数据处理方法、图案检测方法及晶圆缺陷图案检测方法技术

本发明专利技术提供一种既可以对新产生的图案进行聚类，又耐噪声，且无需对学习数据进行标记的基于无监督学习的数据处理方法、图案检测方法及晶圆缺陷图案检测方法。根据本发明专利技术的多个实施例，利用3D层叠型空间自相关来准确去除噪声，并使用多变量空间概率分布值和极坐标系空间概率分布值作为用于生成聚类模型的学习特征，从而耐于噪声、旋转及细微的特殊形状。并且，作为聚类的结果而计算出的集群可以多级分类的方式分类为层次集群，并且，可以在没有标号的情况下仅利用测定数据来进行正常/缺陷集群的概率性自动评价。

【技术实现步骤摘要】
数据处理方法、图案检测方法及晶圆缺陷图案检测方法
本专利技术涉及基于无监督学习(Unsupervisedlearning)的晶圆缺陷图案(Waferdefectpattern)检测方法及其装置。更详细地，涉及可以有效去除晶圆的测定值(measure)所包含的噪声(noise)，并可以通过对去除噪声的晶圆的测定值通过无监督学习来有效地聚类晶圆缺陷图案的方法及其装置。
技术介绍
目前，提供有很多用于识别可引起生产率减少等降低制造竞争力的产品错误图案(Errorpattern)或缺陷图案(Defectpattern)的基于机器学习的多个技术。作为一例，提供基于利用标记(tagging)有缺陷图案的学习数据来学习图案识别模型的基于监督学习(supervisedlearning)的技术。并且，还提供有在基于上述监督学习的技术中，利用标记(tagging)有缺陷图案的图像(Image)形态的学习数据来学习包括卷积神经网络(ConvolutionalNeuralNetwork；CNN)所包含的神经网络结构(NeuralNetworkarchitecture)的图案识别模型的技术。但是，利用基于监督学习的技术来学习的图案识别模型只能识别公知的图案，却由于没有学习过新产生的缺陷图案，因此，存在无法进行识别的根本问题。并且，学习产品的图像来识别缺陷图案的方式具有阻碍图案识别的准确度的问题，其是因为图像所包含的高强度的噪声模糊(blur)化而导致周边的图案被删除，或者将上述噪声作为主要成分进行学习而产生。现有技术文献专利文献(专利文献1)美国注册专利第9098891号
技术实现思路
专利技术所要解决的问题想要通过本专利技术的多个实施例来解决的技术问题在于，提供一种即使不提前进行学习数据的图案标记作业，也可以执行的基于无监督学习的缺陷图案聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的又一技术问题在于，提供一种基于晶圆的测定值(measure)的分布，并考虑上述晶圆的缺陷相关的危险程度，来执行缺陷图案的聚类的方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的又一技术问题在于，提供一种考虑到晶圆的形状，能抵抗随着晶圆的方向发生改变而改变晶圆检测数据的缺陷图案聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的又一技术问题在于，提供一种可以防止因噪声而阻碍晶圆的缺陷芯片分布的群聚性的缺陷图案聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种对新出现的缺陷图案也可以实施聚类的方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种不仅可以实施聚类，而且还可以提供对各集群的评分或等级分类结果的聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种不仅可以实施聚类，而且还可以提供各集群的评分或等级分类结果，而各集群的评分或等级分类结果能以与各集群的信息查询相关用户操作相联动的方式实施更新的聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种不仅能执行聚类，而且还能参照完成标注的外部的集群数据，向基于聚类结果的各集群中的至少一部分提供自动标注功能的聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种聚类后所识别的各个集群的评分或等级分类结果反映在通过测定值的二值化(binarization)的不良/合格产品的判定，而上述不良/合格产品的判定会重新对聚类的结果产生影响的循环型缺陷图案聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种耐于噪声的缺陷图案聚类方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种耐于尖峰噪声(与邻近值之间的自相关性较弱)的二维数据的噪声的去除方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种能够以高的准确度识别划痕类型缺陷图案的新的方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种能够以高的准确度识别曝光类型缺陷图案的新的方法及体现其方法的装置。想要通过本专利技术的多个实施例来解决的另一技术问题在于，提供一种耐于尖峰噪声(与邻近值之间的自相关性较弱)的二维数据的噪声的去除方法及体现其方法的装置。本公开的多个技术问题并不局限于以上所提及的多个技术问题，本公开所属
的普通技术人员可通过以下的记载来明确地理解未提及的其他技术问题。用于解决问题的方案用于解决上述技术问题的本专利技术一实施例的数据处理方法包括：获得原始数据的步骤，上述原始数据包含具有第一轴的坐标值及第二轴的坐标值的多个VALUE；在包括上述第一轴、上述第二轴及第三轴的三维空间映射上述原始数据的步骤，上述第三轴的坐标值为上述VALUE；以及以在上述三维空间映射的原始数据为对象，执行基于三维空间自相关(spatialauto-correlation)的第1噪声去除的步骤。在一实施例中，执行去除上述第1噪声的步骤包括：通过在上述三维空间映射的原始数据所构成的三维表面回归分析(3Dsurfaceregression)来生成表面回归模型的步骤；以及利用上述表面回归模型来执行去除上述第1噪声的步骤。在一实施例中，上述数据处理方法在执行上述第1噪声去除之后，还可以包括以在包括上述第一轴及第二轴的平面上存在上述VALUE值的多个点为对象，在上述平面上通过基于密度的聚类(density-basedspatialclusteringofapplicationwithnoise)来执行第2噪声去除的步骤。在一实施例中，上述VALUE可以为晶圆的不同坐标的测定值(measure)，上述晶圆的原始数据不包含缺陷图案相关标记信息，上述数据处理方法还可以包括：针对各晶圆的原始数据，反复执行去除上述第1噪声和去除上述第2噪声的步骤；以及利用结束上述第1噪声去除及上述第2噪声去除步骤之后的不同晶圆的数据，来执行用于生成缺陷图案聚类模型的无监督学习(unsupervisedlearning)的步骤。用于实现上述技术问题的本专利技术又一实施例的晶圆缺陷图案检测方法包括：获得二值化(binarized)检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个不同芯片(chip)的缺陷与否数据；对上述二值化检测数据进行图像化的步骤；执行用于检测形成于上述晶圆检测数据的图像的线条的形状检测变换的步骤；以及在执行上述形状检测变换后，判断出在上述晶圆检测数据的图像形成有线条的情况下，判定上述晶圆检测数据为划痕(scratch)类型缺陷图案的步骤。用于实现上述技术问题的本专利技术另一实施例的晶圆缺陷图案检测方法包括：获得二值化(binarized)检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其通过计算装置来执行，上述数据处理方法的特征在于，包括：/n获得原始数据的步骤，上述原始数据包含具有第一轴的坐标值及第二轴的坐标值的多个VALUE；/n将上述原始数据映射到由上述第一轴、上述第二轴及第三轴构成的三维空间的步骤，上述第三轴的坐标值为上述VALUE；以及/n以映射到上述三维空间的原始数据为对象，执行基于三维空间自相关的第1噪声去除的步骤。/n

【技术特征摘要】
20190529 KR 10-2019-00631951.一种数据处理方法，其通过计算装置来执行，上述数据处理方法的特征在于，包括：
获得原始数据的步骤，上述原始数据包含具有第一轴的坐标值及第二轴的坐标值的多个VALUE；
将上述原始数据映射到由上述第一轴、上述第二轴及第三轴构成的三维空间的步骤，上述第三轴的坐标值为上述VALUE；以及
以映射到上述三维空间的原始数据为对象，执行基于三维空间自相关的第1噪声去除的步骤。


2.根据权利要求1所述的数据处理方法，其特征在于，执行上述第1噪声去除的步骤包括：
通过映射到上述三维空间的原始数据所构成的三维表面回归分析来生成表面回归模型的步骤；以及
利用上述表面回归模型来执行上述第1噪声去除的步骤。


3.根据权利要求1所述的数据处理方法，其特征在于，在执行上述第1噪声去除之后，还包括：
以在由上述第一轴及第二轴构成的平面上存在上述VALUE值的多个点为对象，在上述平面上通过基于密度的聚类来执行第2噪声去除的步骤。


4.根据权利要求3所述的数据处理方法，其特征在于，执行上述第2噪声去除的步骤包括：
在执行上述第1噪声去除之后，对上述VALUE值小于基准值的多个点执行第1-1噪声去除的步骤；以及
以执行上述第1-1噪声去除之后剩余的多个点为对象，通过上述基于密度的聚类来执行第2噪声去除的步骤。


5.根据权利要求3所述的数据处理方法，其特征在于，
上述VALUE为晶圆的各不同坐标的测定值，
上述晶圆的原始数据不包含缺陷图案相关标记信息，
上述数据处理方法还包括：
针对各晶圆的原始数据，反复执行去除上述第1噪声和去除上述第2噪声的步骤；以及
利用结束上述第1噪声去除及上述第2噪声去除步骤之后的不同晶圆的数据来执行用于生成缺陷图案聚类模型的无监督学习的步骤。


6.根据权利要求5所述的数据处理方法，其特征在于，上述测定值为望小特性的值。


7.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得二值化检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个不同芯片的缺陷与否数据；
对上述二值化检测数据进行图像化的步骤；
执行用于检测形成于上述晶圆检测数据的图像的线条的形状检测变换的步骤；以及
在执行上述形状检测变换后，判断出在上述晶圆检测数据的图像形成有线条的情况下，判定上述晶圆检测数据为划痕类型缺陷图案的步骤。


8.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得二值化检测数据的步骤，上述二值化检测数据包含晶圆所包含的多个不同芯片的缺陷与否数据；
将上述二值化检测数据的图像变换为频域的步骤；以及
将上述二值化检测数据的图像变换为频域后，预指定的一个以上的频率的信号强度大于基准值的情况下，判定上述晶圆检测数据为曝光类型缺陷图案的步骤。


9.一种图案检测方法，其通过计算装置来执行，上述图案检测方法的特征在于，包括：
获得各不同对象的检测数据的步骤，上述各不同对象的检测数据包含具有第一轴的坐标值及第二轴的坐标值的多个测定值；
提取上述检测数据的特征的步骤，上述特征包含基于对测定值进行密度估计后获得的测定值分布图案来进行计算的第1特征；以及
利用上述晶圆检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习的步骤。


10.根据权利要求9所述的图案检测方法，其特征在于，
上述测定值分布图案利用对上述测定值进行核密度估计后获得的核密度函数的参数及核函数种类来进行定义。


11.根据权利要求10所述的图案检测方法，其特征在于，
上述测定值为望小特性的值，
上述第1特征为以上述测定值分布图案越倾向于指示伽马分布时具有越低的值，而越倾向于指示负偏态分布时具有越高的值的方式计算出的值。


12.一种晶圆缺陷图案检测方法，其通过计算装置来执行，上述晶圆缺陷图案检测方法的特征在于，包括：
获得各不同晶圆的二值化检测数据的步骤，上述各不同晶圆的二值化检测数据包含具有第一轴的坐标值及第二轴的坐标值的多个不同芯片的缺陷与否数据；
提取上述二值化检测数据的特征的步骤，上述特征包含根据进行基于缺陷芯片的极坐标系的密度估计后获得的缺陷芯片分布图案来计算出的特征；以及
利用上述二值化检测数据的上述特征来执行用于生成缺陷图案聚类模型的无监督学习的步骤。


13.根据权利要求12所述的晶圆缺陷图案检测方法，其特征在于，
根据进行基于缺陷芯片的极坐标系的密度估计后获得的缺陷芯片分布图案来计算出的所述特征：包含对于从上述晶圆的中心点的各不同半径的缺陷芯片密度的分布图案的第1特征及对于上述晶圆的圆周上各不同角度的缺陷芯片密度的分布图案的第2特征。


14.根据权利要求13所述的晶圆缺陷图案检测方法，其特征在于，
上述第1特征是利用对上述各不同半径的缺陷芯片数量进行核密度估计后获得的第一核密度函数的参数及核函数种类来定义的，
上述第2特征是利用对上述各不同角度的缺陷芯片数量进行核密度估计后获得的第二核密度函数的参数及核函数种类来定义的。


15.一...

【专利技术属性】
技术研发人员：周民植，朴省美，郑智寅，金在勋，朱耿嬉，朴穫根，李栢永，
申请(专利权)人：三星SDS株式会社，
类型：发明
国别省市：韩国;KR