用于多模半导体检验的光学模式选择的制作方法

相关申请案

本申请案主张2018年12月18日申请的标题为“用于多模检验的光学模式选择(opticalmodeselectionformulti-modeinspections)”的第62/781,593号美国临时专利申请案的优先权，所述案的全文特此出于所有目的以引用的方式并入本文中。

本发明涉及半导体检验且更具体来说，涉及选择用于半导体缺陷检验的光学模式。

背景技术：

现代光学半导体检验工具使用比典型缺陷的尺寸显著长通常达一数量级或更多的波长。因而，检验工具无法解析缺陷且因此无法提供展示缺陷的图像；代替性地，检验工具仅提供缺陷已被检测的指示。此外，相对于妨碍装置功能性的所关注缺陷(doi)，许多经检测缺陷是不妨碍装置功能性的所谓的干扰缺陷。不同于doi，过程集成及良率改进工程师对干扰缺陷不感兴趣。且干扰缺陷的数目可超过所关注缺陷的数目。大量干扰缺陷使得对全部经识别缺陷执行后续故障分析(例如，使用扫描电子显微镜(sem)进行可视化)变得不切实际。大量干扰缺陷还使得确定是否应归因于大量doi而将晶片报废或重加工变得不切实际。

用于区分doi与干扰缺陷的现存技术在其有效性上受限制。例如，用于分区两个类型的缺陷的单个最佳光学模式可经识别且用于检验。此方法忽略其它光学模式可提供的信息。因此，可期望使用主要光学模式及一或多个辅助光学模式两者检验半导体晶片。然而，鉴于大量可能辅助模式，确定哪些辅助光学模式最适用于区分两个类型的缺陷具有挑战性。

技术实现要素：

因此，需要对半导体缺陷分类的经改进方法及系统。此类方法及系统可涉及选择用于结合主要光学模式使用以针对缺陷进行扫描的一或多个辅助光学模式。

在一些实施例中，一种半导体检验方法包含使用主要光学模式扫描一或多个半导体晶片或其部分以识别缺陷。选择多个所述经识别缺陷，包含第一类别的缺陷及第二类别的缺陷。使用电子显微镜检视所述所选择的缺陷。基于此检视，将所述多个缺陷的相应缺陷分类为所述第一类别或所述第二类别的缺陷。使用多个辅助光学模式使所述多个所述经识别缺陷成像。基于使用所述主要光学模式扫描所述一或多个半导体晶片或其部分及使用所述多个辅助光学模式使所述多个所述经识别缺陷成像的结果，选择用于结合所述主要光学模式使用的所述辅助光学模式中的一或多者。使用所述主要光学模式及所述一或多个所选择的辅助光学模式扫描产生半导体晶片以识别缺陷。

在一些实施例中，一种非暂时性计算机可读存储媒体存储用于由包含一或多个半导体检验工具的半导体检验系统的一或多个处理器执行的一或多个程序。所述一或多个程序包含用于执行上文的方法的全部或一部分的指令。在一些实施例中，一种半导体检验系统包含一或多个半导体检验工具、一或多个处理器及存储用于由所述一或多个处理器执行的一或多个程序的存储器。所述一或多个程序包含用于执行上文的方法的全部或一部分的指令。

附图说明

为了更佳理解各种所述实施方案，应结合以下图式参考下文的实施方式。

图1展示根据一些实施例的选择用于结合主要光学模式使用以区分所关注缺陷与干扰缺陷的一或多个辅助光学模式的方法的流程图。

图2展示根据一些实施例的其中选择用于结合主要光学模式使用以对缺陷分类的一或多个辅助光学模式的半导体检验方法的流程图。

图3是根据一些实施例的半导体检验系统的框图。

贯穿图式及说明书，相同元件符号是指对应零件。

具体实施方式

现将详细参考各项实施例，在随附图式中说明所述实施例的实例。在以下详细描述中，陈述许多具体细节以便提供各项所述实施例的透彻理解。然而，所属领域的一般技术人员将明白，可在无这些具体细节的情况下实践各项所述实施例。在其它例子中，未详细描述中众所周知的方法、程序、组件、电路及网络以免不必要地致使实施例的方面不清楚。

