TWI709182B - 用於知識推薦及缺陷分類之伺服器及其方法 - Google Patents
用於知識推薦及缺陷分類之伺服器及其方法 Download PDFInfo
- Publication number
- TWI709182B TWI709182B TW107101853A TW107101853A TWI709182B TW I709182 B TWI709182 B TW I709182B TW 107101853 A TW107101853 A TW 107101853A TW 107101853 A TW107101853 A TW 107101853A TW I709182 B TWI709182 B TW I709182B
- Authority
- TW
- Taiwan
- Prior art keywords
- knowledge
- server
- defect
- defect classification
- file
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 377
- 238000000034 method Methods 0.000 title claims description 89
- 238000007689 inspection Methods 0.000 claims abstract description 131
- 238000003860 storage Methods 0.000 claims abstract description 73
- 238000010894 electron beam technology Methods 0.000 claims description 51
- 238000001514 detection method Methods 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 16
- 230000002950 deficient Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims 1
- 235000012431 wafers Nutrition 0.000 description 101
- 238000004891 communication Methods 0.000 description 25
- 239000002184 metal Substances 0.000 description 9
- 229910052751 metal Inorganic materials 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000011800 void material Substances 0.000 description 5
- 238000005530 etching Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000005684 electric field Effects 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37224—Inspect wafer
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本發明係關於一種用於缺陷檢測之知識推薦伺服器。該伺服器包括一處理器,該處理器電子耦接至一電子儲存裝置,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案。該處理器經組態以執行一組指令以致使該伺服器:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋該電子儲存裝置中匹配該檢測影像之一知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器。
Description
本發明大體上係關於用於推薦用於缺陷檢測之知識檔案的系統及方法。
隨著對低成本及高效能電子裝置之需求繼續增長,至關重要的是控制包括於電子裝置中之積體電路的製造過程,以便減少影響良率之缺陷之數目。缺陷檢測過程已整合至製造過程之控制中。在缺陷檢測過程期間,自動地識別半導體晶圓上之缺陷,且該等缺陷分為各種缺陷類型。雖然可自動地執行缺陷分類,但始終需要使用者之干預以基於執行哪個自動缺陷分類而選擇知識檔案。使用者之干預顯著降低了製造過程之產出率。
根據本發明之一些實施例,提供一種用於缺陷檢測之知識推薦的伺服器。該伺服器包括一處理器,該處理器電子耦接至一電子儲存裝置,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案。該處理器經組態以執行一組指令以致使該伺服器:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋該電子儲存裝置中匹配該檢測影像之一知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器。
根據本發明之一些實施例,提供一種用於缺陷分類之伺服器。該伺
服器包括一處理器,該處理器經組態以執行一組指令以致使該伺服器:自一檢測工具接收一晶圓之一檢測影像;向一知識推薦伺服器發送對知識推薦之一請求;自該知識推薦伺服器接收一知識推薦結果;判定該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
根據本發明之一些實施例,提供一種缺陷檢測系統。該缺陷檢測系統包括一檢測工具,其用於檢測一晶圓;一缺陷分類伺服器,其電子耦接至該檢測工具;及一知識推薦伺服器,其電子耦接至該缺陷分類伺服器。該缺陷分類伺服器包括一處理器,該處理器經組態以執行一組指令以致使該缺陷分類伺服器:自該檢測工具接收該晶圓之一檢測影像;及發送對用於檢測該檢測影像之知識推薦之一請求。該知識推薦伺服器包括一處理器,其經組態以執行一組指令以致使該知識推薦伺服器:回應於自知識推薦伺服器接收到對知識推薦之該請求,搜尋匹配檢測影像之一知識檔案;及將一知識推薦結果傳輸至該缺陷分類伺服器。
根據本發明之一些實施例,提供一種用於知識推薦之方法。該方法包括:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋一電子儲存裝置中匹配該檢測影像之一知識檔案,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器。
根據本發明之一些實施例,提供一種用於缺陷分類之方法。該方法包括:自一檢測工具接收一晶圓之一檢測影像;將對知識推薦之一請求發送至一知識推薦伺服器;自該知識推薦伺服器接收一知識推薦結果;判定該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識
檔案之一判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
根據本發明之一些實施例,提供一種用於缺陷檢測之方法。該方法包括:由一缺陷分類伺服器自一檢測工具接收晶圓之一檢測影像;由該缺陷分類伺服器將對用於檢測該檢測影像之知識推薦的一請求發送至一知識推薦伺服器;回應於自知識推薦伺服器接收到對知識推薦之該請求,由該知識推薦伺服器搜尋匹配檢測影像之一知識檔案;由該知識推薦伺服器將一知識推薦結果傳輸至該缺陷分類伺服器;及由該缺陷分類伺服器判定自該知識推薦伺服器傳輸之該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,由該缺陷分類伺服器藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
根據本發明之一些實施例,提供一種非暫時性電腦可讀媒體。該非暫時性電腦可讀媒體儲存一組指令,該組指令可由一知識推薦伺服器之至少一個處理器執行以致使該知識推薦伺服器執行一方法。該方法包括:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋一電子儲存裝置中匹配該檢測影像之一知識檔案,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器。
根據本發明之一些實施例,提供一種非暫時性電腦可讀媒體。該非暫時性電腦可讀媒體儲存一組指令,該組指令可由一缺陷分類伺服器之至少一個處理器執行以致使該缺陷分類伺服器執行一方法。該方法包括:自一檢測工具接收一晶圓之一檢測影像;將對知識推薦之一請求發送至一知識推薦伺服器;自該知識推薦伺服器接收一知識推薦結果;判定該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一
