TW201830006A - 用於在具有深堆疊層之晶圓中訓練及施加缺陷分類器之系統及方法 - Google Patents

用於在具有深堆疊層之晶圓中訓練及施加缺陷分類器之系統及方法 Download PDF

Info

Publication number
TW201830006A
TW201830006A TW107100899A TW107100899A TW201830006A TW 201830006 A TW201830006 A TW 201830006A TW 107100899 A TW107100899 A TW 107100899A TW 107100899 A TW107100899 A TW 107100899A TW 201830006 A TW201830006 A TW 201830006A
Authority
TW
Taiwan
Prior art keywords
defect
inspection system
images
wafer
readable medium
Prior art date
Application number
TW107100899A
Other languages
English (en)
Other versions
TWI761420B (zh
Inventor
馬丁 普莉霍爾
安基特 簡恩
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201830006A publication Critical patent/TW201830006A/zh
Application granted granted Critical
Publication of TWI761420B publication Critical patent/TWI761420B/zh

Links

Classifications

    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10148—Varying focus
    • 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
    • G06T2207/20081—Training; Learning
    • 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

Abstract

本發明提供一種用於在具有深堆疊層之晶圓中訓練及施加缺陷分類器之系統、方法及非暫時性電腦可讀媒體。在使用中，獲取複數個影像，該複數個影像係由一檢驗系統針對由該檢驗系統在一晶圓上偵測到之一缺陷之一位置而產生。該晶圓上之該位置由複數個堆疊層構成，且該複數個影像中之每一影像係由該檢驗系統使用一不同聚焦設定而在該位置處產生。此外，利用該複數個影像而判定該缺陷之一分類。

Description

用於在具有深堆疊層之晶圓中訓練及施加缺陷分類器之系統及方法
本發明係關於偵測一晶圓上之缺陷，且更特定而言係關於對自晶圓偵測之缺陷進行分類。
在一半導體製造程序期間在各種步驟處使用檢驗系統程序來偵測晶圓上之缺陷。此外，隨著半導體裝置之尺寸減小，檢驗對可接受半導體裝置之成功製造變得甚至更加重要，此乃因較小缺陷可導致裝置不合格。 通常，一檢驗系統(亦即，工具)擷取一晶圓之影像，且自彼等影像偵測缺陷。影像亦可稱為自檢驗晶圓所產生之信號。然而，在檢驗系統程序期間亦通常產生超出簡單缺陷偵測之資訊，具體包含此等缺陷之分類。舉例而言，所偵測缺陷中之每一者可被分類為一所關注缺陷(DOI)或一滋擾(亦即，並非一實際缺陷或者係一使用者不關注且因此並非一DOI之一缺陷)。所偵測缺陷或DOI中之每一者通常進一步被分類至不同群組(亦即，缺陷類型)中。在一項此實例中，在發現缺陷之後，可基於缺陷之特性(諸如大小、量值及/或位置)而將缺陷分類至不同群組中。可然後將缺陷分類回饋至檢驗系統，以用於調諧檢驗系統之目的。可執行該調諧以便使得可利用檢驗系統來偵測缺陷。舉例而言，調諧檢驗系統可包含變更檢驗系統之一或多個光學參數及/或檢驗系統之一或多個缺陷偵測(輸出處理)參數。 僅基於由檢驗系統產生之影像或資訊無法執行缺陷分類多次。在此等例項中，可使用一額外再檢測系統來產生額外資訊，且然後基於額外資訊而判定缺陷分類。在某些此等例項中，可使用一高解析度掃描電子顯微鏡(SEM)再檢測工具來再檢測由一檢驗系統發現之缺陷。傳統上，收集相對大數目個SEM影像(例如，信號)，且進一步可在一電腦螢幕上顯示此等影像中之每一者以使一使用者判定是否在影像中存在一可見缺陷。若由眼睛偵測到一缺陷，則可然後由使用者取決於該缺陷之形狀、大小、位置或其他屬性而將該缺陷分類至數個類別中之一者中。 已開發某些再檢測系統來使缺陷分類自動化，舉例而言如頒予Jan A. Lauber之標題為「Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images」之美國專利第9,293,298號中所揭示。儘管此等自動化再檢測系統已改良先前需要進行會經受人為誤差之手動分類之系統，但此等自動化再檢測系統仍展現若干限制。特定而言，缺陷再檢測系統(諸如上文所闡述之缺陷再檢測系統)已不能夠對具有堆疊層之晶圓(諸如一個三維(3D) NAND晶圓)中之缺陷(在彼等缺陷位於晶圓之頂部層下面時)進行分類。此乃因現有缺陷再檢測系統無法獲得晶圓之下伏層之影像。而是，為獲得任何下伏層之所需影像，將需要實體上移除上面層，因此會破壞晶圓。 因此，需要解決與先前技術相關聯之此等及/或其他問題。
提供一種用於在具有深堆疊層之晶圓中訓練及施加缺陷分類器之系統、方法及非暫時性電腦可讀媒體。在使用中，獲取複數個影像，該複數個影像係由一檢驗系統針對由該檢驗系統在一晶圓上偵測到之一缺陷之一位置而產生。該晶圓上之該位置由複數個堆疊層構成，且該複數個影像中之每一影像係由該檢驗系統使用一不同聚焦設定而在該位置處產生。此外，利用該複數個影像而判定該缺陷之一分類。
相關申請案 本申請案主張2017年1月10日提出申請之美國臨時專利申請案第62/444,690號之權益，該美國臨時專利申請案之全部內容以引用之方式併入本文中。 以下說明揭示一種用於對具有堆疊層之晶圓中之缺陷進行分類之系統、方法及非暫時性電腦可讀媒體。應注意，可在諸如下文參考圖1A至圖1B所闡述之任何整合式及/或單獨電腦及檢驗系統(例如，晶圓檢驗、倍縮光罩檢驗、雷射掃描檢驗系統等)之內容脈絡中實施包含下文所闡述之各種實施例之此系統、方法及非暫時性電腦可讀媒體。 一額外實施例係關於儲存程式指令之一非暫時性電腦可讀媒體，該等程式指令可在一電腦系統上執行以執行用於對具有堆疊層之晶圓中之缺陷進行分類之一電腦實施方法。在圖1A中展示一項此實施例。特定而言，如圖1A中所展示，電腦可讀媒體100包含可在電腦系統104上執行之程式指令102。電腦實施方法包含下文參考圖2所闡述之方法之步驟。針對其而可執行程式指令之電腦實施方法可包含本文中所闡述之任何其他操作。 實施諸如本文中所闡述之彼等方法之方法之程式指令102可儲存於電腦可讀媒體100上。該電腦可讀媒體可為諸如一磁碟或光碟或磁帶之一儲存媒體，或者此項技術中已知之任何其他適合非暫時性電腦可讀媒體。作為一選項，電腦可讀媒體100可位於電腦系統104內。 可以包含基於程序之技術、基於組件之技術及/或物件導向之技術以及其他技術之各種方式中之任一者來實施程式指令。舉例而言，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)或者其他技術或方法來實施該等程式指令。 電腦系統104可採取各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路器具、網際網路器具或其他裝置。一般而言，術語「電腦系統」可廣泛定義為囊括具有一或多個處理器之執行來自一記憶體媒體之指令之任何裝置。