用于晶圆图分析的系统和方法技术方案

一种用于重建半导体晶圆的晶圆图的系统，包括：处理器；和存储器，其具有被存储在其上的指令，当由处理器执行该指令时使得处理器：接收在晶圆的稀疏采样位置处的晶圆的测试数据，基于探测掩模选择稀疏采样位置；和通过利用Zernike多项式对在晶圆的稀疏采样位置处的测试数据执行压缩感测来计算重建晶圆图。

【技术实现步骤摘要】
用于晶圆图分析的系统和方法相关申请的交叉引用本申请要求于2017年9月26日在美国专利与商标局提交的美国临时专利申请号为62/563,625的优先权和权益，其全部公开内容通过引用结合于此。
本专利技术的实施例的各方面涉及半导体器件制备领域中的缺陷检测和分析。
技术介绍
在半导体器件制备和半导体制造操作的领域中，许多单独的集成电路(IC)在晶圆衬底(通常是单晶硅)上形成。在半导体制备工艺的各个步骤期间，将包括沉积、去除、图案化和电特性修改(例如，掺杂)的各种工艺步骤施加到晶圆以产生IC。每个IC形成在晶圆的特定部分中，并且与一个IC相对应的一块半导体材料通常被称为裸芯。许多晶圆可以同时经历制备工艺(例如，并行或在流水线工艺中)。晶圆上的裸芯的集成电路通常在完成制备工艺之后进行测试。可以使用晶圆探测器来测试晶圆上每个裸芯的功能和性能，诸如通过向裸芯提供已知输入波形(测试图案)并测量由裸芯的IC产生的输出波形。然后基于测量的性能对裸芯进行分类(或“装箱”)。分类的示例包括“良好”、“开路”、“短路”或更精细的分类，诸如阻抗、时钟速度、或裸芯的特定部分的部分故障(例如，多核处理器的一个或多个非功能核或高速缓冲存储器的故障部分)。所得到的分类通常在有颜色编码或阴影的网格上表示，其中网格上的每个位置对应于不同的裸芯，并且颜色(或阴影)标识该位置处的裸芯已经如何被分类(或装箱)。在测试晶圆之后，对晶圆进行评分，然后将其分解成单个裸芯(称为晶圆切割)，并且包含已知良好的集成电路的裸芯被封装(例如，封装到支撑塑料或陶瓷壳体中)。半导体制造工艺的产量可以指具有良好(功能)集成电路的裸芯的百分比。
技术实现思路
本专利技术的实施例的各方面涉及用于生成完整晶圆图的系统和方法，其在无需测试晶圆上的所有裸芯的情况下示出晶圆的裸芯的预测分类。根据本专利技术的一个实施例，一种用于重建半导体晶圆的晶圆图的系统，包括：处理器；和存储器，具有被存储在其上的指令，当由处理器执行该指令时使得处理器：接收在晶圆的稀疏采样位置处的晶圆的测试数据，基于探测掩模选择该稀疏采样位置；和通过利用Zernike多项式对在晶圆的稀疏采样位置处的测试数据执行压缩感测来计算重建晶圆图。可以随机选择探测掩模的稀疏采样位置。探测掩模的稀疏采样位置可以通过以下方式生成：接收一组训练的真实数据晶圆图；基于一组初始稀疏采样位置设置探测掩模；基于探测掩模从该组训练的真实数据晶圆图中选择样本；在多代上迭代地应用遗传算法以计算定制的探测掩模：基于从稀疏采样位置获取的测试数据使用压缩感测来计算重建晶圆图；根据该组训练的真实数据晶圆图对重建晶圆图进行评分；根据得分更新探测掩模的稀疏采样位置；和当满足阈值误差率时或当多代达到代数限制时，从遗传算法返回更新的探测掩模的稀疏采样位置。存储器还可以存储指令，该指令在由处理器执行时使该处理器将通过压缩感测重建的重建晶圆图提供给第一卷积神经网络，第一卷积神经网络被配置为更新重建晶圆图。第一卷积神经网络可以通过以下方式训练：接收一组训练的真实数据晶圆图；基于探测掩模从该组训练的真实数据晶圆图中选择样本；根据从该组训练的真实数据晶圆图中选择的样本计算训练的重建晶圆图；和应用反向传播来训练第一卷积神经网络，以从训练的重建晶圆图计算该组训练的真实数据晶圆图。存储器还可以存储指令，该指令在由处理器执行时使处理器使用分类器利用多个标签中的一个对所述重建晶圆图进行分类，以及其中，使用以下方法训练分类器：一组训练的真实数据晶圆图；和该组训练的真实数据晶圆图的多个标签，通过将异常检测技术应用于该组训练的真实数据晶圆图来计算多个标签以识别一类或多类晶圆，晶圆的类别包括异常晶圆和非异常晶圆。异常检测技术可以包括主成分分析或双重聚类中的至少一种。存储器还可以存储指令，该指令在由处理器执行时使处理器将对应于所述重建晶圆图的多个Zernike多项式系数提供给所述分类器，以及其中通过以下方式训练分类器：基于探测掩模从该组训练的真实数据晶圆图中选择样本；根据从该组训练的真实数据晶圆图中选择的样本计算训练的重建晶圆图；和训练分类器以基于来自训练的重建晶圆图的多个训练的Zernike多项式系数来预测多个标签。存储器还可以存储指令，该指令在由处理器执行时使处理器：将重建晶圆图提供给特征提取器以计算特征图；和将特征图提供给第二训练分类器，以利用多个标签中的一个对重建晶圆图进行分类，其中特征提取器是第二卷积神经网络，第二卷积神经网络通过训练分类器来训练，以基于该组训练的真实数据晶圆图来预测多个标签。系统可以被配置为基于重建晶圆图向半导体制备工艺的批次(run-to-run)控制器提供反馈。根据本专利技术的一个实施例，一种用于重建半导体晶圆的晶圆图的方法，包括：由处理器接收晶圆的稀疏采样位置处的晶圆的测试数据，基于探测掩模选择稀疏采样位置；和由处理器通过利用Zernike多项式对在晶圆的稀疏采样位置处的测试数据执行压缩感测来计算重建晶圆图。探测掩模的稀疏采样位置可以随机选择。探测掩模的稀疏采样位置可以通过以下方式生成：接收一组训练的真实数据晶圆图；基于一组初始稀疏采样位置设置探测掩模；基于探测掩模从该组训练的真实数据晶圆图中选择样本；在多代上迭代地应用遗传算法以计算定制的探测掩模：基于从稀疏采样位置获取的测试数据使用压缩感测来计算重建晶圆图；根据该组训练的真实数据晶圆图对重建晶圆图进行评分；根据得分更新探测掩模的稀疏采样位置；和当满足阈值误差率时或当多代达到代数限制时，从遗传算法返回更新的探测掩模的稀疏采样位置。该方法还可以包括将通过压缩感测重建的重建晶圆图提供给第一卷积神经网络，该第一卷积神经网络被配置为更新重建晶圆图。第一卷积神经网络可以通过以下方式训练：接收一组训练的真实数据晶圆图；基于探测掩模从该组训练的真实数据晶圆图中选择样本；根据从该组训练的真实数据晶圆图中选择的样本计算训练的重建晶圆图；和应用反向传播来训练第一卷积神经网络，以从训练的重建晶圆图计算该组训练的真实数据晶圆图。该方法还可以包括使用分类器利用多个标签中的一个对所述重建晶圆图进行分类，以及其中，使用以下方式训练分类器：一组训练的真实数据晶圆图；和该组训练的真实数据晶圆图的多个标签，通过将异常检测技术应用于该组训练的真实数据晶圆图来计算多个标签以识别一类或多类晶圆，晶圆的类别包括异常晶圆和非异常晶圆。异常检测技术可以包括主成分分析或双重聚类中的至少一种。该方法还可以包括将对应于所述重建晶圆图的多个Zernike多项式系数提供给所述分类器，以及其中通过以下方法训练分类器：基于探测掩模从该组训练的真实数据晶圆图中选择样本；根据从该组训练的真实数据晶圆图中选择的样本计算训练的重建晶圆图；和训练分类器以基于来自训练的重建晶圆图的多个训练的Zernike多项式系数来预测多个标签。该方法还可以包括：将重建晶圆图提供给特征提取器以计算特征图；和将特征图提供给第二训练分类器，以利用多个标签中的一个对重建晶圆图进行分类，其中特征提取器可以是第二卷积神经网络，第二卷积神经网络通过训练分类器来训练，以基于该组训练的真实数据晶圆图来预测多个标签。该方法还可以包括基于重建晶圆图控制半导体制备工艺的批次控制器。附图说明附图与说明书一起示出了本专利技术的示本文档来自技高网...

【技术保护点】
1.一种用于重建半导体晶圆的晶圆图的系统，包括：处理器；和存储器，其具有被存储在其上的指令，当由处理器执行所述指令时使得处理器：接收在晶圆的稀疏采样位置处的晶圆的测试数据，基于探测掩模选择稀疏采样位置；和通过利用Zernike多项式对在晶圆的稀疏采样位置处的测试数据执行压缩感测来计算重建晶圆图。

【技术特征摘要】
2017.09.26 US 62/563,625;2018.08.21 US 16/107,9421.一种用于重建半导体晶圆的晶圆图的系统，包括：处理器；和存储器，其具有被存储在其上的指令，当由处理器执行所述指令时使得处理器：接收在晶圆的稀疏采样位置处的晶圆的测试数据，基于探测掩模选择稀疏采样位置；和通过利用Zernike多项式对在晶圆的稀疏采样位置处的测试数据执行压缩感测来计算重建晶圆图。2.如权利要求1所述的系统，其中所述探测掩模的稀疏采样位置是随机选择的。3.如权利要求1所述的系统，其中所述探测掩模的稀疏采样位置通过以下方式生成：接收一组训练的真实数据晶圆图；基于一组初始稀疏采样位置设置探测掩模；基于探测掩模从该组训练的真实数据晶圆图中选择样本；在多代上迭代地应用遗传算法以计算定制的探测掩模：基于从稀疏采样位置获取的测试数据使用压缩感测来计算重建晶圆图；相对于该组训练的真实数据晶圆图对重建晶圆图进行评分；根据得分更新探测掩模的稀疏采样位置；和当满足阈值误差率时或当多代达到代数限制时，从遗传算法返回探测掩模的更新的稀疏采样位置。4.如权利要求1所述的系统，其中所述存储器还存储指令，所述指令在由所述处理器执行时使所述处理器将通过压缩感测重建的重建晶圆图提供给第一卷积神经网络，所述第一卷积神经网络被配置为更新所述重建晶圆图。5.如权利要求4所述的系统，其中所述第一卷积神经网络通过以下方式被训练：接收一组训练的真实数据晶圆图；基于探测掩模从该组训练的真实数据晶圆图中选择样本；根据从该组训练的真实数据晶圆图中选择的样本计算训练的重建晶圆图；和应用反向传播来训练第一卷积神经网络，以从训练的重建晶圆图计算该组训练的真实数据晶圆图。6.如权利要求1所述的系统，其中所述存储器还存储指令，所述指令在由所述处理器执行时使所述处理器使用分类器利用多个标签中的一个对所述重建晶圆图进行分类，以及其中，使用以下方式训练分类器：一组训练的真实数据晶圆图；和该组训练的真实数据晶圆图的多个标签，通过将异常检测技术应用于该组训练的真实数据晶圆图来计算多个标签以识别一类或多类晶圆，晶圆的类别包括异常晶圆和非异常晶圆。7.如权利要求6所述的系统，其中所述异常检测技术包括主成分分析或双重聚类中的至少一种。8.如权利要求6所述的系统，其中所述存储器还存储指令，所述指令在由所述处理器执行时使所述处理器将对应于所述重建晶圆图的多个Zernike多项式系数提供给所述分类器，以及其中通过以下方式训练所述分类器：基于探测掩模从该组训练的真实数据晶圆图中选择样本；根据从该组训练的真实数据晶圆图中选择的样本计算训练的重建晶圆图；和训练分类器以基于来自训练的重建晶圆图的多个训练的Zernike多项式系数来预测多个标签。9.如权利要求6所述的系统，其中所述存储器还存储指令，所述指令在由所述处理器执行时使所述处理器：将重建晶圆图提供给特征提取器以计算特征图；和将特征图提供给第二训练分类器，以利用多个标签中的一个...

【专利技术属性】
技术研发人员：许诺，陈帆，金宗哲，齐伟艺，王敬，崔佑晟，鲁扬，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：韩国,KR