判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
100:電子束檢測(EBI)系統
101:主腔室
102:裝載/鎖定腔室
104:電子束工具
106:設備前端模組(EFEM)
106a:第一裝載埠
106b:第二裝載埠
200:機動載物台
202:晶圓固持器
203:晶圓
204:物鏡總成
204a:磁極片
204b:控制電極
204c:偏轉器
204d:激磁線圈
206:電子偵測器
206a:電子感測器表面
206b:電子感測器表面
208:物鏡孔隙
210:聚光透鏡
212:射束限制孔隙
214:電子槍孔隙
216:陽極
218:陰極
220:初級電子束
222:次級電子束
300:缺陷檢測系統
310:晶圓檢測系統
320:自動缺陷分類(ADC)伺服器
322:通信介面
324:處理器
330:知識推薦伺服器
332:處理器
334:儲存裝置
410:缺陷斑塊影像
420:缺陷斑塊影像
430:缺陷斑塊影像
440:缺陷斑塊影像
450:缺陷斑塊影像
510:知識檔案
520:子知識檔案
522:子知識檔案
524:子知識檔案
526:子知識檔案
528:子知識檔案
530:子知識檔案
600:過程
602:步驟
604:步驟
606:步驟
608:步驟
610:步驟
612:步驟
614:步驟
700:過程
702:步驟
704:步驟
706:步驟
708:步驟
710:步驟
712:步驟
714:步驟
716:步驟
718:步驟
800:電腦系統
802:匯流排
804:處理器
806:主記憶體
808:唯讀記憶體(ROM)
810:儲存裝置
812:顯示器
814:輸入裝置
816:游標控制件
818:通信介面
820:網路鏈路
822:區域網路
824:主機電腦
826:網際網路服務提供者(ISP)
828:網際網路
830:伺服器
併入於本說明書中且構成本說明書之一部分的附圖說明了若干實施例。
圖1為說明符合本發明之實施例之例示性電子束檢測(EBI)系統的示意圖。
圖2為說明符合本發明之實施例的可為圖1之例示性電子束檢測之一部分的例示性電子束工具之示意圖。
圖3為符合本發明之實施例之例示性缺陷檢測系統的方塊圖。
圖4展示缺陷斑塊(patch)影像之實例。
圖5示意性地說明符合本發明之一些實施例的例示性缺陷知識檔案。
圖6為符合本發明之實施例之用於知識推薦之例示性過程的流程圖。
圖7為符合本發明之實施例之用於自動缺陷分類之例示性過程的流程圖。
圖8為可在上面實施本文中所描述之實施例之例示性電腦系統的方塊圖。
現將詳細參考實例實施例,其在隨附圖式中予以說明。儘管以下實施例係在利用電子束之上下文中予以描述,但本發明不限於此。可類似地應用其他類型之帶電粒子束。
所揭示之實施例提供用於缺陷檢測系統中之知識推薦伺服器。知識推薦伺服器包括儲存與晶圓缺陷有關之複數個知識檔案的電子儲存裝置。當自缺陷分類伺服器接收對用於檢測檢測影像之知識推薦的請求時,知識
推薦伺服器搜尋電子儲存裝置中匹配檢測影像之知識檔案,且將知識檔案提供至缺陷分類伺服器。接著,缺陷分類伺服器藉由使用由知識推薦伺服器提供之知識檔案來對檢測影像執行自動缺陷分類。
圖1說明符合本發明之實施例的例示性電子束檢測(EBI)系統100。如圖1中所展示,EBI系統100包括主腔室101、裝載/鎖定腔室102、電子束工具104及設備前端模組(EFEM)106。電子束工具104位於主腔室101內。EFEM 106包括第一裝載埠106a及第二裝載埠106b。EFEM 106可包括額外裝載埠。第一裝載埠106a及第二裝載埠106b收納容納晶圓(例如,半導體晶圓或由其他材料製成之晶圓)或待檢測之樣品的晶圓匣(晶圓及樣品在下文統稱為「晶圓」)。
EFEM 106中之一或多個機械臂(未圖示)可將晶圓運輸至裝載/鎖定腔室102。裝載/鎖定腔室102連接至裝載/鎖定真空泵系統(未圖示),其移除裝載/鎖定腔室102中之氣體分子以達至低於大氣壓之第一壓力。在達至第一壓力之後,一或多個機械臂(未圖示)可將晶圓自裝載/鎖定腔室102運輸至主腔室101。主腔室101連接至主腔室真空泵系統(未圖示),其移除主腔室101中之氣體分子以達至低於第一壓力之第二壓力。在達至第二壓力之後,晶圓經受電子束工具104之檢測。
圖2說明符合本發明之實施例之電子束工具104之例示性組件。如圖2中所展示,電子束工具104包括機動載物台200及晶圓固持器202,晶圓固持器202由機動載物台200支撐以固持待檢測之晶圓203。電子束工具104進一步包括物鏡總成204、電子偵測器206(其包括電子感測器表面206a及206b)、物鏡孔隙208、聚光透鏡210、射束限制孔隙212、電子槍孔隙214、陽極216及陰極218。在一個實施例中,物鏡總成204可包括經修改
擺動物鏡延遲浸沒透鏡(SORIL),其包括磁極片204a、控制電極204b、偏轉器204c及激磁線圈204d。電子束工具104可另外包括能量色散X射線光譜儀(EDS)偵測器(未圖示)以表徵晶圓上之材料。
藉由在陽極216與陰極218之間施加電壓而自陰極218發射初級電子束220。初級電子束220傳遞通過電子槍孔隙214及射束限制孔隙212,此兩者可判定進入駐存在射束限制孔隙212下方之聚光透鏡210之電子束的大小。聚光透鏡210在射束進入物鏡孔隙208之前聚焦初級電子束220,以在射束進入物鏡總成204之前設定電子束的大小。偏轉器204c偏轉初級電子束220以促進晶圓上之射束掃描。舉例而言,在掃描過程中,偏轉器204c可經控制以在不同時間點處將初級電子束220依序偏轉至晶圓203之頂部表面的不同部位上,以提供用於晶圓203之不同部分的影像重建構之資料。此外,偏轉器204c亦可經控制以在不同時間點處將初級電子束220偏轉至特定部位處之晶圓203之不同側上,以提供用於彼部位處之晶圓結構的立體影像重建構之資料。此外,在一些實施例中,陽極216及陰極218可經組態以產生多個初級電子束220,且電子束工具104可包括複數個偏轉器204c以同時將多個初級電子束220投影至晶圓之不同部分/側,從而提供用於晶圓203之不同部分的影像重建構之資料。
激磁線圈204d及磁極片204a產生在磁極片204a之一端處開始且在磁極片204a之另一端處終止的磁場。晶圓203之正由初級電子束220掃描的部分可浸沒於磁場中且可帶電,此又產生一電場。該電場減少初級電子束220在碰撞晶圓之前在靠近晶圓之表面處的撞擊能量。與磁極片204a電隔離之控制電極204b控制晶圓上之電場,以防止晶圓之微拱起並確保適當射束聚焦。
在接收到初級電子束220後,可自晶圓203之部分發射次級電子束222。次級電子束222可在電子偵測器206之感測器表面206a及206b上形成射束點(例如,射束點240a及240b中之一者)。電子偵測器206可產生表示射束點之強度的信號(例如,電壓、電流等等),且將該信號提供至處理系統(圖2中未展示)。次級電子束222及所得射束點之強度可根據晶圓203之外部及/或內部結構而變化。此外,如上文所論述,初級電子束220可投影至晶圓之頂部表面的不同部位及/或特定部位處之晶圓之不同側上,以產生具不同強度之次級電子束222(及所得射束點)。因此,藉由以晶圓203之部位映射射束點之強度,處理系統可重建構反映晶圓203之內部及/或外部結構的影像。
一旦獲取晶圓影像,便可將晶圓影像傳輸至電腦系統,其中該系統可識別晶圓影像上之缺陷且根據缺陷類型將缺陷分類成各類別。圖3為符合本發明之實施例之缺陷檢測系統300的示意圖。
參考圖3,缺陷檢測系統300包括晶圓檢測系統310、自動缺陷分類(ADC)伺服器320及電耦接至ADC伺服器320之知識推薦伺服器330。晶圓檢測系統310可為關於圖1所描述之電子束檢測(EBI)系統100。應理解,ADC伺服器320及知識推薦伺服器330可為EBI系統100之部分及/或遠離EBI系統100。
晶圓檢測系統310可為可產生晶圓之檢測影像的任何檢測系統。晶圓可為半導體晶圓基板,或為具有一或多個磊晶層及/或過程膜之半導體晶圓基板。晶圓檢測系統310可為任何當前可用或開發中之晶圓檢測系統。本發明之實施例並不限制晶圓檢測系統310之特定類型,只要其可產生分辨率足夠高以觀測晶圓上之關鍵特徵(例如,小於20nm)的晶圓影像即
可。
ADC伺服器320具有電耦接至晶圓檢測系統310以接收晶圓影像之通信介面322。ADC伺服器320亦包括處理器324,處理器324經組態以分析晶圓影像,且藉由使用缺陷知識檔案來偵測且分類顯現於晶圓影像上之晶圓缺陷。缺陷知識檔案可由操作者手動提供至ADC伺服器320。替代地,根據本發明之實施例,缺陷知識檔案可由知識推薦伺服器330自動地提供至ADC伺服器320,下文將詳細描述知識推薦伺服器330。
知識推薦伺服器330電耦接至ADC伺服器320。知識推薦伺服器330包括處理器332及儲存裝置334。處理器332經組態以建構複數個缺陷知識檔案,且將該複數個缺陷知識檔案儲存於儲存裝置334中。
