TW201839383A - 用於缺陷偵測之動態注意區 - Google Patents

用於缺陷偵測之動態注意區 Download PDF

Info

Publication number
TW201839383A
TW201839383A TW107109575A TW107109575A TW201839383A TW 201839383 A TW201839383 A TW 201839383A TW 107109575 A TW107109575 A TW 107109575A TW 107109575 A TW107109575 A TW 107109575A TW 201839383 A TW201839383 A TW 201839383A
Authority
TW
Taiwan
Prior art keywords
wafer
repeater
defects
repeater defects
processor
Prior art date
Application number
TW107109575A
Other languages
English (en)
Other versions
TWI751306B (zh
Inventor
伯裘恩 布拉爾
班傑明 穆瑞
徐徐爾 蘇曼
理升 高
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 TW201839383A publication Critical patent/TW201839383A/zh
Application granted granted Critical
Publication of TWI751306B publication Critical patent/TWI751306B/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
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • H01L22/20—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
    • G01N2021/8861—Determining coordinates of flaws
    • 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

本發明揭示一兩遍次檢測方法之系統及方法，該兩遍次檢測方法動態地形成用於檢測重複者缺陷之微注意區。微注意區可圍繞一重複者缺陷之每一位置形成。在檢測之後，可識別該等微注意區中之額外重複者缺陷。可比較該等重複者缺陷之屬性且可將具有自一預期群組屬性分佈偏離之屬性之任何重複者缺陷分類為干擾缺陷。

