TWI688763B - 用於缺陷之分類的系統及方法 - Google Patents

用於缺陷之分類的系統及方法 Download PDF

Info

Publication number
TWI688763B
TWI688763B TW105125020A TW105125020A TWI688763B TW I688763 B TWI688763 B TW I688763B TW 105125020 A TW105125020 A TW 105125020A TW 105125020 A TW105125020 A TW 105125020A TW I688763 B TWI688763 B TW I688763B
Authority
TW
Taiwan
Prior art keywords
defect
classifier
defects
wafer
attributes
Prior art date
Application number
TW105125020A
Other languages
English (en)
Other versions
TW201713937A (zh
Inventor
羅伊 希曼塔 庫瑪
爾皮 傑因
爾皮 亞提
奧利維亞 摩里
亞倫 羅布
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 TW201713937A publication Critical patent/TW201713937A/zh
Application granted granted Critical
Publication of TWI688763B publication Critical patent/TWI688763B/zh

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
    • G01Q30/00—Auxiliary means serving to assist or improve the scanning probe techniques or apparatus, e.g. display or data processing devices
    • G01Q30/02—Non-SPM analysing devices, e.g. SEM [Scanning Electron Microscope], spectrometer or optical microscope
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/245—Detection characterised by the variable being measured
    • H01J2237/24571—Measurements of non-electric or non-magnetic variables
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/245—Detection characterised by the variable being measured
    • H01J2237/24592—Inspection and quality control of devices
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection
    • 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

Abstract

一種識別諸如SEM非視覺缺陷(SNV)之非視覺缺陷之技術包含：產生一晶圓之一層之一影像；使用一分類器來評估該影像之至少一屬性；及識別該晶圓之該層上之該等非視覺缺陷。一控制器可經組態以使用該分類器來識別該等非視覺缺陷。此控制器可與諸如一掃描電子顯微鏡(SEM)之一缺陷再檢測工具通信。

Description

用於缺陷之分類的系統及方法 相關申請案之交叉參考
本申請案主張於2015年8月5日申請且讓與印度申請案第4069/CHE/2015號之印度臨時專利申請案及於2015年9月23日申請且讓與美國申請案第62/222,647號之臨時專利申請案之優先權，該等案之揭示內容據此以引用的方式併入。
本發明係關於對缺陷之分類，且更特定言之係關於對非視覺缺陷之分類。
晶圓檢測系統有助於一半導體製造商藉由偵測在製程期間出現之缺陷而增加並維持積體電路(IC)晶片良率。檢測系統之一個目的係監測一製程是否符合規格。若製程在既定規範之範疇外，則檢測系統指示問題及/或問題之來源，接著半導體製造商可解決該問題。
半導體製造產業之發展對良率管理及特定言之度量衡及檢測系統的需求愈來愈大。臨界尺寸日益縮小而晶圓大小日益增加。經濟學驅使該產業減少用於達成高良率、高價值生產之時間。因此，最小化從偵測一良率問題至解決該問題之總時間判定半導體製造商之投資回報。
用於對缺陷進行分類(包含手動分類及以層為基礎之自動分類)之 先前技術涉及過多的時間及努力。隨著裝置變得更加複雜，在半導體製造設施中對缺陷進行手動分類需要日益增加的時間及努力。甚至在花費大量時間進行分類之後，歸因於人為誤差，缺陷分類可能仍為不準確的且不一致的。領域中對缺陷進行自動分類之當前技術需要缺陷之許多實例且有時亦需要用於訓練分類器之人力資源。此外，針對每一層之各缺陷類型訓練分類器可為繁瑣的，此係因為待訓練之分類器之一總數目將為缺陷類型之數目乘層之數目。
手動分類涉及：以多個視角手動觀察各缺陷影像、以一已知參考缺陷影像集合進行缺陷識別，及針對各缺陷位點手動分配類別碼。對缺陷進行手動分類需要大量時間來完成。此繼而極為昂貴。此外，在分類期間使用人為判斷可在結果中引入不準確性及不一致性。
以層為基礎之自動分類包含針對各層建立之自訂分類器，其等分離存在之全部臨界缺陷類型。可手動或自動建立分類器。以層為基礎之自動分類實施對層特定自訂分類器之建立。訓練全部層之分類器需要大量資源，像訓練資料、人力資源及時間。例如，訓練各層之一分類器需要訓練資料。訓練資料應具有需由分類器分類之各臨界缺陷之足夠缺陷實例。該領域中使用之一些分類器建立方案需要手動分類器建立。連同涉及大量時間投資，歸因於判斷用於建立該等分類器之最佳屬性組時之不準確性，此亦帶來經建立分類器之效能之不一致性。由於在針對跨一特定位點處之層及亦跨多個客戶位點之相同缺陷類型建立分類器時之巨大重複，大量時間被花費在建立、訓練及維護分類器上。
因此，需要一種減少分類晶圓缺陷所需之時間及努力之系統及技術。
在一第一實施例中，提供一種系統。該系統包括：一缺陷再檢 測工具；及一控制器，其經組態以與該缺陷再檢測工具通信。該缺陷再檢測工具具有經組態以夾持一晶圓之一載物台。該控制器經組態以使用一分類器來識別該晶圓之一層上之一非視覺缺陷。該缺陷再檢測工具可為一掃描電子顯微鏡(SEM)。該非視覺缺陷可為一SEM非視覺缺陷(SNV)。
該控制器可包括：一處理器，其經組態以與該缺陷再檢測工具通信；一儲存裝置，其與含有該分類器之該處理器電子通信；及一通信埠，其與該處理器電子通信以與該缺陷再檢測工具通信。
該控制器可藉由使用該分類器來過濾形貌缺陷、強度屬性或能量屬性之至少一者而識別一非視覺缺陷。
在一第二實施例中，提供一種方法。該方法包括：使用一缺陷再檢測工具產生一晶圓上之一層之一影像；使用一處理器而使用一分類器來評估該影像之至少一屬性；及使用該處理器而使用該分類器來識別該晶圓之該層上之一非視覺缺陷。
該方法可進一步包括：使用該處理器定義非視覺缺陷之一上限及下限，其中所識別之該非視覺缺陷在該上限與該下限之間。
該分類器可經組態以過濾形貌缺陷、強度屬性及/或能量屬性。
該分類器可經組態以於該晶圓之各層上使用。
該產生可使用一掃描電子顯微鏡(SEM)。該非視覺缺陷可為一SEM非視覺缺陷(SNV)。
可與該產生即時地執行比較及識別。
100:產生一晶圓上之一層之一影像
101:使用一分類器來評估影像之至少一屬性
102:使用分類器來識別晶圓之層上之非視覺缺陷
200:缺陷再檢測工具
201:影像產生系統
202:電子束
203:晶圓
204:載物台
205:控制器
206:處理器
207:儲存裝置
208:通信埠
209:層
210:層
為更全面理解本發明之性質及目標，應結合隨附圖式參考以下詳細描述，其中：圖1係根據本發明之一實施例之一流程圖；圖2係展示掃描電子顯微鏡非視覺(SNV)散佈之例示性上限及下 限之一圖表；圖3係一例示性SNV分類器之一示意圖；及圖4係根據本發明之一缺陷再檢測工具之一實施例。
儘管將依據特定實施例描述所主張之標的，然其他實施例(包含未提供本文中闡述之全部優點及特徵之實施例)亦在本發明之範疇內。在不脫離本發明之範疇之情況下，可進行各種結構、邏輯、程序步驟及電子改變。因此，本發明之範疇僅參考隨附申請專利範圍定義。
掃描電子顯微鏡(SEM)非視覺(稱為「SNV」)定義為有缺陷但不含有任何真實定義之缺陷之再檢測位點。一真實定義之缺陷可為與一參考相比晶圓上之一破壞。例如，一真實定義之缺陷可為一顆粒、一刮痕或一空隙。因此，SNV將具有與其等參考位點相比類似之性質，此可使SNV難以手動識別。如本文中揭示，可在自一缺陷影像減去參考影像(即，缺陷-參考影像)之後計算缺陷屬性。此導致跨層之SNV之共同屬性值，且導致建立用以分格出(bin out)多個層上之SNV之一單一分類器或一即時SNV(RT-SNV)分類器。分格指代將數個一般連續值分組成較小數目個子群組之一或多種方法。一分類器可針對一特定目的(例如，缺陷分類及偵測)藉由識別SNV之同屬性群而「分格出」SNV。
即使不存在可容易觀看之實體殘餘物或可見缺陷，非視覺缺陷(諸如SNV)仍可引起一裝置之電氣故障。非視覺缺陷之實例包含：電阻、電容或時序之晶圓間或晶片間變動；應力引起之錯位；局部結晶缺陷；或局部接合缺陷。非視覺缺陷影響良率，此使非視覺缺陷為半導體製造商所關注，且識別非視覺缺陷具挑戰性。
一些缺陷類型(像SNV或顆粒)跨一或多個晶圓之多個層係共同的 且一致的。此已導致自以層為基礎之分類器建立轉變至以缺陷為基礎之分類器建立。以缺陷為基礎之分類器建立涉及實施分格出跨一或多個晶圓之多個層之一共同缺陷類型之單一分類器。共同缺陷類型跨多個層具有類似缺陷屬性值範圍。
在再檢測來自全部檢測器之缺陷圖時可發現SNV。檢測器可包含自動、半自動及手動晶圓檢測工具及程序。一半導體製造商可能不想錯過任何真實缺陷，此導致檢測掃描具有較低臨限值。繼而，較低臨限值導致誤判(false positive)及其他公害。在檢測之後將此等誤判或其他公害與真實缺陷分離係一艱巨的任務，此係因為具有一高SNV百分比之層將需要大量時間及人力來再檢測。本發明之實施例涉及一或多個晶圓之多個層上之SNV之屬性範圍，以建立一個分類器而跨全部層及全部位點中發現之全部節點將SNV與真實缺陷分離。
如本文中揭示，多個層上之SNV之屬性範圍可用來：1)理解跨大量層之SNV之實體性質，此將實現SNV與其他真實缺陷之程式分離；及2)理解屬性及屬性範圍對於跨大量層之SNV而言相同，使得可使用此等屬性及屬性範圍來依程式化方式分離出SNV。當前揭示之系統及方法亦使用全部層上之SNV之共同屬性範圍產生並使用一分類器以分格出SNV。當前揭示之系統及方法亦可針對不同例項(諸如鏈測試、發現流等)產生並使用一單一分類器以分格出跨全部層之SNV。此外，本發明可跨多個層使用屬性之一共同(即，共用)範圍來定義分類器之截止點。
RT-SNV分類器可在一半導體製造商處降低成本且增加處理量。此外，缺陷之更快分類可有助於半導體製造商更快解決其等良率問題，此減少結果之時間。此等優點導致半導體製造商之大資本節省。
圖1係根據本發明之一實施例之一流程圖。可如本文中進一步描述般執行方法之步驟之各者。該方法亦可包含可由本文中描述之影像 獲取子系統及/或(若干)電腦子系統或(若干)系統執行之(若干)任何其他步驟。藉由一或多個電腦系統執行該等步驟，該一或多個電腦系統可根據本文中描述之實施例之任一者組態。另外，可藉由本文中描述之系統實施例之任一者執行上文描述之方法。
如圖1中所見，在100，產生一晶圓上之一層之一影像。可使用一影像攝取裝置(諸如一掃描電子顯微鏡(SEM))產生或攝取影像。影像可包括已依程式化方式拼接在一起之一或多個影像。一影像可含有一晶圓之多個視圖，例如使用各種波長之光產生之視圖。影像可經數位化且被儲存至暫時記憶體(RAM)或永久記憶體(諸如一硬碟)中。影像可儲存於可由一或多個系統經由網際網路或內部網路存取之一策展資料庫中。在101，使用一分類器來評估影像之至少一屬性。例如，可藉由一分類處理器擷取影像以進行評估。分類處理器可自暫時記憶體或永久記憶體請求影像。在一項實施例中，分類處理器可自策展資料庫請求影像。分類處理器可使用一分類器來評估影像。因而，在102，使用分類器來識別晶圓之層上之非視覺缺陷(諸如SNV)。
可基於跨多個層及/或多個晶圓(及跨多個位點，使用匹配(assorted)設備)在SEM再檢測影像上提取之缺陷屬性來建立或產生分類器。此可運用檢測或度量衡演算法執行。可將所收集之SEM再檢測影像手動分類成不同類型之缺陷及SNV。在一些實施例中，可自先前測試及已知來源匯入所收集之SEM再檢測影像。
使用缺陷再檢測及分類軟體(諸如來自KLA-Tencor公司之Impact XP)來判定SNV之屬性值範圍。此缺陷再檢測及分類軟體可包含自動缺陷分類。在大部分SNV(排除離群點)共同存在於其內之邊界處產生針對一特定屬性之SNV散佈之上限及下限。例如，參見圖2中之上限及下限。大部分SNV之屬性值散佈位於SNV之理想值周圍之一範圍內。例如，對於SNV而言，屬性1=1、屬性2=0、屬性3=0等等。
針對多個層在各個再檢測批次上收集類似資料以判定或進一步分析對定義並分類SNV有用之屬性。可針對多個屬性收集SNV範圍資料(包含上限及下限)。可跨不同層及/或不同晶圓使用不同成像條件。
