TW202013538A - 用於損害篩選之跨層共同─獨特分析 - Google Patents

用於損害篩選之跨層共同─獨特分析 Download PDF

Info

Publication number
TW202013538A
TW202013538A TW108113955A TW108113955A TW202013538A TW 202013538 A TW202013538 A TW 202013538A TW 108113955 A TW108113955 A TW 108113955A TW 108113955 A TW108113955 A TW 108113955A TW 202013538 A TW202013538 A TW 202013538A
Authority
TW
Taiwan
Prior art keywords
layer
defect
processor
image
attributes
Prior art date
Application number
TW108113955A
Other languages
English (en)
Other versions
TWI809094B (zh
Inventor
伯裘恩 布拉爾
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 TW202013538A publication Critical patent/TW202013538A/zh
Application granted granted Critical
Publication of TWI809094B publication Critical patent/TWI809094B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Water Treatment By Sorption (AREA)
  • Solid-Sorbent Or Filter-Aiding Compositions (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

篩選一半導體晶圓上之層之間的共同事件。共同事件應含有大多數所關注缺陷。僅保留該半導體晶圓上之層之間共同之損害事件，此降低損害率。可基於例如缺陷座標、一差異影像或缺陷屬性篩選跨層共同之缺陷。

Description

用於損害篩選之跨層共同-獨特分析
本發明係關於識別半導體晶圓上之缺陷。
半導體製造行業之演進對良率管理且尤其對計量及檢測系統提出更高要求。臨界尺寸繼續縮小，但行業需要縮短用於達成高良率、高價值生產之時間。最小化自偵測一良率問題至修復它之總時間判定一半導體製造商之投資報酬率。
製造半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量製造程序處理一半導體晶圓以形成各種特徵及多級半導體裝置。例如，微影係一種涉及將一圖案自一倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑之半導體製造程序。半導體製造程序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。多個半導體裝置可以一配置製造於單個半導體晶圓上且接著分成個別半導體裝置。
在半導體製造期間之各個步驟使用檢測程序來偵測晶圓上之缺陷以促成製造程序中之更高良率及因此更高利潤。檢測一直係製造半導體裝置(諸如積體電路(IC))之一重要部分。然而，隨著半導體裝置之尺寸減小，檢測對於可接受半導體裝置之成功製造而言變得更加重要，此係因為較小缺陷可能致使裝置失效。例如，隨著半導體裝置之尺寸減小，大小減小之缺陷之偵測變得必要，此係因為即使相對小缺陷亦可能致使半導體裝置中之非所要像差。
然而，隨著設計規則縮小，半導體製造程序可能更接近於程序之執行能力之極限而操作。另外，隨著設計規則縮小，較小缺陷可能對裝置之電參數具有一影響，此驅使更敏感檢測。隨著設計規則縮小，藉由檢測偵測之潛在良率相關缺陷之群體急劇增加，且藉由檢測偵測之損害缺陷之群體亦急劇增加。因此，可在晶圓上偵測更多缺陷，且校正程序以消除所有缺陷可能係困難且昂貴的。判定哪些缺陷實際上對裝置之電參數及良率具有一影響可允許程序控制方法專注於彼等缺陷，同時在很大程度上忽略其他缺陷。此外，在較小設計規則下，程序引發之故障在一些情況下傾向於係系統性的。即，程序引發之故障傾向於在通常在設計內重複多次之預定設計圖案下失效。消除空間系統性、電相關缺陷可能對良率具有一影響。
在製造期間對一半導體晶圓之光學檢測通常係一緩慢、手動程序。半導體製造工廠(晶圓廠)之缺陷團隊通常使用基於光學之工具進行晶圓檢測，但通常對缺陷執行掃描電子顯微鏡(SEM)檢視以進行驗證。因此，針對一光學檢測工具上檢測之每個層，接著在一SEM工具上檢視一經取樣之缺陷群體。經檢視之缺陷之手動分類係繁瑣且耗時的。晶圓廠使用自動偵測及分類方案來節省缺陷分類中涉及之時間及精力。然而，自動偵測及分類方案具有限制且並非一人類分類之一取代方案。除需要大運算能力之外，自動偵測及分類方案傾向於出現損害或多個非重要缺陷之例項。一半導體層之一最佳檢測配方應偵測儘可能多之所關注缺陷(DOI)，同時保持一實質上低之損害率。
一種技術運行一「熱」檢測，由此增加偵測DOI之可能性，但代價係實質上高之損害率。一熱檢測可更激進地(更熱地)運行，此意謂著具有實質上激進之缺陷偵測臨限值，使得偵測到多於一調諧檢測中所期望之事件(包含缺陷及損害事件)。以此方式，歸因於實質上高之損害事件偵測，此一檢測對於生產監測將係無用的。
接著，使用者將晶圓帶至一SEM進行檢視。使用者使用SEM檢視缺陷且將缺陷分類為真實、損害或DOI。一旦對各類型之缺陷執行充分分類，使用者即可嘗試設定缺陷偵測參數值以形成將充分偵測DOI且具有儘可能少之經偵測損害缺陷之一配方。分類之缺陷越多，配方就越好。接著，使用者可使用新配方重新檢測晶圓且使用SEM來檢視使用新配方在晶圓上偵測之缺陷。以此方式，可以一反覆方式執行重新檢測及缺陷檢視，直至使用者基於缺陷檢視結果判定可藉由配方達成令人滿意之缺陷偵測。此係一緩慢、勞動密集型程序。
已使用檢測層缺陷屬性篩選損害。然而，此提出一問題，因為DOI及損害傾向於具有類似缺陷屬性。此防止DOI及損害之充分分離。
缺陷源分析(DSA)可篩選先前層損害。DSA可係基於座標或基於影像。自一較後層移除一較前層以找到事件。DSA將先前層與當前層之間的共同事件視為損害。此可能僅在先前層中亦存在當前層損害且先前層不具有DOI的情況下有效。此技術將錯過兩層中存在之缺陷且可能將損害視作DOI。DOI可被引入於一先前層中，但DOI信號開始變弱且在一後續層中增加。
多模式損害減少(諸如影像融合)亦用來減少損害。此技術假定具有不同模式之成像缺陷將允許DOI及損害事件之分離。然而，大多數DOI及損害傾向於在不同模式中彼此類似，此降低此技術之有效性。
因此，需要一種用來找到DOI之改良式技術。
在一第一實施例中提供一種系統。該系統包含：一光源，其產生一光束；一載物台，其經組態以將一半導體晶圓固持於該光束之一路徑中；一偵測器，其接收自該半導體晶圓反射之該光束；及一處理器，其與該偵測器電子通信。該處理器經組態以基於缺陷位置、差異影像或缺陷屬性報告跨該半導體晶圓之一第一層及一第二層共同之一DOI之一位置。
在一例項中，該處理器經組態以：接收該半導體晶圓之該第一層之缺陷位置；接收該半導體晶圓之該第二層之缺陷位置；執行共同-獨特分析；及篩選所有共同事件，由此排除一獨特位置。該DOI之該位置基於該等共同事件之一者。
該處理器可進一步經組態以自一資料庫擷取該第一層之該等缺陷位置及該第二層之該等缺陷位置。
該處理器可進一步經組態以接收該第一層之缺陷屬性及該第二層之缺陷屬性。該等缺陷屬性可包含信號強度、形狀、大小、相對於一點之位置、亮度、相對於背景之亮度差異或一設計上之位置。篩選所有該等共同事件可使用該等缺陷屬性。
該系統可包含由該處理器操作之一機器學習模組。該機器學習模組可經組態以篩選所有該等共同事件。
使用該光源及該偵測器，該處理器可進一步經組態以將指令提供至該系統以執行該半導體晶圓之一熱掃描，該熱掃描提供該第一層之該等缺陷位置及該第二層之該等缺陷位置。
在另一例項中，該處理器經組態以：針對該半導體晶圓之該第一層上之各缺陷位置接收該第一層之一差異影像；針對該半導體晶圓之該第二層上之各缺陷位置接收該第二層之一差異影像；比較該第一層之該差異影像與該第二層之該差異影像；及篩選該第一層之該差異影像及該第二層之該差異影像針對其等類似之缺陷，由此判定該DOI。該第一層之該差異影像位於該第一層上之鄰近晶粒之間。該第二層之該差異影像位於該第二層上之鄰近晶粒之間。
使用該光源及該偵測器，該處理器可經組態以將指令提供至該系統以執行該半導體晶圓之一熱掃描，該熱掃描用來產生該第一層之該差異影像及該第二層之該差異影像。
在另一例項中，該處理器經組態以：接收該半導體晶圓之該第一層上之各缺陷位置之一測試影像及一參考影像；接收該半導體晶圓之該第二層上之各缺陷位置之一測試影像及一參考影像；使用由該處理器操作之一機器學習模組計算一或多個屬性；及利用該一或多個屬性篩選損害事件，由此判定該DOI。該一或多個屬性篩選損害事件且基於該第一層及該第二層之該測試影像及該參考影像。該第一層及該第二層之該測試影像及該參考影像用作通道。
該機器學習模組可包含一卷積神經網路。
該處理器可經組態以識別一新屬性以基於該第一層及該第二層之該測試影像及該參考影像篩選該等損害事件。
使用該光源及該偵測器，該處理器可經組態以將指令提供至該系統以執行該半導體晶圓之一熱掃描，該熱掃描用來產生該第一層之該測試影像及該參考影像以及該第二層之該測試影像及該參考影像。
在一第二實施例中提供一種方法。該方法包括：使用一晶圓檢測系統執行一半導體晶圓之一熱掃描；及使用一處理器，基於缺陷位置、差異影像或缺陷屬性報告該半導體晶圓上跨該半導體晶圓之一第一層及一第二層共同之一DOI之一位置。
在一例項中，該方法進一步包括：在該處理器處，接收該半導體晶圓之該第一層之缺陷位置；在該處理器處，接收該半導體晶圓之該第二層之缺陷位置；使用該處理器，執行共同-獨特分析；及使用該處理器，篩選所有共同事件，由此排除一獨特位置。報告該DOI之該位置基於該等共同事件之一者。
該方法可進一步包含自一資料庫擷取該第一層之該等缺陷位置及該第二層之該等缺陷位置。
該第一層之該等缺陷位置及該第二層之該等缺陷位置可包含損害及該DOI。
該方法可進一步包含在該處理器處接收該第一層之缺陷屬性及該第二層之缺陷屬性。該等缺陷屬性可包含信號強度、形狀、大小、相對於一點之位置、亮度、相對於背景之亮度差異或一設計上之位置。篩選所有該等共同事件可使用該等缺陷屬性。
在另一例項中，該方法進一步包括：在該處理器處，針對該半導體晶圓之該第一層上之各缺陷位置接收該第一層之一差異影像；在該處理器處，針對該半導體晶圓之該第二層上之各缺陷位置接收該第二層之一差異影像；使用該處理器，比較該第一層之該差異影像與該第二層之該差異影像；及使用該處理器，篩選該第一層之該差異影像及該第二層之該差異影像針對其等類似之缺陷，由此判定該所關注缺陷。該第一層之該差異影像位於該第一層上之鄰近晶粒之間。該第二層之該差異影像位於該第二層上之鄰近晶粒之間。
該第一層之該差異影像及該第二層之該差異影像可各為一圖塊影像。
在一例項中，該方法進一步包括：在該處理器處，接收該半導體晶圓之該第一層上之各缺陷位置之一測試影像及一參考影像；在該處理器處，接收該半導體晶圓之該第二層上之各缺陷位置之一測試影像及一參考影像；使用該處理器，使用由該處理器操作之一機器學習模組計算一或多個屬性；及使用該處理器，利用該一或多個屬性篩選損害事件，由此判定該DOI。該一或多個屬性篩選損害事件且基於該第一層及該第二層之該測試影像及該參考影像。該第一層及該第二層之該測試影像及該參考影像用作通道。
可自該測試影像及對應於該測試影像之該參考影像形成一差異影像。該差異影像可用作該等通道之一者。
可在該第一層上之該測試影像上或該第二層上之該測試影像上之鄰近晶粒之間形成一差異影像。
該方法可進一步包含使用該處理器識別一新屬性以基於該第一層及該第二層之該測試影像及該參考影像篩選該等損害事件。
一種儲存一程式之非暫時性電腦可讀媒體可經組態以指示一處理器執行第二實施例之方法之一例項。
相關申請案之交叉參考 本申請案主張2018年6月6日申請且被指定美國申請案第62/681,648號之臨時專利申請案之優先權，該案之揭示內容以引用方式併入本文。
儘管將依據特定實施例描述所主張標的物，但其他實施例(包含未提供本文中所闡述之所有益處及特徵之實施例)亦在本發明之範疇內。在不背離本發明之範疇之情況下，可進行各種結構、邏輯、程序步驟及電子改變。因此，僅參考隨附發明申請專利範圍界定本發明之範疇。
本文中所揭示之實施例當在所有可能之檢測層上存在一高損害率時降低損害率以找到一DOI。所揭示技術可改良對DOI之敏感度且減少先前技術無法解決之情況中或層上之損害。
圖1繪示一實例。可在一晶圓之若干層上偵測DOI 100。在圖1之圖中，兩個層被標記為層A及層B。此等層可在一晶圓上之經製造層當中係循序或非循序的。例如，層A可為在一系列中相對於層B之先前層。在圖1中，層A及層B兩者上之損害101率為高。主導損害源可隨著不同檢測步驟而變動。因此，損害101在層A與層B之間係不同的，且損害可發生於層上之不同x、y位置處。
使用本文中所揭示之技術，篩選共同事件。共同事件應含有DOI 100之大部分。僅保留層A與層B之間共同之損害101事件，此降低損害率。因此，在共同-獨特分析之後觀察到之損害101少於層A或層B之任一者。可將共同事件視為DOI且可將獨特事件視為損害。在一例項中，在使用本文中所揭示之技術之後僅保留DOI 100，此係因為移除或以其他方式排除損害101。
可基於例如一缺陷位置、一差異影像或一缺陷屬性篩選跨層共同之缺陷。可使用來自層A及層B之缺陷之屬性執行共同事件之調諧。例如，可使用一機器學習模組利用來自層A及層B之缺陷之屬性執行共同事件之調諧。
圖2係一第一方法200之一流程圖。在201處接收一第一層之缺陷位置且在202處接收一第二層之缺陷位置。第一層及第二層可為例如圖1之層A及層B。可自一資料庫擷取第一層及/或第二層之缺陷位置。此等缺陷位置可包含損害及DOI。
在203處執行共同-獨特分析。此可判定跨層存在之事件或一個層特有之事件。在204處篩選所有共同事件。此可排除獨特位置。例如，當在一第一層及一第二層中之一類似位置處(例如，在一0.25 μm半徑內或在其他半徑內)看見一事件時，可篩選該事件。層上之事件之近接度可取決於工具或設計而變動。在205處基於獨特位置或共同事件報告所關注缺陷之位置。
203處之共同-獨特分析及204處之篩選可在兩個步驟中發生或可在單個步驟中發生。在一例項中，演算法可利用203處之共同-獨特分析識別獨特事件，但一使用者可僅在204處篩選之後看見獨特事件。
可執行一熱掃描以提供第一層及第二層之缺陷位置。可諸如由一處理器提供指令以執行熱掃描。
