CN108020561B - 用于在检查对象时自适应采样的方法和其系统 - Google Patents

用于在检查对象时自适应采样的方法和其系统 Download PDF

Info

Publication number
CN108020561B
CN108020561B CN201710992593.8A CN201710992593A CN108020561B CN 108020561 B CN108020561 B CN 108020561B CN 201710992593 A CN201710992593 A CN 201710992593A CN 108020561 B CN108020561 B CN 108020561B
Authority
CN
China
Prior art keywords
potential
defects
potential defects
defect
list
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
CN201710992593.8A
Other languages
English (en)
Other versions
CN108020561A (zh
Inventor
尤塔姆·索弗
伊丹·凯泽曼
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.)
Applied Materials Israel Ltd
Original Assignee
Applied Materials Israel Ltd
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 Applied Materials Israel Ltd filed Critical Applied Materials Israel Ltd
Publication of CN108020561A publication Critical patent/CN108020561A/zh
Application granted granted Critical
Publication of CN108020561B publication Critical patent/CN108020561B/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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8877—Proximity analysis, local statistics
    • 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
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Signal Processing (AREA)

Abstract

检查对象，包括：接收潜在缺陷，每个潜在缺陷与位置相关联；执行潜在缺陷的第一聚类以获得第一子集和第二子集，聚类被执行以使得第一子集中的潜在缺陷在物理区域中比第二子集中的潜在缺陷更加密集；将第一有效概率自动分配给第一子集和第二子集中的潜在缺陷；根据第三方针并且根据用于组合来自所述合并列表的最高元素和随机选择元素的策略来进行选择以审查来自第一子集和第二子集的潜在缺陷；在审查审查的潜在缺陷之后，接收对潜在缺陷列表的部分中的潜在缺陷的指示；根据所述第一子集和第二子集中的项的有效性和分类来更新所述方针；以及利用所更新的方针重复所述分配、选择、接收和更新，直至观察到停止标准。

Description

用于在检查对象时自适应采样的方法和其系统
技术领域
本文所公开的主题涉及检查对象中的位置，并且更具体地涉及待审查的对象位置的自适应采样。
背景技术
各种对象，诸如半导体晶片、掩膜、印刷电路板、太阳能电池板、微机电器件，是通过制造工艺制造的，所述制造工艺是高度复杂且昂贵的，包括多个阶段，并且需要高度精确机器。此类对象一般称为晶片。
复杂制造工艺并不是无错的，并且此类错误可以导致所制造的对象的故障或所谓的故障。故障可以包括可能损害对象的操作的缺陷、错误的阳性
(positive)发现(所述发现似乎可能含有缺陷，虽然在区域处并不存在实际缺陷)、以及妨害(所述妨害可能是缺陷，但不使所制造的单元发生任何损害或故障)。除了原材料中的故障之外，人为错误和其他故障也可导致对象中的缺陷。
在本说明书中使用的术语“缺陷”应被广泛地解释为涵盖任何种类的异常或在晶片上或在晶片内形成的不期望的特征。
除非另外特别声明，否则在本说明书中关于晶片而使用的术语“检查”应被广泛地解释为涵盖通过使用非破坏性检验工具提供的晶片中的缺陷的任何种类的检测和/或分类。借助非限制性示例，此类检查可以包括：生成用于检查和/或其部分的一个或多个方案；检验，例如在单次扫描中或多次扫描中扫描；审查(review)；使用相同或不同的检验工具针对晶片或其部分提供的测量和/或其他操作。
为了发现缺陷，可将各种检查步骤整合到制造工艺中，包括检验和审查。检查步骤可被执行多次，例如在某些阶段(诸如在制造或处理某些层之后，或类似阶段)。另外或替代地，每个检查步骤可被重复多次，例如针对不同晶片位置或针对具有不同检查设定的相同晶片位置。
借助非限制性示例，检查可以采用两阶段“检验和审查”过程。
术语“检验”是指扫描和分析晶片或晶片的一部分，以检测其中可能发现缺陷的位置。通过检验而报告的可疑位置可以包括真实缺陷、错误阳性报告、以及滋扰缺陷，所述滋扰缺陷是无害的。可以使用各种非破坏性检验工具，借助非限制性示例，这些非破坏性检验工具包括扫描电子显微镜、原子力显微镜、光学检验工具等等。
术语“审查”是指捕获和分析一个或多个特定位置，例如由检验工艺报告的潜在缺陷位置、源自于设计数据的关注位置、由用户指出的位置，或类似位置。
在本说明书中使用的术语“设计数据”应被广泛地解释为涵盖指示样品的分层物理设计(布局)的任何数据。设计数据可由相应的设计者提供和/或可源自于物理设计(例如，通过复杂模拟、简单几何和布耳(Boolean)运算等等)。设计数据可以不同格式而被提供，借助非限制性示例，这些格式诸如GDSII格式、OASIS格式等等。设计数据可以向量格式、灰度强度图像格式或其他格式而存在。设计数据包括设计结构元素，所述设计结构元素表示待在样品的一个或多个层上形成的不同特征。如现有技术中已知，设计结构元素可以被构建为具有闭合轮廓的几何形状或结合有其他结构元素的插入的几何形状。借助非限制性示例，所给出的设计结构元素可以包括借助于以GDSII格式的SREF、AREF指示符插入的一个或多个STRUCTURE元素，或者可以包括借助于PLACEMENT和REPETITION插入的一个或多个CELL元素(OASIS格式)。
通常，与审查相比，检验在更高速度和更低的分辨率下被执行。因此，检验可以用于覆盖较大区域并且检测潜在缺陷，其中缺陷的一些或全部可以在之后被审查并且可选地被进一步检查。在审查期间，由检验工具报告的潜在缺陷中的一些可能被证实是错误警报。
在一些实施方式中，检验和审查可以通过不同工具执行，但是在其他实施方式中，它们可以通过相同工具执行。
发明内容
本公开内容的一个方面涉及一种使用可操作地连接到存储器的处理器来检查对象的方法，方法包括：接收多个潜在缺陷，所述多个潜在缺陷中的每个潜在缺陷与潜在缺陷位置相关联；执行多个潜在缺陷的第一聚类以获得第一子集和一个或多个第二子集，所述聚类根据在潜缺陷位置之间的空间距离而被执行，使得第一子集中的潜在缺陷被表征为在一个或多个物理区域中比第二子集中包括的潜在缺陷具有更高密度；将作为有效缺陷的第一概率自动分配给第一子集中的潜在缺陷，第一概率是根据第一方针计算；将作为有效缺陷的第二概率自动分配给第二子集中的潜在缺陷，第二概率是根据第二方针计算的，第二方针规定如何组合两个或更多个第二因素；根据包括审查次数在内的考虑而自动进行选择和分配以根据第三方针和策略由审查工具来审查来自第一子集和第二子集的一个或多个潜在缺陷，第三方针规定如何将来自多个子集的潜在缺陷组合为合并列表，策略指示如何组合来自合并列表的最高元素和来自合并列表的随机选择元素；接收在潜在缺陷列表的部分中的潜在缺陷的有效性和类别指示，指示在潜在缺陷列表的部分中的潜在缺陷由审查工具审查之后被接收；并且在未观察到停止标准后：根据在第一子集和第二子集中的项的有效性和分类更新第一方针、第二方针或第三方针；以及根据所更新的第一方针、第二方针或第三方针重复所述分配、选择、接收和更新，直至观察到停止标准。在方法中，停止标准可选地选自由以下组成的组：预定数量的潜在缺陷已由审查工具审查；多个表明潜在缺陷有效的指示的收敛；以及已检测到与特定缺陷类别相关联的预定数量的缺陷。在方法中，可选地接收用于所接收的有效性或类别指示的决策置信水平。在方法中，物理区域可选地选自由以下组成的组：区域；在开线(open line)附近的区域；以及在闭线(close line)附近的区域。方法可进一步包括：基于除几何位置之外的特性执行第二子集的第二聚类。在方法中，第二聚类的特性可选地包括选自由以下组成的组中的项：在潜在缺陷的位置处的晶片的阴影或颜色；在潜在缺陷的区域处的晶片的背景阴影或颜色；在潜在缺陷附近的边缘；在潜在缺陷附近的特征；在潜在缺陷附近的多边形、边缘或拐角的数量和它们的密度。在方法中，第二聚类可选地提供用于确定位于与用于第二聚类的特性相关的密集区域中的潜在缺陷，从而提供用于确定系统潜在缺陷。在方法中，与随机潜在缺陷相关的两个或更多个第二因素可选地选自由以下组成的组：位于与用于第二聚类的特性相关的特征空间中稀疏的区域处；位于与用于第二聚类的特性相关的特征空间中密集的区域的异常值区域处；接近已验证的潜在缺陷；以及上述中的两个或更多个的组合，从而提供用于确定随机潜在缺陷。在方法中，随机潜在缺陷可选地与通过不同工具或在不同条件下进进行的两个或更多个扫描相关。在方法中，自动进行选择和分配以用于审查可选地包括：根据第一概率对第一子集的潜在缺陷进行排序以获得第一排序列表；根据第二概率对第二子集中的每一个进行排序以获得一个或多个第二排序列表；根据第三方针对来自第一排序列表或第二排序列表的潜在缺陷的优先级进行排序以形成合并列表；以及根据策略从合并列表选择待审查的潜在缺陷。在方法中，第三方针可选地符合选自由以下组成的组中的一个或多个：从第一排序列表选择所需数量潜在缺陷的预定的百分比，并且与来自第二分排序列表的潜在缺陷互补；从按概率排序的第一排序列表和第二排序列表的合并列表选择最高概率潜在缺陷；以及根据用户输入对来自第一排序列表或第二排序列表的潜在缺陷的优先级进行排序，并且选择优先级最高的潜在缺陷。在方法中，策略可选地指示从合并列表选择的，并且与来自合并列表的随机选择潜在缺陷互补的最高概率潜在缺陷数量。在方法中，策略可选地在迭代之间改变。在方法中，策略根据选自由以下组成的组中的项可选地在迭代之间改变：相对于较早迭代，增加在后期迭代中的随机选择潜在缺陷的数量；如果在先前迭代中识别的真实缺陷的数量低于阈值，那么增加随机选择潜在缺陷的数量；如果在先前迭代中识别的真实缺陷的数量收敛，那么增加随机选择潜在缺陷的数量；并且根据在一个或多个先前迭代中识别的真实缺陷的类型或位置分布改变随机选择潜在缺陷的数量。在方法中，分配第一概率或分配第二概率可选地包括：接收用户指示以将更高的优先级分配给在特定区域处或具有特定类别的潜在缺陷。在方法中，对象可选地是晶片或掩膜。
本公开内容的另一方面涉及一种包括处理器的计算机化系统，处理器经构造以用于：接收多个潜在缺陷，多个潜在缺陷中的每个潜在缺陷与潜在缺陷位置相关联；执行多个潜在缺陷的第一聚类以获得第一子集和一个或多个第二子集，聚类根据潜在缺陷位置之间的空间距离而被执行，使得第一子集中的潜在缺陷被表征为在物理区域中比第二子集中包括的潜在缺陷具有更高密度；将作为有效缺陷的第一概率自动分配给第一子集中的潜在缺陷，第一概率是根据第一方针计算的；将作为有效缺陷的第二概率自动分配给第二子集中的潜在缺陷，第二概率根据是第二方针计算的，第二方针规定如何组合两个或更多个第二因素；根据包括审查次数在内的考虑而自动进行选择和分配以根据第三方针和策略由审查工具来审查来自第一子集和第二子集的一个或多个潜在缺陷，第三方针规定如何将来自多个子集的潜在缺陷组合为合并列表，策略指示如何组合来自合并列表的最高元素和来自合并列表的随机选择元素；接收在潜在缺陷列表的部分中的潜在缺陷的有效性和类别指示，指示在潜在缺陷列表的部分中的潜在缺陷由审查工具审查之后被接收；并且在未观察到停止标准后：根据在第一子集和一个第二子集中的项的有效性和分类更新第一方针、第二方针或第三方针；以及根据所更新的第一方针、第二方针或第三方针重复所述分配、选择、接收和更新，直至已观察到停止标准。在系统中，停止标准可选地选自由以下组成的组：预定数量的潜在缺陷已由审查工具审查；多个表明潜在缺陷有效的指示的熟练；以及已检测到与特定缺陷类别相关联的预定数量的缺陷。在系统中，自动进行选择和分配以审查包括：根据第一概率对第一子集的潜在缺陷进行排序以获得第一排序列表；根据第二概率对第二子集中的每一个排序以获得第二排序列表；根据第三方针对来自第一排序列表或第二排序列表的潜在缺陷的优先级进行排序以形成合并列表；以及根据策略从合并列表选择待审查的潜在缺陷，并且其中第三方针符合选自由以下组成的组中的项：从第一排序列表选择所需数量潜在缺陷的预定的百分比，并且与来自第二排序列表的潜在缺陷互补；从按概率排序的第一排序列表和第二排序列表的合并列表选择最高概率潜在缺陷；以及根据用户输入对来自第一排序列表或第二排序列表的潜在缺陷的优先级进行排序，并且选择优先级最高的潜在缺陷。
本公开内容的又一方面涉及包括保持程序指令的计算机可读存储介质的计算机程序产品，当由处理器读取时，程序指令使处理器执行一种方法，方法包括：接收多个潜在缺陷，多个潜在缺陷中的每个潜在缺陷与潜在缺陷位置相关联；执行多个潜在缺陷的第一聚类以获得第一子集和一个或多个第二子集，聚类根据潜在缺陷位置之间的空间距离而被执行，使得第一子集中的潜在缺陷被表征为在物理区域中比第二子集中包括的潜在缺陷具有更高密度；将作为有效缺陷的第一概率自动分配给第一子集中的潜在缺陷，第一概率是根据第一方针计算的；将作为有效缺陷的第二概率自动分配给第二子集中的潜在缺陷，第二概率是根据第二方针计算的，第二方针规定如何组合两个或更多个第二因素；根据包括审查次数在内的考虑而自动进行选择和分配以根据第三方针和策略由审查工具来审查来自第一子集和第二子集的一个或多个潜在缺陷，所述第三方针规定如何将来自多个子集的潜在缺陷组合为合并列表，所述策略指示如何组合来自合并列表的最高元素和来自合并列表的随机选择元素；接收在潜在缺陷列表的部分中的潜在缺陷的有效性和类别指示，指示在潜在缺陷列表的部分中的潜在缺陷由审查工具审查之后被接收；并且在未观察到停止标准后：根据在第一子集和一个第二子集中的项的有效性和分类更新第一方针、第二方针或第三方针；以及根据所更新的第一方针、第二方针或第三方针重复所述分配、选择、接收和更新，直至观察到停止标准。
附图说明
为了理解本发明和明白在实践中可如何执行本发明，将参考附图借助非限制性示例来描述实施方式，其中：
图1A示出了晶片的检查工艺的现有技术一般化流程图；
图1B示出了根据本公开内容的一些示例性实施方式的晶片的检查工艺的一般化流程图；
图2示出了根据本公开内容的一些示例性实施方式的用于检查晶片的系统的一般化方框图；
图3示出了根据本公开内容的一些示例性实施方式的晶片的采样和审查工艺的示例性流程图；
图4示出了根据本公开内容的一些示例性实施方式的从多个子集选择样本以用于审查的示例性流程图；以及
图5示出了根据本公开内容的一些示例性实施方式的用于对审查位置采样的系统的示意性方框图。
具体实施方式
在以下详细描述中，阐明了许多特定细节以提供对本发明的透彻理解。然而，熟悉本领域的技术人员应当理解，没有这些特定细节也可以实践本文所公开的主题。在其他示例中，尚未详细描述的熟知方法、过程、部件和电路，以免混淆本文所公开的主题。
除非另外特别声明，否则如从以下论述中显而易见的，应当了解，在本说明书全文中利用术语诸如“处理”、“计算”、“表示”、“比较”、“生成”、“评估”、“匹配”、“更新”或类似术语而进行的论述是指将数据操纵和/或变换为其他数据的计算机的(多个)动作和/或(多个)处理，所述数据表示物理(诸如电子)量值和/或所述数据表示物理对象。术语“计算机”应被广泛地解释为涵盖具有数据处理能力的任何种类的基于硬件的电子装置。
根据本文的教导的操作可以通过出于所需目的而特别构造的计算机或通过由在非暂态计算机可读存储介质中存储的计算机程序出于所需目的而特别构造的通用计算机来执行。
如本文使用的术语“非暂态存储器”和“非暂态存储介质”应被广泛地解释为涵盖任意包括适用于本文所公开的主题的任何易失性或非易失性计算机存储器。
本文所使用的术语“审查位置”应被广泛地解释为涵盖在需要被审查的对象上的任何位置，所述对象诸如晶片、掩膜、印刷电路板、太阳能电池板、微机电器件或类似对象。取决于上下文，位置可以涉及表达为在二维或三维中的一组坐标的点，或者涉及线或二维或三维区域。审查位置可与暴露或潜在缺陷、关注图案(例如，特定设计元素的交叉)或在一个或多个检查阶段期间确定的另外限定的关注区域(例如，通过拍摄晶片或晶片的一部分的一个或多个光学图像，并且将获得的图像或获得的图像中的特征与期望图像或与预定特征比较而在检验期间检测到的，其中差异可被视作潜在缺陷)。审查位置可进一步包括任何需要审查的其他位置，所述位置可以自动提供、人工提供、由用户提供或以类似方式提供。可以在设计坐标和/或绑定到晶片或其部分的坐标中规定审查位置。
术语“自动缺陷分类”(ADC)是指可以作为审查可能缺陷的一部分而执行的可选阶段，用于确定可与潜在缺陷相关的类别，例如：错误缺陷(错误警报)；妨害(所述妨害可以是不导致所制造的单位的任何损坏或故障的缺陷)；或者真实缺陷。真实缺陷也可根据多个类型或参数而分类为多个类别，所述类型或参数诸如但不限于不同颗粒组成或大小；定位在对象内的不同空隙大小或位置；短路或开路；微观或宏观擦痕；未移除的材料；额外材料；未对准的特征；图案掩蔽或类似的类型或参数。
在一些实施方式中，真实缺陷可以按优先级而被分配，优先级反应了它们对用户的重要性。
本文所使用的术语“采样”应被广泛地解释为涵盖来自通过检验工具获得的晶片位置集合，或来自任何其他来源(例如，从用户接收的、从设计数据提取的、由先前工艺报告的、从外部来源接收的或其他来源)的对一个或多个晶片位置的任何选择。所采样的晶片位置可以选自待由审查工具审查的晶片位置集合。
现在参考图1A，示出了用于检查晶片的先有技术工艺的示意性流程图。
在步骤104，系统(诸如关于下面图2所描述的系统)的检验装置检验晶片。如上文详述的，检查工艺可以在低分辨率下覆盖大区域，并且可以因此提供多个晶片位置，所述晶片位置中的每一个可能是晶片中的真实缺陷的位置，也可能不是晶片中的真实缺陷的位置。检验工具在显著速度下、以显著的错误警报率为代价可操作地覆盖晶片的大区域。由于大量潜在缺陷和高错误警报率，审查全部潜在缺陷以验证哪些确实是真实缺陷而哪些不是真实缺陷，并且对它们进行分类是不可能的。例如，随着设计规则的缩小和图案的复杂性增加，错误警报率可能超过99％。
由此，在步骤108，系统可(例如通过较慢但分辨率较高的审查装置)执行采样以选择待审查的潜在缺陷的子集。
在步骤112，系统的审查装置可以审查所选择的样本。可选地，审查结果(例如由捕获装置获取的图像)也可以由用户或另一工艺进行审查，用于验证所审查的位置是否确实与真实缺陷相关联，或用于对缺陷进行分类。
采样步骤108可以随后被重复，例如直至预定数量的真实缺陷被确定，直至制造方案或对缺乏其他资源而不允许任何更多审查。
在步骤116，系统可以输出审查结果，例如显示或发送至用户或至工艺、存储在文件或数据库中或类似以方式输出。
现在参考图1B，示出了根据本公开内容的一些实施方式的检查工艺的示意性流程图。
在步骤124，检查系统的检验装置可以如上文关于步骤104详述的那样检验晶片或晶片的一部分，并且可以确定潜在缺陷。每个此类潜在缺陷可以与位置相关联，并且可选地与特性(表达为例如特征向量)相关联。
在步骤128，系统可以执行迭代采样，在迭代采样中，在每个迭代处选择潜在缺陷子集以提供迭代选择的样本。如下文详述的，迭代采样可以根据一个或多个方针(policy)来执行，例如涉及如何按优先级对晶片位置排序并且对晶片位置进行采样。
在步骤132，审查装置可以如关于上文关于步骤112详述的那样审查迭代选择的样本。
步骤132可以包括步骤133，用于将缺陷分类为预定类别。步骤133可以作为步骤132的一部分或作为独立步骤而被执行。
在步骤134，系统可以根据审查结果更新采样方针，或者可以反馈所更新的方针，并且可以根据结果或根据所更新的方针再次执行迭代采样步骤128。
在步骤136，系统可以如上文关于步骤116详述的那样输出最后迭代和可选地先前迭代的结果。
现在参考图2，示出了根据本公开内容的一些实施方式的用于检查晶片的计算机化环境的示意图。
图2示出了检查部件200、检验工具204、审查工具216和采样部件220。
网络228被耦接至检查部件200、检验工具204、审查工具216和采样部件220。例如，网络228可以是工厂通信系统(fab communication system)。为了简化说明，仅示出了单个检验工具204和单个审查工具216。然而，应当注意，多个检验工具和多个审查工具可以在实践中使用并且经由网络228连接。为了进一步简化说明，示出了单个采样部件220和单个检查部件200。然而，应当注意，可以使用多于一个的采样部件220或多于一个的检查部件200。另外或替代地，采样部件220和检查部件200中的每一个可以作为一个或多个互连计算平台而被实施。
本发明并不受提供在图2中的每个实体之间的物理通信和耦接的类型所限制。不论此类部件是否在图2中示出，任何两个部件都可直接、经由网络228、经由任何其他部件连接。
为了简化说明，虽然采样部件220和检查部件200被示出为独立计算机系统，应当注意，这些部件的任一个可以是检验工具204或审查工具216的部分。或者，采样部件220和检查部件200可以作为一个计算机系统而被实施。根据本发明的一些实施方式，采样部件220和检查部件200的一个或多个可以作为硬件设施促成，所述硬件设施放置在(例如)检验工具204、审查工具216或与工厂相关联的任何其他计算系统的电子机架上。
检查部件200可以经构造以执行上文图1B的方法(包括激活采样部件220)，并且采样部件220可以经构造以执行下文图3和图4的方法。
采样部件220可以包括存储器单元224和处理器228。
存储器单元224可以经构造以存储以下内容的至少一个：用于执行方法(诸如下文图3中详述的方法)所需的信息；用于执行所述方法所需的软件；或者在执行所述方法期间生成的信息。
处理器228可以经构造以在方法(诸如下文图3中详述的方法)中的任何步骤期间执行所需的任何操作。
检查部件200可以包括存储器单元208和处理器212。
存储器单元208可以经构造以存储以下内容的至少一个：用于执行上文图1B中描绘的方法所需的信息；用于执行所述方法所需的软件；或者在执行所述方法期间生成的信息。
处理器212可以经构造以在上文图1B中描绘的方法中的任何步骤期间执行所需的任何操作。
应当了解，图2所描绘的检查工艺可以重复多次，用于针对不同的层、或晶片的不同部分、制造工艺中的不同阶段或类似情况。
检查部件200可以经构造以激活采样部件220，用于在从检验(124)接收的潜在缺陷中迭代采样(128)将审查(132)的那些缺陷。
现在参考图3，示出了在检查期间对潜在缺陷的迭代采样的方法的流程图。
采样部件228的处理器220可以执行迭代采样步骤128。
迭代采样步骤128可以包括步骤304，在存储器中获得和调节多个潜在缺陷。潜在缺陷，例如由检验步骤124检测的潜在缺陷，从分析晶片的设计数据、或者从任何其他来源获得的潜在缺陷。潜在缺陷可以从存储装置、用户、第三方或任何其他外部来源接收。每个潜在缺陷可以与位置相关联或与特性(可以表达为特征向量)相关联。
处理器220可以从一个或多个扫描集合获得潜在缺陷，其中两个扫描集合可以在用于执行所述扫描集合的检验工具、检测敏感度阈值或扫描的任何成像参数(诸如放大率、光方向和波长、光功率、极化、光收集角或类似参数)方面不同。
采样部件220可以经构造以执行步骤308，其中潜在缺陷在第一聚类步骤被聚类以确定第一集群和至少一个第二集群。第一聚类步骤可以利用缺陷位置并且可以基于在缺陷之间的空间距离。第一集群可被称为包括“标记”缺陷，这种缺陷可表征为在区域内、沿着晶片的径向区域、沿着晶片的部分区域的周边、沿着开线、或具有任何其他几何特性的缺陷的高密度。
标记缺陷可能由不慎接触晶片、擦痕或类似情况所导致。
标记缺陷可以通过根据几何度量对缺陷进行聚类来确定，使得在物理上彼此靠近的缺陷可能与相同集群相关联，而远距离的缺陷可能聚类为不同集群。聚类步骤308可以利用K-均值、分级聚类、平均偏移或任何其他聚类算法。
因此，第一子集可以包括假定与某个区域相关联的多个潜在缺陷。应当了解，多个第一子集可以通过聚类来确定，其中所述子集可归因于相同区域或原因，诸如擦痕。
不与第一子集相关联但与相同的第二子集相关联的潜在缺陷可归因于几何接近，但是可以不像(多个)第一子集中的潜在缺陷那样彼此靠近。
应当了解，聚类步骤318可以被独立进行，以用于由每个扫描集合提供的潜在缺陷。或者，来自不同扫描集合的潜在缺陷可以被聚类在一起，在这种情况下，在一个或多个集群中的多个实体可指示相同的潜在缺陷。
迭代采样部件220可以执行步骤312，根据一个或多个方针生成潜在缺陷列表。
迭代采样部件220可以执行步骤320，根据第一方针将概率分配给在(多个)第一子集中的潜在缺陷，步骤320可以是步骤312的一部分。应当了解，在下文描述中，术语概率涉及潜在缺陷是真实缺陷的概率的估计。
涉及对潜在缺陷进行标记的第一方针可以基于多个概率进行分配，诸如但不限于下列：
1.标记类型：标记缺陷可以基于参数(诸如大小、密度、形状和晶片上的位置)被分类为多个类目。一些标记类目具有被证实是真实缺陷的已知概率，因此可以将预定概率分配给属于这样的类型的缺陷。
2.标签(label)均匀性：标签涉及被分类为真实或错误的缺陷。标记缺陷倾向于含有带相似标签的缺陷，因此如果来自标记的缺陷的一部分被证实为真实缺陷，那么也可假定在该标记中的大部分的缺陷为真实缺陷，并且对于错误缺陷来说也是类似的。在两种情况下，由于对具有相同标记的另外缺陷是真实缺陷还是错误缺陷有高置信度，审查具有相同标记的另外缺陷就可能不太重要。如果存在各种类型缺陷，可能需要进一步的采样。
3.基于异常值检测并连同上文所论述的测量来对标记中的特定缺陷进行采样。如果标记是均匀的，那么可以基于异常值检测来采样，以进一步识别标记中的缺陷类型。例如，方针可以规定，相较于周边潜在缺陷，更靠近与每个集群相关联的潜在缺陷的超球面的中心的潜在缺陷被分配为更低概率。或者，对于在相同集群中距其他缺陷的几何或欧几里德(Euclidean)距离的总和大于其相邻缺陷的距离总和的缺陷，可被分配更高概率。在另外替代中，任何其他异常值检测标准可以被方针使用以估计概率。随着潜在缺陷距已知真实缺陷的距离减小，概率可以增加，其中距离可以在缺陷特性的特征空间中被测量。如果标记是高度均匀的，那么可有利地将更高概率分配给异常值缺陷，所述异常值缺陷可能含有新的信息，对标记缺陷的另外随机采样可能是优选的。
上文所论述的三种概率可组合为单个概率，例如，通过线性组合。应当了解，虽然如上文的第三项中详述的特定缺陷的概率是恒定的并且涉及它们在特征空间中的位置，在上文的第一项和第二项中详述的标记类型和标签均一性概率可根据来自先前分类的结果的反馈来更新。标记类型可以基于涉及每个类型的分类器的置信度(confidence)来用作先验概率基础。第一概率可以基于所接收的标签指示和它们与特定标记类型的关系来更新。
迭代采样部件220可以执行步骤316，在第二子集中将概率分配给潜在缺陷，步骤316可以是步骤312的一部分。
步骤316可以包括在第二子集中的潜在缺陷的第二聚类步骤324。第二聚类步骤可以使用除几何度量之外的一个或多个度量，所述几何度量在聚类步骤308中使用。例如，可以使用基于下列中的任一个或多个的度量：潜在缺陷的区域的阴影、颜色、形状或大小；相对于背景的区域阴影或颜色或灰阶分布的性质；内容属性，诸如边缘或潜在缺陷的密度，在潜在缺陷附近的边缘方向或其它特征的方向的典型的幅度或分布，所述典型的幅度或分布可以使用傅立叶(Fourier)变换或图像边缘或其他特征的另一函数表达；设计属性，诸如在潜在缺陷附近的多边形数量、周边长度、各种拐角的数量和密度或其他特征，所述设计属性可以使用傅立叶变换或多边形、边缘、拐角或其他特征的另一函数或类似方式来表达。
应当了解，第二聚类步骤324可以包括基于不同属性集合或不同度量的两个或更多个聚类操作。
例如，一个或多个集群可归因于在与设计相关联的特性的空间中的密度，诸如在潜在缺陷附近的边缘或多边形。因此，分配到相同集群的潜在缺陷可归因于设计并且可被称为“系统”潜在缺陷。例如，一些设计特征可能无法由检验工具很好地捕获，并且可能生成多个系统潜在缺陷，这些系统潜在缺陷实际上是错误警报。
因此，在一些实施方式中，聚类可以利用如上文详述的设计属性来执行，并且可以确定在这些属性方面是密集的潜在缺陷的一个或多个集群。潜在缺陷的其余部分(称为“随机”潜在缺陷)可以使用不同特性或不同度量来进行进一步的聚类。
在下文描述中，术语距离、密度、稀疏度、靠近、远距离的或其他术语，涉及除几何距离之外的在聚类期间使用的度量。
迭代采样部件220可以执行步骤328，根据第二方针将概率分配给可能与设计问题相关联的系统缺陷，步骤328可以是步骤312的一部分。
例如，可以基于参数(诸如在上文涉及将概率分配给标记缺陷的描述中在参数2和3中详述的标签均一性和异常值程度)来设定概率。
迭代采样部件220可以执行步骤332，根据第二方针将概率分配给随机缺陷，步骤332可以是步骤312的一部分，其中分配的值是随机潜在概率为真实缺陷的估计的概率。
应当了解，第二方针可以包括独立的子方针，用于将概率分配给系统缺陷(步骤328)和随机缺陷(步骤332)。或者，可以使用两个独立的方针。
第二方针可以基于一个或多个因素而在步骤332将概率分配给随机潜在缺陷，这些因素可以包括但不限于以下标准中的任一个或多个。
1.位于N维稀疏区域处，其中维度可以涉及缺陷的任何参数，但是优选地不涉及在第一聚类步骤308中考虑的缺陷的位置。由于在当前技术中，大部分的潜在缺陷被证实是错误警报而非真实缺陷，密集区域可以表示比真实缺陷更多的噪音。由此，位于N维稀疏区域中的潜在缺陷可能更有可能是真实缺陷；
2.作为异常值，即，位于密集区域的边界上：对于下述这种缺陷，该缺陷距其邻域中的其他缺陷的距离的总和大于该缺陷的相邻缺陷的对应的总和，可以将比其他缺陷高的概率分配给该缺陷。在另外替代中，任何其他异常值检测标准都可用于估计概率；或者
3.接近已知的真实缺陷、接近特别关注的已知缺陷、或接近由用户指出的关注区域：如果潜在缺陷已经在先前迭代中被采样，并且被证实是真实缺陷或特别关注类型的缺陷，那么可以假定靠近所述潜在缺陷的缺陷也是真实缺陷。
所选择的具体因素和它们的相对权重可由第二方针确定并且可以在迭代之间改变。
因此，步骤312的输出可以包括：零、一个或多个标记潜在缺陷的集合；零、一个或多个系统潜在缺陷的集合；以及零、一个或多个随机潜在缺陷的集合，与概率相关联的任意一个集合中的每个潜在缺陷是有效缺陷。
应当了解，在任一子集中或在不同子集之间可以存在重复，例如这是由于在多于一个扫描集合中报告的潜在缺陷。由于聚类可以是启发性的过程，一个潜在缺陷实例可以被识别为系统缺陷，而相同缺陷的另一实例可以被识别为随机潜在缺陷。
迭代采样部件220可以经构造以执行步骤336，步骤336中根据第三方针对来自上文所述类型的子集的潜在缺陷进行排序并且根据策略进行选择以用于审查。
现在参考图4，示出了选择和分配潜在缺陷以用于审查的方法的实施方式的流程图，因此详述上文中的步骤336。
在步骤404，迭代采样部件220可以根据所分配的概率对第一子集的潜在缺陷(例如标记缺陷)进行排序。如果存在多个第一子集，那么每一个第一子集可以根据分配给特定子集中的潜在缺陷的概率进行排序。或者，全部第一子集可以被合并，并且被排序为第一排序列表。
在步骤408，迭代采样部件220可以根据所分配的概率将第二子集的潜在缺陷(包括系统缺陷的一个或多个子集或随机缺陷的一个或多个子集)排序为一个或多个第二排序列表。系统子集和随机子集中的每个子集可以根据分配给特定子集中的潜在缺陷的概率进行排序。或者，全部第二子集可以被合并，并且被排序为第二排序列表。在又一替代中，全部系统缺陷子集可以被合并，并且进行排序，或者全部随机缺陷子集可以被合并，并且进行排序。
在步骤412，迭代采样部件220可以对来自第一或第二排序列表的潜在缺陷的优先级进行排序以形成潜在缺陷的合并列表,合并列表中的潜在缺陷待通过审查工具216进行审查。
可以根据第三方针而选择待审查的潜在缺陷，第三方针可在迭代之间改变。所述方针可以根据需求、审查预算、涉及真实/错误缺陷的数量和比率或涉及缺陷分类的先前迭代的结果、用户偏好或类似情况而改变。
例如，以下方针中的任一个或多个可以用于合并列表：
1.从每个排序列表提取相等数量的潜在缺陷。因此，如果存在100个待审查的潜在缺陷的预算和四个列表，那么可以从每个列表选择25个具有最高概率的潜在缺陷以用于审查；
2.从全部列表提取具有最高概率的潜在缺陷，这相当于合并列表、排序合并列表并选择最高优先级的潜在缺陷；
3.相对于子集大小从每个子集采样若干潜在缺陷。例如，如果一个子集是另一个子集的两倍长，那么来自此子集的样本的数量将是来自另一个子集的样本的数量的两倍，其中将从每个子集选择具有最高概率的潜在缺陷；
4.将权重分配给每个扫描集合，并且将每个潜在缺陷的概率与由每个扫描集合报告的扫描集合的权重相乘或以另外方式组合，并且随后使用上述方法1-3中任一个方法根据权重概率选择潜在缺陷。权重可以在迭代之间调节：例如，列表与某个扫描集合相关，该扫描集合中真实缺陷的百分比高于其他的扫描集合，可以将较高权重分配该列表以用于接下来的一个或多个迭代。
5.根据用户输入选择。例如，如果用户关注晶片的特定区域，那么将在其他区域中的潜在缺陷之前选择在此区域中的潜在缺陷。如果用户关注特定类型的潜在缺陷，诸如桥中的潜在缺陷，那么此信息可以从设计数据获得，并且因此此类潜在缺陷可能在系统缺陷子集中出现，由此，潜在系统缺陷可以在其他缺陷之前被选择。
应当了解，众多其他方针可以用于组合子集，因此形成经潜在缺陷的概率排序(ordered)的合并列表。
合并列表可以长于潜在缺陷的数量，所述潜在缺陷可以在当前迭代中被审查。
由此，在步骤416，迭代采样部件220可以根据策略从合并列表选择待审查的潜在缺陷。应当了解，待在每个迭代上选择的潜在缺陷的数量可以取决于待审查的总潜在缺陷的数量，并且也取决于系统资源。例如，如果审查由单个计算机化平台执行，并且是多核的(例如一百个核心是可用的)，那么在每个迭代将合理地选择一百个潜在缺陷以便完全利用核心。
在一些实施方式中，可以选择最高概率元素，由于它们具有为真实缺陷的最高概率。此策略可以被称为开发(exploitation)，即，根据概率尝试获得尽可能多的真实缺陷以确实发现真实缺陷。然而，特别地在后期的(advanced)迭代中，当在每个迭代中识别的新的真实缺陷的数量降低时，可以假定策略应改变，并且可以选择随机潜在缺陷，而与它们在列表中的位置无关。此策略可以被称为探查(exploration)，即，在没有非常强的指示去探查潜在缺陷的其他区域或其他类型的情况下，探查潜在缺陷的其他区域或其他类型。
应当了解，可以采取组合的策略，其中从合并列表选择具有最高概率的潜在缺陷以作为待审查的潜在缺陷的预算中的一些，同时可以从合并列表随机地选择缺陷的其余部分。在两种类型之间的比例，即，根据最高概率选择哪一百分比或数量的潜在缺陷以及从列表随机地选择哪一百分比或数量可以随着时间而改变，其中，在较早的迭代中，全部或大部分潜在缺陷可以从最高概率的缺陷选择，并且随着迭代前进，更多潜在缺陷被随机选择。
选择策略也可以取决于先前迭代的结果而改变。例如，如果以开发的方式选择显著数量的潜在缺陷，并且较少数量(例如，低于阈值的数量)的新的缺陷已经被检测到，那么开发百分比可以减小并且可以更多潜在缺陷可被随机选择；随机地选择的潜在缺陷的数量可以根据在一个或多个先前迭代中识别的真实缺陷的类型或位置分布、或任何其他一个或多个因素而改变。在迭代i中的在探查与开发之间的比例pi可以用公式表示为pi＝a·f(i)+b·g(ri-n)，其中a和b是线性因素；f是反应在迭代i的探查与开发之间的改变的函数；r是在先前迭代n中真实缺陷和错误缺陷的比率，其中n是在0与i-1之间的由用户选择的参数，例如第一迭代或类似的迭代；并且g反应了作为在真实和错误比率中的改变的函数的比例改变，例如g可以是指数或线性函数。在整个迭代中的策略和各种动作也可以通过马尔可夫决策过程(Markov Decision Process)来定义或通过Q学习或增强式学习方法来学习。
可以随后将所选择的潜在缺陷的位置提供给审查工具，所述审查工具可以审查所述位置，例如通过捕获图像。图像可以自动处理或由用户审查，并且可以提供所审查的潜在缺陷是否是真实缺陷的指示，和可选地提供所审查的潜在缺陷为何种类型的指示，例如桥、交叉、颗粒、剩余材料或开口。
现返回参考图3，在步骤340，采样部件220可以获得关于潜在缺陷的有效性(即，潜在缺陷是否是真实缺陷)和可选地其类型的信息。可选地，置信水平可以与每个潜在缺陷是真实还是错误的指示相关联。
采样部件220可以随后在步骤344确定是否已满足停止标准。停止标准可以是但不限于下列中的任一个或多个：
1.已经使用了审查预算，即，已经满足晶片或检查指定的审查数量；
2.收敛：在先前迭代中是否已检测到充分数量的真实缺陷。例如，如果在最后迭代中发现的真实缺陷的数量或迭代的最后预定的数量低于在若干迭代期间固定的预定阈值，那么执行另外迭代可能是不太有利的，并且可以停止处理。或者，如上文提及的，在未来的迭代中，较大的百分比的潜在缺陷可以被随机选择，并且不从最高概率潜在缺陷中选择；
3.已检测到与特定缺陷类别相关联的多个缺陷。
如果已经观察到停止标准，那么处理可以在步骤348结束。然而，如果尚未满足停止标准，那么在步骤352，可以更新使用的方针中的一个或多个或策略。例如，可以改变在确定系统或随机潜在缺陷的概率时使用的相对权重、可以改变合并列表的方式和如何从合并列表选择潜在缺陷的方式或类似方针/策略。改变可以自动提供、由用户提供、或以上述组合的方式提供，其中方针被自动建议并且用户可以接受或改变所述方针。
在一些实施方式中，可以在迭代之间引入另外改变。例如，步骤328可以使用经调整以用于少量标签(诸如最近邻的K)的分类器执行，但是迭代的每个预定数量、或当某种条件(诸如过多或过少的特定类型的缺陷)发生时，可以使用不同分类算法，诸如支持向量机(Support Vector Machine,SVM)。
现在参考图5，示出了根据本公开内容的一些实施方式的用于当检查晶片时对待审查的位置进行自适应采样的系统的功能图。
所示出的系统可以包括计算平台500，计算平台500实施采样部件220并且经构造以执行图3和图4的方法。
计算平台500可以包括存储装置504。存储装置504可以是硬盘驱动器、闪存盘、随机存取存储器(RAM)、存储器芯片或类似存储装置。在一些示例性实施方式中，存储装置504可以存有程序代码，所述程序代码可操作地使处理器512执行与计算平台500的子部件的任一个相关联的动作。
在所公开的主题的一些示例性实施方式中，计算平台500可以包括输入/输出(I/O)装置508。诸如显示器、定点装置、键盘、触摸屏或类似装置。I/O装置508可以用以将输出提供给用户并且从用户接收输入。
计算平台500可以包括一个或多个处理器512。处理器512可以是中央处理单元(CPU)、微处理器、电子电路、集成电路(IC)或类似处理器。处理器512可以用以执行计算平台500或其子部件的任一个所需的计算，诸如图3和图4的方法中的步骤。
应当了解，处理器512可以经构造以根据在非暂态计算机可读存储介质上实施的计算机可读指令执行若干功能模块。此类功能模块在下文被称为包括在处理器中。
在下文详述的部件可以作为一组或多组相关计算机指令而被实施，例如，计算机指令通过处理器504或通过另一个处理器执行。部件可作为以任何编程语言编程的并且在任何计算环境下的一个或多个可执行文件、动态库、静态库、方法、功能、服务或类似形式而被布置。部件可以加载到存储器中并被执行。
处理器512可以经构造而包括用于根据所给出的度量对多个项进行聚类的聚类模块520。聚类模块520可以可操作地使用几何度量执行对所提供的潜在缺陷的第一聚类，并且将这些潜在缺陷聚类为标记缺陷和其他的缺陷。聚类模块520同样可以可操作地使用如上文所公开的其他、非几何度量执行对非标记缺陷的第二聚类以将它们聚类为另外集群。
处理器512可以经构造而包括用于基于方针将概率分配给一个或多个潜在缺陷的概率分配模块524。方针可以涉及各种因素，诸如是否在密集区域中(无论该密度是基于哪种度量的)、用户指令或其他因素。
处理器512可以经构造而包括用于合并两个或更多个列表的列表合并模块528，其中每个列表按照内部顺序而被排序。如上文关于图4的步骤412详述的，列表可以基于任何方针进行合并。
处理器512可以经构造而包括用于从合并列表选择待审查的潜在缺陷的潜在缺陷选择模块532。如上文关于图4的步骤416详述的，选择可以被要求满足探查或开发需求、或上述组合。
处理器512可以经构造而包括用于与其他装置(诸如检验或审查工具、捕获装置、数据库或类似装置)通信的一个或多个通信部件536。
处理器512可以经构造而包括数据和控制流模块540，利用所需数据或通过使得能够访问此类数据在所需阶段激活其他模块或部件。
处理器512可以经构造而包括用于从用户接收输入或将输出提供给用户的用户界面544，所述输入或输出诸如关注缺陷或区域的指示、探查/开发偏好的指示、或类似的指示。用户界面544可通过利用I/O装置508与用户交换信息。
应当注意，本文所公开的主题的教导不受关于图5所描述的计算平台的限制。等效和/或修改的功能性可以通过另一方式被整合(consolidate)或划分，并且可以通过软件与固件和/或硬件的任何适当组合而被实施并且在一个或多个合适装置上被执行。
系统可以是独立实体、或与可直接或经由网络连接到其上的其他实体完全或部分整合。
也应注意，虽然图3和图4的方法可以通过图5的系统执行，这绝不是结合，并且操作可以由除本文所述那些之外的元素的不同组合或类似方式执行。也应注意，本文所公开的主题的教导不受图3和图4所示的流程图限制，并且所示出的操作可以不按所示出的顺序发生。
应当理解，本发明在其应用方面并不被在本文中含有的描述中阐述或在附图中示出的细节限制。本发明能够存在其他实施方式并且能够以各种方式而被实践和实现。因此，应当理解，本文所采用的措辞和术语是出于描述的目的而不应视为限制。因此，熟悉本领域的技术人员应当了解，本公开内容基于的概念可轻易地用作设计其他结构、方法和系统的基础以实现本文所公开的主题的若干目的。
也应理解，根据本发明的系统可以至少部分在适当地编程的计算机上实施。同样，本发明构想了可由计算机读出以执行本发明的方法的计算机程序。本发明进一步构想以有形的方式体现可由计算机执行以执行本发明的方法的指令程序的非暂态计算机可读存储器。
熟悉本领域的技术人员将容易地了解，在不脱离在所附权利要求中以及其限定的本发明的保护范围的情况下，可对如上文所述的本发明的实施方式执行各种修改和变化。

Claims (20)

1.一种检查对象的方法，所述方法包括：
(a)通过处理器，识别多个潜在缺陷，所述多个潜在缺陷中的每个潜在缺陷与潜在缺陷位置相关联；
(b)通过所述处理器，执行所述多个潜在缺陷的第一聚类以获得第一子集和一个或多个第二子集，所述聚类根据潜在缺陷位置之间的空间距离而被执行，使得所述第一子集中的潜在缺陷表征为：在至少一个物理区域中的比所述一个或多个第二子集中的潜在缺陷更高的密度；
(c)通过所述处理器，将第一概率分配给所述第一子集中的潜在缺陷以作为有效缺陷，所述第一概率根据第一方针而被计算；
(d)通过所述处理器，将第二概率分配给所述一个或多个第二子集中的潜在缺陷以作为有效缺陷，所述第二概率根据一个或多个第二方针而被计算，所述一个或多个第二方针规定如何组合与潜在缺陷位置相关联的至少两个第二因素；
(e)通过所述处理器，根据第三方针来从所述第一子集和所述一个或多个第二子集选择至少一个潜在缺陷以供审查工具进行审查，所述第三方针规定如何将来自多个子集的潜在缺陷组合为合并列表，并且其中选择至少一个潜在缺陷以供审查工具进行审查进一步根据指示如何根据来自所述审查工具的审查次数来组合来自所述合并列表的最高元素和来自所述合并列表的随机选择元素的策略；
(f)通过所述处理器，接收用于与选定的所述至少一个潜在缺陷相关联的潜在缺陷列表中的潜在缺陷的有效性或类别指示，所述有效性或类别指示在所述潜在缺陷列表中的潜在缺陷由所述审查工具审查之后被接收；以及
(g)在未观察到停止标准后：
(i)通过所述处理器，根据所述第一子集和所述一个或多个第二子集中的项的有效性或分类来更新所述第一方针、所述第二方针或所述第三方针；以及
(ii)通过所述处理器，根据所更新的所述第一方针、所述第二方针或所述第三方针重复步骤(c)-(g)，直至观察到所述停止标准。
2.根据权利要求1所述的方法，其中所述停止标准选自以下项中的至少一者：由所述审查工具审查的预定数量的潜在缺陷、多个表明潜在缺陷有效的指示的收敛、以及被检测到的与特定缺陷类别相关联的预定数量的缺陷。
3.根据权利要求1所述的方法，其中决策置信水平被接收以用于所述有效性或类别指示中的至少一者。
4.根据权利要求1所述的方法，其中所述至少一个物理区域选自以下项中的至少一者：区域、在开线附近的区域、以及在闭线附近的区域。
5.根据权利要求1所述的方法，进一步包括：基于除几何位置之外的特性执行对所述一个或多个第二子集的第二聚类。
6.根据权利要求5所述的方法，其中所述第二聚类的所述特性包括选自以下项中的至少一项：晶片在潜在缺陷的位置处的阴影或颜色、所述晶片在所述潜在缺陷的区域处的背景阴影或背景颜色、在所述潜在缺陷附近的边缘、在所述潜在缺陷附近的特征、在所述潜在缺陷附近的多边形、边缘或拐角的数量和它们的密度。
7.根据权利要求5所述的方法，其中所述第二聚类提供用于确定与用于所述第二聚类的特性相关的位于密集区域中的潜在缺陷，从而提供用于确定系统潜在缺陷。
8.根据权利要求5所述的方法，其中所述至少两个第二因素选自以下项中的至少一者：
位于与用于所述第二聚类的所述特性相关的特征空间中的稀疏的区域处；
位于与用于所述第二聚类的所述特性相关的特征空间中密集的区域的异常值区域处；
接近已验证的潜在缺陷；以及
上述中的两个或更多个的组合，
从而提供用于确定随机潜在缺陷。
9.根据权利要求8所述的方法，其中所述随机潜在缺陷与通过不同工具或在不同条件下进行的至少两个扫描相关联。
10.根据权利要求1所述的方法，其中选择以用于审查包括：
根据至少一个第一概率对所述第一子集的潜在缺陷进行排序，以获得第一排序列表；
根据至少一个第二概率对所述一个或多个第二子集进行排序，以获得至少一个第二排序列表；
根据所述第三方针，对来自所述第一排序列表或所述第二排序列表的潜在缺陷的优先级进行排序以形成合并列表；以及
根据所述策略从所述合并列表选择待审查的潜在缺陷。
11.根据权利要求10所述的方法，其中所述第三方针符合选自以下项中的至少一者的至少一项：
从所述第一排序列表选择所需数量潜在缺陷的预定的百分比，并且与来自所述第二排序列表的潜在缺陷互补；
从按概率排序的所述第一排序列表和所述第二排序列表的合并列表选择最高概率潜在缺陷；以及
根据用户输入对来自所述第一排序列表或所述第二排序列表的潜在缺陷的优先级进行排序，并且选择优先级最高的潜在缺陷。
12.根据权利要求10所述的方法，其中所述策略指示从所述合并列表选择的，并且与来自所述合并列表的随机选择潜在缺陷互补的最高概率潜在缺陷的数量。
13.根据权利要求12所述的方法，其中所述策略在迭代之间改变。
14.根据权利要求12所述的方法，其中所述策略根据选自以下项中的至少一者的项在迭代之间改变：相对于较早迭代而增加在后期迭代中的随机选择潜在缺陷的数量、如果在先前迭代中识别的真实缺陷的数量低于阈值，那么增加随机选择潜在缺陷的数量、如果在先前迭代中识别的真实缺陷的数量收敛，那么增加随机选择潜在缺陷的数量、以及根据在一个或多个先前迭代中识别的真实缺陷的类型或位置分布改变随机选择潜在缺陷的数量。
15.根据权利要求1所述的方法，其中分配所述第一概率或分配所述第二概率包括：接收用户指示以将更高的优先级分配给在特定区域处的潜在缺陷或特定类别的潜在缺陷。
16.根据权利要求1所述的方法，其中所述对象是晶片或掩膜。
17.一种系统，包括：
存储器；以及
处理器，所述处理器可操作地连接到所述存储器，以：
(a)识别多个潜在缺陷，所述多个潜在缺陷中的每个潜在缺陷与潜在缺陷位置相关联；
(b)执行所述多个潜在缺陷的第一聚类，以获得第一子集和一个或多个第二子集，所述聚类根据潜在缺陷位置之间的空间距离而被执行，使得所述第一子集中的潜在缺陷表征为：在至少一个物理区域中的比所述一个或多个第二子集中的潜在缺陷更高的密度；
(c)将第一概率分配给所述第一子集中的潜在缺陷以作为有效缺陷，所述第一概率根据第一方针而被计算；
(d)将第二概率分配给所述一个或多个第二子集中的潜在缺陷以作为有效缺陷，所述第二概率根据一个或多个第二方针而被计算，所述一个或多个第二方针规定如何组合与潜在缺陷位置相关联的至少两个第二因素；
(e)根据第三方针来从所述第一子集和所述一个或多个第二子集选择至少一个潜在缺陷以供审查工具进行审查，所述第三方针规定如何将来自多个子集的潜在缺陷组合为合并列表，并且其中选择至少一个潜在缺陷以供审查工具进行审查进一步根据指示如何根据来自所述审查工具的审查次数来组合来自所述合并列表的最高元素和来自所述合并列表的随机选择元素的策略；
(f)接收用于与选定的所述至少一个潜在缺陷相关联的潜在缺陷列表中的潜在缺陷的有效性或类别指示，所述有效性或类别指示在所述潜在缺陷列表中的潜在缺陷由所述审查工具审查之后被接收；
(g)在未观察到停止标准后：
(i)根据所述第一子集和所述一个或多个第二子集中的项的有效性或分类来更新所述第一方针、所述第二方针或所述第三方针；以及
(ii)根据所更新的所述第一方针、所述第二方针或所述第三方针重复步骤(c)-(g)，直至观察到所述停止标准。
18.根据权利要求17所述的系统，其中所述停止标准选自以下项中的一者或多者：预定数量的潜在缺陷已由所述审查工具审查、多个表明潜在缺陷有效的指示的收敛、以及被检测到的与特定缺陷类别相关联的预定数量的缺陷。
19.根据权利要求17所述的系统，其中为了选择所述至少一个潜在特征，所处处理器进一步：
根据至少一个第一概率对所述第一子集的潜在缺陷进行排序，以获得第一排序列表；
根据至少一个第二概率对所述一个或多个第二子集进行排序，以获得第二排序列表；
根据所述第三方针，对来自所述第一排序列表或所述第二排序列表的潜在缺陷的优先级进行排序以形成合并列表；以及
根据所述策略从所述合并列表选择待审查的潜在缺陷，并且其中所述第三方针符合选自以下项中的至少一项：
从所述第一排序列表选择所需数量潜在缺陷的预定的百分比，并且与来自所述第二排序列表的潜在缺陷互补；
从按概率排序的所述第一排序列表和所述第二排序列表的合并列表选择最高概率潜在缺陷；以及
根据用户输入对来自所述第一排序列表或所述第二排序列表的潜在缺陷的优先级进行排序，并且选择优先级最高的潜在缺陷。
20.一种保持程序指令的非暂态计算机可读存储介质，当由处理器读取时，使所述处理器执行操作，所述操作包括：
(a)通过所述处理器，识别多个潜在缺陷，所述多个潜在缺陷中的每个潜在缺陷与潜在缺陷位置相关联；
(b)通过所述处理器，执行所述多个潜在缺陷的第一聚类以获得第一子集和一个或多个第二子集，所述聚类根据潜在缺陷位置之间的空间距离而被执行，使得所述第一子集中的潜在缺陷表征为：在至少一个物理区域中的比所述一个或多个第二子集中的潜在缺陷更高的密度；
(c)通过所述处理器，将第一概率分配给所述第一子集中的潜在缺陷以作为有效缺陷，所述第一概率根据第一方针而被计算；
(d)通过所述处理器，将第二概率分配给所述一个或多个第二子集中的潜在缺陷以作为有效缺陷，所述第二概率根据一个或多个第二方针而被计算，所述一个或多个第二方针规定如何组合与潜在缺陷位置相关联的至少两个第二因素；
(e)通过所述处理器，根据第三方针来从所述第一子集和所述一个或多个第二子集选择至少一个潜在缺陷以供审查工具进行审查，所述第三方针规定如何将来自多个子集的潜在缺陷组合为合并列表，并且其中选择至少一个潜在缺陷以供审查工具进行审查进一步根据指示如何根据来自所述审查工具的审查次数来组合来自所述合并列表的最高元素和来自所述合并列表的随机选择元素的策略；
(f)通过所述处理器，接收用于与选定的所述至少一个潜在缺陷相关联的潜在缺陷列表中的潜在缺陷的有效性或类别指示，所述有效性或类别指示在所述潜在缺陷列表中的潜在缺陷由所述审查工具审查之后被接收；以及
(g)在未观察到停止标准后：
(i)通过所述处理器，根据所述第一子集和所述一个或多个第二子集中的项的有效性或分类来更新所述第一方针、所述第二方针或所述第三方针；以及
(ii)通过所述处理器，根据所更新的所述第一方针、所述第二方针或所述第三方针重复步骤(c)-(g)，直至观察到所述停止标准。
CN201710992593.8A 2016-11-03 2017-10-23 用于在检查对象时自适应采样的方法和其系统 Active CN108020561B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/343,090 2016-11-03
US15/343,090 US10190991B2 (en) 2016-11-03 2016-11-03 Method for adaptive sampling in examining an object and system thereof

Publications (2)

Publication Number Publication Date
CN108020561A CN108020561A (zh) 2018-05-11
CN108020561B true CN108020561B (zh) 2020-07-31

Family

ID=62080236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710992593.8A Active CN108020561B (zh) 2016-11-03 2017-10-23 用于在检查对象时自适应采样的方法和其系统

Country Status (4)

Country Link
US (1) US10190991B2 (zh)
KR (1) KR101992440B1 (zh)
CN (1) CN108020561B (zh)
TW (1) TWI663667B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111542855A (zh) * 2017-12-31 2020-08-14 Asml荷兰有限公司 用于缺陷检查和复验的方法和系统
CN112577971A (zh) * 2019-09-30 2021-03-30 深圳中科飞测科技股份有限公司 一种检测方法、系统及设备
US11360030B2 (en) * 2020-02-04 2022-06-14 Applied Materials Isreal Ltd Selecting a coreset of potential defects for estimating expected defects of interest
US11810284B2 (en) * 2020-08-21 2023-11-07 Kla Corporation Unsupervised learning for repeater-defect detection
US11429091B2 (en) 2020-10-29 2022-08-30 Kla Corporation Method of manufacturing a semiconductor device and process control system for a semiconductor manufacturing assembly

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607539A (zh) * 2003-09-24 2005-04-20 微软公司 检测墨水输入中列表的系统和方法
CN102063375A (zh) * 2011-01-13 2011-05-18 北京航空航天大学 一种基于混合测试的软件可靠性评估方法及其装置
CN102629232A (zh) * 2012-01-09 2012-08-08 北京航空航天大学 引入测试有效性的软件可靠性验证测试方法

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5991699A (en) * 1995-05-04 1999-11-23 Kla Instruments Corporation Detecting groups of defects in semiconductor feature space
US7525659B2 (en) * 2003-01-15 2009-04-28 Negevtech Ltd. System for detection of water defects
US6952653B2 (en) 2003-04-29 2005-10-04 Kla-Tencor Technologies Corporation Single tool defect classification solution
TWI325495B (en) * 2003-05-09 2010-06-01 Olympus Corp Defect repair system and method of repairing defect
JP4154374B2 (ja) 2004-08-25 2008-09-24 株式会社日立ハイテクノロジーズ パターンマッチング装置及びそれを用いた走査型電子顕微鏡
US7729529B2 (en) * 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
EP1916624B1 (en) * 2006-10-25 2016-11-23 Agfa HealthCare NV Method for segmenting a digital medical image.
US7904845B2 (en) 2006-12-06 2011-03-08 Kla-Tencor Corp. Determining locations on a wafer to be reviewed during defect review
US7877722B2 (en) 2006-12-19 2011-01-25 Kla-Tencor Corp. Systems and methods for creating inspection recipes
US8175831B2 (en) 2007-04-23 2012-05-08 Kla-Tencor Corp. Methods and systems for creating or performing a dynamic sampling scheme for a process during which measurements are performed on wafers
US7711514B2 (en) 2007-08-10 2010-05-04 Kla-Tencor Technologies Corp. Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan
US7975245B2 (en) * 2007-08-20 2011-07-05 Kla-Tencor Corp. Computer-implemented methods for determining if actual defects are potentially systematic defects or potentially random defects
US8135204B1 (en) 2007-09-21 2012-03-13 Kla-Tencor Technologies Corp. Computer-implemented methods, carrier media, and systems for creating a defect sample for use in selecting one or more parameters of an inspection recipe
CN101276461B (zh) * 2008-03-07 2011-11-02 北京航空航天大学 一种利用边缘特征的视频文本增强方法
US7756658B2 (en) 2008-05-14 2010-07-13 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer and generating inspection results for the wafer
US8000922B2 (en) 2008-05-29 2011-08-16 Kla-Tencor Corp. Methods and systems for generating information to be used for selecting values for one or more parameters of a detection algorithm
US9710903B2 (en) 2008-06-11 2017-07-18 Kla-Tencor Corp. System and method for detecting design and process defects on a wafer using process monitoring features
US8208714B2 (en) 2009-05-21 2012-06-26 Taiwan Semiconductor Manufacturing Co., Ltd. Formation of prescribed pattern on wafer for use in SEM defect offset
JP5198420B2 (ja) 2009-12-18 2013-05-15 株式会社日立ハイテクノロジーズ 画像処理装置、及び、測定／検査システム、並びに、プログラム
US8559001B2 (en) 2010-01-11 2013-10-15 Kla-Tencor Corporation Inspection guided overlay metrology
US9620426B2 (en) 2010-02-18 2017-04-11 Kla-Tencor Corporation Method and system for providing process tool correctables using an optimized sampling scheme with smart interpolation
JP5639797B2 (ja) 2010-07-01 2014-12-10 株式会社日立ハイテクノロジーズ パターンマッチング方法，画像処理装置、及びコンピュータプログラム
WO2012016243A2 (en) 2010-07-30 2012-02-02 Kla-Tencor Corporation Region based virtual fourier filter
US8781781B2 (en) 2010-07-30 2014-07-15 Kla-Tencor Corp. Dynamic care areas
WO2012054339A1 (en) * 2010-10-19 2012-04-26 3M Innovative Properties Company Computer-aided assignment of ratings to digital samples of a manufactured web product
US9445800B2 (en) 2011-01-04 2016-09-20 The Johns Hopkins University Minimally invasive laparoscopic retractor
KR101943593B1 (ko) 2011-04-06 2019-01-30 케이엘에이-텐코 코포레이션 공정 제어를 개선하기 위한 품질 메트릭 제공 방법 및 시스템
US9087367B2 (en) 2011-09-13 2015-07-21 Kla-Tencor Corp. Determining design coordinates for wafer defects
US9098893B2 (en) 2011-12-21 2015-08-04 Applied Materials Israel, Ltd. System, method and computer program product for classification within inspection images
CN102565072B (zh) * 2011-12-30 2013-12-18 重庆大学 拉伸铝合金板表面裂纹立体视觉在线检测方法
US8855399B2 (en) 2012-02-07 2014-10-07 Applied Materials Israel, Ltd. System, a method and a computer program product for CAD-based registration
JP5937878B2 (ja) 2012-04-24 2016-06-22 株式会社日立ハイテクノロジーズ パターンマッチング方法及び装置
US9588441B2 (en) 2012-05-18 2017-03-07 Kla-Tencor Corporation Method and device for using substrate geometry to determine optimum substrate analysis sampling
US8996464B2 (en) * 2012-06-11 2015-03-31 Microsoft Technology Licensing, Llc Efficient partitioning techniques for massively distributed computation
US8977035B2 (en) 2012-06-13 2015-03-10 Applied Materials Israel, Ltd. System, method and computer program product for detection of defects within inspection images
US9310316B2 (en) 2012-09-11 2016-04-12 Kla-Tencor Corp. Selecting parameters for defect detection methods
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9098891B2 (en) * 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US9183624B2 (en) 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
CN103913468B (zh) * 2014-03-31 2016-05-04 湖南大学 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
US9286675B1 (en) 2014-10-23 2016-03-15 Applied Materials Israel Ltd. Iterative defect filtering process
CN104359847B (zh) * 2014-12-08 2017-02-22 中国科学院遥感与数字地球研究所 获取代表典型水体类别的质心集的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1607539A (zh) * 2003-09-24 2005-04-20 微软公司 检测墨水输入中列表的系统和方法
CN102063375A (zh) * 2011-01-13 2011-05-18 北京航空航天大学 一种基于混合测试的软件可靠性评估方法及其装置
CN102629232A (zh) * 2012-01-09 2012-08-08 北京航空航天大学 引入测试有效性的软件可靠性验证测试方法

Also Published As

Publication number Publication date
TW201834095A (zh) 2018-09-16
US10190991B2 (en) 2019-01-29
KR20180049805A (ko) 2018-05-11
KR101992440B1 (ko) 2019-06-24
TWI663667B (zh) 2019-06-21
CN108020561A (zh) 2018-05-11
US20180306728A1 (en) 2018-10-25

Similar Documents

Publication Publication Date Title
CN108020561B (zh) 用于在检查对象时自适应采样的方法和其系统
CN109598698B (zh) 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质
US10146036B2 (en) Semiconductor wafer inspection using care area group-specific threshold settings for detecting defects
KR102083706B1 (ko) 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링
US10628935B2 (en) Method and system for identifying defects of integrated circuits
US20190355628A1 (en) Process window analysis
US11592400B2 (en) System, method and computer program product for object examination
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
US10921334B2 (en) System, method and computer program product for classifying defects
US11940390B2 (en) Selecting a representative subset of potential defects to improve defect classifier training and estimation of expected defects of interest
US11423529B2 (en) Determination of defect location for examination of a specimen
US10937706B2 (en) Method of examining defects in a semiconductor specimen and system thereof
US11151706B2 (en) Method of classifying defects in a semiconductor specimen and system thereof
KR102685359B1 (ko) 시편들을 검사하는 방법 및 그의 시스템

Legal Events

Date Code Title Description
PB01 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