1、透過優化對側重製程設計的測試晶片的檢測來加速改善 65 奈米晶片的良率摘要本文描述一種廣泛應用於探索製程設計方面的系統性及隨機性故障的短流程測試晶片與先進的檢測工具平台相結合的綜合方法 ，以 對在 65 奈米技術節點上的關鍵性缺陷進行特徵化描述和監控 ， 藉此加速基於缺陷的 良率學習 。 透過獨特的快速電性試驗方案、快速分析軟體，以及優化的檢測效果，可縮短快速製程開發的學習週期。 透過將在一個領先的 300mm 晶圓廠得到的 CV 檢測設定知識經驗成功運用於製造過程，優化了產品晶圓的關鍵缺陷 (DOI) 檢測。關鍵字：特徵化載具 (Characterization Vehicle, CV )，
2、測試晶片，缺陷檢測，缺陷疊置分析，S/N 分析，KLA-Tencor 2800，製程設計的互動一. 引言高度複雜的晶片系統 (SOC) 技術的出現，為改善產品良率過程中的良率學習造成了獨特的挑戰。特別是，由於設計的複雜性日益提升，此直接對與產品良率相關的致命缺陷，或稱作關鍵缺陷 (DOI) 進行擷取和定位帶來的困難，使如何快速偵測製程設計良率的限制因素變得更加複雜。為解決這個問題，並對改善良率過程中製程變化對 DOI 的影響進行快速特徵化，作者提出了一種綜合檢測方法，其中結合了來自 PDF Solutions 創新的短流程特徵化載具 (CV) 測試晶片與來自 KLA-Tencor 的明場檢測系
3、統 (BrightField Inspection System) 和檢測優化策略。這種作法採用了業界最先進的 KLA-Tencor 2800 系列晶圓檢測工具，它提供一種涵蓋深紫外線、紫外線和可見光波長的寬頻檢測系統，以多種波長來確保缺陷檢測達到最高靈敏度。此外，KLA-Tencor 的線內缺陷組織工具 (In-line Defect Organizer, iDO) 採用有效率的缺陷分類技術，能快速識別限制良率的重要缺陷，藉此協助缺陷特徵化。下面將詳細介紹此綜合方法的內容。二. 短流程測試晶片特徵化載具 (CV)PDF Solutions 的短流程特徵化載具 (CV) 是一個強大及完整的晶片
4、測試平台，能同時識別系統缺陷及隨機缺陷方面的良率限制因素 1。有多種版圖模式的 CV 可快速探測產品結構問題。同時，與在產品上進行測試時更難找到缺陷相比較而言，它也能為基於缺陷的良率學習提供一種改善的檢測平台。PDF CV 能夠提供與所有前段 (FEOL) 和後段 (BEOL) 模組層相似或極大增加的關鍵缺陷區域。有了它，就能精確判斷電性缺陷觸點旁路孔的故障率 () 和缺陷密度 (D0)，進行製程分批評定，或使用 PDF 的基於產品的良率影響表 (YIMP) 方法為基於產品的良率影響建模 2。由於 CV 採用了專屬的大型平行測試系統 (pdFasTestTM)在晶圓廠內對 CV 進行電性測試，
5、因此可大幅縮短測試時間。這一測試系統比現行的參數測試系統快 10-15 倍 3。將使用 CV 後得到的線內檢測資料和電性資料載入 pdCVTM 軟體分析工作環境後，工程師就可以立即開始快速進行以下分析： 1) 對電性資料進行線內缺陷疊置分析以獲取缺陷致命率擷取率；2) 良率建模或故障率分析，以做為 CV結構設計屬性的一個函數； 3) 抽取電性故障候選點，進行線內雙電子束 FIB 和或物理故障分析 3。這些優勢與線內缺陷檢測工具一起，提供了一種能夠對總體缺陷帕雷托圖 (Pareto) 中的關鍵性缺陷進行製程修正所產生的影響進行快速特徵化和監控的基礎架構並可以加速提高製程良率。三. 缺陷檢測系統和
6、方法KLA-Tencor 2800 檢測系統使用一種時間延遲積分 (TDI) 感應器，將晶圓放在感應器的下面進行掃描的時候探測缺陷的反射光影像，這讓系統對各類缺陷都具有非常高的敏感性。這一檢測工具是一種影像對比工具，將一份參照與一個候選區進行對比，識別該區位的缺陷像素，TDI 能放大得到的反射訊號，將光學影像轉換為數位像素影像或像斑影像，然後送到影像電腦。2800 線內晶圓檢測工具有多種光學和頻譜模式，可進行快速的配方優化並能夠以缺陷靈敏度為基礎進行有效率的缺陷檢測。該工具使用了一種超寬頻 (UBB) 光源，可交替使用深紫外線、紫外線和可見光波長。要判斷合適的檢測模式和檢測像素大小，對設計規則
7、和製程規格的瞭解就非常重要。檢測像素大小會直接影響到配方的敏感性、可用的頻譜模式，以及檢測的速度。配方設定中更重要的部分之一，是關注區域的選定，這最終將確定要集中於晶片上哪些部位進行關鍵性缺陷的探測和特徵化以實現良率改善。在 CV 上，這些區域包括使用巢式 (Nest) 和蛇與梳式 (Snake & Comb) 測試架構（見圖一）的廣泛試驗結構，考慮多類設計規則和圖樣密度，透過缺陷疊置分析擷取那些導致電開路或短路的缺陷。巢式架構也能用來進行缺陷尺寸分配的特徵化 4。圖一：PDF 測試晶片 CV上的巢式（左）和蛇與梳式（右）測試架構範例，透過電性缺陷疊置分析進行缺陷探測和特徵化。此外，還可根據當
8、前層密度和下面一層的密度將 CV 測試晶片上的這些關鍵檢測區域，或關注區域劃分為不同的分隔區域。對每個區域的光學檢測配方進行優化以達到最佳光學靈敏度，這樣特別有助於擷取在 CV 晶圓檢測過程中那些潛在的與圖樣相關的關鍵性缺陷。經過初始設定完成敏感度優化，僅僅用探測到的一定數量的缺陷，建立一份晶圓圖。接下來，缺陷被送到 KLA-Tencor eDR 5000 SEM 檢視工具上進行檢視。在識別多個關鍵缺陷並同樣重要地另外再識別非關鍵或無用缺陷以後，再回到檢測工具繼續進行配方優化。經過初始檢測的晶圓再重新載上檢測工具，進行一次訊噪比 (S/N) 分析。訊噪比分析是配方優化的焦點，它讓我們能夠對每個
9、缺陷位置進行個別的特徵化，藉此一次性地對多個光學模式和頻譜模式進行對比。這不僅對於確定那個模式對臨界缺陷有強訊號非常重要，而其最大的價值是能選擇一個能最好地抑制無用缺陷，或訊噪比低的模態，讓檢測能更有效地探測大多數致命缺陷。一旦選定最優的光學模式，接下來重要的是將這個模式實施到檢測配方中，對配方敏感度進行一些調節，然後對另一個晶圓進行掃描和 SEM 檢視。KLA-Tencor SEM 檢視工具的一個優勢特徵是能夠在檢視過程中對檢測配方的門檻值或敏感值進行微調，為晶圓圖和缺陷數量提供即時回饋。在這個加速良率學習的專案中，最後一項配方優化技術是 KLA-Tencor 的線內缺陷組織工具 (iDO)
10、。使用 iDO 後，使用者可以將探測到的缺陷分為多類，它可為 SEM 檢視聰明取樣、無用缺陷過濾，以及 SPC 製圖等概念提供支援。自動缺陷分類 (ADC) 和規則式分類 (RBB) 是 iDO 的骨幹，這兩種技術是電腦化的線內影像處理方法，用於自動和快速地將不同的缺陷分為適當的類別，這比手動分類更精確、一致，同時也更經濟和快速。ADC 需要基於從檢測工具得到的小塊像斑，這既包括缺陷本身，也包括背景資訊。對每塊像斑採用一系列的特徵向量進行描述，特徵向量是對缺陷影像進行定義的一種量化屬性。ADC 分類工具在工作中，將新探測到的缺陷的特徵向量與已儲存的影像的特徵向量進行對比，並將新探測的缺陷分配到
11、其最類似的一個類別。ADC 過程中還需要一些微小的優化，RBB 則與此不同，RBB 並不基於從像斑上得出的特徵向量，而是基於缺陷屬性，因此 RBB 更牢靠。RBB 每探測一個缺陷，都用一些屬性予以定義，如尺寸、極性等，使對缺陷進行基於規則的分類成為可能。IDO 用一個樹狀結構圖表示，與圖二中的 iDO 樹類似。典型的 iDO 樹先用一些 RBB 屬性分離出無用缺陷或噪訊缺陷，在下一級中採用 ADC 分類，將真正的缺陷類別劃分為不同的類別，但這種排列級別順序也可相反。一旦建立 iDO 樹狀分類器並得到驗證，再將這些類用缺陷類別代碼予以標記，藉此對致命和非致命缺陷進行快速而精確的識別。以 iDO
12、類別代碼為基礎，透過從 DOI 類別中進行更大比例的缺陷取樣，即能進行 SEM 智能取樣。 DOI (B)DOI (A)Nuisance圖二：iDO 樹範例當配方設定和優化完成後，就能確保透過最有效的光學和頻譜設定使缺陷探測敏感度達到最大，接下來即是由製造流程具體實施對短流程測試晶片 CV 晶圓的製程和測試進行管理，實現缺陷疊置分析和關鍵性缺陷的特徵化。四. 關鍵性缺陷 (DOI) 的特徵化此綜合方法的一大重要貢獻，是協助對良率改進的缺陷帕雷托圖標示的 FEOL 和 BEOL 關鍵性缺陷進行特徵化，並有助於評估為減少 DOI 進行的製程變化所帶來的影響。關鍵性缺陷的範例如：空心金屬 (HM)（
13、圖三）、Box Divot（圖四）、鎳矽化物遺失（圖五）以及 CMP 拋光刮痕。空心金屬在缺陷帕雷托圖上是 BEOL 關鍵性缺陷之一，它會導致金屬裂開。為加快學習速度，可以使用 BEOL CV，其中的主要原因是它只需在部分製程流程中運作，因此在此空心金屬缺陷模式中只需要單一金屬層。正因如此，此 BEOL CV 測試的週期時間可以比直接在分批的產品上進行測試快兩至三倍，並藉此加速學習。另外，由於能夠基於當前層和下一層的密度對關注區域進行仔細選擇，在 CV 上測試比在產品上測試也更容易使檢測過程優化。空心金屬缺陷機制為檢測配方的設定和微調提出了一個特殊的挑戰，因為這種缺陷帶來很高的無用缺陷率，所以
14、必須特別仔細地對檢測配方進行優化。除了根據 CV 設計而用到具體的關注區域外，還利用各種工具協助優化配方，包括利用從電性缺陷疊置分析得到的回饋。表一是將基於 CV 的 KLA-Tencor 2800 經初始優化 M3 後的檢測設定，與使用上一代明場檢測工具 KLA-Tencor 2351 的檢測設定對比，顯示前者對缺陷疊置擷取率 (CR) 和電氣致命率 (KR) 的改善程度。此外，圖六顯示了 2800 與 2351 對比能夠擷取更多由於小片缺失圖樣 (MP) 缺陷所引起的單線 M3 開路電故障。圖三：空心金屬缺陷範例表一：基於 CV 的 2800 檢測系統的 M3 BEOL 檢測敏感性的初始改
15、善，與使用 2351 的檢測設定的比較圖四：Box Divot 缺陷範例在活性(Rx) 檢測層次上，Box Divot 是一種特別的關鍵性缺陷，基於 2800 的檢測與 2351 系統相比對活性(Rx) 層硬短路 CR 的改善達到 13-15%。另外，在 CMP 拋光刮痕和 Box Divot 缺陷導致活性層的軟短路方面， 2800 較之 2351 的 CR 改善率為 4-5%。最後，圖七顯示在鎳矽檢測層次上，使用 2800 綜合檢測方法能夠提升對導致多晶矽門硬開路電故障的多種缺陷的擷取率。五. 將基於 CV 的檢測模態學習運用於產品檢測另一重要貢獻是，能夠將從 PDF 的基於 CV 的 KL
16、A-Tencor 檢測模式設定和優化作業中得到的最佳已知方案 (BKM) 運用於產品晶圓檢測配方的建立，而且是從生產上量的一開始就加以運用。透過使用 2800 檢查工具的光學選擇器功能，可以根據檢查工具測量的具體缺陷的訊噪比 (S/N) 來判斷最佳檢測模式。例如，已在 Box Divot 缺陷（圖四）和缺失鎳矽化物缺陷（圖五）這兩個重要缺陷上將優化的檢測模式運用於製造過程。在這兩種情況下，首先從 CV 測試上獲得的檢測模式學習的成果可以運用到產品檢測上，並較之以前達到更精確可靠的探測效果。同時，透過疊置分析，使用電性試驗得到的回饋能夠快速在 CV 上識別缺陷例證。這也能為檢測工程師提供一種引導
17、，看需要集中在那些缺陷進行配方優化。由於 CV 上的版圖得到很好的控制，可以利用存在恆定密度部位的關注區域對檢測配方進行優化。使用多晶矽門 CV 進行製程學習，並與檢測優化相結合，學習週期將比在產品上的學習縮短兩至三倍。圖五：鎳矽化物缺陷遺失範例，左圖為產品上的，右圖為 PDF 測試晶片 CV 上的圖六：電故障帕雷托圖，顯示 2800 與 2351 對比，做為巢式和蛇與梳式測試結構細微故障類型（電開路的測試結構線數量）的一項函數，對導致單線 M3 開路電故障的線內缺陷的擷取率得到提高。（註：可見的探測到的與電開路對應的線內缺陷疊置。不可見的未發現與電開路對應的線內缺陷，例如，一個隱藏缺陷或前層
