TWI769361B - 使用電子束檢測及具有即時情報之深度學習以減少損害的缺陷探索 - Google Patents

使用電子束檢測及具有即時情報之深度學習以減少損害的缺陷探索 Download PDF

Info

Publication number
TWI769361B
TWI769361B TW108100137A TW108100137A TWI769361B TW I769361 B TWI769361 B TW I769361B TW 108100137 A TW108100137 A TW 108100137A TW 108100137 A TW108100137 A TW 108100137A TW I769361 B TWI769361 B TW I769361B
Authority
TW
Taiwan
Prior art keywords
care
areas
wafer
defect
processor
Prior art date
Application number
TW108100137A
Other languages
English (en)
Other versions
TW201939634A (zh
Inventor
阿比特 耶提
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201939634A publication Critical patent/TW201939634A/zh
Application granted granted Critical
Publication of TWI769361B publication Critical patent/TWI769361B/zh

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/244—Detectors; Associated components or circuits therefor
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

一深度學習演算法用於諸如半導體晶圓之缺陷探索。用晶圓檢測工具檢測一關照區域。該深度學習演算法用於識別該關照區域中之缺陷且對其等進行分類。此可針對其餘關照區域重複，但可略過類似關照區域以增加處理量。

Description

使用電子束檢測及具有即時情報之深度學習以減少損害的缺陷探索
本發明大體上係關於半導體檢測。更特定言之，本發明大體上係關於用於基於預測有效地探索缺陷之方法。
半導體製造行業之演進對良率管理及特定言之計量及檢測系統提出更高要求。臨界尺寸不斷縮小。經濟性在驅動行業縮短達成高良率、高價值生產之時間。最小化從偵測到一良率問題至解決它之總時間判定一半導體製造商之投資報酬率。
製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量製程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，微影術係涉及將一圖案從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。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為個別半導體裝置。
缺陷探索或關鍵缺陷類型探索係製造半導體裝置之部分。在最短可能時間內找到全部關鍵缺陷類型可改良半導體製造期間之良率，且此缺陷探索愈來愈多地依靠電子束檢測。愈快地在一層中識別缺陷類型，便可愈快地解決此等缺陷。找到全部關鍵缺陷類型通常被稱為缺陷探索。一缺陷探索程序通常涉及一檢測檢視循環，其中首先使用一熱掃描檢測一層，使用各種演算法(例如，相異度取樣(diversity sampling))對可能缺陷位點取樣，且接著檢視一掃描電子顯微鏡(SEM)影像以確認缺陷位點。在未找到全部缺陷類型之情況中可藉由進一步調諧檢測配方而重複流程。
圖1係一先前技術之一流程圖。此習知缺陷探索方法涉及使用一寬頻電漿(BBP)檢測工具以各種光學模式執行一熱掃描。基於BBP屬性對位點進行相異度取樣以確保獲得一相異樣本集。接著使用一SEM檢視相異樣本集以確認各種缺陷類型。
此先前技術具有缺點。首先，使用先前技術找到全部缺陷類型可需要一至兩天。可需要多次反覆來調諧捕獲全部缺陷之BBP配方。BBP檢測掃描中存在一極高損害率(nuisance rate)，此可導致難以在一設計不可用時執行去偏移(deskew)。BBP具有針對諸如銅化學機械平坦化(CuCMP)橋或電壓對比(VC)缺陷之許多缺陷類型之間隙。亦無法探索光學檢測間隙缺陷。不存在即時情報以基於已識別之缺陷類型改變檢測或取樣。需要在兩個不同工具上移動晶圓且需要匹配其等之座標系統。檢測掃描具有一低缺陷計數，從而導致SEM工具上之較高去偏移時間，其可多於兩小時。在遺漏缺陷類型之情況中，必須重複整個檢測流程，包含返回至BBP配方、SEM檢視及分類。
因此，需要改良缺陷探索。
在一第一實施例中提供一種用於適應性缺陷探索之方法。在一晶圓檢測工具處接收複數個關照區域。用該晶圓檢測工具檢測該等關照區域之一第一者。結合一處理器使用一深度學習演算法在該等關照區域之該第一者中識別缺陷。結合該處理器使用該深度學習演算法對該等關照區域之該第一者中之該等缺陷進行分類。針對該複數個關照區域之任何其餘者重複該檢測、該識別及該分類。
可從設計軟體接收該等關照區域。
該檢測可包含使用該晶圓檢測工具成像。
該方法可進一步包含在於該等關照區域之該第一者之一第一例項中對缺陷進行分類之後略過該等關照區域之該第一者之額外例項之檢測。該等關照區域之該第一者之各例項包含一相似裝置、結構或尺寸。
該關照區域可具有100 µm2 或更小之一面積。例如，該關照區域可為50 µm2 。
該方法可進一步包含結合該處理器使用該深度學習演算法識別該等關照區域中之可能缺陷類型。
該檢測、該識別及該分類可在具有該等關照區域之一晶圓在相同晶圓檢測工具中時發生。
該方法可進一步包含在該檢測、該識別及該分類期間將具有該等關照區域之一晶圓固持在該晶圓檢測工具中之一卡盤上。
在一第二實施例中提供一種適應性缺陷探索系統。該適應性缺陷探索系統包含：一電子束源，其產生聚焦於一晶圓上之電子；一電子柱；一偵測器；及一處理器，其與該偵測器及該電子束源電子通信。從該晶圓返回之電子聚焦於該偵測器上，且其中該偵測器用於擷取該晶圓之一影像。該處理器經組態以：接收複數個關照區域；將檢測該等關照區域之一第一者之指令發送至該電子束源及該偵測器；使用一深度學習演算法識別該等關照區域之該第一者之一影像中之缺陷；使用該深度學習演算法對該等關照區域之該第一者中之該等缺陷進行分類；及針對該複數個關照區域之任何其餘者重複該發送、該識別及該分類。
可從設計軟體接收該等關照區域。
該處理器可經進一步組態以使用該深度學習演算法識別該等關照區域中之可能缺陷類型。
該處理器可經進一步組態以在於該等關照區域之該第一者之一第一例項中對缺陷進行分類之後略過該等關照區域之該第一者之額外例項之檢測。該等關照區域之該第一者之各例項包含一相似裝置、結構或尺寸。
該關照區域可具有100 µm2 或更小之一面積。例如，該關照區域可為50 µm2 。
該等關照區域可為一晶圓之關照區域。當該處理器識別該等缺陷且對該等缺陷進行分類時，可將該晶圓固持在該適應性缺陷探索系統中。
相關申請案之交叉參考
本申請案主張2018年1月5日申請的印度臨時申請案第201841000585號及2018年2月27日申請的美國申請案第62/636,032號之優先權，該等案之揭示內容以引用的方式併入本文中。
儘管依據特定實施例描述所主張之標的物，然其他實施例(包含未提供本文中闡述之全部益處及特徵之實施例)亦在本發明之範疇內。可在不脫離本發明之範疇的情況下做出各種結構、邏輯、程序步驟及電子改變。因此，僅參考隨附發明申請專利範圍定義本發明之範疇。
缺陷探索係半導體代工廠之一重要生產步驟。其減少生產時間(time-to-product)且可幫助擴產(ramp-up)。本發明提供使用一檢測或檢視系統(諸如電子束檢測)及具有即時情報之深度學習以減少損害之缺陷探索。可用深度學習改良結合電子束檢測工具之缺陷探索以加速程序。本發明之實施例藉由使用即時情報來找到新缺陷類型而增加缺陷探索之效率。此可實現使用一單一工具來即時執行檢測、檢視及分類以節省代工廠生產之時間及成本以及減少維護多個工具之成本。在相同流程中使用檢測及檢視以用深度學習識別新且獨特之缺陷可增加識別發生之速度。
在一例項中，一晶圓檢測工具(諸如一電子束檢測工具)從設計相關軟體、一半導體製造商及/或具有涵蓋全部可能缺陷類型位置之相異位置集合之一應用程式取得檢測關照區域。晶圓檢測工具接著檢測該等位置且偵測真實缺陷。在主要場檢測結束之後，晶圓檢測工具獲得高解析度影像，該等高解析度影像可由深度學習演算法用於訓練及對缺陷進行分類。深度學習演算法亦可識別不同缺陷類型以供一操作者進行分類。一旦在一關照區域中識別一新缺陷類型，晶圓檢測工具便可移動至不同或相異類型之關照區域，其中找到一新缺陷類型之機率係高的。因此，略過相似於其中已找到一缺陷類型之關照區域之關照區域以加快檢視。
