CN111052331B - 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法 - Google Patents

识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法 Download PDF

Info

Publication number
CN111052331B
CN111052331B CN201880056014.1A CN201880056014A CN111052331B CN 111052331 B CN111052331 B CN 111052331B CN 201880056014 A CN201880056014 A CN 201880056014A CN 111052331 B CN111052331 B CN 111052331B
Authority
CN
China
Prior art keywords
defect
wafer
location
defects
measurement points
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
CN201880056014.1A
Other languages
English (en)
Other versions
CN111052331A (zh
Inventor
M·普利哈尔
B·达菲
M·冯登霍夫
A·克罗斯
K·沙赫
A·马尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Tencor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN111052331A publication Critical patent/CN111052331A/zh
Application granted granted Critical
Publication of CN111052331B publication Critical patent/CN111052331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—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
    • 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
    • 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
    • G06T2207/20—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

Landscapes

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

Abstract

本发明提供用于识别在晶片上检测到的缺陷中的扰乱及所关注缺陷DOI的方法及系统。一种方法包含获取由在测量点的阵列处对所述晶片执行测量的计量工具产生的针对所述晶片的计量数据。在一个实施例中，所述测量点是在于所述晶片上检测所述缺陷之前且独立于在所述晶片上检测到的所述缺陷而确定的。所述方法还包含相对于所述晶片上的所述测量点的位置而确定在所述晶片上检测到的所述缺陷的位置，及基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷。另外，所述方法包含基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是DOI。

