CN113574645B - 使用内嵌缺陷信息的裸片筛选 - Google Patents
使用内嵌缺陷信息的裸片筛选 Download PDFInfo
- Publication number
- CN113574645B CN113574645B CN202080018079.4A CN202080018079A CN113574645B CN 113574645 B CN113574645 B CN 113574645B CN 202080018079 A CN202080018079 A CN 202080018079A CN 113574645 B CN113574645 B CN 113574645B
- Authority
- CN
- China
- Prior art keywords
- die
- defects
- interest
- wafer
- dies
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L23/00—Details of semiconductor or other solid state devices
- H01L23/544—Marks applied to semiconductor devices or parts, e.g. registration marks, alignment structures, wafer maps
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67282—Marking devices
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L2223/00—Details relating to semiconductor or other solid state devices covered by the group H01L23/00
- H01L2223/544—Marks applied to semiconductor devices or parts
- H01L2223/54433—Marks applied to semiconductor devices or parts containing identification or tracking information
- H01L2223/5444—Marks applied to semiconductor devices or parts containing identification or tracking information for electrical read out
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本文中的实施例包含使用内嵌缺陷信息进行裸片筛选的方法、***及设备。此类实施例可包含:接收多个缺陷;接收多个裸片的晶片分检电气数据;将所述缺陷中的每一者分类为所关注缺陷或妨害;确定所述所关注缺陷中的每一者的所关注缺陷置信度;确定含有所述所关注缺陷中的至少一者的所述裸片中的每一者的裸片退回指数;确定裸片退回指数切割线;及产生上墨图。所述缺陷中的每一者可与所述多个裸片中的裸片相关联。所述裸片中的每一者可被标记为通过晶片分检电气测试或未通过所述晶片分检电气测试。将所述缺陷中的每一者分类为所关注缺陷或妨害可使用缺陷分类模型完成,所述缺陷分类模型可包含机器学习。可将所述上墨图以电子方式传递到上墨***。
Description
相关申请案的交叉参考
本申请案主张2019年3月27日申请的第62/824,900号美国临时申请案的优先权,所述申请案的全部公开内容以引用的方式并入本文中。
技术领域
本公开大体上涉及晶片检验。更特定来说,本公开大体上涉及减少晶片检验中的误宰(overkill)。
背景技术
在半导体行业中,存在用于筛选出具有致命缺陷的高风险的裸片的当前方法。此类方法是重要的,因为其有助于防止具有致命缺陷的裸片从制造进入到供应链中的下一步骤。然而,此类现存方法必须平衡效率与有效性,且因而存在改进空间。大多数供货商试图改进其供货商质量指数,其中行业目标是零缺陷。为此,可降低裸片的早期故障率(EFR)。
致命缺陷可导致半导体装置的故障(malfunction/failure),而非致命缺陷基本上不影响半导体装置的性能。例如,致命缺陷可a)具有亚微米大小;b)将单个掩模层级的元件(例如金属或门堆叠浇道)短接在一起或在这些相同层级下产生开口;及c)可使用内嵌检验工具(例如检验SEM)检验。
存在降低裸片的早期故障率的一些***。当前,一些晶片厂及无生产线工厂(fabless shop)使用类似零件平均测试(PAT)的方法。在PAT中,概念是识别高风险裸片(在规格内的裸片但其在统计上不同于其它裸片的正态总体)。地理PAT(G-PAT)是对PAT的改进,其基于裸片与其它故障裸片的地理近接性而判断裸片的适合性。G-PAT具有变体,好裸片坏邻居(good-die bad-neighborhood),其增加缺陷倾向于聚集的经验理解。参数PAT(P-PAT)涉及定义临界电气测试参数,且正态分布的离群点被视为待消除的可疑者。
一些工厂可使用来自内嵌检验的缺陷大小作为准则以确定是否应筛选出裸片。
在许多工厂中,使用上墨过程来划分筛选出的裸片。在此过程中,将指定哪些裸片将筛选出(涂墨)的晶片图发送到上墨***。上墨***将可见墨水标记放置于将被筛选出的裸片上。以此方式,这些“经涂墨”裸片可从制造过程移除,这是因为其被视为故障裸片。因此,制造商可不在其认为已发生故障或可能过早发生故障的裸片上花费另外时间、能量及资源。
然而,这些***仅使用具有最小缺陷信息的电气数据。这通常导致误宰,即,筛选出良好且通过电气测试、可能不会在所述领域中发生故障及可能不会在应力测试中的过度燃烧下发生故障的裸片。误宰导致晶片厂的收益损失及半导体供货商可靠性指数(以百万分率(ppm)测量)的降级。
还存在基于前述测试方案的测试覆盖率的未知因素。其覆盖率通常仅为裸片的完整功能性的60%到80%。这是用于筛选出裸片的信息中存在大差距的证据。
因此,需要用于筛选出裸片以进行上墨的改进***。
发明内容
下文是提供对本发明的初步理解的简化概述。所述概述未必识别关键元素,也不限制本发明的范围,而仅充当对下列描述的介绍。
在第一实施例中提供一种方法。所述方法可包括:接收多个缺陷;接收多个裸片的晶片分检(wafersort)电气数据;将所述缺陷中的每一者分类为所关注缺陷或妨害;确定所述所关注缺陷中的每一者的所关注缺陷置信度;确定含有所述所关注缺陷中的至少一者的所述裸片中的每一者的裸片退回指数;确定裸片退回指数切割线(cutline);及产生上墨图。
在第二实施例中提供一种***。所述***可包括检验工具、电子数据存储单元及处理器。
所述检验工具可包含粒子发射器、载物台及检测器。所述粒子发射器可经配置以在粒子束中发射粒子,例如光子或电子。所述载物台可经配置以将晶片固持于由所述粒子发射器发射的所述粒子束的路径中。所述检测器可经配置以检测由所述晶片反射的所述粒子的一部分且可产生具有多个裸片的晶片图像。
