TWI833854B

TWI833854B - 用於多模式半導體檢測的光學模式選擇

Info

Publication number: TWI833854B
Application number: TW108145227A
Authority: TW
Inventors: 伯裘恩布拉爾; 理察威靈福德; 凱達爾格拉馬; 虎成李; 上鳳朴
Original assignee: 美商科磊股份有限公司
Priority date: 2018-12-18
Filing date: 2019-12-11
Publication date: 2024-03-01

Abstract

使用一主要光學模式掃描一或多個半導體晶圓或其部分以識別缺陷。使用一電子顯微鏡選擇並檢視複數個該等經識別缺陷，包括一第一類別之缺陷及一第二類別之缺陷。基於此檢視，將該複數個缺陷之各自缺陷分類為該第一類別或該第二類別之缺陷。使用複數個輔助光學模式使該複數個該等經識別缺陷成像。基於使用該主要光學模式之該掃描及使用該複數個輔助光學模式之該成像之結果，選擇用於結合該主要光學模式使用之該等輔助光學模式之一或多者。使用該主要光學模式及該一或多個選定輔助光學模式針對缺陷掃描生產半導體晶圓。

Description

用於多模式半導體檢測的光學模式選擇

本發明係關於半導體檢測且更具體言之，係關於選擇用於半導體缺陷檢測之光學模式。

現代光學半導體檢測工具使用比一典型缺陷之尺寸顯著長通常達一數量級或更多之波長。因而，檢測工具無法解析缺陷且因此無法提供展示缺陷之影像；代替性地，檢測工具僅提供一缺陷已被偵測之一指示。此外，相對於妨礙裝置功能性之所關注缺陷(DOI)，許多經偵測缺陷係不妨礙裝置功能性之所謂的擾亂點缺陷。不同於DOI，程序整合及良率改良工程師對擾亂點缺陷不感興趣。且擾亂點缺陷之數目可超過所關注缺陷之數目。大量擾亂點缺陷使得對全部經識別缺陷執行後續失效分析(例如，使用一掃描電子顯微鏡(SEM)進行視覺化)變得不切實際。大量擾亂點缺陷亦使得判定是否應歸因於大量DOI而將一晶圓報廢或重加工變得不切實際。

用於區分DOI與擾亂點缺陷之現有技術在其等有效性上受限制。例如，用於分區兩個類型之缺陷之一單一最佳光學模式可經識別且用於檢測。此方法忽略其他光學模式可提供之資訊。因此，可期望使用一主要光學模式及一或多個輔助光學模式兩者檢測半導體晶圓。然而，鑑於大量可能輔助模式，判定哪些輔助光學模式最適用於區分兩個類型之缺陷具有挑戰性。

因此，需要對半導體缺陷分類之經改良方法及系統。此等方法及系統可涉及選擇用於結合一主要光學模式使用以針對缺陷進行掃描之一或多個輔助光學模式。

在一些實施例中，一半導體檢測方法包含使用一主要光學模式掃描一或多個半導體晶圓或其部分以識別缺陷。選擇複數個該等經識別缺陷，包含一第一類別之缺陷及一第二類別之缺陷。使用一電子顯微鏡檢視該等選定缺陷。基於此檢視，將該複數個缺陷之各自缺陷分類為該第一類別或該第二類別之缺陷。使用複數個輔助光學模式使該複數個該等經識別缺陷成像。基於使用該主要光學模式掃描該一或多個半導體晶圓或其部分及使用該複數個輔助光學模式使該複數個該等經識別缺陷成像之結果，選擇用於結合該主要光學模式使用之該等輔助光學模式之一或多者。使用該主要光學模式及該一或多個選定輔助光學模式掃描生產半導體晶圓以識別缺陷。

在一些實施例中，一種非暫時性電腦可讀儲存媒體儲存用於藉由包含一或多個半導體檢測工具之一半導體檢測系統之一或多個處理器執行之一或多個程式。該一或多個程式包含用於執行上文之方法之全部或一部分之指令。在一些實施例中，一種半導體檢測系統包含一或多個半導體檢測工具、一或多個處理器及儲存用於藉由該一或多個處理器執行之一或多個程式之記憶體。該一或多個程式包含用於執行上文之方法之全部或一部分之指令。