Description

用於缺陷偵測之動態注意區
本發明係關於缺陷偵測。
半導體製造工業之演進對良率管理且特定而言對計量及檢測系統提出了愈來愈高之要求。縮小臨界尺寸同時增加晶圓大小。經濟正驅動工業縮短達成高良率高價值生產之時間。因此，最小化自偵測到一良率問題至修復該良率問題之總時間，此決定半導體製造商之投資報酬率。 重複者缺陷係半導體製造商關心之一問題。重複者缺陷係以某種規則週期在一晶圓上出現之缺陷，並且該等缺陷展示與一倍縮光罩上之晶粒佈局或一晶圓上之分級式圖案之某種固定關係。倍縮光罩缺陷係重複者缺陷之一常見原因。可致使重複者缺陷之倍縮光罩缺陷包含舉例而言一光罩板上之額外鉻圖案、一光罩板上缺失鉻、光罩板或倍縮光罩上之微粒及對薄膜之損壞。 舉例而言，一印刷檢查應用可包含偵測倍縮光罩缺陷。此等倍縮光罩缺陷發生在跨越晶圓之多個倍縮光罩上且可視為軟重複者(小於50％發生率)或硬重複者(大於50％發生率)。一印刷檢查應用可識別所有獨特重複者候選者且識別印刷重複者缺陷之所有位置。 先前地，藉由其中比較每一晶粒或倍縮光罩與周圍晶粒或倍縮光罩之晶粒間或倍縮光罩間檢測來執行倍縮光罩重複者檢測。在檢測之後(諸如後處理期間)執行重複者識別。由於較高周圍雜訊，此技術具有經減少敏感度。此等種類之檢測亦會在掃描期間產生事件之一高計數。因此，由於工具處置高缺陷計數之能力，可無法偵測到具有信號之重複者事件。 寬帶電漿(BBP)工具可使用晶粒間檢測來進行重複者識別。然而，由於較高周圍雜訊，此技術具有較低敏感度。此外，BBP工具可缺少在後處理之前處置必要數目個缺陷(諸如大於170萬個缺陷)之能力。 倍縮光罩重複者檢測亦基於一穩健平均影像藉由穩健平均演算法(諸如陣列中重複者(RIA)或標準參考晶粒1 (SRD 1))而執行。此等演算法針對每個像素移除一離群事件。此在偵測期間減少隨機事件。此技術可不準確地識別可印刷性變化或執行一穩健處方設置。在此等演算法中，在偵測到一重複者之後，將位置複製至列上之所有經檢測晶粒或倍縮光罩。然而，將缺陷自一印刷位置分離至一未印刷位置可具有挑戰性。如此做之唯一可用屬性(例如，重複者信號)並非總係有效的。當跨越不同重複者分析時，此等屬性可係無效的。 BBP工具亦可與穩健平均演算法一起用於偵測重複者。在一穩健平均演算法偵測到一重複者之後，將位置複製至晶粒列上之所有經檢測倍縮光罩。使用一穩健平均反而可遭受處方設置及可印刷性變化挑戰。將缺陷自一印刷位置分離至一未印刷位置可係挑戰性的，此乃因其使用重複者信號。 此外，高干擾缺陷(nuisance)率係此等檢測期間之一共同問題。此可防止BBP工具運行地足夠熱以找到小缺陷(例如，進入至本底雜訊中)。先前技術計算個別缺陷之屬性，但將所關注缺陷(DOI)與干擾缺陷缺陷通常係困難的，此可導致一高干擾缺陷率。 因此，需要用以偵測重複者缺陷之一新技術。
在一第一例項中，提供一種方法。該方法包括使用一處理器來判定一晶圓上之重複者缺陷之位置。使用該處理器來圍繞該等位置中之每一者形成一微注意區。使用一晶圓檢測工具來檢測該晶圓上之該等微注意區。識別該等微注意區中之額外重複者缺陷。使用該處理器來比較該等重複者缺陷及該等額外重複者缺陷之至少一個屬性。使用該處理器將具有自一預期群組屬性分佈偏離之該屬性(例如，該屬性之一例項)之該等重複者缺陷及該等額外重複者缺陷中之任何者分類為干擾缺陷。 該群組屬性分佈可基於以下各項中之一或多者：該晶圓上之所有經識別重複者缺陷；一相同缺陷類型之所有重複者缺陷；該晶圓上具有一相同設計結構之所有重複者缺陷；具有一相同晶粒座標之所有重複者缺陷；具有一相同倍縮光罩座標之所有重複者缺陷；具有一相同背景結構之所有重複者缺陷；或跨越多個晶圓具有一相同晶圓間座標之所有重複者缺陷。 該屬性可包含極性。該屬性亦可包含一點擴展函數之形狀、一點擴展函數之輪廓、大小、亮度或特徵向量中之至少一者。 該判定可係針對該晶圓之一表面之一整體或可係僅針對該晶圓上之一晶粒列而進行。 該方法可進一步包含使用該處理器在該晶圓上產生在一後續檢測期間由於該干擾缺陷之存在而將跳過之位置。 判定該等位置可包含使用陣列中重複者或邏輯區之標準參考晶粒。判定該等位置亦可包含一晶粒間檢測。 在一第二例項中，提供一種系統。該系統包含一處理器及與該處理器進行電子通信之一電子資料儲存單元。該處理器與一晶圓檢測工具進行電子通信。該處理器經組態以執行以下指令：判定一晶圓上之重複者缺陷之位置；圍繞該等位置中之每一者形成一微注意區；基於對該等微注意區之一額外檢測來識別該等微注意區中之額外重複者缺陷；比較該等重複者缺陷及該等額外重複者缺陷之至少一個屬性；及將具有自一預期群組屬性分佈偏離之該屬性(例如，該屬性之一例項)之該等重複者缺陷及該等額外重複者缺陷中之任何者分類為干擾缺陷。 該群組屬性分佈可基於以下各項中之一或多者：該晶圓上之所有經識別重複者缺陷；一相同缺陷類型之所有重複者缺陷；該晶圓上具有一相同設計結構之所有重複者缺陷；具有一相同晶粒座標之所有重複者缺陷；具有一相同倍縮光罩座標之所有重複者缺陷；具有一相同背景結構之所有重複者缺陷；或跨越多個晶圓具有一相同晶圓間座標之所有重複者缺陷。 該屬性可包含極性。該屬性亦可包含一點擴展函數之形狀、一點擴展函數之輪廓、大小、亮度或特徵向量中之至少一者。 該處理器可進一步經組態以執行以下指令：在該晶圓上產生在一後續檢測期間由於該干擾缺陷之存在而將跳過之位置。 該處理器可係該晶圓檢測工具之部分。 在一第三例項中，提供一種方法。該方法包括在一處理器處接收複數個重複者缺陷。使用該處理器來比較該等重複者缺陷之至少一個屬性。該屬性至少包含該等重複者缺陷之極性。使用該處理器將具有自一預期群組屬性分佈偏離之屬性(例如，該屬性之一例項)之該等重複者缺陷中之任何者分離為干擾缺陷。 該群組屬性分佈可基於以下各項中之一或多者：該晶圓上之所有經識別重複者缺陷；一相同缺陷類型之所有重複者缺陷；該晶圓上具有一相同設計結構之所有重複者缺陷；具有一相同晶粒座標之所有重複者缺陷；具有一相同倍縮光罩座標之所有重複者缺陷；具有一相同背景結構之所有重複者缺陷；或跨越多個晶圓具有一相同晶圓間座標之所有重複者缺陷。 該屬性可進一步包含一點擴展函數之形狀、一點擴展函數之輪廓、大小、亮度或特徵向量中之至少一者。 該方法可進一步包含使用該處理器在一晶圓上產生在一後續檢測期間由於該干擾缺陷之存在而將跳過之位置。 在一第四例項中，提供用於濾除干擾缺陷之一方法。該方法包括使用一倍縮光罩將一第一晶粒及一第二晶粒成像於一第一晶圓上之兩個不同位置處及一第二晶圓上之不同位置處。藉由以下操作來計算一第二晶圓級中之第二晶圓之一差異影像：使用一處理器來計算第二晶圓上之一第二位置處之第一晶粒與第二晶粒之一差異影像；使用該處理器來計算第一晶圓上之第二位置處之第一晶粒與第二晶圓上之一第一位置處之第二晶粒之一差異影像；及使用該處理器利用第二晶圓級之兩個差異影像來計算第二晶圓之差異影像。使用該處理器來判定第二晶圓之晶圓差異影像中之一所關注缺陷之存在。 該方法可進一步包括自儲存媒體檢索影像。影像在第一晶圓上位於與第一晶粒及第二晶粒在第二晶圓上相同之一位置處。使用該處理器來評估來自儲存媒體之影像中所關注缺陷之存在。使用該處理器，自第二晶圓差異影像濾除干擾缺陷。 該方法可進一步包括計算一第一晶圓級中之第一晶圓之一差異影像。計算一第一晶圓級中之第一晶圓之一差異影像包含使用該處理器來計算第一晶圓上之一第二位置處第一晶粒與第二晶粒之一差異影像。使用該處理器來計算第一晶圓上之第二位置處之第一晶粒與第一晶圓上之一第一位置處之第二晶粒之一差異影像。使用該處理器利用第一晶圓級之兩個差異影像來計算第一晶圓之晶圓差異影像。使用該處理器利用基於座標之缺陷來源分析來找到第一晶圓之差異影像中之系統缺陷。使用該處理器來自第二晶圓之差異影像減去第一晶圓之差異影像中之系統缺陷。在減去之後判定第二晶圓之差異影像中所關注缺陷之存在。 該方法可進一步包括計算一第一晶圓級中之第一晶圓之一差異影像。計算一第一晶圓級中之第一晶圓之一差異影像包含使用該處理器來計算第一晶圓上之一第二位置處第一晶粒與第二晶粒之一差異影像。使用該處理器來計算第一晶圓上之第二位置處之第一晶粒與第一晶圓上之一第一位置處之第二晶粒之一差異影像。使用該處理器利用第一晶圓級之兩個差異影像來計算第一晶圓之差異影像。使用該處理器來自第一晶圓之差異影像減去第二晶圓之差異影像。在減去之後判定第二晶圓之差異影像中所關注缺陷之存在。 第四例項之方法之實施例可與第一例項或第三例項之方法一起使用或可由第二例項之系統執行。
相關申請案交叉參考本申請案主張於2017年3月24日提出申請且受讓於美國申請案第62/476,060號之臨時專利申請案、於2017年3月29提出申請且受讓於美國申請案第62/478,425號之臨時專利申請案及於2017年6月5日提出申請且受讓於美國申請案第62/515,449號之臨時專利申請案之優先權，該等臨時申請案之揭示內容據此以引用方式併入。 儘管將就特定實施例而言闡述所主張之標的物，但包含不提供本文中所陳述之全部益處及特徵之實施例之其他實施例亦在本發明之範疇內。可在不背離本發明之範疇之情況下做出各種結構、邏輯、程序步驟及電子改變。因此，本發明之範疇僅參考隨附申請專利範圍來定義。 本文中所揭示之實施例可使用包含動態地形成微注意區之一兩遍次檢測方法，該兩遍次檢測方法可用作穩健地監測倍縮光罩重複者之一檢測方法。微注意區可給印刷檢查應用提供對倍縮光罩重複者之經增強擷取。使用動態微注意區之一資料庫可提供一較穩健檢測監測流程。可由於經增強敏感度而改良找到軟重複者之可能性。 特定地在其中BBP工具面臨比真實事實低之一擷取之例項中，本文中所揭示之實施例可應用於改良倍縮光罩重複者之BBP工具檢測之敏感度。 圖1圖解說明包含利用動態微注意區之檢測之一方法100。在101處判定一晶圓上之重複者缺陷之位置。此可針對晶圓之一表面之一整體或僅針對晶圓之一表面之部分，諸如僅針對晶圓上之一晶粒列。在一例項中，可藉助穩健平均演算法(諸如陣列中重複者(RIA)或用於邏輯區或晶粒間檢測之標準參考晶粒(SRD))來找到重複者缺陷位置。穩健平均化係計算特定數目個參考系之平均值且移除離群值(諸如單個像素雜訊)之一演算法。RIA平均化一陣列內之諸多單元且比較其與候選影像。穩健平均演算法可允許掃描比晶粒間檢測更熱地運行，但可使用晶粒間檢測。SRD計算一參考晶圓上之一理想(例如，一參考或清潔)晶粒上之一參考影像。然後可將此與檢測晶圓上之一影像比較，且將計算差異影像。 在102處圍繞位置中之每一者形成微注意區。可圍繞缺陷形成注意區，其中具有最高差異灰階之像素位於微注意區之中心中。 舉例而言，微注意區可圍繞具有一獨特重複者缺陷之位置中之每一者形成。微注意區可給任何重複者提供高敏感度。與其他方法相比，此會增加擷取較大數目個重複者事件之可能性。 微注意區可具有自1個像素至大約10個像素之尺寸。因此微注意區可係自1個像素方塊至一10×10像素方塊，包含其之間的所有範圍及整數個像素值。 另外，微注意區在晶圓上可形成於其中未偵測到重複者缺陷但基於重複者缺陷之位置預期具有重複者缺陷之位置中。 微注意區可係動態的。藉由係動態的，微注意區可具有不同大小。舉例而言，對於其中對準準確度低於其他區的晶粒或晶圓上之區，微注意區可係較大的(例如，7個像素x7個像素)以確保不錯過缺陷。在其中注意區之對準準確度相對於晶圓影像較佳之位置處，則可使用一較小(例如，3個像素x3個像素)微注意區。 在103處，使用一檢測工具(諸如一掃描電子顯微鏡(SEM)或一BBP工具)來檢測晶圓上之微注意區。 在104處識別微注意區中之額外重複者缺陷。可以較高敏感度執行該檢測，此乃因相對於一整個晶圓表面存在較小數目個微注意區需要檢測。在一例項中，在晶圓上僅檢測微注意區。舉例而言，其上具有一顆粒之一倍縮光罩光罩可在一晶圓上印刷50次。由於藉助此注意區檢測了晶圓上之50個位置，因此此顆粒缺陷可被偵測多達50次。因此，所有彼等50個缺陷屬於相同注意區。 在105處比較重複者缺陷及額外重複者缺陷(若有的話)之屬性。在106處將自一預期群組屬性分佈偏離之重複者缺陷及額外重複者缺陷中之任何者分類為干擾缺陷。 視情況，可在步驟103或步驟106之後使用一SEM確認重複者缺陷。一旦確認為一重複者缺陷，然後便可比較該重複者缺陷及針對此等重複者維護之已現有資料庫比較，從未導致對添加物之準確識別，該等添加物可係降落(例如，被添加)在光光罩上且然後被印刷於晶圓上之顆粒。然後可更新資料庫以包含新的添加物。 可使用一處理器執行方法100之步驟中之某些或所有步驟。 步驟105及106可獨立於圖1之其餘步驟而執行。舉例而言，除重複者缺陷之外其他缺陷輸入亦可用於步驟105及106。亦可利用與所圖解說明之實施例不同之技術來獲得重複者缺陷。 可建立一微注意區資料庫來監測新倍縮光罩缺陷之添加。此資料庫可包含來自用於圖1中之步驟101及步驟103兩者之一BBP工具之資料。藉助針對倍縮光罩重複者維持之資料庫，本文中所揭示方法之實施例可用於準確地識別倍縮光罩上之新的添加物且可主要利用或僅利用基於資料庫之微注意區藉助執行高敏感度檢測來用於限定EUV光罩清潔工具。 資料庫可用於審核對跨越多個晶圓之重複者缺陷之確認。此可幫助識別添加物。可比較資料庫中之項目與來自先前晶圓之現有微注意區。可用新的重複者缺陷位置更新資料庫。 可基於來自資料庫之微注意區而監測一倍縮光罩或光光罩清潔程序。可基於此清潔程序之結果來更新資料庫。舉例而言，一光光罩上可存在難以印刷之結構。可圍繞此等結構之所有位置形成微注意區。此可稱為一注意區資料庫。彼等注意區然後可用於具有較高敏感度之檢測區或其他臨界區。 一倍縮光罩堆疊可用於識別重複者候選者。在藉由清潔光罩來減少已知缺陷之數目之後，可產生一經更新注意區資料庫。 藉助一小的微注意區大小及有限數目個微注意區，檢測可以高敏感度完成。舉例而言，微注意之大小可係約5個像素x5個像素且微注意區之總數目按晶粒算可介於自幾個至數百萬個之範圍中。使用微注意區可克服穩健平均演算法之缺點，在該等穩健平均演算法中一使用者具有有限能力來區分重複者之可印刷性變化。 圖2係圖1之實施例之一實例。在A中判定晶圓200上之重複者缺陷201之位置。在B中圍繞重複者缺陷201之位置形成微注意區202。在C中，移除干擾缺陷，此僅留下重複者缺陷201。 如圖1之步驟105及106中所見，可計算闡述重複者缺陷之一整個群組之屬性。若其他所偵測重複者缺陷自預期群組屬性分佈偏離(亦即，不一致)，則此等重複者缺陷可視為干擾缺陷。此可使得掃描能夠較熱地運行。 可計算屬性以闡述一整個群組之重複者缺陷。若其他重複者缺陷自期望群組分佈偏離(例如，不一致)，則該等重複者缺陷可視為干擾缺陷的。臨限值可用於偵測異常。舉例而言，若在一明亮背景上至少95％之所偵測重複者缺陷係黑暗的，則其可係一真正重複者。 群組屬性分佈可基於以下各項中之一或多者：該晶圓上之所有經識別重複者缺陷；一相同缺陷類型之所有重複者缺陷；該晶圓上具有一相同設計結構之所有重複者缺陷；具有一相同晶粒座標之所有重複者缺陷；具有一相同倍縮光罩座標之所有重複者缺陷；具有一相同背景結構之所有重複者缺陷；或跨越多個晶圓具有一相同晶圓間座標之所有重複者缺陷。其他屬性係可能的。 可基於缺陷性質來比較一群組內之重複者缺陷之屬性。此等屬性可包含缺陷之灰階之一差異(極性)，一點擴展函數之形狀或輪廓、一缺陷之大小、亮度或特徵向量。其他屬性係可能的。 確切缺陷位置可使用基於設計之對準來判定。 可在晶圓上產生在一後續檢測期間由於該干擾缺陷之存在而將跳過之位置。舉例而言，可指定一或多個特定干擾缺陷。 可自機器學習經驗導出新計算屬性。機器學習演算法可用於在缺陷群組中找到離群值。在一例項中，非監督學習演算法可用於在一N維屬性空間中找到缺陷離群值。舉例而言，一高斯(Gaussian)可適用於具有特定屬性之一缺陷叢集且偵測離群值(例如，作為異常偵測)。在另一例項中，習用神經網路可使用影像作為輸入資料集且計算一新屬性，該新屬性可係對數函數之值。若一缺陷群組內存在一寬廣對數值分佈，則其較可能係一干擾缺陷。 圖3係圖1之實施例之另一實例。在此實例中，假定每個晶粒300內存在發生於位置中之至少一者中之相同類型之重複者缺陷。所有第一類型重複者缺陷301形成一群組且所有第二類型重複者缺陷302形成另一群組。所有第一類型重複者缺陷301在一差異影像中顯示為黑暗的。第二類型重複者缺陷302在差異影像中有時顯示為黑暗的且有時顯示為明亮的，其指示缺陷極性之一改變。因此，第一類型重複者缺陷301係DOI。第二類型重複者缺陷302係干擾缺陷，此乃因群組內存在一屬性之一不一致，亦即極性。 雖然係關於重複者缺陷而揭示圖1至圖3之實施例，但本文中所揭示之實施例可應用於其他類型之缺陷。 圖4係一系統400之一系統圖。系統400包含一晶圓檢測工具401及選用晶圓檢測工具402。晶圓檢測工具401及晶圓檢測工具402可係一BBP工具或一SEM。晶圓檢測工具亦可係一雷射掃描工具、一電子束檢測器或其他檢測系統。一BBP工具可經組態以執行一熱掃描以擷取檢測結果。 一處理器403及與處理器403進行電子通信之一電子資料儲存單元404與晶圓檢測工具401及晶圓檢測工具402進行電子通信。處理器403可包含一微控制器、一微處理器或另一裝置。 處理器403及電子資料儲存單元404可係晶圓檢測工具401或另一裝置之部分。在一實例中，處理器403及電子資料儲存單元404可係一獨立控制單元或位於一集中式品質控制單元中。可使用多個處理器403及電子資料儲存單元404。 處理器403可藉由硬體、軟體及韌體之任何組在實踐中實施合。並且，如本文中所闡述之其功能可由一個單元執行，或在不同分量間進行分配，其中之每一者又可藉由硬體、軟體及韌體之任何組合實施。用於處理器403以實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體(諸如電子資料儲存單元404中之一記憶體或其他記憶體)中。 處理器403可以任何適合方式(例如，經由一或多個傳輸媒體，其可包含有線及/或無線傳輸媒體)耦合至系統400之組件使得處理器403可接收由系統400產生之輸出。處理器403可經組態以使用輸出執行若干個功能。 處理器403、其他系統或本文中所闡述之其他子系統可係各種系統(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)之部分。子系統或系統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，子系統或系統可包含具有高速度處理及軟體之一平台作為一獨立工具或一經網路連線工具。 若該系統包含一個以上子系統，則不同子系統可彼此耦合使得影像、資料、資訊、指令等可在電腦子系統之間發送。舉例而言，一個子系統可藉由任何適合傳輸媒體耦合至額外子系統，該適合傳輸媒體可包含此項技術中已知之任何有線及/或無線傳輸媒體。此等子系統中之兩個或兩個以上亦可藉由一共用電腦可讀儲存媒體(未展示)有效地耦合。 一額外實施例係關於一非暫時性電腦可讀媒體，該非暫時性電腦可讀媒體儲存可在一處理器場執行以用於執行一電腦實施缺陷偵測或晶圓檢測之程式指令，如本文中所揭示。特定而言，處理器403可耦合至電子資料儲存單元404中之一記憶體中或具有非暫時性電腦可讀媒體之其他電子資料儲存媒體中，該非暫時性電腦可讀媒體包含在處理器403上執行之程式指令。電腦實施方法可包含本文中所闡述之任何方法之任何步驟。舉例而言，處理器403可經程式化以執行圖1或圖5至圖7或者本文中所揭示之其他實施例之步驟中之某些或所有步驟。電子資料儲存單元404中之記憶體或其他電子資料儲存媒體可係一儲存媒體(諸如一磁碟或光碟、一磁帶)或此項技術中已知之任何其他適合非暫時性電腦可讀媒體。 可以包含基於程序之技術、基於組件之技術及/或物件導向技術以及其他技術之各種方式中之任一者來實施該等程式指令。舉例而言，可視需要使用ActiveX控件、C++物件、JavaBeans、微軟基礎類別(MFC)、SSE (SIMD串流擴展)或者其他技術或方法來實施程式指令。 微注意區資料庫可儲存於電子資料儲存單元404或其他儲存媒體上。 在一實施例中，可識別軟重複者且可減少重複者缺陷影像中之干擾缺陷。重複者缺陷可包含硬重複者(其一直在一晶粒上可見)及軟重複者(其可並非一直在一晶粒可見)兩者。若僅使一有限數目個晶粒成像，則對於偵測重複者缺陷可具有挑戰性且對於偵測軟重複者可尤其具有挑戰性。 舉例而言，由於軟重複者可能係不可見的或甚至不印刷於每個晶粒中，因此藉由形成微注意區來在期望軟重複者之位置處較熱地運行可係重要的。另外，基於一致性之屬性可用於找出一群組內是否存在離群值，此使得缺陷不可能成為一DOI。 在一例項中，可在t=0處檢測及/或記錄一第一晶圓以偵測及/或記錄一倍縮光罩上之系統干擾缺陷。此可係用於EUV光罩檢測之一整體解決方案之部分。在t＞0處(例如，三個星期後)，可檢測及/或記錄一第二晶圓。可自t=0減去t＞0中之系統干擾缺陷。可報告隨機倍縮光罩缺陷。此可提供一較低干擾缺陷率及因此對DOI之較高敏感度。舉例而言，t=0可係倍縮光罩係清潔的及/或無問題時且t＞0可意指倍縮光罩上存在顆粒及/或存在倍縮光罩之其他問題。此等其他問題可由印刷期間之不對準或倍縮光罩缺陷致使。 圖5係干擾缺陷減少之一第一實施例。一第一晶粒及一第二晶粒各自使用一倍縮光罩成像於一第一晶圓上兩個不同位置處(倍縮光罩1、倍縮光罩2) (t=0)及一第二晶圓上之兩個不同位置處(倍縮光罩1、倍縮光罩2) (t＞0)。該兩個不同位置可係(舉例而言)晶圓上之不同列。第一晶粒與第二晶粒可係相鄰晶粒或可具有其他空間關係。影像處理步驟可由一處理器執行。 計算一第一晶圓差異影像。為此，計算第一晶圓之一第二位置處之第一晶粒與第二晶粒之一差異影像。亦計算第一晶圓上之第二位置處之第一晶粒與第一晶圓上之一第一位置處之第二晶粒之一差異影像。然後依據兩個所得差異影像計算第一晶圓差異影像。 計算一第二晶圓差異影像。為此，計算第二晶圓上之一第二位置處之第一晶粒與第二晶粒之一差異影像。亦計算第一晶圓上之第二位置處之第一晶粒與第二晶圓上之一第一位置處之第二晶粒之一差異影像。然後依據兩個所得差異影像計算第二晶圓差異影像。 可使用基於座標之缺陷來源分析找到第一差異影像中之系統缺陷。可基於其座標自第二晶圓差異影像減去第一晶圓差異影像中之系統缺陷。可在排除共同(例如，系統)缺陷之後判定第二晶圓差異影像中一DOI之存在。 圖6係干擾缺陷減少之一第二實施例。一第一晶粒及一第二晶粒各自使用一倍縮光罩成像於一第一晶圓上兩個不同位置處(倍縮光罩1、倍縮光罩2) (t=0)及一第二晶圓上之兩個不同位置處(倍縮光罩1、倍縮光罩2) (t＞0)。該兩個不同位置可係(舉例而言)晶圓上之不同列。第一晶粒與第二晶粒可係相鄰晶粒或可具有其他空間關係。影像處理步驟可由一處理器執行。 計算第二晶圓上之一第二位置處之第一晶粒與第二晶粒之一差異影像。計算第一晶圓上之第二位置處之第一晶粒與第二晶圓上之一第一位置處之第二晶粒之一差異影像。然後依據兩個所得差異影像計算一晶圓差異影像。 判定晶圓差異影像中一所關注缺陷之存在。可自儲存媒體檢索影像。影像在第一晶圓上(例如，t=0)位於與用於計算之第一晶粒及第二晶粒在第二晶圓上相同之位置處。可評估來自儲存媒體之影像中所關注缺陷之存在。可自晶圓差異影像濾除干擾缺陷。 圖7係干擾缺陷減少之一第三實施例。一第一晶粒及一第二晶粒各自使用一倍縮光罩成像於一第一晶圓上兩個不同位置處(倍縮光罩1、倍縮光罩2) (t=0)及一第二晶圓上之兩個不同位置處(倍縮光罩1、倍縮光罩2) (t＞0)。該兩個不同位置可係(舉例而言)晶圓上之不同列。第一晶粒與第二晶粒可係相鄰晶粒或可具有其他空間關係。影像處理步驟可由一處理器執行。 計算一第一晶圓差異影像。為此，計算第一晶圓之一第二位置處之第一晶粒與第二晶粒之一差異影像。亦計算第一晶圓上之第二位置處之第一晶粒與第一晶圓上之一第一位置處之第二晶粒之一差異影像。然後依據兩個所得差異影像計算第一晶圓差異影像。 計算一第二晶圓差異影像。為此，計算第二晶圓上之一第二位置處之第一晶粒與第二晶粒之一差異影像。亦計算第一晶圓上之第二位置處之第一晶粒與第二晶圓上之一第一位置處之第二晶粒之一差異影像。然後依據兩個所得差異影像計算第二晶圓差異影像。 自第一晶圓差異影像減去第二晶圓差異影像。在減去之後可判定第二晶圓差異影像中一所關注缺陷之存在。 圖5至7之實施例可與微注意區一起使用，此乃因不檢測注意區。因此，在此等微注意區內檢測可冷運行而非熱運行。舉例而言，若判定晶圓上存在將顯示為一半導體製造商想要忽略之缺陷之特定結構，則可不圍繞該等特定結構形成檢測注意區以便可在檢測期間忽略此等結構。此等結構可在t=0處之一掃描期間被找到或半導體製造商可提供關於結構基於其他檢測結果(例如，使用一電子束)定位之位置之一資料庫。被忽略之此等結構可具有雜訊。 如本文中所使用，術語「晶圓」通常指由一半導體或非半導體材料形成之基板。此一半導體或非半導體材料之實例包含但不限於單晶矽、砷化鎵及磷化銦。通常可在半導體製作設備中找到及/處理此等基板。 一晶圓可包含形成於一基板上之一或多個層。舉例而言，此等層可包含但不限於一抗蝕劑、一介電質材料及一導電材料。此項技術中已知諸多不同類型之此等層，且如本文中所使用之術語晶圓意欲囊括包含所有類型之此等層之一晶圓。 形成於一晶圓上之一或多個層可係經圖案化或未圖案化的。舉例而言，一晶圓可包含複數個晶粒，每一晶粒具有可重複之經圖案化特徵。此類材料層之形成及處理可最終產生完成裝置。諸多不同類型之裝置(諸如積體電路)可形成於一晶圓上，且如本文中所使用之術語晶圓意欲涵蓋於其上製作此項技術中已知之任何類型之裝置之一晶圓。 儘管本文中關於晶圓而闡述實施例，但應理解，該等實施例亦可用於另一試樣，諸如通常亦可稱為一光罩或一光光罩之一倍縮光罩。在此項技術中已知諸多不同類型之倍縮光罩，且如本文中所使用之術語「倍縮光罩」、「光罩」及「光光罩」意欲囊括此項技術中已知之所有類型之倍縮光罩。 可如本文中所闡述來執行該方法之步驟中之每一者。該方法亦可包含可由本文中所闡述之處理器及/或電腦子系統或系統執行之任何其他步驟。該等步驟可由一或多個電腦系統執行，該一或多個電腦系統可根據本文中所闡述之實施例中之任何者而經組態。另外，可藉由本文中所闡述之系統實施例中之任何者來執行上文所闡述之方法。 儘管已關於一或多個特定實施例闡述本發明，但應理解可在不背離本發明之範疇之情況下做出本發明之其他實施例。因此，認為本發明僅受隨附申請專利範圍及其合理闡釋限制。
100‧‧‧方法
101‧‧‧步驟
102‧‧‧步驟
103‧‧‧步驟
104‧‧‧步驟
105‧‧‧步驟
106‧‧‧步驟
200‧‧‧晶圓
201‧‧‧重複者缺陷
202‧‧‧微型注意區
300‧‧‧晶粒
301‧‧‧第一類型重複者缺陷
302‧‧‧第二類型重複者缺陷
400‧‧‧系統
401‧‧‧晶圓檢測工具
402‧‧‧晶圓檢測工具
403‧‧‧處理器
404‧‧‧電子資料儲存單元
為較全面理解本發明之性質及目標，應參考結合附圖做出之以下詳細說明，在圖式中： 圖1係根據本發明之重複者缺陷偵測之一實施例之一流程圖； 圖2係圖1之實施例之一實例； 圖3係圖1之實施例之另一實例； 圖4係根據本發明之一系統之一方塊圖； 圖5係根據本發明之干擾缺陷減少之一第一實施例； 圖6係根據本發明之干擾缺陷減少之一第二實施例；且 圖7係根據本發明之干擾缺陷減少之一第三實施例。

Claims (19)

  1. 一種方法，其包括： 使用一處理器來判定一晶圓上之重複者缺陷之位置； 使用該處理器來圍繞該等位置中之每一者形成一微注意區； 使用一晶圓檢測工具來檢測該晶圓上之該等微注意區； 識別該等微注意區中之額外重複者缺陷； 使用該處理器來比較該等重複者缺陷及該等額外重複者缺陷之至少一個屬性；及 使用該處理器將具有自一預期群組屬性分佈偏離之該屬性之該等重複者缺陷及該等額外重複者缺陷中之任何者分類為干擾缺陷。
  2. 如請求項1之方法，其中該群組屬性分佈係基於以下各項中之一或多者： 該晶圓上之所有經識別重複者缺陷； 一相同缺陷類型之所有重複者缺陷； 該晶圓上具有一相同設計結構之所有重複者缺陷； 具有一相同晶粒座標之所有重複者缺陷； 具有一相同倍縮光罩座標之所有重複者缺陷； 具有一相同背景結構之所有重複者缺陷；或 跨越多個晶圓具有一相同晶圓間座標之所有重複者缺陷。
  3. 如請求項1之方法，其中該屬性包含極性。
  4. 如請求項1之方法，其中該屬性包含一點擴展函數之形狀、一點擴展函數之輪廓、大小、亮度或特徵向量中之至少一者。
  5. 如請求項1之方法，其中該判定係針對該晶圓之一表面之一整體而進行。
  6. 如請求項1之方法，其中該判定僅針對該晶圓上之一晶粒列而進行。
  7. 如請求項1之方法，其進一步包括使用該處理器在該晶圓上產生在一後續檢測期間由於該干擾缺陷之存在而將跳過之位置。
  8. 如請求項1之方法，其中判定該等位置包含：使用陣列中重複者或邏輯區之標準參考晶粒。
  9. 如請求項1之方法，其中判定該等位置包含一晶粒間檢測。
  10. 一種系統，其包括： 一處理器及與該處理器進行電子通信之一電子資料儲存單元，其中該處理器與一晶圓檢測工具進行電子通信，且其中該處理器經組態以執行以下指令： 判定一晶圓上之重複者缺陷之位置； 圍繞該等位置中之每一者形成一微注意區； 基於對該等微注意區之一額外檢測來識別該等微注意區中之額外重複者缺陷； 比較該等重複者缺陷及該等額外重複者缺陷之至少一個屬性；及 將具有自一預期群組屬性分佈偏離之該屬性之該等重複者缺陷及該等額外重複者缺陷中之任何者分類為干擾缺陷。
  11. 如請求項10之系統，其中該群組屬性分佈係基於以下各項中之一或多者： 該晶圓上之所有經識別重複者缺陷； 一相同缺陷類型之所有重複者缺陷； 該晶圓上具有一相同設計結構之所有重複者缺陷； 具有一相同晶粒座標之所有重複者缺陷； 具有一相同倍縮光罩座標之所有重複者缺陷； 具有一相同背景結構之所有重複者缺陷；或 跨越多個晶圓具有一相同晶圓間座標之所有重複者缺陷。
  12. 如請求項10之系統，其中該屬性包含極性。
  13. 如請求項10之系統，其中該屬性包含一點擴展函數之形狀、一點擴展函數之輪廓、大小、亮度或特徵向量中之至少一者。
  14. 如請求項10之系統，其中該處理器進一步經組態以執行以下指令：在該晶圓上產生在一後續檢測期間由於該干擾缺陷之存在而將跳過之位置。
  15. 如請求項10之系統，其中該處理器係該晶圓檢測工具之部分。
  16. 一種方法，其包括： 在一處理器處接收複數個重複者缺陷； 使用該處理器來比較該等重複者缺陷之至少一個屬性，其中該屬性至少包含該等重複者缺陷之極性；及 使用該處理器將具有自一預期群組屬性分佈偏離之該屬性之該等重複者缺陷中之任何者分離為干擾缺陷。
  17. 如請求項16之方法，其中該群組屬性分佈係基於以下各項中之一或多者： 該晶圓上之所有經識別重複者缺陷； 一相同缺陷類型之所有重複者缺陷； 該晶圓上具有一相同設計結構之所有重複者缺陷； 具有一相同晶粒座標之所有重複者缺陷； 具有一相同倍縮光罩座標之所有重複者缺陷； 具有一相同背景結構之所有重複者缺陷；或 跨越多個晶圓具有一相同晶圓間座標之所有重複者缺陷。
  18. 如請求項16之方法，其中該屬性進一步包含一點擴展函數之形狀、一點擴展函數之輪廓、大小、亮度或特徵向量中之至少一者。
  19. 如請求項16之方法，其進一步包括使用該處理器在一晶圓上產生在一後續檢測期間由於該干擾缺陷之存在而將跳過之位置。
TW107109575A 2017-03-24 2018-03-21 缺陷偵測之方法及系統 TWI751306B (zh)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
US201762476060P 2017-03-24 2017-03-24
US62/476,060 2017-03-24
US201762478425P 2017-03-29 2017-03-29
US62/478,425 2017-03-29
US201762515449P 2017-06-05 2017-06-05
US62/515,449 2017-06-05
US15/858,264 2017-12-29
US15/858,264 US10600175B2 (en) 2017-03-24 2017-12-29 Dynamic care areas for defect detection

Publications (2)

Publication Number Publication Date
TW201839383A true TW201839383A (zh) 2018-11-01
TWI751306B TWI751306B (zh) 2022-01-01

Family

ID=63581174

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107109575A TWI751306B (zh) 2017-03-24 2018-03-21 缺陷偵測之方法及系統

Country Status (4)

Country Link
US (1) US10600175B2 (zh)
KR (1) KR102324677B1 (zh)
TW (1) TWI751306B (zh)
WO (1) WO2018175669A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200864A (zh) * 2019-07-08 2021-01-08 深圳中科飞测科技有限公司 一种图像处理方法、定位方法、装置、设备及存储介质
TWI814165B (zh) * 2021-01-05 2023-09-01 日商紐富來科技股份有限公司 缺陷檢查方法

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11151711B2 (en) * 2018-06-06 2021-10-19 Kla-Tencor Corporation Cross layer common-unique analysis for nuisance filtering
US10801968B2 (en) * 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
US11776859B2 (en) 2018-12-19 2023-10-03 Kla Corporation Care area based swath speed for throughput and sensitivity improvement
US11431976B2 (en) 2019-01-28 2022-08-30 Kla Corporation System and method for inspection using tensor decomposition and singular value decomposition
US11122680B2 (en) * 2019-03-18 2021-09-14 International Business Machines Corporation Passive methods of loose die identification
US11416982B2 (en) 2019-10-01 2022-08-16 KLA Corp. Controlling a process for inspection of a specimen
US11810284B2 (en) * 2020-08-21 2023-11-07 Kla Corporation Unsupervised learning for repeater-defect detection
US20220301133A1 (en) * 2021-03-16 2022-09-22 Kla Corporation Segmentation of design care areas with a rendered design image
US11887296B2 (en) * 2021-07-05 2024-01-30 KLA Corp. Setting up care areas for inspection of a specimen
WO2023114666A1 (en) * 2021-12-13 2023-06-22 Onto Innovation Inc. Dynamic modeling for substrate defect detection
EP4325206A1 (en) 2022-08-18 2024-02-21 F. Hoffmann-La Roche AG Method for compensating defective partitions of a microfluidic chip

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6542830B1 (en) * 1996-03-19 2003-04-01 Hitachi, Ltd. Process control system
US6324298B1 (en) * 1998-07-15 2001-11-27 August Technology Corp. Automated wafer defect inspection system and a process of performing such inspection
US6577757B1 (en) * 1999-07-28 2003-06-10 Intelligent Reasoning Systems, Inc. System and method for dynamic image recognition
CN1318839C (zh) * 2002-11-28 2007-05-30 威光机械工程股份有限公司 印刷电路板上瑕疵组件的自动光学检测方法
CN100510720C (zh) * 2003-09-05 2009-07-08 英业达股份有限公司 降低自动光学检查机误判率的方法
JP4317805B2 (ja) 2004-09-29 2009-08-19 株式会社日立ハイテクノロジーズ 欠陥自動分類方法及び装置
US7844100B2 (en) 2004-11-29 2010-11-30 Applied Materials Israel, Ltd. Method for filtering nuisance defects
JP4699873B2 (ja) 2005-11-10 2011-06-15 株式会社日立ハイテクノロジーズ 欠陥データ処理及びレビュー装置
US7810710B2 (en) * 2006-05-19 2010-10-12 Target Brands, Inc. Stored-value product with manufactured article
TWI310084B (en) * 2006-07-27 2009-05-21 Asustek Comp Inc Automatic inspecting method for inspecting the polar direction of the polar element
US7796804B2 (en) 2007-07-20 2010-09-14 Kla-Tencor Corp. Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US8041106B2 (en) * 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
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
US8781781B2 (en) * 2010-07-30 2014-07-15 Kla-Tencor Corp. Dynamic care areas
US9189844B2 (en) 2012-10-15 2015-11-17 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific information
US9057965B2 (en) * 2012-12-03 2015-06-16 Taiwan Semiconductor Manufacturing Company, Ltd. Method of generating a set of defect candidates for wafer
WO2014149197A1 (en) * 2013-02-01 2014-09-25 Kla-Tencor Corporation Detecting defects on a wafer using defect-specific and multi-channel information
US8984450B2 (en) * 2013-03-14 2015-03-17 Taiwan Semiconductor Manufacturing Company, Ltd. Method and apparatus for extracting systematic defects
US9715725B2 (en) * 2013-12-21 2017-07-25 Kla-Tencor Corp. Context-based inspection for dark field inspection

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200864A (zh) * 2019-07-08 2021-01-08 深圳中科飞测科技有限公司 一种图像处理方法、定位方法、装置、设备及存储介质
TWI814165B (zh) * 2021-01-05 2023-09-01 日商紐富來科技股份有限公司 缺陷檢查方法

Also Published As

Publication number Publication date
US20180276808A1 (en) 2018-09-27
WO2018175669A1 (en) 2018-09-27
TWI751306B (zh) 2022-01-01
US10600175B2 (en) 2020-03-24
KR102324677B1 (ko) 2021-11-09
KR20190124319A (ko) 2019-11-04

Similar Documents

Publication Publication Date Title
TWI751306B (zh) 缺陷偵測之方法及系統
US10365639B2 (en) Feature selection and automated process window monitoring through outlier detection
TWI706376B (zh) 用於缺陷檢測之系統、方法及非暫時性電腦可讀儲存媒體
JP6420529B2 (ja) パッチ・ツー・パッチ比較を含む欠陥検出のための装置及び方法
TW201901293A (zh) 使用差異影像之晶圓檢查
US10074167B2 (en) Reducing registration and design vicinity induced noise for intra-die inspection
TW201701383A (zh) 對於關注之圖像群體之圖案之異常偵測
TWI731975B (zh) 用於缺陷偵測之系統及方法
TWI778258B (zh) 缺陷偵測之方法、系統及非暫時性電腦可讀媒體
US20090185739A1 (en) Multi-Modal Data Analysis for Defect Identification
TW201921139A (zh) 在透明或半透明晶圓上之缺陷偵測
US20140205180A1 (en) Method, apparatus and device for inspecting circuit pattern defect
US9569834B2 (en) Automated image-based process monitoring and control
CN107533994B (zh) 自动化的基于图像的过程监测及控制
TW201921317A (zh) 使用以位置為基礎之屬性之損害減少
TWI785065B (zh) 基於妨害地圖之寬帶電漿檢查
JP2012042390A (ja) 欠陥検査装置および欠陥検査方法