TW202210852A - 用於重複缺陷檢測之無監督學習 - Google Patents

用於重複缺陷檢測之無監督學習 Download PDF

Info

Publication number
TW202210852A
TW202210852A TW110124729A TW110124729A TW202210852A TW 202210852 A TW202210852 A TW 202210852A TW 110124729 A TW110124729 A TW 110124729A TW 110124729 A TW110124729 A TW 110124729A TW 202210852 A TW202210852 A TW 202210852A
Authority
TW
Taiwan
Prior art keywords
defects
repeating
instructions
defect
machine learning
Prior art date
Application number
TW110124729A
Other languages
English (en)
Inventor
林政憲
雯介 鄭
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 TW202210852A publication Critical patent/TW202210852A/zh

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

為了發現重複缺陷，獲得一或多個半導體晶圓之光學檢驗結果。基於該等光學檢驗結果，識別該一或多個半導體晶圓上之複數個缺陷。將該複數個缺陷中的在該一或多個半導體晶圓之多個晶粒上具有等同晶粒位置之缺陷分類為重複缺陷。基於該等光學檢驗結果，使用無監督機器學習將該等重複缺陷叢集化成複數個叢集。對該等重複缺陷進行評分。對該等重複缺陷進行評分，包含基於該複數個叢集中之叢集包含各別重複缺陷之多個例項的程度而將各別得分分配給該等各別重複缺陷。基於該等各別得分而對該等重複缺陷進行排名。

