TW201923922A - 缺陷檢查方法 - Google Patents

缺陷檢查方法 Download PDF

Info

Publication number
TW201923922A
TW201923922A TW107119388A TW107119388A TW201923922A TW 201923922 A TW201923922 A TW 201923922A TW 107119388 A TW107119388 A TW 107119388A TW 107119388 A TW107119388 A TW 107119388A TW 201923922 A TW201923922 A TW 201923922A
Authority
TW
Taiwan
Prior art keywords
defect
image
images
candidate
candidate defect
Prior art date
Application number
TW107119388A
Other languages
English (en)
Inventor
陳建輝
鍾弘毅
洪肇廷
李正匡
曉萌 陳
許登程
Original Assignee
台灣積體電路製造股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 台灣積體電路製造股份有限公司 filed Critical 台灣積體電路製造股份有限公司
Publication of TW201923922A publication Critical patent/TW201923922A/zh

Links

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • 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
    • 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
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • 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
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

一種缺陷檢查方法。在此方法中，從通過在至少一個晶圓上執行熱掃描的至少一個光學檢查工具獲得的檢查圖像中獲取多個候選缺陷圖像，且從檢查圖像提取多個屬性。創建包含用於對候選缺陷圖像進行分類的多個決策樹的隨機森林分類器（random forest classifier），其中決策樹是以屬性和候選缺陷圖像的不同子集建構。在執行期間從光學檢查工具獲取多個候選缺陷圖像並將其應用於決策樹，且根據其中過濾出擾亂圖像的決策樹的投票（vote）來將候選缺陷圖像分類成擾亂（nuisance）圖像和實際缺陷圖像。對具有超過信心值的投票的實際缺陷圖像進行取樣以用於顯微複查。

