TW202036641A - 用於3d-nand的cdsem度量的方法、系統及電腦程式產品 - Google Patents
用於3d-nand的cdsem度量的方法、系統及電腦程式產品 Download PDFInfo
- Publication number
- TW202036641A TW202036641A TW108139723A TW108139723A TW202036641A TW 202036641 A TW202036641 A TW 202036641A TW 108139723 A TW108139723 A TW 108139723A TW 108139723 A TW108139723 A TW 108139723A TW 202036641 A TW202036641 A TW 202036641A
- Authority
- TW
- Taiwan
- Prior art keywords
- steps
- image
- semiconductor structure
- rough
- line
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000004590 computer program Methods 0.000 title description 28
- 239000004065 semiconductor Substances 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 239000002245 particle Substances 0.000 claims abstract description 22
- 238000004886 process control Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 34
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 78
- 238000005259 measurement Methods 0.000 description 66
- 230000006870 function Effects 0.000 description 35
- 238000001514 detection method Methods 0.000 description 34
- 238000001878 scanning electron micrograph Methods 0.000 description 31
- 238000007689 inspection Methods 0.000 description 13
- 235000012431 wafers Nutrition 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013488 ordinary least square regression Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012883 sequential measurement Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/421—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation by analysing segments intersecting the pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30—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)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Abstract
一種用於藉由一連串製造步驟製造之半導體結構之製程控制的方法,該方法包括獲得指示至少兩個個別製造步驟的半導體結構之影像;其中影像是藉由以帶電粒子束掃描半導體結構並收集自半導體結構發出之訊號而產生;以及藉由硬體處理器處理影像以決定半導體結構之參數,其中處理包括量測來自製造步驟當中作為個別特徵的(若干)台階。
Description
本發明主張2018年11月2日提交之題為「3D-NAND階梯CD SEM度量(3D-NAND STAIRCASE CD SEM METROLOGY)」之美國臨時專利申請案第62/755,155號之優先權,此案之揭示內容據此以引用方式併入。
本發明揭示之標的大體上係關於度量領域,且更特定言之係關於微觀結構之檢查以及用於使此檢查自動化之方法及系統。
3D NAND快閃記憶體為其中記憶體單元在多個層中垂直堆疊的一種快閃記憶體類型。
臨界尺寸掃描電子顯微鏡(亦稱作CDSEM)量測形成於半導體晶圓上之精細圖案的尺寸,且主要用於製程控制-控制半導體之電子元件的生產線。
可執行臨界尺寸量測以支持晶圓製造,例如,
1.在顯影之前或之後光阻圖案的臨界尺寸量測
2.在蝕刻之後對觸點孔直徑/介層孔直徑以及配線寬度的量測。
隨著半導體行業正朝著製造三維結構發展,愈來愈需要開發CD度量的新方法。舉例而言,需要調整常用度量演算法以更好地適合於三維結構之CD影像的分析。
根據本發明揭示之標的之某些態樣,提供一種檢查半導體試樣之改良方法。
根據本發明所揭示之標的之其他態樣,提供一種可用於根據以上方法來檢查半導體試樣的系統。
根據本發明所揭示之標的之其他態樣,提供一種包括指令之非暫時性電腦可讀媒體,當由電腦執行時該等指令使得電腦執行以上方法。
因此提供了至少以下實施例:
實施例1:一種用於藉由複數個(例如,一連串)製造步驟(例如,階梯、VNAND)製造之半導體結構之製程控制的方法及/或系統及/或電腦程式產品,其通常包括獲得指示至少兩個個別製造步驟的半導體結構之影像。可藉由(例如)以帶電粒子束掃描半導體結構來產生影像,且可收集自半導體結構發出之訊號。影像可經處理,包括決定半導體結構之參數。處理通常包括量測來自至少兩個個別製造步驟當中的一或更多個台階,例如,作為個別特徵。
可接收到影像中待決定之預定義數目個台階。可根據經驗設定此些台階之數目,例如,在量測設置階段期間。
一種方法及/或系統及/或電腦程式產品(例如,上述方法及/或系統及/或電腦程式產品)可結合掃描電子顯微鏡(又名SEM)及/或度量演算法來操作,該度量演算法可操作以接收(例如)可帶有圖案之半導體結構或元件之一部分的SEM影像或帶電粒子影像,且可作為回應量測圖案之至少一個參數。圖案通常包括元件中之至少一個線條。參數通常包括至少一個線條之至少一個尺寸。系統可包括經配置用於在半導體結構或元件上執行度量之至少一個處理器。度量可包括
a.接收由SEM產生的元件之至少一個SEM影像;及/或
b.對SEM影像進行影像處理,藉此產生經影像處理之演算法輸入;及/或
c.運行度量演算法,該度量演算法可操作以接收輸入I及/或通常作為回應量測至少一個線條之至少一個尺寸。輸入I可包括經影像處理之演算法輸入而不是半導體結構或元件之一部分的SEM影像。
應了解,產生SEM影像之SEM可用於本文中之任何實施例,或更一般地,可使用帶電粒子顯微鏡,從而產生帶電粒子影像。
實施例2。任何前述實施例(例如,實施例1)之方法及/或系統及/或電腦程式產品,且其中半導體結構或元件包括3D或VNAND半導體結構或元件,該3D或VNAND半導體結構或元件包括具有多個台階的階梯以及在階梯下方之觸點,影像包括階梯之至少一部分。
應了解,SEM具有深度限制,因此每一SEM影像通常包括遠少於整個階梯中之複數個台階的台階。
實施例3。任何前述實施例(例如,實施例2)之方法及/或系統及/或電腦程式產品,其中該至少一個尺寸包括階梯中之至少一個台階的至少一個尺寸,該尺寸包括台階長度。
實施例4。任何前述實施例(例如,實施例1)之方法及/或系統及/或電腦程式產品,其中該方法是針對至少一個先前無法執行度量演算法之多層元件執行的。
實施例5。任何前述實施例(例如,實施例2)之方法及/或系統及/或電腦程式產品,其中通常複數個台階中之每一個別台階是單獨地或將其作為單獨特徵或個別特徵進行量測,通常包括:
(a)偵測個別台階,假設階梯具有預定義數目個台階。此偵測可包括找出粗略邊緣,通常產生以台階寬度之準確度來定義台階位置的輪廓,
及/或
(b)找出在個別台階內預定位置處之「線條」(例如,定義台階位置之輪廓)。該「線條」通常包括位於台階附近之輪廓。輪廓可位於台階最左部分至最右部分,而不會影響本文中所述之找出精細輪廓。
及/或
(c)相對於預定位置處之線條來量測個別台階,例如,定義精細輪廓。通常,此產生了台階之最左及最右部分,其可接著用於CD結果估計。通常,此台階量測操作包括使用可使用者經由GUI量測參數定義之參數來估計任何台階的一部分(例如,最左或最右部分)與另一台階之間的距離。通常,在VNAND度量中,量測目標中每一台階之最左部分與第一(最左)台階之最左部分之間的距離。
因此,應了解,僅藉助於實例,在個別台階內之預定位置處的線條可包括個別台階中之最左(或最右)線條。
可在量測設置階段期間根據經驗預定義台階之數目。
實施例6。任何前述實施例(例如,實施例1)之方法及/或系統及/或電腦程式產品,其中度量演算法包括LEA演算法。
實施例7。任何前述實施例(例如,實施例2)之方法及/或系統及/或電腦程式產品,其中度量演算法在複數個台階中之一些(但非全部)上運行。
實施例8。一種與以下各者結合操作之方法:
掃描電子顯微鏡(又名SEM),及/或
一種計量演算法,其可操作以接收可帶有圖案之半導體結構之一部分的SEM影像或帶電粒子影像,並作為回應量測圖案之至少一個參數,其中圖案包括元件中之至少一個線條,且參數包括該至少一個線條之至少一個尺寸,系統包括至少一個處理器,該至少一個處理器經配置用於對半導體結構或元件執行度量,該計量包括經適當排序(例如,如下)之以下操作的全部或其任何子集:
a.接收由元件之SEM產生的至少一個SEM影像,
b.對SEM影像進行影像處理,藉此產生經影像處理之演算法輸入;及
c.運行度量演算法,該度量演算法可操作以接收輸入I,且作為回應量測至少一個線條之至少一個尺寸,且其中輸入I包括經影像處理之演算法輸入而不是半導體結構或元件之一部分的SEM影像。
實施例9。任何前述實施例(例如,實施例1)之方法及/或系統及/或電腦程式產品,其中半導體結構或元件帶有圖案,該圖案具有線條及觸點之交替層,且其中影像處理包括在亦包括線條之至少一個SEM影像中自觸點當中識別出至少一個觸點之至少一部分;以及藉由對SEM影像進行影像處理來遮蔽觸點,藉此產生經預處理之演算法輸入。
可使用任何適當方法來識別觸點或其部分,諸如,HOUGH變換。
實施例10。任何前述實施例(例如,實施例9)之方法及/或系統及/或電腦程式產品,且其中遮蔽產生觸點遮罩,且其中將自保留了影像統計值之分佈中選擇之灰階值指派給遮罩內部之像素,藉此產生經預處理之演算法輸入。
實施例11。任何前述實施例(例如,實施例2)之方法及/或系統及/或電腦程式產品,其中影像處理包括藉由對影像(包括階梯之至少一部分)之SEM影像進行影像處理來識別複數個台階中之至少一個台階,以及對度量演算法進行參數化以使得度量演算法將該台階視為線條。
實施例12。任何前述實施例(例如,實施例1)之方法及/或系統及/或電腦程式產品,其中影像處理包括修飾台階,其包括藉由使台階平滑而將台階轉換成線性曲線。
通常,在元件之整個製造製程中(包括R&D製造之所有階段且包括生產製造),使用單個顯微鏡來產生元件之部分的SEM影像,以用於度量及後續製程控制。
實施例13。任何前述實施例(例如,實施例4)之方法及/或系統及/或電腦程式產品,且亦包括回應於尺寸而對製造多層元件之至少一個層的製程控制。
實施例14。任何前述實施例(例如,實施例13)之方法及/或系統及/或電腦程式產品,其中製程控制回應於分別由L個度量演算法運行產生的L個輸出,該等運行分別在元件之L個層中的每一層中量測線條,且其中運行單個度量演算法L次以分別產生L個演算法輸出。
對於晶片製造商來說,使用單個演算法而不是選擇幾種可用演算法中之一種是有利的,因為其獲得了簡易性。
L度量演算法之每次運行的輸入通常包括一或更多個SEM影像,每一影像包括元件之L個層中至少一者的至少一部分,以及晶片製造商最終使用者經由GUI提供的至少一個參數。
實施例15。任何前述實施例(例如,實施例8)之方法及/或系統及/或電腦程式產品,且亦包括在運行度量演算法之運行時間之前,使用GUI以產生至少一個配方設置,從而定義尺寸度量之至少一個物理態樣。
實施例16。任何前述實施例(例如,實施例15)之方法及/或系統及/或電腦程式產品,其中針對複數個相應晶圓場產生複數個配方設置,包括為第一(又名「中央」)晶圓場產生第一配方設置,以及為除第一場以外的晶圓場產生後續配方設置,該等後續配方設置為對第一配方設置之修飾。
實施例17。任何前述實施例(例如,實施例8)之方法及/或系統及/或電腦程式產品,其中該方法被無條件地執行複數次,例如,無需檢查給定晶圓內之所有場是否具有相同數目個線條。
實施例18。任何前述實施例(例如,實施例8)之方法及/或系統及/或電腦程式產品,其中僅當關於正執行度量之元件的至少一個假設被預先檢查並發現為假時,才執行該方法。
實施例19。任何前述實施例(例如,實施例18)之方法及/或系統及/或電腦程式產品,其中該至少一個假設包括如下假設:給定晶圓的或在給定晶圓內的所有SEM視場具有相同數目個線條。
實施例20。任何前述實施例(例如,實施例18)之方法及/或系統及/或電腦程式產品,其中該至少一個假設包括如下假設:給定晶圓的或在給定晶圓內的所有SEM視場包括線條或觸點,但不同時包括兩者。
實施例21。一種包括指令之非暫時性電腦可讀媒體,該等指令當由電腦執行時使電腦執行任何前述實施例(例如,實施例8)之方法及/或系統及/或電腦程式產品。
實施例22。任何前述實施例(例如,實施例1)之方法及/或系統及/或電腦程式產品,且亦包括藉由自複數個同樣寬的條帶中(每一者具有中央線條且分別包括相應的點數)選擇該等相應點數當中點數最大之個別條帶,而產生至少一個線條之初始估計,以及將初始估計設定為個別條帶之中央線條。
實施例B9。一種可連接至一帶電粒子顯微鏡(Charged Particle Microscope; CPM)或由該帶電粒子顯微鏡(CPM)代管的用於藉由一連串製造步驟製造之一半導體結構之製程控制的系統,包括:
一記憶體;以及
一處理器,其可操作地與該記憶體耦接,以便:
-接收指示至少兩個個別製造步驟的該半導體結構之一影像;其中該影像是由該CPM獲得並藉由以一帶電粒子束掃描該半導體結構並收集自該半導體結構發出之訊號而產生;以及
-藉由量測來自該至少兩個個別製造步驟當中作為一個別特徵的一或更多個台階來處理該影像以決定該半導體結構之一參數。
實施例B10。任何前述實施例(例如,實施例b09)之系統,其中處理器進一步經配置以偵測台階並將該台階變換為線條。實施例B11。任何前述實施例(例如,實施例b10)之系統,其中處理器進一步用以藉由對於一或更多個台階中之每一者獲得最大邊緣寬度參數來偵測台階,其中該最大邊緣寬度參數指示該台階之邊界。
實施例B12。任何前述實施例(例如,實施例b11)之系統,其中將該台階變換為線條包括針對該一或更多個台階中之每一者定義一對粗略邊緣及一對精細邊緣,且其中該處理影像以決定半導體結構之參數包括使用該對粗略邊緣及一對精細邊緣。
實施例B13。任何前述實施例(例如,實施例b11)之系統,其中該最大邊緣寬度參數大致等於一台階之粗略邊緣與例如另一靠近的或最接近的或相鄰的台階的粗略台階之間的最小距離的一半。
實施例B14。任何前述實施例(例如,實施例b010)之系統,其中處理器進一步用以選擇預定數目個台階;
將該等台階中之一者的粗略邊緣設定為錨點位置;以及相對於該錨點位置來量測其他台階之參數。
實施例B15。任何前述實施例(例如,實施例b9)之系統,其中處理器進一步用以藉由(1)將影像分段以生成觸點及(2)使該等觸點與代表影像背景之灰階值相關聯來遮蔽觸點。
本發明所揭示之標的的某些實施例尋求提供改良的CD SEM度量方法,該方法適合於尤其3D-NAND階梯製程之尺寸(例如,臨界尺寸(CD))量測,而同時保留了精度及魯棒性。
習知CD SEM度量將某些已知的CD線條邊緣分析演算法(Line Edge Analysis Algorithms; LEA)用於3D-NAND階梯製程控制。習知CD SEM計量學中用於3D-NAND階梯製程控制之CD線條邊緣分析演算法是基於某些假設,例如:
1.在配方運行當中所有目標中的特徵數目相同。
2.在視野中僅觀察到由SEM訊號所產生的線條,或者視野中僅呈現出某一形狀之特徵(例如,僅呈現出線條)或僅呈現出觸點。
在此些假設下開發此些演算法,然而,此些假設不一定表徵某些使用者情況,例如,某些3D-NAND階梯形成過程台階。舉例而言,與習知假設相反,在階梯之更遠的周邊區域處,在CD SEM影像中觸點圖案可為可見的。
本發明所揭示之標的之某些實施例尋求針對以下情況修改此些演算法:
a.改變特徵數目(與習知CD SEM度量相反,其中假設在配方運行當中所有目標之特徵數目相同),且應分析視野中不同的幾何形狀,
及/或
b. 可在視野中觀察到三維觸點結構(不僅僅是由SEM訊號所產生之線條,如在習知CD SEM度量中所假設)。
根據某些實施例,在由CD SEM度量工具/系統採用之CD SEM量測中,使用與選定區域及位置有關之量測,例如,3D-NAND結構中3D台階中最左邊的線條。線條之間的距離為可能量測之實例。在此些量測中:
(a)每一台階可由任意數目個線條組成;及/或
(b)在視野中可觀察到觸點。
每一階梯台階內部之線條的可變數目是一個問題,又名問題1,其可藉由本文中的某些實施例得到解決。
