TW202240637A - 基於半導體製程之晶圓層級分析及根本原因分析之資料驅動預測與失效模式識別 - Google Patents

Abstract

本發明揭示一種用於分析一第一晶圓上之一第一區域之一輸入電子顯微鏡影像的方法及裝置。該方法包含自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像。該方法進一步包含評估該複數個模式影像，及基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像之貢獻。該方法亦包含基於該等經判定貢獻來預測該第一晶圓上之該第一區域之一或多個特性。在一些實施例中，亦揭示一種用於基於一晶圓之一輸入電子顯微鏡影像執行一自動根本原因分析的方法及裝置。

Description

基於半導體製程之晶圓層級分析及根本原因分析之資料驅動預測與失效模式識別

本文提供之實施例係關於半導體製造，且更特定言之係關於對於半導體晶圓之失效分析。

在積體電路(IC)之製造程序中，對非成品或成品電路組件進行檢測以確保其係根據設計而製造且無缺陷。可使用利用光學顯微鏡或帶電粒子(例如電子)射束顯微鏡之檢測系統。舉例而言，諸如掃描電子顯微鏡(SEM)或透射電子顯微鏡(TEM)之帶電粒子(例如，電子)射束顯微鏡可充當用於檢測IC組件之可行工具。

自SEM或TEM影像量測之圖案或結構的臨界尺寸可用於偵測所製造IC之缺陷。舉例而言，圖案或邊緣置放變化之間的移位在控制製造程序以及判定缺陷中可為有用的。隨著IC組件之實體大小繼續縮小，缺陷偵測中之準確度及良率變得愈來愈重要。

半導體微晶片製作包括數百個步驟。根本原因分析係重要的，此係因為其有助於藉由識別重要步驟最佳化製造程序並研究缺陷之原因。

本發明之一個態樣係關於分析第一晶圓上之第一區域之輸入電子顯微鏡影像的方法。該方法包含自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像。該方法亦包含評估該複數個模式影像，及基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像之貢獻。該方法進一步包含基於該等經判定貢獻來預測該第一晶圓上之該第一區域之一或多個特性。

本發明之另一態樣係關於一種用於分析一第一晶圓上之一第一區域之一輸入電子顯微鏡影像的裝置。該裝置包含儲存指令集之記憶體；及至少一個處理器，其經組態以執行該指令集以使該裝置執行：自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像；評估該複數個模式影像；基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像的貢獻；及基於該等經判定貢獻來預測該第一晶圓上之該第一區域的一或多個特性。

本發明之又一態樣係關於一種儲存指令集之非暫時性電腦可讀媒體，該指令集可由一運算器件之至少一個處理器執行以使該運算器件執行用於促進晶圓之檢測的方法。該方法包含自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像；評估該複數個模式影像；基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像待貢獻；及基於該等經判定貢獻來預測該第一晶圓上之該第一區域的一或多個特性。

本發明之又一態樣係關於訓練用於分類電子顯微鏡影像之分類器模型的方法。該方法包含獲得複數個晶圓之訓練電子顯微鏡影像；獲得該等訓練電子顯微鏡影像之標記資料，其指示與該等訓練電子顯微鏡影像中之每一者相關聯之複數個可解譯模式；及基於該等訓練電子顯微鏡影像及該標記資料訓練該分類器模型。

本發明之又一態樣係關於一種用於訓練用於分類電子顯微鏡影像之分類器模型的裝置。該裝置包含儲存指令集之一記憶體；及至少一個處理器，其經組態以執行該指令集以使該裝置執行：獲得複數個晶圓之訓練電子顯微鏡影像；獲得該等訓練電子顯微鏡影像之標記資料，其指示與該等訓練電子顯微鏡影像中之每一者相關聯的複數個可解譯模式；及基於該等訓練電子顯微鏡影像及該標記資料訓練該分類器模型。

本發明之又一態樣係關於一種儲存指令集之非暫時性電腦可讀媒體，該指令集可由一運算器件之至少一個處理器執行以使該運算器件執行訓練用於分類電子顯微鏡影像之一分類器模型的方法。該方法包含獲得複數個晶圓之訓練電子顯微鏡影像；獲得該等訓練電子顯微鏡影像之標記資料，其指示與該等訓練電子顯微鏡影像中之每一者相關聯之複數個可解譯模式；及基於該等訓練電子顯微鏡影像及該標記資料訓練該分類器模型。

本發明之又一態樣係關於一種用於基於一晶圓之一輸入電子顯微鏡影像之一自動根本原因分析的方法。該方法包含：獲得與該輸入電子顯微鏡影像相關聯之輸入資料，該輸入資料包括該晶圓之複數個程序特徵；藉由將複數個預經訓練決策樹模型應用於該複數個程序特徵而自該複數個程序特徵中識別一組程序特徵；及輸出該組程序特徵之一分級結果。

本發明之又一態樣係關於一種用於基於一晶圓之一輸入電子顯微鏡影像之一自動根本原因分析的裝置。該裝置包含儲存指令集之一記憶體；及至少一個處理器，其經組態以執行該指令集以使該裝置執行：獲得與該輸入電子顯微鏡影像相關聯之輸入資料，該輸入資料包括該晶圓之複數個程序特徵；藉由將複數個預經訓練決策樹模型應用於該複數個程序特徵而自該複數個程序特徵中識別一組程序特徵；及輸出該組程序特徵之一分級結果。

本發明之又一態樣係關於一種儲存指令集之非暫時性電腦可讀媒體，該指令集可由一運算器件之至少一個處理器執行以使該運算器件執行訓練用於分類電子顯微鏡影像之一分類器模型的方法。該方法包含：獲得與該輸入電子顯微鏡影像相關聯之輸入資料，該輸入資料包括該晶圓之複數個程序特徵；藉由將複數個預經訓練決策樹模型應用於該複數個程序特徵而自該複數個程序特徵中識別一組程序特徵；及輸出該組程序特徵之一分級結果。

本發明之實施例之其他優點將自結合隨附圖式進行之以下描述變得顯而易見，在該等圖式中藉助於說明及實例闡述本發明之某些實施例。

現將詳細參考例示性實施例，其實例說明於附圖中。以下描述參考附圖，其中除非另外表示，否則不同圖式中之相同編號表示相同或相似元件。闡述於例示性實施例之以下描述中之實施方案並不表示全部實施方案。實情為，其僅為符合關於所附申請專利範圍中所敍述之所揭示實施例的態樣的裝置及方法之實例。舉例而言，儘管一些實施例係在利用電子束之內容背景中予以描述，但本發明不限於此。可相似地施加其他類型之帶電粒子束。此外，可使用其他成像系統，諸如光學成像、光偵測、x射線偵測等。

製造此等極小IC為經常涉及數百個個別步驟之複雜、耗時且昂貴之程序。甚至一個步驟中之錯誤亦具有導致成品IC中之缺陷的可能，該等缺陷使得成品IC為無用的。因此，製造程序之一個目標為避免此類缺陷以使在程序中製造之功能性IC的數目最大化，亦即改良程序之總體良率。

改良良率之一個組成部分為監視晶片製造程序，以確保其正生產足夠數目個功能性積體電路。監視程序之一種方式為在該電路結構形成之不同階段處檢測晶片電路結構。可使用掃描電子顯微鏡(SEM)來進行檢測。

在EUV微影中，隨機印刷失效變為程序窗之主要限制因素，其為隨機非重複獨立缺陷，諸如微橋、本端虛線及缺失或合併接觸。此等缺陷可使用蝕刻後SEM影像事後偵測到。另外，預測模型亦可用以實現基於微影之後的晶圓之SEM影像的蝕刻後缺陷之早期預測，其可進一步允許基於預測之早期校正。現有缺陷預測係基於基於參數之方法(例如MetroLER或Stochalis)或機器學習模型。然而，現有方法受低預測準確度的影響，或不能夠提供與缺陷之原因相關的資訊。

本發明之實施例包括訓練及應用用於失效分類之機器學習模型，其可有利地實現所產生預測之可解譯性。在訓練階段中，可解譯模式(例如所關注的模式)之集合(諸如CD、移位、橢圓度等)藉由專家提議或經自動地運算，且針對此等模式訓練(例如深度學習)分類器。在預測階段中，給定SEM影像係在可解譯模式中分解且應用分類器。採用分類器之數學估算(例如加權多項式估算)以便將預測分解成來自個別可解譯模式之貢獻。根據對模式之各別貢獻的分析，可識別失效原因，例如，可能原因為小CD、強y移位、橢圓度、模糊邊緣等中之一或多者。

根據本發明之實施例，機器學習模型(諸如神經網路模型)首先基於蝕刻後晶圓的特定類型之特徵(例如接觸孔區域或任何其他類型之特徵)之SEM影像及指示可用以表徵晶圓上之缺陷的各種類別的複數個可解譯模式之各別係數的相關聯標記資料而訓練。在預測階段期間，在顯影之後的晶圓之輸入SEM影像可經分解成與複數個預定義可解譯模式(例如對應於缺陷之不同原因、類型或另外類別)相關聯之複數個模式影像。經訓練機器學習模型可用以評估經分解模式影像。舉例而言，與可解譯模式相關聯之各別係數可用作至機器學習模型之輸入，且機器學習模型之輸出可包括評估結果，例如指示輸入SEM影像中之對應可解譯模式的存在可能性。接著，回歸模型可用以判定來自各別可解譯模式之貢獻。貢獻可用以解譯缺陷之可能原因。儘管本發明描述基於微影之後的晶圓之SEM影像的蝕刻後缺陷預測，但熟習此項技術者應理解類似預測程序亦可應用於半導體製造程序期間之其他階段。舉例而言，在沈積之後或在執行化學機械拋光(CMP)層之後的晶圓之SEM影像亦可應用以預測金屬接觸上之缺陷。

出於清楚起見，圖式中之組件之相對尺寸可經放大。在以下圖式描述內，相同或類似參考數字係指相同或類似組件或實體，且僅描述關於個別實施例之差異。如本文中所使用，除非另外特定陳述，否則術語「或」涵蓋所有可能組合，除非不可行。舉例而言，若陳述組件可包括A或B，則除非另外特定陳述或不可行，否則組件可包括A，或B，或A及B。作為第二實例，若陳述組件可包括A、B或C，則除非另外特定陳述或不可行，否則組件可包括A，或B，或C，或A及B，或A及C，或B及C，或A及B及C。

本發明不限於可以用於獲取影像之任一特定類型之SEM裝備。圖1說明符合本發明之一些實施例的例示性電子束檢測(EBI)系統100。EBI系統100可用於成像。如圖1中所展示，EBI系統100包括主腔室101、裝載/鎖腔室102、電子束工具104及裝備前端模組(EFEM) 106。電子束工具104位於主腔室101內。EFEM 106包括第一裝載埠106a及第二裝載埠106b。EFEM 106可包括額外裝載埠。第一裝載埠106a及第二裝載埠106b收納含有待檢測之晶圓(例如，半導體晶圓或由其他材料製成之晶圓)或樣本的晶圓前開式單元匣(FOUP) (晶圓及樣本可互換使用)。一「批次」為可裝載以作為批量進行處理之複數個晶圓。

EFEM 106中之一或多個機械臂(圖中未示)可將晶圓輸送至裝載/鎖腔室102。裝載/鎖腔室102連接至裝載/鎖真空泵系統(圖中未示)，其移除裝載/鎖腔室102中之氣體分子以達至低於大氣壓之第一壓力。在達至第一壓力之後，一或多個機械臂(圖中未示)可將晶圓自裝載/鎖腔室102輸送至主腔室101。主腔室101連接至主腔室真空泵系統(圖中未示)，其移除主腔室101中之氣體分子以達至低於第一壓力之第二壓力。在達到第二壓力之後，藉由電子束工具104對晶圓進行檢測。電子束工具104可為單射束系統或多射束系統。應瞭解，本文中所論述之系統及方法可應用於單射束系統及多射束系統兩者。

控制器109以電子方式連接至電子束工具104。控制器109可為經組態以執行對EBI系統100之各種控制的電腦。控制器109可包括經組態以執行各種信號及影像處理功能之處理電路。雖然控制器109在圖1中經展示為在包括主腔室101、裝載/鎖腔室102及EFEM 106的結構外部，但應理解控制器109可係該結構之部分。在一些實施例中，控制器109可包括耦接至儲存支援控制器109之各種功能的指令的一或多個記憶體之一或多個處理器。

現在參看圖2，其為說明符合本發明之一些實施例的例示性電子束工具104的示意圖，該例示性電子束工具包括係圖1之EBI系統100之部分的多射束檢測工具。應理解多射束電子束工具意欲為僅僅說明性且並非為限制性。本發明亦可與單帶電粒子束成像系統一起工作。如圖2中所展示，電子束工具104 (在本文中亦被稱作裝置104)包含經組態以產生初級電子束之電子源201、經組態以減少庫侖效應之庫侖孔徑板(或「槍孔徑板」)271、經組態以聚焦初級電子束之聚光透鏡210、經組態以形成初級小射束(例如初級小射束211、212及213)之源轉換單元220、初級投影系統230、機動載物台209，及藉由機動載物台209支撐以固持待檢測之晶圓208的樣本固持器207。電子束工具104可進一步包含次級投影系統250及電子偵測器件240。初級投影系統230可包含物鏡231。電子偵測器件240可包含複數個偵測元件241、242及243。射束分離器233及偏轉掃描單元232可定位於初級投影系統230內部。

