以范围为基础的实时扫描电子显微镜的非视觉分格器的制作方法

相关申请案的交叉参考

本申请案要求于2015年8月5日申请且转让给印度申请案第4069/che/2015号印度临时专利申请案及于2015年9月23日申请且转让美国申请案第62/222,647号临时专利申请案的优先权，所述申请案的揭示内容据此以引用的方式并入。

本发明涉及对缺陷的分类，且更特定地说，涉及对非视觉缺陷的分类。

背景技术：

晶片检测系统有助于半导体制造商通过检测在制造过程期间出现的缺陷而增加并维持集成电路(ic)芯片成品率。检测系统的一个目的是监测制造过程是否符合规格。如果制造过程在既定规范的范围外，那么检测系统指示问题及/或问题的来源，接着半导体制造商可解决所述问题。

半导体制造产业的发展对成品率管理及特定地说计量及检测系统的需求越来越大。临界尺寸日益缩小而晶片大小日益增加。经济因素驱使所述产业减少用于实现高成品率、高价值生产的时间。因此，最小化从检测成品率问题到解决所述问题的总时间确定半导体制造商的投资回报。

用于对缺陷进行分类(包含手动分类及以层为基础的自动分类)的先前技术涉及过多的时间及努力。随着装置变得更加复杂，在半导体制造设施中对缺陷进行手动分类需要日益增加的时间及努力。甚至在花费大量时间进行分类之后，归因于人为误差，缺陷分类可能仍为不准确的且不一致的。领域中对缺陷进行自动分类的当前技术需要缺陷的许多实例且有时还需要用于训练分类器的人力资源。此外，针对每一层的每一缺陷类型训练分类器可为繁琐的，这是因为待训练的分类器的总数目将为缺陷类型的数目乘以层的数目。

手动分类涉及：以多个视角手动观察每一缺陷图像、以已知参考缺陷图像集合进行缺陷识别，及针对每一缺陷位点手动分配类别码。对缺陷进行手动分类需要大量时间来完成。这又是极其昂贵的。此外，在分类期间使用人为判断可在结果中引入不准确性及不一致性。

以层为基础的自动分类包含针对每一层建立的自定义分类器，其分离存在的全部临界缺陷类型。可手动或自动建立分类器。以层为基础的自动分类实施对层特定自定义分类器的建立。训练全部层的分类器需要大量资源，像训练数据、人力资源及时间。例如，训练每一层的分类器需要训练数据。训练数据应具有需由分类器分类的每一临界缺陷的足够缺陷实例。所述领域中使用的一些分类器建立方案需要手动分类器建立。连同涉及大量时间投资，归因于判断用于建立所述分类器的最佳属性集时的不准确性，这还带来经建立分类器的性能的不一致性。由于在针对跨特定位点处的层及还跨多个客户位点的相同缺陷类型建立分类器时的巨大重复，大量时间被花费在建立、训练及维护分类器上。

因此，需要一种减少分类晶片缺陷所需的时间及努力的系统及技术。

技术实现要素：

在第一实施例中，提供一种系统。所述系统包括：缺陷重检工具；及控制器，其经配置以与所述缺陷重检工具通信。所述缺陷重检工具具有经配置以夹持晶片的载物台。所述控制器经配置以使用分类器来识别所述晶片的层上的非视觉缺陷。所述缺陷重检工具可为扫描电子显微镜(sem)。所述非视觉缺陷可为sem非视觉缺陷(snv)。

所述控制器可包括：处理器，其经配置以与所述缺陷重检工具通信；存储装置，其与含有所述分类器的所述处理器电子通信；及通信端口，其与所述处理器电子通信以与所述缺陷重检工具通信。

所述控制器可通过使用所述分类器来过滤形貌缺陷、强度属性或能量属性中的至少一者而识别非视觉缺陷。

在第二实施例中，提供一种方法。所述方法包括：使用缺陷重检工具产生晶片上的层的图像；使用处理器利用分类器来评估所述图像的至少一个属性；及使用所述处理器利用所述分类器来识别所述晶片的所述层上的非视觉缺陷。