可使用多个光学模式(例如，主要光学模式及一或多个辅助光学模式)针对缺陷检验半导体晶片。每一光学模式具有光学特性的相异组合。在一些实施例中，光学特性包含波长范围、偏光、焦点、孔径(例如，照明孔径中的透射分布及集光孔径中的透射分布)及/或集光孔径中的相移分布。第一光学模式与第二光学模式不同之处在于至少一个光学特性的值是不同的。

针对给定光学模式，通过扫描半导体晶片以产生晶片上的相应裸片的目标图像而识别缺陷。在逐像素基础上从目标图像减去裸片的参考图像(或反之亦然)以产生显露缺陷的差异图像。例如，如果差异图像中特定区域的像素值具有满足阈值的强度，那么将所述区域识别为具有缺陷。扫描可未检测一些缺陷，这是因为缺陷非常小或未引起传入光的反射率的改变。

图1展示根据一些实施例的选择用于结合主要光学模式使用以区分所关注缺陷(doi)与干扰缺陷的一或多个辅助光学模式的方法的流程图。可使用一或多个半导体检验系统300(图3)执行方法100。可组合或分解方法100中的步骤。

在方法100中，识别(102)最佳主要光学模式。在一些实施例中，使用各种光学模式以针对缺陷检验一或多个半导体晶片，或一或多个半导体晶片的部分。最佳主要光学模式可为提供最高总缺陷捕获率(即，识别缺陷的最大总数目)或最高doi捕获率(即，识别doi的最大数目)的光学模式。

选择(104)足够数目个doi及干扰事件(即，使用主要模式识别的缺陷)以允许辅助光学模式的后续评估。所选择的事件的数目可取决于待用于评估辅助光学模式的技术，且可经选取以允许用于所述技术的doi与干扰缺陷之间的分离的适当信号。在一些实施例中，选择使用主要光学模式在一或多个半导体晶片或其部分上识别的全部缺陷。替代地，仅选择经识别缺陷的子集。

使用sem检视(110)所选择的缺陷且对其分类：sem检视识别哪些所选择的缺陷是doi且哪些是干扰缺陷。可接着使用多个辅助光学模式检验所选择的缺陷且可收集并记录(110)来自此检验的缺陷数据。替代地，在sem检视之前执行使用多个辅助光学模式的缺陷检验，这是因为sem检视可更改晶片。此更改(称为sem燃烧)起因于sem检视期间一些晶片上的碳沉积且损害晶片。此损害干扰任何后续缺陷检验。用于处理sem燃烧的一个选项是在sem检视之前使用多个辅助光学模式对足够数目个缺陷执行盲数据收集(108)。此数据收集被视为是盲的，这是因为缺陷尚未被分类。另一选项是使用多个辅助光学模式逐像素记录整个晶片或其部分(106)，接着执行sem检视，且使用经记录数据集提取相关光学图像数据。

一旦已对所选择的缺陷分类，就可将其提供为到用于选择一或多个辅助光学模式作为最佳辅助光学模式的技术的输入(112)。此类技术的实例包含成对卷积神经网络(cnn)114、相关融合116、成对线性鉴别分析(lda)118、具有稀疏约束的一般化线性模型(glm)120、随机森林决策树122及手动决策树124。基于技术结果，识别(126)一或多个最佳辅助光学模式。

可如第10,115,040号美国专利中描述那样使用成对cnn114，所述专利的全文以引用的方式并入。针对主要光学模式与一或多个辅助光学模式的每一组合训练相应cnn。识别提供doi与干扰之间的最佳分离(例如，具有最高信噪比、最高doi捕获率或最低干扰率)的cnn且将所述cnn的对应一或多个辅助光学模式识别为最佳辅助光学模式。例如，在给定干扰率下比较cnn的doi捕获率(还称为真实阳性率)，识别在给定干扰率下具有最高doi捕获率的cnn，且选取与所述cnn相关联的一或多个辅助光学模式作为最佳辅助光学模式。

在一些实施例中，使用缺陷位置批注及/或使用经修改图像数据扩增用于训练cnn的图像数据(例如，对应于步骤112的经分类缺陷的差异图像数据)。例如，可通过修改参考图像(或其图块)且使用经修改参考图像产生差异图像(或其图块)而产生经修改图像数据。在一些实施例中，使用设计剪辑及/或掩模图像来产生图像数据(例如，形成参考图像或其图块)。

