CN108351600A - 从设计信息产生模拟图像 - Google Patents

从设计信息产生模拟图像 Download PDF

Info

Publication number
CN108351600A
CN108351600A CN201680065641.2A CN201680065641A CN108351600A CN 108351600 A CN108351600 A CN 108351600A CN 201680065641 A CN201680065641 A CN 201680065641A CN 108351600 A CN108351600 A CN 108351600A
Authority
CN
China
Prior art keywords
distribution
sample
design information
training
feature
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.)
Granted
Application number
CN201680065641.2A
Other languages
English (en)
Other versions
CN108351600B (zh
Inventor
张晶
K·巴哈斯卡尔
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 CN108351600A publication Critical patent/CN108351600A/zh
Application granted granted Critical
Publication of CN108351600B publication Critical patent/CN108351600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/76—Patterning of masks by imaging
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70691—Handling of masks or workpieces
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
    • H01L21/0271—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers
    • H01L21/0273—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34 comprising organic layers characterised by the treatment of photoresist layers
    • H01L21/0274—Photolithographic processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/20084—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明提供用于从设计信息产生模拟图像的方法及系统。一种系统包含一或多个计算机子系统及由所述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生成模型。所述生成模型包含两个或两个以上编码器层，其经配置以确定用于样本的设计信息的特征。所述生成模型还包含两个或两个以上解码器层，其经配置以从所述经确定特征产生一或多个模拟图像。所述模拟图像说明形成于所述样本上的所述设计信息如何出现在由成像系统产生的所述样本的一或多个实际图像中。

Description

从设计信息产生模拟图像
技术领域
本发明大体上涉及用于从设计信息产生模拟图像的方法及系统。
背景技术
以下描述及实例不凭借其包含在此章节中而认为是现有技术。
制造例如逻辑及存储器装置的半导体装置通常包含使用较大数目个半导体制造过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。举例来说，光刻是涉及将图案从分划板转印到布置于半导体晶片上的抗蚀剂的半导体制造过程。半导体制造过程的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可制造于单个半导体晶片上的布置中且接着分离为个别半导体装置。
随着设计规则缩小，形成于例如分划板及晶片的样本上的设计(即使在使用最佳执行过程形成时)可看起来十分不同于实际设计。举例来说，归因于在物理样本上形成设计所涉及的物理过程的固有限制，即使在样本上已形成设计的最佳可能版本时，形成于物理样本上的设计中的特征通常仍具有略不同于设计的特性(例如不同形状(例如，归因于拐角圆化及其它近接效应))且可具有略不同尺寸(例如，归因于近接效应)。
有时，无法知道设计将如何出现在样本上及由例如检验工具、缺陷检视工具、计量工具及类似物的工具产生的样本图像(其上已形成设计信息)中。然而，出于数种原因，通常期望知道设计将如何出现在样本上及由此类工具产生的图像中。一个原因是确保设计将以可接受方式形成于样本上。另一原因是提供用于设计的参考，其说明希望如何将设计形成于样本上，其可用于针对样本执行的一或多个功能。举例来说，一般来说，缺陷检测需要参考，使得形成于样本上的设计与参考之间的任何差异可经检测及识别为缺陷或潜在缺陷。
因此，已进行许多工作以开发可模拟设计将如何形成于样本上及将如何出现在样本图像中的各种方法及系统。存在用于产生此类模拟图像的若干当前使用方法。举例来说，一个当前使用方法是顺向电磁(EM)模型化。在此方法中，使用用于样本的设计信息(例如计算机辅助设计(CAD))及材料信息作为输入，且所述方法模拟光与材料之间的物理相互作用且产生近场或远场图像。当前使用方法的另一实例是基于规则的近似法。考虑到一些实践约束，此方法手工形成近似从CAD到所观察图像的变换的规则集合。
然而，用于产生模拟图像的当前使用方法存在若干缺点。举例来说，顺向EM模拟极度计算密集，从而使在实际生产中使用变得不可行，例如，对于生产使用案例，使用顺向EM模拟无法足够快地产生模拟图像。对于掩模检验、晶片检验及晶片计量应用来说，情况同样如此。另外，顺向EM模拟无法模拟由电子束及光学图像捕获的CMP及蚀刻效应。在另一实例中，基于规则的近似法往往会产生十分复杂规则的较大集合，从而变得大体上不适用且引起现实中的不良预测。
因此，开发不具有上文描述的缺点中的一或多者的用于从设计信息产生模拟图像的系统及方法将是有利的。
发明内容
各种实施例的下列描述绝不应解释为限制所附权利要求书的主题。
一个实施例涉及一种经配置以从设计信息产生模拟图像的系统。所述系统包含一或多个计算机子系统及由所述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生成模型。所述生成模型包含两个或两个以上编码器层，其经配置以确定用于样本的设计信息的特征。所述生成模型还包含两个或两个以上解码器层，其经配置以从所述经确定特征产生一或多个模拟图像。所述一或多个模拟图像说明形成于所述样本上的所述设计信息如何出现在由成像系统产生的所述样本的一或多个实际图像中。可如本文中描述那样进一步配置所述系统。
额外实施例涉及另一种经配置以从设计信息产生图像的系统。如上文描述那样配置此系统。此系统还包含成像子系统，所述成像子系统经配置以产生所述样本的所述一或多个实际图像。在此实施例中，所述计算机子系统经配置以获取所述一或多个实际图像及所述一或多个模拟图像且基于所述一或多个实际图像及所述一或多个模拟图像而针对所述样本执行一或多个功能。
另一实施例涉及一种用于从设计信息产生模拟图像的计算机实施方法。所述方法包含通过将用于样本的设计信息输入到生成模型的两个或两个以上编码器层而确定所述设计信息的特征。所述方法还包含通过将所述经确定特征输入到所述生成模型的两个或两个以上解码器层而产生一或多个模拟图像。所述一或多个模拟图像说明形成于所述样本上的所述设计信息如何出现在由成像系统产生的所述样本的一或多个实际图像中。使用一或多个计算机系统执行所述确定及产生步骤。
可如本文中进一步描述得那样进一步执行上文描述的方法的步骤中的每一者。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。此外，可由本文中描述的所述系统中的任一者执行上文描述的方法。
另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以用于执行用于从设计信息产生模拟图像的计算机实施方法的程序指令。所述计算机实施方法包含上文描述的方法的步骤。可如本文中描述得那样进一步配置所述计算机可读媒体。可如本文中进一步描述得那样执行所述计算机实施方法的步骤。另外，所述计算机实施方法(可针对其执行所述程序指令)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
得益于优选实施例的以下详细描述且在参考附图之后，所属领域的技术人员将明白本发明的另外优点，其中：
图1及1a是说明如本文中描述得那样配置的系统的实施例的侧视图的示意图；
图2是说明可包含于本文中描述的实施例中的生成模型的一个实施例的示意图；
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；
图4是说明可由本文中描述的实施例执行的预训练阶段中的生成模型的实施例的示意图；
图5到6是说明可包含于本文中描述的实施例中的生成模型的实施例的示意图；及
图7是说明存储用于使计算机系统执行本文中描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
虽然本发明易具有各种修改及替代形式，但在图式中通过实例展示且在本文中详细描述本发明的特定实施例。图式可不按比例绘制。然而，应理解，图式及其详细描述并不希望将本发明限于所揭示的特定形式，而是相反地，意图是涵盖落于如由所附权利要求书界定的本发明的精神及范围内的所有修改、等效物及替代。
具体实施方式
如在本文中可交换地使用的术语“设计”、“设计数据”及“设计信息”大体上是指IC的物理设计(布局)及通过复杂模拟或简单几何及布尔(Boolean)运算从所述物理设计导出的数据。另外，由分划板检验系统获取的分划板的图像及/或其导出物可用作用于设计的“代理”或“若干代理”。此分划板图像或其导出物可在使用设计的在本文中描述的任何实施例中充当设计布局的取代物。设计可包含2009年8月4日颁予扎法尔(Zafar)等人的共同拥有的第7,570,796号美国专利及2010年3月9日颁予库尔卡尼(Kulkarni)等人的共同拥有的第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，所述两个专利以宛如全文陈述的引用方式并入本文中。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、设计数据的导出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”是指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分划板及晶片的任何物理样本上之前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。特定来说，在很大程度上放大图的一些元件的尺度以强调元件的特性。还应注意，所述图未按相同比例绘制。已使用相同元件符号指示可经类似配置的展示于一个以上图中的元件。除非本文中另有说明，否则所描述且展示的任何元件可包含任何适合的市售元件。
本文中描述的一些实施例包含深度生成模型以真实演现用于例如半导体检验及计量的应用的计算机辅助设计(CAD)。另外，本文中描述的实施例可提供用于从例如电子束及光学工具的工具的相关联CAD产生逼真图像的计算机高效方法。举例来说，一个实施例涉及一种经配置以从设计信息产生模拟图像的系统。一或多个模拟图像说明形成于样本上的设计信息如何出现在由成像系统(或成像子系统)产生的样本的一或多个实际图像中。
在图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，成像系统经配置以在从样本检测能量时使能量扫描遍及样本的物理版本以借此产生样本图像。成像系统还可经配置以使用多个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，样本是分划板。分划板可包含所属领域中已知的任何分划板。
在一个实施例中，成像系统是基于光学的成像系统。举例来说，扫描遍及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。举例来说，如在图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将光按一或多个入射角引导到样本，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。举例来说，如在图1中展示，来自光源16的光按倾斜入射角经引导穿过光学元件18，且接着穿过透镜20到样本14。倾斜入射角可包含任何合适倾斜入射角，其可取决于(例如)样本的特性而变化。
成像子系统可经配置以在不同时间按不同入射角将光引导到样本。举例来说，成像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，使得光可按不同于在图1中展示的入射角的入射角引导到样本。在一个此实例中，成像系统可经配置以移动光源16、光学元件18及透镜20，使得光按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，成像系统可经配置以在相同时间按一个以上入射角将光引导到样本。举例来说，照明子系统可包含一个以上照明通道，照明通道中的一者可包含光源16、光学元件18及透镜20(如在图1中展示)且照明通道的另一者(未展示)可包含类似元件(其可经不同或相同配置)或可包含至少一个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。如果在与其它光相同的时间将此光引导到样本，那么按不同入射角引导到样本的光的一或多个特性(例如，波长、偏光等等)可为不同的，使得可在检测器处将源自按不同入射角照明样本的光彼此区分。
在另一例子中，照明子系统可包含仅一个光源(例如，在图1中展示的源16)且可由照明子系统的一或多个光学元件(未展示)将来自光源的光分离到不同光学路径中(例如，基于波长、偏光等等)。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在相同时间或不同时间(例如，当使用不同照明通道以依序照明样本时)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。举例来说，在一些例子中，光学元件18可经配置为光谱滤光器且可以多种不同方式(例如，通过调换出光谱滤光器)改变光谱滤光器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依序或同时按不同或相同入射角将具有不同或相同特性的光引导到样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(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(例如激光器)。激光器可包含所属领域中已知的任何适合激光器且可经配置以产生任何适合波长或所属领域中已知的波长的光。另外，激光器可经配置以产生单色或近单色光。以此方式，激光器可为窄带激光器。光源还可包含产生多个离散波长或波带的光的多色光源。
可由透镜20将来自光学元件18的光聚焦到样本14上。尽管透镜20在图1中经展示为单个折射光学元件，但应理解，实际上，透镜20可包含组合地将来自光学元件的光聚焦到样本的数个折射及/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合适光学元件(未展示)。此类光学元件的实例包含(但不限于)偏光组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、束分离器、孔隙及类似物，其可包含所属领域中已知的任何此类合适光学元件。另外，成像系统可经配置以基于待用于成像的照明类型更改照明子系统的元件的一或多者。
成像系统还可包含经配置以引起光扫描遍及样本的扫描子系统。举例来说，成像系统可包含载物台22，在检验期间将样本14安置于载物台22上。扫描子系统可包含任何合适机械及/或机器组合件(其包含载物台22)，其可经配置以移动样本，使得光可扫描遍及样本。另外或替代性地，成像系统可经配置使得成像系统的一或多个光学元件在样本上方执行某种光扫描。光可以任何合适方式(例如以蛇形路径或以螺旋路径)扫描遍及样本。
成像系统进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，所述检测器经配置以归因于由系统照明样本而检测来自样本的光且响应于所检测光产生输出。举例来说，在图1中展示的成像系统包含两个检测通道：一个通道由集光器24、元件26及检测器28形成且另一个通道由集光器30、元件32及检测器34形成。如在图1中展示，两个检测通道经配置以按不同收集角度收集及检测光。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按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从样本检测另一类型的光(例如，反射光)。
如在图1中进一步展示，两个检测通道经展示定位于纸平面中且照明子系统也经展示定位于纸平面中。因此，在此实施例中，两个检测通道定位(例如，居中)于入射平面中。然而，检测通道中的一或多者可定位于入射平面外。举例来说，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及检测从入射平面散射的光。因此，此检测通道通常可称为“侧”通道，且此侧通道可在基本上垂直于入射平面的平面中居中。
尽管图1展示包含两个检测通道的成像系统的实施例，但成像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两个以上检测通道)。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，且成像系统可包含形成为定位于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，成像系统可包含检测通道，其包含集光器24、元件26及检测器28且在入射平面中居中且经配置以收集及检测成法向于或接近法向于样本表面的散射角的光。因此，此检测通道通常可称为“顶部”通道，且成像系统还可包含如上文描述得那样配置的两个或两个以上侧通道。因而，成像系统可包含至少三个通道(即，一个顶部通道及两个侧通道)，且至少三个通道中的每一者具有其自身的集光器，所述集光器中的每一者经配置以收集成不同于其它集光器中的每一者的散射角的光。
如上文进一步描述，包含于成像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，在图1中展示的成像系统可经配置以用于样本的暗场(DF)成像。然而，成像系统还可或替代性地包含经配置以用于样本的明场(BF)成像的检测通道。换句话来说，成像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，本文中描述的成像系统可经配置以用于仅DF成像、仅BF成像或DF及BF成像两者。尽管集光器中的每一者在图1中展示为单个折射光学元件，但应理解，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合适检测器。举例来说，检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、时延积分(TDI)相机及所属领域中已知的任何其它合适检测器。检测器还可包含非成像检测器或成像检测器。以此方式，如果检测器是非成像检测器，那么检测器中的每一者可经配置以检测散射光的某些特性(例如强度)但可不经配置以根据成像平面内的位置检测此类特性。因而，由包含于成像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。在此类例子中，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图像。然而，在其它例子中，检测器可经配置为成像检测器，其经配置以产生成像信号或图像数据。因此，成像系统可经配置以按数种方式产生本文中描述的图像。
应注意，在本文中提供图1以大体上说明可包含于本文中描述的系统实施例中或可产生由本文中描述的系统实施例使用的图像的成像系统或子系统的配置。显然，如通常在设计商业成像系统时执行，本文中描述的成像系统配置可经更改以优化成像系统的性能。另外，可使用现存系统(例如，通过添加本文中描述的功能性到现存系统)(例如商业上可从加利福尼亚的苗必达市(Milpitas,Calif)的KLA-Tencor购得的29xx/28xx系列工具)实施本文中描述的系统。对于一些此类系统，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)。替代性地，本文中描述的成像系统可“从头开始”设计以提供全新成像系统。
成像系统的计算机子系统36可以任何合适方式(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。计算机子系统36可经配置以使用检测器的输出执行本文中进一步描述的数个功能。
在图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呈各种形式，包含个人计算机系统、图像计算机、主机计算机系统、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”可经广泛定义以涵盖执行来自存储器媒体的指令的具有一或多个处理器的任何装置。计算机子系统或系统还可包含所属领域中已知的任何合适处理器，例如并行处理器。另外，计算机子系统或系统可包含作为独立或网络工具的具有高速处理及软件的计算机平台。
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，使得可在如本文中进一步描述的计算机子系统之间发送图像、数据、信息、指令等等。举例来说，计算机子系统36可由任何合适传输媒体耦合到计算机子系统102(如由图1中的虚线展示)，传输媒体可包含所属领域中已知的任何合适有线及/或无线传输媒体。也可由共享计算机可读存储媒体(未展示)有效地耦合此类计算机子系统中的两者或两者以上。
尽管成像系统在上文描述为光学或基于光的成像系统，但成像系统可为基于电子束的成像系统。在一个此实施例中，扫描遍及样本的能量包含电子，且从样本检测的能量包含电子。在图1a中展示的一个此实施例中，成像系统包含耦合到计算机子系统124的电子柱122。
如在图1a中还展示，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、束限制孔隙、闸阀、束电流选择孔隙、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类合适元件。
可由一或多个元件132将从样本返回的电子(例如，二次电子)聚焦到检测器134。一或多个元件132可包含(例如)扫描子系统，其可为包含于元件130中的相同扫描子系统。
电子柱可包含所属领域中已知的任何其它合适元件。另外，电子柱可如在以下专利中描述那样进一步配置：在2014年4月4日颁予蒋(Jiang)等人的第8,664,594号美国专利、在2014年4月8日颁予小岛(Kojima)等人的第8,692,204号美国专利、在2014年4月15日颁予固本(Gubbens)等人的第8,698,093号美国专利及在2014年5月6日颁予麦克唐纳(MacDonald)等人的第8,716,662号美国专利，所述案以宛如全文陈述的引用方式并入本文中。
尽管电子柱在图1a中展示为经配置使得按倾斜入射角将电子引导到样本且按另一倾斜角从样本散射电子，但应理解，可按任何合适角度将电子束引导到样本及从样本散射。另外，如本文中进一步描述，基于电子束的成像系统可经配置以使用多个模式产生样本图像(例如，具有不同照明角度、收集角度等等)。基于电子束的成像系统的多个模式可在成像系统的任何图像产生参数上不同。
计算机子系统124可如上文描述得那样耦合到检测器134。检测器可检测从样本的表面返回的电子，借此形成样本的电子束图像。电子束图像可包含任何合适电子束图像。计算机子系统124可经配置以使用由检测器134产生的输出针对样本执行在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。包含在图1a中展示的成像系统的系统可如本文中描述得那样进一步配置。
应注意，在本文中提供图1a以大体上说明可包含于本文中描述的实施例中的基于电子束的成像系统的配置。如同上文所描述的光学成像系统，本文中描述的基于电子束的成像系统配置可经更改以如在设计商用成像系统时通常所执行得那样优化成像系统的性能。另外，可使用现存系统(例如，通过将本文中描述的功能性添加到现存系统)实施本文中描述的系统，例如商业上可从KLA-Tencor购得的eSxxx及eDR-xxxx系列工具。对于一些此类系统，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，本文中描述的系统可“从头开始”设计以提供全新系统。
尽管成像子系统在上文描述为基于光或基于电子束的成像子系统，但成像子系统可为基于离子束的成像子系统。除可使用所属领域中已知的任何合适离子束源取代电子束源以外，可如在图2中展示得那样配置此成像子系统。另外，成像子系统可为任何其它合适基于离子束的成像子系统，例如包含于市售聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及二次离子质谱(SIMS)系统中的成像子系统。
如上文提及，成像子系统经配置以使能量扫描遍及样本的物理版本，借此产生样本的物理版本的实际图像。以此方式，成像系统可经配置为“实际”系统而非“虚拟”系统。举例来说，存储媒体(未展示)及在图1中展示的计算机子系统102可经配置为“虚拟”系统。特定来说，存储媒体及计算机子系统并非成像系统10的部分且不具有用于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于虚拟系统中的输出，且在“扫描”期间，虚拟系统可如同扫描样本那样播放所存储输出。以此方式，使用虚拟系统扫描样本可看似相同于使用实际系统扫描物理样本，而实际上，“扫描”涉及以相同于可扫描样本的方式播放针对样本的输出。在共同受让的以下专利中描述经配置为“虚拟”检验系统的系统及方法：于2012年2月28日颁予巴斯卡(Bhaskar)等人的第8,126,255号美国专利及于2014年8月28日颁予戴菲(Duffy)等人的第2014/0241610号美国专利申请公开案，所述案两者以宛如全文陈述的引用方式并入本文中。可如在此专利及专利申请案中描述得那样进一步配置本文中描述的实施例。举例来说，可如在此专利及专利申请案中描述得那样进一步配置本文中描述的一或多个计算机子系统。
如上文进一步提及，成像系统可经配置以使用多个模式产生样本的图像。一般来说，可由用于产生样本的图像的成像系统的参数值或用于产生样本的图像的输出定义“模式”。因此，不同模式在成像系统的成像参数中的至少一者的值上可不同。举例来说，在扫描遍及样本的能量及从样本检测的能量是光的一个实施例中，多个模式中的至少一者使用用于照明的光的至少一个波长，其不同于用于多个模式中的至少一个其它者的照明的光的至少一个波长。所述模式在用于不同模式的如本文中进一步描述的照明波长上可不同(例如，通过使用不同光源、不同光谱滤波器等等)。在另一实施例中，多个模式中的至少一者使用成像系统的照明通道，其不同于用于多个模式中的至少一个其它者的成像系统的照明通道。举例来说，如上文提及，成像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，成像系统是检验系统。举例来说，本文中描述的光学及电子束成像系统可经配置为检验系统。在另一实施例中，成像系统是缺陷检视系统。举例来说，本文中描述的光学及电子束成像系统可经配置为缺陷检视系统。在另一实施例中，成像系统是计量系统。举例来说，本文中描述的光学及电子束成像系统可经配置为计量系统。特定来说，可在一或多个参数上修改在本文中描述且在图1及1a中展示的成像系统的实施例以取决于其将使用的应用而提供不同成像能力。在一个此实例中，在图1中展示的成像系统可经配置以具有更高分辨率(如果其用于缺陷检视或计量而非用于检验的话)。换句话来说，在图1及1a中展示的成像系统的实施例描述用于可以所属领域的技术人员将明白的数种方式定制的成像系统的一些一般及各种配置以产生具有大致适合于不同应用的不同成像能力的成像系统。
检验系统、缺陷检视系统及计量系统还可经配置以用于例如晶片及分划板的样本的检验、缺陷检视及计量。举例来说，本文中描述的实施例可经配置以出于掩模检验、晶片检验及晶片计量的目的而针对扫描电子显微镜(SEM)及光学图像两者使用深度生成模型进行真实CAD演现。特定来说，本文中描述的实施例可安装于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系统(例如宽带等离子检验器、电子束检验器或缺陷检视工具、掩模检验器、虚拟检验器等等)的组件或耦合到成像系统。以此方式，本文中描述的实施例可产生可用于各种应用的模拟图像，包含(但不限于)晶片检验、掩模检验、电子束检验及检视、计量等等。可基于将针对其产生实际图像的样本如上文描述得那样修改在图1及1a中展示的成像系统的特性。
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，组件100)包含生成模型。“生成”模型可大体上经定义为本质上概率性的模型。换句话来说，“生成”模型并非执行顺向模拟或基于规则的方法的模型，且因而，产生实际图像(针对其产生模拟图像)所涉及的过程的物理学的模型并非必要。替代地，如本文中进一步描述，可基于合适训练数据集学习生成模型(其中可学习其参数)。如本文中进一步描述，此类生成模型具有用于本文中描述的实施例的数个优势。
生成模型包含两个或两个以上编码器层，其经配置以确定用于样本的设计信息的特征。在图2中展示生成模型的一个实施例。举例来说，如在图2中展示，生成模型可包含编码器层200、202及204(或编码器层1到3)。第一编码器层可接收输入X 206，其可为设计信息(例如CAD图像208)或本文中描述的其它设计信息的任一者。编码器层可经配置以从设计信息确定特征210。特征可包含所属领域中已知的可从输入推断且用于产生本文中进一步描述的输出的任何合适特征。举例来说，特征可包含每像素强度值的向量。特征还可包含本文中描述的任何其它类型的特征，例如，纯量值向量、独立分布向量、联合分布或所属领域中已知的任何其它合适特征类型。
生成模型还包含两个或两个以上解码器层，其经配置以从经确定特征产生一或多个模拟图像。举例来说，如在图2中展示，生成模型可包含解码器层212、214、216、218、220及222(或解码器层4到6及7到9)。解码器层可产生输出Y 224，其包含模拟图像226。一或多个模拟图像说明形成于样本上的设计信息如何出现在由成像系统(或成像子系统)产生的样本的一或多个实际图像中。举例来说，模拟图像说明设计信息在形成于样本上时将如何出现在由本文中描述的光学成像系统、电子束成像系统或其它类型的成像系统产生的光学图像、电子束图像或其它类型的图像中。
在一个实施例中，生成模型是深度生成模型。举例来说，生成模型可经配置以具有深度学习架构，其中生成模型可包含多个层，其执行数个算法或变换。生成模型的一个侧或两个侧上的层数可不同于在本文中描述的图式中展示的层数。举例来说，生成模型的编码器侧上的层数是使用案例相依的。另外，解码器侧上的层数是使用案例相依的且可取决于编码器侧上的层数(如果如本文中进一步描述解码器侧经配置为双遍次解码器或如果如本文中还进一步描述，解码器侧上的两个遍次经由通道尺寸组合为单个遍次，那么情况可为如此)。一般来说，生成模型的一个侧或两个侧上的层数并不显著且是使用案例相依的。出于实践目的，两个侧上的合适层范围是从2个层到几十个层。
在另一实施例中，两个或两个以上解码器层经配置以从经确定特征再生设计信息。以此方式，解码器再生设计信息且产生一或多个模拟图像。举例来说，生成模型的编码器部分推断被赋予表示X的特征。生成模型的解码器部分从所述特征产生(X,Y)的联合概率。举例来说，如在图2中展示，解码器层可产生输出X 228，其是再生设计信息，其在图2中展示的实施例中是CAD图像230。
在一个实施例中，两个或两个以上解码器层包含两个或两个以上解码器层的第一部分及第二部分，且第一部分及第二部分经联合建构。举例来说，本文中描述的实施例可利用深度学习概念(例如联合构造)以解决通常棘手的表示转换问题(例如，演现)。在一个此实例中，解码器侧处的两个遍次(配置于一个遍次中的层4到6及配置于另一遍次中的层7到9)可经联合建构，如由图2中的虚线展示。特定来说，层4及7各自可产生其自身的输出，其是特征210的函数。因此，层4及7可仅接收一个输入(即，特征)且每一层仅产生一个输出。然而，解码器侧上的其它层可接收多个输入且仅产生单个输出。举例来说，到层5及8两者的输入可为层4及7两者的输出。层5及8可对层4及7的输出执行不同功能。以此方式，层5及8的输出将不相同。另外，到层6及9两者的输入可为层5及8两者的输出。层6及9可对层6及9的输出执行不同功能。以此方式，层6及9的输出彼此也将不同。
因此，层4到6及7到9可为数据相依的。特定来说，在本文中描述的一些实施例中，层8的输出取决于来自层4及7的结果，而层9的输出取决于来自层4、5、7及8的结果。以类似方式，在本文中描述的一些实施例中，层5的输出取决于来自层4及7的结果，而层6的输出取决于来自层4、5、7及8的结果。
以此方式，层6及9的输出将不同。举例来说，层9的输出可为Y，如在图2中展示，其可为本文中进一步描述的模拟图像。另外，层6的输出可为X，如在图2中展示，其可为再生设计信息(例如，再生CAD图像)。然而，层6及9的输出可以某种方式组合以产生输出X及Y。举例来说，层6及9的输出可经组合以产生Y，其是本文中进一步描述的模拟图像。层6及9的输出也可经组合以产生X，其是再生设计信息。
以此方式，本文中描述的一些实施例破坏生成模型中的编码器及解码器的对称性，使得解码器部分可产生原始输入的联合表示(例如，再生设计信息及模拟图像)。换句话来说，如果编码器及解码器对称，那么编码器将从设计信息产生特征，而解码器将从特征产生设计信息。以此方式，编码器及解码器的功能性对称；以X开始且以X结束。在此情况中，破坏对称性意味着配置解码器以预测(演现)除X以外的事物。在本文中描述的实施例中，解码器经配置以从特征f预测(演现)X及Y。另外，可通过使解码器的层及层类型不受编码器的层及层类型约束而实施破坏编码器及解码器的对称性。
在另一实施例中，生成模型是卷积及解卷积神经网络。举例来说，本文中描述的实施例可利用深度学习概念(例如卷积及解卷积神经网络)以解决通常棘手的表示转换问题(例如，演现)。生成模型可具有所属领域中已知的任何卷积及解卷积神经网络配置或架构。
在一些实施例中，两个或两个以上编码器层包含两个或两个以上卷积及池化层，且两个或两个以上解码器层包含两个或两个以上解卷积及向上汇集(up-pooling)层。举例来说，在图2中展示的实施例中，编码器层1到3可经配置为卷积及池化层而解码器层4到9可为解卷积层。解码器层也可包含向上池化层。然而，编码器及解码器侧上的其它层类型也是可能的。举例来说，用于编码器及解码器侧的可能层类型包含(但不限于)卷积层、解卷积层、完全连接层、局部响应标准化层、池化层、向上池化层等等。包含于编码器及解码器层中的层类型可具有所属领域中已知的任何合适配置。
在一个实施例中，两个或两个以上编码器层通过设计信息的尺寸减小来确定特征。举例来说，本文中描述的实施例可利用深度学习概念(例如尺寸减小)以解决通常棘手的表示转换问题(例如，演现)。特定来说，由生成模型的编码器部分通过减小输入图像(例如，CAD)以降低尺寸特征而执行尺寸减小。另外，编码器层可通过以下步骤执行本文中描述的功能：(a)压缩信息内容及/或(b)提取特征，其可以所属领域中已知的任何合适方式执行。编码器的多个层还可确定阶层局部特征，类似于卷积神经网络(CNN)所进行那样。考虑到特征层中的特征值，解码器的多个层可重新建构阶层特征。
在一些实施例中，设计信息是CAD数据。尽管可在本文中关于CAD或CAD数据或图像描述一些实施例，但应理解，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。
在一个实施例中，计算机子系统经配置以产生用于训练生成模型的训练数据集，且训练数据集包含其它设计信息的一部分及针对其它设计信息的所述部分产生的实际图像的对的集合。其它设计信息可包含本文中描述的设计信息中的任一者。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及真实图像的对准及图像裁剪产生训练数据集，从而导致对准CAD及真实图像(例如，SEM或光学图像)对的集合，其中“真实”图像是通过使物理样本(其上已形成设计信息)成像而产生的图像。特定来说，如在图3中展示，CAD的不同部分300及其对应实际图像302可经对准及裁剪以产生对应CAD部分及实际图像的对304。
CAD可演现为二进制图像且可在对准之前恢复不均匀像素大小。像素大小可归因于来自硬件的图像失真而“不均匀”。举例来说，在电子束图像中，归因于电子束的不稳定性，样本上的第一位置处的像素可表示样本上的10nm x10nm区域，而样本上的第二位置(其可相对接近于第一位置)处的另一像素可表示样本上的11nm x11nm区域，而期望像素大小为10.5nm x 10.5nm。
设计信息的部分及实际图像可具有任何合适大小且可取决于用于在样本上形成设计信息的过程及/或用于产生形成于样本上的设计信息的实际图像的过程的特性而变化。举例来说，为使实际图像含有用于训练的有用信息，可基于产生实际图像所涉及的光学散射效应确定对实际图像的有用大小的下限(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))。在一些实例中，实际图像的大小可为约一个图像帧(例如，几千个像素)到约一个图块图像(例如，几十个像素)。包含于训练数据集中的设计信息部分及实际图像的对数可为任何合适数目且可取决于使用案例而变化。
在另一实施例中，计算机子系统经配置以修改其它设计信息的一部分以在其它设计信息的部分中产生经预先确定缺陷且产生用于训练生成模型的训练数据集，且训练数据集包含：其它设计信息的修改部分及针对其它设计信息的修改部分产生的实际图像的对；及其它设计信息的一部分及针对其它设计信息的部分产生的实际图像的其它对。举例来说，本文中描述的实施例可经配置以用于合成缺陷模拟(或“产生合成缺陷”)。在一个此实例中，通过修改CAD以插入缺陷(例如，突出物)且接着使用网络演现CAD且添加CAD作为训练实例而可将合成缺陷插入到用于SEM及光学系统的训练数据集中。可以任何合适方式修改设计信息以在设计信息中产生合成缺陷。如果尚未针对修改设计信息部分产生实际图像，那么可使用模拟图像(其可如本文中描述那样使用生成模型而产生)作为其在训练数据集中的实际图像。可以数种不同方式修改任一个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的每一者中产生相同或不同合成缺陷。此外，如上文提及，修改设计信息及像对可与非修改设计信息及像对组合以产生训练数据集。包含于训练数据集中的对中的图像优选是实际的(或非模拟图像)，除非所述实际图像不可用。在此实施例中使用的其它设计信息可包含本文中描述的设计信息中的任一者。
在一些实施例中，一或多个计算机子系统经配置以预训练两个或两个以上编码器层及两个或两个以上解码器层的一部分。举例来说，计算机子系统可经配置以用于任选非监督式预训练。预训练步骤的目的可为学习用于CAD的紧密表示(即，特征)。本文中描述的预训练可涉及生成模型的编码器侧上的所有层但可不涉及解码器侧上的所有层。举例来说，预训练可涉及解码器侧上的层4到6而非解码器侧上的层7到9。特定来说，任选预训练无需产生确切结果。替代地，其可产生用于层的近似参数，接着可在实际训练期间修改或调整所述参数。因此，通过忽略层4到6与层7到9之间的数据相依性，预训练可产生用于层4到6的近似参数，其可简化随后针对生成模型的所有层执行的训练。可如本文中进一步描述那样执行在此类实施例中执行的预训练。
在另一实施例中，计算机子系统经配置以通过学习训练数据集中的设计信息的特征而训练两个或两个以上编码器层及两个或两个以上解码器层的一部分，且学习包含使用两个或两个以上编码器层推断训练数据集中的设计信息的特征且使用两个或两个以上解码器层的部分从经推断特征再生训练数据集中的设计信息。举例来说，在预训练步骤中，生成网络可经训练以推断且再生输入CAD，如在图4中展示。使用额外组件(例如自动编码器或其变体)训练上半部分(在特征层上方)以及左下半部分(在特征层下方)(即，层1到6)。特定来说，在预训练期间，编码器层1(200)可接收输入X 206，其在此实施例中经展示为CAD图像208。编码器层1到3(200、202及204)从输入产生特征210。特征经输入到解码器层4(212)。解码器层4到6(212、214及216)再生输出X 228，其在此实施例中是CAD图像230。以此方式，编码器层可从设计信息产生特征，接着可由解码器层使用所述特征以再生设计信息。基于输入设计信息与再生设计信息之间的差异，可修改编码器层及/或解码器层的一或多个参数直到输入设计信息基本上匹配再生设计信息。因而，预训练可产生用于层1到6的一或多者的一或多个参数。一或多个参数可包含本文中描述的参数中的任一者，例如权重。
预训练系任选的，其中其后接着训练阶段，在此阶段期间，通过在训练阶段期间执行的训练进一步修改一或多个参数。然而，预训练阶段可有利地减少训练阶段所涉及的时间及努力，因为预训练所涉及的编码器层及解码器层的部分的一或多个参数在预训练之后可无需大量修改。
如在图4中展示，尽管解码器层7到9在预训练之前可包含于生成模型中，但在预训练中并未涉及解码器层7到9。以此方式，解码器层7到9在预训练期间未产生输出Y 224，且在预训练期间并不促成产生输出X 228(如由在图4中经展示为未连接到层4到6及特征210的解码器层7到9指示)。
在一个此实施例中，训练是非监督式的。举例来说，本文中描述的实施例可利用深度学习概念(例如非监督式学习)以解决通常棘手的表示转换问题(例如，演现)。特定来说，如在图4中展示，例如使用额外组件(例如自动编码器或其变体)以非监督方式(即，不具有任何标签)训练上半部分(在特征层上方)以及左下半部分(在特征层下方)(即，层1到6)。特定来说，在未针对训练提供期望特征或特征的期望值的意义上，此训练是非监督式。
在另一此实施例中，一或多个组件包含额外组件，且使用额外组件执行训练。在此类实施例中，额外组件包含自动编码器、堆叠自动编码器、具有正则化的自动编码器(包含L0、L1、L2、L_infinity的任何正则化)、噪声去除自动编码器、堆叠噪声去除自动编码器、稀疏自动编码器、变分自动编码器、经配置以学习特征分布(本文中进一步描述的分布中的任一者)的自动编码器、限制波兹曼(Boltzmann)机器(RBM)、经配置以学习特征分布的RBM(尤其伯努利(Bernoulli)RBM及平均值协方差RBM且可能分布包含本文中进一步描述的分布中的任一者)、门控马可夫(Markov)随机场(门控MRF)、深度波兹曼机器、深度信仰网络、卷积RBM、卷积自动编码器、卷积神经网络、递归神经网络(RNN)、长短期存储器、生成对抗网或其某一组合。举例来说，本文中描述的实施例可利用深度学习概念(例如变分自动编码器)以解决通常棘手的表示转换问题(例如，演现)。变分自动编码器是采用深度学习及变分推断的优点的组件且导致生成模型化的显著改进。通过本西奥(Bengio)等人的“深度网络的逐层贪婪训练(Greedy layer-wise training of deep networks)”《神经信息处理系统的进展19(Advances in Neural Information Processing Systems 19)(NIPS'06)，第153页到第160页，MIT出版社，2007年》(其以宛如全文陈述的引用方式并入本文中)描述可用于本文中描述的实施例中的堆叠自动编码器的实例。通过文森特(Vincent)等人的“使用噪声去除自动编码器提取及组合稳健特征(Extracting and composing robust features withdenoising autoencoders)”《第25届机器学习国际会议论文集(Proceedings of the 25thinternational conference on Machine learning)，第1096页到第1103页，2008年7月5日到9日，芬兰，赫尔辛基(Helsinki,Finland)》(其以宛如全文陈述的引用方式并入本文中)描述可用于本文中描述的实施例中的堆叠噪声去除自动编码器的实例。藉由兰扎托(Ranzato)等人的“使用门控MRF产生更真实图像(Generating more realistic imagesusing gated MRF’s)”《神经信息处理系统的进展23(Advances in Neural InformationProcessing Systems 23)(NIPS’10)，第2002页到第2010页，2010年》(其以宛如全文陈述的引用方式并入本文中)描述可用于本文中描述的实施例中的门控MRF的实例。用于训练或预训练的其所有变体中的额外组件可具有所属领域中已知的任何合适配置。
在其中推断或学习特征的本文中描述的实施例中的任一者中，特征可包含纯量值向量、独立分布向量或联合分布。在一些实施例中，经学习特征包含独立分布向量，且独立分布向量包含伯努利分布、二项式分布、多项式分布、帕松(Poisson)二项式分布、贝他二项式分布、多项式分布、波兹曼分布、帕松分布、康威-马克士威-帕松(Conway-Maxwell-Poisson)分布、贝他分布、高斯/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、柏拉图分布或student-t分布。在另一实施例中，经学习特征包含联合分布，且联合分布包含多变量高斯/常态分布、多变量student-t分布、狄氏(Dirichlet)分布、矩阵高斯/常态分布或矩阵t分布。然而，特征可包含此技术中已知的任何其它合适类型的特征。可以所属领域中已知的任何合适方式学习或推断不同类型的特征。
在一个实施例中，计算机子系统经配置以用于预训练两个或两个以上编码器层及两个或两个以上解码器层的一部分，且在预训练之后，训练两个或两个以上编码器层、两个或两个以上解码器层的部分及两个或两个以上解码器层的另一部分。在另一实施例中，两个或两个以上解码器层包含两个或两个以上解码器层的第一部分及第二部分，且一或多个计算机子系统经配置以联合训练第一部分及第二部分。举例来说，计算机子系统可经配置以用于传送学习及联合训练。在一个此实例中，在预训练之后，用于层1到6的经学习权重可经传送及使用以训练联合训练网络中的层7到9，如在图2中展示。以此方式，可使用额外组件(以训练层1到3及层4到6)及回归(以训练层1到3及层7到9)执行联合训练以学习用于特征f的X及Y的联合概率。生成网络经训练以鉴于演现CAD同时推断及产生设计信息及模拟图像。以此方式，可一起训练层4到6及层7到9。
换句话来说，层4到6取决于层1到3，且层7到9也取决于层1到3。如果连同层7到9一起训练层1到3，那么优选地更新预训练层4到6。特定来说，由于层7到9的训练取决于层4到6的参数，所以优选一起训练层4到6及层7到9。另外，如本文中进一步描述，可联合建构解码器侧上的两个遍次、层4到6及层7到9。因此，归因于与层7到9的数据相依性，优选再次训练层4到6(除预训练以外)。类似地，如果使用经由本文中进一步描述的通道尺寸的单遍次实施方案，那么归因于与层7到9的数据相依性而优选再次训练层4到6(除预训练以外)。以此方式，涉及层4到6的预训练可预训练层1到3，以便产生用于特征的“良好”编码器(即，特征提取器)。涉及层4到6的后续训练是与层7到9的联合训练。此第二训练是学习预测表示X及Y的解码器且还微调预训练编码器。
可对训练数据集执行预训练达若干纪元(其中一个纪元涉及运行一次训练数据集)。也可对训练数据集执行联合训练达若干纪元。就训练数据集来说，预训练及联合训练使用相同训练数据集。
在一些实施例中，一或多个计算机子系统经配置以通过学习训练数据集中的设计信息的特征而训练两个或两个以上编码器层及两个或两个以上解码器层，且学习包含：使用两个或两个以上编码器层推断训练数据集中的设计信息的特征；使用两个或两个以上解码器层从经推断特征再生训练数据集中的设计信息；使用两个或两个以上解码器层从经推断特征产生训练数据集中的设计信息的模拟图像；及修改两个或两个以上解码器层的一或多个参数直到训练数据集中的设计信息的模拟图像匹配训练数据集中的设计信息的实际图像。以此方式，计算机子系统可经配置以用于传送学习。可如本文中进一步描述那样执行推断训练数据集中的设计信息的特征及从经推断特征再生训练数据集中的设计信息。举例来说，层1到6可用于推断特征且再生设计信息直到再生设计信息匹配原始设计信息。
可在预训练步骤中执行此步骤。此也可或替代性地在训练步骤中执行。举例来说，如果计算机子系统执行如本文中描述的预训练，那么可推断特征且可在训练期间训练额外解码器层时再次从经推断特征再生设计信息。替代地，如果计算机子系统未经配置以预训练层1到6，那么训练可包含在训练层1到6的同时也训练层7到9。换句话来说，不管是否执行预训练，生成模型的训练都可包含训练或再训练层1到6。
虽然从设计信息推断特征且从经推断特征再生设计信息，但可如本文中描述那样从经推断特征产生模拟图像。可比较模拟图像与实际图像，且可确定模拟图像与实际图像之间的任何差异并将所述差异用以修改解码器层的一或多个参数。以此方式，可反复执行模拟图像的产生、模拟图像与实际图像的比较及生成模型的参数修改直到模拟图像匹配实际图像。在此实施例中修改的生成模型的参数可包含本文中描述的参数中的任一者。
在一些此类实施例中，训练是监督式。举例来说，本文中描述的实施例可利用深度学习概念(例如监督式学习)以解决通常棘手的表示转换问题(例如，演现)。特定来说，针对训练层1到3及层7到9执行的回归可为监督式回归，这是因为提供了回答(例如，模拟图像意在与其基本上类似的实际图像，例如SEM图像)。
在额外此类实施例中，一或多个参数包含权重。举例来说，通过本文中描述的实施例修改的生成模型的一或多个参数可包含具有可训练权重的生成模型的任何层的一或多个权重。在一个此实例中，权重可包含卷积层的权重而非池化层的权重。
在一个实施例中，两个或两个以上编码器层是固定的。在另一实施例中，两个或两个以上编码器层是可训练的。举例来说，层1到3可为固定或可训练(取决于使用案例)。
联合训练网络中的经学习权重表示经学习模型，其接着可经安装于目标系统上(例如，本文中描述的成像系统中的一者)。在系统运行时间，由经学习模型中的层1到3及层7到9提供及处理演现CAD或本文中描述的其它设计信息以产生模拟图像，如在图2中展示。以此方式，本文中描述的联合训练是同时解决特征推断(即，经由非监督式训练)及回归(即，经由监督式训练)的新技术，其可在实践中解决此表示转换问题。
在一个实施例中，两个或两个以上解码器层包含配置于第一遍次中的两个或两个以上解码器层的第一部分及配置于第二遍次中的两个或两个以上解码器层的第二部分。在一个此实例中，可联合建构解码器侧处的两个遍次(层4到6及层7到9)，如由图2中的虚线展示。以此方式，图2的实施例展示联合双遍次实施方案。双遍次配置可具有所属领域中已知的任何合适架构。如本文中描述，解码器层的不同部分是数据相依的，因此尽管生成模型的解码器部分可经配置为双遍次解码器，但实际上同时执行两个遍次(即，在执行一个遍次之后未执行另一遍次)。
在另一实施例中，两个或两个以上解码器层包含经由通道配置配置为单个遍次的两个或两个以上解码器层的第一部分及第二部分。举例来说，可经由权重的通道尺寸将解码器侧处的经联合两个遍次实施为单个遍次，如在图5中展示。换句话来说，可经由权重的通道尺寸将联合双遍次解码器等效地实施为单遍次解码器，且在不同通道中折叠所得X及Y。以此方式，通道折叠在数学上相同于本文中描述的双遍次配置，这是因为在层5及8的一个实例中，可通过将层5及8的输入(及输出)一起折叠成解卷积层的输入(及输出)通道尺寸而将层5及8一起组合为单层。在此情况中，可将由任选预训练产生的预训练权重传送到对应通道。以此方式，图5展示经由通道尺寸的替代单遍次实施方案。
特定来说，如在图5中展示，可如本文中描述那样配置生成模型的编码器侧。然而，在图5中展示的生成模型的解码器侧可不同于本文中描述的生成模型的其它实施例。举例来说，如由解码器层500展示，解码器层4及7可一起组合为单层，其执行相同于本文中进一步描述的层4及7的功能。另外，解码器层5及8可一起组合为单层(解码器层502)，其执行相同于本文中进一步描述的层5及8的功能。此外，解码器层6及9可组合为单层(解码器层504)，其执行相同于本文中进一步描述的层6及9的功能。以此方式，包含于图5中展示的实施例中的最终解码器层(例如，解码器层504)的输出可包含输出X 228(其在此例子中经展示为CAD图像230)及输出Y 224(其在此例子中经展示为模拟图像226)两者。
在图5中展示的实施例可经配置以产生输出X及Y，如本文中进一步描述。计算机子系统可经配置以训练(且任选地预训练)在图5中展示的生成模型的实施例，如本文中进一步描述。
在额外实施例中，在对样本执行过程之后由成像系统针对样本产生一或多个实际图像，且所述过程包含最终制造过程步骤(其并非光刻过程)。举例来说，本文中描述的实施例能够多样学习。在一个此实例中，本文中描述的实施例能够学习复杂且多样隐式模型，其再生可在真实图像中展示的主要后光刻效应。以此方式，本文中描述的实施例可经配置以使用深度生成模型以学习后光刻特征。特定来说，本文中描述的实施例可用于模拟归因于后光刻过程(例如蚀刻及化学机械抛光(CMP))而可存在于样本上的图案化特征中(及因此图案化特征的图像中)的变化，其无法通过仅能够模拟印刷样本上的图案化特征所涉及的光学过程及/或产生样本上的图案化特征的图像所涉及的过程(光学或其它)的模型模拟。以此方式，本文中描述的实施例可经配置以模拟在蚀刻及CMP步骤中引起的图案化特征(及因此图案化特征的图像)的系统过程失真。
具有产生等效于将在对样本执行非光刻过程步骤(例如蚀刻及CMP)之后由成像系统产生的样本的实际图像的模拟图像的能力是重要的，因为这些程序可对形成于样本上的图案化特征具有显著效应。因而，相当频繁地执行在此类过程之后出于例如检验、缺陷检视、计量等等的目的产生图案化特征的实际图像。因此，具有模拟图像(例如本文中描述的可与此类程序之后产生的实际图像一起使用的模拟图像)对于例如本文中进一步描述的使用(例如，检验、对准、校准、缺陷检视、计量等等)尤其重要。
可针对特定样本(例如，特定晶片或分划板)、过程及成像参数产生本文中描述的生成模型。换句话来说，本文中描述的生成模型可为样本特定、过程特定及成像参数特定。以此方式，可针对不同晶片层产生不同生成模型。另外，将必须针对不同成像参数集(例如，不同成像模式)产生不同生成模型。可使用不同训练数据集产生不同模型的每一者。可如本文中进一步描述那样产生不同训练数据集的每一者。
在一个实施例中，一或多个模拟图像中的至少一者说明一或多个模拟图像的一或多个统计数据。特定来说，一或多个模拟图像可为其中不同灰阶对应于模拟图像中的每一像素的特性(例如，强度)的统计数据(例如，平均值或标准偏差)的不同值的图像。举例来说，本文中描述的实施例可经配置以从统计数据基本上真实演现。特定来说，经学习隐式模型表示训练数据集的统计数据且能够产生/预测重要统计数据(例如，灰阶的平均值(对每一像素的平均估计)及标准偏差(在每一像素处的方差或置信展度))。因此，本文中描述的实施例可产生模拟图像的像素值以及像素值的分布及不确定性。以此方式，本文中描述的实施例不同于例如本文中描述的用于产生模拟图像的其它方法及系统，这是因为包含于实施例中或由实施例使用的生成模型不仅可产生预测而且可产生所述预测的置信度。
一或多个统计数据可包含选自由以下各者构成的群组的一或多个分布：伯努利分布、二项式分布、多项式分布、帕松二项式分布、贝他二项式分布、贝他多项式分布、波兹曼分布、帕松分布、康威-马克士威-帕松分布、贝他分布、高斯/常态分布、偏斜常态分布、瑞利分布、拉普拉斯分布、伽玛分布、柏拉图分布、student-t分布、多变量高斯/常态分布、多变量student-t分布、狄氏分布、矩阵高斯/常态分布及矩阵t分布。另外，统计数据不限于这些统计数据实例且可包含所属领域中已知的任何其它合适统计数据。可以所属领域中已知的任何合适方式计算此类统计数据及分布。
在另一实施例中，产生一或多个模拟图像包含从经确定特征直接导出一或多个模拟图像。举例来说，作为特殊情况，如果Y是从X直接导出的特征(例如，边缘、轮廓、分段边界等等)，那么Y可经定义为“X的特征”或“X特征”。因此，联合概率p(X,Y)或p(X,X特征)可近似计算为仅p(X特征)的概率。此替代实施方案可用于略平凡(但重要)使用案例，例如演现对应于给定CAD图像的SEM图像的轮廓或其它设计信息。在此类情况中，不必学习再生设计信息及模拟图像的联合概率。因此，可简化本文中描述的联合训练，如在图6中展示。
特定来说，如在图6中展示，可如本文中描述那样配置生成模型的编码器侧。然而，在图6中展示的生成模型的解码器侧可不同于本文中描述的生成模型的其它实施例。举例来说，如在图6中展示，生成模型的解码器部分包含解码器层600、602及604(或解码器层7到9)。这些解码器层产生输出，其不同于由本文中描述的生成模型的所有其它实施例产生的输出。特定来说，如在图6中展示，解码器层产生X特征606，在此实施例中其包含模拟图像608。特定来说，如上文进一步描述，如果模拟图像可经估计为设计信息的特征，那么解码器层可输出X特征或“X的特征”，其是将由成像系统或子系统针对形成于样本上的设计信息产生的实际图像的相对良好估计。
在一个实施例中，成像系统经配置以获取一或多个实际图像及一或多个模拟图像且通过比较一或多个实际图像与一或多个模拟图像而检测样本上的缺陷。举例来说，本文中描述的实施例可用于产生“黄金”或“标准”参考以改进用于掩模及晶片检验及计量的裸片对数据库缺陷检测算法。特定来说，可比较实际图像与模拟图像，借此产生差异图像。可将阈值或缺陷检测算法及/或方法应用到差异图像以确定差异图像的哪些部分对应于缺陷或潜在缺陷。
以此方式，可从用于样本的设计信息产生“黄金”或“标准”参考(即，模拟图像)。具有产生及使用此“黄金”或“标准”参考的能力在其中使用顺向或判别模型完全无法预测或无法良好预测用于在样本上形成设计信息的过程的例子中可尤其重要。另外，产生此“黄金”或“标准”参考在无法从样本自身产生“黄金”或“标准”参考时(例如，归因于缺乏关于样本上的设计信息的合适形成例子的知识及/或在设计信息的仅一个例子形成于样本上(例如，如在单裸片分划板中)的情况下)可尤其重要。
在另一实施例中，成像系统经配置以使用一或多个模拟图像执行成像系统的校准。举例来说，本文中描述的实施例可用于产生用于软件校准的“黄金”或“标准”参考。在一个此实例中，可比较模拟图像与由成像系统产生的实际图像。模拟图像与实际图像之间的任何差异可用于确定成像系统是否如期望那样执行。接着可基于模拟图像与实际图像之间的差异修改成像系统的一或多个参数直到模拟图像与实际图像之间不存在(或有效地不存在，例如，最小或可忽略)差异。此时，将适当地校准成像系统。
在另一实施例中，成像系统经配置以执行一或多个实际图像到一或多个模拟图像的对准。举例来说，本文中描述的实施例可用于产生用于硬件及/或软件校准的“黄金”或“标准”参考。举例来说，可将如本文中描述那样产生的模拟图像对准到由成像系统产生的实际图像。一旦模拟图像已经对准到实际图像，实际图像将有效地对准到用于样本的设计信息。以此方式，本文中描述的模拟图像可用于将设计对准到检验系统输出。此对准出于数个目的可为有用的，例如在共同拥有的以下专利中描述的目的：2009年8月4日颁予扎尔法(Zafar)等人的第7,570,796号美国专利及2010年3月9日颁予库尔卡尼(Kulkarni)等人的第7,676,077号美国专利，所述两个案以宛如全文陈述的引用方式并入本文中。可如在这些专利中描述得那样进一步配置本文中描述的实施例。也可将如本文中描述得那样产生的模拟图像对准到由成像系统产生的实际图像以实现样本相对于成像系统的特定对准。举例来说，基于关于形成于样本上的设计信息的布局以及模拟图像到实际图像的对准的信息，可用相对高精确性确定(及视需要校正)样本相对于成像系统的位置。
如所属领域的一般技术人员基于本文中提供的实施例的描述将显而易见，本文中描述的实施例具有优于用于产生模拟图像的其它方法及系统的数个显著优势。举例来说，不同于当前使用的方法及系统，本文中描述的实施例未使用或包含任何显式模型。特定来说，不同于顺向模拟及基于规则的方法，不存在对经预先确定义(物理或启发式)模型的要求，此通常极其难以根据第一原理物理学确定或良好地近似计算。替代地，本文中描述的实施例通过经由深度神经网络学习隐式模型而消除此要求。
在另一实例中，相较于当前使用的方法及系统，本文中描述的实施例可经配置以用于相对多样学习。在一个此实例中，本文中描述的实施例能够学习复杂且多样隐式模型，其再生在真实图像中展示的主要后光刻效应(例如，在蚀刻或CMP过程之后)。
在额外实例中，本文中描述的实施例能够从统计数据真实演现。在一个此实例中，本文中进一步描述的经学习隐式模型可表示训练数据集的统计数据且能够产生/预测重要统计数据(例如，灰阶的平均值及标准偏差)。
在另一实例中，相较于当前使用的方法及系统，本文中描述的实施例可具有相对快运行时间。特定来说，本文中描述的实施例可具有基本上较快速度，其能够在适合于生产运行时间的时间中产生模拟图像(例如，其可进行相对快预测)。
在又另一实例中，本文中描述的实施例可经配置以用于合成缺陷模拟。举例来说，如本文中进一步描述，通过修改CAD以插入缺陷(例如，突出物)且接着使用网络演现CAD且添加CAD作为训练实例而可将合成缺陷插入到(即，产生于)用于SEM及光学成像系统的训练数据集中。
也可以数种方式修改本文中描述的实施例。举例来说，可经由以下各者建构本文中描述的生成模型的替代方案：(1)具有金字塔上取样的生成对抗网(GAN)；(2)具有致密化(即，步幅＝1)的卷积神经网络(CNN)；(3)具有变分自动编码器(VAE)的递归神经网络(RNN)；或(4)具有卷积及解卷积层的深度波兹曼机器。可使用所属领域中已知的任何合适架构实施此类替代方案。
此外，尽管本文中描述的实施例经描述为经配置以从设计信息产生模拟图像，但实施例可经配置以执行相反变换。举例来说，本文中描述的生成模型可经配置，使得X是由成像系统或子系统产生的真实图像且Y是设计信息(例如，CAD图像)。以此方式，如本文中描述得那样训练的生成模型可经配置，使得两个或两个以上编码器层确定由成像系统或子系统针对样本产生的真实图像的特征且两个或两个以上解码器层从经确定特征产生模拟设计信息。模拟设计信息说明设计信息如何出现在从设计信息(例如，CAD图像)产生的图像中。在此类实施例中，两个或两个以上解码器层也可经配置以再生实际或真实图像。以此方式，本文中描述的实施例可经配置，使得颠倒输入及输出。可如本文中描述得那样进一步配置此类实施例。当设计信息并非容易获得但出于某一目的(包含本文中描述的目的(例如，检验、校准、对准等等))而需要时，此类实施例可尤其有用。
经配置以从设计信息产生模拟图像的系统的另一实施例包含一或多个计算机子系统(例如，计算机子系统102，其可如本文中进一步描述那样配置)及由一或多个计算机子系统执行的一或多个组件(例如，组件100，其可包含本文中描述的组件中的任一者)。组件包含生成模型(例如，在图2、5或6中展示的生成模型)，其可如本文中描述那样配置。举例来说，生成模型包含：两个或两个以上编码器层(例如，在图2中展示的层200、202及204)，其经配置以确定用于样本的设计信息(例如，CAD图像208)的特征(例如，特征210)；及两个或两个以上解码器层(例如，解码器层212、214、216、218、220及222)，其经配置以从经确定特征产生一或多个模拟图像(例如，模拟图像226)。模拟图像说明形成于样本上的设计信息如何出现在样本的一或多个实际图像中。系统还包含成像子系统(例如，在图1中展示的成像子系统10)，其经配置以产生样本的一或多个实际图像。一或多个计算机子系统经配置以获取一或多个实际图像及一或多个模拟图像且基于一或多个实际图像及一或多个模拟图像(即，基于实际图像与模拟图像的组合)而针对样本执行一或多个功能。
上文描述的系统中的每一者的实施例中的每一者可一起组合为一个单个实施例。
另一实施例涉及一种用于从设计信息产生模拟图像的计算机实施方法。所述方法包含通过将用于样本的设计信息(例如，CAD图像208)输入到生成模型(例如在图2、5或6中展示的生成模型)的两个或两个以上编码器层(例如，编码器层200、202及204)而确定设计信息的特征(例如，在图2中展示的特征210)。所述方法还包含通过将经确定特征输入到生成模型的两个或两个以上解码器层(例如，解码器层212、214、216、218、220及222)而产生一或多个模拟图像(例如，在图2中展示的模拟图像226)。一或多个模拟图像说明形成于样本上的设计信息如何出现在由成像系统产生的样本的一或多个实际图像中。
可如本文中进一步描述得那样执行所述方法的步骤中的每一者。所述方法还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。由可根据本文中描述的实施例中的任一者配置的一或多个计算机系统(例如，计算机子系统102)执行确定及产生步骤。另外，可由本文中描述的系统实施例中的任一者执行上文描述的方法。
额外实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以用于执行用于从设计信息产生模拟图像的计算机实施方法的程序指令。在图7中展示此实施例。特定来说，如在图7中展示，非暂时性计算机可读媒体700包含可在计算机系统704上执行的程序指令702。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702可存储于计算机可读媒体700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合适非暂时性计算机可读媒体。
可以各种方式中的任一者实施程序指令，包含基于程序的技术、基于组件的技术及/或面向对象技术等等。举例来说，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(串流SIMD延伸)或其它技术或方法实施程序指令。
可根据本文中描述的实施例中的任一者配置计算机系统704。
鉴于此描述，所属领域的技术人员将明白本发明的各种方面的另外修改及替代实施例。举例来说，提供用于从设计信息产生模拟图像的方法及系统。因此，此描述应仅解释为说明性且是出于教示所属领域的技术人员执行本发明的一般方式的目的。将理解，本文中展示及描述的本发明的形式将视为当前优选实施例。如所属领域的技术人员在获益于本发明的此描述之后将明白，元件及材料可取代本文中说明及描述的元件及材料，部件及过程可颠倒，且可独立利用本发明的特定特征。在不脱离如在以下权利要求书中描述的本发明的精神及范围的情况下可对本文中描述的元件做出改变。

Claims (43)

1.一种经配置以从设计信息产生模拟图像的系统，其包括：
一或多个计算机子系统；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：
生成模型，其中所述生成模型包括：
两个或两个以上编码器层，其经配置以确定用于样本的设计信息的特征；及
两个或两个以上解码器层，其经配置以从所述经确定特征产生一或多个模拟图像，其中所述一或多个模拟图像说明形成于所述样本上的所述设计信息如何出现在由成像系统产生的所述样本的一或多个实际图像中。
2.根据权利要求1所述的系统，其中所述生成模型是深度生成模型。
3.根据权利要求1所述的系统，其中所述生成模型是卷积及解卷积神经网络。
4.根据权利要求1所述的系统，其中所述两个或两个以上编码器层包括两个或两个以上卷积及池化层，且其中所述两个或两个以上解码器层包括两个或两个以上解卷积及向上池化层。
5.根据权利要求1所述的系统，其中所述两个或两个以上编码器层通过所述设计信息的尺寸减小来确定所述特征。
6.根据权利要求1所述的系统，其中所述设计信息是计算机辅助设计数据。
7.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经配置以产生用于训练所述生成模型的训练数据集，且其中所述训练数据集包括其它设计信息的一部分及针对所述其它设计信息的所述部分产生的实际图像的对的集合。
8.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经配置以修改其它设计信息的一部分以在所述其它设计信息的所述部分中产生经预先确定的缺陷且产生用于训练所述生成模型的训练数据集，且其中所述训练数据集包括：所述其它设计信息的所述修改部分及针对所述其它设计信息的所述修改部分产生的实际图像的对；及所述其它设计信息的一部分及针对所述其它设计信息的所述部分产生的实际图像的其它对。
9.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经配置以预训练所述两个或两个以上编码器层及所述两个或两个以上解码器层的一部分。
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经配置以通过学习训练数据集中的设计信息的所述特征而训练所述两个或两个以上编码器层及所述两个或两个以上解码器层的一部分，且其中所述学习包括使用所述两个或两个以上编码器层推断所述训练数据集中的所述设计信息的所述特征且使用所述两个或两个以上解码器层的所述部分从所述经推断特征再生所述训练数据集中的所述设计信息。
11.根据权利要求10所述的系统，其中所述训练是非监督式的。
12.根据权利要求10所述的系统，其中所述一或多个组件进一步包括额外组件，其中使用所述额外组件执行所述训练，且其中所述额外组件包括自动编码器、堆叠自动编码器、具有正则化的自动编码器、噪声去除自动编码器、堆叠噪声去除自动编码器、稀疏自动编码器、变分自动编码器、经配置以学习特征分布的自动编码器、限制波兹曼(Boltzmann)机器、经配置以学习特征分布的限制波兹曼机器、门控马可夫(Markov)随机场、深度波兹曼机器、深度信仰网络、卷积限制波兹曼机器、卷积自动编码器、卷积神经网络、递归神经网络、长短期存储器、生成对抗网或其某一组合。
13.根据权利要求10所述的系统，其中所述经学习特征包括纯量值向量、独立分布向量或联合分布。
14.根据权利要求10所述的系统，其中所述经学习特征包括独立分布向量，且其中所述独立分布向量包括伯努利分布、二项式分布、多项式分布、帕松二项式分布、贝他二项式分布、多项式分布、波兹曼分布、帕松分布、康威-马克士威-帕松分布、贝他分布、高斯/常态分布、偏斜常态分布、瑞利分布、拉普拉斯分布、伽玛分布、柏拉图分布或student-t分布。
15.根据权利要求10所述的系统，其中所述经学习特征包括联合分布，且其中所述联合分布包括多变量高斯/常态分布、多变量student-t分布、狄氏分布、矩阵高斯/常态分布或矩阵t分布。
16.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经配置以预训练所述两个或两个以上编码器层及所述两个或两个以上解码器层的一部分，且在所述预训练之后，训练所述两个或两个以上编码器层、所述两个或两个以上解码器层的所述部分及所述两个或两个以上解码器层的另一部分。
17.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经配置以通过学习训练数据集中的设计信息的所述特征而训练所述两个或两个以上编码器层及所述两个或两个以上解码器层，且其中所述学习包括：使用所述两个或两个以上编码器层推断所述训练数据集中的所述设计信息的所述特征；使用所述两个或两个以上解码器层从所述经推断特征再生所述训练数据集中的所述设计信息；使用所述两个或两个以上解码器层从所述经推断特征产生所述训练数据集中的所述设计信息的模拟图像；及修改所述两个或两个以上解码器层的一或多个参数直到所述训练数据集中的所述设计信息的所述模拟图像匹配所述训练数据集中的所述设计信息的实际图像。
18.根据权利要求17所述的系统，其中所述训练是监督式的。
19.根据权利要求17所述的系统，其中所述一或多个参数包括权重。
20.根据权利要求1所述的系统，其中所述两个或两个以上编码器层是固定的。
21.根据权利要求1所述的系统，其中所述两个或两个以上编码器层是可训练的。
22.根据权利要求1所述的系统，其中所述两个或两个以上解码器层包括所述两个或两个以上解码器层的第一及第二部分，且其中联合建构所述第一及第二部分。
23.根据权利要求1所述的系统，其中所述两个或两个以上解码器层包括所述两个或两个以上解码器层的第一及第二部分，且其中所述一或多个计算机子系统经配置以联合训练所述第一及第二部分。
24.根据权利要求1所述的系统，其中所述两个或两个以上解码器层包括配置于第一遍次中的所述两个或两个以上解码器层的第一部分及配置于第二遍次中的所述两个或两个以上解码器层的第二部分。
25.根据权利要求1所述的系统，其中所述两个或两个以上解码器层包括经由通道配置配置为单个遍次的所述两个或两个以上解码器层的第一及第二部分。
26.根据权利要求1所述的系统，其中所述两个或两个以上解码器层进一步经配置以从所述经确定特征再生所述设计信息。
27.根据权利要求1所述的系统，其中在对所述样本执行过程之后由所述成像系统针对所述样本产生一或多个实际图像，且其中所述过程包括并非光刻工艺的最终制造过程步骤。
28.根据权利要求1所述的系统，其中所述一或多个模拟图像中的至少一者说明用于所述一或多个模拟图像的一或多个统计数据。
29.根据权利要求28所述的系统，其中所述一或多个统计数据包括从由以下各者构成的群组选出的一或多个分布：伯努利分布、二项式分布、多项式分布、帕松二项式分布、贝他二项式分布、贝他多项式分布、波兹曼分布、帕松分布、康威-马克士威-帕松分布、贝他分布、高斯/常态分布、偏斜常态分布、瑞利分布、拉普拉斯分布、伽玛分布、柏拉图分布、student-t分布、多变量高斯/常态分布、多变量student-t分布、狄氏分布、矩阵高斯/常态分布及矩阵t分布。
30.根据权利要求1所述的系统，其中产生所述一或多个模拟图像包括从所述经确定特征直接导出所述一或多个模拟图像。
31.根据权利要求1所述的系统，其中所述成像系统是基于电子束的成像系统。
32.根据权利要求1所述的系统，其中所述成像系统是基于光学的成像系统。
33.根据权利要求1所述的系统，其中所述成像系统是检验系统。
34.根据权利要求1所述的系统，其中所述成像系统是缺陷检视系统。
35.根据权利要求1所述的系统，其中所述成像系统是计量系统。
36.根据权利要求1所述的系统，其中所述样本是晶片。
37.根据权利要求1所述的系统，其中所述样本是分划板。
38.根据权利要求1所述的系统，其中所述成像系统经配置以获取所述一或多个实际图像及所述一或多个模拟图像且通过比较所述一或多个实际图像与所述一或多个模拟图像而检测所述样本上的缺陷。
39.根据权利要求1所述的系统，其中所述成像系统经配置以使用所述一或多个模拟图像执行所述成像系统的校准。
40.根据权利要求1所述的系统，其中所述成像系统经配置以执行所述一或多个实际图像到所述一或多个模拟图像的对准。
41.一种经配置以从设计信息产生模拟图像的系统，其包括：
一或多个计算机子系统；
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：
生成模型，其中所述生成模型包括：
两个或两个以上编码器层，其经配置以确定用于样本的设计信息的特征；及
两个或两个以上解码器层，其经配置以从所述经确定特征产生一或多个模拟图像，其中所述一或多个模拟图像说明形成于所述样本上的所述设计信息如何出现在所述样本的一或多个实际图像中；及
成像子系统，其经配置以产生所述样本的所述一或多个实际图像，其中所述一或多个计算机子系统经配置以获取所述一或多个实际图像及所述一或多个模拟图像且基于所述一或多个实际图像及所述一或多个模拟图像而针对所述样本执行一或多个功能。
42.一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用于执行用于从设计信息产生模拟图像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：
通过将用于样本的设计信息输入到生成模型的两个或两个以上编码器层而确定所述设计信息的特征；及
通过将所述经确定特征输入到所述生成模型的两个或两个以上解码器层而产生一或多个模拟图像，其中所述一或多个模拟图像说明形成于所述样本上的所述设计信息如何出现在由成像系统产生的所述样本的一或多个实际图像中。
43.一种用于从设计信息产生模拟图像的计算机实施方法，其包括：
通过将用于样本的设计信息输入到生成模型的两个或两个以上编码器层而确定所述设计信息的特征；及
通过将所述经确定特征输入到所述生成模型的两个或两个以上解码器层而产生一或多个模拟图像，其中所述一或多个模拟图像说明形成于所述样本上的所述设计信息如何出现在由成像系统产生的所述样本的一或多个实际图像中，且其中使用一或多个计算机系统执行所述确定及所述产生。
CN201680065641.2A 2015-11-19 2016-11-17 从设计信息产生模拟图像 Active CN108351600B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562257453P 2015-11-19 2015-11-19
US62/257,453 2015-11-19
US15/176,139 US9965901B2 (en) 2015-11-19 2016-06-07 Generating simulated images from design information
US15/176,139 2016-06-07
PCT/US2016/062500 WO2017087653A2 (en) 2015-11-19 2016-11-17 Generating simulated images from design information

Publications (2)

Publication Number Publication Date
CN108351600A true CN108351600A (zh) 2018-07-31
CN108351600B CN108351600B (zh) 2019-10-25

Family

ID=58717921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680065641.2A Active CN108351600B (zh) 2015-11-19 2016-11-17 从设计信息产生模拟图像

Country Status (7)

Country Link
US (1) US9965901B2 (zh)
EP (1) EP3350654A4 (zh)
KR (1) KR102445522B1 (zh)
CN (1) CN108351600B (zh)
IL (1) IL258890B (zh)
TW (1) TWI707300B (zh)
WO (1) WO2017087653A2 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658330A (zh) * 2018-12-10 2019-04-19 广州市久邦数码科技有限公司 一种发色调整方法及装置
CN111325854A (zh) * 2018-12-17 2020-06-23 三菱重工业株式会社 形状模型修正装置及形状模型修正方法以及存储介质
CN111352148A (zh) * 2018-12-20 2020-06-30 Fei公司 利用对束图像的卷积神经网络的评估进行的光学对准校正
CN111553012A (zh) * 2020-04-28 2020-08-18 广东博智林机器人有限公司 一种家装设计方法、装置、电子设备及存储介质
CN112764316A (zh) * 2019-10-21 2021-05-07 联华电子股份有限公司 步进曝光机的控制设备与控制方法

Families Citing this family (91)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
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
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
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
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10267748B2 (en) 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US11037330B2 (en) 2017-04-08 2021-06-15 Intel Corporation Low rank matrix compression
US10922556B2 (en) * 2017-04-28 2021-02-16 Intel Corporation Storage system of DNN outputs for black box
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
JP6973742B2 (ja) * 2017-06-15 2021-12-01 リョーエイ株式会社 金属加工面の検査方法、金属加工面の検査装置
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
US10095977B1 (en) * 2017-10-04 2018-10-09 StradVision, Inc. Learning method and learning device for improving image segmentation and testing method and testing device using the same
US10592368B2 (en) * 2017-10-26 2020-03-17 International Business Machines Corporation Missing values imputation of sequential data
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
US20210035340A1 (en) * 2018-02-12 2021-02-04 Rensselaer Polytechnic Institute Ct big data from simulation, emulation and transfer learning
US10783660B2 (en) 2018-02-21 2020-09-22 International Business Machines Corporation Detecting object pose using autoencoders
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
KR102196820B1 (ko) * 2018-03-05 2020-12-30 서울대학교산학협력단 독성 가스 릴리스 모델링 장치 및 모델링 방법
US10552714B2 (en) * 2018-03-16 2020-02-04 Ebay Inc. Generating a digital image using a generative adversarial network
WO2019183153A1 (en) 2018-03-21 2019-09-26 Kla-Tencor Corporation Training a machine learning model with synthetic images
US10621718B2 (en) * 2018-03-23 2020-04-14 Kla-Tencor Corp. Aided image reconstruction
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
JP7017462B2 (ja) * 2018-04-26 2022-02-08 株式会社神戸製鋼所 学習画像生成装置及び学習画像生成方法、並びに画像認識装置及び画像認識方法
DE102018207876A1 (de) 2018-05-18 2019-06-06 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Erzeugen von Bildern für photolithographische Masken aus Designdaten
US10615067B2 (en) 2018-05-18 2020-04-07 Kla-Tencor Corporation Phase filter for enhanced defect detection in multilayer structure
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
US10579764B2 (en) * 2018-06-06 2020-03-03 International Business Machines Corporation Co-modeling post-lithography critical dimensions and post-etch critical dimensions with multi-task neural networks
US10621301B2 (en) 2018-06-06 2020-04-14 International Business Machines Corporation Coordinates-based variational autoencoder for generating synthetic via layout patterns
DE102018209562B3 (de) 2018-06-14 2019-12-12 Carl Zeiss Smt Gmbh Vorrichtungen und Verfahren zur Untersuchung und/oder Bearbeitung eines Elements für die Photolithographie
US10169852B1 (en) 2018-07-03 2019-01-01 Nanotronics Imaging, Inc. Systems, devices, and methods for providing feedback on and improving the accuracy of super-resolution imaging
DE102018211099B4 (de) 2018-07-05 2020-06-18 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses
CN109214408A (zh) * 2018-07-10 2019-01-15 武汉科技大学 基于生成对抗模型识别肝肿瘤的方法及装置
CN109102496B (zh) * 2018-07-10 2022-07-26 武汉科技大学 基于变分生成对抗模型识别乳腺肿瘤区域的方法及装置
US10846845B2 (en) * 2018-07-25 2020-11-24 Fei Company Training an artificial neural network using simulated specimen images
KR102538785B1 (ko) 2018-07-27 2023-05-31 삼성전자주식회사 컴퓨터 지원 설계(cad) 파일로부터 웨이퍼 이미지를 생성하는 방법 및 시스템
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
KR20210036962A (ko) * 2018-08-28 2021-04-05 에이에스엠엘 네델란즈 비.브이. 최적의 계측 안내 시스템들 및 방법들
CN110148170A (zh) * 2018-08-31 2019-08-20 北京初速度科技有限公司 一种应用于车辆定位的定位初始化方法及车载终端
CN112640037A (zh) * 2018-09-03 2021-04-09 首选网络株式会社 学习装置、推理装置、学习模型的生成方法及推理方法
CN112640038A (zh) * 2018-09-03 2021-04-09 首选网络株式会社 学习装置、推断装置及学习完成模型
KR102150673B1 (ko) * 2018-10-02 2020-09-01 (주)지엘테크 외관불량 검사방법 및 외관불량 검사 시스템
US11157765B2 (en) 2018-11-21 2021-10-26 Samsung Electronics Co., Ltd. Method and system for determining physical characteristics of objects
JP7250126B2 (ja) 2018-11-27 2023-03-31 レイセオン カンパニー 自動エンコーダを用いる人工画像生成のためのコンピュータアーキテクチャ
EP3671347A1 (en) * 2018-12-19 2020-06-24 ASML Netherlands B.V. Method for controling a manufacturing process and associated apparatuses
US11170475B2 (en) * 2019-01-10 2021-11-09 Kla Corporation Image noise reduction using stacked denoising auto-encoder
JP7192512B2 (ja) 2019-01-11 2022-12-20 富士通株式会社 学習プログラム、学習装置及び学習方法
JP7180393B2 (ja) * 2019-01-11 2022-11-30 富士通株式会社 学習プログラム、学習装置及び学習方法
US10902582B2 (en) * 2019-01-17 2021-01-26 Applied Materials Israel, Ltd. Computerized system and method for obtaining information about a region of an object
US11815470B2 (en) 2019-01-17 2023-11-14 Applied Materials Israel, Ltd. Multi-perspective wafer analysis
KR20200099252A (ko) 2019-02-13 2020-08-24 삼성전자주식회사 회로 디자인을 검증하기 위한 검증 벡터를 생성하는 장치, 회로 디자인 시스템 및 이의 강화 학습 방법
US10922808B2 (en) 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment
US11182929B2 (en) * 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US11263496B2 (en) 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
US11551348B2 (en) * 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
US11900026B1 (en) 2019-04-24 2024-02-13 X Development Llc Learned fabrication constraints for optimizing physical devices
SG11202111977XA (en) 2019-06-03 2021-11-29 Hamamatsu Photonics Kk Method for inspecting semiconductor and semiconductor inspecting device
WO2020246149A1 (ja) * 2019-06-03 2020-12-10 浜松ホトニクス株式会社 半導体検査装置及び半導体検査方法
US11379633B2 (en) 2019-06-05 2022-07-05 X Development Llc Cascading models for optimization of fabrication and design of a physical device
KR20220002572A (ko) 2019-06-13 2022-01-06 주식회사 히타치하이테크 화상 처리 프로그램, 화상 처리 장치 및 화상 처리 방법
US11120313B2 (en) * 2019-07-15 2021-09-14 International Business Machines Corporation Generating search determinations for assortment planning using visual sketches
CN110489661B (zh) * 2019-07-24 2022-04-26 武汉大学 一种基于生成对抗网络和迁移学习的社交关系预测方法
US11880193B2 (en) * 2019-07-26 2024-01-23 Kla Corporation System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
CN110633677B (zh) * 2019-09-18 2023-05-26 威盛电子股份有限公司 人脸识别的方法及装置
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11087449B2 (en) 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
SE1930421A1 (en) * 2019-12-30 2021-07-01 Unibap Ab Method and means for detection of imperfections in products
KR20210109387A (ko) 2020-02-27 2021-09-06 성균관대학교산학협력단 양방향 연관성 듀얼 오토인코더 및 이를 이용한 이미지 변환 방법
US11961219B2 (en) * 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
TWI759733B (zh) * 2020-04-28 2022-04-01 友達光電股份有限公司 人工智慧自動光學檢測方法及系統
TWI785582B (zh) * 2020-05-08 2022-12-01 荷蘭商Ａｓｍｌ荷蘭公司 用於在帶電粒子束檢測系統中增強檢測影像之方法、影像增強裝置及其相關非暫時性電腦可讀媒體
CN115698690A (zh) * 2020-06-16 2023-02-03 株式会社日立高新技术 图像处理方法、形状检查方法、图像处理系统以及形状检查系统
KR20230038764A (ko) * 2020-07-14 2023-03-21 에이에스엠엘 네델란즈 비.브이. 노이즈 제거 모델 생성 장치 및 방법
US11776108B2 (en) 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
US11250199B1 (en) * 2020-09-16 2022-02-15 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for generating shape data for electronic designs
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
US11874899B2 (en) 2020-12-15 2024-01-16 International Business Machines Corporation Automated multimodal adaptation of multimedia content
US20220301133A1 (en) * 2021-03-16 2022-09-22 Kla Corporation Segmentation of design care areas with a rendered design image
FR3127061B1 (fr) * 2021-09-15 2024-01-12 Faurecia Sieges Dautomobile Procédé de génération d’images d’apprentissage pour l’apprentissage supervisé d’un modèle de détection de défaut d’un objet manufacturé
WO2023091970A1 (en) * 2021-11-16 2023-05-25 The General Hospital Corporation Live-cell label-free prediction of single-cell omics profiles by microscopy
DE102021213084A1 (de) 2021-11-22 2022-12-15 Carl Zeiss Smt Gmbh Verfahren zum Betreiben eines EUV-Reflektometers
US11886955B2 (en) 2022-02-16 2024-01-30 Protopia AI, Inc. Self-supervised data obfuscation in foundation models
WO2023156125A1 (en) * 2022-02-17 2023-08-24 Asml Netherlands B.V. Systems and methods for defect location binning in charged-particle systems

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1648768A (zh) * 2004-01-26 2005-08-03 株式会社东芝 自动设计装置和方法及所制中间掩模组和半导体集成电路
CN101990636A (zh) * 2008-04-09 2011-03-23 株式会社尼康 表面检查方法和表面检查装置
WO2013158573A1 (en) * 2012-04-18 2013-10-24 D2S, Inc. Method and system for forming patterns using charged particle beam lithograph
CN103645612A (zh) * 2013-11-29 2014-03-19 上海华力微电子有限公司 光刻工艺图形缺陷检测方法
US20140247438A1 (en) * 2011-09-24 2014-09-04 Globalfoundries Inc. Reticle defect correction by second exposure
US20160026750A1 (en) * 2009-10-28 2016-01-28 Asml Netherlands B.V. Pattern selection for full-chip source and mask optimization

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6691052B1 (en) * 2002-01-30 2004-02-10 Kla-Tencor Corporation Apparatus and methods for generating an inspection reference pattern
US7018746B2 (en) * 2003-04-15 2006-03-28 International Business Machines Corporation Method of verifying the placement of sub-resolution assist features in a photomask layout
US7523429B2 (en) * 2004-02-20 2009-04-21 Takumi Technology Corporation System for designing integrated circuits with enhanced manufacturability
JP4159512B2 (ja) 2004-05-31 2008-10-01 日本電気株式会社 画像パターン補正方法、及びそれを適用した模擬画像生成方法、並びにパターン外観検査方法
JP4758427B2 (ja) 2004-07-21 2011-08-31 ケーエルエー−テンカー コーポレイション シミュレーション・プログラムのための入力生成、あるいは、レチクルのシミュレート画像生成のためのコンピュータに実装された方法
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP4933888B2 (ja) 2006-09-19 2012-05-16 株式会社リコー 画像形成装置および画像形成方法
US8611637B2 (en) * 2007-01-11 2013-12-17 Kla-Tencor Corporation Wafer plane detection of lithographically significant contamination photomask defects
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
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
WO2011096136A1 (ja) 2010-02-02 2011-08-11 コニカミノルタホールディングス株式会社 疑似画像生成装置および疑似画像生成方法
JP2011221350A (ja) 2010-04-12 2011-11-04 Advantest Corp マスク検査装置及び画像生成方法
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
KR101603859B1 (ko) * 2011-12-30 2016-03-16 인텔 코포레이션 프로세스 최적화를 위한 위상 조정 기법들
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
TWI661265B (zh) * 2014-03-10 2019-06-01 美商Ｄ２Ｓ公司 使用多重射束帶電粒子束微影術於表面上形成圖案之方法
KR102006321B1 (ko) * 2014-04-14 2019-08-01 에이에스엠엘 네델란즈 비.브이. 리소그래피 공정들에 대한 최적화의 흐름들

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1648768A (zh) * 2004-01-26 2005-08-03 株式会社东芝 自动设计装置和方法及所制中间掩模组和半导体集成电路
CN101990636A (zh) * 2008-04-09 2011-03-23 株式会社尼康 表面检查方法和表面检查装置
US20160026750A1 (en) * 2009-10-28 2016-01-28 Asml Netherlands B.V. Pattern selection for full-chip source and mask optimization
US20140247438A1 (en) * 2011-09-24 2014-09-04 Globalfoundries Inc. Reticle defect correction by second exposure
WO2013158573A1 (en) * 2012-04-18 2013-10-24 D2S, Inc. Method and system for forming patterns using charged particle beam lithograph
CN103645612A (zh) * 2013-11-29 2014-03-19 上海华力微电子有限公司 光刻工艺图形缺陷检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658330A (zh) * 2018-12-10 2019-04-19 广州市久邦数码科技有限公司 一种发色调整方法及装置
CN109658330B (zh) * 2018-12-10 2023-12-26 广州市久邦数码科技有限公司 一种发色调整方法及装置
CN111325854A (zh) * 2018-12-17 2020-06-23 三菱重工业株式会社 形状模型修正装置及形状模型修正方法以及存储介质
CN111325854B (zh) * 2018-12-17 2023-10-24 三菱重工业株式会社 形状模型修正装置及形状模型修正方法以及存储介质
CN111352148A (zh) * 2018-12-20 2020-06-30 Fei公司 利用对束图像的卷积神经网络的评估进行的光学对准校正
CN111352148B (zh) * 2018-12-20 2022-12-20 Fei公司 利用对束图像的卷积神经网络的评估进行的光学对准校正
CN112764316A (zh) * 2019-10-21 2021-05-07 联华电子股份有限公司 步进曝光机的控制设备与控制方法
CN112764316B (zh) * 2019-10-21 2024-05-14 联华电子股份有限公司 步进曝光机的控制设备与控制方法
CN111553012A (zh) * 2020-04-28 2020-08-18 广东博智林机器人有限公司 一种家装设计方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108351600B (zh) 2019-10-25
TWI707300B (zh) 2020-10-11
US9965901B2 (en) 2018-05-08
IL258890A (en) 2018-07-31
WO2017087653A2 (en) 2017-05-26
IL258890B (en) 2021-08-31
EP3350654A4 (en) 2019-09-18
KR20180073704A (ko) 2018-07-02
WO2017087653A3 (en) 2017-06-29
TW201740349A (zh) 2017-11-16
EP3350654A2 (en) 2018-07-25
KR102445522B1 (ko) 2022-09-20
US20170148226A1 (en) 2017-05-25

Similar Documents

Publication Publication Date Title
CN108351600B (zh) 从设计信息产生模拟图像
JP7122386B2 (ja) 低解像度画像における欠陥検出のためのニューラルネットワークのトレーニング
JP6758418B2 (ja) 半導体用途のための、入力画像からのシミュレーション画像の生成
JP6941103B2 (ja) 半導体用途のための機械学習ベースのモデルの加速トレーニング
CN108475350B (zh) 使用基于学习的模型加速半导体缺陷检测的方法和系统
JP6893514B2 (ja) ハイブリッドインスペクタ
JP6853273B2 (ja) ニューラルネットワークと順物理モデルを半導体用途に組み込んだシステムおよび方法
TWI713672B (zh) 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法
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
TW201734825A (zh) 用於半導體應用之以機器學習之模型為基礎之加速訓練
CN109844918A (zh) 用于经配置用于半导体应用的深度学习模型的诊断系统及方法
CN108291878A (zh) 单一图像检测
US11983865B2 (en) Deep generative model-based alignment for semiconductor applications

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