TWI670652B - 用於反覆缺陷分類之方法及系統 - Google Patents

用於反覆缺陷分類之方法及系統 Download PDF

Info

Publication number
TWI670652B
TWI670652B TW105117654A TW105117654A TWI670652B TW I670652 B TWI670652 B TW I670652B TW 105117654 A TW105117654 A TW 105117654A TW 105117654 A TW105117654 A TW 105117654A TW I670652 B TWI670652 B TW I670652B
Authority
TW
Taiwan
Prior art keywords
defects
classifier
additional
manual classification
classification
Prior art date
Application number
TW105117654A
Other languages
English (en)
Other versions
TW201710952A (zh
Inventor
桑卡 梵卡泰若曼
賀力
約翰Ｒ 三世 喬丹
歐克森 巴里司
赫許 辛哈
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 TW201710952A publication Critical patent/TW201710952A/zh
Application granted granted Critical
Publication of TWI670652B publication Critical patent/TWI670652B/zh

Links

Classifications

    • 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
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • 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
    • 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
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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
    • 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

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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Textile Engineering (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

缺陷分類包含：獲取包含多個缺陷之一樣本之一或多個影像；基於該等缺陷之屬性將該等缺陷分組成缺陷類型群組；自一使用者介面裝置接收指示來自該等群組之選定數目個缺陷之一第一手動分類之一信號；基於該第一手動分類及該等缺陷之該等屬性產生一分類器；使用該分類器對未由該手動分類手動分類之一或多個缺陷分類；識別由該分類器分類之具有最低可信度位準之該等缺陷；自該使用者介面裝置接收指示具有該最低可信度位準之該等缺陷之一額外手動分類之一信號；判定該額外手動分類是否識別在該第一手動分類中未識別之一或多個額外缺陷類型；及反覆程序直到未發現新缺陷類型。

Description

用於反覆缺陷分類之方法及系統 [相關申請案之交叉參考]
本申請案係關於且主張來自(諸)下文所列申請案(「相關申請案」)之最早可用的有效申請日期的權利(例如，主張除臨時專利申請案以外之最早可用的優先日期，或根據35 USC § 119(e)規定主張臨時專利申請案、該(該等)相關申請案之任意及全部父代申請案、祖父代申請案、曾祖父代申請案等等之權利)。
相關申請案：出於美國專利商標局(USPTO)之額外法定要求，本申請案構成2015年6月5日申請之申請案第62/171,898號之以Sankar Venkataraman、Li He、John Jordan、Oksen Baris及Harsh Sinha為發明者之標題為ITERATIVE DEFECT CLASSIFICATION STRATEGY之美國臨時專利申請案之一正規(非臨時)專利申請案。申請案第62/171,898號之全文以引用的方式併入本文中。
本發明大體上係關於缺陷再檢測及分類且特定言之，本發明係關於反覆缺陷分類。
製造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多 種特徵及多個層級。隨著半導體裝置大小變得愈來愈小，開發增強之檢測及再檢測裝置及程序變得至關重要。一此程序包含分類且分析一樣本(諸如一晶圓)上之缺陷。如貫穿本發明使用之術語「晶圓」通常係指由一半導體或非半導體材料形成之基板。舉例而言，一半導體或非半導體材料可包含(但不限於)單晶矽、砷化鎵及磷化銦。
缺陷再檢測係一使用者藉由其再檢測由一檢測器或檢測工具獲取之缺陷之一程序。缺陷再檢測需要基於一組缺陷屬性之缺陷分類及缺陷類型之區分或分離。然而，當前缺陷分類方法具有若干限制。先前方法涉及視覺分析一或多個掃描電子顯微鏡(SEM)影像以基於在人類再檢測程序期間觀察之缺陷類型指派一類別碼。此一手動再檢測及分類程序遭受若干缺點。首先，應注意，通常使用者以每小時少於1000個缺陷對影像進行分類。鑑於一典型樣品大小可大於4000個缺陷，因此手動分類程序緩慢。另外，此程序係使用者密集且易受人為誤差影響。
因而，提供一種解決上文識別之缺點之提供經改良缺陷分類之系統及方法將係有利的。
根據本發明之一或多項闡釋性實施例，本發明揭示一種用於反覆缺陷分類之方法。在一項實施例中，該方法包含獲取一樣本之一或多個影像，該一或多個影像包含複數個缺陷。在另一實施例中，該方法包含基於該等缺陷之一或多個屬性將該複數個缺陷之至少一部分之各者分組成兩個或兩個以上缺陷類型群組之一者。在另一實施例中，該方法包含自一使用者介面裝置接收指示來自該兩個或兩個以上缺陷類型群組之各者之選定數目個缺陷之一第一手動分類之一信號。在另一實施例中，該方法包含基於該經接收之第一手動分類及該等缺陷之該等屬性產生一分類器。在另一實施例中，該方法包含使用該分類器 對未由該手動分類手動分類之一或多個缺陷分類。在另一實施例中，該方法包含識別由該分類器分類之具有最低可信度位準之選定數目個缺陷。在另一實施例中，該方法包含自該使用者介面裝置接收指示具有該最低可信度位準之該選定數目個該等缺陷之一額外手動分類之一信號。在另一實施例中，該方法包含判定該額外手動分類是否識別在該第一手動分類中未識別之一或多個額外缺陷類型。在另一實施例中，回應於藉由該額外手動分類對未由該第一手動分類識別之一或多個缺陷類型之該識別，該方法產生一額外分類器且重複分類及分析程序。
根據本發明之一或多項闡釋性實施例，本發明揭示一種用於反覆缺陷分類之設備。在一項實施例中，該設備包含一檢測工具。在另一實施例中，該檢測工具包含經組態以獲取一樣本之至少一部分之一或多個影像之一或多個偵測器。在另一實施例中，該設備包含一使用者介面裝置。在另一實施例中，該設備包含一控制器。在一項實施例中，該控制器包含通信耦合至該檢測工具之該一或多個偵測器之一或多個處理器，其中該一或多個處理器經組態以執行儲存於記憶體中之一組程式指令。在一項實施例中，該組程式指令經組態以導致該一或多個處理器自該檢測工具之該一或多個偵測器接收該一或多個影像。在另一實施例中，該組程式指令經組態以導致該一或多個處理器基於該等缺陷之一或多個屬性將該複數個缺陷之至少一部分之各者分組成兩個或兩個以上缺陷類型群組之一者。在另一實施例中，該組程式指令經組態以導致該一或多個處理器自一使用者介面裝置接收指示來自該兩個或兩個以上缺陷類型群組之各者之選定數目個缺陷之一第一手動分類之一信號。在另一實施例中，該組程式指令經組態以導致該一或多個處理器基於該經接收之第一手動分類及該等缺陷之該等屬性產生一分類器。在另一實施例中，該組程式指令經組態以導致該一或多 個處理器使用該分類器對未由該手動分類手動分類之一或多個缺陷分類。在另一實施例中，該組程式指令經組態以導致該一或多個處理器識別由該分類器分類之具有最低可信度位準之選定數目個缺陷。在另一實施例中，該組程式指令經組態以導致該一或多個處理器自該使用者介面裝置接收指示具有最低可信度位準之該選定數目個該等缺陷之一額外手動分類之一信號。在另一實施例中，該組程式指令經組態以導致該一或多個處理器判定該額外手動分類是否識別在該第一手動分類中未識別之一或多個額外缺陷類型。在另一實施例中，回應於藉由該額外手動分類對未由該第一手動分類識別之一或多個缺陷類型之該識別，該組程式指令導致該一或多個處理器產生一額外分類器且重複分類及分析程序。
應瞭解，前述一般描述及以下詳細描述兩者僅係例示性及說明性的且未必限制本發明。併入至本說明書中且構成本說明書之一部分之隨附圖式繪示本發明之實施例且與一般描述一起用於解釋本發明之原理。
100‧‧‧系統
101‧‧‧電子源
102‧‧‧檢測工具
103‧‧‧偵測器
104‧‧‧控制器
105‧‧‧電子光學組件
106‧‧‧處理器
107‧‧‧影像
108‧‧‧記憶體/記憶體媒體
110‧‧‧使用者介面
112‧‧‧樣本/樣品
113‧‧‧使用者輸入裝置
114‧‧‧顯示器
115‧‧‧樣品載物台
116‧‧‧程式指令
117‧‧‧第一分類器
200‧‧‧方法
202‧‧‧步驟
204‧‧‧步驟
206‧‧‧步驟
208‧‧‧步驟
210‧‧‧步驟
212‧‧‧步驟
214‧‧‧步驟
216‧‧‧步驟
218‧‧‧步驟
220‧‧‧步驟
熟習此項技術者可藉由參考隨附圖式而更佳理解本發明之多個優點，其中：圖1係根據本發明之一項實施例之用於缺陷分類及分析之一系統之一方塊圖。
圖2係繪示根據本發明之一項實施例之在用於缺陷分類之一方法中執行之步驟之一流程圖。
現在將詳細參考在隨附圖式中繪示之所揭示之標的物。
