TWI725534B - 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選 - Google Patents

在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選 Download PDF

Info

Publication number
TWI725534B
TWI725534B TW108131796A TW108131796A TWI725534B TW I725534 B TWI725534 B TW I725534B TW 108131796 A TW108131796 A TW 108131796A TW 108131796 A TW108131796 A TW 108131796A TW I725534 B TWI725534 B TW I725534B
Authority
TW
Taiwan
Prior art keywords
data
defect
defect data
machine learning
candidate
Prior art date
Application number
TW108131796A
Other languages
English (en)
Other versions
TW201947433A (zh
Inventor
志誠 林
少特 莊
Original Assignee
美商應用材料股份有限公司
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 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW201947433A publication Critical patent/TW201947433A/zh
Application granted granted Critical
Publication of TWI725534B publication Critical patent/TWI725534B/zh

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • G05B2219/32199—If number of errors grow, augment sampling rate for testing
    • 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
    • G05B2219/32205—Use model error adapted to type of workpiece
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一種利用適應性機器學習進行自動缺陷篩選的系統，包括了一適應性模型控制器、一缺陷/干擾點檔案庫以及用於執行資料模型化分析的一模組。其中的適應性模型控制器具有一前饋路徑以及一反饋路徑，前饋路徑接收晶圓檢測中取得的複數個候選缺陷，反饋路徑接收晶圓檢測後由一個以上的已知缺陷篩選模型篩選後的感興趣缺陷。適應性模型控制器從所接收的資料中選擇資料樣本、與掃描電子顯微鏡（SEM）介接以取得用於驗證各個資料樣本為真實缺陷或干擾點的對應的SEM結果，並且編整模型訓練與驗證資料。用於執行資料模型化分析的模組係由適應性模型控制器適應地控制，藉此根據一目標規格利用模型訓練與驗證資料產生並驗證一個以上的更新缺陷篩選模型。

Description

在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選
本發明是關於半導體元件的製造；特別是關於製造半導體元件的製造流程中的自動缺陷篩選。
以下說明及範例不因其被包括在此部分中而被認定為先前技術。
半導體元件的製造，是藉由將多層電路圖案製作於晶圓上，以形成具有大量集成之電晶體的一複雜電路。在半導體元件的製造流程中，微影製程是負責將電路設計人員創造的電路圖案轉移到晶圓上的製程。
具有基於電路圖案之不透光及透光圖案的光罩/光盤是用於在晶圓上將元件層圖案化。光罩上鄰近圖案的效應、光學繞射、光阻發展與蝕刻、對晶圓的鄰近圖層所進行的化學機器式研磨（chemical-mechanical polishing，CMP），以及圖案與製造在晶圓上的鄰近圖層之間的幾何與層疊關係都可能會造成元件層圖案的變形。隨著積體電路的元件密度的增加，積體電路的圖案與佈局之複雜度也隨之增加，此外，由圖案變形所產生的系統缺陷，或者因製程的變數而產生的隨機缺陷或汙染，皆會進一步導致製造在晶圓上的元件之故障。
在製造半導體元件的生產流程中，於不同圖層上進行晶圓檢測屬於常規的流程。其中，具有一小時內能完成一個以上的完整晶圓之產出量的光學檢測，是晶圓檢測領域中的主力。在一般的晶圓檢測過程中，缺陷連同干擾點一起被偵測到，這些干擾點可能是誤警（false alarm）或不感興趣的缺陷。隨著設計規則的縮小，許多關鍵缺陷的足寸也變得更小，而相較於雜訊的訊號以及正常製程的變數來說，缺陷的訊號也變得更弱。因此，在先進技術的節點中，通常在能偵測到小數量的關鍵感興趣缺陷之前，會先得到大量的干擾點回報。對於半導體元件的製造商而言，要能夠在製造過程中的加速與量產期間辨識出關鍵缺陷，實為一大考驗。
在光學檢測工具中，較先進的檢測配方會提供干擾點的過濾技術，藉此協助減少干擾點的數量。為了能利用干擾點的過濾技術，使用者必須利用各種缺陷分析工具或者掃描電子顯微鏡（Scanning Electron Microscope，SEM）工作站仔細分析與審閱從一個以上的晶圓所蒐集到的檢測結果，藉此將各個候選缺陷標示為真實缺陷或干擾點。經標記的真實缺陷與干擾點被用來產生一干擾點過濾器。上述的檢測工具的先進配方可以利用該干擾點過濾器來濾除干擾點。
隨著元件的技術改良到20 nm以下，為了能保留關鍵的感興趣缺陷，即使在應用干擾點過濾技術之後，在晶圓檢測過程中偵測到的干擾點數量通常仍然代表了由光學檢測工具回報的缺陷中90%以上的數量。干擾點過濾技術的效能沒有辦法達到有效地過濾干擾點的理想結果，主要有以下幾個原因。
其中一個原因在於，實際上不可能從少量的檢測晶圓中蒐集足夠用於產生干擾點過濾器的關鍵缺陷種類。另一原因在於，為檢測所蒐集的局部光學影像不能看清楚電路的圖案，其僅能提供關於先進技術節點的非常有限的資訊。此外，為了達到配合晶圓的高速生產，檢測工具所需要處理的大量資料，也會對檢測過程中使用的干擾點過濾器的可負擔計算的複雜度造成限制。再者，製程容許範圍中的持續變化也會改變干擾點的表現，並且會引發新的缺陷種類，使得干擾點過濾器變得過時並且無法有效發揮作用。因此，為了不錯失關鍵的感興趣缺陷，檢測工具仍然需要輸出大量的干擾點。
因此，在加速製造期間，必須投入大量的工程師與操作人員來透過SEM審閱工具以肉眼審閱檢測結果，藉此將關鍵的感興趣缺陷篩選出來供後續診斷，進而改善製造過程的產量。在量產期間，假設大部分的關鍵缺陷都已經在加速製造期間被排除，通常會採樣少量的缺陷進行SEM審閱以控制製造過程。結果，半導體元件的製造有很大的風險會在所製造的半導體元件產量受到嚴重影響後才發現未知的關鍵缺陷。
本發明的目的在於克服半導體元件的製造過程中，與晶圓檢測的關鍵缺陷篩選相關的前述的缺點以及挑戰。據此，本發明係提供了一種系統與方法，其係利用適應性機器學習在半導體元件的製造流程中進行自動缺陷篩選。
根據本發明之適應性機器學習的系統包括一適應性模型控制器、一缺陷/干擾點檔案庫以及用於執行資料模型化分析的一模組。其中的適應性模型控制器係從半導體元件製造流程的前饋路徑與反饋路徑中接收資料、與SEM審閱/檢測介接、更新缺陷/干擾點檔案庫、編整模型訓練資料以及模型驗證資料，並且將該些資料傳送以執行資料模型化分析。
適應性模型控制器包括一缺陷採樣器、一SEM介面以及一訓練資料與模型管理器。缺陷採樣器從前饋路徑接收晶圓檢測中的複數個候選缺陷，並且從反饋路徑中接收在晶圓檢測後，已經由一個以上的已知缺陷篩選模型篩選所得出的感興趣缺陷。
缺陷採樣器乃將包含採樣的候選缺陷與感興趣缺陷的資料樣本傳送至與SEM審閱/檢測進行通訊的SEM介面，藉此取得對應於該些資料樣本的SEM結果。每一個資料樣本經過驗證，並且在對應SEM結果中被標示為真實缺陷或干擾點。
訓練資料與模型管理器係接收所述的資料樣本以及對應SEM結果、建立並更新一缺陷/干擾點檔案庫，並且為資料模型化分析編整模型訓練資料與模型驗證資料，藉此產生作為自動缺陷篩選的缺陷篩選模型的資料模型。在自動缺陷篩選的初始階段中，系統像執行適應性機器學習的數個連續巡迴，藉此基於一目標規格建立一個以上的缺陷篩選模型。缺陷採樣器持續接收前饋與反饋資料，以供訓練資料與模型控制器控制透過資料模型化分析更新缺陷篩選模型的時機。
本發明進一步提供一關鍵特徵檔案庫，其與資料模型化分析介接以執行關鍵特徵分析，並且為自動缺陷篩選產生關鍵特徵模型。關鍵特徵檔案庫包括複數個關鍵特徵資料庫。每一個關鍵特徵資料庫中儲存了多數量的關鍵電路圖案、相關聯的設計剪輯、缺陷特徵、局部光學影像、SEM影像以及對應的關鍵特徵模型。
