TWI755468B - 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法 - Google Patents
用於分類器及藉由光學工具所捕捉之缺陷之診斷方法 Download PDFInfo
- Publication number
- TWI755468B TWI755468B TW107100714A TW107100714A TWI755468B TW I755468 B TWI755468 B TW I755468B TW 107100714 A TW107100714 A TW 107100714A TW 107100714 A TW107100714 A TW 107100714A TW I755468 B TWI755468 B TW I755468B
- Authority
- TW
- Taiwan
- Prior art keywords
- wafer
- inspection results
- filtered
- inspection
- interest
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 193
- 230000003287 optical effect Effects 0.000 title description 2
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 238000007689 inspection Methods 0.000 claims abstract description 171
- 238000000034 method Methods 0.000 claims abstract description 60
- 235000012431 wafers Nutrition 0.000 claims description 173
- 238000003860 storage Methods 0.000 claims description 70
- 238000005070 sampling Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 239000004065 semiconductor Substances 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000153 supplemental effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
- H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- 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)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本發明揭示具有穩定妨害率及受關注缺陷捕捉率之晶圓檢驗。此技術可用於發現在製造程序期間發生之新出現之缺陷。基於一第一晶圓，基於該等經分類之經過濾檢驗結果識別受關注缺陷。針對各剩餘晶圓，更新該缺陷分類器且基於該等經分類之經過濾檢驗結果識別下一晶圓中之受關注缺陷。
Description
本發明係關於缺陷偵測。
半導體製造業之演進對良率管理及特定言之計量及檢驗系統提出更高要求。臨界尺寸在縮小而晶圓大小在增大。經濟性在驅動業界縮短達成高良率、高價值生產之時間。因此，最小化從偵測到一良率問題至解決它之總時間判定半導體製造商之投資報酬。 製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用較大數目個製造程序處理一半導體晶圓以形成半導體裝置之各種特徵及多個層級。例如，微影係涉及將一圖案自一倍縮光罩轉印至配置於一半導體晶圓上之一光阻之一半導體製造程序。半導體製造程序之額外實例包含但不限於化學機械拋光(CMP)、蝕刻、沈積及離子植入。可在一單一半導體晶圓上之一配置中製造多個半導體裝置，且接著將其等分離成個別半導體裝置。 可使用演算法來偵測一晶圓上之缺陷。當使用機器學習演算法來產生缺陷分類器及妨害過濾器時，演算法傾向於被視為並未經調諧或診斷之黑箱解決方案。一檢驗配方之評估通常等待直至觀察到針對評估接收之一組新的標註資料或替代地不使用標註資料之一些部分且保留其用於驗證。此等技術之兩者皆浪費資源。 當設定一檢驗配方時，可基於用於訓練分類器之資料之品質及分類器學習且提取來自資料之資訊之能力實現總體效能評估。若資料之品質較差且實際缺陷及妨害並不具有一清晰分離邊界，則任何分類器皆有可能發生故障。 使用兩個量度：辨別力及可靠性來評估各配方之效能。存在許多辨別力量度。一個係訓練資料之混淆矩陣，其由一組狀況誤差率構成。根據此等狀況誤差率，回報率及妨害率可對半導體製造商係重要的。回報率係經正確分類之受關注缺陷(DOI)之數量與晶圓中之DOI之總數之比。妨害率係經分類為DOI之妨害之數量與分類為DOI之缺陷之總數之比。一較高之回報率及一較低之妨害率意味著一較佳之配方。然而，僅可在之前針對包含實際資料標誌之訓練資料集評估妨害率及回報率。 可靠性係展示分類器對其做出之決策有多確定之一量度。其為由分類器實現之後驗估計之一函數。之前，透過各缺陷之可信度計算評估分類器可靠性。 雖然辨別力及可靠性可為重要量度，但辨別力及可靠性可在DOI及妨害之下層分佈具有特定特性時掩蓋現實。此可稱為一遮蔽效應。 通常用於寬頻帶電漿(BBP)及雷射掃描(LS)工具上之分類器評估之方法係基於用於量測辨別力之訓練集之混淆矩陣及計算用於量測可靠性之可信度直方圖。如在圖1(a)中可見，僅基於訓練資料量測辨別力，若使用任何特殊取樣方法，則訓練資料偏差。可信度直方圖已經用於量測可靠性。對一使用者可不存在關於DOI之可靠性或使用此技術之妨害分類之資訊。 使用訓練集之混淆矩陣通常不足以理解整個晶圓上之配方之性質。若已經以特定方式(通常實現此以便減少用於掃描電子顯微鏡(SEM)檢視及手動分類之缺陷之數量)選擇訓練集中之缺陷，則訓練集之混淆矩陣偏向該等缺陷且並非整個晶圓上之分類器效能之一良好估計器。 先前解決方案基於在程序監測(生產取樣)期間獲得之手動分類重新訓練一二進位分類器(例如，妨害對比DOI)。此等先前解決方案使用經更新之分類器來產生對後續晶圓之新的DOI/妨害分離且使用新的儲格來產生生產樣本，其繼而用於調諧下一分類器。50%之先前解決方案之樣本係自最近分類器之DOI儲格隨機取樣，且其他50%為自整個群集隨機取樣。兩個樣本用於比較兩個檢驗之統計程序控制(SPC)，且第二樣本亦提供「次臨限」缺陷以用於重新訓練分類器。 用於處理程序/晶圓變化之另一先前方法依賴於從頭開始建立分類器且藉助於SEM自動缺陷分類(ADC)反覆建立訓練集，且接著自新產生之DOI儲格產生生產樣本。然而，對在各晶圓上從頭開始建立一分類器之需要在SEM工具時間方面具有較高成本。另外，用於訓練BBP模型之認定實況係基於不具有人類驗證之SEM ADC，此潛在地使認定實況較不可靠。最後，此方法並不對利用自先前晶圓之缺陷，且因此，在訓練程序期間增加資料不足及不穩定之風險。 在無額外取樣的情況下，先前技術找不到整個晶圓上之回報率及妨害率(及針對未標註資料)之估計。因此，使用者不知道如何調諧配方可影響總體效能。先前技術亦不識別遮蔽效應。因此，需要一新的缺陷偵測技術及系統。
在一第一實施例中，提供一種用於偵測複數個晶圓中之受關注缺陷之系統。該系統包括：一中心儲存媒體，其經組態以儲存複數個經分類檢驗結果及一初始缺陷分類器；一晶圓檢驗工具；一影像資料獲取系統；及一處理器，其與該中心儲存媒體、該晶圓檢驗工具及該影像資料獲取系統電子通信。該處理器經組態以執行一檢驗引擎、一取樣引擎及一調諧引擎之指令。該檢驗引擎指示該處理器自該晶圓檢驗工具接收一第一晶圓之檢驗結果。該取樣引擎指示該處理器：自該中心儲存媒體擷取該初始缺陷分類器；基於該初始缺陷分類器過濾該等檢驗結果；基於該等經過濾檢驗結果自該影像資料獲取系統檢視該第一晶圓上之受關注位置；基於該初始缺陷分類器對該等經過濾檢驗結果進行分類；將該等經分類之經過濾檢驗結果儲存於該中心儲存媒體中；及基於該等經分類之經過濾檢驗結果識別該第一晶圓中之受關注缺陷。該調諧引擎指示該處理器基於儲存於該中心儲存媒體中之該等經分類之經過濾檢驗結果更新該初始缺陷分類器。針對各剩餘晶圓，該檢驗引擎指示該處理器自該晶圓檢驗工具接收一下一晶圓之檢驗結果。針對各剩餘晶圓，該取樣引擎指示該處理器：基於該初始缺陷分類器過濾該下一晶圓之該等檢驗結果；基於該下一晶圓之該等經過濾檢驗結果及歷史分析取樣使用該影像資料獲取系統檢視該下一晶圓上之受關注位置；基於該下一晶圓上之該等經檢視受關注位置對該下一晶圓之該等經過濾檢驗結果進行分類；將該下一晶圓之該等經分類之經過濾檢驗結果儲存於該中心儲存媒體中；基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器；及基於該下一晶圓之該等經分類之經過濾檢驗結果識別該下一晶圓中之受關注缺陷。 針對該等剩餘晶圓之各者，該調諧引擎可指示該處理器以基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器。該取樣引擎可指示該處理器基於該經更新缺陷分類器執行該過濾步驟。 該影像資料獲取系統可為一SEM檢視工具。 該晶圓檢驗工具可執行一熱掃描儀捕捉檢驗結果。例如，該晶圓檢驗工具可為一寬頻帶電漿檢驗工具。 該缺陷分類器可發送受關注缺陷資料及妨害資料以用於重新訓練該缺陷分類器。 識別受關注缺陷之該步驟可包括：接近一最近缺陷分類器之一分類邊界取樣；基於該缺陷分類器中之波動獲得關於分類器穩定性之資訊；觀察該分類邊界中之一移動；及基於該分類邊界中之預測移動識別該等受關注缺陷。 該等檢驗結果或經檢視之受關注位置可經儲存於該中心儲存媒體中。 在一第二實施例中，提供一種用於識別複數個晶圓中之受關注缺陷之方法。該方法包括在一處理器處自一晶圓檢驗工具接收一第一晶圓之檢驗結果。使用該處理器基於一初始缺陷分類器過濾該等檢驗結果。基於該等經過濾檢驗結果使用一影像資料獲取系統檢視該第一晶圓上之受關注位置。基於該第一晶圓上之該等經檢視之受關注位置使用該處理器對該等經過濾檢驗結果進行分類。該等經分類之經過濾檢驗結果經儲存於一中心儲存媒體中。基於該等經分類之經過濾檢驗結果識別該第一晶圓中之受關注缺陷。針對各剩餘晶圓，該方法包括在該處理器處自該晶圓檢驗工具接收一下一晶圓之檢驗結果。使用該處理器基於該初始缺陷分類器過濾該等檢驗結果。基於該下一晶圓之該等經過濾檢驗結果及歷史分析取樣使用該影像資料獲取系統檢視該下一晶圓上之受關注位置。基於該下一晶圓上之該等經檢視之受關注位置使用該處理器對該下一晶圓之該等經過濾檢驗結果進行分類。該下一晶圓之該等經分類之經過濾檢驗結果經儲存於該中心儲存媒體中。基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器。基於該下一晶圓之該等經分類之經過濾檢驗結果識別該下一晶圓中之受關注缺陷。 該影像資料獲取系統可為一SEM檢視工具。 該晶圓檢驗工具可執行一熱掃描儀捕捉檢驗結果。例如，該晶圓檢驗工具可為一寬頻帶電漿檢驗工具。 該缺陷分類器可發送受關注缺陷資料及妨害資料以用於重新訓練該缺陷分類器。 識別受關注缺陷之該步驟可包括：接近一最近缺陷分類器之一分類邊界取樣；基於該缺陷分類器中之波動獲得關於分類器穩定性之資訊；觀察該分類邊界中之一移動；及基於該分類邊界中之預測移動識別該等受關注缺陷。 針對該等剩餘晶圓之各者，該方法可包括基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器。可基於該經更新缺陷分類器執行該過濾步驟。 該等檢驗結果或經檢視之受關注位置可經儲存於該中心儲存媒體中。 基於儲存於該中心儲存媒體中之該等經分類之經過濾檢驗結果器更新該缺陷分類器之該步驟可包括：基於一經計算訓練混淆矩陣估計一回報率且基於該中心儲存媒體中之該缺陷分類器、該下一晶圓之該等經分類之經過濾檢驗結果及該經估計回報率估計一妨害率。該經計算訓練混淆矩陣係基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果。 該等經過濾檢驗結果可具有與該等經過濾檢驗結果相關聯之至少兩個臨限值。該至少兩個臨限值之一第一者係針對用於監測程序及缺陷之一檢驗。該至少兩個臨限值之一第二者小於該第一臨限值且經組態以在檢驗期間捕捉次臨限缺陷。
相關申請案之交叉參考 本申請案主張2017年1月10日申請之美國臨時申請案第62/444,694號、2017年3月22日申請之美國臨時申請案第62/475,030號及2017年11月3日申請之美國臨時申請案第62/581,378號之優先權，該等案之揭示內容以引用的方式併入本文中。 儘管將依據特定實施例描述所主張之標的，然其他實施例(包含未提供本文中闡述之全部優點及特徵之實施例)亦在本發明之範疇內。可在不脫離本發明之範疇之情況下進行各種結構、邏輯、程序步驟及電子改變。因此，僅參考隨附申請專利範圍定義本發明之範疇。 本文揭示之實施例解決用於在一積體電路製造程序之早期階段中處理程序及晶圓不穩定性質新的系統及方法。本發明之一項實施例係基於除生產取樣外在生產批次上產生一小樣本，彙總若干晶圓上方之樣本亦建立一最新分類器及使用分類器來在下一晶圓上產生新更新之樣本之理念。 本文揭示之實施例可至少出於下列原因尤其比現有方法更有利。當前揭示之系統及方法利用使用最近已知之程序狀況產生且良好適用於返回一優越分類器之一增補(擴充)樣本。最近已知之程序狀況及缺陷遠比當前使用之隨機樣本更有用於此目的。 最近已知之程序狀況亦係程序改變之一優越指示，且任何新的缺陷或展示最大變化之缺陷將在樣本中有效顯露。換言之，具有一小樣本大小之一有效增量發現導致較小之額外SEM檢視及分類成本。 此外，憑藉對程序不穩定性之額外監測，以及當前揭示之系統及方法量化該程序不穩定性之能力，增補樣本可經自動調諧以匹配該等程序狀況。 一般言之，所揭示之系統及方法容許具有更穩定妨害率及DOI捕捉率之更相關之寬頻帶電漿檢驗。所揭示之系統及方法容許較快發現在製造程序期間發生之新出現之缺陷，且容許製造程序之穩定性之一分析。 存在實施當前揭示之系統及方法之若干方式。一項實施例僅依賴於來自中心儲存媒體之資料，然後系統及方法在檢驗之剩餘部分利用分類器效能中對缺陷之手動分類。此等實施例使分類器比當前正檢驗之晶圓落後之一個晶圓。另一實施例增添藉由在晶圓缺陷檢視工具執行取樣且接著在中心儲存媒體上產生增補樣本而對當前晶圓更新分類器之能力。此實施例之一個優勢在於最近晶圓狀況亦包含於分類器中。 可針對其中實際標誌不可用之資料估計回報率及妨害率。因此，可提供回報率及妨害率之預期值。技術展示回報率、妨害率、後驗及可信度之所有估計係精確的或資料具有陰影分佈。由演算法產生之資料(除分類外)可提供無法使用手動產生之分類器(諸如線上缺陷組合器(iDO))獲得之診斷資訊。iDO係可在檢驗期間對缺陷進行即時分類之一演算法之一實例。 可評估一配方。此等方法包含回報率之估計；妨害率之估計；評估可展示回報率對比妨害率之受試者操作曲線(ROC)以用於精細調諧配方；及偵測遮蔽效應，此判定後驗、可信度、回報率及妨害率之估計是否係值得信賴的。ROC可為繪製真陽性率對比假陽性率之一曲線。替代ROC或與之協作，可使用DOI回報率(真陽性率)對比妨害率(其非假陽性率)。 來自分類器之兩個輸出可用於建立診斷工具。首先，可使用係由分類器提供之分類結果之決策。其次，可使用各缺陷之後驗。存在一分類器可找到後驗之不同方式。與各類別形心之距離或精確度之概率量測係兩個實例。 為估計回報率，可使用經正確分類之DOI之數量與訓練集中之DOI之總數之比。此可應用於測試集以找到測試資料中可能丟失之DOI之數量之估計。假定存在兩個類別(DOI及妨害)，混淆矩陣如在表1中展示般出現。 表1 
Snm
係原本屬於類別m且經分類為類別n之所有缺陷之集。SDD
係經分類為DOI且實際為DOI之缺陷集。SND
係經分類為妨害且實際為DOI之缺陷集。SDN
係經分類為DOI且實際為妨害之缺陷集。SNN
係經分類為妨害且實際亦為妨害之缺陷集。在方程式1中展示整個晶圓之回報率估計。
方程式1 在方程式1中，|S|表示集S之大小(基數)。為估計未標註缺陷之妨害率，可使用與經分類為DOI之缺陷之妨害相關聯之缺陷之累積後驗與DOI儲格中之缺陷之總數之一比。假定兩個類別(DOI及妨害)，在表2中展示測試資料(或任何未標註資料)之資料群集之後分類。 
SD
係經分類為DOI之缺陷集。SN
係經分類為妨害之缺陷集。假定與缺陷i相關聯之妨害類別之後驗係pi
，將如在方程式2中展示般計算妨害率。
方程式2 SD
係經分類為DOI之缺陷集。pi
係與缺陷i相關聯之妨害類別之後驗概率。|SD
|表示集SD之大小。 回報率可隨較大之妨害增大。此可藉由例如在可信度直方圖中移動切割線且改變具有較低可信度之缺陷之類別代碼實現。可針對切割線之所有可能值評估回報率及妨害率。接著可展示三個標繪圖，在圖2中展示其等之三個實例。圖2中之圖(a)展示回報率對比切割線值。圖2中之圖(b)展示妨害率對比切割線值。圖2中之圖(c)展示ROC。一ROC可為一給定資料集上之一分類器之效能之一有用表示。使用者可發現將為針對一所要捕捉率之妨害率之物，且反之亦然。憑藉此等曲線，一使用者可決定切割線之值是否係值得信賴的。 在分類中，良好分離之分佈可為具有短重疊之分佈，如在圖3(a)、圖3(b)及圖3(c)中展示。資料可經良好分離如同在兩個分佈之間繪製一清晰邊界，如在圖3(a)及圖3(b)中展示。分佈可經良好分離且在空間中具有多個區且使用多個邊界分離，如在圖3(c)中展示。 大多數分類器可學習此情形。在此場景中，分類器之效能係一般的。此機率密度函數(PDF)係正常在晶圓中出現之彼等，但此並非始終係該情況。可已經遮蔽一個分佈之一大部分。遮蔽效應係當一個類別分佈之一大部分處於另一類別之PDF下時之一情形。此情形可作為手動或自動標註期間之錯誤或因不具有良好屬性以區分陰影部分與其他類別而發生。圖4中之圖(a)及圖(b)係此情形之兩個實例。 第一情況(在圖4中之(a))之偵測相對係簡單的，此係因為僅藉由觀察訓練混淆矩陣可判定一個類別之精確度係欠佳的。偵測第二情況(在圖4中之(b))係較困難的。此情形可誤導一使用者關於晶圓上之資料，其中不管使用哪種分類器，皆不會偵測到一個類別之大部分。此處之誤分類並非歸因於分類器之欠佳效能，但可係歸因於特徵或標誌之欠佳品質。 為偵測此情形，可使用訓練集來訓練一分類器。接著，訓練可經排序以自可信度值升序設定自分類器獲得之缺陷。可產生一空集區且可自最低可信度至最高可信度逐一添加缺陷至集區。在添加各缺陷之後，可計算集區中之缺陷至混淆矩陣且可節省類別之精確度及集區中之缺陷之數量。各類別之精確度可經定義為該類別之經正確分類之缺陷之數量對來自該類別之缺陷之總數。在使用訓練集中之所有缺陷之後，可比較精確度對比集區中之缺陷之數量。圖5中展示此演算法之一實例。 針對一晶圓上之一一般缺陷分佈，預期集區中之所有類別之精確度在缺陷數量增大時增大或保持恆定。雖然其他基本原理係可能的，但相較於集區中之先前缺陷，集區中之一新的缺陷可具有較大或相等之可信度。 圖6中之(a)及(b)中之標繪圖針對兩個不同晶圓展示此。圖6之(a)中之標繪圖係來自不具有陰影DOI之一晶圓，且DOI及妨害精確度二者隨缺陷數量改良。然而，圖6中之標繪圖(b)展示一DOI類別觀察到一遮蔽效應之一晶圓。DOI儲格並不隨缺陷數量改良。其指示添加高可信度缺陷，但此等經不正確分類，此為遮蔽效應之一指示。 在圖7之流程圖中展示一方法之一實施例之細節。圖7展示估計妨害率及捕捉率之演算法及陰影效應之偵測之一流程圖。訓練集用於產生分類器。分類器經應用於測試集中之缺陷。接著，分類器用於評估所有缺陷(在訓練集及測試集二者中)之可信度及後驗。使用後驗來實現妨害率之估計。使用自訓練集獲得之混淆矩陣來實現捕捉率之估計。最後，實現一檢查以找出資料是否在陰影效應下。若其不在陰影效應下，則估計係可信賴的。 圖8係用於識別複數個晶圓中之受關注缺陷之一方法100之一流程圖。在101，諸如在一處理器處自一晶圓檢驗工具接收一第一晶圓之檢驗結果，該工具可為一BBP工具或另一檢驗裝置。在102，諸如使用處理器基於一初始缺陷分類器過濾檢驗結果。在103，諸如使用一影像資料獲取系統基於經過濾之檢驗結果檢視第一晶圓上之受關注位置。影像資料獲取系統可為一SEM檢視工具或另一量測、檢驗或計量工具。在104，諸如使用處理器基於第一晶圓上之經檢視之受關注位置對經過濾檢驗結果進行分類。在105，經分類之檢驗結果經儲存於一中心儲存媒體中。在106，諸如使用處理器基於經分類之經過濾檢驗結果識別受關注缺陷。諸如針對經取樣之各晶圓，可使經過濾之檢驗結果保持分離。 在107，針對各剩餘晶圓，諸如在程序處自晶圓檢驗工具接收下一晶圓之檢驗結果。在108，諸如使用處理器基於初始缺陷分類器過濾檢驗結果。在109，諸如使用影像資料獲取系統基於經過濾檢驗結果及歷史分析取樣檢視下一晶圓上之受關注位置。在110，諸如使用處理器基於下一晶圓上之經檢視之受關注位置對經過濾檢驗結果進行分類。在111，經分類之過濾結果經儲存於中心儲存媒體中。在112，諸如使用處理器基於儲存於中心儲存媒體中之經分類結果更新缺陷分類器。在113，諸如使用處理器基於下一晶圓之經分類之經過濾檢驗結果識別下一晶圓上之受關注缺陷。 下一晶圓可指代下一循序晶圓，但亦可意指一第二、第三、第四、第五或以後的晶圓。 在方法100中，識別受關注缺陷可包含接近一最近缺陷分類器之一分類邊界取樣。可基於缺陷分類器中之波動獲得關於分類器穩定性之資訊。可預測分類邊界之移動。可基於分類邊界中之經預測移動識別受關注缺陷。 晶圓檢驗工具可執行一熱掃描儀以使用方法100捕捉檢驗結果。 缺陷分類器可發送受關注缺陷資料及妨害資料以用於重新訓練缺陷分類器。 針對各剩餘晶圓，可諸如使用處理器基於儲存於中心儲存媒體中之經分類結果更新缺陷分類器。可基於經更新缺陷分類器執行過濾步驟。 檢驗結果或經檢視之受關注位置可經儲存於中心儲存媒體中。 基於經儲存於中心儲存媒體中之經分類結果更新缺陷分類器可包含基於一經計算訓練混淆矩陣估計一回報率。經計算訓練混淆矩陣可係基於儲存於中心儲存媒體中之下一晶圓之經分類之經過濾檢驗結果。可基於中心儲存媒體中之缺陷分類器、下一晶圓之經分類之經過濾檢驗結果及經估計之回報率估計一妨害率。可由處理器執行此等步驟。 亦可基於初始缺陷分類器計算一可信度值。在此例項中，基於儲存於中心儲存媒體中之經分類結果更新缺陷分類器可進一步包含基於缺陷分類器及經計算之可信度值偵測一遮蔽效應。 經過濾檢驗結果可具有與經過濾檢驗結果相關聯之至少兩個臨限值。至少兩個臨限值之一第一者係針對可用於監測程序及缺陷之一檢驗。至少兩個臨限值之一第二者小於第一臨限值且可經組態以在檢驗期間捕捉次臨限缺陷。此使臨限值之兩側上之取樣能夠容許在兩個方向上改變分類邊界。 此技術提供多個優勢。其提供一快速回報率估計器。通常，回報率之估計係一昂貴及/或不精確任務。一使用者必須自一妨害儲格取樣大量缺陷，使用一工具(例如，一SEM工具)檢視其等，對其等進行分類且嘗試提供妨害儲格中之DOI之數量之一估計。此方法在多數時間係不可行的，此係因為DOI儲格中之缺陷數量極大。本文揭示之實施例不需要任何樣本，此使其極快。亦提供一較快之妨害率估計。通常為估計妨害率，使用者自DOI儲格隨機取樣且接著SEM檢視其等，且對其等進行分類。可使用本文揭示之技術來移除用於取樣、SEM檢視及分類之此額外時間。 整個晶圓上之ROC曲線之估計可為半導體製造商調諧配方且識別檢驗給出所需輸出之最佳狀況之一有用工具。 所揭示之技術亦提供遮蔽效應之一偵測方法。可識別資料中之分佈之不可分離部分。此現象通常歸因於手動標註期間之錯誤、欠佳之SEM影像品質或缺乏強特徵而發生。 圖9係用於偵測複數個晶圓中之受關注缺陷之一系統200之一方塊圖。系統200包含一晶圓檢驗工具201、一影像資料獲取系統204、一中心儲存媒體203及一處理器202。影像資料獲取系統204可為一SEM檢視工具。晶圓檢驗工具201可為一BBP檢驗工具，其可經組態以執行一熱掃描以捕捉檢驗結果。晶圓檢驗工具201亦可為一LS工具或一未經圖案化晶圓表面檢驗系統，諸如由KLA-Tencor Corporation製造之Surfscan SPx。中心儲存媒體203經組態以儲存複數個經分類檢驗結果及一初始缺陷分類器。處理器202與中心儲存媒體203、晶圓檢驗工具201及影像資料獲取系統204電子通信。 處理器202經組態以執行一檢驗引擎、一取樣引擎及一調諧引擎之指令。檢驗引擎指示處理器自晶圓檢驗工具接收一第一晶圓之檢驗結果。該取樣引擎指示該處理器：自該中心儲存媒體擷取該初始缺陷分類器；基於該初始缺陷分類器過濾該等檢驗結果；基於該等經過濾檢驗結果自該影像資料獲取系統檢視該第一晶圓上之受關注位置；基於該初始缺陷分類器對該等經過濾檢驗結果進行分類；將該等經分類之經過濾檢驗結果儲存於該中心儲存媒體中；及基於該等經分類之經過濾檢驗結果識別該第一晶圓中之受關注缺陷。調諧引擎指示處理器基於儲存於中心儲存媒體中之經分類之結果更新初始缺陷分類器。 針對各剩餘晶圓，檢驗引擎指示處理器自晶圓檢驗工具接收一下一晶圓之檢驗結果。取樣引擎指示處理器：基於初始缺陷分類器過濾檢驗結果；使用影像資料獲取系統基於經過濾檢驗結果及歷史分析取樣檢視下一晶圓上之受關注位置；基於下一晶圓上之經檢視受關注位置對經過濾檢驗結果進行分類；將經分類結果儲存於中心儲存媒體中；使用處理器基於儲存於中心儲存媒體中之經分類之結果更新缺陷分類器；及基於下一晶圓之經分類之經過濾檢驗結果識別下一晶圓中之受關注缺陷。 針對各剩餘晶圓，調諧引擎可指示處理器以使用處理器基於儲存於中心儲存媒體中之經分類結果更新缺陷分類器。取樣引擎可指示處理器基於經更新缺陷分類器執行過濾步驟。用於更新缺陷分類器之結果數量及晶圓數量可由演算法決定且可由設定控制。此等數量可取決於使用情況及檢驗。針對研究及開發應用，可僅使用若干個最近晶圓。在一較成熟之大容量製造程序中，訓練資料可來源於更多晶圓。其可受限於時間及資料充分性。 缺陷分類器可發送受關注缺陷資料及妨害資料以用於重新訓練缺陷分類器。 識別受關注缺陷之步驟可包含：接近一最近缺陷分類器之一分類邊界取樣；基於缺陷分類器中之波動獲得關於分類器穩定性之資訊；觀察分類邊界中之一移動；及基於分類邊界中之預測移動識別受關注缺陷。可在一些最近晶圓上執行觀察一移動。 檢驗結果或經檢視之受關注位置可經儲存於中心儲存媒體203中，其可包含一資料庫。在一特定例項中，一中心儲存媒體203可存儲經分類之缺陷以及檢驗群集之剩餘部分。在添加各新的資料至資料庫之後，一調諧及分析引擎可對經儲存之資料操作。一取樣引擎可自中心伺服器擷取最近分類器以識別最適當缺陷。此藉由一或多個下列技術實現。首先，利用最近分類器以接近模型之分類邊界取樣(作為邊界之兩側)。其次，使用自最近晶圓上之分類波動獲得之關於分類器穩定性之資訊。第三，將樣本之大部分引導至最可能處於邊界移動至方向上之分類邊界之側。 一項實施例僅依賴於中心儲存媒體，然後在檢驗之剩餘部分利用分類器效能及對缺陷之手動分類。此構造使分類器保持一個晶圓之後。另一實施例附加藉由在晶圓缺陷檢視工具上執行取樣且接著產生增補樣本以用於中心儲存而對當前晶圓更新模型之能力，此意味著亦包含最近晶圓狀況。在圖10及圖11中展示兩個實例。在圖10及圖11中，使用起一標準妨害過濾器之作用之一妨害DOI分類器使檢驗更熱地運行。此保留妨害DOI邊界之兩側上之缺陷以用於重新訓練。來自歷史分析取樣設定及最近分類器之穩定性資訊用於取樣。 雖然處理器202及中心儲存媒體203經繪示為分離的，但此等可為相同控制單元之部分。處理器202及中心儲存媒體203二者可為晶圓檢驗工具201或影像資料獲取系統204或另一裝置之部分。在一實例中，處理器202可為一獨立控制單元或在一集中式品質控制單元中。可使用多個處理器202及/或中心儲存媒體203。例如，三個處理器202可用於檢驗引擎、取樣引擎及調諧引擎。 可藉由硬體、軟體及韌體之任何組合在實踐中實施處理器202。同樣地，如本文描述之其功能可藉由一個單元執行，或在不同組件間劃分，其等之各者可繼而藉由硬體、軟體及韌體之任何組合實施。處理器202實施各種方法及功能之程式碼或指令可儲存於控制器可讀儲存媒體(諸如中心儲存媒體203中之一記憶體或其他記憶體)中。 處理器202及中心儲存媒體203可以任何適當方式(例如，經由一或多個傳輸媒體，其等可包含有線及/或無線傳輸媒體)耦合至系統200之組件，使得處理器202及中心儲存媒體203可接收由系統200產生之輸出。處理器202可經組態以使用輸出來執行數個功能。 本文描述之處理器202及中心儲存媒體203、(若干)其他系統或(若干)其他子系統可為各種系統之部分，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。(若干)子系統或(若干)系統亦可包含技術中已知之任何適當處理器，諸如一並行處理器。另外，(若干)子系統或(若干)系統可包含作為一單獨或一網路化工具之具有高速處理及軟體之一平台。 若系統包含超過一個子系統，則不同子系統可經耦合至彼此使得影像、資料、資訊、指令等可在子系統之間發送。例如，一個子系統可藉由任何適當傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含技術中已知之任何適當有線及/或無線傳輸媒體。此等子系統之兩者或兩者以上亦可藉由一共用電腦可讀儲存媒體(未展示)有效耦合。 一額外實施例係關於一種非暫時性電腦可讀媒體，其儲存可在一控制器上執行以用於執行本文揭示之一實施例之一電腦實施方法之程式指令。特定言之，處理器202可經耦合至中心儲存媒體203或具有包含可在處理器202上執行之程式指令之非暫時性電腦可讀媒體之其他電子資料儲存媒體中之一記憶體。電腦實施方法可包含本文中描述之任何(若干)方法之任何(若干)步驟。例如，處理器202可經程式化以執行圖8之一些或所有步驟。中心儲存媒體203或其他電子資料儲存媒體中之記憶體可為一儲存媒體，諸如一磁碟或光碟、一磁帶或技術中已知的任何其他適當非暫時性電腦可讀媒體。 程式指令可以各種方式之任一者實施，尤其包含基於程序之技術、基於組件之技術及/或物件導向技術。例如，可視需要使用ActiveX控件、C++對象、JavaBeans、微軟基礎類(MFC)、SSE (串流SIMD延伸)或其他技術或方法實施程式指令。 可如本文中描述般執行方法之步驟之各者。方法亦可包含可藉由本文描述之控制器及/或(若干)電腦子系統或(若干)系統執行之任何其他(若干)步驟。可藉由一或多個電腦系統執行步驟，該一或多個電腦系統可根據本文描述之實施例之任一者組態。另外，可藉由本文中描述之系統實施例之任一者執行上文描述之方法。 儘管已相對於一或多個特定實施例描述本發明，但將理解，可在不脫離本發明之精神及範疇的情況下做出本發明之其他實施例。因此，本發明視為僅受隨附發明申請專利範圍及其合理解釋限制。
100‧‧‧方法101‧‧‧步驟102‧‧‧步驟103‧‧‧步驟104‧‧‧步驟105‧‧‧步驟106‧‧‧步驟107‧‧‧步驟108‧‧‧步驟109‧‧‧步驟110‧‧‧步驟111‧‧‧步驟112‧‧‧步驟113‧‧‧步驟200‧‧‧系統201‧‧‧晶圓檢驗工具202‧‧‧處理器203‧‧‧中心儲存媒體204‧‧‧影像資料獲取系統
為更完全理解對本發明之性質及目的，應參考結合附圖進行之以下實施方式，其中： 圖1包含先前技術之流程圖(a)及(b)； 圖2分別包含一回報率對比切割線曲線之圖表(a)、一妨害率對比切割線曲線之圖表(b)及一回報率對比妨害率曲線之圖表(c)； 圖3包含分佈(a)、(b)及(c)； 圖4包含分佈(a)及(b)； 圖5係根據本發明之一陰影偵測演算法之一實施例之一流程圖； 圖6包含針對一一般晶圓(a)及一經遮蔽晶圓(b)之精確度對比集區中之缺陷之數量之圖表； 圖7係根據本發明之一診斷模型之一實施例之一流程圖； 圖8係根據本發明之一實施例之一流程圖； 圖9係根據本發明之一系統之一方塊圖； 圖10係根據本發明之具有動態取樣及穩定性分析之一動態分類器之一圖；及 圖11係根據本發明之具有動態取樣及穩定性分析之一靜態分類器之一圖。
100‧‧‧方法
101‧‧‧步驟
102‧‧‧步驟
103‧‧‧步驟
104‧‧‧步驟
105‧‧‧步驟
106‧‧‧步驟
107‧‧‧步驟
108‧‧‧步驟
109‧‧‧步驟
110‧‧‧步驟
111‧‧‧步驟
112‧‧‧步驟
113‧‧‧步驟
Claims (17)
- 一種用於偵測複數個晶圓中之受關注缺陷之系統，其包括：一中心儲存媒體，其經組態以儲存複數個經分類檢驗結果及一初始缺陷分類器；一晶圓檢驗工具；一影像資料獲取系統；及一處理器，其與該中心儲存媒體、該晶圓檢驗工具及該影像資料獲取系統電子通信，該處理器經組態以執行以下指令：一檢驗引擎，其指示該處理器：自該晶圓檢驗工具接收一第一晶圓之檢驗結果；一取樣引擎，其指示該處理器：自該中心儲存媒體擷取該初始缺陷分類器；基於該初始缺陷分類器過濾該等檢驗結果；基於該等經過濾檢驗結果自該影像資料獲取系統檢視該第一晶圓上之受關注位置；基於該初始缺陷分類器對該等經過濾檢驗結果進行分類；將該等經分類之經過濾檢驗結果儲存於該中心儲存媒體中；及基於該等經分類之經過濾檢驗結果識別該第一晶圓中之受關注缺陷，其中識別受關注缺陷之步驟包括：在該等受關注缺陷與一最近缺陷分類器之妨害(nuisance)之間的一分類邊界之兩側上取樣； 基於該最近缺陷分類器中之分類波動(fluctuations)獲得關於分類器穩定性之資訊；使用該最近缺陷分類器觀察該分類邊界中之一移動；及基於該分類邊界中之預測移動識別該等受關注缺陷，其中該預測移動係該分類邊界中之該移動之一可能方向(probable direction)；一調諧引擎，其指示該處理器：基於儲存於該中心儲存媒體中之該等經分類之經過濾檢驗結果更新該初始缺陷分類器；其中針對各剩餘晶圓：該檢驗引擎指示該處理器：自該晶圓檢驗工具接收一下一晶圓之檢驗結果；該取樣引擎指示該處理器：基於該初始缺陷分類器過濾該下一晶圓之該等檢驗結果；基於該下一晶圓之該等經過濾檢驗結果及歷史分析取樣使用該影像資料獲取系統檢視該下一晶圓上之受關注位置；基於該下一晶圓上之該等經檢視之受關注位置對該下一晶圓之該等經過濾檢驗結果進行分類；將該下一晶圓之該等經分類之經過濾檢驗結果儲存於該中心儲存媒體中；基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器；及基於該下一晶圓之該等經分類之經過濾檢驗結果識別該下一 晶圓中之受關注缺陷。
- 如請求項1之系統，其中針對該等剩餘晶圓之各者：該調諧引擎指示該處理器：基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器；其中該取樣引擎指示該處理器基於該經更新缺陷分類器執行該等過濾步驟。
- 如請求項1之系統，其中該影像資料獲取系統係一掃描電子顯微鏡檢視工具。
- 如請求項1之系統，其中該晶圓檢驗工具執行一熱掃描以捕捉檢驗結果。
- 如請求項1之系統，其中該缺陷分類器發送受關注缺陷資料及妨害資料以用於重新訓練該缺陷分類器。
- 如請求項1之系統，其進一步包括將該等檢驗結果或經檢視之受關注位置儲存於該中心儲存媒體中。
- 如請求項1之系統，其中該晶圓檢驗工具係一寬頻帶電漿檢驗工具。
- 一種用於識別複數個晶圓中之受關注缺陷之方法，其包括：在一處理器處自一晶圓檢驗工具接收一第一晶圓之檢驗結果；使用該處理器基於一初始缺陷分類器過濾該等檢驗結果；基於該等經過濾檢驗結果使用一影像資料獲取系統檢視該第一晶圓上之受關注位置；基於該第一晶圓上之該等經檢視之受關注位置使用該處理器對該等經過濾檢驗結果進行分類；將該等經分類之經過濾檢驗結果儲存於一中心儲存媒體中；基於該等經分類之經過濾檢驗結果識別該第一晶圓中之受關注缺陷，其中識別受關注缺陷之步驟包括：在該等受關注缺陷與一最近缺陷分類器之妨害之間的一分類邊界之兩側上取樣；基於該最近缺陷分類器中之分類波動獲得關於分類器穩定性之資訊；使用該最近缺陷分類器觀察該分類邊界中之一移動；及基於該分類邊界中之預測移動識別該等受關注缺陷，其中該預測移動係該分類邊界中之該移動之一可能方向；及針對各剩餘晶圓：在該處理器處自該晶圓檢驗工具接收一下一晶圓之檢驗結果；使用該處理器基於該初始缺陷分類器過濾該等檢驗結果；基於該下一晶圓之該等經過濾檢驗結果及歷史分析取樣使用該影像資料獲取系統檢視該下一晶圓上之受關注位置；基於該下一晶圓上之該等經檢視之受關注位置使用該處理器對 該下一晶圓之該等經過濾檢驗結果進行分類；將該下一晶圓之該等經分類之經過濾檢驗結果儲存於該中心儲存媒體中；基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器；及基於該下一晶圓之該等經分類之經過濾檢驗結果識別該下一晶圓中之受關注缺陷。
- 如請求項8之方法，其中該影像資料獲取系統係一掃描電子顯微鏡檢視工具。
- 如請求項8之方法，其中該晶圓檢驗工具執行一熱掃描以捕捉檢驗結果。
- 如請求項8之方法，其中該缺陷分類器發送受關注缺陷資料及妨害資料以用於重新訓練該缺陷分類器。
- 如請求項8之方法，其進一步包括，針對該等剩餘晶圓之各者：基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果使用該處理器更新該缺陷分類器；其中基於經更新缺陷分類器執行該過濾步驟。
- 如請求項8之方法，其進一步包括將該等檢驗結果或經檢視之受關注 位置儲存於該中心儲存媒體中。
- 如請求項8之方法，其中該晶圓檢驗工具係一寬頻帶電漿檢驗工具。
- 如請求項8之方法，其中基於儲存於該中心儲存媒體中之該等經分類之經過濾檢驗結果更新該初始缺陷分類器之該步驟包括：基於一經計算訓練混淆矩陣估計一回報率，其中該經計算訓練混淆矩陣係基於儲存於該中心儲存媒體中之該下一晶圓之該等經分類之經過濾檢驗結果；及基於該中心儲存媒體中之該缺陷分類器、該下一晶圓之該等經分類之經過濾檢驗結果及該經估計之回報率估計一妨害率。
- 如請求項8之方法，其中該等經過濾檢驗結果具有與該等經過濾檢驗結果相關聯之至少兩個臨限值，其中該至少兩個臨限值之一第一者係針對用於監測程序及缺陷之一檢驗，且其中該至少兩個臨限值之一第二者小於該第一臨限值且經組態以在檢驗期間捕捉次臨限缺陷。
- 如請求項8之方法，其中基於儲存於該中心儲存媒體中之該等經分類之經過濾檢驗結果更新該初始缺陷分類器之步驟包括基於該缺陷分類器及基於該初始缺陷分類器之一經計算之可信度值偵測一遮蔽效應(shadowing effect)。
Applications Claiming Priority (10)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762444694P | 2017-01-10 | 2017-01-10 | |
| US62/444,694 | 2017-01-10 | ||
| IN201741004615 | 2017-02-08 | ||
| IN201741004615 | 2017-02-08 | ||
| US201762475030P | 2017-03-22 | 2017-03-22 | |
| US62/475,030 | 2017-03-22 | ||
| US201762581378P | 2017-11-03 | 2017-11-03 | |
| US62/581,378 | 2017-11-03 | ||
| US15/835,399 US11237119B2 (en) | 2017-01-10 | 2017-12-07 | Diagnostic methods for the classifiers and the defects captured by optical tools |
| US15/835,399 | 2017-12-07 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201830334A TW201830334A (zh) | 2018-08-16 |
| TWI755468B true TWI755468B (zh) | 2022-02-21 |
Family
ID=62840218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107100714A TWI755468B (zh) | 2017-01-10 | 2018-01-09 | 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法 |
Country Status (3)
| Country | Link |
|---|---|
| KR (1) | KR102557181B1 (zh) |
| TW (1) | TWI755468B (zh) |
| WO (1) | WO2018132321A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11010885B2 (en) * | 2018-12-18 | 2021-05-18 | Kla Corporation | Optical-mode selection for multi-mode semiconductor inspection |
| US11379969B2 (en) * | 2019-08-01 | 2022-07-05 | Kla Corporation | Method for process monitoring with optical inspections |
| DE102020107779A1 (de) * | 2020-03-20 | 2021-09-23 | Schaeffler Technologies AG & Co. KG | Verfahren und Prüfanlage zum Prüfen einer Bipolarplatte einer Brennstoffzelle |
| CN115951619B (zh) * | 2023-03-09 | 2023-05-23 | 山东拓新电气有限公司 | 基于人工智能的掘进机远程智能控制系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6256093B1 (en) * | 1998-06-25 | 2001-07-03 | Applied Materials, Inc. | On-the-fly automatic defect classification for substrates using signal attributes |
| US20050177264A1 (en) * | 2004-02-06 | 2005-08-11 | Long-Hui Lin | Method of building a defect database |
| US20140050389A1 (en) * | 2012-08-14 | 2014-02-20 | Kla-Tencor Corporation | Automated Inspection Scenario Generation |
| US20160258879A1 (en) * | 2015-03-03 | 2016-09-08 | Kla-Tencor Corporation | Adaptive Nuisance Filter |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8126255B2 (en) * | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
| 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 |
| US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
-
2018
- 2018-01-05 WO PCT/US2018/012684 patent/WO2018132321A1/en active Application Filing
- 2018-01-05 KR KR1020197023546A patent/KR102557181B1/ko active IP Right Grant
- 2018-01-09 TW TW107100714A patent/TWI755468B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6256093B1 (en) * | 1998-06-25 | 2001-07-03 | Applied Materials, Inc. | On-the-fly automatic defect classification for substrates using signal attributes |
| US20050177264A1 (en) * | 2004-02-06 | 2005-08-11 | Long-Hui Lin | Method of building a defect database |
| US20140050389A1 (en) * | 2012-08-14 | 2014-02-20 | Kla-Tencor Corporation | Automated Inspection Scenario Generation |
| US20160258879A1 (en) * | 2015-03-03 | 2016-09-08 | Kla-Tencor Corporation | Adaptive Nuisance Filter |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018132321A1 (en) | 2018-07-19 |
| KR102557181B1 (ko) | 2023-07-18 |
| TW201830334A (zh) | 2018-08-16 |
| KR20190098271A (ko) | 2019-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11237119B2 (en) | Diagnostic methods for the classifiers and the defects captured by optical tools | |
| CN108352339B (zh) | 自适应自动缺陷分类 | |
| TWI755468B (zh) | 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法 | |
| KR102083706B1 (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
| JP7286290B2 (ja) | 半導体試料の欠陥を分類する方法およびそのシステム | |
| CN109598698B (zh) | 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质 | |
| JP6285640B2 (ja) | 自動及び手動欠陥分類の統合 | |
| TWI571946B (zh) | 疊代式缺陷濾除製程 | |
| TWI706376B (zh) | 用於缺陷檢測之系統、方法及非暫時性電腦可讀儲存媒體 | |
| JP2018128468A (ja) | 自動欠陥分類のための未知欠陥除去の最適化 | |
| JP6391083B2 (ja) | 自動欠陥分類における分類器の準備及び保守 | |
| CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
| US11592400B2 (en) | System, method and computer program product for object examination | |
| KR102530950B1 (ko) | 반도체 시편에서의 결함들의 분류 | |
| CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
| TWI772735B (zh) | 對半導體取樣中的缺陷進行分類的方法及其系統 | |
| US10937706B2 (en) | Method of examining defects in a semiconductor specimen and system thereof | |
| TWI683284B (zh) | 保留可重標準化性之製造樣本成型 | |
| WO2017024065A1 (en) | Range-based real-time scanning electron microscope non-visual binner | |
| CN107923856B (zh) | 以范围为基础的实时扫描电子显微镜的非视觉分格器 |