TW202136757A - 使用迴旋內容屬性以尋找半導體缺陷 - Google Patents

使用迴旋內容屬性以尋找半導體缺陷 Download PDF

Info

Publication number
TW202136757A
TW202136757A TW109140668A TW109140668A TW202136757A TW 202136757 A TW202136757 A TW 202136757A TW 109140668 A TW109140668 A TW 109140668A TW 109140668 A TW109140668 A TW 109140668A TW 202136757 A TW202136757 A TW 202136757A
Authority
TW
Taiwan
Prior art keywords
semiconductor die
defects
content attributes
cores
generate
Prior art date
Application number
TW109140668A
Other languages
English (en)
Inventor
阿布都拉罕 賽斯金納
喬丹 羅素
馬尼坎單 馬里亞潘
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 TW202136757A publication Critical patent/TW202136757A/zh

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
    • G01N21/95—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
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95623—Inspecting patterns on the surface of objects using a spatial filtering method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

計算用於一半導體晶粒之一圖案化層之光學成像之內容屬性。計算該等內容屬性包含計算該圖案化層之一圖案與複數個核心之各自核心之迴旋，其中該複數個核心係正交的。根據該等內容屬性尋找該半導體晶粒上之缺陷。

Description

使用迴旋內容屬性以尋找半導體缺陷
本發明係關於使半導體晶圓成像以尋找缺陷且更特定言之，係關於使用內容屬性偵測及/或分類缺陷。
在半導體缺陷檢測中，信號及雜訊兩者根據在一半導體晶粒上成像之一位置處或周圍之一圖案(例如，電路圖案)改變。術語「內容」係指在晶粒之當前層及可能在晶粒之一或多個先前層中之位置處及周圍之圖案。缺陷偵測演算法及缺陷分類演算法之行動可根據內容改變。內容屬性係針對此等演算法編碼或提取內容之變數。
傳統上，內容屬性係自一半導體晶圓之光學影像計算。然而，此等光學影像之強度、對比度及其他性質在標稱相同晶圓上在晶圓間及跨一晶圓在該晶圓上之標稱相同晶粒上改變。此等改變由程序變動(諸如在可接受公差內之一積體電路中之特徵之層厚度、尺寸及形狀之變動)引起。此等改變不一定對應於缺陷率。當光學影像變動時，自其等導出之內容屬性亦變動，從而引起使用內容屬性作出之偵測及分類決策變動。此變動係非所要的，此係因為其不與缺陷率相關。
可藉由迴旋圖案與表示一成像系統之回應之核心而計算獨立於程序變動之內容屬性。所得內容屬性可用於尋找缺陷。例如，內容屬性可用於缺陷分類及/或注意區域識別。
在一些實施例中，一種方法包含計算用於一半導體晶粒之一圖案化層之光學成像之內容屬性。計算該等內容屬性包含計算該圖案化層之一圖案與複數個核心之各自核心之迴旋，其中該複數個核心係正交的。該方法亦包含根據該等內容屬性尋找該半導體晶粒上之缺陷。
在一些實施例中，一種非暫時性電腦可讀儲存媒體儲存用於藉由包含一光學檢測工具之一系統之一或多個處理器執行之一或多個程式。該一或多個程式包含用於計算用於一半導體晶粒之一圖案化層之光學成像之內容屬性之指令。計算該等內容屬性包含計算該圖案化層之一圖案與複數個核心之各自核心之迴旋，其中該複數個核心係正交的。該一或多個程式亦包含用於使用光學成像工具根據該等內容屬性尋找該半導體晶粒上之缺陷之指令。
在一些實施例中，一種系統包含一光學檢測工具、一或多個處理器及儲存用於藉由該一或多個處理器執行之一或多個程式之記憶體。該一或多個程式包含用於計算用於一半導體晶粒之一圖案化層之光學成像之內容屬性之指令。計算該等內容屬性包含計算該圖案化層之一圖案與複數個核心之各自核心之迴旋，其中該複數個核心係正交的。該一或多個程式亦包含用於使用光學成像工具根據該等內容屬性尋找該半導體晶粒上之缺陷之指令。
相關申請案
本申請案主張2019年11月22日申請之美國臨時專利申請案第62/939,534號之優先權，該案之全文為了全部目的以引用的方式併入。
現將詳細參考各項實施例，在隨附圖式中繪示該等實施例之實例。在以下詳細描述中，闡述多個具體細節以便提供各項所述實施例之一透徹理解。然而，一般技術者將明白，可在無此等具體細節之情況下實踐各種所述實施例。在其他例項中，未詳細描述熟知方法、程序、組件、電路及網路以免不必要地使本發明之態樣不清楚。
圖1係一半導體晶圓100之一平面圖。晶圓100被分割成複數個半導體晶粒102。半導體晶粒102標稱相同(例如，係相同積體電路之標稱相同例項)：其等係基於相同設計，使用相同半導體製造程序製造。雖然標稱相同，然而，在不同半導體晶粒102之間可存在差異。首先，跨晶圓100之程序變動可引起半導體晶粒102之間及之內兩者之諸如層厚度、尺寸及特徵形狀之參數之差異。第二，缺陷可存在於不同半導體晶粒102上之不同位置(例如，隨機位置)中。
可執行光學成像以尋找半導體晶圓100上之缺陷。在執行光學成像之前，在半導體晶粒102上識別注意區域104。注意區域104係用於尋找缺陷之特定所關注區域。缺陷偵測及/或分類可針對注意區域104與針對半導體晶粒102上之其他區域不同地執行。例如，可針對注意區域104使用比針對其他區域更高之一缺陷偵測靈敏度。
程序變動係光學成像之一雜訊源：除尋找實際缺陷(稱為所關注缺陷(DOI))之外，光學成像亦拾取源自程序變動之擾亂點缺陷。擾亂點缺陷通常不為工程師所關注，此係因為其等不使半導體晶粒102不起作用。擾亂點缺陷可在數目上超過所關注缺陷，有時達若干數量級。執行缺陷分類以判定哪些缺陷係所關注缺陷且哪些缺陷係擾亂點缺陷。
可使用藉由迴旋半導體晶圓102之一特定層(例如，在執行光學成像時係頂部層，其被稱為當前層)之圖案與來自表示一光學成像系統之回應之複數個核心之各自核心而計算之內容屬性尋找缺陷。複數個核心係在編碼或提取圖案資訊之一積分轉換中使用之正交函數。內容屬性可用於(例如)缺陷分類及/或注意區域識別。此等內容屬性避免基於程序變動之變動。
半導體晶粒102 (例如，半導體晶粒102上之積體電路)之一特定層之圖案係藉由一組多邊形描述。在設計資料庫中指定(即，含有)多邊形。設計資料庫可指定半導體晶粒102之每一圖案化層之多邊形。一特定圖案化層l 之多邊形界定半導體晶圓100之平面中(即，在x-y平面中)之二元值函數：
Figure 02_image001
在一些實施例中，核心表示光學成像系統(例如，光學檢測工具1330，圖13)之回應，包含其照明光瞳分佈、數值孔徑及波長頻譜。如藉由光學成像系統獲取之半導體晶粒102之影像取決於圖案與核心之迴旋。此等迴旋含有關於光學成像系統具有之圖案之全部資訊。因此，此等數量係理想內容屬性：
Figure 02_image003
其中
Figure 02_image005
係第n 核心中之迴旋運算子
Figure 02_image007
；n係具有在自1至N之範圍中之值之一整數，N係核心之數目；且
Figure 02_image009
係針對第l 圖案化層及第n 核心之內容屬性。在一些實施例中，N具有在4至8之範圍中之一值。因此，在方程式2之實例中，各內容屬性
Figure 02_image011
等於第l 圖案化層之一圖案與複數個核心之第n 核心之迴旋。
在一些實施例中，各自內容屬性係一特定圖案化層之圖案與各自核心之迴旋之函數。例如，各內容屬性
Figure 02_image013
可等於第l 圖案化層之一圖案與複數個核心之第n 核心之迴旋之量值之平方：
Figure 02_image015
核心形成對應於光學成像系統之一空間之一基礎(例如，一完整正交基礎)。在一些實施例中，核心係厄米高斯(Hermite Gaussian)函數(即，具有高斯權重之厄米多項式)。在一些實施例中，核心係用於一加柏(Gabor)轉換之基函數。核心之其他實例係可行的。
各內容屬性
Figure 02_image017
可係一屬性向量中之一項目(即，分量)。因此，屬性向量中之一各自項目(例如，各項目)係一層之圖案與光學成像系統之一各自核心之迴旋或迴旋之一函數。在一些實施例中，內容屬性僅包含經檢測層(即，當前層)之迴旋且不包含半導體晶粒102上之先前(即，下)層之任何迴旋。替代地，考量多個層且屬性向量包含交叉項，例如：
Figure 02_image019
其中
Figure 02_image021
係先前層(即，第(l -1)層)之圖案，
Figure 02_image023
係先前層之核心，
Figure 02_image025
係當前層之圖案，且
Figure 02_image027
係當前層之一核心。
圖2至圖6係展示根據一些實施例之在193 nm之一波長下操作且具有0.85之一數值孔徑之一成像系統之前五個核心之圖表。此等前五個核心包含一第一核心200 (圖2)、一第二核心300 (圖3)、一第三核心400 (圖4)、一第四核心500 (圖5)及一第六核心600 (圖6)。圖2至圖6之圖表係熱圖，其中x軸及y軸各在自-500 nm至500 nm之範圍內且核心值由填充圖案表示。(熱圖通常使用色彩而非填充圖案來表示值。)各自核心可用作過濾器。例如，具有定位於x=0處之一邊緣及至少第二核心300 (圖3)之範圍之數量級之一寬度之一垂直線將導致圖案與具有一大量值之第二核心300之迴旋。因此，第二核心300之使用容許過濾掉垂直線之厚度(例如，垂直線之邊緣粗糙度)之變動，藉此消除源自垂直線之厚度之變動之擾亂點缺陷。類似地，具有定位於y=0處之一邊緣及至少第三核心400 (圖4)之範圍之數量級之一寬度之一水平線將導致圖案與具有一大量值之第三核心400之迴旋。因此，第三核心400之使用容許過濾掉水平線之厚度(例如，水平線之邊緣粗糙度)之變動，藉此消除源自水平線之厚度之變動之擾亂點缺陷。
一機器學習系統(例如，使用圖13之記憶體1310中之指令實行)可用於應用內容屬性以尋找缺陷，且因此消耗內容屬性。此機器學習系統亦可計算內容屬性(例如，根據方程式2、3及/或4)，其包含計算迴旋。例如，機器學習系統產生屬性向量。
圖7係根據一些實施例之一機器學習系統中之一異常偵測器700之一方塊圖。異常偵測器700係經訓練以分類缺陷之一機器學習模型。異常偵測器700可經實施為(例如且不限於)一隨機森林(即，隨機決策森林)或神經網路(例如，迴旋神經網路)。在一些實施例中，異常偵測器700經訓練以區分所關注缺陷與擾亂點缺陷。將內容屬性702 (例如，一屬性向量)及一或多個信號屬性704作為輸入(例如，作為一輸入元組)提供至異常偵測器700，作為回應，該異常偵測器700提供缺陷分類706。缺陷分類706分類藉由光學成像系統偵測之各自缺陷(例如，分類為所關注缺陷或擾亂點缺陷)。
內容屬性702包含一特定圖案化層之圖案與各自核心之迴旋及/或一特定圖案化層之圖案與各自核心之迴旋之函數。例如，內容屬性702包含使用方程式2、3及/或4計算之內容屬性。信號屬性704 (其等亦稱為差異影像屬性)係差異影像之屬性，該等差異影像係藉由比較如藉由光學成像系統獲取之一半導體晶粒102之目標影像與半導體晶粒102之一參考影像(例如，藉由在一逐像素基礎上自目標影像減去參考影像，或反之亦然)而產生之影像。一信號屬性704之一個實例係光點相似性，其被定義為差異影像中之一光點之峰值(例如，灰度值)除以光點之範圍之標準偏差。可將內容屬性702 (例如，屬性向量)及光點相似性(例如，作為一輸入元組)提供至異常偵測器700。
在其中將具有已知分類之缺陷之內容屬性702及信號屬性704提供至異常偵測器700之一訓練程序期間訓練異常偵測器700。在一些實施例中，比較藉由異常偵測器700產生之缺陷分類706與已知分類，且相應地調整異常偵測器700，直至缺陷分類706與已知分類趨同。在一些實施例中，在訓練程序中僅使用擾亂點缺陷(即，非缺陷情況)：異常偵測器700學習擾亂點缺陷在內容屬性702及一或多個信號屬性704之空間中之分佈。在操作期間，異常偵測器700判定一缺陷是否落在此分佈內(即，缺陷之內容屬性702及(若干)信號屬性704是否落在此分佈內)及因此缺陷是否係一擾亂點缺陷或所關注缺陷。僅使用擾亂點缺陷訓練異常偵測器700係所要的，此係因為擾亂點缺陷在數目上遠超過所關注缺陷(藉由比較，其等係稀少的)。
圖8係根據一些實施例之一機器學習系統中之一空間分解引擎800之一方塊圖。空間分解引擎800係經訓練以識別一半導體晶粒102上(例如，一半導體晶粒102之一層中)之區域之一機器學習模型。例如，空間分解引擎800可用於(即，已經訓練以)識別一半導體晶粒102上之注意區域104 (圖1)。空間分解引擎800可經實施為(例如且不限於)一隨機森林(即，隨機決策森林)或神經網路(例如，迴旋神經網路)。將內容屬性702 (例如，一屬性向量)作為輸入(例如，作為一輸入元組)提供至空間分解引擎800，作為回應，該空間分解引擎800執行空間分解且指定半導體晶粒102上之相異區域(例如，注意區域)。
在其中將已知區域(例如，使用者識別區域)之內容屬性702提供至空間分解引擎800之一訓練程序期間訓練空間分解引擎800。比較藉由空間分解引擎800指定之區域804與已知區域(例如，注意區域及非注意區域)，且相應地調整空間分解引擎800，直至達成趨同。
圖9係展示根據一些實施例之尋找半導體缺陷之一方法900之一流程圖。方法900可藉由一半導體缺陷識別系統1300 (圖13)執行。在方法900中，計算(902)用於一半導體晶粒102 (圖1)之一圖案化層之光學成像之內容屬性。計算內容屬性包含計算圖案化層之一圖案與複數個核心之各自核心之迴旋(例如，使用方程式2及/或3)。複數個核心係正交的。在一些實施例中，複數個核心係(904)厄米高斯函數。在一些其他實施例中，複數個核心係(906)用於一加柏轉換。此等僅係核心之兩個實例；其他實例係可行的。
圖案化層係一第一圖案化層(例如，當前圖案化層，其經光學檢測)，圖案係一第一圖案(即，第一圖案化層之一圖案)，且複數個核心係第一複數個核心。在一些實施例中，計算內容屬性包含計算(908)第一圖案與第一複數個核心之各自核心之迴旋與一第二圖案化層(即，在當前層下方(諸如緊接在當前層下方)之一層)之一第二圖案與第二複數個核心之各自核心之迴旋之間之交叉項(例如，使用方程式4)。第二複數個核心係正交的。例如，第二複數個核心係用於一加柏轉換之厄米高斯函數或正交函數。
根據內容屬性尋找(910)半導體晶粒之缺陷。例如，使用內容屬性過濾掉及/或分類缺陷，及/或使用內容屬性識別注意區域。
圖10係展示根據一些實施例之根據內容屬性尋找缺陷之一方法1000之一流程圖，其中內容屬性用於分類缺陷。方法1000係方法900 (圖9)中尋找(910)缺陷之一實例。方法1000可藉由一半導體缺陷識別系統1300 (圖13)執行。
在方法1000中，(例如，使用光學檢測工具1330，圖13)使半導體晶粒102光學成像(1002)以產生一目標影像。比較(1004)半導體晶粒102之目標影像與半導體晶粒102之一參考影像以產生半導體晶粒之一差異影像。偵測(1006)差異影像中之缺陷。
使用內容屬性分類(1008)缺陷。在一些實施例中，使用內容屬性將缺陷分類(1010)為擾亂點缺陷或所關注缺陷(例如，將各缺陷分類為一擾亂點缺陷或一所關注缺陷)。在一些實施例中，將內容屬性提供(1012)至使用內容屬性(例如，內容屬性702，圖7)分類缺陷之一機器學習模型(例如，異常偵測器700，圖7)。例如，機器學習模型已經訓練(1014)以使用內容屬性將缺陷分類為擾亂點缺陷或所關注缺陷。可能已使用擾亂點缺陷(即，已知擾亂點缺陷，其等可能已被使用者分類為擾亂點缺陷)且不使用所關注缺陷訓練機器學習模型。替代地，可能已使用擾亂點缺陷及所關注缺陷兩者訓練機器學習模型。
在一些實施例中，除內容屬性之外，亦將差異影像之一或多個信號屬性(例如，(若干)信號屬性704，圖7) (例如，光點相似性)提供(1016)至機器學習模型。機器學習模型已經訓練以使用內容屬性及一或多個信號屬性分類缺陷(例如，分類為擾亂點缺陷或所關注缺陷)。
在一些實施例中，在光學檢測完成之後，離線執行分類(1010)缺陷。例如，將在步驟1006中偵測之缺陷儲存於一資料庫中，(例如，使用機器學習模型)離線分析該資料庫以分類缺陷。替代地，在步驟1010中在執行光學檢測時即時分類缺陷，且一些缺陷(例如，分類為擾亂點缺陷之該等缺陷)被過濾掉且不儲存於資料庫中，藉此節省記憶體。
圖11係展示根據一些實施例之根據內容屬性尋找缺陷之一方法1100之一流程圖，其中一缺陷偵測過濾器之操作取決於內容屬性。方法1100係方法900 (圖9)中尋找(910)缺陷之一實例。方法1100可藉由一半導體缺陷識別系統1300 (圖13)執行。
在方法1100中，(例如，使用光學檢測工具1330，圖13)使半導體晶粒102光學成像(1102)以產生一目標影像。比較(1104)半導體晶粒102之目標影像與半導體晶粒102之一參考影像以產生半導體晶粒之一差異影像。
至少部分基於內容屬性針對半導體晶粒之不同部分調整(1106)一缺陷偵測過濾器。在一些實施例中，至少部分基於內容屬性將半導體晶粒之一部分(例如，一特定區域)識別(1108)為具有在經光學檢測時產生擾亂點缺陷之一可能性。此部分可藉由接收內容屬性(例如，內容屬性702，圖8)作為輸入之一機器學習模型(例如，空間分解引擎800，圖8)識別。作為回應，設定(1110)缺陷偵測過濾器以針對經識別部分比針對半導體晶粒之未識別為具有在經光學檢測時產生擾亂點缺陷之可能性之其他部分具有一更低靈敏度。
使用缺陷偵測過濾器偵測(1112)差異影像中之缺陷。例如，將經偵測缺陷之一清單儲存(1114)於一資料庫中。因此，在具有產生擾亂點缺陷之一可能性之部分中比在半導體晶粒之其他部分(例如，區域)中偵測更少缺陷，藉此過濾掉擾亂點缺陷且引起更少擾亂點缺陷被儲存於清單中，此節省記憶體。隨後可分類儲存於清單中之缺陷(例如，如圖10之方法1000之步驟1008中般)。
圖12係展示根據一些實施例之根據內容屬性尋找缺陷之一方法1200之一流程圖。方法1200係方法900 (圖9)中尋找(910)缺陷之一實例。方法1200可藉由一半導體缺陷識別系統1300 (圖13)執行。
在方法1200中，使用內容屬性識別(1202)半導體晶粒102上之注意區域104(圖1)。例如，使用一機器學習模型(例如，空間分解引擎800，圖8)識別注意區域104。
光學檢測(1204)半導體晶粒102之缺陷。使用一第一檢測模式檢測注意區域104且使用相異於第一檢測模式之一第二檢測模式檢測半導體晶粒之在注意區域104之外之區域。第一檢測模式可比第二檢測模式更靈敏，因此增加偵測注意區域104中之所關注缺陷之概率同時降低在其他區域中偵測之擾亂點缺陷之數目。
在一些實施例中，為了光學檢測(1204)半導體晶粒102，(例如，使用光學檢測工具1330，圖13)使半導體晶粒102光學成像(1206)以產生一目標影像。比較(1208)半導體晶粒102之目標影像與半導體晶粒之一參考影像以產生半導體晶粒之一差異影像。使用一缺陷偵測過濾器偵測(1210)差異影像中之缺陷。缺陷偵測過濾器之一靈敏度在第一檢測模式中比在第二檢測模式中更高。例如，如在方法1100 (圖11)之步驟1106中般調整缺陷偵測過濾器。
可將方法1200與方法1000 (圖10)及/或1100 (圖11)組合。
圖13係根據一些實施例之一半導體缺陷識別系統1300之一方塊圖。半導體缺陷識別系統1300包含一光學檢測工具1330及具有一或多個處理器1302 (例如，CPU)、使用者介面1306、記憶體1310及將此等組件互連之(若干)通信匯流排1304之一電腦系統。在一些實施例中，光學檢測工具1330透過一或多個有線及/或無線網路通信地耦合至電腦系統。在一些實施例中，半導體缺陷識別系統1300包含與電腦系統通信地耦合之多個光學檢測工具1330。電腦系統可進一步包含用於與(若干)光學檢測工具1330及/或遠端電腦系統通信之一或多個有線及/或無線網路介面。
使用者介面1306可包含一顯示器1307及一或多個輸入裝置1308 (例如，一鍵盤、滑鼠、顯示器1307之觸敏表面等)。顯示器1307可顯示包含缺陷偵測及/或缺陷分類結果之結果。
記憶體1310包含揮發性及/或非揮發性記憶體。記憶體1310 (例如，記憶體1310內之非揮發性記憶體)包含一非暫時性電腦可讀儲存媒體。記憶體1310視情況包含與處理器1302遠端定位之一或多個儲存裝置及/或可移除地插入系統1300中之一非暫時性電腦可讀儲存媒體。記憶體1310 (例如，記憶體1310之非暫時性電腦可讀儲存媒體)包含用於執行方法900 (圖9) (包含(例如)方法1000 (圖10)、1100 (圖11)及/或1200 (圖12))之指令。半導體缺陷識別系統1300之電腦系統可藉由執行儲存於記憶體1310中之指令而實施圖7及/或圖8之機器學習系統。
在一些實施例中，記憶體1310 (例如，記憶體1310之非暫時性電腦可讀儲存媒體)儲存以下模組及資料或其等之一子集或超集：一作業系統1312，其包含用於處置各種基本系統服務且用於執行硬體相依任務之程序；一內容屬性模組1314，其用於計算內容屬性(例如，內容屬性702，圖7至圖8)；及一缺陷尋找模組1316，其用於對半導體晶圓100 (圖1)之半導體晶粒102執行缺陷偵測。內容屬性模組1314包含用於計算圖案化層之一圖案與複數個正交核心之各自核心之迴旋之指令(例如，用於執行圖9之方法900中之步驟902之指令)。在一些實施例中，缺陷尋找模組1316包含一注意區域判定模組1318 (例如，具有用於執行圖12之方法1200之步驟1202之指令)、一光學成像模組1320 (例如，具有用於執行圖10至圖12之方法1000、1100及1200之步驟1002、1102及/或1206之指令)、一缺陷偵測模組1322 (例如，具有用於執行圖10之方法1000之步驟1004及1006、用於執行圖11之方法1100之步驟1104、1106、1112及/或用於執行圖12之方法1200之步驟1208及1210之指令)及一缺陷分類模組1324 (例如，具有用於執行圖10之方法1000之步驟1008之指令)。
儲存於記憶體1310中之各模組對應於用於執行本文中描述之一或多個功能之一指令集。單獨模組不需要被實施為單獨軟體程式。可組合或以其他方式重新配置模組及模組之各種子集。在一些實施例中，記憶體1310儲存上文識別之模組及/或資料結構之一子集或超集。
相較於作為一結構示意圖，圖13旨在更多地作為可存在於一半導體缺陷識別系統中之各種特徵之一功能描述。例如，半導體缺陷識別系統1300中之電腦系統之功能性可在多個裝置之間分割。儲存於記憶體1310中之模組之一部分可替代地儲存於透過一或多個網路與半導體缺陷識別系統1300之電腦系統通信地耦合之一或多個其他電腦系統中。
為了解釋之目的，已參考特定實施例描述前述描述。然而，上文之闡釋性論述不旨在為窮舉性或將發明申請專利範圍之範疇限於所揭示之精確形式。鑑於上文中之教示，許多修改及變動係可行的。選取實施例以便最佳解釋作為發明申請專利範圍及其等實際應用之基礎之原理以藉此使其他熟習此項技術者能夠最佳地使用具有如適合所審慎考慮之特定使用之各種修改之實施例。
100:半導體晶圓 102:半導體晶粒 104:注意區域 200:第一核心 300:第二核心 400:第三核心 500:第四核心 600:第六核心 700:異常偵測器 702:內容屬性 704:信號屬性 706:缺陷分類 800:空間分解引擎 804:區域 900:方法 902:步驟 904:步驟 906:步驟 908:步驟 910:步驟 1000:方法 1002:步驟 1004:步驟 1006:步驟 1008:步驟 1010:步驟 1012:步驟 1016:步驟 1100:方法 1102:步驟 1104:步驟 1106:步驟 1108:步驟 1110:步驟 1112:步驟 1114:步驟 1200:方法 1202:步驟 1204:步驟 1206:步驟 1208:步驟 1210:步驟 1300:半導體缺陷識別系統 1302:處理器 1304:通信匯流排 1306:使用者介面 1307:顯示器 1308:輸入裝置 1310:記憶體 1312:作業系統 1314:內容屬性模組 1316:缺陷尋找模組 1318:注意區域判定模組 1320:光學成像模組 1322:缺陷偵測模組 1324:缺陷分類模組 1330:光學檢測工具
為了更佳理解各種所述實施方案，應結合以下圖式參考下文之實施方式。
圖1係被分割成複數個標稱相同半導體晶粒之一半導體晶圓之一平面圖。
圖2至圖6係展示根據一些實施例之在193 nm之一波長下操作且具有0.85之一數值孔徑之一成像系統之前五個核心之圖表。
圖7係根據一些實施例之一機器學習系統中之一異常偵測器之一方塊圖。
圖8係根據一些實施例之一機器學習系統中之一空間分解引擎之一方塊圖。
圖9係展示根據一些實施例之尋找半導體缺陷之一方法之一流程圖。
圖10係展示根據一些實施例之根據內容屬性尋找缺陷之一方法之一流程圖，其中內容屬性用於分類缺陷。
圖11係展示根據一些實施例之根據內容屬性尋找缺陷之一方法之一流程圖，其中一缺陷偵測過濾器之操作取決於內容屬性。
圖12係展示根據一些實施例之根據缺陷屬性尋找缺陷之一方法之一流程圖，其中內容屬性用於識別注意區域。
圖13係根據一些實施例之一半導體缺陷識別系統之一方塊圖。
貫穿圖式及說明書，相同元件符號係指對應零件。
900:方法
902:步驟
904:步驟
906:步驟
908:步驟
910:步驟

