TWI748242B - 掃描晶圓的系統及方法 - Google Patents
掃描晶圓的系統及方法 Download PDFInfo
- Publication number
- TWI748242B TWI748242B TW108133118A TW108133118A TWI748242B TW I748242 B TWI748242 B TW I748242B TW 108133118 A TW108133118 A TW 108133118A TW 108133118 A TW108133118 A TW 108133118A TW I748242 B TWI748242 B TW I748242B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- defect
- wafer
- design pattern
- reference image
- Prior art date
Links
Images
Classifications
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/07—Investigating materials by wave or particle radiation secondary emission
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/426—Imaging image comparing, unknown with known substance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
- G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本發明一些實施例揭露一種用於掃描晶圓的方法及系統。該系統擷取一晶圓之一缺陷影像,且基於一參考影像產生模型產生對應於第一缺陷影像之一參考影像。該系統基於該缺陷影像及該參考影像產生一缺陷標記影像。
Description
本發明實施例係有關掃描晶圓的系統及方法。
掃描電子顯微鏡(SEM)被廣泛用於分析半導體晶圓之缺陷。此外,對應地開發檢視SEM (RSEM)以更精確地顯露半導體晶圓之缺陷。由於經由RSEM之影像擷取可係耗時的且判定晶圓上之缺陷之類型之準確度可係不精確的,故每小時晶圓(WPH)及自動缺陷分類(ADC)之準確度係有限的。
本發明的一實施例係關於一種方法,其包括:提供一晶圓;擷取該晶圓之一缺陷影像;基於一參考影像產生模型產生對應於該缺陷影像之一第一參考影像;及基於該缺陷影像及該第一參考影像產生一第一缺陷標記影像。
本發明的一實施例係關於一種方法,其包括:獲得一晶圓之一影像,其中該影像包括該晶圓之一缺陷;產生對應於該影像之一第一設計圖案影像;將一參考影像產生模型應用至該第一設計圖案影像以產生一第一參考影像;及藉由比較該影像與該第一參考影像而導出一第一缺陷標記影像。
本發明的一實施例係關於一種系統,其包括:一儲存單元,其經組態以儲存一參考影像產生模型;一影像擷取裝置,其經組態以擷取一晶圓之一影像;及一處理器,其經電連接至該儲存單元及該影像擷取裝置且經組態以:將該晶圓之該影像輸入至該參考影像產生模型以輸出一參考影像且處理該影像及該參考影像以導出一缺陷標記影像。
下列揭露內容提供用於實施所提供標的物之不同特徵之許多不同實施例或實例。下文描述組件及配置之特定實例以簡化本揭露。當然,此等僅為實例且不旨在限制。例如,在下列描述中之一第一構件形成於一第二構件上方或上可包含其中該第一構件及該第二構件經形成直接接觸之實施例,且亦可包含其中額外構件可形成在該第一構件與該第二構件之間,使得該第一構件及該第二構件可不直接接觸之實施例。另外,本揭露可在各種實例中重複元件符號及/或字母。此重複出於簡化及清楚之目的,且本身不指示所論述之各項實施例及/或組態之間之一關係。
下文詳細論述本揭露之實施例。然而,應瞭解,本揭露提供可以廣泛多種特定背景內容體現之許多適用發明概念。所論述之特定實施例僅係闡釋性的且不限制本揭露之範疇。
此外,為便於描述,可在本文中使用諸如「在…下面」、「在…下方」、「下」、「在…上方」、「上」、「下」、「左側」、「右側」及類似者之空間相對術語來描述一個元件或構件與另一(些)元件或構件之關係,如圖中繪示。空間相對術語旨在涵蓋除在圖中描繪之定向以外之使用或操作中之裝置之不同定向。設備可以其他方式經定向(旋轉90度或按其他定向)且本文中使用之空間相對描述符同樣可相應地解釋。應理解,當將一元件稱為「連接至」或「耦合至」另一元件時,其可直接連接至或耦合至其他元件,或可存在一或多個中介元件。
針對本揭露之一些實施例參考圖1A至圖1B,圖1A係一些實施例之用於掃描晶圓之一系統1之一方塊圖,且圖1B係繪示一些實施例之相對影像之一示意圖。系統1包含一儲存單元11、一影像擷取裝置13及一處理器15。在本實施例中,儲存單元11儲存包含一經訓練模型之一參考影像產生模型110。儲存單元11、影像擷取裝置13及處理器15經電連接(例如,經由匯流排電連接),且其間之互動將在下文進一步描述。
如圖1A及圖1B中展示,影像擷取裝置13經組態以擷取一晶圓之一缺陷影像130。缺陷影像130含有晶圓上之一缺陷之資訊。在一些實施例中,缺陷可係晶圓上之劃痕標記、裂縫、殘餘物、短路、橋接等。在藉由影像擷取裝置13擷取缺陷影像130之後,處理器15基於缺陷影像130及參考影像產生模型110產生一參考影像150。隨後,基於缺陷影像130 (即,表示晶圓之缺陷之影像)及參考影像150,處理器15產生一缺陷標記影像152。在一些實施例中,處理器15自參考影像150減去缺陷影像130以產生缺陷標記影像152。
在一些實施例中,由於參考影像150係自經訓練模型(即,參考影像產生模型110)直接產生,故節約用於擷取參考影像之冗餘時間。另外,一操作者可選擇一適當自動缺陷分類(ADC)工具用於此後對晶圓上之缺陷之類型分類。應注意,所提及之經訓練模型係基於具有相關訓練資料之一機器學習方案經訓練。將在下文描述訓練模型之細節(例如,藉由系統3訓練模型之實施例)。
針對本揭露之一些實施例參考圖2A至圖2B。圖2A係一些實施例之用於掃描晶圓之一系統2之一方塊圖。圖2B係繪示一些實施例之相對影像之一示意圖。系統2包含一儲存單元21、一影像擷取裝置23、一處理器25及一缺陷檢測裝置27。儲存單元21儲存一參考影像產生模型210、一缺陷判定模型212及一設計圖案資料214。