電子源201、庫侖孔徑板271、聚光透鏡210、源轉換單元220、射束分離器233、偏轉掃描單元232及初級投影系統230可與裝置104之主光學軸204對準。可將次級投影系統250及電子偵測器件240與裝置104之副光學軸251對準。

控制器109可連接至圖1之EBI系統100之各種部分，諸如源轉換單元220、電子偵測器件240、初級投影系統230或機動載物台209。在一些實施例中，如下文更詳細地解釋，控制器109可執行各種影像及信號處理功能。控制器109亦可產生各種控制信號以控制帶電粒子束檢測系統之一或多個組件的操作。

偏轉掃描單元232在操作中經組態以使初級小射束211、212及213偏轉，以使探測光點221、222及223跨越晶圓208之表面之區段中的個別掃描區域進行掃描。回應於初級小射束211、212及213或探測光點221、222及223入射於晶圓208上，電子自晶圓208顯現且產生三個次級電子束261、262及263。次級電子束261、262及263中之每一者通常包含次級電子(具有≤50 eV之電子能量)及反向散射電子(具有在50 eV與初級小光束211、212及213之著陸能量之間的電子能量)。射束分離器233經組態以使次級電子束261、262及263朝向次級投影系統250偏轉。次級投影系統250隨後將次級電子束261、262及263聚焦於電子偵測器件240之偵測元件241、242及243上。偵測元件241、242及243經配置以偵測對應次級電子束261、262及263且產生對應信號，該等信號經發送至控制器109或信號處理系統(圖中未示)，例如以建構晶圓208之對應經掃描區域的影像。

在一些實施例中，偵測元件241、242及243分別偵測對應次級電子束261、262及263，且產生對應強度信號輸出(圖中未示)至影像處理系統(例如，控制器109)。在一些實施例中，每一偵測元件241、242及243可包含一或多個像素。偵測元件之強度信號輸出可為由偵測元件內之所有像素產生之信號的總和。

在一些實施例中，控制器109可包含影像處理系統，該影像處理系統包括影像獲取器(圖中未示)及儲存器(圖中未示)。影像獲取器可包含一或多個處理器。舉例而言，影像獲取器可包含電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動運算器件及類似者，或其組合。影像獲取器可經由諸如下述者之媒體通信耦接至裝置104之電子偵測器件240：電導體、光纖纜線、可攜式儲存媒體、IR、藍牙、網際網路、無線網路、無線電以及其他，或其組合。在一些實施例中，影像獲取器可自電子偵測器件240接收信號，且可構建影像。影像獲取器可因此獲取晶圓208之影像。影像獲取器亦可執行各種後處理功能，諸如產生輪廓、疊加指示符於所獲取影像上，及其類似者。影像獲取器可經組態以執行對所獲取影像之亮度及對比度等的調整。在一些實施例中，儲存器可為諸如以下各者之儲存媒體：硬碟、隨身碟、雲端儲存器、隨機存取記憶體(RAM)、其他類型之電腦可讀記憶體，及其類似者。儲存器可與影像獲取器耦接，且可用於保存作為原始影像之經掃描原始影像資料以及後處理影像。

在一些實施例中，影像獲取器可基於自電子偵測器件240接收到之一或多個成像信號而獲取樣本之一或多個影像。成像信號可對應於用於進行帶電粒子成像之掃描操作。所獲取影像可為包含複數個成像區域之單個影像或可涉及多個影像。單一影像可儲存於儲存器中。單一影像可為可劃分成複數個區之原始影像。區中之每一者可包含含有晶圓208之特徵之一個成像區域。所獲取影像可包含在一時間序列內多次取樣的晶圓208之單個成像區域之多個影像，或可包含晶圓208之不同成像區域之多個影像。多個影像可儲存於儲存器中。在一些實施例中，控制器109可經組態以執行具有晶圓208之相同位置的多個影像之影像處理步驟。

在一些實施例中，控制器109可包括量測電路(例如，類比至數位轉換器)以獲得經偵測次級電子的分佈。在偵測時間窗期間收集之電子分佈資料與入射於晶圓表面上之初級小射束211、212及213中之每一者之對應掃描路徑資料結合可用以重建構受檢測晶圓結構的影像。經重建構影像可用於顯露晶圓208之內部或外部結構的各種特徵，且藉此可用於顯露可能存在於晶圓中之任何缺陷。

在一些實施例中，控制器109可控制機動載物台209以在晶圓208之檢測期間移動晶圓208。在一些實施例中，控制器109可使得機動載物台209能夠在一個方向上以恆定速度連續地移動晶圓208。在其他實施例中，控制器109可使得機動載物台209能夠依據掃描程序之步驟隨時間改變晶圓208之移動的速度。

儘管如圖2中所展示之電子束工具104使用三個初級電子束，但應瞭解，電子束工具104可使用單帶電粒子束成像系統(「單射束系統」)，或具有兩個或多於兩個初級電子束之多帶電粒子束成像系統(「多射束系統」)。本發明不限制用於電子束工具104中之初級電子束之數目。

返回參看圖1，分析及預測系統199 (「系統199」)可與控制器109直接或間接通信。舉例而言，系統199可為經組態以無線地、遠端地或經由有線連接以及其他通信方法與控制器109、EBI系統100、任何其他裝置、系統或資料庫通信的電腦。在如本發明中所論述的一些實施例中，系統199可經組態以經由使用者介面自使用者接收指令、基於使用者輸入執行程序之模擬及數學模型化、預測程序結果，且產生描繪經預測程序結果之影像。

在一些實施例中，系統199可包括一或多個處理器191。處理器可為能夠操縱或處理資訊之通用或特定電子器件。舉例而言，處理器可包括任何數目個中央處理單元(或「CPU」)、圖形處理單元(或「GPU」)、光學處理器、可程式化邏輯控制器、微控制器、微處理器、數位信號處理器、智慧財產(IP)核心、可程式化邏輯陣列(PLA)、可程式化陣列邏輯(PAL)、通用陣列邏輯(GAL)、複合可程式化邏輯器件(CPLD)、場可程式化閘陣列(FPGA)、系統單晶片(SoC)、特殊應用積體電路(ASIC)及具有資料處理能力之任何類型電路之任何組合。處理器亦可為虛擬處理器，其包含在經由網路耦接的多個機器或器件上分佈的一或多個處理器。

在一些實施例中，系統199可進一步包括一或多個記憶體192。記憶體可為能夠儲存可由處理器(例如，經由匯流排)存取之程式碼及資料的通用或特定電子器件。舉例而言，記憶體可包括任何數目個隨機存取記憶體(RAM)、唯讀記憶體(ROM)、光碟、磁碟、硬碟機、固態機、隨身碟、安全數位(SD)卡、記憶棒、緊湊型快閃(CF)卡或任何類型之儲存器件之任何組合。程式碼可包括作業系統(OS)及用於特定任務的一或多個應用程式(或「app」)。記憶體亦可為虛擬記憶體，其包括在經由網路耦接的多個機器或器件上分佈的一或多個記憶體。

圖3為符合本發明之一些實施例的與晶圓分析及缺陷預測相關聯的實例晶圓分析系統300之方塊圖。在一些實施例中，晶圓分析系統300包括培訓模組302及分析模組304。培訓模組302包括訓練影像獲取器310、標記資料獲取器305及模型訓練器320。分析模組304包括包括分類器模型332(例如藉由模型訓練器320產生)及回歸模型334之影像分析器330。影像分析器330可處理藉由影像獲取器340獲得的影像以產生結果350。

在一些實施例中，晶圓分析系統300包含一或多個處理器及記憶體。舉例而言，晶圓分析系統300可包含一或多個電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動運算器件及類似者，或其組合。在一些實施例中，培訓模組302及分析模組304實施於單獨運算器件上。在其他實施例中，培訓模組302及分析模組304可實施於同一運算器件上。應瞭解，晶圓分析系統300可包括經整合為帶電粒子束檢測系統(例如圖1之電子束檢測系統100)之部分的一或多個組件或模組。晶圓分析系統300亦可包括與帶電粒子束檢測系統分開並以通信方式耦接至帶電粒子束檢測系統的一或多個組件或模組。在一些實施例中，晶圓分析系統300可包括可實施於如本文所論述之控制器109或系統199中的一或多個組件(例如軟體模組)。

在一些實施例中，如圖3中所展示，培訓模組302包括訓練影像獲取器310。訓練影像獲取器310可經組態以獲得訓練影像(或訓練資料)，諸如如圖4A中所展示的晶圓上之區域的複數個SEM影像。所獲取訓練影像可饋送至模型訓練器320以用於訓練分類器模型332。在一些實施例中，訓練影像獲取器310可自資料庫、控制器109、系統199或電子束工具104獲得訓練影像。舉例而言，訓練影像獲取器310可為如本文所論述之控制器109的影像獲取器。在一些實施例中，各別訓練影像可對應於晶圓上之區域，包括任何類型的1D及2D特徵，諸如單接觸孔、多接觸孔、一或多個線、晶粒或整個晶圓。本發明不限於晶圓上之特徵的任一特定類型。在一些實施例中，晶圓之區域可基於分析之目的來選擇，以便判定接觸孔是否失效，線區域是否有缺陷，或晶片之一部分是否失效，及何類型之缺陷可造成此類失效。在一些實施例中，訓練影像可包括在不同階段處(諸如在抗蝕劑顯影之後或在蝕刻之後)處理的樣本之SEM影像。在一些實施例中，訓練影像之訓練資料(諸如對應於灰階值之像素值)可自待用於訓練程序中之訓練影像提取。

在一些實施例中，培訓模組302可包括經組態以獲得與藉由訓練影像獲取器310獲得的訓練影像相關聯之標記資料的標記資料獲取器305。在一些實施例中，每一訓練影像可藉由與複數個類別(諸如多個可解譯模式(或所關注的模式))相關聯之各別係數標記。每一影像可標記為單一類別或多個類別之組合。在一些實施例中，可解譯模式可對應於晶圓上的特徵之不同類別，例如缺陷(或失效原因)。特徵或缺陷之一些實例可包括小臨界尺寸(CD)、沿著某一方向之移位、橢圓度、模糊邊緣、印刷接觸孔、缺失接觸孔或橋聯接觸孔等。在一些實施例中，標記資料可藉由專家基於他或她之先前知識來判定。在一些實施例中，標記資料可使用自動程式(諸如主成份分析(PCA)或單一值分解(SVD)方法或在此項技術中眾所周知的任何其他合適之程序)來運算。

在一些實施例中，培訓模組302之模型訓練器320可基於訓練影像及對應標記資料訓練分類器模型332。在一些實施例中，分類器模型332可為邏輯回歸模型、諸如支援向量機之機器學習模型或深度神經網路(諸如卷積神經網路)或適合於預測分類之任何其他模型。在一些實施例中，分類器模型332可用以預測如與一或多個可解譯模式相關聯的一或多個類別中之每一者是否存在於對應SEM影像中。在一些實施例中，藉由模型訓練器320獲得之訓練結果包括用於分類器模型332之最佳化權重，如在下文更詳細地描述。

圖4A為根據本發明之一些實施例的藉由訓練影像獲取器310獲得的一組訓練影像之實例。舉例而言，如圖4A中所展示，訓練影像包括與不同特徵或缺陷相關聯的接觸孔之SEM影像。訓練影像可對應於在晶圓上之相同或不同位置處的接觸孔。

圖4B為根據本發明之一些實施例的對應於使用自動方法(諸如PCA)處理的圖4A之該組訓練影像的一組標記影像之實例。標記影像對應於不同可解譯模式。在一些實施例中，PCA應用於該組訓練影像以判定與主成份相關聯之各別係數(例如對應於可解譯模式)。在一些實施例中，如圖4B中所展示，首先判定該組訓練影像之均值。接著，各別訓練影像與均值之偏差經計算以分別判定主成份之係數。與主成份相關聯之所獲得係數可將各別特徵或缺陷表徵為與對應訓練影像相關聯之標記資料。

圖5為符合本發明之一些實施例的表示用於訓練分類器模型(例如分類器模型332)之實例方法500的程序流程圖。在一些實施例中，一或多個步驟係藉由圖3中之系統300之一或多個組件(例如培訓模組302)、圖1中之控制器109或系統199執行。

如圖5中所展示，在步驟510中，可獲得複數個訓練影像之影像資料。在一些實施例中，訓練影像可為電子顯微鏡影像，諸如如圖4A中所展示之SEM影像。訓練影像可藉由圖3中之訓練影像獲取器310或圖1中之控制器109或系統199而獲得。訓練影像可自圖1中之控制器109、系統199或電子束工具104或任何其他合適之資料庫獲得。在一些實施例中，複數個訓練影像之影像資料可包括每一訓練影像之像素值。