電腦系統104亦可包含此項技術中已知之任何適合處理器，諸如一平行處理器。另外，電腦系統104可包含具有高速處理及軟體之一電腦平台作為一獨立工具或一網路化工具。 一額外實施例係關於一種經組態以用於對具有堆疊層之晶圓中之缺陷進行分類之系統。在圖1B中展示此一系統之一項實施例。該系統包含經組態以產生針對製作於一晶圓(或其他裝置)上之一組件之輸出之檢驗系統105，該檢驗系統在此實施例中如本文中進一步所闡述而組態。該系統亦包含經組態以用於執行下文參考圖2所闡述之操作之一或多個電腦系統。一或多個電腦系統可經組態以根據本文中所闡述之實施例中之任一者而執行此等操作。電腦系統及系統可經組態以執行本文中所闡述之任何其他操作且可如本文中所闡述而進一步組態。 在圖1B中所展示之實施例中，電腦系統中之一者係一電子設計自動化(EDA)工具之一部分，且檢驗系統以及電腦系統中之另一者並非EDA工具之一部分。舉例而言，此等電腦系統可包含上文參考圖1A所闡述之電腦系統104。舉例而言，如圖1B中所展示，電腦系統中之一者可為包含於EDA工具106中之電腦系統108。EDA工具106及包含於此一工具中之電腦系統108可包含任何市售EDA工具。 檢驗系統105可經組態以藉由用光掃描一晶圓且在掃描期間自晶圓偵測光而產生針對該晶圓上之組件之輸出。舉例而言，如圖1B中所展示，檢驗系統105包含光源120，該光源可包含此項技術中已知之任何適合光源。來自光源之光可被引導至分束器118，該分束器可經組態以將光自光源引導至晶圓122。光源120可耦合至諸如一或多個聚光透鏡、準直透鏡、中繼透鏡、物鏡、光圈、光譜濾波器、偏光組件及諸如此類之任何其他適合元件(未展示)。如圖1B中所展示，可以一法向入射角度將光引導至晶圓122。然而，可以包含近乎法向及傾斜入射之任何適合入射角度將光引導至晶圓122。另外，可以一個以上入射角度依序或同時將光或多個光束引導至晶圓122。檢驗系統105可經組態而以任何適合方式使光在晶圓122上進行掃描。 來自晶圓122之光可在掃描期間由檢驗系統105之一或多個通道收集並偵測。舉例而言，以相對接近於法向之角度自晶圓122反射之光(亦即，在入射係法向時之鏡面反射之光)可通過分束器118到達透鏡114。透鏡114可包含一折射光學元件，如圖1B中所展示。另外，透鏡114可包含一或多個折射光學元件及/或一或多個反射光學元件。由透鏡114所收集之光可聚焦至偵測器112。偵測器112可包含此項技術中已知之任何適合偵測器，諸如一電荷耦合裝置(CCD)或另一類型之成像偵測器。偵測器112經組態以產生回應於由透鏡114收集之反射光之輸出。因此，透鏡114及偵測器112形成檢驗系統105之一個通道。檢驗系統105之此通道可包含此項技術中已知之任何其他適合光學組件(未展示)。 由於圖1B中所展示之檢驗系統經組態以偵測自晶圓122鏡面反射之光，因此檢驗系統105被組態為一(明場) BF檢驗系統。然而，此一檢驗系統105亦可經組態以用於其他類型之晶圓檢驗。舉例而言，圖1B中所展示之檢驗系統亦可包含一或多個其他通道(未展示)。其他通道可包含組態為一散射光通道之本文中所闡述之光學組件(諸如一透鏡及一偵測器)中之任一者。透鏡及偵測器可如本文中所闡述而進一步組態。以此方式，檢驗系統105亦可經組態以用於(暗場) DF檢驗。 檢驗系統105亦可包含經組態以執行本文中所闡述之方法之一或多個步驟之一電腦系統110。舉例而言，上文所闡述之光學元件可形成檢驗子系統105之光學子系統111，該檢驗子系統亦可包含耦合至光學子系統111之電腦系統110。以此方式，由偵測器在掃描期間產生之輸出可被提供至電腦系統110。舉例而言，電腦系統110可耦合至偵測器112 (例如，藉由圖1B中之虛線所展示之一或多個傳輸媒體，其可包含此項技術中已知之任何適合傳輸媒體)，使得電腦系統110可接收由偵測器產生之輸出。 檢驗系統105之電腦系統110可經組態以執行本文中所闡述之任何操作。舉例而言，電腦系統110可經組態以用於對自一經製作組件識別之圖案缺陷進行系統及隨機表徵，如本文中所闡述。另外，電腦系統110可經組態以執行本文中所闡述之任何其他步驟。此外，雖然本文中所闡述之操作中之某些操作可由不同電腦系統執行，但方法之所有操作可由一單個電腦系統(諸如檢驗系統105之電腦系統)或一獨立電腦系統執行。另外，電腦系統中之一或多者可組態為一虛擬檢驗器，諸如2012年2月28日提出申請之頒予Bhaskar等人之美國專利第8,126,255號中所闡述之虛擬檢驗器，該美國專利如同全面陳述於本文中一般以引用之方式併入。 檢驗系統105之電腦系統110亦可耦合至並非檢驗系統之一部分之另一電腦系統(諸如電腦系統108)，該另一電腦系統可包含於另一工具(諸如上文所闡述之EDA工具106)中，使得電腦系統110可接收由電腦系統108產生之輸出，該輸出可包含由彼電腦系統108產生之一設計。