Description

识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法
技术领域
本发明大体来说涉及用于识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的方法及系统。
背景技术
以下说明及实例并不由于其包含于此章节中而被认为是现有技术。
制作半导体装置(例如，逻辑装置及存储器装置)通常包含使用众多半导体制作过程来处理衬底(例如，半导体晶片)，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光罩转印到布置于半导体晶片上的抗蚀剂的半导体制作过程。半导体制作过程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。可将多个半导体装置制作成单个半导体晶片上的布置中，且然后将其分离成个别半导体装置。
在半导体制造过程期间的各种步骤处使用检验过程来检测晶片上的缺陷以促成制造过程的较高合格率且因此促成较高利润。检验一直以来均是制作例如IC等半导体装置的重要部分。然而，随着半导体装置尺寸减小，检验对于成功制造出可接受的半导体装置变得更加重要，这是因为较小缺陷便可能会导致装置出故障。
然而，随着设计规则缩小，半导体制造过程可更接近于对所述过程的性能能力的极限而操作。另外，随着设计规则缩小，较小缺陷便可对装置的电参数造成影响，这促使更敏感的检验。因此，随着设计规则缩小，通过检验检测到的潜在合格率相关缺陷的群体极大增多，且通过检验检测到的扰乱缺陷的群体也极大增加。
相对高扰乱率是常见问题且会阻止足够热地运行(即，达到本底噪声(noisefloor))来发现基本上小的缺陷。识别扰乱缺陷通常是找到正确扰乱抑制技术的关键。可使用扫描电子显微镜(SEM)图像来将光学图像与SEM图像关联起来以找出扰乱缺陷的来源，但这是漫长且耗时的过程。另外，通常扰乱缺陷在SEM图像中是不可见的，这使得无法预测扰乱缺陷被引入于哪一层及哪一经图案化特征中。作为替代方案，可对扰乱缺陷执行透射电子显微镜(TEM)横切，但这是基本上耗时的技术，且基本上难以发现扰乱缺陷的位置。
因此，开发用于识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的不具有上文所描述的缺点中的一或多者的系统及/或方法将是有利的。
发明内容
对各种实施例的以下说明决不应被视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识别在晶片上检测到的缺陷中的扰乱及所关注缺陷(DOI)的系统。所述系统包含检验子系统，所述检验子系统至少包含能量源及检测器。所述能量源经配置以产生被引导到晶片的能量。所述检测器经配置以检测来自所述晶片的能量且响应于所述所检测到的能量而产生输出。所述系统还包含经配置以通过对所述输出应用缺陷检测方法来在所述晶片上检测缺陷的一或多个计算机子系统。所述一或多个计算机子系统还经配置以获取所述晶片的计量数据。所述计量数据是由在所述晶片上的测量点的阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的。所述晶片上的所述测量点的密度小于所述晶片上的检验点的密度，所述检测器在对所述晶片进行检验期间在所述检验点处产生所述输出。
所述一或多个计算机子系统还经配置以相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置。所述一或多个计算机子系统进一步经配置以基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷。所述指派包含，对于在所述测量点处被检测到的所述缺陷，基于所述测量点中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述缺陷。所述指派还包含，对于在所述测量点中的任一者处均未被检测到的所述缺陷，依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据。所述一或多个计算机子系统还经配置以基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷。可按照本文中的描述而对所述系统进行进一步配置。
另一实施例涉及一种用于识别晶片上的扰乱及DOI的计算机实施的方法。所述方法包含通过对由检验子系统的检测器针对所述晶片产生的输出应用缺陷检测方法来检测所述晶片上的缺陷。按照上文的描述对所述检验子系统进行配置。所述方法还包含获取所述晶片的计量数据。所述计量数据是按照上文的描述产生。另外，所述方法包含相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置。所述方法进一步包含基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷。所述指派是按照上文的描述而执行。所述方法还包含基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷。通过耦合到所述检验子系统的一或多个计算机子系统来执行所述检测、所述获取、所述确定所述位置、所述指派及所述确定所述缺陷是扰乱还是DOI等步骤。
可如本文中进一步所描述而进一步执行上文所描述的方法的步骤中的每一者。另外，上文所描述的方法可包含本文中所描述的任何其它方法的任何其它步骤。此外，上文所描述的方法可由本文中所描述的系统中的任一者来执行。
额外实施例涉及存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于识别在晶片上检测到的缺陷中的扰乱及DIO的计算机实施的方法。所述计算机实施的方法包含上文所描述的方法的步骤。可如本文中所描述而对所述计算机可读媒体进行进一步配置。可如本文中进一步所描述而执行所述计算机实施的方法的步骤。另外，所述计算机实施的方法可包含本文中所描述的任何其它方法的任何其它步骤，所述程序指令可执行所述计算机实施的方法。
附图说明
在阅读以下详细说明且在参考附图时，本发明的其它目标及优点将变得显而易见，在附图中：
图1及2是图解说明如本文中所描述被配置的系统的实施例的侧视图的示意图；
图3是图解说明如本文中所描述被配置的计量工具的实施例的侧视图的示意图；
图4是图解说明如本文中所描述被配置的系统的实施例的平面图的示意图；
图5是图解说明晶片上的测量点的阵列的实施例及在晶片上检测到的缺陷的实例的平面图的示意图；
图6是图解说明如本文中所描述被配置的基于学习的缺陷分类器的一个实施例的流程图；且
图7是图解说明存储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，所述程序指令可在计算机系统上执行以用于执行本文中所描述的计算机实施的方法中的一或多者。
虽然易于对本发明做出各种修改及替代形式，但本发明的特定实施例是在图式中以实例方式展示且将在本文中详细描述。然而，应理解，图式及对图式的详细说明并不打算将本发明限制于所揭示的特定形式，而是相反，本发明打算涵盖在由所附权利要求书所界定的本发明的精神及范围内的所有修改、等效形式及替代形式。
具体实施方式
现在转向图式，应注意各图并未按比例绘制。特定来说，各图的元件中的一些元件的比例被极大地放大以强调元件的特性。还应注意，各图并未按相同比例绘制。已使用相同参考编号指示可类似配置的在多于一个图中展示的元件。除非本文中另外提及，否则所描述及所展示的元件中的任何元件可包含任何适合可商购元件。
一个实施例涉及一种经配置以识别在晶片上检测到的缺陷中的扰乱及所关注缺陷(DOI)的系统。图1中展示此系统的一个实施例。所述系统包含检验子系统，所述检验子系统至少包含能量源及检测器。能量源经配置以产生被引导到晶片的能量。检测器经配置以检测来自晶片的能量且响应于所检测到的能量而产生输出。晶片可包含此项技术中已知的任何晶片。
在一个实施例中，检验子系统被配置为光学检验子系统。举例来说，在图1中所展示的系统的实施例中，检验子系统10包含经配置以将光引导到晶片14的照射子系统。所述照射子系统包含至少一个光源。举例来说，如在图1中所展示，照射子系统包含光源16。在一个实施例中，照射子系统经配置以将光以一或多个入射角(其可包含一或多个斜角及/或一或多个法向角)引导到晶片。举例来说，如在图1中所展示，将来自光源16的光穿过光学元件18且然后穿过透镜20而引导到分束器21，分束器21将光以法向入射角引导到晶片14。所述入射角可包含任何适合入射角，其可取决于(例如)晶片的特性以及将在晶片上检测的缺陷而变化。
照射子系统可经配置以在不同时间将光以不同入射角引导到晶片。举例来说，检验子系统可经配置以更改照射子系统的一或多个元件的一或多个特性，使得可将光以与图1中展示的入射角不同的入射角引导到晶片。在一个此类实例中，检验子系统可经配置以移动光源16、光学元件18及透镜20使得将光以不同入射角引导到晶片。
在一些例子中，检验子系统可经配置以同时以多于一个入射角将光引导到晶片。举例来说，照射子系统可包含多于一个照射通道，所述照射通道中的一者可包含图1中所展示的光源16、光学元件18及透镜20，且所述照射通道中的另一者(未展示)可包含可被配置成不同或相同的类似元件，或可至少包含光源以及可能地一或多个其它组件(例如本文中进一步描述的组件)。如果此光与其它光同时被引导到晶片，那么以不同入射角被引导到晶片的光的一或多个特性(例如波长、偏振等)可有所不同，使得由以不同入射角对晶片进行照射所得的光可在检测器处彼此区别开。
在另一例子中，照射子系统可仅包含一个光源(例如，图1中所展示的源16)，且可通过照射子系统的一或多个光学元件(未展示)将来自所述光源的光分离到不同光学路径中(例如，基于波长、偏振等)。然后，可将不同光学路径中的每一者中的光引导到晶片。多个照射通道可经配置以将光同时地或在不同时间(例如，当不同照射通道用于依序照射晶片时)引导到晶片。在另一例子中，同一照射通道可经配置以在不同时间将具有不同特性的光引导到晶片。举例来说，在一些例子中，光学元件18可被配置为光谱滤波器，且光谱滤波器的性质可以多种不同方式(例如，通过替换光谱滤波器)被改变，使得可在不同时间将不同光波长引导到晶片。照射子系统可具有此项技术中已知的任何其它适合配置，所述其它适合配置用于将具有不同或相同特性的光以不同或相同的入射角依序或同时地引导到晶片。
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，由所述光源产生且被引导到晶片的光可包含宽带光。然而，所述光源可包含任何其它适合光源，例如激光器。所述激光器可包含此项技术中已知的任何适合激光器，且可经配置以产生此项技术中已知的任一或多个适合波长下的光。另外，激光器可经配置以产生单色光或接近单色的光。以此方式，激光器可为窄带激光器。所述光源还可包含产生多个离散波长或波带下的光的多色光源。
可通过透镜20将光从光学元件18聚焦到分束器21。尽管图1中将透镜20展示为单个折射光学元件，但应理解，实际上，透镜20可包含组合地将光从光学元件聚焦到晶片的若干个折射及/或反射光学元件。在图1中所展示且本文中所描述的照射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、切趾器、分束器、光阑等，其等可包含此项技术中已知的任何此类适合光学元件。另外，所述系统可经配置以基于将用于检验的照射类型而更改照射子系统的元件中的一或多者。
检验子系统还可包含扫描子系统，所述扫描子系统经配置以致使光在晶片上方扫描。举例来说，检验子系统可包含载台22，在检验期间晶片14安置于载台22上。扫描子系统可包含可经配置以移动晶片使得光可在晶片上方扫描的任何适合机械组合件及/或机器人组合件(其包含载台22)。另外或替代地，检验子系统可经配置使得检验子系统的一或多个光学元件执行使光在晶片上方进行的某种扫描。可使光以任何适合方式在晶片上方扫描。
检验子系统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，所述检测器经配置以检测由于检验子系统对晶片进行照射而来自晶片的光且响应于所检测到的光而产生输出。举例来说，图1中所展示的检验子系统包含两个检测通道，一个由集光器24、元件26及检测器28形成且另一个由集光器30、元件32及检测器34形成。如图1中所展示，所述两个检测通道经配置而以不同聚集角度聚集光且检测光。在一些例子中，一个检测通道经配置以检测经镜面反射光，且另一检测通道经配置以检测不从晶片镜面反射(例如，散射、衍射等)的光。然而，检测通道中的两者或多于两者可经配置以从晶片检测同一类型的光(例如，经镜面反射光)。尽管图1展示包含两个检测通道的检验子系统的实施例，但检验子系统可包含不同数目个检测通道(例如，仅一个检测通道或者两个或多于两个检测通道)。尽管在图1中将集光器中的每一者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此项技术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)及时间延迟积分(TDI)相机。检测器还可包含此项技术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)，但不可经配置以依据在成像平面内的位置而检测此些特性。如此，由包含于检验子系统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，但并非是图像信号或图像数据。在此些例子中，计算机子系统(例如，系统的计算机子系统36)可经配置以从检测器的非成像输出产生晶片的图像。然而，在其它例子中，检测器可被配置为成像检测器，所述成像检测器经配置以产生成像信号或图像数据。因而，所述系统可经配置而以若干种方式产生本文中所描述的输出。
应注意，本文中提供图1以大体图解说明可包含于本文中所描述的系统实施例中的检验子系统的配置。显然，可更改本文中所描述的检验子系统的配置以将系统的性能优化，在设计商业检验系统时通常会执行此步骤。另外，本文中所描述的系统可使用例如可从科磊(KLA-Tencor)公司(加利福尼亚州苗必达市)购得的29xx及39xx系列工具等现有检验系统来实施(例如，通过将本文中所描述的功能性添加到现有检验系统)。对于一些此类系统，本文中所描述的方法可提供为系统的任选功能性(例如，除系统的其它功能性之外)。替代地，可“从零开始”设计本文中所描述的系统以提供全新系统。
系统的计算机子系统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)耦合到检验子系统的检测器，使得计算机子系统可接收在对晶片进行扫描期间检测器所产生的输出。计算机子系统36可经配置以使用本文中所描述的检测器的输出来执行若干个功能，且执行本文中进一步描述的任何其它功能。可按照本文中的描述对此计算机子系统进行进一步配置。
此计算机子系统(以及本文中所描述的其它计算机子系统)在本文中还可被称为计算机系统。本文中所描述的计算机子系统或系统中的每一者可呈各种形式，包含个人计算机系统、图像计算机、主机计算机系统、工作站、网络器具、因特网器具或其它装置。通常，术语“计算机系统”可被广泛定义为囊括具有一或多个处理器的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此项技术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度处理及软件的计算机平台作为独立工具或网络连接工具。
如果所述系统包含多于一个计算机子系统，那么不同计算机子系统可彼此耦合，使得图像、数据、信息、指令等可在计算机子系统之间发送，如本文中进一步描述。举例来说，计算机子系统36可通过任何适合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)，所述传输媒体可包含此项技术中已知的任何适合的有线传输媒体及/或无线传输媒体。此些计算机子系统中的两者或多于两者还可通过共享计算机可读存储媒体(未展示)而有效地耦合。
在另一实施例中，检验子系统被配置为电子束检验子系统。在图2中所展示的一个此类实施例中，电子束检验子系统包含电子柱122，电子柱122耦合到计算机子系统124。如还在图2中展示，电子柱包含经配置以产生电子的电子束源126，所述电子由一或多个元件130聚焦到晶片128。电子束源可包含(举例来说)阴极源或发射器尖端，且一或多个元件130可包含(举例来说)枪透镜、阳极、束限制孔径、闸阀、束电流选择孔径、物镜以及扫描子系统，所述所有元件均可包含此项技术中已知的任何此类适合元件。
从晶片返回的电子(例如，次级电子)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(举例来说)扫描子系统，所述扫描子系统可与包含于元件130中的扫描子系统相同。
电子柱可包含此项技术中已知的任何其它适合元件。另外，可按照以下美国专利中的描述对电子柱进一步配置：2014年4月4日颁布的江(Jiang)等人的第8,664,594号美国专利、2014年4月8日颁布的小岛(Kojima)等人的第8,692,204号美国专利、2014年4月15日颁布的谷本(Gubbens)等人的第8,698,093号美国专利以及2014年5月6日颁布的麦克唐纳(MacDonald)等人的第8,716,662号美国专利，上述专利如同完全陈述一般以引用方式并入本文中。
尽管电子柱在图2中展示为经配置以使得电子是以倾斜入射角被引导到晶片且以另一倾斜角从晶片散射，但应理解电子束可以任何适合角度被引导到晶片及从所述晶片散射。另外，基于电子束的工具可经配置以使用多种模式来产生晶片的图像(例如，以不同照射角度、聚集角度等)。基于电子束的工具的多种模式可在工具的任何图像产生参数上不同。
