CN114667596A - 基于噪声特性而对次关注区域进行聚类 - Google Patents
基于噪声特性而对次关注区域进行聚类 Download PDFInfo
- Publication number
- CN114667596A CN114667596A CN202080077271.0A CN202080077271A CN114667596A CN 114667596 A CN114667596 A CN 114667596A CN 202080077271 A CN202080077271 A CN 202080077271A CN 114667596 A CN114667596 A CN 114667596A
- Authority
- CN
- China
- Prior art keywords
- interest
- clustering
- processor
- standard deviation
- region
- 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
- 239000004065 semiconductor Substances 0.000 claims abstract description 42
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 51
- 230000007547 defect Effects 0.000 claims description 25
- 238000007689 inspection Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 37
- 235000012431 wafers Nutrition 0.000 description 31
- 230000003287 optical effect Effects 0.000 description 30
- 238000009826 distribution Methods 0.000 description 25
- 238000005286 illumination Methods 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
在半导体晶片的图像中确定关注区域。基于与所述关注区域相关联的设计文件中的多边形的形状将所述关注区域划分为次关注区域。接着,针对所述次关注区域执行直方图的噪声扫描。基于所述直方图的所述噪声扫描将所述次关注区域聚类成群组。
Description
相关申请案的交叉引用
本申请案主张2019年11月21日申请且被指派第62/938,843号美国申请案的临时专利申请案的优先权,所述申请案的公开内容特此以引用的方式并入本文中。
技术领域
本公开涉及半导体晶片检验。
背景技术
半导体制造产业的演进对良率管理且尤其对计量及检验***提出更高要求。临界尺寸继续缩小,而产业需要减少用于实现高良率、高价值生产的时间。最小化从检测到良率问题到解决所述问题的总时间决定了半导体制造商的投资回报率。
制造例如逻辑及存储器装置的半导体装置通常包含使用大量制造工艺处理半导体晶片以形成半导体装置的各种特征及多个层级。例如,光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。在单个半导体晶片上制造的多个半导体装置的布置可被分成个别半导体装置。
在半导体制造期间的各个步骤使用检验工艺以检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终是制造半导体装置(例如集成电路(IC))的重要部分。然而,随着半导体装置的尺寸减小,检验对于可接受半导体装置的成功制造变得甚至更重要,这是因为较小缺陷可引起装置失效。例如,随着半导体装置的尺寸减小,具有减小大小的缺陷的检测已变得必要,这是因为甚至相对小缺陷可引起半导体装置中的非所要像差。
然而,随着设计规则缩小,半导体制造过程可以更接近对工艺的性能能力的限制操作。另外,随着设计规则缩小,较小缺陷可对装置的电参数具有影响,这驱动更灵敏检验。随着设计规则缩小,通过检验检测的潜在良率相关缺陷的群体大幅增长,且通过检验检测的扰乱点缺陷的群体也大幅增加。因此,可在晶片上检测更多缺陷,且校正工艺以消除全部缺陷可为困难且昂贵的。确定哪些缺陷实际上对装置的电参数及良率具有影响可允许工艺控制方法聚焦于所述缺陷而大体上忽略其它缺陷。此外,在较小设计规则下,在一些情况中,工艺引发的失效趋于是***性的。也就是说,工艺引发的失效趋于在通常在设计内重复许多次的预定设计模式下失效。空间***、电相关缺陷的消除可对良率具有影响。
为了具有更具针对性检验,应针对晶片或光罩的不同区域不同地设置参数。此所关注区域被称为“关注区域”且由用户基于设计及工艺特性定义。术语“关注区域”可通常被定义为晶片上用户为了某种原因而管理且因此,应被检验的区域。在当前使用的关注区域的实例中,晶片的一个层的关注区域可经定义使得关注区域包含形成在层上的关键特征且不包含形成在层上的非关键特征。关注区域可在大小及形状上变动。在例子中,以较高灵敏度检验关注区域。
为了增加灵敏度,可使用更深检测阈值检验具有更高故障概率或具有更关键电路任务的关注区域。在用户定义关注区域之后,可将每一关注区域划分为被称为“次关注区域”的数百或数千个更小部分。如图1中展示,可将关注区域分离成两个或更多个不同次关注区域。每一次关注区域可为关注区域内的一或多个像素。
对次关注区域进行聚类提出特定挑战。先前,关注区域分组涉及使用标准正态分布公式直接计算标准差(sigma)或仅使用均值及标准差来计算不同次关注区域之间的距离。
先前分组技术假定数据服从标准正态分布,且接着基于标准正态分布公式计算标准差。然而,数据并不始终服从正态分布,这影响标准差的准确度且误导分组。先前技术也仅使用均值及标准差,这忽略3-标准差及4-标准差信息。3-标准差及4-标准差可与缺陷检测具有更高相关性。当执行分组时,先前技术也未考虑群体(像素的数目)。更大群体主导经聚类标准差。
因此,需要用于对次关注区域进行聚类的新方法及***。
发明内容
在第一实施例中提供一种方法。所述方法包含使用晶片检验工具产生半导体晶片的图像。在处理器处接收所述半导体晶片的所述图像。使用所述处理器确定所述图像中的关注区域。使用所述处理器基于与所述关注区域相关联的设计文件中的多边形的形状将所述关注区域划分为次关注区域。使用所述处理器针对所述次关注区域执行直方图的噪声扫描。所述直方图的所述噪声扫描是基于所述次关注区域处的所述图像与参考图像之间的差异图像。使用所述处理器基于所述直方图的所述噪声扫描将所述次关注区域聚类成群组。
所述方法可进一步包含使用所述处理器确定缺陷是否存在于所述次关注区域中的一者的像素处。
在例子中,所述聚类进一步包含:使用所述处理器确定所述直方图的每一端处的密度点之间的所述直方图的带宽;及使用所述处理器确定所述带宽的中值、最大值及最小值。在此例子中,所述聚类可进一步包含:基于所述群组产生树形图(dendrogram);及调整所述树形图上的切割线,直到全部群组满足数据充分性约束。
在另一例子中,所述聚类进一步包含:确定所述噪声扫描的均值、第一阈值及第二阈值;将每一裸片的所述次关注区域聚类成所述均值与第一阈值之间的第一类别及所述第一阈值与第二阈值之间的第二类别;及使用所述处理器基于所述聚类确定群体的一致性。所述第一阈值及所述第二阈值距所述均值小于4-标准差。在此例子中,所述方法可进一步包括使用所述处理器合并所述次关注区域的裸片。所述第一阈值及所述第二阈值每一者可为1-标准差、3-标准差及4-标准差中的一者。所述聚类可进一步包含:以具有基于统计点的1-标准差对所述群组进行聚类以产生第一输出;以具有基于统计点的3-标准差对所述第一输出进行聚类以产生第二输出;及以具有基于统计点的4-标准差对所述第二输出进行聚类。
所述确定次关注区域的所述群组可跨所述半导体晶片上的一行裸片。
所述方法可进一步包含组合所述次关注区域中的两者,其中所述次关注区域中的所述两者的可检测性在所述组合之后近似未改变。
一种非暂时性计算机可读媒体可存储经配置以指示处理器执行第一实施例的方法的程序。
在第二实施例中公开一种***。所述***包括:光源;载物台,其经配置以固持半导体晶片;检测器,其经配置以接收来自所述光源的从所述半导体晶片反射的光;及处理器,其与所述检测器电子通信。所述处理器经配置以:使用来自所述检测器的数据接收所述半导体晶片的图像;确定所述图像中的关注区域;基于与所述关注区域相关联的设计文件中的多边形的形状将所述关注区域划分为次关注区域;针对所述次关注区域执行直方图的噪声扫描;及基于所述直方图的所述噪声扫描将所述次关注区域聚类成群组。所述直方图的所述噪声扫描是基于所述次关注区域处的所述图像与参考图像之间的差异图像。
所述处理器可进一步经配置以确定缺陷是否存在于所述次关注区域中的一者的像素处。
在例子中,所述聚类可进一步包含:使用所述处理器确定所述直方图的每一端处的密度点之间的所述直方图的带宽;及使用所述处理器确定所述带宽的中值、最大值及最小值。
在另一例子中,所述聚类可进一步包含:确定所述噪声扫描的均值、第一阈值及第二阈值;将所述次关注区域聚类成所述均值与第一阈值之间的第一类别及所述第一阈值与第二阈值之间的第二类别;及使用所述处理器基于所述聚类确定群体的一致性。所述第一阈值及所述第二阈值距所述均值小于4-标准差。所述第一阈值及所述第二阈值每一者可为1-标准差、3-标准差及4-标准差中的一者。所述聚类还可进一步包含:聚类具有基于统计点的1-标准差的群组以产生第一输出;对具有基于统计点的3-标准差的所述第一输出进行聚类以产生第二输出;及对具有基于统计点的4-标准差的所述第二输出进行聚类。
所述确定次关注区域的所述群组可跨所述半导体晶片上的一行裸片。
所述处理器可进一步经配置以组合所述次关注区域中的两者,其中所述次关注区域中的所述两者的可检测性在所述组合之后近似未改变。
附图说明
为了更全面理解本公开的性质及目标,应参考结合附图进行的以下详细描述,其中:
图1是展示示范性关注区域及次关注区域的图;
图2是根据本公开的方法的实施例的流程图;
图3是次关注区域聚类的实施例的图;
图4是说明使用1-标准差、3-标准差及4-标准差的聚类算法的示范性流程的图;
图5是展示标准正态分布的图;
图6以直方图说明带宽;
图7说明检测有噪声次关注区域;
图8说明两个分布之间的距离;
图9是展示组合次关注区域的示范性聚类布局的图;
图10到12说明像素的累积数目对灰度差的标准差;
图13说明正规化误差对集群的数目;
图14说明基于初始距离的树形图上的第一切割线;
图15是展示针对不同数目个像素估计标准差的均方根(RMS)误差的图;
图16说明最终树形图切割线;及
图17是根据本公开的晶片检验工具的实施例的图。
具体实施方式
虽然将依据特定实施例描述所主张标的物,但其它实施例(包含不提供本文中阐述的全部益处及特征的实施例)也在本公开的范围内。可做出各种结构、逻辑、工艺步骤及电子改变而不脱离本公开的范围。因此,本公开的范围仅通过参考所附权利要求书定义。
在晶片检验期间,可将关注区域分成数千个次关注区域。可基于工艺准则对次关注区域进行分组。将次关注区域群组(“次CAG”)指派到不同区域以执行缺陷检测。将关注区域划分为许多次关注区域引入显著数据不足。这可严重地损害需要足够数据以寻找有意义的阈值的检测算法。
本文中公开的聚类实施例可改进检验灵敏度且抑制扰乱点。可使用差异图像的分布。在例子中,也可使用以标准差的统计点,这可反映差异图像分布的真实特性。次关注区域群组中的数据并不始终服从正态分布。基于统计点的3-标准差及4-标准差信息可与均值及1-标准差一起使用。除基于标准正态分布的假定计算的标准差之外,这些实施例也可使用基于统计点的标准差。当聚类时,可考虑群体。在另一例子中,也可使用在差异上散布较小的噪声云,这可增加检测到深缺陷的概率。基于次关注区域的噪声云或基于统计点的标准差进行聚类以对次关注区域进行分组可解决数据不足且对灵敏度具有最小影响。
图2是方法100的流程图。方法100的一些或全部步骤可使用处理器。在101,使用晶片检验工具产生半导体晶片的图像。在102,接收图像。
在103,可使用处理器以确定图像中的关注区域。关注区域可集中在半导体晶片上的裸片或裸片的部分上。接着,可使用处理器基于与关注区域相关联的设计文件中的多边形的形状将关注区域划分为次关注区域。半导体晶片包含在设计文件中作为多边形存在的各种特征(例如,线、通孔)。多边形可在不同半导体装置或甚至相同半导体装置的不同部分之间变动。次关注区域的群组可跨半导体晶片上的一行裸片。
在105,执行直方图的噪声扫描。噪声扫描寻找关注区域群组中的每一像素的差异灰度。直方图是针对次关注区域。直方图的噪声扫描可为基于次关注区域处的测试图像与参考图像之间的差异图像。差异图像可用于突显实际半导体装置中相较于参考的差异。
在106,基于直方图的噪声扫描将次关注区域聚类成群组。例如,群组可基于类似特性,例如标准差值的距离或其它参数。
聚类可包含使用带宽的中值、最大值及最小值确定在直方图的每一端处的密度点之间的直方图的带宽。
聚类也可包含确定噪声扫描的均值、第一阈值及第二阈值。第一阈值及第二阈值距均值小于4-标准差。可将每一裸片的次关注区域聚类成均值与第一阈值之间的第一类别及第一阈值与第二阈值之间的第二类别。可基于聚类确定群体的一致性且可合并次关注区域的裸片。例如,第一阈值及第二阈值每一者为1-标准差、2-标准差、3-标准差或4-标准差中的一者。
可组合次关注区域中的两者。次关注区域中的两者的可检测性在组合之后可近似未改变。
图3是次关注区域聚类的实施例的图。如图3中所见,针对每一裸片的全部次关注区域执行噪声扫描且收集数据。可确定测试图像与参考图像之间的差异图像的直方图。
在第一实施例中,次关注区域可用作输入。在噪声扫描期间,可获得候选裸片与参考图像之间的差异图像。可从差异图像确定差异图像直方图。接着,可计算分布的均值及标准差。
在获得差异图像的直方图之后,确定例如1-标准差、3-标准差、4-标准差及均值的统计点。这些仅为统计点的实例。可使用其它统计点,如同(例如)百分位数、目标密度或每一差异灰度的特定计数。
基于统计点的标准差的计算是基于如下文展示的标准正态分布。
针对标准正态分布,值的约68%在远离均值的一个标准差(标准差σ)内;值的约95%位于两个标准差内;约99.7%在三个标准差内;且值的约99.994%在四个标准差内,在图5中展示。
标准正态分布仅为一个实例。本文中公开的实施例不限于此分布。其它分布(例如泊松(Poisson)分布或学生氏t分布)是可行的。另外,如果噪声扫描数据不服从标准正态分布,那么可基于上文的模型计算基于统计点的标准差。可从直方图的左及右到相对方向对群体进行计数。当其达到已知4、3、1-标准差的百分比时,可将其标记为基于统计点的标准差的极限。
均值、基于统计点的1-标准差、3-标准差及4-标准差可用于聚类。在聚类算法中可忽略2-标准差,这是因为1-标准差及3-标准差可涵盖2-标准差特性。可实施以下步骤以获得经聚类区域。
首先,基于均值对次关注区域群组进行聚类。比较均值的绝对值与阈值。例如,可将阈值设置为2.0的值。如果值大于阈值,那么关注区域将被放置在一个区域中。如果值小于阈值,那么其将被放置在另一区域中。
接着,基于基于统计点的1-标准差聚类次关注区域群组。聚类是基于每一关注区域群组的标准差值的距离。可针对经产生的每一区域执行无监督式机器学习聚类。例如,可使用K-均值、阶层式聚类或其它机器学习技术。由于群体是用于聚类的因子,因此群体可基于1-标准差累积。接着,可将群体分类且馈入到无监督式机器学习模型中。区域数目可使用1-标准差值的范围估计。通常来说,将区域数目设置为(max(σ)-min(σ))/(灰度阈值)。
灰度阈值可由系数控制以调整区域的数目。例如,可使用k均值聚类算法且可将灰度阈值设置为4,其中系数为1。其它聚类技术(例如阶层式聚类的变体)也是可行的。
接着,基于基于统计点的3-标准差聚类次关注区域群组。这可类似于基于基于统计点的1-标准差的聚类,只有改变输入区域及聚类准则除外。输入可为一阶聚类。输入区域是使用以基于统计点的1-标准差的聚类的先前步骤的输出。到聚类模型的输入是3-标准差及其对应群体。
接着,基于基于统计点的4-标准差聚类次关注区域群组。这可类似于基于基于统计点的3-标准差的聚类,只有改变输入区域及聚类准则除外。输入可为二阶聚类。聚类是基于基于统计点的4-标准差及其对应群体。输入区域是使用以基于统计点的3-标准差的聚类的先前步骤的输出。
在上文的实例中,聚类算法可使用这些特性以在四个步骤中聚类次关注区域群组:在每一裸片中,均值->1-标准差->3-标准差->4-标准差。如果群体小于特定数目(例如,150,000),那么可忽略4-标准差步骤。在聚类算法的此实例中跳过2-标准差。图4是说明使用1-标准差、3-标准差及4-标准差的聚类算法的示范性流程的图。
在此实施例中,基于统计点的标准差可更好地反映数据的特性。先前技术忽略与缺陷检测具有相关性的3-标准差及4-标准差。先前技术也忽略群体是用于聚类的因子。大群体可主导区域的分布,因此区域可仅含有具有接近的标准差值及类似群体的次关注区域群组。
虽然在此实例中使用3-标准差及4-标准差,但可代替性地使用其它值或阈值。本文中公开的标准差值仅为示范性的。
在本文中公开的实施例中,可调整区域的数目以满足检验要求。在完成4步骤聚类之后,可将最终区域数目指派到每一次关注区域群组并馈送到检验工作流程。
可确定全部裸片中的聚类的一致性且可移除离群点裸片。如果聚类结果彼此一致,那么可确定一致性,或如果不一致,那么可确定投票机制。离群点裸片可由散粒噪声或其它工艺变动引起。此类离群点裸片可影响目标关注区域的特性。移除离群点裸片可改进数据纯度及缺陷检测的灵敏度。可通过忽略离群点裸片的聚类结果而移除离群点裸片。
接着可合并全部裸片用于最终聚类。合并全部裸片可消除裸片之间的差异且可避免像素不足(例如,针对4-标准差计算)。在移除离群点裸片之后,组合或以其它方式组装裸片数据且计算统计信息。
应注意,本公开不限于特定统计时刻。经公开统计时刻的任一者或其组合也可用于对所述关注区域进行分组。例如,斜度及峰度可用于分组。在另一实例中,可应用K均值聚类以对关注区域进行分组。然而,这些仅为实例。可取决于分布的行为及/或离群点的存在而使用其它统计方法及其组合。
在实施例中,均匀地划分灰度值且基于灰度的子集对次关注区域群组进行聚类。
在另一实施例中,核心密度估计器(KDE)用于聚类。KDE可对彼此接近的标准差值进行聚类。然而,KDE仅为一个实例。可使用其它技术。
在第二实施例中,噪声云用于聚类。噪声云是噪声密度分布,例如2D直方图。预期在光学检验之后,每一次关注区域产生更小且更相干噪声云。这帮助小缺陷在噪声云中突出且降低由来自另一次关注区域的更大噪声云遮蔽的可能性。可确定统计数据以决定像素是否是缺陷候选者。这些统计数据可从在次关注区域中获得的噪声云计算,但准确地确定可归因于数据不足而具有挑战性。由于次关注区域中的像素的数目比原始关注区域中的像素的数目小数千倍,因此保留数十个像素以形成噪声云。这可使确定更困难。聚类方法可用于将类似次关注区域聚类在一起,使得其具有对灵敏度的最小影响且克服数据不足。
在将关注区域划分为一组次关注区域之后,可对取样图(其可为整个裸片列)执行噪声扫描。可存在用于噪声扫描的数千个次关注区域。可基于多边形的形状及/或大小划分关注区域。可从噪声扫描收集统计数据。可基于检测算法定义这些统计数据。在例子中,将灰度分成片段且使用前几个时刻针对每一片段对分布进行建模。
在数千个次关注区域当中,可存在具有噪声的数个次关注区域。在例子中,具有噪声意谓其差异(difference/diff)图像中的值广泛散布。此实施例的目的是避免通过将其它次关注区域与有噪声次关注区域一起聚类而污染所述其它次关注区域。为了检测有噪声次关注区域,可确定整体直方图在差异轴在线的带宽。接着,在带宽当中,如果其带宽落在群体之外作为离群点,那么发现有噪声次关注区域。
直方图的带宽是来自直方图的每一端的密度点之间的距离,这在图6中展示。
在例子中,如果次关注区域的带宽落在中值加3Δ之后,那么可将所述次关注区域标记为有噪声,其中Δ是中值减去最小值。例如,见图7。
聚类的目的是对灵敏度具有最小影响。为了实现这一点,如果两个次关注区域中的任一者中的缺陷的可检测性在聚类之后不降级,那么可组合这些次关注区域。可将两个分布之间的距离定义为全部可能检测切割线当中的两个的经检测群体部分之间的最大差异。例如,这在图8中展示。
在评估两个次关注区域(例如,每两个次关注区域)之间的距离之后,可使用树形图来产生聚类布局。可使用完整链接方法来最小化灵敏度损失。图9展示此布局的实例。
在图10到12中展示“像素的累积数目”对“灰度差异的标准差”的图表。像素的累积数目对灰度差异的标准差之间的此比较可用于确定聚类的数目。可将绝对误差Ek定义为在不应用任何聚类时的曲线与在聚类成k个区域时的曲线之间的“面积损失”,这在图10到12中展示。
当将全部次关注区域置于一个区域中时,误差可为大的。然而,随着聚类的数目增加,误差改进。可如下计算正规化误差。
Ek是在尔等具有k个聚类时的误差,此在图13中展示。E1是在聚类数目为1时的误差(即,将所有事物置于一个聚类中)。
绘制正规化误差对聚类的数目k可提供以指数方式衰减曲线,如图13中展示。
通过移动到更大数目个聚类,正规化误差快速消失且不存在太多增益。可将聚类的数目转译为距离值。可将初始距离d0定义为可接受的聚类的数目的等效距离。可根据对聚类的最大数目的处理能力约束进一步调整此距离。可在d0处切割树形图且产生初始聚类。此在图14中展示。
可将稀疏点(SP)定义为在帧中能够获得有意义的统计数据所需的最小数目个像素。图15展示在针对不同数目个像素估计从高斯分布的标准差时的RMS误差。在图15中,“gl”是灰度。其标记在将SP设置为100及1000个像素的情况下的RMS误差。
