TW202141027A - 基於深度學習之使用晶圓缺陷影像分類晶圓中缺陷之方法及系統 - Google Patents

基於深度學習之使用晶圓缺陷影像分類晶圓中缺陷之方法及系統 Download PDF

Info

Publication number
TW202141027A
TW202141027A TW109126784A TW109126784A TW202141027A TW 202141027 A TW202141027 A TW 202141027A TW 109126784 A TW109126784 A TW 109126784A TW 109126784 A TW109126784 A TW 109126784A TW 202141027 A TW202141027 A TW 202141027A
Authority
TW
Taiwan
Prior art keywords
models
images
defect
imaging
model
Prior art date
Application number
TW109126784A
Other languages
English (en)
Other versions
TWI833034B (zh
Inventor
艾薩克 丹尼爾 布查格洛
Original Assignee
以色列商肯特有限公司
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 以色列商肯特有限公司 filed Critical 以色列商肯特有限公司
Publication of TW202141027A publication Critical patent/TW202141027A/zh
Application granted granted Critical
Publication of TWI833034B publication Critical patent/TWI833034B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G01N21/95—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
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T7/90—Determination of colour characteristics
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G01N21/8851—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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本發明提供基於深度學習網路之使用晶圓缺陷影像分類晶圓中缺陷之方法及系統100。本文中之實施例使用該等晶圓缺陷影像之若干模態之間之協同作用進行分類決策。此外，藉由添加模態之一混合，可自諸如彩色影像、ICI、黑白影像之不同源獲得資訊以分類該缺陷影像。除模態之混合之外，亦可針對各模態使用一參考影像。將各模態影像之該參考影像提供至深度學習模型以專注於該缺陷自身且非該缺陷影像之相關基礎微影。此外，可將該參考影像提供至該等深度學習模型之訓練程序，此可顯著降低經標記影像之數目及該深度學習模型之收斂所需之訓練紀元。