Description

用於重複缺陷檢測之無監督學習
本發明係關於半導體缺陷檢測，且更具體而言係關於使用無監督學習來檢測重複缺陷。
一半導體晶圓上之重複缺陷係出現在晶圓上之多個晶粒上之相同晶粒位置處的缺陷。重複缺陷可由一倍縮光罩(亦即，光罩)上之一缺陷導致，此致使一層將在晶圓上之特定晶粒上之相同位置處(亦即，在晶圓上之多個晶粒上之相同倍縮光罩級位置處)錯誤地經圖案化。發現及消除重複缺陷係半導體製作之良率改良之一重要部分。
可經由晶圓之光學檢驗來識別半導體晶圓上之缺陷(包含重複缺陷)。然而，光學檢驗會識別妨擾缺陷以及所關注缺陷。所關注缺陷係削弱半導體裝置之功能性之真正缺陷，而妨擾缺陷由細微製程變化導致並且不會削弱裝置功能性。一半導體晶圓上所關注缺陷之存在會降低晶圓良率(亦即，晶圓上功能性晶粒之數目或百分比)。一半導體晶圓上妨擾缺陷之存在不會影響良率。因此，工程師感興趣的係發現所關注缺陷而不是妨擾缺陷。然而，在現代光學檢驗中，妨擾缺陷可在數目上比所關注缺陷超出數個數量級。
可藉由執行光學檢驗及識別具有相同晶粒級或倍縮光罩級位置之缺陷(例如，藉由將多個晶粒之影像堆疊)來識別重複缺陷。但此方法遭遇用於發現所關注缺陷之重複缺陷之一低信雜比：由於由光學檢驗識別之大數目之妨擾缺陷，因此使用此方法識別之重複缺陷中之諸多重複缺陷結束於妨擾缺陷。
因此，存在對用於識別係所關注缺陷之重複缺陷之更準確方法及系統的一需要。
在某些實施例中，一種發現重複缺陷之方法包含獲得一或多個半導體晶圓之光學檢驗結果。基於該等光學檢驗結果，識別該一或多個半導體晶圓上之複數個缺陷。將該複數個缺陷中的在該一或多個半導體晶圓之多個晶粒上具有等同晶粒位置之缺陷分類為重複缺陷。基於該等光學檢驗結果，使用無監督機器學習將該等重複缺陷叢集化成複數個叢集。對該等重複缺陷進行評分。對該等重複缺陷進行評分，包含基於該複數個叢集中之叢集包含各別重複缺陷之多個例項的程度而將各別得分分配給該等各別重複缺陷。基於該等各別得分對該等重複缺陷進行排名。
在某些實施例中，一種非暫時性電腦可讀儲存媒體儲存用於由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執行以上方法之指令。
在某些實施例中，一種系統包含一光學檢驗工具、一或多個處理器及儲存用於由該一或多個處理器執行之一或多個程式的記憶體。該一或多個程式包含用於執行以上方法之指令。
此方法、系統及非暫時性電腦可讀儲存媒體允許係待用一高信雜比識別之所關注缺陷(亦即，真正重複缺陷)的重複缺陷。
相關申請案
本申請案主張於2020年8月21日提出申請之美國臨時專利申請案第63/068,380號之優先權，該申請案出於所有目的以全文引用方式併入。
現將詳細參考各種實施例，該等實施例之實例在隨附圖式中加以圖解說明。在以下詳細說明中，陳述眾多特定細節以便提供對各種所闡述實施例之一透徹理解。然而，熟習此項技術者將明瞭，可在不具有此等特定細節的情況下實踐各種所闡述實施例。在其他例項中，未詳細闡述熟知方法、程序、組件、電路及網路以免不必要地模糊實施例之態樣。
圖1係展示一半導體晶圓100上之缺陷位置之一晶圓圖。半導體晶圓100具有複數個晶粒104，該複數個晶粒係使用光微影藉由以下操作而製作：使倍縮光罩(亦即，光罩)步進跨越晶圓100並相繼曝光晶圓上之各別區域102以將複數個晶粒104之各別層圖案化。每一區域102含有一陣列之半導體晶粒104。一陣列(亦即，在一區域102中)中之每一半導體晶粒104對應於一倍縮光罩上之一各別圖案化區域。每一倍縮光罩具有名義上等同之一陣列之圖案化區域，該等圖案化區域中之每一者對應於每一區域102之陣列中之一各別半導體晶粒104。在圖1之實例中，每一區域102具有一個2×3陣列之半導體晶粒104-1至104-6，且每一倍縮光罩具有一對應2×3陣列之名義上等同之圖案化區域。區域102及倍縮光罩之陣列大小之其他實例係可能的，晶圓100上半導體晶粒104之數目之其他實例亦係可能的。
半導體晶圓100之晶圓圖上所展示之缺陷包含重複缺陷106及非重複缺陷108。在圖1之實例中，重複缺陷包含重複缺陷106-1、106-2及106-3。重複缺陷106-1出現在半導體晶粒104-1之六個例項中之相同晶粒級位置處，且因此出現在六個不同晶粒中之相同倍縮光罩級位置處。重複缺陷106-2出現在半導體晶粒104-4之兩個例項中之相同晶粒級位置處，且因此出現在兩個不同晶粒中之相同倍縮光罩級位置處。重複缺陷106-3出現在半導體晶粒104-6之三個例項中之相同晶粒級位置處，且因此出現在三個不同晶粒之相同倍縮光罩級位置處。非重複缺陷108未出現在多個半導體晶粒104中之相同晶粒級位置處，且因此未出現在多個半導體晶粒104中之相同倍縮光罩級位置處。一般而言，若缺陷係在多個晶粒內之相同位置處且若多個晶粒係在區域102中各別陣列中之相同位置處，則缺陷具有相同倍縮光罩級位置。
