KR20180097282A - 반도체 gp 예측 방법 및 시스템 - Google Patents
반도체 gp 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR20180097282A KR20180097282A KR1020170024065A KR20170024065A KR20180097282A KR 20180097282 A KR20180097282 A KR 20180097282A KR 1020170024065 A KR1020170024065 A KR 1020170024065A KR 20170024065 A KR20170024065 A KR 20170024065A KR 20180097282 A KR20180097282 A KR 20180097282A
- Authority
- KR
- South Korea
- Prior art keywords
- semiconductor
- test
- wafer
- inspection
- defect
- Prior art date
Links
Images
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
- H01L22/20—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
-
- 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
- H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
반도체 GP 예측 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 반도체 GP 예측 방법은, 광학 검사 결과에 대한 딥러닝을 통해 예측한 GP에 기초하여 웨이퍼를 선별하여 SEM 검사를 수행함으로써, 시간과 비용이 많이 소요되는 SEM 검사를 효율적으로 수행한다. 이에 의해, 중대 결함 발견 확률을 높일 수 있고, 광학 검사에 대한 딥러닝을 통해 예측한 GP에 기초하여 웨이퍼를 선별함에 있어 다이에 대한 GP와 웨이퍼에 대한 GP 모두를 복합적으로 고려하여 신뢰성 높은 선별을 가능하게 한다.
Description
본 발명은 반도체 공정 개선 기술에 관한 것으로, 더욱 상세하게는 반도체 수율을 예측하여 반도체 공정과 검사 방식 등을 개선하기 위한 방법 및 시스템에 관한 것이다.
반도체 웨이퍼 공정에서 발생하는 결함(Defect)은 최종 완성품의 Good(양품)/Bad(불량품)를 결정하는 요인들 중 하나이다. 결함에는 실제 결함인 아닌 가성 결함도 있으며, 실제 결함인 진성 결함의 경우도 종류에 따라 발생 원인과 Good/Bad에 미치는 영향은 다르다.
이에 따라, 결함의 종류를 판별하고 Bad를 유발하는 중대 결함을 찾기 위해 SEM 검사(Scanning Electron Microscopy Review)를 수행하고 있는데, SEM 검사는 시간과 비용이 매우 많이 소요된다.
그 결과, 모든 웨이퍼들에 대해 SEM 검사를 수행하는 것은 불가능하여, 검사 대상을 무작위적으로 선별하고 있는데, 중대 결함을 발견할 확률이 떨어뜨리는 요인이 된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 반도체 공정 진행 중에 간이 검사로 반도체 GP(Good Probability)를 예측하고, 예측 결과를 기초로 선별한 반도체에 대해서만 SEM 검사와 같은 상세 검사를 수행하기 위한 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 반도체 GP 예측 방법은, 반도체 공정 진행 중에, 제1 검사에 의한 검사 결과를 획득하는 단계; 획득한 검사 결과로부터 반도체 GP(Good Probability)를 예측하는 단계; 예측된 반도체 GP를 기초로, 일부 반도체를 선별하는 단계; 및 선별된 일부 반도체에 대해, 제2 검사를 수행하는 단계;를 포함한다.
그리고, 반도체 GP는, 웨이퍼의 GP 및 웨이퍼에 형성된 다이들의 GP들을 포함할 수 있다.
또한, 웨이퍼 GP은, 다이 GP들의 평균일 수 있다.
그리고, 선별단계는, 다이 GP가 제1 임계값 미만인 다이를 포함한 웨이퍼들 중 웨이퍼 GP가 제2 임계값 미만인 웨이퍼를 선별할 수 있다.
또한, 예측 단계는, 제1 검사 결과와 최종 공정 완료 후의 검사 결과로 학습된 모델을 이용하여, 반도체 GP를 예측할 수 있다.
그리고, 제1 검사 결과는, 검사 단계 ID, 결함 위치(Defect Location), 결함 사이즈(Defect Size), 결함 부위(Defect Zone)를 포함할 수 있다.
또한, 결함 위치는, 웨이퍼 상에서의 결함 위치 및 다이 상에서의 결함 위치를 포함하고, 결함 사이즈는, 결함의 폭, 높이 및 넓이를 포함하며, 결함 부위에는, 셀(Cell)과 페리(Peri)가 포함될 수 있다.
그리고, 제2 검사는, 제1 검사 보다 비용과 시간이 더 많이 소요되는 검사일 수 있다.
또한, 제1 검사는, 광학 검사(Optical Inspection)이고, 제2 검사는, SEM 검사(Scanning Electron Microscopy Review)일 수 있다.
그리고, 본 발명의 일 실시예에 따른 반도체 GP 예측 방법은, 반도체 GP를 기초로 알람을 발생하는 단계;를 더 포함할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 반도체 GP 예측 시스템은, 반도체 공정 진행 중에, 제1 검사에 의한 검사 결과를 수신하는 통신부; 및 통신부가 획득한 검사 결과로부터 반도체 GP(Good Probability)를 예측하고, 예측된 반도체 GP를 기초로 일부 반도체를 선별하며, 선별된 일부 반도체에 대해 제2 검사를 수행할 것을 결정하는 프로세서;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 광학 검사 결과에 대한 딥러닝을 통해 예측한 GP에 기초하여 웨이퍼를 선별하여 SEM 검사를 수행함으로써, 시간과 비용이 많이 소요되는 SEM 검사를 효율적으로 수행할 수 있어, 궁극적으로 중대 결함 발견 확률을 높일 수 있게 된다.
또한, 본 발명의 실시예들에 따르면, 광학 검사에 대한 딥러닝을 통해 예측한 GP에 기초하여 웨이퍼를 선별함에 있어, 다이에 대한 GP와 웨이퍼에 대한 GP 모두를 복합적으로 고려하여 신뢰성 높은 선별을 가능하게 한다.
도 1은 본 발명의 일 실시예에 따른 반도체 GP 예측 시스템의 블럭도,
도 2는 반도체 GP 예측을 위한 딥러닝 모델에 대한 학습 과정의 설명에 제공되는 도면,
도 3은 딥러닝 모델의 입/출력 파라미터를 나타낸 도면,
도 4는 결함 위치의 설명에 제공되는 도면,
도 5는 결함 부위의 설명에 제공되는 도면,
도 6은 본 발명의 다른 실시예에 따른 웨이퍼/다이 GP 예측 방법의 설명에 제공되는 흐름도, 그리고,
도 7은, 도 6에 도시된 웨이퍼/다이 GP 예측 방법의 부연 설명에 제공되는 도면이다.
도 2는 반도체 GP 예측을 위한 딥러닝 모델에 대한 학습 과정의 설명에 제공되는 도면,
도 3은 딥러닝 모델의 입/출력 파라미터를 나타낸 도면,
도 4는 결함 위치의 설명에 제공되는 도면,
도 5는 결함 부위의 설명에 제공되는 도면,
도 6은 본 발명의 다른 실시예에 따른 웨이퍼/다이 GP 예측 방법의 설명에 제공되는 흐름도, 그리고,
도 7은, 도 6에 도시된 웨이퍼/다이 GP 예측 방법의 부연 설명에 제공되는 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
1. 반도체 GP 예측 시스템
도 1은 본 발명의 일 실시예에 따른 반도체 GP(Good Probability) 예측 시스템의 블럭도이다. 이해와 설명의 편의를 위해, 도 1에서는 본 발명의 실시예에 따른 반도체 GP 예측 시스템(100) 외에, 광학 검사(Optical Inspection) 장비(10), SEM 검사(Scanning Electron Microscopy Review) 장비(20) 및 프로브 검사(Probe Test) 장비(30)를 더 도시하였다.
본 발명의 실시예에 따른 반도체 GP 예측 시스템(100)은, 반도체 공정 중에 광학 검사 장비(10)에 의한 웨이퍼 검사 결과를 통해 검출한 결함(Defect) 정보를 학습된 딥러닝 모델에 입력하여, 웨이퍼가 최종적으로 Good이 될 가능성인 GP(Good Probability)를 예측하기 위한 컴퓨팅 시스템이다.
GP 예측을 위한 사전 절차로, 본 발명의 실시예에 따른 반도체 GP 예측 시스템(100)은 딥러닝 모델을 학습시킨다.