舉例而言，兩個電腦系統可由一共用電腦可讀儲存媒體(諸如一晶圓廠資料庫)有效地耦合或可由一傳輸媒體(諸如上文所闡述之傳輸媒體)耦合，使得可在兩個電腦系統之間傳輸資訊。 應注意，本文中提供圖1B以大體上圖解說明可包含於本文中所闡述之系統實施例中之一檢驗系統之一組態。顯然，本文中所闡述之檢驗系統組態可經變更以最佳化檢驗系統之效能，如在設計一商業檢驗系統時通常執行。另外，可使用一現有檢驗系統(諸如可自KLA-Tencor商業購得之29xx/28xx系列工具) (例如，藉由將本文中所闡述之功能性新增至一現有檢驗系統)來實施本文中所闡述之系統。針對某些此等系統，可將本文中所闡述之方法作為系統之選用功能性(例如，除系統之其他功能性之外)而提供。另一選擇係，可「從零開始」設計本文中所闡述之系統以提供一全新系統。 在另一實施例中，檢驗系統105可直接或間接耦合至一再檢測系統(未展示)，諸如美國專利第9,293,298號中所揭示之SEM再檢測系統。SEM再檢測系統可操作以再檢測由檢驗系統105偵測到之缺陷以對該等缺陷進行分類，此繼而可用於對檢驗系統105進行訓練以實現較佳缺陷偵測。應注意，可在上文所闡述之再檢測系統之內容脈絡中實施下文所闡述之實施例。 圖2展示根據一項實施例之用於對具有堆疊層之一晶圓中之一缺陷進行分類之一方法200。方法200可由與諸如上文所闡述之一檢驗系統及再檢測系統進行通信之任何電腦系統執行。此外，方法200可由包含檢驗系統及/或再檢測系統之一電腦系統執行。此外，儘管僅在本文中闡述一個缺陷，但應注意，方法200可類似地應用於晶圓中之任何數目個不同缺陷。 如操作202中所展示，獲取複數個影像，其中由一檢驗系統針對由該檢驗系統在一晶圓上偵測到之一缺陷之一位置而產生該等影像。在當前實施例之內容脈絡中，晶圓上之位置由複數個深堆疊層構成。舉例而言，可透過一分層程序而製作晶圓，其中多個層至少在由檢驗系統偵測到缺陷之位置處垂直地堆疊。在一項例示性實施例中，晶圓可為一個三維(3D) NAND晶圓。 儘管參考其中由檢驗系統偵測到一缺陷之一位置而闡述操作202，但應注意，該位置可或可不具有一實際缺陷。舉例而言，所偵測缺陷可實際上係一滋擾或其他非缺陷。在其他實施例中，缺陷可為一實際缺陷，且可位於堆疊層內之任何地方、在由檢驗系統識別之位置處。舉例而言，缺陷可位於堆疊層之一頂部層上，或位於堆疊層之一下伏層中。在任何情形中，檢驗系統在晶圓上之其中由檢驗系統偵測到缺陷之位置處獲取影像，以用於對缺陷進行分類，如下文更詳細地闡述。 在當前實施例之內容脈絡中，由檢驗系統使用一不同聚焦設定而在該位置處產生複數個影像中之每一影像(例如，信號)。換言之，檢驗系統可使用一第一聚焦設定來產生晶圓上之位置之一第一影像、使用一第二聚焦設定來產生晶圓上之位置之一第二影像、使用一第三聚焦設定來產生晶圓上之位置之一第三影像，以此類推。不同聚焦設定中之每一者可在該位置處以一不同深度將光聚焦至晶圓中。以此方式，由檢驗系統獲得之影像可不同。可預組態所獲取之影像之數目以及特定聚焦設定。 此外，如操作204中所展示，利用複數個影像而判定缺陷之一分類。在此操作204中執行之分類可係指標記一訓練集中之缺陷。此可直接自在操作202中獲取之影像或自基於在操作202中獲取之影像所判定之跨焦(through-focus) (TF)信號輪廓而實現。在一項實施例中，分類可指示缺陷係一實際缺陷(例如，所關注缺陷(DOI))還是一非缺陷(例如，滋擾)。在另一實施例中，缺陷之分類可指示缺陷存在於堆疊層中之哪一者(例如，一頂部層或一下伏層)中。 如上文所述，可自TF信號輪廓判定缺陷之分類。可藉由針對一或多個屬性來識別跨越複數個影像之一改變而判定此等輪廓，該複數個影像係針對由檢驗系統偵測到缺陷之位置而獲取。因此，可基於針對該一或多個屬性所識別之改變而判定缺陷之分類。此等屬性可包含可跨越所獲取影像而區分之亮度、量值及/或任何其他屬性。在此實施例中，可藉由使用晶圓之一設計、實際缺陷之預定義屬性或其一組合來處理上文所闡述之所識別改變資訊而判定分類。 為此，可使用自檢驗系統獲取之影像或自該檢驗系統產生之TF信號輪廓而對由檢驗系統偵測到之缺陷進行分類，其中該等影像係使用不同聚焦設定而產生。上文所闡述之此跨焦檢驗方法可提供關於缺陷之深度之資訊，該資訊在由現有檢驗系統所使用之現有單聚焦偏移檢驗方法中缺失。此可允許對自具有堆疊層之一晶圓偵測到之一缺陷進行分類。相反，在先前技術系統中，存在於晶圓上之堆疊層內(亦即，在頂部層下面)之任何缺陷皆不可經由檢驗系統而充分可見。此乃因先前技術檢驗系統並非經組態以使用不同聚焦設定來在缺陷之位置處獲取影像。 作為另一選項，可使用上文所提及之訓練集來調諧檢驗系統。此可包含使用訓練集來對檢驗系統之一分類器進行訓練，藉此調諧分類器之效能，該分類器當在檢驗期間對所有缺陷進行分類時對缺陷屬性進行操作。因此，分類器可被視為一機器學習分類器。由機器學習分類器產生之分類可為將缺陷群體分離成不同級別(分級(bin))，且因此亦可稱為分級或在某些情形中亦稱為滋擾濾波，此可為最終檢驗結果。 TF圖徵可指示缺陷之位置、缺陷之分類、缺陷之屬性等。在又一實施例中，可使用針對缺陷所產生之TF圖徵來調諧檢驗系統。 可在晶圓映圖上標繪同一分級中之缺陷以針對該分級產生一空間圖徵。可然後使用針對該分級所產生之空間圖徵來進一步調諧檢驗系統。 現在將依據使用者之期望來陳述關於可或不可用其實施前述方法之各種選用架構及使用之更多說明性資訊。應注意，以下資訊係出於說明性目的而陳述且不應解釋為以任何方式進行限制。在排除或不排除所闡述之其他特徵之情況下，可視情況併入以下特徵中之任一者。 舉例而言，根據下文所闡述實施例，可藉由組合TF、光學截圖(patch)與空間缺陷分佈而提供對具有堆疊層之晶圓之檢驗。此等實施例可提供用於獲得、修改及減少用於訓練分類器之訓練集之一高效方法，可藉由考量TF信號及空間缺陷分佈之相似性及相異性而實現分級之分裂或合併，且可使用相關分級之空間圖徵及彼等分級中之缺陷之TF信號輪廓來提供用於評估分類純度之快速驗證方法。 圖3圖解說明根據一項實施例之用於分類器訓練之一方法300。作為一選項，可在任何先前及/或後續圖及/或其說明中所陳述之實施例中之任何一或多者之內容脈絡中執行方法300。然而，將瞭解，可在任何所要環境之內容脈絡中執行方法300。 如操作302中所展示，運行跨焦掃描。跨焦(TF)掃描可由一檢驗系統運行。舉例而言，TF掃描可產生一晶圓上之缺陷之一位置之影像。在當前實施例中，晶圓上之位置包含複數個堆疊層，且每一掃描使用一不同聚焦設定來獲得該位置處之一影像。 另外，如操作304中所展示，使用在跨焦掃描期間產生之影像來建立TF信號輪廓。此等TF信號輪廓可各自係一個一維(1D)直方圖，該1D直方圖在x軸上具有聚焦設定且在y軸上具有信號(影像)屬性。該等屬性可為亮度、量值等。然後將缺陷新增至一訓練集，如操作305中所展示。因此，訓練集可為缺陷之一樣本。 此外，如操作306中所展示，使用TF信號輪廓將訓練集中之N個缺陷分類為預期平面內缺陷或平面外缺陷。在一項實施例中，N可為由檢驗系統偵測到之所有缺陷之樣本之一預定義數目。此外，平面內缺陷可為自TF信號輪廓被識別為跨越晶圓之一單個平面(層)而存在之缺陷，且平面外缺陷可為自TF信號輪廓被識別為跨越晶圓之複數個平面(層)而存在之缺陷。 如操作308中所展示，運行一機器學習演算法。舉例而言，可使用與預計算之特徵一起工作之諸多不同機器學習演算法中之任一者。在任何情形中，對經分類N個缺陷運行機器學習演算法以產生一經訓練分類器。 此外，在操作310中，基於經訓練分類器而分析晶圓圖徵。然後基於操作310之分析而在決策312中判定是否發現一預期圖徵。若並未發現一預期圖徵，則方法300返回至操作305。然而，若發現一預期圖徵，則分析訓練資料之純度及準確度，如操作314中所展示。然後在決策316中判定結果是否為收斂的。 若判定結果並非收斂的，則方法300返回至操作305。然而，若判定結果係收斂的，則如操作318中所展示，判定滋擾濾波模型係準備就緒的(例如，以供由檢驗系統使用)。 圖4圖解說明根據一項實施例之一無監督式分級方法400。無監督式方法400用於發現典型缺陷圖徵及空間圖徵且揭露其間的相關性，使得該關係連同分類器之品質量測一起將幫助識別DOI分級。作為一選項，可在任何先前及/或後續圖及/或其說明中所陳述之實施例中之任何一或多者之內容脈絡中執行方法400。然而，將瞭解，可在任何所要環境之內容脈絡中執行方法400。 如操作401中所展示，運行TF掃描。然後，在操作402中，建立TF信號輪廓。此外，如操作403中所展示，將缺陷新增至一訓練集。舉例而言，選擇由檢驗系統偵測且具有多樣TF信號輪廓及影像之缺陷。然後，在操作404中，使用TF信號輪廓將訓練集中之N個缺陷分類至不同缺陷類型中。 另外，如操作406中所展示，使用經分類缺陷作為一訓練集而對一分類器進行訓練。分類器可對所有缺陷特徵(例如，光學、設計等)進行操作，或屬性選擇可按需要排除設計屬性或其他屬性。此外，如操作408中所展示，將一訓練程序應用於與每一分類器分級相關聯之空間圖徵。特定而言，此可係指分類器之訓練，其中檢驗(亦即，藉由一人類專家或機器學習演算法)藉由來自分類器分級中之一者之缺陷而形成於晶圓上之空間圖徵以識別具有類似空間圖徵之分級。然後，在操作410中，藉由合併分級而合併類似空間圖徵同時分析經合併分級中之TF信號輪廓之純度/準確度。 然後在決策412中判定結果是否為收斂的。若判定結果並非收斂的，則方法400返回至操作403。重複操作403可允許使訓練集增強。然而，若判定結果係收斂的，則如操作414中所展示，判定分類器模型係準備就緒的(例如，以供由檢驗系統使用)。作為一選項，可使用一混淆矩陣、分類置信度、就信號輪廓而言之分級純度及在收斂時之空間圖徵來量化分類器之品質。 圖5圖解說明根據一項實施例之一監督式分級方法500。當TF圖徵及DOI空間圖徵兩者係已知時，使用監督式方法500。作為一選項，可在任何先前及/或後續圖及/或其說明中所陳述之實施例中之任何一或多者之內容脈絡中執行方法500。然而，將瞭解，可在任何所要環境之內容脈絡中執行方法500。 如操作502中所展示，將缺陷新增至一訓練集。舉例而言，針對訓練集而選擇由檢驗系統偵測且具有多樣TF信號輪廓及影像之缺陷。然後，在操作504中，對具有已知TF信號輪廓及影像之DOI進行分類。此操作504將此等DOI與其餘缺陷分離。 另外，在操作506中，使用經分類缺陷作為一訓練集而對一分類器進行訓練。分類器可對所有缺陷特徵(例如，光學、設計等)或其一選定子集進行操作。此外，如操作508中所展示，檢驗與DOI分級相關聯之空間圖徵。然後，在操作510中，驗證分級純度及晶圓層級圖徵外觀。 然後在決策512中判定結果是否為收斂的。若判定結果並非收斂的，則方法500返回至操作502。重複操作502可允許使訓練集增強。然而，若判定結果係收斂的，則如操作514中所展示，判定分類器模型係準備就緒的(例如，以供由檢驗系統使用)。作為一選項，可使用一混淆矩陣、分類置信度、就信號輪廓而言之分級純度及在收斂時之空間圖徵匹配得分來量化分類器之品質。 上文參考圖3至圖5所闡述之實施例揭示一種用於訓練缺陷分類器及滋擾濾波器之方法，包含何時僅可以一低置信度及/或以間接方式判定訓練缺陷之類型，但何時可藉由組合數個不同之不相關DOI特性而以較高置信度獲得認定實況(ground truth)。眾多特性之一實例係TF信號及與具有此TF信號輪廓之缺陷相關聯之晶圓層級(空間)缺陷分佈。具體而言，方法適用於由堆疊層構成之晶圓，諸如3D NAND光學檢驗，其中在層堆疊深處之埋入式缺陷在SEM再檢測工具上係不可見的，該等SEM再檢測工具通常用於確立訓練集中之缺陷類型。 由於TF檢驗每聚焦設定含有數十個屬性及特徵，因此若在檢驗期間存在用於收集影像之10個聚焦設定，則存在用以建立一滋擾濾波器或一分級器(binner)之數百個屬性。在此一情形中，使用者將發現手動地建立一分類器係冗長的。然而，上文參考圖3至圖5所闡述之實施例唯一地達成基於焦平面(預期DOI來自該焦平面)之一機器學習分類器。 可使用具有使用TF影像(亦即，處於不同聚焦設定之影像)或TF信號輪廓進行分類之缺陷之一訓練集來提供經機器訓練分類器。可以兩種方式中之一者來完成針對該訓練集之此缺陷分類： (1)若DOI之TF信號輪廓係已知的，則基於TF信號輪廓而對缺陷進行分類。參見圖5之監督式方法以獲得額外相關說明。 (2)直接使用TF影像而對缺陷進行分類。參見圖4之無監督式方法以獲得額外相關說明。 針對以上(1)及(2)兩者，可以以下方式執行分類： (A)手動方式(亦即，一專家決定分類)，或 (B)自動方式，其係藉由模擬TF影像或TF信號輪廓對於每一缺陷類型及對於滋擾應看起來如何，且然後將訓練集中之缺陷指派至其模擬值與訓練缺陷最「相似」之類型。 可藉由使用訓練晶圓上之所有光學及其他相關缺陷特徵基於近似「認定實況」(亦即，所識別缺陷類型)而訓練一分類器來進一步提供經機器訓練分類器。因此，儘管上文基於認定實況之知識層級而揭示監督式及無監督式操作兩者，但亦可在分類器訓練期間存在介於監督式與無監督式之間的一可能性範圍，包含： (A)針對一或多個缺陷類型之TF信號輪廓及空間圖徵可為已知的，則使用完全監督式操作； (B)一或多個缺陷類型之僅TF信號輪廓可為已知的，且空間圖徵係未知的； (C)一或多個缺陷類型之僅空間圖徵可為已知的，但TF信號輪廓並非已知的； (D)以上資訊中之任一者皆非充分已知的，因此使用完全無監督式操作。 此外，可提供對分類器分級中之信號輪廓純度以及相關分級之晶圓層級圖徵相對於已知特性之品質之同時調諧。可提供訓練集之反覆累積直至收斂為止，且可使用一混淆矩陣、分類之置信度、相關DOI分級之純度及由DOI分級形成之空間圖徵之準確度來另外提供對分級之分級相關性之評估。 儘管上文已闡述各種實施例，但應理解，該等實施例僅以實例方式而非限制方式呈現。因此，一較佳實施例之廣度及範疇不應受上文所闡述之例示性實施例中之任一者限制，而應僅根據隨附申請專利範圍及其等效內容來界定。
100‧‧‧電腦可讀媒體
102‧‧‧程式指令
104‧‧‧電腦系統
105‧‧‧檢驗系統/檢驗子系統
106‧‧‧電子設計自動化工具
108‧‧‧電腦系統
110‧‧‧電腦系統
111‧‧‧光學子系統
112‧‧‧偵測器
114‧‧‧透鏡
118‧‧‧分束器
120‧‧‧光源
122‧‧‧晶圓
圖1A展示圖解說明一非暫時性電腦可讀媒體之一項實施例之一方塊圖，該非暫時性電腦可讀媒體包含可在一電腦系統上執行以用於執行本文中所闡述之電腦實施方法中之一或多者之程式指令。 圖1B係圖解說明經組態以偵測一經製作裝置上之缺陷之一檢驗系統之一項實施例之一側視圖的一示意圖。 圖2展示根據一項實施例用於對具有堆疊層之一晶圓中之一缺陷進行分類之一方法。 圖3圖解說明根據一項實施例之用於分類器訓練之一方法。 圖4圖解說明根據一項實施例之一無監督式分級(binning)方法。 圖5圖解說明根據一項實施例之一監督式分級方法。

Claims (19)

  1. 一種非暫時性電腦可讀媒體，其儲存具有程式碼之一電腦程式產品，該程式碼可由一處理器執行以執行包括以下步驟之一方法： 獲取複數個影像，該複數個影像係由一檢驗系統針對由該檢驗系統在一晶圓上偵測到之一缺陷之一位置而產生，其中該晶圓上之該位置由複數個堆疊層構成，且其中該複數個影像中之每一影像係由該檢驗系統使用一不同聚焦設定而在該位置處產生；及 利用該複數個影像而判定該缺陷之一分類。
  2. 如請求項1之非暫時性電腦可讀媒體，其中該晶圓係一個三維(3D) NAND晶圓。
  3. 如請求項1之非暫時性電腦可讀媒體，其中該缺陷位於該複數個堆疊層之一下伏層中。
  4. 如請求項1之非暫時性電腦可讀媒體，其中該等不同聚焦設定中之每一者在該位置處以一不同深度將光聚焦至該晶圓中。
  5. 如請求項1之非暫時性電腦可讀媒體，其中直接自該複數個影像判定該缺陷之該分類。
  6. 如請求項1之非暫時性電腦可讀媒體，其中自一跨焦信號輪廓判定該缺陷之該分類，藉由以下操作而判定該跨焦信號輪廓： 針對一或多個屬性識別跨越該複數個影像之一改變； 其中基於針對該一或多個屬性所識別之該改變而判定該缺陷之該分類。
  7. 如請求項6之非暫時性電腦可讀媒體，其中該一或多個屬性包含亮度。
  8. 如請求項6之非暫時性電腦可讀媒體，其中該一或多個屬性包含量值。
  9. 如請求項1之非暫時性電腦可讀媒體，其中該缺陷之該分類指示該複數個堆疊層中之存在該缺陷之一層。
  10. 如請求項1之非暫時性電腦可讀媒體，其進一步包括利用該分類而產生一訓練集。
  11. 如請求項10之非暫時性電腦可讀媒體，其進一步包括使用該訓練集來訓練該檢驗系統之一分類器。
  12. 如請求項11之非暫時性電腦可讀媒體，其進一步包括使用該經訓練分類器來對缺陷進行分級。
  13. 如請求項12之非暫時性電腦可讀媒體，其進一步包括在同一分級中標繪該缺陷與其他缺陷以針對該分級產生一空間圖徵。
  14. 如請求項13之非暫時性電腦可讀媒體，其進一步包括使用針對該分級所產生之該空間圖徵來調諧該檢驗系統。
  15. 一種方法，其包括： 由一電腦處理器獲取複數個影像，該複數個影像係由一檢驗系統針對由該檢驗系統在一晶圓上偵測到之一缺陷之一位置而產生，其中該晶圓上之該位置由複數個堆疊層構成，且其中該複數個影像中之每一影像係由該檢驗系統使用一不同聚焦設定而在該位置處產生；及 由該電腦處理器利用該複數個影像而判定該缺陷之一分類。
  16. 一種系統，其包括： 記憶體，其儲存電腦程式碼；及 一處理器，其耦合至該記憶體且經組態以執行該電腦程式碼以執行包括以下步驟之一方法： 獲取複數個影像，該複數個影像係由一檢驗系統針對由該檢驗系統在一晶圓上偵測到之一缺陷之一位置而產生，其中該晶圓上之該位置由複數個堆疊層構成，且其中該複數個影像中之每一影像係由該檢驗系統使用一不同聚焦設定而在該位置處產生；及 利用該複數個影像而判定該缺陷之一分類。
  17. 如請求項16之系統，其中該系統包括該檢驗系統。
  18. 如請求項16之系統，該方法進一步包括利用該分類而產生一訓練集。
  19. 如請求項16之系統，該方法進一步包括使用該訓練集來訓練該檢驗系統之一分類器。
TW107100899A 2017-01-10 2018-01-10 對自一晶圓偵測之多個缺陷進行分類的方法及系統，及非暫時性電腦可讀媒體 TWI761420B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762444690P 2017-01-10 2017-01-10
US62/444,690 2017-01-10
US15/863,753 2018-01-05
US15/863,753 US10964013B2 (en) 2017-01-10 2018-01-05 System, method for training and applying defect classifiers in wafers having deeply stacked layers

Publications (2)

Publication Number Publication Date
TW201830006A true TW201830006A (zh) 2018-08-16
TWI761420B TWI761420B (zh) 2022-04-21

Family

ID=62839952

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107100899A TWI761420B (zh) 2017-01-10 2018-01-10 對自一晶圓偵測之多個缺陷進行分類的方法及系統，及非暫時性電腦可讀媒體

Country Status (6)

Country Link
US (1) US10964013B2 (zh)
JP (1) JP7200113B2 (zh)
KR (1) KR102536011B1 (zh)
CN (1) CN110402487B (zh)
TW (1) TWI761420B (zh)
WO (1) WO2018132480A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI785582B (zh) * 2020-05-08 2022-12-01 荷蘭商Ａｓｍｌ荷蘭公司 用於在帶電粒子束檢測系統中增強檢測影像之方法、影像增強裝置及其相關非暫時性電腦可讀媒體

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10656518B2 (en) * 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
US11468553B2 (en) * 2018-11-02 2022-10-11 Kla Corporation System and method for determining type and size of defects on blank reticles
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
US11424037B2 (en) * 2019-11-22 2022-08-23 International Business Machines Corporation Disease simulation in medical images
US11610296B2 (en) 2020-01-09 2023-03-21 Kla Corporation Projection and distance segmentation algorithm for wafer defect detection
US11301977B2 (en) * 2020-04-10 2022-04-12 General Electric Company Systems and methods for automatic defect recognition
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
US11631196B2 (en) 2020-07-31 2023-04-18 Zebra Technologies Corporation Systems and methods to optimize imaging settings for a machine vision job
US11798828B2 (en) * 2020-09-04 2023-10-24 Kla Corporation Binning-enhanced defect detection method for three-dimensional wafer structures
CN113241310B (zh) * 2021-05-28 2022-07-15 长江存储科技有限责任公司 晶圆缺陷的检测方法、检测装置、检测设备及可读存储介质
CN113127605B (zh) * 2021-06-17 2021-11-02 明品云(北京)数据科技有限公司 一种目标识别模型的建立方法、系统、电子设备及介质
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2822937B2 (ja) * 1995-07-17 1998-11-11 株式会社日立製作所 半導体装置の製造システム及び欠陥検査方法
DE19726696A1 (de) 1997-06-24 1999-01-07 Jenoptik Jena Gmbh Verfahren zur Fokussierung bei der Abbildung strukturierter Oberflächen von scheibenförmigen Objekten
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
US6456899B1 (en) 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
JP2004193529A (ja) * 2002-10-16 2004-07-08 Shin Etsu Handotai Co Ltd ウエーハの評価方法及び装置
US7760347B2 (en) 2005-05-13 2010-07-20 Applied Materials, Inc. Design-based method for grouping systematic defects in lithography pattern writing system
US7659975B1 (en) 2005-09-21 2010-02-09 Kla-Tencor Technologies Corp. Methods and systems for inspection of a wafer or setting up an inspection process
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US8605275B2 (en) * 2009-01-26 2013-12-10 Kla-Tencor Corp. Detecting defects on a wafer
TW201118758A (en) * 2009-11-25 2011-06-01 Hermes Microvision Inc Method and system for the visual classification of defects
WO2012005863A2 (en) * 2010-06-30 2012-01-12 Kla-Tencor Corporation Data perturbation for wafer inspection or metrology setup
US20120316855A1 (en) * 2011-06-08 2012-12-13 Kla-Tencor Corporation Using Three-Dimensional Representations for Defect-Related Applications
JP6059486B2 (ja) * 2012-09-28 2017-01-11 株式会社Ｓｃｒｅｅｎホールディングス 教師データ検証装置、教師データ作成装置、画像分類装置、教師データ検証方法、教師データ作成方法および画像分類方法
US9075027B2 (en) * 2012-11-21 2015-07-07 Kla-Tencor Corporation Apparatus and methods for detecting defects in vertical memory
US9696264B2 (en) * 2013-04-03 2017-07-04 Kla-Tencor Corporation Apparatus and methods for determining defect depths in vertical stack memory
US9829441B2 (en) * 2013-11-29 2017-11-28 Nextin, Inc. Wafer image inspection apparatus
US9293298B2 (en) * 2013-12-23 2016-03-22 Kla-Tencor Corp. Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
JP2015184023A (ja) * 2014-03-20 2015-10-22 株式会社東芝 欠陥検査方法
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI785582B (zh) * 2020-05-08 2022-12-01 荷蘭商Ａｓｍｌ荷蘭公司 用於在帶電粒子束檢測系統中增強檢測影像之方法、影像增強裝置及其相關非暫時性電腦可讀媒體
US11694312B2 (en) 2020-05-08 2023-07-04 Asml Netherlands B.V. Image enhancement for multi-layered structure in charged-particle beam inspection

Also Published As

Publication number Publication date
KR102536011B1 (ko) 2023-05-23
TWI761420B (zh) 2022-04-21
JP2020514721A (ja) 2020-05-21
WO2018132480A1 (en) 2018-07-19
US20180204315A1 (en) 2018-07-19
KR20190098262A (ko) 2019-08-21
JP7200113B2 (ja) 2023-01-06
CN110402487A (zh) 2019-11-01
US10964013B2 (en) 2021-03-30
CN110402487B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
TWI761420B (zh) 對自一晶圓偵測之多個缺陷進行分類的方法及系統，及非暫時性電腦可讀媒體
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
JP6785663B2 (ja) 検査のための高解像度フルダイイメージデータの使用
JP6342046B2 (ja) ビット不良および仮想検査を用いたウェハ検査プロセスの生成
JP5619776B2 (ja) ウエハの検査のための１つまたは複数のパラメータの選択方法
US9293298B2 (en) Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
TWI750553B (zh) 對樣本的缺陷檢測的方法及其系統
JP6661602B2 (ja) 多重モードを備えた検査システム及び方法
CN106461581B (zh) 基于来自光学检验及光学重检的缺陷属性的用于电子束重检的缺陷取样
TWI641062B (zh) 偵測在晶圓上之缺陷
TWI608231B (zh) 無偏差之晶圓缺陷樣本
TWI780309B (zh) 檢測位於具有非重複特徵的背景中之晶粒重複程式化缺陷
CN109844919B (zh) 优化用于设置检验相关算法的训练组
TW201626328A (zh) 用於分集化及缺陷發現之動態分格
TW202024619A (zh) 在一晶圓上偵測一邏輯區域中之缺陷