TWI641063B - 設立在一晶圓上所偵測之缺陷之一分類器之方法及系統，及非暫時性電腦可讀媒體 - Google Patents

設立在一晶圓上所偵測之缺陷之一分類器之方法及系統，及非暫時性電腦可讀媒體 Download PDF

Info

Publication number
TWI641063B
TWI641063B TW104108524A TW104108524A TWI641063B TW I641063 B TWI641063 B TW I641063B TW 104108524 A TW104108524 A TW 104108524A TW 104108524 A TW104108524 A TW 104108524A TW I641063 B TWI641063 B TW I641063B
Authority
TW
Taiwan
Prior art keywords
defect
template
wafer
classifier
user
Prior art date
Application number
TW104108524A
Other languages
English (en)
Other versions
TW201543592A (zh
Inventor
瑞海文 庫努如
奈瑪 巴哈堤
麥可 里尼克
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 TW201543592A publication Critical patent/TW201543592A/zh
Application granted granted Critical
Publication of TWI641063B publication Critical patent/TWI641063B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G06F18/41—Interactive pattern learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本發明提供用於設立用於在一晶圓上所偵測之缺陷之一分類器之方法及系統。一種方法包含：產生用於在一晶圓上所偵測之缺陷之一缺陷分類器之一模板及將該模板應用於一訓練資料集。該訓練資料集包含關於在該晶圓或另一晶圓上所偵測之缺陷之資訊。該方法亦包含：基於該應用步驟之結果來判定用於該缺陷分類器之一或多個參數。

Description

設立在一晶圓上所偵測之缺陷之一分類器之方法及系統，及非暫時性電腦可讀媒體
本發明大體上係關於用於建立缺陷分類器及妨害篩選器之方法及系統。
下列描述及實例並不會因其包含於此章節中而被視為先前技術。
製作諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量半導體製作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層級。舉例而言，微影術係涉及將一圖案自一倍縮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作程序。半導體製作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作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。檢測程序始終係製作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，由於相對更小之缺陷可能導致半導體裝置中之非所欲像差，故縮減大小之缺陷之偵測已變得必要。
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用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。此等方法之成功不僅取決於工程師之經驗及耐性，亦取決於此任務可用之時間。十分顯然，此方法係且始終將係主觀、易於出錯且經受人類在各重要分類器節點處探索缺陷性質之相對大空間之受限能力。
未在現今廣泛採用之分類器建立之一些替代方法涉及某自動化程度。一般言之，此等方法需要經分類之缺陷，該等經分類之缺陷具有妨害、真實及關注缺陷(DOI)之命名。作為手動調諧及調整之一起點，此等方法之目標可能係產生經調諧分類器或多個分類器候選。
上文描述之當前使用之方法具有數個重要缺點。舉例而言，手動方法之缺點係其：(a)主觀性；(b)對人類專家之技術及經驗之依賴性；(c)對分類器建立可用之時間量之相依性(其可廣泛變化)；及(d)對人類誘發之錯誤之傾向(透過重複及精神耗竭)。
「自動化」方法之一缺點係其藉由嘗試在分類器之各節點處識別缺陷類型(手動分類之缺陷)之間的最佳鑑別準則而在一個步驟中建構及調諧分類器。另外，其忽視兩步式分類器建立之完善實踐：(1)首先，建立將缺陷分離成穩定群體之一決策樹(藉由區域、極性及其他分割屬性)；且(2)彼此獨立地調諧此等群體。此外，在此等方法中使用之一些演算法可完全不受約束。其可建立並不堅持兩個步驟中之分離及調諧原理之分類器。藉由此等方法建立之決策樹之修改係麻煩的。若在此等方法中使用之其他演算法可自一子樹之任何葉節點運行，則其具有更多靈活性。因而，其可應用於用於分類器調諧之最終步驟之分離群體。然而，此操作模式仍需要吾等手動進行整個初始分類器建立，包含對可分離群體之搜尋。演算法僅有助於決策樹建立之 調諧部分。
現實係在不高度確定知曉缺陷類型之情況下首先在訓練資料集上建構分類器。如上文提及，主導原理係建構將缺陷分離成穩定群體(藉由叢集化分割等等)之一分類器，接著取樣來自葉節點之缺陷以允許調諧，且最後基於缺陷類型調諧葉節點。
因此，開發解決上文所描述之方法之缺點的用於設立用於晶圓檢測之缺陷分類器之系統及方法將係有利的。
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。
一項實施例係關於用於設立用於在一晶圓上所偵測之缺陷之一分類器之一方法。該方法包含：產生用於在一晶圓上所偵測之缺陷之一缺陷分類器之一模板。該方法亦包含：將該模板應用於一訓練資料集。該訓練資料集包含關於在該晶圓或另一晶圓上所偵測之缺陷之資訊。另外，該方法包含：基於該應用步驟之結果來判定用於該缺陷分類器之一或多個參數。用一電腦系統實行該等產生、應用及判定步驟。
可如本文中進一步描述般進一步實行上文描述之該方法之該等步驟中之各者。另外，上文描述之該方法之該實施例可包含本文中描述之任何其他方法之任何其他步驟。此外，可由本文中描述之該等系統中之任一者實行上文描述之該方法。
另一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以用於實行用於設立用於在一晶圓上所偵測之缺陷之一分類器之一電腦實施方法之程式指令。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方法之任何其他步驟。
一額外實施例係關於一種經組態以設立用於在一晶圓上所偵測之缺陷之一分類器之系統。該系統包含一電腦系統，該電腦系統經組態以實行上文描述之該等產生、應用及判定步驟。此系統可如本文中進一步描述般進一步組態。
100‧‧‧模板建立區段
102‧‧‧新增層級選項
104‧‧‧模板區段
106‧‧‧屬性清單
108‧‧‧層級設立區段
110‧‧‧節點類型區段
112‧‧‧切割線類型缺陷
114‧‧‧下拉式選單
116‧‧‧最佳化方案區段
118‧‧‧下拉式選單
120‧‧‧最佳化參數區段
122‧‧‧方塊
124‧‧‧模板處理區段
200‧‧‧初始版本
202‧‧‧群體
204‧‧‧節點
206‧‧‧節點
208‧‧‧節點
210‧‧‧節點
212‧‧‧節點
214‧‧‧節點
216‧‧‧選單
300‧‧‧電腦可讀媒體
302‧‧‧程式指令
304‧‧‧電腦系統
400‧‧‧系統
402‧‧‧光學子系統
404‧‧‧電腦子系統
406‧‧‧光源
408‧‧‧偏光組件
410‧‧‧晶圓
412‧‧‧透鏡
414‧‧‧偏光組件
416‧‧‧偵測器
418‧‧‧透鏡
420‧‧‧偏光組件
422‧‧‧偵測器
在具有較佳實施例之詳細描述之益處之情況下且在參考隨附圖式之後，熟習此項技術者將變得明白本發明之進一步優點，在圖式中：圖1及圖2係圖解說明可用於實行本文中描述之一或多個實施例之一或多個步驟之一使用者介面之各種部分之示意圖；圖3係圖解說明儲存導致一電腦系統實行本文中描述之一電腦實施方法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4係圖解說明經組態以設立用於在一晶圓上所偵測之缺陷之一分類器之一系統之一實施例之一側視圖之一示意圖。
雖然本發明容許各種修改及替代形式，但其特定實施例在圖式中藉由實例方式展示且將在本文中詳細描述。圖式可不按比例繪製。然而，應理解，圖式及其詳細描述並不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度放大以強調元件之特性。亦應注意，圖式不按相同比例繪製。已使用相同元件符號指示在一個以上圖式中展示之可 經類似組態之元件。除非在本文中另外提及，否則所描述及展示之元件中之任一者可包含任何合適市售元件。
本文中描述之實施例大體上係關於用於建立缺陷分類器及妨害篩選器之新方法及系統。舉例而言，一項實施例係關於用於設立用於在一晶圓上所偵測之缺陷之一分類器之一方法。本文中描述之實施例提出用於設計及建構決策樹分類器以促進及改良此程序之新方法及系統。
如將在本文中進一步描述，實施例提供優於現有方法之數個顯著改良。舉例而言，實施例可用於基於缺陷分離準則建立一初始決策樹。另外，本文中描述之實施例可用於自動化分類器建立中之所有完全機械步驟且因此可用於加速程序。本文中描述之實施例亦在其中必須作出較重大決策之各樹節點處提供用於系統資料分析之一框架。此外，本文中描述之實施例提供實現分類器設計中之可變自動化程度(自完全手動(僅機械步驟自動化)至完全自動化(其中使用一次點選建立整個樹))之一框架。另外，本文中描述之實施例提供一模板，模板允許分類器之標準化(可根據使用者規格)，減少使用者錯誤且允許針對此等模板之配方驗證。以此方式，本文中描述之實施例提供加速、改良且標準化分類樹建立之潛力。
該方法包含：產生用於在一晶圓上所偵測之缺陷之一缺陷分類器之一模板。在一項實施例中，模板係一基於層級之模板，且缺陷分類器係一基於層級之缺陷分類器。在一些實施例中，模板包含關於缺陷分類器之一或多個節點之資訊。舉例而言，本文中描述之實施例提供用於基於層級之決策樹定義且用於分類器建立之一框架。基於層級之決策樹可包含一或多個節點，缺陷將藉由缺陷分類器分離成節點，且關於包含於模板中之一或多個節點之資訊可包含用於彼等節點中之一或多者之一或多個參數。然而，本文中描述之實施例可使用不同類 型之模板(未必僅係基於層級的而亦允許分類器之不同側上之不同行為之定義)，例如，吾等可藉由僅選擇一組屬性且為其指派一後設類型(例如，反覆、切割線、分離)且接著藉由以「最佳」方式排序此等「後設」類型來使模板建構一樹而指定一樹。
在另一實施例中，產生模板包含：經由藉由本文中描述之一電腦系統提供之一使用者介面自一使用者接收用於模板之參數。以此方式，本文中描述之實施例可提供用於設立一基於層級之分類器之一使用者介面。使用者介面可用於設立及管理用於在一給定訓練資料集上建立分類器之指令集(本文中稱為一「模板」)。用於層級之指令之實例包含插入一節點(例如，特徵=區域ID)且針對在訓練資料中找到之各區域ID建立一子節點。另一實例包含插入一節點(例如，特徵=極性)且使用0.5之一固定切割線，即，一個子節點用於明亮缺陷，且一個子節點用於暗及混合缺陷。一額外實例包含插入具有將缺陷最佳分離成在該層級之各節點處之穩定子群體之一特徵(1D)或特徵對(2D)之一節點，且針對經分離群體之各者建立一子節點(可藉由一使用者供應待搜尋之一特徵清單)。一進一步實例包含插入不具有特定切割線位置(可在分類器調諧期間判定之節點)等等之可調諧節點。每當較少分離性存在於樹之一側上時，基於層級之指令可產生不平衡樹。
圖1圖解說明用於基於層級之分類器模板設立之一使用者介面之一項實施例。如在此圖式中展示，使用者介面可包含模板建立區段100。在此區段中，使用者介面可包含新增層級選項102。藉由選擇新增層級選項，可在模板區段104中展示一額外層級。舉例而言，若模板先前包含在圖1中展示之層級1、2及3，則在選擇新增層級選項之後，可在模板區段中顯示層級4。以此方式，使用者可使用在圖1中展示之使用者介面以新增層級至模板。
使用者亦可在不同時間選擇不同層級，使得可針對層級設定各 種參數。以此方式，使用者可使用在圖1中展示之使用者介面組態模板之各層級。舉例而言，若一使用者選擇圖1中之層級3，則使用者介面可顯示可用於模板中之層級3之各種選項。在此一項實例中，使用者介面可顯示屬性清單106，使用者可藉由核取或取消核取在屬性中之各者之名稱旁之方塊來顯示使用者可選擇以用於層級中之屬性清單106。在用於任何一個層級中之清單中顯示之屬性可包含可藉由檢測系統針對缺陷判定之任何及/或所有屬性，檢測系統將產生將應用分類器之晶圓檢測結果。此等屬性之一些實例包含(但不限於)能量參數、量值、極性、參考粗糙度、參考亮度、測試粗糙度、測試亮度、臨限值等等。屬性亦可包含缺陷偵測特定參數(即，偵測缺陷使用之缺陷偵測演算法特定之缺陷參數)。舉例而言，藉由來自加利福尼亞州米爾皮塔斯市(Milpitas,Calif)之KLA-Tencor之一些市售檢測系統使用之多晶粒自動臨限值設定(MDAT)演算法可判定諸如MDAT灰階及MDAT位移之缺陷屬性。此等屬性亦可用於任何或所有層級之選擇。
使用者介面亦可包含層級設立區段108，其中各種選項可經顯示以藉由使用者選擇或允許使用者提供用於各種選項之輸入。因此，此區段可用於顯示、更改及輸入用於選定層級之指令集。以此方式，層級設立區段可用於設立用於不同層級之模板之參數。
舉例而言，如在圖1中展示，層級設立區段可包含節點類型區段110，其中可顯示用於可包含於層級中之節點之各種選項。接著，一使用者可藉由點選各節點類型之名稱旁之按鈕來選擇一種類型之節點。舉例而言，如在圖1中展示，一使用者可具有選定節點類型A且不具有節點類型B及C。在節點類型區段中展示之節點類型可包含可用於分類器中之任何及所有節點類型。合適節點類型之實例包含(但不限於)1D、2D及最佳(即，藉由該方法判定)。
層級設立區段亦可包含切割線類型缺陷112，其中一使用者可自 下拉式選單114選擇一種類型之切割線。在下拉式選單中展示之切割線類型可包含可用於層級中之節點之任何及所有切割線類型，其之一實例可為一最佳化切割線類型。層級設立區段可進一步包含最佳化方案區段116，其中一使用者可自下拉式選單118選擇一種類型之最佳化方案。在下拉式選單中展示之最佳化方案可包含可用於層級中之節點之任何及所有最佳化方案，其之一實例可為一分離性最佳化方案。
另外，層級設立區段可包含最佳化參數區段120，其可包含用於使用者選擇用於選定層級之一可信度等級之一選項。舉例而言，在圖1中展示之實施例中，使用者可能已輸入針對層級3之一可信度等級90。層級設立區段亦可包含方塊122，一使用者可取決於本文中描述之判定步驟是否等待使用者回饋而核取或取消核取該方塊。在圖1中展示之層級設立區段亦可取決於將設立分類器之方式而更改以包含多於圖1中展示之選項或少於圖1中展示之選項。
使用者介面可進一步包含模板處理區段124，其可顯示用於一使用者下載或保存分類器定義作為可共用之一模板之各種選項。舉例而言，如在圖1中展示，模板處理區段可包含新增、開啟、儲存及另存新檔等選項。
本文中描述之實施例亦可經組態以允許使用者規定用於「妨害狀態」之一些準則(例如，低能量+低量值、分離變數中之一「小」叢集中之從屬關係+高最大尺寸)且接著藉由找到滿足此等準則之缺陷之最大集而建立如本文中進一步描述之一缺陷分類器。因而，使用者可輸入分離出妨害缺陷之潛在相關方式。
在一進一步實施例中，模板包含關於在該方法之一或多個步驟期間接收之使用者輸入之資訊。舉例而言，模板可包含關於在分類器建立期間之使用者互動性之層級之指令，即，是否將在任何建構設立步驟處請求使用者回饋。
因此，如上文描述，可基於來自一使用者之輸入(例如，藉由將自一使用者接收之輸入轉化為可用於實行本文中描述之其他步驟之一指令集)產生一模板。本文中描述之任何模板可以任何合適格式儲存，使得可如本文中進一步描述般使用所儲存模板以判定一缺陷分類器之一最終版本。
該方法亦包含將模板應用於一訓練資料集，訓練資料集包含關於在晶圓或另一晶圓上所偵測之缺陷之資訊。訓練資料集可包含任何合適缺陷資訊。舉例而言，訓練資料集可包含藉由一檢測系統(其實行晶圓或其他晶圓之一檢測)針對在晶圓或另一晶圓上偵測之所有缺陷產生之所有資訊。另外，訓練資料集可包含藉由任何其他工具(例如，一缺陷檢視工具及/或一度量工具)針對缺陷產生之任何其他資訊。
在一項實施例中，應用模板包含將訓練資料集中之缺陷分離成穩定群體。舉例而言，用於找到穩定、可分離缺陷群體之「叢集化」演算法可用於本文中描述之實施例中。特定言之，叢集化演算法可經組態以針對訓練資料集中之缺陷(其值與其他叢集之值分離)之一或多個屬性識別不同叢集之值。以此方式，叢集化演算法可識別具有一或多個缺陷屬性之類似值之缺陷子群體，類似值與缺陷之其他子群體之一或多個缺陷屬性之值顯著不同。然而，預期諸如取樣或調諧演算法之其他演算法成為在將來在本文中進一步描述之分析框架之部分。
在另一實施例中，應用模板包含產生缺陷分類器之一初始版本。舉例而言，可(例如)基於上文描述之穩定、可分離缺陷群體藉由應用步驟產生缺陷分類器之一初始版本。接著，可如本文中進一步描述般更改缺陷分類器之初始版本以判定缺陷分類器之最終版本。
該方法進一步包含：基於應用模板之結果來判定用於缺陷分類器之一或多個參數。以此方式，本文中描述之實施例可用作一分類樹 轉化或建立器。換言之，應用及判定步驟可本質上用作將如上文描述般建立之基於層級之模板(指令集)轉譯為分類樹之一分類器建立定序器。定序器可藉由調用藉由人類手動實行之命令及藉由調用上文描述之演算法而控制訓練資料集上之分類樹建構。以此方式，當訓練資料經載入至本文中描述之實施例中時，可由一基於層級之模板(或一基於層級之指令集)建立出一決策樹分類器。因而，決策樹轉譯器或建立器處理模板以在訓練資料集上建立分類器。
在一項實施例中，判定一或多個參數包含：藉由自由應用步驟導致之缺陷分類器之初始版本中之不同節點取樣一或多個缺陷且判定一或多個所取樣缺陷之一分類來調諧缺陷分類器之初始版本之一或多個參數。可以任何合適方式自不同節點取樣一或多個缺陷。另外，可以任何合適方式判定所取樣缺陷之分類。取樣缺陷且判定缺陷之分類可用於判定缺陷分類器之初始版本是否如所要般實行。換言之，缺陷分類可用於判定缺陷分類器是否正確分類缺陷。若判定缺陷分類器並未正確分類缺陷，則缺陷分類器之初始版本之一或多個參數可經更改以校正彼等錯誤。舉例而言，一切割線可經更改，使得缺陷自一個節點移動至另一節點且藉此自一個缺陷分類至正確缺陷分類。以此方式，本文中描述之實施例提供對分類器調諧之可擴展性。舉例而言，本文中描述之演算法可用於分析任何決策樹之任何節點或在自動化缺陷分類器建立程序外之缺陷分類器。
在另一實施例中，藉由自缺陷分類器之初始版本之節點執行一或多個演算法而實行應用及判定步驟。舉例而言，搜尋、叢集化及分割演算法可經引入至分類樹之個別節點中且此等演算法可用於分類器建立中。以此方式，本文中描述之實施例提供用於直接自分類樹節點執行外掛程式演算法之一分析框架。可使用用於直接自樹節點執行演算法之良好定義通信標準實施框架。在一些實施例中，該方法包含在 一使用者介面中顯示應用步驟之結果且經由使用者介面接收分析結果中之一或多個節點之一使用者選擇，且判定步驟包含自一或多個選定節點執行一或多個演算法以分析一或多個選定節點。
圖2圖解說明可藉由本文中描述之實施例在一使用者介面中顯示之資訊之一部分給一使用者。舉例而言，如在圖2中展示，使用者介面可顯示缺陷分類器之初始版本200。缺陷分類器之版本亦可為缺陷分類器之一中間版本。換言之，應用及判定步驟可在判定一最終版本之前產生缺陷分類器之數個不同版本。
如在圖2中進一步展示，缺陷分類器經組態為一多層決策樹，其中缺陷之群體202經分裂至兩個節點204及206中，分級至節點204中之缺陷經分離成兩個節點208及210，且分級至節點210中之缺陷經分離成節點212及214。應理解，在圖2中展示之缺陷分類器之版本僅係可藉由本文中描述之實施例產生之一決策樹分類器之一項實例。明顯地，藉由本文中描述之實施例產生之一缺陷分類器之任何版本之實際特性將取決於在實施例及缺陷訓練集中使用之模板而變化。
決策樹可經組態以基於缺陷之不同屬性將缺陷分離至不同節點中，可基於模板以及應用及判定步驟來判定缺陷之不同屬性。可用於本文中描述之缺陷分類器中之缺陷屬性之實例包含區域ID(例如，諸如SRAM之記憶體區域、含有多個類型之特徵之一區域(一「多」區域)、其他等等)、極性(例如，明亮、混合、暗等等)、參考粗糙度及本文中描述之任何其他缺陷屬性。其中缺陷分離成不同節點之順序亦可取決於模板以及應用及判定步驟而變化。舉例而言，缺陷可首先基於區域ID而分離，接著極性，且最終參考粗糙度，但可使用任何其他合適順序。
顯示缺陷分類器之版本之使用者介面可提供用於自樹節點之任一者執行外掛程式演算法之一分析框架。特定言之，使用者可點選藉 由使用者介面提供之一工具選單(未在圖2中展示)以全域地或自模板定義內組態用於分析之特徵及參數。另外，使用者介面可允許使用者實行在使用者介面中展示之缺陷分類器版本之分析。舉例而言，使用者可點選在缺陷分類器中展示之一節點且自使用者介面執行分析。在此一項實例中，若一使用者點選節點208，則選單216可顯示於使用者介面中。選單可顯示數個選項(例如，在圖式中一般展示為選項1至5)以及一分析節點選項。
在此一項實施例中，判定步驟亦包含經由使用者介面顯示執行一或多個演算法之結果給使用者且允許使用者選擇用於缺陷分類器之一或多個參數之至少一些參數。舉例而言，若藉由使用者選擇分析節點選項，則可顯示藉由實施例針對選定節點產生之結果。所顯示之結果可包含針對節點產生之任何結果。舉例而言，若節點係一1D節點，則所顯示之結果可包含數個曲線或直方圖，其等可具有針對缺陷分類器之顯示版本判定之各種參數，諸如切割線。若節點係一2D節點，則可在使用者介面中展示類似結果。以此方式，使用者介面可以圖形顯示用於選定節點之可能結果及/或可能解決方案，且一接受選項可顯示為在結果及/或解決方案之各者旁，使得一使用者可選擇哪一選項與選定節點一起使用。
在一項實施例中，判定步驟包含：針對缺陷分類器之一中間版本之一節點中斷判定以請求來自一使用者之輸入，且在接收來自使用者之輸入之後，繼續針對缺陷分類器中之其他節點之判定步驟。舉例而言，定序器可具有在繼續進行之前的特定執行點處暫停以進行使用者回饋或輸入之能力。在此一項實例中，在決策樹建立期間，可視情況在節點中之一者中請求使用者回饋，且接著建立可繼續至下一節點。在一些此等實施例中，藉由顯示用於節點之建議之一排序清單(使用者可自清單選擇用於節點之一或多個參數)而自使用者請求輸 入。以此方式，當自一使用者請求用於一節點之回饋時，一使用者介面(諸如本文中描述之使用者介面)可顯示建議特徵之一排序清單以自其中選擇(或在2D節點之情況中之特徵對)。舉例而言，使用者介面可以一降序順序(自在使用者介面之頂部處之最高推薦至使用者介面之底部處之最不推薦)顯示結果，諸如上文描述之結果。使用者介面亦可在所顯示結果之各者旁顯示一接受按鈕，該接收按鈕可由一使用者點選以做出其選擇。因此，一使用者可在繼續進行之前接受一候選及/或修改切割線位置。
在另一實施例中，應用及判定步驟包含：搜尋訓練集資料中之缺陷之所有屬性之所有值，以找到缺陷分類器之一或多個節點之一或多個最佳分割候選。舉例而言，本文中描述之實施例可以相較於現有方法之更高速度、效率及一致性建構分類器及妨害篩選器。特定言之，透過機械重複步驟之自動化來達成速度。透過「叢集化」演算法之執行達成效率及一致性，該等「叢集化」演算法搜尋屬性空間，以找到各特定節點處之最佳分割候選。此等演算法可徹底搜尋屬性之空間，不論配方設立可用之時間。另外，所提出之框架適用於自動化以及完全手動操作，具有使機器產生之候選解決方案可用於所排序形式中之益處。此本身將顯著加速現今之成就且保證甚至在演算法結果不完美時仍已考量所有可能候選(尤其對於2D節點)。此外，本文中描述之實施例之主要優點中之一者係2D節點之識別，一使用者可無法識別2D節點，此係歸因於視覺化之缺失(例如，人類通常僅可「看見」1D直方圖)及在大部分時間一使用者並不具有時間瀏覽所有可能2D組合且選擇最佳選項。無法選擇最佳選項不利地影響敏感性。因此，本文中描述之實施例將能夠產生更敏感缺陷分類器。
在一些實施例中，該方法包含：使用模板判定用於不同晶圓檢測配方之不同缺陷分類器。舉例而言，用於分類器建立之所提出基於 層級之模板表示分類樹之一新後設資料表示，其加強均勻性且減少人類錯誤。此一種模板可用於建立用於不同檢測配方之不同分類樹。因此，一個模板可用於一組檢測配方。以此方式，本文中描述之實施例透過基於層級之模板之使用提供標準化分類器建立，此據信係全新的。
在一額外實施例中，應用及判定步驟產生用於訓練資料集之缺陷分類結果，且該方法包含：基於缺陷分類結果判定關於用於晶圓、其他晶圓或一額外晶圓之一晶圓檢測配方之資訊。在此一項實施例中，關於晶圓檢測配方之資訊包含晶圓檢測配方是否有效之一判定。在另一此實施例中，關於晶圓檢測配方之資訊包含關於晶圓檢測配方與另一晶圓檢測配方之間的一或多個差異之資訊。舉例而言，本文中描述之模板可用於配方驗證及配方比較。在一額外實施例中，用於晶圓檢測方法之資訊包含關於晶圓檢測配方中之一或多個妨害篩選器是否遵從模板之資訊。舉例而言，驗證可包含配方中之妨害篩選器是否遵從模板。
在又一實施例中，將模板應用於訓練資料集自動建立缺陷分類器之一初始版本，訓練資料集並不包含對於訓練資料集中之缺陷之分類，且判定一或多個參數包含：調諧缺陷分類器之初始版本之一或多個參數以判定用於缺陷分類器之一或多個參數。舉例而言，本文中描述之實施例可用於使用未分類訓練資料集自動化初始分類器樹建立(並非分類器調諧)，此據信係一全新、先前不可用之能力。
本文中描述之產生、應用及判定步驟藉由可如本文中進一步描述般組態之一電腦系統實行。在一些實施例中，產生、應用及判定步驟藉由電腦系統自動實行。舉例而言，一使用者介面(諸如本文中描述之使用者介面)可包含當由一使用者點選時將實行決策樹轉譯/建立之一建立樹按鈕。在一完全自動化模式中，在使用者請求決策樹建立 開始之後，可藉由本文中描述之實施例選擇最佳候選解決方案而不暫停以進行使用者輸入。在另一實施例中，產生、應用及判定步驟中之至少一者藉由電腦系統之一使用者手動實行。
以此方式，上文描述之先前存在之方法(手動及自動化)在某種程度上與本文中描述之實施例互補，此係因為手動及自動化兩者可為本文中描述之實施例中之分類器設計程序之一固有部分。差異係此等方法整合在一起及如何執行自動化之方式。特定言之，本文中描述之實施例提供用於導引樹建立之一新框架，其組合機械步驟、基於節點之分析(資料探勘及排序)及人類決策之自動化。
本文中描述之分析框架以及其通信標準將針對手動及自動化操作模式(例如，基於節距類似性之群體分離等等)兩者使將來的演算法發展更容易。另外，本文中描述之實施例可以各種不同方式接收使用者輸入(例如，用於模板之參數之使用者輸入、缺陷分類器建立期間之使用者輸入等等)。因此，本文中描述之實施例可在缺陷分類器之(半)自動化建立中利用使用者經驗及/或預期。以此方式，本文中描述之實施例提供額外值，其中一使用者可在其可極大程度上規定缺陷分類器之結構之意義上導引缺陷分類器之建立。
可藉由本文中描述之系統實施例之任一者實行上文描述之方法之實施例。另外，上文描述之方法之實施例可包含實行本文中描述之任何其他實施例之任何步驟及/或功能。
該方法亦可包含將該方法之步驟中之任一者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儲存。儲存媒體可包含此項技術中已知之任何合適儲存媒體。在已儲存結果之後，結果可於儲存媒體中存取且如本文中描述般使用，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。
另一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以用於實行用於針對在一晶圓上所偵測之缺陷設立一分類器之一方法(即，一電腦實施方法)之程式指令。此一項實施例在圖3中展示。舉例而言，如在圖3中展示，電腦可讀媒體300儲存可在電腦系統304上執行以用於實行上文描述之方法之程式指令302。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)方法之任何其他(諸)步驟。
實施諸如本文中描述之方法之方法之程式指令302可儲存於電腦可讀媒體300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。
可以各種方式中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/或物件導向技術及其他技術。舉例而言，可視需要使用Matlab、Visual Basic、ActiveX控制項、C、C++物件、C#、JavaBeans、微軟基礎類別(「MFC」)或其他技術或方法實施程式指令。
電腦系統304可呈各種形式，包含一個人電腦系統、主機電腦系統、工作站、系統電腦、影像電腦、可程式化影像電腦、平行處理器或此項技術中已知之任何其他裝置。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。
一額外實施例係關於一種經組態以針對在一晶圓上所偵測之缺陷設立一分類器之系統。此一系統之一項實施例在圖4中展示。如在圖4中展示，系統400包含電腦子系統404(或一「電腦系統」)。電腦子系統經組態以實行本文中進一步描述之產生、應用及判定步驟。另 外，電腦子系統可經組態以實行本文中描述之任何其他步驟。
在一些例項中，系統可包含一光學子系統，光學子系統經組態以產生可用於偵測晶圓上之缺陷之輸出。舉例而言，如在圖4中展示，系統可包含光學子系統402。光學子系統經組態以用光掃描一晶圓，藉此產生關於晶圓之輸出。舉例而言，如在圖4中展示，光學子系統包含光源406，諸如一雷射。光源406經組態以將光引導至偏光組件408。另外，光學子系統可包含一個以上偏光組件(未展示)，其等之各者可單獨定位於來自光源之光之路徑中。偏光組件之各者可經組態以按一不同方式更改來自光源之光之偏光。光學子系統可經組態以取決於在一掃描期間針對晶圓之照明選擇哪一偏光設定而按任何合適方式將偏光組件移動至來自光源之光之路徑中及移出該路徑。在一掃描期間用於晶圓之照明之偏光設定可包含p偏光(P)、s偏光(S)或圓形偏光(C)。
以一傾斜入射角將離開偏光組件408之光引導至晶圓410，傾斜入射角可包含任何合適傾斜入射角。光學子系統亦可包含一或多個光學組件(未展示)，其等經組態以將光自光源406引導至偏光組件408或自偏光組件408引導至晶圓410。光學組件可包含此項技術中已知之任何合適光學組件，諸如(但不限於)一反射光學組件。另外，光源、偏光組件及/或一或多個光學組件可經組態以按一或多個入射角(例如，一傾斜入射角及/或一實質上法向入射角)將光引導至晶圓。光學子系統可經組態以藉由按任何合適方式掃描晶圓上方之光而實行掃描。
在掃描期間可藉由光學子系統之多個通道收集及偵測自晶圓410散射之光。舉例而言，可藉由透鏡412收集按相對接近於法線之角度自晶圓410散射之光。透鏡412可包含一折射光學元件，如在圖4中展示。另外，透鏡412可包含一或多個折射光學元件及/或一或多個反射光學元件。由透鏡412收集之光可經引導至偏光組件414，偏光組件 414可包含此項技術中已知之任何合適偏光組件。另外，光學子系統可包含一個以上偏光組件(未展示)，其中之各者可單獨定位於藉由透鏡收集之光之路徑中。偏光組件中之各者可經組態以按一不同方式更改藉由透鏡收集之光之偏光。光學子系統可經組態以取決於在掃描期間針對由透鏡412收集之光之偵測選擇哪一偏光設定而按任何合適方式將偏光組件移動至由透鏡收集之光之路徑中及移出該路徑。在掃描期間用於由透鏡412收集之光之偵測之偏光設定可包含本文中描述之偏光設定中之任一者(例如，P、S及未偏光(N))。
離開偏光組件414之光經引導至偵測器416。偵測器416可包含此項技術中已知之任何合適偵測器，諸如一電荷耦合裝置(CCD)或另一類型之成像偵測器。偵測器416經組態以產生輸出，諸如一影像，影像回應於由透鏡412收集且由偏光組件414(若定位於所收集散射光之路徑中)透射之散射光。因此，透鏡412、偏光組件414(若定位於由透鏡412收集之光之路徑中)及偵測器416形成光學子系統之一個通道。光學子系統之此通道可包含此項技術中已知之任何其他合適光學組件(未展示)，諸如一傅立葉濾波組件。
可藉由透鏡418收集按不同角度自晶圓410散射之光。透鏡418可如上文描述般組態。由透鏡418收集之光可經引導至偏光組件420，偏光組件420可包含此項技術中已知之任何合適偏光組件。另外，光學子系統可包含一個以上偏光組件(未展示)，其中之各者可單獨定位於藉由透鏡收集之光之路徑中。偏光組件中之各者可經組態以按一不同方式更改藉由透鏡收集之光之偏光。光學子系統可經組態以取決於在掃描期間針對由透鏡418收集之光之偵測選擇哪一偏光設定而按任何合適方式將偏光組件移動至由透鏡收集之光之路徑中及移出該路徑。在掃描期間用於由透鏡418收集之光之偵測之偏光設定可包含P、S或N。
射出偏光組件420之光經引導至偵測器422，偵測器422可如上文描述般組態。偵測器422亦經組態以產生輸出，諸如一影像，影像回應於穿過偏光組件420(若定位於散射光之路徑中)之所收集散射光。因此，透鏡418、偏光組件420(若定位於由透鏡418收集之光之路徑中)及偵測器422可形成光學子系統之另一通道。此通道亦可包含上文描述之任何其他光學組件(未展示)。在一些實施例中，透鏡418可經組態以收集按自20度至約70度之極角自晶圓散射之光。另外，透鏡418可經組態為一反射光學組件(未展示)，其經組態以收集按約360度之方位角自晶圓散射之光。
在圖4中展示之光學子系統亦可包含一或多個其他通道(未展示)。舉例而言，光學子系統可包含一額外通道，額外通道可包含本文中描述之光學組件中之任一者，諸如組態為一側通道之一透鏡、一或多個偏光組件及一偵測器。透鏡、一或多個偏光組件及偵測器可如本文中描述般進一步組態。在此一項實例中，側通道可經組態以收集及偵測散射出入射平面之光(例如，側通道可包含一透鏡(其居中於實質上垂直於入射平面之一平面中)以及偵測器(其經組態以偵測由透鏡收集之光))。
電腦子系統404可經組態以獲取藉由光學子系統產生之輸出。舉例而言，在掃描期間由偵測器產生之影像可經提供至電腦子系統404。在此一項實例中，電腦子系統可耦合至偵測器中之各者(例如，藉由由圖4中之虛線展示之一或多個傳輸媒體，其等可包含此項技術中已知之任何合適傳輸媒體)，使得電腦子系統可接收由偵測器產生之影像。電腦子系統可以任何合適方式耦合至偵測器中之各者。
電腦子系統可經組態以使用由偵測器產生之輸出實行一或多個功能。舉例而言，電腦子系統可經組態以使用由偵測器產生之輸出偵測晶圓上之缺陷。在此一項實例中，電腦子系統可經組態以將一或多 個缺陷偵測演算法及/或方法應用於偵測器之一或多者之輸出，且演算法及/或方法可包含此項技術中已知之任何合適演算法及/或方法。另外，電腦子系統在圖4中展示為一整個晶圓檢測系統之一部分。然而，本文中描述之電腦系統可不係一晶圓檢測系統之部分且可經由一或多個傳輸媒體或藉由一共用儲存媒體(諸如晶圓廠資料庫)耦合至一電腦子系統(諸如在圖4中展示之電腦子系統)。以此方式，系統之電腦系統可為一獨立電腦系統，其實際上不係一晶圓檢測系統之部分。
應注意，在本文中提供圖4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光學子系統之一個組態。明顯地，本文中描述之光學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光學子系統之效能。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)，諸如購自加利福尼亞州米爾皮塔斯市(Milpitas,Calif)之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可選功能性(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。
在額外實施例中，本文中描述之光學子系統及/或電腦子系統可由一或多個虛擬檢測系統取代，諸如Bhaskar等人在2012年2月28日發佈之共同受讓美國專利第8,126,255號及Duffy等人在2014年2月19日申請之共同受讓美國專利申請案第14/184,417號中描述之虛擬檢測系統，該等美國專利申請案皆以宛如全文闡述引用的方式併入本文中。此等方法及系統可經組態以實行本文中描述之步驟中之任一者。
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，本發明提供用於設立用於在一晶圓上所偵測之缺陷之一分類器之方法及系統。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實施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。如熟習此項技術者在獲得本發明之此描述之益處之後將全部明白，元件及材料可取代在本文中繪示及描述之元件及材料，部分及程序可顛倒，且可單獨利用本發明之某些特徵。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 (41)

  1. 一種用於設立在一晶圓上所偵測之缺陷之一分類器之方法，其包括：產生用於在一晶圓上所偵測之缺陷之一缺陷分類器之一模板；將該模板應用於一訓練資料集，其中該訓練資料集包括關於在該晶圓或另一晶圓上所偵測之缺陷之資訊，其中將該模板應用於該訓練資料集自動建立該缺陷分類器之一初始版本，且其中該訓練資料集並不包括對於該訓練資料集中之缺陷之分類；及基於該應用之結果判定用於該缺陷分類器之一或多個參數，其中判定該一或多個參數包括：調諧該缺陷分類器之該初始版本之一或多個參數以判定用於該缺陷分類器之該一或多個參數，且其中用一電腦系統實行該等產生、應用及判定步驟。
  2. 如請求項1之方法，其中該模板係一基於層級之模板，且其中該缺陷分類器係一基於層級之缺陷分類器。
  3. 如請求項1之方法，其中應用該模板包括：將該訓練資料集中之缺陷分離成穩定群體。
  4. 如請求項1之方法，其中調諧該缺陷分類器之該初始版本之該一或多個參數包括：自由該應用步驟導致之該缺陷分類器之該初始版本中之不同節點取樣一或多個缺陷且判定該一或多個所取樣缺陷之一分類。
  5. 如請求項1之方法，其中該模板包括關於該缺陷分類器之一或多個節點之資訊。
  6. 如請求項1之方法，其中產生該模板包括：經由藉由該電腦系統提供之一使用者介面自一使用者接收用於該模板之參數。
  7. 如請求項1之方法，其中該模板包括關於在該方法之一或多個步驟期間接收之使用者輸入之資訊。
  8. 如請求項1之方法，其中藉由自該缺陷分類器之該初始版本之節點執行一或多個演算法而實行該等應用及判定步驟。
  9. 如請求項1之方法，其進一步包括：在一使用者介面中顯示該應用之結果且經由該使用者介面接收該等分析結果中之一或多個節點之一使用者選擇，其中該判定步驟進一步包括：自該一或多個選定節點執行一或多個演算法以分析該一或多個選定節點。
  10. 如請求項9之方法，其中該判定進一步包括：經由該使用者介面顯示執行該一或多個演算法之結果給該使用者，且允許該使用者選擇用於該缺陷分類器之該一或多個參數中之至少一些參數。
  11. 如請求項1之方法，其中該判定進一步包括：針對該缺陷分類器之一中間版本之一節點中斷該判定以請求來自一使用者之輸入，且在接收來自該使用者之該輸入之後，繼續針對該缺陷分類器中之其他節點之該判定步驟。
  12. 如請求項11之方法，其中藉由顯示用於該節點之建議之一排序清單而自該使用者請求該輸入，該使用者可自該排序清單選擇用於該節點之該一或多個參數。
  13. 如請求項1之方法，其中該等應用及判定步驟進一步包括：搜尋該訓練集資料中之該等缺陷之所有屬性之所有值，以找到用於該缺陷分類器之一或多個節點之一或多個最佳分割候選。
  14. 如請求項1之方法，其進一步包括：使用該模板判定用於不同晶圓檢測配方之不同缺陷分類器。
  15. 如請求項1之方法，其中該等應用及判定步驟產生用於該訓練資料集之缺陷分類結果，且其中該方法進一步包括：基於該等缺陷分類結果判定關於用於該晶圓、其他晶圓或一額外晶圓之一晶圓檢測配方之資訊。
  16. 如請求項15之方法，其中關於該晶圓檢測配方之該資訊包括該晶圓檢測配方是否有效之一判定。
  17. 如請求項15之方法，其中關於該晶圓檢測配方之該資訊包括關於該晶圓檢測配方與另一晶圓檢測配方之間的一或多個差異之資訊。
  18. 如請求項15之方法，其中關於該晶圓檢測配方之該資訊包括關於該晶圓檢測配方中之一或多個妨害篩選器是否遵從該模板之資訊。
  19. 如請求項1之方法，其中由該電腦系統自動實行該等產生、應用及判定步驟。
  20. 如請求項1之方法，其中由該電腦系統之一使用者手動實行該等產生、應用及判定步驟中之至少一者。
  21. 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以實行用於設立在一晶圓上所偵測之缺陷之一分類器之一電腦實施方法之程式指令，其中該電腦實施方法包括：產生用於在一晶圓上所偵測之缺陷之一缺陷分類器之一模板；將該模板應用於一訓練資料集，其中該訓練資料集包括關於在該晶圓或另一晶圓上所偵測之缺陷之資訊，其中將該模板應用於該訓練資料集自動建立該缺陷分類器之一初始版本，且其中該訓練資料集並不包括對於該訓練資料集中之缺陷之分類；及基於該應用之結果判定用於該缺陷分類器之一或多個參數，其中判定該一或多個參數包括：調諧該缺陷分類器之該初始版本之一或多個參數以判定用於該缺陷分類器之該一或多個參數。
  22. 一種經組態以設立在一晶圓上所偵測之缺陷一分類器之系統，其包括一電腦系統，該電腦系統經組態以用於：產生用於在一晶圓上所偵測之缺陷之一缺陷分類器之一模板；將該模板應用於一訓練資料集，其中該訓練資料集包括關於在該晶圓或另一晶圓上所偵測之缺陷之資訊，其中將該模板應用於該訓練資料集自動建立該缺陷分類器之一初始版本，且其中該訓練資料集並不包括對於該訓練資料集中之缺陷之分類；及基於該應用之結果判定用於該缺陷分類器之一或多個參數，其中判定該一或多個參數包括：調諧該缺陷分類器之該初始版本之一或多個參數以判定用於該缺陷分類器之該一或多個參數。
  23. 如請求項22之系統，其中該模板係一基於層級之模板，且其中該缺陷分類器係一基於層級之缺陷分類器。
  24. 如請求項22之系統，其中應用該模板包括：將該訓練資料集中之缺陷分離成穩定群體。
  25. 如請求項22之系統，其中調諧該缺陷分類器之該初始版本之該一或多個參數包括：自由該應用步驟導致之該缺陷分類器之該初始版本中之不同節點取樣一或多個缺陷且判定該一或多個所取樣缺陷之一分類。
  26. 如請求項22之系統，其中該模板包括關於該缺陷分類器之一或多個節點之資訊。
  27. 如請求項22之系統，其中產生該模板包括：經由藉由該電腦系統提供之一使用者介面自一使用者接收用於該模板之參數。
  28. 如請求項22之系統，其中該模板包括關於在由該電腦系統所實行之一或多個步驟期間接收之使用者輸入之資訊。
  29. 如請求項22之系統，其中藉由自該缺陷分類器之該初始版本之節點執行一或多個演算法而實行該等應用及判定步驟。
  30. 如請求項22之系統，其中該電腦系統經進一步組態用於在一使用者介面中顯示該應用之結果且經由該使用者介面接收該等分析結果中之一或多個節點之一使用者選擇，且其中該判定步驟進一步包括：自該一或多個選定節點執行一或多個演算法以分析該一或多個選定節點。
  31. 如請求項30之系統，其中該判定進一步包括：經由該使用者介面顯示執行該一或多個演算法之結果給該使用者，且允許該使用者選擇用於該缺陷分類器之該一或多個參數中之至少一些參數。
  32. 如請求項22之系統，其中該判定進一步包括：針對該缺陷分類器之一中間版本之一節點中斷該判定以請求來自一使用者之輸入，且在接收來自該使用者之該輸入之後，繼續針對該缺陷分類器中之其他節點之該判定步驟。
  33. 如請求項32之系統，其中藉由顯示用於該節點之建議之一排序清單而自該使用者請求該輸入，該使用者可自該排序清單選擇用於該節點之該一或多個參數。
  34. 如請求項22之系統，其中該等應用及判定步驟進一步包括：搜尋該訓練集資料中之該等缺陷之所有屬性之所有值，以找到用於該缺陷分類器之一或多個節點之一或多個最佳分割候選。
  35. 如請求項22之系統，其中該電腦系統經進一步組態用於使用該模板判定用於不同晶圓檢測配方之不同缺陷分類器。
  36. 如請求項22之系統，其中該等應用及判定步驟產生用於該訓練資料集之缺陷分類結果，且其中該電腦系統經進一步組態用於基於該等缺陷分類結果判定關於用於該晶圓、其他晶圓或一額外晶圓之一晶圓檢測配方之資訊。
  37. 如請求項36之系統，其中關於該晶圓檢測配方之該資訊包括該晶圓檢測配方是否有效之一判定。
  38. 如請求項36之系統，其中關於該晶圓檢測配方之該資訊包括關於該晶圓檢測配方與另一晶圓檢測配方之間的一或多個差異之資訊。
  39. 如請求項36之系統，其中關於該晶圓檢測配方之該資訊包括關於該晶圓檢測配方中之一或多個妨害篩選器是否遵從該模板之資訊。
  40. 如請求項22之系統，其中由該電腦系統自動實行該等產生、應用及判定步驟。
  41. 如請求項22之系統，其中由該電腦系統之一使用者手動實行該等產生、應用及判定步驟中之至少一者。
TW104108524A 2014-03-17 2015-03-17 設立在一晶圓上所偵測之缺陷之一分類器之方法及系統，及非暫時性電腦可讀媒體 TWI641063B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201461954339P 2014-03-17 2014-03-17
US61/954,339 2014-03-17
US14/505,446 US9613411B2 (en) 2014-03-17 2014-10-02 Creating defect classifiers and nuisance filters
US14/505,446 2014-10-02

Publications (2)

Publication Number Publication Date
TW201543592A TW201543592A (zh) 2015-11-16
TWI641063B true TWI641063B (zh) 2018-11-11

Family

ID=54069203

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104108524A TWI641063B (zh) 2014-03-17 2015-03-17 設立在一晶圓上所偵測之缺陷之一分類器之方法及系統，及非暫時性電腦可讀媒體

Country Status (4)

Country Link
US (1) US9613411B2 (zh)
KR (1) KR102220437B1 (zh)
TW (1) TWI641063B (zh)
WO (1) WO2015142747A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9880550B2 (en) * 2015-03-24 2018-01-30 Applied Materials Israel Ltd. Updating of a recipe for evaluating a manufacturing stage of an electrical circuit
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
TWI737659B (zh) 2015-12-22 2021-09-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
US10204290B2 (en) * 2016-10-14 2019-02-12 Kla-Tencor Corporation Defect review sampling and normalization based on defect and design attributes
TWI752100B (zh) * 2016-10-17 2022-01-11 美商克萊譚克公司 用於訓練檢查相關演算法之系統、非暫時性電腦可讀媒體及電腦實施方法
US10267748B2 (en) * 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
US10679909B2 (en) * 2016-11-21 2020-06-09 Kla-Tencor Corporation System, method and non-transitory computer readable medium for tuning sensitivies of, and determining a process window for, a modulated wafer
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
US10789550B2 (en) * 2017-04-13 2020-09-29 Battelle Memorial Institute System and method for generating test vectors
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
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
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US11475556B2 (en) 2019-05-30 2022-10-18 Bruker Nano, Inc. Method and apparatus for rapidly classifying defects in subcomponents of manufactured component
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11756186B2 (en) 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
US11921052B2 (en) 2022-03-31 2024-03-05 Kla Corporation Inspection with previous step subtraction
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection
CN114782445B (zh) * 2022-06-22 2022-10-11 深圳思谋信息科技有限公司 对象缺陷检测方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005006002A2 (de) * 2003-07-12 2005-01-20 Leica Microsystems Semiconductor Gmbh Verfahren zum einlernen einer wissensbasierten datenbasis für die automatische fehlerklassifikation
US7359544B2 (en) * 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
US20110007961A1 (en) * 2008-03-27 2011-01-13 Shuji Iwanaga Defect classification method, computer storage medium, and defect classification apparatus
US20120128233A1 (en) * 2006-02-27 2012-05-24 Ryo Nakagaki Defect classifier using classification recipe based on connection between rule-based and example-based classifiers
TW201407154A (zh) * 2012-04-19 2014-02-16 Applied Materials Israel Ltd 自動及手動缺陷分類之整合

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6430572B1 (en) * 1999-03-08 2002-08-06 Advanced Micro Devices, Inc Recipe management database system
US7283659B1 (en) * 2002-01-09 2007-10-16 Kla-Tencor Technologies Corporation Apparatus and methods for searching through and analyzing defect images and wafer maps
US8180722B2 (en) * 2004-09-30 2012-05-15 Avaya Inc. Method and apparatus for data mining within communication session information using an entity relationship model
WO2006054267A1 (en) * 2004-11-19 2006-05-26 Koninklijke Philips Electronics, N.V. System and method for automated detection and segmentation of tumor boundaries within medical imaging data
US20070106416A1 (en) * 2006-06-05 2007-05-10 Griffiths Joseph J Method and system for adaptively controlling a laser-based material processing process and method and system for qualifying same
US7415387B2 (en) 2006-12-19 2008-08-19 Qimonda North America Corp. Die and wafer failure classification system and method
US8000519B1 (en) * 2007-04-04 2011-08-16 Xilinx, Inc. Method of metal pattern inspection verification
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
BRPI0924003A2 (pt) * 2009-06-16 2012-09-25 Intel Corp aplicações de cámera em um dispositivo manual
US8331650B2 (en) 2010-07-29 2012-12-11 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection
JP5608575B2 (ja) * 2011-01-19 2014-10-15 株式会社日立ハイテクノロジーズ 画像分類方法および画像分類装置
US8934722B2 (en) * 2011-09-19 2015-01-13 Given Imaging Ltd. System and method for classification of image data items based on indirect user input
US8948494B2 (en) * 2012-11-12 2015-02-03 Kla-Tencor Corp. Unbiased wafer defect samples
TWI482102B (zh) * 2012-11-21 2015-04-21 Univ Nat Cheng Kung 強化標的圖案之處理方法、標的圖案分類系統之產生方法以及分類檢測標的圖案之方法
US9311698B2 (en) * 2013-01-09 2016-04-12 Kla-Tencor Corp. Detecting defects on a wafer using template image matching
US9519285B2 (en) * 2013-01-23 2016-12-13 Taiwan Semiconductor Manufacturing Company, Ltd. Systems and associated methods for tuning processing tools
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9142014B2 (en) * 2013-05-30 2015-09-22 Dmo Systems Limited System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7359544B2 (en) * 2003-02-12 2008-04-15 Kla-Tencor Technologies Corporation Automatic supervised classifier setup tool for semiconductor defects
WO2005006002A2 (de) * 2003-07-12 2005-01-20 Leica Microsystems Semiconductor Gmbh Verfahren zum einlernen einer wissensbasierten datenbasis für die automatische fehlerklassifikation
US20120128233A1 (en) * 2006-02-27 2012-05-24 Ryo Nakagaki Defect classifier using classification recipe based on connection between rule-based and example-based classifiers
US20110007961A1 (en) * 2008-03-27 2011-01-13 Shuji Iwanaga Defect classification method, computer storage medium, and defect classification apparatus
TW201407154A (zh) * 2012-04-19 2014-02-16 Applied Materials Israel Ltd 自動及手動缺陷分類之整合

Also Published As

Publication number Publication date
TW201543592A (zh) 2015-11-16
US9613411B2 (en) 2017-04-04
US20150262038A1 (en) 2015-09-17
KR20160134740A (ko) 2016-11-23
WO2015142747A1 (en) 2015-09-24
KR102220437B1 (ko) 2021-02-24

Similar Documents

Publication Publication Date Title
TWI641063B (zh) 設立在一晶圓上所偵測之缺陷之一分類器之方法及系統，及非暫時性電腦可讀媒體
CN108352339B (zh) 自适应自动缺陷分类
TWI710763B (zh) 經組態以偵測一樣品上之缺陷之系統及用於偵測一樣品上之缺陷之電腦實施方法
TWI640049B (zh) 複合式缺陷分類器
US11170255B2 (en) Training a machine learning model with synthetic images
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
TWI708301B (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
US9518934B2 (en) Wafer defect discovery
US10483081B2 (en) Self directed metrology and pattern classification
TWI588924B (zh) 用於晶圓檢測之方法、裝置及電腦可讀取媒體
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
KR102373941B1 (ko) 반도체 웨이퍼의 결함 자동 분류를 위한 결정 트리 구성
TWI791806B (zh) 用於檢查之模式選擇
CN107004123A (zh) 迭代式缺陷滤除工艺
US20160258879A1 (en) Adaptive Nuisance Filter
US9714905B1 (en) Wafer inspection recipe setup
TWI683284B (zh) 保留可重標準化性之製造樣本成型
WO2017040351A1 (en) Self directed metrology and pattern classification
KR102557194B1 (ko) 검사를 위한 결함 후보 생성