Claims (28)

  1. 一種方法，其包括： 計算用於一半導體晶粒之一圖案化層之光學成像之內容屬性，其包括計算該圖案化層之一圖案與複數個核心之各自核心之迴旋，其中該複數個核心係正交的；及 根據該等內容屬性尋找該半導體晶粒上之缺陷。
  2. 如請求項1之方法，其中該複數個核心係厄米高斯函數。
  3. 如請求項1之方法，其中該複數個核心係用於一加柏轉換。
  4. 如請求項1之方法，其中： 該圖案化層係一第一圖案化層； 該圖案係一第一圖案； 該複數個核心係第一複數個核心； 計算該等內容屬性包括計算該第一圖案與該第一複數個核心之各自核心之迴旋與一第二圖案化層之一第二圖案與第二複數個核心之各自核心之迴旋之間之交叉項；且 該第二複數個核心係正交的。
  5. 如請求項1之方法，其中根據該等內容屬性尋找該半導體晶粒上之缺陷包括： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像； 偵測該差異影像中之缺陷；及 使用該等內容屬性分類該等缺陷。
  6. 如請求項5之方法，其中該分類包括使用該等內容屬性將該等缺陷分類為擾亂點缺陷或所關注缺陷。
  7. 如請求項6之方法，其中該分類包括將該等內容屬性提供至經訓練以使用該等內容屬性將該等缺陷分類為擾亂點缺陷或所關注缺陷之一機器學習模型。
  8. 如請求項7之方法，其中使用擾亂點缺陷訓練該機器學習模型。
  9. 如請求項7之方法，其中： 該分類進一步包括將該差異影像之一或多個信號屬性提供至該機器學習模型；且 訓練該機器學習模型以使用該等內容屬性及該一或多個信號屬性將該等缺陷分類為擾亂點缺陷或所關注缺陷。
  10. 如請求項5之方法，其中在光學成像該半導體晶粒之後離線執行該分類。
  11. 如請求項1之方法，其中根據該等內容屬性尋找該半導體晶粒上之缺陷包括： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像； 至少部分基於該等內容屬性針對該半導體晶粒之不同部分調整一缺陷偵測過濾器； 使用該缺陷偵測過濾器偵測該差異影像中之缺陷；及 儲存該等經偵測缺陷之一清單。
  12. 如請求項11之方法，其中至少部分基於該等內容屬性調整該缺陷偵測過濾器包括： 至少部分基於該等內容屬性將該半導體晶粒之一部分識別為具有在經光學檢測時產生擾亂點缺陷之一可能性；及 設定該缺陷偵測過濾器以針對該經識別部分比針對該半導體晶粒之未識別為具有在經光學檢測時產生擾亂點缺陷之該可能性之其他部分具有一更低靈敏度。
  13. 如請求項1之方法，其中根據該等內容屬性尋找該半導體晶粒上之缺陷包括： 使用該等內容屬性識別該半導體晶粒上之注意區域；及 光學檢測該半導體晶粒之缺陷包括使用一第一檢測模式檢測該等注意區域且使用相異於該第一檢測模式之一第二檢測模式檢測該半導體晶粒之在該等注意區域之外之區域。
  14. 如請求項13之方法，其中光學檢測該半導體晶粒之缺陷包括： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像；及 使用一缺陷偵測過濾器偵測該差異影像中之缺陷； 其中該缺陷偵測過濾器之一靈敏度在該第一檢測模式中比在該第二檢測模式中更高。
  15. 一種非暫時性電腦可讀儲存媒體，其儲存用於藉由包括一光學檢測工具之一系統之一或多個處理器執行之一或多個程式，該一或多個程式包括用於進行以下項之指令： 計算用於一半導體晶粒之一圖案化層之光學成像之內容屬性，其包括計算該圖案化層之一圖案與複數個核心之各自核心之迴旋，其中該複數個核心係正交的；及 使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷。
  16. 如請求項15之非暫時性電腦可讀儲存媒體，其中用於使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷之該等指令包括用於進行以下項之指令： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像； 偵測該差異影像中之缺陷；及 使用該等內容屬性分類該等缺陷。
  17. 如請求項16之非暫時性電腦可讀儲存媒體，其中用於分類該等缺陷之該等指令包括用於使用該等內容屬性將該等缺陷分類為擾亂點缺陷或所關注缺陷之指令。
  18. 如請求項17之非暫時性電腦可讀儲存媒體，其中用於分類該等缺陷之該等指令包括用於將該等內容屬性提供至經訓練以使用該等內容屬性將該等缺陷分類為擾亂點缺陷或所關注缺陷之一機器學習模型之指令。
  19. 如請求項15之非暫時性電腦可讀儲存媒體，其中用於使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷之該等指令包括用於進行以下項之指令： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像； 至少部分基於該等內容屬性針對該半導體晶粒之不同部分調整一缺陷偵測過濾器； 使用該缺陷偵測過濾器偵測該差異影像中之缺陷；及 儲存該等經偵測缺陷之一清單。
  20. 如請求項15之非暫時性電腦可讀儲存媒體，其中用於使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷之該等指令包括用於進行以下項之指令： 使用該等內容屬性識別該半導體晶粒上之注意區域；及 光學檢測該半導體晶粒之缺陷包括使用一第一檢測模式檢測該等注意區域且使用相異於該第一檢測模式之一第二檢測模式檢測該半導體晶粒之在該等注意區域之外之區域。
  21. 如請求項20之非暫時性電腦可讀儲存媒體，其中用於光學檢測該半導體晶粒之缺陷之該等指令包括用於進行以下項之指令： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像；及 使用一缺陷偵測過濾器偵測該差異影像中之缺陷； 其中該缺陷偵測過濾器之一靈敏度在該第一檢測模式中比在該第二檢測模式中更高。
  22. 一種系統，其包括： 一光學檢測工具； 一或多個處理器；及 記憶體，其儲存用於藉由該一或多個處理器執行之一或多個程式，該一或多個程式包括用於進行以下項之指令： 計算用於一半導體晶粒之一圖案化層之光學成像之內容屬性，其包括計算該圖案化層之一圖案與複數個核心之各自核心之迴旋，其中該複數個核心係正交的；及 使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷。
  23. 如請求項22之系統，其中用於使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷之該等指令包括用於進行以下項之指令： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像； 偵測該差異影像中之缺陷；及 使用該等內容屬性分類該等缺陷。
  24. 如請求項23之系統，其中用於分類該等缺陷之該等指令包括用於使用該等內容屬性將該等缺陷分類為擾亂點缺陷或所關注缺陷之指令。
  25. 如請求項24之系統，其中用於分類該等缺陷之該等指令包括用於將該等內容屬性提供至經訓練以使用該等內容屬性將該等缺陷分類為擾亂點缺陷或所關注缺陷之一機器學習模型之指令。
  26. 如請求項22之系統，其中用於使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷之該等指令包括用於進行以下項之指令： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像； 至少部分基於該等內容屬性針對該半導體晶粒之不同部分調整一缺陷偵測過濾器； 使用該缺陷偵測過濾器偵測該差異影像中之缺陷；及 儲存該等經偵測缺陷之一清單。
  27. 如請求項22之系統，其中用於使用該光學檢測工具根據該等內容屬性尋找該半導體晶粒上之缺陷之該等指令包括用於進行以下項之指令： 使用該等內容屬性識別該半導體晶粒上之注意區域；及 光學檢測該半導體晶粒之缺陷包括使用一第一檢測模式檢測該等注意區域且使用相異於該第一檢測模式之一第二檢測模式檢測該半導體晶粒之在該等注意區域之外之區域。
  28. 如請求項27之系統，其中用於光學檢測該半導體晶粒之缺陷之該等指令包括用於進行以下項之指令： 光學成像該半導體晶粒以產生一目標影像； 比較該半導體晶粒之該目標影像與該半導體晶粒之一參考影像以產生該半導體晶粒之一差異影像；及 使用一缺陷偵測過濾器偵測該差異影像中之缺陷； 其中該缺陷偵測過濾器之一靈敏度在該第一檢測模式中比在該第二檢測模式中更高。
TW109140668A 2019-11-22 2020-11-20 使用迴旋內容屬性以尋找半導體缺陷 TW202136757A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962939534P 2019-11-22 2019-11-22
US62/939,534 2019-11-22
US17/098,256 US20210158223A1 (en) 2019-11-22 2020-11-13 Finding Semiconductor Defects Using Convolutional Context Attributes
US17/098,256 2020-11-13

Publications (1)

Publication Number Publication Date
TW202136757A true TW202136757A (zh) 2021-10-01

Family

ID=75975428

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109140668A TW202136757A (zh) 2019-11-22 2020-11-20 使用迴旋內容屬性以尋找半導體缺陷

Country Status (6)

Country Link
US (1) US20210158223A1 (zh)
KR (1) KR20220100673A (zh)
CN (1) CN114651172A (zh)
IL (1) IL292816A (zh)
TW (1) TW202136757A (zh)
WO (1) WO2021101851A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
CN113743447B (zh) * 2021-07-15 2024-05-17 上海朋熙半导体有限公司 半导体瑕疵识别方法、装置、计算机设备和存储介质
CN114022746A (zh) * 2021-11-03 2022-02-08 合肥工业大学 一种多项式多尺度空间特征学习方法
US20240161270A1 (en) * 2022-11-14 2024-05-16 Kla Corporation System and method for enhancing defect detection in optical characterization systems using a digital filter

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408109B1 (en) * 1996-10-07 2002-06-18 Cognex Corporation Apparatus and method for detecting and sub-pixel location of edges in a digital image
JP3752849B2 (ja) * 1997-07-04 2006-03-08 株式会社日立製作所 パターン欠陥検査装置及びパターン欠陥検査方法
US7392168B2 (en) * 2001-03-13 2008-06-24 Yuri Granik Method of compensating for etch effects in photolithographic processing
JP2003004427A (ja) * 2001-06-22 2003-01-08 Hitachi Ltd 画像比較による欠陥検査方法及びその装置
JP4562126B2 (ja) * 2004-09-29 2010-10-13 大日本スクリーン製造株式会社 欠陥検出装置および欠陥検出方法
US8165854B1 (en) * 2006-01-11 2012-04-24 Olambda, Inc. Computer simulation of photolithographic processing
CN102197300A (zh) * 2008-10-31 2011-09-21 株式会社尼康 缺陷检查装置及缺陷检查方法
NL2003716A (en) * 2008-11-24 2010-05-26 Brion Tech Inc Harmonic resist model for use in a lithographic apparatus and a device manufacturing method.
US9042645B2 (en) * 2012-05-16 2015-05-26 Imec Feature detection in numeric data
US9189844B2 (en) * 2012-10-15 2015-11-17 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific information
US10409165B2 (en) * 2014-12-15 2019-09-10 Asml Netherlands B.V. Optimization based on machine learning
US10394984B2 (en) * 2015-11-25 2019-08-27 International Business Machines Corporation Tool to provide integrated circuit masks with accurate dimensional compensation of patterns
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US10466586B2 (en) * 2016-11-29 2019-11-05 Taiwan Semiconductor Manufacturing Co., Ltd. Method of modeling a mask having patterns with arbitrary angles
US10699926B2 (en) * 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
EP3518041A1 (en) * 2018-01-30 2019-07-31 ASML Netherlands B.V. Inspection apparatus and inspection method
US10937705B2 (en) * 2018-03-30 2021-03-02 Onto Innovation Inc. Sample inspection using topography

Also Published As

Publication number Publication date
KR20220100673A (ko) 2022-07-15
US20210158223A1 (en) 2021-05-27
IL292816A (en) 2022-07-01
CN114651172A (zh) 2022-06-21
WO2021101851A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
TW202136757A (zh) 使用迴旋內容屬性以尋找半導體缺陷
TWI755613B (zh) 基於機器學習之圖案分組方法
US8045789B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
US8115169B2 (en) Method and apparatus of pattern inspection and semiconductor inspection system using the same
TWI833854B (zh) 用於多模式半導體檢測的光學模式選擇
JP2014178229A (ja) 教師データ作成方法、画像分類方法および画像分類装置
US11307150B2 (en) Automatic optimization of an examination recipe
JP2019506739A (ja) 外れ値検出を通じた特徴選択及び自動処理窓監視
WO2016090044A1 (en) Automatic defect classification without sampling and feature selection
JP2014511530A (ja) ウェブベース材料内の不均一性の検出システム
JP2016115331A (ja) 識別器生成装置、識別器生成方法、良否判定装置、良否判定方法、プログラム
US9189841B2 (en) Method of checking the appearance of the surface of a tyre
TW201351305A (zh) 使用以ｃａｄ為基礎之環境背景屬性之缺陷分類
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
CN111199534B (zh) 图像中特征计量的参数估计
CN114651276A (zh) 制造方法
TW202038192A (zh) 藉由將光學信號擬合至一點擴散函數之缺陷分類
CN114897863A (zh) 一种缺陷的检测方法、装置以及设备
CN113870342A (zh) 外观缺陷检测方法、智能终端以及存储装置
Jang et al. A defect inspection method for machine vision using defect probability image with deep convolutional neural network
Habib et al. An empirical approach to optimize design of backpropagation neural network classifier for textile defect inspection
CN114581806B (zh) 一种基于主干边缘特征提取的工业零件空载率计算方法
US20240296611A1 (en) Ai-based system and method of detecting defect of material considering kind and distribution of real defect
JP2022013667A (ja) 半導体試料の画像のセグメンテーション
JP2022103693A (ja) 画像認識方法、画像認識装置、および画像認識プログラム