또한, 본 발명의 실시예에 따른 반도체 GP 예측 시스템(100)은, Bad가 될 가능성이 높은 웨이퍼를 선별하여, 폐기 또는 SEM 검사 장비(20)에 의한 SEM 검사를 결정한다.
2. 반도체 GP 예측을 위한 딥러닝 모델 학습
도 2는 반도체 GP 예측을 위한 딥러닝 모델에 대한 학습 과정의 설명에 제공되는 도면이다.
도 2에 도시된 바와 같이, 딥러닝 모델 학습을 위해, 반도체 GP 예측 시스템(100)은 특정 공정을 마친 웨이퍼에 대해 광학 검사 장비(10)에 의한 검사 결과인 웨이퍼 결함 정보를 다이 결함 정보들로 분리하여, 딥러닝 모델의 입력 파라미터로 입력한다.
또한, 반도체 GP 예측 시스템(100)은 딥러닝 모델의 출력 파라미터인 다이 GP들에, 모든 공정을 마친 웨이퍼의 다이들에 대해 프로브 검사 장비(30)에 의한 검사 결과들을 입력한다.
학습에 의해 딥러닝 모델의 내부 네트워크 파라미터가 결정되어, 다이 결함 정보들이 입력되면 다이 GP들을 출력할 수 있는 모델로 진화한다. 딥러닝 모델은 LSTM(Long Short Term Memory)로 구현 가능한데, 그 밖의 다른 종류의 모델로 구현하는 것을 배제하지 않는다.
도 3에는 딥러닝 모델의 입력 파라미터와 출력 파라미터를 나타내었다.
도 3에 도시된 바와 같이, 딥러닝 모델의 입력 파라미터는, 검사 단계 ID(Inspection Step ID), 결함 위치(Defect Location), 결함 사이즈(Defect Size), 결함 부위(Defect Zone)로 표현되는 다이 결함 정보들이다.
검사 단계 ID는 광학 검사가 이루어지기까지 수행된 공정 단계를 특정하기 위한 ID이다. 결함 위치는, 도 4에 도시된 바와 같이, 웨이퍼 상에서의 결함 위치와 다이 상에서의 결함 위치를 포함한다. 결함 사이즈는 결함의 폭, 높이 및 넓이를 포함한다.
결함 부위는 결함이 발생한 부위가 셀(Cell)인지 아니면 페리(Peri)인지 지정한다. 도 5에 도시된 바와 같이, 셀은 주요 소자/회로가 위치하는 부위이고, 페리는 그 외의 영역이다. 페리 보다 셀에 발생한 결함이 다이의 Good/Bad에 미치는 영향이 크다.
Good은 최종 공정 완료 후에 프로브 검사 장비(30)에 의한 프로브 검사를 통해 사용 가능한 것으로 판정된 다이의 상태를 의미하고, Bad는 사용 불가능한 것으로 판정된 다이의 상태를 의미한다.
한편, 도 3에 나타난 바와 같이, 학습 과정에서 딥러닝 모델의 출력 파라미터인 다이 GP들은 프로브 검사 결과인 1(Good) 또는 0(Bad)로 입력된다.
후술하겠지만, 학습된 딥러닝 모델은 입력되는 다이 결함 정보들로부터 다이 GP들을 예측하는데, 이때 예측되는 다이 GP들은 0~1 사이의 값으로 표현되는 확률 값이다.
3. 웨이퍼/다이 GP 예측 방법
도 6은 본 발명의 다른 실시예에 따른 웨이퍼/다이 GP 예측 방법의 설명에 제공되는 흐름도이다.
도 6에 도시된 바와 같이, 먼저, 반도체 공정 진행 중에, 반도체 GP 예측 시스템(100)이 특정 공정을 마친 웨이퍼들에 대해 광학 검사 장비(10)에 의한 검사 결과들을 획득한다(S210).
다음, 반도체 GP 예측 시스템(100)은 S210단계에서 획득된 검사 결과인 웨이퍼 결함 정보를 다이 결함 정보들로 분리하여(S220), GP 예측을 위한 딥러닝 모델의 입력 파라미터로 입력한다(S230).
