KR102607149B1 - 광학 검사를 이용한 프로세스 모니터링 방법 - Google Patents
광학 검사를 이용한 프로세스 모니터링 방법 Download PDFInfo
- Publication number
- KR102607149B1 KR102607149B1 KR1020227005582A KR20227005582A KR102607149B1 KR 102607149 B1 KR102607149 B1 KR 102607149B1 KR 1020227005582 A KR1020227005582 A KR 1020227005582A KR 20227005582 A KR20227005582 A KR 20227005582A KR 102607149 B1 KR102607149 B1 KR 102607149B1
- Authority
- KR
- South Korea
- Prior art keywords
- processor
- wafer
- inspection
- defects
- defect
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000008569 process Effects 0.000 title claims abstract description 40
- 230000003287 optical effect Effects 0.000 title claims description 90
- 238000012544 monitoring process Methods 0.000 title claims description 30
- 230000007547 defect Effects 0.000 claims abstract description 135
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 235000012431 wafers Nutrition 0.000 claims description 75
- 230000035945 sensitivity Effects 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005204 segregation Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 abstract description 27
- 238000013459 approach Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 27
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000005286 illumination Methods 0.000 description 15
- 238000003070 Statistical process control Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01N21/9505—Wafer internal defects, e.g. microcracks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20081—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
머신러닝(machine learning) 접근 방식이 프로세스 이탈과 같은 결과적인 프로세스 변동을 명세 내에 있는 사소한 프로세스 변동과 구별할 수 있게 하는 반도체 웨이퍼 검사 안정성 문제에 대한 추가 정보를 제공한다. 검사 결과에서 가변적인 관심 결함(DOI) 캡처 레이트의 영향 및 웨이퍼 상의 가변적인 결함 카운트의 영향이 독립적으로 모니터링될 수 있다.
Description
관련 출원에 대한 상호 참조
본 출원은 2019년 8월 1일에 출원된 인도 출원 No.201941031131 및 2019년 9월 18일에 출원되고 양도된 미국 출원 No. 62/902,224에 우선권을 주장하며, 이들 출원의 개시내용은 본원에 참조로 포함된다.
본 개시는 반도체 웨이퍼의 검사에 관한 것이다.
반도체 제조 산업의 발전으로 수율 관리, 특히 계측 및 검사 시스템에 대한 요구가 높아지고 있다. 임계 치수(critical dimensions)는 계속 축소되고 있지만 업계에서는 고수율, 고부가가치 생산을 달성하기 위해 시간을 단축해야 할 필요가 있다. 수율 문제의 검출에서 해결까지 걸리는 총 시간을 최소화하는 것이 반도체 제조업체의 투자 수익을 결정한다.
로직 및 메모리 디바이스와 같은 반도체 디바이스를 제조하는 것은, 전형적으로 반도체 디바이스의 다양한 피처 및 다수의 레벨을 형성하기 위해 다수의 제조 프로세스를 사용하여 반도체 웨이퍼를 프로세싱하는 것을 포함한다. 예를 들어, 리소그래피(lithography)는 레티클(reticle)에서 반도체 웨이퍼 상에 배열된 포토레지스트(photoresist)로 패턴을 전사하는 단계를 포함하는 반도체 제조 프로세스이다. 반도체 제조 프로세스의 추가적인 예로는, 이에 국한되는 것은 아니지만, 화학적 기계적 연마(chemical-mechanical polishing, CMP), 에칭, 퇴적 및 이온 주입이 포함된다. 단일의 반도체 웨이퍼 상에 제조된 다수의 반도체 디바이스들의 배열은 개개의 반도체 디바이스들로 분리될 수 있다.
검사(inspection) 프로세스는 반도체 제조 중에 다양한 단계에서 웨이퍼 상의 결함(defects)을 검출하여 제조 프로세스에서 더 높은 수율을 촉진하고 따라서 더 높은 수익을 얻기 위해 사용된다. 검사는 집적회로(IC)와 같은 반도체 디바이스 제조에서 항상 중요한 부분이었다. 그러나 반도체 디바이스의 치수가 작아짐에 따라 검사는 허용될 수 있는 반도체 디바이스의 성공적인 제조에 훨씬 더 중요해졌는데, 이는 더 작은 결함들로 인해서 디바이스가 작동하지 않게 될 수 있기 때문이다. 예를 들어, 반도체 디바이스의 크기가 작아짐에 따라 상대적으로 작은 결함이라도 반도체 디바이스에 원치 않는 이상(aberrations)을 초래할 수 있기 때문에 작아지고 있는 크기의 결함에 대한 검출이 필요하게 되었다.
그러나 설계 규칙이 축소됨에 따라, 반도체 제조 프로세스는 프로세스의 수행 능력에 대한 한계에 더 근접하여 작동하고 있을 수 있다. 또한 설계 규칙이 축소됨에 따라 더 작은 결함들이 디바이스의 전기적 파라미터들에 영향을 미칠 수 있으며, 이는 더 예민한 검사를 추진시킨다. 설계 규칙이 축소됨에 따라, 검사에 의해 검출될 수 있는 잠재적인 수율 관련 결함들의 모집단(population)이 급격하게 증가하고 검사에 의해 검출되는 뉴슨스 결함들(nuisance defects)의 모집단도 급격하게 증가한다. 따라서, 웨이퍼 상에서 더 많은 결함들이 검출될 수 있고, 모든 결함들을 제거하기 위해 프로세스들을 수정하는 것은 어렵고 비용이 많이 들 수 있다. 결함들 중 실제로 디바이스들의 전기적 파라미터와 수율에 영향을 미치는 결함을 결정하는 것은, 프로세스 제어 방법들이 다른 결함들은 대부분 무시하면서 이러한 결함들에 집중되는 것을 허용할 수 있다. 또한, 더 작은 설계 규칙에서 프로세스 유도 불량들(process-induced failures)은 경우에 따라 계통적인(systematic) 경향이 있다. 즉, 프로세스 유도 불량들은 설계 내에서 종종 여러 번 반복되는 미리 정해진 설계 패턴들에서 실패하는 경향이 있다. 공간적으로 계통적인(spatially-systematic), 전기적으로 관련된(electrically-relevant) 결함들을 제거하면 수율에 영향을 미칠 수 있다.
광학 검사(optical inspections)는 제조 중에 웨이퍼들에 대한 결함들 및 뉴슨스의 카운트(counts)를 추적함으로써 웨이퍼 제조 프로세스를 모니터링하는 데 사용된다. 광학 검사는 결함 타입들을 확실히 결정하기 위한 해상도(resolution)가 부족하기 때문에 결함 모니터링은 별도의 주사 전자 현미경(scanning electron microscope, SEM) 리뷰에 의존한다. 반도체 제조 시설에서의 제한된 SEM 툴 시간 예산으로 인해, 이 방법은 본질적으로 대부분 통계적이다. 검사로부터 적은 수의 결함들이 샘플링되고, SEM으로 리뷰되고, 분류된다. 그런 다음 샘플에서 SEM으로 확정된 결함 카운트가 검사 카운트로 추정되어 웨이퍼 상의 결함 카운트들을 추정한다.
프로세스 모니터링은 대량 제조(high volume manufacturing, HVM)에서 통계적 프로세스 제어(statistical process control, SPC)를 통해 또는 덜 엄격한 통계적 방법을 사용하여 시간 경과에 따른 결함 카운트의 추세(trends)를 추적함으로써 수행된다. 그에 앞서 광학 검사가 수행되었다. 관심 결함(defects of interest, DOI)에 대한 민감도(sensitivity)가 최적화되었고 뉴슨스는 억제되었다. 랜덤 샘플링이 수행된 후 SEM 리뷰 및 샘플링된 결함들을 분류하기 위한 분류가 뒤따랐다. 그런 다음 SPC가 수행되어 샘플로부터 정규화(normalization)를 계산하고 결함 카운트 추세를 플로팅하였다.
기존의 모니터링 방법론에 있어 한 가지 문제는 광학 검사 자체가 모니터링하고자 하는 프로세스 변경(changes)에 민감하다는 것이다. 이는 웨이퍼의 광학적 속성이 칩의 전기적 속성에 영향을 미치지 않는 웨이퍼 프로세싱의 미세한 변경(즉, 프로세스 윈도우 명세 내의 적절한 변경)에도 민감하기 때문에 특히 제한적이다. 이러한 민감도로 인해 광학 검사는 프로세스 윈도우 내에서 조차 결함 갭처 레이트(capture rate)와 뉴슨스 레이트에 있어 변동을 나타내며 바람직하지 않은 영향을 측정한다. 필름 두께, 임계 치수, 라인 에지 거칠기(line edge roughness), 퇴적 중 상이한 재료 분포, 약간의 오버-에칭(over-etching) 또는 언더-에칭(under-etching), 또는 기타 변수들에 있어서 프로세스 변동(variations)은 웨이퍼의 광학 속성을 변경할 수 있다. 따라서 이러한 프로세스 변동은 광학 검사 결과에 영향을 줄 수 있다.
광학 검사에 있어서 이러한 고유한 변동성은 정확한 모니터링을 어렵게 만들고, 더 작은 설계 규칙에서는 적절한 DOI 캡처 레이트를 달성하기 위해 더 높은 뉴슨스 레이트와 더 타이트한(tighter) 검사 문턱값이 필요하기 때문에 문제가 더 악화되고 있다. 이전 기술로는, 검사 결과에서 프로세스 변동성의 영향을 분리하는 것이 불가능할 수 있다. 이러한 제한은 프로세스를 효과적으로 모니터링하는 능력에 영향을 준다.
따라서, 반도체 웨이퍼 검사를 위한 새로운 방법과 시스템이 필요하다.
제1 실시예에서 방법이 제공된다. 방법은 광학 검사 툴을 사용하여 복수의 웨이퍼들을 광학적으로 검사하여 이미지들을 생성하는 단계를 포함한다. 피처들(features)이 프로세서를 사용하여 머신 러닝-기반 분류자들로 상기 이미지들에서 추출된다. 상기 프로세서를 사용하여, 모니터링 메트릭스(monitoring metrics)가 상기 피처들 및 상기 웨이퍼에 대해 검출된 모든 이벤트들의 모집단으로부터 결정된다. 상기 웨이퍼들에 대한 분류된 결함들이 상기 프로세서에서 주사 전자 현미경(scanning electron microscope)으로부터 수신된다. 상기 프로세서를 사용하여, 분리성 메트릭스(separability metrics)가 검사 문턱값들과 관련하여 상기 분류된 결함들에 대해 결정된다. 상기 분리성 메트릭스는 상기 분류된 결함들의 모집단 분포를 설명한다. 상기 웨이퍼들에 대해 상기 결함들의 분리성 추세(separability trends)가 상기 프로세서를 사용하여 결정된다.
상기 광학 검사 툴은 광대역 플라즈마 검사 툴일 수 있다.
상기 방법은 상기 프로세서를 사용하여 상기 웨이퍼에 대해 상기 검출된 이벤트들로부터 뉴슨스(nuisance)를 필터링하는 단계를 더 포함할 수 있다.
상기 방법은 상기 프로세서를 사용하여 상기 웨이퍼에 대해 상기 검출된 이벤트들의 각각에 대한 신뢰도(confidence) 값들을 결정하는 단계를 더 포함할 수 있다. 상기 프로세서를 사용하여 결함 이동(defect movement) 검사 문턱값들에 대하여 결정될 수 있다. 상기 결함 이동을 결정하는 단계는, 상기 검출된 모든 이벤트들을 신뢰도 축(confidence axis) 상에 투영하는 단계 및 상기 신뢰도 축을 따른 상기 분류된 결함들의 움직임을 문턱값에 대하여 모니터링하는 단계를 포함할 수 있다. 또한, 상기 결함 이동을 결정하는 단계는 수율에 영향을 미치는 프로세스 변경 및 검사 민감도(sensitivity)에 영향을 미치는 프로세스 변경으로부터 상기 결함 이동을 분류하는 단계를 포함할 수 있다.
상기 분리성 추세는 상기 분류된 결함들이 캡처되는 신뢰도를 모니터링할 수 있다. 상기 분리성 추세는 신호 강도(signal strength) 및/또는 신호 스프레드(signal spread)를 모니터링할 수 있다.
비일시적 컴퓨터 판독가능 매체는 프로세서가 상기 제1 실시예의 방법을 실행하게 지시하도록 구성된 프로그램을 저장한다.
제2 실시예에서 시스템이 제공된다. 상기 시스템은 광학 검사 툴 및 프로세서를 포함한다. 상기 광학 검사 툴은 광원, 웨이퍼를 유지하도록 구성된 스테이지, 및 검출기를 포함한다. 상기 프로세서는 상기 검출기와 전자 통신한다. 상기 프로세서는 상기 검출기로부터의 데이터를 사용하여 복수의 웨이퍼들의 이미지들을 생성하고; 머신 러닝-기반 분류자들로 상기 이미지들로부터 피처들을 추출하고; 상기 피처들 및 상기 웨이퍼에 대해 검출된 모든 이벤트들의 모집단으로부터 모니터링 메트릭스를 결정하고; 주사 전자 현미경으로부터 상기 웨이퍼들에 대한 분류된 결함들을 수신하고; 검사 문턱값들과 관련하여 상기 분류된 결함들에 대한 분리성 메트릭스를 결정하고; 상기 웨이퍼들에 대해 상기 결함들의 분리성 추세를 결정하도록 구성된다. 상기 분리성 메트릭스는 상기 분류된 결함들의 모집단 분포를 설명한다.
상기 광원은 광대역 플라즈마 소스일 수 있다.
상기 프로세서는 또한, 상기 웨이퍼에 대해 상기 검출된 이벤트들로부터 뉴슨스를 필터링하도록 구성될 수 있다. 상기 프로세서는 또한, 상기 웨이퍼에 대해 상기 검출된 이벤트들의 각각에 대한 신뢰도 값들을 결정하도록 구성될 수 있다. 상기 프로세서는 또한, 검사 문턱값들에 대한 결함 이동을 결정하도록 구성될 수 있다. 상기 결함 이동을 결정하는 것은, 상기 검출된 모든 이벤트들을 신뢰도 축 상에 투영하는 단계; 및 상기 신뢰도 축을 따른 상기 분류된 결함들의 움직임을 문턱값에 대하여 모니터링하는 단계를 포함할 수 있다. 상기 결함 이동을 결정하는 것은 또한, 수율에 영향을 미치는 프로세스 변경 및 검사 민감도에 영향을 미치는 프로세스 변경으로부터 상기 결함 이동을 분류하는 단계를 포함할 수 있다.
본 개시의 본질 및 목적에 대한 보다 완전한 이해를 위해 다음과 같은 첨부 도면과 함께 뒤따르는 상세한 설명을 참조해야 한다.
도 1은 본 개시에 따른 방법의 실시예에 대한 흐름도이다.
도 2는 광대역 플라즈마(broad band plasma, BBP) 광학 검사를 이용한 프로세스 모니터링을 위한 메트릭스를 나타내는 차트를 포함한다.
도 3은 본 명세서에 개시된 실시예들을 사용한 SPC를 보여주는 차트이다.
도 4는 본 명세서에 개시된 실시예들을 사용한 신호 강도를 보여주는 차트이다.
도 5는 본 명세서에 개시된 실시예들을 사용한 신호 스프레드를 나타내는 차트이다.
도 6은 본 개시에 따른 시스템의 실시예에 대한 도면이다.
도 1은 본 개시에 따른 방법의 실시예에 대한 흐름도이다.
도 2는 광대역 플라즈마(broad band plasma, BBP) 광학 검사를 이용한 프로세스 모니터링을 위한 메트릭스를 나타내는 차트를 포함한다.
도 3은 본 명세서에 개시된 실시예들을 사용한 SPC를 보여주는 차트이다.
도 4는 본 명세서에 개시된 실시예들을 사용한 신호 강도를 보여주는 차트이다.
도 5는 본 명세서에 개시된 실시예들을 사용한 신호 스프레드를 나타내는 차트이다.
도 6은 본 개시에 따른 시스템의 실시예에 대한 도면이다.
청구된 주제가 특정 실시예들과 관련하여 설명될 것이지만, 본 명세서에 설명된 모든 이점 및 특징을 제공하지는 않는 실시예들을 포함하여 다른 실시예들도 본 개시의 범위 내에 있다. 다양한 구조적, 논리적, 프로세스 단계 및 전자적 변경이 본 개시의 범위를 벗어나지 않고 이루어질 수 있다. 따라서, 본 개시의 범위는 오직 첨부된 청구범위를 참조하여 정의된다.
본 명세서에 개시된 실시예는 반도체 웨이퍼에 대한 BBP 또는 다른 광학 검사를 이용한 프로세스 모니터링을 제공한다. 머신러닝(machine learning) 접근 방식이 검사 안정성 문제에 대한 추가 정보를 제공하는 데 사용되며, 이는 프로세스 이탈과 같은 중대한(consequential) 프로세스 변동을 명세(specification) 내에 있는 사소한 프로세스 변동과 구별할 수 있게 한다. 검사 결과에서 가변적인 DOI 캡처 레이트의 영향은 웨이퍼 상의 가변적인 결함 카운트의 영향과 독립적으로 모니터링될 수 있다.
분류 신뢰도(classification confidence)가 프로세스 모니터링 및 레시피 안정성 측정에 사용될 수 있다. 분류 신뢰도는 머신러닝(ML) 알고리즘으로 결정될 수 있다. SEM 리뷰된 결함의 분류 신뢰도는 결함 타입당 신호 강도 및 신호 스프레드를 기술하는 메트릭스(metrics)를 생성하기 위해 알려진 그라운드 트루스(ground truth)로 사용될 수 있다. 이러한 새로운 클래스 기반 메트릭스에서 웨이퍼 투 웨이퍼(wafer-to-wafer) 추세의 기록이 시간 경과에 따라, 그리고 프로세스 및 검사 변동성 모니터링을 위해 모니터링 및/또는 기록될 수 있다.