Description

缺陷檢查方法
本發明的實施例是有關於一種缺陷檢查方法，且特別是有關於一種電子設備的缺陷檢查方法。
在現代半導體裝置的製造程序中，操縱各種材料和機器以產生最終產品。製造商致力於在處理期間減少粒子污染從而改進產品良率（yield）。由於半導體裝置增加的複雜性和超小型電晶體的發展，進一步增進了對缺陷檢測和控制的需求。
對半成品的檢查常常在製作期間通過使用光學檢查工具來執行以便及時找到缺陷。光學檢查工具可分析所掃描圖像以識別缺陷類型且定位晶圓上的缺陷，從而輔助操作人員評估並校正導致缺陷的製造程序。
為了檢測子設計規則缺陷，光學檢查工具在極高敏感度下執行，從而引起極高擾亂率（nuisance rate）。過濾出擾亂的當前解決方案是基於決策樹，且依賴於有經驗的操作人員人工地探索特徵空間且微調樹切割（tree cut），這消耗相當多的時間和勞力。
本發明實施例提供一種缺陷檢查方法，適用於電子設備，所述方法包括：從通過在至少一個晶圓上執行熱掃描的至少一個光學檢查工具獲得的多個檢查圖像中獲取多個候選缺陷圖像，且從所述檢查圖像提取多個屬性；創建包含用於對所述候選缺陷圖像進行分類的多個決策樹的隨機森林分類器，其中所述決策樹是以所述屬性和所述候選缺陷圖像的不同子集建構；在執行期間從所述至少一個光學檢查工具中的一個獲取多個候選缺陷圖像；將所述候選缺陷圖像應用於所述隨機森林分類器中的所述決策樹，根據所述決策樹的投票將所述候選缺陷圖像分類成擾亂圖像和實際缺陷圖像，且從所述候選缺陷圖像過濾出所述擾亂圖像；以及對具有超過信心值的所述投票的所述實際缺陷圖像進行取樣以用於顯微複查。
以下揭露內容提供用於實施所提供主題的不同特徵的許多不同實施例或實例。下文描述元件和佈置的特定實例以簡化本揭露內容。當然，這些元件和佈置僅是實例且並不意欲為限制性的。舉例來說，在以下描述中，第一特徵在第二特徵上方或上的形成可包含第一特徵和第二特徵直接接觸地形成的實施例，且還可包含額外特徵可形成於第一特徵與第二特徵之間以使得第一特徵和第二特徵可不直接接觸的實施例。此外，本揭露內容可在各種實例中重複參考標號和/或字母。這種重複是出於簡化和清楚的目的，且本身並不指示所論述的各種實施例和/或配置之間的關係。
此外，為易於描述，如“在…下方”、“在…下”、“下部”、“在…上方”、“上部”等的空間相對術語可在本文中用於描述如圖式中所說明的一個元件或特徵與另一（一些）元件或特徵的關係。除圖式中所描繪的定向以外，空間相關術語意欲包涵裝置在使用或操作中的不同定向。設備可以其它方式定向（旋轉90度或處於其它定向），且本文中所使用的空間相對描述詞同樣可相應地進行解釋。
圖1說明根據本揭露內容的實施例的缺陷檢查系統的示意性方塊圖。圖2說明根據本揭露內容的實施例的說明對缺陷圖像的過濾和分類的示意圖。參看圖1，缺陷檢查系統100包含第一連接裝置110、第二連接裝置130、儲存媒體120以及連接到第一連接裝置110、第二連接裝置130和儲存媒體120的處理器140。
在一些實施例中，缺陷檢查系統100外部連接到至少一個光學檢查工具（本實施例中是以光學檢查工具200為例）且配置成通過第一連接裝置110從光學檢查工具200獲取候選缺陷圖像imgs（例如圖2中展示的圖像21到圖像27），其中光學檢查工具200配置成在至少一個晶圓上執行熱掃描。缺陷檢查系統100配置成分析所獲取候選缺陷圖像imgs以過濾出擾亂圖像。在另一方面，缺陷檢查系統100連接到缺陷複查工具300，且配置成在過濾之後對剩餘的候選缺陷圖像進行取樣並將所取樣候選缺陷圖像（例如圖2中展示的圖像23、圖像25以及圖像27）發送到缺陷複查工具300以用於顯微複查從而驗證實際缺陷和擾亂。缺陷複查工具300是例如為高解析度掃描電子顯微鏡（scanning electron microscope，SEM）複查工具或基於雷射的缺陷複查工具，但本揭露內容不限於此。
在一些實施例中，缺陷檢查系統100可設置或嵌入於光學檢查工具200中，這在本文中不受限制。缺陷檢查系統100、光學檢查工具200以及缺陷複查工具300將詳細地描述於以下描述中。
第一連接裝置110配置成連接到光學檢查工具200以從通過光學檢查工具200獲得的多個檢查圖像中獲取候選缺陷圖像imgs。第一連接裝置是例如為與光學檢查工具200相容的任何有線或無線介面，如USB、火線、雷電介面（thunderbolt）、通用異步收發器（universal asynchronous receiver/transmitter，UART）、串列週邊介面（serial peripheral interface，SPI）、WiFi或藍牙，這在本文中不受限制。
第二連接裝置130配置成連接到缺陷複查工具300以將所取樣候選缺陷圖像發送到缺陷複查工具300以用於顯微複查。第二連接裝置130是例如為與缺陷複查工具300相容的任何有線或無線介面，如USB、火線、雷電介面、UART、SPI、WiFi或藍牙，這在本文中不受限制。
儲存媒體120配置成儲存通過第一連接裝置110獲取的候選缺陷圖像。來自光學檢查工具200的候選缺陷圖像佔用大量的記憶體儲存，因此儲存媒體120是例如為大量儲存裝置（mass storage device）、獨立磁碟冗餘陣列（redundant array of independent disks，RAID）、其它類似儲存裝置或其具有高儲存能力的組合，但本揭露內容不限於此。
處理器140配置成執行指令以實施本揭露內容的實施例的缺陷檢查方法。處理器140是例如為中央處理單元（central processing unit，CPU）、其它可程式設計通用或專用微處理器、數位訊號處理器（digital signal processor，DSP）、可程式設計控制器、特殊應用積體電路（application specific integrated circuit，ASIC）、可程式邏輯裝置（programmable logic device，PLD）、其它類似裝置或其組合，但本揭露內容不限於此。
缺陷檢查系統100適用於實施根據本揭露內容的一些實施例的缺陷檢查方法。詳細地說，圖3是根據本揭露內容的實施例的說明缺陷檢查方法的流程圖。
參看圖3，在步驟S302中，缺陷檢查系統100的處理器140從通過在至少一個晶圓上執行熱掃描的至少一個光學檢查工具200獲得的多個檢查圖像中獲取多個候選缺陷圖像，且從檢查圖像提取多個屬性。在一些實施例中，在光學檢查工具200中對晶圓的光學檢查的靈敏度可設定成高的，且檢測演算法可將光學檢查工具200的光學元件的輸出（即檢查圖像）與設定成低的閾值進行比較，進而使光學檢查工具200的靈敏度呈現為極高。