计算机子系统124可耦合到检测器134，如上文所描述。检测器可检测从晶片的表面返回的电子，借此形成晶片的电子束图像。所述电子束图像可包含任何适合电子束图像。计算机子系统124可经配置以使用检测器的输出及/或电子束图像来执行本文中所描述的功能中的任一者。计算机子系统124可经配置以执行本文中所描述的任何额外步骤。可按照本文中的描述对包含图2中所展示的电子束检验子系统的系统进行进一步配置。
应注意，本文中提供图2以大体上图解说明可包含于本文中所描述的实施例中的电子束检验子系统的配置。正如上文所描述的光学检验子系统，可更改本文中所描述的电子束检验子系统以优化电子束检验子系统的性能，在设计商业检验系统时通常执行此操作。另外，可使用现有电子束检验系统来实施本文中所描述的系统(例如，通过将本文中所描述的功能性添加到现有电子束检验系统)。针对一些此类系统，可提供本文中所描述的方法作为系统的任选功能性(例如，除系统的其它功能性之外)。替代地，可“从零开始”设计本文中所描述的系统以提供全新系统。
尽管上文将检验子系统描述为光学检验子系统或电子检验子系统，但检验子系统可为离子束检验子系统。可按照图2中的展示对此检验子系统进行配置，唯电子束源可被替换为此项技术中已知的任何适合离子束源除外。另外，检验子系统可为任何其它适合的离子束工具，例如包含于可购得的聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及次级离子质谱(SIMS)系统中的离子束工具。
如上文所述，检验子系统可经配置以将能量(例如，光、电子)引导到晶片的物理版本及/或使能量在晶片的物理版本上方扫描，借此产生晶片的物理版本的实际(即，非模拟)输出及/或图像。以此方式，检验子系统可被配置为“实际”工具，而非“虚拟”工具。然而，图1中所展示的计算机子系统102可包含一或多个“虚拟”系统(未展示)，所述一或多个“虚拟”系统经配置以使用针对晶片所产生的实际光学输出或图像及/或实际电子束输出或图像中的至少一些来执行一或多个功能，所述功能可包含本文中进一步描述的一或多个功能中的任一者。
所述一或多个虚拟系统不能够使晶片安置于其中。特定来说，虚拟系统并非是检验子系统10或电子柱122的一部分且不具有处置晶片的物理版本的任何能力。换句话说，在虚拟系统中，可输出所述虚拟系统的一或多个“检测器”的输出，所述输出是由实际检验子系统的一或多个检测器先前产生且存储于所述虚拟系统中，且在“成像及/或扫描”期间，所述虚拟系统可重放所存储的输出，仿佛对晶片进行成像及/或扫描一般。以此方式，利用虚拟系统对晶片进行成像及/或扫描可似乎与利用实际系统对物理晶片进行成像及/或扫描相同，而实际上，“成像及/或扫描”仅涉及以晶片可被成像及/或扫描相同的方式重放晶片的输出。
共同让与的2012年2月28日颁布的巴斯卡尔(Bhaskar)等人的第8,126,255号美国专利及2015年12月29日颁布的达菲(Duffy)等人的第9,222,895号美国专利中描述了被配置为“虚拟”检验系统的系统及方法，上述两个美国专利如同完全陈述一般以引用方式并入本文中。可按照这些专利中的描述对本文中所描述的实施例进行进一步配置。举例来说，可按照这些专利中的描述对本文中所描述的一或多个计算机子系统进行进一步配置。
本文中所描述的检验子系统可经配置以利用多种模式产生输出，例如晶片的图像。通常，“模式”是由用于产生晶片的图像的检验子系统的参数值或用于产生晶片的图像的输出定义。因此，不同的模式可在检验子系统的参数中的至少一者的值上有所不同。以此方式，在一些实施例中，输出包含由检验子系统利用检验子系统的参数的两个或多于两个不同值而产生的图像。举例来说，在光学检验子系统的一个实施例中，多种模式中的至少另一者使用与用于多种模式中的至少另一者的至少一个照射光波长不同的至少一个照射光波长。对于不同模式来说，模式可在照射波长上有所不同，如本文中进一步描述(例如，通过使用不同光源、不同光谱滤波器等)。在另一实施例中，多种模式中的至少一者使用检验子系统的照射通道，所述照射通道不同于检验子系统的用于多种模式中的至少另一者的照射通道。举例来说，如上文所述，检验子系统可包含多于一个照射通道。如此，不同照射通道可用于不同模式。
以类似方式，由电子束检验子系统产生的输出可包含由电子束检验子系统利用电子束检验子系统的参数的两个或多于两个不同值而产生的输出，例如图像。电子束检验子系统的多种模式可由用于产生输出及/或晶片的图像的电子束检验子系统的参数的值来定义。因此，不同的模式可在电子束检验子系统的电子束参数中的至少一者的值上有所不同。举例来说，在电子束检验子系统的一个实施例中，多种模式中的至少一者使用与用于多种模式中的至少另一者的至少一个照射入射角不同的至少一个照射入射角。
计算机子系统经配置以通过对输出应用缺陷检测方法来检测晶片上的缺陷。检测晶片上的缺陷可利用任何适合缺陷检测方法及/或算法以此项技术中已知的任何适合方式(例如，对输出应用缺陷检测阈值并确定值高于缺陷检测阈值的任何输出对应于缺陷或潜在缺陷)来执行。
在晶片上所检测到的缺陷将包含不同类型的缺陷。所述不同类型的缺陷通常将包含至少一些“扰乱”及至少一些DOI。本文中所使用的术语“扰乱”(有时可与“扰乱缺陷”互换使用)通常被定义为在晶片上如此检测到但并非是晶片上的真正实际缺陷的缺陷。相反，可能会由于晶片上的非缺陷性噪声源(例如，线边缘粗糙度(LER)、经图案化特征的相对小的临界尺寸(CD)变化、厚度变化等)及/或由于用于检验的检验子系统本身或其配置的余裕而检测到“扰乱”。
因此，通常检验的目标并非是检测晶片上的扰乱。尽管力图避免对扰乱的此检测，但完全消除此检测实际上并不可能。因此，识别所检测缺陷中的哪些是扰乱及哪些是DOI是重要的，使得可单独使用不同类型的缺陷的信息，例如，关于DOI的信息可用于对在晶片上执行的一或多个制作过程做出诊断及/或改变，而可忽略、清除关于扰乱的信息或将其用于诊断晶片上的噪声及/或检验过程或工具的余裕。
计算机子系统还经配置以获取晶片的计量数据。通过在晶片上的测量点的阵列处对晶片执行测量的计量工具来产生晶片的计量数据。计量及检验通常被视为半导体制造的不同领域。举例来说，计量通常被校准到参考标准，且检验通常是通过将所获取的接近结构(例如，在裸片内、裸片之间等)的信号结果(输出、信号、图像等)与所存储参考(经由模拟或以其它方式合成而记录或产生)来进行比较执行。对于处理中半导体晶片的计量，膜厚度可变性、晶片几何形状轮廓及CD是在计量目标上或直接在成品电路结构上收集的正常参数中的一些参数。
计量工具可具有此项技术中已知的任何适合配置。在一个实例中，可在一或多个参数上对本文中所描述的光学及电子束检验子系统进行修改，使得其等可被配置为且用作计量工具。特定来说，可取决于本文中所描述以及图1及2中所展示的检验子系统的实施例将被使用的应用来在一或多个参数上对所述检验子系统的实施例进行修改以提供不同成像能力。在一个此类实例中，图1及2中所展示的检验子系统可经配置以在其用于计量而非用于检验的情况下具有较高分辨率。换句话说，图1及2中所展示的检验子系统的实施例描述一些般性配置及各种配置，所述配置可以所属领域的技术人员将显而易见的若干种方式来调节以产生具有或多或少适合于不同应用(例如，检验及/或计量)的不同能力的子系统。另外，如果同一子系统具有可变硬件设定使得其可用于检验及计量两者，那么同一子系统可用于产生本文中所描述的检验子系统输出及计量数据两者。
然而，本文中所描述的检验子系统将通常经配置以在对晶片进行检验期间具有比在计量过程期间计量工具的分辨率低的分辨率。举例来说，即使本文中所描述的检验子系统可经配置以在检验过程期间具有使其适合于计量的相对高分辨率，但检验子系统将经配置以实现较低分辨率以改进检验过程的吞吐量(尤其是由于此高分辨率通常是不必要的或本文中所描述的检验过程并不需要)。如本文中进一步描述，本文中所描述的实施例的本质力图利用以经分类的较高分辨率图像或其它数据(例如，计量数据)训练的模型依据相对低分辨率检验子系统图像或其它数据来推测出信息。除了相对低分辨率电子束检验图像或其它输出之外，此相同原理还可应用于相对低分辨率光学检验图像或其它输出。
然而，图3展示可对本文中所描述的晶片执行测量的计量工具的另一实施例。在光学计量工具的情形中，计量工具可包含经配置以将具有一或多个照射波长的光引导到晶片的照射子系统。举例来说，在图3中所展示的计量工具实施例中，计量工具300的照射子系统包含光源302，光源302可包含本文中所描述的光源中的任一者。可经由照射子系统的一或多个光谱滤波器304来引导光源302所产生的光。可如本文中进一步描述地来对光谱滤波器304进行配置。照射子系统还可包含分束器306，分束器306经配置以将来自光谱滤波器的光反射到照射子系统的物镜308。可按照本文中的描述来对分束器306及物镜308进行进一步配置。物镜308经配置以将具有一或多个照射波长的光从分束器聚焦到晶片310，晶片310可包含本文中所描述的晶片中的任一者。
在一个实施例中，照射子系统包含宽带光源。举例来说，图3中所展示的光源302可为宽带光源，且一或多个光谱滤波器304可被定位在来自宽带光源的光的路径中。因此，计量工具可包含经由波长相依滤波器而具有可选择照射波长范围的宽带源。举例来说，可通过改变或移除定位于来自光源的光的路径中的光谱滤波器来更改引导到晶片的波长。以此方式，计量工具可经配置以具有可取决于晶片上的材料而变化的灵活照射波长。
计量工具还可将较窄或经修改带通滤波器并入到照射子系统中。在一个此类实施例中，所述一或多个光谱滤波器包含一或多个干涉滤波器。举例来说，光谱滤波器304可为干涉滤波器。以此方式，计量工具可包含经由干涉滤波器而具有可选择照射波长范围的宽带源。这些滤波器可补充或替换工具中当前所使用的带通滤波器。
在另一实施例中，照射子系统包含一或多个窄带光源。在额外实施例中，照射子系统包含一或多个激光器光源。窄带光源及/或激光器光源可包含此项技术中已知的任何适合此类光源。举例来说，此类光源可包含一或多个二极管激光器、二极管泵浦固态(DPSS)激光器、气体激光器等。另外，本文中所描述的照射子系统可包含任何数目个呈任何适合组合的宽带、窄带及激光器光源。此外，光源可为准单色光源。本文中所描述的光源及照射子系统配置中的任一者可包含在具有任何适合配置的计量工具内。在一个特定实例中，照射子系统可仅包含一个激光器源。在另一实例中，照射子系统可包含多个激光器源。因此，可存在光源与计量工具配置的许多不同组合且可取决于(举例来说)晶片及/或将通过工具测量的晶片特性而对所述不同组合做出选择。
可以若干种不同方式对照射子系统进行配置以实现选择性照射角度及/或偏振。举例来说，可通过改变照射子系统的光源的位置或通过控制照射子系统的影响照射角度的一或多个其它元件来更改或选择照射角度。经更改或选择的照射角度可为入射光的极角及/或方位角。另外，可通过选择发射具有选定偏振的光的光源或通过在由光源发射的光的路径中包含一或多个偏振选择/更改/滤波元件来选择照射偏振。
计量工具还包含经配置以检测来自晶片的光的检测子系统。如图3中所展示，检测子系统包含经配置以聚集来自晶片310的光的物镜308。在此实施例中，所聚集的光可包含镜面反射光。然而，所聚集的光可替代地包含或另外还包含散射光。检测子系统还可包含经配置以透射物镜所聚集的光的分束器306。
在一些情形中，检测子系统包含分束器312，分束器312经配置以透射来自晶片、由物镜聚集并由分束器306透射的具有一或多个光波长的光。检测子系统还可包含一或多个带通滤波器314，带通滤波器314可如本文中进一步描述地被配置且可透射具有一或多个选定波长的光。分束器306、分束器312及带通滤波器314中的一或多者可经配置以选择性地透射具有一或多个选定波长的光且将不具有一或多个选定波长的光从检测子系统的检测路径反射或以其它方式阻挡掉，使得不具有一或多个选定波长的光不被检测器316检测到。
在一些例子中，检测子系统包含一或多个带通滤波器318及检测器320。在图3中所展示的配置中，由分束器312反射的光被引导到一或多个带通滤波器318，且由一或多个带通滤波器透射的光由检测器320检测。带通滤波器318及检测器320可按照本文中的描述被进一步配置。分束器312可经配置以透射具有一或多个第一波长的光且反射具有与第一波长不同的一或多个第二波长的光。以此方式，检测器316及320可检测具有不同波长的光。
在一个实施例中，照射子系统及检测子系统包含共用物镜及共用双色镜或分束器，且共用物镜及共用双色镜或分束器经配置以将光从照射子系统的光源引导到晶片且将光从晶片引导到检测子系统的检测器。举例来说，如图3中所展示，照射子系统及检测子系统两者均可包含作为共用物镜的物镜308以及作为共用双色镜或分束器的分束器306。如上文所描述，物镜308及分束器306经配置以将光从照射子系统的光源302引导到晶片310且将光从晶片引导到检测子系统的检测器316及/或检测器320。另外，本文中所描述的任何分束器可由反射特定波长带的光且透射对应带外光的双色镜替换。此类配置可增加递送到晶片的光量且提高所检测到的信号的纯度。
在一个实施例中，通过基于晶片上的一或多种材料、被测量晶片的一或多个特性或上述两者一些组合而更改检测子系统的一或多个参数来选择由检测子系统检测的光的一或多个波长。因此，如照射波长范围一样，可取决于晶片材料及被测量的晶片特性来调整检测波长范围。由检测子系统检测到的波长可按照本文中的描述(例如，使用带通滤波器)或以此项技术中已知的任何其它适合方式来更改。
在一个实施例中，检测子系统包含两个或多于两个通道，所述两个或多于两个通道经配置以单独且同时地检测来自晶片的处于不同波长范围中的光。举例来说，计量工具可经配置以包含多个平行成像通道，所述多个平行成像通道经由适当地选择双色组件及带通滤波器组件来对不同波长范围进行成像。在图3中所展示的实施例中，通道中的一者可包含带通滤波器314及检测器316，且通道中的其它通道可包含带通滤波器318及检测器320。另外，计量工具可包含多于两个通道(例如，通过将一或多个额外分束器(未展示)插入到来自晶片的光的路径中，所述分束器可耦合到检测器(未展示)且可能耦合到光谱滤波器(未展示)及/或其它光学元件(未展示))。包含带通滤波器314及检测器316的通道可经配置以检测处于第一波长带中的光，且包含带通滤波器318及检测器320的通道可经配置以检测处于第二波长带中的光。以此方式，可通过不同通道同时检测到不同波长范围的光。另外，不同波长范围可互相排斥(例如，通过一或多个波长分离)，或可完全重叠(例如，一个波长范围可完全处于另一波长范围内)，或部分地重叠(例如，多个波长范围可包含相同的一或多个波长，但处于第一波长范围中的波长中的至少一些与处于第二波长范围中的波长中的至少一些相互排斥，且反之亦然)。在一些实施例中，检测子系统包含分光计，所述分光计经配置以跨越波长范围测量来自晶片的光的特性。举例来说，在图3中所展示的实施例中，检测器316及320中的一或多者可为分光计。
如上文所描述，检测子系统可经配置以基于光波长而选择性地且单独地检测来自晶片的光。以类似方式，如果照射子系统经配置以实现选择性照射角度及/或偏振，那么检测子系统可经配置以基于来自晶片的角度(或聚集角度)及/或偏振而选择性地检测光。举例来说，检测子系统可包含可用于控制由检测子系统检测到的光的聚集角度的一或多个孔径(未展示)。在另一实例中，检测子系统可在来自晶片的光的路径中包含一或多个偏振组件(未展示)，所述一或多个偏振组件可用于控制由检测子系统检测到的光的偏振。
计量工具还包含计算机子系统，所述计算机子系统经配置以使用由检测子系统响应于所检测到的光而产生的输出来产生晶片的计量数据。举例来说，在图3中所展示的实施例中，计量工具可包含计算机子系统322，计算机子系统322可通过图3中利用虚线展示的一或多个传输媒体耦合到检测器316及320，所述传输媒体可包含“有线”及/或“无线”传输媒体，使得计算机子系统可接收检测子系统的检测器响应于所检测到的光而产生的输出。举例来说，检测器的输出可包含信号、图像、数据、图像数据等。举例来说，上文所描述的检测子系统的检测器可为经配置以捕获晶片的图像的成像检测器。可按照本文中的描述来对计算机子系统进行进一步配置。计量数据可为本文中所描述的计量数据中的任一者。计量数据可存储于(或输出为)计量结果文件。
注意，本文中提供图3来大体上图解说明本文中所描述的计量工具实施例的一些配置。显然，本文中所描述的计量工具配置可经更改以将计量工具的性能优化，如通常在设计商业性计量工具时执行。另外，本文中所描述的计量工具可包含现有计量工具(例如，通过将本文中所描述的功能性添加到现有计量工具)，例如可从科磊公司购买到的Archer、ATL、SpectraShape、SpectraFilm、Aleris、WaferSight、Therma-Probe、RS-200、CIRCL及断面仪工具。对于一些此类系统来说，本文中所描述的方法可提供为现有计量工具的任选功能性(例如，除了现有工具的其它功能性之外)。替代地，可“从头”设计本文中所描述的计量工具以提供全新系统。
尽管图3中所展示的计量工具是基于光的工具或光学工具，但应理解计量工具可经配置以还使用或替代地使用不同类型的能量来执行本文中所描述的测量。举例来说，计量工具可为基于电子束的工具，例如扫描电子显微镜(SEM)或透射电子显微镜(TEM)及/或基于带电荷粒子束的工具，例如聚焦离子束(FIB)工具。此类计量工具可包含任何适合的可购得计量工具。
如上文所描述，通过在晶片上的测量点的阵列处对晶片执行测量的计量工具来产生对晶片的计量数据。测量点的阵列可为测量点的规则阵列，但测量点的规则阵列对于本文中所描述的实施例并非是必要的。另外，测量点的阵列可为晶片上的测量点的二维阵列。
