异常晶片图像分类制造技术

一种半导体图像分类器。应用卷积函数来修改晶片图像，以便提取关于图像的关键信息。经修改图像被压缩，然后通过一系列成对分类器进行处理，每个分类器被配置为确定图像比所述对中的一者更像另一者。收集来自每个分类器的概率以形成对每个图像的预测。率以形成对每个图像的预测。率以形成对每个图像的预测。

【技术实现步骤摘要】
【国外来华专利技术】异常晶片图像分类
[0001]交叉引用
[0002]本申请要求2020年4月22日提交的名称为
″
Defect Image Classifier
″
的美国临时申请号63/013737的优先权，该申请以引用方式整体并入本文。


[0003]本申请涉及半导体制造工艺，并且更具体地，涉及用于使用图像分析对半导体晶片难题/问题进行分类的系统和方法。

技术介绍

[0004]一般来讲，例如通过诸如Google、Facebook等基于网络的努力，图像分类已得到高度发展，它们按其性质可访问数百万张图片，这些图片可用作基于机器的图像分类方案的训练集。然而，典型的半导体公司具有小得多的数据集，可能只有几百张图像用于训练集。因此，期望调整和开发使用这些较小数据集对半导体晶片进行基于机器的分析和分类的技术。
附图说明
[0005]图1是示出使用图像处理技术对晶片难题进行分类的过程的流程图。
[0006]图2A至图2D示出四种不同类型或类别的原始晶片图像，包括正常、瑕疵、未指明缺陷和条纹。
[0007]图3A至图3D分别是各自通过高斯模糊函数修改的图2A至图2D的四个不同晶片图像。
[0008]图4是用于实现图3A至图3D所示的高斯模糊函数的示例7x7内核。
[0009]图5A至图5D分别是通过边缘检测函数修改的图2A至图2D的四个不同晶片图像。
[0010]图6A至图6C是用于实现边缘检测函数的示例3x3内核，其中图6C的边缘检测函数实现图5A至图5D所示的边缘检测函数。
[0011]图7A至图7D分别是通过锐化函数修改的图2A至图2D的四个不同晶片图像。
[0012]图8是用于实现图7A至图7D所示的锐化函数的示例3x3内核。
[0013]图9是示出可用于特征选择和成对分类的分层建模过程的流程图。
[0014]图10是更详细地示出图9的成对分类步骤的流程图。
[0015]图11是更详细地示出图10的变量选择步骤的流程图。
[0016]图12A和图12B是示例成对分类器的准确度的图形图解。
[0017]图13A和图13B是示出从各个成对分类器聚合的预测结果的准确度的表格。
具体实施方式
[0018]本公开涉及用于基于异常类型对半导体晶片的图像进行分类的方法和系统。半导体加工应用程序的机器学习解决方案的核心是通过特征工程和特征选择开发的。特征工程
是从原始数据生成特征以更好地表示预测机器学习模型的解决方案的问题的过程。特征选择(也称为变量选择)是选择对理解和预测建模的特定问题贡献最大的特征并丢弃那些贡献不显著的特征的过程。然而，针对任何特定应用程序实现特征工程和特征选择的方式继续发展，并且每个应用程序当然依赖于基于客户端的上下文，包括半导体处理环境的细节。特征工程常常被认为包括特征选择步骤。
[0019]在一种方法中，可通过首先将一个或多个卷积函数应用于晶片图像的原始图像来识别并生成特征，以通过图像观察和分析来尝试且更好地识别特定晶片问题。每个卷积的结果是经修改图像，其(希望)更详细地示出特定晶片问题。然而，因为不同的卷积函数或卷积函数的组合可揭示不同的问题，并且因为每个制造设施通常具有操作和环境差异，所以可存在不同的函数或函数组合，其作为在不同位置处的相同类型问题(诸如瑕疵、缺陷或条纹)的解决方案集。
[0020]在卷积步骤之后，应用全局池化函数来将经修改图像压缩成单维向量结果。向量结果在许多方面更容易处理：更简单的表示；更少的存储和处理要求；数字度量可用于逻辑电路等。因此，池化步骤用于通过对图像应用各种池化函数来定义可能感兴趣的特征。在一个实施方案中，可在跨图像的各种点处应用统计函数，尽管也可以采用其他类型的函数。例如，模糊积分(诸如Choquet积分)已用于基于模糊数学压缩数据集，快速傅里叶变换已用于频率分析，应用了简单的线性聚合等。
[0021]然后使用分层建模方法来选择特征，以关注用于区分类别对的变量。例如，针对每对定义的问题类别，构建单独的预测分类器模型。此外，每个预测分类器模型执行其自己的变量选择步骤，以便将作为模型输入的变量的数量减少并将这些变量限制为该预测模型的重要变量。因此，每个预测分类器模型的结果指示晶片问题是否更像第一问题类别或第二问题类别，而不是常规分类器的方法，常规分类器的方法试图将类别分配给向量，而不是像本文，一系列成对比较。
[0022]最终分类器预测模型基于作为来自单独的成对预测分类器中的每一者的输入的预测概率对问题进行最终预测。
[0023]图1是示出基于图像处理对晶片进行分类的简单过程100的流程图。在步骤102中，获得样本图像。然后在步骤104中应用一个或多个卷积函数以在步骤106中生成经修改图像。一般来讲，应针对新的或更新的客户端应用程序单独和组合尝试多个不同的卷积函数，以寻找将对来自该应用程序的图像有用的最有效的图像处理技术。
[0024]然后在步骤108中应用池化函数，所述池化函数用于将二维图像减少成步骤110中具有多个定义的特征的一维表示。例如，可通过在跨图像的维度的各种点处应用统计量度来产生向量表示，例如，特征可以是在x＝1、x＝2等处获取的标准偏差。
[0025]在步骤112中，通过一系列成对分类器处理样本图像的每个一维表示(即向量)，包括作为变量选择过程114的一部分迭代运行每个分类器，所述变量选择过程将每个分类器模型的特征数量减少到两个至四个特征。步骤116中的结果是概率或可能性：向量更像唯一对中的第一个还是唯一对中的第二个？在步骤118处收集来自所有成对分类器的概率以对每个成对比较进行最终预测。
[0026]呈现了几个示例来帮助说明这些概念。图2A至图2D是在半导体工艺中使用常规光学成像设备获取的晶片(在基板上)的四个不同的原始图像。每个图像可作为200kB JPG文
件或类似文件存储。图2A是基板222的图像220的示例，所述图像具有形成在基板上的看起来
″
正常
″
的圆形晶片224，即从图像看没有明显问题。图2B是基板242的图像240的示例，所述基板具有形成在基板上的圆形晶片244，所述图像包括显现为在图像的右上角中的大黑圈246的突出的黑色
″
瑕疵
″
以及基板上与晶片相邻的若干其他瑕疵。图2C是具有圆形晶片264的基板262的图像260的示例，所述图像具有显现为晶片边缘上的若干小黑圈的未指明
″
缺陷
″
，诸如该图像的右下角上的缺陷246。图2D是在基板上具有圆形晶片284的基板282的图像280，所述图像具有在整个基板和晶片图像上出现的一系列竖直边缘或
″
条纹
″
286。这些类型的问题(瑕疵、缺陷、条纹)中的每一种具有不同的根本原因，并且需要不同的分析和关注。当然，可存在可为此处描述的同类分析的对象的其他问题或缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，其包括：获得形成在半导体基板上的半导体晶片的第一多个样本图像，所述第一多个样本图像包括多个不同的图像类型；将至少第一卷积函数应用于所述第一多个图像中的每一者，以生成多个经修改图像，所述多个经修改图像各自对应于所述多个样本图像中的相应一者；将池化函数应用于所述经修改图像中的每一者以形成多个对应向量，所述多个对应向量各自定义每个相应经修改图像的多个特征；对每个对应向量执行变量选择，以便从所述多个特征中选择在确定所述向量的图像类型时更重要的较小的特征集；在多个基于机器学习的成对分类器模型中处理每个对应向量，所述成对分类器模型中的每一者被配置为确定所述向量更像所述多个不同的图像类型的唯一多个对中的一对的对应概率；将来自处理步骤的所确定概率输入到最终的基于机器学习的分类器模型中，所述分类器模型被配置为基于来自所述处理步骤的所确定概率将所述多个图像类型中的一者分配给每个对应向量；以及运行所述最终的基于机器学习的分类器模型。2.如权利要求1所述的方法，应用至少第一卷积函数的步骤还包括：识别具有值矩阵的内核；以及将所述第一多个图像乘以所述内核以生成所述多个经修改图像。3.如权利要求2所述的方法，进一步地其中所述值矩阵具有与和所述多个不同的图像类型中的一者相关联的特征大小成比例的大小。4.如权利要求2所述的方法，其还包括：通过尝试各自具有不同的值矩阵的多个不同内核来识别所述内核。5.如权利要求1所述的方法，其还包括：在生成所述多个经修改图像之前多次执行所述第一卷积函数。6.如权利要求1所述的方法，应用至少第一卷积函数的所述步骤还包括：将多个不同的卷积函数应用于所述第一多个图像中的每一者以生成多组经修改图像，每组与所述多个不同的卷积函数中的一者相关联，每个经修改图像对应于所述多个样本图像中的相应一者；以及确定所述多个卷积函数中的至少一者在示出与所述多个图像类型中的至少一者相关联的特征方面是有效的。7.如权利要求6所述的方法，其还包括：将所述多个不同的卷积函数的组合应用于所述第一多个图像中的每一者，以生成所述多组经修改图像。8.如权利要求1所述的方法，应用池化函数的步骤还包括：将统计量度应用于所述第一多个图像中的每一者中的多个点以生成所述多个对应向量中的每一者。9.如权利要求8所述的方法，其还包括：针对跨所述第一多个图像中的每一者的第一方向上的第一多个点获取第一统计量度，
以形成第一多个对应向量；以及针对跨所述第一多个图像中的每一者的第二方向上的第二多个点获取第二统计量度，以形成第二多个对应向量。10.如权利要求1所述的方法，执行变量选择的步骤还包括：构建多个预测模型，所述多个预测模型各自对应于所述多个成对分类器模型中的一者；对于每个预测模型：按等级对与对应向量相关联的所述多个特征进行排序；多次运行所述预测模型以进行前向变量选择，每次按等级顺序将所述多个特征中的一者添加到所述预测模型中，并且当所添加的一个特征提高所述预测模型的准确度时将所添加的一个特征并入到所述预测模型中；以及多次运行所述预测模型以进行后向变量选择，每次按反向等级顺序去除所述多个特征中的一者，并且当所述预测模型的准确度因所去除的一个特征的去除而降低时将所去除的一个特征重新并入到所述预测模型中。11.一种方法，其包括：获得形成在半导体基板上的半导体晶片的第一多个样本图像，所述第一多个样本图像包括出现在所述样本图像上的多个不同类别的缺陷；将多个数学运算符单独或以各种组合应用于所述第一多个图像中的每一者，从而生成多个经修改图像，每个经修改图像对应于所述多个样本图像中的相应一者；将所述多个...

【专利技术属性】
技术研发人员：本田智纪，R，
申请(专利权)人：PDF决策公司，
类型：发明
国别省市：