TW201727518A - 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 - Google Patents
智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 Download PDFInfo
- Publication number
- TW201727518A TW201727518A TW105102190A TW105102190A TW201727518A TW 201727518 A TW201727518 A TW 201727518A TW 105102190 A TW105102190 A TW 105102190A TW 105102190 A TW105102190 A TW 105102190A TW 201727518 A TW201727518 A TW 201727518A
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- sampling
- pattern
- fatal
- classification
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/3177—Testing of logic operation, e.g. by logic analysers
-
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/317—Testing of digital circuits
- G01R31/31703—Comparison aspects, e.g. signature analysis, comparators
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
一種智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體,以一電腦系統取得晶圓廠或製程廠在線掃描取得的缺陷檢測檔案,並取得待測物的缺陷圖形,接著系統透過一缺陷圖形識別引擎於缺陷圖形中識別出缺陷特徵圖形,以影像處理手段尋得缺陷圖形的輪廓,進行幾何識別,並儲存檔案。之後執行採樣以取得弱點缺陷圖形,並為基於一弱點圖形的失敗機率的關鍵區域分析執行採樣,以得到可能造成開路或短路的缺陷佈局圖形群,再以一瀏覽系統顯示採樣得到的缺陷特徵圖形,可進一步透過使用者介面操作過濾、選擇與合併的動作。
Description
一種智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體,特別是指以電腦科技達成在線檢測流程中實現弱點缺陷及缺陷特徵圖形分類採樣的方法與系統。
在製程中可能產生系統性的缺陷(systematic defect),這些缺陷較容易發生在某些設計佈局圖形上,可能造成致命性的錯誤。在製程廠(如晶圓廠)圖形製程,如顯影(lithography)及蝕刻(etching)製程,弱點缺陷較易受製程偏移影響,造成製程良率大問題。可利用一種亮場缺陷檢測軟體工具(bright field defect inspection)及製程實驗窗(process window)設計分析找出弱點缺陷圖形。
揭露書記載本發明所提出的智慧型缺陷分類採樣方法、系統,以及一儲存相關軟體程式的電腦可讀取儲存媒體。相關技術採用電腦科技,可以電腦軟體與硬體的方式架構本發明的系統,以及實現其中方法,技術特別可應用於半導體晶圓廠,以能在製程之初就能篩選與比對其中弱點缺陷圖形。
根據發明實施例之一,智慧型缺陷分類採樣方法可應用於電腦系統實現的的系統中,在此電腦系統內,透過在晶圓廠的缺陷檢測(defect inspection)工具,如在焦點曝光矩陣(FEM)技術、製程窗資格(PWQ)或是一般缺陷採樣程序中取得缺陷檢測資料(defect inspection data)。接著,形成一個缺陷佈局圖形群(defect layout pattern group),可以本案相同申請人所取得的先前專利「智慧型缺陷篩選與採樣方法」(美國專利申請案第13/005932號,申請日:2011年1月13日;於2012年11月13日取得專利第8,312,401號)形成此缺陷佈局圖形群。
再者,引入一電腦系統與軟體實現的缺陷採樣引擎(defect sampling engine),藉此可以對缺陷佈局圖形群進行缺陷採樣與選擇,經選擇與採樣的缺陷可透過掃描式電子顯微術(scanning electron microscope,SEM)確認系統性缺陷圖形,而用來建立缺陷圖形影像。在電腦系統中,其中在最高優先得到的缺陷佈局圖形群中的採樣缺陷影像一經確認為系統性缺陷圖形時,即寫入弱點圖形庫(weak pattern library)中。
在缺陷採樣程序中,本發明採取了焦點曝光矩陣(FEM)技術、製程窗資格(PWQ)或是實驗矩陣方法進行採樣。對晶圓上每一個曝光的區間(reticle field)表示一種製程條件,例如製程中的曝光的能量、離焦補償(defocus offset)等。接著,在缺陷檢測程序中,透過缺陷檢測工具可以取得大量缺陷資料。之後經缺陷採樣選擇,從大量的缺陷資料中取得較少但關鍵的採樣缺陷,而這些採樣缺陷中有部分是有價值的缺陷資料,有些則是無效的,於是根據本案相同申請人的先前專利(美國專利申請第13/005932號)所提出的智慧型篩選與採樣方法,以此得出當中造成晶圓特定區域失效的缺陷影像與圖形。
在方法步驟中,經缺陷佈局圖形群的分析取得缺陷佈局圖形群的優先順序,根據這些缺陷佈局圖形群的狀態,系統定義出參
照上述掃描區間的基礎窗,這個區間對應了掃描晶圓缺陷的區間。相關的基礎窗定義包括基礎窗加上對應向外位移一個位移參數的區間、基礎窗加上向外位移兩個位移參數的區間、基礎窗加上向外位移三個位移參數的區間,以及直到可以涵蓋所有缺陷狀態的區間。
在執行上述步驟時,系統定義一個統計製程控制機率指數(SPC probability index),定義出的基礎窗包括在製程上有正負3Sigma(標準差)的統計製程控制缺陷。舉例來說,基礎窗包括在這個正負3個標準差的統計製程控制誤差內的缺陷,或是加上一個位移參數的區域內,這個區域表示為3到4個標準差的統計製程控制的範圍內。同理,4到5個標準差的統計製程控制範圍如同基礎窗加上兩個位移參數的區域。據此,統計製程控制機率指數統計上在基礎窗的範圍機率有96%;統計製程控制機率指數在基礎窗加上一個位移參數的範圍內的機率約為2%,也就是,離基礎窗愈遠的範圍,其統計製程控制機率指數愈小,代表此種缺陷在正常生產製程中是不會發生的。揭露書所載方法實施例中,其中採用的缺陷採樣選擇的規則係基於缺陷佈局圖形群組化的優先順序,相關資訊參考關鍵區域分析(CAA)採樣指數與統計製程控制機率指數,使得弱點缺陷圖形可以被選擇出來。
這個電腦系統實現的智慧型缺陷分類採樣方法更可應用於缺陷特徵圖形診斷,其中處理器執行上述智慧型缺陷分類採樣方法,相關非暫態電腦可讀取儲存裝置儲存了執行上述方法的指令集。
本揭露書所記載之電腦系統缺陷分析圖形使用者介面(GUI)設計系統包含至少電腦,GUI軟體系統,電腦滑鼠或觸控面板,儲存裝置,將缺陷資料如缺陷,缺陷圖形,缺陷圖形群組執行過濾(filter defect,filter defect pattern group),合併(merge defects,merge defect pattern groups),及選擇取樣(select sample defect,
select sample defect pattern group)功能,使用者從電腦螢幕上瀏覽缺陷圖形或缺陷圖形群組時,判斷不會造成失敗的致命缺陷或系統缺陷可能性的缺陷圖形群組,可以電腦滑鼠或手指點選,亦即按下過濾(filter)電腦圖形按鈕(icon)將其篩選掉,或是使用者從電腦螢幕上瀏覽缺陷圖形群組時,判斷會造成失敗的致命缺陷或系統缺陷可能性的缺陷圖形群組,由程式執行過濾的動作按下選擇取樣(select sample)按鈕即要選,由程式執行選擇取樣的動作。使用者亦可判斷數個不同缺陷圖形群組因缺陷位置關係被分開,但圖形相似或一致被判斷可以歸類成同一群組,以電腦滑鼠或手指點選,亦即按下合併(merge)按鈕,由程式執行合併的動作。使用者從電腦螢幕上瀏覽缺陷群組的晶圓圖缺陷分佈時,判斷是不是有涵蓋在基礎窗的缺陷造成系統缺陷可能性,可以電腦滑鼠或手指點選,亦即按下過濾(filter)按鈕即將其篩選掉,或按下選擇取樣(select sample)按鈕即要選,由程式執行過濾的動作或選擇取樣的動作。如上述缺陷分析GUI設計系統的過濾(filter defect,filter defect pattern group)、合併(merge defects,merge defect pattern groups)以及選擇取樣(select sample defect,select sample defect pattern group)功能可增加失敗的致命缺陷或弱點缺陷圖形群組取樣的準確性,多樣性,及效率。
為了能更進一步瞭解本發明為達成既定目的所採取之技術、方法及功效,請參閱以下有關本發明之詳細說明、圖式,相信本發明之目的、特徵與特點,當可由此得以深入且具體之瞭解,然而所附圖式與附件僅提供參考與說明用,並非用來對本發明加以限制者。
201、202‧‧‧系統性致命缺陷
203、204、205‧‧‧隨機致命缺陷
206‧‧‧圓形缺陷特徵圖形
207‧‧‧線形缺陷特徵圖形
208‧‧‧佈局圖形線路
209‧‧‧佈局圖形
210‧‧‧缺陷
209’‧‧‧佈局圖形
211,212,213,214,215,216‧‧‧佈局圖形
300‧‧‧智慧型隨機缺陷採樣引擎
301‧‧‧缺陷篩選模組
302‧‧‧缺陷分類模組
303‧‧‧缺陷採樣模組
311‧‧‧非致命缺陷
312‧‧‧致命缺陷
321‧‧‧圖形缺陷分類
322‧‧‧特徵缺陷分類
323‧‧‧製程缺陷分類
331‧‧‧風險等級致命缺陷採樣
332‧‧‧索引晶片樣本選擇
333‧‧‧設計佈局圖形樣本選擇
334‧‧‧特徵缺陷採樣
335‧‧‧製程缺陷採樣
31‧‧‧前置處理資料庫
32‧‧‧索引晶片或區間晶圓圖影像庫
33‧‧‧設計佈局庫
34‧‧‧缺陷檢測資料庫
35‧‧‧致命缺陷指數資料庫
500‧‧‧智慧型系統性缺陷採樣引擎
501‧‧‧缺陷篩選模組
511‧‧‧缺陷佈局圖形組
502‧‧‧缺陷分類模組
521‧‧‧圖形區域分類
503‧‧‧缺陷採樣模組
531‧‧‧缺陷佈局圖形組採樣
532‧‧‧關鍵區域採樣
533‧‧‧統計製程控制機率採樣
534‧‧‧索引晶片缺陷採樣
51‧‧‧影像資料庫
52‧‧‧晶圓圖資料庫
53‧‧‧設計佈局資料庫
54‧‧‧缺陷檢測資料庫
55‧‧‧缺陷佈局圖形組資料庫
100‧‧‧缺陷特徵圖形的分類及採樣引擎
1001‧‧‧缺陷篩選模組
1002‧‧‧缺陷分類模組
1002a‧‧‧已知缺陷特徵晶圓圖分類
1002b‧‧‧一般缺陷晶圓圖分類
1002c‧‧‧未知缺陷特徵晶圓圖分類
1003‧‧‧缺陷採樣模組
1003a‧‧‧已知缺陷特徵晶圓圖採樣
1003b‧‧‧未知缺陷特徵晶圓圖採樣
1006‧‧‧已知缺陷特徵晶圓圖庫
1007‧‧‧缺陷檢測數據庫
1008‧‧‧未知缺陷特徵晶圓圖庫
g1‧‧‧晶圓缺陷圖1
g2‧‧‧晶圓缺陷圖2
gn‧‧‧晶圓缺陷圖n
111‧‧‧過濾按鈕
112‧‧‧選擇按鈕
113‧‧‧合併按鈕
101~110‧‧‧步驟
401~408‧‧‧步驟
601~603‧‧‧步驟
71~76‧‧‧步驟
91~97‧‧‧步驟
圖1顯示本發明智慧型缺陷分類採樣方法的實施例流程;圖2A至圖2K顯示幾種缺陷的基本型式示意圖;
圖3顯示為本發明中以電腦系統實現智慧型隨機缺陷採樣引擎的功能模組圖;圖4顯示本發明智慧型缺陷分類採樣方法中隨機致命缺陷採樣的實施例流程;圖5顯示為本發明中以電腦系統實現智慧型系統缺陷採樣引擎的功能模組圖;圖6顯示為本發明智慧型系統性缺陷採樣引擎的功能模組圖;圖7顯示為本發明智慧型系統性缺陷採樣步驟實施例;圖8顯示為本發明系統範例之一的統計製程控制機率分佈圖;圖9顯示為描述判斷基礎窗與向外位移情況的實施例流程;圖10描述以電腦系統實現的缺陷特徵圖形的分類及採樣引擎的實施例之軟體模組;圖11顯示實現本發明智慧型缺陷分類採樣方法的使用者介面示意圖。
實務上,晶片設計公司(design house)提供晶圓廠(或製程廠)相關的積體電路設計佈局,於是製程廠根據晶圓上的設計佈局採用了上百種設備開始製作大量的晶圓,在製作過程中,無法避免地會有缺陷產生,比如一些隨機性的顆粒缺陷、製程形成的缺陷或系統性的缺陷。製程廠商將利用各種檢測工具作出模擬,目的不外乎是能在初期找到系統性的缺陷,透過修改設計、改進製程而增進良率。
在製程中可能產生系統性的缺陷(systematic defect),這些缺陷較容易發生在某些設計佈局圖形上,可能造成致命性的錯誤。如果可以在製程廠(如晶圓廠)製程之初得到缺陷圖形(defect pattern)中弱點缺陷的位置,即可以有效排除相關弱點缺陷,能有效提昇製程良率,而其中技術核心就在執行缺陷採樣與缺陷識
別上,如本揭露書所揭示的智慧型缺陷識別與分類採樣方法與系統,以及電腦可讀取記憶媒體,較佳可應用在半導體製程廠,如晶圓廠,或是積體電路、製程設計公司等。
在智慧型缺陷識別與分類採樣方法中,利用一電腦系統,透過以軟體實現的缺陷檢測工具,特別在晶圓廠或製程廠,取得缺陷檢測資料;接著,使用一缺陷圖形識別引擎,在晶圓上的眾多缺陷圖形中識別出缺陷特徵圖形。
針對由一亮場檢測軟體工具(bright field inspection tool)在顯影(lithography)或蝕刻(etching)程序中掃描所取得的缺陷圖案,揭露書所載實施方法係在篩選掉非致命缺陷(non-killer defect)之後而產生缺陷圖形(defect pattern),其中篩選非致命缺陷的方式可參閱如本案申請人所提出的美國專利申請案第13/005932號(申請日:2011年1月13日)所揭露的智慧型缺陷篩選與採樣方法,該案已於2012年11月13日取得專利第8,312,401號。也就是說,所取得的缺陷圖案是來自被篩選之後留下的致命缺陷。
根據本發明實施例,智慧型缺陷採樣方法用在焦點曝光矩陣(focus exposure matrix,FEM)技術、製程窗資格(process window qualification,PWQ)或是一般缺陷採樣程序(如以上所述美國專利申請案第13/005932號,獲准為美國專利第8,312,401號),可以取得更多有意義的缺陷影像。因此,晶圓廠或製程廠需要快速而智慧的缺陷圖形識別與採樣的診斷工具。
根據揭露書所載智慧型缺陷採樣方法的實施例,方法可應用在焦點曝光矩陣(FEM)技術、製程窗資格(PWQ)或是一般缺陷採樣程序,因此可成功判斷何者為弱點圖形(weak pattern)。以上採樣方法係基於一種操作發生機率(operation occurrence probability)。
根據一實施例,在晶圓廠的統計製程控制(Statistical Process Control,SPC)中,在製程上有3-Sigma或6-Sigma統計製程控制,
其中Sigma代表標準差,大部分的操作資料(operation data)會落於基礎窗(baseline window)內,僅有小部份會落在基礎窗以外,比如落於基礎窗向外位移一個位移參數(one delta parameter);有更少的機率操作資料會落在基礎窗外兩個或以上的位移參數。這樣看來,因為操作資料落於基礎窗外兩個或以上位移參數的區域的機率很小,就無須由這些區域中進行採樣了。因此,在本揭露書所載缺陷採樣的方法中,主要就在基礎窗內以及基礎窗外一個位移參數區域內進行採樣。
所述的缺陷採樣方法係用以找出可能的系統性缺陷圖形(systematic defect patterns),採樣的方式將基於一個常態分佈機率的特徵(normal distribution probability characteristics)、統計製程控制原理(SPC)以及在一最適條件(optimal condition)下而進行採樣。以一個統計製程控制機率指數(SPC probability index)的資訊,再根據弱點圖形缺陷的有意義的發生機率,使得採樣較為準確而有意義。前述基礎窗以及向外的位移參數所涵蓋區域即以常態分佈機率的特徵、統計製程控制原理(SPC)以及在一最適條件下而設定。常態分佈機率可參考圖8。
再者,揭露書所載智慧型缺陷採樣方法為應用在焦點曝光矩陣(FEM)技術、製程窗資格(PWQ)或是類似的方法中,可以成功地驗證得到的弱點缺陷圖形。此處引入一基於弱點圖形的失敗機率的關鍵區域分析(critical area analysis,CAA)採樣指數。藉此可知,有一些缺陷佈局圖形群(defect layout pattern group)有很大的可能造成開路或短路的失效;而另有一些具有較寬佈局尺度的缺陷佈局圖形群則是比較少的可能造成開路或短路的失效。
於是,本發明實施例採用一種致命缺陷指數(killer defect index),可參考如前述的相同申請人所提出的另一美國申請案第13/005,932號(獲准為美國專利第8,312,401號),以此作為評估
前述關鍵區域分析採樣指數。於是,可定義一關鍵區域分析採樣指數門檻(CAA sampling index threshold),以此判斷(1)開路、(2)短路、(3)重疊與(4)圖形導電性不良等可能失效的機率,其中當缺陷佈局圖形群的平均關鍵區域分析採樣指數大於等於所設的門檻,即據此進行採樣;反之,當缺陷佈局圖形群的平均關鍵區域分析採樣指數低於關鍵區域分析採樣指數門檻,就不用選擇缺陷樣本。本發明所提出的智慧型缺陷採樣方法從前述各種針對不同缺陷形式所採取的採樣方式取得優先順序,可以判斷出較為完整的缺陷圖形。
根據圖1所示之本發明智慧型缺陷分類採樣方法的實施例流程,此方法特別可以一電腦系統中所載軟體模組所實現,系統先取得經晶圓廠或製程廠利用缺陷檢測工具掃描得到的缺陷檢測檔案(步驟101);接著決定一種缺陷分析方法以掃描晶圓(待測物)上的缺陷圖形(步驟103),比如上述的焦點曝光矩陣(FEM)技術、製程窗資格(PWQ)、其他缺陷掃描方法,或是一般缺陷採樣程序。藉此執行微觀的缺陷分析(micro defect analysis),特別是能夠一對一比對單一缺陷圖(defect pattern)得到致命性或非致命性的缺陷(fatal or non-fatal);另可執行宏觀缺陷分析(macro defect analysis),以分析晶圓圖尺度下的缺陷圖。相關圖式可以參閱圖2A至圖2G所示的幾種形式的缺陷圖。
經微觀缺陷分析所取得的缺陷檢測檔案,產生的缺陷如步驟105所示,其中針對缺陷佈局圖形群組取得缺陷的方式可參考如本案申請人之美國核准專利:美國專利第8,312,401號,可以智慧型缺陷篩分類採樣系統掃描系統性缺陷(systematic defect),並進一步以本發明智慧型缺陷分類採樣方法,特別是以前述亮場缺陷檢測工具採樣得到採樣系統性缺陷,用以診斷系統性缺陷圖形及其佈局圖形(步驟106);相關的缺陷圖式可參閱圖2A與圖2B,其中顯示發生在線路上會造成短路或開路(斷路)的系統性致命缺
陷201、202。其中開路的情況可能是指線路上佈局圖形與缺陷重疊(overlap),或是線路上的佈局圖形(如穿孔)造成導電性不良的問題。
其他產生的缺陷如步驟107所示,可以智慧型缺陷分類採樣系統篩選非致命缺陷(non-killer defect),相關技術同樣可參考如本案申請人之美國核准專利:美國專利第8,312,401號;再以本發明智慧型缺陷分類採樣方法採樣取得隨機致命性缺陷(random killer defect)(步驟S108),以診斷出設備異常及製程缺陷,這類無法歸類的致命缺陷的示意圖如圖2C、圖2D與圖2E所描述的隨機致命性缺陷203、204、205,其中可採自動缺陷分類與採樣。
另有缺陷來自於如步驟109所示,由智慧型缺陷分類採樣系統中的缺陷分析工具診斷為設備異常所產生的缺陷,這類缺陷由宏觀缺陷分析方法由晶圓圖(wafermap)取得,於是可以得到在無佈局圖形的晶圓上一個大區域內缺陷分佈,這類缺陷主要由製程設備異常及製程產生,形成如圖2F與圖2G示意表示在晶圓圖上的缺陷分佈,分別如圖2F顯示的圓形(ring shape)缺陷特徵圖形206與與圖2G顯示的簇形(cluster shape)缺陷特徵圖形207。之後如步驟110,以本發明智慧型缺陷分類採樣方法,特別以前述一種暗場缺陷檢測軟體工具採樣在晶圓上吻合以上缺陷特徵圖形的晶圓,以此可作為本發明系統診斷設備異常的基礎。
在此一提的是,前述亮場缺陷檢測與此暗場缺陷檢測方法都是利用光線反射的原理,當入射光照射在晶圓表面時,若為垂直入射,則可根據穿透光的資訊進行檢測;若是以特定角度入射被檢測物時,則可根據表面反射光的資訊進行缺陷檢測。其中亮場缺陷檢測主要針對系統性的缺陷檢測及有圖案層次的隨機缺陷檢測,而暗場缺陷檢測則主要用以檢測設備及製程產生的缺陷。
除前述圖2A至圖2D所示意表示的線路開路或短路的缺失(open/short failure)外,接著如圖2H所示,其中顯示在晶圓的
佈局圖形中線路上缺陷與佈局圖形(defect pattern),如佈局圖形線路208與一佈局圖形209重疊(overlap),圖示之佈局圖形209如一個作為穿孔(via)的洞,與佈局圖形線路208的邊界都具有一定的間隔(spacing)。一經檢測工具檢測後,如果其重疊的間隔較寬的佈局圖形,在佈局圖形線路208與一佈局圖形209重疊(overlap)處,較不會產生缺陷,如圖2I中的缺陷210。圖2H例顯示系統缺陷在佈局圖形209與佈局圖形線路208邊界上,並未產生過高的風險。但一旦如圖2I所示,佈局圖形線路208上的邊界與佈局圖形209’的間隔過小,則缺陷210將可能出現在佈局圖形線路208與佈局圖形209’重疊(overlap)處,而導致較高的線路開路或上下層短路的風險。
而佈局圖形在特定佈局中的風險與其數量、間隔有關,若線路上僅一個穿孔,相關的缺陷造成其開路或短路的風險高;如果有多個穿孔的佈局圖形,如圖2J所示多孔的佈局圖形示意圖,佈局圖形線路208上有兩個形成連接電路的佈局圖形211,212;如圖2K所示在佈局圖形線路208上形成有多個佈局圖形213,214,215,216,當有任何缺陷產生,這些多孔的線路設計可降低開路或短路的風險。
圖3顯示為本發明中以電腦系統實現智慧型隨機缺陷採樣引擎的功能模組圖,其中所示為本發明系統中處理缺陷識別的缺陷採樣子系統,同樣以電腦系統所實現。於本發明中,缺陷採樣子系統實現為一電腦軟體實現的智慧型隨機缺陷採樣引擎(intelligent random defect sampling software engine)300,其中根據功能區分為以下幾個軟體模組。
軟體模組主要有缺陷篩選模組(defect screen module)301、缺陷分類模組(defect classification module)302以及缺陷採樣模組(defect sampling module)303。特別可用以處理如圖1所示步
驟108中診斷設備異常與製程缺陷的目的。
缺陷篩選模組301實現篩選出非致命缺陷(non-killer defect)311與致命缺陷(killer defect)的技術312,篩選致命缺陷的方式可透過設定一篩選門檻,大於此門檻的即視為致命缺陷,低於此門檻的即為非致命缺陷。相關篩選技術可參考如本案相同申請人所取得的美國專利第號8,312,401號(申請日:2011年1月13日;申請號:13/005,932)。對於其中可根據基於佈局的缺陷圖形群組(layout based defect pattern groups)而設定的一致命缺陷指數(killer defect index)作為判斷門檻,根據此指數門檻判斷所取得的缺陷圖形的致命缺陷圖形種類,如高風險致命缺陷(致命缺陷指數較高,high risk killer defect)容易造成晶粒失敗;以及低風險致命缺陷(致命缺陷指數較低,low risk killer defect)則較不易造成晶粒失敗等,於是可以篩選判斷出致命缺陷以及非致命缺陷,非致命缺陷比如無效缺陷(dummy defect)與一種干擾缺陷(nuisance defect)。
缺陷分類模組302則可進行圖形缺陷分類(pattern defect classification)321,包括取得缺陷在記憶體晶片區域(memory cell area)與週邊電路區域(peripheral circuit area)等圖形區域等的圖形;也有發生在元件上的缺陷,比如在N型金氧半導體(NMOS)、P型金氧半導體(PMOS),以及水平與垂直多邊形元件上缺陷的圖形;還有一些特別圖形,如發生在矽鍺(Silicon-germanium,SiGe)、鰭式場效電晶體(FinFET)以及高介電常數(high-k)金屬閘極結構上的缺陷圖形。在分類的過程中,方法之一係利用缺陷座標(defect coordinates)轉換而比對預先已經定義的圖形缺陷,並得到缺陷所屬的層數。
以上所述的晶片區域為形成一個晶粒(die)的區域,比如形成靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、快閃記憶體(Flash)等元件的晶粒,約列於一個晶圓切割後的一
小塊單元面積。
缺陷分類模組302也進行特徵缺陷分類(signature defect classification)322,此軟體模組的採樣技術可以參考本案相同申請人所取得的美國專利第8,312,401號,此採樣方式能夠取得待測物(如晶圓)的特徵圖形,比如線形(line)、簇形(cluster)與甜甜圈形(donut)等。特徵圖形可採樣自光罩缺陷(mask defect)以及晶圓圖特徵圖形缺陷(wafermap signature pattern defect),比對方法之一係比對晶圓圖缺陷圖是否符合已知特徵圖形庫的缺陷圖。相關的篩選技術同樣可參考本案相同申請人所取得的美國專利第8,312,401號。
缺陷分類模組302另針對製程中產生的缺陷分類(製程缺陷分類323),藉此分類製程中的缺陷得到前層缺陷(previous layer’s defect)、隨機顆粒缺陷(random particle defect),以及剩餘缺陷(residue defect)。在比對製程缺陷時,由於製程造成的缺陷應該在各層(layer)都會出現,於是,方法之一係比對目前所在的層數上的缺陷座標是否符合前一層的缺陷座標,藉此可以比對/分類出製程缺陷。
若針對製程中隨機缺陷,方法之一為比對缺陷是否並非特徵缺陷,或是是否為前一層的缺陷,如果不是,就是一種隨機的缺陷。
接著是提出智慧型缺陷採樣引擎中的缺陷採樣模組303,缺陷採樣模組303採用幾種軟體模組如下,如圖顯示至少有風險等級致命缺陷採樣(risk level killer defect sampling)331、索引晶片樣本選擇(index die sample selection)332、設計佈局圖形缺陷樣本選擇(design layout pattern defect sample selection)333、特徵缺陷採樣(signature defect sampling)334,以及製程缺陷採樣(process defect sampling)335。
依照上述的本案相同申請人所取得的美國專利第8,312,401號
(名稱為”Method For Smart Defect Screen And Sample”)以及中華民國發明第I402928號(名稱為「智慧型缺陷篩選及取樣方法」)所揭示致命缺陷指數(Killer Defect Index,KDI)分析,這部分將KDI值依風險等級致命缺陷採樣331根據風險等級(risk level)採樣出高低風險的致命缺陷,並能針對區分出有高風險致命缺陷(high risk killer defect)、中風險致命缺陷(medium risk killer defect)、低風險致命缺陷(low risk killer defect),以及極低風險致命缺陷(negligible risk killer defect)。例如當風險趨近於1時,表示造成晶粒失敗的機率極高;當風險趨近於0,表示缺陷為一種非致命缺陷,比如無效缺陷(dummy defect)或為一種干擾缺陷(nuisance defect)。以上所述風險可以一致命缺陷指數(killer defect index)表示。區分的標準比如設有如前述的致命缺陷指數(killer defect index),從0至1,能根據此指數門檻界定出的範圍判斷所取得的缺陷圖形的致命缺陷圖形種類。
索引晶片樣本選擇332主要是依據一個選擇規則,依據優先順序(priority)決定所要採樣缺陷的晶圓圖,接著進行設計佈局圖形樣本選擇333,此為針對從晶片設計公司所取得的佈局圖進行選擇採樣,經選擇晶圓圖以及設計佈局等的樣本後,即針對晶圓圖上的缺陷執行特徵缺陷採樣334,並能針對製程與設備產生的缺陷進行採樣,如製程缺陷採樣335。在此智慧型隨機缺陷採樣引擎300子系統中設有多種資料庫,比如:前置處理資料庫(pre-processed GDS data library)31為儲存設計檔案的資料庫,包括圖形資料;索引晶片或區間晶圓圖影像庫(index die wafermap or reticle shot wafermap library)32為記載晶圓等待測物圖形的資料庫;設計佈局庫(design layout library)33為記載晶片設計公司所取得的佈局圖;缺陷檢測資料庫(defect inspection data library)34為記載由晶圓廠或製程廠利用檢測工具所取得的缺陷檢測資料;致命缺陷指數資料庫(killer defect index data library)35則
是記載了各種致命缺陷指數資料。
在缺陷分類之後,系統進行致命缺陷採樣,流程可參考圖4所示隨機致命缺陷採樣的實施例流程。
致命缺陷採樣(401)包括引用一致命缺陷指數(killer defect index,KDI)決定缺陷風險(402),再根據缺陷風險等級(defect risk level)進行採樣(403)。舉例來說,根據實施例之一,可以對高風險致命缺陷(high risk killer defect)採樣較多的樣本;對中風險致命缺陷(medium risk killer defect)採樣較少的樣本;對低風險致命缺陷(low risk killer defect)採樣最少的樣本;以及對極低風險致命缺陷(negligible risk killer defect)幾乎不做採樣,或僅採用極少的樣本。
接著如步驟404,進行索引晶片的採樣,採樣範圍包括在晶圓圖上的索引晶片分佈,以及根據優先順序採樣高風險缺陷、特徵缺陷、已定義圖形缺陷(defined pattern defect)與製程缺陷。
步驟405顯示對已定義的圖形缺陷進行採樣,涵蓋多數的圖形缺陷,並同樣依據優先順序採樣高風險缺陷、特徵缺陷、已定義圖形缺陷與製程缺陷。
再如步驟406,進行特徵缺陷採樣,包括採樣一些光罩缺陷(mask defect),以及晶圓圖特徵圖形缺陷(wafermap signature pattern defect)。
在步驟407中,執行製程缺陷採樣,特別是採樣目前之前一層缺陷,僅須一些代表性的缺陷即可,為的是如步驟408所述,可以經比對後採樣隨機的製程缺陷。
圖5接著顯示智慧型系統缺陷採樣引擎的功能模組圖。
圖中顯示的智慧型系統性缺陷採樣引擎500為以硬體電路或是軟體實現,其中執行缺陷篩選、分類與採樣的相關功能模組有缺陷篩選模組501、缺陷分類模組502與缺陷採樣模組503。可用以執行如圖1步驟106診斷系統性缺陷圖形與其佈局的目的。
缺陷篩選模組501執行缺陷篩選,並建立缺陷佈局圖形組(defect layout pattern group)(511),相關方法可參考本案相同申請人所取得的美國專利第號8,312,401號(專利名稱:Method for smart defect screen and sample)。
缺陷分類模組502對前述缺陷佈局圖形組進行圖形區域的分類(521),可以透過比對而得到記憶體晶片區域(memory cell area)的缺陷佈局圖形組,以及週邊電路區域(peripheral circuit area)缺陷佈局圖形組。
缺陷採樣模組503則繼續針對分類的缺陷佈局進行採樣(531),實施例為根據一種巴萊多分佈(Pareto chart distribution)進行缺陷佈局圖形組採樣,比如採樣目標為發生缺陷機率較高的部分進行大部分採樣,對於缺陷機率相對較少的則進行較少的採樣。
缺陷採樣模組503引入基於弱點圖形的失敗機率的關鍵區域分析(critical area analysis,CAA)採樣指數,這是一種致命缺陷的指數,藉此對可能造成開路或短路失效等關鍵的缺陷佈局圖形群進行採樣(532)。
接著引用一種統計製程控制機率指數(SPC probability index),藉此定義出依照缺陷機率的缺陷採樣基礎窗(533),描述如后,可以對缺陷機率高的範圍進行採樣。以及,缺陷採樣模組503進行索引晶片缺陷採樣(534),能決定所要採樣缺陷的晶圓圖。
此例智慧型系統性缺陷採樣引擎500所採樣的資料庫分述如下。
首先如一影像資料庫51,其中儲存設計圖形檔案,比如一種積體電路(IC)設計業界的圖形標準GDS(graphic database system),其中記載了幾何圖形、文字、標籤與一些設計佈局的資訊,可以重建積體電路設計中各層的佈局。
此例智慧型系統性缺陷採樣引擎500中設有儲存測試晶圓圖
與索引晶片的晶圓圖的資料庫,如所示的以焦點曝光矩陣(FEM)技術、製程窗資格(PWQ)或是一般缺陷採樣程序中取得檢測的晶圓圖資料庫52,提供在缺陷採樣程序中的檢測資料。
智慧型系統性缺陷採樣引擎500更設有設計公司之設計佈局資料庫(library for design layout from design house)53,以及以檢測工具(inspection tool)自製程廠或晶圓廠取得的檢測資料,載於缺陷檢測資料庫(library for defect inspection datafrom Fab)54。
另提供一缺陷佈局圖形組資料庫(library for defect layout pattern group)51,其中除缺陷佈局圖形組以外,更記載決定缺陷風險的致命缺陷指數(KDI)以及統計製程控制機率指數(SPC probability index),其中統計製程控制機率用以設定一缺陷採樣的範圍前述智慧型系統性缺陷採樣引擎500的缺陷分類模組502所執行的系統性缺陷分類步驟可參考圖6所示之流程。
流程一開始,如步驟601,經缺陷篩選(501)並建立缺陷佈局圖形組之後,相關方法可參考本案相同申請人所取得的美國專利第號8,312,401號,缺陷分類模組也取得缺陷佈局圖形組,再如步驟602,以軟體方法定義新的圖形佈局區域(pattern layout area),例如可以圖形處理工具選取晶圓佈局中的幾層,經結合又形成新的佈局圖形。
這些新定義的圖形佈局區域比如:記憶體晶片佈局區域(memory cell layout area)、週邊電路佈局區域(peripheral circuit layout area)、N型金氧半導體(NMOS)與P型金氧半導體(PMOS)佈局區域、垂直與水平多邊圖形佈局區域(vertical and horizontal polygon layout area)、場效應電晶體(FinFET)佈局區域,實際應用並不限於這裡所述的幾種區域。
之後,如步驟603,將上述新定義的各種缺陷佈局區域分類,以取得系統性缺陷佈局圖形組。因此可以分類得到記憶體晶片區
域缺陷佈局圖形組(memory cell area defect layout pattern group)、週邊電路區域缺陷佈局圖形組(peripheral circuit area defect layout pattern group)、N型金氧半導體區域缺陷佈局圖形組(NMOS area defect layout pattern group)、P型金氧半導體區域缺陷佈局圖形組(PMOS area defect layout pattern group)、垂直多邊區域缺陷佈局圖形組(vertical polygon area defect layout pattern group)、水平多邊區域缺陷佈局圖形組(horizontal polygon area defect layout pattern group)以及場效應電晶體區域缺陷佈局圖形組(FinFET area defect layout pattern group)。
前述智慧型系統性缺陷採樣引擎500的缺陷採樣模組503所執行的系統性缺陷採樣步驟可參考圖7所示之流程。
一開始,先取得如圖6各步驟分類取得的各區域缺陷佈局圖形組(71),於是執行系統性缺陷採樣的步驟。
各類型態的缺陷採樣方法包括,如步驟72,針對缺陷佈局圖形組(defect layout pattern group)採樣,其中設有一門檻,根據前述的巴萊多分佈(Pareto chart distribution)對大於此門檻的分佈區域進行缺陷佈局圖形組採樣;並可分別對各類型缺陷佈局圖形組執行分類,各類型缺陷佈局圖形組即前述經分類得到的記憶體晶片區域缺陷佈局圖形組、週邊電路區域缺陷佈局圖形組、N型金氧半導體區域缺陷佈局圖形組、P型金氧半導體區域缺陷佈局圖形組、垂直多邊區域缺陷佈局圖形組、水平多邊區域缺陷佈局圖形組以及場效應電晶體區域缺陷佈局圖形組。
針對系統性致命缺陷的採樣可參考步驟73,引入致命缺陷指數(KDI),評估各缺陷佈局圖形組的致命缺陷指數,並據此依序從高致命缺陷指數到低致命缺陷指數執行採樣。如步驟74,基於缺陷佈局圖形組的風險等級(risk level)得到缺陷佈局圖形組的順序以及數量(quantity),並由高風險(高致命缺陷指數)至低風險(低致命缺陷指數)的缺陷佈局圖形組執行採樣。
步驟75描述系統性致命缺陷的採樣步驟,可以依據統計製程控制機率(SPC possibility)決定缺陷採樣的優先順序,於是,系統再根據基礎窗(baseline)區分為高統計製程控制機率(high SPC)與低統計製程控制機率(low SPC)。基礎窗所設定的某個機率範圍內將可採樣得到較多操作資料(operation data),於是可以在基礎窗向外設定某個採樣資料的位移範圍(sigma),依此設為高統計製程控制機率區域;相對地,在以上選取範圍之外則可設為低統計製程控制機率區域。於是,此步驟可以根據高低統計製程控制機率的區域執行系統性缺陷採樣。
再如步驟76,同樣可在晶圓圖上設定基礎窗,以及向外的某位移範圍,據此執行索引晶片採樣,可以在選取區域內取得較多的索引晶片;在其外取得較少的索引晶片。
以上所述統計製程控制機率分佈圖可參考圖8,其中顯示統計製程控制機率指數(SPC probability index)為定義出缺陷採樣的基礎窗(baseline)的參考,此例顯示為標準的高斯分佈圖(Gaussian distribution),縱軸顯示為機率(probability),橫軸為相對於中點的向外位移值。舉例來說,取得可以採樣較多操作資料(operation data)的基礎窗(baseline)可設定在機率95%的範圍中,接著可以向外設定要採樣資料的位移範圍,比如延及99%的範圍內。
在本發明的缺陷採樣方法中,如圖9所示,此為描述判斷基礎窗與向外位移情況的實施例流程。
首先如步驟91,系統先輸入一臨界尺度分佈(Critical Dimension Distribution)資料,並判斷在此分佈內判斷臨界尺度的平均與標準差,如步驟92。步驟接著依據上述圖8所描述的統計製程控制機率分佈,以決定在某一採樣範圍(基礎窗加上特定位移尺度,如2-3 sigma),並決定統計製程控制機率(SPC probability)指數,如步驟93;在另一方面,可以透過焦點曝光矩陣(FEM)或/與製程窗資格(PWQ)等軟體工具設定得到映射對應的臨界尺
度資料,如設定對應臨界尺度分佈資料的X、Y座標參數,如步驟94,系統即依據以上步驟所判斷的採樣範圍與機率指數於缺陷採樣程序中取得缺陷檢測資料。據此,系統因此可以判斷基礎窗(baseline)與位移(shift)狀態,如步驟95,以判斷出基礎狀態(基礎窗內,步驟96),以及判斷基準窗以外位移狀態,如步驟97。
上述針對臨界尺度分佈資料來判斷基礎窗與位移尺度的技術中,特別是在晶圓上晶片製成尺寸縮小時,臨界尺度(Critical Dimension,CD)的控制對微影製程為重要的因素,較佳的臨界尺度控制可改善晶片特性與製程,良率可以提昇。
在圖10所描述以電腦系統實現的缺陷特徵圖形的分類及採樣引擎100中,主要包括幾個軟體模組,如缺陷篩選模組1001、缺陷分類模組1002以及缺陷採樣模組1003,示意圖顯示可包括已知缺陷特徵晶圓圖採樣1003a以及未知缺陷特徵晶圓圖採樣1003b。特別可用以執行如圖1所示步驟110中診斷設備異常的目的。
系統執行隨機缺陷分類及採樣時,依照功能可分為幾個軟體模組,系統可以從已知缺陷特徵晶圓圖庫1006、由製程廠端的缺陷檢測工具所取得的缺陷檢測數據庫1007,以及未知缺陷特徵晶圓圖庫1008等取得相關缺陷數據,分別執行如示意圖顯示的已知缺陷特徵晶圓圖分類1002a、一般缺陷晶圓圖分類1002b,以及未知缺陷特徵晶圓圖分類1002c。
實現前述缺陷特徵圖形的分類及採樣引擎的其中之一實施例中,如本揭露書所載發明提出的一種電腦可讀取儲存媒體,其中儲存執行智慧型缺陷分類採樣方法的軟體模組,執行於一電腦系統中,以基於一弱點圖形的失敗機率的關鍵區域分析執行採樣,以採樣取得弱點缺陷圖形,包括得到可能造成開路或短路的缺陷佈局圖形群,其中軟體模組包括:一缺陷篩選模組(如圖10,1001),係設有一致命缺陷指數,
可根據致命缺陷指數判斷出待測物上的缺陷圖形中的致命缺陷圖形種類;一缺陷分類模組(如圖10,1002),用以分類圖形缺陷分類;以及一缺陷採樣模組(如圖10,1003),用以執行風險等級致命缺陷採樣,可以根據一風險等級採樣出高低風險的致命缺陷。於是,透過此軟體模組執行索引晶片樣本選擇,能依據優先順序決定所要採樣缺陷的晶圓圖,並執行設計佈局圖形缺陷樣本選擇,以針對從晶片設計公司所取得的佈局圖進行選擇採樣,接著針對晶圓圖上的缺陷執行特徵缺陷採樣以及製程缺陷採樣,以針對製程與設備產生的缺陷進行採樣。
圖10實現本揭露書所揭示的智慧型缺陷分類採樣方法與相關系統時,更進一步地,在相關軟體模組內,更包括有一網頁介面模組,如實現執行於電腦系統內的網頁瀏覽器,藉此啟始執行智慧型缺陷分類採樣方法的使用者介面。網頁介面模組,啟始之缺陷分析圖形使用者介面包括一顯示區域,用以顯示多個晶圓缺陷圖(g1、g2、gn),以及多個執行缺陷分析功能的選擇鍵(111,112,113),其中各晶圓缺陷圖顯示屬於不同群組的缺陷圖形。
使用者介面實施例可參考圖11所示實現本發明的使用者介面示意圖。
圖中顯示為一終端的瀏覽系統,由電腦系統實現的缺陷分析圖形使用者介面(GUI)設計,如一網頁或是特定軟體啟始的圖形介面,由伺服系統實現的GUI軟體系統管理,其他不排除有終端使用者電腦的電腦滑鼠、觸控面板與儲存裝置等設備。
在此實施例中,如圖顯示在一顯示區域中呈現出經過前述方法得出的已知或未知的缺陷圖形,透過顯示區域顯示有多個晶圓缺陷圖,如晶圓缺陷圖1(g1)、晶圓缺陷圖2(g2)、晶圓缺陷圖n(gn)等,一側則設有以軟體程式實現的圖形按鈕,分別執行過濾(過濾按鈕111)、選擇(選擇按鈕112)與合併(合併按鈕113)的功能。
經由軟體實現以上缺陷篩選模組(如圖3,301)的功能,將缺陷資料如缺陷、缺陷圖形、缺陷圖形群組等執行過濾(filter defect,filter defect pattern group)的步驟;將分屬不同群組而缺陷圖形相似的缺陷可以合併(merge defects,merge defect pattern groups)功能合併;或可以選擇取樣(select sample defect,select sample defect pattern group)實現上述缺陷採樣模組(如圖3,303)選擇缺陷圖形群組的功能。
根據操作的實施方式,使用者從可電腦螢幕上瀏覽缺陷圖形或缺陷圖形群組,同時判斷不會造成失敗的致命缺陷或系統缺陷可能性的缺陷圖形群組,可以電腦滑鼠或手指點選,亦即按下過濾按鈕111(可以電腦圖形(icon)顯示)將其篩選掉,或是使用者從電腦螢幕上瀏覽缺陷圖形群組時,判斷會造成失敗的致命缺陷或系統缺陷可能性的缺陷圖形群組,由程式執行過濾的動作按下選擇按鈕112,由軟體程式執行選擇取樣(select sample)的步驟。
更者,使用者亦可判斷數個不同缺陷圖形群組因缺陷位置關係被分開,但圖形相似或一致被判斷可以歸類成同一群組,以電腦滑鼠或手指點選,亦即按下合併(merge)按鈕113,由程式執行合併的動作。
在另一實施方式中,使用者可從電腦螢幕上瀏覽缺陷群組的晶圓圖缺陷分佈時,判斷是不是有涵蓋在基礎窗的缺陷造成系統缺陷可能性,可以電腦滑鼠或手指點選,亦即按下過濾按鈕111即將其篩選掉,或選擇按鈕112執行過濾篩選的動作或選擇取樣的動作。
如上述透過GUI設計執行缺陷分析的系統,可以軟體方法執行過濾、合併以及選擇取樣功能,可增加失敗的致命缺陷或弱點缺陷圖形群組取樣的準確性、多樣性以及效率。
是以,本發明所揭示的以硬體或軟體實現的智慧型缺陷分類
採樣方法與系統適用在晶圓或製程廠的多個不同製程階段中,包括在組裝程序(如立體晶片封裝程序、晶圓凸塊製程等)中、光罩廠或是印刷電路板、載板、軟板、平面顯示面板、發光二極體製程,甚至是太陽能電池製程中。在方法中,掃描各類待測物取得缺陷圖案、篩選掉非致命缺陷圖案,再經圖形識別後取得缺陷特徵圖形,之後再以缺陷採樣得到會影響製程失敗的有意義的缺陷,透過發明所載的方法與系統可以提昇取得缺陷特徵圖形與缺陷採樣的速度,達到智慧型缺陷圖形識別、採樣以診斷缺陷的目的。
以上所述僅為本發明之較佳可行實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
g1‧‧‧晶圓缺陷圖1
g2‧‧‧晶圓缺陷圖2
gn‧‧‧晶圓缺陷圖n
111‧‧‧過濾按鈕
112‧‧‧選擇按鈕
113‧‧‧合併按鈕
Claims (19)
- 一種以一電腦系統實現應用於一晶圓廠或一製程廠中的智慧型缺陷分類採樣系統,包括:一缺陷採樣子系統,包括:一缺陷篩選模組,係設有一致命缺陷指數,根據該致命缺陷指數判斷出一待測物之缺陷圖形中的致命缺陷圖形種類;一缺陷分類模組,進行圖形缺陷分類;一缺陷採樣模組,執行風險等級致命缺陷採樣,以根據一風險等級採樣出高低風險的致命缺陷;執行索引晶片樣本選擇,依據一優先順序決定所要採樣缺陷的晶圓圖;執行設計佈局圖形缺陷樣本選擇,以針對從晶片設計公司所取得的佈局圖進行選擇採樣;針對晶圓圖上的缺陷執行特徵缺陷採樣;以及製程缺陷採樣,以針對製程與設備產生的缺陷進行採樣;藉此,執行採樣取得弱點缺陷圖形,其中係基於一弱點圖形的失敗機率的關鍵區域分析執行採樣,以得到可能造成開路或短路的缺陷佈局圖形群。
- 如請求項1所述的智慧型缺陷分類採樣系統,其中該致命缺陷指數較高者為高風險致命缺陷;該致命缺陷指數較低者為低風險致命缺陷。
- 如請求項1所述的智慧型缺陷分類採樣系統,其中該缺陷分類模組分類有在晶片區域與週邊電路區域的缺陷圖形、在N型金氧半導體上的缺陷圖形、在P型金氧半導體上的缺陷圖形、在水平與垂直多邊形元件上的缺陷圖形,或在電晶體之金屬閘極結構上的缺陷圖形。
- 如請求項1所述的智慧型缺陷分類採樣系統,其中該缺陷分類模組分類製程中產生的缺陷,以得到前層缺陷、隨機顆粒缺陷 以及剩餘缺陷。
- 如請求項1所述的智慧型缺陷分類採樣系統,其中該缺陷採樣模組以一致命缺陷指數作為門檻判斷缺陷圖形的致命缺陷圖形種類。
- 如請求項1所述的智慧型缺陷分類採樣系統,其中更包括一前置處理資料庫,用以儲存設計檔案的資料庫;一索引晶片或區間晶圓圖影像庫,用以記載該待測物圖形的資料庫;一設計佈局庫,為記載晶片設計公司所取得的佈局圖;一缺陷檢測資料庫,為記載由該晶圓廠或該製程廠利用一檢測工具取得的缺陷檢測資料;一致命缺陷指數資料庫,用以記載各種致命缺陷指數資料。
- 一種應用於如請求項1所述之智慧型缺陷分類採樣系統的智慧型缺陷分類採樣方法,包括:以一電腦系統取得一晶圓廠或一製程廠在線掃描取得之一缺陷檢測檔案;執行一缺陷檢測工具,以自掃描取得待測物的缺陷圖形;以一缺陷圖形識別引擎於該缺陷圖形中識別出缺陷特徵圖形,其中係以一影像處理手段尋得該缺陷圖形的輪廓,進行幾何識別,並儲存所識別出的缺陷特徵圖形;以及以一瀏覽系統顯示該缺陷圖形。
- 如請求項7所述的智慧型缺陷分類採樣方法,其中於該瀏覽系統顯示該缺陷特徵圖形時,於識別出該缺陷特徵圖形時,產生一警報。
- 如請求項7所述的智慧型缺陷分類採樣方法,其中更以該影像處理手段執行區分經掃描取得的缺陷影像為多個區域、影像清晰處理,以及缺陷圖形尋邊,以尋找該缺陷圖形的輪廓。
- 一種應用於如請求項1所述之智慧型缺陷分類採樣系統的智慧型缺陷分類採樣方法,包括: 以一電腦系統取得一晶圓廠或一製程廠在線掃描取得之一缺陷檢測檔案;執行一缺陷檢測工具,以自掃描取得待測物的缺陷圖形;執行採樣,以取得弱點缺陷圖形,其中係基於一弱點圖形的失敗機率的關鍵區域分析執行採樣,以得到可能造成開路或短路的缺陷佈局圖形群;以及以一瀏覽系統顯示該缺陷圖形。
- 如請求項10所述的智慧型缺陷分類採樣方法,其中於得到該缺陷圖形前,先篩選掉非致命缺陷,以得到致命的缺陷圖形。
- 如請求項10所述的智慧型缺陷分類採樣方法,其中於該採樣步驟中,係取得該缺陷佈局圖形群的平均關鍵區域分析採樣指數大於所設的一門檻者。
- 如請求項10所述的智慧型缺陷分類採樣方法,其中該採樣的方法採取焦點曝光矩陣(FEM)技術或製程窗資格(PWQ)驗證其中弱點缺陷圖形。
- 如請求項13所述的智慧型缺陷分類採樣方法,其中,於採樣時,設有一基礎窗,以落於該基礎窗內的操作資料進行採樣。
- 如請求項14所述的智慧型缺陷分類採樣方法,其中更以該基礎窗外一個位移參數區域內的操作資料進行採樣。
- 如請求項14或15所述的智慧型缺陷分類採樣方法,其中該基礎窗或是加上該一個位移參數區域係根據一常態分佈機率的特徵、統計製程控制原理(SPC)以及在一最適條件下而設定。
- 一種電腦可讀取儲存媒體,其中儲存執行智慧型缺陷分類採樣方法的軟體模組,執行於一電腦系統中,以基於一弱點圖形的失敗機率的關鍵區域分析執行採樣,以採樣取得弱點缺陷圖形,包括得到可能造成開路或短路的缺陷佈局圖形群,其中該軟體模組包括:一缺陷篩選模組,係設有一致命缺陷指數,根據該致命缺陷 指數判斷出一待測物上的缺陷圖形中的致命缺陷圖形種類;一缺陷分類模組,進行圖形缺陷分類;以及一缺陷採樣模組,執行風險等級致命缺陷採樣,以根據一風險等級採樣出高低風險的致命缺陷;執行索引晶片樣本選擇,依據一優先順序決定所要採樣缺陷的晶圓圖;執行設計佈局圖形缺陷樣本選擇,以針對從晶片設計公司所取得的佈局圖進行選擇採樣;針對晶圓圖上的缺陷執行特徵缺陷採樣;以及製程缺陷採樣,以針對製程與設備產生的缺陷進行採樣。
- 如請求項17所述的電腦可讀取儲存媒體,其中該軟體模組更包括:一網頁介面模組,啟始一缺陷分析圖形使用者介面,包括一顯示區域,用以顯示多個晶圓缺陷圖,以及多個執行缺陷分析功能的選擇鍵,其中各晶圓缺陷圖顯示屬於不同群組的缺陷圖形。
- 如請求項18所述的電腦可讀取儲存媒體,其中該選擇鍵包括:用以執行缺陷篩選的一過濾按鈕;用以將分屬不同群組而缺陷圖形相似的缺陷合併的一合併按鈕;以及執行選擇取樣的一選擇按鈕。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105102190A TWI564741B (zh) | 2016-01-25 | 2016-01-25 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
US15/171,530 US10228421B2 (en) | 2016-01-25 | 2016-06-02 | Method and system for intelligent defect classification and sampling, and non-transitory computer-readable storage device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105102190A TWI564741B (zh) | 2016-01-25 | 2016-01-25 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI564741B TWI564741B (zh) | 2017-01-01 |
TW201727518A true TW201727518A (zh) | 2017-08-01 |
Family
ID=58407805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105102190A TWI564741B (zh) | 2016-01-25 | 2016-01-25 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10228421B2 (zh) |
TW (1) | TWI564741B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI671838B (zh) * | 2018-07-17 | 2019-09-11 | 敖翔科技股份有限公司 | 半導體廠缺陷作業系統及裝置 |
TWI769633B (zh) * | 2020-12-22 | 2022-07-01 | 鴻海精密工業股份有限公司 | 圖像瑕疵檢測方法、裝置、電腦裝置及介質 |
TWI782589B (zh) * | 2021-06-23 | 2022-11-01 | 力晶積成電子製造股份有限公司 | 晶圓搜尋方法及裝置 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9846934B2 (en) | 2015-04-13 | 2017-12-19 | Anchor Semiconductor Inc. | Pattern weakness and strength detection and tracking during a semiconductor device fabrication process |
TWI641960B (zh) * | 2017-04-05 | 2018-11-21 | 敖翔科技股份有限公司 | 設計佈局的失效風險的智慧型預診斷系統及方法 |
US20180300872A1 (en) * | 2017-04-12 | 2018-10-18 | Ngr Inc. | Method And Apparatus For Integrated Circuit Pattern Inspection With Automatically Set Inspection Areas |
TWI641961B (zh) * | 2017-07-21 | 2018-11-21 | 敖翔科技股份有限公司 | 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統 |
US11037286B2 (en) * | 2017-09-28 | 2021-06-15 | Applied Materials Israel Ltd. | Method of classifying defects in a semiconductor specimen and system thereof |
KR20190073756A (ko) | 2017-12-19 | 2019-06-27 | 삼성전자주식회사 | 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템 |
US11514357B2 (en) | 2018-03-19 | 2022-11-29 | Kla-Tencor Corporation | Nuisance mining for novel defect discovery |
CN110727247B (zh) * | 2018-07-17 | 2022-10-04 | 敖翔科技股份有限公司 | 半导体厂缺陷操作***及装置 |
KR102641682B1 (ko) * | 2019-02-20 | 2024-02-27 | 에이에스엠엘 네델란즈 비.브이. | 반도체 디바이스의 제조 프로세스를 특성화하기 위한 방법 |
CN114730354A (zh) * | 2019-12-23 | 2022-07-08 | 美商新思科技有限公司 | 基于网络的晶片检查 |
CN112991268B (zh) * | 2021-02-09 | 2021-12-14 | 上海众壹云计算科技有限公司 | 晶圆上目标缺陷的快速筛查方法及其装置、***、存储介质和电子设备 |
CN112819799B (zh) * | 2021-02-09 | 2024-05-28 | 上海众壹云计算科技有限公司 | 目标缺陷检测方法及装置、***、电子设备和存储介质 |
CN117607593A (zh) * | 2023-08-10 | 2024-02-27 | 南通三喜电子有限公司 | 一种基于大数据的电容器分析方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7602962B2 (en) * | 2003-02-25 | 2009-10-13 | Hitachi High-Technologies Corporation | Method of classifying defects using multiple inspection machines |
US7676077B2 (en) * | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
TWI433246B (zh) * | 2008-01-31 | 2014-04-01 | Hermes Microvision Inc | 半導體積體電路之缺陷複查裝置 |
US8312401B2 (en) * | 2011-01-13 | 2012-11-13 | Elitetech Technology Co., Ltd. | Method for smart defect screen and sample |
US8607169B2 (en) * | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
US9129237B2 (en) * | 2011-12-28 | 2015-09-08 | Elitetech Technology Co., Ltd. | Integrated interfacing system and method for intelligent defect yield solutions |
TWI534646B (zh) * | 2013-05-20 | 2016-05-21 | 敖翔科技股份有限公司 | 智慧型弱點圖形診斷方法、系統與電腦可讀取記憶媒體 |
-
2016
- 2016-01-25 TW TW105102190A patent/TWI564741B/zh active
- 2016-06-02 US US15/171,530 patent/US10228421B2/en active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI671838B (zh) * | 2018-07-17 | 2019-09-11 | 敖翔科技股份有限公司 | 半導體廠缺陷作業系統及裝置 |
TWI769633B (zh) * | 2020-12-22 | 2022-07-01 | 鴻海精密工業股份有限公司 | 圖像瑕疵檢測方法、裝置、電腦裝置及介質 |
TWI782589B (zh) * | 2021-06-23 | 2022-11-01 | 力晶積成電子製造股份有限公司 | 晶圓搜尋方法及裝置 |
US11960814B2 (en) | 2021-06-23 | 2024-04-16 | Powerchip Semiconductor Manufacturing Corporation | Wafer searching method and device |
Also Published As
Publication number | Publication date |
---|---|
TWI564741B (zh) | 2017-01-01 |
US10228421B2 (en) | 2019-03-12 |
US20170212168A1 (en) | 2017-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI564741B (zh) | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 | |
US11935722B2 (en) | Machine learning on wafer defect review | |
US10754309B2 (en) | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow | |
US11016035B2 (en) | Smart defect calibration system and the method thereof | |
US7760929B2 (en) | Grouping systematic defects with feedback from electrical inspection | |
JP5405453B2 (ja) | 設計データ領域での検査データの位置を決める方法と装置 | |
TW202240457A (zh) | 半導體製作製程控制之系統及方法,以及電腦程式產品 | |
US10719655B2 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database | |
JP2010537199A (ja) | 実際の欠陥が潜在的にシステム的な欠陥であるか、または潜在的にランダムな欠陥であるかを判断する、コンピューターに実装された方法 | |
TWI534646B (zh) | 智慧型弱點圖形診斷方法、系統與電腦可讀取記憶媒體 | |
TWI641960B (zh) | 設計佈局的失效風險的智慧型預診斷系統及方法 | |
TWI733221B (zh) | 系統性故障定位系統及系統性故障定位的方法 | |
JP5068591B2 (ja) | 半導体欠陥分類方法、半導体欠陥分類装置、半導体欠陥分類装置のプログラム、半導体欠陥検査方法、および、半導体欠陥検査システム | |
KR102515237B1 (ko) | 웨이퍼 검사 임계 영역의 생성을 위한 시스템 및 방법 | |
JP2011023638A (ja) | 検査領域設定方法 | |
TWI710891B (zh) | 用於界定設計資料之重複結構中之關注區域之系統及方法 | |
US20130252350A1 (en) | System and method for generating care areas for defect inspection | |
WO2021184526A1 (zh) | 检测对象缺陷图案的优先级排序装置、排序方法及存储介质 | |
JP2010071996A (ja) | 欠陥解析方法、プログラム及び電子デバイスの製造方法 |