DE102022204173A1

DE102022204173A1 - Method for training an algorithm for analyzing a distribution of defects present on a surface of an object

Info

Publication number: DE102022204173A1
Application number: DE102022204173.9A
Authority: DE
Inventors: Vitaliy Kondrashov; Tim Meyer
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-04-28
Filing date: 2022-04-28
Publication date: 2023-11-02

Abstract

Die Erfindung betrifft ein Verfahren zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten, wobei das Verfahren (1) folgende Schritte aufweist: Trainieren eines ersten Algorithmus des maschinellen Lernens zum Erkennen von Defekttypen in Bilddaten, welche die Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen (2); und Trainieren eines zweiten Algorithmus des maschinellen Lernens, wobei der zweite Algorithmus des maschinellen Lernens ausgebildet ist, für alle Pixel in den Bilddaten jeweils zu erkennen, ob das entsprechende Pixel zu einem von wenigstens einem wiederkehrenden Grundelement an Defekten gehört oder nicht (3).The invention relates to a method for training an algorithm for analyzing a distribution of defects present on a surface of an object, the method (1) having the following steps: training a first machine learning algorithm for recognizing defect types in image data, which determine the distribution of show defects present on the surface of the object (2); and training a second machine learning algorithm, wherein the second machine learning algorithm is designed to recognize for all pixels in the image data whether the corresponding pixel belongs to one of at least one recurring basic element of defects or not (3).

Description

Die Erfindung betrifft ein Verfahren zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten und insbesondere ein verbessertes Verfahren zum Trainieren eines Algorithmus zum Analysieren von Defektverteilungen auf einer Oberfläche eines Wafers, wobei auf der Oberfläche des Wafers mehrere Halbleiterchips ausgebildet sein können.The invention relates to a method for training an algorithm for analyzing a distribution of defects present on a surface of an object and in particular to an improved method for training an algorithm for analyzing defect distributions on a surface of a wafer, wherein a plurality of semiconductor chips are formed on the surface of the wafer can.

Beispielsweise in der Halbleiterfertigung werden im Rahmen der Qualitätssicherung nach einer Vielzahl von Fertigungsschritten Bilder der Oberfläche eines entsprechenden Wafers aufgenommen, beziehungsweise die Oberfläche des Wafers zeigende Bilddaten erzeugt, welche anschließend mit fehlerfreien Referenzbildern beziehungsweise Vergleichsbilddaten verglichen werden. Hierdurch sollen Abweichungen beziehungsweise Schäden, das heißt Defekte auf der Oberfläche des entsprechenden Wafers erkannt werden, wobei basierend auf den erkannten Defekten weiter Rückschlüsse auf einen Defekttyp geschlossen werden können.For example, in semiconductor manufacturing, as part of quality assurance, images of the surface of a corresponding wafer are taken after a large number of manufacturing steps, or image data showing the surface of the wafer is generated, which are then compared with error-free reference images or comparison image data. This is intended to detect deviations or damage, i.e. defects on the surface of the corresponding wafer, whereby further conclusions can be drawn about a defect type based on the detected defects.

Neben der Erkennung von Defekten wird dabei für gewöhnlich auch die Verteilung der Defekte auf der Oberfläche auf der Oberfläche, das heißt die Verteilung der entsprechenden Defektsignatur ermittelt. So sind beispielsweise bei einem Kratzer die Defekte für gewöhnlich linear beziehungsweise länglich verteilt. Basierend auf der Verteilung beziehungsweise der Defektsignatur können dann Rückschlüsse über die Art beziehungsweise den Grund der Defekte geschlossen werden.In addition to detecting defects, the distribution of defects on the surface, i.e. the distribution of the corresponding defect signature, is usually also determined. For example, in the case of a scratch, the defects are usually distributed linearly or elongated. Based on the distribution or the defect signature, conclusions can then be drawn about the type or cause of the defects.

Basierend auf diesen Rückschlüssen kann anschließend ferner entschieden werden, ob einzelne auf der Oberfläche des Wafers ausgebildete Halbleiterchips verworfen beziehungsweise verschrottet oder entsorgt werden sollen, oder nicht. So führen bestimmte Typen beziehungsweise Arten von Defekten dazu, dass die entsprechenden Halbleiterchips, welche von dem Defekt betroffen sind, verschrottet werden müssen. Als nachteilig erweist sich hierbei jedoch, dass auf fast allen Wafern auch unproblematische, insbesondere zufällig verteilte Defekte zu finden sind, welche beispielsweise durch Staub verursacht sein können. Zudem sollen im Falle einer erkannten, kritischen Defektsignatur nur die Halbleiterchips verschrottet werden sollen, welche tatsächlich auch zu der entsprechenden Defektsignatur gehören, um unnötige Kosten zu vermeiden. Folglich besteht Bedarf an Verfahren, mit welchen kritische Defekte auf Waferoberflächen zuverlässig und möglichst genau erkannt werden können, wobei kritische Defekte bedeutet, dass die von diesen Defekten betroffenen Halbleiter entsorgt werden müssen.Based on these conclusions, a decision can then be made as to whether individual semiconductor chips formed on the surface of the wafer should be discarded or scrapped or disposed of or not. Certain types or types of defects mean that the corresponding semiconductor chips affected by the defect have to be scrapped. However, the disadvantage here is that unproblematic, particularly randomly distributed defects can be found on almost all wafers, which can be caused by dust, for example. In addition, in the event of a recognized, critical defect signature, only those semiconductor chips that actually belong to the corresponding defect signature should be scrapped in order to avoid unnecessary costs. Consequently, there is a need for methods with which critical defects on wafer surfaces can be detected reliably and as accurately as possible, with critical defects meaning that the semiconductors affected by these defects must be disposed of.

Aus der Druckschrift EP 1 132 732 A2 ist ein Verfahren zur Bewertung von Strukturfehlern auf einer Waferoberfläche bekannt, wobei Oberflächeninformationen mit einer Vielzahl von Einzelbildfeldern eines in Serie produzierten Wafers erfasst werden, die erfassten Informationen in einem Referenzinformationssatz gespeichert und als Referenzinformationen für die Inspektion weiterer Wafer derselben Serie bereitgestellt werden, und zeitlich nacheinander Einzelbildfelder der Oberfläche eines aktuell zu untersuchenden Wafers inspiziert werden, wobei jeweils dem aktuell zu inspizierenden Einzelbild entsprechende Referenzinformationen aus dem Referenzinformationssatz abgerufen werden, die Oberfläche jedes aktuell inspizierten Einzelbildes mit den entsprechenden Referenzinformationen verglichen wird, und wobei bei Feststellung einer oder mehrerer Abweichungen eine Klassifikation in kritische und unkritische Fehler im Hinblick auf die Funktionsfähigkeit der auf der entsprechenden Waferoberfläche ausgebildeten Halbleiterchips vorgenommen wird.From the publication EP 1 132 732 A2 a method for evaluating structural defects on a wafer surface is known, wherein surface information is recorded with a large number of individual image fields of a wafer produced in series, the recorded information is stored in a reference information set and is provided as reference information for the inspection of further wafers of the same series, and in succession Individual image fields of the surface of a wafer currently to be examined are inspected, with reference information corresponding to the individual image currently to be inspected being retrieved from the reference information set, the surface of each currently inspected individual image being compared with the corresponding reference information, and if one or more deviations are detected, a classification in critical and non-critical errors are made with regard to the functionality of the semiconductor chips formed on the corresponding wafer surface.

Der Erfindung liegt somit die Aufgabe zugrunde, ein Verfahren, mit welchen kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkannt werden können, bereitzustellen.The invention is therefore based on the object of providing a method with which critical defects on object surfaces, for example wafer surfaces, can be detected reliably and as accurately as possible.

Die Aufgabe wird gelöst durch ein Verfahren zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten gemäß den Merkmalen des Patentanspruchs 1.The task is solved by a method for training an algorithm for analyzing a distribution of defects present on a surface of an object according to the features of patent claim 1.

Die Aufgabe wird zudem auch gelöst durch ein Steuergerät zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten gemäß den Merkmalen des Patentanspruchs 8.The task is also solved by a control device for training an algorithm for analyzing a distribution of defects present on a surface of an object according to the features of patent claim 8.

Offenbarung der ErfindungDisclosure of the invention

Gemäß einer Ausführungsform der Erfindung wird diese Aufgabe gelöst durch ein Verfahren zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten, wobei ein erster Algorithmus des maschinellen Lernens zum Erkennen von Defekttypen in Bilddaten, welche die Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, trainiert wird, und ein zweiter Algorithmus des maschinellen Lernens trainiert wird, und wobei der zweite Algorithmus des maschinellen Lernens ausgebildet ist, für alle Pixel in den Bilddaten jeweils zu erkennen, ob das entsprechende Pixel zu einem von wenigstens einem wiederkehrenden Grundelement an Defekten gehört oder nicht.According to one embodiment of the invention, this object is achieved by a method for training an algorithm for analyzing a distribution of defects present on a surface of an object, wherein a first machine learning algorithm for recognizing defect types in image data which determine the distribution of defects on the surface of the object, is trained, and a second machine learning algorithm is trained, and wherein the second machine learning algorithm is designed to recognize for all pixels in the image data whether the corresponding pixel is one of at least one recurring Basic element belongs to defects or not.

Algorithmen des maschinellen Lernens basieren allgemein darauf, dass Verfahren der Statistik verwendet werden, um eine Datenverarbeitungsanlage derart zu trainieren, dass diese eine bestimmte Aufgabe ausführen kann, ohne dass diese ursprünglich explizit hierzu programmiert wurde. Das Ziel des maschinellen Lernens besteht dabei darin, Algorithmen zu konstruieren, die aus Daten lernen und Vorhersagen treffen können.Machine learning algorithms are generally based on Sta Statistics can be used to train a data processing system so that it can carry out a specific task without it having originally been explicitly programmed for this purpose. The goal of machine learning is to construct algorithms that can learn from data and make predictions.

Unter Defekttyp wird weiter eine bekannte und durch bestimmte Merkmale charakterisierte Art beziehungsweise Kategorie eines Defektes verstanden. A defect type is also understood to mean a known type or category of defect that is characterized by certain characteristics.

Unter wiederkehrenden Grundelementen an Defekten wird weiter ein fester, vordefinierter Satz an regelmäßig beziehungsweise wiederholt auftretenden Formen von Verteilungen von Defekten verstanden.Recurring basic elements of defects are also understood to mean a fixed, predefined set of regularly or repeatedly occurring forms of distribution of defects.

Unter Objekt wird hierbei ferner ein Gegenstand verstanden, wobei während der Fertigung des Gegenstandes Defekte auf einer Oberfläche des Gegenstandes eingebracht werden können, und insbesondere ein Gegenstand, auf dem weitere Elemente beziehungsweise Produkte ausgebildet sind, beziehungsweise der diese weiteren Elemente zusammenhält, beispielsweise ein Wafer mit mehreren auf diesem ausgebildeten Halbleiterchips.The term "object" here also means an object, wherein defects can be introduced on a surface of the object during the production of the object, and in particular an object on which further elements or products are formed, or which holds these further elements together, for example a wafer several semiconductor chips formed on this.

Unter Bilddaten werden zudem Daten verstanden, welche mit Hilfe eines speziellen Programmes als Bild beziehungsweise Grafik wiedergegeben werden können.Image data also refers to data that can be reproduced as an image or graphic using a special program.

Der erste Algorithmus des maschinellen Lernens wird dabei trainiert, um bestimmte Defektsignaturen auf der Oberfläche des Objektes zu erkennen, wobei der erste Algorithmus des maschinellen Lernens dabei mehrere Modelle aufweisen und entsprechend angepasst beziehungsweise neu trainiert werden kann, falls neue Defekttypen beziehungsweise Arten von Defekten gefunden werden. Somit kann bei Bedarf flexibel reagiert werden, beziehungsweise auf individuelle Besonderheiten von Objekten, auf einer Oberfläche von Objekten ausgebildeten Produkten oder Technologien eingegangen werden.The first machine learning algorithm is trained to recognize certain defect signatures on the surface of the object, whereby the first machine learning algorithm can have several models and can be adapted or retrained accordingly if new types of defects or types of defects are found . This makes it possible to react flexibly if necessary, or to address individual peculiarities of objects, products or technologies formed on the surface of objects.

Dass der zweite Algorithmus des maschinellen Lernens, welcher trainiert wird um zu erkennen, ob einzelne Defekte tatsächlich zu einer Defektsignatur gehören oder zufällige und unkorrelierte Defekte darstellen, ferner trainiert wird, wiederkehrende Grundelemente an Verteilungen beziehungsweise vorab definierte Verteilungsformen zu erkennen, hat den Vorteil, dass dieser nur einmal trainiert werden muss und anschließend für verschiedene Produkte und Technologien eingesetzt werden kann. Insbesondere muss der sehr zeitaufwendige und ressourcenintensive Prozess des Trainierens eines Modells zur Kategorisierung von erkannten Defekten unabhängig von der Art des entsprechenden Produktes beziehungsweise der entsprechenden Technologie nur einmal ausgeführt werden, wodurch weiter auch Computerressourcen eingespart werden können. Insbesondere lässt sich die Vielzahl von in der Praxis beobachteten Defektsignaturen für gewöhnlich durch einzelne oder die Überlagerung mehrerer weniger, beispielsweise drei wiederkehrender Grundelemente darstellen.The advantage that the second machine learning algorithm, which is trained to recognize whether individual defects actually belong to a defect signature or represent random and uncorrelated defects, is also trained to recognize recurring basic elements in distributions or predefined distribution forms, has the advantage that This only needs to be trained once and can then be used for various products and technologies. In particular, the very time-consuming and resource-intensive process of training a model to categorize detected defects only needs to be carried out once, regardless of the type of product or technology in question, which further saves computer resources. In particular, the large number of defect signatures observed in practice can usually be represented by individual or the superposition of several, for example three, recurring basic elements.

Insgesamt wird somit ein Verfahren, mit welchem kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkannt werden können, bereitgestellt.Overall, a method is thus provided with which critical defects on object surfaces, for example wafer surfaces, can be detected reliably and as precisely as possible.

Dabei kann das Verfahren zudem ein Entwickeln einer Verknüpfung zwischen dem ersten Algorithmus des maschinellen Lernens und dem zweiten Algorithmus des maschinellen Lernens aufweisen.The method can also include developing a link between the first machine learning algorithm and the second machine learning algorithm.

Unter Verknüpfung wird hierbei ein logischer Zusammenhang beziehungsweise eine logische Verbindung von durch den ersten Algorithmus des maschinellen Lernens gelieferten Ausgabedaten und durch den zweiten Algorithmus des maschinellen Lernens gelieferten Ausgabedaten beziehungsweise den entsprechenden Ergebnissen verstanden.Linking is understood to mean a logical connection or a logical connection between output data supplied by the first machine learning algorithm and output data or the corresponding results supplied by the second machine learning algorithm.

Dabei können die jeweiligen Ausgabedaten beziehungsweise Ergebnisse insbesondere zu Informationen zusammengefügt werden, welche angeben, welche Defekttypen auf der Oberfläche des Objektes gefunden wurden und welche Defekte jeweils zu den gefundenen Defekttypen gehören.The respective output data or results can in particular be combined to form information which indicates which types of defects were found on the surface of the object and which defects belong to the defect types found.

Bei dem ersten Algorithmus des maschinellen Lernens kann es sich weiter um einen Bildklassifizierungsalgorithmus und bei dem zweiten Algorithmus des maschinellen Lernens um eine semantische Segmentierung handeln.The first machine learning algorithm can also be an image classification algorithm and the second machine learning algorithm can be a semantic segmentation.

Unter Bildklassifizierungsalgorithmus wird dabei ein Algorithmus des maschinellen Lernens verstanden, welcher ausgebildet ist, Objekte in Bilddaten zu erkennen und die erkannten Objekte einer Klasse beziehungsweise Objektart zuzuordnen, das heißt die erkannten Objekte zu klassifizieren.An image classification algorithm is understood to mean a machine learning algorithm that is designed to recognize objects in image data and to assign the recognized objects to a class or object type, that is, to classify the recognized objects.

Unter semantischer Segmentierung wird weiter das Verständnis eines Bildes auf Pixel-Ebene verstanden, das heißt ein Algorithmus, welcher jedem Pixel eines Bildes eine Kennzeichnung oder Kategorie zuordnet.Semantic segmentation also refers to the understanding of an image at the pixel level, i.e. an algorithm that assigns a label or category to each pixel of an image.

Somit kann der Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes auf einfache Art und Weise basierend auf bekannten Algorithmen des maschinellen Lernens basiert werden. Der entsprechend trainierte Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes weist zudem eine vergleichsweise hohe Performanz auf und ist verglichen mit anderen vergleichbaren Algorithmen, beispielsweise Pattern Matching und Density Based Spatial Clustering, deutlich robuster.Thus, the algorithm for analyzing defects on a surface of an object can be easily based on known machine learning algorithms. The appropriately trained algorithm for Analyzing defects on the surface of an object also has a comparatively high performance and is significantly more robust compared to other comparable algorithms, such as pattern matching and density based spatial clustering.

In einer Ausführungsform handelt es sich bei dem wenigstens einen wiederkehrenden Grundelement an Defekten ferner um eine punktförmige Verteilung an Defekten und/oder eine großflächige Verteilung an Defekten und/oder eine lineare Verteilung an Defekten.In one embodiment, the at least one recurring basic element of defects is also a point-shaped distribution of defects and/or a large-area distribution of defects and/or a linear distribution of defects.

Unter einer punktförmigen Verteilung an Defekten wird dabei eine punktbeziehungsweise spotförmige Konzentration beziehungsweise Häufung an Defekten, beziehungsweise Defekte darstellenden Pixeln verstanden.A punctiform distribution of defects is understood to mean a punctiform or spot-shaped concentration or accumulation of defects or pixels representing defects.

Unter einer großflächigen Verteilung an Defekten beziehungsweise cloud-förmigen Verteilung an Defekten wird weiter eine großflächige Konzentration beziehungsweise Häufung an Defekten, beziehungsweise Defekte darstellenden Pixeln verstanden.A large-area distribution of defects or cloud-shaped distribution of defects is further understood to mean a large-area concentration or accumulation of defects or pixels representing defects.

Unter einer linearen Verteilung an Defekten wird zudem eine lineare beziehungsweise längliche Konzentration beziehungsweise Häufung an Defekten, beziehungsweise Defekte darstellenden Pixeln verstanden.A linear distribution of defects is also understood to mean a linear or elongated concentration or accumulation of defects or pixels representing defects.

Bei den wiederkehrenden Grundelementen kann es sich somit um sehr einfach zu trainierende Formen handeln.The recurring basic elements can therefore be forms that are very easy to train.

Dabei, dass es sich bei dem wenigstens einen wiederkehrenden Grundelement an Defekten ferner um eine punktförmige Verteilung an Defekten und/oder eine großflächige Verteilung an Defekten und/oder eine lineare Verteilung an Defekten handelt, handelt es sich jedoch nur um eine mögliche Ausführungsform. Vielmehr kann es sich bei dem wenigstens einen wiederkehrend Grundelement an Defekten zusätzlich oder alternativ auch um weitere regelmäßig auftretende Formen von Verteilungen von Defekten handeln.However, the fact that the at least one recurring basic element of defects is also a point-shaped distribution of defects and/or a large-area distribution of defects and/or a linear distribution of defects is only a possible embodiment. Rather, the at least one recurring basic element of defects can additionally or alternatively also be other regularly occurring forms of distribution of defects.

Mit einer weiteren Ausführungsform der Erfindung wird auch ein Verfahren zum Analysieren von Defekten auf einer Oberfläche eines Objektes angegeben, wobei das Verfahren ein Bereitstellen von Bilddaten, welche eine Verteilung von auf der Oberfläche des Objektes vorhandenen Defekte zeigen, und ein Analysieren der Bilddaten durch einen Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes, wobei der Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes durch ein obenstehend beschriebenes Verfahren zum Trainieren eines Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes trainiert wurde, aufweist.A further embodiment of the invention also provides a method for analyzing defects on a surface of an object, the method comprising providing image data showing a distribution of defects present on the surface of the object and analyzing the image data by an algorithm for analyzing defects on a surface of an object, the algorithm for analyzing defects on a surface of an object being trained by a method for training an algorithm for analyzing defects on a surface of an object described above.

Somit wird ein Verfahren zum Analysieren von Defekten auf einer Oberfläche eines Objektes angegeben, mit welchem kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkannt werden können. Der erste Algorithmus des maschinellen Lernens kann dabei mehrere Modelle aufweisen und entsprechend angepasst beziehungsweise neu trainiert werden, falls neue Defekttypen beziehungsweise Arten von Defekten gefunden werden. Somit kann bei Bedarf flexibel reagiert werden, beziehungsweise auf individuelle Besonderheiten von Objekten, auf einer Oberfläche von Objekten ausgebildeten Produkten oder Technologien eingegangen werden. Dass der zweite Algorithmus des maschinellen Lernens ferner trainiert ist, wiederkehrende Grundelemente an Verteilungen beziehungsweise vorab definierte Verteilungsformen zu erkennen, hat den Vorteil, dass dieser nur einmal trainiert werden muss und anschließend für verschiedene Produkte und Technologien eingesetzt werden kann. Insbesondere muss der sehr zeitaufwendige und ressourcenintensive Prozess des Trainierens eines Modells zur Kategorisierung von erkannten Defekten unabhängig von der Art des entsprechenden Produktes beziehungsweise der entsprechenden Technologie nur einmal ausgeführt werden, wodurch weiter auch Computerressourcen eingespart werden können.Thus, a method for analyzing defects on a surface of an object is specified, with which critical defects on object surfaces, for example wafer surfaces, can be detected reliably and as accurately as possible. The first machine learning algorithm can have several models and can be adapted or retrained accordingly if new types of defects or types of defects are found. This makes it possible to react flexibly if necessary, or to address individual peculiarities of objects, products or technologies formed on the surface of objects. The fact that the second machine learning algorithm is also trained to recognize recurring basic elements of distributions or predefined distribution forms has the advantage that it only needs to be trained once and can then be used for different products and technologies. In particular, the very time-consuming and resource-intensive process of training a model to categorize detected defects only needs to be carried out once, regardless of the type of product or technology in question, which further saves computer resources.

Dabei kann das Verfahren weiter auch ein Erzeugen der Bilddaten, welche die Verteilung von auf der Oberfläche des Objektes vorhandenen Defekte zeigen, aufweisen. Insbesondere können Gegebenheiten außerhalb der eigentlichen Datenverarbeitungsanlage, auf welcher die auf der Oberfläche des Objektes vorhandenen beziehungsweise ausgebildeten Defekte analysiert werden, berücksichtigt werden und in das Verfahren miteinfließen.The method can also include generating image data that shows the distribution of defects present on the surface of the object. In particular, circumstances outside the actual data processing system on which the defects present or formed on the surface of the object are analyzed can be taken into account and incorporated into the method.

Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein Verfahren zum Verwerfen von auf einer Oberfläche eines Objektes ausgebildeten Elementen angegeben, wobei das Verfahren ein Analysieren von Defekten auf der Oberfläche des Objektes durch ein obenstehend beschriebenes Verfahren zum Analysieren von Defekten auf einer Oberfläche eines Objektes, und ein Verwerfen von auf der Oberfläche des Objektes ausgebildeten Elementen basierend auf der Analyse von Defekten auf der Oberfläche des Objektes aufweist.A further embodiment of the invention also provides a method for rejecting elements formed on a surface of an object, the method comprising analyzing defects on the surface of the object by a method described above for analyzing defects on a surface of an object, and discarding elements formed on the surface of the object based on the analysis of defects on the surface of the object.

Somit wird ein Verfahren zum Verwerfen von auf einer Oberfläche eines Objektes ausgebildeten Elementen angegeben, welches auf einem verbesserten Verfahren zum Analysieren von Defekten auf einer Oberfläche eines Objektes, mit welchem kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkannt werden können, basiert.Thus, a method for discarding elements formed on a surface of an object is provided, based on an improved method for analyzing defects a surface of an object with which critical defects on object surfaces, for example wafer surfaces, can be detected reliably and as accurately as possible.

Mit einer weiteren Ausführungsform der Erfindung wird weiter auch ein Steuergerät zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten angegeben, wobei das Steuergerät eine erste Trainingseinheit, welche ausgebildet ist, einen ersten Algorithmus des maschinellen Lernens zum Erkennen von Defekttypen in Bilddaten, welche die Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, zu trainieren, und eine zweite Trainingseinheit, welche ausgebildet ist, einen zweiten Algorithmus des maschinellen Lernens zu trainieren, wobei der zweite Algorithmus des maschinellen Lernens ausgebildet ist, für alle Pixel in den Bilddaten jeweils zu erkennen, ob das entsprechende Pixel zu einem von wenigstens einem wiederkehrenden Grundelement an Defekten gehört oder nicht, aufweist.A further embodiment of the invention also specifies a control device for training an algorithm for analyzing a distribution of defects present on a surface of an object, wherein the control device has a first training unit which is designed to have a first machine learning algorithm for recognizing defect types in image data showing the distribution of defects present on the surface of the object, and a second training unit which is designed to train a second machine learning algorithm, the second machine learning algorithm being designed, for all pixels to recognize in the image data whether the corresponding pixel belongs to one of at least one recurring basic element of defects or not.

Somit wird ein Steuergerät zum Trainieren eines Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes angegeben, welcher ausgebildet ist, kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkennen zu können. Der erste Algorithmus des maschinellen Lernens kann dabei mehrere Modelle aufweisen und entsprechend angepasst beziehungsweise neu trainiert werden, falls neue Defekttypen beziehungsweise Arten von Defekten gefunden werden. Somit kann bei Bedarf flexibel reagiert werden, beziehungsweise auf individuelle Besonderheiten von Objekten, auf einer Oberfläche von Objekten ausgebildeten Produkten oder Technologien eingegangen werden. Dass der zweite Algorithmus des maschinellen Lernens ferner trainiert ist, wiederkehrende Grundelemente an Verteilungen beziehungsweise vorab definierte Verteilungsformen zu erkennen, hat den Vorteil, dass dieser nur einmal trainiert werden muss und anschließend für verschiedene Produkte und Technologien eingesetzt werden kann. Insbesondere muss der sehr zeitaufwendige und ressourcenintensive Prozess des Trainierens eines Modells zur Kategorisierung von erkannten Defekten unabhängig von der Art des entsprechenden Produktes beziehungsweise der entsprechenden Technologie nur einmal ausgeführt werden, wodurch weiter auch Computerressourcen eingespart werden können.A control device is thus specified for training an algorithm for analyzing defects on a surface of an object, which is designed to be able to detect critical defects on object surfaces, for example wafer surfaces, reliably and as accurately as possible. The first machine learning algorithm can have several models and can be adapted or retrained accordingly if new types of defects or types of defects are found. This makes it possible to react flexibly if necessary, or to address individual peculiarities of objects, products or technologies formed on the surface of objects. The fact that the second machine learning algorithm is also trained to recognize recurring basic elements of distributions or predefined distribution forms has the advantage that it only needs to be trained once and can then be used for different products and technologies. In particular, the very time-consuming and resource-intensive process of training a model to categorize detected defects only needs to be carried out once, regardless of the type of product or technology in question, which further saves computer resources.

Dabei kann das Steuergerät weiter eine Entwicklungseinheit, welche ausgebildet ist, eine Verknüpfung zwischen dem ersten Algorithmus des maschinellen Lernens und dem zweiten Algorithmus des maschinellen Lernens zu entwickeln, aufweisen. Die Entwicklungseinheit kann dabei insbesondere derart ausgebildet sein, die jeweiligen Ausgabedaten beziehungsweise Ergebnisse insbesondere zu Informationen zusammenzufügen, welche angeben, welche Defekttypen auf der Oberfläche des Objektes gefunden wurden und welche Defekte jeweils zu den gefundenen Defekttypen gehören.The control device can further have a development unit which is designed to develop a link between the first machine learning algorithm and the second machine learning algorithm. The development unit can in particular be designed in such a way that the respective output data or results are combined, in particular, into information which indicates which types of defects were found on the surface of the object and which defects belong to the types of defects found.

Bei dem ersten Algorithmus des maschinellen Lernens kann es sich weiter um einen Bildklassifizierungsalgorithmus und bei dem zweiten Algorithmus des maschinellen Lernens um eine semantische Segmentierung handeln. Somit kann der Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes auf einfache Art und Weise basierend auf bekannten Algorithmen des maschinellen Lernens basiert werden. Der entsprechend trainierte Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes weist zudem eine vergleichsweise hohe Performanz auf und ist verglichen mit anderen vergleichbaren Algorithmen, beispielsweise Pattern Matching und Density Based Spatial Clustering, deutlich robuster.The first machine learning algorithm can also be an image classification algorithm and the second machine learning algorithm can be a semantic segmentation. Thus, the algorithm for analyzing defects on a surface of an object can be easily based on known machine learning algorithms. The appropriately trained algorithm for analyzing defects on the surface of an object also has a comparatively high performance and is significantly more robust compared to other comparable algorithms, such as pattern matching and density based spatial clustering.

In einer Ausführungsform handelt es sich bei dem wenigstens einen wiederkehrenden Grundelement an Defekten ferner wiederum um eine punktförmige Verteilung an Defekten und/oder eine großflächige Verteilung an Defekten und/oder eine lineare Verteilung an Defekten. Bei dem wenigstens einen wiederkehrenden Grundelement kann es sich somit um sehr einfach zu trainierende Formen handeln.In one embodiment, the at least one recurring basic element of defects is again a point-shaped distribution of defects and/or a large-area distribution of defects and/or a linear distribution of defects. The at least one recurring basic element can therefore be forms that are very easy to train.

Dabei, dass es sich bei dem wenigstens einen wiederkehrenden Grundelement an Defekten ferner um eine punktförmige Verteilung an Defekten und/oder eine großflächige Verteilung an Defekten und/oder eine lineare Verteilung an Defekten handelt, handelt es sich jedoch nur um eine mögliche Ausführungsform. Vielmehr kann es sich bei dem wenigstens einen wiederkehrenden Grundelement an Defekten zusätzlich oder alternativ auch um weitere regelmäßig auftretende Formen von Defektsignaturen handeln.However, the fact that the at least one recurring basic element of defects is also a point-shaped distribution of defects and/or a large-area distribution of defects and/or a linear distribution of defects is only a possible embodiment. Rather, the at least one recurring basic element of defects can additionally or alternatively also be other regularly occurring forms of defect signatures.

Mit einer weiteren Ausführungsform der Erfindung wird zudem auch ein Steuergerät zum Analysieren von Defekten auf einer Oberfläche eines Objektes angegeben, wobei das Steuergerät eine Bereitstellungseinheit zum Bereitstellen von Bilddaten, welche eine Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, und eine Analysierungseinheit, welche ausgebildet ist, die Bilddaten durch einen Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes zu analysieren, wobei der Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes durch ein obenstehend beschriebenes Steuergerät zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten trainiert wurde, aufweist.A further embodiment of the invention also provides a control device for analyzing defects on a surface of an object, wherein the control device has a provision unit for providing image data which shows a distribution of defects present on the surface of the object, and an analysis unit which is designed to analyze the image data by an algorithm for analyzing defects on a surface of an object, the algorithm for analyzing defects on a surface of an object being carried out by a control device described above for training an algorithm for analyzing a distribution of on a surface The surface of an object has been trained to have defects present.

Somit wird ein Steuergerät zum Analysieren von Defekten auf einer Oberfläche eines Objektes angegeben, welches ausgebildet ist, kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkennen zu können. Der erste Algorithmus des maschinellen Lernens kann dabei mehrere Modelle aufweisen und entsprechend angepasst beziehungsweise neu trainiert werden, falls neue Defekttypen beziehungsweise Arten von Defekten gefunden werden. Somit kann bei Bedarf flexibel reagiert werden, beziehungsweise auf individuelle Besonderheiten von Objekten, auf einer Oberfläche von Objekten ausgebildeten Produkten oder Technologien eingegangen werden. Dass der zweite Algorithmus des maschinellen Lernens ferner trainiert ist, wiederkehrende Grundelemente an Verteilungen beziehungsweise vorab definierte Verteilungsformen zu erkennen, hat den Vorteil, dass dieser nur einmal trainiert werden muss und anschließend für verschiedene Produkte und Technologien eingesetzt werden kann. Insbesondere muss der sehr zeitaufwendige und ressourcenintensive Prozess des Trainierens eines Modells zur Kategorisierung von erkannten Defekten unabhängig von der Art des entsprechenden Produktes beziehungsweise der entsprechenden Technologie nur einmal ausgeführt werden, wodurch weiter auch Computerressourcen eingespart werden können.Thus, a control device for analyzing defects on a surface of an object is specified, which is designed to be able to detect critical defects on object surfaces, for example wafer surfaces, reliably and as accurately as possible. The first machine learning algorithm can have several models and can be adapted or retrained accordingly if new types of defects or types of defects are found. This makes it possible to react flexibly if necessary, or to address individual peculiarities of objects, products or technologies formed on the surface of objects. The fact that the second machine learning algorithm is also trained to recognize recurring basic elements of distributions or predefined distribution forms has the advantage that it only needs to be trained once and can then be used for different products and technologies. In particular, the very time-consuming and resource-intensive process of training a model to categorize detected defects only needs to be carried out once, regardless of the type of product or technology in question, which further saves computer resources.

Mit einer weiteren Ausführungsform der Erfindung wird ferner auch ein System zum Analysieren von Defekten auf einer Oberfläche eines Objektes angegeben, wobei das System einen Sensor zum Erzeugen von Bilddaten, welche eine Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, und ein obenstehend beschriebenes Steuergerät zum Analysieren von Defekten auf einer Oberfläche eines Objektes aufweist, und wobei das Steuergerät ausgebildet ist, Defekte auf der Oberfläche des Objektes basierend auf den durch den Sensor erzeugten Bilddaten zu analysieren.A further embodiment of the invention also provides a system for analyzing defects on a surface of an object, the system comprising a sensor for generating image data showing a distribution of defects present on the surface of the object, and a control device described above for analyzing defects on a surface of an object, and wherein the control device is designed to analyze defects on the surface of the object based on the image data generated by the sensor.

Insbesondere ist das System somit derart ausgebildet, dass Gegebenheiten außerhalb der eigentlichen Datenverarbeitungsanlage, auf welcher die auf der Oberfläche des Objektes vorhandenen beziehungsweise ausgebildeten Defekte analysiert werden, berücksichtigt werden und in die Analyse der Defekte miteinfließen können.In particular, the system is designed in such a way that circumstances outside the actual data processing system on which the defects present or formed on the surface of the object are analyzed are taken into account and can be incorporated into the analysis of the defects.

Mit einer weiteren Ausführungsform der Erfindung wird außerdem auch ein System zum Verwerfen von auf einer Oberfläche eines Objektes ausgebildeten Elementen angegeben, wobei das System ein obenstehend beschriebenes Steuergerät zum Analysieren von Defekten auf einer Oberfläche eines Objektes und eine Verwerfungseinheit, welche ausgebildet ist, auf der Oberfläche des Objektes ausgebildete Elemente basierend auf der Analyse von Defekten auf der Oberfläche des Objektes durch das Steuergerät zu verwerfen.A further embodiment of the invention also provides a system for rejecting elements formed on a surface of an object, the system comprising a control device described above for analyzing defects on a surface of an object and a reject unit which is formed on the surface to discard elements formed on the object based on the analysis of defects on the surface of the object by the control unit.

Somit wird ein System zum Verwerfen von auf einer Oberfläche eines Objektes ausgebildeten Elementen angegeben, welches auf einem verbesserten Verfahren zum Analysieren von Defekten auf einer Oberfläche eines Objektes, mit welchem kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkannt werden können, basiert.Thus, a system for rejecting elements formed on a surface of an object is specified, which is based on an improved method for analyzing defects on a surface of an object, with which critical defects on object surfaces, for example wafer surfaces, can be detected reliably and as accurately as possible.

Zusammenfassend ist festzustellen, dass mit der vorliegenden Erfindung ein Verfahren zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten und insbesondere ein
ein verbessertes Verfahren zum Trainieren eines Algorithmus zum Analysieren von Defektverteilungen auf einer Oberfläche eines Wafers, wobei auf der Oberfläche des Wafers mehrere Halbleiterchips ausgebildet sein können, angegeben wird.
angegeben wird.In summary, the present invention provides a method for training an algorithm for analyzing a distribution of defects present on a surface of an object and in particular a
an improved method for training an algorithm for analyzing defect distributions on a surface of a wafer, wherein a plurality of semiconductor chips can be formed on the surface of the wafer.
is specified.

Die beschriebenen Ausgestaltungen und Weiterbildungen lassen sich beliebig miteinander kombinieren.The configurations and further developments described can be combined with one another as desired.

Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmalen der Erfindung.Further possible refinements, further developments and implementations of the invention also include combinations of features of the invention described previously or below with regard to the exemplary embodiments that are not explicitly mentioned.

Kurze Beschreibung der ZeichnungenBrief description of the drawings

Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung.The accompanying drawings are intended to provide further understanding of embodiments of the invention. They illustrate embodiments and, in connection with the description, serve to explain principles and concepts of the invention.

Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die dargestellten Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.Other embodiments and many of the advantages mentioned arise with regard to the drawings. The illustrated elements of the drawings are not necessarily shown to scale to one another.

Es zeigen:

1. zeigt ein Flussdiagramm eines Verfahrens zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten gemäß Ausführungsformen der Erfindung;
2. zeigt ein Flussdiagramm eines Verfahrens zum Analysieren von Defekten auf einer Oberfläche eines Objektes gemäß Ausführungsformen der Erfindung;
3a-c illustrieren Beispiele für wiederkehrende Grundelemente an Defekten;
4. zeigt ein schematisches Blockschaltbild eines Systems zum Analysieren von Defekten auf einer Oberfläche eines Objektes gemäß Ausführungsformen der Erfindung.

Show it:

1 . shows a flowchart of a method for training an algorithm for analyzing a distribution of defects present on a surface of an object according to embodiments of the invention;
2 . shows a flowchart of a method for analyzing defects on a surface of an object according to embodiments of the invention;
3a-c illustrate examples of recurring basic elements at defects;
4 . shows a schematic block diagram of a system for analyzing defects on a surface of an object according to embodiments of the invention.

In den Figuren der Zeichnungen bezeichnen gleiche Bezugszeichen gleiche oder funktionsgleiche Elemente, Bauteile oder Komponenten, soweit nichts Gegenteiliges angegeben ist.In the figures of the drawings, the same reference numerals designate the same or functionally identical elements, parts or components, unless otherwise stated.

1 zeigt ein Flussdiagramm eines Verfahrens zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten 1 gemäß Ausführungsformen der Erfindung. 1 shows a flowchart of a method for training an algorithm for analyzing a distribution of defects 1 present on a surface of an object according to embodiments of the invention.

Beispielsweise in der Halbleiterfertigung werden im Rahmen der Qualitätssicherung nach einer Vielzahl von Fertigungsschritten Bilder der Oberfläche eines entsprechenden Wafers aufgenommen, beziehungsweise die Oberfläche des Wafers zeigende Bilddaten erzeugt, welche anschließend mit fehlerfreien Referenzbildern beziehungsweise Vergleichsbilddaten verglichen werden.For example, in semiconductor manufacturing, as part of quality assurance, images of the surface of a corresponding wafer are taken after a large number of manufacturing steps, or image data showing the surface of the wafer is generated, which are then compared with error-free reference images or comparison image data.

Bestimmte Typen beziehungsweise Arten von Defekten führen dabei dazu, dass die entsprechenden Chips auf dem Wafer, welche von dem Defekt betroffen sind, verschrottet werden müssen. Als nachteilig erweist sich hierbei jedoch, dass auf fast allen Wafern auch unproblematische, insbesondere zufällig verteilte Defekte zu finden sind, welche beispielsweise durch Staub verursacht sein können. Zudem sollen im Falle einer erkannten, kritischen Defektsignatur nur die Halbleiterchips verschrottet werden, welche tatsächlich auch zu der entsprechenden Defektsignatur gehören, um unnötige Kosten zu vermeiden. Werden beispielsweise zu viele, von dem entsprechenden Defekt nicht betroffene Halbleiterchips verschrottet, resultiert dies in zusätzlichen Kosten in Form von Ausbeuteverlusten. Weitere Ausbeuteverluste können ferner entstehen, wenn kritische Defekttypen erst spät erkannt werden, beispielsweise falls die Defekttypen durch die entsprechende Fertigungsanlage selber verursacht werden.Certain types or types of defects mean that the corresponding chips on the wafer that are affected by the defect have to be scrapped. However, the disadvantage here is that unproblematic, particularly randomly distributed defects can be found on almost all wafers, which can be caused by dust, for example. In addition, in the event of a critical defect signature being detected, only those semiconductor chips that actually belong to the corresponding defect signature should be scrapped in order to avoid unnecessary costs. For example, if too many semiconductor chips that are not affected by the defect are scrapped, this results in additional costs in the form of loss of yield. Further yield losses can also arise if critical defect types are only recognized late, for example if the defect types are caused by the corresponding production system itself.

