TW202041852A - 使用內嵌缺陷資訊之晶粒篩選 - Google Patents

使用內嵌缺陷資訊之晶粒篩選 Download PDF

Info

Publication number
TW202041852A
TW202041852A TW109109365A TW109109365A TW202041852A TW 202041852 A TW202041852 A TW 202041852A TW 109109365 A TW109109365 A TW 109109365A TW 109109365 A TW109109365 A TW 109109365A TW 202041852 A TW202041852 A TW 202041852A
Authority
TW
Taiwan
Prior art keywords
die
defects
wafer
dies
defect
Prior art date
Application number
TW109109365A
Other languages
English (en)
Other versions
TWI807179B (zh
Inventor
林璿正
迦內許 米那什桑多藍
Original Assignee
美商科磊股份有限公司
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 美商科磊股份有限公司 filed Critical 美商科磊股份有限公司
Publication of TW202041852A publication Critical patent/TW202041852A/zh
Application granted granted Critical
Publication of TWI807179B publication Critical patent/TWI807179B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L23/00—Details of semiconductor or other solid state devices
    • H01L23/544—Marks applied to semiconductor devices or parts, e.g. registration marks, alignment structures, wafer maps
    • 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
    • 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
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • 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
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • H01L21/67282—Marking devices
    • 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
    • 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
    • H01L22/10—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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L2223/00—Details relating to semiconductor or other solid state devices covered by the group H01L23/00
    • H01L2223/544—Marks applied to semiconductor devices or parts
    • H01L2223/54433—Marks applied to semiconductor devices or parts containing identification or tracking information
    • H01L2223/5444—Marks applied to semiconductor devices or parts containing identification or tracking information for electrical read out

Landscapes

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

Abstract

本文中之實施例包含使用內嵌缺陷資訊進行晶粒篩選之方法、系統及設備。此等實施例可包含：接收複數個缺陷；接收複數個晶粒之晶圓分檢電氣資料；將該等缺陷之各者分類為一所關注缺陷或擾亂點；判定該等所關注缺陷之各者之一所關注缺陷置信度；判定含有該等所關注缺陷之至少一者之該等晶粒之各者之一晶粒退回指數；判定一晶粒退回指數切割線；及產生一上墨圖。該等缺陷之各者可與該複數個晶粒中之一晶粒相關聯。該等晶粒之各者可被標記為通過一晶圓分檢電氣測試或未通過該晶圓分檢電氣測試。將該等缺陷之各者分類為一所關注缺陷或擾亂點可使用一缺陷分類模型完成，該缺陷分類模型可包含機器學習。可將該上墨圖以電子方式傳遞至一上墨系統。