圖2係根據某些實施例的展示發現重複缺陷(例如，重複缺陷106-1、106-2及/或106-3，圖1)之一方法200之一流程圖。方法200可藉由通信地耦合至一光學檢驗工具(例如，光學檢驗工具530，圖5)之一電腦系統來執行。舉例而言，方法200可藉由圖5之半導體缺陷識別系統500中之一電腦系統來執行。
在方法200中，獲得(202)一或多個半導體晶圓(例如，半導體晶圓100之一或多個例項，圖1)之光學檢驗結果。光學檢驗結果包含一或多個半導體晶圓上之半導體晶粒之差影像。每一差影像係一各別目標影像與一參考影像之間的一差：藉由比較晶粒之一目標影像與一參考影像(例如，藉由從目標影像減去參考影像，或反之亦然)來產生一差影像。藉由使用一光學檢驗工具(例如，光學檢驗工具530，圖5)掃描一或多個晶圓來產生目標影像。在某些實施例中，光學檢驗結果亦包含目標影像。可直接從光學檢驗工具獲得光學檢驗結果及/或可藉由從先前在其中儲存光學檢驗結果之一電腦系統之記憶體(例如，記憶體510，圖5)擷取來獲得光學檢驗結果。
基於光學檢驗結果，識別(204)一或多個半導體晶圓上之複數個缺陷。舉例而言，識別差影像中之複數個缺陷。複數個缺陷包含重複缺陷及非重複缺陷兩者，但在方法200中在此點上，尚未判定哪個係哪個。類似地，複數個缺陷包含所關注缺陷及妨擾缺陷兩者，但在方法200中在此點上，並不知曉哪個係哪個。
將複數個缺陷中的在一或多個半導體晶圓之多個晶粒上具有等同晶粒位置之缺陷分類(206)為重複缺陷。在某些實施例中，將複數個缺陷中的在一或多個半導體晶圓上具有等同倍縮光罩級位置之缺陷分類(208)為重複缺陷。未將未出現在多個晶粒上之等同位置或者未出現在等同倍縮光罩級位置處之缺陷分類為重複缺陷(例如，將其等分類為非重複缺陷)。舉例而言，將缺陷106-1、106-2及106-3 (圖1)分類為重複缺陷，而未將缺陷108 (圖1)分類為重複缺陷(例如，將其等分類為非重複缺陷)。
在某些實施例中，從光學檢驗結果提取(210)重複缺陷之缺陷屬性。舉例而言，缺陷屬性可包含(212)大小、晶粒位置、晶圓位置及/或光學強度(例如，如由一差影像中之灰階所指示)。一旦被提取，光學檢驗結果中便可包含缺陷屬性。
基於光學檢驗結果，使用(214)無監督機器學習(亦稱為無監督學習)將重複缺陷叢集化成複數個叢集。根據某些實施例，非重複缺陷被排除在叢集化之外。可使用(216)一無監督機器學習演算法來執行無監督機器學習，該無監督機器學習演算法未規定待將複數個缺陷叢集化成之叢集之一預定義數目。舉例而言，可使用具有雜訊之基於密度之空間叢集化應用(DBSCAN)演算法，其未規定待將物項(在此情形中，缺陷)叢集化成之叢集之一預定義數目。無監督機器學習可判定某些重複缺陷係未包含在複數個叢集中之任何叢集中的離群值。離群值可被摒棄且因此在方法200之後續步驟中未納入考量。
在某些實施例中，無監督機器學習使用(218)如步驟210中所提取的重複缺陷之缺陷屬性。一無監督機器學習演算法接收缺陷屬性作為輸入並使用缺陷屬性將重複缺陷叢集化成複數個叢集。缺陷屬性可用作在其中將重複缺陷叢集化之一空間之尺寸。
在某些實施例中(例如，其中未執行缺陷屬性提取210)，將來自光學檢驗之目標影像提供(220)至一無監督機器學習演算法。一目標影像亦可被稱為一片塊(patch)影像。無監督機器學習演算法接收目標影像作為輸入並使用目標影像將複數個缺陷叢集化成複數個叢集。因此，無監督機器學習演算法可在未接收所提取缺陷屬性的情況下執行叢集化；此等實施例係可行的，此乃因關於缺陷屬性之資訊被固有地嵌入於目標影像中。
對重複缺陷進行評分(222)。基於複數個叢集中之叢集包含各別重複缺陷之多個例項的程度，將各別得分分配給各別重複缺陷(亦即，分配給具有相同晶粒位置(例如，相同倍縮光罩級位置)之各別群組之缺陷)。因此，得分係基於在各別叢集中具有等同晶粒位置(例如，具有等同倍縮光罩級位置)之重複缺陷之出現。
舉例而言，計算每一叢集中每一重複缺陷之比例(例如，分率或百分比)：
Figure 02_image001
(1) 其中
Figure 02_image003
係第j 個叢集中第i 個重複缺陷之例項數目(亦即，缺陷計數)，
Figure 02_image005
係第j 個叢集中之總缺陷計數(亦即，重複缺陷之總數目，而不管位置如何)，且
Figure 02_image007
係第j 個叢集中的第i 個重複缺陷之比例。可基於此等比例而判定得分。在某些實施例中，每一得分對應於複數個叢集中之一叢集中的一各別重複缺陷之例項之一最大百分比(或分率)：
Figure 02_image009
(2) 其中i 係重複缺陷之索引且j 係叢集之索引。在某些其他實施例中，每一得分對應於複數個叢集中的一各別重複缺陷之例項之非零百分比之一平均值：
Figure 02_image011
(3) 其中，再次，i 係重複缺陷之索引且j 係叢集之索引。
基於各別得分對重複缺陷進行排名(224)。在某些實施例中，選擇(226)具有滿足一臨限值之各別得分的重複缺陷。舉例而言，選擇具有超出或者等於或超出一臨限值之得分的重複缺陷。在另一實例中，選擇具有最高得分之重複缺陷之一所規定數目或百分比(亦即，臨限值係一重複缺陷之得分將其置於最高得分之重複缺陷的一所規定數目或百分比中)。
圖3A展示根據某些實施例的使用步驟214中之無監督機器學習執行的叢集化之假定結果300之一實例。結果300包含四個叢集302-1至302-4以及未包含在叢集302中之任一者中之離群值304。離群值304被摒棄且因此並未考量何時對步驟222及224中之重複缺陷進行評分及排名。在步驟206中分類之重複缺陷包含五個不同重複缺陷306-1至306-5。叢集302-1包含重複缺陷306-1之四個例項及重複缺陷306-2之一個例項。叢集302-2包含重複缺陷306-2之三個例項、重複缺陷306-3之一個例項及重複缺陷306-4之一個例項。叢集302-3包含重複缺陷306-3之兩個例項、重複缺陷306-2之一個例項及重複缺陷306-4之一個例項。叢集302-4包含重複缺陷306-4之三個例項及重複缺陷306-1之一個例項。叢集302-1及302-4中之任一者不包含重複缺陷306-5之任何例項。
圖3B展示根據某些實施例的重複缺陷306-1至306-5之得分312之一圖表310。如所展示，叢集302中重複缺陷306-1之最高比例係叢集302-1中之80% (五分之四)。叢集302中重複缺陷306-2之最高比例係叢集302-2中之60% (五分之三)。叢集302中重複缺陷306-3之最高比例係叢集302-3中之50% (四分之二)。叢集302中重複缺陷306-4之最高比例係叢集302-4中之75% (四分之三)。且叢集302中重複缺陷306-5之最高比例係零，此乃因重複缺陷306-5之例項皆未出現在叢集302-1至302-4中之任一者中。因此，重複缺陷306-1至306-5具有各別得分0.8、0.6、0.5、0.75及0。(在某些實施例中，未為重複缺陷306-5分配一得分，此乃因重複缺陷306-5僅作為一離群值出現。)  當基於其等得分而進行排名時，重複缺陷306之排序係(從最高至最低) 306-1、306-4、306-2、306-3及306-5。重複缺陷306-1、306-2及306-4之得分滿足一臨限值314，而重複缺陷306-3及306-5之得分不滿足一臨限值314。因此，選擇重複缺陷306-1、306-2及306-4，而不選擇重複缺陷306-3及306-5。
在某些實施例中，產生(228)規定所選擇重複缺陷之一報告。舉例而言，該報告可僅規定所選擇重複缺陷。在另一實例中，該報告可包含所選擇重複缺陷及未被選擇之重複缺陷兩者並指示已選擇重複缺陷中之哪個重複缺陷。該報告可包含一清單之重複缺陷及/或對應叢集，且/或可包含一晶圓圖。對於所選擇重複缺陷，所關注缺陷與妨擾缺陷之比率顯著高於在步驟206中分類為重複缺陷之該組缺陷。
方法200之步驟214所使用之無監督機器學習演算法(圖2)可具有一或多個超參數。超參數係具有在執行機器學習之前選擇之值的參數。因此，超參數之所選擇值並不基於在機器學習期間處理之資料。此一超參數之一實例係DBSCAN之「eps」 (亦稱為ε)。在無監督機器學習演算法之開發程序期間，對於相同光學檢驗結果(且因此對於相同一或多個半導體晶圓)，可利用不同超參數值(例如，利用不同值eps)重複地執行方法200。可選擇產生最高重複計數(例如，產生具有最大缺陷總數目之所選擇叢集)之值作為超參數值。然後，當在一產生環境中實施方法200時使用此超參數值。
圖4展示根據某些實施例的用以選擇一超參數值之一假定圖表400。圖表400之y軸線係重複計數404，且圖表400之x軸線係超參數值402。對於方法200之不同迭代，不同超參數值402導致不同重複計數404。當在一產生環境中實施方法200時，選擇產生最高重複計數404之一超參數值406並將其用於無監督機器學習。
圖5係根據某些實施例的一半導體缺陷識別系統500之一方塊圖。半導體缺陷識別系統500包含一光學檢驗工具530及一電腦系統，該電腦系統具有一或多個處理器502 (例如，CPU)、使用者介面506、記憶體510及將此等組件互連之通信匯流排504。在某些實施例中，光學檢驗工具530經由一或多個有線及/或無線網路通信地耦合至電腦系統。在某些實施例中，半導體缺陷識別系統500包含與電腦系統通信地耦合之多個光學檢驗工具530。電腦系統可進一步包含用於與光學檢驗工具530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506可包含一顯示器507及一或多個輸入裝置508 (例如，一鍵盤、滑鼠、顯示器507之觸控靈敏表面等)。顯示器507可顯示包含規定重複缺陷之報告(例如，規定方法200之每步驟228之所選擇叢集的報告，圖2)的結果。
記憶體510包含揮發性及/或非揮發性記憶體。記憶體510 (例如，記憶體510內之非揮發性記憶體)包含一非暫時性電腦可讀儲存媒體。視情況，記憶體510包含遠離處理器502之一或多個儲存裝置及/或可移除地插入至系統500中之一非暫時性電腦可讀儲存。記憶體510 (例如，記憶體510之非暫時性電腦可讀儲存媒體)包含用於執行方法200之所有或一部分(圖2)之指令。
在某些實施例中，記憶體510 (例如，記憶體510之非暫時性電腦可讀儲存媒體)儲存以下模組及資料或者其一子集或超集：一作業系統512，其包含用於處理各種基本系統服務及用於執行硬體相依任務之程序；一缺陷識別模組514 (例如，用於執行方法200之步驟204，圖2)；一重複分類模組516 (例如，用於執行方法200之步驟206，圖2)；一屬性提取模組518 (例如，用於執行方法200之步驟210，圖2)；一叢集化模組520 (例如，用於執行方法200之步驟214，圖2)；一叢集化評分、排名及選擇模組524 (例如，用於執行方法200之步驟222、224及/或226，圖2)；一報告模組526 (例如，用於執行方法200之步驟228，圖2)；及光學檢驗結果528 (例如，包含差影像、目標影像及/或缺陷屬性)。叢集化模組520可執行無監督機器學習522 (例如，可包含用於實施一無監督機器學習演算法之指令)。在某些實施例中，無監督機器學習522未規定待將複數個缺陷叢集化成之叢集之一預定義數目。
儲存在記憶體510中之模組中之每一者對應於用於執行本文中所闡述之一或多個功能之一指令集。獨立模組無需實施為獨立軟體程式。模組及模組之各種子集可經組合或以其他方式經重新配置。在某些實施例中，記憶體510儲存上文所識別之模組及/或資料結構之一子集或超集。
圖5更多地意欲作為一半導體缺陷識別系統中可能存在之各種特徵之一功能性說明而不是一結構示意圖。舉例而言，可在多個裝置之間分攤半導體缺陷識別系統500中之電腦系統之功能性。另一選擇係，儲存在記憶體510中之模組之一部分可儲存在經由一或多個網路與半導體缺陷識別系統500之電腦系統通信地耦合之一或多個其他電腦系統中。
出於解釋目的，已參考特定實施例闡述前述說明。然而，以上說明性論述並不意欲為詳盡的或將申請專利範圍之範疇限制於所揭示之精確形式。鑒於以上教示，諸多修改及變化係可能的。實施例經選擇以便最佳地闡釋為申請專利範圍及其等實際應用之基礎之原理，藉此使得熟習此項技術者能夠最佳地使用具有適合於所審慎考慮之特定用途之各種修改之實施例。
100:半導體晶圓/晶圓 102:區域 104-1:半導體晶粒 104-2:半導體晶粒 104-3:半導體晶粒 104-4:半導體晶粒 104-5:半導體晶粒 104-6:半導體晶粒 106-1:重複缺陷/缺陷 106-2:重複缺陷/缺陷 106-3:重複缺陷/缺陷 108:非重複缺陷/缺陷 200:方法 202:獲得 204:識別/步驟 206:分類/步驟 208:分類 210:提取/步驟/缺陷屬性提取 212:包含 214:使用/步驟 216:使用 218:使用 220:提供 222:評分/步驟 224:排名/步驟 226:選擇/步驟 228:產生/步驟 300:假定結果/結果 302-1:叢集 302-2:叢集 302-3:叢集 302-4:叢集 304:離群值 306-1:重複缺陷 306-2:重複缺陷 306-3:重複缺陷 306-4:重複缺陷 306-5:重複缺陷 310:圖表 312:得分 314:臨限值 400:假定圖表/圖表 404:重複計數/最高重複計數 402:超參數值 406:超參數值 500:半導體缺陷識別系統/系統 502:處理器 504:通信匯流排 506:使用者介面 507:顯示器 508:輸入裝置 510:記憶體 512:作業系統 514:缺陷識別模組 516:重複分類模組 518:屬性提取模組 520:叢集化模組 522:無監督機器學習 524:叢集化評分、排名及選擇模組 526:報告模組 528:光學檢驗結果 530:光學檢驗工具
為了較佳地理解各種所闡述實施例，應結合以下圖式參考下文之實施方式。
圖1係展示一半導體晶圓上之缺陷位置之一晶圓圖。
圖2係根據某些實施例的展示發現重複缺陷之一方法之一流程圖。
圖3A展示根據某些實施例的使用圖2之方法中之無監督機器學習來執行的叢集化之結果之一實例。
圖3B展示根據某些實施例的基於圖3A中之叢集化的重複缺陷之得分之一圖表。
圖4展示根據某些實施例的用以選擇一超參數值之一圖表。
圖5係根據某些實施例的一半導體缺陷識別系統之一方塊圖。
在圖式及說明書通篇中，相似元件符號係指對應部分。
200:方法
202:獲得
204:識別/步驟
206:分類/步驟
208:分類
210:提取/步驟/缺陷屬性提取
212:包含
214:使用/步驟
216:使用
218:使用
220:提供
222:評分/步驟
224:排名/步驟
226:選擇/步驟
228:產生/步驟

Claims (27)

  1. 一種方法，其包括： 獲得一或多個半導體晶圓之光學檢驗結果； 基於該等光學檢驗結果，識別該一或多個半導體晶圓上之複數個缺陷； 將該複數個缺陷中的在該一或多個半導體晶圓之多個晶粒上具有等同晶粒位置之缺陷分類為重複缺陷； 基於該等光學檢驗結果，使用無監督機器學習將該等重複缺陷叢集化成複數個叢集； 對該等重複缺陷進行評分，包括基於該複數個叢集中之叢集包含各別重複缺陷之多個例項的程度而將各別得分分配給該等各別重複缺陷；及 基於該等各別得分對該等重複缺陷進行排名。
  2. 如請求項1之方法，其進一步包括： 選擇具有滿足一臨限值之各別得分的重複缺陷；及 產生規定該等所選擇重複缺陷之一報告。
  3. 如請求項1之方法，其中該分類包括將該複數個缺陷中的在該一或多個半導體晶圓上具有等同倍縮光罩級位置之缺陷分類為該等重複缺陷。
  4. 如請求項1之方法，其中每一得分對應於該複數個叢集中之一叢集中的一各別重複缺陷之例項之一最大百分比。
  5. 如請求項1之方法，其中每一得分對應於該複數個叢集中的一各別重複缺陷之例項之非零百分比之一平均值。
  6. 如請求項1之方法，其進一步包括從該等光學檢驗結果提取該等重複缺陷之缺陷屬性，其中該無監督機器學習使用該等缺陷屬性。
  7. 如請求項6之方法，其中該等缺陷屬性包括選自由大小、晶粒位置、晶圓位置及光學強度組成之群組之缺陷屬性。
  8. 如請求項1之方法，其中： 該等光學檢驗結果包括該一或多個半導體晶圓上之晶粒之目標影像及該一或多個半導體晶圓上之該晶粒之差影像，每一差影像係一各別目標影像與一參考影像之間的一差； 該識別包括識別該等差影像中之該複數個缺陷；且 使用該無監督機器學習來將該等重複缺陷叢集化包括將該等目標影像提供至一無監督機器學習演算法。
  9. 如請求項1之方法，其中使用一無監督機器學習演算法執行使用該無監督機器學習來將該等重複缺陷叢集化，該無監督機器學習演算法未規定叢集之一預定義數目。
  10. 一種儲存用於由一或多個處理器執行之一或多個程式的非暫時性電腦可讀儲存媒體，該一或多個程式包含用於以下各項之指令： 獲得一或多個半導體晶圓之光學檢驗結果； 基於該等光學檢驗結果，識別該一或多個半導體晶圓上之複數個缺陷； 將該複數個缺陷中的在該一或多個半導體晶圓之多個晶粒上具有等同晶粒位置之缺陷分類為重複缺陷； 基於該等光學檢驗結果，使用無監督機器學習將該等重複缺陷叢集化成複數個叢集； 對該等重複缺陷進行評分，包括基於該複數個叢集中之叢集包含各別重複缺陷之多個例項的程度而將各別得分分配給該等各別重複缺陷；及 基於該等各別得分對該等重複缺陷進行排名。
  11. 如請求項10之電腦可讀儲存媒體，該一或多個程式進一步包括用於以下各項之指令： 選擇具有滿足一臨限值之各別得分的重複缺陷；及 產生規定該等所選擇重複缺陷之一報告。
  12. 如請求項10之電腦可讀儲存媒體，其中用於分類之該等指令包括用於將該複數個缺陷中的在該一或多個半導體晶圓上具有等同倍縮光罩級位置之缺陷分類為該等重複缺陷的指令。
  13. 如請求項10之電腦可讀儲存媒體，其中每一得分對應於該複數個叢集中之一叢集中的一各別重複缺陷之例項之一最大百分比。
  14. 如請求項10之電腦可讀儲存媒體，其中每一得分對應於該複數個叢集中的一各別重複缺陷之例項之非零百分比之一平均值。
  15. 如請求項10之電腦可讀儲存媒體，該一或多個程式進一步包括用於從該等光學檢驗結果提取該等重複缺陷之缺陷屬性的指令，其中用於使用該無監督機器學習之該等指令包括用於使用該等缺陷屬性來將該等重複缺陷叢集化之指令。
  16. 如請求項15之電腦可讀儲存媒體，其中該等缺陷屬性包括選自由大小、晶粒位置、晶圓位置及光學強度組成之群組之缺陷屬性。
  17. 如請求項10之電腦可讀儲存媒體，其中： 該等光學檢驗結果包括該一或多個半導體晶圓上之晶粒之目標影像及該一或多個半導體晶圓上之該晶粒之差影像，每一差影像係一各別目標影像與一參考影像之間的一差； 用於識別之該等指令包括用於識別該等差影像中之該複數個缺陷的指令；且 用於使用該無監督機器學習來將該等重複缺陷叢集化之該等指令包括用於將該等目標影像提供至一無監督機器學習演算法之指令。
  18. 如請求項10之電腦可讀儲存媒體，其中用於使用該無監督機器學習來將該等重複缺陷叢集化之該等指令包括用於使用一無監督機器學習演算法之指令，該無監督機器學習演算法未規定叢集之一預定義數目。
  19. 一種系統，其包括： 一光學檢驗工具； 一或多個處理器；及 記憶體，其儲存用於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以下各項之指令： 從該光學檢驗工具獲得一或多個半導體晶圓之光學檢驗結果； 基於該等光學檢驗結果，識別該一或多個半導體晶圓上之複數個缺陷； 將該複數個缺陷中的在該一或多個半導體晶圓之多個晶粒上具有等同晶粒位置之缺陷分類為重複缺陷； 基於該等光學檢驗結果，使用無監督機器學習將該等重複缺陷叢集化成複數個叢集； 對該等重複缺陷進行評分，包括基於該複數個叢集中之叢集包含各別重複缺陷之多個例項的程度而將各別得分分配給該等各別重複缺陷；及 基於該等各別得分而對該等重複缺陷進行排名。
  20. 如請求項19之系統，該一或多個程式進一步包括用於以下各項之指令： 選擇具有滿足一臨限值之各別得分的重複缺陷；及 產生規定該等所選擇重複缺陷之一報告。
  21. 如請求項19之系統，其中用於分類之該等指令包括用於將該複數個缺陷中的在該一或多個半導體晶圓上具有等同倍縮光罩級位置之缺陷分類為該等重複缺陷的指令。
  22. 如請求項19之系統，其中每一得分對應於該複數個叢集中之一叢集中的一各別重複缺陷之例項之一最大百分比。
  23. 如請求項19之系統，其中每一得分對應於該複數個叢集中的一各別重複缺陷之例項之非零百分比之一平均值。
  24. 如請求項19之系統，該一或多個程式進一步包括用於從該等光學檢驗結果提取該等重複缺陷之缺陷屬性的指令，其中用於使用該無監督機器學習之該等指令包括用於使用該等缺陷屬性來將該等重複缺陷叢集化之指令。
  25. 如請求項24之系統，其中該等缺陷屬性包括選自由大小、晶粒位置、晶圓位置及光學強度組成之群組之缺陷屬性。
  26. 如請求項19之系統，其中： 該等光學檢驗結果包括該一或多個半導體晶圓上之晶粒之目標影像及該一或多個半導體晶圓上之該晶粒之差影像，每一差影像係一各別目標影像與一參考影像之間的一差； 用於識別之該等指令包括用於識別該等差影像中之該複數個缺陷的指令；且 用於使用該無監督機器學習來將該等重複缺陷叢集化之該等指令包括用於將該等目標影像提供至一無監督機器學習演算法之指令。
  27. 如請求項19之系統，其中用於使用該無監督機器學習來將該等重複缺陷叢集化之該等指令包括用於使用一無監督機器學習演算法之指令，該無監督機器學習演算法未規定叢集之一預定義數目。
TW110124729A 2020-08-21 2021-07-06 用於重複缺陷檢測之無監督學習 TW202210852A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063068380P 2020-08-21 2020-08-21
US63/068,380 2020-08-21
US17/184,189 2021-02-24
US17/184,189 US11810284B2 (en) 2020-08-21 2021-02-24 Unsupervised learning for repeater-defect detection

Publications (1)

Publication Number Publication Date
TW202210852A true TW202210852A (zh) 2022-03-16

Family

ID=80270980

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110124729A TW202210852A (zh) 2020-08-21 2021-07-06 用於重複缺陷檢測之無監督學習

Country Status (7)

Country Link
US (1) US11810284B2 (zh)
EP (1) EP4154303A4 (zh)
JP (1) JP2023539568A (zh)
KR (1) KR20230054398A (zh)
CN (1) CN116097413B (zh)
TW (1) TW202210852A (zh)
WO (1) WO2022040248A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI840006B (zh) * 2022-06-20 2024-04-21 大陸商蘇州康代智能科技股份有限公司 印刷電路板缺陷檢測模型訓練方法及缺陷檢測方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375679B (zh) * 2022-10-24 2023-01-20 广东工业大学 一种缺陷芯片寻边寻点定位方法及装置
US20240177294A1 (en) * 2022-11-30 2024-05-30 Kla Corporation Print check repeater defect detection

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5991699A (en) * 1995-05-04 1999-11-23 Kla Instruments Corporation Detecting groups of defects in semiconductor feature space
US7817844B2 (en) * 1999-08-26 2010-10-19 Nanogeometry Research Inc. Pattern inspection apparatus and method
US6965895B2 (en) 2001-07-16 2005-11-15 Applied Materials, Inc. Method and apparatus for analyzing manufacturing data
US6882745B2 (en) * 2002-12-19 2005-04-19 Freescale Semiconductor, Inc. Method and apparatus for translating detected wafer defect coordinates to reticle coordinates using CAD data
US8255172B2 (en) * 2008-09-24 2012-08-28 Applied Materials Israel, Ltd. Wafer defect detection system and method
JP5297261B2 (ja) * 2009-04-28 2013-09-25 株式会社日立ハイテクノロジーズ 観察欠陥選択処理方法、欠陥観察方法、観察欠陥選択処理装置、欠陥観察装置
CN102129164B (zh) * 2010-01-15 2012-08-22 中芯国际集成电路制造(上海)有限公司 掩膜版缺陷的判断方法及判断系统
US9922269B2 (en) * 2015-06-05 2018-03-20 Kla-Tencor Corporation Method and system for iterative defect classification
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10190991B2 (en) * 2016-11-03 2019-01-29 Applied Materials Israel Ltd. Method for adaptive sampling in examining an object and system thereof
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US10474042B2 (en) * 2017-03-22 2019-11-12 Kla-Tencor Corporation Stochastically-aware metrology and fabrication
US10600175B2 (en) 2017-03-24 2020-03-24 Kla-Tencor Corporation Dynamic care areas for defect detection
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10648925B2 (en) * 2017-06-05 2020-05-12 Kla-Tencor Corporation Repeater defect detection
US10957033B2 (en) * 2017-07-10 2021-03-23 Kla-Tencor Corporation Repeater defect detection
US11282695B2 (en) 2017-09-26 2022-03-22 Samsung Electronics Co., Ltd. Systems and methods for wafer map analysis
US10557802B2 (en) * 2018-05-09 2020-02-11 Kla-Tencor Corporation Capture of repeater defects on a semiconductor wafer
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
KR20200086485A (ko) 2019-01-09 2020-07-17 에스케이텔레콤 주식회사 웨이퍼 맵 결함 패턴 인식 방법 및 장치
US11328411B2 (en) * 2020-05-04 2022-05-10 KLA Corp. Print check repeater defect detection

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI840006B (zh) * 2022-06-20 2024-04-21 大陸商蘇州康代智能科技股份有限公司 印刷電路板缺陷檢測模型訓練方法及缺陷檢測方法

Also Published As

Publication number Publication date
EP4154303A1 (en) 2023-03-29
CN116097413A (zh) 2023-05-09
WO2022040248A1 (en) 2022-02-24
KR20230054398A (ko) 2023-04-24
EP4154303A4 (en) 2024-07-10
CN116097413B (zh) 2023-11-07
US11810284B2 (en) 2023-11-07
JP2023539568A (ja) 2023-09-15
US20220058787A1 (en) 2022-02-24

Similar Documents

Publication Publication Date Title
TW202210852A (zh) 用於重複缺陷檢測之無監督學習
US11719650B2 (en) Method for performing smart semiconductor wafer defect calibration
US9805462B2 (en) Machine learning method and apparatus for inspecting reticles
KR102178254B1 (ko) 복합 결함 분류기
TWI670781B (zh) 疊代式缺陷濾除製程
US10720367B2 (en) Process window analysis
US11450122B2 (en) Methods and systems for defect inspection and review
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
US7283659B1 (en) Apparatus and methods for searching through and analyzing defect images and wafer maps
US10204290B2 (en) Defect review sampling and normalization based on defect and design attributes
US10719655B2 (en) Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database
JP4774193B2 (ja) 検査システムセットアップ技術
TWI791930B (zh) 用於分類半導體樣本中的缺陷的系統、方法及電腦可讀取媒體
US7284230B2 (en) System for search and analysis of systematic defects in integrated circuits
TWI755468B (zh) 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法
TWI758533B (zh) 設計關鍵性分析擴充之製程窗合格取樣
US20110013824A1 (en) Inspection area setting method, inspection area setting apparatus, and computer program product
KR102685359B1 (ko) 시편들을 검사하는 방법 및 그의 시스템
US6446021B1 (en) Method and apparatus to display processing parameter
CN116342422A (zh) 一种基于晶圆图去噪的识别缺陷方法
TW201913421A (zh) 晶圓失效圖案分析方法
US20220334567A1 (en) Fabrication fingerprint for proactive yield management
EP4200897A1 (en) Unsupervised pattern synonym detection using image hashing
KR20220104776A (ko) 노이즈 특성에 기초한 서브케어 영역의 클러스터링