所述电子数据存储单元可经配置以存储配方。所述配方可包含缺陷分类模型。
所述处理器可与所述检验工具及所述电子数据存储单元电子通信。所述处理器可经配置以:针对所述晶片接收多个缺陷;接收多个裸片的晶片分检电气数据;将所述缺陷中的每一者分类为所关注缺陷或妨害;确定所述所关注缺陷中的每一者的所关注缺陷置信度;确定含有所述所关注缺陷中的至少一者的所述裸片中的每一者的裸片退回指数;确定裸片退回指数切割线;及产生上墨图。
在第三实施例中提供一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体可包括用于在一或多个计算装置上执行步骤中的一或多个程序。所述步骤可包含:接收多个缺陷;接收多个裸片的晶片分检电气数据;将所述缺陷中的每一者分类为所关注缺陷或妨害;确定所述所关注缺陷中的每一者的所关注缺陷置信度;确定含有所述所关注缺陷中的至少一者的所述裸片中的每一者的裸片退回指数;确定裸片退回指数切割线;及产生上墨图。
在实施例中,所述缺陷中的每一者可与所述多个裸片中的裸片相关联。所述裸片中的每一者可被标记为通过晶片分检电气测试或未通过所述晶片分检电气测试。将所述缺陷中的每一者分类为所关注缺陷或妨害可使用缺陷分类模型完成。可存在被分类为所关注缺陷的多个缺陷。
所述上墨图可表示具有高风险故障裸片的晶片。所述高风险故障裸片可为具有超过所述裸片退回指数切割线的裸片退回指数的裸片,且所述高风险故障裸片可被标记为未通过所述晶片分检电气测试。所述上墨图可组成电子文件,其可经配置以输入到裸片上墨***中。所述电子文件可为SINF文件。
可进一步提供误宰。所述误宰可为高风险故障裸片的数量对被标记为通过所述晶片分检电气测试的裸片的数量之比。在一些实施例中,处理器可提供所述误宰。在一些其它实施例中,所述一或多个程序可提供所述误宰。
所述缺陷分类模型可为机器学习模型。所述机器学习模型可使用随机森林或XGBoost建构。
所述裸片退回指数可包括含于所述给定裸片上的所述缺陷中的每一者的所述所关注缺陷置信度的总和。此可为针对含有所述所关注缺陷中的至少一者的所述裸片中的每一者。
所述裸片退回指数切割线可包括所述裸片退回指数的几何平均值。
可进一步将所述电子文件以电子方式发送到裸片上墨***。在一些实施例中,可进一步由所述处理器将所述电子文件以电子方式发送到与所述处理器电子通信的裸片上墨***。
附图说明
为更完全理解本公开的性质及目的,应参考结合附图进行的以下详细描述,其中:
图1A说明第一分级(bin)分检晶片图;
图1B说明第一堆叠缺陷晶片图;
图1C说明第一所关注缺陷置信度晶片图;
图1D说明第一所关注缺陷置信度离群晶片图;
图2A说明第二分级分检晶片图;
图2B说明第二堆叠缺陷晶片图;
图2C说明第二所关注缺陷置信度晶片图;
图2D说明第二所关注缺陷置信度离群晶片图;
图3A说明未过滤上墨图;
图3B说明未过滤上墨图;
图4A说明经过滤上墨图;
图4B说明经过滤上墨图;
图5说明根据本公开的实施例的方法;
图6说明所关注缺陷置信度总和的比较;
图7说明基于裸片退回指数的分布作为每一裸片的所关注缺陷置信度的总和的分布;
图8说明根据本公开的实施例的***;及
图9说明根据本公开的实施例的***。
具体实施方式
尽管将依据某些实施例描述所主张的标的物,但其它实施例(包含未提供本文中陈述的全部益处及特征的实施例)也在本公开的范围内。可在不脱离本公开的范围的情况下做出各种结构、逻辑、过程步骤及电子改变。因此,仅参考所附权利要求书定义本公开的范围。
本文中公开的实施例包含以机器学习使用内嵌缺陷信息筛选裸片的方法、***及设备。此类实施例及/或其实施方案可在晶片检验过程中提供优势。在使用此类实施例的情况下,更多缺陷信息可用于高风险裸片,此可使用户能够做出关于是否筛选出裸片的更知情决策。额外缺陷信息可尤其包含缺陷类别、缺陷图像及缺陷属性。
另外,本公开的实施例可减少裸片的误宰。如本文中论述,误宰是在揭露晶片上的裸片未通过晶片分检电气测试时对比必要情况更多的裸片进行涂墨。在使用先前方法(例如G-PAT)的情况下,将不必要地对未通过晶片分检的裸片群集周围的裸片进行涂墨,从而导致误宰。其它先前方法也导致显著误宰,这是因为其依靠不完全信息数据集。
所获得的信息可提供较低成本且减少误宰。以此方式,可在全部关键步骤检验几乎全部晶片,即,取样率可急剧增加。
此类实施例可通过识别具有较高EFR概率的裸片而解决使不良裸片通过生产过程的问题。从内嵌缺陷角度来说,其可利用内嵌缺陷信息来提供关于裸片的状况及其历史的更多上下文。此可允许用户做出关于是否筛选出给定裸片的更知情决策。
在例子中,图1A到1D说明可在第一实例晶片的检验过程中观察到的一系列晶片图。图1A说明分级分检晶片图101。分级分检晶片图101可为晶片的表示,具有其上的每一裸片的细节。此结果来自晶片已完成制造之后的晶片分检验试且可测试其是否具有功能性。图1B说明堆叠缺陷晶片图102。堆叠缺陷晶片图102类似于分级分检晶片图101,但其含有堆叠于其上且可见的全部缺陷层。此是来自缺陷检验器的内嵌缺陷检验的结果。图1C说明所关注缺陷(DOI)置信度晶片图103,其显示含有DOI的全部裸片,其中置信度经加总。在某种程度上,DOI置信度晶片图103类似于热图。此是通过使用机器学习模型计算缺陷结果以返回每一缺陷的DOI置信度结果而产生的结果。图1D说明DOI置信度离群裸片晶片图104,其显示在过滤具有较高DOI置信度的离群裸片之后剩余的裸片。
在另一例子中,图2A到2D说明可在第二实例晶片的检验过程中观察到的一系列晶片图。以此方式,图2A针对第二实例晶片说明分级分检晶片图201,其类似于分级分检晶片图101。图2B针对第二实例晶片说明堆叠缺陷晶片图202,其类似于堆叠缺陷晶片图102。图2C针对第二实例晶片说明DOI置信度晶片图203,其类似于DOI置信度晶片图103。图2D针对第二实例晶片说明DOI置信度离群裸片晶片图204,其类似于DOI置信度离群裸片晶片图104。
在一些过程中,例如DOI置信度晶片图103及203的晶片图可用于产生上墨图以在随后确定哪些裸片应被筛选出及涂墨。例如,在使用此类方法的情况下,DOI置信度离群裸片晶片图103上的任何裸片被视为不良且产生上墨图,例如图3A中说明的上墨图301。同样地,例如,在使用此类方法的情况下,DOI置信度离群裸片晶片图203上的任何裸片被视为不良且产生上墨图,例如图3B中说明的上墨图302。使用上墨图301以对由堆叠缺陷晶片图102说明的晶片上的裸片进行涂墨或使用上墨图302以对由堆叠缺陷晶片图202说明的晶片上的裸片进行涂墨可导致误宰。
本公开的实施例可涉及在大多数步骤(至少在全部关键检验步骤,例如在施加多晶硅层之后)为全部(100%)晶片执行内嵌缺陷检验。此将提供大量数据以训练本文中采用的机器学习模型。本公开的实施例假定将始终存在需要被过滤出及排除的妨害。