可如下定义裸片内的聚类的稀疏比率(SR)。集群A是特定集群。
最大稀疏比率(MSR)将是全部群组的SR必须低于其的阈值。
算法可在树形图上按不均匀不同位准向上移动切割线,直到其到达全部聚类满足数据充分性约束(其可从聚类中的像素计数确定)的点。图16展示此聚类的结果。如展示,一些初始聚类满足数据充分性约束但针对其它聚类,算法将切割线向上移动。
在图17中展示***200的一个实施例。***200包含基于光学的子***201。一般来说,基于光学的子***201经配置用于通过将光引导到样品202(或将光扫描遍及样品202)且检测来自样品202的光而产生样品202的基于光学的输出。在一个实施例中,样品202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202包含光罩。光罩可包含所属领域中已知的任何光罩。
在图17中展示的***200的实施例中,基于光学的子***201包含经配置以将光引导到样品202的照明子***。照明子***包含至少一个光源。例如,如图17中展示,照明子***包含光源203。在一个实施例中,照明子***经配置以按可包含一或多个倾斜角及/或一或多个法向角的一或多个入射角将光引导到样品202。例如,如图17中展示,按倾斜入射角引导来自光源203的光穿过光学元件204且接着穿过透镜205到样品202。倾斜入射角可包含可取决于(例如)样品202的特性而变化的任何合适的倾斜入射角。
基于光学的子***201可经配置以在不同时间按不同入射角将光引导到样品202。例如,基于光学的子***201可经配置以更改照明子***的一或多个元件的一或多个特性,使得可按不同于图17中展示的入射角的入射角将光引导到样品202。在一个此实例中,基于光学的子***201可经配置以移动光源203、光学元件204及透镜205,使得按不同倾斜入射角或法向(或近法向)入射角将光引导到样品202。
在一些例子中,基于光学的子***201可经配置以在相同时间按多于一个入射角将光引导到样品202。例如,照明子***可包含多于一个照明通道,所述照明通道中的一者可包含如图17中展示的光源203、光学元件204及透镜205,且照明通道中的另一者(未展示)可包含可不同或相同配置的类似元件或可包含至少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)。如果与其它光同时将此光引导到样品,那么按不同入射角引导到样品202的光的一或多个特性(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202的光彼此区分。
在另一例子中,照明子***可仅包含一个光源(例如,图17中展示的光源203)且可由照明子***的一或多个光学元件(未展示)将来自所述光源的光分离成不同光学路径(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202。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以依序照明样品时)将光引导到样品202。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202。例如,在一些例子中,光学元件204可经配置为光谱滤波器且可以各种不同方式(例如,通过调换出光谱滤波器)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202。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202的任何其它合适的配置。
在一个实施例中,光源203可包含宽带等离子体(BBP)源。以此方式,由光源203产生且引导到样品202的光可包含宽带光。然而,光源可包含任何其它合适的光源(例如激光)。激光可包含所属领域中已知的任何合适的激光且可经配置以产生所属领域中已知的(若干)任何合适的波长的光。另外,激光可经配置以产生单色或近单色光。以此方式,激光可为窄带激光。光源203也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204的光可通过透镜205聚焦到样品202上。虽然透镜205在图17中被展示为单折射光学元件,但应理解,事实上,透镜205可包含将来自光学元件的光组合地聚焦到样品的数个折射及/或反射光学元件。图17中展示且本文中描述的照明子***可包含任何其它合适的光学元件(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)变迹器、(若干)光束分离器(例如光束分离器213)、(若干)孔隙及类似者,其可包含所属领域中已知的任何此类合适的光学元件。另外,基于光学的子***201可经配置以基于用于产生基于光学的输出的照明类型更改照明子***的一或多个元件。
基于光学的子***201也可包含经配置以引起光扫描遍及样品202的扫描子***。例如,基于光学的子***201可包含在基于光学的输出产生期间在其上安置样品202的载物台206。扫描子***可包含可经配置以移动样品202,使得光可扫描遍及样品202的任何合适的机械及/或机器人组合件(其包含载物台206)。另外或替代地,基于光学的子***201可经配置使得基于光学的子***201的一或多个光学元件执行光遍及样品202的某一扫描。可以任何合适的方式(例如以类似蛇形路径或以螺旋路径)使光扫描遍及样品202。
基于光学的子***201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通过子***照明样品202而来自样品202的光且响应于所检测光产生输出。例如,图17中展示的基于光学的子***201包含两个检测通道,一个检测通道由集光器207、元件208及检测器209形成且另一检测通道由集光器210、元件211及检测器212形成。如图17中展示,两个检测通道经配置以按不同收集角收集且检测光。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202散射的光。然而,一或多个检测通道可经配置以检测来自样品202的另一类型的光(例如,反射光)。
如图17中进一步展示,两个检测通道被展示为定位在纸平面中且照明子***也被展示为定位在纸平面中。因此,在此实施例中,两个检测通道定位(例如,居中)在入射平面中。然而,一或多个检测通道可定位在入射平面外。例如,由集光器210、元件211及检测器212形成的检测通道可经配置以收集且检测从入射平面散射出的光。因此,此检测通道可通常被称为“侧”通道,且此侧通道可在大体上垂直于入射平面的平面中居中。
虽然图17展示包含两个检测通道的基于光学的子***201的实施例,但基于光学的子***201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210、元件211及检测器212形成的检测通道可如上文描述那样形成一个侧通道,且基于光学的子***201可包含形成为定位在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***201可包含检测通道,所述检测通道包含集光器207、元件208及检测器209且在入射平面中居中且经配置以按法向于或接近法向于样品202表面的(若干)散射角收集且检测光。因此,此检测通道可通常被称为“顶部”通道,且基于光学的子***201也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***201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的集光器,每一集光器经配置以按与每一其它集光器不同的散射角收集光。
如上文进一步描述,包含在基于光学的子***201中的每一检测通道可经配置以检测散射光。因此,图17中展示的基于光学的子***201可经配置用于样品202的暗场(DF)输出产生。然而,基于光学的子***201可也或替代地包含经配置用于样品202的明场(BF)输出产生的(若干)检测通道。换句话说,基于光学的子***201可包含经配置以检测从样品202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***201可经配置用于仅DF成像、仅BF成像或DF成像及BF成像两者。虽然在图17中将每一集光器展示为单折射光学元件,但应理解,每一集光器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。
所述一或多个检测通道可包含所属领域中已知的任何合适的检测器。例如,所述检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、延时积分(TDI)摄像机及所属领域中已知的任何其它合适的检测器。所述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,那么每一检测器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,由包含于基于光学的子***的每一检测通道中的每一检测器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214)可经配置以从检测器的非成像输出产生样品202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17以大体上说明可包含在本文中描述的***实施例中或可产生由本文中描述的***实施例使用的基于光学的输出的基于光学的子***201的配置。可更改本文中描述的基于光学的子***201配置以如在设计商业输出获取***时通常执行那样优化基于光学的子***201的性能。另外,可使用现有***(例如,通过将本文中描述的功能性添加到现有***)实施本文中描述的***。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,除了***的其它功能性之外)。替代地,可将本文中描述的***设计为全新***。
处理器214可以任何合适的方式(例如,经由一或多个传输媒体,所述一或多个传输媒体可包含有线及/或无线传输媒体)耦合到***200的组件,使得处理器214可接收输出。处理器214可经配置以使用输出执行数个功能。***200可从处理器214接收指令或其它信息。处理器214及/或电子数据存储单元215任选地可与晶片检验工具、晶片计量工具或晶片检视工具(未说明)电子通信以接收额外信息或发送指令。例如,处理器214及/或电子数据存储单元215可与SEM电子通信。
本文中描述的处理器214、(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)***也可包含所属领域中已知的任何合适的处理器(例如平行处理器)。另外,所述子***或所述***可包含具有高速处理及软件的平台(作为独立工具或网络工具)。
处理器214及电子数据存储单元215可经安置于***200或另一装置中或以其它方式作为***200或另一装置的部分。在实例中,处理器214及电子数据存储单元215可为独立控制单元的部分或在集中式质量控制单元中。可使用多个处理器214或电子数据存储单元215。
事实上,处理器214可通过硬件、软件及固件的任何组合实施。又,如本文中描述的其功能可由一个单元执行或在不同组件当中划分,所述不同组件中的每一者可又通过硬件、软件及固件的任何组合实施。供处理器214实施各种方法及功能的程序代码或指令可存储在可读存储媒体(例如电子数据存储单元215中的存储器或其它存储器)中。
如果***200包含多于一个处理器214,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***可通过可包含所属领域中已知的任何合适的有线及/或无线传输媒体的任何合适的传输媒体耦合到(若干)额外子***。两个或更多个此类子***也可通过共享计算机可读存储媒体(未展示)有效地耦合。
处理器214可经配置以使用***200的输出或其它输出执行数个功能。例如,处理器214可经配置以将输出发送到电子数据存储单元215或另一存储媒体。可如本文中描述那样进一步配置处理器214。
可根据本文中描述的任何实施例配置处理器214。处理器214也可经配置以使用***200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。
***200的各种步骤、功能及/或操作及本文中公开的方法由以下项中的一或多者实行:电子电路、逻辑门、多路复用器、可编程逻辑装置、ASIC、模拟或数字控制件/开关、微控制器或运算***。实施例如本文中描述的方法的方法的程序指令可经由载体媒体传输或存储在载体媒体上。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、磁带及类似者。载体媒体可包含传输媒体,例如导线、电缆或无线传输链路。例如,遍及本公开描述的各种步骤可通过单处理器214或替代地多个处理器214实行。此外,***200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。
在例子中,处理器214与***200通信。处理器214经配置以使用来自检测器的数据接收半导体晶片的图像且确定图像中的关注区域。基于与关注区域相关联的设计文件中的多边形的形状将关注区域划分为次关注区域。针对次关注区域执行直方图的噪声扫描。可基于直方图的噪声扫描将次关注区域聚类成群组。可执行方法100的其它实施例。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在控制器上执行以执行用于对次关注区域进行聚类的计算机实施方法,如本文中公开。特定来说,如图17中展示,电子数据存储单元215或其它存储媒体可含有包含可在处理器214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(若干)任何方法(包含方法100)的(若干)任何步骤。
可以各种方式(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)中的任一者实施程序指令。例如,可任选地使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式传输SIMD扩展(SSE)或其它技术或方法论实施程序指令。
虽然已关于一或多个特定实施例描述本公开,但应理解,可制作本公开的其它实施例而不脱离本公开的范围。因此,将本公开视为仅由所附权利要求书及其合理解释限制。
Claims (19)
1.一种方法,其包括:
使用晶片检验工具产生半导体晶片的图像;
在处理器处接收所述半导体晶片的所述图像;
使用处理器确定所述图像中的关注区域;
使用所述处理器基于与所述关注区域相关联的设计文件中的多边形的形状将所述关注区域划分为次关注区域;
使用所述处理器针对所述次关注区域执行直方图的噪声扫描,其中所述直方图的所述噪声扫描是基于所述次关注区域处的所述图像与参考图像之间的差异图像;及
使用所述处理器基于所述直方图的所述噪声扫描将所述次关注区域聚类成群组。
2.根据权利要求1所述的方法,其进一步包括使用所述处理器确定缺陷是否存在于所述次关注区域中的一者的像素处。
3.根据权利要求1所述的方法,其中所述聚类进一步包含:
使用所述处理器确定所述直方图的每一端处的密度点之间的所述直方图的带宽;及
使用所述处理器确定所述带宽的中值、最大值及最小值。
4.根据权利要求3所述的方法,其中所述聚类进一步包含:
基于所述群组产生树形图;及
调整所述树形图上的切割线,直到全部群组满足数据充分性约束。
5.根据权利要求1所述的方法,其中所述聚类进一步包含:
确定所述噪声扫描的均值、第一阈值及第二阈值,其中所述第一阈值及所述第二阈值距所述均值小于4-标准差;
将每一裸片的所述次关注区域聚类成所述均值与第一阈值之间的第一类别及所述第一阈值与第二阈值之间的第二类别;及
使用所述处理器基于所述聚类确定群体的一致性。
6.根据权利要求5所述的方法,其进一步包括使用所述处理器合并所述次关注区域的裸片。
7.根据权利要求5所述的方法,其中所述第一阈值及所述第二阈值每一者为1-标准差、3-标准差及4-标准差中的一者。
8.根据权利要求7所述的方法,其中所述聚类进一步包含:
以具有基于统计点的1-标准差对所述群组进行聚类以产生第一输出;
以具有基于统计点的3-标准差对所述第一输出进行聚类以产生第二输出;及
以具有基于统计点的4-标准差对所述第二输出进行聚类。
9.根据权利要求1所述的方法,其中所述确定次关注区域的所述群组是跨所述半导体晶片上的一行裸片。
10.根据权利要求1所述的方法,其进一步包括组合所述次关注区域中的两者,其中所述次关注区域中的所述两者的可检测性在所述组合之后近似未改变。
11.一种非暂时性计算机可读媒体,其存储经配置以指示处理器执行根据权利要求1所述的方法的程序。
12.一种***,其包括:
光源;
载物台,其经配置以固持半导体晶片;
检测器,其经配置以接收来自所述光源的从所述半导体晶片反射的光;及
处理器,其与所述检测器电子通信,其中所述处理器经配置以:
使用来自所述检测器的数据接收所述半导体晶片的图像;
确定所述图像中的关注区域;
基于与所述关注区域相关联的设计文件中的多边形的形状将所述关注区域划分为次关注区域;
针对所述次关注区域执行直方图的噪声扫描,其中所述直方图的所述噪声扫描是基于所述次关注区域处的所述图像与参考图像之间的差异图像;及
基于所述直方图的所述噪声扫描将所述次关注区域聚类成群组。
13.根据权利要求12所述的***,其中所述处理器进一步经配置以确定缺陷是否存在于所述次关注区域中的一者的像素处。
14.根据权利要求12所述的***,其中所述聚类进一步包含:
使用所述处理器确定所述直方图的每一端处的密度点之间的所述直方图的带宽;及
使用所述处理器确定所述带宽的中值、最大值及最小值。
15.根据权利要求12所述的***,其中所述聚类进一步包含:
确定所述噪声扫描的均值、第一阈值及第二阈值,其中所述第一阈值及所述第二阈值距所述均值小于4-标准差;
将所述次关注区域聚类成所述均值与第一阈值之间的第一类别及所述第一阈值与第二阈值之间的第二类别;及
使用所述处理器基于所述聚类确定群体的一致性。
16.根据权利要求15所述的***,其中所述第一阈值及所述第二阈值每一者为1-标准差、3-标准差及4-标准差中的一者。
17.根据权利要求16所述的***,其中所述聚类进一步包含:
以具有基于统计点的1-标准差对所述群组进行聚类以产生第一输出;
以具有基于统计点的3-标准差对所述第一输出进行聚类以产生第二输出;及
以具有基于统计点的4-标准差对所述第二输出进行聚类。
18.根据权利要求12所述的***,其中所述确定次关注区域的所述群组是跨所述半导体晶片上的一行裸片。
19.根据权利要求12所述的***,其中所述处理器进一步经配置以组合所述次关注区域中的两者,其中所述次关注区域中的所述两者的可检测性在所述组合之后近似未改变。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962938843P | 2019-11-21 | 2019-11-21 | |
US62/938,843 | 2019-11-21 | ||
US17/093,621 US11615993B2 (en) | 2019-11-21 | 2020-11-09 | Clustering sub-care areas based on noise characteristics |
US17/093,621 | 2020-11-09 | ||
PCT/US2020/060810 WO2021101852A1 (en) | 2019-11-21 | 2020-11-17 | Clustering sub-care areas based on noise characteristics |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114667596A true CN114667596A (zh) | 2022-06-24 |
CN114667596B CN114667596B (zh) | 2023-08-18 |
Family
ID=75974267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080077271.0A Active CN114667596B (zh) | 2019-11-21 | 2020-11-17 | 基于噪声特性而对次关注区域进行聚类 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11615993B2 (zh) |
KR (1) | KR20220104776A (zh) |
CN (1) | CN114667596B (zh) |
IL (1) | IL292724A (zh) |
TW (1) | TWI829980B (zh) |
WO (1) | WO2021101852A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11615993B2 (en) * | 2019-11-21 | 2023-03-28 | Kla Corporation | Clustering sub-care areas based on noise characteristics |
US20240161272A1 (en) * | 2022-11-10 | 2024-05-16 | Kla Corporation | Multimode defect detection |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100329540A1 (en) * | 2007-07-20 | 2010-12-30 | Kla-Tencor Corporation | Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer |
CN103748670A (zh) * | 2011-09-07 | 2014-04-23 | 株式会社日立高新技术 | 区域决定装置、观察装置或检查装置、区域决定方法以及使用了区域决定方法的观察方法或检查方法 |
CN105960702A (zh) * | 2014-02-06 | 2016-09-21 | 科磊股份有限公司 | 基于从标准参考图像确定的属性的缺陷检测及分类 |
US20160377561A1 (en) * | 2015-05-28 | 2016-12-29 | Kla-Tencor Corporation | System and Method for Dynamic Care Area Generation on an Inspection Tool |
CN107111294A (zh) * | 2014-10-14 | 2017-08-29 | 科磊股份有限公司 | 使用结构性信息的缺陷检测 |
CN109558620A (zh) * | 2017-09-11 | 2019-04-02 | 应用材料以色列公司 | 产生检查方案的方法和其*** |
CN109964116A (zh) * | 2016-11-30 | 2019-07-02 | 科磊股份有限公司 | 用于三维半导体结构的检验的缺陷发现及配方优化 |
CN109978843A (zh) * | 2019-03-15 | 2019-07-05 | 华南理工大学 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
CN111837225A (zh) * | 2018-03-14 | 2020-10-27 | 科磊股份有限公司 | 使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05252388A (ja) * | 1992-03-05 | 1993-09-28 | Matsushita Electric Ind Co Ltd | ノイズ除去装置 |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7676077B2 (en) * | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7894659B2 (en) * | 2007-02-28 | 2011-02-22 | Kla-Tencor Technologies Corp. | Methods for accurate identification of an edge of a care area for an array area formed on a wafer and methods for binning defects detected in an array area formed on a wafer |
US8781781B2 (en) | 2010-07-30 | 2014-07-15 | Kla-Tencor Corp. | Dynamic care areas |
WO2014149197A1 (en) | 2013-02-01 | 2014-09-25 | Kla-Tencor Corporation | Detecting defects on a wafer using defect-specific and multi-channel information |
US9183624B2 (en) * | 2013-06-19 | 2015-11-10 | Kla-Tencor Corp. | Detecting defects on a wafer with run time use of design data |
US9355208B2 (en) * | 2013-07-08 | 2016-05-31 | Kla-Tencor Corp. | Detecting defects on a wafer |
US9262821B2 (en) * | 2014-05-12 | 2016-02-16 | Kla-Tencor Corp. | Inspection recipe setup from reference image variation |
US10186028B2 (en) * | 2015-12-09 | 2019-01-22 | Kla-Tencor Corporation | Defect signal to noise enhancement by reducing die to die process noise |
US10127651B2 (en) * | 2016-01-15 | 2018-11-13 | Kla-Tencor Corporation | Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data |
US10515444B2 (en) * | 2017-01-30 | 2019-12-24 | Dongfang Jingyuan Electron Limited | Care area generation for inspecting integrated circuits |
US11514357B2 (en) * | 2018-03-19 | 2022-11-29 | Kla-Tencor Corporation | Nuisance mining for novel defect discovery |
US10714366B2 (en) * | 2018-04-12 | 2020-07-14 | Kla-Tencor Corp. | Shape metric based scoring of wafer locations |
US10832396B2 (en) | 2018-10-19 | 2020-11-10 | Kla-Tencor Corp. | And noise based care areas |
WO2020096724A1 (en) * | 2018-11-09 | 2020-05-14 | University Of Florida Research Foundation, Inc. | Histogram-based method for auto segmentation of integrated circuit structures from sem images |
US11619592B2 (en) * | 2019-07-09 | 2023-04-04 | KLA Corp. | Selecting defect detection methods for inspection of a specimen |
US11416982B2 (en) * | 2019-10-01 | 2022-08-16 | KLA Corp. | Controlling a process for inspection of a specimen |
US11615993B2 (en) * | 2019-11-21 | 2023-03-28 | Kla Corporation | Clustering sub-care areas based on noise characteristics |
-
2020
- 2020-11-09 US US17/093,621 patent/US11615993B2/en active Active
- 2020-11-17 CN CN202080077271.0A patent/CN114667596B/zh active Active
- 2020-11-17 WO PCT/US2020/060810 patent/WO2021101852A1/en active Application Filing
- 2020-11-17 KR KR1020227020964A patent/KR20220104776A/ko not_active Application Discontinuation
- 2020-11-19 TW TW109140444A patent/TWI829980B/zh active
-
2022
- 2022-05-03 IL IL292724A patent/IL292724A/en unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100329540A1 (en) * | 2007-07-20 | 2010-12-30 | Kla-Tencor Corporation | Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer |
CN103748670A (zh) * | 2011-09-07 | 2014-04-23 | 株式会社日立高新技术 | 区域决定装置、观察装置或检查装置、区域决定方法以及使用了区域决定方法的观察方法或检查方法 |
CN105960702A (zh) * | 2014-02-06 | 2016-09-21 | 科磊股份有限公司 | 基于从标准参考图像确定的属性的缺陷检测及分类 |
CN107111294A (zh) * | 2014-10-14 | 2017-08-29 | 科磊股份有限公司 | 使用结构性信息的缺陷检测 |
US20160377561A1 (en) * | 2015-05-28 | 2016-12-29 | Kla-Tencor Corporation | System and Method for Dynamic Care Area Generation on an Inspection Tool |
CN109964116A (zh) * | 2016-11-30 | 2019-07-02 | 科磊股份有限公司 | 用于三维半导体结构的检验的缺陷发现及配方优化 |
CN109558620A (zh) * | 2017-09-11 | 2019-04-02 | 应用材料以色列公司 | 产生检查方案的方法和其*** |
CN111837225A (zh) * | 2018-03-14 | 2020-10-27 | 科磊股份有限公司 | 使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制 |
CN109978843A (zh) * | 2019-03-15 | 2019-07-05 | 华南理工大学 | 晶圆掺杂物的图像分割方法、***、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
IL292724A (en) | 2022-07-01 |
TWI829980B (zh) | 2024-01-21 |
CN114667596B (zh) | 2023-08-18 |
KR20220104776A (ko) | 2022-07-26 |
TW202137355A (zh) | 2021-10-01 |
WO2021101852A1 (en) | 2021-05-27 |
US20210159127A1 (en) | 2021-05-27 |
US11615993B2 (en) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9767548B2 (en) | Outlier detection on pattern of interest image populations | |
JP2022507543A (ja) | 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用 | |
US11644756B2 (en) | 3D structure inspection or metrology using deep learning | |
CN114667596B (zh) | 基于噪声特性而对次关注区域进行聚类 | |
CN115516295A (zh) | 使用深度学习方法的缺陷尺寸测量 | |
CN117546202A (zh) | 用于基于半导体的应用的使用全局纹理特性的机器学习 | |
US11803960B2 (en) | Optical image contrast metric for optical target search | |
CN114341630B (zh) | 等概率缺陷检测 | |
KR102607149B1 (ko) | 광학 검사를 이용한 프로세스 모니터링 방법 | |
TWI844712B (zh) | 檢查半導體晶圓之方法及系統 | |
US20240221141A1 (en) | Pattern segmentation for nuisance suppression | |
US11748868B2 (en) | Unsupervised pattern synonym detection using image hashing | |
US20220301133A1 (en) | Segmentation of design care areas with a rendered design image | |
TWI844777B (zh) | 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定 | |
TW202301191A (zh) | 用於導出及改善成像條件之影像對比度量 | |
KR20240088635A (ko) | 레이저 어닐링 패턴 억제 | |
CN117355930A (zh) | 通过基于图像投影的修补对设计对准的晶片对准改进 |
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 |