本发明实施例是涉及半导体结构样本及其制备、分析系统和缺陷检测方法。
背景技术：
缺陷分析(defectanalysis)是半导体器件制作的重要部分。举例来说，在半导体器件的制作期间形成的各种结构中可能会出现缺陷。这些缺陷可能是由于制作期间采用有瑕疵的工艺造成的，或者是由于其他原因(例如在器件的制作期间所使用的材料有瑕疵)造成的。
缺陷的分析可包括获取形成在半导体晶片上的半导体结构的薄样本。接着可由显微设备对样本进行分析，以判断样本是否包括缺陷(例如由制作工艺中的一者或多者造成的缺陷)。
技术实现要素：
根据一个实施例，一种半导体结构样本制备及分析系统包括：半导体结构样本，所述半导体结构样本包括结构、位于所述结构上的保护性顶盖层及位于所述保护性顶盖层上的间隙填充剂材料。显微装置被配置成获取所述半导体结构样本的图像。样本缺陷识别电路系统被配置成基于所获取的图像来确定所述半导体结构样本中缺陷的存在。
附图说明
结合附图阅读以下详细说明，会最好地理解本公开的各个方面。应注意，根据本行业中的标准惯例，各种特征并非按比例绘制。事实上，为使论述清晰起见，可任意增大或减小各种特征的尺寸。
图1是示意性地示出根据一些实施例的半导体结构样本制备及分析系统的方块图。
图2是示出根据一些实施例的样本半导体结构的剖视图。
图3是示出比较例半导体结构的剖视图。
图4是示出根据一些实施例的样本缺陷识别系统的方块图。
图5是示出根据一个或多个实施例的半导体结构样本缺陷检测方法的流程图。
具体实施方式
以下公开提供用于实施所提供主题的不同特征的许多不同实施例或实例。以下阐述组件及排列的具体实例以简化本公开。当然，这些仅为实例且不旨在进行限制。举例来说，以下说明中将第一特征形成在第二特征“之上”或第二特征“上”可包括其中第一特征与第二特征被形成为直接接触的实施例，且也可包括其中第一特征与第二特征之间可形成有附加特征从而使得所述第一特征与所述第二特征可不直接接触的实施例。另外，本公开可能在各种实例中重复使用参考编号和/或字母。这种重复使用是出于简洁及清晰的目的，而不是自身指示所论述的各种实施例和/或配置之间的关系。
此外，为易于说明，本文中可能使用例如“在…之下”、“在…下方”、“下部的”、“在…上方”、“上部的”等空间相对性用语来阐述图中所示的一个元件或特征与另一(其他)元件或特征的关系。所述空间相对性用语旨在除图中所绘示的取向外还囊括器件在使用或操作中的不同取向。装置可具有其他取向(旋转90度或处于其他取向)，且本文中所使用的空间相对性描述语可同样相应地进行解释。
在各种实施例中，本公开提供可识别或确定半导体结构样本中的缺陷的系统、方法及器件。
本文中所提供的实施例包括基于所获取的半导体结构样本(例如，被制备用于显微分析的样本)的图像来确定半导体结构样本中缺陷的存在的系统及方法。在一些实施例中，利用机器学习技术来分析所获取的半导体结构样本的图像，且所述分析可至少部分地基于存储在样本缺陷数据库中的半导体结构样本的历史图像。
在各种实施例中，提供半导体结构样本，在半导体结构样本中，保护性顶盖层具有有利于在保护性顶盖层与间隙填充剂材料之间实现强粘合的性质(例如，高强度及高硬度)，以使得在电子束对样本进行辐照期间间隙填充剂材料不会收缩或变形。
图1是示意性地示出根据本公开一个或多个实施例的半导体结构样本制备及分析系统100的方块图。
如图1所示，半导体结构样本制备及分析系统100可包括样本制备装置110及显微装置120。样本制备装置110可用于制备半导体结构的样本，以供显微装置120进行分析。举例来说，样本可为半导体晶片的在对晶片的先前处理期间上面已形成有各种半导体层、导电层、绝缘层等的部分。
样本制备装置110可包括相关领域中的技术人员已知的样本制备装置的任何特征或组件。样本制备装置110可用于获得结构的薄样本，所述薄样本可例如由显微装置120进行分析以用于工艺验证、用于确定缺陷等。举例来说，薄样本可用于由显微装置120进行的结构分析中，显微装置120可为对样本的一个或多个结构进行检查或进行表征的任何合适的显微装置或工具，包括例如透射电子显微(transmissionelectronmicroscopy，tem)装置、扫描电子显微(scanningelectronmicroscopy，sem)装置或原子探针显微(atomprobemicroscopy)装置。
在制备供显微装置120进行分析的结构的薄样本的过程中，可实行各种抛光及磨削(milling)工艺(例如，由样本制备装置110实行)，从而可获得具有合适厚度(例如，在一些实施例中小于1μm的厚度)的样本。在各种实施例中，样本制备装置110可包括用于制备具有对于由显微装置120进行分析而言所期望尺寸的结构的样本(例如，从半导体晶片等进行制备)的各种组件或特征中的任意组件或特征。
在各种实施例中，样本制备装置110可包括用于形成半导体晶片的一部分的一个或多个层或从半导体晶片的一部分移除一个或多个层的特征及功能，以获得要由显微装置120进行表征或测量的结构的样本。举例来说，在一些实施例中，样本制备装置110可包括沉积工具112，沉积工具112可被配置成实行聚焦离子束(focusedionbeam，fib)、反应性离子蚀刻(reactiveionetching，rie)或离子磨削技术中的一者或多者，以用于制备要由显微装置120进行分析的半导体结构的样本。作为实例，在fib技术中，聚焦离子束用于局部地沉积或移除材料以获得半导体结构的样本。包含原子簇(clusterofatom)的电离束聚焦到半导体结构的表面上，且原子簇散射在所述表面之上并沉积，以在半导体结构上形成膜或材料层。此种技术可用于在半导体结构之上沉积各种层(包括例如导电层(例如，如外延铝等金属)、绝缘层(例如，如氧化硅等氧化物)、保护性顶盖层或可被提供在要由显微装置120进行分析的样本的半导体结构上的任何其他层)。
在一些实施例中，沉积工具112被配置成在样本的一个或多个结构的至少一部分上形成保护层，且在一些实施例中，沉积工具112被配置成在样本的所述一个或多个结构之间形成间隙填充层。
显微装置120可包括相关领域中的技术人员已知的显微装置的任何特征或组件。在各种实施例中，显微装置120可为透射电子显微(tem)装置、扫描电子显微(sem)装置或原子探针显微装置。显微装置120用于分析样本半导体结构(例如由样本制备装置110制备的样本)且可用于工艺验证或确定半导体晶片中的缺陷。
如图1所示，显微装置120可包括产生电磁辐射束124的电磁辐射源122、载物台(stage)126及接收分析或测量信号128的检测器130。将容易地理解，根据例如显微装置的类型、或者要对样本132实行的测量或分析的类型而定，在各种实施例中，显微装置120中的各种特征或组件可具有其他配置且可包括或省略显微装置120中的各种特征或组件。在所绘示的实施例中，显微装置120用于确定或表征样本132的结构的特征(例如结构的测量值(例如，形状或尺寸)、结构的化学组成或结构中的缺陷)，且显微装置120还可用于确定半导体制作工艺中任何此种缺陷的来源。举例来说，显微装置120可用于验证或以其他方式调节半导体制作工艺。
样本132可包括半导体晶片衬底、掩模衬底、半导体器件或半导体晶片衬底的一部分、掩模衬底的一部分或半导体器件的一部分。
电磁辐射源122可包括用于产生电磁辐射束124(例如光束、电子束或离子束)的源。载物台126可为适于固定样本132的任何结构，且在一些实施例中可实现或以其他方式有利于样本132在一个或多个方向(例如，x方向、y方向及z方向)上的移动或样本132的旋转。在各种实施例中，载物台126可包括马达、辊引导件(rollerguide)、工作台等，以用于在任何期望的方向上准确地定位及移动样本132且使电磁辐射束能够聚焦到样本132的期望的部分。测量信号128可包括由样本132的一个或多个特征(例如，要被分析的结构)与聚焦在样本132上的电磁辐射束124之间的相互作用产生的电磁辐射脉冲信号。检测器130接收测量信号128且利用处理器134将测量信号128转换成样本132的结构的表征形式(例如样本132的结构的视觉表示形式(例如，sem、tem或原子探针图像))。检测器130可包括光检测器、电子检测器、离子检测器等。处理器134可为或可包括能够在运行时将测量信号128转换成样本132的结构的表征形式(例如，图像)的任何计算机处理器、微处理器、处理电路系统等。在一些实施例中，处理器134可能够在运行时控制电磁辐射束124从电磁辐射源122的发射。
在一些实施例中，样本制备装置110及显微装置120被组合在或以其他方式包括在同一装置中。举例来说，在一些实施例中，本文中针对样本制备及显微分析所阐述的特征及功能可由同一装置实行。另外，在各种实施例中，样本制备装置110可包括具有本文中针对显微装置120的载物台126所阐述的特征或功能中的任意特征及功能的载物台。举例来说，样本制备装置110的载物台可被配置成保持用于从中提取样本132的半导体晶片，且可被进一步配置成在各种层(例如保护性顶盖层及间隙填充剂，其特征将在本文中进一步详细阐述)的沉积期间保持样本或晶片。