可如本文中进一步描述地确定的晶片上的测量点的密度可用于确定晶片上的测量点的确切位置。举例来说，基于晶片上的测量点的选定或预定密度，测量点可跨越受检验晶片的区域而均匀地或规则地间隔，使得测量点跨越晶片的受检验区域而具有选定的或所期望的密度。
由于晶片上的测量点的密度及确切位置是在对晶片上进行检测缺陷之前且不参照晶片上的其它特征及经图案化结构而确定的，因此晶片上的测量点的确切位置不如测量点的密度重要。因此，用于产生本文中所描述的计量数据的测量点也不同于用于常规计量测量的测量点，原因在于常规计量测量通常是针对晶片上的特定经图案化结构或膜执行，其中确切位置对确保测量晶片上的正确结构或材料来说十分重要。相比来说，在本文中进一步描述的实施例中，计量数据用于捕获会影响检验结果的特定晶片特性变化，而不需要测量特定结构或膜。
在一个实施例中，在通过一或多个计算机子系统执行缺陷检测之前，计量工具先产生晶片的计量数据。在另一实施例中，在通过一或多个计算机子系统执行缺陷检测之前且独立于在晶片上检测到的缺陷而确定测量点。在于晶片上检测缺陷之前产生计量数据(且以光学方式获取所述计量数据)可出于若干种原因而是有利的。举例来说，如本文中进一步所描述，如果在进行缺陷检测之前产生计量数据，那么可在检验晶片期间(例如，甚至在通过检验子系统扫描晶片时)使用所述计量数据，此具有本文中进一步所描述的特定优势。即使在检验期间不使用计量数据(而是在已于晶片上检测缺陷及/或对晶片的扫描完成之后使用)，仍可在进行任何扫描、缺陷检测或被执行测量的晶片层检验之前产生计量数据。
在本文中所描述的实施例中的任一者中，一或多个计算机子系统可在检验开始时查询计量结果且使其准备接受处理。(查询计量结果可经由数据库存取及查询来进行，但可以本文中所描述的任何其它方式执行)。在检验开始时查询计量测量且对测量进行预处理以供检验(即，作为检验的预处理步骤，经由数据库连结计量数据)的此想法被认为是新颖的。此符合本文中所描述的计量及检验，这是因为对晶片的同一层执行计量及检验(即，在已对晶片执行一个过程之后且在对晶片执行另一过程之前对晶片执行计量及检验两者)。本文中所描述的计量及检验的时序未必适用于对晶片的不同层执行的计量及检验及/或在已对晶片执行不同过程之后(例如，其中计量是在第一过程之后执行且检验是在与第一过程不同的第二过程之后执行)。
还如上文所述，在一个实施例中，独立于在晶片上检测到的缺陷确定测量点。因此，为了产生本文中所描述的计量数据而执行的测量不同于典型计量测量，典型计量测量通常在晶片检验之后执行且可对检验中所检测到的缺陷执行(例如，为了产生关于所检测缺陷的更详细信息)。另外，如果如本文中所描述在检验晶片之前产生计量数据，那么必须独立于所检测到的缺陷而确定测量点，这是因为在测量之前尚未在晶片上检测到缺陷且因此所述缺陷不可用于确定测量点的位置。
如本文中进一步所描述，测量点的确切位置可不同于在晶片上检测到的缺陷的确切位置且可基于晶片上的所期望测量点密度而确定，所期望测量点密度通常将不同于晶片上的缺陷的密度。举例来说，如图5中所展示，测量点500可在晶片502上被布置成阵列，且阵列中点的密度可按照本文中进一步的描述确定。还如图5中所展示，测量点的阵列是测量点的二维阵列。图5中所展示的测量点的阵列可按照本文中的描述进行进一步配置。相比来说，如图5中所展示，可以远比晶片上的测量点高的密度及频率来在晶片502上检测缺陷504。此外，可独立于在晶片上检测到的缺陷来确定测量点位置，这是因为测量目的并不一定是为了测量晶片上的缺陷的一或多个特性，而是为了测量晶片的一或多个特性的变化，所述特性变化可包含晶片上的一或多种材料及/或晶片上的一或多个经图案化结构(但未必是任何特定的材料及/或结构)。
在一些上下文中，晶片的一或多个特性的此些变化可被视为缺陷。举例来说，计量域与检验域之间的一个联系是如果这些变化与规格的偏差达足够大，那么在晶片处理期间可出现缺陷。在本文中所描述的实施例中，晶片特性的变化是有目的地被测量，而不论所述变化是否使特性变成缺陷。举例来说，甚至在这些变化不足以产生缺陷或被视为缺陷性时，其仍可影响晶片的光学性质且可会在光检验、电子束检验及其它晶片检验期间导致非期望噪声。另外，如果缺陷恰巧存在于预选定测量点中的一者处，那么其可实际上影响在所述测量点处产生的计量数据。然而，此些测量(缺陷或使晶片有缺陷的特性)并非是本文中所描述的测量的目标。
相反，本文中所描述的实施例的一个优势是计量数据可用于确定会影响到检验子系统的检测器针对晶片所产生的输出的晶片特性变化，所述晶片特性变化包含可低于检验子系统的分辨能力但仍可会影响到检验输出且未必或内在地表示晶片上存在的任何缺陷的此些变化(例如，由计量工具测量到的变化可处于晶片特性的规格内且因此并非是缺陷性的，但仍会影响到由检验子系统的检测器产生的输出)。以此方式，本文中所描述的实施例经配置以在检验时利用对本文中所描述的晶片特性的计量测量。如此，本文中所描述的实施例经配置以在检验中使用计量数据。与本文中所描述的实施例相比，当前不存在使用计量数据来改进光学或其它检验的质量的实用方法。
在一个实施例中，由计量工具产生的计量数据的至少一些值低于检验子系统的分辨率极限。举例来说，计量工具可经配置以具有比检验子系统高的分辨率，这可符合本文中所描述的所有检验子系统。特定来说，计量工具可具有比本文中所描述的光学子系统及本文中所描述的电子束检验子系统高的分辨率，这是因为在本文中所描述的实施例的上下文中，电子束检验子系统被配置成具有相对低分辨率的电子束检验子系统。因此，此些检验子系统将具有比大多数计量工具且特定来说本文中所描述的将用于执行本文中所描述的测量的计量工具低的分辨率。以此方式，本文中所描述的检验子系统经配置使得由这些检验子系统产生的输出不能用于确定此类变化。然而，由计量工具测量的晶片特性的亚分辨率值可会影响到由本文中所描述的检验子系统产生的输出。本文中所使用的术语“亚分辨率”是指低于检验子系统的分辨能力的晶片特性值，这意味着晶片特性值无法依据由检验子系统产生的输出或图像来分辨或确定。因此，亚分辨率的晶片特性低于检验子系统的分辨率。
在光学检验情形中，“规格内”或亚分辨率尺寸变化的影响会反映于光学性质中，其可导致在检验中检测的色彩及其它晶片噪声源。如此，所述“规格内”或亚分辨率尺寸变化通过检验被隐式捕获到(作为扰乱)且与其它噪声源(也被检测为扰乱)混合在一起，且仅可使用在检验期间所获得的光学性质与DOI区分。仅依赖光学性质来区分被错误地检测为缺陷的晶片尺寸的非关键变化与DOI的主要缺点是所有这些信号彼此叠加且难以区分。然而，测量亚分辨率(就检验子系统来说)晶片特性变化可如本文中所描述用于消除这些变化对检验子系统输出的影响(通过使用晶片特性变化来区分扰乱与DOI)。以此方式，提供计量测量且将检验子系统输出关联到这些测量会对DOI与扰乱之间提供较佳区分(根据发明者执行的对相关现象的研究)且改进过程监测(基于与扰乱区分开的DOI而执行)。
晶片上的测量点的密度小于在晶片检验期间检测器产生输出所处的晶片上的检验点的密度。本文中所使用的术语计量是独立于检验而执行且通常具有较低的频率。举例来说，通常，测量点彼此之间的间隔将远大于检验点彼此之间的间隔。特定来说，在对晶片执行的大多数检验中，检验点通常彼此重叠(如光、电子等是跨越晶片进行扫描)，使得晶片上的待被检验区域中不存在未经受检验的部分。因此，此检验点重叠是通过设计使然。因此，检验点密度如此的高使得检验点彼此至少在一定程度上重叠。相比来说，期望尽可能低地选择或确定测量点密度(出于吞吐量及成本考虑)但仍足以在进行测量时对所关注变化作出响应(本文中进一步描述)。举例来说，以测量点网格对晶片执行所期望测量(例如，晶片形貌、膜厚度、CD等)，所述测量点网格足够密集以允许对晶片上的任何点做出可靠测量预测(例如内插、外推等)。
如本文中所使用，术语“测量点”或“检验点”中的“点”未必意指测量或检验是对“点”的测量或检验。换句话说，如本文中所使用，术语“点”意在指示执行测量或获取检验输出的位置或区域。然而，在任一个“点”处执行的测量或检验可跨越晶片上的相对小区域而执行(例如，晶片上的位点或区域)。以此方式，如本文中所使用的“测量点”意在指示被计量工具执行测量的在晶片上的位置或区域，且“测量点”中的每一者在晶片上是彼此离散的。另外，如本文中所使用的“检验点”意在指示检验子系统产生检验输出的晶片上的区域，但并非“检验点”中的每一者均必须彼此离散或间隔开，这是因为通常在执行检验时其通常将彼此重叠。
不同最小测量点“密度”可用于不同使用情形中。举例来说，跨晶片的膜厚度变化往往相对缓慢，因此膜厚度测量的密度可相对低。就过程窗认证(PWQ)晶片来说，可逐模块地执行特定CD测量以获得适用于所有模块的更可靠扰乱筛除。因此，对本文中所描述的实施例来说“足够密集”的测量点密度包含足够大以使计量数据对缺陷位置的预测足够准确的任何测量点密度。
在一个实施例中，测量点密度经选择以在计量数据中捕获晶片级变化。在另一实施例中，测量点密度经选择以在计量数据中捕获裸片级变化。举例来说，优选地在晶片上的选定测量点处以足够的频率执行测量以捕获晶片级及/或裸片级变化。可如上文所描述地(例如，基于所执行的计量测量的预期变化及/或预期晶片特性)确定捕获晶片级或裸片级变化所需的测量点频率或密度。
可依据以任何适合的方式在测量点处执行的测量确定或产生计量数据。换句话说，可在本技术中使用许多不同的方法、算法、模型、函数等来依据测量确定计量数据。可以这些已知方式中的任一者产生本文中所描述的实施例中所使用的计量数据。另外，可在5D分析器系统上执行计量分析(例如，叠对数据及其它计量数据的建模)，5D分析器系统可从科磊公司购得。此系统在行业中建立且具备高级计量分析的能力。如果不需要进一步模型，那么可从此系统或直接从计量工具递送计量数据。
在一个实施例中，计量数据包含膜厚度、经图案化结构轮廓、临界尺寸(CD)、线边缘粗糙度(LER)及线宽度粗糙度(LWR)中的一或多者。举例来说，可特定用于本文中所描述的实施例中的晶片特性包含目标CD测量，例如特定结构中的线宽度、线粗糙度(CD均匀性)、叠对测量(仅适用于光学检验)以及可影响检验子系统针对晶片产生的输出及因此由计算机子系统产生的缺陷检测结果的任何其它此类特性。换句话说，本文中所描述的计量数据可包含在检验期间可与检验噪声相关或导致晶片的光学性质改变的任何及所有测量及/或晶片特性。2016年荷兰人信斯普林格(Shin,Springer)的“变化感知高级CMOS装置及SRAM”第19到35页的章节2中描述LER及LWR以及用于测量并确定这些特性的方法，上述文件如完全陈述一般以引用方式并入本文中。还可如2018年4月28日公布的达菲等人的共用让予的第2016/0116420号美国专利申请公开案中所描述地执行本文中所描述的测量，所述美国专利申请公开案如完全陈述一般以引用方式并入本文中。可按照这些引用中的描述而对本文中所描述的实施例进行进一步配置。
在一个实施例中，系统中并不包含计量工具。举例来说，计量工具可包含于与本文中所描述的系统实施例不同且分离的一个系统中。换句话说，计量工具可包含于与本文中所描述的实施例物理分离的系统中且可不与本文中所描述的系统实施例共享任何共用元件。特定来说，如图1及3中所展示，检验子系统可包含于一个系统中，计量工具可被配置为另一系统，且系统及计量工具彼此完全物理分离且不共享共用硬件元件。
在此些实施例中，本文中所描述的一或多个计算机子系统可经配置以从耦合到计量工具及/或已由计量工具将计量数据存储于其中的存储媒体的计算机子系统存取并获取计量数据。所述一或多个计算机子系统可如本文中进一步描述地从另一计算机系统或子系统或者存储媒体获取计量数据。以此方式，计量工具与包含检验子系统的系统可为不同的工具。计量数据可存储于数据库(例如Klarity，可从科磊公司购得)中，可在检验期间或在检验之后从所述数据库中检索测量。
以此方式，获取计量数据未必包含产生计量数据。举例来说，如上文所描述，计量工具可经配置以产生计量数据，且然后本文中所描述的计算机子系统可从计量工具、计量工具的计算机子系统或计量数据已被存储于其中的存储媒体获取计量数据。如此，所获取计量数据可已由除了本文中所描述的实施例之外的系统产生。然而，在一些实施例中，获取计量数据可包含产生计量数据。举例来说，本文中所描述的实施例可包含计量工具(如本文中所进一步描述)，且因此本文中所描述的系统实施例可经配置以通过在测量点处对晶片执行测量来产生计量数据。替代地，本文中所描述的系统实施例(或者系统的一或多个元件)可经配置以致使计量工具对晶片执行测量。因此，获取计量数据可包含在测量点处对晶片执行测量。
在一个实施例中，计量工具被并入到系统中，使得检验子系统及计量工具共享系统的一或多个共用元件。图4图解说明此系统的一个实施例。所述系统包含检验子系统模块400及计量工具模块402。可关于图1及2按照本文中的描述对模块400中所包含的检验子系统进行配置。可关于图3按照本文中的描述对模块402中所包含的计量工具进行配置。系统还可包含耦合到检验子系统及计量工具中的一者或两者的计算机子系统404。可根据本文中所描述的任何其它实施例来对计算机子系统404进行配置。
在一些实施例中，系统还包含额外模块412，且额外模块可经配置以对晶片执行一或多个额外过程。举例来说，所述一或多个额外过程可包含缺陷再检测，缺陷修复及/或任何其它质量控制相关过程。
可由计量工具与检验子系统共享的一或多个共用元件可包含共用壳体406、共用晶片搬运器408、共用电源410、计算机子系统404或上述各项的一些组合中的一或多者。共用壳体可具有此项技术中已知的任何适合配置。举例来说，可将系统的原始壳体进行简单扩张以容纳计量工具。以此方式，可将计量工具与检验子系统配置为单个单元或工具。共用晶片搬运器可包含此项技术中已知的任何适合机械及/或机器人组合件。共用晶片搬运器可经配置以在计量工具与检验子系统之间以下述一种方式移动晶片：可在过程之间将晶片从计量工具直接移动到检验子系统中而无须将晶片放回到其输送盒或其它容器中。共用电源可包含此项技术中已知的任何适合电源。计算机子系统可如本文中进一步描述地耦合到计量工具以及检验子系统，使得计算机子系统可如本文中进一步描述地与计量工具及检验子系统互动。额外模块可以上文所描述的相同方式被并入到系统中。
计量工具的硬件可安置于测量室中，所述测量室与系统中所包含的检验子系统及额外模块分离。测量室可横向地或垂直地接近检验子系统及额外模块而安置。举例来说，系统可被配置为模块丛集，所述模块中的每一者可经配置以执行不同的过程。另外，测量室、检验子系统及额外模块可横向地或垂直地接近系统的装载室414而安置。装载室可经配置以支撑多个晶片，例如将在系统中进行处理的晶片的输送盒416。晶片搬运器408可经配置以在进行测量及/或检验之前从装载室移除晶片并将经测量及/或经检验晶片放置到装载室中。此外，可将测量室安置于接近检验子系统的其它位置中，例如为计量工具硬件留出足够空间的任何位置及晶片搬运器可适合的任何位置，使得可在测量室与检验子系统之间移动晶片。以此方式，晶片搬运器408、载台(未展示)或另一适合机械装置可经配置以往来于系统的计量工具及检验子系统而移动晶片。
一或多个计算机子系统还经配置以相对于晶片上的测量点的位置而确定晶片上的缺陷的位置。相对于测量点位置来确定晶片上的缺陷的位置可包含计量与检验处方之间的坐标系匹配。换句话说，为了正确地叠对缺陷与计量数据，可在计量工具与检验子系统之间对坐标系及布局进行匹配。可被匹配的参数可包含裸片大小、裸片中心位置(0,0裸片)、光罩(曝光场)大小及裸片/光罩原点。为了测试计量坐标系统与缺陷坐标系统的潜在正确匹配，可在检验子系统上检验已被计量工具测量的特定测量点，使得可将由检验子系统报告的x、y位置与计量工具中所使用的x、y位置进行比较、关联及/或匹配。
如上文所描述，因此，相对于测量点位置而确定缺陷的位置可包含在计量工具与检验子系统之间进行某种坐标匹配。特定来说，计量工具及检验子系统可报告处于不同坐标系统中的位置(分别是测量点位置及缺陷位置)。因此，可对坐标系进行匹配以然后相对于测量系统的位置确定缺陷的位置。可以若干种不同方式来执行所述匹配。举例来说，可识别在进行计量及检验两者时测量或检测的晶片上的一或多个共用参考点且使用所述一或多个共用参考点来确定计量及检验时所使用及/或所报告的不同坐标之间的一或多个偏移。然后可使用那一或多个偏移来将任一个所报告位置从一个坐标系转换到另一坐标系。一旦缺陷位置已被转换到计量坐标或测量点位置已被转换到检验坐标，便可相对于测量点位置而确定缺陷的位置。
可以任何适合方式来确定这些相对位置。举例来说，在坐标系匹配或转换之后，可识别出与测量点位置相同(或基本上相同)的缺陷位置。这些缺陷位置可包含与测量点的位置至少部分地重叠的任何缺陷位置及/或仅包含完全位于测量点位置内的缺陷位置。另外，在坐标系匹配或转换之后，可识别出不与测量点位置中的任一者基本上相同的缺陷位置(其可包含大多数缺陷位置)。在一些例子中，相对于测量点位置的缺陷位置可仅被确定为通过坐标系匹配或转换产生的共用坐标系中的缺陷位置。然而，相对于测量点位置确定缺陷位置还可或替代地包含确定在通过坐标系匹配或转换产生的共用坐标系中，缺陷位置中的每一者与一或多个最靠近测量点的位置之间的偏移或距离。因此，相对于测量点位置而确定这些缺陷的位置还可包含确定测量点中的哪一者(哪些)最靠近缺陷位置，且还可存储关于对应缺陷位置的信息。因此，通常，可在本文中所描述的实施例中使用不同的方法来确定在共用坐标系统中缺陷位置与测量点位置之间的相对位置。
一或多个计算机子系统进一步经配置以基于相对于测量点位置而确定的缺陷位置来将计量数据作为缺陷属性指派到缺陷。举例来说，所述一或多个计算机子系统可将经预测(例如，经内插)测量以缺陷级属性的形式附加到检验结果。基于计量的缺陷级属性可作为任何其它缺陷属性包含于检验结果文件中。在一个此类实例中，在检验结果表中，每一行可包含针对缺陷产生的不同信息，且每一列可对应于不同信息的一种类型(例如，缺陷ID、缺陷x坐标、缺陷y坐标、第一缺陷属性、第二缺陷属性等)。因此，可通过对基于计量的缺陷级属性中的每一者添加列来将基于计量的缺陷级属性附加到检验结果，且列中的每一行包含与每一行对应的缺陷的基于计量的缺陷级属性。
在此步骤中，每一缺陷可被指派缺陷属性，所述缺陷属性是在检测每一缺陷的位置处确定的计量数据的值。在一个此类实例中，每一缺陷可被指派基于计量的缺陷属性，所述基于计量的缺陷属性是在检测到每一缺陷的位置处确定的膜厚度值。另外，将计量数据指派给缺陷可包含基于相对于测量点位置而确定的缺陷的位置而将多于一种类型的计量数据作为多于一个基于计量的缺陷属性指派给缺陷。举例来说，每一缺陷可被指派两个基于计量的缺陷属性，所述两个基于计量的缺陷属性是在检测到每一缺陷的位置处确定的膜厚度值及CD值。以此方式，指派步骤可包含：基于相对于测量点位置而确定的缺陷的位置来将计量数据作为一或多个缺陷属性指派到缺陷。因此，本文中所描述的实施例经配置以利用作为缺陷级属性积分的计量数据来进行晶片检验。
在测量点处产生的计量数据可与指派给缺陷的计量数据不同或相同。举例来说，产生计量数据可包含：在测量点处执行多于一种类型的测量及/或依据一或多种类型的测量来在测量点处确定两个或多于两个不同的晶片特性。以此方式，在每一测量点处产生的计量数据可包含测量点的晶片位置的信息及其对应测量，例如，M＝(X,Y,A,B,…,D)，其中X及Y是测量点的X及Y坐标，且A、B、…、D是在测量点处执行的测量的值及/或依据在测量点处执行的测量而确定的计量数据的值。在此些例子中，并非所有计量数据均可作为一或若干缺陷属性被指派给缺陷。举例来说，计量数据可包含经图案化结构轮廓及线宽度粗糙度，且那些特性中的一者或两者可作为缺陷属性被指派给缺陷。举例来说，可通过相对于缺陷位置预测(例如，内插或外推)计量数据来确定被指派给缺陷的计量数据且每一缺陷可自动标记有测量或计量数据以作为新的缺陷级属性，例如，M＝(X,Y,A,B,…,D)，其中X及Y是缺陷的X及Y坐标，且A、B、…、D是在缺陷位置处预测的测量值或计量数据值。在一些例子中，执行哪些测量类型及/或确定哪一(哪些)特性且然后指派给缺陷可由用户选择。举例来说，作为一或多个缺陷属性指派给缺陷的计量数据可由用户选择以允许将领域知识注入到使用缺陷属性来执行的步骤中，例如分类及/或扰乱筛除。
对于在测量点处检测到的缺陷来说，指派包含基于测量点中检测到缺陷所处的测量点而将在测量点处产生的所获取计量数据指派给缺陷。举例来说，如上文进一步描述，相对于测量点位置而确定缺陷位置可包含确定在同一坐标系统中缺陷位置中的任一者是否与测量点位置重叠或相同。如果测量点位置中的任一者与缺陷位置重叠或相同，那么即使并非通过设计使然，计量工具也已在缺陷位置处有效地执行了测量。在任何情形中，由于已对具有与测量点位置相同或重叠的位置的缺陷有效地执行了测量，因此可将在测量点位置处产生的计量数据指派给那些缺陷。以此方式，如果缺陷是在测量点中的第一者处被检测到，那么可将在测量点中的第一者处产生的计量数据指派给缺陷；如果缺陷是在测量点中的第二处被检测到，那么可将在测量点中的第二者处产生的计量数据指派给缺陷；以此类推。
然而，如本文中进一步描述，由于测量点是在不具有在晶片上检测到的缺陷的知识的情况下且以显著低于在晶片上检测到的缺陷的密度的密度而选择，因此可使用另一方法来将计量数据指派给许多(或大多数)所检测缺陷。特定来说，对于在测量点中的任一者处均未被检测到的缺陷来说，指派包含依据在测量点处产生的计量数据及相对于测量点位置而确定的缺陷位置来预测检测到缺陷的位置处的计量数据。举例来说，可使用本文中所描述的方法中的一者来在检验期间使用在测量点处产生的计量数据预测缺陷位置处的计量数据。由于大部分缺陷通常将不能在与晶片上的测量点相同的位置处被检测到，因此预测将是在使本文中所描述的实施例适当发挥作用的重要步骤。
在一个实施例中，预测包含将来自测量点的所获取计量数据内插到相对于测量点位置而确定的缺陷位置。内插在本技术中通常可被定义为预测在给定数据范围内的值。预测步骤中所使用的内插可包含此项技术中已知的任何适合内插方法。适合的内插方法的实例包含但不限于：线性内插、多项式内插、样条内插、非线性内插、经由高斯过程(Gaussianprocess)进行的内插、多元内插、双线性内插及双三次内插，上述所有内插方法可以此项技术中已知的任何适合方式来执行。
在另一实施例中，预测包含将来自测量点的所获取计量数据外推到相对于测量点位置而确定的缺陷的位置。外推在本技术中通常可被定义为预测在给定数据范围之外的数据。对于计量与缺陷的相关性来说，在晶片上检测到的所有缺陷的精确计量数据是优选的。由于计量测量将几乎不会在检测到缺陷的同一位置处进行，因此可将计量数据外推到缺陷位置。外推的准确度取决于在晶片上进行的计量测量的密度及用于外推的模型。用于外推的模型取决于计量使用情形(CD、膜、叠对等)。不同方法可用于外推。
一种此类外推方法是基于等值线的外推。举例来说，一旦已获取了计量数据，便可以此项技术中已知的任何适合方式来产生数据的等值线。一旦可使用等值线，便可针对晶片上具有用户所定义网格大小的每一点提取计量数据中的晶片特性的值。然后可将此计量值应用到同一网格内的缺陷。以此方式，可根据缺陷所在的网格的值将计量值指派给每一缺陷。
另一此类外推方法是基于模型的外推，其可对叠对计量数据尤其适用。基于初始叠对测量，可在5D分析器中产生模型。模型的正确使用可基于对测量的取样计划及用于曝光工具的模型而确定，所述曝光工具用于制作被检验的晶片的层。基于可用模型，可跨越晶片针对用户定义数目个测量点导出数据。5D分析器可依据实际测量以建模数据填充晶片上的任何经界定点以跨越晶片获得相对大数目个建模叠对数据。然后可将此数据附加到检验结果，如X及Y方向的任何其它计量数据一样。一旦将所述数据与缺陷检测数据结合起来，便可使用经定义网格将上文描述的等值线方法应用于在晶片上检测到的每一缺陷。
针对基于模型的方法，可将所计算的模型项导出到一或多个计算机子系统。如果将每一模型项的值及每一所测量晶片以及模型导出到一或多个计算机子系统，那么计算机子系统然后可针对晶片上的每一缺陷位置计算叠对值。此方法将减少计量工具(或5D分析器)与一或多个计算机子系统之间的所需数据传送且将允许确定每一缺陷位置的精确的建模叠对结果而非使用如上文所描述的网格的近似结果。尽管上文已将基于模型的方法描述为用于叠对数据，但此方法可用于本文中所描述的任何其它计量数据，这是因为5D分析器具有将任何计量数据建模的能力。
一或多个计算机子系统还经配置以基于指派给缺陷的缺陷属性而确定缺陷是扰乱还是DOI。一或多个计算机子系统可经配置以使用新创建的属性(即，基于计量的缺陷级属性)作为缺陷分类器或扰乱筛除器中的任何其它缺陷属性(例如，本文中进一步描述的缺陷属性中的一者)以实现经改进的DOI/扰乱区分。以此方式，本文中所描述的实施例将计量积分到检验及特定来说计量标记的检验结果的扰乱筛除中。换句话说，将作为缺陷属性指派给缺陷的计量数据积分到确定哪些所检测缺陷是扰乱且哪些所检测缺陷是DOI的检验过程中。因此，本文中所描述实施例的一个显著优势是其将各种相关晶片特性的已知测量明确引入到检验中，所述相关晶片特影响在检验期间针对晶片产生的输出且因此对区分扰乱与DOI的能力产生负面影响。获取计量数据、在所检测缺陷位置处预测(例如内插、外推等)计量数据且将计量数据用作缺陷级属性来进行扰乱筛除及缺陷分类的此概念被认为是新颖的。另外，按照本文中的描述使用的计量工具的额外信息将允许更稳健地诊断检验结果且将显著改进区分不重要因素的能力。
在一个实施例中，计量数据是对晶片的会导致在由检测器针对晶片所产生的输出中存在噪声的特性的响应，且基于缺陷属性而确定缺陷是扰乱还是DOI会降低由于噪声所致的检验不稳定性。特定来说，本文中所描述的实施例可改进检验稳定性，这是因为测量捕获会导致检验噪声的晶片特性。在一个此类实施例中，噪声包含晶片级噪声。在另一此类实施例中，噪声包含晶片间噪声。举例来说，通过使用本文中所描述的计量数据作为缺陷级属性，会在缺陷(过程)监测时产生可变DOI捕获率及扰乱率的不期望的晶片级变化及晶片间变化得到抑制。使用计量数据作为缺陷级属性来更好地了解晶片噪声且使检验在晶片间变化方面达到稳定的想法被认为是新颖的。
在一个实施例中，缺陷检测方法包含从晶片上与参考位置对应的目标位置的输出减去晶片上参考位置的输出。举例来说，对经图案化晶片的光学检验(例如，使用BBP光源或利用激光器散射执行的检验)通常基于从目标输出(例如，目标图像)减去参考输出(例如，参考图像)的原理而进行。可执行此缺陷检测以在裸片的逻辑区域中实现裸片间检验且在裸片的阵列区域中实现单元间检验。那些检验中的晶片噪声特性然后将被直接关联到晶片上目标位置与参考位置的物理差异。因此，在一些情形中，无法仅通过将计量测量内插或外推到缺陷位置并从内插或外推值创建缺陷属性来获得检验噪声与计量(例如，本文中所描述的CD测量、膜厚度及其它)之间的直接相关性。
在一个此类实施例中，一或多个计算机子系统经配置以相对于晶片上测量点的位置来确定参考位置的位置。可如本文中进一步描述地确定相对于测量点位置的参考位置(关于相对于晶片上的测量点位置来确定晶片上的缺陷的位置)。
在此实施例中，将计量数据作为缺陷属性指派给缺陷包含基于相对于测量点位置而确定的参考位置的位置将计量数据作为参考属性指派给参考位置。对于位于测量点处的参考位置来说，将计量数据指派给参考位置包含：基于测量点中定位有参考位置的测量点来将测量点处产生的所获取计量数据指派给参考位置。可如本文中进一步描述地对相对于测量点位置的缺陷位置执行此步骤。对于不位于测量点中的任一者处的参考位置来说，将计量数据指派给参考位置还包含依据在测量点处产生的计量数据及相对于测量点位置而确定的参考位置的位置来预测参考位置处的计量数据。还可如本文中进一步描述地对缺陷位置执行此步骤。
在此实施例中，将计量数据作为缺陷属性指派给缺陷包含：通过从指派给在目标位置中的一者处检测到的缺陷中的一者的计量数据减去指派给参考位置中的一者的参考属性来确定所述缺陷的缺陷属性，在缺陷检测方法中从目标位置中的一者减去参考位置的输出。可使用指派给其对应缺陷及参考位置的计量数据来针对任何其它缺陷重复此步骤。以此方式，一或多个计算机子系统可将计量数据指派给缺陷的位置及参考位置(例如，通过内插、外推等)，减去对应缺陷及参考位置的计量数据的值，且从所减去值形成缺陷属性。如此，可以与用于缺陷检测相同的方式减去指派给缺陷及参考位置的计量数据以响应于在晶片特性上目标到参考的变化而产生缺陷的缺陷属性。
因此，本文中所描述的实施例可相对于晶片上导致检验噪声的目标位置与参考位置之间的物理差异改进检验稳定性。举例来说，由于晶片上目标位置与参考位置之间的物理差异所致的晶片噪声特性可导致在晶片上检测到噪声及扰乱。然而，按照本文中的描述来确定的缺陷属性可响应于此类晶片噪声特性且如本文中进一步描述地使用此些缺陷属性来区分扰乱与DOI将减弱此些噪声(例如，裸片间噪声、单元间噪声等)对检验结果的影响。
在一些实施例中，一或多个计算机子系统经配置以依据晶片上的测量点而从所获取计量数据产生额外数据，并基于相对于测量点位置确定的缺陷位置而将所述额外数据作为另一缺陷属性指派给缺陷。在一个此类实施例中，对于在测量点处检测到的缺陷来说，指派额外数据包含基于测量点中检测到缺陷的那些测量点来将测量点处的额外数据指派给缺陷，且对于在测量点中的任一者处均未被检测到的缺陷来说，指派额外数据包含依据测量点处的额外数据及相对于测量点位置而确定的缺陷的位置来预测检测到缺陷的位置处的额外数据。举例来说，一或多个计算机子系统可任选地从测量产生其它数量，例如测量梯度等，且以本文中进一步描述的相同方式将所述其它数量附加到检验。可以此项技术中已知的任何适合方式确定例如测量梯度等其它数量。
在一些此类实施例中，确定缺陷是扰乱还是DOI是基于所述缺陷属性及指派给缺陷的其它缺陷属性而执行。因此，这些其它缺陷属性可与如本文中所描述地确定的基于计量的缺陷级属性组合使用。换句话说，如本文中所描述地指派给缺陷的计量数据可与基于计量数据针对缺陷而确定的任何其它缺陷属性组合使用以借此提高计算机子系统区分扰乱与DOI的能力。如本文中进一步描述地，确定缺陷是扰乱还是DOI可利用基于学习的缺陷分类器来执行。因此，指派给缺陷的计量数据与依据计量数据针对缺陷确定的任何其它数据的组合可被输入到基于学习的缺陷分类器，使得基于学习的分类程序可选择计量数据及依据计量数据确定的数据中的哪些用作缺陷属性来将缺陷区分成扰乱及DOI。
在另一实施例中，确定缺陷是扰乱还是DOI是基于指派给缺陷的缺陷属性及一或多个其它缺陷属性而执行，所述一或多个其它缺陷属性是由一或多个计算机子系统基于检测器产生的输出针对缺陷而确定的。举例来说，一或多个计算机子系统可经配置以使用由检验子系统产生的输出及/或可用于计算机子系统的针对晶片的任何其它信息(例如，晶片的任何设计信息)来确定所检测到的缺陷的一或多个缺陷属性。因此，这些其它缺陷属性可与如本文中所描述地确定的基于计量的缺陷级属性组合使用。换句话说，如本文中所描述地指派给缺陷的计量数据可与通过检验针对缺陷而确定的任何其它缺陷属性组合使用以借此提高计算机子系统区分扰乱与DOI的能力。如本文中进一步描述地，确定缺陷是扰乱还是DOI可利用基于学习的缺陷分类器来执行。因此，指派给缺陷的计量数据与针对缺陷确定的任何其它缺陷属性的组合可被输入到基于学习的缺陷分类器，使得基于学习的分类器可选择计量数据及缺陷属性中的哪些用于将缺陷区分成扰乱及DOI。
在一些实施例中，在检验子系统将能量引导到晶片且检测器响应于所检测能量而产生输出的同时，执行确定缺陷的位置、指派计量数据及确定缺陷是扰乱还是DOI。举例来说，实施本文中所描述的能力的一种方式是将位置特有计量数据存储于数据库中且在检验期间检索所述位置特有计量数据，飞速计算缺陷级属性，并联机应用扰乱筛除器，使得将巨大预筛除缺陷率对检验吞吐量的影响最小化。尽管计算额外缺陷属性可引入吞吐量开销，但计算将是基本上简单的且与对所检测到的缺陷所进行的现有处理相比应是极端快速的。
在另一实施例中，指派计量数据及确定缺陷是扰乱还是DOI是在于晶片上检测到所有缺陷之后执行。举例来说，实施本文中所描述的实施例的另一方式是利用计量数据对检验结果进行后处理。然而，此方法将不能移除对检验吞吐量产生潜在影响的缺陷。
如上文所描述，因此，扰乱筛除可在检验信号处理流程中在多个点处进行。除了上文描述的实施例之外，初始检测可极“热”的进行，从而产生比将认为从检验者报告多出数个量级的候选者。扰乱筛除的“叶上”(即，进行检测的同一计算机节点)版本可运行，从而本质上用作“检测”过程的扩展。此扰乱筛除可经配置以使用此检验的基于计量的缺陷属性。另一轮扰乱筛除可在晶片被检验且晶片级属性被计算(特征、基于设计的分格等)之后执行。
在另一实施例中，一或多个计算机子系统经配置以从由一或多个计算机子系统针对晶片产生的检验结果中区分扰乱与DOI。举例来说，被识别为扰乱的缺陷可从检验结果完全剔除，使得检验结果仅包含被识别为DOI的缺陷的信息。然而，在一些例子中，不完全剔除被识别为扰乱的缺陷的信息可为有用的。在此些例子中，检验结果可包含识别为扰乱的缺陷及识别为DOI的缺陷的单独文件、数据库或其它数据结构。以此方式，扰乱的信息将与DOI的信息分离，这可使得使用不同的信息更容易。然而，在其它例子中，在检验结果中区分扰乱与DOI并不一定包含剔除或区分信息。举例来说，区分扰乱与DOI可仅包含将缺陷中的每一者标记为扰乱或DOI(例如，经由分类码)且将那些标签与由本文中所描述的检验及/或计算机子系统产生的缺陷的任何其它信息存储于检验结果中。以此方式，如果使用扰乱或DOI的信息，那么整个检验结果文件可仅以被指派给缺陷的标签来筛除或存储。在用于区分缺陷的这些方法中的任一者中，扰乱及DOI的信息可易于单独地或统一地存取及使用。
本文中所描述的所有方法可包含将方法实施例的一或多个步骤的结果存储于计算机可读存储媒体中。结果可包含本文中所描述的结果中的任一者且可以本技术中已知的任何方式存储。存储媒体可包含本文中所描述的存储媒体或本技术中已知的任何其它适合的存储媒体。在已存储结果之后，所述结果可在存储媒体中被存取及由本文中所描述的方法或系统实施例中的任一者使用、经格式化以显示给用户、由另一软件模块、方法或系统等等使用以对晶片或同一类型的另一晶片执行一或多个功能。此些功能包含但不限于以反馈方式更改例如制作过程等过程或对晶片执行的步骤、以前馈方式更改例如制作过程等过程或将对晶片执行的步骤等。
本文中所描述的步骤中的任一者的结果可被存储且用于一或多个其它应用。举例来说，晶片上的计量测量与噪声特性之间的联系可用于过程监测及分类器(扰乱筛除器)维护。在一个此类实例中，来自如本文中所描述地而使用的计量工具的额外信息将允许对检验结果进行更稳健的诊断且显著提高区分不重要因素的能力。监测检验过程可包含将计量数据与缺陷检测结果组合使用以确定晶片特性如何影响缺陷检测结果。因此，缺陷检测结果及经组合计量数据可用于确定是否需要响应于晶片的改变而调整由检验子系统执行的检验过程。以类似方式，计量数据及确定哪些缺陷是扰乱且哪些缺陷是DOI的结果可用于调整缺陷分类器的一或多个参数，例如，经由重新调谐或重新训练，此可如本文中进一步描述地执行。
当设计规则及/或过程窗缩小且致命系统性过程及图案化缺陷增多时，计量与缺陷的相关性还可为重要工具。随着技术接近次14nm的设计节点，除了聚焦及曝光之外的叠对已成为重要光刻参数，在其它方面中心化的过程上叠对是新系统性缺陷的源头。除了叠对及CD膜厚度之外，晶片形貌及其它计量数据还可为这些缺陷的根源。不仅检测这些缺陷的根源(系统性缺陷发现)而且发现扩展过程窗(过程窗扩展)的方式变得重要。
在一个实施例中，确定缺陷是扰乱还是DOI包含将缺陷属性输入到基于学习的缺陷分类器。举例来说，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中所展示的组件100)包含基于学习的缺陷分类器104。基于学习的缺陷分类器经配置以对在晶片上检测到的缺陷进行分类。尽管基于学习的缺陷分类器在本文中通常被称为“缺陷分类器”，但基于学习的缺陷分类器还可被称为扰乱筛除器，这是因为对其进行配置的主要目的是区分扰乱与DOI。由于区分扰乱与DOI本质上可被视为一种缺陷分类，因此经配置以进行此区分的基于学习的缺陷分类器在本文中通常被称为缺陷分类器。
基于学习的缺陷分类器仅可区分扰乱与DOI，此意味着其指派是扰乱或DOI的识别符。然而，基于学习的缺陷分类器还可经配置以区分扰乱与DOI以及将不同的DOI彼此区分开。因此，基于学习的缺陷分类器可将类别指派给缺陷中的每一者，其可为扰乱类别、第DOI类别、第二DOI类别等。以此方式，本文中所描述的缺陷分类器可经配置以用于多类别分类问题以及标称“真实”对“扰乱”筛除应用。
将计量“通道”添加到扰乱筛除机器学习算法对若干种方法来说可为有作用的。此方法的一个实例是针对扰乱事件筛除(NEF)创建的基于随机森林决策树的机器学习方法。就其它机器学习模型来说，关于正面实例及反面实例(或“反例”)来执行训练步骤，已利用SEM或其它基础真实方法或系统将所述正面实例及反面实例验证为用于训练的“基础真实”实例。正面实例将是“真实缺陷”，且反面实例将是扰乱事件。除了随机森林决策树之外，本文中进一步描述可用于缺陷分类器的机器学习方法及算法的额外实例。基本上，尽管本文中详细地描述了一些特别有用的缺陷分类器实施例，但可将检验子系统输出(例如，图像)视作缺陷及数据(例如，本文中所描述的计量数据)的其它潜在“通道”，使得可由适当定义的缺陷分类方法调节输入图像(或其它检验子系统输出)与属性的混合的任何缺陷分类器可用于在本文中所描述的识别步骤中区分扰乱与DOI。
图6展示可在本文中所描述的实施例中用作基于学习的缺陷分类器的基于学习的模型的一个实施例。基于学习的模型可包含第一部分，所述第一部分经配置以确定由检验子系统或耦合到检验子系统的计算机子系统产生的晶片的输入的特征。举例来说，如图6中所展示，在一个实施例中，基于学习的模型的第一部分包含确定输入604的特征(例如，特征图608)的卷积层606，输入604包含图像，所述图像可至少包含缺陷图像且可能还包含参考图像及设计以及按照本文中的描述确定的缺陷属性。可按照本文中的描述对这些层进行进一步配置。还可按照本文中的描述对图像、缺陷属性及特征进行进一步配置。
基于学习的模型还包含第二部分，所述第二部经配置以基于所确定的特征来对在晶片上检测到的缺陷进行分类。举例来说，如图6中所展示，在一个实施例中，基于学习的模型的第二部分包含全连接层610。如图6中进一步展示，去往全连接层610的输入是所确定的特征，例如特征图608，且全连接层610的输出是分类612。因此，全连接层610可包含于第二部分中且可经配置以进行缺陷分类。可按照本文中的描述对这些层进行进一步配置。还可按照本文中的描述来对各个一或多个输出进行进一步配置。
在一个实施例中，基于学习的缺陷分类器被配置为深度学习模型。一般来说，“深度学习”(还被称为深度结构性学习、层次学习或深度机器学习)是基于力图将数据中的高级抽象建模的一组算法的机器学习的分支。在简单情形中，可存在两种神经元：一种接收输入信号且一种发送输出信号。当输入层接收输入时，其将输入的修改版本传递到下一层。在基于深度学习的模型中，在输入与输出之间存在许多层(且层并非由神经元构成但其可有助于像神经元一样思考)，从而允许算法使用由多个线性变换及非线性变换组成的多个处理层。
深度学习是基于学习数据表示的宽广机器学习方法家族的一部分。观测(例如，图像)可以许多任何方式来表示，例如每像素的强度值的向量；或以更抽象的方式，如一组边缘、特定形状的区等。在简化学习任务时(例如，面部辨识或面部表情辨识)，一些表示优于其它表示。深度学习的前景中的一者是利用高效算法替换手绘特征以用于无人监控或半无人监控特征学习及层级特征提取。
对此领域的研究力图形成更佳表示且创建模型以从大规模未标记数据学习这些表示。所述表示中的一些表示是由神经科学的进步推动且松散地基于对神经系统中的信息处理及通信模式的解译，例如力图定义各种刺激与大脑中的相关联神经元反应之间的关系的神经编码。
在另一实施例中，基于学习的缺陷分类器是机器学习模型。机器学习可通常被定义为一种类型的人工智能(AI)，所述人工智能使计算机具备学习能力而无需明确地进行编程。机器学习聚焦于计算机程序的开发，此可使计算机程序在接触到新数据时学会成长及改变。换句话说，机器学习可被定义为计算机科学的子领域，其“赋予计算机学习能力而无需明确地进行编程”。机器学习探索可向数据学习且对数据做出预测的算法的研究及建构–此类算法通过经由从简单输入建立模型来做出数据驱动型预测或决策来克服以下完全静态的程序指令。
可按照杉山(Sugiyama)的“统计机器学习介绍(Introduction to StatisticalMachine Learning)”(摩根考夫曼(Morgan Kaufmann)，2016，534页)；杰巴拉(Jebara)的“辨别性、生成性及模仿性学习(Discriminative,Generative,and Imitative Learning)”(MIT论文，2002，212页)；及汉德(Hand等人)的“数据挖掘原理(适应性计算及机器学习)(Principles of Data Mining(Adaptive Computation and Machine Learning))”(MIT出版社，2001，578页)中的描述进一步执行本文中所描述的机器学习；所述文献如完全陈述一般以引用方式并入本文中。可按照这些参考中的描述对本文中所描述的实施例进行进一步配置。
在一些实施例中，基于学习的缺陷分类器是生成模型。“生成”模型通常可被定义为本质上是概率性的模型。换句话说，“生成”模型并非是执行前向模拟或基于规则的方法的模型。相反，可基于适合训练数据集来学习生成模型(原因在于其参数可被学习)。在一个实施例中，基于学习的缺陷分类器被配置为深度生成模型。举例来说，基于学习的缺陷分类器可经配置以具有深度学习架构，这是因为缺陷分类器可包含执行若干种算法或变换的多个层。
在另一实施例中，基于学习的缺陷分类器可为深度神经网络，所述深度神经网络具有根据已被馈送以对所述深度神经网络进行训练的数据来将世界建模的一组权重。神经网络通常可被定义为基于相对大量神经单元的计算方法，所述神经单元将生物学大脑利用由轴突连接的相对大的生物学神经元丛集解决问题的方式松散地建模。每一神经单元与许多其它神经单元连接，且连结可加强或抑制其对连接神经单元的激活状态的影响。这些系统是自我学习与训练型的而非明确地被编程且在解决方案或特征检测以传统计算机程序难以表达的领域中表现出色。
神经网络通常由多个层组成，且信号路径从前方横贯到后方。神经网络的目标是以与人类大脑相同的方式解决问题，但数种神经网络要抽象得多。现代神经网络工程通常依靠数千个乃至数百万个神经单元以及数百万个连接来工作。神经网络可具有此项技术中已知的任何适合架构及/或配置。
在一个实施例中，基于学习的缺陷分类器被配置为AlexNet。通常，AlexNet包含若干个卷积层(例如，5个)，后续接着若干个全连接层(例如，3个)，卷积层与全连接层经组合地配置及训练以对图像进行分类。克里泽夫斯基(Krizhevsky)等人在NIPS2012上的“利用深度卷积神经网络的ImageNet分类(ImageNet Classification with DeepConvolutional Neural Networks)”中描述了被配置为AlexNet的神经网络的实例，所述文献如完全陈述一般以引用方式并入本文中。可按照此参考中的描述对本文中所描述的基于学习的缺陷分类器进行进一步配置。
在另一实施例中，基于学习的缺陷分类器被配置为GoogleNet。GoogleNet可包含例如经配置及训练以对图像进行分类的卷积层、汇聚(pooling)层及全连接层等若干层。虽然GoogleNet架构可包含相对高数目个层(尤其与本文中所描述的一些其它神经网络相比)，但一些层可并行地操作，且彼此并行操作的层的群组通常被称为开端模块。层中的其它层可依序操作。因此，GoogleNet与本文中所描述的其它神经网络的差异在于并非所有层均被布置成顺序结构。塞格德(Szegedy)等人在CVPR 2015上的“深入了解卷积(GoingDeeper with Convolutions)”中描述了被配置为GoogleNet的神经网络的实例，所述文献如完全陈述一般以引用方式并入本文中。可按照此参考中的描述对本文中所描述的基于学习的缺陷分类器进行进一步配置。
在另一实施例中，基于学习的缺陷分类器被配置为VGG网络。VGG网络是通过在固定架构的其它参数的同时增加卷积层的数目而创建。通过在所有层中使用基本上小的卷积筛除器使添加卷积层以增加深度成为可能。如本文中所描述的其它神经网络一样，VGG网络经创建及训练以对图像进行分类。VGG网络还包含卷积层，后续接着全连接层。西蒙尼扬(Simonyan)等人在ICLR 2015上的“用于大尺度图像辨识的极深卷积网络(Very DeepConvolutional Networks for Large-Scale Image Recognition)”中描述了被配置为VGG的神经网络的实例，所述文件如完全陈述一般以引用方式并入本文中。可按照此参考中的描述对本文中所描述的基于学习的缺陷分类器进行进一步配置。
在一些实施例中，基于学习的缺陷分类器被配置为深度残差网络或深度残差网。如本文中所描述的一些其它基于学习的缺陷分类器一样，深度残差网络可包含卷积层后续接着全连接层，卷积层与全连接层经组合地配置及训练以用于图像分类。在深度残差网络中，所述层经配置以参考层输入来学习残差功能，而非学习未提及的功能。特定来说，并非是期望每几个堆叠层直接适合所期望的基础映射，而这些层被明确允许适合残差映射，这由具有快捷连接的前馈神经网络实现。快捷连接是跳过一或多个层的连接。可通过采用包含卷积层的普通神经网络结构且插入快捷连接来创建深度残差网，所述快捷连接借此采用普通神经网络且将其变成残差学习配对物。赫(He)等人在NIPS 2015上的“用于图像辨识的深度残差学习(Deep Residual Learning for Image Recognition)”中描述了深度残差网的实例，所述文献如完全陈述一般以引用方式并入本文中。可按照此参考中的描述对本文中所描述基于学习的缺陷分类器进行进一步配置。
基于学习的缺陷分类器的第一部分中所包含的卷积层可具有此项技术中已知的任何适合配置且通常经配置以使用一或多个滤波器通过对输入图像应用卷积功能来跨越图像(即，特征图)依据位置确定图像的特征。以此方式，基于学习的缺陷分类器的一部分可配置为卷积神经网络(CNN)。举例来说，基于学习的缺陷分类器的第一部分可被配置为CNN，其通常是卷积层与汇聚层的堆叠以提取局部特征。本文中所描述的实施例可利用例如CNN等深度学习概念来解决通常棘手的表示反转问题。第一部分可具有此项技术中已知的任何CNN配置或架构。一或多个汇聚层还可具有此项技术中已知的任何适合配置(例如，最大汇聚层)且通常经配置以减小由一或多个卷积层产生的特征图的维数而保留最重要特征。
由基于学习的缺陷分类器的第一部分所确定的特征可包含本文中进一步描述的或此项技术中已知的任何适合特征，所述特征可从输入推测出且用于产生本文中进一步描述的输出。举例来说，所述特征可包含每像素的强度值的向量。所述特征还可包含纯量值向量、独立分布的向量、联合分布的向量，或此项技术中已知的任何其它适合特征类型。
所述一或多个全连接层经配置以选择所确定特征中的一或多者并基于一或多个选定特征来对缺陷进行分类。“全连接层”通常可被定义为节点中的每一者连接到先前层中的节点中的每一者的层。全连接层从特征图608选择特征且然后基于选定特征对缺陷进行分类。选定特征可包含特征图中的所有特征(在适当情况下)或仅包含特征图中的一些特征。基于学习的缺陷分类器输出分类612，分类612可包含每缺陷的分类结果和与每一分类结果相关联的置信度。还可按照本文中的进一步描述来使用分类的结果。分类可具有任何适合的格式(例如，缺陷ID、缺陷说明，例如“图案”、“桥接部”等)。可按照本文中的进一步描述存储并使用分类结果。
图6展示处于经完全训练模式(即，基于学习的缺陷分类器已被训练)中的缺陷分类器架构，其中输入可被提供到基于学习的缺陷分类器中以用于运行时间模式或产生模式。本文中所描述的实施例可或可不经配置以训练基于学习的缺陷分类器。赫等人于2017年9月6日提出申请的序列号为15/697,426的共同让与美国专利申请案中可找到可如何训练基于学习的缺陷分类器的实例，所述美国专利申请案如完全陈述一般以引用方式并入本文中。可按照本专利申请案中的描述对本文中所描述的实施例进行进一步配置。
然而，与上文所提及的专利申请案中所描述的训练方法不同，利用所添加计量属性来优选地训练本文中所描述的基于学习的缺陷分类器。除了将基于计量数据的缺陷级属性添加到训练数据中之外，可以与现今完全相同的方式执行此训练及/或调谐。以此方式，在自动标记之后，在训练过程中不需要做出改变或额外努力。
此外，有利的是无需判断基于计量数据的缺陷级属性是有用还是无用。特定来说，一些噪声源(例如，随机LER及CD不均性)原则上被理解为由于缺陷检测通常包含减去应该看起来相同的结构图像的事实而导致晶片级噪声。然而，本文中所描述的实施例的显著优势在于可仅将这些测量作为额外缺陷属性馈送且机器学习算法学习哪些测量有助于DOI-扰乱区分以及如何进行区分。如果基于计量数据的缺陷级属性中的一或多者是无用的，那么基于学习的缺陷分类器将在训练期间学习忽视这些缺陷属性。举例来说，在设定时间期间，本文中所描述的基于学习的缺陷分类器将被提供在训练集中的DOI及扰乱的实例。基于学习的缺陷分类器基于训练集来判断区分缺陷类型的最佳方式；因此，添加计量“属性”以给予缺陷分类器另一信息源的想法将可区分性优化及/或调整计量数据中所反映出的过程变化。以此方式，按照本文中的描述而确定的任何及所有可用的基于计量数据的缺陷属性可被馈送到缺陷分类器中，且缺陷分类器可学习哪些缺陷属性适合于识别扰乱与DOI。
本文中所描述的计算机子系统可进一步经配置以进行如卡尔桑迪(Karsenti)等人的2017年5月18日公开的第2017/0140524号美国专利申请公开案中所描述的单次图像检测，所述美国专利申请公开如完全陈述一般以引用方式案并入本文中。本文中所描述的实施例可进一步经配置以执行变换(从输入图像到模拟图像)，例如以下共同拥有的美国专利申请公开案中所描述的变换：卡尔桑迪等人的2017年5月18日公开的第2017/0140524号、张(Zhang)等人的2017年5月25日公开的第2017/0148226号、巴斯卡尔等人的2017年7月6日公开的第2017/0193400号、张等人的2017年7月6日公开的第2017/0193680号、巴斯卡尔等人的2017年7月6日公开的第2017/0194126号、巴斯卡尔等人的2017年7月13日公开的第2017/0200260号、帕克(Park)等人的2017年7月13日公开的第2017/0200264号、巴斯卡尔等人的2017年7月13日公开的第2017/0200265号及张等人的2017年11月30日公开的第2017/0345140号，所述美国专利申请公开案如完全陈述一般以引用方式并入本文中。本文中所描述的实施例可如这些专利申请公开案中所描述进行进一步配置。另外，本文中所描述的实施例可经配置以执行这些专利申请公开案中所描述的任何步骤。
可根据本文中所描述的任何其它实施例来对系统的实施例中的每一者进行进一步配置。
另一实施例涉及用于识别在晶片上检测到的缺陷中的扰乱及DOI的计算机实施的方法。所述方法包含用于实现上文描述的计算机子系统的功能中的每一者的步骤。检验子系统是按照本文中的描述被配置。
可按照本文中的进一步描述执行所述方法的步骤中的每一者。所述方法还可包含可由本文中所描述的检验子系统、计算机子系统、计量工具及/或系统执行的任何其它步骤。所述方法的步骤是由一或多个计算机子系统执行，所述一或多个计算机子系统可根据本文中所描述的实施例中的任一者来配置。另外，上文所描述的方法可通过本文中所描述的系统实施例中的任一者来执行。
额外实施例涉及存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于识别在晶片上检测到的缺陷中的扰乱及DOI的计算机实施的方法。图7中展示一个此类实施例。特定来说，如图7中所展示，非暂时性计算机可读媒体700包含可在计算机系统704上执行的程序指令702。计算机实施的方法可包含本文中所描述的任何方法的任何步骤。
实施例如本文中所描述的方法等方法的程序指令702可存储于计算机可读媒体700上。计算机可读媒体可为例如磁盘或光盘、磁带等存储媒体，或此项技术中已知的任何其它适合的非暂时性计算机可读媒体。
可以各种方式中的任一者来实施程序指令，所述方式包含基于过程的技术、基于组件的技术及/或面向对象的技术以及其它技术。举例来说，可视需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(“MFC”)、SSE(流式SIMD扩展)或者其它技术或方法来实施程序指令。
计算机系统704可根据本文中所描述的实施例中的任一者被配置。
鉴于此说明，所属领域的技术人员将明了本发明的各种方面的其它修改及替代实施例。举例来说，提供用于识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的方法及系统。因此，此说明应被视为仅具说明性，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，本文中所展示及所描述的本发明的形式应被视为目前优选实施例。如所属领域的技术人员在受益于对本发明的此说明之后将全部明了，元件及材料可替代本文中所图解说明及描述的那些元件及材料，零件及过程可颠倒，且本发明的某些特征可独立地利用。可在不背离如所附权利要求书中所描述的本发明的精神及范围的情况下对本文中所描述的元件做出改变。

