Some content of this application is unavailable at the moment.
If this situation persist, please contact us atFeedback&Contact
1. (WO2019006222) SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN THE SEMICONDUCTOR MANUFACTURING PROCESS
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.: WO/2019/006222 International Application No.: PCT/US2018/040162
Publication Date: 03.01.2019 International Filing Date: 29.06.2018
IPC:
H01L 21/66 (2006.01)
H ELECTRICITY
01
BASIC ELECTRIC ELEMENTS
L
SEMICONDUCTOR DEVICES; ELECTRIC SOLID STATE DEVICES NOT OTHERWISE PROVIDED FOR
21
Processes or apparatus specially adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
66
Testing or measuring during manufacture or treatment
Applicants:
KLA-TENCOR CORPORATION [US/US]; Legal Department One Technology Drive Milpitas, California 95035, US
Inventors:
YATI, Arpit; IN
Agent:
MCANDREWS, Kevin; US
MORRIS, Elizabeth M.N; US
Priority Data:
15/814,56116.11.2017US
20174102304330.06.2017IN
62/545,91815.08.2017US
Title (EN) SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN THE SEMICONDUCTOR MANUFACTURING PROCESS
(FR) SYSTÈMES ET PROCÉDÉS DE PRÉDICTION DE DÉFAUTS ET DE DIMENSION CRITIQUE UTILISANT UN APPRENTISSAGE PROFOND DANS UN PROCÉDÉ DE FABRICATION DE SEMI-CONDUCTEURS
Abstract:
(EN) An initial inspection or critical dimension measurement can be made at various sites on a wafer. The location, design clips, process tool parameters, or other parameters can be used to train a deep learning model. The deep learning model can be validated and these results can be used to retrain the deep learning model. This process can be repeated until the predictions meet a detection accuracy threshold. The deep learning model can be used to predict new probable defect location or critical dimension failure sites.
(FR) Selon la présente invention, une inspection initiale ou une mesure de dimension critique peut être réalisée au niveau de divers sites sur une plaquette. L'emplacement, les clips de conception, les paramètres d'outil de procédé ou d'autres paramètres peuvent être utilisés pour entraîner un modèle d'apprentissage profond. Le modèle d'apprentissage profond peut être validé et ces résultats peuvent être utilisés pour reformer le modèle d'apprentissage profond. Ce procédé peut être répété jusqu'à ce que les prédictions respectent un seuil de précision de détection. Le modèle d'apprentissage profond peut être utilisé pour prédire un nouvel emplacement de défaut probable ou des sites de défaillance de dimension critique.
front page image
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
African Regional Intellectual Property Organization (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Office (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (EPO) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Publication Language: English (EN)
Filing Language: English (EN)