用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法技术方案

可在晶片上的各种位点处进行初始检验或临界尺寸测量。位置、设计片段、工艺工具参数或其它参数可用于训练深度学习模型。可验证所述深度学习模型且这些结果可用于重新训练所述深度学习模型。可重复此工艺直到预测达到检测准确度阈值。所述深度学习模型可用于预测新可能缺陷位置或临界尺寸故障位点。

A system and method for predicting defects and critical dimensions by deep learning in semiconductor manufacturing process

【技术实现步骤摘要】
【国外来华专利技术】用于使用半导体制造工艺中的深度学习预测缺陷及临界尺寸的系统及方法相关申请案的交叉引用本申请案主张2017年6月30日申请的第201741023043号印度申请案及2017年8月15日申请的第62/545,918号美国临时申请案的优先权，两者均待决，且所述案的揭示内容以引用的方式并入本文中。
本专利技术涉及用于预测缺陷位点及临界尺寸测量的系统及方法。
技术介绍
制造例如逻辑及存储器装置的半导体装置通常包含使用大量半导体制造工艺处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。例如，光刻是涉及将图案从光罩转印到布置于半导体晶片上的抗蚀剂的半导体制造工艺。半导体制造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。多个半导体装置可以一种布置制造于单个半导体晶片上且接着分离成个别半导体装置。在半导体制造工艺期间的各种步骤处使用检验过程以检测晶片上的缺陷以促进制造工艺中的较高良率且因此促进较高利润。检验始终是制造例如集成电路(IC)的半导体装置的重要部分。但是，随着半导体装置的尺寸减小本文档来自技高网...

【技术保护点】
1.一种方法，其包括：/n使用检验工具扫描晶片；/n使用缺陷重检工具确认至少一个缺陷的存在；/n将参数输入到深度学习模型中，其中所述参数包含以下中的一或多者：/n所述缺陷相对于设计、关注区或设计片段中的一或多者的位置；/n焦点；/n曝光；/n所述缺陷的类型；/n相邻设计位点；及/n层类型；/n基于所述深度学习模型而使用控制器预测缺陷位点；/n验证所述缺陷位点；及/n重新训练所述深度学习模型，其中重复所述预测、所述验证及所述重新训练直到所述深度学习模型达到检测准确度阈值。/n

【技术特征摘要】
【国外来华专利技术】20170630 IN 201741023043;20170815 US 62/545,918;201.一种方法，其包括：
使用检验工具扫描晶片；
使用缺陷重检工具确认至少一个缺陷的存在；
将参数输入到深度学习模型中，其中所述参数包含以下中的一或多者：
所述缺陷相对于设计、关注区或设计片段中的一或多者的位置；
焦点；
曝光；
所述缺陷的类型；
相邻设计位点；及
层类型；
基于所述深度学习模型而使用控制器预测缺陷位点；
验证所述缺陷位点；及
重新训练所述深度学习模型，其中重复所述预测、所述验证及所述重新训练直到所述深度学习模型达到检测准确度阈值。


2.根据权利要求1所述的方法，其中所述扫描是热扫描。


3.根据权利要求1所述的方法，其中所述缺陷重检工具是扫描电子显微镜。


4.根据权利要求1所述的方法，其中所述参数进一步包含光学接近性校正。


5.根据权利要求1所述的方法，其进一步包括产生所述缺陷位点的热图。


6.根据权利要求1所述的方法，其进一步包括使用所述深度学习模型预测新晶片上的缺陷。


7.根据权利要求1所述的方法，其进一步包括使用所述深度学习模型针对新半导体制造工艺预测所述晶片上的缺陷。


8.一种非暂时性计算机可读媒体，其存储经配置以指示处理器执行根据权利要求1所述的方法的程序。


9.一种方法，其包括：
使用扫描电子显微镜扫描晶片；
使用控制器计算样本位点处的跨越所述晶片的临界尺寸变动；
将参数输入到深度学习模型中，其中所述参数包含以下中的一或多者：
相对于设计、关注区或设计片段中的一者测量临界尺寸的位置；
焦点；
曝光；
相邻设计位点；及
层类型；
基于所述深度学习模型而使用所述控制器预测跨越所述晶片的位点处的临界尺寸；
验证具有不同临界尺寸的所述位点；及
重新训练所述深度学习模型，其中重复所述预测、所述验证及所述重新训...

【专利技术属性】
技术研发人员：A·亚提，
申请(专利权)人：科磊股份有限公司，
类型：发明
国别省市：美国;US