Description

基於深度學習之使用晶圓缺陷影像分類晶圓中缺陷之方法及系統
本發明大體上係關於用於半導體應用之神經網路。特定言之但非排他性地，本發明係關於一種基於深度學習網路之使用晶圓缺陷影像分類晶圓中缺陷之方法及系統。
一般言之，半導體基板(即，晶圓)製造技術已持續改良用於將增加數目個特徵及多個層級之半導體裝置併入半導體晶圓之一更小表面區域中。因此，光微影/微影程序可用於半導體晶圓製造，其等更複雜以容許將增加數目個特徵併入半導體晶圓之更小表面區域中(即，用於達成半導體晶圓之更高效能)。因此，歸因於日益增加之數目個特徵之併入，半導體晶圓上之潛在缺陷之大小可在微米至次微米之範圍中。又，晶圓中缺陷可係(例如)由晶圓之真實及實體現象產生之缺陷及錯誤事件/擾亂點缺陷(即，擾亂點可係晶圓上之一不規則性或錯誤缺陷但非一所關注缺陷)。
習知地，可基於使用一高放大率光學系統或一掃描電子顯微鏡(SEM)之至少一者獲得晶圓之較高解析度影像而檢測半導體晶圓中缺陷。可產生晶圓中缺陷之較高解析度影像以判定缺陷之不同參數，諸如厚度、粗糙度、大小等。此外，習知系統揭示可經組態用於將能量(例如，光或電子)之多模式源掃描遍及晶圓之一實體版本，且藉此針對晶圓之實體版本產生實際影像。又，可藉由比較缺陷影像與一參考影像而判定缺陷區域以用於異常偵測及缺陷分類。習知系統可使用一單一深度學習模型以用於晶圓中之異常偵測及缺陷分類。然而，習知系統可藉由考量對應於晶圓之缺陷影像之不同態樣/模態而未準確地判定晶圓中缺陷。
本發明提供基於深度學習網路之使用晶圓缺陷影像分類晶圓中缺陷之方法及系統。本文中之實施例使用晶圓缺陷影像之若干模態之間之協同作用以作出一分類決策。此外，藉由添加模態之一混合，可自不同源(諸如：一彩色影像、一(若干)內部裂縫成像(ICI)影像、一黑白影像)獲得資訊以分類缺陷影像。除模態之混合之外，亦可針對各模態使用一參考影像(例如，一黃金晶粒影像)。提供至各模態影像之參考影像之優點係專注於缺陷自身且非缺陷影像之相關基礎微影。此外，可將參考影像提供至深度學習模型之訓練程序，此可顯著降低經標記影像之數目及深度學習模型之收斂所需之訓練紀元(即，當透過深度學習神經網路正向及反向兩者傳遞一整個資料集時)。
本文中之實施例可利用有向無環圖(DAG)作為深度學習模型之一組合，且各深度學習可使用缺陷晶圓影像處理問題之一不同態樣或晶圓中缺陷之一不同模態。此外，可產生具有任何數目個模型之DAG且每一深度學習模型複數個不同影像。此外，一後處理決策模組可經組態以組合參數，諸如缺陷調查影像之兩個態樣及缺陷調查影像之所得標記、來自DAG之各深度學習模型之一(若干)值及缺陷或在掃描器機器中先前收集之度量衡資訊(後設資料)。包括深度學習模型之DAG可用於基於深度學習網路使用晶圓缺陷影像準確地分類晶圓中缺陷。
本發明中揭示之特徵有助於在製造期間藉由分析晶圓缺陷影像之複數個模態而準確地偵測缺陷且分類晶圓中缺陷。
在一態樣中，一種用於半導體晶圓中之缺陷之分類及檢測之電腦實施方法包含：提供一或多個成像單元；提供一運算單元；接收藉由該一或多個成像單元自一被檢測半導體晶圓上之一或多個晶粒獲取之複數個影像，其中該複數個影像係使用複數個成像模態捕獲；提供一或多個機器學習(ML)模型，該一或多個ML模型與至少一電腦處理器、一資料庫及與該運算單元相關聯之一記憶體相關聯；將該複數個影像提供至來自複數個ML模型之該一或多個(ML)模型，該電腦處理器識別存在於該半導體晶圓中之一或多個缺陷並將其等分類成一或多個缺陷類別，其中該複數個ML模型係以一有向無環圖(DAG)架構組態，其中該DAG架構中之各節點表示一ML模型，其中該一或多個ML模型經組態為該DAG架構中之根節點；該複數個ML模型經組態以經訓練以分類該半導體晶圓中之一或多個晶粒上之該一或多個缺陷，其中該訓練包括：將儲存於該資料庫中之該半導體晶圓之複數個經標記影像及複數個參考影像提供至來自複數個ML模型之該一或多個ML模型；使用來自該複數個參考影像之對應參考影像組態來自該複數個ML模型之各ML模型以將該複數個經標記影像分類成一或多個缺陷類別；儲存該一或多個缺陷類別；藉由使一半導體晶圓上所含有之一或多個晶粒成像而針對缺陷檢測該一或多個晶粒；嘗試匹配該一或多個晶粒之該等影像與該一或多個缺陷類別之任何一或多者；若一匹配存在於該一或多個晶粒與該一或多個缺陷類別之間，則將該一或多個匹配晶粒分類為有缺陷，並傳達該一或多個有缺陷晶粒之該識別且將該一或多個有缺陷晶粒拒絕為有缺陷。
在另一態樣中，將屬於來自該複數個成像模態之一成像模態之該複數個影像及該複數個經標記影像提供給該一或多個ML模型。此外，該複數個ML模型之各者係一監督式模型、一半監督式模型及一非監督式模型之一者。
在一進一步態樣中，該複數個模態包含以下至少一者：X射線成像、內部裂縫成像(ICI)、灰階成像、黑白成像及彩色成像。此外，該複數個ML模型係深度學習模型。
在又一態樣中，該複數個經標記影像包括與該一或多個缺陷類別相關之標記，其中該複數個經標記影像係使用一標記模型產生。
在一額外態樣中，本發明之運算單元包含經組態以執行上文之方法步驟之一或多個處理器及一記憶體。
