TWI782229B - 在半導體製造中使用隨機失效指標 - Google Patents

在半導體製造中使用隨機失效指標 Download PDF

Info

Publication number
TWI782229B
TWI782229B TW108132161A TW108132161A TWI782229B TW I782229 B TWI782229 B TW I782229B TW 108132161 A TW108132161 A TW 108132161A TW 108132161 A TW108132161 A TW 108132161A TW I782229 B TWI782229 B TW I782229B
Authority
TW
Taiwan
Prior art keywords
semiconductor inspection
random
semiconductor
inputs
stochastic
Prior art date
Application number
TW108132161A
Other languages
English (en)
Other versions
TW202024608A (zh
Inventor
瑞比 梁詠珊
考希克 沙
艾倫 帕克
安德魯 克羅斯
Original Assignee
美商科磊股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商科磊股份有限公司 filed Critical 美商科磊股份有限公司
Publication of TW202024608A publication Critical patent/TW202024608A/zh
Application granted granted Critical
Publication of TWI782229B publication Critical patent/TWI782229B/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
    • 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
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • 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
    • H01L21/67294—Apparatus for monitoring, sorting or marking using identification means, e.g. labels on substrates or labels on containers
    • 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
    • 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
    • H01L22/22—Connection or disconnection of sub-entities or redundant parts of a device in response to a measurement
    • 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
    • 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
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • 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
    • 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
    • G06T2207/20084—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
    • 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

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)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Physical Deposition Of Substances That Are Components Of Semiconductor Devices (AREA)

Abstract

本發明揭示一種隨機計算引擎，其自一半導體檢測工具或半導體檢視工具接收輸入。該隨機計算引擎自該等輸入判定異常位置及圖案變動且自該等輸入判定隨機失效。與該隨機計算引擎連接之一電子資料儲存單元可包含具有已知隨機行為及已知程序度量衡變動之一資料庫。該隨機計算引擎可標記隨機特徵，判定一失效率或判定失效概率。

