TW201941327A - 用於新穎缺陷發現之損害探勘 - Google Patents

用於新穎缺陷發現之損害探勘 Download PDF

Info

Publication number
TW201941327A
TW201941327A TW108109196A TW108109196A TW201941327A TW 201941327 A TW201941327 A TW 201941327A TW 108109196 A TW108109196 A TW 108109196A TW 108109196 A TW108109196 A TW 108109196A TW 201941327 A TW201941327 A TW 201941327A
Authority
TW
Taiwan
Prior art keywords
defects
defect
group
damage
defective
Prior art date
Application number
TW108109196A
Other languages
English (en)
Other versions
TWI798386B (zh
Inventor
馬丁 普莉霍爾
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 TW201941327A publication Critical patent/TW201941327A/zh
Application granted granted Critical
Publication of TWI798386B publication Critical patent/TWI798386B/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
    • 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
    • G01N21/8851—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
    • 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
    • G01N2021/8883—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
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/126—Microprocessor processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Meat, Egg Or Seafood Products (AREA)
  • Coloring Foods And Improving Nutritive Qualities (AREA)
  • Seasonings (AREA)

Abstract

本發明使得一半導體製造商能够更準確地判定本來會被忽略的缺陷的存在。本發明可體現為用於新穎缺陷發現之一系統、方法或設備。本發明可包括：在一損害篩選器中設置一損害格區；將缺陷群體劃分成一缺陷群體分割區；將該缺陷群體分割區分段成一缺陷群體區段；自該缺陷群體區段選擇一組選定缺陷；運算該缺陷群體區段中之該等缺陷之信號屬性之一或多個統計量；複製該組選定缺陷以得到所產生缺陷；將該等所產生缺陷移位至該缺陷群體區段之外；形成一訓練組；及訓練一個二元分類器。

Description

用於新穎缺陷發現之損害探勘
本發明大體而言係關於晶圓檢驗。更特定而言，本發明大體係關於損害篩選及缺陷發現。
對損害篩選器進行組態以對半導體晶圓進行光學檢驗之一困難在於，有漏掉在設置期間訓練晶圓上並不存在之缺陷的風險。對於基於資料驅動型機器學習演算法(基於機器學習之演算法)之篩選器而言，此風險尤為嚴重。
在使用人工建構之損害篩選器(諸如，iDO決策樹)之情況下，可利用領域知識及經驗來在屬性空間中為訓練晶圓上不存在之缺陷「留出一信號空間」。此留出空間的方法成功地用於形成可靠損害篩選器，該等可靠損害篩選器能够在寬頻電漿(BBP)檢驗期間捕捉「新」缺陷且保證不會遺漏任何「明顯」缺陷。
基於人工建構之損害篩選器之方法利用人類專家之領域知識及經驗來在屬性空間中為預期缺陷分配空間。
人工建構之損害篩選器具有以下缺點，包含：需要一漫長的人工程序，人工程序是主觀且不完備的，且在訓練組充分時其表現不如基於機器學習之篩選器。
關於基於機器學習之損害篩選器，可用於減小此漏掉缺陷風險的方法包含訓練組累加或訓練組擴增。圖1繪示一基於機器學習之損害篩選器100之一實例，其係關於一第一訓練晶圓之一最終模型。基於機器學習之損害篩選器100開始於一智慧分類引擎(ICE)節點101。基於(舉例而言)智慧分類引擎類別碼1將缺陷歸類成一格區102，且基於智慧分類引擎類別碼99將缺陷歸類成一格區103。然後，依據置信度將格區103歸類成調諧格區104 (或多個調諧格區)及一格區105，格區105通過檢驗而移除缺陷。存在尚未發現的所關注缺陷(DOI)被置於格區105中之一風險。可使用主動學習或多樣性取樣使用格區104中的缺陷來收集額外訓練資料。格區105存在漏掉新穎DOI的可能性。
訓練組累加包含：設置一次要臨限值以用於捕獲在合理損害率下無法檢出之缺陷；運行較熱的檢驗；自該等較熱的檢驗進行取樣並累加更多訓練組，該更多訓練組包含無法檢出之缺陷；利用所累加訓練組來改良損害篩選器；及繼續直至損害篩選器成熟為止。此方法因以下不可靠原因而存在缺點。基於訓練晶圓而形成之損害篩選器係因漏掉所有後續晶圓上的特定類型之缺陷的風險而創建。若移除缺陷，則即使後續晶圓上存在此等缺陷，仍無法對其進行取樣並添加至訓練組。因此，此等方法可能自一開始便有瑕疵。
訓練組擴增涉及擴增訓練組來改良損害篩選器之成熟度。此方法存在缺點的原因至少在於其對未知資料無效，此乃因將未知缺陷擴增至訓練組中且在不對分類器之效能造成負面影響之情況下進行擴增極其困難。
基於機器學習之損害篩選器之缺陷係一系列兩個篩選器應用於「被摒弃群體」。此群體佔據光學檢驗器上之資料量，此會導致輸送量風險。
因此，需要用於發現新缺陷之改良的方法、系統及設備。
本發明可體現為一種用於新穎缺陷發現之方法。該方法可包括：在一損害篩選器中設置一損害格區；將該缺陷群體劃分成一缺陷群體分割區；將該缺陷群體分割區分段成一缺陷群體區段；自該缺陷群體區段選擇一組選定缺陷；運算該缺陷群體區段中之該等缺陷之該等信號屬性之一或多個統計量；複製該組選定缺陷以得到所產生缺陷；將該等所產生缺陷移位至該缺陷群體區段之外；形成一訓練組；及訓練一個二元分類器。
本發明可體現為一種用於發現新穎缺陷之系統。該系統可包括：一檢驗工具、一電子儲存資料單元及一處理器。該檢驗工具可包括一粒子發射器、一載台及一偵測器。該粒子發射器可經組態而以一粒子束形式發射粒子。該等粒子可係光子。該載台可經組態以固持一晶圓。該晶圓可由該載台固持於由該粒子發射器發射之該粒子束之一路徑中。該偵測器可經組態以偵測由該晶圓反射之該等粒子之一部分，且可進一步得到一晶粒影像。該電子資料儲存單元可經組態以儲存一方案。該方案可包含一劃分規則。
該處理器可與該檢驗工具及/或該電子資料儲存單元進行電子通信。該處理器可經組態以針對一訓練晶圓：在一損害篩選器中設置一損害格區；將該缺陷群體劃分成一缺陷群體分割區；將該缺陷群體分割區分段成一缺陷群體區段；自該缺陷群體區段選擇一組選定缺陷；運算該缺陷群體區段中之該等缺陷之該等信號屬性之一或多個統計量；複製該組選定缺陷以得到所產生缺陷；將該等所產生缺陷移位至該缺陷群體區段之外；形成一訓練組；及訓練一個二元分類器。
本發明可體現為一非暫時性電腦可讀儲存媒體。該非暫時性電腦可讀儲存媒體可包括在一或多個運算裝置上執行多個步驟之一或多個程式。該等步驟可包含：在一損害篩選器中設置一損害格區；將該缺陷群體劃分成一缺陷群體分割區；將該缺陷群體分割區分段成一缺陷群體區段；自該缺陷群體區段選擇一組選定缺陷；運算該缺陷群體區段中之該等缺陷之該等信號屬性之一或多個統計量；複製該組選定缺陷以得到所產生缺陷；將該等所產生缺陷移位至該缺陷群體區段之外；形成一訓練組；及訓練一個二元分類器。
該損害格區可包含一缺陷群體。該缺陷群體可具有複數個缺陷。該缺陷群體中之每一缺陷可具有一信號屬性。另一選擇係，該缺陷群體中之每一缺陷可具有一或多個信號屬性。該信號屬性可包含能量、量值、位點相似度或多晶粒自動臨限值(MDAT)偏移。
可使用一劃分規則來進行該劃分。該劃分規則可包含一熱點、一區識別或具有至少一個注意區域之一注意區域群組中之一者。該至少一個注意區域可係一靈活注意區域
可使用一分段規則來進行該分段。該分段規則可包含在一光學影像情境空間中基於一光學影像情境使用多樣性取樣來形成該等缺陷群體區段。該分段規則可替代地或亦包含基於設計之分組或型樣分組。
可使用一選擇規則來進行該選擇。該選擇規則可包含缺陷相像性、隨機選擇或信號空間中之離群值取樣。該組缺陷可包含至少兩個缺陷。
可使用該一或多個統計量來進行該移位。該一或多個統計量可包含該缺陷群體區段中之該等信號屬性之一標準偏差或一平均值。
可藉由將該組選定缺陷標記為損害且將該等所產生缺陷標記為所關注缺陷來形成該訓練組。
可使用訓練組來訓練該二元分類器。可訓練缺陷群體區段中之每一者中之一個二元分類器。每一個二元分類器可包含一新穎缺陷格區及一真正損害格區。該新穎缺陷格區與該真正損害格區可具有同一分類邊界，該分類邊界經組態以將該缺陷區段群體分離至該新穎缺陷格區及該真正損害格區中。可基於一缺陷之一信號屬性强度來進行該分離。
可自動地調整該分類邊界以將該新穎缺陷格區中真正損害之一數量最小化。在某些實施例中，可在自動地調整該分類邊界之後由一使用者人工地進一步調整該分類邊界以更新該新穎缺陷格區中真正損害之該數量。
相關申請案之交叉參考
本申請案主張2018年3月19日提出申請之第62/645,086號美國臨時申請案之優先權，所述臨時申請案之全部揭示內容特此以引用的方式併入。
儘管將依據一些實施例闡述所主張標的物，但其他實施例(包含不提供本文中所述之全部益處及特徵之實施例在內)亦在本發明之範疇內。可做出各種結構改變、邏輯改變、程序步驟改變及電子改變，而這並不背離本發明之範疇。因此，本發明之範疇僅參考隨附申請專利範圍來界定。
本文中所揭示之實施例包含方法、系統及設備，該等方法、系統及設備克服基於機器學習之損害篩選器相對於人工形成之損害篩選器之缺點。此等實施例有效地消除漏掉後續晶圓上的在對篩選器進行訓練時未知之缺陷的風險，亦即其能够發現先前並不包含於一訓練組中之未知缺陷。此等實例將新能力引入至訓練程序中，該等新能力使基於機器學習之損害篩選器解決方案成為人工形成之損害篩選器之一更佳替代方案。此等實施減少方案設定期間的人工干預，且啓用機器學習方法來簡化檢驗方案設定，而非傳統地在初始損害篩選器設定期間需要作出大量努力來確保不會漏掉後續晶圓上的缺陷。
圖2繪示一篩選器200之一實施例，篩選器200包括一第一級篩選器及一第二級篩選器。該第一級篩選器可包括：一智慧分類引擎節點201；格區202，其可表示(舉例而言)智慧分類引擎類別碼1；及格區203，其可表示(舉例而言)智慧分類引擎類別碼99。此等智慧分類引擎類別碼係實例，且在篩選期間可存在更多智慧分類引擎類別碼。一智慧分類引擎可係一基於機器學習之損害篩選器，且一智慧分類引擎節點可係插入至一決策樹中之一基於機器學習之損害篩選器。在智慧分類引擎節點201處，可基於缺陷之智慧分類引擎類別碼而將該等缺陷歸類至格區202及格區203中。可將格區203歸類成格區204及新穎存在節點205。可將格區203中低於一第一臨限值之缺陷歸類至格區204中。可將格區203中高於第一臨限值之缺陷歸類至新穎存在節點205中。第二級篩選器可包括新穎存在節點205、新穎缺陷格區206及損害格區207。可自動地形成新穎存在節點205以將新穎缺陷自損害格區207篩選至新穎缺陷格區206中。
