寬頻電漿光學測量結合機器學習 磊晶圓圖案缺陷檢測更有效率 - 技術頻道 - 新電子科技雜誌 Micro-electronics


熱門關鍵字:電源模組 | SiC | 機器視覺 | GaN | 5G

訂閱電子報

立刻輸入Email,獲取最新的資訊:


收藏功能:
分享報新知:
其他功能:

寬頻電漿光學測量結合機器學習 磊晶圓圖案缺陷檢測更有效率

文‧Shravan Matham/HeungSoo Choi等人 發布日期:2020/02/03 關鍵字:KLAHaze量測磊晶層BBPiDO2.0

KLA Surfscan無圖案晶圓檢測系統的Haze量測一直以來都是產線上主要用於磊晶沉積層晶體品質的非破壞性的檢測方法,但是,這種量測目前僅用於無圖案的晶圓。 本文介紹了一種在產線上針對無圖案晶圓及圖案晶圓之非破壞性光學量測方法。該技術採取一種新穎的快速機器學習方法,並且可以用於圖案化和未圖案化的磊晶圓。該方法採用了寬頻電漿(BBP)光學缺陷量測期間所獲得的背景雜訊。這種機器學習方法名為iDO 2.0(inline Defect Organizer),是在產線上缺陷檢測機台上的一項創新過濾雜訊缺陷訊號演算法。這項研究顯示了這種機器學習方法有高度可靠性,所測量的高和低的缺陷密度均具有可重複性並與Secco蝕刻資料相吻合。

磊晶層內的晶體缺陷可能因為表面污染(例如氧)而引起,這會導致磊晶層/底基層質界面處形成SiOx區域。在含SiOx的區域內成核的晶體缺陷可以導致缺陷處局部的原子級別的表面粗糙度增高,因而形成更高的Haze,這與磊晶品質相關聯。

本研究目的是開發一種用於測量圖案晶圓上磊晶層品質的光學技術。本文首先介紹為無圖案底基層開發的光學檢測技術,該技術可以預測每個磊晶層的品質並且具可重複性。這是一種利用寬頻電漿檢測系統上所收集的背景雜訊的機器學習方法,接下來會描述如何將該技術擴展用於圖案晶圓的磊晶層。

》想看更多內容?快來【免費加入會員】【登入會員】,享受更多閱讀文章的權限喔!
研討會專區
熱門文章