根據某些實施例,將每一階梯台階視為單獨特徵或個別特徵,且藉由以下來量測:
操作「1-I」。偵測3D台階,假設階梯目標中之3D台階的數目為已知的;及/或
操作1-II。決定每一3D台階中最左邊的線條並將其用於量測。
在觸點環境下的線條偵測亦是一個問題,又名問題2,其可藉由本文中之某些實施例得到解決。
根據某些實施例,該方法消除了來自觸點層之訊號,且接著可使用習知LEA演算法。
該方法可(例如)包括適當地排序(例如,如下)之以下操作的全部或其任何子集:
操作2-I。藉由(例如)分段演算法生成觸點遮罩。
操作2-II。將隨機灰階值指派給遮罩內部之像素,用於保留影像背景統計值。
操作2-III。將本發明LEA演算法用於量測。
根據某些實施例,配置系統邏輯以使得僅當(由系統或由操作員)偵測到或已知或估計問題1適用時執行操作1-I及/或1-II,且僅當(由系統或由操作員)偵測到或已知或估計問題1適用時執行操作2-I及/或2-II及/或2-III。
根據其他實施例,系統邏輯執行操作1-I及/或1-II及/或操作2-I及/或2-II及/或2-III,而無論問題1及/或問題2是否被偵測到或已知或估計為適用的。
本文中之實施例尤其為有利的,因為使用習知演算法對VNAND階梯目標進行量測通常會導致故障,例如,導致錯誤的線條偵測,例如,由於觸點層訊號引起。
某些實施例可在工具上實施。舉例而言,實施例可在CD SEM量測工具之影像處理上實施,例如,作為儲存在CD SEM量測工具之記憶體單元上的指令集合。指令集合可由量測影像處理單元讀取,該量測影像處理單元適用於執行此些指令而同時在整體影像處理中整合指令的執行。
或者,實施例可在硬體上實施,該硬體與CD SEM量測工具或系統分離開但與其通訊。
修改或改良的演算法可包括適當地排序(例如,如下)之以下操作的全部或其任何子集:1. 觸點遮罩生成,2.遮罩應用,及3.邊緣偵測。
此方法可為有利的,(例如)因為該方法在觸點環境中成功實現了階梯目標線條邊緣偵測。
通常,至少一個所量測尺寸偏離為該尺寸定義之期望標稱值,且製程控制包括作為回應調整至少一個參數以控制製造製程,藉此使該尺寸較少地偏離期望標稱值,或者完全不偏離。
以下術語可根據其在先前技術文獻中出現之任何定義或根據本說明書來解釋,或在其相應範圍內包括以下各者:
SEM影像-可包括由SEM之偵測器所產生的灰階。
分段:可包括使用影像處理以識別(例如)階梯之SEM影像中的觸點。
邊緣:可包括線性區段,該線性區段使高度為z1的台階之第一部分與高度為z2(其與z1不同)的台階之第二部分互連。
線條:可包括使2個邊緣互連之線性區段。
線性趨勢:在度量系統中,接收到之輸入訊號可表現出線性趨勢、雜訊及離群值(例如,F=輸入訊號=線性趨勢ax+b+雜訊+離群值),且可能需要決定並產生線性趨勢或最佳擬合線之斜率a及自由係數b的輸出指示。
觸點遮罩意欲包括用以產生快閃記憶體觸點之蝕刻遮罩。
目標意欲包括由SEM產生之影像的一部分,以描繪(例如)在(例如)具有台階之階梯中的待量測特徵。
特徵:應了解,特徵(例如,元件)可為任何形狀(例如,線條),或觸點,或整體結構(諸如,台階或階梯)。
階梯意欲包括3D NAND快閃記憶體中之結構,在3D NAND快閃記憶體中記憶體單元垂直地堆疊以形成複數個層。
根據本發明所揭示之標的之某些態樣,使用威爾士魯棒擬合。
威爾士魯棒擬合為已知的,其通常包括對X中預測因子之y中回應的魯棒多線性回歸,該魯棒多線性回歸用以估計y與x之直線擬合。
在遺傳演算法中,進化出了針對最佳化問題(又名個體、生物或表型)之候選解的種群。每一候選解為位元陣列=0及1的字串,且候選解具有可突變及變更的一組性質(又名染色體或基因型);進化:自随机產生之个体的種群开始=第一代迭代过程,其中每次迭代中之種群称為一代;在每一代中,評估種群中之每一個體的擬合度;
擬合度=目標函數。
自當前種群中隨機選擇更擬合之個體,修飾每一個體之基因組(重組並有可能隨機突變)以形成新一代。
接著在演算法之下一迭代中使用新一代候選解。
當已產生了最大數目個代或已達到種群之滿意的擬合度水平時,演算法終止。
檢查過程可包括使用相同或不同的檢查工具進行關於試樣或其部分提供的運行時間掃描(單次或多次掃描)、取樣、審查、量測、分類及/或其他操作。同樣,至少一些檢查可在製造要檢查之試樣之前進行,且可以包括(例如)產生(若干)檢查配方、訓練相應的分類器或其他與機器學習有關之工具及/或其他設置操作。應注意,除非另有明確陳述,否則在本說明書中使用之術語「檢查」或其派生詞在解析度或檢查區域之大小方面不受限制。藉助於非限制性實例,多種非破壞性檢查工具包括掃描電子顯微鏡、原子力顯微鏡、光學檢查工具,等等。藉助於非限制性實例,運行時間檢查可採用兩階段程序,例如,檢查試樣,其後審查潛在缺陷的取樣位置。在第一階段期間,在高速及相對低的解析度下檢查試樣之表面。在第一階段中,產生缺陷地圖,以示出疑似具有高的缺陷幾率之試樣上位置。在第二階段期間,以相對高的解析度對此些疑似位置中之至少一些進行更徹底的分析。
IC元件(包括高深寬比特徵之結構或特徵)之積體電路元件度量在元件研究與開發、整合、製造製程控制及測試中有用。現描述改良的度量,然而,首先,呈現第1b圖,其圖示出習知線條偵測量測流程(又名「流程D」),其可包括適當地排序(例如,如所示出)之以下操作的全部或其任何子集:掃描、線條偵測、輪廓偵測、線性擬合及CD結果。可使用習知3D CD SEM度量系統執行此些操作,例如,用於掃描,使用系統之「量測掃描」操作或功能;用於線條偵測(恆定數目個線條),可使用系統之「粗略邊緣」操作或功能;用於精細輪廓偵測,可使用系統之「精細邊緣或拓撲點估計」操作或功能(注意,精細邊緣在第2b圖中以實線指示,而粗略邊緣以虛線指示);用於線性擬合,可使用系統之「CD結果之一部分」操作或功能;以及對於CD結果,可使用系統之「CD結果」操作或功能。
線性擬合操作可使用適當的LEA演算法,例如,如此項技術中所已知。
現描述(例如)如第2a圖中所示之方法,其使用並非設計用於量測諸如3D-NAND階梯之VNAND元件的習知演算法(諸如,第1a圖之方法)在適當的先前影像處理(例如,如所描述)幫助下來量測此些VNAND元件。
通常,線條偵測演算法(例如,如本文中在第1a圖中所描述或如此項技術中所已知)假設線條(作為實體物件)具有兩個邊緣(其亦為實體物件),且每一邊緣具有以演算法偵測到之一個粗略邊緣(幾何物件)。每一粗略邊緣生成2個精細邊緣(FineEdge)且可假設其在線條內部不存在內部邊緣。由(例如)美國專利9165376中請求項11之方法所使用的參數即,最大邊緣寬度(MaximumEdgeWidth)為單線條之邊緣之間的假設最大邊緣寬度限制(或最小距離限制),例如,大致等於線條寬度的一半。
然而,對於具有內部結構之台階而言,提供習知線條偵測演算法之定制,例如,如下:將台階定義為線條偵測演算法的目標,並將最大邊緣寬度參數(MaximumEdgeWidth)定義為台階之間的最小距離的一半。此「鼓勵」或允許演算法通常以魯棒方式在第一階段僅查找台階(忽略其內部結構)。
最大邊緣寬度參數(例如,如在習知CD SEM度量系統中所使用)可用以定義操作b,例如,使得每次重複中之新最佳路徑或粗略邊緣無法位於另一粗略邊緣附近,此係由最大邊緣寬度參數定義。
第3a圖至第3c圖、第4a圖至第4d圖可用於理解對線條(例如,按照第1a圖)及台階(例如,按照第2a圖)之偵測,該偵測包括第2a圖之台階至線條變換操作,該變換操作允許將線條偵測用以偵測(例如)3d階梯台階。
第3a圖圖示出線條,每一線條包括具有邊緣並如所示出地限定頂部及底部之實體結構。
應了解,一個線條可具有兩個粗略邊緣。至少一個(或每一)粗略邊緣可包括橫截面為梯形之實體結構。第3b圖圖示對應於第3a圖之線條之SEM訊號的曲線圖,其包括如所示出之粗略邊緣(在實際邊緣附近);注意本文所指代之最大邊緣寬度參數的定義。實際邊緣通常包括在頂部與底部之間延伸的線條之一部分,例如,在結構之高度明顯改變之處。
最大邊緣寬度為在順序度量量測之前定義的參數。根據標的之實施例,最大邊緣寬度參數是根據經驗定義的,例如,在初步設置階段(設置階段亦稱為「配方設置階段」)。根據其他實施例,最大邊緣寬度是基於晶圓設計資訊定義的。根據其他實施例,最大邊緣寬度參數是以自動或半自動方式定義,例如,藉由在一系列量測操作中量測結構之參數(每一量測操作與最大邊緣寬度的不同值相關聯),並選擇與期望量測結果相關聯之較佳最大邊緣寬度值而定義。對於某些操作情境而言,在最大邊緣寬度參數及與台階相關聯的其他參數之間找出以下關係:
-最大邊緣寬度大於與台階相關聯之線條的邊緣寬度;
-最大邊緣寬度小於線條寬度的一半;
-可將最大邊緣寬度設定為反映其他(例如,最接近的或相鄰的或靠近的)台階之最接近粗略邊緣之間距離的一半。
SEM曲線圖之垂直軸可包括SEM訊號強度,該SEM訊號強度通常是在對SEM影像之Y座標取平均之後得到。水平軸可為x-SEM影像座標。
第3c圖示出第3b圖之曲線圖,包括具有2個粗略邊緣之線條。每一粗略邊緣之頂表面在如所示出的兩個頂點之間延伸,且每一粗略邊緣之底表面(其通常大於頂表面)在如所示出的兩個底點之間延伸。
為了產生尺寸度量(例如,CD結果),可量測精細邊緣。每一粗略邊緣包括兩個精細邊緣,即頂部精細邊緣及底部精細邊緣。
第4a圖以圖形方式圖示出3個階梯台階4010,其中每一者均不平滑,且具有如所示出之內部結構。
第4b圖示出對應於第402a圖之台階的SEM訊號。將用於台階偵測之最大邊緣寬度參數示為左邊的第一實線與右邊的第二虛線之間的距離。
第4c圖示出定義每一台階之粗略邊緣,通常每個台階有一個粗略邊緣。應注意,台階至線條的變換(例如,如本文中所述)產生了新粗略邊緣4015,其通常是成對的,與線條相同。
第4d圖示出分別定義每一台階之左邊界及右邊界的粗略邊緣4020及成對的精細邊緣4030,其可用於CD結果。
通常,CD結果假設了對兩個精細輪廓之間的距離的估計,該等精細輪廓可(例如)使用直線擬合定義線條或台階的一部分,例如,最左邊或最右邊的部分。
該方法通常接收(例如)VNAND元件之至少一個SEM影像,該VNAND元件包括具有複數個台階之3D-NAND階梯以及在3D-NAND階梯下方的觸點(例如,如第2a圖中所圖示),影像處理SEM影像,藉此產生經影像處理之演算法輸入I;並在輸入I上運行度量演算法,藉此量測至少一個線條之至少一個尺寸,即使為線條/空間結構設計之演算法一般接收習知(非VNAND)SEM影像,而不是表示VNAND元件(例如,3D-NAND階梯)的經影像處理之輸入I。
根據某些實施例,第1a圖之線條偵測操作可操作以偵測3D-NAND階梯目標中之3D台階,假設3D台階之數目已知。然而,第2a圖之方法可決定適當的錨點位置(例如,每一3D台階中之最左邊線條),接著使用CD SEM系統(例如,習知3D CD SEM度量系統)以量測距在3D-NAND階梯之SEM影像上至少一些台階(例如)最左邊台階的距離。接著,此些距離可用於3D-NAND階梯製程控制,例如,使用3D-NAND階梯中之一個台階(例如,最左邊台階),作為用於參數化其他台階之製造的錨點。「錨點」(例如,在3D-NAND階梯之影像中的最左邊台階)是有用的,因為所有量測皆可以相對於錨點來定義,從而促成用於即將到來之製造階段的一致製程控制方案。
第2a圖之方法(又名用於3d特徵(諸如但不限於3D-NAND階梯)之量測的主流程)可包括適當地排序(例如,如所示出)之以下操作的全部或其任何子集:
操作a:藉由習知CD-SEM進行習知掃描,藉此產生影像(其可包括3D-NAND階梯)用於由操作b向前處理;
操作b:在由操作a產生之影像中,偵測並遮蔽1型觸點(不與線條相交之封閉曲線)。
操作b可使用以下流程,又名流程1。
流程1之輸入通常包括在操作a中提供之含有台階之元件的SEM影像,以及(通常)演算法參數。演算法參數可由使用者經由適當的GUI(圖形使用者介面)提供。適當的參數集合大體描述於習知CD SEM工具之使用者手冊中。
流程1之輸出通常包括一組自錨點(例如,最左邊台階)至第N個定義之台階的量測值之集合。
流程1可包括以下適當地排序(例如,如所示出)之操作AI及AII:
操作AI。生成觸點遮罩(例如,如第5a圖中所示),該觸點遮罩(例如)基於習知分段演算法可偵測出影像中之亮區,且可決定哪些亮區為觸點區域而哪些為基於幾何之線條。Ja.Vainberg在「將馬可夫鏈應用於孔部分的分離問題(Application of Markov chains to the problem of separation of Hole sections)」(Geologiya I Geofizika-***地質與地球物理學,1980(2),第94頁)中描述了使用影像處理技術識別SEM影像中之台階的適當分段演算法。
分段可包括適當地排序(例如,如下)之以下操作的全部或其任何子集:
操作s0:接收作為輸入之灰階影像(例如,包括邊緣及背景之SEM影像)
操作s1。估計區段之統計性質,例如,來自灰階直方圖之平均及標準差
操作s2。估計每一像素為每一區段之成員的先驗幾率
操作s3。估計每一像素為每一區段之成員的後驗幾率,例如,使用馬可夫鏈技術估計
操作s4。在迭代中重複操作s2至s3,且因此,產生幾率地圖-其中每一像素之值為像素屬於區段之最終幾率的影像
操作s5。為每一像素區段指派適當編號,例如,1-背景;2-邊緣
操作s6。通常,定義迭代次數(及/或停止準則),(例如)作為(若干)外部參數。當迭代終止時,產生包括分段影像之輸出,該分段影像包括針對每一像素的識別複數個(例如2個)區段類別之一者的標記,例如,像素可具有索引或標記1-表示背景或暗區,或具有索引或標記2-表示邊緣或亮區。
操作AII(又名遮罩應用,例如,如第5b圖中所示)。為遮罩內部之像素指派隨機灰階值,該等隨機灰階值保留了影像背景統計值,假設影像背景區域之產生類似於結構之沙漠(無特徵)區域(例如,視覺上),其中「影像統計值」意欲包括遮罩區域內部(例如,與影像之沙漠區域內部相同)之(若干)影像像素的平均值、標準差及/或其他統計特性。此操作確保了遮罩區域不會影響對台階的偵測。操作AII可包括以下所述之子操作b5、b6。
操作c:偵測包括在操作A中所產生之SEM影像中的3D-NAND階梯(其可包括可變或未知數目個台階)之台階。
此操作可包括使用此項技術中已知之LEA演算法,又名「線條演算法」,例如,如在共同擁有之美國專利9,165,376中所述,此案之揭示內容據此以引用方式併入。
LEA演算法之參數可為3D-NAND階梯台階偵測定制,因為LEA演算法是為線條/空間設計而不是為台階元件結構設計的。
舉例而言,可使用具有目標及最大邊緣寬度參數之線條偵測演算法,而同時定義:
目標=3D-NAND階梯或(若干)台階,以及
最大邊緣寬度:=台階之間(例如,目標3D-NAND階梯中之任何一對台階之間)的最小距離的一半。
可(例如)藉由此項技術中已知之技術來執行線條偵測演算法。
此操作之輸出可包括:
粗略邊緣-位於台階附近之直線的參數;
及/或
找到的粗略邊緣之數目,其對應於台階之數目。
操作d:台階至線條變換
線條是由兩個粗略邊緣(又名台階的左邊及右邊邊緣)定義。
根據某些實施例,第1a圖之「線條偵測-恆定數目個線條」操作是在操作d及e之間執行。
操作e:習知精細輪廓偵測或估計,其使用在操作d中識別之粗略輪廓作為輸入。
精細輪廓定義了用於CD量測之實際特徵邊界(例如,台階之邊界)之最準確及精確的位置。在CD度量中用於精細輪廓定義之習知演算法為此項技術中所已知的。
操作f:例如,使用本文中所述之流程b的魯棒線性擬合(針對觸點類型2-與線條相交之封閉曲線的一部分)。
操作g:提供CD結果,例如,產生表示在操作e中所產生之輪廓偵測結果的輸出。此些CD結果可用於製程控制,例如,如此項技術中所已知。
應了解,操作a、e、g可為習知的,例如,分別如第1a圖中之相同標題之操作中所示。
第1b圖的方法可例如採用用於偵測圖案之參數(諸如但不限於特徵邊緣、特徵粗糙度、邊緣斜率、特徵高度、特徵材料)的方法,其包括以下操作的全部或其任何子集:獲得圖案之影像,該影像通常藉由以帶電粒子束掃描圖案而產生;處理影像以產生邊緣增強影像,該處理通常包括計算影像之前n個光譜分量的聚集能量,例如,藉由將光譜函數應用於影像而計算,其中n可超過二。可根據帶電粒子束之帶電粒子的分佈來選擇光譜函數。該方法可包括進一步處理邊緣增強影像,並決定圖案之參數。此進一步處理可包括偵測邊緣增強影像之路徑,包括決定多個路徑之計分,例如,藉由重複地執行以下子操作aa及bb:
aa.藉由應用動態程式化過程識別出最高當前計分之路徑,從而找出最佳路徑,以及
bb.在找出具有新的最高計分之路徑之前,減輕最佳路徑之影響。
應了解,第2a圖之方法實現了3D-NAND階梯結構之SEM影像的變換與定制,以允許將此些3D-NAND階梯視為線條/空間結構,包括用於製程控制之所有習知線條/空間量測,通常使用為線條/空間設計而不是為台階元件結構設計之演算法,諸如,此項技術中已知之LEA演算法。
通常,第2a圖之影像處理(例如,操作b、c、d)允許第1a圖之「恆定數目」線條偵測操作由第2a圖之方法調用或併入第2a圖之方法中。
通常,魯棒線性擬合(例如,第2a圖之操作f)亦適用於具有2型觸點之台階或適用於無觸點之台階。對於無觸點之台階而言,魯棒線性擬合通常產生與第1a圖之線性擬合操作相同的結果。
第2a圖之方法可執行圖案之參數的偵測,包括藉由以帶電粒子束掃描圖案來獲得圖案之影像;處理影像以提供邊緣增強影像;以及進一步處理邊緣增強影像並決定圖案之參數。此可包括獲得(接收或產生)圖案之影像的階段1110。影像是藉由以帶電粒子束(諸如,電子束)掃描圖案而產生。該圖案可包括多個特徵,諸如,具有線條寬度之線條。線條以不太大於帶電粒子束之寬度(當撞擊圖案時)的距離彼此靠近。該距離可小於帶電粒子束之寬度。線條寬度可小於帶電粒子束之寬度或略微大於後者。
階段1120可包括找出圖案之邊緣的主要方向。階段1120可包括找出影像之邊緣,且接著找出此些邊緣之主要方向,例如,藉由對關於邊緣之定向資訊取平均而找出。
階段1130可包括處理影像以提供邊緣增強影像。階段1130可包括計算影像之前n個光譜分量之聚集能量的階段1140,其中n超過二。階段1140可包括藉由對影像應用n階多項式過濾器來處理影像的階段1141,其中n超過二。階段1140可包括藉由對影像應用光譜函數來計算聚集能量的階段1142,其中根據帶電粒子束中之帶電粒子的分佈來選擇光譜函數。其可經選定以允許邊緣之重構。光譜函數可為離散正交函數。
階段1140回應於主要方向,該階段1140可包括應用n階多項式過濾器之階段1144。階段1144可包括在大體上垂直於主要方向之方向上應用n階多項式過濾器。階段1144亦可包括在大體上平行於主要方向之方向上應用平均函數。
可執行藉由偵測邊緣增強影像中之路徑來找出圖案之邊緣的階段1150。階段1150可包括應用動態程式化過程之階段1152。階段1150可包括應用回應於圖案之邊緣之主要方向的動態程式化過程的階段1154。階段1150可包括應用具有區塊化之動態程式化過程的階段1156,階段1156可包括藉由重複地藉由應用動態程式化過程來找出最佳路徑並在找出下一最佳路徑之前減輕最佳路徑之影響來偵測邊緣增強影像的路徑。
階段1160可包括根據與每一路徑相關聯之計分對路徑進行聚類並基於路徑之計分而忽略一些路徑的階段1162。階段1160可包括忽略屬於最低計分群集之路徑的階段1164。階段1160可包括對路徑進行聚類之階段1166,以使得屬於同一群集之路徑的任何計分之間的最大差小於屬於不同群集之路徑的計分之間的任何差。
產生回應於已驗證路徑之邊緣資訊的階段1170可包括產生影像,但並非必須如此。根據階段1160,階段1170可包括產生包括在階段1160期間驗證之邊緣且不包括應當被忽略之邊緣的輸出影像。可處理邊緣資訊以提供度量資訊,諸如,圖案之特徵的臨界尺寸。
第2a圖之操作b可包括適當地排序(例如,如所示出)之以下子操作b1至b6的全部或其任何子集:
b1.影像分段:輸入SEM影像;接著處理以向每一像素指派標記,例如,1-背景;2-特徵邊緣。
b2.斑點偵測:對具有為2之索引(或標記)之連接區域的習知偵測。
b3.對斑點邊界框之習知估計(例如,以外接或包括鄰接區域)。
b4.偵測1型觸點,例如,藉由偵測邊界框大小小於影像高度之斑點。通常,台階及觸點屬於對應於明亮影像區域之區段2。通常,需要生成僅針對觸點之遮罩。對應於台階及觸點的區段2之斑點之間的差別通常為斑點的幾何參數,諸如,其邊界框之高度。此參數可用於生成僅對應於觸點類型1的區段2之子集。此子集通常定義用於進一步觸點遮蔽操作之觸點遮罩。
b5.背景統計估計:例如,估計具有索引(或標記)1之像素的平均灰階(均值)及標準差(STD)。
b6.遮蔽:以具有在子操作b5中估計之均值及標準的隨機雜訊替代在子操作b4中定義為類型1觸點像素之像素中的灰階。
在執行第2a圖之操作d時,以下子操作d-I至d-iv可用於自SEM影像及一個粗略邊緣生成兩個粗略邊緣(在圖2b中以虛線指示),其對應於台階的最左及最右部分;注意,在操作c中找出之台階是由一個粗略邊緣定義的。
子操作d-I。輸入分別對應於台階之粗略邊緣的SEM影像+清單。
子操作d-II。剪裁每一粗略邊緣台階周圍之影像。
子操作d-III。去除內部台階結構,例如,使用此項技術中已知之習知影像處理技術,諸如,擴展的形態學操作。此操作之結果通常包括去除至少一個台階之部分(例如,最左及最右部分)之間的訊號偏差。子操作d-IV。將無內部結構之台階訊號的最左及最右側部分定義為相應的粗略邊緣。
因此,第2a圖之操作d通常每個台階產生兩個粗略邊緣,此便於使用標準流程,例如,假設每一線條有兩個粗略邊緣之LEA演算法(例如,第1a圖及第1b圖之線條偵測操作)。
第2a圖之操作f包括使用魯棒擬合來找出線性模型。此可包括適當地排序(例如,如下)之包括在以下流程2中之子操作的全部或其任何子集:
流程2:使用魯棒擬合找出線性模型
流程2之輸入通常包括定義魯棒擬合演算法之精細輪廓及/或參數的一組點{x_i,y_i}。
流程2通常經配置以使用魯棒擬合來找出最佳擬合輪廓之線性模型(ax+b)(例如,拓撲點(Topopoint),又名拓撲點(Topography point)-在第2a圖及第2b圖中指示為黑點),以使得實線點或與線條相交(「黏合」)的接觸點不受「強系統離群值」的影響,其中「輪廓」意欲包括在影像上偵測到的一組點,此些點定義了真實的特徵邊界,因而可用於量測。實線點通常對應或定義台階之邊界,且在形狀上可能與直線類似。
子操作f1。接收由LEA(線條邊緣分析)演算法輸出之一組{x,y}點。
{x,y}點表示LEA演算法之精細輪廓階段的輸出,在此用於線性擬合之魯棒擬合估計(例如,用以替代LEA中按慣例使用之線性擬合)。
因此,(x,y)通常包括在第2a圖中之{精細輪廓偵測}操作的輸出中。
子操作f2。藉由估計a,b為F的自變量來建立線性模型y=M(x)=ax+b+noise(x)(當將a,b輸入至F時,其會使F盡可能小)。
其中F為權重之和:F(a,b)=∑i
W(a,b,{x(i),y(i)})
因此,執行最小化演算法或過程,以產生使權重之和F最小化的a,b。
以下在流程3中描述用於決定為F之自變量之a,b的一種方法。
通常,此估計使用魯棒擬合(而不是使用即使對少數離群值亦容易出錯的最小平方法),其中將適當權重w指派給由LEA演算法輸出之{x,y}點集合中的每一點x,y(例如,適當權重w之值是在此每一點x,y處估計)。
應了解,可採用威爾士函數之矩形近似。舉例而言,可使用中心線為ax+b之矩形或條帶來近似威爾士函數。條帶寬度可為(例如)正/負3標準差(又名標準差)寬。術語「標準差」指代在固定的a,b處,自點{x_i,y_i}至線條y=a*x+b之距離的標準差(因為此距離為隨機變量)。
條帶中之每一點具有為0之值;條帶外之每一點具有為1之值。
為了使F最小化,搜尋內部具有最多點的3標準差寬條(例如,內部具有比所有其他3標準差寬條多的點)。
流程2之輸出通常包括{a,b}-線性擬合y= ax+b之參數。
流程3之輸入通常包括定義魯棒擬合演算法之精細輪廓及/或參數(其可由使用者提供)的一組點{x_i,y_i}。此些參數通常定義函數F(a,b)之最佳化過程的相應技術實施態樣,例如,如上文中所定義。
流程3因此指代在可由最終用戶定義之x的某些最小及最大限制內將F最小化。
流程3之第一階段-又名統計階段
可使用遺傳演算法產生針對以上最佳化問題之解的種群,該遺傳演算法足夠接近參數(例如,線性模型y=ax+b中之模型參數,諸如,斜率、分別與a及b的偏移量)之目標函數(例如,擬合模型之誤差)的局部極值。
大體而言,遺傳演算法藉由遺傳選擇來執行最佳化,亦即,根據(通常為預定的、習知的)最佳標準則來保留最佳的候選者(例如,候選解)。就最佳化而言,倖存者在目標函數方面是最佳的(優於非倖存者)。
對於線性模型y=ax+b而言(其中[a,b]為有序的[斜率,偏移]對),該空間(其包括解之種群)可為多項式參數空間(例如(偏移,斜率)參數空間或具有a軸及b軸的空間)。
此問題之目標或準則為找出具有最小誤差的模型,例如:對於OLS(普通最小平方)-平方誤差之和(其可用作參考);且若使用威爾士而不是最小平方法,則為經由威爾士函數傳遞的誤差之和。
局部搜尋之結果(例如,其可使用習知的「最速下降」或「牛頓」技術)可能很大程度上取決於起點(搜尋之輸入)。若起點靠近局部最小值,則將找出之結果為彼局部最小值。然而,通常期望找出全局最小值。
遺傳演算法可包括:
1.隨機初始種群產生,藉此產生初始「當前種群」
2.改進當前群體(在迭代I-1中產生之種群)的複數次(例如,5次)迭代I(I=1...5),通常包括:
a.交叉以便自兩個現存者((父))產生新點,因為該兩個現存者之線性組合包括作為倖存者之最佳選擇,此後通常為
b.包括作為倖存者之最佳選擇的當前種群之突變,作為搜尋最佳點的工具。
通常,若種群足夠大,則改進將產生分別足夠靠近大的局部最小值之一些點。此些點可(各自)用作局部搜尋之起點,從而產生若干大的局部最小值,其中一者很有可能為全局最小值。
局部搜尋可具有功能停止準則,例如:
a.在最後幾次迭代中,函數值無超過閾值的變化;及/或
b.最佳點位置處無超過閾值的變化。及
c.可完成的工作分配量(例如,對迭代次數及/或對功能評估之次數等的限制)
通常,當滿足兩個以上功能準則a、b時及/或當局部搜尋達到迭代或功能評估的最大次數時,局部搜尋停止。
或者,可使用局部搜尋器(例如,適當的Matlab函數),該搜尋器使用由OLS產生之點作為其起點。此點可被放置在沙漠中距全局最小值足夠遠(例如,按預定地遠,例如,高於預定之最小閾值距離)之任何地方(無特徵之區域)。
實例:可採用實施迭代加權最小平方法(iterative weighted least square; IWLS)之Matlab robustfit()函數。起點可自演算法產生而不是由使用者供應。給定一組點{x,y},模型可(例如,如上所述)將[偏移,斜率]配對以用於線性模型估計。可計算初始模型估計。當不具有收斂時,過程可根據當前模型計算權重,並重新計算模型;例如,藉由加權最小平方法。
在階段1中,可使用3個規則(選擇、交叉、突變)的全部或其任何子集自第n-1代生成第n代。
第一階段可(例如)包括適當地排序(例如,如下)之以下操作110、120的全部或其任何子集:
操作110。初始產生,其可包括自「可接受之參數區域」(例如,自其隨機取樣)進行選擇。
通常,先前知識可用於線條定向,例如,線條接近於垂直(亦即,為x=a*y+b之斜率a接近0)。
應注意,線條通常垂直,因而,擬合座標x+a*y+b而不是y=ax+b可允許更精確之線條估計,從而防止奇異性。
為了定義「可接受之參數區域」,在給定先前知識的情況下,可(例如,藉由最終使用者)將區域之下限及上限定義為線條之最小/最大斜率。參數b可接近台階位置,例如,以上所定義之粗略邊緣位置附近。
操作120。至少執行一次迭代I,其採用三個規則(選擇、交叉、變異)的全部或其任何子集,例如,交叉、選擇、變異、選擇,藉此定義可作為下一次迭代I+1之輸入的「迭代I種群」。
操作130。當停止標準=真時,將迭代I種群定義為「足夠接近」並進行至階段2。一個適當停止準則可能是F不再減小(例如,相比於F在先前迭代中(例如,相對於較早迭代(例如,小於I-1)的I-1)中減小,F在當前迭代I中減小得較少(小於I),亦即,「收益遞減」,或F減小得比閾值量少)。
流程3之第二階段-局部搜尋解算器
使用在階段1中產生之「足夠接近」的種群作為用於局部搜尋演算法之輸入(又名初始點),以進一步改進(又名最佳化)初始點。可採用任何適當的局部搜尋演算法,例如,如https://www.sciencedirect.com/topics/computer-science/local-search-algorithm處所述。舉例而言,若F為可微的,則可將基於梯度之演算法(又名梯度下降)用作局部解算器(又名局部搜尋演算法),其中,若F(如上定義的權重之和)為不可微的函數,則可使用無導數(又名無梯度)解算器作為局部解算器。
第6a圖和第6b圖是平面NAND快閃記憶體的簡化示意圖。
第6a圖及第6b圖為合成影像之實例。
若威爾士函數由矩形近似,例如,如所示出,則±3σ(例如)條帶內之每一點具有為0的值,而(例如)±3σ條帶外之每一點具有為1的值。可藉由搜尋內部包括最大數目個點的寬度為±3σ之條帶來近似函數的最小化。舉例而言,在第7a圖及第7b圖之曲線圖中,較低的水平矩形比較高的對角線定向矩形具有更多的點。
第8圖為魯棒擬合之多線條實例的曲線圖。如所示出,曲線圖之底部處所示的實線穿過底部點,然而,頂部條帶內之點數(由箭頭指示)超過了底部條帶內的點數,因此,將線條繪製在頂部上。
本文中之實施例的特定優勢在於,由於電子束波長之尺寸微小,當量測3D元素或元件的(例如)大小或形狀的尺寸時達低於奈米級之準確度。
根據某些實施例,CD SEM量測結果可使用經校準之樣本追溯至SI(國際單位製(System International d'Unites)或國際單位制(International System of Units))的長度定義;此些可用於(例如,在製程控制中)補償樣本台運動。
本文所述之最大邊緣寬度參數通常定義了另一邊緣無法位於其中之區域。此參數可用於粗略邊緣演算法。粗略邊緣演算法可包括適當地排序(例如,如下)之以下操作的全部或其任何子集:找出影像中之最堅固邊緣;消除影像中在所找出之最堅固邊緣周圍的區域;找出第二最堅固邊緣,以此類推,例如,直至找出所有邊緣為止。台階偵測通常包括找出最堅固台階,消除所找出之最堅固台階周圍的區域並找到下一台階,以此類推,例如,直至找出所有台階為止。粗略邊緣演算法(例如,如上文)其後(例如,如本文中所描述)為精細邊緣演算法,該精細邊緣演算法可使用粗略邊緣位置(例如,如以上所找出的)用於定義精細邊緣所在之區域並估計精細邊緣(例如,如本文中所提到的第33章中所描述)。
可使用任何(若干)適當處理器、顯示器及輸入構件來處理、顯示(例如,在電腦螢幕或其他電腦輸出設備上)、儲存並接受資訊,諸如,本文示出並描述之任何方法及裝置所使用或產生的資訊;根據本發明之一些或全部實施例,上述(若干)處理器、顯示器及輸入構件包括電腦程式。本文中所示出並描述的本發明之任何或所有功能(諸如但不限於流程圖內之操作)可由以下各者中之任何一或更多者來執行:用於處理的至少一個習知個人電腦處理器、工作站或其他可程式化設備,或通用的或專門構造之電腦或電子計算設備或處理器;用於顯示之電腦顯示器螢幕及/或列印機及/或揚聲器;機器可讀記憶體,諸如,光碟、CDROM、DVD、BluRays、磁光碟或其他光碟;RAM、ROM、EPROM、EEPROM、磁性或光學或其他卡(用於儲存)以及用於接受之鍵盤或滑鼠。本文中示出並描述之模組可包括以下各者中之任何一者或組合或複數個:伺服器、資料處理器、記憶體/電腦儲存器、通訊介面、儲存在記憶體/電腦儲存器中之電腦程式。
除非另有明確陳述,否則自以下論述顯而易見,應了解,貫穿本說明書論述,利用諸如「處理」、「計算」、「表示」、「比較」、「產生」、「訓練」、「分段」、「註冊」或其類似者的術語指代將資料操縱及/或變換為其他資料的電腦之(若干)動作及/或(若干)過程,該資料表示為實體(諸如,電子)數量及/或該資料表示實體物件。應將術語「電腦」廣義地解釋為涵蓋具有資料處理能力之任何種類的基於硬體之電子設備,包括(藉助於非限制性實例)FPEI系統及其在本申請案中揭示的相應部分。
本文中所使用之術語「記憶體」及「儲存器」意欲包括適合於本發明所揭示之標的之任何揮發性或非揮發性的電腦記憶體。
應了解,除非另有明確陳述,否則在單獨實施例之上下文中所描述的本發明所揭示之標的之某些特徵亦可在單個實施例中組合地提供。相反,在單個實施例之上下文中所描述的本發明所揭示之標的之各種特徵亦可單獨地或以任何適當子實施例提供。在以下詳細描述中,為了提供對方法及裝置的透徹理解,闡述諸多特定細節。
亦將理解,根據本發明之系統可至少部分地實施在適當程式化之電腦上。同樣,本發明預期一種用於執行本發明之方法的可由電腦讀取之電腦程式。本發明進一步預期一種非暫時性電腦可讀記憶體,其有形地體現了可由電腦執行以執行本發明之方法的指令程式。
本文所述的本發明之每一元素可具有在本文中所描述或圖示的所有屬性,或根據其他實施例,可具有在本文中所描述之屬性的任何子集。
如本文中所使用,術語處理器或控制器或模組或邏輯意欲包括通常具有數位記憶體及處理能力之電腦微處理器,諸如,可購自(諸如)英特爾及進階微元件(Advanced Micro Device; AMD)的彼等,且本文所述之任何操作或功能、計算或邏輯可完全或部分地在任何適當電路上實施,包括任何(若干)此種電腦微處理器,以及以韌體或以硬體或其任何組合實施。
應了解,除非本文內另有明確說明,否則在多於一個圖式中所圖示的元件及/或書面描述中之元件仍可組合成單個實施例。
應了解,為了清楚,在單獨實施例之上下文中所描述的本文所述任何特徵、性質、邏輯、模組、方塊、操作或功能亦可在單個實施例中組合提供,除非說明書或常識明確指示某些教示是相互矛盾的且不能組合。本文中示出並描述之任何系統可用以實施本文中示出並描述的任何操作或方法,或可以與之組合。
相反,為了簡要,亦可單獨地或以任何適當子組合來提供在單個實施例之上下文中所描述的本文所述之任何模組、方塊、操作或功能。
4010:階梯台階
4015:新粗略邊緣
4020:粗略邊緣
4030:精細邊緣
為了理解本發明並了解其如何在實務上進行,現將僅藉助於非限制性實例參考隨附圖式來描述實施例,其中:
第1a圖及第2a圖為根據本發明揭示之標的之某些實施例提供的流程,可以任何適當次序(例如,如所示出的次序)提供其操作之全部或其任何子集。
第1b圖為有用於理解第1a圖之流程的實例圖。
第2b圖為有用於理解第2a圖之流程的實例圖。
第3a圖至第3c圖、第4a圖至第4d圖有用於理解對線條(例如,按照第1a圖)及台階(例如,按照第2a圖)之偵測,該偵測包括第2a圖之台階至線條變換操作,該變換操作允許將線條偵測用以偵測(例如)3D階梯台階;
第5a圖至第5b圖為有用於理解某些實施例之插圖。特定而言,第5a圖至第5b圖根據本發明所揭示之標的之某些實施例圖示出觸點遮罩生成(第5a圖)及遮罩應用(第5b圖),藉此便於偵測3D結構中之線條邊緣,例如,儘管存在觸點環境,階梯通常仍是成功的。
第6a圖至第6b圖為有用於理解某些實施例之插圖。
第7a圖至第7b圖及第8圖為有用於理解某些實施例之曲線圖。
包括在本發明之範疇中的方法及系統可包括在具體圖示之實施方式中藉助於實例以任何適當次序(例如,如所示出的次序)所示出的功能方塊中之一些(例如,任何適當的子集)或全部。亦可在單個實施例中組合地提供在單獨實施例之上下文中所描述的本發明之特徵(包括操作)。舉例而言,系統實施例意欲包括對應的製程實施例,且反之亦然。特徵亦可與此項技術中所已知之特徵組合,且特定言之,儘管並不限於在背景技術部分中或在其中提及之公開案中所描述的彼些特徵。
應了解,在本文中所示出並描述之描述及圖式中,亦可將描述或圖示為系統及其子單元的功能作為其中的方法及操作來提供,亦可將描述或圖示為其中的方法及操作之功能作為系統及其子單元來提供。用以說明圖式中之各種元件的比例僅為例示性的及/或適合呈現清楚的目的,且並不意欲為限制性的。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記)
無
Claims (15)
- 一種用於藉由一連串製造步驟製造之一半導體結構之製程控制的方法,該方法包括以下步驟: -獲得指示至少兩個個別製造步驟的該半導體結構之一影像;其中該影像是藉由以一帶電粒子束掃描該半導體結構並收集自該半導體結構發出之訊號而產生;以及 -藉由一硬體處理器處理該影像以決定該半導體結構之一參數, 其中該處理包括量測來自該至少兩個個別製造步驟當中作為一個別特徵的一或更多個台階。
- 如請求項1所述之方法,其中該量測來自該至少兩個個別製造步驟當中作為一個別特徵的一或更多個台階的步驟包括以下步驟:偵測一台階並將該台階變換為一線條。
- 如請求項2所述之方法,其中對於該一或更多個台階中之每一者而言,該偵測的步驟包括以下步驟:獲得一最大邊緣寬度參數,其中該最大邊緣寬度參數指示該台階之邊界。
- 如請求項2所述之方法,其中該將該台階變換為一線條的步驟包括以下步驟:針對該一或更多個台階中之每一者定義一對粗略邊緣及一對精細邊緣,且其中該處理該影像以決定該半導體結構之一參數的步驟包括以下步驟:使用該對粗略邊緣及一對精細邊緣。
- 如請求項4所述之方法,其中該最大邊緣寬度參數大致等於一台階之一粗略邊緣與另一台階的一粗略台階之間的一最小距離的一半,例如,該另一台階為靠近的或最接近的或相鄰的台階。
- 如請求項2所述之方法,進一步包括以下步驟:選擇一預定數目個台階;將該等台階中之一者的一粗略邊緣設定為錨點位置並相對於該錨點位置量測其他台階之參數。
- 如請求項1所述之方法,進一步包括以下步驟:藉由(1)將該影像分段以生成觸點及(2)使該等觸點與代表影像背景之灰階值相關聯來進行觸點遮蔽。
- 一種包括指令之非暫時性電腦可讀媒體,當由一電腦執行時該等指令使該電腦執行用於藉由一連串製造步驟製造之一半導體結構之製程控制的方法,該方法包括以下步驟: -獲得指示至少兩個個別製造步驟的該半導體結構之一影像;其中該影像是藉由以一帶電粒子束掃描該半導體結構並收集自該半導體結構發出之訊號而產生;以及 -處理該影像以決定該半導體結構之一參數,其中該處理包括量測來自該至少兩個個別製造步驟當中作為一個別特徵的一或更多個台階。
- 一種可連接至一帶電粒子顯微鏡(CPM)或由該帶電粒子顯微鏡(CPM)代管的用於藉由一連串製造步驟製造之一半導體結構之製程控制的系統,包括: 一記憶體;以及 一處理器,其可操作地與該記憶體耦接,以便: -接收指示至少兩個個別製造步驟的該半導體結構之一影像;其中該影像是由該CPM獲得並藉由以一帶電粒子束掃描該半導體結構並收集自該半導體結構發出之訊號而產生;以及 -藉由量測來自該至少兩個個別製造步驟當中作為一個別特徵的一或更多個台階來處理該影像以決定該半導體結構之一參數。
- 如請求項9所述之系統,該處理器進一步經配置以:偵測一台階並將該台階變換為一線條。
- 如請求項10所述之系統,其中該處理器進一步經配置以: 藉由對於該一或更多個台階中之每一者獲得一最大邊緣寬度參數來偵測一台階,其中該最大邊緣寬度參數指示該台階之邊界。
- 如請求項11所述之系統,其中該將該台階變換為一線條包括針對該一或更多個台階中之每一者定義一對粗略邊緣及一對精細邊緣,且其中該處理該影像以決定該半導體結構之一參數包括使用該對粗略邊緣及一對精細邊緣。
- 如請求項11所述之系統,其中該最大邊緣寬度參數大致等於一台階之一粗略邊緣與一靠近台階的一粗略台階之間的一最小距離的一半。
- 如請求項10所述之系統,其中該處理器進一步用以: 選擇一預定數目個台階; 將該等台階中之一者的一粗略邊緣設定為錨點位置;以及 相對於該錨點位置來量測其他台階之參數。
- 如請求項9所述之系統,其中該處理器進一步經配置以: 藉由(1)將該影像分段以生成觸點及(2)使該等觸點與代表影像背景之灰階值相關聯來遮蔽觸點。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862755155P | 2018-11-02 | 2018-11-02 | |
US62/755,155 | 2018-11-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202036641A true TW202036641A (zh) | 2020-10-01 |
TWI802766B TWI802766B (zh) | 2023-05-21 |
Family
ID=70462021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108139723A TWI802766B (zh) | 2018-11-02 | 2019-11-01 | 用於包括階梯之半導體結構之製程控制的方法、系統及電腦媒體 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11651509B2 (zh) |
JP (1) | JP7219334B2 (zh) |
KR (1) | KR102502431B1 (zh) |
CN (1) | CN112469962B (zh) |
TW (1) | TWI802766B (zh) |
WO (1) | WO2020089910A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113168085A (zh) * | 2018-11-30 | 2021-07-23 | Asml荷兰有限公司 | 用于基于可制造性确定图案形成装置图案的方法 |
US11443420B2 (en) | 2020-12-28 | 2022-09-13 | Applied Materials Israel Ltd. | Generating a metrology recipe usable for examination of a semiconductor specimen |
CN113466277B (zh) * | 2021-06-25 | 2022-05-10 | 长江存储科技有限责任公司 | 测试样品的制备方法及测试样品 |
CN113538489B (zh) * | 2021-07-19 | 2022-09-09 | 武汉纺织大学 | 一种非织造布纤维直径测量方法 |
CN114963979A (zh) * | 2022-05-06 | 2022-08-30 | 武汉大学 | 基于深度学习的3d nand存储器层叠结构关键尺寸测量方法 |
CN116206935B (zh) * | 2023-05-04 | 2023-07-18 | 华芯程(杭州)科技有限公司 | 一种晶圆测量机台的校准方法、装置及设备 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4752898A (en) * | 1987-01-28 | 1988-06-21 | Tencor Instruments | Edge finding in wafers |
JP3749107B2 (ja) * | 1999-11-05 | 2006-02-22 | ファブソリューション株式会社 | 半導体デバイス検査装置 |
JP3834495B2 (ja) * | 2001-09-27 | 2006-10-18 | 株式会社東芝 | 微細パターン検査装置、cd−sem装置の管理装置、微細パターン検査方法、cd−sem装置の管理方法、プログラムおよびコンピュータ読み取り可能な記録媒体 |
US7003161B2 (en) * | 2001-11-16 | 2006-02-21 | Mitutoyo Corporation | Systems and methods for boundary detection in images |
US7321669B2 (en) * | 2003-07-10 | 2008-01-22 | Sarnoff Corporation | Method and apparatus for refining target position and size estimates using image and depth data |
US7366344B2 (en) * | 2003-07-14 | 2008-04-29 | Rudolph Technologies, Inc. | Edge normal process |
CN100355055C (zh) * | 2005-10-28 | 2007-12-12 | 清华大学 | 硅晶圆预对准控制方法 |
KR100853788B1 (ko) | 2006-11-27 | 2008-08-25 | 동부일렉트로닉스 주식회사 | 이미지 센서에서의 층 두께 측정 방법 및 이를 위한 이미지센서의 두께 측정 패턴 |
JP5429869B2 (ja) * | 2008-12-22 | 2014-02-26 | 株式会社 Ngr | パターン検査装置および方法 |
CN101788503B (zh) * | 2009-01-22 | 2012-07-04 | 久元电子股份有限公司 | 用于检测裸片背面缺陷的裸片缺陷检测***及其使用方法 |
JP5500974B2 (ja) * | 2009-12-25 | 2014-05-21 | 株式会社日立ハイテクノロジーズ | パターン測定装置 |
US9007665B2 (en) * | 2011-05-16 | 2015-04-14 | Roth + Weber Gmbh | Method for detecting the width and position of documents using image information in a large-format scanner system |
JP5530980B2 (ja) | 2011-06-14 | 2014-06-25 | 株式会社アドバンテスト | パターン測定装置及びパターン測定方法 |
US8983203B2 (en) * | 2011-10-14 | 2015-03-17 | Ulsee Inc. | Face-tracking method with high accuracy |
US9165376B2 (en) | 2013-03-15 | 2015-10-20 | Applied Materials Israel Ltd. | System, method and computer readable medium for detecting edges of a pattern |
WO2015022739A1 (ja) * | 2013-08-14 | 2015-02-19 | 株式会社日立製作所 | 半導体検査方法、半導体検査装置、および半導体素子の製造方法 |
KR102183713B1 (ko) | 2014-02-13 | 2020-11-26 | 삼성전자주식회사 | 3차원 반도체 장치의 계단형 연결 구조 및 이를 형성하는 방법 |
US9552531B2 (en) | 2015-01-30 | 2017-01-24 | Sony Corporation | Fast color-brightness-based methods for image segmentation |
KR102562134B1 (ko) | 2015-04-21 | 2023-08-02 | 인텔 코포레이션 | 전자 빔 노광 시스템을 위한 미세 정렬 시스템 |
JP6527799B2 (ja) * | 2015-09-25 | 2019-06-05 | 株式会社日立ハイテクノロジーズ | 荷電粒子線装置及びパターン測定装置 |
US9653311B1 (en) | 2016-05-13 | 2017-05-16 | Applied Materials, Inc. | 3D NAND staircase CD fabrication utilizing ruthenium material |
US11055786B2 (en) * | 2016-06-03 | 2021-07-06 | Conduent Business Services, Llc | Image segmentation system for verification of property roof damage |
-
2019
- 2019-10-31 US US17/281,948 patent/US11651509B2/en active Active
- 2019-10-31 WO PCT/IL2019/051188 patent/WO2020089910A1/en active Application Filing
- 2019-10-31 CN CN201980049495.8A patent/CN112469962B/zh active Active
- 2019-10-31 KR KR1020217000157A patent/KR102502431B1/ko active IP Right Grant
- 2019-10-31 JP JP2021505963A patent/JP7219334B2/ja active Active
- 2019-11-01 TW TW108139723A patent/TWI802766B/zh active
Also Published As
Publication number | Publication date |
---|---|
WO2020089910A1 (en) | 2020-05-07 |
CN112469962A (zh) | 2021-03-09 |
JP7219334B2 (ja) | 2023-02-07 |
TWI802766B (zh) | 2023-05-21 |
KR102502431B1 (ko) | 2023-02-23 |
KR20210088518A (ko) | 2021-07-14 |
CN112469962B (zh) | 2022-05-24 |
JP2022511246A (ja) | 2022-01-31 |
US20210383529A1 (en) | 2021-12-09 |
US11651509B2 (en) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI802766B (zh) | 用於包括階梯之半導體結構之製程控制的方法、系統及電腦媒體 | |
TWI776163B (zh) | 得到積體半導體樣本之立體影像之方法、電腦程式產品、及半導體檢測裝置 | |
US11275361B2 (en) | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process | |
TWI597689B (zh) | 使用表面形貌屬性之缺陷分類 | |
TWI607213B (zh) | 用於包含區塊與區塊比較的缺陷偵測之裝置與方法 | |
CN105074896B (zh) | 图案测定装置以及半导体测量*** | |
TWI616823B (zh) | 使用以cad為基礎之環境背景屬性之缺陷分類 | |
KR101467987B1 (ko) | 유사한 구조 엘리먼트들을 분류하는 cd 계측 시스템 및 방법 | |
CN112840205B (zh) | 基于设计及噪声的关注区域 | |
KR20220014805A (ko) | 반도체 시편의 검사에 사용가능한 훈련 데이터의 생성 | |
TWI798521B (zh) | 選擇一或多個設計檔案以供在測試影像與設計對準中使用之系統及電腦實施之方法,以及非暫時性電腦可讀媒體 | |
JP5728351B2 (ja) | 断面形状推定方法および断面形状推定装置 | |
JP2013140468A (ja) | パターンマッチング装置、検査システム、及びコンピュータプログラム | |
WO2022058264A1 (en) | Defect detection for semiconductor structures on a wafer | |
TWI684225B (zh) | 自定向計量和圖樣分類 | |
WO2018042600A1 (ja) | 画像解析装置および荷電粒子線装置 | |
JP5386446B2 (ja) | 画像データ解析装置 | |
TWI844777B (zh) | 針對具有樣品內及樣品間變異之樣品使用無監督學習及適應性資料庫產生方法之影像對準設定 | |
TWI776430B (zh) | 圖案檢測/測量裝置及圖案檢測/測量程式 | |
TW202139133A (zh) | 半導體樣本的檢查 | |
WO2023117238A1 (en) | Measurement method and apparatus for semiconductor features with increased throughput | |
CN115760675A (zh) | 半导体样本中的局部形状偏差 | |
CN113947561A (zh) | 半导体样本的图像分割 |