TWI640049B - 複合式缺陷分類器 - Google Patents

複合式缺陷分類器 Download PDF

Info

Publication number
TWI640049B
TWI640049B TW104107326A TW104107326A TWI640049B TW I640049 B TWI640049 B TW I640049B TW 104107326 A TW104107326 A TW 104107326A TW 104107326 A TW104107326 A TW 104107326A TW I640049 B TWI640049 B TW I640049B
Authority
TW
Taiwan
Prior art keywords
defect
defects
classifiers
ranking
classifier
Prior art date
Application number
TW104107326A
Other languages
English (en)
Other versions
TW201545253A (zh
Inventor
馬丁 普莉霍爾
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201545253A publication Critical patent/TW201545253A/zh
Application granted granted Critical
Publication of TWI640049B publication Critical patent/TWI640049B/zh

Links

Classifications

    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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

Abstract

本發明提供用於分類在一晶圓上偵測到之缺陷的方法及系統。一個方法包含將用於偵測一晶圓上之缺陷的資訊輸入至包含於一複合式缺陷分類器中之至少兩個缺陷分類器的各者中。此一方法亦包含，對於經指派至該複合式缺陷分類器中之兩個或兩個以上分格之該等缺陷的至少一者，基於經指派至該兩個或兩個以上分格之一排名來判定用於該等缺陷之該至少一者之一分格。基於針對該兩個或兩個以上分格而判定之一或多個特性，將該排名指派至該兩個或兩個以上分格，且基於用於一訓練集中之缺陷之預定缺陷分類與由該至少兩個缺陷分類器針對該訓練集中之該等缺陷所判定之缺陷分類之一比較來判定該一或多個特性。

Description

複合式缺陷分類器
本發明大體上係關於用於分類在一晶圓上偵測之缺陷之方法及系統。
不允許藉由將下列描述及實例包含於此段中而將其等視為先前技術。
製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用較大數目個半導體製造程序處理諸如一半導體晶圓之一基板以形成半導體裝置之各種特徵及多個級。舉例而言，微影術係涉及將一圖案自一比例光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製造程序。半導體製造程序之額外實例包含(但不限於)化學機械拋光、蝕刻、沈積及離子植入。多個半導體裝置可製造於一單一半導體晶圓上之一配置中且接著分離為個別半導體裝置。
在一半導體製造程序期間之各種步驟使用檢測程序以偵測晶圓上之缺陷。檢測程序始終係製造諸如積體電路之半導體裝置之一重要部分。然而，隨著半導體裝置之尺寸減小，檢測程序對於成功製造可接受半導體裝置變得更加重要。舉例而言，隨著半導體裝置之尺寸減小，減小大小之缺陷之偵測已變得必要，此係由於甚至相對小之缺陷可導致半導體裝置中之非所要像差。
半導體缺陷之自動缺陷分類(ADC)係晶圓檢測及缺陷檢視工具之 一重要應用。在晶圓檢測期間使用之最受歡迎且最可信之缺陷分類器及妨害篩選器係手動建立之決策樹。迄今，用於建立缺陷分類樹之最常見方法係具有若干容易使用之特徵(諸如複製及貼上子樹之能力等等)之一手動方法。
用於資料集之缺陷分類器與複雜決策邊界之組合已成為過去二十年激烈研究之源，且存在關於此主題之廣泛文獻。已考量諸多不同組合方案，包含：(a)資料層級組合；(b)特徵層級組合(不同特徵空間)；(c)分類器組合(具有可訓練組合規則之固定分類器、具有固定組合規則之可訓練分類器等等)等等。另外，定序妨害篩選器之能力可用。然而，定序妨害篩選器僅係獨立分類器之一簡單連續執行且不嘗試藉由組合其等之強度而增強效能(例如，來自妨害篩選器組之效能最差妨害分格(bin)將移除最關注缺陷(DOI))。
因此，開發可提供相較於當前使用之方法及系統之改良缺陷分類之用於分類在一晶圓上偵測之缺陷之系統及/或方法將為有利的。
各種實施例之下列描述不應以任何方式解釋為限制隨附申請專利範圍之標的物。
一項實施例係關於一種用於分類在一晶圓上偵測之缺陷之電腦實施方法。該方法包含獲取用於偵測一訓練晶圓上之缺陷之一資料訓練集及針對該訓練集中之該等缺陷判定之缺陷分類。該方法亦包含：藉由將該資料訓練集輸入至兩個或兩個以上缺陷分類器中來實行兩個或兩個以上缺陷分類程序；及比較藉由該兩個或兩個以上缺陷分類器產生之缺陷分類結果與針對該訓練集中之該等缺陷判定之該等缺陷分類。另外，該方法包含：基於該比較步驟之結果來判定該兩個或兩個以上缺陷分類器中之一或多個分格之一或多個特性；及基於該所判定之一或多個特性將一排名指派至該兩個或兩個以上缺陷分類器中之該 一或多個分格。該方法進一步包含：基於經指派至該一或多個分格之該排名來選擇待包含於一複合式缺陷分類器中之該兩個或兩個以上缺陷分類器之至少兩者；及使用一檢測系統獲取用於該晶圓之檢測結果。該等檢測結果包含用於偵測該晶圓上之缺陷之資訊。該方法亦包含：藉由將用於偵測該晶圓上之該等缺陷之該資訊輸入至經選擇以包含於該複合式缺陷分類器中之該至少兩個缺陷分類器之各者中，且對於經指派至該複合式缺陷分類器中之兩個或兩個以上分格之該等缺陷之至少一者，基於經指派至該兩個或兩個以上分格之該排名來判定用於該等缺陷之該至少一者之一分格，而分類在該晶圓上偵測之該等缺陷。藉由一電腦系統實行該獲取該訓練集之步驟、該實行步驟、該比較步驟、該判定步驟、該指派步驟、該選擇步驟、該獲取該等檢測結果之步驟及該分類步驟。
可如本文中進一步描述般實行上文描述之該方法。另外，上文描述之該方法可包含本文中描述之任何其他(諸)方法之任何其他(諸)步驟。此外，可藉由本文中描述之該等系統之任一者實行上文描述之該方法。
另一實施例係關於另一種用於分類在一晶圓上偵測之缺陷之電腦實施方法。此方法包含使用一檢測系統獲取用於該晶圓之檢測結果。該等檢測結果包含用於偵測該晶圓上之缺陷之資訊。此方法亦包含藉由將用於偵測該晶圓上之該等缺陷之該資訊輸入至包含於一複合式缺陷分類器中之至少兩個缺陷分類器之各者中，且對於經指派至該複合式缺陷分類器中之兩個或兩個以上分格之該等缺陷之至少一者，基於經指派至該兩個或兩個以上分格之一排名來判定用於該等缺陷之該至少一者之一分格而分類在該晶圓上偵測之該等缺陷。基於針對該兩個或兩個以上分格判定之一或多個特性將該排名指派至該兩個或兩個以上分格。基於用於一訓練集中之缺陷之預定缺陷分類與藉由該至 少兩個缺陷分類器針對該訓練集中之該等缺陷判定之缺陷分類之一比較來判定該一或多個特性。藉由一電腦系統實行該等獲取及分類步驟。
可如本文中進一步描述般實行上文描述之該方法。另外，上文描述之該方法可包含本文中描述之任何其他(諸)方法之任何其他(諸)步驟。此外，可藉由本文中描述之該等系統之任一者實行上文描述之該方法。
一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一電腦系統上執行之程式指令以實行用於分類在一晶圓上偵測之缺陷之一電腦實施方法。該電腦實施方法包含上文描述之該方法之該等步驟。該電腦可讀媒體可如本文中描述般進一步組態。可如本文中進一步描述般實行該電腦實施方法之該等步驟。另外，該電腦實施方法(可針對其執行該等程式指令)可包含本文中描述之任何其他(諸)方法之任何其他(諸)步驟。
一額外實施例係關於一種經組態以分類在一晶圓上偵測之缺陷之系統。該系統包含經組態以獲取用於該晶圓之檢測結果之一檢測子系統。該等檢測結果包含用於偵測該晶圓上之缺陷之資訊。該系統亦包含一電腦子系統，該電腦子系統經組態以用於實行上文描述之該方法之該獲取一資料訓練集之步驟、該實行步驟、該比較步驟、該判定步驟、該指派步驟、該選擇步驟及該分類步驟。可如本文中描述般進一步組態該系統。
100‧‧‧缺陷分類器
102‧‧‧缺陷分類器
104‧‧‧缺陷分類器
106‧‧‧缺陷分類器
108‧‧‧缺陷群體輸入
110‧‧‧分格
112‧‧‧分格
114‧‧‧分格
116‧‧‧分格
118‧‧‧分格
120‧‧‧分格
122‧‧‧分格
124‧‧‧分格
126‧‧‧分格
128‧‧‧分格
130‧‧‧分格
132‧‧‧分格
134‧‧‧分格
136‧‧‧分格
138‧‧‧分格
140‧‧‧分格
142‧‧‧分格
144‧‧‧分格
146‧‧‧分格
148‧‧‧分格
400‧‧‧缺陷
400a‧‧‧缺陷
402‧‧‧晶圓
404‧‧‧複合式缺陷分類器
406‧‧‧仲裁步驟
408‧‧‧分類
500‧‧‧電腦可讀媒體
502‧‧‧程式指令
504‧‧‧電腦系統
602‧‧‧檢測子系統
604‧‧‧晶圓
606‧‧‧光源
608‧‧‧收集器
610‧‧‧偵測器
612‧‧‧電腦子系統
614‧‧‧電腦子系統
在閱讀以下實施方式且參考隨附圖式之後可變得明白本發明之其他目標及優勢，在圖式中：圖1係圖解說明可用於本文中描述之實施例中之兩個或兩個以上缺陷分類器之實例之一示意圖； 圖2係圖解說明可經指派至藉由本文中描述之實施例在圖1中展示之兩個或兩個以上缺陷分類器中之分格之排名之一項實施例之一示意圖；圖3係圖解說明可經選擇以包含於根據本文中描述之實施例之一複合式缺陷分類器中之兩個或兩個以上缺陷分類器之一子集之一實例之一示意圖；圖4係圖解說明可使用本文中描述之複合式缺陷分類器實施例來實行以分類缺陷之步驟之一項實施例之一示意圖；圖5係圖解說明儲存可在一電腦系統上執行以實行本文中描述之電腦實施方法之一或多者之程式指令之一非暫時性電腦可讀媒體之一項實施例之一方塊圖；且圖6係圖解說明經組態以分類在一晶圓上偵測之缺陷之一系統之一項實施例之一側視圖之一示意圖。
雖然本發明易受各種修改及替代形式影響，但其之特定實施例在圖式中藉由實例展示且將在本文中詳細描述。然而，應理解，圖式及其等之詳細描述非意欲將本發明限於所揭示之特定形式，而相反地，意圖係涵蓋如隨附申請專利範圍定義之歸屬於本發明之精神及範疇內之所有修改、等效物及替代方案。
現轉至圖式，應注意，圖式不按比例繪製。特定言之，圖式之一些元件之尺度經極大放大以強調元件之特性。亦應注意，圖式不按相同比例繪製。已使用相同參考數字指示在一個以上圖式中展示之元件可經類似組態。除非在本文中另外提及，描述及展示之元件之任一者可包含任何合適市售元件。
一項實施例係關於一種用於分類在一晶圓上偵測之缺陷之電腦實施方法。本文中描述之實施例提供一新分類器訓練方法，其利用潛 在多變且部分訓練之目標之成果以產生更精確且穩健之分類器。本文中描述之實施例將關於大量採用晶圓檢測分析之分類及回歸樹(CART)型分類器來描述，但本文中描述之實施例可搭配任何類型之缺陷分類器一起使用，針對任何類型之缺陷分類器可估計諸如分類器中之各分格之純度及穩定性之一或多個特性。另外，儘管本文中描述之實施例關於僅一個類型之缺陷分類器來描述，但本文中進一步描述之複合式缺陷分類器可包含一個以上類型之缺陷分類器。
本文中描述之實施例係基於在用於產生具有不同鑑別臨限值之多個決策樹型分類器(例如，具有不同妨害率之分類器)之方法及系統之特性化期間做出之觀察。特定言之，應注意，決策樹之一部分(例如，一特定分格)可產生實質上良好之關注缺陷(DOI)-妨害分離，而分類器之其他部分較無用。另外，應注意，在不同樹中，即使具有類似妨害率，不同子群體仍可分類為「良好」。舉例而言，具有將相對低之妨害率作為輸入之缺陷群體之分類器傾向於具有少數實質上純DOI分格，而其等之妨害分格充分受到非妨害之污染。其中缺陷群體輸入具有相對高之妨害率之分類器傾向於具有相反行為。因此，致力於組合各種分類器之「良好」部分以達成更佳且更穩健缺陷型分離似乎係有希望的，且本文中描述之實施例可用於實行此組合。
該方法包含獲取用於偵測一訓練晶圓上之缺陷之一資料訓練集及針對該訓練集中之該等缺陷判定之缺陷分類。訓練晶圓可包含此項技術中使用之任何合適訓練晶圓。用於選擇訓練集之方法對於任何分類器之訓練及效能係十分重要的。一般言之，訓練集應儘可能表示整個群體。產生用於偵測訓練晶圓上之缺陷之資料訓練集可包含在訓練晶圓上實行一檢測程序且接著使用某種缺陷檢視工具或方法分類缺陷。舉例而言，可藉由使用一缺陷檢視工具(例如，一掃描電子顯微鏡(SEM))成像訓練晶圓上之缺陷且接收來自一使用者之基於影像之缺 陷分類資訊來分類缺陷。以此方式，用於訓練集中之缺陷之缺陷分類可通稱為「實況」(ground truth)資料。資料訓練集可包含藉由在訓練晶圓上實行之檢測程序(及任何缺陷檢視程序)針對缺陷產生之任何其他資料或資訊。
在一項實施例中，訓練集中之缺陷包含DOI及妨害。舉例而言，資料訓練集較佳地包含DOI及妨害兩者，使得可如本文中進一步描述般基於缺陷分類器正確分類DOI及妨害之能力評估缺陷分類器。DOI可包含此項技術中已知之任何類型之DOI，且妨害可包含此項技術中已知之任何類型之妨害。換言之，本文中描述之實施例不限於可用於評估缺陷分類器及可藉由如本文中描述般產生之分類器分類之缺陷類型。另外，訓練晶圓不限於晶圓本身之類型。換言之，本文中描述之實施例可用於產生及使用用於此項技術中已知之任何類型之晶圓之缺陷分類器。
方法亦包含藉由將資料訓練集輸入至兩個或兩個以上缺陷分類器中來實行兩個或兩個以上缺陷分類程序。可以此項技術中已知之任何合適方式實行將資料訓練集輸入至兩個或兩個以上缺陷分類器中。可以此項技術中已知之任何合適方式建立在此步驟中使用之兩個或兩個以上缺陷分類器。另外，可手動實行或在自動調諧引擎之幫助下實行建立兩個或兩個以上缺陷分類器。因此，本文中描述之實施例可經組態以獲取自動調諧引擎之輸出且可存取至其上訓練分類器之相同訓練資料。兩個或兩個以上缺陷分類器可包含具有不同鑑別臨限值之數個分類器。
在一項實施例中，方法包含在將一排名指派至兩個或兩個以上缺陷分類器中之一或多個分格(如本文中進一步描述)之前，使用一組經修改貝葉斯(Bayesian)先驗來調諧兩個或兩個以上缺陷分類器之至少一者以產生圖解說明至少一個缺陷分類器之效能之一標繪圖。舉例 而言，本文中描述之方法可包含使用一組經修改貝葉斯先驗來調諧(自動建構)個別分類器以產生一接收器操作特性(ROC)曲線。不同先驗產生具有DOI分格中之不同級妨害率之分類器，此係產生標定不同純度/分離特性目標之多個解決方案(分類器)之一方式。另外，可基於變化鑑別臨限值(變化妨害率目標或變化貝葉斯先驗)使用自動調諧方法產生兩個或兩個以上缺陷分類器。亦可根據可靠地分離DOI與妨害之特定子群體之目標而手動建構兩個或兩個以上缺陷分類器。舉例而言，缺陷分類器可為經訓練以一次分離一個DOI之最近鄰或線性(非線性)鑑別式分類器。可以此項技術中已知之任何合適方式實行訓練分類器一次分離一個DOI，可藉由使用購自KLA-Tencor、Milpitas、Calif之一些現有產品。
用於實行兩個或兩個以上缺陷分類程序之兩個或兩個以上缺陷分類器可包含在實行方法時可用之任何及所有缺陷分類器。然而，在如本文中描述之方法中評估之兩個或兩個以上缺陷分類器可出於效率目的以某方式減少數目。舉例而言，若一已知缺陷分類器未經組態以分類包含於缺陷訓練集中之任何DOI，則缺陷分類器可不用於本文中描述之實施例中。反之亦然。在實行方法時已知且經組態以分類包含於缺陷訓練集中之DOI之至少一者之任何缺陷分類器可用於本文中描述之實施例中。另外，用於本文中描述之實施例中之缺陷分類器可僅包含已存在之分類器、僅包含在實行方法之前未存在且因此藉由如本文中描述之方法建立之分類器、包含藉由本文中描述之實施例以某方式修改(例如，調諧)之一或多個預存在分類器或包含其等之某組合。換言之，本文中描述之實施例可包含或可不包含建立及/或修改用於本文中描述之實施例中之一或多個個別分類器。
儘管可以任何合適方式產生用於本文中描述之實施例中之個別缺陷分類器，但現將描述產生個別分類器之一尤其有用之方式。此方 法可包含提供或獲取待用於樹建立之缺陷屬性之一清單。可以任何合適方式獲取或產生缺陷屬性之清單。舉例而言，一使用者可手動輸入缺陷屬性之清單。在另一實例中，可基於包含於訓練集中之缺陷之缺陷屬性來判定缺陷屬性之清單。
在個別分類器之各者之各層級，方法可尋找提供在該層級之最佳分離之屬性，且屬性可插入有提供此最佳分離之切割線(cutline)。構成最佳分離之物受到貝葉斯先驗之影響，且因此不同先驗將產生不同樹。先驗亦可經指派至各缺陷類型，即使最終關注之分類係二進制分類，即，妨害對DOI。
接著，可在未達成自一層級至下一層級之一特定層級之改良時終止一樹之建構。此結束一個樹之建構。個別分類器之各葉節點可取決於來自訓練集之哪一類型係分格中之缺陷子群體之大部分而攜載一標籤「妨害」或「DOI」。
可用於本文中描述之實施例中的替代建構方法涉及屬性選擇的隨機化及/或不同停止準則。
在一項實施例中，實行缺陷分類程序包含基於針對訓練集中之缺陷判定的缺陷分類來調諧兩個或兩個以上缺陷分類器。因此，本文中描述之實施例可包含一分類器訓練(調諧)步驟。存在其中可訓練兩個或兩個以上缺陷分類器之多種方式。舉例而言，在訓練期間，可出於特定目標而調諧若干分類器。此調諧可為建置一分類器以分離缺陷之一特定子群體與其餘部分之一手動程序或更可能為一半自動調諧程序，該半自動調諧程序可包含此項技術中已知之任何此調諧程序。另外，本文中描述之比較步驟的結果(其中比較一分類器的缺陷分類結果與針對訓練集中之缺陷判定的缺陷分類)可用於更改分類器的一或多個參數，使得由分類器產生的缺陷分類結果儘可能緊密匹配預定缺陷分類，藉此調諧分類器。此外，可藉由任何現有調諧方法產生用於 本文中描述之實施例中之兩個或兩個以上缺陷分類器。因此，可藉由本文中描述之方法建立用於本文中描述之方法中之兩個或兩個以上缺陷分類器。然而，在本文中描述之方法中使用的缺陷分類器可由某其他系統及方法建立，且接著由本文中描述之實施例獲取。另外，在本文中描述之方法中使用之缺陷分類器可包含在實行本文中描述的方法時存在的任何及/或所有缺陷分類器。
圖1圖解說明可用於本文中描述之實施例中之數個不同分類器的實例。舉例而言，缺陷分類器可包含分類器100、102、104及106。如在圖1中展示，缺陷分類器之各者具有不同於其他缺陷分類器之各者之一決策樹結構。然而，兩個或兩個以上缺陷分類器可具有相同決策樹結構但分格之間不同的參數(切割線)。另外，具有相同決策樹結構之缺陷分類器可經組態以使用缺陷屬性之不同組合，以用於缺陷之分離。由本文中描述之缺陷分類器使用之缺陷屬性可包含任何合適缺陷屬性，諸如可在一晶圓檢測程序期間，由一晶圓檢測工具判定之量值、極性、灰階、參考粗糙度、能量及類似物。
如在圖1中進一步展示，缺陷分類器100可將缺陷群體輸入108分離至分格110及112中。接著，缺陷分類器可將分格110中之缺陷子群體分離至分格114及116中。另外，缺陷分類器可將分格112中之缺陷子群體分離至分格118及120中。分格114、116、118及120之一些可為DOI分格，且其他分格可為妨害分格。
如在圖1中進一步展示，缺陷分類器102可將缺陷群體輸入108分離至分格122及124中。接著，缺陷分類器可將分格122中之缺陷子群體分離至分格126及128中。分格124、126及128之一些可為DOI分格且其他分格可為妨害分格。
另外，缺陷分類器104可將缺陷群體輸入108分離至分格130及132中，而不進一步分離分格130及132中之子群體。因此，缺陷分類 器104表示最簡單可能版本之一基於決策樹之分類器。分格130及132之一者可為一DOI分格且分格130及132之另一者可為一妨害分格。
如在圖1中進一步展示，缺陷分類器106可將缺陷群體輸入108分離至分格134及136中。接著，缺陷分類器可將分格134中之缺陷子群體分離至分格138及140中。另外，缺陷分類器可將分格136中之缺陷子群體分離至分格142及144中。缺陷分類器可將分格138中之缺陷子群體進一步分離至分格146及148中。分格140、142、144、146及148之一些可為DOI分格且其他分格可為妨害分格。
因此，如自圖1可見，相同群體中之缺陷可藉由不同分類器分離至數個不同分格中。因而，群體中之一缺陷可藉由不同分類器指派為不同分類。如上文描述，缺陷分類器可包含數個DOI分格(例如，至少一個DOI分格)及數個妨害分格(至少一個妨害分格)。在一些例項中，任何一個缺陷分類器中之所有(諸)DOI分格可用於相同類型之DOI。此等缺陷分類器可在缺陷分類之目標係二進制分類使用情況(即，妨害篩選)時使用。然而，本文中描述之實施例可擴展至多DOI類別分類。在此等實施例中，缺陷分類器之一或多者可經組態以具有用於不同DOI類型之多個DOI分格，使得不同類型之DOI可經分離至相同樹中之不同分格中。
方法進一步包含比較藉由兩個或兩個以上缺陷分類器產生之缺陷分類結果與針對訓練集中之缺陷判定之缺陷分類。舉例而言，對於訓練集中之任何一個缺陷，比較步驟可比較藉由所有兩個或兩個以上缺陷分類器(例如，在圖1之實例中，缺陷分類器100、102、104及106)指派至缺陷之缺陷分類與用於包含於訓練集中之缺陷之缺陷分類。因此，比較步驟之輸出可包含關於缺陷分類器之各者是否將正確缺陷分類(訓練集中之分類)指派至缺陷之各者之一些資訊。一分類器是否將正確分類指派至一缺陷可如本文中進一步描述般使用以判定關 於分類器之資訊。
方法亦包含基於比較步驟之結果來判定兩個或兩個以上缺陷分類器中之一或多個分格之一或多個特性。因此，方法在(諸)資料訓練集上分析多個決策樹。換言之，方法可藉由判定基於缺陷是否已藉由分類器指派至正確分格之(諸)分格特性來分析多個缺陷分類器。可基於如本文中進一步描述之數個不同特性以數個不同方式實行此步驟。
在一些實施例中，經輸入至兩個或兩個以上缺陷分類器以實行兩個或兩個以上缺陷分類程序之資料訓練集可包含完整資料訓練集。然而，在一些例項中，僅資料訓練集之一部分可經輸入至兩個或兩個以上缺陷分類器中。資料訓練集可出於交叉驗證之目的以此方式分裂。舉例而言，交叉驗證係指其中一訓練集經分裂為實際上經訓練之缺陷之一群組及其上評估訓練之一不同群組之一方法。在此一實例中，訓練集可經分裂為覆蓋整個訓練集之約相同數目個缺陷之10個不相交隨機選擇組(約整個訓練集之10%)。接著，對於10個組之各者，吾等將使用訓練集之其他90%進行訓練且使用較小測試組(約訓練集之10%)驗證所訓練模型。
在一些此等例項中，方法可包含使用訓練資料集之約90%之不同部分訓練，且接著基於訓練資料集評估諸如至少一些分格之穩定性及純度之一或多個特性。可選擇最佳分類器，且可如本文中進一步描述般判定該等分類器之分格評分。此程序可針對其他組重複直至以此方式處理所有缺陷。
方法進一步包含基於所判定之一或多個特性將一排名指派至兩個或兩個以上缺陷分類器中之一或多個分格。以此方式，上文描述之缺陷分類器之分析(其導致一或多個分格之一或多個所判定特性)可用於排名一或多個分格。特定言之，所有分類器之上述分析可用於達成用於在訓練集上執行之所有分類器之所有分格之一排名方案。指派步 驟之輸出可為兩個或兩個以上缺陷分類器中之所有分格之一排名。在一些例項中，使用者輸入可用於參數化排名方案(例如，相較於分格穩定性，應多給予分格純度多少權重)。可如本文中進一步描述般以數種不同方式實行指派排名。
在指派步驟之結果之一項實施例中，如在圖2中展示，藉由缺陷分類器100、102、104及106產生之分格之各者可經指派自1至14之一排名，如藉由圖2中之分格上之數字展示。可基於本文中進一步描述之(諸)特性之任一者來指派此等排名。如在圖2中展示，並無兩個分格經指派相同排名。以此方式，若一缺陷經分離至兩個或兩個以上分格之任一者中，則如本文中進一步描述般實行之分類可基於排名明確仲裁用於缺陷之最終分格。舉例而言，若一缺陷經指派至對應於不同缺陷分類之兩個不同分格且若分格皆不具有相同排名，則其中已分離缺陷之兩個分格將必然具有不同排名，藉此使用於缺陷之最終缺陷分類之仲裁更簡單。然而，可想到，缺陷分類器之一或多者中之一些分格可經指派相同排名，且一更複雜仲裁方案可用於其中一缺陷經指派至具有相同排名之兩個或兩個以上分格之情況(例如，使用藉由本文中描述之一實施例判定之排名與使用者指派之權重之一組合)。儘管排名在圖2中展示為整數(其等係完整數字)，但用於所描述實施例中之排名可具有任何合適格式。另外，相比於自(例如)0至100之簡單評分，此「階層式」排名允許使用者輸入評分之哪一部分更重要。換言之，此等方案允許使用者加權於頻繁競爭準則上以產生具有不同特性(例如，更穩定或更純等等)之分類器。
如在圖2中進一步展示，由所有缺陷分類器導致之所有分格已經針對彼此共同排名。因此，DOI分格及妨害分格皆已經共同地且針對彼此排名。以此方式，DOI分格並未針對彼此與妨害分格分開排名。舉例而言，由於一缺陷可藉由一個缺陷分類器分類為一DOI分格且藉 由另一缺陷分類器分類為一妨害分格，故若所有可能(DOI及妨害)分格已經共同排名，則可容易地比較用於一個缺陷之DOI分格與妨害分格之排名，從而使本文中描述之缺陷分類仲裁儘可能簡單。
在一項實施例中，一或多個特性包含指派至兩個或兩個以上缺陷分類器中之一或多個分格之訓練集中之缺陷之純度，且指派至一或多個分格之排名係基於純度，使得較高排名對應於較高純度。一分格中之缺陷之純度通常可定義為正確指派至分格之缺陷對不正確指派至分格之缺陷之某量測(例如，數目、比率、百分比等等)。舉例而言，可基於經指派至分格之缺陷(其等係DOI類型分格)之數目對指派至分格之缺陷(其等係一不同類型之DOI或一妨害)之數目來判定一DOI分格之純度。在此一實例中，可基於經指派至分格之橋接缺陷之數目對指派至分格之其他非橋接DOI及妨害之數目來判定用於橋接缺陷之一分格之純度。以此方式，包含99個橋接缺陷及1個非橋接缺陷之用於橋接缺陷之一個分格更純於包含70個橋接缺陷及30個非橋接缺陷之用於橋接缺陷之一不同分格。可以一類似方式判定妨害分格之純度。一旦已判定經考量之各分格之純度，純度可彼此比較以藉此判定分格自最純至最不純之順序，接著此可用於指派排名，如本文中描述。
在另一實施例中，一或多個特性包含指派至兩個或兩個以上缺陷分類器中之一或多個分格之訓練集中之缺陷之穩定性，且指派至一或多個分格之排名係基於穩定性，使得較高排名對應於較高穩定性。指派至一分格之一訓練集中之缺陷之穩定性通常可定義為接近於分格之(諸)切割線之分格中之缺陷之一密度之一量測。以此方式，穩定性可為多少缺陷具有相對靠近於分格之一切割線之屬性之一指示。舉例而言，一晶圓(相較於訓練晶圓)上之相對小、非缺陷相關之改變可導致在晶圓上偵測之缺陷(相較於缺陷訓練集)之一或多個特性中之相對小改變，該等特性用於分類缺陷。因此，若訓練晶圓上之一缺陷具有 實質上靠近於一分格之一切割線之一特性，則(諸)缺陷特性中之相對小改變可導致非訓練晶圓上之缺陷經錯誤指派至一不同分格。因而，非訓練晶圓上之缺陷本應指派至其之分格對於晶圓上之相對小、非缺陷相關之改變相對不穩定。隨後，較穩定之缺陷分格相較於較不穩定之缺陷分格「更佳」或更穩健且本文中描述之排名可經指派以反映該等分格差異。
在一額外實施例中，一或多個特性包含兩個或兩個以上缺陷分類器之至少一者將訓練集中之缺陷正確分離至一或多個分格中之可靠性，且指派至一或多個分格之排名係基於可靠性，使得較高排名對應於較高可靠性。以此方式，可識別樹之最可靠且最可鑑別部分。通常可基於分格之其他(諸)特性(諸如本文中進一步描述之純度及穩定性)來定義分格之可靠性。然而，可基於經指派至分格之訓練集中之缺陷之其他(諸)特性(諸如精確性、精密度等等或可用於評估缺陷分類器關於個別分格之效能之任何其他特性)來判定分格之可靠性。以此方式，缺陷分類器之各者中之分格之各者之可靠性可彼此比較以判定分格自最可靠至最不可靠之順序，且因此可基於該順序指派排名，如本文中進一步描述。
因此，如本文中描述，可基於分格之各種不同特性指派各分格之排名。無關於用於本文中描述之實施例中之特性，各分格之排名將始終係匹配分格之標籤(例如，作為一DOI分格之一標籤或作為一妨害分格之一標籤)之該類型缺陷之一共同所有。舉例而言，若一分格經指定為一DOI分格，則其將係DOI群體之純度，DOI群體之純度將判定分格之(諸)純度特性。對於穩定性，若分格中之DOI在某種程度上「遠離」於切割線，且切割線之另一側上(即，相鄰分格中)之妨害群體亦「遠離」於切割線，則此一分格將獲得一相對高評分。
隨著用於所有分類器分格及分類邊界之此目標排名方案之發 展，接著可識別將達成更佳於個別(組成)分類器之單獨任一者之分類結果之分類器之一子集。儘管存在用於自動調諧決策樹分類器之諸多系統及方法，但此等系統及方法皆不針對可用於如本文中描述之多個分類器之一提出組合之純度、穩定性等等來分析及評分分類器之個別葉節點(分格)。替代性地，該等現有系統及方法依靠簡單表決準則來仲裁(例如，隨機森林方法)。
方法包含基於經指派至一或多個分格之排名來選擇待包含於一複合式缺陷分類器中之兩個或兩個以上缺陷分類器之至少兩者。選擇步驟可使用訓練資料及如上文描述般產生之排名來運作。換言之，其中已基於使用訓練資料產生之結果來排名分格之分類器可轉至選擇步驟。接著，兩個或兩個以上缺陷分類器之最佳子集可經選擇以用於本文中進一步描述之複合式缺陷分類器中。據信，僅將具有最佳分類區域之個別分類器組合為一更佳複合式分類器(如本文中描述)之概念在晶圓檢測方法中係全新的。另外，產生及選擇個別分類器(如本文中描述)據信在晶圓檢測方法中係全新的。此外，在訓練集上基於個別分類器之全域分格排名來實行選擇步驟(如本文中描述)據信係全新的。選擇步驟之輸出可為具有分類器之對應分格排名之分類器之選定子集。
可基於使用者輸入來實行選擇步驟以允許選擇步驟中之靈活性(自手動至演算法)。因此，識別待包含於複合式缺陷分類器中之缺陷分類器可存在不同自動層級。舉例而言，可自在訓練期間獲得之集合選擇缺陷分類器以自動最大化某特定度量，諸如特定DOI類型與妨害之整體鑑別力。替代性地，實施例可簡單地使一使用者可使用此等度量進行手動組合分類器。
由於用於方法中之兩個或兩個以上缺陷分類器可為不同類型之缺陷分類器，故至少兩個選定缺陷分類器可包含不同類型之缺陷分類 器。舉例而言，選定缺陷分類器可包含決策樹型缺陷分類器及/或最近鄰或線性(非線性)鑑別式分類器，其等可組合為更可靠分類所有DOI類型之一複合式缺陷分類器。
在一項實施例中，選擇步驟包含選擇兩個或兩個以上缺陷分類器之一子集，該子集包含針對缺陷訓練集中之最大組DOI指派最高排名之一或多個分格。以此方式，可選擇更可靠分類最大組DOI之分類器之子集。可使用最大化對應於其中已指派已知DOI之分格之排名同時最小化選定缺陷分類器之數目之任何方法及/或演算法實行此一選擇步驟。以此方式，可產生有效精確分類最多DOI之最簡單複合式缺陷分類器。
在另一實施例中，排名係回應於訓練集中之DOI與訓練集中之妨害之間在兩個或兩個以上缺陷分類器之一或多個分格中的分離，且選擇步驟包含基於經指派至一或多個分格之排名來選擇產生最大DOI分離之兩個或兩個以上缺陷分類器之一最小數目。DOI之間的分離通常可定義為一分類器將具有一特定分類之所有DOI指派至對應於該分類之分格中以藉此分離DOI與群體中之其他缺陷之能力。因此，舉例而言，可基於具有缺陷訓練集中之一特定DOI類型之缺陷(其等已藉由一分類器指派至對應分格)之總數之數目、百分比等等判定DOI之間的分離。接著，可按自最大DOI分離至最小DOI分離之順序排序分格。接著，可基於該順序指派排名。以此方式，可實行選擇步驟以選擇將產生最大DOI分離之分類器之最小子集。可使用最大化DOI分離同時最小化選定缺陷分類器之數目之任何方法及/或演算法實行此一選擇步驟。以此方式，可產生最大化DOI之間的分離之最簡單複合式缺陷分類器。
通常，個別分類器中之大部分分格將經部分混合(不純)。即使一個DOI類型之所有缺陷在一個分格中，但若相同分格中亦存在大量妨 害，則其非必然意謂此分格將為一良好分格。另一方面，少數橋接缺陷可在具有十分少妨害之一分格中結束，而一些其他橋接缺陷可在具有一較大妨害率之一分格中結束。在此一例項中，可自一個分類器取得具有相對高純度之一個分格，同時將更好分離相同DOI類型之其他缺陷之另一分類器可經搜尋且接著包含於複合式缺陷分類器中，如本文中進一步描述。因此，甚至在基於DOI分離評估分格時，分格「良好」可真正相關於分格之純度(及穩定性)。
值得提及的另一點係可藉由找到「良好」分離某妨害子群體之一些分格來達成較佳DOI分離。藉由此子群體可靠地進入至一高排名妨害分格中，吾等有效改良所有低排名DOI分格之純度，其中此等妨害缺陷可在其他分類器中結束。因此，分格之排名不僅可基於找到良好DOI分離，亦可基於找到其中可靠地隔離妨害之一些分格。
在一額外實施例中，方法包含藉由儲存用於至少兩個選定缺陷分類器的資訊連同指派至包含於至少兩個選定缺陷分類器中之一或多個分格的排名來產生複合式缺陷分類器。舉例而言，分類器之選定子集可攜載來自每一分格上之訓練程序的排名資訊。另外，儲存資訊可包含將用於複合式缺陷分類器之資訊附加至其中將使用該複合式缺陷分類器的任何檢測配方。可以任何合適方式且以任何合適儲存媒體(包含本文中進一步描述之方式及媒體)儲存指派至一分類器中之分格的排名以及用於分類器的其他資訊。
如在圖3中展示，於圖1及圖2中展示之缺陷分類器之此一實例中，僅缺陷分類器100、104及106經選擇以被包含於複合式缺陷分類器中。以此方式，在圖1及圖2中展示之缺陷分類器102未經選擇以被包含於複合式缺陷分類器中，複合式缺陷分類器僅包含已在方法中考量之所有缺陷分類器之一子集。如在圖3中進一步展示，可留存已經指派至選定缺陷分類器中之分格之各者的排名，且接著可儲存該資訊 以及用於缺陷分類器的任何及所有資訊(例如，缺陷分類器識別、分格識別、諸如切割線之參數等等)。以此方式，可如本文中進一步描述般使用所留存及儲存的排名。
在一進一步實施例中，方法包含基於至少兩個選定缺陷分類器來產生複合式缺陷分類器，且產生複合式缺陷分類器不包含更改至少兩個選定缺陷分類器之任一者。在一些實施例中，方法包含基於至少兩個選定缺陷分類器來產生複合式缺陷分類器，且產生複合式缺陷分類器不包含調諧至少兩個選定缺陷分類器之任一者。舉例而言，方法可包含可使用資料訓練集實行之分類器訓練(調諧)。特定言之，本文中描述之比較步驟的結果(其中比較一分類器之缺陷分類結果與針對訓練集中之缺陷判定的缺陷分類)可用於更改分類器之一或多個參數，使得由分類器產生之缺陷分類結果儘可能緊密匹配預定缺陷分類，藉此調諧分類器。因而，針對分類器中之分格判定的一或多個特性(如本文中描述)可為兩個或兩個以上經調諧缺陷分類器中之一或多個分格的一或多個特性。另外，將使用經調諧分類器來實行方法的其他步驟。因而，在選擇至少兩個缺陷分類器之後，可基於選定缺陷分類器產生複合式缺陷分類器，而不實行對分類器之任何額外調諧。
在又另一實施例中，方法包含基於至少兩個選定缺陷分類器來產生複合式缺陷分類器，且產生複合式缺陷分類器不包含將至少兩個選定缺陷分類器組合為缺陷分類器之一序列。舉例而言，如本文中進一步描述，複合式缺陷分類器包含至少兩個選定缺陷分類器，但複合式缺陷分類器中包含選定缺陷分類器不包含更改或修改個別選定缺陷分類器。因此，樹未經修改以改變來自在一晶圓上偵測之缺陷群體之個別分類器的輸入且被分類至另一個別分類器的輸出。換言之，在複合式缺陷分類器中，未配置個別分類器，使得一個分類器之輸出係至另一分類器之輸入。因此，產生一複合式缺陷分類器不等效於將相對 小決策樹組合為一單一較大決策樹，其中待分類之缺陷群體僅輸入一次，且其中一缺陷經指派至僅一個分格。
因此，本文中描述之實施例不同於其他當前使用之缺陷分類器及用於產生缺陷分類器之其他當前使用之方法。舉例而言，據信，在一晶圓檢測程序中尚未嘗試組合分類器(諸如本文中描述之組合)。僅稍微類似之能力係在一生產掃描期間之多個妨害篩選器之定序。然而，在此流程中，篩選係僅基於篩選器之循序執行，且不使用更複雜組合器規則。由於各篩選器可經調諧以篩選出一特定妨害源，故經定序之妨害篩選器係實質上強大的，但本文中描述之實施例亦將允許識別人類專家可忽略之趨勢且實施例亦可應用至分格化(binning)。
用於產生缺陷分類器之一些其他當前使用之方法係基於「隨機森林」分類。此係一「總體」方法，其中隨機建立較大數目個樹一在每一決策樹之各節點處隨機選擇屬性一且通常在不修剪之情況下建置樹直至所有分格皆純淨。藉由坐落於各分格中之訓練集中之缺陷之類型來判定該分格上之標籤。接著，在分類期間使用所有樹，且各缺陷基於一簡單表決來獲得一標籤，即，若大部分樹將一缺陷分類為A型，則缺陷將被分類為A型。
本文中描述之方法十分不同於隨機森林分類器。存在至少四個基本差異。舉例而言，在本文中描述之實施例中，個別樹僅經建構至固定深度，且經常甚至更早終止，此係歸因於對鑑別力自一層級至下一層級之某最小改良之要求。因此，用於本文中描述之實施例中之候選分類器中之分格通常不純，此不同於在隨機森林分類中。在另一實例中，「森林」或用於本文中描述之實施例中之該組候選樹之產生方式不同。特定言之，建立用於本文中描述之實施例中之候選樹之森林之主要方法可基於使用經修改貝葉斯先驗(即，變化鑑別臨限值)產生一解決方案。在一額外實例中，來自此森林之樹之一子集經選擇以用 於分類之一方式(如本文中多處描述)(例如，僅分類具有最高可能評分分格之所有缺陷所需之樹)不同於上文描述之隨機森林分類器。在一進一步實例中，用於本文中描述之實施例中之分類之仲裁方案不同，如本文中廣泛描述。
相比之下，本文中描述之實施例不僅可用於分析個別分類邊界之可靠性及識別各分類器之最純且最穩定分格，實施例亦提供：(a)用於自一給定組識別最相容分類器之一子集(基於分格排名資訊)以用於識別一組最相容分類器之一方法，及(b)基於分格排名之(諸)組合方法。
方法包含使用一檢測系統獲取晶圓之檢測結果。檢測結果包含用於偵測晶圓上之缺陷之資訊。一使用者可選擇用於方法中之檢測結果檔案。檢測結果可包含關於偵測晶圓上之缺陷之資訊(諸如偵測晶圓上之缺陷之位置)及用於偵測晶圓上之缺陷之任何其他資訊(諸如針對缺陷判定之缺陷屬性及針對缺陷產生之影像資料或影像)。獲取檢測結果可包含使用檢測系統掃描晶圓。換言之，獲取檢測結果可包含使用一檢測系統在一晶圓上實行一晶圓檢測程序，藉此偵測晶圓上之缺陷且產生用於缺陷之資訊。然而，獲取檢測結果可包含獲取來自一儲存媒體之檢測結果，在該儲存媒體中已藉由檢測系統儲存檢測結果。
方法進一步包含藉由將用於偵測晶圓上之缺陷之資訊輸入至經選擇以包含於複合式缺陷分類器中之至少兩個缺陷分類器之各者中，且對於經指派至複合式缺陷分類器中之兩個或兩個以上分格之缺陷之至少一者，基於經指派至兩個或兩個以上分格之排名來判定用於缺陷之至少一者之一分格而分類在晶圓上偵測之缺陷。因此，方法包含一分類器執行步驟，其可藉由一分類器執行引擎來實行。分類步驟可使用包含於複合式缺陷分類器中之所有缺陷分類器處理所有缺陷。以此 方式，在量產晶圓(production wafer)上，可執行複合式缺陷分類器中之所有分類器，且可判定用於各缺陷之最可靠分類。接著，缺陷可經指派至對應分格。
在一些實施例中，對於經指派至複合式缺陷分類器中之兩個或兩個以上分格之缺陷之至少一者，基於經指派至兩個或兩個以上分格之排名來判定用於缺陷之至少一者之分格包含比較兩個或兩個以上分格之排名且將缺陷之至少一者指派至具有最高排名之兩個或兩個以上分格之一者。以此方式，可藉由基於最高排名分格(缺陷係其之部分)來仲裁部分結果而將分類指派至各缺陷。以此方式，可基於經指派至缺陷之各種分類之排名來判定用於一缺陷之分類，藉此產生最終分類。在執行期間，分格之數目(各缺陷經指派至其等)應等於複合式分類器中之個別分類器之數目。
在此一實施例中，如在圖4中展示，用於晶圓之檢測結果包含用於偵測晶圓402上之缺陷400之資訊。在此圖式中展示缺陷僅用以進一步理解分類步驟且非旨在圖解說明可如本文中描述般在一晶圓上偵測且分類之任何特定缺陷。舉例而言，本文中描述之實施例不限於可經分類之缺陷類型或可使用實施例之晶圓類型。
在此圖式中展示之複合式缺陷分類器404包含如在上文之圖3之實例中描述般選擇以包含於複合式缺陷分類器中之缺陷分類器100、104及106。在已針對晶圓402獲取檢測結果之後，在晶圓上偵測且待分類之所有缺陷將被輸入至包含於複合式缺陷分類器中之缺陷分類器100、104及106之各者。若可同時執行缺陷分類器，則可並列運行所有缺陷分類器。然而，若出於某種原因(例如，可用計算資源)無法同時執行缺陷分類器，則可連續執行缺陷分類器。然而，無論在何種情況中，至缺陷分類器之各者之輸入將完全相同(即，在晶圓上偵測且待分類之相同缺陷群體)。以此方式，一個缺陷分類器之結果未輸入 至另一缺陷分類器，如將係按缺陷分類器之一序列來組態缺陷分類器時之情況。
現將關於晶圓上之一單一缺陷來描述分類程序，但應理解，可針對在晶圓上偵測之任何或所有缺陷實行此分類。特定言之，如在圖4中展示，用於缺陷400a之資訊經輸入至所有缺陷分類器100、104及106。缺陷分類器之各者將缺陷指派至一分格。因此，缺陷400a已經指派至三個不同分格。接著，根據本文中描述之實施例指派至該三個不同分格之排名可經發送至仲裁步驟406，在最簡單實施方案中，仲裁步驟406包含比較所有分格之排名與已經指派缺陷之分格之排名，且將缺陷之分類判定為對應於具有最高排名之分格之分類。因此，仲裁步驟之輸出可包含分類408，分類408可接著經指派至缺陷400a。接著，以此方式判定之分類可以相同於儲存及使用任何其他缺陷分類之方式來儲存及使用。
在一些實施例中，可針對任何缺陷實行仲裁步驟，無關於對應於其中已經指派缺陷之分格之分類。然而，在一些例項中，仲裁步驟可包含比較對應於其中已經指派一缺陷之分格之分類。若對應於已經指派一缺陷之所有分格之所有分類皆相同，則仲裁可包含簡易地將該分類指派至缺陷，而不比較分格之排名。然而，若已經指派一缺陷之任何兩個或兩個以上分格具有不同對應分類，則仲裁可涉及比較排名，如上文描述。
因此，本文中描述之實施例涉及排名兩個或兩個以上缺陷分類器之分格(例如，自最純及最穩定至最不純及最不穩定)且基於最高排名之分格分類缺陷。此一方法對於CART型分類器可尤其有用。亦可在本文中描述之實施例中發展及使用可應用至其他類型之分類器之其他組合器規則。舉例而言，組合器規則可包含基於(a)AND、(b)OR、(c)多數表決、(d)N分之k分類器或(e)用於DOI之波達計數法 (Borda count)之固定規則。另一可能方法係基於藉由分格評分加權之表決之一方法。此係簡單多數表決與基於最高評分分格之分類之間的一權衡。在另一實例中，組合器規則可包含一貝葉斯組合器，其依靠估計個別分類器之後驗概率且最小化貝葉斯誤差(或風險)之能力。在一額外實例中，組合器規則可為可訓練組合器，其中個別分類器之組合本身可被視為使用訓練及驗證資料集之分類器訓練程序之部分。此外，組合器規則可為相關於組合器訓練之一掛袋法(bagging method)，其中自舉聚集(bootstrap aggregation)用於產生用於研究分類器穩定性之較大(隨機)資料集。另外，組合器規則可包含一增強(boosting)程序，其循序產生分類器及訓練集。在此方法中，來自一個分類器之分類結果可變為用於下一分類器之輸入資料集等等。此方法集中於前述分類器之較弱分類且因此加強分類結果。在一進一步實例中，組合器規則可包含AdaBoost，其係形成弱分類器之一線性組合以產生一較佳、更複雜分類器之一程序。亦可藉由使用者使用使用者定義之構造之電腦輔助排名來手動建構組合規則。此等方法具有組合人類決策作出能力與基於機器之目標排名之強項。因此，本文中描述之實施例可使用各種組合方法(訓練對固定等等)。
如上文描述，複合式缺陷分類器可在一晶圓檢測程序(例如，一生產掃描)之前予以產生，且接著用於相同類型之多個晶圓。亦可在已開始使用複合式缺陷分類器之後週期性地修改複合式缺陷分類器。可以相同於實行使用複合式缺陷分類器之任何其他檢測程序之方式實行用於更新複合式缺陷分類器之一檢測程序，惟可關閉檢測程序之任何妨害篩選器及/或可保存指派至妨害分格之用於缺陷之資訊除外。因此，在檢測程序之後，可以某方式(例如，使用一掃描電子顯微鏡(SEM)缺陷檢視工具)進一步檢查用於判定為DOI之缺陷及判定為妨害之缺陷兩者之資訊，以判定用於缺陷之「真正」分類。藉由複合式缺 陷分類器判定為經指派不正確分類之任何缺陷可用於判定是否可修改複合式缺陷分類器之一或多個參數以減少不正確分類之缺陷之數目。該等參數包含複合式缺陷分類器自身之任何參數以及本文中描述之仲裁步驟之任何參數。
藉由可如本文中描述般組態之一電腦系統實行上文描述之獲取訓練集之步驟、實行步驟、比較步驟、判定步驟、指派步驟、選擇步驟、獲取檢測結果之步驟及分類步驟。
上文描述之方法之實施例之各者可包含本文中描述之任何其他(諸)方法之任何其他(諸)步驟。此外，可藉由本文中描述之系統之任一者實行上文描述之方法之實施例之各者。
另一實施例係關於一種用於分類在一晶圓上偵測之缺陷之不同電腦實施方法。方法包含使用一檢測系統獲取用於晶圓之檢測結果，此可根據本文中描述之實施例之任一者予以實行。檢測結果包含用於偵測晶圓上之缺陷之資訊，且資訊可包含本文中描述之任何此資訊。
方法亦包含藉由將用於偵測晶圓上之缺陷之資訊輸入至包含於一複合式缺陷分類器中之至少兩個缺陷分類器之各者中來分類在晶圓上偵測之缺陷，此可根據本文中描述之實施例之任一者予以實行。分類缺陷亦包含，對於經指派至複合式缺陷分類器中之兩個或兩個以上分格之缺陷之至少一者，基於經指派至兩個或兩個以上分格之一排名來判定用於缺陷之至少一者之一分格，此可如本文中進一步描述般予以實行。基於針對兩個或兩個以上分格判定之一或多個特性將排名指派至兩個或兩個以上分格，此可根據本文中描述之實施例之任一者予以實行。基於用於一訓練集中之缺陷之預定缺陷分類與藉由至少兩個缺陷分類器針對訓練集中之缺陷判定之缺陷分類之一比較來判定一或多個特性，此可根據本文中描述之實施例之任一者予以實行。
因此，上文描述之額外方法非必然包含產生複合式缺陷分類 器。替代性地，可藉由另一方法或系統(包含本文中描述之方法或系統之任一者)產生複合式缺陷分類器。因此，此額外方法可用於在已設置檢測程序(包含複合式缺陷分類器)之後分類在非訓練晶圓(例如，量產晶圓)上偵測之缺陷。因此，本文中描述之方法可僅包含複合式缺陷分類器之設置、僅包含使用複合式缺陷分類器實行之分類或包含複合式缺陷分類器之設置及執行兩者。
藉由可如本文中描述般組態之一電腦系統實行上文描述之獲取及分類步驟。
上文描述之方法之實施例之各者可包含本文中描述之任何其他(諸)方法之任何其他(諸)步驟。此外，可藉由本文中描述之系統之任一者實行上文描述之方法之實施例之各者。
本文中描述之所有方法可包含將方法實施例之一或多個步驟之結果儲存於一電腦可讀儲存媒體中。結果可包含本文中描述之結果之任一者且可以此項技術中已知之任何方式予以儲存。儲存媒體可包含本文中描述之任何儲存媒體或此項技術中已知之任何其他合適儲存媒體。在已儲存結果之後，結果可存取於儲存媒體中且由本文中描述之方法或系統實施例之任一者使用，經格式化以顯示給一使用者，藉由另一軟體模組、方法或系統等等使用。
一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一電腦系統上執行之程式指令以實行用於分類在一晶圓上偵測之缺陷之一電腦實施方法。此一實施例在圖5中展示。特定言之，如在圖5中展示，電腦可讀媒體500包含可在電腦系統504上執行之程式指令502。該電腦實施方法包含上文描述之該方法之該等步驟。電腦實施方法(可針對其執行程式指令)可包含本文中描述之任何其他(諸)步驟。
實施諸如本文中描述之方法之方法之程式指令502可儲存於電腦 可讀媒體500上。電腦可讀媒體可為一儲存媒體，諸如一磁碟或光碟或一磁帶或此項技術中已知之任何其他合適非暫時性電腦可讀媒體。
可以各種方式之任一者實施程式指令，包含基於程序之技術、基於組件之技術及/或物件導向技術等等。舉例而言，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別庫(「MFC」)或其他技術或方法來實施程式指令。
電腦系統可呈各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。一般言之，術語「電腦系統」可經廣泛定義以涵蓋具有執行來自一記憶體媒體之指令之一或多個處理器之任何裝置。電腦系統亦可包含此項技術中已知之任何合適處理器，諸如一平行處理器。另外，電腦系統可包含作為一單機或一網路工具之具有高速處理及軟體之一電腦平台。
一額外實施例係關於一種經組態以分類在一晶圓上偵測之缺陷之系統。此一系統之一項實施例在圖6中展示。系統包含經組態以獲取用於晶圓604之檢測結果之檢測子系統602。檢測結果包含用於偵測晶圓上之缺陷之資訊，該資訊可包含本文中描述之任何此資訊。
檢測子系統包含光源606，光源606可包含任何合適光源，諸如一光學或基於光之檢測子系統之情況中之一雷射。儘管將關於一基於光之檢測子系統在本文中進一步描述檢測子系統，但檢測子系統可以任何合適方式修改或替換以使其成為一基於電子束之檢測子系統。
來自光源之光經引導至晶圓604。光源可耦合至任何其他合適元件(未展示)，諸如一或多個聚光透鏡、準直透鏡、中繼透鏡、物鏡、孔徑、光譜濾光器、偏光組件及類似物。如在圖6中展示，可按一傾斜入射角將光引導至晶圓。然而，可按任何合適入射角(包含近法線入射及法線入射)將光引導至晶圓。另外，可循序或同時按一個以上入射角將光或數個光束引導至晶圓。
晶圓604可安置於一載物台(未展示)上，同時光經引導至晶圓。載物台可包含任何合適機械或機器人總成且可經組態以在一或多個方向上移動晶圓同時將光引導至晶圓，使得可藉由檢測子系統在晶圓上方掃描光。然而，檢測子系統可經組態以按任何其他合適方式掃描晶圓上方之光。
檢測子系統亦包含經組態以收集自晶圓散射之光(在一暗場可檢測系統之情況中)之收集器608，收集器608經組態以將所收集之光引導至偵測器610，偵測器610經組態以偵測自晶圓散射且藉由收集器收集之光。收集器可包含任何合適數目以及反射及/或折射光學元件之組態。偵測器610可包含任何合適偵測器。因此，偵測器610及收集器608可形成檢測子系統之一偵測子系統之至少一部分。偵測子系統可包含定位於偵測器與晶圓之間的光學路徑中之一或多個其他合適元件(未展示)，諸如物鏡、中繼透鏡、放大鏡、變焦透鏡、孔徑、光譜濾光器、光柵及偏光組件。儘管檢測子系統在圖6中展示為偵測自晶圓散射之光，但檢測子系統亦可或替代性地經組態以用於晶圓之明場(BF)檢測。檢測子系統亦可包含一個以上偵測器(未展示)，其等可用於同時或循序偵測來自晶圓之不同光。
檢測子系統可包含電腦子系統612，電腦子系統612經組態以產生本文中描述之檢測結果。舉例而言，電腦子系統612可藉由一或多個傳輸媒體(未展示)耦合至偵測器610，傳輸媒體可包含「有線」及/或「無線」傳輸媒體，使得電腦子系統可接收偵測器之輸出。接著，電腦子系統可使用輸出來偵測晶圓上之缺陷(如本文中描述)且判定用於缺陷之本文中描述之任何資訊。接著，可藉由電腦子系統612以一檢測結果檔案之形式輸出藉由電腦子系統產生之資訊，如本文中進一步描述。
檢測子系統可包含經組態以偵測晶圓上之缺陷之一個電腦子系 統，且該系統可包含經組態以實行本文中描述之方法之步驟之另一不同電腦子系統。舉例而言，系統可包含電腦子系統614，電腦子系統614可耦合至如上文描述之電腦子系統612，使得電腦子系統614可接收來自電腦子系統612之檢測結果。電腦子系統614經組態以用於實行本文中描述之獲取訓練集之步驟、實行步驟、比較步驟、判定步驟、指派步驟、選擇步驟及分類步驟，此等可如本文中描述般予以實行。電腦子系統及系統可經組態以實行本文中描述之任何其他(諸)步驟且可如本文中描述般進一步組態。另外，系統可僅包含經組態以實行本文中描述之所有(諸)步驟之一個電腦子系統。此可為當一檢測工具經組態以實行本文中描述之方法實施例時之情況。舉例而言，圖6中展示之檢測子系統可經組態為偵測晶圓上之缺陷且分類如本文中描述之缺陷之一檢測工具。
應注意，在本文中提供圖6以大體上圖解說明可包含於本文中描述之系統實施例中之一檢測子系統之一個組態。明顯地，本文中描述之檢測子系統組態可經更改以最佳化當設計一商業檢測系統時通常實行之檢測子系統之效能。另外，本文中描述之系統可使用一現有檢測系統實施(例如，藉由將本文中描述之功能性新增至一現有檢測系統)，諸如購自KLA-Tencor之Puma 90xx、91xx及93xx系列之工具。對於一些此等系統，本文中描述之方法可經提供為系統之選用功能性(例如，除系統之其他功能性以外)。代替性地，本文中描述之系統可「從頭」設計以提供一全新系統。
鑒於此描述，熟習此項技術者將明白本發明之各種態樣之進一步修改及替代實施例。舉例而言，本發明提供用於分類在一晶圓上偵測之缺陷之方法及系統。因此，此描述應僅解釋為闡釋性且係出於教示熟習此項技術者進行本發明之大體方式之目的。將理解，本文中展示及描述之本發明之形式將視為當前較佳實施例。元件及材料可取代 在本文中繪示及描述之該等元件及材料，部分及程序可顛倒，且可單獨利用本發明之某些特徵，熟習此項技術者在獲得本發明之此描述之益處之後將明白所有此等。在不脫離如在以下申請專利範圍中描述之本發明之精神及範疇之情況下可對本文中之元件作出改變。

Claims (30)

  1. 一種用於分類在一晶圓上偵測到之缺陷的電腦實施方法，其包括：獲取在一訓練晶圓上偵測到之用於缺陷之資料之一訓練集(a training set of data for defects)及針對該訓練集中之該等缺陷所判定之缺陷分類；藉由將資料之該訓練集輸入至兩個或兩個以上缺陷分類器中來實行兩個或兩個以上缺陷分類程序；比較由該兩個或兩個以上缺陷分類器產生之缺陷分類結果與針對該訓練集中之該等缺陷所判定之該等缺陷分類；基於該比較之結果來判定該兩個或兩個以上缺陷分類器中之一或多個分格的一或多個特性；基於該所判定之一或多個特性，將一排名指派至該兩個或兩個以上缺陷分類器中之該一或多個分格；基於經指派至該一或多個分格之該排名來選擇待包含於一複合式缺陷分類器中之該兩個或兩個以上缺陷分類器的至少兩者；使用一檢測系統獲取該晶圓之檢測結果，其中該等檢測結果包括在該晶圓上偵測到之缺陷的資訊；且藉由將在該晶圓上偵測到之該等缺陷之該資訊輸入至經選擇以待包含於該複合式缺陷分類器中之該至少兩個缺陷分類器之各者中，且對於經指派至該複合式缺陷分類器中之兩個或兩個以上分格之該等缺陷之至少一者，基於經指派至該兩個或兩個以上分格之該排名來判定該等缺陷之該至少一者之一分格，而分類在該晶圓上偵測到之該等缺陷，其中藉由一電腦系統來實 行該獲取該訓練集、該實行、該比較、該判定、該指派、該選擇、該獲取該等檢測結果及該分類。
  2. 如請求項1之方法，其中該訓練集中之該等缺陷包括關注缺陷及妨害。
  3. 如請求項1之方法，其中該實行包括：基於針對該訓練集中之該等缺陷判定之該等缺陷分類來調諧該兩個或兩個以上缺陷分類器。
  4. 如請求項1之方法，進一步包括：在該指派之前，使用一組經修改貝葉斯先驗來調諧該兩個或兩個以上缺陷分類器之至少一者，以產生圖解說明該至少一個缺陷分類器之效能之一標繪圖。
  5. 如請求項1之方法，其中該一或多個特性包括經指派至該兩個或兩個以上缺陷分類器中之該一或多個分格之該訓練集中之該等缺陷的純度，且其中經指派至該一或多個分格之該排名係基於該等純度，使得較高排名對應於較高純度。
  6. 如請求項1之方法，其中該一或多個特性包括經指派至該兩個或兩個以上缺陷分類器中之該一或多個分格之該訓練集中之該等缺陷的穩定性，且其中經指派至該一或多個分格之該排名係基於該等穩定性，使得較高排名對應於較高穩定性。
  7. 如請求項1之方法，其中該一或多個特性包含該兩個或兩個以上缺陷分類器之至少一者將該訓練集中之該等缺陷正確分離至該一或多個分格中的可靠性，且其中經指派至該一或多個分格之該排名係基於該可靠性，使得較高排名對應於較高可靠性。
  8. 如請求項1之方法，其中該選擇包括：選擇該兩個或兩個以上缺陷分類器之一子集，該子集包含被指派該訓練集中之最大組關注缺陷之最高排名之該一或多個分格。
  9. 如請求項1之方法，其中該排名回應於該訓練集中之關注缺陷與該訓練集中之妨害之間在該兩個或兩個以上缺陷分類器之該一或多個分格中的分離，且其中該選擇包括基於經指派至該一或多個分格之該等排名來選擇產生最大關注缺陷分離之該兩個或兩個以上缺陷分類器之一最小數目。
  10. 如請求項1之方法，進一步包括：藉由儲存該至少兩個選定缺陷分類器的資訊以及經指派至包含於該至少兩個選定缺陷分類器中之該一或多個分格的該排名來產生該複合式缺陷分類器。
  11. 如請求項1之方法，進一步包括：基於該至少兩個選定缺陷分類器來產生該複合式缺陷分類器，其中產生該複合式缺陷分類器不包括更改該至少兩個選定缺陷分類器之任一者。
  12. 如請求項1之方法，進一步包括：基於該至少兩個選定缺陷分類器來產生該複合式缺陷分類器，其中產生該複合式缺陷分類器不包括調諧該至少兩個選定缺陷分類器之任一者。
  13. 如請求項1之方法，進一步包括：基於該至少兩個選定缺陷分類器來產生該複合式缺陷分類器，其中產生該複合式缺陷分類器不包括將該至少兩個選定缺陷分類器組合為缺陷分類器之一序列。
  14. 如請求項1之方法，其中對於經指派至該複合式缺陷分類器中之該兩個或兩個以上分格之該等缺陷之該至少一者，基於經指派至該兩個或兩個以上分格之該排名來判定用於該等缺陷之該至少一者之該分格包括：比較該兩個或兩個以上分格之該排名且將該等缺陷之該至少一者指派至具有該最高排名之該兩個或兩個以上分格之一者。
  15. 一種用於分類在一晶圓上偵測到之缺陷的電腦實施方法，其包括： 使用一檢測系統獲取該晶圓之檢測結果，其中該等檢測結果包括在該晶圓上偵測到之缺陷的資訊；且藉由以下方法來分類在該晶圓上偵測到之該等缺陷：將在該晶圓上偵測到之該等缺陷之該資訊輸入至包含於一複合式缺陷分類器中之至少兩個缺陷分類器之各者中；且對於經指派至該複合式缺陷分類器中之兩個或兩個以上分格之該等缺陷之至少一者，基於經指派至該兩個或兩個以上分格之一排名來判定該等缺陷之該至少一者之一分格；其中基於針對該兩個或兩個以上分格判定之一或多個特性，將該排名指派至該兩個或兩個以上分格，其中基於一訓練集中之缺陷之預定缺陷分類與由該至少兩個缺陷分類器針對該訓練集中之該等缺陷所判定之缺陷分類之一比較來判定該一或多個特性，且其中藉由一電腦系統來實行該獲取及該分類。
  16. 一種非暫時性電腦可讀媒體，其儲存可在一電腦系統上執行之程式指令以用於實行用於分類在一晶圓上偵測到之缺陷之一電腦實施方法，其中該電腦實施方法包括：獲取在一訓練晶圓上偵測到之用於缺陷之資料之一訓練集(a training set of data for defects)及針對該訓練集中之該等缺陷所判定之缺陷分類；藉由將資料之該訓練集輸入至兩個或兩個以上缺陷分類器中來實行兩個或兩個以上缺陷分類程序；比較由該兩個或兩個以上缺陷分類器產生之缺陷分類結果與針對該訓練集中之該等缺陷所判定之該等缺陷分類；基於該比較之結果來判定該兩個或兩個以上缺陷分類器中之一或多個分格的一或多個特性； 基於該所判定之一或多個特性，將一排名指派至該兩個或兩個以上缺陷分類器中之該一或多個分格；基於經指派至該一或多個分格之該排名來選擇待包含於一複合式缺陷分類器中之該兩個或兩個以上缺陷分類器之至少兩者；使用一檢測系統獲取該晶圓之檢測結果，其中該等檢測結果包括在該晶圓上偵測到之缺陷的資訊；且藉由將在該晶圓上偵測到之該等缺陷之該資訊輸入至經選擇以待包含於該複合式缺陷分類器中之該至少兩個缺陷分類器之各者中，且對於經指派至該複合式缺陷分類器中之兩個或兩個以上分格之該等缺陷之至少一者，基於經指派至該兩個或兩個以上分格之該排名來判定該等缺陷之該至少一者之一分格，而分類在該晶圓上偵測到之該等缺陷。
  17. 一種經組態以分類在一晶圓上偵測到之缺陷的系統，其包括：一檢測子系統，其經組態以獲取該晶圓之檢測結果，其中該等檢測結果包括在該晶圓上偵測到之缺陷的資訊；及一電腦子系統，其經組態以用於：獲取在一訓練晶圓上偵測到之用於缺陷之資料之一訓練集(a training set of data for defects)及針對該訓練集中之該等缺陷所判定之缺陷分類；藉由將資料之該訓練集輸入至兩個或兩個以上缺陷分類器中來實行兩個或兩個以上缺陷分類程序；比較由該兩個或兩個以上缺陷分類器產生之缺陷分類結果與針對該訓練集中之該等缺陷所判定之該等缺陷分類；基於該比較之結果來判定該兩個或兩個以上缺陷分類器中之一或多個分格的一或多個特性； 基於該所判定之一或多個特性，將一排名指派至該兩個或兩個以上缺陷分類器中之該一或多個分格；基於經指派至該一或多個分格之該排名來選擇待包含於一複合式缺陷分類器中之該兩個或兩個以上缺陷分類器之至少兩者；且藉由將在該晶圓上偵測到之該等缺陷之該資訊輸入至經選擇以待包含於該複合式缺陷分類器中之該至少兩個缺陷分類器之各者中，且對於經指派至該複合式缺陷分類器中之兩個或兩個以上分格之該等缺陷之至少一者，基於經指派至該兩個或兩個以上分格之該排名來判定該等缺陷之該至少一者之一分格，而分類在該晶圓上偵測到之該等缺陷。
  18. 如請求項17之系統，其中該訓練集中之該等缺陷包括關注缺陷及妨害。
  19. 如請求項17之系統，其中該實行包括：基於針對該訓練集中之該等缺陷判定之該等缺陷分類來調諧該兩個或兩個以上缺陷分類器。
  20. 如請求項17之系統，其中該電腦子系統經進一步組態以用於在該指派之前，使用一組經修改貝葉斯先驗來調諧該兩個或兩個以上缺陷分類器之至少一者，以產生圖解說明該至少一個缺陷分類器之效能之一標繪圖。
  21. 如請求項17之系統，其中該一或多個特性包括經指派至該兩個或兩個以上缺陷分類器中之該一或多個分格之該訓練集中之該等缺陷的純度，且其中經指派至該一或多個分格之該排名係基於該等純度，使得較高排名對應於較高純度。
  22. 如請求項17之系統，其中該一或多個特性包括經指派至該兩個或兩個以上缺陷分類器中之該一或多個分格之該訓練集中之該 等缺陷的穩定性，且其中經指派至該一或多個分格之該排名係基於該等穩定性，使得較高排名對應於較高穩定性。
  23. 如請求項17之系統，其中該一或多個特性包含該兩個或兩個以上缺陷分類器之至少一者將該訓練集中之該等缺陷正確分離至該一或多個分格中的可靠性，且其中經指派至該一或多個分格之該排名係基於該可靠性，使得較高排名對應於較高可靠性。
  24. 如請求項17之系統，其中該選擇包括：選擇該兩個或兩個以上缺陷分類器之一子集，該子集包含被指派該訓練集中之最大組關注缺陷之最高排名之該一或多個分格。
  25. 如請求項17之系統，其中該排名回應於該訓練集中之關注缺陷與該訓練集中之妨害之間在該兩個或兩個以上缺陷分類器之該一或多個分格中的分離，且其中該選擇包括基於經指派至該一或多個分格之該等排名來選擇產生最大關注缺陷分離之該兩個或兩個以上缺陷分類器之一最小數目。
  26. 如請求項17之系統，其中該電腦子系統經進一步組態以用於藉由儲存該至少兩個選定缺陷分類器的資訊以及經指派至包含於該至少兩個選定缺陷分類器中之該一或多個分格的該排名來產生該複合式缺陷分類器。
  27. 如請求項17之系統，其中該電腦子系統經進一步組態以用於基於該至少兩個選定缺陷分類器來產生該複合式缺陷分類器，且其中產生該複合式缺陷分類器不包括更改該至少兩個選定缺陷分類器之任一者。
  28. 如請求項17之系統，其中該電腦子系統經進一步組態以用於基於該至少兩個選定缺陷分類器來產生該複合式缺陷分類器，且其中產生該複合式缺陷分類器不包括調諧該至少兩個選定缺陷分類器之任一者。
  29. 如請求項17之系統，其中該電腦子系統經進一步組態以用於基於該至少兩個選定缺陷分類器來產生該複合式缺陷分類器，且其中產生該複合式缺陷分類器不包括將該至少兩個選定缺陷分類器組合為缺陷分類器之一序列。
  30. 如請求項17之系統，其中對於經指派至該複合式缺陷分類器中之該兩個或兩個以上分格之該等缺陷之該至少一者，基於經指派至該兩個或兩個以上分格之該排名來判定用於該等缺陷之該至少一者之該分格包括：比較該兩個或兩個以上分格之該排名且將該等缺陷之該至少一者指派至具有該最高排名之該兩個或兩個以上分格之一者。
TW104107326A 2014-03-06 2015-03-06 複合式缺陷分類器 TWI640049B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201461949031P 2014-03-06 2014-03-06
US61/949,031 2014-03-06
US14/637,242 US9430743B2 (en) 2014-03-06 2015-03-03 Composite defect classifier
US14/637,242 2015-03-03

Publications (2)

Publication Number Publication Date
TW201545253A TW201545253A (zh) 2015-12-01
TWI640049B true TWI640049B (zh) 2018-11-01

Family

ID=54017854

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104107326A TWI640049B (zh) 2014-03-06 2015-03-06 複合式缺陷分類器

Country Status (5)

Country Link
US (1) US9430743B2 (zh)
KR (1) KR102178254B1 (zh)
IL (1) IL247378B (zh)
TW (1) TWI640049B (zh)
WO (1) WO2015134650A1 (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3086175B1 (en) * 2015-04-22 2022-01-26 IMEC vzw Method for hotspot detection and ranking of a lithographic mask
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification
US9842280B2 (en) * 2015-11-04 2017-12-12 Omnivision Technologies, Inc. System and method for evaluating a classifier implemented within an image signal processor
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US10204290B2 (en) * 2016-10-14 2019-02-12 Kla-Tencor Corporation Defect review sampling and normalization based on defect and design attributes
US10365617B2 (en) * 2016-12-12 2019-07-30 Dmo Systems Limited Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
WO2018132321A1 (en) * 2017-01-10 2018-07-19 Kla-Tencor Corporation Diagnostic methods for the classifiers and the defects captured by optical tools
US10964013B2 (en) * 2017-01-10 2021-03-30 Kla-Tencor Corporation System, method for training and applying defect classifiers in wafers having deeply stacked layers
US10628935B2 (en) * 2017-01-30 2020-04-21 Zhongke Jingyuan Electron Limited Method and system for identifying defects of integrated circuits
US10360669B2 (en) * 2017-08-24 2019-07-23 Applied Materials Israel Ltd. System, method and computer program product for generating a training set for a classifier
US10503078B2 (en) 2017-09-01 2019-12-10 Kla-Tencor Corporation Criticality analysis augmented process window qualification sampling
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US11037286B2 (en) * 2017-09-28 2021-06-15 Applied Materials Israel Ltd. Method of classifying defects in a semiconductor specimen and system thereof
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
WO2019113313A1 (en) * 2017-12-07 2019-06-13 Walmart Apollo, Llc System and method for the distributed approval of image-based claims
JP7239588B2 (ja) * 2017-12-19 2023-03-14 テトラ ラバル ホールディングス アンド ファイナンス エス エイ 包装容器における欠陥検出の方法
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US11514357B2 (en) * 2018-03-19 2022-11-29 Kla-Tencor Corporation Nuisance mining for novel defect discovery
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
US10854486B2 (en) * 2018-09-19 2020-12-01 Kla Corporation System and method for characterization of buried defects
CN109446090A (zh) * 2018-10-31 2019-03-08 南开大学 基于深度神经网络和概率决策森林的软件缺陷预测模型
US11010885B2 (en) * 2018-12-18 2021-05-18 Kla Corporation Optical-mode selection for multi-mode semiconductor inspection
US11475556B2 (en) 2019-05-30 2022-10-18 Bruker Nano, Inc. Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
WO2021033792A1 (ko) * 2019-08-19 2021-02-25 엘지전자 주식회사 Ai 기반의 사전 훈련 모델 결정 시스템 및 이를 이용한 제품 생산 라인을 위한 ai 기반의 비전 검사 관리 시스템
CN110874839A (zh) * 2019-11-19 2020-03-10 上海华力微电子有限公司 晶圆图形提取方法及其提取系统
US11675340B2 (en) * 2020-04-08 2023-06-13 Nanya Technology Corporation System and method for controlling semiconductor manufacturing apparatus
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
JP7393313B2 (ja) * 2020-09-29 2023-12-06 タカノ株式会社 欠陥分類装置、欠陥分類方法及びプログラム
WO2022254858A1 (ja) * 2021-06-03 2022-12-08 コニカミノルタ株式会社 検査装置、検査方法、および検査プログラム
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
CN116504663B (zh) * 2023-06-20 2023-08-22 深圳市芯片测试技术有限公司 一种晶圆多等级测试方法及装置
CN117132174B (zh) * 2023-10-26 2024-01-30 扬宇光电(深圳)有限公司 一种应用于工业流水线质量检测的模型训练方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092059A (en) * 1996-12-27 2000-07-18 Cognex Corporation Automatic classifier for real time inspection and classification
US20080075352A1 (en) * 2006-09-27 2008-03-27 Hisae Shibuya Defect classification method and apparatus, and defect inspection apparatus

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5544256A (en) 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
US6922482B1 (en) 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
US6999614B1 (en) 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
US7359544B2 (en) 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
JP4253522B2 (ja) 2003-03-28 2009-04-15 株式会社日立ハイテクノロジーズ 欠陥分類方法及び装置
JP4317805B2 (ja) 2004-09-29 2009-08-19 株式会社日立ハイテクノロジーズ 欠陥自動分類方法及び装置
US7729529B2 (en) 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
JP4644613B2 (ja) 2006-02-27 2011-03-02 株式会社日立ハイテクノロジーズ 欠陥観察方法及びその装置
KR101373641B1 (ko) * 2010-02-24 2014-03-12 쿄세라 코포레이션 입력 장치, 표시 장치, 및 휴대 단말
US8315453B2 (en) 2010-07-27 2012-11-20 Applied Materials Israel, Ltd. Defect classification with optimized purity
JP5342606B2 (ja) 2011-06-27 2013-11-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及びその装置
US10043264B2 (en) 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
US9607233B2 (en) 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092059A (en) * 1996-12-27 2000-07-18 Cognex Corporation Automatic classifier for real time inspection and classification
US20080075352A1 (en) * 2006-09-27 2008-03-27 Hisae Shibuya Defect classification method and apparatus, and defect inspection apparatus

Also Published As

Publication number Publication date
IL247378B (en) 2019-03-31
WO2015134650A1 (en) 2015-09-11
KR20160130252A (ko) 2016-11-10
US9430743B2 (en) 2016-08-30
US20150254832A1 (en) 2015-09-10
TW201545253A (zh) 2015-12-01
KR102178254B1 (ko) 2020-11-12

Similar Documents

Publication Publication Date Title
TWI640049B (zh) 複合式缺陷分類器
CN108352339B (zh) 自适应自动缺陷分类
TWI771591B (zh) 用於缺陷分類器訓練之主動學習
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
JP7200113B2 (ja) 深くスタック化された層を有するウェハにおいて欠陥分類器を訓練して適用するためのシステムと方法
US10267748B2 (en) Optimizing training sets used for setting up inspection-related algorithms
TWI679710B (zh) 用於判定樣品上缺陷之系統、非暫時性電腦可讀媒體及方法
TWI644378B (zh) 晶圓缺陷發現
TWI585397B (zh) 用於自動缺陷分類之不明缺陷拒絕率之最佳化
KR102220437B1 (ko) 결함 분류기들 및 뉴슨스 필터들의 생성
US6104835A (en) Automatic knowledge database generation for classifying objects and systems therefor
TWI639824B (zh) 用於自動及手動缺陷分類之整合的方法、設備及非暫態電腦可讀取儲存媒介
US10670536B2 (en) Mode selection for inspection
JP6833027B2 (ja) 検査関連アルゴリズムのセットアップに用いられる訓練集合の最適化
TWI648707B (zh) 用於產生一晶圓之一缺陷樣本之電腦實施之方法及系統與非暫時性電腦可讀媒體
KR102629852B1 (ko) 다중-모드 검사를 위한 통계적 학습-기반 모드 선택
KR20170100710A (ko) 반도체 장치의 결함 모델링 장치 및 방법, 이를 위한 컴퓨터 프로그램과, 이를 이용한 반도체 장치의 결함 검사 시스템
TWI683284B (zh) 保留可重標準化性之製造樣本成型
US9665795B2 (en) Method and apparatus for identifying root cause of defect using composite defect map