TWI768092B - 用於臨界尺寸量測之檢測導引臨界位點選擇 - Google Patents
用於臨界尺寸量測之檢測導引臨界位點選擇 Download PDFInfo
- Publication number
- TWI768092B TWI768092B TW107126998A TW107126998A TWI768092B TW I768092 B TWI768092 B TW I768092B TW 107126998 A TW107126998 A TW 107126998A TW 107126998 A TW107126998 A TW 107126998A TW I768092 B TWI768092 B TW I768092B
- Authority
- TW
- Taiwan
- Prior art keywords
- location
- locations
- critical dimension
- ordered
- list
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 68
- 238000013461 design Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000007689 inspection Methods 0.000 claims abstract description 27
- 239000002131 composite material Substances 0.000 claims description 74
- 238000001514 detection method Methods 0.000 claims description 35
- 238000013500 data storage Methods 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 22
- 238000013480 data collection Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000007547 defect Effects 0.000 claims description 18
- 239000012634 fragment Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 238000001459 lithography Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 abstract description 19
- 235000012431 wafers Nutrition 0.000 description 28
- 230000008569 process Effects 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000003786 synthesis reaction Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000059 patterning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer 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
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000013064 process characterization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/20—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring contours or curvatures, e.g. determining profile
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2894—Aspects of quality control [QC]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
甲、 本發明揭示用於判定臨界尺寸(CD)量測或檢測之位置之系統及方法。可執行基於臨界尺寸變動之潛在影響即時選擇進行臨界尺寸量測之位置。亦可使用一半導體裝置之設計以預測可受臨界尺寸變動影響之位置。基於可包含排名或臨界性之一有序位置清單，可在選定位置處量測臨界尺寸。結果可用於改善一臨界尺寸位置預測模型。
Description
本發明係關於半導體檢測。
半導體製造業之演變對良率管理且特定言之對度量衡及檢測系統寄予更高要求。在晶圓大小增加時臨界尺寸(CD)縮小。經濟學驅動產業減少達成高良率、高價值生產之時間。因此，最小化偵測一良率問題以將其修復之總時間判定對於半導體製造者之投資回報。
製造半導體裝置(諸如邏輯及記憶體裝置)通常包含使用大量製程處理一半導體晶圓以形成該等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劑之一半導體製程。半導體製程之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及離子植入。多個半導體裝置可製造於一單個半導體晶圓上之一配置中且接著分成個別半導體裝置。
臨界尺寸(CD)量測係一半導體製造流程之程序特性化之部分。臨界尺寸之均勻性對於光微影小組及裝置工程設計小組可係重要的。臨界尺寸之矽轉移之設計可根據規格提供晶片效能。然而，判定其中將量測臨界尺寸之一位點清單可具挑戰性的。
通常從裝置角度檢測臨界尺寸均勻性。一晶片內存在很大程度上依靠臨界尺寸之均勻性來提供最佳效能之特定裝置。因此，臨界尺寸之均勻性可為更加以裝置為中心之問題而非以程序為中心之問題。
設計工程師、裝置工程師、光學接近校正(OPC)小組及遮罩製造廠(mask house)在歷史上已提供用於進行臨界尺寸量測之位置清單。然而，當各方不同意應進行臨界尺寸量測之位置時，不存在檢測所有此等位置或平衡檢測之有條理方法。臨界尺寸檢測可為非常耗時的且降低製造產量，因此一半導體製造者可能需要對用於檢測之位置排定優先級。
臨界尺寸均勻性量測位點之額外輸入已是基於裝置重要性之臨界尺寸、被認為高度程序敏感或可為程序敏感之特徵、來自OPC小組之基於光學規則檢查(ORC)之熱點及來自遮罩製造廠之基於遮罩規則檢查(MRC)之熱點。此外額外輸入仍無法實現一有條理檢測技術。未利用來自晶圓檢測工具之輸出以依考量設計臨界性及/或複雜性之一方式找到位點。甚至在此等輸入之情況下，隨機有效選取位點。
因此，需要改良之臨界尺寸檢測技術及系統。
在一第一實施例中，提供一種用於判定用於臨界尺寸之量測之臨界位置之方法。在一處理器處接收一有序位置清單。該有序位置清單中之各有序位置包含一資料區塊。獲得臨界尺寸量測值。獲得該等臨界尺寸量測值包括：(a)使用該處理器自該有序位置清單選擇一個有序位置以獲得一選定位置；(b)在該選定位置處量測一第一臨界尺寸以獲得一第一臨界尺寸量測值；(c)使用該處理器將該第一臨界尺寸量測值新增至該選定位置之該資料區塊；及(d)針對該有序位置清單中剩餘之該等有序位置之各者重複步驟(a)至(c)。
判定有序位置清單可包含在處理器處接收與微影有關之一第一組位置及與一裝置之設計有關之一第二組位置。該第一組位置中之各位置具有一第一臨界性順序。該第二組位置中之各位置具有一第二臨界性順序。可使用處理器自一晶圓檢測工具之結果判定一第三組位置。該第三組位置中之各位置具有一第三臨界性順序。可使用處理器將第一組位置、第二組位置及第三組位置組合成一無序位置清單。可使用處理器基於第一臨界性順序、第二臨界性順序及第三臨界性順序對來自該無序位置清單中之第一組位置、第二組位置及第三組位置之位置進行排序以產生有序位置清單。
判定第三組位置可包含用晶圓檢測工具執行一熱掃描以獲得一或多個缺陷。可基於設計類似性將該一或多個缺陷分組成一或多個檢測群組。可獲得一或多個設計片段(design clip)。該一或多個設計片段之各者對應於該一或多個檢測群組之一者。可針對該一或多個設計片段之各者計算一臨界性順序。各臨界性順序對應於該一或多個檢測群組之一者。該一或多個檢測群組可基於其等各自臨界性順序進行排序以產生具有第三臨界性順序之第三組位置。
資料區塊可包含一座標、一圖案臨界性、一臨界尺寸變動、一設計、一排名及一有序臨界性之至少一者。
可使用具有第一臨界尺寸之資料區塊訓練一臨界尺寸位置預測模型。該臨界尺寸位置預測模型可為一深度學習網路(諸如一神經網路)。
在一例項中，可產生一合成位置清單。可使用臨界尺寸位置預測模型判定一或多個合成位置。可產生包含該一或多個合成位置之該合成位置清單。該等合成位置之各者具有一合成位置資料區塊。該合成位置資料區塊經組態以含有合成位置資料。
收集合成位置資料可包含：(a)自合成位置清單選擇合成位置之一者以獲得一選定合成位置；(b)在該選定合成位置處量測一第二臨界尺寸以獲得一第二臨界尺寸量測值；(c)將該第二臨界尺寸量測值新增至該選定合成位置之合成位置資料區塊中所含有之合成位置資料；及(d)針對合成位置清單中剩餘之合成位置之各者重複步驟(a)至(c)。
可使用具有第二臨界尺寸量測值之合成位置資料區塊訓練臨界尺寸位置預測模型。
在一例項中，一種電腦程式產品包括具有與其一起體現之電腦可讀程式之一非暫時性電腦可讀儲存媒體。該電腦可讀程式可經組態以執行第一實施例之任何技術之方法。
在一第二實施例中，揭示一種用於判定用於臨界尺寸之量測之臨界位點之系統。該系統包含一處理器，該處理器包含一資料收集模組。該處理器經組態以：(a)接收一有序位置清單，其中該有序位置清單中之各有序位置進一步包括一資料區塊；(b)自該有序位置清單選擇一個有序位置以獲得一選定位置；(c)在該選定位置處量測一第一臨界尺寸以獲得一第一臨界尺寸量測值；(d)將該第一臨界尺寸量測值新增至該選定位置之該資料區塊中所含有之資料；及(e)針對該有序位置清單中剩餘之有序位置之各者重複動作(b)至(d)。該資料區塊經組態以含有資料。與資料收集模組電子通信之一電子資料儲存單元經組態以儲存有序位置清單。
一臨界尺寸量測系統可與處理器電子通信。
用於一臨界尺寸位置預測模型之一深度學習網路可與資料收集模組電子通信。該臨界尺寸位置預測模型係使用具有第一臨界尺寸量測值之資料區塊來訓練。該深度學習網路可為一神經網路。
處理器可包含一合成資料模組，該合成資料模組經組態以使用臨界尺寸位置預測模型判定一或多個合成位置及產生包含該一或多個合成位置之合成位置清單。該等合成位置之各者可具有一合成位置資料區塊。該合成位置資料區塊可經組態以含有合成位置資料。
處理器可包含一合成位置資料收集模組。該合成資料收集模組可經組態以：(a)自合成位置清單選擇合成位置之一者以獲得一選定合成位置；(b)在該選定合成位置處量測一第二臨界尺寸以獲得一第二臨界尺寸量測值；(c)將該第二臨界尺寸量測值新增至該選定合成位置之該合成位置資料區塊中所含有之合成位置資料；及(d)針對該合成位置清單中剩餘之合成位置之各者重複步驟(a)至(c)。
臨界尺寸位置預測模型可使用具有第二臨界尺寸量測值之合成位置資料區塊來訓練。
處理器可包含一有序位置清單模組。該有序位置清單模組可經組態以接收與微影有關之一第一組位置及與一裝置之設計有關之一第二組位置。該第一組位置中之各位置具有一第一臨界性順序。該第二組位置中之各位置具有一第二臨界性順序。可自一晶圓檢測工具之結果判定一第三組位置。該第三組位置中之各位置具有一第三臨界性順序。可將第一組位置、第二組位置及第三組位置組合成一無序位置清單。可基於第一臨界性順序、第二臨界性順序及第三臨界性順序對來自該無序位置清單中之第一組位置、第二組位置及第三組位置之位置進行排序以產生有序位置清單。
在一例項中，處理器進一步經組態以接收源自一熱掃描之一或多個缺陷。可基於設計類似性將一或多個缺陷分組成一或多個檢測群組。可接收一或多個設計片段。該等設計片段之各者對應於該一或多個檢測群組之一者。可針對該一或多個設計片段之各者計算一臨界性順序。各臨界性順序對應於該一或多個檢測群組之一者。該一或多個檢測群組可基於其等各自臨界性順序進行排序以產生具有第三臨界性順序之第三組位置。
相關申請案之交叉參考
本申請案主張於2017年8月7日申請之印度臨時申請案第201741027957號及於2017年9月18日申請之美國臨時申請案第62/559,820號之優先權，該等案之揭示內容以引用的方式併入本文。
儘管將依據某些實施例描述所主張之標的，然包含未提供本文中所闡釋之所有益處及特徵之實施例之其他實施例亦在本發明之範疇內。可在不脫離本發明之範疇的情況下作出各種結構、邏輯、程序步驟及電子變化。因此，本發明之範疇僅參考隨附發明申請專利範圍予以定義。
本發明之實施例判定用於臨界尺寸量測或檢測之位置。用於一臨界尺寸位置選擇程序之輸入可來自先前知識及藉由各種檢測或度量衡工具報告之一隨機位置選擇。本發明中之實施例可定義確定用於量測(諸如經調變、均勻或其他圖案化半導體晶圓上之)臨界尺寸之位置之一有條理方法。因此，此等技術可應用於程序窗合格性檢定(PWQ)或程序監測。
許多因素可影響一設計特徵之臨界尺寸。此等因素可包含圖案化步驟，包含源遮罩最佳化(SMO)、OPC、輔助特徵及解析度增強技術(RET)。此等因素亦可包含抗蝕劑行為、蝕刻機制及化學機械平坦化(CMP)。本文中所揭示之實施例中可考量此等因素。此等技術可補償臨界尺寸之變動。臨界尺寸均勻性量測係可促進此等技術之一工具。
因為此等機制可受設計密度(例如，多邊形-多邊形互動)影響，所以在選擇可展現臨界尺寸均勻性之變動之位點時高效及有效地使用臨界性資訊(例如，設計複雜性)。此可產生作為完整晶粒或晶圓中之變動之一良好表示之一圖案子集。此亦可產生不太可能導致臨界尺寸問題之可被忽略之一圖案子集。
本發明之實施例可提供基於臨界尺寸變動在進行臨界尺寸量測之位置處之潛在影響而非僅依靠先前知識來即時選擇該等位置。本發明之實施例可考量預測可受臨界尺寸變動影響之位置並指派一臨界性順序之設計。
參考圖1，一有序位置清單101可包含一或多個有序位置102。各有序位置102可包含一資料區塊103。在圖1之實例中，繪示三個有序位置102及三個資料區塊103，但更多或更少有序位置102或資料區塊103係可行的。有序位置清單101可儲存於一電子資料儲存單元上。
資料區塊103經組態以保持對應於各自有序位置102之資料，諸如一座標、圖案臨界性、臨界尺寸變動、一設計、一排名及一有序臨界性之一或多者。與有序位置102有關之其他資料可儲存於資料區塊103中。
圖2展示其中判定用於臨界尺寸之量測之臨界位點之一實施例。首先，在步驟201中接收一有序位置清單202。有序位置清單202 (其可為圖1之有序位置清單101)包含一或多個有序位置之一清單。各有序位置具有經組態以保持對應於該有序位置之資料之一資料區塊。此有序位置清單202可用作關於在臨界尺寸量測期間可檢測晶圓上之哪些位置之指令。
檢測涉及在203藉由自有序位置清單選擇一個有序位置以獲得一選定位置而收集資料。可基於一半導體製造者之圖案化或裝置故障經驗而選擇此等位置。例如，在203，一微影小組、一裝置小組或一晶圓檢測工具(例如，一寬頻電漿(BBP)工具)可提供第一有序位置。在204，可 (諸如使用一SEM或光學臨界尺寸工具)在選定位置處量測一第一臨界尺寸以獲得一第一臨界尺寸。在205，可將該第一臨界尺寸量測值新增至選定位置之資料區塊中所含有之資料。在206，可針對有序位置清單中之一些或所有剩餘有序位置重複此等步驟。檢測循環是否應退出206之一測試係有序位置清單上是否存在尚未用於獲得一臨界尺寸量測值之任何有序位置。若有序位置清單上存在尚未用於獲得一臨界尺寸量測值之有序位置，則步驟203至205重複。在另一例項中，僅一些有序位置用於獲得一臨界尺寸量測值。
在207，可使用有序位置清單及引申而言用於各有序位置之資料區塊中所含有之資料以訓練一臨界尺寸位置預測模型208。臨界尺寸位置預測模型208可靈活的，意謂其可用額外資料重新訓練或改善。一旦部分或完全經訓練，臨界尺寸位置預測模型208可經儲存以供未來使用。
在一例項中，臨界尺寸位置預測模型208可為一神經網路或一深度學習網路。
臨界尺寸位置預測模型208可用於判定在哪些位置處應發生臨界尺寸量測。該等位置可基於設計臨界性而選擇且因此可基於設計變動而隨晶圓改變。臨界尺寸位置預測模型208可最佳化進行臨界尺寸量測之位置以改良檢測效率。
在另一實施例中，參考圖3，判定一有序位置清單以用於量測臨界尺寸。此判定涉及：接收與微影有關之一第一組位置301 (例如，來自一微影小組之位置)、與一裝置之設計有關之一第二組位置302 (例如，來自一裝置小組之位置)；及自一晶圓檢測工具判定一第三組位置303。雖然以301、302及303揭示此三組位置，然在其他例項中可僅使用該等組位置之一或兩者。在另一例項中，可使用三組以上位置。位置之組數可取決於臨界性劃分成多少個區帶。
該等組位置301、302及303中之位置之各者具有一臨界性順序。此臨界性順序可使用一設計臨界性演算法判定或以其他方式評估。接著在步驟304中組合該等組位置301、302及303，從而產生一無序位置清單305。在一排序步驟306中對無序位置清單305進行排序以產生一有序位置清單307。
藉由臨界性順序進行該排序，且有序位置清單307中之有序位置係藉由其等對應之臨界性順序進行排名。因此，該組位置301、302及303係使用第一臨界性順序、第二臨界性順序及第三臨界性順序進行排序以形成有序位置清單。可藉由對設計檔案或對在(諸如使用基於設計之分組之)一設計分組(DBG)功能之後自一晶圓檢測工具獲得之設計片段運行如基於形狀之分組(SBG)之一演算法而量測臨界性。
有序位置清單307可為在圖2中之201接收之有序位置清單202。
在另一實施例中，參考圖4，判定一組檢測器位置。執行一或多個檢測位點之一熱掃描401以獲得一或多個缺陷。例如，可使用一BBP工具來執行該熱掃描。接著在402基於設計類似性將該等缺陷分組成一或多個檢測群組403。獲得一或多個設計片段405。接著將檢測群組403與對應設計片段405組合404。在406中，使用對應於一檢測群組403之各設計片段405來計算針對檢測群組403之一臨界性順序。例如，可在一設計檔案上使用基於形狀之分組或FLEX規則來判定臨界性。接著在步驟407中基於檢測群組403之臨界性順序對檢測群組403進行排序以產生該組檢測器位置408。
一熱掃描係其中將用以判定一像素是否有缺陷之偵測臨限值(例如，晶粒間灰階之最小差)設定為一低值之掃描。因此，此一偵測配方將找到大量「缺陷」。可調諧該臨限值以僅捕獲真實缺陷且濾除錯誤偵測(諸如雜訊或擾亂點缺陷)。
該組檢測器位置408可為圖3中之第三組位置303。
在另一實施例中，參考圖5，產生一合成位置清單。在其中判定一或多個合成位置之步驟501中使用臨界尺寸位置預測模型502作輸入。在503使用此等合成位置形成一合成位置清單504。合成位置清單504包含一或多個合成位置505，各合成位置505進一步包括一合成位置資料區塊506。
在圖5之實例中，繪示三個合成位置505及三個合成位置資料區塊506，但更多或更少合成位置505或合成位置資料區塊506係可行的。合成位置清單504可儲存於一電子資料儲存單元上。
合成位置資料區塊506經組態以保持對應於各自合成位置505之合成位置資料，諸如一座標、圖案臨界性、臨界尺寸變動、一設計、一排名及一有序臨界性之一或多者。與有序合成位置505有關之其他資料可儲存於位置資料區塊506中。
合成資料可用於訓練一機器學習模型使得該機器學習模型可預測臨界尺寸均勻性量測之未來位點。在另一實施例中，參考圖6，使用基於一合成位置清單之檢測來收集合成位置資料。此檢測涉及在602藉由自合成位置清單601選擇一個合成位置以獲得一選定合成位置而收集資料。該合成位置可基於來自一半導體製造者之輸入或基於一複雜性預測演算法(如基於形狀之分組)而選擇。在603在該選定合成位置處量測一第二臨界尺寸以獲得一第二臨界尺寸。在604將該第二臨界尺寸量測值新增至選定合成位置之合成位置資料區塊中所含有之合成位置資料。在605針對合成位置清單中之一些或所有剩餘合成位置重複此等步驟602至604。檢測循環是否應退出606之一測試係合成位置清單上是否存在尚未用於獲得一合成尺寸量測值之任何合成位置。若合成位置清單上存在尚未用於獲得一合成尺寸量測值之合成位置，則步驟602至604重複。在另一例項中，僅一些合成位置係用於獲得一臨界尺寸量測值。
合成資料最初可來自一半導體晶圓。使用本文中之技術之一者，可使用SEM及臨界尺寸演算法獲得及量測用以量測臨界尺寸之位置。所產生之資料亦可為合成資料。
合成位置清單601可為圖5之合成位置清單504。
在一實施例中，合成位置清單601可用於使用合成位置資料區塊之一或多者中所含有之合成位置資料來訓練一臨界尺寸位置預測模型。設計可在晶圓之間改變，因此該等預測可用於具有類似設計之晶圓或晶粒。然而，該等預測亦可用於不同晶圓或不同晶粒上之不同設計。
本發明之實施例提供若干優點。除了僅使用先前程序及裝置知識，其可基於來自一晶圓檢測工具之回饋及設計臨界性順序而提供臨界尺寸量測位置。可單獨或組合地考量該等輸入。基於臨界性順序對一有序位置清單進行排名可實現基於臨界性及複雜性過濾位置。
圖2至圖6中所繪示之方法之實施例可即時運行。此可減少對製造產量之影響。此外，圖2至圖6中所繪示之方法減小對主觀使用者輸入之相依性。
圖7係可用於判定用於量測臨界尺寸之臨界位點之一系統實施例之一方塊圖。系統700包含一處理器701及與處理器701電子通信之一電子資料儲存單元702。處理器701及電子資料儲存單元702兩者與臨界尺寸量測系統703 (諸如SEM)電子通信。臨界尺寸量測系統703可包含經組態以固持一晶圓及一成像系統之一載物台，該成像系統可使用一電子束或光束以使該晶圓之一表面成像。處理器701可包含一微處理器、一微控制器或其他裝置。一臨界尺寸量測系統703可自處理器701接收指令或其他資訊。處理器701及/或電子資料儲存單元702視需要可與一晶圓檢測工具、晶圓度量衡工具或晶圓檢視工具(未繪示)電子通信以接收額外資訊或發送指令。
處理器701及電子資料儲存單元702可為臨界尺寸量測系統703或另一裝置之部分。在一實例中，處理器701及電子資料儲存單元702可為一獨立控制單元之部分或在一集中品質控制單元中。可使用多個處理器701或電子資料儲存單元702。
處理器701可實際上藉由硬體、軟體及韌體之任何組合實施。又，如本文中所描述之其功能可藉由一個單元執行，或在不同組件(各組件可繼而藉由硬體、軟體及韌體之任何組合實施)之間分配。使處理器701實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體(諸如電子資料儲存單元702中之一記憶體或其他記憶體)中。
處理器701可以任何合適方式(例如，經由一或多個傳輸媒體，其等可包括有線及/或無線傳輸媒體)耦合至系統700之組件使得處理器701可接收輸出。處理器701可經組態以使用該輸出執行許多功能。
本文中所描述之處理器701、(若干)其他系統或(若干)其他子系統可為各種系統(包含個人電腦系統、影像電腦、大型電腦系統、工作站、網路設備、網際網路設備或其他裝置)之部分。該(等)子系統或系統亦可包含此項技術中已知之任何合適處理器，諸如一平行處理器。此外，該(等)子系統或系統可包含具有高速處理及軟體之一平台作為一獨立或一網路工具。
若系統包含一個以上子系統，則該等不同子系統可彼此耦合使得可在該等子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何合適傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知之任何合適有線及/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，其儲存可在一處理器上執行以用於執行缺陷偵測之程式指令，如本文中所揭示。特定言之，處理器701可耦合至電子資料儲存單元702或具有包含可在處理器701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所描述之(若干)任何方法之(若干)任何步驟。例如，處理器701可經程式化以執行圖2至圖6或本文中所揭示之其他實施例之步驟中之一些或所有步驟。
程式指令可以各種方式之任一者實施，包含基於程序之技術、基於組件之技術及/或物件導向之技術等。例如，程式指令可視需要使用ActiveX controls、C++ objects、JavaBeans、微軟基礎類別(MFC)、串流SIMD延伸(SSE)或其他技術或方法論實施。
處理器701可包含一資料收集模組703。該資料收集模組可經組態以：(a)接收一有序位置清單；(b)自該有序位置清單選擇一個有序位置以獲得一選定位置；(c)在該選定位置處量測一第一臨界尺寸以獲得一第一臨界尺寸量測值；(d)將該第一臨界尺寸量測值新增至該選定位置之資料區塊中所含有之資料；及(e)針對該有序位置清單中剩餘之有序位置之各者重複動作(b)至(d)。有序位置清單中之各有序位置可進一步包含經組態以含有資料之一資料區塊。電子資料儲存單元702可與資料收集模組703電子通信。電子資料儲存單元702可經組態以儲存有序位置清單。
處理器701亦可包含含有或可使用一臨界尺寸位置預測模型之一深度學習網路704。深度學習網路704可與資料收集模組703電子通信。該臨界尺寸位置預測模型可使用具有第一臨界尺寸量測值之資料區塊來訓練。深度學習網路704可為一神經網路。
處理器701亦可包含一合成資料模組705，合成資料模組705經組態以使用藉由深度學習網路704使用之臨界尺寸位置預測模型來判定一或多個合成位置及產生包含該一或多個合成位置之合成位置清單。該等合成位置之各者具有一合成位置資料區塊。該合成位置資料區塊經組態以含有合成位置資料。
處理器701亦可包含一合成位置資料收集模組706，合成位置資料收集模組706經組態以：(a)自合成位置清單選擇合成位置之一者以獲得一選定合成位置；(b)在該選定合成位置處量測一第二臨界尺寸以獲得一第二臨界尺寸量測值；(c)將該第二臨界尺寸量測值新增至該選定合成位置之合成位置資料區塊中所含有之合成位置資料。合成位置資料收集模組706可針對該合成位置清單中剩餘之合成位置之各者重複步驟(a)至(c)。
藉由深度學習網路704使用之臨界尺寸位置預測模型可使用具有第二臨界尺寸量測值之合成位置資料區塊來訓練。
處理器701可進一步包含一有序位置清單模組707。有序位置清單模組707可經組態以：接收與微影有關之一第一組位置、與一裝置之設計有關之一第二組位置；及自一晶圓檢測工具之結果判定一第三組位置。該第一組位置中之各位置可具有一第一臨界性順序。該第二組位置中之各位置具有一第二臨界性順序。該第三組位置中之各位置具有一第三臨界性順序。有序位置清單模組707可將第一組位置、第二組位置及第三組位置組合成一無序位置清單。有序位置清單模組707亦可基於第一臨界性順序、第二臨界性順序及第三臨界性順序對來自該無序位置清單中之第一組位置、第二組位置及第三組位置之位置進行排序以產生有序位置清單。
處理器701可進一步經組態以：接收源自一熱掃描之一或多個缺陷；基於設計類似性將該一或多個缺陷分組成一或多個檢測群組；接收一或多個設計片段，各設計片段對應於該一或多個檢測群組之一者；針對該一或多個設計片段之各者計算一臨界性順序，各臨界性順序對應於該一或多個檢測群組之一者；及基於該一或多個檢測群組之各自臨界性順序對該一或多個檢測群組進行排序以產生具有第三臨界性順序之第三組位置。一BBP工具可用於使用該熱掃描產生缺陷。
雖然繪示為處理器701之部分，然資料收集模組703、深度學習網路704、合成資料模組705、合成位置資料收集模組706及/或有序位置清單模組707可與處理器701分離。例如，此等模組之一或多者可為一獨立系統或可為一不同處理器之部分。
本發明可經體現以使用神經網路作為一深度學習網路704。在一些實施例中，一神經網路係一生成模型。一生成模型可通常定義為本質上為概率性之一模型。換言之，一生成模型並非執行正向模擬或基於規則之方法之一模型。代替性地，該生成模型可基於一合適訓練資料集而學習(因為其參數可經學習)。
在一實施例中，一神經網路經組態為一深度生成模型。例如，該模型可經組態以具有一深度學習架構，其中該模型可包含執行許多演算法或變換之多個層。模型之一或兩側上之層之數目可改變。例如，生成模型之編碼器側上之層之數目係使用案例相依的。另外，解碼器側上之層之數目係使用案例相依且可取決於編碼器側上之層之數目。一般而言，生成模型之一或兩側上之層之數目並不重要且係使用案例相依的。出於實用目的，兩側上之一合適層範圍係自兩個層至幾十個層。
在另一實施例中，一神經網路可為具有一組權重之一深度學習神經網路，其根據已經饋送以訓練模型之資料模型化世界。神經網路可大體上定義為基於神經單元之一相對大集合之一計算方法，其鬆散地模型化一生物腦使用藉由軸突連接之生物神經元之相對大叢集解決問題之方式。各神經單元與許多其他神經單元連接，且鏈結可強制執行或抑制其等對經連接神經單元之激發狀態之效應。此等系統係自我學習且經訓練而非明確程式化且在解決方案或特徵偵測難以按一傳統電腦程式表達之領域中具有優勢。深度學習係具有多個神經元層(通常稱為一深度架構)之一概率圖模型。深度學習技術以一階層式方式處理資訊(諸如影像、文字、語音或其他輸入)。在本發明中使用深度學習時，特徵提取係使用自資料學習而自動完成。此優於基於專家對一影像集之理解提取特徵之先前方法。在本發明中，藉由給出臨界參數之參考值之神經網路來預測固定參數之預測近似最佳值。
神經網路通常由多個層組成，且信號路徑自前部橫越至後部。神經網路之目標係以與人腦相同之方式解決問題，但若干神經網路更加抽象。神經網路項目通常使用數千至數百萬個神經單元及數百萬個連接工作。神經網路可具有此項技術中已知之任何適合架構及/或組態。
取決於概率規範及網路架構(包含但不限於，一深度信念網路(DBN)、一受限玻爾茲曼機(RBM)、一自動編碼器或一卷積神經網路(CNN))，存在具有深度架構之神經網路之許多變體。實際實施方案可取決於可用資訊、所提供之資訊之大小及問題之性質而改變。
實施方法(諸如本文中所描述之方法)之程式指令可儲存於電腦可讀媒體上，諸如儲存在電子資料儲存單元702或其他儲存媒體中。該電腦可讀媒體可為一儲存媒體，諸如一磁碟或光碟、一磁帶或此項技術中已知之任何其他合適非暫時性電腦可讀媒體。例如，電子資料儲存單元702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、一磁帶或此項技術中已知之任何其他合適非暫時性電腦可讀媒體。特定言之，電子資料儲存單元702可包含持久儲存器、隨機存取記憶體或一分裂資料庫。
在一例項中，非暫時性電腦可讀儲存媒體包括用於在一或多個運算裝置上執行步驟之一或多個程式。非暫時性電腦可讀儲存媒體上之該等步驟可包含判定用於臨界尺寸之量測之臨界位置。非暫時性電腦可讀儲存媒體上之步驟亦可包含圖2至圖6或本文中所揭示之其他實施例之任一者之步驟中之一些或所有步驟。
術語「臨界尺寸」可包含一結構之任何臨界尺寸(例如，底部臨界尺寸、中間臨界尺寸、頂部臨界尺寸、側壁角、光柵高度等)、任兩個或兩個以上結構之間的一臨界尺寸(例如，兩個結構之間的距離)，或兩個或兩個以上結構之間的一位移(例如，疊對光柵結構之間的疊對位移等)。結構可包含三維結構、圖案化結構、疊對結構等。
方法之步驟之各者可如本文中描述般執行。方法亦可包含可藉由本文中所描述之處理器及/或(若干)電腦子系統或系統執行之(若干)任何其他步驟。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中所描述之實施例之任一者組態。另外，上文所描述之方法可藉由本文中所描述之系統實施例之任一者執行。
儘管已關於一或多項特定實施例描述本發明，然將理解，可在不脫離本發明之範疇的情況下作出本發明之其他實施例。因此，本發明被視為僅受隨附發明申請專利範圍及其合理解釋限制。
101‧‧‧有序位置清單102‧‧‧有序位置103‧‧‧資料區塊201‧‧‧步驟202‧‧‧有序位置清單203‧‧‧步驟204‧‧‧步驟205‧‧‧步驟206‧‧‧步驟207‧‧‧步驟208‧‧‧臨界尺寸位置預測模型301‧‧‧第一組位置302‧‧‧第二組位置303‧‧‧第三組位置304‧‧‧步驟305‧‧‧無序位置清單306‧‧‧排序步驟307‧‧‧有序位置清單401‧‧‧熱掃描402‧‧‧步驟403‧‧‧檢測群組404‧‧‧組合405‧‧‧設計片段406‧‧‧步驟407‧‧‧步驟408‧‧‧檢測器位置501‧‧‧步驟502‧‧‧臨界尺寸位置預測模型503‧‧‧步驟504‧‧‧合成位置清單505‧‧‧合成位置506‧‧‧合成位置資料區塊/位置資料區塊601‧‧‧合成位置清單602‧‧‧步驟603‧‧‧步驟604‧‧‧步驟605‧‧‧步驟606‧‧‧步驟700‧‧‧系統701‧‧‧處理器702‧‧‧電子資料儲存單元703‧‧‧臨界尺寸量測系統/資料收集模組704‧‧‧深度學習網路705‧‧‧合成資料模組706‧‧‧合成位置資料收集模組707‧‧‧有序位置清單模組
為更充分理解本發明之性質及目的，應結合隨附圖式參考以下詳細描述，其中： 圖1展示根據本發明之一實施例之一有序位置資料區塊； 圖2係根據本發明之一實施例之用於判定用於臨界尺寸之量測之臨界位置之一方法的一流程圖； 圖3係根據本發明之一實施例之判定一有序位置清單之一方法之一流程圖； 圖4係根據本發明之一實施例之判定一組檢測器位置之一方法之一流程圖； 圖5係根據本發明之一實施例之產生一合成位置清單之一方法之一流程圖； 圖6係根據本發明之一實施例之收集合成位置資料之一方法之一流程圖；及 圖7係根據本發明之一系統之一實施例之一方塊圖。
700‧‧‧系統
701‧‧‧處理器
702‧‧‧電子資料儲存單元
703‧‧‧臨界尺寸量測系統/資料收集模組
704‧‧‧深度學習網路
705‧‧‧合成資料模組
706‧‧‧合成位置資料收集模組
707‧‧‧有序位置清單模組
Claims (16)
- 一種用於判定用於臨界尺寸之量測之臨界位置之方法，其包括：在一處理器處接收一有序位置清單，其中該有序位置清單中之各有序位置包含一資料區塊；及獲得臨界尺寸量測值，此包括：(a)使用該處理器自該有序位置清單選擇一個有序位置以獲得一選定位置；(b)在該選定位置處量測一第一臨界尺寸以獲得一第一臨界尺寸量測值；(c)使用該處理器將該第一臨界尺寸量測值新增至該選定位置之該資料區塊；及(d)針對該有序位置清單中剩餘之該等有序位置之各者重複步驟(a)至(c)；使用具有該第一臨界尺寸之該資料區塊訓練一臨界尺寸位置預測模型；及產生一合成位置清單，此包括：使用該臨界尺寸位置預測模型判定一或多個合成位置；及產生包含該一或多個合成位置之該合成位置清單，該等合成位置之各者具有一合成位置資料區塊，其中該合成位置資料區塊經組態以含有合成位置資料。
- 如請求項1之方法，其中判定該有序位置清單包含： 在該處理器處接收與微影有關之一第一組位置，該第一組位置中之各位置具有一第一臨界性順序；在該處理器處接收與一裝置之設計有關之一第二組位置，該第二組位置中之各位置具有一第二臨界性順序；使用該處理器自一晶圓檢測工具之結果判定一第三組位置，該第三組位置中之各位置具有一第三臨界性順序；使用該處理器將該第一組位置、該第二組位置及該第三組位置組合成一無序位置清單；及使用該處理器基於該第一臨界性順序、該第二臨界性順序及該第三臨界性順序對來自該無序位置清單中之該第一組位置、該第二組位置及該第三組位置之位置進行排序以產生該有序位置清單。
- 如請求項2之方法，其中判定該第三組位置包含：用該晶圓檢測工具執行一熱掃描以獲得一或多個缺陷；基於設計類似性將該一或多個缺陷分組成一或多個檢測群組；獲得一或多個設計片段，該一或多個設計片段之各者對應於該一或多個檢測群組之一者；針對該一或多個設計片段之各者計算一臨界性順序，各臨界性順序對應於該一或多個檢測群組之一者；及基於該一或多個檢測群組之各自臨界性順序對該一或多個檢測群組進行排序以產生具有該第三臨界性順序之該第三組位置。
- 如請求項1之方法，其中該資料區塊包含一座標、一圖案臨界性、一 臨界尺寸變動、一設計、一排名及一有序臨界性之至少一者。
- 如請求項1之方法，其中該臨界尺寸位置預測模型係一深度學習網路。
- 如請求項5之方法，其中該深度學習網路係一神經網路。
- 如請求項1之方法，其進一步包括收集該合成位置資料，此包括：(e)自該合成位置清單選擇該等合成位置之一者以獲得一選定合成位置；(f)在該選定合成位置處量測一第二臨界尺寸以獲得一第二臨界尺寸量測值；(g)將該第二臨界尺寸量測值新增至該選定合成位置之該合成位置資料區塊中所含有之該合成位置資料；及(h)針對該合成位置清單中剩餘之該等合成位置之各者重複步驟(e)至(g)。
- 如請求項7之方法，其進一步包括使用具有該第二臨界尺寸量測值之該合成位置資料區塊訓練該臨界尺寸位置預測模型。
- 一種電腦程式產品，其包括具有與其一起體現之一電腦可讀程式之一非暫時性電腦可讀儲存媒體，該電腦可讀程式經組態以執行如請求項1之方法。
- 一種用於判定用於臨界尺寸之量測之臨界位點之系統，其包括：一處理器，其包含一資料收集模組，該處理器經組態以：(a)接收一有序位置清單，其中該有序位置清單中之各有序位置進一步包括一資料區塊，其中該資料區塊經組態以含有資料；(b)自該有序位置清單選擇一個有序位置以獲得一選定位置；(c)在該選定位置處量測一第一臨界尺寸以獲得一第一臨界尺寸量測值；(d)將該第一臨界尺寸量測值新增至該選定位置之該資料區塊中所含有之該資料；及(e)針對該有序位置清單中剩餘之該等有序位置之各者重複動作(b)至(d)；一電子資料儲存單元，其與該資料收集模組電子通信，該電子資料儲存單元組態以儲存該有序位置清單；及用於一臨界尺寸位置預測模型之一深度學習網路，其與該資料收集模組電子通信，其中該臨界尺寸位置預測模型係使用具有該第一臨界尺寸量測值之該等資料區塊來訓練，其中該處理器進一步包括一合成資料模組，其經組態以：使用該臨界尺寸位置預測模型判定一或多個合成位置；及產生包含該一或多個合成位置之合成位置清單，該等合成位置之各者具有一合成位置資料區塊，其中該合成位置資料區塊經組態以含有合成位置資料。
- 如請求項10之系統，其進一步包括與該處理器電子通信之一臨界尺寸量測系統。
- 如請求項10之系統，其中該深度學習網路係一神經網路。
- 如請求項10之系統，其中該處理器進一步包括一合成位置資料收集模組，該合成位置資料收集模組經組態以：(f)自該合成位置清單選擇該等合成位置之一者以獲得一選定合成位置；(g)在該選定合成位置處量測一第二臨界尺寸以獲得一第二臨界尺寸量測值；(h)將該第二臨界尺寸量測值新增至該選定合成位置之該合成位置資料區塊中所含有之該合成位置資料；及(i)針對該合成位置清單中剩餘之該等合成位置之各者重複步驟(f)至(h)。
- 如請求項13之系統，其中該臨界尺寸位置預測模型係使用具有該第二臨界尺寸量測值之該等合成位置資料區塊來訓練。
- 如請求項10之系統，其中該處理器進一步包括一有序位置清單模組，該有序位置清單模組經組態以：接收與微影有關之一第一組位置，該第一組位置中之各位置具有一第一臨界性順序；接收與一裝置之設計有關之一第二組位置，該第二組位置中之各位 置具有一第二臨界性順序；自一晶圓檢測工具之結果判定一第三組位置，該第三組位置中之各位置具有一第三臨界性順序；將該第一組位置、該第二組位置及該第三組位置組合成一無序位置清單；及基於該第一臨界性順序、該第二臨界性順序及該第三臨界性順序對來自該無序位置清單中之該第一組位置、該第二組位置及該第三組位置之位置進行排序以產生該有序位置清單。
- 如請求項15之系統，其中該處理器進一步經組態以：接收源自一熱掃描之一或多個缺陷；基於設計類似性將該一或多個缺陷分組成一或多個檢測群組；接收一或多個設計片段，該等設計片段之各者對應於該一或多個檢測群組之一者；針對該一或多個設計片段之各者計算一臨界性順序，各臨界性順序對應於該一或多個檢測群組之一者；及基於該一或多個檢測群組之各自臨界性順序對該一或多個檢測群組進行排序以產生具有該第三臨界性順序之該第三組位置。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201741027957 | 2017-08-07 | ||
| IN201741027957 | 2017-08-07 | ||
| US201762559820P | 2017-09-18 | 2017-09-18 | |
| US62/559,820 | 2017-09-18 | ||
| US15/904,402 US11035666B2 (en) | 2017-08-07 | 2018-02-25 | Inspection-guided critical site selection for critical dimension measurement |
| US15/904,402 | 2018-02-25 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201921538A TW201921538A (zh) | 2019-06-01 |
| TWI768092B true TWI768092B (zh) | 2022-06-21 |
Family
ID=67702071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107126998A TWI768092B (zh) | 2017-08-07 | 2018-08-03 | 用於臨界尺寸量測之檢測導引臨界位點選擇 |
Country Status (7)
| Country | Link |
|---|---|
| EP (1) | EP3635774B1 (zh) |
| JP (1) | JP7236435B2 (zh) |
| KR (1) | KR102589615B1 (zh) |
| CN (1) | CN111052326B (zh) |
| IL (1) | IL272161B2 (zh) |
| SG (1) | SG11202000611YA (zh) |
| TW (1) | TWI768092B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100046828A1 (en) * | 2007-02-08 | 2010-02-25 | Freescale Semiconductor Inc. | Measurement of critical dimensions of semiconductor wafers |
| TW201423883A (zh) * | 2012-11-09 | 2014-06-16 | Tokyo Electron Ltd | 用於半導體製造的自動化工具參數影響識別系統的方法和裝置 |
| US20140301630A1 (en) * | 2013-04-08 | 2014-10-09 | Kla-Tencor Corporation | Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6452677B1 (en) * | 1998-02-13 | 2002-09-17 | Micron Technology Inc. | Method and apparatus for detecting defects in the manufacture of an electronic device |
| EP1145303A1 (de) * | 1998-12-04 | 2001-10-17 | Semiconductor 300 GmbH & Co. KG | Verfahren und vorrichtung zur optischen kontrolle von fertigungsprozessen feinstrukturierter oberflächen in der halbleiterfertigung |
| JP2002033365A (ja) * | 2000-07-14 | 2002-01-31 | Seiko Instruments Inc | ウエハパターン観察方法及び装置 |
| US7080330B1 (en) | 2003-03-05 | 2006-07-18 | Advanced Micro Devices, Inc. | Concurrent measurement of critical dimension and overlay in semiconductor manufacturing |
| US7135344B2 (en) * | 2003-07-11 | 2006-11-14 | Applied Materials, Israel, Ltd. | Design-based monitoring |
| US7596420B2 (en) * | 2006-06-19 | 2009-09-29 | Asml Netherlands B.V. | Device manufacturing method and computer program product |
| US7571074B2 (en) * | 2007-01-30 | 2009-08-04 | Tokyo Electron Limited | Method of using a wafer-thickness-dependant profile library |
| JP5065943B2 (ja) * | 2008-02-29 | 2012-11-07 | 株式会社日立ハイテクノロジーズ | 製造プロセスモニタリングシステム |
| JP5380933B2 (ja) * | 2008-07-17 | 2014-01-08 | 富士通株式会社 | モニタ位置決定装置およびモニタ位置決定方法 |
| JP5286337B2 (ja) * | 2010-08-30 | 2013-09-11 | 株式会社日立ハイテクノロジーズ | 半導体製造装置の管理装置、及びコンピュータプログラム |
| US20140019927A1 (en) * | 2012-07-10 | 2014-01-16 | Globalfoundries Singapore Pte. Ltd. | Waferless measurement recipe |
-
2018
- 2018-08-03 TW TW107126998A patent/TWI768092B/zh active
- 2018-08-06 KR KR1020207006341A patent/KR102589615B1/ko active IP Right Grant
- 2018-08-06 JP JP2020506747A patent/JP7236435B2/ja active Active
- 2018-08-06 CN CN201880051294.7A patent/CN111052326B/zh active Active
- 2018-08-06 EP EP18844310.5A patent/EP3635774B1/en active Active
- 2018-08-06 SG SG11202000611YA patent/SG11202000611YA/en unknown
-
2020
- 2020-01-21 IL IL272161A patent/IL272161B2/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100046828A1 (en) * | 2007-02-08 | 2010-02-25 | Freescale Semiconductor Inc. | Measurement of critical dimensions of semiconductor wafers |
| TW201423883A (zh) * | 2012-11-09 | 2014-06-16 | Tokyo Electron Ltd | 用於半導體製造的自動化工具參數影響識別系統的方法和裝置 |
| US20140301630A1 (en) * | 2013-04-08 | 2014-10-09 | Kla-Tencor Corporation | Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology |
Also Published As
| Publication number | Publication date |
|---|---|
| SG11202000611YA (en) | 2020-02-27 |
| CN111052326A (zh) | 2020-04-21 |
| JP2020530205A (ja) | 2020-10-15 |
| EP3635774A1 (en) | 2020-04-15 |
| IL272161B2 (en) | 2023-08-01 |
| EP3635774A4 (en) | 2021-03-17 |
| TW201921538A (zh) | 2019-06-01 |
| IL272161A (en) | 2020-03-31 |
| IL272161B1 (en) | 2023-04-01 |
| CN111052326B (zh) | 2023-10-31 |
| KR102589615B1 (ko) | 2023-10-13 |
| KR20200029601A (ko) | 2020-03-18 |
| JP7236435B2 (ja) | 2023-03-09 |
| EP3635774B1 (en) | 2023-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7122386B2 (ja) | 低解像度画像における欠陥検出のためのニューラルネットワークのトレーニング | |
| US10679333B2 (en) | Defect detection, classification, and process window control using scanning electron microscope metrology | |
| KR20210006502A (ko) | 결함 분류기 트레이닝을 위한 능동적 학습 | |
| KR102637430B1 (ko) | 계측을 위한 신호-도메인 적응 | |
| TW201734825A (zh) | 用於半導體應用之以機器學習之模型為基礎之加速訓練 | |
| US10818001B2 (en) | Using stochastic failure metrics in semiconductor manufacturing | |
| JP2019506739A (ja) | 外れ値検出を通じた特徴選択及び自動処理窓監視 | |
| WO2019219826A1 (en) | Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process | |
| US11035666B2 (en) | Inspection-guided critical site selection for critical dimension measurement | |
| US20220129775A1 (en) | Prediction and metrology of stochastic photoresist thickness defects | |
| TW201931015A (zh) | 設計關鍵性分析擴充之製程窗合格取樣 | |
| KR102554791B1 (ko) | 데이터 세트로부터의 피쳐의 추출 | |
| TWI768092B (zh) | 用於臨界尺寸量測之檢測導引臨界位點選擇 | |
| TW202333088A (zh) | 用於半導體製造之連續機器學習模型訓練 | |
| CN115210718A (zh) | 使用生成对抗网络的半导体制造过程参数确定 | |
| TW202431459A (zh) | 用於晶圓的成像資料集中缺陷識別的電腦實施方法、相應的電腦可讀媒介、電腦程式產品及利用此方法的系統 |