评估晶圆或单晶锭的质量的方法和装置制造方法及图纸

评估晶圆的质量的方法或评估晶圆的质量的装置可以包括：对晶圆片或单晶锭进行铜雾度评估；基于铜雾度评估的结果采集铜雾度图数据以及铜雾度评估分数；基于铜雾度图数据和铜雾度评估分数训练人工智能模型；使用经学习的人工智能模型对晶圆或单晶锭进行晶体缺陷评估，该经学习的人工智能模型在输入铜雾度图数据时输出铜雾度评估分数。时输出铜雾度评估分数。时输出铜雾度评估分数。

Method and device for evaluating the quality of wafer or single crystal ingot

【技术实现步骤摘要】
评估晶圆或单晶锭的质量的方法和装置
[0001]相关申请的交叉引用
[0002]根据35 U.S.C.
§
119(a)，本申请要求于2021年1月28日提交的韩国专利申请第10
‑
2021
‑
0012285号的在先申请日权益和优先权，其全部内容通过引用并入本文中。


[0003]本公开涉及一种通过评估半导体工艺中使用的晶圆或单晶锭的质量来检测晶体缺陷的装置和方法。

技术介绍

[0004]通常，直拉(Czochralski，以下称为“CZ”)法已被广泛用于制造硅晶圆的方法。在CZ法中，通过将多晶硅装入石英坩埚中，用石墨加热元件加热熔化多晶硅，然后将籽晶浸入熔化形成的硅熔液中使得在界面处发生结晶，并在旋转籽晶的同时向上拉，来生长出单晶硅锭。之后，通过对硅锭进行切片、蚀刻和抛光来制造出晶圆形式。
[0005]使用这种方法制造的单晶硅锭或硅晶圆具有晶体缺陷，例如晶体原生颗粒(crystal originated particles，COP)、流体图案缺陷(flow pattern defect，FPD)、氧诱发叠加断层(oxygen induced stacking fault，OISF)和体微缺陷(bulk micro defect，BMD)，需要降低在这种生长过程中引入的生长缺陷的密度和尺寸，并且已经证实了晶体缺陷影响设备的产量和质量。因此，在去除晶体缺陷的同时容易且快速地评估这些缺陷的技术是很重要的。
[0006]根据相关技术，在通过CZ方法制造的单晶锭中，根据被称为“V/G”的沃伦科夫(Voronkov)理论，当锭以V/G或更高的临界值生长(高速生长)时，会生成具有空隙缺陷的富V区域(V
‑
rich region)；当晶锭以V/G或更低的临界值生长(低速生长)时，会在边缘或中心区域以环状形式生成OISF缺陷；并且当晶锭以更低的速度生长时，由在其中聚集间隙硅的位错环的缠结而生成富I区域，该富I区域是环主点缺陷(dominant point defect，LDP)区。
[0007]在富V区域和富I区域之间的边界处存在既不富V也不富I的无缺陷区域。无缺陷区域也分为空位主点缺陷区(vacancy dominant point defect zone，VDP)区域和间隙主点缺陷区(interstitial dominant point defect zone，IDP)区域，该区域被认为是制造的界限，以制造这种无缺陷晶圆。
[0008]同时，重点还在于提出一种评估晶圆或单晶锭的质量的方法，并且相应地，在根据实施例的评估晶圆或单晶锭的质量的方法以及使用该方法控制单晶硅锭的质量的方法中，通过在生长高质量的硅(Si)单晶时使用铜(Cu)雾度评估方法建立模型以及在设定目标提拉速度时准备量化标准来对整个主要范围进行评分，可以进行质量预测和精度控制。
[0009]根据实施例，可以通过铜雾度建模在无缺陷单晶生长过程中使用铜雾度评估方法进行评分，并且通过为每个晶体区域提供分数，可以通过在质量评估过程中生成的铜雾度图来区分相应的区域，从而可以通过调整由每个主要范围的图所区分的区域相关的评分的提拉速度来设置下一批的准确目标提拉速度。
[0010]然而，在上述方法中，由于操作者手动检查铜雾度图的晶体区域并为与缺陷对应的区域评分，因此会导致相应评估方法的准确性和可靠性变差。

技术实现思路

[0011]技术问题
[0012]本公开的目的是改进传统的评估晶圆质量的方法，在传统的评估晶圆质量的方法中，操作者视觉上检查铜雾度图的晶体区域，并直接为与缺陷对应的区域提供分数。
[0013]本公开的一个目的是通过使用数据增强生成多个虚拟铜雾度图数据来训练人工智能模型。
[0014]本公开的一个目的是使用经学习的人工智能模型计算铜雾度图分数。
[0015]技术方案
[0016]根据本公开实施例的一种评估晶圆的质量的方法可以包括：对晶圆片或单晶锭进行铜雾度评估；基于铜雾度评估的结果采集铜雾度图数据以及铜雾度评估分数；基于铜雾度图数据和铜雾度评估分数训练人工智能模型；以及使用经学习的人工智能模型对晶圆或单晶锭进行晶体缺陷评估，该经学习的人工智能模型在输入铜雾度图数据时输出铜雾度评估分数。
[0017]另外，基于铜雾度图数据和铜雾度评估分数训练人工智能模型可以包括：进行执行学习数据增强，该学习数据增强基于铜雾度图数据生成至少一条虚拟铜雾度图数据；以及使用与根据铜雾度图数据和学习数据增强生成的虚拟铜雾度图数据对应的铜雾度评估分数训练人工智能模型。
[0018]另外，执行学习数据增强可以包括：将铜雾度图数据划分为BP区域和BSW区域；对划分后的图像中的每个执行图像变换；以及基于已经进行了图像变换的划分后的图像中的每个生成虚拟铜雾度图数据。
[0019]此外，将铜雾度图数据划分为BP区域和BSW区域还可以包括：将BP区域和BSW区域中的每个划分为边缘区域和中心区域。
[0020]另外，图像变换可以包括下述中的至少一种变换：对图像的倾斜、剪切、反射、旋转和裁剪。
[0021]另外，使用经学习的人工智能模型对晶圆片或单晶锭进行晶体缺陷评估可以包括：使用人工智能模型将铜雾度图和虚拟铜雾度图数据均划分为BP区域和BSW区域；使用人工智能模型分别计算BP区域和BSW区域中每个的边缘区域和中心区域的铜雾度分数。
[0022]根据本公开实施例的评估晶圆的质量的装置可以包括：输入单元，接收晶圆的铜雾度图数据；处理器，使用经学习的人工智能模型对晶圆的质量进行评估，以在输入铜雾度图数据时输出铜雾度分数；以及显示单元，输出晶圆的质量的结果。
[0023]此外，处理器可以：进行学习数据增强，该学习数据增强基于铜雾度图数据生成至少一条虚拟铜雾度图数据；并使用与基于铜雾度图数据和学习数据增强生成的虚拟铜雾度图数据对应的铜雾度评估分数来训练人工智能模型。
[0024]此外，处理器可以将铜雾度图数据划分为BP区域和BSW区域，对划分后的图像中的每个图像进行图像变换，并基于已进行了图像变换的划分后的图像中的每个生成虚拟铜雾度图数据。
[0025]此外，处理器还可以将BP区域和BSW区域中的每个划分为边缘区域和中心区域，对划分后的图像中的每个执行图像变换，并基于进行了图像变换的划分后的图像中的每个生成虚拟铜雾度图数据。
[0026]有益效果
[0027]根据本公开的实施例，可以通过使用数据增强生成多条虚拟铜雾度图数据来有效地学习人工智能模型。
[0028]本公开可以使用经学习的人工智能模型提供高度可靠的铜雾度评估。
附图说明
[0029]图1是图示根据相关技术的控制提拉速度的示例图。
[0030]图2是在根据本公开实施例的评估晶圆或单晶锭的质量的方法以及使用该方法控制单晶锭的质量的方法中计算第五样本S5的铜雾度分数的方法的示例图。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种评估晶圆的质量的方法，所述方法包括：对晶圆片或单晶锭进行铜雾度评估；基于所述铜雾度评估的结果采集铜雾度图数据以及铜雾度评估分数；基于所述铜雾度图数据和所述铜雾度评估分数训练人工智能模型；以及使用经学习的人工智能模型对所述晶圆片或所述单晶锭进行晶体缺陷评估，所述经学习的人工智能模型在输入所述铜雾度图数据时输出所述铜雾度评估分数。2.根据权利要求1所述的方法，其中，基于所述铜雾度图数据和所述铜雾度评估分数训练所述人工智能模型包括：进行学习数据增强，所述学习数据增强基于所述铜雾度图数据生成至少一条虚拟铜雾度图数据；以及使用与根据所述铜雾度图数据和所述学习数据增强生成的所述虚拟铜雾度图数据对应的所述铜雾度评估分数训练所述人工智能模型。3.根据权利要求2所述的方法，其中，进行所述学习数据增强包括：将所述铜雾度图数据划分为BP区域和BSW区域；对划分后的图像中的每个进行图像变换；以及基于已进行了所述图像变换的划分后的图像中的每个生成所述虚拟铜雾度图数据。4.根据权利要求3所述的方法，其中，将所述铜雾度图数据划分为所述BP区域和所述BSW区域还包括：将所述BP区域和所述BSW区域中的每个划分为边缘区域和中心区域。5.根据权利要求3所述的方法，其中，所述图像变换包括下述中的至少一种变换：对所述图像的倾斜、剪切、反射、旋转和裁剪。6.根据权利要求1所述的方法，其中，使用经学习的人工智能模型对所述晶圆片或所述单晶锭进行晶体缺陷评估包括...

【专利技术属性】
技术研发人员：朴玹雨，
申请(专利权)人：爱思开矽得荣株式会社，
类型：发明
国别省市：