儲存單元21、影像擷取裝置23、處理器25及缺陷檢測裝置27經電連接(例如,經由匯流排電連接)。應注意,在一些實施例中,參考影像產生模型210及缺陷判定模型212係經訓練模型,且設計圖案資料214含有一晶圓之一設計佈局之資料(例如,呈電腦輔助製圖(CAD)格式之晶圓之一設計佈局)。
在偵測一晶圓之開始,缺陷檢測裝置27針對可能缺陷掃描晶圓。在一些實施例中,當一缺陷由缺陷檢測裝置27偵測時,缺陷檢測裝置27判定缺陷在晶圓上之一位置270 (例如,缺陷在晶圓上之座標)。隨後,基於由缺陷檢測裝置27判定之缺陷在晶圓上之位置270,影像擷取裝置23擷取表示晶圓之缺陷之一缺陷影像230。
在一些實施例中,缺陷檢測裝置27係經組態以掃描晶圓且藉由比較晶圓上之鄰近晶圓之光學影像而偵測晶圓上之缺陷之一光學檢測裝置。詳細言之,針對晶圓上待檢測之各晶粒,缺陷檢測裝置27藉由光束或電子束擷取經檢測晶粒之一第一光學影像。缺陷檢測裝置27接著藉由光束或電子束擷取與經檢測晶粒具有相同圖案且鄰近經檢測晶粒之一參考晶粒之一第二光學影像。缺陷檢測裝置27自第二光學影像減去第一光學影像以導出一減去影像。若在經檢測晶粒上不存在缺陷,則經檢測晶粒及參考晶粒具有相同圖案。因此,減去影像之像素之值等於零。相比之下,當減去影像之像素含有非零值時,在經檢測晶粒上可存在一缺陷。缺陷檢測裝置27可判定在經檢測晶粒上存在一缺陷。缺陷檢測裝置27可基於經檢測晶粒之位置及減去影像之內容導出並記錄缺陷之位置。
對應於缺陷影像230之一參考影像可用於輔助產生一缺陷標記影像。因此,首先產生一參考影像。在一實施例中,由於缺陷影像230繪示其中缺陷存在之晶圓之一部分,故可產生匹配晶圓之此部分之一影像以產生一參考影像。
設計圖案資料214含有一晶圓之整個設計佈局之資料。處理器25能夠基於缺陷影像230及設計圖案資料214判定一設計圖案影像254。設計圖案影像254及缺陷影像230係在晶圓之相同區處之影像。設計圖案影像254係設計佈局,且缺陷影像230係由一裝置擷取之一影像。
在一些實施方案中,由於設計圖案資料214、缺陷之位置270及晶圓之一部分之缺陷影像230係已知資料,故可經由最大互相關演算法判定對應於缺陷影像230之設計圖案影像254,如下文描述。
在一些實施方案中,在具有1 nm之像素大小之一1 μm * 1 μm真實SEM影像(例如,缺陷影像230)之座標(例如,缺陷之位置270)處自晶圓之一CAD佈局(例如,設計圖案資料214)截割具有像素大小1 nm之一4 μm * 4 μm視野(FOV)影像,且使用適當灰階臨限值(例如,具有高於一臨限值之灰階之像素可係1且其他像素可係0)或邊緣偵測演算法將1 μm * 1 μm真實SEM影像自8位元轉換至二進制格式。
接著,在4 μm * 4 μm FOV影像之不同位置中將1 μm * 1 μm真實SEM影像與4 μm * 4 μm FOV影像重疊,且計算匹配像素數目。詳細言之,將1 μm * 1 μm真實SEM影像在X方向及Y方向兩者上自4 μm * 4 μm FOV影像之左下方逐步移位,且計算在4 μm * 4 μm FOV影像之不同位置處之匹配像素數目。
將具有最大匹配像素數目之位置判定為最大相關性位置,且在最大相關性位置處截割之1 μm * 1 μm FOV影像(例如,設計圖案影像254)可係其中擷取1 μm *1 μm真實SEM影像之相同位置。換言之,經截割1 μm * 1 μm FOV影像及1 μm * 1 μm真實SEM影像表示晶圓之相同區,同時經截割1 μm * 1 μm FOV影像係一設計佈局且1 μm * 1 μm真實SEM影像係由一裝置擷取之一影像。
基於上文之揭示內容,熟習此項技術者應瞭解如何基於最大互相關演算法尋找不同資料之間之相關性,且因此本文中將不進一步描述。
在判定設計圖案影像254之後,處理器25產生一參考影像250。在一實施例中,處理器25藉由參考影像產生模型210將設計圖案影像254轉換為參考影像250。換言之,處理器25將設計圖案影像254輸入至參考影像產生模型210以導出參考影像250作為來自參考影像產生模型210之輸出資料。此外,參考影像產生模型210係一經訓練機器學習模型,亦即,一資料經輸入且隨後另一資料經輸出。在此實施例中,設計圖案影像254係參考影像產生模型210之輸入資料,且來自參考影像產生模型210之後續輸出資料係參考影像250。
在產生參考影像250之後,處理器25基於缺陷影像230及參考影像250產生一缺陷標記影像252。在一些實施例中,引入缺陷判定模型212以藉由一機器學習方案獲得缺陷之資訊。詳細言之,缺陷判定模型212之輸入係缺陷標記影像252,且缺陷判定模型212之輸出係缺陷之資訊。換言之,處理器25基於缺陷標記影像252及缺陷判定模型212產生晶圓之缺陷之資訊。在一實施例中,處理器25藉由缺陷判定模型212將缺陷標記影像252轉換為缺陷之資訊。缺陷之資訊可含有缺陷之使用者分類碼。
類似地,缺陷判定模型212係一經訓練機器學習模型,亦即,一資料經輸入至缺陷判定模型212,且隨後基於經輸入資料,另一資料自缺陷判定模型212經輸出。在一些實施例中,給出缺陷標記影像252作為缺陷判定模型212之輸入資料,且後續輸出資料係缺陷之資訊。
在一些實施例中,由於參考影像250係由一經訓練模型直接產生,故節約用於擷取參考影像之冗餘時間。此外,由於基於另一經訓練模型獲得缺陷之資訊,故用於對晶圓上之缺陷之類型分類之ADC之程序可更精確且可靠。應注意,所提及之經訓練模型係基於具有相關訓練資料之一機器學習方案經訓練。將在下文進一步描述訓練模型之細節(例如,藉由系統3訓練模型之實施例)。
針對本揭露之一些實施例參考圖3A及圖3B,圖3A係一些實施例之用於掃描晶圓之一系統3之一方塊圖,且圖3B係繪示一些實施例之相對影像之一示意圖。系統3包含一儲存單元31、一影像擷取裝置33、一處理器35及一缺陷檢測裝置37。儲存單元31、影像擷取裝置33、處理器35及缺陷檢測裝置37經電連接(例如,經由匯流排電連接)。下文將進一步描述建立機器學習模型及判定晶圓之缺陷之更多細節。
在投入使用之前,可首先訓練本揭露之機器學習模型。更詳細言之,在一些實施例中,參考影像產生模型經組態以將一預定設計圖案影像(未展示)轉換為一預定參考影像(未展示),使得基於至少一個預定設計圖案影像(未展示)及對應於該至少一個預定設計圖案影像之至少一個預定參考影像(未展示)建立一參考影像產生模型310。至少一個預定設計圖案影像在訓練階段處被用作輸入資料且至少一個預定參考影像係訓練階段處之輸出資料。