大體上參考圖1至圖2，根據本發明描述一種用於缺陷分類及分析之方法及系統。本發明之實施例係關於透過可用缺陷之一子集之分 類而高可信度地判定一樣品之影像資料中存在之缺陷類型。
本發明之實施例利用缺陷屬性以向使用者提供不同缺陷之一子集。針對各缺陷類型，由一使用者對缺陷之一小部分手動分類。基於手動分類，產生一自動缺陷分類模型或分類器。分類器接著對整個樣品集分類。額外實施例向使用者提供識別為來自初始自動分類之最低可信度缺陷之缺陷之一額外更小部分。一旦識別最低可信度缺陷，此等缺陷便經歷藉由使用者之一額外手動分類。倘若在額外手動分類中發現新缺陷類型，則可使用第一及額外手動分類之結果產生一新分類器。憑藉每一反覆，分類可信度增加。憑藉足夠反覆，預期以超過一選定臨限值之全部缺陷之分類可信度判定全部缺陷類型。
由Li He等人在2015年6月24日申請之美國專利申請案第14/749,316號中大體上描述缺陷分類，該案之全文以引用的方式併入本文中。
圖1繪示根據本發明之一或多項實施例之用於缺陷分類及分析之一系統100之一概念方塊圖。在一項實施例中，系統100包含一檢測工具102。在一項實施例中，檢測工具102經組態以量測安置於一樣本(諸如(但不限於)一半導體晶圓(例如，Si晶圓))之表面上或表面中之一或多個缺陷之一或多個特性。
檢測工具102可包含此項技術中已知之能夠進行缺陷再檢測及分類之任何檢測組態。在一項實施例中，如圖1中描繪，檢測工具102包含一電子束缺陷再檢測(EDR)工具。舉例而言，如圖1中展示，檢測工具102包含一電子源101(例如，一或多個電子槍以發射一或多個電子束)、一偵測器103(例如，二次電子偵測器)及此項技術中已知之用於實行缺陷再檢測之任何一或多個電子光學組件105。
本文中應注意，本發明之範疇通常不限於系統100之EDR組態或電子束再檢測。在一項實施例中，檢測工具102可經組態為一基於光 之檢測工具。舉例而言，檢測工具102可(但不需要)經組態用於暗場檢測。藉由另一實例，檢測工具102可(但不需要)經組態用於明場檢測。在基於光之檢測之情況中，檢測工具102可包含一或多個光源以照明樣本112。光源可包含此項技術中已知之任何光源。舉例而言，光源可包含一窄頻光源，諸如一雷射源。藉由另一實例，光源可包含一寬頻光源，諸如一放電燈或一雷射維持電漿(LSP)光源。在另一實施例中，光源可經組態以(經由多種光學組件)將光引導至安置於樣品載物台115上之樣本112之表面。此外，檢測工具102之多種光學組件經組態以將自晶圓112之表面反射、散射及/或繞射之光引導至檢測工具102之一偵測器(未展示)。偵測器可包含此項技術中已知之任何適當光偵測器。在一項實施例中，偵測器可包含(但不限於)一電荷耦合裝置(CCD)偵測器、一光電倍增管(PMT)偵測器及類似者。
應注意，為了簡潔起見，已在一簡化方塊圖中描繪檢測工具102。此描繪(包含組件及幾何組態)並非限制性且僅係為了闡釋性目的而提供。在本文中應認知，檢測工具102可包含任何數目個光學元件(例如，透鏡、鏡、濾光器、光束分離器及類似者)、能量源(例如，光源或電子源)及偵測器(例如，光偵測器或電子偵測器，諸如二次電子偵測器)以實行安置於樣品載物台115上之晶圓112之一或多個部分之檢測。
在另一實施例中，系統100包含一控制器104。在一項實施例中，控制器104通信耦合至檢測工具102。舉例而言，控制器104可耦合至檢測工具102之偵測器103之輸出。控制器104可以任何適合方式(例如，藉由由圖1中展示之線指示之一或多個傳輸媒體)耦合至偵測器使得控制器104可接收由檢測工具102產生之輸出。
在一項實施例中，控制器104包含通信耦合至偵測器103及記憶體108之一或多個處理器106。在一項實施例中，一或多個處理器106 經組態以執行維持在記憶體108中之一組程式指令116。
控制器104之一或多個處理器106可包含此項技術中已知之任何一或多個處理元件。在此意義上，一或多個處理器106可包含經組態以執行演算法及/或指令之任何微處理器裝置。在一項實施例中，一或多個處理器106可由一桌上型電腦、主機電腦系統、工作站、影像電腦、平行處理器或經組態以執行一程式(其經組態以操作系統100)之其他電腦系統(例如，網路電腦)組成，如貫穿本發明所描述。應認知，貫穿本發明描述之步驟可藉由一單一電腦系統或替代地多個電腦系統實行。一般言之，術語「處理器」可經廣泛定義以涵蓋具有執行來自一非暫時性記憶體媒體(例如，記憶體108)之程式指令之一或多個處理元件之任何裝置。再者，系統100之不同子系統(例如，檢測工具、顯示器或使用者介面110)可包含適合於實行貫穿本發明描述之步驟之至少一部分之處理器或邏輯元件。因此，上文描述不應解譯為對本發明之一限制而僅解譯為一圖解。
記憶體媒體108可包含此項技術中已知之適合於儲存可由相關聯之一或多個處理器106執行之程式指令之任何儲存媒體。舉例而言，記憶體媒體108可包含一非暫時性記憶體媒體。舉例而言，記憶體媒體108可包含(但不限於)一唯讀記憶體、一隨機存取記憶體、一磁性或光學記憶體裝置(例如，磁碟)、一磁帶、一固態磁碟及類似者。在另一實施例中，本文中應注意，記憶體108經組態以儲存來自檢測工具102之一或多個結果及/或本文中描述之多種步驟之輸出。應進一步注意，記憶體108可與一或多個處理器106一起容置於一共同控制器外殼中。在一替代實施例中，記憶體108可相對於處理器及控制器104之實體位置遠端定位。舉例而言，控制器104之一或多個處理器106可存取一遠端記憶體(例如，伺服器)，可透過一網路(例如，網際網路、內部網及類似者)存取。在另一實施例中，記憶體媒體108儲存用於導致 一或多個處理器106實行貫穿本發明描述之多種步驟之程式指令116。
在另一實施例中，系統100之控制器104可經組態以藉由可包含有線及/或無線部分之一傳輸媒體自其他系統接收及/或獲取資料或資訊(例如，來自一檢測系統之檢測結果或來自一度量衡系統之度量衡結果)。在另一實施例中，系統100之控制器104可經組態以藉由可包含有線及/或無線部分之一傳輸媒體將資料或資訊(例如，本文中揭示之一或多個程序之輸出)傳輸至一或多個系統或子系統(例如，檢測系統或度量衡系統)。以此方式，傳輸媒體可充當控制器104與系統100之其他子系統之間之一資料鏈路。再者，控制器104可經由一傳輸媒體(例如，網路連接)將資料發送至外部系統。
在另一實施例中，系統100包含一使用者介面110。在一項實施例中，使用者介面110通信耦合至控制器104之一或多個處理器106。在另一實施例中，使用者介面裝置110可由控制器104利用以接受來自一使用者之選擇及/或指令。在一些實施例中，在本文中進一步描述，一顯示器114可用於將資料顯示給一使用者(未展示)。繼而，一使用者可回應於經由顯示裝置114顯示給使用者之資料而經由使用者輸入裝置113輸入一選擇及/或指令。