相關申請案

本申請案主張2018年12月18日申請之標題為「Optical Mode Selection for Multi-Mode Inspections」之美國臨時專利申請案第62/781,593號之優先權，該案之全文藉此為了全部目的以引用的方式併入本文中。

現將詳細參考各項實施例，在隨附圖式中繪示該等實施例之實例。在以下詳細描述中，闡述許多具體細節以便提供各項所述實施例之一透徹理解。然而，一般技術者將明白，可在無此等具體細節之情況下實踐各項所述實施例。在其他例項中，未詳細描述熟知方法、程序、組件、電路及網路以免不必要地致使實施例之態樣不清楚。

可使用多個光學模式(例如，一主要光學模式及一或多個輔助光學模式)針對缺陷檢測一半導體晶圓。各光學模式具有光學特性之一相異組合。在一些實施例中，光學特性包含波長範圍、偏光、焦點、孔徑(例如，照明孔徑中之透射分佈及集光孔徑中之透射分佈)及/或集光孔徑中之相移分佈。一第一光學模式與一第二光學模式不同之處在於至少一個光學特性之值係不同的。

針對一給定光學模式，藉由掃描半導體晶圓以產生晶圓上之各自晶粒之目標影像而識別缺陷。在逐像素基礎上自目標影像減去晶粒之一參考影像(或反之亦然)以產生顯露缺陷之一差異影像。例如，若差異影像中一特定區域之像素值具有滿足一臨限值之一強度，則將該區域識別為具有一缺陷。掃描可未偵測一些缺陷，此係因為缺陷非常小或未引起傳入光之反射率之一改變。

圖1展示根據一些實施例之選擇用於結合一主要光學模式使用以區分所關注缺陷(DOI)與擾亂點缺陷之一或多個輔助光學模式之一方法之一流程圖。可使用一或多個半導體檢測系統300 (圖3)執行方法100。可組合或分解方法100中之步驟。

在方法100中，識別(102)一最佳主要光學模式。在一些實施例中，使用各種光學模式以針對缺陷檢測一或多個半導體晶圓，或一或多個半導體晶圓之部分。最佳主要光學模式可係提供最高總缺陷捕獲率(即，識別缺陷之最大總數目)或最高DOI捕獲率(即，識別DOI之最大數目)之光學模式。

選擇(104)足夠數目個DOI及擾亂點事件(即，使用主要模式識別之缺陷)以容許輔助光學模式之後續評估。選定事件之數目可取決於待用於評估輔助光學模式之技術，且可經選取以容許用於該技術之DOI與擾亂點缺陷之間之分離之一適當信號。在一些實施例中，選擇使用主要光學模式在一或多個半導體晶圓或其部分上識別之全部缺陷。替代地，僅選擇經識別缺陷之一子集。

使用一SEM檢視(110)選定缺陷且對其等分類：SEM檢視識別哪些選定缺陷係DOI且哪些係擾亂點缺陷。可接著使用複數個輔助光學模式檢測選定缺陷且可收集並記錄(110)來自此檢測之缺陷資料。替代地，在SEM檢視之前執行使用複數個輔助光學模式之缺陷檢測，此係因為SEM檢視可更改晶圓。此更改(稱為SEM燃燒)起因於SEM檢視期間一些晶圓上之碳沈積且損害晶圓。此損害干擾任何後續缺陷檢測。用於處理SEM燃燒之一個選項係在SEM檢視之前使用複數個輔助光學模式對足夠數目個缺陷執行盲資料收集(108)。此資料收集被視為係盲的，此係因為缺陷尚未被分類。另一選項係使用複數個輔助光學模式逐像素記錄一整個晶圓或其部分(106)，接著執行SEM檢視，且使用經記錄資料集提取相關光學影像資料。

一旦已對選定缺陷分類，便可將其等提供為至用於選擇一或多個輔助光學模式作為(若干)最佳輔助光學模式之一技術之輸入(112)。此等技術之實例包含成對卷積神經網路(CNN) 114、相關融合116、成對線性鑑別分析(LDA) 118、具有稀疏約束之一般化線性模型(GLM) 120、隨機森林決策樹122及手動決策樹124。基於技術結果，識別(126)一或多個最佳輔助光學模式。