應注意,在一些實施例中,用於訓練參考影像產生模型310之至少一個預定參考影像係由一裝置擷取且對應於預定設計圖案影像之一影像。在藉由處理器35建立參考影像產生模型310之後,儲存單元31儲存參考影像產生模型310以供後續使用。
在一些實施方案中,可使用設計圖案影像及對應參考影像經由U網(U-net)演算法、生成對抗網路(GAN)演算法或自動編碼器演算法訓練參考影像產生模型310。
在U網演算法之實施方案中,存在用於訓練模型之一訓練函數(例如,來自GitHub之Unet之trainUnet.ipynb)。訓練函數包含用於接收兩組影像之一區段(例如,trainUnet.ipynb之「trainGenerator(2, 'data/membrane/train', 'image', 'label', data_gen_args, save_to_dir = None」)。兩組影像包含用於訓練之一組輸入影像(例如,基於trainUnet.ipynb放入一第一文件夾中之本揭露之30件設計圖案影像)及基於該組輸入影像之一組輸出影像(例如,基於trainUnet.ipynb放入另一文件夾中之對應於本揭露之設計圖案影像之30件真實參考影像)。
因此,在使用含有影像之收縮及擴展函數之一主程式執行訓練函數之後訓練用於將輸入影像(例如,本揭露之設計圖案影像)轉換為輸出影像(例如,本揭露之參考影像)之一機器學習模型(例如,本揭露之參考影像產生模型)。
基於上文之揭示內容,熟習此項技術者應瞭解如何使用設計圖案影像及參考影像基於U網演算法、GAN演算法或自動編碼器演算法建立機器學習模型(即,在一些實施例中,本揭露之參考影像產生模型),且因此本文中將不進一步描述。
在一些實施例中,一缺陷判定模型經組態以將一預定缺陷標記影像(未展示)轉換為一缺陷之預定資訊,使得基於至少一個預定缺陷標記影像(未展示)及對應於該至少一個預定缺陷標記影像之缺陷之預定資訊建立一缺陷判定模型312。
換言之,在訓練缺陷判定模型312之後,至少一個預定缺陷標記影像係輸入資料,且對應於至少一個預定缺陷標記影像之缺陷之預定資訊係輸出標記。在建立缺陷判定模型312之後,儲存單元31儲存缺陷判定模型312以供後續使用。
此外,在一些實施方案中,可使用缺陷標記影像及缺陷之資訊經由你只看一次(You Only Look Once)版本3 (YOLOv3)演算法、單畫面多框偵測(Single Shot multiBox Detection)(SSD)演算法或具有卷積神經網路之區(Regions with Convolutional Neural Network)(R-CNN)演算法訓練缺陷判定模型312。
在基於一Darknet53後端網路結構之YOLOv3演算法之實施方案中,存在用於訓練模型之一訓練函數。訓練函數包含用於接收用於訓練之輸入影像及基於輸入影像之輸出標記(例如,具有針對各標記之標記缺陷之30件影像)之一區段。因此,在約100次訓練之後,在使用一主程式執行訓練函數之後訓練一機器學習模型(例如,本揭露之缺陷之資訊)。
基於上文之揭示內容,熟習此項技術者應瞭解如何藉由缺陷影像、參考影像及缺陷標記影像基於YOLOv3演算法、SSD演算法或R-CNN演算法建立一機器學習模型(即,在一些實施例中,缺陷判定模型),且因此本文中將不進一步描述。
在使用充分資料訓練參考影像產生模型310及缺陷判定模型312之後,建立參考影像產生模型310及缺陷判定模型312。系統3可基於機器學習之技術判定晶圓上之缺陷。特定言之,缺陷檢測裝置37針對可能缺陷掃描一晶圓。在一些實施例中,藉由缺陷檢測裝置37偵測到一缺陷,且接著缺陷檢測裝置37判定缺陷之一位置370 (例如,缺陷之座標)。由於已判定晶圓上之缺陷之位置370,故影像擷取裝置33能夠根據位置370擷取含有晶圓之缺陷之一缺陷影像330。
處理器35基於設計圖案資料314 (例如,儲存於儲存單元31中之一晶圓之設計佈局)判定對應於缺陷影像330之一設計圖案影像354。接著,處理器35藉由參考影像產生模型310將設計圖案影像354轉換為一參考影像350。給出設計圖案影像354作為參考影像產生模型310之輸入資料,且後續輸出資料係參考影像350。
在產生參考影像350之後,處理器35基於缺陷影像330及參考影像350產生一缺陷標記影像352。在一些實施例中,處理器35基於缺陷判定模型312將缺陷標記影像352轉換為晶圓之缺陷之資訊。給出缺陷標記影像352作為缺陷判定模型312之輸入資料,且後續輸出資料係晶圓之缺陷之資訊。
因此,在一些實施例中,參考影像產生模型310及缺陷判定模型312被訓練為機器學習模型,使得可直接產生參考影像350及諸如缺陷之使用者分類碼之資訊。因此,節約用於擷取參考影像之冗餘時間,且用於對晶圓上之缺陷之類型分類之ADC之程序可更精確且可靠。
另外,在一些實施例中,存在系統3之用於訓練參考影像產生模型之另一訓練函數。訓練函數包含用於接收影像直方圖資料之一個群組及影像之兩個群組之一區段。詳細言之,影像之兩個群組係用於訓練之輸入影像及基於輸入影像之輸出影像。訓練輸出影像之各影像具有其自身之影像直方圖資料。訓練輸出影像之影像直方圖資料形成影像直方圖資料之群組作為訓練輸入直方圖資料。
因此,在使用含有影像之收縮及擴展函數之一主程式執行訓練函數之後訓練用於將具有經擷取影像之影像直方圖資料(例如,本揭露之缺陷影像之影像直方圖資料)之輸入影像(例如,本揭露之設計圖案影像)轉換為輸出影像(例如,本揭露之參考影像)之參考影像產生模型。
換言之,在建立參考影像產生模型310之後,可將參考影像產生模型310應用至一設計圖案資料314及缺陷影像330之一影像直方圖資料以相應地產生一參考影像350。應注意,使用輸出影像之影像直方圖資料訓練模型改良調適至一真實影像之輸出影像之品質,此係因為影像直方圖資料含有對應影像中之音調分佈之圖形表示之資訊。
再者,在一些實施例中,存在系統3之用於訓練缺陷判定模型之另一訓練函數。在訓練模型之前,準備用於訓練之輸入資料。在各組輸入資料中,存在一缺陷標記影像、一第一灰度影像及一第二灰度影像。藉由自對應於缺陷影像之一參考影像減去一缺陷影像而導出缺陷標記影像。第一灰度影像及第二灰度影像係使用缺陷影像擷取之單通道影像。
詳細言之,在擷取一晶圓上之一缺陷之後,引入用於獲得缺陷影像及額外影像之若干偵測器。在一些實施例中,缺陷影像由定位於晶圓正上方之影像擷取裝置之一架空偵測器獲得。額外影像由在架空偵測器周圍之影像擷取裝置之側偵測器獲得。缺陷影像及額外影像之各者具有單影像通道(即,單影像組件),且缺陷影像及額外影像之各者係灰度影像。缺陷影像及額外影像具有相同大小且具有相同缺陷影像圖案。在缺陷影像及額外影像之像素之灰度值當中,像素之最大灰度值用於產生第一灰度影像,且像素之最小灰度值用於產生第二灰度影像。
在一實施例中,缺陷影像及額外影像具有M x N個像素之相同大小。關於缺陷影像及額外影像之像素(m, n),存在此等像素之灰度值。選擇灰度值當中之一最大灰度值,且將最大灰度值用作第一灰度影像之像素(m, n)之灰度值。選擇灰度值當中之一最小灰度值,且將最小灰度值用作第二灰度影像之像素(m, n)之灰度值。相應地產生第一灰度影像之像素(m=1至M,n=1至N)。亦產生第二灰度影像之像素(m=1至M,n=1至N)。在產生第一灰度影像及第二灰度影像之後,建構包含缺陷標記影像、第一灰度影像及第二灰度影像之該組輸入資料。
在一些實施例中,準備用於訓練之複數組輸入資料。另一訓練函數包含用於接收用於訓練之輸入資料組及基於輸入資料之輸出標記之一區段,且在使用一主程式執行另一訓練函數之後訓練缺陷判定模型。
因此,在使用含有影像之收縮及擴展函數之一主程式執行訓練函數之後訓練用於將輸入影像(包含缺陷標記影像、對應於缺陷標記影像之第一灰度影像及對應於缺陷標記影像之第二灰度影像)轉換為缺陷之資訊之缺陷判定模型。
換言之,在建立缺陷判定模型312之後,可將缺陷判定模型312應用至一缺陷標記影像252、對應於缺陷標記影像252之一第一灰度影像及對應於缺陷標記影像252之一第二灰度影像以產生缺陷之資訊。
在一些實施例中,可引入第三灰度影像。關於缺陷影像及額外影像之像素(m, n),存在此等像素之灰度值。選擇灰度值當中之一平均灰度值,且將平均灰度值用作一第三灰度影像之像素(m, n)之灰度值。相應地產生第三灰度影像之像素(m=1至M,n=1至N)。在產生第三灰度影像之後,用於訓練之該組輸入資料包含缺陷標記影像、第一灰度影像、第二灰度影像及第三灰度影像。
此外,在建立缺陷判定模型312之後,可將缺陷判定模型312應用至一缺陷標記影像、對應於缺陷標記影像之一第一灰度影像、對應於缺陷標記影像之一第二灰度影像、對應於缺陷標記影像之一第三灰度影像,且產生缺陷之資訊。
應尤其瞭解,在上文之實施例中提及之處理器可係一中央處理單元(CPU)、能夠執行相關指令之其他硬體電路元件或應由熟習此項技術者基於上文之揭示內容良好瞭解之運算電路之組合。再者,在上文之實施例中提及之儲存單元可係用於儲存資料之記憶體。此外,影像擷取裝置可係一RSEM裝置且缺陷檢測裝置可係半導體晶圓缺陷檢測設施。然而,其不旨在限制本揭露之硬體實施方案實施例。
本揭露之一些實施例包含用於掃描晶圓之一方法,且其之一流程圖如圖4中展示。一些實施例之方法由一系統(例如,前述實施例之系統(1、2或3)之任一者)實施。方法之詳細操作如下。
參考圖4,執行操作S401以提供一晶圓。執行操作S402以擷取在晶圓上含有一缺陷之晶圓之一缺陷影像。在擷取缺陷影像之後,執行操作S403以基於參考影像產生模型產生一參考影像。在操作S403中,參考影像與缺陷影像匹配。因此,建構缺陷影像(即,具有晶圓之缺陷之影像)及參考影像。執行操作S404以基於缺陷影像及參考影像產生一缺陷標記影像。應注意,基於前述訓練實施例(例如,藉由系統3訓練模型之實施例)或以下實施例(例如,如圖6A或圖7A中展示之訓練模型之實施例)建立參考影像產生模型。
本揭露之一些實施例包含用於掃描晶圓之一方法,且其之一流程圖如圖5中展示。一些實施例之方法由一系統(例如,前述實施例之系統(1、2或3)之任一者)實施。方法之詳細操作如下。
參考圖5,執行操作S501以提供一晶圓。執行操作S502以偵測晶圓上之一缺陷。執行操作S503以判定缺陷之一位置(例如,缺陷之座標)。因此,在判定晶圓上之缺陷之位置之後,執行操作S504以在該位置處擷取含有晶圓之缺陷之一缺陷影像。應注意,可基於前述實施例(例如,藉由系統2或系統3檢測缺陷之實施例)達成缺陷之偵測及缺陷之位置之判定。
接著,執行操作S505以基於缺陷影像自一設計圖案資料判定一設計圖案影像。應注意,在一些實施例中:(1)設計圖案資料含有晶圓之一設計佈局之資料(例如,晶圓之CAD佈局);及(2)設計圖案影像及缺陷影像係在晶圓之相同區處之影像。設計圖案影像係晶圓之一設計佈局之一影像,且缺陷影像係由一裝置擷取之一影像。
執行操作S506以基於設計圖案影像及一參考影像產生模型產生一參考影像。藉由參考影像產生模型將設計圖案影像轉換為參考影像。參考影像產生模型係一機器學習模型。給出設計圖案影像作為參考影像產生模型之輸入資料,且來自參考影像產生模型之後續輸出資料係參考影像。換言之,將參考影像產生模型應用至設計圖案影像以產生參考影像。
在產生參考影像之後,執行操作S507以基於缺陷影像及參考影像產生一缺陷標記影像。在一實施例中,藉由自參考影像減去缺陷影像而導出缺陷標記影像。執行操作S508以基於缺陷標記影像及缺陷判定模型產生晶圓之缺陷之資訊。在一實施例中,藉由缺陷判定模型將缺陷標記影像轉換為缺陷之資訊。缺陷判定模型係一機器學習模型。給出缺陷標記影像作為缺陷判定模型之輸入資料,且來自缺陷判定模型之後續輸出資料係缺陷之資訊。換言之,將缺陷判定模型應用至缺陷標記影像以產生缺陷之資訊。
本揭露之一些實施例包含用於掃描晶圓之一方法,且其之流程圖如圖6A至圖6C中展示。一些實施例之方法由一系統(例如,前述實施例之系統(1、2或3)之任一者)實施。方法之詳細操作如下。
圖6A係展示根據本揭露之一些實施例之訓練一參考影像產生模型之一方法之流程圖。由於參考影像產生模型經組態以將一設計圖案影像轉換為一參考影像,故執行操作S601以基於複數個預定設計圖案影像(在訓練階段處用作輸入資料)及對應於預定設計圖案影像之複數個預定參考影像(在訓練階段處用作輸出資料)建立一參考影像產生模型。
在一些實施例中,存在用於訓練參考影像產生模型之一訓練函數。訓練函數包含用於接收預定設計圖案影像作為用於訓練之輸入資料及預定參考影像作為基於輸入資料之輸出資料之一區段。因此,在使用含有影像之收縮及擴展函數之一主程式執行訓練函數之後訓練用於將設計圖案影像(用於訓練之輸入資料)轉換為參考影像(輸出資料)之參考影像產生模型。
在一些實施例中,用於訓練參考影像產生模型之預定參考影像係由一裝置擷取且與預定設計圖案影像匹配之影像。在建立參考影像產生模型之後,執行操作S602以儲存參考影像產生模型以供後續使用。
