TW201921542A - 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 - Google Patents

識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷

Info

Publication number
TW201921542A
TW201921542A TW107130229A TW107130229A TW201921542A TW 201921542 A TW201921542 A TW 201921542A TW 107130229 A TW107130229 A TW 107130229A TW 107130229 A TW107130229 A TW 107130229A TW 201921542 A TW201921542 A TW 201921542A
Authority
TW
Taiwan
Prior art keywords
wafer
defects
defect
measurement
measurement points
Prior art date
Application number
TW107130229A
Other languages
English (en)
Other versions
TWI751376B (zh
Inventor
馬丁 普莉霍爾
布萊恩 杜菲
丹 厚夫 麥克 封
安德魯 詹姆士 克羅斯
考希克 沙
安東尼歐 曼尼
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 TW201921542A publication Critical patent/TW201921542A/zh
Application granted granted Critical
Publication of TWI751376B publication Critical patent/TWI751376B/zh

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • 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
    • 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
    • H01L22/30—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本發明提供用於識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷(DOI)的方法及系統。一種方法包含獲取由在一量測點陣列處對晶圓執行量測之一度量工具產生的晶圓之度量資料。在一項實施例中，量測點係於在晶圓上偵測缺陷之前且獨立於在晶圓上偵測到之缺陷而判定。方法亦包含相對於晶圓上之量測點之位置而判定在晶圓上偵測到之缺陷之位置，及基於相對於量測點之位置而判定之缺陷之位置來將度量資料作為一缺陷屬性指派給缺陷。另外，方法包含基於指派給缺陷之缺陷屬性來判定缺陷是損害還是DOI。

Description

識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
本發明大體而言係關於用於識別在一晶圓上偵測到之缺陷中之所關注損害及缺陷的方法及系統。
以下說明及實例並不由於其包含於此章節中而被認為是先前技術。
製作半導體裝置(諸如，邏輯裝置及記憶體裝置)通常包含使用衆多半導體製作製程來處理基板(例如，半導體晶圓)，以形成半導體裝置之各種特徵及多個層級。舉例來說，微影是涉及將一圖案自倍縮光罩轉印至配置於一半導體晶圓上之一抗蝕劑的一半導體製作製程。半導體製作製程之額外實例包含但不限於化學機械拋光(CMP)、蝕刻、沈積及離子植入。可將多個半導體裝置製作於一單個半導體晶圓上之一配置中，且然後將其分離成個別半導體裝置。
在一半導體製造製程期間之各種步驟處使用檢驗程序來偵測晶圓上之缺陷以達成製造製程之較高良率且因此達成較高利潤。檢驗一直以來皆係製作諸如IC之半導體裝置之一重要部分。然而，隨著半導體裝置尺寸減小，檢驗對於成功製造出可接受半導體裝置變得更加重要，此乃因較小缺陷便可能會導致裝置出故障。
然而，隨著設計規則縮小，半導體製造製程可更接近於對該等製程之效能能力之極限而操作。另外，隨著設計規則縮小，較小缺陷便可對裝置之電參數造成一影響，此促使更敏感之檢驗。因此，隨著設計規則縮小，藉由檢驗偵測到之潛在良率相關缺陷之數量極大增多，且藉由檢驗偵測到之損害缺陷之數量亦極大增多。
相對高損害率係一常見問題且會阻止足夠熱地運行(亦即，達到雜訊下限(noise floor))來發現實質上小的缺陷。識別損害缺陷通常係找到適當損害抑制技術之關鍵。可使用掃描電子顯微鏡(SEM)影像來將光學影像與SEM影像關聯起來以找出損害缺陷的來源，但此係一漫長且耗時之程序。另外，通常損害缺陷在SEM影像中係不可見的，此使得無法預測損害缺陷被引入於哪一層及哪一圖案化特徵中。作為一替代實施方案，可對損害缺陷執行透射電子顯微鏡(TEM)剖面量測，但此係一實質上耗時之技術，且實質上難以發現損害缺陷之位置。
因此，開發用於識別在一晶圓上偵測到之損害及所關注缺陷的無上文所闡述之缺點的系統及/或方法將係有利的。
對各種實施例的以下說明決不應被視爲限制所附申請專利範圍的標的物。
一項實施例係關於一種經組態以識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷(DOI)之系統。該系統包含一檢驗子系統，該檢驗子系統包含至少一能量源及一偵測器。能量源經組態以產生被引導至一晶圓之能量。偵測器經組態以偵測來自該晶圓之能量且回應於所偵測到之能量而產生輸出。該系統亦包含經組態以藉由對該輸出應用一缺陷偵測方法來在該晶圓上偵測缺陷之一或多個電腦子系統。該一或多個電腦子系統亦經組態以獲取該晶圓之度量資料。該度量資料係藉由在該晶圓上之一量測點陣列處對該晶圓執行量測之一度量工具針對該晶圓而產生。該晶圓上之該等量測點之一密度小於該晶圓上的在對該晶圓進行檢驗期間該偵測器產生該輸出之檢驗點之一密度。
該一或多個電腦子系統亦經組態以相對於該晶圓上之該等量測點之位置而判定該晶圓上之該等缺陷之位置。該一或多個電腦子系統進一步經組態以基於相對於該等量測點之該等位置而判定的該等缺陷之該等位置來將度量資料作爲一缺陷屬性指派給該等缺陷。該指派包含，對於在該等量測點處被偵測到之該等缺陷而言，基於該等量測點中偵測到該等缺陷之那些量測點來將在該等量測點處產生之該所獲取度量資料指派給該等缺陷。該指派亦包含，對於在該等量測點中任一者處皆未被偵測到之缺陷而言，依據在該等量測點處產生之該度量資料及相對於該等量測點之該等位置而判定之該等缺陷之該等位置預測偵測到缺陷之位置處之該度量資料。該一或多個電腦子系統亦經組態以基於指派給該等缺陷之該等缺陷屬性來判定該等缺陷是損害還是所關注缺陷。可按照本文中之闡述而對該系統進行進一步配置。
另一實施例係關於一種用於識別一晶圓上之損害及DOI之電腦實施方法。該方法包含藉由對由一檢驗子系統之一偵測器針對該晶圓產生之輸出應用一缺陷偵測方法來偵測該晶圓上之缺陷。按照上文之闡述對該檢驗子系統進行組態。該方法亦包含獲取該晶圓之度量資料。度量資料係按照上文之闡述產生。另外，該方法包含相對於該晶圓上之該等量測點之位置而判定該晶圓上之該等缺陷之位置。該方法進一步包含基於相對於該等量測點之該等位置而判定之該等缺陷之該等位置來將度量資料作為一缺陷屬性指派給該等缺陷。該指派係按照上文之闡述而被執行。該該方法亦包含基於指派給該等缺陷之該等缺陷屬性來判定該等缺陷是損害還是所關注缺陷。藉由耦合至該檢驗子系統之一或多個電腦子系統來執行該偵測、該獲取、對該等位置之該判定、該指派及對該等缺陷是損害還是所關注缺陷的該判定的此等步驟。
可按照本文中之詳盡闡述而進一步執行上文所闡述之方法之步驟中之每一者。另外，上文所闡述之方法可包含本文中所闡述之任何其他方法之任何其他步驟。此外，上文所闡述之方法可由本文中所闡述之系統中之任一者來執行。
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識別在一晶圓上偵測到之缺陷中之損害及DIO之一電腦實施方法。該電腦實施方法包含上文所闡述之方法之步驟。可如本文中所闡述而對電腦可讀媒體進行進一步組態。可如本文中進一步所闡述而執行該電腦實施方法之步驟。另外，電腦實施方法可包含本文中所闡述之任何其他方法之任何其他步驟，可執行程式指令來達成該電腦實施方法。
現在轉向圖式，應注意各圖並未按比例繪製。特定來說，圖的元件中的一些元件的比例被極大地放大以強調元件之特性。還應注意，圖並未按相同比例繪製。已使用相同元件符號指示可具有類似配置的在一個以上圖中展示的元件。除非本文中另外提及，否則所闡述及所展示之元件中之任何元件可包含任何適合可商購元件。
一項實施例係關於一種經組態以識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷(DOI)的系統。圖1中展示此一系統之一項實施例。該系統包含一檢驗子系統，該檢驗子系統包含至少一能量源及一偵測器。該能量源經組態以產生被引導至一晶圓樣之能量。偵測器經組態以偵測來自晶圓之能量且回應於所偵測到之能量而產生輸出。晶圓可包含此項技術中已知之任何晶圓。
在一項實施例中，檢驗子系統被組態爲一光學檢驗子系統。舉例而言，在圖1中所展示之系統之實施例中，檢驗子系統10包含經組態以將光引導至晶圓14之一照射子系統。該照射子系統包含至少一個光源。舉例而言，如在圖1中所展示，照射子系統包含光源16。在一項實施例中，照射子系統經組態以將光以一或多個入射角(其可包含一或多個斜角及/或一或多個法線角)引導至晶圓。舉例而言，如在圖1中所展示，將來自光源16之光穿過光學元件18且然後穿過透鏡20而引導至分束器21，分束器21將光以一法向入射角引導至晶圓14。入射角可包含任何適合入射角，其可取決於(例如)晶圓之特性以及將在晶圓上偵測到之缺陷而變化。
照射子系統可經組態以在不同時間將光以不同入射角引導至晶圓。舉例而言，檢驗子系統可經組態以更改照射子系統之一或多個元件之一或多個特性，使得可將光以與圖1中展示之入射角不同之一入射角引導至晶圓。在一項此類實例中，檢驗子系統可經組態以移動光源16、光學元件18及透鏡20使得將光以一不同入射角引導至晶圓。
在某些例項中，檢驗子系統可經組態以同時以一個以上入射角將光引導至晶圓。舉例而言，照射子系統可包含一個以上照射通道，該等照射通道中之一者可包含圖1中所展示之光源16、光學元件18及透鏡20，且該等照射通道中之另一者(未展示)可包含可被組態成不同或相同的類似元件，或可包含至少一光源以及可能地一或多個其他組件(諸如本文中詳盡闡述之組件)。若此光與其他光同時被引導至晶圓，則以不同入射角被引導至晶圓之光之一或多個特性(例如波長、偏振等)可有所不同，使得由以不同入射角對晶圓進行照射所得之光可在偵測器處彼此區別開。
在另一例項中，照射子系統可僅包含一個光源(例如，圖1中所展示之源16)，且可藉由照射子系統之一或多個光學元件(未展示)將來自該光源之光分離至不同光學路徑中(例如，基於波長、偏振等)。然後，可將不同光學路徑中之每一者中之光引導至晶圓。多個照射通道可經組態以將光同時地或在不同時間(例如，當不同照射通道用於依序照射晶圓時)引導至晶圓。在另一例項中，同一照射通道可經組態以在不同時間將具有不同特性之光引導至晶圓。舉例而言，在某些例項中，光學元件18可被組態為一光譜濾光器，且光譜濾光器之性質可以多種不同方式(例如，藉由替換光譜濾光器)被改變，使得可在不同時間將不同光波長引導至晶圓。照射子系統可具有此項技術中已知之任何其他適合組態，該等其他適合組態用於將具有不同或相同特性之光以不同或相同之入射角依序或同時地引導至晶圓。
在一項實施例中，光源16可包含一寬頻電漿(BBP)光源。如此一來，由該光源產生且被引導至晶圓之光可包含寬頻光。然而，光源可包含任何其他適合光源，諸如一雷射。雷射可包含此項技術中已知之任何適合雷射，且可經組態以產生此項技術中已知之任一或多個適合波長下之光。另外，雷射可經組態以產生單色光或接近單色之光。如此一來，雷射可係一窄頻雷射。光源亦可包含產生多個離散波長或波段下之光之一多色光源。
可藉由透鏡20將光自光學元件18聚焦至分束器21。儘管圖1中將透鏡20展示爲一單個折射光學元件，但應理解，實際上，透鏡20可包含組合地將光自光學元件聚焦至晶圓的若干個折射及/或反射光學元件。在圖1中所展示且本文中所闡述之照射子系統可包含任何其他適合光學元件(未展示)。此類光學元件之實例包含(但不限於)偏光組件、光譜濾光器、空間濾波器、反射光學元件、切趾器、分束器、光闌等，其等可包含此項技術中已知之任何此類適合光學元件。另外，該系統可經組態以基於將用於檢驗之照射類型而更改照射子系統之元件中之一或多者。
檢驗子系統亦可包含一掃描子系統，該掃描子系統經組態以致使光對晶圓進行掃描。舉例而言，檢驗子系統可包含載台22，在檢驗期間晶圓14安置於載台22上。掃描子系統可包含可經組態以移動晶圓使得光可對晶圓進行掃描之任何適合機械總成及/或機器人總成(其包含載台22)。另外或另一選擇係，檢驗子系統可經組態使得檢驗子系統之一或多個光學元件執行光對晶圓之某種掃描。可使光以任何適合方式對晶圓進行掃描。
檢驗子系統進一步包含一或多個偵測通道。一或多個偵測通道中之至少一者包含一偵測器，該偵測器經組態以偵測由於檢驗子系統對晶圓進行照射而來自晶圓之光且回應於所偵測到之光而產生輸出。舉例而言，圖1中所展示之檢驗子系統包含兩個偵測通道，一個由集光器24、元件26及偵測器28形成且另一個由集光器30、元件32及偵測器34形成。如圖1中所展示，該兩個偵測通道經組態而以不同聚集角度聚集光且偵測光。在某些例項中，一個偵測通道經組態以偵測經鏡面反射光，且另一偵測通道經組態以偵測不自晶圓鏡面反射(例如，散射、繞射等)之光。然而，偵測通道中之兩者或兩者以上可經組態以自晶圓偵測同一類型之光(例如，經鏡面反射光)。儘管圖1展示包含兩個偵測通道之檢驗子系統之一實施例，但檢驗子系統可包含不同數目個偵測通道(例如，僅一個偵測通道或者兩個或兩個以上偵測通道)。儘管在圖1中將集光器中之每一者展示爲單個折射光學元件，但應理解集光器中之每一者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。
一或多個偵測通道可包含此項技術中已知之任何適合偵測器。舉例而言，偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)及時間延遲積分(TDI)相機。偵測器亦可包含此項技術中已知之任何其他適合偵測器。偵測器亦可包含非成像偵測器或成像偵測器。如此一來，若偵測器係非成像偵測器，則偵測器中之每一者可經組態以偵測散射光之某些特性(諸如強度)，但不可經組態以依據在成像平面內之位置而偵測此等特性。如此，由包含於檢驗子系統之偵測通道中之每一者中之偵測器中之每一者產生之輸出可係信號或資料，但並非係影像信號或影像資料。在此等例項中，一電腦子系統(諸如，系統之電腦子系統36)可經組態以自偵測器之非成像輸出產生晶圓之影像。然而，在其他例項中，偵測器可被組態為成像偵測器，該等成像偵測器經組態以產生成像信號或影像資料。因而，該系統可經組態以按照若干種方式產生本文中所闡述之輸出。
應注意，本文中提供圖1以大體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子系統之一組態。顯然，可更改本文中所闡述之檢驗子系統之組態以將系統之效能最佳化，在設計一商業檢驗系統時通常會執行此步驟。另外，本文中所闡述之系統可使用諸如可自KLA-Tencor、Milpitas、Calif購得之29xx及39xx系列工具等一現有檢驗系統來實施(例如，藉由將本文中所闡述之功能性添加至一現有檢驗系統)。對於某些此等系統，本文中所闡述之方法可提供爲系統之選用功能性(例如，除系統之其他功能性之外)。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。
系統之電腦子系統36可以任何適合方式(例如，經由一或多個傳輸媒介，其可包含「有線」及/或「無線」傳輸媒介)耦合至檢驗子系統之偵測器，使得電腦子系統可接收在對晶圓進行掃描期間偵測器所產生之輸出。電腦子系統36可經組態以使用本文所闡述之偵測器之輸出來執行若干個功能，且執行本文中進一步闡述之任何其他功能。可按照本文中之闡述對此電腦子系統進行進一步組態。
此電腦子系統(以及本文中所闡述之其他電腦子系統)在本文中亦可被稱爲電腦系統。本文中所闡述之電腦子系統或系統中之每一者可呈各種形式，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。通常，術語「電腦系統」可被廣泛定義爲囊括具有一或多個處理器的執行來自一記憶體媒體之指令的任何裝置。電腦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，諸如一並行處理器。另外，電腦子系統或系統可包含具有高速度處理及軟體之一電腦平臺作爲一獨立工具或一網路連接工具。
若該系統包含一個以上電腦子系統，則不同電腦子系統可彼此耦合，使得影像、資料、資訊、指令等可在電腦子系統之間發送，如本文中詳盡闡述。舉例而言，電腦子系統36可藉由任何適合傳輸媒介而耦合至電腦子系統102 (如圖1中之虛線所展示)，該等傳輸媒介可包含此項技術中已知之任何適合之有線傳輸媒介及/或無線傳輸媒介。此等電腦子系統中之兩者或兩者以上亦可藉由一共用電腦可讀儲存媒體(未展示)而有效地耦合。
在另一實施例中，檢驗子系統被組態爲一電子束檢驗子系統。在圖2中所展示之一項此等實施例中，電子束檢驗子系統包含電子柱122，電子柱122耦合至電腦子系統124。如圖2中所展示，電子柱包含經組態以產生電子之電子束源126，該等電子由一或多個元件130聚焦至晶圓128。電子束源可包含(舉例而言)一陰極源或發射體尖端，且一或多個元件130可包含(舉例而言)一槍透鏡、一陽極、一束限制孔徑、一閘閥、一束電流選擇孔徑、一物鏡以及一掃描子系統，該等所有元件皆可包含此項技術中已知之任何此類適合元件。
自晶圓返回之電子(例如，次級電子)可由一或多個元件132聚焦至偵測器134。一或多個元件132可包含(舉例而言)一掃描子系統，該掃描子系統可與包含於元件130中之掃描子系統相同。
電子柱可包含此項技術中已知之任何其他適合元件。另外，可按照以下美國專利中的闡述對電子柱進一步組態：2014年4月4日頒佈的Jiang等人的美國專利第8,664,594號、2014年4月8日頒佈的Kojima等人的美國專利第8,692,204號、2014年4月15日頒佈的Gubbens等人的美國專利第8,698,093號以及2014年5月6日頒佈的MacDonald等人的美國專利第8,716,662號，上述專利如被完全陳述一般以引用方式併入本文中。
儘管電子柱在圖2中展示為經組態以使得電子係以一傾斜入射角被引導至晶圓且以另一傾斜角自晶圓散射，但應理解電子束可以任何適合角度被引導至晶圓並自該晶圓散射。另外，基於電子束之工具可經組態以使用多種模式來產生晶圓之影像(例如，以不同照射角度、聚集角度等)。基於電子束之檢驗子系統之多個模式可在檢驗子系統之任何影像產生參數上不同。
電腦子系統124可耦合至偵測器134，如上文所闡述。偵測器可偵測自晶圓之表面返回之電子，藉此形成晶圓之電子束影像。該等電子束影像可包含任何適合電子束影像。電腦子系統124可經組態以使用偵測器之輸出及/或電子束影像來執行本文中所闡述之功能中之任一者。電腦子系統124可經組態以執行本文中所闡述之任何額外步驟。可按照本文中之闡述對包含圖2中所展示之檢驗子系統之一系統進行進一步組態。
應注意，本文中提供圖2以大體上圖解說明可包含於本文中所闡述之實施例中之一電子束檢驗子系統之一組態。正如上文所闡述之光學檢驗子系統，可更改本文中所闡述之電子束檢驗子系統以將檢驗子系統之效能最佳化，在設計一商業檢驗系統時通常執行此操作。另外，可使用一現有電子束檢驗系統來實施本文中所闡述之系統(例如，基於將本文中所闡述之功能性添加至一現有電子束檢驗系統)。針對某些此類系統，可提供本文中所闡述之方法作爲系統之選用功能性(例如，除系統之其他功能性之外)。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。
儘管上文將檢驗子系統闡述爲一光學檢驗子系統或電子檢驗子系統，但檢驗子系統可係一離子束檢驗子系統。可按照圖2中之展示對此一檢驗子系統進行組態，唯電子束源可被替換爲此項技術中已知之任何適合離子束源除外。另外，檢驗子系統可係任何其他適合之離子束工具，諸如包含於可購得之聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及次級離子質譜(SIMS)系統中之離子束工具。
如上文所述，檢驗子系統可經組態以將能量(例如，光、電子)引導至晶圓之一實體版及/或使能量對晶圓之一實體版進行掃描，藉此產生晶圓之實體版之實際(亦即，非模擬)輸出及/或影像。如此一來，檢驗子系統可被組態爲一「實際」工具，而非一「虛擬」工具。然而，圖1中所展示之電腦子系統102可包含一或多個「虛擬」系統(未展示)，該一或多個「虛擬」系統經組態以使用針對晶圓所產生之實際光學輸出或影像及/或實際電子束輸出或影像中之至少某些來執行一或多個功能，該等功能可包含本文中進一步闡述之一或多個功能中之任一者。
該一或多個虛擬系統不能够使晶圓安置於其中。特定而言，虛擬系統並非係檢驗子系統10或電子柱122之一部分且不具有處置晶圓之實體版之任何能力。換言之，在一虛擬系統中，可輸出該虛擬系統之一或多個「偵測器」之輸出，該輸出係由一實際檢驗子系統之一或多個偵測器先前產生且儲存於該虛擬系統中，且在「成像及/或掃描」期間，該虛擬系統可重放所儲存之輸出，仿佛對晶圓進行成像及/或掃描一般。如此一來，利用一虛擬系統對晶圓進行成像及/或掃描可似乎與利用一實際系統對一實體晶圓進行成像及/或掃描相同，而實際上，「成像及/或掃描」僅涉及以晶圓可被成像及/或掃描相同之方式重放晶圓之輸出。
共同轉讓的2012年2月28日頒佈的Bhaskar等人之美國專利第8,126,255號及2015年12月29日頒佈的Duffy等人之美國專利第9,222,895號中闡述了被組態爲「虛擬」檢驗系統之系統及方法，上述美國專利以引用方式併入本文中，仿佛完全陳述一般。可按照此等專利中之闡述對本文中所闡述之實施例進行進一步組態。舉例而言，可按照此等專利中之闡述對本文中所闡述之一或多個電腦子系統進一步組態。
本文中所闡述之檢驗子系統可經組態以利用多種模式產生輸出，例如晶圓之影像。通常，一「模式」係由用於產生一晶圓之影像之檢驗子系統之參數值或用於產生晶圓之影像之輸出定義。因此，不同之模式可在檢驗子系統之參數中之至少一者之值上有所不同。如此一來，在某些實施例中，輸出包含由檢驗子系統依據檢驗子系統之一參數之兩個或兩個以上不同值而產生之影像。舉例而言，在一光學檢驗子系統之一項實施例中，多種模式中之至少另一者使用與多種模式中之至少一者之至少一個照射光波長不同之至少一個照射光波長。對於不同模式而言，模式可在照射波長上有所不同，如本文中詳盡闡述(例如，藉由使用不同光源、不同光譜濾光器等)。在另一實施例中，多種模式中之至少一者使用檢驗子系統之一照射通道，該照射通道不同於檢驗子系統的用於多種模式中之至少另一者之一照射通道。舉例而言，如上文所述，檢驗子系統可包含一個以上照射通道。如此，不同照射通道可用於不同模式。
類似地，由電子束檢驗子系統產生之輸出可包含由電子束檢驗子系統依據電子束檢驗子系統之一參數之兩個或兩個以上不同值而產生之輸出，例如影像。電子束檢驗子系統之多種模式可由用於產生晶圓之輸出及/或影像之電子束檢驗子系統之參數之值來定義。因此，不同之模式可在電子束檢驗子系統之電子束參數中之至少一者之值上有所不同。舉例而言，在一電子束檢驗子系統之一項實施例中，多種模式中之至少一者使用與用於多種模式中之至少另一者之至少一個照射入射角不同之至少一個照射入射角。
電腦子系統經組態以藉由對輸出應用一缺陷偵測方法來偵測晶圓上之缺陷。偵測晶圓上之缺陷可利用任何適合缺陷偵測方法及/或演算法以此項技術中已知之任何適合方式(例如，對輸出應用一缺陷偵測臨限值並判定一值高於缺陷偵測臨限值之任何輸出對應於一缺陷或一潜在缺陷)來執行。
在晶圓上所偵測到之缺陷將包含不同類型之缺陷。該等不同類型之缺陷通常將包含至少某些「損害」及至少某些DOI。本文中所使用的術語「損害」(有時可與「損害缺陷」互換使用)通常被定義為在晶圓上如此偵測到但並非是晶圓上的真正實際缺陷的缺陷。相反，可能會由於晶圓上的非缺陷性雜訊源(例如，線邊緣粗糙度(LER)、圖案化特徵的相對小臨界尺寸(CD)變化、厚度變化等)及/或由於用於檢驗的檢驗子系統本身或其組態的餘裕而偵測到「損害」。
因此，通常檢驗的目標並非是偵測晶圓上的損害。儘管力圖避免對損害之此偵測，但完全消除此偵測實際上並不可能。因此，識別所偵測缺陷中的哪些係損害且哪些係DOI是重要的，使得可單獨使用不同類型之缺陷的資訊，例如，關於DOI之資訊可用於對晶圓執行之一或多個製作製程做出診斷及/或改變，而可忽略、清除關於損害之資訊或將其用於診斷晶圓上之雜訊及/或檢驗程序或工具之餘裕。
電腦子系統亦經組態以獲取晶圓之度量資料。藉由在晶圓上之一量測點陣列處對晶圓執行量測之一度量工具來產生晶圓之度量資料。度量及檢驗通常被視為半導體製造的不同領域。舉例而言，度量係通常校準至一參考標準，且檢驗通常係藉由比較所獲取之鄰近結構(例如，在晶粒內、晶粒之間等)之信號結果(輸出、信號、影像等)與一所儲存參考(透過模擬或者合成所記錄或產生)來執行。對於處理中半導體晶圓之度量，膜厚度可變性、晶圓幾何形狀輪廓及CD係在度量目標上或直接在成品電路結構上收集之正常參數。
度量工具可具有此項技術中已知之任何適合組態。在一項實例中，可在一或多個參數上對本文中所闡述之光學及電子束檢驗子系統進行修改，使得其等可被組態爲且用作度量工具。特定而言，可取決於本文中所闡述以及圖1及圖2中所展示之檢驗子系統之實施例將使用之應用來在一或多個參數上對該等檢驗子系統之實施例進行修改以提供不同成像能力。在一項此實例中，圖1及圖2中所展示之檢驗子系統可經組態以在其用於度量而非用於檢驗之情况下具有一較高解析度。換言之，圖1及圖2所展示之檢驗子系統之實施例闡述某些一般性的各種組態，該等組態可以熟習此項技術者所熟知之若干種方式來調節以形成具有或多或少適合於不同應用(諸如，檢驗及/或度量)之不同能力之子系統。另外，若同一子系統具有可變硬體設定使得其可用於檢驗及度量兩者，則同一子系統可用於產生本文中所闡述之檢驗子系統輸出及度量資料兩者。
然而，本文中所闡述之檢驗子系統將通常經組態以在對晶圓進行檢驗期間具有比在一度量程序期間一度量工具之解析度低的解析度。舉例而言，即使本文中所闡述之檢驗子系統可經組態以在一檢驗程序期間具有使其適合於度量之相對高解析度，但檢驗子系統將經組態以達成一較低解析度以改良檢驗程序之通量(尤其是由於此一高解析度通常係不必要的或本文中所闡述之檢驗程序並不需要)。如本文中詳盡闡述，本文中所闡述之實施例之本質力圖利用以經分類之較高解析度影像或其他資料(例如，度量資料)訓練之模型依據相對低解析度檢驗子系統影像或其他資料來推測出資訊。除了相對低解析度電子束檢驗影像或其他輸出之外，此相同原理可應用於相對低解析度光學檢驗影像或其他輸出。
然而，圖3展示可對本文中所闡述之晶圓執行量測之一度量工具之另一實施例。在一光學度量工具之情形中，度量工具可包含經組態以將具有一或多個照射波長之光引導至晶圓之一照射子系統。舉例而言，在圖3中所展示之度量工具實施例中，度量工具300之照射子系統包含光源302，光源30可包含本文中所闡述之光源中之任一者。可透過照射子系統之一或多個光譜濾光器304來引導光源302所產生之光。可如本文中詳盡闡述地來對光譜濾光器304進行組態。照射子系統亦可包含分束器306，分束器306經組態以將來自光譜濾光器之光反射至照射子系統之物鏡308。可按照本文中之闡述來對分束器306及物鏡308進行進一步組態。物鏡308經組態以將具有一或多個照射波長之光自分束器聚焦至晶圓310，晶圓310可包含本文中所闡述之晶圓中之任一者。
在一項實施例中，照射子系統包含一寬頻光源。舉例而言，圖3中所展示之光源302可係一寬頻光源，且一或多個光譜濾光器304可被定位在來自寬頻光源之光之一路徑中。因此，度量工具可包含透過波長相依濾波器而具有一可選擇照射波長範圍之一寬頻源。舉例而言，可藉由改變或移除定位於來自光源之光之路徑中之光譜濾光器來更改引導至晶圓之波長。如此一來，度量工具可經組態以具有可依據晶圓上之材料而變化之靈活照射波長。
度量工具亦可將較窄或經修改帶通濾光器併入至照射子系統中。在一項此類實施例中，該一或多個光譜濾光器包含一或多個干涉濾波器。舉例而言，光譜濾光器304可係干涉濾波器。如此一來，度量工具可包含透過干涉濾波器而具有一可選擇照射波長範圍之一寬頻源。此等濾光器可補充或替換工具中當前所使用之帶通濾光器。
在另一實施例中，照射子系統包含一或多個窄頻光源。在一額外實施例中，照射子系統包含一或多個雷射光源。窄頻光源及/或雷射光源可包含此項技術中已知之任何適合此類光源。舉例而言，此光源可包含一或多個二極體雷射、二極體泵浦固態(DPSS)雷射、氣體雷射等。另外，本文中所闡述之照射子系統可包含任何數目個呈任何適合組合之寬頻、窄頻及雷射光源。此外，光源可係準單色光源。本文中所闡述之光源及照射子系統組態中之任一者可包含在具有任何適合組態之一度量工具內。在一項特定實例中，照射子系統可僅包含一個雷射源。在另一實例中，一照射子系統可包含多個雷射源。因此，可存在光源與度量工具組態之諸多不同組合且可取決於(舉例而言)晶圓及藉由工具量測之/或晶圓特性而對該等不同組合做出選擇。
可若干種不同方式對照射子系統進行組態以達成選擇性照射角度及/或偏光。舉例而言，可藉由改變照射子系統之一光源之或一位置或藉由控制照射子系統的影響照射角度之一或多個其他元件來更改或選擇照射角度。經更改或選擇的照射角度可係入射光之極角及/或方位角。另外，可藉由選擇發射具有選定偏光之光之一光源或藉由在由光源發射之光之路徑中包含一或多個偏光選擇/更改/濾波元件來選擇照射偏光。
度量工具亦包含經組態以偵測來自晶圓之光之一偵測子系統。如圖3中所展示，偵測子系統包含經組態以聚集來自晶圓310之光之物鏡308。在此實施例中，所聚集之光可包含鏡面反射光。然而，所聚集之光可替代地包含或另外亦包含散射光。偵測子系統亦可包含經組態以透射物鏡所聚集之光之分束器306。
在某些情形中，偵測子系統包含分束器312，分束器312經組態以透射來自晶圓、由物鏡聚集並由分束器306透射之具有一或多個光波長之光。偵測子系統亦可包含一或多個帶通濾光器314，帶通濾光器314可如本文中詳盡闡述地被組態且可透射具有一或多個選定波長之光。分束器306、分束器312及帶通濾光器314中之一或多者可經組態以選擇性地透射具有一或多個選定波長之光且將不具有一或多個選定波長之光自偵測子系統之偵測路徑反射或者阻擋掉，使得不具有一或多個選定波長之光不被偵測器316偵測到。
在某些例項中，偵測子系統包含一或多個帶通濾光器318及偵測器320。在圖3中所展示之組態中，由分束器312反射之光被引導至一或多個帶通濾光器318，且由一或多個帶通濾光器透射之光由偵測器320偵測。帶通濾光器318及偵測器320可按照本文中之闡述被進一步組態。分束器312可經組態以透射具有一或多個第一波長之光且反射具有與第一波長不同之一或多個第二波長之光。如此一來，偵測器316及320可偵測具有不同波長之光。
在一項實施例中，照射子系統及偵測子系統包含一共同物鏡及一共同雙色鏡或分束器，且共同物鏡及共同雙色鏡或分束器經組態以將光自照射子系統之一光源引導至晶圓且將光自晶圓引導至偵測子系統之一偵測器。舉例而言，如圖3中所展示，照射子系統及偵測子系統可包含作爲一共同物鏡之物鏡308以及作為一共同雙色鏡或分束器之分束器306。如上文所闡述，物鏡308及分束器306經組態以將光自照射子系統之光源302引導至晶圓310且將光自晶圓引導至偵測子系統之偵測器316及/或偵測器320。另外，本文中所闡述之任何分束器可由反射特定波長帶之光且透射對應帶外光雙色鏡之替換。此類組態可增加遞送至晶圓之光量且提高所偵測到之信號之純度。
在一項實施例中，藉由基於晶圓上之一或多種材料、被量測晶圓之一或多個特性或上述兩者某些組合而更改偵測子系統之一或多個參數來選擇由偵測子系統偵測之光之一或多個波長。因此，如照射波長範圍一樣，可取決於晶圓材料及被量測之晶圓特性來調整偵測波長範圍。由偵測子系統偵測到之波長可按照本文中之闡述(例如，使用帶通濾波器)或以此項技術中已知之任何其他適合方式來更改。
在一項實施例中，偵測子系統包含兩個或兩個以上通道，該兩個或兩個以上通道經組態以單獨且同時地偵測來自晶圓的處於不同波長範圍中之光。舉例而言，度量工具可經組態以包含多個平行成像通道，該多個平行成像通道透過適當地選擇雙色組件及帶通濾波器組件來對不同波長範圍進行成像。在圖3中所展示之實施例中，通道中之一者可包含帶通濾光器314及偵測器316，且通道中之其他通道可包含帶通濾光器318及偵測器320。另外，度量工具可包含兩個以上通道(例如，藉由將一或多個額外分束器(未展示)插入至來自晶圓之光之路徑中，該兩個以上通道可耦合至一偵測器(未展示)且可能耦合至光譜濾光器(未展示)及/或其他光學元件(未展示))。包含帶通濾光器314及偵測器316之通道可經組態以偵測處於一第一波長頻帶中之光，且包含帶通濾光器318及偵測器320之通道可經組態以偵測處於一第二波長頻帶中之光。如此一來，可藉由不同通道通過偵測到不同波長範圍之光。另外，不同波長範圍可互相排斥(例如，透過一或多個波長分離)，或可完全重疊(例如，一個波長範圍可完全處於另一波長範圍內)，或部分地重疊(例如，多個波長範圍可包含相同之一或多個波長，但處於一第一波長範圍中之波長中之至少某些與處於一第二波長範圍中之波長中之至少某些相互排斥，且反之亦然)。在某些實施例中，偵測子系統包含一分光計，該分光計經組態以跨越一波長範圍量測來自晶圓之光之一特性。舉例而言，在圖3中所展示之實施例中，偵測器316及320中之一或多者可係一分光計。
如上文所闡述，偵測子系統可經組態以基於光波長而選擇性地且單獨地偵測來自晶圓之光。以一類似方式，若照射子系統經組態以達成選擇性照射角度及/或偏光，則偵測子系統可經組態以基於來自晶圓之角度(或聚集角度)及/或偏光而選擇性地偵測光。舉例而言，偵測子系統可包含可用於控制由偵測子系統偵測到之光之聚集角度之一或多個孔隙(未展示)。在另一實例中，偵測子系統可在來自晶圓之光之路徑中包含一或多個偏光組件(未展示)，該一或多個偏光組件可用於控制由偵測子系統偵測到之光之偏光。
度量工具亦包含一電腦子系統，該電腦子系統經組態以使用由偵測子系統回應於所偵測到之光而產生之輸出來產生晶圓之度量資料。舉例而言，在圖3中所展示之實施例中，度量工具可包含電腦子系統322，電腦子系統322可藉由圖3中利用虛線展示之一或多個傳輸媒介耦合至偵測器316及320，該傳輸媒介可包含「有線」及/或「無線」傳輸媒介，使得電腦子系統可接收偵測子系統之偵測器回應於所偵測到之光而產生之輸出。舉例而言，偵測器之輸出可包含信號、影像、資料、影像資料等。舉例而言，上文所闡述之偵測子系統之偵測器可係經組態以擷取晶圓之影像之成像偵測器。可按照本文中之闡述來對電腦子系統進行進一步組態。度量資料可係本文中所闡述之度量資料中之任一者。度量資料可儲存於(或輸出爲)一度量結果文件。
注意，本文中提供圖3來大體上圖解說明本文中所闡述之度量工具實施例之某些組態。顯然，本文中所闡述之度量工具組態可經更改以將度量工具之效能最佳化，如通常在設計一商業性度量工具時執行。另外，本文中所闡述之度量工具可包含一現有度量工具(例如，藉由將本文中所闡述之功能性添加至一現有度量工具)，諸如可自KLA-Tencor購買到之Archer、ATL、SpectraShape、SpectraFilm、Aleris、WaferSight、Therma-Probe、RS-200、CIRCL及剖面儀工具。對於某些此類系統而言，本文中所闡述之方法可設置為現有度量工具之選用功能性(例如，除了現有工具之其他功能性之外)。另一選擇係，可「從頭」設計本文中所闡述之度量工具以提供一全新系統。
儘管圖3中所展示之度量工具係一基於光之工具或光學工具，但應理解度量工具可經組態以亦使用或替代地使用一不同類型之能量來執行本文中所闡述之量測。舉例而言，度量工具可係一基於電子束之工具，諸如一掃描電子顯微鏡(SEM)或一透射電子顯微鏡(TEM)及/或一基於帶電荷粒子束之工具，諸如一聚焦離子束(FIB)工具。此類度量工具可包含任何適合之可購得度量工具。
如上文所闡述，藉由在晶圓上之一量測點陣列處對晶圓執行量測之一度量工具來產生對晶圓之度量資料。量測點陣列可係一規則量測點陣列，但未必僅限於本文中所闡述之實施例。另外，量測點陣列可係晶圓上之一個二維量測點陣列。
可如本文中詳盡闡述地判定的晶圓上之量測點之一密度可用於判定晶圓上之量測點之準確位置。舉例而言，基於晶圓上之量測點之選定或預定密度，量測點可跨越受檢驗晶圓之區域而均勻地或規則地間隔，使得量測點跨越在晶圓之受檢驗區域而具有選擇的或所期望之密度。
由於晶圓上之量測點之密度及準確位置係在對晶圓上進行偵測缺陷之前且不參照晶圓上之其他特徵及圖案化結構而判定，因此晶圓上之量測點之準確位置不如量測點之密度重要。因此，用於產生本文中所闡述之度量資料之量測點亦不同於用於常規度量量測之量測點，原因在於常規度量量測通常係針對晶圓上之特定圖案化結構或膜執行，其中準確位置對確保量測晶圓上之正確結構或材料而言十分重要。相比而言，在本文中進一步闡述之實施例中，度量資料用於擷取會影響檢驗結果之特定晶圓特性變化，而不需要量測一特定結構或膜。
在一項實施例中，在藉由一或多個電腦子系統執行缺陷偵測之前，度量工具先產生晶圓之度量資料。在另一實施例中，在藉由一或多個電腦子系統執行缺陷偵測之前且獨立於在晶圓上偵測到之缺陷而判定量測點。在於晶圓上偵測缺陷之前產生度量資料(且以光學方式獲取該度量資料)可出於若干種原因而係有利的。舉例而言，如本文中進一步所闡述，若在進行缺陷偵測之前產生度量資料，則可在檢驗晶圓期間(例如，甚至在藉由檢驗子系統掃描晶圓時)使用該度量資料，此舉具有本文中進一步所闡述之特定優勢。即使在檢驗期間不使用度量資料(而是在已於晶圓上偵測缺陷及/或對晶圓之掃描完成之後使用)，仍可在進行任何掃描、缺陷偵測或被執行量測之晶圓層檢驗之前產生度量資料。
在本文中所闡述之實施例中之任一者中，一或多個電腦子系統可在檢驗開始時查詢度量結果且使其準備接受處理。(查詢度量結果可經由資料庫存取及查詢來進行，但可以本文中所闡述之任何其他方式執行)。在檢驗開始時查詢度量量測且對量測進行預處理以供檢驗(亦即，透過一資料庫連結度量資料以作為檢驗之一預處理步驟)的此想法被認為係新穎的。此符合本文中所闡述之度量及檢驗，此乃因對晶圓之同一層執行度量及檢驗(亦即，在已對晶圓執行一個程序之後且在對晶圓執行另一程序之前對晶圓執行度量及檢驗兩者)。本文中所闡述之度量及檢驗之時序未必適用於對晶圓之不同層執行之度量及檢驗及/或在已對晶圓執行不同程序之後(例如，其中度量係在一第一程序之後執行且檢驗係在與第一程序不同之一第二程序之後執行)。
亦如上文所述，在一項實施例中，獨立於在晶圓上偵測到之缺陷判定量測點。因此，爲了產生本文中所闡述之度量資料而執行之量測不同於典型度量量測，典型度量量測通常在晶圓檢驗之後執行且可對檢驗中所偵測到之缺陷執行(例如，爲了產生關於所偵測缺陷之更詳細資訊)。另外，若本文中所闡述在檢驗晶圓之前產生度量資料，則必須獨立於所偵測到之缺陷而判定量測點，此乃因在量測之前尚未在晶圓上偵測到缺陷且因此該等缺陷不可用於判定量測點之位置。
如本文中進一步所闡述，量測點之準確位置可不同於在晶圓上偵測到之缺陷之準確位置且可基於晶圓上之所期望量測點密度而判定，所期望量測點密度通常將不同於晶圓上之缺陷之密度。舉例而言，如圖5中所展示，量測點500可在晶圓502上被配置成一陣列，且陣列中點之密度可按照本文中進一步之闡述判定。亦如圖5中所展示，量測點陣列係一個二維量測點陣列。圖5中所展示之量測點陣列可按照本文中之闡述進行進一步組態。相比而言，如圖5中所展示，可以遠比晶圓上之量測點高之密度及頻率來在晶圓502上偵測缺陷504。此外，可獨立於在晶圓上偵測到之缺陷來判定量測點位置，此乃因量測目的並非係爲了量測晶圓上之缺陷之一或多個特性，而是爲了量測晶圓之一或多個特性之變化，該等特性變化可包含晶圓上之一或多種材料及/或晶圓上之一或多個圖案化結構(但未必係任何特定的材料及/或結構)。
在某些情境中，晶圓之一或多個特性之此等變化可被視為缺陷。舉例而言，度量域與檢驗域之間的一個聯繫係若此等變化與規格之偏差足够大，則在晶圓處理期間可出現缺陷。在本文中所闡述之實施例中，晶圓特性之變化是有目的地被量測，而不論該等變化是否使特性變成缺陷。舉例而言，甚至在此等變化不足以產生缺陷或被視爲缺陷性的，其仍可影響晶圓之光學性質且可會在光檢驗、電子束檢驗及其他晶圓檢驗期間導致非期望雜訊。另外，若一缺陷恰巧存在於預選定量測點中之一者處，則其可實際上影響在彼量測點處產生之度量資料。然而，此等量測(缺陷或使晶圓有缺陷之特性)並非係本文中所闡述之量測之目標。
相反，本文中所闡述之實施例之一個優勢係度量資料可用於判定會影響到檢驗子系統之偵測器針對晶圓所產生之輸出之晶圓特性變化，該等晶圓特性變化包含可低於檢驗子系統之解析能力但仍可會影響到檢驗輸出且未必或內在地表示晶圓上存在之任何缺陷的此等變化(例如，由度量工具量測到之變化可處於晶圓特性之規格內且因此並非係缺陷性的，但仍會影響到由檢驗子系統之偵測器產生之輸出)。如此一來，本文中所闡述之實施例經組態以在檢驗時利用對本文中所闡述之晶圓特性之度量量測。如此，本文中所闡述之實施例經組態以在檢驗中使用度量資料。與本文中所闡述之實施例相比，當前不存在使用度量資料來改良光學或其他檢驗之品質之實用方法。
在一項實施例中，由度量工具產生之度量資料之至少某些值低於檢驗子系統之一解析度極限。舉例而言，度量工具可經組態以具有比檢驗子系統更高之一解析度，此可符合本文中所闡述之所有檢驗子系統。特定而言，度量工具可具有比本文中所闡述之光學子系統及本文中所闡述之電子束檢驗子系統高之一解析度，此乃因在本文中所闡述之實施例之內容脉絡中，電子束檢驗子系統被組態成具有相對低解析度之電子束檢驗子系統。因此，此等檢驗子系統將具有比大多數度量工具且特定而言本文中所闡述的將用於執行本文中所闡述之量測之度量工具低的一解析度。如此一來，本文中所闡述之檢驗子系統經組態使得由此等檢驗子系統產生之輸出不能用於判定此等變化。然而，由度量工具量測之晶圓特性之亞解析度值可會影響到由本文中所闡述之檢驗子系統產生之輸出。本文中所使用之術語「亞解析度」係指低於檢驗子系統之解析能力之晶圓特性值，此意味著晶圓特性值無法依據由檢驗子系統產生之輸出或影像來解析或判定。因此，亞解析度之晶圓特性低於檢驗子系統之解析度。
在光學檢驗情形中，在「規格內」效應或亞解析度尺寸變化會反映於光學性質中，其可導致在檢驗中偵測色彩及其他晶圓雜訊源。如此，在檢驗期間，該等「規格內」效應或亞解析度尺寸變化無法使用所獲得之光學性質藉由檢驗被清晰擷取到(作為切損害)且與其他雜訊源(亦被偵測為損害)混合在一起，且僅可與與DOI區分。僅依賴光學性質來區分被錯誤地偵測為缺陷的晶圓尺寸之非關鍵變化與DOI的主要缺點係所有此等信號彼此重疊且難以區分。然而，量測亞解析度(就檢驗子系統而言)晶圓特性變化可如本文中所闡述用於消除此等變化對檢驗子系統輸出之影響(藉由使用晶圓特性變化來區分損害與DOI)。如此一來，提供度量量測且將檢驗子系統輸出關聯至此等量測會對DOI與損害做出較佳區分(根據發明者對相關現象的研究)且改良程序監測(基於與損害區分開之DOI而執行)。
晶圓上之量測點之一密度小於在晶圓檢驗期間晶圓上的偵測器產生輸出的檢驗點之一密度。本文中所使用之術語「度量」係獨立於檢驗而執行且通常具有較低之頻率。舉例而言，通常，量測點彼此之間的間隔將遠大於檢驗點彼此之間的間隔。特定而言，在對晶圓執行之大多數檢驗中，檢驗點通常彼此重疊(如光、電子等對整個晶圓進行掃描)，使得晶圓上之被檢驗區域中不存在未經受檢驗之部分。因此，此檢驗點重疊係特意為之。因此，檢驗點密度如此之高使得檢驗點彼此至少在一定程度上重疊。相比而言，期望儘可能低地選擇或判定量測點密度(出於通量及成本考慮)但仍足以在進行量測時對關注變化作出回應(本文中進一步闡述)。舉例而言，以一量測點網格對晶圓執行所期望量測(例如，晶圓布局、膜厚度等)，該量測點網格足够密集以允許對晶圓上之任何點做出可靠量測預測(例如內插、外推等)。
如本文中所使用，術語「量測點」或「檢驗點」中之「點」未必意指量測或檢驗係對「點」之一量測或檢驗。換言之，如本文中所使用，術語「點」意在指示執行一量測或獲取檢驗輸出之一位置或區域。然而，在任一個「點」處執行之量測或檢驗可跨越晶圓上之一相對小區域而執行(例如，晶圓上之一位點或區域)。如此一來，如本文中所使用之一「量測點」指示被一度量工具執行一量測的在晶圓上之一位置或區域，且「量測點」中之每一者在晶圓上係彼此離散的。另外，如本文中所使用之一「檢驗點」意在指示一檢驗子系統產生檢驗輸出的晶圓上之一區域，但並非「檢驗點」中之每一者皆必須彼此離散或間隔開，此乃因通常在執行檢驗時其通常將彼此重疊。
不同最小量測點「密度」可用於不同使用情形中。舉例而言，跨晶圓之膜厚度變化往往相對緩慢，因此膜厚度量測之密度可相對低。就製程窗認證(PWQ)晶圓而言，可逐模組地執行特定CD量測以獲得適用於所有模組之更可靠損害篩除。因此，對本文中所闡述之實施例而言「足夠」密集之一量測點密度包含足夠大以使度量資料對缺陷位置之預測足夠準確的任何量測點密度。
在一項實施例中，量測點密度經選擇以在度量資料中擷取晶圓級變化。在另一實施例中，量測點密度經選擇以在度量資料中擷取晶粒級變化。舉例而言，較佳地在晶圓上之選定量測點處以足夠高之頻率執行量測以擷取晶圓級及/或晶粒級變化。可如上文所闡述地(例如，基於所執行之度量量測之預期變化及/或預期晶圓特性)判定擷取晶圓級或晶粒級變化所需之量測點頻率或密度。
可依據以任何適合之方式在量測點處執行之量測判定或產生度量資料。換言之，可在本技術中使用諸多不同之方法、演算法、模型、功能等來依據量測判定度量資料。可以此等已知方式中之任一者產生本文中所闡述之實施例中所使用之度量資料。另外，可對5D分析器系統執行度量分析(例如，疊對資料及其他度量資料之模型化)，5D分析器系統可自KLA-Tencor購得。此系統在行業中建立且具備先進度量分析之能力。若不需要進一步模型，則可自此系統或直接自度量工具遞送度量資料。
在一項實施例中，度量資料包含膜厚度、圖案化結構輪廓、臨界尺寸(CD)、線邊緣粗糙度(LER)及線寬度粗糙度(LWR)中之一或多者。舉例而言，可特定用於本文中所闡述之實施例中之晶圓特性包含目標CD量測，諸如線寬度、線粗糙度(CD均一性)特定而言結構、疊對量測(僅適用於光學檢驗)以及可影響檢驗子系統針對晶圓產生之輸出及因此由電腦子系統產生之缺陷偵測結果的任何其他此類特性。換言之，本文中所闡述之度量資料可包含在檢驗期間可與檢驗雜訊相關或導致晶圓之光學性質改變之任何及所有量測及/或晶圓特性。2016年由荷蘭人Shin, Springer發明之「變化感知先進CMOS裝置及SRAM」第19至35頁之章節2中闡述LER及LWR以及用於量測並判定此等特性之方法，上述文件如本文中完全陳述一般以引用方式併入。亦可如2018年4月28日公佈之Duffy等人之共同讓予美國專利申請公開案第2016/0116420號中所闡述地執行本文中所闡述之量測，該美國專利申請公開案如本文中完全陳述一般以引用方式併入。可按照此等引用中之闡述而對本文中所闡述之實施例進行進一步組態。
在一項實施例中，系統中並不包含度量工具。舉例而言，度量工具可包含於與本文中所闡述之系統實施例不用且分離之一個系統中。換言之，度量工具可包含於與本文中所闡述之實施例實體分離之一系統中且可不與本文中所闡述之系統實施例共用任何共同元件。特定而言，如圖1及圖3中所展示，檢驗子系統可包含於一個系統中，度量工具可被組態爲另一系統，且系統及度量工具彼此完全實體分離且不共用共同硬體元件。
在此等實施例中，本文中所闡述之一或多個電腦子系統可經組態以自耦合至度量工具及/或已由度量工具儲存了度量資料之一儲存媒體的一電腦子系統存取並獲取度量資料。該一或多個電腦子系統可如本文中詳盡闡述地自另一電腦系統或子系統或一儲存媒體獲取度量資料。如此一來，度量工具及包含檢驗子系統之系統可係不同之工具。度量資料可儲存於一資料庫(諸如Klarity，可自KLA-Tencor購得)中，可在檢驗期間或在檢驗之後自該資料庫中擷取量測。
如此一來，獲取度量資料未必包含產生度量資料。舉例而言，如上文所闡述，度量工具可經組態以產生度量資料，且然後本文中所闡述之一電腦子系統可自度量工具、度量工具之一電腦子系統或已被儲存度量資料之一儲存媒體獲取度量資料。如此，所獲取度量資料可已由除了本文中所闡述之實施例之外的一系統產生。然而，在某些實施例中，獲取度量資料可包含產生度量資料。舉例而言，本文中所闡述之實施例可包含一度量工具(如本文中所進一步闡述)，且因此本文中所闡述之系統實施例可經組態以藉由在量測點處對晶圓執行量測來產生度量資料。另一選擇係，本文中所闡述之系統實施例(或系統之一或多個元件)可經組態以致使度量工具對晶圓執行量測。因此，獲取度量資料可包含在量測點處對晶圓執行量測。
在一項實施例中，度量工具被併入至系統中，使得檢驗子系統及度量工具共用系統之一或多個共同元件。圖4圖解說明此一系統之一項實施例。該系統包含檢驗子系統模組400及度量工具模組402。可關於圖1及圖2按照本文中之闡述對模組400中所包含之檢驗子系統進行組態。可關於圖3按照本文中之闡述對模組402中所包含之度量工具進行組態。系統亦可包含耦合至檢驗子系統及度量工具中之一者或該兩者之電腦子系統404。可根據本文中所闡述之任何其他實施例中來對電腦子系統404進行組態。
在某些實施例中，系統亦包含額外模組412，且額外模組可經組態以對晶圓執行一或多個額外程序。舉例而言，該一或多個額外程序可包含缺陷再檢視，缺陷修復及/或任何其他品質控制相關程序。
可由度量工具與檢驗子系統共用之一或多個共同元件可包含共同殼體406、共同晶圓處置器408、共同電源410、電腦子系統404、或上述各項之某些組合中之一或多者。共同殼體可具有此項技術中已知之任何適合組態。舉例而言，可將系統之一原始殼體進行簡單擴張以容納度量工具。如此一來，可將度量工具與檢驗子系統組態爲一單個單元或工具。共同晶圓處置器可包含此項技術中已知之任何適合機械及/或機器人總成。共同晶圓處置器可經組態以在度量工具與檢驗子系統之間以下述一種方式來移動晶圓：可在程序之間將晶圓自度量工具直接移動至檢驗子系統中而無須將晶圓放回至其輸送盒或其他容器中。共同電源可包含此項技術中已知之任何適合電源。電腦子系統可如本文中詳盡闡述地耦合至度量工具以及檢驗子系統，使得電腦子系統可如本文中詳盡闡述地與度量工具及檢驗子系統互動。額外模組可以上文所闡述之相同方式被併入到系統中。
度量工具之硬體可於安置一量測室中，該量測室與系統中所包含之檢驗子系統及額外模組分離。量測室可橫向地或垂直地鄰近檢驗子系統及額外模組而安置。舉例而言，系統可被組態爲一模組叢集，該等模組中之每一者可經組態以執行不同之程序。另外，量測室、檢驗子系統及額外模組可橫向地或垂直地鄰近系統之裝載室414而安置。裝載室可經組態以支撑多個晶圓，諸如將在系統中進行處理之晶圓之輸送盒416。晶圓處置器408可經組態以在進行量測及/或檢驗之前自裝載室移除晶圓並將一經量測及/或經檢驗晶圓放置至裝載室中。此外，可將量測室安置於鄰近檢驗子系統之其他位置中，諸如爲度量工具硬體留出足够空間之任何位置及晶圓處置器可適合之任何位置，使得可在量測室與檢驗子系統之間移動晶圓。如此一來，晶圓處置器408、一載台(未展示)或另一適合機械裝置可經組態以往來於系統之度量工具及檢驗子系統而移動晶圓。
一或多個電腦子系統亦經組態以相對於晶圓上之量測點之位置而判定晶圓上之缺陷之位置。相對於量測點位置來判定晶圓上之缺陷之位置可包含度量與檢驗方案之間的座標系匹配。換言之，爲了正確地疊對缺陷與度量資料，可在度量工具與檢驗子系統之間對座標系及布局進行匹配。可被匹配之參數可包含晶粒大小、晶粒中心位置(0，0晶粒)、倍縮光罩(曝光場)大小及晶粒/倍縮光罩原點。爲了測試度量座標系統與缺陷座標系統的一潜在正確匹配，可在檢驗子系統上檢驗已被度量工具量測之一特定量測點，使得可將由檢驗子系統報告之一x、y位置與度量工具中所使用之x、y位置進行比較、關聯及/或匹配。
如上文所闡述，因此，相對於量測點位置而判定缺陷之位置可包含在度量工具與檢驗子系統之間進行某種座標匹配。特定而言，度量工具及檢驗子系統可報告處於不同座標系統中之位置(分別係量測點位置及缺陷位置)。因此，可對座標系進行匹配以然後相對於量測系統之位置爲判定缺陷之位置。可以若干種不同方式來執行該匹配。舉例而言，可識別在進行度量及檢驗兩者時量測或偵測的一晶圓上之一或多個共同參考點且使用該一或多個共同參考點來判定一或多個度量及檢驗時所使用及/或所報告之不同座標之間的偏移。然後可使用彼等一或多個偏移來將任一個所報告位置自一個座標系轉換至另一座標系。一旦缺陷位置已被轉換至度量座標或量測點位置已被轉換至檢驗座標，便可相對於量測點位置而判定缺陷之位置。
可以任何適合方式來確定此等相對位置。舉例而言，在座標系匹配或轉換之後，可識別出與量測點位置相同(或實質上相同)之缺陷位置。此等缺陷位置可包含與量測點之位置至少部分地重疊之任何缺陷位置及/或僅包含完全位於一量測點位置內之缺陷位置。另外，在座標系匹配或轉換之後，可識別出不與量測點位置中之任一者實質上相同之缺陷位置(其可包含大多數缺陷位置)。在某些例項中，相對於量測點位置之缺陷位置可僅被判定爲藉由座標系匹配或轉換產生之共同座標系中之缺陷位置。然而，相對於量測點位置爲判定缺陷位置亦可或替代地包含判定在藉由座標系匹配或轉換產生之共同座標系中，缺陷位置中之每一者與一或多個最靠近量測點之位置之間的一偏移或距離。因此，相對於量測點位置而判定此等缺陷之位置亦可包含判定量測點中之哪一者 最靠近缺陷位置，且亦可儲存關於對應缺陷位置之資訊。因此，通常，可在本文中所闡述之實施例中使用不同之方法來判定在一共同座標系統中缺陷位置與量測點位置之間的相對位置。
一或多個電腦子系統進一步經組態以基於相對於量測點位置而判定之缺陷位置來將度量資料作爲一缺陷屬性指派至缺陷。舉例而言，該一或多個電腦子系統可將經預測(例如，經內插)量測以缺陷級屬性之形式附加至檢驗結果。基於度量之缺陷級屬性可包含於檢驗結果文件中以作為任何其他缺陷屬性。在一項此類實例中，在一檢驗結果表中，每一列可包含針對一缺陷產生之不同資訊，且每一柱可對應於不同資訊之一種類型(例如，缺陷ID、缺陷x座標、缺陷y座標、一第一缺陷屬性、一第二缺陷屬性等)。因此，可藉由對基於度量之缺陷級屬性中之每一者添加一行來將基於度量之缺陷級屬性附加至檢驗結果，且行中之每一列包含與每一列對應之缺陷之基於度量之缺陷級屬性。
在此步驟中，每一缺陷可被指派一缺陷屬性，該缺陷屬性係在偵測每一缺陷之位置處判定之度量資料之值。在一項此類實例中，每一缺陷可被指派一基於度量之缺陷屬性，該基於度量之缺陷屬性係在偵測到每一缺陷之位置處判定之膜厚度值。另外，將度量資料指派給缺陷可包含基於相對於量測點位置而判定之缺陷之位置而將一種以上類型之度量資料作為一個以上基於度量之缺陷屬性指派給缺陷。舉例而言，每一缺陷可被指派兩個基於度量之缺陷屬性，該兩個基於度量之缺陷屬性係在偵測到每一缺陷之位置處判定之一膜厚度值及一CD。如此一來，指派步驟可包含：基於相對於量測點位置而判定之缺陷之位置來將度量資料作為一或多個缺陷屬性指派至缺陷。因此，本文中所闡述之實施例經組態以利用整合爲缺陷級屬性之度量資料來進行晶圓檢驗。
在量測點處產生之度量資料可與指派給缺陷之度量資料相同或不同。舉例而言，產生度量資料可包含：在量測點處執行一種以上類型之量測及/或依據一或多種類型之量測來在量測點處判定兩個或兩個以上不同之晶圓特性。如此一來，在每一量測點處產生之度量資料可包含量測點之晶圓位置之資訊及其對應量測，例如，M = (X、Y、A、B、…、D)，其中X及Y係量測點之X及Y座標，且A、B、…、D係在量測點處執行之量測之值及/或依據在量測點處執行之量測而判定之度量資料之值。在此等例項中，並非所有度量資料皆可被指派給缺陷來作為一或多個缺陷屬性或屬性。舉例而言，度量資料可包含圖案化結構輪廓及線寬度粗糙度，且彼等特性中之一者或兩者可被指派給缺陷來作為缺陷屬性。舉例而言，可藉由相對於缺陷位置預測(例如，內插或外推)度量資料來判定被指派給缺陷之度量資料且每一缺陷可自動標注有量測或度量資料以作爲新的缺陷級屬性，例如，M = (X、Y、A、B、…、D)，其中X及Y係缺陷之X及Y座標，且A、B、…、D係缺陷位置處之量測值或度量資料預測。在某些例項中，執行哪些量測類型及/或判定哪些特性且然後指派給缺陷可由使用者選擇。舉例而言，指派給缺陷作爲一或多個缺陷屬性之度量資料可由一使用者選擇以允許將領域知識注入至使用缺陷屬性來執行之步驟中，例如分類及/或損害篩除。
對於在量測點處偵測到之缺陷而言，指派包含基於偵測到缺陷之量測點而將在量測點處產生之所獲取度量資料指派給缺陷。舉例而言，如上文詳盡闡述，相對於量測點位置而判定缺陷位置可包含判定在同一座標系統中缺陷位置中之任一者是否與量測點位置重合或相同。若量測點位置中之任一者與一缺陷位置重合或相同，則即使並非特意爲之度量工具亦已在缺陷位置處有效地執行了一量測。在任何情形中，由於已對具有與一量測點位置相同或重合位置之缺陷有效地執行了一量測，因此可將在量測點位置處產生之度量資料指派給彼等缺陷。如此一來，若一缺陷係在量測點中之一第一者處被偵測到，則可在量測點中之第一者處產生之度量資料指派給缺陷；若一缺陷係量測點中之一第二處被偵測到，則可在量測點中之第二者處產生之度量資料指派給缺陷；以此類推。
然而，如本文中詳盡闡述，由於量測點係在不具有在晶圓上偵測到之缺陷之知識之情況下且以顯著低於在晶圓上偵測到之缺陷之密度的一密度而選擇，因此可使用另一方法來將度量資料指派給諸多(或大多數)所偵測缺陷。特定而言，對於在量測點中之任一者處皆未被偵測到之缺陷而言，指派包含依據在量測點處產生之度量資料及相對於量測點位置而判定之缺陷位置來預測偵測到缺陷之位置處之度量資料。舉例而言，可在檢驗期間使用在量測點處產生之度量資料來使用本文中所闡述之方法預測缺陷位置處之度量資料。由於大部分缺陷通常將不能與晶圓上之量測點相同之位置處被偵測到，因此預測將係在使本文中所闡述之實施例適當發揮作用之一重要步驟。
在一項實施例中，預測包含將所獲取度量資料自量測點內插至相對於量測點位置而判定之缺陷位置。內插在本技術中通常可被定義為預測在一給定資料範圍內之值。預測步驟中所使用之內插可包含任何適合此項技術中已知之內插方法。適合的內插方法之實例包含但不限於：線性內插、多項式內插、樣條內插、非線性內插、經由一高斯程序(Gaussian process)進行之內插、多元內插、雙線性內插及雙三次內插，上述所有內插方法可此項技術中已知之任何適合方式來執行。
在另一實施例中，預測包含將所獲取度量資料自量測點外推至相對於量測點位置而判定之缺陷之位置。外推在本技術中通常可被定義為預測在一給定資料範圍內之資料。對於一度量與缺陷之相關性而言，在一晶圓上偵測到之所有缺陷中之精確度量資料係較佳的。由於度量量測將幾乎不會在偵測到缺陷之同一位置處進行，因此可將度量資料外推至缺陷位置。外推之準確度取決於在晶圓上進行之度量量測之密度及用於外推之模型。用於外推之模型取決於度量使用情形(CD、膜、疊對等)。不同方法可用於外推。
一種此類外推方法係基於等值線之外推。舉例而言，一旦已獲取了度量資料，可以此項技術中已知之任何適合方式來產生資料之一等值線。一旦可使用一等值線，可針對晶圓上具有一使用者所定義網格大小之每一點提取度量資料中之晶圓特性之一值。然後可將此度量值應用至同一網格內之缺陷。如此一來，可根據缺陷所在之網格之值將度量值指派給每一缺陷。
另一此類外推方法係基於模型之外推，其可對疊對度量資料尤其適用。基於初始疊對量測，可在5D分析器中產生一模型。模型之正確使用可係基於對量測之取樣方案及用於曝光工具之一模型而判定，該曝光工具用於製作被檢驗晶圓之層。基於一可用模型，可跨越晶圓針對使用者定義數目個量測點導出資料。5D分析器可依據實際量測將晶圓上之任何經界定點解析模型化資料以跨越晶圓獲得相對大數目個模型化疊對資料。然後可將此資料附加至檢驗結果，如X及Y方向之任何其他度量資料一樣。一旦將資料與缺陷偵測資料結合起來，便可使用一經定義網格將上文闡述之等值線方法應用於在晶圓上偵測到之每一缺陷。
針對基於模型之方法，將可所計算之模型項導出至一或多個電腦子系統。若將每一模型項之值及每一所量測晶圓以及模型導出至一或多個電腦子系統，則電腦子系統然後可針對晶圓上之每一缺陷位置計算疊對值。此方法將回減少度量工具(或5D分析器)與一或多個電腦子系統之間的所需資料傳送且將允許判定每一缺陷位置之精確的模型話疊對結果而非使用如上文所闡述之一網格之近似結果。儘管上文已將基於模型之方法闡述爲用於疊對資料，但此方法可用於本文中所闡述之任何其他度量資料，此乃因5D分析器具有將任何度量資料模型化之能力。
一或多個電腦子系統亦經組態以基於指派給缺陷之缺陷屬性而判定缺陷是損害還是DOI。一或多個電腦子系統可經組態以使用新產生之屬性(亦即，基於度量之缺陷級屬性)作為一缺陷分類程式或損害篩除器中之任何其他缺陷屬性(諸如，本文中詳盡闡述之缺陷屬性中之一者)以達成經改良之DOI/損害區分。如此一來，本文中所闡述之實施例將度量整合至檢驗中，且特定而言獲得度量型檢驗之損害篩除。換言之，將指派給缺陷以作爲一缺陷屬性之度量資料整合至判定哪些所偵測缺陷係損害且哪些所偵測缺陷係DOI之檢驗程序中。因此，本文中所闡述實施例之一個顯著優勢係其將各種相關晶圓特性之已知量測明確引入至檢驗中，該等相關晶圓特影響在檢驗期間針對晶圓產生之輸出且因此對區分損害與DOI之能力產生負面影響。獲取度量資料、在所偵測缺陷位置處預測(例如內插、外推等)度量資料且將度量資料用作缺陷級屬性來進行損害篩除及缺陷分類被認爲係新穎的概念。另外，按照本文中之闡述使用之度量工具之額外資訊將允許更穩健地診斷檢驗結果且將顯著提高區分不重要因素之能力。
在一項實施例中，度量資料係對晶圓的會導致在由偵測器針對晶圓所產生之輸出中存在雜訊之特性的回應，且基於缺陷屬性而判定缺陷是損害還是DOI會降低由於雜訊所致的檢驗不穩定性。特定而言，本文中所闡述之實施例可改良檢驗穩定性，此乃因量測擷取會導致檢驗雜訊之晶圓特性。在一項此類實施例中，雜訊包含晶圓級雜訊。在另一此類實施例中，雜訊包含晶圓間雜訊。舉例而言，藉由使用本文中所闡述之度量資料作為缺陷級屬性，會在缺陷(程序)監測時產生可變DOI擷取率及損害率之不期望的晶圓級變化及晶圓間變化得到抑制。使用度量資料作爲缺陷級屬性來更好地瞭解晶圓雜訊且使檢驗在晶圓間變化方面達到穩定被認爲係新穎的概念。
在一項實施例中，缺陷偵測方法包含自晶圓上與參考位置對應之目標位置之輸出減去晶圓上參考位置之輸出。舉例而言，對圖案化晶圓之光學檢驗(諸如，使用一BBP光源或利用雷射散射執行之檢驗)基於自目標輸出(例如，目標影像)減去參考輸出(例如，參考影像)之原理通常 而進行。可執行此缺陷偵測以在一晶粒之邏輯區域中達成晶粒間檢驗且在一晶粒之陣列區域中達成胞元間檢驗。彼等檢驗中之晶圓雜訊特性然後將被直接關聯至晶圓上目標位置與參考位置的實體差異。因此，在某些情形中，無法僅藉由將度量量測內插或外推至缺陷位置並自內插或外推值產生缺陷屬性來獲得檢驗雜訊與度量(例如，本文中所闡述之CD量測、膜厚度及其他)之間的直接相關性。
在一項此類實施例中，一或多個電腦子系統經組態以相對於晶圓上量測點之位置來判定參考位置的位置。可如本文中詳盡闡述地判定相對於量測點位置之參考位置(關於相對於晶圓上之量測點位置來判定晶圓上之缺陷之位置)。
在此一實施例中，將度量資料指派給缺陷以作爲缺陷屬性包含基於相對於量測點位置而判定的參考位置之位置將度量資料指派給參考位置作爲一參考屬性。對於位於量測點處之參考位置而言，將度量資料指派給參考位置包含：基於量測點中定位有參考位置之量測點來將量測點處產生之所獲取度量資料指派給參考位置。可如本文中詳盡闡述地對相對於量測點位置之缺陷位置執行此步驟。對於不位於量測點中之任一者處之參考位置而言，將度量資料指派給參考位置亦包含依據在量測點處產生之度量資料及相對於量測點位置而判定之參考位置之位置來預測參考位置處之度量資料。亦可如本文中詳盡闡述地對缺陷位置執行此步驟。
在此一實施例中，將度量資料作為缺陷屬性指派給缺陷包含：藉由自指派給在目標位置中之一者處偵測到之缺陷中之一者之度量資料減去指派給參考位置中之一者之參考屬性來判定該等缺陷之缺陷屬性，在缺陷偵測方法中自目標位置中之一者減去參考位置之輸出。可使用指派給其對應缺陷及參考位置之度量資料來針對任何其他缺陷重複此步驟。如此一來，一或多個電腦子系統可將度量資料指派給缺陷之位置且參考位置(例如，藉由內插、外推等)，減去對應缺陷及參考位置之度量資料之值，且自所減去值形成缺陷屬性。如此，可以與用於缺陷偵測相同之方式減去指派給缺陷及參考位置之度量資料以回應於在晶圓特性上目標至參考之變化而產生缺陷之一缺陷屬性。
因此，本文中所闡述之實施例可相對於晶圓上導致檢驗雜訊的目標位置與參考位置之間的實體差異改良檢驗穩定性。舉例而言，由於晶圓上目標位置與參考位置之間的實體差異所致之晶圓雜訊特性可導致在晶圓上偵測到雜訊及損害。然而，按照本文中之闡述來判定之缺陷屬性可回應於此等晶圓雜訊特性且如本文中詳盡闡述地使用此等缺陷屬性來區分損害與DOI將減弱檢驗結果上之此等雜訊(例如，晶粒間雜訊、胞元間雜訊等)之效應。
在某些實施例中，一或多個電腦子系統經組態以隨晶圓上量測點之變化而自所獲取度量資料產生額外資料，並基於相對於量測點位置而判定之缺陷位置而將該額外資料指派給缺陷作爲另一缺陷屬性。在一項此類實施例中，對於在量測點處偵測到之缺陷而言，指派額外資料包含基於量測點中偵測到缺陷之那些量測點來將量測點處之額外資料指派給缺陷，且對於在量測點中之任一者處皆未被偵測到之缺陷而言，依據量測點處之額外資料及相對於量測點位置而判定之缺陷之位置來預測偵測到缺陷之位置處之額外資料。舉例而言，一或多個電腦子系統可視情况自量測產生其他數量，諸如量測梯度等，且以本文中詳盡闡述之方式將該等其他數量附加至檢驗。可以此項技術中已知之任何適合方式判定諸如量測梯度等其他數量。
在某些此類實施例中，判定缺陷是損害還是DOI係基於指派給缺陷的缺陷屬性及其他缺陷屬性而執行。因此，此等其他缺陷屬性可與如本文中所闡述地判定之基於度量之缺陷級屬性組合使用。換言之，如本文中所闡述地指派給缺陷之度量資料可與基於度量資料針對缺陷而判定之任何其他缺陷屬性組合使用以藉此提高電腦子系統區分損害與DOI之能力。如本文中詳盡闡述地，判定缺陷是損害還是DOI可利用一基於學習之缺陷分類程式來執行。因此，指派給缺陷之度量資料與依據度量資料針對缺陷判定之任何其他資料可被輸入至基於學習之缺陷分類程式，使得基於學習之分類程式可選擇度量資料及依據度量資料判定之資料中之哪些用作缺陷屬性來將缺陷區分成損害及DOI。
在另一實施例中，判定缺陷是損害還是DOI係基於指派給缺陷之缺陷屬性及一或多個其他缺陷屬性而執行，該等一或多個其他缺陷屬性係由一或多個電腦子系統基於偵測器產生之輸出針對缺陷而判定。舉例而言，一或多個電腦子系統可經組態以使用由檢驗子系統產生之輸出及/或可用於電腦子系統的晶圓任何其他資訊之(例如，晶圓之任何設計資訊)來判定所偵測到之缺陷之一或多個缺陷屬性。因此，此等其他缺陷屬性可與如本文中所闡述地判定之基於度量之缺陷級屬性組合使用。換言之，本文中所闡述地指派給缺陷之度量資料可與藉由檢驗針對缺陷而判定之任何其他缺陷屬性組合使用以藉此提高電腦子系統區分損害與DOI之能力。如本文中詳盡闡述地，判定缺陷是損害還是DOI可利用一基於學習之缺陷分類程式來執行。因此，指派給缺陷之度量資料與依據度量資料針對缺陷判定之任何其他資料可被輸入至基於學習之缺陷分類程式，使得基於學習之分類程式可選擇度量資料及依據度量資料判定之資料中之哪些用作缺陷屬性來將缺陷區分成損害及DOI。
在某些實施例中，在檢驗子系統將能量引導至晶圓且偵測器回應於所偵測能量而產生輸出的同時，執行判定缺陷之位置、指派度量資料及判定缺陷是損害還是DOI。舉例而言，實施本文中所闡述之能力之一種方式係將位置特有度量資料儲存於一資料庫中且在檢驗期間擷取該位置特有度量資料，飛速計算缺陷級屬性，並連線應用損害篩除器，使得將巨大預篩除缺陷率對檢驗通量之影響最小化。儘管計算額外缺陷屬性可引入通量額外負擔，但計算將係實質上簡單的且與對所偵測到之缺陷所進行之現有處理相比係極端快速的。
在另一實施例中，指派度量資料及判定缺陷是損害還是DOI係在於晶圓上偵測到所有缺陷之後執行。舉例而言，實施本文中所闡述之實施例之另一方式係利用度量資料對檢驗結果進行後處理。然而，此方法將不能移除對檢驗通量產生潛在影響之缺陷。
如上文所闡述，因此，損害篩除可在檢驗信號處理流程中在多個點處進行。除了上文闡述之實施例之外，初始偵測可極「熱」的進行，從而產生比將認爲自檢驗者報告多出數個量級之候選者。損害篩除之一「葉上」(亦即，進行偵測之同一電腦節點)版本可運行，從而本質上用作「偵測」之一擴展。此損害篩除可經組態以使用此檢驗之基於度量之缺陷屬性。另一輪損害篩除可在晶圓被檢驗且晶圓級屬性被計算(圖徵、基於設計之分格等)之後執行。
在另一步實施例中，一或多個電腦子系統經組態以由一或多個電腦子系統針對晶圓產生之檢驗結果中區分損害與DOI。舉例而言，被識別為損害之缺陷可自檢驗結果完全剔除，使得檢驗結果僅包含缺陷被識別為DOI之資訊。然而，在某些例項中，不完全剔除被識別為損害之缺陷之資訊可係有用的。在此等例項中，檢驗結果可包含識別被損害之缺陷及被識別為DOI之缺陷的單獨文件、資料庫或其他資料結構。如此一來，損害之資訊將與DOI之資訊分離，此可使得使用不同之資訊更容易。然而，在其他例項中，在檢驗結果中區分損害與DOI並不一定包含剔除或區分資訊。舉例而言，區分損害與DOI可包含僅將缺陷中之每一者標記為一損害或一DOI (例如，經由一分類碼)且將彼等標籤與由本文中所闡述之檢驗及/或電腦子系統產生的缺陷之任何其他資訊儲存於檢驗結果中。如此一來，若使用損害或DOI之資訊，則整個檢驗結果文件可僅已被指派給缺陷之標籤來篩除或儲存。在用於區分缺陷之此等方法中之任一者中，損害及DOI之資訊可易於單獨地或集體地存取及使用。
本文中所闡述之所有方法可包含將方法實施例之一或多個步驟中結果儲存於電腦可讀儲存媒體中。結果可包含本文中所闡述之結果中之任一者且可以本技術中已知之任何方式儲存。儲存媒體可包含本文中所闡述之儲存媒體或本技術中已知之任何其他適合的儲存媒體。在已儲存結果之後，該等結果可在儲存媒體中被存取及由本文中所闡述之方法或系統實施例中之任一者使用、經格式化以顯示給用戶、由另一軟件模組、方法或系統使用等等以對晶圓或同類型之另一晶圓執行一或多個功能。此等功能包含但不限於以一回饋方式更改諸如一製作製程等一程序或對晶圓執行之步驟、以一前饋方式更改諸如一製作製程等一程序或將對晶圓執行之步驟等。
本文中所闡述之步驟中之任一者之結果可被儲存且用於一或多個其他應用。舉例而言，晶圓上之度量量測與雜訊特性之間的聯繫可用於程序監測及分類程式(損害篩除)維持。在一項此類實例中，來自如本文中所闡述地而使用之一度量工具之額外資訊將允許對檢驗結果進行更穩健之診斷且顯著提高區分不重要因素之能力。監測檢驗程序可包含將度量資料與缺陷偵測結果接合使用以判定晶圓特性如何影響缺陷偵測結果。因此，缺陷偵測結果及經組合度量資料可用於判定是否需要回應於晶圓之改變而調整由檢驗子系統執行之檢驗程序。以一類似方式，判定哪些缺陷係損害且哪些缺陷係DOI之度量資料及結果可用於調整缺陷分類程式之一或多個參數，例如，經由重新調諧或重新訓練，此可如本文中詳盡闡述地執行。
當設計規則及/或程序窗縮小且致命系統性程序及圖案化缺陷增多時，度量與缺陷之相關性亦可係一重要工具。隨著技術接近次14 nm之設計節點，除了聚焦及曝光之外的疊對已成爲一重要微影參數，在一以其他爲中心之程序上疊對係新系統性缺陷之一源頭。除了疊對及CD膜厚度之外，晶圓形貌及其他度量資料亦可係此等缺陷之根源。其對於不僅偵測此等缺陷之根源(系統性缺陷發現)而且發現擴展程序窗(程序窗擴展)之方式變得重要。
在一項實施例中，判定缺陷是損害還是DOI包含將缺陷屬性輸入至一基於學習之缺陷分類程式。舉例而言，由電腦子系統(例如，電腦子系統36及/或電腦子系統102)執行之組件(例如，圖1中所展示之組件100)包含基於學習之缺陷分類程式104。基於學習之缺陷分類程式經組態以對在晶圓上偵測到之缺陷進行分類。儘管基於學習之缺陷分類程式在本文中通常被稱爲一「缺陷分類程式」，但基於學習之缺陷分類程式亦可被稱爲一損害篩除程式，此乃因對其進行組態之主要目的係區分損害與DOI。由於區分損害與DOI本質上可被視為一種缺陷分類，因此經組態以進行此區分之基於學習之缺陷分類程式在本文中通常被稱為一缺陷分類程式。
基於學習之缺陷分類程式僅可區分損害與DOI，此意味著其指派係一損害或一DOI之識別符。然而，基於學習之缺陷分類程式亦可經組態以區分損害與DOI以及將不同之DOI彼此區分開。因此，基於學習之缺陷分類程式可將一類別指派給缺陷中之每一者，其可係一損害類別、一第一DOI類別、一第二DOI類別等。如此一來，本文中所闡述之缺陷分類程式可經組態以用於多類別分類問題及標稱「真正」對「損害」篩除應用。
將一度量「通道」添加至損害篩除機器學習演算法對若干種方法而言可係有作用的。此一方法之一項實例係針對損害事件篩除(NEF)建立之一基於隨機森林決策樹之機器學習方法。就其他機器學習模型而言，關於正面實例及反面實例(或「反例」)來執行訓練步驟，已利用SEM或其他基礎真實方法或系統將該等正面實例及反面實例驗證爲用於訓練之「基礎真實」實例。正面實例將係「真正缺陷」，且反面實例將係損害事件。除了隨機森林決策樹之外，本文中進一步闡述可用於缺陷分類程式之機器學習方法及演算法之額外實例。基本上，本文中詳細地闡述了儘管某些特別有用之缺陷分類程式實施例，可將檢驗子系統輸出(例如，影像)視作缺陷及資料(例如，本文中所闡述之度量資料)之其他潛在「通道」，使得可由適當定義之缺陷分類方法調節輸入影像(或其他檢驗子系統輸出)與屬性之一混合的任何缺陷分類程式可用於在本文中所闡述之識別步驟中區分損害與DOI。
圖6展示可在本文中所闡述之實施例中用作基於學習之缺陷分類程式之一基於學習之模型之一項實施例。基於學習之模型可包含一第一部分，該第一部分經組態以判定由一檢驗子系統或耦合至檢驗子系統之一電腦子系統產生的晶圓之輸入之特徵。舉例而言，如圖6中所展示，在一項實施例中，基於學習之模型之一第一部分包含判定輸入604之特徵(例如，特徵映射608)之迴旋層606，輸入604包含影像，該等影像可包含至少缺陷影像且可能亦包含參考影像及設計以及按照本文中之闡述判定之缺陷屬性。可按照本文中之闡述對該等層進行進一步經組態。亦可按照本文中之闡述對影像、缺陷屬性及特徵進行進一步組態。
基於學習之模型亦包含一第二部分，該第二部經組態以基於所判定之特徵來對在晶圓上偵測到之缺陷進行分類。舉例而言，如圖6中所展示，在一項實施例中，基於學習之模型之一第二部分包含完全連接層610。如圖6中進一步展示，去往完全連接層610之輸入係所判定之特徵，例如特徵映射608，且完全連接層610之輸出係分類612。因此，完全連接層610可包含於第二部分中且可經組態以進行缺陷分類。可按照本文中之闡述對此等層進一步經組態。亦可按照本文中之闡述來對各個或多個輸出進行進一步組態。
在一項實施例中，基於學習之缺陷分類程式被組態爲一深度學習模型。一般而言，「深度學習」(亦被稱為深度結構性學習、層次學習或深度機器學習)係基於力圖將資料中之高階抽象概念模型化之一組演算法之機器學習的一分支。在一簡單情形中，可存在兩種神經元：一種接收一輸入信號且一種發送一輸出信號。當輸入層接收一輸入時，其將輸入之一修改版本傳遞至下一層。一基於深度學習之模型中，在輸入與輸出之間存在諸多層(且層並非由神經元構成但其可有助於像神經元一樣思考)，從而允許演算法使用由多個線性變換及非線性變換組成之多個處理層。
深度學習係基於學習資料表示之一寬廣機器學習方法家族之一部分。一觀測(例如，一影像)可以諸多任何方式來表示，諸如每像素之强度值之一向量；或以一更抽象之方式，如一組邊緣、特定形狀之區等。在簡化學習任務時(例如，面部辨識或面部表情辨識)，些表示優於其他表示。深度學習之前景之一係利用高效演算法替換手繪特徵以用於無人監控或半無人監控特徵學習及層級特徵提取。
對此領域之研究力圖形成更佳表示且建立模型以自大規模未標記資料學習此等表示。該等表示中之某些表示係由神經科學之接納進步推動且鬆散地基於對一神經系統中之資訊處理及通信模式之解譯，諸如力圖定義各種刺激與大腦中之相關聯神經元反應之間的一關係之神經編碼。
在另一實施例中，基於學習之缺陷分類程式係一機器學習模型。機器學習可通常被定義爲一種類型之人工智慧(AI)，該人工智慧使電腦具備學習能力而無需明確地進行程式設計。機器學習聚焦於電腦程式之開發，此可使電腦程式在接觸到新資料時學會成長及改變。換言之，機器學習可被定義爲電腦科學之子領域，其賦予電腦學習能力而無需明確地進行程式設計。機器學習探索可向資料學習且對資料做出預測之演算法之研究及建構–此等演算法藉由透過自簡單輸入建立一模型來做出資料驅動型預測或決策來克服以下完全靜態之程式指令。
可按照Morgan Kaufmann,2016第534頁由Sugiyama所寫的“Introduction to Statistical Machine Learning”；MIT Thesis,2002第212頁的由Jebara所寫的“Discriminative, Generative, and Imitative Learning”；及MIT Press,2001第578頁的由Hand等人所寫的“Principles of Data Mining (Adaptive Computation and Machine Learning)”中之闡述進一步執行本文中所闡述之機器學習；該等文獻如完全陳述一般以引用方式併入本文中。可按照此等參考中之闡述對本文中所闡述之實施例進行進一步組態。
在某些實施例中，基於學習之缺陷分類程式係一生成模型。一“生成”模型通常可被定義爲本質上係概率性之一模型。換言之，一“生成”模型並非係執行前向模擬或基於規則之方法的模型。相反，可基於一適合訓練資料集來瞭解生成模型(原因在於其參數可被瞭解)。在一項實施例中，基於學習之缺陷分類程式被組態爲一深度生成模型。舉例而言，基於學習之缺陷分類程式可經組態以具有一深度學習架構，此乃因缺陷分類程式可包含執行若干種演算法或變換的多個層。
在另一實施例中，基於學習之缺陷分類程式可係一深度神經網路，該深度神經網路具有根據已被饋送以對該深度神經網路進行訓練之資料來將世界模型化之一組權重。神經網路通常可被定義爲基於相對大量神經單元之一計算方法，該等神經單元將一生物學大腦利用由軸突連接之相對大量之生物學神經元解決問題的方式模型化。每一神經單元與諸多神經單元連接，且連結可加强或抑制其對連接神經單元之啓動狀態之影響。此等系統係自我學習與訓練型的而非明確地被程式化且在解決方案或特徵偵測以一傳統電腦程式難以表達之領域中表現出色。
神經網路通常由多個層組成，且信號路徑自前方橫貫至後方。神經網路之目標係以與人類大腦相同之方式解決問題，但數種神經網路係更抽象的。現代神經網路工程通常依靠數千個乃至數百萬個神經單元以及數百萬個連接來工作。神經網路可具有此項技術中已知之任何適合架構及/或組態。
在一項實施例中，基於學習之缺陷分類程式被組態爲一AlexNet。通常，一AlexNet包含若干個迴旋層(例如，5)，後續接著若干個完全連接層(例如，3)，迴旋層與完全連接層經組合地組態及訓練以對影像進行分類。Krizhevsky等人在NIPS 2012上之“ImageNet Classification with Deep Convolutional Neural Networks”中闡述了被組態爲AlexNet之神經網路之實例，該文獻如完全陳述一般以引用方式併入本文中。可按照此參考中之闡述對本文中所闡述之基於學習之缺陷分類程式進行進一步組態。
在另一實施例中，基於學習之缺陷分類程式被組態爲一GoogleNet。一GoogleNet可包含諸如經組態及訓練以對影像進行分類之迴旋層、池化層及完全連接層等若干層。雖然GoogleNet架構可包含相對高數目個層(尤其與本文中所闡述之某些其他神經網路相比)，但某些層可並行地操作，彼此並行操作之層之群組通常被稱爲開端模組。層中之其他層可依序操作。因此，一GoogleNet與本文中所闡述之其他神經網路之差異在於並非所有層皆被配置成一順序結構。Szegedy等人在CVPR 2015上之“Going Deeper with Convolutions”中闡述了被組態爲GoogleNet之神經網路之實例，該文獻如完全陳述一般以引用方式併入本文中。可按照此參考中之闡述對本文中所闡述之基於學習之缺陷分類程式進行進一步組態。
在另一實施例中， 基於學習之缺陷分類程式被組態爲一VGG網路。VGG網路在固定架構之其他參數之同時增加迴旋層之數目而建立。在所有層中使用實質上小的迴旋篩除器使添加迴旋層以增加深度成爲可能。如本文中所闡述之其他神經網路一樣，VGG網路經建立及訓練以對影像進行分類。VGG網路亦包含迴旋層以及在迴旋層之後的完全連接層。Simonyan等人在ICLR 2015上之“Very Deep Convolutional Networks for Large-Scale Image Recognition”闡述了被組態爲VGG之神經網路之實例，該文件如完全陳述一般以引用方式併入本文中。可按照此參考中之闡述對本文中所闡述之基於學習之缺陷分類程式進行進一步組態。
在某些實施例中，基於學習之缺陷分類程式被組態爲一深度殘差網路或一深度殘差網。如本文中所闡述之某些其他基於學習之缺陷分類程式一樣，一深度殘差網路可包含迴旋層後續接著完全連接層，迴旋層與完全連接層經組合地組態及訓練以對影像進行分類。在一深度殘差網路中，該等層經組態以參考層輸入來學習殘差功能，而非學習未提及之功能。特定而言，並非係期望每幾個堆疊層直接適合一所期望之底層映射，而此等層被明確允許適合一殘差映射，此由具有快捷連接之前饋神經網路實現。快捷連接係跳過一或多個層之連接。可藉由採用包含迴旋層之一普通神經網路結構且插入快捷連接來建立一深度殘差網，該等快捷連接藉此採用普通神經網路且將其變成殘差學習替代物。He等人在NIPS 2015上之“Deep Residual Learning for Image Recognition”中闡述了深度殘差網之實例，該文獻如完全陳述一般以引用方式併入本文中。可按照此參考中之闡述對本文中所闡述基於學習之缺陷分類程式進行進一步組態。
基於學習之缺陷分類程式之第一部分中所包含之迴旋層可具有此項技術中已知之任何適合組態且通常經組態以使用一或多個濾波器藉由對輸入影像應用一迴旋功能來跨越影像(亦即，一特徵映射) 隨著位置變化判定一影像之特徵。如此一來，基於學習之缺陷分類程式之一部分可組態被一卷積神經網路(CNN)。舉例而言，基於學習之缺陷分類程式之第一部可被組態爲一CNN，其通常係迴旋層與池化層之堆疊以提取局域特徵。本文中所闡述之實施例可利用諸如一CNN等深度學習概念來解決通常棘手之表示版本問題。第一部分可具有此項技術中已知之任何CNN組態或架構。一或多個池化層亦可具有此項技術中已知之任何適合組態(例如，最大池化層)且通常經組態以減小由一或多個迴旋層產生之特徵映射之維數而保留最重要特徵。
由基於學習之缺陷分類程式之第一部分所判定之特徵可包含本文中詳盡闡述的或此項技術中已知之任何適合特徵，該等可自輸入推測出且用於產生本文中詳盡闡述之輸出。舉例而言，該等特徵可包含每像素之强度值之一向量。該等特徵亦可包含純量值向量、獨立分布、聯合分布之向量、或此項技術中已知之任何其他適合特徵類型。
該一或多個完全連接層經組態以選擇所判定特徵中之一或多者並基於一或多個選定特徵來對缺陷進行分類。一“完全連接層”通常可被定義爲節點中之每一者連接至先前層中之節點中之每一者的一層。完全連接層自特徵映射608選擇特徵且然後基於選定特徵對缺陷進行分類。選定特徵可包含特徵映射中之所有特徵(在適當情况下)或僅包含特徵映射中之某些特徵。基於學習之缺陷分類程式輸出分類612，分類612可包含每缺陷之一分類結果與與每一分類結果相關聯之一置信度。亦可按照本文中之詳盡闡述來使用分類之結果。分類可具有任何適合之格式(諸如，一缺陷ID、一缺陷說明，諸如“圖案”、“橋接”等)。可按照本文中之詳盡闡述儲存並使用分類結果。
圖6展示處於一經完全訓練模式(亦即，基於學習之缺陷分類程式已被訓練)中之缺陷分類程式架構，其中輸入可被提供至基於學習之缺陷分類程式中以用於運行時間模式或產生模式。本文中所闡述之實施例可或可不經組態以訓練基於學習之缺陷分類程式。He等人於2017年9月6日提出申請之第15/697,426號共同轉讓美國專利申請案中存在可如何訓練基於學習之缺陷分類程式之實例，該美國專利申請案如完全陳述一般以引用方式併入本文中。可按照本專利申請案中之闡述對本文中所闡述之實施例進行進一步組態。
然而，與上文所提及之專利申請案中所闡述之訓練方法不同，利用所添加度量屬性來訓練本文中所闡述之基於學習之缺陷分類程式。除了將基於度量資料之缺陷級屬性添加至訓練資料中之外，可與現今完全相同之方式執行此訓練及/或調諧。如此一來，在自動標注之後，在訓練程序中不需要做出改變或額外努力。
此外，有利的是無需判斷基於度量資料之缺陷級屬性是有用還是無用。特定而言，某些雜訊源(例如，隨機LER及CD不均一性)原則上被理解爲由於缺陷偵測通常包含減去應該看起來相同之結構影像的事實而導致晶圓級雜訊。然而，本文中所闡述之實施例之一顯著優勢在於可僅將此等量測作爲額外缺陷屬性饋送且機器學習演算法學習哪些量測有助於DOI-損害區分以及如何進行區分。若基於度量資料之缺陷級屬性中之一或多者係無用的，基於學習之缺陷分類程式將在訓練期間學習忽視此等缺陷屬性。舉例而言，在設定時間期間，本文中所闡述之基於學習之缺陷分類程式將被提供在一訓練集中之DOI及損害之實例。基於學習之缺陷分類程式基於訓練集來判斷區分缺陷類型之最佳方式；因此，添加度量“屬性”以給予缺陷分類程式另一資訊源的想法將可區分性最佳化及/或適應度量資料中所反映出之程序變化。如此一來，按照本文中之闡述而判定的任何及所有可用的基於度量資料之缺陷屬性可被饋送至缺陷分類程式中，且缺陷分類程式可學習哪些缺陷屬性適合於識別損害與DOI。
本文中所闡述之電腦子系統可進一步經組態以進行如Karsenti等人的2017年5月18日公開之美國專利申請公開案第2017/0140524號中所闡述之單次影像偵測，該美國專利申請公開以引用方式案併入本文中，如 完全陳述一般。本文中所闡述之實施例可進一步經組態以執行變換(自一輸入影像至一模擬影像)，諸如以下共同擁有之美國專利申請公開案中所闡述之變換：Karsenti等人的2017年5月18日公開之第2017/0140524號、Zhang等人的2017年5月25日公開之第2017/0148226號、Bhaskar等人的2017年7月6日公開之第2017/0193400號、Zhang等人的2017年7月6日公開之第2017/0193680號、2017年Bhaskar等人的7月6日公開之第2017/0194126號、Bhaskar等人的2017年7月13日公開之第2017/0200260號、Park等人的2017年7月13日公開之第2017/0200264號、Bhaskar等人的2017年7月13日公開之第2017/0200265號及Zhang等人的2017年11月30日公開之第2017/0345140號，該等美國專利申請公開案以引用方式併入本文中，如完全陳述一般。本文中所闡述之實施例可如本發明申請案中所闡述進一步經組態。另外，本文中所闡述之 實施例可經組態以執行此等專利申請公開案中所闡述之任何步驟。
可根據本文中所闡述之任何其他實施例來對系統之實施例中之每一者進行進一步組態。
另一實施例係關於用於識別在一晶圓上偵測到之缺陷中之損害及DOI之一電腦實施方法。該方法包含用於達成上文闡述之電腦子系統之功能中之每一者之步驟。檢驗子系統係按照本文中之闡述被組態。
可按照本文中之詳盡闡述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檢驗子系統、電腦子系統、度量工具及/或系統執行之任何其他步驟。該方法之步驟係由一或多個電腦子系統執行，該一或多個電腦子系統可根據本文中所闡述之實施例中之任一者來組態。另外，上文所闡述之方法可藉由本文中所闡述之系統實施例中之任一者來執行。
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識別在一晶圓上偵測到之缺陷中之損害及DOI之一電腦實施方法。圖7中展示一項此類實施例。特定而言，如圖7中所展示，非暫時性電腦可讀媒體700包含可在電腦系統704上執行之程式指令702。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。
實施諸如本文中所闡述之方法等方法之程式指令702可儲存於電腦可讀媒體700上。電腦可讀媒體可係諸如一磁碟或光碟、一磁帶等一儲存媒體，或此項技術中已知之任何其他適合之非暫時性電腦可讀媒體。
可以各種方式中之任一者來實施程式指令，該等方式包含基於過程之技術、基於組件之技術及/或面向物件之技術以及其他技術。舉例而言，可使用ActiveX控件、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE (串流化SIMD擴展)或其他技術或方法來實施該等程式指令。
電腦系統704可根據本文中所闡述之實施例中之任一者被組態。
鑒於此說明，熟習此項技術者將明瞭本發明之各種態樣之其他修改及替代實施例。舉例而言，提供用於識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷之方法及系統。因此，此說明應被視為僅具說明性，且係出於教示熟習此項技術者實施本發明之一般方式之目的。應理解，本文中所展示及所闡述之本發明之形式應被視為目前較佳實施例。如熟習此項技術者在受益於對本發明之此說明之後將全部明瞭，元件及材料可替代本文中所圖解說明及闡述之那些元件及材料，零件及過程可顛倒，且本發明之某些特徵可獨立地利用。可在不背離如以下申請專利範圍中所闡述的本發明之精神及範疇之情况下對本文中所闡述之元件做出改變。
10‧‧‧檢驗子系統
14‧‧‧晶圓
16‧‧‧光源/源
18‧‧‧光學元件
20‧‧‧透鏡
21‧‧‧分束器
22‧‧‧載台
24‧‧‧集光器
26‧‧‧元件
28‧‧‧偵測器
30‧‧‧集光器
32‧‧‧元件
34‧‧‧偵測器
36‧‧‧電腦子系統
100‧‧‧組件
102‧‧‧電腦子系統
104‧‧‧分類程式
122‧‧‧電子柱
124‧‧‧電腦子系統
126‧‧‧電子束源
128‧‧‧晶圓
130‧‧‧元件
132‧‧‧元件
134‧‧‧偵測器
300‧‧‧度量工具
302‧‧‧光源
304‧‧‧光譜濾光器
306‧‧‧分束器
308‧‧‧物鏡
310‧‧‧晶圓
312‧‧‧分束器
314‧‧‧帶通濾光器
316‧‧‧偵測器
318‧‧‧帶通濾光器
320‧‧‧偵測器
322‧‧‧電腦子系統
400‧‧‧檢驗子系統模組/模組
402‧‧‧度量工具模組/模組
404‧‧‧電腦子系統
406‧‧‧共同殼體
408‧‧‧晶圓處置器
410‧‧‧電源
412‧‧‧額外模組
414‧‧‧裝載室
416‧‧‧輸送盒
500‧‧‧量測點
502‧‧‧晶圓
504‧‧‧缺陷
604‧‧‧輸入
606‧‧‧迴旋層
608‧‧‧特徵映射
610‧‧‧完全連接層
612‧‧‧分類
700‧‧‧非暫時性電腦可讀媒體/電腦可讀媒體
702‧‧‧程式指令
704‧‧‧電腦系統
在閱讀以下詳細說明且在參考附圖時，本發明之其他目標及優點將變得顯而易見，在圖式中： 圖1及圖2係圖解說明如本文中所闡述被組態之一系統之實施例之一側視圖之示意圖； 圖3係圖解說明如本文中所闡述被組態之一度量工具之一實施例之一側視圖之一示意圖； 圖4係圖解說明如本文中所闡述被組態之一系統之一實施例之一平面圖之一示意圖； 圖5係圖解說明晶圓上之一量測點陣列之一實施例及在晶圓上偵測到之缺陷之一實例的一平面圖之一示意圖； 圖6係圖解說明如本文中所闡述被組態之一基於學習之缺陷分類程式之一項實施例之一流程圖；且 圖7係圖解說明儲存程式指令之一非暫時性電腦可讀媒體之一項實施例之一方塊圖，該等程式指令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。 雖然易於對本發明做出各種修改及替代形式，但本發明之具體實施例是在圖式中以實例方式展示且將在本文中詳細闡述。然而，應理解，圖式及對圖式之詳細說明並不意欲將本發明限制於所揭示之特定形式，而是相反，本發明意欲涵蓋在由隨附申請專利範圍所界定的本發明之精神及範圍內之所有修改、等效形式及替代形式。

Claims (26)

  1. 一種經組態以識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷的系統，其包括： 一檢驗子系統，其包括至少一能量源及一偵測器，其中該能量源經組態以產生被引導至一晶圓之能量，且其中該偵測器經組態以偵測來自該晶圓之能量且回應於該所偵測到之能量而產生輸出；及 一或多個電腦子系統，其經組態以： 藉由對該輸出應用一缺陷偵測方法來偵測在該晶圓上之缺陷； 獲取該晶圓之度量資料，其中該度量資料係藉由在該晶圓上之一量測點陣列處對該晶圓執行量測之一度量工具針對該晶圓而產生，且其中該晶圓上之該等量測點之一密度小於該晶圓上的在對該晶圓進行檢驗期間該偵測器產生該輸出之檢驗點之一密度； 相對於該晶圓上之該等量測點之位置而判定該晶圓上之該等缺陷之位置； 基於相對於該等量測點之該等位置而判定的該等缺陷之該等位置來將度量資料作為一缺陷屬性指派給該等缺陷，其中該指派包括： 對於在該等量測點處被偵測到之該等缺陷而言，基於該等量測點中偵測到該等缺陷之那些量測點來將在該等量測點處產生之該所獲取度量資料指派給該等缺陷；及 對於在該等量測點中任一者處皆未被偵測到之缺陷而言，依據在該等量測點處產生之該度量資料及相對於該等量測點之該等位置而判定的該等缺陷之該等位置預測偵測到缺陷之位置處之該度量資料；及 基於指派給該等缺陷之該等缺陷屬性來判定該等缺陷是損害還是所關注缺陷。
  2. 如請求項1之系統，其中該度量工具在該偵測缺陷之前產生該晶圓之該度量資料。
  3. 如請求項1之系統，其中該等量測點係在該偵測缺陷之前且獨立於在該晶圓上偵測到之該等缺陷而判定。
  4. 如請求項1之系統，其中由該度量工具產生之該度量資料之至少某些值低於該檢驗子系統之一解析度極限。
  5. 如請求項1之系統，其中該等量測點之該密度經選擇以在該度量資料中擷取晶圓級變化。
  6. 如請求項1之系統，其中該等量測點之該密度經選擇以在該度量資料中擷取晶粒級變化。
  7. 如請求項1之系統，其中該度量資料係對該晶圓的在由該偵測器針對該晶圓產生之該輸出中引起雜訊之特性的回應，且其中基於該等缺陷屬性來判定該等缺陷是該等損害還是該等所關注缺陷會降低由於該雜訊所致的該檢驗之不穩定性。
  8. 如請求項7之系統，其中該雜訊包括晶圓級雜訊。
  9. 如請求項7之系統，其中該雜訊包括晶圓間雜訊。
  10. 如請求項1之系統，其中該度量資料包括膜厚度、圖案化結構輪廓、臨界尺寸、線邊緣粗糙度及線寬度粗糙度中之一或多者。
  11. 如請求項1之系統，其中該預測包括將來自該等量測點之該所獲取度量資料內插至相對於該等量測點之該等位置而判定的該等缺陷之該等位置。
  12. 如請求項1之系統，其中該預測包括將來自該等量測點之該所獲取度量資料外推至相對於該等量測點之該等位置而判定的該等缺陷之該等位置。
  13. 如請求項1之系統，其中該缺陷偵測方法包括自該晶圓上的與參考位置對應之目標位置之輸出減去該晶圓上之該等參考位置之輸出，其中該一或多個電腦子系統進一步經組態以相對於該晶圓上之該等量測點之該等位置而判定該等參考位置之位置，且其中將該度量資料作爲該缺陷屬性指派給該等缺陷進一步包括： 基於相對於該等量測點之該等位置而判定的該等參考位置之該等位置來將該度量資料作爲一參考屬性指派給該等參考位置，其中該將該度量資料指派給該等參考位置包括： 對於位於該等量測點處之該等參考位置而言，基於該等量測點中定位有該等參考位置之量測點來將在該等量測點處產生之該所獲取度量資料指派給該等參考位置；及 對於不位於該等量測點中之任一者處之該等參考位置，依據在該等量測點處產生之該度量資料及相對於該等量測點之該等位置而判定的該等參考位置之該等位置來預測該等參考位置處之該度量資料；及 藉由自指派給該等缺陷中之一者之該度量資料減去指派給該等參考位置中之一者之該參考屬性來判定在該等目標位置中之一者處偵測到之該等缺陷中之一者之該缺陷屬性，在該缺陷偵測方法中，自該等目標位置中之該一者減去該等參考位置之該輸出。
  14. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以隨該晶圓上之該等量測點之變化而依據該所獲取度量資料產生額外資料，基於相對於該等量測點之該等位置而判定的該等缺陷之該等位置來將該額外資料作爲另一缺陷屬性指派給該等缺陷，其中指派該額外資料包括：對於在該等量測點處被偵測到之該等缺陷而言，基於該等量測點中偵測到缺陷之那些量測點來將該等量測點處之該額外資料指派給該等缺陷；及對於在該等量測點中之任一者處皆未被偵測到之該等缺陷而言，依據該等量測點處之該額外資料及相對於該等量測點之該等位置而判定的該等缺陷之該等位置來預測偵測到該等缺陷之該等位置處之該額外資料。
  15. 如請求項14之系統，其中判定該等缺陷是該等損害還是該等所關注缺陷係進一步基於指派給該等缺陷之該等缺陷屬性及其他缺陷屬性來執行。
  16. 如請求項1之系統，其中判定該等缺陷是該等損害還是該等所關注缺陷係進一步基於指派給該等缺陷之該等缺陷屬性以及一或多個其他缺陷屬性來執行，該一或多個其他缺陷屬性係由該一或多個電腦子系統基於該偵測器所產生之該輸出而針對該等缺陷來判定。
  17. 如請求項1之系統，其中判定該等缺陷是該等損害還是該等所關注缺陷包括將該等缺陷屬性輸入至一基於學習之缺陷分類程式。
  18. 如請求項1之系統，其中在該檢驗子系統將該能量引導至該晶圓且該偵測器回應於該所偵測到之能量而產生該輸出時，執行對該等缺陷之該等位置之判定、對該度量資料之指派以及對該等缺陷是該等損害還是該等所關注缺陷的判定。
  19. 如請求項1之系統，其中於在該晶圓上偵測到所有該等缺陷之後，執行對該度量資料之指派以及對該等缺陷是該等損害還是該等所關注缺陷的判定。
  20. 如請求項1之系統，其中該一或多個電腦子系統進一步經組態以在由該一或多個電腦子系統針對該晶圓產生之檢驗結果中區分該等損害與該等所關注缺陷。
  21. 如請求項1之系統，其中該檢驗子系統被組態爲一光學檢驗子系統。
  22. 如請求項1之系統，其中該檢驗子系統被組態爲一電子束檢驗系統。
  23. 如請求項1之系統，其中該度量工具不包含於該系統中。
  24. 如請求項1之系統，其中該度量工具併入至該系統中，使得該檢驗子系統及該度量工具共用該系統之一或多個共同元件。
  25. 一種儲存程式指令之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識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷之一電腦實施方法，其中該電腦實施方法包括： 藉由對由一檢驗子系統之一偵測器針對該晶圓產生之輸出應用一缺陷偵測方法來偵測該晶圓上之缺陷，其中該檢驗子系統包括至少一能量源及該偵測器，其中該能量源經組態以產生被引導至該晶圓之能量，且其中該偵測器經組態以偵測來自該晶圓之能量且回應於該所偵測到之能量而產生該輸出； 獲取該晶圓之度量資料，其中該度量資料係由在該晶圓上之一量測點陣列處對該晶圓執行量測之一度量工具針對該晶圓產生，且其中該晶圓上之該等量測點之一密度小於該晶圓上的在對該晶圓進行檢驗期間該偵測器產生該輸出之檢驗點之一密度； 相對於該晶圓上之該等量測點之位置而判定該晶圓上之該等缺陷之位置； 基於相對於該等量測點之該等位置而判定的該等缺陷之該等位置來將度量資料作為一缺陷屬性指派給該等缺陷，其中該指派包括： 對於在該等量測點處被偵測到之該等缺陷而言，基於該等量測點中偵測到該等缺陷之那些量測點來將在該等量測點處產生之該所獲取度量資料指派給該等缺陷；及 對於在該等量測點中之任一者處皆未被偵測到之該等缺陷而言，依據在該等量測點處產生之該度量資料及相對於該等量測點之該等位置而判定的該等缺陷之該等位置來預測偵測到該等缺陷之位置處之該度量資料；及 基於指派給該等缺陷之該等缺陷屬性來判定該等缺陷是損害還是所關注缺陷。
  26. 一種用於識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷的電腦實施方法，其包括： 藉由對由一檢驗子系統之一偵測器針對該晶圓產生之輸出應用一缺陷偵測方法來偵測該晶圓上之缺陷，其中該檢驗子系統包括至少一能量源及該偵測器，其中該能量源經組態以產生被引導至該晶圓之能量，且其中該偵測器經組態以偵測來自該晶圓之能量且回應於該所偵測到之能量而產生該輸出； 獲取該晶圓之度量資料，其中該度量資料係由在該晶圓上之一量測點陣列處對該晶圓執行量測之一度量工具針對該晶圓產生，且其中該晶圓上之該等量測點之一密度小於該晶圓上的在對該晶圓進行檢驗期間該偵測器產生該輸出之檢驗點之一密度； 相對於該晶圓上之該等量測點之位置而判定該晶圓上之該等缺陷之位置； 基於相對於該等量測點之該等位置而判定的該等缺陷之該等位置來將度量資料作為一缺陷屬性指派給該等缺陷，其中該指派包括： 對於在該等量測點處被偵測到之該等缺陷而言，基於該等量測點中偵測到該等缺陷之那些量測點來將在該等量測點處產生之該所獲取度量資料指派給該等缺陷；及 對於在該等量測點中之任一者處皆未被偵測到之該等缺陷而言，依據在該等量測點處產生之該度量資料及相對於該等量測點之該等位置而判定的該等缺陷之該等位置來預測偵測到該等缺陷之位置處之該度量資料；及 基於指派給該等缺陷之該等缺陷屬性來判定該等缺陷是損害還是所關注缺陷，其中藉由耦合至該檢驗子系統之一或多個電腦子系統來執行該偵測、該獲取、對該等位置之該判定、該指派及對該等缺陷是損害還是所關注缺陷的該判定。
TW107130229A 2017-08-30 2018-08-30 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 TWI751376B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762551783P 2017-08-30 2017-08-30
US62/551,783 2017-08-30
US16/113,930 2018-08-27
US16/113,930 US10699926B2 (en) 2017-08-30 2018-08-27 Identifying nuisances and defects of interest in defects detected on a wafer

Publications (2)

Publication Number Publication Date
TW201921542A true TW201921542A (zh) 2019-06-01
TWI751376B TWI751376B (zh) 2022-01-01

Family

ID=65436070

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107130229A TWI751376B (zh) 2017-08-30 2018-08-30 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷

Country Status (6)

Country Link
US (1) US10699926B2 (zh)
KR (1) KR102384125B1 (zh)
CN (1) CN111052331B (zh)
IL (1) IL272364B (zh)
TW (1) TWI751376B (zh)
WO (1) WO2019046428A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI707137B (zh) * 2020-01-13 2020-10-11 憶象有限公司 智能產線監測系統及監測方法
CN113222897A (zh) * 2020-10-28 2021-08-06 友达光电股份有限公司 监测系统及其方法
TWI753492B (zh) * 2019-07-19 2022-01-21 美商超捷公司 用於人工神經網路中之類比神經記憶體的測試電路及方法
TWI833980B (zh) * 2019-08-07 2024-03-01 美商科磊股份有限公司 結合光學及電子束檢查之半導體熱點及製程窗之發現

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10810733B2 (en) * 2016-05-24 2020-10-20 Hitachi High-Tech Corporation Defect classification apparatus and defect classification method
US10755026B1 (en) * 2017-11-14 2020-08-25 Synopsys, Inc. Circuit design including design rule violation correction utilizing patches based on deep reinforcement learning
KR102549196B1 (ko) * 2018-02-07 2023-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
WO2020043525A1 (en) 2018-08-28 2020-03-05 Asml Netherlands B.V. Systems and methods of optimal metrology guidance
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
US11170475B2 (en) * 2019-01-10 2021-11-09 Kla Corporation Image noise reduction using stacked denoising auto-encoder
JP7166966B2 (ja) * 2019-03-15 2022-11-08 株式会社Ｓｃｒｅｅｎホールディングス 処理条件選択方法、基板処理方法、基板製品製造方法、処理条件選択装置、コンピュータープログラム、および、記憶媒体
US10930597B2 (en) * 2019-03-27 2021-02-23 Kla-Tencor Corporation Die screening using inline defect information
US11580650B2 (en) * 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes
WO2021111768A1 (ja) * 2019-12-03 2021-06-10 パナソニックＩｐマネジメント株式会社 設定システム、設定方法及びプログラム
CN111079628A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 地板破损故障图像识别方法
JP7361594B2 (ja) * 2019-12-19 2023-10-16 キヤノン株式会社 識別装置、処理装置、処理方法、およびプログラム
US11221300B2 (en) * 2020-03-20 2022-01-11 KLA Corp. Determining metrology-like information for a specimen using an inspection tool
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
CN116057546A (zh) * 2020-09-17 2023-05-02 株式会社日立高新技术 错误原因的推断装置和推断方法
US11699623B2 (en) * 2020-10-14 2023-07-11 Applied Materials, Inc. Systems and methods for analyzing defects in CVD films
KR102459337B1 (ko) * 2020-12-21 2022-10-28 주식회사 에타맥스 실리콘 카바이드 웨이퍼의 결함을 회피하는 다이 구획방법 및 검사장치
US20220307990A1 (en) * 2021-03-24 2022-09-29 Kla Corporation Imaging reflectometry for inline screening
KR102326006B1 (ko) * 2021-05-13 2021-11-15 (주)알티엠 연산 장치 및 이를 이용한 계측 데이터에 대한 특징 추출 방법
US11756186B2 (en) * 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
KR102405557B1 (ko) * 2021-10-14 2022-06-07 라이트비전 주식회사 컴퓨터가 구분하기 용이한 회절패턴 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법
EP4300087A1 (en) * 2022-06-29 2024-01-03 ASML Netherlands B.V. Method of processing data derived from a sample
WO2023232474A1 (en) * 2022-05-30 2023-12-07 Asml Netherlands B.V. Method of processing data derived from a sample
CN115167019A (zh) * 2022-07-15 2022-10-11 苏州华星光电技术有限公司 曝光缺陷感知装置、显示终端及曝光缺陷感知方法
US20240331126A1 (en) * 2023-03-30 2024-10-03 Applied Materials, Inc. Post bonding aoi defect classification

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60144249D1 (de) * 2000-12-15 2011-04-28 Kla Tencor Corp Verfahren und vorrichtung zum untersuchen eines substrats
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
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
US8223327B2 (en) * 2009-01-26 2012-07-17 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer
KR101674698B1 (ko) * 2009-02-13 2016-11-09 케이엘에이-텐코어 코오포레이션 웨이퍼 상의 결함들 검출
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US9279774B2 (en) * 2011-07-12 2016-03-08 Kla-Tencor Corp. Wafer inspection
US8723115B2 (en) * 2012-03-27 2014-05-13 Kla-Tencor Corporation Method and apparatus for detecting buried defects
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
US10192303B2 (en) * 2012-11-12 2019-01-29 Kla Tencor Corporation Method and system for mixed mode wafer inspection
JP5948262B2 (ja) * 2013-01-30 2016-07-06 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
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
US10079183B2 (en) * 2013-06-26 2018-09-18 Kla-Tenor Corporation Calculated electrical performance metrics for process monitoring and yield management
US9518932B2 (en) * 2013-11-06 2016-12-13 Kla-Tencor Corp. Metrology optimized inspection
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US9401016B2 (en) * 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
US10267746B2 (en) 2014-10-22 2019-04-23 Kla-Tencor Corp. Automated pattern fidelity measurement plan generation
US9835566B2 (en) * 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US9875536B2 (en) 2015-03-31 2018-01-23 Kla-Tencor Corp. Sub-pixel and sub-resolution localization of defects on patterned wafers
WO2017035030A1 (en) * 2015-08-21 2017-03-02 Tel Epion Inc. Hybrid corrective processing system and method
JP6527808B2 (ja) 2015-10-27 2019-06-05 株式会社ニューフレアテクノロジー 検査方法および検査装置
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10181185B2 (en) 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10810733B2 (en) * 2016-05-24 2020-10-20 Hitachi High-Tech Corporation Defect classification apparatus and defect classification method
US10395356B2 (en) 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US10176965B1 (en) * 2017-07-05 2019-01-08 ICT Integrated Circuit Testing Gesellschaft für Halbleiterprüftechnik mbH Aberration-corrected multibeam source, charged particle beam device and method of imaging or illuminating a specimen with an array of primary charged particle beamlets

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI753492B (zh) * 2019-07-19 2022-01-21 美商超捷公司 用於人工神經網路中之類比神經記憶體的測試電路及方法
TWI833980B (zh) * 2019-08-07 2024-03-01 美商科磊股份有限公司 結合光學及電子束檢查之半導體熱點及製程窗之發現
TWI707137B (zh) * 2020-01-13 2020-10-11 憶象有限公司 智能產線監測系統及監測方法
CN113222897A (zh) * 2020-10-28 2021-08-06 友达光电股份有限公司 监测系统及其方法
CN113222897B (zh) * 2020-10-28 2024-04-05 友达光电股份有限公司 监测系统及其方法

Also Published As

Publication number Publication date
CN111052331A (zh) 2020-04-21
TWI751376B (zh) 2022-01-01
WO2019046428A1 (en) 2019-03-07
IL272364B (en) 2022-08-01
KR102384125B1 (ko) 2022-04-08
IL272364A (en) 2020-03-31
US10699926B2 (en) 2020-06-30
CN111052331B (zh) 2021-03-23
KR20200037869A (ko) 2020-04-09
US20190067060A1 (en) 2019-02-28

Similar Documents

Publication Publication Date Title
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
CN108463874B (zh) 基于图像的样品过程控制
US10395362B2 (en) Contour based defect detection
US9916965B2 (en) Hybrid inspectors
US11580398B2 (en) Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10360477B2 (en) Accelerating semiconductor-related computations using learning based models
US10359371B2 (en) Determining one or more characteristics of a pattern of interest on a specimen
US20170193680A1 (en) Generating high resolution images from low resolution images for semiconductor applications
US11961219B2 (en) Generative adversarial networks (GANs) for simulating specimen images
US12051183B2 (en) Training a machine learning model to generate higher resolution images from inspection images
US20220067911A1 (en) Wafer Level Spatial Signature Grouping Using Transfer Learning
CN117546202A (zh) 用于基于半导体的应用的使用全局纹理特性的机器学习
US10151706B1 (en) Inspection for specimens with extensive die to die process variation