Folglich ist es im Rahmen der Qualitätssicherung bei der Halbleiterfertigung wichtig zu wissen, welches Fehlerbild ein Wafer aufweist, beziehungsweise welche Defekttypen auftreten, und welche der auf einer Oberfläche des entsprechenden Wafers erkannten Defekte tatsächlich auch zu dem entsprechenden Defekttyp gehören.Consequently, as part of quality assurance in semiconductor production, it is important to know which defect pattern a wafer has, or which types of defects occur, and which of the defects detected on a surface of the corresponding wafer actually belong to the corresponding defect type.

1 zeigt dabei ein Verfahren zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten 1, wobei in einem Schritt 2 ein erster Algorithmus des maschinellen Lernens zum Erkennen von Defekttypen in Bilddaten, welche die Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, trainiert wird, und in einem Schritt 3 ein zweiter Algorithmus des maschinellen Lernens trainiert wird, und wobei der zweite Algorithmus des maschinellen Lernens ausgebildet ist, für alle Pixel in den Bilddaten jeweils zu erkennen, ob das entsprechende Pixel zu einem von wenigstens einem wiederkehrenden Grundelement an Defekten gehört oder nicht. 1 shows a method for training an algorithm for analyzing a distribution of defects 1 present on a surface of an object, wherein in a step 2 a first machine learning algorithm for recognizing defect types in image data, which determine the distribution of defects present on the surface of the object Show defects, is trained, and in a step 3 a second machine learning algorithm is trained, and wherein the second machine learning algorithm is designed to recognize for all pixels in the image data whether the corresponding pixel is one of at least one recurring basic element belongs to defects or not.

Insbesondere wird dabei ein erster Algorithmus des maschinellen Lernens trainiert, welcher ausgebildet ist, zu erkennen, ob ein oder mehrere bekannte Typen beziehungsweise Arten von Defekten vorliegen, sowie ein zweiter Algorithmus des maschinellen Lernens trainiert, welcher ausgebildet ist, Signale beziehungsweise Defekte von Rauschen zu trennen und zu erkennen, welche Bereiche auf der Oberfläche des Objektes tatsächlich von dem entsprechenden Defekttyp betroffen sind.In particular, a first machine learning algorithm is trained, which is designed to recognize whether one or more known types or types of defects are present, and a second machine learning algorithm is trained, which is designed to separate signals or defects from noise and to recognize which areas on the surface of the object are actually affected by the corresponding type of defect.

Der erste Algorithmus des maschinellen Lernens kann dabei mehrere Modelle aufweisen und entsprechend angepasst beziehungsweise neu trainiert werden, falls neue Defekttypen gefunden werden. Somit kann bei Bedarf flexibel reagiert werden, beziehungsweise auf individuelle Besonderheiten von Objekten, auf einer Oberfläche von Objekten ausgebildeten Produkten oder Technologien eingegangen werden.The first machine learning algorithm can have several models and be adapted or retrained accordingly if new types of defects are found. This makes it possible to react flexibly if necessary, or to address individual peculiarities of objects, products or technologies formed on the surface of objects.

Dass der zweite Algorithmus des maschinellen Lernens ferner trainiert wird, wiederkehrende Grundelemente an Verteilungen beziehungsweise vorab definierte Verteilungsformen zu erkennen, hat den Vorteil, dass dieser nur einmal trainiert werden muss und anschließend für verschiedene Produkte und Technologien eingesetzt werden kann. Insbesondere muss der sehr zeitaufwendige und ressourcenintensive Prozess des Trainierens eines Modells zur Kategorisierung von erkannten Defekten unabhängig von der Art des entsprechenden Produktes beziehungsweise der entsprechenden Technologie nur einmal ausgeführt werden, wodurch weiter auch Computerressourcen eingespart werden können.The fact that the second machine learning algorithm is also trained to recognize recurring basic elements of distributions or predefined distribution forms has the advantage that it only needs to be trained once and can then be used for different products and technologies. In particular, the very time-consuming and resource-intensive process of training a model to categorize detected defects only needs to be carried out once, regardless of the type of product or technology in question, which further saves computer resources.

Insgesamt wird somit ein Verfahren, mit welchem kritische Defekte auf Objektoberflächen, beispielsweise Waferoberflächen zuverlässig und möglichst genau erkannt werden können, bereitgestellt.Overall, a method is thus provided with which critical defects on object surfaces, for example wafer surfaces, can be detected reliably and as accurately as possible.

Gemäß den Ausführungsformen der 1 handelt es sich bei den Objekten dabei um Wafer, auf welchen Halbleiterchips ausgebildet sind. Der erste und der zweite Algorithmus des maschinellen Lernens können dabei jeweils durch Deep Learning Verfahren beziehungsweise tiefergehendes Lernen basierend auf entsprechenden gelabelten beziehungsweise gekennzeichneten Vergleichsbilddaten trainiert worden sein, wobei die Vergleichsbilddaten bestimmte Defekttypen beziehungsweise bestimmte wiederkehrende Grundelemente beziehungsweise regelmäßig auftretende Verteilungsformen von Defekten repräsentieren.According to the embodiments of 1 The objects are wafers on which semiconductor chips are formed. The first and second machine learning algorithms can each have been trained using deep learning methods or more in-depth learning based on corresponding labeled or marked comparison image data, whereby the comparison image data represent certain types of defects or certain recurring basic elements or regularly occurring distribution forms of defects.

Wie 1 weiter zeigt, weist das Verfahren 1 zudem einen Schritt 4 eines Entwickelns einer Verknüpfung zwischen dem ersten Algorithmus des maschinellen Lernens und dem zweiten Algorithmus des maschinellen Lernens auf.How 1 further shows, the method 1 also has a step 4 of developing a link between the first machine learning algorithm and the second machine learning algorithm.

Beispielsweise kann dabei festgelegt werden, welche wiederkehrenden Grundelemente einzelne Defekttypen für gewöhnlich aufweisen. Zudem kann den Zuordnungen zwischen Defekttypen und wiederkehrenden Grundelementen ein Code zugeordnet werden, wobei der Code das Programm definiert, welches durch nachfolgende Komponenten beziehungsweise Einheiten der entsprechenden Fertigungsanlage, beispielsweise einer Verwerfungseinheit, ausgeführt werden soll.For example, it can be determined which recurring basic elements individual defect types usually have. In addition, a code can be assigned to the associations between defect types and recurring basic elements, the code defining the program that is to be executed by subsequent components or units of the corresponding manufacturing system, for example a rejection unit.

Die Verknüpfungen beziehungsweise Zuordnungen oder Kombinationen können dabei ferner beispielsweise in Form einer Look-up Tabelle gespeichert werden.The links or assignments or combinations can also be saved, for example, in the form of a look-up table.

Gemäß den Ausführungsformen der 1 handelt es sich bei dem ersten Algorithmus des maschinellen Lernens ferner um einen Bildklassifizierungsalgorithmus und bei dem zweiten Algorithmus des maschinellen Lernens um eine semantische Segmentierung.According to the embodiments of 1 The first machine learning algorithm is also an image classification algorithm and the second machine learning algorithm is a semantic segmentation.

Das Trainieren des ersten Algorithmus des maschinellen Lernens beziehungsweise des Bildklassifizierungsalgorithmus weist dabei, gemäß den Ausführungsformen der 1, ein Trainieren von wenigstens zwei auf neuronalen Netzen basierenden Modellen auf, wobei für jeden Defekttyp ein Modell trainiert wird, und wobei die trainierten Modelle anschließend über eine Ensemble-Voting Technik zusammengeführt werden.The training of the first algorithm of machine learning or the image classification algorithm has, according to the embodiments of 1 , training at least two models based on neural networks, with one model being trained for each defect type, and with the trained models then being merged using an ensemble voting technique.

Der zweite Algorithmus des maschinellen Lernens kann ferner auf einem semantischen Netz basieren, welches wiederkehrende Grundelemente beziehungsweise regelmäßig auftretende Formen der Verteilung von Defekten lernt.The second machine learning algorithm can also be based on a semantic network, which learns recurring basic elements or regularly occurring forms of the distribution of defects.

Gemäß den Ausführungsformen der 1 handelt es sich bei dem wenigstens einen wiederkehrenden Grundelement an Defekten wiederum um eine punktförmige Verteilung an Defekten und/oder eine großflächige Verteilung an Defekten und/oder eine lineare Verteilung an Defekten.According to the embodiments of 1 The at least one recurring basic element of defects is in turn a point-shaped distribution of defects and/or a large-area distribution of defects and/or a linear distribution of defects.

2 zeigt ein Flussdiagramm eines Verfahrens zum Analysieren von Defekten auf einer Oberfläche eines Objektes 10 gemäß Ausführungsformen der Erfindung. 2 shows a flowchart of a method for analyzing defects on a surface of an object 10 according to embodiments of the invention.

Wie 2 zeigt, weist das Verfahren 10 dabei einen Schritt 11 eines Bereitstellens von Bilddaten, welche eine Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, und einen Schritt 12 eines Analysierens der Bilddaten durch einen Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes, wobei der Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes durch ein obenstehend beschriebenes Verfahren zum Trainieren eines Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes trainiert wurde, auf.How 2 shows, the method 10 has a step 11 of providing image data which shows a distribution of defects present on the surface of the object, and a step 12 of analyzing the image data by an algorithm for analyzing defects on a surface of an object, where the algorithm for analyzing defects on a surface of an object was trained by a method for training an algorithm for analyzing defects on a surface of an object described above.

Gemäß den Ausführungsformen der 2 handelt es sich bei den Objekten wiederum um Wafer, welche darauf ausgebildete Halbleiterchips aufweisen.According to the embodiments of 2 The objects are in turn wafers which have semiconductor chips formed on them.

Gemäß den Ausführungsformen der 2 weist das Verfahren zudem einen Schritt 13 eines Aufnehmens eines Bildes der Oberfläche eines Wafers beziehungsweise eines Erzeugens von entsprechenden Bilddaten im Rahmen derAccording to the embodiments of 2 the method also has a step 13 of taking an image of the surface of a wafer or generating corresponding image data within the scope of

Qualitätssicherung bei der Halbleiterfertigung und einen Schritt 14 eines Vergleichens der erzeugten Bilddaten mit fehlerfreien Referenzbildern bezüglich der Oberfläche von Wafern auf, wobei die Schritte 11 und 12 anschließend nur ausgeführt werden, falls in dem Schritt 14 detektiert wird, das auf der Oberfläche des entsprechenden Wafers Fehler beziehungsweise Defekte zu finden sind. Wird in dem Schritt 14 hingegen detektiert, dass auf der Oberfläche des entsprechenden Wafers keine Fehler beziehungsweise Defekte zu finden sind, fährt das Verfahren 10 mit dem nächsten Wafer fort, wobei wiederum die zunächst die Schritte 13 und 14 ausgeführt werden.Quality assurance in semiconductor production and a step 14 of comparing the generated image data with error-free reference images regarding the surface of wafers, with steps 11 and 12 then only being carried out if it is detected in step 14 that there are errors on the surface of the corresponding wafer or defects can be found. If, however, it is detected in step 14 that no errors or defects can be found on the surface of the corresponding wafer, the method 10 continues with the next wafer, with steps 13 and 14 again being carried out first.

Bei den in Schritt 11 bereitgestellten Bilddaten handelt es sich dabei ferner um eine sogenannte Wafermap, das heißt Bilddaten beziehungsweise ein Bild, welches die Oberfläche des Wafers darstellt und in welchem schwarze Punkte jeweils einen Defekt darstellen, während alle anderen Bildpunkte weiß sind.The image data provided in step 11 is also a so-called wafer map, that is, image data or an image that represents the surface of the wafer and in which black dots each represent a defect, while all other image dots are white.

Dabei wird die Wafermap in dem Schritt 12, gemäß den Ausführungsformen der 2, zunächst in einem Schritt 15 durch den ersten Algorithmus des maschinellen Lernens analysiert, um zu detektieren, ob eine bestimmte Art von Defekt beziehungsweise ein bestimmter Defekttyp vorliegt. Zudem wird die Wafermap in einem Schritt 16 durch den zweiten Algorithmus des maschinellen Lernens analysiert, ob vorab definierte, wiederkehrende Grundelemente beziehungsweise regelmäßig auftretende Formen der Verteilung von Defekten vorliegen. In einem folgenden Schritt 17 werden anschließend die in den Schritten 15 und 16 gewonnen Ergebnisse beziehungsweise Erkenntnisse und entsprechende Koordinaten miteinander verknüpft.The wafer map is created in step 12, according to the embodiments of 2 , first analyzed in a step 15 by the first machine learning algorithm in order to detect whether a specific type of defect or a specific type of defect is present. In addition, in a step 16, the wafer map is analyzed by the second machine learning algorithm to determine whether there are predefined, recurring basic elements or regularly occurring forms of distribution of defects. In a subsequent step 17, the results or findings obtained in steps 15 and 16 and the corresponding coordinates are linked together.

Basierend auf dieser Verknüpfung beziehungsweise den Ergebnissen des Verfahrens 10 kann anschließend beispielsweise eine Verwerfungseinheit, welche ausgebildet ist, auf einem Wafer ausgebildete Halbleiterchips, welche einen bestimmten Defekt aufweisen, zu verwerfen beziehungsweise zu verschrotten, gesteuert werden.Based on this link or the results of the method 10, for example, a rejection unit which is designed to reject or scrap semiconductor chips formed on a wafer and which have a specific defect can then be controlled.

3a - c illustrieren Beispiele wiederkehrender Grundelemente an Defekten. 3a - c illustrate examples of recurring basic elements at defects.

Insbesondere zeigt 3a eine lineare Verteilung an Defekten 21. Wie 3a zeigt, handelt es sich bei der linearen Verteilung an Defekten 21 um eine lineare beziehungsweise längliche Konzentration beziehungsweise Häufung an Defekten, beziehungsweise Defekte darstellenden Pixeln.In particular shows 3a a linear distribution of defects 21. How 3a shows, the linear distribution of defects 21 is a linear or elongated concentration or accumulation of defects or pixels representing defects.

3b zeigt zudem eine punktförmige Verteilung an Defekten 22. Wie 3b zeigt, handelt es sich bei einer punktförmigen Verteilung an Defekten 22 um eine punkt- beziehungsweise spotförmige Konzentration beziehungsweise Häufung an Defekten, beziehungsweise Defekte darstellenden Pixeln. 3b also shows a point-like distribution of defects 22. How 3b shows, a punctiform distribution of defects 22 is a punctiform or spot-shaped concentration or accumulation of defects or pixels representing defects.

3c zeigt weiter eine großförmige Verteilung an Defekten 23. Wie 3c zeigt, handelt es sich bei einer großflächigen Verteilung an Defekten 23 beziehungsweise cloud-förmigen Verteilung an Defekten um eine großflächige Konzentration beziehungsweise Häufung an Defekten, beziehungsweise Defekte darstellenden Pixeln. 3c further shows a large distribution of defects 23. How 3c shows, a large-area distribution of defects 23 or cloud-shaped distribution of defects is a large-area concentration or accumulation of defects or pixels representing defects.

4 zeigt ein schematisches Blockschaltbild eines Systems zum Analysieren von Defekten auf einer Oberfläche eines Objektes 30 gemäß Ausführungsformen der Erfindung. 4 shows a schematic block diagram of a system for analyzing defects on a surface of an object 30 according to embodiments of the invention.

Wie 4 zeigt, weist das System 30 dabei einen Sensor 31 zum Erzeugen von Bilddaten, welche eine Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, sowie ein Steuergerät zum Analysieren von Defekten auf einer Oberfläche eines Objektes 32 auf, wobei das Steuergerät 32 ausgebildet ist, Defekte auf der Oberfläche des Objektes basierend auf den durch den Sensor erzeugten Bilddaten zu analysieren. Zu erkennen ist weiter ein Steuergerät zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten 33.How 4 shows, the system 30 has a sensor 31 for generating image data which shows a distribution of defects present on the surface of the object, as well as a control device for analyzing defects on a surface of an object 32, the control device 32 being designed Analyze defects on the surface of the object based on the image data generated by the sensor. Also visible is a control device for training an algorithm for analyzing a distribution of defects 33 present on a surface of an object.

