TWI829980B - 半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體 - Google Patents

半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體 Download PDF

Info

Publication number
TWI829980B
TWI829980B TW109140444A TW109140444A TWI829980B TW I829980 B TWI829980 B TW I829980B TW 109140444 A TW109140444 A TW 109140444A TW 109140444 A TW109140444 A TW 109140444A TW I829980 B TWI829980 B TW I829980B
Authority
TW
Taiwan
Prior art keywords
processor
standard deviation
sub
threshold value
histogram
Prior art date
Application number
TW109140444A
Other languages
English (en)
Other versions
TW202137355A (zh
Inventor
黄波士
虎成 李
維拉得摩 圖馬柯夫
相奉 朴
伯裘恩 布拉爾
爾方 索湯莫罕瑪迪
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 TW202137355A publication Critical patent/TW202137355A/zh
Application granted granted Critical
Publication of TWI829980B publication Critical patent/TWI829980B/zh

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

在一半導體晶圓之一影像中判定一管理區域。基於與該管理區域相關聯之一設計檔案中之多邊形之形狀將該管理區域劃分為次管理區域。接著針對該等次管理區域執行一直方圖之一雜訊掃描。基於該直方圖之該雜訊掃描將該等次管理區域叢集成群組。

Description

半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體
本發明係關於半導體晶圓檢測。
半導體製造產業之演進對良率管理且尤其對度量衡及檢測系統提出更高要求。臨界尺寸繼續縮小，而產業需要減少用於達成高良率、高價值生產之時間。最小化自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裝置之半導體裝置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。製造於一單一半導體晶圓上之多個半導體裝置之一配置可被分成個別半導體裝置。
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裝置(諸如積體電路(IC))之一重要部分。然而，隨著半導體裝置之尺寸減小，檢測對於可接受半導體裝置之成功製造變得甚至更重要，此係因 為較小缺陷可引起裝置失效。例如，隨著半導體裝置之尺寸減小，具有減小大小之缺陷之偵測已變得必要，此係因為甚至相對小缺陷可引起半導體裝置中之非所要像差。
然而，隨著設計規則縮小，半導體製造程序可依更接近對程序之效能能力之限制操作。另外，隨著設計規則縮小，較小缺陷可對裝置之電參數具有一影響，此驅動更靈敏檢測。隨著設計規則縮小，藉由檢測偵測之潛在良率相關缺陷之群體大幅增長，且藉由檢測偵測之擾亂點缺陷之群體亦大幅增加。因此，可在晶圓上偵測更多缺陷，且校正程序以消除全部缺陷可係困難且昂貴的。判定哪些缺陷實際上對裝置之電參數及良率具有一影響可容許程序控制方法聚焦於該等缺陷而大體上忽略其他缺陷。此外，在較小設計規則下，在一些情況中，程序引發之失效趨於係系統性的。亦即，程序引發之失效趨於在通常在設計內重複許多次之預定設計型樣下失效。空間系統、電相關缺陷之消除可對良率具有一影響。
為了具有更具針對性檢測，應針對晶圓或倍縮光罩之不同區域不同地設定參數。此所關注區域被稱為「管理區域」且由使用者基於設計及程序特性定義。術語「管理區域」可通常被定義為晶圓上一使用者為了某一原因而管理且因此，應被檢測之區域。在當前使用之管理區域之一實例中，一晶圓之一個層之管理區域可經定義使得管理區域包含形成於層上之關鍵特徵且不包含形成於層上之非關鍵特徵。管理區域可在大小及形狀上變動。在一例項中，以較高靈敏度檢測管理區域。
為了增加靈敏度，可使用更深偵測臨限值檢測具有更高故障概率或具有更關鍵電路任務之管理區域。在使用者定義管理區域之後，可將各管理區域劃分為被稱為「次管理區域」之數百或數千個更小部分。 如圖1中展示，可將管理區域分離成兩個或更多個不同次管理區域。各次管理區域可係管理區域內之一或多個像素。
叢集次管理區域提出特定挑戰。先前，管理區域分組涉及使用標準常態分佈公式直接計算標準差(sigma)或僅使用均值及標準差來計算不同次管理區域之間之距離。
先前分組技術假定資料服從一標準常態分佈，且接著基於標準常態分佈公式計算標準差。然而，資料並不始終服從常態分佈，此影響標準差之準確度且誤導分組。先前技術亦僅使用均值及標準差，此忽略3-標準差及4-標準差資訊。3-標準差及4-標準差可與缺陷偵測具有一更高相關性。當執行分組時，先前技術亦未考量群體(像素之數目)。一更大群體主導經叢集標準差。
因此，需要用於叢集次管理區域之新方法及系統。
在一第一實施例中提供一種方法。該方法包含使用一晶圓檢測工具產生一半導體晶圓之一影像。在一處理器處接收該半導體晶圓之該影像。使用該處理器判定該影像中之一管理區域。使用該處理器基於與該管理區域相關聯之一設計檔案中之多邊形之形狀將該管理區域劃分為次管理區域。使用該處理器針對該等次管理區域執行一直方圖之一雜訊掃描。該直方圖之該雜訊掃描係基於該次管理區域處之該影像與一參考影像之間之一差異影像。使用該處理器基於該直方圖之該雜訊掃描將該等次管理區域叢集成群組。
該方法可進一步包含使用該處理器判定一缺陷是否存在於該等次管理區域之一者之一像素處。
在一例項中，該叢集進一步包含：使用該處理器判定該直方圖之各端處之密度點之間之該直方圖之一頻寬；及使用該處理器判定該頻寬之一中位數、一最大值及一最小值。在此例項中，該叢集可進一步包含：基於該等群組產生一樹狀圖(dendrogram)；及調整該樹狀圖上之一切割線，直至全部群組滿足一資料充分性約束。
在另一例項中，該叢集進一步包含：判定該雜訊掃描之一均值、一第一臨限值及一第二臨限值；將各晶粒之該等次管理區域叢集成該均值與第一臨限值之間之一第一類別及該第一臨限值與第二臨限值之間之一第二類別；及使用該處理器基於該叢集判定群體之一致性。該第一臨限值及該第二臨限值距該均值小於4-標準差。在此例項中，該方法可進一步包括使用該處理器合併該等次管理區域之晶粒。該第一臨限值及該第二臨限值可各係1-標準差、3-標準差及4-標準差之一者。該叢集可進一步包含：叢集具有一基於統計點之1-標準差之群組以產生一第一輸出；叢集具有一基於統計點之3-標準差之該第一輸出以產生一第二輸出；及叢集具有一基於統計點之4-標準差之該第二輸出。
該判定次管理區域之該群組可係跨該半導體晶圓上之一列晶粒。
該方法可進一步包含組合該等次管理區域之兩者，其中該等次管理區域之該兩者之可偵測性在該組合之後近似未改變。
一種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一實施例之方法之一程式。
在一第二實施例中揭示一種系統。該系統包括：一光源；一載物台，其經組態以固持一半導體晶圓；一偵測器，其經組態以接收來 自該光源之自該半導體晶圓反射之光；及一處理器，其與該偵測器電子通信。該處理器經組態以：使用來自該偵測器之資料接收該半導體晶圓之一影像；判定該影像中之一管理區域；基於與該管理區域相關聯之一設計檔案中之多邊形之形狀將該管理區域劃分為次管理區域；針對該等次管理區域執行一直方圖之一雜訊掃描；及基於該直方圖之該雜訊掃描將該等次管理區域叢集成群組。該直方圖之該雜訊掃描係基於該次管理區域處之該影像與一參考影像之間之一差異影像。
該處理器可進一步經組態以判定一缺陷是否存在於該等次管理區域之一者之一像素處。
在一例項中，該叢集可進一步包含：使用該處理器判定該直方圖之各端處之密度點之間之該直方圖之一頻寬；及使用該處理器判定該頻寬之一中位數、一最大值及一最小值。
在另一例項中，該叢集可進一步包含：判定該雜訊掃描之一均值、一第一臨限值及一第二臨限值；將該等次管理區域叢集成該均值與第一臨限值之間之一第一類別及該第一臨限值與第二臨限值之間之一第二類別；及使用該處理器基於該叢集判定群體之一致性。該第一臨限值及該第二臨限值距該均值小於4-標準差。該第一臨限值及該第二臨限值可各係1-標準差、3-標準差及4-標準差之一者。該叢集亦可進一步包含：叢集具有一基於統計點之1-標準差之群組以產生一第一輸出；叢集具有一基於統計點之3-標準差之該第一輸出以產生一第二輸出；及叢集具有一基於統計點之4-標準差之該第二輸出。
該判定次管理區域之該群組可係跨該半導體晶圓上之一列晶粒。
該處理器可進一步經組態以組合該等次管理區域之兩者，其中該等次管理區域之該兩者之可偵測性在該組合之後近似未改變。
100:方法
101:步驟
102:步驟
103:步驟
104:步驟
105:步驟
106:步驟
200:系統
201:基於光學之子系統
202:樣品
203:光源
204:光學元件
205:透鏡
206:載物台
207:集光器
208:元件
209:偵測器
210:集光器
211:元件
212:偵測器
213:光束分離器
214:處理器
215:電子資料儲存單元
為了更全面理解本發明之性質及目標，應參考結合隨附圖式進行之以下詳細描述，其中：圖1係展示一例示性管理區域及次管理區域之圖式；圖2係根據本發明之一方法之一實施例之一流程圖；圖3係次管理區域叢集之一實施例之一圖式；圖4係繪示使用1-標準差、3-標準差及4-標準差之一叢集演算法之一例示性流程之一圖式；圖5係展示標準常態分佈之一圖式；圖6以一直方圖繪示頻寬；圖7繪示偵測有雜訊次管理區域；圖8繪示兩個分佈之間之一距離；圖9係展示組合次管理區域之一例示性叢集佈局之一圖式；圖10至圖12繪示像素之一累積數目對灰階差之標準差；圖13繪示正規化誤差對叢集之一數目；圖14繪示基於初始距離之一樹狀圖上之一第一切割線；圖15係展示針對不同數目個像素估計標準偏差之均方根(RMS)誤差之一圖式；圖16繪示一最終樹狀圖切割線；及圖17係根據本發明之一晶圓檢測工具之一實施例之一圖式。
相關申請案之交叉參考
本申請案主張2019年11月21日申請且被指定美國申請案第62/938,843號之臨時專利申請案之優先權，該案之揭示內容藉此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定義。
在晶圓檢測期間，可將一管理區域分成數千個次管理區域。可基於程序準則對次管理區域進行分組。將次管理區域群組(「次CAG」)指派至一不同區域以執行一缺陷偵測。將一管理區域劃分為許多次管理區域引入顯著資料不足。此可嚴重地損害需要足夠資料以尋找有意義的臨限值之一偵測演算法。
本文中揭示之叢集實施例可改良檢測靈敏度且抑制擾亂點。可使用差異影像之分佈。在一例項中，亦可使用依標準差之統計點，此可反映差異影像分佈之真實特性。次管理區域群組中之資料並不始終服從常態分佈。基於統計點之3-標準差及4-標準差資訊可與均值及1-標準差一起使用。除基於標準常態分佈之假定計算之標準差之外，此等實施例亦可使用基於統計點之標準差。當叢集時，可考量群體。在另一例項中，亦可使用在差異上散佈較小之雜訊雲，此可增加偵測深缺陷之概率。基於次管理區域之雜訊雲或基於統計點之標準差叢集以對次管理區域進行分組可解決資料不足且對靈敏度具有最小影響。
