摘要

檢測圖案化半導體晶圓上的缺陷是晶圓生產中的關鍵步驟。為此目的已經開發了許多檢查方法和設備。我們最近提出了一種基于幾何流形學習技術的異常檢測方法。這種方法是數據驅動的，通過使用擴散圖將異常與圖像固有幾何結構引起的背景分離。在本文中，我們將算法擴展到多通道晶圓缺陷檢測中的 3D 數據。我們在一組半導體晶片上測試了我們的算法，并證明了我們的多尺度多通道算法與單尺度和單通道方法相比具有卓越的性能。

簡介

缺陷檢測對于半導體晶圓的制造至關重要，但依賴手動檢測既費時又昂貴，并且可能導致良率下降。對此問題的強大自動化解決方案至關重要，因為將僅向用戶顯示可疑區域，從而節省寶貴的時間。缺陷檢測具有挑戰性，因為可能的缺陷沒有精確的特征，它們可能包括顆粒、開路、線間短路或其他問題。缺陷可能屬于晶片背景或其圖案，并且可能占主導地位或幾乎不明顯。這種多樣性使得基于一些先驗特征或檢測訓練數據庫執行模板匹配變得非常困難，因此鼓勵開發無監督的數據驅動方法。

各種各樣的圖像處理技術已應用于晶圓中的自動缺陷檢測。晶圓缺陷檢測的常用方法是利用無缺陷的參考圖像，并對參考圖像和檢查圖像之間的差異進行檢測 。差異圖像的計算對參考圖像和檢查圖像之間的圖像配準非常敏感，并且會影響基于參考的方法的性能。

(a) 根據與擴散圖的前三個坐標相關的 RGB 顏色著色的圖像像素。(b) 多通道多尺度 (MCMS) 方法的異常分數。只有缺陷會獲得高分。

結論

我們已將我們的多尺度異常檢測算法擴展到多通道晶圓缺陷檢測中的 3D 數據。所提出的算法在半導體晶片 SEM 圖像數據集上進行了測試，與單尺度和單通道方法相比，表現出優越的性能。

映射嵌入在此應用中特別有吸引力，因為擴散映射提供了晶片圖像中重復幾何結構的緊湊表示，無需參考圖像，此外對這些圖像中的主要噪聲具有魯棒性。該算法以前應用于水雷檢測中的側掃聲納圖像。本文證明了所提出算法的魯棒性及其對成像傳感器、背景和噪聲模型的魯棒性。

　　審核編輯：湯梓紅