在一態樣中，一種分類半導體晶圓中之缺陷之方法包含：藉由一或多個成像單元捕獲一被檢測半導體晶圓之複數個影像，其中該複數個影像係使用複數個成像模態捕獲；將該複數個影像提供至來自複數個機器學習(ML)模型之一或多個ML模型以識別該半導體晶圓中之一或多個缺陷並將其等分類成一或多個缺陷類別，其中該複數個ML模型係以一有向無環圖(DAG)架構組態，其中該DAG架構中之各節點表示一ML模型，其中該一或多個ML模型經組態為該DAG架構中之根節點；其中該複數個ML模型經訓練以分類該半導體晶圓中之該一或多個缺陷，且其中該訓練包括：將儲存於該資料庫中之該半導體晶圓之複數個經標記影像及複數個參考影像提供至來自該複數個ML模型之該一或多個ML模型；及使用來自該複數個參考影像之對應參考影像組態來自該複數個ML模型之各ML模型以將該複數個經標記影像分類成一或多個缺陷類別。
在另一態樣中，將屬於來自該複數個成像模態之一成像模態之該複數個影像及該複數個經標記影像提供給該一或多個ML模型。此外，該複數個ML模型之各者係一監督式模型、一半監督式模型及一非監督式模型之一者。該複數個模態包含以下至少一者：X射線成像、內部裂縫成像(ICI)、灰階成像、黑白成像及彩色成像。該複數個ML模型之各者係深度學習模型。
在又一進一步態樣中，該複數個經標記影像包括與該一或多個缺陷類別相關之標記，其中該複數個經標記影像係使用該半導體晶圓之歷史影像產生。使用一後期融合技術或一早期融合技術或一混合融合技術之一者以組合自該複數個模態提取之特徵。進一步包含後處理，其中後處理包含使用來自該複數個ML模型之各者之分類資訊將該複數個影像準確地分類成該一或多個缺陷類別。
在一態樣中，一種用於半導體晶圓中之缺陷之分類及檢測之系統包含：一或多個成像單元，該一或多個成像單元經組態以藉由一或多個成像單元捕獲一被檢測半導體晶圓上之一或多個晶粒之複數個影像，其中該複數個影像係使用複數個成像模態捕獲；一運算單元，該電腦單元包含至少一電腦處理器、一資料庫及一記憶體，且經組態以：將該複數個影像提供至來自複數個機器學習(ML)模型之一或多個ML模型以識別該半導體晶圓上之一或多個晶粒中之一或多個缺陷並將其等分類成一或多個缺陷類別，其中該複數個ML模型係以一有向無環圖(DAG)架構組態，其中該DAG架構中之各節點表示一ML模型，其中該一或多個ML模型經組態為該DAG架構中之根節點；該複數個ML模型經組態以經訓練以分類該半導體晶圓中之該一或多個晶粒上之該一或多個缺陷，其中該運算單元經組態以：將儲存於該資料庫中之該半導體晶圓之複數個經標記影像及複數個參考影像提供至來自該複數個ML模型之該一或多個ML模型；
使用來自該複數個參考影像之對應參考影像組態來自該複數個ML模型之各ML模型以將該複數個經標記影像分類成一或多個缺陷類別；且接著儲存該等缺陷類別且取決於一或多個晶粒與該一或多個缺陷類別之一匹配之存在分別拒絕或接受該一或多個被檢測晶粒。
在另一態樣中，該一或多個成像單元包含以下至少一者：一自動化光學檢測(AOI)設備、一自動化X射線檢測(AXI)設備、一聯合測試動作群組(JTAG)設備及一電路內測試(ICT)設備。此外，該運算單元自一標記模型接收包括與該一或多個缺陷類別相關之標記之該複數個經標記影像，其中該標記模型使用該半導體晶圓之歷史影像產生該複數個經標記影像。
在又一態樣中，使用一後期融合技術或一早期融合技術或一混合融合技術之一者以組合自該複數個模態提取之特徵。該運算單元進一步經組態以後處理該複數個ML模型之一輸出，其中該運算單元使用來自該複數個ML模型之各者之分類資訊將該複數個影像準確地分類成該一或多個缺陷類別。
相關申請案
本申請案主張2020年4月24日申請之美國臨時申請案第63/015,101號之權利及優先權。
前文已廣泛地概述本發明之特徵及技術優點使得可更佳理解以下本發明之詳細描述。熟習此項技術者應瞭解，所揭示之概念及特定實施例可容易用作用於修改或設計用於實行本發明之相同目的之其他結構之一基礎。
當結合附圖考量時，自以下描述將更佳理解據信為本發明之特性之新穎特徵(關於其組織及操作方法兩者)以及進一步目的及優點。然而，應明確理解，各圖僅係為了圖解及描述之目的提供且不旨在作為本發明之限制之一定義。
圖1繪示根據本發明之一些實施例之用於基於深度學習網路使用晶圓缺陷影像分類晶圓中缺陷之一系統100之一方塊圖。
如貫穿本發明使用，術語「晶圓」大體上係指由一半導體或非半導體材料形成之基板。例如，一半導體或非半導體材料可包含(但不限於)單晶矽、砷化鎵、磷化銦等。一晶圓可包含一或多個層，例如，此等層可包含(但不限於)一光阻劑、一介電材料、一導電材料、一半導電材料等。例如，形成於一晶圓上之一或多個層可經圖案化或未經圖案化。例如，一晶圓可包含各具有可重複圖案化特徵之複數個晶粒。此等材料層之形成及處理可導致完成裝置。此外，如本文中使用，術語「表面缺陷」或「缺陷」係指完全定位於晶圓之上表面上方之缺陷(例如，粒子)及部分定位於晶圓之上表面下方或完全定位於晶圓之上表面下方之缺陷兩者。因此，缺陷之分類可尤其用於半導體材料，諸如晶圓及形成於晶圓上之材料。此外，在表面缺陷與次表面缺陷之間區分對於裸矽晶圓、絕緣體上覆矽(SOI)膜、應變矽膜及介電膜可尤其重要。本文中之實施例可用於檢測含有矽或具有形成於其上之一含矽層(諸如碳化矽、摻雜碳之二氧化矽、絕緣體上覆矽(SOI)、應變矽、含矽介電膜等)之一晶圓。
