CN110060228A - 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统 - Google Patents

用于分类半导体缺陷的半导体缺陷分类设备、方法及系统 Download PDF

Info

Publication number
CN110060228A
CN110060228A CN201811538781.4A CN201811538781A CN110060228A CN 110060228 A CN110060228 A CN 110060228A CN 201811538781 A CN201811538781 A CN 201811538781A CN 110060228 A CN110060228 A CN 110060228A
Authority
CN
China
Prior art keywords
semiconductor
defect
image
feature
sorting device
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.)
Pending
Application number
CN201811538781.4A
Other languages
English (en)
Inventor
权男暎
姜孝馨
金容德
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN110060228A publication Critical patent/CN110060228A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H01L21/67271—Sorting devices
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G06T2207/10—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
    • G06T2207/20072—Graph-based 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
    • G06T2207/20076—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

一种半导体缺陷分类设备包括：特征提取器，被配置为接收晶片上的半导体图案的图像并从图像中提取该图像的特征；以及分类器，被配置为接收该图像的特征和与晶片相关的第一元信息，并使用机器学习来基于该图像的特征和第一元信息对与图像相关联的半导体图案的缺陷进行分类。

Description

用于分类半导体缺陷的半导体缺陷分类设备、方法及系统
相关申请的交叉引用
本申请要求于2017年12月19日在韩国知识产权局递交的韩国专利申请No.10-2017-0174886的优先权，其全部内容通过引用合并在此。
技术领域
本文所描述的发明构思的实施例涉及半导体器件，并且更具体地涉及半导体缺陷分类设备、半导体缺陷分类方法和半导体缺陷分类系统。
背景技术
通过各种工艺制造半导体器件。随着用于设计半导体器件的技术的发展，用于制造半导体器件的工艺的数量可能增大，并且每个工艺的复杂性可能增加。随着工艺的数量和复杂性的增加，在制造半导体器件的过程中可能出现各种缺陷。
可以检测半导体缺陷以意图校正半导体缺陷的起因。用于检测半导体缺陷的方法之一是视觉方法。根据视觉方法，基于半导体器件的一个或多个图像对半导体缺陷进行分类。
通常，半导体制造过程的管理者可以使用视觉方法手动地对半导体缺陷进行分类。但是，管理者对缺陷进行分类的准确度或可靠性可能随着管理者识别缺陷的技能而变化。此外，由于管理者的累积疲劳，可能存在与视觉方法相关联的时间限制。
发明内容
本发明构思的实施例提供用于在制造半导体器件的过程中无需依赖人工缺陷评估而对半导体缺陷进行分类的半导体缺陷分类设备、半导体缺陷分类方法和半导体缺陷分类系统。
根据示例实施例，半导体缺陷分类设备包括：特征提取器，被配置为接收晶片上的半导体图案的图像，并从该图像中提取图像的特征；以及分类器，被配置为接收图像的特征和与晶片相关的第一元信息，并且使用机器学习来基于图像的特征和第一元信息对与图像相关联的半导体图案的缺陷进行分类。
根据示例实施例，一种对半导体缺陷进行分类的方法包括：接收晶片上的半导体图案的图像；从图像中提取图像的特征；接收与图像相关联的元信息；以及使用机器学习，基于特征和元信息来对半导体图图案的缺陷进行分类。
根据示例实施例，半导体缺陷分类系统包括：制造设备，被配置为在晶片中生成半导体图案；成像设备，被配置为生成半导体图案的图像；半导体缺陷分类设备，被配置为使用机器学习来对由成像设备生成的图像执行缺陷分类，以对半导体图案的缺陷进行分类。
附图说明
通过参照附图详细描述本发明构思的示例实施例，本发明构思的上述和其他目的和特征将变得显而易见。
图1是示出了根据本发明构思的第一实施例的半导体缺陷分类系统的框图。
图2是示出了根据本发明构思的一些实施例的半导体缺陷分类设备的操作方法的流程图。
图3是示出了根据本发明构思的一些实施例的分类设备的示例的框图。
图4示出了根据本发明构思的一些实施例的通过卷积神经网络的多个层来提取图像之一的特征的示例。
图5进一步示出了根据本发明构思的一些实施例的通过卷积神经网络的多个层来提取图像之一的特征的示例。
图6示出了根据本发明构思的一些实施例的分类器通过使用基于机器学习的决策树来执行缺陷分类的示例。
图7示出了根据本发明构思的一些实施例的分类器通过使用基于机器学习的神经网络来执行缺陷分类的示例。
图8示出了根据本发明构思的一些实施例的分类器通过使用基于机器学习的支持向量机来执行缺陷分类的示例。
图9是示出了根据本发明构思的第二实施例的半导体缺陷分类系统的框图。
图10是示出了根据本发明构思的一些实施例的图9的半导体缺陷分类设备的操作方法的流程图。
图11是示出了根据本发明构思的一些实施例的包括分类设备和偏移对准设备的半导体缺陷分类设备的框图。
图12是示出了根据本发明构思的第三实施例的半导体缺陷分类系统的框图。
图13是示出了根据本发明构思的一些实施例的图12的半导体缺陷分类设备的操作方法的流程图。
图14是示出了根据本发明构思的第四实施例的半导体缺陷分类系统的框图。
图15是示出了根据本发明构思的第五实施例的半导体缺陷分类系统的框图。
具体实施方式
在下文中，将参照附图详细描述本发明构思的实施例。贯穿附图的描述，相似的附图标记指代相似的元件。应注意的是，相对于一个实施例描述的本发明的各方面可以并入不同的实施例中，尽管没有关于此进行具体描述。也就是说，能够用任意方式和/或组合来组合所有实施例和/或任意实施例的特征。
通过使用包括例如蚀刻抛光等各种不同的工艺来制造半导体器件。然而，这些工艺可能在构成半导体器件的各个层和区域中生成缺陷。一些缺陷检测方法依赖于人工检查和评估半导体器件、晶片等的图像。这种检测方法的可靠性可以取决于检查图像的人员的技能及其在检查时的状态。例如，如果人员在执行检查时感到疲倦，则可能会遗漏缺陷或将缺陷进行错误分类。本发明构思的一些实施例可以提供利用机器学习来构建基于半导体图案的图像的知识数据库，并且分析半导体图案的图像以及其他元信息，从而对半导体器件中的潜在缺陷进行分类和识别的设备、系统和方法。在检测到一个或多个缺陷时，可以改变在半导体晶片上制造或形成器件中使用的一个或多个工艺和/或操作，以降低未来的缺陷的可能性。在一些实施例中，响应于一个或多个缺陷的识别和/或分类，可以使半导体器件制造工艺和操作的改变自动化。与手动缺陷检测方法相比，这种自动缺陷检测和分类方法可以提供更大的一致性和改进的识别缺陷。
图1是示出了根据本发明构思的第一实施例的半导体缺陷分类系统10a的框图。参照图1，半导体缺陷分类系统10a包括晶片20、制造设备30、自动缺陷检查设备40、成像设备50、图像存储设备60、缺陷图像数据库70和半导体缺陷分类设备100a。
晶片20可以被用作半导体的基板。例如，晶片20可以包括具有半导体特性的材料，例如硅(Si)、砷化镓(GaAs)等。制造设备30可以应用用于在晶片20上制造半导体的各种工艺。
例如，制造设备30可以被配置为在晶片20上顺序地执行各种工艺，例如蚀刻、沉积、平坦化等。制造设备30可以在晶片20上执行各种工艺，以在晶片20上形成各种半导体图案。
制造设备30可以被配置为输出与制造晶片20相关的信息作为第一元信息MI1。例如，第一元信息MI1可以包括与制造设备30的种类或类型相关的信息、与对晶片20进行处理相关的信息、与将要通过对晶片20进行处理来制造的半导体器件的种类或类型相关的信息等。
第一元信息MI1还可以包括与由制造设备30对晶片20进行处理所使用的工艺的种类相关的信息。例如，第一元信息MI1可以包括：在自动缺陷检查设备40的前一次检查与当前检查之间，或者在成像设备50的前一次成像与当前成像之间，与制造设备30应用于晶片20的工艺的种类(或多种工艺的多种种类)相关的信息。
第一元信息MI1还可以包括与制造设备30相对于晶片20所执行的工艺步骤有关的信息。例如，第一元信息MI1可以包括：与在晶片20上执行的工艺中的、在自动缺陷检查设备40的当前检查之前或者在成像设备50的当前成像之前在晶片20上被执行的工艺有关的信息。
自动缺陷检查设备40可以被配置为检查晶片20的半导体图案中是否存在缺陷。根据本发明构思的各种实施例，可以在于晶片20上执行每种工艺之后、在执行特定数量的工艺之后、和/或在执行工艺中的被指定为检查点的一种工艺之后，执行检查。自动缺陷检查设备40可以被配置为：向成像设备50传输与预测的缺陷位置相对应的位置(或多个位置)的位置信息LI。
成像设备50可以被配置为基于位置信息LI来产生位置的图像，该位置被预测为晶片20上的半导体图案中存在缺陷的位置。例如，成像设备50可以包括SEM(扫描电子显微镜)设备或OM(光学显微镜)设备。
成像设备50可以被配置为：基于SEM成像来输出高分辨率图像HRI、低分辨率图像LRI和/或参考图像RI。成像设备50可以被配置为基于IM成像来输出光学图像OI。
高分辨率图像HRI和低分辨率图像LRI可以是被预测为存在一个或多个缺陷的位置的位置的图像，即，基于位置信息LI的位置的图像。参考图像RI可以具有与低分辨率图像LRI相同的分辨率。参考图像RI可以是其中不存在缺陷的位置的图像。
例如，参考图像RI可以是晶片20上的不与位置信息L1相关联的任何位置的图像。晶片20上的捕获参考图像RI的位置可以由成像设备50随机地选择，或者可以由管理者指定。
成像设备50可以被配置为：输出与成像设备50相关的信息和/或与对晶片20的半导体图案进行成像相关的信息来作为第二元信息MI2。例如，第二元信息MI2可以包括以下类型的信息中的一种或多种，包括但不限于：与成像设备50的种类相关的信息，与成像设备50在拍摄晶片20的半导体图案的图像时的距离、位置或角度相关的信息，以及与晶片20上的被估计为具有缺陷的位置相关的信息。
图像存储设备60可以被配置为存储从成像设备50输出的高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI。图像存储设备60可以被配置为：响应于请求而输出高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI。
图像存储设备60可以包括以下中的一个或多个：诸如动态随机存取存储器(DRAM)或静态随机存取存储器(SRAM)等易失性存储器，或诸如闪存、磁性RAM(MRAM)、相变RAM(PRAM)、铁电RAM(FRAM)或电阻式RAM(RRAM)等非易失性存储器。
半导体缺陷分类设备100a可以从图像存储设备60接收高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI。半导体缺陷分类设备100a可以从制造设备30接收第一元信息MI1，并且可以从成像设备50接收第二元信息MI2。
半导体缺陷分类设备100a可以被配置为：通过使用高分辨率图像HRI、低分辨率图像LRI、参考图像RI、光学图像OI、第一元信息MI1、第二元信息MI2和/或第三元信息MI3，基于机器学习来对与具有缺陷的图像相关联的晶片20的半导体图案进行分类(或确定)。
例如，第三元信息MI3可以包括与半导体缺陷分类设备100a的机器学习相关联的内部信息。第三元信息MI3可以包括与创建器相关的信息，该创建器生成在半导体缺陷分类设备100a的机器学习能力中使用的训练数据。
半导体缺陷分类设备100a可以包括：分类设备110，其被配置为通过使用高分辨率图像HRI、低分辨率图像LRI、参考图像RI、光学图像OI和第一元信息MI1至第三元信息MI3基于机器学习来对缺陷进行分类。分类设备110可以被配置为输出分类结果CR。
例如，可以基于先前被分类为具有缺陷的半导体图案的图像来进行机器学习。可以基于机器学习的结果从半导体图案的图像中生成用于对缺陷或正常状态进行分类的分类器。分类设备110可以加载有基于机器学习的分类器，并且可以对图像执行分类。
如果分类结果CR指示缺陷，则与图像相关联的半导体图案被分类为具有缺陷。可以向管理者提供分类结果CR。如果分类结果CR指示缺陷，则可以将高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI存储在缺陷图像数据库70中。
如果分类结果CR指示正常状态，则可以将与图像相关联的半导体图案分类为没有缺陷。可以向管理者提供分类结果CR。如果分类结果CR指示正常状态，则可以不将高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI存储在缺陷图像数据库70中。
缺陷图像数据库70可以存储被半导体缺陷分类设备100a分类为缺陷的半导体图案的图像。如果满足学习条件，则可以通过使用存储在缺陷图像数据库70中的图像来执行机器学习能力。
例如，可以通过使用存储在缺陷图像数据库70中的图像的机器学习能力来更新加载到分类设备110的分类器。例如，可以在各种情况中的一个或多个中满足学习条件，例如：当存储在缺陷图像数据库70中的图像的数量、图像的容量或图像被存储的时间达到特定值时，或者当基于机器学习的分类的性能降低时。作为另一示例，可以在管理者的控制下满足学习条件。
图2是示出了根据本发明构思的一些实施例的半导体缺陷分类设备100a的操作的流程图。图2中示出了对位置信息LI中包括的位置中的一个位置的半导体图案的缺陷进行分类的示例。
参照图1和图2，在框S110处，半导体缺陷分类设备100a可以收集图像。例如，半导体缺陷分类设备100a可以收集高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI。
例如，为了执行缺陷分类，半导体缺陷分类设备100a的分类设备110可以通过组合高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI来生成一个图像，并且可以基于所生成的图像来执行缺陷分类。
又例如，半导体缺陷分类设备100a的分类设备110可以接收高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI，并且可以通过单独地使用所接收的图像HRI、LRI、RI和OI来执行缺陷分类。
在框S120处，半导体缺陷分类设备100a的分类设备110可以接收第一元信息MI1至第三元信息MI3。在框S130处，半导体缺陷分类设备100a的分类设备110可以通过使用高分辨率图像HRI、低分辨率图像LRI、参考图像RI、光学图像OI和第一元信息MI1至第三元信息MI3来执行缺陷分类。
在框S140处，确定分类结果CR是否指示缺陷。如果分类结果CR指示缺陷，则操作在框S150处继续，在框S150中可以将高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI存储在缺陷图像数据库70中。此外，可以向管理者提供指示半导体图案具有缺陷的通知。
如果在框S140处确定了分类结果CR不指示缺陷，即，分类结果CR指示正常状态，则操作在框S160处继续，在框S160中可以向管理者提供指示半导体图案没有缺陷的通知。
参照图2描述关于包括在位置信息LI中的位置进行分类的示例。如果更换晶片20，则可以从更换的晶片中检测位置信息LI，并且可以基于位置信息LI进行参照图2所描述的分类。
根据本发明构思的一些实施例，基于机器学习对缺陷进行分类，其中高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI都被应用于该机器学习。因此，与基于高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI中的一部分进行的缺陷分类的可靠性相比较，基于高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI中的全部进行的缺陷分类的可靠性得到提高。
根据本发明构思的一些实施例，通过使用与制造设备30相关联的第一元信息MI1来对缺陷进行分类。因为通过使用制造设备30的特性或应用于晶片20的工艺的特性来对缺陷进行分类，所以可以提高缺陷分类的可靠性。而且，因为将与处理步骤相关的信息应用于缺陷分类，所以不需要针对每个处理步骤来提供单独的分类器。
根据本发明构思的一些实施例，通过使用与成像设备50相关联的第二元信息MI2来对缺陷进行分类。因为通过使用成像设备50的特性或者进行成像的环境的特性来对缺陷进行分类，所以可以提高缺陷分类的可靠性。
根据本发明构思的一些实施例，通过使用与生成机器学习能力的数据的创建器(例如，手动地执行分类的分类器)相关联的第三元信息MI3来对缺陷进行分类。因此，由于应用了创建器的趋势、能力等，所以提高了缺陷分类的可靠性。
图3是示出了根据本发明构思的一些实施例的分类设备110的示例的框图。参照图1和图3，分类设备110包括第一特征提取器111至第五特征提取器115、比较器116和分类器117。
第一特征提取器111可以被配置为从低分辨率图像LRI中提取特征。例如，第一特征提取器111可以基于机器学习从低分辨率图像LRI中提取特征。例如，第一特征提取器111可以通过使用堆叠卷积神经网络(CNN)来提取低分辨率图像LRI的特征。
第二特征提取器112至第五特征提取器115可以被配置为通过使用机器学习能力(例如，卷积神经网络(CNN))来提取参考图像RI的特征、低分辨率图像LRI的特征、高分辨率图像HRI的特征和光学图像OI的特征。例如，每个图像的特征可以以空间矢量的形式出现。
在一些实施例中，第一特征提取器111和第二特征提取器112被配置为提取特征以便将低分辨率图像LRI与参考图像RI进行比较。为了合适的比较，第一特征提取器111和第二特征提取器112可以具有相同的特性(例如，层的结构)并且可以使用相同的参数(例如，突触)。
第三特征提取器113至第五特征提取器115可以具有与第一特征提取器111和第二特征提取器112相同或不同的特性，并且可以使用与第一特征提取器111和第二特征提取器112相同或不同的参数。第三特征提取器113至第五特征提取器115可以具有彼此相同或不同的特性，并且可以使用彼此相同或不同的参数。
比较器116可以被配置为将低分辨率图像LRI的特征与参考图像RI的特征进行比较。例如，比较器116可以检测低分辨率图像LRI的特征与参考图像RI的特征之间的差异。比较器116的比较结果可以仅示出低分辨率图像LRI的特征与参考图像RI的特征之间的差异。因此，即使半导体图案的复杂性可能相对较高并且缺陷的大小可能相对较小，也可以有效地显示该缺陷。
在其他实施例中，分类器117可以被配置为：通过使用由第三特征提取器113至第五特征提取器115提取的特征和第一元信息MI1至第三元信息MI3而不使用比较器116的比较结果，来执行基于机器学习的缺陷分类。
分类器117可以接收比较器116的输出、和第三特征提取器113至第五特征提取器115的输出。分类器117可以接收第一元信息MI1至第三元信息MI3。分类器117可以被配置为：通过使用比较器116的输出、第三特征提取器113至第五特征提取器115的输出以及第一元信息MI1至第三元信息MI3，来执行基于机器学习的缺陷分类。
分类器117可以被配置为输出执行缺陷分类的结果作为分类结果CR。例如，分类器117可以基于各种机器学习算法(例如但不限于：决策树、神经网络、支持向量机(SVM)等)中的至少一种或多种来执行缺陷分类。
在本发明构思的一些实施例中，分类器117可以被配置为通过使用第一元信息MI1至第三元信息MI3来执行缺陷分类。然而，在其他实施例中，分类器117可以被配置为通过使用第一元信息MI1至第三元信息MI3中的至少一个来执行缺陷分类。
图4示出了根据本发明构思的一些实施例的通过卷积神经网络(CNN)的多个层来提取图像(例如，HRI、LRI、RI和OI)中的一个的特征的示例。下面，将通过使用各种数值来更全面地描述每个层，这些数值仅用于描述性目的。可以基于输入图像的形式或卷积神经网络(CNN)的堆叠形式来修改或改变这些数值，并且这些数值不限制本发明构思。
参照图3和图4，图像数据IMG的大小可以是28×28×1(宽度(X1)28、高度(Y1)28、通道(CH1)1)。例如，可以通过像素数据项的数量来测量图像数据IMG的大小。
第一卷积层CL1可以应用于图像数据IMG。第一卷积层CL1可以包括第一核K1和第一偏置B1。每个第一核K1的大小可以是5×5×1(宽度(X2)5、高度(Y2)5、通道(CH2)1)。每个第一核K1的通道CH2的大小可以与输入数据的大小(即，图像数据IMG的通道CH1的大小)相同。
第一核K1的数量M1可以是“20”。第一核K1的数量M1可以与通过第一卷积层CL1输出的数据的通道数量相同。例如，可以利用将要通过图像数据IMG计算的突触的数量来测量第一核K1的大小。第一偏置B1可以包括20个突触，突触的数量与第一核K1的数量M1相同。
当第一卷积层CL1应用于图像数据IMG时，可以选择第一核K1中的一个核。可以用图像数据IMG计算所选择的核作为第一窗口W1。第一窗口W1可以沿着图像数据IMG上的预定方向移动。
下面，将通过使用术语“位置”来描述各种窗口的移动。例如，窗口的位置可以指示输入数据上的与属于该窗口的特定突触(例如，窗口中最左上方的突触)相对应的位置。例如，窗口的位置可以指示特定突触在水平方向“X”和竖直方向“Y”上与输入数据的像素数据的任何像素数据重叠。
例如，第一窗口W1可以在水平方向“X”上(例如，从左到右)从所选择的第一竖直方向“Y”的位置移动。如果第一窗口W1从所选择的第一竖直位置移动到最右侧，则可以选择在所选择的第一竖直方向“Y”的位置下方的第二竖直方向“Y”的位置。第一窗口W1可以在水平方向“X”上(例如，从左到右)从所选择的第二竖直方向“Y”的位置移动。
在第一窗口W1的每个位置处，可以计算与第一窗口W1相对应的图像数据IMG的像素数据和第一窗口W1的突触的突触数据。可以将与从第一偏置B1的突触中选择的核的位置相对应的突触的突触数据添加到计算结果或从计算结果中减去。被施加有偏置的数据可以形成输出数据(例如，第一卷积数据CD1)的一个位置的数据(例如，样本数据)。
例如，其中设置有样本数据的第一卷积数据CD1的通道的位置可以与从第一核K1中选择的核的位置相对应。其中设置有样本数据的第一卷积数据CD1的X3×Y3位置可以与第一窗口W1的图像数据IMG上的位置相对应。
如果第一核K1中的一个核的突触和第一偏置B1的一个突触被应用于图像数据IMG，则可以生成第一卷积数据CD1的一个通道的数据。如果顺序地应用20个第一核K1，则可以顺序地生成第一卷积数据CD1的20个通道。在实施例中，第一核K1可以分别与不同的图像滤波器相对应。第一卷积数据CDl可以是通过应用20个不同滤波器而获得的一组结果。
因为所选择的核的大小为5×5(宽度(X2)5、高度(Y5)5)，所以第一卷积数据CD1的每个通道的大小可以小于图像数据IMG的大小。例如，根据相对于第一窗口W1的最左上方点计算第一窗口W1在图像数据IMG上移动的空间的结果，第一窗口W1可以设置在水平X1中的24个不同位置处，并且可以设置在竖直Y1中的24个不同位置处。
因此，第一卷积数据CD1的大小可以是24×24×20(宽度(X3)24、高度(Y3)24、通道(CH3)20)。例如，第一卷积数据CD1的大小可以通过样本数据项的数量来测量。
第一子采样层SS1可以应用于第一卷积数据CD1。第一子采样层SS1可以包括第一子采样核SW1。第一子采样核SW1的大小可以是2×2×1(宽度(X4)2、高度(Y2)2、通道(CH4)1)。
可以选择第一子采样核SW1作为第二窗口W2。第二窗口W2可以移动到第一卷积数据CD1上。例如，可以顺序地选择第一卷积数据CD1的20个通道，并且第二窗口W2可以移动到所选择的通道上。
在所选择的频道中，第二窗口W2可以以与第一窗口W1相同的方式来移动。可以在第二窗口W2的每个位置处执行子采样。例如，子采样可以包括在与第二窗口W2的每个位置相对应的数据中选择具有最大值的数据。
对所选择的通道的所选择的位置执行子采样的结果可以形成第一子采样层SS1的输出数据(例如，第一子采样数据SD1)的对应通道的对应位置的数据(例如，样本数据)的一个实例。
在一个实施例中，可以将第二窗口W2的步幅设置为“2”。步幅可以指示当第二窗口W2移动时在从当前位置移动到下一位置时的位置差异。例如，步幅可以指示在第一位置与紧接在第一位置之后的第二位置之间的位置差异。
第一子采样数据SD1的大小可以是12×12×20(宽度(X5)12、高度(Y5)12、通道(CH5)20)。例如，第一子采样数据SD1的大小可以通过样本数据项的数量来测量。第二卷积层CL2可以应用于第一子采样数据SD1。
第二卷积层CL2可以包括第二核K2和第二偏置B2。每个第二核K2的大小可以是5×5×20(宽度(X6)5、高度(Y6)5、通道(CH6)20)。第二核K2的数量M2可以是“50”。第二偏置B2可以包括与第二核K2的数量M2相对应的50个突触。
每个第二核K2的通道CH6的数量与第一子采样数据SD1的通道CH5的数量相同。因此，第二卷积层CL2可以以与第一卷积层CL1相同的方式应用于第一子采样数据SD1。
例如，在所选择的一个核中，可以在第一子采样数据SD1上的特定位置处计算与20个通道相对应的像素数据和与20个通道相对应的突触。除了在一个位置处计算的像素数据和突触的通道数量增加之外，第二卷积层CL2可以应用为与第一卷积层CL1相同。
通过应用第二卷积层CL2获得的结果数据可以是第二卷积数据CD2。第二卷积数据CD2的大小可以是8×8×50(宽度(X7)8、高度(Y7)8、通道(CH7)50)。可以通过样本数据项的数量来测量第二卷积数据CD2的大小。
可以将第二子采样层SS2应用于第二卷积数据CD2。第二子采样层SS2可以包括第二子采样核SW2。第二子采样核SW2的大小可以是2×2×1(宽度(X8)2、高度(Y8)2、通道(CH8)1)。可以以与将第一子采样层SS1应用于第一卷积数据CD1的方式相同的方式来将第二子采样层SS2应用于第二卷积数据CD2。
通过应用第二子采样层SS2获得的结果数据可以是第二子采样数据SD2。第二子采样数据SD2的大小可以是4×4×50(宽度(X9)4、高度(Y9)4、通道(CH9)50)。可以通过样本数据的数量来测量第二子采样数据SD2的大小。
图5还示出了根据本发明构思的一些实施例的通过卷积神经网络(CNN)的多个层提取图像(例如，HRI、LRI、RI和OI)中的一个的特征的示例。参照图3至图5，可以将第一完全连接层FL1应用于第二子采样数据SD2。第一完全连接层FL1可以包括第一完全连接核FM1。第一完全连接核FM1的大小可以是500×800(宽度(X10)500、高度(Y10)800)。
在实施例中，第一完全连接核FM1的宽度(X10)的大小可以与第二子采样数据SD2的采样数据的数量相对应，并且其高度(Y10)的大小可以与作为应用第一完全连接层FL1的结果的第一完全连接数据FD1的采样数据的数量相对应。
然而，第一完全连接核FM1的大小可以随着完全连接结构、隐藏层的数量等而变化。在实施例中，第一完全连接层FL1还可以包括偏置。例如，偏置可以是被添加到应用第一完全连接核FM1的结果或从该结果中减去的值。偏置可以包括一个值，或者可以包括随位置变化的值。
第一完全连接数据FD1的长度L1可以是“500”。第一完全连接数据FD1的长度L1可以指示样本数据的数量。可以将激活层AL应用于第一完全连接数据FD1。激活层AL可以包括激活核AF。激活核AF可以将样本数据的值限制为给定范围内的值，如S形函数。
应用激活层AL的结果可以是激活数据AD。激活数据AD的长度L2可以与第一完全连接数据FD1的长度L1相同，即“500”。可以将第二完全连接层FL2应用于激活数据AD。第二完全连接层FL2可以包括第二完全连接核FM2。第二完全连接核FM2的大小可以是10×500(宽度(X11)10、高度(Y11)500)。
在实施例中，第二完全连接核FM2的宽度(X11)的大小可以与激活数据AD的采样数据的数量相对应，并且第二完全连接核FM2的高度(Y11)的大小可以与作为应用第二完全连接层FL2的结果的第二完全连接数据FD2的采样数据的数量相对应。然而，第二完全连接核FM2的大小可以随着完全连接结构、隐藏层的数量等而变化。
第二完全连接数据FD2可以包括与图像数据IMG的特征相关的信息。第二完全连接数据FD2可以以空间矢量的形式出现。第一特征提取器111至第五特征提取器115可以通过将参照图4和图5所描述的卷积神经网络CNN分别应用于低分辨率图像LRI、参考图像RI、高分辨率图像HRI和光学图像OI来检测每个图像的特征。
在实施例中，应用于高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI的卷积神经网络可以彼此相同或不同。例如，应用于高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI的层的数量、层的种类、层的大小、层的特征(例如，步幅、突触值等)可以彼此相同或不同。
在实施例中，分类器117可以被配置为通过使用参照图4和图5所描述的卷积神经网络CNN来执行缺陷分类。例如，分类器117可以将比较器116的输出和第三特征提取器113至第五特征提取器115的输出进行组合，并且可以使用所组合的结果作为替换图4的图像数据IMG的输入数据。分类器117可以被配置为：通过使用图5的第二完全连接数据FD2(例如空间矢量)的值来执行缺陷分类。
图6示出了根据本发明构思的一些实施例的分类器117通过使用基于机器学习的决策树来执行缺陷分类的示例。参照图3和图6，分类器117可以执行分类模块CF1。分类模块CFI包括根节点RN、第一分支节点BN1至第四分支节点BN4、以及第一叶节点LN1至第六叶节点LN6。根节点RN、第一分支节点BN1至第四分支节点BN4以及第一叶节点LN1至第六叶节点LN6可以通过分支连接。
在根节点RN和第一分支节点BN1至第四分支节点BN1中的每一个中，可以相对于比较器116的输出、第三特征提取器113至第五特征提取器115的输出以及第一元信息MI1至第三元信息MI3中的至少一个执行比较。基于比较结果选择连接到每个节点的多个分支中的一个。如果下一个分支节点连接到所选择的分支，则可以在下一个分支节点处进一步执行比较。
如果叶节点连接到所选择的分支，则可以基于叶节点的值对半导体图案的缺陷进行分类。在实施例中，可以在根节点RN处对比较器116的输出、第三特征提取器113至第五特征提取器115的输出以及第一元信息MI1至第三元信息MI3中具有最高选择性的信息进行比较。
图7示出了根据本发明构思的一些实施例的分类器117通过使用基于机器学习的神经网络来执行缺陷分类的示例。参照图3和图7，分类器117可以执行分类模块CF2。
分类模块CF2包括第一输入节点IN1至第四输入节点IN4、第一隐藏节点HN1至第十隐藏节点HN10、以及输出节点ON。可以在构造神经网络时提前确定输入节点的数量、隐藏节点的数量和输出节点的数量。
第一输入节点IN1至第四输入节点IN4形成输入层。第一隐藏节点HN1至第五隐藏节点HN5形成第一隐藏层。第六隐藏节点HN6至第十隐藏节点HN10形成第二隐藏层。输出节点ON形成输出层。可以在构建神经网络时提前确定隐藏层的数量。
比较器116的输出、第三特征提取器113至第五特征提取器115的输出以及第一元信息MI1至第三元信息MI3可以向第一输入节点IN1至第四输入节点IN4进行输入。可以向不同的输入节点输入特征或不同种类的元信息。向第一隐藏层的第一隐藏节点HN1到第五隐藏节点HN5传输每个输入节点的信息，其中将权重应用于其信息。
向第二隐藏层的第六隐藏节点HN6至第十隐藏节点HN10传输第一隐藏节点HN1至第五隐藏节点中的每一个的输入，其中将权重应用于其输入。向输出节点ON传输第六隐藏节点HN1至第十隐藏节点HN10的输入，其中将权重应用于其输入。可以输出输出节点ON的信息作为分类结果CR。
图8示出了根据本发明构思的一些实施例的分类器117通过使用基于机器学习的支持向量机(SVM)来执行缺陷分类的示例。参照图3和图8，分类器117可以被配置为执行分类模块CF3。
分类模块CF3可以是支持向量机。在图8中，包括水平轴“x”和竖直轴“y”的坐标轴表示比较器116的输出、第三特征提取器113至第五特征提取器115的输出、以及第一元信息MI1至第三元信息MI3。
在图8中分布的样本的形状(方形和圆形)指示不同的分类结果SQ和CR。分类模块CF3可以被配置为：基于比较器116的输出、第三特征提取器113至第五特征提取器115的输出以及第一元信息MI1至第三元信息MI3是否被包括在任何区域中来确定分类结果SQ和CR。
图9是示出了根据本发明构思的另外的实施例的半导体缺陷分类系统10b的框图。参照图9，半导体缺陷分类系统10b包括晶片20、制造设备30、自动缺陷检查设备40、成像设备50、图像存储设备60、缺陷图像数据库70和半导体缺陷分类设备100b。
与图1的半导体缺陷分类设备100a相比较，半导体缺陷分类设备100b还包括偏移对准设备120。偏移对准设备120可以被配置为：从图像存储设备60接收低分辨率图像LRI和参考图像RI。偏移对准设备120可以被配置为：基于机器学习对来自低分辨率图像LRI和参考图像RI的偏移进行检测(或分类)。
偏移可以指示低分辨率图像LRI与参考图像RI之间的差异。例如，低分辨率图像LRI与参考图像RI之间的差异(即偏移)可能由于参数值(例如，成像设备50的捕获距离、捕获角度和/或捕获位置)的误差而发生。
偏移对准设备120可以被配置为：基于所检测的偏移来对准低分辨率图像LRI和参考图像RI，并且可以生成经对准的低分辨率图像LRIa和经对准的参考图像RIa。偏移对准设备120可以被配置为：将经对准的低分辨率图像LRIa和经对准的参考图像RIa存储在图像存储设备60中。
偏移对准设备120可以被配置为基于所检测的偏移生成调谐信息TI，并且可以向成像设备50提供该调谐信息TI。例如，调谐信息TI可以指示成像设备50的参数值，该参数值可以被调整以将低分辨率图像LRI与参考图像RI对准。参数值可以包括捕获距离、捕获角度、捕获位置等。
成像设备50可以被配置为将调谐信息TI应用于对下一个晶片进行成像。例如，成像设备50可以被配置为：在对下一个晶片进行成像时基于调谐信息TI来调整参数值(例如，捕获距离、捕获角度和捕获位置)。
半导体缺陷分类设备100b的分类设备110可以从图像存储设备60接收高分辨率图像HRI、经对准的低分辨率图像LRIa、经对准的参考图像RIa、光学图像OI和低分辨率图像LRI。分类设备110可以被配置为对所检测的图像执行基于机器学习的缺陷分类。
图10是示出了根据本发明构思的一些实施例的图9的半导体缺陷分类设备100b的操作的流程图。参照图9和图10，在框S210处，半导体缺陷分类设备100b可以收集图像，例如，高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI。
在框S211处，半导体缺陷分类设备100b的偏移对准设备120可以检测成像偏移。例如，偏移对准设备120可以基于机器学习检测来自低分辨率图像LRI和参考图像RI的偏移。
在框S212处，偏移对准设备120确定是否存在偏移。如果不存在偏移，则可以使用低分辨率图像LRI和参考图像RI而不进行对准。如果存在偏移，则操作在框S213处继续，其中偏移对准设备120可以生成经对准的低分辨率图像LRIa和经对准的参考图像RIa。在框S214处，偏移对准设备120可以基于偏移来生成并输出调谐信息TI。
在框S220处，分类设备110可以收集第一元信息MI1至第三元信息MI3。在框S230处，分类设备110可以执行分类。例如，当不存在偏移时，分类设备110可以基于高分辨率图像HRI、低分辨率图像LRI、参考图像RI、光学图像OI和第一元信息MI1至第三元信息MI3来执行分类。
当存在偏移时，分类设备110可以基于经对准的低分辨率图像LRIa、经对准的参考图像RIa、高分辨率图像HRI、低分辨率图像LRI、光学图像OI和第一元信息MI1至第三元信息MI3来执行分类。
框S240至框S260可以与框S140至框S160相对应。因此，将不再重复与框S140至框S160相关联的操作的描述。
根据上述实施例，半导体缺陷分类设备100b可以被配置为检测在低分辨率图像LRI与参考图像RI之间是否存在偏移，并且可以通过应用偏移来执行缺陷分类。因此，可以提高分类结果CR的可靠性。
而且，半导体缺陷分类设备100b可以被配置为基于偏移来生成调谐信息TI。成像设备50可以通过使用调谐信息TI来修正(或改变)成像参数。因此，可以动态地(或自适应地)校正成像设备50的成像偏移，并且因此，可以进一步提高分类结果CR的可靠性。
图11是示出了根据本发明构思的一些实施例的包括分类设备110和偏移对准设备120的半导体缺陷分类设备100b的框图。参照图9和图11，分类设备110包括第一特征提取器111至第五特征提取器115、比较器116和分类器117。
当存在偏移时，可以从图像存储设备60向第一特征提取器111传输经对准的低分辨率图像LRIa，而当不存在偏移时，可以从图像存储设备60向第一特征提取器111传输低分辨率图像LRI。
当存在偏移时，可以从图像存储设备60向第二特征提取器112传输经对准的参考图像RIa，而当不存在偏移时，可以从图像存储设备60向第二特征提取器112传输参考图像RI。
除了第一特征提取器111和第二特征提取器112的输入之外，分类设备110可以具有与参照图3所描述的结构相同或相似的结构，并且可以以与参照图3所描述的方式相同或相似的方式进行操作，并且因此将不再重复其描述。
偏移对准设备120包括第一偏移特征提取器121和第二偏移特征提取器122、偏移比较器123和偏移检测器124。第一偏移特征提取器121可以从图像存储设备60接收低分辨率图像LRI。
第一偏移特征提取器121可以从低分辨率图像LRI提取低分辨率图像LRI的特征。例如，如参照图4和图5所述，根据本发明构思的一些实施例，第一偏移特征提取器121可以通过使用基于机器学习的卷积神经网络(CNN)来提取低分辨率图像LRI的特征。
第二偏移特征提取器122可以从图像存储设备60接收参考图像RI。第二偏移特征提取器122可以提取参考图像RI的特征。例如，如参照图4和图5所述，根据本发明构思的一些实施例，第二偏移特征提取器122可以通过使用基于机器学习的卷积神经网络(CNN)来提取参考图像RI的特征。
如参照图4和图5所述，第一偏移特征提取器121和第二偏移特征提取器122可以具有相同或相似的特性，并且可以使用相同或相似的参数。在其他示例实施例中，第一偏移特征提取器121和第二偏移特征提取器122可以具有不同的特征或不同的参数。
偏移比较器123被配置为将从第一偏移特征提取器121和第二偏移特征提取器122输出的特征进行比较，并且可以检测特征之间的差异。偏移比较器123可以被配置为向偏移检测器124传输所检测的差异。例如，所检测的差异可以以空间坐标上的值的形式来表示。
偏移检测器124可以被配置为基于从偏移比较器123传输的差异来检测偏移。例如，偏移检测器124可以通过使用一种或多种技术来检测偏移，例如但不限于：基于机器学习的算法(例如参照图4和图5所描述的卷积神经网络(CNN))、决策树(例如参照图6所描述的决策树)、神经网络(例如参照图7所描述的神经网络)和支持向量机(SVM)(例如参照图8所描述的SVM)。
偏移检测器124可以被配置为通过使用所检测的偏移来生成经对准的低分辨率图像LRIa和经对准的参考图像RIa。偏移检测器124可以被配置为将经对准的低分辨率图像LRIa和经对准的参考图像RIa存储在图像存储设备60中。
偏移检测器124可以被配置为通过使用所检测的偏移来生成调谐信息TI。偏移检测器124可以被配置为向成像设备50提供调谐信息TI。在其他实施例中，偏移检测器124可以被配置为将调谐信息TI存储在成像设备50能够访问的存储介质中。
图12是示出了根据本发明构思的另外的实施例的半导体缺陷分类系统10c的框图。参照图12，半导体缺陷分类系统10c包括晶片20、制造设备30、自动缺陷检查设备40、成像设备50、图像存储设备60、缺陷图像数据库70和半导体缺陷分类设备100c。
与图1的半导体缺陷分类设备100a相比较，半导体缺陷分类设备100c还包括相似度分类设备130。相似度分类设备130可以被配置为对高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI中的至少一个或者它们中的两个或更多个的组合执行基于机器学习的相似度分类。
例如，如参照图4和图5所述，相似度分类设备130可以被配置为基于卷积神经网络(CNN)来执行相似度分类。在其他实施例中，如参照图6至图8所述，相似度分类设备130可以被配置为通过使用一种或多种基于机器学习的算法(例如但不限于：决策树、神经网络和支持向量机(SVM))来执行相似度分类。
在实施例中，相似度可以指示成像设备50当前捕获的图像(例如，HRI、LRI、RI或OI)与存储在缺陷图像数据库70中的图像之间的相似度。在其他实施例中，相似度可以指示当前所捕获的图像(例如，HRI、LRI、RI或OI)与用于分类设备110的机器学习的图像之间的相似度。
如果与图像HRI、LRI、RI和OI相关联的半导体图案具有缺陷并且相似度低于阈值，则相似度分类设备130可以被配置为允许将图像HRI、LRI、RI和OI存储在缺陷图像数据库70中。如果与图像HRI、LRI、RI和OI相关联的半导体图案没有缺陷或者相似度不低于阈值，则相似度分类设备130可以被配置为允许不将图像HRI、LRI、RI和OI存储在缺陷图像数据库70中。
也就是说，当将相似度分类设备130添加到半导体缺陷分类设备100c时，与具有缺陷的半导体图案相关联且与先前所存储或应用于机器学习的图像不相似的图像被存储在缺陷图像数据库70中。
也就是说，在执行机器学习时，有助于改善分类算法的性能的图像被存储在缺陷图像数据库70中。因此，可以更有效地使用缺陷图像数据库70的存储容量。
图13是示出了根据本发明构思的一些实施例的图12的半导体缺陷分类设备100c的操作的流程图。参照图12和图13，在框S310处，半导体缺陷分类设备100c可以收集高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI。
在框S320处，分类设备110可以收集第一元信息MI1至第三元信息MI3。在框S330处，分类设备110可以执行分类。在框S340处，分类设备110可以确定是否存在缺陷。框S310至框S340可以与框S110至框S140相同或相似，因此，将不再重复其描述。
如果在框S340处确定在半导体图案中存在缺陷，则操作在框S341处继续。在框S341处，相似度分类设备130可以执行相似度分类，并且可以确定相似度是否不低于阈值。如果相似度不低于阈值，则在框S342处，半导体缺陷分类设备100c可以通知指示缺陷的分类结果CR而不将图像HRI、LRI、RI和OI存储在缺陷图像数据库70中。
如果相似度低于阈值，则在框S350处，半导体缺陷分类设备100c可以将图像HRI、LRI、RI和OI存储在缺陷图像数据库70中，并且可以通知指示缺陷的分类结果CR。
如果在框S340中确定半导体图案不存在缺陷，则操作在框S360处继续。在框S360处，半导体缺陷分类设备100c可以通知指示正常状态的分类结果CR。
上面已经相对于在半导体图案具有缺陷时确定相似度并且基于确定结果将图像HRI、LRI、RI和OI选择性地存储在缺陷图像数据库70中对实施例进行了描述。然而，即使当半导体图案不具有缺陷时，如参照框S360所述，也可以确定相似度，并且可以基于确定结果将图像HRI、LRI、RI和OI存储在缺陷图像数据库70中。
例如，与用于先前学习或先前存储在缺陷图像数据库70中的图像具有低相似度的图像仍然可以有助于将来的机器学习。因此，即使当半导体图案没有缺陷时，如果半导体图案的图像HRI、LRI、RI和OI与先前训练的图像或存储在缺陷图像数据库70中的图像具有低相似度，则也可以将图像HRI、LRI、RI和OI存储在缺陷图像数据库70中。
图14是示出了根据本发明构思的另外的实施例的半导体缺陷分类系统10d的框图。参照图14，半导体缺陷分类系统10d包括晶片20、制造设备30、自动缺陷检查设备40、成像设备50、图像存储设备60、缺陷图像数据库70和半导体缺陷分类设备100d。
半导体缺陷分类设备100d可以包括如参照图9所述的偏移对准设备120。半导体缺陷分类设备100d还可以包括如参照图12所述的相似度分类设备130。
也就是说，半导体缺陷分类设备100d可以被配置为检测低分辨率图像LRI与参考图像RI之间的偏移，并且可以被配置为生成经对准的低分辨率图像LRIa和经对准的参考图像RIa。可以将经对准的低分辨率图像LRIa和经对准的参考图像RIa应用于分类设备110以便进行分类。
此外，半导体缺陷分类设备100d可以被配置为对图像HRI、LRI、RI和OI与先前图像之间的相似度进行分类，并且可以基于相似度确定是否将图像HRI、LRI、RI和OI存储在缺陷图像数据库70中。
图15是示出了根据本发明构思的进一步实施例的半导体缺陷分类系统10e的框图。参照图15，半导体缺陷分类系统10e包括晶片20、制造设备30、自动缺陷检查设备40、成像设备50、图像存储设备60、缺陷图像数据库70和半导体缺陷分类设备100e。
与图1的半导体缺陷分类设备100a相比较，半导体缺陷分类设备100e还包括拒绝设备140。拒绝设备140可以被配置为验证分类设备110的输出。例如，拒绝设备140可以被配置为对分类设备110的输出的可靠性进行分类。
例如，拒绝设备140可以被配置为：通过使用一种或多种基于机器学习的算法(例如，参照图4和图5所描述的卷积神经网络(CNN)、参照图6所描述的决策树、参照图7所描述的神经网络、参照图8所描述的支持向量机(SVM))来验证可靠性。
如果可靠性不低于阈值或者如果可靠性被分类为是可靠的，则拒绝设备140可以被配置为输出分类设备110的输出作为分类结果CR。如果可靠性不大于阈值或者如果可靠性被分类为是不可靠的，则拒绝设备140可以被配置为输出指示可靠性为低的分类结果CR。
如果输出指示可靠性为低的分类结果CR，则可以不将高分辨率图像HRI、低分辨率图像LRI、参考图像RI和光学图像OI存储在缺陷图像数据库70中。
在实施例中，拒绝设备140可以设置在参照图9所描述的半导体缺陷分类设备100b、参照图12所描述的半导体缺陷分类设备100c和/或参照图14所描述的半导体缺陷分类设备100d中。
根据本发明构思的实施例，基于机器学习来自动检测半导体缺陷。因此，提供了一种半导体缺陷分类设备、半导体缺陷分类方法和半导体缺陷分类系统，它们可以以提高的准确度和可靠性一致地检测半导体缺陷。
其他定义和实施例
在本公开的各种实施例的以上描述中，本公开的各个方面可以在本文中以多种可取得专利的类别或上下文来进行示出和描述，包括任何新的和有用的过程、机器、制造或物质组成，或它们的任何新的和有用的改进。因此，本公开的各个方面可以完全由硬件实施方式、完全由软件(包括固件、驻留软件、微代码等)实施方式或由组合的软件和硬件实施方式来实现，所有这些都可以在本文中被称为“电路”、“模块”或“系统”。此外，本公开的各个方面可以采用包括一个或多个计算机可读介质的计算机程序产品的形式，该一个或多个计算机可读介质上具有计算机可读程序代码。
可以使用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如(但不限于)电子、磁性、光学、电磁或半导体系统、装置或设备，或者前述各项的任意合适的组合。计算机可读存储介质的更具体的示例(非穷尽性列表)将包括以下各项：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、带有中继器的合适的光纤、便携式压缩盘只读存储器(CD-ROM)、光存储设备、磁存储设备或前述各项的任意组合。在本文档的上下文中，计算机可读存储介质可以是任何有形介质，其可以包含或存储由指令执行系统、装置或设备使用或与指令执行系统、装置或设备相关的程序。
计算机可读信号介质可以包括其中包含计算机可读程序代码的传播数据信号，例如在基带中或者作为载波的一部分。这样的传播信号可以采取多种形式中的任何形式，包括但不限于电磁、光学或其任何合适的组合。计算机可读信号介质可以是：作为非计算机可读存储介质并且能够传送、传播或传输程序以便由指令执行系统、装置或设备使用或者与指令执行系统、装置或设备相结合地使用的任何计算机可读介质。在计算机可读信号介质上包含的程序代码可以使用任何适当的介质来发送，该介质包括但不限于无线、有线、光纤电缆、RF等、或前述各项的任意合适的组合。
用于执行本公开的各个方面的操作的计算机程序代码可以用一种或多种编程语言的任意组合来编写，包括诸如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等面向对象编程语言、诸如“C”编程语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP、LabVIEWVB等传统的过程编程语言、诸如Python、Ruby和Groovy的动态编程语言、或其他编程语言。程序代码可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立软件包来执行，部分在用户的计算机上且部分在远程计算机上执行，或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过包括局域网(LAN)或广域网(WAN)的任何类型的网络连接到用户的计算机，或者可以(例如，通过使用互联网服务提供商的互联网)进行到外部计算机的连接，或者在云计算环境中进行连接，或者提供连接作为服务(例如，软件即服务(SaaS))。
本文参照根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本公开的各个方面。应当理解，流程图示例和/或框图中的每一个框、以及流程图示例和/或框图中的多个框的组合可以通过计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机的处理器、专用计算机或用来产生机器的其他可编程数据处理装置，使得该指令(经由计算机的处理器或其他可编程指令执行装置执行)创建用来实现流程图和/或框图的一个或多个框中指定的功能/动作的机制。
这些计算机程序指令也可以存储在计算机可读介质，所述计算机可读介质当被执行时可以指导计算机、其他可编程数据处理装置或其他设备以特定方式运行，使得指令在被存储在计算机可读介质中时产生制造物品，该制造物品包括当被执行时使计算机实现在流程图和/或框图的一个或多个框中指定的功能/动作的指令。计算机程序指令还可以被加载到计算机、其他可编程指令执行装置或其他设备上，以使得一系列操作步骤在计算机、其他可编程装置或其他设备上执行，从而产生计算机实现的过程，使得在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本公开的各个方面的系统、方法和计算机程序产品的可能实现的架构、功能和操作。关于这一点，流程图或框图中的每个框可以表示代码模块、段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。还应注意，在一些备选实施例中，在框中标记的功能可以不按附图中标记的顺序发生。例如，连续示出的两个框实际上可能是基本同时执行的，或者所述框在某些时候会以相反的顺序执行，这取决于所涉及到的功能。还应当说明的是，所述框图和/或流程示意图的每个区块及其结合，都可以由基于特定目的的硬件系统或特定用途硬件与计算机指令的结合来执行，该系统用于实现特定的功能或动作。
尽管已经参照示例实施例描述了本发明构思，但是对于本领域技术人员来说显而易见的是，在不脱离本发明构思的精神和范围的情况下，可以进行各种改变和修改。因此，应当理解的是：上述实施例不是限制性的而是说明性的。

Claims (20)

1.一种半导体缺陷分类设备，包括：
特征提取器，被配置为：接收晶片上的半导体图案的图像，并从所述图像中提取所述图像的特征；以及
分类器，被配置为：接收所述图像的特征和与晶片相关的第一元信息，并使用机器学习来基于所述图像的特征和所述第一元信息对与所述图像相关联的所述半导体图案的缺陷进行分类。
2.根据权利要求1所述的半导体缺陷分类设备，其中，所述图像包括所述半导体图案的低分辨率图像、高分辨率图像、光学图像和参考图像。
3.根据权利要求1所述的半导体缺陷分类设备，其中，所述特征提取器被配置为：通过使用堆叠卷积神经网络(CNN)来提取所述图像的特征。
4.根据权利要求1所述的半导体缺陷分类设备，其中，所述分类器还被配置为：通过使用决策树、神经网络和支持向量机中的一个来对所述半导体图案的缺陷进行分类。
5.根据权利要求1所述的半导体缺陷分类设备，其中，所述第一元信息包括以下信息中的至少一种：与处理晶片的制造设备的种类相关的信息、与通过处理晶片而制造的半导体器件的种类相关的信息、与所述制造设备用来处理晶片的工艺的种类相关的信息、以及与所述制造设备针对晶片所执行的工艺操作相关的信息。
6.根据权利要求1所述的半导体缺陷分类设备，其中，所述分类器还被配置为：接收与用于拍摄所述半导体图案的图像的成像设备相关联的第二元信息；并且
其中，所述分类器还被配置为：使用所述第二元信息来对所述缺陷进行分类。
7.根据权利要求6所述的半导体缺陷分类设备，其中，所述第二元信息包括以下信息中的至少一种：与用于拍摄所述半导体图案的图像的所述成像设备的种类相关的信息、与用于拍摄所述图像的所述成像设备的定位相关的信息、以及与晶片上的所述半导体图案的位置相关的信息；
其中，与所述成像设备的定位相关的信息包括与所述成像设备相关联的距离信息、位置信息和/或角度信息。
8.根据权利要求1所述的半导体缺陷分类设备，其中，所述分类器还被配置为：使用与所述机器学习相关联的第三元信息来对所述缺陷进行分类。
9.根据权利要求8所述的半导体缺陷分类设备，其中，所述第三元信息包括与创建器相关的信息，所述创建器生成由所述分类器使用的学习数据作为所述机器学习的一部分。
10.根据权利要求1所述的半导体缺陷分类设备，其中，所述图像包括所述半导体图案的低分辨率图像和参考图像，并且
其中，所述半导体缺陷分类设备还包括：
比较器，被配置为：将所述低分辨率图像的特征与所述参考图像的特征进行比较，并向所述分类器提供所述比较的结果。
11.根据权利要求10所述的半导体缺陷分类设备，其中，所述图像还包括所述半导体图案的高分辨率图像和光学图像，并且
其中，所述分类器还被配置为：基于由所述比较器提供的所述比较的结果、所述低分辨率图像的特征、所述高分辨率图像的特征、所述光学图像的特征以及所述第一元信息来对所述半导体图案的缺陷进行分类。
12.根据权利要求1所述的半导体缺陷分类设备，其中，所述图像包括所述半导体图案的低分辨率图像和参考图像，并且
其中，所述半导体缺陷分类设备还包括：
偏移对准设备，被配置为：将所述低分辨率图像的特征与所述参考图像的特征进行比较，以检测所述低分辨率图像的特征与所述参考图像的特征之间的偏移，并通过使用所述偏移来生成经对准的低分辨率图像和经对准的参考图像。
13.根据权利要求12所述的半导体缺陷分类设备，其中，所述图像还包括所述半导体图案的高分辨率图像和光学图像，并且
其中，所述半导体缺陷分类设备还包括：
比较器，被配置为：将所述经对准的低分辨率图像的特征与所述经对准的参考图像的特征进行比较，并且向所述分类器提供所述比较的结果，并且
其中，所述分类器被配置为：基于所述比较器的比较的结果、所述低分辨率图像的特征、所述高分辨率图像的特征、所述光学图像的特征和所述第一元信息来对所述半导体图案的缺陷进行分类。
14.根据权利要求1所述的半导体缺陷分类设备，还包括：
相似度分类设备，被配置为：将所述图像与存储在数据库中的先前图像进行比较，并对所述图像与存储在所述数据库中的所述先前图像的相似度进行分类，
其中，当所述相似度低于阈值时，将所述图像作为所述先前图像的一部分存储在所述数据库中。
15.根据权利要求14所述的半导体缺陷分类设备，其中，当满足学习条件时，所述特征提取器和所述分类器中的至少一个基于存储在所述数据库中的所述先前图像来执行附加机器学习。
16.根据权利要求1所述的半导体缺陷分类设备，还包括：
拒绝设备，被配置为：接收所述分类器对所述缺陷进行分类的结果，计算所述分类的结果的可靠性，并在所述分类的结果的可靠性低于阈值时提供所述分类的结果的可靠性为低的通知。
17.一种半导体缺陷分类方法，所述方法包括：
接收晶片上的半导体图案的图像；
从所述图像中提取所述图像的特征；
接收与所述图像相关联的元信息；以及
使用机器学习，基于所述特征和所述元信息来对所述半导体图案的缺陷进行分类。
18.根据权利要求17所述的方法，其中，所述图像包括所述半导体图案的低分辨率图像和参考图像，并且
其中，提取所述图像的特征包括：
分别提取所述低分辨率图像的第一特征和所述参考图像的第二特征；
将所述第一特征与所述第二特征进行比较以检测所述低分辨率图像与所述参考图像之间的偏移；
基于所述偏移，根据所述低分辨率图像和所述参考图像生成经对准的低分辨率图像和经对准的参考图像；以及
将所述经对准的低分辨率图像与所述经对准的参考图像进行比较以提取比较特征。
19.一种半导体缺陷分类系统，包括：
制造设备，被配置为在晶片中生成半导体图案；
成像设备，被配置为生成所述半导体图案的图像；
半导体缺陷分类设备，被配置为：使用机器学习来对由所述成像设备生成的所述图像执行缺陷分类，以对所述半导体图案的缺陷进行分类。
20.根据权利要求19所述的半导体缺陷分类系统，其中，所述制造设备还被配置为输出与所述半导体图案相关联的第一元信息，
其中，所述成像设备还被配置为输出与所述成像设备相关联的第二元信息，并且
其中，所述半导体缺陷分类设备还被配置为：通过使用所述第一元信息、所述第二元信息和与所述机器学习相关联的第三元信息来对所述图像执行所述缺陷分类。
CN201811538781.4A 2017-12-19 2018-12-14 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统 Pending CN110060228A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0174886 2017-12-19
KR1020170174886A KR20190073756A (ko) 2017-12-19 2017-12-19 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템

Publications (1)

Publication Number Publication Date
CN110060228A true CN110060228A (zh) 2019-07-26

Family

ID=66814621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811538781.4A Pending CN110060228A (zh) 2017-12-19 2018-12-14 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统

Country Status (3)

Country Link
US (1) US10713778B2 (zh)
KR (1) KR20190073756A (zh)
CN (1) CN110060228A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796187A (zh) * 2019-10-22 2020-02-14 西安奕斯伟硅片技术有限公司 不良分类方法及装置
CN110910021A (zh) * 2019-11-26 2020-03-24 上海华力集成电路制造有限公司 一种基于支持向量机监控在线缺陷的方法
CN110961364A (zh) * 2019-12-18 2020-04-07 浪潮(北京)电子信息产业有限公司 一种基于fpga平台的芯片全功能自测系统及其方法
CN113344886A (zh) * 2021-06-11 2021-09-03 长江存储科技有限责任公司 晶圆表面缺陷检测方法和设备
CN113743447A (zh) * 2021-07-15 2021-12-03 上海朋熙半导体有限公司 半导体瑕疵识别方法、装置、计算机设备和存储介质
CN113763312A (zh) * 2020-06-03 2021-12-07 应用材料以色列公司 使用弱标记检测半导体试样中的缺陷
CN113820329A (zh) * 2020-06-16 2021-12-21 光宝电子(广州)有限公司 瑕疵检测系统及制品的瑕疵检测方法
CN114155181A (zh) * 2020-08-17 2022-03-08 应用材料以色列公司 检查方案的自动优化

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US11593657B2 (en) 2018-06-05 2023-02-28 Samsung Electronics Co., Ltd. Machine learning device and machine learning method of machine learning device
US11806833B2 (en) * 2018-08-31 2023-11-07 Taiwan Semiconductor Manufacturing Co., Ltd. Chemical mechanical planarization system and a method of using the same
US20200137380A1 (en) * 2018-10-31 2020-04-30 Intel Corporation Multi-plane display image synthesis mechanism
JP7137487B2 (ja) * 2019-01-22 2022-09-14 株式会社日立ハイテク 画像評価装置及び方法
DE102019102484A1 (de) * 2019-01-31 2020-08-06 Carl Zeiss Smt Gmbh Verarbeitung von dreidimensionalen Bilddatensätzen
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
US11263496B2 (en) * 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
DE102019117680A1 (de) * 2019-07-01 2021-01-07 Carl Zeiss Industrielle Messtechnik Gmbh Automatisiertes segmentierungsverfahren für die qualitätsprüfung
US11676264B2 (en) * 2019-07-26 2023-06-13 Kla Corporation System and method for determining defects using physics-based image perturbations
US11435719B2 (en) * 2019-09-27 2022-09-06 Samsung Display Co., Ltd. System and method for identifying manufacturing defects
JP7292170B2 (ja) * 2019-10-09 2023-06-16 大阪瓦斯株式会社 部品状態判別システム
CN110726724A (zh) * 2019-10-22 2020-01-24 北京百度网讯科技有限公司 缺陷检测方法、系统和装置
CN110838107B (zh) * 2019-10-31 2023-02-17 广东华中科技大学工业技术研究院 变角度光学视频智能检测3c透明构件缺陷的方法及装置
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes
CN110910372B (zh) * 2019-11-23 2021-06-18 郑州智利信信息技术有限公司 基于深度卷积神经网络的匀光板缺陷检测方法
CN111161244B (zh) * 2019-12-30 2021-12-21 华南理工大学 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法
US11694319B2 (en) 2020-04-10 2023-07-04 Samsung Display Co., Ltd. Image-based defects identification and semi-supervised localization
US20210334946A1 (en) * 2020-04-24 2021-10-28 Camtek Ltd. Method and system for classifying defects in wafer using wafer-defect images, based on deep learning
DE102020112146A1 (de) * 2020-05-05 2021-11-11 Integrated Dynamics Engineering Gesellschaft mit beschränkter Haftung Verfahren zur Bearbeitung von Substraten, insbesondere von Wafern, Masken oder Flat Panel Displays, mit einer Maschine der Halbleiterindustrie
CN115668286A (zh) * 2020-05-22 2023-01-31 日本电产理德股份有限公司 训练自动缺陷分类的检测仪器的方法与系统
WO2021245937A1 (ja) * 2020-06-05 2021-12-09 株式会社日立ハイテク 欠陥検査装置
US11443095B2 (en) * 2020-07-10 2022-09-13 Taiwan Semiconductor Manufacturing Co., Ltd. Hotspot avoidance method for manufacturing integrated circuits
DE102020119873A1 (de) 2020-07-28 2022-02-03 Aixtron Se Verfahren zum Erkennen fehlerhafter oder fehlerhaft in einem CVD-Reaktor eingesetzte Substrate
CN112396580B (zh) * 2020-11-05 2024-02-02 北京信息科技大学 一种圆形零件缺陷检测方法
CN114626538A (zh) * 2020-12-09 2022-06-14 艾聚达信息技术(苏州)有限公司 人工智能模型自动提升训练系统及方法
CN112991259B (zh) * 2021-01-29 2023-04-18 合肥晶合集成电路股份有限公司 一种半导体制程缺陷的检测方法及系统
US20230022057A1 (en) * 2021-07-16 2023-01-26 Taiwan Semiconductor Manufacturing Company, Ltd. Method for retrieving images from database
CN114613705B (zh) * 2022-05-10 2022-09-06 深圳市众望丽华微电子材料有限公司 一种半导体元器件加工的控制方法、系统及介质
DE102022204724A1 (de) 2022-05-13 2023-11-16 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Steuern einer Robotervorrichtung

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165384B1 (en) * 2003-11-19 2012-04-24 Kla-Tencor Corporation Defect classification
US7570796B2 (en) 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
KR101565071B1 (ko) 2005-11-18 2015-11-03 케이엘에이-텐코 코포레이션 검사 데이터와 조합하여 설계 데이터를 활용하는 방법 및 시스템
JP6185693B2 (ja) 2008-06-11 2017-08-23 ケーエルエー−テンカー・コーポレーションＫｌａ−Ｔｅｎｃｏｒ Ｃｏｒｐｏｒａｔｉｏｎ ウェーハー上の設計欠陥および工程欠陥の検出、ウェーハー上の欠陥の精査、設計内の１つ以上の特徴を工程監視特徴として使用するための選択、またはそのいくつかの組み合わせのためのシステムおよび方法
JP5452392B2 (ja) 2009-12-16 2014-03-26 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
JP5715873B2 (ja) * 2011-04-20 2015-05-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及び欠陥分類システム
US9098891B2 (en) 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
KR102392057B1 (ko) 2014-12-22 2022-04-28 삼성전자주식회사 자동 결함 분류 방법
US10436720B2 (en) 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
US11205119B2 (en) 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
TWI564741B (zh) 2016-01-25 2017-01-01 敖翔科技股份有限公司 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796187A (zh) * 2019-10-22 2020-02-14 西安奕斯伟硅片技术有限公司 不良分类方法及装置
CN110910021A (zh) * 2019-11-26 2020-03-24 上海华力集成电路制造有限公司 一种基于支持向量机监控在线缺陷的方法
CN110961364A (zh) * 2019-12-18 2020-04-07 浪潮(北京)电子信息产业有限公司 一种基于fpga平台的芯片全功能自测系统及其方法
CN110961364B (zh) * 2019-12-18 2022-06-17 浪潮(北京)电子信息产业有限公司 一种基于fpga平台的芯片全功能自测系统及其方法
CN113763312A (zh) * 2020-06-03 2021-12-07 应用材料以色列公司 使用弱标记检测半导体试样中的缺陷
CN113763312B (zh) * 2020-06-03 2024-04-19 应用材料以色列公司 使用弱标记检测半导体试样中的缺陷
CN113820329A (zh) * 2020-06-16 2021-12-21 光宝电子(广州)有限公司 瑕疵检测系统及制品的瑕疵检测方法
CN114155181A (zh) * 2020-08-17 2022-03-08 应用材料以色列公司 检查方案的自动优化
CN114155181B (zh) * 2020-08-17 2023-10-24 应用材料以色列公司 检查方案的自动优化
CN113344886A (zh) * 2021-06-11 2021-09-03 长江存储科技有限责任公司 晶圆表面缺陷检测方法和设备
CN113743447A (zh) * 2021-07-15 2021-12-03 上海朋熙半导体有限公司 半导体瑕疵识别方法、装置、计算机设备和存储介质
CN113743447B (zh) * 2021-07-15 2024-05-17 上海朋熙半导体有限公司 半导体瑕疵识别方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
US20190188840A1 (en) 2019-06-20
KR20190073756A (ko) 2019-06-27
US10713778B2 (en) 2020-07-14

Similar Documents

Publication Publication Date Title
CN110060228A (zh) 用于分类半导体缺陷的半导体缺陷分类设备、方法及系统
Willi et al. Identifying animal species in camera trap images using deep learning and citizen science
CN110097130B (zh) 分类任务模型的训练方法、装置、设备及存储介质
Meijer et al. A defect classification methodology for sewer image sets with convolutional neural networks
JP6632623B2 (ja) サンプリング及びフィーチャ選択を伴わない自動欠陥分類
EP3065085B1 (en) Digital image processing using convolutional neural networks
CN106485215B (zh) 基于深度卷积神经网络的人脸遮挡检测方法
CN106290378B (zh) 缺陷分类方法和缺陷检查系统
WO2022083536A1 (zh) 一种神经网络构建方法以及装置
CN101965729B (zh) 动态物件分类
TW202004513A (zh) 用於缺陷分類器訓練之主動學習
JP2019035626A (ja) タイヤ画像の認識方法及びタイヤ画像の認識装置
JP2016139176A (ja) 画像処理装置、画像処理システム、画像処理方法、およびその画像処理プログラム
JP6933164B2 (ja) 学習用データ作成装置、学習用モデル作成システム、学習用データ作成方法、及びプログラム
US11468290B2 (en) Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
CN104024838A (zh) Gui、分类装置、分类方法、程序以及存储分类程序的存储介质
KR102116137B1 (ko) 이물질 선별기의 제어 방법 및 장치
US11321633B2 (en) Method of classifying defects in a specimen semiconductor examination and system thereof
WO2021001318A1 (en) Multi weed detection
CN112288699B (zh) 图像相对清晰度的评估方法、装置、设备和介质
JP6577397B2 (ja) 画像解析装置、画像解析方法、画像解析プログラム、および画像解析システム
CN114862832A (zh) 缺陷检测模型的优化方法、装置、设备及存储介质
KR102318931B1 (ko) 폐의류를 활용한 의류 리사이클링 방법
CN113610747B (zh) 检验半导体样本的系统和方法
CN116485796B (zh) 害虫检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190726