針對跨一或多個晶圓之層之共同範圍依程式化方式分析SNV之屬性範圍值。因為屬性跨多個層可展示SNV之共同值範圍，所以SNV之共同屬性範圍可用於實施一單一分類器以分格出跨多個層之SNV。此等共同範圍將用來定義RT-SNV分類器之屬性邊界。跨多個晶圓確認因此形成之RT-SNV分類器之效能。
可使用多種屬性來使用一分類器自SNV分格過濾不同類型之缺陷。此等包含以下過濾之一些或全部。形貌屬性濾除形貌缺陷，像顆粒、刮痕等。強度屬性分離高材料對比度或高GL差異缺陷，像殘留物、浮渣等。能量屬性過濾高能量及高能量密度缺陷，像空隙或大缺陷。類似地，其他類型之屬性可用來將不同類型之缺陷與SNV分離。
可劃分所提取之屬性範圍。下文提及之即時自動缺陷分類(RT-ADC)屬性、SNV之範圍對於各種各樣的層而言係類似的。
Figure 105125020-A0305-02-0009-1
全部層上之SNV之共同屬性範圍之邊界可用作分類器之各自屬性節點之截止點。在此之後可能無需對分類器之習知訓練且分類器應準備好部署於任何客戶位點中之任何節點之任何層中。然而，在一些實施例中，截止點可需經調整而遠離共同屬性範圍以補償特定儀器或目 的。
以下屬性之節點可由分類器使用以將SNV與真實缺陷分離。屬性2、屬性3、屬性6及屬性5將形貌真實缺陷(像顆粒及刮痕)與SNV分離。屬性5可例如涉及能量量測。屬性2可例如比較峰值高度。屬性3及屬性6可分別為正量測值及負量測值。屬性7將高材料對比度真實缺陷(像殘留物)與SNV分離。屬性8將高密度真實缺陷(像空隙)與SNV分離。屬性4可涵蓋顯著性且可將獨有單一缺陷(像一隆起、小顆粒、小凹點及開口)與SNV分離。屬性1將與背景不類似之任何其他缺陷與SNV分離。
例如，針對一例示性SNV分類器，參見圖3。
在分類器準備好之後，其可經部署以識別其他晶圓之層上之SNV。
如本文中使用，術語「晶圓」大體上指代由一半導體或非半導體材料形成之基板。此一半導體或非半導體材料之實例包含但不限於單晶矽、氮化鎵、砷化鎵、磷化銦、藍寶石及玻璃。通常可在半導體製造設施中發現及/或處理此等基板。
一晶圓可包含形成於一基板上之一或多個層。例如，此等層可包含但不限於一光阻劑、一介電材料、一導電材料及一半導電材料。此項技術中已知許多不同類型之此等層，且如本文中使用之術語晶圓意欲涵蓋包含全部類型之此等層之一晶圓。
形成於一晶圓上之一或多個層可經圖案化或未經圖案化。例如，一晶圓可包含複數個晶粒，其等各自具有可重複圖案化之特徵或週期性結構。此等材料層之形成及處理最終可導致完整裝置。可在一晶圓上形成許多不同類型之裝置，且如本文中使用之術語晶圓意欲涵蓋其上製造此項技術中已知之任何類型之裝置之一晶圓。
圖4係一缺陷再檢測工具200之一實施例。缺陷再檢測工具200可 為一SEM、使用一電子束之另一缺陷再檢測工具，或經組態以檢測晶圓之其他設備。
缺陷再檢測工具200包含經組態以夾持一晶圓203之一載物台204。載物台204可經組態以在一個、兩個或三個軸上移動或旋轉。
如圖4中所見，晶圓203包含多個層，包含層209及210。層210形成於層209之後。雖然層210在圖4中繪示為被成像，但層209可在形成層210之前已成像。比圖4中繪示之三個層更多或更少之層係可行的。
缺陷再檢測工具200亦包含經組態以產生晶圓203之一表面之一影像之一影像產生系統201。影像可為針對晶圓203之一特定層。在此實例中，影像產生系統201產生一電子束202以產生晶圓203之一影像。其他影像產生系統201係可行的，諸如使用寬頻電漿或雷射掃描之影像產生系統。
在一特定實例中，缺陷再檢測工具200係一掃描電子顯微鏡(SEM)之部分或係一掃描電子顯微鏡(SEM)。藉由用一聚焦電子束202掃描晶圓203而產生該晶圓203之影像。電子用來產生含有關於晶圓203之表面形貌及組成之資訊之信號。電子束202可以一光柵掃描型樣掃描，且可組合電子束202之位置與經偵測信號以產生一影像。
缺陷再檢測工具200與一控制器205通信。例如，控制器205可與影像產生系統201或缺陷再檢測工具200之其他組件通信。控制器205可包含一處理器206、與處理器206電子通信之一儲存裝置207，及與處理器206電子通信之一通信埠208。應瞭解，控制器205實務上可由硬體、軟體及韌體之任何組合實施。再者，如本文中描述之其功能可由一個單元執行或分配於不同組件之中，該等組件之各者繼而可由硬體、軟體及韌體之任何組合實施。用來實施本文中描述之各種方法及功能之控制器205之程式碼或指令可儲存於在控制器205內、在控制器205外部或其等之組合之控制器可讀儲存媒體(諸如一記憶體)中。
控制器205亦可使用一分類器來識別晶圓之一層上之一非視覺缺陷，諸如一SNV。例如，控制器205可執行圖1之步驟。控制器205亦可執行本文中揭示之其他步驟或技術。
控制器205可以任何適合方式(例如，經由一或多個傳輸媒體，其可包含「有線」及/或「無線」傳輸媒體)耦合至缺陷再檢測工具200之偵測器，使得控制器205可接收由偵測器(諸如影像產生系統201中之偵測器)產生之輸出。控制器205可經組態以使用偵測器之輸出來執行數種功能。例如，控制器205可經組態以使用偵測器之輸出來偵測晶圓203上之缺陷。可由控制器205藉由將某一缺陷偵測演算法及/或方法應用於由偵測器產生之輸出而執行偵測晶圓203上之缺陷。缺陷偵測演算法及/或方法可包含本文中所揭示或此項技術中已知之任何適合演算法及/或方法。例如，控制器205可比較偵測器之輸出與一臨限值。具有超出臨限值之值之任何輸出可被識別為一可能缺陷(諸如一SNV或其他非視覺缺陷)，而具有低於臨限值之值之任何輸出可未被識別為一可能缺陷。在另一實例中，控制器205可經組態以將偵測器之輸出發送至一儲存裝置207或另一儲存媒體，而未對輸出執行缺陷偵測。控制器205可如本文中描述般進一步組態。
本文中描述之控制器205、(若干)其他系統或(若干)其他子系統可採取各種形式，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路器具、網際網路器具或其他裝置。一般而言，術語「控制器」可廣泛定義為涵蓋具有一或多個處理器之任何裝置，該一或多個處理器執行來自一記憶體媒體之指令。(若干)子系統或(若干)系統亦可包含此項技術中已知之任何適合處理器，諸如一並行處理器。另外，(若干)子系統或(若干)系統可包含具有高速處理及軟體之一平台，其作為一獨立工具或一網路化工具。
若系統包含一個以上子系統，則不同子系統可彼此耦合，使得 可在該等子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何適合傳輸媒體(其可包含此項技術中已知之任何適合有線及/或無線傳輸媒體)耦合至(若干)額外子系統。此等子系統之兩者或更多者亦可由一共用電腦可讀儲存媒體(未展示)有效地耦合。
一額外實施例係關於一種儲存程式指令之非暫時性電腦可讀媒體，該等程式指令可在一控制器上執行以執行用於識別如本文中揭示之非視覺缺陷(諸如SNV)之一電腦實施方法。特定言之，如圖4中所示，儲存裝置207或其他儲存媒體可含有包含可在控制器205上執行之程式指令之非暫時性電腦可讀媒體。電腦實施方法可包含本文中描述之(若干)任何方法之(若干)任何步驟。
實施諸如本文中描述之方法之方法之程式指令可儲存於電腦可讀媒體上，諸如於儲存裝置207或其他儲存媒體中。電腦可讀媒體可為一儲存媒體，諸如一磁碟或光碟、一磁帶，或此項技術中已知之任何其他適合非暫時性電腦可讀媒體。
程式指令可以各種方式之任一者實施，該等方式包含以程序為基礎之技術、以組件為基礎之技術及/或物件導向技術等。例如，如所需，可使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE(串流SIMD延伸)或其他技術或方法論來實施程式指令。
控制器205可根據本文中描述之實施例之任一者組態。控制器205之其他組態或功能係可行的，諸如在美國申請案第14/991,901號中描述之組態或功能，該案揭示內容之全文以引用的方式併入。
雖然揭示為一缺陷再檢測系統之部分，但本文中描述之控制器可經組態以與檢測系統一起使用。在另一實施例中，本文中描述之控制器可經組態以與一度量衡系統一起使用。因此，如本文中揭示之實施例描述可針對具有或多或少適於不同應用之不同成像能力之系統而 以數種方式定製之分類之一些組態。
本文中揭示之實施例亦可經組態用於其他樣品(諸如主光罩)之檢測、缺陷再檢測及度量衡。例如，可為遮罩檢測、晶圓檢測及晶圓度量衡之目的而組態本文中描述之實施例。特定言之，本文中描述之實施例可安裝在一電腦節點或電腦叢集上，該電腦節點或電腦叢集係一輸出獲取子系統(諸如一寬頻電漿檢測器、一電子束檢測器或缺陷再檢測工具、一遮罩檢測器、一虛擬檢測器等)之一組件或耦合至該輸出獲取子系統。以此方式，本文中描述之實施例可產生可用於多種應用之輸出，該等應用包含但不限於晶圓檢測、遮罩檢測、電子束檢測及再檢測、度量衡等。可如上文描述般基於將針對其產生實際輸出之樣品而修改控制器。
本文中揭示之實施例優於手動分類。RT-SNV輔助對缺陷之手動分類。其使用RT-ADC屬性來自動過濾SNV。其減少缺陷分類努力及時間。其亦減小手動分類方法中存在之人為誤差。
本文中揭示之實施例亦優於以層為基礎之自動分類。可跨全部層使用以一般缺陷為基礎之分類器，而以層為基礎之分類器僅按個別層起作用。RT-SNV分類器節省在各層上建立一不同SNV分類器所花費之時間。與其中各層需要訓練資料之以層為基礎之分類器相比，一RT-SNV分類器可需要較少訓練資料。RT-SNV分類器準備好使用、給出一致結果，且無需任何訓練，而以層為基礎之分類器諸如在遇到具有不同缺陷類型或程序變動之新批次時需要重調。
儘管已關於一或多個特定實施例描述本發明，然將瞭解，在不脫離本發明之範疇之情況下，可進行本發明之其他實施例。因此，本發明被視為僅受限於隨附申請專利範圍及其等之合理解釋。
200:缺陷再檢測工具
201:影像產生系統
202:電子束
203:晶圓
204:載物台
205:控制器
206:處理器
207:儲存裝置
208:通信埠
209:層
210:層

Claims (16)

  1. 一種用於缺陷之分類的系統，其包括：一缺陷再檢測工具，其中該缺陷再檢測工具具有一載物台，其經組態以夾持一晶圓；及一控制器，其經組態以與該缺陷再檢測工具通信，其中該控制器經組態以使用一分類器來識別該晶圓之一層上之一非視覺缺陷，其中該控制器藉由使用該分類器來過濾形貌缺陷、強度屬性或能量屬性之至少一者而識別該非視覺缺陷，其中該等形貌缺陷包含一顆粒或一刮痕，其中該等強度屬性包含一殘留物或一浮渣，且其中該等能量屬性包含一空隙。
  2. 如請求項1之系統，其中該控制器包括：一處理器，其經組態以與該缺陷再檢測工具通信；一儲存裝置，其與含有該分類器之該處理器電子通信；及一通信埠，其與該處理器電子通信以與該缺陷再檢測工具通信。
  3. 如請求項1之系統，其中該缺陷再檢測工具係一掃描電子顯微鏡(SEM)。
  4. 如請求項1之系統，其中該非視覺缺陷係一SEM非視覺缺陷(SNV)。
  5. 如請求項1之系統，其中該分類器經組態以過濾該等形貌缺陷。
  6. 如請求項1之系統，其中該分類器經組態以過濾該等強度屬性。
  7. 如請求項1之系統，其中該分類器經組態以過濾該等能量屬性。
  8. 一種用於缺陷之分類的方法，其包括：使用一缺陷再檢測工具產生一晶圓上之一層之一影像；使用一處理器而使用一分類器來評估該影像之至少一屬性；及 使用該處理器而使用該分類器來識別該晶圓之該層上之一非視覺缺陷，其中該處理器藉由使用該分類器來過濾形貌缺陷、強度屬性或能量屬性之至少一者而識別該非視覺缺陷，其中該等形貌缺陷包含一顆粒或一刮痕，其中該等強度屬性包含一殘留物或一浮渣，且其中該等能量屬性包含一空隙。
  9. 如請求項8之方法，其進一步包括：使用該處理器定義非視覺缺陷之一上限及下限，其中所識別之該非視覺缺陷在該上限與該下限之間。
  10. 如請求項8之方法，其中該分類器過濾該等形貌缺陷。
  11. 如請求項8之方法，其中該分類器過濾該等強度屬性。
  12. 如請求項8之方法，其中該分類器過濾該等能量屬性。
  13. 如請求項8之方法，其中該分類器經組態以於該晶圓之各層上使用。
  14. 如請求項8之方法，其中該產生使用一掃描電子顯微鏡(SEM)。
  15. 如請求項8之方法，其中該非視覺缺陷係一SEM非視覺缺陷(SNV)。
  16. 如請求項8之方法，其中可與該產生即時地執行比較及識別。
TW105125020A 2015-08-05 2016-08-05 用於缺陷之分類的系統及方法 TWI688763B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
IN4069/CHE/2015 2015-08-05
IN4069CH2015 2015-08-05
US201562222647P 2015-09-23 2015-09-23
US62/222,647 2015-09-23
US15/227,698 2016-08-03
US15/227,698 US9947596B2 (en) 2015-08-05 2016-08-03 Range-based real-time scanning electron microscope non-visual binner

Publications (2)

Publication Number Publication Date
TW201713937A TW201713937A (zh) 2017-04-16
TWI688763B true TWI688763B (zh) 2020-03-21

Family

ID=57943622

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105125020A TWI688763B (zh) 2015-08-05 2016-08-05 用於缺陷之分類的系統及方法

Country Status (5)

Country Link
US (1) US9947596B2 (zh)
JP (1) JP7015235B2 (zh)
KR (1) KR102380099B1 (zh)
TW (1) TWI688763B (zh)
WO (1) WO2017024065A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10713534B2 (en) * 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050087686A1 (en) * 2003-10-03 2005-04-28 Toshifumi Honda Method of observing defects
WO2008053524A1 (fr) * 2006-10-31 2008-05-08 Topcon Corporation Appareil d'inspection de semi-conducteur et procédé d'inspection de semi-conducteur
TW200947580A (en) * 2008-03-27 2009-11-16 Tokyo Electron Ltd Method for classifying defects, computer storage medium, and device for classifying defects
US8716662B1 (en) * 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
TW201435330A (zh) * 2013-01-02 2014-09-16 Kla Tencor Corp 偵測晶圓上之缺陷
TW201447271A (zh) * 2013-03-11 2014-12-16 Kla Tencor Corp 使用表面增強電場之缺陷偵測
TW201447281A (zh) * 2013-04-08 2014-12-16 Kla Tencor Corp 用於晶圓檢測之動態設計屬性

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6200823B1 (en) 1999-02-09 2001-03-13 Advanced Micro Devices, Inc. Method for isolation of optical defect images
JP3749107B2 (ja) * 1999-11-05 2006-02-22 ファブソリューション株式会社 半導体デバイス検査装置
JP2001210689A (ja) * 2000-01-25 2001-08-03 Jeol Ltd 電子ビーム検査方法および装置
KR100503530B1 (ko) * 2003-01-02 2005-07-22 삼성전자주식회사 웨이퍼의 불량검출 장치 및 방법
US7068363B2 (en) 2003-06-06 2006-06-27 Kla-Tencor Technologies Corp. Systems for inspection of patterned or unpatterned wafers and other specimen
JP2005032760A (ja) * 2003-07-07 2005-02-03 Fab Solution Kk 半導体装置の欠陥検査方法
US7142992B1 (en) 2004-09-30 2006-11-28 Kla-Tencor Technologies Corp. Flexible hybrid defect classification for semiconductor manufacturing
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
US8489945B2 (en) 2010-10-12 2013-07-16 Globalfoundries Singapore PTE, LTD. Method and system for introducing physical damage into an integrated circuit device for verifying testing program and its results
US9053390B2 (en) * 2012-08-14 2015-06-09 Kla-Tencor Corporation Automated inspection scenario generation
US8948494B2 (en) 2012-11-12 2015-02-03 Kla-Tencor Corp. Unbiased wafer defect samples
US9619876B2 (en) 2013-03-12 2017-04-11 Kla-Tencor Corp. Detecting defects on wafers based on 2D scatter plots of values determined for output generated using different optics modes
US9489599B2 (en) * 2013-11-03 2016-11-08 Kla-Tencor Corp. Decision tree construction for automatic classification of defects on semiconductor wafers
US10436720B2 (en) 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050087686A1 (en) * 2003-10-03 2005-04-28 Toshifumi Honda Method of observing defects
WO2008053524A1 (fr) * 2006-10-31 2008-05-08 Topcon Corporation Appareil d'inspection de semi-conducteur et procédé d'inspection de semi-conducteur
TW200947580A (en) * 2008-03-27 2009-11-16 Tokyo Electron Ltd Method for classifying defects, computer storage medium, and device for classifying defects
US8716662B1 (en) * 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
TW201435330A (zh) * 2013-01-02 2014-09-16 Kla Tencor Corp 偵測晶圓上之缺陷
TW201447271A (zh) * 2013-03-11 2014-12-16 Kla Tencor Corp 使用表面增強電場之缺陷偵測
TW201447281A (zh) * 2013-04-08 2014-12-16 Kla Tencor Corp 用於晶圓檢測之動態設計屬性

Also Published As

Publication number Publication date
JP2018536275A (ja) 2018-12-06
JP7015235B2 (ja) 2022-02-02
KR102380099B1 (ko) 2022-03-28
TW201713937A (zh) 2017-04-16
WO2017024065A1 (en) 2017-02-09
US20170040142A1 (en) 2017-02-09
US9947596B2 (en) 2018-04-17
KR20180027637A (ko) 2018-03-14

Similar Documents

Publication Publication Date Title
TWI672636B (zh) 對一晶圓上偵測之缺陷進行分類之方法、系統及非暫時性電腦可讀媒體
US10127651B2 (en) Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
KR101600209B1 (ko) 영역 결정 장치, 검사 장치, 영역 결정 방법 및 영역 결정 방법을 사용한 검사 방법
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
JP2020118696A (ja) 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング
TWI684000B (zh) 產生檢查配方的方法及其系統
TWI734720B (zh) 檢查晶圓之系統及方法
JP7146857B2 (ja) ディープラーニングに基づきウェーハ欠陥画像を用いてウェーハの欠陥を分類するための方法およびシステム
JP2020514721A (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
JP2017523390A (ja) 検査のための高解像度フルダイイメージデータの使用
US10054554B2 (en) Method for evaluating semiconductor wafer
JP2000208575A (ja) 形状特徴に基づく欠陥検出方法及び装置
TWI751372B (zh) 用於缺陷偵測之系統及方法
TW201351305A (zh) 使用以ｃａｄ為基礎之環境背景屬性之缺陷分類
TWI731975B (zh) 用於缺陷偵測之系統及方法
JP2009111135A (ja) 不良検出方法及び不良検出装置
KR20180123173A (ko) 노이즈 경계 임계값에 의한 웨이퍼 검사 시스템 및 방법
TWI688763B (zh) 用於缺陷之分類的系統及方法
TW201710999A (zh) 使用設計之預層缺陷現場審查
CN107923856B (zh) 以范围为基础的实时扫描电子显微镜的非视觉分格器
IL256806A (en) A non-visual spacer for range-based real-time scanning electron microscopy
Wienecke et al. Detection and classification of visible crystal defects on unpatterned silicon wafers–an application example for advanced defect control equipment
JP2018525811A (ja) 設計を利用する先行層欠陥箇所の点検
JP2009188099A (ja) 欠陥分類装置、欠陥分類方法およびそのコンピュータ・プログラム