本公开可体现为方法500,如图5中描绘。方法500可包括接收501多个缺陷。每一缺陷可与多个裸片中的裸片相关联。所接收501的缺陷数据可包含扩展用户定义属性(UDA)。接下来可为接收502多个裸片的晶片分检电气数据。晶片分检电气数据可包含标签或每一裸片的其它指示,从而表示其是否已通过晶片分检电气测试或未通过晶片分检电气测试。可由自动设置的准则或由操作者判断通过或未通过晶片分检电气测试。
所接收501及接收502的此数据可加载到数据库中,所述数据库可为例如含有UDA的缺陷数据库。在一些例子中,此可为KLA的Klarity数据库。缺陷数据库可为裸片数据的源。在加载之后,缺陷数据库中的缺陷可被识别为属于致命缺陷类别、致命缺陷或妨害缺陷类别。此识别可用于产生机器学习模型,所述机器学习模型可为缺陷分类模型。
此后,可使用缺陷分类模型将缺陷分类503为DOI或妨害。根据本公开的一些实施例,被分类为DOI的缺陷可期望用于分析裸片的状况,且因而,其将用于向前移动。用于将缺陷分类503为妨害或DOI的缺陷分类模型可为机器学习模型。此机器学习模型可经配置以将输入缺陷分类为DOI或妨害。此机器学习模型可使用例如举例来说随机森林或XGBoost的方法建构。
随机森林是“集成”方法,其中随机产生较大数目个树(在每一确定树的每一节点处随机选择属性),且通常在不修剪的情况下建立树直到全部分级都是纯净的。通过坐落于每一分级中的训练集中的缺陷的类型来确定所述分级上的标记。接着,在分类期间使用全部树,且每一缺陷基于简单表决而获得标记,如果大多数树将缺陷分类为例如所关注缺陷,那么缺陷将被分类为所关注缺陷。
XGBoost或极端梯度增强是梯度增强实施方案。其是用于基于弱分类器的迭代组合而产生强分类器的集成方法。仅从作为弱分类器的学习者开始,迭代地添加学习者,从而有效地校正先前迭代的错误直到基于预定义准确度准则达成准确模型。
在分类503之后,确定504被分类为DOI的每一缺陷的DOI置信度。这些DOI置信度可接着用于确定505裸片退回指数。裸片置信度指数可包括与含有被分类为DOI的至少一个缺陷的裸片相关联的每一DOI的DOI置信度的总和。
图6说明比较不同裸片退回指数的实例。第一裸片(展示为裸片601)具有被分类为具有DOI置信度的DOI中的一或多个缺陷。其总和在裸片603中被表示为具有0.7的裸片退回指数。第二裸片(展示为裸片602)具有被分类为具有DOI置信度的DOI中的一或多个缺陷。其总和在裸片604中被表示为具有3.8的裸片退回指数。在此实例中,具有0.7的裸片退回指数的裸片603可被视为具有低指数且具有3.8的裸片退回指数的裸片604可被视为具有高指数。
返回到5中说明的方法500,在确定505裸片退回指数之后,可确定506裸片退回指数切割线。
例如,可通过确定晶片或晶片的子集上的裸片退回指数的几何平均值而确定506裸片退回指数切割线。例如,在图7中展示裸片退回指数的标绘图700。以所展示指数的几何平均值确定裸片退回指数切割线701。
返回到5中说明的方法500,在确定506裸片退回指数切割线之后,可产生507上墨图。所产生507的上墨图可包含可表示晶片的晶片图文件。上墨图可具有高风险故障裸片或多个高风险故障裸片。高风险故障裸片可为具有超过裸片退回指数切割线的裸片退回指数的裸片,且其可被标记为未通过晶片分检电气测试。以此方式,可减轻误宰。
还可提供误宰的测量以进行进一步报告或分析。此测量可为高风险故障裸片的数量对被标记为通过晶片分检电气测试的裸片的数量之比。因此,可确定使用例如方法500筛选出的裸片与仅使用晶片分检电气测试筛选出的裸片之间的差异(此为误宰)。
所产生507的上墨图可组成电子文件。包括上墨图的此电子文件可经配置以输入到裸片上墨***中。电子文件可为SINF文件。SINF文件可为晶片图格式且可为晶片上中的一或多个裸片的相对位置的文字形式定义且可包含指令。以此方式,在产生上墨图之后,可将其发送到裸片上墨***。在图4A(使用来自如应用于堆叠缺陷晶片图102的方法500的数据产生上墨图401)及图4B(使用来自如应用于堆叠缺陷晶片图202的方法500的数据产生上墨图402)中说明此类上墨图。
在本公开的实施例中,本文中描述的方法500在处理器上实施。
在本公开的另一实施例中,上文方法被实施为用于在一或多个计算装置上执行中的一或多个程序。在此实施例中,一或多个程序存储于非暂时性计算机可读存储媒体上。计算机实施方法可包含本文中描述的任何(若干)方法的任何(若干)步骤。
在图8中展示***800的一个实施例。***800包含基于光学的子***801。一般来说,基于光学的子***801经配置以通过将光引导到(或使光扫描遍及)样品802且从样品802检测光而针对样品802产生基于光学的输出。在一个实施例中,样品802包含晶片。晶片可包含所属领域中已知的任何晶片。在另一实施例中,样品包含光罩。光罩可包含所属领域中已知的任何光罩。
在图8中展示的***800的实施例中,基于光学的子***801包含经配置以将光引导到样品802的照明子***。照明子***包含至少一个光源(例如,粒子发射器)。例如,如图8中展示,照明子***包含光源803。在一个实施例中,照明子***经配置以按一或多个入射角将光引导到样品802,所述一或多个入射角可包含一或多个倾斜角及/或一或多个法向角。例如,如图8中展示,来自光源803的光按倾斜入射角被引导穿过光学元件804及接着透镜805到样品802。倾斜入射角可包含任何适合倾斜入射角,其可取决于例如样品802的特性而变化。
从光源803或粒子发射器发射的粒子可为光子。光源803或粒子发射器还可发射光,所述光可为红外光、可见光、紫外光或x射线光。
基于光学的子***801可经配置以在不同时间按不同入射角将光引导到样品802。例如,基于光学的子***801可经配置以更改照明子***中的一或多个元件中的一或多个特性,使得光可按不同于图8中展示的入射角的入射角被引导到样品802。在一个此实例中,基于光学的子***801可经配置以移动光源803、光学元件804及透镜805,使得光按不同倾斜入射角或法向(或近法向)入射角被引导到样品802。
在一些例子中,基于光学的子***801可经配置以在相同时间按一个以上入射角将光引导到样品802。例如,照明子***可包含一个以上照明通道,所述照明通道中的一者可包含如图8中展示的光源803、光学元件804及透镜805,且照明通道中的另一者(未展示)可包含类似元件(其可以不同或相同方式配置)或可包含至少一光源及可能一或多个其它组件(例如本文中进一步描述的组件)。如果此光与其它光同时被引导到样品,那么按不同入射角被引导到样品802的光中的一或多个特性(例如,波长、偏光等)可不同,使得可在(若干)检测器处将源自按不同入射角照明样品802的光彼此区分。
在另一例子中,照明子***可包含仅一个光源(例如,图8中展示的光源803)且来自光源的光可通过照明子***中的一或多个光学元件(未展示)而分成不同光学路径(例如,基于波长、偏光等)。接着,可将不同光学路径中的每一者中的光引导到样品802。多个照明通道可经配置以在相同时间或不同时间(例如,当使用不同照明通道来依序照明样品时)将光引导到样品802。在另一例子中,相同照明通道可经配置以在不同时间将具有不同特性的光引导到样品802。例如,在一些例子中,光学元件804可经配置为光谱滤波器且可以多种不同方式(例如,通过换掉光谱滤波器)改变光谱滤波器的性质,使得可在不同时间将不同波长的光引导到样品802。照明子***可具有所属领域中已知的用于依序或同时按不同或相同入射角将具有不同或相同特性的光引导到样品802的任何其它适合配置。
在一个实施例中,光源803可包含宽带等离子体(BBP)源。以此方式,由光源803产生且被引导到样品802的光可包含宽带光。然而,光源可包含任何其它适合光源,例如激光器或灯。激光器可包含所属领域中已知的任何适合激光器且可经配置以产生所属领域中已知的任何一或多个适合波长的光。另外,激光器可经配置以产生单色或近单色光。以此方式,激光器可为窄带激光器。光源803还可包含产生多个离散波长或波带的光的多色光源。
来自光学元件804的光可通过透镜805聚焦到样品802上。尽管透镜805在图8中被展示为单折射光学元件,但应理解,在实践中,透镜805可包含组合地将来自光学元件的光聚焦到样品的数个折射及/或反射光学元件。在图8中展示且在本文中描述的照明子***可包含任何其它适合光学元件(未展示)。此类光学元件的实例包含(但不限于)(若干)偏光组件、(若干)光谱滤波器、(若干)空间滤波器、(若干)反射光学元件、(若干)切趾器、(若干)光束分离器(例如光束分离器813)、(若干)孔径及可包含所属领域中已知的任何此类适合光学元件的类似物。另外,基于光学的子***801可经配置以基于待用于产生基于光学的输出的照明类型更改照明子***的元件中的一或多者。
基于光学的子***801还可包含经配置以导致光扫描遍及样品802的扫描子***。例如,基于光学的子***801可包含在基于光学的输出产生期间在其上安置样品802的载物台806。扫描子***可包含可经配置以移动样品802,使得光可扫描遍及样品802的任何适合机械及/或机器人组合件(其包含载物台806)。另外或替代地,基于光学的子***801可经配置使得基于光学的子***801中的一或多个光学元件执行光遍及样品802的一些扫描。光可以任何适合方式(例如以蛇形路径或以螺旋路径)扫描遍及样品802。
基于光学的子***801进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器,所述检测器经配置以检测归因于子***对样品802的照明而来自样品802的光且响应于所检测光产生输出。例如,图8中展示的基于光学的子***801包含两个检测通道,一个通道由集光器807、元件808及检测器809形成且另一个通道由集光器810、元件811及检测器812形成。如图8中展示,两个检测通道经配置以按不同收集角收集及检测光。在一些例子中,两个检测通道经配置以检测散射光,且检测通道经配置以检测按不同角度从样品802散射的光。然而,检测通道中的一或多者可经配置以检测来自样品802的另一类型的光(例如,反射光)。
如图8中进一步展示,两个检测通道被展示为定位于纸平面中且照明子***还被展示为定位于纸平面中。因此,在此实施例中,两个检测通道定位(例如,居中)于入射平面中。然而,检测通道中的一或多者可定位于入射平面外。例如,由集光器810、元件811及检测器812形成的检测通道可经配置以收集及检测从入射平面散射的光。因此,此检测通道通常可被称为“侧”通道,且此侧通道可在基本上垂直于入射平面的平面中居中。
尽管图8展示包含两个检测通道的基于光学的子***801的实施例,但基于光学的子***801可包含不同数目个检测通道(例如,仅一个检测通道或两个或更多个检测通道)。在一个此例子中,由集光器810、元件811及检测器812形成的检测通道可形成如上文描述的一个侧通道,且基于光学的子***801可包含形成为定位于入射平面的相对侧上的另一侧通道的额外检测通道(未展示)。因此,基于光学的子***801可包含检测通道,所述检测通道包含集光器807、元件808及检测器809且在入射平面中居中且经配置以收集及检测以法向于或接近法向于样品802表面的(若干)散射角的光。因此,此检测通道通常可被称为“顶部”通道,且基于光学的子***801还可包含如上文描述那样配置的两个或更多个侧通道。因而,基于光学的子***801可包含至少三个通道(即,一个顶部通道及两个侧通道),且至少三个通道中的每一者具有其自身集光器,所述集光器中的每一者经配置以收集以不同于其它集光器中的每一者的散射角的光。
如上文进一步描述,包含于基于光学的子***801中的检测通道中的每一者可经配置以检测散射光。因此,图8中展示的基于光学的子***801可经配置用于样品802的暗场(DF)输出产生。然而,基于光学的子***801还可或替代地包含经配置用于样品802的明场(BF)输出产生的(若干)检测通道。换句话来说,基于光学的子***801可包含经配置以检测从样品802镜面反射的光的至少一个检测通道。因此,本文中描述的基于光学的子***801可经配置用于仅DF成像、仅BF成像或DF及BF成像两者。尽管集光器中的每一者在图8中被展示为单折射光学元件,但应理解,集光器中的每一者可包含一或多个折射光学裸片及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何适合检测器。例如,检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、时间延迟积分(TDI)相机及所属领域中已知的任何其它适合检测器。检测器还可包含非成像检测器或成像检测器。以此方式,如果检测器是非成像检测器,那么检测器中的每一者可经配置以检测散射光的某些特性(例如强度)但可不经配置以检测依据成像平面内的位置而变化的此类特性。因而,通过包含于基于光学的子***的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据而非图像信号或图像数据。在此类例子中,处理器(例如处理器814)可经配置以从检测器的非成像输出产生样品802的图像。然而,在其它例子中,检测器可经配置为经配置以产生成像信号或图像数据的成像检测器。因此,基于光学的子***可经配置以按数种方式产生本文中描述的光学图像或其它基于光学的输出。
应注意,本文中提供图8以大体上说明可被包含于本文中描述的***实施例中或可产生通过本文中描述的***实施例使用的基于光学的输出的基于光学的子***801的配置。如通常在设计商业输出获取***时执行,本文中描述的基于光学的子***801配置可经更改以优化基于光学的子***801的性能。另外,本文中描述的***可使用现存***实施(例如,通过将本文中描述的功能性添加到现存***)。对于一些此类***,本文中描述的方法可被提供为***的任选功能性(例如,除***的其它功能性之外)。替代地,本文中描述的***可被设计为全新***。
图9是***900的实施例的框图。***900包含经配置以产生样品904(其可包含晶片或光罩)的图像的晶片检验工具(其包含电子柱901)。