Description

使用內嵌缺陷資訊之晶粒篩選
本發明大體上係關於晶圓檢測。更特定言之，本發明大體上係關於減少晶圓檢測中之誤宰(overkill)。
在半導體行業中，存在用於篩選出具有致命缺陷之高風險之晶粒之當前方法。此等方法係重要的，因為其等有助於防止具有致命缺陷之晶粒從製造進入至供應鏈中之下一步驟。然而，此等現有方法必須平衡效率與有效性，且因而存在改良空間。大多數供應商試圖改良其等之供應商品質指數，其中行業目標係零缺陷。為此，可降低晶粒之早期失效率(EFR)。
致命缺陷可導致半導體裝置之一故障或失效，而非致命缺陷不實質上影響半導體裝置之效能。例如，致命缺陷可a)具有亞微米大小；b)將一單一遮罩層級之元件(諸如金屬或閘堆疊澆道)短接在一起或在此等相同層級下產生開口；及c)可使用內嵌檢測工具(諸如一檢測SEM)檢測。
存在降低晶粒之早期失效率之一些系統。當前，一些晶圓廠及無生產線工廠 (fabless shop)使用類似零件平均測試(PAT)之方法。在PAT中，概念係識別高風險晶粒(在規格內之晶粒但其等在統計上不同於其他晶粒之常態母體)。地理PAT (G-PAT)係對PAT之一改良，其基於一晶粒與其他失效晶粒之地理近接性而判斷晶粒之適合性。G-PAT具有一變體(good-die bad-neighborhood)，其增加缺陷傾向於聚集之經驗理解。參數PAT (P-PAT)涉及定義臨界電氣測試參數，且常態分佈之離群點被視為待消除之可疑者。
一些工廠可使用來自內嵌檢測之一缺陷大小作為準則以判定是否應篩選出一晶粒。
在許多工廠中，使用一上墨程序來劃分篩選出之晶粒。在此一程序中，指定哪些晶粒將篩選出(塗墨)之一晶圓圖發送至一上墨系統。上墨系統將一可見墨水標記放置於將被篩選出之晶粒上。以此方式，此等「經塗墨」晶粒可從製程移除，此係因為其等被視為失效晶粒。因此，一製造商無法在其認為已失效或可能過早失效之晶粒上花費進一步時間、能量及資源。
然而，此等系統僅使用具有最小缺陷資訊之電氣資料。此通常導致誤宰，即，篩選出良好且通過一電氣測試、可能不會在該領域中失效及可能不會在一應力測試中之過度燃燒下失效之晶粒。誤宰導致晶圓廠之收益損失及半導體供應商可靠性指數(以百萬分率(ppm)量測)之降級。
亦存在基於前述測試方案之測試覆蓋率之一未知因素。其等之覆蓋率通常僅為晶粒之完整功能性之60%至80%。此係用於篩選出一晶粒之資訊中存在大差距之證據。
因此，需要用於篩選出晶粒以進行上墨之改良系統。
下文係提供對本發明之一初步理解之一簡化概述。該概述未必識別關鍵元素，亦不限制本發明之範疇，而僅充當對下列描述之一介紹。
在一第一實施例中提供一種方法。該方法可包括：接收複數個缺陷；接收複數個晶粒之晶圓分檢(wafersort)電氣資料；將該等缺陷之各者分類為一所關注缺陷或擾亂點；判定該等所關注缺陷之各者之一所關注缺陷置信度；判定含有該等所關注缺陷之至少一者之該等晶粒之各者之一晶粒退回指數；判定一晶粒退回指數切割線(cutline)；及產生一上墨圖。
在一第二實施例中提供一種系統。該系統可包括一檢測工具、一電子資料儲存單元及一處理器。
該檢測工具可包含一粒子發射器、一載物台及一偵測器。該粒子發射器可經組態以在一粒子束中發射粒子，例如光子或電子。該載物台可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。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產生具有複數個晶粒之一晶圓影像。
該電子資料儲存單元可經組態以儲存一配方。該配方可包含一缺陷分類模型。
該處理器可與該檢測工具及該電子資料儲存單元電子通信。該處理器可經組態以：針對該晶圓接收複數個缺陷；接收複數個晶粒之晶圓分檢電氣資料；將該等缺陷之各者分類為一所關注缺陷或擾亂點；判定該等所關注缺陷之各者之一所關注缺陷置信度；判定含有該等所關注缺陷之至少一者之該等晶粒之各者之一晶粒退回指數；判定一晶粒退回指數切割線；及產生一上墨圖。
在一第三實施例中提供一種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用於在一或多個運算裝置上執行步驟之一或多個程式。該等步驟可包含：接收複數個缺陷；接收複數個晶粒之晶圓分檢電氣資料；將該等缺陷之各者分類為一所關注缺陷或擾亂點；判定該等所關注缺陷之各者之一所關注缺陷置信度；判定含有該等所關注缺陷之至少一者之該等晶粒之各者之一晶粒退回指數；判定一晶粒退回指數切割線；及產生一上墨圖。
在實施例中，該等缺陷之各者可與該複數個晶粒中之一晶粒相關聯。該等晶粒之各者可被標記為通過一晶圓分檢電氣測試或未通過該晶圓分檢電氣測試。將該等缺陷之各者分類為一所關注缺陷或擾亂點可使用一缺陷分類模型完成。可存在被分類為所關注缺陷之複數個缺陷。
該上墨圖可表示具有一高風險失效晶粒之一晶圓。該高風險失效晶粒可為具有超過該晶粒退回指數切割線之一晶粒退回指數之一晶粒，且該高風險失效晶粒可被標記為未通過該晶圓分檢電氣測試。該上墨圖可組成一電子檔案，其可經組態以輸入至一晶粒上墨系統中。該電子檔案可為一SINF檔案。
可進一步提供一誤宰。該誤宰可為高風險失效晶粒之一數量對被標記為通過該晶圓分檢電氣測試之晶粒之一數量之一比。在一些實施例中，一處理器可提供該誤宰。在一些其他實施例中，該一或多個程式可提供該誤宰。
該缺陷分類模型可為一機器學習模型。該機器學習模型可使用隨機森林或XGBoost建構。
該晶粒退回指數可包括含於該給定晶粒上之該等缺陷之各者之該等所關注缺陷置信度之一總和。此可為針對含有該等所關注缺陷之至少一者之該等晶粒之各者。
該晶粒退回指數切割線可包括該等晶粒退回指數之幾何平均值。
可進一步將該電子檔案以電子方式發送至一晶粒上墨系統。在一些實施例中，可進一步由該處理器將該電子檔案以電子方式發送至與該處理器電子通信之一晶粒上墨系統。
相關申請案之交叉參考
本申請案主張2019年3月27日申請之美國臨時申請案第62/824,900號之優先權，該案之全部揭示內容以引用的方式併入本文中。
儘管將依據某些實施例描述所主張之標的物，然其他實施例(包含未提供本文中闡述之全部益處及特徵之實施例)亦在本發明之範疇內。可在不脫離本發明之範疇的情況下做出各種結構、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定義本發明之範疇。
本文中揭示之實施例包含使用具有機器學習之內嵌缺陷資訊篩選晶粒之方法、系統及設備。此等實施例及/或其等之實施方案可在晶圓檢測程序中提供優勢。在使用此等實施例的情況下，更多缺陷資訊可用於一高風險晶粒，此可使一使用者能夠做出關於是否篩選出晶粒之一更知情決策。額外缺陷資訊可尤其包含缺陷類別、缺陷影像及缺陷屬性。
另外，本發明之實施例可減少晶粒之誤宰。如本文中論述，誤宰係在揭露一晶圓上之晶粒未通過一晶圓分檢電氣測試時對比必要情況更多之晶粒進行塗墨。在使用先前方法(諸如G-PAT)的情況下，將不必要地對未通過晶圓分檢之一晶粒群集周圍之晶粒進行塗墨，從而導致誤宰。其他先前方法亦導致顯著誤宰，此係因為其等依靠不完全資訊資料集。
所獲得之資訊可提供較低成本且減少誤宰。以此方式，可檢測幾乎全部晶圓，即，在全部關鍵步驟，取樣率可急劇增加。
此等實施例可藉由識別具有一較高EFR概率之晶粒而解決使不良晶粒通過生產程序之問題。從一內嵌缺陷角度而言，其等可利用內嵌缺陷資訊來提供關於晶粒之狀況及其歷史之更多背景內容。此可容許使用者做出關於是否篩選出一給定晶粒之一更知情決策。
在一例項中，圖1A至圖1D繪示可在一第一例示性晶圓之一檢測程序中觀察到之一系列晶圓圖。圖1A繪示一分級分檢晶圓圖101。分級分檢晶圓圖101可為一晶圓之一表示，具有其上之各晶粒之細節。此結果來自晶圓已完成製造之後的晶圓分檢測試且可測試其是否具有功能性。圖1B繪示一堆疊缺陷晶圓圖102。堆疊缺陷晶圓圖102類似於分級分檢晶圓圖101，但其含有堆疊於其上且可見之全部缺陷層。此係來自缺陷檢測器之內嵌缺陷檢測之結果。圖1C繪示所關注缺陷(DOI)置信度晶圓圖103，其顯示含有DOI之全部晶粒，其中置信度經加總。在某種程度上，DOI置信度晶圓圖103類似於一熱圖。此係藉由使用一機器學習模型運算缺陷結果以返回各缺陷之一DOI置信度結果而產生之結果。圖1D繪示一DOI置信度離群晶粒晶圓圖104，其顯示在過濾具有較高DOI置信度之離群晶粒之後剩餘之晶粒。
在另一例項中，圖2A至圖2D繪示可在一第二例示性晶圓之一檢測程序中觀察到之一系列晶圓圖。以此方式，圖2A針對第二例示性晶圓繪示一分級分檢晶圓圖201，其類似於分級分檢晶圓圖101。圖2B針對第二例示性晶圓繪示一堆疊缺陷晶圓圖202，其類似於堆疊缺陷晶圓圖102。圖2C針對第二例示性晶圓繪示一DOI置信度晶圓圖203，其類似於DOI置信度晶圓圖103。圖2D針對第二例示性晶圓繪示一DOI置信度離群晶粒晶圓圖204，其類似於DOI置信度離群晶粒晶圓圖104。
在一些程序中，諸如DOI置信度晶圓圖103及203之晶圓圖可用於產生上墨圖以在隨後判定哪些晶粒應被篩選出及塗墨。例如，在使用此等方法的情況下，DOI置信度離群晶粒晶圓103上之任何晶粒被視為不良且產生一上墨圖，諸如圖3A中繪示之上墨圖301。同樣地，例如，在使用此等方法的情況下，DOI置信度離群晶粒晶圓203上之任何晶粒被視為不良且產生一上墨圖，諸如圖3B中繪示之上墨圖302。使用上墨圖301以對由堆疊缺陷晶圓圖102繪示之晶圓上之晶粒進行塗墨或使用上墨圖302以對由堆疊缺陷晶圓圖202繪示之晶圓上之晶粒進行塗墨可導致誤宰。
本發明之實施例可涉及在大多數步驟(至少在全部關鍵檢測步驟，例如在施加多晶矽層之後)為全部(100%)晶圓執行內嵌缺陷檢測。此將提供大量資料以訓練本文中採用之機器學習模型。本發明之實施例假定將始終存在需要被過濾出及排除之擾亂點。
本發明可體現為一方法500，如圖5中描繪。方法500可包括接收501複數個缺陷。各缺陷可與複數個晶粒中之一晶粒相關聯。所接收501之缺陷資料可包含擴展使用者定義屬性(UDA)。接下來可係接收502複數個晶粒之晶圓分檢電氣資料。晶圓分檢電氣資料可包含一標籤或各晶粒之其他指示，從而表示其是否已通過一晶圓分檢電氣測試或未通過一晶圓分檢電氣測試。可由自動設定之準則或由一操作者判斷通過或未通過晶圓分檢電氣測試。
所接收501及接收502之此資料可載入至一資料庫中，該資料庫可為例如含有UDA之一缺陷資料庫。在一些例項中，此可為KLA之Klarity資料庫。缺陷資料庫可為晶粒資料之源。在載入之後，缺陷資料庫中之缺陷可被識別為屬於一致命缺陷類別、致命缺陷或一擾亂點缺陷類別。此識別可用於產生一機器學習模型，該機器學習模型可為一缺陷分類模型。
此後，可使用一缺陷分類模型將缺陷分類503為DOI或擾亂點。根據本發明之一些實施例，被分類為DOI之缺陷可期望用於分析晶粒之狀況，且因而，其等將用於向前移動。用於將缺陷分類503為擾亂點或DOI之缺陷分類模型可為一機器學習模型。此一機器學習模型可經組態以將一輸入缺陷分類為DOI或擾亂點。此一機器學習模型可使用諸如例如隨機森林或XGBoost之方法建構。
隨機森林係一「總體」方法，其中隨機產生較大數目個樹(在每一決策樹之各節點處隨機選擇屬性)，且通常在不修剪的情況下建立樹直至全部分級皆係純淨的。藉由坐落於各分級中之訓練集中之缺陷之類型來判定該分級上之標籤。接著，在分類期間使用全部樹，且各缺陷基於簡單表決而獲得一標籤，若大多數樹將一缺陷分類為例如一所關注缺陷，則缺陷將被分類為一所關注缺陷。
XGBoost或極端梯度增強係一梯度增強實施方案。其係用於基於弱分類器之一反覆組合而產生強分類器之一總體方法。僅從作為弱分類器之學習者開始，反覆地添加學習者，從而有效地校正先前反覆之錯誤直至基於預定義準確度準則達成一準確模型。
在分類503之後，判定504被分類為DOI之各缺陷之一DOI置信度。此等DOI置信度可接著用於判定505一晶粒退回指數。一晶粒置信度指數可包括與含有被分類為一DOI之至少一個缺陷之晶粒相關聯之各DOI之DOI置信度之一總和。
圖6繪示比較不同晶粒退回指數之一實例。一第一晶粒(展示為晶粒601)具有被分類為具有DOI置信度之DOI之一或多個缺陷。其等之總和在晶粒603中被表示為具有0.7之一晶粒退回指數。一第二晶粒(展示為晶粒602)具有被分類為具有DOI置信度之DOI之一或多個缺陷。其等之總和在晶粒604中被表示為具有3.8之一晶粒退回指數。在此實例中，具有0.7之一晶粒退回指數之晶粒603可被視為具有一低指數且具有3.8之一晶粒退回指數之晶粒604可被視為具有一高指數。
返回至圖5中繪示之方法500，在判定505晶粒退回指數之後，可判定506一晶粒退回指數切割線。
例如，可藉由判定晶圓或晶圓之子集上之晶粒退回指數之幾何平均值而判定506一晶粒退回指數切割線。例如，在圖7中展示晶粒退回指數之一標繪圖700。依所展示指數之幾何平均值判定晶粒退回指數切割線701。
返回至圖5中繪示之方法500，在判定506晶粒退回指數切割線之後，可產生507一上墨圖。所產生507之上墨圖可包含可表示一晶圓之一晶圓圖檔案。上墨圖可具有一高風險失效晶粒或多個高風險失效晶粒。高風險失效晶粒可為具有超過晶粒退回指數切割線之晶粒退回指數之晶粒，且其等可被標記為未通過晶圓分檢電氣測試。以此方式，可減輕誤宰。
亦可提供誤宰之一量測以進行進一步報告或分析。此量測可為高風險失效晶粒之一數量對被標記為通過晶圓分檢電氣測試之晶粒之一數量之一比。因此，可判定使用例如方法500篩選出之晶粒與僅使用晶圓分檢電氣測試篩選出之晶粒之間的差異(此為誤宰)。
所產生507之上墨圖可組成一電子檔案。包括上墨圖之此一電子檔案可經組態以輸入至一晶粒上墨系統中。電子檔案可為一SINF檔案。一SINF檔案可為一晶圓圖格式且可為一晶圓上之一或多個晶粒之相對位置之一文字形式定義且可包含指令。以此方式，在產生上墨圖之後，可將其發送至一晶粒上墨系統。在圖4A (使用來自如應用於堆疊缺陷晶圓圖102之方法500之資料產生上墨圖401)及圖4B (使用來自如應用於堆疊缺陷晶圓圖202之方法500之資料產生上墨圖402)中繪示此等上墨圖。
在本發明之一實施例中，本文中描述之方法500在一處理器上實施。
在本發明之另一實施例中，上文方法被實施為用於在一或多個運算裝置上執行之一或多個程式。在此實施例中，一或多個程式儲存於一非暫時性電腦可讀儲存媒體上。電腦實施方法可包含本文中描述之任何(若干)方法之任何(若干)步驟。
在圖8中展示一系統800之一項實施例。系統800包含基於光學之子系統801。一般言之，基於光學之子系統801經組態以藉由將光引導至(或使光掃描遍及)一樣品802且從樣品802偵測光而針對樣品802產生基於光學之輸出。在一項實施例中，樣品802包含一晶圓。晶圓可包含此項技術中已知的任何晶圓。在另一實施例中，樣品包含一倍縮光罩。倍縮光罩可包含此項技術中已知的任何倍縮光罩。
在圖8中展示之系統800之實施例中，基於光學之子系統801包含經組態以將光引導至樣品802之一照明子系統。照明子系統包含至少一個光源(例如，一粒子發射器)。例如，如圖8中展示，照明子系統包含光源803。在一項實施例中，照明子系統經組態以按一或多個入射角將光引導至樣品802，該一或多個入射角可包含一或多個傾斜角及/或一或多個法向角。例如，如圖8中展示，來自光源803之光按一傾斜入射角被引導穿過光學元件804及接著透鏡805至樣品802。傾斜入射角可包含任何適合傾斜入射角，其可取決於例如樣品802之特性而變化。
從光源803或粒子發射器發射之粒子可為光子。光源803或粒子發射器亦可發射光，該光可為紅外光、可見光、紫外光或x射線光。
基於光學之子系統801可經組態以在不同時間按不同入射角將光引導至樣品802。例如，基於光學之子系統801可經組態以更改照明子系統之一或多個元件之一或多個特性，使得光可按不同於圖8中展示之入射角之一入射角被引導至樣品802。在一個此實例中，基於光學之子系統801可經組態以移動光源803、光學元件804及透鏡805，使得光按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802。
在一些例項中，基於光學之子系統801可經組態以在相同時間按一個以上入射角將光引導至樣品802。例如，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8中展示之光源803、光學元件804及透鏡805，且照明通道之另一者(未展示)可包含類似元件(其等可以不同或相同方式組態)或可包含至少一光源及可能一或多個其他組件(諸如本文中進一步描述之組件)。若此光與其他光同時被引導至樣品，則按不同入射角被引導至樣品802之光之一或多個特性(例如，波長、偏光等)可不同，使得可在(若干)偵測器處將源自按不同入射角照明樣品802之光彼此區分。
在另一例項中，照明子系統可包含僅一個光源(例如，圖8中展示之光源803)且來自光源之光可藉由照明子系統之一或多個光學元件(未展示)而分成不同光學路徑(例如，基於波長、偏光等)。接著，可將不同光學路徑之各者中之光引導至樣品802。多個照明通道可經組態以在相同時間或不同時間(例如，當使用不同照明通道來依序照明樣品時)將光引導至樣品802。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802。例如，在一些例項中，光學元件804可經組態為一光譜濾波器且可以多種不同方式(例如，藉由換掉光譜濾波器)改變光譜濾波器之性質，使得可在不同時間將不同波長之光引導至樣品802。照明子系統可具有此項技術中已知的用於依序或同時按不同或相同入射角將具有不同或相同特性之光引導至樣品802之任何其他適合組態。
在一項實施例中，光源803可包含一寬頻電漿(BBP)源。以此方式，由光源803產生且被引導至樣品802之光可包含寬頻光。然而，光源可包含任何其他適合光源，諸如一雷射或燈。雷射可包含此項技術中已知的任何適合雷射且可經組態以產生此項技術中已知的任何一或多個適合波長之光。另外，雷射可經組態以產生單色或近單色光。以此方式，雷射可為一窄頻雷射。光源803亦可包含產生多個離散波長或波帶之光之一多色光源。
來自光學元件804之光可藉由透鏡805聚焦至樣品802上。儘管透鏡805在圖8中被展示為一單折射光學元件，然應理解，在實踐中，透鏡805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。在圖8中展示且在本文中描述之照明子系統可包含任何其他適合光學元件(未展示)。此等光學元件之實例包含(但不限於)(若干)偏光組件、(若干)光譜濾波器、(若干)空間濾波器、(若干)反射光學元件、(若干)切趾器、(若干)光束分離器(諸如光束分離器813)、(若干)孔徑及可包含此項技術中已知的任何此等適合光學元件之類似物。另外，基於光學之子系統801可經組態以基於待用於產生基於光學之輸出之照明類型更改照明子系統之元件之一或多者。
基於光學之子系統801亦可包含經組態以導致光掃描遍及樣品802之一掃描子系統。例如，基於光學之子系統801可包含在基於光學之輸出產生期間在其上安置樣品802之載物台806。掃描子系統可包含可經組態以移動樣品802，使得光可掃描遍及樣品802之任何適合機械及/或機器人總成(其包含載物台806)。另外或替代性地，基於光學之子系統801可經組態使得基於光學之子系統801之一或多個光學元件執行光遍及樣品802之一些掃描。光可以任何適合方式(諸如以一蛇形路徑或以一螺旋路徑)掃描遍及樣品802。
基於光學之子系統801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802之照明而來自樣品802之光且回應於所偵測光產生輸出。例如，圖8中展示之基於光學之子系統801包含兩個偵測通道，一個通道由集光器807、元件808及偵測器809形成且另一個通道由集光器810、元件811及偵測器812形成。如圖8中展示，兩個偵測通道經組態以按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散射光，且偵測通道經組態以偵測按不同角度從樣品802散射之光。然而，偵測通道之一或多者可經組態以偵測來自樣品802之另一類型之光(例如，反射光)。
如圖8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，兩個偵測通道定位(例如，居中)於入射平面中。然而，偵測通道之一或多者可定位於入射平面外。例如，由集光器810、元件811及偵測器812形成之偵測通道可經組態以收集及偵測從入射平面散射之光。因此，此一偵測通道通常可被稱為一「側」通道，且此一側通道可在實質上垂直於入射平面之一平面中居中。
儘管圖8展示包含兩個偵測通道之基於光學之子系統801之一實施例，然基於光學之子系統801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兩個以上偵測通道)。在一個此例項中，由集光器810、元件811及偵測器812形成之偵測通道可形成如上文描述之一個側通道，且基於光學之子系統801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801可包含偵測通道，該偵測通道包含集光器807、元件808及偵測器809且在入射平面中居中且經組態以收集及偵測依法向於或接近法向於樣品802表面之(若干)散射角之光。因此，此偵測通道通常可被稱為一「頂部」通道，且基於光學之子系統801亦可包含如上文描述般組態之兩個或兩個以上側通道。因而，基於光學之子系統801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之集光器，該等集光器之各者經組態以收集依不同於其他集光器之各者之散射角之光。