在步驟520中，可獲得與訓練影像相關聯之標記資料。在一些實施例中，標記資料可藉由圖3中之標記資料獲取器305或圖1中之控制器109或系統199而獲得。在一些實施例中，標記資料獲取器305可使用自動程序(諸如PCA/SVD(例如如圖4B中所展示))處理在步驟510中獲得之訓練影像。在一些實施例中，訓練影像可藉由專家基於先前知識分析及標記。在一些其他實施例中，訓練影像可藉由經實施為軟體程式之自動程序標記。在一些實施例中，標記資料可包括可表徵與每一訓練影像相關聯之特徵或缺陷的與各別可解譯模式相關聯之係數，特徵或缺陷諸如小臨界尺寸(CD)、沿著某一方向之移位、橢圓度、模糊邊緣、印刷接觸孔，缺失接觸孔、橋聯接觸孔等。

在步驟530中，分類器模型(例如圖3中之分類器模型332)可基於訓練影像及相關聯標記資料而訓練(例如經由圖3中之模型訓練器320)。在一些實施例中，分類器模型可包括適合於分類之任一模型，諸如邏輯回歸模型、支援向量機或深度神經網路。任何合適的訓練程序可以用於最佳化分類器模型之權重。

返回參看圖3，在一些實施例中，晶圓分析系統300之分析模組304包括經組態以獲得晶圓上之區域之輸入顯微鏡影像(例如輸入SEM影像)以用於缺陷分析(例如預測與晶圓相關聯之失效原因)的影像獲取器340。在一些實施例中，影像獲取器340可自如圖1中所展示之電子束工具104、控制器109或系統199獲得輸入影像。舉例而言，影像獲取器340可為如本文所論述之控制器109的影像獲取器。在一些實施例中，輸入影像可對應於需要缺陷預測的晶圓上之區域，諸如單接觸孔、多接觸孔、一或多個線、晶粒或整個晶圓。在一些實施例中，輸入影像可為在半導體處理期間之不同階段處(諸如在微影中之顯影之後，或在蝕刻之後)獲得的晶圓之SEM影像。舉例而言，可使用在蝕刻之後處理的晶圓之訓練影像及如本文所論述之相關聯標記資料訓練分類器模型332，同時分類器模型332可用以在微影中之顯影之後預測晶圓之輸入影像的缺陷之類別以用於早期缺陷偵測/預測。舉例而言，與自分解輸入影像獲得的各別可解譯模式相關聯之係數可作為輸入饋送至分類器模型332中，以獲得作為與各別可解譯模式相關聯之評估結果的輸出(例如在圖6中之評估結果640指示某一可解譯模式是否存在)。另外，用於訓練分類器模型332之訓練影像(例如蝕刻後晶圓的SEM影像)可對應於晶圓上之不同於用於預測的輸入SEM影像中之區域的區域。舉例而言，分類器模型332可使用捕獲一或多個晶圓上的各種位置上之接觸孔的訓練影像來訓練。在訓練之後，此類分類器模型332可用以預測與位於與包括於訓練影像中之接觸孔中之任一者相同或不同的位置處之某一接觸孔相關聯的缺陷之類別。

在一些實施例中，分析模組304包括經組態以分析輸入影像之影像分析器330。在一些實施例中，分析模組304可將輸入影像分解成對應於不同缺陷類別的複數個可解譯模式影像且獲得與各別可解譯模式相關聯的係數用於表徵輸入影像。輸入影像可使用PCA或在此項技術中眾所周知的任何其他合適之方法來分解。

在一些實施例中，影像分析器330包括藉由培訓模組302使用圖5之方法500產生的分類器模型332。分類器模型332可包括神經網路模型(例如如圖6中所展示)或邏輯分類器模型(例如如圖10中所展示)。在分類器模型332包括神經網路模型的實施例中，與各別分解可解譯模式相關聯之係數可藉由神經網路模型來評估以獲得評估結果，指示對應於某一可解譯模式的各別缺陷類別是否可能存在於輸入SEM影像中。

在一些實施例中，影像分析器330進一步包括經組態以計算各別分解可解譯模式對輸入SEM影像之貢獻的回歸模型334。在一些實施例中，回歸模型334包括多項式模型，諸如線性模型、二次模型或具有不同階之組合的多項式模型。舉例而言，基於神經網路模型及自將分類器模型332應用於與輸入影像相關聯的分解模式之係數獲得之評估結果，線性模型可估算神經網路模型與評估結果之間的線性關係。此類量化線性關係可以用於判定各別可解譯模式對輸入SEM影像的貢獻。因此，結果350可識別對應於對輸入影像有重要貢獻的一或多個可解譯模式之一或多個缺陷類別。

圖6說明符合本發明之一些實施例的表示用於預測晶圓上之缺陷類別(例如由可解譯模式表示)的實例程序600之流程圖解。在一些實施例中，程序600之一或多個步驟係藉由圖3中之系統300之一或多個組件(例如分析模組304)或圖1中之控制器109或系統199執行。如本發明中所揭示，程序600可不僅基於SEM影像預測缺陷是否存在，而且預測缺陷之類別(例如本文中亦可互換地被稱作「缺陷之類型」或「缺陷之原因」或「可解譯模式」)。因而，程序600有益於缺陷之早期檢測及校正，此係因為缺陷之類別可在初期(諸如在微影中之顯影之後)預測。

在一些實施例中，影像獲取器340自控制器109、系統199或電子束工具104獲得輸入SEM影像610。如圖6中所展示，在一些實施例中，輸入SEM影像610反映在微影中之顯影之後處理的接觸孔之區域。

在一些實施例中，影像分析器330將輸入SEM影像610分解成複數個模式影像620，每一模式影像對應於特定可解譯模式，例如，每一可解譯模式與缺陷之類別相關聯。影像分析器330獲得分別與可解譯模式相關聯之係數(例如C1、C2、C3、C4、C5…)。模式影像620可藉由使用PCA (例如如圖4A至圖4B中所說明)或任何其他合適之方法分解輸入SEM影像610而獲得。在一些實施例中，複數個模式620可對應於不同缺陷類別，諸如小CD、移位、橢圓度、模糊邊緣、印刷之接觸孔、缺失接觸孔或橋聯接觸孔。舉例而言，具有小CD之缺陷對應於正改變的接觸孔之大小或半徑。在另一實例中，移位缺陷對應於正自其預期位置(例如自設計)上下移動的接觸孔之位置。因而，某一分解模式可展現與初始輸入SEM影像相比之離差量數(例如在大小、位置、形狀、收縮、強度或任何其他因素方面)。

在一些實施例中，影像分析器330基於分解模式影像620使用一或多個模型進一步判定哪一(些)可解譯模式對輸入SEM影像610有貢獻，及至何程度。舉例而言，影像分析器330可計算來自各別可解譯模式之定量貢獻，以便判定各別可解譯模式是否顯著對輸入SEM影像有貢獻。因此，可判定輸入SEM影像是否具有對應缺陷。

在如圖6中所展示之一些實施例中，培訓模組302可基於訓練SEM影像訓練分類器模型630 (例如類似於如參看圖3至圖5所論述的分類器模型332)。影像分析器330接著可使用分類器模型630，例如如圖6中所展示之預經訓練神經網路模型，以計算相關聯評估結果640。在一些實施例中，分類器模型620之輸入包括分別與可解譯模式相關聯之係數(例如C1、C2、C3、C4、C5…)。舉例而言，分類器模型(或分類器模型332)可由以下方程式表示：

其中 f表示非線性模型(例如分類器模型630)之函數， y為函數之輸出(例如評估結果)，且x _i ( i=1,2,…, n)為函數之輸入。在一些實施例中，輸入x _i ( i=1,2,…, n)可包括與使用PCA自分解程序獲得的各別可解譯模式相關聯之係數。本發明不限於函數或非線性模型之任何特定形式。

在一些實施例中，對於每一分解之模式影像，對應評估結果y指示缺陷之對應類別是否存在於輸入SEM影像中。舉例而言，如圖6中所展示，當評估結果y為正值(例如「預測印刷)時，可判定對應於此類模式之缺陷不存在於輸入SEM影像610中。另一方面，當評估結果y為負值(例如「預測缺失」)時，可判定對應於此類模式之缺陷存在於輸入SEM影像610中。然而，此論述僅為例示性的。該模型可經訓練以在不脫離本發明之範疇情況下預測任何其他分類或任何數目個類別。

在獲得評估結果640之後，多項式回歸模型(諸如線性模型650)可用以估算分類器模型630(例如由方程式(1)中之非線性函數f表示)與評估結果640(例如由方程式(1)中之評估結果y表示)之間的線性關係。諸如與各別可解譯模式相關聯之係數的參數可自估算之線性關係獲得以判定各別可解譯模式之貢獻。舉例而言，線性模型650可由以下方程式表示：

其中 y為輸出(與方程式(1)中相同)， f ₀表示常數，Δx i( i=1,2,…, n)為與可解譯模式之各別係數相關的輸入值， w _i為與自線性估算獲得的各別可解譯模式相關聯之權重(例如 w _i獨立於輸入值Δx _i )，且 b _i為與各別可解譯模式相關聯的值(例如依賴於輸入值Δx _i )。在一些實施例中，線性估算可使用任何合適的線性模式，諸如泰勒展開式。因而，可計算來自各別可解譯模式之定量貢獻(例如 w _i)，且因此可判定各別模式是否充分對輸入SEM影像起貢獻。舉例而言，若某一權重 w _i接近於0，則可判定對應模式不對輸入SEM影像610有貢獻。若某一權重 w _i為正，則可判定對應模式對不失效之正決策有貢獻，例如，缺陷之對應類型不存在於輸入SEM影像610中。若某一權重 w _i為負，則可判定對應模式對失效有貢獻，例如，缺陷之對應類型存在於輸入SEM影像610中。

圖7說明符合本發明之一些實施例的視覺化應用於分解成兩個可解譯模式之複數個SEM影像的非線性分類器模型(例如分類器模型630)及線性化模型(例如線性模型650)的圖式700。應理解圖7之二維(2D)視覺化意欲僅僅為說明性且並非為限制性。一般熟習此項技術者將理解類似概念可應用於多維空間以用於預測對應於與SEM影像相關聯之多個缺陷類型的多於兩個可解譯模式。

在一些實施例中，獲得對應於複數個晶圓上之各種區域的複數個SEM影像。每一SEM影像可經分解並藉由標記為PC1及PC2之兩個可解譯模式表徵。在圖7中之每一點對應於分解成兩個可解譯模式之SEM影像。舉例而言，每一點之座標對應於與自PCA獲得的兩個分解之可解譯模式相關聯的係數。如圖7中所展示，實線表示分類器模型630之非線性決策邊界。

在一些實施例中，圖式700中之對應於輸入影像610的點P可在圖式700中識別，且點P之及在所關注區域內的相鄰點可用於如圖6中所論述之線性化程序。舉例而言，考慮圖式700中之點P及其相鄰點，線性模型650可經建構用於線性化非線性分類器模型630以表示分類器模型630與各別可解譯模式之其評估結果之間的線性化關係。如圖7中所展示，虛線展示用於點P及所關注區域(例如接觸孔)內之其相鄰點的非線性決策邊界之線性化結果(例如或局部線性估算)。

圖8說明根據本發明之一些實施例的藉由對輸入SEM影像執行程序600獲得的視覺化預測結果之實例。在一些實施例中，在圖8中之條形圖使可解譯模式對決策結果之貢獻視覺化。舉例而言，每一長條可經標繪為指示缺陷之對應類型存在的向下指向(例如來自上述方程式(2)之負 w _i值)，或指示缺陷之對應類型不存在的向上指向(例如來自上述方程式(2)之正 w _i值)。另外，每一長條之量值藉由自上述方程式(2)判定之 b _i的值判定以說明對應缺陷類型對輸入SEM影像之貢獻的重要性。因此，哪一缺陷類別及貢獻之重要程度可藉由每一長條之方向及量值判定。

舉例而言，如圖8中所展示，在顯影之後的晶圓上之區域之第一輸入SEM影像(「CH 1」)可經判定為具有負方向延伸並具有最大量值的第二長條。第二長條(模式2)對應於CD型成份。因此，可預測在蝕刻之後(或在半導體處理期間之其他階段處)的晶圓上之此區域可能具有小CD之缺陷(或主要缺陷)。

如圖8中所展示，在顯影之後的晶圓上之區域之第二輸入SEM影像(「CH 2」)可經判定具有負方向延伸並具有最大量值的第三長條。第三長條(模式3)對應於y移位型成份。因此，可預測在蝕刻之後的晶圓上之此區域可能具有沿著y方向的強移位之缺陷(或主要缺陷)。

在一些實施例中，程序600亦可預測多個缺陷類型對晶圓上之區域之失效有貢獻。舉例而言，第三、第四及第五輸入SEM影像(「CH 3」、「CH 4」及「CH 5」)可經判定為分別主要具有橢圓度及某一y移位、對非垂直壁有貢獻的模糊邊緣，及小CD且強y移位之缺陷。將瞭解，取決於影像分解之演算法，複數個模式可以用於指示另一分類，例如，缺陷相關分類。因此，本發明可用於藉由任何其他合適之準則基於分類與複數個模式之間的特定相關性來分類影像。

圖9A至圖9E進一步說明根據本發明之一些實施例的藉由對各種輸入SEM影像執行程序600獲得的視覺化預測結果(例如，如以條形圖形式)之實例。舉例而言，如圖9A中所展示，圖9A中的每一SEM影像之條形圖展示負方向延伸並具有最大量值的第二長條(模式2)。因此，在蝕刻之後的圖9A中之每一晶圓可能具有小CD之缺陷(或主要缺陷)。

類似地，自圖9B中之條形圖，其展示在蝕刻之後的圖9B中之每一晶圓可能具有垂直偏移(對應於模式3中之長及負第三長條)之缺陷(或主要缺陷)。另外，基於長條之幅值，可解譯在圖9B中之第一晶圓及第五晶圓可能具有小CD之更主導缺陷，如藉由各別條形圖中之最長及負第二長條證明。

圖9C中之條形圖展示在蝕刻之後的圖9C中之每一晶圓可能具有橢圓度之至少一個缺陷(例如主要缺陷或多個缺陷當中之一缺陷)，如藉由長及負第四長條所證明。基於各別SEM影像中之長條的幅值，可理解橢圓度缺陷可能為第四晶圓中之主導缺陷。另外，第一、第二、第三及第五晶圓可能具有小CD之更主導缺陷，如藉由各別條形圖中之最長及負第二長條所證明。

圖9D中之條形圖展示在蝕刻之後的圖9D中之每一晶圓可能包括模糊邊緣之缺陷(例如主要缺陷或多個缺陷當中之一缺陷)，如藉由長及負第七長條所證明。可解譯模糊邊緣可能為第四晶圓中之主導缺陷。另外，第一、第二、第三及第五晶圓可能具有小CD之更主導缺陷，如藉由各別條形圖中之最長及負第二長條所證明。另外，第二晶圓可能並不具有與垂直偏移相關聯之缺陷，如藉由對應於第三成份之顯著正長條所證明。

圖9E中之條形圖展示在蝕刻之後的圖9E中之每一晶圓可能包括水平偏移之缺陷(例如主要缺陷或多個缺陷當中之一缺陷)，如藉由長及負第四長條所證明。另外，每一晶圓可能具有小CD之更主導缺陷，如藉由各別條形圖中之最長及負第二長條所證明。另外，第一、第二及第四晶圓可能並不具有與橢圓度相關聯之缺陷，如藉由對應於第四組件之正長條所證明。

圖10說明根據本發明之一些實施例的使用邏輯分類器模型獲得的視覺化預測結果(例如如條形圖中)之實例。在一些實施例中，用於分類不同缺陷類別之分類器模型可包括邏輯分類器模型。舉例而言，邏輯分類器模型可包括邏輯回歸模型，其可用於藉由輸出指示某些類別是否可能存在的二進位結果而預測不同缺陷類別。因而，用於輸入SEM影像之重要成份(例如缺陷之重要類別)可經直接識別，如圖10中所展示。在一些實施例中，黑色長條可對應於自上述方程式(2)計算的 w _i以指示缺陷之某一類型是否存在。白色長條可對應於自上述方程式(2)判定之 b _i以指示對應缺陷類型對輸入SEM影像的貢獻之重要性。舉例而言，基於圖10中展示之白色長條的幅值，可判定第二、第三、第四、第七、第十及第十五成份為對輸入SEM影像之主要貢獻缺陷。

圖11A為符合本發明之一些實施例的表示用於基於輸入SEM影像預測失效模式(諸如缺陷類別)之實例方法1100的程序流程圖。在一些實施例中，一或多個步驟由圖3中之系統300之一或多個組件、圖1中之控制器109或系統199或圖1中之系統100執行。

在步驟1110中，對應於複數個可解譯模式之複數個模式影像(例如模式影像620，圖6)係藉由分解輸入電子顯微鏡影像(例如輸入影像610，圖6)而獲得。分別與複數個可解譯模式相關聯之複數個係數(例如圖6之C1、C2、C3、…)可經獲得用於表徵輸入電子顯微鏡影像。舉例而言，輸入電子顯微鏡影像包括藉由影像獲取器340自控制器109、系統199或電子束工具104獲得的SEM影像，諸如輸入SEM影像610。在一些實施例中，輸入電子顯微鏡影像可反映對應於某一特徵之晶圓上之區域，諸如接觸孔區域。在一些實施例中，輸入電子顯微鏡影像可對應於已在微影中之顯影之後經處理的晶圓，且程序1100可預測可能在蝕刻之後存在於晶圓上的一或多個缺陷。在一些實施例中，輸入電子顯微鏡影像可經分解以使用PCA或任何其他合適之方法獲得與各別可解譯模式相關聯的係數。各別可解譯模式可與晶圓上的對應區域之特徵(諸如缺陷之類型)相關聯。

在步驟1120中，評估與複數個可解譯模式相關聯之係數。在一些實施例中，分類器模型332或630 (例如，如圖6中所展示之藉由程序500訓練的卷積神經網路模型)可應用以評估複數個模式影像之係數。舉例而言，各別評估結果指示輸入電子顯微鏡影像中之對應可解譯模式的存在(例如二進位結果)之可能性。在一些實施例中，自PCA獲得的複數個模式影像之係數應用於神經網路模型630之輸入層中的節點，且輸出為評估結果，諸如如圖6中所展示之二進位結果。

在步驟1130中，複數個可解譯模式對輸入電子顯微鏡影像的貢獻係基於自步驟1120獲得之評估結果而判定。在一些實施例中，回歸模型(諸如線性模型650)或任何其他合適之多項式模型(諸如二次模型)可用以估算非線性分類器模型與評估結果之間的關係。舉例而言，如圖7中所展示，可選擇對應於輸入SEM影像之點P，且所關注區域可經識別用於執行線性估算。在一些實施例中，如圖8及圖9A至圖9E中所論述，諸如自線性化或上述方程式(2)獲得之 w _i的係數可用以判定某些模式是否對輸入SEM影像有貢獻(例如對應缺陷是否可能存在)，且幅值 b _i指示對應模式對輸入SEM影像有貢獻之重要性程度。

在步驟1140中，可基於來自步驟1130之經判定貢獻而預測晶圓上的諸如缺陷之類型的一或多個特徵。在一些實施例中，在步驟1130中判定的貢獻可經視覺化於圖表或曲線圖(諸如如圖8及圖9A至圖9E中所展示之條形圖)中，以將半導體製造中之失效的各種原因之直接理解提供給使用者。在一些實施例中，自程序1100獲得之預測結果可用以根據晶圓上之區域中之所識別一或多個模式調整一或多個處理參數。

圖11B說明符合本發明之一些實施例的基於複數個SEM影像之可解譯模式視覺化叢集的圖式1150及晶圓上之叢集結果的映射圖式1160。在一些實施例中，圖式1150之叢集係藉由圖3中之系統300之一或多個組件(例如分析模組304)或圖1中之控制器109或系統199來執行。在一些實施例中，影像獲取器340自控制器109、系統199或電子束工具104獲得複數個輸入SEM影像。在一些實施例中，每一SEM影像包括晶圓上之一或多個區域，其中區域對應於接觸孔(例如如SEM影像610中所展示)或另一類型之特徵。在一些實施例中，複數個輸入SEM影像對應於晶圓上之不同區域。在一些實施例中，複數個輸入SEM影像對應於同一批次中之不同晶圓上的區域。

在一些實施例中，每一輸入SEM影像可使用圖6之程序600或圖11A之程序1100的一或多個步驟處理以識別多個可解譯模式並量化來自各別可解譯模式之貢獻。可解譯模式之實例可對應於特徵之不同類別(例如缺陷或失效之可能原因)，諸如小CD、沿著某一方向之移位、橢圓度、模糊邊緣、印刷接觸孔，缺失接觸孔、橋聯接觸孔等。舉例而言，如圖式1150所展示，對於每一輸入SEM影像，一或多個可解譯模式及來自對應可解譯模式之量化貢獻係藉由具有具有如圖8中所論述之對應方向及幅值之不同通道的條形圖中之長條視覺化。在一些實施例中，包含複數個成份之多維向量可用以表徵每一輸入SEM影像中之特徵，其中每一成份對應於一可解譯模式，其中相關聯量化該對應可解譯模式對預測之貢獻。舉例而言，10維向量可以用於表徵圖11B中的各別SEM影像中之特徵，且10維向量包括十個成份，十個成份中之每一者對應於條形圖中之某一通道中之長條。

在一些實施例中，基於某些成份之其相似度對晶圓上之不同區域的複數個SEM影像之向量執行叢集。使用圖式1150中展示為實例之2維空間，每一點對應於晶圓上之區域的SEM影像，與2維向量(自程序600或1100獲得)相關聯。具有類似成份之向量係以2維空間中之類似座標表示，因此在彼此接近之一個叢集中分佈，指示晶圓上之此等區域基於對對應SEM影像之分析具有類似缺陷原因。在一些實施例中，叢集亦可應用於在一起作為一個群組處理的一批次中之複數個晶圓。在一些實施例中，可使用任何類型的合適之叢集演算法，諸如K均值叢集，或均值移位叢集等。

在叢集之後，叢集結果之映射圖式1160可經提供於晶圓上以促進對失效原因之分析。在一些實施例中，叢集圖式1150中之每一點對應於區域之SEM影像，且進一步與區域資訊(諸如關於晶圓之位置資訊(例如在哪一晶粒中，或晶圓上之座標))、對該區域執行的一或多個製造程序之時間資訊(例如何時執行塗佈、曝光、烘烤、顯影、蝕刻、拋光等)等相關聯。在一些實施例中，在圖式1150中獲得的點之叢集可映射在如所映射圖式1160中展示之晶圓上。晶圓上之位置分佈或處理時間資訊可在映射期間獲得，且與缺陷之分佈相關聯之微影參數可經分析以理解缺陷之來源。舉例而言，對應於給定失效模式之接觸孔(在叢集中)可跨晶圓映射以使每一接觸孔與彼叢集之矩心之間的距離視覺化。

在一些實施例中，可基於映射結果分析失效之原因。舉例而言，具有小尺寸之接觸孔之叢集(例如叢集1)可分佈於映射圖式1160中之晶圓上之相同晶粒內。因此，一或多個微影參數(諸如光劑量)可經調整以固化在對應晶粒上產生的此類缺陷。在另一實例中，出現在晶圓上之相同區內的具有模糊邊緣之多個接觸孔可對應於焦點相關缺陷或失效。因此，在微影期間應用於此區之光焦點可經調整。在另一實例中，具有某一y移位或x移位之多個接觸孔可形成映射圖式1160上之圖案，表明缺陷在蝕刻或拋光程序期間產生。因此，蝕刻或拋光參數(諸如蝕刻速率、拋光接觸壓力、晶圓旋轉速度等)可經調整以改良蝕刻或拋光程序。

在一些實施例中，以上論述之叢集及映射程序可應用於一批次中之晶圓上的各種區域之SEM影像以用於較佳理解失效原因。舉例而言，若一批晶圓含有在類似位置處(例如，在相同晶粒中)之類似缺陷，則在處理此批晶圓時應用於此等晶粒的參數可經調整以固化缺陷。

在一些實施例中，映射亦可基於某一參數(諸如缺陷之某一類型或缺陷之原因(例如小CD、模糊邊緣等)、晶圓上之某一區(例如特定晶粒)、用於處理晶圓或晶粒的某一時間或某一步驟)之使用者選擇而標繪，以瞭解何類型之缺陷(缺陷原因)發生在選擇區中或在某一時間或步驟處，以便改良對應程序。在一些實施例中，回應於使用者選擇，晶圓上之缺陷的分佈可經視覺化至使用者，以使得使用者可更有效及高效地檢視及判定失效之原因。在一些實施例中，基於晶圓層級處之缺陷的分佈分析的失效原因可用以向其他未經量測或甚至未經處理之晶圓展現潛在問題，以便採取進階校正以改良程序。舉例而言，用於特定失效模式之晶圓指印可映射在晶圓上並用於監測及診斷未來晶圓量測及處理。

圖11C為符合本發明之一些實施例的表示用於基於晶圓上(例如在晶圓層級處)之複數個區域之輸入SEM影像分析失效模式的實例方法1170之程序流程圖。在一些實施例中，一或多個步驟由圖3中之系統300之一或多個組件、圖1中之控制器109或系統199或圖1中之系統100執行。

在步驟1172中，獲得對應於晶圓上之不同區域的複數個輸入電子顯微鏡影像(例如包括圖6之輸入影像610)。在一些實施例中，複數個輸入電子顯微鏡影像可對應於相同批次中之不同晶圓上的不同區域。

在步驟1174中，對於每一輸入電子顯微鏡影像，可判定包括對應於可解譯模式之貢獻之成份的多維向量。在一些實施例中，每一電子顯微鏡影像係藉由圖11A中之程序1100的一或多個步驟處理。舉例而言，對於每一電子顯微鏡影像，可分析複數個可解譯模式，且判定複數個可解譯模式對輸入電子顯微鏡影像之貢獻。多維向量包含表示複數個可解譯模式及相關聯貢獻之成份。

在步驟1176中，用於複數個輸入電子顯微鏡影像之多維向量係基於可解譯模式而叢集。舉例而言，具有類似成份及相關聯貢獻之向量在多維空間(例如如圖11B中在二維空間中所展示)上之相同叢集中分佈。

在步驟1178中，叢集結果經映射，例如如圖11B中之映射圖式1160中所展示，且基於映射結果分析失效原因。舉例而言，對應於某一可解譯模式的叢集內之向量可映射至晶圓上以使晶圓上之對應區域的分佈視覺化。在一些實施例中，使用者亦可選擇一參數(諸如選擇晶圓上之晶粒以檢查何類型缺陷(缺陷之原因)發生在晶粒上，或選擇某一缺陷(或缺陷之原因))並查看此類型缺陷在晶圓上的分佈。

如本文所論述，藉由執行程序500、600、1100或1150，系統300可不僅提供不同缺陷類型對晶圓上之區域之失效的貢獻之定量評估，亦可向使用者提供晶圓層級處之缺陷的個別區域及分佈之此類定量分析的解釋。因此，使用者可具有半導體製造中之各種失效原因的更直接理解。另外，所預測缺陷之早期偵測及校正變為可能。舉例而言，訓練影像及輸入影像可對應於已在半導體處理之不同階段處理的晶圓上之不同區域或層。此又可對半導體處理之系統改良有貢獻。另外，與現有技術相比，訓練及使用分類器模型可不太複雜且及更少耗時，此係因為與分解模式相關聯之權重(例如係數)在本發明中用作輸入，而不是使用像素值作為輸入。因而，涉及輸入層中之較少節點及不大複雜神經網路，以便提供基於缺陷預測之更高效及有效機器學習以用於半導體處理。

另外，本發明中揭示之程序亦可用於根本原因分析。舉例而言，分類器模型可基於對應於半導體處理期間的不同處理步驟、階段或參數之可解譯模式而訓練。接著，來自不同處理步驟、階段或參數之貢獻的分級可經獲得用於特徵重要性偵測。在一些實施例中，亦可使用用於特徵重要性偵測之模型特定方法，而不是使用通用機器學習模型。舉例而言，當使用用於隨機森林模型之決策樹時，特徵重要性可自樹中之彼特徵的位置判定(例如特徵定位在樹中愈高，特徵可更重要)。

根本原因分析對於識別IC晶片上之各種缺陷之重要原因係重要的，以使得半導體製造程序可基於所識別原因而最佳化。當前，根本原因分析主要係藉由有經驗工程師手動執行。舉例而言，有經驗人員可檢查顯微鏡影像上之缺陷，分析缺陷化學組成物，或進行對於IC晶片上之電失效的測試以理解缺陷原因。然而，此手動程序可係耗時、易錯，並限於小數目樣本中之缺陷類型之小數目。因而，需要用於根本原因分析之自動程序，其可滿足對具有減少特徵大小、增加特徵密度及更詳細且準確缺陷分析之大規模IC晶片處理之需求。

為解決此問題，本發明提供適合於大規模半導體製造處理中之自動根本原因分析的方法及系統。舉例而言，預測模型(諸如隨機森林模型)可基於影像特徵資料及程序特徵資料而訓練。預測模型可用以基於用於製造預測之輸入樣本的程序特徵資料(諸如處理參數)預測缺陷之形成。另外，預測模型可提供特徵重要性資訊，其分級特徵以指示缺陷之根本原因的定序。

圖12為符合本發明之一些實施例的經組態以基於自預測模型獲得之特徵分級結果執行根本原因分析的實例系統1200之方塊圖。在一些實施例中，系統1200包括培訓模組1202及預測模組1204。培訓模組1202包括訓練資料獲取器1210、標記資料獲取器1205及模型訓練器1220。預測模組1204包括包括模型1232 (例如藉由預經訓練訓練器1220產生)之分析器1230。分析器1230可分析藉由資料獲取器1240獲得之輸入資料以產生特徵分級結果12650。分析器1230亦可基於輸入資料產生缺陷預測結果1250。

在一些實施例中，系統1200包含一或多個處理器及記憶體。舉例而言，系統1200可包含一或多個電腦、伺服器、大型電腦主機、終端機、個人電腦、任何種類之行動運算器件及類似者，或其組合。在一些實施例中，培訓模組1202及預測模組1204實施於單獨運算器件上。在其他實施例中，培訓模組1202及預測模組1204可實施於同一運算器件上。應瞭解，系統1200可包括經整合為帶電粒子束檢測系統(例如圖1之電子束檢測系統100)之部分的一或多個組件或模組。系統1200亦可包括與帶電粒子束檢測系統分開並以通信方式耦接至帶電粒子束檢測系統的一或多個組件或模組。在一些實施例中，系統1200可包括可實施於如本文所論述之控制器109或系統199中的一或多個組件(例如軟體模組)。

在一些實施例中，如圖12中所展示，培訓模組1202包括訓練資料獲取器1210。訓練資料獲取器1210可經組態以獲得訓練資料。訓練資料可包括自IC晶片之複數個SEM影像提取的影像資料1207及與製造IC晶片相關聯之程序資料1208。所獲取訓練資料可饋送至模型訓練器1220以用於訓練模型1232 (例如預測模型)。在一些實施例中，訓練資料獲取器1210可自資料庫、控制器109、系統199或電子束工具104獲得訓練資料。舉例而言，訓練資料獲取器1210可包括如本文所論述用於獲取IC晶片之複數個SEM影像的控制器109之影像獲取器。

在一些實施例中，訓練資料之影像資料1207可包括與IC晶片上之各種特徵或缺陷相關聯的像素值、位置資訊等。在一些實施例中，各別SEM影像可捕獲對應於特徵(例如一或多個接觸孔、一或多個線等)、晶粒或整個晶圓之區域。在一些實施例中，影像資料1207可自在不同階段處(諸如在微影中之顯影之後、在蝕刻之後、在金屬層沈積之後、在化學機械拋光(CMP)之後等)處理的樣本之所獲得的SEM影像提取。

在一些實施例中，程序訓練資料獲取器1210可進一步獲得與不同程序相關聯之程序資料1208以用於製造用於對用於訓練之複數個SEM影像有貢獻的IC晶片。在一些實施例中，程序資料1208包括(但不限於)自不同半導體處理或檢測階段收集的製作資料、用於設計IC晶片上之微電路的設計資料、材料資訊(例如組成物)及其他類型之可能缺陷原因。

在一些實施例中，製作資料包括與微影程序、蝕刻程序、檢測條件及製作期間涉及的其他程序相關聯之參數(例如亦稱作特徵)。舉例而言，微影參數包括(但不限於)光束焦點、劑量及透鏡像差值、晶圓調平，及雙重圖案化程序中之疊對校正等。蝕刻參數包括但不限於蝕刻溫度、蝕刻化學(例如氣體)濃度位準及蝕刻持續時間等。檢測參數包括但不限於使用明場或暗場顯微鏡影像之光學檢測條件、放大率、掃描區域等，其可指示檢測期間的缺陷之檢查。

在一些實施例中，設計資料對應於待形成於晶圓上之複數個階層式層上之設計架構。設計資料可呈現於影像檔案中且可包括用於不同層上之各種圖案之特性資訊(例如形狀、尺寸等)。舉例而言，設計資料可與與待製作於晶圓上之各種結構、器件及系統相關聯之資訊相關，各種結構、器件及系統包括但不限於基板、摻雜區、聚閘極層、電阻層、介電層、金屬層、電晶體、處理器、記憶體、金屬連接件、接觸、通孔、系統單晶片(SoC)、網路單晶片(NoC)或任何其他合適結構。設計資料可進一步包括記憶體區塊、邏輯區塊、互連件等之IC佈局設計。舉例而言，設計資料可包括參數或特性，包括(但不限於)圖案密度、微晶片倍縮光罩/場上的圖案/特徵之位置，其可與IC晶片上之缺陷相關聯。在一些實施例中，設計資料可呈圖形資料庫系統(GDS)格式、圖形資料庫系統II (GDS II)格式、開放原圖系統互換標準(OASIS)格式、加州理工學院中間格式(CIF)等。

在一些實施例中，程序資料1208可進一步包括與其他類型之可能缺陷原因(諸如刮擦或晶粒上之殘餘物，及材料組成物等)相關的資料，其可指示哪一程序為根本原因。

在一些實施例中，培訓模組1202可包括經組態以獲得與SEM影像相關聯之標記資料1206的標記資料獲取器1205，自該等SEM影像獲得用於訓練之影像資料1207。在一些實施例中，SEM影像藉由分類標記(諸如缺陷或非缺陷)標記。除了二進位標記之外或替代二進位標記，SEM影像亦可藉由對應於不同缺陷類型之複數個類別標記。舉例而言，缺陷之類別包括但不限於橋接、頸縮、缺失、合併、小CD、模糊邊緣、橢圓度等。分類標記可用於建構用於預測分類之分類型預測模型。在一些實施例中，SEM影像可藉由專家基於他或她之先前知識檢驗及標記。在一些實施例中，SEM影像可使用自動程式自動地分析及標記。舉例而言，主成份分析(PCA)或單一值分解(SVD)方法。在一些實施例中，SEM影像係藉由回歸標記例如基於連續圖案大小標記。回歸標記可用於建構回歸型預測模型。舉例而言，電腦視覺演算法可用於將所關注區域(或所關注圖案)分類為缺陷或非缺陷，或量測連續圖案大小。舉例而言，所關注圖案可經分類為圖案破壞或圖案橋接。在另一實例中，所關注圖案亦可藉由不同範圍(諸如5 nm至10 nm之範圍等)中分佈之大小量測。

在一些實施例中，培訓模組1202之模型訓練器1220可基於訓練資料及對應標記資料訓練預測模型1232。在一些實施例中，預測模型1232係基於特徵分級演算法。舉例而言，可與缺陷之形成相關的各種特徵或參數經分級，以使得可選擇與缺陷原因更相關之因素，且雜訊或不相關變數可出於更有效及高效根本原因分析而移除。在一些實施例中，預測模型1232係基於模型特定演算法或模型不可知演算法。

在一些實施例中，模型1232包括建構於複數個隨機決策樹上之隨機森林模型。隨機森林模型可平均在來自訓練資料之不同子集上訓練的複數個深度決策樹，從而減少方差。在一些實施例中，每一隨機決策樹係基於來自訓練資料的複數個隨機選擇之特徵或參數訓練(藉由模型訓練器1220)，其中訓練資料之各別特徵可置放於樹之節點處。在每一節點處，判定所選擇對應特徵是否可充分對減少方差之整個目標有貢獻(例如特徵係重要特徵抑或待移除之妨害特徵)。因此，在訓練期間，一系列評估可在各別決策樹之節點中之每一者處執行且自多個樹獲得的結果經平均以判定特徵重要性。不純度值可經計算以分級特徵。

在一些實施例中，在收集包括影像資料1207、程序資料1208及標記資料1206之訓練資料之後，模型訓練器1220判定用於分裂資料的最佳特徵。所收集資料接著可經分裂成含有用於最佳特徵之值的子集。在一些實施例中，不同量度可用於定量量測分裂品質。在一些實施例中，對於回歸標記(例如基於連續圖案大小，及用於建構回歸型預測模型)，可基於如下所定義之均方誤差：

或絕對誤差計算不純度值：

其中 y _i 為用於例項之標記，N為例項之數目且u為藉由下式判定之均值：

在一些實施例中，對於用於建構分類型預測模型之分類標記，不純度值可使用基尼不純度來計算：

或熵來計算：

其中 p _i 為在節點處的標記 i之頻率，且c為類別之數目。

在一些實施例中，可使用貪婪演算法選擇特徵之選擇及置放特徵之分裂點以最小化不純度值。舉例而言，可反覆地嘗試不同分裂點，且選擇提供最低不純度值的決策樹上之分裂點。另外，在各別決策樹中之每一分裂處，分裂準則之改良係歸於分裂變數之重要性量測，且單獨地對於每一變數在隨機森林模型中之全部決策樹上累積。

在一些實施例中，在於最佳分裂決策樹的最佳分裂點處判定最佳特徵之後，模型訓練器1220基於最佳特徵使用資料分裂之子集進一步遞歸地產生新的樹節點，直至可獲得最佳化最佳準確度及最小化數目個分裂為止。因而，模型訓練器1220可建構去相關決策樹之集合，以得到平均結果，以便減少所估計預測函數之方差。在一些實施例中，在訓練期間，隨機森林中之每一決策樹可自資料點之隨機樣本學習，且一些樣本可在單決策樹中多次使用。在一些實施例中，自訓練資料收集的全部特徵之僅僅一子集經考慮用於分裂各別決策樹中之每一節點。

在一些其他實施例中，預測模型1232係基於用於缺陷預測之多項式回歸模型。依序選擇演算法(諸如依序前向選擇(SFS)或依序後向選擇(SBS)演算法)可用以判定特徵重要性。亦可計算來自每一特徵之貢獻的百分比。舉例而言，SFS演算法自資料之空集開始且每步驟添加一個特徵，該特徵給出對應步驟的目標函數(諸如分類準確度)之最高值。程序經重複直至所需要數目個特徵經添加為止。另一方面，SBS演算法自變數之完整集合開始並在其移除給出目標效能之最低減小時移除一個特徵。在一些實施例中，亦可組合SFS及SBS。在一些實施例中，預測模型1232可包括任何其他合適之機器學習模型，諸如線性回歸模型、邏輯回歸模型、XGBoost模型等。