使用者介面裝置110可包含此項技術中已知之任何使用者介面。舉例而言，使用者介面110之使用者輸入裝置113可包含(但不限於)鍵盤、鍵台、觸控螢幕、槓桿、旋鈕、滾輪、軌跡球、開關、撥號盤、滑桿、捲桿、滑件、把手、觸控墊、踏板、方向盤、操縱桿、面板輸入裝置或類似者。在一觸控螢幕介面裝置之情況中，熟習此項技術者應認知，大量觸控螢幕介面裝置可適合實施於本發明中。舉例而言，顯示裝置114可與一觸控螢幕介面整合，諸如(但不限於)電容式觸控螢幕、電阻式觸控螢幕、基於表面聲波之觸控螢幕、基於紅外線之觸控螢幕或類似者。在一般意義上，能夠與一顯示裝置之顯示部分整合 之任何觸控螢幕介面適合實施於本發明中。在另一實施例中，使用者輸入裝置113可包含(但不限於)一面板安裝介面。
顯示裝置114可包含此項技術中已知之任何顯示裝置。在一項實施例中，顯示裝置可包含(但不限於)一液晶顯示器(LCD)。在另一實施例中，顯示裝置可包含(但不限於)一基於有機發光二極體(OLED)之顯示器。在另一實施例中，顯示裝置可包含(但不限於)一CRT顯示器。熟習此項技術者應認知，多種顯示裝置可適合實施於本發明中且顯示裝置之特定選擇可取決於多種因素，包含(但不限於)外觀尺寸、成本及類似者。在一般意義上，能夠與一使用者輸入裝置(例如，觸控螢幕、面板安裝介面、鍵盤、滑鼠、軌跡墊及類似者)整合之任何顯示裝置適合實施於本發明中。
在一項實施例中，控制器104之一或多個處理器106經程式化以實行如下文中描述之一反覆缺陷分類程序之一或多個步驟。可如本文中描述般進一步組態圖1中繪示之系統100之實施例。另外，系統100可經組態以執行本文中描述之(若干)方法實施例之任何者之(若干)任何其他步驟。
圖2係繪示根據本發明之一項實施例之在缺陷分類之一方法200中執行之步驟之一流程圖。本文中應注意，可全部或部分藉由系統100實施方法200之步驟。然而，應進一步認知，方法200不限於系統100，因為額外或替代系統級實施例可實行方法200之全部或部分步驟。
在步驟202中，獲取包含多個缺陷之一樣本之一或多個影像107。一或多個缺陷由多個缺陷類型組成。舉例而言，樣本上或樣本中含有之缺陷之類型可包含(但不限於)一粒子缺陷、一殘餘缺陷、一空隙或劃痕缺陷、一凸塊或突部缺陷、一橋接缺陷及類似者。在一項實施例中，檢測工具102獲取一或多個影像107且將一或多個影像107 傳輸至一或多個控制器104。進一步預期一或多個影像107可儲存於記憶體108中且用於隨後分析。
在步驟204中，將缺陷之至少一部分分組成多個缺陷類型群組之一者。在一項實施例中，藉由控制器104之一或多個處理器106根據缺陷之一或多個屬性將缺陷分組成多個缺陷類型群組使得相同缺陷分組於相同分組中。舉例而言，可將缺陷分組成k個缺陷類型群組，其中k在2與100之間。舉例而言，可將影像107中獲取之缺陷分組成10個不同缺陷類型分組。此外，本文中應認知，可藉由將缺陷資料分佈且儲存至維持在記憶體108(或另一記憶體)中之一組k個文件夾中而實行將缺陷資料分組成k個群組。
在一項實施例中，可藉由一自動分類程序(諸如(但不限於)一即時自動分類(RT-ADC)程序)處理一或多個影像107中之缺陷之屬性以對缺陷分類。應注意，利用RT-ADC提供缺陷之一「粗略」自動分類而不犧牲高處理速度。在2009年10月13日頒布之美國專利第7,602,962號中大體上描述即時自動分類，該專利之全文以引用的方式併入上文中。本文中應注意，可使用任何類型之自動分組演算法以對一或多個影像107之缺陷自動分類且分組。舉例而言，自動分組演算法可包含(但不限於)一基於質心之叢集程序(例如，k平均分組演算法)。藉由另一實例，自動分組演算法可包含(但不限於)一基於連接能力之叢集程序(例如，階層式叢集演算法)。藉由另一實例，自動分組演算法可包含(但不限於)一基於分佈之叢集程序(例如，預期最大化(EM)演算法)。
用於將缺陷分組之一或多個屬性可包含(但不限於)影像特徵量、缺陷座標、組合物分析結果、製造起始歷史資料或機器QC(品質控制)資料。此外，可自多個類型之缺陷檢測工具或系統獲得一或多個屬性，該多個類型之缺陷檢測工具或系統諸如(但不限於)光學或SEM 異物檢測機器、圖案檢測機器、缺陷再檢測機器、SPM或元素分析機器。在2009年10月13日頒布之美國專利第7,602,962號中描述適合於缺陷分類之屬性，該專利之全文以引用的方式併入本文中。
在步驟206中，實行來自k個缺陷類型群組之各者之選定數目個缺陷之一第一手動分類。舉例而言，一使用者可對來自經獲取之一或多個影像107之k個缺陷類型群組之各者中含有之選定數目個缺陷手動分類。在一項實施例中，藉由控制器104之一或多個處理器106自步驟204中發現之k個缺陷群組之各者自動選擇n個缺陷。舉例而言，控制器104可自k個缺陷類型群組之各者自動選擇n個缺陷，其中n在2與100之間。舉例而言，控制器104可自缺陷類型群組之各者選擇50個缺陷以用於手動分類。
在另一實施例中，控制器104之一或多個處理器106可在使用者介面裝置110之顯示器114上顯示來自各缺陷類型群組之選定n個缺陷。繼而，使用者可基於一或多個缺陷之一或多個屬性經由使用者介面裝置110之使用者輸入114而對來自k個缺陷類型群組之各者之n個缺陷手動分類。使用者介面裝置110可接著將指示樣本112之缺陷之一手動分類之一信號傳輸至控制器104。在另一實施例中，控制器104可接收缺陷之手動分類且將結果儲存於記憶體108中。用以實行步驟206之分類之一或多個屬性包含可自一缺陷檢測或再檢測工具導出之任何一或多個屬性，如上文中提及。
在步驟208中，產生一第一分類器117。在一項實施例中，基於步驟206之缺陷之第一手動分類及一或多個相關聯之屬性產生或訓練第一分類器117。在一項實施例中，控制器104之一或多個處理器106可產生或訓練第一分類器117且將第一分類器117儲存於記憶體108中。在一項實施例中，第一分類器包含一集成學習分類器(ensemble learning classifier)。舉例而言，集成學習分類器可包含一隨機森林分 類器。舉例而言，一或多個處理器106可訓練一隨機森林分類器，該隨機森林分類器藉由在一訓練週期期間建構多個決策樹且輸出一類別(其係個別樹之類別之模式)而操作。在此方面，一或多個處理器106可使用缺陷之手動分類及相關聯之屬性以訓練一隨機森林分類器。由Breiman在Random Forests,Machine Learning，第45卷，第1期，第5-32頁(2001年)中大體上描述一隨機森林分類器之實施方案，該案之全文以引用的方式併入本文中。亦由Kulkarni等人在Random Forest Classifiers：A Survey and Future Research Directions,International Journal of Advanced Computing，第36卷，第1期，第1144-1153頁(2013年)中論述隨機森林，該案之全文以引用的方式併入本文中。
藉由另一實例，集成學習分類器包含一支援向量機器(SVM)。一或多個處理器106可使用缺陷之第一手動分類及相關聯之屬性以訓練一基於SVM之分類器。由Xie等人在Detection and Classification of Defect Patterns in Optical Inspection Using Support Vector Machines,Intelligent Computing Theories Lecture Notes in Computer Science，第7995卷，第376-384頁(2013年)中大體上描述一基於SVM之分類器之實施方案，該案之全文以引用的方式併入本文中。
本文中應注意，步驟208中產生之分類器可包含此項技術中已知之任何分類器且不限於一集成學習分類器。舉例而言，經產生之分類器可包含一單一決策樹分類器或多個決策樹分類器(例如，超級分類器)。
在美國申請案第14/749,316號中描述分類器產生，該案之全文先前以引用的方式併入本文中。
在步驟210中，使用第一分類器117對一或多個缺陷分類。在一項實施例中，一或多個處理器106可擷取儲存於記憶體108中(見步驟208)之第一分類器117且將第一分類器117應用至在步驟206中未手動 分類之一或多個剩餘缺陷。在此方面，一旦已在步驟208中訓練第一分類器，其便可用於對步驟206中未手動分類之自一給定樣品獲取之影像資料中含有之一或多個缺陷分類。
在步驟212中，識別由第一分類器分類之具有最低可信度位準之選定數目個缺陷。舉例而言，針對由第一分類器分類之缺陷之全部或一部分計算一可信度位準。本文中應注意，可以此項技術中已知之任何方式計算一或多個缺陷之分類之可信度位準。在一項實施例中，一或多個處理器106經由一投票程序而計算一或多個缺陷之可信度位準。舉例而言，在第一分類器117係一隨機森林分類器之情況中，隨機森林分類器之各樹具有在本文中稱為一「投票」之一分類輸出。在此情況中，可(但不需要)經由藉由以下給定之主要兩個投票方案計算由第一分類器117分類之一或多個缺陷之可信度位準：
在另一實施例中，在針對由第一分類器分類之缺陷計算可信度位準之後，控制器104之一或多個處理器106可識別具有最低可信度位準之m個缺陷。在一項實施例中，具有最低可信度位準之缺陷之數目可對應於由一使用者經由使用者介面110預選擇之一數目(例如，具有最低可信度位準之N個缺陷)。在此方面，一或多個處理器106可選擇具有最低可信度位準之N個缺陷(例如，1至50個缺陷)。在另一實施例中，具有最低可信度位準之缺陷之數目可對應於由一使用者經由使用者介面110預選擇之總缺陷之一百分比(例如，依據可信度位準之缺陷之最低P%)。在此方面，一或多個處理器106可選擇具有最低可信度位準之缺陷之P%(例如，缺陷之最低10%)。
本文中應注意，可將任何數目個經分類缺陷識別為具有最低可信度位準之缺陷。舉例而言，可由控制器104選擇1與50之間個最低可 信度位準缺陷。
替代地，識別為最低可信度位準缺陷之缺陷之數目(或百分比)可依據一選定可信度位準臨限值而變化。在此方面，一使用者可預選擇經分類缺陷中之充分可信度之臨限值。選擇具有低於此臨限值之一可信度位準之缺陷以用於額外分類，此在本文中進一步論述。舉例而言，可產生一或多個缺陷之各缺陷類型之一可信度臨限值。在一項實施例中，一或多個處理器106基於自使用者介面110接收之一可信度臨限值產生該一或多個缺陷之各缺陷類型之一可信度臨限值。在另一實施例中，由一或多個處理器106經由一交叉驗證程序而產生可信度臨限值。在另一實施例中，一使用者可經由使用者介面110選擇一純度要求或純度位準。繼而，使用者介面裝置110可將指示選定純度要求之一信號傳輸至控制器104之一或多個處理器106。接著，控制器104可將選定純度要求儲存於記憶體108中。本文中應注意，所接收之純度要求可依據多種參數而變化。舉例而言，所接收之純度要求可取決於一使用者偏好及/或一給定晶圓上存在之預期缺陷類型。
舉例而言，一使用者可對於全部缺陷類型選擇一單一分類純度要求(例如，90%)。在另一例項中，一使用者可對於一第一缺陷類型選擇一第一分類純度要求(例如，90%)且對於一第二缺陷類型選擇一第二分類純度要求(例如，85%)等等。應進一步注意，在一些實施例中，一提高之純度要求與一較高可信度臨限值相關。在此方面，控制器104之一或多個處理器106回應於經由使用者介面110之一使用者輸入而自動調整可信度臨限值。
在美國專利申請案第14/749,316號中描述缺陷類型分類之一臨限值位準之產生及一可信度臨限值之產生，該案之全文先前以引用的方式併入本文中。
在步驟214中，實行由第一分類器117分類之選定數目個最低可信 度缺陷之一額外手動分類。舉例而言，在步驟212中識別具有最低可信度位準之m個缺陷之後，一使用者可對具有最低可信度位準之m個缺陷手動分類。
在一項實施例中，控制器104可在使用者介面裝置110之顯示器114上顯示具有最低可信度位準之m個缺陷。在另一實施例中，使用者可基於一或多個缺陷之一或多個屬性經由使用者介面裝置110之使用者輸入114而對具有最低可信度位準之m個缺陷手動分類。繼而，使用者介面裝置110可將指示具有最低可信度位準之m個缺陷之一手動分類之一信號傳輸至控制器104。在另一實施例中，控制器104可接收具有最低可信度位準之m個缺陷之手動分類且將結果儲存於記憶體108中。用以實行步驟214之分類之一或多個屬性包含可自一缺陷檢測或再檢測工具導出之任何一或多個屬性，如上文中提及。
在步驟216中，判定步驟212之額外手動分類是否識別在步驟206之第一手動分類中未識別之一或多個額外缺陷類型。舉例而言，控制器104之一或多個處理器106可比較在第一手動分類中識別之第一組缺陷類型(步驟206)與額外手動分類之缺陷類型(步驟214)。倘若在額外手動分類中識別之缺陷類型不匹配在步驟206之第一手動分類中識別之缺陷類型，則判定存在額外缺陷類型。
在由步驟216發現一或多個新缺陷類型之情況中，程序移動至步驟218。在步驟218中，將新識別之缺陷類型新增至在步驟206中手動分類之n個缺陷且程序重複步驟208至216。在此方面，由額外手動分類進行分類之額外缺陷類型與由步驟206之第一手動分類進行分類之n個缺陷組合。接著，該組經組合缺陷類型經歷步驟208至216。
舉例而言，可重複步驟208，藉此使用在步驟206中發現之n個缺陷及在步驟216中發現之新缺陷產生一新分類器。類似地，可使用新分類器重複步驟210至216。此程序可重複達任何數目個反覆(例如，1 至10)。應注意，憑藉步驟208至216之每一反覆，在步驟212中計算之分類可信度位準增加。可繼續反覆程序直到缺陷類型之各者(或至少一些)之分類可信度位準超過一選定可信度位準。
在步驟216未發現新缺陷類型之情況中，程序移動至步驟220。在步驟220中，收集且報告在每一反覆中發現之缺陷類型。舉例而言，可將經分類缺陷類型報告至使用者介面110。藉由另一實例，可將經分類缺陷類型報告至記憶體108。藉由另一實例，可將經分類缺陷類型報告至一遠端記憶體(例如，遠端電腦或伺服器之記憶體)。藉由另一實例，可將經分類缺陷類型報告至通信耦合至檢測工具100之一額外光學分析工具(例如，檢測工具、再檢測工具、度量衡工具及類似者)。藉由另一實例，可將經分類缺陷類型報告至相關聯裝置(例如，半導體裝置)製造線之一或多個控制系統。在一項實施例中，可使用與樣品112之缺陷類型之分類相關聯之資訊以調整一或多個下游程序工具參數以減輕經分類缺陷類型之存在之影響。在另一實施例中，可使用與樣品112之缺陷類型之分類相關聯之資訊以調整一或多個上游程序工具參數以減少在由製造線之(若干)程序工具處理之隨後晶圓中形成在方法200中分類之特定缺陷類型。
本文中描述之全部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儲存媒體中。結果可包含本文中描述之任何結果且可以此項技術中已知之任何方式儲存。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適合儲存媒體。在已儲存結果之後，結果可在儲存媒體中存取且由本文中描述之方法或系統實施例之任何者使用；經格式化用於顯示給一使用者；由另一軟體模組、方法或系統等使用。此外，結果可「永久」、「半永久」、暫時儲存或儲存達某個時間段。舉例而言，儲存媒體可係隨機存取記憶體(RAM)且結果可不必無限期地保存在儲存媒體中。
熟習此項技術者將認知，當前最先進技術已進展至系統之態樣之硬體與軟體實施方案之間不存在區別的地步；硬體或軟體之使用通常係(但非始終，由於在某些背景內容中，硬體與軟體之間之選擇可變得顯著)表示成本對效率權衡之一設計選擇。熟習此項技術者將瞭解，存在可藉由其實現本文中描述之程序及/或系統及/或其他技術之多種載具(例如，硬體、軟體及/或韌體)且較佳載具將隨著部署程序及/或系統及/或其他技術之背景內容而變動。舉例而言，若一實施者判定速度及準確度係最重要的，則實施者可選取一主要硬體及/或韌體載具；替代地，若靈活性係最重要的，則實施者可選取一主要軟體實施方案；或又再次替代地，實施者可選取硬體、軟體及/或韌體之某個組合。因此，存在可藉由其實現本文中描述之程序及/或裝置及/或其他技術之若干可能載具，該等載具之任何者本質上並不優於其他載具，因為待利用之任何載具係取決於其中將部署載具之背景內容及實施者之特定關注(例如，速度、靈活性或可預測性)(其等之任何者可變動)之一選擇。熟習此項技術者將認知，實施方案之光學態樣通常將採用光學定向硬體、軟體及/或韌體。
雖然已展示且描述本文中描述之當前標的物之特定態樣，但熟習此項技術者將瞭解，基於本文中之教示，可做出改變及修改而不脫離本文中描述之標的物及其較廣態樣，且因此，隨附申請專利範圍在其等之範疇內涵蓋如在本文中描述之標的物之真實精神及範疇內之全部此等改變及修改。
此外，應理解，本發明由隨附申請專利範圍界定。熟習此項技術者將理解，一般言之，本文中所使用之術語且尤其隨附申請專利範圍(例如，隨附申請專利範圍之正文)中所使用之術語一般意欲作為「開放式」術語(例如，術語「包含(including)」應解譯為「包含但不限於」，術語「具有」應解譯為「至少具有」，術語「包含 (includes)」應解譯為「包含但不限於」等)。熟習此項技術者將進一步理解，若預期特定數目個引入請求項敘述，則將在申請專利範圍中明確敘述此一意圖，且在缺乏此敘述之情況下不存在此意圖。舉例而言，為幫助理解，以下隨附申請專利範圍可含有介紹性片語「至少一個」及「一或多個」之使用以引入請求項敘述。然而，即使在相同申請專利範圍包含介紹性片語「一或多個」或「至少一個」及諸如「一」或「一個」之不定冠詞(例如，「一」及/或「一個」通常應解譯為意指「至少一個」或「一或多個」)時，亦不應將此等片語之使用理解為暗示藉由不定冠詞「一」或「一個」引入之一請求項敘述將含有此引入請求項敘述之任何特定申請專利範圍限於僅含有一此敘述之發明；對於用於引入請求項敘述之定冠詞的使用同樣有效。再者，即使明確敘述引入之請求項敘述之特定數目，熟習此項技術者應認知，此敘述通常應解譯為意謂至少所敘述之數目(例如，無其他修飾語的「兩個敍述」的裸露敍述，通常意謂至少兩個敘述，或兩個或兩個以上敘述)。此外，在使用類似於「A、B及C等等之至少一者」慣例的該等例項中，一般以熟習此項技術者理解該慣例的意義預期此一構造(例如，「具有A、B及C之至少一者之一系統」應包含(但不限於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C及/或同時具有A、B及C等等之系統)。在使用類似於「A、B或C等等之至少一者」之慣例的該等例項中，一般以熟習此項技術者理解該慣例的意義預期此一構造(例如，「具有A、B或C之至少一者之一系統」應包含(但不限制於)僅具有A、僅具有B、僅具有C、同時具有A及B、同時具有A及C、同時具有B及C，及/或同時具有A、B及C等等之系統)。熟習此項技術者應進一步理解，無論在描述、請求項或圖式中，實際上呈現兩個或兩個以上替代項目的任何分離性字詞及/或片語應理解為考量包含該等項目之一者、該等項目之任一者 或兩個項目之可能性。例如，片語「A或B」應理解為包含「A」或「B」或「A及B」之可能性。
據信，藉由前述描述，將理解本發明及其許多伴隨優點且將明白，可對組件之形式、構造及配置進行多種改變而不脫離所揭示之標的物或不犧牲全部其材料優點。所描述之形式僅係說明性，且以下申請專利範圍意欲涵蓋且包含此等改變。

Claims (16)

  1. 一種用於缺陷分類之方法，其包括：獲取一樣本之一或多個影像，該一或多個影像包含複數個缺陷；基於該等缺陷之一或多個屬性將該複數個缺陷之至少一部分之各者分組成兩個或兩個以上缺陷類型群組之一者；自一使用者介面裝置接收指示來自該兩個或兩個以上缺陷類型群組之各者之選定數目個缺陷之一第一手動分類之一信號；基於該經接收之第一手動分類及該等缺陷之該等屬性產生一分類器；使用該分類器分類該複數個缺陷之至少一些；以一投票程序判定用於以該分類器所分類之該複數個缺陷之該至少一些之一可信度位準，其中該投票程序包含自該分類器之每一分類輸出之一投票；識別由該分類器分類之具有最低可信度位準之選定數目個缺陷；自該使用者介面裝置接收指示具有該最低可信度位準之該選定數目個該等缺陷之一額外手動分類之一信號，其中該分類器包括一隨機森林分類器，其中該隨機森林分類器之各樹具有經組態作為在該投票程序中之一投票之一分類輸出；及判定該額外手動分類是否識別在該第一手動分類中未識別之一或多個額外缺陷類型。
  2. 如請求項1之方法，其進一步包括：回應於藉由該額外手動分類對未由該第一手動分類識別之一或多個缺陷類型之該識別，基於該第一手動分類及該額外手動 分類產生一額外分類器；使用該額外分類器對未由該第一手動分類或該額外手動分類所分類之一或多個缺陷分類；識別由該額外分類器分類之具有該最低可信度位準之選定數目個缺陷；自該使用者介面裝置接收指示具有該最低可信度位準之該選定數目個該等缺陷之一第二額外手動分類之一信號；及判定該第二額外手動分類是否識別在該第一手動分類或該額外手動分類中未識別之一或多個額外缺陷類型。
  3. 如請求項1之方法，其進一步包括：回應於該額外手動分類不識別未包含於該第一手動分類中之一缺陷類型之該判定，報告至少由該第一手動分類所分類之該等缺陷類型及由該分類器分類之該等缺陷類型。
  4. 如請求項1之方法，其中該基於該等缺陷之一或多個屬性將該複數個缺陷之至少一部分之各者分組成兩個或兩個以上缺陷類型群組之一者包括：使用應用至該一或多個屬性之一即時自動缺陷分類(RT-ADC)方案將該複數個缺陷之至少一部分之各者分組成兩個或兩個以上缺陷類型群組之一者。
  5. 如請求項1之方法，其中該隨機森林分類器包括：一決策樹分類器或一多個決策樹分類器之至少一者。
  6. 如請求項1之方法，其中該投票程序包含一主要兩個投票方案(majority two vote scheme)。
  7. 一種用於缺陷分類之設備，其包括：一檢測工具，該檢測工具包含經組態以獲取一樣本之至少一部分之一或多個影像之一或多個偵測器； 一使用者介面裝置；及一控制器，該控制器包含通信耦合至該檢測工具之該一或多個偵測器之一或多個處理器，其中該一或多個處理器經組態以執行儲存於記憶體中之一組程式指令，該組程式指令經組態以導致該一或多個處理器：自該檢測工具之該一或多個偵測器接收該一或多個影像；基於該等缺陷之一或多個屬性將該複數個缺陷之至少一部分之各者分組成兩個或兩個以上缺陷類型群組之一者；自一使用者介面裝置接收指示來自該兩個或兩個以上缺陷類型群組之各者之選定數目個缺陷之一第一手動分類之一信號；基於該經接收之第一手動分類及該等缺陷之該等屬性產生一分類器；該分類器分類該複數個缺陷之至少一些；以一投票程序判定用於以該分類器所分類之該複數個缺陷之該至少一些之一可信度位準，其中該投票程序包含自該分類器之每一分類輸出之一投票；識別由該分類器分類之具有最低可信度位準之選定數目個缺陷；自該使用者介面裝置接收指示具有該最低可信度位準之該選定數目個該等缺陷之一額外手動分類之一信號，其中該分類器包括一隨機森林分類器，其中該隨機森林分類器之各樹具有經組態作為在該投票程序中之一投票之一分類輸出；及判定該額外手動分類是否識別在該第一手動分類中未識別之一或多個額外缺陷類型。
  8. 如請求項7之設備，其中控制器進一步經組態以： 回應於藉由該額外手動分類對未由該第一手動分類識別之一或多個缺陷類型之該識別，基於該第一手動分類及該額外手動分類產生一額外分類器；使用該額外分類器對未由該第一手動分類或該額外手動分類所分類之一或多個缺陷分類；識別由該額外分類器分類之具有該最低可信度位準之選定數目個缺陷；自該使用者介面裝置接收指示具有該最低可信度位準之該選定數目個該等缺陷之一第二額外手動分類之一信號；及判定該第二額外手動分類是否識別在該第一手動分類或該額外手動分類中未識別之一或多個額外缺陷類型。
  9. 如請求項8之設備，其中該控制器進一步經組態以：回應於該額外手動分類不識別未包含於該第一手動分類中之一缺陷類型之該判定，報告至少由該第一手動分類所分類之該等缺陷類型及由該分類器分類之該等缺陷類型。
  10. 如請求項7之設備，其中該控制器進一步經組態以：使用應用至該一或多個屬性之一即時自動缺陷分類(RT-ADC)方案將該複數個缺陷之至少一部分之各者分組成兩個或兩個以上缺陷類型群組之一者。
  11. 如請求項8之設備，其中該第一分類器或該額外分類器之至少一者包括：一決策樹分類器或一多個決策樹分類器之至少一者。
  12. 如請求項7之設備，其中該控制器進一步經組態以：以包含一主要兩個投票方案之一投票程序計算一可信度位準。
  13. 如請求項7之設備，其中該檢測工具包括：一電子束缺陷再檢測工具。
  14. 如請求項7之設備，其中該檢測工具包括：一暗場檢測工具。
  15. 如請求項7之設備，其中該檢測工具包括：一明場檢測工具。
  16. 如請求項7之設備，其中該隨機森林分類器之各樹具有一分類輸出，該分類輸出經組態作為在該投票程序中之一投票。
TW105117654A 2015-06-05 2016-06-03 用於反覆缺陷分類之方法及系統 TWI670652B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201562171898P 2015-06-05 2015-06-05
US62/171,898 2015-06-05
US15/010,887 2016-01-29
US15/010,887 US9922269B2 (en) 2015-06-05 2016-01-29 Method and system for iterative defect classification

Publications (2)

Publication Number Publication Date
TW201710952A TW201710952A (zh) 2017-03-16
TWI670652B true TWI670652B (zh) 2019-09-01

Family

ID=57441960

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105117654A TWI670652B (zh) 2015-06-05 2016-06-03 用於反覆缺陷分類之方法及系統

Country Status (6)

Country Link
US (1) US9922269B2 (zh)
JP (1) JP6857620B2 (zh)
KR (1) KR102351346B1 (zh)
CN (1) CN107690671B (zh)
TW (1) TWI670652B (zh)
WO (1) WO2016196760A1 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426926B (zh) * 2016-01-04 2019-09-24 京东方科技集团股份有限公司 一种对amoled进行检测分类的方法及装置
US10796235B2 (en) 2016-03-25 2020-10-06 Uptake Technologies, Inc. Computer systems and methods for providing a visualization of asset event and signal data
US10185728B2 (en) * 2016-12-19 2019-01-22 Capital One Services, Llc Systems and methods for providing data quality management
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
US11416979B2 (en) 2017-01-18 2022-08-16 Asml Netherlands B.V. Defect displaying method
TWI778078B (zh) * 2017-06-14 2022-09-21 以色列商肯提克有限公司 用於自動缺陷分類之方法及系統以及相關非暫時性電腦程式產品
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
JP7054436B2 (ja) * 2017-12-14 2022-04-14 オムロン株式会社 検出システム、情報処理装置、評価方法及びプログラム
JP6992475B2 (ja) 2017-12-14 2022-01-13 オムロン株式会社 情報処理装置、識別システム、設定方法及びプログラム
US10937705B2 (en) * 2018-03-30 2021-03-02 Onto Innovation Inc. Sample inspection using topography
KR102154393B1 (ko) * 2018-06-20 2020-09-09 에임시스템 주식회사 기계 학습 기반의 자동 결함 분류 방법
US11151707B2 (en) 2018-12-07 2021-10-19 Kla Corporation System and method for difference filter and aperture selection using shallow deep learning
WO2020234863A1 (en) * 2019-05-22 2020-11-26 Applied Materials Israel Ltd. Machine learning-based classification of defects in a semiconductor specimen
WO2020252574A1 (en) * 2019-06-17 2020-12-24 RecognAIse Technologies Inc. Artificial intelligence-based process and system for visual inspection of infrastructure
JP2021015546A (ja) * 2019-07-16 2021-02-12 株式会社日立製作所 情報処理システムおよび情報処理方法
US11900589B2 (en) * 2020-05-29 2024-02-13 Boe Technology Group Co., Ltd. Detection device of display panel and detection method thereof, electronic device and readable medium
WO2021250884A1 (ja) * 2020-06-12 2021-12-16 株式会社日立ハイテク 欠陥検査のための方法、システム、及びコンピューター可読媒体
EP3945548A1 (en) * 2020-07-30 2022-02-02 ASML Netherlands B.V. Method for classifying semiconductor wafers
US11810284B2 (en) * 2020-08-21 2023-11-07 Kla Corporation Unsupervised learning for repeater-defect detection
KR20220099256A (ko) 2021-01-06 2022-07-13 삼성전자주식회사 웨이퍼 불량 특성별 분포 출력 장치 및 이의 동작 방법
KR102637170B1 (ko) * 2021-03-16 2024-02-14 현대모비스 주식회사 설명가능 ai 기반 불량검출 장치 및 방법
US11216932B1 (en) * 2021-03-26 2022-01-04 Minds AI Technologies Ltd Electronic substrate defect detection
US20220335254A1 (en) * 2021-04-16 2022-10-20 Baker Hughes Holdings Llc Computer vision inferencing for non-destructive testing
CN117916582A (zh) * 2021-09-07 2024-04-19 明答克株式会社 缺陷分类系统
CN113688802B (zh) * 2021-10-22 2022-04-01 季华实验室 基于肌电信号的手势识别方法、装置、设备及存储介质
CN113781485B (zh) * 2021-11-12 2022-09-09 成都数联云算科技有限公司 一种pcb缺陷类别的智能检测方法、装置、电子设备及介质
US20230306572A1 (en) * 2022-03-23 2023-09-28 Saudi Arabian Oil Company Flange Integrity Classification Using Artificial Intelligence

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040156540A1 (en) * 2003-02-12 2004-08-12 Kla-Tencor Technologies, Corporation Automatic supervised classifier setup tool for semiconductor defects
US20120045120A1 (en) * 2010-08-18 2012-02-23 Canon Kabushiki Kaisha Information processing apparatus and information processing method

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6324298B1 (en) * 1998-07-15 2001-11-27 August Technology Corp. Automated wafer defect inspection system and a process of performing such inspection
US6922482B1 (en) 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
JP4118703B2 (ja) * 2002-05-23 2008-07-16 株式会社日立ハイテクノロジーズ 欠陥分類装置及び欠陥自動分類方法並びに欠陥検査方法及び処理装置
US7602962B2 (en) 2003-02-25 2009-10-13 Hitachi High-Technologies Corporation Method of classifying defects using multiple inspection machines
US8995747B2 (en) 2010-07-29 2015-03-31 Sharp Laboratories Of America, Inc. Methods, systems and apparatus for defect detection and classification
US20120323506A1 (en) 2010-11-23 2012-12-20 Andrew Payshin King Semiconductor Defect Signal Capturing and Statistical System and Method
US9401013B2 (en) * 2012-02-03 2016-07-26 Applied Materials Israel, Ltd. Method of design-based defect classification and system thereof
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
US8848068B2 (en) 2012-05-08 2014-09-30 Oulun Yliopisto Automated recognition algorithm for detecting facial expressions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040156540A1 (en) * 2003-02-12 2004-08-12 Kla-Tencor Technologies, Corporation Automatic supervised classifier setup tool for semiconductor defects
US20120045120A1 (en) * 2010-08-18 2012-02-23 Canon Kabushiki Kaisha Information processing apparatus and information processing method

Also Published As

Publication number Publication date
JP6857620B2 (ja) 2021-04-14
KR20180005737A (ko) 2018-01-16
US20160358041A1 (en) 2016-12-08
CN107690671A (zh) 2018-02-13
WO2016196760A1 (en) 2016-12-08
JP2018524804A (ja) 2018-08-30
US9922269B2 (en) 2018-03-20
CN107690671B (zh) 2019-10-18
KR102351346B1 (ko) 2022-01-13
TW201710952A (zh) 2017-03-16

Similar Documents

Publication Publication Date Title
TWI670652B (zh) 用於反覆缺陷分類之方法及系統
TWI699732B (zh) 用於缺陷分類之方法及系統
JP6992475B2 (ja) 情報処理装置、識別システム、設定方法及びプログラム
US9430743B2 (en) Composite defect classifier
US10964013B2 (en) System, method for training and applying defect classifiers in wafers having deeply stacked layers
US7720275B2 (en) Method and apparatus for detecting pattern defects
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
CN108352339A (zh) 自适应自动缺陷分类
JP2014137284A (ja) 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法
CN110866931B (zh) 图像分割模型训练方法及基于分类的强化图像分割方法
JP6763673B2 (ja) 教師データ作成支援装置、画像分類装置、教師データ作成支援方法および画像分類方法
JP2006292615A (ja) 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体
TW202037910A (zh) 使用淺層深度學習的差值濾波器及孔徑選擇之系統與方法
JP2014006613A (ja) 近傍探索方法および類似画像探索方法
US20230175981A1 (en) Method for Defect Inspection, System, and Computer-Readable Medium
Lugo-Aranda et al. H ii regions and diffuse ionized gas in the AMUSING++ Compilation–I. Catalogue presentation
WO2022190518A1 (ja) 統合モデルの生成方法、画像検査システム、画像検査用モデルの生成装置、画像検査用モデルの生成プログラム及び画像検査装置
Flores Computer Vision and Machine-Learning Method for the Detection of Low-Surface Brightness Galaxies in the Fornax Cluster
Aflaha et al. Effect of SMOTE Variants on Software Defect Prediction Classification Based on Boosting Algorithm
JP2023168157A (ja) 機械学習プログラム，機械学習方法，および情報処理装置