TW202121553A - 晶圓圖的辨識方法與電腦可讀取記錄媒體 - Google Patents
晶圓圖的辨識方法與電腦可讀取記錄媒體 Download PDFInfo
- Publication number
- TW202121553A TW202121553A TW108143530A TW108143530A TW202121553A TW 202121553 A TW202121553 A TW 202121553A TW 108143530 A TW108143530 A TW 108143530A TW 108143530 A TW108143530 A TW 108143530A TW 202121553 A TW202121553 A TW 202121553A
- Authority
- TW
- Taiwan
- Prior art keywords
- wafer
- wafer map
- similarity
- control pattern
- identification method
- Prior art date
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本發明提供一種晶圓圖的辨識方法，包括以下步驟：獲得至少一待辨識晶圓的晶圓圖；對晶圓圖與對照圖樣進行影像處理操作，其中影像處理操作包括：對晶圓圖與對照圖樣分別進行卷積運算，擷取卷積後的晶圓圖的主要特徵，並且基於卷積後的對照圖樣計算權重分配；以及計算處理後的晶圓圖與對照圖樣的相似度以辨識晶圓圖。本發明亦提供一種紀錄上述辨識方法的電腦可讀取記錄媒體。
Description
本發明是有關於一種晶圓圖辨識技術，且特別是有關於一種晶圓圖的辨識方法與電腦可讀取記錄媒體。
在晶圓的製造過程中，往往會因為設備、環境以及人為的因素而產生缺陷，進而影響良率。為了確保產品良率，會對晶圓進行晶圓測試 (Chip Probe Test)與分析其晶圓圖樣(pattern)分佈，找出缺陷原因以期降低生產成本。
現有的一種分析方法就是比對晶圓的晶圓圖（wafer map），將相似之晶圓圖樣分佈作適當分類，並且針對各分類找出製程規律性，最後推測各分類最有可能的製程問題。然而，習知分類手法中，以人工比對的方式既耗時又不客觀。利用相對位置比對的方式，則因為晶圓圖的圖樣分布常存在不完整性和雜訊的問題，導致過度分群的狀況。利用建模進行預測，則因為資料量不足導致模型準確率不足，且無法即時針對新晶圓圖樣進行比對。因此如何提出一種晶圓圖的辨識方法，能夠減少比對時間、避免人為誤差、提升辨識的完整性與準確率，成為目前待克服的問題。
本發明提供一種晶圓圖的辨識方法，能夠自動辨識晶圓圖並且提高辨識的完整性以及準確率。本發明還提供一種紀錄上述晶圓圖的辨識方法的電腦可讀取記錄媒體。
本發明的一實施例提供一種晶圓圖的辨識方法，包括以下步驟：獲得至少一待辨識晶圓的一晶圓圖；對晶圓圖與對照圖樣進行影像處理操作，其中影像處理操作包括：對晶圓圖與對照圖樣分別進行卷積運算，擷取卷積後的晶圓圖的主要特徵，並且基於卷積後的對照圖樣計算權重分配；以及計算處理後的晶圓圖與對照圖樣的相似度以辨識晶圓圖。
本發明的一實施例提供一種電腦可讀取記錄媒體，記錄至少一程式碼，由處理器存取該程式碼以執行上述晶圓圖的辨識方法。
基於上述，本發明所提出的晶圓圖的辨識方法，通過對晶圓圖以及對照圖樣進行卷積運算，並且比對卷積後晶圓圖的主要特徵以及卷積後的對照圖樣來辨識兩者是否相似，因此可以提升辨識的準確率。本發明所提出的電腦可讀取記錄媒體記錄上述晶圓圖的辨識方法，因此藉由一系統平台存取此電腦可讀取記錄媒體來執行上述辨識方法，進而達到自動辨識的功效。
圖1是依照本發明的一實施例的一種晶圓辨識系統的示意圖，圖2是依照本發明的一實施例的一種晶圓圖的辨識方法的流程圖，圖3A是依照本發明的一實施例的一種待辨識晶圓的原始晶圓圖的示意圖。請同時參照圖1至圖3A，晶圓辨識系統100包括測試裝置102與辨識裝置104。測試裝置102例如是生產線上的測試機台，用以檢測待測晶圓WA’，例如進行晶圓測試(Chip Probe Testing)，本發明並不限制。待測晶圓WA’經過測試裝置102檢測後作為待辨識晶圓WA，由辨識裝置104根據測試裝置102的測試資料來分類待辨識晶圓WA的晶圓圖。在本實施例中，圖3A的晶圓圖300待辨識晶圓WA的原始晶圓圖，也就是測試裝置102對待測晶圓WA’進行晶圓針測（chip probing）所取得的測試資料。
辨識裝置104例如是一種系統平台，其中內嵌上述辨識方法之程式碼以進行辨識流程，並且可儲存對照圖樣資料庫。透過辨識裝置104進行晶圓圖與對照圖樣的比對，若是相似的話，分類歸於同一類，表示晶圓可能遭遇同樣的製程問題。具體來說，辨識裝置104例如是一種機台或是伺服器，包括處理器106與電性連接處理器106的儲存器108。處理器106例如為中央處理單元（Central Processing Unit，CPU）、可程式化之微處理器（Microprocessor）、嵌入式控制晶片等。儲存器108是一種電腦可讀取記錄媒體，例如是光碟片、任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合。儲存器108紀錄至少一程式碼。由處理器106存取上述的程式碼以執行圖2的晶圓圖的辨識方法200。除此之外，儲存器108還可以儲存對照圖樣資料庫，紀錄多個對應各種製程問題所導致的失效位元分布的對照圖樣。處理器106執行辨識方法200以比對待辨識晶圓WA的晶圓圖300是否與儲存器108中的對照圖樣相似，若是相似的話，表示待辨識晶圓WA可能遭遇同樣的製程問題。
接下來進一步說明辨識方法200的實施細節。
在步驟S202中，辨識裝置104獲得至少一待辨識晶圓的晶圓圖。在本實施例中，辨識裝置104從測試裝置102接收待辨識晶圓WA的晶圓圖300。晶圓圖300以二個數值“1”與“0”分別表示失效位元與正常位元，但不限制。待辨識晶圓WA的失效位元在晶圓圖300的座標以數值“1”表示（在此以白底表示），正常位元則會在晶圓圖300的座標以數值“0”表示（在此以黑底表示）。
圖4A是依照本發明的一實施例的一種參照圖樣的示意圖。請搭配參照圖4A，參照圖樣400中的黑底區域表示失效位元的分布特徵，以數值“1”表示，白底區域以數值“0”表示。
在步驟S204中，辨識裝置104對晶圓圖300與對照圖樣400分別進行影像處理操作。關於步驟S204的具體實施方式請一併參照圖3B至圖5。圖3B至圖3C是圖3A的晶圓圖300的影像處理過程的示意圖，圖4B是圖4A的參照圖樣400經過影像處理後的結果的示意圖，圖5是依照本發明的一實施例的影像處理操作的流程圖。在圖5的實施例中，影像處理操作包括對晶圓圖與對照圖樣分別進行卷積運算，擷取卷積後的晶圓圖的主要特徵，並且基於卷積後的對照圖樣計算權重分配。
在步驟S510中，對晶圓圖300與對照圖樣400分別進行卷積運算。在本實施例中，卷積運算的卷積核（Kernel）例如是3X3的全1矩陣（Matrix of ones）。圖3B的晶圓圖310與圖4B的對照圖樣410分別顯示本發明的圖3A與圖4A的實施例經卷積運算後的結果。
接著，在步驟S520中，調整經過卷積運算的晶圓圖310。在一實施例中，當晶圓圖300的某一座標的卷積結果大於參考值時，辨識裝置104會改變該座標的值。以下搭配圖6的實施例來說明步驟S520的實施方式。
圖6是依照本發明的一實施例的一種晶圓圖的卷積結果的調整示意圖。請參照圖6，在本實施例中，晶圓圖300的某一座標P1的數值為“0”，周圍的座標的數值為“1”。對座標P1以3X3的全1矩陣的卷積核進行卷積運算後的結果是8，大於本實施例的參考值（例如，設定為1），因此步驟S510會將座標P1的數值由“0”變更為“1”，以供後續步驟使用。
接著，在步驟S530與步驟S540中，對經過卷積運算與調整後的晶圓圖進行連通分量標記（Connected-component labeling），將圖樣特徵區塊化（例如圖3B中將失效區域區塊化），計算各區化之面積占比，從而擷取晶圓圖的主要特徵如圖3C，並且濾除雜訊。在此，晶圓圖的主要特徵是指晶圓圖的主要失效位元的分布圖樣（pattern）。在一實施例中，根據標記結果和搭配柏拉圖分析法（Pareto Analysis）來擷取主要特徵和濾除晶圓圖300的雜訊。圖3C顯示本發明的圖3B的實施例經過步驟S530與步驟S540後的結果。請參照圖3C，晶圓圖320為晶圓圖300經過步驟S204後的結果。相較於原本的晶圓圖300，晶圓圖320顯得更為完整並且雜訊減少，並且保留主要的失效位元分布特徵。簡言之，經過影像處理後的晶圓圖320表現了晶圓圖300的主要特徵並且已濾除了雜訊干擾，有利於提升與對照圖樣的比對精準度。
在步驟S550與步驟S560中，根據卷積後的對照圖樣來產生缺陷區域權重分配與非缺陷區域權重分配。上述的權重分配即包括缺陷區域權重分配與非缺陷區域權重分配。
具體來說，在步驟S550中，基於卷積後的對照圖樣的目標區域以產生缺陷區域權重分配，並且在步驟S560中，基於卷積後的對照圖樣的目標區域外的部分以產生非缺陷區域權重分配，其中所述的目標區域反應對照圖樣的失效位元區域。
圖7A至圖7D是依照本發明的另一實施例的一種缺陷區域權重分配的產生過程示意圖。請同時參照圖7A至圖7D。對照圖樣800中包括值為“1”座標的區域802代表失效位元的分布型態，值為“0”的座標則表示正常位元。辨識裝置104對對照圖樣800進行卷積得到圖7B的卷積結果810。卷積結果810凸顯對照圖樣800的失效位元的分布狀況。接著，去掉卷積結果810的雜訊以得到圖7C的結果820。例如，刪除目標區域804以外的數值（設為0），僅保留目標區域804內的數值作為過濾後的結果820。目標區域804是根據卷積結果810的分布來決定，例如，區域802卷積後較明顯的部分，例如值大於1的部分。在另一實施例中，目標區域804可以根據表示失效位元圖樣的區域802決定，本發明並不限制目標區域804的決定方式。最後，辨識裝置104對結果820進行標準化動作（normalization），得到對照圖樣 800 的缺陷區域權重分配830。
圖8A至圖8D是依照本發明的另一實施例的一種非缺陷區域權重分配的產生過程示意圖。請同時參照圖8A至圖8D，辨識裝置104先將對照圖樣800中的“1”與“0”互換得到互補對照圖樣840。此時，互補對照圖樣840中 值“1”的座標代表的是非缺陷位元，值“0”的座標代表的是缺陷位元（在區域802內的值變成“0”）。接著，利用卷積凸顯互補對照圖樣 840的缺陷位置的分布狀況得到圖8B的卷積結果850。接著，基於對照圖樣800和互補對照圖樣840的失效位元的位置具有不交集性，因此圖8B中目標區域804以外的值都刪除（歸0）。換句話說，在圖7C中具有大於0的值的座標，在圖8C其值被設定為“0”。最後，對圖8C的結果860進行標準化得到非缺陷區域權重分配870。
特別說明的，圖7D與圖8D顯示的數字僅作為示意，不表示實際上的數字，但圖7D與圖8D的數值總和實際上等於1。
接下來執行步驟S206，計算處理後的晶圓圖320與對照圖樣410的相似度以辨識晶圓圖300。
辨識裝置104會先決定一加權值W，其中加權值W為待辨識晶圓WA的故障率（fail ratio），以及加權值W的最大值小於1且加權值W的最小值大於0。在本實施例中，加權值W落在0.8至0.2的範圍內。也就是說，當待辨識晶圓WA的故障率大於0.8時加權值W設為0.8，或者當故障率小於0.2時加權值W設為0.2。
接著，辨識裝置104計算缺陷區域權重分配中位置對應處理後的晶圓圖320的失效位元的總和值(稱為第一總和值)，且第一總和值乘上加權值W以獲得失效位元相似度。另外，辨識裝置104計算非缺陷區域權重分配中位置對應處理後的晶圓圖320的正常位元的總和值（稱為第二總和值），且第二總和值乘上(1-W)以獲得正常位元相似度。最後，辨識裝置104將失效位元相似度與正常位元相似度相加作為比對晶圓圖300與對照圖樣400的相似度。
具體而言，晶圓圖320的每個位元值為Xi
，Xi
=0或1，i
是0～N的正整數，N是晶圓圖320的位元總數。缺陷區域權重分配的每個權重值為Yi
，0≤Yi
>1，非缺陷區域權重分配的每個權重值為Zi
，0≤Zi
>1，則晶圓圖300與對照圖樣400的相似度A可以下列方程式表示：
換句話說，若晶圓圖320的失效位元落在缺陷區域權重分配其值大於0的位元上（例如圖7D的目標區域804內），則辨識裝置104可獲得該失效位元在缺陷區域權重分配中相對應位置的權重值，並乘上加權值W。若缺陷區域權重分配其值大於0的座標在晶圓圖320的相對應位置上是正常位元，則辨識裝置104不累計其權重值。當辨識裝置104累計完缺陷區域權重分配所有對應到晶圓圖320的失效位元的權重值後，並乘上加權值W，即得到失效位元相似度。若待辨識晶圓圖320的正常位元落在非缺陷區域權重分配其值大於0的位置（例如圖8D的目標區域804以外）上，則可獲得該正常位元在非缺陷區域權重分配的相對應位置的權重值，再乘上(1-W)。若非缺陷區域權重分配其值大於0的座標在晶圓圖320的對應位置上是失效位元，則辨識裝置104不累計其權重值。當辨識裝置104累計完非缺陷區域權重分配所有對應到圓圖320的正常位元的權重值後，再乘上(1-W)，即得到正常位元相似度。最後，將失效位元相似度和正常位元相似度加總，即為待辨識晶圓圖320和對照圖樣400之相似度。
之後在步驟S208中，判斷相似度是否大於或等於相似門檻值，其中相似門檻值會大於加權值W的最大值0.8。例如，在上述的實施例中，相似門檻值是0.85。如果相似度大於或等於相似門檻值，判斷晶圓圖320與對照圖樣400相似，進入步驟S2081。反之，相似度小於相似門檻值，進入步驟S2082，判斷晶圓圖320與對照圖樣400不相似。
圖9是依照本發明的另一實施例的一種晶圓圖的辨識方法的流程圖。請參照圖9，在辨識方法S900中，晶圓辨識系統辨識多個待辨識晶圓WA。在步驟S202中，辨識裝置104獲得待辨識晶圓WA的晶圓圖。在步驟S910中，辨識裝置104判斷每一個待辨識晶圓WA的晶圓圖的失效位元是否為隨機分布（Random distribution）以判斷是否要比對對照圖樣與晶圓圖。如果晶圓圖是屬於隨機分布類型，則結束辨識動作（步驟S940）。
當判斷目前的晶圓圖不屬於隨機分布類型後，進一步執行上述的步驟S204至步驟S208。在步驟S208中，根據晶圓圖與對照圖樣的相似度來辨識目前的晶圓圖。如果相似度大於或等於相似門檻值，進入步驟S2081，辨識出晶圓圖。如果相似度小於相似門檻值，進入步驟S2082與步驟S920，判斷晶圓圖與現有的對照圖樣不相似（可以是特定的對照圖樣或是對照圖樣資料庫中所有的對照圖樣），並將這些不屬於隨機分布類型且無法被辨識的晶圓圖歸類於其他類型。之後在步驟S930中，從這些無法被辨識的晶圓圖（被歸類於其他類型）中選擇具有最大故障率者作為新的對照圖樣。
接著，重新執行步驟S204至步驟S208，用以辨識其他類型之中剩餘的晶圓圖是否與步驟S930所選擇的新對照圖樣相似。在本實施例中，可以依照故障率的大小來依序選擇晶圓圖作為新的對照圖樣，比對其餘無法辨識的晶圓圖中是否還有跟目前的新對照圖樣相似者，以進行分類。如此重複直到其他類型中的晶圓圖都被辨識完畢。
在本實施例中，辨識裝置可以先從對照圖樣資料庫進行所有圖樣之比對辨識，接著從未辨識成功之剩餘晶圓圖中，挑選較大故障率之晶圓圖做為新對照圖樣，並儲存至對照圖樣資料庫。藉此，能夠在辨識過程中即時的更新對照圖樣，以避免圖樣資料庫不完整的問題。
在本實施例中，處理器106可以存取儲存器108的程式碼以執行人工智慧模型來自動訓練對照圖樣資料庫，例如通過機器學習（Supervised Machine Learning）等方式在辨識過程中完善儲存器108中的對照圖樣資料庫。處理器106可以執行人工智慧模型來實施上述的實施例，達到自動辨識待辨識晶圓300功效，並且在辨識過程中如果出現新增對照圖樣，辨識裝置104能夠自動即時的更新對照圖樣資料庫，以避免對照圖樣資料庫不完整的問題。
綜上所述，本發明的實施例提出一種晶圓圖的辨識方法，通過對晶圓圖進行卷積運算來達到缺陷區域完整化和去除影像雜訊的目的，以提高辨識的準確性。通過對對照圖樣進行卷積運算來凸顯對照圖樣缺陷區域和非缺陷區域的分布狀況，進而得到適當的權重分配。本發明的一實施例所提出的辨識方法在計算晶圓圖以及對照圖樣的相似度時，除了考慮缺陷區域所造成的相似度貢獻，還會考慮到非缺陷區域所造成的相似度貢獻，因此可以同時反應晶圓圖在對照圖樣缺陷區域和非缺陷區域的相似性。除此之外，在一實施例中，如果有非隨機分布類型的晶圓圖無法被目前的對照圖樣資料庫所歸類，本發明的辨識方法也可以即時將該晶圓圖更新紀錄在對照圖樣資料庫中，尤其當出現多個無法辨識的晶圓圖時，本發明的辨識方法可以選擇具有最大故障率者優先做為對照圖樣，並且更新對照圖樣資料庫。藉由這種主動更新對照圖樣資料庫的能力，本發明的辨識方法可以避免對照圖樣資料庫建檔不夠完整的問題，更可以在辨識過程中即時的完成晶圓圖分類。本發明的一實施例還提供一種紀錄上述晶圓圖的辨識方法的程式碼的電腦可讀取記錄媒體，可由一系統平台載入電腦可讀取記錄媒體所儲存的程式碼來執行上述辨識方法。
100:晶圓檢測系統
102:測試裝置
104:辨識裝置
106:處理器
108:儲存器
300、320:晶圓圖
310、810:經過卷積運算的晶圓圖
400、800:對照圖樣
802:區域
804:目標區域
820:810濾除雜訊後的結果
830:缺陷區域權重分配
840:互補對照圖樣
850:經過卷積運算的互補對照圖樣
860:850濾除雜訊後的結果
870:非缺陷區域權重分配
P1:座標
WA:待辨識晶圓
WA’:待測晶圓
S200、S900:辨識方法
S202~S208、S2081、S2082、S510～S560、S910~S940:辨識方法的步驟
圖1是依照本發明的一實施例的一種晶圓辨識系統的示意圖。
圖2是依照本發明的一實施例的一種晶圓圖的辨識方法的流程圖。
圖3A是依照本發明的一實施例的一種待辨識晶圓的原始晶圓圖的示意圖。
圖3B至圖3C是圖3A的晶圓圖的影像處理過程的示意圖。圖4A是依照本發明的一實施例的一種參照圖樣的示意圖。
圖4B是圖4A的參照圖樣經過影像處理後的結果的示意圖。
圖5是依照本發明的一實施例的影像處理操作的流程圖。
圖6是依照本發明的一實施例的一種晶圓圖的卷積結果的調整示意圖。
圖7A至圖7D是依照本發明的另一實施例的一種缺陷區域權重分配的產生過程示意圖。
圖8A至圖8D是依照本發明的另一實施例的一種非缺陷區域權重分配的產生過程示意圖。
圖9是依照本發明的另一實施例的一種晶圓圖的辨識方法的流程圖。
S204、S510~S560:辨識方法的步驟
Claims (10)
- 一種晶圓圖的辨識方法，包括： 獲得至少一待辨識晶圓的一晶圓圖； 對該晶圓圖與一對照圖樣進行一影像處理操作，其中該影像處理操作包括： 對該晶圓圖與該對照圖樣分別進行一卷積運算，擷取卷積後的該晶圓圖的一主要特徵，並且基於卷積後的該對照圖樣計算一權重分配；以及 計算處理後的該晶圓圖與該對照圖樣的一相似度以辨識該晶圓圖。
- 如申請專利範圍第1項所述的辨識方法，其中該影像處理操作還包括： 對經過卷積運算與調整後的該晶圓圖進行一連通分量標記以擷取該晶圓圖的主要特徵，並且濾除雜訊。
- 如申請專利範圍第1項所述的辨識方法，其中，基於卷積後的該對照圖樣計算該權重分配的步驟包括： 基於卷積後的該對照圖樣的一目標區域產生一缺陷區域權重分配；以及 基於卷積後的該對照圖樣的該目標區域外的部分產生一非缺陷區域權重分配，其中該權重分配包括該缺陷區域權重分配與該非缺陷區域權重分配。
- 如申請專利範圍第3項所述的辨識方法，其中，計算處理後的該晶圓圖與該對照圖樣的該相似度以辨識該晶圓圖的步驟包括： 決定一加權值W；以及 計算該缺陷區域權重分配中位置對應處理後的該晶圓圖的失效位元的一第一總和值，且該第一總和值乘上加權值W以獲得一失效位元相似度； 計算該非缺陷區域權重分配中位置對應處理後的該晶圓圖的正常位元的一第二總和值，且該第二總和值乘上(1-W)以獲得一正常位元相似度；以及 將該失效位元相似度和該正常位元相似度加總以獲得該待辨識晶圓圖和該對照圖樣的該相似度。
- 如申請專利範圍第4項所述的辨識方法，其中該加權值W為該待辨識晶圓的故障率，以及該加權值W的最大值小於1且該加權值W的最小值大於0。
- 如申請專利範圍第4項所述的辨識方法，其中計算該相似度以辨識該晶圓圖的步驟包括： 當該相似度大於或等於一相似門檻值時，判斷該晶圓圖與該對照圖樣相似，其中該相似門檻值大於該加權值W。
- 如申請專利範圍第1項所述的辨識方法，還包括： 判斷該晶圓圖的失效位元是否為隨機分布以判斷是否要比對該對照圖樣與該晶圓圖。
- 如申請專利範圍第1項所述的辨識方法，還包括： 該至少一待辨識晶圓為多個待辨識晶圓，當至少部分的該些待辨識晶圓的晶圓圖無法被辨識且不屬於隨機分布類型時，從無法被辨識的該些晶圓圖中選擇具有最大故障率者作為一新增對照圖樣；以及 比較該新增對照圖樣與其餘無法被辨識的該些晶圓圖的相似度。
- 如申請專利範圍第8項所述的辨識方法，還包括： 執行一人工智慧模型以自動訓練一對照圖樣資料庫，其中當出現該新增對照圖樣時，將該新增對照圖樣更新至該對照圖樣資料庫。
- 一種電腦可讀取記錄媒體，記錄至少一程式碼，由一處理器存取該至少一程式碼以執行如申請專利範圍第1項所述的辨識方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108143530A TWI714371B (zh) | 2019-11-29 | 2019-11-29 | 晶圓圖的辨識方法與電腦可讀取記錄媒體 |
| US16/721,924 US11132790B2 (en) | 2019-11-29 | 2019-12-20 | Wafer map identification method and computer-readable recording medium |
| CN201911355190.8A CN112884697A (zh) | 2019-11-29 | 2019-12-25 | 晶圆图的辨识方法与计算机可读取记录介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108143530A TWI714371B (zh) | 2019-11-29 | 2019-11-29 | 晶圓圖的辨識方法與電腦可讀取記錄媒體 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI714371B TWI714371B (zh) | 2020-12-21 |
| TW202121553A true TW202121553A (zh) | 2021-06-01 |
Family
ID=74669723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108143530A TWI714371B (zh) | 2019-11-29 | 2019-11-29 | 晶圓圖的辨識方法與電腦可讀取記錄媒體 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11132790B2 (zh) |
| CN (1) | CN112884697A (zh) |
| TW (1) | TWI714371B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429415B (zh) * | 2020-03-18 | 2020-12-08 | 东华大学 | 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法 |
| CN112988792B (zh) * | 2021-04-15 | 2022-05-31 | 筏渡(上海)科技有限公司 | 一种晶圆良率问题数据库的搜索方法和装置 |
| TWI782589B (zh) | 2021-06-23 | 2022-11-01 | 力晶積成電子製造股份有限公司 | 晶圓搜尋方法及裝置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7570796B2 (en) * | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
| TW200849048A (en) * | 2007-06-13 | 2008-12-16 | Promos Technologies Inc | Method of predicting yield rate of wafer |
| TWI472939B (zh) * | 2009-12-04 | 2015-02-11 | Inotera Memories Inc | 良率損失估算方法及相關電腦可讀媒體 |
| CN105990171B (zh) * | 2015-01-30 | 2019-01-08 | 华邦电子股份有限公司 | 晶片测试图样的损失率计算方法 |
| NL2017881B1 (en) * | 2015-12-18 | 2017-10-17 | Ultratech Inc | Full-wafer inspection methods having selectable pixel density |
| US10365639B2 (en) * | 2016-01-06 | 2019-07-30 | Kla-Tencor Corporation | Feature selection and automated process window monitoring through outlier detection |
| TWI642126B (zh) * | 2017-06-30 | 2018-11-21 | 中華大學 | 半導體晶圓檢測系統及其方法 |
| US10713534B2 (en) * | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
| CN108765389A (zh) * | 2018-05-18 | 2018-11-06 | 浙江大学 | 一种微观晶圆表面缺陷图像检测方法 |
| US10697900B2 (en) * | 2018-06-19 | 2020-06-30 | Kla-Tencor Corporation | Correlating SEM and optical images for wafer noise nuisance identification |
| CN109596638B (zh) * | 2018-10-26 | 2022-05-06 | 中国科学院光电研究院 | 有图形晶圆及掩模版的缺陷检测方法及装置 |
| CN109977808B (zh) * | 2019-03-11 | 2020-10-27 | 北京工业大学 | 一种晶圆表面缺陷模式检测与分析方法 |
-
2019
- 2019-11-29 TW TW108143530A patent/TWI714371B/zh active
- 2019-12-20 US US16/721,924 patent/US11132790B2/en active Active
- 2019-12-25 CN CN201911355190.8A patent/CN112884697A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| TWI714371B (zh) | 2020-12-21 |
| US20210166362A1 (en) | 2021-06-03 |
| CN112884697A (zh) | 2021-06-01 |
| US11132790B2 (en) | 2021-09-28 |
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 | |
| TWI714371B (zh) | 晶圓圖的辨識方法與電腦可讀取記錄媒體 | |
| CN110402487B (zh) | 对从晶片检测的缺陷进行分类的方法和装置 | |
| KR101799603B1 (ko) | 플라즈마 프로세싱 시스템 내에서의 자동적인 결함 검출 및 분류와 그 방법 | |
| JP6204336B2 (ja) | ウェーハ用検査工程を生成するための方法及びシステム | |
| KR102083706B1 (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
| TWI639824B (zh) | 用於自動及手動缺陷分類之整合的方法、設備及非暫態電腦可讀取儲存媒介 | |
| JP5599387B2 (ja) | ウェハー上の欠陥を検出して検査結果を生成するシステム及び方法 | |
| WO2019214309A1 (zh) | 模型测试的方法及装置 | |
| US20220269996A1 (en) | Information processing apparatus, information processing method, and storage medium | |
| WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
| US20150110384A1 (en) | Image inspection method of die to database | |
| US10719655B2 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database | |
| CN106407490A (zh) | 在芯片设计布局中发现未知问题图案的系统与方法 | |
| TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
| JP2011158373A (ja) | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 | |
| KR20210105335A (ko) | 반도체 시편에서의 결함들의 분류 | |
| JP2009098123A (ja) | 欠陥解析装置及び欠陥解析方法 | |
| KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
| KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
| WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
| KR20230102269A (ko) | 웨이퍼 제조 공정 장비의 이상 유무 탐지 방법 및 이를 위한 장치 | |
| JP4166247B2 (ja) | 半導体設計データ修正方法 | |
| JPH08320296A (ja) | 電子部品の余寿命推定方法及び装置 | |
| TW202139114A (zh) | 一種判斷半導體製程異常原因之系統與方法 |