TWI779700B - 用於分類半導體晶圓之方法及設備 - Google Patents

用於分類半導體晶圓之方法及設備 Download PDF

Info

Publication number
TWI779700B
TWI779700B TW110124575A TW110124575A TWI779700B TW I779700 B TWI779700 B TW I779700B TW 110124575 A TW110124575 A TW 110124575A TW 110124575 A TW110124575 A TW 110124575A TW I779700 B TWI779700 B TW I779700B
Authority
TW
Taiwan
Prior art keywords
semiconductor wafers
subset
parameter data
data
wafers
Prior art date
Application number
TW110124575A
Other languages
English (en)
Other versions
TW202217466A (zh
Inventor
迪米特拉 吉科魯
瓦希德 巴斯塔尼
瑞莎 沙雷伊恩
希拉 艾米爾 塔伯里
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202217466A publication Critical patent/TW202217466A/zh
Application granted granted Critical
Publication of TWI779700B publication Critical patent/TWI779700B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67271—Sorting devices
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Centrifugal Separators (AREA)

Abstract

本發明揭示用於分類半導體晶圓之方法及設備。該方法包含：使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性；基於一或多個半導體晶圓被正確地分配至一子集的一機率來識別該子集內之該一或多個半導體晶圓；比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及基於該比較重新組態該模型。該比較係由一人類進行以提供對該模型之約束。該設備經組態以進行該方法。

Description

用於分類半導體晶圓之方法及設備
本發明係關於用於分類半導體晶圓之方法及相關聯設備。更具體言之，本發明可關於分類半導體晶圓以用於診斷、監測及/或預測未來製作效能的方法。
微影設備為經建構以將所要圖案施加至基板上之機器。微影設備可用於例如積體電路(IC)之製造中。微影設備可例如將圖案化裝置(例如遮罩)處之圖案(亦常常被稱作「設計佈局」或「設計」)投影至提供於基板(例如晶圓)上之輻射敏感材料(抗蝕劑)層上。
為了將圖案投影於基板上，微影設備可使用電磁輻射。此輻射之波長判定可形成於基板上之特徵之最小大小。當前在使用中之典型波長為365 nm (i線)、248 nm、193 nm及13.5 nm。與使用例如具有193 nm之波長之輻射的微影設備相比，使用具有在4 nm至20 nm之範圍內(例如6.7 nm或13.5 nm)之波長之極紫外線(EUV)輻射的微影設備可用以在基板上形成較小特徵。
低k 1微影可用以處理尺寸小於微影設備之經典解析度極限的特徵。在此製程中，可將解析度公式表示為CD = k 1×λ/NA，其中λ為所使用輻射之波長、NA為微影設備中之投影光學件之數值孔徑、CD為「關鍵尺寸」(通常為經印刷之最小特徵大小，但在此狀況下為半節距)且k 1為經驗解析度因數。一般而言，k 1愈小，則在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難，可將複雜微調步驟應用至微影投影設備及/或設計佈局。此等步驟包括例如但不限於：NA之最佳化、自訂照明方案、相移圖案化裝置之使用、設計佈局之各種最佳化，諸如設計佈局中之光學近接校正(OPC，有時亦被稱作「光學及製程校正」)，或通常被定義為「解析度增強技術」(RET)之其他方法。替代地，用於控制微影設備之穩定性之嚴格控制迴路可用以改良在低k 1下之圖案之再生。
在微影製程中，需要頻繁地對所產生之結構進行量測，例如，以用於製程控制及驗證。用於進行此類量測之各種工具為吾人所知，包括常常用以量測關鍵尺寸(CD)之掃描電子顯微鏡，及用以量測疊對(裝置中兩個層之對準準確度)之特殊化工具。近來，已開發供微影領域中使用的各種形式之散射計。此外，可在半導體晶圓之特定區域上，例如在個別晶粒上進行良率測試。通常，以依序方式應用一系列單獨的良率測試。
量測及/或良率測試可提供用於晶圓之參數資料。可使用機器學習演算法之模型可接著基於參數資料將晶圓集合分選成複數個子集，此可允許製作製程之診斷、監測及效能預測。
本發明人已瞭解，當模型正將晶圓分選成子集時，較大準確度係合乎需要的。另外，參數資料(例如良率資料)可用以研究可關注的晶圓之特定特徵及/或區域及/或製作製程之特徵。本文中所揭示之方法及設備可針對解決彼等問題及/或將為熟習此項技術者所知的此項技術中之其他問題。
根據本發明，在一態樣中，提供一種用於分類半導體晶圓之方法，該方法包含：使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性；基於一或多個半導體晶圓被正確地分配至一子集的一機率來識別該子集內之該一或多個半導體晶圓；比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及基於該比較重新組態該模型。
視情況，該方法進一步包含基於該經重新組態模型而重新分選該半導體晶圓集合之至少部分。
視情況，該參考參數資料包含與該子集相關聯的該參數資料之該等共同特性及/或該半導體晶圓集合中之一或多個另外半導體晶圓之參數資料。
視情況，該參考資料包含與該子集相關聯的該參數資料之該等共同特性，且其中該比較包含識別該等經識別半導體晶圓之該參數資料之一部分，該參數資料之該部分與該參數資料之至少一個其他部分相比提供該等經識別半導體晶圓應或不應被分配至該子集的一較強指示。
視情況，該等參數資料晶圓之提供一較強指示的該部分包含：必須存在於用於待分配至該子集之一經識別半導體晶圓之該參數資料中的一部分，及/或必須不可存在於用於待分配至該子集之一經識別半導體晶圓之該參數資料中的一部分。
視情況，識別該參數資料之該部分包含自一人類接收指示是否應將該等經識別半導體晶圓分配至該子集之一輸入。
視情況，該參考資料包含該半導體晶圓集合中之兩個另外半導體晶圓之該參數資料。
視情況，該比較包含判定該一或多個經識別半導體晶圓中之至少一者之該參數資料之一子集與該兩個另外半導體晶圓之該參數資料之對應子集之間的一分離度。
視情況，該比較包含判定該一或多個經識別半導體晶圓中之該至少一者之該參數資料的該子集與該兩個另外半導體晶圓之該參數資料的該等對應子集之間的一相對分離度。
視情況，該一或多個經識別半導體晶圓中之該至少一者之該參數資料的該子集係與一半導體晶圓之一所關注區及/或特徵相關。
視情況，該比較包含自一人類接收該兩個另外半導體晶圓之該參數資料的哪一子集更接近於該一或多個經識別半導體晶圓中之至少一者之該參數資料的該子集的一指示。
視情況，該方法進一步包含判定該一或多個半導體晶圓被正確地分配至該子集的該機率。
視情況，判定該機率包含判定用於一半導體晶圓之該參數資料之至少部分與該子集之該等共同特性的一分離度。
視情況，該子集包含一另外子集。
視情況，該參數資料包含與該半導體晶圓集合上之複數個區域相關聯的良率資料。
視情況，該良率資料已藉由依序對該複數個區域進行複數個測試而判定。
視情況，該良率資料包含指示該複數個區域已通過及/或未通過該複數個測試中之哪一者的資料。
視情況，該良率資料包含指示該複數個區域中之一或多者通過該複數個測試中之一或多者的一修復密度的資料。
視情況，該等共同特性包含關於該半導體晶圓之至少部分上之該複數個區域的一共同良率資料圖案。
視情況，該共同良率資料圖案對應於該半導體晶圓集合之至少臨限數目的一良率資料圖案。
視情況，若該共同良率資料圖案與該半導體晶圓集合中之一半導體晶圓之一良率資料圖案的一分離度小於一臨限分離值，則該共同良率資料圖案對應於該良率資料圖案。
視情況，該等區域包含一或多個晶粒。
視情況，該模型經配置以基於該參數資料判定該複數個子集及/或一子集之該等共同特性。
視情況，該模型包含一機器學習演算法。
視情況，該比較係由人類進行。
根據本發明，在一態樣中，提供一種電腦程式，其包含在經執行於至少一個處理器上時致使該至少一個處理器控制一設備以進行如本文中所揭示之任一項的方法的指令。
根據本發明，在一態樣中，提供一種載體，其含有電腦程式，其中該載體為一電子信號、光學信號、無線電信號或非暫時性電腦可讀儲存媒體中之一者。
根據本發明，在一態樣中，提供一種用於分類半導體晶圓之設備，該設備包含一或多個處理器，該一或多個處理器經組態以執行電腦程式碼以進行以下方法：使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性；基於一或多個半導體晶圓被正確地分配至一子集的一機率來識別該子集內之該一或多個半導體晶圓；比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及基於該比較重新組態該模型。
根據本發明，在一態樣中，提供一種微影設備，其包含該設備。
根據本發明，在一態樣中，提供一種微影單元，其包含該微影設備。
根據本發明，在一態樣中，提供一種用於分類半導體晶圓之方法，該方法包含：使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性；基於該集合內之一或多個半導體晶圓應被分配至一另外子集的一機率來識別該一或多個半導體晶圓；比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及基於該比較重新組態該模型。
根據本發明，在一態樣中，提供一種用於分類半導體晶圓之設備，該設備包含一或多個處理器，該一或多個處理器經組態以執行電腦程式碼以進行以下方法：使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性；基於該集合內之一或多個半導體晶圓應被分配至一另外子集的一機率來識別該一或多個半導體晶圓；比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及基於該比較重新組態該模型。
一般而言，本文中揭示用於分類半導體之方法及設備。該分類可基於參數資料，諸如良率資料，但亦可使用其他參數。在良率資料之實例中，可為機器學習模型的模型基於用於半導體晶圓集合之良率資料來分類該半導體晶圓集合。子集內之晶圓包括至少部分地對應於用於該子集之共同良率資料圖案的良率資料圖案。此共同良率資料圖案可被稱為子集之共同特性或子集之指紋。可基於一或多個晶圓之良率資料圖案與用於子集之指紋之間的分離度而識別彼等晶圓以供查詢。舉例而言，可識別在子集之邊緣處或附近的彼等晶圓。在一項實施例中，可比較經識別晶圓之良率資料圖案與適當子集之指紋以用於確認晶圓是應在該子集中抑或不應在該子集中。在另一實施例中，可比較經識別晶圓之良率資料圖案與集合中之至少兩個另外晶圓的良率資料圖案。該比較可基於來自人類操作員或工程師之輸入。可接著基於該比較重新組態模型。在機器學習演算法之狀況下，可在半監督學習製程中使用該比較。
在描述本文中所揭示之方法及設備的實施例之前，以下為可實施彼等實施例中之一或多者的實例環境之一般描述。
在本發明文件中，術語「輻射」及「光束」用於涵蓋所有類型之電磁輻射及粒子輻射，包括紫外線輻射(例如，具有為365 nm、248 nm、193 nm、157 nm或126 nm之波長)、極紫外輻射(EUV，例如具有在約5 nm至100 nm的範圍內之波長)、X射線輻射、電子束輻射及其他粒子輻射。
如本文中所採用之術語「倍縮光罩」、「遮罩」或「圖案化裝置」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化裝置，該經圖案化橫截面對應於待在基板之目標部分中產生之圖案。在此內容背景中，亦可使用術語「光閥」。除經典遮罩(透射或反射；二元、相移、混合式等)以外，其他此類圖案化裝置之實例包括可程式化鏡面陣列及可程式化LCD陣列。
圖1示意性地描繪微影設備LA。該微影設備LA包括：照明系統(亦被稱作照明器) IL，其經組態以調節輻射光束B (例如UV輻射、DUV輻射、EUV輻射或X射線輻射)；遮罩支撐件(例如遮罩台) T，其經建構以支撐圖案化裝置(例如遮罩) MA且連接至經組態以根據某些參數來準確地定位該圖案化裝置MA之第一***PM；基板支撐件(例如晶圓台) WT，其經建構以固持基板(例如抗蝕劑塗佈晶圓) W且連接至經組態以根據某些參數來準確地定位該基板支撐件之第二***PW；及投影系統(例如折射投影透鏡系統) PS，其經組態以將由圖案化裝置MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如包含一或多個晶粒)上。
在操作中，照明系統IL例如經由光束遞送系統BD自輻射源SO接收輻射光束。照明系統IL可包括用於引導、塑形及/或控制輻射的各種類型之光學組件，諸如折射、反射、繞射、磁性、電磁、靜電及/或其他類型之光學組件，或其任何組合。照明器IL可用以調節輻射光束B，以在圖案化裝置MA之平面處在其橫截面中具有所要空間及角強度分佈。
本文所使用之術語「投影系統」PS應被廣泛地解譯為涵蓋適於所使用之曝光輻射及/或適於諸如浸潤液體之使用或真空之使用之其他因素的各種類型之投影系統，包括折射、反射、反射折射、合成、磁性、電磁及/或靜電光學系統，或其任何組合。可認為本文中對術語「投影透鏡」之任何使用皆與更一般之術語「投影系統」PS同義。
微影設備LA可屬於如下類型：其中基板之至少一部分可由具有相對較高折射率之液體(例如水)覆蓋，以便填充投影系統PS與基板W之間的空間-此亦被稱作浸潤微影。全文係以引用方式併入本文中之US6952253中給出關於浸潤技術之更多資訊。
微影設備LA亦可屬於具有兩個或多於兩個基板支撐件WT (又名「雙載物台」)之類型。在此「多載物台」機器中，可並行地使用基板支撐件WT，及/或可對位於基板支撐件WT中之一者上的基板W進行準備基板W之後續曝光的步驟，同時將另一基板支撐件WT上之另一基板W用於在該另一基板W上曝光圖案。
除了基板支撐件WT以外，微影設備LA亦可包含量測載物台。量測載物台經配置以固持感測器及/或清潔裝置。感測器可經配置以量測投影系統PS之屬性或輻射光束B之屬性。量測載物台可固持多個感測器。清潔裝置可經配置以清潔微影設備之部分，例如投影系統PS之部分或提供浸潤液體之系統之部分。量測載物台可在基板支撐件WT遠離投影系統PS時在投影系統PS下方移動。
在操作中，輻射光束B入射於被固持於遮罩支撐件T上之圖案化裝置(例如遮罩) MA上，且係由存在於圖案化裝置MA上之圖案(設計佈局)而圖案化。在已橫穿遮罩MA的情況下，輻射光束B穿過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二***PW及位置量測系統IF，可準確地移動基板支撐件WT，例如以便使不同目標部分C在輻射光束B之路徑中定位於經聚焦且對準之位置處。相似地，第一***PM及可能另一位置感測器(其未在圖1中明確地描繪)可用以相對於輻射光束B之路徑來準確地定位圖案化裝置MA。可使用遮罩對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置MA及基板W。儘管如所說明之基板對準標記P1、P2佔據專用目標部分，但該等標記可位於目標部分之間的空間中。當基板對準標記P1、P2位於目標部分C之間時，此等基板對準標記P1、P2被稱為切割道對準標記。
如圖2所展示，微影設備LA可形成微影單元(lithographic cell) LC (有時亦被稱作微影單元(lithocell)或(微影)叢集)之部分，微影單元LC常常亦包括用以對基板W執行曝光前製程及曝光後製程之設備。通常，此等設備包括用以沈積抗蝕劑層之旋塗器SC、用以顯影經曝光抗蝕劑之顯影器DE、例如用於調節基板W之溫度例如以用於調節抗蝕劑層中之溶劑之冷卻板CH及烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板W、在不同製程設備之間移動基板W且將基板W遞送至微影設備LA之裝載匣LB。微影單元中常常亦被集體地稱作track之裝置可在track控制單元TCU之控制下，track控制單元TCU自身可受到監督控制系統SCS控制，監督控制系統SCS亦可例如經由微影控制單元LACU而控制微影設備LA。
在微影製程中，需要頻繁地對所產生之結構進行量測，例如，以用於製程控制及驗證。用以進行此類量測之工具可被稱為度量衡工具MT。用於進行此類量測之不同類型的度量衡工具MT為吾人所知，包括掃描電子顯微鏡或各種形式之散射計度量衡工具MT。散射計為多功能器具，其允許藉由在光瞳或與散射計之接物鏡之光瞳共軛的平面中設置感測器來量測微影製程之參數(量測通常被稱作以光瞳為基礎之量測)，或藉由在影像平面或與影像平面共軛之平面中設置感測器來量測微影製程之參數，在此狀況下量測通常被稱作以影像或場為基礎之量測。以全文引用之方式併入本文中之專利申請案US20100328655、US2011102753A1、US20120044470A、US20110249244、US20110026032或EP1628164A中進一步描述此類散射計及相關聯量測技術。前述散射計可使用來自軟x射線、極紫外線及可見光至近IR波長範圍之光來量測光柵。
為了正確且一致地曝光由微影設備LA曝光之基板W，需要檢測基板以量測經圖案化結構之屬性，諸如後續層之間的疊對誤差、線厚度、關鍵尺寸(CD)等。為了此目的，可在微影單元LC中包括檢測工具及/或度量衡工具(圖中未繪示)。若偵測到誤差，則可對後續基板之曝光或對待對基板W執行之其他處理步驟進行例如調整，尤其是在同一批量或批次之其他基板W仍待曝光或處理之前進行檢測的情況下。
亦可被稱作度量衡設備之檢測設備用以判定基板W之屬性，且尤其判定不同基板W之屬性如何變化或與同一基板W之不同層相關聯之屬性在不同層間如何變化。檢測設備可替代地經建構以識別基板W上之缺陷，且可例如為微影單元LC之部分，或可整合至微影設備LA中，或可甚至為單機裝置。檢測設備可量測潛影(在曝光之後在抗蝕劑層中之影像)上之屬性，或半潛影(在曝光後烘烤步驟PEB之後在抗蝕劑層中之影像)上之屬性，或經顯影抗蝕劑影像(其中抗蝕劑之曝光部分或未曝光部分已被移除)上之屬性，或甚至經蝕刻影像(在諸如蝕刻之圖案轉印步驟之後)上之屬性。
在第一實施例中，散射計MT為角度解析散射計。在此散射計中，重建構方法可應用於經量測信號以重建構或計算光柵之屬性。此重建構可例如來自模擬散射輻射與目標結構之數學模型之相互作用且比較模擬結果與量測之結果。調整數學模型之參數直至經模擬相互作用產生相似於自真實目標觀測到之繞射圖案的繞射圖案為止。
在第二實施例中，散射計MT為光譜散射計MT。在此光譜散射計MT中，由輻射源發射之輻射經引導至目標上且來自目標之反射或散射輻射經引導至光譜儀偵測器上，該光譜儀偵測器量測鏡面反射輻射之光譜(亦即依據波長而變化的強度之量測)。自此資料，可例如藉由嚴密耦合波分析及非線性回歸或藉由與經模擬光譜庫比較來重建構產生經偵測到之光譜的目標之結構或剖面。
在第三實施例中，散射計MT為橢圓量測散射計。橢圓量測散射計允許藉由量測針對每一偏振狀態之散射輻射來判定微影製程之參數。此度量衡設備藉由在度量衡設備之照明區段中使用例如適當偏振濾光器來發射偏振光(諸如線性、圓形或橢圓)。適合於度量衡設備之源亦可提供偏振輻射。全文係以引用方式併入本文中之美國專利申請案11/451,599、11/708,678、12/256,780、12/486,449、12/920,968、12/922,587、13/000,229、13/033,135、13/533,110及13/891,410中描述現有橢圓量測散射計之各種實施例。
在散射計MT之一項實施例中，散射計MT適用於藉由量測反射光譜及/或偵測組態中之不對稱性(該不對稱性係與疊對之範圍有關)來量測兩個未對準光柵或週期性結構之疊對。可將兩個(可重疊)光柵結構施加於兩個不同層(未必為連續層)中，且該兩個光柵結構可形成為處於晶圓上實質上相同的位置。散射計可具有如例如共同擁有之專利申請案EP1,628,164A中所描述之對稱偵測組態，使得任何不對稱性係可明確區分的。此提供用以量測光柵中之未對準之直接了當的方式。可在全文係以引用方式併入本文中之PCT專利申請公開案第WO 2011/012624號或美國專利申請案第US 20160161863號中找到關於含有作為目標之週期性結構之兩個層之間的疊對誤差經由該等週期性結構之不對稱性予以量測的另外實例。
其他所關注參數可為焦點及劑量。可藉由如全文係以引用方式併入本文中之美國專利申請案US2011-0249244中所描述之散射量測(或替代地藉由掃描電子顯微法)同時判定焦點及劑量。可使用具有針對焦點能量矩陣(FEM-亦被稱作焦點曝光矩陣)中之每一點之關鍵尺寸及側壁角量測之獨特組合的單一結構。若可得到關鍵尺寸及側壁角之此等獨特組合，則可根據此等量測獨特地判定焦點及劑量值。
度量衡目標可為藉由微影製程主要在抗蝕劑中形成且亦在例如蝕刻製程之後形成的複合光柵之總體。光柵中之結構之節距及線寬可在很大程度上取決於量測光學件(尤其光學件之NA)以能夠捕捉來自度量衡目標之繞射階。如較早所指示，繞射信號可用以判定兩個層之間的移位(亦被稱作「疊對」)或可用以重建構如藉由微影製程所產生的原始光柵之至少一部分。此重建構可用以提供微影製程之品質指導，且可用以控制微影製程之至少一部分。目標可具有較小子分段，該等子分段經組態以模仿目標中之設計佈局之功能性部分之尺寸。歸因於此子分段，目標將表現得更相似於設計佈局之功能性部分，使得總體製程參數量測較佳類似於設計佈局之功能性部分。可在填充不足模式中或在填充過度模式中量測目標。在填充不足模式中，量測光束產生小於總體目標之光點。在填充過度模式中，量測光束產生大於總體目標之光點。在此填充過度模式中，亦有可能同時量測不同目標，因此同時判定不同處理參數。
使用特定目標進行之微影參數之總體量測品質至少部分由用以量測此微影參數之量測配方判定。術語「基板量測配方」可包括量測自身之一或多個參數、經量測之一或多個圖案之一或多個參數，或此兩者。舉例而言，若用於基板量測配方中之量測為以繞射為基礎之光學量測，則量測之參數中之一或多者可包括輻射之波長、輻射之偏振、輻射相對於基板之入射角、輻射相對於基板上之圖案之定向等。用以選擇量測配方的準則中之一者可為例如量測參數中之一者對於處理變化的敏感度。全文係以引用方式併入本文中之美國專利申請案US2016-0161863及已公佈美國專利申請案US 2016/0370717A1中描述更多實例。
微影設備LA中之圖案化製程可為在處理中之最具決定性步驟中的一者，其需要基板W上之結構之尺寸標定及置放之高準確度。為了確保此高準確度，可將三個系統組合於所謂的「整體」控制環境中，如圖3中示意性地所描繪。此等系統中之一者為微影設備LA，其(實際上)連接至度量衡工具MT (第二系統)且連接至電腦系統CL (第三系統)。此「整體」環境之關鍵在於最佳化此等三個系統之間的合作以增強總體製程窗且提供嚴格控制迴路，從而確保由微影設備LA執行之圖案化保持在製程窗內。製程窗界定製程參數(例如劑量、焦點、疊對)之範圍，在該製程參數範圍內特定製造製程產生所界定結果(例如功能半導體裝置)-可能在該製程參數範圍內，微影製程或圖案化製程中之製程參數被允許變化。
電腦系統CL可使用待圖案化之設計佈局(之部分)以預測使用哪種解析度增強技術且執行運算微影模擬及計算以判定哪種遮罩佈局及微影設備設定達成圖案化製程之最大總體製程窗(在圖3中由第一標度SC1中之雙箭頭描繪)。解析度增強技術可經配置以匹配微影設備LA之圖案化可能性。電腦系統CL亦可用以偵測在製程窗內何處微影設備LA當前正操作(例如使用來自度量衡工具MET之輸入)以便預測歸因於例如次佳處理是否可存在缺陷(在圖3中由第二標度SC2中之指向「0」之箭頭描繪)。
度量衡工具MET可將輸入提供至電腦系統CL以實現準確模擬及預測，且可將回饋提供至微影設備LA以識別例如微影設備LA之校準狀態中的可能漂移(在圖3中由第三標度SC3中之多個箭頭描繪)。
現在詳細描述本文中所揭示之方法及設備之例示性配置。論述與良率資料相關之例示性配置，但熟習此項技術者將理解，可使用其他參數資料。舉例而言，本文中所揭示之方法及設備可經配置以使用包含疊對、CD或任何其他類型之半導體度量衡資料之參數資料來操作。
度量衡工具MET可經配置以對已在微影設備LA中經圖案化之半導體晶圓執行良率測試。此類良率測試可在晶粒位階下進行。良率測試之結果可經表示為二進位通過/未通過值，或可經呈現為應用於晶粒以便使其通過測試之修復數目的計數(密度)。
良率資料可為來自以依序方式對半導體晶圓之特定區域(諸如晶粒)進行的複數個良率測試之輸出。複數個良率測試中之一者之結果置放於具有自有碼(所謂的頻率組碼)之「頻率組」中。在一些配置中，可在複數個晶粒上進行測試，且將測試之結果置放於具有與彼測試相關之頻率組碼的頻率組中。在記憶體裝置單元上引入冗餘之後，若晶粒在一次測試上未通過，則可將修復應用於其直至達到特定容量。若超過彼容量，則晶粒被認為未通過測試。一旦晶粒未通過測試，就不將系列中之其他測試應用於該晶粒。如本文中所使用，術語「良率資料」涵蓋二進位通過/未通過值、晶圓通過測試所需之修復計數(或密度)及/或晶粒未通過之頻率組碼。可將良率資料視覺化為展示橫越一或多個半導體晶圓之複數個場、晶粒之良率資料的映圖或圖案。
將晶圓分選成各自具有共同特性或共同指紋的子集或群組係有用於以每晶圓為基礎進行診斷、監測及良率預測。儘管有優點，但大多數當前基於指紋之晶圓分類方法具有與其相關聯的將為熟習此項技術者所理解的多個問題。
用於基於參數資料(諸如良率資料指紋)將晶圓分配至子集的演算法表示「不適定問題」，此係因為不存在可用的地面實況。通常，叢集演算法係基於一或多個機器學習技術或演算法，其需要適當的訓練資料而以必要的準確度操作。若所使用之訓練資料包括地面實況資料(例如，訓練至實況)，則此類機器學習演算法之訓練得以改良，但在本文中所提及的實例中，無地面實況資料已知且訓練資料不大可能產生明確定義之叢集。
在叢集演算法中，結果可取決於演算法、超參數或甚至用於訓練之隨機種子的選擇。另外，並不保證存在解決方案，例如，若您正進行叢集分析，則並不保證可將資料進行叢集。叢集演算法試圖在給定任何資料的情況下發現一些叢集，但此並不意謂待發現任何真實叢集。為了在本文中所揭示之例示性配置中減輕此情形，群組可由人類定義，人類為領域專家且因此保證存在有效群組。領域專家可進一步間接地定義用於屬於此群組之晶圓的「規則」。
對良率晶圓映圖之嵌入或其他相關表示執行叢集演算法可引起「有雜訊的」子集；大量晶圓可能被指派至叢集，但具有被正確指派至該叢集之相對較高的不確定度。此情形之原因可能為：良率資料受到時間；漂移、隨機缺陷及/或具有多個根本原因之缺陷影響。
用於機器學習之訓練資料的品質可因此降級，從而降低監測、預測及根本原因建議之效能。另外，在重疊子集之狀況下，如何標註屬於兩個群組之晶圓可能不清楚。另外，可能需要不僅基於良率晶圓映圖而且基於與良率晶圓映圖互補之資訊(例如，製程相似性)來分組晶圓。在一些配置中，可能捕捉良率工程師之關於晶圓上之特定晶圓分區、場或特定區域之重要性的先驗知識。
圖4a及圖4b展示用於分類半導體晶圓之例示性方法的流程圖。大體而言，圖4a展示用於將晶圓較準確地分類成藉由模型判定之子集的例示性方法，且圖4b展示用於判定新子集且將晶圓分類成彼新子集的例示性方法。可判定新子集例如以集中於概念性的且不能藉由模型自良率資料直接導出的所關注區域或特徵。
參看圖4a，進行生產製程400以在半導體晶圓集合上製作複數個結構。生產製程為熟習此項技術者所熟知，且在上文描述了例示性生產製程。
對晶圓集合進行402一系列良率測試。良率測試產生參數資料，其在此狀況下為良率資料，但可使用其他類型之參數資料。可將良率資料視覺化為對應於晶圓集合中之每一者的良率資料映圖或圖案。良率資料映圖或圖案可包含用於在半導體晶圓上製作之複數個晶粒的頻率組資料(通過、未通過或修復密度)。
將晶圓集合分選成複數個子集404。可藉由一模型來將晶圓分選成此等子集，該模型可包含機器學習演算法。該模型可經組態以基於晶圓之良率資料與給定子集之良率資料之共同特性的接近性而將晶圓集合分選成子集。
子集之共同特性可被稱為「指紋」。共同特性可包含遍及半導體晶圓之至少部分的良率資料圖案。子集之指紋可包含橫越子集中之晶圓之良率資料的共同圖案(例如質心、平均指紋、中心點等)。舉例而言，在診斷中，機器學習演算法可嘗試預測指紋是否存在於晶圓上。特徵之順位取決於機器學習演算法區分屬於特定子集與其他子集之晶圓的能力。對應特徵根據其與群組指紋之關聯來順位。高順位特徵可指示根本原因或供進一步探索的路徑。良率指紋相關之層對於診斷而言亦可為重要的。在監測應用中，在晶圓位階處之良率預測可用以檢查晶圓之良率是否偏離產品之預期指紋。因此，模型可經組態以基於用於晶圓之良率資料與一或多個子集之共同特性的相似性而將晶圓指派(或分選)為一或多個子集。
在例示性配置中，模型可經組態以基於用於半導體晶圓集合之良率資料而判定子集及子集之共同特性。亦即，模型可經組態以判定共同特性且視情況判定子集之臨限值或邊界，該臨限值或邊界包含用於晶圓之良率資料與形成共同特性之良率資料的最大分離度。模型可包含任何低維度嵌入演算法。在例示性配置中，模型可包含盲資料驅動方法，諸如主成份分析(PCA)、自動編碼器、t分佈式隨機鄰域嵌入(t-SNE)及/或均一複寫近似及投影(UMAP)。
圖5展示基於良率資料對複數個子集進行資料驅動之判定的實例。展示複數個子集連同對應共同特性。舉例而言，子集500對應於共同特性(或指紋) 502，其包含良率晶圓映圖。
基於一或多個晶圓已被正確地分配至一子集的機率而識別該一或多個晶圓。在圖4a之例示性方法中，識別406具有不正確分配之高機率或關於分配之高不確定性的晶圓。晶圓被正確地分配至一子集的機率可基於用於該晶圓之良率資料與用於該子集之良率資料之共同特性的分離度而判定。分離度愈大，晶圓被不正確地分配至子集的機率愈高。換言之，用於晶圓之良率資料愈接近於子集之邊界處之條件，晶圓已被不正確地分配至子集的機率愈高。在例示性配置中，可針對一或多個子集判定分離臨限值，從而設定與對應子集之共同特性的分離度。以分離臨限值或超出分離臨限值被分配至子集的晶圓可被識別為具有關於其分配的高不確定性。
將經識別晶圓與參考資料進行比較408。在例示性配置中，此比較由人類進行，該人類可為半導體分析方面的專家，且特定言之，為所使用之參數資料(在此狀況下，良率資料)之分析方面的專家。可基於人類在半監督學習演算法中之輸入而重新組態模型。
在一項實施例中，參考資料包含晶圓已被分配至之子集的共同特性。將用於晶圓之良率資料映圖及用於共同特性之良率資料映圖呈現給人類，諸如良率資料工程師。在其他例示性配置中，參考資料可包含來自子集內之晶圓的參數資料，該晶圓例如，具有被準確分配至子集之高機率的晶圓。此可被稱為可由機器學習演算法使用的「成對」約束。圖6展示使用者介面之示意性實例，其中人類可進行比較且提供用於分選至模型之另外資訊。
由模型判定之子集600係與對應於用於該子集之共同特性的良率晶圓映圖602相關聯。良率晶圓映圖602連同在406處識別的晶圓之良率晶圓映圖604、606、608一起呈現給人類。人類指示晶圓應抑或不應被分配至子集。基於先驗知識，人類能夠識別良率晶圓映圖之區域，其相比於良率晶圓映圖之其他區域顯示晶圓應或不應在子集中的更強指示。舉例而言，良率晶圓映圖604中所展示且突出顯示為610的圖案與共同特性資料604中所看到的圖案612相似。圖案612與良率晶圓映圖之其他區域相比被認為對於判定晶圓是否被正確地分配至集合係更重要的。在一些例示性配置中，可判定特定圖案必須或必須不可存在於良率晶圓映圖中以使其待包括於子集中。在人類不確定之狀況下，諸如運用良率晶圓映圖606，其可被指示。
在其他配置中，參考資料可包含來自兩個另外晶圓之對應參數資料(在此狀況下，良率資料)，該兩個另外晶圓可為來自晶圓集合之晶圓。該兩個另外晶圓包含第一晶圓，該第一晶圓之良率資料映圖相比於第二晶圓展現與子集之共同特性的分離度較小。在一些配置中，第一晶圓可具有正確地分配至子集的高機率(例如超過80%)，且第二晶圓可具有正確地分配至子集的顯著較低機率(例如小於20%)，或可能在該子集之外。此可被稱為可由機器學習演算法使用的「三重態」約束。可要求人類識別具有最相似良率資料的兩個晶圓。
基於由人類提供之成對或三重態約束而重新組態410模型。可以多種不同方式實施模型之重新組態，該等方式可取決於用以分選晶圓之模型(或叢集演算法)。下文提供例示性方法，但此等方法為非窮盡性的且未必應被解釋為限制性的： •    k均值演算法旨在最小化目標函數，其可被稱為平方誤差函數。因此，當諸如上文所提及之約束的約束被添加至k均值演算法時，可將懲罰加至其目標函數以違反約束。 •    基於度量學習之演算法使用「必須連結」以產生相似點之集合及「無法連結」以產生相異點之集合，且學習滿足約束之新距離度量。當使用三重態約束時亦是如此，此係因為演算法產生次序相似性且嘗試滿足該次序相似性。 •    在頻譜叢集中，定義相似性矩陣A，其之輸入項表示叢集(或子集)之資料點的相似性，且接著計算A之拉普拉斯(Laplacian)矩陣之前k個特徵向量。彼等k個特徵向量用以將資料嵌入至k維空間。現在，k均值可與叢集約束一起使用。 •    當使用度量學習演算法時，將約束用於建構相似性矩陣A，且在低維空間上執行簡單k均值演算法。 •    在三重態嵌入(針對三重態約束)中，模型可學習低維空間上之距離度量且保證在低維空間中之點上的距離接近以高機率反映給定三重態約束。 •    用於三重態約束之另一途徑包含使用神經網路以最佳化概述數學公式中之約束的被稱為「三重態損失」之損失函數。
經重新組態模型可接著用於半導體晶圓之後續分選中。在圖4a之實例中，經重新組態模型用以將先前分選之半導體晶圓集合重新分選(412)。
參看圖4b，展示判定新子集之方法。新子集係基於在用於機器學習演算法之半監督學習中來自人類的輸入予以判定。
步驟450至454分別對應於步驟400至404，且此處並不再次論述。
在步驟456中，識別展現所關注區域內之參數資料(在此狀況下，良率資料)的晶圓。此識別可由人類(例如良率工程師)基於其來自子集之資料驅動判定及當前在廠房中面對之任何問題(例如陰影圖案、製程相關指紋等)的觀測來識別。在一項實例中，人類可選擇所關注晶圓之區域(例如，分區或場)，且接著可識別在彼區域中具有相似良率資料圖案的晶圓。應注意，所關注區域之判定及可能被分配至新子集之晶圓的後續識別涵蓋於基於晶圓已被分配至正確子集之機率的晶圓之識別內。亦即，經識別晶圓具有屬於新子集的高機率，且因此具有藉由模型分配至錯誤子集的高機率。
將經識別晶圓之良率資料映圖與用於兩個另外晶圓之良率資料映圖進行比較458。此比較可由人類(例如，良率工程師)進行，且該比較用於半監督機器學習演算法中。
圖7展示用於將三個晶圓之良率晶圓映圖呈現給人類之使用者介面的示意性表示。在每一列中，要求人類識別具有最相似良率資料的兩個晶圓。此可意謂兩個晶圓應皆被分配至新子集。
在第一列中，人類識別出(例如)晶圓1 710最接近晶圓2 712。此可因為晶圓3展現在716處識別之區中具有故障之良率資料圖案，且此為未在晶圓1 710或晶圓2 712中看到的人類所關注區域。因此，儘管晶圓1 710及晶圓2 714之良率晶圓映圖基於中心區看起來最相似，晶圓1 710亦不包括716處之圖案且因此較接近晶圓2 712。
在第二列中，由於由區724及726展示的良率晶圓映圖之中心的共同故障圖案，因此判定晶圓1 718相比於接近晶圓3 722更接近晶圓2 720。
圖7中之由人類提供之資訊係概念的且依賴於人類之先前知識。該資訊尚未可根據資料單獨判定。
步驟460及462分別對應於步驟410及412且此處並不再次描述。
電腦程式可經組態以提供以上所描述方法中之任一者。可將電腦程式提供於電腦可讀媒體上。電腦程式可為電腦程式產品。該產品可包含非暫時性電腦可用儲存媒體。該電腦程式產品可具有體現於經組態以執行方法之媒體中的電腦可讀程式碼。該電腦程式產品可經組態以致使至少一個處理器執行方法中之一些或全部。
本文中參考電腦實施方法、設備(系統及/或裝置)及/或電腦程式產品之方塊圖或流程圖說明來描述各種方法及設備。應理解，方塊圖及/或流程圖說明之區塊及方塊圖及/或流程圖說明中之區塊之組合可藉由由一或多個電腦電路執行的電腦程式指令來實施。可將此等電腦程式指令提供至通用電腦電路、專用電腦電路及/或用以產生機器之其他可程式化資料處理電路之處理器電路，使得該等指令經由電腦之處理器及/或其他可程式化資料處理設備、變換及控制電晶體執行儲存於記憶體位置及此電路系統內之其他硬體組件中之值，以實施方塊圖及/或流程圖區塊中指定之功能/動作且藉此產生用於實施方塊圖及/或流程圖區塊中指定之該等功能/動作的構件(功能性)及/或結構。
亦可將電腦程式指令儲存於電腦可讀媒體中，該電腦可讀媒體可引導電腦或其他可程式化資料處理設備以特定方式起作用，使得儲存於電腦可讀媒體中之指令產生包括實施方塊圖及/或流程圖區塊中指定之功能/動作之指令的製品。
有形的非暫時性電腦可讀媒體可包括電子、磁性、光學、電磁或半導體資料儲存系統、設備或裝置。電腦可讀媒體之更特定實例將包括以下各者：攜帶型電腦磁片、隨機存取記憶體(RAM)電路、唯讀記憶體(ROM)電路、可抹除可程式化唯讀記憶體(EPROM或快閃記憶體)電路、攜帶型緊密光碟唯讀記憶體(CD-ROM)，及攜帶型數位視訊光碟唯讀記憶體(DVD/藍光(Blu-ray))。
電腦程式指令亦可被載入至電腦及/或其他可程式化資料處理設備上，以致使對該電腦及/或其他可程式化設備執行一系列操作步驟以產生電腦實施之處理程序，使得在該電腦或其他可程式化設備上執行之指令提供用於實施方塊圖及/或流程圖區塊中所指定之功能/動作之步驟。
因此，本發明可以執行於處理器上之硬體及/或軟體(包括韌體、常駐軟體、微碼等)體現，該處理器可被集體地稱作「電路系統」、「模組」或其變體。
亦應注意，在一些替代實施中，區塊中所提及之功能/動作可按不同於流程圖中所提及之次序出現。舉例而言，取決於所涉及之功能性/動作，連續展示的兩個區塊事實上可實質上並行地執行，或該等區塊有時可以反向次序執行。此外，可將流程圖及/或方塊圖的給定區塊之功能性分成多個區塊，及/或可至少部分整合流程圖及/或方塊圖之兩個或多於兩個區塊的功能性。最後，可在所說明之區塊之間添加/***其他區塊。
設備可經組態以進行本文所揭示之方法中之任一者。特定言之，微影設備可經組態以進行本文中所揭示之方法中的任一者。另外，微影單元可包含此微影設備。
在以下經編號條項之清單中揭示了本發明之另外實施例： 1.   一種用於分類半導體晶圓之方法，該方法包含： 使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性； 基於一或多個半導體晶圓被正確地分配至一子集的一機率來識別該子集內之該一或多個半導體晶圓； 比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及 基於該比較重新組態該模型。 2.   如條項1之方法，其進一步包含基於該經重新組態模型而重新分選該半導體晶圓集合之至少部分。 3.   如條項1或2之方法，其中該參考參數資料包含與該子集相關聯的該參數資料之該等共同特性及/或該半導體晶圓集合中之一或多個另外半導體晶圓之參數資料。 4.   如條項3之方法，其中該參考資料包含與該子集相關聯的該參數資料之該等共同特性，且其中該比較包含識別該等經識別半導體晶圓之該參數資料之一部分，該參數資料之該部分與該參數資料之至少一個另外部分相比提供該等經識別半導體晶圓應或不應被分配至該子集的一較強指示。 5.   如條項4之方法，其中該等參數資料晶圓之提供一較強指示的該部分包含：必須存在於用於待分配至該子集之一經識別半導體晶圓之該參數資料中的一部分；及/或必須不可存在於用於待分配至該子集之一經識別半導體晶圓之該參數資料中的一部分。 6.   如條項4或5之方法，其中識別該參數資料之該部分包含自一人類接收指示是否應將該等經識別半導體晶圓分配至該子集之一輸入。 7.   如條項3至6中任一項之方法，其中該參考資料包含該半導體晶圓集合中之兩個另外半導體晶圓之該參數資料。 8.   如條項7之方法，其中該比較包含判定該一或多個經識別半導體晶圓中之至少一者之該參數資料的一子集與該兩個另外半導體晶圓之該參數資料的對應子集之間的一分離度。 9.   如條項8之方法，其中該比較包含判定該一或多個經識別半導體晶圓中之該至少一者之該參數資料的該子集與該兩個另外半導體晶圓之該參數資料的該等對應子集之間的一相對分離度。 10.  如條項8或9之方法，其中該一或多個經識別半導體晶圓中之該至少一者之該參數資料的該子集係與一半導體晶圓之一所關注區及/或特徵相關。 11.  如條項7至10中任一項之方法，其中該比較包含自一人類接收該兩個另外半導體晶圓之該參數資料的哪一子集更接近於該一或多個經識別半導體晶圓中之至少一者之該參數資料的該子集的一指示。 12.  如條項1至11中任一項之方法，其進一步包含判定該一或多個半導體晶圓被正確地分配至該子集的該機率。 13.  如條項12之方法，其中判定該機率包含判定用於一半導體晶圓之該參數資料之至少部分與該子集之該等共同特性的一分離度。 14.  如條項12或13之方法，其中該子集包含一另外子集。 15.  如任一前述條項之方法，其中該參數資料包含與該半導體晶圓集合上之複數個區域相關聯的良率資料。 16.  如條項15之方法，其中該良率資料已藉由依序對該複數個區域進行複數個測試而判定。 17.  如條項16之方法，其中該良率資料包含指示該複數個區域已通過及/或未通過該複數個測試中之哪一者的資料。 18.  如條項16或17之方法，其中該良率資料包含指示該複數個區域中之一或多者通過該複數個測試中之一或多者的一修復密度的資料。 19.  如條項15至18中任一項之方法，其中該等共同特性包含關於該半導體晶圓之至少部分上之該複數個區域的一共同良率資料圖案。 20.  如條項19之方法，其中該共同良率資料圖案對應於該半導體晶圓集合之至少臨限數目的一良率資料圖案。 21.  如條項19或20之方法，其中若該共同良率資料圖案與該半導體晶圓集合中之一半導體晶圓之一良率資料圖案的一分離度小於一臨限分離值，則該共同良率資料圖案對應於該良率資料圖案。 22.  如條項15至21中任一項之方法，其中該等區域包含一或多個晶粒。 23.  如任一前述條項之方法，其中該模型經配置以基於該參數資料判定該複數個子集及/或一子集之該等共同特性。 24.  如任一前述條項之方法，其中該模型包含一機器學習演算法。 25.  如任一前述條項之方法，其中該比較由人類進行。 26.  一種電腦程式，其包含在經執行於至少一個處理器上時致使該至少一個處理器控制一設備以進行如條項1至25中任一項之方法的指令。 27.  一種載體，其含有如條項26之電腦程式，其中該載體為一電子信號、光學信號、無線電信號或非暫時性電腦可讀儲存媒體中之一者。 28.  一種用於分類半導體晶圓之設備，該設備包含一或多個處理器，該一或多個處理器經組態以執行電腦程式碼以進行以下方法： 使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性； 基於一或多個半導體晶圓被正確地分配至一子集的一機率來識別該子集內之該一或多個半導體晶圓； 比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及 基於該比較重新組態該模型。 29.  一種微影設備，其包含如條項28之設備。 30.  一種微影單元，其包含如條項29之微影設備。
熟習此項技術者將能夠在不脫離所附申請專利範圍之範疇的情況下設想其他實施例。
400:生產製程/步驟 402:進行一系列良率測試/步驟 404:將晶圓集合分選成複數個子集/步驟 406:識別 408:將經識別晶圓與參考資料進行比較 410:重新組態/步驟 412:重新分選/步驟 450:步驟 452:步驟 454:步驟 456:步驟 458:比較 460:步驟 462:步驟 500:子集 502:共同特性 600:子集 602:良率晶圓映圖 604:良率晶圓映圖 606:良率晶圓映圖 608:良率晶圓映圖 610:圖案 612:圖案 710:晶圓1 712:晶圓2 714:晶圓3 716:圖案 718:晶圓1 720:晶圓2 722:晶圓3 724:區 726:區 B:輻射光束 BD:光束遞送系統 BK:烘烤板 C:目標部分 CH:冷卻板 CL:電腦系統 DE:顯影器 IF:位置量測系統 IL:照明系統/照明器 I/O1:輸入/輸出埠 I/O2:輸入/輸出埠 LA:微影設備 LACU:微影控制單元 LB:裝載匣 LC:微影單元 M 1:遮罩對準標記 M 2:遮罩對準標記 MA:圖案化裝置 MT:度量衡工具/散射計 P 1:基板對準標記 P 2:基板對準標記 PM:第一*** PS:投影系統 PW:第二*** RO:基板處置器或機器人 SC:旋塗器 SCS:監督控制系統 SC1:第一標度 SC2:第二標度 SC3:第三標度 SO:輻射源 T:遮罩支撐件 TCU:塗佈顯影系統控制單元 W:基板 WT:基板支撐件
現在將僅作為實例參看隨附示意性圖式來描述本發明之實施例，在該等圖式中： 圖1描繪微影設備之示意性綜述； 圖2描繪微影單元之示意性綜述； 圖3描繪整體微影之示意性表示，其表示用以最佳化半導體製造之三種關鍵技術之間的合作； 圖4a及圖4b描繪用於分類半導體晶圓之例示性方法的流程圖； 圖5展示基於良率資料對複數個子集進行資料驅動之判定的實例； 圖6展示使用者介面之示意性實例；及 圖7展示使用者介面之示意性表示。
400:生產製程/步驟
402:進行一系列良率測試/步驟
404:將晶圓集合分選成複數個子集/步驟
406:識別
408:將經識別晶圓與參考資料進行比較
410:重新組態/步驟
412:重新分選/步驟

Claims (15)

  1. 一種用於分類半導體晶圓之方法，該方法包含：使用一模型基於對應於一半導體晶圓集合之一或多個參數的參數資料將該半導體晶圓集合分選成複數個子集，其中用於一子集中之半導體晶圓之該參數資料包括一或多個共同特性；基於一或多個半導體晶圓被正確地分配至一子集的一機率來識別該子集內之該一或多個半導體晶圓；比較該一或多個經識別半導體晶圓之該參數資料與參考參數資料；及基於該比較重新組態該模型。
  2. 如請求項1之方法，其進一步包含基於該經重新組態模型而重新分選該半導體晶圓集合之至少部分。
  3. 如請求項1之方法，其中該參考參數資料包含與該子集相關聯的該參數資料之該等共同特性及/或該半導體晶圓集合中之一或多個另外半導體晶圓之參數資料。
  4. 如請求項3之方法，其中該參考參數資料包含與該子集相關聯的該參數資料之該等共同特性，且其中該比較包含識別該等經識別半導體晶圓之該參數資料之一部分，該參數資料之該部分與該參數資料之至少一個其他部分相比提供該等經識別半導體晶圓應或不應被分配至該子集的一較強指 示。
  5. 如請求項4之方法，其中該等參數資料晶圓之提供一較強指示的該部分包含：必須存在於用於待分配至該子集之一經識別半導體晶圓之該參數資料中的一部分；及/或必須不可存在於用於待分配至該子集之一經識別半導體晶圓之該參數資料中的一部分。
  6. 如請求項4之方法，其中識別該參數資料之該部分包含自一人類接收指示是否應將該等經識別半導體晶圓分配至該子集之一輸入。
  7. 如請求項3之方法，其中該參考參數資料包含該半導體晶圓集合中之兩個另外半導體晶圓之該參數資料。
  8. 如請求項7之方法，其中該比較包含判定該一或多個經識別半導體晶圓中之至少一者之該參數資料之一子集與該兩個另外半導體晶圓之該參數資料之對應子集之間的一分離度。
  9. 如請求項8之方法，其中該比較包含判定該一或多個經識別半導體晶圓中之該至少一者之該參數資料的該子集與該兩個另外半導體晶圓之該參數資料的該等對應子集之間的一相對分離度。
  10. 如請求項8之方法，其中該一或多個經識別半導體晶圓中之該至少一者之該參數資料的該子集係與一半導體晶圓之一所關注區及/或特徵相 關。
  11. 如請求項7之方法，其中該比較包含自一人類接收該兩個另外半導體晶圓之該參數資料的哪一子集更接近於該一或多個經識別半導體晶圓中之至少一者之該參數資料的該子集的一指示。
  12. 如請求項1之方法，其進一步包含判定該一或多個半導體晶圓被正確地分配至該子集的該機率。
  13. 如請求項1之方法，其中該模型包含一機器學習演算法。
  14. 一種電腦程式，其包含在經執行於至少一個處理器上時致使該至少一個處理器控制一設備以進行如請求項1至13中任一項之方法的指令。
  15. 一種載體，其含有如請求項14之電腦程式，其中該載體為一非暫時性電腦可讀儲存媒體。
TW110124575A 2020-07-17 2021-07-05 用於分類半導體晶圓之方法及設備 TWI779700B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063053304P 2020-07-17 2020-07-17
US63/053,304 2020-07-17
EP20188698.3A EP3945548A1 (en) 2020-07-30 2020-07-30 Method for classifying semiconductor wafers
EP20188698.3 2020-07-30

Publications (2)

Publication Number Publication Date
TW202217466A TW202217466A (zh) 2022-05-01
TWI779700B true TWI779700B (zh) 2022-10-01

Family

ID=71894719

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110124575A TWI779700B (zh) 2020-07-17 2021-07-05 用於分類半導體晶圓之方法及設備

Country Status (6)

Country Link
US (1) US20230316103A1 (zh)
EP (2) EP3945548A1 (zh)
KR (1) KR20230026453A (zh)
CN (1) CN116134594A (zh)
TW (1) TWI779700B (zh)
WO (1) WO2022012873A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115388762A (zh) * 2022-07-25 2022-11-25 魅杰光电科技(上海)有限公司 一种晶圆的cd量测设备及相应的cd量测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201710952A (zh) * 2015-06-05 2017-03-16 克萊譚克公司 用於反覆缺陷分類之方法及系統
WO2020114692A1 (en) * 2018-12-07 2020-06-11 Asml Netherlands B.V. Method for determining root cause affecting yield in a semiconductor manufacturing process

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI232357B (en) 2002-11-12 2005-05-11 Asml Netherlands Bv Lithographic apparatus and device manufacturing method
US7020536B2 (en) * 2004-02-06 2006-03-28 Powerchip Semiconductor Corp. Method of building a defect database
US7791727B2 (en) 2004-08-16 2010-09-07 Asml Netherlands B.V. Method and apparatus for angular-resolved spectroscopic lithography characterization
NL1036245A1 (nl) 2007-12-17 2009-06-18 Asml Netherlands Bv Diffraction based overlay metrology tool and method of diffraction based overlay metrology.
NL1036734A1 (nl) 2008-04-09 2009-10-12 Asml Netherlands Bv A method of assessing a model, an inspection apparatus and a lithographic apparatus.
NL1036857A1 (nl) 2008-04-21 2009-10-22 Asml Netherlands Bv Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method.
WO2010040696A1 (en) 2008-10-06 2010-04-15 Asml Netherlands B.V. Lithographic focus and dose measurement using a 2-d target
CN102498441B (zh) 2009-07-31 2015-09-16 Asml荷兰有限公司 量测方法和设备、光刻***以及光刻处理单元
NL2007176A (en) 2010-08-18 2012-02-21 Asml Netherlands Bv Substrate for use in metrology, metrology method and device manufacturing method.
KR102355347B1 (ko) 2014-11-26 2022-01-24 에이에스엠엘 네델란즈 비.브이. 계측 방법, 컴퓨터 제품 및 시스템
KR102162234B1 (ko) 2015-06-17 2020-10-07 에이에스엠엘 네델란즈 비.브이. 레시피간 일치도에 기초한 레시피 선택
JP2020046883A (ja) * 2018-09-18 2020-03-26 株式会社東芝 分類装置、分類方法およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201710952A (zh) * 2015-06-05 2017-03-16 克萊譚克公司 用於反覆缺陷分類之方法及系統
WO2020114692A1 (en) * 2018-12-07 2020-06-11 Asml Netherlands B.V. Method for determining root cause affecting yield in a semiconductor manufacturing process

Also Published As

Publication number Publication date
CN116134594A (zh) 2023-05-16
WO2022012873A1 (en) 2022-01-20
EP3945548A1 (en) 2022-02-02
US20230316103A1 (en) 2023-10-05
TW202217466A (zh) 2022-05-01
EP4182967A1 (en) 2023-05-24
KR20230026453A (ko) 2023-02-24

Similar Documents

Publication Publication Date Title
TWI683189B (zh) 用以預測器件製造製程之良率的方法
CN113168111B (zh) 用于预测半导体制造过程的产率的方法
CN111656282B (zh) 确定衬底栅格的测量设备和方法
JP2019537237A (ja) メトロロジレシピ選択
TWI726483B (zh) 用於判定一半導體製造程序事件之根本原因之方法、電腦程式、及非暫時性電腦程式載體
CN112088337A (zh) 用于基于过程参数标记衬底的方法
TWI779700B (zh) 用於分類半導體晶圓之方法及設備
KR20220016966A (ko) 성능에 대한 피처 기여도를 결정하기 위한 방법 및 장치
TWI811015B (zh) 用於低維度資料分析之資料映射之方法及電腦程式
US20230341784A1 (en) Method and apparatus for identifying contamination in a semiconductor fab
EP4361726A1 (en) Inference model training
EP3961303A1 (en) Method and apparatus for identifying contamination in a semiconductor fab
KR20230156063A (ko) 반도체 제조 프로세스를 특성화하기 위한 방법 및 장치
TW202424655A (zh) 分類產品單元
TW202422243A (zh) 用於識別半導體廠中之污染之方法及裝置
TW202424644A (zh) 推論模型訓練

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent