KR102618355B1 - 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템 - Google Patents

딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템 Download PDF

Info

Publication number
KR102618355B1
KR102618355B1 KR1020200118708A KR20200118708A KR102618355B1 KR 102618355 B1 KR102618355 B1 KR 102618355B1 KR 1020200118708 A KR1020200118708 A KR 1020200118708A KR 20200118708 A KR20200118708 A KR 20200118708A KR 102618355 B1 KR102618355 B1 KR 102618355B1
Authority
KR
South Korea
Prior art keywords
models
images
model
defect
deep learning
Prior art date
Application number
KR1020200118708A
Other languages
English (en)
Other versions
KR20210132566A (ko
Inventor
이삭 다니엘 부자그로
드로미 니어
Original Assignee
캠텍 리미티드
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 캠텍 리미티드 filed Critical 캠텍 리미티드
Publication of KR20210132566A publication Critical patent/KR20210132566A/ko
Application granted granted Critical
Publication of KR102618355B1 publication Critical patent/KR102618355B1/ko

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T7/0002—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Software Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)

Abstract

본 발명은 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 방법 및 시스템(100)을 제공할 수 있다. 본 발명의 일 실시 예는 분류 결정을 위해 웨이퍼 결함 이미지의 여러 모달리티(modality) 사이의 시너지 효과를 이용한다. 또한, 결함 이미지를 분류하기 위해 모달리티의 혼합을 추가하여 컬러 이미지, ICI, 흑백 이미지와 같은 다른 소스로부터 정보를 획득할 수 있다. 모달리티의 혼합 이외에도 각 모달리티에 대해 참조 이미지를 이용할 수 있다. 각 영상 기법(imaging modality)의 참조 이미지는 결함 이미지의 관련 기본 리소그래피가 아닌, 결함 자체에 집중하기 위해 딥 러닝 모델에 제공될 수 있다. 또한, 참조 이미지가 딥 러닝 모델의 트레이닝 과정에 제공되어 딥 러닝 모델의 수렴에 요구되는 라벨링된 이미지의 수와 트레이닝 에포크(epoch)를 크게 감소시킬 수 있다.

Description

딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템{METHOD AND SYSTEM FOR CLASSIFYING DEFECTS IN WAFER USING WAFER-DEFECT IMAGES, BASED ON DEEP LEARNING}
본 발명은 일반적으로 반도체 애플리케이션을 위한 신경망에 관한 것이다. 특히, 전적인 것은 아니지만, 본 발명은 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템에 관한 것이다.
일반적으로, 반도체 기판(즉, 웨이퍼) 제조 기술은 반도체 웨이퍼의 더 작은 표면적에 반도체 디바이스의 증가하는 특징 수 및 다수 레벨을 통합하기 위해 지속적으로 개선되어왔다. 따라서, 포토리소그래피/리소그래피 공정은 반도체 웨이퍼 제조에 이용될 수 있으며, 반도체 웨이퍼의 더 작은 표면적에 증가하는 특징을 통합할 수 있도록(즉, 반도체 웨이퍼의 더 높은 성능을 달성하기 위해) 더욱 정교해지고 있다. 따라서, 반도체 웨이퍼 상의 잠재적인 결함의 크기는 증가하는 특징의 통합으로 인해 마이크론에서 서브 마이크론 범위일 수 있다. 또한, 웨이퍼의 결함은 예를 들면 웨이퍼의 실제 물리적인 현상으로 인해 발생하는 결함일 수 있으며, 잘못된 이벤트나 방해되는 결함(즉, 방해되는 결함은 웨이퍼의 불규칙성 또는 잘못된 결함일 수 있으나 관심있는 결함은 아님)일 수 있다.
종래에는 고배율 광학계 또는 주사 전자 현미경(scanning electron microscope, SEM) 중 적어도 하나를 이용하여 웨이퍼의 고해상도 이미지를 획득하여 반도체 웨이퍼의 결함을 검사하였다. 웨이퍼 결함의 고해상도 이미지는 두께, 거칠기, 크기 등과 같은 결함의 서로 다른 매개 변수들을 결정하기 위해 생성될 수 있다. 또한, 종래의 시스템은 웨이퍼의 물리적인 버전에 대해 다중 모드의 에너지 소스(예를 들면, 빛 또는 전자)를 스캐닝하고 이에 따라 웨이퍼의 물리적 버전에 대한 실제 이미지를 생성하도록 구성될 수 있는 이미지 처리 시스템이 공개된 바 있다. 또한, 이상 탐지(anomalies detection) 및 결함 분류를 위해 결함 이미지와 참조 이미지를 비교하여 결함 영역을 결정할 수 있다. 종래 시스템은 웨이퍼에서 이상 탐지 및 결함 분류를 위해 단일 딥 러닝 모델을 이용할 수 있다. 그러나, 종래 시스템은 웨이퍼에 대응하는 결함 이미지의 상이한 크기와 모달리티(modality)를 고려하여 웨이퍼의 결함을 정확하게 결정하지 못할 수 있다.
본 발명은 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템을 제공할 수 있다. 본 발명의 일 실시 예는 분류 결정을 내리기 위해 웨이퍼 결함 이미지의 여러 모달리티(modality) 사이의 시너지 효과를 이용할 수 있다. 또한, 모달리티의 혼합을 추가함으로써 결함 이미지를 분류하기 위해 컬러 이미지, ICI(Inner Crack Imaging) 이미지, 흑백 이미지와 같은 다양한 소스로부터 정보를 획득할 수 있다. 모달리티의 혼합 이외에도, 각 모달리티에 대해 참조 이미지(예: 골든 다이 이미지)를 이용할 수 있다. 각 영상 기법(imaging modality)에 제공되는 참조 이미지의 장점은 결함 이미지의 관련 기본 리소그래피가 아닌, 결함 자체에 집중하기 위한 것임에 있다. 또한, 참조 이미지가 딥 러닝 모델의 트레이닝 과정에 제공되어 딥 러닝 모델의 수렴에 요구되는 라벨링된 이미지의 수와 트레이닝 에포크(epoch)(즉, 전체 데이터 세트가 딥 러닝 신경망을 통해 전후로 전달되는 경우)를 크게 감소시킬 수 있다.
본 발명의 일 실시 예는 딥 러닝 모델의 조합으로서 DAG(Direct Acyclic Graph)를 이용할 수 있고, 각각의 딥 러닝은 웨이퍼 결함 이미지를 이용하여 웨이퍼의 문제의 상이한 모달리티(modality) 또는 결함의 상이한 모달리티를 처리할 수 있다. 또한, DAG는 딥 러닝 모델당 임의 개수의 모델과 복수의 상이한 이미지를 갖도록 생성될 수 있다. 또한, 후처리 결정 모듈은 결함 조사 이미지 및 결함 조사 이미지의 결과 라벨의 두 가지 측면, DAG의 각 딥 러닝 모델의 값, 및 결함의 계측 정보(메타 데이터)나 스캐너 기기에서 이전에 수집된 정보와 같은 파라미터들을 조합하도록 구성될 수 있다. 딥 러닝 모델로 구성된 DAG는 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 정확하게 분류하는 데 이용될 수 있다.
본 발명에 개시된 특징은 제조 중에 웨이퍼 결함 이미지의 복수의 모달리티들을 분석하여 웨이퍼의 결함을 정확하게 검출하고 결함을 분류하는데 도움이 된다.
본 발명의 일 실시 예에서, 반도체 웨이퍼의 결함을 분류하고 검사하는, 컴퓨터에 의해 구현되는 방법은, 하나 이상의 이미징 유닛을 제공하는 단계; 컴퓨팅 유닛을 제공하는 단계; 상기 하나 이상의 이미징 유닛에 의해 검사 중인 상기 반도체 웨이퍼 상의 하나 이상의 다이로부터 획득되는 복수의 이미지를 수신하고, 상기 복수의 이미지는 복수의 영상 기법(imaging modality)을 이용하여 캡쳐되는, 단계; 하나 이상의 ML(Machine Learning) 모델을 제공하고, 하나 이상의 ML 모드 중 하나는 적어도 컴퓨터 프로세서, 데이터베이스 및 상기 컴퓨팅 유닛과 연관된 메모리와 연관되는, 단계; 및 복수의 ML 모델로부터의 하나 이상의 ML 모델에 상기 복수의 이미지를 제공하고, 상기 컴퓨터 프로세서는 상기 반도체 웨이퍼에 있는 하나 이상의 결함을 하나 이상의 결함 클래스로 식별하고 분류하며, 상기 복수의 ML 모델은 DAG(Directed Acyclic Graph) 구조로 구성되고, 상기 DAG 구조에 있는 각각의 노드는 ML 모델을 나타내며, 상기 하나 이상의 ML 모델은 상기 DAG 구조에서 루트 노드로 구성되는, 단계;를 포함하고, 상기 복수의 ML 모델은 상기 반도체 웨이퍼에 있는 하나 이상의 다이 상의 하나 이상의 결함을 분류하기 위해 트레이닝되도록 구성되고, 상기 복수의 ML 모델을 트레이닝하는 단계를 더 포함하고, 상기 트레이닝하는 단계는, 상기 데이터베이스에 저장된 상기 반도체 웨이퍼에 대한 복수의 라벨링된 이미지 및 복수의 참조 이미지를 상기 복수의 ML 모델로부터의 하나 이상의 ML 모델에 제공하는 단계; 복수의 참조 이미지로부터 대응하는 참조 이미지를 이용하여 상기 복수의 라벨링된 이미지를 하나 이상의 결함 클래스로 분류하도록 상기 복수의 ML 모델로부터 각각의 ML 모델을 구성하는 단계; 상기 하나 이상의 결함 클래스를 저장하는 단계; 상기 하나 이상의 다이를 촬상하여 상기 반도체 웨이퍼 상에 포함된 하나 이상의 다이의 결함에 대해 검사하는 단계; 상기 하나 이상의 다이에 대한 이미지를 상기 하나 이상의 결함 클래스 중 어느 하나 이상에 매칭시키는 동작을 시도하는 단계; 상기 하나 이상의 다이와 상기 하나 이상의 결함 클래스가 매칭되는 경우, 매칭되는 하나 이상의 다이를 결함 있는 다이로 분류하는 단계; 및 하나 이상의 결함 있는 다이의 식별 정보를 전달하고 상기 하나 이상의 결함 있는 다이를 결함으로서 거부하는 단계를 포함할 수 있다.
일 실시 예에서, 상기 하나 이상의 ML 모델은 상기 복수의 이미지 및 상기 복수의 영상 기법 중 하나의 영상 기법에 포함되는 상기 복수의 라벨링된 이미지와 함께 제공될 수 있다. 일 실시 예에서, 상기 복수의 ML 모델 각각은 지도 모델(supervised model), 반지도 모델(semi-supervised model) 및 비지도 모델(unsupervised model) 중 하나일 수 있다. 일 실시 예에서, 상기 복수의 영상 기법은 X-선 이미지, ICI(Inner-Crack-Imaging), 그레이스케일 이미지, 흑백 이미지 및 컬러 이미지 중 적어도 하나를 포함할 수 있다. 일 실시 예에서, 상기 복수의 ML 모델은 딥 러닝 모델일 수 있다. 일 실시 예에서, 상기 복수의 라벨링된 이미지는 상기 하나 이상의 결함 클래스와 관련된 라벨을 포함하고, 라벨링 모델을 이용하여 생성될 수 있다. 본 발명의 일 실시 예에서, 컴퓨팅 유닛은 상기 방법을 수행하도록 구성되고, 하나 이상의 프로세서 및 메모리를 포함할 수 있다.
본 발명의 일 실시 예에서, 반도체 웨이퍼의 결함을 분류하는 방법은, 하나 이상의 이미징 유닛에 의해 검사 중인 반도체 웨이퍼의 복수의 이미지를 캡쳐하고, 상기 복수의 이미지는 복수의 영상 기법(imaging modality)을 이용하여 캡쳐되는, 단계; 및 상기 반도체 웨이퍼에 있는 하나 이상의 결함을 하나 이상의 결함 클래스로 식별하고 분류하기 위해 복수의 ML 모델로부터의 하나 이상의 ML(Machine Learning) 모델에 상기 복수의 이미지를 제공하고, 상기 복수의 ML 모델은 DAG(Directed Acyclic Graph) 구조로 구성되고, 상기 DAG 구조에 있는 각각의 노드는 ML 모델을 나타내며, 상기 하나 이상의 ML 모델은 상기 DAG 구조에서 루트 노드로 구성되는, 단계;를 포함하고, 상기 복수의 ML 모델은 상기 반도체 웨이퍼에 있는 하나 이상의 다이 상의 하나 이상의 결함을 분류하기 위해 트레이닝되도록 구성되고, 상기 복수의 ML 모델을 트레이닝하는 단계를 더 포함하고, 상기 트레이닝하는 단계는, 상기 데이터베이스에 저장된 상기 반도체 웨이퍼에 대한 복수의 라벨링된 이미지 및 복수의 참조 이미지를 상기 복수의 ML 모델 중 하나 이상의 ML 모델에 제공하는 단계; 및 복수의 참조 이미지로부터 대응하는 참조 이미지를 이용하여 상기 복수의 라벨링된 이미지를 하나 이상의 결함 클래스로 분류하도록 상기 복수의 ML 모델로부터 각각의 ML 모델을 구성하는 단계;를 포함할 수 있다.
일 실시 예에서, 상기 하나 이상의 ML 모델은 상기 복수의 이미지 및 상기 복수의 영상 기법 중 하나의 영상 기법에 포함되는 상기 복수의 라벨링된 이미지와 함께 제공될 수 있다. 일 실시 예에서, 상기 복수의 ML 모델 각각은 지도 모델(supervised model), 반지도 모델(semi-supervised model) 및 비지도 모델(unsupervised model) 중 하나일 수 있다. 일 실시 예에서, 상기 복수의 영상 기법은 X-선 이미지, ICI(Inner-Crack-Imaging), 그레이스케일 이미지, 흑백 이미지 및 컬러 이미지 중 적어도 하나를 포함할 수 있다. 일 실시 예에서, 상기 복수의 ML 모델 각각은 딥 러닝 모델일 수 있다. 일 실시 예에서, 상기 복수의 라벨링된 이미지는 상기 하나 이상의 결함 클래스와 관련된 라벨을 포함하고, 상기 반도체 웨이퍼의 히스토리 이미지를 이용하여 생성될 수 있다. 일 실시 예에서, 상기 복수의 영상 기법으로부터 추출된 특징을 결합하기 위해 후기 융합 기술, 초기 융합 기술 및 하이브리드 융합 기술 중 하나가 이용될 수 있다. 일 실시 예에서, 상기 방법은 후처리하는 단계를 더 포함하고, 상기 후처리하는 단계는 상기 복수의 ML 모델 각각으로부터의 분류 정보를 이용하여 상기 복수의 이미지를 상기 하나 이상의 결함 클래스로 정확하게 분류하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에서, 반도체 웨이퍼의 결함을 분류하고 검사하는 시스템은, 상기 반도체 웨이퍼 상의 하나 이상의 다이의 복수의 이미지를 캡쳐하도록 구성되고, 복수의 영상 기법(imaging modality)을 이용하여 상기 복수의 이미지를 캡쳐하는, 하나 이상의 이미징 유닛; 및 적어도 컴퓨터 프로세서, 데이터베이스 및 메모리를 포함하는 컴퓨팅 유닛을 포함하고, 상기 컴퓨팅 유닛은 상기 반도체 웨이퍼에 있는 하나 이상의 결함을 하나 이상의 결함 클래스로 식별하고 분류하기 위해 복수의 ML 모델로부터의 하나 이상의 ML(Machine Learning) 모델에 상기 복수의 이미지를 제공하고, 상기 복수의 ML 모델은 DAG(Directed Acyclic Graph) 구조로 구성되고, 상기 DAG 구조에 있는 각각의 노드는 ML 모델을 나타내며, 상기 하나 이상의 ML 모델은 상기 DAG 구조에서 루트 노드로 구성되고, 상기 복수의 ML 모델은 상기 반도체 웨이퍼에 있는 하나 이상의 다이 상의 하나 이상의 결함을 분류하기 위해 트레이닝되도록 구성되고, 상기 컴퓨팅 유닛은 상기 데이터베이스에 저장된 상기 반도체 웨이퍼에 대한 복수의 라벨링된 이미지 및 복수의 참조 이미지를 상기 복수의 ML 모델 중 하나 이상의 ML 모델에 제공하고, 복수의 참조 이미지로부터 대응하는 참조 이미지를 이용하여 상기 복수의 라벨링된 이미지를 하나 이상의 결함 클래스로 분류하도록 상기 복수의 ML 모델로부터 각각의 ML 모델을 구성하고, 상기 하나 이상의 결함 클래스를 저장하고, 검사 중인 하나 이상의 다이 각각에 대하여 상기 하나 이상의 결함 클래스와 매칭되는지 여부에 따라 결함 클래스를 저장하고, 상기 검사 중인 하나 이상의 다이 각각을 거부하거나 수락할 수 있다.
일 실시 예에서, 상기 하나 이상의 이미징 유닛은 AOI(Automated Optical Inspection) 장치, AXI(Automated X-ray Inspection) 장치, JTAG(Joint Test Action Group) 장치 및 ICT(In-Circuit Test) 장치 중 적어도 하나를 포함할 수 있다. 일 실시 예에서, 상기 컴퓨팅 유닛은 라벨링 모델로부터 상기 하나 이상의 결함 클래스와 관련된 라벨을 포함하는 상기 복수의 라벨링된 이미지를 수신하고, 상기 라벨링 모델은 상기 반도체 웨이퍼의 히스토리 이미지를 이용하여 상기 복수의 라벨링된 이미지를 생성할 수 있다. 일 실시 예에서, 상기 복수의 영상 기법으로부터 추출된 특징을 결합하기 위해 후기 융합 기술, 초기 융합 기술 및 하이브리드 융합 기술 중 하나가 이용될 수 있다. 일 실시 예에서, 상기 컴퓨팅 유닛은 상기 복수의 ML 모델의 출력을 후처리하도록 구성되고, 상기 복수의 ML 모델 각각으로부터의 분류 정보를 사용하여 상기 복수의 이미지를 상기 하나 이상의 결함 클래스로 정확하게 분류할 수 있다.
본 발명의 실시 예들 뿐만 아니라 바람직한 이용 모드, 추가적인 목적 및 장점은 이하에서 일 실시 예의 상세한 설명을 참조하며 첨부 도면과 함께 해석될 때 가장 잘 이해될 수 있다.
이하에서는 다음과 같은 첨부 도면을 참조하여 하나 이상의 실시 예를 설명하도록 한다.
도 1은 본 발명의 일 실시 예에 따라 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 시스템의 블록도를 나타낸다.
도 2는 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 딥 러닝 모델 중 하나로 이용될 수 있는 다중 모드의 후기 융합 딥 러닝 모델의 블록도를 나타낸다.
도 3은 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 딥 러닝 모델 중 하나로 이용될 수 있는 다중 모드의 하이브리드 융합 딥 러닝 모델의 블록도를 나타낸다.
도 4는 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 딥 러닝 모델 중 하나로 이용될 수 있는 다중 모드의 초기 융합 딥 러닝 모델의 블록도를 나타낸다.
도 5a는 본 발명의 일 실시 예에 따라 일련의 딥 러닝 모델을 이용하는 DAG 토폴로지의 개략도를 나타낸다.
도 5b는 본 발명의 일 실시 예에 따라 DAG에서 흐름 경로를 정의하는 각각의 딥 러닝 모델로부터의 예시적인 결과 라벨의 개략도를 나타낸다.
도 6a는 본 발명의 일 실시 예에 따라 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법을 도시하는 흐름도를 나타낸다.
도 6b는 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지의 결함 메타 데이터가 전자 장치에 저장되지 않은 경우, 결함의 메타 데이터를 나타내는 특징을 산출하기 위한 방법을 나타내는 흐름도이다.
도면들은 예시를 설명하기 위한 목적으로 본 발명의 일 실시 예를 도시하고 있다. 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 명세서에 개시된 발명의 원리로부터 벗어나지 않고서 본 명세서에서 예시된 구조 및 방법의 대안적인 실시 예가 채용될 수 있다는 것을 이해할 수 있을 것이다.
이상에서는 본 발명의 상세한 설명이 보다 잘 이해될 수 있도록 본 발명의 특징 및 기술적 이점에 관해 대략적으로 전술하였다. 본 발명에서 개시되는 개념 및 특정 실시 예는 본 발명의 동일한 목적을 수행하기 위한 다른 구조를 수정하거나 설계하기 위한 기초로서 용이하게 이용될 수 있다는 것을 당업자는 인식해야 할 것이다.
그 구성 및 작동 방법에 관한 본 발명의 새로운 특징들은 추가적인 목적 및 장점과 함께, 이어지는 설명에서 첨부 도면과 관련하여 고려될 때 보다 잘 이해될 수 있다. 그러나, 각각의 도면은 본 발명의 예시적인 설명을 위한 것이며, 한정적이 아닌 것으로 이해해야 한다.
도 1은 본 발명의 일 실시 예에 따라 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 시스템(100)의 블록도를 나타낸다.
명세서 전체에서 사용되는 용어 "웨이퍼"는 일반적으로 반도체나 비반도체 물질로 형성된 기판을 지칭한다. 예를 들면, 반도체나 비반도체 물질은 단결정 실리콘(monocrystalline silicon), 갈륨 비화물(gallium arsenide), 인화 인듐(indium phosphide) 등을 포함할 수 있으나, 이에 제한되지는 않는다. 웨이퍼는 하나 이상의 레이어(layer)를 포함할 수 있으며, 이러한 레이어는 예를 들면, 레지스트, 유전체 물질, 전도성 물질, 반도체 물질 등을 포함할 수 있으나, 이에 제한되지는 않는다. 예를 들면, 웨이퍼 상에 형성된 하나 이상의 레이어는 패턴화되거나 패턴화되지 않을 수 있다. 예를 들면, 웨이퍼는 각각 패턴화된 특징들이 반복될 수 있는 복수의 다이(die)들을 포함할 수 있다. 이러한 물질 레이어의 형성 및 처리를 통해 디바이스가 완성될 수 있다. 또한, 명세서 전반에서 사용되는 용어 "표면 결함" 또는 "결함"은 웨이퍼의 상부 표면의 위에 전부 위치하는 결함(예: 파티클(particles)) 및 웨이퍼의 상부 표면의 아래에 부분적으로 위치하는 결함을 모두 지칭한다. 따라서, 결함의 분류는 웨이퍼나 웨이퍼 상에 형성된 물질과 같은 반도체 물질에 특히 유용할 수 있다. 또한, 표면 결함과 표면 아래 결함을 구별하는 것은 베어 실리콘 웨이퍼(bare silicon wafers), SOI(Silicon on Insulator) 막(films), 스트레인드 실리콘(strained silicon) 막 및 유전체 막(dielectric films)에 특히 중요할 수 있다. 본 발명의 실시 예들은 실리콘을 포함하는 웨이퍼 또는 실리콘 카바이드(silicon carbide), 탄소가 도핑된 이산화규소(silicon dioxide), SOI, 스트레인드 실리콘, 실리콘이 포함된 유전체 막 등과 같은 실리콘 포함 레이어가 형성된 웨이퍼를 검사하는데 이용될 수 있다.
도 1의 일 실시 예에서, 시스템(100)은 이미징 장치(102) 및 전자 장치(104)를 포함한다. 이미징 장치(102)는 통신 네트워크(106)를 통해 전자 장치(104)와 연관된다. 통신 네트워크 (106)는 유선 네트워크이거나 무선 네트워크일 수 있다. 예를 들면, 이미징 장치(102)는 AOI(Automated Optical Inspection) 장치, AXI(Automated X-ray Inspection) 장치, JTAG(Joint Test Action Group) 장치, ICT (In-circuit test) 장치 중 적어도 하나일 수 있으나, 이에 제한되지는 않는다. 이미징 장치(102)는 광원(108), 카메라 렌즈(110), 결함 검출 모듈(112) 및 이미지 저장 유닛(126) 중 적어도 하나를 포함하지만, 이에 제한되지는 않는다. 예를 들면, 이미징 장치(102)와 연관된 결함 검출 모듈(112)은 실리콘 덩어리(즉, 범프(bumps)), 스크래치, 얼룩, 차원적 결함(dimensional defects)(예: 개방 회로, 단락 및 얇아지는 납땜 등) 중 적어도 하나와 같은 웨이퍼의 복수의 표면 특징 결함을 검출할 수 있다. 또한, 이미징 장치(102)가 모든 시각적인 검사를 수행할 수 있기 때문에, 결함 검출 모듈(112)은 부정확한 구성 요소, 누락된 구성 요소 또는 잘못 배치된 구성 요소를 검출할 수 있다.
또한, 전자 장치(104)는 휴대폰, 스마트폰, 태블릿, 핸드헬드 장치, 패블릿, 랩탑, 컴퓨터, PDA(Personal Digital Assistant), 웨어러블 컴퓨팅 장치, 가상/증강 디스플레이 장치, IoT 장치 및 그밖의 장치 중 적어도 하나일 수 있으나, 이에 제한되지는 않는다. 전자 장치(104)는 저장 유닛(116), 프로세서(118) 및 입출력(I/O) 인터페이스(120)를 더 포함할 수 있다. 또한, 전자 장치(104)는 딥 러닝 모듈(122)을 포함한다. 딥 러닝 모듈(122)은 전자 장치(104)가 이미징 장치(102)로부터 획득된 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하도록 한다. 또한, 전자 장치(104)는 딥 러닝 네트워크를 이용하여 웨이퍼의 결함을 분류하기 위한 애플리케이션 관리 프레임워크를 포함할 수 있다. 애플리케이션 관리 프레임워크는 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼에서 결함을 분류하는 작업을 실행하기 위한 서로 다른 모듈들 및 하위 모듈들을 포함할 수 있다. 또한, 모듈들 및 서브 모듈들은 소프트웨어 모듈 또는 하드웨어 모듈 또는 둘 다를 포함할 수 있다.
따라서, 본 명세서에 기술된 실시 예들은 이미지 기반 웨이퍼 프로세스 제어 및 수율 개선을 위해 구성될 수 있다. 예를 들면, 본 발명의 일 실시 예는 딥 러닝 네트워크에 기초하여 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 시스템 및 방법에 관한 것이다.
일 실시 예에서, 이미징 장치(102)는 이미징 장치(102)에 배치된 웨이퍼의 이미지를 캡처하도록 구성될 수 있다. 예를 들면, 이미지는 검사 이미지, 광학 또는 전자 빔 이미지, 웨이퍼 검사 이미지, 광학 및 SEM 기반 결함 리뷰 이미지, 시뮬레이션 이미지, 디자인 레이아웃의 클립 등과 같은 이미지들 중 적어도 하나를 포함할 수 있다. 또한, 이미징 장치(102)는 캡쳐된 이미지를 이미징 장치(102)와 연관된 이미지 저장 유닛(126)에 저장하도록 구성될 수 있다. 일 실시 예에서, 이미징 장치(102)에 통신 가능하도록 연결된 전자 장치(104)는 이미징 장치(102)와 연관된 이미지 저장 유닛(126)에 저장된 이미지를 검색하도록 구성될 수 있다. 예를 들면, 이미지는 흑백 이미지, 컬러 이미지, ICI (Inner Crack Imaging) 이미지, AOI 기계와 같은 이미징 장치(102)를 이용하여 기 스캔된 이미지, 이미지 저장 유닛(126)이나 중앙 저장 유닛(centralized storage unit)(미도시됨)의 이미지, AOI 기계와 같은 이미징 장치(102)로부터 실시간으로 획득되는 이미지 등을 포함할 수 있다. 그 다음, 전자 장치(104)는 외부 데이터베이스(미도시) 또는 전자 장치(104)와 연관된 저장 유닛(116)으로부터, 흑백 참조 이미지, 컬러 참조 이미지, ICI 참조 이미지 중 적어도 하나에 대응하는 적어도 하나의 참조 이미지를 로드하도록 구성되고, 참조 이미지는 웨이퍼의 결함없이 검사된 이미지로 웨이퍼의 동일한 스캔 영역을 나타낸다. 또한, 전자 장치(104)는 딥 러닝 모듈(122)에 관련된 모달리티(modality)를 갖는 참조 이미지 및 웨이퍼 이미지를 제공하도록 구성된다. 본 발명의 일 실시 예에서, 복수의 딥 러닝 모델 또는 딥 러닝 분류기는 웨이퍼의 서로 다른 유형으로 결함의 분류를 트레이닝할 수 있다. 복수의 딥 러닝 모델 또는 딥 러닝 분류기는 CNN (Convolutional Neural Networks) (예: LeNet, AlexNet, VGGNet, GoogleNet, ResNet 등), RNN (Recurrent Neural Networks), GAN (Generative Adversarial Network), 랜덤 포레스트 알고리즘, Autoencoder 등 중에서 하나 이상일 수 있으나, 이에 제한되지는 않는다. 여러 딥 러닝 모델을 훈련시키는 목적은 여러 결함 모달리티들의 시너지 효과를 발생시키기 위해 각 모델을 생성할 수 있다는 것에 있다. 따라서, 유사성 및 비유사성에 기반하여 결함 계층(layer)이 있는 모든 결함의 분류 프로세스를 개별적으로 훈련하기 위해 여러 딥 러닝 모델을 생성할 수 있다. 또 다른 예로, 트레이닝 프로세스 및 분류된 이미지의 수를 줄이기 위해 각 딥 러닝 모델의 구조에 각 모달리티 이미지에 대한 참조 이미지가 추가될 수 있다. 트레이닝 과정에서 참조 이미지는 검사된 이미지와 참조 이미지 사이의 내부 관계에 관한 정보를 딥 러닝 모듈(122)에 제공함으로써 딥 러닝 내부 파라미터의 튜닝 또는 트레이닝이 더 빨라지도록 유도할 수 있다. 또한, 하나의 웨이퍼에 대한 특정 결함을 분류하도록 트레이닝된 딥 러닝 모듈(122)은 만일 결함이 다른 웨이퍼에서 나타나는 경우에는 트레이닝된 결함을 동적으로 분류할 수도 있다. 따라서, 트레이닝 프로세스는 기본 리소그래피와 같은 일반적인 이벤트를 무시할 수 있고, 실제 결함에 집중할 수 있다.
예를 들면, 딥 러닝 모델은 병렬 구조 또는 직렬 구조로 연결될 수 있다. 또한, 전자 장치(104)는 복수의 딥 러닝 모델의 DAG(Direct Acyclic Graph) 구조를 이용하여 웨이퍼 이미지의 분류 결정을 생성하도록 구성될 수 있다. 예를 들면, 트레이닝된 복수의 딥 러닝 모델은 딥 러닝 모듈(122)에서 이용될 수 있고, 그 후에 웨이퍼 이미지 결함의 분류 프로세스를 위해 DAG 구조로 연결될 수 있다. 또한, 전자 장치(104)는 연관된 디렉토리 및 메타데이터 결과(즉, 결함 메타데이터)를 포함하는 분류된 웨이퍼 이미지를 외부 데이터베이스 또는 전자 장치(104)와 연관된 저장 유닛(116)에 저장하도록 구성될 수 있다.
다른 일 실시 예에서, 전자 장치(104)는 기 계산되고 저장된 결함 메타데이터를 외부 데이터베이스 또는 전자 장치(104)와 연관된 저장 유닛(116)으로부터 로드하도록 구성될 수 있다. 예를 들면, 메타데이터는 결함의 다른 특징을 포함하지만, 결함의 크기, 결함의 히스토그램, 결함의 최대 색상 또는 그레이 레벨 값, 결함의 최소 색상 또는 그레이 레벨 값 등으로 제한되지 않는다. 전자 장치(104)는 만일 결함 메타데이터가 저장되지 않은 경우에는 결함의 메타데이터를 나타내는 특징을 계산하도록 구성될 수 있다. 그 후, 전자 장치(104)는 트레이닝된 딥 러닝 모델에 검사된 이미지, 참조 이미지 및 결함 메타데이터(즉, 결함의 메타데이터 특징)를 제공하도록 구성될 수 있다. 따라서, 전자 장치(104)는 복수의 딥 러닝 모델의 DAG 구조를 이용하여 웨이퍼 이미지의 분류 결정을 생성하도록 구성 될 수 있다. 또한, 전자 장치(104)는 연관된 메타데이터 결과(즉, 결함 메타데이터)를 포함하는 분류된 웨이퍼 이미지를 전자 장치(104) 또는 외부 데이터베이스와 연관된 저장 유닛(116)에 저장하도록 구성될 수 있다.
또한, 이미지 및 결함 메타데이터는 외부 데이터베이스(미도시)에 저장될 수도 있다. 예를 들면, 딥 러닝 모델/분류기의 트레이닝 프로세스를 위해 외부 저장소가 이용될 수 있다. 예를 들면, 외부 데이터베이스(또는 이미지 저장 유닛(126))에 저장된 이미지는 흑백 이미지, 컬러 이미지, ICI 이미지, AOI 장치에 의해 기 스캔된 이미지, 웨이퍼 결함, 잘못된 이벤트 및 방해되는 결함을 포함하는 이미지일 수 있다. 이미지는 외부 데이터베이스(또는 이미지 저장 유닛(126))에 저장되기 전에 라벨링될 수 있다. 외부 데이터베이스(또는 이미지 저장 유닛(126))에 저장된 이미지에서 발견된 각 결함에 대해, 결함 이미지에서 추출된 메타데이터 특징 세트가 외부 데이터베이스(또는 이미지 저장 유닛(126))에 저장된다. 메타데이터 결함 특징은 사용자 또는 AOI 스캐너 결과에 의해 제공될 수 있다(또는, 메타데이터 결함 특징은 딥 러닝 분류기에 대한 데이터 검색을 위한 목적으로 생성될 수도 있다). 또한, 컬러 참조 이미지, 흑백 참조 이미지 및/또는 ICI 참조 이미지의 레퍼런스를 포함하는 참조 이미지(예를 들면, 골든 다이)는 외부 데이터베이스에 저장될 수도 있다. 참조 이미지는 동일한 웨이퍼의 이미지이다. 외부 데이터베이스는 딥 러닝 모델의 트레이닝 프로세스를 수행하는 데에도 이용될 수 있다.
본 발명의 일 실시 예는 분류 결정을 위해 웨이퍼 결함 이미지의 여러 모달리티들 간의 시너지 효과를 이용한다. 또한, 결함 이미지를 분류하기 위해 모달리티의 혼합을 추가하여 컬러 이미지, ICI, 흑백 이미지와 같은 다른 소스로부터 정보를 획득할 수 있다. 모달리티의 혼합 이외에도 각 모달리티에 대한 참조 이미지(예: 골든 다이 이미지)가 이용될 수 있다. 각 모달리티 이미지에 제공되는 참조 이미지의 장점은 결함 이미지의 관련 기본 리소그래피가 아니라 결함 자체에 집중하는 것에 있다. 이러한 접근 방식은 처리 능력, 메모리 사용률 및 시간을 절감시킨다. 또한, 참조 이미지는 딥 러닝 모델의 트레이닝 과정에 제공되어 딥 러닝 모델의 수렴에 요구되는 라벨링된 이미지의 수와 트레이닝 에포크(epoch)(즉, 전체 데이터 세트가 딥 러닝 신경망을 통해 전후로 전달되는 경우)를 크게 감소시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 딥 러닝 모델 중 하나로 이용될 수 있는 다중 모드의 후기 융합 딥 러닝 모델의 블록도를 나타낸다.
일 실시 예에서, 전자 장치(104)는 하나의 단일 순방향 패스에서 상이한 이미지 센서에 의해 획득된 이미지를 통합하도록 구성된 다중 모드의 CNN(Convolutional Neural Network)을 포함한다. 다중 모드의 후기 융합 딥 러닝 모델과 같은 딥 러닝 모델은 제 1 딥 러닝 모델을 이용하는 ICI 이미지 및 제 2 딥 러닝 모델을 이용한 컬러 이미지와 같은 두 개의 센서 이미지들을 활용할 수 있다. 또한, 다중 모드의 CNN 모델은 도 2에 도시된 것처럼 컬러 이미지와 ICI 이미지를 개별적으로 인코딩하는 CNN 모델을 포함하고, 두 CNN 모델의 결정을 결합시킨다. 트레이닝된 다중 모드의 후기 융합 딥 러닝 모델은 각 모달리티에 대해 개별적으로 결정을 내릴 수 있도록 각 모달리티를 처리하는데 이용할 수 있다. 마지막으로, 중앙 분류 계층은 별도의 모달리티를 기반으로 공통 의사 결정을 제공할 수 있다.
도 3은 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 딥 러닝 모델 중 하나로 이용될 수 있는 다중 모드의 하이브리드 융합 딥 러닝 모델의 블록도를 나타낸다.
다중 모드의 하이브리드 융합 딥 러닝 모델과 같은 다중 모드의 CNN 모델은 컬러 이미지를 인코딩하는 제 1 CNN 모델, ICI 이미지를 인코딩하는 제 2 CNN 모델, 컬러 이미지와 ICI 결함 이미지의 공동 표현을 위한 제 3 CNN 모델을 포함할 수 있다. 제 3 CNN 모델/마지막 CNN 모델은 분류 결정을 내리기 전에 컬러 이미지와 ICI 이미지 간의 모달리티 간 관계를 학습할 수 있다.
도 4는 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하기 위한 딥 러닝 모델 중 하나로 이용될 수 있는 다중 모드의 초기 융합 딥 러닝 모델의 블록도를 나타낸다.
다중 모드의 초기 융합 딥 러닝 모델은 하나의 다중 모드 이미지에서 공동의 특징점을 동시에 처리하여 컬러 결함 이미지와 ICI 결함 이미지의 공동 표현을 위한 CNN 모델을 포함할 수 있다.
도 5a는 본 발명의 일 실시 예에 따라 일련의 딥 러닝 모델을 이용하는 DAG 토폴로지의 개략도를 나타낸다.
복수의 딥 러닝 모델은 도 5a에 도시된 것처럼, 딥 러닝 모델의 DAG일 수 있는 다중 트리로 연결될 수 있고, 각각에 내재하는 기본 무방향 그래프는 하나의 트리일 수 있다.
복수의 딥 러닝 모델은 다중 모드의 후기 융합 딥 러닝 모델, 다중 모드의 하이브리드 융합 딥 러닝 모델, 다중 모드 초기 융합 딥 러닝 모델, 단일 입력 이미지가 있는 딥 러닝 모델, 하나 또는 두 개의 입력 이미지가 있는 자동 인코더 및/또는 GAN (Generative Adversarial Network) 딥 러닝 모델을 포함할 수 있다. DAG는 고유의 토폴로지 순서를 포함 할 수 있으며, 각 딥 러닝 모델은 DAG의 노드에 위치할 수 있다. 또한, 각 노드는 하나 또는 여러 개의 이전 노드에 직접 연결될 수 있으며, 나중에 하나 또는 여러 개의 노드에 연결될 수 있다. 또한 각 딥 러닝 모델의 결과 라벨은 DAG의 흐름 경로를 정의한다. 예를 들면, "모델 1"에서 "라벨 1"이 되는 결과 이미지는 도 5a에 도시된 것처럼, 평가를 위해 "모델 3"으로 이어질 수 있다.
예를 들면, 도 5b에 도시된 것처럼, 각 모델의 결과 라벨을 고려하도록 한다. "모델 1"의 결과 라벨인 "라벨 1 : A"는 확률 값이 0.9이고, "라벨 1 : B"는 확률 값이 0.1일 수 있다. 마찬가지로, "모델 3"의 결과 라벨인 "라벨 2 : B"는 확률 값이 0.2이고, "라벨 3 : B"는 확률 값이 0.7이고, "라벨 3 : C"는 확률 값이 0.1일 수 있다. 또한, "모델 5"의 결과 라벨인 "라벨 5 : A"는 확률 값이 0.1이고, "라벨 5 : B"는 확률 값이 0.1이고, "라벨 5 : C"는 확률 값이 0.2이고, "라벨 5 : D"는 확률 값이 0.6일 수 있다. DAG의 각 딥 러닝 모델은 고유할 수 있으며, 분류 문제의 특정 부분을 처리하도록 설계될 수 있다. 예를 들면, DAG의 딥 러닝 모델 중 하나는 ResNet 모델일 수 있고, 다른 하나는 Google Net일 수 있으며, 또 다른 하나는 다중 모드 딥 러닝 모델일 수 있다. DAG 경로의 끝에서, 각 이미지는 후처리 모듈(도 5a에 도시됨)에서 평가될 수 있으며, 여기에서 해당 이미지와 상호 작용한 딥 러닝 모델의 결과에 기초하여 결정이 이루어질 수 있다.
도 6a는 본 발명의 일 실시 예에 따라 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법(600a)을 도시하는 흐름도를 나타낸다.
블록 601에서, 웨이퍼의 이미지는 이미징 장치(102)에 의해 캡쳐된다. 블록 602에서, 캡쳐된 이미지는 이미징 장치(102)(도 1)에 의해 이미지 저장 유닛(126)(도 1)에 저장된다. 블록 603에서, 이미징 장치(102)와 연관된 이미지 저장 유닛(126)에 저장된 이미지는 전자 장치(104)(도 1)에 의해 검색된다. 블록 604에서, 적어도 하나의 참조 이미지는 적어도 하나의 흑백 참조 이미지, 컬러 참조 이미지, ICI 참조 이미지에 대응하고, 웨이퍼에 결함없이 검사된 이미지로 웨이퍼에서 스캔된 동일한 영역을 나타내며, 전자 장치(104에 의해 수신된다. 블록 605에서, 관련 예상 모달리티 이미지를 갖는 트레이닝된 복수의 딥 러닝 모델/분류기가 전자 장치(104)의 딥 러닝 모듈(122)에서 전자 장치(104)에 의해 이용된다. 블록 606에서, 트레이닝된 복수의 딥 러닝 모델은 웨이퍼 이미지 결함의 분류 프로세스를 위해 DAG 구조에서 전자 장치(104)에 의해 연결된다. 블록 607에서, 웨이퍼 이미지의 분류 결정은 복수의 딥 러닝 모델의 DAG 구조를 이용하여 전자 장치(104)에 의해 생성된다. 마지막으로, 블록 608에서, 관련 메타데이터 결과 (즉, 결함 메타데이터)를 포함하는 분류된 웨이퍼 이미지는 전자 장치(104)에 의해 전자 장치(104)의 외부 데이터베이스 또는 저장 유닛(116)에 저장된다.
도 6b는 본 발명의 일 실시 예에 따라 웨이퍼 결함 이미지의 결함 메타 데이터가 전자 장치(104)에 저장되지 않은 경우, 결함의 메타 데이터를 나타내는 특징을 산출하기 위한 방법(600b)을 나타내는 흐름도이다.
블록 611에서, 기 계산되고 저장된 결함 메타 데이터가 전자 장치(104)에 의해 전자 장치(104)의 외부 데이터베이스 또는 저장 유닛(116)으로부터 수신된다. 예를 들면, 메타데이터는 결함의 다른 특징을 포함하지만, 결함의 크기, 결함의 히스토그램, 결함의 최대 색상 또는 그레이 레벨 값, 결함의 최소 색상 또는 그레이 레벨 값 등에 제한되지 않는다. 블록 612에서, 만일 결함 메타데이터가 저장되지 않은 경우, 결함의 메타데이터를 나타내는 특징이 전자 장치(104)에 의해 계산된다.
본 발명의 일 실시 예는 딥 러닝 모델의 조합으로서 DAG (Direct Acyclic Graph)를 활용할 수 있으며, 각각의 딥 러닝은 결함 웨이퍼 이미지를 이용하여 웨이퍼의 결함의 상이한 모달리티 또는 문제의 상이한 모달리티를 처리 할 수 있다. 또한, DAG는 딥 러닝 모델마다 임의의 개수의 모델 및 복수의 다른 이미지(예: 6개 이미지)를 포함하여 생성될 수 있다. 또한, 후처리 결정 모듈은 결함 조사 이미지의 및 결함 조사 이미지의 결과 라벨과 같은 두 가지 측면, DAG의 각 딥 러닝 모델의 값들, 결함의 계측 정보(메타 데이터) 또는 스캐너 기계에 의해 기 수집된 정보와 같은 파라미터들을 결합하도록 구성될 수 있다. 딥 러닝 모델로 구성된 DAG는 딥 러닝 네트워크를 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 정확하게 분류하는데 이용될 수 있다.
본 명세서에서 사용되는 복수의 및/또는 용어와 관련하여, 당업자는 문맥에 따라 적절하게 복수에서 단수로 해석하거나 단수에서 복수로 해석하여 응용할 수 있다. 본 명세서에서는 명확성을 위해 다양한 조합으로 단수형/복수형의 교환이 이루어질 수 있다.
명세서 전체에서 이용되는 용어는 “개방된” 용어로 의도된다는 것을 당업자는 이해할 수 있을 것이다. (예를 들면, 어떤 구성 요소를 “포함한다”는 용어는 “포함하지만 이에 제한되지 않는다”는 의미로 해석되어야 할 것이고, 어떤 구성 요소를 "갖는다”는 용어는 “적어도 (해당 구성 요소를) 갖는다”는 의미로 해석되어야 할 것이다.)
특정 수를 의도하는 청구항의 설명에 관하여 당업자는 더 나아가 이해할 수 있을 것이다. 예를 들면, 상세한 설명에서는 청구항을 설명하기 위해 "적어도 하나" 및 "하나 이상"의 문구가 사용될 수 있다. 그러나, 이러한 문구는 하나만 포함하는 발명으로 제한하여 해석되어서는 안된다. 또한, 특정 개수가 명시적으로 언급되더라도 당업자는 그러한 설명이 일반적으로 적어도 설명된 숫자 이상을 의미하는 것으로 해석되어야 함을 이해할 것이다 (예를 들면, "두 개”의 경우, 다른 수식어가 없는 한 일반적으로 적어도 두 개이거나 두 개 이상을 의미한다).
본 명세서에서 다양한 측면 및 실시 예가 개시되었으나, 다른 측면 및 실시 예는 당업자에게 자명할 것이다. 본 명세서에 개시된 다양한 양태 및 실시 예는 예시를 위한 것이고, 해당 예시에 제한되지 않으며, 본 발명의 범위 및 기술적 사상은 상세한 설명에 의하여 나타내어진다.
100: 시스템 102: 이미징 장치
104: 전자 장치 106: 통신 네트워크
108: 광원 110: 카메라 렌즈
112: 결함 검출 모듈 116: 저장 유닛
118: 프로세서 120: I/O 인터페이스
122: 딥 러닝 모듈 126: 이미지 저장 유닛

Claims (20)

  1. 반도체 웨이퍼의 결함을 분류하고 검사하는, 컴퓨터에 의해 구현되는 방법에 있어서,
    하나 이상의 이미징 유닛을 제공하는 단계;
    컴퓨팅 유닛을 제공하는 단계;
    상기 하나 이상의 이미징 유닛에 의해 검사 중인 상기 반도체 웨이퍼 상의 하나 이상의 다이로부터 획득되는 복수의 이미지를 수신하고, 상기 복수의 이미지는 복수의 영상 기법(imaging modality)을 이용하여 캡쳐되는, 단계;
    하나 이상의 ML(Machine Learning) 모델을 제공하고, 하나 이상의 ML 모드 중 하나는 적어도 컴퓨터 프로세서, 데이터베이스 및 상기 컴퓨팅 유닛과 연관된 메모리와 연관되는, 단계; 및
    복수의 ML 모델로부터의 하나 이상의 ML 모델에 상기 복수의 이미지를 제공하고, 상기 컴퓨터 프로세서는 상기 반도체 웨이퍼에 있는 하나 이상의 결함을 하나 이상의 결함 클래스로 식별하고 분류하며, 상기 복수의 ML 모델은 DAG(Directed Acyclic Graph) 구조로 구성되고, 상기 DAG 구조에 있는 각각의 노드는 ML 모델을 나타내며, 상기 하나 이상의 ML 모델은 상기 DAG 구조에서 루트 노드로 구성되는, 단계;를 포함하고,
    상기 복수의 ML 모델은 상기 반도체 웨이퍼에 있는 하나 이상의 다이 상의 하나 이상의 결함을 분류하기 위해 트레이닝되도록 구성되고,
    상기 복수의 ML 모델을 트레이닝하는 단계를 더 포함하고,
    상기 트레이닝하는 단계는,
    상기 데이터베이스에 저장된 상기 반도체 웨이퍼에 대한 복수의 라벨링된 이미지 및 복수의 참조 이미지를 상기 복수의 ML 모델로부터의 하나 이상의 ML 모델에 제공하는 단계;
    복수의 참조 이미지로부터 대응하는 참조 이미지를 이용하여 상기 복수의 라벨링된 이미지를 하나 이상의 결함 클래스로 분류하도록 상기 복수의 ML 모델로부터 각각의 ML 모델을 구성하는 단계;
    상기 하나 이상의 결함 클래스를 저장하는 단계;
    상기 하나 이상의 다이를 촬상하여 상기 반도체 웨이퍼 상에 포함된 하나 이상의 다이의 결함에 대해 검사하는 단계;
    상기 하나 이상의 다이에 대한 이미지를 상기 하나 이상의 결함 클래스 중 어느 하나 이상에 매칭시키는 동작을 시도하는 단계;
    상기 하나 이상의 다이와 상기 하나 이상의 결함 클래스가 매칭되는 경우, 매칭되는 하나 이상의 다이를 결함 있는 다이로 분류하는 단계; 및
    하나 이상의 결함 있는 다이의 식별 정보를 전달하고 상기 하나 이상의 결함 있는 다이를 결함으로서 거부하는 단계를 포함하고,
    상기 각각의 ML 모델의 결과 라벨은 상기 DAG 구조의 흐름 경로를 정의하는, 방법.
  2. 제 1 항에 있어서,
    상기 하나 이상의 ML 모델은
    상기 복수의 이미지 및 상기 복수의 영상 기법 중 하나의 영상 기법에 포함되는 상기 복수의 라벨링된 이미지와 함께 제공되는, 방법.
  3. 제 1 항에 있어서,
    상기 복수의 ML 모델 각각은
    지도 모델(supervised model), 반지도 모델(semi-supervised model) 및 비지도 모델(unsupervised model) 중 하나인, 방법.
  4. 제 1 항에 있어서,
    상기 복수의 영상 기법은
    X-선 이미지, ICI(Inner-Crack-Imaging), 그레이스케일 이미지, 흑백 이미지 및 컬러 이미지 중 적어도 하나를 포함하는, 방법.
  5. 제 1 항에 있어서,
    상기 복수의 ML 모델은 딥 러닝 모델인이고,
    상기 DAG 구조에 포함되는 각각의 상기 딥러닝 모델은 고유하고, 상기 고유한 딥러닝 모델의 분류 대상이 되는 특정 부분을 처리하도록 설계된, 방법.
  6. 제 1 항에 있어서,
    상기 복수의 라벨링된 이미지는
    상기 하나 이상의 결함 클래스와 관련된 라벨을 포함하고, 라벨링 모델을 이용하여 생성되는, 방법.
  7. 제 1 항의 방법을 수행하도록 구성되고, 하나 이상의 프로세서 및 메모리를 포함하는, 컴퓨팅 유닛.
  8. 반도체 웨이퍼의 결함을 분류하는 방법에 있어서,
    하나 이상의 이미징 유닛에 의해 검사 중인 반도체 웨이퍼의 복수의 이미지를 캡쳐하고, 상기 복수의 이미지는 복수의 영상 기법(imaging modality)을 이용하여 캡쳐되는, 단계; 및
    상기 반도체 웨이퍼에 있는 하나 이상의 결함을 하나 이상의 결함 클래스로 식별하고 분류하기 위해 복수의 ML 모델로부터의 하나 이상의 ML(Machine Learning) 모델에 상기 복수의 이미지를 제공하고, 상기 복수의 ML 모델은 DAG(Directed Acyclic Graph) 구조로 구성되고, 상기 DAG 구조에 있는 각각의 노드는 ML 모델을 나타내며, 상기 하나 이상의 ML 모델은 상기 DAG 구조에서 루트 노드로 구성되는, 단계;를 포함하고,
    상기 복수의 ML 모델은 상기 반도체 웨이퍼에 있는 하나 이상의 다이 상의 하나 이상의 결함을 분류하기 위해 트레이닝되도록 구성되고,
    상기 복수의 ML 모델을 트레이닝하는 단계를 더 포함하고,
    상기 트레이닝하는 단계는,
    데이터베이스에 저장된 상기 반도체 웨이퍼에 대한 복수의 라벨링된 이미지 및 복수의 참조 이미지를 상기 복수의 ML 모델 중 하나 이상의 ML 모델에 제공하는 단계; 및
    복수의 참조 이미지로부터 대응하는 참조 이미지를 이용하여 상기 복수의 라벨링된 이미지를 하나 이상의 결함 클래스로 분류하도록 상기 복수의 ML 모델로부터 각각의 ML 모델을 구성하는 단계;를 포함하고,
    상기 각각의 ML 모델의 결과 라벨은 상기 DAG 구조의 흐름 경로를 정의하는, 방법.
  9. 제 8 항에 있어서,
    상기 하나 이상의 ML 모델은
    상기 복수의 이미지 및 상기 복수의 영상 기법 중 하나의 영상 기법에 포함되는 상기 복수의 라벨링된 이미지와 함께 제공되는, 방법.
  10. 제 8 항에 있어서,
    상기 복수의 ML 모델 각각은
    지도 모델(supervised model), 반지도 모델(semi-supervised model) 및 비지도 모델(unsupervised model) 중 하나인, 방법.
  11. 제 8 항에 있어서,
    상기 복수의 영상 기법은
    X-선 이미지, ICI(Inner-Crack-Imaging), 그레이스케일 이미지, 흑백 이미지 및 컬러 이미지 중 적어도 하나를 포함하는, 방법.
  12. 제 8 항에 있어서,
    상기 복수의 ML 모델 각각은 딥 러닝 모델인이고,
    상기 DAG 구조에 포함되는 각각의 상기 딥러닝 모델은 고유하고, 상기 고유한 딥러닝 모델의 분류 대상이 되는 특정 부분을 처리하도록 설계된 방법.
  13. 제 8 항에 있어서,
    상기 복수의 라벨링된 이미지는
    상기 하나 이상의 결함 클래스와 관련된 라벨을 포함하고,
    상기 반도체 웨이퍼의 히스토리 이미지를 이용하여 생성되는, 방법.
  14. 제 8 항에 있어서,
    상기 복수의 영상 기법으로부터 추출된 특징을 결합하기 위해 후기 융합 기술, 초기 융합 기술 및 하이브리드 융합 기술 중 하나가 이용되는, 방법.
  15. 제 8 항에 있어서,
    후처리하는 단계를 더 포함하고,
    상기 후처리하는 단계는
    상기 복수의 ML 모델 각각으로부터의 분류 정보를 이용하여 상기 복수의 이미지를 상기 하나 이상의 결함 클래스로 정확하게 분류하는 단계를 포함하는, 방법.
  16. 반도체 웨이퍼의 결함을 분류하고 검사하는 시스템에 있어서,
    상기 반도체 웨이퍼 상의 하나 이상의 다이의 복수의 이미지를 캡쳐하도록 구성되고, 복수의 영상 기법(imaging modality)을 이용하여 상기 복수의 이미지를 캡쳐하는, 하나 이상의 이미징 유닛; 및
    적어도 컴퓨터 프로세서, 데이터베이스 및 메모리를 포함하는 컴퓨팅 유닛을 포함하고,
    상기 컴퓨팅 유닛은
    상기 반도체 웨이퍼에 있는 하나 이상의 결함을 하나 이상의 결함 클래스로 식별하고 분류하기 위해 복수의 ML 모델로부터의 하나 이상의 ML(Machine Learning) 모델에 상기 복수의 이미지를 제공하고, 상기 복수의 ML 모델은 DAG(Directed Acyclic Graph) 구조로 구성되고, 상기 DAG 구조에 있는 각각의 노드는 ML 모델을 나타내며, 상기 하나 이상의 ML 모델은 상기 DAG 구조에서 루트 노드로 구성되고,
    상기 복수의 ML 모델은 상기 반도체 웨이퍼에 있는 하나 이상의 다이 상의 하나 이상의 결함을 분류하기 위해 트레이닝되도록 구성되고,
    상기 컴퓨팅 유닛은
    상기 데이터베이스에 저장된 상기 반도체 웨이퍼에 대한 복수의 라벨링된 이미지 및 복수의 참조 이미지를 상기 복수의 ML 모델 중 하나 이상의 ML 모델에 제공하고,
    복수의 참조 이미지로부터 대응하는 참조 이미지를 이용하여 상기 복수의 라벨링된 이미지를 하나 이상의 결함 클래스로 분류하도록 상기 복수의 ML 모델로부터 각각의 ML 모델을 구성하고,
    상기 하나 이상의 결함 클래스를 저장하고,
    검사 중인 하나 이상의 다이 각각에 대하여 상기 하나 이상의 결함 클래스와 매칭되는지 여부에 따라 결함 클래스를 저장하고, 상기 검사 중인 하나 이상의 다이 각각을 거부하거나 수락하고,
    상기 각각의 ML 모델의 결과 라벨은 상기 DAG 구조의 흐름 경로를 정의하는, 시스템.
  17. 제 16 항에 있어서,
    상기 하나 이상의 이미징 유닛은
    AOI(Automated Optical Inspection) 장치, AXI(Automated X-ray Inspection) 장치, JTAG(Joint Test Action Group) 장치 및 ICT(In-Circuit Test) 장치 중 적어도 하나를 포함하는, 시스템.
  18. 제 16 항에 있어서,
    상기 컴퓨팅 유닛은
    라벨링 모델로부터 상기 하나 이상의 결함 클래스와 관련된 라벨을 포함하는 상기 복수의 라벨링된 이미지를 수신하고,
    상기 라벨링 모델은 상기 반도체 웨이퍼의 히스토리 이미지를 이용하여 상기 복수의 라벨링된 이미지를 생성하는, 시스템.
  19. 제 16 항에 있어서,
    상기 복수의 영상 기법으로부터 추출된 특징을 결합하기 위해 후기 융합 기술, 초기 융합 기술 및 하이브리드 융합 기술 중 하나가 이용되는, 시스템.
  20. 제 16 항에 있어서,
    상기 컴퓨팅 유닛은
    상기 복수의 ML 모델의 출력을 후처리하도록 구성되고,
    상기 복수의 ML 모델 각각으로부터의 분류 정보를 사용하여 상기 복수의 이미지를 상기 하나 이상의 결함 클래스로 정확하게 분류하는, 시스템.
KR1020200118708A 2020-04-24 2020-09-16 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템 KR102618355B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063015101P 2020-04-24 2020-04-24
US63/015,101 2020-04-24
US16/932,717 2020-07-18
US16/932,717 US12020417B2 (en) 2020-04-24 2020-07-18 Method and system for classifying defects in wafer using wafer-defect images, based on deep learning

Publications (2)

Publication Number Publication Date
KR20210132566A KR20210132566A (ko) 2021-11-04
KR102618355B1 true KR102618355B1 (ko) 2023-12-28

Family

ID=78222556

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200118708A KR102618355B1 (ko) 2020-04-24 2020-09-16 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템

Country Status (6)

Country Link
US (1) US12020417B2 (ko)
JP (1) JP7146857B2 (ko)
KR (1) KR102618355B1 (ko)
CN (1) CN113627457A (ko)
IL (1) IL276245A (ko)
TW (1) TWI833034B (ko)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7281041B2 (ja) * 2018-11-29 2023-05-25 京セラドキュメントソリューションズ株式会社 種類判別システム
EP3903276A4 (en) * 2018-12-24 2022-08-03 INTEL Corporation METHOD AND APPARATUS FOR PROCESSING MACHINE LEARNING MODELS IN A MULTI-PROCESS WEB BROWSER ENVIRONMENT
CN110231360B (zh) * 2019-05-31 2020-06-26 华南农业大学 电镜像差的确定方法、消除方法及装置
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
KR20220045499A (ko) * 2020-10-05 2022-04-12 삼성전자주식회사 웨이퍼 상의 결함을 추론하는 시스템 및 방법
TWI833390B (zh) * 2022-02-23 2024-02-21 南亞科技股份有限公司 製造缺陷原因之識別系統以及非暫時性電腦可讀媒體
US20230267595A1 (en) * 2022-02-23 2023-08-24 Nanya Technology Corporation Method for identifying cause of manufacturing defects
CN115147422A (zh) * 2022-09-05 2022-10-04 武汉精立电子技术有限公司 一种晶圆中心晶粒生成方法、装置、设备及存储介质
TW202420236A (zh) * 2022-11-09 2024-05-16 德商卡爾蔡司Ｓｍｔ有限公司 用於薄膜分段的感測器融合
CN117030724B (zh) * 2023-10-09 2023-12-08 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及***
CN117372428A (zh) * 2023-12-06 2024-01-09 上海孤波科技有限公司 一种晶圆的缺陷检测方法、装置、电子设备及存储介质
CN117929393B (zh) * 2024-03-21 2024-06-07 广东金鼎光学技术股份有限公司 一种镜头缺陷检测方法、***、处理器及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001135692A (ja) * 1999-06-15 2001-05-18 Applied Materials Inc ハイブリッドで一様に適用可能な自動欠陥分類法
US20180107928A1 (en) 2016-10-14 2018-04-19 Kla-Tencor Corporation Diagnostic systems and methods for deep learning models configured for semiconductor applications

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11214462A (ja) * 1998-01-22 1999-08-06 Hitachi Ltd 回路パターン検査における欠陥致命性判定方法、レビュー対象とする欠陥選択方法、およびそれらに関連する回路パターンの検査システム
US6947936B1 (en) * 2001-04-30 2005-09-20 Hewlett-Packard Development Company, L.P. Method for a topic hierarchy classification system
US7471832B2 (en) * 2004-02-24 2008-12-30 Trw Automotive U.S. Llc Method and apparatus for arbitrating outputs from multiple pattern recognition classifiers
CN1983308A (zh) * 2005-10-31 2007-06-20 索尼株式会社 学习设备和方法
NZ544432A (en) * 2005-12-23 2009-07-31 Pacific Edge Biotechnology Ltd Prognosis prediction for colorectal cancer using a prognositc signature comprising markers ME2 and FAS
FR3007164B1 (fr) * 2013-06-14 2016-10-07 Proxem Procede de classification thematique automatique d'un fichier de texte numerique
US20160239660A1 (en) * 2013-09-26 2016-08-18 British Telecommunications Public Limited Company Sequence identification
JP6439211B2 (ja) * 2015-03-03 2018-12-19 国立大学法人横浜国立大学 説明文生成装置、説明文書作成方法およびプログラム
WO2016194210A1 (ja) * 2015-06-04 2016-12-08 株式会社日立ハイテクノロジーズ 欠陥画像分類装置および欠陥画像分類方法
US10032092B2 (en) * 2016-02-02 2018-07-24 Adobe Systems Incorporated Training data to increase pixel labeling accuracy
US20180039693A1 (en) * 2016-08-05 2018-02-08 Microsoft Technology Licensing, Llc Learned data filtering
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
JP7087397B2 (ja) 2018-01-17 2022-06-21 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
KR102549196B1 (ko) * 2018-02-07 2023-06-30 어플라이드 머티리얼즈 이스라엘 리미티드 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
KR20200123858A (ko) * 2018-03-21 2020-10-30 케이엘에이 코포레이션 합성 이미지를 사용한 머신 러닝 모델 트레이닝
EP3629240B1 (en) * 2018-09-07 2023-08-23 Panasonic Intellectual Property Corporation of America Generative adversarial networks for local noise removal from an image
EP4033881A4 (en) * 2019-09-25 2023-11-22 Blue River Technology Inc. TREATMENT OF PLANTS USING FEATURE VALUES AND SOIL LEVELS EXTRACTED FROM A SINGLE IMAGE
CN110766660A (zh) * 2019-09-25 2020-02-07 上海众壹云计算科技有限公司 基于融合深度学习模型的集成电路缺陷图像识别分类***
US20210151034A1 (en) * 2019-11-14 2021-05-20 Comcast Cable Communications, Llc Methods and systems for multimodal content analytics
CN110874839A (zh) * 2019-11-19 2020-03-10 上海华力微电子有限公司 晶圆图形提取方法及其提取***
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
US20210318379A1 (en) * 2020-04-09 2021-10-14 Auburn University System and method for optimizing fault coverage based on optimized test point insertion determinations for logical circuits
US11789920B1 (en) * 2022-03-28 2023-10-17 Sap Se Framework for workload prediction and physical database design

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001135692A (ja) * 1999-06-15 2001-05-18 Applied Materials Inc ハイブリッドで一様に適用可能な自動欠陥分類法
US20180107928A1 (en) 2016-10-14 2018-04-19 Kla-Tencor Corporation Diagnostic systems and methods for deep learning models configured for semiconductor applications

Also Published As

Publication number Publication date
CN113627457A (zh) 2021-11-09
TWI833034B (zh) 2024-02-21
IL276245A (en) 2021-10-31
JP7146857B2 (ja) 2022-10-04
US20210334946A1 (en) 2021-10-28
KR20210132566A (ko) 2021-11-04
JP2021174980A (ja) 2021-11-01
TW202141027A (zh) 2021-11-01
US12020417B2 (en) 2024-06-25

Similar Documents

Publication Publication Date Title
KR102618355B1 (ko) 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템
US20230386021A1 (en) Pattern grouping method based on machine learning
JP7122386B2 (ja) 低解像度画像における欠陥検出のためのニューラルネットワークのトレーニング
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
US20190257767A1 (en) Generating a training set usable for examination of a semiconductor specimen
US10127651B2 (en) Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data
CN113763312B (zh) 使用弱标记检测半导体试样中的缺陷
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
US11686689B2 (en) Automatic optimization of an examination recipe
JP2019106171A (ja) 複数のアイテムを分類するためのシステム、方法およびコンピュータプログラム製品
TW202226027A (zh) 用於光學或其他模式選擇之深度生成模型
US12020418B2 (en) Image processing method and system, and non-transitory computer readable medium
KR20230174693A (ko) 반도체 시편들을 위한 검사 레시피 최적화
US20240289945A1 (en) Method and system for classifying defects in wafer using wafer-defect images, based on deep learning
Linarto et al. Computer Vision for Photon Emission Microscopy
TWI844746B (zh) 半導體樣本的檢查
WO2023160986A1 (en) Methods and systems for improving wafer defect classification nuisance rate
KR20240124323A (ko) 머신 러닝 모델에 기초한 검사 샘플 결함 검출 방법 및 시스템
Shankar Defect pattern detection using a new rule-based approach

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right