如上文進一步描述，包含於基於光學之子系統801中之偵測通道之各者可經組態以偵測散射光。因此，圖8中展示之基於光學之子系統801可經組態用於樣品802之暗場(DF)輸出產生。然而，基於光學之子系統801亦可或替代地包含經組態用於樣品802之明場(BF)輸出產生之(若干)偵測通道。換言之，基於光學之子系統801可包含經組態以偵測從樣品802鏡面反射之光之至少一個偵測通道。因此，本文中描述之基於光學之子系統801可經組態用於僅DF成像、僅BF成像或DF及BF成像兩者。儘管集光器之各者在圖8中被展示為單折射光學元件，然應理解，集光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的任何適合偵測器。例如，偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時間延遲積分(TDI)相機及此項技術中已知的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。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散射光之某些特性(諸如強度)但可不經組態以偵測依據成像平面內之位置而變化之此等特性。因而，藉由包含於基於光學之子系統之偵測通道之各者中之偵測器之各者產生之輸出可為信號或資料而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814)可經組態以從偵測器之非成像輸出產生樣品802之影像。然而，在其他例項中，偵測器可經組態為經組態以產生成像信號或影像資料之成像偵測器。因此，基於光學之子系統可經組態以按數種方式產生本文中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8以大體上繪示可被包含於本文中描述之系統實施例中或可產生藉由本文中描述之系統實施例使用之基於光學之輸出之一基於光學之子系統801之一組態。如通常在設計一商業輸出獲取系統時執行，本文中描述之基於光學之子系統801組態可經更改以最佳化基於光學之子系統801之效能。另外，本文中描述之系統可使用一現有系統實施(例如，藉由將本文中描述之功能性添加至一現有系統)。對於一些此等系統，本文中描述之方法可被提供為系統之選用功能性(例如，除系統之其他功能性之外)。替代地，本文中描述之系統可被設計為一全新系統。
圖9係一系統900之一實施例之一方塊圖。系統900包含經組態以產生一樣品904 (其可包含一晶圓或一倍縮光罩)之影像之一晶圓檢測工具(其包含電子柱901)。
晶圓檢測工具包含一輸出獲取子系統，該輸出獲取子系統包含至少一能量源及一偵測器。輸出獲取子系統可為一基於電子束之輸出獲取子系統。例如，在一項實施例中，被引導至樣品904之能量包含電子，且從樣品904偵測之能量包含電子。以此方式，能量源可為一電子束源。在圖9中展示之一項此實施例中，輸出獲取子系統包含耦合至電腦子系統902之電子柱901。一載物台910可固持樣品904。
亦如圖9中展示，電子柱901包含一電子束源903 (例如，一粒子發射器)，該電子束源903經組態以產生由一或多個元件905聚焦至樣品904之電子。電子束源903可包含例如一陰極源極或射極尖端。一或多個元件905可包含例如一槍透鏡、一陽極、一光束限制孔徑、一閘閥、一光束電流選擇孔徑、一物鏡及一掃描子系統，其等全部可包含此項技術中已知的任何此等適合元件。
可藉由一或多個元件906將從樣品904返回之電子(例如，二次電子)聚焦至偵測器907。一或多個元件906可包含例如一掃描子系統，該掃描子系統可為包含於(若干)元件905中之相同掃描子系統。
電子柱901亦可包含此項技術中已知的任何其他適合元件。
儘管電子柱901在圖9中被展示為經組態使得電子按一傾斜入射角被引導至樣品904且按另一傾斜角從樣品904散射，然電子束可按任何適合角被引導至樣品904且從樣品904散射。另外，基於電子束之輸出獲取子系統可經組態以使用多個模式來產生樣品904之影像(例如，使用不同照明角、收集角等)。基於電子束之輸出獲取子系統之多個模式可在輸出獲取子系統之任何影像產生參數方面不同。
電腦子系統902可如上文描述般耦合至偵測器907。偵測器907可偵測從樣品904之表面返回之電子，藉此形成樣品904之電子束影像。電子束影像可包含任何適合電子束影像。電腦子系統902可經組態以使用偵測器907之輸出及/或電子束影像來執行本文中描述之功能之任一者。電腦子系統902可經組態以執行本文中描述之任何(若干)額外步驟。包含圖9中展示之輸出獲取子系統之一系統900可如本文中描述般進一步組態。
應注意，本文中提供圖9以大體上繪示可用於本文中描述之實施例中之一基於電子束之輸出獲取子系統之一組態。如通常在設計一商業輸出獲取系統時執行，本文中描述之基於電子束之輸出獲取子系統組態可經更改以最佳化輸出獲取子系統之效能。另外，本文中描述之系統可使用一現有系統實施(例如，藉由將本文中描述之功能性添加至一現有系統)。對於一些此等系統，本文中描述之方法可被提供為系統之選用功能性(例如，除系統之其他功能性之外)。替代地，本文中描述之系統可被設計為一全新系統。
儘管輸出獲取子系統在上文被描述為一基於電子束之輸出獲取子系統，然輸出獲取子系統可為一基於離子束之輸出獲取子系統。可如圖9中展示般組態此一輸出獲取子系統，惟可用此項技術中已知的任何適合離子束源替換電子束源除外。另外，輸出獲取子系統可為任何其他適合基於離子束之輸出獲取子系統，諸如被包含於市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜儀(SIMS)系統中之基於離子束之輸出獲取子系統。
電腦子系統902包含一處理器908及一電子資料儲存單元909。處理器908可包含一微處理器、一微控制器或其他裝置。
處理器814或電腦子系統902可以任何適合方式(例如，經由一或多個傳輸媒體，其或其等可包含有線及/或無線傳輸媒體)分別耦合至系統800或900之組件，使得處理器814或908可分別接收輸出。處理器814或908可經組態以使用輸出執行數個功能。系統800或900可分別從處理器814或908接收指令或其他資訊。處理器814或908及/或電子資料儲存單元815或909視情況可分別與另一晶圓檢測工具、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814或908及/或電子資料儲存單元815或909可分別與一掃描電子顯微鏡電子通信。
本文中描述之處理器814或908或電腦子系統902、(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、網路器具、網際網路器具或其他裝置。(若干)子系統或(若干)系統亦可包含此項技術中已知的任何適合處理器，諸如一平行處理器。另外，(若干)子系統或(若干)系統可包含作為一單獨或一網路化工具之具有高速處理及軟體之一平台。
處理器814或908及電子資料儲存單元815或909可分別安置於系統800或900或另一裝置中或分別以其他方式成為系統800或900或另一裝置之部分。在一實例中，處理器814或908及電子資料儲存單元815或909可分別係一單獨控制單元之部分或在一集中式品質控制單元中。可分別使用多個處理器814或908或電子資料儲存單元815或909。
在實踐中，處理器814或908可藉由硬體、軟體及韌體之任何組合實施。同樣地，如本文中描述之其功能可藉由一個單元執行，或在不同組件間劃分，該等組件之各者可繼而藉由硬體、軟體及韌體之任何組合實施。供處理器814或908實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體(諸如分別在電子資料儲存單元815或909中之一記憶體或其他記憶體)中。
若系統800或900分別包含一個以上處理器814或處理器908或電腦子系統902，則不同子系統可彼此耦合，使得可在子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何適當傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知的任何適合有線及/或無線傳輸媒體。此等子系統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)有效耦合。