S230단계에서 입력 파리미터로 입력되는 다이 결함 정보는 검사 단계 ID, 결함 위치, 결함 사이즈, 결함 부위로 구성되는 정보로, 학습 과정에서 입력되는 입력 파라미터와 동일하다.
이에, 딥러닝 모델은 S230단계에서 입력된 다이 결함 정보들부터 다이 GP들을 예측하여 출력하고(S240), S240단계에서의 예측 결과를 이용하여 웨이퍼 GP를 산출한다(S250).
전술한 바 있듯이, S250단계에서 다이 GP는 확률 값인 0~1 사이의 값으로 예측된다. 그리고, S250단계에서 웨이퍼 GP의 산출은, S240단계에서 예측된 다이 GP들의 평균으로 산출할 수 있다.
이후, 반도체 GP 예측 시스템(100)은 S240단계와 S250단계에서의 예측 결과를 기초로 다이들과 웨이퍼들을 GP에 따라 필터링하여 순위를 결정한다(S260).
도 7에의 우측 부분에는, S250단계에서 다이 GP들로부터 웨이퍼 GP를 산출하는 과정과 S260단계에서 다이 GP(Die GP : DGP)에 따라 다이들을 필터링하여 순위를 결정하고 웨이퍼 GP(Wafer GP : WGP)에 따라 웨이퍼들을 필터링하여 순위를 결정하는 과정을, 개념적으로 나타내었다.
다음, 도 6에 도시된 바와 같이, 반도체 GP 예측 시스템(100)은 S240단계 내지 S260단계의 수행 결과(DGP, WGP, 순위)를 기반으로 검사 대상이었던 웨이퍼들 중 일부를 선별하여(S270), 폐기 또는 SEM 검사 대상으로 결정한다(S280).
S270단계에서의 선별 방식은, 반도체 소자와 공정의 특성에 따라 결정할 수 있다. 일 예로, 웨이퍼 GP가 하위 10% 이내에 속하는 웨이퍼들을 선별하거나, 다른 예로, 다이 GP가 임계값-1(이를 테면, 0.2) 미만인 다이를 포함한 웨이퍼들 중 웨이퍼 GP가 임계값-2(이를 테면, 0.4) 미만인 웨이퍼들을 선별하는 것이 가능한데, 그 밖의 다른 선별 방식이 적용될 수 있음은 물론이다.
S280단계에서 SEM 검사 대상으로 결정된 웨이퍼에 대해서는 SEM 검사 장비(20)에 의한 검사가 수행되며, 검사 결과로 중대 결함을 발견할 수도 있다. 한편, 반도체 GP 예측 시스템(100)은 S240단계 내지 S260단계의 수행 결과와 SEM 검사 결과를 기반으로 웨이퍼의 폐기 여부를 결정할 수 있다.
4. 반도체 GP 예측 시스템의 구성
본 발명의 실시예에 따른 반도체 GP 예측 시스템은, 도 1에 도시된 바와 같이, 통신부(110), 표시부(120), 프로세서(130), 입력부(140) 및 저장부(150)를 포함한다.
통신부(110)는 광학 검사 장비(10), SEM 검사 장비(20) 및 프로브 검사 장비(30)와 통신 연결하여, 검사 결과들을 수신한다.
프로세서(130)는 통신부(110)를 통해 수신된 검사 결과들을 이용하여 딥러닝 모델을 학습시키고, 학습된 딥러닝 모델을 이용하여 반도체 공정 진행 중에 다이 GP와 웨이퍼 GP를 예측한다.
또한, 프로세서(130)는 예측한 다이 GP와 웨이퍼 GP를 기초로, SEM 검사를 수행할 웨이퍼를 선별한다.
표시부(120)는 검사 결과, 예측 결과 및 선별 결과 등이 표시되는 수단이고, 입력부(140)는 딥러닝 모델 학습, GP 예측 및 웨이퍼 선별 등에 필요한 사용자 명령/설정을 입력받기 위한 수단이다.
저장부(150)는 검사 결과가 저장되며, 프로세서(130)가 딥러닝 모델 학습, GP 예측 및 웨이퍼 선별 등을 수행함에 있어 필요한 저장 공간을 제공하는 저장매체이다.
5. 변형예
지금까지, 반도체 공정 진행 중에 광학 검사로 반도체 GP를 예측하고, 예측 결과를 기초로 선별한 반도체에 대해서만 SEM 검사를 수행하기 위한 방법 및 시스템에 대해 바람직한 실시예를 들어 상세히 설명하였다.
위 실시예에서 언급한 SEM 검사는 예시적인 것에 불과하다. 비용과 시간이 많이 소요되는 다른 검사로 대체되는 경우에도 본 발명의 기술적 사상이 적용될 수 있다.
나아가, GP 예측 결과를 기초로 알람을 발생시키는 구성을 추가하는 것이 가능하다. 예를 들어, 웨이퍼 GP가 임계값-3(이를 테면, 0.3) 미만인 웨이퍼들이 10% 이상인 경우, 다이 GP가 임계값-1(이를 테면, 0.2) 미만인 다이를 포함하며 웨이퍼 GP가 임계값-2(이를 테면, 0.4) 미만인 웨이퍼가 발견된 경우, 알람을 발생하는 것이 가능하다.
더 나아가, GP 예측 결과를 기초로 장비 보수를 추천/안내하기 위한 구성을 추가하는 것도 가능하다. 예를 들어, GP가 매우 낮은 경우, 그 정도에 따라 1) 웨이퍼 폐기, 장비 가동 중단 및 보수, 2) 장비 가동 중단 및 보수, 3) 장비 세팅 변경 등을 추천/안내하는 것이 가능하다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
10 : 광학 검사 장비
20 : SEM 검사 장비
30 : 프로브 검사 장비
100 : 반도체 GP 예측 시스템
20 : SEM 검사 장비
30 : 프로브 검사 장비
100 : 반도체 GP 예측 시스템
Claims (11)
- 반도체 공정 진행 중에, 제1 검사에 의한 검사 결과를 획득하는 단계;
획득한 검사 결과로부터 반도체 GP(Good Probability)를 예측하는 단계;
예측된 반도체 GP를 기초로, 일부 반도체를 선별하는 단계; 및
선별된 일부 반도체에 대해, 제2 검사를 수행하는 단계;를 포함하는 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 1에 있어서,
반도체 GP는,
웨이퍼의 GP 및 웨이퍼에 형성된 다이들의 GP들을 포함하는 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 2에 있어서,
웨이퍼 GP은,
다이 GP들의 평균인 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 2에 있어서,
선별단계는,
다이 GP가 제1 임계값 미만인 다이를 포함한 웨이퍼들 중 웨이퍼 GP가 제2 임계값 미만인 웨이퍼를 선별하는 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 1에 있어서,
예측 단계는,
제1 검사 결과와 최종 공정 완료 후의 검사 결과로 학습된 모델을 이용하여, 반도체 GP를 예측하는 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 5에 있어서,
제1 검사 결과는,
검사 단계 ID, 결함 위치(Defect Location), 결함 사이즈(Defect Size), 결함 부위(Defect Zone)를 포함하는 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 6에 있어서,
결함 위치는,
웨이퍼 상에서의 결함 위치 및 다이 상에서의 결함 위치를 포함하고,
결함 사이즈는,
결함의 폭, 높이 및 넓이를 포함하며,
결함 부위에는,
셀(Cell)과 페리(Peri)가 포함되는 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 1에 있어서,
제2 검사는,
제1 검사 보다 비용과 시간이 더 많이 소요되는 검사인 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 8에 있어서,
제1 검사는,
광학 검사(Optical Inspection)이고,
제2 검사는,
SEM 검사(Scanning Electron Microscopy Review)인 것을 특징으로 하는 반도체 GP 예측 방법.
- 청구항 1에 있어서,
반도체 GP를 기초로 알람을 발생하는 단계;를 더 포함하는 것을 특징으로 하는 반도체 GP 예측 방법.
