WO2020250685A1 - レーザ修正方法、レーザ修正装置 - Google Patents

レーザ修正方法、レーザ修正装置 Download PDF

Info

Publication number
WO2020250685A1
WO2020250685A1 PCT/JP2020/020967 JP2020020967W WO2020250685A1 WO 2020250685 A1 WO2020250685 A1 WO 2020250685A1 JP 2020020967 W JP2020020967 W JP 2020020967W WO 2020250685 A1 WO2020250685 A1 WO 2020250685A1
Authority
WO
WIPO (PCT)
Prior art keywords
laser
data
defective portion
correction
defect
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2020/020967
Other languages
English (en)
French (fr)
Inventor
水村　通伸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
V Technology Co Ltd
Original Assignee
V Technology Co Ltd
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 V Technology Co Ltd filed Critical V Technology Co Ltd
Priority to US17/617,748 priority Critical patent/US12557603B2/en
Priority to CN202080042211.5A priority patent/CN113966527B/zh
Priority to KR1020217040532A priority patent/KR102726317B1/ko
Publication of WO2020250685A1 publication Critical patent/WO2020250685A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00
    • B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00 relating to using of neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/351—Working by laser beam, e.g. welding, cutting or boring for trimming or tuning of electrical components
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P74/00—Testing or measuring during manufacture or treatment of wafers, substrates or devices
    • H10P74/23—Testing or measuring during manufacture or treatment of wafers, substrates or devices characterised by multiple measurements, corrections, marking or sorting processes
    • H10P74/232—Testing or measuring during manufacture or treatment of wafers, substrates or devices characterised by multiple measurements, corrections, marking or sorting processes comprising connection or disconnection of parts of a device in response to a measurement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/032—Observing, e.g. monitoring, the workpiece using optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/08—Devices involving relative movement between laser beam and workpiece
    • B23K26/082—Scanning systems, i.e. devices involving movement of the laser beam relative to the laser head
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/352—Working by laser beam, e.g. welding, cutting or boring for surface treatment
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/50—Working by transmitting the laser beam through or within the workpiece
    • B23K26/53—Working by transmitting the laser beam through or within the workpiece for modifying or reforming the material inside the workpiece, e.g. for producing break initiation cracks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00 relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/133—Constructional arrangements; Operation of liquid crystal cells; Circuit arrangements
    • G02F1/136—Liquid crystal cells structurally associated with a semi-conducting layer or substrate, e.g. cells forming part of an integrated circuit
    • G02F1/1362—Active matrix addressed cells
    • G02F1/1368—Active matrix addressed cells in which the switching element is a three-electrode device
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09F—DISPLAYING; ADVERTISING; SIGNS; LABELS OR NAME-PLATES; SEALS
    • G09F9/00—Indicating arrangements for variable information in which the information is built-up on a support by selection or combination of individual elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K2101/00—Articles made by soldering, welding or cutting
    • B23K2101/36—Electric or electronic devices
    • B23K2101/42—Printed circuits
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K2103/00—Materials to be soldered, welded or cut
    • B23K2103/16—Composite materials
    • B23K2103/166—Multilayered materials
    • B23K2103/172—Multilayered materials wherein at least one of the layers is non-metallic
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30121—CRT, LCD or plasma display
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention relates to a laser correction method and a laser correction device.
  • Laser repair is performed after the inspection process in the manufacturing process such as FPD (Flat Panel Display), and is applied to the multilayer film substrate such as TFT (Thin Film Transistor) to the defective part identified in the inspection process.
  • a laser beam is irradiated to perform correction processing. This laser correction is usually performed manually by a highly skilled operator because the shape of the defective portion to be machined differs for each defective portion and it is necessary to change the machining conditions for each defective portion. There is.
  • the defect portion is detected by collating the defect image obtained by photographing the inspection target portion with the reference image without the defect, and the detected defect is irradiated with the laser beam based on the input instruction content.
  • the processing position and processing range are specified (see, for example, Patent Document 1 below).
  • laser correction When laser correction is performed manually on a multilayer substrate, it is required to process only the defective part without damaging the peripheral layer or the underlying layer of the defective part.
  • the operator recognizes the defective part identified in the inspection process and the layer structure around it, determines the minimum necessary processing range from his own experience, and processes based on the recognized layer structure information. Work while appropriately selecting the conditions (laser processing recipe). Therefore, it is inevitable that the work takes a long time, and the skill of the operator affects the correction quality.
  • the present invention has been proposed to deal with such a situation. That is, it is possible to automate laser correction, improve work efficiency, obtain a certain correction quality without being affected by the skill of the operator, and there are differences in the base layer and film thickness. It is an object of the present invention to be able to make high-quality modifications even in some cases.
  • the present invention has the following configurations.
  • It has a correction step of setting a laser irradiation range for a defective portion of a multilayer film substrate and irradiating the defective portion with a laser beam under the set laser processing conditions to perform correction processing, and the correction step is the defect.
  • the spectral spectrum data of the part is acquired, and based on the spectral spectrum data, the laser processing conditions of the laser beam to irradiate the defective part with the learned neural network are set, and the neural network is used as the multilayer film structure data.
  • a laser correction method characterized in that it is machine-learned using actual measurement data including spectral spectrum data for each multilayer film structure and laser processing experiment data for each multilayer film structure as learning data.