處理器814或908可經組態以分別使用系統800或900之輸出或其他輸出執行數個功能。例如，處理器814或908可經組態以分別將輸出發送至一電子資料儲存單元815或909或另一儲存媒體。處理器814或908可如本文中描述般進一步組態。
處理器814、處理器908或電腦子系統902可為一缺陷檢視系統、一檢測系統、一計量系統或某其他類型之系統之部分。因此，本文中揭示之實施例描述可針對具有或多或少適合於不同應用之不同能力之系統以數個方式定製之一些組態。
若系統包含一個以上子系統，則不同子系統可彼此耦合，使得可在子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何適當傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知的任何適合有線及/或無線傳輸媒體。此等子系統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)有效耦合。
處理器814或908可根據本文中描述之實施例之任一者組態。處理器814或908亦可經組態以分別使用系統800或900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814或908可分別以此項技術中已知的任何方式通信地耦合至系統800或900之各種組件或子系統之任一者。再者，處理器814或908可經組態以藉由可包含有線及/或無線部分之一傳輸媒體接收及/或獲取來自其他系統之資料或資訊(例如，來自諸如一檢視工具之一檢測系統之檢測結果、包含設計資料之一遠端資料庫及類似物)。以此方式，傳輸媒體可分別充當處理器814或908與系統800或900之其他子系統或系統800或900外部之系統之間的一資料鏈路。
處理器814或908分別與晶圓檢測工具(諸如偵測器809或812或偵測器907)電子通信。處理器814或908可經組態以分別處理使用來自偵測器809或812或偵測器907之量測產生之影像。例如，處理器814或908可經組態以執行方法500之實施例。
一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一控制器上執行以執行用於處理樣品802或904之影像之一電腦實施方法之程式指令，如本文中揭示。特定言之，如圖8或圖9中展示，電子資料儲存單元815或909或其他儲存媒體可含有包含可分別在處理器814或908上執行之程式指令之非暫時性電腦可讀媒體。電腦實施方法可包含本文中描述之任何(若干)方法(包含方法500)之任何(若干)步驟。
實施方法(諸如本文中描述之方法)之程式指令可儲存於電腦可讀媒體上，諸如在電子資料儲存單元815或909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的任何其他適合非暫時性電腦可讀媒體。
程式指令可以各種方式之任一者實施，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，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(MFC)、串流SIMD擴展(SSE)或其他技術或方法實施程式指令。
在一實施例中，處理器814或處理器908可經組態以接收複數個缺陷及複數個晶粒之晶圓分檢電氣資料。各缺陷可與複數個晶粒中之一晶粒相關聯。各晶粒可進一步被標記為通過或未通過一晶圓分檢電氣測試。處理器814或908可經進一步組態以：使用一缺陷分類模型將各缺陷分類為DOI或擾亂點；判定被分類為DOI之各缺陷之一所關注缺陷置信度；判定含有被分類為一DOI之至少一個缺陷之各晶粒之一晶粒退回指數；及判定一晶粒退回指數切割線。
處理器814或908可經進一步組態以接著產生包含表示具有一高風險失效晶粒之晶圓之一晶圓圖檔案之一上墨圖，其中高風險失效晶粒係具有超過晶粒退回指數切割線之一晶粒退回指數之一晶粒且被標記為未通過晶圓分檢電氣測試。
系統800或系統900之各種步驟、功能及/或操作及本文中揭示之方法由以下之一或多者實行：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控制/開關、微控制器或運算系統。實施方法(諸如本文中描述之方法)之程式指令可透過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、一磁帶及類似物。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，貫穿本發明描述之各種步驟可由一單一處理器814或一單一處理器908 (或電腦子系統902)或替代地多個處理器814或多個處理器908 (或多個電腦子系統902)實行。再者，系統800或系統900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對本發明之一限制而僅為一圖解。
在本文中揭示之各種實施例及實例中描述之方法之步驟足以實行本發明之方法。因此，在一實施例中，該方法本質上由本文中揭示之方法之步驟之一組合構成。在另一實施例中，該方法由此等步驟構成。
儘管已參考一或多個特定實施例描述本發明，然將理解，可在不脫離本發明之範疇的情況下製作本發明之其他實施例。
101:分級分檢晶圓圖 102:堆疊缺陷晶圓圖 103:所關注缺陷(DOI)置信度晶圓圖 104:所關注缺陷(DOI)置信度離群晶粒晶圓圖 201:分級分檢晶圓圖 202:堆疊缺陷晶圓圖 203:所關注缺陷(DOI)置信度晶圓圖 204:所關注缺陷(DOI)置信度離群晶粒晶圓圖 301:上墨圖 302:上墨圖 401:上墨圖 402:上墨圖 500:方法 501:接收 502:接收 503:分類 504:判定 505:判定 506:判定 507:產生 601:晶粒 602:晶粒 603:晶粒 604:晶粒 700:標繪圖 701:晶粒退回指數切割線 800:系統 801:基於光學之子系統 802:樣品 803:光源 804:光學元件 805:透鏡 806:載物台 807:集光器 808:元件 809:偵測器 810:集光器 811:元件 812:偵測器 813:光束分離器 814:處理器 815:電子資料儲存單元 900:系統 901:電子柱 902:電腦子系統 903:電子束源 904:樣品 905:元件 906:元件 907:偵測器 908:處理器 909:電子資料儲存單元 910:載物台
為更完全理解本發明之性質及目的，應參考結合隨附圖式進行之以下詳細描述，其中： 圖1A繪示一第一分級(bin)分檢晶圓圖； 圖1B繪示一第一堆疊缺陷晶圓圖； 圖1C繪示一第一所關注缺陷置信度晶圓圖； 圖1D繪示一第一所關注缺陷置信度離群晶圓圖； 圖2A繪示一第二分級分檢晶圓圖； 圖2B繪示一第二堆疊缺陷晶圓圖； 圖2C繪示一第二所關注缺陷置信度晶圓圖； 圖2D繪示一第二所關注缺陷置信度離群晶圓圖； 圖3A繪示一未過濾上墨圖； 圖3B繪示一未過濾上墨圖； 圖4A繪示一經過濾上墨圖； 圖4B繪示一經過濾上墨圖； 圖5繪示根據本發明之一實施例之一方法； 圖6繪示所關注缺陷置信度總和之一比較； 圖7繪示基於晶粒退回指數之一分佈作為各晶粒之所關注缺陷置信度之總和之一分佈； 圖8繪示根據本發明之一實施例之一系統；及 圖9繪示根據本發明之一實施例之一系統。
500:方法
501:接收
502:接收
503:分類
504:判定
505:判定
506:判定
507:產生

