Wafer Defekte und Verunreinigungen prozesssicher finden und klassifizieren
Um Produktionsprozesse besser zu kontrollieren und zu steuern, müssen Wafer auf Fehlstellen bzw. Defekte untersucht werden (Defect Inspection). Neben dem Vorhandensein eines Defekts ist auch seine Auswirkung auf den späteren Prozess bzw. die Funktionalität des Endproduktes entscheidend. Aus diesem Grund müssen die Eigenschaften der Defekte schlussendlich untersucht und in unterschiedliche Klassen eingeteilt werden, wobei unter anderem die topologischen Eigenschaften in 3D entscheidend sind (Wafer Inspection). Durch Integration der Defect Inspection & Defect Classification in die hochauflösenden Mess- und Inspektionssysteme WAFERinspect, bietet Confovis ein Prozess-Kontroll-Instrument, mit dem Defekte erkannt, über ein neuronales Netz klassifiziert, sowie sämtliche Strukturen 2D und 3D vermessen werden können.
AOI Defect Inspection mit Confovis
Die AOI Defect Inspection mit Confovis profitiert von der herausragenden optischen Güte des Defect Inspection Tools WAFERinspect AOI, durch die beispielsweise größere Defekte wie z.B. Delaminationslinien zu einem Bild gestitcht werden können. Die Ausleuchthomogenität und die Verzeichnung der Objektive werden dabei so korrigiert, dass den Nutzern ein Defektbild zur Verfügung gestellt wird. Außerdem ermöglichen unterschiedliche Lichtfrequenzen eine kontrastreiche Darstellung verschiedenster Materialien. Transparente Passivierungsschichten können durch den systemeigenen Autofokus je nach Analyseziel bewusst in den Fokus gesetzt bzw. ausgeblendet werden.
Die Defekterkennung arbeitet wahlweise klassisch über Blob Detection nach der Golden Sample Methode oder über künstliche Intelligenz nach dem Deep Learning Verfahren. Das Confovis Defect Inspection System WAFERinspect erkennt Fehler jeglicher Art ohne vorhergehendes Anlernen. Die Wafer Defect Classification erfolgt in einem, der Erkennung nachgelagerten Prozess. Zur Defekt Klassifizierung stehen wahlweise Filter oder ein neuronales Netz für die regelbasierte Analyse zur Verfügung. Vorteil für den Nutzer ist, dass keine Defekte unerkannt bleiben, auch bei unbekannten Fehlerklassen.
Leistungshalbleiter – Messaufgaben
Defektinspektion
Makrodefekte
Mikrodefekte
Partikel Inspektion
Golden Sample
Fehlererkennung mit KI (Deep Learning, Anomalie-Detektion)
Merkmalsbasierte Defekt-Klassifikation mit neuronalem Netz
3D Messungen
Materialunabhängig: Silizium, Epoxid, Glas, Chrom, Fotolack…
Artefaktfrei, auch anspruchsvolle Oberflächen (keine „Bat Wings“)
Hohe Geschwindigkeit: 60 konfokale Frames pro Sekunde (250 Mio. Messpunkte/s)
Schichtdicke / Film Thickness / Layer Stack
Topographie
Koplanarität
Bumps
Koplanarität
Rauheit / Roughness
Stufenhöhe / step height
2D Messungen
Critical Dimensions: Line/Space, VIAs, Overlay
CONFOVIS WHITEPAPER & CASE STUDIES