  • the defect processing portion is provided with a correction processing unit in which a laser irradiation range is set for the defect portion of the multilayer film substrate and the defect portion is irradiated with laser light under the set laser processing conditions to perform correction processing.
  • the spectral spectrum data of the defect portion is acquired, and based on the spectral spectrum data, the laser processing conditions of the laser beam to irradiate the defective portion with the learned neural network are set.
  • a laser correction device characterized in that it is machine-learned using actual measurement data including multilayer film structure data, spectral spectrum data for each multilayer film structure, and laser processing experiment data for each multilayer film structure as learning data.
  • Explanatory drawing explaining the process of a laser correction method Explanatory drawing which showed the structural example of the laser correction apparatus. Explanatory drawing which showed the structural example and function of the spectrum spectroscopic camera. Explanatory drawing which showed the example of the periodic pattern of the surface of a multilayer film substrate. Explanatory drawing explaining the defect shape identification process. Explanatory drawing explaining the correction processing process. An explanatory diagram showing the learning and operation of a neural network. Explanatory drawing explaining laser scanning in a correction processing process. Explanatory drawing which showed the operation flow of the laser control part in a correction processing process.
  • the laser correction method targets a multilayer film substrate such as a TFT (Thin Film Transistor) and irradiates the surface of the multilayer film substrate with laser light to correct the defective portion.
  • the correction step is performed after the inspection step S1, and includes a defect position identification step S2, a defect shape identification step S3, and a correction processing step S4.
  • FIG. 2 shows an example of a laser correction device for executing the correction step described above.
  • the laser correction device 1 includes a correction processing unit 1A that irradiates the surface of the multilayer film substrate 100 placed on the stage S moving on a horizontal plane with laser light L, and the correction processing unit 1A is an image acquisition unit 2.
  • a laser irradiation unit 3, a spectrum spectroscopic camera 4, a laser control unit 5, and the like are provided.
  • the image acquisition unit 2 includes, for example, a microscope 20, a white light source 21, an image pickup camera 26, etc., and acquires a surface image of the multilayer film substrate 100 via the microscope 20, and the multilayer film substrate 100 has a defect portion. In that case, an image of the defective part is acquired.
  • White epi-illumination is applied from the white light source 21 to the surface of the multilayer film substrate 100 via the mirror 22, the half mirror 23, and the lens system 24, and the light reflected on the surface of the multilayer film substrate 100 is the lens system 24 and the half mirror.
  • An image is formed on the imaging surface of the imaging camera 26 via the 23 and the half mirror 25.
  • the image captured by the image pickup camera 26 is appropriately subjected to image processing by the image processing unit 27, and is displayed on the display device 28 as an enlarged image having an appropriate magnification.
  • the laser irradiation unit 3 includes, for example, a laser light source 30, a laser scanner 32, and the like, and irradiates the surface of the multilayer film substrate 100 with the laser light L through the microscope 20.
  • the laser light emitted from the laser light source 30 is incident on the microscope 20 via the laser scanner 32 including the mirror 31 and the galvano mirrors 32A and 32B, and irradiates the surface of the multilayer film substrate 100 through the optical system in the microscope 20. Will be done.
  • the spectral spectroscopic camera 4 acquires a spectroscopic image of the surface of the multilayer film substrate 100.
  • White epi-illumination coaxial with the microscope 20 emitted from the white light source 21 is applied to the surface of the multilayer film substrate 100, and the reflected light from the surface is reflected by a mirror 29 inserted into the optical axis of the microscope 20 for spectral spectroscopy. It is incident on the camera 4.
  • the spectral spectroscopic camera 4 disperses the reflected light from the surface of the multilayer film substrate 100 and acquires spectroscopic spectral data for each pixel of the spectral image.
  • the optical axis of the laser beam L in the microscope 20, the optical axis in the microscope 20 of the image acquisition unit 2, and the optical axis in the microscope 20 of the spectrum spectroscopic camera 4 are coaxial.
  • the irradiation position of the laser beam L can always be set in the monitor screen of the display device 28, and the monitor image of the display device 28 and the spectral image of the spectral spectroscopic camera 4 can be made into a coaxial image. ..
  • the spectrum spectroscopic camera 4 includes, for example, a lens 40, a slit 41, a spectroscope 42, and a two-dimensional sensor 43, and is provided with a line spectroscopic method for one line in the X direction on the surface M to be measured.
  • the reflected light is separated in the direction perpendicular to it, and the two-dimensional sensor 43 detects the spatial information in the X direction and its spectral data. Then, by scanning the reflected light for one line at any time in the Y direction, one spectral spetl data is obtained for each pixel (Xn, Yn) with a resolution of the two-dimensional sensor 43 in the XY directions.
  • the laser control unit 5 sets a laser irradiation range on the surface of the multilayer film substrate 100 including the defective portion, and controls to irradiate the defective portion with the laser beam under the set laser processing conditions.
  • the laser control unit 5 is controlled according to the settings of the trained neural network 50.
  • Spectral spectrum data for each pixel of the spectroscopic image acquired by the spectroscopic camera 4 is input to the neural network 50, and the neural network 50 fills a defect portion for each pixel of the spectroscopic image based on the input spectroscopic spectrum data.
  • the multilayer film substrate 100 to be modified here has a two-dimensional periodic pattern having a periodic pitch Px in the X direction and a periodic pitch Py in the Y direction orthogonal to the periodic pitch Px. ..
  • This periodic pattern corresponds to the multilayer film structure pattern in one display pixel when the multilayer film substrate 100 is an FPD TFT substrate.
  • the position of the defect portion is specified from the result of the inspection step S1 performed prior to the correction step.
  • the enlarged image acquired by the image acquisition unit 2 is set to a low magnification, an image including a plurality of periodic patterns is acquired, and the image processing unit 27 processes the image to be described above.
  • the periodic pitch (Px, Py) the position of the periodic pattern in which the defective portion exists is specified.
  • the optical axis of the microscope 20 is aligned with the specified position, the magnifying magnification is increased so that the shape of the defective portion can be monitored, and a magnified image in which the defective portion is centered is obtained.
  • the shape of the defect portion is specified by the enlarged image in which the defect portion is centered.
  • the image processing unit 27 specifies the shape of the defective portion by comparing the periodic pattern image including the defective portion with the periodic pattern image not including the defective portion.
  • the neural network 50 can also be used to specify the shape of the defective portion. Specifically, as shown in FIG. 5, a periodic pattern image (enlarged image in which the defect portion is centered) Gd including the defect portion is input to the trained machine learning model 50A in the neural network 50, and this machine learning is performed. Based on the output of the model 50A, the image processing unit 27 identifies the shape Fd of the defective portion from the periodic pattern image Gs including the defective portion.
  • the periodic pattern does not mean that all the periodic patterns are formed in the same shape, and includes the shape error of the pattern. Therefore, it is difficult to accurately identify the shape of the defective portion only by a simple image comparison.
  • the trained machine learning model 50A of the neural network 50 By using the trained machine learning model 50A of the neural network 50, the accuracy of shape identification of the defective portion can be improved.
  • the machine learning model 50A a large number of periodic pattern images Gs acquired by using the test substrate of the multilayer film substrate 100 to be modified are used as learning data.
  • the laser control unit 5 sets the laser irradiation range so that the shape of the defect portion specified by the image processing unit 27 is included.
  • the laser irradiation range is the scanning range of the laser scanner 32, and when the shape Fd of the defective portion is separated into a plurality of locations, the scanning range is set so as to include all of them.
  • the spectral spectrum data for each pixel of the defect portion image acquired by the spectral spectroscopic camera 4 is input to the neural network 50, and the neural network 50 classifies the input spectral spectrum data.
  • the area of the defective part image is divided for each classification, and the laser processing conditions (laser processing recipe) are set for each divided area.
  • the defect portion image of the shape Fd is divided into a classification I region, a classification II region, and a classification III region, and the spectral spectrum is relative to the classification I region.
  • Processing condition 1 is set
  • processing condition 2 is set for a region whose spectral spectrum is classification II
  • processing condition 3 is set for a region whose spectral spectrum is classification III.
  • the spectral spectrum data for each pixel at the position where the laser beam is irradiated is input to the trained neural network 50, and the defective portion is input from the trained neural network 50.
  • Laser processing conditions are output for each pixel of the image.
  • the trained neural network 50 has an input layer 51, an intermediate layer 52, and an output layer 53, and the spectroscopic spectra input in the input layer 51 are classified, and the output layer 53 is a multilayer film structure model. Estimates are made.
  • models 1 to 8 as shown in FIG. 7 are preset.
  • a combination of the substrate layer GL, which is the lowest layer, the first layer L1, the second layer L2, the third layer L3, the fourth layer L4, and the uppermost layer to be processed LT, which are laminated in the middle, is used as a multilayer.
  • Eight models (models 1 to 8) existing as a film structure are set.
  • Such a multilayer film structure model is appropriately set according to the type of the multilayer film substrate 100 to be modified.
  • the learning data for training the neural network 50 is actual measurement data using a test substrate having the same multilayer structure as the multilayer substrate 100 to be modified.
  • the measured data includes multilayer structure data (thickness for each layer pattern of the multilayer film, etc.), spectral spectrum data for each multilayer structure (spectral spectrum data for each pixel in the defect image of the periodic pattern), and each multilayer structure.
  • Laser processing experiment data laser processing recipe when removing the layer to be processed by laser irradiation
  • the like are measured in advance for each periodic pattern of a large number of test substrates.
  • the laser scanner 32 performs raster scanning within the laser irradiation range (scanning range), and the scanning position of the horizontal scanning is within the shape Fd of the defective portion. Only when it is positioned, the output of the laser beam is turned on as shown by the thick line, and the processing is performed under the processing conditions set in advance for each pixel of the defective portion image. When the scanning position is outside the defective portion, the output of the laser beam is turned off (or low) as shown by the broken line.
  • FIG. 9 describes the operation of the laser control unit 5 in the correction processing step S4.
  • a laser irradiation range is set for the defective portion (S41), and further, laser processing conditions are set for each pixel of the defective portion image (S42). ).
  • the inside of the shape Fd of the defective portion is preliminarily classified for each laser machining condition.
  • the defect portion is extracted after recognizing the multilayer film structure of the multilayer film substrate 100 to be corrected, and the laser beam is defective under appropriate processing conditions. It is possible to irradiate only the part. In addition, such correction processing can be performed automatically. As a result, the work efficiency can be improved as compared with the manual work of the operator, and a certain correction quality can be obtained without being affected by the skill of the operator. Further, in automating laser correction, even if there is a difference in the base layer of the layer to be processed or the film thickness of the multilayer film structure varies, the peripheral layer of the defective portion and the base layer are not damaged. Only the defective part can be properly corrected.
  • 1 Laser correction device, 1A: Correction processing part
  • 2 Image acquisition unit
  • 20 Microscope
  • 21 White light source
  • 22 29, 31: Mirror, 23, 25: Half mirror
  • 24 Lens system
  • 26 Imaging camera
  • 27 Image processing unit
  • 28 Display device
  • 3 Laser irradiation unit
  • 30 Laser light source
  • 32 Laser scanner
  • 32A, 32B Galvano mirror
  • 4 Spectral spectroscopic camera
  • 40 Lens
  • 42 Spectrometer
  • 43 Two-dimensional sensor
  • 5 Laser control unit
  • 50 Neural network
  • 50A Machine learning model
  • 51 Input layer
  • 52 Intermediate layer
  • 53 Output layer
  • 100 Multilayer substrate
  • S Stage
  • L Laser light

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Plasma & Fusion (AREA)
  • Nonlinear Science (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Chemical & Material Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Quality & Reliability (AREA)
  • Laser Beam Processing (AREA)
  • Liquid Crystal (AREA)
  • Devices For Indicating Variable Information By Combining Individual Elements (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

レーザ修正の自動化を可能にして、作業効率の改善を図り、オペレータのスキルに影響されること無く一定の修正品質が得られるようにする。レーザ修正方法は、多層膜基板の欠陥部に対してレーザ照射範囲を設定し、設定されたレーザ加工条件で欠陥部にレーザ光を照射して修正加工を行う修正工程を有し、修正工程は、欠陥部の分光スペクトルデータを取得して、分光スペクトルデータに基づいて、学習済みのニューラルネットワークによって欠陥部に照射するレーザ光のレーザ加工条件を設定し、ニューラルネットワークは、多層膜構造データと多層膜構造毎の分光スペクトルデータと多層膜構造毎のレーザ加工実験データを含む実測データを学習データとして、機械学習されている。

Description

レーザ修正方法、レーザ修正装置
　本発明は、レーザ修正方法、レーザ修正装置に関するものである。
　レーザ修正（laser repair）は、ＦＰＤ（Flat Panel Display）などの製造工程において、検査工程後に行われ、ＴＦＴ（Thin Film Transistor）などの多層膜基板を対象に、検査工程で特定された欠陥部に対してレーザ光を照射して修正加工を行うものである。このレーザ修正は、加工対象の欠陥部形状が欠陥部毎に異なることや、欠陥部毎に加工条件などを変更する必要があることから、通常、高いスキルを有するオペレータのマニアル操作で行われている。
　これに対して、画像処理技術を用いて、修正工程の一部を自動化することが提案されている。従来技術では、検査対象箇所を撮影した欠陥画像と欠陥の無い参照画像とを照合して欠陥部を検出し、入力される指示内容に基づいて、検出された欠陥に対してレーザ光が照射される加工位置及び加工範囲を指定することなどが行われている（例えば、下記特許文献１参照）。
特開２００８－１８８６３８号公報
　多層膜基板を対象にして、レーザ修正をマニアル操作で行う場合、欠陥部の周辺層や下地層にダメージを与えること無く、欠陥部のみを加工することが求められる。オペレータは、検査工程で特定された欠陥部とその周辺の層構造を認識しており、自身の経験から必要最小限の加工範囲を定めて、認識している層構造の情報に基づいて、加工条件（レーザ加工レシピ）を適宜選択しながら作業を行う。このため、作業が長時間になることは避けられず、また、オペレータのスキルが修正品質に影響することになる。
　また、従来技術のように、画像処理技術を用いて修正工程の一部を自動化する場合には、表面の２次元画像のみでは欠陥部及びその周辺の層構造の情報が得られないため、下地層の違いや層厚のばらつきがある場合にも一定の加工条件で加工処理が行われることになる。このため、加工不足や過剰な加工が進んで、修正に失敗したり、良質な修正を行うことができなかったりする問題が生じる。
　本発明は、このような事情に対処するために提案されたものである。すなわち、レーザ修正の自動化を可能にして、作業効率の改善を図り、オペレータのスキルに影響されること無く一定の修正品質が得られるようにすること、下地層の違いや膜厚にばらつきがある場合であっても、良質な修正を行うことができるようにすること、などが本発明の課題である。
　このような課題を解決するために、本発明は、以下の構成を具備するものである。
　多層膜基板の欠陥部に対してレーザ照射範囲を設定し、設定されたレーザ加工条件で前記欠陥部にレーザ光を照射して修正加工を行う修正工程を有し、前記修正工程は、前記欠陥部の分光スペクトルデータを取得して、前記分光スペクトルデータに基づいて、学習済みのニューラルネットワークによって前記欠陥部に照射するレーザ光の前記レーザ加工条件を設定し、前記ニューラルネットワークは、多層膜構造データと多層膜構造毎の分光スペクトルデータと多層膜構造毎のレーザ加工実験データを含む実測データを学習データとして、機械学習されていることを特徴とするレーザ修正方法。
　多層膜基板の欠陥部に対してレーザ照射範囲を設定し、設定されたレーザ加工条件で前記欠陥部にレーザ光を照射して修正加工を行う修正加工部を備え、前記修正加工部は、前記欠陥部の分光スペクトルデータを取得して、前記分光スペクトルデータに基づいて、学習済みのニューラルネットワークによって前記欠陥部に照射するレーザ光の前記レーザ加工条件を設定するものであり、前記ニューラルネットワークは、多層膜構造データと多層膜構造毎の分光スペクトルデータと多層膜構造毎のレーザ加工実験データを含む実測データを学習データとして、機械学習されていることを特徴とするレーザ修正装置。
レーザ修正方法の工程を説明する説明図。 レーザ修正装置の構成例を示した説明図。 スペクトル分光カメラの構成例と機能を示した説明図。 多層膜基板表面の周期パターンの例を示した説明図。 欠陥形状特定工程を説明する説明図。 修正加工工程を説明する説明図。 ニューラルネットワークの学習と動作を示した説明図。 修正加工工程におけるレーザ走査を説明する説明図。 修正加工工程でのレーザ制御部の動作フローを示した説明図。
　以下、図面を参照して本発明の実施形態を説明する。以下の説明で、異なる図における同一符号は同一機能の部位を示しており、各図における重複説明は適宜省略する。
　本発明の実施形態に係るレーザ修正方法は、ＴＦＴ（Thin Film Transistor）などの多層膜基板を対象にして、その表面にレーザ光を照射して欠陥部を修正加工するものである。図１に示すように、修正工程は、検査工程Ｓ１の後に行われ、欠陥位置特定工程Ｓ２、欠陥形状特定工程Ｓ３、修正加工工程Ｓ４を有している。
　図２は、前述した修正工程を実行するためのレーザ修正装置の一例を示している。レーザ修正装置１は、水平面上を移動するステージＳ上に載置した多層膜基板１００の表面にレーザ光Ｌを照射する修正加工部１Ａを備えており、修正加工部１Ａは、画像取得部２、レーザ照射部３、スペクトル分光カメラ４、レーザ制御部５等を具備している。
　画像取得部２は、例えば、顕微鏡２０、白色光源２１、撮像カメラ２６などを備え、顕微鏡２０を介して多層膜基板１００の表面画像を取得するものであり、多層膜基板１００に欠陥部が有る場合には欠陥部画像を取得する。白色光源２１からミラー２２とハーフミラー２３とレンズ系２４を介して多層膜基板１００の表面に白色落射光が照射され、多層膜基板１００の表面で反射された光が、レンズ系２４とハーフミラー２３とハーフミラー２５を介して撮像カメラ２６の撮像面に結像する。撮像カメラ２６で撮像された画像は、画像処理部２７にて適宜の画像処理がなされて、適宜倍率の拡大画像として表示装置２８に表示される。
　レーザ照射部３は、例えば、レーザ光源３０、レーザスキャナ３２などを備え、顕微鏡２０を通して、多層膜基板１００の表面にレーザ光Ｌを照射するものである。レーザ光源３０から出射されたレーザ光が、ミラー３１とガルバノミラー３２Ａ，３２Ｂからなるレーザスキャナ３２を介して顕微鏡２０に入射され、顕微鏡２０内の光学系を通って多層膜基板１００の表面に照射される。
　スペクトル分光カメラ４は、多層膜基板１００表面の分光画像を取得するものである。白色光源２１から出射された顕微鏡２０と同軸の白色落射光が多層膜基板１００の表面に照射され、その表面からの反射光を顕微鏡２０の光軸に挿入されるミラー２９で反射してスペクトル分光カメラ４に入射する。スペクトル分光カメラ４は、多層膜基板１００の表面からの反射光を分光して分光画像のピクセル毎の分光スペクトルデータを取得する。
　ここで、顕微鏡２０内でのレーザ光Ｌの光軸と、画像取得部２の顕微鏡２０内の光軸と、スペクトル分光カメラ４の顕微鏡２０内の光軸は、同軸になっている。これにより、表示装置２８のモニタ画面内に、常にレーザ光Ｌの照射位置を設定することができ、また、表示装置２８のモニタ画像とスペクトル分光カメラ４の分光画像を同軸画像にすることができる。
　スペクトル分光カメラ４は、例えば、図３に示すように、レンズ４０、スリット４１、分光器４２、２次元センサ４３を備えており、ライン分光方式によって被測定面ＭにおけるＸ方向の１ライン分の反射光をそれと垂直方向に分光し、２次元センサ４３にて、Ｘ方向の空間情報とその分光データを検出する。そして、１ライン分の反射光をＹ方向に随時走査することで、２次元センサ４３のＸ－Ｙ方向の分解能１ピクセル（Ｘｎ，Ｙｎ）毎に一つの分光スペトルデータを得る。
　レーザ制御部５は、多層膜基板１００の欠陥部を含む表面にレーザ照射範囲を設定し、設定されたレーザ加工条件で欠陥部にレーザ光を照射するための制御を行う。レーザ制御部５は、学習済みのニューラルネットワーク５０の設定に応じて制御される。ニューラルネットワーク５０には、スペクトル分光カメラ４が取得した分光画像のピクセル毎の分光スペクトルデータが入力され、ニューラルネットワーク５０は、入力された分光スペクトルデータに基づいて、分光画像のピクセル毎に欠陥部に照射するレーザ光のレーザ加工条件を設定する。
　レーザ修正装置１を用いた修正工程（欠陥位置特定工程Ｓ２、欠陥形状特定工程Ｓ３、修正工程Ｓ４）を具体的に説明する。ここでの修正対象の多層膜基板１００は、図４に示すように、Ｘ方向の周期ピッチＰｘとこれに直交するＹ方向の周期ピッチＰｙを備えた２次元的な周期パターンを有している。この周期パターンは、多層膜基板１００がＦＰＤのＴＦＴ基板である場合には、一つの表示画素における多層膜構造パターンに対応している。
　先ず、欠陥位置特定工程Ｓ２では、修正工程に先立って行われる検査工程Ｓ１の結果から欠陥部の位置を特定する。その際には、画像取得部２で取得される拡大画像を低倍率に設定して、複数の周期パターンを含む画像を取得し、これを画像処理部２７にて画像処理することで、前述した周期ピッチ（Ｐｘ，Ｐｙ）を特定した後、欠陥部が存在する周期パターンの位置を特定する。そして、特定された位置に顕微鏡２０の光軸を合わせて、欠陥部の形状がモニタリングできるように拡大倍率を高め、欠陥部がセンタリングされた拡大画像を得る。
　欠陥形状特定工程Ｓ３では、欠陥部がセンタリングされた拡大画像によって、欠陥部の形状を特定する。その際には、画像処理部２７が、欠陥部を含む周期パターン画像を、欠陥部を含まない周期パターン画像と比較することで、欠陥部の形状が特定される。
　この欠陥部の形状特定においても、ニューラルネットワーク５０を用いることができる。具体的には、図５に示すように、欠陥部を含む周期パターン画像（欠陥部がセンタリングされた拡大画像）Ｇｄをニューラルネットワーク５０における学習済みの機械学習モデル５０Ａに入力して、この機械学習モデル５０Ａの出力に基づいて、画像処理部２７が欠陥部を含む周期パターン画像Ｇｓ内から欠陥部の形状Ｆｄを特定する。
　周期パターンは、全ての周期パターンが同一形状に形成されている訳では無く、パターンの形状誤差を含んでいる。このため、単純な画像比較のみでは、欠陥部の形状を正確に特定することが難しい。ニューラルネットワーク５０の学習済み機械学習モデル５０Ａを用いることで、欠陥部の形状特定の精度を高めることができる。機械学習モデル５０Ａは、修正対象の多層膜基板１００のテスト基板を用いて取得した多数の周期パターン画像Ｇｓが学習データになる。
　修正加工工程Ｓ４では、先ず、画像処理部２７にて特定された欠陥部の形状が含まれるように、図６に示すように、レーザ制御部５が、レーザ照射範囲を設定する。レーザ照射範囲は、レーザスキャナ３２の走査範囲であり、欠陥部の形状Ｆｄが複数箇所に分離して存在する場合には、これらの全てを含むように、走査範囲を設定する。
　そして、修正加工工程Ｓ４では、スペクトル分光カメラ４によって取得される欠陥部画像のピクセル毎の分光スペクトルデータが、ニューラルネットワーク５０に入力され、ニューラルネットワーク５０は、入力された分光スペクトルデータを分類して、分類毎に欠陥部画像の領域を区分して、区分された領域毎にレーザ加工条件（レーザ加工レシピ）を設定する。
　図６に示した例では、形状Ｆｄの欠陥部画像内を、分光スペクトルが分類Ｉの領域と分類IIの領域と分類IIIの領域に区分しており、分光スペクトルが分類Iの領域に対しては加工条件１が設定され、分光スペクトルが分類IIの領域に対しては加工条件２が設定され、分光スペクトルが分類IIIの領域に対しては加工条件３が設定されている。
　図７に示すように、学習済みのニューラルネットワーク５０には、欠陥部画像において、レーザ光が照射される位置のピクセル毎の分光スペクトルデータが入力され、学習済みのニューラルネットワーク５０からは、欠陥部画像のピクセル毎にレーザ加工条件が出力される。学習済みのニューラルネットワーク５０は、入力層５１と中間層５２と出力層５３を有しており、入力層５１にて入力された分光スペクトルの分類がなされ、出力層５３にて多層膜構造モデルの推定がなされる。
　多層膜構造モデルは、一例として図７に示すようなモデル１～モデル８が予め設定されている。ここでは、最下層である基板層ＧＬ、中間に積層される第１層Ｌ１，第２層Ｌ２，第３層Ｌ３，第４層Ｌ４、最上層の加工対象層ＬＴの積層の組み合わせで、多層膜構造として存在する８つのモデル（モデル１～モデル８）が設定されている。このような多層膜構造モデルは、修正対象の多層膜基板１００の種類に応じて適宜設定される。
　ニューラルネットワーク５０を学習させるための学習データは、図７に示すように、修正対象の多層膜基板１００と同じ多層膜構造を有するテスト基板を用いた実測データである。実測データは、多層膜構造データ（多層膜の層パターン毎の膜厚など）、多層膜構造毎の分光スペクトルデータ（周期パターンの欠陥部画像におけるピクセル毎の分光スペクトルデータ）、多層膜構造毎のレーザ加工実験データ（加工対象層をレーザ照射で除去する際のレーザ加工レシピ）などであり、これらが多数のテスト基板の周期パターン毎に予め実測されている。
　修正加工工程Ｓ４における修正の実行は、図８に示すように、レーザスキャナ３２によってレーザ照射範囲（走査範囲）内でのラスター走査が行われ、横走査の走査位置が欠陥部の形状Ｆｄ内に位置する場合にのみ、太線で図示しているようにレーザ光の出力がＯＮになり、そこで欠陥部画像のピクセル毎に予め設定されている加工条件での加工がなされる。走査位置が欠陥部の外に有る場合には、破線で図示しているように、レーザ光の出力がＯＦＦ（又は低く）なる。
　図９にて、修正加工工程Ｓ４でのレーザ制御部５の動作を説明する。動作が開始（Ｓ４０）されると、図６に示すように、欠陥部に対してレーザ照射範囲が設定され（Ｓ４１）、更に、欠陥部画像のピクセル毎にレーザ加工条件が設定される（Ｓ４２）。この設定で、図６に示すように、欠陥部の形状Ｆｄ内がレーザ加工条件毎に予め区分される。
　その後、レーザ走査が開始されると（Ｓ４３）、走査位置（レーザ光の照射位置）が欠陥部内か否かの判断がなされ（Ｓ４４）、走査位置が欠陥部の外の場合には（Ｓ４４：ＮＯ）、レーザ光はＯＦＦになり（Ｓ４５）、走査位置が欠陥部内に有ると（Ｓ４４：ＹＥＳ）、レーザ光はＯＮになる（Ｓ４６）。この際のレーザ光は、予め設定されているレーザ加工条件で照射される。このようなレーザ走査（Ｓ４３）は、終点検知がなされるまで（Ｓ４７：ＮＯ）継続される。そして、欠陥部の修正加工が終了して、終点検知がなされた場合には（Ｓ４７：ＹＥＳ）、レーザ制御部５の動作を終了する（Ｓ４８）。
　このようなレーザ修正装置１を用いたレーザ修正方法によると、修正対象となる多層膜基板１００の多層膜構造を認識した上で、欠陥部を抽出して、適正な加工条件でレーザ光を欠陥部のみに照射することができる。また、このような修正加工を自動で行うことができる。これにより、オペレータのマニアル作業に比べて作業効率を改善することができると共に、オペレータのスキルに影響されること無く、一定の修正品質を得ることができる。また、レーザ修正を自動化する上で、加工対象層の下地層の違いや多層膜構造の膜厚にばらつきがある場合であっても、欠陥部の周辺層や下地層にダメージを与えること無く、欠陥部のみを適正に修正加工することができる。
　以上、本発明の実施の形態について図面を参照して詳述してきたが、具体的な構成はこれらの実施の形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計の変更等があっても本発明に含まれる。また、上述の各実施の形態は、その目的及び構成等に特に矛盾や問題がない限り、互いの技術を流用して組み合わせることが可能である。
１：レーザ修正装置，１Ａ：修正加工部，
２：画像取得部，２０：顕微鏡，２１：白色光源，
２２，２９，３１：ミラー，２３，２５：ハーフミラー，２４：レンズ系，
２６：撮像カメラ，２７：画像処理部，２８：表示装置，
３：レーザ照射部，３０：レーザ光源，
３２：レーザスキャナ，３２Ａ，３２Ｂ：ガルバノミラー，
４：スペクトル分光カメラ，
４０：レンズ，４１：スリット，４２：分光器，４３：２次元センサ，
５：レーザ制御部，５０：ニューラルネットワーク，５０Ａ：機械学習モデル
５１：入力層，５２：中間層，５３：出力層，
１００：多層膜基板，
Ｓ：ステージ，Ｌ：レーザ光

Claims (6)

  1. 　多層膜基板の欠陥部に対してレーザ照射範囲を設定し、設定されたレーザ加工条件で前記欠陥部にレーザ光を照射して修正加工を行う修正工程を有し、
    　前記修正工程は、
    　前記欠陥部の分光スペクトルデータを取得して、前記分光スペクトルデータに基づいて、学習済みのニューラルネットワークによって前記欠陥部に照射するレーザ光の前記レーザ加工条件を設定し、
    　前記ニューラルネットワークは、多層膜構造データと多層膜構造毎の分光スペクトルデータと多層膜構造毎のレーザ加工実験データを含む実測データを学習データとして、機械学習されていることを特徴とするレーザ修正方法。
  2. 　前記欠陥部の分光スペクトルデータは、欠陥部画像のピクセル毎に取得され、前記レーザ加工条件は、前記欠陥部画像におけるレーザ走査位置のピクセル毎に設定されることを特徴とする請求項１記載のレーザ修正方法。
  3. 　前記多層膜基板は、２次元的な周期パターンを有しており、
    　前記修正工程に先立って行われる検査工程の結果から前記欠陥部の位置を特定し、
    　前記欠陥部を含む周期パターン画像を、前記欠陥部を含まない周期パターン画像と比較して、前記欠陥部の形状を特定し、
    　特定された前記欠陥部の形状が含まれるように前記レーザ照射範囲を設定することを特徴とする請求項１又は２記載のレーザ修正方法。
  4. 　前記欠陥部の形状は、前記欠陥部を含む周期パターン画像に基づいて、学習済みの機械学習モデルによって特定され、当該機械学習モデルは、前記多層膜基板の周期パターン画像を学習データとして学習していることを特徴とする請求項３記載のレーザ修正方法。
  5. 　多層膜基板の欠陥部に対してレーザ照射範囲を設定し、設定されたレーザ加工条件で前記欠陥部にレーザ光を照射して修正加工を行う修正加工部を備え、
    　前記修正加工部は、
    　前記欠陥部の分光スペクトルデータを取得して、前記分光スペクトルデータに基づいて、学習済みのニューラルネットワークによって前記欠陥部に照射するレーザ光の前記レーザ加工条件を設定するものであり、
    　前記ニューラルネットワークは、多層膜構造データと多層膜構造毎の分光スペクトルデータと多層膜構造毎のレーザ加工実験データを含む実測データを学習データとして、機械学習されていることを特徴とするレーザ修正装置。
  6. 　前記修正加工部は、
    　顕微鏡を介して欠陥部画像を取得する画像取得部と、
    　前記顕微鏡を通して、前記欠陥部にレーザ光を照射するレーザ照射部と、
    　前記顕微鏡と同軸の白色落射光を前記多層膜基板に照射して、前記多層膜基板からの反射光を分光してピクセル毎の前記分光スペクトルデータを取得するスペクトル分光カメラと、
    　前記レーザ加工条件を制御するレーザ制御部とを備え、
    　前記レーザ制御部は、前記欠陥部画像におけるレーザ走査位置のピクセル毎に前記レーザ加工条件を設定することを特徴とする請求項５記載のレーザ修正装置。
PCT/JP2020/020967 2019-06-13 2020-05-27 レーザ修正方法、レーザ修正装置 Ceased WO2020250685A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/617,748 US12557603B2 (en) 2019-06-13 2020-05-27 Laser repair method and laser repair device
CN202080042211.5A CN113966527B (zh) 2019-06-13 2020-05-27 激光修复方法、激光修复装置
KR1020217040532A KR102726317B1 (ko) 2019-06-13 2020-05-27 레이저 수정 방법, 레이저 수정 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019110482A JP7332144B2 (ja) 2019-06-13 2019-06-13 レーザ修正方法、レーザ修正装置
JP2019-110482 2019-06-13

Publications (1)

Publication Number Publication Date
WO2020250685A1 true WO2020250685A1 (ja) 2020-12-17

Family

ID=73743993

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/020967 Ceased WO2020250685A1 (ja) 2019-06-13 2020-05-27 レーザ修正方法、レーザ修正装置

Country Status (6)

Country Link
US (1) US12557603B2 (ja)
JP (1) JP7332144B2 (ja)
KR (1) KR102726317B1 (ja)
CN (1) CN113966527B (ja)
TW (1) TWI821571B (ja)
WO (1) WO2020250685A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020210974A1 (de) * 2020-08-31 2022-03-03 Ford Global Technologies, Llc Verfahren und Vorrichtung zum Ermitteln von Defekten während eines Oberflächenmodifizierungsverfahrens
JP7644785B2 (ja) * 2023-01-20 2025-03-12 旭化成株式会社 情報処理装置、配線パターン形成システム、情報処理方法及び制御プログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10235490A (ja) * 1996-12-24 1998-09-08 Kawasaki Steel Corp 電気溶接機の溶接状態の評価方法および装置
US6046429A (en) * 1997-06-12 2000-04-04 International Business Machines Corporation Laser repair process for printed wiring boards
JP2007520874A (ja) * 2004-03-04 2007-07-26 シャープ株式会社 半導体装置の製造方法および半導体検査装置
JP2008085279A (ja) * 2006-09-26 2008-04-10 Samsung Sdi Co Ltd 多結晶シリコン基板の結晶化度測定方法、これを利用した有機発光表示装置の製造方法及び有機発光表示装置
JP2008188638A (ja) * 2007-02-05 2008-08-21 Sony Corp 欠陥修正装置、配線基板の製造方法、ディスプレイ装置の製造方法
JP2016528496A (ja) * 2013-08-02 2016-09-15 ベリフード， リミテッドＶｅｒｉｆｏｏｄ， Ｌｔｄ． 分光器システムおよび方法、分光分析デバイスおよび方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2968442B2 (ja) 1994-09-26 1999-10-25 川崎重工業株式会社 溶接欠陥の評価システム
DE502004001425D1 (de) * 2004-07-08 2006-10-19 Trumpf Laser Gmbh & Co Kg Laserschweissverfahren und -vorrichtung
JP2006112939A (ja) * 2004-10-15 2006-04-27 Nikon Corp 欠陥検査装置
KR101387785B1 (ko) 2005-01-21 2014-04-25 포톤 다이나믹스, 인코포레이티드 자동 결함 복구 시스템
JP5353179B2 (ja) * 2008-10-22 2013-11-27 ソニー株式会社 欠陥修正装置および欠陥修正方法
JP5464982B2 (ja) * 2009-11-20 2014-04-09 キヤノン株式会社 撮像装置および画像処理方法
JP2012063725A (ja) * 2010-09-17 2012-03-29 Sony Corp 欠陥修正装置及び欠陥修正方法
TWI417160B (zh) 2011-10-07 2013-12-01 Univ Nat Formosa Embedded laser engraving device and method thereof
KR20140012340A (ko) 2012-07-19 2014-02-03 (주) 인텍플러스 기판 검사 및 리페어 방법
JP6176711B2 (ja) * 2013-06-10 2017-08-09 国立研究開発法人産業技術総合研究所 グラフェン膜の欠陥修復方法及びグラフェン膜の透過率測定装置
US9985139B2 (en) * 2014-11-12 2018-05-29 Qualcomm Incorporated Hydrogenated p-channel metal oxide semiconductor thin film transistors
CN107615051A (zh) * 2015-06-05 2018-01-19 住友化学株式会社 光透射性膜的缺陷检查方法、直线偏振片膜的制造方法以及偏振板的制造方法
GB201604097D0 (en) 2016-03-09 2016-04-20 Spi Lasers Uk Ltd Apparatus and method for controlling laser processing of a material
JP6625914B2 (ja) 2016-03-17 2019-12-25 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP6490124B2 (ja) 2017-03-07 2019-03-27 ファナック株式会社 レーザ加工装置および機械学習装置
CN107389688B (zh) * 2017-07-21 2020-05-12 中国工程物理研究院激光聚变研究中心 大口径熔石英光学元件表面微缺陷多工位集成修复方法
CN109031894B (zh) * 2018-08-13 2019-12-20 中国科学院上海光学精密机械研究所 极紫外光刻掩模多层膜相位型缺陷底部形貌检测方法
CN109472358B (zh) * 2018-10-17 2021-10-19 深圳市微埃智能科技有限公司 基于神经网络的焊接工艺参数推荐方法、装置及机器人
CN109460782A (zh) 2018-10-22 2019-03-12 西安云鑫电子科技有限公司 基于机器学习的激光除锈方法及装置
CN109604776A (zh) * 2018-11-28 2019-04-12 芜湖常瑞汽车部件有限公司 一种机器人自动焊接焊缝跟踪检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10235490A (ja) * 1996-12-24 1998-09-08 Kawasaki Steel Corp 電気溶接機の溶接状態の評価方法および装置
US6046429A (en) * 1997-06-12 2000-04-04 International Business Machines Corporation Laser repair process for printed wiring boards
JP2007520874A (ja) * 2004-03-04 2007-07-26 シャープ株式会社 半導体装置の製造方法および半導体検査装置
JP2008085279A (ja) * 2006-09-26 2008-04-10 Samsung Sdi Co Ltd 多結晶シリコン基板の結晶化度測定方法、これを利用した有機発光表示装置の製造方法及び有機発光表示装置
JP2008188638A (ja) * 2007-02-05 2008-08-21 Sony Corp 欠陥修正装置、配線基板の製造方法、ディスプレイ装置の製造方法
JP2016528496A (ja) * 2013-08-02 2016-09-15 ベリフード， リミテッドＶｅｒｉｆｏｏｄ， Ｌｔｄ． 分光器システムおよび方法、分光分析デバイスおよび方法

Also Published As

Publication number Publication date
KR102726317B1 (ko) 2024-11-04
TWI821571B (zh) 2023-11-11
JP7332144B2 (ja) 2023-08-23
US12557603B2 (en) 2026-02-17
CN113966527B (zh) 2024-06-25
US20220238396A1 (en) 2022-07-28
CN113966527A (zh) 2022-01-21
JP2020201457A (ja) 2020-12-17
KR20220018974A (ko) 2022-02-15
TW202109025A (zh) 2021-03-01

Similar Documents

Publication Publication Date Title
CN114270179B (zh) 缺陷部识别装置及缺陷部识别方法
KR102858542B1 (ko) 레이저 수정 방법, 레이저 수정 장치
CN114113114A (zh) 一种大口径元件表面微缺陷检测与修复的自动化工艺方法
WO2021161646A1 (ja) 欠陥検出装置、欠陥検出方法、欠陥修正装置
KR102726317B1 (ko) 레이저 수정 방법, 레이저 수정 장치
JP7557843B2 (ja) レーザリペア方法、レーザリペア装置
JP5114943B2 (ja) 欠陥修正装置及び欠陥修正方法
KR102237593B1 (ko) 글라스 표면 검사용 광학 장치
JP2006194702A (ja) グラビアシリンダ用検査装置及び方法
JP3311628B2 (ja) 薄型表示機器の欠陥箇所位置決め装置
WO2020250686A1 (ja) レーザ修正方法、レーザ修正装置
WO2020209004A1 (ja) レーザリペア方法、レーザリペア装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20822001

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20822001

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 17617748

Country of ref document: US