Defekterkennung und Metrologie in einem System

Mit den WAFERinspect AOI erweitert Confovis seine Produktreihe um ein AOI Tool, das Defect Inspection, Defect Review sowie 2D- und 3D-Messungen in einem einzigen System zusammenbringt. Die Defekterkennung und -auswertung wurde in Zusammenarbeit mit der NeuroCheck GmbH umgesetzt.

(Bild: Confovis)

Für die Defekterkennung nutzt das Confovis WAFERinspect AOI aktuelle Computer-Architektur (Arbeitsspeicher mit 1 TB), um Golden Samples (mit einer Größe von bis zu 500 GB) im Arbeitsspeicher mit dem aktuellen Defektscan in Echtzeit zu vergleichen. Die Defekterkennung erreicht dabei eine Geschwindigkeit von bis zu 25 FPS, da Zugriffszeiten auf die SSD Festplatte als limitierende Größe entfallen.

Im Vergleich zu derzeit etablierten Standardsystemen ermöglicht das Confovis System bei identischer Prozesszeit eine wesentlich höhere Auflösung, wodurch selbst kleinste Defekte von ein Größe bis zu 0,1 µ/px in verschiedensten Oberflächen und Prozessschritten im Front-End oder Back-End detektiert werden.

Je nach Anwendungsfall kann der gesamte Wafer oder einzelne Chips als „Golden Sample“ für einen Die-by-Die oder Reticle-by-Reticle Defektscan angelernt werden. Die Klassifizierung der Defekte muss nicht während des Einrichtens erfolgen, sondern kann nachträglich anhand der gefundenen Defekte durchgeführt werden.

Für die Defekterkennung und -auswertung wird ein mehrstufiges Verfahren von NeuroCheck genutzt, welches auch gegenüber Kontrastwertänderungen sehr robust ist. Wesentlicher Vorteil der NeuroCheck Defekterkennungs-Software ist die flexible Anpassung der Prüfprogramme an Veränderungen im Produktionsprozess, sodass Modifikationen im Programm nicht erforderlich sind. Stattdessen können Analysetools als Funktionsblock im Programmablauf ergänzt werden, was eine einfache iterative Anpassung der Prüfprogramme an die zu findenden Defekte über die GUI ermöglicht. Zudem können alle Änderungen – inklusive des Trainings des Klassifikators – offline und lokal beim Anwender erfolgen. Somit ist es für eine Erweiterung der Defekterkennung nicht erforderlich, sensible Daten in eine Cloud zu übertragen.

Die Defekt-Klassifizierung erfolgt mittels künstlicher Intelligenz (KI) in Verbindung mit den zuvor erzeugten Merkmalen der Defekte (wie Anzahl der Pixel, Aspektverhältnis, etc.). Grundlage hierfür ist eine Datenbank, welche durch, die im Scan gefundenen, Defekte automatisch gefüllt wird. Vom Nutzer müssen dabei einzig Kategorien erzeugt und Defekte entsprechend einsortiert werden. Anschließend wird der neuronale Klassifikator trainiert und angelernt. Auch können Rückweisungsschwellen für die einzelnen Klassen festgelegt werden, wodurch insbesondere während der Ramp-Up Phase sichergestellt wird, dass kein Defekt unerkannt bleibt.

Bei sehr kleinen Defekten (0,1 µ/px) ist es dank der sich schnell entwickelnden Rechnertechnologie möglich, die Defekte ausschließlich mit neuronalen Netzen zu identifizieren und klassifizieren. Vorteile ergeben sich durch die KI-Algorithmen immer dann, wenn die Defekte mit den klassischen Methoden (z.B. Golden-Sample) nicht robust erkannt werden können. Beispielsweise bei Defekten auf nicht wiederkehrenden Strukturen oder falls diese wechselnde Ausprägungen aufweisen – wodurch Kontrastunterschiede zu Pseudodefekten führen können.

confovis.com

Contact Us

We're not around right now. But you can send us an email and we'll get back to you, asap.

Start typing and press Enter to search