圖l顯示了根據本發明在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選的實施例。參照圖1，晶圓檢測101在半導體元件的製造中是執行識別候選缺陷102的常規流程。在線上（inline）晶圓檢測過程中，檢測的區域通常會涵蓋整個晶圓，或者涵蓋整個晶圓的一大部分。雖然進行晶圓檢測時，利用所製造的半導體元件的設計資料是選擇性的，但為了讓晶圓檢測能達到更高的敏感度以及讓檢測區域更為準確，在晶圓檢測時提供設計資料的情況越來越多。
晶粒對晶粒（die-to-die）光學檢測是最為廣泛使用的晶圓檢測方法。該方法係透過掃描得到晶粒的高解析度光學影像，並將該些影像進行比較以偵測缺陷。在先進的技術節點中，由於光學檢測的快速處理量可以達到一個小時完成一個以上的晶圓的速度，使用的光學檢測工具通常具有30~50 nm之數量級的檢測像素尺寸。電子束檢測工具可以提供較高敏感度的熱點（hot spot）檢測。然而，對於線上的完整晶圓檢測來說，電子束檢測工具所能達到的處理量太低。
晶圓檢測的輸出結果為候選缺陷102的一清單。清單中會記錄每一個候選缺陷的座標、定界框、尺寸以及其他檢測工具從光學影像中判定與擷取的特徵。如同先前所述，隨著半導體元件的設計規則縮小，晶圓檢測結果中通常會包含大量的候選缺陷102。在先進技術節點中，候選缺陷102中超過百分之90屬於干擾點或誤警的檢測結果的情形不算少見。對於半導體元件的製造商來說，困難的地方在於如何在加速製造的過程或執行量產的常規監控過程中，從大量的候選缺陷中篩選出真正的感興趣缺陷，並且進一步診斷出限制產量的關鍵問題所在。
如同上文中所述，雖然可以在先進的檢測配方中提供干擾點過濾器來協助減少干擾點，但候選缺陷102的數量對於在加速製造過程中進行診斷來說還是過於龐大，且不能有效地線上監控。如圖l所示，本發明係提供一種方法以供自動缺陷篩選105，該方法根據適應性機器學習104篩選出感興趣缺陷106，並且與SEM 審閱/檢測103介接以取得用於驗證真實缺陷與干擾點的SEM結果。如果可以取得設計資料，則可以從設計資料中剪出候選缺陷的識別缺陷區域的設計剪輯以進行適應性機器學習。
電子束技術中最近的進步，展現了可以透過小至1 nm的影像像素尺寸來執行SEM審閱/檢測。雖然SEM審閱/檢測的處理量對於完整的晶圓檢測來說過慢，但透過如此高解析度影像與先進演算法的配合，SEM審閱/檢測可以以95%的準確率來驗證候選缺陷為真實缺陷或干擾點。
如圖l所示，為了執行本發明的適應性機器學習104，本發明中設置了前饋路徑與反饋路徑來接收候選缺陷與感興趣缺陷，藉此透過SEM審閱/檢測驗證真實缺陷。為了讓機器學習技術以適應性的方式訓練並且為自動缺陷篩選更新資料模型，篩選前的候選缺陷是被向前饋送，而篩選後的感興趣缺陷則是被反饋。
透過將採樣的候選缺陷之晶粒對晶粒的SEM影像進行比較的晶粒對晶粒的SEM檢測，可以取得準確的SEM結果。根據觀察的結果，基於高解析度SEM影像，可以輕易地識別出在光學檢測中偵測到之因為表面粗糙度或圖層厚度變化造成的干擾效果所產生的許多干擾點。此外，也可以透過執行藉由將SEM影像與對應的設計剪輯做比較所進行的晶粒對資料庫（die-to-database）的SEM檢測，來判斷候選缺陷為真實缺陷或干擾點。可以根據SEM影像與設計剪輯的分析，進一步進行更詳細的分類。
根據本發明，適應性機器學習104中使用了包含從SEM審閱/檢測103取得之經過驗證且標示為真實缺陷或干擾點的SEM結果、由晶圓檢測101所回報的如缺陷特徵與局部光學影像等相關的缺陷資訊，以及從設計資料中剪出的設計剪輯。如圖2所示，適應性機器學習104包括了一缺陷/干擾點檔案庫200以及一適應性模型控制器201，該適應性模型控制器201與缺陷/干擾點檔案庫200介接，以儲存採樣的候選缺陷以及經由SEM審閱/檢測驗證過之選定的感興趣缺陷。
如圖3所示，適應性模型控制器201包括一缺陷採樣器301、一SEM介面302以及一訓練資料與模型管理器303。缺陷採樣器301接收前饋路徑中的候選缺陷的缺陷特徵、局部光學影像與設計剪輯，或者接收反饋路徑中的感興趣缺陷。候選缺陷經過採樣，以使採樣後的候選缺陷數量為SEM審閱/檢測103可以處理的數量。採樣的候選缺陷與感興趣缺陷的位置，以及若有該些缺陷的對應設計剪輯，乃一併被傳送至與SEM審閱/檢測工具通訊的SEM介面302以獲得SEM結果，該些SEM結果對採樣的候選缺陷或感興趣缺陷進行驗證並且標示其為真實缺陷抑或是干擾點。
在前饋路徑中，如果候選缺陷的數量過大，適應性模型控制器201中的缺陷採樣器301可以以稀疏並隨機的方式對候選缺陷102進行採樣。缺陷採樣器301 也可以探用其他的採樣策略，例如，根據為檢測晶圓所建立的檢測區域的重要程度而採樣的策略，或者，根據對應的設計剪輯中的圖案密度而採樣的策略。
舉例來說，如果在檢測過程中有為了關鍵缺陷監控而建立了由光學鄰近校正（Optica1 Proximity Correction，OPC）驗證所預測的熱點，缺陷採樣器301可能需要更頻繁地對預測的熱點中的候選缺陷進行採樣。由於空白區域中的缺陷對所製造的半導體元件來說可能沒有任何影響，因此可以將空白區域中的候選缺陷忽略。然而，在密集電路圖案的區域中的缺陷較容易使得所製造的半導體元件產生故障，因此最好以較高的優先順序對其進行採樣。
根據SEM驗證與標示的結果，訓練資料與模型管理器303係在缺陷/干擾點檔案庫200中儲存並更新經標示的資料樣本，該些經標示的資料樣本包括已被標示為真實缺陷或干擾點的候選缺陷以及感興趣缺陷。值得注意的是，SEM驗證後的缺陷/干擾點檔案庫200必定同時包括真實缺陷與干擾點。訓練資料與模型管理器303進一步將經標示的資料樣本的一部分指定為模型訓練資料202，而將經標示的資料樣本的另一部分指定為模型驗證資料203，並且起始資料模型化分析204的執行以產生一個以上的資料模型，來作為缺陷篩選模型205。
在適應性機器學習104的初始階段期間，本發明可採樣並且累積候選缺陷來建立缺陷/干擾點檔案庫，並且通過幾個連續迭代來進行圖2中所示的資料模型化分析204，直到所產生的缺陷篩選模型205已滿足一模型目標規格為止。