圖6B係展示訓練一缺陷判定模型之一方法之流程圖。由於缺陷判定模型經組態以將預定缺陷標記影像轉換為缺陷之預定資訊,故執行操作S603以基於複數個預定缺陷標記影像及對應於預定缺陷標記影像之缺陷之預定資訊建立一缺陷判定模型。
在一些實施例中,存在用於訓練缺陷判定模型之一訓練函數。訓練函數包含用於接收預定缺陷標記影像作為用於訓練之輸入資料及缺陷之預定資訊作為基於輸入資料之輸出資料之一區段。因此,在使用含有影像之收縮及擴展函數之一主程式執行訓練函數之後訓練用於將預定缺陷標記影像(輸入資料)轉換為缺陷之預定資訊(輸出資料)之缺陷判定模型。在建立缺陷判定模型之後,執行操作S604以儲存缺陷判定模型以供後續使用。
圖6C係展示判定晶圓上之缺陷之一方法之流程圖。在使用充分資料訓練參考影像產生模型及缺陷判定模型之後,建立參考影像產生模型及缺陷判定模型,執行操作S605以提供一晶圓。執行操作S606以偵測晶圓上之一缺陷。執行操作S607以判定缺陷之一位置(例如,缺陷之座標)。因此,在判定晶圓上之缺陷之位置之後,執行操作S608以根據該位置擷取含有晶圓之缺陷之一缺陷影像。應注意,可基於前述實施例(例如,藉由系統2或系統3檢測缺陷之實施例)達成缺陷之偵測及缺陷之位置之判定。
接著,執行操作S609以基於缺陷影像自一設計圖案資料判定一設計圖案影像。應注意,在一些實施例中:(1)設計圖案資料含有晶圓之一設計佈局之資訊(例如,晶圓之CAD佈局);及(2)設計圖案影像及缺陷影像係在晶圓之相同區處之影像。設計圖案影像係一設計佈局,且缺陷影像係由一裝置擷取之一影像。
接著,執行操作S610以基於設計圖案影像及參考影像產生模型產生一參考影像。藉由參考影像產生模型將設計圖案影像轉換為參考影像。參考影像產生模型係一機器學習模型。給出設計圖案影像作為參考影像產生模型之輸入資料,且來自參考影像產生模型之後續輸出資料係參考影像。換言之,將參考影像產生模型應用至設計圖案影像以產生參考影像。
在產生參考影像之後,執行操作S611以基於缺陷影像及參考影像產生一缺陷標記影像。在一些實施例中,藉由自參考影像減去缺陷影像而導出缺陷標記影像。執行操作S612以基於缺陷標記影像及缺陷判定模型產生晶圓之缺陷之資訊。詳細言之,藉由缺陷判定模型將缺陷標記影像轉換為缺陷之資訊。缺陷判定模型係一機器學習模型。給出缺陷標記影像作為缺陷判定模型之輸入資料,且來自缺陷判定模型之後續輸出資料係缺陷之資訊。換言之,將缺陷判定模型應用至缺陷標記影像以產生缺陷之資訊。
本揭露之一些實施例包含用於掃描晶圓之一方法,且其之流程圖如圖7A至圖7D中展示。一些實施例之方法由一系統(例如,前述實施例之系統(1、2或3)之任一者)實施。方法之詳細操作如下。
圖7A係展示訓練一參考影像產生模型之一方法之流程圖。參考影像產生模型經組態以將一設計圖案影像轉換為一參考影像,故執行操作S701以基於複數個預定設計圖案影像(在訓練階段處用作輸入資料)、基於預定設計圖案影像之複數個預定參考影像(在訓練階段處用作輸出資料)及預定參考影像之複數個影像直方圖資料(在訓練階段處用作輸入資料)建立一參考影像產生模型。
在一些實施例中,存在用於訓練參考影像產生模型之一訓練函數。訓練函數包含用於接收預定設計圖案影像及預定影像直方圖資料(輸入資料),且接收預定參考影像(輸出資料)之一區段。因此,在使用含有影像之收縮及擴展函數之一主程式執行訓練函數之後訓練參考影像產生模型。
在一些實施例中,用於訓練參考影像產生模型之預定參考影像係由一裝置擷取且與預定設計圖案影像匹配之影像。在建立參考影像產生模型之後,執行操作S702以儲存參考影像產生模型以供後續使用。
圖7B係展示訓練一缺陷判定模型之一方法之流程圖。缺陷判定模型經組態以將缺陷標記影像及對應於缺陷標記影像之灰度影像轉換為缺陷之資訊,執行操作S703以基於複數個預定缺陷標記影像、對應於預定缺陷標記影像之複數個第一預定灰度影像、對應於預定缺陷標記影像之複數個第二預定灰度影像及對應於預定缺陷標記影像之缺陷之預定資訊建立一缺陷判定模型。
在一些實施例中,存在用於訓練缺陷判定模型之一訓練函數。訓練函數包含用於接收第一預定灰度影像、第二預定灰度影像及預定缺陷標記影像作為用於訓練之輸入資料,且接收缺陷之預定資訊作為基於輸入資料之輸出資料之一區段。因此,在使用含有影像之收縮及擴展函數之一主程式執行訓練函數之後訓練缺陷判定模型。應注意,第一預定灰度影像及第二預定灰度影像之產生可基於前述實施例(例如,藉由系統3產生第一預定灰度影像及第二預定灰度影像之實施例)實施。在建立缺陷判定模型之後,執行操作S704以儲存缺陷判定模型以供後續使用。
圖7C至圖7D係展示判定缺陷之一方法之流程圖。在使用充分資料訓練參考影像產生模型及缺陷判定模型之後,建立參考影像產生模型及缺陷判定模型,執行操作S705以提供一晶圓。執行操作S706以偵測晶圓上之一缺陷。執行操作S707以判定缺陷之一位置(例如,缺陷之座標)。應注意,可基於前述實施例(例如,藉由系統2或系統3檢測缺陷之實施例)達成缺陷之偵測及缺陷之位置之判定。
因此,在判定晶圓上之缺陷之位置之後,執行操作S708以根據該位置擷取一缺陷影像及額外影像。缺陷影像及額外影像之各者含有晶圓之缺陷。應注意,可基於前述實施例(例如,藉由系統3獲得缺陷影像及額外影像之實施例)導出缺陷影像及額外影像。
執行操作S709以基於缺陷影像及一設計圖案資料判定一設計圖案影像。應注意,在一些實施例中:(1)設計圖案資料含有晶圓之一設計佈局之資訊(例如,呈CAD格式之晶圓之佈局);及(2)設計圖案影像及缺陷影像係在晶圓之相同區處之影像。設計圖案影像係一設計佈局,且缺陷影像係由一裝置擷取之一影像。在一些實施例中,操作S710基於缺陷影像及額外影像(在操作S708之後擷取)產生一第一灰度影像及一第二灰度影像。在一些實施例中,同時執行操作S710及操作S709。
執行操作S711以基於設計圖案影像及參考影像產生模型產生一參考影像。藉由參考影像產生模型將設計圖案影像轉換為參考影像。參考影像產生模型係一機器學習模型。給出設計圖案影像作為參考影像產生模型之輸入資料,且後續輸出資料係參考影像。換言之,將參考影像產生模型應用至設計圖案影像以產生參考影像。在一些實施例中,同時執行操作S710及操作S711。
在產生參考影像之後,執行操作S712以基於缺陷影像及參考影像產生一缺陷標記影像。在一些實施例中,藉由自參考影像減去缺陷影像而導出缺陷標記影像。在一些實施例中,同時執行操作S710及操作S712。
