CN110998463B - 用于缺陷检查的知识推荐的服务器和方法 - Google Patents

用于缺陷检查的知识推荐的服务器和方法 Download PDF

Info

Publication number
CN110998463B
CN110998463B CN201880007391.6A CN201880007391A CN110998463B CN 110998463 B CN110998463 B CN 110998463B CN 201880007391 A CN201880007391 A CN 201880007391A CN 110998463 B CN110998463 B CN 110998463B
Authority
CN
China
Prior art keywords
knowledge
server
defect
inspection
defect classification
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.)
Active
Application number
CN201880007391.6A
Other languages
English (en)
Other versions
CN110998463A (zh
Inventor
方伟
郑楚发
简儒浩
王怡颖
陈诗丛
廖建民
李川
郭朝晖
黄邦瑄
赖绍伟
徐世宗
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.)
ASML Holding NV
Original Assignee
ASML Holding NV
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 ASML Holding NV filed Critical ASML Holding NV
Publication of CN110998463A publication Critical patent/CN110998463A/zh
Application granted granted Critical
Publication of CN110998463B publication Critical patent/CN110998463B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

一种用于缺陷检查的知识推荐的服务器。服务器包括处理器，处理器电子地耦合到存储与晶片缺陷相关的多个知识文件的电子存储设备。处理器被配置成执行指令的集合以使得服务器：从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；搜索电子存储设备中与检验图像相匹配的知识文件；以及向缺陷分类服务器传输搜索结果。

Description

用于缺陷检查的知识推荐的服务器和方法
相关申请的交叉引用
本申请是基于并且要求于2017年1月18日提交的并且题为“Auto LoadingKnowledge for Defect Review”的美国临时申请No.62/447,565以及于2017年12月31日提交的并且题为“Knowledge Recommendation for Defect Review”的美国临时申请No.62/612,593的优先权，并且通过引用以其整体将两个申请的公开内容并入本文。
技术领域
本公开总体上涉及用于推荐用于缺陷检查的知识文件的系统和方法。
背景技术
随着对低成本和高性能电子设备的需求的持续增长，控制包括在电子设备中的集成电路的制造过程以便减少影响产量的缺陷的数目至关重要。缺陷检查过程已被集成到制造过程的控制中。在缺陷检查过程期间，半导体晶片上的缺陷被自动标识并分类为各种缺陷类型。虽然可以自动执行缺陷分类，但是总是需要用户的干预来选择执行自动缺陷分类所基于的知识文件。用户的干预显著降低了制造过程的吞吐量。
发明内容
根据本公开的一些实施例，提供了一种用于缺陷检查的知识推荐的服务器。该服务器包括处理器，处理器电子地耦合到存储与晶片缺陷相关的多个知识文件的电子存储设备。处理器被配置成执行指令的集合以使得服务器：从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；搜索电子存储设备中与检验图像相匹配的知识文件；以及向缺陷分类服务器传输搜索结果。
根据本公开的一些实施例，提供了一种用于缺陷分类的服务器。服务器包括处理器，处理器被配置成执行指令的集合以使得服务器：从检验工具接收晶片的检验图像；向知识推荐服务器发送针对知识推荐的请求；从知识推荐服务器接收知识推荐结果；确定知识推荐结果是否包括知识文件；以及响应于确定知识推荐结果包括知识文件，通过使用知识文件对检验图像执行自动缺陷分类。
根据本公开的一些实施例，提供了一种缺陷检查系统。缺陷检查系统包括用于检验晶片的检验工具、电子地耦合到检验工具的缺陷分类服务器、以及电子地耦合到缺陷分类服务器的知识推荐服务器。缺陷分类服务器包括处理器，处理器被配置成执行指令的集合以使得缺陷分类服务器：从检验工具接收晶片的检验图像；以及发送针对用于对检验图像进行检验的知识推荐的请求。知识推荐服务器包括处理器，处理器被配置成执行指令的集合以使得知识推荐服务器：响应于从缺陷推荐服务器接收到针对知识推荐的请求，搜索与检验图像相匹配的知识文件；以及向缺陷分类服务器传输知识推荐结果。
根据本公开的一些实施例，提供了一种用于知识推荐的方法。方法包括：从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；搜索电子存储设备中与检验图像相匹配的知识文件，电子存储设备存储与晶片缺陷相关的多个知识文件；以及向缺陷分类服务器传输搜索结果。
根据本公开的一些实施例，提供了一种用于缺陷分类的方法。方法包括：从检验工具接收晶片的检验图像；向知识推荐服务器发送针对知识推荐的请求；从知识推荐服务器接收知识推荐结果；确定知识推荐结果是否包括知识文件；响应于确定知识推荐结果包括知识文件，通过使用知识文件对检验图像执行自动缺陷分类。
根据本公开的一些实施例，提供了一种用于缺陷检查的方法。方法包括：由缺陷分类服务器从检验工具接收晶片的检验图像；由缺陷分类服务器向知识推荐服务器发送针对用于对检验图像进行检验的知识推荐的请求；响应于从缺陷推荐服务器接收到针对知识推荐的请求，由知识推荐服务器搜索与检验图像相匹配的知识文件；由知识推荐服务器向缺陷分类服务器传输知识推荐结果；以及由缺陷分类服务器确定从知识推荐服务器传输的知识推荐结果是否包括知识文件；以及响应于确定知识推荐结果包括知识文件，由缺陷分类服务器通过使用知识文件对检验图像执行自动缺陷分类。
根据本公开的一些实施例，提供了一种非暂态计算机可读介质。非暂态计算机可读介质存储指令的集合，其由知识推荐服务器的至少一个处理器可执行以使得知识推荐服务器执行一种方法。该方法包括：从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；搜索电子存储设备中与检验图像相匹配的知识文件，电子存储设备存储与晶片缺陷相关的多个知识文件；以及向缺陷分类服务器传输搜索结果。
根据本公开的一些实施例，提供了一种非暂态计算机可读介质。非暂态计算机可读介质存储指令的集合，其由缺陷分类服务器的至少一个处理器可执行以使得缺陷分类服务器执行一种方法。该方法包括：从检验工具接收晶片的检验图像；向知识推荐服务器发送针对知识推荐的请求；从知识推荐服务器接收知识推荐结果；确定知识推荐结果是否包括知识文件；以及响应于确定知识推荐结果包括知识文件，通过使用知识文件对检验图像执行自动缺陷分类。
附图说明
包含在本说明中并构成本说明的一部分的附图图示了若干实施例。
图1是图示与本公开的实施例一致的示例性电子束检验(EBI)系统的示意图。
图2是图示与本公开的实施例一致的示例性电子束工具的示意图，该示例性电子束工具可以是图1的示例性电子束检验的一部分。
图3是与本公开的实施例一致的示例性缺陷检查系统的框图。
图4示出了缺陷补块(patch)图像的示例。
图5示意性地图示了与本公开的一些实施例一致的示例性缺陷知识文件。
图6是与本公开的实施例一致的用于知识推荐的示例性过程的流程图。
图7是与本公开的实施例一致的用于自动缺陷分类的示例性过程的流程图。
图8是可以在其上实现本文描述的实施例的示例性计算机系统的框图。
具体实施方式
现在将详细参考在附图中图示的示例实施例。尽管在利用电子束的上下文中描述了以下实施例，但是本公开不限于此。可以类似地应用其他类型的带电粒子束。
所公开的实施例提供了用于在缺陷检查系统中使用的知识推荐服务器。知识推荐服务器包括存储与晶片缺陷相关的多个知识文件的电子存储设备。当从缺陷分类服务器接收到针对用于对检验图像进行检验的知识推荐的请求时，知识推荐服务器搜索电子存储设备中与检验图像相匹配的知识文件，并将该知识文件提供给缺陷分类服务器。然后，缺陷分类服务器通过使用由知识推荐服务器提供的知识文件对检验图像执行自动缺陷分类。
图1图示了与本公开的实施例一致的示例性电子束检验(EBI)系统100。如图1中所示，EBI系统100包括主腔101、装载/锁定腔102、电子束工具104和设备前端模块(EFEM)106。电子束工具104位于主腔101内。EFEM 106包括第一进料端口106a和第二进料端口106b。EFEM 106可以包括(多个)附加的进料端口。第一进料端口106a和第二进料端口106b接收包含待检验的晶片(例如，半导体晶片或由其他材料制成的晶片)或样品(晶片和样品在下文中统称为“晶片”)的晶片盒。
EFEM 106中的一个或多个机械臂(未示出)将晶片输送到装载/锁定腔102。装载/锁定腔102连接到装载/锁定真空泵系统(未示出)，其去除装载/锁定腔102中的气体分子以达到低于大气压的第一压力。在达到第一压力之后，一个或多个机械臂(未示出)将晶片从装载/锁定腔102输送到主腔101。主腔101连接到主腔真空泵系统(未示出)，其去除主腔101中气体分子以达到低于第一压力的第二压力。在达到第二压力之后，晶片经受由电子束工具104进行的检验。
图2图示了与本公开的实施例一致的电子束工具104的示例性部件。如图2中所示，电子束工具104包括机动台200和由机动台200支撑的晶片保持器202以保持待检验的晶片203。电子束工具104还包括物镜组件204、电子检测器206(其包括电子传感器表面206a和206b)、物镜孔径208、聚光透镜210、束流限制孔径212、枪孔径214、阳极216和阴极218。在一个实施例中，物镜组件204可以包括修改的摆动减速浸入物镜(SORIL)，其包括极片204a、控制电极204b、偏转器204c和激励线圈204d。电子束工具104可以附加地包括能量色散X射线光谱仪(EDS)检测器(未示出)以表征晶片上的材料。