圖2係方法100之一流程圖。方法100之一些或全部步驟可 使用一處理器。在101，使用一晶圓檢測工具產生一半導體晶圓之一影像。在102，接收影像。
在103，可使用處理器以判定影像中之一管理區域。管理區域可集中在半導體晶圓上之一晶粒或一晶粒之部分上。接著，在104，可使用處理器基於與管理區域相關聯之一設計檔案中之多邊形之形狀將管理區域劃分為次管理區域。半導體晶圓包含在設計檔案中作為多邊形存在之各種特徵(例如，線、通孔)。多邊形可在不同半導體裝置或甚至相同半導體裝置之不同部分之間變動。次管理區域之群組可跨半導體晶圓上之一列晶粒。
在105，執行一直方圖之一雜訊掃描。雜訊掃描尋找管理區域群組中之各像素之一差異灰階。直方圖係針對次管理區域。直方圖之雜訊掃描可係基於次管理區域處之一測試影像與一參考影像之間之一差異影像。差異影像可用於突顯實際半導體裝置中相較於一參考之差異。
在106，基於直方圖之雜訊掃描將次管理區域叢集成群組。例如，群組可係基於類似特性，諸如標準差值之距離或其他參數。
叢集可包含使用頻寬之一中位數、一最大值及一最小值判定在直方圖之各端處之密度點之間之直方圖之一頻寬。
叢集亦可包含判定雜訊掃描之一均值、一第一臨限值及一第二臨限值。第一臨限值及第二臨限值距均值小於4-標準差。可將各晶粒之次管理區域叢集成均值與第一臨限值之間之一第一類別及第一臨限值與第二臨限值之間之一第二類別。可基於叢集判定群體之一致性且可合併次管理區域之晶粒。例如，第一臨限值及第二臨限值各係1-標準差、2-標準差、3-標準差或4-標準差之一者。
可組合次管理區域之兩者。次管理區域之兩者之可偵測性在組合之後可近似未改變。
圖3係次管理區域叢集之一實施例之一圖式。如圖3中所見，針對各晶粒之全部次管理區域執行一雜訊掃描且收集資料。可判定測試影像與一參考影像之間之差異影像之直方圖。
在一第一實施例中，次管理區域可用作輸入。在雜訊掃描期間，可獲得候選晶粒與參考影像之間之差異影像。可自差異影像判定差異影像直方圖。接著，可計算分佈之均值及標準差。
在獲得差異影像之直方圖之後，判定諸如1-標準差、3-標準差、4-標準差及均值之統計點。此等僅係統計點之實例。可使用其他統計點，如同(例如)百分位數、一目標密度或每一差異灰階之一特定計數。
基於統計點之標準差之計算係基於如下文展示之標準常態分佈。
Figure 109140444-A0305-02-0010-2
針對標準常態分佈，值之約68%在遠離均值之一個標準偏差(標準差)內；值之約95%位於兩個標準偏差內；約99.7%在三個標準偏差內；且值之約99.994%在四個標準偏差內，在圖5中展示。
標準常態分佈僅係一個實例。本文中揭示之實施例不限於此分佈。其他分佈(諸如一泊松(Poisson)分佈或一司徒頓(student)t分佈)係可行的。另外，若雜訊掃描資料不服從標準常態分佈，則可基於上文之模型計算基於統計點之標準差。可自直方圖之左及右至相對方向對群體進行計數。當其達到已知4、3、1-標準差之百分比時，可將其標記為基於統計點之標準差之極限。
均值、基於統計點之1-標準差、3-標準差及4-標準差可用於叢集。在叢集演算法中可忽略2-標準差，此係因為1-標準差及3-標準差可涵蓋2-標準差特性。可實施以下步驟以獲得經叢集區域。
首先，基於一均值叢集次管理區域群組。比較均值之絕對值與一臨限值。例如，可將臨限值設定為2.0之一值。若值大於一臨限值，則管理區域將被放置於一個區域中。若值小於臨限值，則其將被放置於另一區域中。
接著，基於基於統計點之1-標準差叢集次管理區域群組。叢集係基於各管理區域群組之標準差值之一距離。可針對經產生之各區域執行非監督式機器學習叢集。例如，可使用K-均值、階層式叢集或其他機器學習技術。由於群體係用於叢集之一因數，故群體可基於1-標準差累積。可接著將群體分類且饋入至非監督式機器學習模型中。區域數目可使用1-標準差值之範圍估計。通常言之，將區域數目設定為(max(σ)-min(σ))/(灰階臨限值)。
灰階臨限值可由一係數控制以調整區域之數目。例如，可使用k均值叢集演算法且可將灰階臨限值設定為4，其中係數為1。其他叢集技術(諸如階層式叢集之變體)亦係可行的。
接著，基於基於統計點之3-標準差叢集次管理區域群組。此可類似於基於基於統計點之1-標準差之叢集，惟改變輸入區域及叢集準則除外。輸入可係一階叢集。輸入區域係使用依基於統計點之1-標準差之叢集之先前步驟之輸出。至叢集模型之輸入係3-標準差及其等對應群體。
接著，基於基於統計點之4-標準差叢集次管理區域群組。此可類似於基於基於統計點之3-標準差之叢集，惟改變輸入區域及叢集準 則除外。輸入可係二階叢集。叢集係基於基於統計點之4-標準差及其等對應群體。輸入區域係使用依基於統計點之3-標準差之叢集之先前步驟之輸出。
在上文之實例中，叢集演算法可使用此等特性以在四個步驟中叢集次管理區域群組：在各晶粒中，均值->1-標準差->3-標準差->4-標準差。若群體小於一特定數目(例如，150,000)，則可忽略4-標準差步驟。在叢集演算法之此實例中跳過2-標準差。圖4係繪示使用1-標準差、3-標準差及4-標準差之一叢集演算法之一例示性流程之一圖式。
在此實施例中，基於統計點之標準差可更佳反映資料之特性。先前技術忽略與缺陷偵測具有相關性之3-標準差及4-標準差。先前技術亦忽略群體係用於叢集之一因數。一大群體可主導區域之分佈，因此區域可僅含有具有接近的標準差值及類似群體之次管理區域群組。
雖然在此實例中使用3-標準差及4-標準差，但可代替性地使用其他值或臨限值。本文中揭示之標準差值僅係例示性的。
在本文中揭示之實施例中，可調整區域之數目以滿足檢測要求。在完成4步驟叢集之後，可將最終區域數目指派至各次管理區域群組並饋送至檢測工作流程。
可判定全部晶粒中之叢集之一致性且可移除離群點晶粒。若叢集結果彼此一致，則可判定一致性，或若不一致，則可判定一投票機制。離群點晶粒可由散粒雜訊或其他程序變動引起。此等離群點晶粒可影響目標管理區域之特性。移除離群點晶粒可改良資料純度及缺陷偵測之靈敏度。可藉由忽略離群點晶粒之叢集結果而移除離群點晶粒。
接著可合併全部晶粒用於最終叢集。合併全部晶粒可消除 晶粒之間之差異且可避免像素不足(例如，針對4-標準差計算)。在移除離群點晶粒之後，組合或以其他方式組裝晶粒資料且計算統計資訊。
應注意，本發明不限於一特定統計時刻。經揭示統計時刻之任何者或其等組合亦可用於對該等管理區域進行分組。例如，斜度及峰度可用於分組。在另一實例中，可應用K均值叢集以對管理區域進行分組。然而，此等僅係實例。可取決於分佈之行為及/或離群點之存在而使用其他統計方法及其等組合。
在一實施例中，均勻地劃分灰度值且基於灰度之子集叢集次管理區域群組。
在另一實施例中，核心密度估計器(KDE)用於叢集。KDE可叢集彼此接近之標準差值。然而，KDE僅係一個實例。可使用其他技術。
在一第二實施例中，一雜訊雲用於叢集。一雜訊雲係一雜訊密度分佈，諸如一2D直方圖。預期在光學檢測之後，各次管理區域產生更小且更相干雜訊雲。此幫助小缺陷在雜訊雲中突出且降低由來自另一次管理區域之一更大雜訊雲遮蔽之可能性。可判定統計資料以決定一像素是否係一缺陷候選者。此等統計資料可自在一次管理區域中獲得之雜訊雲計算，但準確地判定可歸因於資料不足而具有挑戰性。由於一次管理區域中之像素之數目比原始管理區域中之像素之數目小數千倍，故保留數十個像素以形成雜訊雲。此可使判定更困難。一叢集方法可用於將類似次管理區域叢集在一起，使得其具有對靈敏度之最小影響且克服資料不足。
在將一管理區域劃分為一組次管理區域之後，可對取樣圖(其可係整個晶粒列)執行一雜訊掃描。可存在用於雜訊掃描之數千個次管 理區域。可基於多邊形之形狀及/或大小劃分管理區域。可自雜訊掃描收集統計資料。可基於一偵測演算法定義此等統計資料。在一例項中，將灰階分成片段且使用前幾個時刻針對各片段模型化分佈。
在數千個次管理區域當中，可存在具有雜訊之數個次管理區域。在一例項中，具有雜訊意謂其等之差異(difference/diff)影像中之值廣泛散佈。此實施例之一目的係避免藉由將其他次管理區域與有雜訊次管理區域一起叢集而污染該等其他次管理區域。為了偵測有雜訊次管理區域，可判定整體直方圖在差異軸線上之頻寬。接著，在頻寬當中，若其等頻寬落在群體之外作為一離群點，則發現有雜訊次管理區域。
直方圖之頻寬係來自直方圖之各端之密度點之間之距離，此在圖6中展示。
在一例項中，若次管理區域之頻寬落在中位數加3△之後，則可將該等次管理區域標記為有雜訊，其中△係中位數減去最小值。例如，見圖7。
叢集之一目的係對靈敏度具有最小影響。為了達成此，若兩個次管理區域之任一者中之缺陷之可偵測性在叢集之後不降級，則可組合此等次管理區域。可將兩個分佈之間之距離定義為全部可能偵測切割線當中之兩個之經偵測群體部分之間之最大差異。例如，此在圖8中展示。
在評估兩個次管理區域(例如，每兩個次管理區域)之間之一距離之後，可使用一樹狀圖來產生叢集佈局。可使用一完整鏈接方法來最小化靈敏度損失。圖9展示此佈局之一實例。
在圖10至圖12中展示「像素之累積數目」對「灰階差異之標準差」之一圖表。像素之累積數目對灰階差異之標準差之間之此比較可 用於判定叢集之一數目。可將絕對誤差E k 定義為在不應用任何叢集時之曲線與在叢集成k個區域時之曲線之間之「面積損失」，此在圖10至圖12中展示。
當將全部次管理區域置於一個區域中時，誤差可係大的。然而，隨著叢集之數目增加，誤差改良。可如下計算正規化誤差。
正規化誤差
Figure 109140444-A0305-02-0015-10
Ek係在爾等具有k個叢集時之誤差，此在圖13中展示。E1係在叢集數目為1時之誤差(即，將所有事物置於一個叢集中)。
繪製正規化誤差對叢集之數目k可提供一以指數方式衰減曲線，如圖13中展示。
藉由移動至更大數目個叢集，正規化誤差快速消失且不存在太多增益。可將叢集之數目轉譯為一距離值。可將初始距離d 0定義為可接受之叢集之數目之等效距離。可根據對叢集之最大數目之處理能力約束進一步調整此距離。可在d 0處切割樹狀圖且產生初始叢集。此在圖14中展示。
可將一稀疏點(SP)定義為在一訊框中能夠獲得有意義的統計資料所需之最小數目個像素。圖15展示在針對不同數目個像素估計自一高斯分佈之標準偏差時之RMS誤差。在圖15中，「gl」係灰階。其標記在將SP設定為100及1000個像素之情況下之RMS誤差。
可如下定義一晶粒內之一叢集之一稀疏比率(SR)。叢集A係一特定叢集。
Figure 109140444-A0305-02-0016-9
最大稀疏比率(MSR)將係全部叢集之SR必須低於其之臨限值。
演算法可在樹狀圖上按不均勻不同位準向上移動切割線，直至其到達全部叢集滿足資料充分性約束(其可自叢集中之像素計數判定)之點。圖16展示此一叢集之結果。如展示，一些初始叢集滿足資料充分性約束但針對其他叢集，演算法將切割線向上移動。
在圖17中展示一系統200之一項實施例。系統200包含基於光學之子系統201。一般言之，基於光學之子系統201經組態用於藉由將光引導至樣品202(或將光掃描遍及樣品202)且偵測來自樣品202之光而產生樣品202之基於光學之輸出。在一項實施例中，樣品202包含一晶圓。晶圓可包含此項技術中已知之任何晶圓。在另一實施例中，樣品202包含一倍縮光罩。倍縮光罩可包含此項技術中已知之任何倍縮光罩。
在圖17中展示之系統200之實施例中，基於光學之子系統201包含經組態以將光引導至樣品202之一照明子系統。照明子系統包含至少一個光源。例如，如圖17中展示，照明子系統包含光源203。在一項實施例中，照明子系統經組態以按可包含一或多個傾斜角及/或一或多個法向角之一或多個入射角將光引導至樣品202。例如，如圖17中展示，按一傾斜入射角引導來自光源203之光穿過光學元件204且接著穿過透鏡205至樣品202。傾斜入射角可包含可取決於(例如)樣品202之特性而變化之任何適合傾斜入射角。
基於光學之子系統201可經組態以在不同時間按不同入射 角將光引導至樣品202。例如，基於光學之子系統201可經組態以更改照明子系統之一或多個元件之一或多個特性，使得可按不同於圖17中展示之入射角之一入射角將光引導至樣品202。在一個此實例中，基於光學之子系統201可經組態以移動光源203、光學元件204及透鏡205，使得按一不同傾斜入射角或一法向(或近法向)入射角將光引導至樣品202。
在一些例項中，基於光學之子系統201可經組態以在相同時間按一個以上入射角將光引導至樣品202。例如，照明子系統可包含一個以上照明通道，該等照明通道之一者可包含如圖17中展示之光源203、光學元件204及透鏡205，且照明通道之另一者(未展示)可包含可不同或相同組態之類似元件或可包含至少一光源及可能一或多個其他組件(諸如本文中進一步描述之組件)。若與其他光同時將此光引導至樣品，則按不同入射角引導至樣品202之光之一或多個特性(例如，波長、偏光等)可不同，使得可在(若干)偵測器處將源自按不同入射角照明樣品202之光彼此區分。
在另一例項中，照明子系統可僅包含一個光源(例如，圖17中展示之光源203)且可由照明子系統之一或多個光學元件(未展示)將來自該光源之光分離成不同光學路徑(例如，基於波長、偏光等)。接著，可將不同光學路徑之各者中之光引導至樣品202。多個照明通道可經組態以在相同時間或不同時間(例如，當使用不同照明通道以依序照明樣品時)將光引導至樣品202。在另一例項中，相同照明通道可經組態以在不同時間將具有不同特性之光引導至樣品202。例如，在一些例項中，光學元件204可經組態為一光譜濾波器且可以各種不同方式(例如，藉由調換出光譜濾波器)改變光譜濾波器之性質，使得可在不同時間將不同波長之光引導 至樣品202。照明子系統可具有此項技術中已知之用於依序或同時按不同或相同入射角將具有不同或相同特性之光引導至樣品202之任何其他適合組態。
在一項實施例中，光源203可包含一寬頻電漿(BBP)源。以此方式，由光源203產生且引導至樣品202之光可包含寬頻光。然而，光源可包含任何其他適合光源(諸如一雷射)。雷射可包含此項技術中已知之任何適合雷射且可經組態以產生此項技術中已知之(若干)任何適合波長之光。另外，雷射可經組態以產生單色或近單色光。以此方式，雷射可係一窄頻雷射。光源203亦可包含產生多個離散波長或波帶之光之一多色光源。
來自光學元件204之光可藉由透鏡205聚焦至樣品202上。雖然透鏡205在圖17中被展示為一單折射光學元件，但應理解，實務上，透鏡205可包含將來自光學元件之光組合地聚焦至樣品之數個折射及/或反射光學元件。圖17中展示且本文中描述之照明子系統可包含任何其他適合光學元件(未展示)。此等光學元件之實例包含(但不限於)(若干)偏光組件、(若干)光譜濾波器、(若干)空間濾波器、(若干)反射光學元件、(若干)變跡器、(若干)光束分離器(諸如光束分離器213)、(若干)孔隙及類似者，其(等)可包含此項技術中已知之任何此等適合光學元件。另外，基於光學之子系統201可經組態以基於用於產生基於光學之輸出之照明類型更改照明子系統之一或多個元件。
基於光學之子系統201亦可包含經組態以引起光掃描遍及樣品202之一掃描子系統。例如，基於光學之子系統201可包含在基於光學之輸出產生期間在其上安置樣品202之載物台206。掃描子系統可包含 可經組態以移動樣品202，使得光可掃描遍及樣品202之任何適合機械及/或機器入總成(其包含載物台206)。另外或替代地，基於光學之子系統201可經組態使得基於光學之子系統201之一或多個光學元件執行光遍及樣品202之某一掃描。可以任何適合方式(諸如以一類似蛇形路徑或以一螺旋路徑)使光掃描遍及樣品202。
基於光學之子系統201進一步包含一或多個偵測通道。一或多個偵測通道之至少一者包含一偵測器，該偵測器經組態以偵測歸因於藉由子系統照明樣品202而來自樣品202之光且回應於所偵測光產生輸出。例如，圖17中展示之基於光學之子系統201包含兩個偵測通道，一個偵測通道由集光器207、元件208及偵測器209形成且另一偵測通道由集光器210、元件211及偵測器212形成。如圖17中展示，兩個偵測通道經組態以按不同收集角收集且偵測光。在一些例項中，兩個偵測通道經組態以偵測散射光，且偵測通道經組態以偵測按不同角度自樣品202散射之光。然而，一或多個偵測通道可經組態以偵測來自樣品202之另一類型之光(例如，反射光)。
如圖17中進一步展示，兩個偵測通道被展示為定位於紙平面中且照明子系統亦被展示為定位於紙平面中。因此，在此實施例中，兩個偵測通道定位(例如，居中)於入射平面中。然而，一或多個偵測通道可定位於入射平面外。例如，由集光器210、元件211及偵測器212形成之偵測通道可經組態以收集且偵測自入射平面散射出之光。因此，此一偵測通道可通常被稱為一「側」通道，且此一側通道可在實質上垂直於入射平面之一平面中居中。
雖然圖17展示包含兩個偵測通道之基於光學之子系統201 之一實施例，但基於光學之子系統201可包含不同數目個偵測通道(例如，僅一個偵測通道或兩個或更多個偵測通道)。在一個此例項中，由集光器210、元件211及偵測器212形成之偵測通道可如上文描述般形成一個側通道，且基於光學之子系統201可包含形成為定位於入射平面之相對側上之另一側通道之一額外偵測通道(未展示)。因此，基於光學之子系統201可包含偵測通道，該偵測通道包含集光器207、元件208及偵測器209且在入射平面中居中且經組態以按法向於或接近法向於樣品202表面之(若干)散射角收集且偵測光。因此，此偵測通道可通常被稱為一「頂部」通道，且基於光學之子系統201亦可包含如上文描述般組態之兩個或更多個側通道。因而，基於光學之子系統201可包含至少三個通道(即，一個頂部通道及兩個側通道)，且至少三個通道之各者具有其自身之集光器，各集光器經組態以按與各其他集光器不同之散射角收集光。
如上文進一步描述，包含於基於光學之子系統201中之各偵測通道可經組態以偵測散射光。因此，圖17中展示之基於光學之子系統201可經組態用於樣品202之暗場(DF)輸出產生。然而，基於光學之子系統201可亦或替代地包含經組態用於樣品202之明場(BF)輸出產生之(若干)偵測通道。換言之，基於光學之子系統201可包含經組態以偵測自樣品202鏡面反射之光之至少一個偵測通道。因此，本文中描述之基於光學之子系統201可經組態用於僅DF成像、僅BF成像或DF成像及BF成像兩者。雖然在圖17中將各集光器展示為單折射光學元件，但應理解，各集光器可包含一或多個折射光學晶粒及/或一或多個反射光學元件。
該一或多個偵測通道可包含此項技術中已知之任何適合偵測器。例如，該等偵測器可包含光電倍增管(PMT)、電荷耦合裝置 (CCD)、延時積分(TDI)攝影機及此項技術中已知之任何其他適合偵測器。該等偵測器亦可包含非成像偵測器或成像偵測器。以此方式，若偵測器係非成像偵測器，則各偵測器可經組態以偵測散射光之某些特性(諸如強度)但可不經組態以偵測依據成像平面內之位置而變化之此等特性。因而，由包含於基於光學之子系統之各偵測通道中之各偵測器產生之輸出可係信號或資料，而非影像信號或影像資料。在此等例項中，一處理器(諸如處理器214)可經組態以自偵測器之非成像輸出產生樣品202之影像。然而，在其他例項中，偵測器可經組態為經組態以產生成像信號或影像資料之成像偵測器。因此，基於光學之子系統可經組態以依數個方式產生本文中描述之光學影像或其他基於光學之輸出。
應注意，本文中提供圖17以大體上繪示可包含於本文中描述之系統實施例中或可產生由本文中描述之系統實施例使用之基於光學之輸出之一基於光學之子系統201之一組態。可更改本文中描述之基於光學之子系統201組態以如在設計一商業輸出擷取系統時通常執行般最佳化基於光學之子系統201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，本文中描述之方法可被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。
處理器214可以任何適合方式(例如，經由一或多個傳輸媒體，該一或多個傳輸媒體可包含有線及/或無線傳輸媒體)耦合至系統200之組件，使得處理器214可接收輸出。處理器214可經組態以使用輸出執行數個功能。系統200可自處理器214接收指令或其他資訊。處理器214及/ 或電子資料儲存單元215視情況可與一晶圓檢測工具、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。例如，處理器214及/或電子資料儲存單元215可與一SEM電子通信。
本文中描述之處理器214、(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裝置。(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214及電子資料儲存單元215可經安置於系統200或另一裝置中或以其他方式作為系統200或另一裝置之部分。在一實例中，處理器214及電子資料儲存單元215可係一獨立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214或電子資料儲存單元215。
實務上，處理器214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可繼而藉由硬體、軟體及韌體之任何組合實施。供處理器214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215中之一記憶體或其他記憶體)中。
若系統200包含一個以上處理器214，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。兩個或更多個此等子系統亦可藉由一共用電腦可讀儲存媒體(未展示)有效地耦合。
處理器214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214可經組態以將輸出發送至一電子資料儲存單元215或另一儲存媒體。可如本文中描述般進一步組態處理器214。
可根據本文中描述之任何實施例組態處理器214。處理器214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。
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項之一或多者實行：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，遍及本發明描述之各種步驟可藉由一單一處理器214或替代地多個處理器214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。
在一例項中，處理器214與系統200通信。處理器214經組態以使用來自偵測器之資料接收半導體晶圓之一影像且判定一影像中之一管理區域。基於與管理區域相關聯之一設計檔案中之多邊形之形狀將管理區域劃分為次管理區域。針對次管理區域執行一直方圖之一雜訊掃描。可基於直方圖之雜訊掃描將次管理區域叢集成群組。可執行方法100之其他實施例。
一額外實施例係關於一種儲存程式指令之非暫時性電腦可 讀媒體，該等程式指令可在一控制器上執行以執行用於叢集次管理區域之一電腦實施方法，如本文中揭示。特定言之，如圖17中展示，電子資料儲存單元215或其他儲存媒體可含有包含可在處理器214上執行之程式指令之非暫時性電腦可讀媒體。電腦實施方法可包含本文中描述之(若干)任何方法(包含方法100)之(若干)任何步驟。
可以各種方式(包含基於程序之技術、基於組件之技術及/或物件導向技術等等)之任何者實施程式指令。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)或其他技術或方法論實施程式指令。
雖然已關於一或多個特定實施例描述本發明，但應理解，可製作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等之合理解釋限制。

Claims (19)

  1. 一種半導體晶圓檢測之方法，其包括：使用一晶圓檢測工具產生一半導體晶圓之一影像；在一處理器處接收該半導體晶圓之該影像；使用該處理器判定該影像中之一管理區域；使用該處理器基於與該管理區域相關聯之一設計檔案中之多邊形之形狀將該管理區域劃分為次管理區域；使用該處理器針對該等次管理區域執行一直方圖之一雜訊掃描，其中該直方圖之該雜訊掃描係基於該次管理區域處之該影像與一參考影像之間之一差異影像；及使用該處理器基於該直方圖之該雜訊掃描將該等次管理區域叢集成群組。
  2. 如請求項1之方法，其進一步包括使用該處理器判定一缺陷是否存在於該等次管理區域之一者之一像素處。
  3. 如請求項1之方法，其中該叢集進一步包含：使用該處理器判定該直方圖之各端處之密度點之間之該直方圖之一頻寬；及使用該處理器判定該頻寬之一中位數、一最大值及一最小值。
  4. 如請求項3之方法，其中該叢集進一步包含： 基於該等群組產生一樹狀圖；及調整該樹狀圖上之一切割線，直至全部群組滿足一資料充分性約束。
  5. 如請求項1之方法，其中該叢集進一步包含：判定該雜訊掃描之一均值、一第一臨限值及一第二臨限值，其中該第一臨限值及該第二臨限值距該均值小於4-標準差；將各晶粒之該等次管理區域叢集成該均值與第一臨限值之間之一第一類別及該第一臨限值與第二臨限值之間之一第二類別；及使用該處理器基於該叢集判定群體之一致性。
  6. 如請求項5之方法，其進一步包括使用該處理器合併該等次管理區域之晶粒。
  7. 如請求項5之方法，其中該第一臨限值及該第二臨限值各係1-標準差、3-標準差及4-標準差之一者。
  8. 如請求項7之方法，其中該叢集進一步包含：叢集具有一基於統計點之1-標準差之群組以產生一第一輸出；叢集具有一基於統計點之3-標準差之該第一輸出以產生一第二輸出；及叢集具有一基於統計點之4-標準差之該第二輸出。
  9. 如請求項1之方法，其進一步包括使用該處理器判定次管理區域之該群組係跨該半導體晶圓上之一列晶粒。
  10. 如請求項1之方法，其進一步包括組合該等次管理區域之兩者，其中該等次管理區域之該兩者之可偵測性在該組合之後近似未改變。
  11. 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1之方法之一程式。
  12. 一種半導體晶圓檢測之系統，其包括：一光源；一載物台，其經組態以固持一半導體晶圓；一偵測器，其經組態以接收來自該光源之自該半導體晶圓反射之光；及一處理器，其與該偵測器電子通信，其中該處理器經組態以：使用來自該偵測器之資料接收該半導體晶圓之一影像；判定該影像中之一管理區域；基於與該管理區域相關聯之一設計檔案中之多邊形之形狀將該管理區域劃分為次管理區域；針對該等次管理區域執行一直方圖之一雜訊掃描，其中該直方圖之該雜訊掃描係基於該次管理區域處之該影像與一參考影像之間之一差異影像；及基於該直方圖之該雜訊掃描將該等次管理區域叢集成群組。
  13. 如請求項12之系統，其中該處理器進一步經組態以判定一缺陷是否存在於該等次管理區域之一者之一像素處。
  14. 如請求項12之系統，其中該叢集進一步包含：使用該處理器判定該直方圖之各端處之密度點之間之該直方圖之一頻寬；及使用該處理器判定該頻寬之一中位數、一最大值及一最小值。
  15. 如請求項12之系統，其中該叢集進一步包含：判定該雜訊掃描之一均值、一第一臨限值及一第二臨限值，其中該第一臨限值及該第二臨限值距該均值小於4-標準差；將該等次管理區域叢集成該均值與第一臨限值之間之一第一類別及該第一臨限值與第二臨限值之間之一第二類別；及使用該處理器基於該叢集判定群體之一致性。
  16. 如請求項15之系統，其中該第一臨限值及該第二臨限值各係1-標準差、3-標準差及4-標準差之一者。
  17. 如請求項16之系統，其中該叢集進一步包含：叢集具有一基於統計點之1-標準差之群組以產生一第一輸出；叢集具有一基於統計點之3-標準差之該第一輸出以產生一第二輸出；及 叢集具有一基於統計點之4-標準差之該第二輸出。
  18. 如請求項12之系統，其中該處理器進一步經組態以判定次管理區域之該群組係跨該半導體晶圓上之一列晶粒。
  19. 如請求項12之系統，其中該處理器進一步經組態以組合該等次管理區域之兩者，其中該等次管理區域之該兩者之可偵測性在該組合之後近似未改變。
TW109140444A 2019-11-21 2020-11-19 半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體 TWI829980B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962938843P 2019-11-21 2019-11-21
US62/938,843 2019-11-21
US17/093,621 US11615993B2 (en) 2019-11-21 2020-11-09 Clustering sub-care areas based on noise characteristics
US17/093,621 2020-11-09

Publications (2)

Publication Number Publication Date
TW202137355A TW202137355A (zh) 2021-10-01
TWI829980B true TWI829980B (zh) 2024-01-21

Family

ID=75974267

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109140444A TWI829980B (zh) 2019-11-21 2020-11-19 半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體

Country Status (6)

Country Link
US (1) US11615993B2 (zh)
KR (1) KR20220104776A (zh)
CN (1) CN114667596B (zh)
IL (1) IL292724A (zh)
TW (1) TWI829980B (zh)
WO (1) WO2021101852A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11615993B2 (en) * 2019-11-21 2023-03-28 Kla Corporation Clustering sub-care areas based on noise characteristics
US20240161272A1 (en) * 2022-11-10 2024-05-16 Kla Corporation Multimode defect detection

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100329540A1 (en) * 2007-07-20 2010-12-30 Kla-Tencor Corporation Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US20150221076A1 (en) * 2014-02-06 2015-08-06 Kla-Tencor Corporation Defect detection and classification based on attributes determined from a standard reference image
TW201630092A (zh) * 2014-10-14 2016-08-16 克萊譚克公司 使用結構性資訊之缺陷偵測
US20160377561A1 (en) * 2015-05-28 2016-12-29 Kla-Tencor Corporation System and Method for Dynamic Care Area Generation on an Inspection Tool
TW201730843A (zh) * 2015-12-09 2017-09-01 克萊譚克公司 藉由降低晶粒至晶粒製程雜訊之缺陷信號對雜訊增強
US20190287238A1 (en) * 2018-03-14 2019-09-19 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05252388A (ja) * 1992-03-05 1993-09-28 Matsushita Electric Ind Co Ltd ノイズ除去装置
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7894659B2 (en) * 2007-02-28 2011-02-22 Kla-Tencor Technologies Corp. Methods for accurate identification of an edge of a care area for an array area formed on a wafer and methods for binning defects detected in an array area formed on a wafer
US8781781B2 (en) 2010-07-30 2014-07-15 Kla-Tencor Corp. Dynamic care areas
JP5460662B2 (ja) 2011-09-07 2014-04-02 株式会社日立ハイテクノロジーズ 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
WO2014149197A1 (en) 2013-02-01 2014-09-25 Kla-Tencor Corporation Detecting defects on a wafer using defect-specific and multi-channel information
US9183624B2 (en) * 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
US9355208B2 (en) * 2013-07-08 2016-05-31 Kla-Tencor Corp. Detecting defects on a wafer
US9262821B2 (en) * 2014-05-12 2016-02-16 Kla-Tencor Corp. Inspection recipe setup from reference image variation
US10127651B2 (en) * 2016-01-15 2018-11-13 Kla-Tencor Corporation Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
US11047806B2 (en) * 2016-11-30 2021-06-29 Kla-Tencor Corporation Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
US10515444B2 (en) * 2017-01-30 2019-12-24 Dongfang Jingyuan Electron Limited Care area generation for inspecting integrated circuits
US10290087B2 (en) * 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof
US11514357B2 (en) * 2018-03-19 2022-11-29 Kla-Tencor Corporation Nuisance mining for novel defect discovery
US10714366B2 (en) * 2018-04-12 2020-07-14 Kla-Tencor Corp. Shape metric based scoring of wafer locations
US10832396B2 (en) 2018-10-19 2020-11-10 Kla-Tencor Corp. And noise based care areas
US11270439B2 (en) * 2018-11-09 2022-03-08 University Of Florida Research Foundation, Incorporated Histogram-based method for auto segmentation of integrated circuit structures from SEM images
CN109978843B (zh) * 2019-03-15 2020-11-24 华南理工大学 晶圆掺杂物的图像分割方法、系统、计算机设备及存储介质
US11619592B2 (en) * 2019-07-09 2023-04-04 KLA Corp. Selecting defect detection methods for inspection of a specimen
US11416982B2 (en) * 2019-10-01 2022-08-16 KLA Corp. Controlling a process for inspection of a specimen
US11615993B2 (en) * 2019-11-21 2023-03-28 Kla Corporation Clustering sub-care areas based on noise characteristics

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100329540A1 (en) * 2007-07-20 2010-12-30 Kla-Tencor Corporation Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US20150221076A1 (en) * 2014-02-06 2015-08-06 Kla-Tencor Corporation Defect detection and classification based on attributes determined from a standard reference image
TW201630092A (zh) * 2014-10-14 2016-08-16 克萊譚克公司 使用結構性資訊之缺陷偵測
US20160377561A1 (en) * 2015-05-28 2016-12-29 Kla-Tencor Corporation System and Method for Dynamic Care Area Generation on an Inspection Tool
TW201730843A (zh) * 2015-12-09 2017-09-01 克萊譚克公司 藉由降低晶粒至晶粒製程雜訊之缺陷信號對雜訊增強
US20190287238A1 (en) * 2018-03-14 2019-09-19 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology

Also Published As

Publication number Publication date
IL292724A (en) 2022-07-01
US20210159127A1 (en) 2021-05-27
CN114667596A (zh) 2022-06-24
CN114667596B (zh) 2023-08-18
KR20220104776A (ko) 2022-07-26
WO2021101852A1 (en) 2021-05-27
US11615993B2 (en) 2023-03-28
TW202137355A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN112106180B (zh) 基于设计的对准的性能监测
TWI829980B (zh) 半導體晶圓檢測之方法及系統，以及非暫時性電腦可讀媒體
KR20200141524A (ko) 반도체 웨이퍼의 리피터 결함 포착
US11783470B2 (en) Design-assisted inspection for DRAM and 3D NAND devices
US11803960B2 (en) Optical image contrast metric for optical target search
CN114341630B (zh) 等概率缺陷检测
US11676260B2 (en) Variation-based segmentation for wafer defect detection
US11379969B2 (en) Method for process monitoring with optical inspections
WO2022051171A1 (en) Binning-enhanced defect detection method for three-dimensional wafer structures
US20230122514A1 (en) Laser Anneal Pattern Suppression
US11610296B2 (en) Projection and distance segmentation algorithm for wafer defect detection
US20220405903A1 (en) Image contrast metrics for deriving and improving imaging conditions
US20220301133A1 (en) Segmentation of design care areas with a rendered design image
TW202228220A (zh) 使用影像雜湊之非監督樣式等同偵測
WO2023033842A1 (en) Wafer alignment improvement through image projection-based patch-to-design alignment