Description

在半導體製造中使用隨機失效指標
本發明係關於半導體檢測及度量衡。
半導體製造產業之演進對良率管理以及特定言之度量衡及檢測系統提出更高要求。臨界尺寸繼續收縮，而產業需要減少用於達成高良率、高價值生產之時間。最小化從偵測到一良率問題至解決該問題之總時間判定一半導體製造商之投資回報率。
製造諸如邏輯及記憶體器件之半導體器件通常包含使用大量製造程序處理一半導體晶圓以形成半導體器件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。多個半導體器件可以一配置製造於一單一半導體晶圓上且接著被分成個別半導體器件。
在半導體製造期間之各個步驟使用檢測程序以偵測晶圓上之缺陷以促進製造程序中之更高良率及因此更高利潤。檢測始終係製造半導體器件(諸如積體電路(IC))之一重要部分。然而，隨著半導體器件之尺寸減小，檢測對於可接受半導體器件之成功製造變得更為重要，此係因為 較小缺陷可引起器件失效。例如，隨著半導體器件之尺寸減小，具有減小之大小之缺陷之偵測已變得必要，此係因為相對小缺陷可引起半導體器件中之非所要像差。
在半導體製造期間之各個步驟亦使用度量衡程序以監測且控制程序。度量衡程序與檢測程序不同之處在於：不同於其中在晶圓上偵測缺陷之檢測程序，度量衡程序用於量測無法使用現有檢測工具判定之晶圓之一或多個特性。度量衡程序可用於量測晶圓之一或多個特性，使得可自該一或多個特性判定一程序之效能。例如，度量衡程序可量測在程序期間形成於晶圓上之特徵之一尺寸(例如，線寬度、厚度等)。另外，若晶圓之一或多個特性係不可接受的(例如，在該(等)特性之一預定範圍之外)，則可使用晶圓之一或多個特性之量測以更改程序之一或多個參數使得由程序製造之額外晶圓具有(若干)可接受特性。
缺陷分類通常無法僅基於由一晶圓檢測工具產生之影像或資訊執行。在此等例項中，可使用一缺陷檢視工具產生額外資訊且接著基於該額外資訊判定缺陷分類。在一些此等例項中，由一光學缺陷尋找裝置尋找之缺陷可使用一高解析度掃描電子顯微鏡(SEM)檢視工具檢視。然而，缺陷檢視亦可使用一基於光學之系統執行。例如，可執行基於雷射之缺陷檢視以驗證由光學檢測偵測之一缺陷群體。
隨著曝光劑量減小且光阻劑尺寸收縮至小於約一百奈米，隨機光阻劑效應及臨界尺寸掃描電子顯微鏡對光阻劑影像之效應變得不可忽略。減小微影期間之照明之波長歸因於增加之光子能量(例如，照明之光子能量與波長成反比或與頻率成正比)而減小使用一給定劑量之輻射曝光樣品所需之來自照明源之光子之數目。減小入射於樣品上之光子之數目 可增加光子散粒雜訊(PSN)，與一樣品之一給定體積中之一光子之吸收之不確定性相關之一自然發生之現象。PSN之影響對於具有與此等微影程序相關聯之較低數目個光子之EUV尤其成問題。隨著待製造之特徵之大小接近一光阻劑(例如，光酸產生器(PAG))中之光敏分子之大小，光敏分子在光阻劑中之一隨機分佈可引入與樣品之一給定體積中之光子之吸收相關聯之額外不確定性。因此，與光子吸收相關聯之隨機雜訊可係光子統計學及光阻劑相互作用項之一複合卷積。因此，即使在標稱上相同之製造條件下，某些製造缺陷仍可隨機發生。隨機缺陷正在變為先進設計規則之一問題。隨機缺陷本質上係隨機的，但其等被視為影響具有較高頻率之弱圖案(或熱點)。劑量改變係隨機失效趨於最敏感之一變量，但其等頻率可受改變之劑量、光學近接校正(OPC)、臨界尺寸(CD)、設計或節距影響。當在標稱上相同之條件下一場內之多個位置處、跨一單一晶圓上之多個場之一給定位置處或跨多個晶圓之一樣品上之一給定位置處製造標稱上相同之結構時，隨機發生之製造缺陷或隨機缺陷可以一特定概率發生。
隨機缺陷可提出一製造環境中之多個挑戰。通常，可假定缺陷為確定性，使得當根據包含待製造於一樣品上之元件之一圖案及曝光參數之一已知生產配方製造時，一已知缺陷將持續存在。例如，程序窗合格性檢定(PWQ)通常識別在曝光條件下降至一程序窗之外時始終發生之程序限制缺陷。例如，一程序窗可界定對沿著微影工具之光學軸之樣品之位置(例如，樣品之焦點位置)相關聯之散焦或來自曝光期間入射於樣品上之照明源之能量之劑量之限制。因此，在給定曝光條件下並非始終發生之隨機缺陷之存在可將不確定性引入典型PWQ演算法中。
用於判定隨機失效之先前技術使用隨機行為之經驗特性或 識別。此等先前技術手動地比較失效之各個位置且藉由比較在高至低劑量調變下之失效率。亦需要將非隨機性與隨機失效手動地分離。此等先前技術能夠涵蓋較大晶圓區域，可僅涵蓋有限數目個關鍵特徵且不使用檢測系統或良率管理軟體之一直接輸出。將隨機失效指標定義為失效關鍵特徵之總數除以經檢測關鍵特徵之總數。基於SEM影像之離線分析通常亦無法以適時方式涵蓋大量關鍵特徵。當判定隨機失效時，先前技術亦未考量設計。
因此，需要用於判定隨機失效之經改良系統及技術。
在一第一實施例中提供一種系統。該系統包括：一半導體檢測工具或一半導體檢視工具，其提供輸入；及一電子資料儲存單元，其包含具有已知隨機行為及已知程序度量衡變動之一資料庫。一隨機計算引擎與該電子資料儲存單元電子通信且經組態以自該半導體檢測工具或該半導體檢視工具接收該等輸入；自該等輸入判定異常位置及圖案變動；及自該等輸入判定隨機失效。
該半導體檢測工具或該半導體檢視工具可使用一電子束或一光子束。
該等輸入可包含度量衡規則、缺陷規則、設計規則、晶圓級資料、良率分析、設備資料、失效診斷或遮罩變動之一或多者。
該隨機計算引擎可進一步經組態以自該等輸入判定一失效率。
該隨機計算引擎可進一步經組態以自該等輸入判定一關鍵特徵之一失效概率。
該隨機計算引擎可進一步經組態以自該等輸入判定隨機缺陷及非隨機失效。
該隨機計算引擎可在一神經網路上運行。
在一第二實施例中提供一種方法。該方法包括在一隨機計算引擎處自一半導體檢測工具或一半導體檢視工具接收輸入。使用該隨機計算引擎自該等輸入判定異常位置及圖案變動。使用該隨機計算引擎自該等輸入判定隨機失效。
該方法可包含標記與該等隨機失效相關聯之隨機特徵。在一例項中，執行該等隨機特徵之一檢測。此可進一步包含基於該檢測之結果驗證該等隨機特徵。
該方法可包含運用使用一電子束之一半導體檢測工具或一半導體檢視工具來成像一半導體晶圓。
該方法可包含運用使用一光子束之一半導體檢測工具來成像一半導體晶圓。
該等輸入可包含度量衡規則、缺陷規則、設計規則、晶圓級資料、良率分析、設備資料、失效診斷或遮罩變動之一或多者。
該方法可包含使用該隨機計算引擎自該等輸入判定一失效率。
該方法可包含使用該隨機計算引擎自該等輸入判定一關鍵特徵之一失效概率。
該方法可包含使用該隨機計算引擎自該等輸入判定隨機缺陷及非隨機失效。
該隨機計算引擎可在一神經網路上運行。
一非暫時性電腦可讀媒體可儲存經組態以指示一處理器執行第二實施例之方法之一程式。
100:方法
101:步驟
102:步驟
103:步驟
200:系統
201:電子資料儲存單元
202:隨機計算引擎
203:輸入
300:系統
301:電子柱
302:電腦子系統
303:電子束源
304:晶圓
305:元件
306:元件
307:偵測器
308:處理器
309:電子資料儲存單元
310:載物台