Wie 4 weiter zeigt, weist das Steuergerät zum Trainieren eines Algorithmus zum Analysieren einer Verteilung von auf einer Oberfläche eines Objektes vorhandenen Defekten 33 dabei eine erste Trainingseinheit 34, welche ausgebildet ist, einen ersten Algorithmus des maschinellen Lernens zum Erkennen von Defekttypen in Bilddaten, welche eine Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, zu trainieren, und eine zweite Trainingseinheit 35, welche ausgebildet ist, einen zweiten Algorithmus des maschinellen Lernens zu trainieren, wobei der zweite Algorithmus des maschinellen Lernens ausgebildet ist, für alle Pixel in den Bilddaten jeweils zu erkennen, ob das entsprechende Pixel zu einem von wenigstens einem wiederkehrenden Grundelement an Defekten gehört oder nicht, auf.How 4 further shows, the control device for training an algorithm for analyzing a distribution of defects 33 present on a surface of an object has a first training unit 34, which is designed to have a first machine learning algorithm for recognizing defect types in image data, which have a distribution of show defects present on the surface of the object, and a second training unit 35, which is designed to train a second machine learning algorithm, the second machine learning algorithm being designed to recognize all pixels in the image data whether the corresponding pixel belongs to one of at least one recurring basic element of defects or not.

Die erste Trainingseinheit und die zweite Trainingseinheit können dabei jeweils beispielsweise basierend auf einem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The first training unit and the second training unit can each be implemented, for example, based on a code stored in a memory and executable by a processor.

Gemäß den Ausführungsformen der 4 weist das Steuergerät 33 zudem eine Entwicklungseinheit 36, welche ausgebildet ist, eine Verknüpfung zwischen dem ersten Algorithmus des maschinellen Lernens und dem zweiten Algorithmus des maschinellen Lernens zu entwickeln, auf.According to the embodiments of 4 the control device 33 also has a development unit 36, which is designed to develop a link between the first machine learning algorithm and the second machine learning algorithm.

Die Entwicklungseinheit kann dabei wiederum beispielsweise basierend auf einem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The development unit can in turn be implemented, for example, based on code stored in a memory and executable by a processor.

Bei dem ersten Algorithmus des maschinellen Lernens handelt es sich dabei zudem wiederum um einen Bildklassifizierungsalgorithmus und bei dem zweiten Algorithmus des maschinellen Lernens um eine semantische Segmentierung.The first machine learning algorithm is also an image classification algorithm and the second machine learning algorithm is a semantic segmentation.

Bei dem wenigstens einen wiederkehrenden Grundelement an Defekten handelt es sich ferner wiederum um eine punktförmige Verteilung an Defekten und/oder eine großflächige Verteilung an Defekten und/oder eine lineare Verteilung an Defekten.The at least one recurring basic element of defects is again a point-shaped distribution of defects and/or a large-area distribution of defects and/or a linear distribution of defects.

Wie 4 weiter zeigt, weist das Steuergerät zum Analysieren von Defekten auf einer Oberfläche eines Objektes 32 weiter eine Bereitstellungseinheit 37 zum Bereitstellen von Bilddaten, welche eine Verteilung von auf der Oberfläche des Objektes vorhandenen Defekten zeigen, und eine Analysierungseinheit 38, welche ausgebildet ist, die Bilddaten durch einen Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes zu analysieren, wobei der Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes durch das Steuergerät zum Trainieren eines Algorithmus zum Analysieren von Defekten auf einer Oberfläche eines Objektes 33 trainiert wurde, auf.How 4 further shows, the control device for analyzing defects on a surface of an object 32 also has a provision unit 37 for providing image data showing a distribution of defects present on the surface of the object, and an analysis unit 38 which is designed to analyze the image data by an algorithm for analyzing defects on a surface of an object, the algorithm for analyzing of defects on a surface of an object was trained by the control device for training an algorithm for analyzing defects on a surface of an object 33.

Bei der Bereitstellungseinheit 37 handelt es sich dabei insbesondere um einen Empfänger, welcher ausgebildet ist, durch den Sensor 31 erzeugte Bilddaten zu empfangen. Die Analysierungseinheit kann ferner wiederum beispielsweise basierend auf einem in einem Speicher hinterlegten und durch einen Prozessor ausführbaren Code realisiert werden.The provision unit 37 is in particular a receiver which is designed to receive image data generated by the sensor 31. The analysis unit can also be implemented, for example, based on code stored in a memory and executable by a processor.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

EP 1132732 A2 [0005]

Claims

Method for training an algorithm for analyzing a distribution of defects present on a surface of an object, the method (1) having the following steps: - Training a first machine learning algorithm for recognizing defect types in image data showing the distribution of defects present on the surface of the object (2); and - Training a second machine learning algorithm, wherein the second machine learning algorithm is designed to recognize for all pixels in the image data whether the corresponding pixel belongs to one of at least one recurring basic element of defects or not (3).

Procedure according to Claim 1 , wherein the method (1) further comprises the following step: - developing a link between the first machine learning algorithm and the second machine learning algorithm (4).

Procedure according to Claim 1 or 2 , where the first machine learning algorithm is an image classification algorithm and the second machine learning algorithm is semantic segmentation.

Method according to claim one of Claims 1 until 3 , wherein the at least one recurring basic element of defects is a punctiform distribution of defects (32) and/or a large-area distribution of defects (33) and/or a linear distribution of defects (31).

Method for analyzing defects on a surface of an object, the method (10) having the following steps: - providing image data which shows a distribution of defects present on the surface of the object (11); and - analyzing the image data by an algorithm for analyzing defects on a surface of an object, the algorithm for analyzing defects on a surface of an object by a method for training an algorithm for analyzing a distribution of defects present on a surface of an object one of the Claims 1 until 4 was trained (12).

Procedure according to Claim 5 , the method further comprising the following step: - generating the image data which shows the distribution of defects present on the surface of the object (13).

A method for discarding elements formed on a surface of an object, the method comprising the following steps: - analyzing defects on the surface of the object by a method for analyzing defects on a surface of an object Claim 5 or 6 ; and - discarding elements formed on the surface of the object based on the analysis of defects on the surface of the object.

Control device for training an algorithm for analyzing a distribution of defects present on a surface of an object, wherein the control device (33) of a first training unit (34), which is designed, a first machine learning algorithm for recognizing types of defects in image data, which distribution of defects present on the surface of the object, and a second training unit (35), which is designed to train a second machine learning algorithm, the second machine learning algorithm being designed, for all pixels in the Image data to recognize whether the corresponding pixel belongs to one of at least one recurring basic element of defects or not.

control unit Claim 8 , wherein the control device (33) further has a development unit (36), which is designed to develop a link between the first machine learning algorithm and the second machine learning algorithm.

control unit Claim 8 or 9 , where the first machine learning algorithm is an image classification algorithm and the second machine learning algorithm is semantic segmentation.

Control device according to claim one of the Claims 8 until 10 , wherein the at least one recurring basic element of defects is a punctiform distribution of defects (32) and/or a large-area distribution of defects (33) and/or a linear distribution of defects (34).

Control device for analyzing defects on a surface of an object, wherein the control device (32) has a provision unit (37) for providing image data which shows a distribution of defects present on the surface of the object, and an analysis unit (38), which is formed to analyze the image data by an algorithm for analyzing defects on a surface of an object, wherein the algorithm for analyzing defects on a surface of an object by a control device for training an algorithm for analyzing a distribution of defects present on a surface of an object according to one of Claims 8 until 11 has been trained.

System for analyzing defects on a surface of an object, the system (30) comprising a sensor (31) for generating image data showing a distribution of defects present on the surface of the object, and a control device for analyzing defects on a surface of an object (32). Claim 12 and wherein the control device (32) is designed to analyze defects on the surface of the object based on the image data generated by the sensor (31).

System for rejecting elements formed on a surface of an object, the system comprising a control device for analyzing defects on a surface of an object Claim 12 and a rejection unit configured to reject elements formed on the surface of the object based on the analysis of defects on the surface of the object by the controller.