在缺陷篩選模型205的產生過程中建立資料模型化分析204的模型目標規格，以基於模型驗證資料203來驗證所產生的缺陷篩選模型205的效能。舉例來說，可以基於缺陷篩選模型205對模型驗證資料203預測的真實缺陷與干擾點的準確率百分比與純度百分比來建立模型目標規格。
在機器學習的領域中，通常會使用與在訓練資料中採樣的各個資料相關聯的一定數量之特徵來訓練與產生資料模型。圖2中顯示的資料模型化分析204採用類似的原理，並且使用了機器學習領域中可以廣泛取得的演算法。
根據本發明的內容，晶圓檢測所回報的缺陷特徵被包含在訓練與產生缺陷篩選模型205的特徵之中。也會擷取從各個資料樣本的局部光學影像中擷取出來的一些其他影像特徵。影像特徵的範例包括了局部光學影像中的像素的最大、最小或平均的灰階或最大、最小或平均的灰階梯度，或者，局部光學影像的測試像素與參考像素的差異像素的灰階或灰階梯度。此外，本發明像從設計剪輯中擷取出對應於資料樣本的一組特徵。從設計剪輯擷取出來之特徵的範例包括了圖案密度、圖案周長、最小或最大線寬、最小或最大間隔、圖案方位、邊緣數量、角落內或角落外、空間頻率分布...等等。上文所述的這些特徵僅為範例，該領域中具有通常知識者也可以根據特定興趣擷取許多其他的特徵。
在建立有目標規格的情況下，可以利用從模型訓練資料202中的各個資料樣本擷取出的特徵來訓練一資料模型。許多資料模型訓練演算法已經在機器學習的資料分析與資料探勘被廣泛使用。舉例來說，可以取得基於決策樹、線性回歸、非線性回歸、支持向量機（Support Vector Machine，SVM）、K-均值分群法、階級分群法、規則模式、類神經網路...等等的資料模型化演算法。這些資料模型訓練演算法都可以被應用到模型訓練資料202上，藉此建立一資料模型做為用於篩選缺陷之缺陷篩選模型。
在模型訓練資料202的資料模型已被建立成為缺陷篩選模型205之後，該資料模型被應用至模型驗證資料203。針對模型驗證資料203中的各個資料樣本擷取相同的特徵集合。缺陷篩選模型205被用來測試並且預測模型驗證資料203中的各個資料樣本為真實缺陷或干擾點。預測的結果會被用來與資料模型化分析204中的模型驗證資料203的SEM結果作比對，藉以確認是否有滿足目標規格。如果有需要的話，可以透過使用不同的演算法產生多個模型來滿足目標規格。
為了產生穩定且可以使用的缺陷篩選模型205，具有足夠代表性能夠在參數或統計方面提供真實缺陷與干擾點之間的差異性特徵的候選缺陷，必須被饋送至適應性機器學習104中的資料模型化分析204。如前文中所述，為了達到更佳的缺陷篩選，透過檢測一定數量的晶圓採樣的候選缺陷最好是基於檢測區域的優先程度、預測熱點區域、電路圖案的圖案密度...等因素進行採樣的候選缺陷。
根據本發明的適應性機器學習，圖1所示的前饋路徑提供了取得包含真實缺陷與干擾點之採樣候選缺陷的機制，且SEM介面302提供了驗證並將候選缺陷標示為真實缺陷或干擾點的機制。反饋路徑提供了取得已經被篩選的感興趣缺陷的機制，藉以驗證缺陷篩選模型205 的有效性。
應理解的是，如果在模型訓練資料202中有充分捕捉到真實缺陷與干擾點的資料行為，則缺陷篩選模型205可以有效的運作。然而，隨著設計規則縮小，製程容許範圍也更為緊縮。製程變異可能會產生新的缺陷類型或改變干擾點的性質。在本發明中，前饋路徑可以幫助捕捉新的缺陷類型或者具有已改變行為的干擾點，而反饋路徑則可以幫助捕捉尚未被篩選出來的干擾點。
根據本發明的內容，訓練資料與模型管理器303也會決定前饋路徑中的候選缺陷與反饋路徑中的感興趣缺陷該如何由缺陷採樣器301採樣或選擇，並且決定該些缺陷如何被用於訓練資料。舉例來說，可以以均勻且隨機的形式，以及與上文中所述的檢測區域的優先程度或檢測區域的圖案密度成比例的方式以所有的檢測區域對從前饋路徑接收的候選缺陷進行採樣。如果從前饋路徑接收的感興趣缺陷的驗證結果為真實缺陷，則代表缺陷篩選模型正確執行，因此可以將該結果忽略。然而，如果感興趣缺陷的驗證結果為干擾點，最好能將該些感興趣缺陷包含於模型訓練資料中，藉以改進所產生的缺陷篩選模型。
如圖2所示，經驗證與標示的資料樣本被儲存在缺陷/干擾點檔案庫200中，並且被作為模型訓練資料202與模型驗證資料203使用。值得注意的是，訓練資料與模型管理器303管理儲存在缺陷/干擾點檔案庫中的資料。已知如果模型訓練資料202中的資料樣本的數量太大，經訓練的模型可能會過度適應。因此，訓練資料與模型管理器303會在需要時透過將重複的資料刪除的方式，將儲存在缺陷/干擾點檔案庫中的缺陷或干擾點保持在適當的數量。舉例來說，可以計算資料樣本之間的特徵關聯性，並且可以排除與既有之資料樣本具有高度關聯性的新資料樣本。
為了達到缺陷篩選模型的理想表現，適應性模型控制器201中的訓練資料與模型管理器303也決定何時應更新缺陷篩選模型。缺陷篩選模型可經週期性更新，或者根據某些其他的準則。舉例來說，如果SEM驗證結果顯示從反饋迴路中接收到的感興趣缺陷偏離了目標規格，則需要更新缺陷篩選模型。
根據本發明的內容，如圖4所示，可以為適應性機器學習104建立並且更新一關鍵特徵檔案庫400。圖2所示的資料模型化分析204執行關鍵特徵分析504的任務以得到關鍵缺陷，如圖5所示。與關鍵缺陷一同產生的資料模型是關鍵特徵模型505，適應性機器學習104利用關鍵特徵模型505來進行自動缺陷篩選106。關鍵特徵模型以及相關的電路圖案、設計剪輯、缺陷特徵、局部光學影像、SEM影像被儲存於關鍵特徵檔案庫400的一對應關鍵特徵資料庫601中並且在其中更新（如圖6所示）。
關鍵特徵檔案庫400是一儲存裝置，用於儲存如圖6所示的關鍵特徵資料庫601的檔案庫。在關鍵特徵檔案庫400中，可以利用各種索引來指示各個關鍵特徵資料庫601。舉例來說，可以通過如14 nm 、10 nm或7 nm的技術節點給資料庫附加索引，或者可以通過製造產線等資訊來索引。各個關鍵特徵資料庫601包括複數個已知的關鍵電路圖案（連同其對應的資料）與關鍵特徵模型。
在本發明中，各個關鍵特徵資料庫601包括一或更多個資料模型，該一或更多個資料模型是適應性機器學習104中的關鍵特徵分析504所產生作為一或更多個關鍵特徵模型。藉由利用不同的模型化演算法、或者從設計剪輯中擷取出的不同特徵集合、或者利用關鍵缺陷的局部光學影像，可為一個對應的關鍵特徵資料庫601建立並且儲存多個資料模型。
值得注意的是，本發明的要旨在於，藉由基於從設計剪輯中擷取出來的特徵或者對應的局部光學影像的資料模型，將半導體製造流程中會在電路圖案上產生缺陷的效果模型化。只有在資料模型化中使用的特徵能夠捕捉半導體製造流程中在電路圖案上的效果時，才能夠建立良好的資料模型。
本領域已熟知並且觀察到光學鄰近效應在晶片設計布局的圖案化中扮演了重要的角色。為了能改善所建立的資料模型的準確度與完整度，在本發明的資料模型化分析204中用來產生資料模型205的特徵，可包括從不同尺寸的設計剪輯中擷取出來的特徵，以得到關聯於各個缺陷的電路圖案。透過不同尺寸的電路圖案，可以更良好地在資料模型中捕捉到光學鄰近效應。
由於電路圖案在半導體元件的製造過程中是以一層一層的方式疊加，除了利用不同尺寸的電路圖案擷取特徵以外，本發明也利用了當前設計圖層的下方一層的設計剪輯來擷取特徵，藉此捕捉多個電路圖層的效果。如OR、互斥OR、AND、NOT等布林運算子可以被應用到包括當前圖層與下方圖層的設計剪輯上，藉此形成一複合電路圖案以供特徵擷取。
圖7顯示了總結根據本發明之利用適應性機器學習進行的自動缺陷篩選方法的流程圖。該方法在步驟701中蒐集一資料組，該資料組包括晶圓檢測中的複數個候選缺陷以及已經由一個以上的現存缺陷篩選模型篩選的感興趣缺陷。候選缺陷是在尚未被現存缺陷篩選模型篩選之前從晶圓檢測中被蒐集。感興趣缺陷是利用先前的晶圓檢測結果進行自動缺陷篩選後的經篩選結果。
在步驟702 中，藉由利用SEM審閱/檢測，包括了採樣的候選缺陷以及感興趣缺陷之資料組中的資料樣本被驗證為真實缺陷或是干擾點，並且接著被用來更新儲存在缺陷/干擾點檔案庫中的資料樣本，以進行資料模型化分析。
在步驟703 中，對模型訓練與驗證資料進行編整。在步驟703中根據從與模型訓練資料中的資料樣本相關之資料擷取的特徵，資料模型化分析產生作為更新的缺陷篩選模型的一個以上的資料模型，且該一個以上的資料模型進一步藉由模型驗證資料進行驗證以符合一目標規格。
如上文中所述，利用適應性機器學習的自動缺陷篩選方法，利用適應了可能的製程容許範圍變數的缺陷篩選模型來改善缺陷篩選的有效性。前饋路徑中提供的候選缺陷確保了更新缺陷篩選模型時有將新的缺陷類型或干擾點特性納人考慮。反饋路徑中的感興趣缺陷能夠檢查缺陷篩選模型是否令人滿意，且缺陷篩選模型沒篩選出的干擾點可以進一步被整合進模型訓練資料中，藉以更新並改善缺陷篩選模型。
值得一提的是，本案的圖2、圖3、圖4與圖5中所示的適應性機器學習可以被實施為一種電腦系統，該系統具有與一個以上的記憶體裝置配合的一個以上的計算處理器，並且利用計算處理器來執行設計來實施適應性模型控制器201、資料模型化分析204、缺陷採樣器301、SEM介面302以及訓練資料與模型管理器303之功能的程式指令。也可以使用設計來執行所需要之功能的專用硬體裝置來替代通用計算系統。可以利用計算處理器控制的記憶體裝置來建立缺陷/干擾點檔案庫200以及關鍵特徵檔案庫400。
雖然上文中參照本發明的較佳實施例對本發明進行說明，但熟知該領域的技術人士應當理解，在不脫離本發明的申請專利範圍所界定之保護範疇的條件下，可以對本發明做出各種改良與變化。
101‧‧‧晶圓檢測 102‧‧‧候選缺陷（以及設計剪輯） 103‧‧‧SEM審閱/檢測的採樣缺陷驗證 104‧‧‧適應性機器學習 105‧‧‧自動缺陷篩選 106‧‧‧感興趣缺陷 200‧‧‧缺陷/干擾點檔案庫 201‧‧‧適應性模型控制器 202‧‧‧模型訓練資料 203‧‧‧模型驗證資料 204‧‧‧資料模型化分析 205‧‧‧缺陷篩選模型/資料模型 301‧‧‧缺陷採樣器 302‧‧‧SEM介面 303‧‧‧訓練資料與模型管理器 400‧‧‧關鍵特徵檔案庫 504‧‧‧關鍵特徵分析 505‧‧‧關鍵特徵模型 601‧‧‧關鍵特徵資料庫 701‧‧‧步驟 702‧‧‧步驟 703‧‧‧步驟
本領域中具有通常知識者在參考附圖閱讀較佳實施例的詳細說明之後，可以對本發明有更良好的理解，該些附圖包括：
圖l是顯示根據本發明之在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選的方塊圖；
圖2是顯示根據本發明之用於執行自動缺陷篩選的適應性機器學習的系統的方塊圖；
圖3是顯示根據本發明之適應性機器學習中的適應性模組控制器的方塊圖；
圖4是顯示根據本發明之利用適應性機器學習的自動缺陷篩選，進一步與一關鍵特徵檔案庫介接的示意圖；
圖5是顯示適應性機器學習參考關鍵特徵檔案庫利用關鍵特徵分析產生關鍵特徵模型的示意圖；
圖6是顯示關鍵特徵檔案庫包括數個關鍵特徵資料庫的示意圖；以及
圖7是顯示根據本發明之用於執行自動缺陷篩選的適應性機器學習的方法的流程圖。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記) 無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記) 無
101‧‧‧晶圓檢測
102‧‧‧候選缺陷(以及設計剪輯)
103‧‧‧SEM審閱/檢測的採樣缺陷驗證
104‧‧‧適應性機器學習
105‧‧‧自動缺陷篩選
106‧‧‧感興趣缺陷

Claims (12)

  1. 一種用於半導體製造中之缺陷篩選的方法，包含下列步驟：檢測一晶粒以從該晶粒的一影像蒐集候選缺陷資料，該候選缺陷資料包含設計資料；驗證該候選缺陷資料以形成感興趣缺陷資料，該感興趣缺陷資料包含該候選缺陷資料、該設計資料、及一標示，該標示指示出該候選缺陷資料為一真實缺陷或一干擾點中之一者；更新包含複數個感興趣缺陷資料元素的一關鍵特徵資料檔案庫，以包含該感興趣缺陷資料；編整模型訓練資料，該模型訓練資料包含來自該關鍵特徵檔案庫的該複數個感興趣缺陷資料元素；藉該模型訓練資料訓練一機器學習模型，來產生一經訓練機器學習模型；利用一光學感測器，蒐集一第二晶粒的一影像；藉該經訓練機器學習模型檢測該第二晶粒的該影像，該經訓練機器學習模型：自該第二晶粒的該影像識別一第二候選缺陷資料，該第二缺陷資料包含第二設計資料；及識別該第二候選缺陷資料為一缺陷；及識別該第二晶粒為內含一缺陷。
  2. 如請求項1所述之方法，進一步包含驗證該候選缺陷資料之步驟進一步包含去形成感興趣缺陷資料與干擾點缺陷資料中之一者，該干擾點缺陷資料包含一干擾點缺陷標示；更新該關鍵特徵資料檔案庫為進一步包含該干擾點缺陷資料；編整該模型訓練資料以進一步包含該干擾點缺陷資料；藉模型訓練資料訓練該機器學習模型，以產生一經訓練機器學習模型；利用該光學感測器，蒐集一第三晶粒的一第三影像；藉該經訓練機器學習模型來檢測該第三影像，該經訓練機器學習模型：自該第三影像識別一第三候選缺陷資料，該第三缺陷資料包含第三設計資料；及將該第三候選缺陷資料識別成一第三缺陷及一第三干擾點中之一者；及將該第三晶粒識別成內含該第三缺陷及該第三干擾點中之一對應者。
  3. 如請求項2所述之方法，其中該候選缺陷資料經提供給該經訓練機器學習模型，以基於該設計資 料的圖案密度相較於具有類似候選缺陷資料之類似設計資料的外觀，來分析該經訓練機器學習模型的效能。
  4. 如請求項2所述之方法，其中驗證該候選缺陷資料之步驟是根據擷取關聯於該候選缺陷資料的設計特徵，來判定該候選缺陷資料是感興趣缺陷資料或是干擾點缺陷資料。
  5. 一種包含指令的非暫態電腦可讀取媒體，當該等指令被一處理系統的一處理器執行時，致使該處理系統進行一方法以用於改善半導體元件製造，該方法包含下列步驟：檢測一晶粒以從該晶粒的一影像蒐集候選缺陷資料，該候選缺陷資料包含設計資料；驗證該候選缺陷資料以形成感興趣缺陷資料，該感興趣缺陷資料包含該候選缺陷資料、該設計資料、及一標示，該標示指示出該候選缺陷資料為一真實缺陷或一干擾點中之一者；更新包含複數個感興趣缺陷資料元素的一關鍵特徵資料檔案庫，以包含該感興趣缺陷資料；編整模型訓練資料，該模型訓練資料包含來自該關鍵特徵檔案庫的該複數個感興趣缺陷資料元素；藉該模型訓練資料訓練一機器學習模型，來產生一 經訓練機器學習模型；利用一光學感測器，蒐集一第二晶粒的一影像；藉該經訓練機器學習模型檢測該第二晶粒的該影像，該經訓練機器學習模型：自該第二晶粒的該影像識別一第二候選缺陷資料，該第二缺陷資料包含第二設計資料；及識別該第二候選缺陷資料為一缺陷；及識別該第二晶粒為內含一缺陷。
  6. 如請求項5所述之非暫態電腦可讀取媒體，進一步包含驗證該候選缺陷資料之步驟進一步包含去形成感興趣缺陷資料與干擾點缺陷資料中之一者，該干擾點缺陷資料包含一干擾點缺陷標示；更新該關鍵特徵資料檔案庫為進一步包含該干擾點缺陷資料；編整該模型訓練資料以進一步包含該干擾點缺陷資料；藉模型訓練資料訓練該機器學習模型，以產生一經訓練機器學習模型；利用該光學感測器，蒐集一第三晶粒的一第三影像；藉該經訓練機器學習模型來檢測該第三影像，該經 訓練機器學習模型：自該第三影像識別一第三候選缺陷資料，該第三缺陷資料包含第三設計資料；及將該第三候選缺陷資料識別成一第三缺陷及一第三干擾點中之一者；及將該第三晶粒識別成內含該第三缺陷及該第三干擾點中之一對應者。
  7. 如請求項6所述之非暫態電腦可讀取媒體，其中該候選缺陷資料經提供給該經訓練機器學習模型，以基於該設計資料的圖案密度相較於具有類似候選缺陷資料之類似設計資料的外觀，來分析該經訓練機器學習模型的效能。
  8. 如請求項6所述之非暫態電腦可讀取媒體，其中驗證該候選缺陷資料之步驟是根據擷取關聯於該候選缺陷資料的設計特徵，來判定該候選缺陷資料是感興趣缺陷資料或是干擾點缺陷資料。
  9. 一種用於改善半導體元件製造的系統，包含：一記憶體，該記憶體包含電腦可執行指令；一處理器，該處理器經配置以執行該等電腦可執行指令並致使該處理系統進行用於改善半導體元件製造的一方法，該方法包含：檢測一晶粒以從該晶粒的一影像蒐集候選缺陷資 料，該候選缺陷資料包含設計資料；驗證該候選缺陷資料以形成感興趣缺陷資料，該感興趣缺陷資料包含該候選缺陷資料、該設計資料、及一標示，該標示指示出該候選缺陷資料為一真實缺陷或一干擾點中之一者；更新包含複數個感興趣缺陷資料元素的一關鍵特徵資料檔案庫，以包含該感興趣缺陷資料；編整模型訓練資料，該模型訓練資料包含來自該關鍵特徵檔案庫的該複數個感興趣缺陷資料元素；藉該模型訓練資料訓練一機器學習模型，來產生一經訓練機器學習模型；利用一光學感測器，蒐集一第二晶粒的一影像；藉該經訓練機器學習模型檢測該第二晶粒的該影像，該經訓練機器學習模型：自該第二晶粒的該影像識別一第二候選缺陷資料，該第二缺陷資料包含第二設計資料；及識別該第二候選缺陷資料為一缺陷；及識別該第二晶粒為內含一缺陷。
  10. 如請求項9所述之系統，進一步包含驗證該候選缺陷資料之步驟進一步包含去形成感興趣缺陷資料與干擾點缺陷資料中之一者，該干擾點缺陷資料包含一干擾點缺陷標示； 更新該關鍵特徵資料檔案庫為進一步包含該干擾點缺陷資料；編整該模型訓練資料以進一步包含該干擾點缺陷資料；藉模型訓練資料訓練該機器學習模型，以產生一經訓練機器學習模型；利用該光學感測器，蒐集一第三晶粒的一第三影像；藉該經訓練機器學習模型來檢測該第三影像，該經訓練機器學習模型：自該第三影像識別一第三候選缺陷資料，該第三缺陷資料包含第三設計資料；及將該第三候選缺陷資料識別成一第三缺陷及一第三干擾點中之一者；及將該第三晶粒識別成內含該第三缺陷及該第三干擾點中之一對應者。
  11. 如請求項10所述之系統，其中該候選缺陷資料經提供給該經訓練機器學習模型，以基於該設計資料的圖案密度相較於具有類似候選缺陷資料之類似設計資料的外觀，來分析該經訓練機器學習模型的效能。
  12. 如請求項10所述之系統，其中驗證該候選 缺陷資料之步驟是根據擷取關聯於該候選缺陷資料的設計特徵，來判定該候選缺陷資料是感興趣缺陷資料或是干擾點缺陷資料。
TW108131796A 2016-12-12 2017-07-14 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選 TWI725534B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/375,186 US10365617B2 (en) 2016-12-12 2016-12-12 Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US15/375,186 2016-12-12

Publications (2)

Publication Number Publication Date
TW201947433A TW201947433A (zh) 2019-12-16
TWI725534B true TWI725534B (zh) 2021-04-21

Family

ID=62489170

Family Applications (2)

Application Number Title Priority Date Filing Date
TW106123635A TWI675306B (zh) 2016-12-12 2017-07-14 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選
TW108131796A TWI725534B (zh) 2016-12-12 2017-07-14 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW106123635A TWI675306B (zh) 2016-12-12 2017-07-14 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選

Country Status (3)

Country Link
US (2) US10365617B2 (zh)
CN (2) CN111584397B (zh)
TW (2) TWI675306B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US11275361B2 (en) * 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
WO2019059011A1 (ja) * 2017-09-19 2019-03-28 富士フイルム株式会社 教師データ作成方法及び装置並びに欠陥検査方法及び装置
US11023648B2 (en) * 2017-12-12 2021-06-01 Siemens Industry Software Inc. Puzzle-based pattern analysis and classification
US11087452B2 (en) * 2018-02-05 2021-08-10 Nec Corporation False alarm reduction system for automatic manufacturing quality control
TWI676939B (zh) * 2018-06-22 2019-11-11 富比庫股份有限公司 運用類神經網路進行分類之電子零件封裝分類系統
US10605745B2 (en) * 2018-06-28 2020-03-31 Applied Materials Israel Ltd. Guided inspection of a semiconductor wafer based on systematic defects
CN112424826A (zh) 2018-07-13 2021-02-26 Asml荷兰有限公司 基于机器学习的图案分组方法
US10818001B2 (en) * 2018-09-07 2020-10-27 Kla-Tencor Corporation Using stochastic failure metrics in semiconductor manufacturing
CN113569798B (zh) * 2018-11-16 2024-05-24 北京市商汤科技开发有限公司 关键点检测方法及装置、电子设备和存储介质
US11551348B2 (en) 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
TWI794615B (zh) * 2019-07-26 2023-03-01 德商卡爾蔡司Ｓｍｔ有限公司 微加工裝置的自動運作控制
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
EP4020336A4 (en) * 2019-08-19 2023-06-07 LG Electronics Inc. AI-ASSISTED SYSTEM FOR DETERMINING EXERCISE MODELS AND AI-ASSISTED SYSTEM FOR ADMINISTRATION OF VISUAL INSPECTION THAT USES THIS SYSTEM FOR PRODUCT PRODUCTION LINES
US11010529B2 (en) * 2019-09-16 2021-05-18 Taiwan Semiconductor Manufacturing Company Limited Integrated circuit layout validation using machine learning
TWI740272B (zh) 2019-11-14 2021-09-21 和碩聯合科技股份有限公司 寫入映像檔至記憶體之裝置、方法及其非暫態電腦可讀取媒體
TWI734372B (zh) * 2020-02-07 2021-07-21 台灣積體電路製造股份有限公司 顯微試片製備方法、裝置及記錄媒體
US20210303757A1 (en) * 2020-03-30 2021-09-30 Kla Corporation Semiconductor fabrication process parameter determination using a generative adversarial network
KR20220132604A (ko) * 2020-03-30 2022-09-30 주식회사 히타치하이테크 진단 시스템
CN115427798A (zh) * 2020-04-17 2022-12-02 应用材料公司 检测样品的方法以及多电子束检测系统
US11415526B2 (en) * 2020-05-06 2022-08-16 Kla Corporation Multi-controller inspection system
CN114092632A (zh) 2020-08-06 2022-02-25 财团法人工业技术研究院 标注方法、应用其的装置、系统、方法及计算机程序产品
US20220059316A1 (en) * 2020-08-19 2022-02-24 Kla Corporation Scanning Electron Microscope Image Anchoring to Design for Array
TWI759906B (zh) * 2020-10-15 2022-04-01 維曙智能科技有限公司 基於深度學習之階層式圖片分類系統及其方法
CN112405521B (zh) * 2020-10-16 2022-02-25 北京百度网讯科技有限公司 模型的训练方法、装置、电子设备及存储介质
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法
JP7443268B2 (ja) * 2021-01-05 2024-03-05 株式会社ニューフレアテクノロジー 欠陥検査方法
US20220307990A1 (en) * 2021-03-24 2022-09-29 Kla Corporation Imaging reflectometry for inline screening
CN113191399B (zh) * 2021-04-12 2022-05-27 普赛微科技(杭州)有限公司 一种基于机器学习分类器提高半导体芯片良品率的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110261190A1 (en) * 2008-10-01 2011-10-27 Ryo Nakagaki Defect observation device and defect observation method
TW201507045A (zh) * 2013-04-08 2015-02-16 Kla Tencor Corp 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
TW201626478A (zh) * 2014-11-04 2016-07-16 克萊譚克公司 晶圓缺陷發現

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6728587B2 (en) * 2000-12-27 2004-04-27 Insyst Ltd. Method for global automated process control
JP4418272B2 (ja) * 2004-03-24 2010-02-17 オリンパス株式会社 欠陥分類辞書教示装置
US8532949B2 (en) * 2004-10-12 2013-09-10 Kla-Tencor Technologies Corp. Computer-implemented methods and systems for classifying defects on a specimen
KR100909474B1 (ko) * 2005-08-10 2009-07-28 삼성전자주식회사 웨이퍼 결함지수를 사용하여 국부성 불량 모드를 갖는결함성 반도체 웨이퍼의 검출 방법들 및 이에 사용되는장비들
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP5412169B2 (ja) * 2008-04-23 2014-02-12 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
US20100211202A1 (en) * 2009-02-13 2010-08-19 Hermes Microvision, Inc. Method and machine for examining wafers
JP5537282B2 (ja) * 2009-09-28 2014-07-02 株式会社日立ハイテクノロジーズ 欠陥検査装置および欠陥検査方法
US8315453B2 (en) * 2010-07-27 2012-11-20 Applied Materials Israel, Ltd. Defect classification with optimized purity
US8312401B2 (en) * 2011-01-13 2012-11-13 Elitetech Technology Co., Ltd. Method for smart defect screen and sample
CN102683165B (zh) * 2011-03-18 2015-03-25 敖翔科技股份有限公司 智能缺陷筛选及取样方法
RU2627927C2 (ru) * 2011-09-25 2017-08-14 Теранос, Инк. Системы и способы многостороннего анализа
US9715723B2 (en) * 2012-04-19 2017-07-25 Applied Materials Israel Ltd Optimization of unknown defect rejection for automatic defect classification
US9607233B2 (en) * 2012-04-20 2017-03-28 Applied Materials Israel Ltd. Classifier readiness and maintenance in automatic defect classification
KR102019534B1 (ko) * 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US9142014B2 (en) * 2013-05-30 2015-09-22 Dmo Systems Limited System and method for identifying systematic defects in wafer inspection using hierarchical grouping and filtering
US9430743B2 (en) * 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US20160217240A1 (en) * 2015-01-28 2016-07-28 Dmo Systems Limited Methodology Of Incorporating Wafer Physical Measurement With Digital Simulation For Improving Semiconductor Device Fabrication
CN104715481B (zh) * 2015-03-17 2017-07-25 西安交通大学 基于随机森林的多尺度印刷品缺陷检测方法
US9898811B2 (en) * 2015-05-08 2018-02-20 Kla-Tencor Corporation Method and system for defect classification

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110261190A1 (en) * 2008-10-01 2011-10-27 Ryo Nakagaki Defect observation device and defect observation method
TW201507045A (zh) * 2013-04-08 2015-02-16 Kla Tencor Corp 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣
TW201626478A (zh) * 2014-11-04 2016-07-16 克萊譚克公司 晶圓缺陷發現

Also Published As

Publication number Publication date
CN111584397B (zh) 2023-09-12
US10365617B2 (en) 2019-07-30
CN111584397A (zh) 2020-08-25
TW201947433A (zh) 2019-12-16
CN108231623B (zh) 2020-06-12
TWI675306B (zh) 2019-10-21
US20190384236A1 (en) 2019-12-19
CN108231623A (zh) 2018-06-29
US20180164792A1 (en) 2018-06-14
US10754309B2 (en) 2020-08-25
TW201822038A (zh) 2018-06-16

Similar Documents

Publication Publication Date Title
TWI725534B (zh) 在半導體元件的製造流程中利用適應性機器學習的自動缺陷篩選
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
TWI694343B (zh) 基於製作風險評定之半導體製作製程控制
CN108463874B (zh) 基于图像的样品过程控制
US7570800B2 (en) Methods and systems for binning defects detected on a specimen
US8194968B2 (en) Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
CN108352336B (zh) 确定样品上所关注图案的一或多个特性
CN113763312B (zh) 使用弱标记检测半导体试样中的缺陷
CN105074896B (zh) 图案测定装置以及半导体测量系统
KR20180091952A (ko) 이상치 검출을 통한 특성 선택 및 자동 프로세스 윈도우 모니터링
TWI798627B (zh) 探測半導體晶片中缺陷的方法及半導體晶片缺陷探測系統
CN106415807A (zh) 使用高分辨率全裸片图像数据进行检验
US20160314578A1 (en) Outlier Detection on Pattern of Interest Image Populations
TW201511154A (zh) 以運行時設計資料之使用偵測晶圓上之缺陷
TWI641961B (zh) 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統
JP2001281161A (ja) 欠陥検査装置及び検査方法
KR20040076812A (ko) 다변수 화상분석을 이용하여 제조 결함을 검출 및기록하는 시스템 및 방법