圖3係一第二方法300之一流程圖。在301處接收一第一層之缺陷位置且在302處接收一第二層之缺陷位置。第一層及第二層可為例如圖1之層A及層B。在301及302處亦接收第一層及/或第二層之缺陷位置之各者之缺陷屬性。可自一資料庫擷取第一層及/或第二層之缺陷位置以及缺陷屬性。此等缺陷位置可包含損害及DOI。
缺陷屬性可包含信號強度、形狀、大小、相對於晶圓上之一點之位置、亮度、相對於背景之亮度差異或一設計上之位置。其他缺陷屬性係可能的。在一例項中，針對不同層上之測試及參考晶粒收集影像訊框。針對各層上之此等測試參考訊框對之各者計算一差異影像訊框。使用彼等影像訊框(測試、參考及差異)計算屬性。
在303處執行共同-獨特分析。在304處篩選所有共同事件。此排除獨特位置。在一例項中，可使用單個屬性或一屬性組合來篩選共同事件。若屬性類似(例如，在一臨限值內) (假定缺陷位置針對不同層係相同的)，則其意謂著彼等係在位置及屬性(例如，大小、形狀、信號強度等)方面之真實共同事件。該等屬性可用作額外損害篩選。缺陷屬性用來篩選共同事件。在305處報告所關注缺陷之位置。
303處之共同-獨特分析及304處之篩選可在兩個步驟中發生或可在單個步驟中發生。在一例項中，演算法可利用303處之共同-獨特分析識別獨特事件，但一使用者可僅在304處篩選之後看見獨特事件。
可執行一熱掃描以提供第一層及第二層之缺陷位置。可諸如由一處理器提供指令以執行熱掃描。
方法300可比其中繁忙影像之一些實例具有更多缺陷之方法200更好地執行，此係因為除跨不同層之基於座標之共同-獨特分析之外，其亦藉由挑選屬性而允許進一步損害減少。
一機器學習模組(諸如由一處理器操作之一機器學習模組)可經組態以篩選共同事件。機器學習模組可具有本文中進一步描述之組態之一者。例如，機器學習模組可包含或以其他方式操作一深度學習演算法。來源於神經網路技術，深度學習係具有諸多神經元層之一概率圖模型，通常被稱為深度架構。深度學習技術以一階層方式處理資訊，諸如影像、文字、語音等等。在本發明中使用深度學習時，使用資料學習自動實現特徵提取。例如，可使用機器學習模組基於一或多個經提取之特徵對缺陷進行分類、歸類或分級。
一般而言，深度學習(亦被稱為深度結構化學習、階層學習或深度機器學習)係基於嘗試模型化資料之高級抽象之一演算法集之一機器學習分支。在一簡單案例中，可存在兩組神經元：一組接收一輸入信號且一組發送一輸出信號。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。在一深度網路中，輸入與輸出之間存在諸多層，從而允許演算法使用由多個線性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更廣泛之機器學習方法系列之部分。一觀察(例如，待提取以供參考之一特徵)可以諸多方式(諸如每個像素之一強度值向量)表示，或以一更抽象方式表示為一組邊緣、特定形狀之區域等。一些表示在簡化學習任務(例如，面部辨識或面部表情辨識)方面好於其他表示。深度學習可為無監督或半監督特徵學習及階層特徵提取提供有效演算法。
本領域之研究嘗試進行更好表示及形成模型以自大規模資料學習此等表示。一些表示受神經科學進步啟發且鬆散地基於一神經系統中資訊處理及通信型樣之解釋，諸如嘗試定義大腦中各種刺激與相關聯神經元回應之間的一關係之神經編碼。
取決於概率規範及網路架構，存在具有深度架構之神經網路之諸多變體，包含但不限於深度信念網路(DBN)、受限波茲曼機器(RBM)及自動編碼器。另一類型之深度神經網路(卷積神經網路(CNN))可用於特徵分析。實際實施方案可取決於輸入影像之大小、待分析特徵之數目及問題之本質而變動。除本文中所揭示之神經網路之外，其他層亦可包含於機器學習模組中。
在一實施例中，深度學習模型係一機器學習模型。機器學習通常可被定義為一種為電腦提供學習而無需明確程式化之能力之人工智慧(AI)。機器學習專注於可在暴露於新資料時教示自身成長及變化之電腦程式之開發。機器學習探索可自資料學習及預測資料之演算法之研究及建構。此等演算法藉由透過自樣本輸入建置一模型作出資料驅動預測或決定來克服服從嚴格之靜態程式指令。
在一些實施例中，深度學習模型係一生成模型。一生成模型通常可被定義為本質上係概率性之一模型。換言之，一生成模型係執行前向模擬或基於規則之方法之模型。可基於一合適訓練資料集學習生成模型(其中可學習其參數)。在一項實施例中，深度學習模型經組態為一深度生成模型。例如，該模型可經組態以具有一深度學習架構，其中該模型可包含執行數種演算法或變換之多個層。
在另一實施例中，深度學習模型經組態為一神經網路。在一進一步實施例中，深度學習模型可為具有根據已被饋送來訓練它之資料模型化世界之一權重集之一深度神經網路。神經網路通常可被定義為基於一相對大神經單元集合之一運算方法，該相對大神經單元集合鬆散地模型化一生物大腦用藉由軸突連接之相對大生物神經元叢集解決問題之方式。各神經單元與諸多其他神經單元連接，且連結可強制執行或抑制其等對經連接之神經單元之活化狀態之影響。此等系統係自學習及訓練的而非明確程式化的，且在其中解決方案或特徵偵測難以在一傳統電腦程式中表達之區域中係優異的。
神經網路通常由多個層組成，且信號路徑自前方穿越至後方。神經網路之目標係以與人腦相同之方式解決問題，儘管若干神經網路抽象得多。現代神經網路工程通常結合幾千至幾百萬個神經單元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合適架構及/或組態。
在一項實施例中，用於本文中所揭示之半導體檢測應用之深度學習模型經組態為一AlexNet。例如，一AlexNet包含數個卷積層(例如，5個)，其後係數個完全連接層(例如，3個)，其等組合地經組態及經訓練以分析用於判定旋轉及平移偏移之特徵。在另一此實施例中，用於本文中所揭示之半導體檢測應用之深度學習模型經組態為一GoogleNet。例如，一GoogleNet可包含諸如卷積層、池化層及完全連接層之層，諸如經組態及經訓練以分析用於判定旋轉及平移偏移之特徵之本文中進一步描述之層。雖然GoogleNet架構可包含相對高數目個層(尤其是與本文中所描述之一些其他神經網路相比)，但一些層可並行操作，且彼此並行運作之層之群組通常被稱為起始(inception)模組。其他層可循序地操作。因此，GoogleNet不同於本文中所描述之其他神經網路之處在於並非所有層經配置於一循序結構中。並行層可類似於Google之起始網路或其他結構。
在一進一步此實施例中，用於本文中所揭示之半導體檢測應用之深度學習模型經組態為一視覺幾何組(VGG)網路。例如，藉由增加卷積層之數目同時固定架構之其他參數來形成VGG網路。藉由在所有層中使用實質上小之卷積濾光器，使添加卷積層以增加深度變可能。如同本文中所描述之其他神經網路，形成及訓練VGG網路以分析用於判定旋轉及平移偏移之特徵。VGG網路亦包含卷積層，其後係完全連接層。
在一些此等實施例中，用於本文中所揭示之半導體檢測應用之深度學習模型經組態為一深度殘留網路。例如，如同本文中所描述之一些其他網路，一深度殘留網路可包含卷積層，其後係完全連接層，其等組合地經組態及經訓練用於特徵性質提取。在一深度殘留網路中，該等層經組態以參考層輸入學習殘留功能，代替學習未參考之功能。特定而言，代替希望各少數堆疊式層直接擬合一所期望之基礎映射，明確地允許此等層擬合一殘留映射，其係藉由具有快捷連接之前饋神經網路來實現。快捷連接係跳過一或多個層之連接。可藉由以下步驟形成一深度殘留網路：採用包含卷積層之一普通神經網路結構；及插入快捷連接，此由此採用普通神經網路且將其轉變成其殘留學習對照物。
