DEFECT CLASSIFICATION OF PROCESSED WAFERS

• Main Authors: LIM, Yin Wei, KOMATIREDDI, Rahul Reddy, CHENG, Khor Wui, CHERIKKALLIL, Rohith, CHAN, Si En, SUO, Peng, MISHRA, Satwik Swarup, MALLAVARAM, Krishnaprasad Reddy, KONGARA, Sneha Rupa, DANGAYACH, Sachin, LIANTO, Prayudi, KOH, Remus Zhen Hui
• Format: Patent
• Language: English; French
• Published: 03.10.2024
• Subjects: BASIC ELECTRIC ELEMENTS; CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; CONTROL OR REGULATING SYSTEMS IN GENERAL; CONTROLLING; COUNTING; ELECTRIC SOLID STATE DEVICES NOT OTHERWISE PROVIDED FOR; ELECTRICITY; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; IMAGE DATA PROCESSING OR GENERATION, IN GENERAL; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS ORELEMENTS; PHYSICS; REGULATING; SEMICONDUCTOR DEVICES

A method and apparatus for training a learning model for automatic defect detection and classification of at least a portion of a processed wafer include receiving labeled images having defect classification types and features for portions of a post- processed wafer, creating a first training set comprising the received labeled images, training the machine learning model to automatically classify wafer portions based on at least one detected defect in respective wafer portions using the first training set, receiving labeled wafer profiles having respective downstream yield data, creating a second training set comprising the labeled wafer profiles and training the machine learning model, using the second training set, to automatically determine a respective downstream yield of a wafer based on a respective wafer profile. The machine learning model can be applied to at least one unlabeled wafer image to determine at least one defect classification for at least one portion of a wafer. Un procédé et un appareil d'entraînement d'un modèle d'apprentissage pour détecter et classer automatiquement des défauts d'au moins une partie d'une tranche traitée comprennent la réception d'images étiquetées ayant des types et des caractéristiques de classification de défauts pour des parties d'une tranche post-traitée ; la création d'un premier ensemble d'entraînement comprenant les images étiquetées reçues, l'entraînement du modèle d'apprentissage automatique pour classifier automatiquement des parties de tranche sur la base d'au moins un défaut détecté dans des parties de tranche respectives à l'aide du premier ensemble d'entraînement ; la réception de profils de tranche étiquetés ayant des données de rendement aval respectives ; la création d'un second ensemble d'entraînement comprenant les profils de tranche étiquetés et l'entraînement du modèle d'apprentissage automatique, à l'aide du second ensemble d'entraînement, pour déterminer automatiquement un rendement aval respectif d'une tranche sur la base d'un profil de tranche respectif. Le modèle d'apprentissage automatique peut être appliqué à au moins une image de tranche non étiquetée pour déterminer au moins une classification de défauts pour au moins une partie d'une tranche.