Abstract:
Defektklassifizierung beinhaltet das Erfassen eines oder mehrerer Bilder einer Probe, das Empfangen einer manuellen Klassifizierung eines oder mehrerer Trainings-Defekte auf Grundlage eines oder mehrerer Attribute des einen oder der mehreren Trainings-Defekte, das Erzeugen eines Ensemble-Learning-Klassifikators auf Grundlage der empfangenen manuellen Klassifizierung und der Attribute des einen oder der mehreren Trainings-Defekte, das Erzeugen einer Konfidenzschwelle für jede Defektart des einen oder der mehreren Trainings-Defekte auf Grundlage einer empfangenen Klassifizierungsreinheitsanforderung, das Erfassen eines oder mehrerer Bilder, die einen oder mehrere Test-Defekte beinhalten, das Klassifizieren des einen oder der mehreren Test-Defekte mit dem erzeugten Ensemble-Learning-Klassifikator, das Berechnen eines Konfidenzniveaus für jeden des einen oder der mehreren Test-Defekte mit dem erzeugten Ensemble-Learning-Klassifikator, und das Melden eines oder mehrerer Test-Defekte, die ein Konfidenzniveau unter der erzeugten Konfidenzschwelle haben, über das Benutzerschnittstellengerät zur manuellen Klassifizierung.
Abstract:
Eine Ausführungsform betrifft ein Verfahren zum automatisierten Review von Defekten, die in einem fehlerbehafteten Die auf dem Zielsubstrat detektiert wurden. Das Verfahren beinhaltet: Durchführen eines automatisierten Reviews der Defekte unter Verwendung eines Sekundärelektronenmikroskops (SEM), um Elektronenstrahlbilder der Defekte zu erhalten; Durchführen einer automatisierten Klassifizierung der Defekte in Typen auf Grundlage der aus den Elektronenstrahlbildern bestimmten Defektmorphologie; Auswählen von Defekten eines bestimmten Typs für automatisierten energiedispersiven Röntgen-(EDX)-Review; und Durchführen des automatisierten EDX-Review für die Defekte des bestimmten Typs. Zusätzlich werden automatisierte Techniken offenbart, um eine genaue Referenz zu erhalten, um die Nützlichkeit der EDX-Ergebnisse zu verbessern. Ferner wird ein automatisiertes Verfahren zur Klassifizierung der Defekte auf Grundlage der EDX-Ergebnisse offenbart, welches ein finales Pareto liefert, das morphologische und elementare Information kombiniert. Weitere Ausführungsformen, Aspekte und Merkmale werden ebenso offenbart.
Abstract:
One embodiment relates to a method for automated review of defects detected in a defective die on the target substrate. The method includes: performing an automated review of the defects using an secondary electron microscope (SEM) so as to obtain electron-beam images of the defects; performing an automated classification of the defects into types based on morphology of the defects as determined from the electron-beam images; selecting defects of a specific type for automated energy-dispersive x-ray (EDX) review; and performing the automated EDX review on the defects of the specific type. In addition, automated techniques are disclosed for obtaining an accurate reference so as to improve the usefulness of the EDX results. Furthermore, an automated method of classifying the defects based on the EDX results is disclosed which provides a final pareto that combines both morphological and elemental information. Other embodiments, aspects and features are also disclosed.
Abstract:
An electron-optical system for inspecting or reviewing an edge portion of a sample includes an electron beam source configured to generate one or more electron beams, a sample stage configured to secure the sample and an electron-optical column including a set of electron-optical elements configured to direct at least a portion of the one or more electron beams onto an edge portion of the sample. The system also includes a sample position reference device disposed about the sample and a guard ring device disposed between the edge of the sample and the sample position reference device to compensate for one or more fringe fields. One or more characteristics of the guard ring device are adjustable. The system also includes a detector assembly configured to detect electrons emanating from the surface of the sample.
Abstract:
Defect classification includes acquiring one or more images of a specimen, receiving a manual classification of one or more training defects based on one or more attributes of the one or more training defects, generating an ensemble learning classifier based on the received manual classification and the attributes of the one or more training defects, generating a confidence threshold for each defect type of the one or more training defects based on a received classification purity requirement, acquiring one or more images including one or more test defects, classifying the one or more test defects with the generated ensemble learning classifier, calculating a confidence level for each of the one or more test defects with the generated ensemble learning classifier and reporting one or more test defects having a confidence level below the generated confidence threshold via the user interface device for manual classification.