CN116130377B - 外延晶圆的缺陷检测方法、装置、***及其制造方法 - Google Patents

外延晶圆的缺陷检测方法、装置、***及其制造方法 Download PDF

Info

Publication number
CN116130377B
CN116130377B CN202310405559.1A CN202310405559A CN116130377B CN 116130377 B CN116130377 B CN 116130377B CN 202310405559 A CN202310405559 A CN 202310405559A CN 116130377 B CN116130377 B CN 116130377B
Authority
CN
China
Prior art keywords
defect
confirmed
image
epitaxial wafer
element components
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
Application number
CN202310405559.1A
Other languages
English (en)
Other versions
CN116130377A (zh
Inventor
梁鹏欢
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.)
Xian Eswin Silicon Wafer Technology Co Ltd
Xian Eswin Material Technology Co Ltd
Original Assignee
Xian Eswin Silicon Wafer Technology Co Ltd
Xian Eswin Material Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Eswin Silicon Wafer Technology Co Ltd, Xian Eswin Material Technology Co Ltd filed Critical Xian Eswin Silicon Wafer Technology Co Ltd
Priority to CN202310405559.1A priority Critical patent/CN116130377B/zh
Publication of CN116130377A publication Critical patent/CN116130377A/zh
Application granted granted Critical
Publication of CN116130377B publication Critical patent/CN116130377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Analytical Chemistry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Power Engineering (AREA)
  • Geometry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Chemical Vapour Deposition (AREA)

Abstract

本发明实施例公开了一种外延晶圆的缺陷检测方法、装置及外延晶圆的制造方法；该缺陷检测方法包括：扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；检测所述扫描图像中存在的缺陷；提取所述扫描图像中各缺陷对应的图像特征；基于所述图像特征识别对应缺陷所属的缺陷类型；针对识别所得的缺陷类型多于一个的待确认缺陷，采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型。

