专利名称：一种缺陷再检测的方法
技术领域：
本发明提供一种缺陷再检测(defect review)方法，特别是指一种依据缺陷类型以不同的比例来进行缺陷再检测的方法。
背景技术：
在各半导体制造过程中，往往会因为一些无法避免的原因而生成细小的微粒或缺陷，而随着各半导体制造中元件尺寸的不断缩小与电路集成度的不断提高，这些极微小的缺陷或微粒对集成电路质量的影响也日趋严重，因此为维持产质量量的稳定，通常在进行各各半导体制造过程的同时，亦须针对所生产的半导体元件进行缺陷检测，以根据检测的结果来分析造成这些缺陷的根本原因，之后才能进一步经由过程参数的调整来避免或减少缺陷的产生，以达到提升各半导体制造过程合格率以及可靠度的目的。
请参考图1，图1为公知技术中一缺陷检测方法10的示意图。如图1所示，首先进行取样12，选定一半导体晶片为样本来进行后续缺陷检测与分析工作，接着进行一缺陷检测步骤14，一般而言，大多利用适当的缺陷检测机台以大范围扫描的方式，来检测所述半导体晶片上的所有缺陷，由于一半导体晶片上的缺陷个数多半相当大，因此在实务上不可能一一以人工的方式进行扫描式电子显微镜(SEM)再检测，因此，为了方便起见，多半会先进行一人工缺陷分类16，由所检测到的所有缺陷中，抽样取出一些较具有代表性的缺陷类型，再让工程师以人工的方式对所选出的样本来进行缺陷再检测(defectreview)18，以进一步对所述缺陷进行缺陷原因分析(defect root causeanalysis)20，企找出抑制或减少这些缺陷的方法。
在公知技术中，所遭遇到最大的问题就是往往在缺陷检测14中会发现大量的缺陷个数，例如可能一两千个，但工程师往往也只能从中以抽样的方式挑选出一部份的缺陷作为样本，例如100个，来进行缺陷再检测18以及后续缺陷分析工作。一般而言，这些样本的选取几乎是完全靠工程师的个人经验判断，换句话说，除了一些资深工程师能根据经验以找出一些较具代表性的缺陷类型来进行检测分析外，大多数人也仅能从中随机选取一些缺陷作为缺陷再检测18的样本，然而在所有的缺陷当中，大多数的缺陷多半为与当时制造过程无关的下层缺陷(underlayer defect)或一些不影响合格率的非破坏性缺陷(non-killer defect)，真正对合格率有较大影响的破坏性缺陷(killer defect)往往数量较少。一般而言，工程师大多是以随机抽样的方式来对来进行缺陷再检测18，在这种状况下，所进行缺陷再检测18的样本中，往往只有少数几个是属于有效的样本，这降造成时间与人力的耗费，连带影响后续缺陷分析的准确度。
在公知技术中，若希望提高缺陷分析的准确度，仅能经由大幅增加缺陷再检测18中的样本数量来增加其中破坏性缺陷的可能观测数量，换句话说，这不但需耗费大量的人力，更会大幅增加缺陷再检测18的观测时间，导致测试时间的大幅延长或是在量产时对产量造成严重的影响。
随着各半导体制造过程的进步，晶圆的直径以由过去的8英寸迈向12英寸，线宽大小亦由过去的0.18微米进入0.13微米甚至0.1微米，在这从测试到量产的过程中，缺陷的发生机率往往相当的高，换句话说，缺陷的检测与分析也将日渐重要，因此，我们迫切需要一种快速而有效率的缺陷检测方法，以解决上述问题。
发明内容
本发明的主要目的在于提供一种高效率的缺陷再检测方法，以解决上述问题。
本发明的最佳实施例公开一种缺陷再检测方法，首先提供一晶片，所述晶片上具有多个缺陷，并进行一缺陷检测，以检测出所述缺陷，并根据一预设的数据库对所述缺陷进行一自动缺陷分类，在将下层缺陷过滤掉后，再进一步将剩下的新增缺陷分为多种缺陷类型，最后进行一缺陷再检测，其中所述缺陷再检测依据各缺陷类型对制造过程合格率的影响程度，以不同的比率来进行抽样检测，以提升缺陷再检测的效率。
由于本发明的缺陷再检测方法利用一预设的数据库来进行自动缺陷分类，因此可有效区隔破坏性缺陷、非破坏性缺陷以及下层缺陷，进而针对破坏性缺陷以一较高的比率进行抽样检测，故能以一较短的时间完成较准确的缺陷检测与分析工作，达到提升产品合格率与可靠度的目的。
图1为一公知的缺陷再检测流程示意图。
图2为本发明的缺陷再检测流程示意图。
图3为一缺陷分类示意图。
附图符号说明10 缺陷再检测流程12 取样14 缺陷检测 16 人工缺陷分类18 缺陷再检测20 缺陷原因分析110 缺陷再检测流程112取样114 缺陷检测 116自动缺陷分类118 缺陷再检测120数据库更新122 下层缺陷 124新增缺陷126 缺陷类型A 128缺陷类型B130 缺陷原因分析 132缺陷类型C134 破坏性缺陷136非破坏性缺陷具体实施方式
请参考图2，图2为本发明中一缺陷再检测流程110的示意图。如图2所示，首先，选定一预定的各半导体制造过程作为缺陷检测与分析的标的物，然后进行取样112，自完成所述各半导体制造过程的多个半导体晶片中，选出一半导体晶片进行一缺陷检测114，以大范围扫描的方式，检测出所述半导体晶片上各缺陷的大小、形状与位置，并利用一预设的数据库对各缺陷进行一自动缺陷分类(automatic defect classification，ADC)116。其中所述数据库内存有多种缺陷类型及对应于各缺陷类型的缺陷信息，以利用一自动缺陷分类工具将各缺陷依其大小与形状等参数分为不同的缺陷类型，并对各缺陷类型进行个数统计。
请参考图3，图3为自动缺陷分类116的示意图。如图3所示，当于缺陷检测步骤114中检测出缺陷后，这些缺陷将会先依据所述数据库内的数据，将这些缺陷分为下层缺陷(underlayer defect)122 以及新增缺陷(adderdefect)124二类，由于下层缺陷122皆来自于的前的制造过程所造成，只有新增缺陷124才是由我们所欲监控的制造过程所造成，因此，所述自动缺陷分类工具将会过滤掉其中的下层缺陷122，而针对新增缺陷124进行进一步的分类工作。
在本发明的较佳实施例中，所述数据库内所存的缺陷信息包含有一分类信息，使所述自动缺陷分类工具能根据所述分类信息，依缺陷的大小、形状等参数将各新增缺陷124分为不同的缺陷类型，如图3所示的缺陷类型A 126、缺陷类型B 128与缺陷类型C 132，并对各缺陷类型的个数予以统计，以协助操作者了解所述半导体晶片上的缺陷状况。值得注意的是所述数据库内除了含有各缺陷类型的分类信息外，还包含有这些缺陷类型对制造过程合格率的影响程度，并依各缺陷类型对制造过程合格率的杀伤程度进一步将各缺陷分为破坏性缺陷134以及非破坏性缺陷136两类。
接着会以抽样的方式，自各缺陷种类中各选取数个缺陷样本来进行缺陷再检测118，且在进行缺陷再检测118时，自各缺陷种类中选取的缺陷样本个数根据所述缺陷种类对制造过程合格率的影响程度来决定。以图3的例子来说，由于缺陷类型A 126属于破坏性缺陷134，而缺陷类型B 128与缺陷类型C 132属于非破坏性缺陷136，因此，在进行缺陷再检测118时，将会以缺陷类型A 126为主，例如可自缺陷类型A 126中取80个缺陷样本，而自缺陷类型B 128与缺陷类型C 132各取10个缺陷样本，以经由提高缺陷再检测118的效率来增进后续缺陷原因分析130的准确度。
为进一步说明本发明的实施方式，以下特举一例来说明本发明的缺陷再检测方法。假设一半导体晶片上包含有2000个缺陷，且这些缺陷中包含有1000个下层缺陷、900个小粒缺陷以及100个大粒缺陷，若根据公知技术，以随机抽样的方式取出100个样本来进行缺陷再检测，那么显然会取到的样本会约略包含有50个下层缺陷、45个小粒缺陷以及5个大粒缺陷。
若根据本发明的方法，则会先根据所述数据库内各缺陷类型对各种不同制造过程的合格率杀伤程度进行分类，假设欲进行缺陷检测分析的各半导体制造过程为一前段制造过程(front end process)，由于在前段制造过程中，各种尺寸大小的缺陷皆会受后续沉积制造过程的影响而不断长大，因此除了与本制造过程无关的下层缺陷外，不论是大粒缺陷或是小粒缺陷，对本制造过程而言皆为破坏性缺陷，换句话说，皆须以一较高的比率进行缺陷再检测118，因此，我们可以随机的方式来进行抽样检测，例如依据其数量比率取90个小粒缺陷与10个大粒缺陷来进行缺陷再检测118。然而若我们欲进行缺陷检测分析的各半导体制造过程为一后段制造过程(back end process)，那么就只有大粒缺陷才是破坏性缺陷，而小粒缺陷则几乎可以忽略，在这种状况下，虽然小粒缺陷的个数远大于大粒缺陷的个数，然而由于只有大粒缺陷才是破坏性缺陷，因此我们可加重大粒缺陷的抽样比率，例如取10个小粒缺陷与90个大粒缺陷来进行缺陷再检测118。与公知技术以随机抽样的方式来进行缺陷再检测相比较，其可能会取到50个下层缺陷、45个小粒缺陷以及5个大粒缺陷。与公知技术中以随机方式取得的缺陷样本相比较，本发明的缺陷样本显然能得到一较佳的缺陷再检测结果，以利工程师进行后续的缺陷生成原因分析。
此外，本发明的缺陷再检测方法虽根据一预设的数据库来进行缺陷自动分类116以及决定进行缺陷再检测118时各缺陷类型的抽样比率，然而此一数据库内的数据并非固定不变的，而可根据缺陷再检测118的结果来更新所述数据库，例如可根据实际获得的缺陷再检测118结果，将缺陷类型B 128改为破坏性缺陷134或在缺陷类型A 126、缺陷类型B 128与缺陷类型C 132的外，另增一缺陷类型D，以对缺陷自动分类116以及缺陷再检测118步骤进行修正，以得到一最优化的结果，并提升缺陷原因分析130的灵敏度与准确度。
除了前述依对制造过程合格率的影响程度与以不同的比率来进行缺陷再检测118外，工程师亦可根据缺陷检测114中所观测到的任何特殊特征或异常现象来调整缺陷再检测118中的抽样分布情形，举例来说，有时在缺陷检测114中常会发现一些分布于半导体晶片角落的聚集型缺陷(clusterdefect)，此时工程师亦可针对这些聚集型缺陷进行一较高抽样比率的缺陷再检测118，以对这些异常相相进行进一步的分析。
与公知技术中的缺陷再检测方法相比较，本发明的缺陷再检测方法经由增加对破坏性缺陷或特殊异常状况的检测比率，因此能获得一较佳的缺陷再检测效率。换句话说，本发明在相同的再检测次数下，得到出一较佳的再检测结果，而能有更充分的数据来进行缺陷原因分析，更容易的获得出一更正确的缺陷原因分析结果。相对地，若希望以公知技术的缺陷再检测方法来获得与本发明相同的缺陷再检测结果，则往往需要花费数倍的时间与人力来进行，换句话说，本发明的缺陷再检测方法可故可大幅提升缺陷检测的速率以及准确度，因此将可满足线上测试与大量生产时的需求，以较少的时间成本完成各过程参数的调整，以提升产量及产品可靠度。
以上所述仅为本发明的较佳实施例，凡依本发明权利要求所进行的等效变化与修改，皆应属本发明的涵盖范围。
权利要求
1.一种缺陷再检测的方法，其包含有下列步骤提供一晶片，所述晶片上具有多个缺陷；进行一缺陷检测，以检测出所述缺陷；根据一预设的数据库对所述缺陷进行一自动缺陷分类，将所述缺陷分为多种缺陷类型；以及进行一缺陷再检测。其中当进行所述缺陷再检测时，依据各缺陷类型对制造过程合格率的影响程度，以不同的比率来进行抽样检测。
2.如权利要求1的方法，其中所述数据库包含有多种缺陷类型以及对应于各所述缺陷类型的缺陷数据。
3.如权利要求2的方法，其中各所述缺陷类型的缺陷数据包含有各所述缺陷类型对制造过程合格率的影响程度。
4.如权利要求3的方法，其中所述数据库依据各所述缺陷类型对制造过程合格率的影响程度，将各所述缺陷类型的缺陷分为破坏性缺陷以及非破坏性缺陷。
5.如权利要求4的方法，其中在进行所述缺陷再检测时，破坏性缺陷所占的比率大于非破坏性缺陷的比率。
6.如权利要求3的方法，其中所述数据库将各所述缺陷类型的缺陷分为下层缺陷与新增缺陷，并进一步将新增缺陷分类为破坏性缺陷以及非破坏性缺陷。
7.如权利要求6的方法，其中所述方法针对所述新增缺陷进行缺陷再检测。
8.如权利要求1的方法，其中所述方法在进行所述缺陷检测后，将进行一聚集型缺陷判别，其中当所述晶片上具有所述群聚型缺陷时，将以较高的比例对所述群聚型缺陷进行缺陷再检测。
9.如权利要求1的方法，其中所述方法于进行所述缺陷再检测后，将再根据所述缺陷再检测的结果来更新所述数据库。
全文摘要
一种缺陷再检测的方法，其中提供一晶片，所述晶片上具有多个缺陷，并进行一缺陷检测，以检测出所述缺陷，再根据一预设的数据库对所述缺陷进行一自动缺陷分类，将所述缺陷分为多种缺陷类型，最后进行一缺陷再检测，其中所述缺陷再检测依据各缺陷类型对制造过程合格率的影响程度，以不同的比率来进行抽样检测。
文档编号H01L21/66GK1677637SQ20041003326
公开日2005年10月5日 申请日期2004年3月29日 优先权日2004年3月29日
发明者林龙辉 申请人:力晶半导体股份有限公司