CN110291621A - 用于识别集成电路缺陷的方法和*** - Google Patents
用于识别集成电路缺陷的方法和*** Download PDFInfo
- Publication number
- CN110291621A CN110291621A CN201780085175.9A CN201780085175A CN110291621A CN 110291621 A CN110291621 A CN 110291621A CN 201780085175 A CN201780085175 A CN 201780085175A CN 110291621 A CN110291621 A CN 110291621A
- Authority
- CN
- China
- Prior art keywords
- scanning electron
- electron microscope
- image
- data
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 227
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 230000015654 memory Effects 0.000 claims abstract description 30
- 238000013461 design Methods 0.000 claims description 95
- 238000007689 inspection Methods 0.000 claims description 53
- 238000005516 engineering process Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 33
- 238000009877 rendering Methods 0.000 claims description 29
- 238000003066 decision tree Methods 0.000 claims description 19
- 230000002708 enhancing effect Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 15
- 230000001052 transient effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 238000001000 micrograph Methods 0.000 claims 42
- 239000004744 fabric Substances 0.000 claims 1
- 238000001878 scanning electron micrograph Methods 0.000 description 110
- 230000008569 process Effects 0.000 description 101
- 238000004519 manufacturing process Methods 0.000 description 31
- 238000010894 electron beam technology Methods 0.000 description 30
- 238000003860 storage Methods 0.000 description 20
- 230000008859 change Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 9
- 239000004065 semiconductor Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001235 sensitizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供了用于识别集成电路中缺陷的方法和***。所述方法包括：接收与集成电路相关联的图形的输入数据；使用所述输入数据确定与图形的特征相关联的特征数据；使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果；以及使用所述缺陷检测结果确定缺陷识别结果。所述***包括处理器和存储器。存储器连接到处理器，并且并且在被配置之后，进行存储指令集：用以接收与集成电路相关联的图形的输入数据；用以使用所述输入数据确定与图形的特征相关联的特征数据；用以使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果；以及用以使用所述缺陷检测结果确定缺陷识别结果。
Description
技术领域
本公开涉及集成电路，并且更具体地涉及用于识别集成电路的缺陷方法和***。
背景技术
集成电路(Integrated Circuit，简称IC)的制造是在诸如晶片的衬底上进行的多步骤过程。通常在每个晶片上制造多个IC，并且每个IC可以被称为Die或die。Die检查是制造工艺的一个步骤。检查***能够检测在制造工艺期间发生的缺陷。光学晶片检查***已经通常用于晶片和/或Die检查。
发明内容
本文公开了用于集成电路的缺陷识别的方法和***的方面、特征、元件和实施方式。
在第一方面中，提供了一种用于识别集成电路的缺陷的方法。该方法包括：接收与集成电路相关的图形的输入数据；使用所述输入数据确定与图形的特征相关联的特征数据；使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果；以及使用所述缺陷检测结果确定缺陷识别结果。
可选地，输入数据包括与图形相关联的扫描电子显微镜(Scanning ElectronMicroscope，简称SEM)图像、与图形相关联的参考图像以及与图形的设计布局相关联的设计数据中的任一种，其中所述SEM图像由高分辨率检查***确定。
可选地，高分辨率检查***包括电子束检查***。
可选地，特征数据包括以下所述中的任意一个：由所述SEM图像确定的SEM图像轮廓、由所述参考图像确定的参考图像轮廓、由所述设计数据确定的与所述图形相关联的多边形、由所述多边形确定的渲染图像、通过图像处理技术由所述渲染图像确定的经处理图像、通过SEM图像仿真技术基于所述多边形确定的仿真SEM图像、以及由所述仿真SEM图像确定的仿真SEM图像轮廓。
可选地，使用所述输入数据确定与所述图形的特征相关联的特征数据包括：基于所述设计数据确定辅助数据，其中所述设计数据包括图形设计***(Graphic DesignSystem，简称GDS)数据；和由所述辅助数据确定所述多边形，其中由所述辅助数据确定所述多边形的速度比由所述设计数据确定所述多边形的速度快。
可选地，使用所述输入数据、所述特征数据和缺陷检测技术确定与所述图形相关联的缺陷检测结果包括以下所述中的任意一个：确定在第一SEM图像与第二SEM图像之间是否存在匹配，其中第一SEM图像和第二SEM图像与图形相关联并且由高分辨率检查***确定；和确定在第一数据集中的一个数据与第二数据集中的一个数据之间是否存在匹配，其中所述第一数据集包括所述SEM图像和所述SEM图像轮廓，而所述第二数据集包括多边形、参考图像、渲染图像、经处理图像、仿真SEM图像、参考图像轮廓和仿真SEM图像轮廓。
可选地，使用缺陷检测结果确定缺陷识别结果包括：使用执行所述缺陷检测结果的加权组合的一种学习技术来确定缺陷识别结果。
可选地，学习技术包括决策树技术和增强技术中的任一种。
在第二方面中，提供了一种用于识别集成电路的缺陷的***，包括处理器和连接到该处理器的存储器。所述存储器包括可由处理器执行以下操作的指令：接收与集成电路相关联的图形的输入数据；使用所述输入数据确定与图形的特征相关联的特征数据；使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果；以及使用所述缺陷检测结果确定缺陷识别结果。
可选地，所述输入数据包括与所述图形相关联的扫描电子显微镜(SEM)图像、与所述图形相关联的参考图像、以及与所述图形的设计布局相关联的设计数据中的任一种，其中所述SEM图像由高分辨率检查***确定。
可选地，高分辨率检查***包括电子束检查***。
可选地，所述特征数据包括以下所述中的任意一个：由所述SEM图像确定的SEM图像轮廓、由所述参考图像确定的参考图像轮廓、由所述设计数据确定的与所述图形相关联的多边形、由所述多边形确定的渲染图像、通过图像处理技术由所述渲染图像确定的经处理图像、通过SEM图像仿真技术基于所述多边形确定的仿真SEM图像、以及由所述仿真SEM图像确定的仿真SEM图像轮廓。
可选地，通过所述处理器操作以使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果的所述指令集还包括下述指令：用于确定在第一SEM图像与第二SEM图像之间是否存在匹配的指令，其中所述第一SEM图像和所述第二SEM图像与图形相关联并且由高分辨率检查***确定；以及用于确定在第一数据集中的一个数据与第二数据集中的一个数据之间是否存在匹配的指令，其中所述第一数据集包括所述SEM图像和所述SEM图像轮廓，而所述第二数据集包括多边形、参考图像、渲染图像、经处理图像、仿真SEM图像、参考图像轮廓和仿真SEM图像轮廓。
可选地，通过所述处理器操作以确定缺陷识别结果的指令集进一步包括：用以使用执行缺陷检测结果的加权组合的学习技术来确定所述缺陷识别结果的指令。
可选地，所述学习技术包括决策树技术和增强技术中的任一种。
在第三方面中，提供了一种用于识别集成电路的缺陷的非瞬态计算机可读存储介质，所述非瞬态计算机可读存储介质包括可执行指令，当所述可执行指令由处理器执行时，所述可执行指令促进操作的执行。所述操作包括：接收与集成电路相关联的图形的输入数据；使用所述输入数据确定与图形的特征相关联的特征数据；使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果；以及使用所述缺陷检测结果确定缺陷识别结果。
可选地，所述输入数据包括与所述图形相关联的扫描电子显微镜(SEM)图像、与所述图形相关联的参考图像、以及与所述图形的设计布局相关联的设计数据中的任一个，其中所述SEM图像由电子束检查***确定。
可选地，所述特征数据包括由所述SEM图像确定的SEM图像轮廓、由所述参考图像确定的参考图像轮廓、由所述设计数据确定的与所述图形相关联的多边形、由所述多边形确定的渲染图像、通过图像处理技术由所述渲染图像确定的经处理图像、通过SEM图像仿真技术基于所述多边形确定的仿真SEM图像、以及由所述仿真SEM图像确定的仿真SEM图像轮廓中的任一个。
可选地，用以使用所述输入数据、所述特征数据和缺陷检测技术确定与所述图形相关联的缺陷检测结果的指令还包括：用于确定在第一SEM图像与第二SEM图像之间是否存在匹配的指令，其中第一SEM图像和第二SEM图像与图形相关联并且由电子束检查***确定；以及用以确定在第一数据集中的一个数据与第二数据集中的一个数据之间是否存在匹配的指令，其中所述第一数据集包括所述SEM图像和所述SEM图像轮廓，而所述第二数据集包括多边形、参考图像、渲染图像、经处理图像、仿真SEM图像、参考图像轮廓和仿真SEM图像轮廓。
可选地，用以使用缺陷检测结果确定缺陷识别结果的指令还包括：用以通过执行缺陷检测结果的加权组合，使用决策树技术和增强技术中的任一种来确定所述缺陷识别结果。
本公开的这些和其它方面在以下详细描述、所附权利要求书、和附图中被公开。
附图说明
当结合附图阅读时，从以下详细描述中可以最好地理解本公开。要强调的是，根据惯例，附图的各种特征不是按比例绘制的。相反，为了清楚起见，各种特征的尺寸被任意地放大或缩小。
图1是根据本公开的实施方式的用于缺陷识别的示例性***的框图。
图2是根据本公开的实施方式的缺陷检查的操作的示例。
图3是根据本公开的实施方式的用于缺陷检查的***的示例。
图4是根据本公开的实施方式的用于缺陷识别的方法的示例性过程的流程图。
图5是根据本公开的实施方式的用于特征数据生成的方法的示例性过程的流程图。
图6是根据本公开的实施方式的用于特征数据生成的方法的另一示例性过程的流程图。
图7A-7B是根据本公开的实施方式的用于缺陷检测的方法的示例性过程的流程图。
图8是根据本公开的实施方式的用于缺陷识别的方法的另一示例性过程的流程图。
图9是根据本公开的实施方式的用于缺陷识别的方法的另一示例性过程的流程图。
图10是根据本公开的实施方式的用于识别集成电路的缺陷的方法。
具体实施方式
微芯片器件的制造不断地努力使更小尺寸的元件在目标晶片上实现更高密集度的集成电路(IC)设计。晶片(也被称为衬底)是用于制作集成电路的半导体材料的薄片。例如，在微芯片半导体制造中，对于逻辑电路和阵列(例如，鳍式场效应管(FinFET)、动态随机存取存储器(DRAM)、3D NAND等)的特征，现在存在对10纳米(nm)及以下分辨率的需求。集成电路(IC)的制造工艺涉及多个阶段，包括设计阶段、制造阶段和检查阶段。在检查阶段期间，检查在制造阶段所制造的IC的潜在缺陷。检查的结果能够用于改良或调整设计阶段、制造阶段、检查阶段及其任意组合。
在半导体制造设备中，检测这种器件中的缺陷和/或小尺寸的缺陷是一个挑战。传统的具有高产出量的检查***(例如，光学检查***)缺乏在制造的器件中发现某些缺陷(例如物理缺陷)的分辨率。如此，光学检查***不适于检测尺寸低于其光学分辨率的缺陷。另一方面，高分辨率检查***，诸如电子束(e-beam或EBEAM)***，可以检测这样的缺陷。高分辨率检查***使用短波长电磁束或粒子(带电或中性)束来检查缺陷。例如，短波长电磁束或粒子束可以包括但不限于紫外线束、极紫外线束、X射线束或电子束。然而，电子束***具有低产出量。如此，用于集成电路的生产线(或在线)缺陷检查的电子束***的适用性和适合性已受到限制。例如，可能需要一周或更长时间来使用电子束***完全扫描单个集成电路或Die。如此，通常电子束***已被用在IC设计过程或离线检查和复检过程期间，而不是在在线生产***中。
利用电子束***检查晶片的一个区域通常包括射束偏转操作和工作台移动操作。工作台移动操作是花费大量时间的机械操作。在本公开中，“晶片”可以指晶片、掩模版或任何待检查的样品。将要通过电子束***检查的晶片或Die的区域通常在配置方案文件中被指定。
一种提高电子束***的产出量的方法是生成晶片的“关心区域(care area)”并引导电子束***扫描这些关心区域。关心区域是待检查晶片的怀疑包含至少一个缺陷或“热点(hot spot)”的区域。如本文所使用的，“热点”可以是指潜在的缺陷。配置方案文件可以包括多个关心区域，以及尤其包括关心区域的坐标。电子束***通常按照配置方案文件中指定的顺序从一个关心区域移动到下一个关心区域。如果下一个待检查的关心区域在电子束***的视场(Field Of View，简称FOV)内，则执行射束偏转操作以便扫描下一个扫描区域。如果下一个关心区域不在FOV内，则执行工作台移动操作。
然后高分辨率***(例如，电子束***)被引导以扫描关心区域中的IC(例如，Die或掩模版)并且生成所述IC的扫描图像。扫描图像可以是扫描电子显微镜(SEM)图像的形式。基于扫描的图像执行缺陷检测。通常，可以使用两种类型的缺陷检测技术：管芯-管芯(Die-to-Die，简称D2D)技术和管芯-数据库(Die-to-Database，简称D2DB)技术。
D2D技术将第一IC的第一部分的第一扫描图像(例如，SEM图像)与第二IC的第二部分的第二扫描图像(例如，另一SEM图像)进行比较。作为比较的结果，当在第一扫描图像与第二扫描图像之间发现一定的差别时，缺陷被报告位于第一部分或第二部分上。第一扫描图像和第二扫描图像可以由不同的已检查IC(即，第一IC和第二IC是不同的已检查IC)生成。可选地，D2D技术可以将由已检查IC的一部分所生成的扫描图像与“参考图像”的一部分进行比较。作为比较的结果，当在扫描图像与参考图像之间发现一定的差别时，缺陷被报告位于已检查IC的所述部分上。参考图像是表示同一类型的理想或高质量IC的图像。参考图像可以使用高分辨率检查***由实际的高质量IC生成，或由多张高质量IC的扫描图像来合成。基于IC的扫描图像、仿真图像和/或IC的设计数据，参考图像也可以被计算或运算出来。可以将校正施加到参考图像以进一步提高其进行生成的任何阶段的质量。
然而，D2D技术具有一些挑战。挑战之一是假正例和/或假反例结果。当在已检查IC中检测到缺陷而所检测到的缺陷不是真实的或者所检测到的缺陷是无害的时候，出现假正例结果。当在已检查IC中没有检测到缺陷而实际上存在至少一个缺陷时，出现假反例结果。如果使用不同IC的扫描图像来执行D2D技术，则当IC的所有或大部分已检查区域具有相同种类的缺陷(例如，***性缺陷)时，可能出现假正例和/或假反例结果。如果使用参考图像执行D2D技术，则当参考图像本身包含缺陷时，可能会出现假正例和/或假反例结果。
D2DB技术从IC的一部分的扫描图像(例如SEM图像)中提取轮廓，然后将所述轮廓与IC的相应设计数据进行比较。设计数据包括所述IC的设计布局，并且可以是图形设计标准布局或图形设计***/流(GDS)文件的形式。所述设计布局可以包括所设计IC的多边形。作为比较的结果，当从扫描图像所提取的轮廓与设计数据(例如，GDS文件)中所包括的轮廓之间的偏差超过预设阈值时，缺陷被报告。
然而，D2DB技术也具有一些挑战。D2DB技术的挑战在于，需要高质量的SEM图像来生成可靠的轮廓以与相应的设计数据进行比较。通常，通过利用小的电子束尺寸扫描IC并且平均多个扫描图像(例如，扫描图像的帧)来获得高质量的SEM图像。获得高质量的SEM图像将会花费很长时间，进而会降低所述检查***的产出量。
D2DB技术的另一个挑战在于，由于当前IC制造工具的内在局限性，印刷在晶片上的最终图形不可能完美地匹配相应的设计数据(例如，设计GDS布局)。例如，当待印刷在晶片上的最终图形的特征尺寸小于曝光设备的波长时，由于光学衍射效应，设计GDS布局中的锐角将被圆角化。因此，可预料的是，从扫描图像中提取的轮廓与设计数据之间的直接比较将会报告假缺陷，通常称为“公害”。许多公害是当前IC制造工具和工艺的物理限制的结果。所述公害预期不会导致所制造的IC的性能间题。
D2DB技术的另一个挑战在于，从SEM图像所提取的轮廓很少是被印刷在晶片上的图形的物理边缘。由于电子束检查***中电子-材料相互作用的复杂特性和信息承载电子信号的收集的复杂特性，SEM图像与被检查的物理图形之间的关系非常难以建立。在电子束检查***中基于SEM图像形成的物理过程提取轮廓的方法非常耗时且计算成本高。在许多实际应用中，尤其是在检查产出量是***设计中最重要的因素的电子束检查中，更依赖数字图像处理技术。然而，数字图像处理技术忽略了电子束检查***中的SEM图像形成的复杂特性。因此，将仅基于数字图像处理技术所提取的轮廓与设计数据(例如，设计GDS布局)进行比较可能会导致假反例和/或假正例结果。
本公开提供了使用高分辨率检查***进行缺陷检测/识别的新方法和***。本文所公开的方法可以被称为用于缺陷识别的“D3D”方法。本公开的实施方式提供了对半导体检查机器(例如，电子束***)、处理器和计算机***(例如，那些涉及制造或制作的半导体IC的检查的半导体机器和计算机***)的技术改进。根据本公开的实施方式，所述D3D方法和***可以克服上述D2D和D2DB技术的限制。
在D3D方法和***中，可以由与IC的图形相关联的输入数据(例如，扫描图像、参考图像和/或设计数据)生成特征数据。缺陷检测技术可以被应用于输入数据和特征数据，以确定IC上的缺陷检测结果。缺陷检测结果不需要具有高灵敏度或高特异性。基于缺陷检测结果，使用数据融合/集成技术、决策树技术和/或增强技术来执行缺陷识别。因此，通过同时实现IC中的缺陷检测/识别的高灵敏度和高特异性的方式，本公开的实施方式能够引入新颖且有效的改进。
虽然已经结合某些实施例和实施方式描述了本公开，但是应当理解，本公开不限于所公开的实施例，相反，本公开旨在涵盖包括在所附权利要求的范围内的各种修改和等同结构，该范围将被给予最宽泛的解释，以便包含法律所允许的所有这样的修改和等同结构。