Description

外延晶圆的缺陷检测方法、装置、***及其制造方法
技术领域
本发明实施例涉及半导体制造技术，尤其涉及一种外延晶圆的缺陷检测方法、装置、***及其制造方法。
背景技术
作为半导体器件的制造工序中所使用的基板，硅晶圆等由半导体构成的晶圆被广泛地使用。作为这种晶圆，已知有对单晶锭进行切片并进行镜面研磨、清洗等流程而成的拋光晶圆（PW晶圆），以及在PW晶圆表面通过化学气相沉积等方式形成具有单晶硅外延层从而得到外延晶圆。
由于高性能芯片对基板品质的要求不断提升，针对抛光晶圆以及外延晶圆的缺陷检测逐渐变得极为重要。一方面，准确的缺陷检测不仅能够为抛光晶圆以及外延晶圆的生产过程提出生产指导以提高生产过程的良率；另一方面，在制作半导体器件之前进行准确的检测缺陷，能够提高在半导体器件的制造工序中提高半导体器件的成品率和可靠性。
当前，对于晶圆，尤其是外延晶圆的缺陷检测手段，通常是借助光学或电子扫描方式采集晶圆表面的图像并通过肉眼观察的方式进行。但是肉眼观察属于人工感官检查，因此，基于检查人员的判定的偏差是不可避免的，从而存在主观判断影响判定结果准确性的问题；此外，人工感官检查速度较慢，效率低下；并且检查人员熟练也需要时间且容易出现漏判。
因此，需要确立一种客观准确且效率高的缺陷检测方法。
发明内容
有鉴于此，本发明实施例期望提供一种外延晶圆的缺陷检测方法、装置、***及其制造方法；能够客观高效准确地对外延晶圆的缺陷及缺陷类型进行检测。
本发明实施例的技术方案是这样实现的：
第一方面，本发明实施例提供了一种外延晶圆的缺陷检测方法，所述检测方法包括：
扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
检测所述扫描图像中存在的缺陷；
提取所述扫描图像中各缺陷对应的图像特征；
基于所述图像特征识别对应缺陷所属的缺陷类型；
针对识别所得的缺陷类型多于一个的待确认缺陷，采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型。
在一些示例中，所述提取所述扫描图像中各缺陷对应的图像特征，包括：
针对扫描图像中各缺陷所在区域，通过图像检测手段获取各缺陷对应的长度值、宽度值、形态和缺陷面积值中的一个或多个。
在一些示例中，所述基于所述图像特征识别对应缺陷所属的缺陷类型，包括：
在缺陷数据库所存储的已有缺陷类型中，将与提取获得的图像特征及对应的特征值最接近的图像特征及对应的特征值所对应的已有缺陷类型确定为缺陷所属的缺陷类型；其中，所述缺陷数据库包括历史检测过程中所检测到的缺陷类型及对应的图像特征和特征值。
在一些示例中，所述基于所述图像特征识别对应缺陷所属的缺陷类型，包括：
将提取获得的图像特征及对应的特征值输入至经过训练的机器学习模型中，以使得所述机器学习模型根据提取获得的图像特征及对应的特征值识别缺陷所属的缺陷类型。
在一些示例中，所述扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像，包括：
通过扫描电子显微镜（SEM，Scanning Electron Microscope）扫描待测外延晶圆的表面，并采集二次电子形成所述外延晶圆扫描图像。
在一些示例中，所述采集待确认缺陷处的元素成分，包括：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，通过能谱仪采集待确认缺陷处释放的特征X射线；
对特征X射线进行能谱分析，获得所述待确认缺陷处的元素成分。
在一些示例中，相应于根据元素成分无法为所述待确认缺陷确定唯一所属的缺陷类型，所述方法还包括：
通过肉眼对扫描图像中的所述待确认缺陷进行观察，以使得为所述待确认缺陷确定唯一所属的缺陷类型。
第二方面，本发明实施例提供了一种外延晶圆的缺陷检测装置，其特征在于，所述检测装置包括：扫描部分、检测部分、提取部分、识别部分、采集部分和确定部分；其中，
所述扫描部分，经配置为扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
所述检测部分，经配置为检测所述扫描图像中存在的缺陷；
所述提取部分，经配置为提取所述扫描图像中各缺陷对应的图像特征；
所述识别部分，经配置为基于所述图像特征识别对应缺陷所属的缺陷类型；以及，针对识别所得的缺陷类型多于一个的待确认缺陷，触发所述采集部分；
所述采集部分，经配置为采集待确认缺陷处的元素成分；
所述确定部分，经配置为根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型。
在一些示例中，所述提取部分，经配置为：
针对扫描图像中各缺陷所在区域，通过图像检测手段获取各缺陷对应的长度值、宽度值、形态和缺陷面积值中的一个或多个。
在一些示例中，所述识别部分，经配置为：
在缺陷数据库所存储的已有缺陷类型中，将与提取获得的图像特征及对应的特征值最接近的图像特征及对应的特征值所对应的已有缺陷类型确定为缺陷所属的缺陷类型；其中，所述缺陷数据库包括历史检测过程中所检测到的缺陷类型及对应的图像特征和特征值。
在一些示例中，所述识别部分，经配置为：
将提取获得的图像特征及对应的特征值输入至经过训练的机器学习模型中，以使得所述机器学习模型根据提取获得的图像特征及对应的特征值识别缺陷所属的缺陷类型。
在一些示例中，所述扫描部分，经配置为：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，并采集二次电子形成所述外延晶圆扫描图像。
在一些示例中，所述采集部分，经配置为：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，通过能谱仪采集待确认缺陷处释放的特征X射线；
对特征X射线进行能谱分析，获得所述待确认缺陷处的元素成分。
第三方面，本发明实施例提供了一种外延晶圆的缺陷检测***，该***包括：控制器，扫描器件和采集器件，所述控制器与扫描器件及采集器件电子通信；其中，
所述扫描器件，经配置为扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
所述控制器，经配置为检测所述扫描图像中存在的缺陷；
提取所述扫描图像中各缺陷对应的图像特征；
基于所述图像特征识别对应缺陷所属的缺陷类型；
针对识别所得的缺陷类型多于一个的待确认缺陷，使用所述采集器件采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型。
在一些示例中，扫描器件，可配置为通过扫描电子显微镜SEM扫描待测外延晶圆的表面，并采集二次电子形成所述外延晶圆扫描图像。
在一些示例中，采集器件，可配置为通过扫描电子显微镜SEM扫描待测外延晶圆的表面，通过能谱仪采集待确认缺陷处释放的特征X射线；以及，对特征X射线进行能谱分析，获得所述待确认缺陷处的元素成分。
在一些示例中，所述控制器，经配置为：
针对扫描图像中各缺陷所在区域，通过图像检测手段获取各缺陷对应的长度值、宽度值、形态和缺陷面积值中的一个或多个。
在一些示例中，所述控制器，经配置为：
在缺陷数据库所存储的已有缺陷类型中，将与提取获得的图像特征及对应的特征值最接近的图像特征及对应的特征值所对应的已有缺陷类型确定为缺陷所属的缺陷类型；其中，所述缺陷数据库包括历史检测过程中所检测到的缺陷类型及对应的图像特征和特征值。
在一些示例中，所述控制器，经配置为：
将提取获得的图像特征及对应的特征值输入至经过训练的机器学习模型中，以使得所述机器学习模型根据提取获得的图像特征及对应的特征值识别缺陷所属的缺陷类型。
第四方面，本发明实施例提供了一种外延晶圆的制造方法，所述方法包括：
使用外延设备在抛光晶圆表面形成外延层以获得外延晶圆；
根据第一方面或第一方面的任一示例所述的外延晶圆的检测方法检测所述外延晶圆的缺陷，以确定所述外延晶圆所具有的缺陷及对应的缺陷类型。
第五方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质存储有外延晶圆的缺陷检测程序，所述外延晶圆的缺陷检测程序被至少一个处理器执行时实现第一方面或第一方面的任一示例中所述外延晶圆的缺陷检测方法步骤。
本发明实施例提供了外延晶圆的缺陷检测方法、装置、***及其制造方法；通过图像处理手段对外延晶圆的表面图像进行处理后，利用图像中与缺陷形貌对应的图像特征检测外延晶圆的缺陷类型，并且在无法唯一确定外延晶圆的缺陷类型的情况下，借助成分分析进行缺陷类型的唯一确定，从而避免了上述人工感官检查所存在的问题，提高缺陷检测的效率和准确度。
附图说明
图1为本发明实施例提供的一种外延晶圆的缺陷检测方法流程示意图。
图2为本发明实施例提供的SEM的工作原理。
图3为本发明实施例提供的扫描图像中的缺陷分布示意图。
图4（a）、图4（b）和图4（c）分别为本发明实施例提供的典型的外延堆垛层错（ESF，Epitaxy Stacking Fault）缺陷、颗粒（Particle）缺陷和划痕（Scratch）缺陷的缺陷形貌示意图。
图5（a）、图5（b）分别为本发明实施例提供的扫描图像中所展示的ESF缺陷和Scratch缺陷的形貌示意图。
图6（a）、图6（b）分别为本发明实施例提供的ESF缺陷和Particle缺陷的形貌示意图。
图7（a）、图7（b）分别为本发明实施例提供的ESF缺陷和Particle缺陷的元素分析示意图。
图8为本发明实施例提供的一种外延晶圆的缺陷检测装置组成示意图。
图9为本发明实施例提供的一种外延晶圆的缺陷检测***组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
晶圆缺陷主要可以分为表面缺陷和体缺陷两种。示例性来说，表面缺陷通常包括在晶圆成型、清洗、外延生长以及转运过程中所产生的机械损伤、颗粒（Particle）缺陷、雾状（Haze）缺陷、划痕（Scratch）缺陷等。体缺陷则是在拉晶或外延生产过程中形成的缺陷，包括外延堆垛层错（ESF，Epitaxy Stacking Fault）等。在以上所阐述的关于晶圆的示例性缺陷中，外延晶圆通常面临的缺陷类型包括ESF、Particle、Scratch等。详细来说，ESF缺陷的形成原因主要是在进行外延生长之前抛光晶圆表面有颗粒附着或者损伤，随着外延生长的进行，颗粒附着或者损伤处生长的单晶层出现晶体结构中不同于正常排列顺序的堆垛错排；Particle缺陷的形成原因主要是外延生长完成之后，空气中的微小颗粒附着于外延晶圆表面；Scratch缺陷的形成原因主要是外延生长完成之后，在外延晶圆表面出现了划伤等机械损伤。
另外，本说明书中，记载为“抛光晶圆表面”时，是指抛光晶圆形成外延层的一侧；记载为“外延晶圆的表面”时，是指外延晶圆的主表面中形成有外延层的一侧的面。
对于以上所介绍的外延晶圆的常见缺陷类型，通常利用人工肉眼观察缺陷的形貌进行区分和识别，这种人工感官检查手段存在主观判断影响判定结果准确性的问题；此外，人工感官检查速度较慢，效率低下；并且检查人员熟练也需要时间且容易出现漏判。因此，本发明实施例期望通过图像处理手段对外延晶圆的表面图像进行处理后，利用图像中与缺陷形貌对应的图像特征检测外延晶圆的缺陷类型，并且在无法唯一确定外延晶圆的缺陷类型的情况下，借助成分分析进行缺陷类型的唯一确定，从而避免了上述人工感官检查所存在的问题，提高缺陷检测的效率和准确度。
基于此，参见图1，其示出了本发明实施例提供的一种外延晶圆的缺陷检测方法，该方法可以包括：
S101：扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
S102：检测所述扫描图像中存在的缺陷；
S103：提取所述扫描图像中各缺陷对应的图像特征；
S104：基于所述图像特征识别对应缺陷所属的缺陷类型；
S105：针对识别所得的缺陷类型多于一个的待确认缺陷，采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型。