當獲取候選缺陷圖像時，處理器140進一步從檢查圖像提取屬性。在一些實施例中，屬性可包含從檢查圖像提取的屬性，如波紋、參考強度、光學檢查工具的工具ID或晶圓中的區域的區域ID。在一些實施例中，屬性可進一步包含由光學檢查工具200提供的內嵌屬性，如缺陷量值、缺陷面積或極性。基於對缺陷圖像的觀測，發現缺陷通常具有類似於波紋的圖案，以使得通過計算候選缺陷圖像與波紋圖像之間的波紋（rippleness）和將波紋導入到分類器中作為訓練因數，分類器的穩健性可增強。類似地，由於由相同光學缺陷工具產生和/或來自晶圓中的相同區域的缺陷圖像可具有類似圖像特性，如亮度或對比度，所以通過將工具ID和區域ID導入到分類器中作為訓練因數，分類器的穩健性也可增強。
舉例來說，圖4是根據本揭露內容的實施例的說明波紋的提取的示意圖。參看圖4，預先產生多個波紋圖像（例如圖像41到圖像43）且用於訓練深度學習模型，如卷積神經網路（convolutional neural network，CNN）。CNN包含輸入層、輸出層和包含卷積層的多個隱藏層、池化層（pooling layer）等。每當獲取到候選缺陷圖像44，即將候選缺陷圖像44用作CNN的輸入，且將卷積操作應用於候選缺陷圖像44以獲得卷積結果（例如圖像45）。另外，最大池化應用於將圖像45分割為一組不重疊矩形，且最後，各子區域中的最大值作為波紋輸出。
回到圖3中的流程，在步驟S304中，處理器140創建包含用於對候選缺陷圖像進行分類的多個決策樹的隨機森林分類器（random forest classifier），其中決策樹是以屬性和候選缺陷圖像的不同子集建構而成。詳細地說，隨機森林是一種分類的集成學習方法，所述集成學習方法通過在訓練時構建多個決策樹和基於決策樹的投票輸出最終類別來運作。在一些實施例中，隨機森林分類器中建構有500個決策樹且每一個決策樹是以隨機選擇的10個屬性建構。此外，隨機森林分類器中的每一個決策樹利用隨機選擇的候選缺陷圖像的一部分（例如三分之二）來訓練，且利用候選缺陷圖像的另一部分（例如三分之一）來檢驗決策樹的性能是否穩定。
舉例來說，圖5是根據本揭露內容的實施例的說明隨機森林分類的示意圖。參看圖5，在前述實施例中獲取的候選缺陷圖像實例510用作隨機森林分類器520的多個決策樹T1到決策樹Tn（n是大於1的整數）的輸入，其中決策樹T1到決策樹Tn是以如上文所描述的屬性的不同子集來建構，且輸出從預定類別中確定的類別（例如由樹T1輸出的類別A，由樹T2輸出的類別B，以及由樹Tn輸出的類別B）。由決策樹T1到決策樹Tn投票的類別包含例如為缺陷、殺手缺陷（killer defect）以及擾亂，但本揭露內容不限於此。在決策樹T1到決策樹Tn的輸出端上進一步執行投票530，且確定具有最高投票的最終類別540。
在執行期間（runtime）（例如缺陷檢查系統在需要檢測的晶圓上執行缺陷檢查的期間），在步驟S306中，處理器140從光學檢查工具200中的一個獲取多個候選缺陷圖像，且接著在步驟S308中，將候選缺陷圖像應用於隨機森林分類器中的決策樹，根據決策樹的投票將候選缺陷圖像分類為擾亂圖像和實際缺陷圖像，且從候選缺陷圖像過濾出擾亂圖像。
在一些實施例中，充當與決策樹的投票相比較的閾值的各種信心值（confidence value）用於確定用於對候選缺陷圖像進行分類的決策邊界。在一些實施例中，兩個信心值用於確定用於將候選缺陷圖像分類為高信心度缺陷、邊緣缺陷和擾亂的兩個決策邊界。詳細地說，將具有高於或等於第一信心值的投票的候選缺陷圖像分類為高信心度缺陷的圖像，將具有低於第一信心值且高於或等於第二信心值的投票的候選缺陷圖像分類為邊緣缺陷的圖像，且將具有低於第二信心值的投票的候選缺陷圖像分類為擾亂圖像，其中第一信心值高於第二信心值。
舉例來說，圖6A是根據本揭露內容的實施例的說明通過使用信心值對缺陷和擾亂進行分類的曲線圖，且圖6B是根據本揭露內容的實施例的說明缺陷和擾亂相對於投票的分佈的缺陷投票長條圖。
參看圖6A，假設缺陷和擾亂分佈於曲線圖62中展示的特徵空間中，缺陷和擾亂根據兩個信心值D1和信心值D2（例如D1是250，且D2是10）通過兩個決策邊界C1和決策邊界C2分隔成三個區。也就是說，將具有高於或等於D1的投票的候選缺陷圖像分類為缺陷，且將具有低於D2的投票的候選缺陷圖像分類為擾亂。此外，將具有低於D1且高於或等於D2的投票的候選缺陷圖像分類為邊緣缺陷。
因此，決策邊界C2用作擾亂切割（nuisance cut），以在不丟失缺陷的情況下過濾出候選缺陷圖像中的擾亂，且決策邊界C1用作信心度邊限以保持高信心度缺陷以用於複查。決策邊界C1將剩餘特徵空間分隔為實際缺陷區（具有極大缺陷和極少擾亂）和邊緣缺陷區（具有極少缺陷和極大擾亂）。
參看圖6B，缺陷投票長條圖64中的各條柱描繪缺陷計數以及具有包含殺手缺陷、（普通）缺陷、擾亂以及PT擾亂各種類型的缺陷與擾亂的分佈，且決策邊界C1位於具有250個投票的條柱處。參看決策邊界C1的右方的條柱，可以觀察到，隨著投票增加，缺陷圖像中的實際缺陷的比例增加，且在具有高投票的缺陷圖像內可發現殺手缺陷，而在具有高於250的投票的缺陷圖像內發現較少擾亂。
在一些實施例中，邊緣缺陷區內的候選缺陷圖像可進一步用於純度控制。詳細地說，將高信心度缺陷的圖像（即實際缺陷區內的圖像）應用於顯微複查，從而驗證高信心度缺陷的圖像中的實際缺陷圖像。在另一方面，邊緣缺陷的圖像（即邊緣缺陷區內的圖像）以取樣速率來取樣，且將所取樣的邊緣缺陷的圖像應用於顯微複查，從而驗證邊緣缺陷的圖像中的實際缺陷圖像。最後，缺陷計數可通過將高信心度缺陷的圖像中的多個所驗證實際缺陷圖像添加到邊緣缺陷的圖像中的實際缺陷圖像的總數來估計，其中邊緣缺陷的圖像中的實際缺陷圖像的總數通過用取樣速率除邊緣缺陷的圖像中的所驗證實際缺陷圖像的數量來推導。
回到圖3中的流程，在步驟S310中，處理器140對具有超過信心值的投票的實際缺陷圖像進行取樣，且將所取樣實際缺陷圖像發送到缺陷複查工具300以用於顯微複查。
在一些實施例中，在實際缺陷圖像經由步驟S310中的顯微複查來取樣或驗證之後，處理器140可回到步驟S306以從在另一晶圓上執行熱掃描的光學檢查工具200中的另一個獲取多個候選缺陷圖像，且重複步驟S308和步驟S310以對另一晶圓執行缺陷檢查。