晶片检验工具包含输出获取子***,所述输出获取子***包含至少一能量源及检测器。输出获取子***可为基于电子束的输出获取子***。例如,在一个实施例中,被引导到样品904的能量包含电子,且从样品904检测的能量包含电子。以此方式,能量源可为电子束源。在图9中展示的一个此实施例中,输出获取子***包含耦合到计算机子***902的电子柱901。载物台910可固持样品904。
还如图9中展示,电子柱901包含电子束源903(例如,粒子发射器),所述电子束源903经配置以产生由一或多个元件905聚焦到样品904的电子。电子束源903可包含例如阴极源极或射极尖端。一或多个元件905可包含例如枪透镜、阳极、光束限制孔径、闸阀、光束电流选择孔径、物镜及扫描子***,其全部可包含所属领域中已知的任何此类适合元件。
可通过一或多个元件906将从样品904返回的电子(例如,二次电子)聚焦到检测器907。一或多个元件906可包含例如扫描子***,所述扫描子***可为包含于(若干)元件905中的相同扫描子***。
电子柱901还可包含所属领域中已知的任何其它适合元件。
尽管电子柱901在图9中被展示为经配置使得电子按一倾斜入射角被引导到样品904且按另一倾斜角从样品904散射,但电子束可按任何适合角被引导到样品904且从样品904散射。另外,基于电子束的输出获取子***可经配置以使用多个模式来产生样品904的图像(例如,使用不同照明角、收集角等)。基于电子束的输出获取子***的多个模式可在输出获取子***的任何图像产生参数方面不同。
计算机子***902可如上文描述那样耦合到检测器907。检测器907可检测从样品904的表面返回的电子,借此形成样品904的电子束图像。电子束图像可包含任何适合电子束图像。计算机子***902可经配置以使用检测器907的输出及/或电子束图像来执行本文中描述的功能中的任一者。计算机子***902可经配置以执行本文中描述的任何(若干)额外步骤。包含图9中展示的输出获取子***的***900可如本文中描述那样进一步配置。
应注意,本文中提供图9以大体上说明可用于本文中描述的实施例中的基于电子束的输出获取子***的配置。如通常在设计商业输出获取***时执行,本文中描述的基于电子束的输出获取子***布置可经更改以优化输出获取子***的性能。另外,本文中描述的***可使用现存***实施(例如,通过将本文中描述的功能性添加到现存***)。对于一些此类***,本文中描述的方法可被提供为***的任选功能性(例如,除***的其它功能性之外)。替代地,本文中描述的***可被设计为全新***。
尽管输出获取子***在上文被描述为基于电子束的输出获取子***,但输出获取子***可为基于离子束的输出获取子***。可如图9中展示那样配置此输出获取子***,除了可用所属领域中已知的任何适合离子束源替换电子束源外。另外,输出获取子***可为任何其它适合基于离子束的输出获取子***,例如被包含于市售聚焦离子束(FIB)***、氦离子显微镜(HIM)***及二次离子质谱仪(SIMS)***中的基于离子束的输出获取子***。
计算机子***902包含处理器908及电子数据存储单元909。处理器908可包含微处理器、微控制器或其它装置。
处理器814或计算机子***902可以任何适合方式(例如,经由一或多个传输媒体,其可包含有线及/或无线传输媒体)分别耦合到***800或900的组件,使得处理器814或908可分别接收输出。处理器814或908可经配置以使用输出执行数个功能。***800或900可分别从处理器814或908接收指令或其它信息。处理器814或908及/或电子数据存储单元815或909任选地可分别与另一晶片检验工具、晶片计量工具或晶片重检工具(未说明)电子通信以接收额外信息或发送指令。例如,处理器814或908及/或电子数据存储单元815或909可分别与扫描电子显微镜电子通信。
本文中描述的处理器814或908或计算机子***902、(若干)其它***或(若干)其它子***可为各种***的部分,包含个人计算机***、图像计算机、主计算机***、工作站、网络设备、因特网设备或其它装置。(若干)子***或(若干)***还可包含所属领域中已知的任何适合处理器,例如并行处理器。另外,(若干)子***或(若干)***可包含作为单独或联网工具的具有高速处理及软件的平台。
处理器814或908及电子数据存储单元815或909可分别安置于***800或900或另一装置中或分别以其它方式成为***800或900或另一装置的部分。在实例中,处理器814或908及电子数据存储单元815或909可分别为单独控制单元的部分或在集中式质量控制单元中。可分别使用多个处理器814或908或电子数据存储单元815或909。
在实践中,处理器814或908可通过硬件、软件及固件的任何组合实施。同样地,如本文中描述的其功能可通过一个单元执行,或在不同组件间划分,所述组件中的每一者又可通过硬件、软件及固件的任何组合实施。供处理器814或908实施各种方法及功能的程序代码或指令可存储于可读存储媒体(例如分别在电子数据存储单元815或909中的存储器或其它存储器)中。
如果***800或900分别包含一个以上处理器814或处理器908或计算机子***902,那么不同子***可彼此耦合,使得可在子***之间发送图像、数据、信息、指令等。例如,一个子***可通过任何适当传输媒体耦合到(若干)额外子***,所述传输媒体可包含所属领域中已知的任何适合有线及/或无线传输媒体。此类子***中的两者或更多者还可通过共享计算机可读存储媒体(未展示)有效耦合。
处理器814或908可经配置以分别使用***800或900的输出或其它输出执行数个功能。例如,处理器814或908可经配置以分别将输出发送到电子数据存储单元815或909或另一存储媒体。处理器814或908可如本文中描述那样进一步配置。
处理器814、处理器908或计算机子***902可为缺陷重检***、检验***、计量***或某其它类型的***的部分。因此,本文中公开的实施例描述可针对具有或多或少适合于不同应用的不同能力的***以数种方式定制的一些配置。
如果***包含一个以上子***,那么不同子***可彼此耦合,使得可在子***之间发送图像、数据、信息、指令等。例如,一个子***可通过任何适当传输媒体耦合到(若干)额外子***,所述传输媒体可包含所属领域中已知的任何适合有线及/或无线传输媒体。此类子***中的两者或更多者还可通过共享计算机可读存储媒体(未展示)有效耦合。
处理器814或908可根据本文中描述的实施例中的任一者配置。处理器814或908还可经配置以分别使用***800或900的输出或使用来自其它源的图像或数据执行其它功能或额外步骤。
处理器814或908可分别以所属领域中已知的任何方式通信地耦合到***800或900的各种组件或子***中的任一者。此外,处理器814或908可经配置以通过可包含有线及/或无线部分的传输媒体接收及/或获取来自其它***的数据或信息(例如,来自例如重检工具的检验***的检验结果、包含设计数据的远程数据库及类似物)。以此方式,传输媒体可分别充当处理器814或908与***800或900的其它子***或***800或900外部的***之间的数据链路。
处理器814或908分别与晶片检验工具(例如检测器809或812或检测器907)电子通信。处理器814或908可经配置以分别处理使用来自检测器809或812或检测器907的测量产生的图像。例如,处理器814或908可经配置以执行方法500的实施例。
额外实施例涉及一种非暂时性计算机可读媒体,其存储可在控制器上执行以执行用于处理样品802或904的图像的计算机实施方法的程序指令,如本文中公开。特定来说,如图8或9中展示,电子数据存储单元815或909或其它存储媒体可含有包含可分别在处理器814或908上执行的程序指令的非暂时性计算机可读媒体。计算机实施方法可包含本文中描述的任何(若干)方法(包含方法500)的任何(若干)步骤。
实施方法(例如本文中描述的方法)的程序指令可存储于计算机可读媒体上,例如在电子数据存储单元815或909或其它存储媒体中。计算机可读媒体可为存储媒体,例如磁盘或光盘、磁带或所属领域中已知的任何其它适合非暂时性计算机可读媒体。
程序指令可以各种方式中的任一者实施,包含基于程序的技术、基于组件的技术及/或面向对象技术等。例如,可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式传输SIMD扩展(SSE)或其它技术或方法实施程序指令。
在实施例中,处理器814或处理器908可经配置以接收多个缺陷及多个裸片的晶片分检电气数据。每一缺陷可与多个裸片中的裸片相关联。每一裸片可进一步被标记为通过或未通过晶片分检电气测试。处理器814或908可经进一步配置以:使用缺陷分类模型将每一缺陷分类为DOI或妨害;确定被分类为DOI的每一缺陷的所关注缺陷置信度;确定含有被分类为DOI的至少一个缺陷的每一裸片的裸片退回指数;及确定裸片退回指数切割线。
处理器814或908可经进一步配置以接着产生包含表示具有高风险故障裸片的晶片的晶片图文件的上墨图,其中高风险故障裸片是具有超过裸片退回指数切割线的裸片退回指数的裸片且被标记为未通过晶片分检电气测试。
***800或***900的各种步骤、功能及/或操作及本文中公开的方法由以下中的一或多者实行:电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控制/开关、微控制器或计算***。实施方法(例如本文中描述的方法)的程序指令可通过载体媒体传输或存储于载体媒体上。载体媒体可包含存储媒体,例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及类似物。载体媒体可包含传输媒体,例如电线、电缆或无线传输链路。例如,贯穿本公开描述的各种步骤可由单个处理器814或单个处理器908(或计算机子***902)或替代地多个处理器814或多个处理器908(或多个计算机子***902)实行。此外,***800或***900的不同子***可包含一或多个计算或逻辑***。因此,上文描述不应被解释为对本公开的限制而仅为说明。
在本文中公开的各种实施例及实例中描述的方法的步骤足以实行本发明的方法。因此,在实施例中,所述方法本质上由本文中公开的方法的步骤的组合构成。在另一实施例中,所述方法由此类步骤构成。
尽管已参考一或多个特定实施例描述本公开,但将理解,可在不脱离本公开的范围的情况下制作本公开的其它实施例。
Claims (20)
1.一种方法,其包括:
接收多个缺陷,所述缺陷中的每一者与多个裸片中的裸片相关联;
接收所述多个裸片的晶片分检电气数据,其中所述裸片中的每一者被标记为通过晶片分检电气测试或未通过所述晶片分检电气测试;
使用缺陷分类模型将所述缺陷中的每一者分类为所关注缺陷或妨害,其中存在多个所关注缺陷;
确定所述所关注缺陷中的每一者的所关注缺陷置信度;
确定含有所述所关注缺陷中的至少一者的所述裸片中的每一者的裸片退回指数;
确定裸片退回指数切割线;及
产生表示具有高风险故障裸片的晶片的上墨图,其中所述高风险故障裸片是具有超过所述裸片退回指数切割线的裸片退回指数的裸片且被标记为未通过所述晶片分检电气测试。
2.根据权利要求1所述的方法,其进一步包括提供误宰,其中所述误宰是高风险故障裸片的数量对被标记为通过所述晶片分检电气测试的裸片的数量之比。
3.根据权利要求1所述的方法,其中所述缺陷分类模型是使用随机森林或XGBoost建构的机器学习模型。
4.根据权利要求1所述的方法,其中针对含有所述所关注缺陷中的至少一者的所述裸片中的每一者,所述裸片退回指数包括含于其上的所述所关注缺陷中的每一者的所述所关注缺陷置信度的总和。
5.根据权利要求1所述的方法,其中所述裸片退回指数切割线包括所述裸片退回指数的几何平均值。
6.根据权利要求1所述的方法,其中所述上墨图组成经配置以输入到裸片上墨***中的电子文件。
7.根据权利要求6所述的方法,其中所述电子文件是SINF文件。
8.根据权利要求6所述的方法,其进一步包括将所述电子文件以电子方式发送到所述裸片上墨***。
9.一种***,其包括:
检验工具,其包含:
粒子发射器,其经配置以在粒子束中发射粒子;
载物台,其经配置以将晶片固持于由所述粒子发射器发射的所述粒子束的路径中;及
检测器,其经配置以检测由所述晶片反射的所述粒子的一部分且产生具有多个裸片的晶片图像;
电子数据存储单元,其经配置以存储包含缺陷分类模型的配方;及
处理器,其与所述检验工具及所述电子数据存储单元电子通信,所述处理器经配置以针对所述晶片:
接收多个缺陷,所述缺陷中的每一者与所述多个裸片中的裸片相关联;
接收所述多个裸片的晶片分检电气数据,其中所述裸片中的每一者被标记为通过晶片分检电气测试或未通过所述晶片分检电气测试;
使用缺陷分类模型将所述缺陷中的每一者分类为所关注缺陷或妨害,其中存在多个所关注缺陷;
确定所述所关注缺陷中的每一者的所关注缺陷置信度;
确定含有所述所关注缺陷中的至少一者的所述裸片中的每一者的裸片退回指数;
确定裸片退回指数切割线;及
产生表示具有高风险故障裸片的所述晶片的上墨图,其中所述高风险故障裸片是具有超过所述裸片退回指数切割线的裸片退回指数的裸片且被标记为未通过所述晶片分检电气测试。
10.根据权利要求9所述的***,其中所述处理器经进一步配置以提供误宰,其中所述误宰是高风险故障裸片的数量对被标记为通过所述晶片分检电气测试的裸片的数量之比。
11.根据权利要求9所述的***,其中所述缺陷分类模型是使用随机森林或XGBoost建构的机器学习模型。
12.根据权利要求9所述的***,其中针对含有所述所关注缺陷中的至少一者的所述裸片中的每一者,所述裸片退回指数包括含于其上的所述所关注缺陷中的每一者的所述所关注缺陷置信度的总和。
13.根据权利要求9所述的***,其中所述裸片退回指数切割线包括所述裸片退回指数的几何平均值。
14.根据权利要求9所述的***,其中所述上墨图组成经配置以输入到裸片上墨***中的电子文件。
15.根据权利要求14所述的***,其中所述电子文件是SINF文件。
16.根据权利要求14所述的***,其中所述处理器进一步与所述裸片上墨***电子通信,且其中所述处理器经进一步配置以将所述电子文件以电子方式发送到所述裸片上墨***。
17.一种非暂时性计算机可读存储媒体,其包括用于在一或多个计算装置上执行以下步骤的一或多个程序:
接收多个缺陷,所述缺陷中的每一者与多个裸片中的裸片相关联;
接收所述多个裸片的晶片分检电气数据,其中所述裸片中的每一者被标记为通过晶片分检电气测试或未通过所述晶片分检电气测试;
使用缺陷分类模型将所述缺陷中的每一者分类为所关注缺陷或妨害,其中存在多个所关注缺陷;
确定所述所关注缺陷中的每一者的所关注缺陷置信度;
确定含有所述所关注缺陷中的至少一者的所述裸片中的每一者的裸片退回指数;
确定裸片退回指数切割线;及
产生表示具有高风险故障裸片的晶片的上墨图,其中所述高风险故障裸片是具有超过所述裸片退回指数切割线的裸片退回指数的裸片且被标记为未通过所述晶片分检电气测试。
18.根据权利要求17所述的非暂时性计算机可读存储媒体,其中所述一或多个程序提供误宰,其中所述误宰是高风险故障裸片的数量对被标记为通过所述晶片分检电气测试的裸片的数量之比。
19.根据权利要求17所述的非暂时性计算机可读存储媒体,其中所述缺陷分类模型是使用随机森林或XGBoost建构的机器学习模型。
20.根据权利要求17所述的非暂时性计算机可读存储媒体,其中针对含有所述所关注缺陷中的至少一者的所述裸片中的每一者,所述裸片退回指数包括含于其上的所述所关注缺陷中的每一者的所述所关注缺陷置信度的总和。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962824900P | 2019-03-27 | 2019-03-27 | |
US62/824,900 | 2019-03-27 | ||
US16/439,465 | 2019-06-12 | ||
US16/439,465 US10930597B2 (en) | 2019-03-27 | 2019-06-12 | Die screening using inline defect information |
PCT/US2020/024804 WO2020198405A1 (en) | 2019-03-27 | 2020-03-26 | Die screening using inline defect information |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113574645A CN113574645A (zh) | 2021-10-29 |
CN113574645B true CN113574645B (zh) | 2022-05-17 |
Family
ID=72604813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080018079.4A Active CN113574645B (zh) | 2019-03-27 | 2020-03-26 | 使用内嵌缺陷信息的裸片筛选 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10930597B2 (zh) |
KR (1) | KR102557188B1 (zh) |
CN (1) | CN113574645B (zh) |
SG (1) | SG11202109938XA (zh) |
TW (1) | TWI807179B (zh) |
WO (1) | WO2020198405A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7404009B2 (ja) * | 2019-09-19 | 2023-12-25 | キオクシア株式会社 | 加工情報管理システム及び加工情報管理方法 |
US11967060B2 (en) * | 2020-08-25 | 2024-04-23 | Kla Corporation | Wafer level spatial signature grouping using transfer learning |
CN112542206A (zh) * | 2020-12-11 | 2021-03-23 | 深圳佰维存储科技股份有限公司 | Lpddr测试方法、装置、可读存储介质及电子设备 |
US11614480B2 (en) | 2021-06-08 | 2023-03-28 | Kla Corporation | System and method for Z-PAT defect-guided statistical outlier detection of semiconductor reliability failures |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4077951B2 (ja) * | 1998-01-14 | 2008-04-23 | 株式会社ルネサステクノロジ | 欠陥解析方法、記録媒体及び工程管理方法 |
JP3492226B2 (ja) * | 1999-02-03 | 2004-02-03 | 株式会社日立製作所 | 半導体不良原因絞込み方法 |
US7225107B2 (en) * | 2001-05-24 | 2007-05-29 | Test Advantage, Inc. | Methods and apparatus for data analysis |
JP2005057200A (ja) * | 2003-08-07 | 2005-03-03 | Trecenti Technologies Inc | 半導体装置の製造方法 |
JP4276503B2 (ja) | 2003-09-22 | 2009-06-10 | 株式会社日立製作所 | 半導体不良原因絞込み方法 |
JP2005136113A (ja) * | 2003-10-30 | 2005-05-26 | Hitachi Ltd | 検査データ解析プログラム |
US20050136086A1 (en) * | 2003-12-19 | 2005-06-23 | Rafael Herruzo | Efficacy enhancers for germicides |
US20060136086A1 (en) | 2004-12-21 | 2006-06-22 | Taiwan Semiconductor Manufacturing Co., Ltd. | Inking process management systems and methods |
US8103087B2 (en) * | 2006-01-20 | 2012-01-24 | Hitachi High-Technologies Corporation | Fault inspection method |
US7415387B2 (en) | 2006-12-19 | 2008-08-19 | Qimonda North America Corp. | Die and wafer failure classification system and method |
US20080172189A1 (en) * | 2007-01-16 | 2008-07-17 | Daniel Kadosh | Determining Die Health by Expanding Electrical Test Data to Represent Untested Die |
JP4866263B2 (ja) * | 2007-02-19 | 2012-02-01 | 株式会社日立製作所 | 電子デバイスの品質管理方法および電子デバイスの品質管理システム |
EP2246708A1 (de) | 2009-04-30 | 2010-11-03 | Micronas GmbH | Verfahren zur Erstellung einer Defektkarte von auf einem Träger, insbesondere einem Halbleiter-Wafer, befindliche Einzelkomponenten, insbesondere Halbleiter-Bauelementen |
US9518934B2 (en) * | 2014-11-04 | 2016-12-13 | Kla-Tencor Corp. | Wafer defect discovery |
US10127651B2 (en) * | 2016-01-15 | 2018-11-13 | Kla-Tencor Corporation | Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data |
US10872794B2 (en) * | 2017-06-20 | 2020-12-22 | Taiwan Semiconductor Manufacturing Co., Ltd. | Automatic in-line inspection system |
US10699926B2 (en) | 2017-08-30 | 2020-06-30 | Kla-Tencor Corp. | Identifying nuisances and defects of interest in defects detected on a wafer |
US10867877B2 (en) * | 2018-03-20 | 2020-12-15 | Kla Corporation | Targeted recall of semiconductor devices based on manufacturing data |
-
2019
- 2019-06-12 US US16/439,465 patent/US10930597B2/en active Active
-
2020
- 2020-03-20 TW TW109109365A patent/TWI807179B/zh active
- 2020-03-26 KR KR1020217035086A patent/KR102557188B1/ko active IP Right Grant
- 2020-03-26 WO PCT/US2020/024804 patent/WO2020198405A1/en active Application Filing
- 2020-03-26 CN CN202080018079.4A patent/CN113574645B/zh active Active
- 2020-03-26 SG SG11202109938X patent/SG11202109938XA/en unknown
Also Published As
Publication number | Publication date |
---|---|
US20200312778A1 (en) | 2020-10-01 |
TWI807179B (zh) | 2023-07-01 |
US10930597B2 (en) | 2021-02-23 |
TW202041852A (zh) | 2020-11-16 |
CN113574645A (zh) | 2021-10-29 |
KR20210134077A (ko) | 2021-11-08 |
KR102557188B1 (ko) | 2023-07-18 |
WO2020198405A9 (en) | 2020-12-10 |
WO2020198405A1 (en) | 2020-10-01 |
SG11202109938XA (en) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113574645B (zh) | 使用内嵌缺陷信息的裸片筛选 | |
JP7026719B2 (ja) | 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング | |
JP6490211B2 (ja) | ウェハ欠陥発見 | |
KR102303670B1 (ko) | 프로세스 윈도우 특성묘사를 위한 가상 검사 시스템 | |
US10551827B2 (en) | Hybrid inspection system for efficient process window discovery | |
US9293298B2 (en) | Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images | |
US11010886B2 (en) | Systems and methods for automatic correction of drift between inspection and design for massive pattern searching | |
US10698325B2 (en) | Performance monitoring of design-based alignment | |
US9891538B2 (en) | Adaptive sampling for process window determination | |
KR20190057402A (ko) | 검사 관련 알고리즘을 설정하는데 사용되는 트레이닝 세트의 최적화 | |
US11550309B2 (en) | Unsupervised defect segmentation | |
JP2006227026A (ja) | パターン検査方法及びパターン検査装置 | |
KR20240026446A (ko) | 표본 검사를 위한 케어 영역 설정 |
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 |