與放寬一第一級篩選器之可接受度且然後對通過第一級篩選器之缺陷執行後續篩選不同，本發明之第二篩選器之實施例適用於本來被級1篩選器作為損害而摒弃之彼等缺陷。因此，若關於訓練晶圓而對級1篩選器進行恰當組態，則級2篩選器捕捉訓練晶圓上不存在之雜訊及缺陷。因此，可使用具有更大準確度之臨限值來劃定一雜訊底部(noise floor)。
可基於一臨限值將缺陷及損害歸類至格區204及新穎存在節點205中。可基於已知缺陷依據損害率及缺陷上限率(cap rate)來判定缺陷與損害之間的該臨限值。
可根據圖3中所繪示的作為方法300的本發明之一實施例來形成新穎存在節點205及新穎缺陷格區206。根據本發明之一方法300可包含設置一損害格區，301。損害格區可包含一缺陷群體或第一複數個缺陷，其中損害格區(301)內之每一缺陷具有至少一個信號屬性。一信號屬性可係能量、量值、位點相似度、多晶粒自動臨限值(MDAT)偏移等等。該等屬性中之某些屬性可(舉例而言)描述缺陷之最大信號强度，且其他屬性可相對於周圍雜訊特性來描述信號之空間跨度或信號强度。缺陷可能存在一種信號屬性，或者缺陷可能存在複數種信號屬性。
在新穎存在節點205內，可基於一劃分規則劃分缺陷群體，302。此劃分302之結果可包含一缺陷群體分割區或第二複數個缺陷。劃分規則可包含一注意區域群組(CAG)、熱點、區識別或另一形式之注意區域群組碼分組。注意區域群組可包含一或多個規則注意區域或彈性注意區域或其任何組合。一注意區域可係一經界定幾何形狀，在該幾何形狀內執行檢驗。一靈活注意區域係適應幾何形狀之一些變化之一注意區域。另一選擇係，劃分規則可包含區識別(區ID)。可在劃分302中使用之注意區域群組之實例包含圖4中所繪示之注意區域群組規則401或402。
可依據一分段規則將每一分割區內之群體(亦即，該第二複數個缺陷)分段，303，該分段規則可係一情境型樣。此分段(303)之結果可包含一缺陷群體區段或第三複數個缺陷。該分段規則或情境型樣可包含光學片塊及多樣性取樣，基於一光學影像情境在一光學影像情境空間中使用多樣性取樣或使用設計及任何型樣分組方法來形成缺陷群體區段。此一型樣分組可係基於設計之分組(DBG)。可使用DBG來將依據(舉例而言)注意區域群組規則401及402所形成之一缺陷群體分割區分別分段成基於設計之群組501及502，如圖5中所繪示。另一選擇係，可使用光學片塊及多樣性取樣來將依據(舉例而言)注意區域群組規則401及402所形成之一缺陷群體分割區分段，以發現情境特徵並將其分別歸到情境多樣性格區601及602中，如圖6中所繪示。
可使用一選擇規則而自缺陷群體區段(亦即，該第三複數個缺陷)選擇之一組選定缺陷，304。圖7中繪示一組選定缺陷之一實例。注意，圖7之實例中展示六個所偵測到之缺陷位置。在經由DBG進行分段303之實施例中，選擇(304)中所使用之選擇規則可經組態以在區段內選擇隨機缺陷。在其中經由在一光學影像情境空間中基於一光學影像情境使用多樣性取樣形成缺陷群體區段來進行分段(303)的實施例中，選擇(304)中所使用之選擇規則可經組態以選擇具有最類似情境之缺陷或一「缺陷相像性」功能性。缺陷相像性功能性係判定存在最類似缺陷(諸如，在缺陷當中光學情境最類似之彼等缺陷)的一功能。
利用缺陷群體區段中之缺陷，可運算其信號屬性之統計量，305。統計量中之一者可係一標準偏差。在某些實施例中，亦計算一平均值或一中位數。
缺陷群體區段或第三複數個缺陷中之缺陷可形成具有一邊界之一缺陷叢集或缺陷雲。該邊界可處於一信號空間中，且所量測之數量可係一信號屬性。缺陷群體區段之邊界可包括一或多個信號屬性在信號空間中之統計分布。此統計分布之量度可包含標準偏差或平均值。然後，可使用此統計分布來判定缺陷群體區段中之缺陷叢集或缺陷雲。
可複製該組選定缺陷以形成所產生缺陷，306。可將所產生缺陷移位，使得其處於缺陷群體區段或缺陷叢集之外，307。缺陷群體區段或叢集之邊界可用於界定一新穎缺陷格區之一分類邊界。可使用在305處計算出之信號屬性之統計量來執行移位307。舉例而言，可將在305處計算標準偏差而得出之一信號屬性移位若干個(整數或分數)標準偏差，以在統計學上區別所產生組中之缺陷與缺陷群體區段中之缺陷。此可被稱為將一組所產生選定缺陷移位至缺陷群體區段之外，該組所產生選定缺陷可被稱為一叢集。此等所產生缺陷可界定將針對新穎缺陷格區而建立分類邊界，或改良對該分類邊界之界定。
圖8中繪示此缺陷產生之一實施例。在圖8中，複製來自一組選定缺陷之一缺陷801並將其移位以得到所產生缺陷802。圖9繪示已經受此一程序之複數個缺陷。舉例而言，複製並移位一組選定缺陷901以得到所產生缺陷902及903。可(舉例而言)藉由將一信號屬性增大若干個(整個或分數)標準偏差以得到跨越本文中所闡述之一組選定缺陷之信號屬性來移位所產生缺陷902及903。因此，複製組902及903包括所產生缺陷。
在複製306及移位307之後，在308處，可使用該組選定缺陷及該等所產生缺陷來形成一訓練組。可藉由將在303中分段之缺陷群體區段中之缺陷標記為「損害」且將在306及307處產生之所複製及所移位之所產生缺陷標記為「真正」或DOI來實現訓練組產生308。可使用區別所產生缺陷與缺陷群體區段之任何其他適合之缺陷標記或缺陷指定。此缺陷標記可係二元的，即(舉例而言)藉由針對每一注意區域群組碼標記損害及DOI來在每一分段情境中區別損害與DOI。
然後，可在309處使用308中所產生之訓練組來在一情境中訓練一智慧分類引擎模型以得到一經訓練ICE模型。經訓練智慧分類引擎可包含一新穎缺陷格區，諸如新穎缺陷格區206，其可具有一分類邊界，該分類邊界將其與損害格區207區分開。在某些實施例中，ICE模型可係二元的。可對經訓練ICE模型進行訓練之情境包含一區、注意區域群組或DBG格區。
訓練309可包含建立如圖10中所繪示之一分類邊界1004。圖10展示一缺陷群體區段1002內在其他未選定缺陷當中的一組選定缺陷1003。可與缺陷群體區段1002對應地建立一損害格區1001，其中一分類邊界1004區分損害格區1001與一新穎缺陷格區1005。在新穎缺陷格區1005內，可存在所產生缺陷1006及1007，其等被視為新穎缺陷。所產生缺陷1006及1007已藉由複製一組選定缺陷1003並將所產生缺陷1006及1007移位至缺陷群體區段1002之外而形成。
可在309處自動調諧或自動地調整分類邊界1004以保持新穎缺陷格區1005中之缺陷為零或一小部分。此可藉由相對於缺陷群體區段1002之統計分布調諧分類邊界1004來實現。
在本發明之另一實施例中，圖11中繪示形成一第二級新穎存在篩選器或新穎缺陷篩選器之一方法1100。方法1100可在1101處開始：依據一區或注意區域群組碼來劃分一缺陷群體。
程序可在1102處基於設計之分格(DBB)是否可用而發生分化。
在基於設計之分格可用之實施例中，在1103處可依據DBG將每一區或注意區域群組分段，且可在1104處自每一DBG格區選擇一組隨機選擇缺陷以得到一組選定缺陷。
在基於設計之分格不可用之實施例中，在1105處，可使用每一區或注意區域群組來使用情境特徵在每一區或注意區域群組形成一或多個多樣性格區。在1106處，可自每一多樣性格區選擇具有最類似情境之一組所選擇缺陷，因此得到一組選定缺陷。
在於1104或1106處形成每一組選定缺陷之情況下，可在1107處針對每一組選定缺陷分析雜訊統計量以判定信號屬性之統計量。然後在1108處，可藉由基於在1107處所執行之分析複製缺陷之非信號屬性且減去信號屬性而自該組選定缺陷產生新缺陷，從而得到一所產生組。
在1109處，可分析每一組之雜訊統計量或信號屬性之統計量，且可形成具有較强信號之一組互補選定缺陷。
在形成新所產生組之後，在1110處，將所產生組標記為REAL或DOI，且將該組選定缺陷標記為損害。另外在1110處，可使用所標記缺陷來產生一訓練模型，該訓練模型可用於訓練具有一情境區段之一模型，該情境區段包括具有一分類邊界之一新穎缺陷格區，諸如新穎缺陷格區206或1005。在1111處，可調諧每一情境區段內之分類邊界或邊界以劃定雜訊底部，舉例而言，自動調整成足够寬廣以保持一新穎缺陷格區或DOI格區為空的或僅將幾個缺陷置於新穎缺陷格區或DOI格區內。
然後在1112處，可藉由將情境模型組合至新穎存在節點中來最終確定新穎存在節點。
本發明具有優於現有方法及系統之數個優勢。提供一系統性且全自動之方法來針對各種情境及區劃定雜訊底部。提供用於捕捉尚未被觀測到且訓練組中不存在之缺陷的一可靠方法，亦即其在基於機器學習之損害篩選器中可靠地捕捉新穎存在。以一非侵入方式執行新穎存在捕捉，並不會使經訓練損害篩選器之效能降級。此方法顯著減小漏掉在BBP檢驗中具有信號之缺陷之風險。此方法簡化使用基於機器學習之損害篩選器之方案設定。此方法使得BBP檢驗不容易漏掉缺陷。此方法亦能够穩健地在各生產批次中發現新穎存在。
可根據使用案例以各種逼近程度來在每一情境中執行對分類邊界之自動調諧。舉例而言，格區206或1005可係空的，或可含有某一小數目個缺陷。可在一自動調整之後視需要人工調整置信度分割線。所產生缺陷之信號强度應足够大以允許達成100%區分。
若DOI格區中可容許存在真正損害，則可使用相同之方法。若真正損害被指派至一不同「真正」格區，則在可出現DOI之情境存在真正缺陷之情況下，新穎存在節點可必須適用於DOI及真正格區兩者。然而，使用無信號掃描電子顯微鏡(SEM)不可視(SNV)將真正損害分格至一損害格區中可能效果並不好。此乃因真正損害具有一信號，且因此作為離群值出現於信號空間中。使用監督式機器學習可改善真正損害中之一些損害，但並非所有損害皆能得到改善。將對此等真正損害進行檢驗，但不期望進行此檢驗。
若已知一組選定情境是漏掉的DOI的候選者，則本文中所揭示之方法亦可僅適用於該等情境。
本文中所揭示之方法意在在資料充足之情況解決問題直至損害篩選器「成熟」為止。然而，一些實施例亦可用於監測新缺陷之特定情境或所有情境，以加强新穎存在發現。
由於(舉例而言)格區206或格區1005之內含物並非用於缺陷監測之檢驗之一部分，因此可在方案使用期之始終動態地管理其內含物。亦即，當在後續晶圓上收集到新資料時，可動態地更新且調整分類邊界來應對程序變化。方案使用期內之此動態管理將需要(舉例而言)就生產批次自格區206或1005進行連續取樣。
圖12中展示一系統1200之一項實施例。系統1200包含基於光學之子系統1201。通常，基於光學之子系統1201經組態以藉由將光引導至試樣1202 (或使光在試樣1202上方進行掃描)並偵測來自試樣1202之光來產生基於光學之輸出。在一項實施例中，試樣1202包含一晶圓。該晶圓可包含此項技術中已知之任何晶圓。在另一實施例中，該試樣包含一倍縮光罩。該倍縮光罩可包含此項技術中已知之任何倍縮光罩。
在圖12中所展示之系統1200之實施例中，基於光學之子系統1201包含照射子系統，該照射子系統經組態以將光引導至試樣1202。該照射子系統包含至少一個光源。舉例而言，如圖12中所展示，照射子系統包含光源1203。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)引導至試樣1202。舉例而言，如圖12中所展示，將光自光源1203以一傾斜入射角穿過光學元件1204且然後穿過透鏡1205引導至試樣1202。傾斜入射角可包含可根據(舉例而言)試樣1202之特性而變化之任何適合之傾斜入射角。
基於光學之子系統1201可經組態以將光在不同時間以不同入射角引導至試樣1202。舉例而言，基於光學之子系統1201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12中展示之入射角不同之一入射角引導至試樣1202。在一項此類實例中，基於光學之子系統1201可經組態以移動光源1203、光學元件1204及透鏡1205，使得將光以一不同傾斜入射角或一法向入射角(或近乎法向的入射角)引導至試樣1202。
在某些例項中，基於光學之子系統1201可經組態以將光同時以一個以上入射角引導至試樣1202。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12中所展示之光源1203、光學元件1204及透鏡1205，且該等照射通道中之另一者(未展示)可包含可具有不同或相同之組態之類似元件，或可包含至少一光源以及可能包含一或多個其他組件(諸如，本文中進一步闡述之組件)。若將此類光與其他光同時引導至試樣，則以不同入射角引導至試樣1202之光之一或多個特性(例如，波長、偏振等)可有所不同，使得可在偵測器處將以不同入射角對試樣1202進行照射所得之光彼此區別。
在另一例項中，照射子系統可僅包含一個光源(例如，圖12中所展示之光源1203)，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試樣1202。多個照射通道可經組態以將光同時地或在不同時間引導至試樣1202 (例如，當使用不同照射通道來依序照射試樣時)。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試樣1202。舉例而言，在某些例項中，可將光學元件1204被組態為一光譜濾波器，且可以各種不同方式(例如，藉由置換光譜濾波器)改變光譜濾波器之性質，使得可在不同時間將不同波長的光引導至試樣1202。照射子系統可具有此項技術中已知之任何其他適合組態，以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引導至試樣1202。
在一項實施例中，光源1203可包含一寬頻電漿(BBP)源。如此一來，由光源1203產生且被引導至試樣1202之光可包含寬頻光。然而，該光源可包含任何其他適合之光源，諸如一雷射。雷射可包含此項技術中已知之任何適合雷射，且可經組態以在此項技術中已知之任一或多個適合波長下產生光。另外，雷射可經組態以產生單色或近乎單色之光。如此一來，雷射可係一窄頻雷射。光源1203亦可包含一多色光源，該多色光源在多個離散波長或波段下產生光。
可藉由透鏡1205將來自光學元件1204之光聚焦至試樣1202。儘管圖12中將透鏡1205展示為一單個折射光學元件，但應理解，實際上，透鏡1205可包含組合地將來自光學元件之光聚焦至試樣之若干個折射光學元件及/或反射光學元件。圖12中所展示且在本文中所闡述之照射子系統可包含任何其他適合之光學元件(未展示)。此類光學元件之實例包含(但不限於)偏光組件、光譜濾波器、空間濾波器、反射光學元件、切趾器、分束器(例如，分束器1213)、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，該基於光學之子系統1201可經組態以基於將用於產生基於光學之輸出之照射類型來更改照射子系統之元件中之一或多者。
基於光學之子系統1201亦可包含一掃描子系統，該掃描子系統經組態以使光在試樣1202上方進行掃描。舉例而言，基於光學之子系統1201可包含載台1206，在基於光學之輸出產生期間試樣1202放置於載台1206上。掃描子系統可包含任何適合的機械及/或機器人總成(包含載台1206)，機械及/或機器人總成可經組態以移動試樣1202使得光可在試樣1202上方進行掃描。另外或另一選擇係，基於光學之子系統1201可經組態以使得基於光學之子系統1201之一或多個光學元件使光在試樣1202上方執行某種程度之掃描。可使光在試樣1202上方以任何適合的方式進行掃描，諸如按照一蛇形路徑或按照一螺旋形路徑。
基於光學之子系統1201進一步包含一或多個偵測通道。該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量測子系統對試樣1202進行照射而來自試樣1202之光，且回應於所偵測到光而產生輸出。舉例而言，圖12中所展示之基於光學之子系統1201包含兩個偵測通道，其中一者係由集光器1207、元件1208及偵測器1209形成，且另一者係由集光器1210、元件1211及偵測器1212形成。如圖12中所展示，該兩個偵測通道經組態而以不同的聚集角度聚集並偵測光。在某些例項中，兩個偵測通道皆經組態以偵測散射光，且偵測通道經組態以偵測自試樣1202以不同角度散射之光。然而，偵測通道中之一或多者可經組態以自試樣1202偵測另一類型之光(例如，反射光)。
如圖12中進一步展示，兩個偵測通道皆被展示為定位於紙張之平面中，且照射子系統亦被展示為定位於紙張之平面中。因此，在此實施例中，兩個偵測通道皆定位於入射平面中(例如，以該入射平面為中心)。然而，偵測通道中之一或多者可定位於入射平面之外。舉例而言，由集光器1210、元件1211及偵測器1212形成之偵測通道可經組態以聚集並偵測自入射平面散射出去之光。因此，此一偵測通道可通常被稱為一「側」通道，且此一側通道可以與入射平面實質上垂直之一平面為中心。
儘管圖12展示包含兩個偵測通道之基於光學之子系統1201之一實施例，但基於光學之子系統1201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)。在一個此例項中，由集光器1210、元件1211及偵測器1212形成之偵測通道可形成上文所闡述之一個側通道，且基於光學之子系統1201可包含一額外偵測通道(未展示)，該額外偵測通道形成為定位於入射平面之相對側上之另一側通道。因此，基於光學之子系統1201可包含偵測通道，該偵測通道包含集光器1207、元件1208及偵測器1209且以入射平面為中心且經組態而以(多個)散射角度下聚集並偵測光，該等散射角度在試樣1202之表面處或近乎法向於試樣1202之表面。因此，此偵測通道可通常被稱為一「頂部」通道，且基於光學之子系統1201亦可包含按照上文之闡述而組態之兩個或兩個以上側通道。如此，基於光學之子系統1201可包含至少三個通道(亦即，一個頂部通道且兩個側通道)，且至少三個通道中之每一者具有其自己之集光器，該等集光器中之每一者經組態而以與其他集光器中之每一者不同之散射角度聚集光。
如上文進一步闡述，基於光學之子系統1201中所包含之偵測通道中之每一者可經組態以偵測散射光。因此，圖12中所展示之基於光學之子系統1201可經組態以針對試樣1202產生暗場(DF)輸出。然而，基於光學之子系統1201亦可或替代地包含經組態以針對試樣1202產生明場(BF)輸出之偵測通道。換言之，基於光學之子系統1201可包含經組態以偵測自試樣1202鏡面反射之光的至少一個偵測通道。因此，本文中所闡述之基於光學之子系統1201可經組態以僅進行DF成像、僅進行BF成像或進行DF及BF成像兩者。儘管圖12中將集光器中之每一者在展示為單個折射光學元件，但應理解，該等集光器中之每一者可包含一或多個折射光學晶粒及/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的偵測器。舉例而言，偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時間延遲積分(TDI)相機、及此項技術中已知之任何其他適合的偵測器。該等偵測器亦可包含非成像偵測器或成像偵測器。如此說來，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，强度)但不可經組態以依據成像平面內之位置而偵測此類特性。如此，由包含於基於光學之子系統之偵測通道中之每一者中之偵測器中之每一者所產生之輸出可係信號或資料，但非影像信號或影像資料。在此等例項中，一處理器(諸如，處理器1214)可經組態以依據偵測器之非成像輸出產生試樣1202之影像。然而，在其他例項中，可將偵測器組態為成像偵測器，該等成像偵測器經組態以產生成像信號或影像資料。因此，基於光學之子系統可經組態以以若干種方式產生光學影像或本文中所闡述之其他基於光學之輸出。
注意，本文中提供圖12以大體圖解說明一基於光學之子系統1201之一組態，基於光學之子系統1201可包含於本文中所闡述之系統實施例中，或可產生供本文中所闡述之系統實施例使用之基於光學之輸出。可更改本文中所闡述之基於光學之子系統1201組態以最佳化光學子系統之效能，在設計一商業輸出檢出系統時通常會執行此更改。另外，可使用一現有系統(例如，藉由將本文中所闡述之功能性添加至一現有系統)來實施本文中所闡述之系統。針對某些此類系統，可將本文中所闡述之方法設置為該系統之選用功能性(例如，除該系統之其他功能性之外)。另一選擇係，可將本文中所闡述之系統設計為一全新的系統。
處理器1214可以任何適合方式(例如，經由一或多個傳輸媒體，其可包含有線傳輸媒體及/或無線傳輸媒體)耦合至系統1200之組件，使得處理器1214可接收輸出。處理器1214可經組態以使用輸出來執行若干種功能。系統1200可自處理器1214接收指令或其他資訊。處理器1214及/或電子資料儲存單元1215視情況可與一晶圓檢驗工具，一晶圓度量工具或一晶圓檢視工具(未圖解說明)進行電子通信以接收額外資訊或發送指令。舉例而言，處理器1214及/或電子資料儲存單元1215可與一SEM進行電子通信。
本文中所闡述之處理器1214、其他系統或其他子系統可係各種系統之一部分(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)。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，子系統或系統可包含具有高速處理及軟體之一電腦平台作為一獨立工具或一網路連線工具。
處理器1214及電子資料儲存單元1215可安置於系統1200或另一裝置中，或者可係系統1200或另一裝置之一部分。在一實例中，處理器1214及電子資料儲存單元1215可係一獨立控制單元之一部分或可位於一中央品質控制單元中。可使用多個處理器1214或電子資料儲存單元1215。
實際上，可藉由硬體、軟體及韌體之任何組合來實施處理器1214。此外，本文中所闡述的處理器1214之功能可由一個單元執行，或可在不同組件間進行分配，該等不同組件中之每一者又可藉由硬體、軟體及韌體之任何組合來實施。可將處理器1214用以實施各種方法及功能之程式碼或指令儲存於可讀儲存媒體中，諸如儲存於電子資料儲存單元1215中之一記憶體或其他記憶體中。
若該系統1200包含一個以上處理器1214，則不同電腦子系統可耦合至彼此使得影像、資料、資訊、指令等可在電腦子系統之間發送，如本文中進一步闡述。舉例而言，一個子系統可藉由任何適合的傳輸媒體耦合至額外子系統，該等傳輸媒體可包含此項技術中已知之任何適合有線傳輸媒體及/或無線傳輸媒體。此等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)有效地耦合。
處理器1214可經組態以使用系統1200之輸出或其他輸出來執行若干種功能。舉例而言，處理器1214可經組態以將輸出發送至一電子資料儲存單元1215或另一儲存媒體。可按照本文中之闡述來對處理器1214進行進一步組態。
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、指令等可在該等子系統之間發送。舉例而言，一個子系統可藉由任何適合的傳輸媒體耦合至額外子系統，該等傳輸媒體可包含此項技術中已知之任何適合的有線及/或無線傳輸媒體。此等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)有效地耦合。
可根據本文中所闡述之實施例中之任一者來對處理器1214進行組態。處理器1214亦可經組態以使用系統1200之輸出或使用來自其他源之影像或資料來執行其他功能或額外步驟。
藉由以下各項中之一或多者實施本文中所揭示之系統1200及方法之步驟、功能及/或操作：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控件/開關、微控制器或運算系統。實施方法(例如，本文中所闡述之方法)之程式指令可經由載體媒體傳輸或儲存於載體媒體上。載體媒體可包含一儲存媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、一非揮發性記憶體、一固態記憶體、一磁帶等。一載體媒體可包含一傳輸媒體，諸如一導線、纜線或無線傳輸鏈路。舉例而言，可藉由一單個處理器1214或替代地藉由多個處理器1214來實施本發明通篇所闡述之各種步驟。此外，系統1200之不同子系統可包含一或多個運算系統或邏輯系統。因此，以上說明不應解釋為限制本發明，而是僅係一圖解說明。
在一例項中，處理器1214與系統1200進行通信。處理器1214可經組態以針對一訓練晶圓：在一損害篩選器中設置一損害格區，將缺陷群體劃分成一缺陷群體分割區，將缺陷群體分割區分段成一缺陷群體區段，自該缺陷群體區段選擇一組選定缺陷，運算缺陷群體區段中之缺陷之信號屬性之一或多個統計量，複製該組選定缺陷以得到所產生缺陷，將該等所產生缺陷移位至缺陷群體區段之外，形成一訓練組，且訓練一個二元分類器。
當在處理器1214上執行時，損害格區可包含一缺陷群體。該缺陷群體可具有複數個缺陷。缺陷群體中之每一缺陷可具有一信號屬性。另一選擇係，缺陷群體中之每一缺陷可具有一或多個信號屬性。該信號屬性可包含能量、量值、位點相似度或多晶粒自動臨限值(MDAT)偏移。
處理器1214可使用一劃分規則來執行劃分。該劃分規則可包含一熱點、一區識別或具有至少一個注意區域之一注意區域群組中之一者。該至少一個注意區域可係一靈活注意區域。
處理器1214可使用一分段規則來執行分段。該分段規則可包含在一光學影像情境空間中基於一光學影像情境使用多樣性取樣來形成缺陷群體區段。該分段規則可替代地或亦包含基於設計之分組或型樣分組。
處理器1214可使用一選擇規則來執行選擇。該選擇規則可包含缺陷相像性、隨機選擇或信號空間中之離群值取樣。該組缺陷可包含至少兩個缺陷。
處理器1214可使用一或多個統計量來執行移位。該一或多個統計量可包含缺陷群體區段中之信號屬性之一標準偏差或一平均值。
處理器1214可藉由將一組選定缺陷標記為損害且將所產生缺陷標記為所關注缺陷來形成訓練組。
處理器1214可使用訓練組來訓練二元分類器。可在缺陷群體區段中之每一者中訓練一個二元分類器。每一個二元分類器可包含一新穎缺陷格區及一真正損害格區。新穎缺陷格區與真正損害格區可共用一分類邊界，該分類邊界經組態以將缺陷區段群體分離至新穎缺陷格區及真正損害格區中。可基於每一缺陷之一信號屬性强度來進行該分離。
處理器1214可自動地調整分類邊界以將新穎缺陷格區中之真正損害之一數量最小化。在某些實施例中，在自動調整分類邊界之後，可由一使用者人工地進一步調整分類邊界以更新新穎缺陷格區中之真正損害之數量。
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控制器上執行以執行用於在一試樣1202之一表面上判定一照射區之一高度之一電腦實施方法，如本文中所揭示。特定而言，如圖12中所展示，電子資料儲存單元1215或其他儲存媒體可含有非暫時性電腦可讀媒體，該非暫時性電腦可讀媒體包含可在處理器1214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(包含方法300及1100)之任何步驟。
實施方法(諸如，本文中所闡述之方法)之程式指令可儲存於電腦可讀媒體上，諸如儲存於電子資料儲存單元1215或其他儲存媒體中。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的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/或物件導向技術等等。舉例而言，可視需要使用ActiveX控件、C++物件、JavaBeans、微軟基礎類別(MFC)、流式傳輸SIMD擴展(SSE)或其他技術或方法來實施該等程式指令。
在操作中，一旦調諧一第一級損害篩選器，便起始第二級損害篩選器之形成。一操作者可藉由形成一捕獲所有新穎缺陷格區來起始此形成。可根據方法300或1100形成格區。可相對於一雜訊底部而自動調諧捕獲所有新穎缺陷格區之靈敏度。就訓練晶圓而言，捕獲所有新穎缺陷格區可係空的。
先前的缺陷發現方法及系統緩慢、需要人工輸入及臆測，且經常漏掉本來期望捕捉到之缺陷。本發明呈現藉由判定本將會被漏掉之缺陷之存在來改良缺陷發現功能性之方法、系統及設備。
本文中所揭示之各種實施例及實例中所闡述之方法之步驟足以實施本發明之方法。因此，在一實施例中，該方法本質上由本文中所揭示之方法之步驟之一組合組成。在另一實施例中，該方法由該等步驟組成。
儘管已關於一或多項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。
100‧‧‧基於機器學習之損害篩選器
101‧‧‧智慧分類引擎節點
102‧‧‧格區
103‧‧‧格區
104‧‧‧調諧格區/格區
105‧‧‧格區
200‧‧‧篩選器
201‧‧‧智慧分類引擎節點
202‧‧‧格區
203‧‧‧格區
204‧‧‧格區
205‧‧‧節點
206‧‧‧新穎缺陷格區/格區
207‧‧‧損害格區
300‧‧‧方法
301‧‧‧步驟
302‧‧‧步驟
303‧‧‧步驟
304‧‧‧步驟
305‧‧‧步驟
306‧‧‧步驟
307‧‧‧步驟
308‧‧‧步驟
309‧‧‧步驟
401‧‧‧注意區域群組規則
402‧‧‧注意區域群組規則
501‧‧‧群組
502‧‧‧群組
601‧‧‧情境多樣性格區
602‧‧‧情境多樣性格區
801‧‧‧缺陷
802‧‧‧所產生缺陷
901‧‧‧選定缺陷
902‧‧‧所產生缺陷/複製組
903‧‧‧所產生缺陷/複製組
1001‧‧‧損害格區
1002‧‧‧缺陷群體區段
1003‧‧‧選定缺陷
1004‧‧‧分類邊界
1005‧‧‧新穎缺陷格區/格區
1006‧‧‧所產生缺陷
1007‧‧‧所產生缺陷
1100‧‧‧方法
1101‧‧‧步驟
1102‧‧‧步驟
1103‧‧‧步驟
1104‧‧‧步驟
1105‧‧‧步驟
1106‧‧‧步驟
1107‧‧‧步驟
1108‧‧‧步驟
1109‧‧‧步驟
1110‧‧‧步驟
1111‧‧‧步驟
1112‧‧‧步驟
1200‧‧‧系統
1201‧‧‧基於光學之子系統
1202‧‧‧試樣
1203‧‧‧光源
1204‧‧‧光學元件
1205‧‧‧透鏡
1206‧‧‧載台
1207‧‧‧集光器
1208‧‧‧元件
1209‧‧‧偵測器
1210‧‧‧集光器
1211‧‧‧元件
1212‧‧‧偵測器
1213‧‧‧分束器
1214‧‧‧處理器
1215‧‧‧電子資料儲存單元
為更全面地理解本發明之性質及目標，應結合附圖參考以下詳細說明，在附圖中。
圖1圖解說明根據一先前方法之一基於機器學習之損害篩選器；
圖2圖解說明根據本發明之一損害篩選器；
圖3圖解說明根據本發明實施例之一方法；
圖4圖解說明根據本發明實施例之注意區域群組；
圖5圖解說明根據本發明實施例之基於設計之群組；
圖6圖解說明根據本發明實施例之情境多樣性格區；
圖7圖解說明根據本發明實施例之選定缺陷；
圖8圖解說明根據本發明實施例之一所產生缺陷之產生；
圖9圖解說明根據本發明實施例之數組所產生缺陷之產生；
圖10圖解說明根據本發明實施例之一新穎缺陷格區、一損害格區及相關缺陷；
圖11圖解說明根據本發明實施例之一方法；且
圖12圖解說明根據本發明實施例之一系統。

Claims (20)

  1. 一種缺陷發現方法，其包括： 在一損害篩選器中設置一損害格區，該損害格區包含具有複數個缺陷之一缺陷群體，其中每一缺陷具有一信號屬性； 使用一劃分規則來將該缺陷群體劃分成一缺陷群體分割區； 使用一分段規則來將該缺陷群體分割區分段成一缺陷群體區段； 使用一選擇規則而自該缺陷群體區段選擇一組選定缺陷，該組選定缺陷包含至少兩個缺陷； 運算該缺陷群體區段中之該等缺陷之該等信號屬性之一或多個統計量； 複製該組選定缺陷以得到所產生缺陷； 使用該一或多個統計量將該等所產生缺陷移位至該缺陷群體區段之外； 形成一訓練組，在該訓練組中將該組選定缺陷標記為損害，且將該等所產生缺陷標記為所關注缺陷；及 使用該訓練組來訓練該等缺陷群體區段中之每一者中之一個二元分類器，其中該二元分類器包含一新穎缺陷格區及一真正損害格區，其中該新穎缺陷格區與該真正損害格區共用一分類邊界，該分類邊界經組態以基於每一缺陷之一信號屬性强度來將該缺陷區段群體分離至該新穎缺陷格區及該真正損害格區中。
  2. 如請求項1之方法，其中該一或多個統計量包含該缺陷群體區段中之該等缺陷之該等信號屬性之一標準偏差或一平均值。
  3. 如請求項1之方法，其中該信號屬性包含能量、量值、位點相似度或多晶粒自動臨限值偏移。
  4. 如請求項1之方法，其中該劃分規則包含以下各項中之一者：一熱點、一區識別或具有至少一個注意區域之一注意區域群組。
  5. 如請求項4之方法，其中該至少一個注意區域係一靈活注意區域。
  6. 如請求項1之方法，其中該分段規則包含在一光學影像情境空間中基於一光學影像情境使用多樣性取樣來形成該等缺陷群體區段。
  7. 如請求項1之方法，其中該分段規則包含基於設計之分組或型樣分組。
  8. 如請求項1之方法，其中該選擇規則包含缺陷相像性、隨機選擇或信號空間中的離群值取樣。
  9. 如請求項1之方法，其中自動地調整該分類邊界以將新穎缺陷格區中真正損害之一數量最小化。
  10. 如請求項9之方法，其中在自動地調整該分類邊界之後，由一使用者人工地調整該分類邊界以更新該新穎缺陷格區中真正損害之該數量。
  11. 一種用於發現缺陷之系統，其包括： 一檢驗工具，其包括： 一粒子發射器，其經組態來以一粒子束形式發射粒子， 一載台，其經組態以將一晶圓固持於由該粒子發射器發射之該粒子束之一路徑中，及 一偵測器，其經組態以偵測該晶圓反射之該等粒子之一部分並得到一晶粒影像； 一電子資料儲存單元，其經組態以儲存一方案，該方案包含一劃分規則；以及 一處理器，其與該檢驗工具及該電子資料儲存單元進行電子通信，該處理器經組態以針對一訓練晶圓來： 在一損害篩選器中設置一損害格區，該損害格區包含具有複數個缺陷之一缺陷群體，其中每一缺陷具有一信號屬性； 使用該劃分規則來將該缺陷群體劃分成一缺陷群體分割區； 使用一分段規則來將該缺陷群體分割區分段成一缺陷群體區段； 使用一選擇規則而自該缺陷群體區段選擇一組選定缺陷，該組選定缺陷包含至少兩個缺陷； 運算該缺陷群體區段中之該等缺陷之該等信號屬性之一或多個統計量； 複製該組選定缺陷以得到所產生缺陷； 使用該一或多個統計量將該等所產生缺陷移位至該缺陷群體區段之外； 形成一訓練組，在該訓練組中將該組選定缺陷標記為損害，且將該等所產生缺陷標記為所關注缺陷；及 使用該訓練組來訓練該等缺陷群體區段中之每一者中之一個二元分類器，其中該二元分類器包含一新穎缺陷格區及一真正損害格區，其中該新穎缺陷格區與該真正損害格區共用一分類邊界，該分類邊界經組態以基於每一缺陷之一信號屬性强度來將缺陷區段群體分離至該新穎缺陷格區及該真正損害格區中。
  12. 如請求項11之系統，其中該等粒子係光子。
  13. 如請求項11之系統，其中該一或多個統計量包含該缺陷群體區段中之該等缺陷之該等信號屬性之一標準偏差或一平均值。
  14. 如請求項11之系統，其中該信號屬性包含能量、量值、位點相似度或多晶粒自動臨限值偏移。
  15. 如請求項11之系統，其中該劃分規則包含以下各項中之一者：一熱點、一區識別或具有至少一個注意區域之一注意區域群組。
  16. 如請求項11之系統，其中該分段規則包含在一光學影像情境空間中基於一光學影像情境使用多樣性取樣來形成該等缺陷群體區段。
  17. 如請求項11之系統，其中該分段規則包含基於設計之分組或型樣分組。
  18. 如請求項11之系統，其中自動地調整該分類邊界以將該新穎缺陷格區中損害之一數量最小化。
  19. 如請求項18之系統，其中在自動地調整該分類邊界之後，由一使用者人工地調整該分類邊界以更新該新穎缺陷格區中損害之該數量。
  20. 一種非暫時性電腦可讀儲存媒體，其包括用於在一或多個運算裝置上執行以下步驟之一或多個程式： 在一損害篩選器中設置一損害格區，該損害格區包含具有複數個缺陷之一缺陷群體，其中每一缺陷具有一信號屬性； 使用一劃分規則來將該缺陷群體劃分成一缺陷群體分割區； 使用一分段規則來將該缺陷群體分割區分段成一缺陷群體區段； 使用一選擇規則而自該缺陷群體區段選擇一組選定缺陷，該組選定缺陷包含至少兩個缺陷； 運算該缺陷群體區段中之該等缺陷之該等信號屬性之一或多個統計量； 複製該組選定缺陷以得到所產生缺陷； 使用該一或多個統計量將該等所產生缺陷移位至該缺陷群體區段之外； 形成一訓練組，在該訓練組中將該組選定缺陷標記為損害，且將該等所產生缺陷標記為所關注缺陷；及 使用該訓練組來訓練該等缺陷群體區段中之每一者中之一個二元分類器，其中該二元分類器包含一新穎缺陷格區及一真正損害格區，其中該新穎缺陷格區與該真正損害格區共用一分類邊界，該分類邊界經組態以基於每一缺陷之一信號屬性强度來將缺陷區段群體分離至該新穎缺陷格區及該真正損害格區中。
TW108109196A 2018-03-19 2019-03-18 用於新穎缺陷發現之損害探勘 TWI798386B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862645086P 2018-03-19 2018-03-19
US62/645,086 2018-03-19
US16/277,617 US11514357B2 (en) 2018-03-19 2019-02-15 Nuisance mining for novel defect discovery
US16/277,617 2019-02-15

Publications (2)

Publication Number Publication Date
TW201941327A true TW201941327A (zh) 2019-10-16
TWI798386B TWI798386B (zh) 2023-04-11

Family

ID=67905832

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108109196A TWI798386B (zh) 2018-03-19 2019-03-18 用於新穎缺陷發現之損害探勘

Country Status (5)

Country Link
US (1) US11514357B2 (zh)
KR (1) KR102685760B1 (zh)
CN (1) CN111801783B (zh)
TW (1) TWI798386B (zh)
WO (1) WO2019182923A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10801968B2 (en) * 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US11431976B2 (en) 2019-01-28 2022-08-30 Kla Corporation System and method for inspection using tensor decomposition and singular value decomposition
US11615993B2 (en) * 2019-11-21 2023-03-28 Kla Corporation Clustering sub-care areas based on noise characteristics
KR102296511B1 (ko) * 2020-11-17 2021-09-02 주식회사 트윔 제품 검사를 위한 학습 데이터 생성 장치, 방법 및 그 학습 데이터를 이용한 제품 검사 장치

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6999614B1 (en) 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
US6850321B1 (en) * 2002-07-09 2005-02-01 Kla-Tencor Technologies Corporation Dual stage defect region identification and defect detection method and apparatus
US7162071B2 (en) 2002-12-20 2007-01-09 Taiwan Semiconductor Manufacturing Co., Ltd. Progressive self-learning defect review and classification method
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570800B2 (en) 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
US9401013B2 (en) 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
US9607233B2 (en) 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification
JP6116261B2 (ja) * 2013-01-28 2017-04-19 キヤノン株式会社 バリア装置、レンズ鏡筒およびそれを備える撮像装置
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US9582869B2 (en) * 2014-10-19 2017-02-28 Kla-Tencor Corp. Dynamic binning for diversification and defect discovery
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US9835566B2 (en) * 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US9898811B2 (en) 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
JP6840129B2 (ja) * 2015-08-10 2021-03-10 ケーエルエー コーポレイション ウエハレベル欠陥の転写性を予測する装置および方法
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
TWI564741B (zh) 2016-01-25 2017-01-01 敖翔科技股份有限公司 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體
US10223615B2 (en) 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification

Also Published As

Publication number Publication date
CN111801783A (zh) 2020-10-20
KR102685760B1 (ko) 2024-07-16
US11514357B2 (en) 2022-11-29
WO2019182923A1 (en) 2019-09-26
CN111801783B (zh) 2023-09-01
KR20200123258A (ko) 2020-10-28
US20190287015A1 (en) 2019-09-19
TWI798386B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
TWI644378B (zh) 晶圓缺陷發現
TWI798386B (zh) 用於新穎缺陷發現之損害探勘
US10698325B2 (en) Performance monitoring of design-based alignment
KR20170086539A (ko) 프로세스 윈도우 특성묘사를 위한 가상 검사 시스템
KR102550474B1 (ko) 자율 결함 세그먼트화
US10557802B2 (en) Capture of repeater defects on a semiconductor wafer
JP7257511B2 (ja) 画像フレームに基づくアルゴリズムセレクタ
KR20200121907A (ko) 시뮬레이션과 광학 현미경 검사를 결합하여 검사 모드 결정
TW202041852A (zh) 使用內嵌缺陷資訊之晶粒篩選
WO2024144971A1 (en) Pattern segmentation for nuisance suppression