对于图1所示的技术方案，以半导体器件（如存储芯片，功率器件等）的制造工序为例，通常会针对作为制造基底的每张外延晶圆均进行缺陷检测，从而能够检测并筛选获得无缺陷的外延晶圆或者有少量缺陷但不存在致命（killer）缺陷的外延晶圆以进行后续的半导体器件的制造工序，因此，通常会对外延晶圆进行非破坏检测，即不由于检测而对后续半导体器件的制造工序产生影响。为了实现非破坏检测，本发明实施例优选采用扫描电子显微镜（SEM，Scanning Electron Microscope）完成图1所示的缺陷检测过程。在一些示例中，所述扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像，包括：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，并采集二次电子形成所述外延晶圆扫描图像。
需要说明的是，除了SEM之外，还可以通过其他方式非破坏地扫描待测外延晶圆的表面并获得所述扫描图像，比如透射电子显微镜和光学显微镜，本发明实施例对此不做赘述。而上述示例中所使用的SEM是一种介于透射电子显微镜和光学显微镜之间的一种观察手段，其利用聚焦的很窄的高能电子束来扫描样品，通过光束与物质间的相互作用，来激发各种物理信息，对这些信息收集、放大、再成像以达到对物质微观形貌表征的目的，如图2所示出的SEM的工作原理，高能电子束以光栅状扫描方式照射到样品（外延晶圆）表面并进行扫描，由于高能电子与外延晶圆表面物质之间的交互作用，会产生各种信号，比如图2中所示出的二次电子、背散射电子、透射电子和特征X射线，还可以包括图2中未示出的吸收电子、俄歇电子、阴极发光等，这些信号可以被相应的接收器进行接收。在这些信号中，二次电子是指在入射的高能电子束作用下被轰击出来并离开样品表面的核外电子，是一种真空中的自由电子。此外，二次电子一般都是在表层5~10 nm深度范围内发射出来的，它对样品的表面形貌十分敏感，能非常有效地显示样品的表面形貌。因此，上述示例基于SEM扫描过程中采集二次电子并成像以获得所述外延晶圆的扫描图像。
在一些示例中，获得外延晶圆的扫描图像之后，为了能够更加清晰且显著地展示缺陷及其形貌，可以对所述扫描图像进行对比度和灰度优化，并通过设定尺寸的滑动窗（比如2*2，4*4，8*8等，单位：像素）对优化后的扫描图像进行滑动检测，从而识别并标注出图像中存在缺陷的位置，比如图3所示的缺陷分布示意图中三角形点所示出的缺陷位置。详细来说，无缺陷状态的晶圆表面中的各区域灰度和对比度应当具有一致性，而当这种一致性在某些区域被破坏而出现不一致的时候，就能够确定外延晶圆中与这些区域对应的位置存在缺陷，而采用上述示例性地图像处理手段检测外延晶圆所存在的缺陷，相较于常规方案中的人工检查手段，提高了检测效率并且规避了主观因素对准确度的影响。
在一些示例中，当检测到所存在的缺陷之后，进而就是针对这些缺陷进行分类识别，仍然以外延晶圆常见的ESF、Particle和Scratch缺陷为例，其对应的典型的图像形貌分别如图4（a）、图4（b）和图4（c）所示。从图中可以看出，ESF缺陷的典型形貌为金字塔状的矩形；Particle缺陷的典型形貌为圆形；Scratch缺陷的典型形貌为线状划痕。对于这些缺陷的形貌，可以通过图像处理手段提取缺陷所在区域的图像特征进行表征，基于此，所述提取所述扫描图像中各缺陷对应的图像特征，包括：
针对扫描图像中各缺陷所在区域，通过图像检测手段获取各缺陷对应的长度值、宽度值、形态和缺陷面积值中的一个或多个。
需要说明的是，在获取各缺陷区域中的上述一个或多个图像特征，进而能够基于该特征识别出对应的缺陷类型。
在一些示例中，所述基于所述图像特征识别对应缺陷所属的缺陷类型，包括：
在缺陷数据库所存储的已有缺陷类型中，将与提取获得的图像特征及对应的特征值最接近的图像特征及对应的特征值所对应的已有缺陷类型确定为缺陷所属的缺陷类型；其中，所述缺陷数据库包括历史检测过程中所检测到的缺陷类型及对应的图像特征和特征值。
对于上述示例，需要说明的是，可以对历史的缺陷检测过程所积累的各种缺陷类型对应的图像特征及特征值进行记录，从而形成缺陷数据库，而缺陷数据库中的每条缺陷数据均记载有缺陷类型和对应的图像特征及特征值。当提取到扫描图像中某缺陷（以缺陷A为表示示意）的图像特征以及特征值之后，就根据缺陷A的图像特征及特征值遍历缺陷数据库中的每条缺陷数据，并计算缺陷A的图像特征及特征值与被遍历的缺陷数据之间的匹配度，比如通过计算数据偏差的方式，获取数据库中与提取到的图像特征及特征值偏差最小的缺陷数据作为匹配度最高的缺陷数据，并将该匹配度最高的缺陷数据中的缺陷类型确定为缺陷A的缺陷类型。
在另一些示例中，所述基于所述图像特征识别对应缺陷所属的缺陷类型，包括：
将提取获得的图像特征及对应的特征值输入至经过训练的机器学习模型中，以使得所述机器学习模型根据提取获得的图像特征及对应的特征值识别缺陷所属的缺陷类型。
对于上述示例，需要说明的是，同样可以对历史的缺陷检测过程所积累的各种缺陷类型对应的图像特征及特征值进行记录，并根据这些记录的历史缺陷检测数据训练机器学习模型直至达到设定的检测准确度阈值。当机器学习模型训练完毕之后，就能够根据输入的图像特征及对应的特征值识别缺陷所属的缺陷类型。在一些例子中，机器学习模型所采用的机器学习技术可以包括回归模型(例如，用于估计变量之间的关系的一组统计过程)、分类模型和/或现象模型中的一或多个；另外，机器学习技术可包含二次回归分析、逻辑回归分析、支持向量机、高斯过程回归、集合模型或任何其它回归分析；此外，在另外其它实施例中，机器学习技术可包含决策树学习、回归树、增强树、梯度增强树、多层感知器、一对一、朴素贝叶斯、k最近邻、关联规则学习、神经网络、深度学习、图案辨识或任何其它类型的机器学习；在另外其它例子中，机器学习技术可包含多元插值分析。
对于上述基于图像特征识别缺陷类型的示例，在一些情况下，并不能准确且唯一地识别缺陷类型，举例来说，如图5（a）、图5（b）所示分别是扫描图像中所展示的ESF缺陷形貌和Scratch缺陷形貌，可以看出，两种缺陷形貌都是线状且形貌十分相似，尽管线状并非是ESF缺陷的典型形貌，那么这种非典型形貌就会存在通过图像特征无法唯一识别缺陷类型的风险，那么就需要从另一个角度为缺陷识别出唯一所属的缺陷类型，在本发明实施例中，考虑到缺陷的形成原因，优选采用元素分析的方式对无法唯一识别缺陷类型的缺陷进行识别，那么就需要采集这些通过图像特征无法唯一识别类型的缺陷处的元素成分。基于此，在一些示例中，所述采集待确认缺陷处的元素成分，包括：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，通过能谱仪采集待确认缺陷处释放的特征X射线；
对特征X射线进行能谱分析，获得所述待确认缺陷处的元素成分。
对于上述示例，详细来说，首先，结合图2所示的SEM的工作原理，当高能电子束撞击样品之后，高能电子束会将部分能量转移到样品的原子上，这种能量可以被原子的电子用来“跳跃”到具有更高能量的能量轨道，或者是脱离原子。如果发生这样的转变，电子就会留下一个空位。空位相当于一个正电荷，并且会吸引来自高能量轨道的电子填补进来。当这样一个高能量轨道的电子填满了低能量轨道的空位时，这种转换的能量差可以以X射线的形式释放出来。而这种能量差取决于样品的原子序数，即是每个元素的唯一属性，所以，释放出的X射线是每个元素的“指纹”，可以用来识别样品中存在的元素的类型，因此，释放出的X射线也被称之为特征X射线。其次，由于X射线是电磁辐射，像光一样由光子组成，因此，可以通过诸如硅漂移探测器（SDD，Silicon Drift Detector）采集X射线，比如在实施过程可以将SDD置于一个特定角度且非常接近样品，并且有能力测量X射线的光子能量。通常来说，SDD与样品之间的立体角越高，X射线检测概率越高。
需要说明的是，以图6（a）、图6（b）分别示出的ESF缺陷和Particle缺陷的形貌为例，这两个形貌均为圆形，在图像特征识别过程中存在无法唯一识别缺陷类型的可能性，但是结合缺陷的Si元素含量之后，可以准确判别出缺陷，从而提高图像识别阶段的准确性。Si元素的成分含量＜90.0%，则可以确认属于Particle缺陷，反之则属于ESF缺陷。结合缺陷的形成原因以及图7（a）、图7（b），如果外延晶圆在进行外延生长之前表面有颗粒附着或者损伤，生长完外延层之后就会形成ESF缺陷，并且由于ESF缺陷是因外延生长造成的，所以Si元素的含量就特别高，如图7（a）所示；但是particle缺陷可能由于外延晶圆在生长完外延层之后，空气中有颗粒附着在外延片表面，所以Si元素的含量就相对低，如图7（b）所示。
通过上述示例，通常能够大概率地准确且唯一识别出缺陷类型，但是当通过元素分析的方法仍旧无法唯一识别出缺陷类型时，那么此时再借助人工检查进行最终确认。基于此，在一些示例中，相应于根据元素成分无法为所述待确认缺陷确定唯一所属的缺陷类型，所述方法还包括：
通过肉眼对扫描图像中的所述待确认缺陷进行观察，以使得为所述待确认缺陷确定唯一所属的缺陷类型。
对于上述示例，需要说明的是，当通过肉眼进行人工感官检查并确认缺陷属性之后，结合前述示例，可以将该待确认缺陷对应的图像特征以及特征值记录在缺陷数据库中，从而便于后续提高相同缺陷的匹配度。此外，也可以将该待确认缺陷对应的图像特征以及特征值作为训练数据对机器学习模型进行持续训练，从而进一步提升机器学习模型的检测准确度。
对于上述缺陷检测方法及其示例，与通常的人工检测手段进行比较，以待测的外延晶圆数量为100片为例，检测结果如表1所示。
表1
检测手段 平均检测时间 检测准确率
图1所示的缺陷检测方法 1.62秒/个 99.98%
人工感官检查 20秒/个 80.12%
从表1可以看出，本发明实施例提出的缺陷检测方法，能够显著的提高缺陷检测的效率和准确度。
基于前述技术方案相同的发明构思，参见图8，其示出了本发明实施例提供的一种外延晶圆的缺陷检测装置80，所述检测装置80包括：扫描部分801、检测部分802、提取部分803、识别部分804、采集部分805和确定部分806；其中，
所述扫描部分801，经配置为扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
所述检测部分802，经配置为检测所述扫描图像中存在的缺陷；
所述提取部分803，经配置为提取所述扫描图像中各缺陷对应的图像特征；
所述识别部分804，经配置为基于所述图像特征识别对应缺陷所属的缺陷类型；以及，针对识别所得的缺陷类型多于一个的待确认缺陷，触发所述采集部分805；
所述采集部分805，经配置为采集待确认缺陷处的元素成分；
所述确定部分806，经配置为根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型。
在一些示例中，所述提取部分803，经配置为：
针对扫描图像中各缺陷所在区域，通过图像检测手段获取各缺陷对应的长度值、宽度值、形态和缺陷面积值中的一个或多个。
在一些示例中，所述识别部分804，经配置为：
在缺陷数据库所存储的已有缺陷类型中，将与提取获得的图像特征及对应的特征值最接近的图像特征及对应的特征值所对应的已有缺陷类型确定为缺陷所属的缺陷类型；其中，所述缺陷数据库包括历史检测过程中所检测到的缺陷类型及对应的图像特征和特征值。
在一些示例中，所述识别部分804，经配置为：
将提取获得的图像特征及对应的特征值输入至经过训练的机器学习模型中，以使得所述机器学习模型根据提取获得的图像特征及对应的特征值识别缺陷所属的缺陷类型。
在一些示例中，所述扫描部分801，经配置为：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，并采集二次电子形成所述外延晶圆扫描图像。
在一些示例中，所述采集部分805，经配置为：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，通过能谱仪采集待确认缺陷处释放的特征X射线；
对特征X射线进行能谱分析，获得所述待确认缺陷处的元素成分。
可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。
另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或processor（处理器）执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM， Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
因此，本实施例提供了一种计算机存储介质，所述计算机存储介质存储有外延晶圆的缺陷检测程序，所述外延晶圆的缺陷检测程序被至少一个处理器执行时实现上述技术方案中所述外延晶圆的缺陷检测方法步骤。
基于前述技术方案相同的发明构思，参见图9，其示出了本发明实施例提供的一种外延晶圆的缺陷检测***90，所述***90包括：控制器901，扫描器件902和采集器件903，所述控制器901与扫描器件902及采集器件903电子通信；其中，
所述扫描器件902，经配置为扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
所述控制器901，经配置为检测所述扫描图像中存在的缺陷；
提取所述扫描图像中各缺陷对应的图像特征；
基于所述图像特征识别对应缺陷所属的缺陷类型；
针对识别所得的缺陷类型多于一个的待确认缺陷，使用所述采集器件903采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型。
在一些示例中，继续参见图9，控制器901可以包括处理器904及与处理器904电子通信的存储器905。扫描器件902及采集器件903可以集中于SEM中。基于此，扫描器件902经配置为通过扫描电子显微镜SEM扫描待测外延晶圆的表面，并采集二次电子形成所述外延晶圆扫描图像。
采集器件903，可配置为通过扫描电子显微镜SEM扫描待测外延晶圆的表面，通过能谱仪采集待确认缺陷处释放的特征X射线；以及，对特征X射线进行能谱分析，获得所述待确认缺陷处的元素成分。
在上述示例中，控制器901可由硬件、软件及固件的任何组合实施。另外，其功能(如本文所描述)可由一个单元执行或在不同组件之间分配，组件中的每一者可又由硬件、软件及固件的任何组合实施。用于实施各种方法及功能的控制器901的程序代码或指令可存储于控制器可读存储媒体中(例如存储器905)。
可以理解，本发明实施例中的存储器905可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器 (Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器 (Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的***和方法的存储器905旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器904可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器904中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器904可以是通用处理器、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)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程 存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器905，处理器904读取存储器905中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等) 来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
在一些示例中，所述控制器901，经配置为：
针对扫描图像中各缺陷所在区域，通过图像检测手段获取各缺陷对应的长度值、宽度值、形态和缺陷面积值中的一个或多个。
在一些示例中，所述控制器901，经配置为：
在缺陷数据库所存储的已有缺陷类型中，将与提取获得的图像特征及对应的特征值最接近的图像特征及对应的特征值所对应的已有缺陷类型确定为缺陷所属的缺陷类型；其中，所述缺陷数据库包括历史检测过程中所检测到的缺陷类型及对应的图像特征和特征值。
在一些示例中，所述控制器901，经配置为：
将提取获得的图像特征及对应的特征值输入至经过训练的机器学习模型中，以使得所述机器学习模型根据提取获得的图像特征及对应的特征值识别缺陷所属的缺陷类型。
可以理解地，上述外延晶圆的缺陷检测装置80以及外延晶圆的缺陷检测***90的示例性技术方案，与前述外延晶圆的缺陷检测方法的技术方案属于同一构思，因此，上述对于外延晶圆的缺陷检测装置80以及外延晶圆的缺陷检测***90的技术方案未详细描述的细节内容，均可以参见前述外延晶圆的缺陷检测方法的技术方案的描述。本发明实施例对此不做赘述。
此外，本发明实施例还提供了一种外延晶圆的制造方法，所述方法包括：
使用外延设备在抛光晶圆表面形成外延层以获得外延晶圆；
根据前述任一实施例所述的外延晶圆的检测方法检测所述外延晶圆的缺陷，以确定所述外延晶圆所具有的缺陷及对应的缺陷类型。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种外延晶圆的缺陷检测方法，其特征在于，所述检测方法包括：
扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
检测所述扫描图像中存在的缺陷；
提取所述扫描图像中各缺陷对应的图像特征；
基于所述图像特征识别对应缺陷所属的缺陷类型；
针对通过图像特征无法唯一识别缺陷类型的待确认缺陷，采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型；
其中，所述针对通过图像特征无法唯一识别缺陷类型的待确认缺陷，采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型，包括：
相应于通过图像特征无法从外延堆垛层错ESF缺陷和划痕Scratch缺陷中唯一识别待确认缺陷的缺陷类型，采集所述待确认缺陷处的元素成分，当Si元素成分含量超过设定的阈值，则确认所述待确认缺陷为ESF缺陷，当Si元素成分含量小于设定的阈值，则确认所述待确认缺陷为Scratch缺陷；