18、缺陷）圖七：圖表顯示在鎳矽檢測層次上， 2800 比 2351 能夠提高對導致多晶矽門硬開路電故障的若干缺陷類別的擷取率。六. 結論本文介紹一種將廣泛應用於探索製程設計方面的系統性及隨機性故障的短流程測試晶片與先進的線內缺陷檢測工具平台相結合的方法，可實現對良率改進的缺陷帕雷托圖上的關鍵性缺陷進行特徵化和監控。PDF 的 CV 測試晶片使 IBM 的良率學習週期時間得到極大改善（與產品週期時間相比要快兩至三倍），這特別得益於能夠協助在良率改善期間更早地對製程設計的系統性臨界點進行特徵化和處理。透過將 PDF 的 CV 測試晶片與 2800 檢測工具平台結合使用，IBM 能夠對良率改進的缺陷帕雷
19、托圖上的關鍵性缺陷快速、且有效率的特徵化，並對針對這些關鍵性缺陷而採取的新製程變化所帶來的基於缺陷的良率改善進行特徵化。利用這種綜合方法，IBM 獲得了以下優勢： 1) 與 2351 檢測系統相比， 2800 能提高對 CMP 拋光刮痕的探測；2) 透過將檢測學習的結果運用於產品，改善了對鎳矽檢測層次缺失矽化物 DOI 的擷取率；3) 能夠識別起初在產品上無法探測到的 Box Divot 類 DOI；4) 有效地特徵化前端 SEZ 清潔和四步線性製程對空心金屬 DOI 的影響。最後，將基於 CV 的 2800 檢測模式的學習經驗以及針對缺陷帕雷托圖上的數個關鍵性缺陷如 Box Divot 和缺
20、失矽化物 DOI 優化得到的檢測設定成功運用於製造環節，可促進在產品晶圓上進行 DOI 檢測特徵化和監控。七. 致謝作者在此感謝 Andy Stamper、 Anne Murray、Sherry Lee、Gary Crispo、Sa Zhao、Steve Poon、Zach Berndlmaier、Brian Duffy、Malcolm McLean 和 Sumanth Kini ，感謝他們在此協同工作中所提出的有幫助的建議和大力支持。八. 參考資料1 Y.C. Ee, et.al, “BEOL Test Chip for Rapid Technology and Process Integr
21、ation Debugging,” IITC 2007.2 D. Ciplickas, S. F. Lee, A. Strojwas, “Critical Features:A New Paradigm for Evaluating Yield Loss,” SolidState Technology, 2001.3 M.B. Schmidt, H.H. Kang, L. Dworkin, K. Harris, S. Lee, “New methodology for ultra-fast detection and reduction of non-visual defects at the
22、 90nm node and below using comprehensive e-test structure infrastructure and in-line DualBeamTM FIB,” ASMC 2006.4 C. Hess, D. Stashower, B. E. Stine, G. Verma and L. H. Weiland, “Fast Extraction of Killer Defect Density and Size Distribution Using a Single Layer Short Flow NEST Structure,” Proc. of the 2000 ICMTS, pp. 57-62, Monterey, CA, March 2000.
