TW202407840A - 面陣攝影機基材預對準器 - Google Patents
面陣攝影機基材預對準器 Download PDFInfo
- Publication number
- TW202407840A TW202407840A TW112112300A TW112112300A TW202407840A TW 202407840 A TW202407840 A TW 202407840A TW 112112300 A TW112112300 A TW 112112300A TW 112112300 A TW112112300 A TW 112112300A TW 202407840 A TW202407840 A TW 202407840A
- Authority
- TW
- Taiwan
- Prior art keywords
- substrate
- image
- direction offset
- fiducial
- holder
- Prior art date
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 493
- 238000000034 method Methods 0.000 claims abstract description 74
- 239000000463 material Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 30
- 238000005452 bending Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 14
- 238000012015 optical character recognition Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 description 43
- 238000013519 translation Methods 0.000 description 34
- 238000012937 correction Methods 0.000 description 27
- 235000012431 wafers Nutrition 0.000 description 16
- 238000012549 training Methods 0.000 description 13
- 230000009466 transformation Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 239000001993 wax Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 4
- 239000004568 cement Substances 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 239000012636 effector Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052594 sapphire Inorganic materials 0.000 description 3
- 239000010980 sapphire Substances 0.000 description 3
- 241000226585 Antennaria plantaginifolia Species 0.000 description 2
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 239000007767 bonding agent Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/68—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for positioning, orientation or alignment
- H01L21/681—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for positioning, orientation or alignment using optical controlling means
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67259—Position monitoring, e.g. misposition detection or presence detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- Liquid Crystal (AREA)
Abstract
各種實例包括一基材預對準器系統,其可藉由偵測基材上之基準來對準基材、判定基材中的彎曲量、且判定基材之其他特性。在一個實例中,藉由在基材之0度定向及單一180度旋轉之後兩者的成像,所揭示標的之預對準器可判定例如基準的位置及基材中之彎曲。在其他實施例中,使用多個攝影機以實質上同時擷取基材之若干影像,且判定例如基準的位置及基材中之彎曲。相較於0度至180度實施例,多個攝影機實施例亦可允許更高的基材處理量。亦揭示其他系統及方法。
Description
所揭示之標的大致上係關於使用在半導體及關聯產業(例如,平板顯示器及太陽能電池生產設施)中之基材檢驗及度量工具的領域。更具體而言,在各種實施例中,所揭示之標的係關於一基材預對準器,其可例如對準基材、判定基材中的彎曲量,以及作出基材之其他特性的判定。在各種實施例中,所揭示之標的可對準接合晶圓(例如,接合於透明藍寶石晶圓上的砷化鎵(GaAs)晶圓)。
[相關申請案之交互參照]
本申請案主張2022年6月14日申請之美國專利申請案序號第17/840,154號且標題為「面陣攝影機基材預對準器(AREA CAMERA SUBSTRATE PRE-ALIGNER)」之優先權,該申請案主張2022年3月31日申請之美國臨時專利申請案序號第63/325,924號且標題為「面陣攝影機基材預對準器(AREA CAMERA SUBSTRATE PRE-ALIGNER)」之優先權,其之各者以全文引用方式併入本文中。
各種類型之基材(諸如半導體晶圓)一般在製造設施(例如,諸如積體電路製造設施)內係置放於各種類型之用於加工的生產工具、及用於測量的計量工具中。使用機器人將基材置放於該工具內的基材台上,以使基材準備好以用於在加工腔室內加工、或在計量工具內測量。一般而言,基材具有經蝕刻或以其他方式形成至基材之邊緣中的一或多個基準指示器(例如,在基材之邊緣上的凹口(notch)或平邊(flat)部分)。該基準指示器經配置於沿著基材的一獨特定向上,以指示基材之特性,諸如沿著基材之結晶定向(例如,凹口可配置在{110}定向的± 1°內)的對準。因此,對於可能依賴於已知結晶定向之各種類型的加工操作,所欲的是參照加工腔室將基準標記對準於一特定定向上。亦可存在針對計量工具關於基材之對準的類似考量。
此文件除了其他者以外描述一基材預對準器,其可例如使用一基準對準基材、判定基材中的彎曲量,以及作出基材之其他特性的判定。
在各種實施例中,所揭示之標的係一種設備,其用以偵測位於一基材上的一基準,並將位於該基材上的該基準預對準至一基材固持器上的一預定位置。該設備包括至少一個攝影機,其在該基材位於該基材固持器上時待定位於該基材上方。該至少一個攝影機經組態以擷取該基材之至少一頂部表面的複數個影像,其中該複數個影像中之至少兩者顯示該基材之至少部分獨特視圖。一基於硬體的處理器經組態以基於經擷取之該複數個影像判定該基材之一邊緣的一位置。該基於硬體的處理器進一步經組態以判定該基材橫跨該頂部表面的一特性尺寸、判定該基材上之該基準的一位置、計算該基材從該基材固持器上之該預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移、且基於經擷取之該複數個影像判定該基準的一位置。
在各種實施例中,所揭示之標的係一種用於將位於一基材上的一基準預對準至一基材固持器上的一預定位置的方法。該方法包括擷取該基材之至少一頂部表面的至少一個第一影像、及擷取該基材之至少該頂部表面的至少一個第二影像,其中該至少一個第一影像及該至少一個第二影像顯示該基材之至少部分獨特視圖。該至少一個第一影像及該至少一個第二影像經處理以判定該基準的一位置,其中該處理進一步包括計算該基材從該基材固持器上之該預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移。
在各種實施例中,所揭示之標的係一種電腦可讀取媒體,其含有指令,該等指令在由一機器執行時使該機器執行包括以下之操作:接收該基材之至少一頂部表面的至少一個第一影像、及接收該基材之至少該頂部表面的至少一個第二影像。該至少一個第一影像及該至少一個第二影像顯示該基材之至少部分獨特視圖。該至少一個第一影像及該至少一個第二影像經處理以判定該基材上之該基準的一位置。該處理進一步包括計算該基材從該基材固持器上之該預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移,且基於該至少一個第一影像及該至少一個第二影像而判定該基準的一位置。
在各種實施例中,所揭示之標的係一種用於將位於一基材上的一基準預對準至一基材固持器上的一預定位置的方法。該方法包括在將該基材置放於該基材固持器上之後藉由複數個攝影機之各者擷取該基材之至少一獨特影像;處理經擷取之該等影像之各者;從經處理之該等影像判定該基材之至少一個邊緣;從經處理之該等影像判定該基材上之該基準的一位置;及從經處理之該等影像計算該基材從該基材固持器上之一預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移。
所揭示之標的係關於一種基材預對準器,其可對準基材,以及判定基材中的彎曲量。在各種實施例中,所揭示之標的亦可對準接合晶圓(例如,接合於透明藍寶石晶圓上的GaAs晶圓)。習知預對準器一般無法執行此等功能。例如,在接合晶圓之情況下,由於通常用蠟來接合晶圓,習知的預對準器一般無法區分基準(諸如GaAs晶圓上的凹口),因為蠟可能深入至凹口中。此外,藉由在基材之0度及單一180度旋轉兩者成像,所揭示之標的之預對準器可判定及量化基材中的彎曲量(若存在)。
在一個實例中,所揭示之標的可使用彩色面陣攝影機(color area camera)。在實施例中,預對準器可經組態而具有高架於基材之面而配置的觀測到整個基材的單一攝影機。在實施例中,預對準器可經組態而具有觀測基材之相對部分的兩個攝影機、或觀測基材之四個象限的四個攝影機。在另一實例中,四個攝影機之兩者可置放於基材上方,且剩餘兩個攝影機可置放於基材下方。如下文參照圖5更詳細論述,藉由一或多個攝影機所擷取的影像接著可藉由機器學習架構進行處理,以偵測基材上的基準標記。機器學習架構亦可用以判定基材之其他特徵或特性,諸如基材是否彎曲或翹曲。
如本文所揭示,機器學習架構(諸如卷積類神經網路(CNN或卷積網路(convnet)))可用以處理影像資料。處理影像資料包括例如尋找所擷取影像內之空間關係以判定之基材之特徵或特性,如本文所揭示。下文更詳細地描述可與所揭示之標的一起使用的機器學習架構之大致實例。
使用所收集之影像作為至機器學習架構的輸入,機器學習架構生產至少一個輸出,其指示:例如,基準之位置、基材在基材台上錯位的量(例如,在x方向、y方向、z方向、及θ方向上的錯位)、及基材中的彎曲或翹曲量。
在實施例中,藉由一或多個攝影機擷取之基材之影像或多個影像在機器學習架構中處理,以判定基材之特徵或特性(例如,以區分所成像基材與蠟及載體基材(若存在)以判定一對多個基準之位置,以偵測及量化基材中的彎曲量(若存在),且偵測基材的校正座標(若需要)。
例如,現參照圖1A,顯示可與所揭示之標的之各種實施例使用的一接合基材100。圖1A經顯示包括一基材101、一載體基材105、及一接合劑107。接合劑107用以將基材101接合至載體基材105。基材101亦經顯示包括一基準凹口103之實例。如本文所論述,基準凹口103可用以指示例如沿著基材101之結晶定向的一定向。
基材101可包含例如各種類型之基材,諸如包含元素半導體(例如,矽或鍺)之晶圓、包含化合物半導體(例如,砷化鎵(GaAs)或氮化鎵(GaN))之晶圓、或所屬技術領域中已知之各種其他基材類型(包括導電基材、半導電基材、及非導電基材)。因此,基材101可包含例如400 mm、300 mm、200 mm、150 mm、125 mm、及100 mm圓形基材(例如,晶圓)之任一或多者,包括(例如,在可見光波長下)不透明基材、透明基材、及接合基材。所列出之基材類型之各者可包括凹口,及單一平邊基準、或單一平邊及二次平邊基準。在實施例中,包含載體基材105之材料可包含與構成基材101之材料不同的材料。在其他實施例中,載體基材105可包含與基材101相同的材料。在實施例中,載體基材105之大小可相同或類似於基材101之大小。在其他實施例中,載體基材105之大小可不同於基材101之大小。在實施例中,載體基材105之形狀可類似於或不同於基材101之形狀。
接合劑107可包含各種類型的蠟以將基材101黏附至載體基材105。然而,由於蠟通常用以將各種類型之基材101、105彼此接合,蠟可深入至基準凹口103中,如由接合基材100之一部分110所突顯並在下文關於圖1B進行論述。
部分110在圖1B中經顯示為圖1A之接合基材100的截面部分。如圖1B所示,接合劑107至少部分地填充基材101之基準凹口103。接合劑亦可隱蔽基材101及/或載體基材105之一或多個邊緣。目前可用的預對準器(pre-aligner)無法區分接合劑107與凹口或其他基準、或基材101及/或載體基材105之邊緣。因此,習知預對準器一般無法將基準凹口103至少對準於接合基材100經引入至其中的加工系統或計量系統。然而,所屬技術領域中具有通常知識者理解許多例如基材加工系統需要基材101在被置放於加工系統內之前處於一預定義定向。
圖2A顯示根據所揭示之標的之各種實施例的可用以預對準基材的一單一攝影機預對準器系統200的實例。單一攝影機預對準器系統200亦可用以判定及量化諸如基材中之彎曲(bow)及翹曲(若存在)的特性,以及基材之其他特性。單一攝影機預對準器系統200可操作為獨立的預對準器系統、可嵌入至加工及計量工具中的預對準器系統、或操作為可嵌入至機器人基材搬運系統(robotic substrate-handling system)中的預對準器系統。
單一攝影機系統200經顯示包括一高架攝影機201,其具有實質上覆蓋置放於一平移台205上之一基材203(例如,圖1A之接合基材100、或任何接合基材或未接合基材)的最上區域的視場207。在各種實施例中,平移台205經組態以在例如x方向、y方向、z方向、及θ方向(如由圍繞平移台205之箭頭所指示旋轉基材203)上移動基材203。在各種實施例中,平移台205經組態以僅在θ方向上移動基材203。平移台205可使用例如無刷DC馬達啟動(旋轉)。可將一旋轉編碼器添加至平移台205以將基材203從一給定起始點旋轉至一已知定位(例如,180°)。在一具體例示性實施例中,旋轉編碼器可具有每轉25,000個計數的解析度。然而,可取決於所欲之旋轉準確度的給定應用及位準而選擇更大或更小的解析度值。
在各種實施例中,單一攝影機預對準器系統200之平移台205可包括所屬技術領域中已知之數個各種類型之基材固持機構。
例如,在各種實施例中,平移台205可包括基材頂針升降器(substrate pin-lifter)以固持基材203。典型的基材頂針升降器包含數個頂針(例如,一般為包括金屬、藍寶石、或鑲嵌藍寶石的金屬的三個頂針)、將基材頂針升降器提高的氣動致動器、及測定基材頂針升降器之位準的一或多個定位感測器。在各種實施例中,平移台205可包括所屬相關技術領域中已知之靜電吸盤(electrostatic chuck, ESC),以固持基材203。在各種實施例中,平移台205可包括所屬相關技術領域中已知之真空吸盤,以固持基材203。
高架攝影機201可包括一或多個透鏡(例如,可存在單一可變焦距透鏡或複數個單一焦距透鏡)、及一影像感測器(例如,CCD陣列、基於CMOS的感測器、主動像素感測器、或其他感測器類型)。高架攝影機201亦可包括具有促進影像提取之相關電路系統的攝影機板。在一個實例中,高架攝影機201係一彩色攝影機。彩色攝影機可係所欲的,因為所擷取之顏色可幫助區分基材101與接合劑107及載體基材105。再者,下文論述之機械學習架構可在彩色影像上訓練,這將另外引起對於從單色攝影機收集之灰階影像的整合挑戰。然而,在使用使用灰階影像所訓練之網路的已知基材類型的情況下,亦可使用單色攝影機。
在各種實施例中,可使用如本文所提及之多個攝影機。如習知系統中所使用之線性或線型攝影機可由如本文所論述之面陣攝影機置換。在實施例中,高架攝影機201可包含具有足以識別基準凹口103(或其他基準標記)之解析度的攝影機(例如,彩色面陣攝影機)。在實施例中,高架攝影機201可包含具有足以讀取蝕刻或以其他方式形成於基材101、203之面上的識別(ID)編號(未圖示)之解析度的攝影機。在一具體例示性實施例中,且至少部分取決於ID編號之實體大小,高架攝影機201可具有25百萬像素或更高的解析度。
如圖2A所示,高架攝影機201可大致垂直於基材203之最上面安裝。如上文所提及,高架攝影機201之視場207實質上覆蓋基材203之最上區域。
在其他實施例中,未明確顯示,預對準器系統可包括例如觀測基材203之不同(例如,相對)部分的兩個攝影機。在各種其他實施例中,預對準器系統可包括例如觀測基材203之四個象限的四個攝影機。由攝影機所觀看到的部分或象限可或不可重疊。在各種其他實施例中,四個攝影機之兩者可置放於基材203上方,且剩餘兩個攝影機可置放於基材203下方。
用於使用單一攝影機預對準器系統200偵測基準標記之方法的實例在下文參照圖3論述。類似於圖3之方法的方法亦可與例如本文所揭示之二個攝影機或四個攝影機預對準器系統一起使用。
圖2B顯示根據所揭示之標的之各種實施例的可用以預對準基材的一多攝影機預對準器系統230的實例。多攝影機預對準器系統230亦可用以判定及量化諸如彎曲及翹曲(若存在)的特性,以及基材之其他特性。圖2B經顯示包括高架攝影機201,以及安裝於一基材233上方的兩個攝影機231A、231B、及安裝於基材233下方的兩個攝影機231C、231D。
安裝於基材233上方的兩個攝影機231A、231B,及安裝於基材233下方的兩個攝影機231C、231D可相同或類似於上文參照圖2A所描述之高架攝影機201。再者,多於兩個攝影機可安裝於基材上方或下方。此外,安裝於基材233上方的攝影機之數目不需要相同於與安裝於基材233下方的攝影機之數目。
在圖2B之多攝影機預對準器系統230中,高架攝影機201可視為可選的。在此實施例中,安裝於基材233上方的兩個攝影機231A、231B,及安裝於基材233下方的兩個攝影機231C、231D可用以擷取基材233的所有影像,如下文所描述。若高架攝影機201用於實施例中,則高架攝影機201可沿著平移台205之一中心線235實質上垂直於基材233之最上面安裝。
基材233經顯示為包括誇大的彎曲(及/或翹曲)以更佳地解釋所揭示之標的的各種實施例。彎曲可係對稱或不對稱的。例如,若彎曲係實質上對稱的,則在基材233之左側上的彎曲量d
1可相同於在基材233之右側上的彎曲量d
2。在基材233之實質上不對稱彎曲的情況下,基材233之左側上的彎曲量d
1可不同於在基材233之右側上的彎曲量d
2。在圖2A之單一攝影機預對準器系統200或圖2B之多攝影機預對準器系統230的彎曲的對稱性或非對稱性的任一情況下,可用以判定彎曲量。下文描述此一判定。
關於單一攝影機預對準器系統200及多攝影機預對準器系統230之基材對準特性,且在具體例示性實施例中,單一攝影機預對準器系統200及多攝影機預對準器系統230經組態以在約4秒或更少秒內對準接合或未接合基材。平移台205之橫向準確度(例如,在x方向及y方向上橫向地平移基材203、233)可例如在± 50 µm內。平移台205之旋轉準確度(將基材203、233旋轉至一預定角度以對準圖1A及圖1B之基準凹口103)可例如在± 0.06°內。
在使用預對準器系統200、230之一個高階例示性方法中可包括各種步驟。然而,對於一給定操作而言不需要所示步驟的所有者。例示性步驟可包括至少一些下文論述之下列步驟。
機器人臂之末端執行器(end-effector)將基材(例如,基材203、233)置放於預對準器吸盤(例如,基材固持器(諸如平移台205))上。攝影機(例如,高架攝影機201)或攝影機(例如,高架攝影機201、及/或攝影機231A、231B、231C、231D)之一或多者)擷取基材203、233之影像。取決於所使用攝影機之數目,該程序可變化。
使用單一攝影機(例如,高架攝影機201)的情況下,基材一次至少旋轉180度且擷取至少一個新影像。因此,在一個180°旋轉及兩個影像(基材203、233之各定向中之一者)的情況下,可快速地判定關於基材的數種特性(例如,基準(凹口)之位置、θ偏移、x方向偏移、y方向偏移等)。在使用單一攝影機情況下以180°對擷取影像中之基材邊緣或多個邊緣的位置亦允許補償基材中的彎曲。利用多個攝影機,基材可能不需要旋轉因為各攝影機通常擷取基材之獨特或部分獨特部分。因此,使用多個攝影機可能不需要旋轉。
經擷取影像經處理(例如,藉由如下文參照圖5所描述之機器學習架構或卷積類神經網路)。可從影像提取下列資訊:基材之邊緣(例如,在圓形基材上)或多個邊緣(例如,在正方形基材上)的位置;基材上之(多個)基準的位置;基材大小(例如,直徑)的判定;基材在基材台上錯位的量(例如,在x方向、y方向、z方向、及/或θ方向上的錯位);及基材中的彎曲或翹曲量。若至少一個頂側攝影機具有足夠的解析度,則(例如,在光學字元辨識(optical character-recognition, OCR)操作中)可從影像讀取一頂側基材識別(ID)編號或代碼。若從經處理影像偵測到基材之錯位,則系統可計算平移校正及θ校正。該等校正可轉移至例如平移台205或轉移機器人,以校正基材203、233的置放。
可藉由至少一個攝影機使用例如(且若需要)前側照明、背側照明、及/或光反射器,直接觀測基材203、233上之(多個)基準。
基材之角度錯位可藉由觀測例如基材上之網格(若存在,諸如在含有印刷及/或蝕刻晶粒的晶圓上)導出。另外或替代地,基材之錯位可從預學習模式辨識影像導出。若需要,則亦可從擷取影像來計算橫向校正(例如,在x方向及y方向上)。在使用單一攝影機情況下以180°對擷取影像中之基材邊緣或多個邊緣的位置(亦用以補償基材中的彎曲)。
繼續論述針對各擷取影像使用預對準器系統200、230的實例方法,亦可執行下列操作。若需要,可反轉徑向透鏡校正,以校正透鏡失真。例如,徑向透鏡失真(例如,曲線失真,諸如枕形失真或桶形失真)通常作為成像系統之假影(例如,源自透鏡的失真)出現在擷取影像中。可使用下文所述之機器學習架構內的卷積網路(convnet)實現評估徑向透鏡失真並從其製備徑向透鏡校正,來製備徑向透鏡校正。所屬技術領域中具有通常知識者將認知到,CNN之許多架構可用以執行影像的分類。
經由演算法(諸如直接線性轉換(direct linear transformation, DLT)轉換矩陣)可將擷取影像內之像素轉換至物理單位(例如,線性尺寸,諸如毫米)。可預定DLT轉換矩陣並予以嵌入至機器學習架構或其他處理環境中。可計算二維(2D)或三維(3D)轉換矩陣,以判定用以將所觀測之基材位置移動至所欲基材位置的平移及/或角度(θ)轉換。
若預對準器具有XY(及可選的Z)台,則在機器人拾取基材並從平移台移除基材之前將平移校正轉移至XY台中。若預對準器不具有XY(或Z)台,則可將平移校正直接輸入至轉移機器人中。若預對準器具有θ台,則在機器人拾取基材並從平移台移除基材之前將旋轉校正轉移至θ台中。若預對準器不具有θ台,則可將旋轉校正直接轉移至轉移機器人。
圖3顯示根據所揭示之標的之各種實施例的用於偵測基材上之基準標記(例如,凹口)、及偵測基材之校正座標的一方法300的大致實例。在操作301處,方法300嘗試偵測基材之凹口及一或多個邊緣。在操作301中,藉由一或多個攝影機(例如,圖2A及圖2B之高架攝影機201及/或攝影機231A、231B、231C、231D)擷取基材(例如,基材203或基材233)之影像,該影像包括基材之邊緣(例如,圓形基材)或多個邊緣(例如,正方形基材)、及一或多個基準(例如,凹口)。影像或多個影像係在基材經裝載至平移台(例如,圖2A之平移台205)上之後擷取。
在單一攝影機之情況下,在操作303處,第一影像經擷取之後基材可旋轉約180°。若使用多於一個攝影機,則使用基材之較小旋轉(例如,約90°)或無旋轉,取決於攝影機之視角。因此,多個影像中之至少兩者顯示基材之不同視圖(例如,至少部分獨特視圖)。在基材旋轉之後藉由單一攝影機擷取多個影像的情況下,或者在藉由多於一個攝影機之各者擷取影像的情況下,影像經傳輸至機器學習架構,下文參照圖5描述。
機器學習架構可接近(例如,在原位)預對準器系統200、230。替代地,機器學習架構可位於預對準器系統200、230的遠端。在其他實施例中,機器學習架構之組件可分布於位於或接近預對準器系統200、230的一些組件、及位於預對準器系統200、230之遠端的其他組件。
若需要,在操作303處基材經旋轉後,在操作305處藉由一或多個攝影機擷取基材之額外影像。基材之額外影像允許基材之邊緣或多個邊緣與第一影像比較。若兩個影像在彼此覆疊(例如,在機器學習架構中幾乎覆疊)時邊緣從第一影像至額外影像並未對準,則存在基材之位置上的平移誤差。第一影像與額外影像的比較亦允許基準標記更好地劃定。在操作307處,所有影像經轉移至機器學習架構以計算一中心偏移(例如,在至少一x方向及y方向上)及一旋轉校正(若需要)。
在操作309處,作出基材之中心及基材之旋轉定向是否正確的決定。例如,基於基材之邊緣的偵測,可參照所計算之基材中心作出各邊緣之位置是否對稱的判定。若中心及旋轉定向係正確的,則方法300在操作311處結束。
若中心及旋轉定向中之至少一者不正確,則方法300在操作313處繼續,以將基材之校正座標(例如,x偏移、y偏移、及/或θ偏移)轉移至例如平移台205或機器人轉移機制,如上文所描述。基於所轉移之校正座標值,在操作315處基材經重新定位。方法300在操作311處結束。
所揭示之標的可使用例如機器學習架構中的深度卷積類神經網路。深度卷積類神經網路基於數個影像以特徵化由一或多個攝影機擷取之基材的影像。經特徵化影像可接著用以描述基材之特徵或特性(例如,以區分所成像基材與蠟及載體基材(若存在),以判定一對多個基準之位置,以偵測及量化基材中的彎曲量(若存在),且偵測校正座標(若需要))。為了避免必須收集數百萬個影像,可使用轉移學習。在實例中,一般用以訓練網路的該數個影像可係自約5000個影像至約50,000個影像。該訓練係以一預訓練之網路開始。此一訓練方案限制在更複雜的深度卷積類神經網路系統中頻繁遭遇的運算需求。
該訓練可以實例影像的混合開始,該等實例影像包括各種類型之基材與各種類型之基準、接合劑(例如,若基材係接合晶圓則為蠟)、及基材載體的影像。影像可包括如上文所述之給定基材的多個影像。可由於基材特徵或特性之一或多者而察覺到基材之其他所欲特徵,諸如基材厚度(例如,考慮到z偏移)、基材彎曲、基材翹曲、基材下垂(例如,來自一薄化基材)),以調整機器人之末端執行器與基材之間的位置定位(例如,拾取定位)。該等特性可因為該等基材特性之一或多者而用以例如避免機器人之末端執行器與基材之間的碰撞。因此,該訓練可以所擷取影像的一般化開始。此外,除了定義基材之特性之外,可如上文所提及般記錄與各基材相關聯之識別編號(例如,ID編號)或代碼。
經一般化基材特徵化系統(包括機器學習網路之至少一部分)可與圖5之機器一起使用或嵌入至該機器中,如下文所描述。因此,經一般化基材特徵化系統可首先在一訓練模式下使用,以訓練機器學習架構,且接著稍後可在一正常操作模式下使用以偵測各基材之特徵或特性。在各種實施例中,訓練模式可由基材特徵化系統之製造商執行。接著可在例如製造設施(例如,半導體裝置製造商或「製造廠(fab)」)處使用從訓練模式獲得的資料,以判定在設施內使用之各基材的特性。
圖4顯示根據所揭示之標的之各種實施例的用於使用多個攝影機來偵測基材(例如,圖2B之基材233)之基準標記及其他特性之一方法400的大致實例。在各種實施例中,多個攝影機可包括高架攝影機201、及圖2B之攝影機231A、231B、231C、231D中之至少一或多者或一或多者。在各種實施例中,可能不使用高架攝影機201。而是,使用攝影機231A、231B、231C、231D中之至少兩者。
在一個高階實例中,用於使用圖2B之多攝影機預對準器系統230來偵測基材之基準標記及其他特性的方法400可包括各種步驟。然而,對於一給定操作而言不需要所示步驟的所有者。例示性步驟可包括至少一些下文描述之下列步驟。
在操作401中,機器人臂之末端執行器將基材(例如,基材233)置放於預對準器吸盤(例如,基材固持器(諸如平移台205))上。在操作403處,藉由多個攝影機(例如,至少兩個攝影機,其包括高架攝影機201、及/或攝影機231A、231B、231C、231D之一或多者)之各者擷取基材之至少一個獨特影像。可選地,且至少部分地取決於基材上之環境光位準,可藉由攝影機(使用例如前側照明、背側照明、及/或引導朝向基材之光反射器)之多者直接觀測基材。
在操作405處,經擷取影像經處理(例如,藉由如下文參照圖5所描述之機器學習架構或卷積類神經網路)。所有經擷取影像經轉移至機器學習架構以計算至少一中心偏移(例如,在至少一x方向及y方向上)及一旋轉校正(若需要)。
在影像經處理之後,基材之多個影像的彼此比較允許在操作407處判定基材之邊緣或多個邊緣。若兩個影像在彼此覆疊(例如,在機器學習架構或比較經處理影像的處理器中幾乎覆疊)時邊緣從第一影像至額外影像並未對準,則存在基材之位置上的平移誤差。多個影像的彼此比較進一步允許判定基準標記之存在及位置。來自第一攝影機的一個影像與來自至少一個額外攝影機或多個攝影機的至少一個影像的比較,亦允許參照基準標記之實際位置(參照基材之剩餘部分、及基材之邊緣或多個邊緣)更好地劃定該等標記。
此外,且如本文所描述,在操作409處可從經處理影像提取至少一些下列資訊:基材上之(多個)基準的位置;基材大小(例如,直徑)的判定;基材在基材台上錯位的量(例如,在x方向、y方向、z方向、及/或θ方向上的錯位);及基材中之彎曲或翹曲的量。在操作411處,若至少一個頂側攝影機(例如,高架攝影機201、及/或攝影機231A、231B之一者或兩者)具有足夠的解析度,則(例如,在光學字元辨識(OCR)操作中)可選地可從影像讀取一頂側基材識別(ID)編號或代碼。
在操作413處,來自經處理影像的像素數(pixel count)可選地可轉換至物理單位(例如,毫米、或毫米之分數的單位),以判定基材之大小(例如,直徑)、從基材在預對準器吸盤之中心上偏離的平移距離、或其他所關注之物理單位。經由演算法(諸如直接線性轉換(DLT)轉換矩陣)可將該等像素轉換至物理單位。可DLT預定轉換矩陣並予以嵌入至圖5之機器學習架構或其他處理環境中。可計算二維(2D)或三維(3D)轉換矩陣,以判定用以將所觀測之基材位置移動至所欲基材位置的平移及/或角度(θ)轉換。
在操作415處,從經處理影像計算平移校正及/或θ校正。在操作415處,若從經處理影像偵測到基材之錯位,則系統可計算平移校正(例如,x方向、y方向、z方向)及/或θ校正。該等校正可轉移至例如平移台205或轉移機器人,以校正基材233的置放。
基材之角度錯位可藉由觀測例如基材233上之網格(若存在,諸如在含有印刷及/或蝕刻晶粒的晶圓上)導出。另外或替代地,基材233的錯位可從預學習圖案辨識影像導出,其可包括相對於基準的對準(儘管當採用本文所述之另一對準技術時,不需要使用基準來判定角度錯位)。若需要,則亦可從擷取影像來計算橫向校正(例如,在x方向及y方向上)。
在操作417處,作出基材之中心及基材之旋轉定向是否正確的決定。例如,基於基材之邊緣的偵測,可參照所計算之基材中心(參照經預對準吸盤之中心)作出各邊緣之位置是否對稱的判定。若中心及旋轉定向係正確的,則方法400在操作423處結束。
若中心及旋轉定向中之至少一者不正確,則方法400在操作419處繼續,以將基材之校正座標(例如,x偏移、y偏移、z偏移、及/或θ偏移)轉移至例如平移台205或機器人轉移機制,如上文所描述。基於所轉移之校正座標值,在操作421處基材經重新定位,以便針對校正座標調整。方法400在操作423處結束。
繼續參照使用多攝影機預對準器系統230的方法400之實例,針對各擷取影像,亦可執行下列操作。儘管在圖4中未明確地顯示,但對於所屬技術領域中具有通常知識者可理解的是,在閱讀並理解所揭示之標的的情況下,可反轉徑向透鏡校正(若需要),以校正透鏡失真。例如,徑向透鏡失真(例如,曲線失真,諸如枕形失真或桶形失真)通常作為成像系統之假影(例如,源自攝影機之透鏡的失真)出現在擷取影像中。可使用下文所述之機器學習架構內的卷積網路實現評估徑向透鏡失真並從其製備徑向透鏡校正,來製備徑向透鏡校正。所屬技術領域中具有通常知識者將認知到,CNN之許多架構(除了圖5中所示者以外)可用以執行影像的分類。
圖5顯示根據所揭示之標的之各種實施例的用以如上文所論述般偵測基材上之基準標記(例如,凹口)以及基材之其他所欲特徵的一機器學習架構500的實例。基準標記的位置及其他基材特性係從從上文所述之預對準器系統200、230(參見圖2A及圖2B)及基材特徵化系統獲得的影像判定。如上文所述,機器學習架構500可在訓練模式下使用以訓練機器學習架構500內的例如卷積網路,且可接著在正常操作模式下使用以在製造環境中特徵化基材(例如,針對基準的位置)。
如圖5所示,機器學習架構500經顯示以包括一預處理器503及一機器學習網路530。一原始影像501係提供至預處理器503。在此實例中,預處理器503濾波或以其他方式處理原始影像501以例如裁切、縮放、或以其他方式改變或增強原始影像501,並產生一預處理影像505。
預處理影像505接著可輸入至機器學習網路530中。機器學習網路530可提供作為多層機器學習模型。例如,機器學習網路530可包括四個層,該四個層包括一輸入層507、一特徵提取層509、一特徵關係層511、及一決策層513。在此例示性模型中,決策層513可具有數個輸出。輸出可包括例如關鍵點、邊界框、用於基準位置識別的遮罩、及用於判定基材之邊緣或多個邊緣的遮罩。
繼續參照圖5,來自預處理影像505的像素資訊可發送至輸入層507。輸入層507中的各節點可對應於預處理影像505的像素。機器學習網路530可以迭代方式而可在層507至513的一或多者中訓練。決策層513可輸出關於給定基材之各種基材特性的決策,如上文所提及。接著在輸出框515中產生基材特性。輸出框515可因此儲存來自原始影像501的經提取之基材特性。在各種實施例中,輸出框515可提供顯示基材特性(例如,在x方向、y方向、z方向、及/或θ方向上的基材偏移;(多個)基準類型及位置;基材彎曲及翹曲;基材ID編號;及基材之其他特性)的文字指示。在各種實施例中,輸出框515內之值及/或特性可係作為命令的輸入,以例如指示平移台或機器人在預期之x、y、z、及/或θ定位上將基材重新定位。
如上文所提及,機器學習架構500可首先在訓練模式下使用以訓練機器學習網路530,以識別基材之特性。接著機器學習架構500可在正常操作模式下使用,以在製造環境中識別基材之特性。機器學習網路530的訓練可係一受監督程序,且可在識別基材之特性執行處的場外執行。該訓練可使用一組訓練影像(例如,一或多個訓練影像)與已知基材特性或經判定特徵,以訓練機器學習網路530。
可使用一機器600的一部分或整體來執行本文所示及描述的技術,如下文關於圖6所論述。圖6顯示包含本文所論述之技術(例如,方法論)的任一者或多者可執行於其上之機器600的例示性方塊圖。在各種實例中,機器600可操作為一獨立裝置操作,或可連接(例如,網路連接)至其他機器。
在一網路連接部署中,機器600可在伺服器用戶端網路環境中以伺服器機器、用戶端機器、或兩者的能力操作。在一實例中,機器600可在點對點(P2P)(或其他分散式)網路環境中充當一同級機器。機器600可係個人電腦(personal computer, PC)、平板裝置、機上盒(set-top box, STB)、個人數位助理(personal digital assistant, PDA)、行動電話、網路電器、網路路由器、開關或橋接器、或能夠執行指定待由彼機器採取之動作的指令(依序或以其他方式)的任何機器。此外,雖然僅說明單一機器,但用語「機器(machine)」亦應採用以包括個別或共同執行一組(或多組)指令的機器的任何集合,以執行本文論述之方法論的任一者或多者,諸如雲端運算、軟體即服務(software as a service, SaaS)、其他電腦叢集組態。
如本文所描述,實例可包括邏輯、或數個組件、或機制,或可由邏輯、或數個組件、或機制操作。電路系統係實施在包括硬體(例如,簡單電路、閘極、邏輯等)之有形實體中的電路集合。電路系統的資格可隨時間而為彈性,且基於硬體變化性。電路系統包括在操作時可單獨或以組合的方式執行指定操作的構件。在一實例中,電路系統的硬體可一成不變地設計以進行特定操作(例如,固線式)。在一實例中,包含電路系統的硬體可包括可變連接的實體組件(例如,執行單元、電晶體、簡單電路等),其等包括經物理地修改(例如,磁性、電性,諸如經由物理狀態的變化或另一物理特性的轉變等)以編碼特定操作之指令的電腦可讀取媒體。在連接實體組件中,硬體組成的潛在電性質可改變,例如自絕緣特性改變成導電特性,或反之亦然。指令實現嵌入式硬體(例如,執行單元或加載機構)以經由可變連接在硬體中建立電路系統的構件,以在操作中時進行特定操作的部分。因此,當裝置正在操作時,電腦可讀取媒體通訊地耦接至電路系統的其他組件。在一實例中,實體組件的任一者可使用在多於一個電路系統的多於一個構件中。例如,在操作時,執行單元可在一個時間點下使用在第一電路系統的第一電路中,且在一不同時間下由第一電路系統中的第二電路、或由第二電路系統中的第三電路再使用。
機器600(例如,電腦系統)可包括一基於硬體的處理器601(例如,中央處理單元(CPU)、圖形處理單元(GPU)、硬體處理器核心、或其任何組合)、一主記憶體603、及一靜態記憶體605,其等的一些或全部可經由一互鏈630(例如,匯流排)通訊。機器600可進一步包括一顯示裝置609、一輸入裝置611(例如,文數字鍵盤)、及一使用者介面(UI)導航裝置613(例如,滑鼠)。在一實例中,顯示裝置609、輸入裝置611、及UI導航裝置613可包含觸控螢幕顯示器之至少部分。機器600可額外地包括一儲存裝置620(例如,驅動單元)、一信號產生裝置617(例如,揚聲器)、一網路介面裝置650、及一或多個感測器615(諸如全球定位系統(GPS)感測器、指南針、加速計、或其他感測器)。機器600可包括一輸出控制器619(諸如序列控制器或介面(例如,通用序列匯流排(USB)))、一平行控制器或介面、或其他有線或無線(例如,紅外線(IR)控制器或介面、近場通訊(near field communication, NFC)等,其經耦接以通訊或控制一或多個周邊裝置(例如,印表機、讀卡機等)。
儲存裝置620可包括一或多組之資料結構或指令624(例如,軟體或韌體)係儲存於其上的一機器可讀取媒體,該一或多組之資料結構或指令係由本文所述之技術或功能的任一者或多者所體現或利用。指令624亦可在由機器600執行其之期間完全或至少部分地常駐在主記憶體603內、在靜態記憶體605內、在一大量儲存裝置607內、或在基於硬體的處理器601內。在一實例中,基於硬體的處理器601、主記憶體603、靜態記憶體605、或儲存裝置620的一者或任何組合可構成機器可讀取媒體。
雖然將機器可讀取媒體視為單一媒體,但用語「機器可讀取媒體(machine readable medium)」可包括經組態以儲存一或多個指令624的單一媒體或多個媒體(例如,集中式或分布式資料庫、及/或相關聯的快取及伺服器)。
用語「機器可讀取媒體」可包括下列之任何媒體:能夠儲存、編碼、或攜載用於由機器600執行的指令並使機器600執行本揭露之技術中的任一者或多者,或能夠儲存、編碼、或攜載由此類指令使用的資料結構、或與此類指令相關聯的資料結構。非限制性機器可讀取媒體實例可包括固態記憶體及光學及磁性媒體。據此,機器可讀取媒體並非暫時性傳播信號。大量的機器可讀取媒體的具體實例可包括:非揮發性記憶體,諸如半導體記憶體裝置(例如,電子可程式唯讀記憶體(Electrically Programmable Read-Only Memory, EPROM)、電子可抹除可程式化唯讀記憶體(Electrically Erasable Programmable Read-Only Memory, EEPROM)、及快閃記憶體裝置;磁性或其他相變化或狀態變化記憶體電路;磁碟,諸如內部硬碟及可移除式磁碟;磁光碟;及CD-ROM及DVD-ROM光碟。
指令624可進一步經由利用數個傳送協定(例如,訊框中繼、網際網路協定(IP)、傳輸控制協定(transmission control protocol, TCP)、使用者資料包協定(user datagram protocol, UDP)、超文件傳送協定(hypertext transfer protocol, HTTP)等)之任一者的網路介面裝置650使用一傳輸媒體透過通訊網路621來傳輸或接收。實例通訊網路可包括區域網路(LAN)、廣域網路(WAN)、封包資料網路(例如,網際網路(Internet))、行動電話網路(例如,蜂巢式網路)、簡易舊式電話(Plain Old Telephone, POTS)網路、及無線資料網路(例如,已知為Wi-Fi
®之電子電機工程師協會(IEEE) 802.22系列標準、已知為WiMax
®之IEEE 802.26系列標準)、IEEE 802.25.4系列標準、點對點(P2P)網路等等。在一實例中,網路介面裝置650可包括一或多個實體插孔(例如,乙太網路(Ethernet)、同軸、或電話插孔)、或一或多個天線以連接至通訊網路626。在一實例中,網路介面裝置650可包括複數個天線以使用單輸入多輸出(single-input multiple-output, SIMO)、多輸入多輸出(multiple-input multiple-output, MIMO)、或多輸入單輸出(multiple-input single-output, MISO)技術中之至少一者而無線通訊。用語「傳輸媒體(transmission medium)」應經採用以包括能夠儲存、編碼、或攜載用於由機器600執行之指令的任何無形媒體,且包括數位或類比通訊信號或其他無形媒體,以促進此類軟體的通訊。
如本文中所使用,用語「或(or)」可解釋為包含性或排他性的意義。進一步,基於閱覽及理解所提供之本揭露,所屬技術領域中具有通常知識者將理解其他實施例。此外,所屬技術領域中具有通常知識者將易於理解,本文所提供之技術及實例的各種組合可全部應用於各種組合中。
本說明書通篇,複數例子可實施經描述為單一實例的組件、操作、或結構。雖然個別操作經說明及描述為單獨操作,但可同時執行個別操作的一或多者,且除非另有陳述,否則不要求操作係必須以所說明之順序執行。在實例組態中呈現為單獨組件的結構及功能性可實施作為一組合結構或組件。類似地,呈現為單一組件的結構及功能性可實施作為單獨組件。這些及其他變化例、修改例、添加例、及改良例落在本文所述之標的的範圍內。
此外,雖然未明確地顯示但對於具有通常知識之工匠可理解的是,元件之各種配置、數量、及數目的各者可變化(例如,攝影機的數目)。此外,本文所顯示及描述之實例的各者僅係代表一個可能的組態,且不應視為限制本揭露之範圍。
雖然各種實施例分開論述,但這些單獨的實施例不意欲視為獨立技術或設計。如上文所指示,各種部分之各者可係相關的,且各自可分開使用、或與本文所論述之其他實施例組合使用。例如,雖然已描述操作、系統、及程序之各種實施例,但這些方法、操作、系統、及程序可分開使用或以各種組合使用。
因此,如對於所屬技術領域中具有通常知識者在閱覽及理解本文所提供之本揭露後將係顯而易見者,可作出許多修改例及變化例。除了本文中所列舉者之外,對於具有通常知識之工匠自前述描述,本揭露之範圍內的功能上等效的方法及裝置將係顯而易見的。一些實施例的部分及特徵可包括在其他實施例中,或者經取代為其他實施例。此類修改例及變化例意欲落在隨附申請專利範圍之範圍內。因此,本揭露僅受限於隨附申請專利範圍之條目,連同此類申請專利範圍經授權之等效例的完整範圍。亦應理解,本文中所使用之用語僅出於描述特定實施例之目的,且不意欲為限制性的。
提供本揭露之摘要以允許讀者快速地探悉本技術揭露的本質。本發明係在理解其將不用以解釋或限制申請專利範圍的情況下所提交。另外,在前述實施方式中可看出,出於簡化本揭露之目的,在單一實施例中可將各種特徵分組在一起。本揭露之方法不應解釋為限制申請專利範圍。因此,以下申請專利範圍特此併入至實施方式中,其中各請求項其自身獨立作為一單獨實施例。
本文提供之說明書包括體現本文件中所述之課題的各種態樣的說明性實例、裝置、及設備。在本說明書中,出於解釋之目的,闡述許多具體細節,以提供對所論述之課題的各種實施例的理解。然而,對所屬技術領域中具有通常知識者將顯而易見的是,在不具有這些具體細節的情況下可實作所揭示之標的的各種實施例。進一步,未詳細地顯示眾所皆知之結構、材料、及技術,以不混淆各種說明實施例。如本文中所使用,用語「約(about)」、「大約(approximately)」、及「實質上(substantially)」可係指例如在一給定值或值範圍之+10%內。
以下經編號之實例係所揭示標的之具體實施例
實例1:一種設備,其用以偵測位於一基材上的一基準,並將位於該基材上的該基準預對準至一基材固持器上的一預定位置。該設備包括至少一個攝影機,其在該基材位於該基材固持器上時待定位於該基材上方。該至少一個攝影機經組態以擷取該基材之至少一頂部表面的複數個影像,其中該複數個影像中之至少兩者顯示該基材之至少部分獨特視圖。一基於硬體的處理器經組態以基於經擷取之該複數個影像判定該基材之一邊緣的一位置。該基於硬體的處理器進一步經組態以判定該基材橫跨該頂部表面的一特性尺寸、判定該基材上之該基準的一位置、計算該基材從該基材固持器上之該預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移、且基於經擷取之該複數個影像判定該基準的一位置。
實例2:如實例1之設備,其進一步包含一旋轉台,其耦接至該基材固持器以將置放於該基材固持器上之該基材從一原始0度定位旋轉至少約180度,該至少一個攝影機經組態以獲取在0度及約180度之各者下的該基材之至少一個影像,所獲取之在0度及約180度之各者下的該基材之該至少一個影像從而顯示該基材之該等至少部分獨特視圖。
實例3:如實例2之設備,其中該基於硬體的處理器經組態以基於在0度及約180度之各者下所得到的該至少一個影像而判定該基材之一邊緣的一位置。
實例4:如前述實例中任一實例之設備,其中該基準包含包括選自該基材上之一凹口及一平邊的類型的至少一個類型之基準。
實例5:如前述實例中任一實例之設備,其中該設備經組態以預對準一透明基材。
實例6:如前述實例中任一實例之設備,其中該設備經組態以基於光學字元辨識而辨別一基材識別代碼,其中該基材識別代碼係位於該基材之該頂部表面上。
實例7:如前述實例中任一實例之設備,其進一步包含至少一個攝影機,其在一預對準程序期間位於該基材下方。
實例8:如前述實例中任一實例之設備,其中該基於硬體的處理器包括一卷積類神經網路。
實例9:如前述實例中任一實例之設備,其中該基於硬體的處理器進一步經組態以判定該基材上之該基準在一z方向上從該基材固持器上之該預定位置的一偏移。
實例10:如前述實例中任一實例之設備,其中該特性尺寸係該基材之一直徑。
實例11:如前述實例中任一實例之設備,其中該基於硬體的處理器進一步經組態以基於經擷取之該複數個影像判定該基材中的一彎曲量。
實例12:如前述實例中任一實例之設備,其中該基材從該基材固持器上之該預定位置的該x方向偏移、該y方向偏移、及該θ方向偏移係待轉移至一基材轉移機器人。
實例13:如實例12之設備,其中該基材轉移機器人經組態以基於所轉移之該x方向偏移、該y方向偏移、及該θ方向偏移的該等值而將該基材重新定位至該基材固持器上的該預定位置。
實例14:如前述實例中任一實例之設備,其中該基材從該基材固持器上之該預定位置的該x方向偏移、該y方向偏移、及該θ方向偏移係待轉移至一該基材固持器。
實例15:如實例14之設備,其中該基材固持器經組態以基於所轉移之該x方向偏移、該y方向上偏移、及該θ方向偏移的該等值而將該基材移動至該基材固持器上之該預定位置的一位置
實例16:如前述實例中任一實例之設備,其中該基於硬體的處理器經組態以應用一類神經網路至從該基材擷取的該複數個影像,以判定接合基材上之該基準的一位置。
實例17:一種用於將位於一基材上的一基準預對準至一基材固持器上的一預定位置的方法。該方法包括擷取該基材之至少一頂部表面的至少一個第一影像、及擷取該基材之至少該頂部表面的至少一個第二影像,其中該至少一個第一影像及該至少一個第二影像顯示該基材之至少部分獨特視圖。該至少一個第一影像及該至少一個第二影像經處理以判定該基準的一位置,其中該處理進一步包括計算該基材從該基材固持器上之該預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移。
實例18:如實例17之方法,其進一步包含在該第一影像之該擷取及該第二影像之該擷取之間將置放於該基材固持器上之該基材從一原始0度定位旋轉至少約180度,該處理器進一步經組態以從在0度及約180度之各者下所得到的該至少一個影像而判定該基準的一位置。
實例19:如實例17或實例18之方法,其進一步包含從該至少一個第一影像及該至少一個第二影像來判定接合基材及未接合基材兩者上之該基準的該位置。
實例20:如實例17至實例19中任一實例之方法,其進一步包含處理該至少一個第一影像及該至少一個第二影像,以判定該基材橫跨該基材之該頂部表面的一特性尺寸。
實例21:如實例17至實例20中任一實例之方法,其進一步包含基於光學字元辨識而辨別來自該至少一個第一影像及該至少一個第二影像之一者的一基材識別代碼,其中該基材識別代碼係位於該基材之該頂部表面上。
實例22:如實例17至實例21中任一實例之方法,其中該處理包括使用一卷積類神經網路來判定該基材之特性。
實例23:一種電腦可讀取媒體,其含有指令,該等指令在由一機器執行時使該機器執行包括以下之操作:接收該基材之至少一頂部表面的至少一個第一影像、及接收該基材之至少該頂部表面的至少一個第二影像。該至少一個第一影像及該至少一個第二影像顯示該基材之至少部分獨特視圖。該至少一個第一影像及該至少一個第二影像經處理以判定該基材上之該基準的一位置。該處理進一步包括計算該基材從該基材固持器上之該預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移,且基於該至少一個第一影像及該至少一個第二影像而判定該基準的一位置。
實例24:如實例23之電腦可讀取媒體,其中該等操作進一步包含從該至少一個第一影像及該至少一個第二影像來判定接合基材及未接合基材兩者上之該基準的該位置。
實例25:如實例23或實例24中任一實例之電腦可讀取媒體,其中該等操作進一步包含處理該至少一個第一影像及該至少一個第二影像,以判定該基材橫跨該基材之該頂部表面的一特性尺寸。
實例26:如實例23或實例25中任一實例之電腦可讀取媒體,其中該等操作進一步包含使用一卷積類神經網路來判定該基材之特性。
實例27:一種用於將位於一基材上的一基準預對準至一基材固持器上的一預定位置的方法。該方法包括在將該基材置放於該基材固持器上之後藉由複數個攝影機之各者擷取該基材之至少一獨特影像;處理經擷取之該等影像之各者;從經處理之該等影像判定該基材之至少一個邊緣;從經處理之該等影像判定該基材上之該基準的一位置;及從經處理之該等影像計算該基材從該基材固持器上之一預定位置的至少一x方向偏移、一y方向偏移、及一θ方向偏移。
實例28:如實例27之方法,其進一步包含從經處理之該等影像來判定接合基材及未接合基材兩者上之該基準的該位置。
實例29:如實例27或實例28中任一實例之方法,其進一步包含處理經擷取之該等影像,以用於判定該基材橫跨該基材之一頂部表面的一特性尺寸。
實例30:如實例27至實例29中任一實例之方法,其進一步包含基於光學字元辨識而辨別來自經擷取之該等影像中之至少一者的一基材識別代碼,其中該基材識別代碼係位於該基材之一頂部表面上。
實例31:如實例27至實例30中任一實例之方法,其進一步包含將來自經擷取之該等影像的像素單位轉換成物理單位。
100:接合基材
101:基材
103:基準凹口
105:載體基材
107:接合劑
110:部分
200:單攝影機預對準器系統
201:高架攝影機
203:基材
205:平移台
207:視場
230:多個攝影機預對準器系統
233:基材
231A:攝影機
231B:攝影機
231C:攝影機
231D:攝影機
235:中心線
300:方法
301:操作
303:操作
305:操作
307:操作
309:操作
311:操作
313:操作
315:操作
400:方法
401:操作
403:操作
405:操作
407:操作
409:操作
411:操作
413:操作
415:操作
417:操作
419:操作
421:操作
423:操作
500:機器學習架構
501:原始影像
503:預處理器
505:預處理影像
507:輸入層
509:特徵提取層
511:特徵關係層
513:決策層
515:輸出框
530:機器學習網路
600:機器
601:基於硬體的處理器
603:主記憶體
605:靜態記憶體
607:量儲存裝置
609:顯示裝置
611:輸入裝置
613:使用者介面(UI)導航裝置
615:感測器
617:信號產生裝置
619:輸出控制器
620:儲存裝置
621:通訊網路
624:指令
630:互鏈
650:網路介面裝置
d
1:彎曲量
d
2:彎曲量
隨附圖式的各種者僅係說明本揭露之實例實施方案,且不應視為限制其範圍。
[圖1A]顯示可與所揭示之標的之各種實施例一起使用的一接合基材;
[圖1B]顯示圖1A之接合基材的截面部分;
[圖2A]顯示根據所揭示之標的之各種實施例的可用以預對準例如基材的單一攝影機預對準器系統的實例;
[圖2B]顯示根據所揭示之標的之各種實施例的可用以預對準基材的多攝影機預對準器系統的實例;
[圖3]顯示根據所揭示之標的之各種實施例的用於偵測基材上之基準標記(例如,凹口)及偵測基材之校正座標的方法的大致實例;
[圖4]顯示根據所揭示之標的之各種實施例的用於使用多個攝影機來偵測基材之基準標記及其他特性之方法的大致實例;
[圖5]顯示根據所揭示之標的之各種實施例的用以如上文所論述般偵測基材上之基準標記(例如,凹口)以及基材之其他所欲特徵或特性的機器學習架構的實例;及
[圖6]顯示包含本文所論述之技術(例如,方法論)的任一者或多者可執行於其上之機器的實例的方塊圖。
201:高架攝影機
205:平移台
207:視場
230:多個攝影機預對準器系統
231A:攝影機
231B:攝影機
231C:攝影機
231D:攝影機
233:基材
235:中心線
d1:彎曲量
d2:彎曲量
Claims (31)
- 一種用以偵測位於基材上的基準並將位於該基材上的該基準預對準至基材固持器上的預定位置的設備,該設備包含: 至少一個攝影機,其在該基材位於該基材固持器上時待定位於該基材上方,該至少一個攝影機用以擷取該基材之至少一頂部表面的複數個影像,該複數個影像中之至少兩者顯示該基材之至少部分獨特視圖;及 基於硬體的處理器,其用以基於經擷取之該複數個影像來判定該基材之邊緣的位置,該基於硬體的處理器進一步判定該基材橫跨該至少一頂部表面的特性尺寸、判定該基材上之該基準的位置、計算該基材從該基材固持器上之該預定位置至少x方向偏移、y方向偏移、及θ方向偏移、且基於經擷取之該複數個影像來判定該基準的該位置。
- 如請求項1之設備,其進一步包含旋轉台,該旋轉台耦接至該基材固持器以將置放於該基材固持器上之該基材從原始0度定位旋轉至少約180度,該至少一個攝影機經組態以獲取在0度及約180度之各者下的該基材之至少一個影像,所獲取之在0度及約180度之各者下的該基材之該至少一個影像從而顯示該基材之該至少部分獨特視圖。
- 如請求項2之設備,其中該基於硬體的處理器經組態以基於在0度及約180度之各者下所得到的該至少一個影像而判定該基材之該邊緣的該位置。
- 如請求項1之設備,其中該基準包含至少一個類型之基準,其包括選自該基材上之凹口(notch)及平邊(flat)的類型。
- 如請求項1之設備,其中該設備經組態以預對準透明基材。
- 如請求項1之設備,其中該設備經組態以基於光學字元辨識而辨別基材識別代碼,其中該基材識別代碼係位於該基材之該至少一頂部表面上。
- 如請求項1之設備,其進一步包含至少一個攝影機,該至少一個攝影機在預對準程序期間位於該基材下方。
- 如請求項1之設備,其中該基於硬體的處理器包括卷積類神經網路。
- 如請求項8之設備,其中該基於硬體的處理器進一步經組態以判定該基材上之該基準在z方向上從該基材固持器上之該預定位置的偏移。
- 如請求項1之設備,其中該特性尺寸係該基材之直徑。
- 如請求項1之設備,其中該基於硬體的處理器進一步經組態以基於經擷取之該複數個影像來判定該基材中的彎曲量。
- 如請求項1之設備,其中該基材從該基材固持器上之該預定位置的該x方向偏移、該y方向偏移、及該θ方向偏移係待轉移至基材轉移機器人。
- 如請求項12之設備,其中該基材轉移機器人經組態以基於所轉移之該x方向偏移、該y方向偏移、及該θ方向偏移的值而將該基材重新定位至該基材固持器上的該預定位置。
- 如請求項1之設備,其中該基材從該基材固持器上之該預定位置的該x方向偏移、該y方向偏移、及該θ方向偏移係待轉移至該基材固持器。
- 如請求項14之設備,其中該基材固持器經組態以基於所轉移之該x方向偏移、該y方向偏移、及該θ方向偏移的值而將該基材移動至該基材固持器上之該預定位置的位置。
- 如請求項1之設備,其中該基於硬體的處理器經組態以應用一類神經網路至從該基材擷取的該複數個影像,以判定接合基材上之該基準的一位置。
- 一種用於將位於基材上的基準預對準至基材固持器上的預定位置的方法,該方法包含: 擷取該基材之至少一頂部表面的至少一個第一影像; 擷取該基材之該至少一頂部表面的至少一個第二影像,該至少一個第一影像及該至少一個第二影像顯示該基材之至少部分獨特視圖;及 處理該至少一個第一影像及該至少一個第二影像以判定該基準的位置,該處理進一步包括計算該基材從該基材固持器上之該預定位置至少x方向偏移、y方向偏移、及θ方向偏移。
- 如請求項17之方法,其進一步包含在該至少一個第一影像之擷取與該至少一個第二影像之擷取之間,將置放於該基材固持器上之該基材從原始0度定位旋轉至少約180度,該處理進一步包括從在0度及約180度之各者下所得到的至少一個影像而判定該基準的該位置。
- 如請求項17之方法,其進一步包含從該至少一個第一影像及該至少一個第二影像來判定接合基材及未接合基材兩者上之該基準的該位置。
- 如請求項17之方法,其進一步包含處理該至少一個第一影像及該至少一個第二影像,以判定該基材橫跨該基材之該至少一頂部表面的特性尺寸。
- 如請求項17之方法,其進一步包含基於光學字元辨識而辨別來自該至少一個第一影像及該至少一個第二影像之一者的基材識別代碼,其中該基材識別代碼係位於該基材之該至少一頂部表面上。
- 如請求項17之方法,其中該處理包括使用卷積類神經網路來判定該基材之特性。
- 一種電腦可讀取媒體,其含有指令,該指令在由機器執行時使該機器執行包含以下之操作: 接收該基材之至少一頂部表面的至少一個第一影像; 接收該基材之該至少一頂部表面的至少一個第二影像,該至少一個第一影像及該至少一個第二影像顯示該基材之至少部分獨特視圖;及 處理該至少一個第一影像及該至少一個第二影像以判定該基材上之該基準的位置,該處理進一步包括計算該基材從該基材固持器上之該預定位置至少x方向偏移、y方向偏移、及θ方向偏移,且基於該至少一個第一影像及該至少一個第二影像而判定該基準的該位置。
- 如請求項23之電腦可讀取媒體,其中該操作進一步包含從該至少一個第一影像及該至少一個第二影像來判定接合基材及未接合基材兩者上之該基準的該位置。
- 如請求項23之電腦可讀取媒體,其中該操作進一步包含處理該至少一個第一影像及該至少一個第二影像,以判定該基材橫跨該基材之該至少一頂部表面的特性尺寸。
- 如請求項23之電腦可讀取媒體,其中該操作進一步包含使用卷積類神經網路來判定該基材之特性。
- 一種用於將位於基材上的基準預對準至基材固持器上的預定位置的方法,該方法包含: 在將該基材置放於該基材固持器上之後藉由複數個攝影機之各者來擷取該基材之至少一獨特影像; 處理經擷取之該至少一獨特影像之各者; 從經處理之該至少一獨特影像來判定該基材之至少一個邊緣; 從經處理之該至少一獨特影像來判定該基材上之該基準的位置;及 從經處理之該至少一獨特影像來計算該基材從該基材固持器上之該預定位置至少x方向偏移、y方向偏移、及θ方向偏移。
- 如請求項27之方法,其進一步包含從經處理之該至少一獨特影像來判定接合基材及未接合基材兩者上之該基準的該位置。
- 如請求項27之方法,其進一步包含處理經擷取之該至少一獨特影像,以用於判定該基材橫跨該基材之頂部表面的特性尺寸。
- 如請求項27之方法,其進一步包含基於光學字元辨識而辨別來自經擷取之該至少一獨特影像中之至少一者的基材識別代碼,其中該基材識別代碼係位於該基材之頂部表面上。
- 如請求項27之方法,其進一步包含將來自經擷取之該至少一獨特影像的像素單位轉換成物理單位。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263325924P | 2022-03-31 | 2022-03-31 | |
US63/325,924 | 2022-03-31 | ||
US17/840,154 | 2022-06-14 | ||
US17/840,154 US20230317490A1 (en) | 2022-03-31 | 2022-06-14 | Area camera substrate pre-aligner |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202407840A true TW202407840A (zh) | 2024-02-16 |
Family
ID=88193575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112112300A TW202407840A (zh) | 2022-03-31 | 2023-03-30 | 面陣攝影機基材預對準器 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230317490A1 (zh) |
TW (1) | TW202407840A (zh) |
WO (1) | WO2023192458A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5513948A (en) * | 1991-05-17 | 1996-05-07 | Kensington Laboratories, Inc. | Universal specimen prealigner |
US6275742B1 (en) * | 1999-04-16 | 2001-08-14 | Berkeley Process Control, Inc. | Wafer aligner system |
KR101015778B1 (ko) * | 2003-06-03 | 2011-02-22 | 도쿄엘렉트론가부시키가이샤 | 기판 처리장치 및 기판 수수 위치의 조정 방법 |
US7486878B2 (en) * | 2006-09-29 | 2009-02-03 | Lam Research Corporation | Offset correction methods and arrangement for positioning and inspecting substrates |
US9354526B2 (en) * | 2011-10-11 | 2016-05-31 | Kla-Tencor Corporation | Overlay and semiconductor process control using a wafer geometry metric |
TWI434368B (zh) * | 2011-12-08 | 2014-04-11 | Metal Ind Res & Dev Ct | 無標記基板組裝對位方法 |
KR102308221B1 (ko) * | 2013-06-05 | 2021-10-01 | 퍼시몬 테크놀로지스 코포레이션 | 로봇 및 적응형 배치 시스템 및 방법 |
US10387755B2 (en) * | 2017-06-28 | 2019-08-20 | Applied Materials, Inc. | Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks |
US11088004B2 (en) * | 2018-01-30 | 2021-08-10 | Brooks Automation, Inc. | Automatic wafer centering method and apparatus |
-
2022
- 2022-06-14 US US17/840,154 patent/US20230317490A1/en active Pending
-
2023
- 2023-03-30 TW TW112112300A patent/TW202407840A/zh unknown
- 2023-03-30 WO PCT/US2023/016866 patent/WO2023192458A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
US20230317490A1 (en) | 2023-10-05 |
WO2023192458A1 (en) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101793366B1 (ko) | 본딩 장치 및 본딩 방법 | |
JP6174487B2 (ja) | ワークピース上にパターンを生成するための方法および装置 | |
EP3173194B1 (en) | Manipulator system, image capturing system, transfer method of object, and carrier medium | |
JP6250999B2 (ja) | アライメント方法並びにアライメント装置 | |
US20010055069A1 (en) | One camera system for component to substrate registration | |
TW201642363A (zh) | 接合裝置及接合方法 | |
TWI442494B (zh) | Probe device and detection method | |
JP7224695B2 (ja) | 半導体装置の製造装置、および、半導体装置の製造方法 | |
JP2011143496A (ja) | トレイ移載装置及び方法 | |
US10297043B2 (en) | Detector for detecting position of IC device and method for the same | |
KR20190016695A (ko) | 웨이퍼 정렬 방법 및 이를 이용하는 웨이퍼 검사 방법 | |
US7747343B2 (en) | Substrate processing apparatus and substrate housing method | |
TWI638239B (zh) | 位置偏移檢測方法、位置偏移檢測裝置、描繪裝置及基板檢查裝置 | |
KR101237056B1 (ko) | 반도체 패키지 집합체 정렬방법 | |
TW202407840A (zh) | 面陣攝影機基材預對準器 | |
JP6489199B2 (ja) | アライメント装置、基板貼り合わせ装置、位置合わせ方法、及び、積層半導体装置の製造方法 | |
TW202318263A (zh) | 使用深度類神經網路之基材映射 | |
US20220181181A1 (en) | Semiconductor manufacturing apparatus, method of reading position of carrier, and method of attaching semiconductor die on carrier using semiconductor manufacturing apparatus | |
US11908722B2 (en) | Automatic teaching of substrate handling for production and process-control tools | |
JP4760680B2 (ja) | Icハンドラ用のチェンジキット | |
JP5409080B2 (ja) | 円盤状部材の中心位置推定方法及び画像処理装置 | |
JP2011021916A (ja) | 位置検出装置、位置検出方法および基板重ね合わせ装置 | |
WO2022196712A1 (ja) | ウエハ搬送ロボット及びウエハ取出方法 | |
JP2003148930A (ja) | 基板検査装置 | |
JP3180432B2 (ja) | Ccdカメラを具備したic試験装置におけるccdカメラ基準位置調整方法 |