在一些实施例中，半导体结构样本制备及分析系统100还包括冷却系统140，冷却系统140能够在运行时控制样本制备装置110或显微装置120内的环境的温度。举例来说，在一些实施例中，冷却系统140维持样本制备装置110及显微装置120中的一者或两者中样本132所处的腔室或类似环境内的温度。冷却系统140可包括在冷却系统中可为已知的各种特征或组件。在一些实施例中，冷却系统140可包括流体泵及一个或多个流体导管(fluidconduit)，可经由所述流体泵及所述一个或多个流体导管提供冷却流体来冷却样本132所处的环境(例如，样本制备装置110或显微装置120内的环境)。在各种实施例中，冷却系统140所使用的冷却流体可为空气、水、液氮(ln2)、液氦(lhe)或任何其他合适的冷却剂。
在一些实施例中，冷却系统140可包括一个或多个温度传感器142，所述一个或多个温度传感器142位于其中设置有样本132且由冷却系统140进行冷却的环境中。举例来说，冷却系统140可包括位于样本制备装置110内(例如，样本制备装置110的在其中从半导体晶片取出样本132的腔室内)的温度传感器142或者位于显微装置120内(例如，显微装置120的在其中由显微装置120对样本132进行分析的腔室内)的温度传感器142。温度传感器142可向作为冷却系统140的部件而包括的处理器或控制电路系统提供环境的温度读数，且冷却系统140可基于由温度传感器142测量出的温度来调节环境的温度(例如，通过增加冷却流体的流量等来进行调节)。在一些实施例中，冷却系统140将样本制备装置110中或显微装置120中的环境的温度维持在低于25℃。在一些实施例中，冷却系统140将环境的温度维持在低于20℃，且在一些实施例中低于10℃。如本文中稍后将进一步详细论述，将样本132所处于的环境的温度维持在适当低的温度可有助于防止或减少样本132中的缺陷。
半导体结构样本制备及分析系统100还可包括样本缺陷识别电路系统150，样本缺陷识别电路系统150可以通信方式耦合到样本制备装置110或显微装置120且能够在运行时例如采用人工智能(artificialintelligence)技术(例如通过图像识别等)检测或预测样本132中一个或多个缺陷的存在。此将针对图4进一步详细阐述。
图2是示出根据本公开一个或多个实施例的样本半导体结构的剖视图。
样本232可为由样本制备装置110制备的任何样本，例如针对图1阐述的样本132。举例来说，样本232可为半导体晶片的在晶片的先前处理期间上面已形成有各种半导体层、导电层、绝缘层等的部分。样本232可包括对于相关领域中的技术人员可为已知的任何层、特征等。
在图2所示的实例中，样本232包括形成在衬底205上的多个结构210。衬底205可为由任何适用于半导体器件制造的材料形成的半导体衬底。举例来说，衬底205可为硅衬底；然而，本文中提供的实施例并非仅限于此。举例来说，在各种实施例中，衬底205可包含砷化镓(gaas)、氮化镓(gan)、碳化硅(sic)或任何其他半导体材料。根据设计规范而定，衬底205可包括各种掺杂配置。
结构210形成在衬底205上，且结构210可为由在半导体器件的制造中使用的任何材料形成的结构。举例来说，在各种实施例中，结构210可为介电结构、导电结构、半导体结构或由任何其他层或材料形成的结构。图2所示的实例中的结构210是要由显微装置120进行分析或表征(例如成像)的样本232的结构。
在结构210上形成有保护性顶盖层212。在一些实施例中，保护性顶盖层212由高强度及高硬度材料形成。在各种实施例中，保护性顶盖层212包含铂(pt)、钛(ti)、钽(ta)、钴(co)、或镍(ni)或其任何合金中的至少一者。
在一些实施例中，保护性顶盖层212由具有大于3.5的莫氏硬度(mohshardness)的金属或含金属材料形成。在一些实施例中，保护性顶盖层212具有大于158gpa的杨氏模量(youngmodulus)。在一些实施例中，保护性顶盖层212由具有大于3.5的莫氏硬度及大于158gpa的杨氏模量的金属或含金属材料形成。
