TWI641960B - 設計佈局的失效風險的智慧型預診斷系統及方法 - Google Patents
設計佈局的失效風險的智慧型預診斷系統及方法 Download PDFInfo
- Publication number
- TWI641960B TWI641960B TW106111402A TW106111402A TWI641960B TW I641960 B TWI641960 B TW I641960B TW 106111402 A TW106111402 A TW 106111402A TW 106111402 A TW106111402 A TW 106111402A TW I641960 B TWI641960 B TW I641960B
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- layout
- failure risk
- area
- failure
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本發明公開一種設計佈局的失效風險的智慧型預診斷系統及方法,本發明的方法是先取得一物體的一設計佈局,再於設計佈局上劃分出至少一佈局區域,其中佈局區域內具有一佈局圖案,接著取得多個缺陷,並按照尺寸的大小順序將多個缺陷逐個與佈局圖案的一預定部分進行比對,然後根據比對結果判斷佈局區域的失效風險等級。
Description
本發明涉及一種產品失效分析方法,特別是涉及一種能準確掌握產品的潛在失效風險的設計佈局的失效風險的智慧型預診斷系統及方法。
一般而言,晶片設計公司(design house)提供晶圓廠(或製程廠)相關的積體電路設計佈局,於是製程廠根據晶圓上的設計佈局採用了上百種設備開始製作大量的晶圓,在製造過程中,無法避免地會有缺陷產生,比如一些隨機性的顆粒缺陷、製程形成的缺陷或系統性的缺陷,而造成開路或短路失效並影響到產品良率。製程廠將利用各種檢測工具作出模擬,目的不外乎是能在初期找到系統性的缺陷,並透過修改設計、改進製程而增進良率。
隨著設計佈局的特徵尺寸逐漸縮小,影響產品良率降低的相關缺陷也變得較小,為了擷取晶圓上所有致命的缺陷,代工廠必須增加其掃描及檢驗器具的靈敏度,因而被檢驗出來的缺陷個數也會隨之增加,事實上非致命的缺陷占所有檢驗出來的缺陷百分比亦會增加。此外,為了確認出真正潛在性的缺陷,製程廠將使用電子式掃描顯微鏡來照相、檢視及分類所有被採樣及檢驗出來的缺陷;然而,製程時間是固定的,且用來檢視的電子式掃描顯微鏡的效能可能限制了每個晶圓上被觀察的個數,故製程廠要應付不同廠商的需求,又要在有限的時間裡面交貨,以現有的技術
不僅在確認出產品上屬於重要類型的缺陷是有困難的,而且還有遺漏辨識出致命性缺陷的風險。
若沒有一個快速且創新的方法來預先地確認系統缺陷(Systematic defect)及隨機缺陷(Random defect),晶圓廠將面臨龐大的產量下滑以及花費大量的學習時間在量產上。
本發明所要解決的技術問題在於,針對現有技術的不足提供一種設計佈局的失效風險的智慧型預診斷系統及方法,其能快速且準確地預測線上隨機缺陷及系統缺陷等,是否會在物體上造成錯誤並影響到物體的良率。
為了解決上述的技術問題,本發明所採用的其中一技術方案是,提供一種設計佈局的失效風險的智慧型預診斷系統,其包括一區域定義模組、一缺陷產生模組、一儲存裝置、一比對分析模組及一判斷模組。所述區域定義模組,用於在一物體的一設計佈局上劃分出至少一佈局區域,其中所述佈局區域內具有一佈局圖案;所述缺陷產生模組用於預先取得多個缺陷資料,其中每一個所述缺陷資料包括一缺陷的一缺陷圖像與相關於所述缺陷的一缺陷尺寸及一缺陷形狀;所述比對分析模組用於按照尺寸的大小順序,將多個所述缺陷的缺陷圖像逐個與所述佈局圖案的一預定部分進行比對,以得到相關於每一個所述缺陷的一致命缺陷指數;所述判斷模組用於根據多個所述致命缺陷指數判斷所述佈局區域的一失效風險等級。
為了解決上述的技術問題,本發明所採用的另外一技術方案是,提供一種設計佈局的失效風險的智慧型預診斷方法,其包括以下步驟:取得一物體的一設計佈局;在所述設計佈局上劃分出至少一佈局區域,其中所述佈局區域內具有一佈局圖案;預先取得多個缺陷資料,其中每一個所述缺陷資料包括一缺陷的一缺陷圖像與相關於所述缺陷的一缺陷尺寸和一缺陷形狀;按照尺寸的
大小順序,將多個所述缺陷的缺陷圖像逐個與所述佈局圖案的一預定部分進行比對,以得到相關於每一個所述缺陷的一致命缺陷指數;以及根據多個所述致命缺陷指數判斷所述佈局區域的一失效風險等級。
本發明的有益效果在於,本發明技術方案所提供設計佈局的失效風險的智慧型預診斷系統及方法,其通過“在一設計佈局上劃分出至少一佈局區域,再預先取得多個缺陷,接著按照尺寸的大小順序將多個缺陷逐個與佈局區域內的佈局圖案的一預定部分進行關鍵區域分析(Critical Area Analysis,CAA)比對,然後根據比對結果判斷佈局區域的失效風險等級”的技術特徵,可在產品真正開始生產前,及時地診斷出設計佈局中所有高、中、低及無失效風險的佈局區域,並可快速且準確地預測線上隨機缺陷與系統缺陷等,是否會在被加工物體上造成開路或短路失效而影響到物體的良率。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與附圖,然而所提供的附圖僅用於提供參考與說明,並非用來對本發明加以限制。
M‧‧‧失效風險的預診斷方法
S10-S60‧‧‧流程步驟
S401-S403‧‧‧流程步驟
1‧‧‧系統
11‧‧‧區域定義模組
12‧‧‧缺陷產生模組
13‧‧‧分析模組
14‧‧‧判斷模組
2‧‧‧設計佈局
20、20a、20b、20c、20d、20e、20f‧‧‧佈局區域
21a、21b、21c、21d、21e‧‧‧佈局圖案
3‧‧‧缺陷資料庫
4‧‧‧失效風險預診斷分析資料庫
5‧‧‧使用者介面
51‧‧‧顯示窗口
52、53、54、55‧‧‧按鈕
D‧‧‧缺陷
Cs‧‧‧起點座標
Ci‧‧‧位置座標
Ce‧‧‧終點座標
P‧‧‧特定路徑
圖1為本發明的設計佈局的失效風險的智慧型預診斷方法的流程示意圖。
圖2為本發明的設計佈局的失效風險的智慧型預診斷系統的架構圖。
圖3為對應本發明設計佈局的失效風險的智慧型預診斷方法的步驟S20示意圖。
圖4至圖10為對應本發明設計佈局的失效風險的智慧型預診斷方法的步驟S40示意圖。
圖11為對應本發明設計佈局的失效風險的智慧型預診斷方法的步驟S50的子步驟流程示意圖。
圖12及圖13為對應本發明設計佈局的失效風險的智慧型預診斷方法的步驟S70示意圖。
圖14為本發明的設計佈局的失效風險的智慧型預診斷方法的使用者介面示意圖。
由於半導體工廠、平面顯示器工廠、封裝工廠(Assembly fab)、太陽能板工廠、印刷電路板工廠、光罩工廠、發光二極體組裝廠等製造工廠,於生產過程中無法避免地會造成被加工物體上出現缺陷,原因包括製程上的缺失、品質管控不穩定、設備或技術上的瓶頸或異常等,因此,本發明提供一種設計佈局的失效風險的智慧型預診斷系統及方法,可以在生產物體之前,以智慧型預診斷方法完成分析一個設計佈局裡每一個位置佈局區域圖形的CAA失效風險,故能快速且準確地預測線上隨機缺陷(In-line random defect)與系統缺陷(Systematic defect)等,是否會在被加工物體上造成開路或短路失效(Open or short failure)並影響到物體的良率(Yield)。據此,用戶能以最佳的效率、最少的時間來管理製造工廠內的缺陷良率,並能針對被加工物體上各個較高失效風險區域的佈局圖案進行修改,以達到最佳化的佈局圖案並降低其失效風險,例如從高失效風險降低為低失效風險或從低失效風險降低為無失效風險,進而提高此等區域對於缺陷的容忍度。上述的物體可為晶圓、光罩、印刷電路板、平面顯示器、晶圓凸塊(Wafer bump)、封裝結構、發光二極體或太陽能電池,但不限於此。
以下是通過特定的具體實施例來說明本發明所公開有關“設計佈局的失效風險的智慧型預診斷系統及方法”的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本發明的精神下進行各種修飾與變更。另外,本發明的附圖僅為簡單示意
說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容,但所公開的內容並非用以限制本發明的技術範圍。
請參見圖1,為本發明一較佳實施例的設計佈局的失效風險的智慧型預診斷方法的流程示意圖。如圖1所示,設計佈局的失效風險的智慧型預診斷方法M主要包括以下幾個步驟:步驟S10,取得一物體的一設計佈局;步驟S20,在設計佈局上劃分出至少一佈局區域,其中佈局區域具有預定的一佈局圖案;步驟S30,預先取得多個缺陷資料,其中每一缺陷資料包括一缺陷的一缺陷圖像、一缺陷尺寸及一缺陷形狀;步驟S40,按照尺寸的大小順序,將多個缺陷的缺陷圖像逐個與佈局圖案的一預定部分進行比對,以得到相關於每一個缺陷的一致命缺陷指數(Killer defect index,KDI;關於致命缺陷指數的技術細節可參考本案相同申請人所取得的美國專利第8,312,401號);步驟S50,根據多個致命缺陷指數判斷佈局區域的一失效風險等級;以及步驟S70,建立一失效風險預診斷分析資料庫。
請參見圖2,為本發明一較佳實施例的設計佈局的失效風險的預診斷系統的功能模組圖。系統1用於實現圖1所示的設計佈局的失效風險的智慧型預診斷方法M,系統1包括一區域定義模組11、一缺陷產生模組12、一分析模組13以及一判斷模組14。實務上,設計佈局的失效風險的智慧型預診斷方法M與系統1可在設計公司(Design house)中執行,或是在製造工廠生產前或開始生產中執行,舉例來說,物體的設計佈局可由設計公司提供給製造工廠,且設計公司可在提供設計佈局之前,先利用設計佈局的失效風險的智慧型預診斷方法M與系統1來判斷設計佈局中不同區域對於缺陷的容忍度;或者,製造工廠可在接收到設計佈局之後,自行利用設計佈局的失效風險的智慧型預診斷方法M與系統1來達到相同目的。
設計佈局的失效風險的智慧型預診斷方法M與系統1可由軟體來實施,或是由軟體結合硬體來實施,且可在單獨一台電腦上自動地執行,或是在多台交互作用的電腦上自動地執行。雖然本實施例是以晶圓作為物體且以完整晶片的完整設計佈局(Design layout)作為物體的設計佈局為例來說明本發明的特點與功效,但並非將本發明侷限於此。
步驟S10中,如圖3所示,設計佈局2用於設計物體的輪廓與構形,設計佈局2可為設計圖形檔案,比如一種積體電路(IC)設計業界的圖形標準(Graphic Database System,GDS),其中記載了幾何圖形、文字、標籤與一些設計佈局2的資訊,設計佈局2中各層的佈局可被修改重建。設計佈局2的格式(Format)可為GDSII或OASIS格式,實務上,製造工廠在生產半導體或IC晶片時,多採用設計公司以電腦輔助設計(Computer Aided Design,CAD)軟體所製作的GDSII格式的檔案,以便於在IC設計的相關應用中達到通用與可交換格式的目的;另,OASIS格式的檔案可由半導體微影術模擬(如光學鄰近效應修正法(Optical Proximity Correction,OPC))或CAD工具的輪廓設計系統/資料庫所產生。
步驟S20中,如圖2至圖6所示,利用區域定義模組11進行佈局區域20的劃分,佈局區域20的大小尺寸可由用戶依實際需求自行定義,其中佈局區域20中具有一佈局圖案21(如設定的電路圖案),若劃分出多個佈局區域20,則此等佈局區域20中的佈局圖案21可具有相同或不同的圖案特徵。
區域定義模組11也可對設計佈局2進行預處理,具體地說,是先將設計佈局2分割成多個設計佈局單元(圖中未顯示),其中每一個設計佈局單元具有至少一個佈局圖案21,再將具有相同的佈局圖案21的多個設計佈局單元歸類在一起,以構成多個基於佈局的圖案群(Layout Pattern Group)。實務上,步驟S20可在進行預處理之前或之後實施並建成資料庫,例如系統缺陷資料庫,且可在
資料庫中儲存多組不同圖案特徵的圖案群及其對應的座標面積或各圖案群對角線上的兩個頂點座標,關於設計佈局2的預處理的技術細節可參考本案相同申請人所取得的美國專利第8,312,401號。
步驟S30中,如圖4至圖9所示,利用缺陷產生模組12針對每一個佈局區域20a~20f,產生一特定尺寸區間範圍內的多個缺陷D的缺陷資料,並儲存於缺陷資料庫3中,以找出此佈局圖案21所能容忍的缺陷尺寸,而得知設計佈局2的某一特定部分失效的潛在發生原因;其中對於任一個尺寸大小的缺陷D,也可以有多種形狀,比如多個尺寸相同的缺陷具有不同的長寬比(aspect ratio)從1.0到10.0。實務上,缺陷產生模組12可利用電子設計自動化(Electronic Design Automation,EDA)工具來設計產生多個缺陷D的缺陷圖像(圖像格式為GDSII等),或是利用影像處理方法來設計產生多個缺陷D的缺陷圖像(圖像格式為JPEG、PNG或TIF等)。
步驟S40中,如圖4至圖9所示,針對每一個佈局區域20a~20f,可將選取的多個缺陷按D尺寸大小順序逐個映射或重疊至對應的佈局圖案21a~21f。更進一步地說,若任一個佈局區域20a內的佈局圖案21a包含小線寬、小間距的圖案(如圖4所示),則在利用分析模組13分析各個缺陷D的致命缺陷指數時,以最小尺寸或較小尺寸缺陷D與此佈局圖案21a進行比對,其致命缺陷指數即顯示已達到高風險致命缺陷指數失效等級,繼續增加尺寸均屬於高風險致命缺陷指數;原因是小尺寸缺陷D便很容易與此佈局圖案21a發生重疊,而導致較高的開路或短路的風險,而一旦有開路或短路失敗存在於佈局圖案上,物體的良率將會減少,此例代表高失效風險佈局區域。
若另一佈局區域20b內的佈局圖案21b包含有次大線寬、次大間距的圖案(如圖5所示),則在利用分析模組13分析由最小尺寸至最大尺寸缺陷D的致命缺陷指數時,以最小尺寸或較小尺寸
缺陷D與此佈局圖案21b進行比對,其致命缺陷指數為0或是低風險致命缺陷指數,需要以中小尺寸或中尺寸缺陷D進行比對才能得到高風險致命缺陷指數,繼續增加尺寸均屬於高風險致命缺陷指數,此例代表中失效風險佈局區域。
若再一佈局區域20c、20d內的佈局圖案21c、21d包含有單獨的小圖案(如圖6所示)或是大線寬、大間距的圖案(如圖7所示),則在利用分析模組13分析由最小尺寸至最大尺寸缺陷D的致命缺陷指數時,以最小尺寸至較大尺寸的缺陷D與此等佈局圖案21c、21d進行比對,其致命缺陷指數為0或是低風險致命缺陷指數,需要以相當大尺寸缺陷D進行比對才能高風險致命缺陷指數,此例代表低失效風險佈局區域。
若又一佈局區域20e內的佈局圖案21e包含有極大線寬、極大間距的圖案(如圖8所示),則在利用分析模組13分析由最小尺寸至最大尺寸缺陷D的致命缺陷指數時,以最小尺寸至最大尺寸的缺陷D與此佈局圖案21e進行比對,即使是最大尺寸缺陷D得到的致命缺陷指數仍然是0或極低風險致命缺陷指數,此例代表無失效風險佈局區域;類似地,若又再一佈局區域20f內不含有圖案(如圖9所示),則在利用分析模組13分析由最小尺寸至最大尺寸缺陷D的致命缺陷指數時,即使是最大尺寸缺陷D得到的致命缺陷指數仍然是0,此例也代表無失效風險佈局區域。
步驟S50中,如圖10所示,分析模組13並分析得出每一個佈局區域20內的佈局圖案(圖中未顯示)的所有局部位置所能容忍的缺陷尺寸。具體地說,分析模組13在比對特定的佈局圖案與相關的多個缺陷(圖中未顯示)時,主要是採取以下兩種方式:其一是按照缺陷的尺寸大小,將多個缺陷的缺陷圖像逐個從佈局區域20中之一起點座標Cs沿一特定路徑P移動至一終點座標Ce,並依序在起點座標Cs、多個位置座標Ci與終點座標Ce(包含誤差範圍),分別與佈局圖案的多個預定部分進行比對;另一則是將多個缺陷
的缺陷圖像在起點座標Ci、多個位置座標Ci與終點座標Ce的其中一個(在計算致命缺陷指數時包含誤差範圍),逐個與佈局圖案的一預定部分進行比對,並重複在其他座標進行比對。據此,可得到所選取的缺陷相對於每一個座標的一致命缺陷指數(Killer defect index,KDI),並依此判斷佈局圖案失效的機率(failure probability),比如發生開路、短路或圖案導電性不良等而可能失效的機率。
本實施例中,若缺陷圖像是利用EDA工具來產生的,則在執行步驟S50之前,只需要將所選取的多個缺陷的缺陷圖像與設計佈局2的單位尺寸調整為一致。另,如圖11所示,若缺陷圖像是利用影像處理方法來產生的,則步驟S40中更進一步包括:步驟S401,將多個缺陷圖像與設計佈局的單位尺寸調整為一致;步驟S402,從每一個缺陷圖像中擷取出一缺陷輪廓;以及步驟S403,將每一個缺陷輪廓與佈局圖案的一預定部分進行比對。關於缺陷圖像與佈局圖案比對的技術細節可參考本案相同申請人所取得的美國專利第8,473,223號。
步驟S60中,如圖4至圖9所示,判斷模組14針對任一個佈局區域20a-20c內的佈局圖案21a-21c,可根據KDI值從相關的多個缺陷D中區分出高風險致命缺陷(High risk killer defect)、中風險致命缺陷(medium risk killer defect)、低風險致命缺陷(low risk killer defect)、極低風險致命缺陷(negligible low risk killer defect)與無效缺陷(No risk defect,例如dummy defect與nuisance defect)。本實施例在判斷模組14中引入關鍵區域分析(Critical Area Analysis,CAA)方法(Critical Area Analysis,CAA)並加入座標位置誤差範圍(Coordinate offset window),其相關技術細節可同樣參考本案相同申請人所取得的美國專利第8,312,401號;基於CAA得到的KDI值最小為0最大為1,例如其中KDI值為1或介於0.7至1之間表示為高風險致命缺陷,其造成失效(開路或短路失效)
的可能性極高,KDI值為0表示為無效缺陷,其幾乎不可能造成失效,KDI值介於0.5至0.7之間表示為中風險致命缺陷,其造成失效的可能性相對較高,KDI值介於0.1至0.5表示為低風險致命缺陷,KDI值低於0.1表示為極低風險致命缺陷,其造成失效的可能性相對較低。須說明的是,上述範例之KDI值僅代表參考值,使用者可以將缺陷和良率關係分析後自己設定。
更進一步地說,在任一個佈局區域20a~20f內分析最小尺寸至最大尺寸缺陷D相對於所有座標的致命缺陷指數時,若以最小尺寸或較小尺寸缺陷D進行比對,即達到高風險致命缺陷指數的KDI值,則判斷此區域的失效風險等級為高失效風險,代表例為佈局區域20a;若缺陷尺寸須增大至中小尺寸或中尺寸缺陷D進行比對,才能開始達到高風險致命缺陷指數的KDI值,則判斷此區域的失效風險等級為中失效風險,代表例為佈局區域20b;若缺陷尺寸須進一步增大至相當大尺寸缺陷D進行比對,才能開始達到高風險致命缺陷指數的KDI值,則判斷此區域的失效風險等級為低失效風險,代表例為佈局區域20c、20d;若即使是最大尺寸缺陷D得到的致命缺陷指數仍然是0或極低風險致命缺陷指數則判斷此區域的失效風險等級為無失效風險,代表例為佈局區域20e、20f。
此外,判斷模組14還能根據任一個佈局區域20a~20f的失效風險等級與一缺陷分佈密度曲線(Defect distribution density curve)得出相關於設計佈局用於生產時的一缺陷良率,其中所述缺陷分佈密度曲線顯示不同尺寸的所述缺陷的出現機率或百分比。
值得說明的是,本發明針對設計公司所提供的設計佈局2,可在產品真正開始生產前,及時地診斷出設計佈局2中所有高失效風險的佈局區域20,並利用EDA工具修正此等佈局區域20內的佈局圖案21,以使此等佈局區域20的失效風險從高失效風險降低至中失效風險或低失效風險,或是失效風險從低失效風險變成無
失效風險,從而全面提高此等佈局區域20可容忍的缺陷尺寸。
步驟S70中,如圖3、圖12及圖13所示,失效風險預診斷分析資料庫4主要是根據步驟S50的分析結果來建立的,失效風險預診斷分析資料庫4儲存有對應物體的設計佈局2的所有佈局區域20的多個基於關鍵區域分析的資料群體,其中每一個基於關鍵區域分析的資料群體包括相對應的佈局區域20內的多個目標座標(起點座標、位置座標與終點座標)、所選取的多個缺陷的缺陷資料以及每一個缺陷相對於每一個目標座標的KDI值。據此,被加工物體在不同的製程階段中檢測到的缺陷,都可通過預先建立的失效風險預診斷分析資料庫4篩選掉非致命缺陷,同時辨識出會影響製程良率的缺陷,以提高缺陷採樣的速度從而改善缺陷的檢測效率。
請參見圖14,其顯示一由電腦系統實現的使用者介面(GUI),比如一網頁或是特定軟體啟始的圖形介面。如圖14所示,一顯示窗口51顯示於使用者介面,顯示窗口51一側則設有以軟體程式實現的圖形按鈕,分別執行KDI值選擇(按鈕52)、缺陷尺寸/形狀選擇(按鈕53)、儲存(按鈕54)與標記(按鈕55)等功能。於實際應用中,可利用失效風險預診斷分析資料庫結合佈局圖形瀏覽器,並藉由使用者介面選取KDI值選擇按鈕、缺陷尺寸/形狀選擇按鈕、儲存按鈕與標記按鈕,以瀏覽對應特定KDI值、缺陷尺寸及長寬比條件下的所有佈局圖案。
本實施例中,使用者可先以滑鼠或手指點選按鈕52、53,選擇一KDI值、一缺陷尺寸與相關於缺陷形狀的一長寬比值,來瀏覽對應此KDI值、缺陷尺寸及長寬比條件下的所有佈局圖案,由程式執行選擇取樣(select sample)的動作,並在顯示窗口51中顯示每一個佈局區域20對應使用者所選擇的條件的所有佈局圖案;使用者可再點選按鈕54,以在欲關注的佈局圖案21(如高失效風險的佈局區域內的佈局圖案)產生顏色標記,然後點選按鈕53,以將
選擇取樣結果做儲存。據此,可及時地提供設計佈局所需要的分析瀏覽功能,且用戶可快速地針對缺陷良率做出正確的除錯。
[實施例的有益效果]
由本發明實施例所提供,以硬體或軟體實現的設計佈局的失效風險的智慧型預診斷系統及方法,其通過“在一設計佈局上劃分出至少一佈局區域,再預先取得多個缺陷,接著按照尺寸的大小順序將多個缺陷逐個與佈局區域內的佈局圖案的一預定部分進行關鍵區域分析(Critical Area Analysis,CAA)比對,然後根據比對結果判斷佈局區域的失效風險等級”的技術特徵,可在產品真正開始生產前,及時地診斷出設計佈局中所有高、中、低及無失效風險的佈局區域,並可快速且準確地預測線上隨機缺陷與系統缺陷等,是否會在被加工物體上造成開路或短路失效而影響到物體的良率。
承上述,用戶可以最佳的效率、最少的時間來管理製造工廠內的缺陷良率,並可針對各個較高失效風險的佈局區域內的佈局圖案進行修改,以達到最佳化的佈局圖案,並將各個失效風險區域的佈局圖案等級降低至較低失效風險區域等級,從而提高此等佈局區域可容忍的缺陷尺寸。
再者,用戶可將利用本發明得出的失效風險預診斷分析結果與缺陷分佈密度曲線(Defect distribution density curve)配合使用,通過下式(1)預測此設計佈局生產時的最可能缺陷良率。
由缺陷分佈密度曲線可以得知各個尺寸缺陷的出現機率或百分比,而由失效風險預診斷分析資料庫可以知悉對應某個失效風險等級尺寸缺陷的佈局區域及其面積總和,亦即其佔有整個設計佈局總面積的百分比,將各個尺寸缺陷的出現百分比乘以「各高、中、低失效風險的致命缺陷指數平均值乘以對應各高、中、低失效風險等級尺寸缺陷的佈局區域面積總和佔整個設計佈局總面積的百分比,再將高、中、低失效風險的機率值相加」,再將各個缺陷尺寸預測結果相加,即可以準確地預測出製程各個層次的最可能的缺陷良率,以將製程各個層次的最可能的缺陷良率相加即可在設計階段預測此設計佈局生產時的最可能缺陷良率。
以上所公開的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及附圖內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
Claims (17)
- 一種設計佈局的失效風險的智慧型預診斷系統,其包括:一區域定義模組,用於在一物體的一設計佈局上劃分出至少一佈局區域,其中所述佈局區域內具有一佈局圖案;一缺陷產生模組,用於預先設計產生多個缺陷資料,其中每一個所述缺陷資料包括一缺陷的一缺陷圖像與相關於所述缺陷的一缺陷尺寸及一缺陷形狀;一分析模組,用於按照尺寸的大小順序,將多個所述缺陷的缺陷圖像逐個與所述佈局圖案的一預定部分進行比對,以得到相關於每一個所述缺陷的一致命缺陷指數;以及一判斷模組,用於根據多個所述致命缺陷指數判斷所述佈局區域的一失效風險等級;其中,所述致命缺陷指數最小為0且最大為1,所述致命缺陷指數接近1表示造成所述佈局圖案失效的機率高,所述致命缺陷指數接近0表示不易造成所述佈局圖案失效;其中,若所述分析模組分析任一個小尺寸的所述缺陷後所得到的所述致命缺陷指數屬於高風險致命缺陷指數,則所述判斷模組判斷所述佈局區域的所述失效風險等級為高失效風險;若所述分析模組分析任一個中小尺寸或中尺寸的所述缺陷後所得到的所述致命缺陷指數屬於高風險致命缺陷指數,則所述判斷模組判斷所述佈局區域的所述失效風險等級為中失效風險;若所述分析模組分析任一個大尺寸的所述缺陷後所得到的所述致命缺陷指數屬於高風險致命缺陷指數,則所述判斷模組判斷所述佈局區域的所述失效風險等級為低失效風險;若所述分析模組分析任一個所述缺陷後所得到的所述致命缺陷指數為0或趨近於0,則所述判斷模組判斷所述佈局區域的所述失效風險等級為無失效風險。
- 如請求項1所述的設計佈局的失效風險的智慧型預診斷系統,其中,所述分析模組將多個所述缺陷圖像逐個從所述佈局區域中之一起點座標沿一特定路徑移動至一終點座標,並依序在所述起點座標、所述終點座標及所述起點座標與所述終點座標之間的多個位置座標,分別與所述佈局圖案的多個預定部分進行比對。
- 如請求項1所述的設計佈局的失效風險的智慧型預診斷系統,其中,所述分析模組先將多個所述缺陷圖像在所述佈局區域中之一起點座標、一終點座標及所述起點座標與所述終點座標之間的多個位置座標的其中一個,逐個與所述佈局圖案的一預定部分進行比對,再將多個所述缺陷圖像在所述起點座標、所述終點座標及多個所述位置座標的另外一個,與所述佈局圖案的另一預定部分進行比對。
- 如請求項2或3所述的設計佈局的失效風險的智慧型預診斷系統,其中,所述分析模組利用關鍵區域分析(Critical Area Analysis,CAA)得到多個所述致命缺陷指數。
- 如請求項1所述的設計佈局的失效風險的智慧型預診斷系統,還包括一失效風險預診斷分析資料庫,其儲存有一對應所述佈局區域的基於關鍵區域分析的資料群體,且所述關鍵區域分析的資料群體包括所述起點座標、所述終點座標及多個所述位置座標、多個所述缺陷資料與多個所述致命缺陷指數。
- 如請求項5所述的設計佈局的失效風險的智慧型預診斷系統,更包括一使用者介面,所述使用者介面可供使用者從所述失效風險預診斷分析資料庫中選擇特定的缺陷尺寸、缺陷形狀與致命缺陷指數,以瀏覽符合所選擇條件的所述佈局圖案。
- 如請求項1所述的設計佈局的失效風險的智慧型預診斷系統,其中所述判斷模組進一步根據所述佈局區域的所述失效風險等級與一缺陷分佈密度曲線(Defect distribution density curve)得出相關於所述設計佈局用於生產時的一缺陷良率,其中所述缺陷分佈密度曲線顯示不同尺寸的所述缺陷的出現機率或百分比。
- 一種設計佈局的失效風險的智慧型預診斷方法,其包括以下步驟:取得一物體的一設計佈局;在所述設計佈局上劃分出至少一佈局區域,其中所述佈局區域內具有一佈局圖案;預先設計產生多個缺陷資料,其中每一個所述缺陷資料包括一缺陷的一缺陷圖像與相關於所述缺陷的一缺陷尺寸和一缺陷形狀;按照尺寸的大小順序,將多個所述缺陷的缺陷圖像逐個與所述佈局圖案的一預定部分進行比對,得到相關於每一個所述缺陷的一致命缺陷指數;以及根據多個所述致命缺陷指數判斷所述佈局區域的一失效風險等級;其中,所述致命缺陷指數最小為0且最大為1,所述致命缺陷指數接近1表示造成所述佈局圖案失效的機率高,所述致命缺陷指數接近0表示不易造成所述佈局圖案失效;其中,所述失效風險等級分為高失效風險、中失效風險、低失效風險及無失效風險;當判斷所述佈局區域的所述失效風險等級為高失效風險,則分析任一個小尺寸的所述缺陷後所得到的所述致命缺陷指數屬於高風險致命缺陷指數;當判斷所述佈局區域的所述失效風險等級為中失效風險,則分析任一個中小尺寸或中尺寸的所述缺陷所得到的所述致命缺陷指數屬於高風險致命缺陷指數;當判斷所述佈局區域的所述失效風險等級為低失效風險,則分析任一個大尺寸的所述缺陷所得到的所述致命缺陷指數屬於高風險致命缺陷指數;當判斷所述佈局區域的所述失效風險等級為無失效風險,則分析任一個所述缺陷後所得到的所述致命缺陷指數為0或趨近於0。
- 如請求項8所述的設計佈局的失效風險的智慧型預診斷方法,其中,在將多個所述缺陷的缺陷圖像與所述佈局圖案的一預定部分進行比對的步驟中,更進一步包括:將多個所述缺陷的缺陷圖像逐個從所述佈局區域中之一起點座標沿一特定路徑移動至一終點座標,並依序在所述起點座標、所述終點座標及所述起點座標與所述終點座標之間的多個位置座標,分別與所述佈局圖案的多個預定部分進行比對。
- 如請求項8所述的設計佈局的失效風險的智慧型預診斷方法,其中,在將多個所述缺陷的缺陷圖像與所述佈局圖案的一預定部分進行比對的步驟中,更進一步包括:將多個所述缺陷的缺陷圖像在所述佈局區域中之一起點座標、一終點座標及所述起點座標與所述終點座標之間的多個位置座標的其中一個,逐個與所述佈局圖案的一預定部分進行比對;以及將多個所述缺陷的缺陷圖像在所述佈局區域中之所述起點座標、所述終點座標及多個所述位置座標的另外一個,與所述佈局圖案的另一預定部分進行比對。
- 如請求項9或10所述的設計佈局的失效風險的智慧型預診斷方法,其中,多個所述致命缺陷指數是利用關鍵區域分析(Critical Area Analysis,CAA)而得到的。
- 如請求項8所述的設計佈局的失效風險的智慧型預診斷方法,其中,在將多個所述缺陷的缺陷圖像與所述佈局圖案的一預定部分進行比對的步驟之後,更進一步包括:建立一失效風險預診斷分析資料庫,所述失效風險預診斷分析資料庫儲存有一對應所述佈局區域的基於關鍵區域分析的資料群體,且所述關鍵區域分析的資料群體包括所述起點座標、所述終點座標及多個所述位置座標、多個所述缺陷資料與多個所述致命缺陷指數。
- 如請求項8所述的設計佈局的失效風險的智慧型預診斷方法,更進一步包括:針對任一個具有高失效風險的所述佈局區域,利用一電子設計自動化(electronic design automation,EDA)工具對其佈局圖案進行最佳化佈局圖案修正,以使所述佈局區域的失效風險等級從高失效風險降低為中失效風險或低失效風險,或是從低失效風險變成無失效風險。
- 如請求項12所述的設計佈局的失效風險的智慧型預診斷方法,更進一步包括:通過一電腦系統的使用者介面從所述失效風險預診斷分析資料庫中選擇特定的缺陷尺寸、缺陷形狀與致命缺陷指數;以及利用所述電腦系統的使用者介面瀏覽符合所選擇條件的所述佈局圖案。
- 如請求項8所述的設計佈局的失效風險的智慧型預診斷方法,更進一步包括:根據所述佈局區域的所述失效風險等級與一缺陷分佈密度曲線(Defect distribution density curve)得出相關於所述設計佈局用於生產時的一缺陷良率,其中所述缺陷分佈密度曲線顯示不同尺寸的所述缺陷的出現機率或百分比。
- 一種設計佈局的失效風險的智慧型預診斷系統,其包括:一區域定義模組,用於在一物體的一設計佈局上劃分出至少一佈局區域,其中所述佈局區域內具有一佈局圖案;一缺陷產生模組,用於預先設計產生多個缺陷資料,其中每一個所述缺陷資料包括一缺陷的一缺陷圖像與相關於所述缺陷的一缺陷尺寸及一缺陷形狀;一分析模組,用於按照尺寸的大小順序,將多個所述缺陷的缺陷圖像逐個與所述佈局圖案的一預定部分進行比對,以得到相關於每一個所述缺陷的一致命缺陷指數;一判斷模組,用於根據多個所述致命缺陷指數判斷所述佈局區域的一失效風險等級;以及一失效風險預診斷分析資料庫,其儲存有一對應所述佈局區域的基於關鍵區域分析的資料群體,且所述關鍵區域分析的資料群體包括所述起點座標、所述終點座標及多個所述位置座標、多個所述缺陷資料與多個所述致命缺陷指數。
- 一種設計佈局的失效風險的智慧型預診斷方法,其包括以下步驟:取得一物體的一設計佈局;在所述設計佈局上劃分出至少一佈局區域,其中所述佈局區域內具有一佈局圖案;預先取得多個缺陷資料,其中每一個所述缺陷資料包括一缺陷的一缺陷圖像與相關於所述缺陷的一缺陷尺寸和一缺陷形狀;按照尺寸的大小順序,將多個所述缺陷的缺陷圖像逐個與所述佈局圖案的一預定部分進行比對,得到相關於每一個所述缺陷的一致命缺陷指數,並據此建立一失效風險預診斷分析資料庫;以及根據多個所述致命缺陷指數判斷所述佈局區域的一失效風險等級;其中,所述失效風險預診斷分析資料庫儲存有一對應所述佈局區域的基於關鍵區域分析的資料群體,且所述關鍵區域分析的資料群體包括所述起點座標、所述終點座標及多個所述位置座標、多個所述缺陷資料與多個所述致命缺陷指數。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106111402A TWI641960B (zh) | 2017-04-05 | 2017-04-05 | 設計佈局的失效風險的智慧型預診斷系統及方法 |
CN201710249588.8A CN108694265B (zh) | 2017-04-05 | 2017-04-17 | 设计布局的失效风险的智能型预诊断系统及方法 |
US15/684,929 US10409924B2 (en) | 2017-04-05 | 2017-08-23 | Intelligent CAA failure pre-diagnosis method and system for design layout |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106111402A TWI641960B (zh) | 2017-04-05 | 2017-04-05 | 設計佈局的失效風險的智慧型預診斷系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201837757A TW201837757A (zh) | 2018-10-16 |
TWI641960B true TWI641960B (zh) | 2018-11-21 |
Family
ID=63710994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106111402A TWI641960B (zh) | 2017-04-05 | 2017-04-05 | 設計佈局的失效風險的智慧型預診斷系統及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10409924B2 (zh) |
CN (1) | CN108694265B (zh) |
TW (1) | TWI641960B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11023648B2 (en) * | 2017-12-12 | 2021-06-01 | Siemens Industry Software Inc. | Puzzle-based pattern analysis and classification |
CN111429426B (zh) | 2020-03-20 | 2023-06-02 | 上海集成电路研发中心有限公司 | 一种检测对象缺陷图案的提取装置、提取方法及存储介质 |
CN111681580A (zh) * | 2020-07-01 | 2020-09-18 | 深圳市华星光电半导体显示技术有限公司 | 显示面板设计方法、装置及电子设备 |
TWI782707B (zh) * | 2021-09-15 | 2022-11-01 | 英業達股份有限公司 | 訊號路徑搜尋方法、電子裝置和非暫態計算機可讀取媒體 |
JP2023068947A (ja) * | 2021-11-04 | 2023-05-18 | 株式会社Sumco | 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ |
CN116882361B (zh) * | 2023-09-06 | 2023-12-26 | 全芯智造技术有限公司 | 芯片缺陷分析方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201607732U (zh) * | 2009-10-30 | 2010-10-13 | 新思科技有限公司 | 降低随机良率缺陷的装置 |
TW201329909A (zh) * | 2011-12-28 | 2013-07-16 | Elitetech Technology Co Ltd | 智慧型缺陷診斷方法 |
TW201514513A (zh) * | 2013-08-03 | 2015-04-16 | Kla Tencor Corp | 晶圓的可適性電性測試 |
TWI564741B (zh) * | 2016-01-25 | 2017-01-01 | 敖翔科技股份有限公司 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4926352B2 (ja) * | 2001-09-25 | 2012-05-09 | ルネサスエレクトロニクス株式会社 | 欠陥解析方法、チップ分類データ検証方法及びプログラム |
KR100429883B1 (ko) * | 2001-12-20 | 2004-05-03 | 삼성전자주식회사 | 순수 결함에 의한 불량 발생 확률 측정방법, 순수 결함에서 추출한 패턴 파라미터의 분류를 이용한 결함 제한 수율 측정 방법, 순수 결함에 의한 불량 발생 확률 및 결함 제한 수율을 측정하기 위한 시스템 |
US7346470B2 (en) * | 2003-06-10 | 2008-03-18 | International Business Machines Corporation | System for identification of defects on circuits or other arrayed products |
US7752581B2 (en) * | 2003-06-10 | 2010-07-06 | International Business Machines Corporation | Design structure and system for identification of defects on circuits or other arrayed products |
US7962864B2 (en) * | 2007-05-24 | 2011-06-14 | Applied Materials, Inc. | Stage yield prediction |
US7937179B2 (en) * | 2007-05-24 | 2011-05-03 | Applied Materials, Inc. | Dynamic inline yield analysis and prediction of a defect limited yield using inline inspection defects |
US8473223B2 (en) * | 2009-10-07 | 2013-06-25 | Iyun Leu | Method for utilizing fabrication defect of an article |
US8312401B2 (en) * | 2011-01-13 | 2012-11-13 | Elitetech Technology Co., Ltd. | Method for smart defect screen and sample |
SG11201610106SA (en) * | 2014-06-10 | 2016-12-29 | Asml Netherlands Bv | Computational wafer inspection |
US9569834B2 (en) * | 2015-06-22 | 2017-02-14 | Kla-Tencor Corporation | Automated image-based process monitoring and control |
CN106446418A (zh) * | 2016-09-27 | 2017-02-22 | 广东电网有限责任公司珠海供电局 | 一种电缆终端进水缺陷电场分布分析方法及装置 |
TWI641961B (zh) * | 2017-07-21 | 2018-11-21 | 敖翔科技股份有限公司 | 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統 |
-
2017
- 2017-04-05 TW TW106111402A patent/TWI641960B/zh active
- 2017-04-17 CN CN201710249588.8A patent/CN108694265B/zh active Active
- 2017-08-23 US US15/684,929 patent/US10409924B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201607732U (zh) * | 2009-10-30 | 2010-10-13 | 新思科技有限公司 | 降低随机良率缺陷的装置 |
TW201329909A (zh) * | 2011-12-28 | 2013-07-16 | Elitetech Technology Co Ltd | 智慧型缺陷診斷方法 |
TW201514513A (zh) * | 2013-08-03 | 2015-04-16 | Kla Tencor Corp | 晶圓的可適性電性測試 |
TWI564741B (zh) * | 2016-01-25 | 2017-01-01 | 敖翔科技股份有限公司 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
Also Published As
Publication number | Publication date |
---|---|
TW201837757A (zh) | 2018-10-16 |
CN108694265B (zh) | 2023-02-03 |
US20180293334A1 (en) | 2018-10-11 |
US10409924B2 (en) | 2019-09-10 |
CN108694265A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI641960B (zh) | 設計佈局的失效風險的智慧型預診斷系統及方法 | |
TWI694343B (zh) | 基於製作風險評定之半導體製作製程控制 | |
TWI634485B (zh) | 在半導體裝置製造製程期間之圖案缺陷和強度檢測及追蹤 | |
TWI564741B (zh) | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 | |
CN103187343B (zh) | 智能型缺陷诊断方法 | |
JP5965467B2 (ja) | 検査データと組み合わせて設計データを使用するための方法及びシステム | |
US9430606B2 (en) | Failure analysis and inline defect characterization | |
KR102234405B1 (ko) | 혼합 모드 웨이퍼 검사를 위한 방법 및 시스템 | |
US20150110384A1 (en) | Image inspection method of die to database | |
US10719655B2 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database | |
US8473223B2 (en) | Method for utilizing fabrication defect of an article | |
US7356787B2 (en) | Alternative methodology for defect simulation and system | |
TWI710891B (zh) | 用於界定設計資料之重複結構中之關注區域之系統及方法 | |
CN111429426B (zh) | 一种检测对象缺陷图案的提取装置、提取方法及存储介质 | |
JP7422893B2 (ja) | 検査対象欠陥パターンの優先順位付け装置、順位付け方法及び記憶媒体 | |
CN116882361B (zh) | 芯片缺陷分析方法、电子设备及存储介质 | |
JP2005136113A (ja) | 検査データ解析プログラム |