Claims (20)

  1. 一種方法，其包括： 接收複數個缺陷，該等缺陷之各者與複數個晶粒中之一晶粒相關聯； 接收該複數個晶粒之晶圓分檢電氣資料，其中該等晶粒之各者被標記為通過一晶圓分檢電氣測試或未通過該晶圓分檢電氣測試； 使用一缺陷分類模型將該等缺陷之各者分類為一所關注缺陷或一擾亂點，其中存在複數個所關注缺陷； 判定該等所關注缺陷之各者之一所關注缺陷置信度； 判定含有該等所關注缺陷之至少一者之該等晶粒之各者之一晶粒退回指數； 判定一晶粒退回指數切割線；及 產生表示具有一高風險失效晶粒之一晶圓之一上墨圖，其中該高風險失效晶粒係具有超過該晶粒退回指數切割線之一晶粒退回指數之一晶粒且被標記為未通過該晶圓分檢電氣測試。
  2. 如請求項1之方法，其進一步包括提供一誤宰，其中該誤宰係高風險失效晶粒之一數量對被標記為通過該晶圓分檢電氣測試之晶粒之一數量之一比。
  3. 如請求項1之方法，其中該缺陷分類模型係使用隨機森林或XGBoost建構之一機器學習模型。
  4. 如請求項1之方法，其中針對含有該等所關注缺陷之至少一者之該等晶粒之各者，該晶粒退回指數包括含於其上之該等所關注缺陷之各者之該等所關注缺陷置信度之一總和。
  5. 如請求項1之方法，其中該晶粒退回指數切割線包括該等晶粒退回指數之幾何平均值。
  6. 如請求項1之方法，其中該上墨圖組成經組態以輸入至一晶粒上墨系統中之一電子檔案。
  7. 如請求項6之方法，其中該電子檔案係一SINF檔案。
  8. 如請求項6之方法，其進一步包括將該電子檔案以電子方式發送至該晶粒上墨系統。
  9. 一種系統，其包括： 一檢測工具，其包含： 一粒子發射器，其經組態以在一粒子束中發射粒子； 一載物台，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，其經組態以偵測由該晶圓反射之該等粒子之一部分且產生具有複數個晶粒之一晶圓影像； 一電子資料儲存單元，其經組態以儲存包含一缺陷分類模型之一配方；及 一處理器，其與該檢測工具及該電子資料儲存單元電子通信，該處理器經組態以針對該晶圓： 接收複數個缺陷，該等缺陷之各者與該複數個晶粒中之一晶粒相關聯； 接收該複數個晶粒之晶圓分檢電氣資料，其中該等晶粒之各者被標記為通過一晶圓分檢電氣測試或未通過該晶圓分檢電氣測試； 使用一缺陷分類模型將該等缺陷之各者分類為一所關注缺陷或一擾亂點，其中存在複數個所關注缺陷； 判定該等所關注缺陷之各者之一所關注缺陷置信度； 判定含有該等所關注缺陷之至少一者之該等晶粒之各者之一晶粒退回指數； 判定一晶粒退回指數切割線；及 產生表示具有一高風險失效晶粒之該晶圓之一上墨圖，其中該高風險失效晶粒係具有超過該晶粒退回指數切割線之一晶粒退回指數之一晶粒且被標記為未通過該晶圓分檢電氣測試。
  10. 如請求項9之系統，其中該處理器經進一步組態以提供一誤宰，其中該誤宰係高風險失效晶粒之一數量對被標記為通過該晶圓分檢電氣測試之晶粒之一數量之一比。
  11. 如請求項9之系統，其中該缺陷分類模型係使用隨機森林或XGBoost建構之一機器學習模型。
  12. 如請求項9之系統，其中針對含有該等所關注缺陷之至少一者之該等晶粒之各者，該晶粒退回指數包括含於其上之該等所關注缺陷之各者之該等所關注缺陷置信度之一總和。
  13. 如請求項9之系統，其中該晶粒退回指數切割線包括該等晶粒退回指數之幾何平均值。
  14. 如請求項9之系統，其中該上墨圖組成經組態以輸入至一晶粒上墨系統中之一電子檔案。
  15. 如請求項14之系統，其中該電子檔案係一SINF檔案。
  16. 如請求項14之系統，其中該處理器進一步與該晶粒上墨系統電子通信，且其中該處理器經進一步組態以將該電子檔案以電子方式發送至該晶粒上墨系統。
  17. 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： 接收複數個缺陷，該等缺陷之各者與複數個晶粒中之一晶粒相關聯； 接收該複數個晶粒之晶圓分檢電氣資料，其中該等晶粒之各者被標記為通過一晶圓分檢電氣測試或未通過該晶圓分檢電氣測試； 使用一缺陷分類模型將該等缺陷之各者分類為一所關注缺陷或一擾亂點，其中存在複數個所關注缺陷； 判定該等所關注缺陷之各者之一所關注缺陷置信度； 判定含有該等所關注缺陷之至少一者之該等晶粒之各者之一晶粒退回指數； 判定一晶粒退回指數切割線；及 產生表示具有一高風險失效晶粒之一晶圓之一上墨圖，其中該高風險失效晶粒係具有超過該晶粒退回指數切割線之一晶粒退回指數之一晶粒且被標記為未通過該晶圓分檢電氣測試。
  18. 如請求項17之非暫時性電腦可讀儲存媒體，其中該一或多個程式提供一誤宰，其中該誤宰係高風險失效晶粒之一數量對被標記為通過該晶圓分檢電氣測試之晶粒之一數量之一比。
  19. 如請求項17之非暫時性電腦可讀儲存媒體，其中該缺陷分類模型係使用隨機森林或XGBoost建構之一機器學習模型。
  20. 如請求項17之非暫時性電腦可讀儲存媒體，其中針對含有該等所關注缺陷之至少一者之該等晶粒之各者，該晶粒退回指數包括含於其上之該等所關注缺陷之各者之該等所關注缺陷置信度之一總和。
TW109109365A 2019-03-27 2020-03-20 用於晶圓檢測之方法及系統與相關之非暫時性電腦可讀儲存媒體 TWI807179B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962824900P 2019-03-27 2019-03-27
US62/824,900 2019-03-27
US16/439,465 US10930597B2 (en) 2019-03-27 2019-06-12 Die screening using inline defect information
US16/439,465 2019-06-12

