CN117197617B - 一种重复缺陷的缺陷分类方法及*** - Google Patents
一种重复缺陷的缺陷分类方法及*** Download PDFInfo
- Publication number
- CN117197617B CN117197617B CN202311208708.1A CN202311208708A CN117197617B CN 117197617 B CN117197617 B CN 117197617B CN 202311208708 A CN202311208708 A CN 202311208708A CN 117197617 B CN117197617 B CN 117197617B
- Authority
- CN
- China
- Prior art keywords
- sampling
- defect
- wafer
- defects
- area
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 355
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 343
- 238000012545 processing Methods 0.000 claims description 48
- 238000005516 engineering process Methods 0.000 claims description 44
- 238000005286 illumination Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 11
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003754 machining Methods 0.000 claims description 7
- 230000003252 repetitive effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 25
- 235000012431 wafers Nutrition 0.000 description 107
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000005192 partition Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003795 desorption Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及晶圆检测领域,具体涉及一种重复缺陷的缺陷分类方法及***。方法包括:获取晶圆的至少一组重复缺陷的位置信息集;获取对应于晶圆的取样位置的总取样数量和取样比例关系,以从晶圆上预先划分的多个取样区域中按照总取样数量和取样比例关系确定在晶圆的不同取样区域中的区域取样数量;根据区域取样数量分别从多个取样区域中选取到对应的取样位置;分别在所选取的取样位置处进行拍照,从而获取到对应于至少一组重复缺陷的缺陷照片集;通过缺陷照片集对重复缺陷进行缺陷分类。本发明实际上提供了一种可提高取样自动化的标准化取样流程,且该自动化取样方法可在关联区域进行低关联度取样,从而保证了有限样本数据的可靠性。
Description
技术领域
本发明涉及晶圆缺陷检测领域,具体涉及一种重复缺陷的缺陷分类方法及***。
背景技术
在半导体晶圆制作中,拉单晶、切片、磨片、抛光、增层、光刻、掺杂、热处理、针测以及划片等一系列过程中,化学气相沉淀、光学显影、化学机械研磨在这一过程中都可能使晶圆表面产生缺陷,而晶圆上的缺陷会直接影响工作寿命和可靠性。
目前,晶圆缺陷的常用分类流程为:
步骤一、先利用缺陷扫描设备初步找到待分类的缺陷。例如,参见CN115172199A所公开的一种用于识别晶圆缺陷的方法及***。该方法利用聚集型缺陷的密度分布特点对聚集型缺陷(也即簇点缺陷)进行广泛地识别,以为后续的精准缺陷分类进行指导。
步骤二、根据步骤一中的待分类缺陷的扫描情况,选择拍照方案。
具体地,当所识别出的缺陷数量相对较少时,则针对缺陷的出现位置一一拍照以采集缺陷照片。例如,公布号CN103344660A的发明专利申请公开了一种按照电路图形进行缺陷检测的电子显微镜分析方法。该分析方法通过将初步扫描得到的缺陷位置文件转换为带有特征电路图形的缺陷文件,随后电子显微镜通过比对缺陷文件中的特征电路图形确定缺陷位置,进而一一对所有缺陷位置进行拍照取样。又例如,公布号为CN113013048A的发明专利申请,其公开了一种晶圆缺陷检测方法,该缺陷检测方法针对重复单元采用阵列采样规则以对晶圆缺陷进行较为全面的采样。
然而,当所识别出的簇点缺陷数量偏多时,缺陷图像的采集压力也显著增大。此时,通常只能根据当前的缺陷识别情况在晶圆上进行随机取点拍照。即在生产之前,工作人员根据上游客户所提出的生产工艺指标(如晶圆设计网表),结合缺陷分布、数量以及生产管理***等因素综合决策来设置取样检测规则。
此外,现有技术中还尝试通过多照片拼接的方式以提高检测精度。其中,
公布号为CN115132599A的发明专利申请公开了一种缺陷检测方法,该方法中通过对待检测缺陷进行多角度拍照得到多个初始检测图片,并采用图片拼接方式得到最终的检测图片以提高检测精度。但是,这种多图片拼接的检测方式无疑需要占用大量的机台资源。
步骤三、将所有的晶圆扫描结果(如拍照扫描结果)输入至自动缺陷分类模型(例如,ADC缺陷分类模型)中进行自动缺陷分类,或者也可以由工作人员进行人工分类。
在当前的晶圆缺陷检测过程中,步骤二中的拍照方案通常还是由工程师进行人为的选择。然而,晶圆的生产线通常是24小时不间断运行的,一旦其中某一台设备或某一环节产生故障,对于整体生产线的延误影响非常大。因此工厂对于缺陷的实时检测效率要求非常高。这种人工选择拍照方案的做法,无论是时间占用还是机台资源占用问题都相对严重。尤其是针对晶圆的工艺图形相对复杂,且缺陷类型、分布相对较广的情况,步骤二的耗时问题将严重地影响整条产线的运行维护工作。
例如,公布号为CN115015289A的发明专利申请,其公开了一种集成电路缺陷检测方法,在该方法中设计人员可以在芯片设计网表(GDS)的设计阶段,根据实际情况针对集成电路中的不同区域对芯片功能重要性进行划分,并对各个检测区域进行手动标记以便后续的拍照采样。随后,检测人员根据不同标记,使用自动光学检测设备对不同检测区域编制条件不同的检测程序。换句话说,上述申请提出了一种手动标记功能检测分区,并针对不同检测分区差异化取样的方式。而这种手动分区、设置差异化取样条件的方式在应用于实际的晶圆缺陷检测时,仍然存在诸多问题:
例如,其一方面需要现场技术工程师与上游设计人员协同参与至检测区域选取、标记以及取样结果分析等过程,而这显然对晶圆加工过程中的人力成本、物力成本提出了极高要求。另一方面,这种基于差异化取样条件的分区设置方式虽然在一定程度上减小了检测时间,但是针对不同晶圆制造工艺、不同晶圆检测区域设置不同检测条件的方式,取样结果的可靠性与准确性也容易受到工作人员的专业能力的影响。
因此,当前亟需一种能够在缺陷取样阶段,提高缺陷取样效率,同时保证缺陷取样的可靠性与准确性的取样方法。
发明内容
本发明的目的在于提供一种重复缺陷的缺陷分类方法,部分地解决或缓解现有技术中的上述不足,能够提高晶圆缺陷分类的效率。
为了解决上述所提到的技术问题,本发明具体采用以下技术方案:
一种重复缺陷的缺陷分类方法,包括步骤:
S101获取晶圆的至少一组重复缺陷的位置信息集,其中,所述位置信息集包括:具有相同或相似位置的至少一个待分类缺陷的位置信息;
S102获取对应于所述晶圆的取样位置的总取样数量和取样比例关系,以从所述晶圆上预先划分的多个取样区域中按照所述总取样数量和取样比例关系确定在所述晶圆的不同取样区域中的区域取样数量;其中,所述取样位置用于拍照取样,所述晶圆从其中心至边缘的方向依次被划分为第一取样区域、第二取样区域以及第三取样区域;
S103根据所述区域取样数量分别从多个取样区域中选取到对应的取样位置;其中,当所述重复缺陷包括:第一重复缺陷和第二重复缺陷时,相应地,S103包括步骤:
从至少一个取样区域中选取对应于所述第一重复缺陷的第一取样位置;
判断所述第一取样位置上是否包括所述第二重复缺陷;若是,则在所述第一取样位置所处的取样区域中,选取到包含所述第二重复缺陷的至少一个第三取样位置;
所述第三取样位置与所述第一取样位置之间的间距大于预设距离时,则将所述第三取样位置选为第二取样位置;
S104分别在所选取的所述取样位置处进行拍照,从而获取到对应于至少一组重复缺陷的缺陷照片集;
S105通过所述缺陷照片集对所述重复缺陷进行缺陷分类。
在一些实施例中,在S102之前,还包括步骤:
S106获取所述晶圆的当前加工工艺,并通过所述当前加工工艺从历史缺陷数据库中获取到晶圆缺陷的历史数据;其中,所述历史缺陷数据库中包括:
晶圆在经过至少一种加工工艺处理后所形成的缺陷,以及对应缺陷的形成位置、形成原因;其中,所述形成原因包括以下一种或多种:光照因素、机械损伤、边缘效应、表面残留物;
S107在所述晶圆上选取至少一个圆环区域;其中,当所述圆环区域中所包含的缺陷的形成原因中光照因素的占比属于第一预设阈值范围时;和/或,当所述圆环区域中所包含的缺陷的形成原因中不属于光照因素的缺陷的数量属于第二预设阈值范围时,则将所述圆环区域确定为第二取样区域;
S108沿所述晶圆的中心至边缘的方向,依次将所述第二取样区域的两侧分别划分为第一取样区域、第三取样区域。
在一些实施例中,在S106之前,还包括步骤:
S109判断区域划分数据库中是否存在与所述当前加工工艺相匹配的加工工艺;其中,所述区域划分数据库包括:至少一个加工工艺,以及与所述加工工艺相对应的取样区域的划分规则;
若是,则选取与所述当前加工工艺相对应的划分规则,并采用对应的所述划分规则对所述晶圆的取样区域进行划分;
若否,则执行S106,或者向用户发出提示信号。
在一些实施例中,缺陷照片中包括至少一个完整功能单元或者至少一组相关功能单元。
在一些实施例中,所述第一取样区域的宽度、第二取样区域的宽度、第三取样区域的宽度大约为1:1:1。
在一些实施例中,所述取样比例关系为:从所述第一取样区域、第二取样区域、第三取样区域中按照大约1:2:1的比例选取取样位置。
在一些实施例中,S105包括步骤:
将所述缺陷照片集输入ADC分类模型,并通过所述ADC分类模型输出至少一个缺陷照片所对应的缺陷类别;
其中,当缺陷数量最多的缺陷类别仅为一个时,则将所述缺陷类别作为所述重复缺陷的缺陷类别;
当缺陷数量最多的缺陷类别为两个或两个以上时,则选取优先级最高的缺陷类别作为对应的所述重复缺陷的缺陷类别,和/或,选取位于所述第二取样区域中的缺陷的缺陷类别作为对应的所述重复缺陷的缺陷类别。
本发明还提供了一种重复缺陷的缺陷分类***,其包括:
待分类缺陷位置获取模块,被配置为用于获取晶圆的至少一组重复缺陷的位置信息集,其中,所述位置信息集包括:具有相同或相似位置的至少一个待分类缺陷的位置信息;
取样数据获取模块,被配置为用于获取对应于所述晶圆的取样位置的总取样数量和取样比例关系,以从所述晶圆上预先划分的多个取样区域中按照所述总取样数量和取样比例关系确定在所述晶圆的不同取样区域中的区域取样数量;其中,所述取样位置用于拍照取样,所述晶圆从其中心至边缘的方向依次被划分为第一取样区域、第二取样区域以及第三取样区域;
取样位置获取模块,被配置为用于根据所述区域取样数量分别从多个取样区域中选取到对应的取样位置;其中,当所述重复缺陷包括:第一重复缺陷和第二重复缺陷时,相应地,取样位置获取模块包括:
第一取样单元,被配置为用于从至少一个取样区域中选取对应于所述第一重复缺陷的第一取样位置;
第二取样单元,被配置为用于判断所述第一取样位置上是否包括所述第二重复缺陷;若是,则在所述第一取样位置所处的取样区域中,选取到包含所述第二重复缺陷的至少一个第三取样位置;当所述第三取样位置与所述第一取样位置之间的间距大于预设距离时,则将所述第三取样位置选为第二取样位置;
拍照模块,被配置为用于分别在所选取的所述取样位置处进行拍照,从而获取到对应于至少一组重复缺陷的缺陷照片集;
分类模块,被配置为用于通过所述缺陷照片集对所述重复缺陷进行缺陷分类。
在一些实施例中,包括:
历史数据获取模块,被配置为用于获取所述晶圆的当前加工工艺,并通过所述当前加工工艺从历史缺陷数据库中获取到晶圆缺陷的历史数据;其中,
所述历史缺陷数据库中包括:晶圆在经过至少一种加工工艺处理后,所形成的缺陷,以及对应缺陷的形成位置、形成原因;其中,所述形成原因包括以下一种或多种:光照因素、机械损伤、边缘效应、表面残留物;
第一自动分区模块,被配置为用于在所述晶圆上选取至少一个圆环区域;
其中,当所述圆环区域中所包含的缺陷的形成原因中光照因素的占比属于第一预设阈值范围时;和/或,当所述圆环区域中所包含的缺陷的形成原因中不属于光照因素的缺陷的数量属于第二预设阈值范围时,则将所述圆环区域确定为第二取样区域;
第二自动分区模块,被配置为用于沿所述晶圆的中心至边缘的方向,依次将所述第二取样区域的两侧分别划分为第一取样区域、第三取样区域。