在一些實施例中，由深度學習模型判定之資訊包含由深度學習模型提取之特徵性質。在一個此實施例中，深度學習模型包含一或多個卷積層。該(等)卷積層可具有此項技術中已知之任何合適組態。以此方式，深度學習模型(或深度學習模型之至少一部分)可經組態為一CNN。例如，深度學習模型可經組態為一CNN(其通常係卷積層及池化層之堆疊)以提取局部特徵。本文中所描述之實施例可利用深度學習概念(諸如一CNN)來解決通常棘手之表示反轉問題。深度學習模型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合適組態(例如，最大池化層)且通常經組態用於減少由一或多個卷積層產生之特徵圖之維度，同時保留最重要特徵。
通常，本文中所描述之深度學習模型係一經訓練之深度學習模型。例如，可預先由一或多個其他系統及/或方法訓練深度學習模型。已產生及訓練深度學習模型，且接著如本文中所描述般判定該模型之功能性，接著可使用該功能性來執行深度學習模型之一或多個額外功能。
如上文所述，儘管本文中使用一CNN來闡釋一深度學習系統之架構，但本發明不限於一CNN。在實施例中可使用深度學習架構之其他變體。例如，可使用自動編碼器、DBN及RBM。亦可使用隨機森林。
可輸入訓練資料以模型化訓練(例如，CNN訓練)，其可以任何合適方式執行。例如，模型訓練可包含將訓練資料輸入至深度學習模型(例如，一CNN)及修改該模型之一或多個參數，直至該模型之輸出相同於(或實質上相同於)外部驗證資料。模型訓練可產生一或多個經訓練之模型，接著可將該一或多個經訓練之模型發送至模型選擇，該模型選擇係使用驗證資料來執行。可比較由各一或多個經訓練之模型針對輸入至一或多個經訓練之模型之驗證資料產生之結果與驗證資料以判定哪個模型係最佳模型。例如，可選擇產生最接近匹配驗證資料之結果之模型作為最佳模型。接著可將測試資料用於選定模型(例如，最佳模型)之模型評估。可以任何合適方式執行模型評估。亦可將最佳模型發送至模型部署，其中可將最佳模型發送至半導體檢測工具以供使用(訓練後模型)。
圖4係一第三方法400之一流程圖。在401處接收針對各缺陷位置之一第一層之一差異影像且在402處接收針對各缺陷位置之一第二層之一差異影像。第一層及第二層可例如為圖1之層A及層B。此等缺陷位置可包含損害及DOI。差異影像可位於第一層或第二層上之鄰近晶粒之間。差異影像可為圖塊影像。例如，差異影像可為32像素×32像素圖塊影像。其他圖塊影像組態係可能的。
在403處比較第一層之差異影像與第二層之差異影像。例如，影像減法可用於403處之比較。此係一種形式之共同-獨特分析。
在404處篩選在第一層及第二層之差異影像中類似之所有缺陷。可使用一臨限值來判定類似的缺陷。臨限值可基於一經計算之跨層差異影像中之信號強度。此排除獨特位置。在405處報告所關注缺陷之位置。
可執行一熱掃描以提供第一層及第二層之缺陷位置。可執行一熱掃描以提供第一層及第二層之差異影像。可諸如由一處理器提供指令以執行熱掃描。
若已知一些屬性非常適於缺陷偵測，則可使用方法400。若顯然因為一特定屬性分離此損害與DOI而可用其剔除特定損害事件(例如，一直在相同圖案上發生之損害)，則此屬性可用來提前移除此損害。此可使一更熱掃描能夠在其他區域中運行，此係因為總缺陷計數將不會最大化。
圖5係一第四方法500之一流程圖。在501處接收針對各缺陷位置之一第一層上之各缺陷位置之一測試影像及一參考影像且在502處接收針對各缺陷位置之一第二層上之各缺陷位置之一測試影像及一參考影像。第一層及第二層可為例如圖1之層A及層B。此等缺陷位置可包含損害及DOI。
測試影像及參考影像可為一32像素×32像素圖塊影像，但其他大小係可能的。缺陷可位於圖塊影像之中間。
參考影像可能來自一鄰近晶粒或若干鄰近晶粒或可為若干鄰近晶粒之平均值、或一標準晶粒、或一特殊運算之參考晶粒。一特殊運算參考晶粒可用於方法200至500。
在503處使用一機器學習模組(諸如關於方法200所描述之機器學習模組)計算一或多個屬性。此計算可使用作為完全連接層之輸出之邏輯迴歸(logit)值或其他技術。機器學習模組可包含一CNN或其他演算法。此係一種形式之共同-獨特分析。一或多個屬性可篩選損害事件且基於第一層及第二層之測試影像及參考影像。第一層及第二層之測試影像及參考影像用作通道。
在504處篩選具有一或多個屬性之損害事件。此排除獨特位置。例如，若使用邏輯迴歸值，則可保留具有高邏輯迴歸值之所有缺陷。在505處視情況報告所關注缺陷之位置。
若用於篩選DOI之最佳屬性未知，則可使用方法500，此係因為可在已對此缺陷資料集訓練機器學習模組之後獲得邏輯迴歸值。此意謂著此等邏輯迴歸值應等於或好於既有屬性之組合，假設提供足夠訓練資料。
可執行一熱掃描以提供第一層及第二層之缺陷位置。可執行一熱掃描以提供第一層及第二層之測試影像及參考影像。可諸如由一處理器提供指令以執行熱掃描。
可自測試影像及對應於測試影像之參考影像形成一差異影像。所得差異影像可用作通道之一者。亦可在第一層上之測試影像上或第二層上之測試影像上之鄰近晶粒之間形成一差異影像。
一處理器可經組態以識別一新屬性(例如，邏輯迴歸值)以基於第一層及第二層之測試影像及參考影像篩選損害事件。例如，機器學習模組可用來識別一新屬性以篩選損害事件。
在一例項中，執行方法200。在方法200之後執行方法300、方法400或方法500。在藉由方法300、方法400或方法500進行進一步分析之前，可藉由方法200移除損害事件。亦可留下使用方法200識別之潛在損害事件以藉由方法300、方法400或方法500進行進一步分析(即，方法300、方法400或方法500獨立於方法200而操作)。若DOI較弱且損害量為高，則可能出現方法200至500之一者以上的使用。若方法200未篩選掉足夠損害事件或捨棄DOI，則亦可能出現方法200至500之一者以上的使用。例如，若DOI存在一弱信號，則可在方法200之後執行方法300。在另一實例中，若存在大量損害，則可在方法200之後執行方法400或方法500。
可在一處理器上執行方法200至500。該處理器可與一偵測器電子通信。
圖6係一系統600之一方塊圖。系統600包含基於光學之子系統601。通常，基於光學之子系統601經組態用於藉由將光引導至(或使光掃描遍及)一樣品602及偵測來自一樣品602之光而產生該樣品602之基於光學之輸出。在一項實施例中，樣品602包含一晶圓。該晶圓可包含此項技術中已知之任何晶圓。在另一實施方案中，該樣品包含一倍縮光罩。該倍縮光罩可包含此項技術中已知之任何倍縮光罩。
在圖6中所展示之系統600之實施例中，基於光學之子系統601包含經組態以將光引導至樣品602之一照明子系統。該照明子系統包含至少一個光源。例如，如圖6中所展示，該照明子系統包含光源603。在一項實施例中，該照明子系統經組態以依一或多個入射角(其或其等可包含一或多個傾斜角及/或一或多個法向角)將光引導至樣品602。例如，如圖6中所展示，來自光源603之光依一傾斜入射角被引導穿過光學元件604且接著穿過透鏡605至樣品602。傾斜入射角可包含任何合適傾斜入射角，其可取決於例如樣品602之特性而變動。
基於光學之子系統601可經組態以在不同時間依不同入射角將光引導至樣品602。例如，基於光學之子系統601可經組態以改變該照明子系統之一或多個元件之一或多個特性，使得光可依不同於圖6中所展示之一入射角被引導至樣品602。在一項此實例中，基於光學之子系統601可經組態以移動光源603、光學元件604及透鏡605，使得光依一不同傾斜入射角或一法向(或近法向)入射角被引導至樣品602。
在一些例項中，基於光學之子系統601可經組態以在相同時間依一個以上入射角將光引導至樣品602。例如，該照明子系統可包含一個以上照明通道，該等照明通道之一者可包含如圖6中所展示之光源603、光學元件604及透鏡605且該等照明通道之另一者(未展示)可包含可不同地或相同地組態之類似元件，或可包含至少一光源及可能諸如本文進一步描述之一或多個其他組件。若此光與另一光在相同時間被引導至樣品，則依不同入射角被引導至樣品602之光之一或多個特性(例如，波長、偏振等)可不同，使得起因於依不同入射角照明樣品602之光可在該(等)偵測器處彼此區分開。
在另一例項中，該照明子系統可包含僅一個光源(例如，圖6中所展示之光源603)，且來自該光源之光可藉由該照明子系統之一或多個光學元件(未展示)分成不同光學路徑(例如，基於波長、偏振等)。接著可將不同光學路徑之各者中之光引導至樣品602。多個照明通道可經組態以在相同時間或在不同時間(例如，當使用不同照明通道來循序地照明樣品時)將光引導至樣品602。在另一例項中，相同照明通道可經組態以在不同時間將具有不同特性之光引導至樣品602。例如，在一些例項中，光學元件604可經組態為一光譜濾光器且該光譜濾光器之性質可以各種不同方式改變(例如，藉由換出該光譜濾光器)，使得不同波長之光可在不同時間被引導至樣品602。該照明子系統可具有用於依不同或相同入射角循序地或同時地將具有不同或相同特性之光引導至樣品602之此項技術中已知之任何其他合適組態。
在一項實施例中，光源603可包含一寬頻電漿(BBP)源。以此方式，由光源603產生且被引導至樣品602之光可包含寬頻光。然而，該光源可包含任何其他合適光源，諸如一雷射或燈。雷射可包含此項技術中已知之任何合適雷射且可經組態以產生此項技術中已知之任何合適波長或若干波長之光。另外，雷射可經組態以產生單色或近單色之光。以此方式，雷射可為一窄頻雷射。光源603亦可包含產生多個離散波長或波帶之光之多色光源。
來自光學元件604之光可藉由透鏡605聚焦至樣品602上。儘管透鏡605在圖6中被展示為單折射光學元件，但應理解，在實踐中，透鏡605可包含組合地將來自光學元件之光聚焦至樣品之數個折射及/或反射光學元件。圖6中所展示及本文中所描述之照明子系統可包含任何其他合適光學元件(未展示)。此等光學元件之實例包含但不限於(若干)偏振組件、(若干)光譜濾光器、(若干)空間濾光器、(若干)反射光學元件、(若干)變跡器、(若干)分束器(諸如(若干)分束器613)、(若干)孔徑及類似者，其等可包含此項技術中已知之任何此等合適光學元件。另外，基於光學之子系統601可經組態以基於待用於產生基於光學之輸出之照明類型改變照明子系統之元件之一或多者。
基於光學之子系統601亦可包含經組態以致使光掃描遍及樣品602之一掃描子系統。例如，基於光學之子系統601可包含在基於光學之輸出產生期間上方安置樣品602之一載物台606。掃描子系統可包含可經組態以移動樣品602，使得光可掃描遍及樣品602之任何合適機械及/或機器人總成(其包含載物台606)。另外或替代地，基於光學之子系統601可經組態使得基於光學之子系統601之一或多個光學元件執行一些光掃描遍及樣品602。光可以任何合適方式(諸如呈一蛇形路徑或呈一螺旋路徑) 掃描遍及樣品602。
基於光學之子系統601進一步包含一或多個偵測通道。一或多個偵測通道之至少一者包含一偵測器，該偵測器經組態以偵測歸因於子系統對樣品602之照明而來自樣品602之光且回應於經偵測之光而產生輸出。例如，圖6中所展示之基於光學之子系統601包含兩個偵測通道：一個偵測通道由收集器607、元件608及偵測器609形成且另一偵測通道由收集器610、元件611及偵測器612形成。如圖6中所展示，兩個偵測通道經組態以依不同收集角收集及偵測光。在一些例項中，兩個偵測通道經組態以偵測經散射光，且該等偵測通道經組態以偵測依不同角度自樣品602散射之光。然而，該等偵測通道之一或多者可經組態以偵測來自樣品602之另一類型之光(例如，經反射光)。
如圖6中進一步展示，兩個偵測通道被展示為定位於紙平面中且照明子系統亦被展示為定位於紙平面中。因此，在此實施例中，兩個偵測通道經定位(例如，經居中)於入射平面中。然而，該等偵測通道之一或多者可經定位於入射平面外。例如，由收集器610、元件611及偵測器612形成之偵測通道可經組態以收集及偵測散射出入射平面之光。因此，此一偵測通道通常可被稱為「側」通道，且此一側通道可居中於實質上垂直於入射平面之一平面中。
儘管圖6展示包含兩個偵測通道之基於光學之子系統601之一實施例，但基於光學之子系統601可包含不同數目個偵測通道(例如，僅一個偵測通道或兩個或更多個偵測通道)。在一項此例項中，由收集器610、元件611及偵測器612形成之偵測通道可形成如上文所描述之一個側通道，且基於光學之子系統601可包含形成為定位於入射平面之相對側上之另一側通道之一額外偵測通道(未展示)。因此，基於光學之子系統601可包含偵測通道，該偵測通道包含收集器607、元件608及偵測器609且居中於入射平面中並經組態以依法向於或近法向於樣品602表面之(若干)散射角收集及偵測光。因此，此偵測通道通常可被稱為「頂部」通道，且基於光學之子系統601亦可包含如上文所描述般組態之兩個或更多個側通道。因而，基於光學之子系統601可包含至少三個通道(即，一個頂部通道及兩個側通道)，且至少三個通道之各者具有其自身的收集器，該等收集器之各者經組態以依不同於其他收集器之各者之散射角收集光。
如上文進一步描述，基於光學之子系統601中包含之偵測通道之各者可經組態以偵測經散射光。因此，圖6中所展示之基於光學之子系統601可經組態用於樣品202之暗場(DF)輸出產生。然而，基於光學之子系統601亦可或替代地包含經組態用於樣品202之亮場(BF)輸出產生之(若干)偵測通道。換言之，基於光學之子系統601可包含經組態以偵測自樣品602鏡面反射之光之至少一個偵測通道。因此，本文中所描述之基於光學之子系統201可經組態以僅用於DF成像、僅用於BF成像或用於DF成像及BF成像兩者。儘管收集器之各者在圖6中被展示為單折射光學元件，但應理解，收集器之各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合適偵測器。例如，偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時延積分(TDI)相機及此項技術中已知之任何其他合適偵測器。偵測器亦可包含非成像偵測器或成像偵測器。以此方式，若偵測器係非成像偵測器，則偵測器之各者可經組態以偵測經散射光之特定特性(諸如強度)，但無法經組態以依據成像平面內之位置偵測此等特性。因而，由基於光學之子系統之偵測通道之各者中包含之偵測器之各者產生之輸出可為信號或資料，但並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614)可經組態以自偵測器之非成像輸出產生樣品602之影像。然而，在其他例項中，偵測器可經組態為成像偵測器，其等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依數種方式產生本文中所描述之光學影像或其他基於光學之輸出。
應注意，本文中提供圖6以大體上繪示一基於光學之子系統601之一組態，其可包含於本文中所描述之系統實施例中或可產生由本文中所描述之系統實施例使用之基於光學之輸出。可改變本文中所描述之基於光學之子系統601組態以最佳化基於光學之子系統601之效能，如通常在設計一商業輸出獲取系統時執行般。另外，本文中所描述之系統可使用一既有系統(例如，藉由將本文中所描述之功能性添加至一既有系統)來實施。針對一些此等系統，本文中所描述之方法可被提供為系統之可選功能性(例如，除系統之其他功能性之外)。替代地，本文中所描述之系統可被設計為一全新系統。
處理器614可以任何合適方式耦合至系統600之組件(例如，經由可包含有線及/或無線傳輸媒體之一或多個傳輸媒體)，使得處理器614可接收輸出。處理器614可經組態以使用輸出執行數個功能。系統600可自處理器614接收指令或其他資訊。處理器614及/或電子資料儲存單元615視情況可與一晶圓檢測工具、一晶圓計量工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊或發送指令。例如，處理器614及/或電子資料儲存單元615可與一SEM電子通信。
本文中所描述之處理器614、(若干)其他系統或(若干)其他子系統可為各種系統之部分，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。(若干)子系統或(若干)系統亦可包含此項技術中已知之任何合適處理器，諸如一並行處理器。此外，(若干)子系統或(若干)系統可包含具有高速處理及軟體之一平台，作為一獨立工具或一網路化工具。
處理器614及電子資料儲存單元615可經安置於系統600或另一裝置中或以其他方式作為系統600或另一裝置之部分。在一實例中，處理器614及電子資料儲存單元615可為一獨立控制單元之部分或位於一集中式品質控制單元中。可使用多個處理器614或電子資料儲存單元615。
處理器614可在實踐中藉由硬體、軟體及韌體之任何組合來實施。再者，如本文中所描述之處理器614之功能可由一個單元執行，或在不同組件當中劃分，該等組件之各者可繼而由硬體、軟體及韌體之任何組合來實施。供處理器614實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體中，諸如電子資料儲存單元615中之一記憶體或其他記憶體。
若系統600包含一個以上處理器614，則不同子系統可彼此耦合，使得影像、資料、資訊、指令等可在子系統之間發送。例如，一個子系統可藉由任何合適傳輸媒體耦合至(若干)額外子系統，該傳輸媒體可包含此項技術中已知之任何合適有線及/或無線傳輸媒體。此等子系統之兩者或更多者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614可經組態以使用系統600之輸出或其他輸出執行數個功能。例如，處理器614可經組態以將輸出發送至一電子資料儲存單元615或另一儲存媒體。處理器614可如本文中描述般進一步組態。
若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、指令等可在子系統之間發送。例如，一個子系統可藉由任何合適傳輸媒體耦合至(若干)額外子系統，該傳輸媒體可包含此項技術中已知之任何合適有線及/或無線傳輸媒體。此等子系統之兩者或更多者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614可根據本文中所描述之任何實施例組態。處理器614亦可經組態以使用系統600之輸出或使用來自其他源之影像或資料執行其他功能或額外步驟。處理器614可包含或可操作一機器學習模組。
藉由以下一或多者執行本文中所揭示之系統600及方法之各種步驟、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、類比或數位或控制器/開關、微控制器或運算系統。實施諸如本文中所描述之方法之程式指令可在載體媒體上方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、一磁帶及類似者。一載體媒體可包含一傳輸媒體，諸如一電線、電纜或無線傳輸鏈路。例如，貫穿本發明所描述之各個步驟可由單個處理器614或替代地多個處理器614實行。此外，系統600之不同子系統可包含一或多個運算或邏輯系統。因此，上文描述不應被解釋為限制本發明而是僅僅闡釋。
在一例項中，處理器614與系統600通信。處理器614經組態以操作方法200至500之任一者。電子資料儲存單元615可包含一資料庫，該資料庫包含缺陷位置、測試影像、參考影像、差異影像或屬性。
一額外實施例係關於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控制器上執行以執行用於在一樣品602之一表面上找到DOI之一電腦實施方法，如本文中所揭示。特定而言，如圖6中所展示，電子資料儲存單元615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614上執行之程式指令。電腦實施方法可包含本文中所描述之(若干)任何方法之(若干)任何步驟，包含方法200至500之任一者。
實現諸如本文中所描述之方法之程式指令可經儲存於電腦可讀媒體上，諸如電子資料儲存單元615或其他儲存媒體中。電腦可讀媒體可為一儲存媒體，諸如一磁碟或光碟、一磁帶或此項技術中已知之任何其他合適非暫時性電腦可讀媒體。
程式指令可以任何各種方式實施，包含基於程序之技術、基於組件之技術及/或物件導向技術等。例如，程式指令可根據需要使用ActiveX控制項、C++物件、JavaBeans、Microsoft基礎類(MFC)、串流SIMD擴展(SSE)、或其他技術或方法來實施。
雖然在一光學系統中揭示，但本文中所揭示之實施例亦可在使用一電子束、一離子束或一x射線之一系統中執行。
方法之各步驟可如本文中所描述般執行。方法亦可包含可由本文中所描述之處理器及/或(若干)電腦子系統或(若干)系統執行之(若干)任何其他步驟。步驟可由可根據本文中所描述之任何實施例組態之一或多個電腦系統執行。另外，上文所描述方法可由本文中所描述之任何系統實施例執行。
儘管已關於一或多項特定實施例描述本發明，但應理解，在不背離本發明之範疇之情況下，可製作本發明之其他實施例。因此，本發明應被認為僅受隨附發明申請專利範圍及其合理解釋限制。
100:所關注缺陷(DOI) 101:損害 200:第一方法 201:步驟 202:步驟 203:步驟 204:步驟 205:步驟 300:第二方法 301:步驟 302:步驟 303:步驟 304:步驟 305:步驟 400:第三方法 401:步驟 402:步驟 403:步驟 404:步驟 405:步驟 500:第四方法 501:步驟 502:步驟 503:步驟 504:步驟 505:步驟 600:系統 601:基於光學之子系統 602:樣品 603:光源 604:光學元件 605:透鏡 606:載物台 607:收集器 608:元件 609:偵測器 610:收集器 611:元件 612:偵測器 613:分束器 614:處理器 615:電子資料儲存單元
為了更全面地理解本發明之本質及目的，應參考結合隨附圖式所做之下文詳細描述，其中： 圖1係揭示根據本發明之一技術之一圖； 圖2係根據本發明之一第一方法實施例之一流程圖； 圖3係根據本發明之一第二方法實施例之一流程圖； 圖4係根據本發明之一第三方法實施例之一流程圖； 圖5係根據本發明之一第四方法實施例之一流程圖；及 圖6係根據本發明之一系統之一方塊圖。
100:所關注缺陷(DOI)
101:損害

Claims (20)

  1. 一種系統，其包括： 一光源，其產生一光束； 一載物台，其經組態以將一半導體晶圓固持於該光束之一路徑中； 一偵測器，其接收自該半導體晶圓反射之該光束；及 一處理器，其與該偵測器電子通信，其中該處理器經組態以基於缺陷位置、差異影像或缺陷屬性報告跨該半導體晶圓之一第一層及一第二層共同之一所關注缺陷之一位置。
  2. 如請求項1之系統，其中該處理器經組態以： 接收該第一層之缺陷位置； 接收該第二層之缺陷位置； 執行共同-獨特分析；及 篩選所有共同事件，由此排除一獨特位置，其中該所關注缺陷之該位置基於該等共同事件之一者。
  3. 如請求項2之系統，其中該處理器進一步經組態以接收該第一層之缺陷屬性及該第二層之缺陷屬性，其中篩選所有該等共同事件使用該等缺陷屬性，且其中該第一層及該第二層之該等缺陷屬性包含信號強度、形狀、大小、相對於一點之位置、亮度、相對於背景之亮度差異或一設計上之位置。
  4. 如請求項3之系統，其中該系統進一步包括由該處理器操作之一機器學習模組，且其中該機器學習模組經組態以篩選所有該等共同事件。
  5. 如請求項2之系統，其中使用該光源及該偵測器，該處理器經組態以將指令提供至該系統以執行該半導體晶圓之一熱掃描，該熱掃描提供該第一層之該等缺陷位置及該第二層之該等缺陷位置。
  6. 如請求項1之系統，其中該處理器經組態以： 針對該第一層上之各缺陷位置接收該第一層之一差異影像，其中該第一層之該差異影像位於該第一層上之鄰近晶粒之間； 針對該第二層上之各缺陷位置接收該第二層之一差異影像，其中該第二層之該差異影像位於該第二層上之鄰近晶粒之間； 比較該第一層之該差異影像與該第二層之該差異影像；及 篩選該第一層之該差異影像及該第二層之該差異影像針對其等類似之缺陷，由此判定該所關注缺陷。
  7. 如請求項6之系統，其中使用該光源及該偵測器，該處理器經組態以將指令提供至該系統以執行該半導體晶圓之一熱掃描，該熱掃描用來產生該第一層之該差異影像及該第二層之該差異影像。
  8. 如請求項1之系統，其中該處理器經組態以： 接收該第一層上之各缺陷位置之一測試影像及一參考影像； 接收該第二層上之各缺陷位置之一測試影像及一參考影像； 使用由該處理器操作之一機器學習模組計算一或多個屬性，其中該一或多個屬性篩選損害事件且基於該第一層之該測試影像及該參考影像以及該第二層之該測試影像及該參考影像，且其中該第一層之該測試影像及該參考影像以及該第二層之該測試影像及該參考影像用作通道；及 利用該一或多個屬性篩選損害事件，由此判定該所關注缺陷。
  9. 如請求項8之系統，其中該機器學習模組包含一卷積神經網路。
  10. 如請求項9之系統，其中該處理器經組態以識別一新屬性以基於該第一層之該測試影像及該參考影像以及該第二層之該測試影像及該參考影像篩選該等損害事件。
  11. 如請求項9之系統，其中使用該光源及該偵測器，該處理器經組態以將指令提供至該系統以執行該半導體晶圓之一熱掃描，該熱掃描用來產生該第一層之該測試影像及該參考影像以及該第二層之該測試影像及該參考影像。
  12. 一種方法，其包括： 使用一晶圓檢測系統執行一半導體晶圓之一熱掃描；及 使用一處理器，基於缺陷位置、差異影像或缺陷屬性報告該半導體晶圓上跨該半導體晶圓之一第一層及一第二層共同之一所關注缺陷之一位置。
  13. 如請求項12之方法，其中該方法進一步包括： 在該處理器處，接收該第一層之缺陷位置； 在該處理器處，接收該第二層之缺陷位置； 使用該處理器，執行共同-獨特分析；及 使用該處理器，篩選所有共同事件，由此排除一獨特位置，其中該報告該所關注缺陷之該位置基於該等共同事件之一者。
  14. 如請求項13之方法，其進一步包括在該處理器處接收該第一層之缺陷屬性及該第二層之缺陷屬性，其中篩選所有該等共同事件使用該等缺陷屬性，且其中該第一層及該第二層之該等缺陷屬性包含信號強度、形狀、大小、相對於一點之位置、亮度、相對於背景之亮度差異或一設計上之位置。
  15. 如請求項12之方法，其進一步包括： 在該處理器處，針對一第一層上之各缺陷位置接收該第一層之一差異影像，其中該第一層之該差異影像位於該第一層上之鄰近晶粒之間； 在該處理器處，針對一第二層上之各缺陷位置接收該第二層之一差異影像，其中該第二層之該差異影像位於該第二層上之鄰近晶粒之間； 使用該處理器，比較該第一層之該差異影像與該第二層之該差異影像；及 使用該處理器，篩選該第一層之該差異影像及該第二層之該差異影像針對其等類似之缺陷，由此判定該等所關注缺陷。
  16. 如請求項12之方法，其進一步包括： 在該處理器處，接收一第一層上之各缺陷位置之一測試影像及一參考影像； 在該處理器處，接收一第二層上之各缺陷位置之一測試影像及一參考影像； 使用該處理器，使用由該處理器操作之一機器學習模組計算一或多個屬性，其中該一或多個屬性篩選損害事件且基於該第一層之該測試影像及該參考影像以及該第二層之該測試影像及該參考影像，且其中該第一層之該測試影像及該參考影像以及該第二層之該測試影像及該參考影像用作通道；及 使用該處理器，利用該一或多個屬性篩選損害事件，由此判定該所關注缺陷。
  17. 如請求項16之方法，其中自該測試影像及對應於該測試影像之該參考影像形成一差異影像，且其中該差異影像用作該等通道之一者。
  18. 如請求項16之方法，其中在該第一層上之該測試影像上之鄰近晶粒或該第二層上之該測試影像上之鄰近晶粒之間形成一差異影像。
  19. 如請求項16之方法，其進一步包括使用該處理器識別一新屬性以基於該第一層及該第二層之該測試影像及該參考影像篩選該等損害事件。
  20. 一種儲存一程式之非暫時性電腦可讀媒體，該程式經組態以指示一處理器執行如請求項12之方法。
TW108113955A 2018-06-06 2019-04-22 用於損害篩選之跨層共同-獨特分析 TWI809094B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862681648P 2018-06-06 2018-06-06
US62/681,648 2018-06-06
US16/196,090 US11151711B2 (en) 2018-06-06 2018-11-20 Cross layer common-unique analysis for nuisance filtering
US16/196,090 2018-11-20

Publications (2)

Publication Number Publication Date
TW202013538A true TW202013538A (zh) 2020-04-01
TWI809094B TWI809094B (zh) 2023-07-21

Family

ID=68765229

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108113955A TWI809094B (zh) 2018-06-06 2019-04-22 用於損害篩選之跨層共同-獨特分析

Country Status (3)

Country Link
US (2) US11151711B2 (zh)
TW (1) TWI809094B (zh)
WO (1) WO2019236624A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985446A (zh) * 2018-07-24 2018-12-11 百度在线网络技术（北京）有限公司 用于告警的方法及装置
US11501424B2 (en) * 2019-11-18 2022-11-15 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
US11200659B2 (en) 2019-11-18 2021-12-14 Stmicroelectronics (Rousset) Sas Neural network training device, system and method
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
TWI732618B (zh) * 2020-07-02 2021-07-01 撼訊科技股份有限公司 影像辨識方法及其系統
US11761903B2 (en) * 2020-11-23 2023-09-19 International Business Machines Corporation Wafer inspection and verification

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7693323B2 (en) 2002-03-12 2010-04-06 Applied Materials, Inc. Multi-detector defect detection system and a method for detecting defects
US7760929B2 (en) * 2005-05-13 2010-07-20 Applied Materials, Inc. Grouping systematic defects with feedback from electrical inspection
US7570800B2 (en) * 2005-12-14 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for binning defects detected on a specimen
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
JP2010133929A (ja) * 2008-10-28 2010-06-17 Toshiba Corp 欠陥解析装置，および欠陥解析方法
US8605275B2 (en) * 2009-01-26 2013-12-10 Kla-Tencor Corp. Detecting defects on a wafer
TWI460394B (zh) 2012-07-20 2014-11-11 Test Research Inc 三維影像量測裝置
US8948494B2 (en) * 2012-11-12 2015-02-03 Kla-Tencor Corp. Unbiased wafer defect samples
US8912495B2 (en) * 2012-11-21 2014-12-16 Kla-Tencor Corp. Multi-spectral defect inspection for 3D wafers
US9389349B2 (en) * 2013-03-15 2016-07-12 Kla-Tencor Corporation System and method to determine depth for optical wafer inspection
JP5978162B2 (ja) * 2013-03-29 2016-08-24 株式会社日立ハイテクノロジーズ 欠陥検査方法および欠陥検査装置
KR102399493B1 (ko) * 2014-01-23 2022-05-19 삼성전자주식회사 반도체 칩 표면검사 장치 및 이를 이용한 반도체 칩의 표면검사 방법
US9816939B2 (en) * 2014-07-22 2017-11-14 Kla-Tencor Corp. Virtual inspection systems with multiple modes
JP2016058465A (ja) * 2014-09-08 2016-04-21 株式会社日立ハイテクノロジーズ 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US9599573B2 (en) * 2014-12-02 2017-03-21 Kla-Tencor Corporation Inspection systems and techniques with enhanced detection
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
US10211025B2 (en) * 2015-08-12 2019-02-19 Kla-Tencor Corp. Determining a position of a defect in an electron beam image
US10359371B2 (en) * 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US10535131B2 (en) 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
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
KR102599657B1 (ko) * 2016-08-17 2023-11-08 삼성전자주식회사 반도체 웨이퍼 검사 방법 및 시스템, 및 이를 이용한 반도체 소자의 제조 방법
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US10887580B2 (en) * 2016-10-07 2021-01-05 Kla-Tencor Corporation Three-dimensional imaging for semiconductor wafer inspection
US10395358B2 (en) * 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US10504213B2 (en) 2016-11-22 2019-12-10 Kla-Tencor Corporation Wafer noise reduction by image subtraction across layers
US10402688B2 (en) * 2016-12-07 2019-09-03 Kla-Tencor Corporation Data augmentation for convolutional neural network-based defect inspection
US10600175B2 (en) * 2017-03-24 2020-03-24 Kla-Tencor Corporation Dynamic care areas for defect detection

Also Published As

Publication number Publication date
US20220012866A1 (en) 2022-01-13
TWI809094B (zh) 2023-07-21
WO2019236624A1 (en) 2019-12-12
US11694327B2 (en) 2023-07-04
US11151711B2 (en) 2021-10-19
US20190378260A1 (en) 2019-12-12

Similar Documents

Publication Publication Date Title
KR102372147B1 (ko) 학습 기반 결함 분류기의 트레이닝
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
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
TWI711978B (zh) 用於執行針對樣本之功能之系統及電腦實施方法，以及電腦可讀媒體
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
TWI809094B (zh) 用於損害篩選之跨層共同-獨特分析
US10181185B2 (en) Image based specimen process control
KR102650301B1 (ko) 장애물 필터링을 위한 심층 학습 네트워크
US11774371B2 (en) Defect size measurement using deep learning methods
TWI826632B (zh) 用於半導體缺陷檢測及檢視之方法、系統及非暫時性電腦可讀儲存媒體
TW202225678A (zh) 使用轉移學習之晶圓級簽章分群
TWI754764B (zh) 由低解析度影像產生高解析度影像以用於半導體應用
US20240169514A1 (en) Defect detection in manufactured articles using multi-channel images
TW202226027A (zh) 用於光學或其他模式選擇之深度生成模型