TWI480967B - 缺陷分類法則建立方法、缺陷分類方法與基於該缺陷分類法則與關鍵區域分析的致命缺陷判斷方法 - Google Patents
缺陷分類法則建立方法、缺陷分類方法與基於該缺陷分類法則與關鍵區域分析的致命缺陷判斷方法 Download PDFInfo
- Publication number
- TWI480967B TWI480967B TW101144587A TW101144587A TWI480967B TW I480967 B TWI480967 B TW I480967B TW 101144587 A TW101144587 A TW 101144587A TW 101144587 A TW101144587 A TW 101144587A TW I480967 B TWI480967 B TW I480967B
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- image
- semiconductor
- graphic
- fatal
- Prior art date
Links
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
Landscapes
- 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)
- Image Analysis (AREA)
Description
本發明有關於製造工具(fab tool)中的多個方法,且特別是缺陷分類法則(rule of thumb of defect classification)建立方法,且特別是一種缺陷分類方法與基於缺陷分類法則與關鍵區域分析(Critical Area Analysis,CAA)的致命缺陷(killer defect)判斷方法。
在半導體製造廠房中,於半導體製造過程中,多個製程,例如,塗底、塗佈、烘烤以及攝影製程等會施行於晶圓上。然而,如果在至少一製程中,發生至少一問題,則會有至少一缺陷形成所製造的半導體上。會導致所製造之半導體失效的缺陷可以稱為致命缺陷。例如,半導體中之互不相連的兩多邊形圖形(polygon pattern)可能會因為缺陷而彼此短路,或者,半導體中的一個多邊形圖形可能會因為缺陷而被分為互不相連兩多邊形圖形。
如果缺陷為致命缺陷,則所製造的半導體之良率將會降低。幸運的是,在傳統半導體製程技術中,缺陷的尺寸微小的,故多數的缺陷並非是致命缺陷。然而,當前的半導體製程技術的臨界尺寸(critical dimension)小於比先前之半導體製程技術的臨界尺寸,因此,半導體的缺陷不應被忽略。據此,應檢測半導體之缺陷,並判斷缺陷是否為致命缺陷。
請參照圖1,圖1為傳統缺陷分類與致命缺陷判斷之方法的流程圖。在傳統缺陷分類與致命缺陷判斷之方
法的步驟S100中,檢測人員須取得半導體圖像,其中半導體圖像中的半導體具有至少一缺陷。半導體圖像是藉由掃描電子顯微鏡(SEM)、光學顯微鏡或電子束顯微鏡進行自動攝影而獲得。接著,在步驟S102中,檢測人員需學習典型缺陷類型和致命缺陷判斷知識。在步驟S104中,檢測人員用眼睛觀察出半導體圖像中之半導體的至少一缺陷、圖形(pattern)和背景(background)。最後,在步驟S106中,檢測人員基於典型缺陷類型和致命缺陷判斷知識根據步驟S104的觀察結果決定缺陷類型與判斷半導體中是否存在致命缺陷。
請參照圖2,圖2為作為例子之半導體圖像的示意圖。在檢測人員觀察半導體圖像後,檢測人員可以得知半導體2包含背景20、具有複數個多邊形的圖形22以及缺陷24。接著,基於典型缺陷類型和致命缺陷判斷知識,檢測人員可以根據觀察結果決定半導體2中之每一缺陷24為橋接(短路)缺陷或斷路缺陷。圖2中之兩缺陷24皆為致命缺陷,且會導致半導體2失效。
當半導體中的致命缺陷頻繁地被檢測到,檢測人員必須停止半導體製造程序,並且須調整製程的製程或設備參數,以確保一定的良率。傳傳統缺陷分類與致命缺陷判斷之方法雖然可以增加良率,但卻會耗費大量人力。
本發明實施例提供一種用於製造工具的缺陷分類法則建立方法,此缺陷分類法則建立方法包括以下步驟:將作為例子之具有多個致命缺陷的多個缺陷分類圖像
輸入至製造工具;將所有缺陷、圖形和背景製程材料資訊輸入至製造工具;對每一個輸入圖像執行圖像偵測和分析,以創造出每一輸入圖像的缺陷、圖形和背景的圖像特徵,其中輸入圖像包括作為例子之具有多個致命缺陷的多個缺陷分類圖像;基於每一輸入圖像的缺陷、圖形和背景的圖像特徵,創造出每一輸入圖像之缺陷、圖形和背景的製程特徵與圖像關聯性(relativity)特徵;以及基於每一輸入圖像的缺陷、圖形和背景的圖像特徵、製程特徵與圖像關聯性特徵建立缺陷分類法則。
