CN108431938A - 使用图像重建以用于缺陷检测的系统及方法 - Google Patents

使用图像重建以用于缺陷检测的系统及方法 Download PDF

Info

Publication number
CN108431938A
CN108431938A CN201680077792.XA CN201680077792A CN108431938A CN 108431938 A CN108431938 A CN 108431938A CN 201680077792 A CN201680077792 A CN 201680077792A CN 108431938 A CN108431938 A CN 108431938A
Authority
CN
China
Prior art keywords
image
sample
inspection system
test image
deconvolution
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
CN201680077792.XA
Other languages
English (en)
Other versions
CN108431938B (zh
Inventor
张晶
J·内斯比特
G·H·陈
R·威灵福德
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 CN108431938A publication Critical patent/CN108431938A/zh
Application granted granted Critical
Publication of CN108431938B publication Critical patent/CN108431938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

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

Abstract

本发明提供一种检查系统，其包含照明子系统、收集子系统及控制器。所述照明子系统包含：照明源，其经配置以产生照明光束；及一组照明光学装置，其用来将所述照明光束引导到样品。所述收集子系统包含：一组收集光学装置，其用来收集从所述样品发射的照明；及检测器，其经配置以从所述样品接收所述经收集照明。所述控制器经配置以：获得所述样品的测试图像；重建所述测试图像以增强所述测试图像的分辨率；及基于所述经重建测试图像检测所述样品上的一或多个缺陷。

Description

使用图像重建以用于缺陷检测的系统及方法
相关申请案的交叉参考
本申请案依据35 U.S.C.§119(e)主张2016年1月1日申请、标题为“APPLICATIONOF SUPER-RESOLUTION TO IMPROVE WAFER INSPECTION”、指定Jing Zhang、JeremyNesbitt、Grace Chen及Dick Wallingford为发明者的美国临时申请案第62/274,169号的权利，所述案的全文以引用方式并入本文中。
技术领域
本发明大体上涉及缺陷检测，且更特别的是涉及基于经重建图像检测缺陷。
背景技术
检查系统对半导体晶片上的缺陷进行识别及分类以在晶片上产生缺陷群体。给定半导体晶片可包含数百个芯片，各芯片含有数千个所关注组件，且各所关注组件可在芯片的给定层上具有数百万个实例。因此，检查系统可在给定晶片上产生大量数据点(例如，针对一些系统的数千亿个数据点)。此外，对不断缩小装置的需求导致对检查系统的需求增大。需求包含需要在不牺牲检查速度或敏感度的情况下增大分辨率及容量。
另外，诸多半导体装置具有小于检查系统的分辨率的尺寸，其致使由检查系统产生的图像显得模糊。在极端情况下，由检查系统产生的图像可并不非常类似于晶片上的特征的实际图案。因此，缺陷信号的信噪比可变差且可负面地影响性能。因此，将需要提供一种用于解决例如上文指出的缺点的缺点的系统及方法。
发明内容
根据本发明的一或多项说明性实施例，揭示一种检查系统。在一项说明性实施例中，所述系统包含照明子系统。在另一说明性实施例中，所述照明子系统包含经配置以产生照明光束的照明源。在另一说明性实施例中，所述照明子系统包含用来将所述照明光束引导到样品的一组照明光学装置。在另一说明性实施例中，所述系统包含收集子系统。在另一说明性实施例中，所述收集子系统包含用来收集从所述样品发射的照明的一组收集光学装置。在另一说明性实施例中，所述收集子系统包含经配置以从所述样品接收所述经收集照明的检测器。在另一说明性实施例中，所述系统包含通信地耦合到所述检测器的控制器。在另一说明性实施例中，所述控制器包含存储器装置及一或多个处理器。在另一说明性实施例中，所述控制器经配置以获得所述样品的测试图像。在另一说明性实施例中，所述控制器经配置以重建所述测试图像以增强所述测试图像的分辨率。在另一说明性实施例中，所述控制器经配置以基于所述经重建测试图像检测所述样品上的一或多个缺陷。
根据本发明的一或多项说明性实施例，揭示一种检查系统。在一项说明性实施例中，所述系统包含照明子系统。在另一说明性实施例中，所述照明子系统包含经配置以产生照明光束的照明源。在另一说明性实施例中，所述照明子系统包含用来将所述照明光束引导到样品的一组照明光学装置。在另一说明性实施例中，所述系统包含收集子系统。在另一说明性实施例中，所述收集子系统包含用来收集从所述样品发射的照明的一组收集光学装置。在另一说明性实施例中，所述收集子系统包含经配置以从所述样品接收所述经收集照明的检测器。在另一说明性实施例中，所述系统包含通信地耦合到所述检测器的控制器。在另一说明性实施例中，所述控制器包含存储器装置及一或多个处理器。在另一说明性实施例中，所述控制器经配置以获得所述样品的测试图像。在另一说明性实施例中，所述控制器经配置以基于所述测试图像检测所述样品上的一或多个缺陷。在另一说明性实施例中，所述控制器经配置以产生与所述样品上的所述一或多个经检测缺陷相关联的一或多个斑块图像。在另一说明性实施例中，所述控制器经配置以重建所述一或多个斑块图像以增强所述一或多个斑块图像的分辨率。在另一说明性实施例中，所述控制器经配置以基于所述一或多个经重建斑块图像对所述一或多个缺陷进行分类。
根据本发明的一或多项说明性实施例，揭示一种多模检查系统。在一项说明性实施例中，所述系统包含照明子系统。在另一说明性实施例中，所述照明子系统包含经配置以产生两种或两种以上照明模式的照明源。在另一说明性实施例中，所述照明子系统包含用来将所述照明光束引导到样品的一组照明光学装置。在另一说明性实施例中，所述系统包含收集子系统。在另一说明性实施例中，所述收集子系统包含用来收集从所述样品发射的照明的一组收集光学装置。在另一说明性实施例中，所述收集子系统包含用来产生两种或两种以上收集模式的可调整收集孔径。在另一实施例中，所述照明子系统包含由所述两种或两种以上照明模式及所述两种或两种以上收集模式形成的两种或两种以上系统模式。在另一说明性实施例中，所述收集子系统包含经配置以从所述样品接收所述经收集照明的检测器。在另一说明性实施例中，所述系统包含通信地耦合到所述检测器的控制器。在另一说明性实施例中，所述控制器包含存储器装置及一或多个处理器。在另一说明性实施例中，所述控制器经配置以基于所述两种或两种以上系统模式获得所述样品的两个或两个以上测试图像。在另一说明性实施例中，所述控制器经配置以估计所述检查系统的点扩散函数。在另一说明性实施例中，所述控制器经配置以基于所述经估计点扩散函数重建所述两个或两个以上测试图像以增强所述两个或两个以上测试图像的分辨率。在另一说明性实施例中，所述控制器经配置以基于所述两个或两个以上经重建测试图像识别所述样品上的一或多个缺陷。
根据本发明的一或多项说明性实施例，揭示一种检查系统。在一项说明性实施例中，所述系统包含照明子系统。在另一说明性实施例中，所述照明子系统包含经配置以产生照明光束的照明源。在另一说明性实施例中，所述照明子系统包含用来将所述照明光束引导到样品的一组照明光学装置。在另一说明性实施例中，所述系统包含收集子系统。在另一说明性实施例中，所述收集子系统包含用来收集从所述样品发射的照明的一组收集光学装置。在另一说明性实施例中，所述收集子系统包含经配置以从所述样品接收所述经收集照明的检测器。在另一说明性实施例中，所述系统包含通信地耦合到所述检测器的控制器。在另一说明性实施例中，所述控制器包含存储器装置及一或多个处理器。在另一说明性实施例中，所述控制器经配置以配置缺陷检测配方。在另一说明性实施例中，所述控制器经配置以基于所述缺陷检测配方检测所述样品上的一或多个缺陷。
应理解，前文一般描述及下文详细描述两者仅具有示范性及解释性且未必限制所主张的本发明。并入本说明书中且构成本说明书的一部分的附图说明本发明的实施例且连同一般描述一起用来解释本发明的原理。
附图说明
所属领域的技术人员可通过参考附图更佳地理解本发明的众多优点，其中：
图1A是根据本发明的一或多项实施例的检查系统的概念图。
图1B是根据本发明的一或多项实施例的检查测量子系统的概念图。
图1C是根据本发明的另一实施例的检查测量子系统的概念图。
图2是说明根据本发明的一或多项实施例的在用于检测样品中的缺陷的方法中执行的步骤的流程图。
图3是说明根据本发明的一或多项实施例的缺陷检测方法的子步骤的流程图。
图4A是根据本发明的一或多项实施例的检查系统的照明孔径的图表。
图4B是根据本发明的一或多项实施例的检查系统的收集孔径的图表。
图4C是根据本发明的一或多项实施例的照明孔径与收集孔径的线性组合的图表。
图4D是根据本发明的一或多项实施例的依基于图4C中说明的照明孔径与收集孔径的线性组合的2D傅里叶变换的线性标度的检查系统的经估计PSF的图表。
图4E是根据本发明的一或多项实施例的依基于图4C中说明的照明孔径与收集孔径的线性组合的2D傅里叶变换的对数标度的检查系统的经估计PSF的图表。
图5A是根据本发明的一或多项实施例的样品的经观察图像。
图5B是根据本发明的一或多项实施例的对应于通过Richardson-Lucy卷积的10次迭代产生的经观察图像的经重建版本的经重建图像。
图5C是根据本发明的一或多项实施例的对应于通过Richardson-Lucy卷积的100次迭代产生的经观察图像的经重建版本的经重建图像。
图5D是根据本发明的一或多项实施例的结合总变分正则化因子使用正则化Richardson-Lucy反卷积产生的经重建图像。
图5E是根据本发明的一或多项实施例的结合Tikhonov-Miller正则化因子使用正则化Richardson-Lucy反卷积产生的经重建图像。
图5F是根据本发明的一或多项实施例的结合双向正则化因子使用正则化Richardson-Lucy反卷积产生经重建图像。
图6A是根据本发明的一或多项实施例的使用三次内插重建的样品的图像。
图6B是根据本发明的一或多项实施例的使用正则化Richardson-Lucy反卷积重建的样品的相同部分的图像。
图6C是说明根据本发明的一或多项实施例的与图6A及图6B两者的片段相关联的灰度的图表。
图7是说明根据本发明的一或多项实施例的用于基于使用经重建测试图像及经重建参考图像产生的差异图像检测缺陷方法的子步骤的流程图。
图8包含根据本发明的一或多项实施例的经重建测试图像、经重建参考及经重建差异图像，其说明基于经重建测试图像及经重建参考图像产生差异信号。
图9包含根据本发明的一或多项实施例的基于稀疏分布正则化参数的不同值使用经重建参考图像及经重建测试图像产生的差异图像。
图10是根据本发明的一或多项实施例的说明基于设计数据的样品特征的图的图像，所述样品特征与基于差异图像检测的缺陷重叠，所述差异图像是结合稀疏分布正则化参数使用经重建参考图像及经重建测试图像而产生。
图11是说明根据本发明的一或多项实施例的在用于基于经重建斑块图像对样品中的缺陷进行分类的方法中执行的步骤的流程图。
图12是说明根据本发明的一或多项实施例的在用于检测样品中的缺陷的方法中执行的步骤的流程图。
图13是根据本发明的一或多项实施例的经定向以从不同方向照明样品的四种边缘对比度照明模式的概念图。
图14包含根据本发明的一或多项实施例的说明经抗频叠图像中的缺陷可检测性的增强的图像。
具体实施方式
现将详细参考附图中说明的所揭示主题。已关于某些实施例及其特定特征具体展示及描述本发明。本文中陈述的实施例被视为阐释性而非限制性。所属领域的技术人员应容易明白，可在不背离本发明的精神及范围的情况下于形式及细节方面作出各种变更及修改。
大体上参考图1A至14，揭示用于使用超分辨率图像重建检查样品的缺陷的系统及方法。本发明的实施例旨在重建一或多个图像以促进缺陷检测。图像重建可提供但不限于提供经增强分辨率或缺陷的经增强信噪比(SNR)。本发明的实施例旨在重建单个图像(例如，样品的测试图像)。本发明的额外实施例旨在重建多个图像用于缺陷检测。例如，可单独地重建样品的测试图像以及样品的参考图像。此外，可产生基于经重建测试图像及经重建参考图像的差异图像用于缺陷检测。
本文中应认知，半导体晶片上的特征大小可显著小于用来检测晶片上的缺陷的光学检查系统的分辨率。换句话说，制成特征以及任何潜在缺陷的大小可显著小于光学检查系统的检测波长。据此，晶片的光学检查系统可不完全解析诸多样品特征，使得由检查系统产生的图像可显得模糊。例如，由光学检查系统产生的图像可缺乏样品上的设计图案的许多高空间频率内容。此外，检查系统的照明光束与样品上的特征的相互作用可导致可进一步影响图像的散射及光学干涉效应。
本文中进一步应认知，可利用图像重建技术(例如但不限于图像内插或反卷积)来增强模糊图像。例如，可利用图像内插来按比例放大图像以增大图像的分辨率。通过另一实例，可使用反卷积(例如，图像解模糊)以通过反转由成像系统引发的已知或经估计失真来恢复图像的形状内容。成像系统的失真可通过点扩散函数(PSF)描述，所述点扩散函数(PSF)描述光学系统对点源的响应(例如，检查系统的脉冲响应)。因此，由检查系统提供的图像可特性化为实际图像场(例如，经图案化半导体晶片)及PSF的卷积。据此，图像反卷积可反转通过运用PSF对图像反卷积引发的光学失真以产生增强的经重建图像。此外，可基于PSF的知识对反卷积技术进行分类。非盲目反卷积技术利用基于成像系统的先前知识的已知(或经估计)PSF，而盲目反卷积技术基于图像自身的分析估计PSF。
大体而言，精确地确定成像系统的PSF是不切实际的。例如，PSF可基于图像场中的点源的位置及/或点源的深度(例如，失焦程度)而变化。另外，对象的运动或系统的抖动可进一步影响与特定图像相关联的PSF。据此，非盲目反卷积技术通常利用经估计PSF。
在具有小于检查系统的分辨率的特征的样品上进行缺陷检测的背景中，真实PSF可为样品的局部设计的函数，使得可不界定将应用于任何任意设计图案的图像的全局PSF。然而，可能无需样品上的实际特征的完整重建来检测样品上的缺陷。本发明的实施例利用经估计全局PSF来增强样品的图像的分辨率用于缺陷检测。就此而言，经重建图像可提供缺陷的经增强信噪比(SNR)。
本发明的额外实施例涉及使用正则化反卷积的图像重建。就此而言，图像重建可利用包含或多个正则化项作为基于已知或所预期结果的先前知识的约束的迭代反卷积步骤来收敛于可能解。据此，与反卷积相关联的成本函数中的正则化项可避免不可能解及/或避免图像假影，例如但不限于振铃假影。本发明的实施例利用稀疏分布正则化项来重建具有经稀疏分布缺陷的图像。本发明的进一步实施例利用图像约束正则化项以基于样品的图像的一或多个方面的先前知识重建图像。例如，图像约束正则化项可包含但不限于图像梯度正则化项(例如，总变分、Tikhonov-Miller、双向等等)。
反卷积技术大体上描述于Starck,J.L.等人的“Deconvolution in Astronomy:AReview”，Publications of the Astronomical Society of the Pacific，114:1051–1069(2002年)，其全文以引用方式并入本文中。图像解模糊化大体上描述于Wang,R等人的“Recent Progress in Image Debluring”，arXiv:1409.6838[cs.CV](2014年)，其全文以引用方式并入本文中。用于图像恢复的基于贝叶斯定理的迭代方法大体上描述于Richardson,WH的“Bayesian-based iterative method of image restoration”，ournalof the Optical Society of America 62(1):55-59(1972年)，其全文以引用方式并入本文中。迭代矫正技术大体上描述于Lucy,LB的“An iterative technique for therectification of observed distributions”，The astronomical journal 79:745-754(1974年)，其全文以引用方式并入本文中。结合总变分正则化使用Richardson-Lucy算法的三维反卷积技术大体上描述于Dey,N.等人的“3D Microscopy Deconvolution usingRichardsion-Lucy Algorithm with Total Variation Regularization”，InstitutNational de Recherche en Informatique et en Automatique，N.5272(2004年)，其全文以引用方式并入本文中。渐进式标度间及标度内非盲目图像反卷积大体上描述于Yuan,L.等人的“Progressive Inter-scale and Intra-scale Non-blind ImageDeconvolution”，ACM Transactions on Graphics(TOG)-Proceedings of ACM SIGGRAPH2008，24(3)，Art.74(2008年)，其全文以引用方式并入本文中。
本文中应认知，典型缺陷检测系统可通过比较测试图像与一或多个参考图像(例如，通过产生一或多个差异图像等等)来检测缺陷。参考图像可与另一裸片(例如，裸片到裸片检测等等)或另一单元(例如，单元到单元检测等等)相关联。例如，样品裸片中的缺陷可通过比较样品裸片的图像与参考裸片的图像(例如，裸片到裸片(D2D)检查、标准参考裸片(SRD)检查等等)或比较样品裸片的图像与基于设计特性的图像(例如，裸片到数据库(D2DB)检查)而特性化。使用永久性数据(例如，经存储数据)的检查系统大体上描述于2012年2月28日发布的美国专利第8,126,255号，所述专利的全文以引用方式并入本文中。使用样品的设计数据来促进检查的检查系统大体上描述于2010年3月9日发布的美国专利第7,676,077号及2000年11月28日发布的美国专利第6,154,714号，所述专利的全文以引用方式并入本文中。本发明的实施例涉及在产生差异图像之前重建测试图像及参考图像。例如，可透过运用检查系统的经估计PSF进行反卷积来重建测试图像及参考图像两者。可使用图像约束正则化项(例如，图像梯度约束正则化项等等)对测试图像及/或参考图像反卷积以避免不可能解且避免假影。另外，可将稀疏分布正则化项进一步并入到测试图像的反卷积中。就此而言，可强调测试图像与参考之间的差异(例如，待检测缺陷信号)。
本发明的额外实施例涉及重建多个测试图像。例如，可单独地重建运用多种照明模式(例如，多个照明角度等等)取得的样品的测试图像并分析缺陷。此外，多个经重建测试图像可经组合以形成适于缺陷检测的经组合图像。通过另一实例，可重建与样品上的经检测缺陷周围的局部化区域相关联的斑块图像。例如，检查系统可产生一或多个斑块图像用于缺陷分类，各斑块图像具有所预期缺陷及环绕缺陷的图像的部分。就此而言，斑块图像的重建可提供经增强缺陷分类或缺陷相对于经设计样品图案(例如，在斑块图像中未解析)的位置确定。
本发明的额外实施例涉及重建经抗频叠测试图像。例如，检查系统可利用大像素大小(例如，相对于样品特征)来改良处理量或最佳地利用与照明源相关联的亮度级。然而，此类图像可遭受频叠噪声。据此，检查系统可利用抗频叠技术(例如，抗频叠滤波器的应用、图像获得期间的有意模糊化等等)。本发明的额外实施例涉及重建经抗频叠图像以复原受抗频叠影响的缺陷信号的部分。
本发明的额外实施例涉及重建由检查系统产生用于确定运行时间图像获得参数(例如，配方)以用于特定样品上的缺陷检测的配置图像。例如，由检查系统产生的样品的配置图像可经重建以促进确定与辐射系统相关联的参数(例如，在基于配置图像的动态范围的测试图像获得期间的亮度级等等)、确定样品上的一或多个关照区域来询问或训练基于设计的检查算法(例如，像素-设计对准(PDA)、基于背景的成像(CBI)、基于模板的成像(TBI)等等)。
如贯穿本发明使用，术语“样品”通常是指由半导体或非半导体材料形成的衬底(例如，晶片等等)。例如，半导体或非半导体材料可包含但不限于单晶硅、砷化镓及磷化铟。样品可包含一或多个层。例如，此类层可包含但不限于光阻剂、介电材料、导电材料及半导电材料。所属领域中已知此类层的诸多不同类型，且如本文中使用的术语样品旨在涵盖其上可形成此类层的所有类型的样品。形成于样品上的一或多个层可经图案化或未经图案化。例如，样品可包含多个裸片，各裸片具有可重复经图案化特征。此类材料层的形成及处理可最终导致完成的装置。诸多不同类型的装置可形成于样品上，且如本文中使用的术语样品旨在涵盖其上制造所属领域中已知的任何类型的装置的样品。此外，出于本发明的目的，术语样品及晶片应被解释为可互换。另外，出于本发明的目的，术语图案化装置、掩模及光罩应被解释为可互换。
图1A是说明根据本发明的一或多项实施例的检查系统100的概念图。在一项实施例中，检查系统100包含用来询问样品104的检查测量子系统102。例如，检查测量子系统102可检测样品104上的一或多个缺陷。
本文中应注意，检查测量子系统102可为所属领域中已知适于检测样品104上的缺陷的任何类型的检查系统。例如，检查测量子系统102可包含粒子束检查子系统。据此，检查测量子系统102可将一或多个粒子束(例如，电子束、离子束等等)引导到样品104，使得可基于从样品104发射的经检测辐射(例如，二次电子、经反向散射电子、发光等等)检测一或多个缺陷。作为另一实例，检查测量子系统102可包含光学检查子系统。据此，检查测量子系统102可将光学辐射引导到样品104，使得可基于从样品104发射的经检测辐射(例如，经反射辐射、经散射辐射、经衍射辐射、发光辐射等等)检测一或多个缺陷。
检查测量子系统102可在成像模式或非成像模式中操作。例如，在成像模式中，个别对象(例如，缺陷)可在样品上的经照明点内(例如，作为亮场图像、暗场图像、相位对比度图像等等的部分)解析。在非成像操作模式中，由一或多个检测器收集的辐射可与样品上的单个经照明点相关联且可表示样品104的图像的单个像素。就此而言，可通过从样品位置数组获得数据来产生样品104的图像。此外，检查测量子系统102可操作为基于散射测量的检查系统，其中在光瞳平面处分析来自样品的辐射以特性化来自样品104的辐射的角度分布(例如，与由样品104散射及/或衍射辐射相关联)。
在另一实施例中，检查系统100包含耦合到检查测量子系统102的控制器106。就此而言，控制器106可经配置以从检查测量子系统102接收数据，包含但不限于检查数据。在另一实施例中，控制器106包含一或多个处理器108。例如，一或多个处理器108可经配置以执行维持于存储器装置110或存储器中的程序指令集。控制器106的一或多个处理器108可包含所属领域中已知的任何处理元件。在此意义上，一或多个处理器108可包含经配置以执行算法及/或指令的任何微处理器类型装置。此外，存储器装置110可包含所属领域中已知适于存储可由相关联的一或多个处理器108执行的程序指令的任何存储媒体。例如，存储器装置110可包含非暂时性存储器媒体。作为额外实例，存储器装置110可包含但不限于只读存储器、随机存取存储器、磁性或光学存储器装置(例如，磁盘)、磁带、固态磁盘等等。进一步应注意，存储器装置110可与一或多个处理器108一起容置于共同控制器外壳中。
图1B是说明根据本发明的一或多项实施例的检查测量子系统102的概念图。在一项实施例中，检查测量子系统102包含用来产生照明光束114的照明源112。在进一步实施例中，照明源112是经配置以产生单独照明光束114的单独照明源。照明光束114可包含一或多个选定光波长，包含但不限于紫外线(UV)辐射、可见辐射或红外线(IR)辐射。
在另一实施例中，照明源112经由照明路径116将照明光束114引导到样品104。照明路径116可包含一或多个透镜118。此外，照明路径116可包含适于修改及/或调节照明光束114的一或多个额外光学组件120。例如，一或多个光学组件120可包含但不限于一或多个偏光器、一或多个滤波器、一或多个光束分裂器、一或多个漫射器、一或多个均质器、一或多个切趾器，或一或多个光束整形器。在一项实施例中，照明路径116包含光束分裂器122。在另一实施例中，检查测量子系统102包含用来将照明光束114聚焦到样品104上的物镜124。
在另一实施例中，检查测量子系统102包含经配置以透过收集路径128捕捉从样品104发射的辐射的一或多个检测器126。收集路径128可包含用来引导及/或修改由物镜124收集的照明的多个光学元件，包含但不限于一或多个透镜130、一或多个滤波器、一或多个偏光器、一或多个光束挡块，或一或多个光束分裂器。
例如，检测器126可接收由收集路径128中的元件(例如，物镜124、一或多个透镜130等等)提供的样品104的图像。通过另一实例，检测器126可接收从样品104反射或散射(例如，经由镜面反射、漫反射等等)的辐射。通过另一实例，检测器126可接收由样品产生的辐射(例如，与照明光束114的吸收相关联的发光等等)。通过另一实例，检测器126可从样品104接收一或多个衍射阶的辐射(例如，0阶衍射、±1阶衍射、±2阶衍射等等)。此外，本文中应注意，一或多个检测器126可包含所属领域中已知适于测量从样品104接收的照明的任何光学检测器。例如，检测器126可包含但不限于CCD检测器、TDI检测器、光电倍增管(PMT)、雪崩光电二极管(APD)等等。在另一实施例中，检测器126可包含适于识别从样品104发射的辐射的波长的光谱检测器。此外，检查测量子系统102可包含多个检测器126(例如，与由一或多个光束分裂器产生以促进由检查测量子系统102进行的多个计量测量(例如，多个计量工具)的多个光束路径相关联。
在另一实施例中，检查测量子系统102通信地耦合到检查系统100的控制器106。就此而言，控制器106可经配置以接收数据，包含但不限于检查数据(例如，检查测量结果、目标图像、光瞳图像等等)或计量度量(例如，精度、工具引发的偏移、敏感度、衍射效率、离焦斜率、侧壁角度、临界尺寸等等)。
在另一实施例中，样品104安置于适于在扫描期间固定样品104的样品台132上。在另一实施例中，样品台132是可致动台。例如，样品台132可包含但不限于适于可选择性地沿一或多个线性方向(例如，x方向、y方向及/或z方向)平移样品104的一或多个平移台。通过另一实例，样品台132可包含但不限于适于可选择性地沿旋转方向旋转样品104的一或多个旋转台。通过另一实例，样品台132可包含但不限于适于可选择性地沿线性方向平移样品及/或沿旋转方向旋转样品104的旋转台及平移台。
图1C是说明根据本发明的另一实施例的检查测量子系统102的概念图。在一项实施例中，照明路径116及收集路径128含有单独元件。例如，照明路径116可利用第一聚焦元件134以将照明光束114聚焦到样品104上且收集路径128可利用第二聚焦元件136以从样品104收集辐射。就此而言，第一聚焦元件134及第二聚焦元件136的数值孔径可不同。此外，本文中应注意，图1C中描绘的检查测量子系统102可促进样品104及/或一个以上照明源112(例如，耦合到一或多个额外检测器126)的多角度照明。就此而言，图1C中描绘的检查测量子系统102可执行多个计量测量。在另一实施例中，一或多个光学组件可安装到绕样品104枢转的可旋转臂(未展示)，使得可通过可旋转臂的位置控制样品104上照明光束114的入射角度。
图2是说明根据本发明的一或多项实施例的在用于检测样品中的缺陷的方法200中执行的步骤的流程图。申请人强调，本文先前在系统100的背景中描述的实施例及实现技术应被解释为扩展到方法200。然而，进一步应注意，方法200不限于系统100的架构。
可如本文中进一步描述般执行方法200的各步骤。可由可根据本文中描述的任何实施例配置的一或多个控制器(例如，控制器106等等)执行步骤。另外，可由本文中描述的任何系统实施例执行上文描述的方法。方法200还可包含可由本文中描述的控制器或任何系统实施例执行的一或多个额外步骤。
在一项实施例中，方法200包含获得测试图像的步骤202。测试图像可为待被检查缺陷的(例如，样品104的)图像。此外，可通过所属领域中已知的任何方法形成测试图像。例如，可但无需至少部分使用检查测量子系统102产生测试图像。据此，测试图像可对应于光学图像、扫描电子显微镜图像、粒子束图像等等。通过另一实例，可由检查系统100存储测试图像。例如，测试图像可存储于控制器106的存储器装置110内。就此而言，检查系统100可操作为虚拟检查系统。通过另一实例，可从外部源(例如，数据存储系统、服务器、额外检查系统等等)检索测试图像。
在另一实施例中，方法200包含重建测试图像以增强测试图像的分辨率的步骤204。步骤204可包含使用所属领域中已知的任何方法或方法组合重建测试图像以增强缺陷的检测。在另一实施例中，方法200包含基于经重建测试图像检测样品上的一或多个缺陷的步骤206。例如，步骤206可包含基于经重建测试图像使用所属领域中已知的任何技术检测缺陷。例如，可分析经重建测试图像的部分并比较其与测试图像的经重复部分、参考图像、设计数据等等用于检测测试图像内的缺陷。
在一项实施例中，步骤204包含通过图像内插重建测试图像。步骤204可包含使用所属领域中已知的任何内插技术重建测试图像，例如但不限于双线性内插、三次内插、Lanczos内插、最近相邻内插、B样条内插或正弦内插。例如，步骤204可包含内插测试图像以使测试图像的分辨率增大(例如，按比例放大图像)超过由检查系统提供的分辨率。例如，步骤204可包含内插测试图像以将像素大小及/或间隔修改到处于或低于样品上的特征的尺寸的尺寸。就此而言，与经检测缺陷相关联的位置信息可与相关样品特征关联。
在另一实施例中，步骤204包含通过反卷积重建图像。
图3是说明根据本发明的一或多项实施例的在方法200的步骤204中执行的步骤的流程图。在一项实施例中，步骤204包含估计检查系统(例如，检查测量子系统102等等)的PSF的步骤302。在另一实施例中，步骤204包含基于经估计PSF对测试图像反卷积的步骤304。
成像系统(例如检查系统)通常提供作为样品的失真表示的图像。失真源可包含但不限于由成像系统的组件的衍射、成像系统的组件的像差、干涉效应、样品的运动、成像系统的运动，或湍流。在一般意义上，可通过点扩散函数(PSF)描述由成像系统的系统失真。PSF可由成像系统特性化为点源的图像，其通常是模糊图案。就此而言，可将由成像系统提供的图像建模为真实分布(例如，理想图像)及PSF的卷积。例如，可将图像I(x，y)建模为：
I(x，y)≈O(x，y)*p(x，y)， (1)
其中O(x，y)是理想图像且h(x，y)是PSF。
图像I(x，y)可进一步经建模以包含噪声n的分布的假定。例如，对于高斯噪声分布，可将图像I(x，y)建模为：
I(x，y)≈O(x，y)*h(x，y)+n (2)
通过另一实例，对于泊松或脉冲噪声分布，可将图像I(x，y)建模为：
I(x，y)≈n(O(x，y)*h(x，y))。 (3)
如本文中先前描述，由于失真源的性质，通常极其难以界定与由成像系统产生特定图像相关联的确切PSF。此外，PSF可依据成像系统的视场中的对象点的空间位置以及对象的深度两者而变化。据此，步骤302可包含产生检查系统的PSF的估计，其近似检查系统的所预期失真。
另外，在其中经成像的样品上的特征小于检查系统的分辨率的缺陷检查的背景中，PSF可为局部设计图案的函数。就此而言，界定适于对样品的任意图像反卷积的全局PSF可为不切实际的。据此，完全重建样品的图像以非常类似于样品上的特征的实际图案可为不切实际的。然而，情况可能是，出于缺陷检测的目的，完全重建图像以非常类似于样品上的特征的实际图案可并非必需。相反地，反卷积的现实目标可为增大缺陷信号的信噪比。例如，反卷积可促进图像中的缺陷信号与非缺陷信号之间的对比度。就此而言，步骤302中的全局PSF的估计可提供可接受且实际的经重建图像。
在另一实施例中，基于检查系统的孔径的组合(例如，线性组合)的傅里叶变换估计全局PSF。例如，步骤302可包含基于照明系统的照明孔径(例如，对应于由照明源112提供的照明的空间分布)与收集孔径的线性组合的傅里叶变换产生PSF的估计。
图4A到4E说明基于照明孔径与收集孔径的线性组合估计检查系统的PSF。图4A是根据本发明的一或多项实施例的检查系统的照明孔径的图表400。例如，照明源112可具有对应于图表400的照明轮廓。在一项实施例中，照明孔径包含两个照明极402。在一个实例中，两个照明极402在投射到样品104上时可提供离轴照明。图4B是根据本发明的一或多项实施例的检查系统的收集孔径的图表404。例如，检查测量子系统102的物镜124可具有对应于图表404的圆形收集孔径406，其对应于(例如，物镜124的)0.9NA。本文中应注意，照明孔径及收集孔径可对应于检查系统的光瞳平面。就此而言，照明孔径或收集孔径中的特定空间位置可对应于以特定角度进入或离开系统的照明。据此，图表400及404可描绘根据入射角或出射角传播穿过检查系统的光的相对强度。
图4C是根据本发明的一或多项实施例的图表400的照明孔径与图表404的收集孔径的线性组合的图表408。例如，图表408可说明加权达0.8的图表400的照明孔径与加权达0.2的图表404的收集孔径的总和。然而，应理解，照明孔径及收集孔径内的示范性图案以及与图4A到4C相关联的加权因子的值仅出于阐释目的而提供且不应被解释为限制性。在一般意义上，照明孔径及收集孔径可具有任何图案。此外，照明孔径及收集孔径可包含对应于孔径的透射率的灰度值。另外，可运用分配相对贡献的权重的任何组合对照明孔径与收集孔径的线性组合加权。本文中应注意，相对于收集孔径对照明孔径重加权可提供传递穿过检查系统的光瞳的照明的角度的分布的估计。在另一实施例中，可基于检查系统(例如，检查测量子系统102等等)的参数(例如但不限于数值孔径(NA)或照明角度)从定制函数产生加权参数。
图4D是根据本发明的一或多项实施例的依基于图4C中说明的照明孔径与收集孔径的线性组合的2D傅里叶变换的线性标度的检查系统的经估计PSF的图表410。图4E是根据本发明的一或多项实施例的依基于图4C中说明的照明孔径与收集孔径的线性组合的2D傅里叶变换的对数标度的检查系统的经估计PSF的图表412。例如，图4D及4E中说明的PSF可表示检查系统对点源的响应的估计。
反卷积(例如，如步骤304等等中执行)通常是病态求逆问题，因为可不存在唯一解。可通过所属领域中已知适于增强样品的图像(例如，测试图像)中的缺陷的检测的任何反卷积技术确定由成像系统产生的图像产生的图像的经重建版本O′(x，y)。
在一些实施例中，可在傅里叶域(例如，使用待重建图像的空间傅里叶变换)中执行一或多个处理步骤。在一项实施例中，方程式(1)可表示为：
v＝Hξ， (4)
其中ξ是理想图像(O)的傅里叶变换，v是经观察图像(I)的傅里叶变换，且H是PSF(例如，光学转移函数(OTF))的傅里叶变换。
在一项实施例中，通过对OTF直接求逆来产生经重建图像ξ′：
ξ′＝H-1v。 (5)
此外，可将小常数c添加到方程式(5)以避免奇异性。例如，可根据下列方程式产生经重建图像ξ′：
ξ′＝(H-1+c)v。 (5)
在另一实施例中，可基于已知或所预期频率相依信噪比(SNR(f))确定逆矩阵H-1：
其中H*表示H的复共轭。就此而言，逆矩阵H-1可表示基于信噪比过滤空间频率的维纳滤波器。例如，图像的高空间频率通常可具有相对较大信噪比且可因此被维纳滤波器更强地过滤。
在另一实施例中，可基于最大似然计算重建图像。例如，最小化最小平方差的图像可特性化为：
ξ′＝argminξ||v-Hξ||2。 (7)
在另一实施例中，一或多个正则化因子可包含于最小化中以强制执行先前知识，约束解及/或避免放大噪声。例如，正则化因子可基于平滑度、稀疏度、梯度等等约束图像。在一个实例中，最小化受正则化约束的最小平方差的图像可特性化为：
ξ′＝argminξ[||v-Hξ||2+λρ(ξ)]， (8)
其中λ是正则化参数且ρ(ξ)是约束函数。
在另一实施例中，可使用收敛于最大似然解的迭代技术产生经重建图像。例如，步骤204可包含但不限于使用Richardson-Lucy反卷积技术重建图像。例如，Richardson-Lucy反卷积可基于泊松噪声分布的假定提供收敛于最大似然图像(例如，经重建图像O′)的迭代解。就此而言，给定理想图像O及PSFh，经观察图像I的似然概率可特性化为：
其中D表示图像I及O的空间坐标。此外，通过最小化负对数似然E(例如，成本函数)来最大化方程式(9)的似然概率：
接着最大似然估计可特性化为：
O*＝arg mino-logp(I|O，h) (11)
且可发现经重建图像的迭代解为：
其中k是表示迭代次数的整数，Ok是经重建图像的第k次迭代。
图5A到5C说明对图像应用Richardson-Lucy反卷积。图5A是根据本发明的一或多项实施例的(例如，由检查系统获得的)样品的经观察图像500。所述图像包含未清楚解析的一系列线性特征502。图5B是根据本发明的一或多项实施例的对应于通过Richardson-Lucy卷积的10次迭代产生的经观察图像500的经重建版本的经重建图像504。经重建图像504展现经增强分辨率。例如，线性特征502的边缘在经观察图像500中更清晰，但其未被清楚界定。此外，线性特征502的位置未相对于图5A变更。就此而言，经重建图像504可在用于缺陷检测时提供优越性能。例如，相对于经观察图像500，使用经重建图像504，经识别缺陷的位置可更精确地被确定且与样品上的特征关联。然而，Richardson-Lucy反卷积可在图像中产生假影，其可负面地影响缺陷检测。例如，振铃假影504(例如，与边缘附近的振幅振荡等等相关联)不存在于经观察图像500中且进一步不代表样品。据此，振铃假影504的存在可负面地影响缺陷检测性能。图5C是根据本发明的一或多项实施例的对应于通过Richardson-Lucy卷积的100次迭代产生的经观察图像500的经重建版本的经重建图像508。在经重建图像508中，线性特征的边缘比使用10次迭代获得的经重建图像504更清晰。然而，也放大了振铃假影504。在一些应用中，通过反卷积过程引入的假影(例如，振铃假影504等等)可抵消通过反卷积获得的缺陷检测中的优势。
在另一实施例中，步骤304包含使用正则化反卷积技术重建经观察图像，其中一或多个正则化参数约束所得图像。就此而言，可减轻与反卷积过程相关联的假影。步骤304中利用的正则化参数可为所属领域中已知的任何类型的正则化参数。例如，正则化参数可约束根据先前知识的图像的一或多个方面(例如，与理想图像相关联的已知或经估计约束)。例如，图像约束正则化参数可包含但不限于对图像内的梯度或平滑度的约束。
在另一实施例中，步骤304包含最大后验(MAP)分析。例如，经重建图像可特性化为O′＝arg max0 p(O/I，h)＝arg max0p(I/O，h)p(I)，其中p(O/I，h)＝p(I/0，h)p(O)/p(I)表示根据贝叶斯法则的后验概率。
在另一实施例中，步骤304包含使用正则化Richardson-Lucy(RRL)反卷积重建图像。例如，与正则化Richardson-Lucy反卷积相关联的成本函数E可特性化为：
其中α是正则化因子且Ψ(O)是对理想图像O评估的正则化函数。正则化Richardson-Lucy反卷积的对应迭代解可表达为：
在一个实例中，正则化因子包含总变分因子，其可表达为：
在另一实例中，正则化因子包含Tikhonov-Miller因子，其可表达为：
在另一实例中，正则化因子包含双向因子，其可表达为：
应理解，本文中描述的正则化因子的实例仅出于阐释目的而提供且不应被解释为限制性。经执行的反卷积可包含所属领域中已知的任何类型的正则化因子，包含但不限于最大后验反卷积。
图5D到5F说明对图像应用正则化Richardson-Lucy反卷积。图5D是根据本发明的一或多项实施例的结合总变分正则化因子使用正则化Richardson-Lucy反卷积产生的经重建图像510。图5E是根据本发明的一或多项实施例的结合Tikhonov-Miller正则化因子使用正则化Richardson-Lucy反卷积产生的经重建图像512。图5F是根据本发明的一或多项实施例的结合双向正则化因子使用正则化Richardson-Lucy反卷积产生的经重建图像514。本文中应注意，不同正则化参数提供相对于经观察图像(例如，图5A)的经增强分辨率，但不同正则化参数可提供不同权衡。例如，不同正则化参数可提供线性特征502的边缘的清晰度与假影(例如振铃假影504)的强度、与较弱信号相关联的假影强度、计算时间等等之间的不同权衡。就此而言，可(例如，由检查系统100的控制器106等等)选择正则化参数以促进基于特定性能度量及/或样品上的特定特征图案检测缺陷。例如，可透过来自检查系统的图像(例如，测试图像及/或参考图像)的重建改良缺陷检测的性能特性(例如但不限于缺陷显著性、缺陷位置(例如，相对于样品特征))或检查配方中的关照区域的确定。
情况可能是，由检查系统提供的一或多个图像的重建可不完全复原与样品上的特征图案相关联、起初未被检查系统捕捉的一些空间频率。然而，重建可通过增大与图像中的缺陷相关联的信噪比及/或对比度来促进缺陷检测。
图6A到6C说明基于三次图像内插的图像重建与基于正则化Richardson-Lucy反卷积的图像重建之间的比较。图6A是根据本发明的一或多项实施例的使用三次内插重建的样品的图像602。图6B是根据本发明的一或多项实施例的使用正则化Richardson-Lucy反卷积重建的样品的相同部分的图像604。图6C是图表606，其说明根据本发明的一或多项实施例的与图6A的图像602与图6B的图像604两者的片段相关联的灰度。在图表606中，对于两种重建方法，特征的相对位置保持恒定。就此而言，可精确地确定经重建图像中观察到的缺陷的位置。此外，如图表606中所见，使用正则化Richardson-Lucy反卷积的图像重建可提供图像中的经增大对比度(例如，与图像特征相关联的经增大峰到谷信号强度)及图像特征的形状的更清晰界定(例如，与图像特征相关联的更陡峭斜率及/或更窄峰)两者。
如本文中先前描述，检查系统(例如，检查系统100等等)可通过产生受检查样品的测试图像与参考图像(例如，基于受检查样品上的额外裸片或单元的一或多个图像或参考图像)之间的差异图像来检测样品上的缺陷。图7是说明根据本发明的一或多项实施例的在用于基于使用经重建测试图像与经重建参考图像产生的差异图像检测缺陷的方法200的步骤206中执行的步骤的流程图。在一项实施例中，步骤206包含获得样品的参考图像的步骤702。例如，可但无需至少部分使用检查测量子系统102产生参考图像。据此，参考图像可对应于光学图像、扫描电子显微镜图像、粒子束图像等等。此外，可通过(例如，具有相同特征图案的裸片及/或单元的)图像的组合及/或设计数据产生参考图像。通过另一实例，可由检查系统100存储参考图像。例如，参考图像可存储于控制器106的存储器装置110内。就此而言，检查系统100可操作为虚拟检查系统。通过另一实例，可从外部源(例如，数据存储系统、服务器、额外检查系统等等)检索参考图像。
在另一实施例中，步骤206包含基于点扩散函数重建参考图像的步骤704。例如，可使用任何技术重建参考图像，例如但不限于内插、反卷积或正则化反卷积。在另一实施例中，步骤206包含产生经重建测试图像与经重建参考图像之间的差异图像的步骤706。在另一实施例中，步骤206包含基于差异图像检测样品上的一或多个缺陷的步骤708。例如，缺陷可归因于经重建测试图像与经重建参考图像之间的差异。
图8包含根据本发明的一或多项实施例的经重建测试图像、经重建参考及经重建差异图像，所述经重建差异图像说明基于经重建测试图像及经重建参考图像产生差异信号。图像802表示使用正则化Richardson-Lucy反卷积产生的特征的所要图案的参考图像的经重建版本。图像804表示使用正则化Richardson-Lucy反卷积产生的待被检查缺陷的样品的测试图像的经重建版本。情况可能是，检查系统未完全解析样品的特征的特定方面，使得图像即使在重建之后仍显得模糊。图像806表示基于图像802与图像804之间的差异的具有10X的增益的差异图像。此外，差异图像806具有14.2的信噪比且适于缺陷检测。然而，情况可能是，与反卷积相关联的残余假影可存在于差异图像中且因此负面地影响缺陷检测性能。例如，尽管正则化趋向于减轻在经重建图像中产生假影(例如，参见图5A到5F)，但情况可能是，经重建图像含有一些假影。此外，由于所关注缺陷的测试图像与参考图像之间的差异可相对于参考图像修改测试图像中的假影的分布。据此，差异图像(例如，图像806)可含有可见假影，所述可见假影可负面地影响基于差异图像的缺陷检测。
在另一实施例中，当缺陷检测基于差异图像时，运用额外稀疏分布正则化项重建测试图像。本文中应认知，在缺陷检测的背景中，测试图像及参考图像有意地类似，惟测试图像中可能存在缺陷除外。此外，测试图像中的缺陷信号通常稀疏地分布于空间域中。据此，将稀疏分布正则化参数并入到测试图像(而非参考图像)的重建中可增强缺陷信号且减轻与重建过程相关联的假影(例如，参见图8)。
例如，可但无需基于包含稀疏分布正则化项的成本函数使用稀疏度启发式正则化Richardson-Lucy(SRRL)反卷积重建测试图像：
其中β是稀疏分布正则化因子且0＜p≤1。
图9包含根据本发明的一或多项实施例的基于稀疏分布正则化参数的不同值使用经重建参考图像及经重建测试图像产生的差异图像。例如，图像902到908是运用范围从0.0015到0.0045的(例如，方程式(18)的)值β而产生，且展现从16.2增大到18.5的信噪比。就此而言，随着稀疏分布正则化参数β增大，与正则化Richardson-Lucy反卷积相关联的残余假影愈发被抑制而在图像中无明显形状失真。据此，可更清楚地检测信号中的缺陷。
在另一实施例中，在产生或不产生差异图像的情况下(例如，通过方法200)基于经重建测试图像检测的缺陷的位置与样品上的特征关联。例如，基于经重建测试图像检测的缺陷的位置可与设计数据关联。就此而言，基于图像重建的缺陷检测可促进缺陷的局部化到子像素准确度(例如，基于与由检查系统获得的经观察测试图像的单个像素相关联的样品区域)。
图10是说明根据本发明的一或多项实施例的基于设计数据的样品特征1002图的图像1000，所述样品特征1002与基于差异图像检测的缺陷1004重叠，所述差异图像是结合稀疏分布正则化参数使用经重建参考图像及经重建测试图像产生。在一项实施例中，缺陷信号1004精确地定位于小于用来产生测试图像及/或参考图像的检查系统的分辨率的特征1002的背景内。
如本发明中使用的术语“设计数据”通常是指集成电路的物理设计及透过复杂仿真或简单几何运算及布尔运算从物理设计导出的数据。另外，由光罩检查系统及/或其衍生物获得的光罩的图像可用作设计数据的代理或诸代理。此类光罩图像或其衍生物可用作本文中描述的使用设计数据的任何实施例中的设计布局的替代物。设计数据及设计数据代理描述于：2010年3月9日发布的Kulkarni的美国专利第7,676,007号；2011年5月25日申请的Kulkarni的美国专利申请案第13/115,957号；2011年10月18日发布的Kulkarni的美国专利第8,041,103号；及2009年8月4日发布的Zafar等人的美国专利第7,570,796号，其所有以引用方式并入本文中。此外，将设计数据用于引导检查过程大体上描述于2012年2月17日申请的Park的美国专利申请案第13/339,805号中，所述案的全文以引用方式并入本文中。
设计数据可包含样品104上的个别组件及/或层(例如，绝缘体、导体、半导体、阱、衬底等等)的特性、样品104上的层之间的连接关系或样品104上的组件及连接(例如，导线)的物理布局。就此而言，设计数据可包含对应于样品104上的印刷图案元素的多个设计图案元素。
本文中应注意，设计数据可包含所谓的“平面布置图”，所述平面布置图含有样品104上的图案元素的放置信息。本文中进一步应注意，可从通常以GDSII或OASIS文件格式存储的芯片的物理设计提取此信息。结构行为或过程-设计相互作用可依据图案元素的背景(环境)。通过使用平面布置图，所提出分析可识别设计数据内的图案元素，例如描述待建构于半导体层上的特征的多边形。此外，所提出方法可提供这些重复块的协调信息以及背景数据(例如，相邻结构的位置等等。
在一项实施例中，设计数据包含图案元素的一或多个图形表示(例如，视觉表示、符号表示、图解表示等等)。例如，设计数据可包含组件的物理布局的图形表示(例如，对应于制造于样品104上的印刷图案元素的一或多个多边形的描述)。此外，设计数据可包含样品设计的一或多个层(例如，制造于样品104上的印刷图案元素的一或多个层)或一或多个层之间的连接性的图形表示。作为另一实例，设计数据可包含样品104上的组件的电连接性的图形表示。就此而言，设计数据可包含与样品相关联的一或多个电路或子电路的图形表示。在另一实施例中，设计数据包含含有样品104的一或多个部分的图形表示的一或多个图像文件。
在另一实施例中，设计数据包含样品104的图案元素的连接性的一或多个文字描述(例如，一或多个列表、一或多个表、一或多个数据库等等)。例如，设计数据可包含但不限于网表数据、电路仿真数据或硬件描述语言数据。网表可包含所属领域中已知用于提供电路的连接性的描述的任何类型的网表，包含但不限于物理网表、逻辑网表、基于实例的网表或基于网的网表。此外，网表可包含用来描述样品104上的电路及/或子电路的一或多个子网表(例如，在阶层配置中)。例如，与网表相关联的网表数据可包含但不限于节点(例如，网、电路的组件之间的导线等等)的列表、端口(例如，端子、接脚、连接器等等)的列表、网之间的电组件(例如，电阻器、电容器、电感器、晶体管、二极管、电源等等)的描述、与电组件相关联的值(例如，电阻器的以欧姆为单位的电阻值、电源的以伏特为单位的电压值、电压源的频率特性、组件的初始条件等等)。在另一实施例中，设计数据可包含与半导体过程流程的特定步骤相关联的一或多个网表。例如，可(例如，由检查系统100)在半导体过程流程中的一或多个中间点处检查样品104。据此，用来产生关照区域的设计数据可特定于在半导体过程流程中的当前点处的样品104的布局。就此而言，可从组合技术文件的物理设计布局(层连接性、各层的电性质等等)或与样品104的最终布局相关联的网表导出(例如，提取等等)与半导体过程流程中的特定中间点相关联的网表，以在半导体过程流程的特定中间点处包含仅存在于晶片上的组件。
在另一实施例中，图像重建应用于由检查系统产生的一或多个斑块图像。例如，斑块图像可经产生以促进由检查系统检测的缺陷的分类。
图11是说明根据本发明的一或多项实施例的在用于基于经重建斑块图像对样品中的缺陷进行分类的方法1100中执行的步骤的流程图。申请人强调，本文先前在系统100的背景中描述的实施例及实现技术应被解释为扩展到方法1100。然而，进一步应注意，方法1100不限于系统100的架构。
可如本文中进一步描述般执行方法1100的各步骤。可由可根据本文中描述的任何实施例配置的一或多个控制器(例如，控制器106等等)执行步骤。另外，可由本文中描述的任何系统实施例执行上文描述的方法。方法1100还可包含可由本文中描述的控制器或任何系统实施例执行的一或多个额外步骤。
在一项实施例中，方法1100包含获得样品的测试图像的步骤1102。在另一实施例中，方法1100包含基于测试图像检测样品上的一或多个缺陷的步骤1104。例如，步骤1104可包含基于参考图像(例如，基于与测试图像及参考图像相关联的差异图像等等检测样品上的一或多个缺陷。通过另一实例，步骤1104可包含基于设计数据检测样品上的一或多个缺陷。
在另一实施例中，方法1100包含产生与样品上的一或多个经检测缺陷相关联的一或多个斑块图像的步骤1106。例如，斑块图像可包含环绕步骤1104中检测的缺陷的测试图像的部分。斑块图像可为适于描绘测试图像的缺陷及相关特征的任何大小。
在另一实施例中，方法1100包含重建一或多个斑块图像以增强一或多个斑块图像的分辨率的步骤1108。例如，可使用所属领域中已知的任何技术重建一或多个斑块图像，例如但不限于内插或反卷积。在一个实例中，使用正则化反卷积(例如，正则化Richardson-Lucy反卷积等等)重建一或多个斑块图像。
在另一实施例中，方法1100包含基于一或多个经重建斑块图像对一或多个缺陷进行分类的步骤1110。例如，可基于经重建斑块图像根据所属领域中已知的任何分类方案对缺陷进行分类。在一个实例中，基于缺陷的类型(例如，接地电短路、桥接缺陷等等)对缺陷进行分类。在另一实例中，基于接近于缺陷的样品特征对缺陷进行分类。在另一实施例中，可根据分类对缺陷分级以产生缺陷的帕雷托分布。
在另一实施例中，图像重建应用于多个测试图像。例如，检查系统可使用多种照明模式产生样品的多个测试图像。本文中应认知，成像系统的空间分辨率取决于从样品捕捉的照明的角度(例如，与对象的各种空间频率内容相关联的照明的衍射阶)。此外，由收集孔径收集的照明的衍射阶可取决于光照明样品的角度。依法线入射的照明可趋向于导致相对少衍射阶的收集且因此提供具有相对低空间分辨率的图像。相比之下，依大角度的照明可趋向于导致相对多衍射阶的收集且因此提供具有相对高空间分辨率的图像。
在样品处(例如，穿过固定照明孔径)同时引导多个照明角度的情况下，收集光学装置有效地组合与多个照明角度相关联的各种衍射阶以产生图像。在本发明的另一实施例中，检查系统运用不同照明模式(例如，朝向样品引导的照明的不同入射角度)产生多个测试图像。各测试图像可经重建以增强测试图像的分辨率。此外，经重建测试图像可组合为单个经组合图像用于缺陷检测。在另一实施例中，可至少部分基于个别经重建测试图像检测缺陷。
图12是说明根据本发明的一或多项实施例的在用于检测样品中的缺陷的方法1200中执行的步骤的流程图。申请人强调，本文先前在系统100的背景中描述的实施例及实现技术应被解释为扩展到方法1200。然而，进一步应注意，方法1100不限于系统100的架构。
在一项实施例中，所述方法包含基于两种或两种以上照明模式获得样品的两个或两个以上测试图像的步骤1202。与步骤1202相关联的照明模式可具有所属领域中已知适于定制样品上的照明的角度分布的任何分布。图13是根据本发明的一或多项实施例的经定向以从不同方向照明样品的四种边缘对比度照明模式的概念图。在一项实施例中，第一照明孔径1302包含第一照明模式1304。在另一实施例中，第二照明孔径1306包含第二照明模式1308。在另一实施例中，第三照明孔径1310包含第三照明模式1312。在另一实施例中，第四照明孔径1314包含第四照明模式1316。例如，检查系统(例如，检查测量子系统102等等)可运用四个照明孔径1302、1306、1310、1314的各者循序地照明样品且产生与各照明孔径相关联的测试图像。
在另一实施例中，方法1200包含估计检查系统的PSF的步骤1204。例如，步骤1204可包含基于用来产生测试图像的对应照明孔径估计各测试图像的单独PSF。
在另一实施例中，方法1200包含基于经估计点扩散函数重建两个或两个以上测试图像以增强两个或两个以上测试图像的分辨率的步骤1206。例如，步骤1206可包含使用步骤1204中产生的经估计PSF重建各测试图像。可使用任何方法重建测试图像，例如但不限于内插或反卷积。在一个实例中，可使用正则化反卷积(例如，正则化Richardson-Lucy反卷积等等)重建测试图像。
在另一实施例中，方法1200包含基于两个或两个以上经重建测试图像识别样品上的一或多个缺陷的步骤1208。例如，步骤1208可包含基于步骤1206中产生的经重建测试图像产生经组合图像(例如，经融合图像)且基于经组合图像检测缺陷。可通过所属领域中已知的任何方法产生经组合图像，例如但不限于加法组合或乘法组合。通过另一实例，步骤1208可包含至少部分基于任何个别经重建图像检测缺陷。
在另一实施例中，使用图像重建来复原受抗频叠技术影响的缺陷信号的部分。例如，通常至少部分基于处理量或光预算考虑选择检查系统的像素大小。例如，相对较大像素大小与相对较小像素大小相比可提供经增大处理量且需要来自照明源(例如，照明源112等等)的更小照明强度(例如，更低亮度级)。然而，较大像素大小可遭受频叠噪声。检查系统可利用抗频叠技术来减轻任何频叠噪声。例如，检查系统可有意地将模糊引入到经产生图像中，其减轻频叠噪声。在一个实例中，检查系统可透过抗频叠滤波器的使用引入模糊。在另一实例中，检查系统可在图像获得过程期间直接引入模糊。基于TDI的成像中的抗频叠方法大体上描述于2015年2月3日发布的美国专利第8,947,521号，所述专利的全文以引用方式并入本文中。
在另一实施例中，利用图像重建来改良使用经抗频叠图像产生的图像中的缺陷可检测性。就此而言，图像重建可增强经抗频叠图像的分辨率以复原受抗频叠技术影响的空间频率的部分。
图14包含说明根据本发明的一或多项实施例的经抗频叠图像中的缺陷可检测性的增强的图像。例如，图像1402包含遭受频叠噪声的差异图像(例如，经频叠差异图像)。缺陷1404在图像1402中是可见的，但由于1.2的信噪比而具有低对比度。图像1406包含经抗频叠差异图像。经抗频叠差异图像具有2.0的信噪比，使缺陷1404可比经频叠差异图像更清楚地检测。图像1408包含经重建差异图像，其具有2.4的信噪比，使缺陷1404可比在图像1402、1406中更清楚地检测。使用Lanczos内插重建图14的图像1408。然而，应理解，可利用任何重建技术来增强经抗频叠图像的缺陷可检测性，例如但不限于正则化反卷积。在一项实施例中，通过下列步骤产生经重建差异图像：运用正则化反卷积重建参考图像以最小化假影及结合额外稀疏分布正则化参数使用正则化反卷积重建经频叠测试图像。
在另一实施例中，利用图像重建来配置检查系统的检测配方。可通过下列步骤确定运行时间参数(例如但不限于照明源(例如，照明源112等等)的亮度级)：获得样品的配置图像；重建配置图像(例如，以增强适于缺陷检测的配置图像的对比度)；测量动态范围；及基于经测量动态范围调整亮度级。通过另一实例，可透过图像重建增强关照区域(例如，待检查样品的局部化部分)的界定。例如，样品的配置图像可由检查系统产生且接着重建。就此而言，可以高准确度及精度(例如，如图10中说明的子像素精度等等)界定关照区域。
在另一实施例中，图像重建可促进与基于设计的检测算法(例如但不限于像素-设计分析(PDA)、基于背景的成像(CBI)或基于模板的成像(TBI))相关联的配方的设置及/或训练。
再次参考图1，检查系统100可包含所属领域中已知的任何检查子系统。
控制器106的一或多个处理器108可包含所属领域中已知的任何处理元件。在此意义上，一或多个处理器108可包含经配置以执行算法及/或指令的任何微处理器类型装置。在一项实施例中，一或多个处理器108可由下列项组成：台式计算机、主计算机系统、工作站、图像计算机、并行处理器，或经配置以执行经配置以操作检查系统100的程序的任何其他计算机系统(例如，网络计算机)，如贯穿本发明描述。进一步应认知，术语“处理器”可被广泛定义为涵盖具有执行来自非暂时性存储器装置110的程序指令的一或多个处理元件的任何装置。此外，可由单个控制器106或替代地多个控制器实行贯穿本发明描述的步骤。另外，控制器106可包含容置于共同外壳中一或多个外壳内的一或多个控制器。以此方式，任何控制器或控制器组合可单独封装为适于整合到检查系统100中的模块。此外，控制器106可分析从检测器126接收的数据且将数据馈送到存储器装置110内或检查系统100外部的额外组件。
存储器装置110可包含所属领域中已知适于存储可由相关联的一或多个处理器108执行的程序指令的任何存储媒体。例如，存储器装置110可包含非暂时性存储器媒体。通过另一实例，存储器装置110可包含但不限于只读存储器、随机存取存储器、磁性或光学存储器装置(例如，磁盘)、磁带、固态磁盘等等。进一步应注意，存储器装置110可与一或多个处理器108一起容置于共同控制器外壳中。在一项实施例中，存储器装置110可相对于一或多个处理器108及控制器106的物理位置远程地定位。例如，控制器106的一或多个处理器108可存取可透过网络(例如，因特网、内部网络等等)存取的远程存储器(例如，服务器)。因此，上文描述不应被解释为限制本发明而是应被解释为仅是阐释。
在另一实施例中，检查系统100可包含显示器(未展示)。在另一实施例中，显示器通信地耦合到控制器106。例如，显示器可通信地耦合到控制器106的一或多个处理器108。就此而言，一或多个处理器108可将本发明的各种结果的一或多者显示于显示器上。
显示装置可包含所属领域中已知的任何显示装置。在一项实施例中，显示装置可包含但不限于液晶显示器(LCD)。在另一实施例中，显示装置可包含但不限于基于有机发光二极管(OLED)的显示器。在另一实施例中，显示装置可包含但不限于CRT显示器。所属领域的技术人员应认知，各种显示装置可适于实施在本发明中且显示装置的特定选择可取决于各种因素，包含但不限于尺寸外型、成本等等。在一般意义上，能够与用户接口装置(例如，触摸屏、面板安装接口、键盘、鼠标、轨迹垫等等)整合的任何显示装置适于实施在本发明中。
在另一实施例中，检查系统100可包含用户接口装置(未展示)。在一项实施例中，用户接口装置通信地耦合到控制器106的一或多个处理器108。在另一实施例中，可由控制器106利用用户接口装置以接受来自用户的选择及/或指令。在本文中进一步描述的一些实施例中，可使用显示器以向用户显示数据。继而，用户可响应于经由显示装置向用户显示的检查数据输入选择及/或指令(例如，检查区域的用户选择)。
用户接口装置可包含所属领域中已知的任何用户接口。例如，用户接口可包含但不限于键盘、小键盘、触摸屏、杠杆、旋钮、滚轮、轨迹球、开关、刻度盘、滑杆、卷杆、滑件、手柄、触摸垫、踏板、方向盘、操纵杆、面板输入装置等等。在触摸屏接口装置的情况下，所属领域的技术人员应认知，大量触摸屏接口装置可适于实施在本发明中。例如，显示装置可与触摸屏接口整合，例如但不限于电容性触摸屏、电阻性触摸屏、基于表面声波的触摸屏、基于红外线的触摸屏等等。在一般意义上，能够与显示装置105的显示部分整合的任何触摸屏接口适于实施在本发明中。在另一实施例中，用户接口可包含但不限于面板安装接口。
此外，系统100可配置为“真实”或“虚拟”检查系统。例如，系统100可产生与样品104相关联的实际图像或其他输出数据。就此而言，系统100可配置为“真实”检查系统而非“虚拟”系统。通过另一实例，本文中描述的存储媒体(未展示)及控制器106可配置为“虚拟”检查系统。据此，系统100可不对物理样品操作，而是犹如扫描物理样品般复制及/或流式处理经存储数据(例如，存储于存储器媒体110中的数据等等)。就此而言，“检测器”的输出可为先前由实际检查系统的一或多个检测器(例如，检测器126)在先前步骤中产生的数据(例如，与电压对比度图像相关联的所有灰度值等等)。配置为“虚拟”检查系统的系统及方法描述于共同转让的2012年2月28日发布的美国专利第8,126,255号及2015年12月29日发布的美国专利申请案第9,222,895号，所述专利及所述专利申请案两者的全文以引用方式并入。
缺陷及故障源的确定大体上描述于2005年7月19日发布的美国专利第6,920,596号、2015年6月5日发布的美国专利第8,194,968号及2006年2月7日发布的美国专利第6,995,393号，所述专利的全文以引用方式并入本文中。装置性质提取及监测大体上描述于2013年12月17日发布的美国专利第8,611,639号。用于带电衬底的中和的双能电子泛溢的使用大体上描述于2005年8月16日发布的美国专利第6,930,309号，所述专利的全文以引用方式并入本文中。检查系统中光罩的使用大体上描述于2003年3月4日发布的美国专利第6,529,621号、2004年6月8日发布的美国专利第6,748,103号及2005年11月15日发布的美国专利第6,966,047号，所述专利的全文以引用方式并入本文中。产生检查过程或检查目标大体上描述于2004年2月10日发布的美国专利第6,691,052号、2005年7月26日发布的美国专利第6,921,672号及2012年2月7日发布的美国专利第8,112,241号，所述专利的全文以引用方式并入本文中。半导体设计数据的临界区域的确定大体上描述于2005年9月20日发布的美国专利第6,948,141号，所述专利的全文以引用方式并入本文中。
本文中描述的主题有时阐释含于其他组件内或与其他组件连接的不同组件。应了解，此类所描绘架构仅是示范性的，且事实上可实施实现相同功能的诸多其他架构。在概念意义上，用来实现相同功能的组件的任何布置有效地“相关联”，使得所要功能被实现。因此，在本文中经组合以实现特定功能的任何两个组件可被视为彼此“相关联”，使得所要功能被实现而无关于架构或中间组件。同样地，如此相关联的任何两个组件也可视为彼此“连接”或“耦合”以实现所要功能，且能够如此相关联的任何两个组件也可视为彼此“可耦合”以实现所要功能。可耦合的特定实例包含但不限于可物理交互及/或物理交互组件，及/或可无线交互及/或无线交互组件，及/或可逻辑交互及/或逻辑交互组件。
据信，将通过前文描述理解本发明及诸多其伴随优点，且将明白，可在不背离所揭示主题或不牺牲所有其材料优点的情况下在组件的形式、构造及布置方面作出各种变更。所描述形式仅是解释性的，且所附发明权利要求书旨在涵盖且包含此类变更。此外，应理解，本发明由随附发明权利要求书界定。

Claims (37)

1.一种检查系统，其包括：
照明子系统，其包括：
照明源，其经配置以产生照明光束；及
一组照明光学装置，其用来将所述照明光束引导到样品；
收集子系统，其包括：
一组收集光学装置，其用来收集从所述样品发射的照明；及
检测器，其经配置以从所述样品接收所述经收集照明；及
控制器，其通信地耦合到所述检测器，所述控制器包含存储器装置及经配置以执行程序指令的一或多个处理器，所述程序指令经配置以致使所述一或多个处理器：
获得所述样品的测试图像；
重建所述测试图像以增强所述测试图像的分辨率；及
基于所述经重建测试图像检测所述样品上的一或多个缺陷。
2.根据权利要求1所述的检查系统，其进一步包括：
估计所述检查系统的点扩散函数。
3.根据权利要求2所述的检查系统，其中估计所述检查系统的点扩散函数包括：
将所述检查系统的所述点扩散函数估计为所述检查系统的照明孔径与收集孔径的线性组合的傅里叶变换。
4.根据权利要求2所述的检查系统，其中重建所述测试图像包括：
基于所述经估计点扩散函数对所述测试图像反卷积。
5.根据权利要求4所述的检查系统，其中对所述测试图像反卷积包括：
使用下列项的至少一者对所述测试图像反卷积：直接求逆、维纳滤波器、最大似然反卷积或最大后验反卷积。
6.根据权利要求5所述的检查系统，其中使用最大似然反卷积对所述测试图像反卷积包括：
使用具有高斯分布或泊松分布的至少一者的噪声对所述测试图像反卷积。
7.根据权利要求6所述的检查系统，其中使用最大似然反卷积对所述测试图像反卷积包括：
基于所述经估计点扩散函数使用Richardson-Lucy反卷积对所述测试图像反卷积。
8.根据权利要求5所述的检查系统，其中使用最大后验反卷积对所述测试图像反卷积包括：
使用具有高斯分布或泊松分布的至少一者的噪声对所述测试图像反卷积。
9.根据权利要求4所述的检查系统，其中与对所述测试图像反卷积相关联的成本函数包含稀疏分布正则化参数。
10.根据权利要求9所述的检查系统，其中与对所述测试图像反卷积相关联的成本函数进一步包含图像梯度正则化参数。
11.根据权利要求10所述的检查系统，其中所述图像梯度正则化参数包括：
总变分正则化参数、Tikhonov-Miller正则化参数或双向正则化参数的至少一者。
12.根据权利要求10所述的检查系统，其中基于所述经重建测试图像检测所述样品上的一或多个缺陷包括：
获得所述样品的参考图像；
基于所述点扩散函数对所述参考图像反卷积；
产生所述经反卷积测试图像与所述经反卷积参考图像的间的差异图像；及
基于所述差异图像检测所述样品上的一或多个缺陷。
13.根据权利要求12所述的检查系统，其中与对所述参考图像反卷积相关联的成本函数包含所述图像梯度分布正则化参数。
14.根据权利要求1所述的检查系统，其中获得所述样品的所述测试图像包含使用抗频叠技术获得所述样品的所述测试图像，其中所述抗频叠技术抑制所述测试图像中的频叠噪声，其中重建所述测试图像以增强所述测试图像的分辨率会复原与受所述抗频叠技术影响的所述样品相关联的一或多个空间频率。
15.根据权利要求14所述的检查系统，其中重建所述测试图像包括：
内插所述测试图像。
16.根据权利要求15所述的检查系统，其中内插所述测试图像包括：
使用下列项的至少一者内插所述测试图像：双线性内插、三次内插、Lanczos内插、最近相邻内插、B样条内插或正弦内插。
17.根据权利要求14所述的检查系统，其中重建所述测试图像包括：
估计所述检查系统的点扩散函数；及
基于所述经估计点扩散函数对所述测试图像反卷积。
18.根据权利要求1所述的检查系统，其中基于所述经重建测试图像检测所述样品上的一或多个缺陷包含报告所述样品上的所述一或多个缺陷的一或多个位置。
19.一种检查系统，其包括：
照明子系统，其包括：
照明源，其经配置以产生照明光束；及
一组照明光学装置，其用来将所述照明光束引导到样品；
收集子系统，其包括：
一组收集光学装置，其用来收集从所述样品发射的照明；及
检测器，其经配置以从所述样品接收所述经收集照明；及
控制器，其通信地耦合到所述检测器，所述控制器包含存储器装置及经配置以执行程序指令的一或多个处理器，所述程序指令经配置以致使所述一或多个处理器：
获得所述样品的测试图像；
基于所述测试图像检测所述样品上的一或多个缺陷；
产生与所述样品上的所述一或多个经检测缺陷相关联的一或多个斑块图像；
重建所述一或多个斑块图像以增强所述一或多个斑块图像的分辨率；及
基于所述一或多个经重建斑块图像对所述一或多个缺陷进行分类。
20.根据权利要求19所述的检查系统，其中重建所述测试图像包括：
估计所述检查系统的点扩散函数；及
基于所述经估计点扩散函数对所述一或多个斑块图像反卷积。
21.一种多模检查系统，其包括：
照明子系统，其包括：
照明源，其经配置以产生两种或两种以上照明模式；及
一组照明光学装置，其用来将所述两种或两种以上照明模式循序地引导到样品；
收集子系统，其包括：
一组收集光学装置，其用来收集从所述样品发射的照明，其中所述组收集光学装置包含可调整收集孔径，其中所述可调整收集孔径经配置以产生两种或两种以上收集模式，其中所述照明子系统包含由所述两种或两种以上照明模式及所述两种或两种以上收集模式形成的两种或两种以上系统模式；及
检测器，其经配置以从所述样品接收所述经收集照明；及
控制器，其通信地耦合至所述检测器，所述控制器包含存储器装置及经配置以执行程序指令的一或多个处理器，所述程序指令经配置以致使所述一或多个处理器：
基于所述两种或两种以上系统模式获得所述样品的两个或两个以上测试图像；
估计所述检查系统的点扩散函数；
基于所述经估计点扩散函数重建所述两个或两个以上测试图像以增强所述两个或两个以上测试图像的分辨率；及
基于所述两个或两个以上经重建测试图像识别所述样品上的一或多个缺陷。
22.根据权利要求21所述的多模检查系统，其中估计所述检查系统的点扩散函数包括：
将所述检查系统的所述点扩散函数估计为所述检查系统的照明孔径与收集孔径的线性组合的傅里叶变换。
23.根据权利要求21所述的多模检查系统，其中重建所述两个或两个以上测试图像包括：
基于所述经估计点扩散函数对所述两个或两个以上测试图像反卷积。
24.根据权利要求23所述的多模检查系统，其中对所述测试图像反卷积包括：
基于所述经估计点扩散函数使用Richardson-Lucy反卷积对所述两个或两个以上测试图像反卷积。
25.根据权利要求24所述的检查系统，其中与对所述两个或两个以上测试图像反卷积相关联的成本函数包含稀疏分布正则化参数。
26.根据权利要求24所述的多模检查系统，其中与对所述两个或两个以上测试图像反卷积相关联的成本函数进一步包含图像梯度正则化参数。
27.根据权利要求26所述的多模检查系统，其中所述图像梯度正则化参数包括：
总变分正则化参数、Tikhonov-Miller正则化参数或双向正则化参数的至少一者。
28.根据权利要求27所述的多模检查系统，其中基于所述两个或两个以上经重建测试图像检测所述样品上的所述一或多个缺陷包括：
将所述两个或两个以上经重建测试图像组合成组合的经重建测试图像；及
基于所述组合的经重建测试图像检测所述一或多个缺陷。
29.根据权利要求25所述的多模检查系统，其中基于所述两个或两个以上经重建测试图像识别所述样品上的一或多个缺陷包括：
基于所述两个或两个以上经重建测试图像检测所述样品上的一或多个缺陷。
30.根据权利要求29所述的多模检查系统，其中基于所述两个或两个以上经重建测试图像识别所述样品上的一或多个缺陷进一步包括：
产生与所述样品上的所述一或多个经检测缺陷相关联的一或多个斑块图像；及
基于所述一或多个斑块图像对所述一或多个缺陷进行分类。
31.一种检查系统，其包括：
照明子系统，其包括：
照明源，其经配置以产生照明光束；及
一组照明光学装置，其用来将所述照明光束引导到样品；
收集子系统，其包括：
一组收集光学装置，其用来收集从所述样品发射的照明；及
检测器，其经配置以从所述样品接收所述经收集照明；及
控制器，其通信地耦合到所述检测器，所述控制器包含存储器装置及经配置以执行程序指令的一或多个处理器，所述程序指令经配置以致使所述一或多个处理器：
配置缺陷检测配方；及
基于所述缺陷检测配方检测所述样品上的一或多个缺陷。
32.根据权利要求31所述的检查系统，其中配置所述缺陷检测配方包括：
获得所述晶片的配置图像；
重建所述晶片的所述配置图像以增强所述配置图像的分辨率。
33.根据权利要求31所述的检查系统，其中配置所述缺陷检测配方进一步包括：
基于所述经重建配置图像界定待检查的所述样品上的一或多个关照区域。
34.根据权利要求31所述的检查系统，其中配置所述缺陷检测配方进一步包括：
测量所述经重建配置图像的动态范围；及
基于所述经重建配置图像的所述经测量动态范围调整所述照明源的运行时间参数。
35.根据权利要求31所述的检查系统，其中所述运行时间参数包括：
所述照明源的亮度级。
36.根据权利要求31所述的检查系统，其中配置所述缺陷检测配方进一步包括：
训练基于设计的缺陷检测技术。
37.根据权利要求33所述的检查系统，其中所述基于设计的缺陷检测技术包括：
像素-设计对准技术、基于背景的成像技术或基于模板的成像技术的至少一者。
CN201680077792.XA 2016-01-01 2016-12-27 使用图像重建以用于缺陷检测的系统及方法 Active CN108431938B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662274169P 2016-01-01 2016-01-01
US62/274,169 2016-01-01
US15/357,888 US10416087B2 (en) 2016-01-01 2016-11-21 Systems and methods for defect detection using image reconstruction
US15/357,888 2016-11-21
PCT/US2016/068762 WO2017117152A1 (en) 2016-01-01 2016-12-27 Systems and methods for defect detection using image reconstruction

Publications (2)

Publication Number Publication Date
CN108431938A true CN108431938A (zh) 2018-08-21
CN108431938B CN108431938B (zh) 2023-07-14

Family

ID=59225879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680077792.XA Active CN108431938B (zh) 2016-01-01 2016-12-27 使用图像重建以用于缺陷检测的系统及方法

Country Status (5)

Country Link
US (1) US10416087B2 (zh)
KR (1) KR102439388B1 (zh)
CN (1) CN108431938B (zh)
TW (1) TWI707139B (zh)
WO (1) WO2017117152A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816654A (zh) * 2019-01-30 2019-05-28 哈尔滨工业大学 一种太阳能电池暗场锁相热成像分层微缺陷精准表征系统与方法
CN110609039A (zh) * 2019-09-23 2019-12-24 上海御微半导体技术有限公司 一种光学检测装置及其方法
CN111062895A (zh) * 2019-11-29 2020-04-24 宁波永新光学股份有限公司 一种基于多视场分割的显微图像复原方法
CN115436427A (zh) * 2022-08-22 2022-12-06 电子科技大学 基于Tikhonov正则化的涡流热成像缺陷重构方法
CN116167948A (zh) * 2023-04-21 2023-05-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于空变点扩散函数的光声图像复原方法及系统

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017046799A1 (en) 2015-09-17 2017-03-23 S.D. Sight Diagnostics Ltd Methods and apparatus for detecting an entity in a bodily sample
WO2017168411A1 (en) 2016-03-30 2017-10-05 S.D. Sight Diagnostics Ltd Image processing device for identifying blood parasites
US11307196B2 (en) 2016-05-11 2022-04-19 S.D. Sight Diagnostics Ltd. Sample carrier for optical measurements
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
EP3297018B1 (en) * 2016-09-19 2019-03-27 FEI Company Tomographic imaging method
KR102550175B1 (ko) * 2016-10-21 2023-07-03 삼성전기주식회사 카메라 모듈 및 이를 포함하는 전자 기기
JP6241576B1 (ja) * 2016-12-06 2017-12-06 三菱電機株式会社 検査装置及び検査方法
JP7214729B2 (ja) 2017-11-14 2023-01-30 エス．ディー．サイト ダイアグノスティクス リミテッド 光学測定用試料収容器
US10755405B2 (en) * 2017-11-24 2020-08-25 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for diagnosing a semiconductor wafer
US10846824B2 (en) * 2017-12-08 2020-11-24 Tata Consultancy Services Limited Systems and methods for reconstructing super-resolution images under total aliasing based upon translation values
US10386233B2 (en) * 2018-01-06 2019-08-20 Kla-Tencor Corporation Variable resolution spectrometer
US10643313B2 (en) * 2018-01-19 2020-05-05 Bae Systems Information And Electronic Systems Integration Inc. Methods for image denoising and deblurring
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
JP2019178941A (ja) * 2018-03-30 2019-10-17 リコーエレメックス株式会社 検査システムおよび検査方法
US10796065B2 (en) * 2018-06-21 2020-10-06 Kla-Tencor Corporation Hybrid design layout to identify optical proximity correction-related systematic defects
US10957035B2 (en) * 2018-11-30 2021-03-23 Kla Corporation Defect classification by fitting optical signals to a point-spread function
US11431976B2 (en) * 2019-01-28 2022-08-30 Kla Corporation System and method for inspection using tensor decomposition and singular value decomposition
EP3719831A1 (en) 2019-04-05 2020-10-07 ASML Netherlands B.V. Systems and methods for image enhancement for a multi-beam charged-particle inspection system
US11650164B2 (en) 2019-05-15 2023-05-16 Getac Technology Corporation Artificial neural network-based method for selecting surface type of object
CN112038254A (zh) * 2019-05-15 2020-12-04 天津科技大学 基于机器视觉技术的晶圆自动检测与标记装置及设计方法
JP7271358B2 (ja) * 2019-07-25 2023-05-11 株式会社日立ハイテク 電気特性を導出するシステム及び非一時的コンピューター可読媒体
US11575865B2 (en) 2019-07-26 2023-02-07 Samsung Electronics Co., Ltd. Processing images captured by a camera behind a display
US10915992B1 (en) * 2019-08-07 2021-02-09 Nanotronics Imaging, Inc. System, method and apparatus for macroscopic inspection of reflective specimens
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11798153B2 (en) * 2019-10-02 2023-10-24 Kla Corporation Frequency domain enhancement of low-SNR flat residue/stain defects for effective detection
CN110874827B (zh) * 2020-01-19 2020-06-30 长沙超创电子科技有限公司 湍流图像复原方法、装置、终端设备及计算机可读介质
CN111340732B (zh) * 2020-02-28 2022-10-14 新疆大学 一种低照度视频图像增强方法及装置
KR102436786B1 (ko) * 2020-04-16 2022-08-26 주식회사 에이비에이치 인공지능 기반 외관 표면 품질 검사 장치 및 방법
US20210342991A1 (en) * 2020-04-29 2021-11-04 University Of Southern California Ml-enabled assured microelectronics manufacturing: a technique to mitigate hardware trojan detection
EP3942518B1 (en) * 2020-06-08 2022-10-05 Guangzhou Computational Super-resolution Biotech Co., Ltd. Systems and methods for image processing
US11803960B2 (en) 2020-08-12 2023-10-31 Kla Corporation Optical image contrast metric for optical target search
CN111968095B (zh) * 2020-08-19 2022-08-02 成都数之联科技股份有限公司 一种产品表面缺陷检测方法及系统及装置及介质
DE102020123669A1 (de) * 2020-09-10 2022-03-10 Carl Zeiss Microscopy Gmbh Verfahren zur SIM-Mikroskopie
US20220114438A1 (en) * 2020-10-09 2022-04-14 Kla Corporation Dynamic Control Of Machine Learning Based Measurement Recipe Optimization
US12100131B2 (en) * 2020-10-26 2024-09-24 University Of Florida Research Foundation, Incorporated Knowledge-based object localization in images for hardware assurance
US11798139B2 (en) * 2020-11-17 2023-10-24 GM Global Technology Operations LLC Noise-adaptive non-blind image deblurring
KR20220095472A (ko) 2020-12-30 2022-07-07 삼성전자주식회사 패턴 분석 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법
US11721001B2 (en) 2021-02-16 2023-08-08 Samsung Electronics Co., Ltd. Multiple point spread function based image reconstruction for a camera behind a display
US20220270212A1 (en) * 2021-02-25 2022-08-25 Kla Corporation Methods for improving optical inspection and metrology image quality using chip design data
US11722796B2 (en) 2021-02-26 2023-08-08 Samsung Electronics Co., Ltd. Self-regularizing inverse filter for image deblurring
US11308615B1 (en) * 2021-07-01 2022-04-19 Maurice Nessim Systems and processes for improving medical diagnoses
KR102670531B1 (ko) * 2021-10-01 2024-05-30 삼성전자주식회사 반도체 웨이퍼 검사 방법 및 시스템, 및 이를 이용한 반도체 소자의 제조 방법
KR102635483B1 (ko) * 2021-10-07 2024-02-08 한국표준과학연구원 하전입자선 장치의 영상을 디컨볼루션하여 복원하는 방법, 영상 처리 장치 및 영상 처리 장비를 구비한 하전입자선 장치
CN115100167B (zh) * 2022-07-07 2023-04-07 北京理工大学 基于特征分段神经网络的防护材料瑕疵检测方法及系统
WO2024158866A1 (en) * 2023-01-24 2024-08-02 Schlumberger Technology Corporation Automated resolution assessment of an optical imaging system

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086082A1 (en) * 2001-06-28 2003-05-08 Kla-Tencor Technologies Corporation Wafer inspection using optimized geometry
JP2005037166A (ja) * 2003-07-16 2005-02-10 Semiconductor Leading Edge Technologies Inc マスク欠陥検査装置及びマスク欠陥検査方法
US20060069460A1 (en) * 2003-02-03 2006-03-30 Kla- Tencor Technologies Corporation Defect detection using multiple sensors and parallel processing
US7061625B1 (en) * 2002-09-27 2006-06-13 Kla-Tencor Technologies Corporation Method and apparatus using interferometric metrology for high aspect ratio inspection
CN1954204A (zh) * 2004-05-14 2007-04-25 光子动力学公司 使用按需自动光学检查子系统的改进的tft液晶显示器面板检查方法
US20080279444A1 (en) * 2007-05-07 2008-11-13 Verlyn Fischer Computer-implemented methods, computer-readable media, and systems for identifying one or more optical modes of an inspection system as candidates for use in inspection of a layer of a wafer
US20090002695A1 (en) * 2007-06-22 2009-01-01 Keiya Saito Method and Apparatus for Reviewing Defect
US20110149275A1 (en) * 2008-05-16 2011-06-23 Hiroyuki Nakano Defect inspection device and defect inspection method
JP2012027038A (ja) * 2011-10-26 2012-02-09 Hitachi High-Technologies Corp 欠陥検査方法及び欠陥検査装置
US20130114085A1 (en) * 2011-10-27 2013-05-09 Kla-Tencor Corporation Dynamically Adjustable Semiconductor Metrology System
US20140212021A1 (en) * 2013-01-31 2014-07-31 Applied Materials Israel Ltd. System, a method and a computer program product for patch-based defect detection
WO2014174087A1 (en) * 2013-04-25 2014-10-30 Thomson Licensing Method and device for performing super-resolution on an input image
US20150029324A1 (en) * 2013-07-26 2015-01-29 Hoya Corporation Substrate inspection method, substrate manufacturing method and substrate inspection device
US8947521B1 (en) * 2011-08-08 2015-02-03 Kla-Tencor Corporation Method for reducing aliasing in TDI based imaging

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6154714A (en) 1997-11-17 2000-11-28 Heuristic Physics Laboratories Method for using wafer navigation to reduce testing times of integrated circuit wafers
US6529621B1 (en) 1998-12-17 2003-03-04 Kla-Tencor Mechanisms for making and inspecting reticles
US6528818B1 (en) 1999-12-14 2003-03-04 Kla-Tencor Test structures and methods for inspection of semiconductor integrated circuits
US6995393B2 (en) 2000-08-25 2006-02-07 Kla-Tencor Technologies Corporation Apparatus and methods for semiconductor IC failure detection
US6948141B1 (en) 2001-10-25 2005-09-20 Kla-Tencor Technologies Corporation Apparatus and methods for determining critical area of semiconductor design data
US6920596B2 (en) 2002-01-22 2005-07-19 Heuristics Physics Laboratories, Inc. Method and apparatus for determining fault sources for device failures
US6691052B1 (en) 2002-01-30 2004-02-10 Kla-Tencor Corporation Apparatus and methods for generating an inspection reference pattern
US6966047B1 (en) 2002-04-09 2005-11-15 Kla-Tencor Technologies Corporation Capturing designer intent in reticle inspection
US6930309B1 (en) 2004-03-26 2005-08-16 Kla-Tencor Technologies Corporation Dual-energy electron flooding for neutralization of charged substrate
US7676077B2 (en) 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US8041103B2 (en) 2005-11-18 2011-10-18 Kla-Tencor Technologies Corp. Methods and systems for determining a position of inspection data in design data space
US8194968B2 (en) 2007-01-05 2012-06-05 Kla-Tencor Corp. Methods and systems for using electrical information for a device being fabricated on a wafer to perform one or more defect-related functions
US8611639B2 (en) 2007-07-30 2013-12-17 Kla-Tencor Technologies Corp Semiconductor device property extraction, generation, visualization, and monitoring methods
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
US8702566B2 (en) 2008-12-23 2014-04-22 Paul Mazzanobile Speed and/or agility training devices and systems and methods for use thereof
US8112241B2 (en) 2009-03-13 2012-02-07 Kla-Tencor Corp. Methods and systems for generating an inspection process for a wafer
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
JP6239985B2 (ja) * 2014-01-15 2017-11-29 日本放送協会 画像処理装置、画像処理プログラム及び撮像装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086082A1 (en) * 2001-06-28 2003-05-08 Kla-Tencor Technologies Corporation Wafer inspection using optimized geometry
US7061625B1 (en) * 2002-09-27 2006-06-13 Kla-Tencor Technologies Corporation Method and apparatus using interferometric metrology for high aspect ratio inspection
US20060069460A1 (en) * 2003-02-03 2006-03-30 Kla- Tencor Technologies Corporation Defect detection using multiple sensors and parallel processing
JP2005037166A (ja) * 2003-07-16 2005-02-10 Semiconductor Leading Edge Technologies Inc マスク欠陥検査装置及びマスク欠陥検査方法
CN1954204A (zh) * 2004-05-14 2007-04-25 光子动力学公司 使用按需自动光学检查子系统的改进的tft液晶显示器面板检查方法
US20080279444A1 (en) * 2007-05-07 2008-11-13 Verlyn Fischer Computer-implemented methods, computer-readable media, and systems for identifying one or more optical modes of an inspection system as candidates for use in inspection of a layer of a wafer
US20090002695A1 (en) * 2007-06-22 2009-01-01 Keiya Saito Method and Apparatus for Reviewing Defect
US20110149275A1 (en) * 2008-05-16 2011-06-23 Hiroyuki Nakano Defect inspection device and defect inspection method
US8947521B1 (en) * 2011-08-08 2015-02-03 Kla-Tencor Corporation Method for reducing aliasing in TDI based imaging
JP2012027038A (ja) * 2011-10-26 2012-02-09 Hitachi High-Technologies Corp 欠陥検査方法及び欠陥検査装置
US20130114085A1 (en) * 2011-10-27 2013-05-09 Kla-Tencor Corporation Dynamically Adjustable Semiconductor Metrology System
US20140212021A1 (en) * 2013-01-31 2014-07-31 Applied Materials Israel Ltd. System, a method and a computer program product for patch-based defect detection
WO2014174087A1 (en) * 2013-04-25 2014-10-30 Thomson Licensing Method and device for performing super-resolution on an input image
US20150029324A1 (en) * 2013-07-26 2015-01-29 Hoya Corporation Substrate inspection method, substrate manufacturing method and substrate inspection device

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816654A (zh) * 2019-01-30 2019-05-28 哈尔滨工业大学 一种太阳能电池暗场锁相热成像分层微缺陷精准表征系统与方法
CN109816654B (zh) * 2019-01-30 2021-12-17 哈尔滨工业大学 一种太阳能电池暗场锁相热成像分层微缺陷精准表征系统与方法
CN110609039A (zh) * 2019-09-23 2019-12-24 上海御微半导体技术有限公司 一种光学检测装置及其方法
CN110609039B (zh) * 2019-09-23 2021-09-28 上海御微半导体技术有限公司 一种光学检测装置及其方法
CN111062895A (zh) * 2019-11-29 2020-04-24 宁波永新光学股份有限公司 一种基于多视场分割的显微图像复原方法
CN111062895B (zh) * 2019-11-29 2022-07-12 宁波永新光学股份有限公司 一种基于多视场分割的显微图像复原方法
CN115436427A (zh) * 2022-08-22 2022-12-06 电子科技大学 基于Tikhonov正则化的涡流热成像缺陷重构方法
CN115436427B (zh) * 2022-08-22 2023-10-17 电子科技大学 基于Tikhonov正则化的涡流热成像缺陷重构方法
CN116167948A (zh) * 2023-04-21 2023-05-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于空变点扩散函数的光声图像复原方法及系统

Also Published As

Publication number Publication date
US20170191945A1 (en) 2017-07-06
TWI707139B (zh) 2020-10-11
TW201734441A (zh) 2017-10-01
US10416087B2 (en) 2019-09-17
WO2017117152A1 (en) 2017-07-06
KR20180090382A (ko) 2018-08-10
KR102439388B1 (ko) 2022-09-01
CN108431938B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN108431938A (zh) 使用图像重建以用于缺陷检测的系统及方法
TWI706485B (zh) 光學晶粒對資料庫檢查
CN108291878B (zh) 单一图像检测
CN107454980B (zh) 光学裸片到数据库检验
TWI668582B (zh) 用於判定由一檢查子系統在設計資料空間中產生之輸出之一位置的系統、方法及非暫時性電腦可讀媒體
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
Hiller et al. Measurement accuracy in X-ray computed tomography metrology: Toward a systematic analysis of interference effects in tomographic imaging
CN104833679B (zh) 一种微观缺陷三维尺度逆向标定及检测方法
US9478019B2 (en) Reticle inspection using near-field recovery
JP6629934B2 (ja) 試験方策を生成する方法およびそのシステム
JP6975799B2 (ja) 低解像度検査画像から高分解能点拡がり関数を再構築するシステム及び方法
TW201734439A (zh) 混合檢查器
TW201802726A (zh) 針對半導體應用整合神經網路及前向物理模型之系統及方法
CN112567231A (zh) 通过动态选择投影角度进行物品检查
TWI784146B (zh) 用於設計輔助影像重建之系統及方法以及相關的非暫時性電腦可讀媒體
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
JP2016530525A (ja) ブロック間レチクル検査
Yang et al. Surface defects evaluation system based on electromagnetic model simulation and inverse-recognition calibration method
Barnes et al. Effects of wafer noise on the detection of 20-nm defects using optical volumetric inspection
Barnes et al. Optical volumetric inspection of sub-20nm patterned defects with wafer noise
CN108475422A (zh) 在电子束图像中确定缺陷的位置
Barbastathis Numerical simulations of the forward problem and compressive digital holographic reconstruction of weak scatterers on a planar substrate

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