通过在阳极216和阴极218之间施加电压，初级电子束220从阴极218发射。初级电子束220穿过枪孔径214和束流限制孔径212，两者都可以确定进入位于束流限制孔径212下方的聚光透镜210的电子束的大小。聚光透镜210在束进入物镜孔径208之前对初级电子束220聚焦，以在进入物镜组件204之前设置电子束的大小。偏转器204c使初级电子束220偏转以支持对晶片的束扫描。例如，在扫描过程中，可以控制偏转器204c以在不同时间点将初级电子束220顺序地偏转到晶片203的上表面的不同位置，以提供用于对晶片203的不同部分进行图像重建的数据。另外，还可以控制偏转器204c以在不同时间点将初级电子束220在特定位置处偏转到晶片203的不同侧面上，以提供用于该位置处的晶片结构的立体图像重建的数据。另外，在一些实施例中，阳极216和阴极218可以被配置成生成多个初级电子束220，并且电子束工具104可以包括多个偏转器204c以将多个初级电子束220同时投射到晶片的不同部分/侧面，以提供用于对晶片203的不同部分进行图像重建的数据。
激励线圈204d和极片204a生成磁场，该磁场在极片204a的一端开始并终止于极片204a的另一端。晶片203的由初级电子束220扫描的部分可以浸没在磁场中并且可以被充电，这又产生电场。在初级电子束220与晶片碰撞之前，电场降低了撞击的初级电子束220在晶片的表面附近的能量。与极片204a电隔离的控制电极204b控制晶片上的电场以防止晶片的微拱并确保适当的束焦距。
在接收初级电子束220时，次级电子束222可以从晶片203的一部分发射。次级电子束222可以在电子检测器206的传感器表面206a和206b上形成束斑(例如，束斑240a和240b中的一个)。电子检测器206可以生成表示束斑强度的信号(例如，电压、电流等)，并将该信号提供给处理系统(图2中未示出)。次级电子束222的强度和所得到的束斑可以根据晶片203的外部和/或内部结构而变化。另外，如上面所讨论的，初级电子束220可以投射到晶片的上表面的不同位置上，和/或在特定位置处投射到晶片的不同侧面上，以生成不同强度的次级电子束222(和所得到的束斑)。因此，通过映射束斑的强度与晶片203的位置，处理系统可以重建反映晶片203的内部和/或外部结构的图像。
在晶片图像被获得之后，晶片图像可以被传输到计算机系统，其中系统可以标识晶片图像上的缺陷，并根据缺陷的类型将缺陷分类为多种类别。图3是与本公开的实施例一致的缺陷检查系统300的示意图。
参考图3，缺陷检查系统300包括晶片检验系统310、自动缺陷分类(ADC)服务器320、以及电耦合到ADC服务器320的知识推荐服务器330。晶片检验系统310可以是关于图1而描述的电子束检验(EBI)系统100。应当理解，ADC服务器320和知识推荐服务器330可以是EBI系统100的一部分和/或远离EBI系统100。
晶片检验系统310可以是能够生成晶片的检验图像的任何检验系统。晶片可以是半导体晶片衬底，或具有一个或多个外延层和/或处理膜的半导体晶片衬底。晶片检验系统310可以是任何当前可用的或正在开发的晶片检验系统。本公开的实施例不限制晶片检验系统310的具体类型，只要其能够生成具有足够高以观察晶片上的关键特征(例如，小于20nm)的分辨率的晶片图像。
ADC服务器320具有通信接口322，其电耦合到晶片检验系统310以接收晶片图像。ADC服务器320还包括处理器324，处理器324被配置成分析晶片图像，并通过使用缺陷知识文件来检测和分类出现在晶片图像上的晶片缺陷。可以由操作者手动地将缺陷知识文件提供给ADC服务器320。备选地，根据本公开的实施例，缺陷知识文件可以由知识推荐服务器330自动地提供给ADC服务器320，这将在下面详细描述。
知识推荐服务器330电耦合到ADC服务器320。知识推荐服务器330包括处理器332和存储设备334。处理器332被配置成构建多个缺陷知识文件，并将多个缺陷知识文件存储在存储设备334中。
多个缺陷知识文件包含与在晶片制造过程的各个阶段期间生成的各种类型的缺陷相关的信息。晶片制造过程的各个阶段可以包括但不限于光刻工艺、蚀刻工艺、化学机械抛光(CMP)工艺和互连形成工艺。在光刻工艺中生成的缺陷可以包括但不限于由于PR劣化或杂质的光致抗蚀剂(RP)残留缺陷、剥离缺陷、桥接缺陷、气泡缺陷和由于图案偏移的伪图案缺失缺陷。在蚀刻工艺中生成的缺陷可以包括但不限于蚀刻残留缺陷、过蚀刻、缺陷和开路缺陷。在CMP工艺中生成的缺陷可以包括但不限于浆液残留缺陷、凹陷缺陷和由于抛光速率变化的腐蚀缺陷、以及由于抛光的划痕。在互连形成工艺中生成的缺陷可以包括但不限于断线缺陷、空隙缺陷、挤压缺陷和桥接缺陷。
处理器332被配置成基于多个缺陷补块图像来构建多个缺陷知识文件。多个缺陷补块图像可以由晶片检验工具(诸如图2中所图示的电子束工具104)生成。缺陷补块图像是晶片的包含缺陷的部分的小图像(例如，34像素×34像素)。缺陷补块图像通常以缺陷为中心，并包括缺陷的相邻像素。
图4示出了金属互连层中的各种缺陷的示例性缺陷补块图像410-450。图像410是断线缺陷的补块图像。图像420是小空隙缺陷的补块图像，其中空隙的尺寸小于金属线的宽度。图像430是挤压缺陷的补块图像。图像440是大空隙缺陷的补块图像，其中空隙的尺寸大于或相当于金属线的宽度。图像450是桥接缺陷的补块图像。
仍然参考图3，可以经由机器学习过程来训练处理器332，以基于该类型缺陷的多个缺陷补块图像来构建与特定类型缺陷相关的知识文件。例如，可以训练处理器332以基于断线缺陷的多个缺陷补块图像来构建与在互连形成工艺中生成的断线缺陷相关的知识文件。
处理器332还被配置成响应于来自ADC服务器320的针对知识推荐的请求，来搜索与所接收到的请求中包括的晶片图像相匹配的知识文件，并将知识文件提供给ADC服务器320。
存储设备334存储ADC数据中心，该ADC数据中心包含与在晶片制造过程的各个阶段期间生成的各种类型的缺陷相关的多个缺陷知识文件。可以由知识推荐服务器330的处理器332构建ADC数据中心中的多个缺陷知识文件。备选地，存储设备334中的缺陷知识文件的一部分可以由用户或外部计算机系统预先设置，并且可以被预先加载到存储设备334中。
缺陷知识文件可以包括关于单个类型缺陷的一般信息。一般信息可以包括将稍后用于单个类型缺陷的分类的补块图像和特征参数(例如，尺寸、边缘粗糙度、深度、高度等)。备选地，根据本公开的一些实施例，缺陷知识文件可以包括关于存在于晶片的相同工艺层中的多种类型缺陷的一般信息。单个工艺层可以是例如衬底层、外延层、薄膜层、光致抗蚀剂层、氧化物层、金属互连层等。
图5示意性地图示了根据本公开的一些实施例的示例性缺陷知识文件。如图5中所示，知识文件510包括各自与晶片工艺层中的单个类型缺陷相关的多个子知识文件520-530。例如，晶片工艺层是金属互连层，并且知识文件510包括与金属互连层中的各种类型缺陷相关的信息。子知识文件520包括与断线缺陷相关的信息，并且包括断线缺陷的9个不同的补块图像和从9个补块图像中提取的特征。子知识文件522包括与小空隙缺陷相关的信息，并且包括小空隙缺陷的41个不同的补块图像和从9个补块图像中提取的特征。子知识文件524包括与挤压缺陷相关的信息，并且包括挤压缺陷的17个不同的补块图像和从17个补块图像中提取的特征。子知识文件526包括与大空隙缺陷相关的信息，并且包括大空隙缺陷的8个不同的补块图像和从8个补块图像中提取的特征。子知识文件528包括与桥接缺陷相关的信息，并且包括桥接缺陷的19个不同的补块图像和从19个补块图像中提取的特征。子知识文件530包括与其他类型缺陷相关的信息，并且包括其他类型缺陷的4个不同的补块图像和从4个补块图像中提取的特征。
图6是与本公开的实施例一致的用于知识推荐的示例性过程600的流程图。过程600可以由知识推荐服务器(例如，图3中图示的知识推荐服务器330)执行。知识推荐服务器由通信线缆或通过网络无线地耦合到存储多个知识文件的存储设备(例如，图3中图示的存储设备)。
根据本公开的一些实施例，基于在相同的晶片工艺层中并且在类似的检验条件下检验的缺陷可以共享相同知识文件的假设来执行用于知识推荐的过程600。也就是说，知识文件包括与在相同晶片工艺层中的并且在类似的检验条件下检验的各种缺陷相关的信息。检验条件是指生成多个缺陷补块图像的检验工具的设置。以图2中图示的电子束工具104为例，检验条件可以包括电子束尺寸、电子束能量、扫描速度、聚焦条件等。通常，不同的晶片工艺层在不同的检验条件下检验，而相同的晶片工艺层在相似的条件下检验，并且对于单个类型缺陷，所得到的检验图像将具有类似的特征。
如图6中所示，首先，在步骤602到步骤608，知识推荐服务器通过分析缺陷补块图像和晶片检验条件来预处理存储设备中的知识文件。具体地，在步骤602，知识推荐服务器从存储在存储设备中的多个知识文件中获取多个缺陷补块图像。如上面所讨论的，存储设备包括多个知识文件，并且每个知识文件包括与在相同的晶片工艺层中的不同缺陷类型相关的信息。与每种类型缺陷相关的信息包括该类型缺陷的缺陷补块图像。
在步骤604，知识推荐服务器分析缺陷补块图像，从多个缺陷补块图像中提取特征参数，并归一化特征参数。特征参数是描述缺陷的各种特征的参数。例如，缺陷的特征参数可以包括缺陷的尺寸、深度、高度、表面粗糙度、边缘粗糙度。知识推荐服务器可以直接从缺陷补块图像中提取特征参数。或者，对于某些特定类型的特征，知识推荐服务器可以基于从缺陷补块图像中提取的其他参数来计算对应的特征参数。
在步骤606，知识推荐服务器基于归一化的补块图像特征来构建多个加权表示模型。每个加权表示模型表示一种类型的缺陷，并且包括描述该种类型的缺陷的特征的多个代表性特征参数。以金属互连层中的空隙作为一种类型的缺陷的示例，存储设备然后存储金属互连层中的空隙的多个补块图像。每个补块图像包含空隙。知识推荐服务器从每个补块图像中提取特征参数的集合。每个特征参数描述空隙的多个特征(例如，尺寸、深度、边缘粗糙度)中的一个。在从空隙的所有补块图像中提取特征参数之后，知识推荐服务器针对每个特征计算与该特征相对应并且从空隙的所有多个补块图像中提取的特征参数的加权平均。当计算特征参数的加权平均时，用于每个特征参数的权重可以由用户来预设。知识推荐服务器将所计算的特征参数的加权平均作为该特征的代表性特征参数。例如，知识推荐服务器计算不同补块图像中的不同空隙的尺寸的加权平均，并将所计算的加权平均作为金属互连层中的空隙的代表性尺寸。在计算了空隙的所有特征的加权平均之后，知识推荐服务器基于空隙的特征参数的所有加权平均来构建针对空隙的加权表示模型。然后，知识推荐服务器重复相同的过程来构建针对其他类型的缺陷的加权表示模型。
在步骤608，知识推荐服务器将多个加权表示模型存储在存储设备中。例如，知识推荐服务器可以将加权表示模型添加到存储设备中的现有知识文件中。备选地，知识推荐服务器可以构建多个新的知识文件，每个新的知识文件由对应的晶片工艺层中的多种类型缺陷的多个加权表示模型组成。然后，知识推荐服务器将新的知识文件保存在存储设备中。
在步骤602至步骤608的预处理之后，知识推荐服务器可用于提供知识推荐。具体地，在步骤610，知识推荐服务器从缺陷分类服务器(例如，图3中图示的ADC服务器320)接收针对知识推荐的请求。缺陷分类服务器可以由通信线缆或通过网络无线地耦合到知识推荐服务器。针对知识推荐的请求包括晶片的由检验工具生成的检验图像，以及与检验图像中被标识的缺陷相关的信息。与缺陷相关的信息包括缺陷的补块图像和特征参数。
在步骤612，知识推荐服务器访问存储单元以搜索与检验图像中的缺陷信息相匹配的知识文件。例如，知识推荐服务器从检验图像中的缺陷的补块图像中提取特征参数。然后，知识推荐服务器将所提取的特征参数与存储在存储设备中的知识文件中的特征参数进行比较。知识推荐服务器采用特征组合搜索策略，来选择包含与从检验图像中提取的特征参数最佳匹配的缺陷特征参数的知识文件。备选地，知识推荐服务器可以采用图案搜索策略，来搜索包含与检验图像的缺陷补块图像相匹配的缺陷补块图像的知识文件。
在步骤614，知识推荐服务器将搜索结果作为知识推荐结果发送给缺陷分类服务器，然后过程600完成。如果知识推荐服务器找到与检验图像中所标识的缺陷信息相匹配的知识文件，则知识推荐服务器将知识文件提供给缺陷分类服务器。另一方面，如果知识推荐服务器不能找到与检验图像中所标识的缺陷信息相匹配的知识文件，则知识推荐服务器可以发送消息以通知缺陷分类服务器不能找到知识文件。备选地，知识推荐服务器可以向缺陷分类服务器提供默认知识文件。
备选地，根据本公开的一些实施例，如果知识推荐服务器不能找到与检验图像中所标识的缺陷信息相匹配的知识文件，则知识推荐服务器通过变化用于特征参数的权重来生成新的加权表示模型，使用新的加权表示模型来构建新的知识文件，并确定新的知识文件是否与检验图像中所标识的缺陷信息相匹配。知识推荐服务器可以重复地构建新的知识文件，直到新的知识文件与检验图像中所标识的缺陷信息相匹配。
图7是与本公开的实施例一致的用于自动缺陷分类的示例性过程700的流程图。过程700可以由缺陷分类服务器(例如，图3中的ADC服务器320)执行。缺陷分类服务器由通信线缆或通过网络无线地耦合到检验工具(例如，图2中的电子束工具104)和知识推荐服务器(例如，图3中的知识推荐服务器330)。
如图7中所示，首先，在步骤702，缺陷分类服务器接收由检验系统生成的晶片检验图像。在步骤704，缺陷分类服务器分析检验图像以标识多个缺陷，提取与每个缺陷相关的信息，然后向知识推荐服务器发送针对知识推荐的请求。针对知识推荐的请求包括与检验图像中所标识的缺陷相关的所提取的信息，其包括缺陷的补块图像和特征参数。
当知识推荐服务器接收到针对知识推荐的请求时，知识推荐服务器搜索与过程600中的请求中包括的缺陷信息相匹配的知识文件，并将搜索结果传输给缺陷分类服务器。因此，在步骤706，缺陷分类服务器从知识推荐服务器接收搜索结果。
在步骤708，缺陷分类服务器确定搜索结果是否包括与晶片检验图像的缺陷信息相匹配的知识文件。如果搜索结果不包括这种知识文件(步骤708：否)，则在步骤710，缺陷分类服务器提示用户基于晶片检验图像来构建知识文件。缺陷分类服务器可以通过在显示器上显示提示消息或向用户终端发送信号来提示用户。在步骤710之后，过程710完成。
如果搜索结果包括知识文件(步骤708：是)，则在步骤712，缺陷分类服务器通过使用由知识推荐服务器提供的知识文件来执行自动缺陷分类。在自动缺陷分类中，缺陷分类服务器将晶片检验图像中的每个缺陷的缺陷补块图像和/或特征参数与知识文件中的缺陷补块图像和/或特征参数进行比较，并标识缺陷的类型。
在自动缺陷分类之后，在步骤714，缺陷分类服务器提示用户检查缺陷分类结果。例如，缺陷分类服务器可以在显示器上显示缺陷分类结果，其显示晶片检验图像中的缺陷的补块图像，其中具有指示缺陷类型的标签。响应于该提示，用户可以在视觉上检验缺陷分类结果，确定结果是否准确，并将关于确定结果的反馈提供给缺陷分类服务器。另外，如果缺陷分类结果不准确，则用户可以校正缺陷分类结果并将关于校正结果的反馈提供给缺陷分类服务器。例如，如果一个或多个缺陷的缺陷分类结果不准确，则用户可以输入一个或多个缺陷的正确类型的名称。
在步骤716，缺陷分类服务器确定缺陷分类结果是否准确。如果缺陷分类结果准确(步骤716：是)，则过程700完成。如果缺陷分类结果不准确(步骤716：否)，则在步骤718，缺陷分类服务器将用户的校正结果反馈传递给知识推荐服务器。然后，知识推荐服务器可以利用校正结果来更新存储单元中的知识文件。在步骤718之后，该过程完成。
图8是可以利用其实现本文描述的实施例的示例性计算机系统800的框图。可以利用计算机系统800实现上文描述的知识推荐服务器和缺陷分类服务器中的至少一个。
计算机系统800包括用于传送信息的总线802或其他通信机制，以及与总线802耦合以用于处理信息的一个或多个硬件处理器804(为了简单起见表示为处理器804；例如，图3的知识推荐服务器330的处理器332或缺陷分类服务器320的处理器324)。硬件处理器804可以是例如一个或多个微处理器。
计算机系统800还包括耦合到总线802的主存储器806(诸如随机存取存储器(RAM)或其他动态存储设备)，以用于存储将由处理器804执行的信息和指令。主存储器806还可以用于在将由处理器804执行的指令的执行期间存储临时变量或其他中间信息。这样的指令在被存储在处理器804可访问的非暂态存储介质中之后，使计算机系统800成为被定制成执行指令中指定的操作的专用机器。
计算机系统800还包括耦合到总线802的只读存储器(ROM)808或其他静态存储设备，以用于存储用于处理器804的静态信息和指令。诸如磁盘、光盘或USB拇指驱动器(闪存驱动器)等的存储设备810(例如，图3的知识推荐服务器330的存储设备334)被提供并耦合到总线802，以用于存储信息和指令。
计算机系统800可以经由总线802耦合到显示器812，诸如阴极射线管(CRT)、液晶显示器(LCD)或触摸屏，以用于向计算机用户显示信息。包括字母数字键和其他键的输入设备814耦合到总线802，以用于将信息和命令选择传送给处理器804。另一种类型的用户输入设备是光标控制816，诸如鼠标、轨迹球或光标方向键，以用于将方向信息和命令选择传送给处理器804并用于控制显示器812上的光标移动。输入设备通常在两个轴(第一轴(例如，x)和第二轴(例如，y))上具有两个自由度，这允许设备指定平面中的位置。在一些实施例中，可以在没有光标的情况下经由接收触摸屏上的触摸来实现与光标控制相同的方向信息和命令选择。
计算系统800可以包括用户界面模块，以实现图形用户界面(GUI)，其可以作为由一个或多个计算设备执行的可执行软件代码存储在大容量存储设备中。作为示例，该模块和其他模块可以包括各种组件，诸如软件组件、面向对象的软件组件、类组件和任务组件、过程、功能、字段、程序、子例程、程序代码段、驱动器、固件、微码、电路、数据、数据库、数据结构、表、数组和变量。模块可以包括例如图3中图示的系统300的一个或多个组件。
计算机系统800可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑(其与计算机系统组合使得计算机系统800成为或将计算机系统800编程为专用的机器)来实现本文所描述的技术。根据一些实施例，由计算机系统800响应于处理器804执行包含在主存储器806中的一个或多个指令的一个或多个序列来执行本文描述的操作、功能和技术以及其他特征。这种指令可以从另一存储介质(诸如存储设备810)读入到主存储器806中。包含在主存储器806中的指令的序列的执行使得处理器804执行本文描述的方法步骤(例如，图6的过程600，或图7的过程700)。在备选实施例中，可以使用硬连线电路装置代替软件指令或与软件指令组合。
可以使用以下条款来进一步描述实施例：
1.一种用于缺陷检查的知识推荐的服务器，包括：
处理器，电子地耦合到存储与晶片缺陷相关的多个知识文件的电子存储设备，该处理器被配置成执行指令的集合以使得服务器：
从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；
搜索电子存储设备中与检验图像相匹配的知识文件；以及
向缺陷分类服务器传输搜索结果。
2.根据条款1所述的服务器，其中该处理器被配置成执行指令的集合以使得服务器：
从电子存储设备中的知识文件中获取多个缺陷补块图像；
从多个缺陷补块图像中提取特征参数并归一化特征参数；
基于归一化的特征参数生成多个加权表示模型，每个加权表示模型表示缺陷类型；以及
将加权表示模型存储在电子存储设备中。
3.根据条款1所述的服务器，其中针对知识推荐的请求包括检验图像中被标识的多个缺陷的特征参数，以及
在搜索与检验图像相匹配的知识文件中，处理器被配置成执行指令的集合以使得服务器：
将在检验图像中被标识的多个缺陷的特征参数与电子存储设备中的知识文件中的特征参数进行比较；以及
搜索具有与在新获得的检验图像中被标识的多个缺陷的特征参数相匹配的特征参数的知识文件。
4.根据条款1至3中的任一项所述的服务器，其中每个知识文件包括在相同的晶片工艺层中的并且在相同的检验条件下由检验工具生成的不同类型缺陷的多个缺陷补块图像和特征参数。
5.根据条款1至4中的任一项所述的服务器，其中缺陷补块图像由电子束检验工具生成。
6.一种用于缺陷分类的服务器，包括：
处理器，被配置成执行指令的集合以使得服务器：
从检验工具接收晶片的检验图像；
向知识推荐服务器发送针对知识推荐的请求；
从知识推荐服务器接收知识推荐结果；
确定知识推荐结果是否包括知识文件；以及
响应于确定知识推荐结果包括知识文件，通过使用知识文件对检验图像执行自动缺陷分类。
7.根据条款6所述的服务器，其中处理器被配置成执行指令的集合以使得服务器：
响应于确定知识推荐结果不包括知识文件，提示用户基于检验图像来构建知识文件。
8.根据条款6所述的服务器，其中处理器被配置成执行指令的集合以使得服务器：
在对检验图像执行自动缺陷分类之后，提示用户检查自动缺陷分类的结果。
9.根据条款8所述的服务器，其中处理器被配置成执行指令的集合以使得服务器：
响应于从用户接收到指示自动缺陷分类的结果不准确并且包括校正的缺陷分类结果的输入，向知识推荐服务器传输校正的缺陷分类结果，
其中知识推荐服务器基于校正的缺陷分类结果来更新知识文件。
10.根据条款6至9中任一项所述的服务器，其中检验工具是电子束检验工具。
11.一种缺陷检查系统，包括：
用于检验晶片的检验工具；
缺陷分类服务器，电子地耦合到检验工具，并且包括处理器，处理器被配置成执行指令的集合以使得缺陷分类服务器：
从检验工具接收晶片的检验图像；以及
发送针对用于对检验图像进行检验的知识推荐的请求；
知识推荐服务器，电子地耦合到缺陷分类服务器，并且包括处理器，处理器被配置成执行指令的集合以使得知识推荐服务器：
响应于从缺陷推荐服务器接收到针对知识推荐的请求，搜索与检验图像相匹配的知识文件；以及
向缺陷分类服务器传输知识推荐结果。
12.根据条款11所述的缺陷检查系统，其中知识推荐服务器包括存储与晶片缺陷相关的多个知识文件的电子存储设备。
13.根据条款12所述的缺陷检查系统，其中知识推荐服务器的处理器被配置成执行指令的集合以使得知识推荐服务器：
从电子存储设备中的知识文件中获取多个缺陷补块图像；
从多个缺陷补块图像中提取特征参数并归一化特征参数；
基于归一化的特征参数生成多个加权表示模型，每个加权表示模型表示缺陷类型；以及
将加权表示模型存储在电子存储设备中。
14.根据条款13所述的缺陷检查系统，其中针对知识推荐的请求包括在新获得的检验图像中被标识的多个缺陷的特征参数，以及
将检验图像中被标识的多个缺陷的特征参数与电子存储设备中的知识文件中的特征参数进行比较；以及
搜索具有与新获得的检验图像中被标识的多个缺陷的特征参数相匹配的特征参数的知识文件。
15.根据条款12至14中的任一项所述的缺陷检查系统，其中每个知识文件包括在相同的晶片工艺层中的并且在相同的检验条件下由检验工具生成的不同类型缺陷的多个缺陷补块图像和特征参数。
16.根据条款11至15中的任一项所述的缺陷检查系统，其中检验工具是电子束检验工具。
17.根据条款11至16中的任一项所述的缺陷检查系统，其中缺陷分类服务器的处理器被配置成执行指令的集合以使得缺陷分类服务器：
确定从知识推荐服务器传输的知识推荐结果是否包括知识文件；以及
响应于确定知识推荐结果包括知识文件，通过使用知识文件对检验图像执行自动缺陷分类。
18.根据条款11至17中的任一项所述的缺陷检查系统，其中缺陷分类服务器的处理器被配置成执行指令的集合以使得缺陷分类服务器：
响应于确定知识推荐结果不包括知识文件，提示用户基于检验图像来构建知识文件。
19.根据条款11至17中的任一项所述的缺陷检查系统，其中缺陷分类服务器的处理器被配置成执行指令的集合以使得缺陷分类服务器：
在对检验图像执行自动缺陷分类之后，提示用户检查自动缺陷分类的结果。
20.根据条款19所述的缺陷检查系统，其中缺陷分类服务器的处理器被配置成执行指令的集合以使得缺陷分类服务器：
响应于从用户接收到指示自动缺陷分类的结果不准确并且包括校正的缺陷分类结果的输入，向知识推荐服务器传输校正的缺陷分类结果，
其中知识推荐服务器的处理器被配置成执行指令的集合以使得知识推荐服务器根据校正的缺陷分类结果来更新电子存储设备中的知识文件。
21.一种用于知识推荐的方法，包括：
从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；
搜索电子存储设备中与检验图像相匹配的知识文件，电子存储设备存储与晶片缺陷相关的多个知识文件；以及
向缺陷分类服务器传输搜索结果。
22.根据条款21所述的方法，还包括：
从多个知识文件中获取多个缺陷补块图像；
从多个缺陷补块图像中提取特征参数并归一化特征参数；
基于归一化的特征参数生成多个加权表示模型，每个加权表示模型表示缺陷类型；以及
将加权表示模型存储在电子存储设备中。
23.根据条款21所述的方法，其中针对知识推荐的请求包括检验图像中被标识的多个缺陷的特征参数，并且
搜索知识文件还包括：
将检验图像中被标识的多个缺陷的特征参数与电子存储设备中的知识文件中的特征参数进行比较；以及
搜索具有与新获得的检验图像中被标识的多个缺陷的特征参数相匹配的特征参数的知识文件。
24.根据条款21至23中的任一项所述的方法，其中每个知识文件包括在相同的晶片工艺层中的并且在相同的检验条件下由检验工具生成的不同类型缺陷的多个缺陷补块图像和特征参数。
25.根据条款21至24中的任一项所述的方法，其中缺陷补块图像由电子束检验工具生成。
26.一种用于缺陷分类的方法，包括：
从检验工具接收晶片的检验图像；
向知识推荐服务器发送针对知识推荐的请求；
从知识推荐服务器接收知识推荐结果；
确定知识推荐结果是否包括知识文件；以及
响应于确定知识推荐结果包括知识文件，通过使用知识文件对检验图像执行自动缺陷分类。
27.根据条款26所述的方法，还包括：
响应于确定知识推荐结果不包括知识文件，提示用户基于检验图像来构建知识文件。
28.根据条款26所述的方法，还包括：
在对检验图像执行自动缺陷分类之后，提示用户检查自动缺陷分类的结果。
29.根据条款28所述的方法，还包括：
响应于从用户接收到指示自动缺陷分类的结果不准确并且包括校正的缺陷分类结果的输入，向知识推荐服务器传输校正的缺陷分类结果，
其中知识推荐服务器基于校正的缺陷分类结果来更新知识文件。
30.根据条款26至29中的任一项所述的方法，其中检验工具是电子束检验工具。
31.一种用于缺陷检查的方法，包括：
由缺陷分类服务器从检验工具接收晶片的检验图像；
由缺陷分类服务器向知识推荐服务器，发送针对用于对检验图像进行检验的知识推荐的请求；
响应于从缺陷推荐服务器接收到针对知识推荐的请求，由知识推荐服务器搜索与检验图像相匹配的知识文件；
由知识推荐服务器向缺陷分类服务器传输知识推荐结果；
由缺陷分类服务器确定从知识推荐服务器传输的知识推荐结果是否包括知识文件；以及
响应于确定知识推荐结果包括知识文件，由缺陷分类服务器通过使用知识文件对检验图像执行自动缺陷分类。
32.一种非暂态计算机可读介质，其存储指令的集合，该指令的集合由知识推荐服务器的至少一个处理器可执行以使得知识推荐服务器执行一种方法，该方法包括：
从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；
搜索电子存储设备中与检验图像相匹配的知识文件，电子存储设备存储与晶片缺陷相关的多个知识文件；以及
向缺陷分类服务器传输搜索结果。
33.根据条款32所述的非暂态计算机可读介质，其中方法还包括：
从多个知识文件中获取多个缺陷补块图像；
从多个缺陷补块图像中提取特征参数并归一化特征参数；
基于归一化的特征参数生成多个加权表示模型，每个加权表示模型表示缺陷类型；以及
将加权表示模型存储在电子存储设备中。
34.根据条款32所述的非暂态计算机可读介质，其中针对知识推荐的请求包括检验图像中被标识的多个缺陷的特征参数，并且
方法还包括：
将检验图像中被标识的多个缺陷的特征参数与电子存储设备中的知识文件中的特征参数进行比较；以及
搜索具有与新获得的检验图像中被标识的多个缺陷的特征参数相匹配的特征参数的知识文件。
35.根据条款32至34所述的非暂态计算机可读介质，其中每个知识文件包括在相同的晶片工艺层中的并且在相同的检验条件下由检验工具生成的不同类型缺陷的多个缺陷补块图像和特征参数。
36.根据条款32至35所述的非暂态计算机可读介质，其中缺陷补块图像由电子束检验工具生成。
37.一种非暂态计算机可读介质，其存储指令的集合，该指令的集合由缺陷分类服务器的至少一个处理器可执行以使得缺陷分类服务器执行一种方法，该方法包括：
从检验工具接收晶片的检验图像；
向知识推荐服务器发送针对知识推荐的请求；
从知识推荐服务器接收知识推荐结果；
确定知识推荐结果是否包括知识文件；以及
响应于确定知识推荐结果包括知识文件，通过使用知识文件对检验图像执行自动缺陷分类。
38.根据条款37所述的非暂态计算机可读介质，其中方法还包括：
响应于确定知识推荐结果不包括知识文件，提示用户基于检验图像来构建知识文件。
39.根据条款37所述的非暂态计算机可读介质，其中方法还包括：
在对检验图像执行自动缺陷分类之后，提示用户检查自动缺陷分类的结果。
40.根据条款39所述的非暂态计算机可读介质，其中方法还包括：
响应于从用户接收到指示自动缺陷分类的结果不准确并且包括校正的缺陷分类结果的输入，向知识推荐服务器传输校正的缺陷分类结果，
其中知识推荐服务器基于校正的缺陷分类结果来更新知识文件。
41.根据条款37至40中的任一项所述的非暂态计算机可读介质，其中检验工具是电子束检验工具。
本文使用的术语“非暂态介质”是指存储使得机器以特定方式操作的数据和/或指令的任何非暂态介质。这种非暂态介质可以包括非易失性介质和/或易失性介质。非易失性介质可以包括例如光盘或磁盘，诸如存储设备810。易失性介质可以包括动态存储器，诸如主存储器806。非暂态介质包括例如软盘、柔性盘、硬盘、固态驱动、磁带或任何其他磁性数据存储介质、CD-ROM、任何其他光学数据存储介质、具有孔图案的任何物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、闪存、寄存器、高速缓存、任何其他存储器芯片或盒式磁带、及其联网版本。
非暂态介质不同于传输介质，但可以与传输介质结合使用。传输介质可以参与在存储介质之间传递信息。例如，传输介质可以包括同轴线缆、铜线和光纤，包括包含总线802的导线。传输介质也可以采用声波或光波的形式，诸如在无线电波和红外数据通信期间生成的那些。
在将一个或多个指令的一个或多个序列承载到处理器804以供执行时可以涉及各种形式的介质。例如，指令最初可以在远程计算机的磁盘或固态驱动上承载。远程计算机可以将指令加载到其动态存储器中，并使用调制解调器通过电话线发送指令。计算机系统800本地的调制解调器可以在电话线上接收数据，并使用红外发射器将数据转换成红外信号。红外检测器可以接收红外信号中承载的数据，并且适当的电路可以将数据置于总线802上。总线802将数据承载到主存储器806，处理器804从主存储器806取回并执行指令。由主存储器806接收的指令可以可选地在由处理器804执行之前或之后存储在存储设备810上。
计算机系统800还可以包括耦合到总线802的通信接口818。通信接口818(例如，图3的缺陷分类服务器320的通信接口322或知识推荐服务器330的任何通信接口(未示出))可以提供耦合到可以连接到本地网络822的网络链路820的双向数据通信。例如，通信接口818可以是综合业务数字网(ISDN)卡、线缆调制解调器、卫星调制解调器、或提供与对应类型的电话线的数据通信连接的调制解调器。作为另一示例，通信接口818可以是局域网(LAN)卡，以提供与兼容LAN的数据通信连接。还可以实现无线链路。在任何这样的实现中，通信接口818可以发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。
网络链路820通常可以通过一个或多个网络向其他数据设备提供数据通信。例如，网络链路820可以通过本地网络822提供到主机计算机824或由因特网服务提供商(ISP)826操作的数据设备的连接。ISP 826又可以通过现在通常被称为“因特网”828的全球分组数据通信网络来提供数据通信服务。本地网络822和因特网828都使用承载数字数据流的电信号、电磁信号或光信号。通过各种网络的信号以及在网络链路820上和通过通信接口818的信号(其将数字数据承载到计算机系统800和承载来自计算机系统800的数字数据)可以是传输介质的示例形式。
计算机系统800可以通过(多个)网络、网络链路820和通信接口818发送消息和接收包括程序代码的数据。在因特网示例中，服务器830可以通过因特网828、ISP 826、本地网络822和通信接口818传输用于应用程序的请求代码。
所接收的代码可以在其被接收时由处理器804执行，和/或存储在存储设备810或其他非易失性存储器中以供稍后执行。在一些实施例中，服务器830可以提供用于在显示器上显示的信息。
根据以上公开的实施例，缺陷检查系统包括知识推荐服务器，知识推荐服务器可以向缺陷分类服务器提供推荐的知识文件，该缺陷分类服务器可以通过使用知识文件对缺陷进行分类。与用户需要在视觉上分析新获得的晶片检验图像并且花费大量时间搜索用于在缺陷分类使用的知识文件的通常的缺陷检查系统相比，所公开实施例的缺陷检查系统可以在实时场景中执行整个缺陷检查过程，即，在生成晶片检验图像时立即执行，而没有用户干预。因此，增加了缺陷检查过程的吞吐量。
另外，通常的缺陷检查系统依赖于用户的经验来选择用于在缺陷分类中使用的知识文件，这可能导致不准确的缺陷分类结果。相比之下，所公开实施例的知识推荐系统基于从缺陷补块图像中提取的缺陷特征参数来搜索知识文件，这可以生成更准确的结果。
虽然已经结合各种实施例描述了本发明，但是考虑到本文公开的本发明的说明书和实践，本发明的其他实施例对于本领域技术人员来说将是显而易见的。说明书和实施例仅被认为是示例性的，本发明的真实范围和精神由所附权利要求指示。

Claims (11)

1.一种用于缺陷检查的知识推荐的服务器，包括：
处理器，电子地耦合到存储与晶片缺陷相关的多个知识文件的电子存储设备，所述处理器被配置成执行指令的集合以使得所述服务器：
从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；
搜索所述电子存储设备中与所述检验图像相匹配的知识文件；以及
向所述缺陷分类服务器传输搜索结果使得所述缺陷分类服务器进行自动缺陷分类或构建知识文件，其中每个知识文件包括相同的晶片工艺层中并且由检验工具在相同的检验条件下生成的不同类型缺陷的多个缺陷补块图像和特征参数。
2.根据权利要求1所述的服务器，其中所述处理器被配置成执行所述指令的集合以使得所述服务器：
从所述电子存储设备中的所述知识文件中获取多个缺陷补块图像；
从所述多个缺陷补块图像中提取特征参数，并且归一化所述特征参数；
基于归一化的所述特征参数生成多个加权表示模型，每个加权表示模型表示缺陷类型；以及
将所述加权表示模型存储在所述电子存储设备中。
3.根据权利要求1所述的服务器，其中针对知识推荐的所述请求包括所述检验图像中被标识的多个缺陷的特征参数，并且
在搜索与所述检验图像相匹配的知识文件中，所述处理器被配置成执行所述指令的集合以使得所述服务器：
将所述检验图像中被标识的所述多个缺陷的所述特征参数与所述电子存储设备中的所述知识文件中的所述特征参数进行比较；以及
搜索具有与新获得的所述检验图像中被标识的所述多个缺陷的所述特征参数相匹配的特征参数的知识文件。
4.根据权利要求1所述的服务器，其中所述缺陷补块图像由电子束检验工具生成。
5.一种用于缺陷分类的缺陷分类服务器，包括：
处理器，被配置成执行指令的集合以使得所述缺陷分类服务器：
从检验工具接收晶片的检验图像；
向知识推荐服务器发送针对知识推荐的请求；
从所述知识推荐服务器接收知识推荐结果；
确定所述知识推荐结果是否包括知识文件；以及
响应于确定知识推荐结果包括知识文件，通过使用所述知识文件对所述检验图像执行自动缺陷分类，
其中所述缺陷分类处理器被配置成执行指令的集合以使得所述服务器：
响应于确定知识推荐结果不包括知识文件，提示用户基于所述检验图像来构建知识文件。
6.根据权利要求5所述的服务器，其中所述处理器被配置成执行指令的集合以使得所述服务器：
在对所述检验图像执行所述自动缺陷分类之后，提示用户检查所述自动缺陷分类的结果，和/或
其中所述处理器被配置成执行指令的集合以使得所述服务器：
响应于从所述用户接收到指示所述自动缺陷分类的所述结果不准确、并且包括校正的缺陷分类结果的输入，向所述知识推荐服务器传输所述校正的缺陷分类结果，
其中所述知识推荐服务器基于所述校正的缺陷分类结果来更新所述知识文件。
7.根据权利要求5所述的服务器，其中所述检验工具是电子束检验工具。
8.一种用于知识推荐的方法，包括：
从缺陷分类服务器接收针对用于对检验图像进行检验的知识推荐的请求；
搜索电子存储设备中与所述检验图像相匹配的知识文件，所述电子存储设备存储与晶片缺陷相关的多个知识文件；
从所述多个知识文件中获取多个缺陷补块图像；其中所述缺陷补块图像由电子束检验工具生成；以及
向所述缺陷分类服务器传输搜索结果使得所述缺陷分类服务器进行自动缺陷分类或构建知识文件。
9.根据权利要求8所述的方法，还包括：
从所述多个缺陷补块图像中提取特征参数，并且归一化所述特征参数；
基于归一化的所述特征参数生成多个加权表示模型，每个加权表示模型表示缺陷类型；和
将所述加权表示模型存储在所述电子存储设备中。
10.根据权利要求8所述的方法，其中针对知识推荐的所述请求包括所述检验图像中被标识的多个缺陷的特征参数，并且
搜索知识文件还包括：
将所述检验图像中被标识的所述多个缺陷的所述特征参数与所述电子存储设备中的所述知识文件中的所述特征参数进行比较；以及
搜索具有与新获得的所述检验图像中被标识的所述多个缺陷的所述特征参数相匹配的特征参数的知识文件。
11.根据权利要求8所述的方法，其中每个知识文件包括相同的晶片工艺层中并且由检验工具在相同的检验条件下生成的不同类型缺陷的多个缺陷补块图像和特征参数。
CN201880007391.6A 2017-01-18 2018-01-15 用于缺陷检查的知识推荐的服务器和方法 Active CN110998463B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762447565P 2017-01-18 2017-01-18
US62/447,565 2017-01-18
US201762612593P 2017-12-31 2017-12-31
US62/612,593 2017-12-31
PCT/EP2018/050903 WO2018134158A1 (en) 2017-01-18 2018-01-15 Knowledge recommendation for defect review

Publications (2)

Publication Number Publication Date
CN110998463A CN110998463A (zh) 2020-04-10
CN110998463B true CN110998463B (zh) 2023-08-25

Family

ID=60997492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880007391.6A Active CN110998463B (zh) 2017-01-18 2018-01-15 用于缺陷检查的知识推荐的服务器和方法

Country Status (5)

Country Link
US (1) US11650576B2 (zh)
KR (2) KR102357310B1 (zh)
CN (1) CN110998463B (zh)
TW (2) TWI709182B (zh)
WO (1) WO2018134158A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11256967B2 (en) * 2020-01-27 2022-02-22 Kla Corporation Characterization system and method with guided defect discovery

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1392954A (zh) * 2000-10-02 2003-01-22 应用材料有限公司 缺陷知识库
US6763130B1 (en) * 1999-07-21 2004-07-13 Applied Materials, Inc. Real time defect source identification
CN1650296A (zh) * 2002-02-28 2005-08-03 Pdf技术公司 线复制测试设备的后端
CN101120329A (zh) * 2004-10-12 2008-02-06 恪纳腾技术公司 用于分类样品上的缺陷的计算机实现的方法和系统
CN101246834A (zh) * 2000-10-02 2008-08-20 应用材料有限公司 缺陷知识库
CN103344660A (zh) * 2013-06-27 2013-10-09 上海华力微电子有限公司 一种按照电路图形进行缺陷检测的电子显微镜分析方法
TW201511156A (zh) * 2013-08-06 2015-03-16 Kla Tencor Corp 使用經程式化缺陷設定一晶圓檢查流程
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN105334216A (zh) * 2014-06-10 2016-02-17 通用电气公司 用于自动部件检查的方法与系统
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
JP2001168160A (ja) * 1999-12-07 2001-06-22 Sony Corp 半導体ウェハの検査システム
US20020065900A1 (en) 2000-10-02 2002-05-30 Applied Materials, Inc. Method and apparatus for communicating images, data, or other information in a defect source identifier
US6701259B2 (en) * 2000-10-02 2004-03-02 Applied Materials, Inc. Defect source identifier
EP1322941A2 (en) 2000-10-02 2003-07-02 Applied Materials, Inc. Defect source identifier
US7283659B1 (en) * 2002-01-09 2007-10-16 Kla-Tencor Technologies Corporation Apparatus and methods for searching through and analyzing defect images and wafer maps
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
JP2007024737A (ja) * 2005-07-20 2007-02-01 Hitachi High-Technologies Corp 半導体の欠陥検査装置及びその方法
TW200811978A (en) * 2006-05-07 2008-03-01 Applied Materials Inc Ranged fault signatures for fault diagnosis
KR100881536B1 (ko) * 2007-08-06 2009-02-05 주식회사 하이닉스반도체 블럭 디코더 및 이를 포함하는 반도체 메모리 소자
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
TWI508282B (zh) * 2008-08-08 2015-11-11 Semiconductor Energy Lab 半導體裝置及其製造方法
US8150140B2 (en) * 2008-12-22 2012-04-03 Ngr Inc. System and method for a semiconductor lithographic process control using statistical information in defect identification
SG164292A1 (en) * 2009-01-13 2010-09-29 Semiconductor Technologies & Instruments Pte System and method for inspecting a wafer
US8914471B2 (en) * 2010-05-28 2014-12-16 Qualcomm Incorporated File delivery over a broadcast network using file system abstraction, broadcast schedule messages and selective reception
JP2012083147A (ja) * 2010-10-08 2012-04-26 Hitachi High-Technologies Corp 欠陥分類システム及び欠陥分類装置及び画像撮像装置
CA2790799C (en) * 2011-09-25 2023-03-21 Mathieu Audet Method and apparatus of navigating information element axes
JP6080379B2 (ja) * 2012-04-23 2017-02-15 株式会社日立ハイテクノロジーズ 半導体欠陥分類装置及び半導体欠陥分類装置用のプログラム
US10192303B2 (en) * 2012-11-12 2019-01-29 Kla Tencor Corporation Method and system for mixed mode wafer inspection
US9272421B2 (en) * 2013-01-07 2016-03-01 Milos Misha Subotincic Visually controlled end effector
KR102019534B1 (ko) * 2013-02-01 2019-09-09 케이엘에이 코포레이션 결함 특유의, 다중 채널 정보를 이용한 웨이퍼 상의 결함 검출
US10114368B2 (en) * 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification
US9471594B1 (en) 2013-09-30 2016-10-18 Emc Corporation Defect remediation within a system
US9859138B2 (en) * 2014-10-20 2018-01-02 Lam Research Corporation Integrated substrate defect detection using precision coating
US10312161B2 (en) * 2015-03-23 2019-06-04 Applied Materials Israel Ltd. Process window analysis
KR102334698B1 (ko) * 2017-01-18 2021-12-06 에이에스엠엘 네델란즈 비.브이. 캐스케이드 결함 검사

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6763130B1 (en) * 1999-07-21 2004-07-13 Applied Materials, Inc. Real time defect source identification
CN1392954A (zh) * 2000-10-02 2003-01-22 应用材料有限公司 缺陷知识库
CN101246834A (zh) * 2000-10-02 2008-08-20 应用材料有限公司 缺陷知识库
CN1650296A (zh) * 2002-02-28 2005-08-03 Pdf技术公司 线复制测试设备的后端
CN101120329A (zh) * 2004-10-12 2008-02-06 恪纳腾技术公司 用于分类样品上的缺陷的计算机实现的方法和系统
CN103344660A (zh) * 2013-06-27 2013-10-09 上海华力微电子有限公司 一种按照电路图形进行缺陷检测的电子显微镜分析方法
TW201511156A (zh) * 2013-08-06 2015-03-16 Kla Tencor Corp 使用經程式化缺陷設定一晶圓檢查流程
CN105334216A (zh) * 2014-06-10 2016-02-17 通用电气公司 用于自动部件检查的方法与系统
CN104914111A (zh) * 2015-05-18 2015-09-16 北京华检智研软件技术有限责任公司 一种带钢表面缺陷在线智能识别检测系统及其检测方法
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统

Also Published As

Publication number Publication date
TW202117883A (zh) 2021-05-01
TWI793455B (zh) 2023-02-21
KR20220019063A (ko) 2022-02-15
KR102468184B1 (ko) 2022-11-17
TW201841276A (zh) 2018-11-16
US20190362488A1 (en) 2019-11-28
US11650576B2 (en) 2023-05-16
KR20190103407A (ko) 2019-09-04
WO2018134158A1 (en) 2018-07-26
TWI709182B (zh) 2020-11-01
KR102357310B1 (ko) 2022-01-28
CN110998463A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
US11238579B2 (en) Defect pattern grouping method and system
TWI688761B (zh) 缺陷顯示方法
US11450122B2 (en) Methods and systems for defect inspection and review
US11216938B2 (en) Systems and methods of optimal metrology guidance
JP2022515353A (ja) 電子ビーム画像向上のための完全自動ｓｅｍサンプリングシステム
US11842420B2 (en) Method and apparatus for adaptive alignment
CN110998463B (zh) 用于缺陷检查的知识推荐的服务器和方法
CN109643106B (zh) 用于提高半导体制造产率的方法
US20050075841A1 (en) Automated defect classification system and method
TWI823174B (zh) 非暫時性電腦可讀媒體及使用機器學習模型識別位置之設備
US20230093535A1 (en) Apparatus and method for automated grid validation
TW202410111A (zh) 基於主動學習之缺陷位置識別
WO2022128694A1 (en) Training machine learning models based on partial datasets for defect location identification
WO2024083437A1 (en) Defect map based d2d alignment of images for machine learning training data preparation

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