本發明實施例提供一種用於製造工具的缺陷分類方法。此缺陷分類方法基於缺陷分類法則而可以分類出至少一缺陷,所述缺陷分類法則係依據前述之缺陷分類法則建立方法而建立。此缺陷分類方法包括以下步驟:輸入半導體圖像至製造工具,其中半導體圖像具有至少一缺陷;輸入缺陷掃描數據至製造工具;載入缺陷分類法則;對每一個半導體圖像執行圖像偵測和分析以創造出每一個半導體圖像之缺陷、圖形和背景的圖像特徵;基於每一個半導體圖像的缺陷、圖形和背景的圖像特徵,創造出每一個半導體圖像之缺陷、圖形和背景的製程特徵與圖像關聯性特徵;以及基於缺陷分類法則對半導體圖像的缺陷、圖形與背景進行分類,以創造出半導體之缺陷的分類結果。
本發明實施例提供一種用於製造工具的致命缺陷判斷方法。此致命缺陷判斷方法基於缺陷分類法則與關鍵區域分析而可以判斷斷路或橋接致命缺陷,所述缺陷分類法則係依據前述之缺陷分類法則建立方法而建立
。此致命缺陷判斷方法包括以下步驟:前述基於缺陷分類法則而用以對至少一缺陷進行分類的缺陷分類方法之所有步驟;將典型缺陷類型和致命缺陷判斷知識輸入至製造工具;基於典型缺陷類型和致命缺陷判斷知識與缺陷的分類結果創造出缺陷區域內的圖像圖形輪廓、缺陷區域外的圖像圖形輪廓以及缺陷輪廓;恢復缺陷區域內的圖像圖形輪廓;合併缺陷區域內所恢復的圖像圖形輪廓與缺陷區域外的圖像圖形輪廓,以創造出佈局多邊形的圖像圖形輪廓;基於缺陷輪廓以及合併後的圖像圖形輪廓執行關鍵區域分析,以取得關鍵區域分析結果;以及根據關鍵區域分析結果判斷斷路或橋接致命缺陷是否存在於半導體中。
本發明實施例提供另一種用於製造工具的致命缺陷判斷方法。此致命缺陷判斷方法基於缺陷分類法則與關鍵區域分析而可以判斷斷路或橋接致命缺陷,所述缺陷分類法則係依據前述之缺陷分類法則建立方法而建立。此致命缺陷判斷方法包括以下步驟:前述基於缺陷分類法則而用以對至少一缺陷進行分類的缺陷分類方法之所有步驟;將設計佈局(design layout)圖形檔案輸入至製造工具;創造出半導體圖像的缺陷輪廓以及圖形輪廓;對半導體圖像和設計佈局圖形檔案之設計佈局圖形執行尺度比對,以調整設計佈局圖形檔案之設計佈局圖形的尺度;對經尺度調整後的設計佈局圖形和半導體圖像進行圖形比對,以探得正確的缺陷座標;以及對缺陷輪廓和經尺度調整後的設計佈局圖形執行關鍵區域分析,以判斷斷路或橋接致命缺陷是否存在於半導體中。
綜上所述,上述各方法可以應用於製造工具。當半導體製造廠房在使用上述方法來分類缺陷與判斷斷路或橋接致命缺陷時,將可以把製造效率與產量提高數倍,且同時可以減少良率學習週期(yield learning cycle time)。另外,上述基於缺陷分類法則和關鍵區域分析的致命缺陷判斷方法可以在不需要設計佈局圖形檔案的情況下,便能夠執行與判斷是有致命缺陷存在於半導體中。
為使能更進一步瞭解本發明之特徵及技術內容,請參閱以下有關本發明之詳細說明與附圖,但是此等說明與所附圖式僅係用來說明本發明,而非對本發明的權利範圍作任何的限制。
本發明實施例提供一種缺陷分類法則建立方法。本發明另一實施例提供一種基於缺陷分類法則的缺陷分類方法與基於缺陷分類法則和關鍵區域分析的致命缺陷判斷方法。上述各方法皆可以應用於製造工具,例如用於半導體廠、封裝廠、印刷電路製造廠、太陽能廠、面板廠、光罩廠與發光二極體廠的製造工具,且所述製造工具可以執行於具有計算能力的裝置中。相較於傳統方法,上述各方法可以把製造效率與產量提高數倍,並減少良率學習週期與製造成本。
請參照圖3,圖3為本發明實施例之缺陷分類法則建立方法的流程圖。在製造工具自動分類缺陷類型和判斷斷路或橋接致命缺陷之前,製造工具會先自動地建立出缺陷分類法則。然後,缺陷分類方法會基於缺陷分類法則,而進一步地決定缺陷類型。另外,致命缺陷判斷方法則會基於缺陷分類法則及關鍵
區域分析判斷斷路或橋接致命缺陷是否存在於半導體中。
在步驟S300中,將多個半導體圖像輸入至該製造工具,其中每個半導體圖像具有至少一缺陷。此多個半導體圖像係由掃描電子顯微鏡(scanning electron microscope,SEM)、光學顯微鏡以及電子束顯微鏡攝影而獲得。在步驟S302中,將作為例子之具有多個致命缺陷的多個缺陷分類圖像輸入至製造工具。在步驟S304中,將所有缺陷、圖形和背景製程材料資訊輸入至製造工具,其中材料可為多晶矽或金屬等材料,且金屬例如為銅。
值得說明的是,若基於作為例子之具有多個致命缺陷的多個缺陷分類圖像所建立的缺陷分類法則已足以對不同總類的所有缺陷都進行分類,則步驟S300可以被移除。然而,為了確保缺陷分類以及致命缺陷判斷的精確性,較佳的是,基於步驟S300所述的半導體圖像與作為例子之具有多個致命缺陷的多個缺陷分類圖像來建立缺陷分類法則。
在步驟S306中,製造工具對每一個輸入圖像(輸入圖像包括作為例子之具有多個致命缺陷的多個缺陷分類圖像與所輸入的半導體圖像)執行圖像偵測和分析,以創造出每一輸入圖像的缺陷、圖形和背景的多個圖像特徵。每一個輸入圖像的缺陷、圖形和背景的圖像偵測與分析結果係為每一個輸入圖像的缺陷、圖形和背景的圖像特徵。由於不同的材料和製程可能有不同的圖像特徵,例如,不同的亮度和不同的多邊形,因此所述缺陷、圖形和背景製程材料資訊可以用來指示製造工具執行適合的圖像偵測與分析。舉例來說,銅金屬的亮度為亮,而孔洞的亮度為暗。
圖像偵測和分析的實現方式說明如下,但卻不用以限制本
發明。圖像偵測和分析包括邊緣偵測、雜訊濾除、門檻值分析、特徵偵測、圖像尺度偵測、輪廓切割、特徵形狀分析、輪廓生成、圖形圖形比對、遮罩、邏輯運算、字形識別、對焦/散焦分析、光源偵測、色彩偵測與使用灰階共現矩陣(gray level co-occurrence matrix,GLCM)的紋理分析之至少其中之一。
邊緣偵測可以是離散餘弦變換(discrete cosine transformation,DCT)偵測,Sobel偵測或Canny偵測。雜訊的過濾可以為低通濾波、帶通濾波、中值濾波(median filtering)、Despeckle濾波或適性多項式濾波(fit polynomial filtering)。門檻值分析的門檻值可以為直方圖分佈分析門檻值,Otsu門檻值,區域直方圖分佈分析門檻值或二進位門檻值。特徵偵測可以是前述的邊緣偵測或Hough轉換的直線偵測。圖像尺度偵測可以為視野(field of view,FOV)尺補辨識、比例尺尺度辨識、與圖像畫素大小尺度辨識。輪廓切割可以為圖像特徵分割。特徵形狀分析可以為圓形、橢圓形與長方形偵測。輪廓產生可以為輪廓追蹤。圖形比對可以為位元映像圖形比對、角落圖形比對或頂點圖形比對。邏輯運算可以為加、減、反向運算、對數和指數的組合。字形識別可以為光學特性辨識。對焦/散焦分析可以為高斯模糊或Wiener濾波。色彩偵測可以為RGB分析。
在步驟S308中,基於每一輸入圖像的缺陷、圖形和背景的多個圖像特徵,製造工具創造出每一輸入圖像之缺陷、圖形和背景的多個製程特徵與多個圖像關聯性特徵。
值得說明的是,缺陷、圖形和背景的製程特徵之類型並
非用以限制本發明。製程特徵包括材料來源、位置、亮度、形狀、尺寸、邊緣、陰影、粗糙度、硬度和方向的至少其中之一。缺陷的材料來源為圖形材料、背景材料或顆粒,且圖形與背景的材料來源分別為圖形材料與背景材料。
值得說明的是,缺陷、圖形和背景的圖像關聯性特徵之類型並非用以限制本發明。圖像關聯性特徵包括相對位置、相對亮度、相對平滑度、俯視圖像、側視圖像、位於該缺陷之區域的圖形邊緣能見度、發生較佳位置、發散或收斂程度與先前圖形形狀的至少其中之一。舉例來說,缺陷對應於圖形的相對位置為上、下或相同,缺陷對應於背景的相對位置為上、下或相同,且圖形對應於背景的該相對位置為上、下或相同。
在步驟S310中,製造工具基於每一輸入圖像的缺陷、圖形和背景的多個圖像特徵、多個製程特徵與多個圖像關聯性特徵建立缺陷分類法則。不同的缺陷有不同的製程特徵、不同的圖項特徵和不同圖像關聯性特徵,因此製造工具會指派不同的多個特定識別碼給不同的缺陷。基於相同的理由,製造工具也會不同的多個特定識別碼給不同的圖形與背景。缺陷分類法則用以記錄缺陷、圖形和背景的圖像特徵、製程特徵、圖像關聯性特徵及其對應的特定識別碼。
換句話說,於缺陷分驗法則中,缺陷的特定辨別碼可以用來表示具有特定的圖像特徵、製程特徵與圖像關聯性特徵的缺陷。同樣地,圖形的特定辨別碼可以用來表示具有特定的圖像特徵、製程特徵與圖像關聯性特徵的圖形,而背景的特定辨別碼可以用來表示具有特定的圖像特徵、製程特徵與圖像關聯
性特徵的背景。
請參照圖4,圖4為本發明實施例提供之基於缺陷分類法則的缺陷分類方法的流程圖。使用上述缺陷分類方法的製造工具可以基於缺陷分類法則自動分類半導體的缺陷、圖形和背景。
在步驟S400中,將半導體圖像輸入至製造工具,其中半導體圖像具有至少一缺陷。在步驟S404中,將缺陷掃描數據輸入至製造工具,其中的缺陷掃描數據用以表示半導體圖像的批號或半導體圖像是在哪個製程中被攝影。因此,在製造工具建立分類結果後,製造工具的使用者可得知多個製程與批號的分類結果。在步驟S402中,載入缺陷分類法則方法至製造工具。
在步驟S406中,製造工具對每一個半導體圖像執行圖像偵測和分析,以創造出每一個半導體圖像之缺陷、圖形和背景的多個圖像特徵。然後,在步驟S408中,製造工具基於每一個半導體圖像的缺陷、圖形和背景的多個圖像特徵,創造出每一個半導體圖像之缺陷、圖形和背景的多個製程特徵與多個圖像關聯性特徵。
接著,在步驟S410中,製造工具基於缺陷分類法則對半導體圖像的缺陷、圖形與背景進行分類,以創造出半導體之缺陷的分類結果。最後,在步驟S412中,製造工具將半導體之缺陷的分類結果輸出至製造工具使用者或儲存裝置。
製造工具將半導體之缺陷的多個圖像特徵、多個製程特徵與多個圖像關聯性特徵與缺陷分類法則中所有缺陷的多個圖像特徵、多個製程特徵與多個圖像關聯性
特徵進行比對,以在缺陷分類法則中找出相似的缺陷,且製造工具將缺陷分類法則中相似的缺陷之對應的特定識別碼指派給半導體的缺陷。同樣地,製造工具將將缺陷分類法則中相近於半導體之圖形與背景的相似圖形與背景之對應的特定識別碼指派給半導體的圖形與背景。所述被指派之特定識別碼即為缺陷之分類結果的內容。
值得注意的是,基於缺陷分類法則的缺陷分類方法更包括下述的步驟。如果缺陷的特定識別碼為致命缺陷的特定識別碼,則製造工具可以大致判斷出致命缺陷存在於半導體中。另外,在下面的說明中,將進一步地描述其的致命缺陷判斷方法。
請參照圖5A和圖5B,圖5A與5B分別為本發明實施例之基於缺陷分類法則與關鍵區域分析的致命缺陷判斷方法之流程圖的上半部份與下半部份。製造工具會基於缺陷分類法則而先對半導體的缺陷分類,且接著,缺陷的分類結果可以據此用以來判斷斷路或橋接致命缺陷是否存在於半導體中。在圖5A中,步驟S500至步驟S512相同於步驟S400至步驟S412,故不再贅述。在步驟S514中,將典型缺陷類型和致命缺陷判斷知識輸入至製造工具。
接著,如圖5B所示,在步驟S516中,基於典型缺陷類型和致命缺陷判斷知識與缺陷的分類結果,製造工具創造出缺陷區域內的圖像圖形輪廓。在步驟S518中,基於典型缺陷類型和致命缺陷判斷知識與缺陷的分類結果,製造工具創造出缺陷輪廓,其中製造工具自半導體圖像剪下之缺陷輪廓,來獲得缺陷輪廓。在步驟S520,基於典型缺陷類型和致命缺陷判斷知識與缺陷的分類結果,製
造工具創造出缺陷區域外的圖像圖形輪廓。
在步驟S522中,製造工具恢復缺陷區域內的圖像圖形輪廓。上述恢復缺陷區域內的圖像圖形輪廓之細節可見於圖5C,在此,先將步驟S522的細節被省略。在步驟S524中,製造工具合併缺陷區域內所恢復的圖像圖形輪廓與缺陷區域外的圖像圖形輪廓,以創造出佈局多邊形的圖像圖形輪廓。接下來,在步驟S526,製造工具基於缺陷輪廓以及合併後的圖像圖形輪廓(亦即佈局多邊形的圖像圖形輪廓)執行關鍵區域分析,以取得關鍵區域分析結果。最後,在步驟S528中,製造工具根據關鍵區域分析結果判斷斷路或橋接致命缺陷是否存在於半導體中,也就是說,關鍵區域分析結果指出是否半導體中是否存在著使其失效的缺陷。值得注意的是,圖5A與圖5B所述之基於缺陷分類法則和關鍵區域分析的致命缺陷判斷方法並不需要設計佈局圖形檔案。
請參照圖5C,圖5C為本發明實施例之步驟S522的細節之流程圖。在步驟S5200中,製造工具移除缺陷輪廓與缺陷區域外的圖像圖形輪廓,以提取缺陷區域內的圖像圖形輪廓。然後,在步驟S5202中,製造工具延伸與連接缺陷區域內之圖像圖形輪廓之相對應之每兩個互不相連的端點,以恢復缺陷區域內的圖像圖形輪廓,其中經恢復後之缺陷區域內的圖像圖形輪廓近似於佈局多邊形。
請參照圖2和圖6A至圖6D,圖6A至圖6D分別為本發明實施例之缺陷輪廓、缺陷區域外之圖像圖形輪廓、缺陷區域內之圖像圖形輪廓與所恢復之缺陷區域內之
圖像圖形輪的示意圖。
製造工具將圖2中將半導體圖像之缺陷24的缺陷輪廓剪下,以據此獲得如圖6A所示之剪下的缺陷24的缺陷輪廓。。與缺陷輪廓不重疊的圖像圖形輪廓即為如圖6B所示之缺陷區域外的圖像圖形輪廓62。與缺陷輪廓重疊的圖像圖形輪廓即為如圖6C所示之缺陷區域內的圖像圖形輪廓64。製造工具延伸與連接每兩個互不相連的端點P1~P8,以獲得如同圖6D所示之缺陷區域內的圖像圖形多邊形166。
請參照圖7A和圖7B,圖7A與圖7B分別為本發明另一實施例之基於缺陷分類法則與關鍵區域分析的致命缺陷判斷方法之流程圖的上半部份與下半部份。不同於圖5A和圖5B之基於缺陷分類法則和關鍵區域分析的致命缺陷判斷方法,圖7A和圖7B之基於缺陷分類法則和關鍵區域分析的致命缺陷判斷方法使用設計佈局圖形檔案來判斷斷路或橋接致命缺陷。
在圖7A,步驟S700至S712相同圖4中的步驟S400至S412,因此不再贅述。在步驟S714中,將設計佈局圖形檔案輸入至製造工具。
在圖7B的步驟S728中,製造工具創造出半導體圖像的缺陷輪廓以及圖形輪廓。接下來,在步驟S724中,製造工具對半導體圖像和設計佈局圖形檔案之設計佈局圖形執行尺度比對,以調整設計佈局圖形檔案之設計佈局圖形的尺度。然後,在步驟S726中,製造工具對經尺度調整後的設計佈局圖形和半導體圖像進行圖形比對,以探得正確的缺陷座標。最後,在步驟S730中,對缺陷輪廓和經尺度調整後的設計佈局圖形執行關鍵區域分析,以
判斷斷路或橋接致命缺陷是否存在於半導體中。
綜上所述,本發明實施例提供了一種缺陷分類法則建立方法、基於缺陷分類法則的缺陷分類方法與基於缺陷分類法則與關鍵區域分析的致命缺陷判斷方法,且上述各方法可以應用於製造工具。當半導體製造廠房在使用上述方法來分類缺陷與判斷斷路或橋接致命缺陷時,將可以把製造效率與產量提高數倍,且同時可以減少良率學習週期。另外,上述基於缺陷分類法則和關鍵區域分析的致命缺陷判斷方法可以在不需要設計佈局圖形檔案的情況下,便能夠執行與判斷是有致命缺陷存在於半導體中。
以上所述僅為本發明之實施例,其並非用以侷限本發明之專利範圍。
S100~S106‧‧‧步驟流程
2‧‧‧半導體
20‧‧‧背景
22‧‧‧圖形
24‧‧‧缺陷
S300~S310‧‧‧步驟流程
S400~S412‧‧‧步驟流程
S500~S528‧‧‧步驟流程
S5200~S5202‧‧‧步驟流程
S700~S730‧‧‧步驟流程
62‧‧‧缺陷區域外的圖像圖形輪廓
64‧‧‧缺陷區域內的圖像圖形輪廓
66‧‧‧圖像圖形多邊形
P1~P8‧‧‧端點
圖1為傳統缺陷分類與致命缺陷判斷之方法的流程圖。
圖2為作為例子之半導體圖像的示意圖。
圖3為本發明實施例之缺陷分類法則建立方法的流程圖。
圖4為本發明實施例之基於缺陷分類法則的缺陷分類方法之流程圖。
圖5A與5B分別為本發明實施例之基於缺陷分類法則與關鍵區域分析的致命缺陷判斷方法之流程圖的上半部份與下半部份。
圖5C為本發明實施例之步驟S522的細節之流程圖。
圖6A至圖6D分別為本發明實施例之缺陷輪廓、
缺陷區域外之圖像圖形輪廓、缺陷區域內之圖像圖形輪廓與所恢復之缺陷區域內之圖像圖形輪的示意圖。
圖7A與圖7B分別為本發明另一實施例之基於缺陷分類法則與關鍵區域分析的致命缺陷判斷方法之流程圖的上半部份與下半部份。
S300~S310‧‧‧步驟流程
Claims (4)
- 一種致命缺陷判斷方法,用於一製造工具,基於一缺陷分類法則與一關鍵區域分析而可以判斷一致命缺陷,其中該缺陷分類法則係透過一缺陷分類法則建立方法而建立,其中該缺陷分類法則建立方法包括:將作為例子之具有多個致命缺陷的多個缺陷分類圖像輸入至該製造工具;將所有缺陷、圖形和背景製程材料資訊輸入至該製造工具;對每一個輸入圖像執行一圖像偵測和分析,以創造出每一輸入圖像的至少一缺陷、一圖形和一背景的多個圖像特徵,其中該些輸入圖像包括作為例子之具有該些致命缺陷的該些缺陷分類圖像;基於每一輸入圖像的該缺陷、該圖形和該背景的該些圖像特徵,創造出每一輸入圖像之該缺陷、該圖形和該背景的多個製程特徵與多個圖像關聯性特徵;以及基於每一輸入圖像的該缺陷、該圖形和該背景的該些圖像特徵、該些製程特徵與該些圖像關聯性特徵建立該缺陷分類法則,且該致命缺陷判斷方法包括:輸入一半導體圖像至該製造工具,其中該半導體圖像具有至少一缺陷;輸入一缺陷掃描數據至該製造工具;載入該缺陷分類法則;對每一個半導體圖像執行該圖像偵測和分析,以創造出每一個半導體圖像之該缺陷、該圖形和該背景的該些圖像特徵; 基於每一個半導體圖像的該缺陷、該圖形和該背景的該些圖像特徵,創造出每一個半導體圖像之該缺陷、該圖形和該背景的該些製程特徵與該些圖像關聯性特徵;基於該缺陷分類法則對該半導體圖像的該缺陷、該圖形與該背景進行分類,以創造出一半導體之該缺陷的一分類結果;將一典型缺陷類型和致命缺陷判斷知識輸入至該製造工具;基於該典型缺陷類型和致命缺陷判斷知識與該缺陷的該分類結果創造出一缺陷區域內的一圖像圖形輪廓、該缺陷區域外的一圖像圖形輪廓以及一缺陷輪廓;恢復該缺陷區域內的該圖像圖形輪廓;合併該缺陷區域內所恢復的該圖像圖形輪廓與該缺陷區域外的該圖像圖形輪廓,以創造出一佈局多邊形的一圖像圖形輪廓;基於該缺陷輪廓以及合併後的該圖像圖形輪廓執行該關鍵區域分析,以取得一關鍵區域分析結果;以及根據該關鍵區域分析結果判斷該致命缺陷是否存在於該半導體中。
- 如申請專利範圍第1項所述之致命缺陷判斷方法,其中該製造工具移除該缺陷輪廓與該缺陷區域外的該圖像圖形輪廓,以提取該缺陷區域內的該圖像圖形輪廓,且該製造工具延伸與連接該缺陷區域內之該圖像圖形輪廓之相對應之每兩個互不相連的端點,以恢復該缺陷區域內的該圖像圖形輪廓。
- 一種致命缺陷判斷方法,用於一製造工具,基於一缺陷分類法則與一關鍵區域分析而可以判斷一致命缺陷,其中該缺陷分類法則係透過一缺陷分類法則建立方法而建立,其中該缺陷分類法則建立方法包括:將作為例子之具有多個致命缺陷的多個缺陷分類圖像輸入至該製造工具;將所有缺陷、圖形和背景製程材料資訊輸入至該製造工具;對每一個輸入圖像執行一圖像偵測和分析,以創造出每一輸入圖像的至少一缺陷、一圖形和一背景的多個圖像特徵,其中該些輸入圖像包括作為例子之具有該些致命缺陷的該些缺陷分類圖像;基於每一輸入圖像的該缺陷、該圖形和該背景的該些圖像特徵,創造出每一輸入圖像之該缺陷、該圖形和該背景的多個製程特徵與多個圖像關聯性特徵;以及基於每一輸入圖像的該缺陷、該圖形和該背景的該些圖像特徵、該些製程特徵與該些圖像關聯性特徵建立該缺陷分類法則,且該致命缺陷判斷方法包括:輸入一半導體圖像至該製造工具,其中該半導體圖像具有至少一缺陷;輸入一缺陷掃描數據至該製造工具;載入該缺陷分類法則;對每一個半導體圖像執行該圖像偵測和分析,以創造出每一個半導體圖像之該缺陷、該圖形和該背景的該些圖像特徵; 基於每一個半導體圖像的該缺陷、該圖形和該背景的該些圖像特徵,創造出每一個半導體圖像之該缺陷、該圖形和該背景的該些製程特徵與該些圖像關聯性特徵;基於該缺陷分類法則對該半導體圖像的該缺陷、該圖形與該背景進行分類,以創造出一半導體之該缺陷的一分類結果;將一設計佈局圖形檔案輸入至該製造工具;創造出該半導體圖像的一缺陷輪廓以及一圖形輪廓;對該半導體圖像和該設計佈局圖形檔案之一設計佈局圖形執行一尺度比對,以調整該設計佈局圖形檔案之該設計佈局圖形的一尺度;對經尺度調整後的該設計佈局圖形和該半導體圖像進行一圖形比對,以探得正確的一缺陷座標;以及對該缺陷輪廓和經尺度調整後的該設計佈局圖形執行該關鍵區域分析,以判斷該致命缺陷是否存在於該半導體中。
- 如申請專利範圍第3項所述之致命缺陷判斷方法,其中該製造工具移除該缺陷輪廓與該缺陷區域外的該圖像圖形輪廓,以提取該缺陷區域內的該圖像圖形輪廓,且該製造工具延伸與連接該缺陷區域內之該圖像圖形輪廓之相對應之每兩個互不相連的端點,以恢復該缺陷區域內的該圖像圖形輪廓。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/338,672 US8908957B2 (en) | 2011-12-28 | 2011-12-28 | Method for building rule of thumb of defect classification, and methods for classifying defect and judging killer defect based on rule of thumb and critical area analysis |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201330135A TW201330135A (zh) | 2013-07-16 |
TWI480967B true TWI480967B (zh) | 2015-04-11 |
Family
ID=48677012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101144587A TWI480967B (zh) | 2011-12-28 | 2012-11-28 | 缺陷分類法則建立方法、缺陷分類方法與基於該缺陷分類法則與關鍵區域分析的致命缺陷判斷方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8908957B2 (zh) |
CN (1) | CN103185730B (zh) |
TW (1) | TWI480967B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103811369B (zh) * | 2013-10-21 | 2016-09-07 | 上海华力微电子有限公司 | 铜连接孔刻蚀不足缺陷在线检测方法 |
US10650508B2 (en) | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
CN110709887B (zh) * | 2017-01-18 | 2023-10-24 | Asml荷兰有限公司 | 级联缺陷检查 |
US11238579B2 (en) * | 2017-01-18 | 2022-02-01 | Asml Netherlands B.V. | Defect pattern grouping method and system |
CN107590511A (zh) * | 2017-08-30 | 2018-01-16 | 武汉华星光电技术有限公司 | 一种缺陷识别方法以及用于自动检查机的缺陷识别*** |
CN107886495B (zh) * | 2017-09-30 | 2020-04-14 | 北京得华机器人技术研究院有限公司 | 一种基于相似度匹配的汽车零配件缺陷识别方法 |
JP2019066399A (ja) * | 2017-10-04 | 2019-04-25 | 三菱電機株式会社 | 半導体装置仕分けシステムおよび半導体装置 |
TWI692700B (zh) * | 2017-10-05 | 2020-05-01 | 敖翔科技股份有限公司 | 智慧型的缺陷校正系統與其實施方法 |
CN108133900A (zh) * | 2017-12-21 | 2018-06-08 | 上海华力微电子有限公司 | 一种缺陷扫描机台及其缺陷自动分类方法 |
CN110021005B (zh) * | 2018-01-05 | 2022-03-15 | 财团法人工业技术研究院 | 电路板瑕疵筛选方法及其装置与计算机可读取记录介质 |
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 |
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 |
CN110969175B (zh) * | 2018-09-29 | 2022-04-12 | 长鑫存储技术有限公司 | 晶圆处理方法及装置、存储介质和电子设备 |
CN110796187A (zh) * | 2019-10-22 | 2020-02-14 | 西安奕斯伟硅片技术有限公司 | 不良分类方法及装置 |
CN111054638A (zh) * | 2019-11-27 | 2020-04-24 | 奥特斯科技(重庆)有限公司 | 制造部件承载件的方法及在制造期间操控面板的设备 |
CN111079564B (zh) | 2019-11-27 | 2021-06-01 | 奥特斯科技(重庆)有限公司 | 处理部件承载件的方法及光学检查设备和计算机可读介质 |
TWI757973B (zh) | 2019-12-06 | 2022-03-11 | 美商伊路米納有限公司 | 使用圖形檔案控制電子元件的方法和裝置以及相關的電腦程式產品和圖形檔案組 |
WO2024036552A1 (en) * | 2022-08-18 | 2024-02-22 | Applied Materials, Inc. | Method for defect review measurement on a substrate, apparatus for imaging a substrate, and method of operating thereof |
CN117783769B (zh) * | 2024-02-28 | 2024-05-10 | 国网山西省电力公司太原供电公司 | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040218806A1 (en) * | 2003-02-25 | 2004-11-04 | Hitachi High-Technologies Corporation | Method of classifying defects |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
US6246787B1 (en) * | 1996-05-31 | 2001-06-12 | Texas Instruments Incorporated | System and method for knowledgebase generation and management |
US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
US6092059A (en) * | 1996-12-27 | 2000-07-18 | Cognex Corporation | Automatic classifier for real time inspection and classification |
US6148099A (en) * | 1997-07-03 | 2000-11-14 | Neopath, Inc. | Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification |
US6922482B1 (en) * | 1999-06-15 | 2005-07-26 | Applied Materials, Inc. | Hybrid invariant adaptive automatic defect classification |
WO2003028089A1 (fr) * | 2001-09-19 | 2003-04-03 | Olympus Optical Co., Ltd. | Systeme de controle de tranches en semiconducteur |
US7142992B1 (en) * | 2004-09-30 | 2006-11-28 | Kla-Tencor Technologies Corp. | Flexible hybrid defect classification for semiconductor manufacturing |
JP5002961B2 (ja) * | 2006-01-11 | 2012-08-15 | ソニー株式会社 | 欠陥検査装置及び欠陥検査方法 |
JP2008145226A (ja) * | 2006-12-08 | 2008-06-26 | Olympus Corp | 欠陥検査装置及び欠陥検査方法 |
US7987150B1 (en) * | 2007-02-09 | 2011-07-26 | Siglaz | Method and apparatus for automated rule-based sourcing of substrate microfabrication defects |
CN101178809A (zh) * | 2007-10-12 | 2008-05-14 | 西安电子科技大学 | 集成电路功能成品率估计方法 |
US8095895B2 (en) | 2009-01-14 | 2012-01-10 | Iyun Leu | Method for defect diagnosis and management |
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 |
US8473223B2 (en) | 2009-10-07 | 2013-06-25 | Iyun Leu | Method for utilizing fabrication defect of an article |
-
2011
- 2011-12-28 US US13/338,672 patent/US8908957B2/en not_active Expired - Fee Related
-
2012
- 2012-11-28 TW TW101144587A patent/TWI480967B/zh not_active IP Right Cessation
- 2012-12-19 CN CN201210560801.4A patent/CN103185730B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040218806A1 (en) * | 2003-02-25 | 2004-11-04 | Hitachi High-Technologies Corporation | Method of classifying defects |
Also Published As
Publication number | Publication date |
---|---|
TW201330135A (zh) | 2013-07-16 |
CN103185730A (zh) | 2013-07-03 |
US20130170733A1 (en) | 2013-07-04 |
CN103185730B (zh) | 2015-05-13 |
US8908957B2 (en) | 2014-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI480967B (zh) | 缺陷分類法則建立方法、缺陷分類方法與基於該缺陷分類法則與關鍵區域分析的致命缺陷判斷方法 | |
US7409081B2 (en) | Apparatus and computer-readable medium for assisting image classification | |
US8045789B2 (en) | Method and apparatus for inspecting defect of pattern formed on semiconductor device | |
CN115791822A (zh) | 晶圆表面缺陷的视觉检测算法及检测*** | |
TWI692700B (zh) | 智慧型的缺陷校正系統與其實施方法 | |
US20130117723A1 (en) | Pattern shape evaluation method, pattern shape evaluation device, pattern shape evaluating data generation device and semiconductor shape evaluation system using the same | |
JP4966893B2 (ja) | 一致度計算装置及び方法、プログラム | |
US7978904B2 (en) | Pattern inspection apparatus and semiconductor inspection system | |
CN114897847A (zh) | 图像处理方法及装置、计算机可读存储介质、电子设备 | |
TWI708155B (zh) | 用於提供特徵分類以用於光微影遮罩之檢測之方法及系統 | |
CN113538392B (zh) | 晶圆的检测方法、设备及存储介质 | |
CN112115948A (zh) | 一种基于深度学习的芯片表面字符识别方法 | |
CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和*** | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其*** | |
JP2015040827A (ja) | 欠陥判定装置および欠陥判定方法 | |
CN106169431B (zh) | 基于gpu的掩膜版和晶圆缺陷检测方法 | |
WO2015015945A1 (ja) | 欠陥候補特定装置、欠陥候補特定方法、欠陥判定装置、欠陥検査装置、欠陥候補特定プログラム及び記録媒体 | |
JP2011008482A (ja) | 欠陥検出方法、欠陥検出装置、および欠陥検出プログラム | |
JP4982125B2 (ja) | 欠陥検査方法及びパターン抽出方法 | |
CN117132797A (zh) | 一种lcd显示屏polmark定位检测方法及*** | |
JP3536884B2 (ja) | 半導体ウエハの欠陥分類方法及びその装置 | |
US11644427B2 (en) | Automatic detection method and automatic detection system for detecting crack on wafer edges | |
KR101294953B1 (ko) | 핑거패턴 제거에 의한 비등방성 확산 모델 기반의 마이크로 크랙의 검사 방법 | |
JPH03175343A (ja) | 外観検査による欠陥抽出方法 | |
CN101075295B (zh) | 被动式及交互式实时影像辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |