CN108463876A - 为样品产生模拟输出 - Google Patents

为样品产生模拟输出 Download PDF

Info

Publication number
CN108463876A
CN108463876A CN201780006207.1A CN201780006207A CN108463876A CN 108463876 A CN108463876 A CN 108463876A CN 201780006207 A CN201780006207 A CN 201780006207A CN 108463876 A CN108463876 A CN 108463876A
Authority
CN
China
Prior art keywords
sample
study
practical
optical
model
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
CN201780006207.1A
Other languages
English (en)
Other versions
CN108463876B (zh
Inventor
K·巴哈斯卡尔
张晶
G·H·陈
A·V·库尔卡尼
L·卡尔森迪
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 CN108463876A publication Critical patent/CN108463876A/zh
Application granted granted Critical
Publication of CN108463876B publication Critical patent/CN108463876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G03F1/86—Inspecting by charged particle beam [CPB]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • 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
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • 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
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
    • 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
    • H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—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

Abstract

本发明提供用于为样品产生模拟输出的方法及系统。一种方法包含使用一或多个计算机系统获取针对样品的信息。所述信息包含所述样品的实际光学图像、所述样品的实际电子束图像及针对所述样品的设计数据中的至少一者。所述方法还包含将针对所述样品的所述信息输入到基于学习的模型中。所述基于学习的模型包含于由一或多个计算机系统执行的一或多个组件中。所述基于学习的模型经配置以映射光学图像、电子束图像与设计数据之间的三角关系，且所述基于学习的模型将所述三角关系应用到所述输入以借此为所述样品产生模拟图像。

Description

为样品产生模拟输出
技术领域
本发明大体上涉及用于使用经配置以映射光学图像、电子束图像与设计数据之间的三角关系的基于学习的模型为样品产生模拟输出的方法及系统。
背景技术
以下描述及实例不因其包含于此章节中而承认其为现有技术。
制造例如逻辑及存储器装置的半导体装置通常包含：使用大量半导体制造工艺来处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。举例来说，光刻是涉及将图案从主光罩转印到布置于半导体晶片上的抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可在单个半导体晶片上经制造成一布置且接着被分离成个别半导体装置。
在半导体制造工艺期间的各种步骤中使用检验过程来检测样品上的缺陷以促成制造工艺的较高良率且因此促成较高利润。检验始终为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来说变得更重要，这是因为较小缺陷会引起装置故障。
缺陷复检通常涉及：重新检测本身已由检验过程检测的缺陷且使用高倍率光学系统或扫描电子显微镜(SEM)来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样品上的离散位置处执行缺陷复检。由缺陷复检产生的缺陷的较高分辨率数据更适合用于确定缺陷的属性，例如轮廓、粗糙度、更精确大小信息等等。
在半导体制造工艺期间的各种步骤中还使用计量过程来监测及控制工艺。计量过程与检验过程的不同点在于：不同于其中检测样品上的缺陷的检验过程，计量过程用于测量无法使用当前所使用的检验工具来确定的样品的一或多个特性。举例来说，计量过程用于测量样品的一或多个特性(例如在工艺期间形成于样品上的特征的尺寸(例如线宽、厚度等等))，使得工艺的性能可从所述一或多个特性确定。另外，如果样品的一或多个特性是不可接受的(例如，超出特性的预定范围)，那么样品的一或多个特性的测量可用于更改工艺的一或多个参数，使得由工艺制造的额外样品具有可接受特性。
计量过程与缺陷复检过程的不同点还在于：不同于其中由检验检测的缺陷在缺陷复检中被重访的缺陷复检过程，计量过程可执行于其中未检测到缺陷的位置处。换句话来说，不同于缺陷复检，其中对样品执行计量过程的位置可与对样品所执行的检验过程的结果无关。特定来说，可独立于检验结果而选择其中执行计量过程的位置。
因此，如上文描述，可为单个样品产生不同信息。此信息可包含样品的设计信息(即，形成于样品上的装置的设计的信息)、由一或多个工具(例如，检验工具)为样品产生的光学图像、由一或多个工具(例如，缺陷复检工具)为样品产生的电子束图像。有时使用不同信息的组合以在样品上或针对样品执行一或多个过程及/或确定用于样品的另外信息可为有益的。举例来说，具有对应于样品的设计内的单个位置的光学图像及电子束图像以帮助诊断在设计内的那个位置中识别的问题可为有益的。
因此，组合使用针对样品的不同类型的信息需要一种类型的信息到另一类型的信息的某一映射。通常，当前，可通过使为样品产生的不同实际图像彼此对准(例如，使用图像中及/或样品上的对准特征及/或使不同实际图像对准于共同参考(例如，设计))而执行此映射。然而，归因于不同类型的信息之间的差异(例如，不同分辨率、像素大小、成像方法(例如光学对电子束)等)，使一种类型的信息对准于另一类型的信息以建立不同类型的信息之间的映射可为相对困难的且易受对准方法及/或算法中的误差及样品上的噪声源(例如，色彩变化)的影响。另外，组合使用的不同类型的信息通常必须单独且彼此独立地产生。举例来说，为了建立样品的光学图像与电子束图像之间的关系，可需要通过使样品的物理版本成像而产生实际光学图像及电子束图像。另外，为了建立样品的此类图像与设计信息之间的关系，可需要设计信息但其并非始终可用。因此，用于确定样品(例如主光罩及晶片)的不同类型的信息之间的映射的当前使用方法及系统归因于需要用于实际成像的样品及用于产生图像的成像工具而可为耗时、昂贵的，归因于映射自身的噪声及其它误差而易于出现误差且在设计信息不可用时甚至不可行。
因此，开发用于使样品的不同类型的信息彼此映射而无上文描述的一或多个缺点的系统及方法将为有利的。
发明内容
各种实施例的以下描述决不应被解释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为样品产生模拟输出的系统。所述系统包含经配置以获取针对样品的信息的一或多个计算机子系统。所述信息包含所述样品的实际光学图像、所述样品的实际电子束图像及针对所述样品的设计数据中的至少一者。所述系统还包含由所述一或多个计算机子系统执行的一或多个组件。所述一或多个组件包含经配置以映射光学图像、电子束图像与设计数据之间的三角关系的基于学习的模型。所述一或多个计算机子系统经配置以将针对所述样品的所述信息输入到所述基于学习的模型中，且所述基于学习的模型将所述三角关系应用到所述输入以借此为所述样品产生模拟输出。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为样品产生模拟输出的计算机实施方法。所述方法包含使用一或多个计算机系统获取针对样品的信息。所述信息包含所述样品的实际光学图像、所述样品的实际电子束图像及针对所述样品的设计数据中的至少一者。所述方法还包含将针对所述样品的所述信息输入到基于学习的模型中。所述基于学习的模型包含于由一或多个计算机系统执行的一或多个组件中。所述基于学习的模型经配置以映射光学图像、电子束图像与设计数据之间的三角关系，且所述基于学习的模型将所述三角关系应用到所述输入以借此为所述样品产生模拟输出。
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步骤中的每一者。另外，上文描述的方法的实施例可包含本文中描述的任何其它方法的任何其它步骤。此外，可通过本文中描述的所述系统中的任何者执行上文描述的方法。
另一实施例涉及一种非暂时性计算机可读媒体，其存储可在一或多个计算机系统上执行以执行用于为样品产生模拟输出的计算机实施方法的程序指令。所述计算机实施方法包含上文描述的方法的步骤。可如本文中描述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，所述计算机实施方法(可针对其执行所述程序指令)可包含本文中描述的任何其它方法的任何其它步骤。
附图说明
所属领域的技术人员将在优选实施例的以下详细描述的受益下且在参考附图之后明白本发明的另外优点，其中：
图1是说明如本文中描述那样配置的系统的实施例的侧视图的示意图；
图2是说明针对其配置本文中描述的基于学习的模型的三角映射的框图；及
图3是说明存储用于引起一或多个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。
尽管本发明易受各种修改及替代形式影响，但其特定实施例以举例方式展示于图式中且在本文中被详细描述。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使本发明受限于所揭示的特定形式，而是相反地，本发明将涵盖落入如由所附权利要求书界定的本发明的精神及范围内的所有修改、等效物及替代方案。
具体实施方式
如本文所互换使用，术语“设计”、“设计数据”及“设计信息”一般是指IC的物理设计(布局)及从物理设计通过复杂模拟或简单几何及布尔(Boolean)运算所导出的数据。另外，由主光罩检验系统及/或其衍生物获取的主光罩的图像可用作为设计的一或若干“代理”。此主光罩图像或其衍生物在使用设计的本文所描述的任何实施例中可充当设计布局的替代物。设计可包含共同拥有的扎法尔(Zafar)等人于2009年8月4日发布的第7,570,796号美国专利及库尔卡尼(Kulkarni)等人于2010年3月9日发布的第7,676,077号美国专利中所描述的任何其它设计数据或设计数据代理，所述两个美国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、设计数据的衍生物及全部或部分芯片设计数据。
另外，本文所描述的“设计”、“设计数据”及“设计信息”是指由半导体装置设计者在设计过程中产生的信息及数据且因此完全可在将设计印刷于例如主光罩及晶片的任何物理样品上之前用于本文所描述的实施例中。
现转到图式，应注意，图式未按比例绘制。特定来说，图中部分元件的比例经大幅放大以突显元件的特性。还应注意，图式未按相同比例绘制。已使用相同元件符号来指示可经类似布置的一个以上图中所展示的元件。除非本文另有说明，否则所描述及所展示的元件中的任何者可包含任何适合市售元件。
一个实施例涉及一种经配置以为样品产生模拟输出的系统。在图1中展示一个此实施例。系统可包含光学工具10。一般来说，光学工具经配置以通过将光引导到样品(或使光扫描遍及样品)且从样品检测光而产生样品的光学图像。在一个实施例中，样品包含晶片。晶片可包含所属领域中已知的任何晶片。在另一实施例中，样品包含主光罩。主光罩可包含所属领域中已知的任何主光罩。
在图1所展示的系统的实施例中，光学工具10包含经配置以将光引导到样品14的照明子系统。照明子系统包含至少一个光源。举例来说，如图1中所展示，照明子系统包含光源16。在一个实施例中，照明子系统经配置以按一或多个入射角将光引导到样品，所述一或多个入射角可包含一或多个倾斜角及/或一或多个法向角。举例来说，如图1中所展示，来自光源16的光以倾斜入射角引导穿过光学元件18且接着穿过透镜20而到样品14。倾斜入射角可包含可取决于(例如)样品的特性而变化的任何适合倾斜入射角。
光学工具可经配置以在不同时间按不同入射角将光引导到样品。举例来说，光学工具可经配置以更改照明子系统的一或多个元件的一或多个特性，使得光可按不同于图1中展示的入射角的入射角引导到样品。在一个此实例中，光学工具可经配置以移动光源16、光学元件18及透镜20，使得光按不同倾斜入射角或法向(或近法向)入射角引导到样品。
在一些例子中，光学工具可经配置以在相同时间以一个以上入射角将光引导到样品。举例来说，照明子系统可包含一个以上照明通道，照明通道中的一者可包含光源16、光学元件18及透镜20(如图1中所展示)，且照明通道中的另一者(未展示)可包含可以不同或相同方式配置的类似元件或可包含至少一光源及可能的一或多个其它组件，例如本文进一步所描述的组件。如果此光在与其它光相同的时间引导到样品，那么以不同入射角引导到样品的光的一或多个特性(例如波长、偏振等等)可不同，使得起因于以不同入射角照明样品的光在检测器处可彼此区别。
在另一例子中，照明子系统可仅包含一个光源(例如图1中所展示的光源16)且来自光源的光可由照明子系统的一或多个光学元件(未展示)分离成不同光学路径(例如，基于波长、偏振等等)。接着，不同光学路径中的每一者中的光可引导到样品。多个照明通道可经配置以在相同时间或不同时间(例如，当不同照明通道用于依序照明样品时)将光引导到样品。在另一例子中，相同照明通道可经配置以在不同时间将具有不同特性的光引导到样品。举例来说，在一些例子中，光学元件18可经配置为光谱滤波器且光谱滤波器的性质可以各种不同方式改变(例如，通过换出光谱滤波器)，使得不同波长的光可在不同时间引导到样品。照明子系统可具有所属领域中已知的任何其它适合配置，其用于依序或同时以不同或相同入射角将具有不同或相同特性的光引导到样品。
在一个实施例中，光源16可包含宽带等离子体(BBP)光源。以此方式，由光源产生且引导到样品的光可包含宽带光。然而，光源可包含例如激光器的任何其它适合光源。激光器可包含所属领域中已知的任何适合激光器且可经配置以产生所属领域中已知的一或若干任何适合波长处的光。另外，激光器可经配置以产生单色光或近单色光。以此方式，激光器可为窄带激光器。光源还可包含产生多个离散波长或波带处的光的多色光源。
来自光学元件18的光可由透镜20聚焦到样品14上。尽管透镜20在图1中展示为单个折射光学元件，但应理解，透镜20实际上可包含组合地将来自光学元件的光聚焦到样品的若干折射及/或反射光学元件。图1中所展示及本文所描述的照明子系统可包含任何其它适合光学元件(未展示)。此类光学元件的实例包含(但不限于)偏振组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、光束分离器、孔隙及其类似物(其可包含所属领域中已知的任何此类适合光学元件)。另外，光学工具可经配置以基于用于产生光学图像的照明的类型而更改照明子系统的元件中的一或多者。
光学工具还可包含经配置以引起光扫描样品的扫描子系统。举例来说，光学工具可包含在光学成像期间将样品14安置于其上的置物台22。扫描子系统可包含任何适合机械及/或机器人组合件(其包含置物台22)，其可经配置以移动样品，使得光可扫描样品。另外或替代地，光学工具可经配置使得光学工具的一或多个光学元件执行光对样品的某种扫描。光可以任何适合方式(例如，沿类蛇形路径或螺旋路径)扫描样品。
光学工具进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，其经配置以归因于由工具照明样品而从样品检测光且响应于检测到的光而产生输出。举例来说，图1中所展示的光学工具包含两个检测通道：一个检测通道由集光器24、元件26及检测器28形成且另一检测通道由集光器30、元件32及检测器34形成。如图1中所展示，两个检测通道经配置以按不同收集角收集及检测光。在一些例子中，两个检测通道经配置以检测散射光，且检测通道经配置以从样品检测以不同角度散射的光。然而，检测通道中的一或多者可经配置以从样品检测另一类型的光(例如反射光)。
如图1中进一步所展示，两个检测通道经展示为定位于纸面中且照明子系统也经展示为定位于纸面中。因此，在此实施例中，两个检测通道定位(例如，居中定位)于入射面中。然而，检测通道中的一或多者可定位于入射面外。举例来说，由集光器30、元件32及检测器34形成的检测通道可经配置以收集及检测从入射面散射出的光。因此，此检测通道通常可指称“侧”通道，且此侧通道可居中定位于基本上垂直于入射面的平面中。
尽管图1展示包含两个检测通道的光学工具的实施例，但光学工具可包含不同数目个检测通道(例如仅一个检测通道或两个或两个以上检测通道)。在一个此例子中，由集光器30、元件32及检测器34形成的检测通道可形成如上文所描述的一个侧通道，且光学工具可包含形成为定位于入射面的对置侧上的另一侧通道的额外检测通道(未展示)。因此，光学工具可包含检测通道，其包含集光器24、元件26及检测器28且居中定位于入射面中且经配置以按正交于或几乎正交于样品表面的散射角收集及检测光。因此，此检测通道通常可指称“顶部”通道，且光学工具还可包含如上文所描述那样配置的两个或两个以上侧通道。因而，光学工具可包含至少三个通道(即，一个顶部通道及两个侧通道)，且至少三个通道中的每一者自身具有集光器，集光器中的每一者经配置以按不同于其它集光器中的每一者的散射角收集光。
如上文进一步所描述，包含于光学工具中的检测通道中的每一者可经配置以检测散射光。因此，图1中所展示的光学工具可经配置以用于样品的暗场(DF)成像。然而，光学工具还可包含或替代地包含经配置以用于样品的明场(BF)成像的检测通道。换句话来说，光学工具可包含经配置以检测从样品镜面反射的光的至少一个检测通道。因此，本文所描述的光学工具可经配置以仅用于DF成像、仅用于BF成像或用于DF成像及BF成像两者。尽管集光器中的每一者在图1中经展示为单个折射光学元件，但应理解，集光器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何适合检测器。举例来说，检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、时间延迟积分(TDI)摄影机及所属领域中已知的任何其它适合检测器。检测器还可包含非成像检测器或成像检测器。以此方式，如果检测器是非成像检测器，那么检测器中的每一者可经配置以检测散射光的某些特性(例如强度)，但无法经配置以检测例如成像面内的位置的功能的特性。因而，由包含于光学工具的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据，但非图像信号或图像数据。在此类例子中，例如计算机子系统36的计算机子系统可经配置以从检测器的非成像输出产生样品的图像。然而，在其它例子中，检测器可经配置为经配置以产生图像信号或图像数据的成像检测器。因此，光学工具可经配置以按若干方式产生本文所描述的图像。
应注意，本文提供图1来大体上说明可包含于本文所描述的系统实施例中或可产生由本文所描述的系统实施例使用的光学图像的光学工具的配置。显然，本文所描述的光学工具配置可经更改以优化设计商用光学工具时正常所执行的光学工具的性能。另外，本文所描述的系统可使用现存系统(例如可购自加利福尼州苗必达市科磊公司(KLA-Tencor,Milpitas,Calif.)的29xx/39xx及Puma 9xxx系列工具)来实施(例如，通过将本文所描述的功能新增到现存系统)。对于一些此类系统，本文所描述的实施例可经提供为系统的任选功能性(例如，除了系统的其它功能性外)。替代地，本文所描述的光学工具可“从头开始”设计以提供基于光学工具的全新系统。
耦合到光学工具的计算机子系统36可以任何适合方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到光学工具的检测器使得计算机子系统可接收由检测器为样品产生的输出。计算机子系统36可经配置以使用检测器的输出执行本文中进一步描述的数个功能。
图1中所展示的计算机子系统(以及本文所描述的其它计算机子系统)在本文中也可指称计算机系统。本文所描述的计算机子系统或系统中的每一者可呈各种形式，其包含个人计算机系统、图像计算机、大型主计算机系统、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”可经广义界定以涵盖具有一或多个处理器(其执行来自存储器媒体的指令)的任何装置。计算机子系统或系统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或联网工具。
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，使得图像、数据、信息、指令等等可发送于计算机子系统之间，如本文进一步所描述。举例来说，计算机子系统36可通过任何适合传输媒体(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)而耦合到计算机子系统102，如图1中的虚线所展示。此类计算机子系统中的两者或两者以上也可由共享计算机可读存储媒体(未展示)有效耦合。
系统还可包含经配置以通过将电子引导到样品(或使电子扫描遍及样品)且从样品检测电子而产生样品的电子束图像的电子束工具。在图1中展示的一个此实施例中，电子束工具包含可耦合到计算机子系统124的电子柱122。
也如图1中所展示，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)阴极源或发射极尖端，且一或多个元件130可包含(例如)枪透镜、阳极、束限制孔隙、闸阀、电子束电流选择孔隙、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类适合元件。
从样品回传的电子(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，其可为包含于元件130中的相同扫描子系统。
电子柱可包含所属领域中已知的任何其它适合元件。另外，电子柱可进一步如以下每一者中所描述那样配置：蒋(Jiang)等人于2014年4月4日发布的第8,664,594号美国专利、小岛(Kojima)等人于2014年4月8日发布的第8,692,204号美国专利、固本(Gubbens)等人于2014年4月15日发布的第8,698,093号美国专利及麦克唐纳(MacDonald)等人于2014年5月6日发布的第8,716,662号美国专利，所述专利以宛如全文陈述引用的方式并入本文中。
尽管电子柱在图1中经展示为经配置使得电子以倾斜入射角引导到样品且以另一倾斜角从样品散射，但应理解，电子束可以任何适合角引导到样品及从样品散射。另外，电子束工具可经配置以使用多个模式来产生样品的电子束图像(例如，具有不同照明角、收集角等等)，如本文进一步所描述。电子束工具的多个模式在电子束工具的任何成像参数中可不同。
计算机子系统124可耦合到检测器134，如上文所描述。检测器可检测从样品的表面回传的电子以借此形成样品的电子束输出及/或图像。电子束输出及/或图像可包含任何合适的电子束输出及/或图像。计算机子系统124可经配置以使用由检测器134产生的输出来对样品执行本文进一步所描述的一或多个功能。计算机子系统124可经配置以针对样品使用由检测器134产生的输出执行本文进一步描述的一或多个功能。计算机子系统124可经配置以执行本文所描述的任何额外步骤。
