晶圆缺陷分类方法以及晶圆缺陷分类装置与流程

1.本技术属于半导体技术领域，具体涉及一种晶圆缺陷分类方法以及晶圆缺陷分类装置。


背景技术：

2.本部分提供的仅仅是与本公开相关的背景信息，其并不必然是现有技术。
3.晶圆在加工过程中由于存在制程不完善、机台缺乏保养、制造材料污染等问题产生缺陷，进而导致晶圆良品率降低。缺陷尺寸大小对其所在区域芯片功能存在影响。由于缺陷产生的源头较多，导致产生的缺陷种类也较多，需要安排测试工程师手动对产生的缺陷进行分类。缺陷图像由检查仪扫描得到，获得相关图像之后需要工程师对每个缺陷图像分类，以便找出导致晶圆缺陷出现的原因，从而纠正错误，提高下一批次的生产合格率。
4.通过人工对晶圆进行分类识别其所属的晶圆缺陷类别存在以下几个问题：随着产能的不断提升，人工分类的方式费时费力，效率相当低下；不存在统一的评判标准，不同的工程师的主观判断会导致分类不准确的问题；对于测试工程师来说，工作量大，容易出现人为失误；不同工序后进行缺陷分类的工程师不同，统一协调性差。


技术实现要素：

5.本技术的第一方面提出了一种晶圆缺陷分类方法，包括：
6.获取待检测晶圆的缺陷；
7.根据所述缺陷，训练缺陷分类模型；
8.通过所述缺陷分类模型对所述待检测晶圆的缺陷进行分类。
9.根据本技术实施例的晶圆缺陷分类方法，将现有技术中的测试工程师的分类工作转变为缺陷分类模型的自动化分类，使得缺陷分类在分类速度和分类准确度上均进行了提升，提高了半导体器件生产线的整体效率，加快了制程。对于企业来说，能够节省人力成本，对于测试工程师，能够极大地降低工作量，降低了人为主观因素对分类的影响，降低了失误率。能够统一协调不同工序后的缺陷分类工作，避免了不同测试工程师在分类过程中的主观误差错误、相互协作统筹效率低下等问题。
10.本技术的第二方面提出了一种晶圆缺陷分类装置，包括：
11.获取模块，所述获取模块用于获取待检测晶圆的缺陷；
12.训练模块，所述训练模块用于根据所述缺陷，训练缺陷分类模型；
13.分类模块，所述分类模块用于通过所述缺陷分类模型对所述待检测晶圆的缺陷进行分类。
14.根据本实施例的晶圆缺陷分类装置，将现有技术中的测试工程师的分类工作转变为缺陷分类模型的自动化分类，使得缺陷分类在分类速度和分类准确度上均进行了提升，提高了半导体器件生产线的整体效率，加快了制程。对于企业来说，能够节省人力成本，对于测试工程师，能够极大地降低工作量，降低了人为主观因素对分类的影响，降低了失误
率。能够统一协调不同工序后的缺陷分类工作，避免了不同测试工程师在分类过程中的主观误差错误、相互协作统筹效率低下等问题。
附图说明
15.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
16.图1为本技术实施例的晶圆缺陷分类方法的流程图；
17.图2为图1所示的获取待检测晶圆的缺陷的流程图；
18.图3为图1所示的根据缺陷，训练缺陷分类模型的流程图；
19.图4为图1所示的通过缺陷分类模型对待检测晶圆的缺陷进行分类的流程图；
20.图5本技术实施例的晶圆缺陷分类装置的结构框图。
具体实施方式
21.下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
22.应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。
23.尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
24.为了便于描述，可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系，这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“下方”、“上面”、“上方”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。例如，如果在图中的装置翻转，那么描述为“在其它元件或者特征下面”或者“在其它元件或者特征下方”的元件将随后定向为“在其它元件或者特征上面”或者“在其它元件或者特征上方”。因此，示例术语“在
……
下方”可以包括在上和在下的方位。装置可以另外定向(旋转90度或者在其它方向)并且文中使用的空间相对关系描述符相应地进行解释。
25.如图1所示，本技术的实施例提供了一种晶圆缺陷分类方法，包括：
26.获取待检测晶圆的缺陷；
27.根据缺陷，训练缺陷分类模型；
28.通过缺陷分类模型对待检测晶圆的缺陷进行分类。
29.根据本技术实施例的晶圆缺陷分类方法，晶圆上的缺陷有内部析出物、空洞缺陷、弯曲缺陷、表面颗粒、表层裂缝等。通过本技术，将现有技术中的测试工程师的分类工作转变为缺陷分类模型的自动化分类，使得缺陷分类在分类速度和分类准确度上均进行了提升，提高了半导体器件生产线的整体效率，加快了制程。对于企业来说，能够节省人力成本，对于测试工程师，能够极大地降低工作量，降低了人为主观因素对分类的影响，降低了失误率。能够统一协调不同工序后的缺陷分类工作，避免了不同测试工程师在分类过程中的主观误差错误、相互协作统筹效率低下等问题。
30.在本技术的一些实施例中，缺陷分类方法主要分为两个部分，第一部分是对缺陷分类模型的训练，第二部分是利用已经训练完成的缺陷分类模型对晶圆进行正式的缺陷分类。下面对第一部分-缺陷分类模型的训练具体描述，要实现缺陷分类模型的训练是需要通过大量数据的反复运算形成的。如图2所示，具体的，获取待检测晶圆的缺陷包括：提供待检测晶圆；将待检测晶圆输送至缺陷检测仪处，通过缺陷检测仪获取待检测晶圆的第一全部缺陷；对第一全部缺陷进行抽样得到样本缺陷；将样本缺陷输送至缺陷分析仪处，通过缺陷分析仪对样本缺陷中不同类型的缺陷进行编码标记。待检测晶圆的数量为多个，每一个待检测晶圆均需要通过缺陷检测仪，通过缺陷检测仪获取每一个待检测晶圆的图像，在图像上会显示出该待检测晶圆的第一全部缺陷，从第一全部缺陷中样本提取以得到样本缺陷，以减少工作量，加快缺陷分类模型的训练，且由于是随机抽样，样本缺陷具有足够的代表性，能够保证缺陷分类模型的准确性。将样本缺陷输送至缺陷分析仪，通过缺陷分析仪对样本缺陷中的每一个缺陷进行检测，并对其进行分类，不同种类的缺陷利用不同的符号进行编码标记，以便于缺陷分类模型的训练。缺陷复审分析仪可以为光学显微镜，也可以为电子显微镜。
31.其中，编码标记所使用的符号可以是数字、字母、图形、希腊文、拉丁文或其他特殊符号等。也可以用不同种类的符号进行编码标记，只要能够将不同种类的缺陷区别开来即可。
32.在本技术的一些实施例中，对于一个模型的训练包括两部分，第一部分是数据的输入，第二部分是映射关系的输出。具体的，如图3所示，根据缺陷，训练缺陷分类模型包括：将样本缺陷的特性信息输送至学习服务器；将编码标记输送至学习服务器；通过样本缺陷和编码标记的匹配训练，在学习服务器中形成缺陷分类模型。样本缺陷中的每一个缺陷的特性信息均不相同，也就是特性信息的不同导致了不同种类的缺陷，将样本缺陷中的每一个缺陷的特性信息都输送至学习服务器，再将缺陷分析仪对样本缺陷中每一缺陷的编码标记输送至学习服务器，每一缺陷的特性信息和其编码标记是一对一的关系，特性信息和编码标记作为学习服务器的输入，一对一的关系是输出。在进行缺陷分类模型的训练过程中，特性信息和编码标记的匹配需要进行至少一次，通过重复进行两者之间的匹配，提高两者之间的匹配度和整合度，进而使缺陷分类模型在实际对待检测晶圆上的缺陷进行缺陷分类时的准确度更高。
33.在本技术的一些实施例中，通过重复特性信息和编码标记之间的匹配训练，最终得到缺陷分类模型。因此，还需要判断缺陷分类模型是否训练完成。具体的，根据缺陷，训练
缺陷分类模型还包括：获取缺陷分类模型的匹配训练进度；根据匹配训练进度满足预设条件，停止样本缺陷和编码标记的匹配训练，根据匹配训练进度不满足预设条件，继续样本缺陷和编码标记的匹配训练。
34.在本技术的一些实施例中，匹配训练进度包括已训练周期或样本缺陷和编码标记的当前匹配度。当匹配训练进度为已训练周期时，在训练过程中通过计数器对已训练周期进行计数，每完成一次缺陷的特性信息与编码标记之间的匹配，则认为已训练周期加1。当匹配训练进度为已训练周期时，预设条件则为已训练周期大于预设周期，将当前的已训练周期与预设周期进行比较，若已训练周期大于预设周期，停止样本缺陷和编码标记的匹配训练，若已训练周期小于等于预设周期，继续样本缺陷与编码标记的匹配训练。当匹配训练进度为样本缺陷和编码标记的当前匹配度时，在训练过程中，实时获取样本缺陷和编码标记的当前匹配度，随着样本缺陷的特性信息和编码标记之间的匹配进行，匹配度逐渐提高。当匹配训练进度为样本缺陷和编码标记的当前匹配度时，预设条件为当前匹配度大于90％，将当前匹配度与90％进行比较，若当前匹配度大于90％，停止样本缺陷和编码标记的匹配训练，若当前匹配度小于等于90％，继续样本缺陷与编码标记的匹配训练。在其他实施例中，匹配训练进度还可以通过已训练周期、样本缺陷和编码标记的当前匹配度进行二次判断，先判断已训练周期是否大于预设周期，若已训练周期大于预设周期，再判断样本缺陷和编码标记的当前匹配度是否大于90％，若样本缺陷和编码标记的当前匹配度大于90％，则停止样本缺陷和编码标记的匹配训练，进一步提高缺陷分类模型的分类准确度。
35.其中，预设周期可以为50、100，也可以为200、5000，预设周期的具体限制在此不做限定。在前文中，当前匹配度需要大于90％，才能停止训练，在其他实施例中，也可以设置为大于85％、95％或其他数值。
36.在本技术的一些实施例中，缺陷分类模型的结构中可以包括升维卷积层、深度可分离卷积层和残差结构层。其中，升维卷积层可以包括预设数目个1
×
1的卷积核，预设数目可以为32、64、128等。本技术实施例并不限定预设数目的具体取值，实际应用中可根据需求来确定。缺陷分类模型可以采用mobilenet v2，mobilenet v2中将深度可分离卷积层与残差结构层相结合，能够压缩整个网络模型的大小，减少计算量。在深度可分离卷积层之前增加升维卷积层，该升维卷积层中设置有预设数目个1
×
1的卷积核，有助于提高缺陷分类模型的分类准确性。
37.在本技术的一些实施例中，前文对缺陷分类模型的如何训练进行了完整的描述，下面将利用缺陷分类模型对待检测晶圆的缺陷进行分类的过程进行具体说明。如图4所示，通过缺陷分类模型对待检测晶圆的缺陷进行分类包括提供待检测晶圆；将待检测晶圆输送至缺陷检测仪处，通过缺陷检测仪获取待检测晶圆的第二全部缺陷；通过学习服务器中的缺陷分类模型对第二全部缺陷进行分析以对第二全部缺陷进行分类和编码标记。待检测晶圆的数量为多个，每一个待检测晶圆均需要通过缺陷检测仪，通过缺陷检测仪获取每一个待检测晶圆的图像，在图像上会显示出该待检测晶圆的第二全部缺陷，直接使用缺陷分类模型对第二全部缺陷进行分类和编码标记，无需再进行抽样、匹配和编码标记的过程，可直接得出缺陷的类型，缩短了判断待检测晶圆是否为良品的时间。完成缺陷分类后可再通过测试工程师进行复审核查，通过缺陷的种类来判断待检测晶圆是否为良品，降低了测试工程师的工作量，且避免判断标准受到人为主观因素的影响。
38.在本技术的一些实施例中，前文所提到的特性信息是表征一个缺陷的信息，各个特性信息的总和决定缺陷的种类。具体的，特性信息包括缺陷的信号强弱、大小、形状和亮度，通过缺陷检测仪获得的原始数据也就是待检测晶圆的特性信息，来作为缺陷分类的输入。
39.如图5所示，本技术的实施例还提供了一种晶圆缺陷分类装置，用于实现上述任一实施例中的晶圆缺陷分类方法，包括：
40.获取模块，获取模块用于获取待检测晶圆的缺陷；
41.训练模块，训练模块用于根据缺陷，训练缺陷分类模型；
42.分类模块，分类模块用于通过缺陷分类模型对待检测晶圆的缺陷进行分类。
43.根据本实施例的晶圆缺陷分类装置，通过本技术，将现有技术中的测试工程师的分类工作转变为缺陷分类模型的自动化分类，使得缺陷分类在分类速度和分类准确度上均进行了提升，提高了半导体器件生产线的整体效率，加快了制程。对于企业来说，能够节省人力成本，对于测试工程师，能够极大地降低工作量，降低了人为主观因素对分类的影响，降低了失误率。能够统一协调不同工序后的缺陷分类工作，避免了不同测试工程师在分类过程中的主观误差错误、相互协作统筹效率低下等问题。
44.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。