圖2係用於適應性缺陷探索之一方法100之一流程圖。在101處，在一晶圓檢測工具處接收複數個關照區域。晶圓檢測工具可為一電子束檢測工具，諸如一SEM。各關照區域可具有100 µm2 或更小之一面積，諸如50 µm2 之一面積。可從設計軟體、一操作者及/或一應用程式接收關照區域。
在102處，用晶圓檢測工具檢測關照區域之一第一者。102處之檢測可包含用晶圓檢測工具使晶圓成像。在103處使用一處理器識別關照區域之第一者中之任何缺陷。在104處使用處理器對關照區域之第一者中之缺陷進行分類。103及104兩者可對來自102處之檢測之影像使用一深度學習演算法。
在103及104處可使用任何類型之基於機器學習之演算法。在一例項中，可對缺陷之現有SEM影像預訓練深度學習演算法。在另一例項中，使用一隨機森林演算法過濾新缺陷類型，且一操作者可接著對此等缺陷進行分類。
可針對複數個關照區域之任何其餘關照區域重複步驟102、103及104。若未剩餘關照區域，則方法100可結束。為增加效率，若在關照區域之第一例項中對缺陷進行分類，則略過關照區域之第一者之額外例項之檢測。關照區域之第一者之各例項可包含一相似裝置、結構或尺寸。一相似裝置、結構或尺寸可為類似或相同的。在一實例中，一相似裝置、結構或尺寸可在一特定尺寸臨限值(諸如一寬度臨限值)內。在另一實例中，一相似裝置、結構或尺寸可在關於形狀之一特定公差臨限值內。
關於略過某些關照區域，可基於相似性將關照區域分組在一起。基於設計之分組(DBG)程式碼可用於將此等關照區域分組在一起。一旦在一個關照區域中找到一缺陷，第一輪缺陷探索便可略過具有類似性質之其他關照區域。若未找到全部缺陷類型，則可重訪該等位點。
可使用處理器基於深度學習演算法識別關照區域中之可能缺陷類型。在一例項中，即時情報可識別找到全部缺陷類型之新位置，此可提供更快出結果時間(time to result)。可能含有已探索之缺陷類型之一者之位點可被忽略。
可在一單一作業階段(session)中之運行時間期間執行使用深度學習之檢測、SEM檢視及分類。
步驟102、103及104可在包含關照區域之一晶圓在相同晶圓檢測工具中時發生。因此，在步驟102、103及104期間可將具有關照區域之晶圓固持在晶圓檢測工具中之一卡盤上。
雖然明確揭示深度學習，但亦可使用一隨機森林技術。
在本發明之另一實施例中，檢測關照區域係涵蓋全部可能缺陷類型位置之一相異位置集合。
參考圖3，本發明之另一實施例包括一種用於適應性缺陷探索之方法。圖3之實施例可與圖2之實施例一起使用或可單獨使用。接收檢測關照區域，其中將檢測關照區域聚合成待檢測之複數個區。可依次檢測各區以判定存在於複數個區中之缺陷。
此檢測包含如下之操作。諸如用一SEM選擇及檢測尚未檢測之一區。若在選定區中找到一缺陷，則對其進行分類。此分類可包含參考一組已知缺陷類型且判定所找到之缺陷是否可分類為已知缺陷類型之一者。若是，則將其如此分類。若所找到之缺陷不可分類為已知缺陷類型之一者，則將其視為一新缺陷。已知缺陷類型可儲存於一資料庫中。可要求操作者輸入一新缺陷之一分類，且由操作者給出之分類可用於對所找到之缺陷進行分類且添加至該組已知缺陷類型。可重複此等操作直至已檢測複數個區中之各區。類似於其中識別一缺陷之現有區之一些區可被略過。類似區中之缺陷可包含一相似裝置、結構或尺寸。
本發明之一優點係改良一晶圓檢測工具以具有作出改良決策以加速找到新缺陷類型之程序之能力。此避免在其中已找到一缺陷之相同區域中執行進一步檢測，此係因為在該區中找到一新缺陷之概率較低。因此，藉由不尋找相同類型之冗餘缺陷而節省時間。此外，當找到全部新且已知的缺陷類型時，檢測程序可停止。
本發明提供額外優點。基於即時檢測資料之適應性智慧檢測及檢視可藉由在找到一缺陷類型之後使用即時情報移動至不同區域進行檢測而產生一低損害率。可涵蓋光學檢測間隙缺陷。
藉由在相同工具上執行檢測及檢視而可能提供快2倍至3倍之結果。此亦可提供即時損害減少且可減少或消除去偏移要求。在使用習知方法之情況下，由於檢測整個晶圓而產生損害。損害率保持為高以避免遺漏任何缺陷類型。憑藉所提出之方法，可因來自已找到之缺陷之情報引導及選擇之前未檢測之關照區域群組而略過大區域之檢測。在相同工具上執行步驟亦可減少檢視時間且可免除在工具之間移動晶圓以進行檢測的需要。
若遺漏一缺陷類型，則可無需執行第二輪晶圓檢測及檢視程序以定位該遺漏該缺陷類型。因此，可無需重做整個程序。本文中揭示之實施例可使用一連續缺陷檢測及檢視工作，由已探索之缺陷以情報形式引導。此程序可連續運行直至未找到一半導體製造商所預期之全部缺陷類型。
可減少檢測及檢視工具訪視損害位點之工作量，此係因為在找到一新類型時，無需訪視類似位點或關照區域且檢測可立即移動至一不同類型之位點或關照區域。
一旦找到全部缺陷類型，檢測及檢視便可停止。此具有多個益處。
可即時偵測缺陷且對缺陷進行分類。可使用本文中揭示之實施例提供較大缺陷敏感度。第一，基於即時檢測資料之一適應性智慧檢測及檢視由於一旦找到一缺陷類型便移動至不同區域進行檢測之即時情報而具有一低損害率。第二，此可涵蓋光學檢測間隙缺陷。第三，此可提供快2倍至3倍之出結果時間。由於檢測檢視發生在相同工具上以減少即時損害且不具有去偏移要求，所以發生更快出結果時間。第四，在遺漏缺陷類型之情況中，電子束檢測掃描可從其停止之處繼續。無需重做整個程序。第五，此減少檢測及檢視工具訪視損害位點之工作量。一旦找到一新類型，便無需訪視類似位點及/或關照區域。檢測可立即移動至一不同類型之關照區域及/或位點。第六，現有程序流程需要單獨工具上之BBP檢測及SEM檢視，因此增加出結果時間。使用此方法減少在多個工具上移動晶圓之物流成本(logistical cost)、去偏移時間等。由於相同工具可進行檢測及檢視，所以可能消除去偏移。第七，執行即時缺陷偵測及分類。第八，因可提供較佳SEM解析度而達成較佳缺陷敏感度。電子束檢測將有能力用BBP工具閉合當前存在之間隙。第九，此技術可為BBP工具提供其等之配方設定及大量製造(HVM)監測之基線。
雖然針對半導體晶圓檢測揭示，但本文中揭示之技術之實施例亦可用於光罩檢測或其他形式之檢測。
圖4係一系統200之一實施例之一方塊圖。系統200包含經組態以產生一晶圓204之影像之一晶圓檢測工具(其包含電子柱201)。
晶圓檢測工具包含一輸出獲取子系統，該輸出獲取子系統包含至少一能量源及一偵測器。輸出獲取子系統可為一基於電子束之輸出獲取子系統。例如，在一項實施例中，引導至晶圓204之能量包含電子，且從晶圓204偵測之能量包含電子。以此方式，能量源可為一電子束源。在圖4中展示之一項此實施例中，輸出獲取子系統包含耦合至電腦子系統202之電子柱201。一卡盤(未繪示)可固持晶圓204。
亦如圖4中展示，電子柱201包含一電子束源203，該電子束源203經組態以產生由一或多個元件205聚焦至晶圓204之電子。電子束源203可包含例如一陰極源或發射器尖端。一或多個元件205可包含例如一槍透鏡、一陽極、一光束限制孔隙、一閘閥、一光束電流選擇孔隙、一物鏡及一掃描子系統，其等全部可包含此項技術中已知的任何此等適合元件。
可藉由一或多個元件206將從晶圓204返回之電子(例如，二次電子)聚焦至偵測器207。一或多個元件206可包含例如一掃描子系統，該掃描子系統可為包含於(若干)元件205中之相同掃描子系統。
電子柱亦可包含此項技術中已知的任何其他適合元件。
儘管電子柱201在圖4中展示為經組態使得電子按一傾斜入射角引導至晶圓204且按另一傾斜角從晶圓204散射，然電子束可按任何適合角引導至晶圓204且從晶圓204散射。另外，基於電子束之輸出獲取子系統可經組態以使用多個模式來產生晶圓204之影像(例如，用不同照明角、收集角等)。基於電子束之輸出獲取子系統之多個模式可在輸出獲取子系統之任何影像產生參數方面不同。
電腦子系統202可如上文描述般耦合至偵測器207。偵測器207可偵測從晶圓204之表面返回之電子，藉此形成晶圓204之電子束影像。電子束影像可包含任何適合電子束影像。電腦子系統202可經組態以使用偵測器207之輸出及/或電子束影像來執行本文中描述之功能之任一者。電腦子系統202可經組態以執行本文中描述之(若干)任何額外步驟。包含圖4中展示之輸出獲取子系統之一系統200可如本文中描述般進一步組態。
應注意，本文中提供圖4以大體上繪示可用於本文中描述之實施例中之一基於電子束之輸出獲取子系統之一組態。如通常在設計一商業輸出獲取系統時執行，本文中描述之基於電子束之輸出獲取子系統組態可經更改以最佳化輸出獲取子系統之效能。另外，本文中描述之系統可使用一現有系統實施(例如，藉由將本文中描述之功能性添加至一現有系統)。對於一些此等系統，本文中描述之方法可被提供為系統之選用功能性(例如，除系統之其他功能性之外)。替代地，本文中描述之系統可被設計為一全新系統。
儘管輸出獲取子系統在上文被描述為一基於電子束之輸出獲取子系統，然輸出獲取子系統可為一基於離子束之輸出獲取子系統。可如圖4中展示般組態此一輸出獲取子系統，惟可用此項技術中已知的任何適合離子束源替換電子束源除外。另外，輸出獲取子系統可為任何其他適合基於離子束之輸出獲取子系統，諸如包含於市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜儀(SIMS)系統中之基於離子束之輸出獲取子系統。
電腦子系統202包含一處理器208及一電子資料儲存單元209。處理器208可包含一微處理器、一微控制器或其他裝置。處理器208及/或電子資料儲存單元209視情況可與一晶圓檢測工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊。
電腦子系統202可以任何適合方式(例如，經由一或多個傳輸媒體，其或其等可包含有線及/或無線傳輸媒體)耦合至系統200之組件，使得處理器208可接收輸出。處理器208可經組態以使用輸出執行數個功能。晶圓檢測工具可從處理器208接收指令或其他資訊。處理器208及/或電子資料儲存單元209視情況可與另一晶圓檢測工具、一晶圓計量工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊或發送指令。
處理器208與晶圓檢測工具(諸如偵測器207)電子通信。處理器208可經組態以處理使用來自偵測器207之量測產生之影像。例如，處理器可執行方法100或圖3之實施例。
本文中描述之電腦子系統202、(若干)其他系統或(若干)其他子系統可為各種系統之部分，該等系統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)系統亦可包含此項技術中已知的任何適合處理器，諸如一平行處理器。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。
處理器208及電子資料儲存單元209可安置於系統200或另一裝置中或以其他方式成為系統200或另一裝置之部分。在一實例中，處理器208及電子資料儲存單元209可為一單獨控制單元之部分或在一集中式品質控制單元中。可使用多個處理器208或電子資料儲存單元209。
在實踐中，處理器208可藉由硬體、軟體及韌體之任何組合實施。同樣地，如本文中描述之其功能可藉由一個單元執行，或在不同組件間劃分，該等組件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208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209中之一記憶體或其他記憶體)中。
若系統200包含一個以上電腦子系統202，則不同子系統可彼此耦合，使得可在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適合傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知的任何適合有線及/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。
處理器208可經組態以使用系統200之輸出或其他輸出執行數個功能。例如，處理器208可經組態以將輸出發送至一電子資料儲存單元209或另一儲存媒體。處理器208可如本文中描述般進一步組態。
處理器208或電腦子系統202可為一缺陷檢視系統、一檢測系統、一計量系統或某其他類型之系統之部分。因此，本文中揭示之實施例描述可針對具有或多或少適合於不同應用之不同能力之系統以數個方式定製之一些組態。
若系統包含一個以上子系統，則不同子系統可彼此耦合，使得可在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此項技術中已知的任何適合有線及/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。
處理器208可根據本文中描述之實施例之任一者組態。處理器208亦可經組態以使用系統200之輸出或使用來自其他源之影像或資料執行其他功能或額外步驟。
處理器208可以此項技術中已知的任何方式通信地耦合至系統200之各種組件或子系統之任一者。再者，處理器208可經組態以藉由可包含有線及/或無線部分之一傳輸媒體接收及/或獲取來自其他系統之資料或資訊(例如，來自諸如一檢視工具之一檢測系統之檢測結果、包含設計資料之一遠端資料庫及類似物)。以此方式，傳輸媒體可充當處理器208與系統200之其他子系統或系統200外部之系統之間的一資料鏈路。
系統200之各種步驟、功能及/或操作及本文中揭示之方法由以下之一或多者實行：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控制/開關、微控制器或運算系統。實施方法(諸如本文中描述之方法)之程式指令可透過載體媒體傳輸或儲存於載體媒體上。載體媒體可包含一儲存媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、一非揮發性記憶體、一固態記憶體、一磁帶及類似物。一載體媒體可包含一傳輸媒體，諸如一電線、電纜或無線傳輸鏈路。例如，貫穿本發明描述之各種步驟可由一單一處理器208 (或電腦子系統202)或替代地多個處理器208 (或多個電腦子系統202)實行。再者，系統200之不同子系統可包含一或多個運算或邏輯系統。因此，上文描述不應被解釋為對本發明之一限制而僅為一圖解。
一額外實施例係關於儲存可在一處理器上執行之程式指令之一非暫時性電腦可讀媒體。特定言之，一處理器(諸如處理器208)可耦合至具有非暫時性電腦可讀媒體之一電子資料儲存媒體(諸如包含可執行程式指令之電子資料儲存媒體209)中之一記憶體。電腦實施方法可包含本文中描述之(若干)任何方法之(若干)任何步驟。例如，處理器208可經程式化以執行方法100或圖3之方法之一些或全部步驟。電子資料儲存媒體209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的任何其他適合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/或物件定向技術。例如，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(MFC)、串流SIMD擴展(SSE)或其他技術或方法實施程式指令。
在一實施例中，一或多個程式包含於一非暫時性電腦可讀儲存媒體(諸如電子資料儲存媒體209)上。一或多個程式用於在一或多個運算裝置(諸如處理器208)上執行步驟。例如，該等步驟可包含諸如從設計軟體接收複數個關照區域。該等步驟亦可包含：將指令發送至電子束源203及偵測器207以檢測關照區域之一第一者；識別關照區域之第一者之一影像中之缺陷；對關照區域之第一者中之缺陷進行分類；及針對複數個關照區域之任何其餘者重複發送、識別及分類。該等步驟可包含使用一深度學習演算法識別關照區域中之可能缺陷類型。該等步驟亦可包含在關照區域之第一者之一第一例項中對缺陷進行分類之後略過關照區域之第一者之額外例項之檢測。關照區域之第一者之各例項可包含一相似裝置、結構或尺寸。當處理器208識別缺陷且對缺陷進行分類時，可將晶圓204固持在系統200中，諸如在一卡盤上。
如本文中使用，術語「晶圓」一般係指由一半導體或非半導體材料形成之基板。此一半導體或非半導體材料之實例包含但不限於單晶矽、氮化鎵、砷化鎵、磷化銦、藍寶石及玻璃。通常可在半導體製造廠中找到及/或處理此等基板。
一晶圓可包含在一基板上形成之一或多個層。例如，此等層可包含但不限於一光阻劑、一介電材料、一導電材料及一半導電材料。許多不同類型之此等層在此項技術中已知，且如本文中使用之術語晶圓旨在涵蓋包含全部類型之此等層之一晶圓。
形成於一晶圓上之一或多個層可經圖案化或未經圖案化。例如，一晶圓可包含複數個晶粒，各晶粒具有可重複圖案化特徵或週期性結構。此等材料層之形成及處理可最終導致成品裝置。許多不同類型之裝置可形成於一晶圓上，且如本文中使用之術語晶圓旨在涵蓋其上製造此項技術中已知的任何類型之裝置之一晶圓。
亦可使用其他類型之晶圓。例如，晶圓可用於製造LED、太陽能電池、磁碟、平板或拋光板。亦可使用本文中揭示之技術及系統對其他物件上之缺陷進行分類。
可如本文中描述般執行該方法之步驟之各者。該等方法亦可包含可藉由本文中描述之處理器及/或(若干)電腦子系統或(若干)系統執行之任何其他(若干)步驟。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。
儘管已參考一或多個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製作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等之合理解釋限制。
100‧‧‧方法 101‧‧‧步驟 102‧‧‧步驟 103‧‧‧步驟 104‧‧‧步驟 200‧‧‧系統 201‧‧‧電子柱 202‧‧‧電腦子系統 203‧‧‧電子束源 204‧‧‧晶圓 205‧‧‧元件 206‧‧‧元件 207‧‧‧偵測器 208‧‧‧處理器 209‧‧‧電子資料儲存單元
為更充分理解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係一先前技術之一流程圖； 圖2係根據本發明之一方法之一實施例之一流程圖； 圖3係根據本發明之一方法之另一實施例之一流程圖；及 圖4係根據本發明之一系統之一方塊圖。
100‧‧‧方法
101‧‧‧步驟
102‧‧‧步驟
103‧‧‧步驟
104‧‧‧步驟

Claims (14)

  1. 一種用於適應性缺陷探索之方法，其包括：在一晶圓檢測工具處接收複數個關照區域(care areas)；用該晶圓檢測工具檢測該等關照區域之一第一者；結合一處理器使用一深度學習演算法識別該等關照區域之該第一者中之缺陷；結合該處理器使用該深度學習演算法對該等關照區域之該第一者中之該等缺陷進行分類；在於該等關照區域之該第一者之一第一例項中對缺陷進行分類之後略過(skipping)該等關照區域之該第一者之額外例項之檢測，其中該等關照區域之該第一者之各例項包含一相似裝置、結構或尺寸；及針對該複數個關照區域之任何其餘者重複該檢測、該識別及該分類。
  2. 如請求項1之方法，其中從設計軟體接收該等關照區域。
  3. 如請求項1之方法，其中該檢測包含使用該晶圓檢測工具成像。
  4. 如請求項1之方法，其進一步包括結合該處理器使用該深度學習演算法識別該等關照區域中之可能缺陷類型。
  5. 如請求項1之方法，其中該檢測、該識別及該分類在具有該等關照區 域之一晶圓在相同晶圓檢測工具中時發生。
  6. 如請求項1之方法，其進一步包括在該檢測、該識別及該分類期間將具有該等關照區域之一晶圓固持在該晶圓檢測工具中之一卡盤上。
  7. 如請求項1之方法，其中該關照區域具有100μm2或更小之一面積。
  8. 如請求項7之方法，其中該關照區域係50μm2。
  9. 一種適應性缺陷探索系統，其包括：一電子束源，其產生聚焦於一晶圓上之電子；一電子柱；一偵測器，其中從該晶圓返回之電子聚焦於該偵測器上，且其中該偵測器用於擷取該晶圓之一影像；及一處理器，其與該偵測器及該電子束源電子通信，其中該處理器經組態以：接收複數個關照區域；將指令發送至該電子束源及該偵測器以檢測該等關照區域之一第一者；使用一深度學習演算法識別該等關照區域之該第一者之一影像中之缺陷；使用該深度學習演算法對該等關照區域之該第一者中之該等缺陷進行分類； 在於該等關照區域之該第一者之一第一例項中對該等缺陷進行分類之後略過該等關照區域之該第一者之額外例項之檢測，其中該等關照區域之該第一者之各例項包含一相似裝置、結構或尺寸；及針對該複數個關照區域之任何其餘者重複該發送、該識別及該分類。
  10. 如請求項9之適應性缺陷探索系統，其中從設計軟體接收該等關照區域。
  11. 如請求項9之適應性缺陷探索系統，其中該處理器經進一步組態以使用該深度學習演算法識別該等關照區域中之可能缺陷類型。
  12. 如請求項9之適應性缺陷探索系統，其中該等關照區域係一晶圓之關照區域，且其中在該處理器識別該等缺陷且對該等缺陷進行分類時將該晶圓固持在該適應性缺陷探索系統中。
  13. 如請求項9之適應性缺陷探索系統，其中該關照區域具有100μm2或更小之一面積。
  14. 如請求項13之適應性缺陷探索系統，其中該關照區域係50μm2。
TW108100137A 2018-01-05 2019-01-03 使用電子束檢測及具有即時情報之深度學習以減少損害的缺陷探索 TWI769361B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
IN201841000585 2018-01-05
IN201841000585 2018-01-05
US201862636032P 2018-02-27 2018-02-27
US62/636,032 2018-02-27
US16/034,483 2018-07-13
US16/034,483 US10970834B2 (en) 2018-01-05 2018-07-13 Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance

Publications (2)

Publication Number Publication Date
TW201939634A TW201939634A (zh) 2019-10-01
TWI769361B true TWI769361B (zh) 2022-07-01

Family

ID=67140815

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108100137A TWI769361B (zh) 2018-01-05 2019-01-03 使用電子束檢測及具有即時情報之深度學習以減少損害的缺陷探索

Country Status (5)

Country Link
US (1) US10970834B2 (zh)
KR (1) KR102438825B1 (zh)
CN (1) CN111542915B (zh)
TW (1) TWI769361B (zh)
WO (1) WO2019136190A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592634B1 (en) * 2017-06-06 2020-03-17 Ansys, Inc. Systems and methods for automatic handling of engineering design parameter violations
US11416982B2 (en) * 2019-10-01 2022-08-16 KLA Corp. Controlling a process for inspection of a specimen
US11100221B2 (en) 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11087449B2 (en) * 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
CN110660060B (zh) * 2019-11-29 2020-05-19 武汉精立电子技术有限公司 Oled屏幕混色缺陷检测方法、终端设备及计算机可读介质
TWI777307B (zh) * 2020-11-20 2022-09-11 南臺學校財團法人南臺科技大學 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體
TWI839650B (zh) * 2021-10-25 2024-04-21 美商學觀有限責任公司 基於數位資料的評分裝置及方法
CN116152252B (zh) * 2023-04-20 2023-09-08 长鑫存储技术有限公司 电镜图像处理方法、设备及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160351373A1 (en) * 2015-05-26 2016-12-01 Kla-Tencor Corporation High-speed hotspot or defect imaging with a charged particle beam system
TW201737384A (zh) * 2016-04-13 2017-10-16 克萊譚克公司 用於基於電設計意圖之缺陷分類之系統及方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3991476A (en) 1975-10-10 1976-11-16 Haines Walter E Dip stick with sealing sleeve
EP1570510A2 (en) * 2002-12-11 2005-09-07 PDF Solutions, Inc. Fast localization of electrical failures on an integrated circuit system and method
US9780004B2 (en) 2011-03-25 2017-10-03 Kla-Tencor Corporation Methods and apparatus for optimization of inspection speed by generation of stage speed profile and selection of care areas for automated wafer inspection
JP5439543B2 (ja) 2012-06-14 2014-03-12 株式会社日立製作所 欠陥分類方法及びその装置
US10114368B2 (en) 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification
US9347862B2 (en) 2013-08-06 2016-05-24 Kla-Tencor Corp. Setting up a wafer inspection process using programmed defects
US9535010B2 (en) * 2014-05-15 2017-01-03 Kla-Tencor Corp. Defect sampling for electron beam review based on defect attributes from optical inspection and optical review
US9286675B1 (en) * 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US10018571B2 (en) 2015-05-28 2018-07-10 Kla-Tencor Corporation System and method for dynamic care area generation on an inspection tool
US9916965B2 (en) * 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10656518B2 (en) * 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160351373A1 (en) * 2015-05-26 2016-12-01 Kla-Tencor Corporation High-speed hotspot or defect imaging with a charged particle beam system
WO2016191482A1 (en) * 2015-05-26 2016-12-01 Kla-Tencor Corporation High-speed hotspot or defect imaging with a charged particle beam system
TW201737384A (zh) * 2016-04-13 2017-10-16 克萊譚克公司 用於基於電設計意圖之缺陷分類之系統及方法

Also Published As

Publication number Publication date
US20190213733A1 (en) 2019-07-11
KR20200096993A (ko) 2020-08-14
KR102438825B1 (ko) 2022-08-31
TW201939634A (zh) 2019-10-01
CN111542915B (zh) 2024-01-09
CN111542915A (zh) 2020-08-14
US10970834B2 (en) 2021-04-06
WO2019136190A1 (en) 2019-07-11

Similar Documents

Publication Publication Date Title
TWI769361B (zh) 使用電子束檢測及具有即時情報之深度學習以減少損害的缺陷探索
JP6898501B2 (ja) ウェーハ欠陥検出システム及び方法
KR102550474B1 (ko) 자율 결함 세그먼트화
US20190333205A1 (en) Defect pattern grouping method and system
TW201805893A (zh) 用於大量圖案檢索之檢測及設計間之漂移之自動校正之系統及方法
KR102201122B1 (ko) 민감도 개선 및 뉴슨스 억제를 위해 로직 및 핫스팟 검사에서 z-층 컨텍스트를 사용하는 시스템 및 방법
TWI760523B (zh) 用於偵測一缺陷之方法、非暫時性電腦可讀媒體及系統
CN112313786A (zh) 集成式扫描电子显微镜及用于先进工艺控制的光学分析技术
US20220059316A1 (en) Scanning Electron Microscope Image Anchoring to Design for Array
US11379969B2 (en) Method for process monitoring with optical inspections
US20240205347A1 (en) System and method for distributed image recording and storage for charged particle systems
US11610296B2 (en) Projection and distance segmentation algorithm for wafer defect detection
TW202407741A (zh) 於檢測期間改善影像品質之系統及方法
JP2022526994A (ja) Ｚ高さの絶対値を利用したツール間の相乗効果