[发明专利]用于新颖缺陷发现的扰乱挖掘

说明书

本发明使得半导体制造商能够更准确地确定本来会被忽略的缺陷的存在。本发明可体现为用于新颖缺陷发现的系统、方法或设备。本发明可包括：在扰乱筛选器中设置扰乱格区；将缺陷群体划分成缺陷群体分区；将所述缺陷群体分区分段成缺陷群体区段；从所述缺陷群体区段选择一组选定缺陷；计算所述缺陷群体区段中的所述缺陷的信号属性的一或多个统计量；复制所述组选定缺陷以得到产生型缺陷；将所述产生型缺陷移位到所述缺陷群体区段之外；创建训练组；及训练二进制分类器。

相关申请案的交叉参考

本申请案主张在2018年3月19日提出申请的第62/645,086号美国临时申请案的优先权，所述临时申请案的全部揭示内容特此以引用的方式并入。

技术领域

本发明大体来说涉及晶片检验。更特定来说，本发明大体涉及扰乱筛选及缺陷发现。

背景技术

对扰乱筛选器进行配置以用于对半导体晶片进行光学检验的困难在于，有漏掉在设置期间训练晶片上并不存在的缺陷的风险。对于数据驱动型基于机器学习算法(基于ML的算法)的筛选器来说，此风险尤为严重。

在使用人工构造的扰乱筛选器(例如，iDO决策树)的情况下，可利用领域知识及经验来在属性空间中为训练晶片上不存在的缺陷“留出信号空间”。此留出空间的方法成功地用于创建可靠扰乱筛选器，所述可靠扰乱筛选器能够在宽带等离子体(BBP)检验期间捕捉“新”缺陷且保证不会遗漏任何“明显”缺陷。

基于人工构造的扰乱筛选器的方法利用人类专家的领域知识及经验来在属性空间中为预期缺陷分配空间。

人工构造的扰乱筛选器具有以下缺点，尤其包含：需要漫长的人工过程，人工过程是主观且不完备的，且在训练组充分时其表现不如基于ML的筛选器。

关于基于ML的扰乱筛选器，可用于降低此漏掉缺陷风险的方法包含训练组累加或训练组扩增。图1描绘基于ML的扰乱筛选器100的实例，其是关于第一训练晶片的最终模型。基于ML的扰乱筛选器100开始于智能分类引擎(ICE)节点101。基于(举例来说)ICE类别码1将缺陷归类成格区102，且基于ICE类别码99将缺陷归类成格区103。然后，依据置信度将格区103归类成经调谐格区104(或多个经调谐格区)及格区105，格区105通过检验而移除了缺陷。存在尚未发现的所关注缺陷(DOI)被置于格区105中的风险。可使用主动学习或多样性取样使用格区104中的缺陷来收集额外训练数据。格区105存在漏掉新颖DOI的可能性。

训练组累加包含：设置次级阈值以用于捕获在合理扰乱率下无法保留的缺陷；运行较热的检验；从所述较热的检验进行取样并累加更多训练组，所述更多训练组包含无法保留的缺陷；利用所累加训练组来改进扰乱筛选器；及继续直到扰乱筛选器成熟为止。此方法至少因以下不可靠原因而存在缺点。基于训练晶片而创建的扰乱筛选器为因漏掉所有后续晶片上的特定类型的缺陷的风险而创建。如果移除了缺陷，那么即使后续晶片上存在此类缺陷，仍无法对其进行取样并添加到训练组。因此，此些方法可能从开始便有瑕疵。

训练组扩增涉及扩增训练组来改进扰乱筛选器的成熟度。此方法存在缺点的原因至少在于其对未知数据无效，这是因为将未知缺陷扩增到训练组中且在不对分类器的性能造成负面影响的情况下进行扩增极其困难。

基于ML的扰乱筛选器的缺陷为两个筛选器的序列应用于“被摒弃群体”。此群体占据了光学检验器上的数据量，这会导致吞吐量风险。

因此，需要用于发现新缺陷的改进的方法、系统及设备。

发明内容