CN110969598A - 晶圆检查方法以及晶圆检查*** - Google Patents

晶圆检查方法以及晶圆检查*** Download PDF

Info

Publication number
CN110969598A
CN110969598A CN201910830285.4A CN201910830285A CN110969598A CN 110969598 A CN110969598 A CN 110969598A CN 201910830285 A CN201910830285 A CN 201910830285A CN 110969598 A CN110969598 A CN 110969598A
Authority
CN
China
Prior art keywords
image
wafer
scale
roi
coarse
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.)
Pending
Application number
CN201910830285.4A
Other languages
English (en)
Inventor
周崇斌
黄圣文
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.)
Taiwan Semiconductor Manufacturing Co TSMC Ltd
Original Assignee
Taiwan Semiconductor Manufacturing Co TSMC 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 Taiwan Semiconductor Manufacturing Co TSMC Ltd filed Critical Taiwan Semiconductor Manufacturing Co TSMC Ltd
Publication of CN110969598A publication Critical patent/CN110969598A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/04—Arrangements of electrodes and associated parts for generating or controlling the discharge, e.g. electron-optical arrangement, ion-optical arrangement
    • H01J37/153—Electron-optical or ion-optical arrangements for the correction of image defects, e.g. stigmators
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/261—Details
    • 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
    • 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
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本公开涉及使用机器学习技术来对晶圆缺陷进行检测和分类的解决方案。解决方案仅拍摄目标晶圆的一个粗略分辨率数字显微镜图像，且使用机器学习技术来处理粗略扫描电子显微镜图像以对目标晶圆上的缺陷进行复查和分类。由于仅需要晶圆的一个粗略扫描电子显微镜图像，所以提高了缺陷复查和分类的吞吐量和效率。此外，技术不是分散的且可与其它缺陷检测和分类技术集成。