在一些实施例中,还包括:第三自动分区模块,被配置为用于判断区域划分数据库中是否存在与所述当前加工工艺相匹配的加工工艺;其中,所述区域划分数据库包括:至少一个加工工艺,以及与所述加工工艺相对应的取样区域的划分规则;若是,则选取与所述当前加工工艺相对应的划分规则,并采用对应的所述划分规则对所述晶圆的取样区域进行划分;若否,则将划分结果输出至取样位置获取模块,或者向用户发出提示信号。
在一些实施例中,缺陷照片中包括至少一个完整功能单元或者至少一组相关功能单元。
有益技术效果:
本发明提供了一种能够对缺陷类别众多的晶圆进行缺陷的快速取样、快速分类的方法。具体地,本发明以预分组的重复缺陷作为取样对象,分别在多个关联区域(如第一、第二、第三取样区域)上针对不同重复缺陷进行高独立性的样本点选取,从而在样本点有限的情况下,尽可能地提高样本点集的有效性。换句话说,本发明能够在晶圆尺度上进行区域集中式取样,而在区域尺度上进行分布式取样,从而有效地减少必要取样数量,提高缺陷分类过程的效率。
进一步地,本发明还可以选用有限性的缺陷形成原因组合,对晶圆进行快速地取样分区的自动化设置,以在一定程度上减小取样过程的人工介入,减小缺陷分类的必要耗时。并且,通过光照因素、机械损伤、边缘效应、表面残留物等关键缺陷成因的选取,可以对典型晶圆加工工艺下的晶圆进行快速地分区设置,既具有准确性也具有通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一示例性实施例中晶圆缺陷分类方法的步骤流程示意图;
图2为一示例性实施例中的晶圆的缺陷分布示意图;
图3为一示例性实施例中的晶圆的取样分区示意图;
图4a为一示例性实施例中取样位置的选取示意图;
图4b为一示例性实施例中取样位置的选取原理示意图;
图5为一示例性实施例中的缺陷分类类别的结果示意图;
图6为本发明一示例性实施例中缺陷分类方法的模块结构示意图。
附图标记标识汇总:
01为晶圆,02为芯片,03为缺陷(或重复缺陷),03a为第一重复缺陷,
03b为第二重复缺陷,04为第三取样区域,05为第二取样区域,06为第一取样区域,07为取样位置,07a为第一取样位置,07b为第二取样位置,07c为第三取样位置,07d为第四取样位置。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本文中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、
“部件”或“单元”可以混合地使用。
本文中,术语“上”、“下”、“内”、“外”“前”、“后”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本文中,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本文中“和/或”包括任何和所有一个或多个列出的相关项的组合。
本文中“多个”意指两个或两个以上,即其包含两个、三个、四个、五个等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
如在本说明书中使用的,术语“大约”,典型地表示为所述值的+/-5%,
更典型的是所述值的+/-4%,更典型的是所述值的+/-3%,更典型的是所述值的+/-2%,甚至更典型的是所述值的+/-1%,甚至更典型的是所述值的+/-0.5%。
在本说明书中,某些实施方式可能以一种处于某个范围的格式公开。应该理解,这种“处于某个范围”的描述仅仅是为了方便和简洁,且不应该被解释为对所公开范围的僵化限制。因此,范围的描述应该被认为是已经具体地公开了所有可能的子范围以及在此范围内的独立数字值。例如,范围
的描述应该被看作已经具体地公开了子范围如从1到3,从1到4,从1到5,从2到4,从2到6,从3到6等,以及此范围内的单独数字,例如1,2,3,
4,5和6。无论该范围的广度如何,均适用以上规则。
本文中,“晶圆”也可被称为Wafer。其中,晶圆通常指的是制作硅半导体电路所用的硅晶片,其原始材料是硅。
本文中,“芯片”也可被称为裸晶或裸片,即Die。其中,Die是以半导体材料制作而成未经封装的一小块集成电路的本体。换句话说,Die可以指芯片未封装前的晶粒,其为从wafer上用激光切割而成的一个单独的晶圆区域。
通常,一个Die中可以包括有一个完整功能单元或一组相关功能单元,
以便于后续进行集成电路的生产组装。其中,功能单元可以为电路副本,例如,可以为晶体管、电容器、电阻器等一个或多个微小构件。如图2所示,一个晶圆01可以根据实际生产需求被切割为多个Die(芯片02)。
本文中,“缺陷点”通常指的是由加工工艺问题、人为错误或者是其他一些偶然因素(如机器或晶圆沾染上灰尘)等原因在晶圆上所产生的异常点,其可能直接影响晶圆的工作寿命和可靠性。而晶圆中的多个相距近且连贯的缺陷点,一般被认为是成簇的缺陷点。例如,以150微米的点间距不中断相连的多个缺陷点,可以视为一簇点缺陷(Cluster),也称簇(或晶圆缺陷)。
当这些簇是由工艺问题或人为错误造成时,往往具有一定的重复性,会在接下来加工的晶圆上连续地出现,对晶圆的良率影响较大。因此关于簇的大小、几何形状和空间位置的信息对于寻求识别潜在生产问题的工艺工程师来说非常有价值。常见成簇的点缺陷,例如机械损伤,会形成呈规则分布的晶圆图形。
本文中,“重复缺陷”也被称为:Repeater Defect或者Repeater。其中,
当簇点缺陷(簇)在一个晶圆的多个芯片(die)的相同或相近位置上重复出现时,或者,当簇点缺陷在多个晶圆的相同或相近位置上重复出现时,则可以将这种簇点缺陷判定为重复缺陷。例如,重复缺陷可以是由于掩膜版上同一位置处的工艺缺陷(如灰尘等)在晶圆上对应所产生的缺陷。并且,在进行缺陷分类时,可以将多个位置相同或相似的簇点缺陷作为同一组待分类的重复缺陷。
本文中,掩膜版也被称为光掩模、光罩或光刻掩膜版等,也即Reticle或Mask,其被作为微电子制造过程中的图形转移工具或母版,承载着图形设计和工艺技术信息,被认为是光刻工艺的“底片”。
实施例一
如图1-5所示,本发明第一方面提供了一种重复缺陷的缺陷分类方法,
包括步骤:
S101获取晶圆的至少一组重复缺陷的位置信息集,其中,所述位置信息集包括:具有相同或相似位置的至少一个待分类缺陷的位置信息。
在一些实施例中,可以预先通过缺陷扫描设备/缺陷检测设备初步检测得到多个簇点缺陷的位置信息。
在一些实施例中,位置信息可以为簇点缺陷在晶圆上的坐标,或者,也可以为簇点缺陷在芯片(Die)上的坐标。
在一些实施例中,将坐标相同或相近的簇点缺陷分为同一组重复缺陷。
例如,在一些实施例中,缺陷检测设备在检测晶圆缺陷的过程中可生成klarf文件,且在解析时klarf文件时,设备可以根据defect的位置进行Repeater计算,并赋予相应的Repeater ID值。其中,ID值相同的(除0外),即表示这些Defect属于同一个Repeater组。因此,本实施例中从缺陷数据库中就可以获取Repeater信息。
S102获取对应于所述晶圆的取样位置的总取样数量和取样比例关系,以从所述晶圆上预先划分的多个取样区域中按照所述总取样数量和取样比例关系确定在所述晶圆的不同取样区域中的区域取样数量;其中,所述取样位置07用于拍照取样,且所述晶圆从其中心至边缘的方向依次被划分为第一取样区域06、第二取样区域05以及第三取样区域04,如图3所示。
其中,区域取样数量为:且n=1表示第一取样区域,
n=2表示第二取样区域,n=3表示第三取样区域。
在一些实施例中,总取样数量X,以及取样比例关系(Y1:Y2:Y3)可以为预设数值。
在一些实施例中,总取样数量、取样比例关系也可以由用户(如工艺工程师)结合实际的生产需求进行人为设定或调节。
优选地,在一些实施例中,针对典型的加工工艺的缺陷检测,第一取样区域、第二取样区域和第三取样区域的区域取样数量的比值大约为:Y1:Y2:
Y3=1:2:1。换句话说,第一、第二、第三取样区域的优选取样数量大约为0.25X、
0.5X、0.25X。
S103根据所述区域取样数量分别从多个取样区域中选取到对应的取样位置。
且如图4a-图4b所示,当所述重复缺陷包括:第一重复缺陷03a和第二重复缺陷03b时,S103包括步骤:
从至少一个取样区域中选取对应于所述第一重复缺陷03a的第一取样位置07a;
判断所述第一取样位置07a上是否包括所述第二重复缺陷03b;若是,
则在所述第一取样位置07a所处的取样区域中,选取到包含所述第二重复缺
陷03b的至少一个第三取样位置;
当所述第三取样位置与所述第一取样位置之间的间距大于预设距离时,
则将所述第三取样位置选为第二取样位置07b。
如图4b所示,在一些实施例中,当第一取样位置07a在第一取样区域中的位置确定之后,可以在第一取样区域中的任意位置(如第一取样区域内部,或者第一取样区域的边缘)处,选取第二取样位置07b,只要使得第一、第二取样位置之间的间隔大于预设距离L即可。
又例如,在一些实施例中,针对取样位置所处芯片上存在两组或两组以上的重复缺陷的场景时,为了快速取得第二取样位置,还可以采用对角式取样、对称式取样等方法进行取点。
具体地,在一些实施例中,如图4b所示,对角式取样方法为,以当前的第一取样位置07a(例如,可以为取样位置的中心点坐标)作为点A,以晶圆的中心点作为点B,得到圆心点为点B且圆周经过点A的圆L1。以点A为顶点,在圆L1内设置一个内接多边形L2(如矩形、正方形、正五边形等等),查看内接多边形其他顶点所处的位置,将存在有第二重复缺陷03b的顶点位置或其邻近区域选取作为第二取样位置07b。
具体地,在一些实施例中,对称式取样方法为,以当前的第一取样位置07a为点A,以晶圆的中心点作为点B,做一条穿过点A、点B的直线,并在直线上选取出点C,其中,点C与点B之间的间距与点A和点B之间的间距相同或相似。且当点C处存在第二重复缺陷03b时,则将点C或其邻近区域选取作为第二取样位置07b。
可以理解的是,本实施例中第二取样位置选择规则还可以由用户结合实际需求进行灵活地自定义,本发明在此并不作限制。
S104分别在所选取的所述取样位置处进行拍照,从而获取到对应于至少一组重复缺陷的缺陷照片集。
例如,在一些实施例中,可以将S103中所获取的取样位置传输至扫描电子显微镜(SEM)、光学显微镜等拍照设备,随后拍照设备可以分别针对各个取样位置进行拍照取样。
S105通过所述缺陷照片集对所述重复缺陷进行缺陷分类。
例如,在一些实施例中,可以直接将缺陷照片集输入至ADC分类模型进行自动缺陷分类,或者,也可以由工作人员进行手动分类。
针对缺陷类别众多的晶圆缺陷检测场景,本实施例中实际上提出了一种在关联区域(或者说,同一区域)上进行低关联度取点的方法,以提高自动化样本数据采集的准确性与可靠性。具体地,本发明以预分组所得的多个重复缺陷为选取对象,分别在多个关联区域(如第一、第二、第三取样区域)上针对不同重复缺陷进行高独立性的样本点选取,以在样本点有限的情况下,尽可能地提高样本点集的有效性。
在一些实施例中,在S102之前,还包括步骤:
S106获取所述晶圆的当前加工工艺(例如,工艺类型,工艺名称等等),
并通过所述当前加工工艺从历史缺陷数据库中获取到晶圆缺陷的历史数据;其中,所述历史缺陷数据库中包括:晶圆在经过至少一种加工工艺处理后所形成的缺陷,以及对应缺陷的形成位置、形成原因;其中,所述形成原因包括以下一种或多种:光照因素、机械损伤、边缘效应、表面残留物;
S107在所述晶圆上选取至少一个圆环区域;其中,当所述圆环区域中所包含的形成原因中光照因素的占比属于第一预设阈值范围时;和/或,当所述圆环区域中所包含的形成原因中不属于光照因素的缺陷的数量属于第二预设阈值范围时,则将所述圆环区域确定为第二取样区域;
S108沿所述晶圆的中心至边缘的方向,依次将所述第二取样区域的两侧分别划分为第一取样区域、第三取样区域。
本发明实施例中,综合选取了光照因素、机械损伤、边缘效应、表面残留物等有限性典型因素作为加快分区设置的参考性条件,以便于针对常规晶圆加工工艺所得的晶圆进行快速的取样分区设置。换句话说,本实施例中的分区方法可以进一步地提高缺陷分类自动化,减小人工介入的必要性。
优选地,在一些实施例中,边缘效应包括以下一种或多种:衬底边缘效应、脱附边缘效应、薄化边缘效应。
例如,在一些实施例中,晶圆的衬底边缘部分可能会存在晶格畸变、杂质堆积等问题,进而导致晶圆的电学性能存在差异。
例如,在一些实施例中,晶圆的边缘附近的材料会因为温度、压力等变化而发生脱附现象,进而引起晶圆表面的污染,影响晶圆电学性能。
又例如,在一些实施例中,在晶圆的薄化过程中可能导致晶圆材料厚度存在较大误差(或者说,不均匀性),进而影响晶圆的成品质量。
优选地,当初步检测到的重复缺陷数量偏多时,或者,对于缺陷类型的识别精度要求偏高时,本实施例中选取衬底边缘效应、脱附边缘效应、薄化边缘效应作为关键边缘效应类型,以完成自动化取样分区设置。
可以理解的是,与现有的手动选区检测区的方法不同,本发明提出了一种能够减小人工参与度,提高取样自动化的标准化取样位置选取方法。
在一些实施例中,在S106之前,还包括步骤:
S109判断区域划分数据库中是否存在与所述当前加工工艺相匹配的加工工艺;其中,所述区域划分数据库包括:至少一个加工工艺,以及与所述加工工艺相对应的取样区域的划分规则;
若是,则选取与所述当前加工工艺相对应的划分规则,并采用对应的所述划分规则对所述晶圆的取样区域进行划分;
若否,则执行S106,或者向用户发出提示信号。
在一些实施例中,缺陷照片中包括至少一个完整功能单元或者至少一组相关功能单元。
在一些实施例中,所述第一取样区域的宽度、第二取样区域的宽度、第三取样区域的宽度大约为1:1:1。
在一些实施例中,宽度指的是取样区域的外圆半径和内圆半径的差值。
在一些实施例中,所述取样比例关系为:从所述第一取样区域、第二取样区域、第三取样区域中按照大约1:2:1的比例选取取样位置。
在一些实施例中,S105包括步骤:
将所述缺陷照片集输入ADC分类模型,并通过所述ADC分类模型输出至少一个缺陷照片所对应的缺陷类别;
其中,当缺陷数量最多的缺陷类别仅为一个时,则将所述缺陷类别作为所述重复缺陷的缺陷类别;
当缺陷数量最多的缺陷类别为两个或两个以上时,则选取优先级最高的缺陷类型作为对应的所述重复缺陷的缺陷类型,和/或,选取位于所述第二取样区域中的缺陷的缺陷类型作为对应的所述重复缺陷的缺陷类型。
如图5所示,当已分类的重复缺陷的缺陷类别分别为1、1、2、3时,则将剩余未能识别的缺陷类别也标记为1。
当已分类的重复缺陷的缺陷类别分别为1、1、2、2。且此时缺陷类别2的分类优先级高于缺陷类别1(如缺陷类别2的历史出现频率偏高),则将剩余未能识别的缺陷类别也标记为1。
本发明实施例中,通过在关联区域进行低关联度取样的方式采集到了可靠性较高的缺陷照片集,并且,针对上述采集的缺陷照片集还可进一步地采取上述快速分类方法,以提高缺陷分类的效率,从而对晶圆加工产线进行及时地管理与维护。
在一些实施例中,bin表示的是缺陷的分类(或者说,缺陷类别)。
在一些实施例,针对第一取样区域所选取的取样位置,可以处于第一取样区域内,也可以处于第一取样区域边缘,如第一、第二取样区域的交界处。同样地,在针对第二取样区域或第三取样区域进行取样时,也可以在其边缘或边界处进行取点。
实施例二
如图6所示,本发明还对应于上述实施例一中的分类方法提供了一种重复缺陷的缺陷分类***,其包括:
待分类缺陷位置获取模块10,被配置为用于获取晶圆的至少一组重复缺陷的位置信息集,其中,所述位置信息集包括:具有相同或相似位置的至少一个待分类缺陷的位置信息;
取样数据获取模块20,被配置为用于获取对应于所述晶圆的取样位置的总取样数量和取样比例关系,以从所述晶圆上预先划分的多个取样区域中按照所述总取样数量和取样比例关系确定在所述晶圆的不同取样区域中的区域取样数量;其中,所述取样位置用于拍照取样,所述晶圆从其中心至边缘的方向依次被划分为第一取样区域、第二取样区域以及第三取样区域;
取样位置获取模块30,被配置为用于根据所述区域取样数量分别从多个取样区域中选取到对应的取样位置;其中,当所述重复缺陷包括:第一重复缺陷和第二重复缺陷时,相应地,取样位置获取模块包括:第一取样单元31,被配置为用于从至少一个取样区域中选取对应于所述第一重复缺陷的第一取样位置;第二取样单元32,被配置为用于判断所述第一取样位置上是否包括所述第二重复缺陷;若是,则在所述第一取样位置所处的取样区域中,选取到包含所述第二重复缺陷的至少一个第三取样位置;当所述第三取样位置与所述第一取样位置之间的间距大于预设距离时,则将所述第三取样位置选为第二取样位置;
拍照模块40,被配置为用于分别在所选取的所述取样位置处进行拍照,
从而获取到对应于至少一组重复缺陷的缺陷照片集;
分类模块50,被配置为用于通过所述缺陷照片集对所述重复缺陷进行缺陷分类。
在一些实施例中,所述***还包括:
历史数据获取模块60,被配置为用于获取所述晶圆的当前加工工艺,并通过所述当前加工工艺从历史缺陷数据库中获取到晶圆缺陷的历史数据;其中,所述历史缺陷数据库中包括:晶圆在经过至少一种加工工艺处理后,所形成的缺陷,以及对应缺陷的形成位置、形成原因;其中,所述形成原因包括以下一种或多种:光照因素、机械损伤、边缘效应、表面残留物;
第一自动分区模块70,被配置为用于在所述晶圆上选取至少一个圆环区域;其中,当所述圆环区域中所包含的缺陷成因中光照因素的占比属于第一预设阈值范围时;和/或,当所述圆环区域中所包含的缺陷成因中不属于光照因素的缺陷成因的数量属于第二预设阈值范围时,则将所述圆环区域确定为第二取样区域;
第二自动分区模块80,被配置为用于沿所述晶圆的中心至边缘的方向,
依次将所述第二取样区域的两侧分别划分为第一取样区域、第三取样区域。
在一些实施例中,所述***还包括:
第三自动分区模块,被配置为用于判断区域划分数据库中是否存在与所述当前加工工艺相匹配的加工工艺;其中,所述区域划分数据库包括:至少一个加工工艺,以及与所述加工工艺相对应的取样区域的划分规则;若是,则选取与所述当前加工工艺相对应的划分规则,并采用对应的所述划分规则对所述晶圆的取样区域进行划分;若否,则将划分结果输出至取样位置获取模块,或者向用户发出提示信号。
在一些实施例中,缺陷照片中包括至少一个完整功能单元或者至少一组相关功能单元。
在一些实施例中,分类模块50包括:
第一分类单元,被配置为用于将所述缺陷照片集输入ADC分类模型,并通过所述ADC分类模型输出至少一个缺陷照片所对应的缺陷类别;
其中,当缺陷数量最多的缺陷类别仅为一个时,则将所述缺陷类别作为所述重复缺陷的缺陷类别;
第二分类单元,被配置为用于当缺陷数量最多的缺陷类别为两个或两个以上时,则选取优先级最高的缺陷类型作为对应的所述重复缺陷的缺陷类型;
和/或,第三分类单元,被配置为用于选取位于所述第二取样区域中的缺陷的缺陷类型作为对应的所述重复缺陷的缺陷类型。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机终端(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种重复缺陷的缺陷分类方法,其特征在于,包括步骤:
S101获取晶圆的至少一组重复缺陷的位置信息集,其中,所述位置信息集包括:具有相同或相似位置的至少一个待分类缺陷的位置信息;所述重复缺陷指的是在所述晶圆的多个芯片的相同或相近位置上重复出现的簇点缺陷;
S102获取对应于所述晶圆的取样位置的总取样数量和取样比例关系,以从所述晶圆上预先划分的多个取样区域中按照所述总取样数量和取样比例关系确定在所述晶圆的不同取样区域中的区域取样数量;其中,所述取样位置用于拍照取样,所述晶圆从其中心至边缘的方向依次被划分为第一取样区域、第二取样区域以及第三取样区域;在S102之前包括:
S21获取所述晶圆的当前加工工艺,并通过所述当前加工工艺从历史缺陷数据库中获取到晶圆缺陷的历史数据;其中,所述历史缺陷数据库中包括:晶圆在经过至少一种加工工艺处理后所形成的缺陷,以及对应缺陷的形成位置、形成原因;其中,所述形成原因包括以下一种或多种:光照因素、机械损伤、边缘效应、表面残留物;
S22在所述晶圆上选取至少一个圆环区域;其中,当所述圆环区域中所包含的缺陷的形成原因中光照因素的占比属于第一预设阈值范围时;和/或,当所述圆环区域中所包含的缺陷的形成原因中不属于光照因素的缺陷的数量属于第二预设阈值范围时,则将所述圆环区域确定为第二取样区域;
S23沿所述晶圆的中心至边缘的方向,依次将所述第二取样区域的两侧分别划分为第一取样区域、第三取样区域;
S103根据所述区域取样数量分别从多个取样区域中选取到对应的取样位置;其中,将所述取样区域内坐标相同或相近的所述簇点缺陷分为同一组所述重复缺陷,当所述重复缺陷包括:第一重复缺陷和第二重复缺陷时,相应地,S103包括步骤:
从至少一个取样区域中选取对应于所述第一重复缺陷的第一取样位置;
判断所述第一取样位置上是否包括所述第二重复缺陷;若是,则在所述第一取样位置所处的取样区域中,选取到包含所述第二重复缺陷的至少一个第三取样位置;
当所述第三取样位置与所述第一取样位置之间的间距大于预设距离时,则将所述第三取样位置选为第二取样位置;
S104分别在所选取的所述第一取样位置和所述第二取样位置处进行拍照,从而获取到对应于至少一组重复缺陷的缺陷照片集;
S105通过所述缺陷照片集对所述重复缺陷进行缺陷分类。
2.根据权利要求1所述的一种重复缺陷的缺陷分类方法,其特征在于,在S21之前,还包括步骤:
S20判断区域划分数据库中是否存在与所述当前加工工艺相匹配的加工工艺;其中,所述区域划分数据库包括:至少一个加工工艺,以及与所述加工工艺相对应的取样区域的划分规则;
若是,则选取与所述当前加工工艺相对应的划分规则,并采用对应的所述划分规则对所述晶圆的取样区域进行划分;
若否,则执行S21,或者向用户发出提示信号。
3.根据权利要求1所述的一种重复缺陷的缺陷分类方法,其特征在于,缺陷照片中包括至少一个完整功能单元或者至少一组相关功能单元。
4.根据权利要求1所述的一种重复缺陷的缺陷分类方法,其特征在于,所述第一取样区域的宽度、第二取样区域的宽度、第三取样区域的宽度为1:1:1;和/或,所述取样比例关系为:从所述第一取样区域、第二取样区域、第三取样区域中按照1:2:1的比例选取取样位置。
5.根据权利要求1所述的一种重复缺陷的缺陷分类方法,其特征在于,S105包括步骤:
将所述缺陷照片集输入ADC分类模型,并通过所述ADC分类模型输出至少一个缺陷照片所对应的缺陷类别;
其中,当缺陷数量最多的缺陷类别仅为一个时,则将所述缺陷数量最多的所述缺陷类别作为剩余未能识别的所述重复缺陷的缺陷类别;
当缺陷数量最多的缺陷类别为两个或两个以上时,则选取所述缺陷数量最多的所述缺陷类别中优先级最高的缺陷类别作为剩余未能识别的所述重复缺陷的缺陷类别,和/或,当缺陷数量最多的缺陷类别为两个或两个以上时,选取位于所述第二取样区域中的所述缺陷类别作为剩余未能识别的所述重复缺陷的缺陷类别。
6.一种重复缺陷的缺陷分类***,其特征在于,包括:
待分类缺陷位置获取模块,被配置为用于获取晶圆的至少一组重复缺陷的位置信息集,其中,所述位置信息集包括:具有相同或相似位置的至少一个待分类缺陷的位置信息;所述重复缺陷指的是在所述晶圆的多个芯片的相同或相近位置上重复出现的簇点缺陷;
历史数据获取模块,被配置为用于获取所述晶圆的当前加工工艺,并通过所述当前加工工艺从历史缺陷数据库中获取到晶圆缺陷的历史数据;其中,所述历史缺陷数据库中包括:晶圆在经过至少一种加工工艺处理后,所形成的缺陷,以及对应缺陷的形成位置、形成原因;其中,所述形成原因包括以下一种或多种:光照因素、机械损伤、边缘效应、表面残留物;
第一自动分区模块,被配置为用于在所述晶圆上选取至少一个圆环区域;其中,当所述圆环区域中所包含的缺陷的形成原因中光照因素的占比属于第一预设阈值范围时;和/或,当所述圆环区域中所包含的缺陷的形成原因中不属于光照因素的缺陷的数量属于第二预设阈值范围时,则将所述圆环区域确定为第二取样区域;
第二自动分区模块,被配置为用于沿所述晶圆的中心至边缘的方向,依次将所述第二取样区域的两侧分别划分为第一取样区域、第三取样区域;
取样数据获取模块,被配置为用于获取对应于所述晶圆的取样位置的总取样数量和取样比例关系,以从所述晶圆上预先划分的多个取样区域中按照所述总取样数量和取样比例关系确定在所述晶圆的不同取样区域中的区域取样数量;其中,所述取样位置用于拍照取样,所述晶圆从其中心至边缘的方向依次被划分为第一取样区域、第二取样区域以及第三取样区域;
取样位置获取模块,被配置为用于根据所述区域取样数量分别从多个取样区域中选取到对应的取样位置;其中,将所述取样区域内坐标相同或相近的所述簇点缺陷分为同一组所述重复缺陷,当所述重复缺陷包括:第一重复缺陷和第二重复缺陷时,相应地,取样位置获取模块包括:
第一取样单元,被配置为用于从至少一个取样区域中选取对应于所述第一重复缺陷的第一取样位置;
第二取样单元,被配置为用于判断所述第一取样位置上是否包括所述第二重复缺陷;若是,则在所述第一取样位置所处的取样区域中,选取到包含所述第二重复缺陷的至少一个第三取样位置;当所述第三取样位置与所述第一取样位置之间的间距大于预设距离时,则将所述第三取样位置选为第二取样位置;
拍照模块,被配置为用于分别在所选取的所述第一取样位置和所述第二取样位置处进行拍照,从而获取到对应于至少一组重复缺陷的缺陷照片集;
分类模块,被配置为用于通过所述缺陷照片集对所述重复缺陷进行缺陷分类。
7.根据权利要求6所述的一种重复缺陷的缺陷分类***,其特征在于,还包括:
第三自动分区模块,被配置为用于判断区域划分数据库中是否存在与所述当前加工工艺相匹配的加工工艺;其中,所述区域划分数据库包括:至少一个加工工艺,以及与所述加工工艺相对应的取样区域的划分规则;若是,则选取与所述当前加工工艺相对应的划分规则,并采用对应的所述划分规则对所述晶圆的取样区域进行划分;若否,则将划分结果输出至取样位置获取模块,或者向用户发出提示信号。
8.根据权利要求6所述的一种重复缺陷的缺陷分类***,其特征在于,缺陷照片中包括至少一个完整功能单元或者至少一组相关功能单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311208708.1A CN117197617B (zh) | 2023-09-19 | 2023-09-19 | 一种重复缺陷的缺陷分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311208708.1A CN117197617B (zh) | 2023-09-19 | 2023-09-19 | 一种重复缺陷的缺陷分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197617A CN117197617A (zh) | 2023-12-08 |