為了更全面瞭解本發明之性質及目標，應結合隨附圖式參考以下詳細描述，其中：圖1係根據本發明之一方法之一流程圖；圖2係根據本發明之一系統之一方塊圖；圖3係根據本發明之一半導體檢測工具之一方塊圖；圖4繪示隨機特徵之實例；及圖5繪示隨機熱點。
相關申請案之交叉參考
本申請案主張2018年9月7日申請且經讓與之美國臨時專利申請案第62/728,708號之優先權，該案之揭示內容以引用的方式併入本文中。
雖然將依據特定實施例描述所主張標的物，但其他實施例(包含不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。可做出各種結構、邏輯、程序步驟及電子改變而不脫離本發明之範疇。因此，本發明之範疇僅藉由參考隨附發明申請專利範圍界定。
本文中揭示之實施例使用一積體電路(IC)設計檔案以導引檢測。IC設計檔案可用於進行光學及/或電子束檢測之分析以輸出一半導體製造程序之一隨機失效指標。IC設計檔案亦可用於提供來自一檢測系統或良率管理軟體之一直接輸出。
為了獲得具有統計顯著性之一給定特徵之合理隨機失效率，通常需要大區域檢測。隨機事件通常係低概率事件。例如，在有效良率之情況下，一隨機事件可係一萬億中一次失效。特徵尺寸(例如，臨界尺寸)分佈通常係非正常的，其具有偏斜尾部。可標記尾部事件(7σ)且接著可計算描述失效之各種指標。傳統基於CD SEM、檢視SEM或甚至緩慢檢測SEM之涵蓋範圍不足以用於偵測一7σ事件。此外，隨機事件係複雜的且可係基於不良瞭解之關係。可代替性地使用一設計整合、光學檢測耦合之快速SEM檢視或檢測系統以計算隨機失效率。此將提供一樣品之一較大涵蓋範圍、較高處理能力且併入IC設計。
併入各種資料源以及用於計算隨機失效概率之缺陷檢測資料可用於判定隨機失效。此等資料源包含(例如)CD、節距、線邊緣粗糙度(LER)、線寬度粗糙度(LWR)、表面粗糙度、曝光焦點、曝光劑量、光罩量測、設計背景內容或其他參數。資料源可用於與缺陷或度量衡資料相互關聯以識別變動源。將此等源放在一個位置可在使設計或程序系統與隨機缺陷分離時提供幫助。
圖1係一方法100之一流程圖。在101處，在一隨機計算引擎處自一半導體檢測工具或一半導體檢視工具接收輸入。輸入可包含度量衡規則、缺陷規則、設計規則、晶圓級資料(例如，隨機缺陷及設計熱點之潛在位置)、良率分析(例如，總影響)、設備資料、失效診斷或遮罩變動之一或多者。輸入亦可包含諸如(例如)CD、節距、LER、LWR、表面粗糙度、曝光焦點、曝光劑量、光罩量測、設計背景內容或其他參數之資料。其他輸入係可行的。可使用一晶圓檢測系統或良率管理軟體之直接輸出。在一例項中，輸入包含設計熱點、節距、劑量、LER或LWR。
可基於隨機缺陷之一特定設計或類型選取輸入。例如，較高LER或LWR可指示隨機缺陷之較高概率。較緊密節距可導致增加之隨機缺陷。下側上之過量劑量變動可導致增加之隨機缺陷。
可提供輸入之影像可使用一半導體檢測工具或半導體檢視工具(其使用一電子束或一光子束)產生。亦可使用其他半導體檢測工具，其等使用x射線或離子束。
在102處，使用隨機計算引擎自輸入判定異常位置及圖案變動。隨機計算引擎可使用一機器學習方法(諸如一神經網路)運行。在缺陷檢測之後，需要真實設計/程序分析系統與可能隨機影響之分離。可本地研究設計背景內容。若針對相同圖案背景內容失效點在一個位置至另一位置之間改變(此可由光學及檢視SEM影像分析兩者及由一檢測工具提供之其他缺陷屬性判定)，則圖案係一隨機熱點。針對一真實設計熱點，相同點將始終失效。可將此等區別製成超出使用檢測工具之屬性及來自其他源之各種規則之基於設計之分組(DBG)之一額外步驟。可藉由獲取一隨機圖案失效之例項之數目與經檢測之此等圖案之總數(其可自一設計判定)之比率而計算失效率。若已知一熱點係隨機的(例如自來自良率管理軟體之模擬或歷史記錄)，其可被先驗地使用(類似用於目標檢測及失效率計算之一實例)。
在103處，使用可使用神經網路運行之隨機計算引擎自輸入判定隨機失效。設計可用於檢測工具結果之DBG中且用於判定檢測區域中之各群組之頻率(例如，以計算失效率)。
可在判定或識別隨機失效之後標記與隨機失效相關聯之隨機特徵。可諸如使用一SEM對經標記之隨機特徵執行一檢測。可基於此檢 測之結果驗證隨機特徵。
圖4繪示隨機特徵之實例。典型缺陷特性可係光子、化學散粒雜訊、經減小特徵大小或其他原因之一結果。隨機特徵本質上可係隨機的且經隔離，但弱圖案(熱點)可以較高頻率受影響。不管圖案類型為何，失效可發生。失效概率可係低的且非高斯(Gaussian)，且可受CD、劑量、OPC、節距、材料或其他原因影響。
圖5繪示隨機熱點。不同溝槽以不同速率失效。各類型具有其自身失效概率。
在一例項中，可基於隨機失效之位置或特徵判定一經導引檢測。經導引檢測可搜尋或查看潛在隨機失效之類似位置。經導引檢測可用於標記隨機特徵。可針對一經導引檢測推薦一取樣方法以蒐集更多資料。
可使用隨機計算引擎自輸入判定一失效率。失效率係數個經檢測之此類型之背景內容或設計群組內之每一類型之背景內容(例如，設計群組)之隨機失效之數目。
可使用隨機計算引擎自輸入判定一關鍵特徵之一失效概率。失效概率係受一隨機失效影響之一特定結構或結構類型之概率。此可在經驗上量測為一失效率或使用模擬運算。
亦可使用隨機計算引擎自輸入判定隨機缺陷及非隨機失效。未經受隨機效應之圖案缺陷(例如，熱點)被稱為非隨機失效。隨機失效通常係粒子類型失效。可使用先進取樣及分類以將隨機特徵與其他失效分離。
在一替代實施例中，在方法100中在無IC設計之情況下離 線使用基於SEM之影像以判定隨機失效。
一非暫時性電腦可讀媒體可儲存經組態以指示一處理器執行方法100之一實施例之一程式。
方法100可用於提供多個益處。首先，IC設計檔案資訊可用於瞭解關鍵特徵之總數。IC設計檔案亦可用於導引檢測及/或缺陷分類。
第二，將IC設計檔案資訊與機器學習技術組合可用於進行光學檢測結果、SEM檢測結果及/或SEM檢視結果之分類以分析隨機失效關鍵特徵之數目。可基於已知行為或藉由評估行為之性質或失效字元之變動而判定隨機性。此判定可係自動化的。
第三，可自檢測系統間接輸出(若干)隨機失效指標。指標之一者可係失效率。
第四，可按每程序窗參數(例如，劑量、焦點或其他參數)間接輸出(若干)隨機失效指標。程序窗參數可類似於程序窗特徵。
圖2係整合資料源且計算隨機行為或失效之概率之一系統200之一方塊圖。一電子資料儲存單元201包含具有已知隨機行為及已知程序度量衡變動之一資料庫。已知隨機行為及/或已知程序度量衡變動亦可經儲存、拉入或拉出良率管理軟體。一隨機計算引擎202與電子資料儲存單元201電子通信。隨機計算引擎202經組態以自一半導體檢測工具或半導體檢視工具接收輸入203。半導體檢測工具或半導體檢視工具可使用(例如)一電子束或一光子束。輸入包含度量衡規則(例如，線空間)、缺陷規則、設計規則、晶圓級資料、良率分析、設備資料、失效診斷或遮罩變動之一或多者。其他輸入係可行的。隨機計算引擎202可自輸入判定異常 位置及圖案變動且自輸入判定隨機失效。
隨機引擎202可尋找熱點或弱點且判定其等是否一致或在一隨機位置處。可將異常位置視為缺陷(例如，實體變動、圖案變動或尺寸改變)。可產生模型及/或決策樹。可執行預期行為之一叢集分析以尋找離群點。
隨機計算引擎202可進一步經組態以基於輸入判定一失效率、一關鍵特徵之一失效概率或隨機缺陷及非隨機失效。
使用隨機計算引擎202，IC設計資訊可用於瞭解關鍵特徵之總數、導引光學或SEM檢測、運算缺陷特性之變動或評估或分類缺陷以運算一半導體晶圓上之隨機事件。可判定各種指標，諸如歸因於隨機性之失效率或失效概率。一缺陷檢測系統或良率管理軟體可直接輸出隨機失效指標。基於圖案之預期行為(基於各種輸入屬性(例如，CD或CD分佈、LER/LWR分佈、焦點、劑量分佈、缺陷數量及分佈、自設計之正規化偏差等))，可識別且量化各失效。
隨機計算引擎202可繼續學習改良其模型。此可使用一深度學習系統，諸如一神經網路。
隨機計算引擎202可經實施為一半導體檢測工具或半導體檢視工具之部分。隨機計算引擎202亦可操作為一獨立單元，諸如用於一半導體製造設施之一良率管理系統。隨機計算引擎202可線上或離線操作。隨機計算引擎202可使用或不使用IC設計操作。
隨機計算引擎202可基於已知行為或藉由評估行為之性質或失效特性之變動而自動地判定隨機性。可使用隨機計算引擎202執行一所關注區域(例如，一檢測區域或關照區域)中之隨機特徵之設計佈局導引 之檢測及標記。
可使用隨機計算引擎202執行其他取樣及局部化。首先，可使用基於失效點分佈及背景內容之不同取樣以捕獲相同特徵之不同失效點。第二，通過劑量行為可進一步有助於隔離隨機事件與其他隨機或設計系統事件。通過劑量行為可在一經調變晶圓中(例如，在PWQ或程序窗發現中)可用。第三，可捕獲失效周圍之空間背景內容以瞭解失效是否係一真實設計系統或由隨機效應放大。
隨機計算引擎202可與經標記缺陷之SEM檢視或SEM檢測驗證組合。若未見異常，則可執行錯誤率之計算。
可執行一關照區域中之一特徵之全部例項之基於設計之運算。此輸出可具有兩個特點：捨棄OPC(僅具有設計意圖)之一個特點及考量OPC差異之另一特點。運算亦可具有背景內容參數。例如，當嘗試尋找一匹配時，可考量周圍背景內容之量。
可使用自檢測系統或良率管理軟體輸出之一失效指標。可計算失效率，且可自經標記位置之SEM檢視獲得其他尺寸或大小指標。可接著研究變動。預期此等變動係極值，此係因為其等由檢測系統基於高於背景之信號標記。因此，此等可表示大小分佈之尾部。可自此資訊獲得特徵變動範圍。
失效率可進一步經子標識為所考量特徵內之「最失效區域」。此可係(例如)一「中間」、「端部」或「隅角」。此標識可有助於識別可將資訊顯露給設計者之隨機失效之弱點。例如，在一個區域中比在另一區域中更頻繁失效之一特徵可具有由隨機效應放大之一系統設計問題。
一大檢視樣品可限制處理能力，但缺陷資料可以失效率(諸如自一IC設計檔案產生之失效率)正規化。
可使用一處理器操作之隨機計算引擎202可使用一神經網路(例如，一卷積神經網路(CNN)模組)運行。隨機計算引擎202可具有本文中進一步描述之組態之一者。根植於神經網路技術中，深度學習係具有許多神經層之一概率圖模型，通常稱為一深度架構。深度學習技術以一階層方式處理資訊，諸如影像、文字、語音等。在本發明中使用深度學習中，使用來自資料之學習自動地完成特徵提取。例如，可使用隨機計算引擎202基於一或多個經提取特徵對缺陷分類、排序或分格化。
在分類或迴歸模式中使用一神經網路之影像分類及預測可用於在相同設計背景內容中標記多個失效點。此可有助於分離隨機熱點與非隨機熱點。一神經網路亦可用於諸如使用儲存於良率管理軟體中之資料之對於預測隨機行為最有用之特徵之歷史排名。
一般言之，深度學習(亦稱為深度結構化學習、階層式學習或深度機器學習)係基於嘗試模型化資料中之高階抽象之一組演算法之機器學習之一分支。在一簡單情況中，可存在兩組神經元：接收一輸入信號之神經元及發送一輸出信號之神經元。當輸入層接收一輸入時，其將輸入之一經修改版本傳遞至下一層。在一深度網路中，輸入與輸出之間存在許多層，從而容許演算法使用由多個線性及非線性變換構成之多個處理層。
深度學習係基於資料之學習表示之機器學習方法之一更廣泛族之部分。一觀察(例如，待提取以供參考之一特徵)可以許多方式(諸如每像素之強度值之一向量)或以一更抽象方式(如一組邊緣、特定形狀之區域等)表示。深度學習可提供用於非監督或半監督式特徵學習及階層式 特徵提取之有效演算法。
在此領域中之研究嘗試製成更佳表示且產生模型以自大規模資料學習此等表示。一些表示受神經科學之進展啟發且鬆散地基於一神經系統中之資訊處理及通信型樣之解譯，諸如嘗試定義各種刺激與腦中之相關聯神經元回應之間的一關係之神經編碼。
存在具有取決於可能性規範及網路架構之深度架構之神經網路之許多變體，包含(但不限於)深度信念網路(DBN)、受限玻爾茲曼(Boltzmann)機器(RBM)及自動編碼器。另一類型之深度神經網路(一CNN)可用於特徵分析。實際實施方案可取決於輸入影像之大小、待分析之特徵之數目及問題之性質而變動。除了本文中揭示之神經網路之外，其他層亦可包含於隨機計算引擎202中。
在一實施例中，深度學習模型係一機器學習模型。機器學習可大體上定義為對電腦提供在未經明確程式化之情況下學習之能力之一種類型之人工智慧(AI)。機器學習致力於開發可教示自身在曝露至新資料時生長及改變之電腦程式。機器學習探索可自資料學習且對資料作出預測之演算法之研究及構造。此等演算法藉由透過自樣本輸入建立一模型來作出資料驅動預測或決策而克服以下嚴格靜態程式指令。
在一些實施例中，深度學習模型係一生成模型。一生成模型可大體上定義為本質上概率性之一模型。換言之，一生成模型係執行順向模擬或基於規則之方法之模型。可基於一適合訓練資料集學習生成模型(其中可學習其參數)。在一項實施例中，深度學習模型經組態為一深度生成模型。例如，模型可經組態以具有一深度學習架構，其中模型可包含執行數個演算法或變換之多個層。
在另一實施例中，深度學習模型經組態為一神經網路。在一進一步實施例中，深度學習模型可係具有一組權重之一深度神經網路，該等權重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大腦使用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對經連接神經單元之激發狀態之效應。此等系統係自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。
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。雖然若干神經網路遠更抽象，但神經網路之目標係以與人腦相同之方式解決問題。現代神經網路項目通常使用數千至數百萬神經單元及數百萬連接工作。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。
