基于混合模型与流形调节的晶圆表面缺陷识别

为了探测和识别半导体晶圆生产线上的晶圆表面缺陷,及时诊断出半导体晶圆制造过程的故障源,提出一套晶圆表面缺陷检测与识别系统。该系统首先采用层次聚类法将晶圆表面的局部缺陷划分为缺陷簇,并提出一种基于轮廓系数标准的最优缺陷簇数目判定方法,提升了缺陷簇识别性能。针对晶圆表面常见的线形、曲线形和椭球形缺陷模式,该系统充分考虑数据在空间子流形上的分布,采用基于流形调节的局部连续高斯模型(LCGMM),同时加入主曲线模型,实现了对晶圆表面局部缺陷模式分布的统计描述建模。在完成初始建模识别的基础上,进一步提出集成LCGMM和主曲线模型的混合模型,对晶圆表面所有的缺陷模式进行建模识别,以提高缺陷模式识别的准确性。通过仿真案例和工业案例的实验结果,证明了该系统的有效性与实用性。     

基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别

在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时判断制造过程故障源并进行在线调整,降低晶圆成品率损失.本文提出了基于一种流形学习算法与高斯混合模型动态集成的晶圆表面缺陷在线探测与识别模型.首先该模型开发了一种新型流形学习算法——局部与非局部线性判别分析法(Local and nonlocal linear discriminant analysis, LNLDA),通过融合数据局部/非局部信息以及局部/非局部惩罚信息,有效地提取高维晶圆特征数据的内在流形结构信息,以最大化数据不同簇样本的低维映射距离,保持特征数据中相同簇的低维几何结构.针对线上晶圆缺陷产生的随机性和复杂性,该模型对每种晶圆缺陷模式构建相应的高斯混合模型(Gaussian mixture model, GMM),提出了基于高斯混合模型动态集成的晶圆缺陷在线探测与识别方法.本文提出的模型成功地应用到实际半导体制造过程的晶圆表面缺陷在线探测与识别,在WM-811K晶圆数据库的实验结果验证了该模型的有效性与实用性.     

晶圆表面缺陷模式的在线探测与自适应识别研究

晶圆表面的缺陷通常反映了半导体制造过程存在的异常问题,通过探测与识别晶圆表面缺陷模式,可及时诊断故障源并进行在线调整。提出了一种晶圆表面缺陷模式的在线探测与自适应识别模型。首先该模型对晶圆表面的缺陷模式进行特征提取,基于特征集对每种晶圆模式构建相应的隐马尔科夫模型（Hidden Markov Model,HMM）,并提出基于HMM动态集成的晶圆缺陷在线探测与识别方法。提出的模型成功应用于WM-811K数据库的晶圆缺陷检测与识别中,实验结果充分证明了该模型的有效性与实用性。