該複數個缺陷知識檔案含有與在晶圓製造過程之各種階段期間產生之各種類型之缺陷有關的資訊。晶圓製造過程之各種階段可包括但不限於微影製程、蝕刻製程、化學機械拋光(CMP)製程及互連形成製程。在微影製程中產生之缺陷可包括但不限於歸因於PR劣化或雜質之光阻(RP)殘餘物缺陷、剝落缺陷、橋接缺陷、氣泡缺陷及歸因於圖案位移之虛設圖案缺失缺陷。在蝕刻製程中產生之缺陷可包括但不限於蝕刻殘餘物缺陷、過度蝕刻缺陷及斷路缺陷。在CMP製程中產生之缺陷可包括但不限於漿料殘餘物缺陷、凹陷缺陷,及歸因於拋光速率之方差的侵蝕缺陷以及歸因於拋光之刮擦。在互連形成製程中產生之缺陷可包括但不限於虛線缺陷、空隙缺陷、擠壓缺陷及橋接缺陷。
處理器332經組態以基於複數個缺陷斑塊影像而建構複數個缺陷知識檔案。該複數個缺陷斑塊影像可由晶圓檢測工具產生,該晶圓檢測工具諸如圖2中所說明之電子束工具104。缺陷斑塊影像為含有缺陷之晶圓之一
部分的小影像(例如,34×34像素)。缺陷斑塊影像通常以缺陷為中心,且包括缺陷之相鄰像素。
圖4展示金屬互連層中之各種缺陷之例示性缺陷斑塊影像410至450。影像410為虛線缺陷之斑塊影像。影像420為小空隙缺陷之斑塊影像,其中空隙之大小小於金屬線之寬度。影像430為擠壓缺陷之斑塊影像。影像440為大空隙缺陷之斑塊影像,其中空隙之大小大於金屬線之寬度或與其相當。影像450為橋接缺陷之斑塊影像。
返回參考圖3,可經由機器學習過程訓練處理器332,以基於特定類型之缺陷之複數個缺陷斑塊影像而建構與彼類型之缺陷有關的知識檔案。舉例而言可訓練,處理器332以基於在互連形成製程中產生之虛線缺陷之複數個缺陷斑塊影像而建構與虛線缺陷有關之知識檔案。
處理器332亦經組態以回應於來自ADC伺服器320之對知識推薦之請求而搜尋匹配包括於經接收請求中之晶圓影像的知識檔案,且將知識檔案提供至ADC伺服器320。
儲存裝置334儲存ADC資料中心,ADC資料中心含有與在晶圓製造過程之各種階段期間產生之各種類型之缺陷有關的複數個缺陷知識檔案。ADC資料中心中之複數個缺陷知識檔案可由知識推薦伺服器330之處理器332建構。替代地,儲存裝置334中之缺陷知識檔案之一部分可由使用者或外部電腦系統預置,且可預裝載至儲存裝置334中。
缺陷知識檔案可包括關於單種類型之缺陷的一般資訊。一般資訊可包括單種類型之缺陷的斑塊影像及待用於稍後分類(例如,大小、邊緣粗糙度、深度、高度等等)之特徵參數。替代地,根據本發明之一些實施例,缺陷知識檔案可包括關於存在於同一晶圓過程層中之複數種類型之缺
陷的一般資訊。單個過程層可為例如基板層、磊晶層、薄膜層、光阻層、氧化物層、金屬互連層等等。
圖5示意性地說明根據本發明之一些實施例的例示性缺陷知識檔案。如圖5中所展示,知識檔案510包括各自與晶圓過程層中之單種類型之缺陷有關的複數個子知識檔案520至530。舉例而言,晶圓過程層為金屬互連層,且知識檔案510包括與金屬互連層中之各種類型之缺陷有關的資訊。子知識檔案520包括與虛線缺陷有關之資訊,且包括虛線缺陷之9個不同斑塊影像及自該9個斑塊影像提取之特徵。子知識檔案522包括與小空隙缺陷有關之資訊,且包括小空隙缺陷之41個不同斑塊影像及自41個斑塊影像提取之特徵。子知識檔案524包括與擠壓缺陷有關之資訊,且包括擠壓缺陷之17個不同斑塊影像及自該17個斑塊影像提取之特徵。子知識檔案526包括與大空隙缺陷有關之資訊,且包括大空隙缺陷之8個不同斑塊影像及自該8個斑塊影像提取之特徵。子知識檔案528包括與橋接缺陷有關之資訊,且包括橋接缺陷之19個不同斑塊影像及自該19個斑塊影像提取之特徵。子知識檔案530包括與其他類型之缺陷有關的資訊,且包括其他類型之缺陷之4個不同斑塊影像及自該4個斑塊影像提取之特徵。
圖6為符合本發明之實施例之用於知識推薦之例示性過程600的流程圖。過程600可由知識推薦伺服器(例如,圖3中所說明之知識推薦伺服器330)執行。知識推薦伺服器由通信纜線抑或經由網路無線耦接至儲存複數個知識檔案之儲存裝置(例如,圖3中所說明之儲存裝置)。
根據本發明之一些實施例,基於在同一晶圓過程層中且在類似檢測條件下檢測之缺陷可共用同一知識檔案的假定而執行用於知識推薦之過程600。亦即,知識檔案包括與在同一晶圓過程層中且在類似檢測條件下檢
測之各種缺陷有關的資訊。檢測條件係指產生複數個缺陷斑塊影像所藉助之檢測工具之設定。採用圖2中所說明之電子束工具104作為一實例,檢測條件可包括電子束大小、電子束能量、掃描速度、聚焦條件等等。通常,在不同檢測條件下檢測不同的晶圓過程層,而在類似條件下檢測相同的晶圓過程層,且單種類型之缺陷的所得檢測影像將具有類似特徵。
如圖6中所說明,首先,在步驟602至608處,知識推薦伺服器藉由分析缺陷斑塊影像及晶圓檢測條件來預處理儲存裝置中之知識檔案。具體言之,在步驟602處,知識推薦伺服器自儲存於儲存裝置中之複數個知識檔案獲得複數個缺陷斑塊影像。如上文所論述,儲存裝置包括複數個知識檔案,且每一知識檔案包括與同一晶圓過程層中之不同類型之缺陷有關的資訊。與每種類型之缺陷有關的資訊包括彼類型之缺陷的缺陷路徑影像。
在步驟604處,知識推薦伺服器分析缺陷斑塊影像,自複數個缺陷斑塊影像提取特徵參數,且正規化特徵參數。特徵參數為描述缺陷之各種特徵的參數。舉例而言,缺陷之特徵參數可包括缺陷之大小、深度、高度、表面粗糙度、邊緣粗糙度。知識推薦伺服器可自缺陷斑塊影像直接提取特徵參數。或者,對於一些特定類型之特徵,知識推薦伺服器可基於自缺陷斑塊影像提取之其他參數而計算對應特徵參數。
在步驟606處,知識推薦伺服器基於經正規化斑塊影像特徵而建構複數個加權表示模型。每一加權表示模型表示一種類型之缺陷,且包括描述彼類型之缺陷之特徵的複數個代表性特徵參數。採用金屬互連層中之空隙作為一種類型之缺陷的一實例,儲存裝置接著將空隙之複數個斑塊影像儲存於金屬互連層中。每一斑塊影像含有空隙。知識推薦伺服器自每一斑塊影像提取一組特徵參數。每一特徵參數描述空隙之複數個特徵(例如,大
小、深度、邊緣粗糙度)中之一者。在自空隙之所有斑塊影像提取特徵參數之後,知識推薦伺服器針對每一特徵計算對應於特徵且自空隙之所有複數個斑塊影像提取的特徵參數之加權平均值。當計算特徵參數之加權平均值時,可藉由使用者預置每一特徵參數之加權。知識推薦伺服器將特徵參數之經計算加權平均值當作彼特徵之代表性特徵參數。舉例而言,知識推薦伺服器計算不同斑塊影像中之不同空隙之大小的加權平均值,且將經計算加權平均值當作金屬互連層中之空隙之代表性大小。在計算空隙之所有特徵的加權平均值之後,知識推薦伺服器基於空隙之特徵參數之所有加權平均值而建構空隙之加權表示模型。知識推薦伺服器接著針對其他類型之缺陷重複同一過程以建構加權表示模型。
在步驟608處,知識推薦伺服器將複數個加權表示模型儲存於儲存裝置中。舉例而言,知識推薦伺服器可將加權表示模型添加至儲存裝置中之現有知識檔案中。替代地,知識推薦伺服器可建構複數個新的知識檔案,每一新的知識檔案由對應晶圓過程層中之複數種類型之缺陷的複數個加權表示模型組成。知識推薦伺服器接著將新的知識檔案保存於儲存裝置中。
在步驟602至608處之預處理之後,知識推薦伺服器可供用於提供知識推薦。具體言之,在步驟610處,知識推薦伺服器自缺陷分類伺服器(例如,圖3中所說明之ADC伺服器320)接收對知識推薦之請求。缺陷分類伺服器可由通信纜線抑或經由網路無線耦接至知識推薦伺服器。對知識推薦之請求包括由檢測工具產生之晶圓的檢測影像,及與在檢測影像中識別到之缺陷有關的資訊。與缺陷有關之資訊包括缺陷之斑塊影像及特徵參數。
在步驟612處,知識推薦伺服器訪問儲存單元以搜尋匹配檢測影像中之缺陷資訊的知識檔案。舉例而言,知識推薦伺服器自檢測影像中之缺陷
之斑塊影像提取特徵參數。接著,知識推薦伺服器比較經提取特徵參數與儲存於儲存裝置中之知識檔案中之特徵參數。知識推薦伺服器採用特徵組合搜尋策略以選擇最佳匹配自檢測影像提取之特徵參數的含有缺陷特徵參數之知識檔案。替代地,知識推薦伺服器可採用圖案搜尋策略以搜尋匹配檢測影像之缺陷斑塊影像的含有缺陷斑塊影像之知識檔案。
在步驟614處,知識推薦伺服器將搜尋結果作為知識推薦結果發送至缺陷分類伺服器,且接著過程600完成。若知識推薦伺服器發現匹配在檢測影像中識別到之缺陷資訊的知識檔案,則知識推薦伺服器將知識檔案提供至缺陷分類伺服器。另一方面,若知識推薦伺服器未能發現匹配在檢測影像中識別到之缺陷資訊的知識檔案,則知識推薦伺服器可將未能發現知識檔案之訊息發送至缺陷分類伺服器。替代地,知識推薦伺服器可將預設知識檔案提供至缺陷分類伺服器。
又替代地,根據本發明之一些實施例,若知識推薦伺服器未能發現匹配在檢測影像中識別到之缺陷資訊的知識檔案,則知識推薦伺服器藉由變化特徵參數之加權而產生新的加權表示模型,使用新的加權表示模型來建構新的知識檔案,且判定新的知識檔案是否匹配在檢測影像中識別到之缺陷資訊。知識推薦伺服器可重複建構新的知識檔案,直至新的知識檔案匹配在檢測影像中識別到之缺陷資訊為止。
