[发明专利]晶圆缺陷分类的方法、装置、电子设备以及存储介质

说明书

本发明涉及一种分层拆解的晶圆缺陷分类方法，该方法首先采集目标晶圆上每个目标区域的至少一个目标图像；基于预存的所述目标区域的结构特征，对每个所述目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。本发明可以降低晶圆缺陷分类过程中对人工的依赖性，从而提高了晶圆缺陷分类的效率，降低了缺陷分类的成本，实现了在生产过程中对晶圆缺陷的实时检测，获得实时的缺陷信息反馈，从而提高了产品的良率。

技术领域

本发明涉及半导体制造技术领域，尤其涉及一种基于分层拆解缺陷图片的晶圆缺陷分类的方法、装置、电子设备和计算机可读存储介质。

背景技术

随着半导体器件技术的发展，用于制造半导体器件的工艺越来越多，其主要目的是在晶圆在制作电路及电子元件，如晶体管、电容和逻辑开关等等，例如，通过在晶圆表面进行氧化及化学气相沉积，然后涂膜、曝光、显影、刻蚀、离子植入、金属溅镀等步骤，并最终在晶圆上完成数层电路及元件加工与制作。然而，由于制造过程中的每个工艺都有一定的复杂度，因此，每个工艺流程对晶圆的处理都可能会在不同层产生一些不符预期的结构，并且这些结构会造成芯片上电路无法正常工作，这种结构通常称之为晶圆缺陷。通常，芯片制造流程中通常会在众多关键工序后都安排晶圆缺陷检测的步骤，用于监控关键工艺，确保其正确性。但由于芯片制造的工艺流程极其复杂，晶圆缺陷类型繁多，所以，目前没有一个统一的分类方式，目前最常用的分类方法是人工分类和CNN分类。

然而，实际应用中，大多晶圆缺陷并不是完全独立存在的，可能存在同一层级或不同层级上的两个或多个晶圆缺陷重叠(或交叉)的情况，也可能出现晶圆缺陷与晶圆中的正常结构(例如晶圆上的电子器件等)发生重叠或交叉的情况。

此时，若采用CNN分类，就需要大量的具有重叠或交叉的样本图像来进行模型训练，然而，实际应用中，每个工艺流程中并不会产生大量这样的晶圆缺陷，并且不同工厂之间也不会进行数据共享，这就造成了训练样本量的不足，自然也就无法训练得到一个分类精准度较好的分类模型；另一方面，即使能够找到足够的训练样本，但需要预先对训练样本进行缺陷类型标记，由于有重叠或交叉的情况出现，这种训练样本的标记该如何标记才能够更准确？因此，这不仅将增加标记的工作量，也增加了标记的难度。

故而，针对出现较多重叠或交叉的情况，目前，主要采用人工分类。然而，人工分类时，对重叠或交叉结构中的缺陷进行识别和分类的准确度和可靠性与工作人员识别缺陷的经验呈正相关，即其经验越丰富，相应地，其准确的和可靠性则增加，也即是说，这种分类方法对工作人员的专业度要求高。另一方面，若工作人员长时间进行缺陷识别，可能引起累积疲劳，从而降低了缺陷分类的效率，同时也降低了其准确性和可靠性。

有鉴于此，本发明提出了一种基于分层拆解的晶圆缺陷分类方法和装置。

发明内容

为了部分地解决或缓解上述技术问题，本发明提供了一种基于分层拆解的晶圆缺陷分类方法，相较于现有技术中由人工进行缺陷分类的方法，其能够自动进行缺陷分类。

本发明的第一方面在于，提供了一种基于分层拆解的晶圆缺陷分类方法，其包括步骤：

采集目标晶圆上每个目标区域的至少一个目标图像；

基于预存的所述目标区域的结构特征，对每个所述目标区域各自的目标图像进行分层处理，得到至少两个分层图形，及所述分层图形对应的层级信息；

根据所述层级信息对所述分层图形进行缺陷识别和分类，得到至少一个目标缺陷图形及其缺陷种类。

本发明的一些实施例中，所述目标区域包括多层结构，相应地，所述结构特征包括：所述多层结构中每一层结构各自对应的层级信息。

本发明的一些实施例中，所述层级信息包括：像素阈值和/或坐标信息。

本发明的一些实施例中，对所述目标图像进行分层处理的步骤，具体包括：