应注意，本文提供图1来大体上说明可包含于本文所描述的实施例中的电子束工具的配置。如同上文所描述的光学工具，本文所描述的电子束工具配置可经更改以如在设计商用电子束工具时通常执行地那样优化执行电子束工具的性能。另外，本文所描述的系统可使用现存系统(例如可购自科磊公司的eSxxx及eDR-xxxx系列工具)来实施(例如，通过将本文所描述的功能新增到现存系统)。对于一些此类系统，本文所描述的实施例可经提供为系统的任选功能性(例如，除了系统的其它功能性外)。替代地，本文所描述的基于电子束的子系统可“从头开始”设计以提供全新系统。
在本文中描述的实施例中，光学工具及电子束工具可以各种不同方式彼此耦合。举例来说，在一个实施例中，光学工具及电子束工具仅经由一或多个计算机子系统而彼此耦合。在一个此实例中，如图1中展示，光学工具10可仅经由计算机子系统36、计算机子系统102及计算机子系统124耦合到电子束工具的电子柱122。因此，计算机子系统102可为光学工具及电子束工具所共有。以此方式，电子束工具及光学工具可不必彼此直接连接，除了为了数据移动外，数据移动可为大量的且可由计算机子系统102及/或虚拟系统108促进。因而，电子束工具及光学工具可不彼此直接连接，除了为了数据移动外。
在另一实施例中，光学工具及电子束工具仅经由一或多个计算机子系统及共同样品处置子系统而彼此耦合。举例来说，可由如上文描述的计算机子系统耦合基于光学的工具及基于电子束的工具。另外，光学工具及电子束工具可共享共同样品处置系统136及可能其中可安置样品的匣140的承载模块138。以此方式，样品可进入到为光学工具及电子束工具所共有的承载模块中，其中样品可经处置到光学工具或电子束工具中的任一者(或两者)。也可在电子束工具与光学工具之间相当快速到移动样品。
然而，一般来说，光学工具可通过共同外壳(未展示)、共同样品处置系统136、共同电源(未展示)、计算机子系统102或其某一组合耦合到电子束工具。共同外壳可具有所属领域中已知的任何适合配置。举例来说，外壳可经配置以容纳光学工具以及电子束工具。以此方式，光学工具及电子束工具可经配置为单个单元或工具。共同样品处置系统可包含所属领域中已知的任何适合机械及/或机器人组合件。共同样品处置系统可经配置以在光学工具与电子束工具之间移动样品使得样品可从光学工具直接移动到电子束工具(或反之亦然)而不必在过程之间将样品放回到其匣或其它容器中。共同电源可包含所属领域中已知的任何适合电源。
光学工具及电子束工具可经安置为彼此横向或垂直接近。举例来说，系统可经配置为可各自经配置以执行不同过程的模块(或子系统)的集群。另外，光学工具及电子束工具可经安置为横向或垂直接近系统的承载模块138。承载模块可经配置以支撑希望在系统中处理的多个样品(例如晶片的匣140)。机器人样品处置系统136可经配置以在测量及/或检验之前从承载模块移除样品且将经处理样品安置于承载模块中。此外，光学工具及电子束工具可安置于彼此接近的其它位置中(例如机器人共同样品处置系统可配装的任何位置)使得可在工具之间移动样品。以此方式，共同样品处置系统136、载物台(未展示)或另一适合机械装置可经配置以将样品移动到光学工具及电子束工具且从光学工具及电子束工具移动样品。
本文中描述的系统还可包含经配置以为样品产生其它输出的一或多个额外工具(例如基于离子束的工具)。可如图1中关于电子束工具展示那样配置此工具，除可使用所属领域中已知的任何适合离子束源取代电子束源外。另外，工具可为任何其它适合离子束工具，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)系统中的离子束工具。
系统还包含经配置以接收为样品产生的实际光学图像及实际电子束图像的一或多个计算机子系统(例如，图1中展示的计算机子系统102)。举例来说，如图1中展示，计算机子系统102可耦合到计算机子系统36及计算机子系统124使得计算机子系统102可接收由检测器28及34产生的实际光学图像或输出及由检测器134产生的实际电子束图像或输出。尽管计算机子系统可从耦合到光学工具及电子束工具的其它计算机子系统接收光学图像或输出及电子束图像或输出，但计算机子系统可经配置以从产生图像或输出的检测器直接接收光学及电子束图像或输出(例如，如果计算机子系统102直接耦合到图1中展示的检测器)。
如上文提及，光学工具及电子束工具可经配置以将能量(例如，光、电子)引导到样品的物理版本及/或使能量扫描遍及样品的物理版本，借此为样品的物理版本产生实际(即，非模拟)输出及/或图像。以此方式，光学工具及电子束工具可经配置为“实际”工具而非“虚拟”工具。然而，图1中展示的计算机子系统102可包含一或多个“虚拟”系统108，其经配置以使用为样品产生的至少一些实际光学图像及实际电子束图像执行一或多个功能(其可包含本文中进一步描述的一或多个功能中的任何者)。
一或多个虚拟系统无法使样品安置于其中。特定来说，虚拟系统并非光学工具10或电子束工具122的部分且不具有处置样品的物理版本的任何能力。换句话来说，在经配置为虚拟系统的系统中，其一或多个“检测器”的输出可为由实际工具的一或多个检测器先前产生且存储于虚拟系统中的输出，且在“成像及/或扫描”期间，虚拟系统可如同样品经成像及/或扫描那样回放经存储输出。以此方式，使用虚拟系统使样品成像及/或扫描样品可看似相同于使用实际系统使物理样品成像及/或扫描物理样品，而实际上，“成像及/或扫描”仅涉及以与可使样品成像及/或扫描样品相同的方式回放针对样品的输出。
共同受让的巴斯卡(Bhaskar)等人于2012年2月28日发布的第8,126,255号美国专利及达菲(Duffy)等人于2015年12月29日发布的第9,222,895号美国专利中描述经配置为“虚拟”检验系统的系统及方法，所述两个专利以宛如全文陈述引用的方式并入本文中。本文所描述的实施例可进一步如这些专利中所描述那样配置。举例来说，本文所描述的一或多个计算机子系统可进一步如这些专利中所描述那样配置。
如上文进一步提及，光学工具可经配置以使用多个模式为样品产生输出。以此方式，在一些实施例中，实际光学图像包含由光学工具使用光学工具的参数的两个或两个以上不同值产生的图像。一般来说，“模式”可由用于为样品产生输出及/或图像的光学工具的参数的值定义。因此，不同模式在工具的至少一个光学参数的值上可不同。举例来说，在光学工具的一个实施例中，多个模式中的至少一者使用用于照明的光的至少一个波长，其不同于用于多个模式中的至少另一者的照明的光的至少一个波长。模式在用于不同模式的如本文中进一步描述的照明波长上可不同(例如，通过使用不同光源、不同光谱滤波器等等)。在另一实施例中，多个模式中的至少一者使用光学工具的照明通道，其不同于用于多个模式中的至少另一者的光学工具的照明通道。举例来说，如上文提及，光学工具可包含一个以上照明通道。因而，不同照明通道可用于不同模式。
以类似方式，电子束图像可包含由电子束工具使用电子束工具的参数的两个或两个以上不同值产生的图像。举例来说，电子束工具可经配置以使用多个模式为样品产生输出。多个模式可由用于为样品产生输出及/或图像的电子束工具的参数的值定义。因此，不同模式在工具的至少一个电子束参数的值上可不同。举例来说，在电子束工具的一个实施例中，多个模式中的至少一者使用用于照明的至少一个入射角，其不同于用于多个模式中的至少另一者的照明的至少一个入射角。
在一些实施例中，计算机子系统经配置以接收由另一系统产生的针对样品的信息，计算机子系统或一或多个虚拟系统经配置以存储信息，且可基于经存储信息组合实际光学图像、实际电子束图像及设计数据中的至少一者执行本文中描述的一或多个功能。举例来说，如图1中展示，计算机子系统102可耦合到其它系统110使得计算机子系统可从其它系统接收信息。其它系统可包含各种其它系统，例如电子设计自动化(EDA)工具、可针对各种不同能力配置的另一计算机系统、半导体制造工具、另一检验系统、另一质量控制类型系统等。针对样品的信息可包含针对样品的各种信息，例如与样品的设计相关的信息、对样品执行的一或多个制造工艺、对样品或相同或不同类型的另一样品执行的一或多个检验、测量或其它质量控制过程、为样品产生的模拟结果、来自另一源的为样品产生的信息等。以此方式，本文中描述的实施例可存取且获取可用于本文中描述的若干不同步骤中的各种现有信息及参考数据。
在一个此实例中，来自其它系统的信息可包含以各种方式产生的信息，例如通过工艺窗合格性鉴定(PWQ)方法、凭经验执行的实验设计(DOE)、模拟、图案保真度分析(PFA)等。此信息还可包含主光罩PWQ分析。可如以下专利中描述那样执行PWQ方法：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6月1日颁予吴(Wu)等人的第7,729,529号美国专利、2010年8月3日颁予可卡(Kekare)等人的第7,769,225号美国专利、2011年10月18日颁予派克(Pak)等人的第8,041,106号美国专利、2012年2月7日颁予吴等人的第8,111,900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，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。
在额外此实施例中，可通过使用焦点曝光矩阵(FEM)方法中的工艺的一或多个参数的两个或两个以上不同值执行过程而产生信息。举例来说，用于为样品产生信息的一个策略是使用DOE(例如FEM方法)及/或晶片作为系统缺陷的产生器。FEM方法通常涉及按光刻过程的焦点及曝光参数值的不同组合在晶片上印刷若干裸片。接着，可以任何适合方式使不同裸片成像以检测不同裸片中的缺陷。接着通常使用那些信息以针对光刻过程的焦点及曝光确定工艺窗。因此，可使用FEM方法以在样品上印刷此类裸片，且可如本文中进一步从描述那样产生不同裸片的图像。
可使用商业上可购自北卡罗来纳州凯里的Coventor公司(Coventor,Inc.,Cary,NC)的凭经验训练的过程模型(例如SEMulator 3D)执行本文中描述的样品的模拟。严格光刻模拟模型的实例是商业上可购自科磊公司的Prolith，其可与SEMulator 3D产品配合使用。然而，可使用从设计数据产生实际样品中所涉及的过程的任何者的任何适合模型执行模拟。以此方式，可使用模型以模拟其上已形成设计的样品在样品空间中的外观(不必此样品对于例如成像或计量系统的系统的外观)。因此，模型的输出可表示样品在样品的2D或3D空间中的外观。
可如2016年4月28日发表的达菲(Duffy)等人的第2016/0116420号美国专利申请公开案中描述那样执行PFA，所述申请公开案以宛如全文陈述引用的方式并入本文中。可如此公开案中描述那样进一步配置本文中描述的实施例。
在另一实例中，来自其它系统的信息可包含为样品产生的最新信号，例如测量、检验、其它良率相关分析等。最新信号还可包含可以所属领域中已知的任何适合方式执行的边缘置放误差(EPE)分析及/或预测EPE(PEPE)的结果。以此方式，EPE分析可包含一或多个经验过程及/或一或多个模拟过程。
在额外实例中，来自其它系统的信息可包含针对样品的设计信息，例如产品信息、面向检验的设计(DFI)信息、目标信息及设计融合信息。设计融合是软件开发程序，其目标为将关键设计信息从无晶片厂客户转移到工厂以供无晶片厂客户未拥有或操作的工具使用。此关键设计信息可包含(例如)针对布局、时序关键网及类似物的部分的关照区域。在一些此类实例中，其它系统可包含EDA工具。以此方式，本文中描述的实施例可具有利用使用EDA计算机辅助设计(CAD)工具产生的数据的增加尺寸。EDA工具可包含任何适合市售EDA工具。
在另一实例中，来自其它系统的信息可包含标准参考图像及/或针对样品上的噪声源的信息。可以任何适合方式产生标准参考图像。可以任何适合方式产生针对噪声源的信息。来自其它系统的信息可进一步包含经产生图像。可以任何适合方式(例如通过模型及/或另一模拟模型)产生经产生图像。
本文中描述的样品可包含各种不同晶片，例如晶片的标称例子及/或晶片的非标称例子。如本文中使用的术语“标称例子”通常定义为已知其上不存在缺陷的样品的“例子”。举例来说，可使用用于在样品上形成设计的一或多个工艺(已知其产生无缺陷样品)的一或多个参数处理标称的样品。换句话来说，已知用于制造样品的工艺可为良好工艺。另外，样品的“标称例子”可包含已确定其中不存在缺陷的例子(例如，样品上的位置、整个样品等)。举例来说，样品的标称例子可包含检验或其它质量控制相关过程(例如，缺陷复检、计量等)未检测到任何缺陷的位置及/或样品。
相比之下，本文中使用的术语样品的“非标称例子”通常定义为以有意(经由编程或合成缺陷，如本文中进一步描述)或无意(经由通过检验、缺陷复检、计量等在一或多个样品上发现的缺陷)的某一方式为“有缺陷”的样品的“例子”。另外，应注意，即使在样品上未检测“缺陷”自身，所述样品仍可为“有缺陷”。举例来说，如果一或多个测量指示形成于样品上的设计的一或多个特性在针对那一或多个特性的值的所要范围外，那么可将所述样品视为“有缺陷”。
样品还可包含产品晶片(可能具有形成于其上的面向检验的设计(DFI)结构)及/或特性化载具(即，电测试结构)。
系统包含经配置以获取针对样品的信息的一或多个计算机子系统(例如，图1中展示的计算机子系统36、102及124)。针对样品的信息包含样品的实际光学图像、样品的实际电子束图像及针对样品的设计数据中的至少一者。在实际光学及/或电子束图像的情况中，计算机子系统可经配置以通过使用本文中描述的用于将能量(例如，光或电子)引导到样品且从样品检测能量(例如，光或电子)的一或多个工具而获取实际图像。因此，获取实际图像可包含使用样品的物理版本及某种成像硬件产生图像。然而，获取实际图像可包含从其中已通过实际成像系统(例如，光学工具10)存储实际图像的存储媒体(包含本文中描述的任何存储媒体)获取实际图像。另外，在设计数据的情况中，计算机子系统可从存储媒体或另一系统(例如，系统110)获取设计数据或可产生设计数据自身，借此获取设计数据。
系统包含由一或多个计算机子系统(例如，计算机子系统102)执行的一或多个组件100。可由一或多个计算机子系统以任何适合方式执行一或多个组件。
在一个实施例中，一或多个组件包含经配置以控制至少光学工具及电子束工具的单个配方。举例来说，如图1中展示，组件100可包含单个配方112。单个配方可基本上是包含条件执行及环路触发的超级配方。单个配方的意图可为确保系统操作流程(其比常规检验器更复杂)内的自我一致性。本文中描述的实施例中的主要自我一致性问题可为空间的(例如，如果想要使用在一工具或多个工具的多个模式中收集的图像或输出，那么必须在相同位置中执行每一图像或输出获取)。也可存在捕获关于晶片及裸片等的布局的几何信息的可贯穿超级配方(其可涉及从不同工具收集数据)应用的可重用配方分量。如今，此可手动完成。经提出系统可通过考虑汇总地收集配方(超级配方)而非常规地针对光学工具、电子束工具等收集单独配方来执行此。
可将本文中描述的光学工具及电子束工具配置为检验工具。另外或替代地，可将本文中描述的光学工具及电子束工具配置为缺陷复检工具。此外，可将本文中描述的光学工具及电子束工具配置为计量工具。特定来说，可在一或多个参数方面修改本文中描述且在图1中展示的光学工具及电子束工具的实施例以取决于将使用其的应用而提供不同成像能力。在一个此实例中，图1中展示的光学工具可经配置以在其用于缺陷复检或计量而非用于检验的情况中具有较高分辨率。换句话来说，图1中展示的光学工具及电子束工具的实施例描述可以对于所属领域的技术人员显而易见的数个方式定制以产生具有或多或少适合于不同应用的不同成像能力的成像工具的光学工具及电子束工具的一些一般及各种配置。
由计算机子系统(例如，计算机子系统36及/或计算机子系统102)执行的组件(例如，图1中展示的组件100)包含基于学习的模型104。基于学习的模型经配置以映射光学图像、电子束图像与设计数据之间的三角关系。举例来说，如图2中展示，基于学习的模型可经配置以映射三个不同空间(设计200、电子束202及光学204)之间的三角关系。因此，本文中描述的实施例针对用于检验、计量及其它使用情况的半导体晶片及掩模提供光学、电子束与设计(例如，CAD)之间的一般化表示映射系统。因此，本文中描述的实施例还提供在半导体工艺控制应用中执行样品(例如晶片及主光罩)的不同可观察表示之间的变换的系统方法。表示包含设计数据(例如，EDA设计)(具有0.1nm置放准确度)、扫描电子显微镜(SEM)复检/检验等(具有1nm置放准确度)及来自光学工具(例如检验(具有10nm到100nm置放准确度))的图块图像。
据发明者所知，当前不存在尝试以本文中提出的此原理性及实际方式映射光学、电子束与设计之间的三角关系的自动化系统。当前，可以非常不同的方式建立不同空间之间的关系。举例来说，当前，可对光学工具(其可以基本上稀疏方式在缺陷复检工具上加以训练)执行离群点检测，且接着可使用相对简单取样算法以选择用于在生产期间复检的经检测离群点的样本。
因此，相较于本文中描述的实施例，当前使用的方法具有数个缺点。举例来说，不存在尝试映射光学、电子束与设计之间的三角关系的自动化系统。另外，虽然已尝试组合来自不同模态(例如波长)的数据，但这些方法及系统归因于空间及计算限制而趋于粗略及点估计。此外，以一或多个离散或连续工艺参数为条件的表示学习无法由单个模型良好地模拟。此外，在光学侧上，归因于膜厚度变化(其为最基本晶片工艺噪声)，色彩变化导致多个光学图像到相同电子束图像或设计实况的映射。
一或多个计算机子系统经配置以将针对样品的信息输入到基于学习的模型中，且基于学习的模型将三角关系应用到输入以借此为样品产生模拟输出。计算机子系统可经配置以按任何适合方式将针对样品的信息输入到基于学习的模型中。基于学习的模型可包含本文中描述的不同基于学习的模型中的一或多者。另外，基于学习的模型可将三角关系应用到输入，如本文中进一步描述。模拟输出可包含本文中进一步描述的各种输出。
一般来说且如本文中进一步描述，鉴于半导体设备系统包含(但不限于)计量、检验、蚀刻、沉积、图案化等及半导体设计及/或模拟系统及/或算法(可从传感器及/或模拟收集样品的不同表示)，本文中描述的实施例经配置用于表示的任意子集之间的表示转换的一般及自动化实施方案。如本文中进一步描述，经收集表示可包含(但不限于)在不同工具及/或模拟设置(其包含(但不限于)波长带、孔径、焦点、偏光、电子束大小、视野等)下的光学、电子束、设计、模拟等。
本文中描述的实施例可包含或经配置用于训练及一或多个推论/预测。针对表示学习的推论可推断包含(但不限于)高斯、t分布等的分布的混合中的隐藏表示。针对表示转换的推论可从纯量值或包含(但不限于)高斯、t分布等的分布中的输入表示预测所要表示，如本文中进一步描述。还如本文中进一步描述，实施例可预测在任意成像及工艺参数下的光学及/或电子束图像。参数可为离散或连续值。本文中进一步描述的训练可或可不指定每一参数的有效值范围。
在一个实施例中，输入到基于学习的模型的信息包含样品的实际光学图像，且模拟输出包含表示由电子束工具为样品产生的实际电子束图像的模拟电子束图像。举例来说，本文中描述的实施例可经配置以在分辨率限制内执行从表示的任何子集到表示的另一子集的变换，此可包含将光学输入变换为电子束模拟输出。
在另一实施例中，输入到基于学习的模型的信息包含样品的实际光学图像，且模拟输出包含样品的模拟设计数据。举例来说，本文中描述的实施例可经配置以在分辨率限制内执行从表示的任何子集到表示的另一子集的变换，此可包含将光学输入变换为设计模拟输出。
在额外实施例中，输入到基于学习的模型的信息包含样品的实际电子束图像，且模拟输出包含针对样品的模拟设计数据。举例来说，本文中描述的实施例可经配置以在分辨率限制内执行从表示的任何子集到表示的另一子集的变换，此可包含将电子束输入变换为设计模拟输出。
在一些实施例中，针对样品的信息包含按光学工具的参数的不同值产生的样品的实际光学图像，且输入到基于学习的模型的信息包含样品的实际光学图像。举例来说，光学(例如，检验)参数可包含光学工具上的波长、孔径、焦点等。在另一实施例中，针对样品的信息包含按电子束工具的参数的不同值产生的样品的实际电子束图像，且输入到基于学习的模型的信息包含样品的实际电子束图像。举例来说，电子束(例如，检验)参数可包含电子束工具上的电子束大小、焦点、能级等。还可针对对样品执行的工艺的参数的不同值产生光学图像及电子束图像。一般来说，在本文中使用标记(p1,p2,…,pn)以表示一组光学、电子束或工艺参数，即，p1是一组参数，p2是一组不同参数等等。可从光学工具、电子束工具或工艺工具记录这些参数。举例来说，所获取图像可与用于产生工艺(其用于制造图像中表示的样品的部分)的图像及/或参数的工具的参数的信息相关联。
光学图像堆叠(即，多个光学图像)在本文中由标记O(x,y,p1,p2,…,pn)表示，所述标记是在光学及工艺参数(p1,p2,…,pn)下在光学工具上观察到的(x,y)位置处的像素值。类似地，电子束图像堆叠(即，多个电子束图像)在本文中由标记S(x,y,p1,p2,…,pn)表示，所述标记是在电子束及工艺参数(p1,p2,…,pn)下在电子束工具上观察到的(x,y)位置处的像素值。设计信息在本文中由标记D(x,y,l)表示，所述标记是针对第l晶片层的设计信息(例如，经呈现设计)的(x,y)位置处的像素值。样品特征在本文中由标记W(x,y)表示，所述标记是指在样品的(x,y)位置处的某些特征，例如，缺陷类别信息、图案化特征、电测试结果等。这些特征可经由当前使用的算法从设计、光学图像及电子束图像的子集计算或可从半导体工具直接测量。
基于学习的模型可经配置以使用固定参数执行表示变换。举例来说，给定光学图像、电子束图像、设计及/或特征中的一或多者作为使用一组固定参数收集的输入，预期基于学习的模型预测在一组相同或不同固定参数下的表示的子集。现在将描述若干此类实例。
在一些实施例中，针对样品的信息包含按光学工具的参数的不同值产生的样品的实际光学图像，输入到基于学习的模型的信息包含样品的实际光学图像，且模拟输出包含表示由电子束工具为样品产生的实际电子束图像的样品的模拟电子束图像。举例来说，给定具有0、1、2及3的离散焦点的光学图像堆叠O(x,y,焦点＝{0,1,2,3})，可由基于学习的模型预测S(x,y,法向束)的电子束图像。
在一个实施例中，针对样品的信息包含按光学工具的参数的不同值产生的样品的实际光学图像，输入到基于学习的模型的信息包含样品的实际光学图像，到基于学习的模型的输入包含光学工具的参数的另一不同值，且模拟输出包含样品的模拟光学图像，其表示按光学工具的参数的另一不同值产生的光学图像。举例来说，给定具有0、1、2及3的离散焦点的光学图像堆叠O(x,y,焦点＝{0,1,2,3})，基于学习的模型可预测固定不同焦点＝4(即，O(x,y,焦点＝4))的光学图像。在另一实例中，给定具有0、1、2及3的离散焦点的光学图像堆叠O(x,y,焦点＝{0,1,2,3})，基于学习的模型可预测固定不同焦点＝1.5(即，O(x,y,焦点＝1.5))的光学图像。
在一些实施例中，输入到基于学习的模型的信息包含样品的实际光学图像及针对样品的设计数据，且模拟输出包含样品的模拟电子束图像，其表示由电子束工具为样品产生的实际电子束图像。举例来说，给定光学图像堆叠O(x,y,焦点＝1)及设计，基于学习的模型可预测样品的电子束图像，例如，S(x,y,法向束)。
在另一实施例中，针对样品的信息包含对应于对样品执行的过程的参数的不同值的样品的实际光学图像，输入到基于学习的模型的信息包含样品的实际光学图像，到基于学习的模型的输入包含工艺的参数的另一不同值，且模拟输出包含对应于工艺的参数的另一不同值的样品的模拟光学图像。举例来说，给定光学图像堆叠O(x,y,工艺焦点＝{-1,0,1},工艺曝光{0,1,2})，基于学习的模型可预测固定不同工艺焦点(例如，5)及曝光(例如，1.5)的光学图像，即O(x,y,工艺焦点＝0.5,工艺曝光＝1.5)。
在额外实施例中，针对样品的信息包含按光学工具的参数的不同值产生的样品的实际光学图像，输入到基于学习的模型的信息包含样品的实际光学图像及针对样品的设计数据，且模拟输出包含对在样品上检测的缺陷的缺陷分类。举例来说，给定具有0、1、2及3的离散焦点的光学图像堆叠O(x,y,焦点＝{0,1,2,3})及D(x,y,l＝0)的设计，基于学习的模型可预测每一像素(即，W(x,y))处的缺陷类别码。因此，特征学习也可包含于问题陈述中。
在一个实施例中，输入到基于学习的模型的信息包含运行时间输入，且针对运行时间输入的信息包含用于训练基于学习的模型的未包含于到基于学习的模型的输入中的图案的信息。在另一实施例中，基于学习的模型未经配置以通过执行像素值内插而为样品产生模拟输出。在额外实施例中，基于学习的模型未经配置以通过执行像素值外插而为样品产生模拟输出。举例来说，基于学习的模型可执行对未见输入或图案(不在训练数据集中的输入或图案)的预测。换句话来说，基于学习的模型可应用到具有未包含于训练输入中的新图案的运行时间输入。因此，呈现变换并非简单像素值内插或像素值外插问题。经学习模型可仅在具有固定经选取参数的固定经选取表示下执行预测。
如上文描述，基于学习的模型可经配置以按单个预定成像及/或工艺参数产生模拟输出。然而，基于学习的模型可经配置以按多个预定成像及/或工艺参数产生模拟输出。举例来说，基于学习的模型可经配置以产生依据成像及/或工艺参数而变化的模拟输出。特定来说，给定光学图像、电子束图像、设计及/或特征中的一或多者作为使用一组固定参数收集的输入，基于学习的模型可学习到依据成像及/或工艺参数而变化的表示的子集的变换。在一个此实例中，给定具有0、1、2及3的离散焦点值的光学图像堆叠O(x,y,焦点＝{0,1,2,3})，基于学习的模型可预测具有任何焦点值光学图像(即，O(x,y,焦点))，其中焦点可在[-10,+10]的范围中。在另一实例中，给定具有离散工艺焦点及曝光值的光学图像堆叠O(x,y,工艺焦点＝{-1,0,1},工艺曝光＝{0,1,2})，基于学习的模型可预测具有任意焦点及曝光值的光学图像。
在此类实施例中，基于学习的模型不通过像素值内插或像素值外插而产生模拟输出。另外，基于学习的模型可在具有任意参数的固定经选取表示下执行预测。学习过程可定义每一参数的有效参数范围以处理极端情况。
在一个实施例中，基于学习的模型经配置以映射样品上的图案化特征与光学图像、电子束图像及设计数据中的一或多者之间的关系。举例来说，如本文中进一步描述，可将样品特征定义为指代样品上的(x,y)位置处的某些特征的W(x,y)。以此方式，如本文中进一步描述，给定光学图像、电子束图像、设计及/或样品上的特征中的一或多者作为使用一组固定成像及/或工艺参数收集的输入，本文中描述的基于学习的模型可预测在相同或不同参数下的表示的子集。
在另一实施例中，针对样品的信息包含样品的两个或两个以上实际光学图像，且两个或两个以上实际光学图像包含对应于光学工具的参数的不同值的两个或两个以上实际光学图像、对样品执行过程之前及之后产生的样品上的层的两个或两个以上实际光学图像、在样品上的不同物理层的两个或两个以上实际光学图像、由不同光学工具产生的样品的两个或两个以上实际光学图像、对应于对样品执行的工艺的参数的不同值的样品的两个或两个以上实际光学图像或其组合。举例来说，本文中描述的实施例可经配置用于一组光学图像的数据收集。取决于使用情况，光学图像可具有各种大小，例如，图块图像的大小(或约32个像素乘32个像素)到帧图像的大小(或约1024个像素乘1024个像素)。光学图像优选地大于光学工具的点扩散函数(PSF)的大小。可从源(例如光学检验工具、虚拟检验器或两者)收集光学图像。另外，光学图像可通过以下者堆叠：通过相同物理层上的焦点的z维度中的各种位置、不同过程之间的相同物理层(例如，对样品执行光刻过程之前及之后的一个层)、不同物理层(例如，不同金属层，即，金属1(M1)，金属2(M2)等，其中不同物理层在样品上形成于彼此上方或下方且包含不同图案化特征)、不同光学参数(例如孔径、波长、偏光等)、不同光学工具、不同工艺参数(例如，焦点及曝光)或其任何组合。
在额外实施例中，针对样品的信息包含样品的两个或两个以上实际电子束图像，且两个或两个以上实际电子束图像包含对应于电子束工具的参数的不同值的两个或两个以上实际电子束图像、对样品执行工艺之前及之后产生的样品上的层的两个或两个以上实际电子束图像、在样品上的不同物理层的两个或两个以上实际电子束图像、由不同电子束工具产生的样品的两个或两个以上实际电子束图像、对应于对样品执行的工艺的参数的不同值的样品的两个或两个以上实际电子束图像或其组合。举例来说，本文中描述的实施例可经配置用于一组电子束图像的数据收集。电子束图像的大小可为来自电子束工具的任何可能电子束图像大小。电子束图像源可为电子束工具、虚拟检验器或两者。电子束图像可通过以下者堆叠：通过相同物理层上的焦点的z维度中的各种位置、不同过程之间的相同物理层(例如，对样品执行蚀刻工艺之前及之后的样品上的一个层)、不同物理层(例如上文进一步描述的物理层)、不同电子束工具条件、来自单独检测器的不同电子束工具通道、不同电子束工具、不同工艺参数(例如，焦点及曝光)或其任何组合。
在一些实施例中，针对样品的设计数据包含通过以下者堆叠的设计数据：相同层中的不同所选择的图案、不同层、不同材料或其组合。举例来说，本文中描述的实施例可经配置用于设计(例如，CAD)的数据收集。设计的大小可为使用情况相依的。设计源可为IC设计CAD文件。设计可通过以下者堆叠(每一样本的3D矩阵)：相同层中的不同所选择的图案、不同层、不同材料或其某一组合。
在一个实施例中，针对样品的信息包含针对形成于样品上的图案化特征的信息，且凭经验或凭理论产生针对图案化特征的信息。举例来说，本文中描述的实施例可经配置用于特征图像或数据的数据收集。特征图像或数据的大小可为使用情况相依的。特征图像或数据的源可包含从过程应用(例如，可如本文中进一步描述那样执行的PWQ、可如本文中进一步描述那样执行的FEM)产生的特征或数据、来自过程工程师的用户输入等。特征图像或数据的源还可包含市售图像处理或信号处理算法(例如，SEM ADC算法、SEM轮廓算法、光学相位检索算法等)。特征图像及/或数据的另一源包含工艺条件及/或参数。特征图像及/或数据可通过不同特征、例如上文描述的不同源及其任何组合堆叠。
由本文中描述的实施例执行的数据收集还可包含上文描述的数据的某一组合(例如，光学图像、电子束图像、设计及特征图像或数据的某一组合)。
本文中描述的基于学习的模型可为深度学习模型。一般来说，“深度学习”(也称为深度结构化学习、分层式学习或深度机器学习)是基于尝试模型化数据中的高阶抽象的一组算法的机器学习的分支。在简单情况中，可存在两组神经元：接收输入信号的神经元及发送输出信号的神经元。当输入层接收输入时，其将输入的经修改版本传递到下一层。在深度网络中，输入与输出之间可存在许多层(且所述层并非由神经元制成但将所述层视为由神经元制成将是有帮助的)，从而允许算法使用多个处理层(由多个线性及非线性变换组成)。
深度学习是基于数据的学习表示的机器学习方法的较广泛系列的部分。观察(例如图像)可以许多方式(例如每像素的强度值的向量)或以更抽象方式(例如一组边缘、特定形状的区域等等)表示。一些表示在简化学习任务(例如面部辨识或面部表情辨识)方面比其它表示更好。深度学习的一个前景是使用用于无监督或半监督特征学习及分层式特征提取的高效算法来替换手工特征。
此领域的研究试图作出更好的表示且产生用于从大规模无标记数据学习这些表示的模型。一些表示受到神经科学的进步的启发且大致上基于神经系统中的信息处理及通信图案的解译，例如试图界定各种刺激与大脑中的相关联神经元响应之间的关系的神经编码。
各种深度学习架构(例如深度神经网络、卷积深度神经网络、深度信念网络及递归神经网络)已应用于比如计算机视觉、自动语音识别、自然语言处理、音频辨识及生物信息分析的领域，其中已证明深度学习架构产生各种任务的最高级结果。
基于学习的模型还可包含机器学习模型。机器学习大体上可经界定为人工智能(AI)类型，其向计算机提供在无需明确编程的情况下学习的能力。机器学习聚焦于可自学成长且在暴露到新数据时改变的计算机程序的开发。换句话来说，机器学习可经界定为“给予计算机在无需明确编程的情况下学习的能力”的计算机科学的分支。机器学习探索可从数据学习且基于数据作出预测的算法的研究及构造，此类算法通过借助从样本输入构建模型作出数据驱动预测或决策而克服遵循严格静态程序指令。
本文所描述的机器学习可进一步如以下各者中所描述那样执行：杉山(Sugiyama)的“统计机器学习概论(Introduction to Statistical Machine Learning)”(摩根考夫曼(Morgan Kaufmann)，2016年534页)、杰巴拉(Jebara)的“判别式、生成性及模仿性学习(Discriminative,Generative,and Imitative Learning)”(MIT论文(MIT Thesis)，2002年212页)及汉德(Hand)等人的“数据挖掘的原理(自适应计算及机器学习)(Principles ofData Mining(Adaptive Computation and Machine Learning))”，(MIT出版社(MITPress)，2001年578页)，其以宛如全文陈述引用的方式并入本文中。本文所描述的实施例可进一步如这些参考文献中所描述那样配置。
在另一实施例中，基于学习的模型包含鉴别模型。举例来说，为了如上文描述那样学习在固定成像或工艺参数下的变换，可针对鉴别方法配置基于学习的模型。鉴别模型(也称为条件模型)是在机器学习中用于模型化未经观察变量y对于经观察变量x的相依性的模型类别。在概率框架内，此通过模型化条件概率分布P(y|x)(其可用于从x预测y)而完成。与生成模型相反，鉴别模型不允许从x及y的联合分布产生样本。然而，对于例如不需要联合分布的分类及回归的任务，鉴别模型可产生优越性能。另一方面，生成模型在表达复杂学习任务的相依性方面通常比鉴别模型灵活。另外，大多数鉴别模型受固有监督且无法轻易地扩展到无监督学习。应用特定细节最终指示选择鉴别对生成模型的适合性。
在一个此实施例中，鉴别模型包含支持向量机器、支持向量回归、卷积神经网络或递归神经网络。举例来说，学习在一组固定检验及/或工艺参数下的变换可作为回归问题或分类问题经由鉴别方法解决且可能模型包含支持向量机器、支持向量回归、卷积神经网络(CNN)及递归神经网络(RNN)。
在机器学习中，支持向量机器(SVM，也支持向量网络)是具有分析用于分类及回归分析的数据的相关联学习算法的监督式学习模型。给定一组训练实例(各自标记为属于两个类别中的一者或另一者)，SVM训练算法构建将新实例指派到一个类别或另一类别的模型，从而使其变为非概率性二进制线性分类器。SVM模型是作为空间中的点的实例的表示，其经映射使得单独类别的实例通过尽可能宽的清晰间隙分割。接着，将新实例映射到相同空间中且基于其落于间隙的哪一侧而预测其属于某一类别。
除了执行线性分类之外，SVM可使用所谓的核技巧有效执行非线性分类，从而将其输入隐含地映射到高维度特征空间中。
当未标记数据时，监督式学习不可行，且需要非监督式学习方法，其尝试寻找数据到群组的自然集群化，且接着将新数据映射到这些经形成群组。对支持向量机器提供改进的集群化算法被称为支持向量集群化且通常在未标记数据时或在仅将某一数据标记为用于分类遍次的预处理时用于工业应用中。
如在巴萨可(Basak)等人的“支持向量回归(Support Vector Regression)”，神经信息处理-快讯和评论(Neural Information Processing-Letters and Reviews)，第11卷，第10号，2007年10月，第203到224页(所述文献以宛如全文陈述引用的方式并入本文中)中描述那样，代替最小化经观察训练误差，支持向量回归(SVR)尝试最小化一般化误差界限以便实现一般化性能。SVR的理念是基于高维度特征空间中的线性回归函数的计算，其中经由非线性函数映射输入数据。SVR已应用于各种领域中：时间序列及金融(噪声及风险)预测、复杂工程分析的近似计算、凸二次编程及损失函数的选取等。可如本发明中描述那样进一步配置本文中描述的基于学习的模型。
在另一实施例中，模型是神经模型。举例来说，模型可为具有一组权重的深度神经网络，所述权重根据已经馈送以训练模型的数据模型化世界。神经网络大体上可经界定为基于神经单元的相对较大集合的计算方法，神经单元的所述相对较大集合大致上模型化生物大脑解决由轴突连接的生物神经元的相对较大集群的问题的方式。每一神经单元与许多其它神经单元连接，且链路可加强或抑制其对连接神经单元的活化状态的影响。这些系统是自学习及经训练的而非被明确编程的且在其中解决方案或特征界定难以以传统计算机程序表达的区域中出类拔萃。
神经网络通常由多个层组成，且信号路径前后横贯。神经网络的目标是以与人脑相同的方式解决问题，但若干神经网络更抽象得多。现代神经网络项目通常与数千个到数百万个神经单元及数百万个连接一起工作。神经网络可具有所属技术已知的任何适合架构及/或配置。
在另一实施例中，模型是卷积神经网络(CNN)。举例来说，本文中描述的实施例可利用深度学习概念(例如CNN)以解决通常棘手的表示转换问题(例如，呈现)。模型可具有所属领域中已知的任何CNN配置或架构。也可如由巴斯卡(Bhaskar)等人在2016年11月16日申请的第15/353,210号美国专利申请案中描述那样配置CNN，所述专利申请案以宛如全文陈述引用的方式并入本文中。可如此专利申请案中描述那样进一步配置本文中描述的基于学习的模型。
递归神经网络(RNN)是其中单元之间的连接形成定向循环的人工神经网络的类别。此产生允许网络展现动态时间行为的网络的内部状态。不同于前馈神经网络，RNN可使用其内部存储器以处理输入的任意序列。此使RNN可应用到例如未分段连接手写识别或语音识别的任务。
在另一实施例中，基于学习的模型包含参数或非参数贝氏方法。举例来说，在固定成像或工艺参数下的学习变换可由参数或非参数贝氏方法解决。如在欧本(Orbanz)等人的“贝叶斯非参数模型(Bayesian Nonparametric Models)”，2010年，第14页(所述文献以宛如全文陈述引用的方式并入本文中)中描述那样，贝氏非参数模型是在无限维度参数空间上的贝氏模型。通常选取参数空间作为针对给定学习问题的全部可能解决方案集。举例来说，在回归问题中，参数空间可为连续函数集，且在密度估计问题中，空间可由全部密度组成。贝氏非参数模型仅使用可用参数维度的有限子集以解释观察的有限样本(其中取决于样本选取维度集)，使得模型的有效复杂性(如由所使用的维度数目所测量)适应于数据。因此，可将典型适应性问题(例如非参数估计及模型选择)公式化为贝氏推论问题。贝氏非参数模型的流行实例包含其中使用增长的样本大小细化相关结构的高斯过程回归及用于集群化的狄氏(Dirichlet)过程混合模型(其用于使集群数目适应于数据的复杂性)。贝氏非参数模型最近已应用到各种机器学习问题，包含回归、分类、集群化、潜在变量模型化、循序模型化、图像分段、源分离及语法归纳。
非参数模型构成模型化选择及调适的方法，其中允许模型的大小随着数据大小增长。此与使用固定数目个参数的参数模型相反。举例来说，密集估计的参数方法将为依最大似然拟合高斯或固定数目个高斯的混合。非参数方法将是帕尔森窗估计器，其在每一观察处使高斯居中(且因此每一观察使用一个平均参数)。另一实例是具有高斯核的支持向量机器。表示定理展示决策函数是以每输入向量为中心的高斯径向基底函数的线性组合，且因此具有随着更多观察增长的复杂性。非参数方法已在经典(非贝氏)统计中长久地流行。其通常在应用中令人印象深刻地执行，且虽然此类模型的理论结果通常比参数模型更难以证明，但已针对广范围的模型建立吸引人的理论性质。
在一个此实施例中，通过高斯混合模型、狄氏混合模型、高斯过程或深度高斯过程针对参数或非参数贝氏方法模型化似然概率。在另一此实施例中，通过变分推论或马可夫链蒙地卡罗法针对参数或非参数贝氏方法模型化先验及后验。
在贝氏统计中，随机事件或不确定命题的后验概率是在考虑相关证据或背景之后所指派的条件概率。类似地，后验概率分布是被视为随机变量的未知量的概率分布，其取决于从实验或调查获得的证据。在此上下文中，“后验”意味着在考虑与所检查的特定情况相关的相关证据之后。后验概率是在给定证据X:p(θ|X)的情况下参数θ的概率。其与似然函数(其是在给定参数p(X|θ)的情况下证据的概率)形成对比。所述两者如下那样相关：先前相信概率分布函数是p(θ)及具有似然p(x|θ)的观察x的先验信仰，接着将后验概率定义为后验概率α似然×先验概率。
高斯混合模型(GMM)是表示为高斯分量密度的加权和的参数概率密度函数。GMM通常用作生物测定系统中的连续测量或特征(例如扬声器辨识系统中的声道相关光谱特征)的概率分布的参数模型。使用来自良好训练先验模型的迭代最大预期(EM)算法或最大后验概率(MAP)估计从训练数据估计GMM参数。
如在布莱(Blei)等人的“Dirichlet工艺混合物的变分推理(VariationalInference for Dirichlet Process Mixtures)”，贝叶斯分析(Bayesian Analysis)(2006年)，第1期，第121到144页(所述文献以宛如全文陈述引用的方式并入本文中)中描述那样，蒙地卡罗法马可夫链(MCMC)取样的方法论已激励贝氏统计达十多年，将系统方法提供给似然及后验分布的计算，且允许在快速增长数目个应用问题中采用贝氏方法。然而，虽然MCMC是毫无疑问的成功故事，但其并非不合格故事-MCMC方法可收敛缓慢且其收敛可难以诊断。虽然需要对取样进行进一步研究，但尤其在大规模问题的上下文中探索替代品也是重要的。
由变分推论方法提供一个此类别的替代品。如同MCMC，变分推论方法在统计物理学中具有根基，且与MCMC方法相反，其是确定的。变分推论的基本理念是依据优化问题公式化边际或条件概率的计算。接着，“放松”此(通常棘手)问题，从而产生取决于若干自由参数(称为变分参数)的简化优化问题。针对变分参数求解给出对所关注边际或条件概率的近似计算。
主要在指数族的上下文中开发变分推论方法，其中自然参数空间的凸性性质及累积量函数产生优质一般变分形式。举例来说，已基于一般指数族规范针对参数分层式贝氏模型开发变分方法。MCMC方法已见更广应用。特定来说，针对非参数模型的MCMC算法(例如狄氏过程)的开发已导致对非参数贝氏方法的关注增加。可通过针对狄氏过程混合开发变分方法而封闭此间隙。
狄氏过程(DP)是对测量的测量。DP由基础分布G0及正按比例调整参数α参数化。假定从狄氏过程引出随机测量G，且从G独立引出N个随机变量ηn：
G|{G0，α}～DP(G0，α)
ηn～G，n∈{1，...，N}。
边际化出随机测量G，{η1,...,ηN}的联合分布遵循P′olya urn方案。将正概率指派到其中不同ηn采取相同值的配置；此外，基础随机测量G具有离散概率1。此在DP的突破性(stick-breaking)表示中最直接可见，其中将G明确表示为原子测量的无限总和。
狄氏过程混合模型通过将ηn视为第n个观察的分布的参数而将层级添加到分层。鉴于G的离散性，DP混合具有作为具有未经界定数目个混合分量的混合模型的解译。
鉴于来自DP混合的样本{x1,...,xN}，目标是计算预测密度：p(x|x1,...,xN,α,G0)＝∫p(x|η)p(η|x1,...,xN,α,G0)dη。如在许多分层式贝氏模型中，后验分布p(η|x1,...,xN,G0,α)是复杂的且不可以封闭形式应用。MCMC为此后验及预测密度提供一个类别的近似计算。
关于高斯过程，如在拉斯穆森(Rasmussen)等人的“用于机器学习的高斯过程(Gaussian Processes for Machine Learning)”，(第5章)，MIT出版社(MIT Press)，2006年，第105到128页(所述文献以宛如全文陈述引用的方式并入本文中)中陈述那样，贝氏原理为推论提供说服性且一致框架。不幸地，针对用于机器学习的大多数有趣模型，所需计算(对参数空间的积分)在分析上棘手的，且不容易导出良好近似计算。具有高斯噪声的高斯过程回归模型是罕见例外：对参数的积分易于分析且同时模型非常灵活。一般贝氏推论原理可以其中优化超参数的简化形式应用到特定高斯过程模型。可导出且解译针对边际似然的表达。
由于高斯过程模型是非参数模型，因此模型的参数不可立即显而易见。一般来说，可将在训练输入f的无噪声潜在函数值视为参数。存在的训练情况越多，参数越多。使用权重-空间视图，可将参数等效地视为使用基底函数的线性模型(其可经选取为协方差函数的特征函数)的权重。当然，此视图是不方便或非退化协方差函数，这是因为其接着将具有无限数目个权重。可如在拉斯穆森的上文参考案中描述那样进一步配置本文中描述的实施例的基于学习的模型。
关于深度高斯过程，如在达米亚诺(Damianou)等人的“深度高斯过程(DeepGaussian Processes)”，国际人工智能及统计学会议论文集(Proceedings of theInternational Conference on Artificial Intelligence and Statistics)(AISTATS)，2013年，第9页(所述文献以宛如全文陈述引用的方式并入本文中)中陈述那样，深度高斯过程(GP)模型是基于高斯过程映射的深度信念网络。将数据模型化为多变量GP的输出。接着，由另一GP控管到那个高斯过程的输入。单层模型等效于标准GP或GP潜在变量模型(GP-LVM)。模型中的推论可由近似变分边际化执行。此导致对可用于模型选择(层数及每一层的节点的数目)的模型的边际似然的严格下界限。深度信念网络通常应用到针对优化使用随机梯度下降的相对大数据集。即使在数据稀缺时，完全贝氏处理仍允许深度模型的应用。通过变分界限的模型选择展示即使当模型化仅含有150个实例的数字数据集时，五层分层仍是合理的。可如达米亚诺等人的上文并入的参考案中描述那样进一步配置本文中描述的实施例的基于学习的模型。
在一些实施例中，基于学习的模型包含生成模型。“生成”模型大体上可经界定为具概率性的模型。换句话来说，“生成”模型并非为执行正向模拟或基于规则的方法的模型，因而，涉及产生真实图像的过程的物理现象的模型(其模拟图像被产生)是非必要。相反地，如本文进一步所描述，生成模型可基于一组适合训练数据而学习(这是因为其参数可被学习)。
在一个此实施例中，生成模型包含自动编码器变体、生成对抗网络、条件式生成对抗网络或深度生成模型。举例来说，针对如上文描述那样学习在固定成像或工艺参数下的变换，基于学习的模型可经配置用于使用一或多个生成模型的生成方法，一或多个生成模型包含：自动编码器变化，其中解码器部分将最终用于表示转换；生成对抗网络(GAN)，其中GAN的生成部分可用于表示转换；条件式生成对抗网络(CGAN)，其中CGAN的生成部分可用于表示转换；及深度生成模型(例如由张(Zhang)等人于2016年6月7日申请的第15/176,139号美国专利申请案中所描述的深度生成模型)，其中生成模型的解码器部分可用于表示转换。可如此专利申请案中描述那样进一步配置本文中描述的实施例。
自动编码器、自动关联器或Diabolo网络是用于有效编码的非监督式学习的人工神经网络。自动编码器的目标是学习数据集的表示(编码)，尤其出于维度缩减的目的。最近，自动编码器概念已变得更广泛用于学习数据的生成模型。架构上，自动编码器的最简单形式是非常类似于多层感知器(MLP)(具有输入层、输出层及连接其的一或多个隐藏层)的前馈、非递归神经网络，但其具有含与输入层相同数目个节点的输出层，且目的是重建其自身输入(而非预测目标值给定输入)。因此，自动编码器是非监督式学习模型。自动编码器始终由编码器及解码器两个部分组成。存在防止自动编码器学习恒等函数且改进其捕获重要信息及学习较丰富表示的能力的各种技术。自动编码器可包含任何适合自动编码器变体，例如去噪声自动编码器、稀疏自动编码器、变分自动编码器及收缩自动编码器。
可如在古德费洛(Goodfellow)等人的“生成对抗网(Generative AdversarialNets)”，arXiv:1406.2661，2014年6月10日，第9页(所述文献以宛如全文陈述引用的方式并入本文中)中描述那样配置包含于本文中描述的实施例中的GAN。古德费洛等人描述用于经由对抗过程估计生成模型的新框架，其中同时训练两个模型：捕获数据分布的生成模型G及估计样本来自训练数据而非G的概率的鉴别模型D。针对G的训练过程是最大化D犯错误的概率。此框架对应于极小极大双人游戏。在任意函数G及D的空间中，存在独有解，其中G恢复训练数据分布且D在处处都等于1/2。在其中G及D由多层感知器定义的情况中，可使用反向传播训练整个系统。在样本的训练或产生期间不需要任何马可夫链或展开近似推论网络。实验通过经产生样本的定性及定量评估而证实框架的潜力。可如古德费洛等人描述那样进一步配置本文中描述的实施例的基于学习的模型。
可如在米尔扎(Mirza)等人的“条件式生成对抗网(Conditional GenerativeAdversarial Nets)”，arXiv:1411.1784，2014年11月6日，第7页(所述文献以宛如全文陈述引用的方式并入本文中)中描述那样配置包含于本文中描述的实施例中的CGAN。如果生成器及鉴别器两者以某一额外信息y为条件，那么生成对抗网可扩展到条件模型。y可为任何种类的辅助信息，例如类别标记或来自其它模态的数据。可通过将y馈送到鉴别器及生成器两者中作为额外输入层而执行附有条件。在生成器中，在联合隐藏表示中组合先验输入噪声pz(z)及y且对抗训练框架允许在此隐藏表示如何构成方面的相当大灵活性。在鉴别器中，将x及y呈现为到鉴别函数(在一些情况中由MLP体现)的输入。接着，双人极小极大游戏的目标函数将是：
可如米尔扎等人的上文并入的参考案中描述那样进一步配置包含于本文中描述的实施例中的基于学习的模型。
深度生成模型可经配置以具有深度学习架构，其中模型可包含执行数个算法或变换的多个层。生成模型的编码器侧上的层数是使用情况相依的。另外，解码器侧上的层数是使用情况相依的且可取决于编码器侧上的层数。一般来说，生成模型的一个或两个侧上的层数并不显著且是使用情况相依的。出于实际目的，两个侧上的层的适当范围是从2个层到数十层。
本文所描述的实施例可或可不经配置以训练基于学习的模型。举例来说，另一方法及/或系统可经配置以产生基于学习的训练模型，接着，所述基于学习的训练模型可由本文所描述的实施例存取及使用。在一般训练程序中，可基于使用情况收集(输入、预期输出)的元组的训练数据集。训练数据集可用于训练经选取模型。在运行时间期间，可收集输入数据(例如，在所选择的成像及/或工艺参数下)。接着，可使用经训练模型对输入数据执行预测。
在另一实施例中，一或多个计算机子系统经配置以使用条件式生成对抗网络(CGAN)训练基于学习的模型。举例来说，本文中描述的实施例可经配置以经由CGAN学习在一或多个成像或工艺参数的情况下的变换。举例来说，在可如本文中进一步描述那样配置的CGAN中，生成模型G之后可为鉴别模型D。在训练期间，到CGAN的输入(本文中可表示为I(x,y,…))可包含光学图像堆叠(例如，O(x,y,…))、电子束图像堆叠(例如，S(x,y,…))及设计堆叠(例如，D(x,y,…))中的一或多者。
在一个此实施例中，训练包含在CGAN的生成部分之前输入噪声。举例来说，上文描述的输入可为到生成模型G的输入，其可能具有噪声z～P(z)及/或工艺或成像参数。输入噪声可为从经选取分布(例如，高斯)引出的随机噪声z。噪声输入可具有与I(x,y,…)相同的宽度及高度。输入参数可为从工艺或成像参数产生的参数图。参数图可具有与输入相同的宽度及高度。
生成模型可产生“假”图像(例如，F(x,y,…))或将使用基于学习的模型以为样品产生的任何模拟输出。“假”图像可为到鉴别模型D的输入。生成模型可经配置以使用“假”图像及“真实”图像(例如，R(x,y,…))以确定生成模型执行的良好程度。以此方式，CGAN的生成部分G可学习如何预测本文中描述的预期“输出”。经产生“假”图像是到尝试区分“假”经产生图像与真实图像的鉴别部分D的输入。损失函数是：
通过一起训练D及G，预期G良好地学习变换。
参数图可为通过本文中描述的实施例将针对其产生模拟输出的所要成像或工艺参数的输入。可以两个方式产生参数图。举例来说，在第一方法中，可建构每一参数的1x1矩阵。接着，可执行恒定向上汇集(up-pooling)以产生参数图。在第二方法中，可产生每一参数的1x1矩阵，其可为到卷积、非线性及向上汇集操作的若干级的输入。卷积、非线性及向上汇集的每一级也可称为反卷积层。
接着，在训练期间，程序可为如下。可基于使用情况收集(输入、预期输出)的元组的训练数据集。如果输出图像的参数范围是连续的，那么成像或工艺参数的可能选取基本上无限。作为常见做法，可从参数范围取样若干值，且可基于经取样值收集数据。接着，可使用训练数据集以训练CGAN。
在运行时间期间，程序可为如下。可在给定成像及/或工艺参数下收集输入数据。接着，可使用经训练模型基于输入数据执行预测。
可如由张(Zhang)等人于2016年6月7日申请的第15/176,139号美国专利申请案及由巴斯卡(Bhaskar)等人于2016年12月29日申请的第15/394,790号美国专利申请案(所述文献以宛如全文陈述引用的方式并入本文中)中描述那样进一步执行训练基于学习的模型。可如这些专利申请案中描述那样进一步配置本文中描述的实施例。用于训练本文中描述的基于学习的模型的训练数据集也可针对丰富性目的而扩增及/或取样。举例来说，训练数据集可经产生以包含合成训练数据或可使用合成训练数据扩增，可如由巴斯卡等人于2016年12月29日申请的第15/394,790号美国专利申请案(所述专利申请案以宛如全文陈述引用的方式并入本文中)中描述般产生且使用合成训练数据以用于训练。可如此专利申请案中描述那样进一步配置本文中描述的实施例。
可针对特定样品(例如，特定晶片或主光罩)、工艺及成像参数产生本文中描述的模型。换句话来说，本文中描述的模型可为样品特定、工艺特定及成像参数特定。举例来说，在一个实施例中，每一模型可经训练以专用于特定设计及晶片层。接着，经训练模型将仅用于针对那个层执行预测。以此方式，可针对不同晶片层产生不同模型。然而，在另一实施例中，可使用来自不同设计及晶片类型层的数据训练单个模型。所得模型可用于通常针对包含于训练数据中的全部类型的样品执行预测。另外，可针对不同组成像参数(例如，不同成像模式)产生不同模型。一般来说，只要可跨工具重复所选择的成像模式，模型便可独立于工具。可使用不同训练数据集产生不同模型中的每一者。可以任何适合方式产生不同训练数据集中的每一者。
在另一实施例中，本文中描述的实施例可包含使光学图像、电子束图像及数据中的一或多者彼此对准。举例来说，由于本文中描述的实施例执行光学、电子束与设计之间的变换，因此基本上将模拟输出映射到输入。因此，输入及输出基本上且固有地彼此对准。接着，可以基本上简单方式(基于共同x,y坐标)确定对应于在任何给定x,y位置处的模拟输出的输入。以此方式，对应于输入的不同部分的模拟输出可以基本上容易方式进行识别且用于使用输入或对输入执行一或多个功能。举例来说，基于模拟输出及其与输入的对应性，可依据x,y位置更改用于缺陷检测的一或多个参数。在另一实例中，如果使用输入及/或模拟输出以更改对样品执行的工艺的一或多个参数，那么可依据x,y位置基于输入及/或模拟输出的特性更改一或多个参数。
本文中描述的实施例还可用于提供用于监督式训练的基本上现实样本。举例来说，模拟输出及其对应输入可用于一或多个不同基于学习的模型(其可包含本文中描述的任何基于学习的模型或所属领域中已知的任何其它适合基于学习的模型)的监督式训练。可使用如本文中进一步描述那样产生的模拟输出及其对应输入以任何适合方式执行监督式训练。
在另一实施例中，本文中描述的实施例可用于产生用于缺陷检测(例如，裸片对数据库检验)的参考图像。举例来说，本文中描述的实施例可经配置用于从本文中描述的一或多个输入(例如，设计、电子束图像、光学图像)产生参考图像，且可比较经产生参考与通过将能量(例如，光或电子)引导到样品且从样品检测能量(例如，光或电子)而产生的输出。接着可使用经产生参考与输出之间的差异以检测样品上的缺陷(例如，通过比较差异与阈值且将高于阈值的差异识别为对应于样品上的缺陷)。
本文中描述的实施例可经配置以从相对低质量(例如，低分辨率)图像(例如，SEM或光学检验图像)产生基本上高质量(例如，高分辨率)缺陷复检图像(例如，SEM复检图像)，如由张等人于2017年1月2日申请的第15/396,800号美国专利申请案中描述，所述专利申请案以宛如全文陈述引用的方式并入本文中。可如此专利申请案中描述那样进一步配置本文中描述的实施例。
在一些实施例中，一或多个计算机子系统经配置用于验证一或多个低分辨率图像中检测到的缺陷，且使用高分辨率图像执行验证。举例来说，本文中描述的光学图像到SEM及/或设计变换的一个益处在于，光学检测对于半导体制造工艺中的大量生产良率而言仍是关键。归因于缺少分辨率，通过光学检验器检测的缺陷需要缺陷验证的SEM复检。将光学自动变换为SEM及/或设计的方法可潜在地降低针对良率管理的SEM复检需求，借此降低总检验循环时间。举例来说，本文中描述的实施例可无需在样品检验之后获取缺陷复检系统上的SEM图像，这是由于本文中描述的高分辨率图像可(1)在无样品及无成像硬件的情况下获取且(2)用于缺陷复检应用(例如缺陷验证)。
在另一实施例中，一或多个计算机子系统经配置用于对一或多个低分辨率图像中检测到的缺陷分类，且使用高分辨率图像执行分类。举例来说，如上文描述，本文中描述的光学图像到SEM及/或设计变换的一个益处在于，光学检验对于半导体制造工艺中的大量生产良率来说仍是关键。归因于缺少分辨率，通过光学检验器检测的缺陷需要SEM复检以用于缺陷分类。将光学自动变换为SEM及/或设计的方法可潜在地降低针对良率管理的SEM复检需求，借此降低总检验循环时间。举例来说，本文中描述的实施例可无需在样品检验之后获取缺陷复检系统上的SEM图像，这是由于本文中描述的高分辨率图像可(1)在无样品及无成像硬件的情况下获取且(2)用于缺陷复检应用(例如缺陷分类)。
在另一实施例中，一或多个计算机子系统经配置用于基于一或多个低分辨率图像及高分辨率图像的组合检测样品上的缺陷。举例来说，本文中描述的光学到SEM及光学到设计变换的一个益处在于，这些变换允许光学检验器使用高分辨率空间内容进行跨整个裸片的妨害/缺陷鉴别。相比之下，使用空间信息进行妨害/缺陷鉴别的当前使用方法限于热点使用情况。特定来说，当前使用方法限于热点使用情况，此主要归因于光学缺陷信号不具有足够显著性来抵抗背景噪声的事实。仅检验用作热点的像素允许系统基于空间信息自动滤除晶片上的大部分像素。如此做增强缺陷显著性且最终改进缺陷检测。为此，系统需要某人或方法来识别检验的重要空间位置。接着，将这些位置标记为“热点”(即，识别检验器的空间位置的动作使这些位置变成“热点”)。
计算机子系统可经配置以使用一或多个低分辨率图像及一或多个高分辨率图像的组合而以任何适当方式检测样品上的缺陷。举例来说，可在高分辨率图像中识别在低分辨率图像中检测到的缺陷的位置以确定缺陷的设计背景，其接着可用于确定缺陷是妨害缺陷还是实际缺陷。另外，在低分辨率图像中检测到的缺陷的位置可用于识别高分辨率图像中的缺陷的位置以确定缺陷是否存在于高分辨率图像中(在高分辨率图像中是否可检测到缺陷)。如果可在高分辨率图像中检测到缺陷，那么将所述缺陷指定为实际缺陷。如果在高分辨率图像中无法检测到缺陷，那么将所述缺陷指定为妨害缺陷。
本文中描述的实施例具有若干优点。举例来说，本文中描述的实施例建立光学图像、电子束图像与设计之间的三角关系。相比之下，当前不存在尝试映射光学、电子束与设计之间的三角关系的自动化系统。本文中描述的实施例也可经配置以在分辨率限制内执行从表示的任何子集到表示的另一子集的变换。举例来说，变换可包含光学到电子束、光学到设计及电子束到设计。另外，本文中描述的实施例可经配置以学习依据成像及工艺参数而变化的变换。举例来说，可使用一个模型而非若干模型(每一模型是针对一组固定参数)在不同工艺焦点及曝光下模拟光学图像。本文中描述的实施例也不需要显式模型。举例来说，不同于顺向模拟或基于规则的方法，不存在对预定义(物理或启发式)模型的需求，此极其难以从第一原理物理学理解或良好地近似计算。本文中描述的实施例通过经由基于学习的模型学习隐式模型而消除此需求。此外，本文中描述的实施例可产生对于色彩噪声基本上稳健的模拟输出。举例来说，深度网络(例如GAN及CGAN)可经训练以对色彩噪声稳健。此外，本文中描述的实施例提供生产运行时间的基本上快速度(即，可进行相对快速预测)。
上文描述的系统中的每一者的实施例中的每一者可一起组合成一个单个实施例。
另一实施例涉及一种用于为样品产生模拟输出的计算机实施方法。方法包含使用一或多个计算机系统获取针对样品的信息。信息包含样品的实际光学图像、样品的实际电子束图像及针对样品的设计数据中的至少一者。方法还包含将针对样品的信息输入到基于学习的模型中。基于学习的模型包含于由一或多个计算机系统执行的一或多个组件中。基于学习的模型经配置以映射光学图像、电子束图像与设计数据之间的三角关系，且基于学习的模型将三角关系应用到输入以借此为样品产生模拟输出。
可如本文中进一步描述那样执行方法的步骤中的每一者。方法还可包含可由本文中描述的系统、计算机系统、光学或电子束工具、组件、模型等执行的任何其它步骤。可根据本文中描述的实施例的任何者配置一或多个计算机系统、一或多个组件及模型(例如，计算机子系统102、组件100及模型104)。另外，可通过本文中描述的系统实施例中的任何者执行上文描述的方法。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在一或多个计算机系统上执行以执行用于为样品产生模拟输出的计算机实施方法。在图3中展示一个此实施例。特定来说，如图3中展示，非暂时性计算机可读媒体300包含可在计算机系统304上执行的程序指令302。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302可存储于计算机可读媒体300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。
可以各种方式中的任何者实施程序指令，包含基于程序的技术、基于组件的技术及/或面向对象技术等等。例如，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(数据流SIMD扩展)或其它技术或方法实施程序指令。
可根据本文中描述的任何实施例配置计算机系统304。
鉴于此描述，所属领域的技术人员将明白本发明的各种方面的另外修改及替代实施例。举例来说，提供用于为样品产生模拟输出的方法及系统。因此，此描述应仅解释为说明性且是出于教示所属领域的技术人员执行本发明的一般方式的目的。应理解，本文中展示及描述的本发明的形式将视为当前优选实施例。如所属领域的技术人员在获益于本发明的此描述之后将明白，元件及材料可取代本文中说明及描述的元件及材料，部件及过程可颠倒，且可独立利用本发明的特定特征。在不脱离如在所附权利要求书中描述的本发明的精神及范围的情况下可对本文中描述的元件做出改变。

Claims (28)

1.一种经配置以为样品产生模拟输出的系统，其包括：
一或多个计算机子系统，其经配置以获取针对样品的信息，其中所述信息包括所述样品的实际光学图像、所述样品的实际电子束图像及针对所述样品的设计数据中的至少一者；及
一或多个组件，其由所述一或多个计算机子系统执行，其中所述一或多个组件包括基于学习的模型，其中所述基于学习的模型经配置以映射光学图像、电子束图像与设计数据之间的三角关系，其中所述一或多个计算机子系统经配置以将针对所述样品的所述信息输入到所述基于学习的模型中，且其中所述基于学习的模型将所述三角关系应用到所述输入以借此为所述样品产生模拟输出。
2.根据权利要求1所述的系统，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际光学图像，且其中所述模拟输出包括表示由电子束工具为所述样品产生的实际电子束图像的模拟电子束图像。
3.根据权利要求1所述的系统，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际光学图像，且其中所述模拟输出包括针对所述样品的模拟设计数据。
4.根据权利要求1所述的系统，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际电子束图像，且其中所述模拟输出包括针对所述样品的模拟设计数据。
5.根据权利要求1所述的系统，其中针对所述样品的所述信息进一步包括按光学工具的参数的不同值产生的所述样品的实际光学图像，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际光学图像，且其中所述模拟输出包括表示由电子束工具为所述样品产生的实际电子束图像的所述样品的模拟电子束图像。
6.根据权利要求1所述的系统，其中针对所述样品的所述信息进一步包括按光学工具的参数的不同值产生的所述样品的实际光学图像，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际光学图像，其中到所述基于学习的模型的所述输入进一步包括所述光学工具的所述参数的另一不同值，且其中所述模拟输出包括表示按所述光学工具的所述参数的所述另一不同值产生的光学图像的所述样品的模拟光学图像。
7.根据权利要求1所述的系统，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际光学图像及针对所述样品的所述设计数据，且其中所述模拟输出包括表示由电子束工具为所述样品产生的实际电子束图像的所述样品的模拟电子束图像。
8.根据权利要求1所述的系统，其中针对所述样品的所述信息进一步包括对应于对所述样品执行的工艺的参数的不同值的所述样品的实际光学图像，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际光学图像，其中到所述基于学习的模型的所述输入包括所述工艺的所述参数的另一不同值，且其中所述模拟输出包括对应于所述工艺的所述参数的所述另一不同值的所述样品的模拟光学图像。
9.根据权利要求1所述的系统，其中针对所述样品的所述信息进一步包括按光学工具的参数的不同值产生的所述样品的实际光学图像，其中输入到所述基于学习的模型的所述信息包括所述样品的所述实际光学图像及针对所述样品的所述设计数据，且其中所述模拟输出包括针对在所述样品上检测的缺陷的缺陷分类。
10.根据权利要求1所述的系统，其中输入到所述基于学习的模型的所述信息包括运行时间输入，且其中针对所述运行时间输入的所述信息包括用于训练所述基于学习的模型的未包含于到所述基于学习的模型的输入中的图案的信息。
11.根据权利要求1所述的系统，其中所述基于学习的模型未经配置以通过执行像素值内插而为所述样品产生所述模拟输出。
12.根据权利要求1所述的系统，其中所述基于学习的模型未经配置以通过执行像素值外插而为所述样品产生所述模拟输出。
13.根据权利要求1所述的系统，其中所述基于学习的模型进一步经配置以映射所述样品上的图案化特征与所述光学图像、所述电子束图像及所述设计数据中的一或多者之间的关系。
14.根据权利要求1所述的系统，其中针对所述样品的所述信息进一步包括所述样品的两个或两个以上实际光学图像，且其中所述两个或两个以上实际光学图像包括对应于光学工具的参数的不同值的两个或两个以上实际光学图像、对所述样品执行工艺之前及之后产生的所述样品上的层的两个或两个以上实际光学图像、在所述样品上的不同物理层的两个或两个以上实际光学图像、由不同光学工具产生的所述样品的两个或两个以上实际光学图像、对应于对所述样品执行的工艺的参数的不同值的所述样品的两个或两个以上实际光学图像或其组合。
15.根据权利要求1所述的系统，其中针对所述样品的所述信息进一步包括所述样品的两个或两个以上实际电子束图像，且其中所述两个或两个以上实际电子束图像包括对应于电子束工具的参数的不同值的两个或两个以上实际电子束图像、对所述样品执行工艺之前及之后产生的所述样品上的层的两个或两个以上实际电子束图像、在所述样品上的不同物理层的两个或两个以上实际电子束图像、由不同电子束工具产生的所述样品的两个或两个以上实际电子束图像、对应于对所述样品执行的工艺的参数的不同值的所述样品的两个或两个以上实际电子束图像或其组合。
16.根据权利要求1所述的系统，其中针对所述样品的所述设计数据包括由以下者堆叠的所述设计数据：相同层中的不同经选择图案、不同层或不同材料或其组合。
17.根据权利要求1所述的系统，其中针对所述样品的所述信息进一步包括针对形成于所述样品上的图案化特征的信息，且其中凭经验或凭理论产生针对所述图案化特征的所述信息。
18.根据权利要求1所述的系统，其中所述基于学习的模型包括鉴别模型。
19.根据权利要求18所述的系统，其中所述鉴别模型包括支持向量机器、支持向量回归、卷积神经网络或递归神经网络。
20.根据权利要求1所述的系统，其中所述基于学习的模型包括参数或非参数贝氏方法。
21.根据权利要求20所述的系统，其中通过高斯混合模型、狄氏混合模型、高斯过程或深度高斯过程针对所述参数或非参数贝氏方法模型化似然概率。
22.根据权利要求20所述的系统，其中通过变分推论或马可夫链蒙地卡罗法针对所述参数或非参数贝氏方法模型化先验及后验。
23.根据权利要求1所述的系统，其中所述基于学习的模型包括生成模型。
24.根据权利要求23所述的系统，其中所述生成模型包括自动编码器变体、生成对抗网络、条件式生成对抗网络或深度生成模型。
25.根据权利要求1所述的系统，其中所述一或多个计算机子系统经配置以使用条件式生成对抗网络训练所述基于学习的模型。
26.根据权利要求25所述的系统，其中所述训练包括在所述条件式生成对抗网络的生成部分之前输入噪声。
27.一种存储程序指令的非暂时性计算机可读媒体，所述过程指令可在一或多个计算机系统上执行以执行用于为样品产生模拟输出的计算机实施方法，其中所述计算机实施方法包括：
使用所述一或多个计算机系统获取针对样品的信息，其中所述信息包括所述样品的实际光学图像、所述样品的实际电子束图像及针对所述样品的设计数据中的至少一者；及
将针对所述样品的所述信息输入到基于学习的模型中，其中所述基于学习的模型包含于由所述一或多个计算机系统执行的一或多个组件中，其中所述基于学习的模型经配置以映射光学图像、电子束图像与设计数据之间的三角关系，且其中所述基于学习的模型将所述三角关系应用到所述输入以借此为所述样品产生模拟输出。
28.一种用于为样品产生模拟输出的计算机实施方法，其包括：
使用一或多个计算机系统获取针对样品的信息，其中所述信息包括所述样品的实际光学图像、所述样品的实际电子束图像及针对所述样品的设计数据中的至少一者；及
将针对所述样品的所述信息输入到基于学习的模型中，其中所述基于学习的模型包含于由所述一或多个计算机系统执行的一或多个组件中，其中所述基于学习的模型经配置以映射光学图像、电子束图像与设计数据之间的三角关系，且其中所述基于学习的模型将所述三角关系应用到所述输入以借此为所述样品产生模拟输出。
CN201780006207.1A 2016-01-11 2017-01-10 为样品产生模拟输出 Active CN108463876B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662277321P 2016-01-11 2016-01-11
US62/277,321 2016-01-11
US15/402,094 US10043261B2 (en) 2016-01-11 2017-01-09 Generating simulated output for a specimen
US15/402,094 2017-01-09
PCT/US2017/012879 WO2017123555A1 (en) 2016-01-11 2017-01-10 Generating simulated output for a specimen

Publications (2)

Publication Number Publication Date
CN108463876A true CN108463876A (zh) 2018-08-28
CN108463876B CN108463876B (zh) 2020-10-09

Family

ID=59275867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780006207.1A Active CN108463876B (zh) 2016-01-11 2017-01-10 为样品产生模拟输出

Country Status (6)

Country Link
US (1) US10043261B2 (zh)
KR (1) KR102408319B1 (zh)
CN (1) CN108463876B (zh)
IL (1) IL260101B (zh)
TW (1) TWI713672B (zh)
WO (1) WO2017123555A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111213320A (zh) * 2017-10-17 2020-05-29 微软技术许可有限责任公司 数据读取和写入的机器学习优化
CN111352148A (zh) * 2018-12-20 2020-06-30 Fei公司 利用对束图像的卷积神经网络的评估进行的光学对准校正
CN112805635A (zh) * 2018-10-09 2021-05-14 应用材料公司 先进半导体工艺优化和制造期间的自适应控制
CN112889005A (zh) * 2018-10-17 2021-06-01 Asml荷兰有限公司 用于生成特性图案和训练机器学习模型的方法
CN113039488A (zh) * 2018-10-09 2021-06-25 Asml荷兰有限公司 校准多个计量设备的方法、确定感兴趣参数的方法以及计量设备
CN114599488A (zh) * 2019-10-28 2022-06-07 株式会社安川电机 机器学习数据生成装置、机器学习装置、作业系统、计算机程序、机器学习数据生成方法及作业机的制造方法

Families Citing this family (105)

* 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
US10648924B2 (en) * 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10706327B2 (en) * 2016-08-03 2020-07-07 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and storage medium
US10504004B2 (en) * 2016-09-16 2019-12-10 General Dynamics Mission Systems, Inc. Systems and methods for deep model translation generation
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10267748B2 (en) 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
JP6353008B2 (ja) * 2016-11-02 2018-07-04 ファナック株式会社 検査条件決定装置、検査条件決定方法及び検査条件決定プログラム
US10395358B2 (en) 2016-11-10 2019-08-27 Kla-Tencor Corp. High sensitivity repeater defect detection
US10565702B2 (en) * 2017-01-30 2020-02-18 Dongfang Jingyuan Electron Limited Dynamic updates for the inspection of integrated circuits
US11552985B2 (en) * 2017-02-17 2023-01-10 Nec Corporation Method for predicting events using a joint representation of different feature types
JP6922284B2 (ja) * 2017-03-15 2021-08-18 富士フイルムビジネスイノベーション株式会社 情報処理装置及びプログラム
US11341368B2 (en) * 2017-04-07 2022-05-24 Intel Corporation Methods and systems for advanced and augmented training of deep neural networks using synthetic data and innovative generative networks
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
CN110352432A (zh) * 2017-04-07 2019-10-18 英特尔公司 使用用于深度神经网络的改进的训练和学习的方法和系统
US10346974B2 (en) * 2017-05-18 2019-07-09 Toshiba Medical Systems Corporation Apparatus and method for medical image processing
US11237872B2 (en) 2017-05-23 2022-02-01 Kla-Tencor Corporation Semiconductor inspection and metrology systems for distributing job among the CPUs or GPUs based on logical image processing boundaries
US11035227B2 (en) 2017-07-14 2021-06-15 The Board Of Regents Of The University Of Oklahoma Generating spectral responses of materials
US10551827B2 (en) * 2017-07-25 2020-02-04 Kla-Tencor Corporation Hybrid inspection system for efficient process window discovery
WO2019028210A1 (en) * 2017-08-02 2019-02-07 Facet Labs, Llc INTELLIGENT DISTRIBUTED SYSTEMS FOR NETWORK DATA MANAGEMENT
US10782939B2 (en) * 2017-08-07 2020-09-22 Microsoft Technology Licensing, Llc Program predictor
US11079738B2 (en) * 2017-08-16 2021-08-03 General Electric Company Framework for rapid additive design with generative techniques
WO2019043780A1 (ja) * 2017-08-29 2019-03-07 ギガフォトン株式会社 データ解析装置、半導体製造システム、データ解析方法、及び半導体製造方法
US10699926B2 (en) 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
KR102132785B1 (ko) * 2017-08-31 2020-07-13 가부시끼가이샤 히다치 세이사꾸쇼 계산기, 처리의 제어 파라미터의 결정 방법, 대용 시료, 계측 시스템, 및 계측 방법
US10713534B2 (en) 2017-09-01 2020-07-14 Kla-Tencor Corp. Training a learning based defect classifier
US10607119B2 (en) 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
WO2019051356A1 (en) 2017-09-08 2019-03-14 The General Hospital Corporation SYSTEM AND METHOD FOR AUTOMATICALLY LABELING AND ANNOUNTING NON-STRUCTURED MEDICAL DATA SETS
US11093848B2 (en) * 2017-09-27 2021-08-17 Tibco Software Inc. Predictive engine for generating multivariate predictive responses
CN111279421B (zh) * 2017-09-29 2024-04-09 布里格姆妇女医院 人类胚胎的自动评价
US11475787B2 (en) * 2017-10-20 2022-10-18 Utah Valley University Nanotechnology fabrication in a virtual reality environment
JP7023669B2 (ja) * 2017-10-26 2022-02-22 株式会社Preferred Networks 画像生成方法、画像生成装置、及び画像生成プログラム
US11380594B2 (en) * 2017-11-15 2022-07-05 Kla-Tencor Corporation Automatic optimization of measurement accuracy through advanced machine learning techniques
US11137761B2 (en) 2017-11-20 2021-10-05 At&T Intellectual Property I, L.P. Object modeling with adversarial learning
US11022966B1 (en) * 2017-12-15 2021-06-01 Synopsys, Inc. Method of modeling e-beam photomask manufacturing process using image-based artificial neural networks
US10656518B2 (en) * 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
US10580673B2 (en) * 2018-01-05 2020-03-03 Kla Corporation Semiconductor metrology and defect classification using electron microscopy
CN108171769A (zh) * 2018-01-15 2018-06-15 成都睿码科技有限责任公司 一种基于dna的序列的人脸模型生成方法及人脸生成方法
JP7002949B2 (ja) * 2018-01-22 2022-01-20 株式会社日立ハイテク 画像評価方法及び画像評価装置
CN111512324A (zh) * 2018-02-07 2020-08-07 应用材料以色列公司 半导体样品的基于深度学习的检查的方法及其系统
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US10552714B2 (en) * 2018-03-16 2020-02-04 Ebay Inc. Generating a digital image using a generative adversarial network
US11170255B2 (en) 2018-03-21 2021-11-09 Kla-Tencor Corp. Training a machine learning model with synthetic images
US10670536B2 (en) 2018-03-28 2020-06-02 Kla-Tencor Corp. Mode selection for inspection
US10599951B2 (en) 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
CN110416111B (zh) * 2018-04-28 2022-05-27 北京北方华创微电子装备有限公司 实现多个腔室匹配的方法和实现多个腔室匹配的装置
US10620134B2 (en) 2018-05-11 2020-04-14 Kla-Tencor Corp. Creating defect samples for array regions
DE102018207882A1 (de) * 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells
DE102018207880A1 (de) 2018-05-18 2019-11-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
JP6962863B2 (ja) * 2018-05-25 2021-11-05 日本電子株式会社 荷電粒子線装置
JP7017985B2 (ja) * 2018-06-05 2022-02-09 株式会社日立製作所 システム及び処理条件の決定方法
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
US10621301B2 (en) * 2018-06-06 2020-04-14 International Business Machines Corporation Coordinates-based variational autoencoder for generating synthetic via layout patterns
JP7186521B2 (ja) * 2018-06-12 2022-12-09 シチズンファインデバイス株式会社 外観検査装置の教師画像生成装置
DE102018209562B3 (de) 2018-06-14 2019-12-12 Carl Zeiss Smt Gmbh Vorrichtungen und Verfahren zur Untersuchung und/oder Bearbeitung eines Elements für die Photolithographie
CN112313718A (zh) * 2018-06-28 2021-02-02 3M创新有限公司 材料样品的基于图像的新颖性检测
CN109061131A (zh) * 2018-06-29 2018-12-21 志诺维思（北京）基因科技有限公司 染色图片处理方法及装置
DE102018211099B4 (de) 2018-07-05 2020-06-18 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses
WO2020043525A1 (en) * 2018-08-28 2020-03-05 Asml Netherlands B.V. Systems and methods of optimal metrology guidance
EP3843627A4 (en) * 2018-08-31 2022-05-25 QT Imaging, Inc. MACHINE LEARNING APPLICATION TO ITERATIVE AND MULTIMODALITY IMAGE RECONSTRUCTION
CN109345469B (zh) * 2018-09-07 2021-10-22 苏州大学 一种基于条件生成对抗网络的oct成像中散斑去噪方法
KR102089014B1 (ko) * 2018-09-07 2020-03-13 연세대학교 산학협력단 피검사체의 뇌 활동을 재구성한 이미지 생성 장치 및 그 방법
US11087177B2 (en) * 2018-09-27 2021-08-10 Salesforce.Com, Inc. Prediction-correction approach to zero shot learning
US10930531B2 (en) * 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
US10657214B2 (en) * 2018-10-09 2020-05-19 Applied Materials, Inc. Predictive spatial digital design of experiment for advanced semiconductor process optimization and control
US11468553B2 (en) * 2018-11-02 2022-10-11 Kla Corporation System and method for determining type and size of defects on blank reticles
EP3807720B1 (en) 2018-11-07 2022-05-11 ASML Netherlands B.V. Method for configuring a semiconductor manufacturing process, a lithographic apparatus and an associated computer program product
EP3650939A1 (en) * 2018-11-07 2020-05-13 ASML Netherlands B.V. Predicting a value of a semiconductor manufacturing process parameter
US10796426B2 (en) * 2018-11-15 2020-10-06 The Gillette Company Llc Optimizing a computer vision inspection station
CN109522454B (zh) * 2018-11-20 2022-06-03 四川长虹电器股份有限公司 自动生成web样本数据的方法
TWI697846B (zh) 2018-11-26 2020-07-01 財團法人工業技術研究院 物體辨識方法及其裝置
US10825148B2 (en) * 2018-11-29 2020-11-03 Adobe Inc. Boundary-aware object removal and content fill
CN109816509A (zh) * 2018-12-14 2019-05-28 平安科技（深圳）有限公司 评分卡模型的生成方法、终端设备及介质
KR20200075344A (ko) 2018-12-18 2020-06-26 삼성전자주식회사 검출기, 객체 검출 방법, 학습기 및 도메인 변환을 위한 학습 방법
CN109782459B (zh) * 2018-12-24 2020-11-24 惠科股份有限公司 偏光片贴附检测方法、装置和显示装置
KR20240038156A (ko) 2018-12-31 2024-03-22 에이에스엠엘 네델란즈 비.브이. E-빔 이미지 향상을 위한 완전 자동화 sem 샘플링 시스템
CN109902709B (zh) * 2019-01-07 2020-12-08 浙江大学 一种基于对抗学习的工业控制系统恶意样本生成方法
US20200243165A1 (en) * 2019-01-28 2020-07-30 International Business Machines Corporation Prediction model for determining whether feature vector of data in each of multiple input sequences should be added to that of the other data in the sequence
CN110020593B (zh) * 2019-02-03 2021-04-13 清华大学 信息处理方法及装置、介质及计算设备
US10922808B2 (en) 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment
JP7108562B2 (ja) * 2019-02-22 2022-07-28 株式会社日立製作所 処理の制御パラメータの決定方法、及び計測システム
US11922301B2 (en) 2019-04-05 2024-03-05 Samsung Display Co., Ltd. System and method for data augmentation for trace dataset
US11551348B2 (en) 2019-04-09 2023-01-10 KLA Corp. Learnable defect detection for semiconductor applications
US20220206434A1 (en) * 2019-04-22 2022-06-30 The Regents Of The University Of California System and method for deep learning-based color holographic microscopy
CN110163796B (zh) * 2019-05-29 2023-03-24 北方民族大学 一种无监督多模态对抗自编码的图像生成方法及框架
TW202115390A (zh) 2019-06-06 2021-04-16 日商東京威力科創股份有限公司 基板檢查裝置、基板檢查系統及基板檢查方法
US11880193B2 (en) * 2019-07-26 2024-01-23 Kla Corporation System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
US11586982B2 (en) 2019-09-18 2023-02-21 Samsung Electronics Co., Ltd. Electronic and atomic structure computation utilizing machine learning
US11580650B2 (en) 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11537898B2 (en) 2019-10-02 2022-12-27 Samsung Electronics Co., Ltd. Generative structure-property inverse computational co-design of materials
US11087449B2 (en) 2019-10-24 2021-08-10 KLA Corp. Deep learning networks for nuisance filtering
CN110840482B (zh) * 2019-10-28 2022-12-30 苏州佳世达电通有限公司 超音波成像系统及其方法
CN111291639B (zh) * 2020-01-20 2023-05-16 西北工业大学 基于分层变分自编码的跨源舰船特征融合学习与识别方法
KR20210094314A (ko) 2020-01-21 2021-07-29 삼성전자주식회사 반도체 장치의 제조 방법
US11961219B2 (en) * 2020-02-27 2024-04-16 KLA Corp. Generative adversarial networks (GANs) for simulating specimen images
CN111462087B (zh) * 2020-04-01 2022-07-26 腾讯医疗健康(深圳)有限公司 基于人工智能的图像检测方法、装置、系统及存储介质
KR20210134129A (ko) * 2020-04-29 2021-11-09 삼성전자주식회사 웨이퍼 검사 장치 및 방법
US11415526B2 (en) 2020-05-06 2022-08-16 Kla Corporation Multi-controller inspection system
TWI758762B (zh) * 2020-06-24 2022-03-21 萬里雲互聯網路有限公司 兼顧不平衡資料集與高召回率要求的對抗樣本生成方法、系統及電腦可讀取記錄媒體
US11776108B2 (en) 2020-08-05 2023-10-03 KLA Corp. Deep learning based defect detection
US11748872B2 (en) * 2020-08-31 2023-09-05 KLA Corp. Setting up inspection of a specimen
WO2022058870A1 (en) * 2020-09-17 2022-03-24 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for registering images for electronic designs
US20220114717A1 (en) * 2020-10-09 2022-04-14 Nec Laboratories America, Inc. Distortion-based filtering for image classification
EP4050328A1 (en) * 2021-02-25 2022-08-31 ASML Netherlands B.V. Method to predict metrology offset of a semiconductor manufacturing process
TWI817680B (zh) * 2021-12-21 2023-10-01 鴻海精密工業股份有限公司 影像擴增方法以及裝置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1799045A (zh) * 2003-06-27 2006-07-05 音质技术公司 使用机器学习系统的对在半导体晶片上形成的结构的光学计量
US20070288219A1 (en) * 2005-11-18 2007-12-13 Khurram Zafar Methods and systems for utilizing design data in combination with inspection data
US20110310388A1 (en) * 2010-06-17 2011-12-22 Kla-Tencor Corporation Discrete polarization scatterometry
TW201448078A (zh) * 2013-02-25 2014-12-16 Kla Tencor Corp 通用化的虛擬檢驗器
TW201519346A (zh) * 2013-08-30 2015-05-16 Kla Tencor Corp 使用精確缺陷位置調整晶圓檢查配方
US20150204799A1 (en) * 2014-01-21 2015-07-23 International Business Machines Corporation Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services
CN108431587A (zh) * 2015-12-31 2018-08-21 科磊股份有限公司 混合检验器

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US6902855B2 (en) 2002-07-15 2005-06-07 Kla-Tencor Technologies Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns
US7729529B2 (en) 2004-12-07 2010-06-01 Kla-Tencor Technologies Corp. Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle
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
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
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
US8073240B2 (en) * 2007-05-07 2011-12-06 Kla-Tencor Corp. 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
US8213704B2 (en) 2007-05-09 2012-07-03 Kla-Tencor Corp. Methods and systems for detecting defects in a reticle design pattern
US8126255B2 (en) * 2007-09-20 2012-02-28 Kla-Tencor Corp. Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions
US9710903B2 (en) 2008-06-11 2017-07-18 Kla-Tencor Corp. System and method for detecting design and process defects on a wafer using process monitoring features
US8041106B2 (en) 2008-12-05 2011-10-18 Kla-Tencor Corp. Methods and systems for detecting defects on a reticle
US8775101B2 (en) * 2009-02-13 2014-07-08 Kla-Tencor Corp. Detecting defects on a wafer
US8648906B2 (en) * 2010-10-13 2014-02-11 Mitutoyo Corporation Precision solder resist registration inspection method
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
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
JP5880454B2 (ja) 2013-01-11 2016-03-09 富士ゼロックス株式会社 画像識別装置及びプログラム
KR102019534B1 (ko) * 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US9171364B2 (en) * 2013-06-21 2015-10-27 Kla-Tencor Corp. Wafer inspection using free-form care areas
US9293298B2 (en) 2013-12-23 2016-03-22 Kla-Tencor Corp. Defect discovery and inspection sensitivity optimization using automated classification of corresponding electron beam images
US9401016B2 (en) 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
US10267746B2 (en) 2014-10-22 2019-04-23 Kla-Tencor Corp. Automated pattern fidelity measurement plan generation
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1799045A (zh) * 2003-06-27 2006-07-05 音质技术公司 使用机器学习系统的对在半导体晶片上形成的结构的光学计量
US20070288219A1 (en) * 2005-11-18 2007-12-13 Khurram Zafar Methods and systems for utilizing design data in combination with inspection data
US20110310388A1 (en) * 2010-06-17 2011-12-22 Kla-Tencor Corporation Discrete polarization scatterometry
TW201448078A (zh) * 2013-02-25 2014-12-16 Kla Tencor Corp 通用化的虛擬檢驗器
TW201519346A (zh) * 2013-08-30 2015-05-16 Kla Tencor Corp 使用精確缺陷位置調整晶圓檢查配方
US20150204799A1 (en) * 2014-01-21 2015-07-23 International Business Machines Corporation Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services
CN108431587A (zh) * 2015-12-31 2018-08-21 科磊股份有限公司 混合检验器

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111213320A (zh) * 2017-10-17 2020-05-29 微软技术许可有限责任公司 数据读取和写入的机器学习优化
CN112805635A (zh) * 2018-10-09 2021-05-14 应用材料公司 先进半导体工艺优化和制造期间的自适应控制
CN113039488A (zh) * 2018-10-09 2021-06-25 Asml荷兰有限公司 校准多个计量设备的方法、确定感兴趣参数的方法以及计量设备
CN113039488B (zh) * 2018-10-09 2024-03-01 Asml荷兰有限公司 校准多个计量设备的方法、确定感兴趣参数的方法以及计量设备
CN112889005A (zh) * 2018-10-17 2021-06-01 Asml荷兰有限公司 用于生成特性图案和训练机器学习模型的方法
CN111352148A (zh) * 2018-12-20 2020-06-30 Fei公司 利用对束图像的卷积神经网络的评估进行的光学对准校正
CN111352148B (zh) * 2018-12-20 2022-12-20 Fei公司 利用对束图像的卷积神经网络的评估进行的光学对准校正
CN114599488A (zh) * 2019-10-28 2022-06-07 株式会社安川电机 机器学习数据生成装置、机器学习装置、作业系统、计算机程序、机器学习数据生成方法及作业机的制造方法

Also Published As

Publication number Publication date
US20170200265A1 (en) 2017-07-13
IL260101A (en) 2018-07-31
KR102408319B1 (ko) 2022-06-10
CN108463876B (zh) 2020-10-09
TW201734955A (zh) 2017-10-01
IL260101B (en) 2020-06-30
TWI713672B (zh) 2020-12-21
WO2017123555A1 (en) 2017-07-20
US10043261B2 (en) 2018-08-07
KR20180095708A (ko) 2018-08-27

Similar Documents

Publication Publication Date Title
CN108463876A (zh) 为样品产生模拟输出
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
JP6758418B2 (ja) 半導体用途のための、入力画像からのシミュレーション画像の生成
CN109844918A (zh) 用于经配置用于半导体应用的深度学习模型的诊断系统及方法
EP3465552B1 (en) Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
JP6893514B2 (ja) ハイブリッドインスペクタ
US10360477B2 (en) Accelerating semiconductor-related computations using learning based models
US10607119B2 (en) Unified neural network for defect detection and classification
CN108351600B (zh) 从设计信息产生模拟图像
JP6941103B2 (ja) 半導体用途のための機械学習ベースのモデルの加速トレーニング
CN108475417A (zh) 针对半导体应用由低分辨率图像产生高分辨率图像
TW202004513A (zh) 用於缺陷分類器訓練之主動學習
KR20200038551A (ko) 학습 기반 결함 분류기의 트레이닝
CN110494894A (zh) 基于轮廓的缺陷检测
KR20190141787A (ko) 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식
CN108463874A (zh) 基于图像的样品过程控制

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