可如美國專利第10,115,040號中描述般使用成對CNN 114，該專利之全文以引用的方式併入。針對主要光學模式及一或多個輔助光學模式之各組合訓練一各自CNN。識別提供DOI與擾亂點之間之最佳分離(例如，具有最高信雜比、最高DOI捕獲率或最低擾亂點率)之CNN且將該CNN之對應一或多個輔助光學模式識別為(若干)最佳輔助光學模式。例如，在一給定擾亂點率下比較CNN之DOI捕獲率(亦稱為真實陽性率)，識別在給定擾亂點率下具有最高DOI捕獲率之CNN，且選取與該CNN相關聯之一或多個輔助光學模式作為(若干)最佳輔助光學模式。

在一些實施例中，使用缺陷位置註解及/或使用經修改影像資料擴增用於訓練CNN之影像資料(例如，對應於步驟112之經分類缺陷之差異影像資料)。例如，可藉由修改參考影像(或其圖塊)且使用經修改參考影像產生一差異影像(或其圖塊)而產生經修改影像資料。在一些實施例中，使用設計剪輯及/或一遮罩影像來產生影像資料(例如，形成參考影像或其圖塊)。

針對相關融合116 (其亦稱為信號相關性)，針對主要光學模式及一或多個輔助光學模式之各自組合分析經識別缺陷之信號值(例如，差異影像中之像素值)。若針對一缺陷，在主要光學模式與一或多個輔助光學模式之間存在滿足一臨限值之信號值相關性(例如，若針對主要光學模式且亦針對一或多個輔助光學模式之檢測結果在相關位置處偵測一缺陷)，則可將該缺陷標記為一DOI。例如，計算等於或對應於缺陷信號強度與平均像素強度之間之差除以像素強度之標準偏差之一度量。若針對一給定組合，在針對主要光學模式及一或多個輔助光學模式之此度量之間存在相關性，則將對應缺陷標記為一DOI；若不存在，則將對應缺陷標記為一擾亂點缺陷。比較此分析之結果與SEM檢視之結果。將在與主要光學模式組合時提供DOI與擾亂點缺陷之間之最佳分離之一或多個輔助光學模式識別為(若干)最佳輔助光學模式。

可如下文及美國專利申請案第16/272,528號中描述般執行線性鑑別分析118，該案之全文以引用的方式併入。

可將特徵空間中具有稀疏約束之一GLM 120訓練為一缺陷分類器。藉由對L1及L2範數約束施加一彈性網而訓練GLM缺陷分類器以對像素圖塊(即，差異影像內之經定義像素分組)分類。加緊約束，直至GLM缺陷分類器僅自構成最佳模式集合之兩個光學模式(即，主要光學模式及一輔助光學模式)選取像素。GLM缺陷分類器之訓練容許在接收器操作特性(ROC)曲線上之任何位置選取一操作點，該操作點指定依據擾亂點率(即，經預測擾亂點事件之數目除以經預測DOI及擾亂點事件之總數)而變化之DOI捕獲率(即，偵測率或真陽性率)。因此，使用者可在DOI捕獲率與擾亂點率之間權衡。

一彈性網可包含拉索(Lasso) (L1正則化懲罰)及脊(Ridge) (L2正則化懲罰)之一組合。在一些實施例中，彈性網具有以下形式：其中y對缺陷類別編索引且係0 (例如，針對DOI或替代地，針對擾亂點缺陷)或1 (例如，針對擾亂點缺陷或替代地，針對DOI)，X係一信號屬性，係一資料擬合參數，且具有介於0與1之間之一值。表達式1之第二項有助於平均化高度相關特徵，而表達式1之第三項促進此等平均化特徵之一稀疏解。

在其他實施例中，彈性網之正則化項具有以下形式：其中p係不同資料擬合參數之數目，j對資料擬合參數編索引，係一特定資料擬合參數，且具有介於0與1之間之一值。

針對隨機森林決策樹122，針對主要光學模式及一或多個輔助光學模式之各組合訓練一各自隨機森林(即，各自複數個隨機森林決策樹)。藉由在每一單一樹中之各內部決策節點處隨機選擇預測子之一新子集而使隨機森林決策樹去相關。用於訓練/學習各決策樹之輸入資料係訓練資料集之一啟動樣本，其目標係在將經學習模型應用至測試資料集以預測缺陷之類別時減少變異數(過度擬合)。隨機森林之決策樹包含用於濾除擾亂點缺陷之分類器。可將此等分類器稱為靈敏度調諧器擾亂點事件過濾器(STNEF)分類器。使用各自隨機森林，針對主要光學模式及輔助光學模式之各種組合針對一給定擾亂點率比較DOI捕獲率。識別具有在一給定擾亂點率下提供最佳DOI捕獲率之各自隨機森林模型之主要模式/(若干)輔助模式之組合。

針對手動決策樹124，針對主要光學模式及一或多個輔助光學模式之各組合建立一各自決策樹。決策樹包含基於經分類缺陷之缺陷檢測結果判定之使用者指定STNEF分類器。識別提供最佳DOI捕獲率之決策樹且將該決策樹之對應一或多個輔助光學模式識別為(若干)最佳輔助光學模式。

圖2展示根據一些實施例之其中選擇用於結合一主要光學模式使用以對缺陷分類之一或多個輔助光學模式之一半導體檢測方法200之一流程圖。如同方法100 (圖1)，方法200可使用一或多個半導體檢測系統300 (圖3)執行。可組合或分解方法200中之步驟。可針對非順序相依之步驟變動執行步驟之順序。

在方法200中，使用一主要光學模式(例如，如圖1 之方法100之步驟102中識別)掃描(202)一或多個半導體晶圓或其部分以識別缺陷。掃描包含使一或多個半導體晶圓或其部分成像且使用所得影像資料相應地識別缺陷。可使用檢測工具304 (圖3)執行掃描。

(例如，如在圖1之步驟104中)選擇(204)複數個經識別缺陷。複數個選定缺陷包含一第一類別之缺陷及一第二類別之缺陷。在一些實施例中，第一類別之缺陷係妨礙半導體晶粒功能性之所關注缺陷(DOI)且第二類別之缺陷係不妨礙半導體晶粒功能性之擾亂點缺陷。

使用一電子顯微鏡(例如，一SEM)檢視(206)複數個經識別缺陷。可如針對步驟110 (圖1)描述般執行此檢視。基於檢視，將各自缺陷分類為第一類別之缺陷(例如，DOI)或第二類別之缺陷(例如，擾亂點缺陷)。

使用複數個輔助光學模式使複數個經識別缺陷成像(208)。可使用與步驟202相同之檢測工具304或一不同檢測工具304 (圖3)執行此掃描。在一些實施例中，在檢視及分類(206)之前執行使用複數個輔助光學模式之各者掃描(208)一或多個半導體晶圓或其部分，使得步驟206及208之順序反轉(例如，根據圖1之步驟106或108)。成像可限於複數個經識別缺陷之特定位點(即，像素位置)。替代地，假使步驟208在步驟206之前，可使整個一或多個半導體晶圓或其部分成像且記錄所得影像資料，且隨後(例如，在已執行檢視(例如，SEM檢視)之後)收集特定位點之影像資料。

基於步驟202中使用主要光學模式之掃描及步驟208中使用複數個輔助光學模式之成像之結果，選擇(210)用於結合主要光學模式使用之一或多個輔助光學模式。此選擇可對應於方法100 (圖1)之步驟126。

在一些實施例中，定義(212)主要光學模式與一或多個各自輔助光學模式之多個組合。針對多個組合之各組合，可(例如，根據圖1之步驟114)訓練(214)一各自卷積神經網路(CNN)以預測複數個經識別缺陷之類別，藉此產生複數個CNN。針對第一類別中之缺陷與第二類別中之缺陷之分離評估複數個CNN。基於此評估選取一CNN且選擇其(若干)選定輔助光學模式。例如，一或多個選定輔助光學模式對應於複數個CNN中產生第一類別中之缺陷與第二類別中之缺陷之間之最大分離之一各自CNN。可使用運用缺陷位置註解及/或運用經修改影像資料擴增之影像資料訓練複數個CNN。

替代地或另外，針對一各自組合之一或多個各自輔助光學模式之各者，(例如，根據圖1之步驟116)在複數個缺陷之位置處分析(216)一各自差異影像中之信號值。基於此分析選擇一或多個輔助光學模式。例如，如藉由分析信號值而判定，在多個組合之一或多個各自輔助光學模式之全部中，一或多個選定輔助光學模式產生第一類別之缺陷與第二類別之缺陷之間之最大分離。

替代地或另外，針對多個組合之各組合，(例如，根據圖1之步驟118)將一各自線性鑑別函數應用(218)至結果以預測複數個經識別缺陷之類別。識別多個組合中各自線性鑑別函數產生第一類別中之缺陷與第二類別中之缺陷之間之最大分離之組合，且選擇其(若干)輔助光學模式。

替代地或另外，(例如，根據圖1之步驟120)訓練(220)特徵空間中具有稀疏約束之一GLM分類器以預測複數個經識別缺陷之類別。基於來自GLM分類器之缺陷分類結果識別並選擇一或多個輔助光學模式。

替代地或另外，針對多個組合之各組合，(例如，根據圖1之步驟122)建立(222)一各自決策樹以預測複數個經識別缺陷之類別，藉此產生複數個決策樹。針對第一類別中之缺陷與第二類別中之缺陷之分離評估複數個決策樹。基於此評估選取一決策樹並選擇其(若干)輔助光學模式。例如，一或多個選定輔助光學模式對應於複數個決策樹中產生第一類別中之缺陷與第二類別中之缺陷之間之最大分離之一各自決策樹。

替代地或另外，針對多個組合之各組合，(例如，根據圖1之步驟124)訓練(224)各自複數個隨機森林決策樹以預測複數個經識別缺陷之類別，藉此產生複數個隨機森林決策樹(即，複數個隨機森林，其中針對一各自組合訓練各隨機森林)。針對第一類別中之缺陷與第二類別中之缺陷之分離評估複數個隨機森林決策樹。基於此評估選取一隨機森林並選擇其(若干)輔助光學模式。例如，一或多個選定輔助光學模式對應於複數個隨機森林決策樹(即，複數個隨機森林)中產生第一類別中之缺陷與第二類別中之缺陷之間之最大分離之一隨機森林。

使用主要光學模式及一或多個選定輔助光學模式掃描(226)生產半導體晶圓以識別缺陷。可使用一或多個檢測工具304 (例如，與步驟202及/或208相同之檢測工具304及/或不同檢測工具304)執行此掃描。

在一些實施例中，產生指定步驟226之結果之一報告。例如，報告可列舉一晶粒、晶圓或其部分之全部經識別缺陷(例如，使用其等座標)且指定各缺陷之類別。替代地，報告可列舉DOI (例如，使用其等座標)且省略擾亂點缺陷。報告可係圖形的；例如，報告可展示具有按照類別之缺陷之位置之指示或具有一特定類別中之缺陷(諸如DOI)之位置之指示之一晶圓圖或晶粒圖。可將報告顯示(例如，在圖3之顯示器311上)及/或傳輸至一用戶端裝置以供顯示。

在一些實施例中，至少部分基於基於步驟226識別之DOI做出關於是否報廢、重加工或繼續處理一晶圓之一決策。

圖3係根據一些實施例之一半導體檢測系統300之一方塊圖。半導體檢測系統300包含一半導體檢測工具304及相關聯電腦電路，該相關聯電腦電路包含一或多個處理器302 (例如，CPU)、使用者介面310、記憶體314及使此等組件互連之一或多個通信匯流排303。半導體檢測系統300亦可包含用於與遠端電腦系統通信(例如，自遠端電腦系統擷取配方及/或將資料傳輸至遠端電腦系統)之一或多個網路介面(有線及/或無線，未展示)。半導體檢測系統300可透過一或多個網路330與一電子顯微鏡332 (例如，一SEM)通信地耦合。

檢測工具304包含一照明源305、照明及集光光學器件306、半導體晶圓裝載於其上以供檢測之一可移動晶圓卡盤307及一或多個偵測器陣列308。

使用者介面310可包含一顯示器311及一或多個輸入裝置312 (例如，一鍵盤、滑鼠、顯示器311之觸敏表面等)。顯示器311可顯示光學模式選擇、缺陷識別及缺陷分類之結果。

記憶體314包含揮發性及/或非揮發性記憶體。記憶體314 (例如，記憶體314內之非揮發性記憶體)包含一非暫時性電腦可讀儲存媒體。記憶體314視情況包含遠離處理器302定位之一或多個儲存裝置及/或被遠端插入至伺服器系統300中之一非暫時性電腦可讀儲存媒體300。在一些實施例中，記憶體314 (例如，記憶體314之非暫時性電腦可讀儲存媒體)儲存以下模組及資料或其之一子集或超集：一作業系統316，其包含用於處置各種基本系統服務且用於執行硬體相依任務之程序；一晶圓掃描模組318；一缺陷識別模組320；一缺陷分類模組322；及一模式選擇模組324。

因此，記憶體314 (例如，記憶體314之非暫時性電腦可讀儲存媒體)包含用於執行方法100 (圖1)及/或方法200 (圖2)之全部或一部分之指令。儲存於記憶體314中之各模組對應於用於執行本文中描述之一或多個函數之一組指令。不需要將單獨模組實施為單獨軟體程式。可組合或以其他方式重新配置模組及模組之各種子集。在一些實施例中，記憶體314儲存上文識別之模組及/或資料結構之一子集或超集。

圖3更多地作為可存在於一半導體檢測系統中之各種特徵之一功能描述而非一結構示意圖。例如，檢測工具304之組件之配置可(例如，以此項技術中已知之方式)變動。可組合單獨展示之物項且可分離一些物項。此外，可在多個裝置之間分割半導體檢測系統300之功能性。例如，儲存於記憶體314中之模組之一部分可替代地儲存於透過一或多個網路與半導體檢測系統300通信地耦合之一或多個電腦系統中。

現應注意用於缺陷分類之線性鑑別分析(即，一線性鑑別函數之使用)，如美國專利第10,115,040號中描述。藉由使用多個光學模式(例如，一主要光學模式及一或多個輔助光學模式)掃描一或多個半導體晶圓或其部分而識別缺陷。各自缺陷對應於藉由掃描產生之影像中之各自像素集。(各像素集係受一對應缺陷影響之集合。)缺陷識別結果包含基於各自像素集之像素強度之多維資料(例如，像素強度資料或自像素強度導出之一屬性之資料)，其中多維資料之各維度對應於多個光學模式之一相異模式。例如，結果包含各缺陷之一向量，其中向量之各項目x_k 係針對一各自光學模式(例如，針對第k 個光學模式)之基於像素強度(例如，強度或自強度導出之一屬性值)之一值。因此，向量之各項目對應於一特定缺陷之一相異光學模式之一結果。

針對各自像素集，將一線性鑑別函數應用至結果以將多維資料變換為各自分數。線性鑑別函數指定將各自缺陷分離(例如，最大地分離)成相異類別(例如，第一類別及第二類別，諸如DOI及擾亂點缺陷)之一方向。例如，針對一各自像素集，應用鑑別函數包含判定含有多維資料之一向量至對應於(例如，垂直於)由線性鑑別函數指定之方向之一軸上之一投射。

例如，為了應用線性鑑別函數，針對各類別之缺陷計算平均值。若存在編索引為類別0及類別1 (例如，分別為擾亂點缺陷及DOI)之兩個類別，則計算平均值μ₀ 及μ₁ ：其中係類別j 中之第i 個缺陷，N₀ 係類別0中之缺陷之數目(例如，擾亂點缺陷之數目)，且N₁ 係類別1中之缺陷之數目(例如，所關注缺陷之數目)。因此，各求和涵蓋各自類別中之全部缺陷。接著，使用平均值計算協方差。針對類別0及類別1，計算各自協方差S₀ 及S₁ ：其中i 對各自類別之缺陷編索引。接著計算缺陷類別之一合併協方差S_p ：其中N=N₀ +N₁ 。

在將變換為具有等於類別數目之一維數之一分數L之一變換中使用合併協方差S_p 。針對類別0及類別1之實例，藉由應用線性鑑別函數而達成變換，其中：其中i 對類別編索引。在方程式13中，係可假定為恆定之一先驗概率分佈：

方程式9有效地指定將經識別缺陷最大地分離成類別0及類別1之一方向。方程式9將含有多維資料之向量投射至垂直於此方向之一軸上。

在一些實施例中，基於包含來自全部相異類別之缺陷之一缺陷訓練集(例如，圖1至圖2之步驟104及/或204之選定缺陷)判定鑑別函數。最初藉由掃描所關注類型之一或多個晶粒且接著執行失效分析(例如，SEM檢視及/或使用其他適當失效分析技術)以對至少一些經識別缺陷分類而識別缺陷之一訓練集。例如，在方程式9中，可基於一訓練集判定及。

至少部分基於各自分數，將各自缺陷劃分為相異類別。在一些實施例中，將各自分數轉換為各自缺陷屬於相異類別之特定類別之概率。基於概率對各自缺陷分類。例如，將各自分數轉換為各自缺陷係所關注缺陷或擾亂點缺陷之概率，且基於概率對各自缺陷分類。為了將在方程式9中獲得之分數轉換為概率，可應用softmax函數以獲得：其中如同j ，i 再次對類別編索引。因此，分母中之求和涵蓋複數個類別(例如，涵蓋類別0及類別1)，而分子中之值係針對一特定類別(例如，類別0或類別1)。

在一些實施例中，可基於費雪(Fisher)分數(或指示一組光學模式在對缺陷分類方面之效率之另一分數)選擇光學模式(例如，一或多個輔助光學模式)。使用一可用光學模式群組中之全部光學模式執行掃描。若可用光學模式群組具有M個光學模式，則將光學模式群組之一子集之費雪分數定義為：

方程式18、19及21中之求和涵蓋全部類別i (例如，涵蓋類別0及1)。方程式20中之求和涵蓋一特定類別i 中之缺陷。可針對群組之多個子集計算費雪分數，且選擇具有最高分數之子集作為複數個光學模式。例如，可針對具有兩個或兩個以上光學模式(例如，主要光學模式及一相異輔助光學模式或輔助光學模式集合)之全部子集、針對具有確切兩個光學模式之全部子集或針對具有大於或等於2且小於或等於一指定數目之數目個光學模式之全部子集計算費雪分數。

為了解釋之目的，已參考特定實施例描述前述描述。然而，上文之闡釋性論述不旨在為詳盡性或將發明申請專利範圍之範疇限於所揭示之精確形式。鑑於上文中之教示，許多修改及變動係可行的。選取實施例以便最佳解釋以發明申請專利範圍及其等實際應用為基礎之原理以藉此使其他熟習此項技術者最佳使用具有如適合所預期特定用途之各種修改之實施例。

100:方法 102:步驟 104:步驟 106:步驟 108:步驟 110:步驟 112:步驟 114:步驟 116:步驟 118:步驟 120:步驟 122:步驟 124:步驟 126:步驟 200:半導體檢測方法 202:步驟 204:步驟 206:步驟 208:步驟 210:步驟 212:步驟 214:步驟 216:步驟 218:步驟 220:步驟 222:步驟 224:步驟 226:步驟 300:半導體檢測系統 302:處理器 303:通信匯流排 304:半導體檢測工具 305:照明源 306:照明及集光光學器件 307:可移動晶圓卡盤 308:偵測器陣列 310:使用者介面 311:顯示器 312:輸入裝置 314:記憶體 316:作業系統 318:晶圓掃描模組 320:缺陷識別模組 322:缺陷分類模組 324:模式選擇模組 330:網路 332:電子顯微鏡

為了更佳理解各種所述實施方案，應結合以下圖式參考下文之實施方式。

圖1展示根據一些實施例之選擇用於結合一主要光學模式使用以區分所關注缺陷與擾亂點缺陷之一或多個輔助光學模式之一方法之一流程圖。

圖2展示根據一些實施例之其中選擇用於結合一主要光學模式使用以對缺陷分類之一或多個輔助光學模式之一半導體檢測方法之一流程圖。

圖3係根據一些實施例之一半導體檢測系統之一方塊圖。

貫穿圖式及說明書，相同元件符號係指對應零件。

200:半導體檢測方法

202:步驟

204:步驟

206:步驟

208:步驟

210:步驟

212:步驟

214:步驟

216:步驟

218:步驟

220:步驟

222:步驟

224:步驟

226:步驟

Claims

一種半導體檢測方法，其包括：使用一主要光學模式掃描一或多個半導體晶圓或其部分以識別多個缺陷；選擇複數個該等經識別缺陷；使用一電子顯微鏡檢視該複數個該等經識別缺陷；基於該檢視，將該複數個缺陷之各自缺陷分類為一第一類別或一第二類別之缺陷；使用複數個輔助光學模式使該複數個該等經識別缺陷成像；基於針對該等經分類的缺陷的該掃描與該成像之結果，選擇用於結合該主要光學模式使用之該等輔助光學模式之一或多者，其包括：定義該主要光學模式與該複數個輔助光學模式之一或多個各自輔助光學模式之多個組合；針對該多個組合之各組合，訓練一各自卷積神經網路(CNN)以預測該複數個經識別缺陷之多個類別，藉此產生複數個CNN；及針對該第一類別中之多個缺陷與該第二類別中之多個缺陷之分離，評估該複數個CNN；及使用該主要光學模式及該一或多個選定輔助光學模式掃描生產半導體晶圓以識別多個缺陷。
如請求項1之方法，其中：該第一類別係妨礙半導體晶粒功能性之所關注缺陷；且該第二類別係不妨礙半導體晶粒功能性之擾亂點缺陷。
如請求項1之方法，其中：選擇該等輔助光學模式之該一或多者包括選擇用於結合該主要光學模式使用之一單一輔助光學模式；且使用該主要光學模式及該單一輔助光學模式執行掃描該等生產半導體晶圓。
如請求項1之方法，其中該電子顯微鏡係一掃描電子顯微鏡(SEM)。
如請求項1之方法，其中在該檢視及該分類之前執行使用該複數個輔助光學模式使該複數個該等經識別缺陷成像。
如請求項1之方法，其中在該檢視及該分類之後執行使用該複數個輔助光學模式使該複數個該等經識別缺陷成像。
如請求項1之方法，其中該一或多個選定輔助光學模式對應於該複數個CNN中產生該第一類別中之多個缺陷與該第二類別中之多個缺陷之間之最大分離之一各自CNN。
如請求項1之方法，其中使用運用多個缺陷位置所註解之影像資料訓練該複數個CNN。
如請求項1之方法，其中使用運用經修改影像資料擴增之影像資料訓練該複數個CNN。
一種非暫時性電腦可讀儲存媒體，其儲存用於藉由包含一或多個半導體檢測工具之一半導體檢測系統之一或多個處理器執行之一或多個程式，該一或多個程式包括用於以下者之指令：選擇藉由使用一主要光學模式掃描一或多個半導體晶圓或其部分而識別之複數個缺陷；基於使用一電子顯微鏡檢視該複數個該等經識別缺陷，將該複數個缺陷之各自缺陷分類為一第一類別或一第二類別之多個缺陷；及基於使用複數個輔助光學模式掃描該等經分類缺陷及成像該等經分類缺陷之結果，選擇用於結合該主要光學模式使用以掃描生產半導體晶圓之該等輔助光學模式之一或多者，其包括：定義該主要光學模式與該複數個輔助光學模式之一或多個各自輔助光學模式之多個組合；針對該多個組合之各組合，訓練一各自卷積神經網路(CNN)以預測該複數個經識別缺陷之多個類別，藉此產生複數個CNN；及針對該第一類別中之多個缺陷與該第二類別中之多個缺陷之分離，評估該複數個CNN。
一種半導體檢測系統，其包括：一或多個半導體檢測工具；一或多個處理器；及記憶體，其儲存用於藉由該一或多個處理器執行之一或多個程式，該一或多個程式包括用於以下者之指令：使用一主要光學模式掃描一或多個半導體晶圓或其部分以識別多個缺陷；選擇複數個該等經識別缺陷，；基於使用一電子顯微鏡檢視該複數個該等經識別缺陷，將該複數個缺陷之各自缺陷分類為一第一類別或一第二類別之多個缺陷；使用複數個輔助光學模式使該複數個該等經識別缺陷成像；基於針對該等經分類缺陷之該掃描與該成像之結果，選擇用於結合該主要光學模式使用之該等輔助光學模式之一或多者，其包括：定義該主要光學模式與該複數個輔助光學模式之一或多個各自輔助光學模式之多個組合；針對該多個組合之各組合，訓練一各自卷積神經網路(CNN)以預測該複數個經識別缺陷之多個類別，藉此產生複數個CNN；及針對該第一類別中之多個缺陷與該第二類別中之多個缺陷之分離，評估該複數個CNN；及使用該主要光學模式及該一或多個選定輔助光學模式掃描生產半導體晶圓以識別多個缺陷。
如請求項11之系統，其中：該第一類別係妨礙半導體晶粒功能性之所關注缺陷；且該第二類別係不妨礙半導體晶粒功能性之擾亂點缺陷。
如請求項11之系統，其中用於使用該複數個輔助光學模式使該複數個該等經識別缺陷成像之該等指令包括用於在該分類之前執行該成像之指令。
如請求項11之系統，其中用於評估該複數個CNN之該等指令包括用於在該複數個CNN中識別產生該第一類別中之多個缺陷與該第二類別中之多個缺陷之間之最大分離之一各自CNN之指令。