圖7為符合本發明之實施例之用於自動缺陷分類之例示性過程700的流程圖。過程700可由缺陷分類伺服器(例如,圖3中之ADC伺服器320)執行。缺陷分類伺服器由通信纜線抑或經由網路無線耦接至檢測工具(例如,圖2中之電子束工具104)及知識推薦伺服器(例如,圖3中之知識推薦伺服器330)。
如圖7中所說明,首先,在步驟702處,缺陷分類伺服器接收由檢測系統產生之晶圓檢測影像。在步驟704處,缺陷分類伺服器分析檢測影像以識別複數個缺陷,提取與每一缺陷有關之資訊,且接著將對知識推薦之請求發送至知識推薦伺服器。對知識推薦之請求包括與在檢測影像中識別到之缺陷有關的經提取資訊,檢測影像包括缺陷之斑塊影像及特徵參數。
當知識推薦伺服器接收對知識推薦之請求時,知識推薦伺服器搜尋匹配包括於過程600中之請求中之缺陷資訊的知識檔案,且將搜尋結果傳輸至缺陷分類伺服器。因此,在步驟706處,缺陷分類伺服器自知識推薦伺服器接收搜尋結果。
在步驟708處,缺陷分類伺服器判定搜尋結果是否包括匹配晶圓檢測影像之缺陷資訊的知識檔案。若搜尋結果不包括此類知識檔案(步驟708:否),則在步驟710處,缺陷分類伺服器提示使用者基於晶圓檢測影像而建構知識檔案。缺陷分類伺服器可藉由在顯示器上顯示提示訊息或將信號發送至使用者終端機來提示使用者。在步驟710之後,過程710完成。
若搜尋結果包括知識檔案(步驟708:是),則在步驟712處,缺陷分類伺服器藉由使用由知識推薦伺服器提供之知識檔案來執行自動缺陷分類。在自動缺陷分類中,缺陷分類伺服器比較晶圓檢測影像中之每一缺陷之缺陷斑塊影像及/或特徵參數與知識檔案中之缺陷斑塊影像及/或特徵參數,且識別缺陷之類型。
在自動缺陷分類之後,在步驟714處,缺陷分類伺服器提示使用者檢測缺陷分類結果。舉例而言,缺陷分類伺服器可將缺陷分類結果顯示於顯示器上,該缺陷分類結果展示晶圓檢測影像中之缺陷之斑塊影像具有指示缺陷類型之標籤。回應於提示,使用者可在視覺上檢測缺陷分類結果,判
定結果是否準確,且將關於判定結果之回饋提供至缺陷分類伺服器。另外,若缺陷分類結果不準確,則使用者可校正缺陷分類結果且將關於經校正結果之回饋提供至缺陷分類伺服器。舉例而言,若一或多個缺陷之缺陷分類結果不準確,則使用者可輸入正確類型之一或多個缺陷之名稱。
在步驟716處,缺陷分類伺服器判定缺陷分類結果是否準確。若缺陷分類結果準確(步驟716:是),則過程700完成。若缺陷分類結果不準確(步驟716:否),則在步驟718處,缺陷分類伺服器將由使用者校正之結果回饋傳遞至知識推薦伺服器。接著,知識推薦伺服器可藉由經校正結果更新儲存單元中之知識檔案。在步驟718之後,過程完成。
圖8為可用以實施本文中所描述之實施例之例示性電腦系統800的方塊圖。上文所描述之知識推薦伺服器及缺陷分類伺服器中之至少一者可藉由電腦系統800實施。
電腦系統800包括匯流排802或用於傳達資訊之其他通信機構,及與匯流排802耦接以用於處理資訊之一或多個硬體處理器804(出於簡單性目的表示為處理器804;例如,圖3之知識推薦伺服器330之處理器332或缺陷分類伺服器320之處理器324)。硬體處理器804可為例如一或多個微處理器。
電腦系統800亦包括耦接至匯流排802以用於儲存待由處理器804執行之資訊及指令的主記憶體806,諸如隨機存取記憶體(RAM)或其他動態儲存裝置。主記憶體806亦可用於在執行待由處理器804執行之指令期間儲存暫時變數或其他中間資訊。此類指令在儲存於處理器804可存取之非暫時性儲存媒體中之後,使電腦系統800顯現為經自訂以執行該等指令中所指定之操作的專用機器。
電腦系統800進一步包括耦接至匯流排802以用於儲存用於處理器804之靜態資訊及指令的唯讀記憶體(ROM)808或其他靜態儲存裝置。諸如磁碟、光碟或USB隨身碟(快閃驅動機)等等之儲存裝置810(例如,圖3之知識推薦伺服器330之儲存裝置334)經提供且耦接至匯流排802以用於儲存資訊及指令。
電腦系統800可經由匯流排802耦接至諸如陰極射線管(CRT)、液晶顯示器(LCD)或觸控式螢幕之顯示器812,以用於將資訊顯示給電腦使用者。包括文數字及其他鍵之輸入裝置814耦接至匯流排802以將資訊及命令選擇傳達至處理器804。另一類型之使用者輸入裝置為用於將方向資訊及命令選擇傳達至處理器804且用於控制顯示器812上之游標移動的游標控制件816,諸如,滑鼠、軌跡球或游標方向鍵。輸入裝置通常具有兩個軸線(第一軸線(例如,x)及第二軸線(例如,y))上之兩個自由度,此允許裝置指定平面中之位置。在一些實施例中,可經由接收觸控式螢幕上之觸碰來實施與游標控制件相同的方向資訊及命令選擇,而不用游標。
計算系統800可包括用以實施圖形使用者介面(GUI)之使用者介面模組,GUI可作為由一或多個計算裝置執行之可執行軟體程式碼儲存於大容量儲存裝置中。藉助於實例,此及其他模組可包括組件(諸如軟體組件、物件導向軟體組件、類別組件及任務組件)、過程、函數、欄位、程序、次常式、程式碼之片段、驅動程式、韌體、微碼、電路系統、資料、資料庫、資料結構、表、陣列及變數。模組可包括例如圖3中所說明之系統300之一或多個組件。
電腦系統800可使用自訂硬佈線邏輯、一或多個ASIC或FPGA、韌體及/或程式邏輯來實施本文中所描述之技術,結合電腦系統之自訂硬佈線
邏輯、一或多個ASIC或FPGA、韌體及/或程式邏輯致使電腦系統800或使電腦系統800程式化為專用機器。根據一些實施例,回應於處理器804執行含於主記憶體806中之一或多個指令之一或多個序列,由電腦系統800執行本文中所描述之操作、功能性及技術及其他特徵。可將此類指令自諸如儲存裝置810之另一儲存媒體讀取至主記憶體806中。含於主記憶體806中之指令序列之執行致使處理器804執行本文中所描述之方法步驟(例如,圖6之過程600,或圖7之過程700)。在替代實施例中,可代替或結合軟體指令而使用硬佈線電路系統。
可使用以下條項來進一步描述實施例:
1.一種用於缺陷檢測之知識推薦的伺服器,其包含:一處理器,其電子耦接至一電子儲存裝置,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案,該處理器經組態以執行一組指令以致使該伺服器:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋該電子儲存裝置中匹配該檢測影像之一知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器。
2.如條項1之伺服器,其中該處理器經組態以執行該組指令以致使該伺服器:自該電子儲存裝置中之該等知識檔案獲得複數個缺陷斑塊影像;自該複數個缺陷斑塊影像提取特徵參數且正規化該等特徵參數;基於該等經正規化特徵參數而產生複數個加權表示模型,每一加權表示模型表示一缺陷類型;及
將該等加權表示模型儲存於該電子儲存裝置中。
3.如條項1之伺服器,其中對知識推薦之該請求包括在該檢測影像中識別到之複數個缺陷之特徵參數,且在搜尋匹配該檢測影像之一知識檔案時,該處理器經組態以執行該組指令以致使該伺服器:比較在該檢測影像中識別到之該複數個缺陷之該等特徵參數與該電子儲存裝置中之該等知識檔案中之該等特徵參數;及搜尋一知識檔案,其具有匹配在最新獲取之檢測影像中識別到之該複數個缺陷之該等特徵參數的特徵參數。
4.如條項1至3中任一項之伺服器,其中每一知識檔案包括在同一晶圓過程層中且在同一檢測條件下由一檢測工具產生之不同類型之缺陷的複數個缺陷斑塊影像及特徵參數。
5.如條項1至4中任一項之伺服器,其中該等缺陷斑塊影像係由一電子束檢測工具產生。
6.一種用於缺陷分類之伺服器,其包含:一處理器,其經組態以執行一組指令以致使該伺服器:自一檢測工具接收一晶圓之一檢測影像;向一知識推薦伺服器發送對知識推薦之一請求;自該知識推薦伺服器接收一知識推薦結果;判定該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
7.如條項6之伺服器,其中該處理器經組態以執行一組指令以致使該
伺服器:回應於知識推薦結果不包括一知識檔案之一判定,提示一使用者基於該檢測影像而建構一知識檔案。
8.如條項6之伺服器,其中該處理器經組態以執行一組指令以致使該伺服器:在對該檢測影像執行該自動缺陷分類之後,提示一使用者檢測該自動缺陷分類之一結果。
9.如條項8之伺服器,其中該處理器經組態以執行一組指令以致使該伺服器:回應於自該使用者接收到指示該自動缺陷分類之該結果不準確且包含一經校正缺陷分類結果的一輸入,將該經校正缺陷分類結果傳輸至該知識推薦伺服器,其中該知識推薦伺服器基於該經校正缺陷分類結果而更新該等知識檔案。
10.如條項6至9中任一項之伺服器,其中該檢測工具為一電子束檢測工具。