针对相关融合116(其还称为信号相关性)，针对主要光学模式及一或多个辅助光学模式的相应组合分析经识别缺陷的信号值(例如，差异图像中的像素值)。如果针对缺陷，在主要光学模式与一或多个辅助光学模式之间存在满足阈值的信号值相关性(例如，如果针对主要光学模式且还针对一或多个辅助光学模式的检验结果在相关位置处检测缺陷)，那么可将所述缺陷标记为doi。例如，计算等于或对应于缺陷信号强度与平均像素强度之间的差除以像素强度的标准偏差的度量。如果针对给定组合，在针对主要光学模式及一或多个辅助光学模式的此度量之间存在相关性，那么将对应缺陷标记为doi；如果不存在，那么将对应缺陷标记为干扰缺陷。比较此分析的结果与sem检视的结果。将在与主要光学模式组合时提供doi与干扰缺陷之间的最佳分离的一或多个辅助光学模式识别为最佳辅助光学模式。

可如下文及第16/272,528号美国专利申请案中描述那样执行线性鉴别分析118，所述案的全文以引用的方式并入。

可将特征空间中具有稀疏约束的glm120训练为缺陷分类器。通过对l1及l2范数约束施加弹性网而训练glm缺陷分类器以对像素图块(即，差异图像内的经定义像素分组)分类。加紧约束，直到glm缺陷分类器仅从构成最佳模式集合的两个光学模式(即，主要光学模式及辅助光学模式)选取像素。glm缺陷分类器的训练允许在接收器操作特性(roc)曲线上的任何位置选取操作点，所述操作点指定依据干扰率(即，经预测干扰事件的数目除以经预测doi及干扰事件的总数)而变化的doi捕获率(即，检测率或真阳性率)。因此，用户可在doi捕获率与干扰率之间权衡。

弹性网可包含拉索(lasso)(l1正则化惩罚)及脊(ridge)(l2正则化惩罚)的组合。在一些实施例中，弹性网具有以下形式：

argminβ||y-xβ||²+α||β||²+(1-α)||β||(1)

其中y对缺陷类别编索引且是0(例如，针对doi或替代地，针对干扰缺陷)或1(例如，针对干扰缺陷或替代地，针对doi)，x是信号属性，β是数据拟合参数，且α具有介于0与1之间的值。表达式1的第二项有助于平均化高度相关特征，而表达式1的第三项促进这些平均化特征的稀疏解。

在其它实施例中，弹性网的正则化项具有以下形式：

其中p是不同数据拟合参数的数目，j对数据拟合参数编索引，βj是特定数据拟合参数，且α具有介于0与1之间的值。

针对随机森林决策树122，针对主要光学模式与一或多个辅助光学模式的每一组合训练相应随机森林(即，相应多个随机森林决策树)。通过在每一单个树中的每一内部决策节点处随机选择预测子的新子集而使随机森林决策树去相关。用于训练/学习每一决策树的输入数据是训练数据集的启动样本，其目标系在将经学习模型应用至测试数据集以预测缺陷的类别时减少变异数(过度拟合)。随机森林的决策树包含用于滤除干扰缺陷的分类器。可将这些分类器称为灵敏度调谐器干扰事件过滤器(stnef)分类器。使用相应随机森林，针对主要光学模式及辅助光学模式的各种组合针对给定干扰率比较doi捕获率。识别具有在给定干扰率下提供最佳doi捕获率的相应随机森林模型的主要模式/辅助模式的组合。

针对手动决策树124，针对主要光学模式与一或多个辅助光学模式的每一组合创建相应决策树。决策树包含基于经分类缺陷的缺陷检验结果确定的用户指定stnef分类器。识别提供最佳doi捕获率的决策树且将所述决策树的对应一或多个辅助光学模式识别为最佳辅助光学模式。

图2展示根据一些实施例的其中选择用于结合主要光学模式使用以对缺陷分类的一或多个辅助光学模式的半导体检验方法200的流程图。如同方法100(图1)，方法200可使用一或多个半导体检验系统300(图3)执行。可组合或分解方法200中的步骤。可针对非顺序相依的步骤变动执行步骤的顺序。

在方法200中，使用主要光学模式(例如，如图1的方法100的步骤102中识别)扫描(202)一或多个半导体晶片或其部分以识别缺陷。扫描包含使一或多个半导体晶片或其部分成像且使用所得图像数据相应地识别缺陷。可使用检验工具304(图3)执行扫描。

(例如，如在图1的步骤104中)选择(204)多个经识别缺陷。多个所选择的缺陷包含第一类别的缺陷及第二类别的缺陷。在一些实施例中，第一类别的缺陷是妨碍半导体裸片功能性的所关注缺陷(doi)且第二类别的缺陷是不妨碍半导体裸片功能性的干扰缺陷。

使用电子显微镜(例如，sem)检视(206)多个经识别缺陷。可如针对步骤110(图1)描述那样执行此检视。基于检视，将相应缺陷分类为第一类别的缺陷(例如，doi)或第二类别的缺陷(例如，干扰缺陷)。

使用多个辅助光学模式使多个经识别缺陷成像(208)。可使用与步骤202相同的检验工具304或不同检验工具304(图3)执行此扫描。在一些实施例中，在检视及分类(206)之前执行使用多个辅助光学模式中的每一者扫描(208)一或多个半导体晶片或其部分，使得步骤206及208的顺序反转(例如，根据图1的步骤106或108)。成像可限于多个经识别缺陷的特定位点(即，像素位置)。替代地，假使步骤208在步骤206之前，可使整个一或多个半导体晶片或其部分成像且记录所得图像数据，且随后(例如，在已执行检视(例如，sem检视)之后)收集特定位点的图像数据。

基于步骤202中使用主要光学模式的扫描及步骤208中使用多个辅助光学模式的成像的结果，选择(210)用于结合主要光学模式使用的一或多个辅助光学模式。此选择可对应于方法100(图1)的步骤126。

在一些实施例中，定义(212)主要光学模式与一或多个相应辅助光学模式的多个组合。针对多个组合中的每一组合，可(例如，根据图1的步骤114)训练(214)相应卷积神经网络(cnn)以预测多个经识别缺陷的类别，借此产生多个cnn。针对第一类别中的缺陷与第二类别中的缺陷的分离评估多个cnn。基于此评估选取cnn且选择其所选择的辅助光学模式。例如，一或多个所选择的辅助光学模式对应于多个cnn中产生第一类别中的缺陷与第二类别中的缺陷之间的最大分离的相应cnn。可使用运用缺陷位置批注及/或运用经修改图像数据扩增的图像数据训练多个cnn。

替代地或另外，针对相应组合的一或多个相应辅助光学模式中的每一者，(例如，根据图1的步骤116)在多个缺陷的位置处分析(216)相应差异图像中的信号值。基于此分析选择一或多个辅助光学模式。例如，如通过分析信号值而确定，在多个组合的一或多个相应辅助光学模式的全部中，一或多个所选择的辅助光学模式产生第一类别的缺陷与第二类别的缺陷之间的最大分离。

替代地或另外，针对多个组合中的每一组合，(例如，根据图1的步骤118)将相应线性鉴别函数应用(218)到结果以预测多个经识别缺陷的类别。识别多个组合中相应线性鉴别函数产生第一类别中的缺陷与第二类别中的缺陷之间的最大分离的组合，且选择其辅助光学模式。

替代地或另外，(例如，根据图1的步骤120)训练(220)特征空间中具有稀疏约束的glm分类器以预测多个经识别缺陷的类别。基于来自glm分类器的缺陷分类结果识别并选择一或多个辅助光学模式。

替代地或另外，针对多个组合中的每一组合，(例如，根据图1的步骤122)创建(222)相应决策树以预测多个经识别缺陷的类别，借此产生多个决策树。针对第一类别中的缺陷与第二类别中的缺陷的分离评估多个决策树。基于此评估选取决策树并选择其辅助光学模式。例如，一或多个所选择的辅助光学模式对应于多个决策树中产生第一类别中的缺陷与第二类别中的缺陷之间的最大分离的相应决策树。

替代地或另外，针对多个组合中的每一组合，(例如，根据图1的步骤124)训练(224)相应多个随机森林决策树以预测多个经识别缺陷的类别，借此产生多个随机森林决策树(即，多个随机森林，其中针对相应组合训练各随机森林)。针对第一类别中的缺陷与第二类别中的缺陷的分离评估多个随机森林决策树。基于此评估选取随机森林并选择其辅助光学模式。例如，一或多个所选择的辅助光学模式对应于多个随机森林决策树(即，多个随机森林)中产生第一类别中的缺陷与第二类别中的缺陷之间的最大分离的随机森林。

使用主要光学模式及一或多个所选择的辅助光学模式扫描(226)产生半导体晶片以识别缺陷。可使用一或多个检验工具304(例如，与步骤202及/或208相同的检验工具304及/或不同检验工具304)执行此扫描。

在一些实施例中，产生指定步骤226的结果的报告。例如，报告可列举裸片、晶片或其部分的全部经识别缺陷(例如，使用其坐标)且指定每一缺陷的类别。替代地，报告可列举doi(例如，使用其坐标)且省略干扰缺陷。报告可为图形的；例如，报告可展示具有按照类别的缺陷的位置的指示或具有特定类别中的缺陷(例如doi)的位置的指示的晶片图或裸片图。可将报告显示(例如，在图3的显示器311上)及/或传输到客户端装置以供显示。

在一些实施例中，至少部分基于基于步骤226识别的doi做出关于是否报废、重加工或继续处理晶片的决策。

图3是根据一些实施例的半导体检验系统300的框图。半导体检验系统300包含半导体检验工具304及相关联计算机电路，所述相关联计算机电路包含一或多个处理器302(例如，cpu)、用户接口310、存储器314及使这些组件互连的一或多个通信总线303。半导体检验系统300还可包含用于与远程计算机系统通信(例如，从远程计算机系统检索配方及/或将数据传输到远程计算机系统)的一或多个网络接口(有线及/或无线，未展示)。半导体检验系统300可通过一或多个网络330与电子显微镜332(例如，sem)通信地耦合。

检验工具304包含照明源305、照明及集光光学器件306、半导体晶片装载于其上以供检验的可移动晶片卡盘307及一或多个检测器阵列308。

用户接口310可包含显示器311及一或多个输入装置312(例如，键盘、鼠标、显示器311的触敏表面等)。显示器311可显示光学模式选择、缺陷识别及缺陷分类的结果。

存储器314包含易失性及/或非易失性存储器。存储器314(例如，存储器314内的非易失性存储器)包含非暂时性计算机可读存储媒体。存储器314任选地包含远离处理器302定位的一或多个存储装置及/或被远程插入到服务器系统300中的非暂时性计算机可读存储媒体300。在一些实施例中，存储器314(例如，存储器314的非暂时性计算机可读存储媒体)存储以下模块及数据或其子集或超集：操作系统316，其包含用于处置各种基本系统服务且用于执行硬件相依任务的程序；晶片扫描模块318；缺陷识别模块320；缺陷分类模块322；及模式选择模块324。

因此，存储器314(例如，存储器314的非暂时性计算机可读存储媒体)包含用于执行方法100(图1)及/或方法200(图2)的全部或一部分的指令。存储于存储器314中的每一模块对应于用于执行本文中描述的一或多个函数的一组指令。不需要将单独模块实施为单独软件程序。可组合或以其它方式重新布置模块及模块的各种子集。在一些实施例中，存储器314存储上文识别的模块及/或数据结构的子集或超集。

图3更多地作为可存在于半导体检验系统中的各种特征的功能描述而非结构示意图。例如，检验工具304的组件的布置可(例如，以所属领域中已知的方式)变动。可组合单独展示的物项且可分离一些物项。此外，可在多个装置之间分割半导体检验系统300的功能性。例如，存储于存储器314中的模块的一部分可替代地存储于通过一或多个网络与半导体检验系统300通信地耦合的一或多个计算机系统中。

现应注意用于缺陷分类的线性鉴别分析(即，线性鉴别函数的使用)，如第10,115,040号美国专利中描述。通过使用多个光学模式(例如，主要光学模式及一或多个辅助光学模式)扫描一或多个半导体晶片或其部分而识别缺陷。相应缺陷对应于通过扫描产生的图像中的相应像素集。(每一像素集是受对应缺陷影响的集合。)缺陷识别结果包含基于相应像素集的像素强度的多维数据(例如，像素强度数据或从像素强度导出的属性的数据)，其中多维数据的每一维度对应于多个光学模式的相异模式。例如，结果包含每一缺陷的向量其中向量的每一项目xk是针对相应光学模式(例如，针对第k个光学模式)的基于像素强度(例如，强度或从强度导出的属性值)的值。因此，向量的每一项目对应于特定缺陷的相异光学模式的结果。

针对相应像素集，将线性鉴别函数应用于结果以将多维数据变换为相应分数。线性鉴别函数指定将相应缺陷分离(例如，最大地分离)成相异类别(例如，第一类别及第二类别，例如doi及干扰缺陷)的方向。例如，针对相应像素集，应用鉴别函数包含确定含有多维数据的向量到对应于(例如，垂直于)由线性鉴别函数指定的方向的轴上的投影。

例如，为了应用线性鉴别函数，针对每一类别的缺陷计算平均值。如果存在编索引为类别0及类别1(例如，分别为干扰缺陷及doi)的两个类别，那么计算平均值μ0及μ1：

其中是类别j中的第i个缺陷，n0是类别0中的缺陷的数目(例如，干扰缺陷的数目)，且n1是类别1中的缺陷的数目(例如，所关注缺陷的数目)。因此，每一求和涵盖相应类别中的全部缺陷。接着，使用平均值计算协方差。针对类别0及类别1，计算相应协方差s0及s1：

其中i对相应类别的缺陷编索引。接着计算缺陷类别的合并协方差sp：

其中n＝n0+n1。

在将变换为具有等于类别数目的维数的分数l的变换中使用合并协方差sp。针对类别0及类别1的实例，

通过应用线性鉴别函数而实现变换，其中：

其中(9)

及(12)

其中i对类别编索引。在方程式13中，pri是可假定为恒定的先验概率分布：

pri＝ni/n(14)

方程式9有效地指定将经识别缺陷最大地分离成类别0及类别1的方向。方程式9将含有多维数据的向量投影到垂直于此方向的轴上。

在一些实施例中，基于包含来自全部相异类别的缺陷的缺陷训练集(例如，图1到2的步骤104及/或204的所选择的缺陷)确定鉴别函数。最初通过扫描所关注类型的一或多个裸片且接着执行故障分析(例如，sem检视及/或使用其它适当失效分析技术)以对至少一些经识别缺陷分类而识别缺陷的训练集。例如，在方程式9中，可基于训练集确定及

至少部分基于相应分数，将相应缺陷划分为相异类别。在一些实施例中，将相应分数转换为相应缺陷属于相异类别的特定类别的概率。基于概率对相应缺陷分类。例如，将相应分数转换为相应缺陷是所关注缺陷或干扰缺陷的概率，且基于概率对相应缺陷分类。为了将在方程式9中获得的分数转换为概率，可应用softmax函数以获得：

其中如同j，i再次对类别编索引。因此，分母中的求和涵盖多个类别(例如，涵盖类别0及类别1)，而分子中的值是针对特定类别(例如，类别0或类别1)。

在一些实施例中，可基于费雪(fisher)分数(或指示一组光学模式在对缺陷分类方面的效率的另一分数)选择光学模式(例如，一或多个辅助光学模式)。使用可用光学模式群组中的全部光学模式执行扫描。如果可用光学模式群组具有m个光学模式，那么将光学模式群组的子集的费雪分数定义为：

其中(16)

及(20)

方程式18、19及21中的求和涵盖全部类别i(例如，涵盖类别0及1)。方程式20中的求和涵盖特定类别i中的缺陷。可针对群组的多个子集计算费雪分数，且选择具有最高分数的子集作为多个光学模式。例如，可针对具有两个或两个以上光学模式(例如，主要光学模式及相异辅助光学模式或辅助光学模式集合)的全部子集、针对具有确切两个光学模式的全部子集或针对具有大于或等于2且小于或等于指定数目的数目个光学模式的全部子集计算费雪分数。

为了解释的目的，已参考特定实施例描述前述描述。然而，上文的说明性论述不希望为详尽性或将权利要求书的范围限于所揭示的精确形式。鉴于上文中的教示，许多修改及变动是可行的。选取实施例以便最佳解释以权利要求书及其实际应用为基础的原理以借此使所属领域的其它技术人员最佳使用具有如适合所预期特定用途的各种修改的实施例。