另外，虽然本公开涉及电子束扫描机器或高分辨率电子束扫描机器，但是应当理解，可以使用任何类型的扫描机器(例如，可以具有低产出量的高分辨率扫描机器)来实施本文的教导。例如，高分辨率扫描机器可以基于高分辨率光学检查工具。又例如，高分辨率检查机器可以基于紫外线、极紫外线、X射线、带电粒子或中性粒子。
为了更详细地描述一些实施方式，参考以下附图。
图1是根据本公开的实施方式的用于缺陷识别的***100的框图。***100可以包括诸如计算设备的装置，所述装置可以由一个或更多个计算机的任何配置来实施，所述计算机例如是微型计算机、大型计算机、超级计算机、通用计算机、专用/专属计算机、集成计算机、数据库计算机、远程服务器计算机、个人计算机、或由计算服务提供商(例如，网站主机)或云服务提供商所提供的计算服务。在一些实施方式中，计算设备可以以多组计算机的形式来实现，其中所述多组计算机位于不同的地理位置处并且可以或不能例如通过网络彼此通信。尽管某些操作可以被多个计算机共享，但是在一些实施方式中，不同的计算机被分配不同的操作。在一些实施方式中，***100可以使用具有计算机程序的通用计算机/处理器来实现，其中所述计算机程序当被运行时执行本文所述的相应方法、算法和/或指令中的任一个。另外，或者可选地，例如，可以利用专用计算机/处理器，所述专用计算机/处理器可以包含用于执行本文所述的方法、算法或指令中的任一个的专用硬件。
***100可以具有包括处理器102和存储器104在内的硬件的内部配置。处理器102可以是能够操纵或处理信息的任何类型的一个或更多个设备。在一些实施方式中，处理器102可以包括中央处理器(例如，中央处理单元或CPU)。在一些实施方式中，处理器102可以包括图形处理器(例如，图形处理单元或GPU)。尽管本文的示例可以用所示的单个处理器来实施，但是使用多于一个的处理器可以获得速度和效率方面的优势。例如，处理器102可以分布在多个机器或设备(每个机器或设备都具有一个或更多个处理器)上，这些机器或设备可以直接耦合或连接在局域网或其它网络上。存储器104可以是能够存储可被处理器(例如，经由总线)访问的代码和数据的任何一个或更多个瞬态或非瞬态设备。例如，存储器104可以由处理器102经由总线112被访问。尽管图示出了单个总线112，但是可以使用多个总线。本文的存储器104可以是随机存取存储器设备(RAM)、只读存储器设备(ROM)、光盘/磁盘、硬盘驱动器、固态驱动器、闪存驱动器、安全数字(SD)卡、记忆棒、紧凑式闪存(CF)卡、或任何适当类型的存储设备的任何组合。在一些实施方式中，存储器104可以分布在多个机器或设备(例如，基于网络的存储器或基于云的存储器)。存储器104可以包括数据1042、操作***1046和应用1044。数据1042可以是用于处理的任何数据(例如，计算机化的数据文件或数据库记录)。应用1044可以包括允许处理器102执行指令的程序，其中所述指令用于生成用于执行以下描述中的方法的功能的控制信号。
在一些实施方式中，除了处理器102和存储器104之外，***100还可以包括辅助、额外或外部存储设备106。当存在时，存储设备106可以在有高处理需求时提供额外的存储器。辅助存储设备106可以是任何适当的非瞬态计算机可读介质形式的存储设备，例如，存储卡、硬盘驱动器、固态驱动器、闪存驱动器或光学驱动器。此外，存储设备106可以是***100的组件，或者可以是经由网络被访问的共享设备。在一些实施方式中，应用1044可以全部或部分地存储在存储设备106中，并且根据处理的需要被加载到存储器104中。例如，存储设备106可以是数据库。
在一些实施方式中，除了处理器102和存储器104之外，***100还可以包括输出设备108。输出设备108可以以各种方式实现，例如，输出设备108可以是可耦合到***100并被配置成显示图形数据的呈现的显示器。输出设备108可以是向用户传输视觉、听觉或触觉信号的任何设备，例如，显示器、触敏设备(例如，触摸屏)、扬声器、耳机、发光二极管(LED)指示器或振动马达。如果输出设备108是显示器，例如，所述输出设备108可以是液晶显示器(LCD)、阴极射线管(CRT)或能够向个人提供可见输出的任何其它输出设备。在一些情况下，输出设备还可以用作输入设备，例如被配置为接收基于触摸的输入的触摸屏显示器。
输出设备108可以替代地或另外地由用于发送信号和/或数据的通信设备形成。例如，输出设备108可以包括用于将信号或数据从***100发送到另一设备的有线装置。再例如，输出设备108可以包括使用可与无线接收器兼容的协议来将信号从***100发送到另一设备的无线发射器。
在一些实施方式中，除了处理器102和存储器104之外，***100还可以包括输入设备110。输入设备110可以以各种方式实现，例如，键盘、数字键盘、鼠标、跟踪球、麦克风、触敏设备(例如，触摸屏)、传感器或手势敏感输入设备。包括不需要用户干预的任何类型的输入设备也是可能的。例如，输入设备110可以是通信设备，所述通信设备例如是根据任何无线协议操作的用于接收信号的无线接收器。输入设备110可以例如经由总线112向***100输出指示输入的信号或数据。
在一些实施方式中，除了处理器102和存储器104之外，***100可以可选地包括与另一设备通信的通信设备114。可选地，通信可以经由网络116。网络116可以是任何组合的任何适当类型的一个或更多个通信网络，包括但不限于使用蓝牙通信、红外通信、近场连接(NFC)的网络、无线网络、有线网络、局域网(LAN)、广域网(WAN)、虚拟专用网(VPN)、蜂窝数据网络和因特网。通信设备114可以以各种方式实现，例如，应答器/收发器设备、调制解调器、路由器、网关、电路、芯片、有线网络适配器、无线网络适配器、蓝牙适配器、红外适配器、NFC适配器、蜂窝网络芯片、或使用总线112耦合到***100以提供与网络116通信的功能的任何组合的任何适当类型的设备。
***100可以与晶片或掩模版高分辨率检查设备通信。例如，***100可以耦合到一个或更多个晶片或掩模版检查设备(例如，电子束***或光学***)，所述一个或更多个晶片或掩模版检查设备被配置成生成晶片或掩模版检查结果。
***100(以及存储在该***上和/或由该***执行的算法、方法、指令等)可以在硬件中被实现，所述硬件包括例如知识产权(IP)核、专用集成电路(ASIC)、可编程逻辑阵列、光处理器、可编程逻辑控制器、微代码、固件、微控制器、服务器、微处理器、数字信号处理器或任何其它合适的电路。在本公开中，术语“处理器”应当被理解为单独地包括任何前述设备或包括所述任何前述设备的组合。术语“信号”、“数据”和“信息”可互换使用。此外，***100的多个部分不必以相同的方式被实现。
图2是根据本公开的实施方式的用于缺陷检查的操作200的示例。操作200示出了集成电路202(例如，Die)的制造过程和/或设计过程。在操作200期间分析所述集成电路202以确定热点206(即，图2的集成电路202上的黑色圆圈)。热点与设计图形有关，当在不期望的或非预期的制造过程条件(即，过程条件变化或过程变异)下制造时，所述设计图形可能会引起Die不可操作或导致在Die内部产生实际的缺陷，影响管芯的整体性能。不期望或非预期的制造过程条件是偏离理想过程条件的制造条件。在理想的过程条件下制造的IC显示出最小缺陷或没有缺陷。
在操作200中，通过包括但不限于电子束(e-beam)***的高分辨率***扫描由检查过程检查的晶片204，以获得或提供过程条件变化图。通过针对某些预先设计或预先选择的图形扫描所述晶片204并经由例如一组计算机指令分析高分辨率图像，来获得过程条件变化图。预先设计或预先选择的图形是被怀疑对过程条件变化敏感的IC设计图形。例如，当制造过程经历偏离理想条件的变化时，晶片上的预先设计或预先选择的图形的形状可以显著改变。可以基于区域对过程条件变化敏感的现有知识(来自操作者的信息、存储在数据库中的信息、或使用机器学***面或曝光量的变化)的影响。过程条件的变化可能会导致所制造的Die中的缺陷。
在操作200中，过程条件变化图揭示了晶片204的区域208表现出显著的过程条件变化。在另一实施方式中，区域208表示已经经由操作200确定的过程条件变化图(而不仅仅是过程条件变化图的子集)。如此，操作200的检查过程仅检查晶片204的某些Die(例如，Die210)的缺陷，这比检查晶片204的整个区域的检查过程更加有效且耗时更少。待检查缺陷的Die是包括在区域208中或与区域208重叠的那些Die。在另一实施方式中，被检查的Die包括位于区域208的预定区域或距离内的Die，即使所述Die不与区域208重叠或不被封闭在区域208内。
可以在进一步检查时确定这种Die的热点是真实的实际缺陷。通过检查(例如，通过电子束***的额外扫描)确定Die210的任何热点是否是真实缺陷。在区域208之外或不与区域208重叠的Die的热点预期不会导致实际缺陷，且因此没有必要进行检查。如下所述，检查热点意味着检查包含所述热点的关心区域。在一种实施方式中，仅检查与区域208重叠的关心区域。也就是说，不是检查包括在区域208中或与区域208重叠的Die的所有关心区域，而是仅检查所述Die的区域208内的关心区域。虽然区域208被图示为连续区域，但情况不必如此。区域208的形状不限于此，并且例如可以包括由间隙或间隔分开的各种形状。
在一种实施方式中，基于包括但不限于集成电路的目的或使用和设计特征等各种因素，为热点分配严重度等级或水平。被确定为具有高严重度等级且因此被认为比具有较低严重度等级的热点更重要的热点(例如，因为接近集成电路的关键区域而具有高严重度等级的热点)也被扫描，即使所述热点没有落在区域208内或与区域208重叠。换言之，如果落在过程条件变化图之外的Die包括已经被确定为具有高严重度(例如，大于阈值严重度值的严重度等级)或重要性等级的热点，则还可以扫描所述Die的实际缺陷。在一种实施方式中，具有低严重度值的潜在缺陷还被称为温点。温点不太可能变成实际缺陷。当资源较少可用或受限时，可以跳过含有温点的区域以进行检查。资源可以是在检查过程期间电子束***进行扫描可用的时间量。通过资源可用性及其严重度确定在用于检查的列表中是否包括温点以及包括哪些温点。
如操作200所示，根据本公开的检查方法和***显著地减少了将由高分辨率检查或电子束***检查的晶片区域和Die。因此，检查所制造的晶片和相关联的集成电路或Die所需的时间和成本减少，并且低产出量、高分辨率的电子束扫描机器或设备可以用于半导体制造过程的在线检查。
图3是根据本公开的实施方式的用于检测缺陷的***300的示例。本公开的各方面，例如图4-9的方法/过程400-900的操作，可以分别被实施为***300中的软件和/或硬件模块。例如，诸如图1的***100的一个或更多个装置或***可以实施***300的一个或更多个模块。***300可以包括高分辨率(例如，电子束)扫描和检查机或者可以与所述高分辨率扫描和检查机结合操作。
在一种实施方式中，***300包括过程变化监控器模块302、热点预测器模块304、缺陷检测器模块306、缺陷复检器模块308、设计图形310、第一扫描电子显微镜(SEM)图像311、过程条件参数312、配置方案314、第二SEM图像316和缺陷318。
设计图形310可以被存储在已知或怀疑对制造或制作过程中的变化(即，过程变化)敏感的设计图形的数据存储器(例如，数据库)中。例如，过程变化可以包括制造过程的焦平面变化和曝光量变化。过程变化可能导致例如厚度变化、图形缺陷、尺寸错误的图形以及所制造的IC中的类似缺陷。过程变化监控器模块302搜索所接收或复检的设计图形310与一个或更多个集成电路设计布局之间的匹配或相似性，其中所述一个或更多个集成电路设计布局与正在被制造和检查的集成电路相关联，包括但不限于由或使用电子设计自动化(EDA)软件生成的文件或布局。搜索可以产生被识别的设计图形的列表。另外或可替代地，过程变化监控器模块302可以接收额外的图形。本文使用的术语“接收”可以指接收、输入、采集、检索、获得、读取、访问或以任何方式输入信息或数据的任何动作。
过程变化监控器模块302使得高分辨率检查***(例如，电子束***)扫描晶片上的图形以识别晶片过程条件变化图。在此情境中，“使得”可以意味着直接发送命令、经由中间机构或***发送命令、或者使高分辨率检查机器扫描晶片的任何其它方式。基于正在制造的晶片的层的设计规则和理想过程条件中的一个或更多个或其组合，从预先设计或预先选择的图形中选择图形。对过程条件变化敏感的图形可以通过执行仿真来生成。例如，但不限于，可以执行10nm的离焦的仿真，并且可以将所得到的图形与设计文件进行比较。可替代地或另外地，将所得到的图形与理想过程条件(例如，其中不执行离焦的情形)的仿真结果进行比较。
过程变化监控器模块302从诸如电子束***(未示出)的检查设备获得第一组高分辨率SEM图像(例如，第一SEM图像311)。在全文中，“获得”意味着方法、模块或设备可以使用所指示的信息来执行模块的功能或方法或设备的步骤的任何方式。“获得”的非限制性示例包括从另一源请求信息、从另一源接收信息、请求另一源生成或获取信息、从数据存储器进行检索等。然后，过程变化监控器模块302分析第一SEM图像311，并且计算或运算出制造图形的过程条件参数。分析所述图像包括将图像与参考图像进行比较，所述参考图像包括但不限于由与正在被制造和检查的集成电路或Die的设计相关联的GDS文件生成的图像。过程变化监控器模块302将过程条件参数存储为过程条件参数312。过程条件参数312可以被存储在瞬态存储器(例如，图1的存储器104)中、或永久存储器(例如，图1的存储设备106)中。例如，参数存储设备可以是存储设计图形310的数据库或另一数据库。
热点预测器模块304基于过程条件参数312生成关注或关心区域，其中所述过程条件参数312从存储所述过程条件参数的存储器接收或获得。关心区域是所制作的晶片上的区域，例如Die的区域，所述区域可以接收检查以进行缺陷检测。可以检查关心区域，这是因为所述关心区域被怀疑在正在制造的Die中含有缺陷。热点预测器模块304可以基于由过程变化监控器模块302识别的过程条件参数312和基于设计图形310生成的特征数据来预测IC设计布局上的热点(即，潜在缺陷)。特征数据可以指示设计图形310的特征。例如，可以使用设计图形310基于光刻仿真(例如，全仿真)来生成特征数据。热点预测器模块304获得由过程变化监控器模块302识别的过程条件参数312，以确定潜在缺陷或热点。
热点预测器模块304使用过程条件参数312来预测或确定热点，并由此生成关心区域的列表。热点预测器模块304可以基于关心区域的列表生成一个或更多个配置方案(或配置方案文件)314。配置方案314可以被存储在一个存储所述设计图形310和过程条件参数312的类似数据库中，或者存储在不同的数据库中。如本文所使用的，配置方案可以是一组一个或更多个机器参数、扫描条件、关心区域坐标、检测模式和将被高分辨率(例如，电子束)检查***使用以进行缺陷检测的其它参数。
可以基于配置方案314来配置电子束***。电子束***可以根据配置方案314中的一个配置方案或配置方案314中的多个配置方案来扫描晶片。热点预测器模块304可以被配置为将一个配置方案保存到一个或更多个文件。检查机器获得配置方案并且基于配置方案314执行一个或更多个扫描。在一种实施方式中，热点预测器模块304可以使得检查机器基于配置方案314执行检查或扫描。可替代地，缺陷检测器模块306可以使得检查机器基于配置方案314执行扫描。可以使用如可由制作工作流程配置的其它方式来使得检查机器基于配置方案314执行扫描。基于配置方案314的扫描的结果是第二组高分辨率图像(例如，第二SEM图像316)。
在一种实施方式中，热点预测器模块304可以使所预测的热点基于资源可利用性。资源可以是在检查过程期间电子束***扫描可利用的时间量。资源也可以是待扫描的图形的复杂性，所述复杂性继而影响扫描时间。当更多资源可用时，温点电可以被包括在待扫描的热点的列表中。温点可以是不如热点严重的潜在缺陷。温点可以是与热点相比较少可能是缺陷的潜在缺陷。温点可以位于Die的非关键区域，其中在适度偏离理想制造条件的过程条件下制造所述非关键区域。温点可以位于Die的关键区域内，其中所述关键区域在非常接近于理想制造条件下被制造。当资源不可用或受限制时，可以跳过与温点相对应的关心区域以进行检查，这是因为这些温点不利地影响所制造的IC芯片的功能的机会或概率与热点相比较小。热点的列表中是否包括温点以及包括哪些温点可以是资源可利用性的函数，并且基于温点变为热点的可能性。
缺陷检测器模块306确定热点(即，潜在缺陷)是否是实际缺陷。为了进行所述确定，缺陷检测器模块306可以使用第二SEM图像316。缺陷检测器模块306可以例如将SEM图像与参考图像进行比较以识别差异，和/或比较SEM图像和与正在被制造和检查的集成电路的设计相关联的芯片设计信息以识别芯片设计与已制作的集成电路芯片或Die之间如在第二SEM图像316中所捕获的差异。芯片设计信息可以是设计的参考图像、GDS文件或表示设计的其它信息中的一个或更多个或其组合。缺陷检测器模块306可以生成关于热点、实际缺陷或两者的信息。例如，缺陷检测器模块306可以存储关于哪些热点是实际缺陷、哪些热点不是实际缺陷、哪些缺陷是公害(即，对Die的整体或正常功能无害)、哪些缺陷是致命的(例如，包括但不限于影响Die的功能的缺陷)或其任何组合的信息(例如，缺陷318)。
缺陷复检器模块308可以使用缺陷318来提高集成电路的整体热点预测和检查。缺陷复检器模块308可以与图3的***300的热点预测器模块304或其他模块分离、相同或者可以与其一起工作。缺陷复检器模块308连续地提高在检查过程期间所述热点预测器模块304的热点预测精度的性能。缺陷复检器模块308包括更新机构，所述更新机构使得***300能够连续地提高潜在缺陷或热点(或甚至是温点)的预测的性能。缺陷复检器模块308可以利用机器学习技术来更新预测，并且还可以使用来自多个制造检查(在同一工厂或使用类似***的世界上的其他工厂)的数据。例如，如果先前已经发现某些预测热点不包括真实或实际缺陷，则热点预测器模块304可以停止为这些某些预测热点生成关心区域，从而缩短与检查过程相关联的时间。换句话说，潜在缺陷或热点或使用从没有涵盖实际缺陷的热点生成的关心区域可以从检查过程中省略以节省时间和成本。
图4是根据本公开的实施方式的用于缺陷识别的方法的示例性过程400的流程图。过程400可以被实施为图1的***100和/或图3的***300中的软件和/或硬件模块。例如，过程400可以被实施为包括在***300中的一个或更多个制造或***的模块(例如，缺陷检测器模块306)。过程400包括如下所述的操作402-408。
在操作402处，接收与集成电路(IC)相关联的图形的输入数据。例如，可以通过将图形转印(“印刷”)到晶片的Die上来制造IC。输入数据包括与图形相关联的扫描电子显微镜(SEM)图像、与图形相关联的参考图像、与图形的设计布局相关联的设计数据、或其任何组合。SEM图像由高分辨率检查***确定。设计数据包括所述IC的包含所述图形的布局。例如，设计数据可以包括IC的一个或更多个多边形。在一些实施方式中，设计数据可以是GDS文件的形式。设计数据可被存储在数据库(例如，设计数据库)中且在操作402处被检索。高分辨率检查***可以是电子束检查***。输入数据的前述形式是示例，并且可以使用其他输入数据。
在操作404处，使用所述输入数据生成与图形的特征相关联的特征数据。在一些实施方式中，图形的特征可以是图形的几何或形貌特征。例如，特征数据可以包括由SEM图像生成的SEM图像轮廓、由参考图像生成的参考图像轮廓、由设计数据生成的与图形相关联的多边形、由多边形渲染的渲染图像、使用图像处理技术由渲染图像生成的经处理图像、使用SEM图像仿真技术基于多边形确定的仿真SEM图像、由仿真SEM图像生成的仿真SEM图像轮廓、或前述特征数据的任何组合。SEM图像或仿真SEM图像的轮廓可以表示晶片上的图形的边缘。特征数据的前述形式是示例，并且可以使用其它特征数据。
在操作406处，使用输入数据、特征数据和缺陷检测技术来确定与图形相关联的缺陷检测结果。在操作408处，使用缺陷检测结果确定缺陷识别结果。操作406和408两者都将在下面进一步详细描述。
图5是根据本公开的实施方式的用于特征数据生成的方法的示例性过程500的流程图。在过程500中生成的特征数据是与图形相关联的多边形。过程500可以被实施为图1的***100和/或图3的***300中的软件和/或硬件模块。例如，过程400可以通过***100中所包括的一个或更多个装置或***被实施为***300中的模块。过程500包括如下所述的操作502-506。
在操作502处，接收与IC相关联的图形的设计数据。设计数据可以包括与图形相关联的多边形。设计数据可以是GDS文件的形式。在操作504处，基于设计数据(例如，通过分析所述GDS文件)生成辅助数据。辅助数据可以用于增加从设计数据检索多边形的速度。在操作506处，从辅助数据获得多边形。
作为另一示例，图6是根据本公开的实施方案的用于特征数据生成的方法的过程600的流程图。在过程600中生成的特征数据包括渲染图像、经处理图像、仿真SEM图像和仿真SEM图像轮廓。过程600可以被实施为图1的***100和/或图3的***300中的软件和/或硬件模块。例如，过程600可以通过***100中所包括的一个或更多个装置或***被实施为***300中的模块。过程600包括如下所述的操作602-610。
在操作602处，接收与IC相关联的图形的多边形。例如，多边形可以由图5的过程500获得或生成。在操作604处，可以通过使用渲染技术渲染所述多边形来确定渲染图像。例如，多边形可以在设计数据中通过坐标和距离来描述。多边形的渲染图像可以是多边形的可视化表示。在操作606处，使用图像处理技术由渲染图像生成经处理图像。例如，所述图像处理技术可以是数字图像处理，所述数字图像处理调整渲染图像的特性或将校正施加到渲染图像上。
在操作608处，使用SEM仿真技术基于多边形来确定仿真SEM图像。SEM仿真技术可以仿真IC或其一部分的SEM图像，所述图像包括图形。SEM仿真技术可以基于电磁学、数字图像处理或其组合。在操作610处，从仿真SEM图像中提取或确定仿真SEM图像轮廓。例如，轮廓提取可以基于数字图像处理。轮廓提取可以由***300的软件和/或硬件模块使用预定参数来实施。在一些实施方式中，可以在轮廓提取之前获得并优化所述轮廓提取的参数。在一种实施方式中，操作604和606与操作608和610同时执行。在一些实施方式中，可以使用与操作610中相同的轮廓提取技术来提取参考图像轮廓和SEM图像轮廓。
回到图4，在操作406处，基于输入数据和特征数据，使用不同的缺陷检测技术来确定与图形相关联的多个缺陷检测结果。每种缺陷检测技术都可以生成缺陷检测结果。例如，缺陷检测结果可以是确定在检查区域中是否存在缺陷、如果存在缺陷则确定缺陷是否是公害、如果存在缺陷且缺陷不是公害则确定缺陷的位置、和/或如果存在缺陷且所述缺陷不是公害则确定缺陷的缺陷类型。缺陷检测技术可以使用输入数据和特征数据来检测缺陷。在一些实施方式中，在操作406中所使用的缺陷检测技术可以具有比D2D或D2DB技术低的精度要求。在一些实施方式中，对于D2D技术或D2DB技术被认为不可靠的输入数据和特征数据也可以用于在操作406中的缺陷检测技术。
在一些实施方式中，缺陷检测技术可以基于比较。作为示例，图7A-7B是根据本公开的实施方式的用于缺陷检测的方法的示例性过程700A-700B的流程图。过程700A-700B可以被实施为图1的***100和/或图3的***300中的软件和/或硬件模块。例如，过程700A-700B可以通过***100中所包括的一个或更多个装置或***被实施为***300中的模块。过程700A-700B如下所述。
作为示例，过程700A类似于D2D技术。在操作702处，可以确定第一SEM图像是否与第二SEM图像匹配。第一和第二SEM图像与IC的图形相关联，并且两者都由高分辨率检查***确定。在一些实施方式中，可以通过高分辨率***由包括相同图形的相同IC确定第一和第二SEM图像。在一些实施方式中，可以通过高分辨率***由包括相同图形的不同IC确定第一和第二SEM图像。在一些实施方式中，第一和第二SEM图像中的一个可以用作也由高分辨率检查***确定的参考图像。在另一实施方式中，第一和第二SEM图像由不同的高分辨率检查***确定。
在操作704处，基于第一SEM图像是否与第二SEM图像相匹配来确定缺陷检测结果。例如，如果第一和第二SEM图像相匹配，则缺陷检测结果可以被确定为在第一和第二SEM图像中都没有检测到缺陷。又例如，如果第一SEM图像和第二SEM图像不匹配，则缺陷检测结果可以被确定为在第一SEM图像或第二SEM图像中检测到缺陷，这取决于哪一个图像用作参考。所述匹配不必精确，且例如当两个图像在预定阈值或彼此的相似性百分比内时，可以获得所述匹配。
作为另一个示例，过程700B类似于D2DB技术。在操作706处，可以确定第一数据集中的任一个是否与第二数据集中的任一个相匹配。第一数据集包括但不限于SEM图像和SEM图像轮廓。第二数据集包括但不限于多边形、参考图像、渲染图像、经处理图像、仿真SEM图像、参考图像轮廓、和仿真SEM图像轮廓。
在操作708处，基于第一数据集中的任一个是否与第二数据集中的任一个相匹配来确定缺陷检测结果。例如，如果第一数据集中的一个数据与第二数据集中的一个数据相匹配，则缺陷检测结果可以被确定为在SEM图像中没有检测到缺陷。作为另一个示例，如果第一数据集中没有一个数据与第二数据集中的任一个数据相匹配，则缺陷检测结果可以被确定为在SEM图像中检测到缺陷。匹配不必精确，并且例如当两个数据集在预定阈值或彼此相似百分比内时，可以获得所述匹配。
回到图4，在操作408处，使用缺陷检测结果确定缺陷识别结果。例如，可以输出所述缺陷识别结果以指示在检查区域中是否存在缺陷，如果存在缺陷则指示缺陷是否为公害，如果存在缺陷且该缺陷不是公害则指示缺陷的位置，和/或如果存在缺陷且该缺陷不是公害则指示缺陷的缺陷类型。缺陷识别结果可以基于缺陷检测结果使用例如数据融合和/或数据集成技术来确定。在一些实施方式中，数据融合技术和/或数据集成技术可以包括集成所述缺陷检测结果的学习技术。
图8是根据本公开的实施方式的用于缺陷识别的方法的示例性过程800的流程图。过程800可以被实施为图1的***100和/或图3的***300中的软件和/或硬件模块。例如，过程800可以通过***100中所包括的一个或更多个装置或***被实施为***300中的模块。过程800包括如下所述的操作802-804。
在操作802处，使用缺陷检测技术来确定与图形相关联的缺陷检测结果。例如，缺陷检测结果可以类似于前述过程被确定，其中所述前述过程包括但不限于图4的操作406。
在操作804处，可以使用学习技术来确定所述缺陷识别结果。例如，学习技术可以执行缺陷检测结果的加权组合，其中可以为每个缺陷检测结果分配权重并将其组合在一起以便考虑。又例如，学习技术可以使用缺陷检测结果的加权组合作为输入来确定所述缺陷识别结果。在一些实施方式中，学习技术可以包括决策树技术、增强技术或其组合。
决策树技术是预测模型，所述预测模型可以基于多个输入变量由多个可能的目标结果确定目标结果(例如，目标值)。目标结果可以是一组离散值(例如，整数或文本)。目标结果也可以是连续值(例如，实数)。决策树可以包括多个节点。决策树可以包括内部节点(“分支”)，所述内部节点具有通向其它节点的前向结合。决策树可以包括没有前向结合并且表示可能的目标结果的外部节点(“叶子”)。决策树的内部节点可以从前一个内部节点取得输入变量，并且基于预定规则确定下一节点(内部或外部)的输入变量(作为其自身的输出数据)。
在根据本公开的一些实施方式中，决策树的内部节点可以表示具体的缺陷检测技术。例如，对于IC上的测试图形，缺陷检测技术可以确定测试图形具有缺陷(“有缺陷的”)或没有缺陷(“无缺陷的”)，同时所述缺陷检测技术是测试图形是真正有缺陷的还是无缺陷的先验知识。使用这样的测试图形和缺陷检测技术，可以构建决策树模型。对于正在被检查的IC上的图形，基于与使用缺陷检测技术确定的图形相关联的缺陷检测结果，可以使用所构建的决策树模型来确定所述图形是否是真正有缺陷的。
在机器学习的情境中，增强技术是用于减少由机器学习技术(“学习器”)所确定的目标结果的偏差和方差的技术。如果学习器的目标结果与真实知识(先前已知的“真实结果”)具有弱相关性，则将学习器称为“弱学习器”。在某些情况下，弱学习器能获得仅比随机猜测稍好的结果。另一方面，如果学习器的目标结果与真实知识具有强相关性，则将学习器称为“强学习器”。该增强技术可以基于一组弱学习器来创建强学习器。例如，增强技术可以将弱学习器的目标结果组合成加权总和，并将该加权总和用作强学习器的目标结果。存在许多不同类型的增强算法，例如自适应增强(“AdaBoost”)、线性编程增强(“LPBoost”)、梯度树增强、XGBoost、CoBoosting、BrownBoost、GentleBoost、RankBoost、TotalBoost、MadaBoost、LogitBoost等。例如，AdaBoost可以自适应地调整弱学习器以有利于弱学习器的目标结果与真实知识不一致的情况。换言之，AdaBoost对数据的噪点和/或异常值敏感，并且可能较不易于过度拟合。
在根据本公开的一些实施方式中，缺陷检测技术可以表示弱学习器。例如，缺陷检测技术可以表示Adaboost情境中的弱学习器。例如，对于IC上的测试图形，缺陷检测技术可以确定所述测试图形具有缺陷(“有缺陷的”)或没有缺陷(“无缺陷的”)，同时缺陷检测技术是测试图形是真正有缺陷的还是无缺陷的先验知识。使用这样的测试图形和缺陷检测技术，能够构建增强模型。对于正在被检查的IC的图形，基于与使用所述缺陷检测技术而确定的图形相关联的缺陷检测结果，可以使用所构建的增强模型来确定所述图形是否是真正有缺陷的。
由于缺陷检测技术的较低的精度要求，每个缺陷检测结果都可能是假正例和/或假反例。然而，通过使用数据融合技术和学习技术，缺陷识别结果可以达到较高的精度，同时不损害/折衷处理的效率和成本。
图9是根据本公开的实施方式的用于缺陷识别的方法的示例性过程900的流程图。过程900可以被实现为图1的***100和/或图3的***300中的软件和/或硬件模块。例如，过程900可以通过***100中所包括的一个或更多个装置或***被实施为***300中的模块。过程900包括如下所述的操作902-912。
在操作902处，SEM图像、参考图像和/或设计数据作为与IC相关联的图形的输入数据被接收。在操作904处，由输入数据确定图形的多个特征的特征数据。多个特征可以是图4的过程400的操作404中所述的特征，或者是适于缺陷检测的任何其它特征。在操作906-910处，分别使用缺陷检测技术1-N来确定缺陷检测结果1-N。
具体地，经由操作906确定缺陷检测结果1，经由操作908确定缺陷检测结果2，以及经由操作910确定缺陷检测结果N。缺陷检测技术可以分别类似于图6的过程600和图7的过程700A和700B中所述的过程、或任何其它适于缺陷检测的技术。在操作912处，基于缺陷检测结果1-N，使用决策树技术、增强技术及其任意组合中的任一种来确定缺陷识别结果。
图10是根据本公开的实施方式的用于识别集成电路的缺陷的方法1000。方法1000包括：经由步骤1002接收与集成电路相关联的图形的输入数据；经由步骤1004使用所述输入数据确定与图形的特征相关联的特征数据；经由步骤1006使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果；以及经由步骤1008使用所述缺陷检测结果确定缺陷识别结果。
在一种实施方式中，输入数据包括与图形相关联的扫描电子显微镜(SEM)图像、与图形相关联的参考图像、以及与图形的设计布局相关联的设计数据中的任一个，其中SEM图像由高分辨率检查***确定。高分辨率检查***包括电子束检查***。特征数据包括由SEM图像确定的SEM图像轮廓、由参考图像确定的参考图像轮廓、由设计数据确定的与图形相关联的多边形、由多边形确定的渲染图像、通过图像处理技术由渲染图像确定的经处理图像、由SEM图像仿真技术基于多边形确定的仿真SEM图像、以及由仿真SEM图像确定的仿真SEM图像轮廓中的任一个。
在一种实施方式中，使用输入数据确定与图形的特征相关联的特征数据包括：基于设计数据确定辅助数据，其中设计数据包括图形设计***(GDS)数据；以及由辅助数据确定多边形，其中由辅助数据确定多边形的速度比由设计数据确定多边形的速度快。
在一种实施方式中，使用输入数据、特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果包括以下步骤中的任何步骤：确定在第一SEM图像与第二SEM图像之间是否存在匹配，其中第一SEM图像和第二SEM图像与图形相关联并且由高分辨率检查***确定；以及确定第一数据集中的一个数据与第二数据集中的一个数据之间是否存在匹配。第一数据集包括SEM图像和SEM图像轮廓，而第二数据集包括多边形、参考图像、渲染图像、经处理图像、仿真SEM图像、参考图像轮廓和仿真SEM图像轮廓。
在一种实施方式中，使用缺陷检测结果确定缺陷识别结果包括：使用执行缺陷检测结果的加权组合的学习技术来确定缺陷识别结果。学习技术包括决策树技术和增强技术中的任一种。
在一些实施方式中，可以针对本文描述的用于缺陷识别的方法和***实施改进过程，以随着检查过程的进行而自我改进(“演化”)或自适应缺陷识别性能(例如，精度和/或效率)。例如，SEM图像作为高分辨率检查***的输出被生成。缺陷识别***可以处理并分析所检查的IC的SEM图像以识别缺陷。缺陷识别***可以使用一组参数来工作。可以优化所述参数以使缺陷识别***的工作性能最佳。一旦通过缺陷识别***确定缺陷识别结果，就可以在复检过程中(例如，由图3中的缺陷复检器模块308)检查和分析所述缺陷识别结果，以确定是否正确地识别了缺陷，和/或如果正确地识别了所识别的缺陷，则确定所识别的缺陷是否是公害。基于缺陷识别结果的复检和分析，缺陷识别***的参数可以被更新以改进其性能。在一些实施方式中，参数可以被存储并保持在数据库中。
如以上描述所示，在根据本公开的用于缺陷识别的D3D方法和***中，尽管与D2D或D2DB技术相比，每种缺陷检测技术可能产生假正例和/或假反例结果，但是通过使用适当的数据集成/融合技术将所述缺陷检测技术组合，并且使用决策树技术生成最终决策，可以实现鲁棒的缺陷检测。
所公开的用于缺陷识别的方法和***可以用于生产线或在线生产过程中。在用于在线生产过程中的情况下，随着检查的进行，D3D方法和***还具有连续演化(即，提高识别精度)的能力。因而，可以减少或最小化用于D3D方法和***的初始参数设置和数据收集的时间、资源和成本。
可以在功能块部件和各种处理步骤方面描述本文的实施方式。所公开的过程和序列可以单独或以任何组合来执行。功能块可以由执行指定功能的任意数量的硬件和/或软件部件来实现。例如，所描述的实施方式可以采用各种集成电路部件，例如存储器元件、处理元件、逻辑元件、查找表等，所述集成电路部件可以在一个或更多个微处理器或其他控制设备的控制下执行各种功能。类似地，在使用软件编程或软件元件来实施所描述的实施方式的元件的情况下，可以利用诸如C、C++、Java、汇编程序等的任何编程或脚本语言来实施本公开，其中利用数据结构、对象、过程、例程或其它编程元件的任何组合来实施各种算法。功能方面可以在一个或更多个处理器上运行的算法中实施。此外，本公开的实施方式可以采用任意数量的用于电子器件配置、信号处理和/或控制、数据处理等的常规技术。
上述公开内容的方面或部分方面可以采取可由例如计算机可用或计算机可读介质访问的计算机程序产品的形式。计算机可用或计算机可读介质可以是任何设备，所述设备可以例如有形地包含、存储、通信或传输被任何处理器使用或与任何处理器结合使用的程序或数据结构。介质可以是例如电子、磁、光学、电磁或半导体器件。其它适当的介质也是可利用的。这种计算机可用或计算机可读介质可以被称为非瞬态存储器或介质，并且可以包括RAM或其他易失性存储器或可以随时间变化的存储设备。除非另外指明，否则本文所述***的存储器不必在物理上被该***包含，而是可以由该***远程访问的存储器，并且不必与该***可能在物理上包含的其它存储器相连。
本文使用词语“示例”意味着充当示例、实例或说明。本文描述为“示例”的任何方面或设计不是必须解释为比其它方面或设计优选或有利。相反，使用词语“示例”旨在以具体方式呈现构思。如本申请中所使用的，术语“或”旨在意味着包含性的“或”而不是排他性的“或”。也就是说，除非另外指明，或从情境中清楚，“X包括A或B”旨在意味着任何自然的包含性排列。换言之，如果X包括A；X包括B；或者X包括A和B两者，则在任何前述实例下满足“X包括A或B”。另外，除非另外指明或从情境中清楚地指出为单数形式，否则本申请和所附权利要求中使用的冠词“一”和“一个”通常应解释为表示“一个或更多个”。此外，除非如此描述，否则全文使用的术语“一方面”或”一个方面”不旨在意味着相同的实施方式或方面。
本文所示和所描述的具体方面是本公开的说明性示例，并且不旨在以任何方式限制本公开的范围。为了简洁起见，可以不详细描述常规的电子设备、控制***、软件开发和***的其它功能方面(以及***的单个操作部件的部件)。此外，在所呈现的各个附图中示出的连接线或连接器旨在表示各个元件之间的示例性功能关系和/或物理或逻辑联接。在实际设备中可以存在许多替换或附加的功能关系、物理连接或逻辑连接。
本文使用的“包括”或“具有”及其变型意味着包括其后列出的项及其等同物以及额外的项。除非另外指定或以其他方式限制，否则术语“安装”、“连接”、“支撑”和“联接”及其变型被广义地使用，并且涵盖直接和间接安装、连接、支撑和联接。此外，“连接”和“联接”不限于物理或机械连接或联接。
在描述本公开的情境中(尤其是在所附权利要求的情境中)使用的术语“一”和“一个”和“所述”或“该”以及类似指示语应当被解释为涵盖单数和复数两者。此外，除非本文另外指出，否则本文中列举的数值范围仅旨在用作单独地提到落在该范围内的每个单独值的速记方法，并且每个单独值被合并入说明书中如同其在本文中单独列举一般。最后，除非在此另外指出或另外明显与情境矛盾，否则本文所描述的所有方法的步骤可以按任何适当的顺序执行。除非另外声明，否则本文提供的任何和所有示例或示例性语言(例如，“诸如”)的使用仅旨在更好地说明本公开，而不是对本公开的范围施加限制。
虽然已经结合某些实施例描述了本公开，但是应当理解，本公开不限于所公开的实施例，而是相反，本公开旨在涵盖包括在所附权利要求的范围内的各种修改和等同结构，所述范围将被给予最宽泛的解释，以便包含法律所允许的所有这样的修改和等同结构。
Claims (20)
1.一种用于识别集成电路的缺陷的方法，包括：
接收与集成电路相关联的图形的输入数据；
使用所述输入数据确定与所述图形的特征相关联的特征数据；
使用所述输入数据、所述特征数据和缺陷检测技术确定与所述图形相关联的缺陷检测结果；以及
使用所述缺陷检测结果确定缺陷识别结果。
2.根据权利要求1所述的方法，其中，所述输入数据包括与所述图形相关联的扫描电子显微镜(SEM)图像、与所述图形相关联的参考图像、以及与所述图形的设计布局相关联的设计数据中的任一种，其中所述扫描电子显微镜图像由高分辨率检查***确定。
3.根据权利要求2所述的方法，其中，所述高分辨率检查***包括电子束检查***。
4.根据权利要求2所述的方法，其中，所述特征数据包括由所述扫描电子显微镜图像确定的扫描电子显微镜图像轮廓、由所述参考图像确定的参考图像轮廓、由所述设计数据确定的与所述图形相关联的多边形、由所述多边形确定的渲染图像、通过图像处理技术由所述渲染图像确定的经处理图像、通过扫描电子显微镜图像仿真技术基于所述多边形确定的仿真扫描电子显微镜图像、以及由所述仿真扫描电子显微镜图像确定的仿真扫描电子显微镜图像轮廓中的任一个。
5.根据权利要求4所述的方法，其中，使用所述输入数据确定与所述图形的特征相关联的特征数据包括：
基于所述设计数据确定辅助数据，所述设计数据包括图形设计***(GDS)数据；和
由所述辅助数据确定所述多边形，其中由所述辅助数据确定所述多边形的速度比由所述设计数据确定所述多边形的速度快。
6.根据权利要求4所述的方法，其中，使用所述输入数据、所述特征数据和缺陷检测技术确定与所述图形相关联的缺陷检测结果包括以下中的任一个：
确定在第一扫描电子显微镜图像与第二扫描电子显微镜图像之间是否存在匹配，其中所述第一扫描电子显微镜图像和所述第二扫描电子显微镜图像与所述图形相关联并且由所述高分辨率检查***确定；和
确定在第一数据集中的一个数据与第二数据集中的一个数据之间是否存在匹配，其中
所述第一数据集包括所述扫描电子显微镜图像和所述扫描电子显微镜图像轮廓，以及
所述第二数据集包括所述多边形、所述参考图像、所述渲染图像、所述经处理图像、所述仿真扫描电子显微镜图像、所述参考图像轮廓和所述仿真扫描电子显微镜图像轮廓。
7.根据权利要求1所述的方法，其中，使用缺陷检测结果确定缺陷识别结果包括：
使用执行所述缺陷检测结果的加权组合的学习技术确定所述缺陷识别结果。
8.根据权利要求7所述的方法，其中，所述学习技术包括决策树技术和增强技术中的任一种。
9.一种用于识别集成电路的缺陷的***，包括：
处理器；和
连接到处理器的存储器，所述存储器被配置成存储指令集，当通过所述处理器执行所述指令集时，所述指令集变为通过所述处理器操作以：
接收与集成电路相关联的图形的输入数据；
使用所述输入数据确定与所述图形的特征相关联的特征数据；
使用所述输入数据、所述特征数据和缺陷检测技术确定与所述图形相关联的缺陷检测结果；以及
使用所述缺陷检测结果确定缺陷识别结果。
10.根据权利要求9所述的***，其中，所述输入数据包括与所述图形相关联的扫描电子显微镜(SEM)图像、与所述图形相关联的参考图像、以及与所述图形的设计布局相关联的设计数据中的任一种，其中所述扫描电子显微镜图像由高分辨率检查***确定。
11.根据权利要求10所述的***，其中，所述高分辨率检查***包括电子束检查***。
12.根据权利要求10的***，其中，所述特征数据包括由所述扫描电子显微镜图像确定的扫描电子显微镜图像轮廓、由所述参考图像确定的参考图像轮廓、由所述设计数据确定的与所述图形相关联的多边形、由所述多边形确定的渲染图像、通过图像处理技术由所述渲染图像确定的经处理图像、通过扫描电子显微镜图像仿真技术基于所述多边形确定的仿真扫描电子显微镜图像、以及由所述仿真扫描电子显微镜图像确定的仿真扫描电子显微镜图像轮廓中的任一个。
13.根据权利要求12的***，其中，通过所述处理器操作以使用所述输入数据、所述特征数据和缺陷检测技术确定与图形相关联的缺陷检测结果的所述指令集还包括下述指令：
用以确定在第一扫描电子显微镜图像与第二扫描电子显微镜图像之间是否存在匹配的指令，其中所述第一扫描电子显微镜图像和所述第二扫描电子显微镜图像与图形相关联并且由高分辨率检查***确定；和
用以确定在第一数据集中的一个数据与第二数据集中的一个数据之间是否存在匹配的指令，其中
所述第一数据集包括所述扫描电子显微镜图像和所述扫描电子显微镜图像轮廓，以及
所述第二数据集包括所述多边形、所述参考图像、所述渲染图像、所述经处理图像、所述仿真扫描电子显微镜图像、所述参考图像轮廓和所述仿真扫描电子显微镜图像轮廓。
14.根据权利要求9的***，其中，通过所述处理器操作以确定缺陷识别结果的指令集进一步包括：
用以使用执行缺陷检测结果的加权组合的学习技术确定所述缺陷识别结果的指令。
15.根据权利要求14所述的***，其中，所述学习技术包括决策树技术和增强技术中的任一种。
16.一种存储指令集的非瞬态计算机可读介质，当所述指令集通过使用处理器的计算机***执行时，所述指令集变为通过处理器操作以用于识别集成电路的缺陷，所述非瞬态计算机可读介质包括：
用以接收与集成电路相关联的图形的输入数据的指令；
用以使用所述输入数据确定与所述图形的特征相关联的特征数据的指令；
用以使用所述输入数据、所述特征数据和缺陷检测技术确定与所述图形相关联的缺陷检测结果的指令；以及
用以使用所述缺陷检测结果来确定缺陷识别结果的指令。
17.根据权利要求16所述的计算机可读介质，其中，所述输入数据包括与所述图形相关联的扫描电子显微镜(SEM)图像、与所述图形相关联的参考图像、以及与所述图形的设计布局相关联的设计数据中的任一个，其中所述扫描电子显微镜图像由电子束检查***确定。
18.根据权利要求17所述的计算机可读介质，其中，所述特征数据包括由所述扫描电子显微镜图像确定的扫描电子显微镜图像轮廓、由所述参考图像确定的参考图像轮廓、由所述设计数据确定的与所述图形相关联的多边形、由所述多边形确定的渲染图像、通过图像处理技术由所述渲染图像确定的经处理图像、通过扫描电子显微镜图像仿真技术基于所述多边形确定的仿真扫描电子显微镜图像、以及由所述仿真扫描电子显微镜图像确定的仿真扫描电子显微镜图像轮廓中的任一个。
19.根据权利要求18所述的计算机可读介质，其中，用以使用所述输入数据、所述特征数据和缺陷检测技术确定与所述图形相关联的缺陷检测结果的指令还包括：
用以确定在第一扫描电子显微镜图像与第二扫描电子显微镜图像之间是否存在匹配的指令，其中所述第一扫描电子显微镜图像和所述第二扫描电子显微镜图像与所述图形相关联并且由电子束检查***确定；和
用以确定在第一数据集中的一个数据与第二数据集中的一个数据之间是否存在匹配的指令，其中
所述第一数据集包括所述扫描电子显微镜图像和所述扫描电子显微镜图像轮廓，以及
所述第二数据集包括所述多边形、所述参考图像、所述渲染图像、所述经处理图像、所述仿真扫描电子显微镜图像、所述参考图像轮廓和所述仿真扫描电子显微镜图像轮廓。
20.根据权利要求16所述的计算机可读介质，其中，用以使用缺陷检测结果确定缺陷识别结果的指令还包括：
用以通过执行缺陷检测结果的加权组合，使用决策树技术和增强技术中的任一种来确定所述缺陷识别结果的指令。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/419,657 | 2017-01-30 | ||
| US15/419,657 US10628935B2 (en) | 2017-01-30 | 2017-01-30 | Method and system for identifying defects of integrated circuits |
| PCT/US2017/067001 WO2018140151A1 (en) | 2017-01-30 | 2017-12-18 | Method and system for identifying defects of integrated circuits |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110291621A true CN110291621A (zh) | 2019-09-27 |
| CN110291621B CN110291621B (zh) | 2023-05-12 |
Family
ID=62978997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780085175.9A Active CN110291621B (zh) | 2017-01-30 | 2017-12-18 | 用于识别集成电路缺陷的方法和*** |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10628935B2 (zh) |
| CN (1) | CN110291621B (zh) |
| WO (1) | WO2018140151A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110726724A (zh) * | 2019-10-22 | 2020-01-24 | 北京百度网讯科技有限公司 | 缺陷检测方法、***和装置 |
| CN112581420A (zh) * | 2019-09-30 | 2021-03-30 | 深圳中科飞测科技股份有限公司 | 一种检测方法、装置及设备 |
| CN113269709A (zh) * | 2020-01-29 | 2021-08-17 | 台湾积体电路制造股份有限公司 | 探测半导体晶片中缺陷的方法及半导体晶片缺陷探测*** |
| CN114600154A (zh) * | 2019-10-31 | 2022-06-07 | 科磊股份有限公司 | 用于sem图像的bbp辅助缺陷检测流程 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018033511A1 (en) * | 2016-08-15 | 2018-02-22 | Asml Netherlands B.V. | Method for enhancing the semiconductor manufacturing yield |
| IL281060B2 (en) * | 2018-08-28 | 2023-11-01 | Asml Netherlands Bv | Methods and systems of optimal meteorological guidance |
| CN109712137A (zh) * | 2018-12-29 | 2019-05-03 | 英特尔产品（成都）有限公司 | 基于图像处理的芯片测试座检测 |
| CN112304952B (zh) * | 2019-07-23 | 2024-04-02 | 纬创资通股份有限公司 | 影像辨识装置、影像辨识方法及其计算机程序产品 |
| US11301987B2 (en) * | 2020-03-03 | 2022-04-12 | Applied Materials Israel Ltd. | Determining locations of suspected defects |
| CN111812118A (zh) * | 2020-06-24 | 2020-10-23 | 阿丘机器人科技(苏州)有限公司 | Pcb检测方法、装置、设备及计算机可读存储介质 |
| JP2022092727A (ja) * | 2020-12-11 | 2022-06-23 | 株式会社日立ハイテク | 観察装置のコンピュータシステムおよび処理方法 |
| CN117853876B (zh) * | 2024-03-08 | 2024-06-11 | 合肥晶合集成电路股份有限公司 | 一种晶圆缺陷检测模型的训练方法以及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4519041A (en) * | 1982-05-03 | 1985-05-21 | Honeywell Inc. | Real time automated inspection |
| US5600734A (en) * | 1991-10-04 | 1997-02-04 | Fujitsu Limited | Electron beam tester |
| JP2000228430A (ja) * | 1998-11-30 | 2000-08-15 | Hitachi Ltd | 回路パターンの検査装置、検査システム、および検査方法 |
| US6466895B1 (en) * | 1999-07-16 | 2002-10-15 | Applied Materials, Inc. | Defect reference system automatic pattern classification |
| US20080075352A1 (en) * | 2006-09-27 | 2008-03-27 | Hisae Shibuya | Defect classification method and apparatus, and defect inspection apparatus |
| JP2010231044A (ja) * | 2009-03-27 | 2010-10-14 | Toppan Printing Co Ltd | パターン検査装置及びパターン検査方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6539106B1 (en) | 1999-01-08 | 2003-03-25 | Applied Materials, Inc. | Feature-based defect detection |
| JP2001304842A (ja) | 2000-04-25 | 2001-10-31 | Hitachi Ltd | パターン検査方法及びその装置並びに基板の処理方法 |
| JP3990981B2 (ja) * | 2000-12-15 | 2007-10-17 | ケイエルエイ−テンコー コーポレイション | 基板を検査するための方法及び装置 |
| US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
| US10234500B2 (en) * | 2015-04-17 | 2019-03-19 | Globalfoundries Inc. | Systematic defects inspection method with combined eBeam inspection and net tracing classification |
-
2017
- 2017-01-30 US US15/419,657 patent/US10628935B2/en active Active
- 2017-12-18 CN CN201780085175.9A patent/CN110291621B/zh active Active
- 2017-12-18 WO PCT/US2017/067001 patent/WO2018140151A1/en active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4519041A (en) * | 1982-05-03 | 1985-05-21 | Honeywell Inc. | Real time automated inspection |
| US5600734A (en) * | 1991-10-04 | 1997-02-04 | Fujitsu Limited | Electron beam tester |
| JP2000228430A (ja) * | 1998-11-30 | 2000-08-15 | Hitachi Ltd | 回路パターンの検査装置、検査システム、および検査方法 |
| US6466895B1 (en) * | 1999-07-16 | 2002-10-15 | Applied Materials, Inc. | Defect reference system automatic pattern classification |
| US20080075352A1 (en) * | 2006-09-27 | 2008-03-27 | Hisae Shibuya | Defect classification method and apparatus, and defect inspection apparatus |
| JP2010231044A (ja) * | 2009-03-27 | 2010-10-14 | Toppan Printing Co Ltd | パターン検査装置及びパターン検査方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581420A (zh) * | 2019-09-30 | 2021-03-30 | 深圳中科飞测科技股份有限公司 | 一种检测方法、装置及设备 |
| CN110726724A (zh) * | 2019-10-22 | 2020-01-24 | 北京百度网讯科技有限公司 | 缺陷检测方法、***和装置 |
| CN114600154A (zh) * | 2019-10-31 | 2022-06-07 | 科磊股份有限公司 | 用于sem图像的bbp辅助缺陷检测流程 |
| CN114600154B (zh) * | 2019-10-31 | 2023-07-07 | 科磊股份有限公司 | 用于sem图像的bbp辅助缺陷检测流程 |
| CN113269709A (zh) * | 2020-01-29 | 2021-08-17 | 台湾积体电路制造股份有限公司 | 探测半导体晶片中缺陷的方法及半导体晶片缺陷探测*** |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180218492A1 (en) | 2018-08-02 |
| WO2018140151A1 (en) | 2018-08-02 |
| CN110291621B (zh) | 2023-05-12 |
| US10628935B2 (en) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110291621A (zh) | 用于识别集成电路缺陷的方法和*** | |
| US11935722B2 (en) | Machine learning on wafer defect review | |
| TWI737659B (zh) | 半導體試樣的基於深度學習之檢查的方法及其系統 | |
| TWI796431B (zh) | 半導體樣品的基於深度學習的檢查的方法及其系統 | |
| TWI748122B (zh) | 用於對多個項進行分類的系統、方法和電腦程式產品 | |
| TWI539150B (zh) | 用於偵測檢查圖像中之缺陷的系統、方法及電腦程式產品 | |
| CN110291384B (zh) | 用于集成电路的缺陷预测的方法和*** | |
| CN110325843B (zh) | 引导式集成电路缺陷检测 | |
| US12007335B2 (en) | Automatic optimization of an examination recipe | |
| CN106204598B (zh) | 在自动缺陷分类流程中管理缺陷的方法及*** | |
| TW201732735A (zh) | 基於形狀之分組 | |
| TWI663667B (zh) | 用於在檢查物件時自我調整取樣的方法和其系統 | |
| US10296702B2 (en) | Method of performing metrology operations and system thereof | |
| KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
| CN114365183A (zh) | 晶片检验方法和*** | |
| TW202146884A (zh) | 檢查樣本的方法和其系統 | |
| CN110235233A (zh) | 用于检查集成电路的关注区域生成 | |
| CN114616571A (zh) | 兴趣点周围的半导体布局环境 | |
| US9928446B2 (en) | Augmented automatic defect classification | |
| CN113947561B (zh) | 半导体样本的图像分割 | |
| TW202236460A (zh) | 基於參考圖像來決定樣本中的缺陷和／或邊緣粗糙度 | |
| CN116209895A (zh) | 基于可解释深度学习的缺陷检测及分类 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100176 building 12, yard 156, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee after: Dongfang Jingyuan Microelectronics Technology (Beijing) Co.,Ltd. Address before: 100176 building 12, yard 156, Jinghai 4th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee before: DONGFANG JINGYUAN ELECTRON Ltd. |