TW201834095A - 用於在檢查物件時自我調整取樣的方法和其系統 - Google Patents
用於在檢查物件時自我調整取樣的方法和其系統 Download PDFInfo
- Publication number
- TW201834095A TW201834095A TW106136475A TW106136475A TW201834095A TW 201834095 A TW201834095 A TW 201834095A TW 106136475 A TW106136475 A TW 106136475A TW 106136475 A TW106136475 A TW 106136475A TW 201834095 A TW201834095 A TW 201834095A
- Authority
- TW
- Taiwan
- Prior art keywords
- potential
- defects
- defect
- subset
- list
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 83
- 238000005070 sampling Methods 0.000 title description 52
- 230000003044 adaptive effect Effects 0.000 title 1
- 230000007547 defect Effects 0.000 claims abstract description 442
- 238000012552 review Methods 0.000 claims abstract description 74
- 238000003860 storage Methods 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 69
- 235000012431 wafers Nutrition 0.000 description 44
- 238000013461 design Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 15
- 230000000670 limiting effect Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- 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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8877—Proximity analysis, local statistics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- 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
-
- 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)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (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)
- Signal Processing (AREA)
Abstract
檢查對象,包括:接收潛在缺陷,每個潛在缺陷與位置相關聯;執行潛在缺陷的第一群集以獲得第一子集和第二子集,群集被執行以使得第一子集中的潛在缺陷在實體區域中比第二子集中的潛在缺陷更加密集;將第一有效概率自動分配給第一子集和第二子集中的潛在缺陷;根據第三方針並且根據用於組合來自所述合併清單的最高元素和隨機選擇元素的策略來進行選擇以審查來自第一子集和第二子集的潛在缺陷;在審查審查的潛在缺陷之後,接收對潛在缺陷清單的部分中的潛在缺陷的指示;根據所述第一子集和第二子集中的項的有效性和分類來更新所述方針;以及利用所更新的方針重複所述分配、選擇、接收和更新,直至觀察到停止標準。
Description
本文所公開的主題涉及檢查物件中的位置,並且更具體地涉及待審查的對象位置的自我調整取樣。
各種物件,諸如半導體晶圓、遮罩、印刷電路板材、太陽能電池板材、微機電元件,是通過製造製程製造的,所述製造製程是高度複雜且昂貴的,包括多個階段,並且需要高度精確機器。此類物件一般稱為晶圓。
複雜製造製程並不是無錯的,並且此類錯誤可以導致所製造的物件的故障或所謂的故障。故障可以包括可能損害物件的操作的缺陷、錯誤的陽性(positive)發現(所述發現似乎可能含有缺陷,儘管在區域處並不存在實際缺陷)、以及妨害(所述妨害可能是缺陷,但不使所製造的單元發生任何損害或故障)。除了原材料中的故障之外,人為錯誤和其他故障亦可導致物件中的缺陷。
在本說明書中使用的術語「缺陷」應被廣泛地解釋為涵蓋任何種類的異常或在晶圓上或在晶圓內形成的不期望的特徵。
除非另外特別聲明,否則在本說明書中關於晶圓而使用的術語「檢查」應被廣泛地解釋為涵蓋通過使用非破壞性檢驗工具提供的晶圓中的缺陷的任何種類的偵測和/或分類。借助非限制性實例,此類檢查可以包括:生成用於檢查和/或其部分的一個或多個方案;檢驗,例如在單次掃描中或多次掃描中掃描;審查(review);使用相同或不同的檢驗工具針對晶圓或其部分提供的測量和/或其他操作。
為了發現缺陷,可將各種檢查步驟整合到製造製程中,包括檢驗和審查。檢查步驟可被執行多次,例如在某些階段(諸如在製造或處理某些層之後,或類似階段)。另外或替代地,每個檢查步驟可被重複多次,例如針對不同晶圓位置或針對具有不同檢查設定的相同晶圓位置。
借助非限制性實例,檢查可以採用兩階段「檢驗和審查」過程。
術語「檢驗」是指掃描和分析晶圓或晶圓的一部分,以偵測其中可能發現缺陷的位置。通過檢驗而報告的可疑位置可以包括真實缺陷、錯誤陽性報告、以及滋擾缺陷,所述滋擾缺陷是無害的。可以使用各種非破壞性檢驗工具,借助非限制性實例,該等非破壞性檢驗工具包括掃描電子顯微鏡、原子力顯微鏡、光學檢驗工具等等。
術語「審查」是指捕獲和分析一個或多個特定位置,例如由檢驗製程報告的潛在缺陷位置、源自於設計資料的關注位置、由使用者指出的位置,或類似位置。
在本說明書中使用的術語「設計資料」應被廣泛地解釋為涵蓋指示樣品的分層實體設計(佈局)的任何資料。設計資料可由相應的設計者提供和/或可源自於實體設計(例如,通過複雜模擬、簡單幾何和布耳(Boolean)運算等等)。設計資料可以不同格式而被提供,借助非限制性實例,該等格式諸如GDSII格式、OASIS格式等等。設計資料可以向量格式、灰度強度圖像格式或其他格式而存在。設計資料包括設計結構元素,所述設計結構元素表示待在樣品的一個或多個層上形成的不同特徵。如現有技術中已知,設計結構元素可以被構建為具有閉合輪廓的幾何形狀或結合有其他結構元素的插入的幾何形狀。借助非限制性實例,所給出的設計結構元素可以包括借助於以GDSII格式的SREF、AREF指示符插入的一個或多個STRUCTURE元素,或者可以包括借助於PLACEMENT和REPETITION插入的一個或多個CELL元素(OASIS格式)。
通常,與審查相比,檢驗在更高速度和更低的解析度下被執行。因此,檢驗可以用於覆蓋較大區域並且偵測潛在缺陷,其中缺陷的一些或全部可以在之後被審查並且可選地被進一步檢查。在審查期間,由檢驗工具報告的潛在缺陷中的一些可能被證實是錯誤警報。
在一些實施方式中,檢驗和審查可以通過不同工具執行,但是在其他實施方式中,它們可以通過相同工具執行。
本公開內容的一個態樣涉及一種使用可操作地連接到記憶體的處理器來檢查物件的方法,方法包括:接收多個潛在缺陷,所述多個潛在缺陷中的每個潛在缺陷與潛在缺陷位置相關聯;執行多個潛在缺陷的第一群集以獲得第一子集和一個或多個第二子集,所述群集根據潛在缺陷位置之間的空間距離而被執行,使得第一子集中的潛在缺陷被表徵為在一個或多個實體區域中比第二子集中包括的潛在缺陷具有更高密度;將作為有效缺陷的第一概率自動分配給第一子集中的潛在缺陷,第一概率是根據第一方針計算;將作為有效缺陷的第二概率自動分配給第二子集中的潛在缺陷,第二概率是根據第二方針計算的,第二方針規定如何組合兩個或更多個第二因素;根據包括審查次數在內的考慮而自動進行選擇和分配以根據第三方針和策略由審查工具來審查來自第一子集和第二子集的一個或多個潛在缺陷,第三方針規定如何將來自多個子集的潛在缺陷組合為合併清單,策略指示如何組合來自合併清單的最高元素和來自合併清單的隨機選擇元素;接收在潛在缺陷清單的部分中的潛在缺陷的有效性和類別指示,指示在潛在缺陷清單的部分中的潛在缺陷由審查工具審查之後被接收;並且在未觀察到停止標準後:根據在第一子集和第二子集中的項的有效性和分類更新第一方針、第二方針或第三方針;以及根據所更新的第一方針、第二方針或第三方針重複所述分配、選擇、接收和更新,直至觀察到停止標準。在方法中,停止標準可選地選自由以下組成的組:預定數量的潛在缺陷已由審查工具審查;多個表明潛在缺陷有效的指示的收斂;以及已偵測到與特定缺陷類別相關聯的預定數量的缺陷。在方法中,可選地接收用於所接收的有效性或類別指示的決策置信水準。在方法中,實體區域可選地選自由以下組成的組:區域;在開線(open line)附近的區域;以及在閉線(close line)附近的區域。方法可進一步包括:基於除幾何位置之外的特性執行第二子集的第二群集。在方法中,第二群集的特性可選地包括選自由以下組成的組中的項:在潛在缺陷的位置處的晶圓的陰影或顏色;在潛在缺陷的區域處的晶圓的背景陰影或顏色;在潛在缺陷附近的邊緣;在潛在缺陷附近的特徵;在潛在缺陷附近的多邊形、邊緣或拐角的數量和它們的密度。在方法中,第二群集可選地提供用於確定位於與用於第二群集的特性相關的密集區域中的潛在缺陷,從而提供用於確定系統潛在缺陷。在方法中,與隨機潛在缺陷相關的兩個或更多個第二因素可選地選自由以下組成的組:位於與用於第二群集的特性相關的特徵空間中稀疏的區域處;位於與用於第二群集的特性相關的特徵空間中密集的區域的異常值區域處;接近已驗證的潛在缺陷;以及上述中的兩個或更多個的組合,從而提供用於確定隨機潛在缺陷。在方法中,隨機潛在缺陷可選地與通過不同工具或在不同條件下進行的兩個或更多個掃描相關。在方法中,自動進行選擇和分配以用於審查可選地包括:根據第一概率對第一子集的潛在缺陷進行排序以獲得第一排序列表;根據第二概率對第二子集中的每一個進行排序以獲得一個或多個第二排序列表;根據第三方針對來自第一排序列表或第二排序列表的潛在缺陷的優先順序進行排序以形成合併列表;以及根據策略從合併清單選擇待審查的潛在缺陷。在方法中,第三方針可選地符合選自由以下組成的群組中的一個或多個:從第一排序列表選擇所需數量潛在缺陷的預定的百分比,並且與來自第二分排序列表的潛在缺陷互補;從按概率排序的第一排序列表和第二排序列表的合併列表選擇最高概率潛在缺陷;以及根據使用者輸入對來自第一排序列表或第二排序列表的潛在缺陷的優先順序進行排序,並且選擇優先順序最高的潛在缺陷。在方法中,策略可選地指示從合併列表選擇的,並且與來自合併列表的隨機選擇潛在缺陷互補的最高概率潛在缺陷數量。在方法中,策略可選地在迭代之間改變。在方法中,策略根據選自由以下組成的組中的項可選地在迭代之間改變:相對於較早迭代,增加在後期迭代中的隨機選擇潛在缺陷的數量;如若在先前迭代中識別的真實缺陷的數量低於閾值,則增加隨機選擇潛在缺陷的數量;如若在先前迭代中識別的真實缺陷的數量收斂,則增加隨機選擇潛在缺陷的數量;並且根據在一個或多個先前迭代中識別的真實缺陷的類型或位置分佈改變隨機選擇潛在缺陷的數量。在方法中,分配第一概率或分配第二概率可選地包括:接收使用者指示以將更高的優先順序分配給在特定區域處或具有特定類別的潛在缺陷。在方法中,物件可選地是晶圓或遮罩。
本公開內容的另一態樣涉及一種包括處理器的電腦化系統,處理器經構造以用於:接收多個潛在缺陷,多個潛在缺陷中的每個潛在缺陷與潛在缺陷位置相關聯;執行多個潛在缺陷的第一群集以獲得第一子集和一個或多個第二子集,群集根據潛在缺陷位置之間的空間距離而被執行,使得第一子集中的潛在缺陷被表徵為在實體區域中比第二子集中包括的潛在缺陷具有更高密度;將作為有效缺陷的第一概率自動分配給第一子集中的潛在缺陷,第一概率是根據第一方針計算的;將作為有效缺陷的第二概率自動分配給第二子集中的潛在缺陷,第二概率根據是第二方針計算的,第二方針規定如何組合兩個或更多個第二因素;根據包括審查次數在內的考慮而自動進行選擇和分配以根據第三方針和策略由審查工具來審查來自第一子集和第二子集的一個或多個潛在缺陷,第三方針規定如何將來自多個子集的潛在缺陷組合為合併清單,策略指示如何組合來自合併清單的最高元素和來自合併清單的隨機選擇元素;接收在潛在缺陷清單的部分中的潛在缺陷的有效性和類別指示,指示在潛在缺陷清單的部分中的潛在缺陷由審查工具審查之後被接收;並且在未觀察到停止標準後:根據在第一子集和一個第二子集中的項的有效性和分類更新第一方針、第二方針或第三方針;以及根據所更新的第一方針、第二方針或第三方針重複所述分配、選擇、接收和更新,直至已觀察到停止標準。在系統中,停止標準可選地選自由以下組成的組:預定數量的潛在缺陷已由審查工具審查;多個表明潛在缺陷有效的指示的收斂;以及已偵測到與特定缺陷類別相關聯的預定數量的缺陷。在系統中,自動進行選擇和分配以審查包括:根據第一概率對第一子集的潛在缺陷進行排序以獲得第一排序列表;根據第二概率對第二子集中的每一個排序以獲得第二排序列表;根據第三方針對來自第一排序列表或第二排序列表的潛在缺陷的優先順序進行排序以形成合併列表;以及根據策略從合併清單選擇待審查的潛在缺陷,並且其中第三方針符合選自由以下組成的組中的項:從第一排序列表選擇所需數量潛在缺陷的預定的百分比,並且與來自第二排序列表的潛在缺陷互補;從按概率排序的第一排序列表和第二排序列表的合併列表選擇最高概率潛在缺陷;以及根據使用者輸入對來自第一排序列表或第二排序列表的潛在缺陷的優先順序進行排序,並且選擇優先順序最高的潛在缺陷。
本公開內容的又一態樣涉及包括保持程式指令的電腦可讀儲存媒體的電腦程式產品,當由處理器讀取時,程式指令使處理器執行一方法,方法包括:接收多個潛在缺陷,多個潛在缺陷中的每個潛在缺陷與潛在缺陷位置相關聯;執行多個潛在缺陷的第一群集以獲得第一子集和一個或多個第二子集,群集根據潛在缺陷位置之間的空間距離而被執行,使得第一子集中的潛在缺陷被表徵為在實體區域中比第二子集中包括的潛在缺陷具有更高密度;將作為有效缺陷的第一概率自動分配給第一子集中的潛在缺陷,第一概率是根據第一方針計算的;將作為有效缺陷的第二概率自動分配給第二子集中的潛在缺陷,第二概率是根據第二方針計算的,第二方針規定如何組合兩個或更多個第二因素;根據包括審查次數在內的考慮而自動進行選擇和分配以根據第三方針和策略由審查工具來審查來自第一子集和第二子集的一個或多個潛在缺陷,所述第三方針規定如何將來自多個子集的潛在缺陷組合為合併清單,所述策略指示如何組合來自合併清單的最高元素和來自合併清單的隨機選擇元素;接收在潛在缺陷清單的部分中的潛在缺陷的有效性和類別指示,指示在潛在缺陷清單的部分中的潛在缺陷由審查工具審查之後被接收;並且在未觀察到停止標準後:根據在第一子集和一個第二子集中的項的有效性和分類更新第一方針、第二方針或第三方針;以及根據所更新的第一方針、第二方針或第三方針重複所述分配、選擇、接收和更新,直至觀察到停止標準。
在以下詳細描述中,闡明了眾多特定細節以提供對本發明的透徹理解。然而,熟悉本領域的技術人員應當理解,沒有該等特定細節亦可以實踐本文所公開的主題。在其他實例中,尚未詳細描述的熟知方法、過程、部件和電路,以免混淆本文所公開的主題。
除非另外特別聲明,否則如從以下論述中顯而易見的,應當瞭解,在本說明書全文中利用術語諸如「處理」、「計算」、「表示」、「比較」、「生成」、「評估」、「匹配」、「更新」或類似術語而進行的論述是指將資料操縱和/或變換為其他資料的電腦的(多個)動作和/或(多個)處理,所述資料表示物理(諸如電子)量值和/或所述資料表示實體物件。術語「電腦」應被廣泛地解釋為涵蓋具有資料處理能力的任何種類的基於硬體的電子裝置。
根據本文的教導的操作可以通過出於所需目的而特別構造的電腦或通過由在非暫態電腦可讀儲存媒體中儲存的電腦程式出於所需目的而特別構造的通用電腦來執行。
如本文使用的術語「非暫態記憶體」和「非暫態儲存媒體」應被廣泛地解釋為涵蓋任意包括適用於本文所公開的主題的任何易失性或非易失性電腦記憶體。
本文所使用的術語「審查位置」應被廣泛地解釋為涵蓋在需要被審查的物件上的任何位置,所述物件諸如晶圓、遮罩、印刷電路板材、太陽能電池板材、微機電元件或類似對象。取決於上下文,位置可以涉及表達為在二維或三維中的一組座標的點,或者涉及線或二維或三維區域。審查位置可與暴露或潛在缺陷、關注圖案(例如,特定設計項目的交叉)或在一個或多個檢查階段期間確定的另外限定的關注區域(例如,通過拍攝晶圓或晶圓的一部分的一個或多個光學圖像,並且將獲得的圖像或獲得的圖像中的特徵與期望圖像或與預定特徵比較而在檢驗期間偵測到的,其中差異可被視作潛在缺陷)。審查位置可進一步包括任何需要審查的其他位置,所述位置可以自動提供、人工提供、由使用者提供或以類似方式提供。可以在設計座標和/或綁定到晶圓或其部分的座標中規定審查位置。
術語「自動缺陷分類」(ADC)是指可以作為審查可能缺陷的一部分而執行的可選階段,用於確定可與潛在缺陷相關的類別,例如:錯誤缺陷(錯誤警報);妨害(所述妨害可以是不導致所製造的單位的任何損壞或故障的缺陷);或者真實缺陷。真實缺陷亦可根據多個類型或參數而分類為多個類別,所述類型或參數諸如但不限於不同顆粒組成或大小;定位在物件內的不同孔隙/孔洞大小或位置;短路或開路;微觀或宏觀擦痕;未移除的材料;額外材料;未對準的特徵;圖案掩蔽或類似的類型或參數。
在一些實施方式中,真實缺陷可以按優先順序而被分配,優先順序反應了它們對使用者的重要性。
本文所使用的術語「取樣」應被廣泛地解釋為涵蓋來自通過檢驗工具獲得的晶圓位置集合,或來自任何其他來源(例如,從使用者接收的、從設計資料抽出/提取/萃取的、由先前製程報告的、從外部來源接收的或其他來源)的對一個或多個晶圓位置的任何選擇。所取樣的晶圓位置可以選自待由審查工具審查的晶圓位置集合。
現在參考圖1A,示出了用於檢查晶圓的先有技術製程的示意性流程圖。
在步驟104,系統(諸如關於下面圖2所描述的系統)的檢驗裝置檢驗晶圓。如上文詳述的,檢查流程可以在低解析度下覆蓋大區域,並且可以因此提供多個晶圓位置,所述晶圓位置中的每一個可能是晶圓中的真實缺陷的位置,亦可能不是晶圓中的真實缺陷的位置。檢驗工具在顯著速度下、以顯著的錯誤警報率為代價可操作地覆蓋晶圓的大區域。由於大量潛在缺陷和高錯誤警報率,審查全部潛在缺陷以驗證哪些確實是真實缺陷而哪些不是真實缺陷,並且對它們進行分類是不可能的。例如,隨著設計規則的縮小和圖案的複雜性增加,錯誤警報率可能超過99%。
由此,在步驟108,系統可(例如通過較慢但解析度較高的審查裝置)執行取樣以選擇待審查的潛在缺陷的子集。
在步驟112,系統的審查裝置可以審查所選擇的樣本。可選地,審查結果(例如由捕獲裝置獲取的圖像)亦可以由使用者或另一製程進行審查,用於驗證所審查的位置是否確實與真實缺陷相關聯,或用於對缺陷進行分類。
取樣步驟108可以隨後被重複,例如直至預定數量的真實缺陷被確定,直至製造方案或對缺乏其他資源而不允許任何更多審查。
在步驟116,系統可以輸出審查結果,例如顯示或發送至使用者或至製程、儲存在檔案或資料庫中或類似以方式輸出。
現在參考圖1B,示出了根據本公開內容的一些實施方式的檢查流程的示意性流程圖。
在步驟124,檢查系統的檢驗裝置可以如上文關於步驟104詳述的那樣檢驗晶圓或晶圓的一部分,並且可以確定潛在缺陷。每個此類潛在缺陷可以與位置相關聯,並且可選地與特性(表達為例如特徵向量)相關聯。
在步驟128,系統可以執行迭代取樣,在迭代取樣中,在每個迭代處選擇潛在缺陷子集以提供迭代選擇的樣本。如下文詳述的,迭代取樣可以根據一個或多個方針(policy)來執行,例如涉及如何按優先順序對晶圓位置排序並且對晶圓位置進行取樣。
在步驟132,審查裝置可以如關於上文關於步驟112詳述的那樣審查迭代選擇的樣本。
步驟132可以包括步驟133,用於將缺陷分類為預定類別。步驟133可以作為步驟132的一部分或作為獨立步驟而被執行。
在步驟134,系統可以根據審查結果更新取樣方針,或者可以回饋所更新的方針,並且可以根據結果或根據所更新的方針再次執行迭代取樣步驟128。
在步驟136,系統可以如上文關於步驟116詳述的那樣輸出最後迭代和可選地先前迭代的結果。
現在參考圖2,示出了根據本公開內容的一些實施方式的用於檢查晶圓的電腦化環境的示意圖。
圖2示出了檢查部件200、檢驗工具204、審查工具216和取樣部件220。
網路228被耦接至檢查部件200、檢驗工具204、審查工具216和取樣部件220。例如,網路228可以是工廠通信系統(fab communication system)。為了簡化說明,僅示出了單個檢驗工具204和單個審查工具216。然而,應當注意,多個檢驗工具和多個審查工具可以在實踐中使用並且經由網路228連接。為了進一步簡化說明,示出了單個取樣部件220和單個檢查部件200。然而,應當注意,可以使用多於一個的取樣部件220或多於一個的檢查部件200。另外或替代地,取樣部件220和檢查部件200中的每一個可以作為一個或多個互連計算平臺而被實施。
本發明並不受提供在圖2中的每個實體之間的實體通信和耦接的類型所限制。不論此類部件是否在圖2中示出,任何兩個部件都可直接、經由網路228、經由任何其他部件連接。
為了簡化說明,儘管取樣部件220和檢查部件200被示出為獨立電腦系統,應當注意,該等部件的任一個可以是檢驗工具204或審查工具216的部分。或者,取樣部件220和檢查部件200可以作為一個電腦系統而被實施。根據本發明的一些實施方式,取樣部件220和檢查部件200的一個或多個可以作為硬體設施促成,所述硬體設施放置在(例如)檢驗工具204、審查工具216或與工廠相關聯的任何其他計算系統的電子機架上。
檢查部件200可以經構造以執行上文圖1B的方法(包括啟動取樣部件220),並且取樣部件220可以經構造以執行下文圖3和圖4的方法。
取樣部件220可以包括記憶體單元224和處理器228。
記憶體單元224可以經構造以儲存以下內容的至少一個:用於執行方法(諸如下文圖3中詳述的方法)所需的資訊;用於執行所述方法所需的軟體;或者在執行所述方法期間生成的資訊。
處理器228可以經構造以在方法(諸如下文圖3中詳述的方法)中的任何步驟期間執行所需的任何操作。
檢查部件200可以包括記憶體單元208和處理器212。
記憶體單元208可以經構造以儲存以下內容的至少一個:用於執行上文圖1B中描繪的方法所需的資訊;用於執行所述方法所需的軟體;或者在執行所述方法期間生成的資訊。
處理器212可以經構造以在上文圖1B中描繪的方法中的任何步驟期間執行所需的任何操作。
應當瞭解,圖2所描繪的檢查流程可以重複多次,用於針對不同的層、或晶圓的不同部分、製造製程中的不同階段或類似情況。
檢查部件200可以經構造以啟動取樣部件220,用於在從檢驗(124)接收的潛在缺陷中迭代取樣(128)將審查(132)的那些缺陷。
現在參考圖3,示出了在檢查期間對潛在缺陷的迭代取樣的方法的流程圖。
取樣部件228的處理器220可以執行迭代取樣步驟128。
迭代取樣步驟128可以包括步驟304,在記憶體中獲得和調節多個潛在缺陷。潛在缺陷,例如由檢驗步驟124偵測的潛在缺陷,從分析晶圓的設計資料、或者從任何其他來源獲得的潛在缺陷。潛在缺陷可以從儲存裝置、使用者、協力廠商或任何其他外部來源接收。每個潛在缺陷可以與位置相關聯或與特性(可以表達為特徵向量)相關聯。
處理器220可以從一個或多個掃描集合獲得潛在缺陷,其中兩個掃描集合可以在用於執行所述掃描集合的檢驗工具、偵測敏感度閾值或掃描的任何成像參數(諸如放大率、光方向和波長、光電力/功率、極化、光收集角或類似參數)方面不同。
取樣部件220可以經構造以執行步驟308,其中潛在缺陷在第一群集步驟被群集以確定第一集群和至少一個第二集群。第一群集步驟可以利用缺陷位置並且可以基於在缺陷之間的空間距離。第一集群可被稱為包括「標記」缺陷,此種缺陷可表徵為在區域內、沿著晶圓的徑向區域、沿著晶圓的部分區域的周邊、沿著開線、或具有任何其他幾何特性的缺陷的高密度。
標記缺陷可能由不慎接觸晶圓、擦痕或類似情況所導致。
標記缺陷可以通過根據幾何度量對缺陷進行群集來確定,使得在實體上彼此靠近的缺陷可能與相同集群相關聯,而遠距離的缺陷可能群集為不同集群。群集步驟308可以利用K-均值、分級群集、平均偏移或任何其他群集演算法。
因此,第一子集可以包括假定與某個區域相關聯的多個潛在缺陷。應當瞭解,多個第一子集可以通過群集來確定,其中所述子集可歸因於相同區域或原因,諸如擦痕。
不與第一子集相關聯但與相同的第二子集相關聯的潛在缺陷可歸因於幾何接近,但是可以不像(多個)第一子集中的潛在缺陷那樣彼此靠近。
應當瞭解,群集步驟318可以被獨立進行,以用於由每個掃描集合提供的潛在缺陷。或者,來自不同掃描集合的潛在缺陷可以被群集在一起,在此種情況下,在一個或多個集群中的多個實體可指示相同的潛在缺陷。
迭代取樣部件220可以執行步驟312,根據一個或多個方針生成潛在缺陷列表。
迭代取樣部件220可以執行步驟320,根據第一方針將概率分配給在(多個)第一子集中的潛在缺陷,步驟320可以是步驟312的一部分。應當瞭解,在下文描述中,術語概率涉及潛在缺陷是真實缺陷的概率的估計。
涉及對潛在缺陷進行標記的第一方針可以基於多個概率進行分配,諸如但不限於下列:
1.標記類型:標記缺陷可以基於參數(諸如大小、密度、形狀和晶圓上的位置)被分類為多個類目。一些標記類目具有被證實是真實缺陷的已知概率,因此可以將預定概率分配給屬於此種類型的缺陷。
2.標籤(label)均勻性:標籤涉及被分類為真實或錯誤的缺陷。標記缺陷傾向於含有帶相似標籤的缺陷,因此如若來自標記的缺陷的一部分被證實為真實缺陷,則亦可假定在該標記中的大部分的缺陷為真實缺陷,並且對於錯誤缺陷來說亦是類似的。在兩種情況下,由於對具有相同標記的另外缺陷是真實缺陷還是錯誤缺陷有高置信度,審查具有相同標記的另外缺陷就可能不太重要。如若存在各種類型缺陷,可能需要進一步的取樣。
3.基於異常值偵測並連同上文所論述的測量來對標記中的特定缺陷進行取樣。如若標記是均勻的,則可以基於異常值偵測來取樣,以進一步識別標記中的缺陷類型。例如,方針可以規定,相較於周邊潛在缺陷,更靠近與每個集群相關聯的潛在缺陷的超球面的中心的潛在缺陷被分配為更低概率。或者,對於在相同集群中距其他缺陷的幾何或歐幾裡德(Euclidean)距離的總和大於其相鄰缺陷的距離總和的缺陷,可被分配更高概率。在另外替代中,任何其他異常值偵測標準可以被方針使用以估計概率。隨著潛在缺陷距已知真實缺陷的距離減小,概率可以增加,其中距離可以在缺陷特性的特徵空間中被測量。如若標記是高度均勻的,則可有利地將更高概率分配給異常值缺陷,所述異常值缺陷可能含有新的資訊,對標記缺陷的另外隨機取樣可能是優選的。
上文所論述的三種概率可組合為單個概率,例如,通過線性組合。應當瞭解,儘管如上文的第三項中詳述的特定缺陷的概率是恆定的並且涉及它們在特徵空間中的位置,在上文的第一項和第二項中詳述的標記類型和標籤均一性概率可根據來自先前分類的結果的回饋來更新。標記類型可以基於涉及每個類型的分類器的置信度(confidence)來用作先驗概率基礎。第一概率可以基於所接收的標籤指示和它們與特定標記類型的關係來更新。
迭代取樣部件220可以執行步驟316,在第二子集中將概率分配給潛在缺陷,步驟316可以是步驟312的一部分。
步驟316可以包括在第二子集中的潛在缺陷的第二群集步驟324。第二群集步驟可以使用除幾何度量之外的一個或多個度量,所述幾何度量在群集步驟308中使用。例如,可以使用基於下列中的任一個或多個的度量:潛在缺陷的區域的陰影、顏色、形狀或大小;相對於背景的區域陰影或顏色或灰階分佈的性質;內容屬性,諸如邊緣或潛在缺陷的密度,在潛在缺陷附近的邊緣方向或其他特徵的方向的典型的幅度或分佈,所述典型的幅度或分佈可以使用傅立葉(Fourier)變換或圖像邊緣或其他特徵的另一函數表達;設計屬性,諸如在潛在缺陷附近的多邊形數量、周邊長度、各種拐角的數量和密度或其他特徵,所述設計屬性可以使用傅立葉轉換或多邊形、邊緣、拐角或其他特徵的另一函數或類似方式來表達。
應當瞭解,第二群集步驟324可以包括基於不同屬性集合或不同度量的兩個或更多個群集操作。
例如,一個或多個集群可歸因於在與設計相關聯的特性的空間中的密度,諸如在潛在缺陷附近的邊緣或多邊形。因此,分配到相同集群的潛在缺陷可歸因於設計並且可被稱為「系統」潛在缺陷。例如,一些設計特徵可能無法由檢驗工具很好地捕獲,並且可能生成多個系統潛在缺陷,該等系統潛在缺陷實際上是錯誤警報。
因此,在一些實施方式中,群集可以利用如上文詳述的設計屬性來執行,並且可以確定在該等屬性方面是密集的潛在缺陷的一個或多個集群。潛在缺陷的其餘部分(稱為「隨機」潛在缺陷)可以使用不同特性或不同度量來進行進一步的群集。
在下文描述中,術語距離、密度、稀疏度、靠近、遠距離的或其他術語,涉及除幾何距離之外的在群集期間使用的度量。
迭代取樣部件220可以執行步驟328,根據第二方針將概率分配給可能與設計問題相關聯的系統缺陷,步驟328可以是步驟312的一部分。
例如,可以基於參數(諸如在上文涉及將概率分配給標記缺陷的描述中在參數2和3中詳述的標籤均一性和異常值程度)來設定概率。
迭代取樣部件220可以執行步驟332,根據第二方針將概率分配給隨機缺陷,步驟332可以是步驟312的一部分,其中分配的值是隨機潛在概率為真實缺陷的估計的概率。
應當瞭解,第二方針可以包括獨立的子方針,用於將概率分配給系統缺陷(步驟328)和隨機缺陷(步驟332)。或者,可以使用兩個獨立的方針。
第二方針可以基於一個或多個因素而在步驟332將概率分配給隨機潛在缺陷,該等因素可以包括但不限於以下標準中的任一個或多個。
1.位於N維稀疏區域處,其中維度可以涉及缺陷的任何參數,但是優選地不涉及在第一群集步驟308中考慮的缺陷的位置。由於在當前技術中,大部分的潛在缺陷被證實是錯誤警報而非真實缺陷,密集區域可以表示比真實缺陷更多/聚噪音。由此,位於N維稀疏區域中的潛在缺陷可能更有可能是真實缺陷;
2.作為異常值,即,位於密集區域的邊界上:對於下述此種缺陷,該缺陷距其鄰域中的其他缺陷的距離的總和大於該缺陷的相鄰缺陷的對應的總和,可以將比其他缺陷高的概率分配給該缺陷。在另外替代中,任何其他異常值偵測標準都可用於估計概率;或者
3.接近已知的真實缺陷、接近特別關注的已知缺陷、或接近由使用者指出的關注區域:如若潛在缺陷已經在先前迭代中被取樣,並且被證實是真實缺陷或特別關注類型的缺陷,則可以假定靠近所述潛在缺陷的缺陷亦是真實缺陷。
所選擇的具體因素和它們的相對權重可由第二方針確定並且可以在迭代之間改變。
因此,步驟312的輸出可以包括:零、一個或多個標記潛在缺陷的集合;零、一個或多個系統潛在缺陷的集合;以及零、一個或多個隨機潛在缺陷的集合,與概率相關聯的任意一個集合中的每個潛在缺陷是有效缺陷。
應當瞭解,在任一子集中或在不同子集之間可以存在重複,例如此是由於在多於一個掃描集合中報告的潛在缺陷。由於群集可以是啟發性的過程,一個潛在缺陷實例可以被識別為系統缺陷,而相同缺陷的另一實例可以被識別為隨機潛在缺陷。
迭代取樣部件220可以經構造以執行步驟336,步驟336中根據第三方針對來自上文所述類型的子集的潛在缺陷進行排序並且根據策略進行選擇以用於審查。
現在參考圖4,示出了選擇和分配潛在缺陷以用於審查的方法的實施方式的流程圖,因此詳述上文中的步驟336。
在步驟404,迭代取樣部件220可以根據所分配的概率對第一子集的潛在缺陷(例如標記缺陷)進行排序。如若存在多個第一子集,則每一個第一子集可以根據分配給特定子集中的潛在缺陷的概率進行排序。或者,全部第一子集可以被合併,並且被排序為第一排序列表。
在步驟408,迭代取樣部件220可以根據所分配的概率將第二子集的潛在缺陷(包括系統缺陷的一個或多個子集或隨機缺陷的一個或多個子集)排序為一個或多個第二排序列表。系統子集和隨機子集中的每個子集可以根據分配給特定子集中的潛在缺陷的概率進行排序。或者,全部第二子集可以被合併,並且被排序為第二排序列表。在又一替代中,全部系統缺陷子集可以被合併,並且進行排序,或者全部隨機缺陷子集可以被合併,並且進行排序。
在步驟412,迭代取樣部件220可以對來自第一或第二排序列表的潛在缺陷的優先順序進行排序以形成潛在缺陷的合併列表,合併列表中的潛在缺陷待通過審查工具216進行審查。
可以根據第三方針而選擇待審查的潛在缺陷,第三方針可在迭代之間改變。所述方針可以根據需求、審查預算、涉及真實/錯誤缺陷的數量和比率或涉及缺陷分類的先前迭代的結果、使用者偏好或類似情況而改變。
例如,以下方針中的任一個或多個可以用於合併列表:
1.從每個排序列表抽出/提取/萃取相等數量的潛在缺陷。因此,如若存在100個待審查的潛在缺陷的預算和四個清單,則可以從每個列表選擇25個具有最高概率的潛在缺陷以用於審查;
2.從全部清單抽出/提取/萃取具有最高概率的潛在缺陷,此相當於合併列表、排序合併列表並選擇最高優先順序的潛在缺陷;
3.相對於子集大小從每個子集取樣若干潛在缺陷。例如,如若一個子集是另一個子集的兩倍長,則來自此子集的樣本的數量將是來自另一個子集的樣本的數量的兩倍,其中將從每個子集選擇具有最高概率的潛在缺陷;
4.將權重分配給每個掃描集合,並且將每個潛在缺陷的概率與由每個掃描集合報告的掃描集合的權重相乘或以另外方式組合,並且隨後使用上述方法1-3中任一個方法根據權重概率選擇潛在缺陷。權重可以在迭代之間調節:例如,清單與某個掃描集合相關,該掃描集合中真實缺陷的百分比高於其他的掃描集合,可以將較高權重分配該列表以用於接下來的一個或多個迭代。
5.根據使用者輸入選擇。例如,如若使用者關注晶圓的特定區域,則將在其他區域中的潛在缺陷之前選擇在此區域中的潛在缺陷。如若使用者關注特定類型的潛在缺陷,諸如橋中的潛在缺陷,則此資訊可以從設計資料獲得,並且因此此類潛在缺陷可能在系統缺陷子集中出現,由此,潛在系統缺陷可以在其他缺陷之前被選擇。
應當瞭解,眾多其他方針可以用於組合子集,因此形成經潛在缺陷的概率排序(ordered) 的合併列表。
合併列表可以長於潛在缺陷的數量,所述潛在缺陷可以在當前迭代中被審查。
由此,在步驟416,迭代取樣部件220可以根據策略從合併清單選擇待審查的潛在缺陷。應當瞭解,待在每個迭代上選擇的潛在缺陷的數量可以取決於待審查的總潛在缺陷的數量,並且亦取決於系統資源。例如,如若審查由單個電腦化平臺執行,並且是多核的(例如一百個核心是可用的),則在每個迭代將合理地選擇一百個潛在缺陷以便完全利用核心。
在一些實施方式中,可以選擇最高概率元素,由於它們具有為真實缺陷的最高概率。此策略可以被稱為開發(exploitation),即,根據概率嘗試獲得儘可能多/聚真實缺陷以確實發現真實缺陷。然而,特別地在後期的(advanced)迭代中,當在每個迭代中識別的新的真實缺陷的數量降低時,可以假定策略應改變,並且可以選擇隨機潛在缺陷,而與它們在列表中的位置無關。此策略可以被稱為探查(exploration),即,在沒有非常強的指示去探查潛在缺陷的其他區域或其他類型的情況下,探查潛在缺陷的其他區域或其他類型。
應當瞭解,可以採取組合的策略,其中從合併列表選擇具有最高概率的潛在缺陷以作為待審查的潛在缺陷的預算中的一些,同時可以從合併列表隨機地選擇缺陷的其餘部分。在兩種類型之間的比例,即,根據最高概率選擇哪一百分比或數量的潛在缺陷以及從列表隨機地選擇哪一百分比或數量可以隨著時間而改變,其中,在較早的迭代中,全部或大部分潛在缺陷可以從最高概率的缺陷選擇,並且隨著迭代前進,更多潛在缺陷被隨機選擇。
選擇策略亦可以取決於先前迭代的結果而改變。例如,如若以開發的方式選擇顯著數量的潛在缺陷,並且較少數量(例如,低於閾值的數量)的新的缺陷已經被偵測到,則開發百分比可以減小並且可以更多潛在缺陷可被隨機選擇;隨機地選擇的潛在缺陷的數量可以根據在一個或多個先前迭代中識別的真實缺陷的類型或位置分佈、或任何其他一個或多個因素而改變。在迭代i中的在探查與開發之間的比例pi可以用公式表示為 ,其中a和b是線性因素;f是反應在迭代i的探查與開發之間的改變的函數;r是在先前迭代n中真實缺陷和錯誤缺陷的比率,其中n是在0與i-1之間的由使用者選擇的參數,例如第一迭代或類似的迭代;並且g反應了作為在真實和錯誤比率中的改變的函數的比例改變,例如g可以是指數或線性函數。在整個迭代中的策略和各種動作亦可以通過瑪律可夫決策過程(Markov Decision Process)來定義或通過Q學習或增強式學習方法來學習。
可以隨後將所選擇的潛在缺陷的位置提供給審查工具,所述審查工具可以審查所述位置,例如通過捕獲圖像。圖像可以自動處理或由使用者審查,並且可以提供所審查的潛在缺陷是否是真實缺陷的指示,和可選地提供所審查的潛在缺陷為何種類型的指示,例如橋、交叉、顆粒、剩餘材料或開口。
現返回參考圖3,在步驟340,取樣部件220可以獲得關於潛在缺陷的有效性(即,潛在缺陷是否是真實缺陷)和可選地其類型的資訊。可選地,置信水準可以與每個潛在缺陷是真實還是錯誤的指示相關聯。
取樣部件220可以隨後在步驟344確定是否已滿足停止標準。停止標準可以是但不限於下列中的任一個或多個:
1.已經使用了審查預算,即,已經滿足晶圓或檢查指定的審查數量;
2.收斂:在先前迭代中是否已偵測到充分數量的真實缺陷。例如,如若在最後迭代中發現的真實缺陷的數量或迭代的最後預定的數量低於在若干迭代期間固定的預定閾值,則執行另外迭代可能是不太有利的,並且可以停止處理。或者,如上文提及的,在未來的迭代中,較大的百分比的潛在缺陷可以被隨機選擇,並且不從最高概率潛在缺陷中選擇;
3.已偵測到與特定缺陷類別相關聯的多個缺陷。
如若已經觀察到停止標準,則處理可以在步驟348結束。然而,如若尚未滿足停止標準,則在步驟352,可以更新使用的方針中的一個或多個或策略。例如,可以改變在確定系統或隨機潛在缺陷的概率時使用的相對權重、可以改變合併清單的方式和如何從合併清單選擇潛在缺陷的方式或類似方針/策略。改變可以自動提供、由使用者提供、或以上述組合的方式提供,其中方針被自動建議並且使用者可以接受或改變所述方針。
在一些實施方式中,可以在迭代之間引入另外改變。例如,步驟328可以使用經調整以用於少量標籤(諸如最近鄰的K)的分類器執行,但是迭代的每個預定數量、或當某種條件(諸如過多或過少的特定類型的缺陷)發生時,可以使用不同分類演算法,諸如支援向量機(Support Vector Machine, SVM)。
現在參考圖5,示出了根據本公開內容的一些實施方式的用於當檢查晶圓時對待審查的位置進行自我調整取樣的系統的功能圖。
所示出的系統可以包括計算平臺500,計算平臺500實施取樣部件220並且經構造以執行圖3和圖4的方法。
計算平臺500可以包括儲存裝置504。儲存裝置504可以是硬碟驅動器、快閃記憶體盤、隨機存取記憶體(RAM)、記憶體晶圓或類似儲存裝置。在一些示例性實施方式中,儲存裝置504可以存有程式碼,所述程式碼可操作地使處理器512執行與計算平臺500的子部件的任一個相關聯的動作。
在所公開的主題的一些示例性實施方式中,計算平臺500可以包括輸入/輸出(I/O)裝置508。諸如顯示器、定點裝置、鍵盤、觸控式螢幕或類似裝置。I/O裝置508可以用以將輸出提供給使用者並且從使用者接收輸入。
計算平臺500可以包括一個或多個處理器512。處理器512可以是中央處理單元(CPU)、微處理器、電子電路、積體電路(IC)或類似處理器。處理器512可以用以執行計算平臺500或其子部件的任一個所需的計算,諸如圖3和圖4的方法中的步驟。
應當瞭解,處理器512可以經構造以根據在非暫態電腦可讀儲存媒體上實施的電腦可讀指令執行若干功能模組。此類功能模組在下文被稱為包括在處理器中。
在下文詳述的部件可以作為一組或多組相關電腦指令而被實施,例如,電腦指令通過處理器504或通過另一個處理器執行。部件可作為以任何程式設計語言程式設計的並且在任何計算環境下的一個或多個可執行檔、動態庫、靜態程式庫、方法、功能、服務或類似形式而被佈置。部件可以載入到記憶體中並被執行。
處理器512可以經構造而包括用於根據所給出的度量對多個項進行群集的群集模組520。群集模組520可以可操作地使用幾何度量執行對所提供的潛在缺陷的第一群集,並且將該等潛在缺陷群集為標記缺陷和其他的缺陷。群集模組520同樣可以可操作地使用如上文所公開的其他、非幾何度量執行對非標記缺陷的第二群集以將它們群集為另外集群。
處理器512可以經構造而包括用於基於方針將概率分配給一個或多個潛在缺陷的概率分配模組524。方針可以涉及各種因素,諸如是否在密集區域中(無論該密度是基於哪種度量的)、使用者指令或其他因素。
處理器512可以經構造而包括用於合併兩個或更多個清單的清單合併模組528,其中每個清單按照內部順序而被排序。如上文關於圖4的步驟412詳述的,列表可以基於任何方針進行合併。
處理器512可以經構造而包括用於從合併列表選擇待審查的潛在缺陷的潛在缺陷選擇模組532。如上文關於圖4的步驟416詳述的,選擇可以被要求滿足探查或開發需求、或上述組合。
處理器512可以經構造而包括用於與其他裝置(諸如檢驗或審查工具、捕獲裝置、資料庫或類似裝置)通信的一個或多個通信部件536。
處理器512可以經構造而包括資料和控制流模組540,利用所需資料或通過使得能夠訪問此類資料在所需階段啟動其他模組或部件。
處理器512可以經構造而包括用於從使用者接收輸入或將輸出提供給使用者的使用者介面544,所述輸入或輸出諸如關注缺陷或區域的指示、探查/開發偏好的指示、或類似的指示。使用者介面544可通過利用I/O裝置508與使用者交換資訊。
應當注意,本文所公開的主題的教導不受關於圖5所描述的計算平臺的限制。等效和/或修改的功能性可以通過另一方式被整合(consolidate)或劃分,並且可以通過軟體與韌體和/或硬體的任何適當組合而被實施並且在一個或多個合適裝置上被執行。
系統可以是獨立實體、或與可直接或經由網路連接到其上的其他實體完全或部分整合。
亦應注意,儘管圖3和圖4的方法可以通過圖5的系統執行,此絕不是結合,並且操作可以由除本文所述那些之外的元素的不同組合或類似方式執行。亦應注意,本文所公開的主題的教導不受圖3和圖4所示的流程圖限制,並且所示出的操作可以不按所示出的順序發生。
應當理解,本發明在其應用態樣並不被在本文中含有的描述中闡述或在附圖中示出的細節限制。本發明能夠存在其他實施方式並且能夠以各種方式而被實踐和實現。因此,應當理解,本文所採用的措辭和術語是出於描述的目的而不應視為限制。因此,熟悉本領域的技術人員應當瞭解,本公開內容基於的概念可輕易地用作設計其他結構、方法和系統的基礎以實現本文所公開的主題的若干目的。
亦應理解,根據本發明的系統可以至少部分在適當地程式設計的電腦上實施。同樣,本發明構想了可由電腦讀出以執行本發明的方法的電腦程式。本發明進一步構想以有形的方式體現可由電腦執行以執行本發明的方法的指令程式的非暫態電腦可讀記憶體。
熟悉本領域的技術人員將容易地瞭解,在不脫離在所附請求項中以及其限定的本發明的保護範圍的情況下,可對如上文所述的本發明的實施方式執行各種修改和變化。
104‧‧‧檢驗
108‧‧‧取樣
112‧‧‧審查所選擇的樣本
116‧‧‧輸出
124‧‧‧偵測
128‧‧‧迭代取樣
132‧‧‧審查
133‧‧‧缺陷分類
134‧‧‧更新方針
136‧‧‧輸出
204‧‧‧檢驗工具
220‧‧‧取樣部件
224‧‧‧記憶體
228‧‧‧處理器
200‧‧‧取樣部件
208‧‧‧記憶體
212‧‧‧處理器
216‧‧‧審查工具
304‧‧‧接收潛在缺陷
308‧‧‧根據位置密度進行第一群集,以確定第一子集和至少一個第二子集
312‧‧‧根據方針生產可能缺陷清單
316‧‧‧群集(多個)第二子集,並分配第二概率
324‧‧‧進行第二群集
328‧‧‧根據第二方針將概率分配給系統缺陷清單
332‧‧‧根據第二方針將概率分配給(多個)隨機缺陷列表
320‧‧‧根據第一方針將概率分配給第一子集
336‧‧‧根據第三方針和策略進行選擇和分配以審查來自列表的潛在缺陷
340‧‧‧從審查工具接收所審查的缺陷的有效性或類型的指示
344‧‧‧發生停止標準
352‧‧‧更新方針或策略
348‧‧‧停止
404‧‧‧排序第一子集以獲得第一排序列表
408‧‧‧排序至少一個第二子集以獲得至少一個第二排序列表
412‧‧‧對來自第一排序列表或至少一個第二排序列表的潛在缺陷的優先順序進行排序以形成合併列表
416‧‧‧根據策略從合併清單選擇待審查的潛在缺陷
508‧‧‧I/O裝置
500‧‧‧計算平臺
504‧‧‧記憶體
512‧‧‧(多個)處理器
516‧‧‧取樣部件
520‧‧‧群集模組
524‧‧‧概率分配模組
532‧‧‧潛在缺陷選擇模組
540‧‧‧資料和控制流模組
528‧‧‧清單合併模組
544‧‧‧使用者介面
536‧‧‧(多個)通信模組
為了理解本發明和明白在實踐中可如何執行本發明,將參考附圖借助非限制性實例來描述實施方式,其中:
圖1A示出了晶圓的檢查流程的現有技術一般化流程圖;
圖1B示出了根據本公開內容的一些示例性實施方式的晶圓的檢查流程的一般化流程圖;
圖2示出了根據本公開內容的一些示例性實施方式的用於檢查晶圓的系統的一般化方框圖;
圖3示出了根據本公開內容的一些示例性實施方式的晶圓的取樣和審查流程的示例性流程圖;
圖4示出了根據本公開內容的一些示例性實施方式的從多個子集選擇樣本以用於審查的示例性流程圖;以及
圖5示出了根據本公開內容的一些示例性實施方式的用於對審查位置取樣的系統的示意性方框圖。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記) 無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記) 無
Claims (20)
- 一種檢查物件的電腦化方法,所述方法包括: a. 通過包括可操作地連接到一記憶體的一處理器的一電腦,接收多個潛在缺陷,所述多個潛在缺陷中的每個潛在缺陷與一潛在缺陷位置相關聯; b. 通過所述電腦,執行所述多個潛在缺陷的一第一群集以獲得一第一子集和至少一個第二子集,所述群集根據潛在缺陷位置之間的空間距離而被執行,使得所述第一子集中的潛在缺陷表徵為:在至少一個實體區域中比所述至少一個第二子集中包括的潛在缺陷具有一更高密度; c. 通過所述電腦,將作為有效缺陷的第一概率自動分配給所述第一子集中的潛在缺陷,所述第一概率是根據一第一方針計算的; d. 通過所述電腦,將作為有效缺陷的第二概率自動分配給所述至少一個第二子集中的潛在缺陷,所述第二概率是根據一第二方針計算的,所述第二方針規定如何組合至少兩個第二因素; e. 通過所述電腦,根據包括審查次數在內的考慮來自動進行選擇和分配,以根據一第三方針和一策略由一審查工具來審查來自所述第一子集和所述至少一個第二子集的至少一個潛在缺陷,所述第三方針規定如何將來自多個子集的潛在缺陷組合為一合併清單,所述策略指示如何組合來自所述合併清單的最高元素和來自所述合併清單的隨機選擇元素; f. 通過所述電腦,接收所述潛在缺陷清單的所述部分中的潛在缺陷的有效性或類別指示,所述指示在所述潛在所述缺陷清單的所述部分中的潛在缺陷由所述審查工具審查之後被接收;以及 g. 在未觀察到一停止標準後: i. 通過所述電腦,根據所述第一子集和所述至少一個第二子集中的一項的有效性或分類來更新所述第一方針、所述第二方針或所述第三方針;以及 ii. 通過所述電腦,根據所更新的所述第一方針、所述第二方針或所述第三方針重複步驟(c)-(g),直至觀察到所述停止標準。
- 根據請求項1所述的方法,其中所述停止標準選自由以下組成的所述群組:一預定數量的潛在缺陷已由所述審查工具審查;多個表明一潛在缺陷有效的指示的收斂;以及已偵測到與一特定缺陷類別相關聯的一預定數量的缺陷。
- 根據請求項1所述的方法,其中接收用於所接收的所述有效性或類別指示中的至少一個的一決策置信水準。
- 根據請求項1所述的方法,其中所述至少一個實體區域選自由以下組成的所述群組:一區域;在一開線附近的一區域;以及在一閉線附近的一區域。
- 根據請求項1所述的方法,進一步包括:基於除幾何位置之外的特性執行對所述至少一個第二子集的一第二群集。
- 根據請求項5所述的方法,其中所述第二群集的所述特性包括選自由以下組成的所述群組中的至少一項:所述晶圓在一潛在缺陷的一位置處的陰影或顏色;所述晶圓在所述潛在缺陷的一區域處的背景陰影或背景顏色;在所述潛在缺陷附近的邊緣;在所述潛在缺陷附近的一特徵;在所述潛在缺陷附近的多邊形、邊緣或拐角的數量和它們的密度。
- 根據請求項5所述的方法,其中所述第二群集提供用於確定與用於所述第二群集的特性相關的位於一密集區域中的潛在缺陷,從而提供用於確定系統潛在缺陷。
- 根據請求項5所述的方法,其中關於隨機潛在缺陷的所述至少兩個第二因素是選自由以下組成的所述群組: 位於與用於所述第二群集的所述特性相關的一特徵空間中的一稀疏區域處; 位於與用於所述第二群集的所述特性相關的一特徵空間中一密集區域的一異常值區域處; 接近一已驗證的潛在缺陷;以及 上述中的兩個或更多個的組合, 從而提供用於確定隨機潛在缺陷。
- 根據請求項8所述的方法,其中所述隨機潛在缺陷與通過不同工具或在不同條件下進行的至少兩個掃描相關聯。
- 根據請求項1所述的方法,其中自動進行選擇和分配以用於審查包括: 根據至少一個第一概率對所述第一子集的潛在缺陷進行排序以獲得一第一排序列表; 根據至少一個第二概率對所述至少一個第二子集中的每一個進行排序以獲得至少一個第二排序列表; 根據所述第三方針對來自所述第一排序列表或所述至少一個第二排序列表的潛在缺陷的優先順序進行排序以形成一合併列表;以及 根據所述策略從所述合併列表選擇待審查的潛在缺陷。
- 根據請求項10所述的方法,其中所述第三方針符合選自由以下組成的所述群組中的至少一項: 從所述第一排序列表選擇一所需數量潛在缺陷的一預定的百分比,並且與來自所述至少一個第二排序列表的潛在缺陷互補; 從按概率排序的所述第一排序列表和所述至少一個第二排序列表的一合併列表選擇最高概率潛在缺陷;以及 根據使用者輸入對來自所述第一排序列表或所述至少一個第二排序列表的潛在缺陷的優先順序進行排序,並且選擇優先順序最高的潛在缺陷。
- 根據請求項10所述的方法,其中所述策略指示從所述合併列表選擇的,並且與來自所述合併列表的隨機選擇潛在缺陷互補的一最高概率潛在缺陷數量。
- 根據請求項12所述的方法,其中所述策略在迭代之間改變。
- 根據請求項12所述的方法,其中所述策略根據選自由以下組成的所述群組中的一項在迭代之間改變:相對於較早迭代而增加在後期迭代中的隨機選擇潛在缺陷的所述數量;如若在先前迭代中識別的一真實缺陷的數量低於一閾值,則增加隨機選擇潛在缺陷的數量;如若在先前迭代中識別的真實缺陷的數量收斂,則增加隨機選擇潛在缺陷的所述數量;並且根據在一個或多個先前迭代中識別的真實缺陷的類型或位置分佈改變隨機選擇潛在缺陷的所述數量。
- 根據請求項1所述的方法,其中分配所述第一概率或分配所述第二概率包括:接收使用者指示以將更高的優先順序分配給在特定區域處或具有特定類別的潛在缺陷。
- 根據請求項1所述的方法,其中所述物件是一晶圓或一遮罩。
- 一種包括處理器的電腦化系統,所述處理器經構造以: a.在接收多個潛在缺陷時,所述多個潛在缺陷中的每個潛在缺陷與一潛在缺陷位置相關聯,執行所述多個潛在缺陷的一第一群集以獲得一第一子集和至少一個第二子集,所述群集根據在潛在缺陷位置之間的空間距離而被執行,使得所述第一子集中的潛在缺陷被表徵為在至少一個實體區域中比所述至少一個第二子集中包括的潛在缺陷具有更高密度; b. 將作為有效缺陷的第一概率自動分配給所述第一子集中的潛在缺陷,所述第一概率是根據一第一方針計算的; c. 將作為有效缺陷的第二概率自動分配給所述至少一個第二子集中的潛在缺陷,所述第二概率是根據一第二方針計算的,所述第二方針規定如何組合至少兩個第二因素; d.根據包括一審查次數在內的考慮而自動進行選擇和分配以根據一第三方針和一策略由一審查工具來審查來自所述第一子集和所述至少一個第二子集的至少一個潛在缺陷,所述第三方針規定如何將來自多個子集的潛在缺陷組合為一合併清單,所述策略指示如何組合來自所述合併清單的最高元素和來自所述合併清單的隨機選擇元素; e.接收在所述潛在缺陷清單的一部分中的潛在缺陷的有效性或類別指示,所述指示在所述潛在缺陷清單的所述部分中的潛在缺陷由所述審查工具審查之後被接收;以及 f.在未觀察到一停止標準後: i.根據所述第一子集和所述至少一個第二子集中的一項的有效性或分類更新所述第一方針、所述第二方針或所述第三方針;以及 ii.根據所更新的所述第一方針、所述第二方針或所述第三方針重複步驟(c)-(g),直至觀察到所述停止標準。
- 根據請求項17所述的電腦化系統,其中所述停止標準選自由以下組成的所述群組:一預定數量的潛在缺陷已由所述審查工具審查;多個表明一潛在缺陷有效的指示的收斂;以及已偵測到與一特定缺陷類別相關聯的一預定數量的缺陷。
- 根據請求項17所述的電腦化系統,其中進行選擇和分配以用於審查包括: 根據至少一個第一概率對所述第一子集的潛在缺陷進行排序以獲得一第一排序列表; 根據至少一個第二概率對所述至少一個第二子集中的每者進行排序以獲得至少一個第二排序列表; 根據所述第三方針對來自所述第一排序列表或所述至少一個第二排序列表的潛在缺陷的優先順序進行排序以形成一合併列表;以及 根據所述策略從所述合併列表選擇待審查的潛在缺陷,並且其中 所述第三方針符合選自由以下組成的所述群組的至少一項: 從所述第一排序列表選擇一所需數量潛在缺陷的一預定的百分比,並且與來自所述至少一個第二排序列表的潛在缺陷互補; 從按概率排序的所述第一排序列表和所述至少一個第二排序列表的一合併列表選擇最高概率潛在缺陷;以及 根據使用者輸入對來自所述第一排序列表或所述至少一個第二排序列表的潛在缺陷的優先順序進行排序,並且選擇優先順序最高的潛在缺陷。
- 一種包括保持程式指令的一電腦可讀儲存媒體的電腦程式產品,當由一處理器讀取時,所述程式指令使所述處理器執行一種方法,所述方法包括: a.接收多個潛在缺陷,所述多個潛在缺陷中的每個潛在缺陷與一潛在缺陷位置相關聯; b.執行所述多個潛在缺陷的一第一群集以獲得一第一子集和至少一個第二子集,所述群集根據潛在缺陷位置之間的空間距離而被執行,使得所述第一子集中的潛在缺陷被表徵為在至少一個實體區域中比所述至少一個第二子集中包括的潛在缺陷具有更高密度; c.將作為有效缺陷的第一概率自動分配給所述第一子集中的潛在缺陷,所述第一概率是根據一第一方針計算的; d.將作為有效缺陷的第二概率自動分配給所述至少一個第二子集中的潛在缺陷,所述第二概率是根據一第二方針計算的,所述第二方針規定如何組合至少兩個第二因素; e.根據包括一審查次數在內的考慮而自動進行選擇和分配以根據一第三方針和一策略由一審查工具來審查來自所述第一子集和所述至少一個第二子集的至少一個潛在缺陷,所述第三方針規定如何將來自多個子集的潛在缺陷組合為一合併清單,所述策略指示如何組合來自所述合併清單的最高元素和來自所述合併清單的隨機選擇元素; f.接收所述潛在缺陷清單的一部分中的潛在缺陷的有效性或類別指示,所述指示在所述潛在缺陷清單的所述部分中的潛在缺陷由所述審查工具審查之後被接收;以及 g.在未觀察到一停止標準後: i.根據所述第一子集和所述至少一個第二子集中的一項的有效性或分類更新所述第一方針、所述第二方針或所述第三方針;以及 ii.根據所更新的所述第一方針、所述第二方針或所述第三方針重複步驟(c)-(g),直至觀察到所述停止標準。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/343,090 US10190991B2 (en) | 2016-11-03 | 2016-11-03 | Method for adaptive sampling in examining an object and system thereof |
US15/343,090 | 2016-11-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201834095A true TW201834095A (zh) | 2018-09-16 |
TWI663667B TWI663667B (zh) | 2019-06-21 |
Family
ID=62080236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106136475A TWI663667B (zh) | 2016-11-03 | 2017-10-24 | 用於在檢查物件時自我調整取樣的方法和其系統 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10190991B2 (zh) |
KR (1) | KR101992440B1 (zh) |
CN (1) | CN108020561B (zh) |
TW (1) | TWI663667B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102536331B1 (ko) * | 2017-12-31 | 2023-05-26 | 에이에스엠엘 네델란즈 비.브이. | 결함 검사 및 검토를 위한 시스템들 및 방법들 |
CN112577971A (zh) * | 2019-09-30 | 2021-03-30 | 深圳中科飞测科技股份有限公司 | 一种检测方法、系统及设备 |
US11360030B2 (en) * | 2020-02-04 | 2022-06-14 | Applied Materials Isreal Ltd | Selecting a coreset of potential defects for estimating expected defects of interest |
US11810284B2 (en) * | 2020-08-21 | 2023-11-07 | Kla Corporation | Unsupervised learning for repeater-defect detection |
US11429091B2 (en) | 2020-10-29 | 2022-08-30 | Kla Corporation | Method of manufacturing a semiconductor device and process control system for a semiconductor manufacturing assembly |
CN115018099A (zh) * | 2022-06-01 | 2022-09-06 | 成都智谷耘行信息技术有限公司 | 一种基于支持向量机的轨道交通缺陷自动分配方法和系统 |
Family Cites Families (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5991699A (en) * | 1995-05-04 | 1999-11-23 | Kla Instruments Corporation | Detecting groups of defects in semiconductor feature space |
US7525659B2 (en) * | 2003-01-15 | 2009-04-28 | Negevtech Ltd. | System for detection of water defects |
US6952653B2 (en) | 2003-04-29 | 2005-10-04 | Kla-Tencor Technologies Corporation | Single tool defect classification solution |
TWI325495B (en) * | 2003-05-09 | 2010-06-01 | Olympus Corp | Defect repair system and method of repairing defect |
US7295708B2 (en) * | 2003-09-24 | 2007-11-13 | Microsoft Corporation | System and method for detecting a list in ink input |
JP4154374B2 (ja) | 2004-08-25 | 2008-09-24 | 株式会社日立ハイテクノロジーズ | パターンマッチング装置及びそれを用いた走査型電子顕微鏡 |
US7729529B2 (en) * | 2004-12-07 | 2010-06-01 | Kla-Tencor Technologies Corp. | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
EP1916624B1 (en) * | 2006-10-25 | 2016-11-23 | Agfa HealthCare NV | Method for segmenting a digital medical image. |
US7904845B2 (en) | 2006-12-06 | 2011-03-08 | Kla-Tencor Corp. | Determining locations on a wafer to be reviewed during defect review |
US7877722B2 (en) | 2006-12-19 | 2011-01-25 | Kla-Tencor Corp. | Systems and methods for creating inspection recipes |
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 |
US7711514B2 (en) | 2007-08-10 | 2010-05-04 | Kla-Tencor Technologies Corp. | Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan |
TWI469235B (zh) * | 2007-08-20 | 2015-01-11 | Kla Tencor Corp | 決定實際缺陷是潛在系統性缺陷或潛在隨機缺陷之由電腦實施之方法 |
US8135204B1 (en) | 2007-09-21 | 2012-03-13 | Kla-Tencor Technologies Corp. | Computer-implemented methods, carrier media, and systems for creating a defect sample for use in selecting one or more parameters of an inspection recipe |
CN101276461B (zh) * | 2008-03-07 | 2011-11-02 | 北京航空航天大学 | 一种利用边缘特征的视频文本增强方法 |
US7756658B2 (en) | 2008-05-14 | 2010-07-13 | Kla-Tencor Corp. | Systems and methods for detecting defects on a wafer and generating inspection results for the 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 |
US9710903B2 (en) | 2008-06-11 | 2017-07-18 | Kla-Tencor Corp. | System and method for detecting design and process defects on a wafer using process monitoring features |
US8208714B2 (en) | 2009-05-21 | 2012-06-26 | Taiwan Semiconductor Manufacturing Co., Ltd. | Formation of prescribed pattern on wafer for use in SEM defect offset |
JP5198420B2 (ja) | 2009-12-18 | 2013-05-15 | 株式会社日立ハイテクノロジーズ | 画像処理装置、及び、測定/検査システム、並びに、プログラム |
US8559001B2 (en) | 2010-01-11 | 2013-10-15 | Kla-Tencor Corporation | Inspection guided overlay metrology |
US9620426B2 (en) | 2010-02-18 | 2017-04-11 | Kla-Tencor Corporation | Method and system for providing process tool correctables using an optimized sampling scheme with smart interpolation |
JP5639797B2 (ja) | 2010-07-01 | 2014-12-10 | 株式会社日立ハイテクノロジーズ | パターンマッチング方法,画像処理装置、及びコンピュータプログラム |
WO2012016243A2 (en) | 2010-07-30 | 2012-02-02 | Kla-Tencor Corporation | Region based virtual fourier filter |
US8781781B2 (en) | 2010-07-30 | 2014-07-15 | Kla-Tencor Corp. | Dynamic care areas |
KR101800057B1 (ko) * | 2010-10-19 | 2017-11-21 | 쓰리엠 이노베이티브 프로퍼티즈 컴파니 | 트레이닝 영상에 등급을 배정하는 방법 및 장치 |
WO2012094364A2 (en) | 2011-01-04 | 2012-07-12 | The Johns Hopkins University | Minimally invasive laparoscopic retractor |
CN102063375B (zh) * | 2011-01-13 | 2013-01-30 | 北京航空航天大学 | 一种基于混合测试的软件可靠性评估方法及其装置 |
CN103582819B (zh) | 2011-04-06 | 2016-09-14 | 科磊股份有限公司 | 用于提供经改进过程控制的质量度量的方法及系统 |
US9087367B2 (en) | 2011-09-13 | 2015-07-21 | Kla-Tencor Corp. | Determining design coordinates for wafer defects |
US9098893B2 (en) | 2011-12-21 | 2015-08-04 | Applied Materials Israel, Ltd. | System, method and computer program product for classification within inspection images |
CN102565072B (zh) * | 2011-12-30 | 2013-12-18 | 重庆大学 | 拉伸铝合金板表面裂纹立体视觉在线检测方法 |
CN102629232B (zh) * | 2012-01-09 | 2014-03-26 | 北京航空航天大学 | 引入测试有效性的软件可靠性验证测试方法 |
US8855399B2 (en) | 2012-02-07 | 2014-10-07 | Applied Materials Israel, Ltd. | System, a method and a computer program product for CAD-based registration |
JP5937878B2 (ja) | 2012-04-24 | 2016-06-22 | 株式会社日立ハイテクノロジーズ | パターンマッチング方法及び装置 |
US9588441B2 (en) | 2012-05-18 | 2017-03-07 | Kla-Tencor Corporation | Method and device for using substrate geometry to determine optimum substrate analysis sampling |
US8996464B2 (en) * | 2012-06-11 | 2015-03-31 | Microsoft Technology Licensing, Llc | Efficient partitioning techniques for massively distributed computation |
US8977035B2 (en) | 2012-06-13 | 2015-03-10 | Applied Materials Israel, Ltd. | System, method and computer program product for detection of defects within inspection images |
US9310316B2 (en) | 2012-09-11 | 2016-04-12 | Kla-Tencor Corp. | Selecting parameters for defect detection methods |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US9098891B2 (en) | 2013-04-08 | 2015-08-04 | Kla-Tencor Corp. | Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology |
US9183624B2 (en) | 2013-06-19 | 2015-11-10 | Kla-Tencor Corp. | Detecting defects on a wafer with run time use of design data |
CN103913468B (zh) * | 2014-03-31 | 2016-05-04 | 湖南大学 | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 |
US9286675B1 (en) | 2014-10-23 | 2016-03-15 | Applied Materials Israel Ltd. | Iterative defect filtering process |
CN104359847B (zh) * | 2014-12-08 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 获取代表典型水体类别的质心集的方法及装置 |
-
2016
- 2016-11-03 US US15/343,090 patent/US10190991B2/en active Active
-
2017
- 2017-10-23 CN CN201710992593.8A patent/CN108020561B/zh active Active
- 2017-10-24 TW TW106136475A patent/TWI663667B/zh active
- 2017-11-03 KR KR1020170145945A patent/KR101992440B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
US10190991B2 (en) | 2019-01-29 |
TWI663667B (zh) | 2019-06-21 |
KR101992440B1 (ko) | 2019-06-24 |
CN108020561A (zh) | 2018-05-11 |
KR20180049805A (ko) | 2018-05-11 |
CN108020561B (zh) | 2020-07-31 |
US20180306728A1 (en) | 2018-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI663667B (zh) | 用於在檢查物件時自我調整取樣的方法和其系統 | |
CN109598698B (zh) | 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质 | |
KR102083706B1 (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
TWI670781B (zh) | 疊代式缺陷濾除製程 | |
US10146036B2 (en) | Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects | |
US10628935B2 (en) | Method and system for identifying defects of integrated circuits | |
TWI607213B (zh) | 用於包含區塊與區塊比較的缺陷偵測之裝置與方法 | |
CN108431936B (zh) | 基于形状的分组 | |
US20220222806A1 (en) | Machine learning-based classification of defects in a semiconductor specimen | |
KR20180095715A (ko) | 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선 | |
TWI836175B (zh) | 先進在線零件平均測試 | |
US10921334B2 (en) | System, method and computer program product for classifying defects | |
US11940390B2 (en) | Selecting a representative subset of potential defects to improve defect classifier training and estimation of expected defects of interest | |
JP2023514104A (ja) | 試料の試験のための欠陥位置の決定 | |
US10937706B2 (en) | Method of examining defects in a semiconductor specimen and system thereof | |
CN115917550A (zh) | 电路设计的候选热点位置的基于机器学习的淘汰选择 | |
KR102685359B1 (ko) | 시편들을 검사하는 방법 및 그의 시스템 |