在圖1之實施例中，系統100包含一成像設備102及一電子裝置104。成像設備102經由一通信網路106與電子裝置104相關聯。通信網路106可係一有線網路或一無線網路。在一實例中，成像設備102可係(但不限於)以下至少一者：一自動化光學檢測(AOI)設備、一自動化X射線檢測(AXI)設備、一聯合測試動作群組(JTAG)設備、一電路內測試(ICT)設備等。成像設備102包含(但不限於)以下至少一者：一光源108、一相機鏡頭110、一缺陷偵測模組112及一影像儲存單元126。例如，與成像設備102相關聯之缺陷偵測模組112可偵測晶圓之複數個表面特徵缺陷，諸如(但不限於)以下至少一者：矽結節(即，凸塊)、劃痕、污點、尺寸缺陷(諸如開路、短路及焊料薄化等)。此外，缺陷偵測模組112亦可偵測不正確組件、缺失組件及不正確放置組件，此係因為成像設備102可能夠執行全部視覺檢查。
此外，電子裝置104可係(但不限於)以下至少一者：一行動電話、一智慧型電話、一平板電話、一手持式裝置、一平板手機、一膝上型電腦、一電腦、一個人數位助理(PDA)、一穿戴型運算裝置、一虛擬/擴增顯示裝置、一IoT裝置等。電子裝置104進一步包含一儲存單元116、一處理器118及一輸入/輸出(I/O)介面120。此外，電子裝置104包含一深度學習模組122。深度學習模組122引起電子裝置104使用自成像設備102獲得之晶圓缺陷影像分類晶圓中缺陷。又，電子裝置104可包含用於使用深度學習網路分類晶圓中缺陷之一應用管理架構。應用管理架構可包括不同模組及子模組以基於深度學習網路使用晶圓缺陷影像執行分類晶圓中缺陷之操作。此外，模組及子模組可包含軟體模組或硬體模組之至少一者或兩者。
因此，本文中描述之實施例經組態用於基於影像之晶圓程序控制及良率改良。例如，本文中之一實施例係關於一種基於一深度學習網路之使用晶圓缺陷影像分類晶圓中缺陷之系統及方法。
在一實施例中，成像設備102可經組態以捕獲放置於成像設備102中之晶圓之影像。例如，影像可包含諸如檢測影像、光學或電子束影像、晶圓檢測影像、光學及基於SEM之缺陷檢視影像、模擬影像、來自一設計佈局之剪輯等之影像之至少一者。此外，成像設備102可接著經組態以將經捕獲影像儲存於與成像設備102相關聯之影像儲存單元126中。在一實施例中，通信地耦合至成像設備102之電子裝置104可經組態以擷取儲存於與成像設備102相關聯之影像儲存單元126中之影像。例如，影像可包含一(若干)黑白影像、一(若干)彩色影像、一(若干)內部裂縫成像(ICI)影像、使用成像設備102 (諸如(若干) AOI機器)先前掃描之一影像、來自影像儲存單元126或一集中式儲存單元(未展示)之一(若干)影像、自成像設備102 (諸如(若干) AOI機器)即時獲得之一(若干)影像等。電子裝置104接著經組態以自一外部資料庫(未展示)或自與電子裝置104相關聯之儲存單元116載入對應於一黑白參考影像、一彩色參考影像、一ICI參考影像之至少一者之表示具有無晶圓中缺陷之一經檢測影像之晶圓之相同掃描區域之參考影像之至少一者。此外，電子裝置104經組態以將參考影像及具有相關模態之晶圓影像提供至深度學習模組122。在本發明之一個態樣中，複數個深度學習模型或深度學習分類器可使用晶圓中缺陷之不同類型之分類訓練。複數個深度學習模型或深度學習分類器可係(但不限於)以下至少一者：一卷積神經網路(CNN) (諸如LeNet、一AlexNet、一VGGNet、一GoogleNet、一ResNet等)、一遞迴式神經網路(RNN)、一生成對抗網路(GAN)、一隨機森林演算法、自動編碼器等。訓練若干深度學習模型之目的係可產生各模型以進行缺陷之若干模態之一協同作用。因此，可產生若干深度學習模型以基於類似性及相異性個別地訓練具有缺陷層之全部缺陷之分類程序。在另一例項中，為了縮短訓練程序及所分類影像之數目，可將模態影像之每一者之一參考影像添加至各深度學習模型之架構。訓練程序中之參考影像可藉由將關於經檢測影像與參考影像之間之內部關係之資訊提供至深度學習模組122而導致深度學習內部參數之更快調諧或訓練。此外，若缺陷出現在不同晶圓中，則經訓練以分類一個晶圓之一特定缺陷之深度學習模組122亦可動態地分類經訓練缺陷。因此，訓練程序可摒棄常見事件(諸如基礎微影)且可專注於實際缺陷。
在一實例中，深度學習模型可作為並行架構或串聯架構連接。此外，電子裝置104可經組態以使用複數個深度學習模型之一有向無環圖(DAG)架構產生晶圓影像之一分類決策。例如，複數個經訓練深度學習模型可自深度學習模組122使用且此後可以一有向無環圖(DAG)架構連接以用於晶圓影像缺陷之分類程序。此外，電子裝置104可經組態以將包含一相關聯目錄及(若干)後設資料結果(即，缺陷後設資料)之經分類晶圓影像儲存於外部資料庫或與電子裝置104相關聯之儲存單元116中。
在另一實施例中，電子裝置104可經組態以自外部資料庫或與電子裝置104相關聯之儲存單元116載入先前經計算及儲存缺陷後設資料。例如，後設資料包含缺陷之不同特徵，但不限於缺陷之一大小、缺陷之一直方圖、缺陷之一最大色彩或灰階值、缺陷之一最小色彩或灰階值等。若未儲存缺陷後設資料，則電子裝置104可經組態以計算表示缺陷之後設資料之特徵。電子裝置104可接著經組態以將經檢測影像、(若干)參考影像及缺陷後設資料(即，缺陷之後設資料特徵)提供至經訓練深度學習模型。因此，電子裝置104可經組態以使用複數個深度學習模型之有向無環圖(DAG)架構產生晶圓影像之一分類決策。此外，電子裝置104可經組態以將包含一(若干)相關聯後設資料結果(即，缺陷後設資料)之經分類晶圓影像儲存於與電子裝置104相關聯之儲存單元116或外部資料庫中。
又，影像及缺陷後設資料亦可儲存於一外部資料庫(未展示)中。例如，外部儲存器可用於深度學習模型/分類器之一訓練程序。作為一實例，儲存於外部資料庫(或影像儲存單元126)中之影像可係黑白的、彩色影像、ICI影像、由AOI設備先前掃描之影像、含有晶圓缺陷之影像、錯誤事件及擾亂點缺陷。可在將影像儲存於外部資料庫(或影像儲存單元126)中之前標記該等影像。針對在儲存於外部資料庫(或影像儲存單元126)中之影像中發現之各缺陷，將自缺陷影像提取之一組後設資料特徵儲存於外部資料庫(或影像儲存單元126)中。後設資料缺陷特徵可由一使用者或由AOI掃描器結果提供(或可為了用於深度學習分類器之資料擷取之目的產生後設資料缺陷特徵)。此外，包含彩色參考影像、黑白參考影像及/或ICI參考影像之參考之參考影像(例如，黃金晶粒)亦可儲存於外部資料庫中。參考影像係相同晶圓之影像。外部資料庫亦可用於執行深度學習模型之訓練程序。
本文中之實施例使用晶圓缺陷影像之若干模態之間之協同作用用於分類決策。此外，藉由添加模態之一混合，可自不同源(諸如彩色影像、ICI、黑白影像)獲得資訊以分類缺陷影像。除模態之混合之外，亦可針對各模態使用一參考影像(例如，黃金晶粒影像)。提供至各模態影像之參考影像之優點係專注於缺陷自身且非缺陷影像之相關基礎微影。此方法節約處理功率、記憶體利用且節約時間。此外，可將參考影像提供至深度學習模型之訓練程序，此可顯著降低經標記影像之數目及深度學習模型之收斂所需之訓練紀元(即，當透過深度學習神經網路正向及反向兩者傳遞一整個資料集時)。
圖2繪示根據本發明之一些實施例之可用作使用晶圓缺陷影像分類晶圓中缺陷之深度學習模型之一者之多模式後期融合深度學習模型之一方塊圖。
在一實施例中，電子裝置104包括經組態以將由不同影像感測器獲取之影像整合於一個單一正向傳遞中之一多模式卷積神經網路(CNN)。深度學習模型(諸如多模式後期融合深度學習模型)可利用兩個感測器影像，諸如藉由使用一第一深度學習模型之ICI影像及使用一第二深度學習模型之彩色影像。此外，多模式CNN模型包含用於單獨編碼彩色影像及ICI影像且組合兩個CNN模型之決策之一CNN模型，如圖2中展示。經訓練多模式後期融合深度學習模型可用於處理各模態以容許針對各模態單獨作出決策。最後，一中央分類層可基於單獨模態提供一共同決策作出。
圖3繪示根據本發明之一些實施例之可用作使用晶圓缺陷影像分類晶圓中缺陷之深度學習模型之一者之多模式混合融合深度學習模型之一方塊圖。
多模式CNN模型(諸如多模式混合融合深度學習模型)可包含用於編碼彩色影像之一第一CNN模型及用於編碼ICI影像之一第二CNN模型及用於彩色及ICI缺陷影像之聯合表示之第三CNN模型。第三/最後CNN模型可在作出一分類決策之前學習彩色影像與ICI影像之間之模式間關係。
圖4繪示根據本發明之一些實施例之可用作使用晶圓缺陷影像分類晶圓中缺陷之深度學習模型之一者之一多模式早期融合深度學習模型之一方塊圖。
多模式早期融合深度學習模型可包含用於藉由同時處理一單一多模式影像中之聯合特徵點而進行彩色缺陷影像及ICI缺陷影像之聯合表示之一CNN模型。
圖5a繪示根據本發明之一些實施例之使用一系列深度學習模型之DAG拓樸之一示意圖。
複數個深度學習模型可作為一多樹連接，該多樹可係深度學習模型之有向無環圖(DAG)，其基礎無向圖可係一樹，如圖5a中展示。複數個深度學習模型可包含多模式後期融合深度學習模型、多模式混合融合深度學習模型、多模式早期融合深度學習模型、具有單一輸入影像之深度學習模型、具有一個或兩個輸入影像之自動編碼器及/或生成對抗網路(GAN)深度學習模型。DAG可包含一獨有拓樸排序，且各深度學習模型可定位於DAG之一節點中。此外，各節點可直接連接至一個或若干先前節點，且隨後至一個或若干節點。此外，各深度學習模型之一所得標記定義DAG中之流動路徑。例如，「模型1」中作為「標記1」之所得影像將將繼續至「模型3」以供評估，如圖5a中展示。
作為一實例，考量如圖5b中描繪之各模型之所得標記。「模型1」中之所得標記「標記1:A」可具有0.9之概率值，且「標記1:B」可具有0.1之一概率值。類似地，「模型3」中之所得標記「標記2:B」可具有0.2之概率值，且「標記3:B」可具有0.7之一概率值，且「標記3:C」可具有0.1之一概率值。此外，「模型5」中之所得標記「標記5:A」可具有0.1之一概率值，且「標記5:B」可具有0.1之一概率值，「標記5:C」可具有0.2之一概率值，且「標記5:D」可具有0.6之一概率值。DAG中之各深度學習模型可係獨有的且可經設計以處置分類問題之一特定部分。例如，DAG中之一個深度學習模型可係ResNet模型，另一深度學習模型可係Google Net，且另一深度學習模型可係一多模式深度學習模型。在DAG路徑之末端，可在後處理模組(圖5a中展示)中評估各影像，其中可基於與此影像互動之深度學習模型之結果作出一決策。
圖6a係描繪根據本發明之一些實施例之用於基於深度學習網路使用晶圓缺陷影像分類晶圓中缺陷之一方法600a之一流程圖。
在方塊601處，藉由成像設備102捕獲晶圓之影像。在方塊602處，藉由成像設備102 (圖1)將經捕獲影像儲存於與成像設備102相關聯之影像儲存單元126 (圖1)中。在方塊603處，藉由電子裝置104 (圖1)擷取儲存於與成像設備102相關聯之影像儲存單元126中之影像。在方塊604處，藉由電子裝置104接收對應於至少一個黑白參考影像、一彩色參考影像、一ICI參考影像之表示具有無晶圓中缺陷之一經檢測影像之晶圓之相同掃描區域之至少一個參考影像。在方塊605處，藉由電子裝置104使用來自電子裝置104之深度學習模組122之具有相關預期模態影像之複數個經訓練深度學習模型/分類器。在方塊606處，藉由電子裝置104將複數個經訓練深度學習模型以一有向無環圖(DAG)架構連接以用於晶圓影像缺陷之分類程序。在方塊607處，藉由電子裝置104使用複數個深度學習模型之有向無環圖(DAG)架構產生晶圓影像之一分類決策。最後，在方塊608處，藉由電子裝置104將包含一(若干)相關聯後設資料結果(即，缺陷後設資料)之經分類晶圓影像儲存於一外部資料庫或電子裝置104之儲存單元116中。
圖6b係描繪根據本發明之一些實施例之用於在晶圓缺陷影像之缺陷後設資料未儲存於電子裝置104中之情況下計算表示缺陷之後設資料之特徵之一方法600b之一流程圖。
在方塊611處，藉由電子裝置104自外部資料庫或電子裝置104之儲存單元116接收先前經計算及儲存缺陷後設資料。例如，後設資料包含缺陷之不同特徵，但不限於缺陷之一大小、缺陷之一直方圖、缺陷之一最大色彩或灰階值、缺陷之一最小色彩或灰階值等。在方塊612處，若未儲存缺陷後設資料，則藉由電子裝置104計算表示缺陷之後設資料之特徵。
本文中之實施例可利用有向無環圖(DAG)作為深度學習模型之一組合，且各深度學習可使用缺陷晶圓影像處理問題之一不同態樣或晶圓中缺陷之一不同模態。此外，可產生具有任何數目個模型之DAG，每一深度學習模型複數個不同影像(例如，六個影像)。此外，後處理決策模組可經組態以組合參數，諸如缺陷調查影像之兩個態樣及缺陷調查影像之所得標記、來自DAG之各深度學習模型之一(若干)值及缺陷或在掃描器機器中先前收集之度量衡資訊(後設資料)。包括深度學習模型之DAG可用於基於深度學習網路使用晶圓缺陷影像準確地分類晶圓中缺陷。
關於本文中之實質上任何複數及/或單數術語之使用，熟習此項技術者可視背景內容及/或應用需要將複數轉化成單數及/或將單數轉化成複數。為清楚起見，本文中可明確闡述各種單數/複數排列。
熟習此項技術者將理解，一般言之，本文中使用之術語一般意欲為「開放式」術語(例如，術語「包含(including)」應解譯為「包含但不限於」，術語「具有」應解譯為「至少具有」，術語「包含(includes)」應解譯為「包含但不限於」等)。熟習此項技術者將進一步理解是否預期一引入請求項敘述之一特定數目。例如，作為理解之一輔助，詳細描述可含有使用引導性片語「至少一個」及「一或多個」來引入請求項敘述。然而，此等片語之使用不應被解釋為隱含：由不定冠詞「一」引入之一請求項敘述將含有此引入請求項敘述之任何特定請求項限制為僅含有此一敘述之發明，即使相同請求項包含引導性片語「一或多個」或「至少一個」及諸如「一」之不定冠詞(例如，「一」通常應被解譯為意指「至少一個」或「一或多個」)；上述內容對用於引入請求項敘述之定冠詞之使用同樣適用。另外，即使明確敘述一引入請求項敘述之一特定數目，但熟習技術者將認知，此敘述通常應被解譯為意指至少該敘述數目(例如，「兩條敘述」之基本敘述(無其他修飾語)通常意指至少兩條敘述或兩條或兩條以上敘述)。
雖然本文中已揭示各種態樣及實施例，但熟習此項技術者將明白其他態樣及實施例。本文中揭示之各種態樣及實施例係為了圖解之目的且不旨在為限制性，真實範疇及精神由以下詳細描述指示。
100:系統 102:成像設備 104:電子裝置 106:通信網路 108:光源 110:相機鏡頭 112:缺陷偵測模組 116:儲存單元 118:處理器 120:輸入/輸出(I/O)介面 122:深度學習模組 126:影像儲存單元 600a:方法 600b:方法 601:方塊 602:方塊 603:方塊 604:方塊 605:方塊 606:方塊 607:方塊 608:方塊 609:方塊 611:方塊 612:方塊
當結合隨附圖式閱讀時，藉由參考一闡釋性實施例之以下詳細描述將最佳理解本發明之實施例自身以及一較佳使用模式、其進一步目的及優點。現參考隨附圖式僅藉由實例描述一或多項實施例，其中：
圖1繪示根據本發明之一些實施例之用於使用晶圓缺陷影像分類晶圓中缺陷之一系統之一方塊圖；
圖2繪示根據本發明之一些實施例之可用作使用晶圓缺陷影像分類晶圓中缺陷之深度學習模型之一者之多模式後期融合深度學習模型之一方塊圖；
圖3繪示根據本發明之一些實施例之可用作使用晶圓缺陷影像分類晶圓中缺陷之深度學習模型之一者之多模式混合融合深度學習模型之一方塊圖；
圖4繪示根據本發明之一些實施例之可用作使用晶圓缺陷影像分類晶圓中缺陷之深度學習模型之一者之多模式早期融合深度學習模型之一方塊圖；
圖5a繪示根據本發明之一些實施例之使用一系列深度學習模型之DAG拓樸之一示意圖；
圖5b繪示根據本發明之一些實施例之來自定義DAG中之流動路徑之深度學習模型之各者之例示性所得標記之一示意圖；
圖6a係描繪根據本發明之一些實施例之用於基於深度學習網路使用晶圓缺陷影像分類晶圓中缺陷之一方法之一流程圖；及
圖6b係描繪根據本發明之一些實施例之用於在晶圓缺陷影像之缺陷後設資料未儲存於電子裝置中之情況下計算表示缺陷之後設資料之特徵之一方法之一流程圖。
圖僅為了圖解之目的描繪本發明之實施例。熟習此項技術者將容易自以下描述認知，可採用本文中繪示之結構及方法之替代實施例而不脫離本文中描述之揭示內容之原理。
600a:方法
601:方塊
602:方塊
603:方塊
604:方塊
605:方塊
606:方塊
607:方塊
608:方塊