在一些實施例中，預測模組1204包括經組態以獲得輸入資料1242以用於預測與晶圓相關聯之失效的根本原因的資料獲取器1240。在一些實施例中，輸入資料1242包括自輸入影像(諸如SEM影像)、自如圖1中所展示之電子束工具104、控制器109或系統199提取的影像資料。在一些實施例中，輸入影像可對應於需要缺陷預測的晶圓上之所關注區域，諸如一或多個接觸孔、一或多個線、晶粒，或整個晶圓之區域。在一些實施例中，輸入影像可為在半導體處理期間之不同階段處(諸如在微影中之顯影之後，或在蝕刻之後)獲得的晶圓之SEM影像。影像資料可包括與晶圓上之所關注區域中之特徵或缺陷相關聯的像素值、位置資訊等。

在一些實施例中，輸入資料1242進一步包括與製作、檢測或處理晶圓之其他步驟相關聯的程序資料。舉例而言，程序資料包括製作資料，諸如微影參數、蝕刻參數、檢測條件或其他製造程序。程序資料可進一步包括設計資料或可與缺陷之原因相關的其他因素。

在一些實施例中，預測模組1204包括經組態以使用包括藉由如上文所論述之模型訓練器1220產生的複數個決策樹之模型1232分析輸入資料1242的分析器1230。在一些實施例中，用於輸入資料1242之預測可藉由平均來自全部個別決策樹之對於用於回歸型模型之輸入資料1242的預測，或在分類型模型之情況下藉由自決策樹之結果進行多數議決來進行。

在一些實施例中，在使用經訓練模型1232擬合輸入資料1242之後，分析器1230可產生缺陷預測結果1250。舉例而言，缺陷預測結果1250可包括基於輸入資料1242是否存在一或多個缺陷、何類型缺陷可存在，或缺陷在晶圓上的位置。在一些實施例中，缺陷預測結果1250可用以使對應於缺陷之經預測位置的晶圓上之區域被量測或評估。舉例而言，根據經預測缺陷類型或位置，控制器109及系統199之一或多個組件可控制電子束工具104以掃描對應區域。在一些實施例中，分析器1230亦可產生特徵分級結果1260。舉例而言，可識別對應於可比其他特徵對缺陷形成更有顯著貢獻的經預測重要特徵(例如處理步驟或參數)之決策樹之節點的子集。在一些實施例中，且視覺化分級結果可經進一步輸出以促進根本原因分析。

圖13說明根據本發明之一些實施例的根據特徵分級結果1260之特徵重要性之視覺化的實例。舉例而言，圖13中之條形圖基於藉由預測模組1204分析之分級結果1260使各別特徵重要性視覺化，以便將可在半導體處理期間造成缺陷的相關程序或參數之直接理解提供給該使用者。

圖14為符合本發明之一些實施例的表示用於執行自動根本原因分析之實例方法1400的程序流程圖。在一些實施例中，一或多個步驟由圖12中之系統1200之一或多個組件、圖1中之控制器109或系統199或圖1中之系統100執行。

在步驟1410中，可獲得(例如藉由資料獲取器1240)與晶圓之輸入電子顯微鏡影像(例如SEM影像)相關聯的輸入資料(例如輸入資料1242，圖12)。在一些實施例中，輸入資料包括自與晶圓上之所關注區域中之特徵或缺陷相關聯的輸入影像提取之影像資料，諸如像素值或位置資訊等。在一些實施例中，輸入資料亦包括與製作、檢測或處理晶圓之其他步驟相關聯的複數個程序特徵。舉例而言，程序特徵包括製作資料，諸如微影參數、蝕刻參數、檢測條件或其他製造程序。特徵資料可進一步包括設計資料或可與缺陷之原因相關的其他因素。

在步驟1420中，藉由將複數個預經訓練決策樹模型應用於複數個程序特徵而自複數個程序特徵中識別一組程序特徵。在一些實施例中，模型訓練器1220可使用包括藉由訓練資料獲取器1210獲得的影像資料1207及程序資料1208以及藉由如圖12中所論述之標記資料獲取器1205獲得的標記資料1206之訓練資料訓練複數個預經訓練決策樹模型。在一些實施例中，複數個預經訓練決策樹模型為一隨機森林模型、一XGBoost模型或一決策樹分類模型之部分。在一些實施例中，可在訓練資料之不同子集(例如隨機選擇之程序特徵)上訓練複數個決策樹模型，且可藉由平均複數個決策樹模型從而減少所估計預測功能之方差而建構隨機森林模型(例如模型1232，圖12)。在一些實施例中，在訓練各別決策樹時，不同量度可用於量測隨機選擇特徵用於決策樹之節點的分裂品質。舉例而言，不純度值(諸如基尼不純度)可經計算用於決策樹之每一節點以選擇一特徵作為導致基尼不純度之最大減小的對應節點處之分裂點。在一些實施例中，該複數個預經訓練決策樹模型之特徵的子集經隨機地選擇，預經訓練決策樹模型經去相關，且該組程序特徵係基於平均源於將該複數個預經訓練決策樹模型應用於該複數個程序特徵的結果而識別。

在步驟1430中，可輸出該組程序特徵之分級結果(例如在圖13中之條形圖)。在一些實施例中，分析器1230可輸出特徵分級結果1260，特徵分級結果1260分級對應於基於輸入資料1242使用複數個預經訓練決策樹模型(例如用於隨機森林模型)預測的重要特徵(例如包括處理步驟或參數)之該組程序特徵。

在一些實施例中，分析器1230亦可輸出與經預測形成於與輸入資料1242相關聯之晶圓上的一或多個缺陷之類型或位置相關聯的缺陷預測結果1250。在一些實施例中，對應於輸入資料1242之晶圓的區域之評估係藉由系統100之一或多個組件、控制器109或圖1中之系統199而執行。舉例而言，指令可經產生以使如本文所論述之帶電粒子束檢測系統(例如系統100或電子束工具104)根據缺陷預測結果1250執行晶圓之區域之檢測。在一些實施例中，可對對應於缺陷之預測位置的晶圓之一或多個區域執行檢測。在一些實施例中，亦可根據預測之缺陷類型使用一或多個檢測參數執行檢測。在一些實施例中，檢測影像及對應檢測結果可用於進一步評估或改良模型1232。

可提供一非暫時性電腦可讀媒體，其儲存用於處理器(例如控制器109、系統199、系統300或系統1200之處理器)之指令以進行其中如程序500、600、1100及1400中所論述的各種步驟。非暫時性媒體之常見形式包括例如軟性磁碟、可撓性磁碟、硬碟、固態磁碟機、磁帶或任何其他磁性資料儲存媒體、緊密光碟唯讀記憶體(CD-ROM)、任何其他光學資料儲存媒體、具有孔圖案之任何實體媒體、隨機存取記憶體(RAM)、可程式化唯讀記憶體(PROM)及可抹除可程式化唯讀記憶體(EPROM)、FLASH-EPROM或任何其他快閃記憶體、非揮發性隨機存取記憶體(NVRAM)、快取記憶體、暫存器、任何其他記憶體晶片或卡匣，及其網路化版本。

可使用以下條項進一步描述實施例： 1.     一種分析一第一晶圓上之一第一區域之一輸入電子顯微鏡影像的方法，該方法包含： 自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像； 評估該複數個模式影像； 基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像之貢獻；及 基於該等經判定貢獻來預測該第一晶圓上之該第一區域之一或多個特性。 2.     如條項1之方法，其中該複數個可解譯模式中之一各別可解譯模式與該第一晶圓上之該第一區域之一特性相關聯。 3.     如條項1至2中任一項之方法，其中獲得該複數個模式影像包含： 將該輸入電子顯微鏡影像分解成該複數個模式影像。 4.     如條項1至3中任一項之方法，其中獲得該複數個模式影像包含： 獲得對應於該輸入電子顯微鏡影像之分別與該複數個可解譯模式相關聯之係數。 5.     如條項1至4中任一項之方法，其中該一或多個特性分別對應於一或多個缺陷類別。 6.     如條項1至5中任一項之方法，其中該一或多個缺陷類別包含小臨界尺寸(CD)、沿著某一方向之移位、橢圓度、模糊邊緣、印刷接觸孔，缺失接觸孔或橋聯接觸孔。 7.     如條項1至6中任一項之方法，其中評估該複數個模式影像包含： 將一分類器模型應用於分別與該複數個可解譯模式相關聯的該等係數以獲得包括該等評估結果之輸出。 8.     如條項1至7中任一項之方法，其中該分類器模型為一邏輯回歸、一支援向量機或一神經網路模型。 9.     如條項1至8中任一項之方法，其中評估該複數個模式影像包含： 獲得該等評估結果，其中之每一者指示對應可解譯模式之存在的一可能性。 10.   如條項1至9中任一項之方法，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用一多項式回歸模型估算該分類器模型。 11.   如條項1至10中任一項之方法，其中該多項式回歸模型包括一線性模型。 12.   如條項1至11中任一項之方法，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用該線性模型自一線性估算判定分別與該複數個可解譯模式相關聯的權重。 13.   如條項1至12中任一項之方法，其進一步包含： 產生表示該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻的一視覺化。 14.   如條項1至13中任一項之方法，其進一步包含： 根據該晶圓上之該區域的該一或多個特性來調整一或多個處理參數。 15.   如條項1至14中任一項之方法，其進一步包含： 基於來自該複數個可解譯模式之該等經判定貢獻判定缺陷原因。 16.   如條項1至15中任一項之方法，其進一步包含： 基於(1)複數個晶圓之訓練電子顯微鏡影像及(2)對應於與該等訓練電子顯微鏡影像中之每一者相關聯的複數個可解譯模式之係數的該等訓練電子顯微鏡影像之標記資料訓練該分類器模型。 17.   如條項1至16中任一項之方法，其中該輸入電子顯微鏡影像為在一第一階段之前已在該第一階段處經處理的該第一晶圓上之該第一區域之一掃描電子顯微鏡(SEM)影像，且其中該等訓練電子顯微鏡影像為在該第一階段之後在一第二階段處經處理的該複數個晶圓之SEM影像。 18.   如條項1至17中任一項之方法，其中該等訓練電子顯微鏡影像中之至少一者對應於該複數個晶圓中之一第二晶圓上之一第二區域，該第二區域不同於該第一晶圓上之該第一區域。 19.   如條項1至18中任一項之方法，其進一步包含： 獲得該第一晶圓上之複數個區域之複數個輸入電子顯微鏡影像； 對於一各別輸入電子顯微鏡影像判定表徵該複數個可解譯模式及該複數個可解譯模式對該各別輸入電子顯微鏡影像之相關聯貢獻的一多維向量；及 叢集對應於該第一晶圓之該複數個輸入電子顯微鏡影像的複數個多維向量。 20.   如條項19之方法，其進一步包含： 基於該叢集之結果判定與複數個叢集相關聯之一或多個缺陷。 21.   如條項19至20中任一項之方法，其進一步包含： 基於該叢集之結果判定失效之原因。 22.   如條項21之方法，其中基於該叢集之該等結果判定失效之原因進一步包含： 將對應於向量之一叢集的區域之一群組的位置映射於該第一晶圓上；及 基於該第一晶圓上的區域之該群組的該位置及與該叢集相關聯之該等缺陷判定失效之一原因。 23.   如條項19至22中任一項之方法，其進一步包含： 接收該第一晶圓之一區的一使用者選擇；及 產生在該第一晶圓上之該區中判定的缺陷之一視覺化。 24.   如條項19至23中任一項之方法，其進一步包含： 接收一缺陷類型的一使用者選擇；及 產生經判定具有該缺陷類型的該第一晶圓上之區域的分佈之一視覺化。 25.   如條項19至24中任一項之方法，其進一步包含： 獲得包括一群組中之該第一晶圓之複數個晶圓上的複數個區域之複數個輸入電子顯微鏡影像； 對於一各別輸入電子顯微鏡影像判定表徵該複數個可解譯模式及該複數個可解譯模式對該各別輸入電子顯微鏡影像之相關聯貢獻的一多維向量； 叢集對應於該群組中之該複數個晶圓之該複數個輸入電子顯微鏡影像的複數個多維向量；及 基於該叢集之結果判定失效之原因。 26.   如條項25之方法，其進一步包含： 基於該叢集之該等結果判定與複數個叢集相關聯之一或多個缺陷。 27.   如條項25至26中任一項之方法，其進一步包含： 預測該群組中之一第二晶圓上的一或多個缺陷。 28.   一種用於分析一第一晶圓上之一第一區域之一輸入電子顯微鏡影像的裝置，其包含： 一記憶體，其儲存一指令集；及 至少一個處理器，其經組態以執行該指令集以使該裝置執行以下操作： 自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像； 評估該複數個模式影像； 基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像之貢獻；及 基於該等經判定貢獻來預測該第一晶圓上之該第一區域之一或多個特性。 29.   如條項28之裝置，其中該複數個可解譯模式中之一各別可解譯模式與該第一晶圓上之該第一區域之一特性相關聯。 30.   如條項28至29中任一項之裝置，其中獲得該複數個模式影像包含： 將該輸入電子顯微鏡影像分解成該複數個模式影像。 31.   如條項28至30中任一項之裝置，其中獲得該複數個模式影像包含： 獲得對應於該輸入電子顯微鏡影像之分別與該複數個可解譯模式相關聯之係數。 32.   如條項28至31中任一項之裝置，其中該一或多個特性分別對應於一或多個缺陷類別。 33.   如條項28至32中任一項之裝置，其中該一或多個缺陷類別包含小臨界尺寸(CD)、沿著某一方向之移位、橢圓度、模糊邊緣、印刷接觸孔、缺失接觸孔或橋聯接觸孔。 34.   如條項28至33中任一項之裝置，其中評估該複數個模式影像包含： 將一分類器模型應用於分別與該複數個可解譯模式相關聯的該等係數以獲得包括該等評估結果之輸出。 35.   如條項28至34中任一項之裝置，其中該分類器模型為一邏輯回歸、一支援向量機或一神經網路模型。 36.   如條項28至35中任一項之裝置，其中評估該複數個模式影像包含： 獲得該等評估結果，其中之每一者指示對應可解譯模式之存在的一可能性。 37.   如條項28至36中任一項之裝置，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用一多項式回歸模型估算該分類器模型。 38.   如條項28至37中任一項之裝置，其中該多項式回歸模型包括一線性模型。 39.   如條項28至38中任一項之裝置，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用該線性模型自一線性估算判定分別與該複數個可解譯模式相關聯的權重。 40.   如條項28至39中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 產生表示該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻的一視覺化。 41.   如條項28至40中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 根據該晶圓上之該區域的該一或多個特性來調整一或多個處理參數。 42. 如條項28至41中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 基於來自該複數個可解譯模式之該等經判定貢獻判定缺陷原因。 43.   如條項28至42中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 基於(1)複數個晶圓之訓練電子顯微鏡影像及(2)對應於與該等訓練電子顯微鏡影像中之每一者相關聯的複數個可解譯模式之係數的該等訓練電子顯微鏡影像之標記資料訓練該分類器模型。 44.   如條項28至43中任一項之裝置，其中該輸入電子顯微鏡影像為在一第一階段之前已在該第一階段處經處理的該第一晶圓上之該第一區域之一掃描電子顯微鏡(SEM)影像，且其中該等訓練電子顯微鏡影像為在該第一階段之後在一第二階段處經處理的該複數個晶圓之SEM影像。 45.   如條項28至44中任一項之裝置，其中該等訓練電子顯微鏡影像中之至少一者對應於該複數個晶圓中之一第二晶圓上之一第二區域，該第二區域不同於該第一晶圓上之該第一區域。 46.   如條項28至45中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 獲得該第一晶圓上之複數個區域之複數個輸入電子顯微鏡影像； 對於一各別輸入電子顯微鏡影像判定表徵該複數個可解譯模式及該複數個可解譯模式對該各別輸入電子顯微鏡影像之相關聯貢獻的一多維向量；及 叢集對應於該第一晶圓之該複數個輸入電子顯微鏡影像的複數個多維向量。 47.   如條項46之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 基於該叢集之結果判定與複數個叢集相關聯之一或多個缺陷。 48.   如條項46至47中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 基於該叢集之結果判定失效之原因。 49.   如條項48之裝置，其中基於該叢集之該等結果判定失效之原因進一步包含： 將對應於向量之一叢集的區域之一群組的位置映射於該第一晶圓上；及 基於該第一晶圓上的區域之該群組的該位置及與該叢集相關聯之該等缺陷判定失效之一原因。 50.   如條項46至49中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 接收該第一晶圓之一區的一使用者選擇；及 產生在該第一晶圓上之該區中判定的缺陷之一視覺化。 51.   如條項46至50中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 接收一缺陷類型的一使用者選擇；及 產生經判定具有該缺陷類型的該第一晶圓上之區域的分佈之一視覺化。 52.   如條項46至51中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 獲得包括一群組中之該第一晶圓之複數個晶圓上的複數個區域之複數個輸入電子顯微鏡影像； 對於一各別輸入電子顯微鏡影像判定表徵該複數個可解譯模式及該複數個可解譯模式對該各別輸入電子顯微鏡影像之相關聯貢獻的一多維向量； 叢集對應於該群組中之該複數個晶圓之該複數個輸入電子顯微鏡影像的複數個多維向量；及 基於該叢集之結果判定失效之原因。 53.   如條項52之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 基於該叢集之該等結果判定與複數個叢集相關聯之一或多個缺陷。 54.   如條項52至53中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 預測該群組中之一第二晶圓上的一或多個缺陷。 55.   一種儲存一指令集之非暫時性電腦可讀媒體，該指令集可由一運算器件之至少一個處理器執行以使該運算器件執行分析一第一晶圓上之一第一區域之一輸入電子顯微鏡影像的一方法，該方法包含： 自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像； 評估該複數個模式影像； 基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像之貢獻；及 基於該等經判定貢獻來預測該第一晶圓上之該第一區域之一或多個特性。 56.   如條項55之非暫時性電腦可讀媒體，其中該複數個可解譯模式中之一各別可解譯模式與該第一晶圓上之該第一區域之一特性相關聯。 57.   如條項55至56中任一項之非暫時性電腦可讀媒體，其中獲得該複數個模式影像包含： 將該輸入電子顯微鏡影像分解成該複數個模式影像。 58.   如條項55至57中任一項之非暫時性電腦可讀媒體，其中獲得該複數個模式影像包含： 獲得對應於該輸入電子顯微鏡影像之分別與該複數個可解譯模式相關聯之係數。 59.   如條項55至58中任一項之非暫時性電腦可讀媒體，其中該一或多個特性分別對應於一或多個缺陷類別。 60.   如條項55至59中任一項之非暫時性電腦可讀媒體，其中該一或多個缺陷類別包含小臨界尺寸(CD)、沿著某一方向之移位、橢圓度、模糊邊緣、印刷接觸孔、缺失接觸孔或橋聯接觸孔。 61.   如條項55至60中任一項之非暫時性電腦可讀媒體，其中評估該複數個模式影像包含： 將一分類器模型應用於分別與該複數個可解譯模式相關聯的該等係數以獲得包括該等評估結果之輸出。 62.   如條項55至61中任一項之非暫時性電腦可讀媒體，其中該分類器模型為一邏輯回歸、一支援向量機或一神經網路模型。 63.   如條項55至62中任一項之非暫時性電腦可讀媒體，其中評估該複數個模式影像包含： 獲得該等評估結果，其中之每一者指示對應可解譯模式之存在的一可能性。 64.   如條項55至63中任一項之非暫時性電腦可讀媒體，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用一多項式回歸模型估算該分類器模型。 65.   如條項55至64中任一項之非暫時性電腦可讀媒體，其中該多項式回歸模型包括一線性模型。 66.   如條項55至65中任一項之非暫時性電腦可讀媒體，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用該線性模型自一線性估算判定分別與該複數個可解譯模式相關聯的權重。 67.   如條項55至66中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 產生表示該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻的一視覺化。 68.   如條項55至67中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 根據該晶圓上之該區域的該一或多個特性來調整一或多個處理參數。 69.   如條項55至68中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 基於來自該複數個可解譯模式之該等經判定貢獻判定缺陷原因。 70.   如條項55至69中任一項之非暫時性電腦可讀媒體，其中可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作的該指令集其進一步包含： 基於(1)複數個晶圓之訓練電子顯微鏡影像及(2)對應於與該等訓練電子顯微鏡影像中之每一者相關聯的複數個可解譯模式之係數的該等訓練電子顯微鏡影像之標記資料訓練該分類器模型。 71.   如條項55至70中任一項之非暫時性電腦可讀媒體，其中該輸入電子顯微鏡影像為在一第一階段之前已在該第一階段處經處理的該第一晶圓上之該第一區域之一掃描電子顯微鏡(SEM)影像，且其中該等訓練電子顯微鏡影像為在該第一階段之後在一第二階段處經處理的該複數個晶圓之SEM影像。 72.   如條項55至71中任一項之非暫時性電腦可讀媒體，其中該等訓練電子顯微鏡影像中之至少一者對應於該複數個晶圓中之一第二晶圓上的一第二區域，該第二區域不同於該第一晶圓上之該第一區域。 73.   如條項55至72中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 獲得該第一晶圓上之複數個區域之複數個輸入電子顯微鏡影像； 對於一各別輸入電子顯微鏡影像判定表徵該複數個可解譯模式及該複數個可解譯模式對該各別輸入電子顯微鏡影像之相關聯貢獻的一多維向量；及 叢集對應於該第一晶圓之該複數個輸入電子顯微鏡影像的複數個多維向量。 74.   如條項73之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使得該運算器件進一步執行以下操作： 基於該叢集之結果判定與複數個叢集相關聯之一或多個缺陷。 75.   如條項73至74中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 基於該叢集之結果判定失效之原因。 76.   如條項75之非暫時性電腦可讀媒體，其中基於該叢集之該等結果判定失效之原因進一步包含： 將對應於向量之一叢集的區域之一群組的位置映射於該第一晶圓上；及 基於該第一晶圓上的區域之該群組的該位置及與該叢集相關聯之該等缺陷判定失效之一原因。 77.   如條項73至76中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 接收該第一晶圓之一區的一使用者選擇；及 產生在該第一晶圓上之該區中判定的缺陷之一視覺化。 78.   如條項73至77中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 接收一缺陷類型的一使用者選擇；及 產生經判定具有該缺陷類型的該第一晶圓上之區域的分佈之一視覺化。 79.   如條項73至78中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 獲得包括一群組中之該第一晶圓之複數個晶圓上的複數個區域之複數個輸入電子顯微鏡影像； 對於一各別輸入電子顯微鏡影像判定表徵該複數個可解譯模式及該複數個可解譯模式對該各別輸入電子顯微鏡影像之相關聯貢獻的一多維向量； 叢集對應於該群組中之該複數個晶圓之該複數個輸入電子顯微鏡影像的複數個多維向量；及 基於該叢集之結果判定失效之原因。 80.   如條項79之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使得該運算器件進一步執行以下操作： 基於該叢集之該等結果判定與複數個叢集相關聯之一或多個缺陷。 81.   如條項79至80中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 預測該群組中之一第二晶圓上的一或多個缺陷。 82.   一種訓練用於分類電子顯微鏡影像之一分類器模型的方法，該方法包含： 獲得複數個晶圓之訓練電子顯微鏡影像； 獲得該等訓練電子顯微鏡影像之標記資料，其指示與該等訓練電子顯微鏡影像中之每一者相關聯的複數個可解譯模式；及 基於該等訓練電子顯微鏡影像及該標記資料訓練該分類器模型。 83.   如條項82之方法，其中該複數個可解譯模式分別對應於複數個缺陷類別。 84.   如條項82至83中任一項之方法，其中該分類器模型為一邏輯回歸、一支援向量機或一神經網路模型。 85.   如條項82至84中任一項之方法，其中該等訓練電子顯微鏡影像為該複數個晶圓之掃描電子顯微鏡(SEM)影像。 86.   如條項82至85中任一項之方法，其中該標記資料係藉由包括主成份分析(PCA)或單一值分解(SVD)之一自動程式而獲得。 87.   一種訓練用於分類電子顯微鏡影像之一分類器模型的裝置，該裝置包含： 一記憶體，其儲存一指令集；及 至少一個處理器，其經組態以執行該指令集以使該裝置執行以下操作： 獲得複數個晶圓之訓練電子顯微鏡影像； 獲得該等訓練電子顯微鏡影像之標記資料，其指示與該等訓練電子顯微鏡影像中之每一者相關聯的複數個可解譯模式；及 基於該等訓練電子顯微鏡影像及該標記資料訓練該分類器模型。 88.   如條項87之裝置，其中該複數個可解譯模式分別對應於複數個缺陷類別。 89.   如條項87至88中任一項之裝置，其中該分類器模型為一邏輯回歸、一支援向量機或一神經網路模型。 90.   如條項87至89中任一項之裝置，其中該等訓練電子顯微鏡影像為該複數個晶圓之掃描電子顯微鏡(SEM)影像。 91.   如條項87至90中任一項之裝置，其中該標記資料係藉由包括主成份分析(PCA)或單一值分解(SVD)之一自動程式而獲得。 92.   一種儲存一指令集之非暫時性電腦可讀媒體，該指令集可由一運算器件之至少一個處理器執行以使該運算器件執行訓練用於分類電子顯微鏡影像之一分類器模型的一方法，該方法包含： 獲得複數個晶圓之訓練電子顯微鏡影像； 獲得該等訓練電子顯微鏡影像之標記資料，其指示與該等訓練電子顯微鏡影像中之每一者相關聯的複數個可解譯模式；及 基於該等訓練電子顯微鏡影像及該標記資料訓練該分類器模型。 93.   如條項92之非暫時性電腦可讀媒體，其中該複數個可解譯模式分別對應於複數個缺陷類別。 94.   如條項92至93中任一項之非暫時性電腦可讀媒體，其中該分類器模型為一邏輯回歸、一支援向量機或一神經網路模型。 95.   如條項92至94中任一項之非暫時性電腦可讀媒體，其中該等訓練電子顯微鏡影像為該複數個晶圓之掃描電子顯微鏡(SEM)影像。 96.   如條項92至95中任一項之非暫時性電腦可讀媒體，其中該標記資料係藉由包括主成份分析(PCA)或單一值分解(SVD)之一自動程式而獲得。 97.   一種用於基於一晶圓之一輸入電子顯微鏡影像之一自動根本原因分析之方法，該方法包含： 獲得與該輸入電子顯微鏡影像相關聯之輸入資料，該輸入資料包括該晶圓之複數個程序特徵； 藉由將複數個預經訓練決策樹模型應用於該複數個程序特徵自該複數個程序特徵中識別一組程序特徵；及 輸出該組程序特徵之一分級結果。 98.   如條項97之方法，其中該複數個程序特徵包括與處理該晶圓相關聯之微影參數、蝕刻參數或檢測參數。 99.   如條項97至98中任一項之方法，其進一步包含： 基於複數個晶圓之複數個電子顯微鏡影像的影像資料、與處理該複數個晶圓相關聯之程序資料及指示與該等電子顯微鏡影像中之每一者相關聯之缺陷資訊的標記資料訓練該複數個決策樹模型。 100. 如條項97至99中任一項之方法，其中該複數個預經訓練決策樹模型為一隨機森林模型、一XGBoost模型或一決策樹分類模型之部分。 101. 如條項97至100中任一項之方法，其中該複數個預經訓練決策樹模型經去相關，且該組程序特徵係基於平均源於將該複數個預經訓練決策樹模型應用於該複數個程序特徵的結果而識別。 102. 如條項97至101中任一項之方法，其進一步包含輸出與待形成於該晶圓上的一或多個缺陷之類型或位置相關聯之一缺陷預測結果。 103. 如條項97至102中任一項之方法，其進一步包含使一檢測系統檢測對應於該輸出之缺陷預測結果的該晶圓上之一區域。 104. 一種用於基於一晶圓之一輸入電子顯微鏡影像之一自動根本原因分析之裝置，其包含： 一記憶體，其儲存一指令集；及 至少一個處理器，其經組態以執行該指令集以使該裝置執行以下操作： 獲得與該輸入電子顯微鏡影像相關聯之輸入資料，該輸入資料包括該晶圓之複數個程序特徵； 藉由將複數個預經訓練決策樹模型應用於該複數個程序特徵自該複數個程序特徵中識別一組程序特徵；及 輸出該組程序特徵之一分級結果。 105. 如條項104之裝置，其中該複數個程序特徵包括與處理該晶圓相關聯之微影參數、蝕刻參數或檢測參數。 106. 如條項104至105中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 基於複數個晶圓之複數個電子顯微鏡影像的影像資料、與處理該複數個晶圓相關聯之程序資料及指示與該等電子顯微鏡影像中之每一者相關聯之缺陷資訊的標記資料訓練該複數個決策樹模型。 107. 如條項104至106中任一項之裝置，其中該複數個預經訓練決策樹模型為一隨機森林模型、一XGBoost模型或一決策樹分類模型之部分。 108. 如條項104至107中任一項之裝置，其中該複數個預經訓練決策樹模型經去相關，且該組程序特徵係基於平均源於將該複數個預經訓練決策樹模型應用於該複數個程序特徵的結果而識別。 109. 如條項104至108中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 輸出與待形成於該晶圓上之一或多個缺陷的類型或位置相關聯之一缺陷預測結果。 110.  如條項104至109中任一項之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 使一檢測系統檢測對應於該輸出之缺陷預測結果的該晶圓上之一區域。 111.  一種儲存一指令集之非暫時性電腦可讀媒體，該指令集可由一運算器件之至少一個處理器執行以使該運算器件執行用於基於一晶圓之一輸入電子顯微鏡影像的一自動根本原因分析之一方法，該方法包含： 獲得與該輸入電子顯微鏡影像相關聯之輸入資料，該輸入資料包括該晶圓之複數個程序特徵； 藉由將複數個預經訓練決策樹模型應用於該複數個程序特徵自該複數個程序特徵中識別一組程序特徵；及 輸出該組程序特徵之一分級結果。 112.  如條項111之非暫時性電腦可讀媒體，其中該複數個程序特徵包括與處理該晶圓相關聯之微影參數、蝕刻參數或檢測參數。 113.  如條項111至112中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 基於複數個晶圓之複數個電子顯微鏡影像的影像資料、與處理該複數個晶圓相關聯之程序資料及指示與該等電子顯微鏡影像中之每一者相關聯之缺陷資訊的標記資料訓練該複數個決策樹模型。 114.  如條項111至113中任一項之非暫時性電腦可讀媒體，其中該複數個預經訓練決策樹模型為一隨機森林模型、一XGBoost模型或一決策樹分類模型之部分。 115.  如條項111至114中任一項之非暫時性電腦可讀媒體，其中該複數個預經訓練決策樹模型經去相關，且該組程序特徵係基於平均源於將該複數個預經訓練決策樹模型應用於該複數個程序特徵的結果而識別。 116.  如條項111至115中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 輸出與待形成於該晶圓上之一或多個缺陷的類型或位置相關聯之一缺陷預測結果。 117.  如條項111至116中任一項之非暫時性電腦可讀媒體，其中該指令集可由該運算器件之至少一個處理器執行以使該運算器件進一步執行以下操作： 使一檢測系統檢測對應於該輸出之缺陷預測結果的該晶圓上之一區域。

應瞭解，本發明之實施例不限於已在上文所描述及在隨附圖式中所說明之確切構造，且可在不脫離本發明之範疇的情況下作出各種修改及改變。本發明已結合各種實施例進行了描述，藉由考慮本文中所揭示之本發明之規格及實踐，本發明之其他實施例對於熟習此項技術者將為顯而易見的。意欲本說明書及實例僅視為例示性的，其中本發明之真正範疇及精神藉由以下申請專利範圍指示。

上方描述意欲為說明性，而非限制性的。因此，對於熟習此項技術者將顯而易見，可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。

100:電子束檢測(EBI)系統 101:主腔室 102:裝載/鎖腔室 104:電子束工具/裝置 106:裝備前端模組(EFEM) 106a:第一裝載埠 106b:第二裝載埠 109:控制器 191:處理器 192:記憶體 199:分析及預測系統 201:電子源 204:主光學軸 207:樣本固持器 208:晶圓 209:機動載物台 210:聚光透鏡 211:初級小射束 212:初級小射束 213:初級小射束 220:源轉換單元 221:探測光點 222:探測光點 223:探測光點 230:初級投影系統 231:物鏡 232:偏轉掃描單元 233:射束分離器 240:電子偵測器件 241:偵測元件 242:偵測元件 243:偵測元件 250:次級投影系統 251:副光學軸 261:次級電子束 262:次級電子束 263:次級電子束 271:庫侖孔徑板/槍孔徑板 300:晶圓分析系統 302:培訓模組 304:分析模組 305:標記資料獲取器 310:訓練影像獲取器 320:模型訓練器 330:影像分析器 332:分類器模型 334:回歸模型 340:影像獲取器 350:結果 500:方法 510:步驟 520:步驟 530:步驟 600:程序 610:輸入SEM影像 620:模式影像 630:分類器模型 640:評估結果 650:線性模型 700:圖式 1100:方法 1110:步驟 1120:步驟 1130:步驟 1140:步驟 1150:叢集圖 1160:映射圖 1170:方法 1172:步驟 1174:步驟 1176:步驟 1178:步驟 1200:系統 1202:培訓模組 1204:預測模組 1205:標記資料獲取器 1207:影像資料 1208:程序資料 1210:訓練資料獲取器 1220:模型訓練器 1230:分析器 1232:模型 1240:資料獲取器 1242:輸入資料 1250:缺陷預測結果 1260:特徵分級結果 1400:方法 1410:步驟 1420:步驟 1430:步驟 2D:二維 P:點 PC1:可解譯模式 PC2:可解譯模式

圖1為說明符合本發明之一些實施例的實例電子束檢測(EBI)系統之示意圖。

圖2為說明符合本發明之一些實施例的可為圖1之電子束檢測系統之一部分的實例電子束工具之示意圖。

圖3為符合本發明之一些實施例的與晶圓分析及缺陷預測相關聯的實例晶圓分析系統之方塊圖。

圖4A為根據本發明之一些實施例的藉由訓練影像獲取器獲得的一組訓練影像之實例。

圖4B為根據本發明之一些實施例的使用自動方法處理的對應於圖4A之該組訓練影像之一組標記影像之實例。

圖5為表示符合本發明之一些實施例的用於訓練分類器模型之實例方法的程序流程圖。

圖6說明符合本發明之一些實施例的表示用於預測晶圓上缺陷之類別的實例程序之流程圖解。

圖7說明符合本發明之一些實施例的視覺化應用於分解成兩個可解譯模式之複數個掃描電子顯微鏡(SEM)影像的非線性分類器模型及線性化模型的圖式。

圖8說明根據本發明之一些實施例的藉由對輸入SEM影像執行程序獲得的視覺化預測結果之實例。

圖9A至圖9E進一步說明根據本發明之一些實施例的藉由對各種輸入SEM影像執行如圖6中所論述之程序獲得的視覺化預測結果(例如，如條形圖形式)之實例。

圖10說明根據本發明之一些實施例的使用邏輯分類器模型獲得的視覺化預測結果之實例。

圖11A為符合本發明之一些實施例的表示用於基於輸入SEM影像預測失效模式之實例方法的程序流程圖。

圖11B說明符合本發明之一些實施例的基於複數個SEM影像之可解譯模式視覺化叢集及將叢集結果映射於晶圓上的圖式。

圖11C為符合本發明之一些實施例的表示用於基於晶圓上之複數個區域的輸入SEM影像分析失效模式之實例方法的程序流程圖。

圖12為符合本發明之一些實施例的經組態以基於自預測模型獲得之特徵分級結果執行根本原因分析的實例系統之方塊圖。

圖13說明根據本發明之一些實施例的根據特徵分級結果之特徵重要性之視覺化的實例。

圖14為符合本發明之一些實施例的表示用於執行自動根本原因分析之實例方法的程序流程圖。

1150:叢集圖

1160:映射圖

Claims (15)

1. 一種用於分析一第一晶圓上之一第一區域之一輸入電子顯微鏡影像的裝置，其包含： 一記憶體，其儲存一指令集；及 至少一個處理器，其經組態以執行該指令集以使該裝置執行以下操作： 自該輸入電子顯微鏡影像獲得對應於複數個可解譯模式之複數個模式影像； 評估該複數個模式影像； 基於評估結果判定該複數個可解譯模式對該輸入電子顯微鏡影像之貢獻；及 基於該等經判定貢獻來預測該第一晶圓上之該第一區域之一或多個特性。
2. 如請求項1之裝置，其中該複數個可解譯模式中之一各別可解譯模式與該第一晶圓上之該第一區域之一特性相關聯。
3. 如請求項1之裝置，其中獲得該複數個模式影像包含： 將該輸入電子顯微鏡影像分解成該複數個模式影像。
4. 如請求項1之裝置，其中獲得該複數個模式影像包含： 獲得對應於該輸入電子顯微鏡影像之分別與該複數個可解譯模式相關聯之係數。
5. 如請求項1之裝置，其中該一或多個特性分別對應於一或多個缺陷類別。
6. 如請求項1之裝置，其中該一或多個缺陷類別包含小臨界尺寸(CD)、沿著某一方向之移位、橢圓度、模糊邊緣、印刷接觸孔、缺失接觸孔或橋聯接觸孔。
7. 如請求項1之裝置，其中評估該複數個模式影像包含： 將一分類器模型應用於分別與該複數個可解譯模式相關聯的該等係數以獲得包括該等評估結果之輸出。
8. 如請求項7之裝置，其中該分類器模型為一邏輯回歸、一支援向量機或一神經網路模型。
9. 如請求項1之裝置，其中評估該複數個模式影像包含： 獲得該等評估結果，其中之每一者指示對應可解譯模式之存在的一可能性。
10. 如請求項1之裝置，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用一多項式回歸模型估算該分類器模型。
11. 如請求項10之裝置，其中該多項式回歸模型包括一線性模型。
12. 如請求項1之裝置，其中判定該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻包含： 使用該線性模型自一線性估算判定分別與該複數個可解譯模式相關聯的權重。
13. 如請求項1之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 產生表示該複數個可解譯模式對該輸入電子顯微鏡影像之該等貢獻的一視覺化。
14. 如請求項1之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 根據該晶圓上之該區域的該一或多個特性來調整一或多個處理參數。
15. 如請求項1之裝置，其中該至少一個處理器經組態以執行該指令集以使該裝置進一步執行以下操作： 基於來自該複數個可解譯模式之該等經判定貢獻判定缺陷原因。

Images