|
Allen Park, KLA-Tencor Corporation
在製程開發期間執行的缺陷檢測時常會在單一晶圓上檢驗出105到 106 的缺陷數目。此類缺陷檢驗結果資料包括系統性缺陷和隨機缺陷，但是只有部份的缺陷可能會影響晶圓的良率。傳統的缺陷檢驗方法僅隨機再以電子顯微鏡自檢驗結果中抽樣檢視50到100個缺陷的樣本，因此傳統的抽樣檢驗並不容易從缺陷晶圓分佈圖中分類層別出重要的系統性缺陷。
本文描述的是利用一個功能強大的新穎檢驗方式，在進行電子顯微鏡的抽樣檢視之前，自大量的缺陷檢驗結果中，發現並區分出系統性缺陷。這個方法可以有效的整合設計資料與缺陷檢驗結果，讓我們能夠精確地利用設計背景環境，分類儲存隨機分佈的系統性缺陷，這也是業界的首次創舉。
這個技術所依賴的並不是缺乏效率的隨機抽樣檢視去找出重要缺陷(DOI)，而是應用一個圖樣搜尋引擎自設計檔案中，搜尋出DOI與其圖樣背景的關聯性。這個圖樣搜尋引擎能夠將發生在特殊圖樣內容當中的缺陷群集起來，不受到缺陷空間分佈的約束。藉由這個缺陷分類方法，我們已經層別出許多系統性缺陷，包括在本文件中作為範例的殘餘缺陷。一旦層別出系統性缺陷之後，藉由使用晶圓缺陷分佈圖與圖樣搜尋引擎分類產生的柏拉圖(pareto chart)，可以嚴謹地讓特定缺陷類型的空間分佈圖樣擁有更佳的視覺效果。藉由將圖樣搜尋引擎分類結果與設計檔案進行比對，將可自設計檔案中明確地定位出特定的缺陷位置。接著便可以使用電子顯微鏡與聚焦離子束進一步確認缺陷類型。這種新穎的區化(binning)技術可以讓使用者快速而有效地將晶圓缺陷分佈圖中包含的隨機與系統性缺陷等缺陷類型加以量化與分析，並進一步讓相關模組製程工程師採取快速的校正行動。
對於系統性缺陷的挑戰
系統性缺陷，一般而言圖樣缺陷源起於晶片製程或圖案設計接近或超出可容許的條件範圍，或者特定電性測試參數超出規格來自於元件電性問題，系統性缺陷已經演變成為整體良率減少的重要因素(圖一)。[1]本探討中，我們的工作主要在於集中於圖樣相關的系統性缺陷。舉例而言，系統性圖樣缺陷的範例包括線端點退縮(line-end thinning)、線頂端變窄(necking)、線寬微距變異(CD variation)、側面輪廓變異(side profile variation)、前後層次疊對誤差(overlay error)、圖形斷線(broken line)和晶片邊緣殘餘(edge residue)。部份的缺陷模式已經列舉在圖二中。
要分類層別出這類的系統性缺陷可能會對使用現行生產線使用的晶片缺陷檢測機制形成挑戰。這類的系統性缺陷常需要較高的缺陷檢驗機台靈敏度才能夠被偵測出來；但這類的系統性缺陷同時也混雜在其他大量的缺陷類型或是無意義的雜訊中，要找出重要的系統性缺陷並不容易。由於必須在製程開發階段便找出所有系統性缺陷，因此經常會刻意將檢測程式設定為高靈敏度，即使必須付出可能會包含大量雜訊缺陷的代價。每個晶圓中的總缺陷數目可能會上看數十萬個，特別是在製程開發的階段中。
在晶圓被檢驗機台檢測之後，必須再利用電子顯微鏡檢視被偵測到的缺陷以層別出其缺陷類型。一般檢驗機台檢測常用的晶圓上的小區域對小區域(die to die)重複性缺陷分析方法可能不足以檢測出例如線端點變薄或圖形斷線之類的缺陷，原因是晶圓上不同曝光區或小區域間的缺陷點分佈並不一定一致。在加上需處理晶圓上大量的缺陷總數目，此類隨機分佈的系統性缺陷會使情況更複雜。由於晶圓缺陷檢測工作需要耗費相當的時間和精力，因此在電子顯微鏡缺陷檢視取樣時，經常必須限制在每片被檢驗晶圓上隨機再抽樣檢視50到100個缺陷。如果此時晶圓上存在100,000個缺陷數目時，100個被檢視取樣的缺陷僅代表只有總缺陷數目的0.1%，因而在電子顯微鏡缺陷再檢視期間，層別出重要系統性缺陷的可能性也大幅減少。
為了降低找出隨機分佈的結構系統性缺陷之困難性，美商科磊(KLA-Tencor)已經評估並採用結合設計基礎的新穎檢測技術。這種先進檢測技術已被採用將近兩年，在65奈米和45奈米製程的開發上都產生極具價值的缺陷檢測結果。這個整合設計資料與缺陷檢測資料的方法能夠讓我們使用設計圖案背景作為電子顯微鏡缺陷再檢視的替代以區分儲存缺陷資訊。
系統性缺陷範例：淺溝槽隔離步驟的殘餘缺陷
在淺溝槽隔離過程中，經過傳統線上缺陷檢測步驟之後，可使用隨機抽樣的電子顯微鏡檢視發現此殘餘缺陷，但是此缺陷的總數量與其空間分佈常因為有限的抽樣數目而被忽略其原貌。圖四基於隨機抽樣這個原因，某些系統性缺陷可能被忽略而不會被識別為系統性缺陷。在本文的研究中，檢測結果會先使用傳統的抽樣方法進行分析(圖五a)。即使相對而言晶圓上的總缺陷數較低，每片晶圓50個缺陷的檢視取樣(隨機選取或是使用缺陷大小資訊取樣)代表少於總數的10%。要量化此殘餘缺陷的發生次數以及找出其空間特徵分佈極為不易。因此，在缺陷分類柏拉圖中最大的分類項目為「真因不明」的分類項目。在傳統的缺陷分類柏拉圖中，只有少數的缺陷會被識別出為殘餘型態的缺陷。
為了瞭解此新穎的缺陷分類技術如何能夠為殘餘缺陷總數做出較佳的量化與分類，在分析相同的檢驗結果資料時, 已經結合使用缺陷分佈與設計資訊(圖五b)。每個缺陷的位置均與設計圖檔中定義的背景圖樣尋找關聯，然後將相同的關聯分類集合在一起。在分類集合之後，會再自動的選擇具有代表性的缺陷分類進行電子顯微鏡檢視。利用這種創新的檢驗方法可產生截然不同的缺陷分類柏拉圖，檢測結果中的每一個缺陷都將被分類，而不僅僅只侷限被抽樣的50個缺陷被分類。這種獨特的分類檢視技術可自動的選取適確的缺陷分組並進行檢視、將缺陷分類檢視效率最佳化，同時可以量化一直被忽略的「真因不明」的分類項目。
結果
圖六a和六b會使用傳統分類方法與新分類方法比較產生的缺陷分類柏拉圖。在傳統分類方法中，只有5%的總計缺陷的會被識別被殘餘缺陷，而絕大多數的缺陷仍然不會被分類。藉由應用新穎的缺陷分類技術，可將柏拉圖中的所有缺陷加以分類。有了這個新的技術，識別出殘餘缺陷的比率是使用傳統方法識別數目的13倍。在被識別為重要缺陷的缺陷數目明顯增加的情況下，我們也能夠清楚瞭解它們在晶圓上的空間分佈特徵，如圖六c所示。
我們發現殘餘缺陷在體質結構上屬於系統性缺陷，但是在空間分佈圖中，某些曝光區內的殘餘缺陷則呈現隨機分佈。雖然殘餘缺陷似乎是發生在曝光區中的某些特定圖樣中，但是根據曝光區對曝光區的比較，缺陷並不會發生在相同的位置。藉由設計資料的應用，我們已能夠找出容易產生此種缺陷類型的特定設計圖形。圖七以圖解說明殘餘缺陷類型中，最有可能成為缺陷點的位置。
結論
在本文中所討論的新型缺陷分類技術提供顯著優點，結合使用與缺陷位置相關的設計背景資訊，我們可以有效的分類出系統性缺陷。此新技術所依賴的是擁有高度靈敏度和定位準確的檢測工具，以達成我們所獲得的成果。使用新的設計基礎檢測技術，能夠快速地找出與量化原本被歸為真因不明的系統性缺陷，進一步快速的發現與校正缺陷的來源。傳統取樣一般只會取樣整體缺陷數目的小部份而已，使用新的抽樣方法可以讓使用者藉由使用設計背景作為電子顯微鏡檢視的檢視基準，取樣100%的缺陷而取代傳統隨機抽樣方式。在範例中，這種殘留缺陷在體質結構上屬於系統性缺陷，但是在空間分佈上屬於隨機缺陷的缺陷類型, 通常都是發生在晶圓的特定區域上；因為它並不會發生在晶圓相同的位置，因此曝光區對曝光區的比較並不適合用於找出此類問題。藉由整合使用設計資料作為檢測的一部份，我們也大幅提升本身的缺陷檢測能力，並可輕易地自設計背景中找出最容易產生此類缺陷類型的特定設計。
致謝
作者要感謝聯華電子中央研究發展部先進模組葉日賢經理、劉喜華經理和鄒世芳處長提供缺陷範例影像。SST-AP/Taiwan
參考資料
1. Monahan K and Trafas, B. Design and Process Limited Yield at the 65nm Node and Beyond. (65奈米節點及以上的有限良率的設計與處理。)SPIE 2005。
作者
Allen Park於 1988 年獲得加州爾灣大學(University of Irvine)物理學士學位，現任美商科磊(KLA-Tencor Corp)的行銷經理。他任職於KLA-Tencor Corporation已經超過 12 年的時間，一直致力於良率提昇計畫的工作，並擔任過資深良率顧問與產品經理。在美商科磊之前，他曾經在國家半導體 National Semiconductor 和矽系統 Silicon Systems 公司擔任過製程開發與良率提昇的工作。電子郵件信箱：Allen.Park@kla-tencor.com。
圖一：先進製程中的系統性缺陷數目隨著製程的發展演進而不斷增加。
圖二：特定圖樣相關的系統性缺陷範例。(影像由UMC CRD提供) |
|
|
|
