。
  17. 根據申請專利範圍第13項所述的方法，其中，從該前饋輸入路徑接收的該等候選缺陷，係根據在該半導體元件的晶片設計佈局中與各個該等候選缺陷相關聯的一個以上的設計剪輯的圖案密度，被選擇為該等資料樣本。
  18. 根據申請專利範圍第13項所述的方法，其中，如果從該反饋輸入路徑接收的該等感興趣缺陷中的各個缺陷在該等對應SEM結果中被驗證為真實缺陷，則將該缺陷忽略。
  19. 根據申請專利範圍第13項所述的方法，其中，該自適應模型控制器係根據參照該目標規格從該反饋輸入路徑接收的該等感興趣缺陷的該等對應SEM結果中驗證的真實缺陷與干擾點，控制產生該一個以上的更新缺陷篩選模型的時機。
  20. 根據申請專利範圍第13項所述的方法，其中，該資料模型化分析執行器係擷取與該模型訓練資料中的各個該等資料樣本相關聯的一組特徵，並根據該組特徵產生該一個以上的更新缺陷篩選模型，以及，該自動缺陷篩選器係擷取與各個該等候選缺陷相關聯的該組特徵，藉以利用該一個以上的更新缺陷篩選模型預測該等候選缺陷為真實缺陷或干擾點。
  21. 根據申請專利範圍第20項所述的方法，其中，該資料模型化分析執行器係進一步與一關鍵特徵檔案庫介接，該資料模型化分析執行器係產生一個以上的資料模型，並且將該一個以上的資料模型在該關鍵特徵檔案庫的一對應特徵資料庫中儲存為一個以上的關鍵特徵模型，其中，各個該關鍵特徵模型係由不同組的特徵所產生。
  22. 根據申請專利範圍第20項所述的方法，其中，該資料模型化分析執行器係進一步與一關鍵特徵檔案庫介接，該資料模型化分析執行器係產生一個以上的資料模型，並且將該一個以上的資料模型在該關鍵特徵檔案庫的一對應特徵資料庫中儲存為一個以上的關鍵特徵模型，其中，各個該關鍵特徵模型係由不同的資料模型化演算法所產生。
  23. 根據申請專利範圍第20項所述的方法，其中，在該模型訓練資料中與各個該資料樣本相關聯的該組特徵，包括了從該半導體元件的晶片設計佈局中的一個以上的設計剪輯擷取出來之與該資料樣本相關聯的特徵。
  24. 根據申請專利範圍第23項所述的方法，其中，該晶片設計佈局中的該一個以上的設計剪輯，包括了取得相關聯的該資料樣本的晶圓中的目前當層的下方一層的至少一個該設計剪輯。
TW106123635A 2016-12-12 2017-07-14 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選 TWI675306B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/375,186 US10365617B2 (en) 2016-12-12 2016-12-12 Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US15/375,186 2016-12-12

Publications (2)

Publication Number Publication Date
TW201822038A true TW201822038A (zh) 2018-06-16
TWI675306B TWI675306B (zh) 2019-10-21

Family

ID=62489170

Family Applications (2)

Application Number Title Priority Date Filing Date
TW106123635A TWI675306B (zh) 2016-12-12 2017-07-14 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選
TW108131796A TWI725534B (zh) 2016-12-12 2017-07-14 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

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW108131796A TWI725534B (zh) 2016-12-12 2017-07-14 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

Country Status (3)

Country Link
US (2) US10365617B2 (zh)
CN (2) CN108231623B (zh)
TW (2) TWI675306B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI676939B (zh) * 2018-06-22 2019-11-11 富比庫股份有限公司 運用類神經網路進行分類之電子零件封裝分類系統
TWI720598B (zh) * 2018-11-16 2021-03-01 大陸商北京市商湯科技開發有限公司 關鍵點檢測方法及裝置、電子設備和儲存介質
TWI759906B (zh) * 2020-10-15 2022-04-01 維曙智能科技有限公司 基於深度學習之階層式圖片分類系統及其方法
TWI782229B (zh) * 2018-09-07 2022-11-01 美商科磊股份有限公司 在半導體製造中使用隨機失效指標
TWI794517B (zh) * 2018-06-28 2023-03-01 以色列商應用材料以色列公司 基於系統缺陷的半導體晶圓的引導式檢驗的系統、方法及電腦可讀取媒體
TWI812856B (zh) * 2019-04-09 2023-08-21 美商科磊股份有限公司 用於缺陷偵測之系統及電腦實施方法，非暫時性電腦可讀媒體，及用於產生參考影像之系統
US11756182B2 (en) 2018-07-13 2023-09-12 Asml Netherlands B.V. Pattern grouping method based on machine learning
US11829329B2 (en) 2019-11-14 2023-11-28 Pegatron Corporation Device, method and non-transitory computer readable medium for writing image files into memories

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US11275361B2 (en) * 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
WO2019059011A1 (ja) * 2017-09-19 2019-03-28 富士フイルム株式会社 教師データ作成方法及び装置並びに欠陥検査方法及び装置
US11023648B2 (en) * 2017-12-12 2021-06-01 Siemens Industry Software Inc. Puzzle-based pattern analysis and classification
US10853937B2 (en) * 2018-02-05 2020-12-01 Nec Corporation Unsupervised image-based anomaly detection using multi-scale context-dependent deep autoencoding gaussian mixture model
TWI794615B (zh) * 2019-07-26 2023-03-01 德商卡爾蔡司Ｓｍｔ有限公司 微加工裝置的自動運作控制
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
WO2021033792A1 (ko) * 2019-08-19 2021-02-25 엘지전자 주식회사 Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템
US11010529B2 (en) 2019-09-16 2021-05-18 Taiwan Semiconductor Manufacturing Company Limited Integrated circuit layout validation using machine learning
TWI734372B (zh) * 2020-02-07 2021-07-21 台灣積體電路製造股份有限公司 顯微試片製備方法、裝置及記錄媒體
US20210303757A1 (en) * 2020-03-30 2021-09-30 Kla Corporation Semiconductor fabrication process parameter determination using a generative adversarial network
US11899437B2 (en) 2020-03-30 2024-02-13 Hitachi High-Tech Corporation Diagnostic system
US11415526B2 (en) * 2020-05-06 2022-08-16 Kla Corporation Multi-controller inspection system
CN114092632A (zh) 2020-08-06 2022-02-25 财团法人工业技术研究院 标注方法、应用其的装置、系统、方法及计算机程序产品
US20220059316A1 (en) * 2020-08-19 2022-02-24 Kla Corporation Scanning Electron Microscope Image Anchoring to Design for Array
CN112405521B (zh) * 2020-10-16 2022-02-25 北京百度网讯科技有限公司 模型的训练方法、装置、电子设备及存储介质
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法
JP7443268B2 (ja) * 2021-01-05 2024-03-05 株式会社ニューフレアテクノロジー 欠陥検査方法
US20220307990A1 (en) * 2021-03-24 2022-09-29 Kla Corporation Imaging reflectometry for inline screening
CN113191399B (zh) * 2021-04-12 2022-05-27 普赛微科技(杭州)有限公司 一种基于机器学习分类器提高半导体芯片良品率的方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6728587B2 (en) * 2000-12-27 2004-04-27 Insyst Ltd. Method for global automated process control
JP4418272B2 (ja) * 2004-03-24 2010-02-17 オリンパス株式会社 欠陥分類辞書教示装置
KR20180037323A (ko) * 2004-10-12 2018-04-11 케이엘에이-텐코 코포레이션 표본 상의 결함들을 분류하기 위한 컴퓨터-구현 방법 및 시스템
KR100909474B1 (ko) * 2005-08-10 2009-07-28 삼성전자주식회사 웨이퍼 결함지수를 사용하여 국부성 불량 모드를 갖는결함성 반도체 웨이퍼의 검출 방법들 및 이에 사용되는장비들
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP5412169B2 (ja) * 2008-04-23 2014-02-12 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
JP5292043B2 (ja) * 2008-10-01 2013-09-18 株式会社日立ハイテクノロジーズ 欠陥観察装置及び欠陥観察方法
US20100211202A1 (en) * 2009-02-13 2010-08-19 Hermes Microvision, Inc. Method and machine for examining wafers
JP5537282B2 (ja) * 2009-09-28 2014-07-02 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US8315453B2 (en) * 2010-07-27 2012-11-20 Applied Materials Israel, Ltd. Defect classification with optimized purity
US8312401B2 (en) * 2011-01-13 2012-11-13 Elitetech Technology Co., Ltd. Method for smart defect screen and sample
CN102683165B (zh) * 2011-03-18 2015-03-25 敖翔科技股份有限公司 智能缺陷筛选及取样方法
CN103946364B (zh) * 2011-09-25 2018-04-24 赛拉诺斯知识产权有限责任公司 用于多重分析的系统和方法
US9715723B2 (en) * 2012-04-19 2017-07-25 Applied Materials Israel Ltd Optimization of unknown defect rejection for automatic defect classification
US9607233B2 (en) * 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification
WO2014149197A1 (en) * 2013-02-01 2014-09-25 Kla-Tencor Corporation Detecting defects on a wafer using defect-specific and multi-channel information
US9098891B2 (en) * 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US9142014B2 (en) * 2013-05-30 2015-09-22 Dmo Systems Limited System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US20160217240A1 (en) * 2015-01-28 2016-07-28 Dmo Systems Limited Methodology Of Incorporating Wafer Physical Measurement With Digital Simulation For Improving Semiconductor Device Fabrication
CN104715481B (zh) * 2015-03-17 2017-07-25 西安交通大学 基于随机森林的多尺度印刷品缺陷检测方法
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI676939B (zh) * 2018-06-22 2019-11-11 富比庫股份有限公司 運用類神經網路進行分類之電子零件封裝分類系統
TWI794517B (zh) * 2018-06-28 2023-03-01 以色列商應用材料以色列公司 基於系統缺陷的半導體晶圓的引導式檢驗的系統、方法及電腦可讀取媒體
US11756182B2 (en) 2018-07-13 2023-09-12 Asml Netherlands B.V. Pattern grouping method based on machine learning
TWI782229B (zh) * 2018-09-07 2022-11-01 美商科磊股份有限公司 在半導體製造中使用隨機失效指標
TWI720598B (zh) * 2018-11-16 2021-03-01 大陸商北京市商湯科技開發有限公司 關鍵點檢測方法及裝置、電子設備和儲存介質
TWI812856B (zh) * 2019-04-09 2023-08-21 美商科磊股份有限公司 用於缺陷偵測之系統及電腦實施方法，非暫時性電腦可讀媒體，及用於產生參考影像之系統
US11829329B2 (en) 2019-11-14 2023-11-28 Pegatron Corporation Device, method and non-transitory computer readable medium for writing image files into memories
TWI759906B (zh) * 2020-10-15 2022-04-01 維曙智能科技有限公司 基於深度學習之階層式圖片分類系統及其方法

Also Published As

Publication number Publication date
TW201947433A (zh) 2019-12-16
US20190384236A1 (en) 2019-12-19
US20180164792A1 (en) 2018-06-14
CN108231623A (zh) 2018-06-29
CN108231623B (zh) 2020-06-12
TWI725534B (zh) 2021-04-21
CN111584397A (zh) 2020-08-25
US10754309B2 (en) 2020-08-25
CN111584397B (zh) 2023-09-12
US10365617B2 (en) 2019-07-30
TWI675306B (zh) 2019-10-21

Similar Documents

Publication Publication Date Title
TWI675306B (zh) 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選
TWI694343B (zh) 基於製作風險評定之半導體製作製程控制
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
JP7216822B2 (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
US7760929B2 (en) Grouping systematic defects with feedback from electrical inspection
KR102476927B1 (ko) 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링
US8194968B2 (en) Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US9767548B2 (en) Outlier detection on pattern of interest image populations
TWI683103B (zh) 於樣品上判定所關注圖案之一或多個特性
KR102557180B1 (ko) 극자외선 포토마스크 상에서 검출되는 결함의 처리
US20160372303A1 (en) Self Directed Metrology and Pattern Classification
US20090290784A1 (en) Methods and systems for binning defects detected on a specimen
TWI594067B (zh) 在半導體製程的晶片設計佈局中發現未知問題圖案的系統與方法
CN109659245B (zh) 监测光掩模缺陷率的改变
US8260034B2 (en) Multi-modal data analysis for defect identification
JP3641604B2 (ja) リソグラフィツールの調整方法
TW202240637A (zh) 基於半導體製程之晶圓層級分析及根本原因分析之資料驅動預測與失效模式識別
KR20040076812A (ko) 다변수 화상분석을 이용하여 제조 결함을 검출 및기록하는 시스템 및 방법