所述方法可进一步包括：使用所述处理器定义非视觉缺陷的上限及下限，其中所识别的所述非视觉缺陷在所述上限与所述下限之间。

所述分类器可经配置以过滤形貌缺陷、强度属性及/或能量属性。

所述分类器可经配置以在所述晶片的每一层上使用。

所述产生可使用扫描电子显微镜(sem)。所述非视觉缺陷可为sem非视觉缺陷(snv)。

可与所述产生一起实时地执行比较及识别。

附图说明

为了更全面理解本发明的性质及目标，应结合附图参考以下详细描述，其中：

图1是根据本发明的实施例的流程图；

图2是展示扫描电子显微镜非视觉(snv)散布的示范性上限及下限的图表；

图3是示范性snv分类器的示意图；及

图4是根据本发明的缺陷重检工具的实施例。

具体实施方式

虽然将依据特定实施例描述所主张的标的物，但是其它实施例(包含未提供本文中阐述的全部优点及特征的实施例)也在本发明的范围内。在不脱离本发明的范围的情况下，可进行各种结构、逻辑、过程步骤及电子改变。因此，本发明的范围仅参考所附权利要求书定义。

扫描电子显微镜(sem)非视觉(称为“snv”)定义为有缺陷但不含有任何真实定义的缺陷的重检位点。真实定义的缺陷可为与参考相比的晶片上的破坏。例如，真实定义的缺陷可为颗粒、刮痕或空隙。因此，snv将具有与其参考位点相比类似的性质，这可使snv难以手动识别。如本文中揭示，可在从缺陷图像减去参考图像(即，缺陷-参考图像)之后计算缺陷属性。这导致跨层的snv的共同属性值，且导致建立用以分格出(binout)多个层上的snv的单个分类器或实时snv(rt-snv)分类器。分格指代将数个一般连续值分组成较小数目个子群组的一或多种方法。分类器可针对特定目的(例如，缺陷分类及检测)通过识别snv的同属性群而“分格出”snv。

即使不存在可容易观看的物理残余物或可见缺陷，非视觉缺陷(例如snv)仍可引起装置的电气故障。非视觉缺陷的实例包含：电阻、电容或时序的晶片间或芯片间变动；应力引起的错位；局部结晶缺陷；或局部接合缺陷。非视觉缺陷影响成品率，此使非视觉缺陷为半导体制造商所关注，且识别非视觉缺陷具挑战性。

一些缺陷类型(如snv或颗粒)跨一或多个晶片的多个层是共同的且一致的。这已导致从以层为基础的分类器建立转变到以缺陷为基础的分类器建立。以缺陷为基础的分类器建立涉及实施分格出跨一或多个晶片的多个层的共同缺陷类型的单个分类器。共同缺陷类型跨多个层具有类似缺陷属性值范围。

在重检来自全部检验器的缺陷图时可发现snv。检验器可包含自动、半自动及手动晶片检测工具及过程。半导体制造商可能不想错过任何真实缺陷，这导致检测扫描具有较低阈值。较低阈值又导致误判(falsepositive)及其它公害。在检测之后将这些误判或其它公害与真实缺陷分离是艰巨的任务，这是因为具有高snv百分比的层将需要大量时间及人力来重检。本发明的实施例涉及一或多个晶片的多个层上的snv的属性范围，以建立一个分类器而跨全部层及全部位点中发现的全部节点将snv与真实缺陷分离。

如本文中揭示，多个层上的snv的属性范围可用来：1)理解跨大量层的snv的物理性质，这将实现snv与其它真实缺陷的程序分离；及2)理解属性及属性范围对于跨大量层的snv来说相同，使得可使用此类属性及属性范围来以编程方式分离出snv。当前揭示的系统及方法还使用全部层上的snv的共同属性范围产生并使用分类器以分格出snv。当前揭示的系统及方法还可针对不同实例(例如链测试、发现流等)产生并使用单个分类器以分格出跨全部层的snv。此外，本发明可跨多个层使用属性的共同(即，共享)范围来定义分类器的截止点。

rt-snv分类器可在半导体制造商处降低成本且增加处理量。此外，缺陷的更快分类可有助于半导体制造商更快解决其成品率问题，这减少到产生结果的时间。这些优点导致半导体制造商节省大量资本。

图1是根据本发明的实施例的流程图。可如本文中进一步描述那样执行方法的步骤中的每一者。所述方法还可包含可由本文中描述的图像获取子系统及/或计算机子系统或系统执行的任何其它步骤。通过一或多个计算机系统执行所述步骤，所述一或多个计算机系统可根据本文中描述的实施例中的任一者配置。另外，可通过本文中描述的系统实施例中的任一者执行上文描述的方法。

如图1中所见，在100处，产生晶片上的层的图像。可使用图像捕捉装置(例如扫描电子显微镜(sem))产生或捕捉图像。图像可包括已以编程方式拼接在一起的一或多个图像。图像可含有晶片的多个视图，例如使用各种波长的光产生的视图。图像可经数字化且被存储到暂时存储器(ram)或永久存储器(例如硬盘驱动器)中。图像可存储于可由一或多个系统经由因特网或内部网络存取的策展数据库中。在101处，使用分类器来评估图像的至少一个属性。例如，可通过分类处理器检索图像以进行评估。分类处理器可从暂时存储器或永久存储器请求图像。在一个实施例中，分类处理器可自策展数据库请求图像。分类处理器可使用分类器来评估图像。因而，在102处，使用分类器来识别晶片的层上的非视觉缺陷(例如snv)。

可基于跨多个层及/或多个晶片(及跨多个位点，使用配套(assorted)设备)在sem重检图像上提取的缺陷属性来建立或产生分类器。此可运用检验或计量算法执行。可将所收集的sem重检图像手动分类成不同类型的缺陷及snv。在一些实施例中，可从先前测试及已知来源导入所收集的sem重检图像。

使用缺陷重检及分类软件(例如来自科磊公司(kla-tencor)的impactxp)来确定snv的属性值范围。此缺陷重检及分类软件可包含自动缺陷分类。在大部分snv(排除离群点)共同存在于其内的边界处产生针对特定属性的snv散布的上限及下限。例如，参见图2中的上限及下限。大部分snv的属性值散布位于snv的理想值周围的范围内。例如，对于snv，属性1＝1、属性2＝0、属性3＝0等等。

针对多个层在各个重检批次上收集类似数据以确定或进一步分析对定义并分类snv有用的属性。可针对多个属性收集snv范围数据(包含上限及下限)。可跨不同层及/或不同晶片使用不同成像条件。

针对跨一或多个晶片的层的共同范围以编程方式分析snv的属性范围值。因为属性可展示snv跨多个层的共同值范围，所以snv的共同属性范围可用于实施单个分类器以跨多个层分格出snv。这些共同范围将用来定义rt-snv分类器的属性边界。跨多个晶片确认因此形成的rt-snv分类器的性能。

可使用多种属性来使用分类器从snv分格过滤不同类型的缺陷。这些包含以下一些或全部过滤。形貌属性滤除形貌缺陷，如颗粒、刮痕等。强度属性分离高材料对比度或高gl差异缺陷，如残留物、浮渣等。能量属性过滤高能量及高能量密度缺陷，如空隙或大缺陷。类似地，其它类型的属性可用来将不同类型的缺陷与snv分离。

可标绘出所提取的属性范围。下文提及的实时自动缺陷分类(rt-adc)属性、snv的范围对于各种各样的层是类似的。

表1

全部层上的snv的共同属性范围的边界可用作分类器的相应属性节点的截止点。在此之后可能无需对分类器的常规训练且分类器应准备好部署于任何客户位点中的任何节点的任何层中。然而，在一些实施例中，截止点可需经调整而远离共同属性范围以补偿特定仪器或用途。

以下属性的节点可由分类器使用以将snv与真实缺陷分离。属性2、属性3、属性6及属性5将形貌真实缺陷(如颗粒及刮痕)与snv分离。属性5可例如涉及能量测量。属性2可例如比较峰值高度。属性3及属性6可分别为正测量值及负测量值。属性7将高材料对比度真实缺陷(如残留物)与snv分离。属性8将高密度真实缺陷(如空隙)与snv分离。属性4可涵盖显著性且可将独有单个缺陷(如隆起、小颗粒、小凹点及开口)与snv分离。属性1将与背景不类似的任何其它缺陷与snv分离。

例如，针对示范性snv分类器，参见图3。

在分类器准备好之后，其可经部署以识别其它晶片的层上的snv。

如本文中使用，术语“晶片”大体上指代由半导体或非半导体材料形成的衬底。此半导体或非半导体材料的实例包含但不限于单晶硅、氮化镓、砷化镓、磷化铟、蓝宝石及玻璃。通常可在半导体制造设施中发现及/或处理此类衬底。

晶片可包含形成于衬底上的一或多个层。例如，此类层可包含但不限于光致抗蚀剂、电介质材料、导电材料及半导电材料。此项技术中已知许多不同类型的此类层，且如本文中使用的术语晶片希望涵盖包含全部类型的此类层的晶片。

形成于晶片上的一或多个层可经图案化或未经图案化。例如，晶片可包含多个裸片，其各自具有可重复图案化的特征或周期性结构。此类材料层的形成及处理最终可导致完整装置。可在晶片上形成许多不同类型的装置，且如本文中使用的术语“晶片”希望涵盖其上制造此项技术中已知的任何类型的装置的晶片。

图4是缺陷重检工具200的实施例。缺陷重检工具200可为sem、使用电子束的另一缺陷重检工具，或经配置以检验晶片的其它设备。

缺陷重检工具200包含经配置以夹持晶片203的载物台204。载物台204可经配置以在一个、两个或三个轴上移动或旋转。

如图4中所见，晶片203包含多个层，包含层209及210。层210形成于层209之后。虽然层210在图4中说明为被成像，但层209可在形成层210之前已成像。比图4中说明的三个层更多或更少的层是可行的。

缺陷重检工具200还包含经配置以产生晶片203的表面的图像的图像产生系统201。图像可针对晶片203的特定层。在此实例中，图像产生系统201产生电子束202以产生晶片203的图像。其它图像产生系统201是可行的，例如使用宽带等离子体或激光扫描的图像产生系统。

在特定实例中，缺陷重检工具200是扫描电子显微镜(sem)的部分或是扫描电子显微镜(sem)。通过用聚焦电子束202扫描晶片203而产生晶片203的图像。电子用来产生含有关于晶片203的表面形貌及组成的信息的信号。电子束202可以光栅扫描模式扫描，且可组合电子束202的位置与经检测信号以产生图像。

缺陷重检工具200与控制器205通信。例如，控制器205可与图像产生系统201或缺陷重检工具200的其它组件通信。控制器205可包含处理器206、与处理器206电子通信的存储装置207，及与处理器206电子通信的通信端口208。应了解，控制器205实际上可由硬件、软件及固件的任何组合实施。此外，如本文中描述的其功能可由一个单元执行或分配于不同组件的中，所述组件中的每一者又可由硬件、软件及固件的任何组合实施。用来实施本文中描述的各种方法及功能的控制器205的程序代码或指令可存储于在控制器105内、在控制器205外部或其组合的控制器可读存储媒体(例如存储器)中。

控制器205还可使用分类器来识别晶片的层上的非视觉缺陷，例如snv。例如，控制器205可执行图1的步骤。控制器205还可执行本文中揭示的其它步骤或技术。

控制器205可以任何适合方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到缺陷重检工具200的检测器，使得控制器205可接收由检测器(例如图像产生系统201中的检测器)产生的输出。控制器205可经配置以使用检测器的输出来执行数种功能。例如，控制器205可经配置以使用检测器的输出来检测晶片203上的缺陷。可由控制器205通过将某一缺陷检测算法及/或方法应用于由检测器产生的输出而执行检测晶片203上的缺陷。缺陷检测算法及/或方法可包含本文中所揭示或此项技术中已知的任何适合算法及/或方法。例如，控制器205可比较检测器的输出与阈值。具有超出阈值的值的任何输出可被识别为可能缺陷(例如snv或其它非视觉缺陷)，而具有低于阈值的值的任何输出可未被识别为可能缺陷。在另一实例中，控制器205可经配置以将检测器的输出发送到存储装置207或另一存储媒体，而未对输出执行缺陷检测。控制器205可如本文中描述般进一步配置。

本文中描述的控制器205、其它系统或其它子系统可采取各种形式，包含个人计算机系统、图像计算机、主计算机系统、工作站、网络器具、因特网器具或其它装置。一般来说，术语“控制器”可广泛定义为涵盖具有一或多个处理器的任何装置，所述一或多个处理器执行来自存储器媒体的指令。子系统或系统还可包含此项技术中已知的任何适合处理器，例如并行处理器。另外，子系统或系统可包含具有高速处理及软件的平台，其作为独立工具或联网工具。

如果系统包含一个以上子系统，那么不同子系统可彼此耦合，使得可在所述子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过任何适合传输媒体(其可包含此项技术中已知的任何适合有线及/或无线传输媒体)耦合到额外子系统。此类子系统的两者或两者以上还可由共享计算机可读存储媒体(未展示)有效地耦合。

额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在控制器上执行以执行用于识别如本文中揭示的非视觉缺陷(例如snv)的计算机实施方法。特定地说，如图4中所示，存储装置207或其它存储媒体可含有包含可在控制器205上执行的程序指令的非暂时性计算机可读媒体。计算机实施方法可包含本文中描述的任何方法的任何步骤。

实施例如本文中描述的方法的方法的程序指令可存储于计算机可读媒体上，例如于存储装置207或其它存储媒体中。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带，或此项技术中已知的任何其它适合非暂时性计算机可读媒体。

程序指令可以各种方式中的任一者实施，所述方式包含以程序为基础的技术、以组件为基础的技术及/或面向对象技术等。例如，如所需，可使用activex控件、c++对象、javabeans、微软基础类别(“mfc”)、sse(流simd扩展)或其它技术或方法论来实施程序指令。

控制器205可根据本文中描述的实施例中的任一者配置。控制器205的其它配置或功能是可行的，例如在第14/991,901号美国申请案中描述的配置或功能，所述案揭示内容的全文以引用的方式并入。

虽然揭示为缺陷重检系统的部分，但是本文中描述的控制器可经配置以与检验系统一起使用。在另一实施例中，本文中描述的控制器可经配置以与计量系统一起使用。因此，如本文中揭示的实施例描述可针对具有或多或少适于不同应用的不同成像能力的系统而以数种方式定制的分类的一些配置。

本文中揭示的实施例还可经配置用于其它样品(例如主光罩)的检验、缺陷重检及计量。例如，可为掩模检验、晶片检测及晶片计量的目的而配置本文中描述的实施例。特定地说，本文中描述的实施例可安装在计算机节点或计算机集群上，所述计算机节点或计算机集群是输出获取子系统(例如宽带等离子体检验器、电子束检验器或缺陷重检工具、掩模检验器、虚拟检验器等)的组件或耦合到所述输出获取子系统。以此方式，本文中描述的实施例可产生可用于多种应用的输出，所述应用包含但不限于晶片检验、掩模检验、电子束检验及重检、计量等。可如上文描述那样基于将针对其产生实际输出的样品而修改控制器。

本文中揭示的实施例优于手动分类。rt-snv辅助对缺陷的手动分类。其使用rt-adc属性来自动过滤snv。其减少缺陷分类努力及时间。其还减小手动分类方法中存在的人为误差。

本文中揭示的实施例还优于以层为基础的自动分类。可跨全部层使用以一般缺陷为基础的分类器，而以层为基础的分类器仅按个别层起作用。rt-snv分类器节省在每一层上建立不同snv分类器所花费的时间。与其中每一层需要训练数据的以层为基础的分类器相比，rt-snv分类器可需要较少训练数据。rt-snv分类器准备好使用、给出一致结果，且无需任何训练，而以层为基础的分类器例如在遇到具有不同缺陷类型或工艺变动的新批次时需要重调。

虽然已关于一或多个特定实施例描述本发明，然将了解，在不脱离本发明的范围的情况下，可进行本发明的其它实施例。因此，本发明被视为仅受限于所附权利要求书及其合理解释。