样本232还包括间隙填充剂214，间隙填充剂214接触保护性顶盖层212且在结构210之间延伸。在一些实施例中，间隙填充剂214可接触衬底205的表面，如图所示。在各种实施例中，间隙填充剂214可由有机材料或无机材料形成。在一些实施例中，间隙填充剂214由有机材料形成，所述有机材料由至少3％的碳(c)制成。在一些实施例中，间隙填充剂214由包含碳(c)、氧(o)或氮(n)中的至少一者的材料形成。
在一些实施例中，间隙填充剂214由通过原子层沉积(atomiclayerdeposition，ald)沉积而成的具有高的高宽比(aspectratio)的材料形成。举例来说，间隙填充剂214可为包括以下中的至少一者的具有高的高宽比的原子层沉积材料：tin、tan、tio、zno、alo、si、ni、co或其任意组合或合金。
保护性顶盖层212及间隙填充剂214可例如通过样本制备装置110的沉积工具112形成。
图3是示出比较例半导体结构的剖视图，可将比较例半导体结构与图2所示的改良结构进行比较观察。在图3的比较例中，样本323包括形成在多个结构310之上的保护性顶盖层312，所述多个结构310形成在衬底305上。间隙填充剂314形成在结构310之间且可至少局部地接触衬底305。然而，与图2所示的样本232相比，样本323包括由样本制备或显微装置的分析造成的各种缺陷。具体来说，应注意，当间隙填充剂314被电子束辐照时(例如，在样本制备期间或显微分析期间)，由于间隙填充剂314的组成，间隙填充剂314将收缩。间隙填充剂314的收缩可在样本323中(例如，在相邻的结构310之间)造成空隙315，在空隙315中不再存在间隙填充剂314。另外，间隙填充剂314的收缩可引起结构310的一些部分的弯曲或破裂，这是由于结构310可由间隙填充剂314支撑且因此可响应于间隙填充剂314的变形(例如，收缩)而变形。如图3所示，结构310可包括一个或多个变形部分317，所述一个或多个变形部分317可例如因间隙填充剂314的变形而弯曲。在一些实例中，由于保护性顶盖层312具有过大的厚度，因此结构310的变形部分317可能会弯曲或以其他方式发生变形。
另外，如图3所示，样本323的保护性顶盖层312包括各种缺陷区313。保护性顶盖层312的缺陷区313可包括可由间隙填充剂314的收缩而造成的裂缝或破裂部分。
相反，再次参照图2所示的样本232，通过由高强度及高硬度材料(例如，具有大于3.5的莫氏硬度及大于158gpa的杨氏模量)形成保护性顶盖层212，保护性顶盖层212更可靠地贴合到周围的间隙填充剂214且保护性顶盖层212可更牢固地抓住间隙填充剂214，以使间隙填充剂214在电子束的辐照期间(例如，在样本制备或显微分析期间)不收缩。如图2所示，结构210可沿着与衬底205的表面垂直的轴是实质上直的，且在一些实施例中，样本232的结构210中的每一者可关于结构210的长轴(例如，与衬底205的表面垂直的轴)实质上对称。
另外，通过使用有机膜或ald沉积膜形成间隙填充剂214(与通过化学气相沉积(chemicalvapordeposition，cvd)形成的图3所示间隙填充剂314相反)，间隙填充剂214具有大大改善的孔隙填充率(porefillingrate)且实质上填充结构210之间的空间而不会出现大的空隙或其他缺陷区。另外，在样本制备或显微分析(例如，由样本制备装置110及显微装置120进行)期间，样本232可被冷却系统140冷却，此可进一步减少或防止保护性顶盖层212或间隙填充剂214中缺陷的出现。举例来说，冷却的环境可减少或防止间隙填充剂材料收缩的不利影响。
再次参照图1，通过分析样本132(例如，由样本制备装置110或显微装置120对样本132进行成像或以其他方式进行表征)，可由样本缺陷识别电路系统150确定样本132中的一个或多个缺陷，此有利于样本的修复或样本制备装置110的调节，从而得到不具有缺陷的样本。
图4是示出根据本公开实施例的样本缺陷识别系统400的方块图。样本缺陷识别系统400可与图1所示的半导体结构样本制备及分析系统100结合使用且可包括半导体结构样本制备及分析系统100的特征或功能中的一者或多者。举例来说，样本缺陷识别系统400可包括样本缺陷识别电路系统150、以及样本制备装置110或显微装置120的一个或多个特征。然而，由本公开提供的实施例并非仅限于此。
如图4所示，样本缺陷识别系统400包括成像器件430及样本缺陷识别电路系统150。
成像器件430可包括在样本制备装置110或显微装置120中。在图4中，样本制备装置及显微装置被示出为组合成同一装置(例如，样本制备及显微装置110/120)的部件。成像器件430可为或可包括例如图1所示检测器130或处理器134的特征及功能。举例来说，成像器件430可为在由样本制备及显微装置110/120进行分析期间得到样本的图像(例如通过tem、sem或原子探针显微得到图像)的器件。
成像器件430以通信方式耦合到样本缺陷识别电路系统150，以使样本缺陷识别电路系统150接收由成像器件430输出的与样本相关联的图像或图像数据。成像器件430可通过任何合适的通信网络以通信方式耦合到样本缺陷识别电路系统150。通信网络可利用一个或多个协议经由一个或多个物理网络(包括局域网络、无线网络、专用线路、内部网、互联网等)进行通信。
在一些实施例中，通信网络包括将成像器件430以通信方式耦合到样本缺陷识别电路系统150的一条或多条电线。在一些实施例中，通信网络可包括用于将信号从成像器件430传送到样本缺陷识别电路系统150的无线网络401。举例来说，如图4所示，成像器件430可通过无线网络401以通信方式耦合到样本缺陷识别电路系统150。在一些实施例中，样本缺陷识别电路系统150可被包括为图1所示的显微装置120的处理器134的部件。
样本缺陷识别电路系统150可为或可包括被配置成实行本文所述样本缺陷识别技术的任何电路系统。在一些实施例中，样本缺陷识别电路系统150可包括被配置成实行本文中针对样本缺陷识别电路系统150所述的各种功能及操作的计算机处理器、微处理器、微控制器等，或者由所述计算机处理器、微处理器、微控制器等来执行。举例来说，样本缺陷识别电路系统150可由通过所存储的计算机程序而选择性激活或重新配置的计算机处理器来执行，或者可为用于施行本文所述特征及操作的专门构建的计算平台。在一些实施例中，样本缺陷识别电路系统150可被配置成执行存储在任何计算机可读存储媒体(包括例如只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flashmemory)、硬盘驱动器、光学存储装置、磁性存储装置、电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、有机存储媒体等)中的软件指令。
样本缺陷识别电路系统150可从成像器件430接收由样本制备及显微装置110/120制备或分析的样本的图像。样本缺陷识别电路系统150对图像进行分析，以预测或确定半导体结构样本中的缺陷，例如，基于所接收的样本的图像与过去数据的比较或基于由已使用表示缺陷的过去数据(例如，具有一个或多个缺陷的半导体结构样本的过去图像)进行训练的机器学习模型对所接收的图像的分析来预测或确定半导体结构样本中的缺陷。
在一些实施例中，样本缺陷识别电路系统150可采用一种或多种人工智能或机器学习技术来预测或确定半导体结构样本中缺陷的存在，在一些实施例中，此可至少部分地由机器学习电路系统460来实施。可例如响应于从成像器件430接收到所检查的半导体结构样本的图像，由样本缺陷识别电路系统150自动地执行由样本缺陷识别电路系统150作出的本文所述的一些或所有决定。机器学习电路系统460可被包括为样本缺陷识别电路系统150的部件(如图所示)，或者可远程定位并以通信方式耦合到样本缺陷识别电路系统150。机器学习电路系统460可使用表示半导体结构样本中的缺陷或缺陷状况的过去数据(例如，机器学习电路系统460可基于过去数据进行训练)来预测或确定半导体结构样本中缺陷的存在，且机器学习电路系统460可将所接收的图像与过去数据进行比较，以基于与过去数据或与包含在机器学习电路系统460内、由机器学习电路系统460管理或可以其他方式存取的训练模型的相似性或偏差来预测或确定半导体结构样本中缺陷的存在。
本文中使用“人工智能”来广义地描述可学习知识(例如，基于训练数据进行学习)且使用此种学习到的知识来调整其解决一个或多个问题的方法(例如，通过基于所接收的输入(例如，所接收的半导体结构样本的图像)作出推断)的任何计算智能系统及方法。机器学习一般指人工智能的子领域或类别，且在本文中用于广义地描述在一个或多个计算机系统或电路系统(例如处理电路系统)中实施的且基于样本数据(或训练数据)构建一个或多个模型以作出预测或决策的任何算法、数学模型、统计模型等。
样本缺陷识别电路系统150或机器学习电路系统460可采用例如神经网络、深度学习、卷积神经网络(convolutionalneuralnetwork)、贝叶斯程序学习(bayesianprogramlearning)、支持向量机(supportvectormachine)及图案识别技术来解决问题，例如预测或确定半导体结构样本中缺陷的存在。此外，样本缺陷识别电路系统150或机器学习电路系统460可实施以下计算算法或技术中的任何一种或其组合：分类(classification)、回归(regression)、监督学习(supervisedlearning)、无监督学习(unsupervisedlearning)、特征学习(featurelearning)、聚类(clustering)、决策树(decisiontrees)、图像识别(imagerecognition)等。
作为一个实例，样本缺陷识别电路系统150或机器学习电路系统460可利用人工神经网络来开发、训练或更新一个或多个机器学习模型，所述一个或多个机器学习模型可用来预测或确定半导体结构样本中缺陷的存在。示例性人工神经网络可包括多个相互连接的“神经元”，所述神经元在彼此之间交换信息。连接具有可根据经验进行微调的数值权重，且因此神经网络能够适应于输入且能够学习。“神经元”可包括在彼此连接的多个单独的层(例如输入层、隐藏层及输出层)中。可通过向输入层提供训练数据(例如，表示半导体结构样本中的缺陷的过去数据或过去图像)来对神经网络进行训练。通过训练，神经网络可产生和/或修改隐藏层，隐藏层代表将在输入层处提供的训练数据映射到输出层处的已知输出信息的加权连接(例如，将所接收的图像数据分类为具有一个或多个缺陷、缺陷状况等)。通过训练过程形成的且可包括权重连接关系的输入层、隐藏层及输出层的神经元之间的关系可被存储为例如机器学习电路系统460内的一个或多个机器学习模型或者可由机器学习电路系统460存取的一个或多个机器学习模型。
一旦神经网络被充分训练，便可在输入层处向神经网络提供非训练数据(例如，在样本制备及显微装置110/120的操作期间接收到的半导体结构样本的新图像)。利用样本缺陷知识(例如，存储在机器学习模型中且可包括例如神经网络的神经元之间的加权连接信息)，神经网络可在输出层处作出关于所接收的图像的决定。举例来说，神经网络可预测或确定半导体结构样本中缺陷的存在。
通过采用一种或多种计算智能技术和/或机器学习技术，样本缺陷识别电路系统150可进行学习(例如，通过基于训练数据开发和/或更新机器学习算法或模型)以至少部分地基于通过机器学习电路系统460的训练而开发或以其他方式学习到的知识、推断等来预测或确定半导体结构样本中缺陷的存在。
在一些实施例中，样本缺陷识别电路系统150或机器学习电路系统460可基于保护性顶盖层212及间隙填充剂214的所确定或所识别的尺寸或空间布置来确定半导体结构样本中缺陷的存在。举例来说，在一些实施例中，样本缺陷识别电路系统150或机器学习电路系统460被配置成确定或识别保护性顶盖层212及间隙填充剂214的厚度。样本缺陷识别电路系统150或机器学习电路系统460可基于保护性顶盖层212或间隙填充剂214的厚度来确定所检查的样本(例如，由成像器件430成像的样本)包括一个或多个缺陷。举例来说，如果保护性顶盖层212或间隙填充剂214的厚度超过阈值厚度，则可确定样本中存在缺陷，阈值厚度可根据所检查的半导体结构的特定设计而变化。
机器学习电路系统460可在能够存取指令的一个或多个处理器中实施，所述指令可存储在任何计算机可读存储媒体中，所述计算机可读存储媒体可由机器学习电路系统460执行以实行本文中所述的任何操作或功能。
在一些实施例中，机器学习电路系统460以通信方式耦合到样本缺陷数据库462，样本缺陷数据库462可存储在例如任何计算机可读存储媒体中。样本缺陷数据库462可包括将半导体结构特征(例如，在半导体结构样本的图像中显而易见的半导体结构特征，例如保护性顶盖层及间隙填充剂的厚度)与缺陷或缺陷状况相关联的信息。在一些实施例中，样本缺陷数据库462存储多个已知表示或以其他方式包括一个或多个缺陷的历史(例如，过去)图像。
在一些实施例中，可基于存储在样本缺陷数据库462中的历史图像来对机器学习电路系统460进行训练。也就是说，可提供历史图像作为用于训练机器学习电路系统460的训练数据，且可基于存储在样本缺陷数据库462中的历史图像来更新或修改包含在机器学习电路460内或可由机器学习电路460存取的算法或机器学习模型，以使经训练的机器学习电路系统460可预测或确定半导体结构样本中缺陷的存在。
在一些实施例中，训练数据(例如，存储在样本缺陷数据库462中的历史图像)可为或可包括经标记的训练数据，机器学习电路系统460或样本缺陷识别电路系统150可从所述经标记的训练数据进行学习来预测或确定半导体结构样本中的缺陷。经标记的训练数据可包括标签，所述标签指示存储在样本缺陷数据库462中的图像中的一个或多个图像表示例如缺陷结构、与缺陷相关联的层(例如保护性顶盖层或间隙填充剂)的尺寸或空间布置、或其他缺陷。
在样本制备及显微装置110/120的使用期间，对半导体结构样本进行检查(例如，由成像器件430进行成像)以产生图像。接着可由样本缺陷识别电路系统150或机器学习电路系统460对图像进行分析，以预测或确定半导体结构样本中缺陷的存在。样本缺陷识别电路系统150或机器学习电路系统460可例如通过将所接收的图像与存储在样本缺陷数据库462中的已知与缺陷相关联的历史图像进行比较来分析所接收的图像。在一些实施例中，样本缺陷识别电路系统150或机器学习电路系统460可利用经训练的机器学习模型(例如神经网络等)来分析所接收的图像。
在一些实施例中，样本缺陷识别电路系统150可以通信方式耦合到样本制备及显微装置110/120且可传达指示所检查的样本是否包含一个或多个缺陷的信息(例如，传送给处理器134)。举例来说，在一些实施例中，样本缺陷识别电路系统150可向处理器134传达：特定样本被确定为包括一个或多个缺陷，在这种情形中，可停止样本制备及显微装置110/120对样本的检查且可进行进一步的调查以确定样本中缺陷的原因。举例来说，可对样本制备装置110进行一次或多次调节，以减少或防止在要由样本制备装置110制备的未来样本中出现相同的所确定缺陷。
图5是示出根据一个或多个实施例的半导体结构样本缺陷检测方法的流程图500。半导体结构样本缺陷检测方法可至少部分地由例如图1所示及针对图1所述的半导体结构样本制备及分析系统100或者图4所示及针对图4所述的样本缺陷识别系统400来实施。
在步骤502处，所述方法包括获取半导体结构样本的图像。半导体结构样本包括结构210、位于所述结构上的保护性顶盖层212及位于保护性顶盖层212上的间隙填充剂材料214。半导体结构样本可依据例如要在半导体晶片上形成的半导体器件的类型而具有各种不同的形状、大小、材料等，且半导体结构样本可由样本制备装置110从晶片中提取。
在一些实施例中，所述方法可包括在结构210上形成保护性顶盖层212以及在保护性顶盖层212上形成间隙填充剂材料214。在一些实施例中，保护性顶盖层可具有大于3.5的莫氏硬度及大于158gpa的杨氏模量。在一些实施例中，间隙填充剂材料可由有机材料形成，所述有机材料由至少3％的碳制成。在一些实施例中，可通过原子层沉积将间隙填充剂材料沉积在保护性顶盖层上来形成间隙填充剂材料，且间隙填充剂材料可包括tin、tan、tio、zno、alo、si、ni或co中的至少一者。
在步骤504处，所述方法包括由样本缺陷识别电路系统150基于所获取的图像来确定半导体结构样本中缺陷的存在。在一些实施例中，所述方法可包括通过由机器学习电路系统分析所获取的图像来确定半导体结构中缺陷的存在，所述机器学习电路被训练成基于与具有一个或多个缺陷的半导体结构样本相关联的多个历史图像来确定缺陷的存在。
在一些实施例中，所述方法还可包括由冷却系统将在其中制备半导体结构样本的环境维持在低于25℃的温度。
本公开的实施例提供了若干优点，且为例如在半导体制作及显微装置、系统及方法领域中存在的技术问题提供了技术解决方案。举例来说，本公开的实施例可用于预测或确定被制备用于进行显微分析的半导体结构样本中缺陷的存在。这提供了优于传统系统的显著优势，在传统系统中无法预测这种缺陷，从而导致样本的质量较低，并且由于样本缺陷没有被识别出且因此无法确定这种缺陷的来源，可导致在样本测试期间的良率低。这导致成本增加且利润减少。另外，本公开提供了改良的保护性顶盖层及间隙填充剂，其减少或防止了半导体结构样本制备过程中的缺陷。
根据一个实施例，一种半导体结构样本制备及分析系统包括：半导体结构样本，所述半导体结构样本包括结构、位于所述结构上的保护性顶盖层及位于所述保护性顶盖层上的间隙填充剂材料。显微装置被配置成获取所述半导体结构样本的图像。样本缺陷识别电路系统被配置成基于所获取的图像来确定所述半导体结构样本中缺陷的存在。
根据一个实施例，还包括：数据库，以通信方式耦合到所述样本缺陷识别电路系统，所述数据库存储与具有一个或多个缺陷的半导体结构样本相关联的图像信息，其中所述样本缺陷识别电路系统被配置成基于所获取的所述图像及所述数据库中所存储的所述图像信息来确定所述半导体结构样本中缺陷的存在。根据一个实施例，所述保护性顶盖层包含铂(pt)、钛(ti)、钽(ta)、钴(co)、或镍(ni)中的至少一者。根据一个实施例，所述保护性顶盖层是由具有大于3.5的莫氏硬度的材料形成。根据一个实施例，所述保护性顶盖层的所述材料具有大于158gpa的杨氏模量。根据一个实施例，所述间隙填充剂材料是由有机材料形成，所述有机材料由至少3％的碳制成。根据一个实施例，所述间隙填充剂材料是由原子层沉积材料形成，所述原子层沉积材料包含tin、tan、tio、zno、alo、si、ni、或co中的至少一者。根据一个实施例，还包括：样本制备装置，被配置成从半导体晶片提取所述半导体结构样本；以及冷却系统，与其中将所述半导体结构样本设置在所述样本制备装置或所述显微装置中的至少一者中的环境进行流体连通，所述冷却系统被配置成对所述环境进行冷却。根据一个实施例，所述冷却系统被配置成将所述环境冷却到低于25℃的温度。
根据另一实施例，提供一种方法，所述方法包括：由成像器件获取半导体结构样本的图像，所述半导体结构样本具有结构、位于所述结构上的保护性顶盖层及位于所述保护性顶盖层上的间隙填充剂材料。由样本缺陷识别电路系统基于所获取的图像来确定所述半导体结构样本中缺陷的存在。
根据一个实施例，还包括：制备所述半导体结构样本，所述制备所述半导体结构样本包括：在所述结构上形成所述保护性顶盖层；以及在所述保护性顶盖层上形成所述间隙填充剂材料。根据一个实施例，所述在所述结构上形成所述保护性顶盖层包括：由包含铂(pt)、钛(ti)、钽(ta)、钴(co)、或镍(ni)中的至少一者的材料形成所述保护性顶盖层。根据一个实施例，所述在所述结构上形成所述保护性顶盖层包括：形成具有大于3.5的莫氏硬度及大于158gpa的杨氏模量的所述保护性顶盖层。根据一个实施例，所述在所述保护性顶盖层上形成所述间隙填充剂材料包括：由有机材料形成所述间隙填充剂材料，所述有机材料是由至少3％的碳制成。根据一个实施例，所述在所述保护性顶盖层上形成所述间隙填充剂材料包括：通过原子层沉积在所述保护性顶盖层上沉积所述间隙填充剂材料，所述间隙填充剂材料包含tin、tan、tio、zno、alo、si、ni、或co中的至少一者。根据一个实施例，还包括：由冷却系统将在其中制备所述半导体结构样本的环境维持在低于25℃的温度。根据一个实施例，所述确定所述半导体结构样本中缺陷的存在包括：由机器学习电路系统分析所获取的所述图像，所述机器学习电路系统被训练成基于与具有一个或多个缺陷的半导体结构样本相关联的多个历史图像来确定缺陷的存在。
根据又一实施例，提供一种用于显微分析的半导体结构样本，所述半导体结构样本包括：半导体衬底；结构，位于所述半导体衬底上；以及保护性顶盖层，位于所述结构上。所述保护性顶盖层具有以下中的至少一者：大于3.5的莫氏硬度或大于158gpa的杨氏模量。间隙填充剂层设置在所述保护性顶盖层上。
根据一个实施例，所述间隙填充剂层包含以下中的至少一者：由至少3％的碳制成的有机材料，或者包含tin、tan、tio、zno、alo、si、ni、或co中的至少一者的原子层沉积材料。根据一个实施例，所述保护性顶盖层具有大于3.5的莫氏硬度及大于158gpa的杨氏模量。
以上概述了若干实施例的特征，以使所属领域中的技术人员可更好地理解本公开的各个方面。所属领域中的技术人员应理解，他们可容易地使用本公开作为设计或修改其他工艺及结构的基础来施行与本文中所介绍的实施例相同的目的和/或实现与本文中所介绍的实施例相同的优点。所属领域中的技术人员还应认识到，这些等效构造并不背离本公开的精神及范围，而且他们可在不背离本公开的精神及范围的条件下对其作出各种改变、代替及变更。
可将以上所阐述的各种实施例进行组合来提供另外的实施例。可根据以上详细说明对实施例作出这些或其他改变。一般来说，在以上权利要求中，所用用语不应被视为将权利要求限制为本说明书及权利要求中所公开的特定实施例，而应被视为包括所有可能的实施例以及此些权利要求所赋予的等效形式的全部范围。因此，权利要求不受本公开的限制。
1.一种半导体结构样本制备及分析系统，其特征在于，包括：
半导体结构样本，所述半导体结构样本包括结构、位于所述结构上的保护性顶盖层及位于所述保护性顶盖层上的间隙填充剂材料；
显微装置，被配置成获取所述半导体结构样本的图像；以及
样本缺陷识别电路系统，被配置成基于所获取的所述图像来确定所述半导体结构样本中缺陷的存在。
技术总结