半导体元件的制造过程中进行自动缺陷筛选的系统技术方案

一种利用自适应机器学习进行自动缺陷筛选的系统，包括了自适应模型控制器、缺陷/干扰点档案库以及用于执行资料模型化分析的模块。其中的自适应模型控制器具有前馈路径以及反馈路径，前馈路径接收晶圆检测中取得的多个候选缺陷，反馈路径接收晶圆检测后由一个以上的已知缺陷筛选模型筛选后的感兴趣缺陷。自适应模型控制器从所接收的资料中选择资料样本、与扫描电子显微镜(Scanning Electron Microscope,SEM)介接以取得用于验证各个资料样本为真实缺陷或干扰点的对应的SEM结果，并且编整模型训练与验证资料。用于执行资料模型化分析的模块由自适应模型控制器适应地控制，藉此根据目标规格利用模型训练与验证资料产生并验证一个以上的更新缺陷筛选模型。

【技术实现步骤摘要】
半导体元件的制造过程中进行自动缺陷筛选的系统本专利技术申请是申请号为201710685984.5，申请日为2017年8月11日，名称为“半导体元件的制造过程中进行自动缺陷筛选的系统”的专利技术专利申请的分案申请。
本专利技术是关于半导体元件的制造；特别是关于制造半导体元件的制造流程中的自动缺陷筛选。
技术介绍
半导体元件的制造，是藉由将多层电路图案制作于晶圆上，以形成具有大量集成的电晶体的一复杂电路。在半导体元件的制造流程中，微影制程是负责将电路设计人员创造的电路图案转移到晶圆上的制程。具有根据电路图案的不透光及透光图案的光罩/光盘用于在晶圆上将元件层图案化。光罩上邻近图案的效应、光学绕射、光阻发展与蚀刻、对晶圆的邻近图层所进行的化学机械抛光(chemical-mechanicalpolishing,CMP)，以及图案与制造在晶圆上的邻近图层之间的几何与层叠关系都可能会造成元件层图案的变形。随着集成电路的元件密度的增加，集成电路的图案与布局的复杂度也随之增加，此外，由图案变形所产生的系统缺陷，或者因制程的变数而产生的随机缺陷或污染，皆会进一步导致制造在晶圆上的元件的故障。在制造半导体元件的生产流程中，在不同图层上进行晶圆检测属于常规的流程。其中，具有一小时内能完成一个以上的完整晶圆的产出量的光学检测，是晶圆检测领域中的主力。在一般的晶圆检测过程中，侦测到的缺陷通常也包含了干扰点，这些干扰点属于错误的检测结果，或者属于不感兴趣的缺陷。随着设计规则的缩小，许多关键缺陷的尺寸也变得更小，而相较于杂讯的信号以及正常制程的变数来说，缺陷的信号也变得更弱。因此，在先进技术的节点中，通常在能侦测到小数量的关键感兴趣缺陷之前，会先得到大量的干扰点回报。对于半导体元件的制造商而言，要能够在制造过程中的加速与量产期间辨识出关键缺陷，实为一大考验。在光学检测工具中，较先进的检测配方会提供干扰点的过滤技术，藉此协助减少干扰点的数量。为了能利用干扰点的过滤技术，使用者必须利用各种缺陷分析工具或者扫描电子显微镜(ScanningElectronMicroscope,SEM)工作站仔细分析与审阅从一个以上的晶圆所搜集到的检测结果，藉此将各个候选缺陷标示为真实缺陷或干扰点。经标记的真实缺陷与干扰点被用来产生一干扰点过滤器。上述的检测工具的先进配方可以利用该干扰点过滤器来过滤干扰点。随着元件的技术改良到20nm以下，为了能保留关键的感兴趣缺陷，即使在应用干扰点过滤技术之后，在晶圆检测过程中侦测到的干扰点数量通常仍然代表了由光学检测工具回报的缺陷中90％以上的数量。干扰点过滤技术的效能没有办法达到有效地过滤干扰点的理想结果，主要有以下几个原因。其中一个原因在于，实际上不可能从少量的检测晶圆中搜集足够用于产生干扰点过滤器的关键缺陷种类。另一原因在于，为检测所搜集的局部光学影像不能看清楚电路的图案，其仅能提供关于先进技术节点的非常有限的资讯。此外，为了达到配合晶圆的高速生产，检测工具所需要处理的大量资料，也会对检测过程中使用的干扰点过滤器的可负担计算的复杂度造成限制。再者，制程容许范围中的持续变化也会改变干扰点的表现，并且会引发新的缺陷种类，使得干扰点过滤器变得过时并且无法有效发挥作用。因此，为了不错失关键的感兴趣缺陷，检测工具仍然需要输出大量的干扰点。因此，在加速制造期间，必须投入大量的工程师与操作人员来透过SEM审阅工具以肉眼审阅检测结果，藉此将关键的感兴趣缺陷筛选出来供后续诊断，进而改善制造过程的产量。在量产期间，假设大部分的关键缺陷都已经在加速制造期间被排除，通常会采样少量的缺陷进行扫描电子显微镜(SEM)审阅以控制制造过程。结果，半导体元件的制造有很大的风险会在所制造的半导体元件产量受到严重影响后才发现未知的关键缺陷。
技术实现思路
本专利技术的目的在于克服半导体元件的制造过程中，与晶圆检测的关键缺陷筛选相关的前述的缺点以及挑战。据此，本专利技术提供了一种系统与方法，其利用自适应机器学习在半导体元件的制造流程中进行自动缺陷筛选。根据本专利技术的自适应机器学习的系统包括一自适应模型控制器、一缺陷/干扰点档案库以及用于执行资料模型化分析的一模块。其中的自适应模型控制器从半导体元件制造流程的前馈路径与反馈路径中接收资料、与扫描电子显微镜(SEM)审阅/检测介接、更新缺陷/干扰点档案库、编整模型训练资料以及模型验证资料，并且将该些资料传送以执行资料模型化分析。自适应模型控制器包括一缺陷采样器、一SEM介面以及一训练资料与模型管理器。缺陷采样器从前馈路径接收晶圆检测中的多个候选缺陷，并且从反馈路径中接收在晶圆检测后，已经由一个以上的已知缺陷筛选模型筛选所得出的感兴趣缺陷。缺陷采样器将包含采样的候选缺陷与感兴趣缺陷的资料样本传送至与SEM审阅/检测进行通讯的SEM介面，藉此取得对应于该些资料样本的SEM结果。每一个资料样本经过验证，并且在对应SEM结果中被标示为真实缺陷或干扰点。训练资料与模型管理器接收所述的资料样本以及对应SEM结果、建立并更新一缺陷/干扰点档案库，并且为资料模型化分析编整模型训练资料与模型验证资料，藉此产生作为自动缺陷筛选的缺陷筛选模型的资料模型。在自动缺陷筛选的初始阶段中，系统执行自适应机器学习的数个连续巡回，藉此基于一目标规格建立一个以上的缺陷筛选模型。缺陷采样器持续接收前馈与反馈资料，以供训练资料与模型控制器控制透过资料模型化分析更新缺陷筛选模型的时机。本专利技术进一步提供一关键特征档案库，其与资料模型化分析介接以执行关键特征分析，并且为自动缺陷筛选产生关键特征模型。关键特征档案库包括多个关键特征资料库。每一个关键特征资料库中储存了多数量的关键电路图案、相关联的设计剪辑、缺陷特征、局部光学影像、SEM影像以及对应的关键特征模型。附图说明图1是显示根据本专利技术的在半导体元件的制造流程中利用自适应机器学习的自动缺陷筛选的方块图；图2是显示根据本专利技术的用于执行自动缺陷筛选的自适应机器学习的系统的方块图；图3是显示根据本专利技术的自适应机器学习中的自适应模块控制器的方块图；图4是显示根据本专利技术的利用自适应机器学习的自动缺陷筛选，进一步与一关键特征档案库介接的示意图；图5是显示自适应机器学习参考关键特征档案库利用关键特征分析产生关键特征模型的示意图；图6是显示关键特征档案库包括数个关键特征资料库的示意图；以及图7是显示根据本专利技术的用于执行自动缺陷筛选的自适应机器学习的方法的流程图。其中，附图标记说明如下：101晶圆检测102候选缺陷103SEM审阅/检测104自适应机器学习105自动缺陷筛选106感兴趣缺陷200缺陷/干扰点档案库201自适应模型控制器202模型训练资料203模型验证资料204资料模型化分析205缺陷筛选模型/资料模型301缺陷采样器302SEM介面303训练资料与本文档来自技高网...

【技术保护点】
1.一种在半导体制造过程中进行缺陷筛选的方法，包括：/n检测晶粒以从所述晶粒的影像搜集候选缺陷资料，所述候选缺陷资料包括设计资料；/n验证所述候选缺陷资料以形成感兴趣缺陷资料，所述感兴趣缺陷资料包括候选资料、所述设计资料和标记；/n更新关键特征资料档案库以包括所述感兴趣缺陷资料的，所述关键特征资料档案库包括多个感兴趣缺陷资料元素；/n编整模型训练资料，所述模型训练资料包括来自所述关键特征档案库的所述多个感兴趣缺陷资料元素；/n用所述模型训练资料来训练机器学习模型以产生训练的机器学习模型；/n使用光学传感器搜集第二晶粒的影像；/n用所述训练的机器学习模型检测所述第二晶粒的影像，所述训练的机器学习模型：/n标示来自所述第二晶粒的影像的第二候选缺陷资料，所述第二缺陷资料包括第二设计资料；以及/n标示所述第二候选缺陷资料为缺陷；以及/n标示所述第二晶粒为包含缺陷。/n

【技术特征摘要】
20161212 US 15/375,1861.一种在半导体制造过程中进行缺陷筛选的方法，包括：
检测晶粒以从所述晶粒的影像搜集候选缺陷资料，所述候选缺陷资料包括设计资料；
验证所述候选缺陷资料以形成感兴趣缺陷资料，所述感兴趣缺陷资料包括候选资料、所述设计资料和标记；
更新关键特征资料档案库以包括所述感兴趣缺陷资料的，所述关键特征资料档案库包括多个感兴趣缺陷资料元素；
编整模型训练资料，所述模型训练资料包括来自所述关键特征档案库的所述多个感兴趣缺陷资料元素；
用所述模型训练资料来训练机器学习模型以产生训练的机器学习模型；
使用光学传感器搜集第二晶粒的影像；
用所述训练的机器学习模型检测所述第二晶粒的影像，所述训练的机器学习模型：
标示来自所述第二晶粒的影像的第二候选缺陷资料，所述第二缺陷资料包括第二设计资料；以及
标示所述第二候选缺陷资料为缺陷；以及
标示所述第二晶粒为包含缺陷。


2.如权利要求1所述的方法，所述方法进一步包括：
验证所述候选缺陷资料进一步包括形成感兴趣缺陷资料和干扰点缺陷资料中的一个，包括干扰点缺陷标记；
更新所述关键特征资料档案库以进一步包括所述干扰点缺陷资料；
编整所述模型训练资料进一步包括所述干扰点缺陷资料；
用模型训练资料来训练所述机器学习模型以产生训练的机器学习模型；
使用所述光学传感器搜集第三晶粒的第三影像；
用所述训练的机器学习模型检测所述第三影像，所述训练的机器学习模型：
标示来自所述第三影像的第三候选缺陷资料，所述第三缺陷资料包括第三设计资料；以及
标示所述第三候选缺陷资料为第三缺陷和第三干扰点中的一个；以及
标示所述第三晶粒为包含所述第三缺陷和第三干扰点中的相应一个。


3.如权利要求2所述的方法，其中所述候选缺陷资料被提供给所述训练的机器学习模型，以基于与存在具有类似候选缺陷资料的类似设计资料相比较的所述设计资料的图案密度，而分析所述训练的机器学习模型的效能。


4.如权利要求2所述的方法，其中所述验证所述候选缺陷资料基于撷取与所述候选缺陷资料关联的设计特征以确定所述候选缺陷资料是否是感兴趣缺陷资料或干扰点缺陷资料。


5.一种非暂时性计算机可读介质，包括指令，当所述指令由处理系统的处理器执行时，使得所述处理系统执行一种用于改善半导体器件制造的方法，所述方法包括：
检测晶粒以从所述晶粒的影像搜集候选缺陷资料，所述候选缺陷资料包括设计资料；
验证所述候选缺陷资料以形成感兴趣缺陷资料，所述感兴趣缺陷资料包括候选资料、所述设计资料和标记；
更新关键特征资料档案库以包括所述感兴趣缺陷资料，所述关键特征资料档案库包括多个感兴趣缺陷资料元素；
编整模型训练资料，所述模型训练资料包括来自所述关键特征档案库的所述多个感兴趣资料元素的缺陷；
用所述模型训练资料来训练机器学习模型以产生训练的机器学习模型；
使用光学传感器搜集第二晶粒的影像；
用所述训练的机器学习模型检测所述第二晶粒的影像，所述训练的机器学习模型：
标示来自所述第二晶粒的影像的第二候选缺陷资料，所述第二缺陷资料包括第二设计资料；以及
标示所述第二候选缺陷资料作为缺陷；以及
标示所述第二晶粒为包含缺陷。


6.如权利要求5所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质进一步包括：
验证所述候选缺陷资料进一步包括形成感兴趣缺陷资料和干扰点缺...

【专利技术属性】
技术研发人员：林志诚，庄少特，
申请(专利权)人：应用材料公司，
类型：发明
国别省市：美国;US