TW202124947A - 用於增強型缺陷檢查靈敏度之以無監督學習為基礎之參考選擇 - Google Patents

用於增強型缺陷檢查靈敏度之以無監督學習為基礎之參考選擇 Download PDF

Info

Publication number
TW202124947A
TW202124947A TW109132689A TW109132689A TW202124947A TW 202124947 A TW202124947 A TW 202124947A TW 109132689 A TW109132689 A TW 109132689A TW 109132689 A TW109132689 A TW 109132689A TW 202124947 A TW202124947 A TW 202124947A
Authority
TW
Taiwan
Prior art keywords
image
images
sample
die
cluster
Prior art date
Application number
TW109132689A
Other languages
English (en)
Other versions
TWI826729B (zh
Inventor
伯裘恩 布拉爾
諾莫哈德 帕特瓦里
相奉 朴
曉春 李
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 TW202124947A publication Critical patent/TW202124947A/zh
Application granted granted Critical
Publication of TWI826729B publication Critical patent/TWI826729B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本發明揭示一種光學特徵化系統及其使用方法。該系統包括經組態以與經組態以自一樣本接收照明且產生影像資料之一或多個偵測器通信地耦合之一控制器。一或多個處理器可經組態以：接收該樣本上之晶粒之影像；計算該等影像之所有組合之相異性值；執行一叢集分析以將該等影像之該等組合分割成兩個或更多個叢集；使用該兩個或更多個叢集之一叢集中之該等影像之該等組合之兩者或兩者以上產生該叢集之一參考影像；及藉由比較該叢集中之一測試影像與該叢集之該參考影像來偵測該樣本上之一或多個缺陷。

Description

用於增強型缺陷檢查靈敏度之以無監督學習為基礎之參考選擇
本發明大體上係關於半導體晶圓及遮罩中之缺陷之偵測。特定言之，本發明係關於找到一適合參考影像來與一測試影像比較(例如用於找到參考影像與測試影像之間的差異)。
為偵測一樣本(例如一半導體晶圓或光罩)上之缺陷，一照明源照射樣本且一偵測器(例如一攝影機)接收自樣本反射或散射之照明。偵測器產生影像資料，且接著將影像資料傳輸至一電腦系統。
為偵測缺陷，比較一測試影像(即，一測試圖框)與一參考影像(即，參考圖框)。參考影像充當一理想或無錯影像，使得當自參考影像減去測試影像時，差異影像指示一問題結構，且執行一校正動作(例如藉由更改一晶圓之設計或處理)。可期望改良參考影像之產生以準確偵測一晶圓上之缺陷(例如藉由移除非所要雜訊)。
根據本發明之一或多個繪示性實施例，揭示一種光學特徵化系統。在一繪示性實施例中，該光學特徵化系統包括經組態以與經組態以自一樣本接收照明且產生影像資料之一或多個偵測器通信地耦合之一控制器。該控制器包含一或多個處理器，其等經組態以執行程式指令以引起該一或多個處理器：接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像；計算該等影像之所有組合之相異性值；執行一叢集分析以將該等影像之該等組合分割成兩個或更多個叢集；使用該兩個或更多個叢集之一叢集中之該等影像之該等組合之兩者或兩者以上產生該叢集之一參考影像；及藉由比較該叢集中之一測試影像與該叢集之該參考影像來偵測該樣本上之一或多個缺陷。
根據本發明之一或多個繪示性實施例，揭示一種光學特徵化方法。在一繪示性實施例中，該光學特徵化方法包括：使用一或多個偵測器自一樣本接收照明；產生影像資料；接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像；計算該等影像之所有組合之相異性值；執行一叢集分析以將該等影像之該等組合分割成兩個或更多個叢集；使用該兩個或更多個叢集之一叢集中之該等影像之該等組合之兩者或兩者以上產生該叢集之一參考影像；及藉由比較該叢集中之一測試影像與該叢集之該參考影像來偵測該樣本上之一或多個缺陷。
根據本發明之一或多個繪示性實施例，揭示一種光學特徵化系統。在一繪示性實施例中，該光學特徵化系統包括經組態以與經組態以自一樣本接收照明且產生影像資料之一或多個偵測器通信地耦合之一控制器。該控制器包含一或多個處理器，其等經組態以執行程式指令以引起該一或多個處理器：接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像；自該樣本上之晶粒之該等影像識別邊緣晶粒影像；使用來自該等邊緣晶粒影像之一第一邊緣晶粒影像產生一參考邊緣晶粒影像；計算該參考晶粒影像及該等邊緣晶粒影像之其他者之所有組合之相異性值；執行一叢集分析以將該等影像之該等組合分割成兩個或更多個叢集；使用該兩個或更多個叢集之一叢集中之該等影像之該等組合之兩者或兩者以上產生該叢集之一參考影像；及藉由比較該叢集中之一測試影像與該叢集之該參考影像來偵測該樣本上之一或多個缺陷。
根據本發明之一或多個繪示性實施例，揭示一種光學特徵化系統。在一繪示性實施例中，該光學特徵化系統包括經組態以與經組態以自一樣本接收照明且產生影像資料之一或多個偵測器通信地耦合之一控制器。該控制器包含一或多個處理器，其等經組態以執行程式指令以引起該一或多個處理器：接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像；識別一測試影像；計算該測試影像及該等影像之其他者之所有組合之相異性值；識別具有低於一臨限相異性值之一相異性值之該等組合之兩者或兩者以上；使用該等組合之該兩者或兩者以上產生一參考影像；及藉由比較該參考影像與該測試影像來偵測該樣本上之一或多個缺陷。
應瞭解，以上一般描述及以下詳細描述僅僅供例示及說明且未必限制本發明。併入本說明書中且構成本說明書之一部分之附圖繪示本發明之實施例且與一般描述一起用於闡釋本發明之原理。
相關申請案之交叉參考
本申請案根據35 U.S.C. § 119(e)規定主張名叫Bjorn Brauer及Nurmohammed Patwary之發明者於2019年9月24日申請之名稱為「UNSUPERVISED LEARNING-BASED REFERENCE SELECTION FOR ENHANCED DEFECT INSPECTION SENSITIVITY」之美國臨時申請案第62/904,855號之權利，該案之全部內容以引用的方式併入本文中。
本申請案根據35 U.S.C. § 119(e)規定主張名叫Bjorn Brauer、Nurmohammed Patwary、Sangbong Park及Xiaochun Li之發明者於2020年5月8日申請之名稱為「SYSTEMS AND METHODS TO ENHANCE DEFECT INSPECTION SENSITIVITY BY IMPROVED REFERENCE COMPUTATION」之美國臨時申請案第63/021,694號之權利，該案之全部內容以引用的方式併入本文中。
應瞭解，以上一般描述及以下詳細描述僅供例示及說明且未必限制本發明。併入本說明書中且構成本說明書之一部分之附圖繪示本發明之實施例且與一般描述一起用於闡釋本發明之原理。一般技術者應易於明白，可在不背離本發明之精神及範疇之情況下對形式及細節作出各種改變及修改。現將詳細參考繪示於附圖中之揭示標的。
本文中應注意，術語「圖框」及「影像」可被解釋為可互換。另外，術語「測試影像」、「候選影像」及「目標影像」可被解釋為可互換。另外，術語「運算」、「計算」及「產生」可被解釋為可互換。
本發明之實施例係針對一種光學特徵化系統及其使用方法。光學特徵化系統可經組態以偵測一樣本(例如一半導體晶圓或一光罩)上之一或多個缺陷或偵測一樣本之層之間的一失準(例如重疊)。系統可牽涉使用光子或電子照射樣本及在一或多個偵測器處接收照明(例如自樣本反射及/或散射之光子或電子)以產生影像資料。
影像資料可傳輸至一控制器(例如一影像伺服器)。影像資料可包括複數個影像(即，圖框)，其中各影像對應於一晶圓上之一晶粒。影像可針對晶粒間程序變動對準(例如彼此上下重疊)及校正，且晶圓上之所有晶粒可經比較以產生一晶圓圖。接著，晶圓圖可用於識別彼此最相似之晶粒且產生一參考影像。參考影像可與待測試之一晶粒之一候選影像(即，一測試影像)比較。當自候選影像減去參考影像時，差異可指示一問題結構或一失準，且可執行一校正動作(例如藉由更改一晶圓之設計或處理)。本發明之實施例能夠識別彼此相似之晶粒之影像及使用最相似影像計算一參考影像。
在一習知系統中，一晶圓上之一個別晶粒之一測試影像與一個別晶粒之一參考影像或晶粒影像之一線性組合(例如晶粒影像之一平均值)比較。僅來自相鄰晶粒之影像用於計算測試影像與參考影像之間的差異影像。
使用相鄰晶粒之影像用於參考影像產生假定相鄰晶粒之程序(例如微影處理)係相似的。然而，此程序相似性並不總是存在。例如，當考量一晶圓之中心中之晶粒列時，彼此緊鄰之晶粒出現於不同徑向位置處。一第一晶粒可與中心相距5 mm之一半徑，一第二晶粒可與中心相距10 mm之一半徑，且一第三晶粒可與中心相距15 mm之一半徑，等等。由於諸多晶圓處理條件晶圓一徑向相依性，因此第一晶粒及第二晶粒可被視為不同(第一晶粒及第三晶粒等等也一樣)。當比較靠近晶圓之邊緣之晶粒與晶圓之內部分中之晶粒時，此徑向相依性尤其明顯。
因此，在一習知系統中，彼此緊鄰定位(例如在一水平列上)之晶粒之影像彼此比較。彼此緊鄰定位之晶粒未必彼此最相似，因此，來自處理之徑向相依性之雜訊會妨礙晶粒之間的差異之準確偵測。