도 1은 방법(100)의 일 실시예에 대한 흐름도이다. 적어도 단계들(102-106)은 하나의 프로세서를 사용하여 수행될 수 있지만, 방법(100)의 다른 단계들은 상기 동일한 프로세서를 사용하여 또는 상이한 프로세서를 사용하여 수행될 수 있다. 방법(100)은 광학 검사를 사용하고, 그 다음 상기 광학 검사 결과를 샘플링하고, 샘플들에 대한 SEM 리뷰를 사용하고, SEM 이미지들의 분류를 사용한다. 상기 분류는 검사 결과 상으로 상기 분류를 자동-레이블링(auto-labeling)하고, 검사에서의 결함 카운트를 추정하고, 이탈 경고(excursion alerts)를 갖는 SPC 차트를 생성하는 것을 포함할 수 있다.
머신러닝 알고리즘은 뉴슨스 필터링 및 비닝(binning)에 사용될 수 있다. 머신러닝 알고리즘은 또한 광학 검사 툴과 함께 분류 결과와 신뢰도 값들을 생성하기 위해 사용될 수 있다. 결함들에 대한 클래스 기반 신뢰도 값들은 검사 문턱값들(예를 들어, 뉴슨스 이벤트 필터(Nuisance Event Filter, NEF) 및 비너 컷 라인들(binner cut lines))에 대한 결함 이동(defect movement)을 측정하는 데 사용될 수 있다. 모든 결함들은 신뢰도 축(confidence axis) 상에 투영될 수 있으며 이 축을 따른 알려진(분류된) 결함들의 움직임이 문턱값에 대하여 모니터링될 수 있다.
101에서, 하나 이상의 반도체 웨이퍼가 광학적으로 검사된다. 이것은 BBP 검사 툴과 같은 광학 검사 툴을 사용할 수 있다. 머신 러닝-기반 알고리즘이 단계(101)의 검사로부터의 이미지들에서 뉴슨스를 필터링하고 DOI들에 대한 민감도를 최적화하기 위해 사용될 수 있다.
머신 러닝-기반 알고리즘은 분류 확률(classification probability)을 생성할 수 있다. 예를 들어, 머신 러닝-기반 알고리즘은 신경망(neural network), 서포트 벡터 머신(support vector machine), 부스팅 트리/포레스트(boosted trees/forests), 랜덤 포레스트(random forest), 최근접 이웃(nearest neighbor) 또는 기타 머신 러닝-기반 알고리즘일 수 있다.
102에서, 단계(101)로부터의 이미지들로부터 피처들(features)이 추출된다. 분리성(separability) 속성일 수 있는 상기 피처들은 머신 러닝-기반 분류자들(classifiers)(예를 들어, 뉴슨스 필터)을 사용하여 생성될 수 있다. 피처들은 분류 결과를 생성하기 위해 머신러닝 알고리즘에 의해 사용되고, 결함 위치의 광학 이미지들로부터 추출될 수 있다. 따라서, 피처들을 추출하는 것은 분류자를 적용하는 것을 포함할 수 있다. 분리성은 분류자 트레이닝 중에 학습될 수 있다. 머신러닝은 클래스 기반 신뢰도로 인코딩될 수 있다.
103에서, 모니터링 메트릭스가 상기 피처들 및 웨이퍼에 대해 검출된 모든 이벤트들의 모집단(population)으로부터 결정될 수 있다. 모니터링 메트릭스는 비지도형(unsupervised)일 수 있다. 통계적 측정(statistical measurements)이 분리성에서 도출된다. 모니터링 메트릭스는 뉴슨스 필터(예를 들어, 머신러닝 분류자)에 의해 결정될 수 있다. 뉴슨스 필터는 분류 신뢰도를 계산한다. 신뢰도가 떨어질 때 -이는 레시피가 DOI들에 대한 민감도를 잃는다는 표시임 - 의 조건(conditions)을 찾으면서 이러한 DOI들의 신뢰도가 웨이퍼들 사이에 모니터링된다.
일 예에서, 뉴슨스 필터는 광학 검사로부터의 각 결함에 클래스 코드(class code)를 적용하도록 결정할 수 있다. 클래스 코드는 0에서 1까지의 값을 가질 수 있다. 예를 들어, 0.5보다 큰 모든 것은 DOI로 분류될 수 있다. 0.5 문턱값은 특정 어플리케이션, 광학 검사 툴, 또는 검사되고 있는 디바이스에 기초하여 조정될 수 있다. 클래스 코드 값과 문턱값 간의 차분이 신뢰도를 결정할 수 있다. 더 큰 차분은 더 큰 신뢰도를 의미한다.
103 이후에, 문턱값을 초과하는 결함들이 분류될 수 있다.
104에서 각각의 웨이퍼들의 분류된 결함들이 주사 전자 현미경으로부터 수신된다. 상기 분류된 결함들의 샘플링은 랜덤할 수 있으며, 이는 그것이 편향되지 않음을 의미한다. 편향되지 않은(unbiased) 정보는 식별되는 이후의 추세를 더 의미있게 만들 수 있다. 분류된 결함들은 광학 검사에서와 동일한 웨이퍼에서 유래되며, 그라운드 트루스를 제공할 수 있다. 광학적으로 검사되는 각각의 웨이퍼는 리뷰되고 분류된 검출된 결함들의 랜덤한 샘플을 가질 수 있다. SEM으로 검증된 DOI들의 신뢰도가 모니터링될 수 있다.
105에서, 검사 문턱값들과 관련하여 분류된 결함들에 대한 분리성 메트릭스가 결정된다. 개개의 DOI들에 대한 분리성 메트릭스는 뉴슨스 필터에 의해 계산된 신뢰도일 수 있다. 전체적인 메트릭스는 SEM을 사용하여 검증된 웨이퍼들 상의 모든 DOI들에 대한 평균 신뢰도일 수 있다. 검사 문턱값들은 고정될 수 있다. 분리성 메트릭스는 분류된 결함들의 모집단 분포를 설명할(account for) 수 있다. 따라서, 분리성 메트릭스는 모집단으로 정규화될(population-normalized) 수 있다. 분류된 결함들에 대한 메트릭스는 결함 타입마다 있을 수 있다.
단계(105)는 지도된(supervised) 모니터링 메트릭스를 생성하기 위해 그라운드 트루스를 레이블링(예를 들어, 자동-레이블링)하는 것을 포함할 수 있다.
106에서 웨이퍼들에 대해 결함들의 분리성 추세가 결정된다. 이것은 향상된 SPC의 일부일 수 있다. 분리성 추세는 각각의 웨이퍼에 대해 시간의 경과에 따라 플로팅될 수 있다. 평균 분류 신뢰도는 각 웨이퍼에 대해 분류 경계와 관련하여 기록될 수 있다. 추세는 모니터링될 수 있다.
일 예에서, 분류자/뉴슨스 필터 등을 사용하여, SEM 검사로부터 DOI들에 대한 평균 분류 신뢰도가 결정될 수 있다. 이러한 값들은 동일한 디바이스/레이어에 대해 모든 웨이퍼들에 대해 결정될 수 있다. 평균 신뢰도의 추세가 시간의 경과에 따라 모니터링될 수 있다. 뉴슨스는 웨이퍼에 대해 검출된 이벤트들로부터 필터링될 수 있다. 웨이퍼에 대해 검출된 이벤트들의 각각에 대해 신뢰도 값들이 결정될 수 있다.
검사 문턱값들에 대한 결함 이동이 시간의 경과에 따라 결정될 수 있다. 이것은 검출된 모든 이벤트들을 신뢰도 축 상에 투영하는 것과, 신뢰도 축을 따른 분류된 결함들의 움직임을 문턱값에 대하여 모니터링하는 것을 포함할 수 있다.
결함 이동을 결정하는 것은 또한 수율에 영향을 미치는 프로세스 변경을 분류하는 것 또는 그 외 식별하는 것과, 검사 민감도 및/또는 DOI-뉴슨스 분리성에 영향을 미치는 프로세스 변경을 결정하는 것을 포함할 수 있다.
본 명세서에 개시된 실시예들과 별개로, 방법은 또한 선택적으로 SPC를 수행할 수 있다. 반도체 제조업체는 SPC와 함께 다른 단계들을 수행할 수 있다.
각 결함 타입에 대한 통계가 각 웨이퍼에 대해 결정될 수 있다. 이러한 통계는 결함 타입에 대한 평균 신호 강도(예를 들어, 신뢰도) 및 신호 스프레드(표준 편차)를 포함할 수 있으며, 이는 도 2에 도시되어 있다.
도 2는 BBP 광학 검사를 이용한 프로세스 모니터링을 위한 메트릭스를 보여주는 차트를 포함한다. 결함 타입 1과 결함 타입 2는 서로 상이한 타입의 결함이다. 3개의 웨이퍼가 예시되어 있지만 더 많은 웨이퍼가 분석에 포함될 수 있다. 곡선은 각 결함에 대해 신뢰도의 함수로서 검사에서의 모든 결함들에 대한 히스토그램을 보여준다. 따라서 문턱값을 초과하는 모든 결함들이 히스토그램상에 플로팅될 수 있다. 왼쪽에서 더 먼 히스토그램상의 결함들은 더 높은 신뢰도를 가지며, 이는 그 결함이 DOI일 가능성이 더 높다는 것을 의미한다. 예를 들어, 웨이퍼 1에서 결함 타입 1의 신뢰도는 결함 타입 2의 신뢰도보다 더 높다.
곡선 아래의 막대들은 알려진 그라운드 트루스로 샘플링된 결함의 위치들을 보여준다. 이들은 SEM 리뷰로부터의 결함이다.
신호 강도는 결함 타입 1 신뢰도의 평균(mean) 및 표준 편차(standard deviation)를 포함할 수 있다. 신호 강도는 각 웨이퍼에 대해 모니터링될 수 있다.
이러한 집합적 메트릭스에 대한 추세는 SPC에서 결함 카운트가 어떻게 추적되는지와 같이 시간의 경과에 따라 모니터링될 수 있다. 상기 추세는 광학 검사의 DOI 캡처 레이트 및 결함-뉴슨스 분리성의 변화에 대한 정보를 도출하는 데 사용될 수 있다.
도 3은 SPC를 나타내는 차트이다. 도 4는 신호 강도를 나타내는 차트이다. 도 5는 신호 스프레드를 나타내는 차트이다. 도 3 및 도 4의 차트들은 다수의 웨이퍼(W1 내지 W7)로부터 유래된 것이다. 각각의 결함 타입에 대한 신뢰도가 결정될 수 있고 시간 경과에 따른 변화가 모니터링될 수 있다. 시간의 경과에 따라, 검사 툴이 드리프트(drift)되어 신호가 손실될 수 있다. 이 드리프트로 인해 결함들은 문턱값에 더 가까운 신뢰도를 가질 수 있다. 이것은 검사 중에 일부 결함들이 누락될 수 있음을 의미한다. 시간 경과에 따른 캡처 레이트를 사용하면 추세를 식별하고 검사를 개선할 수 있다.
도 3의 SPC에 대해, 결함 타입 1 및 결함 타입 2의 카운트는 시간이 지남에 따라 감소한다. 그러나, 도 4의 신호 강도는 결함 타입 1의 신호 강도가 시간에 따라 감소하는 반면 결함 타입 2의 신호 강도는 거의 일정하게 유지됨을 보여준다. 도 5의 신호 스프레드는 결함 타입 1의 신호 스프레드가 어느 지점에서 떨어지는 반면 결함 타입 2의 신호 스프레드는 거의 일정하게 유지되는 것을 보여준다. 따라서, 새로운 추적 정보는 결함 타입 2의 결함 카운트는 시간이 지남에 따라 감소하는 반면, 결함 타입 1의 결함 카운트는 광학 검사에서 결함 타입 1에 대한 민감도 손실로 인해 감소함을 나타낸다. 결함 타입 2는 시간의 함수로서 동일한 신뢰도를 가지므로, 검사에서 감소된 카운트는 웨이퍼 상의 감소된 카운트의 표시이다. 신뢰도는 결함 타입 2 캡처 레이트가 전반적으로 안정적(steady)임을 나타낸다. 타입 1의 감소된 카운트는 검사가 민감도를 손실하여 웨이퍼상에 있는 결함들의 동일한 부분(fraction)을 캡처하지 못함으로써 초래되었을 수 있다. 결함 타입 1 인스턴스들은 시간의 경과에 따라 더 작은 신뢰도로 캡처되며, 이는 결함 카운트가 웨이퍼상의 결함 타입 1의 개수를 나타내지 않을 수 있음을 의미한다. 검사가 결함 타입 1에 덜 예민했을 수 있고, 이는 검사 툴이 조정되어야 함을 의미한다.
검사에서의 결함 카운트의 통계와 함께 결함 캡처 레이트 및 뉴슨스 레이트에 대한 검사 변동성을 추적하는 것은, 프로세스 제어 및 검사 변동성 모니터링에 대한 포괄적인 접근방식을 제공한다. 수율에 영향을 미치는 프로세스 변경은 검사 민감도 및/또는 DOI-뉴슨스 분리성에만 영향을 미치는 변경과 분리될 수 있다.
일 예에서, 광학 검사 툴은 새로운 프로세스 관련 결함 레벨 속성을 생성한다. 그 다음 이러한 속성은 프로세스 모니터링 메트릭스를 계산하는 데이터베이스에 직접 통합된 컴퓨팅 엔진에 의해 프로세싱된다. 상기 데이터베이스는 또한 모니터링 소프트웨어와 추세를 디스플레이하기 위한 사용자 인터페이스를 포함한다. 이 구현에서, 툴/레시피 성능을 모니터링하기 위해 추가적인 모니터링 기능이 통합될 수 있다.
또 다른 예에서, 새로 생성된 프로세스 관련 속성은 KLARF와 같은 반도체 제조용 데이터 파일로 내보내진다(exported). 이들은 그 다음에 반도체 제조 시설을 위한 수율 관리 소프트웨어(yield management software, YMS) 및 기타 내부 모니터링 솔루션에 내장되는 커스터마이즈된 모니터링 전략을 개발하는 데 사용할 수 있게 된다.
BBP 광학 검사가 구체적으로 개시되어 있지만, 여기에 개시된 실시예들은 검증을 위해 SEM에 의존하는 다른 광학 검사들과 함께 사용될 수 있다.
도 6에 광학 검사 툴이 구비된 시스템(200)의 일 실시예가 도시되어 있다. 시스템(200)은 광학 기반 서브시스템(201)을 포함한다. 일반적으로, 광학 기반 서브시스템(201)은 빛을 표본(202)으로 지향시킴으로써(또는 그 위로 빛을 스캐닝함으로써) 표본(202)을 위한 광학 기반 출력을 생성하고, 표본(202)으로부터의 빛을 검출하도록 구성된다. 일 실시예에서, 표본(202)은 웨이퍼를 포함한다. 웨이퍼는 이 기술분야에 알려진 임의의 웨이퍼를 포함할 수 있다. 다른 실시예에서, 표본(202)은 레티클(reticle)을 포함한다. 레티클은 이 기술분야에 알려진 임의의 레티클을 포함할 수 있다.
도 6에 도시된 시스템(200)의 실시예에서, 광학 기반 서브시스템(201)은 빛을 표본(202)으로 지향시키도록 구성된 조명 서브시스템을 포함한다. 조명 서브시스템은 적어도 하나의 광원을 포함한다. 예를 들어, 도 6에 도시된 바와 같이. 조명 서브시스템은 광원(203)을 포함한다. 일 실시예에서, 조명 서브시스템은 하나 이상의 경사각(oblique angles) 및/또는 하나 이상의 법선각(normal angles)을 포함할 수 있는 하나 이상의 입사각으로 빛을 표본(202)으로 지향시키도록 구성된다. 예를 들어, 도 6에 도시된 바와 같이, 광원(203)으로부터의 빛은 광학 요소(204) 및 그 다음 렌즈(205)를 통해 경사 입사각으로 표본(202)으로 지향된다. 경사 입사각은 임의의 적절한 경사 입사각을 포함할 수 있으며, 이는 예를 들어 표본(202)의 특성에 따라 달라질 수 있다.
광학 기반 서브시스템(201)은 상이한 시간에 상이한 입사각으로 빛을 표본(202)으로 지향시키도록 구성될 수 있다. 예를 들어, 광학 기반 서브시스템(201)은 조명 서브시스템의 하나 이상의 요소의 하나 이상의 특성을 변경하여 빛이 도 6에 도시된 것과 상이한 입사각으로 표본(202)으로 지향될 수 있도록 구성될 수 있다. 하나의 그러한 예에서, 광학 기반 서브시스템(201)은 광원(203), 광학 요소(204), 및 렌즈(205)를 이동시켜 빛이 상이한 경사 입사각 또는 법선(또는 거의 법선) 입사각으로 표본(202)으로 지향되도록 구성될 수 있다.
일부 예에서, 광학 기반 서브시스템(201)은 빛을 동시에 하나보다 많은 입사각으로 표본(202)으로 지향시키도록 구성될 수 있다. 예를 들어, 조명 서브시스템은 하나보다 많은 조명 채널을 포함할 수 있고, 조명 채널들 중 하나는 도 6에 도시된 바와 같이 광원(203), 광학 요소(204), 및 렌즈(205)를 포함할 수 있고, 조명 채널들 중 다른 하나는(도시되지 않음)은 상이하게 또는 동일하게 구성될 수 있는 유사한 요소들을 포함할 수 있거나, 또는 적어도 광원 및 가능하게는 여기에 더 설명된 것과 같은 하나 이상의 다른 구성요소들을 포함할 수 있다. 그러한 빛이 다른 빛과 동시에 표본으로 지향되는 경우, 서로 상이한 입사각들에서 표본(202)으로 지향되는 빛의 하나 이상의 특성(예를 들어, 파장, 편광 등)이 다를 수 있어, 상기 서로 상이한 입사각들에서의 표본(202)에 대한 조명으로 인한 빛은 검출기(들)에서 서로 구별될 수 있다.
다른 예에서, 조명 서브시스템은 단 하나의 광원(예를 들어, 도 6에 도시된 광원(203))을 포함할 수 있고 광원으로부터의 빛은 조명 서브시스템의 하나 이상의 광학 요소(도시되지 않음)에 의해 (예를 들어, 파장, 편광, 등에 기초하여) 상이한 광 경로들(optical paths)로 분리될 수 있다. 그러면 각각의 서로 상이한 광 경로의 빛이 표본(202)으로 지향될 수 있다. 다수의 조명 채널들이 빛을 동시에 또는 서로 상이한 시간에(예를 들어, 서로 상이한 조명 채널들이 표본을 순차적으로 조명하는 데 사용되는 경우) 표본(202)으로 지향시키도록 구성될 수 있다. 다른 예에서는, 동일한 조명 채널이 상이한 시간에 상이한 특성으로 표본(202)에 빛을 지향시키도록 구성될 수 있다. 예를 들어, 일부 경우에, 광학 요소(204)는 스펙트럼 필터로서 구성될 수 있고, 상이한 파장의 빛이 서로 상이한 시간에 표본(202)으로 지향될 수 있도록 스펙트럼 필터의 속성이 다양한 상이한 방식으로(예를 들어, 스펙트럼 필터를 교체함으로써) 변경될 수 있다. 조명 서브시스템은 상이하거나 동일한 특성을 갖는 빛을 상이하거나 동일한 입사각으로 순차적으로 또는 동시에 표본(202)으로 지향시키기 위해 이 기술분야에 알려진 임의의 다른 적절한 구성을 가질 수 있다.
일 실시예에서, 광원(203)은 BBP 소스를 포함할 수 있다. 이러한 방식으로, 광원(203)에 의해 생성되어 표본(202)으로 지향되는 빛은 광대역(broadband) 빛을 포함할 수 있다. 그러나, 광원은 레이저와 같은 임의의 다른 적절한 광원을 포함할 수 있다. 레이저는 이 분야에 알려진 임의의 적합한 레이저를 포함할 수 있고 이 분야에 알려진 임의의 적합한 파장 또는 파장들로 빛을 생성하도록 구성될 수 있다. 또한, 레이저는 단색(monochromatic) 또는 거의 단색인 빛을 생성하도록 구성될 수 있다. 이러한 방식으로, 레이저는 협대역(narrowband) 레이저일 수 있다. 광원(203)은 또한 다수의 이산(discrete) 파장들 또는 파장대역들에서 빛을 생성하는 다색(polychromatic) 광원을 포함할 수 있다.
광학 요소(204)로부터의 빛은 렌즈(205)에 의해 표본(202) 상에 포커싱될 수 있다. 렌즈(205)가 단일의 굴절 광학 요소로서 도 6에 도시되어 있지만, 실제로 렌즈(205)는 결합하여 광학 요소로부터 표본으로 빛을 포커싱하는 다수의 굴절 및/또는 반사 광학 요소들을 포함할 수 있는 것이 이해되어야 한다. 도 6에 도시되고 여기서 설명된 조명 서브시스템은 임의의 다른 적절한 광학 요소들(도시되지 않음)을 포함할 수 있다. 이러한 광학 요소들의 예는 이에 국한되는 것은 아니지만, 편광 구성요소(들), 스펙트럼 필터(들), 공간 필터(들), 반사 광학 요소(들), 아포다이저(apodizer)(들), 빔 스플리터(들)(예를 들어, 빔 스플리터(213)), 애퍼처(aperture)(들) 등을 포함할 수 있고, 이들은 이 기술분야에 알려진 임의의 적절한 광학 요소들을 포함할 수 있다. 또한, 광학 기반 서브시스템(201)은 광학 기반 출력을 생성하기 위해 사용되는 조명의 타입에 기초하여 조명 서브시스템의 요소들 중 하나 이상을 변경하도록 구성될 수 있다.
광학 기반 서브시스템(201)은 또한 빛이 표본(202) 위로 스캔되게 하도록 구성된 스캐닝 서브시스템을 포함할 수 있다. 예를 들어, 광학 기반 서브시스템은 광학 기반 출력 생성 동안 표본이 위에 배치되는 스테이지(206)를 포함할 수 있다. 스캐닝 서브시스템은 빛이 표본(202) 위로 스캔될 수 있도록 표본(202)을 이동하도록 구성될 수 있는 (스테이지(206) 포함하는) 임의의 적절한 기계적 및/또는 로봇 어셈블리를 포함할 수 있다. 추가로, 또는 대안적으로, 광학 기반 서브시스템(201)은 광학 기반 서브시스템(201)의 하나 이상의 광학 요소들이 표본(202) 위로 빛의 일부 스캐닝을 수행하도록 구성될 수 있다. 빛은 구불구불한(serpentine) 경로 또는 나선형 경로와 같은 임의의 적절한 방식으로 표본(202) 위에 스캔될 수 있다.
광학 기반 서브시스템(201)은 하나 이상의 검출 채널을 더 포함한다. 하나 이상의 검출 채널 중 적어도 하나는 서브시스템에 의한 표본(202)에 대한 조명으로 인한 표본(202)으로부터의 빛을 검출하고, 상기 검출된 빛에 대응하는 출력을 생성하도록 구성된 검출기를 포함한다. 예를 들어, 도 6에 도시된 광학 기반 서브시스템(201)은 2개의 검출 채널들을 포함하는데, 하나는 콜렉터(207), 요소(208) 및 검출기(209)에 의해 형성되고 다른 하나는 콜렉터(210), 요소(211), 및 검출기(212)에 의해 형성된다. 도 6에 도시된 바와 같이, 2개의 검출 채널들은 상이한 수집 각도에서 빛을 수집 및 검출하도록 구성된다. 일부 예에서, 두 검출 채널 모두는 산란광을 검출하도록 구성되고, 상기 검출 채널들은 표본(202)으로부터 서로 상이한 각도로 산란되는 빛을 검출하도록 구성된다. 그러나, 검출 채널들 중 하나 이상은 표본(202)으로부터 다른 타입의 빛(예를 들어, 반사광)을 검출하도록 구성될 수 있다.
도 6에 더 도시된 바와 같이, 두 검출 채널들 모두는 지면(plane of the paper)에 위치되는 것으로 도시되고 조명 서브시스템 또한 지면에 위치되는 것으로 도시되어 있다. 따라서, 이 실시예에서, 두 검출 채널들 모두는 입사 평면에 위치된다(예를 들어, 입사 평면에 중심이 있음). 그러나 하나 이상의 검출 채널들이 입사 평면 밖에 위치될 수 있다. 예를 들어, 콜렉터(210), 요소(211), 및 검출기(212)에 의해 형성된 검출 채널은 입사 평면 밖으로 산란되는 빛을 수집하고 검출하도록 구성될 수 있다. 따라서, 그러한 검출 채널은 보통 "측면(side)" 채널로 지칭될 수 있고, 그러한 측면 채널은 입사 평면에 실질적으로 직각인 평면에 중심이 있을 수 있다.
비록 도 6은 2개의 검출 채널을 포함하는 광학 기반 서브시스템(201)의 실시예를 도시하지만, 광학 기반 서브시스템(201)은 상이한 수의 검출 채널(예를 들어, 단지 하나의 검출 채널 또는 2개 이상의 검출 채널)을 포함할 수 있다. 하나의 그러한 예에서, 콜렉터(210), 요소(211), 및 검출기(212)에 의해 형성된 검출 채널은 위에 기술한 바와 같이 하나의 측면 채널을 형성할 수 있고, 광학 기반 서브시스템(201)은 입사 평면의 반대쪽에 위치되는 다른 측면 채널로서 형성된 추가 검출 채널(도시되지 않음)을 포함할 수 있다. 따라서, 광학 기반 서브시스템(201)은 콜렉터(207), 요소(208), 및 검출기(209)를 포함하고, 입사 평면에 중심이 있고 표본(202) 표면에 수직이거나 수직에 가까운 산란 각도(들)에서 빛을 수집하고 검출하도록 구성된 검출 채널을 포함할 수 있다. 따라서 이 검출 채널은 보통 "상부(top)" 채널로 지칭될 수 있고, 광학 기반 서브시스템(201)은 또한 위에 기술된 바와 같이 구성된 2개 이상의 측면 채널들을 포함할 수 있다. 이와 같이, 광학 기반 서브시스템(201)은 적어도 3개의 채널(즉, 1개의 상부 채널 및 2개의 측면 채널들)을 포함할 수 있고, 상기 적어도 3개의 채널들 각각은 자체 콜렉터를 가지며, 각각의 콜렉터는 나머지 콜렉터들의 각각과 상이한 산란 각도에서 빛을 수집하도록 구성되어 있다.
위에서 더 설명된 바와 같이, 광학 기반 서브시스템(201)에 포함된 각각의 검출 채널들은 산란된 빛을 검출하도록 구성될 수 있다. 따라서, 도 6에 도시된 광학 기반 서브시스템(201)은 표본(202)에 대해 암시야(dark field, DF) 출력을 생성하도록 구성될 수 있다. 그러나, 광학 기반 서브시스템(201)은 또한, 또는 대안적으로 표본(202)에 대해 명시야(bright field, BF) 출력을 생성하도록 구성된 검출 채널(들)을 포함할 수 있다. 즉, 광학 기반 서브시스템(201)은 표본(202)으로부터 정반사된 빛을 검출하도록 구성된 적어도 하나의 검출 채널을 포함할 수 있다. 따라서, 본 명세서에 설명된 광학 기반 서브시스템(201)은 DF 이미징만, BF 이미징만, 또는 DF와 BF 이미징 모두를 위해 구성될 수 있다. 각각의 콜렉터들이 도 6에서는 단일의 굴절 광학 요소들로서 도시되어 있지만, 각각의 콜렉터들은 하나 이상의 굴절 광학 다이(들) 및/또는 하나 이상의 반사 광학 요소(들)를 포함할 수 있음이 이해되어야 한다.
하나 이상의 검출 채널들은 이 기술분야에 알려진 임의의 적절한 검출기들을 포함할 수 있다. 예를 들어, 검출기는 광전자 증배관(photo-multiplier tube, PMT), 전하 결합 소자(charge coupled device, CCD), 시간 지연 적분(time delay integration, TDI) 카메라, 및 이 기술분야에 알려진 임의의 적절한 검출기를 포함할 수 있다. 검출기는 또한 비-이미징(non-imaging) 검출기 또는 이미징 검출기를 포함할 수 있다. 이런 방법으로, 검출기가 비-이미징 검출기인 경우, 각각의 검출기들은 세기(intensity)와 같은 산란된 빛의 특정 특성을 검출하도록 구성될 수 있지만, 그러한 특성을 이미징 평면 내의 위치의 함수로서 검출하도록 구성되지 않을 수 있다. 따라서, 광학 기반 서브시스템의 각각의 검출 채널들에 포함된 각각의 검출기들에 의해 생성되는 출력은 신호 또는 데이터일 수 있지만, 이미지 신호 또는 이미지 데이터는 아닐 수 있다. 그러한 경우에, 프로세서(214)와 같은 프로세서는 검출기들의 비-이미징 출력으로부터 표본(202)의 이미지들을 생성하도록 구성될 수 있다. 그러나, 다른 경우에, 검출기들은 이미징 신호 또는 이미지 데이터를 생성하도록 구성된 이미징 검출기들로서 구성될 수 있다. 따라서, 광학 기반 서브시스템은 다양한 방식으로 여기에 설명된 광학 이미지 또는 다른 광학 기반 출력을 생성하도록 구성될 수 있다.
도 6은 본 명세서에 설명된 시스템 실시예들에 포함될 수 있거나 본 명세서에 설명된 시스템 실시예들에 의해 사용되는 광학 기반 출력을 생성할 수 있는 광학 기반 서브시스템(201)의 구성을 일반적으로 예시하기 위해 여기에 제공된다는 점이 언급된다. 여기에 설명된 광학 기반 서브시스템(201) 구성은 상용의 출력 획득 시스템을 설계할 때 일반적으로 수행되는 바와 같이 광학 기반 서브시스템(201)의 성능을 최적화하기 위해 변경될 수 있다. 또한, 여기에 설명된 시스템들은 기존 시스템을 사용하여 (예를 들어, 기존 시스템에 여기에 설명된 기능을 추가함으로써) 구현될 수 있다. 일부 그러한 시스템들의 경우, 본 명세서에 설명된 방법들은 (예를 들어, 시스템의 다른 기능에 추가하여) 시스템의 선택적 기능으로 제공될 수 있다. 대안적으로, 본 명세서에 설명된 시스템은 완전히 새로운 시스템으로 설계될 수도 있다.
프로세서(214)는 (예를 들어, 유선 및/또는 무선 전송 매체를 포함할 수 있는 하나 이상의 전송 매체를 통해) 임의의 적절한 방식으로 시스템(200)의 구성요소들에 결합되어 출력을 수신할 수 있다. 프로세서(214)는 상기 출력을 사용하여 다수의 기능을 수행하도록 구성될 수 있다. 시스템(200)은 프로세서(214)로부터 명령 또는 기타 정보를 수신할 수 있다. 프로세서(214) 및/또는 전자 데이터 저장 유닛(215)은 추가 정보를 수신하거나 명령을 전송하기 위해 선택적으로 웨이퍼 검사 툴, 웨이퍼 계측 툴, 또는 웨이퍼 리뷰 툴(도시되지 않음)과 전자 통신할 수 있다. 예를 들어, 프로세서(214) 및/또는 전자 데이터 저장 유닛(215)은 SEM과 전자 통신할 수 있다.
프로세서(214), 본 명세서에 설명된 다른 시스템(들), 또는 다른 서브시스템(들)은 개인용 컴퓨터 시스템, 이미지 컴퓨터, 메인프레임 컴퓨터 시스템, 워크스테이션, 네트워크 기기, 인터넷 기기, 또는 기타 장치를 포함하는 다양한 시스템의 부분일 수 있다. 서브시스템(들) 또는 시스템(들)은 또한 병렬 프로세서와 같이 이 기술분야에 알려진 임의의 적절한 프로세서를 포함할 수 있다. 또한, 서브시스템(들) 또는 시스템(들)은 독립형 또는 네트워크화된 툴로서 고속 프로세싱 및 소프트웨어를 갖춘 플랫폼을 포함할 수 있다. 프로세서(214)는 CPU 또는 GPU일 수 있다.
프로세서(214) 및 전자 데이터 저장 유닛(215)은 시스템(200) 또는 다른 장치 내에 배치되거나 그렇지 않으면 시스템(200) 또는 다른 장치의 일부일 수 있다. 일 예에서, 프로세서(214) 및 전자 데이터 저장 유닛(215)은 독립형 제어 유닛의 일부일 수 있거나 집중형 품질 제어 유닛 내에 있을 수 있다. 다수의 프로세서들(214) 또는 전자 데이터 저장 유닛들(215)이 사용될 수 있다.
프로세서(214)는 실제로 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 구현될 수 있다. 또한, 본 명세서에 설명된 그것의 기능들은 하나의 유닛에 의해 수행되거나, 각각이 하드웨어, 소프트웨어 및 펌웨어의 임의의 조합에 의해 차례로 구현될 수 있는 서로 상이한 구성요소들 간에 분할될 수 있다. 프로세서(214)가 다양한 방법 및 기능을 구현하기 위한 프로그램 코드 또는 명령은 전자 데이터 저장 유닛(215)의 메모리 또는 다른 메모리와 같은 판독 가능한 저장 매체에 저장될 수 있다.
시스템(200)이 하나보다 많은 프로세서(214)를 포함하는 경우, 상이한 서브시스템들이 이미지, 데이터, 정보, 명령 등이 서브시스템들 사이에서 전송될 수 있도록 서로 결합될 수 있다. 예를 들어, 하나의 서브시스템은 이 기술분야에 알려진 임의의 적절한 유선 및/또는 무선 전송 매체를 포함할 수 있는 임의의 적절한 전송 매체에 의해 추가 서브시스템(들)에 결합될 수 있다. 이러한 서브시스템들 중 2개 이상은 또한 공유 컴퓨터 판독가능 저장 매체(도시되지 않음)에 의해 효과적으로 결합될 수 있다.
프로세서(214)는 시스템(200)의 출력 또는 기타 출력을 사용하여 다수의 기능들을 수행하도록 구성될 수 있다. 예를 들어, 프로세서(214)는 출력을 전자 데이터 저장 유닛(215) 또는 다른 저장 매체로 전송하도록 구성될 수 있다. 프로세서(214)는 또한 여기에 설명된 바와 같이 구성될 수 있다.
프로세서(214)는 본 명세서에 설명된 실시예들 중 임의의 것에 따라 구성될 수 있다. 프로세서(214)는 또한 시스템(200)의 출력을 사용하거나 기타 소스들로부터의 이미지 또는 데이터를 사용하여 다른 기능들 또는 추가 단계들을 수행하도록 구성될 수 있다.
시스템(200) 및 본 명세서에 개시된 방법들의 다양한 단계, 기능 및/또는 동작은 전자 회로, 로직 게이트, 멀티플렉서, 프로그램 가능 로직 디바이스, ASIC, 아날로그 또는 디지털 콘트롤/스위치, 마이크로컨트롤러 또는 컴퓨팅 시스템 중 하나 이상에 의해 수행된다. 본 명세서에 설명된 것과 같은 방법을 구현하는 프로그램 명령은 캐리어 매체(carrier medium)를 통해 전송되거나 캐리어 매체 상에 저장될 수 있다. 캐리어 매체는 읽기전용 메모리, 랜덤 액세스 메모리, 자기 또는 광 디스크, 비휘발성 메모리, 솔리드 스테이트 메모리, 자기 테이프 등과 같은 저장 매체를 포함할 수 있다. 캐리어 매체는 유선, 케이블, 또는 무선 전송 링크와 같은 전송 매체를 포함할 수 있다. 예를 들어, 본 개시 전체에 걸쳐 설명된 다양한 단계들은 단일의 프로세서(214), 또는 대안적으로 다수의 프로세서들(214)에 의해 수행될 수 있다. 더욱이, 시스템(200)의 상이한 서브시스템들은 하나 이상의 컴퓨팅 또는 로직 시스템들을 포함할 수 있다. 따라서, 위의 설명은 본 개시를 제한하는 것으로 해석되어서는 안 되며 단지 예시에 불과하다.
일 예에서, 프로세서(214)는 시스템(200)과 통신한다. 프로세서(214)는 검출기로부터의 데이터로부터 적어도 하나의 웨이퍼에 대한 하나 이상의 이미지를 생성하고; 머신 러닝-기반 분류자들을 사용하여 상기 이미지로부터 피처들을 추출하고; 상기 피처들 및 상기 웨이퍼에 대해 검출된 모든 이벤트들의 모집단으로부터 모니터링 메트릭스를 결정하고; 주사 전자 현미경으로부터 상기 웨이퍼에 대한 분류된 결함들을 수신하도록 구성된다. 분류된 결함들에 대한 분리성 메트릭스가 고정될 수 있는 검사 문턱값들과 관련하여 결정된다. 분리성 메트릭스는 분류된 결함들의 모집단 분포를 설명한다. 이러한 단계들 중 일부 또는 전부는 2개 이상의 웨이퍼에 대해 반복될 수 있다. 분리성 추세가 결정될 수 있다.
프로세서(214)는 또한, 프로세서를 사용하여 웨이퍼에 대해 검출된 이벤트들로부터 뉴슨스(nuisance)를 필터링하고/하거나 프로세서를 사용하여 웨이퍼에 대해 검출된 이벤트들의 각각에 대한 신뢰도(confidence) 값들을 결정하도록 구성될 수 있다. 프로세서(214)는 또한, 검사 문턱값들에 대한 결함 이동을 결정하도록 구성될 수 있다. 결함 이동을 결정하는 것은 검출된 모든 이벤트들을 신뢰도 축 상에 투영하는 것과 신뢰도 축을 따른 분류된 결함들의 움직임을 문턱값에 대하여 모니터링하는 것을 포함할 수 있다. 또한, 결함 이동을 결정하는 것은 수율에 영향을 미치는 프로세스 변경을 결정하고 검사 민감도에 영향을 미치는 프로세스 변경을 결정하는 것을 포함할 수 있다. 시스템(200)은 상기 결과에 기초하여 파장을 조정하거나 광원(203), 광학 요소(204), 렌즈(205), 또는 다른 구성요소들을 교체하는 등에 의해 조정될 수 있다.
추가적인 실시예는 본 명세서에 개시된 결함 검사를 위한 컴퓨터 구현 방법을 수행하기 위해 컨트롤러 상에서 실행가능한 프로그램 명령을 저장하는 비일시적 컴퓨터 판독가능 매체에 관한 것이다. 특히, 도 6에 도시된 바와 같이, 전자 데이터 저장 유닛(215) 또는 기타 저장 매체는 프로세서(214) 상에서 실행가능한 프로그램 명령을 포함하는 비일시적 컴퓨터 판독가능 매체를 포함할 수 있다. 컴퓨터 구현 방법은 방법(100)을 포함하여 본 명세서에 설명된 임의의 방법(들)의 임의의 단계(들)를 포함할 수 있다.
프로그램 명령은 무엇보다도 절차 기반 기술, 컴포넌트 기반 기술, 및/또는 객체 지향 기술을 포함하는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로그램 명령은 원하는 대로 ActiveX controls, C++ objects, JavaBeans, Microsoft Foundation Classes(MFC), SSE(Streaming SIMD Extension) 또는 다른 기술이나 방법론을 사용하여 구현될 수 있다.
방법의 각 단계들은 본 명세서에 기술된 바와 같이 수행될 수 있다. 방법은 또한 본 명세서에 설명된 프로세서 및/또는 컴퓨터 서브시스템(들) 또는 시스템(들)에 의해 수행될 수 있는 임의의 다른 단계(들)를 포함할 수 있다. 단계들은 하나 이상의 컴퓨터 시스템에 의해 수행될 수 있고, 이들은 본 명세서에 설명된 실시예들 중 임의의 것에 따라 구성될 수 있다. 또한, 위에서 설명된 방법들은 본 명세서에 설명된 시스템 실시예들 중 임의의 것에 의해 수행될 수 있다.
본 개시는 하나 이상의 특정 실시예와 관련하여 설명되었지만, 본 개시에 대한 다른 실시예들이 본 개시의 범위를 벗어나지 않고 이루어질 수 있음이 이해될 것이다. 따라서, 본 개시는 첨부된 청구범위 및 그에 대한 합리적인 해석에 의해서만 제한되는 것으로 간주된다.
Claims (18)
- 방법에 있어서,
광학 검사 툴을 사용하여 복수의 웨이퍼들을 광학적으로 검사하여 이미지들을 생성하는 단계;
프로세서를 사용하여, 머신 러닝-기반 분류자들로 상기 이미지들로부터 피처들(features)을 추출하는 단계;
상기 프로세서를 사용하여, 상기 피처들 및 상기 웨이퍼에 대해 검출된 모든 이벤트들의 모집단(population)으로부터 모니터링 메트릭스(monitoring metrics)를 결정하는 단계;
상기 프로세서에서, 주사 전자 현미경(scanning electron microscope)으로부터 상기 웨이퍼들의 분류된 결함들을 수신하는 단계;
상기 프로세서를 사용하여, 검사 문턱값들과 관련하여 상기 분류된 결함들에 대한 분리성 메트릭스(separability metrics)를 결정하는 단계 - 상기 분리성 메트릭스는 상기 분류된 결함들의 모집단 분포를 설명함 -; 및
상기 프로세서를 사용하여, 상기 웨이퍼들에 대해 상기 결함들의 분리성 추세(separability trend)들을 결정하는 단계
를 포함하는, 방법. - 제1 항에 있어서,
상기 광학 검사 툴은 광대역 플라즈마 검사 툴인, 방법. - 제1 항에 있어서,
상기 프로세서를 사용하여 상기 웨이퍼에 대해 상기 검출된 이벤트들로부터 뉴슨스(nuisance)들을 필터링하는 단계를 더 포함하는, 방법. - 제3 항에 있어서,
상기 프로세서를 사용하여 상기 웨이퍼에 대해 상기 검출된 이벤트들의 각각에 대한 신뢰도(confidence) 값들을 결정하는 단계를 더 포함하는, 방법. - 제4 항에 있어서,
상기 프로세서를 사용하여 검사 문턱값들에 대한 결함 이동(defect movement)을 결정하는 단계를 더 포함하는, 방법. - 제5 항에 있어서,
상기 결함 이동을 결정하는 단계는, 상기 검출된 모든 이벤트들을 신뢰도 축(confidence axis) 상에 투영하는 단계; 및
상기 신뢰도 축을 따른 상기 분류된 결함들의 움직임을 문턱값에 대하여 모니터링하는 단계
를 포함하는, 방법. - 제5 항에 있어서,
상기 결함 이동을 결정하는 단계는, 수율에 영향을 미치는 프로세스 변경들 및 검사 민감도(inspection sensitivity)에 영향을 미치는 프로세스 변경들로부터 상기 결함 이동을 분류하는 단계를 포함하는, 방법. - 제1 항에 있어서,
상기 분리성 추세들은 상기 분류된 결함들이 캡처되는 신뢰도를 모니터링하는, 방법. - 제8 항에 있어서,
상기 분리성 추세들은 신호 강도(signal strength)를 모니터링하는, 방법. - 제8 항에 있어서,
상기 분리성 추세들은 신호 스프레드(signal spread)를 모니터링하는, 방법. - 프로세서가 제1 항의 방법을 실행하게 지시하도록 구성된 프로그램을 저장하는 비일시적 컴퓨터 판독가능 매체.
- 시스템에 있어서,
광학 검사 툴로서,
광원;
웨이퍼를 유지하도록 구성된 스테이지; 및
검출기
를 포함하는 상기 광학 검사 툴; 및
상기 검출기와 전자 통신하는 프로세서로서,
상기 검출기로부터의 데이터를 사용하여 복수의 웨이퍼들의 이미지들을 생성하고;
프로세서를 사용하여 머신 러닝-기반 분류자들로 상기 이미지들로부터 피처들을 추출하고;
상기 피처들 및 상기 웨이퍼에 대해 검출된 모든 이벤트들의 모집단으로부터 모니터링 메트릭스를 결정하고;
주사 전자 현미경으로부터 상기 웨이퍼들의 분류된 결함들을 수신하고;
검사 문턱값들과 관련하여 상기 분류된 결함들에 대한 분리성 메트릭스를 결정하고 - 상기 분리성 메트릭스는 상기 분류된 결함들의 모집단 분포를 설명함 -;
상기 웨이퍼들에 대해 상기 결함들의 분리성 추세들을 결정하도록
구성된 상기 프로세서
를 포함하는, 시스템. - 제12 항에 있어서,
상기 광원은 광대역 플라즈마 소스인, 시스템. - 제12 항에 있어서,
상기 프로세서는 또한, 상기 웨이퍼에 대해 상기 검출된 이벤트들로부터 뉴슨스를 필터링하도록 구성된, 시스템. - 제14 항에 있어서,
상기 프로세서는 또한, 상기 웨이퍼에 대해 상기 검출된 이벤트들의 각각에 대한 신뢰도 값들을 결정하도록 구성된, 시스템. - 제15 항에 있어서,
상기 프로세서는 또한, 검사 문턱값들에 대한 결함 이동을 결정하도록 구성된, 시스템. - 제16 항에 있어서,
상기 결함 이동을 결정하는 것은,
상기 검출된 모든 이벤트들을 신뢰도 축 상에 투영하는 것; 및
상기 신뢰도 축을 따른 상기 분류된 결함들의 움직임을 문턱값에 대하여 모니터링하는 것
을 포함하는, 시스템. - 제16 항에 있어서,
상기 결함 이동을 결정하는 것은, 수율에 영향을 미치는 프로세스 변경들 및 검사 민감도에 영향을 미치는 프로세스 변경들로부터 상기 결함 이동을 분류하는 것을 포함하는, 시스템.
Applications Claiming Priority (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201941031131 | 2019-08-01 | ||
| IN201941031131 | 2019-08-01 | ||
| US201962902224P | 2019-09-18 | 2019-09-18 | |
| US62/902,224 | 2019-09-18 | ||
| US16/940,373 US11379969B2 (en) | 2019-08-01 | 2020-07-27 | Method for process monitoring with optical inspections |
| US16/940,373 | 2020-07-27 | ||
| PCT/US2020/044366 WO2021022100A1 (en) | 2019-08-01 | 2020-07-31 | Method for process monitoring with optical inspections |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220041126A KR20220041126A (ko) | 2022-03-31 |
| KR102607149B1 true KR102607149B1 (ko) | 2023-11-29 |
Family
ID=74230563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227005582A Active KR102607149B1 (ko) | 2019-08-01 | 2020-07-31 | 광학 검사를 이용한 프로세스 모니터링 방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11379969B2 (ko) |
| KR (1) | KR102607149B1 (ko) |
| CN (1) | CN114174812B (ko) |
| TW (1) | TWI844712B (ko) |
| WO (1) | WO2021022100A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7019090B1 (ja) * | 2021-09-30 | 2022-02-14 | Kddi株式会社 | 情報出力装置、情報出力方法及びプログラム |
| US20240142883A1 (en) * | 2022-10-31 | 2024-05-02 | Kla Corporation | Overlay Estimation Based on Optical Inspection and Machine Learning |
| US20250087450A1 (en) * | 2023-09-13 | 2025-03-13 | Kla Corporation | Optics for In-Situ Scanning Electron Microscope Repair |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110164809A1 (en) | 2005-03-24 | 2011-07-07 | Hisae Shibuya | Method And Apparatus For Detecting Pattern Defects |
| US20120117010A1 (en) | 2009-07-23 | 2012-05-10 | Makoto Ono | Device for classifying defects and method for adjusting classification |
| US20140198975A1 (en) | 2011-09-07 | 2014-07-17 | Hitachi High-Technologies Corporation | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8331669B2 (en) * | 2009-08-25 | 2012-12-11 | Siemens Aktiengesellschaft | Method and system for interactive segmentation using texture and intensity cues |
| JP5948262B2 (ja) * | 2013-01-30 | 2016-07-06 | 株式会社日立ハイテクノロジーズ | 欠陥観察方法および欠陥観察装置 |
| US9183624B2 (en) * | 2013-06-19 | 2015-11-10 | Kla-Tencor Corp. | Detecting defects on a wafer with run time use of design data |
| JP6546826B2 (ja) * | 2015-10-08 | 2019-07-17 | 株式会社日立パワーソリューションズ | 欠陥検査方法、及びその装置 |
| WO2018132321A1 (en) * | 2017-01-10 | 2018-07-19 | Kla-Tencor Corporation | Diagnostic methods for the classifiers and the defects captured by optical tools |
| US11037286B2 (en) * | 2017-09-28 | 2021-06-15 | Applied Materials Israel Ltd. | Method of classifying defects in a semiconductor specimen and system thereof |
| US10809635B2 (en) * | 2017-11-20 | 2020-10-20 | Taiwan Semiconductor Manufacturing Company, Ltd. | Defect inspection method and defect inspection system |
| US10670536B2 (en) * | 2018-03-28 | 2020-06-02 | Kla-Tencor Corp. | Mode selection for inspection |
| US11321633B2 (en) * | 2018-12-20 | 2022-05-03 | Applied Materials Israel Ltd. | Method of classifying defects in a specimen semiconductor examination and system thereof |
-
2020
- 2020-07-27 US US16/940,373 patent/US11379969B2/en active Active
- 2020-07-31 WO PCT/US2020/044366 patent/WO2021022100A1/en active Application Filing
- 2020-07-31 CN CN202080053899.7A patent/CN114174812B/zh active Active
- 2020-07-31 KR KR1020227005582A patent/KR102607149B1/ko active Active
- 2020-07-31 TW TW109126085A patent/TWI844712B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110164809A1 (en) | 2005-03-24 | 2011-07-07 | Hisae Shibuya | Method And Apparatus For Detecting Pattern Defects |
| US20120117010A1 (en) | 2009-07-23 | 2012-05-10 | Makoto Ono | Device for classifying defects and method for adjusting classification |
| US20140198975A1 (en) | 2011-09-07 | 2014-07-17 | Hitachi High-Technologies Corporation | Region-of-interest determination apparatus, observation tool or inspection tool, region-of-interest determination method, and observation method or inspection method using region-of-interest determination method |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114174812B (zh) | 2022-12-16 |
| US20210035282A1 (en) | 2021-02-04 |
| US11379969B2 (en) | 2022-07-05 |
| TWI844712B (zh) | 2024-06-11 |
| KR20220041126A (ko) | 2022-03-31 |
| TW202113337A (zh) | 2021-04-01 |
| CN114174812A (zh) | 2022-03-11 |
| WO2021022100A1 (en) | 2021-02-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102330733B1 (ko) | 적응형 뉴슨스 필터 | |
| KR102607149B1 (ko) | 광학 검사를 이용한 프로세스 모니터링 방법 | |
| US10698325B2 (en) | Performance monitoring of design-based alignment | |
| US10557802B2 (en) | Capture of repeater defects on a semiconductor wafer | |
| CN114341630B (zh) | 等概率缺陷检测 | |
| KR102790734B1 (ko) | 다중 수집 채널로부터의 정보의 결합에 의한 디자인 대 웨이퍼 이미지 상관 관계 | |
| KR102719204B1 (ko) | 노이즈 특성에 기초한 서브케어 영역의 클러스터링 | |
| TWI869611B (zh) | 用於缺陷偵測之系統及方法、及非暫時性電腦可讀儲存媒體 | |
| US12100132B2 (en) | Laser anneal pattern suppression | |
| KR102737243B1 (ko) | 웨이퍼 결함 검출을 위한 투영 및 거리 분할 알고리즘 | |
| US12056867B2 (en) | Image contrast metrics for deriving and improving imaging conditions | |
| US20240221141A1 (en) | Pattern segmentation for nuisance suppression | |
| TWI885269B (zh) | 用以成像半導體晶圓之方法及系統，以及非暫時性電腦可讀媒體 | |
| US20250037261A1 (en) | High-quality wide-spectrum data by generative ai |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0105 | International application |
Patent event date: 20220218 Patent event code: PA01051R01D Comment text: International Patent Application |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20231030 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20231123 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20231123 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |