【技术实现步骤摘要】
半导体元件的制造过程中进行自动缺陷筛选的系统本专利技术申请是申请号为201710685984.5,申请日为2017年8月11日,名称为“半导体元件的制造过程中进行自动缺陷筛选的系统”的专利技术专利申请的分案申请。
本专利技术是关于半导体元件的制造;特别是关于制造半导体元件的制造流程中的自动缺陷筛选。
技术介绍
半导体元件的制造,是藉由将多层电路图案制作于晶圆上,以形成具有大量集成的电晶体的一复杂电路。在半导体元件的制造流程中,微影制程是负责将电路设计人员创造的电路图案转移到晶圆上的制程。具有根据电路图案的不透光及透光图案的光罩/光盘用于在晶圆上将元件层图案化。光罩上邻近图案的效应、光学绕射、光阻发展与蚀刻、对晶圆的邻近图层所进行的化学机械抛光(chemical-mechanicalpolishing,CMP),以及图案与制造在晶圆上的邻近图层之间的几何与层叠关系都可能会造成元件层图案的变形。随着集成电路的元件密度的增加,集成电路的图案与布局的复杂度也随之增加,此外,由图案变形所产生的系统缺陷,或者因制程的变数而产生的随机缺陷或污染,皆会进一步导致制造在晶圆上的元件的故障。在制造半导体元件的生产流程中,在不同图层上进行晶圆检测属于常规的流程。其中,具有一小时内能完成一个以上的完整晶圆的产出量的光学检测,是晶圆检测领域中的主力。在一般的晶圆检测过程中,侦测到的缺陷通常也包含了干扰点,这些干扰点属于错误的检测结果,或者属于不感兴趣的缺陷。随着设计规则的缩小,许多关键缺陷的尺寸也变得更小,而相较于杂讯 ...
【技术保护点】
1.一种在半导体制造过程中进行缺陷筛选的方法,包括:/n检测晶粒以从所述晶粒的影像搜集候选缺陷资料,所述候选缺陷资料包括设计资料;/n验证所述候选缺陷资料以形成感兴趣缺陷资料,所述感兴趣缺陷资料包括候选资料、所述设计资料和标记;/n更新关键特征资料档案库以包括所述感兴趣缺陷资料的,所述关键特征资料档案库包括多个感兴趣缺陷资料元素;/n编整模型训练资料,所述模型训练资料包括来自所述关键特征档案库的所述多个感兴趣缺陷资料元素;/n用所述模型训练资料来训练机器学习模型以产生训练的机器学习模型;/n使用光学传感器搜集第二晶粒的影像;/n用所述训练的机器学习模型检测所述第二晶粒的影像,所述训练的机器学习模型:/n标示来自所述第二晶粒的影像的第二候选缺陷资料,所述第二缺陷资料包括第二设计资料;以及/n标示所述第二候选缺陷资料为缺陷;以及/n标示所述第二晶粒为包含缺陷。/n
【技术特征摘要】
20161212 US 15/375,1861.一种在半导体制造过程中进行缺陷筛选的方法,包括:
检测晶粒以从所述晶粒的影像搜集候选缺陷资料,所述候选缺陷资料包括设计资料;
验证所述候选缺陷资料以形成感兴趣缺陷资料,所述感兴趣缺陷资料包括候选资料、所述设计资料和标记;
更新关键特征资料档案库以包括所述感兴趣缺陷资料的,所述关键特征资料档案库包括多个感兴趣缺陷资料元素;
编整模型训练资料,所述模型训练资料包括来自所述关键特征档案库的所述多个感兴趣缺陷资料元素;
用所述模型训练资料来训练机器学习模型以产生训练的机器学习模型;
使用光学传感器搜集第二晶粒的影像;
用所述训练的机器学习模型检测所述第二晶粒的影像,所述训练的机器学习模型:
标示来自所述第二晶粒的影像的第二候选缺陷资料,所述第二缺陷资料包括第二设计资料;以及
标示所述第二候选缺陷资料为缺陷;以及
标示所述第二晶粒为包含缺陷。
2.如权利要求1所述的方法,所述方法进一步包括:
验证所述候选缺陷资料进一步包括形成感兴趣缺陷资料和干扰点缺陷资料中的一个,包括干扰点缺陷标记;
更新所述关键特征资料档案库以进一步包括所述干扰点缺陷资料;
编整所述模型训练资料进一步包括所述干扰点缺陷资料;
用模型训练资料来训练所述机器学习模型以产生训练的机器学习模型;
使用所述光学传感器搜集第三晶粒的第三影像;
用所述训练的机器学习模型检测所述第三影像,所述训练的机器学习模型:
标示来自所述第三影像的第三候选缺陷资料,所述第三缺陷资料包括第三设计资料;以及
标示所述第三候选缺陷资料为第三缺陷和第三干扰点中的一个;以及
标示所述第三晶粒为包含所述第三缺陷和第三干扰点中的相应一个。
3.如权利要求2所述的方法,其中所述候选缺陷资料被提供给所述训练的机器学习模型,以基于与存在具有类似候选缺陷资料的类似设计资料相比较的所述设计资料的图案密度,而分析所述训练的机器学习模型的效能。
4.如权利要求2所述的方法,其中所述验证所述候选缺陷资料基于撷取与所述候选缺陷资料关联的设计特征以确定所述候选缺陷资料是否是感兴趣缺陷资料或干扰点缺陷资料。
5.一种非暂时性计算机可读介质,包括指令,当所述指令由处理系统的处理器执行时,使得所述处理系统执行一种用于改善半导体器件制造的方法,所述方法包括:
检测晶粒以从所述晶粒的影像搜集候选缺陷资料,所述候选缺陷资料包括设计资料;
验证所述候选缺陷资料以形成感兴趣缺陷资料,所述感兴趣缺陷资料包括候选资料、所述设计资料和标记;
更新关键特征资料档案库以包括所述感兴趣缺陷资料,所述关键特征资料档案库包括多个感兴趣缺陷资料元素;
编整模型训练资料,所述模型训练资料包括来自所述关键特征档案库的所述多个感兴趣资料元素的缺陷;
用所述模型训练资料来训练机器学习模型以产生训练的机器学习模型;
使用光学传感器搜集第二晶粒的影像;
用所述训练的机器学习模型检测所述第二晶粒的影像,所述训练的机器学习模型:
标示来自所述第二晶粒的影像的第二候选缺陷资料,所述第二缺陷资料包括第二设计资料;以及
标示所述第二候选缺陷资料作为缺陷;以及
标示所述第二晶粒为包含缺陷。
6.如权利要求5所述的非暂时性计算机可读介质,所述非暂时性计算机可读介质进一步包括:
验证所述候选缺陷资料进一步包括形成感兴趣缺陷资料和干扰点缺...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。