eng
Выпуск #5/2018
Н.Израилев, А.Казачков, И.Род, А.Исаченко, Д.Шамирян
Межпроцессный контроль критических размеров МЭМС-элементов в производстве
Межпроцессный контроль критических размеров МЭМС-элементов в производстве
Просмотры: 2643
В статье приведены результаты разработки программного обеспечения (ПО) для автоматического анализа оптических изображений. С использованием алгоритма выделения границ Дерише ПО рассчитывает геометрические параметры микроструктур на изображениях, полученных при помощи автоматизированной оптической системы в рамках межпроцессного контроля критических размеров (КР) МЭМС-продукции. Подобный контроль КР является одним из инструментов системы управления качества в производстве МЭМС. Разработанная методика позволяет с высокой точностью определять критические размеры чипов, расположенных на кремниевой или стеклянной пластине. Полная оптическая инспекция одной пластины диаметром 100 мм вместе с обработкой изображений занимает менее 10 мин. Хотя разработанное ПО предназначено для контроля параметров пластин определенных типов и размеров, использованные алгоритмы допускают значительное расширение его функциональности в будущем.
УДК 621.382; ВАК 05.27.01; DOI: 10.22184/1993-8578.2018.84.5.328.334
УДК 621.382; ВАК 05.27.01; DOI: 10.22184/1993-8578.2018.84.5.328.334
Теги: image processing microstructure optical inspection quality management микроструктуры обработка изображений оптическая инспекция управление качеством
Современное высокотехнологичное производство микроэлектромеханических систем (МЭМС) не может функционировать без развитой и хорошо управляемой системы контроля качества. Именно система контроля качества позволяет не только эффективно прогнозировать, но и минимизировать или же полностью предотвращать возможные риски в производстве, эффективно улучшать технологические процессы, обеспечивая своевременную поставку продукции, полностью отвечающей требованиям заказчика. Один из инструментов системы управления качеством описан в [1], где представлена методика, позволяющая своевременно детектировать дефекты оптической литографии в МЭМС-элементах и корректировать технологический процесс, тем самым повышая долю выхода годных изделий и не допуская доставку дефектной продукции заказчику. Настоящая работа посвящена другому важному инструменту системы управления качеством, который предназначен для мониторинга геометрических параметров продукции на разных производственных этапах. Мониторинг критических размеров структур МЭМС-элементов после процессов оптической литографии, травления оксида, глубокого травления кремния, напыления пленок позволяет не только устанавливать и прослеживать зависимости между параметрами вышеназванных процессов и их результатами, но также и следить за возникновением несоответствий в процессах и корректировать эти отклонения.
Наиболее распространенной технологией контроля критических размеров МЭМС является оптическая инспекция. Ручная оптическая инспекция требует больших временных затрат и сопряжена с рисками, связанными с ошибками операторов производства [2]. На рынке оптических приборов предлагаются достаточно развитые решения для контроля геометрических параметров топологических структур (например, [3, 4]), но во многих случаях такие приборы имеют очень высокую цену. В данной статье мы расскажем о методике автоматизированной обработки изображений, полученных при помощи автоматизированной оптической системы. Стоимость такого решения не превышает 13 тыс. евро, а система отвечает всем требованиям инспекции геометрических размеров МЭМС. Разработанная методика позволяет с требуемой точностью определять критические размеры сотен чипов, располагающихся на кремниевой или стеклянной пластине диаметром 100 мм. Полная оптическая инспекция одной пластины вместе с обработкой изображений занимает менее 10 мин, а выполнение той же операции на ручном оборудовании требует нескольких часов при нестабильной точности определения критических размеров из-за субъективной ("на глаз") оценки оператором границы измеряемой структуры.
ОПИСАНИЕ МЕТОДИКИ
В рамках автоматизации производства и улучшения контроля качества технологических процессов ООО "Маппер" был разработан программный продукт на языке ImageJ macro language [5] для обработки оптических изображений чипов на пластине и определения критических размеров заданных структур. Программное обеспечение (ПО) анализирует изображения, собирает данные о геометрических размерах в отдельный файл, а затем проверяет их на соответствие требованиям заказчика. Далее эта информация используется при принятии решения об отправлении пластины на следующий производственный этап или же на переработку. В сравнении с процедурой ручного контроля, автоматический способ позволяет увеличить производительность, а также исключить из контроля человеческий фактор.