例如，在一習知系統中，可收集來自相同列行(即，相同晶粒列)之3個至12個晶粒之一影像。接著，比較影像內之圖框。例如，自其他圖框之一線性組合產生參考影像(例如平均化)。此程序不保證儘可能最佳圖框組合用於產生參考影像。因此，在諸多情況中，假影會存在於差異影像中(例如來自晶圓處理之徑向相依性之雜訊)。
一般而言，半導體製造商往往不聚焦於晶圓之徑向分佈之略微變動，因為變動係處理工具所固有且不限制良率。確切而言，製造商期望關注關鍵缺陷之儘可能最高偵測靈敏度。然而，若在比較影像圖框時存在潛在程序變動雜訊，則無法保證此靈敏度。僅當此程序變動雜訊最小化時，可增強缺陷偵測靈敏度。
存在若干方法來產生用於識別一晶圓上之缺陷之一最佳化參考影像。此等方法包含(例如)：(a)使用相鄰晶粒作為參考進行雙重偵測；(b)使用相同晶粒列內靠近候選影像之高達12個晶粒計算一中值影像(多晶粒適應性定限[MDAT])；(c)藉由最小化參考影像與候選影像之間的差的平方和來運算一參考影像(多晶粒運算參考適應性定限[MCAT])；(d)平均化晶圓上之各種影像(單參考晶粒[SRD])；或(e)自設計計算一參考影像。MCAT係一最新發展且比MDAT顯著改良。然而，當測試晶粒之雜訊特性明顯不同於所有參考晶粒時，存在改良空間。僅自相同晶粒列內之相鄰圖框選擇參考影像限制MCAT靈敏度之進一步提高。
為克服此問題，本發明之實施例係針對一種以靈活無監督學習為基礎之參考影像選擇演算法。以無監督學習為基礎之演算法可在整個晶圓中找到最相似於測試影像之參考影像，且可接著使用相似參考影像用於一參考影像計算(例如一MCAT參考計算)。
圖1繪示根據本發明之一或多個實施例之一光學特徵化系統100。特定言之，圖1繪示用於判定一樣本(例如一半導體晶圓、光罩或倍縮光罩)之一表面上之缺陷之一系統100。系統100可包含(但不限於)一或多個特徵化子系統102 (即，一檢查子系統102)。另外，系統100可包含具有一或多個處理器106及一記憶體108之一控制器104及一使用者介面110。
特徵化子系統102可包含本技術中已知之任何特徵化子系統102，其包含(但不限於)一檢查子系統(例如經組態以偵測一樣本中之缺陷)。在一些實施例中，特徵化子系統102可為一重疊度量子系統(例如經組態以量測一樣本之重疊或對準)。特徵化子系統102可包含(但不限於)一以光學為基礎之檢查系統、一以帶電粒子為基礎之檢查系統及其類似者。例如，特徵化子系統102可包含一寬頻檢查系統(例如寬頻電漿檢查系統)或一窄頻檢查系統(例如以雷射為基礎之檢查系統)。在另一例項中，特徵化子系統102可包含一掃描電子顯微鏡(SEM)檢查系統。
在一實施例中，控制器104通信地耦合至一或多個特徵化子系統102。控制器104之一或多個處理器106可經組態以產生經組態以調整檢查子系統102之一或多個特性之一或多個控制信號。例如，控制器104可經組態以調整固持一樣本之一載台之高度或光之一波長。
在一實施例中，控制器104經組態以接收一樣本之一或多個影像(例如影像資料)。例如，影像資料可包括複數個影像(即，圖框)。圖框之各者可對應於一樣本上之一晶粒(例如，若樣本係一晶圓)。控制器104可經組態以判定指示樣本之一或多個缺陷之樣本之一或多個特徵。在另一實施例中，控制器104可經組態以接收一目標樣本之一或多個樣本特徵之一或多個目標影像。
圖2A繪示根據本發明之一或多個實施例之用於特徵化一樣本之系統100之一簡化示意圖。特定言之，圖2A中所描繪之系統100包含一光學檢查子系統102a，使得系統100操作為一光學檢查系統。
光學檢查子系統102a可包含本技術中已知之任何以光學為基礎之檢查。例如，檢查子系統102a可包含一光學暗場檢查工具。光學檢查子系統102a可包含(但不限於)一照明源112、一照明分枝111、一收集分枝113及一偵測器總成126。
在一實施例中，光學檢查子系統102a經組態以檢查及/或量測安置於載台總成122上之樣本120。照明源112可包含用於產生照明101之本技術中已知之任何照明源，其包含(但不限於)一寬頻輻射源。在另一實施例中，光學檢查子系統102a可包含經組態以將照明101導引至樣本120之一照明分枝111。應注意，光學檢查子系統102a之照明源112可組態於本技術中已知之任何定向上，其包含(但不限於)一暗場定向、一光場定向等等。例如，一或多個光學元件114、124可經可選擇地調整以將檢查子系統102a組態於一暗場定向、一光場定向等等上。
樣本120可包含本技術中已知之任何樣本，其包含(但不限於)一晶圓、一倍縮光罩、一光罩等等。在一實施例中，樣本120安置於一載台總成122上以促進樣本120之移動。在另一實施例中，載台總成122係一可致動載台。例如，載台總成122可包含(但不限於)適合於可選擇地使樣本120沿一或多個線性方向(例如x方向、y方向及/或z方向)平移之一或多個平移載台。舉另一實例而言，載台總成122可包含(但不限於)適合於選擇性使樣本120沿一旋轉方向旋轉之一或多個旋轉載台。舉另一實例而言，載台總成122可包含(但不限於)適合於可選擇地使樣本120沿一線性方向平移及/或使樣本120沿一旋轉方向旋轉之一旋轉載台及一平移載台。在此應注意，系統100可以本技術中已知之任何掃描模式操作。
照明分枝111可包含任何數目及類型之本技術中已知之光學組件。在一實施例中，照明分枝111包含一或多個光學元件114、一分束器116及一物鏡118。據此而言，照明分枝111可經組態以將來自照明源112之照明101聚焦至樣本120之表面上。一或多個光學元件114可包含本技術中已知之任何光學元件，其包含(但不限於)一或多個反射鏡、一或多個透鏡、一或多個偏光器、一或多個分束器、波片、一或多個變跡器及其類似者。
在另一實施例中，光學檢查子系統102a包含經組態以收集自樣本120反射或散射之照明之一收集分枝113。在另一實施例中，收集分枝113可經由一或多個光學元件124將反射及散射光導引及/或聚焦至一偵測器總成126之一或多個感測器。一或多個光學元件124可包含本技術中已知之任何光學元件，其包含(但不限於)一或多個反射鏡、一或多個透鏡、一或多個偏光器、一或多個分束器、波片及其類似者。應注意，偵測器總成126可包含用於偵測自樣本120反射或散射之照明之本技術中已知之任何感測器及偵測器總成。
在另一實施例中，光學檢查子系統102a之偵測器總成126經組態以基於自樣本120反射或散射之照明來收集樣本120之檢查資料。在另一實施例中，偵測器總成126經組態以將所收集/獲取之影像及/或度量資料傳輸至控制器104。
如本文先前所提及，系統100之控制器104可包含一或多個處理器106及一記憶體108。記憶體108可包含經組態以引起一或多個處理器106執行本發明之各種步驟之程式指令。在一實施例中，程式指令經組態以引起一或多個處理器106調整光學檢查子系統102a之一或多個特性以執行樣本120之一或多個量測。
圖2B繪示根據本發明之一或多個實施例之用於特徵化一樣本120之系統100之一簡化示意圖。特定言之，圖2B中所描繪之系統100包含一以電子為基礎之子系統102b，使得系統100操作為一以電子為基礎之檢查系統(例如一掃描電子顯微鏡(SEM)系統)。
在一實施例中，以電子為基礎之檢查子系統102b經組態以對樣本120執行一或多個量測。據此而言，以電子為基礎之檢查子系統102b可經組態以獲取樣本120之一或多個影像。以電子為基礎之檢查子系統102b可包含(但不限於)一電子束源128、一或多個電子光學元件130、一或多個電子光學元件132及包含一或多個電子感測器136之一電子偵測器總成134。
在一實施例中，電子束源128經組態以將一或多個電子束129導引至樣本120。電子束源128可形成一電子光學柱。在另一實施例中，電子束源128包含經組態以將一或多個電子束129聚焦及/或導引至樣本120之表面之一或多個額外及/或替代電子光學元件130。在另一實施例中，以電子為基礎之檢查子系統102b包含經組態以回應於一或多個電子束129而收集自樣本120之表面發出之二次及/或反向散射電子131之一或多個電子光學元件132。在此應注意，一或多個電子光學元件130及一或多個電子光學元件132可包含經組態以導引、聚焦及/或收集電子之任何電子光學元件，其包含(但不限於)一或多個偏轉器、一或多個電子光學透鏡、一或多個聚光透鏡(例如磁性聚光透鏡)、一或多個物鏡(例如磁性聚光透鏡)及其類似者。
應注意，以電子為基礎之檢查子系統102b之電子光學總成不受限於圖2B中所描繪之電子光學元件，其僅供說明。應進一步注意，系統100可包含將一或多個電子束129導引/聚焦至樣本120上且回應性地使所發出之二次及/或反向散射電子131收集及成像至電子偵測器總成134上所需之任何數目及類型之電子光學元件。
例如，系統100可包含一或多個電子束掃描元件(圖中未展示)。例如，一或多個電子束掃描元件可包含(但不限於)適合於控制一或多個電子束129相對於樣本120之表面之一位置之一或多個電磁掃描線圈或靜電偏轉器。此外，一或多個掃描元件可用於依一選定圖案跨樣本120掃描一或多個電子束129。
在另一實施例中，將二次及/或反向散射電子131導引至電子偵測器總成134之一或多個感測器136。以電子為基礎之檢查子系統102b之電子偵測器總成134可包含適合於偵測自樣本120之表面發出之反向散射及/或二次電子131之本技術中已知之任何電子偵測器總成。在一實施例中，電子偵測器總成134包含一電子偵測器陣列。據此而言，電子偵測器總成134可包含一電子偵測部分陣列。此外，電子偵測器總成134之偵測器陣列之各電子偵測部分可經定位以自樣本120偵測與入射電子束129之一者相關聯之一電子信號。電子偵測器總成134可包含本技術中已知之任何類型之電子偵測器。例如，電子偵測器總成134可包含一微通道板(MCP)、一PIN或p-n接面偵測器陣列，諸如(但不限於)二極體陣列或突崩光二極體(APD)。舉另一實例而言，電子偵測器總成134可包含一高速閃爍器或一光倍增管(PMT)偵測器。
儘管圖2B將以電子為基礎之檢查子系統102b繪示為包含僅包括二次電子偵測器總成之一電子偵測器總成134，但此不應被視為本發明之限制。據此而言，應注意，電子偵測器總成134可包含(但不限於)二次電子偵測器、反向散射電子偵測器及/或一次電子偵測器(例如柱內電子偵測器)。在另一實施例中，以電子為基礎之檢查子系統102b可包含複數個電子偵測器總成134。例如，系統100可包含二次電子偵測器總成、一反向散射電子偵測器總成及一柱內電子偵測器總成。
在另一實施例中，如本文先前所描述，系統100包含通信地耦合至控制器104之一使用者介面110。在另一實施例中，使用者介面110包含一使用者輸入裝置及一顯示器。使用者介面110之使用者輸入裝置可經組態以自一使用者接收一或多個輸入命令，一或多個輸入命令經組態以將資料輸入至系統100中及/或調整系統100之一或多個特性。在另一實施例中，使用者介面110之顯示器可經組態以將系統100之資料顯示給一使用者。
在一實施例中，一或多個處理器106可通信地耦合至記憶體108，其中一或多個處理器106經組態以執行儲存於記憶體108上之一組程式指令。該組程式指令可經組態以引起一或多個處理器106執行本發明之各種功能及步驟。
控制器104可通信地耦合至檢查系統102a或102b。控制器104可經組態以自檢查子系統102a或102b接收影像資料125且使用影像資料125偵測樣本120上之一或多個缺陷。
在此應注意，系統100之一或多個組件可依本技術中已知之任何方式通信地耦合至系統100之各種其他組件。例如，一或多個處理器106可經由一有線連接(例如銅線、光纖電纜及其類似者)或無線連接(例如RF耦合、IR耦合、WiMax、Bluetooth、3G、4G、4G LTE、5G及其類似者)彼此通信地耦合及通信地耦合至其他組件。舉另一實例而言，控制器104可經由本技術中已知之任何有線或無線連接通信地耦合至檢查子系統102之一或多個組件。
在一實施例中，一或多個處理器106可包含本技術中已知之任一或多個處理元件。據此而言，一或多個處理器106可包含經組態以執行演算法及/或指令之任何微處理器型裝置。在一實施例中，一或多個處理器106可為以下各者之一組件：桌上型電腦、主機電腦系統、工作站、影像電腦、並行處理器或經組態以執行經組態以操作系統100之一程式之其他電腦系統(例如網路電腦)，如本發明中所描述。應認識到，本發明中所描述之步驟可由一單一電腦系統或替代地，多個電腦系統(例如在一雲運算系統中)實施。另外，應認識到，本發明中所描述之步驟可在一或多個處理器106之任一或多者上實施。一般而言，術語「處理器」可經廣義界定以涵蓋具有執行來自記憶體108之程式指令之一或多個處理元件之任何裝置。再者，系統100之不同子系統(例如照明源112、電子束源128、偵測器總成126、電子偵測器總成134、控制器104、使用者介面110及其類似者)可包含適合於實施本發明中所描述之步驟之至少一部分之處理器或邏輯元件。因此，以上描述不應被解譯為本發明之限制，而是僅為一說明。
記憶體108可包含適合於儲存可由相關聯之一或多個處理器106執行之程式指令及自檢查子系統102接收之資料之本技術中已知之任何儲存媒體。例如，記憶體108可包含一非暫時性記憶體媒體。例如，記憶體108可包含(但不限於)一唯讀記憶體(ROM)、一隨機存取記憶體(RAM)、一磁性或光學記憶體裝置(例如磁碟)、一磁帶、一固態硬碟及其類似者。應進一步注意，記憶體108可與一或多個處理器106分別收容於一共同控制器外殼中。在一替代實施例中，記憶體108可相對於處理器106及控制器104之實體位置遠端定位。
在一實施例中，一使用者介面110通信地耦合至控制器104。在一實施例中，使用者介面110可包含(但不限於)一或多個桌上型電腦、平板電腦、智慧型電話、智慧型手錶或其類似者。在另一實施例中，使用者介面110包含用於將系統100之資料顯示給一使用者之一顯示器。使用者介面110之顯示器可包含本技術中已知之任何顯示器。例如，顯示器可包含(但不限於)一液晶顯示器(LCD)、一以有機發光二極體(OLED)為基礎之顯示器或一CRT顯示器。熟習技術者應認識到，能夠與一使用者介面110整合之任何顯示裝置適合於在本發明中實施。在另一實施例中，一使用者可回應於顯示給使用者之資料而經由使用者介面110之一使用者輸入裝置(例如一滑鼠及鍵盤)輸入選擇及/或指令。
圖3係繪示根據本發明之一或多個實施例之產生一參考影像之各種方法的一流程圖。
在步驟302，可將影像資料(例如影像資料125)自一檢查子系統(例如檢查子系統102a或102b)傳輸至一控制器(例如控制器104)。影像資料可包括複數個影像(即，圖框)，其中各影像對應於一晶圓上之一晶粒。
在步驟304，可以子像素準確度針對晶粒間程序變動對準(例如重疊至其他影像上)及校正影像。在一些實施例中，影像可使用一粗略對準(例如≤5個像素)來對準。在一些實施例中，影像可使用一精細校準(例如≤像素)及一增益及偏移校正來對準。
在步驟306或步驟308，可計算晶粒影像之所有對(k組合)之間的一相似性量測。步驟306及步驟308係備選步驟，且可執行步驟306或步驟308以計算一相似性量測。k組合之一總數可界定如下：
Figure 02_image001
其中n係晶粒影像之一總數，k係2，且n及k兩者係整數。在一實例中，若一晶圓上存在470個晶粒，則存在影像之C(470, 2) = 110,215個可能組合供比較。在此應注意，相似性量測可不受限於一晶圓上之晶粒，且亦可應用於其他結構(例如一光罩之分割區域之影像)。應注意，其他方法可用於量化變數之間的相似性(例如最小平方擬合)，且本發明不受限於相對於步驟306及步驟308所描述之相似性計算。
特定言之，在步驟306，一皮爾森(Pearson)相關計算可用於計算相似性量測。對各像素i之晶粒X之影像中之n個像素及晶粒Y之影像中之n個像素執行皮爾森相關之計算(例如其中來自晶粒X之影像之n個像素與來自晶粒Y之影像之n個像素對準或重疊)。用於執行皮爾森相關之方程式界定如下： (1)
Figure 02_image003
其中cov(X,Y)係晶粒X之影像及晶粒Y之影像中之像素之共異變數矩陣，σx 及σy 係對應標準方差，xi 及yi 係晶粒X之影像及晶粒Y之影像中之一像素i之各自灰階值，且
Figure 02_image005
及
Figure 02_image007
係晶粒X之影像及晶粒Y之影像中之所有像素之各自灰階值平均值。若各影像中存在(例如) 128×128個像素，則i在自像素1至像素16,384之範圍內。在一實施例中，影像之各者之子區段可經處理使得針對各子區段計算一相似性量測。接著，各子區段之相似性量測可針對一總相似性量測組合(例如20個子區段，各3×42個像素)。
特定言之，在步驟308，可使用一正規化差平方和(NSSD)計算來計算相似性量測。對晶粒X之影像中之M*N個像素及晶粒Y之影像中之M*N個像素執行NSSD之計算(例如其中來自晶粒X之影像之像素與來自晶粒Y之影像之像素對準或重疊)。用於執行NSSD計算之方程式界定如下： (2)
Figure 02_image009
其中M及N係影像之各列及各行中之像素之各自數目，i係各列之像素指數，j係各行之像素指數，X(i,j)係晶粒X之影像(例如灰階值之一矩陣)，Y(i,j)係晶粒Y之影像(例如灰階值之一矩陣)，γ係晶粒X之影像與晶粒Y之影像之間的增益，且K係晶粒X之影像與晶粒Y之影像之間的偏移。
在步驟312，可執行一叢集分析以將晶粒影像對分割成叢集(即，群組)，其中各叢集內之對具有一實質上相似相似性量測。如圖4A中所展示，叢集分析可採用在縱軸上繪製相異性值及在橫軸上繪製晶圓上之各晶粒之位置之一樹狀圖。可使用階層叢聚、k平均數叢聚(其中k係不受限於任何特定值之叢集之數目)或任何其他叢集分析方法執行叢集分析。本發明不受限於任何特定階層叢聚，可採用任何其他類型之階層叢聚(例如平均連接、單一連接、完全連接或質心連接)。
當使用k平均數叢聚時，叢集藉由輸入叢集之一使用者界定數目來基於其質心位置隔離。另一方面，階層叢聚採用n次觀察作為一輸入且計算此等觀察之所有可能組合之C(n,2)成對相異性值。將C(n,2)相關係數匯總成相關距離(即，相異性)矩陣(1-rxy )自其導出之一相關矩陣。在一實例中，各觀察包括具有512×512個像素之一大小之一影像之灰階位準值。
如圖4A之樹狀圖中所展示，在一實例中，可分割三個叢集401、402及403。樹狀圖在縱軸上繪製相異性分數及在橫軸上繪製晶粒位置。在此應注意，樹狀圖可分割成任何數目個叢集(例如兩個或更多個叢集)，且圖4A中所展示之三個叢集401、402及403僅為一實例。叢集可基於一使用者或預界定分割設定或透過演算分割。在圖4A之樹狀圖中，所有葉具有低於1.5之一臨限相異性值之一相異性值。可預選、使用者基於資料選擇或透過演算判定臨限相異性值。
檢驗叢集之間的所有成對叢集間相異性且識別及融合最小相異之叢集對。此等兩個叢集之間的相異性指示其中可放置融合之樹狀圖中之高度。為計算叢集群組之間的相異性，採用連接之概念。可能連接可包含分別表示最大、最小、平均及質心叢集間相異性之完全連接、單一連接、平均連接及質心連接。
如圖4B中所展示，可建構一晶圓圖，其中樹狀圖中之項目之各者對應於晶圓上之一特定晶粒位置。可藉由將具有平均連接之階層叢聚應用於圖4A之樹狀圖來建構圖4B之晶圓圖中所展示之分組。例如，叢集401對應於晶圓之中心處之一區域，叢集402對應於晶圓之一內區域，且叢集403對應於晶圓之邊緣處之一區域。各叢集(例如叢集401)內之晶粒之影像可經彼此比較以提供具有相對低量雜訊(例如來自晶圓處理之徑向相依性)之一參考影像。相比而言，比較來自一叢集(例如叢集401)之一影像與來自另一叢集(例如叢集402及403)之一影像可提供具有相對高量雜訊之一參考影像。因此，可期望僅比較相同叢集內之影像。
可選擇圖4A之樹狀圖之底部處之分支來產生具有相對低量雜訊之參考影像(因為樹狀圖之底部處之相異性最低)。各葉表示由一列及一行值特徵化之一晶粒。至少三個葉可經一起選擇以產生一參考影像。在一些實施例中，可選擇一叢集(例如叢集401)中之所有葉(即，晶粒影像)來產生一參考影像。在一些實施例中，可選擇一叢集中之葉之一子集(例如具有相對相似雜訊分佈之葉)來產生一參考影像。
圖5展示其中經識別晶粒對應於樹狀圖之葉之一晶圓圖。可針對參考影像計算來選擇晶粒501a至501d (其等所有在相同叢集403中)，因為晶粒501a至501d從其雜訊特性看相對彼此相似且因此可減少參考影像之雜訊(參閱(例如)圖5中所展示之樹狀圖分支，其中表示晶粒501a至501d之葉具有相對相似相異性分數)。
步驟310係步驟306或步驟308之一替代步驟。在步驟310，當選擇測試影像(即，一目標影像)時，可計算僅測試影像與所有其他影像之間(例如而非晶粒影像之所有可能組合之間)的NSSD。例如，若存在470個晶粒，則目標影像與所有其他影像之間存在469次比較。在步驟314，在計算目標影像與所有其他影像之間的NSSD之後，可識別目標影像與所有其他影像之間的實質上相似參考影像之一數目(例如≥2)(例如具有低於一臨限值之一相異性值)。參考影像可基於在與測試影像比較時具有一最小SSD之影像來識別。
在步驟316，可基於步驟312或步驟314中所識別之影像運算一參考影像。可使用(例如)參考影像之一線性組合(例如MCAT)或藉由平均化影像來計算參考影像。參考影像可與待測試之一晶粒之一候選影像(即，測試影像)比較。當自測試影像減去參考影像時，差異可指示一問題結構(或一重疊失準)，且可對測試晶粒之位置執行一校正動作(例如藉由調整一晶圓之設計或處理)。校正程序可與(例如)薄膜沈積、蝕刻、拋光等等相關。
圖6展示繪示用於晶粒影像選擇及參考影像產生之各種方案的晶圓圖601至603。晶圓圖601及602繪示其中自晶圓之預界定區域(例如不基於相似性分數)選擇晶粒影像之習知方案。相比而言，晶圓圖603繪示其中基於相似雜訊分佈選擇晶粒影像之一方案，如相對於圖3至圖5所描述。
在一參考庫方案601中，假定晶圓徑向對稱。區域601a及601b與晶圓之中心相距相同半徑。自區域601a或601b選擇待測試之一晶粒之一影像(即，一測試影像)。同樣地，針對參考影像產生來選擇區域601a及/或601b中之晶粒之影像，因為假定選定晶粒影像之雜訊分佈相似於測試影像之雜訊分佈。美國專利第10,151,706號中進一步描述參考庫影像，該專利之全部內容以引用的方式併入本文中。儘管選自區域601a及/或601b之影像可具有相似於來自區域601a或601b之一測試影像之一雜訊分佈，但可期望進一步提高雜訊分佈相似性。
在一記錄程序(POR)方案602中，針對參考影像產生來選擇列602a中之相鄰晶粒之影像。影線晶粒(例如在列602a之右側上)表示一測試晶粒。加粗晶粒表示針對參考影像產生所選擇之晶粒。彼此緊鄰定位之晶粒之影像未必具有相似雜訊分佈，因此，來自處理之徑向相依性之雜訊會妨礙晶粒之間的差異之準確偵測。可期望進一步提高測試晶粒影像與選定晶粒影像之間的雜訊分佈相似性。
在一靈活工作方案603中，可針對參考影像產生來選擇具有相似雜訊分佈之晶粒影像之一組合。晶粒603a可表示一測試晶粒，且晶粒603b至603g可表示針對參考影像產生所選擇之晶粒。晶粒603b至603g之影像可具有相似於測試晶粒603a之影像之雜訊分佈。因此，可選擇晶粒603b至603g之影像，不管其相對於測試晶粒之實體位置如何(例如使用一皮爾森相關計算或一NSSD計算及叢聚，如相對於圖3至圖5所描述)。
現參考圖7A至圖7B，描述根據本發明之一或多個實施例之用於基於雜訊分佈判定一參考影像之技術。晶粒可基於其雜訊分佈來分組成兩個群組：(1)其中可在運行時間掃描期間補償一晶粒間比較中之雜訊之晶粒(例如歸因於測試晶粒與相鄰晶粒之間的小差異)；及(2)基於顯著不同於相鄰晶粒之一雜訊特性之晶粒。
當產生後一晶粒群組之一參考影像時，可期望跨全部晶圓選擇具有相似雜訊分佈之晶粒。特定言之，後一群組可包括可具有顯著不同於內晶粒之一雜訊分佈(歸因於徑向相依性雜訊)之邊緣晶粒。在一些實施例中，比較邊緣晶粒影像與一共同參考邊緣晶粒影像可為有利的。
圖7A係展示用於參考影像產生之圖框之選擇的一晶圓圖。一群組之邊緣晶粒1至30可用於參考影像產生。在一些實施例中，一或兩個內晶粒可使用邊緣晶粒1至30分組。可利用一主對準晶粒(MAD)，使得所有其他晶粒影像與MAD對準。除MAD之外，亦可視情況利用一像素與設計對準(PDA)晶粒以確保經處理晶粒與一設計影像對準。
圖7B係繪示用於使用圖7A之晶圓圖之參考影像產生之邊緣晶粒影像之選擇的一流程圖。
在步驟701，可將影像資料(例如影像資料125)自一檢查子系統(例如檢查子系統102a或102b)傳輸至一控制器(例如控制器104)。影像資料可包括複數個影像(即，圖框)，其中各影像對應於一晶圓上之一晶粒。特定言之，邊緣晶粒及兩個相鄰內晶粒之影像可由控制器控制。
在步驟702，可以子像素準確度針對晶粒間程序變動對準(例如重疊至其他影像上)及校正影像。可利用一主對準晶粒(MAD)，使得所有其他晶粒影像與MAD對準。除MAD之外，亦可視情況利用一像素與設計對準(PDA)晶粒以確保經處理晶粒與一設計影像對準。在一些實施例中，影像可使用一粗略校準(例如≤5個像素)來對準。在一些實施例中，影像可使用一精細校準(例如≤1個像素)及一增益及偏移校正來對準。在此應注意，本發明不受限於任何特定對準技術，而是可利用未明確揭示之其他對準技術。
在步驟703，可快取影像，使得可在未來步驟中快速擷取影像。特定言之，可快取邊緣晶粒及兩個相鄰內晶粒之影像。另外，可產生邊緣晶粒相對於MAD晶粒之位置偏移。
在步驟704，可針對邊緣影像產生來選擇一第一邊緣晶粒影像。在步驟705，可自第一邊緣晶粒影像產生一參考邊緣晶粒影像。在步驟706，為產生雜訊分佈，可比較邊緣晶粒影像與參考邊緣晶粒影像(即，未被選擇用於產生參考邊緣晶粒影像之所有其他邊緣晶粒影像)。例如，若選擇邊緣晶粒1之影像作為參考邊緣晶粒影像，則可比較邊緣晶粒1之影像與邊緣晶粒2至30之影像。可(例如)使用相對於圖3之步驟308所描述之NSSD計算來執行此比較。在步驟707，可基於比較來產生一相似性量測(即，相異性值)。可建構在縱軸上繪製相異性值及在橫軸上繪製晶粒位置之一樹狀圖(例如實質上相似於相對於圖4A所描述之樹狀圖)。
在步驟708，可對邊緣晶粒影像執行一叢集分析。可(例如)使用相對於圖3之步驟312所描述之階層叢聚來執行此叢集分析。叢集分析可採用在縱軸上繪製相異性及在橫軸上繪製晶粒位置之一樹狀圖(例如實質上相似於圖4A中所展示之樹狀圖)。在步驟709，邊緣晶粒影像可基於其雜訊分佈來分割成多個分區。各分區內之影像可用於產生參考影像(例如藉由使用MCAT演算法)。一候選影像可自一參考影像減去以產生一差異影像。
可在產生一候選影像之一參考影像(例如一MCAT參考影像)時利用若干技術來減少干擾(例如非所要或誤導性雜訊)。各候選影像可具有一對應MCAT參考影像(例如產生於圖7B之流程圖之步驟709中)。自一MCAT參考影像減去一候選影像可產生一差異影像。在此應注意，參考影像可為本發明中所描述之任何類型之參考影像，且MCAT參考影像經描述為一實例。
在一第一排除干擾技術中，可藉由自一MCAT參考影像減去一候選影像來計算一MCAT差異影像。可計算一候選影像與單一參考邊緣晶粒影像(例如相對於步驟705所描述)之間的一第一最小差異(「min-diff」)影像。接著，可計算第一最小差異影像與MCAT差異影像之間的一第二最小差異影像。接著，可基於第二最小差異影像偵測缺陷。
在一第二排除干擾技術中，可藉由自一MCAT參考影像減去一候選影像來計算一MCAT差異影像。可計算MCAT參考影像與單一參考邊緣晶粒影像(例如相對於步驟705所描述)之間的一第二差異影像。可基於第二差異影像偵測缺陷，且可針對與缺陷相關聯之像素運算一信雜比(SNR)。若像素之一或多者之SNR較大，則像素可與一干擾(並非一真實缺陷)相關聯。
最小差異影像計算可為有利的，因為候選影像之晶粒及MCAT參考影像之晶粒中之實際缺陷(或層之間的失準)之位置具有相似灰階值，而隨機程序雜訊之位置具有各種不同灰階值。因此，實際缺陷之灰階值基本上不受影響，同時隨機雜訊顯著減少。
據信本發明及其諸多伴隨優點將藉由以上描述來理解，且應明白，可在不背離本發明或不犧牲其所有材料優點之情況下對組件之形式、建構及配置作出各種改變。所描述之形式僅供說明，且以下申請專利範圍意欲涵蓋及包含此等改變。另外，應瞭解，本發明由隨附申請專利範圍界定。
100:光學特徵化系統 101:照明 102:特徵化子系統/檢查子系統 102a:光學檢查子系統 102b:以電子為基礎之檢查子系統 104:控制器 106:處理器 108:記憶體 110:使用者介面 111:照明分枝 112:照明源 113:收集分枝 114:光學元件 116:分束器 118:物鏡 120:樣本 122:載台總成 124:光學元件 125:影像資料 126:偵測器總成 128:電子束源 129:電子束 130:電子光學元件 131:二次/反向散射電子 132:電子光學元件 134:電子偵測器總成 136:電子感測器 302:步驟 304:步驟 306:步驟 308:步驟 310:步驟 312:步驟 314:步驟 316:步驟 401:叢集 402:叢集 403:叢集 501a至501d:晶粒 601至603:晶圓圖 601a:區域 601b:區域 602a:列 603a:測試晶粒 603b至603g:晶粒 701:步驟 702:步驟 703:步驟 704:步驟 705:步驟 706:步驟 707:步驟 708:步驟 709:步驟
熟習技術者可藉由參考附圖來較佳理解本發明之諸多優點，其中： 圖1係繪示根據本發明之一或多個實施例之用於收集一樣本之一影像之一光學特徵化系統的一框圖。 圖2A繪示根據本發明之一或多個實施例之包含一以光學為基礎之檢查子系統之圖1之光學特徵化系統。 圖2B繪示根據本發明之一或多個實施例之包含一以電子為基礎之檢查子系統之圖1之光學特徵化系統。 圖3係繪示根據本發明之一或多個實施例之產生一參考影像之一方法的一流程圖。 圖4A係展示根據本發明之一或多個實施例之相似晶圓晶粒之叢集的一樹狀圖。 圖4B係展示根據本發明之一或多個實施例之圖4A之樹狀圖中所識別之叢集的一晶圓圖。 圖5係展示根據本發明之一或多個實施例之識別用作為參考影像之晶粒之標記的圖4B之晶圓圖。 圖6展示繪示根據本發明之一或多個實施例之用於參考影像產生之各種方案的晶圓圖。 圖7A係展示根據本發明之一或多個實施例之用於參考影像產生之圖框之選擇的一晶圓圖。 圖7B係繪示根據本發明之一或多個實施例之用於參考影像產生之圖框之選擇的一流程圖。
100:光學特徵化系統
102:特徵化子系統/檢查子系統
104:控制器
106:處理器
108:記憶體
110:使用者介面

Claims (27)

  1. 一種光學特徵化系統，其包括： 一控制器，其經組態以與經組態以自一樣本接收照明且產生影像資料之一或多個偵測器通信地耦合，該控制器包含一或多個處理器，該一或多個處理器經組態以執行程式指令以引起該一或多個處理器： 接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像； 計算該等影像之所有組合之相異性值； 執行一叢集分析以將該等影像之該等組合分割成兩個或更多個叢集； 使用該兩個或更多個叢集之一叢集中之該等影像之該等組合之兩者或兩者以上產生該叢集之一參考影像；及 藉由比較該叢集中之一測試影像與該叢集之該參考影像來偵測該樣本上之一或多個缺陷。
  2. 如請求項1之系統，其中該一或多個處理器經組態以執行程式指令以引起該一或多個處理器： 藉由自該參考影像減去該測試影像來產生一差異影像。
  3. 如請求項1之系統，其中該等組合之一總數界定如下：
    Figure 03_image001
    其中n係該等影像之一總數且k係2。
  4. 如請求項1之系統，其中該樣本包括一半導體晶圓、一倍縮光罩或一光罩。
  5. 如請求項1之系統，其中該一或多個處理器經組態以執行程式指令以引起該一或多個處理器使該等影像之各者與該等影像之其他者對準。
  6. 如請求項1之系統，其中使用一皮爾森(Pearson)相關來計算該等相異性值。
  7. 如請求項1之系統，其中使用一正規化差平方和(NSSD)計算來計算該等相異性值。
  8. 如請求項1之系統，其中該叢集分析包括階層叢聚。
  9. 如請求項8之系統，其中該階層叢聚包括以下之至少一者： 平均連接、單一連接、完全連接或質心連接。
  10. 如請求項1之系統，其中該叢集分析包括k平均數叢聚。
  11. 一種光學特徵化方法，其包括： 使用一或多個偵測器自一樣本接收照明； 產生影像資料； 接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像； 計算該等影像之所有組合之相異性值； 執行一叢集分析以將該等影像之該等組合分割成兩個或更多個叢集； 使用該兩個或更多個叢集之一叢集中之該等影像之該等組合之兩者或兩者以上產生該叢集之一參考影像；及 藉由比較該叢集中之一測試影像與該叢集之該參考影像來偵測該樣本上之一或多個缺陷。
  12. 如請求項11之方法，其進一步包括： 藉由自該參考影像減去該測試影像來產生一差異影像。
  13. 如請求項11之方法，其中該等組合之一總數界定如下：
    Figure 03_image001
    其中n係該等影像之一總數且k係2。
  14. 如請求項11之方法，其中該樣本包括一半導體晶圓、一倍縮光罩或一光罩。
  15. 如請求項11之方法，其包括使該等影像之各者與該等影像之其他者對準。
  16. 如請求項11之方法，其中使用一皮爾森相關來計算該等相異性值。
  17. 如請求項11之方法，其中使用正規化差平方和(NSSD)計算來計算該等相異性值。
  18. 如請求項11之方法，其中該叢集分析包括階層叢聚。
  19. 如請求項18之方法，其中該階層叢聚包括以下之至少一者： 平均連接、單一連接、完全連接或質心連接。
  20. 如請求項11之方法，其中該叢集分析包括k平均數叢聚。
  21. 一種光學特徵化系統，其包括： 一控制器，其經組態以與經組態以自一樣本接收照明且產生影像資料之一或多個偵測器通信地耦合，該控制器包含一或多個處理器，該一或多個處理器經組態以執行程式指令以引起該一或多個處理器： 接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像； 自該樣本上之晶粒之該等影像識別邊緣晶粒影像； 使用來自該等邊緣晶粒影像之一第一邊緣晶粒影像產生一參考邊緣晶粒影像； 計算該參考邊緣晶粒影像及該等邊緣晶粒影像之其他者之所有組合之相異性值； 執行一叢集分析以將該等組合分割成兩個或更多個叢集； 使用該兩個或更多個叢集之一叢集中之該等邊緣晶粒影像之該等組合之兩者或兩者以上產生該叢集之一參考影像；及 藉由比較該叢集中之一測試影像與該叢集之該參考影像來偵測該樣本上之一或多個缺陷。
  22. 如請求項21之系統，其中該一或多個處理器經組態以執行程式指令以引起該一或多個處理器： 藉由自該參考影像減去該測試影像來產生一差異影像。
  23. 如請求項21之系統，其中使用一皮爾森相關來計算該等相異性值。
  24. 如請求項21之系統，其中使用正規化差平方和(NSSD)計算來計算該等相異性值。
  25. 如請求項21之系統，其中該叢集分析包括階層叢聚。
  26. 一種光學特徵化系統，其包括： 一控制器，其經組態以與經組態以自一樣本接收照明且產生影像資料之一或多個偵測器通信地耦合，該控制器包含一或多個處理器，該一或多個處理器經組態以執行程式指令以引起該一或多個處理器： 接收該影像資料，其中該影像資料包括該樣本上之晶粒之影像； 識別一測試影像； 計算該測試影像及該等影像之其他者之所有組合之相異性值； 識別具有低於一臨限相異性值之一相異性值之該等組合之兩者或兩者以上； 使用該等組合之該兩者或兩者以上產生一參考影像；及 藉由比較該參考影像與該測試影像來偵測該樣本上之一或多個缺陷。
  27. 如請求項26之系統，其中使用正規化差平方和(NSSD)計算來計算該等相異性值。
TW109132689A 2019-09-24 2020-09-22 用於增強型缺陷檢查靈敏度之以無監督學習為基礎之參考選擇 TWI826729B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201962904855P 2019-09-24 2019-09-24
US62/904,855 2019-09-24
US202063021694P 2020-05-08 2020-05-08
US63/021,694 2020-05-08
US17/013,264 2020-09-04
US17/013,264 US11120546B2 (en) 2019-09-24 2020-09-04 Unsupervised learning-based reference selection for enhanced defect inspection sensitivity

Publications (2)

Publication Number Publication Date
TW202124947A true TW202124947A (zh) 2021-07-01
TWI826729B TWI826729B (zh) 2023-12-21

Family

ID=74881063

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109132689A TWI826729B (zh) 2019-09-24 2020-09-22 用於增強型缺陷檢查靈敏度之以無監督學習為基礎之參考選擇

Country Status (4)

Country Link
US (1) US11120546B2 (zh)
CN (1) CN114341933B (zh)
TW (1) TWI826729B (zh)
WO (1) WO2021061499A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11328411B2 (en) 2020-05-04 2022-05-10 KLA Corp. Print check repeater defect detection
US11328435B2 (en) * 2020-06-08 2022-05-10 KLA Corp. Image alignment setup for specimens with intra- and inter-specimen variations using unsupervised learning and adaptive database generation methods
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection
US20230314336A1 (en) 2022-03-31 2023-10-05 Kla Corporation Multi-mode optical inspection

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69634089T2 (de) 1995-10-02 2005-12-08 Kla-Tencor Corp., San Jose Verbesserung der ausrichtung von inspektionsystemen vor der bildaufnahme
US6456899B1 (en) * 1999-12-07 2002-09-24 Ut-Battelle, Llc Context-based automated defect classification system using multiple morphological masks
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) * 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7714997B2 (en) * 2006-11-07 2010-05-11 Hitachi High-Technologies Corporation Apparatus for inspecting defects
US8611637B2 (en) * 2007-01-11 2013-12-17 Kla-Tencor Corporation Wafer plane detection of lithographically significant contamination photomask defects
US8135207B2 (en) 2008-06-25 2012-03-13 Applied Materials South East Asia Pte. Ltd. Optical inspection tools featuring parallel post-inspection analysis
WO2014074893A1 (en) 2012-11-09 2014-05-15 Kla-Tencor Corporation Metrology target characterization
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US10365639B2 (en) * 2016-01-06 2019-07-30 Kla-Tencor Corporation Feature selection and automated process window monitoring through outlier detection
US10151706B1 (en) 2016-04-07 2018-12-11 Kla-Tencor Corp. Inspection for specimens with extensive die to die process variation
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US11270430B2 (en) * 2017-05-23 2022-03-08 Kla-Tencor Corporation Wafer inspection using difference images
US10290087B2 (en) 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof
US10698325B2 (en) 2018-05-23 2020-06-30 Kla-Tencor Corporation Performance monitoring of design-based alignment
US11049745B2 (en) 2018-10-19 2021-06-29 Kla Corporation Defect-location determination using correction loop for pixel alignment
US10922808B2 (en) 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment

Also Published As

Publication number Publication date
KR20220066912A (ko) 2022-05-24
CN114341933A (zh) 2022-04-12
US11120546B2 (en) 2021-09-14
US20210090229A1 (en) 2021-03-25
WO2021061499A1 (en) 2021-04-01
CN114341933B (zh) 2023-01-31
TWI826729B (zh) 2023-12-21

Similar Documents

Publication Publication Date Title
TWI826729B (zh) 用於增強型缺陷檢查靈敏度之以無監督學習為基礎之參考選擇
TWI805857B (zh) 用於特性化一樣品之系統及方法
JP6009956B2 (ja) 欠陥検査装置および欠陥検査方法
JP5164317B2 (ja) 電子線による検査・計測方法および検査・計測装置
US11067516B2 (en) High accuracy of relative defect locations for repeater analysis
US8502146B2 (en) Methods and apparatus for classification of defects using surface height attributes
KR102576880B1 (ko) 반도체 기판의 임계 치수 측정을 위한 딥 러닝 기반 적응적 관심 영역
US20130294677A1 (en) Defect inspection method and defect inspection device
TWI819229B (zh) 用於判定缺陷之系統和方法
US11803960B2 (en) Optical image contrast metric for optical target search
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
KR102671587B1 (ko) 향상된 결함 검사 감도를 위한 비지도 학습 기반 참조 선택
TWI751329B (zh) 用於重複缺陷分析之相對缺陷位置之高精準度
US20230075297A1 (en) Wafer alignment improvement through image projection-based patch-to-design alignment
TW202130994A (zh) 用於有效偵測之低訊雜比扁平殘餘/汙點缺陷之頻域增強