11.一種缺陷檢測系統,其包含:一檢測工具,其用於檢測一晶圓;一缺陷分類伺服器,其電子耦接至該檢測工具,且該缺陷分類伺服器包括一處理器,該處理器經組態以執行一組指令以致使該缺陷分類伺服器:自該檢測工具接收該晶圓之一檢測影像;及發送對用於檢測該檢測影像之知識推薦之一請求;
一知識推薦伺服器,其電子耦接至該缺陷分類伺服器,且該知識推薦伺服器包括一處理器,該處理器經組態以執行一組指令以致使該知識推薦伺服器:回應於自知識推薦伺服器接收到對知識推薦之該請求,搜尋匹配檢測影像之一知識檔案;及將一知識推薦結果傳輸至該缺陷分類伺服器。
12.如條項11之缺陷檢測系統,其中該知識推薦伺服器包括儲存與晶圓缺陷有關之複數個知識檔案的一電子儲存裝置。
13.如條項12之缺陷檢測系統,其中該知識推薦伺服器之該處理器經組態以執行一組指令以致使該知識推薦伺服器:自該電子儲存裝置中之該等知識檔案獲得複數個缺陷斑塊影像;自該複數個缺陷斑塊影像提取特徵參數且正規化該等特徵參數;基於該等經正規化特徵參數而產生複數個加權表示模型,每一加權表示模型表示一缺陷類型;及將該等加權表示模型儲存於電子儲存裝置中。
14.如條項13之缺陷檢測系統,其中對知識推薦之該請求包括在最新獲取之檢測影像中識別到之複數個缺陷之特徵參數,且比較在該檢測影像中識別到之該複數個缺陷之該等特徵參數與該電子儲存裝置中之該等知識檔案中之該等特徵參數;及搜尋一知識檔案,其具有匹配在該最新獲取之檢測影像中識別到之該複數個缺陷之特徵參數的特徵參數。
15.如條項12至14中任一項之缺陷檢測系統,其中每一知識檔案包括在同一晶圓過程層中且在同一檢測條件下由一檢測工具產生之不同類型之缺陷的複數個缺陷斑塊影像及特徵參數。
16.如條項11至15中任一項之缺陷檢測系統,其中該檢測工具為一電子束檢測工具。
17.如條項11至16中任一項之缺陷檢測系統,其中該缺陷分類伺服器之該處理器經組態以執行一組指令以致使該缺陷分類伺服器:判定自該知識推薦伺服器傳輸之該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
18.如條項11至17中任一項之缺陷檢測系統,其中該缺陷分類伺服器之該處理器經組態以執行一組指令以致使該缺陷分類伺服器:回應於知識推薦結果不包括一知識檔案之一判定,提示一使用者基於該檢測影像而建構一知識檔案。
19.如條項11至17中任一項之缺陷檢測系統,其中該缺陷分類伺服器之該處理器經組態以執行一組指令以致使該缺陷分類伺服器:在對該檢測影像執行自動缺陷分類之後,提示一使用者檢測該自動缺陷分類之一結果。
20.如條項19之缺陷檢測系統,其中該缺陷分類伺服器之該處理器經組態以執行一組指令以致使該缺陷分類伺服器:回應於自該使用者接收到指示該自動缺陷分類之該結果不準確且包含一經校正缺陷分類結果的一輸入,將該經校正缺陷分類結果傳輸至該知識推薦伺服器,其中該知識推薦伺服器之該處理器經組態以執行一組指令以致使該知識推薦伺服器根據該經校正缺陷分類結果而更新該電子儲存裝置中之該
等知識檔案。
21.一種用於知識推薦之方法,其包含:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋一電子儲存裝置中匹配該檢測影像之一知識檔案,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器。
22.如條項21之方法,其進一步包含:自該複數個知識檔案獲得複數個缺陷斑塊影像;自該複數個缺陷斑塊影像提取特徵參數且正規化該等特徵參數;基於該等經正規化特徵參數而產生複數個加權表示模型,每一加權表示模型表示一缺陷類型;及將該等加權表示模型儲存於該電子儲存裝置中。
23.如條項21之方法,其中對知識推薦之該請求包括在該檢測影像中識別到之複數個缺陷之特徵參數,且搜尋一知識檔案進一步包含:比較在該檢測影像中識別到之該複數個缺陷之該等特徵參數與該電子儲存裝置中之該等知識檔案中之該等特徵參數;及搜尋一知識檔案,其具有匹配在最新獲取之檢測影像中識別到之該複數個缺陷之該等特徵參數的特徵參數。
24.如條項21至23中任一項之方法,其中每一知識檔案包括在同一晶圓過程層中且在同一檢測條件下由一檢測工具產生之不同類型之缺陷的複數個缺陷斑塊影像及特徵參數。
25.如條項21至24中任一項之方法,其中該等缺陷斑塊影像係由一電子束檢測工具產生。
26.一種用於缺陷分類之方法,其包含:自一檢測工具接收一晶圓之一檢測影像;向一知識推薦伺服器發送對知識推薦之一請求;自該知識推薦伺服器接收一知識推薦結果;判定該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
27.如條項26之方法,其進一步包含:回應於知識推薦結果不包括一知識檔案之一判定,提示一使用者基於該檢測影像而建構一知識檔案。
28.如條項26之方法,其進一步包含:在對該檢測影像執行該自動缺陷分類之後,提示一使用者檢測該自動缺陷分類之一結果。
29.如條項28之方法,其進一步包含:回應於自該使用者接收到指示該自動缺陷分類之該結果不準確且包含一經校正缺陷分類結果的一輸入,將該經校正缺陷分類結果傳輸至該知識推薦伺服器,其中該知識推薦伺服器基於該經校正缺陷分類結果而更新該等知識檔案。
30.如條項26至29中任一項之方法,其中該檢測工具為一電子束檢測工具。
31.一種用於缺陷檢測之方法,其包含:由一缺陷分類伺服器自一檢測工具接收晶圓之一檢測影像;由該缺陷分類伺服器將對用於檢測該檢測影像之知識推薦的一請求發送至一知識推薦伺服器;回應於自知識推薦伺服器接收到對知識推薦之該請求,由該知識推薦伺服器搜尋匹配檢測影像之一知識檔案;由該知識推薦伺服器將一知識推薦結果傳輸至該缺陷分類伺服器;由該缺陷分類伺服器判定自該知識推薦伺服器傳輸之該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,由該缺陷分類伺服器藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
32.一種非暫時性電腦可讀媒體,其儲存一組指令,該組指令可由一知識推薦伺服器之至少一個處理器執行以致使該知識推薦伺服器執行一方法,該方法包含:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋一電子儲存裝置中匹配該檢測影像之一知識檔案,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器。
33.如條項32之非暫時性電腦可讀媒體,其中該方法進一步包含:自該複數個知識檔案獲得複數個缺陷斑塊影像;自該複數個缺陷斑塊影像提取特徵參數且正規化該等特徵參數;基於該等經正規化特徵參數而產生複數個加權表示模型,每一加權
表示模型表示一缺陷類型;及將該等加權表示模型儲存於該電子儲存裝置中。
34.如條項32之非暫時性電腦可讀媒體,其中對知識推薦之該請求包括包括在該檢測影像中識別到之複數個缺陷之特徵參數,且該方法進一步包含:比較在該檢測影像中識別到之該複數個缺陷之該等特徵參數與該電子儲存裝置中之該等知識檔案中之該等特徵參數;及搜尋一知識檔案,其具有匹配在最新獲取之檢測影像中識別到之該複數個缺陷之該等特徵參數的特徵參數。
35.如條項32至34中任一項之非暫時性電腦可讀媒體,其中每一知識檔案包括在同一晶圓過程層中且在同一檢測條件下由一檢測工具產生之不同類型之缺陷的複數個缺陷斑塊影像及特徵參數。
36.如條項32至35中任一項之非暫時性電腦可讀媒體,其中該等缺陷斑塊影像係由一電子束檢測工具產生。
37.一種非暫時性電腦可讀媒體,其儲存一組指令,該組指令可由一缺陷分類伺服器之至少一個處理器執行以致使該缺陷分類伺服器執行一方法,該方法包含:自一檢測工具接收一晶圓之一檢測影像;向一知識推薦伺服器發送對知識推薦之一請求;自該知識推薦伺服器接收一知識推薦結果;判定該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
38.如條項37之非暫時性電腦可讀媒體,其中該方法進一步包含:回應於知識推薦結果不包括一知識檔案之一判定,提示一使用者基於該檢測影像而建構一知識檔案。
39.如條項37之非暫時性電腦可讀媒體,其中該方法進一步包含:在對該檢測影像執行該自動缺陷分類之後,提示一使用者檢測該自動缺陷分類之一結果。
40.如條項39之非暫時性電腦可讀媒體,其中該方法進一步包含:回應於自該使用者接收到指示該自動缺陷分類之該結果不準確且包含一經校正缺陷分類結果的一輸入,將該經校正缺陷分類結果傳輸至該知識推薦伺服器,其中該知識推薦伺服器基於該經校正缺陷分類結果而更新該等知識檔案。
41.如條項37至40中任一項之非暫時性電腦可讀媒體,其中該檢測工具為一電子束檢測工具。
如本文中所使用之術語「非暫時性媒體」係指儲存致使機器以特定方式操作之資料及/或指令的任何非暫時性媒體。此類非暫時性媒體可包含非揮發性媒體及/或揮發性媒體。非揮發性媒體可包括例如光碟或磁碟,諸如儲存裝置810。揮發性媒體可包括動態記憶體,諸如主記憶體806。非暫時性媒體包括例如軟碟、軟性磁碟、硬碟、固態磁碟機、磁帶或任何其他磁性資料儲存媒體、CD-ROM、任何其他光學資料儲存媒體、圖案具有孔之任何實體媒體、RAM、PROM及EPROM、FLASH-EPROM、NVRAM、快閃記憶體、暫存器、快取記憶體、任何其他記憶體晶片或卡匣,以及其網路化版本。
非暫時性媒體不同於傳輸媒體,但可結合傳輸媒體使用。傳輸媒體可參與在儲存媒體之間傳送資訊。舉例而言,傳輸媒體可包括同軸電纜、銅線及光纖,包括包含匯流排802之導線。傳輸媒體亦可呈聲波或光波形式,諸如在無線電波及紅外資料通信期間產生之聲波或光波。
各種形式之媒體可涉及將一或多個指令之一或多個序列攜載至處理器804以供執行。舉例而言,該等指令起初可攜載於遠端電腦之磁碟或固態磁碟機上。遠端電腦可將指令載入至其動態記憶體中,且使用數據機經由電話線而發送指令。在電腦系統800本端之數據機可接收電話線上之資料,且使用紅外傳輸器以將資料轉換成紅外信號。紅外偵測器可接收紅外信號中攜載之資料,且適合的電路系統可將資料置於匯流排802上。匯流排802將資料攜載至主記憶體806,處理器804自該主記憶體擷取及執行該等指令。由主記憶體806接收之指令可視情況在由處理器804執行之前或之後儲存於儲存裝置810上。
電腦系統800亦可包括耦接至匯流排802之通信介面818。通信介面818(例如,圖3之缺陷分類伺服器320之通信介面322,或知識推薦伺服器330之任何通信介面(未圖示))可提供耦接至網路鏈路820之雙向資料通信,網路鏈路820可連接至區域網路822。舉例而言,通信介面818可為整合服務數位網路(ISDN)卡、電纜數據機、衛星數據機或用以將資料通信連接提供至對應類型之電話線的數據機。作為另一實例,通信介面818可為區域網路(LAN)卡以提供至相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施方案中,通信介面818可發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光學信號。
網路鏈路820可通常經由一或多個網路將資料通信提供至其他資料裝
置。舉例而言,網路鏈路820可經由區域網路822向主機電腦824或向由網際網路服務提供者(ISP)826操作之資料設備提供連接。ISP 826又可經由全球封包資料通信網路(現通常被稱作「網際網路」828)提供資料通信服務。區域網路822及網際網路828皆使用攜載數位資料串流之電信號、電磁信號或光學信號。經由各種網路之信號及網路鏈路820上且經由通信介面818之信號可為實例形式之傳輸媒體,該等信號將數位資料攜載至電腦系統800及自電腦系統800攜載數位資料。
電腦系統800可經由網路、網路鏈路820及通信介面818發送訊息且接收包含程式碼之資料。在網際網路實例中,伺服器830可經由網際網路828、ISP 826、區域網路822及通信介面818傳輸應用程式之經請求碼。
經接收碼可在其被接收時由處理器804執行,及/或儲存於儲存裝置810或其他非揮發性儲存器中以供稍後執行。在一些實施例中,伺服器830可提供資訊以供顯示於顯示器上。
根據上述所揭示實施例,缺陷檢測系統包括知識推薦伺服器,其可將經推薦知識檔案提供至可藉由使用知識檔案對缺陷進行分類之缺陷分類伺服器。相比於使用者需要在視覺上分析最新獲取之晶圓檢測影像且花費大量時間搜尋用於缺陷分類之知識檔案的典型缺陷檢測系統,所揭示實施例之缺陷檢測系統可在即時情境中(亦即,一旦在無使用者干預之情況下產生晶圓檢測影像)執行整個缺陷檢測過程。因此,提高了缺陷檢測過程之產出率。
另外,典型缺陷檢測系統依賴於使用者經驗而選擇用於缺陷分類之知識檔案,此可能產生不準確的缺陷分類結果。相比之下,所揭示實施例之知識推薦系統基於自缺陷斑塊影像提取之缺陷特徵參數而搜尋知識檔
案,此可產生較準確結果。
雖然已經結合各種實施例描述了本發明,但自本說明書之考量及本文中揭示之本發明之實踐,本發明之其他實施例對於熟習此項技術者將顯而易見。僅希望說明書及實例被視為例示性的,其中本發明之真正範疇及精神藉由以下申請專利範圍指示。
300:缺陷檢測系統
310:晶圓檢測系統
320:自動缺陷分類(ADC)伺服器
322:通信介面
324:處理器
330:知識推薦伺服器
332:處理器
334:儲存裝置
Claims (12)
- 一種用於缺陷檢測(review)之知識推薦伺服器,其包含:一處理器,其電子耦接至一電子儲存裝置,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案(knowledge files),該處理器經組態以執行一組指令以致使該伺服器:自一缺陷分類伺服器接收對用於檢測一檢測影像(inspection image)之知識推薦的一請求;搜尋該電子儲存裝置中匹配該檢測影像之一知識檔案;及將搜尋結果傳輸至該缺陷分類伺服器,使得該缺陷分類伺服器執行自動缺陷分類或建構(builds)一知識檔案,其中每一知識檔案包括在同一晶圓過程(process)層中且在同一檢測條件下由一檢測工具產生之不同類型之缺陷的複數個缺陷斑塊影像及特徵參數。
- 如請求項1之伺服器,其中該處理器經組態以執行該組指令以致使該伺服器:自該電子儲存裝置中之該等知識檔案獲得複數個缺陷斑塊影像;自該複數個缺陷斑塊影像提取特徵參數且正規化該等特徵參數;基於該等經正規化特徵參數而產生複數個加權表示模型,每一加權表示模型表示一缺陷類型;及將該等加權表示模型儲存於該電子儲存裝置中。
- 如請求項1之伺服器,其中對知識推薦之該請求包括在該檢測影像中 識別到之複數個缺陷之特徵參數,且在搜尋匹配該檢測影像之一知識檔案時,該處理器經組態以執行該組指令以致使該伺服器:比較在該檢測影像中識別到之該複數個缺陷之該等特徵參數與該電子儲存裝置中之該等知識檔案中之該等特徵參數;及搜尋一知識檔案,其具有匹配在最新獲取之檢測影像中識別到之該複數個缺陷之該等特徵參數的特徵參數。
- 如請求項2之伺服器,其中該等缺陷斑塊影像係由一電子束檢測工具產生。
- 一種用於缺陷分類之伺服器,其包含:一處理器,其經組態以執行一組指令以致使該伺服器:自一檢測工具接收一晶圓之一檢測影像;向一知識推薦伺服器發送對知識推薦之一請求;自該知識推薦伺服器接收一知識推薦結果;判定該知識推薦結果是否包括一知識檔案;及回應於知識推薦結果包括一知識檔案之一判定,藉由使用該知識檔案來對該檢測影像執行自動缺陷分類。
- 如請求項5之伺服器,其中該處理器經組態以執行一組指令以致使該伺服器:回應於知識推薦結果不包括一知識檔案之一判定,提示一使用者基 於該檢測影像而建構一知識檔案。
- 如請求項5之伺服器,其中該處理器經組態以執行一組指令以致使該伺服器:在對該檢測影像之該自動缺陷分類之執行之後,提示一使用者檢測該自動缺陷分類之一結果,及/或其中該處理器經組態以執行一組指令以致使該伺服器:回應於自該使用者接收到指示該自動缺陷分類之該結果不準確且包括一經校正缺陷分類結果的一輸入,將該經校正缺陷分類結果傳輸至該知識推薦伺服器,其中該知識推薦伺服器基於該經校正缺陷分類結果而更新該等知識檔案。
- 如請求項5之伺服器,其中該檢測工具為一電子束檢測工具。
- 一種用於知識推薦之方法,其包含:自一缺陷分類伺服器接收對用於檢測一檢測影像之知識推薦的一請求;搜尋一電子儲存裝置中匹配該檢測影像之一知識檔案,該電子儲存裝置儲存與晶圓缺陷有關之複數個知識檔案;自該複數個知識檔案獲得複數個缺陷斑塊影像,其中該等缺陷斑塊影像係由一電子束檢測工具產生;及將搜尋結果傳輸至該缺陷分類伺服器,使得該缺陷分類伺服器執行 自動缺陷分類或建構一知識檔案。
- 如請求項9之方法,其進一步包含:自該複數個缺陷斑塊影像提取特徵參數且正規化該等特徵參數;基於該等經正規化特徵參數而產生複數個加權表示模型,每一加權表示模型表示一缺陷類型;及將該等加權表示模型儲存於該電子儲存裝置中。
- 如請求項9之方法,其中對知識推薦之該請求包括在該檢測影像中識別到之複數個缺陷之特徵參數,且該搜尋一知識檔案進一步包含:比較在該檢測影像中識別到之該複數個缺陷之該等特徵參數與該電子儲存裝置中之該等知識檔案中之該等特徵參數;以及搜尋一知識檔案,其具有匹配在最新獲取之檢測影像中識別到之該複數個缺陷之該等特徵參數的特徵參數。
- 如請求項9之方法,其中每一知識檔案包括在同一晶圓過程層中且在同一檢測條件下由一檢測工具產生之不同類型之缺陷的複數個缺陷斑塊影像及特徵參數。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762447565P | 2017-01-18 | 2017-01-18 | |
US62/447,565 | 2017-01-18 | ||
US201762612593P | 2017-12-31 | 2017-12-31 | |
US62/612,593 | 2017-12-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201841276A TW201841276A (zh) | 2018-11-16 |
TWI709182B true TWI709182B (zh) | 2020-11-01 |
Family
ID=60997492
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107101853A TWI709182B (zh) | 2017-01-18 | 2018-01-18 | 用於知識推薦及缺陷分類之伺服器及其方法 |
TW109134090A TWI793455B (zh) | 2017-01-18 | 2018-01-18 | 用於知識推薦及缺陷分類之伺服器及其方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109134090A TWI793455B (zh) | 2017-01-18 | 2018-01-18 | 用於知識推薦及缺陷分類之伺服器及其方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11650576B2 (zh) |
KR (2) | KR102468184B1 (zh) |
CN (1) | CN110998463B (zh) |
TW (2) | TWI709182B (zh) |
WO (1) | WO2018134158A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11256967B2 (en) * | 2020-01-27 | 2022-02-22 | Kla Corporation | Characterization system and method with guided defect discovery |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002029392A2 (en) * | 2000-10-02 | 2002-04-11 | Applied Materials, Inc. | Defect source identifier |
WO2002029391A2 (en) * | 2000-10-02 | 2002-04-11 | Applied Materials, Inc. | Defect knowledge library |
US6701259B2 (en) * | 2000-10-02 | 2004-03-02 | Applied Materials, Inc. | Defect source identifier |
TWI240322B (en) * | 2000-10-02 | 2005-09-21 | Applied Materials Inc | Method and apparatus for communicating images, data, or other information in a defect source identifier |
US9471594B1 (en) * | 2013-09-30 | 2016-10-18 | Emc Corporation | Defect remediation within a system |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6763130B1 (en) * | 1999-07-21 | 2004-07-13 | Applied Materials, Inc. | Real time defect source identification |
US6999614B1 (en) * | 1999-11-29 | 2006-02-14 | Kla-Tencor Corporation | Power assisted automatic supervised classifier creation tool for semiconductor defects |
JP2001168160A (ja) * | 1999-12-07 | 2001-06-22 | Sony Corp | 半導体ウェハの検査システム |
CN101246834A (zh) * | 2000-10-02 | 2008-08-20 | 应用材料有限公司 | 缺陷知识库 |
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 |
CN1650296A (zh) * | 2002-02-28 | 2005-08-03 | Pdf技术公司 | 线复制测试设备的后端 |
CN103439346B (zh) * | 2004-10-12 | 2017-10-20 | 恪纳腾技术公司 | 用于分类样品上的缺陷的计算机实现的方法和系统 |
US7729529B2 (en) * | 2004-12-07 | 2010-06-01 | Kla-Tencor Technologies Corp. | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle |
JP2007024737A (ja) * | 2005-07-20 | 2007-02-01 | Hitachi High-Technologies Corp | 半導体の欠陥検査装置及びその方法 |
TW200811978A (en) * | 2006-05-07 | 2008-03-01 | Applied Materials Inc | Ranged fault signatures for fault diagnosis |
KR100881536B1 (ko) * | 2007-08-06 | 2009-02-05 | 주식회사 하이닉스반도체 | 블럭 디코더 및 이를 포함하는 반도체 메모리 소자 |
WO2009152046A1 (en) * | 2008-06-11 | 2009-12-17 | Kla-Tencor Corporation | Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof |
TWI508282B (zh) * | 2008-08-08 | 2015-11-11 | Semiconductor Energy Lab | 半導體裝置及其製造方法 |
US8150140B2 (en) * | 2008-12-22 | 2012-04-03 | Ngr Inc. | System and method for a semiconductor lithographic process control using statistical information in defect identification |
SG164292A1 (en) * | 2009-01-13 | 2010-09-29 | Semiconductor Technologies & Instruments Pte | System and method for inspecting a wafer |
US8914471B2 (en) * | 2010-05-28 | 2014-12-16 | Qualcomm Incorporated | File delivery over a broadcast network using file system abstraction, broadcast schedule messages and selective reception |
JP2012083147A (ja) * | 2010-10-08 | 2012-04-26 | Hitachi High-Technologies Corp | 欠陥分類システム及び欠陥分類装置及び画像撮像装置 |
US10289657B2 (en) * | 2011-09-25 | 2019-05-14 | 9224-5489 Quebec Inc. | Method of retrieving information elements on an undisplayed portion of an axis of information elements |
JP6080379B2 (ja) * | 2012-04-23 | 2017-02-15 | 株式会社日立ハイテクノロジーズ | 半導体欠陥分類装置及び半導体欠陥分類装置用のプログラム |
US10192303B2 (en) * | 2012-11-12 | 2019-01-29 | Kla Tencor Corporation | Method and system for mixed mode wafer inspection |
US9272421B2 (en) * | 2013-01-07 | 2016-03-01 | Milos Misha Subotincic | Visually controlled end effector |
WO2014149197A1 (en) * | 2013-02-01 | 2014-09-25 | Kla-Tencor Corporation | Detecting defects on a wafer using defect-specific and multi-channel information |
CN103344660B (zh) * | 2013-06-27 | 2015-07-08 | 上海华力微电子有限公司 | 一种按照电路图形进行缺陷检测的电子显微镜分析方法 |
US10114368B2 (en) * | 2013-07-22 | 2018-10-30 | Applied Materials Israel Ltd. | Closed-loop automatic defect inspection and classification |
US9347862B2 (en) * | 2013-08-06 | 2016-05-24 | Kla-Tencor Corp. | Setting up a wafer inspection process using programmed defects |
CN105334216A (zh) * | 2014-06-10 | 2016-02-17 | 通用电气公司 | 用于自动部件检查的方法与系统 |
US9859138B2 (en) * | 2014-10-20 | 2018-01-02 | Lam Research Corporation | Integrated substrate defect detection using precision coating |
US10312161B2 (en) * | 2015-03-23 | 2019-06-04 | Applied Materials Israel Ltd. | Process window analysis |
CN104914111B (zh) * | 2015-05-18 | 2018-08-03 | 北京华检智研软件技术有限责任公司 | 一种带钢表面缺陷在线智能识别检测系统及其检测方法 |
CN106290378B (zh) | 2016-08-23 | 2019-03-19 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和缺陷检查系统 |
KR102334698B1 (ko) * | 2017-01-18 | 2021-12-06 | 에이에스엠엘 네델란즈 비.브이. | 캐스케이드 결함 검사 |
-
2018
- 2018-01-15 KR KR1020227002808A patent/KR102468184B1/ko active IP Right Grant
- 2018-01-15 CN CN201880007391.6A patent/CN110998463B/zh active Active
- 2018-01-15 US US16/479,199 patent/US11650576B2/en active Active
- 2018-01-15 WO PCT/EP2018/050903 patent/WO2018134158A1/en active Application Filing
- 2018-01-15 KR KR1020197024055A patent/KR102357310B1/ko active IP Right Grant
- 2018-01-18 TW TW107101853A patent/TWI709182B/zh active
- 2018-01-18 TW TW109134090A patent/TWI793455B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002029392A2 (en) * | 2000-10-02 | 2002-04-11 | Applied Materials, Inc. | Defect source identifier |
WO2002029391A2 (en) * | 2000-10-02 | 2002-04-11 | Applied Materials, Inc. | Defect knowledge library |
US6701259B2 (en) * | 2000-10-02 | 2004-03-02 | Applied Materials, Inc. | Defect source identifier |
US6744266B2 (en) * | 2000-10-02 | 2004-06-01 | Applied Materials, Inc. | Defect knowledge library |
TWI240322B (en) * | 2000-10-02 | 2005-09-21 | Applied Materials Inc | Method and apparatus for communicating images, data, or other information in a defect source identifier |
TWI256468B (en) * | 2000-10-02 | 2006-06-11 | Applied Materials Inc | Defect source identifier |
US9471594B1 (en) * | 2013-09-30 | 2016-10-18 | Emc Corporation | Defect remediation within a system |
Non-Patent Citations (1)
Title |
---|
)A2;)A2 * |
Also Published As
Publication number | Publication date |
---|---|
KR102468184B1 (ko) | 2022-11-17 |
KR20220019063A (ko) | 2022-02-15 |
WO2018134158A1 (en) | 2018-07-26 |
CN110998463A (zh) | 2020-04-10 |
KR102357310B1 (ko) | 2022-01-28 |
TW201841276A (zh) | 2018-11-16 |
CN110998463B (zh) | 2023-08-25 |
US11650576B2 (en) | 2023-05-16 |
TWI793455B (zh) | 2023-02-21 |
KR20190103407A (ko) | 2019-09-04 |
TW202117883A (zh) | 2021-05-01 |
US20190362488A1 (en) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI660249B (zh) | 缺陷圖案分組方法及系統 | |
TWI688761B (zh) | 缺陷顯示方法 | |
TWI767826B (zh) | 用於缺陷檢測及再檢測的方法及系統 | |
TWI784018B (zh) | 用於使用半導體製造程序中之深度學習預測缺陷及臨界尺寸之系統及方法 | |
TW201825883A (zh) | 最佳化使用於設定檢查相關演算法之訓練組 | |
US11842420B2 (en) | Method and apparatus for adaptive alignment | |
TWI709182B (zh) | 用於知識推薦及缺陷分類之伺服器及其方法 | |
TW201830334A (zh) | 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法 | |
TWI823174B (zh) | 非暫時性電腦可讀媒體及使用機器學習模型識別位置之設備 | |
JP2000323541A (ja) | 被検査物の外観検査方法及び装置 | |
TWI845876B (zh) | 電子束檢測設備、用於對準一晶圓影像與一參考影像之方法及相關之非暫時性電腦可讀媒體 | |
TWI845656B (zh) | 檢測及再檢測半導體晶圓之系統及方法,以及非暫時性電腦可讀儲存媒體 | |
JP2004363223A (ja) | 欠陥検査装置、欠陥検査システム、欠陥検査方法および欠陥検査プログラム | |
JP2012137466A (ja) | 半導体装置の不良解析方法 |