Publications (2)

Publication Number Publication Date
TW202041852A true TW202041852A (zh) 2020-11-16
TWI807179B TWI807179B (zh) 2023-07-01

Family

ID=72604813

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109109365A TWI807179B (zh) 2019-03-27 2020-03-20 用於晶圓檢測之方法及系統與相關之非暫時性電腦可讀儲存媒體

Country Status (6)

Country Link
US (1) US10930597B2 (zh)
KR (1) KR102557188B1 (zh)
CN (1) CN113574645B (zh)
SG (1) SG11202109938XA (zh)
TW (1) TWI807179B (zh)
WO (1) WO2020198405A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7404009B2 (ja) * 2019-09-19 2023-12-25 キオクシア株式会社 加工情報管理システム及び加工情報管理方法
US11967060B2 (en) * 2020-08-25 2024-04-23 Kla Corporation Wafer level spatial signature grouping using transfer learning
CN112542206A (zh) * 2020-12-11 2021-03-23 深圳佰维存储科技股份有限公司 Lpddr测试方法、装置、可读存储介质及电子设备
US11614480B2 (en) 2021-06-08 2023-03-28 Kla Corporation System and method for Z-PAT defect-guided statistical outlier detection of semiconductor reliability failures

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4077951B2 (ja) * 1998-01-14 2008-04-23 株式会社ルネサステクノロジ 欠陥解析方法、記録媒体及び工程管理方法
JP3492226B2 (ja) * 1999-02-03 2004-02-03 株式会社日立製作所 半導体不良原因絞込み方法
US7225107B2 (en) * 2001-05-24 2007-05-29 Test Advantage, Inc. Methods and apparatus for data analysis
JP2005057200A (ja) * 2003-08-07 2005-03-03 Trecenti Technologies Inc 半導体装置の製造方法
JP4276503B2 (ja) 2003-09-22 2009-06-10 株式会社日立製作所 半導体不良原因絞込み方法
JP2005136113A (ja) * 2003-10-30 2005-05-26 Hitachi Ltd 検査データ解析プログラム
US20050136086A1 (en) * 2003-12-19 2005-06-23 Rafael Herruzo Efficacy enhancers for germicides
US20060136086A1 (en) 2004-12-21 2006-06-22 Taiwan Semiconductor Manufacturing Co., Ltd. Inking process management systems and methods
US8103087B2 (en) * 2006-01-20 2012-01-24 Hitachi High-Technologies Corporation Fault inspection method
US7415387B2 (en) 2006-12-19 2008-08-19 Qimonda North America Corp. Die and wafer failure classification system and method
US20080172189A1 (en) * 2007-01-16 2008-07-17 Daniel Kadosh Determining Die Health by Expanding Electrical Test Data to Represent Untested Die
JP4866263B2 (ja) * 2007-02-19 2012-02-01 株式会社日立製作所 電子デバイスの品質管理方法および電子デバイスの品質管理システム
EP2246708A1 (de) 2009-04-30 2010-11-03 Micronas GmbH Verfahren zur Erstellung einer Defektkarte von auf einem Träger, insbesondere einem Halbleiter-Wafer, befindliche Einzelkomponenten, insbesondere Halbleiter-Bauelementen
US9518934B2 (en) * 2014-11-04 2016-12-13 Kla-Tencor Corp. Wafer defect discovery
US10127651B2 (en) * 2016-01-15 2018-11-13 Kla-Tencor Corporation Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
US10872794B2 (en) * 2017-06-20 2020-12-22 Taiwan Semiconductor Manufacturing Co., Ltd. Automatic in-line inspection system
US10699926B2 (en) 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
US10867877B2 (en) * 2018-03-20 2020-12-15 Kla Corporation Targeted recall of semiconductor devices based on manufacturing data

Also Published As

Publication number Publication date
WO2020198405A1 (en) 2020-10-01
CN113574645A (zh) 2021-10-29
US10930597B2 (en) 2021-02-23
SG11202109938XA (en) 2021-10-28
CN113574645B (zh) 2022-05-17
KR20210134077A (ko) 2021-11-08
US20200312778A1 (en) 2020-10-01
TWI807179B (zh) 2023-07-01
WO2020198405A9 (en) 2020-12-10
KR102557188B1 (ko) 2023-07-18

Similar Documents

Publication Publication Date Title
JP7026719B2 (ja) 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング
JP6490211B2 (ja) ウェハ欠陥発見
CN113574645B (zh) 使用内嵌缺陷信息的裸片筛选
US8559000B2 (en) Method of inspecting a semiconductor device and an apparatus thereof
US9293298B2 (en) Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US10551827B2 (en) Hybrid inspection system for efficient process window discovery
KR20170086539A (ko) 프로세스 윈도우 특성묘사를 위한 가상 검사 시스템
US10698325B2 (en) Performance monitoring of design-based alignment
US9891538B2 (en) Adaptive sampling for process window determination
TWI785253B (zh) 基於多個散射信號之嵌入式粒子深度分級
KR20190057402A (ko) 검사 관련 알고리즘을 설정하는데 사용되는 트레이닝 세트의 최적화
KR102629852B1 (ko) 다중-모드 검사를 위한 통계적 학습-기반 모드 선택
TWI798386B (zh) 用於新穎缺陷發現之損害探勘
JP2011179823A (ja) 欠陥検査装置および欠陥検査方法