TW202113337A - 用於具有光學檢查之製程監控的方法 - Google Patents
用於具有光學檢查之製程監控的方法 Download PDFInfo
- Publication number
- TW202113337A TW202113337A TW109126085A TW109126085A TW202113337A TW 202113337 A TW202113337 A TW 202113337A TW 109126085 A TW109126085 A TW 109126085A TW 109126085 A TW109126085 A TW 109126085A TW 202113337 A TW202113337 A TW 202113337A
- Authority
- TW
- Taiwan
- Prior art keywords
- processor
- defects
- defect
- inspection
- wafer
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—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 based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
機器學習方法提供有關半導體晶圓檢查穩定性問題之額外資訊,其可區分如製程偏移之連續製程變動與規格內之小製程變動。可獨立監控檢查結果中之可變關注缺陷(DOI)捕獲率之影響及晶圓上之可變缺陷計數之影響。
Description
本發明係關於半導體晶圓之檢查。
半導體製造產業之演進對良率管理且尤其是度量及檢查系統提出更高要求。臨界尺寸不斷縮小,但產業需要減少達成高良率、高價值生產之時間。最小化自偵測到一良率問題至將其解決之總時間判定一半導體製造商之投資回報率。
製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量製程處理一半導體晶圓以形成半導體裝置之各種特徵及多個層級。例如,微影係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一半導體製程。半導體製程之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及離子注入。製造於一單一半導體晶圓上之多個半導體裝置之一配置可分離成單個半導體裝置。
檢查製程用於在半導體製造期間之各個步驟中偵測晶圓上之缺陷以促成製程之較高良率且因此促成較高利潤。檢查一直都是製造諸如積體電路(IC)之半導體裝置之一重要部分。然而,隨著半導體裝置之尺寸減小,檢查對可接受半導體裝置之成功製造變得更加重要,因為更小缺陷會引起裝置失效。例如,隨著半導體裝置之尺寸減小,有必要偵測減小大小之缺陷,因為即使缺陷相對較小,但其會引起半導體裝置之不想要像差。
然而,隨著設計規則收緊,半導體製程會更接近製程之效能之限制操作。另外,隨著設計規則收緊,更小缺陷會影響裝置之電參數,其推動更敏感檢查。隨著設計規則收緊,由檢查偵測之潛在良率相關缺陷之群體急劇增長,且由檢查偵測之干擾缺陷之群體亦急劇增加。因此,可在晶圓上偵測到更多缺陷,且校正製程以消除所有缺陷可能既困難又昂貴。判定哪些缺陷實際上會影響裝置之電參數及良率可允許製程控制方法聚焦於該等缺陷上,而基本上忽略其他缺陷。此外,在較小設計規則下,製程誘發失效在一些情況中往往係系統性的。即,製程誘發失效往往在設計內通常重複多次之預定設計圖案處失效。消除空間系統性、電相關缺陷會影響良率。
光學檢查用於藉由在製造期間追蹤晶圓上之缺陷計數及干擾來監控晶圓製程。由於光學檢查缺乏分辨率來確定性地判定缺陷類型,因此缺陷監控依靠一單獨掃描電子顯微鏡(SEM)複查。歸因於一半導體製造設備之有限SEM工具時間預算,方法基本上係統計性的。來自檢查之少量缺陷經取樣,由一SEM複查,且經分類。接著,將樣品中之SEM確定之缺陷計數投射至檢查計數上以估計晶圓上之缺陷計數。
藉由透過大量製造(HVM)之統計製程控制(SPC)或使用其他非嚴格統計方法追蹤缺陷計數隨時間之趨勢來進行製程監控。以前,執行了一光學檢查。最佳化對關注缺陷(DOI)之敏感度且抑制干擾。執行隨機取樣,接著進行SEM複查及分類以將取樣缺陷分類。接著,執行SPC以自樣品計數正規化且繪製缺陷計數趨勢。
既有監控方法之一問題係光學檢查本身對其意欲監控之製程變化很敏感。此係特別限制,因為晶圓之光學性質對晶圓處理之細微變化(即使其不影響晶片之電性質)(即,完全在製程窗規格內之變化)很敏感。由於此敏感度,光學檢查展現缺陷捕獲率及干擾率之變動(即使在製程窗內)且量測不良影響。膜厚度、臨界尺寸、線邊緣粗糙度、沈積期間不同材料分佈、輕微過度蝕刻或蝕刻不足或其他變數之製程變動會改變晶圓之光學性質。因此,此等製程變動會影響一光學檢查結果。
光學檢查之此固有可變性使準確監控變得困難,且問題因在較小設計規則中需要較高干擾率及較嚴檢查臨限值來達成適當DOI捕獲率而變嚴重。無法使用先前技術來分離檢查結果中製程可變性之影響。此限制影響有效監控製程之能力。
因此,需要用於半導體晶圓檢查之新方法及系統。
在一第一實施例中,提供一種方法。該方法包含由一光學檢查工具光學檢查複數個晶圓以藉此產生影像。由基於機器學習之分類器使用一處理器自該等影像提取特徵。使用該處理器,自該等特徵及該晶圓之所有偵測事件之一群體判定監控度量。在該處理器處自一掃描電子顯微鏡接收該等晶圓之分類缺陷。使用該處理器,相對於檢查臨限值判定該等分類缺陷之可分離性度量。該等可分離性度量解釋該等分類缺陷之一群體分佈。使用該處理器判定該等晶圓之該等缺陷之可分離性趨勢。
該光學檢查工具可為一寬頻電漿檢查工具。
該方法可進一步包含使用該處理器自該晶圓之該等偵測事件過濾干擾。
該方法可進一步包含使用該處理器判定該晶圓之該等偵測事件之各者之置信度值。使用該處理器,可相對於檢查臨限值判定缺陷移動。判定缺陷移動可包含將所有該等偵測事件投射至一置信度軸上及監控該等分類缺陷沿該置信度軸相對於一臨限值之運動。判定缺陷移動亦可包含自影響良率之製程變化及影響檢查敏感度之製程變化分類該缺陷移動。
該等可分離性趨勢可監控捕獲分類缺陷之置信度。該等可分離性趨勢可監控信號強度及/或信號擴展。
一非暫時性電腦可讀媒體可儲存經組態以指示一處理器執行該第一實施例之該方法之一程式。
在一第二實施例中,提供一種系統。該系統包含一光學檢查工具及一處理器。該光學檢查工具包含一光源、經組態以固持一晶圓之一載台及一偵測器。該處理器與該偵測器電子通信。該處理器經組態以:使用來自該偵測器之資料產生複數個該等晶圓之影像;由基於機器學習之分類器自該等影像提取特徵;自該等特徵及該晶圓之所有偵測事件之一群體判定監控度量;自一掃描電子顯微鏡接收該等晶圓之分類缺陷;相對於檢查臨限值判定該等分類缺陷之可分離性度量;及判定該等晶圓之該等缺陷之可分離性趨勢。該等可分離性度量解釋該等分類缺陷之一群體分佈。
該光源可為一寬頻電漿源。
該處理器可經進一步組態以自該晶圓之該等偵測事件過濾干擾。該處理器可經進一步組態以判定該晶圓之該等偵測事件之各者之置信度值。該處理器可經進一步組態以判定相對於檢查臨限值之缺陷移動。判定該缺陷移動可包含將所有該等偵測事件投射至一置信度軸上及監控該等分類缺陷沿該置信度軸相對於一臨限值之運動。判定該缺陷移動亦可包含自影響良率之製程變化及影響檢查敏感度之製程變化分類該缺陷移動。
相關申請案之交叉參考
本申請案主張2019年8月1日申請之印度申請案第201941031131號及2019年9月18日申請且被讓與之美國申請案第62/902,224號之優先權,該等案之揭示內容以引用的方式併入本文中。
儘管將根據特定實施例描述所主張之標的,但包含未提供本文中所闡述之所有益處及特徵之實施例之其他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進行各種結構、邏輯、製程步驟及電子改變。因此,本發明之範疇僅藉由參考隨附申請專利範圍來界定。
本文中所揭示之實施例提供具有半導體晶圓之BBP或其他光學檢查之製程監控。機器學習方法用於提供有關檢查穩定性問題之額外資訊,其可區分如製程偏移之連續製程變動與規格內之小製程變動。可獨立監控檢查結果中之可變DOI捕獲率之影響及晶圓上之可變缺陷計數之影響。
分類置信度可用於製程監控及方案穩定性量測。可藉由機器學習(ML)演算法判定分類置信度。SEM複查缺陷之分類置信度可與一已知實況一起用於產生描述依據缺陷類型之信號強度及信號擴展之度量。此等基於類別之新度量之晶圓至晶圓趨勢之記錄可隨時間被監控及/或記錄且用於製程及檢查可變性監控。
圖1係一方法100之一實施例之一流程圖。至少步驟102至106可使用一處理器執行,但方法100之其他步驟可使用相同或一不同處理器執行。方法100使用光學檢查且接著對光學檢查結果取樣,使用樣品之一SEM複查,且使用SEM影像之分類。分類可包含將分類自動標記至檢查結果上、估計檢查中之缺陷計數及產生具有偏移警告之SPC圖。
一機器學習演算法可用於干擾過濾及併像。機器學習演算法亦可與光學檢查工具一起用於產生分類結果及置信度值。缺陷之基於類別之置信度值可用於量測相對於檢查臨限值(例如干擾事件濾波器(NEF)及併像器切割線)之缺陷移動。可將所有缺陷投射至置信度軸上且可相對於臨限值監控已知(分類)缺陷沿此軸之運動。
在101,光學檢查一或多個半導體晶圓。此可使用諸如一BBP檢查工具之一光學檢查工具。可使用一基於機器學習之演算法來過濾干擾及最佳化對來自步驟101之檢查之影像中之DOI之敏感度。
基於機器學習之演算法可產生分類概率。例如,基於機器學習之演算法可為一神經網路、一支援向量器、一增強樹/森林、隨機森林、最近鄰居或其他基於機器學習之演算法。
在102,自來自步驟101之影像提取特徵。可使用基於機器學習之分類器(例如干擾濾波器)產生可為可分離性屬性之特徵。特徵可由機器學習演算法用於產生分類結果,其可自缺陷位置之光學影像提取。因此,提取特徵可包含應用一分類器。可在分類器訓練期間學習可分離性。機器學習可編碼於基於類別之置信度中。
在103,可自特徵及晶圓之所有偵測事件之一群體判定監控度量。監控度量可不受監督。統計量測源自可分離性。監控度量可由干擾濾波器(例如機器學習分類器)判定。干擾濾波器計算分類置信度。DOI之此置信度監控於晶圓之間以尋找置信度下降時之條件,其係方案對DOI失去敏感度之一指示。
在一例項中,一干擾濾波器可判定將一類別碼應用於來自光學檢查之各缺陷。類別碼可具有自0至1之一附加值。例如,大於0.5之一切可分類為一DOI。0.5臨限值可基於特定應用、光學檢查工具或受檢查之裝置來調整。類別碼之值與臨限值之間的差可判定置信度。差越大意謂置信度越大。
在103之後,可將高於臨限值之缺陷分類。
在104,自一掃描電子顯微鏡接收各晶圓之分類缺陷。分類缺陷之取樣可為隨機的,其意謂取樣係無偏見的。無偏見資訊可使後來識別之趨勢更有意義。分類缺陷來自相同於光學檢查之晶圓且可提供一實況。受光學檢查之各晶圓可使偵測缺陷之一隨機樣品被複查及分類。可監控由SEM驗證之DOI之置信度。
在105,判定相對於檢查臨限值之分類缺陷之可分離性度量。個別DOI之可分離性度量可為由干擾濾波器計算之置信度。總體度量可為使用SEM驗證之晶圓上之所有DOI之一平均置信度。檢查臨限值可為固定的。可分離性度量可解釋分類缺陷之一群體分佈。因此,可分離性度量可經群體正規化。分類缺陷之度量可依據缺陷類型。
步驟105可包含標記(例如自動標記)群組實況以產生受監督監控度量。
在106,判定晶圓之缺陷之可分離性趨勢。此可為一增強SPC之部分。可繪製各晶圓隨時間之可分離性趨勢。可相對於各晶圓之分類邊界記錄平均分類置信度。可監控趨勢。
在一例項中,可(諸如)使用分類器/干擾濾波器判定來自SEM檢查之DOI之平均分類置信度。可判定相同裝置/層之所有晶圓之此等值。可隨時間監控平均置信度之趨勢。可自晶圓之偵測事件過濾干擾。可判定晶圓之偵測事件之各者之置信度值。
可隨時間判定相對於檢查臨限值之缺陷移動。此可包含將所有偵測事件投射至一置信度軸上及監控分類缺陷沿置信度軸相對於一臨限值之運動。
判定缺陷移動亦可包含分類或否則識別影響良率之製程變化及判定影響檢查敏感度及/或DOI干擾可分離性之製程變化。
除本文中所揭示之實施例之外,方法亦可視情況執行SPC。一半導體製造商可執行具有SPC之其他步驟。
可判定各晶圓之各缺陷類型之統計資料。此等統計資料可包含缺陷類型之平均信號強度(例如置信度)及信號擴展(標準偏差),如圖2中所展示。
圖2包含繪示用於具有BBP光學檢查之製程監控之度量的線圖。缺陷類型1及缺陷類型2係不同類型之缺陷。儘管繪示三個晶圓,但分析中可包含更多晶圓。曲線展示依據各缺陷之置信度而變化之檢查中之所有缺陷之直方圖。因此,高於臨限值之所有缺陷可繪製於直方圖上。較遠離左邊之直方圖上之缺陷具有較高置信度,此意謂缺陷更有可能為一DOI。例如,在晶圓1中,缺陷類型1之置信度高於缺陷類型2之置信度。
曲線下方之橫條展示具有已知實況之取樣缺陷之位置。此等係來自SEM複查之缺陷。
信號強度可包含缺陷類型1置信度之平均值及標準偏差。可監控各晶圓之信號強度。
可隨時間監控此等集體度量之趨勢,如在SPC中追蹤缺陷計數之方式。趨勢可用於得到有關缺陷干擾可分離性及光學檢查之DOI捕獲率之變化之資訊。
圖3係展示SPC之一線圖。圖4係展示信號強度之一線圖。圖5係展示信號擴展之一線圖。圖3及圖4之線圖係來自多個晶圓(W1至W7)。可判定各缺陷類型之置信度且可隨時間監控變化。一檢查工具可隨時間漂移及損失信號。由於此漂移,缺陷可具有更接近臨限值之一置信度。此意謂會在檢查期間遺漏一些缺陷。使用隨時間之捕獲率可識別趨勢且改良檢查。
針對圖3中之SPC,缺陷類型1及缺陷類型2兩者之計數隨時間下降。然而,圖4中之信號強度展示:缺陷類型1之信號強度隨時間降低,而缺陷類型2之信號強度保持大致恆定。圖5中之信號擴展展示:缺陷類型1之信號擴展在某一點下降,而缺陷類型2之信號擴展保持大致恆定。因此,新追蹤資訊指示:缺陷類型2之缺陷計數隨時間減少,而缺陷類型1之缺陷計數因在光學檢查中損失對缺陷類型1之敏感度而減少。缺陷類型2具有依據時間而變化之相同置信度,因此檢查中之減少計數係晶圓上之減少計數之一指示。缺陷類型2捕獲率之置信度大體上係穩定的。類型1之減少計數可由檢查損失敏感度且無法捕獲晶圓上之相同分率之缺陷引起。缺陷類型1例項隨時間以降低置信度捕獲,其意謂缺陷計數無法表示晶圓上之缺陷類型1之數目。檢查可能對缺陷類型1不敏感,其意謂應調諧檢查工具。
追蹤相對於缺陷捕獲率及干擾率之檢查可變性及檢查中之缺陷計數之統計資料提供製程控制及檢查可變性監控之綜合方法。影響良率之製程變化可與僅影響檢查敏感度及/或DOI干擾可分離性之製程變化分離。
在一例項中,光學檢查工具產生新的製程相關缺陷等級屬性。接著,此等屬性由直接整合至計算製程監控度量之資料庫中之一電腦引擎處理。資料庫亦含有監控軟體及用於顯示趨勢之使用者介面。在此實施方案中,可整合額外監控性能用於監控工具/方案效能。
在另一例項中,將新產生之製程相關屬性輸出至一資料檔案中用於半導體製造,諸如KLARF。接著,使此等用於開發內建至良率管理軟體(YMS)中之客製化監控策略及一半導體製造設備之其他內部監控方案。
儘管具體揭示BBP光學檢查,但本文中所揭示之實施例可與依靠SEM驗證之其他光學檢查一起使用。
圖6中展示具有一光學檢查工具之一系統200之一實施例。系統200包含基於光學之子系統201。一般而言,基於光學之子系統201經組態以藉由將光導引至(或使光掃描)一樣本202且自樣本202偵測光來產生樣本202之基於光學之輸出。在一實施例中,樣本202包含一晶圓。晶圓可包含此項技術中已知之任何晶圓。在另一實施例中,樣本202包含一倍縮光罩。倍縮光罩可包含此項技術中已知之任何倍縮光罩。
在圖6所展示之系統200之實施例中,基於光學之子系統201包含經組態以將光導引至樣本202之一照明子系統。照明子系統包含至少一光源。例如,如圖6中所展示,照明子系統包含光源203。在一實施例中,照明子系統經組態以依一或多個入射角將光導引至樣本202,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6中所展示,來自光源203之光經導引穿過光學元件204及接著透鏡205而依一傾斜入射角至樣本202。傾斜入射角可包含任何適合傾斜入射角,其可取決於(例如)樣本202之特性而變動。
基於光學之子系統201可經組態以在不同時間依不同入射角將光導引至樣本202。例如,基於光學之子系統201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,使得光可依不同於圖6中所展示之入射角之一入射角導引至樣本202。在一此實例中,基於光學之子系統201可經組態以移動光源203、光學元件204及透鏡205,使得光依一不同傾斜入射角或一法向(或近法向)入射角導引至樣本202。
在一些例項中,基於光學之子系統201可經組態以同時依一個以上入射角將光導引至樣本202。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光源203、光學元件204及透鏡205 (如圖6中所展示),且該等照明通道之另一者(未展示)可包含類似元件,其可經不同或相同組態,或包含至少一光源及可能一或多個其他組件,諸如本文中進一步所描述之組件。若此光與另一光同時導引至樣本,則依不同入射角導引至樣本202之光之一或多個特性(例如波長、偏振等等)可不同,使得由依不同入射角照射樣本202產生之光可在(若干)偵測器處彼此區別。
在另一例項中,照明子系統可包含僅一個光源(例如圖6中所展示之光源203)且來自光源之光可由照明子系統之一或多個光學元件(未展示)分離成不同光學路徑(例如,基於波長、偏振等等)。接著,可將各不同光學路徑中之光導引至樣本202。多個照明通道可經組態以在相同時間或不同時間(例如,當不同照明通道用於依序照射樣本時)將光導引至樣本202。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導引至樣本202。例如,在一些例項中,光學元件204可經組態為一光譜濾波器,且光譜濾波器之性質可依各種不同方式改變(例如,藉由換出光譜濾波器),使得不同波長之光可在不同時間導引至樣本202。照明子系統可具有此項技術中已知之任何其他適合組態用於依序或同時依不同或相同入射角將具有不同或相同特性之光導引至樣本202。
在一實施例中,光源203可包含一BBP源。依此方式,由光源203產生且導引至樣本202之光可包含寬頻光。然而,光源可包含諸如一雷射之任何其他適合光源。雷射可包含此項技術中已知之任何適合雷射且可經組態以產生此項技術中已知之任何一或若干適合波長之光。另外,雷射可經組態以產生單色或近單色光。依此方式,雷射可為一窄頻雷射。光源203亦可包含產生多個離散波長或波段之光之一多色光源。
來自光學元件204之光可由透鏡205聚焦至樣本202上。儘管透鏡205在圖6中展示為一單一折射光學元件,但應暸解,透鏡205實際上可包含數個折射及/或反射光學元件,其組合將光自光學元件聚焦至樣本。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)偏振組件、(若干)光譜濾波器、(若干)空間濾波器、(若干)反射光學元件、(若干)變跡器、(若干)分束器(諸如分束器213)、(若干)孔隙及其類似者,其等可包含此項技術中已知之任何此等適合光學元件。另外,基於光學之子系統201可經組態以基於用於產生基於光學之輸出之照明之類型來更改照明子系統之一或多個元件。
基於光學之子系統201亦可包含經組態以引起光掃描樣本202之一掃描子系統。例如,基於光學之子系統201可包含載台206,樣品樣本202在基於光學之輸出產生期間安置於載台206上。掃描子系統可包含任何適合機械及/或機器人總成(其包含載台206),其可經組態以移動樣本202,使得光可掃描樣本202。另外或替代地,基於光學之子系統201可經組態使得基於光學之子系統201之一或多個光學元件使光對樣本202執行一些掃描。光可依任何適合方式(諸如沿一蛇形路徑或一螺旋路徑)掃描樣本202。
基於光學之子系統201進一步包含一或多個偵測通道。一或多個通道之至少一者包含一偵測器,其經組態以歸因於由子系統照射樣本202而偵測來自樣本202之光且回應於偵測而產生輸出。例如,圖6中所展示之基於光學之子系統201包含兩個偵測通道:一個由收集器207、元件208及偵測器209形成,且另一個由收集器210、元件211及偵測器212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散射光,且偵測通道經組態以偵測自樣本202依不同角度散射之光。然而,偵測通道之一或多者可經組態以自樣本202偵測另一類型之光(例如反射光)。
如圖6中所進一步展示,兩個偵測通道經展示為定位於紙面中且照明子系統亦經展示為定位於紙面中。因此,在此實施例中,兩個偵測通道定位於(例如居中於)入射面中。然而,偵測通道之一或多者可定位於入射面外。例如,由收集器210、元件211及偵測器212形成之偵測通道可經組態以收集及偵測自入射面散射出之光。因此,此一偵測通道通常可指稱一「側」通道,且此一側通道可居中於實質上垂直於入射面之一平面中。
儘管圖6展示包含兩個偵測通道之基於光學之子系統201之一實施例,但基於光學之子系統201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)。在一此例項中,由收集器210、元件211及偵測器212形成之偵測通道可形成上文所描述之一側通道,且基於光學之子系統201可包含形成為定位於入射面之對置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201可包含偵測通道,其包含收集器207、元件208及偵測器209且居中於入射面中且經組態以依法向於或接近法向於樣本202表面之(若干)散射角收集及偵測光。因此,此偵測通道通常可指稱一「頂部」通道,且基於光學之子系統201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201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自身具有收集器,各收集器經組態以依不同於各其他收集器之散射角收集光。
如上文所進一步描述,包含於基於光學之子系統201中之各偵測通道可經組態以偵測散射光。因此,圖6中所展示之基於光學之子系統201可經組態用於樣本202之暗場(DF)輸出產生。然而,基於光學之子系統201亦可或替代地包含經組態用於樣本202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201可包含經組態以偵測自樣本202鏡面反射之光之至少一偵測通道。因此,本文中所描述之基於光學之子系統201可經組態用於僅DF成像、僅BF成像或DF成像及BF成像兩者。儘管收集器之各者在圖6中展示為單一折射光學元件,但應暸解,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適合偵測器。例如,偵測器可包含光倍增管(PMT)、電荷耦合裝置(CCD)、時延積分(TDI)攝影機及此項技術中已知之任何其他適合偵測器。偵測器亦可包含非成像偵測器或成像偵測器。依此方式,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),但無法經組態以偵測依據成像面內之位置而變化之特性。因而,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,但非影像信號或影像資料。在此等例項中,諸如處理器214之一處理器可經組態以自偵測器之非成像輸出產生樣本202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依諸多方式產生光學影像或本文中所描述之其他基於光學之輸出。
應注意,本文中提供圖6來大體上繪示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之一基於光學之子系統201之一組態。本文中所描述之基於光學之子系統201之組態可經更改以最佳化基於光學之子系統201之效能,如設計一商業輸出獲取系統時通常所執行。另外,可使用一既有系統(例如,藉由將本文中所描述之功能添加至一既有系統)來實施本文中所描述之系統。針對一些此等系統,本文中所描述之方法可經提供為系統之選用功能(例如,除系統之其他功能之外)。替代地,本文中所描述之系統可經設計為一全新系統。
處理器214可依任何適合方式(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)耦合至系統200之組件,使得處理器214可接收輸出。處理器214可經組態以使用輸出執行諸多功能。系統200可自處理器214接收指令或其他資訊。處理器214及/或電子資料儲存單元215可視情況與一晶圓檢查工具、一晶圓度量工具或一晶圓複查工具(未繪示)電子通信以接收額外資訊或發送指令。例如,處理器214及/或電子資料儲存單元215可與一SEM電子通信。
本文中所描述之處理器214、(若干)其他系統或(若干)其他子系統可為各種系統之部分,其包含一個人電腦系統、影像電腦、大型電腦系統、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,(若干)子系統或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工具。處理器214可為CPU或GPU。
處理器214及電子資料儲存單元215可安置於系統200或另一裝置中或為系統200之其他部分或另一裝置。在一實例中,處理器214及電子資料儲存單元215可為一獨立控制單元之部分或在一集中式品質控制單元中。可使用多個處理器214或電子資料儲存單元215。
處理器214實際上可由硬體、軟體及韌體之任何組合實施。此外,其在本文中所描述之功能可由一個單元執行或分配於不同組件之間,該等組件之各者繼而可由硬體、軟體及韌體之任何組合實施。使處理器214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(諸如電子資料儲存單元215中之一記憶體或其他記憶體)中。
若系統200包含一個以上處理器214,則不同子系統可彼此耦合,使得影像、資料、資訊、指令等等可發送於子系統之間。例如,一個子系統可藉由任何適合傳輸媒體耦合至(若干)額外子系統,該等傳輸媒體可包含此項技術中已知之任何適合有線及/或無線傳輸媒體。兩個或更多個此等子系統亦可由一共用電腦可讀儲存媒體(未展示)有效耦合。
處理器214可經組態以使用系統200之輸出或其他輸出來執行諸多功能。例如,處理器214可經組態以將輸出發送至一電子資料儲存單元215或另一儲存媒體。處理器214可如本文中所描述般進一步組態。
處理器214可根據本文中所描述之實施例之任何者來組態。處理器214亦可經組態以使用系統200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。
本文中所揭示之系統200及方法之各種步驟、功能及/或操作由以下之一或多者實施: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。實施諸如本文中所描述之方法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、一磁帶及其類似者。一載體媒體可包含諸如一電線、電纜或無線傳輸鏈路之一傳輸媒體。例如,本發明中所描述之各種步驟可由一單一處理器214或替代地,多個處理器214實施。此外,系統200之不同子系統可包含一或多個運算或邏輯系統。因此,以上描述不應被解譯為本發明之一限制而是僅為一說明。
在一例項中,處理器214與系統200通信。處理器214經組態以:自來自偵測器之資料產生至少一晶圓之一或多個影像;使用基於機器學習之分類器自影像提取特徵;自特徵及晶圓之所有偵測事件之一群體判定監控度量;及自一掃描電子顯微鏡接收晶圓之分類缺陷。相對於檢查臨限值(其可為固定的)判定分類缺陷之可分離性度量。可分離性度量解釋分類缺陷之一群體分佈。可對兩個或更多個晶圓重複一些或所有此等步驟。可判定可分離性趨勢。
處理器214可經進一步組態以使用處理器自晶圓之偵測事件過濾干擾及/或使用處理器判定用於晶圓之偵測事件之各者之置信度值。處理器214亦可經進一步組態以判定相對於檢查臨限值之缺陷移動。判定缺陷移動可包含將所有偵測事件投射至一置信度軸上及監控分類缺陷沿置信度軸相對於一臨限值之運動。判定缺陷移動亦可包含判定影響良率之製程變化及判定影響檢查敏感度之製程變化。系統200可基於結果來調諧,諸如藉由調整波長或藉由替換光源203、光學元件204、透鏡205或其他組件。
一額外實施例係關於一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缺陷檢查之一電腦實施方法之程式指令,如本文中所揭示。特定言之,如圖6中所展示,電子資料儲存單元215或其他儲存媒體可含有非暫時性電腦可讀媒體,其包含可在處理器214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(其包含方法100)之(若干)任何步驟。
程式指令可依各種方式之任何者實施,其包含基於程序之技術、基於組件之技術及/或物件導向技術等等。例如,程式指令可根據需要使用ActiveX控制、C++物件、JavaBeans、微軟基礎類別(MFC)、串流SIMD擴展(SSE)或其他技術或方法來實施。
方法之步驟之各者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)電腦子系統或系統執行之(若干)任何其他步驟。步驟可由一或多個電腦系統執行,該一或多個電腦系統可根據本文中所描述之實施例之任何者組態。另外,上述方法可由本文中所描述之系統實施例之任何者執行。
儘管已相對於一或多個特定實施例描述本發明,但應暸解,可在不脫離本發明之範疇的情況下進行本發明之其他實施例。因此,本發明被視為僅由所附申請專利範圍及其合理解譯限制。
100:方法
101:步驟
102:步驟
103:步驟
104:步驟
105:步驟
106:步驟
200:系統
201:基於光學之子系統
202:樣本
203:光源
204:光學元件
205:透鏡
206:載台
207:收集器
208:元件
209:偵測器
210:收集器
211:元件
212:偵測器
213:分束器
214:處理器
215:電子資料儲存單元
為更完全理解本發明之本質及目的,應參考結合附圖之以下詳細描述,其中:
圖1係根據本發明之一方法之一實施例之一流程圖;
圖2包含繪示用於具有寬頻電漿(BBP)光學檢查之製程監控之度量的線圖;
圖3係展示使用本文中所揭示之實施例之SPC的一線圖;
圖4係展示使用本文中所揭示之實施例之信號強度的一線圖;
圖5係展示使用本文中所揭示之實施例之信號擴展的一線圖;及
圖6係根據本發明之一系統之一實施例之一圖式。
100:方法
101:步驟
102:步驟
103:步驟
104:步驟
105:步驟
106:步驟
Claims (18)
- 一種方法,其包括: 由一光學檢查工具光學檢查複數個晶圓以藉此產生影像; 由基於機器學習之分類器使用一處理器自該等影像提取特徵; 使用該處理器自該等特徵及晶圓之所有偵測事件之一群體判定監控度量; 在該處理器處自一掃描電子顯微鏡接收該等晶圓之分類缺陷; 使用該處理器相對於檢查臨限值判定該等分類缺陷之可分離性度量,其中該等可分離性度量解釋該等分類缺陷之一群體分佈;及 使用該處理器判定該等晶圓之該等缺陷之可分離性趨勢。
- 如請求項1之方法,其中該光學檢查工具係一寬頻電漿檢查工具。
- 如請求項1之方法,其進一步包括使用該處理器自該晶圓之該等偵測事件過濾干擾。
- 如請求項3之方法,其進一步包括使用該處理器判定用於該晶圓之該等偵測事件之各者之置信度值。
- 如請求項4之方法,其進一步包括使用該處理器判定相對於檢查臨限值之缺陷移動。
- 如請求項5之方法,其中判定該缺陷移動包含: 將所有該等偵測事件投射至一置信度軸上;及 監控該等分類缺陷沿該置信度軸相對於一臨限值之運動。
- 如請求項5之方法,其中判定該缺陷移動包含自影響良率之製程變化及影響檢查敏感度之製程變化分類該缺陷移動。
- 如請求項1之方法,其中該等可分離性趨勢監控捕獲分類缺陷之置信度。
- 如請求項8之方法,其中該等可分離性趨勢監控信號強度。
- 如請求項8之方法,其中該等可分離性趨勢監控信號擴展。
- 一種非暫時性電腦可讀媒體,其儲存經組態以指示一處理器執行如請求項1之方法之一程式。
- 一種系統,其包括: 一光學檢查工具,其包含: 一光源; 一載台,其經組態以固持一晶圓;及 一偵測器;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: 使用來自該偵測器之資料產生複數個該等晶圓之影像; 由基於機器學習之分類器使用一處理器自該等影像提取特徵; 自該等特徵及該晶圓之所有偵測事件之一群體判定監控度量; 自一掃描電子顯微鏡接收該等晶圓之分類缺陷; 相對於檢查臨限值判定該等分類缺陷之可分離性度量,其中該等可分離性度量解釋該等分類缺陷之一群體分佈;及 判定該等晶圓之該等缺陷之可分離性趨勢。
- 如請求項12之系統,其中該光源係一寬頻電漿源。
- 如請求項12之系統,其中該處理器經進一步組態以自該晶圓之該等偵測事件過濾干擾。
- 如請求項14之系統,其中該處理器經進一步組態以判定用於該晶圓之該等偵測事件之各者之置信度值。
- 如請求項15之系統,其中該處理器經進一步組態以判定相對於檢查臨限值之缺陷移動。
- 如請求項16之系統,其中判定該缺陷移動包含: 將所有該等偵測事件投射至一置信度軸上;及 監控該等分類缺陷沿該置信度軸相對於一臨限值之運動。
- 如請求項16之系統,其中判定該缺陷移動包含自影響良率之製程變化及影響檢查敏感度之製程變化分類該缺陷移動。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201941031131 | 2019-08-01 | ||
IN201941031131 | 2019-08-01 | ||
US201962902224P | 2019-09-18 | 2019-09-18 | |
US62/902,224 | 2019-09-18 | ||
US16/940,373 | 2020-07-27 | ||
US16/940,373 US11379969B2 (en) | 2019-08-01 | 2020-07-27 | Method for process monitoring with optical inspections |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202113337A true TW202113337A (zh) | 2021-04-01 |
TWI844712B TWI844712B (zh) | 2024-06-11 |
Family
ID=
Also Published As
Publication number | Publication date |
---|---|
KR20220041126A (ko) | 2022-03-31 |
US20210035282A1 (en) | 2021-02-04 |
WO2021022100A1 (en) | 2021-02-04 |
US11379969B2 (en) | 2022-07-05 |
CN114174812B (zh) | 2022-12-16 |
KR102607149B1 (ko) | 2023-11-29 |
CN114174812A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI751376B (zh) | 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷 | |
TWI603409B (zh) | 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣 | |
US9293298B2 (en) | Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images | |
US10698325B2 (en) | Performance monitoring of design-based alignment | |
US20200141879A1 (en) | Migdal Haemeq | |
TWI778258B (zh) | 缺陷偵測之方法、系統及非暫時性電腦可讀媒體 | |
US10692203B2 (en) | Measuring defectivity by equipping model-less scatterometry with cognitive machine learning | |
JP2018516451A (ja) | 検査ツールの検査感度を高めるシステム及び方法 | |
US10514685B2 (en) | Automatic recipe stability monitoring and reporting | |
WO2020081748A1 (en) | Design and noise based care areas | |
TWI829980B (zh) | 半導體晶圓檢測之方法及系統,以及非暫時性電腦可讀媒體 | |
CN114341630B (zh) | 等概率缺陷检测 | |
CN114174812B (zh) | 用于具有光学检验的工艺监测的方法 | |
TWI844712B (zh) | 檢查半導體晶圓之方法及系統 | |
JP2003086644A (ja) | 構造化されていないウエーハを検査するための装置及び方法 | |
US20230122514A1 (en) | Laser Anneal Pattern Suppression | |
US20220405903A1 (en) | Image contrast metrics for deriving and improving imaging conditions |