JP7200113B2 - 深くスタック化された層を有するウェハにおいて欠陥分類器を訓練して適用するためのシステムと方法 - Google Patents

Description

本発明は、ウェハにおける欠陥の検出に関し、より具体的には、ウェハから検出された欠陥を分類することに関する。

関連出願
本出願は、２０１７年１月１０日に出願された米国仮特許出願第６２／４４４、６９０号の利益を主張し、この出願の内容全体が参照により本明細書に組み込まれる。

検査システムプロセスは、半導体製造プロセス中の様々なステップにおいて用いられて、ウェハの欠陥を検出する。更に、半導体デバイスの寸法が減少するにつれて、より小規模な欠陥がデバイスに故障を生じさせるので、検査が、許容可能な半導体デバイスの合格製造にとって更により重要になる。

典型的には、検査システム（すなわちツール）は、ウェハの画像を捕捉し、それらの画像から欠陥が検出される。画像は、また、ウェハを検査することから生じる信号を指してもよい。しかし、簡易欠陥検出を超える情報が、また、具体的にそのような欠陥の分類を含む検査システムプロセス中にしばしば生成される。例えば、検出された欠陥のそれぞれは、対象の欠陥（ＤＯＩ）又は妨害物（すなわち、実際の欠陥ではないか、又はユーザが気にかけておらず、したがってＤＯＩではない欠陥）として分類されてもよい。検出された欠陥のそれぞれ又はＤＯＩは、更に、異なるグループ（すなわち欠陥タイプ）にしばしば分類される。そのような例において、欠陥の発見後に、欠陥は、サイズ、強度及び／又は位置等の欠陥の特徴に基づいて、異なるグループに分類されてもよい。欠陥分類は、次いで、検査システムを調整する目的のために検査システムにフィードバックされてもよい。調整が、欠陥を検査システムによって検出可能にするために実行されてもよい。例えば、検査システムを調整することは、検査システムの１つ又は複数の光学パラメータ及び／又は検査システムの１つ又は複数の欠陥検出（出力処理）パラメータを変更することを含んでもよい。

欠陥分類は、しばしば、検査システムによって生成されたまさにその画像又は情報に基づいて実行されないことがある。これらの例では、追加の情報が、追加の精査システムを用いて生成されてもよく、欠陥分類が、次いで、追加情報に基づいて決定される。いくつかのそのような例では、検査システムによって発見された欠陥は、高解像度の走査型電子顕微鏡（ＳＥＭ）精査ツールを用いて精査されてもよい。従来から、比較的多くのＳＥＭ画像（例えば、信号）が収集され、そして、更にこれらの画像のそれぞれが、コンピュータスクリーン上に表示されて、ユーザが画像内に存在する視認可能欠陥の有無を決定する。欠陥が目視で検出された場合、欠陥は、次いで、それ自体の形状、サイズ、位置又は別の属性に基づいて、いくつかのカテゴリのうちの１つにユーザによって分類されてもよい。

いくつかの精査システムが、例えば、名称が「Ｄｅｆｅｃｔ ｄｉｓｃｏｖｅｒｙ ａｎｄ ｉｎｓｐｅｃｔｉｏｎ ｓｅｎｓｉｔｉｖｉｔｙ ｏｐｔｉｍｉｚａｔｉｏｎ ｕｓｉｎｇ ａｕｔｏｍａｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｅｌｅｃｔｒｏｎ ｂｅａｍ ｉｍａｇｅｓ」である、Ｊａｎ Ａ．Ｌａｕｂｅｒへの特許文献１に開示されているように、欠陥の分類を自動化するために開発されてきた。

米国特許第９，２９３，２９８号明細書

これらの自動化精査システムが、人為ミスを被る手動分類を必要とする従来のシステムを改善したけれども、これらの自動化精査システムは、依然として限界を呈する。特に、上記で述べたもの等の欠陥精査システムは、３次元（３Ｄ）ＮＡＮＤウェハ等のスタック化層を有するウェハ内の欠陥が、ウェハの最上層の下方にあるとき、それらの欠陥を分類することができなかった。これが、既存の欠陥精査システムがウェハの基礎層の画像を取得できないことの理由である。その代わりに、いずれかの基礎層についての必要画像を取得するために、上方層が、物理的に除去され、それでウェハを破壊することが必要であろう。したがって、先行技術と関連するこれらの及び／又は別の問題に対処する必要がある。

システム、方法及び非一過性コンピュータ可読媒体が、深くスタック化された層を有するウェハにおいて欠陥分類を訓練して適用するために提供される。使用において、検査システムによって生成された複数の画像が、検査システムによってウェハにおいて検出された欠陥の位置について取得される。ウェハにおける位置は、複数のスタック化層から構成され、複数の画像のそれぞれの画像は、異なる焦点設定を用いて、その位置で検査システムによって生成される。更に、欠陥の分類は、複数の画像を利用して決定される。

非一過性コンピュータ可読媒体の一実施形態を示すブロック図であり、当該媒体は、本明細書で述べられた１つ又は複数のコンピュータ実装方法を実行するための、コンピュータシステム上で実行可能なプログラム命令を含む。 製作されたデバイスにおいて欠陥を検出するように構成された検査システムの一実施形態の側面図を示す概略図である。 一実施形態に従う、スタック化層を有するウェハ内の欠陥を分類するための方法を示す。 一実施形態に従う、分類器訓練のための方法を示す。 一実施形態に従う、教師なしビン分割方法を示す。 一実施形態に従う、教師ありビン分割方法を示す。

以下の説明は、スタック化層を有するウェハ内の欠陥を分類するためのシステム、方法及び非一過性コンピュータ可読媒体を開示する。留意すべきは、以下で述べる様々な実施形態を含むこのシステム、方法及び非一過性コンピュータ可読媒体は、図１Ａ～Ｂに関して以下に述べられるもの等の、なんらかの一体化した及び／又は独立したコンピュータ及び検査システム（例えば、ウェハ検査、レチクル検査、レーザ走査検査システム等）に関連して実装されてもよいことである。

追加の実施形態は、コンピュータシステムにおいて実行可能なプログラム命令を記憶して、スタック化層を有するウェハ内の欠陥を分類するためのコンピュータ実装方法を実行する非一過性コンピュータ可読媒体に関する。そのような実施形態を図１Ａに示す。特に、図１Ａに示すように、コンピュータ可読媒体１００が、コンピュータシステム１０４において実行可能なプログラム命令１０２を含む。コンピュータ実装方法は、図２に関して以下で述べる方法のステップを含む。それのためにプログラム命令が実行可能であるコンピュータ実装方法は、本明細書で述べる任意の別の動作を含んでもよい。

本明細書で述べられたもの等の方法を実装するプログラム命令１０２は、コンピュータ可読媒体１００に記憶されてもよい。コンピュータ可読媒体は、磁気若しくは光学ディスク、磁気テープ又は当該技術分野で公知の任意の別の好適な非一過性コンピュータ可読媒体等の記憶媒体であってもよい。選択肢として、コンピュータ可読媒体１００は、コンピュータシステム１０４内部にあってもよい。

とりわけ、手順ベース技術、コンポーネントベース技術及び／又はオブジェクト指向技術を含むプログラム命令は、様々な態様のうちのいずれかで実装されてもよい。例えば、プログラム命令は、必要に応じて、ＡｃｔｉｖｅＸコントロール、Ｃ＋＋オブジェクト、ＪａｖａＢｅａｎｓ、Ｍｉｃｒｏｓｏｆｔ Ｆｏｕｎｄａｔｉｏｎ Ｃｌａｓｓｅｓ（「ＭＦＣ）、或いは別の技術又は方法を用いて実装されてもよい。

コンピュータシステム１０４は、パーソナルコンピュータシステム、イメージコンピュータ、メインフレームコンピュータシステム、ワークステーション、ネットワークアプライアンス、インターネットアプライアンス又は別のデバイスを含む様々な形式をとってもよい。一般に、用語「コンピュータシステム」は、記憶媒体からの命令を実行する１つ又は複数のプロセッサを有する任意のデバイスを含むように広く規定されてもよい。コンピュータシステム１０４は、また、パラレルプロセッサ等の当該技術分野で公知の任意の好適なプロセッサを含んでもよい。加えて、コンピュータシステム１０４は、独立型又はネットワーク化ツールのいずれかとして高速処理及びソフトウェアを有するコンピュータプラットフォームを含んでもよい。

追加の実施形態は、スタック化層を有するウェハ内の欠陥を分類するように構成されたシステムに関する。そのようなシステムの一実施形態を図１Ｂに示す。システムは、ウェハ（又は別のデバイス）上に製作されたコンポーネントについての出力を生成するように構成された検査システム１０５を含み、当該検査システムは、更に本明細書に述べられるように、この実施形態内に構成されている。システムは、また、図２に関して以下に述べられる動作を実行するように構成された１つ又は複数のコンピュータシステムを含む。１つ又は複数のコンピュータシステムは、本明細書で述べられた実施形態のうちの任意のものに従うこれらの動作を実行するように構成されてもよい。コンピュータシステム及びシステムは、本明細書で述べられる任意の別の動作を実行するように構成されてもよく、そして、本明細書で述べられるように更に構成されてもよい。

図１Ｂに示す実施形態では、コンピュータシステムのうちの１つは、電子式設計自動化（ＥＤＡ）ツールの部分であり、検査システム及びコンピュータシステムの別のものは、ＥＤＡツールの部分ではない。これらのコンピュータシステムは、例えば、図１Ａに関して上記で述べたコンピュータシステム１０４を含んでもよい。例えば、図１Ｂに示すように、コンピュータシステムのうちの１つは、ＥＤＡツール１０６内に含まれたコンピュータシステム１０８であってもよい。ＥＤＡツール１０６及びそのようなツール内に含まれたコンピュータシステム１０８は、任意の市販のＥＤＡツールを含んでもよい。

検査システム１０５は、光によってウェハを走査すること、及び走査中にウェハからの光を検出することによって、ウェハ上のコンポーネントについての出力を生成するように構成されてもよい。例えば、図１Ｂに示すように、検査システム１０５は、光源１２０を含み当該光源は、当該技術分野で公知の任意の好適な光源を含んでもよい。光源からの光は、ビームスプリッタ１１８まで導かれてもよく、当該ビームスプリッタは、光源からウェハ１２２まで光を導くように構成されてもよい。光源１２０は、例えば１つ又は複数の集光レンズ、視準レンズ、リレーレンズ、対物レンズ、開口、スペクトルフィルタ、偏光コンポーネント等の任意の別の好適な要素（図示せず）に結合されてもよい。図１Ｂに示すように、光は、垂直入射角でウェハ１２２まで導かれてもよい。しかし、光は、近垂直及び斜入射を含む任意の好適な入射角でウェハ１２２まで導かれてもよい。加えて、光又は複合光ビームは、連続して又は同時に２個以上の入射角でウェハ１２２まで導かれてもよい。検査システム１０５は、任意の好適な態様でウェハ１２２にわたって光を走査するように構成されてもよい。

ウェハ１２２からの光は、走査中、収集されて検査システム１０５の１つ又は複数のチャネルによって検出されてもよい。例えば、比較的垂直に近い角度でウェハ１２２から反射された光（すなわち、入射が垂直であるときの鏡反射光）は、ビームスプリッタ１１８を通ってレンズ１１４まで進行してもよい。レンズ１１４は、図１Ｂに示すように屈折光学要素を含んでもよい。加えて、レンズ１１４は、１つ又は複数の反射光学要素及び／又は１つ又は複数の屈折光学要素を含んでもよい。レンズ１１４によって収集された光は、検出器１１２に集中させられてもよい。検出器１１２は、電荷結合デバイス（ＣＣＤ）又は別のタイプの撮像検出器等の、当該技術分野で公知の任意の好適な検出器を含んでもよい。検出器１１２は、レンズ１１４によって収集された反射光に応じる出力を生成するように構成されている。そのため、レンズ１１４及び検出器１１２は、検査システム１０５の１つのチャネルを形成する。検査システム１０５のこのチャネルは、当該技術分野で公知の任意の別の好適な光学コンポーネント（図示せず）を含んでもよい。

図１Ｂに示す検査システムは、ウェハ１２２から反射された反射光を検出するように構成されているので、検査システム１０５は、（明視野）ＢＦ検査システムとして構成されている。そのような検査システム１０５は、しかし、別のタイプのウェハ検査に対して構成されてもよい。例えば、図１Ｂに示す検査システムは、また、１つ又は複数の別のチャネル（図示せず）を含んでもよい。別のチャネルが、散乱光チャネルとして構成されたレンズ及び検出器等の、本明細書で述べられた光学コンポーネントのうちの任意のものを含んでもよい。レンズ及び検出器は、本明細書で述べられるように更に構成されてもよい。このように、検査システム１０５は、また、（暗視野）ＤＦ検査に対して構成されてもよい。

検査システム１０５は、また、本明細書で述べられる方法の１つ又は複数のステップを実行するように構成されているコンピュータシステム１１０を含んでもよい。例えば、上記で述べられた光学要素は、検査システム１０５の光学サブシステム１１１を形成してもよく、当該光学要素は、また、光学サブシステム１１１に結合されているコンピュータシステム１１０を含んでもよい。このように、走査中に検出器によって生成された出力は、コンピュータシステム１１０に提供されてもよい。例えば、コンピュータシステム１１０は、（例えば、図１Ｂに破線によって示された、当該技術分野で公知の任意の好適な伝送媒体を含んでもよい１つ又は複数の伝送媒体によって）検出器１１２に結合されることにより、コンピュータシステム１１０は、検出器によって生成された出力を受け取ってもよい。

検査システム１０５のコンピュータシステム１１０は、本明細書で述べられた任意の作用を実行するように構成されてもよい。例えば、コンピュータシステム１１０は、本明細書で述べるように、製作されたコンポーネントから識別されたパターン欠陥の系統的及び確率的特性評価のために構成されてもよい。加えて、コンピュータシステム１１０は、本明細書で述べられた任意の別のステップを実行するように構成されてもよい。更に、本明細書で述べられた動作のうちの一部は、異なるコンピュータシステムによって実行されてもよいけれども、方法の動作の全ては、検査システム１０５のもの等の単一のコンピュータシステム又は独立型コンピュータシステムによって実行されてもよい。加えて、コンピュータシステムのうちの１つ又は複数は、バスカーらに２０１２年２月２８日に発行された米国特許第８，１２６，２５５号に記載されたもの等の仮想検査器として構成されてもよく、当該特許は、その全体が参照によって本明細書に組み込まれる。

検査システム１０５のコンピュータシステム１１０は、また、上記で述べたＥＤＡツール１０６等の別のツール内に含まれてもよい、コンピュータシステム１０８等の検査システムの部分ではない別のコンピュータシステムに結合されてもよく、それにより、コンピュータシステム１１０は、コンピュータシステム１０８によって生成された設計を含んでもよい、コンピュータシステム１０８によって生成された出力を受け取ってもよい。例えば、２つのコンピュータシステムは、ファブデータベース等の共用コンピュータ可読記憶媒体によって有効に結合されてもよく、又は情報が２つのコンピュータシステム同士間で送信されてもよいように上記で述べたもの等の伝送媒体によって結合されてもよい。

留意するのは、図１Ｂは、本明細書で述べられたシステム実施形態に含まれてもよい検査システムの構成を概して示すために本明細書において提供されていることである。明らかに、本明細書で述べられた検査システム構成は、市販の検査システムを設計するときに通常、実行されているように、検査システムの性能を最適化するために変更されてもよい。加えて、本明細書で述べられたシステムは、ＫＬＡ－Ｔｅｎｃｏｒから商業的に入手可能である２９ｘｘ／２８ｘｘシリーズのツール等の既存の検査システムを用いて（例えば、既存の検査システムに本明細書で述べられた機能を付加することによって）実装されてもよい。いくつかのそのようなシステムのために、本明細書で述べられた方法は、（例えば、システムの別の機能に加えて）システムの随意の機能として提供されてもよい。代替として、本明細書で述べられたシステムは、全く新たなシステムを提供するために、「ゼロから」設計されてもよい。

更なる実施形態では、検査システム１０５は、米国特許第９，２９３，２９８号に開示されたＳＥＭ精査システム等の精査システム（図示せず）に直接的又は間接的に結合されてもよい。ＳＥＭ精査システムは、欠陥の分類のための検査システム１０５によって検出された欠陥を精査するように動作可能であってもよく、当該欠陥は、次に、より優れた欠陥検出のために検査システム１０５を訓練するために用いられてもよい。留意すべきは、下記で述べる実施形態は、上記で述べた精査システムと関連して実装されてもよいことである。

図２は、一実施形態に従う、スタック化層を有するウェハ内の欠陥を分類するための方法２００を示す。方法２００は、上記で述べたもの等の検査システム及び精査システムと通信している任意のコンピュータシステムによって実行されてもよい。更に、方法２００は、検査システム及び／又は精査システムを含むコンピュータシステムによって実行されてもよい。更に、１つの欠陥だけが本明細書に記載されているけれども、方法２００は、ウェハ内の任意の数の異なる欠陥に同様に適用されてもよいことに留意すべきである。

動作２０２に示すように、複数の画像が取得され、これらの画像は、検査システムによってウェハにおいて検出された欠陥の位置について、検査システムによって生成される。本実施形態に関連して、ウェハの位置は、複数の深くスタック化された層から構成されている。例えば、ウェハは、欠陥が検査システムによって少なくとも検出される位置において鉛直方向に複数の層がスタック化されるという積層プロセスによって製作されてもよい。一例示的実施形態では、ウェハは、３次元（３Ｄ）ＮＡＮＤウェハであってもよい。

動作２０２は、欠陥が検査システムによって検出される位置に関して述べられているけれども、留意すべきは、その位置が実際の欠陥を有しても、有しなくてもよいことである。例えば、検出された欠陥が、実際には妨害物又は別の非欠陥である場合がある。別の実施形態では、欠陥が、実際の欠陥であってもよく、検査システムによって識別された位置においてスタックされた層内部のいずれかにあってもよい。例えば、欠陥は、スタック化層のうちの最上層上に、又はスタック化層のうちの基礎層内にあってもよい。いずれにせよ、検査システムは、それによって欠陥が中で検出されるウェハにおける位置で画像を取得し、それにより、以下で更に詳述されるように欠陥を分類する。

本実施形態に関連して、複数の画像のそれぞれの画像（例えば、信号）が、異なる焦点設定を用いて、その位置で検査システムによって生成される。言い換えると、検査システムは、第１焦点設定を用いてウェハにおける位置の第１画像を生成してもよく、第２焦点設定を用いてウェハにおける位置の第２画像を生成してもよく、第３焦点設定を用いてウェハにおける位置の第３画像を生成してもよい等である。異なる焦点設定のそれぞれは、異なる深さで、その位置でウェハ中に光を集中させてもよい。このように、検査システムによって取得される画像は、異なってもよい。取得される画像の数、及び用いられる特定の焦点設定が、予め設定されてもよい。

更に、動作２０４に示すように、欠陥の分類が、複数の画像を利用して決定される。この動作２０４において実行される分類は、訓練集合内の欠陥のラベル付けを指してもよい。このことは、作動２０２において取得された画像から直接的に、又は作動２０２において取得された画像に基づいて決定されたスルーフォーカス（ＴＦ）信号プロファイルから達成されてもよい。一実施形態では、分類は、欠陥が、実際の欠陥（例えば、対象の欠陥（ＤＯＩ））又は非欠陥（例えば、妨害物）のいずれであるかを示してもよい。別の実施形態では、欠陥の分類は、欠陥がスタック化層のうちのどれ（例えば、最上層又は基礎層）の中に存在するかについて示してもよい。

上述のように、欠陥の分類は、ＴＦ信号プロファイルから決定されてもよい。これらのプロファイルは、１つ又は複数の属性について、検査システムによって欠陥が検出された位置に対して取得された複数の画像にわたる変化を特定することによって決定されてもよい。したがって、欠陥の分類は、１つ又は複数の属性について識別された変化に基づいて決定されてもよい。これらの属性は、取得された画像にわたって識別可能な輝度、強度及び／又は別の属性を含んでもよい。この実施形態では、分類は、ウェハについての設計、実際の欠陥についての所定の属性又はその組合せを用いて、上記の識別された変化情報を処理することによって決定されてもよい。

このために、検査システムによって検出された欠陥は、画像が異なる焦点設定を用いて生成されている場合、検査システムから取得された画像、又はそれらから生成されたＴＦ信号プロファイルを用いて分類されてもよい。上記で述べたこのスルーフォーカス検査方法は、欠陥の深さについての情報を提供してもよく、当該情報は、既存の検査システムによって用いられる既存の単焦点オフセット検査方法においては失われている。このことは、スタック化層を有するウェハから検出された欠陥についての分類を可能にしてもよい。逆に、先行技術のシステムでは、ウェハにおけるスタック化（すなわち、最上層より下の）層内部に存在するいずれかの欠陥は、検査システムを介して十分に視認できない。これは、先行技術の検査システムが、欠陥の位置で画像を取得するために異なる焦点設定を用いるように構成されていないからである。

更なる選択肢として、検査システムは、上記で述べた訓練集合を用いて調整されてもよい。これは、訓練集合を用いて検査システムの分類器を訓練し、それによって、分類器が検査中に全ての欠陥を分類するときに、欠陥の属性に対して動作する分類器の性能を調整することを含んでもよい。したがって、分類器は、機械学習分類器であると考えられてもよい。機械学習分類器によって生成された分類は、欠陥個体群を異なる分類（ビン）に分離することであってもよく、それで、ビン分割と呼ばれてもよく、場合によっては、最終検査結果であってもよい妨害物フィルタリングとも呼ばれてもよい。

ＴＦ特徴的性質は、欠陥の位置、欠陥の分類、欠陥の属性等を示してもよい。また更なる実施形態では、検査システムは、欠陥について生成されたＴＦ特徴的性質を用いて調整されてもよい。

同一のビン内の欠陥は、ウェハマップにプロットされて、ビンについての空間特徴的性質を生成してもよい。検査システムは、次いでビンについて生成された空間特徴的性質を用いて、更に調整されてもよい。

より例示的な情報が、ここで、様々な選択的構成及び使用に関して述べられることになり、当該構成及び使用において、前述の方法は、ユーザの所望毎に実装されても、実装されなくてもよい。留意すべきは、以下の情報は、例示的な目的のために述べられることであり、いかなる態様でも限定として解釈されるべきではない。以下の特徴のうちの任意のものは、述べられた別の特徴を排除することの有無にかかわらず選択的に組み込まれてもよい。

例えば、以下で述べられる実施形態に従って、スタック化層を有するウェハの検査は、ＴＦ、光学パッチ及び空間欠陥分布を組み合わせることによって提供されてもよい。これらの実施形態は、分類器を訓練するために用いられる訓練集合を取得する、修正する及び低減するための効率的な方法を提供してもよく、ＴＦ信号及び空間欠陥分布の類似度及び相違度を考慮することによってビンの分割又は結合を可能にしてもよく、そして、関連するビンの空間特徴的性質及びそれらのビン内の欠陥のＴＦ信号プロファイルを用いて、分類純度を評価するための迅速な検証方法を提供してもよい。

図３は、一実施形態に従う、分類器訓練のための方法３００を図示する。選択肢として、方法３００は、いずれかの前述及び／又は後続の図及び／又はその説明において述べられたいずれかの１つ又は複数の実施形態と関連して実行されてもよい。しかし、認識されるべきは、方法３００が、いずれかの望ましい環境と関連して実行されてもよいことである。

動作３０２に示すように、スルーフォーカス走査が実行される。スルーフォーカス（ＴＦ）走査は、検査システムによって実行される。例えば、ＴＦ走査は、ウェハにおける欠陥の位置の画像を生成してもよい。本実施形態において、ウェハにおける位置は、複数のスタック化層を含み、それぞれの走査は、異なる焦点設定を用いてその位置での画像を取得する。

その上、動作３０４に示すように、ＴＦ信号プロファイルが、スルーフォーカス走査中に生成された画像を用いて作成される。これらのＴＦ信号プロファイルは、それぞれ、ｘ軸に焦点設定及びｙ軸に信号（画像）属性を有する１次元の（１Ｄ）ヒストグラムであってもよい。属性は、輝度、強度等であってもよい。欠陥は、次いで、動作３０５に示すように、訓練集合に付加される。したがって、訓練集合は、欠陥の試料であってもよい。

更に、動作３０６に示すように、訓練集合内のＮ個の欠陥は、ＴＦ信号プロファイルを用いて、想定された面内欠陥又は面外欠陥のいずれかとして分類される。Ｎは、一実施形態では、検査システムによって検出された全ての欠陥についての試料の事前に決められた数であってもよい。更に、面内欠陥は、ウェハの単一平面（層）にわたって存在するとしてＴＦ信号プロファイルから識別されたものであってもよく、そして、面外欠陥は、ウェハの複数の平面（層）にわたって存在するとしてＴＦ信号プロファイルから識別されたものであってもよい。

動作３０８に示すように、機械学習アルゴリズムが実行される。例えば、予め算出された特徴によって作動する多くの異なる機械学習アルゴリズムのうちの任意の１つが、用いられてもよい。いずれにせよ、機械学習アルゴリズムが、分類されたＮ個の欠陥について実行されることにより、訓練された分類器を生成する。

なお更に、動作３１０において、ウェハ特徴的性質が、訓練された分類器に基づいて分析される。次いで、決定３１２において、動作３１０の分析に基づいて期待特徴的性質が見つかるか否かが決定される。期待特徴的性質が見つからない場合、方法３００は、動作３０５に戻る。しかし、期待特徴的性質が見つかる場合、動作３１４に示すように、訓練データの純度及び正確度が分析される。次いで、決定３１６において、結果が収束させられるか否かが決定される。

結果が収束させられないと決定された場合、方法３００は、動作３０５に戻る。しかし、結果が収束させられると決定された場合、動作３１８に示すように、妨害物フィルタリングモデルが、（例えば、検査システムによる使用に対して）実行可能であると決定される。

図４は、一実施形態に従う、教師なしビン分割方法４００を示す。教師なし方法４００は、典型的な欠陥特徴的性質及び空間特徴的性質を発見するために用いられ、そして、それらの間の関係を見つけて、分類器についての品質測度とともにその関係がＤＯＩビンを識別する助けとなるように用いられる。一選択肢として、方法４００は、いずれかの前記及び／又は後続の図及び／又はその説明において述べた、いずれかの１つ又は複数の実施形態と関連して実行されてもよい。しかし、認識されるべきは、方法４００が、いずれかの望ましい環境と関連して実行されてもよいことである。

動作４０１に示すように、ＴＦ走査が実行される。次いで、動作４０２において、ＴＦ信号プロファイルが作成される。更に、動作４０３に示すように、欠陥が訓練集合に付加される。例えば、検査システムによって検出され、そして多様なＴＦ信号プロファイル及び画像を有する欠陥が、選択される。次いで、動作４０４において、訓練集合内のＮ個の欠陥が、ＴＦ信号プロファイルを用いて、異なる欠陥タイプへと分類される。

更に、動作４０６に示すように、分類器が、訓練集合として分類された欠陥を用いて訓練される。分類器は、全ての欠陥特徴（例えば、光学、設計等）について動作してもよく、又は、属性選択が、必要に応じて設計属性又は別の属性を除外してもよい。更に、動作４０８に示すように、訓練過程が、それぞれの分類器ビンと関連する空間特徴的性質に適用される。特に、これは、分類器の訓練と呼ばれてもよく、当該訓練において、分類器ビンのうちの１つからの欠陥によってウェハにおいて形成された空間特徴的性質が、（すなわち、ヒトの専門家又は機械学習アルゴリズムによって）検査されて、類似の空間特徴的性質によってビンを識別する。次いで、動作４１０において、類似の空間特徴的性質がビンを結合することによって結合され、同時に、結合されたビン内のＴＦ信号プロファイルの純度／正確度が分析される。

次いで、結果が収束させられるか否かが、決定４１２において決定される。結果が収束させられないと決定された場合、方法４００は、動作４０３に戻る。動作４０３を反復することが、訓練集合が強化されることを可能にしてもよい。しかし、結果が収束させられると決定された場合、動作４１４に示すように、分類器モデルが、（例えば、検査システムによる使用のために）実行可能であると決定される。一選択肢として、混同行列、分類確信度、信号プロファイルに関するビン純度及び収束での空間特徴的性質が用いられて、分類器の品質を定量化してもよい。

図５は、一実施形態に従う、教師ありビン分割方法５００を示す。教師あり方法５００は、ＴＦ特徴的性質及びＤＯＩ空間特徴的性質の両方が既知であるときに、用いられる。一選択肢として、方法５００は、いずれかの前記及び／又は後続の図及び／又はその説明において述べられたいずれかの１つ又は複数の実施形態に関連して実行されてもよい。しかし、認識されるべきは、方法５００が、いずれかの望ましい環境に関連して実行されてもよいことである。

動作５０２に示すように、欠陥が、訓練集合に付加される。例えば、検査システムによって検出され、そして多様なＴＦ信号プロファイル及び画像を有する欠陥が、訓練集合のために選択される。次いで、動作５０４において、既知のＴＦ信号プロファイル及び画像を有するＤＯＩが、分類される。この動作５０４は、これらのＤＯＩを欠陥の残りから分離する。

更に、動作５０６において、分類器は、訓練集合として分類された欠陥を用いて訓練される。分類器は、全ての欠陥特徴（例えば、光学、設計等）又はそれの選択されたサブセットにおいて動作してもよい。更に、動作５０８に示すように、ＤＯＩビンと関連する空間特徴的性質が、検査される。次いで、動作５１０において、ビン純度及びウェハレベル特徴的性質外観が、検証される。

次いで、結果が収束させられるか否かが、決定５１２において決定される。結果が収束させられないと決定された場合、方法５００は、動作５０２に戻る。動作５０２を反復することは、訓練集合が強化されることを可能にしてもよい。しかし、結果が収束させられると決定された場合、動作５１４に示すように、分類器モデルは、（例えば、検査システムによる使用のために）実行可能であると決定される。一選択肢として、混同行列、分類確信度、信号プロファイルに関するビン純度及び収束での空間特徴的性質マッチングスコアを用いることにより、分類器の品質を定量化してもよい。

欠陥分類器及び妨害物フィルタを訓練するための方法を開示する図３～５に関して上記で述べた実施形態は、欠陥を訓練することのタイプが、低い信頼度を伴って及び／又は間接的な態様で決定されてもよいときだけでなく、いくつかの別個の無相関のＤＯＩ特徴を結合することによって、真値が、より高い信頼度を伴って取得されてもよいときを含む。多数の特徴の例は、ＴＦ信号、及びそのようなＴＦ信号プロファイルを有する欠陥と関連するウェハレベル（空間）欠陥分布である。具体的には、３ＤのＮＡＮＤ光学検査等の方法が、層スタック内の深くに埋め込まれた欠陥がＳＥＭ精査ツールにおいては視認できない、スタック化層から構成されたウェハに適用され、そして、それは訓練集合内の欠陥タイプを確立するために典型的に用いられる。

ＴＦ検査は焦点設定毎に何十もの属性及び特徴を含むので、検査中に画像を収集するために用いられる１０個の焦点設定がある場合、妨害物フィルタ又はビンナを形成するための数百の属性が存在する。そのような場合、ユーザは、分類器を手動で作成することが退屈であることがわかるであろう。しかし、図３～５に関して上記で述べられた実施形態は、ＤＯＩが生じることが予測される焦点平面に基づいて機械学習分類器を一意的に可能にする。

機械学習分類器は、ＴＦ画像（すなわち、異なる焦点設定での画像）又はＴＦ信号プロファイルを用いて分類された欠陥を有する訓練集合を用いて提供されてもよい。訓練集合についてのこの欠陥分類は、以下の２つの方法のうちの１つで実行されてもよい。

（１）ＤＯＩのＴＦ信号プロファイルが既知の場合、欠陥は、ＴＦ信号プロファイルに基づいて分類される。追加の関連する説明については、図５の教師あり手法を参照されたい。

（２）欠陥は、ＴＦ画像を直接用いて分類される。追加の関連する説明については、図４の教師なし手法を参照されたい。

上記の（１）及び（２）の両方に対して、分類が以下のように実行される。

（Ａ）手動で（すなわち、専門家が分類を決定する）、又は

（Ｂ）ＴＦ画像又はＴＦ信号プロファイルが、それぞれの欠陥タイプ及び妨害物を探すであろう態様をシミュレーションすることと、次いで、訓練集合内の欠陥をシミュレーションされた値が最も訓練欠陥に「似ている」タイプに、割り当てることと、によって自動で実行される。

機械学習分類器は、訓練ウェハにおける全ての光学上の及び別の関連する欠陥特徴を用いて、およその「真値」（すなわち、識別された欠陥タイプ）に基づいて分類器を訓練することによって更に提供されてもよい。したがって、真値についての知識のレベルに基づいた教師あり及び教師なしの両方の動作について上記開示があるけれども、以下を含む、分類器訓練中の教師ありと教師なしとの間の可能性の範囲もまた存在してもよい。

（Ａ）ＴＦ信号プロファイル及び空間特徴的性質は、１つ又は複数の欠陥タイプについて既知であってもよく、完全教師あり動作を用いる。

（Ｂ）１つ又は複数の欠陥タイプのＴＦ信号プロファイルだけが既知であってもよく、そして、空間特徴的性質は未知である。

（Ｃ）１つ又は複数の欠陥タイプについての空間特徴的性質だけが既知であってもよいが、ＴＦ信号プロファイルは、既知ではない。

（Ｄ）上記情報のいずれもが十分に既知ではなく、それで完全教師なし動作を用いる。

更に、分類器ビン内の信号プロファイル純度の同時調整、及び既知の特徴に関する関連するビンのウェハレベル特徴的性質の品質が、提供されてもよい。収束が提供され得るまでの訓練集合の反復的強化、及びビン分割関連のビン分割の評価が、混同行列、分類の確信度、関連するＤＯＩビンの純度及びＤＯＩビンによって形成された空間特徴的性質の正確度を用いて、追加的に提供されてもよい。

様々な実施形態が上記で述べられてきたけれども、理解されるべきは、それらが、限定ではなく、単に例として表されていることである。したがって、好ましい実施形態の広がり及び範囲は、上記の例示的な実施形態のうちのいかなるものによっても限定されてはならず、以下のクレーム及びそれらの均等物だけに従って規定されなければならない。

Claims (14)

1. 方法を実行するためにプロセッサによって実行可能なコードを有するコンピュータプログラム製品を記憶する非一過性コンピュータ可読媒体であって、前記方法は、
   検査システムによってウェハにおいて検出された欠陥の位置についての、前記検査システムによって生成された複数の画像を取得することであって、前記ウェハにおける前記位置は、複数のスタック化層から構成され、前記複数の画像のそれぞれの画像は、異なる焦点設定を用いて前記位置で前記検査システムによって生成される、ことと、
   前記検査システムによって前記ウェハにおいて検出された前記欠陥の位置についての前記複数の画像を訓練集合に加えることと、
   前記複数の画像を利用して、前記欠陥の分類を決定することであって、前記欠陥の分類は、前記複数の画像を利用して前記欠陥に生成されたスルーフォーカス信号プロファイルを用いて決定され、前記スルーフォーカス信号プロファイルは、第１軸に焦点設定、第２軸に対応する画像の属性を有し、前記焦点設定は深さ方向の位置であり、前記対応する画像の属性は前記深さ方向の位置に対応する画像の輝度又は強度であり、前記信号プロファイルは１次元のヒストグラムである、ことと、
   決定された前記欠陥の分類に基づき、前記訓練集合において欠陥をラベル付けすることと、
   スタック化層を有するウェハの後続の検査のための欠陥の分類の間に、前記訓練集合を用いて前記検査システムの機械学習分類器を訓練して、前記機械学習分類器の性能を調整することと、
   を備える非一過性コンピュータ可読媒体。
2. 前記ウェハは、３次元（３Ｄ）ＮＡＮＤウェハである、請求項１に記載の非一過性コンピュータ可読媒体。
3. 前記欠陥は、前記複数のスタック化層の基礎層内にある、請求項１に記載の非一過性コンピュータ可読媒体。
4. 前記異なる焦点設定のそれぞれは、異なる深さで、前記位置で前記ウェハ中に光を集中させる、請求項１に記載の非一過性コンピュータ可読媒体。
5. 前記欠陥の分類は、前記複数の画像から決定される、請求項１に記載の非一過性コンピュータ可読媒体。
6. 前記属性は、輝度を含む、請求項１に記載の非一過性コンピュータ可読媒体。
7. 前記属性は、強度を含む、請求項１に記載の非一過性コンピュータ可読媒体。
8. 前記欠陥の分類は、前記欠陥がそこに存在する、前記複数のスタック化層のうちの１つの層を示す、請求項１に記載の非一過性コンピュータ可読媒体。
9. 前記訓練された分類器を用いて、欠陥をビン分割することを更に備える、請求項１に記載の非一過性コンピュータ可読媒体。
10. 同一のビン内に含まれる前記欠陥の位置を決定し、前記欠陥の位置をプロットして前記ビンについての空間特徴的性質を生成する、請求項９に記載の非一過性コンピュータ可読媒体。
11. 前記ビンについて生成された前記空間特徴的性質を用いて、前記検査システムを調整することを更に備える、請求項１０に記載の非一過性コンピュータ可読媒体。
12. 方法であって、
    検査システムによってウェハにおいて検出された欠陥の位置についての前記検査システムによって生成された複数の画像をコンピュータプロセッサによって取得することであって、前記ウェハにおける位置は、複数のスタック化層から構成され、前記複数の画像のそれぞれの画像は、異なる焦点設定を用いて、前記位置で前記検査システムによって生成される、ことと、
    前記コンピュータプロセッサによって前記検査システムによって前記ウェハにおいて検出された前記欠陥の位置についての前記複数の画像を訓練集合に加えることと、
    前記複数の画像を利用して、前記欠陥の分類を前記コンピュータプロセッサによって決定することであって、前記欠陥の分類は、前記複数の画像を利用して前記欠陥に生成されたスルーフォーカス信号プロファイルを用いて決定され、前記スルーフォーカス信号プロファイルは、第１軸に焦点設定、第２軸に対応する画像の属性を有し、前記焦点設定は深さ方向の位置であり、前記対応する画像の属性は前記深さ方向の位置に対応する画像の輝度又は強度であり、前記信号プロファイルは１次元のヒストグラムである、ことと、
    前記コンピュータプロセッサによって、決定された前記欠陥の分類に基づき、前記訓練集合において欠陥をラベル付けすることと、
    前記コンピュータプロセッサによって、スタック化層を有するウェハの後続の検査のための欠陥の分類の間に、前記訓練集合を用いて前記検査システムの機械学習分類器を訓練して、前記機械学習分類器の性能を調整することと、
    を備える方法。
13. システムであって、
    コンピュータコードを記憶するメモリと、
    前記メモリに結合され、方法を実行するための前記コンピュータコードを実行するように構成されたプロセッサと、を備え、前記方法は、
    検査システムによってウェハにおいて検出された欠陥の位置についての、前記検査システムによって生成された複数の画像を取得することであって、前記ウェハにおける前記位置は、複数のスタック化層から構成され、前記複数の画像のそれぞれの画像は、異なる焦点設定を用いて、前記位置で前記検査システムによって生成される、ことと、
    前記検査システムによって前記ウェハにおいて検出された前記欠陥の位置についての前記複数の画像を訓練集合に加えることと、
    前記複数の画像を利用して、前記欠陥の分類を決定することであって、前記欠陥の分類は、前記複数の画像を利用して前記欠陥に生成されたスルーフォーカス信号プロファイルを用いて決定され、前記スルーフォーカス信号プロファイルは、第１軸に焦点設定、第２軸に対応する画像の属性を有し、前記焦点設定は深さ方向の位置であり、前記対応する画像の属性は前記深さ方向の位置に対応する画像の輝度又は強度であり、前記信号プロファイルは１次元のヒストグラムである、ことと、
    決定された前記欠陥の分類に基づき、前記訓練集合において欠陥をラベル付けすることと、
    スタック化層を有するウェハの後続の検査のための欠陥の分類の間に、前記訓練集合を用いて前記検査システムの機械学習分類器を訓練して、前記機械学習分類器の性能を調整することと、
    を備えるシステム。
14. 前記システムは、前記検査システムを備える、請求項１３に記載のシステム。

Images