CN108352336A - 确定样品上所关注图案的一或多个特性 - Google Patents

确定样品上所关注图案的一或多个特性 Download PDF

Info

Publication number
CN108352336A
CN108352336A CN201680061870.7A CN201680061870A CN108352336A CN 108352336 A CN108352336 A CN 108352336A CN 201680061870 A CN201680061870 A CN 201680061870A CN 108352336 A CN108352336 A CN 108352336A
Authority
CN
China
Prior art keywords
output
subsystem
examples
checking system
pattern
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
CN201680061870.7A
Other languages
English (en)
Other versions
CN108352336B (zh
Inventor
M·莱内克
A·帕克
B·达菲
A·库尔卡尼
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 CN108352336A publication Critical patent/CN108352336A/zh
Application granted granted Critical
Publication of CN108352336B publication Critical patent/CN108352336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
    • 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
    • G01N2021/95676—Masks, reticles, shadow masks
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

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

Abstract

本发明提供用于确定所关注图案POI的特性的方法及系统。一个系统经配置以获取检验系统在POI实例处产生的输出而不检测所述POI实例处的缺陷。接着使用所述输出以产生所述POI实例的选择。接着所述系统针对所述经选择的POI实例从输出获取子系统获取输出。所述系统还使用从所述输出获取子系统获取的所述输出确定所述POI的特性。

Description

确定样品上所关注图案的一或多个特性
技术领域
本发明大体上涉及用于确定样品上所关注图案的一或多个特性的方法及系统。
背景技术
以下描述及实例不因其包含于此段落中而被承认是现有技术。
在半导体制造工艺期间的各个步骤使用检验过程以检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终是制造半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对于可接受半导体装置的成功制造变得更为重要，这是因为较小缺陷可导致装置故障。
缺陷复检通常涉及重新检测由检验过程检测为缺陷的缺陷且使用高倍放大光学系统或扫描电子显微镜(SEM)以较高分辨率产生关于缺陷的额外信息。因此，在其中已由检验检测到缺陷的晶片上的离散位置处执行缺陷复检。由缺陷复检产生的针对缺陷的较高分辨率数据更适合于确定缺陷的属性，例如轮廓、粗糙度、更精确大小信息等。
在半导体制造工艺期间的各个步骤还使用计量过程以监测且控制过程。计量过程与检验过程不同之处在于：不同于其中在晶片上检测缺陷的检验过程，计量过程用于测量使用当前使用的检验工具无法确定的晶片的一或多个特性。举例来说，计量过程用于测量晶片的一或多个特性(例如在工艺期间形成于晶片上的特征的尺寸(例如，线宽、厚度等))使得可从一或多个特性确定工艺的性能。另外，如果晶片的一或多个特性不可接受(例如，在特性的经预先确定范围之外)，那么可使用晶片的一或多个特性的测量以更改工艺的一或多个参数使得由工艺制造的额外晶片具有可接受特性。
计量过程与缺陷复检过程不同之处还在于：不同于其中在缺陷复检中重访由检验检测的缺陷的缺陷复检过程，可在未检测缺陷的位置处执行计量过程。换句话来说，不同于缺陷复检，在晶片上执行计量过程的位置可独立于在晶片上执行的检验过程的结果。特定来说，可独立于检验结果选择执行计量过程的位置。另外，由于可独立于检验结果选择晶片上执行计量的位置，所以不同于其中无法确定晶片上希望执行缺陷复检的位置直到产生且可用晶片的检验结果的缺陷复检，可在晶片上已执行检验过程之前确定执行计量过程的位置。
虽然事实是计量通常独立于检验且主要由对于测量多边形的形态关键或友好的位点驱动且缺陷复检通常依赖于检验且由已检测缺陷的位点驱动，但并非始终如此。举例来说，在检验驱动的计量的情况中，可使用检验结果以引导选择反常于全部可用测量位点的位点。在另一实例中，还可通过使用通过采用模拟或设计驱动位点而选择的位点且接着使用缺陷复检工具仅收集那些指定位点的图像而在无检验的情况下执行复检。在2010年5月4日颁予帕克(Park)等人的第7,711,514号美国专利及在2013年10月15日颁予张(Chang)等人的第8,559,001号美国专利中说明此类方法及系统的实例，所述两个专利以宛如全文陈述引用的方式并入本文中。
一般来说，使用如上文描述的检验工具执行缺陷检测且接着在位置的固定样本上执行额外测量(例如使用SEM执行的临界尺寸(CD)测量)。然而，用于产生用于缺陷复检或计量的样本的当前使用的方法及系统存在若干缺点。举例来说，归因于CD SEM的基本上低区域及图案覆盖及使用阈值化技术的检验工具的不足灵敏度，实际上可能无法观察影响产品电路图案的良率相关属性的变化源。
因此，开发用于确定样品上所关注图案的一或多个特性而无上文描述的一或多个缺点的系统及方法将是有利的。
发明内容
各个实施例的以下描述绝不应理解为限制所附权利要求书的标的物。
一个实施例涉及一种经配置以确定样品上所关注图案(POI)的一或多个特性的系统。所述系统包含输出获取子系统，所述输出获取子系统包含至少一能源及检测器。所述输出获取子系统经配置以将由所述能源产生的能量引导到样品而所述检测器检测来自所述样品的能量且响应于所述检测到的能量产生输出。所述系统还包含计算机子系统，所述计算机子系统包含经配置以执行来自存储器媒体的指令的一或多个处理器。所述计算机子系统经配置用于获取由检验系统针对所述样品上的POI的至少大多数实例产生且存储于计算机可读存储媒体中的所述检验系统的输出。所述检验系统以低于所述输出获取子系统的分辨率的分辨率获取所述输出。与所述输出的特性无关，所述检验系统存储在所述至少大多数实例处获取的所述输出。所述计算机子系统还经配置用于选择由所述输出获取子系统产生所述输出的所述至少大多数实例中的一或多者。所述选择是基于所述检验系统的所述输出的所述特性执行。另外，所述计算机子系统经配置用于获取由所述输出获取子系统针对所述至少大多数实例中的所述所选择的一或多者产生的所述输出。在所述至少大多数实例中的所述所选择的一或多者处获取所述输出的所述输出获取子系统的所述分辨率高于所述检验系统的所述分辨率。所述系统进一步经配置用于基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出确定所述POI的一或多个特性。可如本文中描述那样进一步配置所述系统。
另一实施例涉及一种用于确定样品上POI的一或多个特性的计算机实施方法。所述方法包含获取由检验系统针对样品上的POI的至少大多数实例产生且存储于计算机可读存储媒体中的所述检验系统的输出。所述检验系统以低于输出获取子系统的分辨率的分辨率获取所述输出。与所述输出的特性无关，所述检验系统存储在所述至少大多数实例处获取的所述输出。所述输出获取子系统包含至少一能源及检测器。所述输出获取子系统经配置以将由所述能源产生的能量引导到所述样品而所述检测器检测来自所述样品的能量且响应于所述检测到的能量产生输出。所述方法还包含选择由所述输出获取子系统产生所述输出的所述至少大多数实例中的一或多者。基于所述检验系统的所述输出的所述特性执行所述选择。另外，所述方法包含获取由所述输出获取子系统针对所述至少大多数实例中的所述所选择的一或多者产生的所述输出。所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处获取所述输出的所述分辨率高于所述检验系统的所述分辨率。另外，所述方法包含基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出确定所述POI的一或多个特性。由耦合到所述输出获取子系统的计算机子系统执行获取所述检验系统的所述输出、选择所述至少大多数实例中的所述一或多者、获取由所述输出获取子系统产生的所述输出及确定所述一或多个特性。所述计算机子系统包含经配置以执行来自存储器媒体的指令的一或多个处理器。
可如本文中进一步描述那样进一步执行上文描述的方法的每一步骤。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，上文描述的方法可由本文中描述的所述系统的任何者执行。
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确定样品上POI的一或多个特性的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。可如本文中描述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那样执行所述计算机实施方法的步骤。另外，可针对其执行所述程序指令的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
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，所属领域的技术人员将了解本发明的另外优点，其中：
图1及1a是说明经配置以确定样品上所关注图案(POI)的一或多个特性的系统的实施例的侧视图的示意图；及
图2是说明存储用于导致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。
虽然本发明易于受各种修改及替代形式影响，但本发明的特定实施例通过图式中的实例展示且在本文中详细描述。图式可不按比例绘制。然而，应理解，图式及其详细描述不希望将本发明限于所揭示的特定形式，而相反，本发明希望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全部修改、等效物及替代物。
具体实施方式
如本文中使用的术语“设计”及“设计数据”通常是指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/或其导出物可用作用于设计的“代理”或“若干代理”。此光罩图像或其导出物可在使用设计的本文中描述的任何实施例中充当对于设计布局的取代物。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、设计数据的导出物及完全或部分芯片设计数据。
然而，一般来说，无法通过使用晶片检验系统使晶片成像而产生设计信息或数据。举例来说，形成于晶片上的设计图案无法准确表示晶片设计且晶片检验系统可能无法用足以使得可使用形成于晶片上的设计图案的图像来确定关于晶片设计的信息的分辨率产生所述图像。因此，一般来说，无法使用物理晶片产生设计信息或设计数据。另外，本文中描述的“设计”及“设计数据”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任何物理晶片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市售元件。
一个实施例涉及一种经配置以确定样品上所关注图案(POI)的一或多个特性的系统。本文中描述的实施例通常经配置用于图案映射计量及支撑基础设施。举例来说，本文中描述的实施例通常经配置用于结合从光学数据引伸的位点样本的高分辨率测量而获取及分析半导体芯片内的全部POI实例的实质部分上的图案化相关光学信号。此能力与工程师学习(发现)及生产监测相关。
所述系统包含输出获取子系统，所述输出获取子系统包含至少一能源及检测器。所述输出获取子系统经配置以将由所述能源产生的能量引导到样品而检测器检测来自所述样品的能量且响应于所述检测到的能量而产生输出。
在一个实施例中，所述样品是晶片。在另一实施例中，所述样品是光罩。晶片及光罩可包含所属领域中已知的任何晶片及光罩。一般来说，本文中描述的实施例可用于样品，例如图案化半导体晶片或光罩或需要基本上高精确度图案化的其它衬底。可以任何适合方式图案化半导体晶片及光罩及其它衬底。所述样品还可经受一或多个实验设计(DOE)。举例来说，DOE可包含过程窗合格性鉴定(PWQ)。可如2005年6月7日颁予彼得森(Peterson)等人的第6,902,855号美国专利、2008年8月26日颁予彼得森等人的第7,418,124号美国专利、2010年8月3日颁予柯卡尔(Kekare)等人的第7,769,225号美国专利、2011年10月18日颁予帕克(Pak)等人的第8,041,106号美国专利及2012年7月3日颁予彼得森等人的第8,213,704号美国专利中描述那样执行PWQ，所述专利以宛如全文陈述引用的方式并入本文中。本文中描述的实施例可包含这些专利中描述的任何方法的任何步骤且可如这些专利中描述那样进一步配置。可如这些专利中描述那样印刷PWQ晶片。
在一个实施例中，能源是光源，且由检测器检测的能量包含光。以此方式，输出获取子系统可经配置为光学或基于光的输出获取子系统。在图1中将此输出获取子系统的一个实施例展示为系统102的输出获取子系统100。输出获取子系统经配置用于将光引导到样品且检测来自样品的光。举例来说，如图1中展示，输出获取子系统包含光源104，光源104可包含所属领域中已知的任何适合光源。在一个实例中，光源可为宽带等离子体(BBP)光源，其可为所属领域中已知的任何适合此光源。引导到样品的光可包含单色光、多色光或宽带光。
可将来自光源的光引导到光束分离器106，光束分离器106可经配置以将来自光源的光引导到样品108。光源可耦合到任何其它适合元件(未展示)，例如一或多个聚光透镜、准直透镜、中继透镜、物镜、孔径、光谱滤波器、偏光组件及类似者。如图1中展示，可按法向入射角将光引导到样品。然而，可按任何适合入射(包含近法向及倾斜入射)角将光引导到样品。另外，可按一个以上入射角依序或同时将光或多个光束引导到样品。输出获取子系统可经配置以按任何适合方式使光扫描遍及样品。
可在扫描期间由输出获取子系统的一或多个检测器收集且检测来自样品108的光。举例来说，按相对接近法向的角度从样品108反射的光(即，当入射为法向时经镜面反射的光)可穿过光束分离器106到透镜110。透镜110可包含如图1中展示的折射光学元件。另外，透镜110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。由透镜110收集的光可经聚焦到检测器112。检测器112可包含所属领域中已知的任何适合检测器，例如电荷耦合装置(CCD)或另一类型的成像检测器。检测器112经配置以产生响应于由透镜110收集的反射光的输出。因此，透镜110及检测器112形成输出获取子系统的一个通道。输出获取子系统的此通道可包含所属领域中已知的任何其它适合光学组件(未展示)。检测器的输出可包含(例如)图像、图像数据、信号、图像信号或可由适用于晶片或光罩输出获取系统中的检测器产生的任何其它输出。
由于图1中展示的输出获取子系统经配置以检测从样品镜面反射的光，所以输出获取子系统经配置为明场(BF)输出获取子系统。然而，此输出获取子系统还可经配置用于其它类型的输出获取。举例来说，图1中展示的输出获取子系统还可包含一或多个其它通道(未展示)。其它通道可包含经配置为散射光通道的本文中描述的任何光学组件，例如透镜及检测器。可如本文中描述那样进一步配置透镜及检测器。以此方式，输出获取子系统还可经配置用于暗场(DF)输出获取。
应注意，本文中提供图1以大体上说明可包含于本文中描述的系统实施例中的基于光的输出获取子系统的配置。显然，可更改本文中描述的输出获取子系统配置以如在设计商业输出获取系统时通常执行那样优化输出获取子系统的性能。另外，可使用例如商业上可购自科磊公司(KLA-Tencor)的SpectraShape系列的工具及Archer系列的工具的现存输出获取子系统(例如，通过将本文中描述的功能性添加到现存输出获取系统)而实施本文中描述的系统。对于一些此类系统，本文中描述的方法可提供为系统的任选功能性(例如，除了系统的其它功能性之外)。替代地，可“从头开始”设计本文中描述的系统以提供全新系统。可如本文中描述那样进一步配置图1中展示的系统。
虽然在上文中将系统描述为光学或基于光的输出获取系统，但输出获取子系统可为基于电子束的子系统。在一个此实施例中，能源是电子束源且由检测器检测的能量包含电子。在图1a中展示的一个此实施例中，输出获取子系统包含耦合到计算机子系统124的电子柱122。
还如图1a中展示，电子柱包含经配置以产生由一或多个元件130聚焦到样品128的电子的电子束源126。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)电子枪透镜、阳极、光束限制孔径、闸阀、束电流选择孔径、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类适合元件。
从样品返回的电子(例如，二次电子)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，所述扫描子系统可为包含于元件130中的相同扫描子系统。
电子柱可包含所属领域中已知的任何其它适合元件。另外，可如2014年4月4日颁予蒋(Jiang)等人的第8,664,594号美国专利、2014年4月8日颁予小岛(Kojima)等人的第8,692,204号美国专利、2014年4月15日颁予固本(Gubbens)等人的第8,698,093号美国专利及2014年5月6日颁予麦克唐纳(MacDonald)等人的第8,716,662号美国专利中所描述那样进一步配置电子柱，所述专利以宛如全文陈述引用的方式并入本文中。
虽然在图1a中将电子柱展示为经配置使得电子按倾斜入射角引导到样品且按另一倾斜角从样品散射，但应理解，电子束可按任何适合角度引导到样品且从样品散射。
计算机子系统124可耦合到检测器134，如本文中描述。检测器可检测从样品的表面返回的电子，借此形成样品的电子束图像。所述电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以使用由检测器134产生的输出执行本文中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。
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系统实施例中的基于电子束的输出获取子系统的配置。如同上文描述的光学子系统，可更改本文中描述的基于电子束的子系统配置以如在设计商业输出获取系统时通常执行那样优化输出获取子系统的性能。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(Milpitas)的科磊公司的eDR-xxxx系列的工具的现存输出获取子系统(例如，通过将本文中描述的功能性添加到现存输出获取系统)实施本文中描述的系统。对于一些此类系统，可将本文中描述的方法提供为系统的任选功能性(例如，除了系统的其它功能性之外)。替代地，可“从头开始”设计本文中描述的系统以提供全新系统。可如本文中描述那样进一步配置图1a中展示的系统。
虽然在上文中将输出获取子系统描述为基于光或基于电子束的输出获取子系统，但输出获取子系统可为基于离子束的输出获取子系统。举例来说，在一个实施例中，能源是带电粒子束源且由检测器检测的能量包含带电粒子。可如图1a中展示那样配置此输出获取子系统，除了使用所属领域中已知的任何适合离子束源替代电子束源之外。另外，输出获取子系统可为任何其它适合基于离子束的输出获取子系统，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仪(SIMS)系统中的基于离子束的输出获取子系统。
系统包含经配置用于执行本文中进一步描述的若干功能的计算机子系统。计算机子系统在本文中还可称为计算机系统。计算机子系统或系统可采用各种形式，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”可经广泛定义以涵盖包含经配置以执行来自存储器媒体的指令的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作为独立工具或网络工具。
计算机子系统可包含于包含输出获取子系统的系统中。举例来说，计算机子系统可为耦合到图1中展示的输出获取子系统102的计算机子系统114及/或图1a中展示的计算机子系统124。计算机子系统114可耦合到检测器112及输出获取子系统的任何其它检测器使得计算机子系统可接收由检测器产生的输出(例如，图像)。以类似方式，计算机子系统124可耦合到检测器134及输出获取子系统的任何其它检测器使得计算机子系统可接收由检测器产生的输出(例如，图像)。
计算机子系统还可或替代地包含独立类型的计算机系统。举例来说，如图1中展示，计算机子系统可包含计算机子系统116，计算机子系统116并非包含输出获取子系统的系统的部分。
计算机子系统可进一步包含作为电子设计自动化(EDA)工具的部分的计算机子系统，且本文中进一步描述的输出获取子系统并非EDA工具的部分。举例来说，如图1中展示，上文描述的计算机子系统可为包含于EDA工具120中的计算机子系统118。EDA工具及包含于此工具中的计算机子系统可包含可如本文中描述那样配置的任何市售EDA工具。因此，如本文中描述那样配置的计算机子系统可独立于用于获取针对样品的输出的输出获取系统。
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计算机子系统之间发送图像、数据、信息、指令等。举例来说，计算机子系统114可如由图1中的虚线展示那样由任何适合传输媒体(其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)耦合到独立计算机子系统116及/或EDA工具120的计算机子系统118。两个或两个以上此类计算机子系统还可由例如工厂数据库的共享计算机可读存储媒体(未展示)有效耦合。如果系统包含多个计算机子系统，那么不同计算机子系统可经配置以执行本文中进一步描述的不同功能。替代地，仅一个图1中展示的计算机子系统可经配置以执行本文中进一步描述的全部功能。
如本文中进一步描述，可基于POI及POI的一或多个实例执行若干步骤或功能。在一些实例中，本文中描述的实施例可经配置以识别样品上的POI及POI的实例。然而，在其它实例中，可从另一系统或方法获取关于样品上的POI及POI的实例的信息。在任一情况中，POI的位置可来自一或多个源。POI信息的源可包含物理设计(布局)数据库或其导出物(可包含模型化)。POI信息的另一源可包含其它光罩或晶片分析(包含工艺窗分析)。POI信息的额外源可包含具有相同或类似图案的晶片的电测试结果。POI信息的源还可包含物理故障分析。还存在用于决定在本文中描述的实施例中使用的POI的许多其它方法，在2010年3月9日颁予库尔卡尼(Kulkarni)等人的第7,676,077号美国专利及2013年12月17日颁予库尔卡尼等人的第8,611,639号美国专利中描述所述方法的实例，所述专利以宛如全文陈述引用的方式并入本文中。可如这些专利中描述那样进一步配置本文中描述的实施例。
计算机子系统经配置用于获取由检验系统针对样品上的POI的至少大多数实例产生且存储于计算机可读存储媒体中的所述检验系统的输出。举例来说，如图1中展示，检验系统122可针对样品及因此样品上的POI的实例产生输出且可将输出存储于计算机可读存储媒体124中。检验系统可如本文中进一步描述那样(例如，由可包含有线及无线传输媒体的一或多个传输媒体)耦合到计算机可读存储媒体。计算机可读存储媒体可包含本文中描述的任何计算机可读存储媒体。本文中描述的计算机子系统可(例如)由一或多个传输媒体耦合到如本文中进一步描述的计算机可读存储媒体使得计算机子系统可获取检验系统的输出。举例来说，如图1中展示，计算机子系统114及116可如由虚线(可包含本文中描述的一或多个传输媒体)展示那样耦合到计算机可读存储媒体124。检验系统及计算机可读存储媒体可以类似方式耦合到图2中展示的计算机子系统124。
可由检验系统针对样品上的POI实例的实质部分或全部产生光学或电子束信号。以此方式，系统可在样品上的POI实例的实质部分或全部上获取图案化相关的光学或电子束信号。由检验系统存储的检验系统的输出可包含针对样品产生的图像。以此方式，可将从其产生样品的特性的图像存储于存储装置中。接着，计算机子系统可从计算机可读存储媒体获取由检验系统针对至少大多数POI实例产生的输出。以此方式，计算机子系统可经配置用于从全部POI实例的实质部分处的光学或电子束信号获取属性。虽然可从计算机可读存储媒体获取检验系统的输出，但当使用存储装置时，物理样品可用于进一步分析。
检验系统以低于输出获取子系统的分辨率的分辨率获取输出。举例来说，检验系统可经配置为基本上高速光学图像获取及分析系统(例如，包含BBP光源的检验系统)。检验系统122可包含任何适合市售检验系统，例如商业上可购自科磊公司的29xx/39xx系列的工具或所属领域中已知的任何其它适合检验系统。另外，检验系统122可经配置为光学或基于光的检验系统或基于电子束的检验系统(其可包含所属领域中已知的任何适合基于电子束的检验系统)。
与输出的特性无关，检验系统存储在至少大多数实例处获取的输出。在一个实施例中，检验系统识别样品上的POI的至少大多数实例的位置而不检测样品上的缺陷。换句话来说，检验系统未将缺陷检测算法应用到针对样品产生的输出以检测晶片上的缺陷，接着，所述缺陷被标记为所关注区域或图案。代替地，与POI实例处的输出无关(即，与输出是否高于缺陷检测阈值无关)，检验系统可获取POI实例处的输出。因此，可将由检验系统针对POI实例执行的输出获取视为未阈值化，这是因为由检验系统获取且存储的输出不仅是高于缺陷检测阈值的输出。以此方式，相较于使用检验系统的正常输出获取(其中在产生输出时分析输出)，可延迟POI实例的分析。另外，可延迟在POI实例处获取的输出的分析直到收集针对晶片的全部输出。以此方式，输出获取过程可不同于由检验系统执行的正常输出获取，这是因为延迟关于何为离群点的判断直到收集针对整个样品(或样品的至少一实质部分)的输出。因此，如本文中描述那样获取且存储检验输出以用于延迟分析提供输出中的离群点的灵活分析及检测。另外，针对由检验系统针对POI实例产生的输出执行的输出分析可在x及y上不受约束。
在一个实施例中，图1中展示的计算机可读存储媒体124经配置为虚拟检验器(VI)。可如2012年2月28日颁予巴斯卡尔(Bhaskar)等人的共同指派的第8,126,255号美国专利及2014年8月28日由达菲(Duffy)等人发表的第2014/0241610号美国专利申请公开案及2016年1月28日由达菲等人发表的第2016/0025648号美国专利申请公开案中描述那样配置VI，所述公开案以宛如全文陈述引用的方式并入本文中。换句话来说，在一些实施例中，计算机可读存储媒体可经配置为虚拟检验系统。在这些实施例中，检验系统的输出可为先前由光学或电子束检验系统的一或多个检测器产生且存储于虚拟检验系统中的输出，且虚拟检验系统可回放经存储的输出，如同正在扫描样品。以此方式，使用虚拟检验系统扫描样品可看似如同使用实际检验系统扫描物理样品，而实际上，扫描仅涉及以与可扫描样品相同的方式回放针对样品的输出。可如以引用的方式并入上文中的专利及专利申请案中描述那样进一步配置本文中描述的实施例。
由检验系统产生的输出量(或数据点)可为几千亿。举例来说，每一POI在芯片的给定层上可具有几百万个实例。另外，在芯片的给定层上可存在几千个POI类型且每一晶片存在50到几百个芯片。可针对不同光学模式中的若干遍次的每一者产生此数据量。可预期在约一小时内完成每一遍次。另外，虽然关于POI描述本文中描述的实施例，但应理解，本文中描述的实施例可经配置以针对POI的一个以上类型同时或连续执行本文中描述的功能。以此方式，本文中描述的实施例可经配置以分析样品上的全部POI类型。然而，与是否针对多个POI类型同时或连续执行分析无关，可针对每一POI类型单独执行分析(即，当分析一个POI类型时仅可使用针对所述一个POI类型的输出)。
当考虑POI(例如，识别检验系统的输出中的POI)时，考虑POI可如何受其附近的其它结构影响可为重要的。举例来说，可存在经考虑的图像获取系统的光学接近效应。在一个此实例中，放置于芯片布局中的不同周围邻域中的两个物理相同POI实例可在邻近结构差异足够接近以影响由系统获取的图像(图像获取系统的光学接近效应)的情况下获得不同属性。实践意义是方法论可考虑此类效应使得不仅针对每一POI而且针对POI外加周围邻域将分析分段。在另一实例中，可考虑用于制成样品的工艺的接近效应。在一个此实例中，可使用布局改变修改放置于在已知导致工艺光学接近效应(例如，归因于光刻工艺)的距离内的不同周围邻近结构的上下文中的两个相同(如在设计中绘制)POI实例以努力使所得晶片上结构相同(此是光学接近校正(OPC))。在另一实例中，可考虑以相同意图施加到相同POI的不同实例的OPC变化。在一个此实例中，可由不一定以可重复方式执行的软件执行OPC过程。可具有在OPC过程中归因于槽(quirk)而经不同更改的两个相同布局实例。知道此可为重要的使得不将OPC执行中的差异误认为工艺变化。
在另一实施例中，检验系统是光学检验系统。在另一实施例中，检验系统是基于电子束的检验系统。光学或电子束检验系统还可为基于图像的检验系统。光学或电子束检验系统可具有灵活光学可配置性。检验或电子束系统可包含基本上高速阶段。另外，检验系统可使用小于工具的光点大小的像素以促进与设计的基本上高准确度及精确度对准。相比之下，在当前使用的系统及方法中，关照区域通常限于样品的平面处的能源的光点的大小。
计算机子系统还经配置用于选择由输出获取子系统产生输出的至少大多数实例中的一或多者。基于检验系统的输出的特性执行选择。可针对每一目标POI位置计算输出的特性(例如，图像属性)。可在绝对基础上或通过与参考图像(例如，差异图像)比较而计算一些或全部特性(例如，图像属性)。可使用样品或从存储装置获取参考图像。参考位置的位置准确度还可如本文中进一步描述那样精确(例如，以子像素准确度)。检验系统的输出的特性(例如，图像属性)优选地基本上与一或多个所关注物理属性相关。可在基于特性选择一或多个实例之前以某种方式分析特性。特定来说，可(通过分析针对POI的一个以上实例确定的特性的组合)共同分析特性。举例来说，可确定针对POI的多个实例产生的输出的特性的直方图且接着可基于经确定的直方图执行选择。可根据本文中描述的任何其它实施例执行选择。
以此方式，计算机子系统可经配置以产生从由检验系统产生且由计算机子系统获取的数据引伸的位点的样本。因而，用于进一步分析的样本计划可取决于检验系统的结果。换句话来说，本文中描述的计算机子系统可经配置用于将来自检验系统的信号耦合到另一输出获取子系统(例如，扫描电子显微镜(SEM))用于自适应测量位置取样。因此，本文中描述的实施例可充当用于从样品搜集额外数据以便引伸更多确定性结论的较高分辨率仪器的指标。
用于较高分辨率输出获取子系统的取样可包含组合检验图像属性。用于较高分辨率分析的取样可包含检验系统输出的空间分析。空间分析可包含阶层式裸片、光罩、晶片级属性模型化(例如由市售产品(例如商业上可购自科磊公司的KT分析器)执行的空间分析)。空间分析还可或替代地包含用于噪声平均化的数据点(例如，在单元的固定栅格上)的局部聚集。
所关注位置的数量可包含样品上的POI实例的实质部分(例如，至少大多数实例)。另外，POI的至少大多数实例及选择POI的一或多个实例可跨样品上覆盖整个样品或仅样品的一部分的区域。举例来说，POI的至少大多数实例可包含样品上的POI的每个单个实例使得POI实例及所选择的的一或多个POI实例横跨样品上大约等于样品上整个区域(或样品上的整个图案化区域)的区域。以此方式，输出获取计划可包含给定POI的全部实例。替代地，POI的至少大多数实例及所选择的的一或多个POI实例可包含样品上的少于全部的POI实例且可横跨样品上少于整个样品的区域。举例来说，POI的至少大多数实例及所选择的的一或多个POI实例可仅定位于样品(例如晶片)上的单个裸片内，所述样品包含样品上的裸片的许多实例。在另一实例中，POI的至少大多数实例及所选择的一或多个POI实例可仅定位于样品的经扫描部分内，所述经扫描部分可包含形成于样品上的裸片的一或多个部分中的POI的少于全部的实例。
在一个实施例中，检验系统识别样品上的POI的至少大多数实例的位置而不检测样品上的缺陷。在一个此实施例中，选择至少大多数实例中的一或多者并非基于在POI的实例处检测的缺陷而执行。举例来说，缺陷检测算法的性质及阈值化概念的使用使灵敏度“公开”。通过使用非阈值化方法，可执行更复杂的后处理以选择位点以使用相对高分辨率工具分析。
在另一实施例中，检验系统的输出的特性包含由检验系统针对POI的至少大多数实例产生的原始图像数据的特性。举例来说，针对整个样品(例如，晶片)的原始图像数据可压缩成针对每一POI实例的数据点，其中数据点包含从在每一POI实例处收集的像素化图像数据导出的汇总属性。个别数据点的基础可为从关照区域实例引伸的至少一个汇总属性。
计算机子系统进一步经配置用于获取由输出获取子系统针对至少大多数实例中的所选择的一或多者产生的输出。在至少大多数实例中的所选择的一或多者处获取输出的输出获取子系统的分辨率高于检验系统的分辨率。举例来说，输出获取子系统可经配置为基本上高分辨率测量系统(例如，使用计量算法的SEM)。输出获取子系统可经配置以具有可编程成像特征(例如，灵活照明及/或图像获取能力)。输出获取子系统可经配置为经修改的缺陷检验系统。替代地，输出获取子系统可为经修改的计量系统。经修改的系统可为多用途(例如，用于本文中描述的功能及其它缺陷检测或计量)或专用于本文中描述的功能。另外，输出获取子系统可经配置以使用多个成像模式(例如，多个光学或电子束成像模式)以改进由输出获取子系统获取的输出的可使用信号。本文中描述的实施例也可受益于量及虚拟多模式方法。由较高分辨率系统产生的数据点的量将为来自光学或电子束检验系统的数据点的相对小子集。输出获取子系统的数据获取速率可为大约每小时几千点。
如本文中描述，系统包含输出获取子系统。因此，实施例可经配置用于使用工具的直接数据获取，所述工具针对此目的优化。实施例还可构建于可如本文中描述那样配置的VI的顶部上。此外，实施例可并入到针对此目的扩增的现存晶片检验器的操作中(其可与针对样品执行的其它缺陷检测串行或并行执行)。
在一个实施例中，由检验系统以子像素准确度定位样品上的POI的实例。本文中使用的术语“子像素”通常定义为小于图像的像素。以此方式，本文中使用的术语“子像素准确度”可通常定义为以小于图像中的单个像素的大小(从一侧到另一侧的距离)的误差确定某物(例如，POI实例)的位置。以此方式，本文中描述的实施例可具有基本上高精确度位置及图像获取控制使得可使用在市售检验系统(例如可购自科磊公司的检验系统)上找到的类型的可编程成像模式(例如，各种光谱轮廓、各种照明孔径、各种成像孔径、光瞳塑形选项等)标靶且分析特定POI，其中可在多个模式中串行执行数据收集且在分析之前组合数据收集。举例来说，位置控制可使用商业上可购自科磊公司的NanoPoint技术。另外，可将POI实例标记为具有对芯片设计的已知部分的可追溯性的关照区域。此外，关照区域的动机可重叠(即，可针对多个原因将关照区域标记为关照区域)。
在另一实施例中，由输出获取子系统通过以子像素准确度定位至少大多数实例中的所选择的一或多者而产生针对至少大多数实例中的所选择的一或多者的输出。以此方式，本文中描述的实施例可具有基本上高精确度位置控制使得可分析特定POI。举例来说，位置控制可使用商业上可购自科磊公司的NanoPoint技术。以此方式，计算机子系统可以非阈值化方式使用NanoPoint技术以迫使在其中关照区域是大约过程接近特性长度(例如，约300nm)(即，本文中进一步描述的用于在样品上形成图案化结构的过程的光学接近效应)的指定图案位置(POI)的输出获取。针对其它(非光刻)工艺，还存在邻域效应(工艺负载效应)，例如基于工艺细节可具有类似影响的化学机械抛光(CMP)及蚀刻。当寻找具有本文中描述的数据的系统变化源时，使用这些特性的已知项可有助于帮助解译结果。
计算机子系统还经配置用于基于输出获取子系统在至少大多数实例中的所选择的一或多者处的输出而确定POI的一或多个特性。以此方式，本文中描述的实施例可经配置以结合从光学数据引伸的位点样本的高分辨率测量而获取且分析针对样品上的POI实例的实质部分或全部产生的图案化相关输出(例如，光学信号)。举例来说，可对样品的实质部分(至多及包含整个样品)执行数据分析。因此，系统可包含用于POI实例的最终安置的基本上高分辨率工具(通常但不一定为电子束)。可由计算机子系统以任何适合方式进一步分析且报告POI的经确定一或多个特性。
因此，本文中描述的实施例实现以“百万分之一”监测图案。举例来说，潜在热点(或POI实例位置)的数目可为几百万到几十亿。可获取关于这些热点的全部或实质部分的特性且可过滤热点的实例。接着，可针对图案化结构的临界尺寸(CD)或其它可量化特性复检数目可为几百到几千的剩余热点。以此方式，本文中描述的选择及确定步骤可基本上涉及取样及计量。
在一些实例中，对于POI的模型化响应可在数据收集之前可用。举例来说，可执行当通过本文中描述的实施例的成像系统处理且观察POI时POI的外观的模型化。接着可从那个图像计算属性。模型化响应可用于产生属性及/或用作参考。此类似于其中从设计模型化参考图像的裸片到数据库检验。在本实施例中，可模型化图像且接着从那个经模型化参考图像计算针对每一POI的汇总属性。结果可触发后续物理或数学运算(包含模型化)。另外，可应用信号阈值。此外，可在分析流程的任何阶段将数据过滤器应用到输出。
输出获取子系统的输出获取可为自适应的(希望收集的下一数据取决于先前数据)。以此方式，计算机子系统可在输出获取子系统针对POI的所选择的实例产生输出时执行POI的一或多个特性的确定且计算机子系统可基于经确定的一或多个特性控制所述输出产生。举例来说，可预先知道预期数据的概率模型。预期数据特性的例外状况可计入调适因素。可手动或使用不同水平的自动化触发调适。另外，可从每一POI的物理布局产生较高分辨率输出获取子系统的分析计划。
在一个实施例中，在由检验系统产生的任何输出中不可检测基于输出获取子系统的输出确定的POI的一或多个特性。举例来说，本文中描述的实施例可有利地用于检测低频率图案化误差，所述低频率图案化误差是良率杀手但落到低于常规光学或电子束检验的灵敏度且低于电子束检验(EBI)工具的区域覆盖预算，从而使所述误差在先前不可使用当前可用方法及系统进行检测。另外，本文中描述的实施例可缓解当目标上的相对低频率计量做出关于目标与产品几何形状之间的关系以及过程在空间上影响图案化变化的速率的假定时出现的问题。此外，晶片上产品芯片结构变化可高于在针对特定高精确度计量工具定制的计量结构上观察到的变化。除了专用计量结构的典型使用之外，高精确度计量工具的处理能力不足以用基本上高置信度捕获芯片上变化。检验系统的基本上高区域覆盖(相较于输出获取子系统)具有足够信号到相关工艺变化且可利用为用于计量工具取样的指标。结果是在最高工艺变化的情况下选择相对小数目个位点以用于取样的进程中可针对几百万个候选结构提取检验系统的输出。
在另一实施例中，POI的经确定一或多个特性包含POI的一或多个可量化特性。举例来说，本文中描述的实施例可在所关注结构上测量工艺变化(例如，CD变化)。另外，确定POI的一或多个特性可包含使用类计量输出获取子系统随裸片量化可观察结构几何形状。然而，从关于一或多个位置的属性引伸的结论可为概率性。可使用任何适合方法及/或算法从输出确定POI的特性。
在另一实施例中，系统经配置为计量系统。举例来说，本文中描述的进一步分析可包含高分辨率输出获取(其可包含计量)。输出获取子系统可经配置用于基于扫描电子光学器件的进一步分析。另外，经配置用于本文中描述的进一步分析的输出获取子系统可经配置为SEM(可能使用计量软件及算法配置)、透射电子显微镜(TEM)、扫描透射电子显微镜(STEM)、原子力显微镜(AFM)、聚焦离子束(FIB)系统(例如，成像及/或铣削)、电子束检验(EBI)系统、电压对比电子束系统等。本文中描述的系统可进一步经配置为如在2016年4月28日由达菲(Duffy)等人发表的第2016/0116420号美国专利申请公开案中描述的SEM，所述公开案以宛如全文陈述引用的方式并入本文中。本文中描述的系统还可进一步经配置为电压对比电子束系统，在第15/136,680号美国专利申请案中描述电压对比电子束系统的实例，所述申请案以宛如全文陈述引用的方式并入本文中。另外，输出获取子系统可经校准到较高分辨率系统以确保数据相关性。
在一些实施例中，基于输出获取子系统在至少大多数实例中的所选择的一或多者处的输出结合检验系统针对POI的至少一个实例产生的输出执行确定一或多个特性。举例来说，与是否在POI实例处检测缺陷无关，本文中描述的实施例可使用经存储且可供使用的检验系统的输出。因此，本文中描述的实施例本质上可执行检验系统的输出的延迟分析。此延迟分析提供离群点的灵活分析及/或检测。另外，使用检验系统的输出执行的输出分析在x及y上不受约束。此外，本文中描述的实施例通过延迟输出配置直到产生输出的全部或实质部分而提供空间输出分析灵活性(不同于一次分析一帧的检验器)。如本文中描述那样设计数据处理及存储管线以同时应付基本上大量POI的能力可通过早期在信号分析管线中利用像素级的数据压缩而促进(例如，如本文中进一步描述，可每一POI关照区域存储汇总属性)。另外，由于在分析输出获取子系统的输出之时将可用检验系统的输出，所以本文中描述的实施例可经配置以确定基于输出获取子系统的输出确定的一或多个特性与检验系统的输出或检验系统的输出的特性(例如，原始图像数据或原始图像数据的属性)之间是否存在相关性。
在另一实施例中，确定一或多个特性包含：基于输出获取子系统在至少大多数实例中的所选择的一或多者处的输出结合针对POI的至少一个实例产生的检验系统的输出的第一部分确定POI的一或多个特性的一或多个初始值；及基于一或多个初始值，选择存储于计算机可读存储媒体中针对POI的至少一个实例产生的检验系统的输出的第二部分且基于输出获取子系统在至少大多数实例中的所选择的一或多者处的输出结合针对POI的至少一个实例产生的检验系统的输出的第二部分确定POI的一或多个特性。以此方式，对经存储样品的进一步分析及光学或电子束分析可在时间上重叠。另外，可使用来自进一步分析的反馈以修改针对经存储样品的输出获取。来自较高分辨率系统的反馈可为手动、半自动或全自动。计算机子系统还可经配置用于来自任一系统或两个系统的输出的统计空间模型化(其可用于过程控制)。以此方式，本文中描述的实施例可经配置用于在使用VI的情况下与新光学或电子束属性获取并行执行SEM分析。
输出获取或输出获取的随后应用也可利用来自其它源的计量(及可能其它)数据。计量数据可来自样品上的专用目标。计量数据可还或替代地来自用于图案化晶片的光罩。另外，可已从针对样品(例如，测试晶片)的代理获取计量数据。可还或替代地电获取计量数据。此外，计量数据可包含晶片(例如，光罩、衬底)几何形状数据。
因此，本文中描述的实施例提供处理数据的方法，所述方法允许回答不同于且广于使用常规检验及计量可回答的一组问题。举例来说，本文中描述的实施例的用户可能有兴趣通过使用来自本文中描述的一或多个高分辨率仪器的数据配制及测试假设的过程结合分析技术(例如强制排名(关于针对给定POI的数据分布的尾部的信息)、概率预测(不良的％可能性)或分类检验类分析(良好/不良确定))以若干不同方式反复询问光学或电子束数据集。此外，可应用机器学习领域中的先进技术。
在另一实施例中，计算机子系统经配置用于确定POI的一或多个特性的变化且基于变化确定变化源。举例来说，计算机子系统可经配置用于以针对计量工具进行的方式映射来自检验系统在规定位置处的POI的光学或电子束信号以用于变化源分析。正如基于上下文的检验(CBI)改变缺陷检测的性质，本文中描述的实施例具有改变计量及相关联的过程控制方法的性质的潜力。在一些实例中，可使用POI的一或多个特性的变化以识别设计的非预期改变(例如，恶意电路改变)。举例来说，芯片可希望具有一千万个相同结构但可颠覆性改变若干实例。可使用本文中描述的实施例以检测芯片的设计的此类改变。以此方式，可使用本文中描述的实施例以检测电路的潜在恶意更改。
在另一实施例中，POI的经确定一或多个特性仅对应于POI的图案化偏差。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可经配置以仅找到离群点图案化偏差(相对于试图找到晶片上的任何类型的缺陷的通用晶片检验)。
由计算机子系统基于POI的经确定一或多个特性产生的结果还可取决于所考虑的样品的类型而改变。举例来说，如果样品是PWQ晶片，那么计算机子系统可经配置以针对来自相同POI的SEM及光学或电子束属性产生PWQ晶片等高线图。在一个此实例中，计算机子系统可针对依据聚焦值及曝光值而变化(如果在光刻工艺的聚焦及曝光中调制晶片)的CD(其由计算机子系统基于由输出获取子系统产生的输出而确定)产生等高线图。计算机子系统还可针对由检验系统针对相同晶片产生的依据聚焦值及曝光值而变化的光学或电子束参数产生等高线图。当POI的经确定一或多个特性与由检验系统针对POI产生的输出之间存在相关性时，可通过由计算机子系统产生的不同等高线图的比较而观察相关性。可在2016年5月26日由卡尔桑迪(Karsenti)等人发表的第2016/0150191号美国专利申请公开案中找到针对样本执行PWQ的额外实例，所述公开案以宛如全文陈述引用的方式并入本文中。可如此专利申请公开案中描述那样进一步配置本文中描述的实施例。
除了等高线图(其还可针对非PWQ晶片产生(例如，可针对依据x及y上的裸片位置而变化的光学或电子束信号产生等高线图且可针对依据相同裸片位置而变化的经确定一或多个特性产生等高线图))之外，还可以另一格式(例如色彩图、统计量、趋势及定制报告)输出确定POI实例的一或多个特性的结果。还可将确定步骤的结果汇出到其它应用以供进一步分析、报告、跟踪等。
计算机子系统还可针对POI实例基于由输出获取子系统产生的输出(可能结合由检验系统或另一系统针对POI实例产生的输出)执行额外功能。在2013年12月17日颁予库尔卡尼(Kulkarni)等人的第8,611,639号美国专利中描述此类额外功能的实例，所述专利以宛如全文陈述引用的方式并入本文中。可如此专利中描述那样进一步配置本文中描述的实施例。另外，本文中描述的实施例提供可用于以超过使用现存检验系统可实现的图案的量的方式执行此专利中描述的功能的方法及系统。还可如2015年11月10日颁予卡尔桑迪(Karsenti)等人的第9,138,624号美国专利中描述那样进一步配置本文中描述的实施例，所述专利以宛如全文陈述引用的方式并入本文中。
如本文中描述，可通过利用针对POI实例的检验系统的输出结合由输出获取子系统针对POI实例的样本以较高分辨率产生的额外输出的分析而针对POI产生显著量的信息及不同类型的信息。除了已经描述的数据处理之外，计算机子系统还可经配置以基于POI实例的一或多个经确定特性而确定额外特性。举例来说，计算机子系统可经配置以确定一或多个特性(例如CD)的裸片级、光罩级、场级、晶片级及/或批级变化。在产品裸片上，此类计算可专注于被视为在“弱”光谱中的图案，且可以所属领域中已知的任何适合方式识别此类图案。另外，如本文中描述，可使用检验系统以引导输出获取子系统功能。以此方式，可使用新扫描类型扩增常规缺陷扫描。也可基于区域覆盖(例如，对于过程可变影响的可观察性)及图案偏差机制覆盖(例如，拉回、间隔、宽度等)执行本文中描述的实施例中使用的POI的选择及关照区域选择(POI实例)。另外，本文中描述的实施例可经配置用于在输出获取子系统上的分层取样。举例来说，可任选地将检测到的缺陷取样为类别。可每新度量或随机取样POI实例的剩余部分且计算机子系统可确定随机取样与基于度量的取样之间的边界。
本文中描述的一些实施例经配置用于多阶段数据缩减及取样。这些实施例提供用于使用复杂取样引擎的数据缩减及取样的架构及方法。本文中描述的实施例涉及复杂的数据缩减、机器学习及使用输出以驱动反馈及前馈分析中的随后操作，而非基于若干参数的简单取样引擎。随后分析可包含本文中描述的任何分析，其包含(但不限于)计量、SEM复检、晶片检验及报告。
当前，通常通过随机取样或基于大小、位置或光学或电子束属性的某个偏差取样执行用于复检的缺陷取样。虽然此取样可足够用于缺陷复检，但用于计量的取样需要更复杂的方法。为了解决此类需要，已开发一种新取样方法及引擎而不增加用户体验的复杂性。
当前使用的方法的缺点是取样未反映可能具有计量问题的位点。细微但重要的图案变形(例如CD改变)可能被取样忽略。图案的小改变现被视为对于先进节点的装置性能至关重要，但不存在使用当前可用方法相应地过滤且取样所述位点的容易的方法。相比之下，本文中描述的实施例可并入机器学习及仅来自相关区域的数据收集两者。从光学相关区域收集数据且机器学习采用相当大量的数据集。
在一个实施例中，计算机子系统经配置用于确定检验系统的输出的一或多个特性与POI的一或多个特性之间的一或多个关系且基于一或多个关系确定用于选择的一或多个参数。所述关系可为响应及独立变量之间的相关性。举例来说，在一个实施例中，检验系统的输出的一或多个特性与POI的一或多个特性之间的所述关系包含线性相关性。在另一实施例中，检验系统的输出的一或多个特性与POI的一或多个特性之间的所述关系包含非线性相关性。线性及/或非线性相关性可包含所属领域中已知的任何适合此类相关性。所述关系可由算法(例如随机森林或扣留)定义。以此方式，本文中描述的实施例可识别用于取样的临界参数。举例来说，使用本文中描述的新取样，可从相当大量的数据类型(例如，相当大量的晶片检验及计量数据)选择相关取样参数以用较高置信度改进更多关键位点的取样。在一个此实例中，通过数据分析，可从影响相关性的几百个潜在候选者识别参数。例如，可确定相对于裸片的XY坐标未必有用而信号响应的量值可具有与响应变化的相对高相关性。然而，关键参数清单(定义相关性的有用参数)从一个数据集到另一数据集并非静态，且因此系统可针对给定数据集动态确定关键参数。使用本文中描述的实施例及其新方法，用户更有机会识别受不良图案化影响的图案类型及位点。识别关键参数及有效取样改进检验及缺陷复检系统两者的值。
在一些实施例中，使用机器学习执行确定一或多个关系。以此方式，本文中描述的实施例可通过机器学习定义响应及独立变量之间的关系(相关性)。举例来说，本文中描述的实施例可使用机器学习以构建定义输出的特性与POI的特性之间的关系的模型。接着可使用模型进行取样。因此，本文中描述的实施例可使用机器学习以定义关系。举例来说，本文中描述的实施例提供使用几百个输入候选者识别关键参数的动态方法。以此方式，可基于机器学习及数据特性动态控制取样。另外，本文中描述的实施例可使用机器学习以在缺乏用户输入的情况下自动识别关键参数。以此方式，本文中描述的实施例提供自动复杂取样引擎。实施例还提供可用作基于临界性及相关性产生取样结果的“黑箱”的架构。举例来说，本文中描述的架构提供并不取决于用户及对用户透明的数据缩减及取样。
在另一实施例中，计算机子系统经配置用于通过识别至少大多数实例的第一部分而对用于确定一或多个关系的针对POI的至少大多数实例的检验系统的输出执行数据缩减，第一部分包含少于全部的至少大多数实例，且仅基于由检验系统针对至少大多数实例的第一部分产生的输出的一或多个特性执行确定一或多个关系。数据缩减可包含分层取样。举例来说，在数据缩减的第一步骤中，可使用特定光学或电子束参数(例如亮度、对比度、极性等)。此可通过随机取样、基于一或多个参数的偏差取样或跨一或多个参数的分层取样而执行。特定来说，可通过亮度对100个数据点排序。接着可采用每第五个点以收集样本。以类似方式，可通过多个参数的组合对相同数据排序，且可应用分层取样。以此方式，本文中描述的实施例可经配置用于数据选择、数据缩减、数据取样及排定数据的优先级。
在一个此实例中，本文中描述的实施例可产生样品级预合格性鉴定步骤以使用多阶段取样引擎确定取样的可行性。举例来说，预合格性鉴定步骤可包含采用数据的较小样本以学习影响响应变量的相关参数/属性。一旦建立可行关系，数据集便有资格进行到取样的下一步骤。
多阶段数据取样可涉及学习阶段，其中确定初始参数集同时移除非相关数据且接着将学习应用到较大数据集以用于随后取样。另外，此数据选择、数据缩减、数据取样及排定数据优先级的结果可向前及向后馈送到机器学习及其它步骤(例如本文中描述的数据缩减)。以此方式，本文中描述的实施例可包含机器学习以基于通过数据缩减、排定优先级及关键参数的识别产生的数据的相对小样本而定义关系。因此，本文中描述的实施例提供允许动态学习数据特性及响应于经学习行为相应地触发下一操作的具有多阶段数据缩减的复杂取样引擎。
在额外实施例中，计算机子系统经配置用于通过识别光学相关的针对至少大多数实例的检验系统的输出的第一部分而对用于确定一或多个关系的针对POI的至少大多数实例的检验系统的输出执行数据缩减且消除非光学相关的针对至少大多数实例的检验系统的输出的第二部分，且检验系统的输出的第一部分包含对应于POI的实例中的实际缺陷的检验系统的输出。举例来说，当针对每一缺陷收集数据时，可从大于缺陷区域的区域(例如，32个像素×32个像素)收集信号。因此，可缩减数据的区域。举例来说，数据可缩减到仅3个像素×3个像素或采用来自中心若干像素的信号对来自较广区域的信号的比率以查看信号实际上是否高于背景。因而，本文中描述的实施例可仅使用光学或电子束相关数据以进行数据缩减及取样，其中光学或电子束相关数据报含针对缺陷的数据，所述缺陷可见且所述数据具有针对所述缺陷的光学或电子束信号。换句话来说，数据缩减可包含识别光学或电子束相关数据。以此方式，本文中描述的实施例可经配置用于数据选择、数据缩减、数据取样及排定数据优先级。另外，可将此数据选择、数据缩减、数据取样及排定数据优先级的结果向前及向后馈送到机器学习及其它步骤(例如本文中描述的数据缩减)。在一个此实例中，可采用初始大量数据且可缩减数据以保持光学或电子束相关数据(例如实际缺陷、图案故障等)，接着可将光学或电子束相关数据馈送到机器学习以识别关系。通过机器学习，可自动确定关键参数以进一步优化数据。因此，可在机器学习之前确定光学或电子束相关数据。因而，本文中描述的实施例提供允许动态学习数据特性及响应于经学习行为相应地触发下一操作的具有多阶段数据缩减的复杂取样引擎。
在一些实施例中，计算机子系统经配置用于确定一或多个关系的一或多个特性且基于一或多个关系的一或多个特性执行确定用于选择的一或多个参数。在一个此实例中，在多阶段取样中，可确定初始学习步骤可或可不证实为有用。如果无法建立响应变量(计量)与独立变量(光学或电子束属性)之间的有用关系，那么系统将确定是否继续机器学习(模型，例如随机森林)或转移到更简单模型(例如线性相关性)或在最差的情况中求助于随机取样。举例来说，如果来自学习步骤的相关性基本上不良，那么使用随机取样可能是更好的。然而，系统可自动确定使用的方法而非用户手动确定此。
在另一实施例中，用于选择的一或多个参数包含待执行的选择的类型。举例来说，当动态方法已失效且针对最有效方法自动调谐时，本文中描述的实施例建立稳健确定。在一个此实例中，如本文中描述，可执行机器学习以构建描述输出的特性与POI的特性之间的关系的模型。可使用那个模型构建的结果以确定模型是否足够解释实施例可用的数据。如果确定模型未足够解释数据，那么可执行简化取样(例如随机或基于属性的取样)而非使用经构建的模型。如果确定模型确实足够解释数据，那么可执行机器学习以确定对母群体的基于模型的数据缩减及取样。接着可针对随后晶片存储模型。当随后数据变得可用时，可将经开发的模型应用到随后数据以借此执行基于模型的取样。
在另一实施例中，用于选择的一或多个参数包含用于选择的检验系统的输出的特性。举例来说，取样可执行数据缩减，数据缩减是基于许多属性，包含(但不限于)频率、密度、分布、良率临界性及装置影响。特定来说，可存在描述缺陷的100+个参数。此类较简单参数是大小、亮度、对比度及类似者。然而，存在经产生的参数/光学(或电子束)属性的量值且通过本文中描述的新取样，可由系统选择影响响应变量的相关参数。
可组合上文描述的各种功能以形成用于产生且使用相对复杂取样引擎的综合策略。举例来说，如上文进一步描述，计算机子系统可获取相当大量的数据(例如，母群体)。接着计算机子系统可采用数据的较小样本(其可为基于百分比或计数)以用于初始学习(或模型的训练)。接着计算机子系统可确定影响响应变量的参数。如果存在不具有足够信号的数据点，那么可并行缩减数据。如果训练提供响应变量与独立变量之间的足够关系，那么产生模型。在此步骤中，可使用机器学习算法。如果存在不足相关性，那么系统可选择较简单取样方法，例如随机或较简单偏差取样(例如，挑选具有相对高对比度度或其它属性的缺陷)。如果模型化展示足够相关性，那么计算机子系统可将模型自动应用到母群体以产生取样。当由输出获取子系统收集数据时自动执行全部学习、模型产生及部署。
本文中描述的实施例提供相对复杂的取样引擎。举例来说，可使用实施例以缩减数据量同时增加数据相关性。另外，本文中描述的实施例提供向前馈送有用命令的能力。此外，本文中描述的实施例提供监测且控制经执行的取样的能力。
作为本文中描述的实施例的替代例，可使用非集成工具且将数据从一个系统移动到另一系统(其还需要昂贵的用户干预)而执行许多反复手动工作。要求用户执行全部所述分析是不切实际的。
可将上文描述的系统的每一实施例组合在一起变成一个单个实施例。换句话来说，除非本文中另有指明，否则系统实施例并不与任何其它系统实施例互斥。
另一实施例涉及一种用于确定样品上POI的一或多个特性的计算机实施方法。所述方法包含获取由检验系统针对样品上的POI的至少大多数实例产生且存储于计算机可读存储媒体中的所述检验系统的输出。检验系统以低于输出获取子系统的分辨率的分辨率获取输出。与输出的特性无关，检验系统存储在至少大多数实例处获取的输出。输出获取子系统包含至少一能源及检测器。输出获取子系统经配置以将由能源产生的能量引导到样品而检测器检测来自样品的能量且响应于检测到的能量产生输出。
方法还包含选择由输出获取子系统产生输出的至少大多数实例中的一或多者。基于检验系统的输出的特性执行选择。另外，方法包含获取由输出获取子系统针对至少大多数实例中的所选择的一或多者产生的输出。输出获取子系统在至少大多数实例中的所选择的一或多者处获取输出的分辨率高于检验系统的分辨率。另外，方法包含基于输出获取子系统在至少大多数实例中的所选择的一或多者处的输出确定POI的一或多个特性。由耦合到输出获取子系统的计算机子系统执行获取检验系统的输出、选择至少大多数实例中的一或多者、获取由输出获取子系统产生的输出及确定一或多个特性。计算机子系统包含经配置以执行来自存储器媒体的指令的一或多个处理器。
可如本文中进一步描述那样执行方法的每一步骤。方法还可包含可由本文中描述的检验子系统及/或计算机子系统执行的任何其它步骤。另外，上文中描述的方法可由本文中描述的任何系统实施例执行。
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确定样品上POI的一或多个特性的计算机实施方法。在图2中展示一个此实施例。特定来说，如图2中展示，非暂时性计算机可读媒体200存储可在计算机系统204上执行的程序指令202。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202可存储于计算机可读媒体200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/或面向对象技术等等)的任何者实施程序指令。举例来说，可根据需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别库(“MFC”)、SSE(流SIMD扩展)或其它技术或方法论实施程序指令。
可根据本文中描述的任何实施例配置计算机系统204。
鉴于此描述，所属领域的技术人员将了解本发明的各种方面的另外修改及替代实施例。举例来说，提供用于确定样品上POI的一或多个特性的方法及系统。因此，将此描述理解为仅是说明性且是为了教示所属领域的技术人员实施本发明的一般方式的目的。应理解，应将本文中展示且描述的本发明的形式视为目前优选实施例。在受益于本发明的此描述之后，如所属领域的技术人员将了解，元件及材料可替代本文中说明且描述的那些元件及材料，可颠倒部件及过程且可独立利用本发明的某些特征。可对本文中描述的元件做出改变而不脱离如所附权利要求书中描述的本发明的精神及范围。

Claims (31)

1.一种经配置以确定样品上所关注图案的一或多个特性的系统，其包括：
输出获取子系统，其包括至少一能源及一检测器，其中所述输出获取子系统经配置以将由所述能源产生的能量引导到样品而所述检测器检测来自所述样品的能量且响应于所述检测到的能量产生输出；及
计算机子系统，其包括经配置以执行来自存储器媒体的指令的一或多个处理器，其中所述计算机子系统经配置用于：
获取由检验系统针对所述样品上的所关注图案的至少大多数实例产生且存储于计算机可读存储媒体中的所述检验系统的输出，其中所述检验系统以低于所述输出获取子系统的分辨率的分辨率获取所述输出，且其中与所述输出的特性无关，所述检验系统存储在所述至少大多数实例处获取的所述输出；
选择由所述输出获取子系统产生所述输出的所述至少大多数实例中的一或多者，其中所述选择是基于所述检验系统的所述输出的所述特性而执行；
获取由所述输出获取子系统针对所述至少大多数实例中的所述所选择的一或多者产生的所述输出，其中在所述至少大多数实例中的所述所选择的一或多者处获取所述输出的所述输出获取子系统的所述分辨率高于所述检验系统的所述分辨率；及
基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出确定所述所关注图案的一或多个特性。
2.根据权利要求1所述的系统，其中在由所述检验系统产生的任何输出中不可检测基于所述输出获取子系统的所述输出确定的所述所关注图案的所述一或多个特性。
3.根据权利要求1所述的系统，其中所述检验系统识别所述样品上的所述所关注图案的所述至少大多数所述实例的位置而不检测所述样品上的缺陷，且其中未基于在所述所关注图案的所述实例处检测的缺陷执行选择所述至少大多数实例中的所述一或多者。
4.根据权利要求1所述的系统，其中所述样品上的所述所关注图案的所述实例由所述检验系统以子像素准确度定位。
5.根据权利要求1所述的系统，其中针对所述至少大多数实例中的所述所选择的一或多者的所述输出由所述输出获取子系统通过以子像素准确度定位所述至少大多数实例中的所述所选择的一或多者而产生。
6.根据权利要求1所述的系统，其中所述确定所述一或多个特性基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出结合针对所述所关注图案的所述实例中的至少一者产生的所述检验系统的所述输出而执行。
7.根据权利要求1所述的系统，其中所述确定所述一或多个特性包括基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出结合针对所述所关注图案的所述实例中的至少一者产生的所述检验系统的所述输出的第一部分而确定所述所关注图案的所述一或多个特性的一或多个初始值；及基于所述一或多个初始值，选择存储于所述计算机可读存储媒体中针对所述所关注图案的所述实例中的至少一者产生的所述检验系统的所述输出的第二部分；及基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出结合针对所述所关注图案的所述实例的所述至少一者产生的所述检验系统的所述输出的所述第二部分而确定所述所关注图案的所述一或多个特性。
8.根据权利要求1所述的系统，其中所述计算机子系统进一步经配置用于确定所述所关注图案的所述一或多个特性的变化且基于所述变化确定所述变化的源。
9.根据权利要求1所述的系统，其中所述所关注图案的所述经确定一或多个特性仅对应于所述所关注图案中的图案化偏差。
10.根据权利要求1所述的系统，其中所述检验系统的所述输出的所述特性包括由所述检验系统针对所述所关注图案的所述至少大多数所述实例产生的原始图像数据的特性。
11.根据权利要求1所述的系统，其中所述计算机子系统进一步经配置用于确定所述检验系统的所述输出的所述特性的一或多者与所述所关注图案的所述一或多个特性之间的一或多个关系且基于所述一或多个关系确定用于所述选择的一或多个参数。
12.根据权利要求11所述的系统，其中使用机器学习执行确定所述一或多个关系。
13.根据权利要求11所述的系统，其中所述计算机子系统进一步经配置用于通过识别所述至少大多数实例的第一部分而对用于确定所述一或多个关系的所述所关注图案的所述至少大多数实例的所述检验系统的所述输出执行数据缩减，其中所述第一部分包含少于全部所述至少大多数所述实例，且其中仅基于由所述检验系统针对所述至少大多数实例的所述第一部分产生的所述输出的所述一或多个特性而执行确定所述一或多个关系。
14.根据权利要求11所述的系统，其中所述计算机子系统进一步经配置用于通过识别光学相关的针对所述至少大多数实例的所述检验系统的所述输出的第一部分而对用于确定所述一或多个关系的针对所述所关注图案的所述至少大多数所述实例的所述检验系统的所述输出执行数据缩减且消除非光学相关的针对所述至少大多数实例的所述检验系统的所述输出的第二部分，且其中所述检验系统的所述输出的所述第一部分包括对应于所述所关注图案的所述实例中的实际缺陷的所述检验系统的所述输出。
15.根据权利要求11所述的系统，其中所述计算机子系统进一步经配置用于确定所述一或多个关系的一或多个特性，且其中基于所述一或多个关系的所述一或多个特性执行确定用于所述选择的所述一或多个参数。
16.根据权利要求15所述的系统，其中用于所述选择的所述一或多个参数包括待执行的所述选择的类型。
17.根据权利要求11所述的系统，其中用于所述选择的所述一或多个参数包括用于所述选择的所述检验系统的所述输出的所述特性。
18.根据权利要求11所述的系统，其中所述一或多个关系包括所述检验系统的所述输出的所述特性的所述一或多者与所述所关注图案的所述一或多个特性之间的线性相关性。
19.根据权利要求11所述的系统，其中所述一或多个关系包括所述检验系统的所述输出的所述特性的所述一或多者与所述所关注图案的所述一或多个特性之间的非线性相关性。
20.根据权利要求1所述的系统，其中所述所关注图案的所述经确定一或多个特性包括所述所关注图案的一或多个可量化特性。
21.根据权利要求1所述的系统，其中所述系统进一步经配置为计量系统。
22.根据权利要求1所述的系统，其中所述计算机可读存储媒体经配置为虚拟检验器。
23.根据权利要求1所述的系统，其中所述检验系统是光学检验系统。
24.根据权利要求1所述的系统，其中所述检验系统是电子束检验系统。
25.根据权利要求1所述的系统，其中所述样品是晶片。
26.根据权利要求1所述的系统，其中所述样品是光罩。
27.根据权利要求1所述的系统，其中所述能源是光源，且其中由所述检测器检测的所述能量包括光。
28.根据权利要求1所述的系统，其中所述能源是电子束源，且其中由所述检测器检测的所述能量包括电子。
29.根据权利要求1所述的系统，其中所述能源是带电粒子束源，且其中由所述检测器检测的所述能量包括带电粒子。
30.一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确定样品上所关注图案的一或多个特性的计算机实施方法，其中所述计算机实施方法包括：
获取由检验系统针对样品上的所关注图案的至少大多数实例产生且存储于计算机可读存储媒体中的所述检验系统的输出，其中所述检验系统以低于输出获取子系统的分辨率的分辨率获取所述输出，其中与所述输出的特性无关，所述检验系统存储在所述至少大多数实例处获取的所述输出，其中所述输出获取子系统包括至少一能源及检测器，且其中所述输出获取子系统经配置以将由所述能源产生的能量引导到所述样品而所述检测器检测来自所述样品的能量且响应于所述检测到的能量产生输出；
选择由所述输出获取子系统产生所述输出的所述至少大多数实例中的一或多者，其中基于所述检验系统的所述输出的所述特性执行所述选择；
获取由所述输出获取子系统针对所述至少大多数实例中的所述所选择的一或多者产生的所述输出，其中在所述至少大多数实例中的所述所选择的一或多者处获取所述输出的所述输出获取子系统的所述分辨率高于所述检验系统的所述分辨率；及
基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出确定所述所关注图案的一或多个特性，其中由所述计算机系统执行获取所述检验系统的所述输出、选择所述至少大多数实例中的所述一或多者、获取由所述输出获取子系统产生的所述输出及确定所述一或多个特性，其中所述计算机系统包括经配置以执行来自所述非暂时性计算机可读媒体的所述程序指令的一或多个处理器，且其中所述计算机系统耦合到所述输出获取子系统。
31.一种用于确定样品上所关注图案的一或多个特性的计算机实施方法，其包括：
获取由检验系统针对样品上的所关注图案的至少大多数实例产生且存储于计算机可读存储媒体中的所述检验系统的输出，其中所述检验系统以低于输出获取子系统的分辨率的分辨率获取所述输出，其中与所述输出的特性无关，所述检验系统存储在所述至少大多数实例处获取的所述输出，其中所述输出获取子系统包括至少一能源及检测器，且其中所述输出获取子系统经配置以将由所述能源产生的能量引导到所述样品而所述检测器检测来自所述样品的能量且响应于所述检测到的能量产生输出；
选择由所述输出获取子系统产生所述输出的所述至少大多数实例中的一或多者，其中基于所述检验系统的所述输出的所述特性执行所述选择；
获取由所述输出获取子系统针对所述至少大多数实例中的所述所选择的一或多者产生的所述输出，其中在所述至少大多数实例中的所述所选择的一或多者处获取所述输出的所述输出获取子系统的所述分辨率高于所述检验系统的所述分辨率；及
基于所述输出获取子系统在所述至少大多数实例中的所述所选择的一或多者处的所述输出确定所述所关注图案的一或多个特性，其中由耦合到所述输出获取子系统的计算机子系统执行获取所述检验系统的所述输出、选择所述至少大多数实例中的所述一或多者、获取由所述输出获取子系统产生的所述输出及确定所述一或多个特性，且其中所述计算机子系统包括经配置以执行来自存储器媒体的指令的一或多个处理器。
CN201680061870.7A 2015-08-24 2016-08-23 确定样品上所关注图案的一或多个特性 Active CN108352336B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562209231P 2015-08-24 2015-08-24
US62/209,231 2015-08-24
US15/243,809 US10359371B2 (en) 2015-08-24 2016-08-22 Determining one or more characteristics of a pattern of interest on a specimen
US15/243,809 2016-08-22
PCT/US2016/048199 WO2017035142A1 (en) 2015-08-24 2016-08-23 Determining one or more characteristics of a pattern of interest on a specimen

Publications (2)

Publication Number Publication Date
CN108352336A true CN108352336A (zh) 2018-07-31
CN108352336B CN108352336B (zh) 2022-07-01

Family

ID=58100884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680061870.7A Active CN108352336B (zh) 2015-08-24 2016-08-23 确定样品上所关注图案的一或多个特性

Country Status (5)

Country Link
US (1) US10359371B2 (zh)
KR (1) KR102386536B1 (zh)
CN (1) CN108352336B (zh)
TW (1) TWI683103B (zh)
WO (1) WO2017035142A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10598617B2 (en) * 2017-05-05 2020-03-24 Kla-Tencor Corporation Metrology guided inspection sample shaping of optical inspection results
JP6970549B2 (ja) * 2017-07-24 2021-11-24 住友化学株式会社 欠陥検査システム及び欠陥検査方法
JP6959831B2 (ja) * 2017-08-31 2021-11-05 株式会社日立製作所 計算機、処理の制御パラメータの決定方法、代用試料、計測システム、及び計測方法
US10997710B2 (en) * 2017-10-18 2021-05-04 Kla-Tencor Corporation Adaptive care areas for die-die inspection
EP3779873A4 (en) * 2018-04-04 2021-06-02 Panasonic Intellectual Property Management Co., Ltd. IMAGE PROCESSING DEVICE AND IMAGE PROCESSING METHOD
US11151711B2 (en) * 2018-06-06 2021-10-19 Kla-Tencor Corporation Cross layer common-unique analysis for nuisance filtering
US10832396B2 (en) 2018-10-19 2020-11-10 Kla-Tencor Corp. And noise based care areas
US11170475B2 (en) * 2019-01-10 2021-11-09 Kla Corporation Image noise reduction using stacked denoising auto-encoder
US11551348B2 (en) * 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
US11619592B2 (en) * 2019-07-09 2023-04-04 KLA Corp. Selecting defect detection methods for inspection of a specimen
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US11232550B2 (en) * 2020-06-29 2022-01-25 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070288219A1 (en) * 2005-11-18 2007-12-13 Khurram Zafar Methods and systems for utilizing design data in combination with inspection data
US20090238441A1 (en) * 2008-03-18 2009-09-24 Advanced Mask Inspection Technology, Inc. Pattern inspection apparatus, pattern inspection method, and computer-readable recording medium storing a program
US8045145B1 (en) * 2007-06-06 2011-10-25 Kla-Tencor Technologies Corp. Systems and methods for acquiring information about a defect on a specimen
US20130035876A1 (en) * 2009-02-13 2013-02-07 Kla-Tencor Corporation Detecting defects on a wafer
US8498468B1 (en) * 2003-09-30 2013-07-30 Kla-Tencor Corporation Mask inspection
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology
CN104412098A (zh) * 2012-07-06 2015-03-11 Bt成像股份有限公司 检查半导体晶片的方法
CN104854677A (zh) * 2012-10-15 2015-08-19 科磊股份有限公司 使用缺陷特定的信息检测晶片上的缺陷

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6366690B1 (en) 1998-07-07 2002-04-02 Applied Materials, Inc. Pixel based machine for patterned wafers
US6240208B1 (en) * 1998-07-23 2001-05-29 Cognex Corporation Method for automatic visual identification of a reference site in an image
US6248602B1 (en) 1999-11-01 2001-06-19 Amd, Inc. Method and apparatus for automated rework within run-to-run control semiconductor manufacturing
AU2001288856A1 (en) 2000-09-15 2002-03-26 Advanced Micro Devices Inc. Adaptive sampling method for improved control in semiconductor manufacturing
US6902855B2 (en) 2002-07-15 2005-06-07 Kla-Tencor Technologies Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
EP1523696B1 (en) 2002-07-15 2016-12-21 KLA-Tencor Corporation Defect inspection methods that include acquiring aerial images of a reticle for different lithographic process variables
JP3993817B2 (ja) * 2002-12-11 2007-10-17 株式会社日立製作所 欠陥組成分析方法及び装置
US7487054B2 (en) 2005-05-11 2009-02-03 International Business Machines Corporation Automated dynamic metrology sampling system and method for process control
US7769225B2 (en) 2005-08-02 2010-08-03 Kla-Tencor Technologies Corp. Methods and systems for detecting defects in a reticle design pattern
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
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
US8611639B2 (en) 2007-07-30 2013-12-17 Kla-Tencor Technologies Corp Semiconductor device property extraction, generation, visualization, and monitoring methods
US7711514B2 (en) 2007-08-10 2010-05-04 Kla-Tencor Technologies Corp. Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan
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
US8396582B2 (en) 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8386401B2 (en) 2008-09-10 2013-02-26 Digital Infuzion, Inc. Machine learning methods and systems for identifying patterns in data using a plurality of learning machines wherein the learning machine that optimizes a performance function is selected
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
US8223327B2 (en) 2009-01-26 2012-07-17 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer
US8559001B2 (en) 2010-01-11 2013-10-15 Kla-Tencor Corporation Inspection guided overlay metrology
JP5320329B2 (ja) * 2010-03-15 2013-10-23 株式会社日立ハイテクノロジーズ Ｓｅｍ式欠陥観察装置および欠陥画像取得方法
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
US9279774B2 (en) * 2011-07-12 2016-03-08 Kla-Tencor Corp. Wafer inspection
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
US9138624B2 (en) 2013-01-09 2015-09-22 Christopher Matthew MAUGHAM Golf glove magnetic attachment adaptor
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9619876B2 (en) 2013-03-12 2017-04-11 Kla-Tencor Corp. Detecting defects on wafers based on 2D scatter plots of values determined for output generated using different optics modes
US9183624B2 (en) 2013-06-19 2015-11-10 Kla-Tencor Corp. Detecting defects on a wafer with run time use of design data
US8938695B1 (en) 2014-01-09 2015-01-20 Dmo Systems Limited Signature analytics for improving lithographic process of manufacturing semiconductor devices
US9816939B2 (en) 2014-07-22 2017-11-14 Kla-Tencor Corp. Virtual inspection systems with multiple modes
US10267746B2 (en) 2014-10-22 2019-04-23 Kla-Tencor Corp. Automated pattern fidelity measurement plan generation
US10747830B2 (en) 2014-11-21 2020-08-18 Mesh Labs Inc. Method and system for displaying electronic information
US9797846B2 (en) * 2015-04-17 2017-10-24 Nuflare Technology, Inc. Inspection method and template
US10539612B2 (en) 2015-05-20 2020-01-21 Kla-Tencor Corporation Voltage contrast based fault and defect inference in logic chips

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8498468B1 (en) * 2003-09-30 2013-07-30 Kla-Tencor Corporation Mask inspection
US20070288219A1 (en) * 2005-11-18 2007-12-13 Khurram Zafar Methods and systems for utilizing design data in combination with inspection data
US8045145B1 (en) * 2007-06-06 2011-10-25 Kla-Tencor Technologies Corp. Systems and methods for acquiring information about a defect on a specimen
US20090238441A1 (en) * 2008-03-18 2009-09-24 Advanced Mask Inspection Technology, Inc. Pattern inspection apparatus, pattern inspection method, and computer-readable recording medium storing a program
US20130035876A1 (en) * 2009-02-13 2013-02-07 Kla-Tencor Corporation Detecting defects on a wafer
CN104412098A (zh) * 2012-07-06 2015-03-11 Bt成像股份有限公司 检查半导体晶片的方法
CN104854677A (zh) * 2012-10-15 2015-08-19 科磊股份有限公司 使用缺陷特定的信息检测晶片上的缺陷
US20140301630A1 (en) * 2013-04-08 2014-10-09 Kla-Tencor Corporation Adaptive Sampling for Semiconductor Inspection Recipe Creation, Defect Review, and Metrology
TW201507045A (zh) * 2013-04-08 2015-02-16 Kla Tencor Corp 用於半導體檢查處方創建、缺陷檢閱及計量之適應性取樣

Also Published As

Publication number Publication date
TW201725381A (zh) 2017-07-16
WO2017035142A1 (en) 2017-03-02
CN108352336B (zh) 2022-07-01
US20170059491A1 (en) 2017-03-02
KR20180034677A (ko) 2018-04-04
US10359371B2 (en) 2019-07-23
KR102386536B1 (ko) 2022-04-14
TWI683103B (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN108352336A (zh) 确定样品上所关注图案的一或多个特性
US20210231581A1 (en) Method for performing smart semiconductor wafer defect calibration
JP5624660B2 (ja) 検査レシピ作成システムおよびその方法
US9183624B2 (en) Detecting defects on a wafer with run time use of design data
JP5405453B2 (ja) 設計データ領域での検査データの位置を決める方法と装置
US9601393B2 (en) Selecting one or more parameters for inspection of a wafer
KR101381300B1 (ko) 반도체 장치 특성 추출, 생성, 시각화, 및 모니터링 방법들
US9739720B2 (en) Method, computer system and apparatus for recipe generation for automated inspection of semiconductor devices
CN108291878A (zh) 单一图像检测
CN106537125A (zh) 具有多种模式的虚拟检验系统
JP2017523390A (ja) 検査のための高解像度フルダイイメージデータの使用
WO2005008548A1 (en) Method of transmitting cad data to a wafer inspection system
CN103748670A (zh) 区域决定装置、观察装置或检查装置、区域决定方法以及使用了区域决定方法的观察方法或检查方法
CN113412485B (zh) 用于选择设计文件的系统、计算机可读媒体及实施方法
CN109804462A (zh) 用于大量图案搜索的检验和设计之间的漂移的自动校正的系统及方法
CN106537572A (zh) 用于在单个检验过程中的多个过程步骤的检验
KR102506721B1 (ko) 어레이 구역에 대한 결함 샘플 생성
CN106415778B (zh) 提取线上过程控制工具的全面设计导引及其方法
CN107924850A (zh) 自定向计量和图案分类

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