- 반도체 공정 진행 중에, 제1 검사에 의한 검사 결과를 수신하는 통신부; 및
통신부가 획득한 검사 결과로부터 반도체 GP(Good Probability)를 예측하고, 예측된 반도체 GP를 기초로 일부 반도체를 선별하며, 선별된 일부 반도체에 대해 제2 검사를 수행할 것을 결정하는 프로세서;를 포함하는 것을 특징으로 하는 반도체 GP 예측 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170024065A KR101910268B1 (ko) | 2017-02-23 | 2017-02-23 | 반도체 gp 예측 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170024065A KR101910268B1 (ko) | 2017-02-23 | 2017-02-23 | 반도체 gp 예측 방법 및 시스템 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180097282A true KR20180097282A (ko) | 2018-08-31 |
KR101910268B1 KR101910268B1 (ko) | 2018-10-19 |
Family
ID=63407897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170024065A KR101910268B1 (ko) | 2017-02-23 | 2017-02-23 | 반도체 gp 예측 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101910268B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020069224A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multisensor equipment monitoring |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11688616B2 (en) | 2020-07-22 | 2023-06-27 | Applied Materials, Inc. | Integrated substrate measurement system to improve manufacturing process performance |
USD977504S1 (en) | 2020-07-22 | 2023-02-07 | Applied Materials, Inc. | Portion of a display panel with a graphical user interface |
US20220026817A1 (en) * | 2020-07-22 | 2022-01-27 | Applied Materials, Inc. | Determining substrate profile properties using machine learning |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4077951B2 (ja) * | 1998-01-14 | 2008-04-23 | 株式会社ルネサステクノロジ | 欠陥解析方法、記録媒体及び工程管理方法 |
JP2001189362A (ja) * | 2000-01-04 | 2001-07-10 | Toshiba Corp | 半導体欠陥分類装置及び半導体欠陥分類方法 |
KR100694590B1 (ko) * | 2001-12-08 | 2007-03-13 | 삼성전자주식회사 | 결함 검출 방법 |
JP2006098152A (ja) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg Co Ltd | 欠陥検出装置および欠陥検出方法 |
-
2017
- 2017-02-23 KR KR1020170024065A patent/KR101910268B1/ko active IP Right Grant
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020069224A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multisensor equipment monitoring |
Also Published As
Publication number | Publication date |
---|---|
KR101910268B1 (ko) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
KR101910268B1 (ko) | 반도체 gp 예측 방법 및 시스템 | |
US11275361B2 (en) | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process | |
JP4014379B2 (ja) | 欠陥レビュー装置及び方法 | |
US7962864B2 (en) | Stage yield prediction | |
US10628935B2 (en) | Method and system for identifying defects of integrated circuits | |
KR102258942B1 (ko) | 인라인 수율 모니터링을 위한 임계 파라메트릭 전기 테스트 파라미터의 자동 결정을 위한 시스템 및 방법 | |
TW201401231A (zh) | 在半導體製造中用於檢測之雜訊中所內嵌之缺陷之偵測 | |
JP2005134255A (ja) | 試験装置、良否判定基準設定装置、試験方法及び試験プログラム | |
CN110660694B (zh) | 基于***缺陷的半导体晶片的引导式检验 | |
CN113342906B (zh) | 一种对晶圆量测数据分布形态的分类方法以及装置 | |
KR100429883B1 (ko) | 순수 결함에 의한 불량 발생 확률 측정방법, 순수 결함에서 추출한 패턴 파라미터의 분류를 이용한 결함 제한 수율 측정 방법, 순수 결함에 의한 불량 발생 확률 및 결함 제한 수율을 측정하기 위한 시스템 | |
CN115798559B (zh) | 失效单元预测方法、装置、设备及存储介质 | |
CN117333424A (zh) | 晶圆缺陷评估方法、装置、存储器芯片和可读存储介质 | |
CN113222884B (zh) | 检查样本的方法和其*** | |
US9880550B2 (en) | Updating of a recipe for evaluating a manufacturing stage of an electrical circuit | |
KR101959627B1 (ko) | 실제 반도체 제조물을 복제한 가상 반도체 제조물 제공 방법 및 시스템 | |
KR20230170806A (ko) | 패턴의 임계 치수 변동의 결정 | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
JP2011054804A (ja) | 半導体製造装置の管理方法およびシステム | |
US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
TW202328665A (zh) | 分析缺陷的方法 | |
WO2019006222A1 (en) | SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS | |
JP2022169974A (ja) | 検査方法、情報処理装置、及びプログラム | |
JP2003045922A (ja) | デバイス不良解析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |