电子系统及鉴定方法与流程

1.本技术案主张2020年12月7日申请的美国正式申请案第17/113,510号 的优先权及益处，该美国正式申请案的内容以全文引用的方式并入本文中。
2.本公开关于一种电子系统及鉴定方法。特别是有关于一种具有缺陷识别 功能的电子系统，以及一光阻图案的鉴定方法，而该光阻图案的制作技术使 用一微影制程。


背景技术：

3.在集成电路的制造中，具有各式不同的半导体元件的电子电路，使用许 多半导体制造流程而形成在一基底上。微影(lithography)为一光阻图案用于 图案化形成在该基底上的所述半导体元件的一或多个特征，且微影被认为是 在集成电路制造中最重要的制程之一。
4.图1例示一光阻图案形成在一基底上的方法10的流程示意图，以及图 2a到图2d例示该光阻图案形成在该基底上的各中间阶段的剖视示意图。请 参考图2a，依据图1中的步骤s12，提供基底102，以及一光敏材料104涂 敷在基底102上。基底102可为一裸晶圆(bare wafer)，包含一半导体或非半 导体材料。或者是，基底102可包括一或多层，其可形成在一裸晶圆上。举 例来说，这些层可包含一介电材料以及一导电材料，但并不以此为限，其中 该材料的相互影响(interplay)改变一微电子或微机械元件的电子特性 (electrical characteristics)。
5.光敏材料104为一液态材料，其可以一旋涂制程(spin-coating)或一喷涂 (spray-coating)制程而涂敷在基底102上。然后，使用一软烘烤(soft-baking) 制程以烘干液态光敏材料104。软烘烤制程可从光敏材料104移除一溶剂 (solvent)并硬化光敏材料104，而该溶剂例如聚甲基丙烯酸甲酯 (polymethylmethacrylate，pmma)。
6.接着，提供一光罩(reticle)110在接近基底102处。光罩110为一二元光 罩，包括一透明层112以及一或多个不透明层114，而一或多个不透明层114 具有一特定几何图案，该特定几何图案设置在该透明层112上，举例来说， 透明层112包含玻璃或石英(quartz)。
7.请参考图2b，依据图1中的步骤s14，执行一曝光(exposure)制程以经 由光罩110使光敏材料104的至少一界定区暴露在一光化辐射(actinicradiation)120中。光化辐射120被导向光罩110，以便能够将光敏材料104 曝光到对应于所预期形成的该一或多个特征的该几何图案。通常，光化辐射 120被该几何图案(由所述不透明层114所组成)所阻挡，但却穿经未被所述 不透明层114所覆盖的至少一透明区，以图案化光敏材料104，以使在光罩 120上的该几何图案的一复制图案出现在光敏材料104中。光化辐射可为可 见光、紫外线辐射或是深紫外线辐射。或者是，光化辐射可为用于制造高深 宽比及高解析度的多个微结构的x光，或是用于改变光敏材料104的特性的 粒子光束，例如电子束或离子数。在执行曝光制程之后，光敏材料104由至 少一曝光部1042以及至少一未曝光部1044所组成。
8.请参考图2c及图2d，依据图1中的步骤s16，执行一显影制程 (developing process)以使用显影溶液(developer solution)选择地移除光敏材料 104的所述界定区。
因此，光阻图案106形成在已被处理的基底102上。在 图2c中，光敏材料104为正型(positive tone)材料，以使如图2b所示的光敏 材料104的曝光部1042被该显影溶剂所移除。或者是，如图2d所示，当光 敏材料104为负型(negative-tone)材料时，光阻图案106的制作技术可包含使 用一显影溶剂移除如图2b所示的光敏材料104的未曝光区1044。
9.光阻图案106在接下来的多个制造程序期间，保护在光阻图案106的下 方且位在基底102上的所述区域的一对应图案，而所述制造程序例如沉积、 蚀刻或离子植入制程。意即，微影制程界定在基底102上的图案，其将被沉 积、蚀刻或其他修改，以形成微电子或微机械元件。
10.然而，当所述集成电路的尺寸缩减，且当在微影制程之后，从光罩110 转换到光阻图案106的几何图案变得更复杂时，在光阻图案106中的多个缺 陷逐渐变得重要，因为在接下来的所述制造程序期间，在光阻图案106中的 所述缺陷可产生其他缺陷(例如短路或开路)。据此，需要发展出一种系统及 方法来确定光阻图案106是否按照所设计来制造。
11.上文的「先前技术」说明仅提供背景技术，并未承认上文的「先前技术」 说明揭示本公开的标的，不构成本公开的先前技术，且上文的「先前技术」 的任何说明均不应作为本案的任一部分。


技术实现要素：

12.本公开的一实施例提供一种样品鉴定的电子系统。该电子系统包括一检 测设备以及一处理器，该处理器与该检测设备相关联。该检测设备获取该样 品的一影像，而一光阻图案使用一微影制程而形成在该样品上。该处理器经 配置以自动应用经由一或多个神经网络所实施的机器学习程序，以识别存在 于该光阻图案中的至少一个缺陷。
13.在一些实施例中，该处理器可操作以使用一聚集演算法(clusteringalgorithm)识别具有一变色问题(discoloration issue)的该样品。
14.在一些实施例中，该处理器可操作以实施一卷积神经网络(convolutionalneural network)，以识别在该样品上的该缺陷。
15.在一些实施例中，该处理器经配置以使用一例项分割演算法(instancesegmentation algorithm)识别在该样品上的该缺陷。
16.在一些实施例中，用于执行影像分割(image segmentation)的该卷积神经 网络为一遮罩区域卷积神经网络(mask r-cnn)。
17.在一些实施例中，该处理器可操作以使用一匹配演算法(matchingalgorithm)及/或一边缘检测演算法(edge detection algorithm)识别在该样品上 的该缺陷。
18.在一些实施例中，该电子系统还包括一数据库，连接到该检测设备与该 处理器，其中由该检测设备所提供的所述影像传输到该数据库到并存储在该 数据库中，以及该处理器存取该数据库以接收用于确定的所述影像。
19.在一些实施例中，该电子系统还包括一传输媒体，其中该检测设备、该 处理器以及该数据库通过该传输媒体而连接。
20.在一些实施例中，该电子系统还包括一载台(stage)、一照明器(illuminator) 以及一检测器；该载台用于运送该样品，该照明器经配置以调节用于照亮该 样品的光线，以及该检测器经配置以截取该样品的该影像。
21.本公开的另一实施例提供一种鉴定方法，应用于鉴定至少一批号的多个 样品。该鉴定方法包括：检测该多个样品以产生所述样品的多个影像；执行 一自动鉴定以依据所述影像确定所述样品是否为多个缺陷样品；以及执行一 人工鉴定以确定至少一不良的(failed)样品是否来自所述缺陷样品。
22.在一些实施例中，该鉴定方法还包括一步骤，该步骤通知在至少一操作 员界面上有所述缺陷样品的各现场技术人员。
23.在一些实施例中，该鉴定方法还包括下列步骤：在该自动鉴定之后，确 定完成鉴定的所述样品是否需要进行取样；以及在一些完成鉴定的所述样品 上执行该人工鉴定。
24.在一些实施例中，该自动鉴定通过一聚集演算法所执行，而该聚集演算 法将多个无缺陷样品的各影像分组在一起，并与所述缺陷样品的各影像分 开。
25.在一些实施例中，该自动鉴定通过用于执行影像分割的一卷积神经网络 所执行，以识别在该获取影像中的一缺陷样品。
26.在一些实施例中，该自动鉴定通过一匹配演算法所执行，该匹配演算法 将该样品的该影像与多个规格进行比较。
27.在一些实施例中，该自动鉴定通过一边缘检测演算法所执行，该边缘检 测演算法显示对比影像强度的多个区域之间的各边界。
28.由于上述电子系统的架构，利用机器视觉(machine vision)以及自动鉴定 以发觉缺陷的光阻图案，进而不仅提供一准确及一致的分类能力，而且执行 分析，借此改善生产效率(production efficiency)并增加利润。
29.上文已相当广泛地概述本公开的技术特征及优点，而使下文的本公开详 细描述得以获得较佳了解。构成本公开的权利要求标的的其它技术特征及优 点将描述于下文。本公开所属技术领域中具有通常知识者应了解，可相当容 易地利用下文揭示的概念与特定实施例可作为修改或设计其它结构或制程 而实现与本公开相同的目的。本公开所属技术领域中具有通常知识者亦应了 解，这类等效建构无法脱离后附的权利要求所界定的本公开的精神和范围。
附图说明
30.参阅实施方式与权利要求合并考量图式时，可得以更全面了解本技术案 的揭示内容，图式中相同的元件符号指相同的元件。
31.图1例示本公开一些实施例的一光阻图案形成在一基底上的方法的流程 示意图。
32.图2a到图2d例示本公开一些实施例的该光阻图案形成在该基底上的 各中间阶段的剖视示意图。
33.图3例示本公开一些实施例的具有缺陷鉴定功能的一电子系统的示意 图。
34.图4例示本公开一些实施例的处理一基底的方法的流程示意图。
35.图5及图6例示本公开一些实施例的多个检测设备的示意图。
36.图7例示本公开一些实施例的一检测设备的功能方框示意图。
37.图8例示本公开一些实施例的一操作员界面的显示示意图。
38.图9例示本公开一些实施例检测一样品的方法的流程示意图，而一光阻 图案形成在该样品上。
39.其中，附图标记说明如下：
40.10：方法
41.102：基底
42.104：光敏材料
43.1042：曝光部
44.1044：未曝光部
45.106：光阻图案
46.110：光罩
47.112：透明层
48.114：不透明层
49.120：光化辐射
50.20：电子系统
51.200：样品
52.202：基底
53.204：光阻图案
54.30：检测设备
55.310：载台
56.311：表面
57.320：检测器
58.330：照明器
59.340：镜片
60.350：控制器
61.40：处理器
62.50：数据库
63.60：传输媒体
64.62：制造执行系统
65.70：样品鉴定方法
66.p：流程
67.p1：第一制造流程
68.p2：第二制造流程
69.s12：步骤
70.s14：步骤
71.s16：步骤
72.s702：步骤
73.s704：步骤
74.s706：步骤
75.s708：步骤
76.s710：步骤
77.s712：步骤
78.s714：步骤
79.s716：步骤
具体实施方式
80.现在使用特定语言描述附图中所示的本公开的实施例或例子。应当理 解，本公开的范围无意由此受到限制。所描述的实施例的任何修改或改良， 以及本文件中描述的原理的任何进一步应用，所属技术领域中具有通常知识 者都认为是通常会发生的。元件编号可以在整个实施例中重复，但这并不一 定意味着一个实施例的特征适用于另一实施例，即使它们共享相同的元件编 号。
81.应当理解，虽然用语「第一(first)」、「第二(second)」、「第三(third)」 等可用于本文中以描述不同的元件、部件、区域、层及/或部分，但是这些元 件、部件、区域、层及/或部分不应受这些用语所限制。这些用语仅用于从另 一元件、部件、区域、层或部分中区分一个元件、部件、区域、层或部分。 因此，以下所讨论的「第一装置(first element)」、「部件(component)」、「区 域(region)」、「层(layer)」或「部分(section)」可以被称为第二装置、部件、 区域、层或部分，而不背离本文所教示。
82.本文中使用的术语仅是为了实现描述特定实施例的目的，而非意欲限制 本发明。如本文中所使用，单数形式「一(a)」、「一(an)」，及「该(the)」 意欲亦包括复数形式，除非上下文中另作明确指示。将进一步理解，当术语 「包括(comprises)」及/或「包括(comprising)」用于本说明书中时，所述术语 规定所陈述的特征、整数、步骤、操作、元件，及/或组件的存在，但不排除 存在或增添一或更多个其他特征、整数、步骤、操作、元件、组件，及/或上 述各者的群组。
83.图3例示本公开一些实施例的具有缺陷鉴定功能的一电子系统的示意 图。电子系统20经配置以检测在一检测行列中的多个样品200(在一批号)。 请参考图3，电子系统20包括一检测设备30以及一处理器40，处理器40 与检测设备30相关联且用于鉴定。在一些实施例中，检测设备30检测多个 样品200，且在检测每一样品200之后产生一或多个检测结果。处理器40经 配置以执行多个程序指令，所述程序指令实施一或多个电脑实现方法，所述 电脑实施方法包括依据所述检测结果识别在样品200上的多个缺陷。处理器 40还可经配置以依据所述检测结果描绘在样品200上的所述缺陷的特征。
84.由检测设备30所提供的所述检测结果可预先传输到至少一数据库50并 存储在至少一数据库50中，以及处理器40经配置以存取数据库50，进而获 取所述检测结果，而所述检测结果确定一或多个缺陷是否存在样品200上。 检测设备30、处理器40以及数据库50可通过传输媒体60而连接，而传输 媒体60例如电线(wires)、缆线(cables)、无线传输路径及/或一网络。或者是， 若是处理器40具有足够的处理能力来分析检测设备30所提供的所述检测结 果的话，则检测设备30可经由一固线式(hardwired)连接或一无线连接将所述 检查结果再即时输入进处理器40中。处理器40可属于一个人电脑(pc)，该 个人电脑包括一存储器，该存储器存储给处理器40所执行的多个指令或是 给处理器40操作的数据；若是该存储器具有足够的存储能力以存储至少一 批号的所述样品200的所述检测结果的话，则所述检测结果可存储在属于该 个人电脑的该存储器中。在一些实施例中，在执行所述指令期间，处理器40 可实施额外的操作、功能以及电子系统20的控制。在其他的实施例中，该 个
人电脑还可包括一中央处理单元(cpu)，控制以及协调该个人电脑的所述 操作。
85.在样品200上执行一第一制造流程后以及在样品200上执行一第二制造 流程之后，电子系统20执行一流程p，而流程p包括在样品200上的检测及 鉴定。请参考图3及图4，举例来说，该第一制造流程p1为一微影制程，主 要由多层的光敏材料的涂布、曝光以及显影所组成，以及将在一光罩(reticle) 上的一图案到转换到配置在一基底202上的一光敏材料，借此形成一光阻图 案204，以暴露基底202的至少一部分。第二制造流程p2可为一沉积制程、 一蚀刻制程或一离子植入制程，该沉积制程包括沉积一介电质或一导体在基 底202经由光阻图案204而暴露的该部分，该蚀刻制程包括移除基底202未 被光阻图案204所保护的该部分，该离子植入制程包括引入多个掺杂物在基 底202未被光阻图案204所覆盖的该部分中。意即，由本公开的电子系统20 所实施的检测流程为一显影后检查(after development inspection，adi)流程。 该adi流程以及接续在该adi流程之后的该鉴定流程允许工程师截取相关 缺陷(defects of interest，doi)，所述相关缺陷出现在基底202处理之前的光 敏材料104中，以使样品200可通过移除缺陷的光阻图案204以及重作微影 制程进行重工，以形成一无缺陷光阻图案204在基底202上。
86.举例来说，通常，缺陷的光阻图案204可由存在光阻图案204中或是贴 合到光阻图案204的表面处的灰尘所造成(意即粒子问题)，或是由在无尘室 (clean room)中的多个漂浮的(floating)化学物质(species)导致光阻图案204的 劣化(deterioration)所造成(意即变色问题)，或是由光阻图案204的涂布失败 (包括不佳的涂布与飞溅(splash))所造成，或是由曝光失败(意即散焦 (defocusing)问题)所造成。如图3所示，电子系统20应用来实施每一样品200 的一图案轮廓的至少一非侵入式(non-invasive)检测，并执行自动样品鉴定。 在一些实施例中，电子系统20的检测设备30执行至少一光学检测，以获取 样品200的一或多个影像，其包括光阻图案204，以及处理器40识别由检测 设备30所获取的所述影像中的任何缺陷的光阻图案204。意即，由检测设备 30所截取的样品的影像可用于发觉在样品200上的多个缺陷的存在。
87.图5及图6例示本公开一些实施例的多个检测设备的示意图。图7例示 本公开一些实施例的一检测设备的功能方框示意图。请参考图5及图6，经 配置以获取样品200的所述影像的检测设备30，具有一载台310以及至少一 检测器(detector)320，在检测期间，样品200设置在载台310上，而检测器 320检测从样品200反射(或由样品200转向)的光线。检测器320可包括数 字化及计算电路，该数字化及计算电路经配置以产生输出，该输出响应从样 品200所反射的光线。在一些实施例中，所述检测器320可包括互补式金属 氧化物半导体(complementary metal oxide silicon，cmos))影像感测器(imagesensors)。
88.在图5中，当检测器320具有大致覆盖整个样品200的视场(由虚线表示) 时，检测器320可在一次发射时间(shot time)截取整个样本200的影像。在如 此的设备中，载台310为一固定载台，并可有效地减少该影像获取时间。在 一些实施例中，检测器320具有一光轴，该光轴相对于用于定位样品200的 载台310的一表面311倾斜一预定角度。在图6中，检测器320在一次发射 时间期间截取样品200的一限制区的该影像，以使载台310可被一机械组件 (mechanical assembly)312所驱动，以在检测期间使样品200相对检测设备30 移动。机械组件312可控制载台310的移动，以响应由如图7所示的一控制 器350所提供的所述指令。
品200的流量以及载台310的马达速度，但并不以此为限)(如图8所示)、检 测设备状态、警示状况或是电子系统20被监控的其他如此的指标(metrics)。
94.处理器40可在所述检测结果上执行聚集(clustering)，以便辨识在该批号 中具有变色问题的所述样品200。在一些实施例中，样品鉴定可通过一聚集 演算法(clustering algorithm)所实现，该聚集演算法将所述无缺陷的样品200 的所述影像分组在一起，并从所述缺陷的样品200的所述影像中分离出来， 以便识别或辨识由检测设备30所获取的所述影像中的所述缺陷。在一些实 施例中，聚集使用k平均演算法(k-means algorithm)。
95.处理器40可收集从合格的(qualified)或无缺陷的所述样品200(以下简称 「样品」)所获取的所述影像，以及该聚集演算法可从所述样品的所述影像萃 取(extract)出一可辨别的特征(discernable feature)，例如主要颜色(dominantcolor)，并在等待进行鉴定的该批号中的所述样品200的鉴定之前，从所述样 品所萃取出的所述主要颜色界定出一中心颜色(centroid color)。在一些实施例 中，举例来说，所述主要颜色与该中心颜色可由rgb三原色在数学上进行 定义。举例来说，由检测设备30所获取的所述样品的所述影像可存储到数 据库50中，以及在萃取所述主要颜色以及界定该中心颜色之前，处理器40 可存取数据库50以收集所述样品的所述影像。在一些实施例中，在等待进 行鉴定的该批号中的所述样品200的鉴定之前，所述样品的所述主要颜色以 及从所述样品的所述主要颜色所得到的该中心颜色可存储到数据库50中。
96.在样品200的鉴定期间，用于执行该剧及演算法的处理器40可处理被 鉴定的样品200的影像(以下简称「候选影像」)，其由检测设备30所提供或 者是从数据库50所获取，以萃取该候选影像的一主要颜色，且然后，确定 从该候选影像所得到的该主要颜色与从所述样品所得到的该中心颜色的一 相互关(correlation)。如果从该候选影像所得到的该主要颜色与该中心颜色之 间没有明显的相关性的话，则该候选影像被认为是一缺陷的样品。聚集的目 标是从原始数据中为多个使用者提供有意义的见解，以使他们能有效地解决 所遇到的问题。为了快速且简易地确定从该候选影像所得到的该主要颜色与 该中心颜色之间的相互关系，处理器40可以定位表示从该候选影像中所萃 取的主要颜色的数值，并且通过一组数字坐标在一平面中唯一地表示从所述 样品所得到的中心颜色的数值。代表从所述样品中所萃取的该主要颜色的数 值也可被处理器40唯一地定位在该平面中。通常，在该平面中，在代表从 所述样品所萃取的所述主要颜色的所述数值与代表该中心颜色的所述数值 间的距离，应该是非常类似。因此，若是在代表该中心颜色的所述数值与从 该候选影像所萃取的该主要颜色的所述数值之间的所述距离显著不同的话， 则该候选影像确定为一缺陷的样品。举例来说，相较于代表中心颜色的所述 数值与从所述样品萃取的所述主要颜色的所述数值之间的所述距离，若是在 代表该中心颜色的所述数值与代表从所述候选影像所萃取的该主要颜色的 所述数值之间的距离非常大的话，则该候选影像确定为具有变色问题。意即， 在所述自动聚集流程中，定义出一距离函数，以及通过依据该距离函数以确 定其与所述自动定义的聚集的关系，将该候选影像的该可辨别特征分类到各 式不同的聚集中。
97.通常，照明器330可随着使用而降低流明(lumen depreciation)，并随着时 间的推移产生更少的光的输出，以及在发生降低流明期间，合格的候选影像 可被认为是具有变色问题的缺陷的样品。为了避免误判(misjudgment)，处理 器40可收集从在不同照明情况
下的所述样品所获取的所述影像，以及该聚 集演算法可分组一起使用相同照明情况所获取的所述影像，并定义从其可辨 别特征萃取的所述已经分组的影像的一中心颜色，而该可辨别特征例如主要 颜色。在等待进行鉴定的该批号中的所述样品200的鉴定之前，在不同照明 情况下的所述样品的所述主要颜色以及不同以经分组的影像的所述中心颜 色可存储到数据库50中。
98.在鉴定样品200期间，处理器40可处理该候选影像的影像，以获得其 一主要颜色，且然后确定该候选影像的该主要颜色与在不同照明情况下从所 述样品获得的所述中心颜色的所述相互关。如果从该候选影像所得到的该主 要颜色与所述样品的每一中心颜色之间没有明显的相关性的话，则该候选影 像被认为是一缺陷的样品。
99.此外，该样品鉴定可通过一例项分割演算法(instance segmentationalgorithm)所实现，以识别使用该例项分割的该批号中的每一样品200的该影 像中的一或多个缺陷的存在。用于所述缺陷的样品200的辨识的该例项分割 演算法可使用一卷积神经网络(convolutional neural network，cnn)模型，其 使用已经分类的所述样品进行训练。在该样品鉴定之前，该卷积神经网络模 型通过提供给处理器50的所述已经分类的影像所训练。所述已经分类的影 像可预先存储到数据库50中。
100.处理器40可实施用于所述缺陷的样品200的卷积神经网络。在一些实 施例中，处理器40可针对该样品鉴定执行具有一域卷积神经网络(maskregion convolutional neural network，mask r-cnn)的例项分割。具有maskr-cnn的该例项分割演算法可产生多个像素级别的遮罩(pixel-wise masks)给 在检测的一影像中的每一物体，以使该前景物体(foreground object)可轻易地 从该背景(background)所分割。在一些实施例中，训练经配置以使用maskr-cnn而实施该样品鉴定的处理器40，以识别将其安装在其中作为背景的 基底202，同时光阻图案204可被标记为前景，且产生用于辨识所述物体的 多个遮罩，而所述物体对应存在光阻图案204中的所述缺陷。一旦处理器40 被训练，其可经配置以接收已经被辨识出的样品200的所述影像，所述影像 已被检测设备20所获得。使用mask r-cnn的处理器40可定位在该影像中 的每一物体，并构建一像素级别的遮罩以从该影像中分割出每一物体，借此 达到样品鉴定的功能(function)。
101.电子系统20亦可利用用于样品鉴定的电脑视觉演算法(computer visionalgorithms)，例如opencv(开放源电脑视觉程序库，open source computervision library)。在一些实施例中，在opencv中的一边缘检测演算法(edgedetection algorithm)可用于边缘检测。该边缘检测演算法可通过突显该最主要 的不连续性来检测对比影像强度的所述区域之间的各边界，借此确定一或多 个缺陷是否存在样品200上。此外，在opencv中的匹配演算法(matchingalgorithm)分析存在样品200上的一或多个缺陷。在一些实施例中，该匹配演 算法可通过将样品200的影像与已经识别的(即「候选」)影像与从合格的或 无缺陷的样品200(即「样品」)获取的影像进行比较来检测所述缺陷。若是 该候选的影像正确地匹配该样品的影像的话，则该候选影像确定为一合格样 品；若是该候选的影像并未匹配该样品的影像的话，则该候选影像确定为一 缺陷样品。
102.图9例示本公开一些实施例用于识别所述缺陷样品的一样品鉴定方法70 的流程示意图。用于所述样品的鉴定的该方法可通过如图3所示的电子系统 20所执行。请参考图9，所述样品的该鉴定在一第一制造流程之后以及一第 二制造流程之前所执行，该第一制
造流程形成一光阻图案在一基底上，该第 二制造流程为蚀刻、沉积或是植入，其中在该第二制造流程期间，该基底使 用该光阻图案当作一遮罩而进行处理。该样品鉴定方法70包括一步骤s702： 执行一检测以获取在该批号中的每一样品的至少一影像；一步骤s704：依据 该获取去的影像以确定该样品是否为缺陷的；一步骤s706：若是该样品唯一 缺陷样品的话，则通知现场技术人员；一步骤s708：收集所述缺陷样品；一 步骤s710：确定合格的样品是否需要取样；一步骤s712：确定是否已经收 集所述缺陷样品以及已经取样的所述合格的样品是否不良(failed)；一步骤 s714：收集所述不良样品；以及一步骤s716：收集所述合格的样品。然后， 所述合格的样品传输到一基底处理工具以执行该第二制造流程。
103.下列描述依据本公开的一些实施例的该方法70的一例示处理流程。
104.请参考图3及图9，在步骤s702中，使用如图3所示的检测设备30执 行一检测，以获取在该批号中每一样品200的一或多个影像。接着，在步骤 s704中执行一自动鉴定，以依据由检测设备30所获得的所述影像确定该样 品是否为缺陷的。该自动鉴定由与检测设备30相关联的处理器40所实施。 处理器40可执行一聚集演算法、一例项分割演算法、一边缘检测演算法及/ 或一匹配演算法，以分析一或多个缺陷是否存在样品200上。
105.如图8所示(步骤s706)，在自动鉴定之后，显示在一操作员界面上的一 通知警示任何缺陷样品的现场技术人员，以及所述缺陷样品收集在一第一卡 匣(cassette)中(步骤s708)。此外，其确定所述合格的样品在该自动鉴定之后 是否需要进行取样(步骤s710)。若是所述合格的样品不需要进行取样的话， 则所有合格的样品收集(步骤s716)在一第二卡匣中，然后传输到一基底处理 工具以执行该第二制造流程；然而，若是所述合格的样品需要进行取样的话， 则所述合格的样品的一些部分(例如所述合格的样品的50％)收集在该第二卡 匣中，以及在步骤s712中执行一人工鉴定，以确定并未收集在该第二卡匣 中的其他合格的样品是否为不良样品。在步骤s712中，执行该人工鉴定以 确定在步骤s708中收集在该第一卡匣中的所述缺陷样品是否也为不良。所 述操作员可通过所述影像而从缺陷样品与所述合格的样品识别所述不良样 品，所述影像对应该缺陷样品与该合格的样品，并由检测设备30所获取。
106.在步骤s712之后，所述不良样品收集在一第三卡匣中(步骤s714)，同 时所述缺陷样品与通过人工鉴定的所述合格的样品收集在该第二卡匣中(步 骤s716)。该自动鉴定可识别缺陷样品200，即使其具有小缺陷(minor defect)， 该小缺陷并未影响在该第二制造流程之后的该处理过的基底的效能；因此， 该人工鉴定可从重复微影制程而过滤所述缺陷样品，也因此降低制造成本。
107.总而言之，由于电子系统20的架构，所以机器视觉利用于检测缺陷的 光阻图案204，以不仅提供一精确且一致的分类能力，而且执行分析，借此 改善生产效率以及增加利润。
108.本公开的一实施例提供一种用于样品鉴定的电子系统。该电子系统包括 一检测设备以及一处理器，该处理器与该检测设备相关联。该检测设备获取 该样品的一影像，而一光阻图案使用一微影制程而形成在该样品上。该处理 器经配置以自动应用经由一或多个神经网络所实施的机器学习程序，以识别 存在于该光阻图案中的至少一个缺陷。
109.本公开的另一实施例提供一种对至少一批号的多个样品进行鉴定的方 法。该鉴定方法包括检测该多个样品以产生所述样品的多个影像；执行一自 动鉴定以依据所述影
像确定所述样品是否为多个缺陷样品；以及执行一人工 鉴定以确定至少一不良的(failed)样品是否来自所述缺陷样品。
110.虽然已详述本公开及其优点，然而应理解可进行各种变化、取代与替代 而不脱离权利要求所定义的本公开的精神与范围。例如，可用不同的方法实 施上述的许多制程，并且以其他制程或其组合替代上述的许多制程。
111.再者，本技术案的范围并不受限于说明书中所述的制程、机械、制造、 物质组成物、手段、方法与步骤的特定实施例。该技艺的技术人士可自本公 开的揭示内容理解可根据本公开而使用与本文所述的对应实施例具有相同 功能或是达到实质上相同结果的现存或是未来发展的制程、机械、制造、物 质组成物、手段、方法、或步骤。据此，此等制程、机械、制造、物质组成 物、手段、方法、或步骤包含于本技术案的权利要求内。