为确保晶圆表面图形的品质，外观检查工序非常重要。直至目前，在半导体制造工厂中，外观检查主要依靠人眼借助显微镜来进行检查。人眼检查存在以下诸多问题：①检查人员间的判断差别;②检查人员精力不能始终保持高度集中的状态;③培养一个检查人员需要花费较长的时间;④劳动环境的限制;⑤产量的急剧增减导致人员配置困难;⑥降低成本要求等的问题。特别是在芯片集成度、芯片附加价值飞速提高、芯片尺寸增大(300mm)的今天，依靠人为检查所遇到的问题更显突出。
为解决这些课题，敝公司自1992年起开发出自动晶圆外观(图形)检查装置“INSPECTRA 1000”系列产品，并投放到市场中。之后敝公司根据客户的反馈信息，不断地对该系列机型进行了改进，进而开发出了适应市场需求的新机型。
本文结合敝公司开发的“11000EX-II”机型，对敝公司晶圆外观检查设备及技术进行说明。敝公司最新开发出的对应300mm晶圆的前工程全数自动化晶圆外观检查设备Inspectra7000R300将在Semicon(2hina2007上展出。
l 装置概要
1.1概要
对于标准规格的装置，可以对应2个卡盒(Cassette)50/75/150/200 mm(4/5/6/8英寸)的晶圆产品。晶圆尺寸变更时不必对机器程序作任何改变。自动检查时，操作员只需将卡盒摆放好，选择合适的检查程序，输入批号(Lot ID)就可以立即开始检查。也可以按指定的要求对2卡盒内不同尺寸的晶圆片进行检查。对于极薄的晶圆片或是形状尺寸不规则的晶圆片，也可以通过使用治具进行手动设置的方式检查。
自动检查所需的程序，需要工程师事先做成。做成检查程序时要使用实际生产用的晶圆片。根据希望检查出的缺陷尺寸，首先要选择合适的物镜，接着设定其检查领域。为了得到更接近人眼检查的结果，可在检查领域内进行各项设定。并且可以在同一检查程序下配置多个不同的检查条件(Recipe)。根据Recipe的优化配置能检查出十分接近人眼检查的结果。
敝公司装置带有操作助手(Operation Assist)功能，只需经过简单的培训，工程师就可以在几十分钟内做出检查程序。
自动检查完成后，可对检查过的晶圆片进行再确认(Review)。另外，如果事先设定了自动检查时图像自动保存功能，即使晶圆片已经流入下一工程，也可以根据保存的图像进行检查后的再确认。应用保存好的图像，甚至可以通过网线连接到远离机器的专用计算机上进行在线分析确认并将测定结果或是再确认(Refiew)结果保存到本体硬盘上，用户也可以按诸如CSV等个别格式对数据进行输出分析。
1.2检查算法(原理)
本装置的缺陷检查方式并用了常用的DSI(Die-to-Statistical Image)比较法这个良品学习式算法和用于Pad检查的算法，将疑似缺陷的发生频率降到最低。本DSI方法是由学习(SI制作)和检查(比较)两步来完成。第一步是所谓的学习，就是预先将多张图像记录下来，统计处理后，做成包含良品差别的数据库。第二步就是比较，将检查出的结果与上述数据库中一定范围内的数据进行比较，进而做出缺陷的判断。
2 特征
2.1超高速检查
敝公司根据处理能力的需要配置了I1000EX和I1000EX-Ⅱ2种机型。I1000EX-Ⅱ机型采用了200万像素的高精细相机。另外，对应于低倍数检查的视野扩大课题，开发出了新的光学系统，对于约16 mm×12 mm的视野范围，只需0.035 s就能检查完成。
随着检查时间的缩短，晶圆片搬送所占的时间显得相对较长。I1000EX-Ⅱ机型对此做了相应的改进，搬送时间较原来缩短了近5 s。
另外，由于搬送部配制了专用的晶圆片清洗台，检查同时可以对下一片晶圆片进行清洗，从而省去了清洗所需的时间。缩短了单片处理周期(TACT THME)。
2.2学习数据可视化/自动灵敏度调整机能
对于检查条件(Recipe)的做成来说，学习数据的品质和感度设定的适正化是影响检查结果的重要因素。I1000EX-Ⅱ机型不仅能实现短时间内做成Recipe，而且可以通过可视化的界面来判断学习数据的好坏，并具备有自动感度调节功能。
应用良品学习算法的场合，做成的学习数据会影响到检查的感度。譬如，在学习数据内混入了坏标记(Bad Mark)的话，检查感度就会变低。为了防止不良学习数据的出现，将疑似学习数据用彩色标出，从而判断出学习数据的好坏。
至于感度设定，在指定了缺陷图像领域和良品图像领域后，只要按一下调谐钮(TUNING)就能得到最佳感度。
