用于检测晶片上的缺陷的设备和方法技术

公开了一种晶片缺陷推断系统，其包括处理电路，该处理电路被配置为：组合第一图像和第二图像以生成组合图像，第一图像包括在半导体晶片上形成的电路图案的成像，并且第二图像包括用于在半导体晶片上实现电路图案的掩模的布局图像的成像；基于组合图像，通过执行机器学习来推断与在半导体晶片上形成的电路图案相关联的缺陷；并且基于机器学习生成包括关于缺陷的信息的输出图像。缺陷的信息的输出图像。缺陷的信息的输出图像。

【技术实现步骤摘要】
用于检测晶片上的缺陷的设备和方法
[0001]相关申请的交叉引用
[0002]本申请要求于2020年10月5日在韩国知识产权局提交的第10
‑
2020
‑
0128348号韩国专利申请的优先权，其公开内容通过引用整体结合于此。


[0003]本文描述的本公开的示例实施例涉及半导体工艺技术，并且更具体地，涉及基于机器学习推断晶片上的缺陷的系统和方法。

技术介绍

[0004]在光刻(lithography)期间(光刻是一种用于将电路图案施加到晶片上的技术)，通过包括将光致抗蚀剂(photo resist，PR)施加到其上沉积有氧化膜的晶片上，并选择性地(例如，通过包含电路图案的掩模)向光致抗蚀剂上发射光的工艺，在晶片的表面上形成电路图案。随着半导体工艺技术的发展，对更高集成度的电路的需求已经增加，但是电路图案之间的间距已经减小。因此，电路设计也变得更加复杂。
[0005]因为在光刻中使用的光的尺寸(例如，波长)与电路图案之间的间距相比可能较大，所以在曝光步骤中晶片上可能出现缺陷。晶片上的缺陷可能导致使用该晶片制造的半导体器件的故障。为此，晶片上的缺陷可能被认为是降低半导体器件的可靠性和生产率的关键因素。因此，对于推断晶片缺陷的高准确度测试过程有很大的需求。

技术实现思路

[0006]本公开的示例实施例提供了一种在无需单独的模块或检测器的情况下、基于机器学习推断晶片上的缺陷的系统和方法。
[0007]根据实施例，晶片缺陷推断系统包括处理电路，该处理电路被配置为：组合第一图像和第二图像以生成组合图像，第一图像包括在半导体晶片上形成的电路图案的成像，并且第二图像包括用于在半导体晶片上实现电路图案的掩模的布局图像的成像；基于组合图像推断与在半导体晶片上形成的电路图案相关联的缺陷；以及基于机器学习生成包括缺陷信息的输出图像。
[0008]根据实施例，被配置为推断在半导体晶片上形成的电路图案的缺陷的设备的操作方法包括：组合第一图像和第二图像以生成组合图像，第一图像包括在半导体晶片上形成的电路图案的成像，并且第二图像包括用于在半导体晶片上实现电路图案的掩模的布局图像的成像；基于该设备的机器学习操作，根据该组合图像生成输出图像，该输出图像包括关于来自该组合图像的缺陷的缺陷信息；以及输出该输出图像。
[0009]根据实施例，一种存储包括可由处理器执行的图像生成模型的程序代码的非暂时性计算机可读介质，该程序代码在被执行时使得处理器：组合第一图像和第二图像以生成组合图像，第一图像包括在半导体晶片上形成的电路图案的成像，并且第二图像包括用于在半导体晶片上实现电路图案的掩模的布局图像的成像；以及基于机器学习，根据该组合
图像生成输出图像，该输出图像包括电路图案的缺陷信息。
附图说明
[0010]通过参考附图详细描述本公开的实施例，本公开的上述和其他目的和特征将变得清楚。
[0011]图1是示出根据一些实施例的晶片缺陷推断系统的框图。
[0012]图2是示出根据一些实施例的计算设备的配置的框图。
[0013]图3是用于描述根据一些实施例的神经形态(neuromorphic)处理器如何基于生成式对抗网络(generative adversarial network，GAN)执行机器学习的图。
[0014]图4是用于描述根据本公开的一些实施例的神经形态处理器如何基于条件生成式对抗网络(conditional generative adversarial network，CGAN)执行机器学习的图。
[0015]图5A和图5B是用于描述根据一些实施例的由神经形态处理器执行的机器学习操作的流程图。
[0016]图6是用于描述根据一些实施例的可由神经形态处理器执行的图像生成模型中包括的鉴别器网络(discriminator network)如何操作的图。
[0017]图7是用于描述根据一些实施例的可由神经形态处理器执行的图像生成模型中包括的生成器网络如何操作的图。
[0018]图8是示出根据一些实施例的晶片缺陷推断系统中使用的组合图像的图。
[0019]图9是用于描述根据一些实施例的晶片缺陷推断系统的输出数据模型的图。
[0020]图10A和图10B是表示根据一些实施例的晶片缺陷推断系统的模拟结果的图。
[0021]图11是用于描述根据一些实施例的晶片缺陷推断系统的操作方法的流程图。
具体实施方式
[0022]下面，可以以本领域普通技术人员容易实现本公开的程度，详细和清楚地描述本公开的实施例。
[0023]说明书中使用的术语用于描述实施例，而不是限制本公开。如在说明书中所使用的，单数术语“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
[0024]除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本公开所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。
[0025]图1是示出根据一些实施例的晶片缺陷推断系统10的框图。晶片缺陷推断系统10也可以被称为“晶片监视系统”、“晶片测试系统”、“半导体制造过程监视系统”和/或“半导体制造系统”。晶片缺陷推断系统10可以推断在晶片上实现的电路图案中的缺陷。参考图1，晶片缺陷推断系统10包括测试装置100和计算设备200。下面，将给出计算设备200被描述为单独的组件(例如，独立于测试装置100)的描述。然而，这是示例实施例，并且示例实施例不应局限于此。例如，计算设备200可以以嵌入测试装置100的形式来实现。
[0026]测试装置100可以检测晶片上的电路图案的缺陷，并且可以输出晶片的缺陷信息(和/或关于晶片缺陷的信息)。例如，关于晶片(和/或晶片缺陷)的信息可以包括缺陷的位置、缺陷的尺寸、缺陷的形状、缺陷的颜色、缺陷的种类等中的至少一个。在一些示例实施例中，测试装置100可以以图像的形式输出关于晶片(和/或晶片缺陷)的信息。测试装置100可以包括几何验证系统(例如，纳米几何研究(nano geometry research，NGR)装置)、图像检测系统(例如，诸如扫描电子显微镜(scanning electron microscope，SEM)的电子显微镜)等。
[0027]测试装置100可以包括和/或连接到用户接口(未示出)。用户接口可以包括用户输入接口和用户输出接口。例如，用户输入接口可以被配置为从用户接收信息，并且可以包括键盘、鼠标、触摸板、麦克风等中的至少一个。用户输出接口可以被配置为向用户输出信息和/或可以包括监视器、光束投影仪、扬声器等中的至少一个。在一些实施例中，如下面进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种晶片缺陷推断系统，包括：处理电路，所述处理电路被配置为组合第一图像和第二图像以生成组合图像，所述第一图像包括在半导体晶片上形成的电路图案的成像，并且所述第二图像包括用于在所述半导体晶片上实现所述电路图案的掩模的布局图像的成像；通过执行机器学习，基于所述组合图像推断与在所述半导体晶片上形成的电路图案相关联的缺陷；以及基于所述机器学习生成包括关于所述缺陷的缺陷信息的输出图像。2.根据权利要求1所述的晶片缺陷推断系统，其中，所述机器学习是基于生成式对抗网络GAN的。3.根据权利要求1所述的晶片缺陷推断系统，其中，所述机器学习是基于条件生成式对抗网络CGAN的。4.根据权利要求1所述的晶片缺陷推断系统，其中，生成组合图像包括：围绕图案轴对准所述第一图像和所述第二图像，以及组合对准后的第一图像和第二图像。5.根据权利要求1所述的晶片缺陷推断系统，还包括：随机访问存储器；以及存储装置，其中，所述处理电路包括：被配置为执行所述机器学习并生成所述输出图像的至少一个神经形态处理器，以及被配置为控制所述神经形态处理器的处理器，其中，所述随机访问存储器被配置为所述神经形态处理器的工作存储器，并且其中，所述存储装置被配置为存储由所述处理器生成的数据。6.根据权利要求5所述的晶片缺陷推断系统，其中，所述神经形态处理器被配置为基于输入向量生成假组合图像；以及确定所述组合图像或所述假组合图像是真还是假。7.根据权利要求6所述的晶片缺陷推断系统，其中，所述神经形态处理器被配置为执行第一机器学习，以确定所述组合图像或所述假组合图像是真还是假，以及执行第二机器学习，以生成用于训练所述第一机器学习的假组合图像。8.根据权利要求1所述的晶片缺陷推断系统，其中，所述处理电路基于分割模型、热图模型或与所述分割模型和所述热图模型的组合相对应的组合模型中的至少一个来生成所述输出图像。9.根据权利要求1所述的晶片缺陷推断系统，其中，所述缺陷信息包括所述缺陷的位置、所述缺陷的尺寸、所述缺陷的颜色或所述缺陷的种类中的至少一个。10.一种推断在半导体晶片上形成的电路图案中的缺陷的方法，所述方法包括：组合第一图像和第二图...

【专利技术属性】
技术研发人员：姜旻澈，金度年，金在勋，沈宇宙，
申请(专利权)人：首尔大学校产学协力团，
类型：发明
国别省市：