CN106537125B - 具有多种模式的虚拟检验系统 - Google Patents

具有多种模式的虚拟检验系统 Download PDF

Info

Publication number
CN106537125B
CN106537125B CN201580037969.9A CN201580037969A CN106537125B CN 106537125 B CN106537125 B CN 106537125B CN 201580037969 A CN201580037969 A CN 201580037969A CN 106537125 B CN106537125 B CN 106537125B
Authority
CN
China
Prior art keywords
sample
images
defects
image
modes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201580037969.9A
Other languages
English (en)
Other versions
CN106537125A (zh
Inventor
B·达菲
S·巴纳吉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Tencor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KLA Tencor Corp filed Critical KLA Tencor Corp
Priority to CN202010018889.1A priority Critical patent/CN111189848B/zh
Publication of CN106537125A publication Critical patent/CN106537125A/zh
Application granted granted Critical
Publication of CN106537125B publication Critical patent/CN106537125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供用于确定于样品上检测到的缺陷的一或多个特性的方法及系统。一种系统包含一或多个计算机子系统，其经配置以识别样品上由检验系统用第一模式检测到但用一或多种其它模式未检测到的第一缺陷。所述计算机子系统还经配置以从存储媒体获取在对应于所述第一缺陷的所述样品上的位置处用所述一或多种其它模式产生的一或多个图像。另外，所述计算机子系统经配置以确定所述经获取一或多个图像的一或多个特性，且基于所述经获取一或多个图像的所述一或多个特性确定所述第一缺陷的一或多个特性。

Description

具有多种模式的虚拟检验系统
技术领域
本发明大体上涉及用于确定于样品上检测到的缺陷的一或多个特性的方法及系统。
背景技术
以下描述及实例并非由于其包含于此段落中而被认为是现有技术。
在半导体制造过程期间的各个步骤处使用检验过程来检测晶片上的缺陷以促进制造过程中的更高良率及因此更高利润。检验始终是制作半导体装置的重要部分。然而，随着半导体装置尺寸的减小，检验对可接受半导体装置的成功制造变得甚至更加重要，这是因为较小缺陷可引起装置发生故障。
许多检验工具具有可针对所述工具的许多图像产生元件调整的参数。以此方式，一或多个元件(例如能源、偏光器、透镜、检测器等)的参数可取决于受检验的样品类型以及样品上所关注的缺陷(DOI)的特性而改变。例如，不同类型的样品可具有显著不同的特性，这可引起具有相同参数的相同工具以极其不同的方式成像所述样品。另外，由于不同类型的DOI可具有显著不同的特性，所以适合于检测一种类型的DOI的检验系统参数可能不适合于检测另一类型的DOI。此外，不同类型的样品可具有不同噪声源，其可以不同方式干扰对样品上的DOI的检测。
具有可调整参数的检验工具的发展还导致增加对涉及用参数值的一个以上组合(以其它方式称为“模式”)扫描样品使得可用不同模式检测不同缺陷类型的检验过程的使用。例如，一种模式对于检测一种类型的缺陷可具有较大灵敏度，而另一模式对于检测另一类型的缺陷可具有较大灵敏度。因此，使用两种模式，检验系统可能够用可接受灵敏度检测两种类型的缺陷。
虽然使用一种以上模式(例如，通过具有匹配多通道响应收集的多通道照明)可提供缺陷检测的优点，但是归因于检验系统成像元件及数据处理的复杂性，实际大体上尚未实现实施方案。另外，通常在此类系统中，针对样品存储的检测器输出(例如，图像)仅是由检测到缺陷的模式(例如，通过超出由用户事先配置的阈值水平)产生的图像。换句话来说，当缺陷是由一种模式检测到时，通过所述一种模式针对所述缺陷产生的图像可被保存且因此可在检验后用于其它应用，但如果另一模式并未还检测到所述缺陷，那么可不保存在所述缺陷的相同位置处由所述另一模式产生的图像。因此，由未检测到缺陷的另一模式产生的图像可无法用于检验后缺陷相关功能。此外，每一模式的阈值水平不同且并未考虑到在其它模式中用于缺陷离群值检测的共现及相关属性/特征值。
因此，开发用于确定在样品上检测到的缺陷的一或多个特性且不具有上述缺点中的一或多者的系统及方法将会是有利的。
发明内容
各个实施例的以下描述绝不应解释为限制所附权利要求书的标的物。
一个实施例涉及一种系统，其经配置以确定于样品上检测到的缺陷的一或多个特性。所述系统包含存储媒体，其经配置以存储由检验系统产生的样品的图像。所述检验系统经配置以用能量扫描遍及所述样品的物理版本同时检测来自所述样品的能量，由此产生所述样品的所述图像，且基于所述图像检测所述样品上的缺陷。所述检验系统还经配置以用多种模式执行所述扫描及所述检测。由所述存储媒体存储的所述图像包含通过所述检验系统针对在其处检测到及未检测到所述缺陷的所述样品上的位置产生的图像。
所述系统还包含一或多个计算机子系统，其经配置以识别用所述多种模式中的第一者检测到但用所述多种模式中的一或多种其它模式未检测到的所述缺陷中的第一者。所述计算机子系统还经配置以从所述存储媒体获取在对应于所述缺陷中的所述第一者的所述样品上的位置处由所述多种模式中的所述一或多种其它模式产生的所述图像中的一或多者。另外，所述计算机子系统经配置以确定所述经获取一或多个图像的一或多个特性，且基于所述经获取一或多个图像的所述一或多个特性确定所述缺陷中的所述第一者的一或多个特性。所述系统可如本文中描述那样进一步配置。
另一实施例涉及一种方法，其用于确定于样品上检测到的缺陷的一或多个特性。所述方法包含存储由如上述那样配置的检验系统产生的样品的图像。所述经存储图像包含上述图像。所述方法还包含识别、获取、确定经获取一或多个图像的一或多个特性，及确定上述缺陷中的第一者的一或多个特性。所述方法的步骤是由一或多个计算机子系统执行。
可如本文中进一步描述那样进一步执行上述方法的步骤中的每一者。另外，上述方法的实施例可包含本文中描述的任何其它方法的任何其它步骤。此外，上述方法可由本文中描述的系统中的任一者执行。
另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以执行用于确定于样品上检测到的缺陷的一或多个特性的计算机实施方法的程序指令。所述计算机实施方法包含上述方法的步骤。所述计算机可读媒体可如本文中描述那样进一步配置。可如本文中进一步描述那样执行所述计算机实施方法的步骤。另外，可针对其执行所述程序指令的所述计算机实施方法可包含本文中描述的任何其它方法的任何其它步骤。
又一实施例涉及另一系统，其经配置以检测样品上的缺陷。此系统包含存储媒体，其经配置以存储由检验系统产生的样品的图像。所述检验系统经配置以用能量扫描遍及所述样品的物理版本同时检测来自所述样品的能量，由此产生所述样品的所述图像。所述检验系统还经配置以用多种模式执行所述扫描及所述检测。所述系统还包含一或多个计算机系统，其经配置以从所述存储媒体获取在所述样品的位置处用所述多种模式中的两者或更多者产生的两个或更多个图像，且基于所述经获取两个或更多个图像确定所述位置处是否存在缺陷。所述系统可如本文中描述那样进一步配置。
附图说明
受益于优选实施例的以下详细描述且在参考附图之后，所属领域技术人员将明白本发明的进一步优点，其中：
图1及1a是说明如本文中描述那样配置的系统的实施例的侧视图的示意图；
图2到4及7是说明本文中描述的系统可经配置以执行的功能的不同实施例的流程图；
图5是说明可由本文中描述的系统实施例检测的不同缺陷的一个实例的平面图的示意图；
图6是说明缺陷以及其中未检测到缺陷的可用以根据本文中描述的实施例确定缺陷的特性的图像的不同部分的一个实例的平面图的示意图；
图8是说明不同缺陷特征以及不同缺陷特征可如何用于可根据本文中描述的实施例执行的缺陷检测的一个实例的图；及
图9是说明存储用于引起计算机系统执行本文中描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
虽然本发明容易产生各种修改及替代形式，但在图式中通过实例展示且在本文中详细描述其特定实施例。所述图式可未按比例。然而，应了解，所述图式及其详细描述并非意欲将本发明限制于所揭示的特定形式，恰相反，本发明希望涵盖落于如由所附权利要求书所定义的本发明的精神及范围内的全部修改、等效及替代。
具体实施方式
如本文中所使用的术语“设计”及“设计数据”大体上指代IC的物理设计(布局)及通过复杂模拟或简单几何及布尔(Boolean)运算从所述物理设计导出的数据。另外，由光罩检验系统获取的光罩的图像及/或其衍生物可用作设计的一或多个“代理”。在本文中描述的使用设计的任何实施例中，此光罩图像或其衍生物可用作设计布局的替代。设计可包含以下各者中描述的任何其它设计数据或设计数据代理，在2009年8月4日授予扎法尔(Zafar)等人的共同拥有第7,570,796号美国专利及于2010年3月9日授予库尔卡尼(Kulkarni)等人的第7,676,077号美国专利，所述两个美国专利如全文阐述以引用的方式并入本文中。另外，设计数据可为标准单元库数据、集成布局数据、一或多个层的设计数据、设计数据的衍生物及完全或部分芯片设计数据。
然而，一般来说，无法通过用晶片检验系统成像晶片而产生设计信息或数据。例如，形成于晶片上的设计图案可能未准确表示所述晶片的设计，且晶片检验系统可能无法以足够分辨率产生形成于晶片上的设计图案的图像使得所述图像可用以确定关于晶片的设计的信息。因此，一般来说，使用物理晶片无法产生设计信息或设计数据。另外，本文中描述的“设计”及“设计数据”指代在设计过程中由半导体装置设计者产生的信息及数据，且因此在将设计印刷于任何物理晶片上之前可良好用于本文中描述的实施例中。
现参考图式，应注意，所述图并未按比例绘制。特定地说，极大地放大了所述图的一些元件的比例以强调元件的特性。还应注意，所述图并未按相同比例绘制。已使用相同参考数字指示在一个以上图中所示的可经类似配置的元件。除非在本文中另有标明，否则所描述及展示的任何元件可包含任何适合市售元件。
本文中描述的实施例大体上涉及虚拟、多模(例如，多通道宽带)检验器的实施方案。例如，本文中描述的实施例提供以下优点：多模(例如，多波长、多光谱照明、可变光圈等)相对较高速检验系统，具有图像产生元件或电子器件中的成像能力以及预先确定位置处的极高精度坐标，在特别关注半导体晶片及光罩检验及计量的情况下，可用于缺陷相关功能(例如分级(binning)、分类及取样以进行后续分析)的目的。本文中描述的实施例在区分用其它方法将不可辨别的位置方面可为尤其有用的。实施例实际上可用虚拟检验器实施，这降低样品行进通过检验器或其它仪器的需要。
在一个实施例中，样品包含晶片。在另一实施例中，样品包含光罩。晶片及光罩可包含所属领域中已知的任何晶片及光罩。
一个实施例涉及一种系统，其经配置以确定于样品上检测到的缺陷的一或多个特性。图1中展示此系统的一个实施例。系统包含存储媒体100，其经配置以存储由检验系统10针对样品产生的图像。检验系统经配置以用能量扫描遍及样品的物理版本同时检测来自样本的能量，由此产生样品的图像，且基于所述图像检测样品上的缺陷。检验系统还经配置以用多种模式执行扫描及检测。
在一个实施例中，扫描遍及样品的能量包含光，且从样本检测的能量包含光。例如，在图1中所示的系统的实施例中，检验系统10包含照明子系统，其经配置以将光引导到样品14。照明子系统包含至少一个光源。例如，如图1中所示，照明子系统包含光源16。在一个实施例中，照明子系统经配置以按一或多个入射角将光引导到样品，所述一或多个入射角可包含一或多个倾斜角及/或一或多个法线角。例如，如图1中所示，来自光源16的光经引导通过光学元件18且接着通过透镜20而按倾斜入射角到样品14。倾斜入射角可包含任何适合倾斜入射角，其可取决于例如样品以及样品上待检测的缺陷的特性而变化。
照明子系统可经配置以在不同时间按不同入射角将光引导到样品。例如，检验系统可经配置以改变照明子系统的一或多个元件的一或多个特性，使得光可按不同于如图1中所示的入射角的入射角被引导到样品。在一个此实例中，检验系统可经配置以使光源16、光学元件18及透镜20移动，使得光按不同倾斜入射角或法线(或近似法线)入射角被引导到样品。
在一些实例中，检验系统可经配置以同时按一个以上入射角将光引导到样品。例如，照明子系统可包含一个以上照明通道，所述照明通道中的一者可包含如图1中所示的光源16、光学元件18及透镜20，且所述照明通道中的另一者(未展示)可包含类似元件，其可不同或相同配置，或可包含至少一个光源且可包含例如本文中进一步描述的组件的一或多个其它组件。如果此光与另一光同时引导到样品，那么按不同入射角引导到样品的光的一或多个特性(例如，波长、偏光等)可不同，使得源自按不同入射角照明样品的光可在检测器处彼此区别。
在另一实例中，照明子系统可仅包含一个光源(例如，图1中所示的光源16)，且来自所述光源的光可由照明子系统的一或多个光学元件(未展示)分离到不同光学路径中(例如，基于波长、偏光等)。接着，可将不同光学路径中的每一者中的光引导到样品。多个照明通道可经配置以同时或在不同时间(例如，当使用不同照明通道循序照明样品时)将光引导到样品。在另一实例中，相同照明通道可经配置以在不同时间将光引导到具有不同特性的样品。例如，在一些实例中，光学元件18可配置为光谱滤光片，且光谱滤光片的性质可以多种不同方式改变(例如，通过改变光谱滤光片)，使得可在不同时间将不同波长的光引导到样品。照明子系统可具有所属领域中已知的任何其它适合配置，以循序或同时按不同或相同入射角将具有不同或相同特性的光引导到样品。
在一个实施例中，光源16可包含宽带等离子体(BBP)光源。以此方式，由光源产生且被引导到样品的光可包含宽带光。然而，光源可包含任何其它适合光源，例如激光器。激光器可包含所属领域中已知的任何适合激光器，且可经配置以产生在所属领域中已知的一或多个任何适合波长下的光。另外，激光器可经配置以产生单色或几乎单色的光。以此方式，激光器可为窄频激光器。光源还可包含产生在波段的多个离散波长下的光的多色光源。
来自光学元件18的光可通过透镜20聚焦到样品14上。虽然透镜20在图1中展示为单折射光学元件，但是应了解，实际上透镜20可包含组合地将来自光学元件的光聚焦到样品的数个折射及/或反射光学元件。在图1中展示及在本文中描述的照明子系统可包含任何其它适合光学元件(未展示)。此类光学元件的实例包含但不限于，偏光组件、光谱滤光片、空间滤光片、反射光学元件、变迹器、分束器、光圈等，其可包含所属领域中已知的任何此类适合光学元件。另外，检验系统可经配置以基于待用于检验的照明类型而改变照明子系统的元件中的一或多者。
检验系统还可包含扫描子系统，其经配置以致使光扫描遍及样品。例如，检验系统可包含在检验期间样品14安置于其上的载物台22。扫描子系统可包含任何适合机械及/或机器人组合件(其包含载物台22)，其可经配置以使样品移动使得光可扫描遍及样品。另外或替代地，检验系统可经配置使得检验系统的一或多个元件执行光在样品上方的某一扫描。光可以任何适合方式(例如以蛇状路径或以螺旋路径)扫描遍及样品。
检验系统进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，所述检测器经配置以检测归因于系统对样品的照明的来自所述样本的光，且响应于经检测光而产生输出。例如，图1中所示的检验系统包含两个检测通道，一个通道由收集器24、元件26及检测器28形成，且另一通道由收集器30、元件32及检测器34形成。如图1中所示，两个检测通道经配置以按不同收集角收集且检测光。在一些实例中，两个检测通道经配置以检测散射光，且检测通道经配置以检测按不同角从样本散射的光。然而，检测通道中的一或多者可经配置以检测来自样本的另一类型的光(例如，反射光)。
如图1中进一步展示，两个检测通道展示为定位于纸平面中，且照明子系统还展示为定位于纸平面中。因此，在此实施例中，两个检测通道定位于(例如，居中于)入射平面中。然而，检测通道中的一或多者可定位于入射平面外。例如，由收集器30、元件32及检测器34形成的检测通道可经配置以收集且检测散射出入射平面的光。因此，此检测通道通常可称为“侧”通道，且此侧通道可居中于基本上垂直于入射平面的平面中。
虽然图1展示包含两个检测通道的检验系统的实施例，但是检验系统可包含不同数目个检测通道(例如，仅一个检测通道或两个或更多个检测通道)。在一个此实例中，由收集器30、元件32及检测器34形成的检测通道可形成如上述的一个侧通道，且检验系统可包含额外检测通道(未展示)，其形成为定位于入射平面的相对侧上的另一侧通道。因此，检验系统可包含检测通道，其包含收集器24、元件26及检测器28，且居中于入射平面中，且经配置以按垂直于样品表面或接近垂直于样品表面的散射角收集且检测光。因此，此检测通道通常可称为“顶部”通道，且检验系统还可包含如上述那样配置的两个或更多个侧通道。因而，检验系统可包含至少三个通道(即，一个顶部通道及两个侧通道)，且所述至少三个通道中的每一者具有其自身收集器，其中的每一者经配置以按与其它收集器中的每一者不同的散射角收集光。
如上文进一步描述，包含于检验系统中的检测通道中的每一者可经配置以检测散射光。因此，图1中所示的检验系统可经配置以用于样品的暗场(DF)检验。然而，检验系统还可或替代地可包含经配置以用于样品的明场(BF)检验的检测通道。换句话来说，检验系统可包含经配置以检测从样本镜面反射的光的至少一个检测通道。因此，本文中描述的检验系统可经配置以仅用于DF、仅用于BF或用于DF及BF检验两者。虽然收集器中的每一者在图1中展示为单折射光学元件，然应了解，收集器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何适合检测器。例如，检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)及时间延迟积分(TDI)相机。检测器还可包含所属领域中已知的任何其它适合检测器。检测器还可包含非成像检测器或成像检测器。以此方式，如果检测器是非成像检测器，那么检测器中的每一者可经配置以检测散射光的某些特性(例如强度)，但可未经配置以检测依据在成像平面内的位置的此类特性。因而，由包含于检验系统的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据，但并非图像信号或图像数据。在此类实例中，检验系统的计算机子系统(例如计算机子系统36)可经配置从检测器的非成像输出产生样品的图像。然而，在其它实例中，检测器可配置为成像检测器，其经配置以产生成像信号或图像数据。因此，检验系统可经配置以按数种方式产生本文中描述的图像。
应注意，本文中提供图1以大体上说明可包含于本文中描述的系统实施例中或可产生由本文中描述的系统实施例存储并使用的图像的检验系统的配置。显然，如在设计商业检验系统时通常所执行那样，可改变本文中描述的检验系统配置以优化检验系统的性能。另外，可使用(例如，通过将本文中描述的功能性添加到现有检验系统)现有检验系统(例如在商业上可购自加利福尼亚州苗必达市的科磊公司(KLA-Tencor,Milpitas,Calif)的29xx/28xx系列工具)来实施本文中所描述的系统。对于一些此类系统，可提供本文中描述的方法作为检验系统的任选功能性(例如，除检验系统的其它功能性外)。或者，本文中描述的检验系统可“从头开始”设计以提供全新检验系统。
检验系统的计算机子系统36可以任何适合方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到检验系统的检测器，使得计算机子系统在样品的扫描期间可接收由检测器产生的输出。计算机子系统36可经配置以使用检测器的输出执行若干功能。例如，计算机子系统可经配置以使用检测器的输出来检测样品上的缺陷。检测样品上的缺陷可由计算机子系统通过将某一缺陷检测算法及/或方法应用于由检测器产生的输出而执行。缺陷检测算法及/或方法可包含所属领域中已知的任何适合算法及/或方法。例如，计算机子系统可比较检测器的输出与阈值。具有高于阈值的值的任何输出可识别为可能缺陷，而具有低于阈值的值的任何输出可不被识别为可能缺陷。在另一实例中，计算机子系统可经配置以将检测器的输出发送到存储媒体(例如存储媒体100)而不对输出执行缺陷检测。检验系统的计算机子系统可如本文中描述那样进一步配置。
检验系统的计算机子系统(以及本文中描述的其它计算机子系统)在本文中还可称为计算机系统。本文中描述的计算机子系统或系统中的每一者可采取各种形式，包含个人计算机系统、图像计算机、主计算机系统、工作站、网络器具、因特网器具或其它装置。一般来说，术语“计算机系统”可广泛定义为涵盖具有一或多个处理器(其执行来自存储器媒体的指令)的任何装置。计算机子系统或系统还可包含所属领域中已知的任何适合处理器，例如并行处理器。另外，计算机子系统或系统可包含具有高速处理及软件的计算机平台，其作为独立工具或网络化工具。
如果系统包含一个以上计算机子系统，那么不同计算机子系统可耦合到彼此，使得图像、数据、信息、指令等可在计算机子系统之间发送，如本文中进一步描述。例如，如由图1中的虚线所示，检验系统的计算机子系统36可通过任何适合传输媒体耦合到计算机子系统102，传输媒体可包含所属领域中已知的任何适合有线及/或无线传输媒体。此类计算机子系统中的两者或更多者还可通过共享计算机可读存储媒体(未展示，例如存储媒体100)有效地耦合。
虽然上文将系统描述为基于光学或光的检验系统，但是检验系统可为基于电子束的系统。在一个此实施例中，能量源是电子束源，且由检测器检测到的能量包含电子。在图1a中所示的一个此实施例中，检验系统包含耦合到计算机子系统124的电子柱122。
还如图1a中所示，电子柱包含电子束源126，其经配置以产生由一或多个元件130聚焦到样品128的电子。电子束源可包含例如阴极源或发射器尖端，且一或多个元件130可包含例如枪透镜、阳极、限束光圈、闸阀、束电流选择光圈、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类适合元件。
从样本返回的电子(例如，二次电子)可通过一或多个元件132聚焦到检测器134。一或多个元件132可包含例如扫描子系统，其可为包含于元件130中的相同扫描子系统。
电子柱可包含所属领域中已知的任何其它适合元件。另外，电子柱可如以下各者中描述那样进一步配置：2014年4月4日授予江(Jiang)等人的第8,664,594号美国专利，2014年4月8日授予小岛(Kojima)等人的第8,692,204号美国专利，2014年4月15日授予顾本(Gubbens)等人的第8,698,093号美国专利，及2014年5月6日授予麦克唐纳(MacDonald)等人的第8,716,662号美国专利，所述美国专利如全文阐述以引用的方式并入本文中。
虽然电子柱在图1a中展示为经配置使得电子按倾斜入射角引导到样品且按另一倾斜角从样本散射，但应了解，电子束可按任何适合角引导到样品且从样本散射。另外，如本文中进一步描述，基于电子束的检验系统可经配置以使用多种模式来产生样品的图像(例如，具有不同照明角、收集角等)。基于电子束的检验系统的多种模式在检验系统的任何图像产生参数方面可不同。
计算机子系统124可如上述那样耦合到检测器134。检测器可检测从样本的表面返回的电子，由此形成样品的电子束图像。电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以使用由检测器134产生的输出来检测样品上的缺陷。计算机子系统124可经配置以执行本文中描述的任何额外步骤。包含图1a中所示的检验系统的系统可如本文中描述那样进一步配置。
应注意，本文中提供图1a以大体上说明可包含于本文中描述的实施例中的基于电子束的检验系统的配置。如同上述光学检验系统，如在设计商业检验系统时通常所执行那样，可改变本文中描述的基于电子束的检验系统布置以优化检验系统的性能。另外，可使用(例如，通过将本文中描述的功能性添加到现有检验系统)现有检验系统(例如在商业上可购自加利福尼亚州苗必达市的科磊公司的eSxxx系列工具)来实施本文中描述的系统。对于一些此类系统，可提供本文中描述的方法作为系统的任选功能性(例如，除系统的其它功能性外)。或者，本文中描述的系统可“从头开始”设计以提供全新系统。
如上述，检验系统经配置以用能量扫描遍及样本的物理版本。以此方式，检验系统可配置为“实际”检验系统，而非“虚拟”检验系统。例如，图1中所示的存储媒体100及计算机子系统102可配置为“虚拟”检验系统。特定地说，存储媒体及计算机子系统并非检验系统10的部分且不具有用于处置样品的物理版本的任何能力。换句话来说，在配置为虚拟检验系统的检验系统中，其一或多个“检测器”的输出可为先前由实际检验系统的一或多个检测器产生且存储于虚拟检验系统中的输出，且在“扫描”期间，虚拟检验可回放经存储输出就好像正扫描样品一样。以此方式，用虚拟检验系统扫描样品可看似就好像正用实际检验系统扫描物理样品一样，然而，事实上，“扫描”涉及以与可扫描样品相同的方式简单回放样品的输出。配置为“虚拟”检验系统的系统及方法描述于以下各者中：共同转让的2012年2月28日授予巴斯卡尔(Bhaskar)等人的第8,126,255号美国专利及杜菲(Duffy)等人的2014年8月28日发表的第2014/0241610号美国专利申请公开案，所述两个美国专利如全文阐述以引用的方式并入本文中。本文中描述的实施例可如本专利及专利申请案中描述那样进一步配置。
如上文进一步所述，检验系统经配置以用多种模式产生样品的图像。一般来说，模式”可由用于产生样品的图像的检验系统的参数值或用以产生样品的图像的输出定义。因此，不同模式在检验系统的成像参数中的至少一者的值方面可不同。例如，在其中扫描遍及样品的能量及从样本检测的能量是光的一个实施例中，多种模式中的至少一者使用扫描遍及样品的至少一个波长的光，其不同于用于多种模式中的至少一个其它模式的扫描遍及样品的至少一个波长的光。如本文中进一步描述(例如，通过使用不同光源、不同光谱滤光片等)，对于不同模式，模式扫描遍及样品的波长方面可不同。在另一实施例中，多种模式中的至少一者使用检验系统的照明通道，其不同于用于多种模式中的至少一个其它模式的检验系统的照明通道。例如，如上述，检验系统可包含一个以上照明通道。因而，不同照明通道可用于不同模式。
在额外实施例中，多种模式中的至少一者使用检验系统的光圈的配置，其不同于用于多种模式中的至少一个其它模式的检验系统的光圈的配置。光圈可为照明光圈(即，定位于引导到样品的能量的路径中的光圈)，例如图1中所示的光圈38，或收集光圈(即，定位于从样本收集的能量的路径中的光圈)，例如图1中所示的光圈40。例如，如果针对不同模式以不同路径将能量引导到样品，那么具有至少一个不同特性(例如，形状或大小)的不同光圈可定位于不同路径中。在另一实例中，如果针对不同模式以相同路径将能量引导到样品，那么具有至少一个不同特性的不同光圈可在不同时间定位于所述路径中以循序产生样品的图像。以类似方式，对于不同模式，来自样本的能量的路径中的光圈可通过在来自样本的不同能量的路径中包含具有至少一个不同特性的不同光圈或通过在用不同模式的不同扫描之间切换能量的路径中的光圈而不同。
因此，如上述，不同模式的照明及/或收集/检测可不同。不同模式还可或替代地可具有收集/检测的其它差异。例如，在一个实施例中，多种模式中的至少一者使用检验系统的检测通道，其不同于用于多种模式中的至少一个其它模式的检验系统的检测通道。在一些此类实施例中，如上文进一步描述，检验系统可包含多个检测通道。因此，检测通道中的一者可用于模式，且检测通道的另一者可用于另一模式。此外，模式可以本文中描述的一种以上方式而彼此不同(例如，不同模式可具有一或多个不同照明参数及一或多个不同检测参数)。
由存储媒体存储的图像包含通过检验系统针对其中检测到及未检测到缺陷的样品上的位置产生的图像。换句话来说，不同于仅存储其中已检测到缺陷或可能缺陷的样品上的位置的图像的许多检验系统及方法，本文中描述的实施例优选存储在检验期间针对样品产生的全部图像，而不管图像中是否检测到缺陷。以此方式，在一些实施例中，由存储媒体存储的图像包含在扫描及检测期间由检验系统针对样品产生的全部图像。换句话来说，本文中描述的实施例可使用由任何模式产生的经存储全样品图像。
另外，不同于其中用多种模式产生样品上的一或多个(但不多于数个)离散位置(通常对应于所关注的缺陷(DOI)的位置)的图像且接着共同评估以确定哪一模式最适合于样品的检验的一些方法及系统(例如用于建立检验方法的配方及系统)，由本文中描述的实施例存储且用以执行各种功能的图像是已通过扫描样品上的相对较大区域(即，如在检验方法建立之后将在定期样品检验过程中执行)产生的图像。换句话来说，由存储媒体存储的图像优选为在样品上的相对较大区域(例如，基本上大于样品上的单个缺陷且包含用能量扫描遍及可包含或可不包含缺陷的样品上的区域的样品上的区域)时产生的图像。因而，其中产生且存储图像的样品上的区域是具有未知缺陷度的区域。此外，并未针对检验配方或过程建立的目的而执行本文中描述的产生所存储的图像的扫描及检验。另外，本文中描述的产生所存储的图像的扫描及检验并未在样品上的已知缺陷的位置处执行，而是经执行以确定样品上是否存在任何缺陷。
在一些实施例中，针对其中由检验系统检测到及未检测到缺陷的样品上的位置产生且由存储媒体存储的图像是由检验系统在由检验系统对样品执行的相同检验中产生。例如，如本文中进一步描述，可同时或连续地使用不同模式以在检验过程期间产生样品的图像。因此，针对提取缺陷或样品的图像或输出可使用不同情形，且可取决于通过并行还是连续处理图像平面而执行针对缺陷检测执行的图像处理而变化。方法选取可具有用于实际实施方案的软件、算法及甚至硬件的许多含意。例如，并行图像处理可包含记录全部(或如果针对模式中的一者同步现场检验那么除一个外的全部)n个“图像模式”或“图像平面”(如本文中描述)(例如，在虚拟检验系统中)。另外，虚拟检验器可经配置以能够将平行图像通道串流到处理器(例如，图像计算机)。在此类配置中，存储图像(如本文中描述)可使用三维图像数据矩阵而非二维图像数据矩阵执行，其中所述维度的两者是传统x及y，且第三维度是成像条件中的每一者的数据。因此，对于x,y平面中的每一图像像素，将存在一组n个值(一个值来自每一成像通道)。
以此方式，即使本文中描述的一些实施例可使用运用系统的多种模式产生的图像，所述图像仍不一定必须在针对样品执行的不同检验过程中产生。因而，在已针对样品执行检验过程且已将在所述检验过程期间产生的图像存储到如本文中描述的存储媒体之后，可能从存储媒体检索计算机子系统使用以执行本文中描述的功能中的一或多者的全部所述图像，这会消除将样品移动回到检验系统中以进行额外图像产生的任何需要。例如，如本文中进一步描述，计算机子系统可针对在检验过程期间已于样品上检测到的缺陷执行数种功能。因此，通过存储在检验过程期间产生的全部图像或其它输出而不管图像或其它输出中是否检测到缺陷，意味着在检验过程之后，计算机子系统可针对使用至少一种模式检测到的任何缺陷存取由其它模式产生的缺陷的图像。因而，不同于当前可用的其它系统及方法，本文中描述的实施例不必针对已确定为所关注的样品上的每一位置通过将样品重装载到检验器上且用全重扫描或逐点成像重复数据收集而收集逐点图像或其它数据。无论如何，相对于用针对最初运行的每一模式的初始检验区域的永久图像实现此来说，这将为极其昂贵的(例如，取决于虚拟检验器配置，比虚拟检验器昂贵5到10倍)。
在另一实施例中，检验系统经配置以在样品的单个检验过程期间执行的样品的不同扫描中用多种模式连续地执行扫描及检测。在额外实施例中，检验系统经配置以在样品的单个检验过程期间执行的样品的单个扫描中用多种模式中的至少两者同时执行扫描及检测。因此，单个检验过程可包含可用两种或更多种模式连续及/或同时执行的样品的一或多个扫描。例如，如果不同模式由不同检测通道定义，且如果检测通道可在扫描期间同时检测来自样本的光，那么可用不同模式针对样品同时产生图像。然而，如果不同模式由相同检测通道的不同参数定义，那么检测通道的参数可在连续执行的扫描之间改变。在任一情况中，如果连续或同时使用多种模式来在单个检验过程中产生如本文中描述那样存储的样品的图像，那么可通过计算机子系统从存储媒体检索用以执行本文中描述的一或多种功能的全部图像，且在单个检验过程之后不执行对样品的额外扫描。
在一些实施例中，本文中描述的系统可如图2中所示那样配置，其中可包含缺陷检测及/或图像获取系统的检验器202如本文中进一步描述那样配置执行经配置以记录样品在多种模式中的图像的配方200。检验配方可如本文中进一步描述的多种模式产生样品的图像。如果检验器经配置以基于图像执行缺陷检测，那么检验器可产生检测结果204。检测结果可发送到用于结果数据的存储媒体206。在一些实例中，存储媒体可为不同于存储由检验器产生的图像的存储媒体的存储媒体。换句话来说，存储媒体206可不同于本文中描述的虚拟检验器的存储媒体。存储媒体206还可具有所属领域中已知的任何其它适合配置(例如本文中描述的配置中的一者)，且可配置为例如制作数据库(fab database)。
如图2中进一步展示，由检验器在配方的执行期间产生的图像可发送到存储媒体208。以此方式，存储媒体可已于其中存储以多种模式产生的多个经存储样品图像。此存储媒体可为虚拟检验系统的部分或可耦合到虚拟检验系统。存储媒体208可如本文中描述那样进一步配置。
一或多个计算机子系统经配置以识别用多种模式中的第一者检测到但用多种模式中的一或多种其它模式未检测到的缺陷中的第一者。计算机子系统可经配置以通过比较在样品上的相同位置处对应于不同模式的缺陷检测结果而识别此缺陷。例如，计算机子系统可比较在样品上的一个位置处用第一模式产生的第一缺陷检测结果与在样品上的所述一个位置处用第二模式产生的第二缺陷检测结果。如果第一缺陷检测结果指示在所述一个位置处检测到缺陷，但第二缺陷检测结果并未指示在所述一个位置处检测到缺陷(或反之亦然)，那么所述缺陷可识别为第一缺陷。
虽然本文中关于缺陷中的第一者描述实施例，但是应了解，计算机子系统可经配置以针对一个以上缺陷执行本文中描述的功能。将关于单个缺陷描述实施例以简化实施例的描述，由此促进对实施例的更佳理解。显然，计算机子系统可经配置以针对于样品上检测到的缺陷中的任一者、全部或仅某一者执行本文中描述的功能中的一或多者。此外，经识别且计算机子系统针对其执行一或多项功能的缺陷可包含以本文中描述的任何方式检测到的缺陷。
计算机子系统还经配置以从存储媒体获取在对应于缺陷中的第一者的样品上的位置处用多种模式中的一或多种其它模式产生的图像中的一或多者。例如，如图2的步骤210中所示，处理器可从经存储样品图像检索特征向量。处理器可为虚拟检验系统的处理器。然而，处理器可为并非虚拟检验系统的部分而是耦合到虚拟检验系统的不同处理器。
因此，能够通过利用检验系统的坐标准确度而识别在样品上的相同位置处由多种模式产生的图像将为有利的，这允许针对未检测到缺陷的状况检索基本上所关注的精确位置(例如，在图像获取模式中的任一者满足缺陷准则的位置)处的多模响应数据。例如，本文中描述的实施例优选经配置以用像素化误差的校正(例如，内插)而按虚拟检验器图像检索的深子像素水平(例如，单个像素重定位水平确度)极其精确地重定位位所关注的区域或点。
在一些实施例中，确定哪一图像映射于样品上的相同缺陷或位置可通过将多个图像与共同参考(例如设计)对准而执行。将图像彼此对准进一步可如以下各者中描述那样执行：2010年3月9日授予库尔卡尼等人的第7,676,077号美国专利，2011年10月18日授予库尔卡尼等人的第8,041,103号美国专利，及2013年12月17日授予库尔卡尼等人的第8,139,843号美国专利，所述美国专利如全文阐述以引用的方式并入本文中。本文中描述的实施例进一步可经配置以执行这些专利中描述的任何步骤且可如此类专利中描述那样进一步配置。
可用以确定对应于样品上的相同位置的用不同模式(例如，不同焦点偏移)产生的图像的方法及系统的额外实例描述于2015年1月21日由陈(Chen)等人申请的共同转让美国专利申请案序号62/105,979中，所述美国专利如全文阐述以引用的方式并入本文中。本文中描述的实施例进一步可经配置以执行此类专利中描述的任何步骤且可如这些专利中描述那样进一步配置。
以此方式，可通过扩展目前所使用的技术以将图像寄存到设计坐标而实现经存储虚拟检验图像的坐标准确度的改进，这实现先进处理所期望的定位水平。另外，通过配置系统的成像及数据处置使得输入图像(或由检测器产生的图像)满足基本上高坐标精度(理想上每一图像中相同像素大小及位置)，可辅助精确地识别相同样品位置处用不同模式产生的图像数据的能力。
计算机子系统进一步经配置以确定经获取一或多个图像的一或多个特性。例如，如图3中所示，本文中描述的实施例可经配置以包含程序300，其从样本上的所关注的位置检索图像数据且计算新属性以描述此位置。由程序300检索的图像数据可为从存储媒体208检索，存储媒体208可如本文中进一步描述那样配置，且其包含用于多种模式的虚拟检验器上的经存储样品图像。可基于从本文中进一步描述的用于结果数据的存储媒体206检索的信息确定所关注的位置。
在一个实施例中，经获取一或多个图像中的至少一者包含测试图像，且确定经获取一或多个图像中的至少一者的一或多个特性包含：通过从测试图像减去经获取一或多个图像中的至少一者的参考图像而产生差异图像，及确定所述差异图像的一或多个特性。对于在不同模式中的至少一者中不满足被识别为缺陷或可能缺陷位置的某一准则的选定位置，不同模式中的此差异图像属性可为改进所述位置的物理性质的区分的目的而如本文中进一步描述那样使用。
在一些实施例中，在针对对应于缺陷中的第一者的样品上的位置产生的两个不同差异图像中检测到缺陷中的第一者。换句话来说，缺陷可包含由双仲裁类型缺陷检测检测到的缺陷，其中在由双仲裁类型缺陷检测执行的两个比较中检测到缺陷。
在另一实施例中，仅在针对对应于缺陷中的第一者的样品上的位置产生的多个差异图像中的一者中检测到缺陷中的第一者。以此方式，缺陷可包含由单仲裁类型缺陷检测检测到的缺陷，其中通过针对缺陷检测执行的单个比较或在针对双仲裁类型缺陷检测执行的两个比较中的仅一者中检测到缺陷，且因而将不一定由缺陷检测识别为缺陷。
以此方式，缺陷检测算法及/或方法的结果可用以确定计算机子系统针对其执行一或多项功能的样品上的“缺陷”或位置。以此方式，缺陷检测算法及/或方法可有效地选择针对其执行本文中描述的其它功能的位置。在一个此实例中，如图5中所示，在样品上的三个裸片500、502及504中，可存在两个缺陷506及508。三个裸片可并列定位于样品上，且因此可在样品上陆续扫描。因而，可使用检验系统通过扫描三个裸片而产生的输出来执行缺陷检测。例如，针对裸片500及502产生的输出可彼此比较，且针对裸片502及504产生的输出可彼此比较。比较可涉及从裸片中的一者的输出减去裸片中的另一者的输出，由此产生差异图像。例如，从裸片502的输出减去裸片500的输出可产生差异图像510，而从裸片502的输出减去裸片504的输出可产生差异图像512。当裸片502被视为“测试裸片”且裸片500及504被视为所述测试裸片的“参考裸片”时，可执行此差异图像产生。因此，可针对裸片502的双仲裁类型缺陷检测而执行此差异图像产生。
接着，可例如通过应用阈值于差异图像而使用差异图像执行缺陷检测，然而可对差异图像执行更复杂类型的缺陷检测。如图5中进一步展示，当对差异图像510执行缺陷检测时，对应于缺陷506及508的差异图像的部分506a及508a可识别为缺陷。相比之下，当对差异图像512执行缺陷检测时，对应于缺陷508的差异图像的部分508b可识别为缺陷。然而，在双仲裁类型方案中，可比较差异图像检测结果以识别仅在一个差异图像中检测到的缺陷及在两个差异图像中检测到的缺陷。例如，此比较的结果514将展示在两个差异图像中均检测到缺陷图像部分508a及508b，且因此缺陷508被“双重捕捉(doubly caught)”，而仅在差异图像中的一者中检测到缺陷图像部分506a，且因此缺陷506被“单次捕捉”。因而，在双仲裁类型方案中，缺陷508可由缺陷检测算法及/或方法报告，而不会报告缺陷506。然而，缺陷506可实际缺陷，即使其仅由上述缺陷检测单次捕捉。
因此，可修改双仲裁类型缺陷检测方案使得可存储仅单次检测到的事件的信息(例如，样品位置)，且本文中描述的实施例可经配置以选择此类事件作为缺陷中的第一者以进行本文中描述的额外考虑。以此方式，如本文中进一步描述，被单次捕捉且为实际缺陷的事件可与被单次捕捉但并非实际缺陷的事件分离。然而，经识别以进行本文中描述的额外考虑的缺陷还可包含双重捕捉缺陷。例如，即使在双仲裁类型检测方案的两个比较中检测到缺陷，所述缺陷仍可由用于检验的少于全部模式检测到。因此，使用由其它模式(其未产生导致缺陷检测的输出)针对样品上的所述缺陷的位置产生的信息，可确定缺陷的额外属性，其对于针对缺陷执行的其它功能(例如分类、取样、重检等)可为有用的。
在图6中所示的一个此实例中，可通过检验系统在检验过程期间用多种模式扫描样品(图6中未展示)上的三个裸片600、602及604。裸片602可包含三个缺陷606、608及610。可用模式a分别针对裸片600、602及604产生图像600a、602a及604a，可用模式b分别针对裸片600、602及604产生图像600b、602b及604b，且可用模式c分别针对裸片600、602及604产生图像600c、602c及604c。
在其中裸片600及604用作裸片602的参考裸片的双仲裁类型缺陷方案中，在模式a中，比较仅检测到缺陷606，在模式b中，比较仅检测到缺陷608，而在模式c中，比较仅检测到缺陷610。因此，通过至少一种模式但并非全部模式检测到全部缺陷606、608及610。换句话来说，缺陷606、608及610中的每一者由一种模式检测到但未由一或多种其它模式检测到。因此，图6中所示的缺陷中的每一者或任一者可选定为第一缺陷，针对其执行本文中描述的一或多项其它功能。因而，如本文中进一步描述，可从在其它模式中产生的图像的未选定或无缺陷位置提取在至少一种模式中检测到的缺陷的属性。
例如，如果缺陷606选定为“缺陷中的第一者”，那么由于此缺陷并未由模式b或模式c检测到，所以可从如本文中描述的存储媒体获取在此缺陷的位置处由此类模式获取的图像。特定地说，在此实例中，在对应于缺陷606的位置的裸片图像的位置处可获取由模式b产生的裸片图像602b中的部分606b，且在对应于缺陷606的位置的裸片图像602c的位置处可获取由模式c产生的裸片图像602c中的部分606c。接着可(个别地或共同地)确定图像的此类部分的一或多个特性，且接着可如本文中进一步描述那样使用此类特性。
以类似方式，如果缺陷608选定为“缺陷中的第一者”，那么由于此缺陷并未由模式a或模式c检测到，所以可从如本文中描述的存储媒体获取在此缺陷的位置处由此类模式获取的图像。特定地说，在此实例中，在对应于缺陷608的位置的裸片图像的位置处可获取由模式a产生的裸片图像602a中的部分608a，且在对应于缺陷608的位置的裸片图像602c的位置处可获取裸片图像602c中的部分608c。接着可(个别地或共同地)确定图像的此类部分的一或多个特性，且接着可如本文中进一步描述那样使用这些特性。
另外，如果缺陷610选定为“缺陷中的第一者”，那么由于此缺陷并未由模式a或模式b检测到，所以可从如本文中描述的存储媒体获取在此缺陷的位置处由此类模式获取的图像。特定地说，在此实例中，在对应于缺陷610的位置的裸片图像的位置处可获取由模式a产生的裸片图像602a中的部分610a，且在对应于缺陷610的位置的裸片图像602b的位置处可获取由模式b产生的裸片图像602b中的部分610b。接着可(个别地或共同地)确定图像的此类部分的一或多个特性，且接着可如本文中进一步描述那样使用此类特性。
经获取一或多个图像的一或多个特性可包含本文中描述的图像特性中的任一者，例如灰阶强度。还可从经获取图像本身或从由经获取图像产生的其它图像确定经获取一或多个图像的一或多个特性。例如，经获取图像可用以产生如本文中进一步描述的差异图像，且接着可通过计算机子系统确定差异图像的特性。可以类似方式使用其它类型的图像，例如中值图像(median image)、平均值图像(mean image)、平均图像(average image)等。
计算机子系统还经配置以基于经获取一或多个图像的一或多个特性确定缺陷中的第一者的一或多个特性。例如，经获取一或多个图像的一或多个特性的信息添加缺陷属性，其实现用常规手段可能无法辨别的缺陷(位置)类型的分离。换句话来说，本文中描述的实施例提供分离物理上不同但用当前使用的系统及方法不可辨别的缺陷的能力。
以此方式，在多种模式中存储到虚拟检验器的样品图像优选涵盖广范围光谱，以从具有物理上不同构造(例如，材料、处理堆叠中的位置、装置结构内的位置等)的缺陷类型收集差动信号。例如，从光学仿真及实验证据已知物理结构之间的特定差异(例如，结构破坏或完整结构的变体)的检测(测量)通过图像与图像或图像与参考比较针对不同照明及能量收集配置实现不同结果。本文中描述的实施例利用相反观点，其中具有不同响应的位置的分离可用以推断位置具有不同物理特性(例如，不同材料组成、形状、大小等)。通过(例如，连续地)使用发送到虚拟检验器的单独记录，可实现刺激且检测跨整个样品的多模响应(例如，多频带响应)的系统的本质。权衡可为进行连续记录的时间。优点在于：结果等效于仅可用因实际及经济原因不太可能实施的真实多模(例如，多通道、多光谱等)系统实现的结果。例如，本文中描述的实施例的替代是建立极其复杂检验器，其可同时产生且收集所需信号。
以此方式，在一些实施例中，可针对经记录模式(可发生于记录期间)中的每一者而完成样品的检验过程。可执行对所关注的区域或点(例如，测试及参考图像上)的相对较高准确度重定位位及用属性产生算法及/或方法的分析。以此方式收集的数据还可与通过常规检测方法收集的数据合并。例如，如图2中所示，可将由处理器在步骤210中从经存储图像检索的缺陷特征向量发送到还包含检测结果204的存储媒体206。另外，如本文中进一步描述，可将不同信息组合成结果文件而非将不同信息简单存储于相同存储媒体中，使得文件包含在逐缺陷基础上针对任一缺陷产生的全部信息。每一位置的所得值阵列可构成跨选定模式空间的常规收集及非常规收集的数据全矩阵。
基于经获取图像的一或多个特性确定的缺陷中的第一者的一或多个特性可包含可从通过检验产生的图像确定的任何适合缺陷属性或特征。另外，可基于经获取一或多个图像的特性中的两者或更多者的组合而确定第一缺陷的一或多个特性。例如，可依据经获取图像的两个或更多个特性而确定缺陷中的第一者的一或多个特性。或者，可基于不同经获取图像的特性个别地确定第一缺陷的不同特性。接着，可组合所述单独确定的缺陷特性以确定缺陷的额外特性或信息。例如，可依据针对通过不同模式产生的图像中的缺陷确定的两个或更多个特性而确定缺陷的一或多个特性。
在另一实施例中，计算机子系统经配置以从存储媒体获取在样品上的额外位置处用多种模式中的两者或更多者产生的两个或更多个图像，且基于所述经获取两个或更多个图像确定所述额外位置处是否存在缺陷。例如，本文中描述的实施例可经配置以针对样品上的任一位置使用针对所述位置以运用用于检验的全部模式产生的全部图像来执行例如缺陷检测的一或多项功能，而不管在所述位置处是否检测到缺陷。特定地说，凭借跨多种模式的全存储图像，本文中描述的实施例提供有效率地获得用于甚至针对样品上的未检测到的缺陷扫描所述样品的全部模式中的“光谱响应”的独有能力。另外，此类实施例利用“全”样品图像在任何模式的持续结合坐标准确度，这允许在任何模式中检索任何样品位置处的数据。以多种模式记录且存储于虚拟检验器中的样品图像优选涵盖相对较广范围光谱以区分缺陷信号与背景。
因而，本文中描述的实施例可经配置以用于在多模虚拟检验器(例如，虚拟多通道宽带检验器)上执行的基于全共现属性/特征的整体缺陷检测。换句话来说，本文中描述的实施例提供用于缺陷检测的多模(例如，多通道照明)检验系统的优点且收获多模系统(例如，多频带照明、可变光圈等)高速成像系统通过在半导体晶片或光罩上的每一位置处整体地考虑全共现属性/特征集合以较高维度空间提供检测缺陷(即，离群值)的独有机会。如本文中将进一步描述，为改进缺陷检测灵敏度，实施例使用多维离群值检测方法提供以不同模式对样品上的每一位置处的全共现图像属性/特征集合的额外及整体考虑。本文中描述的实施例在识别否则用常规方法将埋藏在背景噪声中的缺陷位置是尤其有用的。另外，发展本文中描述的半导体晶片或光罩上的检验的实例目的包含重检/分类或计量。
由于可针对所扫描的样品上的每一位置存储本文中描述的图像而不管在所述位置处是否检测到缺陷，所以在通过实际检验系统扫描样品期间或之后可未通过实际检验系统执行缺陷检测。换句话来说，图像记录期间的缺陷检测并非本文中描述的实施例的要求。以此方式，本文中描述的实施例可经配置以用于虚拟检验器上的纯粹样品图像记录而不必进行检验。
例如，如图4中所示，经配置以记录样品在多种模式中的图像的配方400可由检验器图像获取系统402执行。所述配方及图像获取系统可如本文中描述那样进一步配置。由图像获取系统产生的图像(其可包含本文中描述的任何图像，例如，连续获取的图像)可如本文中描述那样存储于存储媒体404中。因此，存储媒体可包含虚拟检验器上的多个多模图像。
虚拟检验器可经配置以进行多模回放(playback)，其中针对样品上的任一位置同时回放以不同模式产生的不同图像。以此方式，用检验系统的至少两种模式产生的全部图像可同时输入到数据处理，使得其可在一起处理。因此，到处理器406的输入可为模式1、模式2、模式3、…模式n的向量输入。因而，如同本文中描述的其它实施例，使本文中描述的实施例实用的重要方面是在虚拟检验器图像检索时实现每一模式中的单个像素重定位水平确度的能力的改进。
接着，处理器可对多模图像执行缺陷检测。接着，由处理器执行的缺陷检测的结果(纯量检测结果)可存储到用于结果数据的存储媒体408。如本文中进一步描述，检测结果数据接着可作为特征向量410发送到分类及取样算法。可如图4中所示那样执行的缺陷检测可提供如本文中进一步描述的离群值(缺陷)检测的改进。例如，基于从虚拟检验器回放的多模图像执行缺陷检测可利用此类配置之间的相关，以梳理出(tease out)以任一单个配置可能无法检测到的缺陷。
在一个此实施例中，确定是否存在缺陷包含：分别确定经获取两个或更多个图像的两个或更多个差异图像；分别确定所述两个或更多个差异图像的两个或更多个差异图像属性；及基于所述两个或更多个差异图像属性的组合确定是否存在缺陷。例如，图8是图的不同轴上的模式1及模式2的差异灰阶的散布图而且图中的点对应于样品上的不同位置。在此实例中，图中基于其在不同模式中的差异灰阶展示两个像素位置800及802。假定样品位置当且仅当其差异灰阶在椭圆806的边界804(其可称为“缺陷决策边界”)外部时将会被确定为缺陷位置。接着，图8中显而易见的是，位置800及802将被识别为缺陷位置。
然而，如果单独地考虑各差异灰阶，即，不同时考虑两个灰阶，那么位置800及802并不被视为缺陷位置。单独地考虑每一差异灰阶可等效于仅考虑由图8中的虚线所示的差异灰阶的投影的末尾(feet)。在此情况中，可能无法提取缺陷像素800，这是因为对应于由x及y轴上的X标记的此类投影中的末尾的点完全在椭圆的缺陷决策边界内。另外，可能也无法提取缺陷像素802，这是因为虽然其对应于由x轴上的X标记的其末尾中的一者的点中的一者在椭圆的缺陷决策边界外部，但是另一X在椭圆的缺陷决策边界内部。因此，如果针对缺陷检测使用模式1，那么位置802可被视为有缺陷，但如果针对缺陷检测仅使用模式2，那么其无缺陷。
在额外实施例中，确定是否存在缺陷包含：分别确定经获取两个或更多个图像的两个或更多个图像属性，且基于所述两个或更多个图像属性的组合确定是否存在缺陷。在此实施例中，确定是否存在缺陷可以与本文中描述的其它实施例相同的方式执行。例如，可用任何其它适合图像的属性取代上述缺陷检测中使用的差异图像属性。
在一些实施例中，确定是否存在缺陷包含：分别确定经获取两个或更多个图像的两个或更多个图像属性，及将多维阈值应用于所述两个或更多个图像属性的组合。例如，可针对成像条件中的每一者完成虚拟检验系统记录处理。此记录处理可在检验期间执行；然而，此并非必要的。可执行具有属性/提取检索的每一样品位置的每一模式中的基本上高准确度共定位(co-localization)。每一位置处的图像属性/特征值的所得向量可用以使用多维离群值检测算法来执行整体缺陷检测。
在图7中所示的一个此实例中，经配置以记录样品在多种模式中的图像的配方700可由检验器图像获取系统702使用。所述配方及检验系统可如本文中描述那样进一步配置。接着，由检验器使用所述配方产生的图像可包含可存储于如本文中进一步描述的存储媒体704中的虚拟检验器上的多个多模图像。存储媒体可如本文中进一步描述那样配置。基于存储于虚拟检验器中的图像，本文中描述的计算机子系统可经配置以进行如步骤706中所示的图像共定位、全共现属性/特征提取及缺陷检测。接着，计算机子系统可将此步骤的结果存储于用于结果数据的存储媒体708中，其可如本文中进一步描述那样执行。此存储媒体还可如本文中进一步描述那样配置。
使用样品上的位置(x,y)处的图像属性/特征值的d维向量f的此缺陷(即，离群值)检测的优选实施例如下描述。使样品的坐标位置(x,y)处的d维椭圆体与以下各者相关联：a)描述其形状(相关)的d×d正定矩阵S，其以量(volume)正规化，例如，通过将行列式S设定为一(unity)；b)椭圆体在d维向量μ处的原点(平均值)；及c)指定用于离群值识别的椭圆体的边界(即，决策超表面)的纯量阈值t。接着，当且仅当(f-μ)'S-1(f-μ)≥t时，坐标位置(x,y)被视为具有缺陷。参数S、μ及t的学习可在训练/设定阶段期间执行，且可如本文中进一步描述那样按局部设计或片段信息调节。再者，此理念可推广到任何闭合决策超表面以添加选取参数的灵活性(增加模型复杂性)。
虽然本文中关于具有椭圆体形状及二维的多维阈值描述一些实施例，但是本文中描述的实施例不限于此类形状及此类维度。例如，由缺陷决策边界界定的形状可为任何其它形状，且维数可为任何适合数目，其可等于由计算机子系统考虑的模式的数目。事实上，给定由本文中描述的实施例产生的表面的任意性质，所述实施例可产生且使用决策超表面的联合来检测缺陷。此外，虽然一些实施例在本文中描述为使用多维阈值进行缺陷检测，但是所述实施例可以多种其它方式使用分别从用两种或更多种模式产生的两个或更多个图像确定的两个或更多个图像属性的组合来进行缺陷检测。例如，缺陷检测可使用来自多种模式的属性(例如，定阈灰阶值)及参考图像与测试图像之间表达为离群值事件的规则的灰阶差的布尔表式来执行。甚至可训练统计分类器而非基于规则来进行此类型的缺陷检测。
在又一实施例中，一或多个计算机子系统经配置以基于对应于额外位置的样品的设计的部分确定用于确定是否存在缺陷的一或多个参数。例如，缺陷检测参数可根据设计形状而调节。另外，经存储图像可按局部设计信息调节，由此添加实现缺陷与背景的分离且用常规手段可能无法实现之前所未有的缺陷检测能力。在一个此实例中，如图7中所示，设计信息710(来自例如设计数据库服务器的源)可由执行如步骤706中所示的图像共定位、全共现属性/特征提取及缺陷检测的计算机子系统获取。以此方式，计算机子系统可基于设计信息执行此类步骤。
在额外实施例中，一或多个计算机子系统经配置以基于额外位置定位于其中的经获取两个或更多个图像的片段确定用于确定是否存在缺陷的一或多个参数。例如，缺陷检测参数可根据图像片段调节。另外，经存储图像可按图像片段信息调节，由此添加实现缺陷与背景的分离且用常规手段可能无法实现之前所未有的缺陷检测能力。可基于图像本身(例如，基于图像的性质，例如噪声)确定图像中的不同片段，如2013年12月17日授予库尔卡尼等人的第8,611,639号美国专利中所描述，所述美国专利如全文阐述以引用的方式并入本文中。本文中描述的实施例可经配置以执行本专利中描述的任何方法的任何步骤，且可如本专利中描述那样进一步配置。
使用用多种模式产生且存储于存储媒体中的样品图像来检测缺陷不限于本文中描述的实施例。例如，使用用多种模式产生且存储于存储媒体(例如虚拟检验器)中的图像来检测样品上的缺陷还可或替代地可如以下各者中描述那样执行：2009年6月30日授予肖特(Shortt)等人的第7,554,656号美国专利，2010年5月4日授予莱斯利(Leslie)等人的第7,711,177号美国专利，2010年9月14日授予巴斯卡尔(Bhaskar)等人的第7,796,804号美国专利，2014年9月9日授予罗(Luo)等人的第8,831,334号美国专利，2014年12月16日授予朗格(Lange)的第8,912,495号美国专利，及2015年6月9日授予朗(Lang)等人的第9,053,527号美国专利，2014年8月7日由吴(Wu)等人发表的第2014/0219544号美国专利申请公开案，2014年9月18日由黄(Huang)等人发表的第2014/0270474号美国专利申请公开案，2014年9月25日由黄(Hwang)等人发表的第2014/0285657号美国专利申请公开案，2014年12月4日由科尔钦(Kolchin)等人发表的第2014/035983号美国专利申请公开案，及2015年2月12日由黄等人发表的第2015/0043804号美国专利申请公开案，以及2015年2月2日由郭(Guo)等人申请的美国专利申请案序号14/612,192，2015年3月31日由陈等人申请的美国专利申请案序号14/674,856，及2015年5月8日由库尔卡尼等人申请的美国专利申请案序号14/707,592，全部所述美国专利如全文阐述以引用的方式并入本文中。本文中描述的实施例可经配置以执行此类专利、专利申请公开案及专利申请案中描述的任何方法的任何步骤，且可如此类专利、专利申请公开案及专利申请案中描述那样进一步配置。
当同时考虑用多种模式产生的图像时，仅在已完成样品的图像获取且已将图像存储于虚拟检验器中之后检测缺陷可为用于检测缺陷的最实用实施方案。例如，可同时产生本文中描述的多模图像且在此图像产生期间执行缺陷检测的检验工具可极其复杂且建立可昂贵。然而，在图像产生期间执行本文中描述的缺陷检测当然是不可能的。另一方面，物理上可用多种模式同时产生图像(取决于检验系统的配置及待用于缺陷检测的模式)。在此类实例中，直到在已产生且存储待用于缺陷检测的全部图像模式的全部图像之后，才可执行缺陷检测。
以此方式，另一实施例涉及一种经配置以检测样品上的缺陷的系统。此系统包含存储媒体，其经配置以存储由检验系统产生的样品的图像。所述存储媒体可如本文中所描述及如图1中所展示那样配置。检验系统经配置以用能量扫描遍及样品的物理版本同时检测来自样本的能量，由此产生样品的图像。检验系统还经配置以用多种模式执行扫描及检测。检验系统可如本文中所描述以及如图1及1a中所展示那样配置。
然而，在此实施例中，检验系统未经配置以针对样品执行缺陷检测。以此方式，晶片上未由检验系统检测到缺陷。相反地，一或多个计算机子系统经配置以从存储媒体获取在样品上的位置处用多种模式中的两者或更多者产生的两个或更多个图像，且基于所述经获取两个或更多个图像确定所述位置处是否存在缺陷。
计算机子系统可如本文中所描述及如图1中所展示那样进一步配置。计算机子系统可经配置以根据本文中描述的实施例中的任一者执行获取及确定是否存在缺陷。计算机子系统可如本文中描述那样进一步配置且可经配置以执行本文中描述的任何其它功能。
在一些实施例中，计算机子系统经配置以基于缺陷中的第一者的一或多个经确定特性而分级、分类或取样缺陷中的第一者。例如，如图2中所示，存储媒体206中的特征向量212可发送到分类及取样算法。因此，用于分类、取样及其它功能的缺陷的信息可包含由检验系统在所述检验系统扫描样品时执行的标准缺陷检测产生的信息，以及基于从虚拟检验系统检索的经存储图像确定的其它信息。以此方式，由计算机子系统分类的缺陷可包含由实际检验系统检测到的缺陷(例如，在扫描期间)及/或基于存储于虚拟检验系统中的图像检测到的缺陷。分级、分类及取样可以任何适合方式执行。
基于用不同模式获取的两个或更多个图像确定的缺陷的一或多个特性对于SEM重检/分类取样算法或计量工具样本选择是尤其有价值的输入数据。特定地说，在半导体晶片及光罩处理中，SEM重检/分类及计量处理通常遭受取样不足(under-sampling)，因而来自相对较高覆盖范围数据的更多数据可用以区分独有缺陷事件，取样可更有效，而有助于发现新缺陷类型或异常计量位点。
基于如本文中描述那样确定的特性执行的缺陷的取样可包含任何适合类型的取样，例如于2015年5月19日授予狄旭娜(Dishner)等人的第9,037,280号美国专利描述的相异度取样，所述美国专利如全文阐述以引用的方式并入本文中，且其可包含选择具有特性的最大相异度的缺陷的样本，使得可选择最不同(或最相异)缺陷。选择具有任一特性的最不同的值的缺陷可导致包含独有类型的缺陷的缺陷样本，由此实现更佳缺陷发现。另外，本文中描述的实施例可集成到缺陷发现系统或方法，其用从虚拟检验器的数据采集的全自动化及包含于取样方案中以用于缺陷SEM重检/分类及计量而优化。
本文中描述的实施例具有若干优点且可用于以所属领域中已知的任何方式不同的多种模式。所述实施例对于以某些方式不同的模式还可为尤其有利的。例如，电磁辐射与物质之间的相互作用是经充分了解的现象，且目前可用的分析/检验仪器是基于光谱成像的原理。然而，对于相对较高数据率及相对较大量应用(例如半导体晶片及光罩检验)，直接利用光谱成像同时满足基本上高区域覆盖范围、基本上高空间分辨率连同基本上高光谱分辨率的传统要求在技术上或经济上是不切实际的。然而，通过针对每一通过使用不同成像条件(例如，光谱、光圈、焦点偏移等)而用成像系统的多次通过估计光谱响应，可至少部分实现光谱成像的优点。
为处理多模数据，应使用例如本文中进一步描述的特定基于向量的算法及“维度认知(dimensionally aware)”定阈机制。例如，可应用向量量值对n维“阈值表面”。对于所检测到的每一缺陷，特征向量数据可包含图像通道中的每一者的差异图像量值。归因于“光谱响应”(不同光谱条件)及/或“几何响应”(不同光圈条件)，此丰富数据集可有助于给取样及分类算法提供具有物理学基础的数据。
因此，本文中描述的实施例可用以针对缺陷产生不同种类的信息，或首先使用不同种类的信息来检测缺陷。例如，本文中描述的系统可经配置以执行光谱成像，其中在图像平面中的每一位置处收集完整光谱或某一光谱信息。另外，本文中描述的系统实施例可配置为可用以获取缺陷或样品的光谱解析图像的成像光谱仪。本文中描述的系统实施例还可经配置以进行高光谱成像，其中收集且处理来自电磁光谱各处的信息。此成像可经执行以通过获得图像中的每一像素的光谱而发现目标、识别材料等。高光谱成像可不同于光谱成像，此是因为高光谱成像相较于光谱成像用更加精细的波长分辨率执行且可涵盖相对较广波长范围。本文中描述的实施例还可用于光谱术及摄谱术，其中依据波长执行对辐射强度的测量。本文中描述的实施例还可用以产生缺陷或样品的色彩或数字彩色图像。数字彩色图像可为包含每一像素的色彩信息的数字图像。彩色图像可存储为光栅图、小整数三联体(integer triplet)的二维阵列，或作为三个各别光栅图，每一模式有一个。
一些目前可用检验系统及方法使用来自一个以上通道或模式的信息来检测缺陷及/或分类缺陷。例如，一些检验系统及方法以不同散射角单独地检测从样品散射的光，且接着使用关于散射到不同角中的光的信息来确定缺陷是一种类型还是另一类型。另外，一些目前使用的检验系统及方法可基于由不同通道或模式检测到的光确定缺陷特征，且接着基于所述缺陷特征确定缺陷类型及/或执行其它功能。然而，不同于本文中描述的实施例，目前使用的方法及系统并不针对样品上的位置存储图像或其它检测器输出，除非在所述位置处检测到缺陷。另外，甚至对于使用来自多个通道或模式的信息来针对缺陷检测或执行其它功能的系统及方法，所述系统及方法还不存储针对用以检验样品的全部多种模式或甚至在样品上未检测到缺陷的一或多个模式产生的图像或检测器的其它输出。因此，不同于本文中描述的系统及方法，先前使用的系统及方法无法用检验系统借助于由除检测到缺陷的模式外的模式产生的图像或检测器输出而“再访”缺陷位置或任何其它位置，除非在检验器中回放样品以产生额外图像。将样品重新定位回检验器中不仅花费额外时间，而且将样品可再现地(reproducibly)定位于检验系统中时的任何误差可引起待成像的样品上的错误定位，由此引起针对选定缺陷位置产生的信息的误差。
在额外实施例中，一或多个计算机子系统经配置以组合缺陷中的第一者的一或多个特性与由检验系统针对样品产生的检验结果，由此产生经修改检验结果，且将所述经修改检验结果发送到经配置以对样品的物理版本执行处理的另一系统。例如，如上述那样针对样品上的某些缺陷收集的数据可与通过常规检测方法收集的数据合并。每一位置的所得值阵列可构成跨选定模式空间的常规收集及非常规收集的数据的全矩阵。对样品的物理版本执行处理的另一系统可包含例如缺陷重检系统、计量系统、故障分析系统等。以此方式，可基于经修改检验结果(其可包含由本文中描述的实施例针对缺陷产生的全部信息)执行例如缺陷重检、计量、故障分析等的处理。
本文中描述的实施例还可如于2014年10月31日由杜菲申请的美国专利申请案序号62/073,418中描述那样配置，所述美国专利如全文阐述以引用的方式并入本文中。本文中描述的实施例还可经配置以执行本专利申请案中描述的任何方法的任何步骤。
上述系统的实施例中的每一者可一起组合成单个实施例。换句话来说，除非本文中另有所述，否则系统实施例均不与任何其它系统实施例互相排斥。此外，虽然图2到8展示可由本文中描述的计算机子系统执行的多种功能，但是除非本文中另有所述，否则此类图中所示的功能对本文中描述的系统实施例的功能及/或本文中描述的方法实施例的实践均非必不可少的。换句话来说，本文中描述的实施例可经配置以执行少于此类图中所示的全部功能或多于此类图中所示的全部功能，且在此类实施例的范围内，所述实施例仍可作用及/或被实践。
另一实施例涉及一种用于确定于样品上检测到的缺陷的一或多个特性的方法。所述方法包含存储由检验系统产生的样品的图像。检验系统经配置以如本文中描述那样配置。经存储图像包含由检验系统针对在其处检测到及未检测到缺陷的样品上的位置产生的图像。所述方法还包含识别用多种模式中的第一者检测到但用多种模式中的一或多种其它模式未检测到的缺陷中的第一者。另外，所述方法包含从经存储图像获取在对应于缺陷中的第一者的样品上的位置处用多种模式中的一或多种其它模式产生的图像中的一或多者。所述方法进一步包含：确定所述经获取一或多个图像的一或多个特性；及基于所述经获取一或多个图像的所述一或多个特性确定缺陷中的第一者的一或多个特性。
所述方法的步骤中的每一者可如本文中进一步描述那样执行。所述方法还可包含可由本文中描述的检验子系统及/或计算机子系统执行的任何其它步骤。存储、识别、获取、确定经获取一或多个图像的一或多个特性及确定缺陷中的第一者的一或多个特性的步骤是由一或多个计算机子系统执行，其可根据本文中描述的实施例中的任一者配置。另外，上述方法可由本文中描述的系统实施例中的任一者执行。
额外实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以执行用于确定于样品上检测到的缺陷的一或多个特性的计算机实施方法的程序指令。图9中展示一个此实施例。特定地说，如图9中所示，非暂时性计算机可读媒体900包含可在计算机系统904上执行的程序指令902。计算机实施方法可包含本文中描述的任何方法的任何步骤。
实施例如本文中描述的方法的方法的程序指令902可存储在计算机可读媒体900上。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它适合非暂时性计算机可读媒体。
可以各种方式中的任一者实施程序指令，包含基于程序的技术、基于组件的技术及/或面向对象的技术等。例如，如所需，可使用ActiveX控件、C++对象、JavaBeans、微软基础类(“MFC”)、SSE(串流SIMD延伸)或其它技术或方法来实施程序指令。
计算机系统904可根据本文中描述的实施例中的任一者配置。
鉴于此描述，所属领域技术人员将明白本发明的各种方面的进一步修改及替代实施例。例如，提供用于确定于样品上检测到的缺陷的一或多个特性的方法及系统。因此，此描述仅应理解为说明性的，且是出于教示所属领域技术人员实行本发明的一般方法的目的。应了解，本文中所展示及描述的本发明的形式应视为目前优选实施例。全部如所属领域技术人员在受益于本发明的此描述之后将明白，元件及材料可替换在本文中说明及描述的元件及材料，部分及过程可颠倒，且可独立利用本发明的某些特征。在不脱离如在所附权利要求书中描述的本发明的精神及范围的情况下，可对本文中描述的元件进行改变。

Claims (30)

1.一种经配置以确定于样品上检测到的缺陷的一或多个特性的系统，其包括：
存储媒体，其经配置以存储由检验系统产生的样品的图像，其中所述检验系统经配置以用能量扫描遍及所述样品的物理版本同时检测来自所述样品的能量，由此产生所述样品的所述图像且基于所述图像检测所述样品上的缺陷，其中所述检验系统进一步经配置以用多种模式执行所述扫描及所述检测，且其中由所述存储媒体存储的所述图像包括由所述检验系统针对在其处检测到及未检测到所述缺陷的所述样品上的位置产生的所述图像；及
一或多个计算机子系统，其经配置以：
识别用所述多种模式中的第一者检测到但用所述多种模式中的一或多种其它模式未检测到的所述缺陷中的第一者；
从所述存储媒体获取在对应于所述缺陷中的所述第一者的所述样品上的位置处用所述多种模式中的所述一或多种其它模式产生的所述图像中的一或多者；
确定所述经获取一或多个图像的一或多个特性；及
基于所述经获取一或多个图像的所述一或多个特性来确定所述缺陷中的所述第一者的一或多个特性。
2.根据权利要求1所述的系统，其中所述存储媒体及所述一或多个计算机子系统并非所述检验系统的部分，且不具有处置所述样品的所述物理版本的任何能力。
3.根据权利要求1所述的系统，其中所述存储媒体及所述一或多个计算机子系统进一步配置为虚拟检验系统。
4.根据权利要求1所述的系统，其中扫描遍及所述样品的所述能量包括光，其中从所述样品检测的所述能量包括光，且其中所述多种模式中的至少一者使用扫描遍及所述样品的所述光的至少一个波长，其不同于扫描遍及所述样品的用于所述多种模式中的至少一个其它模式的所述光的至少一个波长。
5.根据权利要求1所述的系统，其中所述多种模式中的至少一者使用所述检验系统的照明通道，其不同于用于所述多种模式中的至少一个其它模式的所述检验系统的照明通道。
6.根据权利要求1所述的系统，其中所述多种模式中的至少一者使用所述检验系统的光圈的配置，其不同于用于所述多种模式中的至少一个其它模式的所述检验系统的光圈的配置。
7.根据权利要求1所述的系统，其中所述多种模式中的至少一者使用所述检验系统的检测通道，其不同于用于所述多种模式中的至少一个其它模式的所述检验系统的检测通道。
8.根据权利要求1所述的系统，其中由所述检验系统针对在其处检测到及未检测到所述缺陷的所述样品上的所述位置产生且由所述存储媒体存储的所述图像是由所述检验系统在由所述检验系统对所述样品执行的相同检验中产生。
9.根据权利要求1所述的系统，其中所述检验系统进一步经配置以在所述样品的单个检验过程期间执行的所述样品的不同扫描中用所述多种模式连续地执行所述扫描及所述检测。
10.根据权利要求1所述的系统，其中所述检验系统进一步经配置以在所述样品的单个检验过程期间执行的所述样品的单个扫描中用所述多种模式中的至少两者同时执行所述扫描及所述检测。
11.根据权利要求1所述的系统，其中由所述存储媒体存储的所述图像进一步包括在所述扫描及检测期间由所述检验系统针对所述样品产生的全部所述图像。
12.根据权利要求1所述的系统，其中所述经获取一或多个图像中的至少一者包括测试图像，且其中确定所述经获取一或多个图像中的所述至少一者的所述一或多个特性包括：通过从所述测试图像减去所述经获取一或多个图像中的所述至少一者的参考图像而产生差异图像，及确定所述差异图像的一或多个特性。
13.根据权利要求1所述的系统，其中在针对对应于所述缺陷中的所述第一者的所述样品上的所述位置产生的两个不同差异图像中检测到所述缺陷中的所述第一者。
14.根据权利要求1所述的系统，其中在针对对应于所述缺陷中的所述第一者的所述样品上的所述位置产生的多个差异图像中的仅一者中检测到所述缺陷中的所述第一者。
15.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置以从所述存储媒体获取在所述样品上的额外位置处用所述多种模式中的两者或更多者产生的两个或更多个图像，且基于所述经获取两个或更多个图像来确定所述额外位置处是否存在缺陷。
16.根据权利要求15所述的系统，其中确定是否存在所述缺陷包括：分别确定所述经获取两个或更多个图像的两个或更多个差异图像；分别确定所述两个或更多个差异图像的两个或更多个差异图像属性；及基于所述两个或更多个差异图像属性的组合来确定是否存在缺陷。
17.根据权利要求15所述的系统，其中确定是否存在所述缺陷包括：分别确定所述经获取经获取两个或更多个图像的两个或更多个图像属性；及基于所述两个或更多个图像属性的组合来确定是否存在缺陷。
18.根据权利要求15所述的系统，其中确定是否存在所述缺陷包括：分别确定所述经获取两个或更多个图像的两个或更多个图像属性，及将多维阈值应用于所述两个或更多个图像属性的组合。
19.根据权利要求15所述的系统，其中所述一或多个计算机子系统进一步经配置以基于对应于所述额外位置的所述样品的设计的部分来确定用于确定是否存在所述缺陷的一或多个参数。
20.根据权利要求15所述的系统，其中所述一或多个计算机子系统进一步经配置以基于所述额外位置定位于其中的所述经获取两个或更多个图像的片段来确定用于确定是否存在所述缺陷的一或多个参数。
21.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置以基于所述缺陷中的所述第一者的所述一或多个经确定特性来对所述缺陷中的所述第一者进行分级。
22.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置以基于所述缺陷中的所述第一者的所述一或多个经确定特性来对所述缺陷中的所述第一者进行分类。
23.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置以基于所述缺陷中的所述第一者的所述一或多个经确定特性来取样所述缺陷中的所述第一者。
24.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置以组合所述缺陷中的所述第一者的所述一或多个特性与由所述检验系统针对所述样品产生的检验结果，由此产生经修改检验结果，且将所述经修改检验结果发送到经配置以对所述样品的所述物理版本执行处理的另一系统。
25.根据权利要求1所述的系统，其中所述样品包括晶片。
26.根据权利要求1所述的系统，其中所述样品包括光罩。
27.根据权利要求1所述的系统，其中扫描遍及所述样品的所述能量包括光，且其中从所述样品检测的所述能量包括光。
28.根据权利要求1所述的系统，其中扫描遍及所述样品的所述能量包括电子，其中从所述样品检测的所述能量包括电子。
29.一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以执行用于确定于样品上检测到的缺陷的一或多个特性的计算机实施方法的程序指令，其中所述计算机实施方法包括：
存储由检验系统产生的样品的图像，其中所述检验系统经配置以用能量扫描遍及所述样品的物理版本同时检测来自所述样品的能量，由此产生所述样品的所述图像且基于所述图像检测所述样品上的缺陷，其中所述检验系统进一步经配置以用多种模式执行所述扫描及所述检测，且其中所述经存储图像包括由所述检验系统针对在其处检测到及未检测到所述缺陷的所述样品上的位置产生的所述图像；
识别用所述多种模式中的第一者检测到但用所述多种模式中的一或多种其它模式未检测到的所述缺陷中的第一者；
从所述经存储图像获取在对应于所述缺陷中的所述第一者的所述样品上的位置处用所述多种模式中的所述一或多种其它模式产生的所述图像中的一或多者；
确定所述经获取一或多个图像的一或多个特性；及
基于所述经获取一或多个图像的所述一或多个特性来确定所述缺陷中的所述第一者的一或多个特性。
30.一种用于确定于样品上检测到的缺陷的一或多个特性的方法，其包括：
存储由检验系统产生的样品的图像，其中所述检验系统经配置以用能量扫描遍及所述样品的物理版本同时检测来自所述样品的能量，由此产生所述样品的所述图像且基于所述图像检测所述样品上的缺陷，其中所述检验系统进一步经配置以用多种模式执行所述扫描及所述检测，且其中所述经存储图像包括由所述检验系统针对在其处检测到及未检测到所述缺陷的所述样品上的位置产生的所述图像；
识别用所述多种模式中的第一者检测到但用所述多种模式中的一或多种其它模式未检测到的所述缺陷中的第一者；
从所述经存储图像获取在对应于所述缺陷中的所述第一者的所述样品上的位置处用所述多种模式中的所述一或多种其它模式产生的所述图像中的一或多者；
确定所述经获取一或多个图像的一或多个特性；及
基于所述经获取一或多个图像的所述一或多个特性来确定所述缺陷中的所述第一者的一或多个特性，其中所述存储、所述识别、所述获取、所述确定所述经获取一或多个图像的所述一或多个特性以及所述确定所述缺陷中的所述第一者的所述一或多个特性是由一或多个计算机子系统执行。
CN201580037969.9A 2014-07-22 2015-07-22 具有多种模式的虚拟检验系统 Active CN106537125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010018889.1A CN111189848B (zh) 2014-07-22 2015-07-22 具有多种模式的虚拟检验系统

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201462027458P 2014-07-22 2014-07-22
US62/027,458 2014-07-22
US14/803,872 US9816939B2 (en) 2014-07-22 2015-07-20 Virtual inspection systems with multiple modes
US14/803,872 2015-07-20
PCT/US2015/041611 WO2016014714A1 (en) 2014-07-22 2015-07-22 Virtual inspection systems with multiple modes

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202010018889.1A Division CN111189848B (zh) 2014-07-22 2015-07-22 具有多种模式的虚拟检验系统

Publications (2)

Publication Number Publication Date
CN106537125A CN106537125A (zh) 2017-03-22
CN106537125B true CN106537125B (zh) 2020-02-07

Family

ID=55163723

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201580037969.9A Active CN106537125B (zh) 2014-07-22 2015-07-22 具有多种模式的虚拟检验系统
CN202010018889.1A Active CN111189848B (zh) 2014-07-22 2015-07-22 具有多种模式的虚拟检验系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202010018889.1A Active CN111189848B (zh) 2014-07-22 2015-07-22 具有多种模式的虚拟检验系统

Country Status (8)

Country Link
US (2) US9816939B2 (zh)
JP (2) JP6661602B2 (zh)
KR (2) KR102445978B1 (zh)
CN (2) CN106537125B (zh)
DE (1) DE112015003362T5 (zh)
SG (2) SG11201610822SA (zh)
TW (1) TWI679710B (zh)
WO (1) WO2016014714A1 (zh)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9816939B2 (en) * 2014-07-22 2017-11-14 Kla-Tencor Corp. Virtual inspection systems with multiple modes
US10127653B2 (en) 2014-07-22 2018-11-13 Kla-Tencor Corp. Determining coordinates for an area of interest on a specimen
US9702827B1 (en) * 2014-11-20 2017-07-11 Kla-Tencor Corp. Optical mode analysis with design-based care areas
US10539612B2 (en) 2015-05-20 2020-01-21 Kla-Tencor Corporation Voltage contrast based fault and defect inference in logic chips
US10359371B2 (en) 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
WO2017148665A1 (en) 2016-03-01 2017-09-08 Asml Netherlands B.V. Metrology apparatus, method of measuring a structure and lithographic apparatus
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
JP6353008B2 (ja) * 2016-11-02 2018-07-04 ファナック株式会社 検査条件決定装置、検査条件決定方法及び検査条件決定プログラム
US11047806B2 (en) * 2016-11-30 2021-06-29 Kla-Tencor Corporation Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
BR102016028266A2 (pt) * 2016-12-01 2018-06-19 Autaza Tecnologia Ltda - Epp Método e sistema para a inspeção automática de qualidade de materiais
US10387755B2 (en) * 2017-06-28 2019-08-20 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
US10408764B2 (en) * 2017-09-13 2019-09-10 Applied Materials Israel Ltd. System, method and computer program product for object examination
DE112018000062B4 (de) 2018-01-31 2021-01-28 Cameca Instruments, Inc. Energiestrahl-eingang zu atomsonden-proben aus verschiedenen winkeln
JP2019138660A (ja) * 2018-02-06 2019-08-22 東芝メモリ株式会社 欠陥検査装置および欠陥検査方法
US10670536B2 (en) * 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
US11151711B2 (en) * 2018-06-06 2021-10-19 Kla-Tencor Corporation Cross layer common-unique analysis for nuisance filtering
WO2019238363A1 (en) * 2018-06-13 2019-12-19 Asml Netherlands B.V. Metrology apparatus
US11668655B2 (en) * 2018-07-20 2023-06-06 Kla Corporation Multimode defect classification in semiconductor inspection
US11022565B2 (en) * 2019-05-07 2021-06-01 Applied Materials Israel Ltd. Process monitoring
KR102324622B1 (ko) * 2018-12-12 2021-11-12 어플라이드 머티리얼즈 이스라엘 리미티드 프로세스 모니터링
CN109782459B (zh) * 2018-12-24 2020-11-24 惠科股份有限公司 偏光片贴附检测方法、装置和显示装置
US11276161B2 (en) * 2019-02-26 2022-03-15 KLA Corp. Reference image generation for semiconductor applications
CN109839387A (zh) * 2019-03-25 2019-06-04 中国工程物理研究院激光聚变研究中心 快速统计大口径光学元件表面污染和损伤的方法
US11551348B2 (en) 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
CN110504183B (zh) * 2019-08-27 2021-06-15 上海华力集成电路制造有限公司 自动扩展扫描区域的扫描程式建立方法
US11580650B2 (en) * 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11263741B2 (en) * 2020-01-24 2022-03-01 Applied Materials Israel Ltd. System and methods of generating comparable regions of a lithographic mask
US11035803B1 (en) 2020-02-26 2021-06-15 Applied Materials Israel Ltd. Multi-perspective examination of a specimen
US11264202B2 (en) * 2020-05-18 2022-03-01 Applied Materials Israel Ltd. Generating three dimensional information regarding structural elements of a specimen
KR20210156894A (ko) 2020-06-18 2021-12-28 삼성전자주식회사 스루-포커스 이미지 기반 계측 장치, 그것의 동작 방법, 및 그 동작을 실행하는 컴퓨팅 장치
US11328410B2 (en) * 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
US11748871B2 (en) 2020-09-28 2023-09-05 KLA Corp. Alignment of a specimen for inspection and other processes
US20220148145A1 (en) * 2020-11-06 2022-05-12 Carl Zeiss Industrial Metrology, Llc Surface inspection system and method for differentiating particulate contamination from defects on a surface of a specimen
CN112711603B (zh) * 2020-12-30 2024-08-20 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及系统、计算机可读存储介质
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
US12111355B2 (en) 2021-11-22 2024-10-08 Onto Innovation Inc. Semiconductor substrate yield prediction based on spectra data from multiple substrate dies
US12080050B2 (en) 2021-12-20 2024-09-03 KLA Corp. Machine learning using a global texture characteristic for semiconductor-based applications

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6621571B1 (en) * 1999-10-29 2003-09-16 Hitachi, Ltd. Method and apparatus for inspecting defects in a patterned specimen
US7747062B2 (en) * 2005-11-09 2010-06-29 Kla-Tencor Technologies Corp. Methods, defect review tools, and systems for locating a defect in a defect review process
TW201322030A (zh) * 2011-09-13 2013-06-01 Kla Tencor Corp 判定用於晶圓缺陷之設計座標
CN103531497A (zh) * 2009-01-26 2014-01-22 恪纳腾公司 用于检测晶片上的缺陷的系统和方法
TW201423085A (zh) * 2012-10-15 2014-06-16 Kla Tencor Corp 使用缺陷特定之資訊－偵測在晶圓上之缺陷

Family Cites Families (87)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5321505A (en) 1991-01-11 1994-06-14 Microelectronics & Computer Technology Corporation Computer scalable visualization system
US6411377B1 (en) 1991-04-02 2002-06-25 Hitachi, Ltd. Optical apparatus for defect and particle size inspection
US5761064A (en) 1995-10-06 1998-06-02 Advanced Micro Devices, Inc. Defect management system for productivity and yield improvement
JP4206192B2 (ja) * 2000-11-09 2009-01-07 株式会社日立製作所 パターン検査方法及び装置
US6476913B1 (en) 1998-11-30 2002-11-05 Hitachi, Ltd. Inspection method, apparatus and system for circuit pattern
US6539106B1 (en) * 1999-01-08 2003-03-25 Applied Materials, Inc. Feature-based defect detection
US6377898B1 (en) 1999-04-19 2002-04-23 Advanced Micro Devices, Inc. Automatic defect classification comparator die selection system
JP4312910B2 (ja) * 1999-12-02 2009-08-12 株式会社日立製作所 レビューｓｅｍ
KR100361962B1 (ko) 2000-02-03 2002-11-23 (주) 셀라이트 웨이퍼 테두리 결함 검사장치 및 검사방법
US6952656B1 (en) 2000-04-28 2005-10-04 Applied Materials, Inc. Wafer fabrication data acquisition and management systems
JP2002100660A (ja) 2000-07-18 2002-04-05 Hitachi Ltd 欠陥検出方法と欠陥観察方法及び欠陥検出装置
JP3858571B2 (ja) * 2000-07-27 2006-12-13 株式会社日立製作所 パターン欠陥検査方法及びその装置
KR100347764B1 (ko) 2000-10-19 2002-08-09 삼성전자 주식회사 주사전자현미경 이미지를 이용한 반도체 웨이퍼 표면의 입자성장도 수치적 분석방법과 이를 위한 장치
US6898304B2 (en) 2000-12-01 2005-05-24 Applied Materials, Inc. Hardware configuration for parallel data processing without cross communication
JP4038356B2 (ja) 2001-04-10 2008-01-23 株式会社日立製作所 欠陥データ解析方法及びその装置並びにレビューシステム
WO2002086804A1 (en) 2001-04-18 2002-10-31 Multibeam Systems, Inc. Image processing system for multi-beam inspection
US6855568B2 (en) 2001-06-29 2005-02-15 Kla-Tencor Corporation Apparatus and methods for monitoring self-aligned contact arrays using voltage contrast inspection
US6645780B1 (en) 2001-12-13 2003-11-11 Advanced Micro Devices, Inc. Method and apparatus for combining integrated and offline metrology for process control
US6886153B1 (en) 2001-12-21 2005-04-26 Kla-Tencor Corporation Design driven inspection or measurement for semiconductor using recipe
IL148485A (en) 2002-03-04 2008-07-08 Nova Measuring Instr Ltd Optical measurements of properties of modeled buildings
US6990385B1 (en) 2003-02-03 2006-01-24 Kla-Tencor Technologies Corporation Defect detection using multiple sensors and parallel processing
US6985220B1 (en) 2003-08-20 2006-01-10 Kla-Tencor Technologies Corporation Interactive threshold tuning
US7522664B1 (en) 2003-09-10 2009-04-21 Krishnamurthy Bhaskar Remote live video inspection
US7433031B2 (en) 2003-10-29 2008-10-07 Core Tech Optical, Inc. Defect review system with 2D scanning and a ring detector
US7440942B2 (en) 2004-02-05 2008-10-21 The State Of Oregon Acting By And Through The State Board Of Higher Education On Behalf Of The University Of Oregon Database manipulations using group theory
US7024339B1 (en) 2004-10-18 2006-04-04 Kla-Tencor Technologies Corporation Full swath analysis
US7440640B1 (en) 2004-10-18 2008-10-21 Kla-Tencor Corporation Image data storage
US7379847B1 (en) 2004-10-18 2008-05-27 Kla-Tencor Corporation High bandwidth image transfer
US7440607B1 (en) 2004-11-03 2008-10-21 Kla-Tencor Corporation Outlier substrate inspection
US7812930B2 (en) 2005-03-21 2010-10-12 Asml Netherlands B.V. Lithographic apparatus and device manufacturing method using repeated patterns in an LCD to reduce datapath volume
US7310585B2 (en) * 2005-05-12 2007-12-18 International Business Machines Corporation Method of inspecting integrated circuits during fabrication
US9037280B2 (en) 2005-06-06 2015-05-19 Kla-Tencor Technologies Corp. Computer-implemented methods for performing one or more defect-related functions
US7586599B2 (en) * 2005-08-08 2009-09-08 Applied Materials, Isreal, Ltd. Method and system for detecting defects
US7437510B2 (en) 2005-09-30 2008-10-14 Intel Corporation Instruction-assisted cache management for efficient use of cache and memory
US7554656B2 (en) 2005-10-06 2009-06-30 Kla-Tencor Technologies Corp. Methods and systems for inspection of a wafer
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
KR100926117B1 (ko) 2005-12-30 2009-11-11 엘지디스플레이 주식회사 가상 리뷰를 이용한 검사 시스템 및 그 방법
EP1982160A4 (en) 2006-02-09 2016-02-17 Kla Tencor Tech Corp METHOD AND SYSTEMS FOR DETERMINING A WAFER FEATURE
WO2007137261A2 (en) 2006-05-22 2007-11-29 Kla-Tencor Technologies Corporation Methods and systems for detecting pinholes in a film formed on a wafer or for monitoring a thermal process tool
US7711177B2 (en) 2006-06-08 2010-05-04 Kla-Tencor Technologies Corp. Methods and systems for detecting defects on a specimen using a combination of bright field channel data and dark field channel data
KR100809598B1 (ko) 2006-06-20 2008-03-04 삼성전자주식회사 가상 테스트가 가능한 반도체 테스트 시스템 및 그것의반도체 테스트 방법
JP4102842B1 (ja) * 2006-12-04 2008-06-18 東京エレクトロン株式会社 欠陥検出装置、欠陥検出方法、情報処理装置、情報処理方法及びそのプログラム
US7904845B2 (en) 2006-12-06 2011-03-08 Kla-Tencor Corp. Determining locations on a wafer to be reviewed during defect review
US8156450B2 (en) 2006-12-18 2012-04-10 Cadence Design Systems, Inc. Method and system for mask optimization
WO2008077100A2 (en) 2006-12-19 2008-06-26 Kla-Tencor Corporation Systems and methods for creating inspection recipes
WO2008086282A2 (en) 2007-01-05 2008-07-17 Kla-Tencor Corporation Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US7796804B2 (en) 2007-07-20 2010-09-14 Kla-Tencor Corp. Methods for generating a standard reference die for use in a die to standard reference die inspection and methods for inspecting a wafer
US8611639B2 (en) 2007-07-30 2013-12-17 Kla-Tencor Technologies Corp Semiconductor device property extraction, generation, visualization, and monitoring methods
US20110304527A1 (en) 2007-09-14 2011-12-15 Sean Wu Computer-implemented methods, carrier media, and systems for displaying an image of at least a portion of a wafer
US8126255B2 (en) 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
JP4997076B2 (ja) * 2007-11-22 2012-08-08 株式会社日立ハイテクノロジーズ 荷電粒子線装置、及び荷電粒子線装置における画像生成方法
US8260034B2 (en) 2008-01-22 2012-09-04 International Business Machines Corporation Multi-modal data analysis for defect identification
KR100982306B1 (ko) 2008-06-09 2010-09-15 삼성모바일디스플레이주식회사 가상 계측 장치 및 계측 방법
WO2009152046A1 (en) * 2008-06-11 2009-12-17 Kla-Tencor Corporation Systems and methods for detecting design and process defects on a wafer, reviewing defects on a wafer, selecting one or more features within a design for use as process monitoring features, or some combination thereof
JP5287178B2 (ja) * 2008-11-27 2013-09-11 富士通セミコンダクター株式会社 欠陥レビュー装置
TWI365504B (en) * 2008-12-31 2012-06-01 Die defect inspecting system for inspecting the defect of a back surface of a die and method for using the same
EP2394295A2 (en) * 2009-02-06 2011-12-14 KLA-Tencor Corporation Selecting one or more parameters for inspection of a wafer
JP5297261B2 (ja) 2009-04-28 2013-09-25 株式会社日立ハイテクノロジーズ 観察欠陥選択処理方法、欠陥観察方法、観察欠陥選択処理装置、欠陥観察装置
JP2011047724A (ja) * 2009-08-26 2011-03-10 Hitachi High-Technologies Corp 欠陥検査装置およびその方法
JP4726983B2 (ja) * 2009-10-30 2011-07-20 住友化学株式会社 欠陥検査システム、並びに、それに用いる、欠陥検査用撮影装置、欠陥検査用画像処理装置、欠陥検査用画像処理プログラム、記録媒体、および欠陥検査用画像処理方法
US8559001B2 (en) 2010-01-11 2013-10-15 Kla-Tencor Corporation Inspection guided overlay metrology
EP2583056B1 (en) 2010-06-17 2018-12-12 Nova Measuring Instruments Ltd Method and system for optimizing optical inspection of patterned structures
US9317351B2 (en) 2010-09-07 2016-04-19 Advantest Corporation System, methods and apparatus using virtual appliances in a semiconductor test environment
JP5417306B2 (ja) * 2010-11-29 2014-02-12 株式会社日立ハイテクノロジーズ 欠陥検査方法および欠陥検査装置
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US8866899B2 (en) * 2011-06-07 2014-10-21 Photon Dynamics Inc. Systems and methods for defect detection using a whole raw image
JP5460662B2 (ja) 2011-09-07 2014-04-02 株式会社日立ハイテクノロジーズ 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
US9277186B2 (en) * 2012-01-18 2016-03-01 Kla-Tencor Corp. Generating a wafer inspection process using bit failures and virtual inspection
US8831334B2 (en) 2012-01-20 2014-09-09 Kla-Tencor Corp. Segmentation for wafer inspection
US9367655B2 (en) 2012-04-10 2016-06-14 Taiwan Semiconductor Manufacturing Company, Ltd. Topography-aware lithography pattern check
US8716662B1 (en) 2012-07-16 2014-05-06 Kla-Tencor Corporation Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations
US8912495B2 (en) 2012-11-21 2014-12-16 Kla-Tencor Corp. Multi-spectral defect inspection for 3D wafers
US9053527B2 (en) 2013-01-02 2015-06-09 Kla-Tencor Corp. Detecting defects on a wafer
KR102019534B1 (ko) 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9619876B2 (en) 2013-03-12 2017-04-11 Kla-Tencor Corp. Detecting defects on wafers based on 2D scatter plots of values determined for output generated using different optics modes
US10429319B2 (en) 2013-03-20 2019-10-01 Kla-Tencor Corporation Inspection system including parallel imaging paths with multiple and selectable spectral bands
US9726617B2 (en) 2013-06-04 2017-08-08 Kla-Tencor Corporation Apparatus and methods for finding a best aperture and mode to enhance defect detection
US9704234B2 (en) 2013-08-08 2017-07-11 Kla-Tencor Corp. Adaptive local threshold and color filtering
US10127652B2 (en) 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US9401016B2 (en) 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
US9816939B2 (en) * 2014-07-22 2017-11-14 Kla-Tencor Corp. Virtual inspection systems with multiple modes
US9766186B2 (en) 2014-08-27 2017-09-19 Kla-Tencor Corp. Array mode repeater detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6621571B1 (en) * 1999-10-29 2003-09-16 Hitachi, Ltd. Method and apparatus for inspecting defects in a patterned specimen
US7747062B2 (en) * 2005-11-09 2010-06-29 Kla-Tencor Technologies Corp. Methods, defect review tools, and systems for locating a defect in a defect review process
CN103531497A (zh) * 2009-01-26 2014-01-22 恪纳腾公司 用于检测晶片上的缺陷的系统和方法
TW201322030A (zh) * 2011-09-13 2013-06-01 Kla Tencor Corp 判定用於晶圓缺陷之設計座標
TW201423085A (zh) * 2012-10-15 2014-06-16 Kla Tencor Corp 使用缺陷特定之資訊－偵測在晶圓上之缺陷

Also Published As

Publication number Publication date
TWI679710B (zh) 2019-12-11
KR20210118244A (ko) 2021-09-29
CN111189848A (zh) 2020-05-22
US10416088B2 (en) 2019-09-17
JP2020115132A (ja) 2020-07-30
WO2016014714A1 (en) 2016-01-28
KR102307415B1 (ko) 2021-09-29
TW201611146A (zh) 2016-03-16
CN106537125A (zh) 2017-03-22
KR102445978B1 (ko) 2022-09-21
JP6661602B2 (ja) 2020-03-11
DE112015003362T5 (de) 2017-04-13
SG10201912733SA (en) 2020-02-27
KR20170033875A (ko) 2017-03-27
JP2017528697A (ja) 2017-09-28
US20160025648A1 (en) 2016-01-28
SG11201610822SA (en) 2017-02-27
JP7116106B2 (ja) 2022-08-09
US9816939B2 (en) 2017-11-14
US20180052118A1 (en) 2018-02-22
CN111189848B (zh) 2024-08-30

Similar Documents

Publication Publication Date Title
CN106537125B (zh) 具有多种模式的虚拟检验系统
KR102438824B1 (ko) 3차원 반도체 구조체들의 검사를 위한 결함 발견 및 레시피 최적화
KR102330735B1 (ko) 패터닝된 웨이퍼들 상의 결함들의 서브-픽셀 및 서브-해상도 로컬리제이션
KR102300550B1 (ko) 검사를 위한 고해상도 전체 다이 이미지 데이터의 사용
JP5619776B2 (ja) ウエハの検査のための１つまたは複数のパラメータの選択方法
JP6807844B2 (ja) ビルトインターゲットを用いた検査対デザイン位置揃え
US9430824B2 (en) Machine learning method and apparatus for inspecting reticles
US11067516B2 (en) High accuracy of relative defect locations for repeater analysis
CN109690749A (zh) 用于图像融合的以卷积神经网络为基础的模式选择及缺陷分类
KR102472309B1 (ko) 검사를 위한 모드 선택
KR20230046279A (ko) 딥 러닝을 사용한 3d 구조물 검사 또는 계측
KR20190142418A (ko) 리피터 분석을 위한 높은 정확도의 상대적 결함 위치
US10062012B1 (en) Finding patterns in a design based on the patterns and their surroundings
TW202420233A (zh) 多模式缺陷偵測

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant