CN108291878B - 单一图像检测 - Google Patents

单一图像检测 Download PDF

Info

Publication number
CN108291878B
CN108291878B CN201680065635.7A CN201680065635A CN108291878B CN 108291878 B CN108291878 B CN 108291878B CN 201680065635 A CN201680065635 A CN 201680065635A CN 108291878 B CN108291878 B CN 108291878B
Authority
CN
China
Prior art keywords
blocks
defect
image
sample
labels
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
CN201680065635.7A
Other languages
English (en)
Other versions
CN108291878A (zh
Inventor
K·巴哈斯卡尔
约翰·R·约尔丹三世
L·卡尔森迪
桑卡·梵卡泰若曼
Y·卡蒙
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
Publication of CN108291878A publication Critical patent/CN108291878A/zh
Application granted granted Critical
Publication of CN108291878B publication Critical patent/CN108291878B/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
    • 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
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
    • 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
    • G01N2021/8858—Flaw counting
    • 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
    • G01N2021/8893—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 providing a video image and a processed signal for helping visual decision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Nonlinear Science (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供用于检测样本上的缺陷的方法及系统。一种系统包含产生模型。所述产生模型包含经配置以将输入特征映射集的像素块映射到标签中的非线性网络。所述标签指示所述块的一或多个缺陷相关特性。所述系统将单一测试图像输入到所述产生模型中，所述产生模型基于所述映射确定所述单一测试图像中的像素块的特征且确定所述块的标签。所述系统基于所述经确定标签来检测所述样本上的缺陷。

Description

单一图像检测
技术领域
本发明大致上涉及通过单一图像检测检测样本上的缺陷的方法及系统。
背景技术
以下描述及实例并未凭借其包含于此章节中而被认为是现有技术。
制造例如逻辑及存储器装置的半导体装置通常包含使用大量半导体制程处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。例如，光刻是涉及将图案从光罩转印到布置于半导体晶片上的光阻的半导体制程。半导体制程的额外实例包含但不限于化学机械抛光(CMP)、蚀刻、沉积及离子植入。可在单一半导体晶片上的布置中制造多个半导体装置，且接着将其分离成个别半导体装置。
在半导体制程期间的各个步骤使用检验程序检测晶片上的缺陷以促进制程中的较高成品率及因此较高利润。检验始终是制造例如IC的半导体装置的重要部分。然而，随着半导体装置尺寸的减小，检验对于可接受半导体装置的成功制造来说变得甚至更为重要，此是因为较小缺陷可引起装置故障。
存在用于检测例如晶片及光罩的样本上的缺陷的数种当前使用的方法。例如，在裸片对裸片图像比较中，参考图像及目标图像经对准并相减。接着，将全局阈值应用于相减像素。建立对应于缺陷候选者的二元图。在另一实施例中，在单元对单元图像比较中，就周期性结构(例如，存储器装置)来说，目标图像偏移一个周期且与其自身比较。也可使用更多先进方法来试图将图像分段成不同“同质”区域且优化对特定片段统计量的定限方法。此是实施于商业上可购自加利福尼亚州米尔皮塔斯市(Milpitas)的KLA-Tencor的检验工具上的一些检测方法背后的原理方法，例如分段自动定限(SAT)、中值裸片自动定限(MDAT)、HLAT、基于背景的检验(CBI)及基于目标的检验(TBI)。
在扫描电子显微镜(SEM)图像的上下文中，上述方法的变化可用于一些市售电子束检验工具中。定限机制是基于二维直方图表示(散点图)。在此实施方案中，将离群点像素识别为在由参考图像及目标图像的联合直方图形成的主要云外部。在此情况中，使用与参考图像的给定灰值相关联的目标图像的像素值分布来估计优化阈值。
然而，存在上述检验方法的若干缺点。例如，裸片对裸片方法需要获取最少两个图像(参考及测试)，此使图像获取时间加倍。明确检测需要最少成像三个裸片(两个参考及一个测试)。另外，在比较之前，需要对准测试图像及参考图像。仅可分析重叠区域。参考图像也可在分析中引入一些噪声，所述噪声始终损害信噪比(SNR)。单独模块可处理缺陷分类部分，但通常归因于缺陷定位问题而导致不良结果。另外，任何基于比较的方法将经受测试图案与参考图案之间的正常差异。此实例是线边缘粗糙度(LER)。典型比较方法归因于标称LER而限制灵敏度。
另外，当前使用的方法需要算法团队来设计特征(“手工制作(hand-crafted)”特征)以捕捉任何图像中含有的一些相关信息。团队需要解决一般问题，例如：什么是缺陷对比噪声(defect versus noise)？；及什么可区别不同缺陷类别？一般假设不断受到读取数据的挑战。为了改进特定层/缺陷类型的性能，团队需要修改算法且需要发布新软件。
因此，开发出不具有上文描述的一或多个缺点的用于检测样本上的缺陷的系统及方法将为有利的。
发明内容
各种实施例的以下描述不应以任何方式解释为限制随附权利要求书的主题。
一个实施例涉及一种经配置以检测样本上的缺陷的系统。所述系统包含经配置以产生样本的图像的成像子系统。所述成像子系统包含经配置以将能量引导到所述样本的至少能量源及经配置以检测来自所述样本的能量的至少检测器。所述系统也包含耦合到所述成像子系统的一或多个计算机子系统。所述一或多个计算机子系统经配置以获取由成像子系统产生的所述样本的部分的单一测试图像。另外，所述系统包含由一或多个计算机子系统执行的一或多个组件。所述一或多个组件包含产生模型。所述产生模型包含经配置以将输入特征映射集(input feature map volume)的像素块映射到标签中的非线性网络。所述标签指示块的一或多个缺陷相关特性。所述一或多个计算机子系统经配置以将所述单一测试图像输入到所述产生模型中。所述产生模型经配置以将所述单一测试图像分离成多个像素块。所述产生模型也经配置以针对所述多个像素块中的所述至少一者而基于仅所述多个块中的至少一者中的像素确定所述多个块中的所述至少一者的特征。另外，所述产生模型经配置以基于所述经确定特征及所述输入特征映射集的所述像素的所述块到所述标签的所述映射而针对所述多个块中的所述至少一者选择所述标签中的一者。所述一或多个计算机子系统也经配置以基于所述多个块中的所述至少一者的所述选定标签而检测所述样本的所述部分中的缺陷。所述系统可如本文中描述般进一步配置。
另一实施例涉及一种用于检测样本上的缺陷的计算机实施方法。所述方法包含将通过成像子系统针对样本的部分产生的单一测试图像分离成多个像素块。对于所述多个像素块中的至少一者，所述方法包含仅基于所述多个块中的所述至少一者中的像素确定所述多个块中的所述至少一者的特征。通过包含于由一或多个计算机子系统执行的一或多个组件中的产生模型执行所述分离及确定。所述产生模型包含经配置以将输入特征映射集的像素块映射到标签中的非线性网络。所述标签指示所述块的一或多个缺陷相关特性。所述方法也包含基于所述经确定特征及所述输入特征映射集的所述像素的所述块到所述标签的所述映射而针对所述多个块中的所述至少一者选择所述标签中的一者。另外，所述方法包含基于所述多个块中的所述至少一者的所述选定标签而检测所述样本的所述部分中的缺陷。通过所述一或多个计算机子系统执行所述检测。
上文描述的方法的步骤中的每一者可如本文中进一步描述般进一步执行。另外，上文描述的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。另外，可通过本文中描述的任何系统执行上文描述的方法。
另一实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于检测样本上的缺陷的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。所述计算机可读媒体可如本文中描述般进一步配置。计算机实施方法的步骤可如本文中进一步描述般执行。另外，其程序指令可执行的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。
附图说明
所属领域技术人员在受益于优选实施例的以下详细描述的情况下且在参考附图之后将了解本发明的进一步优点，其中：
图1及1a是说明如本文中描述般配置的系统的实施例的侧视图的示意图；
图2是说明可由本文中描述的系统实施例执行的步骤的一个实施例的流程图；
图3是说明可由本文中描述的实施例产生的训练数据集的一个实施例的示意图；及
图4是说明存储程序指令以使计算机系统执行本文中描述的计算机实施方法的非暂时性计算机可读媒体的一个实施例的框图。
虽然本发明易于以各种修改及替代形式呈现，但本发明的特定实施例在图式中通过实例展示且在本文中详细描述。图式可未按比例。然而，应了解，图式及其详细描述并不意欲将本发明限于所揭示的特定形式，而相反，本发明欲涵盖落于如由随附权利要求书界定的本发明的精神及范围内的全部修改、等效物及替代。
具体实施方式
如在本文中可互换地使用的术语“设计”、“设计数据”及“设计信息”通常指代IC的物理设计(布局)及通过复杂仿真或简单几何及布尔(Boolean)运算从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”。此光罩图像或其衍生物在使用设计的本文中描述的任何实施例中可用作对设计布局的替代。设计可包含2009年8月4日授与Zafar等人的共同拥有的第7,570,796号美国专利及2010年3月9日授与Kulkarni等人的第7,676,077号美国专利中描述的任何其它设计数据或设计数据代理，所述两案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。
另外，本文中描述的“设计”、“设计数据”及“设计信息”指代由半导体装置设计者在设计过程中产生且因此可在将设计印刷于例如光罩及晶片的任何物理样本上之前良好地用于本文中描述的实施例中的信息及数据。
现参考图式，应注意，图未按比例绘制。特定地说，极大地放大图的一些元件的比例以强调元件的特性。也应注意，图未按相同比例绘制。已使用相同元件符号指示在一个以上图中展示的可经类似配置的元件。除非本文中另有说明，否则所描述且展示的元件中的任一者可包含任何适合市售元件。
一个实施例涉及一种经配置以检测样本上的缺陷的系统。图1中展示此系统的一个实施例。系统包含一或多个计算机子系统(例如，计算机子系统36及102)及由所述一或多个计算机子系统执行的一或多个组件100。在一些实施例中，系统包含成像系统(或子系统)10。一般来说，成像子系统经配置以产生样本的图像。例如，如本文中进一步描述且在图1及1a中展示，成像子系统包含经配置以将能量引导到样本的至少能量源及经配置以检测来自样本的能量的至少检测器。成像子系统可通过扫描样本的物理版本上方的能量同时检测来自样本的能量而进行此操作，由此产生样本的图像。成像子系统也可经配置以用多种模式执行扫描及检测。
在一个实施例中，样本是晶片。晶片可包含所属领域中已知的任何晶片。在另一实施例中，样本是光罩。光罩可包含所属领域中已知的任何光罩。
在一个实施例中，成像子系统是基于光学的成像子系统。例如，引导到样本的能量可包含光，且从样本检测的能量可包含光。在一个此实例中，在图1中展示的系统的实施例中，成像子系统10包含经配置以将光引导到样本14的照明子系统。照明子系统包含至少一个光源。例如，如图1中展示，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依一或多个入射角将光引导到样本，所述一或多个入射角可包含一或多个倾斜角及/或一或多个法向角。例如，如图1中展示，来自光源16的光依倾斜入射角引导穿过光学元件18及接着透镜20而到样本14。倾斜入射角可包含可取决于例如样本的特性而变化的任何适合倾斜入射角。
成像子系统可经配置以在不同时间依不同入射角将光引导到样本。例如，成像子系统可经配置以更改照明子系统的一或多个元件的一或多个特性，使得光可依不同于图1中展示的入射角的入射角引导到样本。在一个此实例中，成像子系统可经配置以使光源16、光学元件18及透镜20移动，使得光依不同倾斜入射角或法向(或近法向)入射角引导到样本。
在一些例子中，成像子系统可经配置以同时依一个以上入射角将光引导到样本。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中展示的光源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)可包含可经不同或相同配置的类似元件，或可包含至少光源及可能一或多个其它组件，例如本文中进一步描述的组件。如果此光与另一光同时引导到样本，那么依不同入射角引导到样本的光的一或多个特性(例如，波长、偏光等)可不同，使得源自依不同入射角的样本的照明的光可在检测器处彼此区别。
在另一例子中，照明子系统可包含仅一个光源(例如，图1中展示的光源16)，且来自光源的光可通过照明子系统的一或多个光学元件(未展示)分离成不同光学路径(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本。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本时)将光引导到样本。在另一例子中，相同照明通道可经配置以在不同时间将具有不同特性的光引导到样本。例如，在一些例子中，光学元件18可配置为光谱滤光片且可以多种不同方式(例如，通过调换出光谱滤光片)改变光谱滤光片的性质，使得可在不同时间将不同波长的光引导到样本。照明子系统可具有所属领域中已知的用于循序或同时依不同或相同入射角将具有不同或相同特性的光引导到样本的任何其它适合配置。
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，由光源产生且引导到样本的光可包含宽带光。然而，光源可包含任何其它适合光源，例如激光。激光可包含所属领域中已知的任何适合激光且可经配置以产生具有所属领域中已知的一或多个任何适合波长的光。另外，激光可经配置以产生单色或近单色的光。以此方式，激光可为窄频激光。光源也可包含产生具有多个离散波长或波带的光的多色光源。
来自光学元件18的光可通过透镜20聚焦到样本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可包含将来自光学元件的光组合地聚焦到样本的若干折射及/或反射光学元件。在图1中展示且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)。这些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、光束分离器、光圈及类似者，其可包含所属领域中已知的任何这些适合光学元件。另外，成像子系统可经配置以基于待用于成像的照明的类型而更改照明子系统的元件中的一或多者。
成像子系统也可包含经配置以使光在样本上方扫描的扫描子系统。例如，成像子系统可包含在检验期间样本14安置于其上的载物台22。扫描子系统可包含可经配置以使样本移动使得光可在样本上方扫描的任何适合机械及/或机器人组合件(其包含载物台22)。另外或替代地，成像子系统可经配置使得成像子系统的一或多个光学元件执行光在样本上方的某一扫描。光可以任何适合方式(例如以蛇纹状路径或以螺旋路径)在样本上方扫描。
成像子系统进一步包含一或多个检测通道。所述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通过系统照明样本而来自样本的光，且响应于检测到的光而产生输出。例如，图1中展示的成像子系统包含两个检测通道，一个检测通道由集光器24、元件26及检测器28形成，且另一检测通道由集光器30、元件32及检测器34形成。如图1中展示，两个检测通道经配置以依不同收集角收集并检测光。在一些例子中，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依不同角度从样本散射的光。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在纸平面中且照明子系统也展示为定位在纸平面中。因此，在此实施例中，两个检测通道定位在(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在入射平面外。例如，由集光器30、元件32及检测器34形成的检测通道可经配置以收集并检测散射离开入射平面的光。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成像子系统的实施例，但是成像子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)。在一个此例子中，由集光器30、元件32及检测器34形成的检测通道可形成如上文描述的一个侧通道，且成像子系统可包含形成为定位在入射平面的相对侧上的另一侧通道的额外检测通道(未展示)。因此，成像子系统可包含检测通道，所述检测通道包含集光器24、元件26及检测器28，且其居中于入射平面中且经配置以依处于或接近法向于样本表面的散射角收集并检测光。因此，此检测通道通常可称为“顶部”通道，且成像子系统也可包含如上文描述般配置的两个或更多个侧通道。因而，成像子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集光器，每一集光器经配置以依不同于其它集光器中的每一者的散射角收集光。
如上文进一步描述，包含在成像子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中展示的成像子系统可经配置用于样本的暗场(DF)成像。然而，成像子系统也可或替代地包含经配置用于样本的明场(BF)成像的检测通道。换句话来说，成像子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，本文中描述的成像子系统可经配置用于仅DF、仅BF或DF及BF成像两者。虽然在图1中将集光器中的每一者展示为单折射光学元件，但是应了解，集光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)、时间延迟积分(TDI)相机及所属领域中已知的任何其它适合检测器。检测器也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成像平面内的位置的这些特性。因而，由包含在成像子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，而非图像信号或图像数据。在这些例子中，计算机子系统(例如计算机子系统36)可经配置以从检测器的非成像输出产生样本的图像。然而，在其它例子中，检测器可配置为经配置以产生成像信号或图像数据的成像检测器。因此，成像子系统可经配置以依若干方式产生本文中描述的图像。
应注意，本文中提供图1以大致上说明可包含在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使用的图像的成像系统或子系统的配置。显然，可更改本文中描述的成像子系统配置以如在设计商业成像系统时所通常执行般优化成像子系统的性能。另外，可使用例如商业上可购自加利福尼亚州米尔皮塔斯市的KLA-Tencor的29xx/28xx系列工具的现有系统(例如，通过将本文中描述的功能性新增到现有系统)来实施本文中描述的系统。对于一些这样的系统，本文中描述的实施例可提供为系统的任选功能性(例如，除系统的其它功能性以外)。替代地，可“从头开始”设计本文中描述的成像子系统以提供全新成像子系统。
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)耦合到成像子系统的检测器，使得计算机子系统可接收在样本的扫描期间由检测器产生的输出。以此方式，计算机子系统耦合到成像子系统。另外，计算机子系统经配置以获取由成像子系统产生的样本的部分的单一测试图像。例如，计算机子系统及本文中描述的任何其它计算机子系统可经配置以获取来自检测器及/或如本文中进一步描述的此单一测试图像。计算机子系统36可经配置以使用检测器的输出及/或由检测器产生的图像来执行本文中进一步描述的若干功能。
图1中展示的计算机子系统(以及本文中描述的其它计算机子系统)在本文中也可称为计算机系统。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、网络设备、因特网设备或其它装置。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也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。另外，计算机子系统可包含一或多个图形处理单元(GPU)及/或一或多个中央处理单元(CPU)。
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彼此耦合，使得可在所述计算机子系统之间发送图像、数据、信息、指令等，如本文中进一步描述。例如，如由图1中的虚线展示，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。两个或更多个这些计算机子系统也可通过共享计算机可读存储媒体(未展示)有效地耦合。
虽然上文将成像子系统描述为基于光学或光的成像子系统，但是成像子系统可为基于电子束的成像子系统。在一个此实施例中，引导到样本的能量包含电子，且从样本检测到的能量包含电子。以此方式，成像子系统可包含经配置以产生引导到样本的电子的至少能量源及经配置以检测来自样本的电子的至少检测器。在图1a中展示的一个此实施例中，成像子系统包含耦合到计算机子系统124的电子柱122。
也如图1a中展示，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聚焦到样本128的电子。电子束源可包含例如阴极源或射极尖端，且一或多个元件130可包含例如枪透镜、阳极、束限制光圈、门阀、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这些适合元件。
从样本返回的电子(例如，次级电子)可由一或多个元件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，其可为包含在元件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，电子柱可如以下各项中描述般进一步配置：2014年4月4日授与Jiang等人的第8,664,594号美国专利、2014年4月8日授与Kojima等人的第8,692,204号美国专利、2014年4月15日授与Gubbens等人的第8,698,093号美国专利及2014年5月6日授与MacDonald等人的第8,716,662号美国专利，所述案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依倾斜入射角引导到样本且依另一倾斜角从样本散射，但是应了解，电子束可依任何适合角度引导到样本且从样本散射。另外，如本文中进一步描述，基于电子束的成像子系统可经配置以使用多种模式来产生样本的图像(例如，运用不同照明角、收集角等)。基于电子束的成像子系统的多种模式可在成像子系统的任何图像产生参数方面不同。
如上文描述，计算机子系统124可耦合到检测器134。检测器可检测从样本的表面返回的电子，由此形成样本的电子束图像。电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以针对样本使用由检测器134产生的输出及/或图像执行本文中进一步描述的一或多个功能。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中展示的成像子系统的系统可如本文中描述般进一步配置。
应注意，本文中提供图1a以大致上说明可包含在本文中描述的实施例中的基于电子束的成像子系统的配置。如同上文描述的光学成像子系统，可更改本文中描述的基于电子束的成像子系统配置以如在设计商业成像子系统时所通常执行般优化成像子系统的性能。另外，可使用例如商业上可购自KLA-Tencor的eSxxx及eDR-xxxx系列工具的现有子系统(例如，通过将本文中描述的功能性新增到现有系统)来实施本文中描述的系统。对于一些这样的系统，本文中描述的实施例可提供为系统的任选功能性(例如，除系统的其它功能性以外)。替代地，可“从头开始”设计本文中描述的子系统以提供全新系统。
虽然上文将成像子系统描述为基于光或基于电子束的成像子系统，但是成像子系统可为基于离子束的成像子系统。此成像子系统可如图2中展示般配置，但电子束源可由所属领域中已知的任何适合离子束源取代除外。另外，成像子系统可为任何其它适合基于离子束的成像子系统，例如包含在市售聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及次级离子质谱仪(SIMS)系统中的成像子系统。另外，成像子系统在一些情况中可配置为基于x射线的成像子系统。以此方式，引导到样本的能量可包含x射线。基于x射线的成像子系统可如2005年5月10日授与Levy等人的第6,891,627号美国专利中描述般配置，所述案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此专利中描述般进一步配置。
如上文所述，成像子系统经配置以将能量引导到样本的物理版本，由此产生样本的物理版本的实际图像。以此方式，成像子系统可配置为“实际”成像系统而非“虚拟”系统。例如，存储媒体(未展示)及1中展示的计算机子系统102可配置为“虚拟”系统。特定地说，存储媒体及计算机子系统并非成像子系统10的部分且不具有处置样本的物理版本的任何能力。换句话来说，在配置为虚拟系统的系统中，其一或多个“检测器”的输出可为先前由实际系统的一或多个检测器产生且存储在虚拟系统中的输出，且在“扫描”期间，虚拟系统可就像样本正被扫描一样回放经存储输出。以此方式，用虚拟系统扫描样本可看似就像正用实际系统扫描物理样本一样，而实际上“扫描”涉及以与可扫描样本相同的方式简单回放样本的输出。配置为“虚拟”检验系统的系统及方法描述于以下各项中：共同转让的2012年2月28日授与Bhaskar等人的第8,126,255号美国专利及2015年12月29日授与Duffy等人的第9,222,895号美国专利，所述两案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这些专利中描述般进一步配置。例如，本文中描述的一或多个计算机子系统可如这些专利中描述般进一步配置。
如上文进一步所述，成像子系统可经配置以用多种模式产生样本的图像。一般来说，“模式”可由用于产生样本的图像的成像子系统的参数值或用来产生样本的图像的输出定义。因此，不同模式可在成像子系统的成像参数中的至少一者的值方面不同。例如，在其中在样本上方扫描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照明光的至少一个波长，其不同于用于多种模式中的至少另一者的照明光的至少一个波长。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，模式可在照明波长方面不同。在另一实施例中，多种模式中的至少一者使用成像子系统的照明通道，其不同于用于所述多种模式中的至少另一者的成像子系统的照明通道。例如，如上文所述，成像子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。
在一个实施例中，成像子系统是检验子系统。例如，本文中描述的光学及电子束成像子系统可配置为检验子系统。在另一实施例中，成像子系统是缺陷再检查子系统。例如，本文中描述的光学及电子束成像子系统可经配置为缺陷再检查子系统。在又一实施例中，成像子系统是计量子系统。例如，本文中描述的光学及电子束成像子系统可经配置为计量子系统。特定地说，在本文中描述且在图1及1a中展示的成像子系统的实施例可在一或多个参数方面经修改以取决于将使用其应用而提供不同成像能力。在一个此实例中，如果图1中展示的成像子系统将用于缺陷再检测或计量而非用于检验，那么其可经配置以具有较高分辨率。换句话来说，图1及1a中展示的成像子系统的实施例描述成像子系统的一些一般及各种配置，可以所属领域技术人员将明了的若干方式定制所述配置以产生具有或多或少适于不同应用的不同成像能力的成像子系统。
检验子系统、缺陷再检查子系统及计量子系统也可经配置用于对例如晶片及光罩的样本的检验、缺陷再检查及计量。例如，本文中描述的实施例可经配置以针对屏蔽检验及晶片检验的目的使用产生模型。特定地说，可将本文中描述的产生模型实施例安装在计算机节点或计算机丛集上，所述计算机节点或计算机丛集是成像子系统(例如宽带等离子体检验器、电子束检验器或缺陷再检查工具、屏蔽检验器、虚拟检验器等)的组件或耦合到所述成像子系统。以此方式，本文中描述的实施例可用于多种应用，包含但不限于晶片检验、屏蔽检验、电子束检验及再检查等。可如上文描述般基于将针对其产生实际图像的样本修改图1及1a中展示的成像子系统的特性。
由计算机子系统(例如，计算机子系统36及/或102)执行的组件(例如，图1中展示的组件100)包含产生模型104。“产生”模型可大致上定义为本质上概率性的模型。换句话来说，“产生”模型并非执行正向仿真或基于规则的方法的模型。因而，当如本文中进一步描述般使用产生模型执行仿真时，产生实际图像(正针对其产生仿真图像)时涉及的程序的物理学的模型并非必需。代替地，如本文中进一步描述，可基于适合训练数据集学习产生模型(其中可学习其参数)。如本文中进一步描述，这些产生模型对于本文中描述的实施例具有若干优点。
产生模型包含经配置以将输入特征映射集的像素块映射到标签中的非线性网络，且标签指示块的一或多个缺陷相关特性。例如，卷积神经网络(CNN)是将输入特征映射集的每一给定块(例如，M x N)映射到标签中的非线性网络。块是像素块，其可具有任何适合大小。块的大小的一个非限制实例可为50像素乘50像素。图像所分离成的像素块可包含围绕图像中的每一像素(且在可能时以其为中心)的某一大小的块。以此方式，图像中的一个像素的一个块可包含也在另一像素的另一块中的一些像素。然而，每一块将优选包含不与任何其它块的像素集合相同的像素集合(即，没有两个块在像素空间中完全重叠)。另外，在一些实例中，块可能彼此互斥。例如，包含在一个块中的像素可未包含在图像所分离成的任何其它块中。在此例子中，块可被视为图像内的非重叠图像块。另外，块可包含以下各项的组合：1)与图像中的全部其它块互斥的一些块；及2)在某种程度上与其它块重叠的一些块。图像中的块也可未跨整个图像延伸。以此方式，图像中的一些像素可未包含在任何块中。另外，在一种优化方法中，标记可基于像素层级而非成像层级，此使能够将数据集从数百万个图像减少到数十个图像。
在一个实施例中，标签指示输入特征映射集中的输入特征与缺陷相关联或不与缺陷相关联。例如，标签可包含“无缺陷”标签及“缺陷”标签。可使用其它类似词组及/或数字作为标签以区分输入特征是否与缺陷相关联。标签可如本文中描述般进一步配置且指派。
在另一实施例中，标签指示与输入特征映射集中的输入特征相关联的缺陷类型。例如，标签可包含“x类”标签、“y类”标签等，其中x及y可为区分一个缺陷类别与另一缺陷类别的某一词组及/或数字。这些标签也可如本文中描述般进一步配置且指派。
因此，本文中描述的实施例依赖于新型神经网络，其有时可称为机器学习、深度学习或CNN等。此类型的方法有时称为端对端学习策略。例如，在一个实施例中，产生模型是深度产生模型。在另一实施例中，产生模型是机器学习模型。例如，产生模型可经配置以具有深度学习架构，其中所述产生模型可包含执行若干算法或变换的多个层。产生模型也可包含一或多个编码器侧层及/或一或多个解码器侧层。产生模型的一个侧或两个侧的层数可变化且通常依使用案例而定。深度产生及机器学习模型可包含所属领域中已知的可经配置以执行本文中描述的功能的任何这些适合模型。
在另一实施例中，产生模型是CNN。例如，本文中描述的实施例可利用例如CNN的深度学习概念来解决通常棘手的表示转换问题(例如，呈现)。产生模型可具有所属领域中已知的任何CNN配置或架构。一般来说，各种各样的不同CNN架构可行且在所属领域中已知。
也可以若干方式修改本文中描述的实施例。例如，可经由以下各项构造本文中描述的产生模型的替代物：(1)具有角锥向上取样的产生对抗网络(GAN)；(2)具有致密化的CNN(即，步幅＝1)；(3)具有变分自动编码器(VAE)的循环神经网络(RNN)；或(4)具有卷积及去卷积层的深度波兹曼机(Boltzmann Machine)。可使用所属领域中已知的任何适合架构实施这些替代物。
一或多个计算机子系统经配置以将单一测试图像输入到产生模型中。例如，如图2中展示，可将单一测试图像200输入到产生模型。单一测试图像可通过计算机子系统以任何适合方式输入到产生模型。
产生模型经配置以将单一测试图像分离成多个像素块。例如，如图2中展示，可将单一测试图像200分离成多个像素块202。产生模型可经配置以依任何适合方式将单一测试图像分离成本文中进一步描述的任何块。特定地说，单一测试图像通过产生模型所分离成的像素块可具有本文中描述的块的任何特性。
产生模型也经配置以针对多个像素块中的至少一者基于仅所述多个块中的所述至少一者中的像素确定所述多个块中的所述至少一者的特征。例如，如图2中展示，产生模型经配置以针对多个像素块202确定每块的特征204。因此，基于仅块中的像素且不基于可能在图像内且不在正针对其确定特征的块中的任何额外像素而确定特征。对于任一块，可如本文中描述般确定一或多个特征，且可如本文中进一步描述般使用针对任一块确定的全部、一些或并非全部特征。可仅基于单一测试图像或基于单一测试图像及所述单一测试图像的多个视角中的一或多者(其可包含本文中描述的多个视角中的任一者)而确定针对任一块确定的一或多个特征。例如，对于单一测试图像中的块，可针对单一测试图像及由计算机子系统输入到产生模型的所述单一测试图像的多个视角中的每一者确定一个特征。
在本文中描述的实施例中的任一者中，特征可包含纯量值的向量、独立分布或联合分布的向量。在一些实施例中，特征包含独立分布的向量，且独立分布的向量包含伯努利(Bernoulli)分布、二项分布、多项分布、泊松(Poisson)二项分布、β二项分布、多项分布、波兹曼分布、泊松分布、康威-麦克斯韦-泊松(Conway-Maxwell-Poisson)分布、β分布、高斯(Gaussian)/常态分布、偏斜常态分布、瑞利(Rayleigh)分布、拉普拉斯(Laplace)分布、伽玛分布、帕累托(pareto)分布或司徒顿t(student-t)分布。在另一实施例中，特征包含联合分布，且联合分布包含多元高斯/常态分布、多元司徒顿-t分布、狄利克雷(Dirichlet)分布、矩阵高斯/常态分布或矩阵t分布。然而，特征可包含所属领域中已知的任何其它适合类型的特征。可以所属领域中已知的任何适合方式学习或推断不同类型的特征。
产生模型进一步经配置以基于经确定特征及输入特征映射集的像素块到标签中的映射而针对多个块中的至少一者选择标签中的一者。例如，如图2中展示，产生模型经配置以基于每块的特征204而选择每块的标签206。特定地说，产生模型可针对每一块确定特征且接着使用映射来确定哪些标签对应于所述特征。
计算机子系统进一步经配置以基于多个块中的至少一者的选定标签而检测样本的部分中的缺陷。例如，如图2中展示，计算机子系统经配置以基于标签来检测缺陷208。特定地说，如上文描述，标签可各自与特征是否与缺陷相关联的指示相关联。因此，基于由产生模型针对在由计算机子系统输入到所述产生模型的图像内的块所输出的标签，计算机子系统可经配置以基于标签来检测块中的缺陷。以此方式，本文中描述的实施例使检验器能够使用单一图像检测缺陷(即，“单一图像检测(SID)”)，其中输入是样本的图像且输出是缺陷检测结果(例如缺陷的概率图)。另外，本文中描述的实施例经配置以基于CNN及本文中描述的其它产生模型而执行SID。本文中描述的实施例也可在具有或不具半导体应用(例如，光罩、屏蔽、光学检验器以及电子束及x射线检验器)的设计信息(如本文中进一步描述)的情况下针对SID使用机器学习系统。
在一些实施例中，计算机子系统经配置以基于多个块中的至少一者的选定标签确定样本的部分中的缺陷类型。以此方式，本文中描述的实施例使检验器能够使用单一测试图像分类缺陷(即，“单一图像分类”(SIC))。例如，如上文描述，标签可各自与缺陷类型或类别相关联。因此，基于由产生模型针对在由计算机子系统输入到所述产生模型的图像内的块所输出的标签，计算机子系统可经配置以基于标签确定块中检测到的缺陷类型或类别。
在一些例子中，可将一个单一测试图像分离成多个较小块且可针对每一块确定特征。以此方式，产生模型可针对较大图像内的较小块产生特征“映射”(其中映射表示特征依据单一测试图像内的块位置而变化)。然而，在一些这样的例子中，产生模型可经配置以基于针对单一测试图像中的每一块确定的特征中的每一者而整体上针对图像输出仅单一标签。因而，虽然可确定多个块的一个以上块的特征，但针对多个块中的至少一者选择标签中的一者可包含针对多个块(例如，单一测试图像中的全部多个块)的组合(一个以上块)选择标签的仅一者。例如，单一标签可为“缺陷”或“无缺陷”标签。在一个此例子中，如果无块被指派对应于缺陷的特征及/或标签，那么产生模型可整体上针对单一测试图像输出“无缺陷”标签。相比之下，如果块中的至少一者被指派对应于缺陷的特征及/或标签，那么产生模型可整体上针对单一测试图像输出“缺陷”标签。
以此方式，可将完整单一测试图像处理为一个大块，且产生模型的输出可并非经标记映射而仅为单一指示缺陷存在的标签(例如“缺陷”或“无缺陷”标签)或单一类别标签。通过往回传播此信息(例如，输入图像的哪(些)部分或块负责最终决定)，可从实际缺陷位置检索空间信息。
因此，如本文中描述的由产生模型输出的标签可指示在整个图像(即，单一测试图像作为整体)中而非在图像内的一或多个像素块中是否存在缺陷。另外，个别块可能无缺陷，但其布置无效(例如，当按比个别块更大的尺度考虑图像时)。例如，针对多个块中的每一者确定的特征本身可映射到指示不存在缺陷的标签。然而，两个特征(例如，针对第一块确定的第一特征及针对邻近所述第一块的第二块确定的第二特征)之间的空间关系可指示单一测试图像中的缺陷。以此方式，产生模型可产生对应于多个块大小的多个特征映射。
本文中描述的实施例也可用于若干不同应用。例如，本文中描述的实施例可经配置以且用于执行仅SID、具有自动缺陷分类(ADC)的SID、具有用于检测的CAD的SID、具有用于检测的CAD及ADC的SID，及具有用于检测的多个视角及ADC的SID。以此方式，本文中描述的实施例可取代标准裸片对裸片算法而提供更佳准确性及速度。
为了支持全部这些使用案例，可修改仅特征映射的输入集。输入集本质上是表示(其通常称为算法框架内的通道)的数目。到具有CAD(或本文中描述的其它设计信息)的SID的输入可为样本的图像及所述样本的设计信息，且输出是缺陷检测结果(例如缺陷的概率图)。另外，SID及具有CAD的SID可用于分类仅缺陷或背景(检测)或在缺陷类型与背景(ADC)之间进行分类。
在另一实施例中，一或多个计算机子系统经配置以产生单一测试图像的多个视角，且由一或多个计算机子系统输入到产生模型中的单一测试图像包含所述单一测试图像的多个视角。在本文中描述的实施例的上下文中，多个视角指代经由图像处理产生的相同原始数据的不同表示。因此，在本文中描述的实施例的上下文中，SID指代使用仅单一测试图像(其是使用成像子系统从物理样本获取)检测缺陷，然而也可使用从所述一个单一测试图像产生的多个图像执行SID。以此方式，可通过图像处理产生多个视角，图像处理可包含任何适合图像处理且可由本文中描述的计算机子系统及/或产生模型执行。
本文中描述的实施例可使用在GPU上运行的卷积方法有效地实施。然而，可在具有或不具GPU(例如，代替地运用中央处理单元(CPU))的情况下实施本文中描述的实施例。另外，与旧方法相比，本发明者已测量到本文中描述的缺陷检测的基本上短的处理时间。由本发明者观察到的本文中描述的缺陷检测的性能在SNR及分类准确性两个方面也胜过基于两个图像的旧方法。
在一个实施例中，检测缺陷不包含使单一测试图像对准到任何其它图像。在另一实施例中，检测缺陷不包含比较单一测试图像与任何其它图像。例如，不同于涉及比较一个图像与另一参考图像以进行缺陷检测的缺陷检测，本文中描述的实施例无需在缺陷检测之前在不同图像之间对准。另外，即使缺陷检测及本文中描述的其它功能涉及使用相同单一测试图像的多个视角，但由于多个视角是从相同单一测试图像产生，所以多个视角中的任一者与单一测试图像之间将不存在对准误差。因此，在用于缺陷检测的其它方法及系统中可能固有的两个图像之间的任何未对准不确定性及/或误差不会不利地影响由本文中描述的实施例执行的缺陷检测。另外，由于缺陷检测不涉及比较一个图像与另一图像，所以与用于缺陷检测的其它方法及系统相比，所述方法将具有来自参考的较少误差及噪声源。
在又一实施例中，检测缺陷不包含基于统计的缺陷检测。例如，如本文中进一步描述，一些缺陷检测方法可涉及单一测试图像及统计分析以确定散点图中与参考图像的数据或其它非缺陷数据相比的离群点。然而，本文中描述的实施例不包括产生任何这些散点图或其它统计分析。代替地，一旦已如本文中进一步描述般训练产生模型，所述产生模型的映射即可用来将单一测试图像的特征映射到指示图像中是否存在且可能存在何种缺陷的标签。
在一些实施例中，一或多个计算机子系统经配置以结合样本的设计信息而基于选定标签来检测缺陷。例如，如本文中进一步描述，由计算机子系统执行的缺陷检测可包含具有CAD的SID。如本文中进一步描述，CAD或其它设计信息可用于缺陷检测(例如，关于设计的信息可用作映射中的特征以确定是否存在缺陷及可能存在何种缺陷)。
在另一实施例中，一或多个计算机子系统经配置以基于选定标签且在无样本的设计信息的情况下检测缺陷。例如，如本文中进一步描述，实施例可经配置用于无CAD或其它设计信息的SID。以此方式，用于缺陷检测及可能缺陷分类的唯一特征可包含针对单一测试图像确定且映射到标签的特征。
在一个实施例中，计算机子系统经配置以产生用于训练产生模型的训练数据集，且所述训练数据集包含样本的设计信息的部分与针对所述设计信息的部分产生的图像的对的集合。以此方式，本文中描述的实施例可经配置用于数据集制备(多维输入特征映射)。例如，数据集制备可包含收集图像集合(例如，具有或不具缺陷的SEM图像)。图像可包含SEM图像但也或替代地包含任何其它“地面实况”信息(例如SEM图像、光学图像、屏蔽检验图像、计量数据、先前层光学数据等)。也可能未通过成像样本而获取针对设计信息的部分产生的图像。例如，可通过使用计量系统对样本执行测量而产生计量数据，且接着所述计量数据可经处理以产生于训练数据集中的对中使用的样本的图像。换句话来说，在一些例子中，可使用非图像数据来产生样本的图像。一般来说，图像可全部具有相同类型。也可使用不同成像模式产生图像。另外，图像可包含原始或经处理图像。
数据集制备可包含呈现并对准对应设计片段与图像。设计信息可包含本文中描述的任何设计信息。例如，在一个实施例中，设计信息是例如CAD数据的设计数据。虽然本文中可关于CAD或CAD数据或图像描述一些实施例，但是应了解，本文中描述的实施例可使用本文中描述的任何其它设计信息。在另一实例中，计算机子系统可经配置以获取样本的设计片段且呈现所述设计片段以产生设计信息，其可或可不像来自样本的图像。呈现的范围可从简单呈现(二元图像)到更复杂呈现(模仿样本数据)。可如本文中描述般进一步执行呈现(关于仿真)。
因此，计算机子系统可制备训练数据集。在此步骤中，可通过CAD与真实图像的对准及图像裁剪而产生训练数据集，而导致经对准CAD与真实图像(例如，SEM或光学图像)的对的收集，其中“真实”图像是通过成像其上已形成设计信息的物理样本而产生的图像。特定地说，如图3中展示，CAD的不同部分300及其的对应实际图像302可经对准并裁剪以产生对应CAD部分与实际图像的对304。
可将CAD呈现为二元图像且可在对准之前复原不均匀像素大小。归因于来自硬件的图像失真，像素大小可能“不均匀”。例如，在电子束图像中，归因于电子束的不稳定性，在样本上的第一位置处的像素可表示样本上的10nm乘10nm面积，而在所述样本上的第二位置(其可能相对较靠近第一位置)处的另一像素可表示样本上的11nm乘11nm面积，而预期像素大小是10.5nm乘10.5nm。
对中的设计信息的部分及图像可具有任何适合大小且可取决于用来形成样本上的设计信息的程序及/或用来产生图像的程序的特性而变化。例如，为使图像含有用于训练的有用信息，可基于产生实际图像时所涉及的光学散射效应(例如，在光学真实图像的情况中，归因于光刻工具及/或光学成像工具的点扩散函数(PSF))而确定图像的有用大小的下限。在一些实例中，图像的大小可为大约图像图框(例如，数千个像素)到大约拼贴图像(例如，数十个像素)。
包含在训练数据集中的设计信息部分与图像的对数可为任何适合数目且可取决于使用案例而变化。例如，训练数据集中的图像的数目可为数百到数千之间的数目。为减少训练集中的图像的数目，用于数据扩充的不同方法可为可行的，例如，批次随机化、合成缺陷等。本文中进一步描述合成缺陷。关于批次随机化，训练在数批图像(比如说50个)中发生且在基本上大量图像(比如说1000个)上反复发生。随机化确保每批次所选择的50个图像中存在足够多样性以确保训练收敛平稳。
在一个实施例中，针对在样本或另一样本上检测的缺陷产生集合中的对中的至少一者。例如，如本文中进一步描述，计算机子系统可经配置以检测样本上的缺陷且接着基于经检测缺陷产生训练数据集中的对的集合。可以任何适合方式在样本上检测缺陷。如果在不同样本上检测到经检测且用来产生训练数据集中的对的缺陷，那么所述另一样本可为与样本相同的类型(例如，设计规则、层等)。
在另一实施例中，针对合成缺陷产生集合中的对中的至少一者。以此方式，可使用合成缺陷来扩充数据训练集合。在一个此实例中，可通过修改CAD以注入缺陷(例如，突出)且接着使用网络呈现其且将其新增为训练实例而将合成缺陷注入到SEM、光学及其它系统的训练数据集中。可以任何适合方式修改设计信息以在设计信息中建立合成缺陷。如果尚未针对经修改设计信息部分产生实际图像，那么仿真图像(其可如本文中描述般使用产生模型产生)可用作其在训练数据集中的图像。可以若干不同方式修改任一设计信息部分以在其中产生不同合成缺陷。另外，可以相同或不同方式修改设计信息的不同部分以在设计信息的不同部分中的每一者中建立相同或不同合成缺陷。另外，如上文所述，经修改设计信息与图像对可与未修改设计信息与图像对组合以建立训练数据集。除非所述实际图像不可用，否则包含在训练数据集中的对中的图像是优选为实际的(或非仿真图像)。此实施例中使用的其它设计信息可包含本文中描述的任何设计信息。
在另一实施例中，针对仿真缺陷产生集合中的对中的至少一者。例如，可使用仿真缺陷来扩充训练数据集。仿真缺陷可或可不为合成缺陷。例如，可使用并非全部合成缺陷来针对合成缺陷所注入到其中的设计信息产生仿真图像。另外，仿真缺陷可并非注入到设计部分中的合成缺陷，而是基于所述缺陷的可能源仿真的来自另一源的缺陷(例如，与其说是由设计信息中的缺陷引起的缺陷，不如说是归因于用来形成样本上的设计信息的程序中的变动的缺陷)。
在又一实施例中，针对由工艺窗口认证(PWQ)检测的缺陷产生集合中的对中的至少一者。以此方式，可使用来自PWQ晶片的经检测缺陷来扩充训练数据集。PWQ可如以下各项中描述般执行：2005年6月7日授与Peterson等人的第6,902,855号美国专利、2008年8月26日授与Peterson等人的第7,418,124号美国专利、2010年8月3日授与Kekare等人的第7,769,225号美国专利、2011年10月18日授与Pak等人的第8,041,106号美国专利，及2012年7月3日授与Peterson等人的第8,213,704号美国专利，所述案如全文阐述以引用的方式并入本文中。可在样本或另一样本上检测由PWQ检测的缺陷。可以任何适合方式基于PWQ检验的结果产生设计信息的部分及对应图像。
在一些实施例中，设计信息包含从设计数据产生的仿真图像。可使用本文中描述的机器学习系统执行从设计数据产生仿真图像。以此方式，本文中描述的实施例可使用机器学习系统以针对半导体相关应用进行CAD呈现。特定地说，在SID中，训练期间的输入是样本的图像及缺陷像素的地面实况，且输出是缺陷的概率图。在运行时间期间，输入是图像，且输出是缺陷的概率图。对于CAD呈现，在训练期间，输入是样本的CAD片段及地面实况(所述样本的图像)。网络学习如何将CAD片段表示为样本的图像。总体概念是类似的(运用数据及地面实况的训练)。仿真也可如由Zhang等人在2016年6月7日提交的第15/176,139号美国专利申请案中描述般执行，所述案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此专利申请案中描述般进一步配置。
在另一实施例中，对中的图像中的至少一者包含样本或另一样本通过成像子系统产生的实际图像。例如，可基于在样本或另一样本上检测的缺陷产生对。以此方式，对中的图像可为由成像子系统产生的在检测到缺陷的位置处的图像。可以任何适合方式从样本的设计信息提取对应于所述位置的设计的部分(例如，基于缺陷的晶片空间位置及/或缺陷的设计数据空间位置)。在上文引用的Zafar及Kulkarni的专利中描述识别设计数据空间中的缺陷的位置的实例。此实施例可如这些专利申请案中描述般进一步配置。
在额外实施例中，对中的图像中的至少一者包含基于以下各项产生的合成图像：1)至少一个图像的设计信息，及2)由成像子系统针对其它样本产生的其它图像。例如，基于样本的设计的信息及针对其它样本产生的图像，可确定关于不同样本的设计信息之间的类似性及差异以及如何通过成像子系统成像其它样本的信息。关于所述类似性及差异的信息可为产生模型提供足够信息以产生样本上的设计信息将如何出现在由成像子系统产生的图像中的合成图像。例如，基于关于不同样本的设计信息之间的类似性的信息及一些样本的图像，可通过基于设计中的类似性修改样本的图像而产生/估计其它样本的图像。
在又一实施例中，对中的图像中的至少一者包含基于以下各项产生的仿真图像：1)至少一个图像的设计信息，及2)成像子系统的一或多个特性。例如，基于样本的部分的设计的信息及成像子系统的成像特性，本文中描述的实施例可针对样本的所述部分将如何出现在由成像子系统产生的图像中而产生仿真图像，此可如本文中进一步描述般执行。接着，所述仿真图像可包含在具有其对应设计信息部分的训练数据集合中。
在一些优化方法中，产生模型可学习在任意位置(交叉层、交叉位置等)产生缺陷，而使所关注缺陷(DOI)的资料收集在未来不必要。例如，可使用可通过使用设计片段而仅“呈现”或产生具有缺陷的图像(例如，像SEM数据)的网络。无所谓设计片段属于哪一位置或层。此时，经呈现缺陷可用于训练检测/分类网络。
在一个实施例中，一或多个计算机子系统经配置以检测集合中的对中的图像中的其它缺陷，且使标签与图像中对应于检测其它缺陷的结果的像素相关联。以此方式，计算机子系统可产生标签映射。例如，标签映射可使标签与图像的每一像素相关联。如本文中进一步描述，标签可指示输入特征映射集中的输入特征是与缺陷相关联还是不与缺陷相关联。例如，标签可为指示不存在缺陷的标签(即，“无缺陷”标签)，或指示存在缺陷的标签(即，“缺陷检测”标签)。另外，如本文中进一步描述，标签可指示输入特征映射集中的特征所相关联的缺陷类型。在一个此实例中，标签可包含类别，例如“A类”、“B类”、“54类”、“102类”等。标签映射可由计算机子系统通过使用执行等效任务(训练器)的常规裸片对裸片系统而自动建立。然而，可通过使用任何适合缺陷检测(及任选地缺陷分类)方法及系统通过使缺陷检测(及任选地缺陷分类)的结果与图像的不同部分及/或由计算机子系统基于图像的不同部分确定的不同特征相关联而建立标签映射。例如，训练数据集中的图像可如本文中进一步描述般分离成块，且可如本文中进一步描述般针对每一(或至少一些)块确定一或多个特征。针对图像的不同部分确定的特征可包含本文中描述的任何特征类型。以此方式，计算机子系统可使针对块确定的特征与标签相关，由此建立一输入特征映射集。
在一个此实施例中，一或多个计算机子系统经配置以通过累进地修改产生模型的参数而执行对产生模型的监督训练，直到将由产生模型针对对中的图像确定的特征映射到与图像中的像素相关联的标签。在训练(监督训练)期间，非线性网络累进地修改其参数(权重)以预测正确标签(如标签映射中定义)。例如，由本文中描述的实施例修改的产生模型的一或多个参数可包含具有可训练权重的产生模型的任何层的一或多个权重。在一个此实例中，权重可包含卷积层而非积聚层的权重。可使用用于训练的不同方法来实现相对较快速收敛且无过度适配。例如，可经由使用多个GPU及预训练模型实现快速训练。
一旦完成训练，产生模型及经更新参数(模型)即准备好部署(例如，在样本及其它样本上检测缺陷及/或分类缺陷)。以此方式，非线性网络中的学习权重表示学习模型，其接着可安装在目标系统(例如，本文中描述的系统中的一者)上。因而，在运行时间期间，将模型安装在目标系统上且依正向模式(推理模式)处理新图像。产生模型产生如本文中描述的标签映射，其准确指示图像的内容。
运用本文中描述的实施例，无需提前制备“手工制作特征”。从实例(内部数据表示)自动学习特征。新实施例对于从数据学习的自然变动稳健。支持新层或新缺陷类型通过提供实例且重新训练系统而简单且快速。例如，在一些实施例中，一或多个计算机子系统经配置以：通过将新对新增到集合而修改训练数据集；检测新对中的图像中的一或多个额外缺陷；使一或多个额外标签与图像中对应于检测一或多个额外缺陷的结果的像素相关联；及通过累进地修改参数而重新执行监督训练，直到将由产生模型针对对及新对中的图像确定的特征映射到与对及新对中的图像中的像素相关联的标签。以此方式，可在发现、合成或仿真新缺陷时用新对更新训练数据集，且可使用更新的训练数据集重新训练产生模型。除来自消除对于参考图像获取的需求的时间节省以外，算法开发的时间、努力及成本也因本文中描述的深度学习方法的自学性质(例如，使用产生模型)而较低。
本文中描述的实施例具有优于用于检测样本上的缺陷的其它方法的若干优点。例如，与先前使用的方法及系统相比，本文中描述的实施例基本上稳健。在一个此实例中，在本文中描述的实施例中，无需提前设计手工制作特征。自动学习的特征对于手头的任务是最佳的。在另一此实例中，通过本文中描述的实施例自动学习对数据中的自然变动的稳健性。在额外实例中，本文中描述的实施例具有用于配方改进的相对较短循环。在又一此实例中，自动处理例如标称程序变动(例如，LER)的问题，假定此数据存在于训练集合中。
本文中描述的实施例有利地也为可概括的。例如，相同神经网络方法可用于许多不同应用(例如，SID、ADC、裸片对数据库等)。另外，本文中描述的实施例有利地是可扩展的。例如，本文中描述的实施例的性能用更多数据改进，且实施例可大规模并行化。特定地说，此方法可解决的问题的数目大于当前使用的方法及系统。在一个此实例中，相同方法可扩展到用相同方法论通过仅新增正确训练数据而检测并分类样本上的全部缺陷类型(程序或图案)。
本文中描述的实施例的又一优点是其可利用现有方法自启动。例如，可利用例如本文中进一步描述的现有缺陷检测算法自启动训练程序。另外，相对较缓慢仿真方法(例如，马可夫链(Markov Chain))可用于本文中描述的仿真(例如，建立缺陷类型的实例)。
上文描述的各系统的各实施例可一起组合成一个单一实施例。
另一实施例涉及一种用于检测样本上的缺陷的计算机实施方法。所述方法包含将通过成像子系统针对样本的部分产生的单一测试图像分离成多个像素块，此可如本文中进一步描述般执行。成像子系统可如本文中进一步描述般配置。所述方法也包含针对多个像素块中的至少一者而基于仅所述多个块中的所述至少一者中的像素确定所述多个块中的所述至少一者的特征。可如本文中进一步描述般执行确定特征。通过包含在由一或多个计算机子系统实行的一或多个组件中的产生模型执行分离及确定步骤。
产生模型、一或多个组件及一或多个计算机子系统可如本文中描述般进一步配置。例如，产生模型包含经配置以将输入特征映射集的像素块映射到标签中的非线性网络，且标签指示块的一或多个缺陷相关特性。
另外，方法包含基于经确定特征及输入特征映射集的像素块到标签中的映射而针对多个块中的至少一者选择标签中的一者。可根据本文中描述的任何实施例执行针对块选择标签。方法进一步包含基于多个块中的至少一者的选定标签来检测样本的部分中的缺陷，此可根据本文中描述的任何实施例执行。通过一或多个计算机子系统执行检测。
可如本文中进一步描述般执行方法的步骤中的每一者。方法也可包含可由本文中描述的系统、计算机子系统及/或成像系统或子系统执行的任何其它步骤。另外，可通过本文中描述的任何系统实施例执行上文描述的方法。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于检测样本上的缺陷的计算机实施方法。图4中展示一个此实施例。特定地说，如图4中展示，非暂时性计算机可读媒体400包含可在计算机系统404上执行的程序指令402。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程序指令402可存储在计算机可读媒体400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(包含基于程序的技术、基于组件的技术及/或面向对象技术等)中的任一者实施程序指令。例如，可任选地使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(串流SIMD延伸)或其它技术或方法论实施程序指令。
计算机系统404可根据本文中描述的实施例配置中的任一者。
鉴于此描述，所属领域技术人员将了解本发明的各种方面的进一步修改及替代实施例。例如，提供用于检测样本上的缺陷的方法及系统。因此，此描述应理解为仅是阐释性的且是用于教示所属领域技术人员实行本发明的一般方式的目的。应了解，在本文中展示且描述的本发明的形式应视为目前优选实施例。在受益于本发明的此描述之后，如所属领域技术人员将了解，元件及材料可取代本文中说明且描述的元件及材料，可颠倒部分及程序，且可独立利用本发明的某些特征。可对本文中描述的元件进行改变而不背离如以下权利要求书中描述的本发明的精神及范围。

Claims (36)

1.一种经配置以检测样本上的缺陷的系统，其包括：
成像子系统，其经配置以产生样本的图像，其中所述成像子系统包括经配置以将能量引导到所述样本的至少能量源及经配置以检测来自所述样本的能量的至少检测器；
一或多个计算机子系统，其耦合到所述成像子系统，其中所述一或多个计算机子系统经配置以获取由所述成像子系统产生的所述样本的部分的单一测试图像；及一或多个组件，其由所述一或多个计算机子系统执行，其中所述一或多个组件包括：
产生模型，其中所述产生模型包括经配置以将输入特征映射集的像素块映射到标签中的非线性网络，且其中所述标签指示所述块的一或多个缺陷相关特性；
其中所述一或多个计算机子系统进一步经配置以将所述单一测试图像输入到所述产生模型中；
其中所述产生模型经配置以：
将所述单一测试图像分离成多个像素块；
针对所述多个像素块中的至少一者，基于仅所述多个块中的所述至少一者中的像素确定所述多个块中的所述至少一者的特征；及
基于所述经确定特征及所述输入特征映射集的所述像素的所述块到所述标签中的所述映射而针对所述多个块中的所述至少一者选择所述标签中的一者；
且
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多个块中的所述至少一者的所述选定标签来检测所述样本的所述部分中的缺陷。
2.根据权利要求1所述的系统，其中所述产生模型是深度产生模型。
3.根据权利要求1所述的系统，其中所述产生模型是机器学习模型。
4.根据权利要求1所述的系统，其中所述产生模型是卷积神经网络。
5.根据权利要求1所述的系统，其中检测所述缺陷不包括将所述单一测试图像对准到任何其它图像。
6.根据权利要求1所述的系统，其中检测所述缺陷不包括比较所述单一测试图像与任何其它图像。
7.根据权利要求1所述的系统，其中检测所述缺陷不包括基于统计的缺陷检测。
8.根据权利要求1所述的系统，其中所述标签指示所述输入特征映射集中的输入特征是与缺陷相关联还是不与缺陷相关联。
9.根据权利要求1所述的系统，其中所述标签指示所述输入特征映射集中的输入特征所相关联的缺陷类型。
10.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多个块中的所述至少一者的所述选定标签确定所述样本的所述部分中的所述缺陷的类型。
11.根据权利要求1所述的系统，其中针对所述多个块中的所述至少一者选择所述标签中的一者包括针对所述多个块的组合选择所述标签中的仅一者。
12.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产生用于训练所述产生模型的训练数据集，且其中所述训练数据集包括所述样本的设计信息的部分与针对所述设计信息的所述部分产生的图像的对的集合。
13.根据权利要求12所述的系统，其中针对在所述样本或另一样本上检测到的缺陷产生所述集合中的所述对中的至少一者。
14.根据权利要求12所述的系统，其中针对合成缺陷产生所述集合中的所述对中的至少一者。
15.根据权利要求12所述的系统，其中针对仿真缺陷产生所述集合中的所述对中的至少一者。
16.根据权利要求12所述的系统，其中针对通过工艺窗口认证检测到的缺陷产生所述集合中的所述对中的至少一者。
17.根据权利要求12所述的系统，其中所述设计信息包括设计数据。
18.根据权利要求12所述的系统，其中所述设计信息包括从设计数据产生的仿真图像。
19.根据权利要求12所述的系统，其中所述对中的所述图像中的至少一者包括由所述成像子系统产生的所述样本或另一样本的实际图像。
20.根据权利要求12所述的系统，其中所述对中的所述图像中的至少一者包括基于以下各项产生的合成图像：1)所述至少一个图像的所述设计信息，及2)由所述成像子系统针对其它样本产生的其它图像。
21.根据权利要求12所述的系统，其中所述对中的所述图像中的至少一者包括基于以下各项产生的仿真图像：1)所述至少一个图像的所述设计信息，及2)所述成像子系统的一或多个特性。
22.根据权利要求12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检测所述集合中的所述对中的所述图像中的其它缺陷，且使标签与所述图像中对应于所述检测所述其它缺陷的结果的像素相关联。
23.根据权利要求22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通过累进地修改所述产生模型的参数而执行所述产生模型的监督训练，直到将由所述产生模型针对所述对中的所述图像确定的特征映射到与所述图像中的所述像素相关联的所述标签。
24.根据权利要求23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通过将新对新增到所述集合而修改所述训练数据集；检测所述新对中的图像中的一或多个额外缺陷；使一或多个额外标签与所述图像中对应于所述检测所述一或多个额外缺陷的结果的像素相关联；且通过累进地修改所述参数而重新执行所述监督训练，直到将由所述产生模型针对所述对及所述新对中的所述图像确定的所述特征映射到与所述对及所述新对中的所述图像中的所述像素相关联的所述标签。
25.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产生所述单一测试图像的多个视角，且其中由所述一或多个计算机子系统输入到所述产生模型中的所述单一测试图像包括所述单一测试图像的所述多个视角。
26.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结合所述样本的设计信息而基于所述选定标签来检测所述缺陷。
27.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选定标签且在无所述样本的设计信息的情况下检测所述缺陷。
28.根据权利要求1所述的系统，其中所述成像子系统是基于电子束的成像子系统。
29.根据权利要求1所述的系统，其中所述成像子系统是基于光学的成像子系统。
30.根据权利要求1所述的系统，其中所述成像子系统是检验子系统。
31.根据权利要求1所述的系统，其中所述成像子系统是缺陷再检查子系统。
32.根据权利要求1所述的系统，其中所述成像子系统是计量子系统。
33.根据权利要求1所述的系统，其中所述样本是晶片。
34.根据权利要求1所述的系统，其中所述样本是光罩。
35.一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检测样本上的缺陷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：
将由成像子系统针对样本的部分产生的单一测试图像分离成多个像素块；
针对所述多个像素块中的至少一者，基于仅所述多个块中的所述至少一者中的像素确定所述多个块中的所述至少一者的特征，其中通过包含在由一或多个计算机子系统执行的一或多个组件中的产生模型执行所述分离及所述确定，其中所述产生模型包括经配置以将输入特征映射集的像素块映射到标签中的非线性网络，且其中所述标签指示所述块的一或多个缺陷相关特性；
基于所述经确定特征及所述输入特征映射集的所述像素的所述块到所述标签中的所述映射而针对所述多个块中的所述至少一者选择所述标签中的一者；及
基于所述多个块中的所述至少一者的所述选定标签来检测所述样本的所述部分中的缺陷，其中通过所述一或多个计算机子系统执行所述检测。
36.一种用于检测样本上的缺陷的计算机实施方法，其包括：
将由成像子系统针对样本的部分产生的单一测试图像分离成多个像素块；
针对所述多个像素块中的至少一者，基于仅所述多个块中的所述至少一者中的像素确定所述多个块中的所述至少一者的特征，其中通过包含在由一或多个计算机子系统执行的一或多个组件中的产生模型执行所述分离及所述确定，其中所述产生模型包括经配置以将输入特征映射集的像素块映射到标签中的非线性网络，且其中所述标签指示所述块的一或多个缺陷相关特性；
基于所述经确定特征及所述输入特征映射集的所述像素的所述块到所述标签中的所述映射而针对所述多个块中的所述至少一者选择所述标签中的一者；及
基于所述多个块中的所述至少一者的所述选定标签来检测所述样本的所述部分中的缺陷，其中通过所述一或多个计算机子系统执行所述检测。
CN201680065635.7A 2015-11-17 2016-11-17 单一图像检测 Active CN108291878B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562256601P 2015-11-17 2015-11-17
US62/256,601 2015-11-17
US15/353,210 2016-11-16
US15/353,210 US10186026B2 (en) 2015-11-17 2016-11-16 Single image detection
PCT/US2016/062490 WO2017087646A1 (en) 2015-11-17 2016-11-17 Single image detection

Publications (2)

Publication Number Publication Date
CN108291878A CN108291878A (zh) 2018-07-17
CN108291878B true CN108291878B (zh) 2020-05-19

Family

ID=58690153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680065635.7A Active CN108291878B (zh) 2015-11-17 2016-11-17 单一图像检测

Country Status (8)

Country Link
US (1) US10186026B2 (zh)
JP (1) JP6758397B2 (zh)
KR (1) KR102416972B1 (zh)
CN (1) CN108291878B (zh)
IL (1) IL258803B (zh)
SG (1) SG11201803666WA (zh)
TW (1) TWI722050B (zh)
WO (1) WO2017087646A1 (zh)

Families Citing this family (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US9915625B2 (en) 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
JP2017191501A (ja) * 2016-04-14 2017-10-19 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US9953236B1 (en) * 2017-03-10 2018-04-24 TuSimple System and method for semantic segmentation using dense upsampling convolution (DUC)
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US11237872B2 (en) 2017-05-23 2022-02-01 Kla-Tencor Corporation Semiconductor inspection and metrology systems for distributing job among the CPUs or GPUs based on logical image processing boundaries
EP3659065A4 (en) * 2017-07-28 2020-08-19 Siemens Healthcare Diagnostics Inc. DEEP LEARNING VOLUME QUANTIFICATION METHODS AND APPARATUS
US10699926B2 (en) 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
US10713534B2 (en) 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US10607119B2 (en) 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
JP2019056975A (ja) * 2017-09-19 2019-04-11 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法
JP7004145B2 (ja) * 2017-11-15 2022-01-21 オムロン株式会社 欠陥検査装置、欠陥検査方法、及びそのプログラム
EP3489892B1 (en) * 2017-11-24 2022-01-05 Ficosa Adas, S.L.U. Determining clean or dirty captured images
US10656518B2 (en) 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
CN108074231B (zh) * 2017-12-18 2020-04-21 浙江工业大学 一种基于卷积神经网络的磁片表面缺陷检测方法
TWI653605B (zh) * 2017-12-25 2019-03-11 由田新技股份有限公司 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統
US10832092B2 (en) 2018-02-07 2020-11-10 Applied Materials Israel Ltd. Method of generating a training set usable for examination of a semiconductor specimen and system thereof
US10677742B2 (en) * 2018-03-09 2020-06-09 Kla-Tencor Corp. Detecting die repeating programmed defects located in backgrounds with non-repeating features
US10679333B2 (en) * 2018-03-14 2020-06-09 Kla-Tencor Corporation Defect detection, classification, and process window control using scanning electron microscope metrology
US10789703B2 (en) * 2018-03-19 2020-09-29 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
US11170255B2 (en) 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
WO2019195971A1 (zh) * 2018-04-09 2019-10-17 深圳达闼科技控股有限公司 光谱分析方法、装置、电子设备及计算机可读存储介质
WO2019216303A1 (ja) * 2018-05-09 2019-11-14 レーザーテック株式会社 検査装置、検査方法、学習方法、及びプログラム
DE102018207882A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells
DE102018207880A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
US10697900B2 (en) * 2018-06-19 2020-06-30 Kla-Tencor Corporation Correlating SEM and optical images for wafer noise nuisance identification
US10796065B2 (en) * 2018-06-21 2020-10-06 Kla-Tencor Corporation Hybrid design layout to identify optical proximity correction-related systematic defects
JP7129669B2 (ja) * 2018-07-20 2022-09-02 株式会社エヌテック ラベル付き画像データ作成方法、検査方法、プログラム、ラベル付き画像データ作成装置及び検査装置
US10846845B2 (en) 2018-07-25 2020-11-24 Fei Company Training an artificial neural network using simulated specimen images
CN108624880B (zh) * 2018-08-10 2019-08-06 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN110879105B (zh) * 2018-09-05 2022-03-01 阿里巴巴集团控股有限公司 量子比特检测系统及检测方法
CN109389156B (zh) * 2018-09-11 2022-05-03 深圳大学 一种图像定位模型的训练方法、装置及图像定位方法
CN110969175B (zh) 2018-09-29 2022-04-12 长鑫存储技术有限公司 晶圆处理方法及装置、存储介质和电子设备
US10545096B1 (en) * 2018-10-11 2020-01-28 Nanotronics Imaging, Inc. Marco inspection systems, apparatus and methods
JP7059889B2 (ja) * 2018-10-15 2022-04-26 オムロン株式会社 学習装置、画像生成装置、学習方法、及び学習プログラム
JP7353032B2 (ja) * 2018-11-15 2023-09-29 株式会社Preferred Networks データ生成装置、データ生成方法及びプログラム
US10672588B1 (en) * 2018-11-15 2020-06-02 Kla-Tencor Corporation Using deep learning based defect detection and classification schemes for pixel level image quantification
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
US11170475B2 (en) * 2019-01-10 2021-11-09 Kla Corporation Image noise reduction using stacked denoising auto-encoder
US10853932B2 (en) 2019-01-16 2020-12-01 Applied Material Israel, Ltd. Method of defect detection on a specimen and system thereof
US10922808B2 (en) * 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment
EP3931577A4 (en) * 2019-03-01 2022-11-16 The University of Melbourne AUTOMATIC DETERMINATION OF POSITIONS OF DONOR ATOMS
WO2020199207A1 (zh) * 2019-04-04 2020-10-08 合刃科技（深圳）有限公司 表面缺陷光学检测方法及相关装置
US11551348B2 (en) 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
KR102230559B1 (ko) * 2019-04-25 2021-03-22 에스케이텔레콤 주식회사 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
KR102342495B1 (ko) * 2019-04-25 2021-12-22 에스케이텔레콤 주식회사 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
US11615533B2 (en) * 2019-07-12 2023-03-28 Bruker Nano, Inc. Methods and systems for product failure prediction based on X-ray image re-examination
US10915992B1 (en) 2019-08-07 2021-02-09 Nanotronics Imaging, Inc. System, method and apparatus for macroscopic inspection of reflective specimens
US11593919B2 (en) 2019-08-07 2023-02-28 Nanotronics Imaging, Inc. System, method and apparatus for macroscopic inspection of reflective specimens
WO2021061135A1 (en) * 2019-09-26 2021-04-01 Hewlett-Packard Development Company, L.P. Labeling pixels having defects
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
IT201900019070A1 (it) * 2019-10-16 2021-04-16 Sacmi Metodo di elaborazione di un’immagine di un oggetto
US11087449B2 (en) 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
US11961219B2 (en) * 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
CN111428374A (zh) * 2020-03-30 2020-07-17 苏州惟信易量智能科技有限公司 零件缺陷检测方法、装置、设备及存储介质
CN111693534B (zh) * 2020-06-12 2023-09-15 北京百度网讯科技有限公司 表面缺陷的检测方法、模型训练方法、装置、设备和介质
CN113358594B (zh) * 2020-06-30 2023-07-28 北京领主科技有限公司 基于光谱检测的物质成分分析系统、方法、装置及介质
US11776108B2 (en) 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
US11748872B2 (en) 2020-08-31 2023-09-05 KLA Corp. Setting up inspection of a specimen
EP4001902A1 (en) * 2020-11-23 2022-05-25 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method and system for simulating an optical image of a photonic and/or electronic device
US12019032B2 (en) 2020-12-07 2024-06-25 Nanya Technology Corporation Electronic system and method of specimen qualification
AU2021401816A1 (en) * 2020-12-18 2023-06-22 Strong Force Vcn Portfolio 2019, Llc Robot fleet management and additive manufacturing for value chain networks
US20230068167A1 (en) * 2021-08-26 2023-03-02 Xerox Corporation Optimized printing defect compensation using automatic job image repositioning
US11828713B1 (en) 2022-06-30 2023-11-28 Camtek Ltd Semiconductor inspection tool system and method for wafer edge inspection
CN115222739B (zh) * 2022-09-20 2022-12-02 成都数之联科技股份有限公司 缺陷标注方法、装置、存储介质、设备及计算机程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0720063A (ja) * 1993-06-16 1995-01-24 Kawasaki Steel Corp 信号変化点検出方法および傷検出方法
CN103743486A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于海量烟叶数据的自动定级系统和方法
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法
JP2015175706A (ja) * 2014-03-14 2015-10-05 オムロン株式会社 検査装置、検査方法、プログラムおよびその記録媒体

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05280960A (ja) * 1992-03-30 1993-10-29 Fuji Photo Film Co Ltd 欠陥検査装置
JP2001274209A (ja) 2000-03-28 2001-10-05 Toshiba Corp 半導体検査装置、半導体欠陥解析装置、半導体設計データ修正装置、半導体検査方法、半導体欠陥解析方法、半導体設計データ修正方法およびコンピュータ読み取り可能な記録媒体
US6891627B1 (en) 2000-09-20 2005-05-10 Kla-Tencor Technologies Corp. Methods and systems for determining a critical dimension and overlay of a specimen
US6691052B1 (en) * 2002-01-30 2004-02-10 Kla-Tencor Corporation Apparatus and methods for generating an inspection reference pattern
JP2003243470A (ja) * 2002-02-18 2003-08-29 Mitsubishi Electric Corp 異常検出システム、プログラムおよび記録媒体
JP2004012422A (ja) 2002-06-11 2004-01-15 Dainippon Screen Mfg Co Ltd パターン検査装置、パターン検査方法およびプログラム
US6902855B2 (en) 2002-07-15 2005-06-07 Kla-Tencor Technologies Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
KR100979484B1 (ko) 2002-07-15 2010-09-02 케이엘에이-텐코 코포레이션 다른 리소그래픽 과정 변수들을 위한 레티클의 가상 이미지를 얻는 것을 포함하는 결점 조사 방법
US7769225B2 (en) 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
KR101195226B1 (ko) * 2005-12-29 2012-10-29 삼성전자주식회사 반도체 웨이퍼 분석 시스템
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
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
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
JP2010139317A (ja) * 2008-12-10 2010-06-24 Mitsubishi Materials Corp 軸物工具表面の欠陥検査方法および装置
US8175373B2 (en) 2009-02-16 2012-05-08 Kla-Tencor Corporation Use of design information and defect image information in defect classification
JP2012026982A (ja) * 2010-07-27 2012-02-09 Panasonic Electric Works Sunx Co Ltd 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
US8855400B2 (en) * 2012-03-08 2014-10-07 Kla-Tencor Corporation Detection of thin lines for selective sensitivity during reticle inspection using processed images
US9916653B2 (en) 2012-06-27 2018-03-13 Kla-Tenor Corporation Detection of defects embedded in noise for inspection in semiconductor manufacturing
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
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9183624B2 (en) * 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
JP6646659B2 (ja) * 2014-06-14 2020-02-14 マジック リープ， インコーポレイテッドＭａｇｉｃ Ｌｅａｐ，Ｉｎｃ． 仮想および拡張現実を作成する方法およびシステム
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
WO2017027748A1 (en) * 2015-08-12 2017-02-16 Kla-Tencor Corporation Determining a position of a defect in an electron beam image
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
TWI581213B (zh) * 2015-12-28 2017-05-01 力晶科技股份有限公司 物品缺陷檢測方法、影像處理系統與電腦可讀取記錄媒體
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0720063A (ja) * 1993-06-16 1995-01-24 Kawasaki Steel Corp 信号変化点検出方法および傷検出方法
CN103743486A (zh) * 2014-01-02 2014-04-23 上海大学 一种基于海量烟叶数据的自动定级系统和方法
JP2015175706A (ja) * 2014-03-14 2015-10-05 オムロン株式会社 検査装置、検査方法、プログラムおよびその記録媒体
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN104850858A (zh) * 2015-05-15 2015-08-19 华中科技大学 一种注塑制品缺陷检测识别方法

Also Published As

Publication number Publication date
KR102416972B1 (ko) 2022-07-04
CN108291878A (zh) 2018-07-17
US10186026B2 (en) 2019-01-22
KR20180071405A (ko) 2018-06-27
SG11201803666WA (en) 2018-06-28
JP2018533748A (ja) 2018-11-15
TWI722050B (zh) 2021-03-21
US20170140524A1 (en) 2017-05-18
IL258803A (en) 2018-06-28
JP6758397B2 (ja) 2020-09-23
WO2017087646A1 (en) 2017-05-26
TW201728897A (zh) 2017-08-16
IL258803B (en) 2021-03-25

Similar Documents

Publication Publication Date Title
CN108291878B (zh) 单一图像检测
KR102321953B1 (ko) 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식
TWI773888B (zh) 訓練用於低解析度影像中之缺陷偵測之神經網路
TWI735774B (zh) 基於輪廓之缺陷偵測
KR102460050B1 (ko) 하이브리드 검사기
KR102336469B1 (ko) 결함 검출 및 분류를 위한 통합된 뉴럴 네트워크
TWI734724B (zh) 針對半導體應用由低解析度影像產生高解析度影像之系統、方法及非暫時性電腦可讀媒體
CN108431937B (zh) 光学裸片对数据库检查
EP3465174B1 (en) Generating simulated images from input images for semiconductor applications
TWI812856B (zh) 用於缺陷偵測之系統及電腦實施方法，非暫時性電腦可讀媒體，及用於產生參考影像之系統
JP2019537839A (ja) 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法
KR20180090385A (ko) 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝
KR20230048110A (ko) 딥 러닝 기반 결함 검출
CN117015850B (zh) 以经呈现设计图像进行的设计注意区域的分段
KR20230164667A (ko) 반도체 기반 애플리케이션을 위한 시맨틱 이미지 분할
CN117561539A (zh) 用于基于半导体应用的无监督或自我监督的深度学习
CN116802676A (zh) 用于使用芯片设计数据以改进光学检验及计量图像质量的方法

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