[发明专利]使用扫描电子显微镜计量的缺陷检测、分类及工艺窗口控制

说明书

可基于半导体晶片的图像中的像素将所述图像中的缺陷分类为初始缺陷类型。可从电子数据存储单元检索与所述缺陷类型相关联的临界尺寸均匀性参数。可基于所述临界尺寸均匀性参数量化所述缺陷的缺陷率水平。还可基于临界尺寸属性、形貌属性或对比度属性来将缺陷分类以确定最终缺陷类型。

相关申请案的交叉参考

本申请案主张于2018年3月14日提出申请并指配第201841009298号申请案的印度专利申请案以及于2018年5月2日提出申请并指配第62/665,903号美国申请案的临时专利申请案的优先权，所述申请案的揭露内容以引用方式并入本文中。

技术领域

本发明涉及半导体晶片上的缺陷检测及分类。

背景技术

半导体制造工业的演化对合格率管理及(特定来说)对计量与检验系统提出越来越高的要求。临界尺寸继续收缩。经济正驱动所述工业减少用于实现高合格率、高价值产物的时间。最小化从检测合格率问题到解决问题的总时间确定半导体制造者的投资回报。

制作例如逻辑及存储器装置的半导体装置通常包含使用较大数目个制作工艺来处理半导体晶片以形成半导体装置的各种特征及多个层级。举例来说，光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制作工艺。半导体制作工艺的额外实例包含但不限于化学机械抛光(CMP)、蚀刻、沉积及离子植入。可在单个半导体晶片上的布置中制作多个半导体装置且接着将其分离成若干个别半导体装置。

在半导体制造期间在各个步骤处使用检验工艺来检测晶片上的缺陷以促成在制造工艺中的较高合格率及因此较高利润。检验始终是制作例如积体电路(IC)的半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对可接受半导体装置的成功制造变得甚至更加重要，这是因为较小缺陷可导致装置不合格。举例来说，随着半导体装置的尺寸减小，对减小大小的缺陷的检测变得有必要，这是因为甚至相对小的缺陷可在半导体装置中造成非想要的像差。

缺陷再检测通常涉及通过使用高放大率光学系统或扫描电子显微镜(SEM)的检验工艺标记的缺陷的高分辨率成像及分类。通常在其中已通过检验检测到缺陷的样本上的离散位置处执行缺陷再检测。通过缺陷再检测产生的缺陷的较高分辨率数据更适合于确定缺陷的属性，例如轮廓、粗糙度或更准确的大小信息。

缺陷再检测是再检测工具借以再检测由检验员或检验工具获取的缺陷的工艺。缺陷再检测还导致基于一组经计算缺陷属性的缺陷分类及缺陷类型的区分或分离。机器学习(或深度学习)方法的进步使其成为用于缺陷检测及分类的有吸引力的框架。虽然已证明此类框架对缺陷分类及其它功能有用，但所述框架本身还使得难以知晓机器学习框架是否正确操作。举例来说，在缺陷分类的情形中，用于在分类器上执行质量保证的当前使用方法包含机器学习中的经典度量，例如关于离线测试数据集及在线及/或现场评估的准确度、混淆矩阵以及敏感度。另外，用于执行数据扩增的当前使用方法包含使领域专家或算法专家指导所述过程。然而，用于质量保证及数据扩增的当前使用方法及系统存在若干缺点。举例来说，上文所描述的当前使用质量保证方法不能识别其中分类器基于错误因果特征做出正确预测的情况，尤其在使用深度学习分类器的情况下。在另一实例中，上文所描述的当前使用质量保证方法将机器学习算法视为黑箱。在额外实例中，用于执行数据扩增的当前使用方法不能用于直接改进或校正训练不良的分类器。

因此，需要经改进的缺陷检测及分类。

发明内容

在第一实施例中，提供一种方法。在处理器处接收在定界框中具有缺陷的半导体晶片的图像。使用所述处理器基于所述图像中的像素将所述图像中的所述缺陷分类为初始缺陷类型。使用所述处理器从电子数据存储单元检索与所述缺陷类型相关联的临界尺寸均匀性参数。使用所述处理器基于所述临界尺寸均匀性参数量化所述缺陷的缺陷率水平。