在一項實施例中，用於本文中揭示之半導體檢測應用之深度學習模型經組態為一AlexNet。例如，一AlexNet包含其後接著數個完全連接層(例如，3)之數個卷積層(例如，5)，其等組合地經組態且經訓練以分析用於判定旋轉及平移偏移之特徵。在另一此實施例中，用於本文中揭示之半導體檢測應用之深度學習模型經組態為一GoogleNet。例如，一GoogleNet可包含層，諸如卷積層、匯集層及完全連接層，諸如本文中進一步描述之經組態且經訓練以分析用於判定旋轉及平移偏移之特徵之層。雖然GoogleNet架構可包含相對高數目個層(尤其相較於本文中描述之一些其他神經網路)，但一些層可並行操作，且彼此並行運作之層群組通常稱為起始模組。其他層可循序操作。因此，GoogleNet與本文中描述之其他神經網路不同之處在於並非所有層皆以一循序結構配置。並行層可類似於 Google之起始網路或其他結構。
在一進一步此實施例中，用於本文中揭示之半導體檢測應用之深度學習模型經組態為一視覺幾何群組(VGG)網路。例如，藉由增加卷積層之數目同時固定架構之其他參數而建立VGG網路。藉由在全部層中使用實質上小的卷積濾波器可添加卷積層以增加深度。如同本文中描述之其他神經網路，產生且訓練VGG網路以分析用於判定旋轉及平移偏移之特徵。VGG網路亦包含其後接著完全連接層之卷積層。
在一些此等實施例中，用於本文中揭示之半導體檢測應用之深度學習模型經組態為一深度殘餘網路。例如，如同本文中描述之一些其他網路，一深度殘餘網路可包含其後接著完全連接層之卷積層，其等組合地經組態且經訓練用於特徵性質提取。在一深度殘餘網路中，該等層經組態以參考層輸入學習殘餘功能而非學習未引用功能。特定言之，代替希望各若干堆疊層直接擬合一所要底層映射，明確容許此等層擬合一殘餘映射，其由具有捷徑連接之前饋神經網路實現。捷徑連接係略過一或多個層之連接。可藉由獲取包含卷積層之一普通神經網路結構且插入捷徑連接而產生一深度殘餘網，其藉此獲取普通神經網路且將其轉變為其殘餘學習對應物。
在一進一步此實施例中，用於本文中揭示之半導體檢測應用之深度學習模型包含經組態用於分析用於判定旋轉及平移偏移之特徵之一或多個完全連接層。一完全連接層可大體上定義為其中各節點連接至先前層中之各節點之一層。(若干)完全連接層可基於由(若干)卷積層提取之特徵執行分類，其可如本文中進一步描述般組態。(若干)完全連接層經組態用於特徵選擇及分類。換言之，(若干)完全連接層自一特徵圖選擇特徵 且接著基於經選擇特徵分析(若干)輸入影像。經選擇特徵可包含特徵圖中之全部特徵(若適當)或僅特徵圖中之一些特徵。
在一些實施例中，由深度學習模型判定之資訊包含由深度學習模型提取之特徵性質。在一項此實施例中，深度學習模型包含一或多個卷積層。(若干)卷積層可具有此項技術中已知之任何適合組態。以此方式，深度學習模型(或深度學習模型之至少一部分)可經組態為一CNN。例如，深度學習模型可經組態為用以提取局部特徵之一CNN，其通常係卷積層及匯集層之堆疊。本文中描述之實施例可利用深度學習概念(諸如一CNN)來解決通常難處理之表示反演問題。深度學習模型可具有此項技術中已知之任何CNN組態或架構。一或多個匯集層亦可具有此項技術中已知之任何適合組態(例如，最大匯集層)且通常經組態用於減少由一或多個卷積層產生之特徵圖之維數同時維持最重要的特徵。
一般言之，本文中描述之深度學習模型係一經訓練深度學習模型。例如，可藉由一或多個其他系統及/或方法先前訓練深度學習模型。深度學習模型已經產生且訓練且接著如本文中描述般判定模型之功能性，模型之功能性可接著用於執行用於深度學習模型之一或多個額外功能。
如上文陳述，雖然本文中使用CNN以繪示一深度學習系統之架構，但本發明不限於CNN。可在實施例中使用深度學習架構之其他變體。例如，可使用自動編碼器、DBN及RBM。亦可使用隨機森林。
可將訓練資料輸入至模型訓練(例如，CNN訓練)，模型訓練可以任何適合方式執行。例如，模型訓練可包含將訓練資料輸入至深度學習模型(例如，一CNN)且修改模型之一或多個參數直至模型之輸出與外 部驗證資料相同(或實質上相同)。模型訓練可產生一或多個經訓練模型，接著可將該一或多個經訓練模型發送至模型選擇，使用驗證資料執行模型選擇。可比較由各一或多個經訓練模型針對輸入至一或多個經訓練模型之驗證資料產生之結果與驗證資料以判定哪一模型係最佳模型。例如，可將產生最緊密匹配驗證資料之結果之模型選擇為最佳模型。測試資料可接著用於經選擇之模型(例如，最佳模型)之模型評估。可以任何適合方式執行模型評估。亦可將最佳模型發送至模型部署，其中最佳模型可被發送至半導體檢測工具以供使用(訓練後模式)。
在一實施例中，隨機計算引擎包含使用經識別樣品訓練之一模型。模型可使用新資料驗證，該新資料亦可用於持續訓練模型。當模型穩定時，訓練可結束。在一例項中，使用對於一特定層、圖案或應用最有價值之輸入訓練隨機計算引擎。與調變隨機性之變量有關之輸入可對於訓練隨機計算引擎更有價值。此可包含曝光條件、圖案佈局、節距或CD。此亦可包含LER/LWR或使用設計運算之某些缺陷屬性。接著，亦可藉由使用標準方法(如主成分分析(PCA))截斷尺寸而使用影像。接著，隨機計算引擎用於該特定層、圖案或應用。
圖3係一系統300之一實施例之一方塊圖。系統300包含經組態以產生一晶圓304之影像之一晶圓檢測工具(其包含電子柱301)。
晶圓檢測工具包含一輸出擷取子系統，該輸出擷取子系統包含至少一能量源及一偵測器。輸出擷取子系統可係一基於電子束之輸出擷取子系統。例如，在一項實施例中，經引導至晶圓304之能量包含電子，且自晶圓304偵測之能量包含電子。以此方式，能量源可係一電子束源。在圖3中展示之一項此實施例中，輸出擷取子系統包含電子柱301， 電子柱301經耦合至電腦子系統302。一載物台310可固持晶圓304。
亦如圖3中展示，電子柱301包含經組態以產生由一或多個元件305聚焦至晶圓304之電子之一電子束源303。電子束源303可包含(例如)一陰極源或射極尖端。一或多個元件305可包含(例如)一槍透鏡、一陽極、一束限制孔隙、一閘閥、一束電流選擇孔隙、一物鏡及一掃描子系統，其全部可包含此項技術中已知之任何此等適合元件。
自晶圓304返回之電子(例如，二次電子)可由一或多個元件306聚焦至偵測器307。一或多個元件306可包含(例如)一掃描子系統，該掃描子系統可係包含於(若干)元件305中之相同掃描子系統。
電子柱301亦可包含此項技術中已知之任何其他適合元件。
雖然在圖3中將電子柱301展示為經組態使得電子按一傾斜入射角引導至晶圓304且按另一傾斜角自晶圓304散射，但電子束可按任何適合角度引導至晶圓且自晶圓304散射。另外，基於電子束之輸出擷取子系統可經組態以使用多個模式來產生晶圓304之影像(例如，具有不同照明角、收集角等)。基於電子束之輸出擷取子系統之多個模式在輸出擷取子系統之任何影像產生參數方面可係不同的。
電腦子系統302可耦合至偵測器307，如上文描述。偵測器307可偵測自晶圓304之表面返回之電子，藉此形成晶圓304之電子束影像。該等電子束影像可包含任何適合電子束影像。電腦子系統302可經組態以使用偵測器307之輸出及/或電子束影像執行本文中描述之功能之任何者。電腦子系統302可經組態以執行本文中描述之(若干)任何額外步驟。可如本文中描述般進一步組態包含圖3中展示之輸出擷取子系統之一系統 300。
應注意，在本文中提供圖3以大體上繪示可在本文中描述之實施例中使用之一基於電子束之輸出擷取子系統之一組態。可更改本文中描述之基於電子束之輸出擷取子系統組態以如在設計一商業輸出擷取子系統時通常執行般最佳化輸出擷取子系統之效能。另外，可使用一現有系統(例如，藉由將本文中描述之功能性添加至一現有系統)實施本文中描述之系統。對於一些此等系統，可將本文中描述之方法提供為系統之選用功能性(例如，除了系統之其他功能性之外)。替代地，可將本文中描述之系統設計為一全新系統。
雖然上文將輸出擷取子系統描述為一基於電子束之輸出擷取子系統，但輸出擷取子系統可係一基於離子束之輸出擷取子系統。可如圖3中展示般組態此一輸出擷取子系統，惟可使用此項技術中已知之任何適合離子束源替換電子束源除外。另外，輸出擷取子系統可係任何其他適合基於離子束之輸出擷取子系統，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擷取子系統。
電腦子系統302包含一處理器308及一電子資料儲存單元309。處理器308可包含一微處理器、一微控制器或其他器件。處理器308可包含隨機計算引擎202之一實施例。電子資料儲存單元309可包含或可係電子資料儲存單元201之一實施例。
電腦子系統302可以任何適合方式(例如，經由可包含有線及/或無線傳輸媒體之一或多個傳輸媒體)耦合至系統300之組件，使得處理器308可接收輸出。處理器308可經組態以使用輸出執行數個功能。晶 圓檢測工具可自處理器308接收指令或其他資訊。處理器308及/或電子資料儲存單元309視情況可與另一晶圓檢測工具、一晶圓度量衡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308與晶圓檢測工具(諸如偵測器307)電子通信。處理器308可經組態以處理使用來自偵測器307之量測產生之影像。例如，處理器可執行方法100之實施例。
本文中描述之電腦子系統302、(若干)其他系統或(若干)其他子系統可係各種系統之部分，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器件。(若干)子系統或(若干)系統亦可包含此項技術中已知之任何適合處理器(諸如一平行處理器)。另外，該(等)子系統或該(等)系統可包含具有高速處理及軟體之一平台(作為一獨立工具或一網路工具)。
處理器308及電子資料儲存單元309可安置於系統300或另一器件中或另外係系統300或另一器件之部分。在一實例中，處理器308及電子資料儲存單元309可係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308或電子資料儲存單元309。
實務上，處理器308可藉由硬體、軟體及韌體之任何組合實施。又，如本文中描述之其功能可由一個單元執行或在不同組件當中劃分，該等不同組件之各者繼而可藉由硬體、軟體及韌體之任何組合實施。供處理器308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309中之一記憶體或其他記憶體)中。
若系統300包含一個以上電腦子系統302，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， 一個子系統可藉由可包含此項技術中已知之任何適合有線及/或無線傳輸媒體之任何適合傳輸媒體耦合至(若干)額外子系統。兩個或兩個以上此等子系統亦可藉由一共用電腦可讀儲存媒體(未展示)而有效耦合。
處理器308可經組態以使用系統300之輸出或其他輸出執行數個功能。例如，處理器308可經組態以將輸出發送至一電子資料儲存單元309或另一儲存媒體。可如本文中描述般進一步組態處理器308。
處理器308或電腦子系統302可係一缺陷檢視系統、一檢測系統、一度量衡系統或某一其他類型之系統之部分。因此，本文中揭示之實施例描述可以數個方式針對具有或多或少適合於不同應用之不同能力之系統定製之一些組態。
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，一個子系統可藉由可包含此項技術中已知之任何適合有線及/或無線傳輸媒體之任何適合傳輸媒體耦合至(若干)額外子系統。兩個或兩個以上此等子系統亦可藉由一共用電腦可讀儲存媒體(未展示)而有效耦合。
可根據本文中描述之任何實施例組態處理器308。處理器308亦可經組態以使用系統300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308可以此項技術中已知之任何方式通信地耦合至系統300之各種組件或子系統之任何者。再者，處理器308可經組態以藉由可包含有線及/或無線部分之一傳輸媒體自其他系統接收及/或擷取資料或資訊(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者)。以此方式，傳輸媒體可充當處理器308與 系統300之其他子系統或系統300外部之系統之間之一資料鏈路。
系統300之各種步驟、功能及/或操作及本文中揭示之方法由以下一或多者實行：電子電路、邏輯閘、多工器、可程式化邏輯器件、ASIC、類比或數位控制件/開關、微控制器或運算系統。實施諸如本文中描述之方法之方法之程式指令可經由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、一磁帶及類似者。一載體媒體可包含一傳輸媒體，諸如一導線、電纜或無線傳輸鏈路。例如，貫穿本發明描述之各種步驟可藉由一單一處理器308(或電腦子系統302)或替代地多個處理器308(或多個電腦子系統302)實行。再者，系統300之不同子系統可包含一或多個運算或邏輯系統。因此，上文描述不應解譯為對本發明之一限制而僅為一圖解。
一額外實施例係關於一種儲存可在一處理器上執行之程式指令之非暫時性電腦可讀媒體。特定言之，一處理器(諸如處理器308)可耦合至具有包含可執行程式指令之非暫時性電腦可讀媒體之一電子資料儲存媒體(諸如電子資料儲存單元309)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308可經程式化以執行方法100之步驟之一些或全部。電子資料儲存單元309中之記憶體可係一儲存媒體，諸如一磁碟或光碟、一磁帶或此項技術中已知之任何其他適合非暫時性電腦可讀媒體。
雖然關於系統300進行揭示，但光學或x射線系統亦可用於產生用於方法100或隨機計算引擎202之影像或輸入。
可如本文中描述般執行方法之各步驟。方法亦可包含可由 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(若干)任何其他步驟。步驟可由一或多個電腦系統執行，該一或多個電腦系統可根據本文中描述之任何實施例經組態。另外，上文描述之方法可由本文中描述之任何系統實施例執行。
雖然已關於一或多個特定實施例描述本發明，但應瞭解，可進行本發明之其他實施例而不脫離本發明之範疇。因此，將本發明視為僅由隨附發明申請專利範圍及其合瞭解譯限制。
200:系統
201:電子資料儲存單元
202:隨機計算引擎
203:輸入