基於上述，由於用於過濾擾亂的擾亂切割和用於發現實際缺陷的信心度邊限自動地從隨機森林識別符（random forest identifier）的投票中導出，所以過濾擾亂所消耗的勞力和時間可減少。此外，通過過濾出擾亂圖像而保持用於顯微複查的高信心度缺陷圖像，缺陷複查工具的效率可提高。
在一些實施例中，由於大量擾亂，對候選缺陷圖像的檢查可劃分為多個階段，且特異性針對不同物件的不同分類器（例如不同缺陷類型或不同擾亂類型）分別在不同階段中創建從而改進擾亂過濾的效率。
詳細地說，圖7是根據本揭露內容的實施例的說明兩階段過濾的示意圖。如圖7中所展示，缺陷檢查劃分為階段1和階段2，其中創建包含以屬性的第一子集建構的多個第一決策樹的第一隨機森林分類器，且創建包含以屬性的第二子集建構的多個第二決策樹的第二隨機森林分類器，所述屬性的第二子集具有比所述屬性的第一子集的決策邊界複雜度更高的決策邊界複雜度。
詳細地說，當獲取包含缺陷圖像和擾亂圖像的所關注的缺陷的圖像（images of defects of interest，DOIs）（例如，具有十萬的量）時，在階段1中，將那些DOIs應用於第一隨機森林分類器中的第一決策樹，且根據第一決策樹對DOIs的投票過濾出擾亂圖像。在階段2中，將過濾後的剩餘DOIs應用於第二隨機森林分類器中的第二決策樹。
由於第一決策樹是以具有較小決策邊界複雜度的屬性建構，所以可過濾出大多數（例如，數萬）普通擾亂圖像而保持階段1中的實際缺陷圖像。接著將過濾後的剩餘DOIs（具有數千的量）應用於建構有較高決策邊界複雜度的第二決策樹。其結果是，可進一步識別且小心地過濾出擾亂圖像。最後，對具有超過信心值的投票的剩餘DOIs進行取樣且將其發送到缺陷複查工具以用於顯微複查。
通過以上描述的方法，由於在階段1中過濾出大多數的普通擾亂圖像，所以利用明顯擾亂訓練的分類器可應用於識別和過濾出大多數的擾亂。其結果是，可改進擾亂過濾的效率。
在一些實施例中，通過非監督式學習由光學檢查工具200發現的缺陷可進一步用於驗證如前述實施例中所描述的由缺陷檢查系統100發現的缺陷，以使得可觀測到新的缺陷類型且可更新分類器以覆蓋所有缺陷類型。
詳細地說，圖8是根據本揭露內容的實施例的說明缺陷檢查方法的示意圖。參看圖8，缺陷檢查系統100以及光學檢查工具200適用於實施根據本揭露內容的一些實施例的缺陷檢查方法。
在步驟S802中，光學檢查工具200在至少一個晶圓上執行熱掃描以產生多個檢查圖像。在步驟S804中，光學檢查工具200對從檢查圖像獲取的候選缺陷圖像執行非監督式學習。詳細地說，類似類型的缺陷傾向於在特徵空間中形成群集，且各群集中的最強樣本或偏離群集質心（即離群值）的樣本具有較高成為實際缺陷的可能性。
舉例來說，圖9A是根據本揭露內容的實施例的說明候選缺陷圖像的群集的示意圖，且圖9B是根據本揭露的實施例的說明異常檢測和分集取樣的示意圖。
參看圖9A，分別表示候選缺陷圖像（例如圖像92）的樣本分佈於如分佈圖94中所展示的特徵空間中，且通過使用群集演算法分群為如分佈圖96中展示的多個群組（例如群組grp 1和群組grp 2）。
參看圖9B，在異常檢測中，計算群組（例如群組grp 1、群組grp 2、群組grp 3和群組grp 4）質心的位置，且分別計算樣本遠離附近群組質心的距離。離群集質心越遠的樣本（例如樣本P1、樣本P2和樣本P3）、孤立樣本和小群集中的樣本被檢測為異常且對應候選缺陷圖像確定為實際缺陷圖像。
在另一方面，在分集取樣中，每個群組中一些屬性排列在前的一或多個樣本可代表該群組，且將對應的候選缺陷圖像發送到缺陷複查工具300以用於顯微複查。如果樣本的對應候選缺陷圖像被驗證為實際缺陷圖像，那麼該樣本在相同群組中的所有候選缺陷圖像可確定為實際缺陷圖像。否則，該樣本在相同群組中的候選缺陷圖像確定為擾亂圖像。
回到圖8中的流程，在步驟S806中，缺陷檢查系統100的處理器140從通過在至少一個晶圓上執行熱掃描的至少一個光學檢查工具200獲得的多個檢查圖像中獲取多個候選缺陷圖像，且從檢查圖像提取多個屬性。在步驟S808中，處理器140創建包含用於對候選缺陷圖像進行分類的多個決策樹的隨機森林分類器（即如圖8中所展示的分類器），其中決策樹是以屬性和候選缺陷圖像的不同子集建構。前述步驟S806到步驟S808與前述實施例中的步驟S302到步驟S304類似或相同，且因此本文中並不重複關於其的詳細內容。
在執行期間，在步驟S810中，處理器140從光學檢查工具200中的一個獲取多個候選缺陷圖像，且接著將候選缺陷圖像應用於隨機森林分類器中的決策樹，根據決策樹的投票將候選缺陷圖像分類為擾亂圖像和實際缺陷圖像，且從候選缺陷圖像過濾出擾亂圖像。實際缺陷圖像中的每一個的缺陷信心度通過將決策樹的投票與信心值進行比較從而對具有超過信心值的投票的實際缺陷圖像（包含殺手缺陷圖像）進行取樣來確定。
在步驟S812中，處理器140將具有超過信心值的投票的所取樣實際缺陷圖像與非監督式學習中的取樣（即所取樣候選缺陷圖像）組合為實際缺陷圖像的聯集。接著通過第二連接裝置130將實際缺陷圖像的聯集發送到缺陷複查工具300以用於顯微複查。
在一些實施例中，由於製程改變，未見於訓練晶圓中的新的缺陷類型可能出現。由於由缺陷檢查系統100訓練的分類器是基於訓練晶圓，所以新的缺陷類型可能無法由那些分類器識別而被視為丟失缺陷類型。因此，在本實施例中，進一步執行與來自光學檢查工具200的通過非監督式學習獲得的缺陷圖像的聯集，以確保缺陷類型覆蓋和捕捉新晶圓中的新的缺陷類型。聯集還可用於檢驗由缺陷檢查系統100訓練的分類器的健康狀況。
在步驟S814中，缺陷複查工具300執行例如掃描電子顯微鏡（SEM）對由缺陷檢查系統100提供的實際缺陷圖像的聯集的複查從而驗證實際缺陷圖像的聯集中的實際缺陷和擾亂。
因此，在步驟S816中，處理器140確定在顯微複查中是否觀測到新的缺陷類型，且進行到利用從非監督式學習獲得的候選缺陷圖像通過重新訓練隨機森林分類器中的決策樹來更新如在步驟S808中訓練的隨機森林分類器。
詳細地說，根據由缺陷複查工具300輸出的複查結果，處理器140可獲得在對實際缺陷圖像的聯集的顯微複查中由缺陷複查工具300識別的缺陷類型，且將所述缺陷類型與在隨機森林分類器的訓練中發現的已知的缺陷類型進行比較從而發現新的缺陷類型。
舉例來說，圖10是根據本揭露內容的實施例的說明在監督式學習和非監督式學習中找到的缺陷類型的群體的示意圖。參看圖10，已知類型102表示在監督式學習中由分類器發現的缺陷類型，且缺陷類型104表示在分集取樣（即非監督式學習）中發現的缺陷類型，其中區域104a中的缺陷類型表示與已知類型102的共同類型，而區域104b中的缺陷類型表示在學習過程中首次識別的丟失類型。
在一些實施例中，處理器140可在客製化的使用者介面上顯示說明所有所識別缺陷類型的計數的圖形以供操作人員複查和標記新的缺陷類型從而通知操作人員更新分類器，且進行到在接收到操作人員的指令後更新分類器。在一些實施例中，處理器140可通過用分集取樣中發現的缺陷類型（例如缺陷類型104）的總數除丟失類型（例如區域104b中的缺陷類型）的計數來計算缺陷丟失率，且只要計算出的缺陷丟失率超過預定閾值，那麼自動地進行到更新分類器。在一些實施例中，處理器140可經由聲音、電話、電子郵件、或即時訊息來觸發健康警報以通知操作人員檢驗製造程序的工作程序且校正可導致缺陷的製造程序。
根據一些實施例，提供適用於電子設備的缺陷檢查方法。在方法中，從通過在至少一個晶圓上執行熱掃描的至少一個光學檢查工具獲得的多個檢查圖像中獲取多個候選缺陷圖像，且從檢查圖像提取多個屬性。創建包含用於對候選缺陷圖像進行分類的多個決策樹的隨機森林分類器，其中決策樹是以屬性和候選缺陷圖像的不同子集建構。在執行期間從至少一個光學檢查工具中的一個獲取多個候選缺陷圖像，且將多個候選缺陷圖像應用於隨機森林分類器中的決策樹。根據決策樹的投票將候選缺陷圖像分類成擾亂圖像和實際缺陷圖像，且從候選缺陷圖像過濾出擾亂圖像。對具有超過信心值的投票的實際缺陷圖像進行取樣以用於顯微複查。
在相關實施例中，在執行期間從所述光學檢查工具中的一個獲取所述多個候選缺陷圖像之後，所述方法進一步包括：將所述候選缺陷圖像應用於第一隨機森林分類器中的多個第一決策樹，且根據所述第一決策樹對所述候選缺陷圖像的投票來過濾出所述擾亂圖像；以及將過濾後的所述候選缺陷圖像的剩餘部分應用於第二隨機森林分類器中的多個第二決策樹，且根據所述第二決策樹對所述候選缺陷圖像的所述剩餘部分的投票來過濾出所述擾亂圖像，其中所述第一決策樹中的每一個是以所述屬性的第一子集建構，且所述第二決策樹中的每一個是以所述屬性的第二子集建構，所述屬性的所述第二子集具有比所述屬性的所述第一子集的決策邊界複雜度更高的決策邊界複雜度。
在相關實施例中，根據所述決策樹的所述投票將所述候選缺陷圖像分類成所述擾亂圖像和所述實際缺陷圖像包括：將具有高於或等於第一信心值的所述投票的所述候選缺陷圖像分類為高信心度缺陷的圖像；將具有低於所述第一信心值且高於或等於第二信心值的所述投票的所述候選缺陷圖像分類為邊緣缺陷的圖像；以及將具有低於所述第二信心值的所述投票的所述候選缺陷圖像分類為所述擾亂圖像，其中所述第一信心值高於所述第二信心值。
在相關實施例中，所述的缺陷檢查方法，進一步包括：將高信心度缺陷的所述圖像應用於所述顯微複查以驗證高信心度缺陷的所述圖像中的所述實際缺陷圖像；以取樣速率對邊緣缺陷的所述圖像進行取樣，且將所取樣的邊緣缺陷的圖像應用於所述顯微複查以驗證邊緣缺陷的所述圖像中的所述實際缺陷圖像；通過將高信心度缺陷的所述圖像中的多個所驗證實際缺陷圖像添加到邊緣缺陷的所述圖像中的所述實際缺陷圖像的總數來估計缺陷計數，其中邊緣缺陷的所述圖像中的所述實際缺陷圖像的總數通過用所述取樣速率除邊緣缺陷的所述圖像中的所驗證實際缺陷圖像的數量來推導。
在相關實施例中，所述的缺陷檢查方法，進一步包括：將所述候選缺陷圖像群集為多個群組；在所述群組上執行非監督式學習以對所述候選缺陷圖像進行取樣，其中所述非監督式學習包括異常檢測或分集取樣；將具有超過所述信心值的所述投票的所取樣實際缺陷圖像與所述非監督式學習中的所取樣候選缺陷圖像進行組合以用於所述顯微複查。
在相關實施例中，在將具有超過所述信心值的所述投票的所述所取樣實際缺陷圖像與所述非監督式學習中的所述所取樣候選缺陷圖像進行組合以用於所述顯微複查之後，所述方法進一步包括：確定在所述顯微複查中是否觀測到新的缺陷類型；以及若找到所述新的缺陷類型，利用所述非監督式學習中的所述候選缺陷圖像通過重新訓練所述隨機森林分類器中的所述決策樹來更新所述隨機森林分類器。
在相關實施例中，在對具有超過所述信心值的所述投票的所述實際缺陷圖像進行取樣以用於所述顯微複查的步驟之後，所述方法進一步包括反復地執行獲取步驟、分類步驟以及取樣步驟，從而在另一晶圓上執行缺陷檢查。
在相關實施例中，所述屬性包括波紋、所述光學檢查工具的工具ID以及所述晶圓中的區域的區域ID。
根據一些實施例，缺陷檢查系統包含：第一連接裝置，配置成連接至少一個光學檢查工具；第二連接裝置，配置成連接缺陷複查工具；儲存媒體，配置成儲存通過第一連接裝置獲取的候選缺陷圖像；以及處理器，連接到第一連接裝置、第二連接裝置以及儲存媒體。處理器配置成執行指令以執行以下步驟：通過使用第一連接裝置從通過在至少一個晶圓上執行熱掃描至少一個光學檢查工具獲得的多個檢查圖像中獲取多個候選缺陷圖像，且從檢查圖像提取多個屬性；創建包含用於對候選缺陷圖像進行分類的多個決策樹的隨機森林分類器，其中決策樹是以屬性和候選缺陷圖像的不同子集建構；通過使用第一連接裝置在執行期間從至少一個光學檢查工具中的一個獲取多個候選缺陷圖像；將候選缺陷圖像應用於隨機森林分類器中的決策樹，根據決策樹的投票將候選缺陷圖像分類成擾亂圖像和實際缺陷圖像，從候選缺陷圖像過濾出擾亂圖像；以及對具有超過信心值的投票的實際缺陷圖像進行取樣，且通過使用第二連接裝置將實際缺陷圖像發送到缺陷複查工具以用於顯微複查。
在相關實施例中，所述處理器包括：將所述候選缺陷圖像應用於第一隨機森林分類器中的多個第一決策樹，且根據所述第一決策樹對所述候選缺陷圖像的投票來過濾出所述擾亂圖像；以及將過濾後的所述候選缺陷圖像的剩餘部分應用於第二隨機森林分類器中的多個第二決策樹，且根據所述第二決策樹對所述候選缺陷圖像的剩餘部分的投票來過濾出所述擾亂圖像，其中所述第一決策樹中的每一個建構有所述屬性的第一子集，且所述第二決策樹中的每一個建構有所述屬性的第二子集，所述屬性的所述第二子集具有比所述屬性的所述第一子集的決策邊界複雜度更高的決策邊界複雜度。
在相關實施例中，所述處理器包括：將具有高於或等於第一信心值的所述投票的所述候選缺陷圖像分類為高信心度缺陷的圖像；將具有低於所述第一信心值且高於或等於第二信心值的所述投票的所述候選缺陷圖像分類為邊緣缺陷的圖像；以及將具有低於所述第二信心值的所述投票的所述候選缺陷圖像分類為所述擾亂圖像，其中所述第一信心值高於所述第二信心值。
在相關實施例中，所述處理器進一步包括：將高信心度缺陷的所述圖像應用於所述顯微複查以驗證高信心度缺陷的所述圖像中的所述實際缺陷圖像；以取樣速率對邊緣缺陷的所述圖像進行取樣，且將所取樣的邊緣缺陷的圖像應用於所述顯微複查以驗證邊緣缺陷的所述圖像中的所述實際缺陷圖像；通過將高信心度缺陷的所述圖像中的多個所驗證實際缺陷圖像添加到邊緣缺陷的所述圖像中的所述實際缺陷圖像的總數來估計缺陷計數，其中邊緣缺陷的所述圖像中的所述實際缺陷圖像的所述總數通過用所述取樣速率除邊緣缺陷的所述圖像中的所述所驗證實際缺陷圖像的數量來推導。
在相關實施例中，所述處理器進一步包括：將所述候選缺陷圖像群集為多個群組；在所述群組上執行非監督式學習以對所述候選缺陷圖像進行取樣；以及將具有超過所述信心值的所述投票的所述所取樣實際缺陷圖像與所述非監督式學習中的所取樣候選缺陷圖像進行組合以用於所述顯微複查，其中所述非監督式學習包括異常檢測或分集取樣。
在相關實施例中，所述處理器進一步包括：確定在所述顯微複查中是否觀測到新的缺陷類型；以及若找到所述新的缺陷類型，利用所述非監督式學習中的所述候選缺陷圖像通過重新訓練所述隨機森林分類器的所述決策樹來更新所述隨機森林分類器。
在相關實施例中，所述決策樹中的每一個利用所述候選缺陷圖像的一部分來訓練，且利用所述候選缺陷圖像的另一部分檢驗所述決策樹的性能是否穩定。
在相關實施例中，所述屬性包括波紋、所述光學檢查工具的工具ID以及所述晶圓中的區域的區域ID。
根據一些實施例，提供適用於電子設備的缺陷檢查方法。在方法中，從通過在至少一個晶圓上執行熱掃描的至少一個光學檢查工具獲得的多個檢查圖像中獲取多個候選缺陷圖像，且從檢查圖像提取多個屬性。創建包含多個第一決策樹的第一隨機森林分類器以用於對候選缺陷圖像進行分類，其中第一決策樹是以屬性和候選缺陷圖像的不同的第一子集建構。創建包含多個第二決策樹的第二隨機森林分類器以用於對候選缺陷圖像進行分類，其中第二決策樹是以屬性和候選缺陷圖像的不同的第二子集建構，且屬性的第一子集具有比屬性的第二子集的決策邊界複雜度更高的決策邊界複雜度。在執行期間從至少一個光學檢查工具中的一個獲取多個候選缺陷圖像，且將候選缺陷圖像應用于第一隨機森林分類器中的第一決策樹。根據第一決策樹的投票將候選缺陷圖像分類成擾亂圖像和實際缺陷圖像，且從候選缺陷圖像過濾出擾亂圖像。將過濾後的候選缺陷圖像的剩餘部分應用於第二隨機森林分類器中的第二決策樹，且根據第一決策樹的投票將候選缺陷圖像分類成擾亂圖像和實際缺陷圖像，且從候選缺陷圖像過濾出擾亂圖像。對具有超過信心值的投票的實際缺陷圖像進行取樣以用於顯微複查。
在相關實施例中，所述的缺陷檢查方法，進一步包括：將所述候選缺陷圖像群集為多個群組；在所述群組上執行非監督式學習以對所述候選缺陷圖像進行取樣；將具有超過所述信心值的所述投票的所取樣實際缺陷圖像與所述非監督式學習中的所取樣候選缺陷圖像進行組合以用於所述顯微複查。
在相關實施例中，在將具有超過所述信心值的所述投票的所述所取樣實際缺陷圖像與所述非監督式學習中的所述所取樣候選缺陷圖像進行組合以用於所述顯微複查之後，所述方法進一步包括：確定在所述顯微複查中是否觀測到新的缺陷類型；以及若找到所述新的缺陷類型，利用所述非監督式學習中的所述候選缺陷圖像通過重新訓練所述隨機森林分類器中的所述決策樹來更新所述隨機森林分類器。
在相關實施例中，所述屬性包括波紋、所述光學檢查工具的工具ID以及所述晶圓中的區域的區域ID。
前文概述若干實施例的特徵以使得本領域的技術人員可更好地理解本揭示內容的各方面。本領域的技術人員應瞭解，其可以容易地使用本揭露內容作為設計或修改用於執行本文中所引入的實施例的相同目的和/或獲得相同優勢的其它制程和結構的基礎。本領域的技術人員還應認識到，這類等效構造不脫離本揭露內容的精神和範圍，且其可在不脫離本揭露內容的精神和範圍的情況下在本文中作出各種改變、替代以及更改。
21、22、23、24、25、26、27、41、42、43、45、92‧‧‧圖像
44、imgs‧‧‧候選缺陷圖像
62‧‧‧曲線圖
64‧‧‧缺陷投票長條圖
94、96‧‧‧分佈圖
100‧‧‧缺陷檢查系統
102‧‧‧已知類型
104‧‧‧缺陷類型
104a、104b‧‧‧區域
110‧‧‧第一連接裝置
120‧‧‧儲存媒體
130‧‧‧第二連接裝置
140‧‧‧處理器
200‧‧‧光學檢查工具
300‧‧‧缺陷複查工具
510‧‧‧候選缺陷圖像實例
520‧‧‧隨機森林分類器
530‧‧‧投票
540‧‧‧最終類別
S302、S304、S306、S308、S310、S802、S804、S806、S808、S810、S812、S814、S816‧‧‧步驟
T1、T2、Tn‧‧‧決策樹/樹
C1、C2‧‧‧決策邊界
D1、D2‧‧‧信心值
DOIs‧‧‧所關注的缺陷的圖像
grp 1、grp 2、grp 3、grp 4‧‧‧群組
P1、P2、P3‧‧‧樣本
當結合附圖閱讀時，從以下詳細描述最好地理解本揭露內容的各方面。應注意，根據行業中的標準慣例，各種特徵未按比例繪製。實際上，為了論述清楚起見，可任意增大或減小各種特徵的尺寸。 圖1說明根據本揭露內容的實施例的缺陷檢查系統的示意性方塊圖。 圖2說明根據本揭露內容的實施例的說明對缺陷圖像的過濾和分類的示意圖。 圖3是根據本揭露內容的實施例的說明缺陷檢查方法的流程圖。 圖4是根據本揭露內容的實施例的說明波紋（rippleness）的提取的示意圖。 圖5是根據本揭露內容的實施例的說明隨機森林分類的示意圖。 圖6A是根據本揭露內容的實施例的說明通過使用信心值（confidence value）對缺陷和擾亂進行分類的曲線圖。 圖6B是根據本揭露內容的實施例的說明缺陷和擾亂相對於投票（vote）的分佈的缺陷投票長條圖。 圖7是根據本揭露內容的實施例的說明兩階段過濾的示意圖。 圖8是根據本揭露內容的實施例的說明缺陷檢查方法的示意圖。 圖9A是根據本揭露內容的實施例的說明候選缺陷圖像的群集的示意圖。 圖9B是根據本揭露內容的實施例的說明異常檢測和分集取樣的示意圖。 圖10是根據本揭露內容的實施例的說明在監督式學習和非監督式學習中找到的缺陷類型的群體的示意圖。 附件一是根據本揭露內容的實施例的說明對缺陷圖像的過濾和分類的範例。 附件二是根據本揭露內容的實施例的說明波紋的提取的範例。 附件三是根據本揭露內容的實施例的說明候選缺陷圖像的群集的範例。

Claims (1)

  1. 一種缺陷檢查方法，適用於電子設備，所述方法包括： 從通過在至少一個晶圓上執行熱掃描的至少一個光學檢查工具獲得的多個檢查圖像中獲取多個候選缺陷圖像，且從所述檢查圖像提取多個屬性； 創建包含用於對所述候選缺陷圖像進行分類的多個決策樹的隨機森林分類器，其中所述決策樹是以所述屬性和所述候選缺陷圖像的不同子集建構； 在執行期間（runtime）從所述至少一個光學檢查工具中的一個獲取多個候選缺陷圖像； 將所述候選缺陷圖像應用於所述隨機森林分類器中的所述決策樹，根據所述決策樹的投票將所述候選缺陷圖像分類成擾亂（nuisance）圖像和實際缺陷圖像，且從所述候選缺陷圖像過濾出所述擾亂圖像；以及 對具有超過信心值的所述投票的所述實際缺陷圖像進行取樣以用於顯微複查。
TW107119388A 2017-11-20 2018-06-05 缺陷檢查方法 TW201923922A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762588838P 2017-11-20 2017-11-20
US62/588,838 2017-11-20
US15/939,311 US10809635B2 (en) 2017-11-20 2018-03-29 Defect inspection method and defect inspection system
US15/939,311 2018-03-29

Publications (1)

Publication Number Publication Date
TW201923922A true TW201923922A (zh) 2019-06-16

Family

ID=66532954

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107119388A TW201923922A (zh) 2017-11-20 2018-06-05 缺陷檢查方法

Country Status (3)

Country Link
US (1) US10809635B2 (zh)
CN (1) CN109813717A (zh)
TW (1) TW201923922A (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3056498A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN110021005B (zh) * 2018-01-05 2022-03-15 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
KR102606140B1 (ko) * 2018-07-13 2023-11-24 에이에스엠엘 네델란즈 비.브이. 기계 학습을 기반으로 하는 패턴 그룹화 방법
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
US10545099B1 (en) * 2018-11-07 2020-01-28 Kla-Tencor Corporation Ultra-high sensitivity hybrid inspection with full wafer coverage capability
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
KR20200137219A (ko) * 2019-05-29 2020-12-09 삼성에스디에스 주식회사 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
CN113994368A (zh) * 2019-06-13 2022-01-28 株式会社日立高新技术 图像处理程序、图像处理装置以及图像处理方法
US11676264B2 (en) * 2019-07-26 2023-06-13 Kla Corporation System and method for determining defects using physics-based image perturbations
US11379969B2 (en) * 2019-08-01 2022-07-05 Kla Corporation Method for process monitoring with optical inspections
US20210042644A1 (en) * 2019-08-07 2021-02-11 Carnegie Mellon University Integrated circuit defect diagnosis using machine learning
CN110796187A (zh) * 2019-10-22 2020-02-14 西安奕斯伟硅片技术有限公司 不良分类方法及装置
US11450012B2 (en) * 2019-10-31 2022-09-20 Kla Corporation BBP assisted defect detection flow for SEM images
CN111060520B (zh) * 2019-12-30 2021-10-29 歌尔股份有限公司 一种产品缺陷检测方法、装置与系统
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
DE102020107779A1 (de) * 2020-03-20 2021-09-23 Schaeffler Technologies AG & Co. KG Verfahren und Prüfanlage zum Prüfen einer Bipolarplatte einer Brennstoffzelle
CN111948278A (zh) * 2020-08-17 2020-11-17 广东工业大学 一种点焊缺陷磁光成像无损检测方法及系统
US11307150B2 (en) * 2020-08-17 2022-04-19 Applied Materials Israel Ltd. Automatic optimization of an examination recipe
CN112581463B (zh) * 2020-12-25 2024-02-27 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection
US12020418B2 (en) * 2021-04-22 2024-06-25 Taiwan Semiconductor Manufacturing Company, Ltd. Image processing method and system, and non-transitory computer readable medium
CN114397244B (zh) * 2022-01-14 2024-07-23 长春工业大学 一种金属增材制造制件缺陷的识别方法及相关设备
WO2023166585A1 (ja) * 2022-03-02 2023-09-07 株式会社アドバンテスト 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム
WO2023166584A1 (ja) * 2022-03-02 2023-09-07 株式会社アドバンテスト 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム
CN114419035B (zh) * 2022-03-25 2022-06-17 北京百度网讯科技有限公司 产品识别方法、模型训练方法、装置和电子设备
EP4266246A1 (en) * 2022-04-22 2023-10-25 Imec VZW Automated defect classification and detection

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification
TWI606531B (zh) * 2017-03-30 2017-11-21 義守大學 適用於三維晶片的缺陷測試方法及系統

Also Published As

Publication number Publication date
US10809635B2 (en) 2020-10-20
US20190155164A1 (en) 2019-05-23
CN109813717A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
TW201923922A (zh) 缺陷檢查方法
JP6285640B2 (ja) 自動及び手動欠陥分類の統合
JP2018128468A (ja) 自動欠陥分類のための未知欠陥除去の最適化
JP3913715B2 (ja) 不良検出方法
US11307150B2 (en) Automatic optimization of an examination recipe
TW201935590A (zh) 半導體樣品的基於深度學習的檢查的方法及其系統
JP4786505B2 (ja) 不良検出方法
JP2019106171A (ja) 複数のアイテムを分類するためのシステム、方法およびコンピュータプログラム製品
TW202044067A (zh) 基於機器學習之半導體樣本中的缺陷分類
TWI791930B (zh) 用於分類半導體樣本中的缺陷的系統、方法及電腦可讀取媒體
Chang et al. Development pattern recognition model for the classification of circuit probe wafer maps on semiconductors
US10719655B2 (en) Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database
US9142014B2 (en) System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering
US20150235415A1 (en) Wafer test data analysis method
KR20170100710A (ko) 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
US11940390B2 (en) Selecting a representative subset of potential defects to improve defect classifier training and estimation of expected defects of interest
CN117033912A (zh) 一种设备故障预测方法、装置、可读存储介质及电子设备
CN117292164A (zh) 检查半导体样本中形成的孔
CN116071349A (zh) 晶圆缺陷检测方法、存储介质及数据处理设备
KR20190081710A (ko) 웨이퍼 맵을 불량 패턴에 따라 분류하는 방법 및 컴퓨터 프로그램
JP5566616B2 (ja) 特性解析装置、特性解析方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体
Guo et al. Inline inspection improvement using machine learning on broadband plasma inspector in an advanced foundry fab
TW201608490A (zh) 資料分析系統以及方法
US20180018542A1 (en) Augmented automatic defect classification