Claims (26)

1.一种经配置以识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的系统，其包括：
检验子系统，其至少包括能量源及检测器，其中所述能量源经配置以产生被引导到晶片的能量，且其中所述检测器经配置以检测来自所述晶片的能量且响应于所述所检测到的能量而产生输出；及
一或多个计算机子系统，其经配置以：
通过对所述输出应用缺陷检测方法来检测在所述晶片上的缺陷；
获取所述晶片的计量数据，其中所述计量数据是由在所述晶片上的测量点的阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的，且其中所述晶片上的所述测量点的密度小于所述晶片上的检验点的密度，所述检测器在对所述晶片进行检验期间在所述检验点处产生所述输出；
相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置；
基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷，其中所述指派包括：
对于在所述测量点处被检测到的所述缺陷，基于所述测量点中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述缺陷；及
对于在所述测量点中的任一者处均未被检测到的所述缺陷，依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据；及
基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷。
2.根据权利要求1所述的系统，其中所述计量工具在所述检测缺陷之前产生所述晶片的所述计量数据。
3.根据权利要求1所述的系统，其中所述测量点是在所述检测缺陷之前且独立于在所述晶片上检测到的所述缺陷而确定的。
4.根据权利要求1所述的系统，其中由所述计量工具产生的所述计量数据的至少一些值低于所述检验子系统的分辨率极限。
5.根据权利要求1所述的系统，其中所述测量点的所述密度经选择以在所述计量数据中捕获晶片级变化。
6.根据权利要求1所述的系统，其中所述测量点的所述密度经选择以在所述计量数据中捕获裸片级变化。
7.根据权利要求1所述的系统，其中所述计量数据是对所述晶片的在由所述检测器针对所述晶片产生的所述输出中引起噪声的特性的响应，且其中基于所述缺陷属性来确定所述缺陷是所述扰乱还是所述所关注缺陷会由于所述噪声而降低所述检验的不稳定性。
8.根据权利要求7所述的系统，其中所述噪声包括晶片级噪声。
9.根据权利要求7所述的系统，其中所述噪声包括晶片间噪声。
10.根据权利要求1所述的系统，其中所述计量数据包括膜厚度、经图案化结构轮廓、临界尺寸、线边缘粗糙度及线宽度粗糙度中的一或多者。
11.根据权利要求1所述的系统，其中所述预测包括将来自所述测量点的所述所获取计量数据内插到相对于所述测量点的所述位置而确定的所述缺陷的所述位置。
12.根据权利要求1所述的系统，其中所述预测包括将来自所述测量点的所述所获取计量数据外推到相对于所述测量点的所述位置而确定的所述缺陷的所述位置。
13.根据权利要求1所述的系统，其中所述缺陷检测方法包括从所述晶片上的与所述晶片上的参考位置对应的目标位置的所述输出减去所述参考位置的所述输出，其中所述一或多个计算机子系统进一步经配置以相对于所述晶片上的所述测量点的所述位置而确定所述参考位置的位置，且其中将所述计量数据作为所述缺陷属性指派给所述缺陷进一步包括：
基于相对于所述测量点的所述位置而确定的所述参考位置的所述位置来将所述计量数据作为参考属性指派给所述参考位置，其中所述将所述计量数据指派给所述参考位置包括：
对于位于所述测量点处的所述参考位置，基于所述测量点中定位有所述参考位置的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述参考位置；及
对于不位于所述测量点中的任一者处的所述参考位置，依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述参考位置的所述位置来预测所述参考位置处的所述计量数据；及
通过从指派给在所述目标位置中的一者处检测到的所述缺陷中的一者的所述计量数据减去指派给所述参考位置中的一者的所述参考属性来确定所述缺陷中的所述一者的所述缺陷属性，在所述缺陷检测方法中，从所述目标位置中的所述一者减去所述参考位置中的所述一者的所述输出。
14.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进一步经配置以依据所述晶片上的所述测量点从所述所获取计量数据产生额外数据，基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将所述额外数据作为另一缺陷属性指派给所述缺陷，其中指派所述额外数据包括：对于在所述测量点处被检测到的所述缺陷，基于所述测量点中在其处检测到所述缺陷的测量点来将所述测量点处的所述额外数据指派给所述缺陷；及对于在所述测量点中的任一者处均未被检测到的所述缺陷，依据所述测量点处的所述额外数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的所述位置处的所述额外数据。
15.根据权利要求14所述的系统，其中确定所述缺陷是所述扰乱还是所述所关注缺陷是进一步基于指派给所述缺陷的所述缺陷属性及其它缺陷属性来执行的。
16.根据权利要求1所述的系统，其中确定所述缺陷是所述扰乱还是所述所关注缺陷是进一步基于指派给所述缺陷的所述缺陷属性以及一或多个其它缺陷属性来执行的，所述一或多个其它缺陷属性是由所述一或多个计算机子系统基于所述检测器所产生的所述输出针对所述缺陷而确定的。
17.根据权利要求1所述的系统，其中确定所述缺陷是所述扰乱还是所述所关注缺陷包括将所述缺陷属性输入到基于学习的缺陷分类器。
18.根据权利要求1所述的系统，其中在所述检验子系统将所述能量引导到所述晶片且所述检测器响应于所述所检测到的能量而产生所述输出时，执行确定所述缺陷的所述位置、指派所述计量数据以及确定所述缺陷是所述扰乱还是所述所关注缺陷。
19.根据权利要求1所述的系统，其中在于所述晶片上检测到所有所述缺陷之后，执行指派所述计量数据以及确定所述缺陷是所述扰乱还是所述所关注缺陷。
20.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进一步经配置以在由所述一或多个计算机子系统针对所述晶片产生的检验结果中区分所述扰乱与所述所关注缺陷。
21.根据权利要求1所述的系统，其中所述检验子系统被配置为光学检验子系统。
22.根据权利要求1所述的系统，其中所述检验子系统被配置为电子束检验系统。
23.根据权利要求1所述的系统，其中所述计量工具不包含于所述系统中。
24.根据权利要求1所述的系统，其中所述计量工具并入到所述系统中，使得所述检验子系统及所述计量工具共享所述系统的一或多个共用元件。
25.一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行以执行用于识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的计算机实施的方法，其中所述计算机实施的方法包括：
通过对由检验子系统的检测器针对所述晶片产生的输出应用缺陷检测方法来检测所述晶片上的缺陷，其中所述检验子系统至少包括能量源及所述检测器，其中所述能量源经配置以产生被引导到所述晶片的能量，且其中所述检测器经配置以检测来自所述晶片的能量且响应于所述所检测到的能量而产生所述输出；
获取所述晶片的计量数据，其中所述计量数据是由在所述晶片上的测量点的阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的，且其中所述晶片上的所述测量点的密度小于所述晶片上的检验点的密度，所述检测器在对所述晶片进行检验期间在所述检验点处产生所述输出；
相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置；
基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷，其中所述指派包括：
对于在所述测量点处被检测到的所述缺陷，基于所述测量点中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述缺陷；及
对于在所述测量点中的任一者处均未被检测到的所述缺陷，依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据；及
基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷。
26.一种用于识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的计算机实施的方法，其包括：
通过对由检验子系统的检测器针对所述晶片产生的输出应用缺陷检测方法来检测所述晶片上的缺陷，其中所述检验子系统至少包括能量源及所述检测器，其中所述能量源经配置以产生被引导到所述晶片的能量，且其中所述检测器经配置以检测来自所述晶片的能量且响应于所述所检测到的能量而产生所述输出；
获取所述晶片的计量数据，其中所述计量数据是由在所述晶片上的测量点的阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的，且其中所述晶片上的所述测量点的密度小于所述晶片上的检验点的密度，所述检测器在对所述晶片进行检验期间在所述检验点处产生所述输出；
相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置；
基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷，其中所述指派包括：
对于在所述测量点处被检测到的所述缺陷，基于所述测量点中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述缺陷；及
对于在所述测量点中的任一者处均未被检测到的所述缺陷，依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据；及
基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷，其中通过耦合到所述检验子系统的一或多个计算机子系统来执行所述检测、所述获取、所述确定所述位置、所述指派及所述确定所述缺陷是扰乱还是所关注缺陷。
CN201880056014.1A 2017-08-30 2018-08-29 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法 Active CN111052331B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762551783P 2017-08-30 2017-08-30
US62/551,783 2017-08-30
US16/113,930 US10699926B2 (en) 2017-08-30 2018-08-27 Identifying nuisances and defects of interest in defects detected on a wafer
US16/113,930 2018-08-27
PCT/US2018/048546 WO2019046428A1 (en) 2017-08-30 2018-08-29 IDENTIFICATION OF NUISANCES AND DEFECTS OF INTEREST IN DEFECTS DETECTED ON A WAFER