Разработка и тестирование программы проводились на серии изображений, полученных с помощью автоматизированной оптической системы компании "Маппер". Схема данной оптической системы представлена на рис.1. На моторизированный столик по очереди подаются пластины диаметром 100 мм. Снятие изображений выполняется с заданной фокусировкой. Управление перемещением столика выполняется на основе протокола снятия таким образом, чтобы получить изображения всей интересующей поверхности. При обработке полученных снимков выполняется автоматическое сшивание кадров в общее изображение поверхности элемента. Полученное сшитое изображение подается на вход программе для получения данных о критических параметрах поверхностных структур.
Сформированное изображение имеет высокое разрешение, вследствие чего его размер в оперативной памяти может достигать нескольких гигабайт. Поскольку алгоритм обработки изображения также ресурсоемок, для экономии памяти на сшитом изображении выделяются и отправляются на обработку только отдельные значимые участки. Благодаря этому достигается выигрыш в скорости вычислений без потери точности. Поскольку точность нахождения границ микроструктур определяется размером пикселя, то оптические системы с более высоким разрешением будут обеспечивать большую точность конечного результата.
Помимо изображения, программа принимает на вход конфигурационный файл с указанными в нем настройками анализа и предоставляет на выходе результирующий файл с критическими параметрами структур и их статистическим распределением. Преимуществом данного подхода является то, что на вход может подаваться не только единичное изображение, но и целая серия изображений определенного типа. Программа способна автоматически выявлять несоответствия размеров структур, опираясь на технические требования заказчика продукции. Правильность загруженного конфигурационного файла определяется программой также автоматически, и она своевременно предупреждает пользователя в случае, если загрузка была произведена ошибочно.
Проверка эффективности и точности алгоритма осуществлялась методом двойного слепого тестирования. Анализ изображения начинается с того, что пользователь указывает референсную позицию на изображении. Используя ее, алгоритм высчитывает оптимальное расстояние между структурами и компенсирует отклонения в углах, появившиеся вследствие неточной загрузки пластины в оптическую систему. Помимо этого, отталкиваясь от референсной позиции, алгоритм с некоторым шагом сегментирует изображение пластины (ввиду его большого размера), выделяя границы структур, и находит их параметры. В тот момент, когда изображение полностью обработано согласно заданным настройкам, программа завершает работу.
Центральный алгоритм программного обеспечения основан на методе выделения границ Дерише (Deriche) [6], который, в свою очередь, был создан на базе соответствующего метода Кэнни (Canny) [7]. В сравнении с реализациями других методов преимуществом алгоритма Дерише является высокая степень как локализации границ, так и шумоподавления. Помимо этого, метод Дерише удобен с точки зрения наличия лишь одного параметра (α), управляющего соотношением между локализацией и шумоподавлением – его уменьшение ведет к ухудшению локализации и улучшению отношения сигнал-шум и наоборот, что было подтверждено в дальнейшем исследовании.
Чтобы определить оптимальное значение параметра α, была проведена серия экспериментов на границах структур, осложненных приграничными дефектами. Анализ тестовых изображений был проведен для четырех значений параметра α: 4; 2; 1; 0,5. Для каждого значения α вдоль отрезка, пересекающего как границу структуры, так и дефект, были построены графики интенсивности (рис.2). Дефект не является частью структуры и не должен определяться в качестве ее границы. Для определения оптимальности был использован критерий "одна граница – один отклик".
На рис.2а показано оригинальное изображение с изменением интенсивности на границе структуры и прилегающем к ней дефекте. При α = 4 (рис.2b) алгоритм работает не оптимально, так как для одной границы находится сразу три равнозначных отклика: от самой границы, а также от левой и правой сторон дефекта. При α = 2 (рис.2c) не происходит существенных изменений в графике интенсивности, однако можно заметить эффект подавления отклика от границ дефекта.
Рекомендованное в работе [6] значение α = 1 (рис.2d) показывает значительное улучшение определения границы структуры: разница в интенсивности между границей и дефектом становится заметно больше. Однако в процессе исследования было выявлено, что α = 0,5 (рис.2e) делает эту разницу еще заметнее без существенного ущерба для локализации границы. В пользу значения α = 0,5 говорят и проведенные эксперименты, которые показали, что при α = 1 подавление некоторых наиболее глубоких и крупных дефектов бывает не достаточным для достижения критерия оптимальности, что делает невозможным правильное определение критических размеров структуры.
Полученное ПО, благодаря сегментированию изображения и использованию метода Дерише с подобранным оптимальным значением параметра α = 0,5, способно обрабатывать изображение размером 2 Гб примерно за 2 мин. Алгоритм эффективно выявляет нужные границы и отделяет их от границ дефектов, находя критические размеры микроструктур. Также реализована обработка серии изображений, контроль за измеряемыми параметрами по ходу подсчета, контроль за ошибками пользователя при загрузке рецепта и вывод полученных результатов в отдельный файл со статистической обработкой.
ЗАКЛЮЧЕНИЕ
В статье представлена совокупность алгоритмов обработки изображений, реализованных на языке ImageJ macro language. С их помощью автоматизирован межпроцессный контроль геометрических размеров МЭМС-элементов на фабрике "Маппер". Результаты исследования алгоритма выделения границ Дерише позволили определить оптимальное значение параметра α. Для улучшения гибкости алгоритмов и возможности использования их для разных геометрий выпускаемой продукции были разработаны специальные конфигурационные файлы и предусмотрена возможность их создания с пользовательскими настройками.
Хотя разработанное ПО предназначалось для контроля параметров лишь определенных пластин, использованные алгоритмы допускают значительное расширение его функциональности в будущем. Внедрение программы на производстве компании "Маппер" позволило исключить влияние человеческого фактора на процессы измерения и сократить время контроля как отдельных пластин, так и их партий.
ЛИТЕРАТУРА / REFERENCES
1. Заблоцкая Е.Ю., Род И.А., Таренкин А.И., Казачков А.О., Шамирян Д.Г. Автоматизированная инспекция дефектов литографии как метод контроля качества МЭМС-элементов // Нано- и микросистемная техника. 2017. Т. 19. № 10. C. 605–613.
Zablotskaya E.Yu., Rod I.A., Tarenkin A.I., Kazachkov A.O., Shamiryan D.G. Automated Detection of Lithography Defects as a Method of Quality Management for MEMS Elements. Nano- and microsystems technology. 2017. Vol. 19. No. 10. P. 605–613.
2. Toyoda Y., Shindo H., Hojo Y., Fuchimoto D. SEM-contour shape analysis based on circuit structure for advanced systematic defect inspection. Proceedings Volume 9050, Metrology, Inspection, and Process Control for Microlithography XXVIII. 2014. 90502V.
3. Фалк Г. Гибкие решения для оптического контроля качества // НАНОИНДУСТРИЯ. 2018. № 1. C. 24–27.
Falk G. Flexible solutions for optical quality control. NANOINDUSTRY. 2018. No. 1. P. 24–27.
4. Tencor Introduces New Metrology Systems for Leading-Edge Integrated Circuit Device Technologies. MILPITAS, Calif., Feb. 22, 2017 //PRNewswire. Available at: http://ir.kla-tencor.com/news-releases/news-release-details/kla-tencor-introduces-new-metrology-systems-leading-edge. (Accessed 30 July 2018).
5. ImageJ macro language information. Available at: https://imagej.nih.gov/ij. (Accessed 30 July 2018).
6. Deriche R. Using Canny›s criteria to derive a recursively implemented optimal edge detector. Int. J. Computer Vision. April 1987. V. 1. P. 167–187.
7. Canny J. A Computational Approach To Edge Detection. IEEE Trans. Pattern Analysis and Machine Intelligence. 1986. V. 8. No 6. P. 1986679–698.
Наиболее распространенной технологией контроля критических размеров МЭМС является оптическая инспекция. Ручная оптическая инспекция требует больших временных затрат и сопряжена с рисками, связанными с ошибками операторов производства [2]. На рынке оптических приборов предлагаются достаточно развитые решения для контроля геометрических параметров топологических структур (например, [3, 4]), но во многих случаях такие приборы имеют очень высокую цену. В данной статье мы расскажем о методике автоматизированной обработки изображений, полученных при помощи автоматизированной оптической системы. Стоимость такого решения не превышает 13 тыс. евро, а система отвечает всем требованиям инспекции геометрических размеров МЭМС. Разработанная методика позволяет с требуемой точностью определять критические размеры сотен чипов, располагающихся на кремниевой или стеклянной пластине диаметром 100 мм. Полная оптическая инспекция одной пластины вместе с обработкой изображений занимает менее 10 мин, а выполнение той же операции на ручном оборудовании требует нескольких часов при нестабильной точности определения критических размеров из-за субъективной ("на глаз") оценки оператором границы измеряемой структуры.
ОПИСАНИЕ МЕТОДИКИ
В рамках автоматизации производства и улучшения контроля качества технологических процессов ООО "Маппер" был разработан программный продукт на языке ImageJ macro language [5] для обработки оптических изображений чипов на пластине и определения критических размеров заданных структур. Программное обеспечение (ПО) анализирует изображения, собирает данные о геометрических размерах в отдельный файл, а затем проверяет их на соответствие требованиям заказчика. Далее эта информация используется при принятии решения об отправлении пластины на следующий производственный этап или же на переработку. В сравнении с процедурой ручного контроля, автоматический способ позволяет увеличить производительность, а также исключить из контроля человеческий фактор.
Разработка и тестирование программы проводились на серии изображений, полученных с помощью автоматизированной оптической системы компании "Маппер". Схема данной оптической системы представлена на рис.1. На моторизированный столик по очереди подаются пластины диаметром 100 мм. Снятие изображений выполняется с заданной фокусировкой. Управление перемещением столика выполняется на основе протокола снятия таким образом, чтобы получить изображения всей интересующей поверхности. При обработке полученных снимков выполняется автоматическое сшивание кадров в общее изображение поверхности элемента. Полученное сшитое изображение подается на вход программе для получения данных о критических параметрах поверхностных структур.
Сформированное изображение имеет высокое разрешение, вследствие чего его размер в оперативной памяти может достигать нескольких гигабайт. Поскольку алгоритм обработки изображения также ресурсоемок, для экономии памяти на сшитом изображении выделяются и отправляются на обработку только отдельные значимые участки. Благодаря этому достигается выигрыш в скорости вычислений без потери точности. Поскольку точность нахождения границ микроструктур определяется размером пикселя, то оптические системы с более высоким разрешением будут обеспечивать большую точность конечного результата.
Помимо изображения, программа принимает на вход конфигурационный файл с указанными в нем настройками анализа и предоставляет на выходе результирующий файл с критическими параметрами структур и их статистическим распределением. Преимуществом данного подхода является то, что на вход может подаваться не только единичное изображение, но и целая серия изображений определенного типа. Программа способна автоматически выявлять несоответствия размеров структур, опираясь на технические требования заказчика продукции. Правильность загруженного конфигурационного файла определяется программой также автоматически, и она своевременно предупреждает пользователя в случае, если загрузка была произведена ошибочно.
Проверка эффективности и точности алгоритма осуществлялась методом двойного слепого тестирования. Анализ изображения начинается с того, что пользователь указывает референсную позицию на изображении. Используя ее, алгоритм высчитывает оптимальное расстояние между структурами и компенсирует отклонения в углах, появившиеся вследствие неточной загрузки пластины в оптическую систему. Помимо этого, отталкиваясь от референсной позиции, алгоритм с некоторым шагом сегментирует изображение пластины (ввиду его большого размера), выделяя границы структур, и находит их параметры. В тот момент, когда изображение полностью обработано согласно заданным настройкам, программа завершает работу.
Центральный алгоритм программного обеспечения основан на методе выделения границ Дерише (Deriche) [6], который, в свою очередь, был создан на базе соответствующего метода Кэнни (Canny) [7]. В сравнении с реализациями других методов преимуществом алгоритма Дерише является высокая степень как локализации границ, так и шумоподавления. Помимо этого, метод Дерише удобен с точки зрения наличия лишь одного параметра (α), управляющего соотношением между локализацией и шумоподавлением – его уменьшение ведет к ухудшению локализации и улучшению отношения сигнал-шум и наоборот, что было подтверждено в дальнейшем исследовании.
Чтобы определить оптимальное значение параметра α, была проведена серия экспериментов на границах структур, осложненных приграничными дефектами. Анализ тестовых изображений был проведен для четырех значений параметра α: 4; 2; 1; 0,5. Для каждого значения α вдоль отрезка, пересекающего как границу структуры, так и дефект, были построены графики интенсивности (рис.2). Дефект не является частью структуры и не должен определяться в качестве ее границы. Для определения оптимальности был использован критерий "одна граница – один отклик".
На рис.2а показано оригинальное изображение с изменением интенсивности на границе структуры и прилегающем к ней дефекте. При α = 4 (рис.2b) алгоритм работает не оптимально, так как для одной границы находится сразу три равнозначных отклика: от самой границы, а также от левой и правой сторон дефекта. При α = 2 (рис.2c) не происходит существенных изменений в графике интенсивности, однако можно заметить эффект подавления отклика от границ дефекта.
Рекомендованное в работе [6] значение α = 1 (рис.2d) показывает значительное улучшение определения границы структуры: разница в интенсивности между границей и дефектом становится заметно больше. Однако в процессе исследования было выявлено, что α = 0,5 (рис.2e) делает эту разницу еще заметнее без существенного ущерба для локализации границы. В пользу значения α = 0,5 говорят и проведенные эксперименты, которые показали, что при α = 1 подавление некоторых наиболее глубоких и крупных дефектов бывает не достаточным для достижения критерия оптимальности, что делает невозможным правильное определение критических размеров структуры.
Полученное ПО, благодаря сегментированию изображения и использованию метода Дерише с подобранным оптимальным значением параметра α = 0,5, способно обрабатывать изображение размером 2 Гб примерно за 2 мин. Алгоритм эффективно выявляет нужные границы и отделяет их от границ дефектов, находя критические размеры микроструктур. Также реализована обработка серии изображений, контроль за измеряемыми параметрами по ходу подсчета, контроль за ошибками пользователя при загрузке рецепта и вывод полученных результатов в отдельный файл со статистической обработкой.
ЗАКЛЮЧЕНИЕ
В статье представлена совокупность алгоритмов обработки изображений, реализованных на языке ImageJ macro language. С их помощью автоматизирован межпроцессный контроль геометрических размеров МЭМС-элементов на фабрике "Маппер". Результаты исследования алгоритма выделения границ Дерише позволили определить оптимальное значение параметра α. Для улучшения гибкости алгоритмов и возможности использования их для разных геометрий выпускаемой продукции были разработаны специальные конфигурационные файлы и предусмотрена возможность их создания с пользовательскими настройками.
Хотя разработанное ПО предназначалось для контроля параметров лишь определенных пластин, использованные алгоритмы допускают значительное расширение его функциональности в будущем. Внедрение программы на производстве компании "Маппер" позволило исключить влияние человеческого фактора на процессы измерения и сократить время контроля как отдельных пластин, так и их партий.
ЛИТЕРАТУРА / REFERENCES
1. Заблоцкая Е.Ю., Род И.А., Таренкин А.И., Казачков А.О., Шамирян Д.Г. Автоматизированная инспекция дефектов литографии как метод контроля качества МЭМС-элементов // Нано- и микросистемная техника. 2017. Т. 19. № 10. C. 605–613.
Zablotskaya E.Yu., Rod I.A., Tarenkin A.I., Kazachkov A.O., Shamiryan D.G. Automated Detection of Lithography Defects as a Method of Quality Management for MEMS Elements. Nano- and microsystems technology. 2017. Vol. 19. No. 10. P. 605–613.
2. Toyoda Y., Shindo H., Hojo Y., Fuchimoto D. SEM-contour shape analysis based on circuit structure for advanced systematic defect inspection. Proceedings Volume 9050, Metrology, Inspection, and Process Control for Microlithography XXVIII. 2014. 90502V.
3. Фалк Г. Гибкие решения для оптического контроля качества // НАНОИНДУСТРИЯ. 2018. № 1. C. 24–27.
Falk G. Flexible solutions for optical quality control. NANOINDUSTRY. 2018. No. 1. P. 24–27.
4. Tencor Introduces New Metrology Systems for Leading-Edge Integrated Circuit Device Technologies. MILPITAS, Calif., Feb. 22, 2017 //PRNewswire. Available at: http://ir.kla-tencor.com/news-releases/news-release-details/kla-tencor-introduces-new-metrology-systems-leading-edge. (Accessed 30 July 2018).
5. ImageJ macro language information. Available at: https://imagej.nih.gov/ij. (Accessed 30 July 2018).
6. Deriche R. Using Canny›s criteria to derive a recursively implemented optimal edge detector. Int. J. Computer Vision. April 1987. V. 1. P. 167–187.
7. Canny J. A Computational Approach To Edge Detection. IEEE Trans. Pattern Analysis and Machine Intelligence. 1986. V. 8. No 6. P. 1986679–698.
Отзывы читателей
