接Part 2
3.6. 使用双曲布洛赫模式进行缺陷检测
上述光学缺陷检测系统（即第 3.1-3.5 节中的系统）高度依赖于光学显微镜技术的创新。基于光学成像的缺陷检测技术在样品底板扫描感兴趣区域的同时获取晶圆样品的位置配准图像 [161, 165]。
缺陷信号由快速图像比较算法检测，该算法将获取的图像与参考无缺陷图像进行处理 [165]。
一般来说，传统的缺陷检测系统（尤其是晶圆厂中使用的系统）能够检测所有类型的缺陷。然而，它们可能会对某些缺陷失去灵敏度，例如深埋的缺陷。
Yoon 等人提出了一种创新方法，利用样品侧而不是仪器侧 [166]。在他们的提案中，所研究的样本是 3D NAND（非与）闪存，它具有微米级高度、100 纳米级总周期和 10 纳米量级最小 CD 的分层结构；如图 12(a) 和 (b) 所示。
类似于一维双曲超材料或布拉格光栅或一维光子晶体[167–169]，这种分层结构由于 () 反符号条件 Re ε∥ · Re (ε⊥ ) < 0 [170]，在 λ > 1μm 的 IR 域呈现周期性耦合的表面等离子体模式（换句话说，垂直布洛赫模式），这为包括烟囱、桥梁、残留物、空隙等埋藏缺陷提供了强大的信号放大机制；见图 12(c) 和 (d)。
此外，由于半导体材料在红外域的吸收比在可见光或深紫外域的吸收弱得多[171]，所提出的方法可以识别深度约为传统光学趋肤深度极限十倍的亚表面缺陷。
然而，我们应该强调的是，尽管所提出的方法具有显著的优势，但它仅限于分层结构，因为需要周期性耦合的表面等离子体模式，而这种模式只在垂直周期结构中可用。
3.7. 使用 X射线叠层扫描进行缺陷检测
由于光学显微镜众所周知的衍射屏障，上述在深紫外和可见光范围内进行的缺陷检测无法对深亚波长纳米结构进行成像，更不用说对各种缺陷进行分类了。
为了提高分辨率，最直接的方法是将照明波长缩小到个位数纳米尺度[39, 174]。
然而，由于电离效应和强烈的材料吸收，如此短波长的光学成像无法像在传统的基于透镜的系统中那样实现[39]。
然而，X 射线叠层打印技术为以纳米分辨率对整个晶圆进行直接 3D 成像开辟了一条非常有吸引力的途径[173, 175, 176]。
Holler 等人已经证明，在硬 X 射线条件下操作的叠层打印技术可以创建已知和未知设计的 IC 的 3D 图像，其所有方向的横向分辨率可达 14.6 纳米[172]。
如图 13(a) 所示，英特尔处理器有源层下方的整个多层结构区域，包括源极和漏极触点、栅极触点和带鳍片的栅极，都可以被无损重建。
更令人印象深刻的是，从放大的图像中可以清楚地看到尺寸小于 20 纳米的纳米结构；如图 13(c)-(g) 所示。
因此，据我们所知，硬 X 射线叠层显微成像 [177] 是唯一能够直接对整个晶圆表面和底面 20 纳米以下缺陷进行成像的光学方法。
目前，由于同步加速器 X 射线光源、大量数据和低速度等严格要求，X 射线叠层显微成像无法直接应用于晶圆厂。
然而，我们相信，一旦测量几何形状与未来可预见的 X 射线源和仪器改进相结合，以优于 10 纳米的分辨率快速、无损地对 IC 进行成像就不再是梦想。
目前，基于振幅的检测技术，尤其是明场显微镜，仍然是晶圆厂的主力，因为它们具有速度快（例如，KLA-Tencor 39XX系列的检测速度可达每小时两片12英寸晶圆）、经济高效、可普遍适用于各类缺陷等内在优势。
然而，随着缺陷的信噪比和灵敏度在先进技术节点上变得越来越关键，基于相位、偏振和OAM的检测策略在理论上不遵循瑞利散射定律，虽然可能在更高的信噪比和灵敏度方面在该领域占有一席之地，但它们对更多缺陷类型的普遍适用性还有待在不久的将来进行研究。
由于基于相位、偏振和OAM的检测系统均可实现单次测量，因此它们相应的检测速度可以与生产线上传统的光学缺陷检测工具（即明场检测）一样快。
基于 THz 波的检测系统的速度可以与传统光学解决方案一样高，但在发现图案化晶圆上的缺陷方面尚未得到证实。
然而，由于大多数半导体的等离子体频率在 THz 波段，我们可以通过在某些照明条件下刺激缺陷的 LSPR 来提高缺陷的 SNR，这类似于金属（例如金和银，其 LSPR 处于可见光或近红外区域）在纳米光子学中的作用。
然而，图 11（a）所示的基于 THz 的缺陷检测系统的行为类似于 AFM，其中检测以光栅扫描模式实施。
这表明检测速度至少比传统光学缺陷检测工具慢一个数量级。
通过基于成像的模式可以提高 THz 波段图案化缺陷的检测速度，尽管这尚未通过实验验证。
与上述任何系统不同，基于双曲布洛赫模式的检测系统并不是图案化晶圆检测领域的通用解决方案，而只能应用于被研究结构具有布拉格光栅状几何形状且其周期应与光源波长相当的情况。
因此，它更适用于 NAND 闪存设备等存储芯片，尽管其速度与传统光学缺陷检测工具的速度相当。
据我们所知，X 射线叠层成像术是唯一一种可以直接对整个晶圆的表面和底面 20 纳米以下缺陷进行成像的光学方法。
到目前为止，与晶圆厂中的主力技术（即明场显微镜）相比，X 射线叠层扫描的工作速度非常慢（粗略估计至少需要 236 d 才能扫描整个 12 英寸晶圆），但我们相信，一旦未来能够克服同步加速器 X 射线光源、
海量数据和速度慢等缺点，该技术可以为图案化晶圆检测领域提供革命性的解决方案。
4. 后处理算法
从最简单的图像差分算子到复杂的图像合成算法 [178]，后处理算法在光学缺陷检测中起着至关重要的作用，可以提高缺陷的信噪比和对比度。
随着深度学习算法成为我们日常生活中无处不在的一部分，情况尤其如此。在本节中，我们简要回顾了光学缺陷检测领域的最新后处理算法。
4.1 传统缺陷检测算法
Die-to-Die 检测方法将无缺陷芯片的图像与有缺陷芯片的图像进行比较，以识别逻辑芯片中的缺陷，也称为随机检测 [179]。
Cell-to-Cell 检测将一个单元的图像与同一芯片中相邻单元的图像进行比较，以识别存储芯片中的缺陷 [180]，也称为阵列检测。
Die-to-database 检测使用差分图像（通过从设计布局的建模图像数据库中减去目标图像获得）来识别晶圆上的系统缺陷 [181]。
要从原始图像中识别缺陷，关键是确保后处理图像（例如差分图像）中包含缺陷的区域明显大于预定义阈值 [182]。
Henn 等人提出了一种基于差分图像标准差和面积阈值 Amin = 3λ 的方法，以确定将缺陷特征与背景分离的阈值 [183]。
Zhou 等人使用二阶帧差 Fn (x, y) − 2Fn −1 (x, y) + Fn −2 (x, y) 消除周期性背景模式，然后将全景图像与匹配的三极模式进行卷积 [110]，这大大提高了信号对比度。
在该方法中，他们定义了峰值信噪比 (PSNR) 来评估感兴趣缺陷的可检测性，其中 PSNR 的表达式为 PSNR = 20∙log10 [(|Dmax − Dmin|/(σn + σi)] [103]，其中 Dmax 和 Dmin 分别是缺陷区域周围的最大和最小信号。σi 和 σn 分别是全景图像和噪声的标准差。
KLA-Tencor 还提出了多芯片自动阈值 (MDAT) 检测算法和在线缺陷组织器 (IDO) 滤波算法，以实现高效、高灵敏度的在线缺陷检测[184, 185]。
MDAT 算法使用多个芯片信息来创建中值图像，该中值图像将用作阈值参考，以降低工艺噪声并改善缺陷提取[184]。
IDO 滤波算法利用特征向量等多种缺陷属性来自动组织和消除干扰缺陷[185]。
随着 10 纳米以下制造工艺逐渐成为主流[186, 187]，工厂将采用多重图案化和 EUV 光刻等先进光刻技术。
传统的光学明场检测方法需要结合 Die-to-Database 和分辨率增强等多种检测算法来提高灵敏度和效率。
4. 后处理算法
从最简单的图像差异算子到复杂的图像合成算法 [178]，后处理算法在光学缺陷检测中起着至关重要的作用，可以提高缺陷的信噪比和对比度。
4.2. 晶圆缺陷检测中的深度学习
当前最先进的基于图像差异检测和基于规则的分类的光学和电子束检测系统是刚性的，并且对缺陷类型、尺寸和基板材料并不稳定 [67, 188]。
由于众所周知的衍射屏障，在 DUV 和可见光范围内操作的光学缺陷检测工具在对 10 纳米以下缺陷进行分类时更加困难 [189]。
此外，每一项新技术都带来了新的挑战，需要集成芯片制造商花费大量时间进行设置、调试和手动调整工艺参数。
相比之下，深度学习 [190] 提供了一种相对易于实施的方法来应对缺陷检测中的挑战，包括但不限于缺陷识别、定位和分类 [191]。
一般而言，基于深度学习的缺陷检测工作流程非常简单，即捕获足够多的晶圆的电子束或光学图像（可以是实验的也可以是模拟的），训练所选的神经网络直接从图像中提取有用的特征，用一小组样本测试训练好的模型，并根据表征神经网络置信度的预定义成本函数决定是否应重复训练 [192]。
根据神经网络中非线性变换的类型和顺序，深度学习模型可分为不同的类别 [193]。
卷积神经网络（CNN）[194] 适用于具有层次结构的数据（如图像），已成为缺陷检测的一个有吸引力的选择。
Chien 等人使用 CNN 识别和分类表面缺陷，包括中心缺陷、局部缺陷、随机缺陷和划痕 [195]。
在他们的方法中，从 WM-811K 数据集在线收集了 25 464 张带有可见缺陷的原始图像。该数据集包含来自 46 393 个批次的 811 457 张半导体晶圆图像，有 8 个缺陷标签。
为了统一起见，对每张原始图像都进行了处理，通过使晶圆以外的图像区域变黑，仅提取包含晶圆的区域。实验结果表明，CNN 的准确率可以达到 98% 以上。
Cheon 等人使用单个 CNN 模型提取了有效的特征，以识别使用基于 SEM 图像的传统自动缺陷分类系统无法看到的缺陷类别 [196]。更多关于基于深度学习的缺陷检测的文献可参见 [197, 198]。
然而，据我们所知，大多数已报道的研究都是基于缺陷至少几乎不可见的原始图像（例如 SEM 图像）。
对于缺陷远小于波长的光学图像，有用的特征会淹没在背景中，并受到来自硬件或软件方面的各种错误干扰，使得缺陷很难从原始光学图像中看到。
因此，从光学图像中定位和分类深亚波长缺陷非常具有挑战性。Purandare 等人介绍了一种机器学习技术，该技术结合了主成分分析和模拟光学图像，以从原始光学图像中挖掘缺陷的特征 [8]。
具体而言，他们对一些近似的电磁模拟缺陷图像进行变换，以生成具有可训练参数的合成噪声缺陷图像，使得其主成分可以充分捕获与缺陷特征相关的方差。
在 22 nm 和 9 nm 节点处检查平行和垂直缺陷的实验结果表明，即使缺陷比衍射极限小一个数量级，分类系统也可以准确定位和分类缺陷。
然而，这种方法还没有证明它对其他类型缺陷（如孤立缺陷和埋藏缺陷）的稳健性。
Henn 等人研究了线性分类器和 CNN 对基于 SEMATECH 定义的 3D 场效应晶体管模型的模拟光学图像的缺陷检测的影响 [199]。
他们的模拟表明，CNN 的性能优于线性分类器和 SNR，并且可以将缺陷的可检测性扩展到比照明波长小 20 倍的尺度。
总之，尽管深度学习已成为一种颇具吸引力的图像处理工具，但它尚未在实际生产线上得到广泛接受，尤其是在光学检测方面。
原因可能不仅包括“黑箱性质”和缺乏可解释性，还包括从纯光学图像中定位和分类深亚波长缺陷的能力尚未得到证实。
为了使深度学习技术真正适用于晶圆厂的光学缺陷检测，还需要开展更多的工作，特别是研究深度学习在光学缺陷检测中的灰色区域以及探索深度学习与光学物理之间的界限。
5. 结论与展望
本文回顾了光学图案化晶圆缺陷检测领域的最新发展。
本文深入讨论了光学缺陷检测中的传统方法，例如基于振幅的方法及其后处理算法。
本文重点介绍了新颖的检测机制，包括基于相位、轨道角动量、太赫兹波和双曲布洛赫模式的检测机制，以提醒读者它们在该领域开辟新方向的潜力。
毫无疑问，基于振幅的光学缺陷检测系统是晶圆厂的主力。
从瑞利散射的角度来看，任何深亚波长纳米结构（主尺寸为 d）从波长为 λ 的非偏振光束散射的光的振幅与 d3/λ2 成正比。
因此，基于振幅的系统本质上对深亚波长缺陷不敏感。
为提高缺陷的信噪比和对比度，在3D NAND闪存中埋藏缺陷的检测中采用超材料中常用的双曲布洛赫模式。
电磁波在类似布拉格光栅的腔体中来回反射引起的强共振模式对缺陷信号的放大起着关键作用。
基于相位的缺陷检测系统与基于振幅的缺陷检测系统不同，它与缺陷的高度成线性比例，这使得相位测量成为一种潜在的高灵敏度缺陷检测方法。
与光的轨道角动量类似，偏振态如今被充分理解为光自旋角动量的结果。
对于单色光，自旋和轨道角动量密度是电磁场及其空间梯度的函数，这至少在原则上表明，通过为给定的纳米图案定制照明光场可以优化缺陷灵敏度。
X射线叠层扫描与上述任何光学缺陷检测技术不同，是唯一能够直接对整个晶圆表面和底面 20 纳米以下缺陷进行成像的光学方法。上述系统的示意图如图 14 所示。
随着现代 IC 中材料和几何形状的复杂性不断增加，组合不同的系统以应对不同的挑战可能是一种趋势。
总之，我们个人从学术角度预测了三个与光学缺陷检测相关的潜在重要课题。
第一是图案化晶圆在极短波长（例如硬 X 射线范围）下的 3D 计算成像。由于硬 X 射线束仅被硅晶圆微弱吸收，一旦未来克服同步加速器 X 射线光源、海量数据和低速等缺点，X 射线叠层扫描技术有可能通过提供革命性的 3D 分辨率和灵敏度来渗透该领域。
第二种是基于结构光场的检测机制，将检测视为最大化缺陷灵敏度的优化问题。传统的缺陷检测工具广泛采用明场、环形和双极照明模式。
然而，这些照明模式的使用更像是一种经验驱动的行为。照明模式和缺陷之间缺乏物理联系。由于缺陷周围的图案基本上是由线和圆圈组成的，因此可以通过将背景图案激发为暗模式来定制结构化光场以抑制背景散射，而不会牺牲缺陷的信噪比[200]。
最后一种是面向样本的检测，其中预先研究样品的特性（例如材料的几何结构和光学特性）以优化光学检测系统。这也是业界正在做的事情。
光学缺陷检测虽然是一个长期存在的工程问题，但随着消费电子设备的爆炸式增长以及纳米光子学、结构化光场、计算成像、定量相位成像和深度学习等新兴技术的融合，光学缺陷检测重新焕发了活力。
我们应该强调的是，上述光学检测系统虽然最初是为图案化晶圆缺陷检测而设计的，但对许多其他领域也至关重要，包括但不限于光子传感、生物传感和混浊光子学。
（完）