執行操作S713以基於第一灰度影像、第二灰度影像、缺陷標記影像及缺陷判定模型產生晶圓之缺陷之資訊。詳細言之,藉由缺陷判定模型將第一灰度影像、第二灰度影像及缺陷標記影像轉換為缺陷之資訊。缺陷判定模型係一機器學習模型。給出第一灰度影像、第二灰度影像及缺陷標記影像作為缺陷判定模型之輸入資料,且來自缺陷判定模型之後續輸出資料係缺陷之資訊。換言之,將缺陷判定模型應用至第一灰度影像、第二灰度影像及缺陷標記影像以產生缺陷之資訊。
在上文之實施例之各者中描述之缺陷判定方法可由包含複數個程式碼之一電腦程式實施。該電腦程式儲存於一非暫時性電腦可讀儲存媒體中。當該電腦程式被載入一電子運算設備(例如,在上文之實施例中提及之缺陷判定系統)中時,電腦程式執行如上文之實施例中描述之缺陷判定方法。非暫時性電腦可讀儲存媒體可係一電子產品,例如,一唯讀記憶體(ROM)、一快閃記憶體、一軟碟、一硬碟、一光碟(CD)、一行動磁碟、一網路可存取資料庫或具有相同功能且為一般技術者所熟知之任何其他儲存媒體。
本揭露之一些實施例提供一種用於掃描晶圓之方法。該方法包含以下操作:提供一晶圓;擷取該晶圓之一第一缺陷影像;基於一參考影像產生模型產生對應於該第一缺陷影像之一第一參考影像;及基於該第一缺陷影像及該第一參考影像產生一第一缺陷標記影像。
本揭露之一些實施例提供一種用於掃描晶圓之方法。該方法包含以下操作:獲得一晶圓之一影像,其中該影像包括該晶圓之一缺陷;產生對應於該影像之一第一設計圖案影像;將一參考影像產生模型應用至該第一設計圖案影像以產生一第一參考影像;及藉由比較該影像與該第一參考影像而導出一第一缺陷標記影像。
本揭露之一些實施例提供一種用於掃描晶圓之系統。該系統包含一儲存單元、一影像擷取裝置及一處理器。該處理器經電連接至該儲存單元及該影像擷取裝置。該儲存單元儲存一參考影像產生模型。該影像擷取裝置擷取一晶圓之一缺陷影像。該處理器:將該晶圓之該影像輸入至該參考影像產生模型以輸出一參考影像;且處理該影像及該參考影像以導出一缺陷標記影像。
上文概述若干實施例之特徵,使得熟習此項技術者可較佳理解本揭露之態樣。熟習此項技術者應瞭解,其等可容易使用本揭露作為用於設計或修改用於實行相同目的及/或達成本文中介紹之實施例之相同優點之其他程序及結構之一基礎。熟習此項技術者亦應意識到此等等效構造不脫離本揭露之精神及範疇且其等可在本文中做出各種改變、替代及更改而不脫離本揭露之精神及範疇。
1:系統
2:系统
3:系統
11:儲存單元
13:影像擷取裝置
15:處理器
21:儲存單元
23:影像擷取裝置
25:處理器
27:缺陷檢測裝置
31:儲存單元
33:影像擷取裝置
35:處理器
37:缺陷檢測裝置
110:參考影像產生模型
130:缺陷影像
150:參考影像
152:缺陷標記影像
210:參考影像產生模型
212:缺陷判定模型
214:設計圖案資料
230:缺陷影像
250:參考影像
252:缺陷標記影像
254:設計圖案影像
270:位置
310:參考影像產生模型
312:缺陷判定模型
314:設計圖案資料
330:缺陷影像
350:參考影像
352:缺陷標記影像
354:設計圖案影像
370:位置
S401:操作
S402:操作
S403:操作
S404:操作
S501:操作
S502:操作
S503:操作
S504:操作
S505:操作
S506:操作
S507:操作
S508:操作
S601:操作
S602:操作
S603:操作
S604:操作
S605:操作
S606:操作
S607:操作
S608:操作
S609:操作
S610:操作
S611:操作
S612:操作
S701:操作
S702:操作
S703:操作
S704:操作
S705:操作
S706:操作
S707:操作
S708:操作
S709:操作
S710:操作
S711:操作
S712:操作
S713:操作
當結合附圖閱讀時自以下詳細描述最佳理解本揭露之態樣。應注意,根據業界中之標準實踐,各種構件未按比例繪製。事實上,為了清楚論述起見,可任意增大或減小各種構件之尺寸。
圖1A係根據本揭露之一些實施例之一系統之一方塊圖。
圖1B係繪示根據本揭露之一些實施例之影像之一示意圖。
圖2A係根據本揭露之一些實施例之另一系統之一方塊圖。
圖2B係繪示根據本揭露之一些實施例之影像之一示意圖。
圖3A係根據本揭露之一些實施例之另一系統之一方塊圖。
圖3B係繪示根據本揭露之一些實施例之影像之一示意圖。
圖4係根據本揭露之一些實施例之一流程圖。
圖5係根據本揭露之一些實施例之一流程圖。
圖6A至圖6C係根據本揭露之一些實施例之流程圖。
圖7A至圖7D係根據本揭露之一些實施例之流程圖。
S401:操作
S402:操作
S403:操作
S404:操作
Claims (8)
- 一種掃描晶圓之方法,其包括:提供一晶圓;擷取該晶圓之一缺陷影像;基於一設計圖案資料判定對應於該缺陷影像之一第一設計圖案影像;基於該第一設計圖案影像及一參考影像產生模型產生對應於該缺陷影像之一第一參考影像,其中,該參考影像產生模型係基於具有一訓練資料之機器學習方案建立,該訓練資料包含至少一個第二設計圖案影像及對應於該至少一個第二設計圖案影像之至少一個第二參考影像;及基於該缺陷影像及該第一參考影像產生一第一缺陷標記影像。
- 如請求項1之方法,其進一步包括:判定該缺陷影像之一第一影像直方圖資料;其中基於該第一設計圖案影像、該第一影像直方圖資料及該參考影像產生模型產生該第一參考影像。
- 如請求項1之方法,其進一步包括:基於該第一缺陷標記影像及一缺陷判定模型產生該晶圓之缺陷之資訊。
- 如請求項3之方法,其進一步包括: 基於至少一個第二缺陷標記影像及對應於該至少一個第二缺陷標記影像之缺陷之資訊建立該缺陷判定模型。
- 如請求項3之方法,其進一步包括:基於擷取該缺陷影像而產生一第一灰度影像及一第二灰度影像;其中基於該第一缺陷標記影像、該第一灰度影像、該第二灰度影像及該缺陷判定模型產生該晶圓之缺陷之資訊。
- 一種掃描晶圓之方法,其包括:獲得一晶圓之一影像,其中該影像包括該晶圓之一缺陷;基於一設計圖案資料產生對應於該影像之一第一設計圖案影像;將一參考影像產生模型應用至該第一設計圖案影像以產生對應於該晶圓之該影像之一第一參考影像,其中,該參考影像產生模型係基於具有一訓練資料之機器學習方案建立,該訓練資料包含至少一個第二設計圖案影像及對應於該至少一個第二設計圖案影像之至少一個第二參考影像;及藉由比較該影像與該第一參考影像而導出一第一缺陷標記影像。
- 如請求項6之方法,其中導出該第一標記影像進一步包括:藉由自該第一參考影像減去該影像而導出該第一缺陷標記影像。
- 一種掃描晶圓之系統,其包括:一儲存單元,其經組態以儲存一參考影像產生模型;一影像擷取裝置,其經組態以擷取一晶圓之一影像;及 一處理器,其經電連接至該儲存單元及該影像擷取裝置且經組態以:基於一設計圖案資料產生對應於該晶圓之該影像之一第一設計圖案影像;將該第一設計圖案影像輸入至該參考影像產生模型以輸出對應於該晶圓之該影像之一參考影像,其中,該參考影像產生模型係基於具有一訓練資料之機器學習方案建立,該訓練資料包含至少一個第二設計圖案影像及對應於該至少一個第二設計圖案影像之至少一個第二參考影像;及處理該晶圓之該影像及該參考影像以導出一缺陷標記影像。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862751047P | 2018-10-26 | 2018-10-26 | |
US62/751,047 | 2018-10-26 | ||
US16/285,765 US11037289B2 (en) | 2018-10-26 | 2019-02-26 | Method and system for scanning wafer |
US16/285,765 | 2019-02-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202016531A TW202016531A (zh) | 2020-05-01 |
TWI748242B true TWI748242B (zh) | 2021-12-01 |
Family
ID=70327528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108133118A TWI748242B (zh) | 2018-10-26 | 2019-09-12 | 掃描晶圓的系統及方法 |
Country Status (3)
Country | Link |
---|---|
US (3) | US11037289B2 (zh) |
CN (1) | CN111103317B (zh) |
TW (1) | TWI748242B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10854486B2 (en) * | 2018-09-19 | 2020-12-01 | Kla Corporation | System and method for characterization of buried defects |
US11922613B2 (en) * | 2019-12-30 | 2024-03-05 | Micron Technology, Inc. | Apparatuses and methods for determining wafer defects |
US11769242B2 (en) * | 2020-05-21 | 2023-09-26 | Kla Corporation | Mode selection and defect detection training |
TWI737375B (zh) * | 2020-07-01 | 2021-08-21 | 力晶積成電子製造股份有限公司 | 缺陷辨識方法以及影像分析系統 |
CN112200762A (zh) * | 2020-07-02 | 2021-01-08 | 西南科技大学 | 二极管玻壳缺陷检测方法 |
CN112183667B (zh) * | 2020-10-31 | 2022-06-14 | 哈尔滨理工大学 | 一种协同深度学习的绝缘子故障检测方法 |
CN112908884B (zh) * | 2021-02-04 | 2023-11-28 | 苏州众里数码科技有限公司 | 一种led晶圆良率检测方法 |
WO2023156125A1 (en) * | 2022-02-17 | 2023-08-24 | Asml Netherlands B.V. | Systems and methods for defect location binning in charged-particle systems |
CN115272310B (zh) * | 2022-09-26 | 2023-01-03 | 江苏智云天工科技有限公司 | 工件的缺陷检测方法及装置 |
CN117269197B (zh) * | 2023-11-21 | 2024-02-02 | 昆明理工大学 | 多晶硅原料表面质量检测方法及检测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6614924B1 (en) * | 1999-08-02 | 2003-09-02 | Applied Materials, Inc. | Adaptive mask technique for defect inspection |
US20080101686A1 (en) * | 2006-10-31 | 2008-05-01 | Negevtech, Ltd. | Defect Detection Through Image Comparison Using Relative Measures |
US20120307043A1 (en) * | 2011-05-31 | 2012-12-06 | Nuflare Technology, Inc. | Inspection apparatus and method |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6583413B1 (en) * | 1999-09-01 | 2003-06-24 | Hitachi, Ltd. | Method of inspecting a circuit pattern and inspecting instrument |
US7013222B2 (en) * | 2003-09-12 | 2006-03-14 | Lsi Logic Corporation | Wafer edge inspection data gathering |
JP4542164B2 (ja) * | 2008-03-18 | 2010-09-08 | アドバンスド・マスク・インスペクション・テクノロジー株式会社 | パターン検査装置、パターン検査方法及びプログラム |
US8175373B2 (en) * | 2009-02-16 | 2012-05-08 | Kla-Tencor Corporation | Use of design information and defect image information in defect classification |
US10656517B2 (en) * | 2016-01-20 | 2020-05-19 | Mentor Graphics Corporation | Pattern correction in multiple patterning steps |
US10607119B2 (en) * | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
-
2019
- 2019-02-26 US US16/285,765 patent/US11037289B2/en active Active
- 2019-09-12 TW TW108133118A patent/TWI748242B/zh active
- 2019-10-18 CN CN201910994618.7A patent/CN111103317B/zh active Active
-
2021
- 2021-06-11 US US17/346,160 patent/US11783469B2/en active Active
-
2023
- 2023-07-27 US US18/359,871 patent/US20230386013A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6614924B1 (en) * | 1999-08-02 | 2003-09-02 | Applied Materials, Inc. | Adaptive mask technique for defect inspection |
US20080101686A1 (en) * | 2006-10-31 | 2008-05-01 | Negevtech, Ltd. | Defect Detection Through Image Comparison Using Relative Measures |
US20120307043A1 (en) * | 2011-05-31 | 2012-12-06 | Nuflare Technology, Inc. | Inspection apparatus and method |
Also Published As
Publication number | Publication date |
---|---|
TW202016531A (zh) | 2020-05-01 |
CN111103317B (zh) | 2022-12-06 |
US11037289B2 (en) | 2021-06-15 |
US20230386013A1 (en) | 2023-11-30 |
US20200134810A1 (en) | 2020-04-30 |
US11783469B2 (en) | 2023-10-10 |
US20210304397A1 (en) | 2021-09-30 |
CN111103317A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI748242B (zh) | 掃描晶圓的系統及方法 | |
JP6924413B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
JP6573226B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
TWI755613B (zh) | 基於機器學習之圖案分組方法 | |
JP7004826B2 (ja) | 寸法計測装置、寸法計測方法及び半導体製造システム | |
JP2012032370A (ja) | 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体 | |
JP2013257304A5 (zh) | ||
JP6544716B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
TW201403663A (zh) | 缺陷解析支援裝置、在缺陷解析支援裝置所執行的程式、及缺陷解析系統 | |
TW201510878A (zh) | 計測裝置 | |
JP2013222734A (ja) | 荷電粒子線装置 | |
JP2019050376A5 (zh) | ||
JP4776259B2 (ja) | パターン評価方法、パターン位置合わせ方法およびプログラム | |
KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
TW201731004A (zh) | 減少配準及設計附近所引發之晶粒內檢查之雜訊 | |
KR20220014805A (ko) | 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성 | |
JP2019158628A (ja) | 検査装置、検査方法、及び検査プログラム | |
JP5647999B2 (ja) | パターンマッチング装置、検査システム、及びコンピュータプログラム | |
JP2012123631A (ja) | 注目領域検出方法、注目領域検出装置、及びプログラム | |
JP2022139174A (ja) | 欠陥分類装置、方法およびプログラム | |
CN114240928B (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
JP6018802B2 (ja) | 寸法測定装置、及びコンピュータープログラム | |
JP5983033B2 (ja) | 位置関係判定プログラム、位置関係判定方法および位置関係判定装置 | |
KR102073362B1 (ko) | 웨이퍼 맵을 불량 패턴에 따라 분류하는 방법 및 컴퓨터 프로그램 | |
JP2014232373A (ja) | 照合対象抽出システム、照合対象抽出方法、照合対象抽出プログラム |