Description

晶圆检查方法以及晶圆检查***
技术领域
本申请是有关于一种晶圆检查方法以及晶圆检查***。
背景技术
随着半导体技术的演进，半导体管芯变得越来越小，同时将越来越多的功能和特征集成到单个半导体管芯中。那些特征以其间的最小化间隔紧密地布置。归因于特征密度的增大，进行更多处理步骤来制造半导体管芯。举例来说，在衬底上方进行更复杂的曝光、显影以及刻蚀步骤。在每一步骤之后，检查晶圆的缺陷，如度量偏移、形状变形、污染或其它缺陷。当检查将晶圆标识为有缺陷时，将通过例如自动缺陷复查(automatic defectreview；ADR)过程的缺陷复查过程和/或例如自动缺陷分类(automatic defectclassification；ADC)的缺陷分类过程进一步复查晶圆。
发明内容
在一些实施例中，本申请提供一种晶圆检查方法，包括：获得晶圆的第一部分的第一显微镜图像，所述第一显微镜图像具有第一图像分辨率；基于所述晶圆的晶圆设计信息来获得所述晶圆的所述第一部分的参考图像；以及比较所述第一显微镜图像与所述参考图像以确定所述第一显微镜图像以及所述参考图像之间的失配。
附图说明
结合附图阅读以下具体实施方式会最好地理解本公开的各方面。在附图中，除非上下文另有指示，否则相同附图标号标识类似元件或动作。附图中元件的大小和相对位置不必按比例绘制。实际上，为了论述清晰起见，可任意增大或减小各种特征的尺寸。
图1为实例晶圆缺陷管理***。
图2为实例晶圆缺陷复查***。
图3A为目标晶圆的实例SEM图像。
图3B为用于图3A的目标晶圆的实例参考图像。
图4A为实例粗略ROI图像。
图4B为基于图4A的实例粗略ROI图像来生成的实例精细ROI图像。
图5为图1的晶圆缺陷管理***的实例操作。
图6为实施图2的晶圆缺陷复查***的实例计算器件。
附图标号说明
100：晶圆缺陷管理***；
110：晶圆制造现场***；
112：阶段；
120：晶圆检查***；
130：缺陷复查***；
140：缺陷分类***；
210：成像单元；
220：参考图像单元；
230：感兴趣区确定单元；
240：粗略感兴趣区图像单元；
250：精细感兴趣区图像单元；
260：网络；
300：第一部分；
310：缺陷区；
320：非缺陷区；
350：参考图像；
360、370：部分；
400：粗略感兴趣区图像；
450：精细感兴趣区图像；
500、510、520、530、540、544、550、560、570：操作；
542：判断块；
604：以处理器为基础的器件；
606：处理器；
608：***存储器；
610：***总线；
612：只读存储器；
614：随机存取存储器；
614a：因特网；
614b：蜂窝式网络；
616：基本输入/输出***；
630：操作***；
632：应用程序；
632a：平摇/滚动；
634：其它程序或模块；
636：驱动程序；
638：程序数据；
640：通信程序；
644a：手指；
644b：触控笔；
644c：计算机鼠标或轨迹球；
646：接口；
648：触摸屏；
650：视频接口；
652a：网络接口；
656：通信接口；
660：数据库器件；
662：所检查图像数据库；
664：图形数据库***图案数据库；
666：特征标识符数据库；
668：特征细节数据库；
670：规则组数据库。
具体实施方式
本公开涉及使用机器学习技术来对晶圆缺陷进行检测和分类的解决方案。解决方案仅拍摄目标晶圆的一个粗略分辨率数字显微镜图像(例如，扫描电子显微镜(scanningelectron microscope；SEM)图像)，且使用机器学习技术来处理粗略SEM图像，以对目标晶圆上的缺陷进行复查和分类。由于仅需要晶圆的一个粗略SEM图像，所以提高了缺陷复查和分类的吞吐量和效率。此外，技术不是分散的且可与其它缺陷检测和分类技术集成。
传统上，对晶圆拍摄至少两个SEM图像(粗略SEM图像和精细SEM图像)以分别标识缺陷或对缺陷进行分类。在各种实施例中公开的技术仅拍摄一个粗略SEM图像并分析粗略SEM图像以对晶圆的缺陷进行标识和分类。具体来说，称为“目标晶圆”的晶圆最初由宽范围晶圆检查***(例如，激光扫描图案化晶圆缺陷检查***)检查以确定目标晶圆上是否存在缺陷。当目标晶圆确定为有缺陷时，将晶圆上的缺陷区标识为潜在地含有缺陷。缺陷区的数字显微镜图像以粗略分辨率获得，所述数字显微镜图像称为“粗略图像”或“第一SEM图像”。在本文的公开中，出于描述目的将术语“SEM图像”用作实例以指代显微镜图像。在实施例中，第一SEM图像以相对较粗略分辨率获得，所述分辨率足以标识缺陷但总体上不足以对所标识缺陷进行分类或标识缺陷的更多细节以用于缺陷分析目的。粗略SEM图像可具有与在用以标识缺陷的传统方法中使用的粗略SEM图像类似的分辨率。应了解，SEM图像的分辨率是粗略还是精细是相对的定义，且基于具体技术节点或在晶圆上形成的IC的具体类型来确定。举例来说，较粗略图像分辨率的第一SEM图像对于模拟或混合信号IC可为可接受的，但对于数字IC可能是不可接受的，因为数字IC包含比模拟或混合信号IC更小的结构尺寸。
在实施例中，将第一SEM图像与参考图像进行比较来确定缺陷区内的缺陷或缺陷区域。参考图像可通过模拟由(第一)机器学习过程获得。模拟可基于目标晶圆的晶圆设计数据、制造工作程序或制造过程参数中的一个或多个。举例来说，第一机器学习单元可使用模拟和/或其它技术来将晶圆设计数据转换成呈粗略SEM图像形式的晶圆表面的参考图像。举例来说，机器学习技术用于模拟制造过程对晶圆上的特征的几何形状的影响。也就是说，通过所模拟制造过程影响来调整由晶圆设计数据提供的特征几何形状，以生成晶圆的参考图像。因此，参考图像反映制造过程对晶圆上的结构的形状的影响，且在一些实施例中与在相应制造过程中制成的实际晶圆的SEM图像相似。此外，使用训练或学习过程来改进模拟结果和/或模拟过程，例如模拟算法。举例来说，可将晶圆的所模拟SEM图像与实际SEM图像进行比较(例如，第一SEM图像或与目标晶圆具有相同设计的另一晶圆的SEM图像的“良好”或非缺陷部分)。比较结果可用于更新模拟结果和/或更新模拟算法。替代或另外地，参考图像可为与目标晶圆类似的参考晶圆(例如，相同晶圆设计的“良好”晶圆)的SEM图像。
将目标晶圆的第一SEM图像与参考图像进行比较以在缺陷区内定位缺陷区域或缺陷特征。通常，缺陷区域或缺陷特征小于缺陷区并含于所述缺陷区内。在本文的描述中，出于描述目的，将缺陷特征或缺陷区域称为感兴趣区(region of interest；ROI)。为进一步复查缺陷，例如，对缺陷进行分类和/或诊断缺陷的起因，使用较高图像分辨率的ROI图像，出于描述目的将所述ROI图像称为“精细ROI图像”。
所公开的技术不拍摄ROI的另一SEM图片。实情为，精细ROI图像(即，具有比粗略SEM图像更高的分辨率图像)通过第二机器学习过程获得。ROI的粗略SEM图像(也称为“第二粗略图像”)通过数字图像处理技术(例如，通过裁剪第一SEM图像来提取其ROI部分)从缺陷区的第一SEM图像获得。如此，第二粗略图像是第一粗略图像的所提取部分。通过从第一SEM图像提取第二图像，图像分辨率将不会提高且将保持不变或变得更粗略。因此，第二SEM图像是粗略图像。第二机器学习单元将ROI的第二粗略图像与具有更高分辨率的图像特征细节的数据库进行映射。将每段图像特征细节保存为分辨率更精细的小段图像，其可用于替代第二粗略图像的一部分。如此，出于描述目的，将每段图像特征细节称为“图像补丁”。图像补丁具有更高图像分辨率且比第二粗略图像的部分包含更多细节。具体来说，如果在第二粗略图像的一部分与图像补丁之间实现匹配，那么使用图像补丁来替代第二粗略图像的部分。当第二粗略图像的所有部分由图像补丁替换时，因而生成分辨率更精细的图像。在实施例中，映射可基于包含在第二粗略图像上的标识特征来进行，所述标识特征称为“特征标识符”。举例来说，将第二SEM粗略图像分割成分割部分且用分割部分中的每一个来标识特征标识符。特征标识符用于与数据库中的图像补丁进行映射。所映射图像补丁用于补充或替代相应的分割部分。当所有分割部分由图像补丁替换时，获得ROI的精细图像。在实施例中，可多次进行第二粗略图像的分割和进行分割部分与图像补丁的映射以生成ROI的精细图像。也就是说，可将第二粗略图像不同地分割来生成不同分割部分，以与所保存图像补丁进行映射。在实施例中，所映射图像补丁可用于优化第二粗略图像的分割。举例来说，如果用于第二粗略图像上的两个相邻分割部分的两个图像补丁彼此不一致(例如，两个图像补丁的特征细节不匹配)，那么可重新分割ROI的第二粗略图像以生成不同的分割部分，从而避免匹配问题。
在实施例中，在选择或过滤图像补丁时应用规则以生成将用于生成精细ROI图像的图像补丁的列表。举例来说，规则可规定，对应于ROI的第二粗略图像的紧邻分割部分的表面特征彼此一致。规则还可规定，精细图像的表面特征与目标晶圆的设计数据一致。
在实施例中，第二机器学习单元的特征映射可包含对应于分割部分的不同层级(level)或层(tier)的多层图像补丁。举例来说，从ROI的第二粗略图像获得的特征标识符可映射到特征映射的第一层图像补丁中。第一层图像补丁可具有比第二粗略图像更精细的第一尺度图像分辨率。所映射的第一层图像补丁可进一步分割以获得第二层特征标识符。第二层特征标识符可与第二层图像补丁进行映射，所述第二层图像补丁具有比第一尺度图像分辨率更精细的第二尺度图像分辨率。在一个或多个映射中，可应用规则来限制映射。举例来说，规则可规定，在每一层特征标识符中，相邻分割部分的所提出特征细节必须彼此一致。规则还可规定，在每一层映射中，所映射特征细节与目标晶圆的设计数据一致。
图像补丁可从已经存在的图像补丁的数据库中选择。也可基于附近的特征细节来生成图像补丁。此外，用于具体分割部分的图像补丁的选择或生成可与与具体分割部分相邻的分割部分的图像补丁的选择或生成一起训练。可使用各种训练方法且所述各种训练方法在本公开的范围内。本公开不受图像补丁的选择或生成中的任何具体训练方法限制。
在针对图像分辨率的层或尺度选择图像补丁之后，组合所述图像补丁以生成具有在ROI的尺度或层上的图像分辨率的精细分辨率图像。ROI的精细分辨率图像用于对目标晶圆上的缺陷进行分类，以确定缺陷的类型或缺陷的起因或缺陷的其它详细分析中的一个或多个。可将ROI的精细图像进一步分割成分割部分，所述分割部分可与更精细图像分辨率的图像补丁进行映射。
第二机器学习单元的特征映射可用可供第二机器学习单元使用的精细分辨率SEM图像上的新数据来更新。举例来说，在通过机器学习过程生成ROI的精细分辨率图像之后，可捕获ROI的实际精细分辨率图像。可将实际精细分辨率图像分割成图像补丁，所述图像补丁可链接到第二粗略图像的特征标识符。此外，可将实际精细分辨率SEM图像与生成的相同ROI的精细分辨率图像相比来确定生成的精细分辨率图像是否匹配实际精细分辨率SEM图像。比较结果可用于校正或训练机器学习算法以分割粗略影像或对分割部分与图像补丁进行映射。举例来说，通过第二机器学习单元选择的图像补丁可与实际精细分辨率图像上的相应分割部分进行比较来确定所选择的图像补丁是否符合实际精细分辨率图像。如果所选择的图像补丁不符合实际精细分辨率图像，那么可更新图像补丁选择/生成算法或所存储图像补丁中的一个或多个，使得可选择/生成正确的图像补丁。
图1为实例晶圆缺陷管理***100。如图1所绘示，***100包含晶圆制造现场***110、宽范围晶圆检查***120、缺陷复查***130以及缺陷分类***140。晶圆制造现场***110配置成处理晶圆以在其上形成集成电路。晶圆制造现场***110包含以顺序方式处理晶圆的多个阶段112。在典型的半导体制造过程中，制备晶圆(直径为8英寸、12英寸、16英寸或其它直径大小的整个晶圆)。电路在晶圆上形成。电路形成通常包含产线前段(“front-end-of-line；FEOL”)、产线中段(“middle-of-line；MOL”)以及产线后段(“back-end-of-line；BEOL”)。FEOL过程包含晶圆制造、隔离、阱形成、栅极图案化、间隔物、扩展和源极/漏极注入、硅化物形成以及双应力衬里形成。MOL过程包含栅极接触件和/或源极/漏极接触件形成。BEOL过程包含在MOL或FEOL之后的所有晶圆制造过程，例如在金属化层中形成布线以内连各个器件。金属化层通过介电层分隔，所述介电层即层间介电(“inter-layerdielectric；ILD”)层。ILD层是氧化硅或低k介电材料。在电路形成过程之后，将在其上形成的具有电路的整个晶圆锯切成更小的裸片。接着测试和封装裸片以获得单独的集成电路产品。晶圆制造现场***110包含用于处理(作为整个晶圆或锯切晶圆(例如，管芯)的)晶圆的任何过程的任何成套工具(toolset)。
晶圆检查***120可为晶圆制造现场***110的集成部分或可配置成作为独立器件与晶圆制造现场***110一起运作。晶圆检查***120可包含一个或多个基于激光的检查器件、超声检查器件、换能器、基于电子束的检查器件、亮场检查器件、暗场检查器件、其它度量器件和/或适合于晶圆缺陷检查的其它器件。举例来说，晶圆检查***120可包含光束枪、光电倍增管、电子束倾斜、硅漂移检测器、光学显微镜、显微镜光束控制器、衰减和扫描放大器或内部传送单元中的一个或多个。晶圆检查***120可配置成在制造的各个阶段112中检查晶圆，所述各个阶段例如图案化晶圆、整个晶圆、锯切晶圆、JEDEC塔盘、多芯片模块或晶圆处理的其它阶段。晶圆检查***120可使用相同或不同检查器件以在晶圆制造***110的不同阶段112处检查晶圆。
晶圆检查***120配置成在半导体制造过程的任何阶段处检查晶圆的缺陷。缺陷可包含任何缺陷，例如，金属化缺陷、扩散缺陷、钝化层缺陷、划割缺陷、玻璃钝化(glassivation)缺陷或内连线缺陷。缺陷还可根据晶圆制造过程控制来包含尺寸变化或偏差。缺陷可为***性缺陷或随机缺陷。缺陷可在晶圆的表面上可见或可能不可见。举例来说，图案化晶圆检查器件通过比较将锯切成单个管芯的相邻管芯区域的图案图像并获得相邻管芯区域之间的相对于图案图像的差异来检测缺陷。
如果晶圆检查***120确定晶圆包含缺陷，那么将晶圆作为目标晶圆呈现给缺陷复查***130用于进一步分析。在目标晶圆上，将覆盖和/或围绕可能缺陷的区标识为缺陷区。晶圆检查***120通常是在0.1微米到约1微米范围内的亚微米级检查。所标识的缺陷区通常具有在约1微米到约10微米范围内的直径或其它直径大小。
缺陷复查***130可包含成像器件，例如扫描电子显微镜(scanning electronmicroscope；SEM)和一个或多个机器学习单元，其在本文中进一步详细描述。缺陷复查***130配置成从由晶圆检查***120标识为有缺陷的目标晶圆的缺陷区标识缺陷或缺陷区域(称为感兴趣区(region of interest；ROI))。缺陷复查***130还配置成获得目标晶圆的粗略图像(称为“第一SEM图像”)以生成ROI的粗略图像(称为“第二粗略图像”)或生成ROI的精细图像。将ROI的精细图像发送到缺陷分类***140用于进一步分析。
缺陷分类***140配置成至少部分地基于缺陷复查***130的输出(例如，ROI的精细图像)来确定缺陷的类型、大小、电路定位、功能元件中的一个或多个或其它特征或缺陷的起因。
图2为实例缺陷复查***130。参看图2，缺陷复查***130包含一个或多个成像单元210、参考图像单元220、ROI确定单元230、粗略ROI图像单元240以及精细ROI图像单元250。参考图像单元220、ROI确定单元230、粗略ROI图像单元240或精细ROI图像单元250中的一个或多个可通过计算器件(例如，服务器计算机)实施。缺陷复查***130的元件可驻留在相同计算器件中(例如，服务器计算机)或驻留在在分布式计算环境(例如，基于云的计算环境)中经由网络260上的数据通信彼此耦合的单独计算器件。在各种实施例中，缺陷复查***130的组件中的一个或多个可驻留在相同物理计算器件上并通过网络通信与其它组件通信。举例来说，ROI确定单元230和粗略ROI图像单元240可驻留在相同计算器件上。***130组件的实体布置/配置上的其它变型也是可能的，所述变型都在本公开的范围内。
在操作中，成像单元210配置成获得目标晶圆的第一图像。举例来说，目标晶圆的第一图像是SEM图像。目标晶圆的第一SEM图像是目标晶圆的表面的二维图像或示出目标晶圆的表面和表面上特征的深度/高度的三维图像中的一个。在实施例中，第一SEM图像可覆盖目标晶圆的整个表面。在另一实施例中，第一SEM图像覆盖目标晶圆的表面的一部分(称为“第一部分”)。第一部分封闭由晶圆检查***120标识的缺陷区。第一SEM图像具有相对于缺陷分类***140的图像分辨率要求或如本文中所描述的ROI的更精细分辨率图像中的一个或多个而相对粗略的第一分辨率。应了解，第一SEM图像的“粗略”分辨率是纯粹相关于如相对于精细ROI图像所描述的更精细分辨率而定义，且术语“粗略”分辨率并不传达关于第一SEM图像的分辨率的任何绝对标准或准则。在实施例中，粗略第一SEM图像具有约1.4纳米到约0.1微米的范围内的分辨率。
图3A为实例目标晶圆的第一部分300的实例第一粗略SEM图像。第一部分包含缺陷区310和非缺陷部分320。图3A图像的实例图像分辨率是约2.5纳米/像素。
在实施例中，第一粗略SEM图像存储在耦合到成像单元210的所检查图像数据库中。所检查图像数据库还以各种图像分辨率存储其它晶圆的其它所检查图像。
参考图像单元220配置成生成对应于目标晶圆的第一部分300的参考图像。在实施例中，参考图像单元220包含机器学习单元(称为“第一机器学习单元”)，其基于设计数据、制造工作程序、制造过程数据或第一部分300的第一SEM图像中的一个或多个来生成参考图像。设计数据指示在晶圆或衬底上方建构的电路的细节。制造工作程序指示关于电路结构的每一层如何在制造过程中形成的细节。制造过程数据指示实施制造工作程序中的实际制造过程参数或变型，例如，成套工具的具体参数(寿命、品牌、调谐等)、工具或晶圆位置度量以及光源变化。举例来说，在关键光刻过程中，步进光刻机(stepper)工具(例如，步进和重复相机)与晶圆台在对晶圆进行曝光时彼此对准。步进光刻机使光穿过掩模版，形成掩模版图案的图像。图像通过透镜对焦和缩小并投射到涂布有光刻胶的晶圆的表面上。步进光刻机以步进和重复的方式工作，其中掩模版上的图案在栅格中的晶圆的表面上重复地曝光。步进光刻机通过晶圆台移动晶圆，作为从一个拍摄定位到另一拍摄定位的步长。晶圆的步长移动可往复进行(例如，向左和向右)，其中栅格在步进光刻机的透镜下方。步进光刻机与晶圆台之间的相对位置偏移和/或旋转偏移将影响在晶圆上形成的相应特征的尺寸。这类制造过程信息可通过第一机器学习单元获得并用于生成参考图像。
在实施例中，第一机器学习单元使用模拟来生成参考图像。模拟考虑各种制造过程对在晶圆上形成的特征的形状或剖面的影响。举例来说，选择性湿式蚀刻过程可形成具有圆形边缘和底切部分的结构特征。将由工作程序中的具体过程引起的这类副作用考虑到参考图像的生成中。
第一机器学习单元可从所检查图像数据库或图形数据库***(“graphicdatabase system；GDS”)数据库中的一个或多个检索信息。所检查图像数据库包含实际晶圆图像的信息。GDS数据库包含关于电路特征和/或布局的设计数据。实际晶圆图像和GDS设计数据可用于学习或训练参考图像的生成。举例来说，参考图像可最初通过使用GDS数据的模拟来生成。模拟过程使用GDS数据来模拟实际制造过程在衬底上方形成结构特征时的影响。接着可将最初生成的参考图像与实际晶圆图像进行比较。比较结果可用于验证或优化使用GDS数据生成参考图像的模拟过程。应注意，参考图像用于与目标晶圆具有相同设计数据的晶圆。
在实施例中，存储在所检查图像数据库中的第一SEM图像还用于学习参考图像。在一些实施例中，第一SEM图像覆盖目标晶圆的第一部分300，所述第一部分封闭并大于缺陷区310。如此，第一SEM图像的非缺陷部分320可用于训练参考图像的模拟。举例来说，所模拟参考图像上的对应部分可与第一SEM图像的非缺陷部分320相比，以训练对应部分的所模拟图像。
可将参考图像分割成称为“学习部分”的多个片段。学习部分的特征细节通过递归学习过程获得和更新。此外，以相互增强的方式学习相邻学习部分的特征细节。举例来说，可应用规定所模拟参考图像上的相邻学习部分彼此一致的规则。如此，所验证学习部分可用于训练相邻学习部分，因为相邻学习部分必须与所验证学习部分一致。图3B为由参考图像单元220生成的实例参考图像350。参考图像350对应于第一部分300，参考图像350的部分360对应于缺陷区310，且参考图像350的部分370对应于图3A的第一SEM图像的非缺陷区320。在实施例中，参考图像350具有与目标晶圆的第一部分300的第一SEM图像实质上相同的图像分辨率。
图3A和3B都绘示非限制性的晶圆的实例部分。应了解，第一SEM图像和参考图像都可覆盖整个晶圆。
ROI确定单元230配置成比较第一SEM图像与参考图像350以确定缺陷或缺陷区域。当确定缺陷或缺陷区域时，在第一SEM图像上标识优化的缺陷区(称为感兴趣区(ROI))。ROI覆盖第一SEM图像上的与参考图像上对应的区域并不匹配的区。可使用任何准则来确定第一SEM图像上的区是否匹配参考图像，这些都在本公开的范围内。ROI可与缺陷区相同或可不同于由晶圆检查***120标识的缺陷区。在本文中的描述中，出于示出性目的，假设ROI与第一SEM图像上的缺陷区310交叠。如此，缺陷区310也称为ROI 310。
粗略ROI图像单元240配置成基于第一SEM图像来生成ROI的粗略图像。在实施例中，粗略ROI图像单元240裁剪第一SEM图像以提取ROI区并放大所提取ROI区以获得ROI上的粗略图像。也就是说，粗略ROI图像的分辨率不能够比第一SEM图像更精细。由于第一SEM图像的裁剪操作，所以粗略ROI图像可能进一步损失一些细节并具有比第一SEM图像更低/更粗略的分辨率。出于描述目的，粗略ROI图像也称为“第二粗略图像”，但第二粗略图像并不由SEM成像单元捕获。裁剪之外或替代地，粗略ROI图像单元240可基于目标晶圆的第一部分300的第一SEM图像使用其它图像处理技术来生成粗略ROI图像，这些都在本公开的范围内。然而，粗略ROI图像单元240可不配置成向已经没有含于第一SEM图像中的粗略ROI图像添加任何细节。
图4A绘示实例粗略ROI图像400，其由目标晶圆的第一部分300的第一SEM图像生成。更具体来说，粗略ROI图像400实质上是从目标晶圆的第一部分300的第一SEM图像裁剪的ROI 310。
精细ROI图像单元250配置成基于ROI 310的粗略图像400来生成ROI310的更精细分辨率图像。在实施例中，精细ROI图像单元250包含第二机器学习单元。在实施例中，第二机器学习单元是卷积神经网络(convolutional neural network；CNN)，其以相互增强的方式在多尺度下递归地学习基于区的特征标识符的精细特征细节。每一尺度表示图像分辨率的等级。每一尺度下的学习包含特征标识符与所提出特征关注(例如，详细图像部分)之间的映射。基于尺度间相互依赖性和尺度内相互依赖性中的一个或多个来递归地学习映射。举例来说，在尺度间相互依赖性学习中，在前一尺度中所提出的或映射的特征细节可用作生成后一尺度(即，具有更精细的图像分辨率)的特征细节的参考。还可返回参考在后一尺度中所提出或映射的特征细节以进一步学习或优化前一尺度的所提出特征细节。举例来说，合并在前一尺度中所提出的特征细节以生成前一尺度精细图像。将前一尺度精细图像进一步分割成后一尺度分割部分，其用于与后一尺度特征细节进行映射。在后一尺度中映射的特征细节可能与规则相抵触，所述规则可指示在前一尺度中所提出的特征细节中的相应一个是不正确的。接着可更新前一尺度的特征细节。在尺度内相互依赖性的情况下，相同尺度下的相邻分割部分的所提出特征细节应彼此一致且递归地用作彼此的参考。
具体来说，例如，第二机器学习单元从用于第一尺度学习的第二粗略图像开始。将第二粗略图像分割成这一第一尺度的分割部分，且针对每一第一尺度分割部分标识一个或多个第一尺度特征标识符。特征标识符的标识和第二粗略图像的分割可以相互增强的方式进行，以这一方式，还可用作为参考的特征标识符来学习和更新所述分割。举例来说，如果特征标识符在两个相邻分割部分上延伸并包含在其中，那么两个分割部分可组合(例如，重新分割)成一个分割部分，使得特征标识符可用于与对应特征细节进行映射。将所标识的特征标识符映射到特征细节中，所述特征细节比第二粗略图像对对应的分割部分提供更精细的关注。特征标识符和特征细节可能不具有一对一的对应关系。其中，在选择与特征标识符映射的特征细节时应用相互的尺度内依赖性。在尺度内依赖性中，相邻分割部分的特征细节用作参考，使得分割部分的所提出特征细节与相邻分割部分的所提出特征细节一致。其它因素(例如，设计规则、制造工作程序、电路类型)也可考虑为在特征标识符与特征细节之间映射时的规则。在一些实施例中，还考虑学习历史，例如第二粗略图像的特征标识符与图像特征细节的数据库的特征细节(例如，图像补丁)之间的成功映射。举例来说，如果特征标识符对应于多个特征细节或多个图像补丁，且历史上特征标识符与图像补丁中的一个的映射已多于其它图像补丁，那么在涉及特征标识符的未来映射操作中将优先处理图像补丁。
在实施例中，在构造特征标识符与特征细节之间的映射时应用规则。规则可包含依赖性内规则，本文中所描述的依赖性间规则或其它规则。那些规则可存储在规则组中，所述规则组将规则与特征标识符、分割部分或图像补丁/特征细节中的一个或多个相关联。
从ROI的粗略SEM图像获得的特征标识符和对应于特征标识符的所映射特征细节是递归学习的第一尺度的部分。第一尺度递归学习生成第一尺度精细图像。
使用第一尺度精细图像，精细ROI图像单元250的第二机器学习单元基于第一尺度精细图像和(在一些情况下)ROI的第二粗略图像继续进行第二尺度学习。具体来说，将第一尺度精细图像进一步分割成用于与第二尺度特征细节进行映射的分割部分(称为“第二尺度分割部分”)。第二尺度特征标识符从第二尺度分割部分标识并与第二尺度特征细节进行映射来以类似于生成第一尺度精细图像的方式生成第二尺度精细图像。第二尺度精细图像比第一尺度精细图像具有更精细的图像分辨率。第二尺度学习的规则组可类似于或可不同于ROI的特征细节的第一尺度学习的规则组。
另外，作为第二尺度学习规则组的部分，尺度间相互依赖性可规定，将在第二尺度学习中所提出的第二尺度特征细节递归地用作对第一尺度学习的所提出特征细节的参考。举例来说，对第二尺度学习的尺度内相互依赖性可为第二尺度分割部分提供第二尺度特征细节，其不对应于第二尺度分割部分的任何第二尺度特征标识符。应注意，从第二尺度分割部分获得第二尺度特征标识符且通过分割包含第一尺度特征细节的第一尺度精细图像来获得第二尺度分割部分。如此，将第二尺度特征标识符链接到第一尺度特征细节。另一方面，所提出的第二尺度特征细节还可用于优化第一尺度学习。举例来说，在第二尺度学习中所提出的特征细节可能与规则冲突，所述规则可指示第一尺度精细图像可改进或更新或第一尺度机器学习可更新。第一尺度机器学习的更新还可引起ROI的第二粗略SEM图像的分割的更新并因此引起其特征标识符的更新。更新的第一尺度机器学习将生成ROI的更新的第一尺度精细图像，所述第一尺度精细图像继而用于第二尺度学习。尺度间相互依赖性和尺度内相互依赖性规则的这类递归应用使每一尺度上的特征细节的学习更精确。
在生成第二尺度精细图像之后，第二机器学习单元可继续进行第三尺度学习。第三尺度学习可基于第二尺度精细图像和(在一些情况下)ROI的第一尺度精细图像或粗略SEM图像中的一个或多个来以与第二尺度学习类似的方式实施。
可通过第二机器学习单元针对单个类型的晶圆定制学习标度的数目。此外，规则组还可针对单个类型的晶圆定制。举例来说，规则组可定制成禁用学习时的尺度间相互依赖性。规则组还可定制成限制尺度间依赖性的应用。举例来说，定制的规则组可规定，对于每一学习尺度，尺度间相互依赖性仅应用于向后的一个尺度和/或向前的一个尺度。其它变型也是可能的且在本公开的范围内。
第一机器学习单元和第二机器学习单元可各自为卷积神经网络或超分辨率卷积神经网络(super-resolution convolutional neural network；SRCNN)。特征标识符与特征细节之间的映射可实施为线性映射或非线性映射。举例来说，可使用线性回归方程/算法或非线性回归方程/算法以将特征标识符与特征细节或图像补丁相关联。最后所提出的特征细节(例如，图像补丁)基于相应分割部分来汇总以重构精细分辨率ROI图像。
图4B绘示基于图4A的粗略ROI图像400来生成的实例精细ROI图像450。精细ROI图像450具有约1.1纳米/像素的图像分辨率。
返回参看图1，缺陷分类***140配置成基于由第二机器学习单元生成的精细分辨率ROI图像来将ROI的缺陷分配到相应类别。缺陷分类***140将存储在规则引擎数据库中的分类规则应用于ROI的精细分辨率图像或其任何部分。举例来说，缺陷分类***140可将合适的自动缺陷分类(automatic defect classification；ADC)算法应用于ROI的精细分辨率图像。ADC算法使用单类别或多类别分类器，所述分类器具有指示ROI内的区的分类规则。本公开适用于任何和所有种类的ADC算法和/或其它缺陷分类方法，这些都在本公开的范围内。在本公开的技术中，ROI的精细分辨率图像通过机器学习生成且由ADC用于对ROI上标识的缺陷进行分类。因为公开的技术消除捕获ROI的精细分辨率SEM图像的需要，所以可实质上提高晶圆检查和验证过程的吞吐量。
图5为晶圆缺陷管理***100的实例操作500的流程图。参看图5，在实例操作510处，晶圆检查***120检查晶圆并检测缺陷。晶圆检查***120可包含一个或多个晶圆检查器件并可进行晶圆的电子检查、X射线检查或光学检查中的一个或多个。标识为具有缺陷的晶圆称为目标晶圆。在一些情况下，晶圆检查***120还标识目标晶圆上的缺陷区，缺陷位于所述缺陷区内。缺陷区可为整个目标晶圆表面或目标晶圆表面的一部分。缺陷区可标识为二维区或三维区。
在实例操作520处，缺陷复查***130的成像单元210获得目标晶圆或晶圆的缺陷区的粗略分辨率图像。在实例中，晶圆检查***120拍摄目标晶圆或(具体来说)目标晶圆上的缺陷区的SEM图像，例如图3A的SEM图像。
在实例操作530处，参考图像生成单元220生成对应于目标晶圆的缺陷区310(图3A)的参考图像，例如图3B的参考图像350。具体来说，参考图像350表示缺陷区在“良好”晶圆上应是什么样子。参考图像350基于粗略图像300(图3A)的电路设计、制造工作程序或“良好”部分320中的一个或多个使用机器学习来生成。
在实例操作540中，ROI确定单元230比较缺陷区的粗略图像与参考图像以确定感兴趣区(ROI)。ROI含有“缺陷”，例如，目标晶圆的粗略图像与参考图像之间的标识差异。ROI可或可不与由晶圆检查***120标识的缺陷区交叠。
在实例操作550中，粗略ROI图像单元240从缺陷区的粗略图像获得ROI的粗略图像。在实施例中，粗略ROI图像单元240裁剪第一SEM图像以获得ROI的粗略图像。ROI的粗略图像具有不比第一SEM图像更精细的分辨率。
在实例操作560中，精细ROI图像单元250基于ROI的粗略图像来生成ROI的精细分辨率图像。在实施例中，使用超定义卷积神经网络***来从粗略ROI图像学习图像细节。进行多尺度递归学习来学习图像分辨率的每一尺度上的特征标识符和对应特征细节。特征标识符链接学习尺度之间的特征细节。这类链接是递归学习的，其中应用尺度内相互依赖性和尺度间相互依赖性规则并应用其它规则。举例来说，在相同尺度内，相邻分割部分的特征细节需要彼此一致且需要符合电路设计数据和/或制造工作程序。
在实例操作570中，缺陷分类***140基于生成的ROI的精细分辨率图像为目标晶圆的缺陷分配分类。
在实施例中，在实例操作540之后添加判断块542。如果实例操作540未能标识ROI，例如，缺陷区的粗略SEM图像与参考图像足够类似，那么实例操作544将目标晶圆传送到补充缺陷复查路径。举例来说，在补充缺陷复查路径中，缺陷区的粗略图像与“良好”晶圆的对应粗略图像进行比较以确定ROI。
图6绘示适合于实施本文中所描述的各种实施例的以处理器为基础的器件604。举例来说，以处理器为基础的器件604可表示图2的参考图像单元220、ROI确定单元230、粗略ROI图像单元240或精细ROI图像单元250的计算***。虽然不是必需的，但实施例的一些部分将在处理器可执行指令或逻辑(例如由一个或多个处理器执行的程序应用模块、对象或宏)的一般上下文中描述。相关领域的技术人员将了解，所描述的实施例以及其它实施例可用各种基于处理器的***配置实现，包含手持型器件，例如智能电话和平板计算机、可穿戴器件、多处理器***、基于微处理器或可编程消费型电子装置、个人计算机(personalcomputer；PC)、网络PC、微型计算机、大型计算机以及类似物。
举例来说，以处理器为基础的器件604可采取智能电话或平板计算机的形式，其包含一个或多个处理器606、***存储器608以及将包含***存储器608的各种***组件耦合到处理器606的***总线610。以处理器为基础的器件604有时将在本文中以单数形式提及，但这并不意欲将实施例限制于单个***，因为在某些实施例中，将涉及大于一个***或其它联网计算器件。可商购的非限制性实例包含(但不限于)来自各种制造商的ARM处理器、来自美国因特尔公司(Intel Corporation)的核心微处理器、来自国际商用机器公司(IBM)的PowerPC微处理器、来自太阳微***公司(Sun Microsystems,Inc)的Sparc微处理器、来自惠普公司(Hewlett-Packard Company)的PA-RISC系列微处理器、来自摩托罗拉公司(Motorola Corporation)的68xxx系列微处理器。
处理器606可为任何逻辑处理单元，例如一个或多个中央处理单元(centralprocessing unit；CPU)、微处理器、数字信号处理器(digital signal processor；DSP)、专用集成电路(application-specific integrated circuit；ASIC)、现场可编程门阵列(field programmable gate array；FPGA)等。除非另有描述，否则图6中所绘示的各种块的结构和操作是常规的设计。因此，如相关领域的技术人员将理解的，这类块无需在此进一步详细描述。
***总线610可采用任何已知的总线结构或架构，包含具有存储器控制器的存储器总线、***总线以及本地总线。***存储器608包含只读存储器(read-only memory；ROM)612和随机存取存储器(random access memory；RAM)614。可形成ROM 612的部分的基本输入/输出***(basic input/output system；BIOS)616含有有助于例如在启动期间在以处理器为基础的器件604内的元件之间传送信息的基本例程。一些实施例可采用用于数据、指令以及功率的单独总线。
以处理器为基础的器件604还可包含一个或多个固态存储器，例如快闪存储器或固态驱动器(solid state drive；SSD)，其为以处理器为基础的器件604提供计算机可读指令、数据结构、程序模块以及其它数据的非易失性存储。尽管未描绘，但以处理器为基础的器件604可采用其它非暂时性计算机或处理器可读媒体，例如硬盘驱动器、光盘驱动器或存储卡媒体驱动器。
各种存储器单元608、存储器单元612、存储器单元614中的一个或多个可含有专用于或指定用于实施参考图像单元220、ROI确定单元230、粗略ROI图像单元240或精细ROI图像单元250中的一个或多个的可执行指令。举例来说，在由处理器606执行时，专用于或指定用于参考图像单元220的可执行指令可实施本文中所描述的第一机器学习单元/过程以基于目标晶圆的电路设计数据来生成参考图像。在由处理器606执行时，专用于或指定用于精细ROI图像单元250的可执行指令可实施如本文中所描述的第二机器学习单元/过程，以基于粗略ROI图像来生成精细分辨率ROI图像，如本文中所描述。
程序模块可存储在***存储器608中，例如操作***630、一个或多个应用程序632、其它程序或模块634、驱动程序636以及程序数据638。
举例来说，应用程序632可包含平摇/滚动(panning/scrolling)逻辑632a。此类平摇/滚动逻辑可包含(但不限于)确定指针(例如，手指、触控笔、光标)在何时和/或何处进入用户界面元素的逻辑，所述用户界面元素包含具有中心部分和至少一个界限的区。这类平摇/滚动逻辑可包含(但不限于)确定用户界面元素中的至少一个元素应表现出移动的方向和速率，且使显示器更新以使得至少一个元素表现出以确定的速率在确定的方向上移动的逻辑。举例来说，平摇/滚动逻辑632a可存储为一个或多个可执行指令。平摇/滚动逻辑632a可包含处理器和/或机器可执行逻辑或指令，以使用表征指针移动的数据(例如，来自触敏显示器或来自计算机鼠标或轨迹球或其它用户界面器件的数据)来生成用户界面对象。
***存储器608还可包含通信程序640，例如用于允许以处理器为基础的器件604存取数据和与其它***(例如用户计算***、因特网(Internet)上的Web站点、公司内部网或如下所描述的其它网络)交换数据的服务器和/或Web客户端或浏览器。在所描绘实施例中的通信程序640是基于标记语言的，例如超文本标记语言(Hypertext Markup Language；HTML)、可扩展标记语言(Extensible Markup Language；XML)或无线标记语言(WirelessMarkup Language；WML)，并以标记语言操作，所述标记语言使用添加到文档的数据的句法分隔字符来表示文档的结构。许多服务器和/或Web客户端或浏览器是可商购的，例如来自加利福尼亚的摩斯拉公司(Mozilla Corporation)和华盛顿的微软(Microsoft)的服务器和/或Web客户端或浏览器。
虽然在图6中绘示为存储在***存储器608中，但操作***630、应用程序632、其它程序/模块634、驱动程序636、程序数据638以及服务器和/或浏览器640可存储在大量非暂时性处理器可读媒体(例如，硬盘驱动器、光盘驱动器、SSD和/或快闪存储器)中的任何其它媒体上。
用户可经由指针输入命令和信息，例如通过(例如)经由手指644a、触控笔644b或经由控制光标的计算机鼠标或轨迹球644c的触摸屏648的输入器件。其它输入器件可包含麦克风、操纵杆、游戏板、平板计算机、扫描仪、生物标识扫描器件等。这些和其它输入器件(即，I/O器件)通过接口646连接到处理器606，所述接口例如触摸屏控制器和/或将用户输入耦合到***总线610的通用串行总线(universal serial bus；USB)接口，但可使用例如并行端口、游戏端口或无线接口或串行端口的其它接口。触摸屏648可经由视频接口650耦合到***总线610，所述视频接口例如用以接收图像数据或图像信息以用于经由触摸屏648显示的视频适配器。尽管未绘示，但以处理器为基础的器件604可包含其它输出器件，例如扬声器、振动器、触感致动器或触感引擎等。
以处理器为基础的器件604使用逻辑连接中的一个或多个在联网环境中操作，以经由一个或多个通信信道(例如，一个或多个网络(例如，因特网614a、蜂窝式网络614b))与一个或多个远程计算机、服务器和/或器件通信。这些逻辑连接可有利于允许计算机进行通信的任何已知方法，例如通过一个或多个LAN和/或WAN，例如因特网和/或蜂窝式通信网络。这类联网环境在有线和无线企业范围的计算机网络、内部网、外部网、因特网以及包含电信网络、蜂窝式网络、寻呼网络以及其它移动网络的其它类型的通信网络中是熟知的。
在联网环境中使用时，以处理器为基础的器件604可包含一个或多个网络接口652a、有线或无线通信接口656(例如，网络接口控制器、蜂窝无线、WI-FI无线、蓝牙无线)，用于通过网络(例如，因特网614a或蜂窝式网络614b)建立通信。
在联网环境中，程序模块、应用程序或数据或其部分可存储在服务器计算***(未绘示)中。相关领域的技术人员将认识到，图6中所绘示的网络连接仅是在计算机之间建立通信的方式的一些实例，且可使用包含无线的其它连接。
为方便起见，处理器606、***存储器608、网络接口652a以及通信接口656示出为经由***总线610可通信地相互耦合，由此提供上述组件之间的连接性。在以处理器为基础的器件604的替代实施例中，上述组件可以不同于图6中所示出的方式而可通信地耦合。举例来说，上述组件中的一个或多个可经由中间组件(未绘示)直接耦合到其它组件或可彼此耦合。在一些实施例中，省略***总线610，并且使用合适的连接使组件彼此直接耦合。
以处理器为基础的器件604可包含数据库器件660或与所述数据库器件运作。数据库器件660可包含存储晶圆的实际显微镜图像的所检查图像数据库662、存储GDS图案的GDS图案数据库664、存储各种学习尺度的特征标识符的特征标识符数据库666、存储各种学习尺度的特征细节的特征细节数据库668或存储各种学习尺度和不同电路设计的规则组的规则组数据库670。
前述具体实施方式已经由使用框图、示意图以及实例来阐述器件和/或过程的各种实施方式。到此为止，因为这类框图、示意图以及实例含有一个或多个功能和/或操作，所以本领域的技术人员将理解，在这类框图、流程图或实例内的每一功能和/或操作都可通过广泛范围的硬件、软件、固件或几乎其任何组合来个别地和/或共同地实施。在一个实施方式中，本主题可经由专用集成电路(ASIC)来实施。然而，本领域技术人员将认识到，作为在一个或多个计算机上运行的一个或多个计算机程序(例如，作为在一个或多个计算机***上运行的一个或多个计算机程序)、作为在一个或多个控制器(例如，微控制器)上运行的一个或多个程序、作为在一个或多个处理器(例如，微处理器)上运行的一个或多个程序、作为固件、或其实际上任何组合，本文中所公开的实施方式的全部或部分可以等效地在标准集成电路中实施，且根据本公开，设计电路和/或编写软件和/或固件的代码将完全在本领域普通技术人员的技能范围内。
本领域的技术人员将认识到，本文中阐述的方法或算法中的许多可采用额外动作，可省略一些动作和/或可以不同于指定的顺序执行动作。
另外，本领域的技术人员应了解，本文中所教示的机制能够以多种形式分配作为程序产品，且不管用于实际执行分配的信号承载媒体的特定类型如何，示出性实施方式同样适用。信号承载媒体的实例包含(但不限于)以下：可记录型媒体，例如软盘、硬盘驱动器、CD ROM、数字磁带以及计算机存储器。
可组合上述各种实施方式来提供进一步的实施方式。
根据以上具体实施方式，可对实施方式进行这些和其它改变。总体来说，在以上权利要求书中，所使用的术语不应理解为将权利要求书限制于本说明书和权利要求书中所公开的具体实施方式，而应理解为包含所有可能的实施方式以及这份权利要求书所有权获得的等效物的全部范围。因此，权利要求书不受本公开限制。
可通过以下实施例的描述进一步了解本公开：
在一个实施例中，一个或多个层配置成用于基于晶圆设计信息来生成样本的至少一个额外参考图像。举例来说，本文中所描述的模型可配置成生成定义感兴趣的缺陷的参考图像，所述参考图像使用深度学习架构来训练所检查图像和设计布局的图像数据库。
在另一实施例中，一个或多个层配置成用于基于所检查(低分辨率)图像数据库来生成样本的至少一个额外高分辨率图像。举例来说，本文中所描述的模型可配置成由低分辨率图像生成高分辨率图像，所述高分辨率图像使用深度学习架构来训练所检查(低分辨率)图像的图像数据库。
在又一实施例中，本文中所描述的模型是基于深度学习架构的。对所述实例来说，模型可为卷积神经网络(CNN)，其可利用深度学习概念来解决难处理的表示问题。模型可具有本领域中已知的任何CNN配置。对所述实例来说，模型可为超分辨率CNN(SRCNN)，其可利用深度学习概念来将低分辨率图像转换成高分辨率图像。模型可具有本领域中已知的任何SRCNN配置。
在一些实施例中，本申请提供一种晶圆检查方法，包括：获得晶圆的第一部分的第一显微镜图像，所述第一显微镜图像具有第一图像分辨率；基于所述晶圆的晶圆设计信息来获得所述晶圆的所述第一部分的参考图像；以及比较所述第一显微镜图像与所述参考图像以确定所述第一显微镜图像以及所述参考图像之间的失配。在一些实施例中，所述参考图像通过模拟获得。在一些实施例中，所述模拟对制造过程对基于所述晶片晶圆设计来形成的特征的形状的制造过程的副效应副作用进行模拟。在一些实施例中，所述第一显微镜图像包含缺陷部分和非缺陷部分。在一些实施例中，基于所述第一显微镜图像的所述非缺陷部分来获得所述参考图像。
在一些实施例中，本申请提供一种晶圆检查方法，包括：接收晶圆的第一部分的第一图像，所述第一图像具有第一图像分辨率；基于所述第一图像来获得所述晶片晶圆的第二部分的第二图像，所述第二部分含于所述第一部分内，所述第二图像具有第二图像分辨率，所述第二图像分辨率与所述第一图像分辨率类似或比所述第一图像分辨率更粗略；以及基于所述第二图像来学习所述第二部分的第三图像，所述第三图像具有比所述第一图像分辨率更精细的第三图像分辨率。在一些实施例中，所述基于所述第二图像来学习所述第二部分的第三图像包含：将所述第二图像分割成多个第一尺度分割部分；标识含于所述多个第一尺度分割部分中的第一尺度分割部分内的第一尺度特征标识符；将所述所标识第一尺度特征标识符与第一尺度特征细节进行映射；以及通过将所述第一尺度特征细节修补(patching)到所述第一尺度分割部分上来生成第一尺度精细图像。在一些实施例中，所述将所述所标识第一尺度特征标识符与所述第一尺度特征细节进行映射包含对规则进行应用。在一些实施例中，所述规则包含尺度内相互依赖性规则、尺度间相互依赖性规则或电路设计规则中的一个或多个。在一些实施例中，晶圆检查方法进一步包括：将所述第一尺度精细图像分割成多个第二尺度分割部分；标识含于所述多个第二尺度分割部分中的第二尺度分割部分内的第二尺度特征标识符；至少部分地基于尺度内相互依赖性规则来将所述所标识第二尺度特征标识符与第二尺度特征细节进行映射；以及通过将所述第二尺度特征细节修补到所述第二尺度分割部分上来生成第二尺度精细图像。在一些实施例中，将所述第二尺度特征细节用作更新所述所标识第一尺度特征标识符与第一尺度特征细节的所述映射时的参考。在一些实施例中，所述尺度内相互依赖性规则规定提供所述第二尺度分割部分的所述第二尺度特征细节与相邻第二尺度分割部分的第二尺度特征细节匹配。在一些实施例中，所述第一尺度特征细节和所述第二尺度特征细节存储在数据库中。在一些实施例中，晶圆检查方法进一步包括基于所述第二部分的所捕获精细分辨率扫描电子显微镜图像来更新用于学习所述第二部分的所述第三图像的学习过程。
在一些实施例中，本申请提供一种晶圆检查***，包括：晶圆成像器件、处理单元；以及数据存储器件。晶圆成像器件配置成以第一图像分辨率获得晶片晶圆的第一部分的第一显微镜图像；数据存储器件，具有存储在其上的可执行指令，所述指令在由所述处理单元执行时将所述处理单元配置成实施动作，所述动作包含：从第一数据库检索所述晶片晶圆的晶片晶圆设计信息；基于所述所检索晶片晶圆设计信息来生成所述晶片晶圆的所述第一部分的参考图像；比较所述第一显微镜图像与所述参考图像以确定所述第一显微镜图像与含于所述第一部分内的所述晶片晶圆的第二部分上的所述参考图像之间的失配；从所述第一显微镜图像获得所述晶片晶圆的所述第二部分的第二图像；通过机器学习过程基于所述第二部分的所述第二图像来生成所述第二部分的第三图像，所述第三图像具有比所述第一图像分辨率更精细的第二图像分辨率；以及使用所述第二部分的所述第三图像来分析所述失配。在一些实施例中，所述分析所述失配使用自动缺陷分类解决方案。在一些实施例中，所述从所述第一显微镜图像获得所述晶片晶圆的所述第二部分的所述第二图像包含裁剪所述第一显微镜图像。在一些实施例中，所述基于所述所检索晶片晶圆设计信息来生成所述晶片晶圆的所述第一部分的所述参考图像包含基于从第二数据库检索的所检查晶片晶圆的图像来学习所述参考图像。在一些实施例中，所述所检查晶片晶圆的所述图像包含所述第一显微镜图像的非缺陷部分。在一些实施例中，所述机器学习过程从第二数据库检索特征细节，且其中所述动作进一步包含将所述第三图像保存在所述第二数据库中。
本文中的公开提供用于实施所描述的主题的不同特征的许多不同实施例或实例。上文描述组件和布置的具体实例以简化本描述。当然，这些只是实例且并不意欲为限制性的。举例来说，在本文中的描述中，第一特征在第二特征上方或第二特征上的形成可包含第一特征与第二特征直接接触地形成的实施例，且还可包含额外特征可形成于第一特征与第二特征之间以使得第一特征与第二特征可不直接接触的实施例。另外，本公开可在各种实例中重复附图标号和/或字母。此重复是出于简单和清晰的目的，且本身并不规定所论述的各种实施例和/或配置之间的关系。
此外，为易于描述，本文可使用例如“之下”、“下方”、“下部”、“之上”、“上部”以及类似物的空间上相对的术语来描述如图所示出的一个元件或特征与另一元件或特征的关系。除图中所描绘的定向之外，空间上相对的术语意图涵盖在使用或操作中的器件的不同定向。设备可以其它方式定向(旋转90度或处于其它定向)，且本文中所使用的空间上相对的描述词同样可相应地进行解释。
在本文中的描述中，阐述某些具体细节以便提供对本公开的各个实施例的透彻理解。然而，本领域的技术人员将理解，本公开可在不存在这些具体细节的情况下实践。在其它情况下，没有详细地描述与电子组件和制造技术相关联的公认结构以避免不必要地混淆对本公开的实施例的描述。
除非上下文另有要求，否则贯穿整个说明书和所附的权利要求书，“包括(comprise)”一词及其多种变体(例如，“包括(comprises)”和“包括(comprising)”)应以开放式的和包含性的意义来进行解释，即作为“包含但不限于”来进行解释。
例如第一、第二以及第三等序数词的使用不一定暗示次序的分级意义，而是可仅区别动作或结构的多个例子。
在整个本说明书中对“一个实施例”或“实施例”的引用是指结合实施例描述的特定特征、结构或特性包含在至少一个实施例中。因此，贯穿本说明书在不同位置中出现短语“在一个实施例中”或“在实施例中”未必都是指相同实施例。此外，在一个或多个实施例中，特定特征、结构或特性可以任何合适方式组合。除非内容另外明确规定，否则如本说明书和所附权利要求书所用的单数形式“一(a/an)”和“所述(the)”包含复数指示物。还应注意，除非内容另外明确指示，否则术语“或”通常以其包含“和/或”的含义使用。

Claims (1)

1.一种晶圆检查方法，包括：
获得晶圆的第一部分的第一显微镜图像，所述第一显微镜图像具有第一图像分辨率；
基于所述晶圆的晶圆设计信息来获得所述晶圆的所述第一部分的参考图像；以及
比较所述第一显微镜图像与所述参考图像以确定所述第一显微镜图像以及所述参考图像之间的失配。
CN201910830285.4A 2018-09-28 2019-09-04 晶圆检查方法以及晶圆检查*** Pending CN110969598A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862738500P 2018-09-28 2018-09-28
US62/738,500 2018-09-28
US16/430,323 US10825650B2 (en) 2018-09-28 2019-06-03 Machine learning on wafer defect review
US16/430,323 2019-06-03

Publications (1)

Publication Number Publication Date
CN110969598A true CN110969598A (zh) 2020-04-07

Family

ID=69946085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910830285.4A Pending CN110969598A (zh) 2018-09-28 2019-09-04 晶圆检查方法以及晶圆检查***

Country Status (3)

Country Link
US (3) US10825650B2 (zh)
CN (1) CN110969598A (zh)
TW (1) TW202012920A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739022A (zh) * 2020-08-24 2020-10-02 武汉精测电子集团股份有限公司 一种基于图像检测的晶圆计数方法及***
CN112198169A (zh) * 2020-12-07 2021-01-08 紫创(南京)科技有限公司 一种晶圆检测装置及线上成套设备
CN112588617A (zh) * 2020-11-25 2021-04-02 海光信息技术股份有限公司 一种分等级筛选芯片的方法、装置及电子设备
CN112964722A (zh) * 2021-02-01 2021-06-15 苏州百迈半导体技术有限公司 一种超大视野分布计算视觉检测方法及检测***
CN113012128A (zh) * 2021-03-18 2021-06-22 长鑫存储技术有限公司 缺陷表征方法和装置
CN113095438A (zh) * 2021-04-30 2021-07-09 上海众壹云计算科技有限公司 晶圆缺陷分类方法及其装置、***、电子设备和存储介质
CN113109363A (zh) * 2021-03-10 2021-07-13 中国科学院上海微***与信息技术研究所 一种表征硅晶体中缺陷的方法
WO2022052523A1 (zh) * 2020-09-11 2022-03-17 长鑫存储技术有限公司 晶圆检测任务的处理方法、装置、***及存储介质

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11138507B2 (en) * 2017-09-28 2021-10-05 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
US10825650B2 (en) 2018-09-28 2020-11-03 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on wafer defect review
US11017522B2 (en) * 2019-04-18 2021-05-25 Taiwan Semiconductor Manufacturing Co., Ltd. Inspection and cleaning system and method for the same
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
US20210333219A1 (en) * 2020-04-27 2021-10-28 Mpi Corporation Method of determining distance between probe and wafer held by wafer probe station
US11232550B2 (en) * 2020-06-29 2022-01-25 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
KR20220019894A (ko) * 2020-08-10 2022-02-18 삼성전자주식회사 반도체 공정의 시뮬레이션 방법 및 반도체 장치의 제조 방법
US11967060B2 (en) 2020-08-25 2024-04-23 Kla Corporation Wafer level spatial signature grouping using transfer learning
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
US11282670B1 (en) * 2020-12-29 2022-03-22 Fei Company Slice depth reconstruction of charged particle images using model simulation for improved generation of 3D sample images
CN114740017A (zh) * 2021-01-07 2022-07-12 富泰华工业（深圳）有限公司 晶圆盒内晶圆摆放状态的检测方法及检测***
US20230043089A1 (en) * 2021-08-04 2023-02-09 Samsung Electronics Co., Ltd. Super resolution sem image implementing device and method thereof
CN113610155B (zh) * 2021-08-06 2024-05-31 上海众壹云计算科技有限公司 基于相似性比对模型的晶圆缺陷分类方法及装置、电子设备和存储介质
WO2023063940A1 (en) * 2021-10-13 2023-04-20 Hewlett-Packard Development Company, L.P. Region of interest cropped images
CN117522871B (zh) * 2024-01-04 2024-04-16 深圳市华拓半导体技术有限公司 基于视觉图像交互的半导体晶圆检测方法及***
CN118096799A (zh) * 2024-04-29 2024-05-28 浙江大学 一种混合弱监督的晶圆sem缺陷分割方法和***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430824B2 (en) * 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
US10825650B2 (en) * 2018-09-28 2020-11-03 Taiwan Semiconductor Manufacturing Co., Ltd. Machine learning on wafer defect review

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739022A (zh) * 2020-08-24 2020-10-02 武汉精测电子集团股份有限公司 一种基于图像检测的晶圆计数方法及***
CN111739022B (zh) * 2020-08-24 2020-12-11 武汉精测电子集团股份有限公司 一种基于图像检测的晶圆计数方法及***
WO2022052523A1 (zh) * 2020-09-11 2022-03-17 长鑫存储技术有限公司 晶圆检测任务的处理方法、装置、***及存储介质
CN112588617A (zh) * 2020-11-25 2021-04-02 海光信息技术股份有限公司 一种分等级筛选芯片的方法、装置及电子设备
CN112588617B (zh) * 2020-11-25 2022-07-19 海光信息技术股份有限公司 一种分等级筛选芯片的方法、装置及电子设备
CN112198169A (zh) * 2020-12-07 2021-01-08 紫创(南京)科技有限公司 一种晶圆检测装置及线上成套设备
CN112964722A (zh) * 2021-02-01 2021-06-15 苏州百迈半导体技术有限公司 一种超大视野分布计算视觉检测方法及检测***
CN113109363A (zh) * 2021-03-10 2021-07-13 中国科学院上海微***与信息技术研究所 一种表征硅晶体中缺陷的方法
CN113109363B (zh) * 2021-03-10 2022-09-20 中国科学院上海微***与信息技术研究所 一种表征硅晶体中缺陷的方法
CN113012128A (zh) * 2021-03-18 2021-06-22 长鑫存储技术有限公司 缺陷表征方法和装置
CN113095438A (zh) * 2021-04-30 2021-07-09 上海众壹云计算科技有限公司 晶圆缺陷分类方法及其装置、***、电子设备和存储介质
CN113095438B (zh) * 2021-04-30 2024-03-15 上海众壹云计算科技有限公司 晶圆缺陷分类方法及其装置、***、电子设备和存储介质

Also Published As

Publication number Publication date
US20210027984A1 (en) 2021-01-28
TW202012920A (zh) 2020-04-01
US11935722B2 (en) 2024-03-19
US10825650B2 (en) 2020-11-03
US20220359154A1 (en) 2022-11-10
US20200105500A1 (en) 2020-04-02
US11424101B2 (en) 2022-08-23

Similar Documents

Publication Publication Date Title
US11935722B2 (en) Machine learning on wafer defect review
TWI755613B (zh) 基於機器學習之圖案分組方法
US10997340B2 (en) Pattern centric process control
US9805462B2 (en) Machine learning method and apparatus for inspecting reticles
US7877722B2 (en) Systems and methods for creating inspection recipes
US7904845B2 (en) Determining locations on a wafer to be reviewed during defect review
TWI706376B (zh) 用於缺陷檢測之系統、方法及非暫時性電腦可讀儲存媒體
US20140153814A1 (en) Method and System for Mixed Mode Wafer Inspection
JP2017523390A (ja) 検査のための高解像度フルダイイメージデータの使用
JP6472447B2 (ja) フォトマスク欠陥性における変化の監視
US20230076943A1 (en) In-die metrology methods and systems for process control
US11410291B2 (en) System and method for generation of wafer inspection critical areas
TWI733221B (zh) 系統性故障定位系統及系統性故障定位的方法
TWI732803B (zh) 用於儲存動態層內容於一設計檔案中之方法、系統及非暫時性電腦可讀媒體
TW202300900A (zh) 以經呈現設計影像之設計照護區域之分段

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200407