Claims (20)

  1. 一種用於半導體晶圓中之缺陷之分類及檢測之電腦實施方法，其包括： 提供一或多個成像單元； 提供一運算單元； 接收藉由該一或多個成像單元自一被檢測半導體晶圓上之一或多個晶粒獲取之複數個影像，其中該複數個影像係使用複數個成像模態捕獲； 提供一或多個機器學習(ML)模型，該一或多個ML模型與至少一電腦處理器、一資料庫及與該運算單元相關聯之一記憶體相關聯； 將該複數個影像提供至來自複數個ML模型之該一或多個(ML)模型，該電腦處理器識別存在於該半導體晶圓中之一或多個缺陷並將其等分類成一或多個缺陷類別，其中該複數個ML模型係以一有向無環圖(DAG)架構組態，其中該DAG架構中之各節點表示一ML模型，其中該一或多個ML模型經組態為該DAG架構中之根節點， 該複數個ML模型經組態以經訓練以分類該半導體晶圓中之一或多個晶粒上之該一或多個缺陷，其中該訓練包括： 將儲存於該資料庫中之該半導體晶圓之複數個經標記影像及複數個參考影像提供至來自複數個ML模型之該一或多個ML模型； 使用來自該複數個參考影像之對應參考影像組態來自該複數個ML模型之各ML模型以將該複數個經標記影像分類成一或多個缺陷類別； 儲存該一或多個缺陷類別； 藉由使一半導體晶圓上所含有之一或多個晶粒成像而針對缺陷檢測該一或多個晶粒； 嘗試匹配該一或多個晶粒之該等影像與該一或多個缺陷類別之任何一或多者； 若一匹配存在於該一或多個晶粒與該一或多個缺陷類別之間，則將該一或多個匹配晶粒分類為有缺陷，及 傳達該一或多個有缺陷晶粒之該識別且將該一或多個有缺陷晶粒拒絕為有缺陷。
  2. 如請求項1之方法，其中將屬於來自該複數個成像模態之一成像模態之該複數個影像及該複數個經標記影像提供給該一或多個ML模型。
  3. 如請求項1之方法，其中該複數個ML模型之各者係一監督式模型、一半監督式模型及一非監督式模型之一者。
  4. 如請求項1之方法，其中該複數個模態包含以下至少一者：X射線成像、內部裂縫成像(ICI)、灰階成像、黑白成像及彩色成像。
  5. 如請求項1之方法，其中該複數個ML模型係深度學習模型。
  6. 如請求項1之方法，其中該複數個經標記影像包括與該一或多個缺陷類別相關之標記，其中該複數個經標記影像係使用一標記模型產生。
  7. 一種運算單元，其包括經組態以執行如請求項1之步驟之一或多個處理器及一記憶體。
  8. 一種分類半導體晶圓中之缺陷之方法，其包括： 藉由一或多個成像單元捕獲一被檢測半導體晶圓之複數個影像，其中該複數個影像係使用複數個成像模態捕獲； 及 將該複數個影像提供至來自複數個機器學習(ML)模型之一或多個ML模型以識別該半導體晶圓中之一或多個缺陷並將其等分類成一或多個缺陷類別，其中該複數個ML模型係以一有向無環圖(DAG)架構組態，其中該DAG架構中之各節點表示一ML模型，其中該一或多個ML模型經組態為該DAG架構中之根節點， 其中該複數個ML模型經訓練以分類該半導體晶圓中之該一或多個缺陷，其中該訓練包括： 將儲存於一資料庫中之該半導體晶圓之複數個經標記影像及複數個參考影像提供至來自該複數個ML模型之該一或多個ML模型； 及 使用來自該複數個參考影像之對應參考影像組態來自該複數個ML模型之各ML模型以將該複數個經標記影像分類成一或多個缺陷類別。
  9. 如請求項8之方法，其中將屬於來自該複數個成像模態之一成像模態之該複數個影像及該複數個經標記影像提供給該一或多個ML模型。
  10. 如請求項8之方法，其中該複數個ML模型之各者係一監督式模型、一半監督式模型及一非監督式模型之一者。
  11. 如請求項8之方法，其中該複數個模態包含以下至少一者：X射線成像、內部裂縫成像(ICI)、灰階成像、黑白成像及彩色成像。
  12. 如請求項8之方法，其中該複數個ML模型之各者係深度學習模型。
  13. 如請求項8之方法，其中該複數個經標記影像包括與該一或多個缺陷類別相關之標記，其中該複數個經標記影像係使用該半導體晶圓之歷史影像產生。
  14. 如請求項8之方法，其中使用一後期融合技術或一早期融合技術或一混合融合技術之一者以組合自該複數個模態提取之特徵。
  15. 如請求項8之方法，其進一步包括後處理，其中後處理包含使用來自該複數個ML模型之各者之分類資訊將該複數個影像準確地分類成該一或多個缺陷類別。
  16. 一種用於半導體晶圓中之缺陷之分類及檢測之系統，其包括： 一或多個成像單元，該一或多個成像單元經組態以藉由一或多個成像單元捕獲一被檢測半導體晶圓上之一或多個晶粒之複數個影像，其中該複數個影像係使用複數個成像模態捕獲； 一運算單元，該電腦單元包含至少一電腦處理器、一資料庫及一記憶體，且經組態以： 將該複數個影像提供至來自複數個機器學習(ML)模型之一或多個ML模型以識別該半導體晶圓上之一或多個晶粒中之一或多個缺陷並將其等分類成一或多個缺陷類別，其中該複數個ML模型係以一有向無環圖(DAG)架構組態，其中該DAG架構中之各節點表示一ML模型，其中該一或多個ML模型經組態為該DAG架構中之根節點， 該複數個ML模型經組態以經訓練以分類該半導體晶圓中之該一或多個晶粒上之該一或多個缺陷，其中該運算單元經組態以： 將儲存於該資料庫中之該半導體晶圓之複數個經標記影像及複數個參考影像提供至來自該複數個ML模型之該一或多個ML模型； 使用來自該複數個參考影像之對應參考影像組態來自該複數個ML模型之各ML模型以將該複數個經標記影像分類成一或多個缺陷類別； 儲存該等缺陷類別且取決於一或多個晶粒與該一或多個缺陷類別之一匹配之存在分別拒絕或接受該一或多個被檢測晶粒。
  17. 如請求項16之系統，其中該一或多個成像單元包含以下至少一者：一自動化光學檢測(AOI)設備、一自動化X射線檢測(AXI)設備、一聯合測試動作群組(JTAG)設備及一電路內測試(ICT)設備。
  18. 如請求項16之系統，其中該運算單元自一標記模型接收包括與該一或多個缺陷類別相關之標記之該複數個經標記影像，其中該標記模型使用該半導體晶圓之歷史影像產生該複數個經標記影像。
  19. 如請求項16之系統，其中使用一後期融合技術或一早期融合技術或一混合融合技術之一者以組合自該複數個模態提取之特徵。
  20. 如請求項16之系統，其中該運算單元進一步經組態以後處理該複數個ML模型之一輸出，其中該運算單元使用來自該複數個ML模型之各者之分類資訊將該複數個影像準確地分類成該一或多個缺陷類別。
TW109126784A 2020-04-24 2020-08-07 用於半導體晶圓中之缺陷之分類及檢測之電腦實施方法及系統、相關的運算單元以及分類半導體晶圓中之缺陷之方法 TWI833034B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063015101P 2020-04-24 2020-04-24
US63/015,101 2020-04-24
US16/932,717 2020-07-18
US16/932,717 US20210334946A1 (en) 2020-04-24 2020-07-18 Method and system for classifying defects in wafer using wafer-defect images, based on deep learning

Publications (2)

Publication Number Publication Date
TW202141027A true TW202141027A (zh) 2021-11-01
TWI833034B TWI833034B (zh) 2024-02-21

Family

ID=78222556

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109126784A TWI833034B (zh) 2020-04-24 2020-08-07 用於半導體晶圓中之缺陷之分類及檢測之電腦實施方法及系統、相關的運算單元以及分類半導體晶圓中之缺陷之方法

Country Status (6)

Country Link
US (1) US20210334946A1 (zh)
JP (1) JP7146857B2 (zh)
KR (1) KR102618355B1 (zh)
CN (1) CN113627457A (zh)
IL (1) IL276245A (zh)
TW (1) TWI833034B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7281041B2 (ja) * 2018-11-29 2023-05-25 京セラドキュメントソリューションズ株式会社 種類判別システム
KR20210107531A (ko) * 2018-12-24 2021-09-01 인텔 코포레이션 멀티-프로세스 웹 브라우저 환경에서 머신 러닝 모델을 프로세싱하기 위한 방법들 및 장치
CN110231360B (zh) * 2019-05-31 2020-06-26 华南农业大学 电镜像差的确定方法、消除方法及装置
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
KR20220045499A (ko) * 2020-10-05 2022-04-12 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
TWI833390B (zh) * 2022-02-23 2024-02-21 南亞科技股份有限公司 製造缺陷原因之識別系統以及非暫時性電腦可讀媒體
CN115147422A (zh) * 2022-09-05 2022-10-04 武汉精立电子技术有限公司 一种晶圆中心晶粒生成方法、装置、设备及存储介质
WO2024100060A1 (en) * 2022-11-09 2024-05-16 Carl Zeiss Smt Gmbh Sensor fusion for thin film segmentation
CN117030724B (zh) * 2023-10-09 2023-12-08 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统
CN117372428A (zh) * 2023-12-06 2024-01-09 上海孤波科技有限公司 一种晶圆的缺陷检测方法、装置、电子设备及存储介质

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6922482B1 (en) * 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
US6947936B1 (en) * 2001-04-30 2005-09-20 Hewlett-Packard Development Company, L.P. Method for a topic hierarchy classification system
NZ544432A (en) * 2005-12-23 2009-07-31 Pacific Edge Biotechnology Ltd Prognosis prediction for colorectal cancer using a prognositc signature comprising markers ME2 and FAS
CN105659263A (zh) * 2013-09-26 2016-06-08 英国电讯有限公司 序列识别
US20180174000A1 (en) * 2015-06-04 2018-06-21 Hitachi High-Technologies Corporation Defect image classification device and defect image classification method
US10032092B2 (en) * 2016-02-02 2018-07-24 Adobe Systems Incorporated Training data to increase pixel labeling accuracy
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
JP7087397B2 (ja) * 2018-01-17 2022-06-21 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
US11170255B2 (en) * 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
EP3629240B1 (en) * 2018-09-07 2023-08-23 Panasonic Intellectual Property Corporation of America Generative adversarial networks for local noise removal from an image
WO2021062247A1 (en) * 2019-09-25 2021-04-01 Blue River Technology Inc. Treating plants using feature values and ground planes extracted from a single image
US20210151034A1 (en) * 2019-11-14 2021-05-20 Comcast Cable Communications, Llc Methods and systems for multimodal content analytics
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen

Also Published As

Publication number Publication date
TWI833034B (zh) 2024-02-21
JP7146857B2 (ja) 2022-10-04
KR20210132566A (ko) 2021-11-04
JP2021174980A (ja) 2021-11-01
IL276245A (en) 2021-10-31
US20210334946A1 (en) 2021-10-28
KR102618355B1 (ko) 2023-12-28
CN113627457A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
TWI833034B (zh) 用於半導體晶圓中之缺陷之分類及檢測之電腦實施方法及系統、相關的運算單元以及分類半導體晶圓中之缺陷之方法
US10599951B2 (en) Training a neural network for defect detection in low resolution images
TWI755613B (zh) 基於機器學習之圖案分組方法
TWI735774B (zh) 基於輪廓之缺陷偵測
TWI731303B (zh) 產生可用於檢查半導體樣品的訓練集之方法及其系統
TWI711978B (zh) 用於執行針對樣本之功能之系統及電腦實施方法，以及電腦可讀媒體
TWI722050B (zh) 單一影像偵測
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
CN108463875B (zh) 使用具有晶片图像数据的设计数据改进半导体晶片检验器的缺陷敏感度
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
CN113763312B (zh) 使用弱标记检测半导体试样中的缺陷
CN109919908B (zh) 发光二极管芯片缺陷检测的方法和装置
TWI734720B (zh) 檢查晶圓之系統及方法
TW201941162A (zh) 使用掃描電子顯微鏡測量之缺陷偵測、分類及處理窗控制
TWI798627B (zh) 探測半導體晶片中缺陷的方法及半導體晶片缺陷探測系統
TW202226027A (zh) 用於光學或其他模式選擇之深度生成模型
CN113222982A (zh) 基于改进的yolo网络的晶圆表面缺陷检测方法及系统
TW202139133A (zh) 半導體樣本的檢查
JP2022027473A (ja) 半導体試料の検査に使用可能な訓練データの生成
JP7015235B2 (ja) 範囲に基づくリアルタイム走査電子顕微鏡非可視ビナー
Hou et al. AUTOMATED DEFECT INSPECTION ALGORITHM FOR SEMICONDUCTOR-PACKAGED CHIPS.
TWI834005B (zh) 干擾過濾之深度學習網路
CN113781415B (zh) 一种x射线图像的缺陷检测方法、装置、设备及介质
Munisankar et al. Defect detection in printed board circuit using image processing
TW202134641A (zh) 干擾過濾之深度學習網路