Publications (2)

Publication Number Publication Date
CN111052331A CN111052331A (zh) 2020-04-21
CN111052331B true CN111052331B (zh) 2021-03-23

Family

ID=65436070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880056014.1A Active CN111052331B (zh) 2017-08-30 2018-08-29 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法

Country Status (6)

Country Link
US (1) US10699926B2 (zh)
KR (1) KR102384125B1 (zh)
CN (1) CN111052331B (zh)
IL (1) IL272364B (zh)
TW (1) TWI751376B (zh)
WO (1) WO2019046428A1 (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017203600A1 (ja) * 2016-05-24 2017-11-30 株式会社日立ハイテクノロジーズ 欠陥分類装置および欠陥分類方法
US10755026B1 (en) * 2017-11-14 2020-08-25 Synopsys, Inc. Circuit design including design rule violation correction utilizing patches based on deep reinforcement learning
WO2019155471A1 (en) * 2018-02-07 2019-08-15 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof
IL281060B2 (en) * 2018-08-28 2023-11-01 Asml Netherlands Bv Methods and systems of optimal meteorological guidance
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
US11170475B2 (en) * 2019-01-10 2021-11-09 Kla Corporation Image noise reduction using stacked denoising auto-encoder
JP7166966B2 (ja) * 2019-03-15 2022-11-08 株式会社Ｓｃｒｅｅｎホールディングス 処理条件選択方法、基板処理方法、基板製品製造方法、処理条件選択装置、コンピュータープログラム、および、記憶媒体
US10930597B2 (en) 2019-03-27 2021-02-23 Kla-Tencor Corporation Die screening using inline defect information
US11449741B2 (en) * 2019-07-19 2022-09-20 Silicon Storage Technology, Inc. Testing circuitry and methods for analog neural memory in artificial neural network
US11055840B2 (en) * 2019-08-07 2021-07-06 Kla Corporation Semiconductor hot-spot and process-window discovery combining optical and electron-beam inspection
US11580650B2 (en) * 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US20210158223A1 (en) * 2019-11-22 2021-05-27 Kla Corporation Finding Semiconductor Defects Using Convolutional Context Attributes
CN111079628A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 地板破损故障图像识别方法
JP7361594B2 (ja) * 2019-12-19 2023-10-16 キヤノン株式会社 識別装置、処理装置、処理方法、およびプログラム
TWI707137B (zh) * 2020-01-13 2020-10-11 憶象有限公司 智能產線監測系統及監測方法
US11221300B2 (en) * 2020-03-20 2022-01-11 KLA Corp. Determining metrology-like information for a specimen using an inspection tool
US11430105B2 (en) 2020-06-15 2022-08-30 Mitutoyo Corporation Workpiece inspection and defect detection system including monitoring of workpiece images
US11150200B1 (en) 2020-06-15 2021-10-19 Mitutoyo Corporation Workpiece inspection and defect detection system indicating number of defect images for training
CN116057546A (zh) * 2020-09-17 2023-05-02 株式会社日立高新技术 错误原因的推断装置和推断方法
US11699623B2 (en) * 2020-10-14 2023-07-11 Applied Materials, Inc. Systems and methods for analyzing defects in CVD films
TWI816060B (zh) * 2020-10-28 2023-09-21 友達光電股份有限公司 監測系統及其方法
KR102459337B1 (ko) * 2020-12-21 2022-10-28 주식회사 에타맥스 실리콘 카바이드 웨이퍼의 결함을 회피하는 다이 구획방법 및 검사장치
US20220307990A1 (en) * 2021-03-24 2022-09-29 Kla Corporation Imaging reflectometry for inline screening
KR102326006B1 (ko) * 2021-05-13 2021-11-15 (주)알티엠 연산 장치 및 이를 이용한 계측 데이터에 대한 특징 추출 방법
US11756186B2 (en) * 2021-09-15 2023-09-12 Mitutoyo Corporation Workpiece inspection and defect detection system utilizing color channels
KR102405557B1 (ko) * 2021-10-14 2022-06-07 라이트비전 주식회사 컴퓨터가 구분하기 용이한 회절패턴 분류 체계 시스템 및 이에 있어서 분류 체계 구축 방법
WO2023232474A1 (en) * 2022-05-30 2023-12-07 Asml Netherlands B.V. Method of processing data derived from a sample
EP4300087A1 (en) * 2022-06-29 2024-01-03 ASML Netherlands B.V. Method of processing data derived from a sample
CN115167019A (zh) * 2022-07-15 2022-10-11 苏州华星光电技术有限公司 曝光缺陷感知装置、显示终端及曝光缺陷感知方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10096527B2 (en) * 2015-08-21 2018-10-09 Tel Epion Inc. Hybrid corrective processing system and method

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3990981B2 (ja) * 2000-12-15 2007-10-17 ケイエルエイ−テンコー コーポレイション 基板を検査するための方法及び装置
US8698093B1 (en) 2007-01-19 2014-04-15 Kla-Tencor Corporation Objective lens with deflector plates immersed in electrostatic lens field
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
US8223327B2 (en) * 2009-01-26 2012-07-17 Kla-Tencor Corp. Systems and methods for detecting defects on a wafer
WO2010093733A2 (en) * 2009-02-13 2010-08-19 Kla-Tencor Corporation Detecting defects on a wafer
US8664594B1 (en) 2011-04-18 2014-03-04 Kla-Tencor Corporation Electron-optical system for high-speed and high-sensitivity inspections
US8692204B2 (en) 2011-04-26 2014-04-08 Kla-Tencor Corporation Apparatus and methods for electron beam detection
US9279774B2 (en) * 2011-07-12 2016-03-08 Kla-Tencor Corp. Wafer inspection
US8723115B2 (en) * 2012-03-27 2014-05-13 Kla-Tencor Corporation Method and apparatus for detecting buried defects
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
US10192303B2 (en) * 2012-11-12 2019-01-29 Kla Tencor Corporation Method and system for mixed mode wafer inspection
JP5948262B2 (ja) 2013-01-30 2016-07-06 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9098891B2 (en) * 2013-04-08 2015-08-04 Kla-Tencor Corp. Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology
US10079183B2 (en) * 2013-06-26 2018-09-18 Kla-Tenor Corporation Calculated electrical performance metrics for process monitoring and yield management
US9518932B2 (en) * 2013-11-06 2016-12-13 Kla-Tencor Corp. Metrology optimized inspection
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
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
US9835566B2 (en) * 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US9875536B2 (en) 2015-03-31 2018-01-23 Kla-Tencor Corp. Sub-pixel and sub-resolution localization of defects on patterned wafers
JP6527808B2 (ja) * 2015-10-27 2019-06-05 株式会社ニューフレアテクノロジー 検査方法および検査装置
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
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
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
US10181185B2 (en) 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
WO2017203600A1 (ja) * 2016-05-24 2017-11-30 株式会社日立ハイテクノロジーズ 欠陥分類装置および欠陥分類方法
US10395356B2 (en) 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US10176965B1 (en) * 2017-07-05 2019-01-08 ICT Integrated Circuit Testing Gesellschaft für Halbleiterprüftechnik mbH Aberration-corrected multibeam source, charged particle beam device and method of imaging or illuminating a specimen with an array of primary charged particle beamlets

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10096527B2 (en) * 2015-08-21 2018-10-09 Tel Epion Inc. Hybrid corrective processing system and method

Also Published As

Publication number Publication date
KR20200037869A (ko) 2020-04-09
IL272364A (en) 2020-03-31
IL272364B (en) 2022-08-01
US20190067060A1 (en) 2019-02-28
TWI751376B (zh) 2022-01-01
TW201921542A (zh) 2019-06-01
CN111052331A (zh) 2020-04-21
US10699926B2 (en) 2020-06-30
WO2019046428A1 (en) 2019-03-07
KR102384125B1 (ko) 2022-04-08

Similar Documents

Publication Publication Date Title
CN111052331B (zh) 识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法
US10713534B2 (en) Training a learning based defect classifier
US11580398B2 (en) Diagnostic systems and methods for deep learning models configured for semiconductor applications
CN108463874B (zh) 基于图像的样品过程控制
CN111819676B (zh) 训练用于低分辨率图像中的缺陷检测的神经网络
US10522376B2 (en) Multi-step image alignment method for large offset die-die inspection
US11961219B2 (en) Generative adversarial networks (GANs) for simulating specimen images
EP3397952A1 (en) Hybrid inspectors
TWI782229B (zh) 在半導體製造中使用隨機失效指標
US11694327B2 (en) Cross layer common-unique analysis for nuisance filtering
IL292137A (en) Deep learning networks for nuisance filtering
US11967060B2 (en) Wafer level spatial signature grouping using transfer learning

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