CN117197617B true CN117197617B (zh) | 2024-05-28 |
Family
ID=88997680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311208708.1A Active CN117197617B (zh) | 2023-09-19 | 2023-09-19 | 一种重复缺陷的缺陷分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197617B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558645B (zh) * | 2024-01-09 | 2024-03-29 | 武汉中导光电设备有限公司 | 大数据Wafer缺陷确定方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6792366B2 (en) * | 2001-12-11 | 2004-09-14 | Hitachi, Ltd. | Method and apparatus for inspecting defects in a semiconductor wafer |
CN101090083A (zh) * | 2006-06-12 | 2007-12-19 | 中芯国际集成电路制造(上海)有限公司 | 晶片检测方法 |
JP2008004863A (ja) * | 2006-06-26 | 2008-01-10 | Hitachi High-Technologies Corp | 外観検査方法及びその装置 |
US7813539B2 (en) * | 2002-09-27 | 2010-10-12 | Hitachi High-Technologies Corporation | Method and apparatus for analyzing defect data and a review system |
CN209028014U (zh) * | 2018-08-21 | 2019-06-25 | 深圳中科飞测科技有限公司 | 检测*** |
CN110849899A (zh) * | 2018-08-21 | 2020-02-28 | 深圳中科飞测科技有限公司 | 晶圆缺陷检测***及方法 |
CN112086373A (zh) * | 2019-06-13 | 2020-12-15 | 芯恩(青岛)集成电路有限公司 | 晶圆缺陷检测方法 |
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 |
CN113436133A (zh) * | 2020-03-23 | 2021-09-24 | 长鑫存储技术有限公司 | 晶圆量测方法、装置及计算机可读存储介质 |
CN114300375A (zh) * | 2021-12-30 | 2022-04-08 | 西安奕斯伟材料科技有限公司 | 一种晶圆缺陷检测方法、装置、设备及计算机存储介质 |
CN115165758A (zh) * | 2018-07-06 | 2022-10-11 | 深圳中科飞测科技股份有限公司 | 一种检测设备及方法 |
CN115170524A (zh) * | 2022-07-15 | 2022-10-11 | 上海众壹云计算科技有限公司 | 一种用于识别晶圆的新增缺陷的方法及*** |
CN115588626A (zh) * | 2022-12-12 | 2023-01-10 | 北京象帝先计算技术有限公司 | 晶圆的缺陷模式识别方法、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4038356B2 (ja) * | 2001-04-10 | 2008-01-23 | 株式会社日立製作所 | 欠陥データ解析方法及びその装置並びにレビューシステム |
US7208328B2 (en) * | 2004-03-16 | 2007-04-24 | Macronix International Co., Ltd. | Method and system for analyzing defects of an integrated circuit wafer |
EP4227900A4 (en) * | 2021-12-03 | 2024-01-24 | Contemporary Amperex Technology Co Ltd | DEFECT DETECTION METHOD AND SYSTEM |
US20230238290A1 (en) * | 2022-01-27 | 2023-07-27 | Hitachi High-Tech Corporation | Defect observation method, apparatus, and program |
-
2023
- 2023-09-19 CN CN202311208708.1A patent/CN117197617B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6792366B2 (en) * | 2001-12-11 | 2004-09-14 | Hitachi, Ltd. | Method and apparatus for inspecting defects in a semiconductor wafer |
US7813539B2 (en) * | 2002-09-27 | 2010-10-12 | Hitachi High-Technologies Corporation | Method and apparatus for analyzing defect data and a review system |
CN101090083A (zh) * | 2006-06-12 | 2007-12-19 | 中芯国际集成电路制造(上海)有限公司 | 晶片检测方法 |
JP2008004863A (ja) * | 2006-06-26 | 2008-01-10 | Hitachi High-Technologies Corp | 外観検査方法及びその装置 |
CN115165758A (zh) * | 2018-07-06 | 2022-10-11 | 深圳中科飞测科技股份有限公司 | 一种检测设备及方法 |
CN209028014U (zh) * | 2018-08-21 | 2019-06-25 | 深圳中科飞测科技有限公司 | 检测*** |
CN110849899A (zh) * | 2018-08-21 | 2020-02-28 | 深圳中科飞测科技有限公司 | 晶圆缺陷检测***及方法 |
CN112086373A (zh) * | 2019-06-13 | 2020-12-15 | 芯恩(青岛)集成电路有限公司 | 晶圆缺陷检测方法 |
CN113436133A (zh) * | 2020-03-23 | 2021-09-24 | 长鑫存储技术有限公司 | 晶圆量测方法、装置及计算机可读存储介质 |
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 |
CN114300375A (zh) * | 2021-12-30 | 2022-04-08 | 西安奕斯伟材料科技有限公司 | 一种晶圆缺陷检测方法、装置、设备及计算机存储介质 |
CN115170524A (zh) * | 2022-07-15 | 2022-10-11 | 上海众壹云计算科技有限公司 | 一种用于识别晶圆的新增缺陷的方法及*** |
CN115588626A (zh) * | 2022-12-12 | 2023-01-10 | 北京象帝先计算技术有限公司 | 晶圆的缺陷模式识别方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于图像配准的晶圆表面缺陷检测;***;;仪器仪表与分析监测;20200827(第03期);全文 * |
面向晶圆图缺陷模式识别的机器学习方法综述;王雨芹 等;微纳电子与智能制造;20230630;第5卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197617A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8150140B2 (en) | System and method for a semiconductor lithographic process control using statistical information in defect identification | |
US7593565B2 (en) | All surface data for use in substrate inspection | |
US9037280B2 (en) | Computer-implemented methods for performing one or more defect-related functions | |
CN117197617B (zh) | 一种重复缺陷的缺陷分类方法及*** | |
US7440086B2 (en) | Methods and systems for creating a recipe for a defect review process | |
US7173693B2 (en) | Method for inspecting defects and an apparatus of the same | |
US11010886B2 (en) | Systems and methods for automatic correction of drift between inspection and design for massive pattern searching | |
US20140226893A1 (en) | Method and System for Image-Based Defect Alignment | |
US20050033467A1 (en) | Dynamic metrology sampling methods, and system for performing same | |
CN109564883B (zh) | 用于自动视觉缺陷检查之后的电子裸片覆墨的***和方法 | |
US20190026419A1 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on caa pre-diagnosis database | |
TWI621025B (zh) | 匹配記錄的方法、維護排程的方法、及設備 | |
US20230076943A1 (en) | In-die metrology methods and systems for process control | |
CN116097413A (zh) | 用于重复缺陷检测的无监督学习 | |
KR101328611B1 (ko) | 반도체 메모리 디바이스 제조를 위한 패턴 매칭 방법 | |
US6643006B1 (en) | Method and system for reviewing a semiconductor wafer using at least one defect sampling condition | |
CN111554588A (zh) | 晶圆缺陷监控***及其监控方法 | |
US10957608B2 (en) | Guided scanning electron microscopy metrology based on wafer topography | |
US7127359B2 (en) | Real-time mathematical model for wafer spin defect detection and for misalignment analyses | |
US20060258023A1 (en) | Method and system for improving integrated circuit manufacturing yield | |
US20220334567A1 (en) | Fabrication fingerprint for proactive yield management | |
CN110690136A (zh) | 缺陷检测方法和*** | |
CN118116820A (zh) | 一种基于晶圆图的晶圆缺陷聚类方法及装置 | |
CN117853395A (zh) | 检查晶片缺陷的方法及*** | |
Zurbrick et al. | Reticle programmed defect size measurement using low-voltage SEM and pattern recognition techniques |
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 |