Claims (20)

  1. 一種半導體檢測系統，其包括：一半導體檢測工具或一半導體檢視工具，其提供輸入；一電子資料儲存單元，其包含具有已知隨機行為及已知程序度量衡變動之一資料庫；及在一神經網路上運行之一隨機計算引擎，其與該電子資料儲存單元電子通信且經組態以：自該半導體檢測工具或該半導體檢視工具接收該等輸入；接收一積體電路設計檔案；自該等輸入判定異常位置及圖案變動；及自該等輸入及該積體電路設計檔案判定隨機失效。
  2. 如請求項1之半導體檢測系統，其中該半導體檢測工具或該半導體檢視工具使用一電子束。
  3. 如請求項1之半導體檢測系統，其中該半導體檢測工具使用一光子束。
  4. 如請求項1之半導體檢測系統，其中該等輸入包含度量衡規則、缺陷規則、設計規則、晶圓級資料、良率分析、設備資料、失效診斷或遮罩變動之一或多者。
  5. 如請求項1之半導體檢測系統，其中該隨機計算引擎進一步經組態以自該等輸入判定一失效率。
  6. 如請求項1之半導體檢測系統，其中該隨機計算引擎進一步經組態以自該等輸入判定一關鍵特徵之一失效概率。
  7. 如請求項1之半導體檢測系統，其中該隨機計算引擎進一步經組態以自該等輸入判定隨機缺陷及非隨機失效。
  8. 如請求項1之半導體檢測系統，其中該等輸入包含來自該半導體檢測工具或該半導體檢視工具之影像。
  9. 一種半導體檢測方法，其包括：在一神經網路上運行之一隨機計算引擎處自一半導體檢測工具或一半導體檢視工具接收輸入；在該隨機計算引擎處接收一積體電路設計檔案；使用該隨機計算引擎自該等輸入判定異常位置及圖案變動；及使用該隨機計算引擎自該等輸入及該積體電路設計檔案判定隨機失效。
  10. 如請求項9之半導體檢測方法，其進一步包括標記與該等隨機失效相關聯之隨機特徵。
  11. 如請求項10之半導體檢測方法，其進一步包括執行該等隨機特徵之一檢測。
  12. 如請求項11之半導體檢測方法，其進一步包括基於該檢測之結果驗證該等隨機特徵。
  13. 如請求項9之半導體檢測方法，其進一步包括使用該半導體檢測工具或該半導體檢視工具來成像一半導體晶圓，其中該半導體檢測工具或該半導體檢視工具使用一電子束。
  14. 如請求項9之半導體檢測方法，其進一步包括使用該半導體檢測工具來成像一半導體晶圓，其中該半導體檢測工具使用一光子束。
  15. 如請求項9之半導體檢測方法，其中該等輸入包含度量衡規則、缺陷規則、設計規則、晶圓級資料、良率分析、設備資料、失效診斷或遮罩變動之一或多者。
  16. 如請求項9之半導體檢測方法，其進一步包括使用該隨機計算引擎自該等輸入判定一失效率。
  17. 如請求項9之半導體檢測方法，其進一步包括使用該隨機計算引擎自該等輸入判定一關鍵特徵之一失效概率。
  18. 如請求項9之半導體檢測方法，其進一步包括使用該隨機計算引擎自該等輸入判定隨機缺陷及非隨機失效。
  19. 如請求項9之半導體檢測方法，其中該等輸入包含來自該半導體檢測工具或該半導體檢視工具之影像。
  20. 一種非暫時性電腦可讀媒體，其儲存經組態以指示一處理器執行如請求項9之半導體檢測方法之一程式。
TW108132161A 2018-09-07 2019-09-06 在半導體製造中使用隨機失效指標 TWI782229B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862728708P 2018-09-07 2018-09-07
US62/728,708 2018-09-07
US16/241,467 US10818001B2 (en) 2018-09-07 2019-01-07 Using stochastic failure metrics in semiconductor manufacturing
US16/241,467 2019-01-07

Publications (2)

Publication Number Publication Date
TW202024608A TW202024608A (zh) 2020-07-01
TWI782229B true TWI782229B (zh) 2022-11-01

Family

ID=69720343

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108132161A TWI782229B (zh) 2018-09-07 2019-09-06 在半導體製造中使用隨機失效指標

Country Status (6)

Country Link
US (1) US10818001B2 (zh)
EP (1) EP3847689A4 (zh)
KR (1) KR102513715B1 (zh)
CN (2) CN117334609A (zh)
TW (1) TWI782229B (zh)
WO (1) WO2020051386A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10304178B2 (en) * 2015-09-18 2019-05-28 Taiwan Semiconductor Manfacturing Company, Ltd. Method and system for diagnosing a semiconductor wafer
US11187992B2 (en) * 2017-10-23 2021-11-30 Applied Materials, Inc. Predictive modeling of metrology in semiconductor processes
JP7159128B2 (ja) 2019-08-08 2022-10-24 株式会社日立ハイテク 荷電粒子線装置
JP7173937B2 (ja) 2019-08-08 2022-11-16 株式会社日立ハイテク 荷電粒子線装置
US11301977B2 (en) * 2020-04-10 2022-04-12 General Electric Company Systems and methods for automatic defect recognition
CN113158984B (zh) * 2021-05-18 2022-06-17 石家庄铁道大学 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法
US11614480B2 (en) * 2021-06-08 2023-03-28 Kla Corporation System and method for Z-PAT defect-guided statistical outlier detection of semiconductor reliability failures
JP2024120127A (ja) * 2021-07-20 2024-09-04 コニカミノルタ株式会社 解析装置、解析システム、解析方法、および解析プログラム
US20230326710A1 (en) * 2022-04-06 2023-10-12 Kla Corporation Screening edge placement uniformity wafer stochastics

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030208731A1 (en) * 2000-03-28 2003-11-06 Kabushiki Kaisha Toshiba Semiconductor inspecting system, semiconductor defect analyzing system, semiconductor design data modifying system, semiconductor inspecting method, semiconductor defect analyzing method, semiconductor design data modifying method, and computer readable recorded medium
US20110013825A1 (en) * 2002-09-27 2011-01-20 Hitachi High-Technologies Corporation Method and Apparatus for Analyzing Defect Data and a Review System
TW201822038A (zh) * 2016-12-12 2018-06-16 達盟系統有限公司 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1909318A3 (en) * 1996-03-19 2009-12-09 Hitachi, Ltd. Process management system
DE10011200A1 (de) * 2000-03-08 2001-09-13 Leica Microsystems Verfahren zur Bewertung von Strukturfehlern auf einer Waferoberfläche
JP3996774B2 (ja) * 2002-01-09 2007-10-24 株式会社日立ハイテクノロジーズ パターン欠陥検査方法及びパターン欠陥検査装置
US7804994B2 (en) 2002-02-15 2010-09-28 Kla-Tencor Technologies Corporation Overlay metrology and control method
JP4768251B2 (ja) * 2004-11-01 2011-09-07 株式会社東芝 半導体集積回路の設計方法、半導体集積回路の設計システム及び半導体集積回路の製造方法
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
TWI469235B (zh) * 2007-08-20 2015-01-11 Kla Tencor Corp 決定實際缺陷是潛在系統性缺陷或潛在隨機缺陷之由電腦實施之方法
WO2009152046A1 (en) * 2008-06-11 2009-12-17 Kla-Tencor Corporation Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof
US8826209B2 (en) * 2011-06-30 2014-09-02 Synopsys, Inc. Automated inline defect characterization
NL2009982A (en) 2012-01-10 2013-07-15 Asml Netherlands Bv Source mask optimization to reduce stochastic effects.
US9330987B2 (en) 2013-09-09 2016-05-03 Hermes-Microvision, Inc. Hot spot identification, inspection, and review
SG11201606179QA (en) * 2014-02-11 2016-08-30 Asml Netherlands Bv Model for calculating a stochastic variation in an arbitrary pattern
KR20160131110A (ko) 2014-03-18 2016-11-15 에이에스엠엘 네델란즈 비.브이. 패턴 배치 에러 인식의 최적화
CN104022050A (zh) * 2014-04-22 2014-09-03 上海华力微电子有限公司 一种晶圆批次中重复位置缺陷的检测方法
WO2017108444A1 (en) * 2015-12-24 2017-06-29 Asml Netherlands B.V. Method and apparatus for inspection
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
WO2018042581A1 (ja) * 2016-09-01 2018-03-08 株式会社 日立ハイテクノロジーズ パターン計測装置、及びコンピュータープログラム
US10474042B2 (en) * 2017-03-22 2019-11-12 Kla-Tencor Corporation Stochastically-aware metrology and fabrication
US10262408B2 (en) * 2017-04-12 2019-04-16 Kla-Tencor Corporation System, method and computer program product for systematic and stochastic characterization of pattern defects identified from a semiconductor wafer
US10733744B2 (en) * 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030208731A1 (en) * 2000-03-28 2003-11-06 Kabushiki Kaisha Toshiba Semiconductor inspecting system, semiconductor defect analyzing system, semiconductor design data modifying system, semiconductor inspecting method, semiconductor defect analyzing method, semiconductor design data modifying method, and computer readable recorded medium
US20110013825A1 (en) * 2002-09-27 2011-01-20 Hitachi High-Technologies Corporation Method and Apparatus for Analyzing Defect Data and a Review System
TW201822038A (zh) * 2016-12-12 2018-06-16 達盟系統有限公司 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選

Also Published As

Publication number Publication date
US10818001B2 (en) 2020-10-27
EP3847689A4 (en) 2022-06-22
WO2020051386A1 (en) 2020-03-12
US20200082523A1 (en) 2020-03-12
TW202024608A (zh) 2020-07-01
KR102513715B1 (ko) 2023-03-23
CN117334609A (zh) 2024-01-02
CN112703587A (zh) 2021-04-23
KR20210042997A (ko) 2021-04-20
EP3847689A1 (en) 2021-07-14

Similar Documents

Publication Publication Date Title
TWI782229B (zh) 在半導體製造中使用隨機失效指標
CN111052331B (zh) 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法
TWI710763B (zh) 經組態以偵測一樣品上之缺陷之系統及用於偵測一樣品上之缺陷之電腦實施方法
KR102466582B1 (ko) 결함 분류기 트레이닝을 위한 능동적 학습
TWI751375B (zh) 訓練以學習為基礎之缺陷分類器
US10599951B2 (en) Training a neural network for defect detection in low resolution images
KR102445995B1 (ko) 주사 전자 현미경 이미지에서의 반지도 이상 검출
US10672588B1 (en) Using deep learning based defect detection and classification schemes for pixel level image quantification
CN108463874B (zh) 基于图像的样品过程控制
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
JP2019537839A (ja) 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法
TWI809094B (zh) 用於損害篩選之跨層共同-獨特分析
KR102695202B1 (ko) 해석가능한 딥 러닝 기반의 결함 검출 및 분류