相应于通过图像特征无法从外延堆垛层错ESF缺陷和颗粒Particle缺陷中唯一识别待确认缺陷的缺陷类型，采集所述待确认缺陷处的元素成分，当Si元素成分含量超过设定的阈值，则确认所述待确认缺陷为ESF缺陷，当Si元素成分含量小于设定的阈值，则确认所述待确认缺陷为Particle缺陷。
2.根据权利要求1所述的检测方法，其特征在于，所述提取所述扫描图像中各缺陷对应的图像特征，包括：
针对扫描图像中各缺陷所在区域，通过图像检测手段获取各缺陷对应的长度值、宽度值、形态和缺陷面积值中的一个或多个。
3.根据权利要求1所述的检测方法，其特征在于，所述基于所述图像特征识别对应缺陷所属的缺陷类型，包括：
在缺陷数据库所存储的已有缺陷类型中，将与提取获得的图像特征及对应的特征值最接近的图像特征及对应的特征值所对应的已有缺陷类型确定为缺陷所属的缺陷类型；其中，所述缺陷数据库包括历史检测过程中所检测到的缺陷类型及对应的图像特征和特征值。
4.根据权利要求1所述的检测方法，其特征在于，所述基于所述图像特征识别对应缺陷所属的缺陷类型，包括：
将提取获得的图像特征及对应的特征值输入至经过训练的机器学习模型中，以使得所述机器学习模型根据提取获得的图像特征及对应的特征值识别缺陷所属的缺陷类型。
5.根据权利要求1所述的检测方法，其特征在于，所述扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像，包括：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，并采集二次电子形成所述外延晶圆扫描图像。
6.根据权利要求1所述的检测方法，其特征在于，所述采集待确认缺陷处的元素成分，包括：
通过扫描电子显微镜SEM扫描待测外延晶圆的表面，通过能谱仪采集待确认缺陷处释放的特征X射线；
对特征X射线进行能谱分析，获得所述待确认缺陷处的元素成分。
7.根据权利要求1所述的检测方法，其特征在于，相应于根据元素成分无法为所述待确认缺陷确定唯一所属的缺陷类型，所述方法还包括：
通过肉眼对扫描图像中的所述待确认缺陷进行观察，以使得为所述待确认缺陷确定唯一所属的缺陷类型。
8.一种外延晶圆的缺陷检测装置，其特征在于，所述检测装置包括：扫描部分、检测部分、提取部分、识别部分、采集部分和确定部分；其中，
所述扫描部分，经配置为扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
所述检测部分，经配置为检测所述扫描图像中存在的缺陷；
所述提取部分，经配置为提取所述扫描图像中各缺陷对应的图像特征；
所述识别部分，经配置为基于所述图像特征识别对应缺陷所属的缺陷类型；以及，针对通过图像特征无法唯一识别缺陷类型的待确认缺陷，触发所述采集部分；
所述采集部分，经配置为采集待确认缺陷处的元素成分；
所述确定部分，经配置为根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型；
其中，所述确定部分，经配置为：
相应于通过图像特征无法从外延堆垛层错ESF缺陷和划痕Scratch缺陷中唯一识别待确认缺陷的缺陷类型，采集所述待确认缺陷处的元素成分，当Si元素成分含量超过设定的阈值，则确认所述待确认缺陷为ESF缺陷，当Si元素成分含量小于设定的阈值，则确认所述待确认缺陷为Scratch缺陷；
相应于通过图像特征无法从外延堆垛层错ESF缺陷和颗粒Particle缺陷中唯一识别待确认缺陷的缺陷类型，采集所述待确认缺陷处的元素成分，当Si元素成分含量超过设定的阈值，则确认所述待确认缺陷为ESF缺陷，当Si元素成分含量小于设定的阈值，则确认所述待确认缺陷为Particle缺陷。
9.一种外延晶圆的缺陷检测***，其特征在于，所述***包括：控制器，扫描器件和采集器件，所述控制器与扫描器件及采集器件电子通信；其中，
所述扫描器件，经配置为扫描待测外延晶圆的表面，获得所述待测外延晶圆的扫描图像；
所述控制器，经配置为检测所述扫描图像中存在的缺陷；
提取所述扫描图像中各缺陷对应的图像特征；
基于所述图像特征识别对应缺陷所属的缺陷类型；
针对通过图像特征无法唯一识别缺陷类型的待确认缺陷，使用所述采集器件采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型；
其中，所述针对通过图像特征无法唯一识别缺陷类型的待确认缺陷，采集待确认缺陷处的元素成分，并根据元素成分为所述待确认缺陷确定唯一所属的缺陷类型，包括：
相应于通过图像特征无法从外延堆垛层错ESF缺陷和划痕Scratch缺陷中唯一识别待确认缺陷的缺陷类型，采集所述待确认缺陷处的元素成分，当Si元素成分含量超过设定的阈值，则确认所述待确认缺陷为ESF缺陷，当Si元素成分含量小于设定的阈值，则确认所述待确认缺陷为Scratch缺陷；
相应于通过图像特征无法从外延堆垛层错ESF缺陷和颗粒Particle缺陷中唯一识别待确认缺陷的缺陷类型，采集所述待确认缺陷处的元素成分，当Si元素成分含量超过设定的阈值，则确认所述待确认缺陷为ESF缺陷，当Si元素成分含量小于设定的阈值，则确认所述待确认缺陷为Particle缺陷。
10.一种外延晶圆的制造方法，其特征在于，所述方法包括：
使用外延设备在抛光晶圆表面形成外延层以获得外延晶圆；
根据权利要求1至7任一项所述的外延晶圆的检测方法检测所述外延晶圆的缺陷，以确定所述外延晶圆所具有的缺陷及对应的缺陷类型。
CN202310405559.1A 2023-04-17 2023-04-17 外延晶圆的缺陷检测方法、装置、***及其制造方法 Active CN116130377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310405559.1A CN116130377B (zh) 2023-04-17 2023-04-17 外延晶圆的缺陷检测方法、装置、***及其制造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310405559.1A CN116130377B (zh) 2023-04-17 2023-04-17 外延晶圆的缺陷检测方法、装置、***及其制造方法

Publications (2)

Publication Number Publication Date
CN116130377A CN116130377A (zh) 2023-05-16
CN116130377B true CN116130377B (zh) 2023-09-29

Family

ID=86306648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310405559.1A Active CN116130377B (zh) 2023-04-17 2023-04-17 外延晶圆的缺陷检测方法、装置、***及其制造方法

Country Status (1)

Country Link
CN (1) CN116130377B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116645362B (zh) * 2023-06-29 2024-01-23 日照鲁光电子科技有限公司 一种碳化硅晶圆的质量智能检测方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06281589A (ja) * 1993-03-26 1994-10-07 Mitsui Mining & Smelting Co Ltd 欠陥評価装置
JP2002148031A (ja) * 2000-10-20 2002-05-22 Applied Materials Inc パターン検査方法及び装置
CN102037348A (zh) * 2008-05-22 2011-04-27 独立行政法人产业技术综合研究所 检查缺陷的方法及缺陷检查装置
JP2015220296A (ja) * 2014-05-15 2015-12-07 信越半導体株式会社 汚染評価方法
JP2016212009A (ja) * 2015-05-12 2016-12-15 信越半導体株式会社 欠陥検査方法
CN106796188A (zh) * 2014-10-27 2017-05-31 科磊股份有限公司 基于自动化决策的能量分散式x射线方法及设备
CN110164745A (zh) * 2014-08-29 2019-08-23 科磊股份有限公司 扫描式电子显微镜及检验及复检样本的方法
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
CN113295616A (zh) * 2021-03-30 2021-08-24 浙江大学杭州国际科创中心 一种SiC晶圆及其外延层结构的综合测试方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003107022A (ja) * 2001-09-28 2003-04-09 Hitachi Ltd 欠陥検査装置及び検査方法
US11035804B2 (en) * 2017-06-28 2021-06-15 Kla Corporation System and method for x-ray imaging and classification of volume defects

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06281589A (ja) * 1993-03-26 1994-10-07 Mitsui Mining & Smelting Co Ltd 欠陥評価装置
JP2002148031A (ja) * 2000-10-20 2002-05-22 Applied Materials Inc パターン検査方法及び装置
CN102037348A (zh) * 2008-05-22 2011-04-27 独立行政法人产业技术综合研究所 检查缺陷的方法及缺陷检查装置
JP2015220296A (ja) * 2014-05-15 2015-12-07 信越半導体株式会社 汚染評価方法
CN110164745A (zh) * 2014-08-29 2019-08-23 科磊股份有限公司 扫描式电子显微镜及检验及复检样本的方法
CN106796188A (zh) * 2014-10-27 2017-05-31 科磊股份有限公司 基于自动化决策的能量分散式x射线方法及设备
JP2016212009A (ja) * 2015-05-12 2016-12-15 信越半導体株式会社 欠陥検査方法
CN113295616A (zh) * 2021-03-30 2021-08-24 浙江大学杭州国际科创中心 一种SiC晶圆及其外延层结构的综合测试方法
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

Also Published As

Publication number Publication date
CN116130377A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
US11526979B2 (en) Method of defect classification and system thereof
CN111462113B (zh) 无图形晶圆的复检方法
CN104903712B (zh) 缺陷观察方法以及缺陷观察装置
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
US9766187B2 (en) Repeater detection
US9002097B1 (en) Method and system for enhancing image quality
US9019492B2 (en) Defect inspection device and defect inspection method
WO2016033300A1 (en) Repeater detection
CN116130377B (zh) 外延晶圆的缺陷检测方法、装置、***及其制造方法
US11592400B2 (en) System, method and computer program product for object examination
JP6545164B2 (ja) ウェハ検査プロセスの１つ以上のパラメータを決定するための方法、コンピュータ読み出し可能な媒体およびシステム
US7659975B1 (en) Methods and systems for inspection of a wafer or setting up an inspection process
WO2010024064A1 (ja) 欠陥検査方法及びその装置
US20180136143A1 (en) Method for evaluating semiconductor wafer
CN104103541B (zh) 一种对缺陷进行选择性检测的方法
US10557802B2 (en) Capture of repeater defects on a semiconductor wafer
KR102297269B1 (ko) 실리콘 웨이퍼의 평가 방법, 실리콘 웨이퍼 제조 공정의 평가 방법, 실리콘 웨이퍼의 제조 방법 및 실리콘 웨이퍼
CN112805719A (zh) 分类半导体样本中的缺陷
TW201830334A (zh) 用於分類器及藉由光學工具所捕捉之缺陷之診斷方法
US11961221B2 (en) Defect examination on a semiconductor specimen
Frascaroli et al. Automatic defect detection in epitaxial layers by micro photoluminescence imaging
JP2001015567A (ja) 半導体基板の評価装置および評価方法
JP2004193529A (ja) ウエーハの評価方法及び装置
US20240153043A1 (en) Image denoising for examination of a semiconductor specimen
CN117740855A (zh) 一种硅单晶微缺陷的检测***及方法

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