CN111164646A - 用于大型偏移裸片对裸片检验的多步骤图像对准方法 - Google Patents

用于大型偏移裸片对裸片检验的多步骤图像对准方法 Download PDF

Info

Publication number
CN111164646A
CN111164646A CN201880064233.4A CN201880064233A CN111164646A CN 111164646 A CN111164646 A CN 111164646A CN 201880064233 A CN201880064233 A CN 201880064233A CN 111164646 A CN111164646 A CN 111164646A
Authority
CN
China
Prior art keywords
test image
image
processor
test
pixels
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201880064233.4A
Other languages
English (en)
Inventor
J·劳贝尔
H·法加里亚
永·张
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 CN111164646A publication Critical patent/CN111164646A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/20—Linear translation of whole images or parts thereof, e.g. panning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

可使用方法或系统来使裸片对裸片检测图像对准，所述方法或系统经配置以：接收参考图像及测试图像；从所述参考图像及所述测试图像上的局部区段确定全局偏移及旋转角；及在执行精细对准之前执行所述测试图像的粗略对准去歪斜。

Description

用于大型偏移裸片对裸片检验的多步骤图像对准方法
相关申请案的交叉参考
本申请案主张2017年10月20日申请的第62/575,304号美国临时申请案的优先权，所述申请案的内容特此以引用的方式并入本文中。
技术领域
本发明大体上涉及识别半导体装置中的缺陷。
背景技术
半导体制造业的发展对良率管理且尤其是计量及检验系统提出越来越多要求。临界尺寸不断缩小，但产业需要缩短实现高良率、高价值生产的时间。最少化从检测到良率问题到修复所述问题的总时间决定了半导体制造商的投资回报率。
制造例如逻辑及存储器装置的半导体装置通常包含使用大量制造工艺来处理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移到布置于半导体晶片上的光致抗蚀剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可以布置制造于单个半导体晶片上且接着分离成个别半导体装置。
在半导体制造期间的各种步骤中使用检验过程来检测晶片上的缺陷以促成制造工艺的较高良率且因此促成较高利润。检验已成为制造例如集成电路(IC)的半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验变成成功制造可接受半导体装置的更重要部分，因为较小缺陷会引起装置失效。例如，随着半导体装置的尺寸减小，检测减小缺陷已变成必然，因为即使相对较小缺陷也会引起半导体装置的无用像差。
当图像之间的偏移超过若干像素时，先前所使用的裸片对裸片对准方法较慢。较快方法涉及测量频率间隔的偏移，但这些方法未考虑任何图像旋转且计算密集。使用先前方法来进行具有大型偏移及旋转的全图像对准限制每小时可检验的晶片的数目且对晶片表面上的缺陷的敏感度有限。
因此，需要改进缺陷识别方法及系统。
发明内容
根据本发明的一个实施例，一种用于获得对准裸片对裸片检验图像的方法包括：在处理器处接收参考图像及测试图像。使用所述处理器，从所述参考图像选择第一局部区段及从所述测试图像选择第二局部区段，从所述第一局部区段及所述第二局部区段确定估计旋转偏移及估计平移偏移，执行粗略对准以借此产生部分对准测试图像，且对所述部分对准测试图像执行精细对准。
本发明的另一实施例是一种非暂时性计算机可读存储媒体，其包括用于在一或多个计算装置上执行步骤的一或多个程序。这些步骤可以任何适当顺序包含：接收参考图像及测试图像；从所述参考图像选择第一局部区段及从所述测试图像选择第二局部区段；从所述第一局部区段及所述第二局部区段确定估计旋转偏移及估计平移偏移；对所述测试图像执行粗略对准以借此产生部分对准测试图像；及对所述部分对准测试图像执行精细对准以获得对准裸片对裸片检验图像。
本发明的另一实施例是一种半导体裸片对裸片检验系统，其包括用于捕获裸片的特征的图像的传感器及计算系统。所述传感器及所述计算系统可包括束源、载台、检测器及处理器。所述处理器可与所述检测器电子通信。所述处理器可经进一步配置以：接收参考图像及测试图像；从所述参考图像选择第一局部区段及从所述测试图像选择第二局部区段；及从所述第一局部区段及所述第二局部区段确定估计旋转偏移及估计平移偏移。所述处理器可经进一步配置以执行测试图像的粗略对准以借此产生部分对准测试图像且执行所述部分对准测试图像的精细对准。
所述束源可为光源或电子束源。所述束源可包含宽带等离子体源、电子束源、灯或激光。所述束源可发射电子或光子。在一些实施例中，所述束源还可发射可为红外光、可见光、紫外光或x射线光的光。
所述束可为来自光源的光束或来自电子束源的电子束。
所述载台可经配置以使晶片保持于由所述束源产生的束的路径中。
所述检测器可经配置以接收从所述晶片反射的所述束的部分。
根据本发明的各种实施例：
所述测试图像的所述粗略对准可包括测试图像去歪斜。所述粗略对准可借此产生部分对准测试图像。
所述精细对准可包括分区平移。所述部分对准测试图像上的所述分区平移可借此获得对准裸片对裸片检验图像。
所述参考图像或所述测试图像可包括数个像素行及列。
所述测试图像去歪斜可包括确定所述测试图像的歪斜角且使所述测试图像去歪斜。
所述歪斜比较可包括执行所述测试图像中的一或多个显著特征的图案辨识以确定所述歪斜角。
在一些例子中，可使用机器学习模块来执行所述歪斜比较以确定所述歪斜角。
可通过执行来自所述参考图像的所述第一局部区段与来自所述测试图像的所述第二局部区段的歪斜比较来确定所述测试图像的所述歪斜角。所述歪斜比较可包括对来自所述参考图像的所述第一局部区段及来自所述测试图像的所述第二局部区段执行快速傅里叶变换以分别获得参考场景函数及测试场景函数及比较所述测试场景函数与所述参考场景函数以确定所述歪斜角。
使所述测试图像去歪斜可包括基于所述歪斜角来针对所述测试图像中的所述像素中的每一者确定列移位向量及行移位向量及使所述像素中的每一者根据其列移位向量及行移位向量来移位。所述列移位向量可包括与含有所述像素的列共线移位的一定数量像素及方向。所述行移位向量可包括与含有所述像素的行共线移位的一定数量像素及方向。
所述分区平移可包括将所述参考图像分割成至少一个参考图像子区段及将所述测试图像分割成至少一个测试图像子区段及使所述测试图像子区段平移以与对应于所述测试图像子区段的所述参考图像子区段对准。
附图说明
为更完全理解本发明的性质及目的，应参考结合附图的以下详细描述，其中：
图1是说明根据本发明的用于获得对准裸片对裸片检验图像的方法的流程图；
图2是说明根据本发明的执行测试图像去歪斜的方法的流程图；
图3是说明根据本发明的执行歪斜比较的方法的流程图；
图4是说明根据本发明的使测试图像去歪斜的方法的流程图；
图5是说明根据本发明的执行分区平移的方法的流程图；
图6说明根据本发明的执行歪斜比较；
图7说明根据本发明的执行分区平移；
图8说明本发明的系统实施例；及
图9说明本发明的另一系统实施例。
具体实施方式
尽管将根据特定实施例来描述所主张的标的物，但其它实施例(其包含未提供本文所阐述的所有益处及特征的实施例)还在本发明的范围内。可在不背离本发明的范围的情况下作出各种结构、逻辑、过程步骤及电子改变。因此，仅通过参考所附权利要求书来界定本发明的范围。
本文所揭示的实施例提出一种使用大型偏移及旋转来使裸片图像对准的新方法。举例来说，当在切割或重建裸片之后检验晶片时，裸片位置会相对于彼此移位数十微米。本发明揭示一种用于晶片检验中的图像对准过程的高效率两步骤方法，其组合频率域及空间域两者中的测量偏移。
此新对准方法的实施例是计算高效的两步骤过程，其中可在(例如)频率域中经由使用快速傅里叶变换(FFT)来首先测量偏移及旋转。接着，可补偿此全局偏移及旋转分量且可在第二步骤中测量及校正一或若干残余偏移。本文所揭示的实施例可使用户能够使用大型偏移及旋转以更高的敏感度及精确度检验晶片上的裸片。
本文所揭示的实施例还可使具有局部失真的图像对准。先前，这些局部失真会引起对准问题且克服所述问题的计算成本高得惊人。
在本发明的实施例中，可相较于参考晶片图像来确定测试晶片图像的歪斜角。还可从确定参考晶片图像上的局部区段及测试晶片图像上的局部区段的歪斜角确定全局偏移及旋转角。可从测量确定需要每一像素移位的量。如果旋转角超过1度的小部分，那么需要粗略对准。在一些实施例中，粗略对准可包括使测试晶片图像旋转适当度数以匹配参考晶片图像或通过使测试晶片图像包含的像素列及行移位预定量来使测试晶片图像去歪斜。此去歪斜方法比2D图像旋转计算得快。在测试本发明的一些实施例时，计算速度比相对于先前裸片对裸片对准方法所观察到的计算速度提高10倍到50倍之间。
在执行粗略对准之后，可执行精细对准以完成裸片对裸片图像的对准。此精细对准可测量及校正小局部失准。在分区平移实例中，使用方法来将参考及测试图像分解成可个别对准的小条带或拼片，一旦已执行粗略对准，那么由于粗略对准消除许多或甚至大多数偏移，所以所述方法是精确及高效率的。
本文所描述的图像对准方法、软件及系统实施例将传统裸片对裸片对准过程分成两个步骤以导致计算要求降低。此导致较快检验及减少完成时间且因此降低半导体制造商的拥有成本。
图1是根据本发明的实施例的方法100的流程图。在101中，接收参考图像。在102中，从参考图像选择第一局部区段。在103中，接收测试图像。在104中，从测试图像选择第二局部区段。可尤其通过选择图像的象限、选择图像的界定区段或基于强特征的存在确定选择来选择第一局部选择及第二局部选择。参考图像及测试图像可包含数个像素行及列。在105中，基于第一旋转偏移及第二旋转偏移来确定估计旋转偏移。在106中，使用旋转偏移来对测试图像执行粗略对准以产生部分对准测试图像。在107中，对部分对准测试图像执行精细对准以产生对准裸片对裸片检验图像。
在实施例中，估计旋转偏移可用于确定粗略对准的程度。可通过使用三角函数估计测试图像内的任何给定位置处的x及y偏移来完成此确定。
在实施例中，粗略对准步骤106可包括测试图像去歪斜200。图2是根据本发明的实施例的用于执行测试图像去歪斜200的方法的流程图。在201中，确定测试图像的歪斜角且在202中，使测试图像去歪斜。
在实施例中，确定测试图像的歪斜角201可包括执行歪斜比较300。图3说明歪斜比较300的实施例。在301中，对来自参考图像的第一局部区段执行快速传立叶变换以产生参考场景函数。在302中，对来自测试图像的第二局部区段执行快速传立叶变换以产生测试场景函数。在303中，比较测试场景函数与参考场景函数以确定歪斜角。歪斜比较300可涉及确定相位或参考场景函数及测试场景函数的归一化乘积。对相位执行逆快速傅里叶变换以产生偏移。可在图像上的一或多个位置处确定此偏移。接着，歪斜角可为偏移量值的差除以偏移量值之间的距离。替代地，量值差除以量值之间的距离的反正切可为歪斜角。
在本发明的另一实施例中，歪斜比较可包括执行测试图像中的一或多个显著特征的图案辨识以确定歪斜角。
在本发明的另一实施例中，歪斜比较可包括使用机器学习模块来确定歪斜角。机器学习模块可为用于辨识待对准的最佳图像特征的深度学习图像分类。
在本发明的另一实施例中，歪斜比较可包括使用特殊域中的相关性及突出图像信息或其它类似方法来最大化投射对比度。
图4说明用于使测试图像去歪斜的方法400中的本发明的实施例。在实施例中，使测试图像去歪斜202可包括方法400。在401中，针对测试图像中的每一像素确定列移位向量及行移位向量。基于通过计算歪斜角的相应正弦及余弦乘以从原点的距离的量值所确定的歪斜角来确定列移位向量及行移位向量。每一列移位向量由与含有像素的列共线移位的一定数量像素及方向组成。每一行移位向量由与含有像素的行共线移位的一定数量像素及方向组成。在一些实施例中，列向量方向是正或负方向且行向量方向是正或负方向。在402中，使测试图像中的每一像素根据其列移位向量及行移位向量来移位。此产生部分对准测试图像。
在本发明的另一实施例中，精细对准107可包括执行分区平移500。图5说明根据本发明的分区平移500的方法。在501中，将参考图像分割成一或多个参考图像子区段。在502中，将测试图像分割成一或多个测试图像子区段。每一测试图像子区段对应于参考图像子区段。在503中，使每一测试图像子区段平移以与其对应参考图像子区段对准。可自动或由用户确定参考及测试图像子区段的大小及数量。
在实施例中，可使用若干方法中的一者来执行使测试图像子区段平移以与其对应参考图像子区段对准。在一种方法中，执行图像之间的归一化交叉相关。因为已执行粗略对准，所以此归一化交叉相关的搜索范围可受限制以节约计算资源。
在本发明的实施例中，在尤其包括处理器的计算装置上执行上述方法。
根据本发明的一些实施例，图6是参考图像601上的一或多个第一局部区段603与测试图像602上的一或多个第二局部区段604之间的比较设置600的可视化。第一局部区段603及第二局部区段604可用于通过在一或多个局部区段603内的一或多个特征605与一或多个局部区段604内的一或多个特征606之间执行比较607来测量全局偏移及旋转。在一些实施例中，比较607包括执行每一第一局部区段603的快速傅里叶变换及比较其与每一对应第二局部区段604的快速傅里叶变换。归因于平移及旋转偏移(如果特征605及606存在)，可比较局部区段603及604的快速傅里叶变换函数以确定歪斜角测量。基于图6的此测量可用于使测试图像去歪斜。
图7是根据本发明的实施例的分区平移设置700的可视化，其包括具有一或多个参考图像子区段703的参考图像701及具有一或多个测试图像子区段704的部分去歪斜测试图像702。由于将图像分割成较小子区段，所以可分别基于一或多个参考图像子区段703及一或多个测试图像子区段704内的一或多个特征705及706的位置的差异的测量来使这些子区段对准。基于图7的测量可用于在缺陷检测发生之前对图像进行最终校正。
在本发明的另一实施例中，将上述方法实施为用于在一或多个计算装置上执行的一或多个程序。在此实施例中，将一或多个程序存储于非暂时性计算机可读存储媒体上。计算机实施方法可包含本文所描述的任何方法的任何步骤。
图8中展示系统800的一个实施例。系统800包含基于光学的子系统801。一般来说，基于光学的子系统801经配置以通过将光导引到样品802(或使光扫描样品802)且从样品802检测光来产生样品802的基于光学的输出。在一个实施例中，样品802包含晶片。晶片可包含所属领域中已知的任何晶片。在另一实施例中，样品包含光罩。光罩可包含所属领域中已知的任何光罩。
在图8所展示的系统800的实施例中，基于光学的子系统801包含经配置以将光导引到样品802的照明子系统。照明子系统包含至少一个光源。举例来说，如图8中所展示，照明子系统包含光源803。在一个实施例中，照明子系统经配置以按可包含一或多个倾斜角及/或一或多个法线角的一或多个入射角将光导引到样品802。举例来说，如图8中所展示，以倾斜入射角导引来自光源803的光穿过光学元件804及接着透镜805而到样品802。倾斜入射角可包含可取决于(例如)样品802的特性而变化的任何合适倾斜入射角。
光源803或束源可包含宽带等离子体源、灯或激光。在一些实施例中，束源还可发射可呈红外光、可见光、紫外光或x射线光的形式的光或光子。
基于光学的子系统801可经配置以在不同时间以不同入射角将光导引到样品802。举例来说，基于光学的子系统801可经配置以更改照明子系统的一或多个元件的一或多个特性，使得光可以不同于图8中所展示的入射角的入射角导引到样品802。在一个此实例中，基于光学的子系统801可经配置以移动光源803、光学元件804及透镜805，使得光以不同倾斜入射角或法线(或近法线)入射角导引到样品802。
在一些例子中，基于光学的子系统801可经配置以同时以一个以上入射角将光导引到样品802。举例来说，照明子系统可包含一个以上照明通道，照明通道中的一者可包含光源803、光学元件804及透镜805(如图8中所展示)且照明通道的另一者(未展示)可包含类似元件，其可以不同或相同方式配置或可包含至少光源及可能一或多个其它组件(例如本文将进一步描述的组件)。如果此光与其它光同时导引到样品，那么以不同入射角导引到样品802的光的一或多个特性(例如波长、偏振等等)可不同，使得由以不同入射角照射样品802所致的光可在检测器处彼此区别。
在另一例子中，照明子系统可仅包含一个光源(例如图8中所展示的光源803)且来自光源的光可由照明子系统的一或多个光学元件(未展示)分离成不同光学路径(例如基于波长、偏振等等)。接着，可将每一不同光学路径中的光导引到样品802。多个照明通道可经配置以同时或在不同时间(例如当不同照明通道用于循序照射样品时)将光导引到样品802。在另一例子中，相同照明通道可经配置以在不同时间将具有不同特性的光导引到样品802。举例来说，在一些例子中，光学元件804可配置为光谱滤波器且光谱滤波器的性质可以各种不同方式改变(例如通过换出光谱滤波器)，使得不同波长的光可在不同时间导引到样品802。照明子系统可具有适合于以不同或相同入射角将具有不同或相同特性的光循序或同时导引到样品802的所属领域中已知的任何其它配置。
在一个实施例中，光源803可包含宽带等离子体(BBP)源。以此方式，由光源803产生且导引到样品802的光可包含宽带光。然而，光源可包含例如激光或灯的任何其它合适光源。激光可包含所属领域中已知的任何合适激光且可经配置以产生所属领域中已知的一或若干任何合适波长处的光。另外，激光可经配置以产生单色光或近单色光。以此方式，激光可为窄带激光。光源803还可包含产生多个离散波长或波带处的光的多色光源。
来自光学元件804的光可由透镜805聚焦到样品802上。尽管图8中将透镜805展示为单个折射光学元件，但应了解，透镜805实际上可包含将来自光学元件的光组合地聚焦到样品的数个折射及/或反射光学元件。图8中所展示及本文所描述的照明子系统可包含任何其它合适光学元件(未展示)。此类光学元件的实例包含(但不限于)偏振组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、分束器(例如分束器813)、孔隙及其类似者，其可包含所属领域中已知的任何此类合适光学元件。另外，基于光学的子系统801可经配置以基于用于产生基于光学的输出的照明的类型来更改照明子系统的一或多个元件。
基于光学的子系统801还可包含经配置以引起光扫描样品802的扫描子系统。举例来说，基于光学的子系统801可包含在基于光学的输出产生期间将样品802安置于其上的载台806。扫描子系统可包含任何合适机械及/或机器人组合件(其包含载台806)，其可经配置以移动样品802，使得光可扫描样品802。另外或替代地，基于光学的子系统801可经配置使得基于光学的子系统801的一或多个光学元件对样品802执行某一光扫描。光可以任何合适方式(例如沿蛇形路径或螺旋路径)扫描样品802。
基于光学的子系统801进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，其经配置以归因于由子系统照射样品802而从样品802检测光且响应于检测光而产生输出。举例来说，图8中所展示的基于光学的子系统801包含两个检测通道：一个检测通道由收集器807、元件808及检测器809形成且另一检测通道由收集器810、元件811及检测器812形成。如图8中所展示，两个检测通道经配置以按不同收集角收集及检测光。在一些例子中，两个检测通道经配置以检测散射光，且检测通道经配置以检测从样品802以不同角散射的光。然而，检测通道中的一或多者可经配置以从样品802检测另一类型的光(例如反射光)。
如图8中所进一步展示，两个检测通道展示为定位于纸面中且照明子系统还展示为定位于纸面中。因此，在此实施例中，两个检测通道定位于(例如居中定位于)入射面中。然而，检测通道中的一或多者可定位于入射面外。举例来说，由收集器810、元件811及检测器812形成的检测通道可经配置以收集及检测散射到入射面外的光。因此，此检测通道通常可称为“侧”通道，且此侧通道可居中定位于大体上垂直于入射面的平面中。
尽管图8展示包含两个检测通道的基于光学的子系统801的实施例，但基于光学的子系统801可包含不同数目个检测通道(例如仅一个检测通道或两个或两个以上检测通道)。在一个此例子中，由收集器810、元件811及检测器812形成的检测通道可形成上文所描述的一个侧通道，且基于光学的子系统801可包含形成为定位于入射面的相对侧上的另一侧通道的额外检测通道(未展示)。因此，基于光学的子系统801可包含检测通道，其包含收集器807、元件808及检测器809且居中定位于入射面中及经配置以收集及检测具有等于或接近样品802表面的法线角的散射角的光。因此，此检测通道通常可称为“顶部”通道，且基于光学的子系统801还可包含如上文所描述那样配置的两个或两个以上侧通道。因而，基于光学的子系统801可包含至少三个通道(即，一个顶部通道及两个侧通道)，且至少三个通道中的每一者自身具有收集器，每一收集器经配置以收集具有不同于其它收集器中的每一者的散射角的光。
如上文所进一步描述，包含于基于光学的子系统801中的每一检测通道可经配置以检测散射光。因此，图8中所展示的基于光学的子系统801可经配置以用于样品802的暗场(DF)输出产生。然而，基于光学的子系统801还可或替代地包含经配置以用于样品802的明场(BF)输出产生的检测通道。换句话说，基于光学的子系统801可包含经配置以检测从样品802镜面反射的光的至少一检测通道。因此，本文所描述的基于光学的子系统801可经配置以仅用于DF成像、仅用于BF成像或用于DF及BF两种成像。尽管图8中将每一收集器展示为单个折射光学元件，但应了解，每一收集器可包含一或多个折射光学裸片及/或一或多个反射光学元件。
一或多个检测通道可包含所属领域中已知的任何合适检测器。举例来说，检测器可包含光电倍增管(PMT)、电荷耦合装置(CCD)、时间延迟积分(TDI)照相机及所属领域中已知的任何其它合适检测器。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，那么每一检测器可经配置以检测散射光的某些特性(例如强度)，但无法经配置以检测例如成像面内的位置的函数的特性。因而，由包含于基于光学的子系统的每一检测通道中的每一检测器产生的输出可为信号或数据，但非图像信号或图像数据。在此类例子中，例如处理器814的处理器可经配置以从检测器的非成像输出产生样品802的图像。然而，在其它例子中，检测器可配置为经配置以产生成像信号或图像数据的成像检测器。因此，基于光学的子系统可经配置以按许多方式产生光学图像或本文所描述的其它基于光学的输出。
应注意，本文提供图8来大体上说明基于光学的子系统801的配置，基于光学的子系统801可包含于本文所描述的系统实施例中或可产生由本文所描述的系统实施例使用的基于光学的输出。本文所描述的基于光学的子系统801配置可经更改以优化通常在设计商用输出获取系统时执行的基于光学的子系统801的性能。另外，可使用现有系统来实施本文所描述的系统(例如通过将本文所描述的功能新增到现有系统)。针对一些此类系统，可提供本文所描述的方法作为系统的任选功能(例如以及系统的其它功能)。替代地，可将本文所描述的系统设计为全新系统。
在例子中，处理器814与系统800通信。
图9是系统900的实施例的框图。系统900包含经配置以产生样品904(其可包含晶片或光罩)的图像的晶片检验工具(其包含电子柱901)。
晶片检验工具包含具有至少一能量源及检测器的输出获取子系统。输出获取子系统可为基于电子束的输出获取子系统。举例来说，在一个实施例中，导引到样品904的能量包含电子，且从样品904检测的能量包含电子。以此方式，能量源可为电子束源。在图9所展示的一个此实施例中，输出获取子系统包含耦合到计算机子系统902的电子柱901。载台910可固持样品904。
也如图9中所展示，电子柱901包含经配置以产生由一或多个元件905聚焦到样品904的电子的电子束源903。电子束源903可包含(例如)阴极源或发射极尖端。一或多个元件905可包含(例如)枪透镜、阳极、限束孔隙、闸阀、束流选择孔隙、物镜及扫描子系统，其所有可包含所属领域中已知的任何此类合适元件。
从样品904返回的电子(例如二次电子)可由一或多个元件906聚焦到检测器907。一或多个元件906可包含(例如)扫描子系统，其可为包含于元件905中的相同扫描子系统。
电子柱901还可包含所属领域中已知的任何其它合适元件。
尽管图9中将电子柱901展示为经配置使得电子以倾斜入射角导引到样品904且以另一倾斜角从样品904散射，但电子束可以任何合适角度导引到样品904及从样品904散射。另外，基于电子束的输出获取子系统可经配置以使用多个模式来产生样品904的图像(例如具有不同照明角、收集角等等)。基于电子束的输出获取子系统的多个模式可具有输出获取子系统的任何不同图像产生参数。
计算机子系统902可耦合到检测器907，如上文所描述。检测器907可检测从样品904的表面返回的电子以借此形成样品904的电子束图像。电子束图像可包含任何合适电子束图像。计算机子系统902可经配置以使用检测器907的输出及/或电子束图像来执行本文所描述的功能中的任何者。计算机子系统902可经配置以执行本文所描述的任何额外步骤。可如本文所描述那样进一步配置包含图9中所展示的输出获取子系统的系统900。
应注意，本文提供图9来大体上说明可用于本文所描述的实施例中的基于电子束的输出获取子系统的配置。本文所描述的基于电子束的输出获取子系统可经更改以优化通常在设计商用输出获取系统时执行的输出获取子系统的性能。另外，可使用现有系统来实施本文所描述的系统(例如通过将本文所描述的功能新增到现有系统)。针对一些此类系统，可提供本文所描述的方法作为系统的任选功能(例如以及系统的其它功能)。替代地，可将本文所描述的系统设计为全新系统。
尽管上文将输出获取子系统描述为基于电子束的输出获取子系统，但输出获取子系统可为基于离子束的输出获取子系统。除电子束源可由所属领域中已知的任何合适离子束源替换之外，可如图9中所展示那样配置此输出获取子系统。另外，输出获取子系统可为任何其它合适基于离子束的输出获取子系统，例如包含于市售聚焦离子束(FIB)系统、氦离子束显微镜(HIM)系统及二次离子质谱仪(SIMS)系统中的基于离子束的输出获取子系统。
计算机子系统902包含处理器908及电子数据存储单元909。处理器908可包含微处理器、微控制器或其它装置。
处理器814或908或计算机子系统902可以任何合适方式(例如经由可包含有线及/或无线传输媒体的一或多个传输媒体)分别耦合到系统800或900的组件，使得处理器814或908可分别接收输出。处理器814或908可经配置以使用输出来执行若干功能。系统800或900可分别从处理器814或908接收指令或其它信息。处理器814或908及/或电子数据存储单元815或909可分别任选地与晶片检验工具、晶片计量工具或晶片重检工具(未说明)电子通信以接收额外信息或发送指令。举例来说，处理器814 908及/或电子数据存储单元815或909可分别与扫描电子显微镜(SEM)电子通信。
处理器814或908分别与例如检测器809或812或检测器907的晶片检验工具电子通信。处理器814或908可经配置以分别处理使用来自检测器809或812或检测器907的测量所产生的图像。举例来说，处理器可执行方法100、200、300、400或500的实施例。
本文所描述的处理器814或908或计算机子系统902、其它系统或其它子系统可为包含个人计算机系统、图像计算机、主计算机系统、工作站、网络设备、因特网设备或其它装置的各种系统的部分。子系统或系统还可包含所属领域中已知的任何合适处理器，例如并行处理器。另外，子系统或系统可包含具有高速处理及软件的平台作为独立或网络工具。
处理器814或908及电子数据存储单元815或909可分别安置于系统800或900或另一装置中或否则为系统800或900或另一装置的部分。在实例中，处理器814或908及电子数据存储单元815或909可分别为独立控制单元的部分或在集中质量控制单元中。可分别使用多个处理器814或908或电子数据存储单元815或909。
实际上，处理器814或908可由硬件、软件及固件的任何组合实施。另外，如本文所描述，其功能可由一个单元执行或分配于不同组件中，每一组件又可由硬件、软件及固件的任何组合实施。使处理器814或908实施各种方法及功能的程序代码或指令可分别存储于可读存储媒体(例如电子数据存储单元815或909中的存储器)或其它存储器中。
如果系统800或900包含一个以上处理器814或908或计算机子系统902，那么不同子系统可彼此耦合，使得图像、数据、信息、指令等等可在子系统之间发送。举例来说，子系统可由可包含所属领域中已知的任何合适有线及/或无线传输媒体的任何合适传输媒体耦合到额外子系统。此类子系统中的两者或两者以上还可由共享计算机可读存储媒体(未展示)有效耦合。
处理器814或908可经配置以分别使用系统800或900的输出或其它输出来执行若干功能。例如，处理器814或908可经配置以将输出分别发送到电子数据存储单元815或909或另一存储媒体。可如本文所描述那样进一步配置处理器814或908。
处理器814或908或计算机子系统902可为缺陷重检系统、检验系统、计量系统或某一其它类型的系统的部分。因此，本文所揭示的实施例描述可以许多方式适应具有大体上适合于不同应用的不同能力的系统的一些配置。
如果系统包含一个以上子系统，那么不同子系统可彼此耦合，使得图像、数据、信息、指令等等可在子系统之间发送。举例来说，子系统可由可包含所属领域中已知的任何合适有线及/或无线传输媒体的任何合适传输媒体耦合到额外子系统。此类子系统中的两者或两者以上还可由共享计算机可读存储媒体(未展示)有效耦合。
可根据本文所描述的实施例中的任何者来配置处理器814或908。处理器814或908还可经配置以分别使用系统800或900的输出或使用来自其它源的图像或数据来执行其它功能或额外步骤。
处理器814或908可以所属领域中已知的任何方式分别通信地耦合到系统800或900的各种组件或子系统中的任何者。此外，处理器814或908可经配置以通过可包含有线及/或无线部分的传输媒体来自其它系统接收及/或获取数据或信息(例如来自检验系统(例如重检工具、包含设计数据的远程数据库及其类似者)的检验结果)。以此方式，传输媒体可分别充当处理器814或908与系统800或900的其它子系统或系统800或900外的系统之间的数据链路。
在实施例中，处理器814或处理器908可经配置以根据方法100、200、300、400或500中的一或多者的实施例来实施步骤。
在实施例中，处理器814或处理器908可经配置以执行：测试图像的粗略对准，其包括测试图像去歪斜，借此产生部分对准测试图像；及精细对准，其包括部分对准测试图像的分区平移。
在实施例中，处理器814或处理器908可经进一步配置以：接收参考图像，所述参考图像包括数个像素行及列；从所述参考图像选择第一局部区段；接收测试图像，所述测试图像包括数个像素列及行；从所述测试图像选择第二局部区段；及从所述第一局部区段及所述第二局部区段确定估计旋转偏移及估计平移偏移。
在实施例中，处理器814或处理器908可经进一步配置以执行测试图像去歪斜，其中所述测试图像去歪斜包括：确定测试图像的歪斜角；及基于所述歪斜角来使测试图像去歪斜。
在实施例中，处理器814或处理器908可经进一步配置以通过执行来自参考图像的第一局部区段与来自测试图像的第二局部区段的歪斜比较来确定测试图像的歪斜角。
在实施例中，处理器814或处理器908可经进一步配置以执行歪斜比较，其包括：对来自参考图像的第一局部区段执行快速傅里叶变换以获得参考场景函数；对来自测试图像的第二局部区段执行快速傅里叶变换以获得测试场景函数；比较所述测试场景函数与所述参考场景函数以确定歪斜角。
在实施例中，处理器814或处理器908可经进一步配置以使测试图像去歪斜，其中使所述测试图像去歪斜包括：基于歪斜角来针对所述测试图像中的每一像素确定列移位向量及行移位向量，其中每一列移位向量包括与含有所述像素的列共线移位的一定数量像素及方向，且每一行移位向量包括与含有所述像素的行共线移位的一定数量像素及方向；及使每一像素根据其列移位向量及行移位向量来移位。
在实施例中，处理器814或处理器908可经进一步配置以执行包括分区平移的精细对准，其中所述分区平移包括：将参考图像分割成一或多个参考图像子区段；将测试图像分割成一或多个测试图像子区段，每一测试图像子区段对应于参考图像子区段；及平移每一测试图像子区段以与其对应参考图像子区段对准。
本文所揭示的系统800或系统900及方法的各种步骤、功能及/或操作由以下中的一或多者实施：电子电路、逻辑门、多路复用器、可编程逻辑设备、ASIC、模拟或数字控制/开关、微控制器或计算系统。实施方法(例如本文所描述的方法)的程序指令可经由载体媒体传输或存储于载体媒体上。载体媒体可包含例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及其类似者的存储媒体。载体媒体可包含例如导线、电缆或无线传输链路的传输媒体。例如，本发明中所描述的各种步骤可由单处理器814或单处理器908(或计算机子系统902)实施或替代地，由多个处理器814或多个处理器908(或多个计算机子系统902)实施。此外，系统800或系统900的不同子系统可包含一或多个计算或逻辑系统。因此，以上描述不应被解释为本发明的限制，而是仅为说明。
额外实施例涉及一种非暂时性计算机可读媒体，其存储可在控制器上执行的程序指令，所述程序指令用于执行用于确定样品802或904的表面上的照明区域的高度的计算机实施方法，如本文所揭示。特定来说，如图8或9中所展示，电子数据存储单元815或909或其它存储媒体可含有非暂时性计算机可读媒体，其包含可分别在处理器814或908上执行的程序指令。计算机实施方法可包含本文所描述的任何方法的任何步骤，其包含方法100、200、300、400或500的实施例。
实施方法(例如本文所描述的方法)的程序指令可存储于计算机可读媒体上，例如在电子数据存储单元815、电子数据存储单元909或其它存储媒体中。计算机可读媒体可为例如磁盘或光盘、磁带或所属领域中已知的任何其它合适非暂时性计算机可读媒体的存储媒体。
可以尤其包含基于程序的技术、基于组件的技术及/或面向对象技术的各种方式中的任何者实施程序指令。举例来说，可根据期望使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式SIMD扩展(SSE)或其它技术或方法来实施程序指令。
由处理器执行的组件可包含深度学习模块(例如卷积神经网络(CNN)模块)。深度学习模块可具有本文所进一步描述的配置中的一者。植根于神经网络技术中的深度学习是具有许多神经元层的机率图模型，通常称为深度架构。深度学习技术以分层方式处理例如图像、文字、声音等等的信息。在本发明中使用深度学习时，使用从数据学习来自动完成特征提取。举例来说，可使用基于一或多个提取特征的深度学习模块来提取确定旋转及平移偏移时参考的特征。
一般来说，深度学习(也称为深度结构化学习、分层学习或深度机器学习)是基于试图模型化数据的高抽象层次的一组算法的机器学习的分支。简单地说，可存在两组神经元：接收输入信号的一组神经元及发送输出信号的一组神经元。当输入层接收输入时，其将输入的修改变型传递到下一层。在深度网络中，输入与输出之间可存在许多层以允许算法使用由多个线性及非线性变换构成的多个处理层。
深度学习是基于学习数据的表示的机器学习方法的更广泛家族的部分。观察(例如待提取参考的特征)可以例如每像素的强度值的向量的许多方式表示或以更抽象方式表示为一组边缘、特定形状区域等等。一些表示在简化学习任务(例如面部辨识或面部表情辨识)方面优于其它表示。深度学习可提供用于无监督或半监督特征学习及分层特征提取的高效率算法。
此领域的研究试图作出较佳表示且产生从大量数据学习这些表示的模型。一些表示受神经科学的发展激发且松散地基于神经系统中的信息处理及通信模型的解译，例如试图界定大脑中的各种刺激与相关联的神经元响应之间的关系的神经编码。
可存在具有取决于机率规格及网络架构的深度架构的神经网络的许多变体，其包含(但不限于)深度信念网络(DBN)、受限玻尔兹曼机(RBM)及自动编码器。另一类型的深度神经网络(CNN)可用于特征分析。实际实施方案可取决于输入图像的大小、待分析的特征的数目及问题的性质而变化。除本文所揭示的神经网络之外，其它层还可包含于深度学习模块中。
在实施例中，深度学习模型是机器学习模型。机器学习可大体上界定为使计算机具有不靠明确编程的学习能力的人工智能(AI)类型。机器学习聚焦于可在暴露于新数据时自学成长及改变的计算机程序的开发。机器学习探索可从数据学习且对数据作出预测的算法的研究及构造。此类算法通过从取样输入构建模型而作出数据导向预测或决定来克服严格遵循静态程序指令。
在一些实施例中，深度学习模型是生成模型。生成模型可大体上界定为具概率性的模型。换句话说，生成模型是执行正向模拟或基于规则的方法的模型。可基于一组合适训练数据来学习生成模型(因为可学习其参数)。在一个实施例中，深度学习模型配置为深度生成模型。举例来说，模型可经配置以具有深度学习架构，因为模型可包含执行许多算法或变换的多个层。
在另一实施例中，深度学习模型配置为神经网络。在进一步实施例中，深度学习模型可为深度神经网络，其具有根据已被馈送用于训练其数据来模型化世界的一组权重。神经网络可大体上界定为基于神经单元的相对较大集合的计算方法，其松散地模型化生物大脑使用由轴突连接的生物神经元的相对较大集群来解决问题的方式。每一神经单元与许多其它神经单元连接，且链路可增强或抑制其对连接神经单元的活性状态的效应。这些系统自我学习及训练而非被明确编程且在传统计算机程序难以表达的解算或特征检测方面表现突出。
神经网络通常由多个层组成，且信号路径前后贯穿。神经网络的目标是以与人脑相同的方式解决问题，但若干神经网络更抽象得多。现代神经网络计划通常与数千个到数百万个神经单元及数百万个连接一起工作。神经网络可具有所属领域中已知的任何合适架构及/或配置。
在一个实施例中，用于本文所揭示的半导体检验应用的深度学习模型配置为AlexNet。举例来说，AlexNet包含数个卷积层(例如5个)及接着数个全连接层(例如3个)，其经组合地配置及训练以分析用于确定旋转及平移偏移的特征。在另一此实施例中，用于本文所揭示的半导体检验应用的深度学习模型配置为GoogleNet。举例来说，GoogleNet可包含例如卷积层、池化层及全连接层(例如本文所进一步描述的卷积层、池化层及全连接层)的层，其经配置及训练以分析用于确定旋转及平移偏移的特征。尽管GoogleNet架构可包含相对较高数目个层(尤其与本文所描述的一些其它神经网络相比)，但一些层可并行操作，且彼此并行运作的层的群组大体上称为初始模块。其它层可以序操作。因此，GoogleNet与本文所描述的其它神经网络的不同点在于：并非所有层布置成循序结构。平行层可类似于Google的初始网络或其它结构。
在进一步此实施例中，用于本文所揭示的半导体检验应用的深度学习模型配置为视觉几何群组(VGG)网络。举例来说，通过增加卷积层的数目同时确定架构的其它参数来产生VGG网络。可通过在所有层中使用大体上小卷积滤波器来新增卷积层以增加深度。如同本文所描述的其它神经网络，VGG网络经产生及训练以分析用于确定旋转及平移偏移的特征。VGG网络还包含卷积层及接着全连接层。
在一些此类实施例中，用于本文所揭示的半导体检验应用的深度学习模型配置为深度剩余网络。举例来说，如同本文所描述的一些其它网络，深度剩余网络可包含卷积层及接着全连接层，其经组合地配置及训练以用于特征性质提取。在深度剩余网络中，层经配置以参考层输入来学习剩余函数而非学习未引用函数。特定来说，明确允许这些层拟合由具有快捷连接的前馈神经网络实现的剩余映像，而非希望每一少数堆叠层直接拟合所要基本映射。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平面神经网络结构且插入快捷连接来产生深度剩余网，其借此采用平面神经网络且将其转变为其剩余学习对应物。
在进一步此实施例中，用于本文所揭示的半导体检验应用的深度学习模型包含经配置以用于分析用于确定旋转及平移偏移的特征的一或多个全连接层。全连接层可大体上界定为其中每一节点连接到前一层中的每一节点的一层。全连接层可基于由可如本文所进一步描述那样配置的卷积层提取的特征来执行分类。全连接层经配置以用于特征选择及分类。换句话说，全连接层从特征图选择特征且接着基于选定特征来分析输入图像。选定特征可包含特征图中的所有特征(如果适当)或仅特征图中的一些特征。
在一些实施例中，由深度学习模型确定的信息包含由深度学习模型提取的特征性质。在一个此实施例中，深度学习模型包含一或多个卷积层。卷积层可具有所属领域中已知的任何合适配置。以此方式，深度学习模型(或深度学习模型的至少一部分)可配置为CNN。举例来说，深度学习模型可配置为用于提取局部特征的CNN，其通常为卷积层及池化层的堆叠。本文所描述的实施例可利用例如CNN的深度学习概念来解决通常很难处理的表示反演问题。深度学习模型可具有所属领域中已知的任何CNN配置或架构。一或多个池化层还可具有所属领域中已知的任何合适配置(例如最大池化层)且大体上经配置以减少由一或多个卷积层产生的特征图的维数，同时保持最重要特征。
一般来说，本文所描述的深度学习模型是训练深度学习模型。举例来说，深度学习模型可先由一或多个其它系统及/或方法训练。如本文所描述，已产生及训练深度学习模型且接着确定模型的功能性，其接着可用于执行深度学习模型的一或多个额外功能。
如上所述，尽管本文使用CNN来说明深度学习系统的架构，但本发明不受限于CNN。深度学习架构的其它变体可用于实施例中。举例来说，可使用自动编码器、DBN及RBM。还可使用随机森林。
训练数据可输入到可以任何合适方式执行的模型训练(例如CNN训练)。举例来说，模型训练可包含：将训练数据输入到深度学习模型(例如CNN)及修改模型的一或多个参数，直到模型的输出相同于(或大体上相同于)外部验证数据。模型训练可产生一或多个训练模型，其接着可发送到使用验证数据来执行的模型选择。可比较由输入到一或多个训练模型的验证数据的每一一或多个训练模型产生的结果与验证数据以确定哪个模型是最佳模型。举例来说，可选择产生最紧密匹配验证数据的结果的模型作为最佳模型。接着，测试数据可用于所选择的模型(例如最佳模型)的模型评估。可以任何合适方式执行模型评估。最佳模型还可发送到模型部署，其中最佳模型可发送到半导体检验工具供使用(训练后模式)。
本文所揭示的各种实施例及实例中所描述的方法的步骤足以实施本发明的方法。因此，在实施例中，方法基本上由本文所揭示的步骤的组合组成。在另一实施例中，方法由此类步骤组成。
尽管已关于一或多个特定实施例及/或实例描述本发明，但应了解，可在不背离本发明的范围的情况下实施本发明的其它实施例及/或实例。

Claims (20)

1.一种用于获得对准裸片对裸片检验图像的方法，其包括：
在处理器处接收参考图像，所述参考图像包括数个像素行及列；
使用所述处理器来从所述参考图像选择第一局部区段；
在所述处理器处接收测试图像，所述测试图像包括数个像素行及列；
使用所述处理器来从所述测试图像选择第二局部区段；
使用所述处理器来从所述第一局部区段及所述第二局部区段确定估计旋转偏移及估计平移偏移；
使用所述处理器来执行包括测试图像去歪斜的粗略对准以借此产生部分对准测试图像；及
对所述部分对准测试图像执行包括分区平移的精细对准以获得对准裸片对裸片检验图像。
2.根据权利要求1所述的方法，其中所述测试图像去歪斜包括：
使用所述处理器来确定所述测试图像的歪斜角；及
使用所述处理器来使所述测试图像去歪斜。
3.根据权利要求2所述的方法，其中通过执行来自所述参考图像的所述第一局部区段与来自所述测试图像的所述第二局部区段的歪斜比较来确定所述测试图像的所述歪斜角。
4.根据权利要求3所述的方法，其中所述歪斜比较包括：
使用所述处理器来对来自所述参考图像的所述第一局部区段执行快速傅里叶变换以获得参考场景函数；
使用所述处理器来对来自所述测试图像的所述第二局部区段执行快速傅里叶变换以获得测试场景函数；及
使用所述处理器来比较所述测试场景函数与所述参考场景函数以确定所述歪斜角。
5.根据权利要求3所述的方法，其中所述歪斜比较包括：执行所述测试图像中的一或多个显著特征的图案辨识以确定所述歪斜角。
6.根据权利要求3所述的方法，其中使用机器学习模块来执行所述歪斜比较以确定所述歪斜角。
7.根据权利要求2所述的方法，其中使所述测试图像去歪斜包括：
使用所述处理器来基于所述歪斜角而针对所述测试图像中的所述像素中的每一者确定列移位向量及行移位向量，其中
所述列移位向量包括与含有所述像素的列共线移位的一定数量像素及方向，且
所述行移位向量包括与含有所述像素的很难过共线移位的一定数量像素及方向；及
使用所述处理器来使所述像素中的每一者根据其列移位向量及行移位向量来移位。
8.根据权利要求1所述的方法，其中所述分区平移包括：
使用所述处理器来将所述参考图像分割成至少一个参考图像子区段；
使用所述处理器来将所述测试图像分割成至少一个测试图像子区段；及
使用所述处理器来使所述测试图像子区段平移以与对应于所述测试图像子区段的所述参考图像子区段对准。
9.一种非暂时性计算机可读存储媒体，其包括用于在一或多个计算装置上执行以下步骤的一或多个程序：
接收参考图像，所述参考图像包括数个像素行及列；
从所述参考图像选择第一局部区段；
接收测试图像，所述测试图像包括数个像素行及列；
从所述测试图像选择第二局部区段；
从所述第一局部区段及所述第二局部区段确定估计旋转偏移及估计平移偏移；
对所述测试图像执行包括测试图像去歪斜的粗略对准以借此产生部分对准测试图像；及
对所述部分对准测试图像执行包括分区平移的精细对准以获得对准裸片对裸片检验图像。
10.根据权利要求9所述的非暂时性计算机可读存储媒体，其中所述测试图像去歪斜包括：
确定所述测试图像的歪斜角；及
使所述测试图像去歪斜，其包括：
基于所述歪斜角来针对所述测试图像中的所述像素中的每一者确定列移位向量及行移位向量，其中
所述列移位向量包括与含有所述像素的列共线移位的一定数量像素及方向，且
所述行移位向量包括与含有所述像素的行共线移位的一定数量像素及方向；及
使所述像素中的每一者根据其列移位向量及行移位向量来移位。
11.根据权利要求10所述的非暂时性计算机可读存储媒体，其中通过执行来自所述参考图像的所述第一局部区段与来自所述测试图像的所述第二局部区段的歪斜比较来确定所述测试图像的所述歪斜角。
12.根据权利要求11是的非暂时性计算机可读存储媒体，其中所述歪斜比较包括：
对来自所述参考图像的所述第一局部区段执行快速傅里叶变换以获得参考场景函数；
对来自所述测试图像的所述第二局部区段执行快速傅里叶变换以获得测试场景函数；及
比较所述测试场景函数与所述参考场景函数以确定所述歪斜角。
13.根据权利要求9所述的非暂时性计算机可读存储媒体，其中所述分区平移包括：
将所述参考图像分割成至少一个参考图像子区段；
将所述测试图像分割成至少一个测试图像子区段；及
使所述测试图像子区段平移以与对应于所述测试图像子区段的所述参考图像子区段对准。
14.一种半导体裸片对裸片检验系统，其包括用于捕获裸片的特征的图像的传感器及计算系统，所述传感器及所述计算系统包括：
束源，其中所述束源是光源或电子束源；
载台，其经配置以使晶片保持于由所述束源产生的束的路径中，其中所述束是来自所述光源的光束或来自所述电子束源的电子束；
检测器，其经配置以接收从所述晶片反射的所述束的部分；及
处理器，其与所述检测器电子通信，所述处理器经配置以执行：
测试图像的粗略对准，其包括测试图像去歪斜，借此产生部分对准测试图像，及
精细对准，其包括所述部分对准测试图像的分区平移。
15.根据权利要求14所述的半导体裸片对裸片检验系统，其中所述处理器经进一步配置以：
接收参考图像，所述参考图像包括数个像素行及列；
从所述参考图像选择第一局部区段；
接收测试图像，所述测试图像包括数个像素行及列；
从所述测试图像选择第二局部区段；及
从所述第一局部区段及所述第二局部区段确定估计旋转偏移及估计平移偏移。
16.根据权利要求14所述的半导体裸片对裸片检验系统，其中所述测试图像去歪斜包括：
确定所述测试图像的歪斜角；及
使所述测试图像去歪斜。
17.根据权利要求16所述的半导体裸片对裸片检验系统，其中通过执行来自所述参考图像的所述第一局部区段与来自所述测试图像的所述第二局部区段的歪斜比较来确定所述测试图像的所述歪斜角。
18.根据权利要求17所述的半导体裸片对裸片检验系统，其中所述歪斜比较包括：
对来自所述参考图像的所述第一局部区段执行快速傅里叶变换以获得参考场景函数；
对来自所述测试图像的所述第二局部区段执行快速傅里叶变换以获得测试场景函数；及
比较所述测试场景函数与所述参考场景函数以确定所述歪斜角。
19.根据权利要求16所述的半导体裸片对裸片检验系统，其中使所述测试图像去歪斜包括：
基于所述歪斜角来针对所述测试图像中的所述像素中的每一者确定列移位向量及行移位向量，其中
所述列移位向量包括与含有所述像素的列共线移位的一定数量像素及方向，且
所述行移位向量包括与含有所述像素的行共线移位的一定数量像素及方向；及
使所述像素中的每一者根据其列移位向量及行移位向量来移位。
20.根据权利要求15所述的半导体裸片对裸片检验系统，其中所述分区平移包括：
将所述参考图像分割成至少一个参考图像子区段；
将所述测试图像分割成至少一个测试图像子区段；及
使所述测试图像子区段平移以与对应于所述测试图像子区段的所述参考图像子区段对准。
CN201880064233.4A 2017-10-20 2018-10-19 用于大型偏移裸片对裸片检验的多步骤图像对准方法 Pending CN111164646A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762575304P 2017-10-20 2017-10-20
US62/575,304 2017-10-20
US16/160,515 US10522376B2 (en) 2017-10-20 2018-10-15 Multi-step image alignment method for large offset die-die inspection
US16/160,515 2018-10-15
PCT/US2018/056600 WO2019079658A1 (en) 2017-10-20 2018-10-19 MULTI-STAGE IMAGE ALIGNMENT METHOD FOR INSPECTION BETWEEN CHIPS WITH SHIFTING IMPORTANT

Publications (1)

Publication Number Publication Date
CN111164646A true CN111164646A (zh) 2020-05-15

Family

ID=66169518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880064233.4A Pending CN111164646A (zh) 2017-10-20 2018-10-19 用于大型偏移裸片对裸片检验的多步骤图像对准方法

Country Status (7)

Country Link
US (1) US10522376B2 (zh)
EP (1) EP3698322A4 (zh)
JP (1) JP7170037B2 (zh)
KR (1) KR102412022B1 (zh)
CN (1) CN111164646A (zh)
TW (1) TWI774863B (zh)
WO (1) WO2019079658A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115777060A (zh) * 2020-08-12 2023-03-10 科磊股份有限公司 用于光学目标搜索的光学图像对比度量

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10997712B2 (en) * 2018-01-18 2021-05-04 Canon Virginia, Inc. Devices, systems, and methods for anchor-point-enabled multi-scale subfield alignment
JP7042118B2 (ja) * 2018-03-08 2022-03-25 株式会社東芝 検査装置、検査方法、及びプログラム
GB201906371D0 (en) 2019-05-07 2019-06-19 Ash Tech Research Limited Improved digital microscope
TWI759655B (zh) * 2019-11-28 2022-04-01 國立中山大學 路徑規劃系統
KR20210094314A (ko) 2020-01-21 2021-07-29 삼성전자주식회사 반도체 장치의 제조 방법
US11631169B2 (en) * 2020-08-02 2023-04-18 KLA Corp. Inspection of noisy patterned features
US11748871B2 (en) * 2020-09-28 2023-09-05 KLA Corp. Alignment of a specimen for inspection and other processes
JP7250054B2 (ja) * 2021-02-04 2023-03-31 日本電子株式会社 分析装置および画像処理方法
KR102601175B1 (ko) * 2021-04-28 2023-11-10 창원대학교 산학협력단 딥러닝 모델을 이용하여 주기적인 패턴을 정렬하는 장치 및 방법
DE102021119008A1 (de) * 2021-07-30 2023-02-02 Carl Zeiss Multisem Gmbh Verfahren zur Defekterkennung in einer Halbleiterprobe bei Probenbildern mit Verzeichnung
US20230314336A1 (en) 2022-03-31 2023-10-05 Kla Corporation Multi-mode optical inspection
US11922619B2 (en) * 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050194535A1 (en) * 2004-03-08 2005-09-08 Ebara Corporation Sample surface inspection method and inspection system
US20080050008A1 (en) * 2006-08-24 2008-02-28 Advanced Mask Inspection Technology Inc. Image correction method and apparatus for use in pattern inspection system
CN101553824A (zh) * 2006-12-01 2009-10-07 皇家飞利浦电子股份有限公司 对微阵列图像进行自动解码的方法
CN106327491A (zh) * 2016-08-23 2017-01-11 西安电子科技大学 基于fpga的无掩膜光刻pcb板校正系统及方法
CN107004038A (zh) * 2014-12-31 2017-08-01 科磊股份有限公司 使用内建目标将检验对准到设计
CN107240126A (zh) * 2016-03-28 2017-10-10 华天科技（昆山）电子有限公司 阵列图像的校准方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7433509B1 (en) * 2001-10-09 2008-10-07 Nanometrics Incorporated Method for automatic de-skewing of multiple layer wafer for improved pattern recognition
US7323897B2 (en) * 2004-12-16 2008-01-29 Verigy (Singapore) Pte. Ltd. Mock wafer, system calibrated using mock wafer, and method for calibrating automated test equipment
JP3965189B2 (ja) 2005-03-24 2007-08-29 アドバンスド・マスク・インスペクション・テクノロジー株式会社 画像補正方法
TWI316642B (en) * 2006-09-19 2009-11-01 Synchrotron Radiation Res Ct Image aligning method
US20090175530A1 (en) * 2007-11-12 2009-07-09 Fredrik Sjostrom Methods and apparatuses for detecting pattern errors
EP2286175A4 (en) * 2008-06-03 2017-04-12 Hwan J. Jeong Interferometric defect detection and classification
CN103097956B (zh) 2010-02-26 2016-01-27 密克罗尼克麦达塔公司 用于执行图案对准的方法和装置
JP5221584B2 (ja) 2010-03-25 2013-06-26 株式会社日立ハイテクノロジーズ 画像処理装置、画像処理方法、画像処理プログラム
WO2012144025A1 (ja) 2011-04-20 2012-10-26 株式会社メガトレード 自動検査装置および自動検査装置における位置合わせ方法
US8942512B2 (en) * 2011-12-24 2015-01-27 Ecole De Technologie Superieure Methods and systems for processing a first image with reference to a second image
US9778207B2 (en) 2013-05-14 2017-10-03 Kla-Tencor Corp. Integrated multi-pass inspection
US9254682B2 (en) * 2013-10-28 2016-02-09 Eastman Kodak Company Imaging module with aligned imaging systems
US10127653B2 (en) * 2014-07-22 2018-11-13 Kla-Tencor Corp. Determining coordinates for an area of interest on a specimen
KR102057429B1 (ko) 2014-12-10 2019-12-18 가부시키가이샤 히다치 하이테크놀로지즈 결함 관찰 장치 및 결함 관찰 방법
KR102347057B1 (ko) 2015-08-12 2022-01-03 케이엘에이 코포레이션 전자 빔 이미지에서의 결함 위치 결정
US9773194B2 (en) * 2016-01-28 2017-09-26 Longsand Limited Select type of test image based on similarity score to database image
US10204416B2 (en) * 2016-02-04 2019-02-12 Kla-Tencor Corporation Automatic deskew using design files or inspection images

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050194535A1 (en) * 2004-03-08 2005-09-08 Ebara Corporation Sample surface inspection method and inspection system
US20080050008A1 (en) * 2006-08-24 2008-02-28 Advanced Mask Inspection Technology Inc. Image correction method and apparatus for use in pattern inspection system
CN101553824A (zh) * 2006-12-01 2009-10-07 皇家飞利浦电子股份有限公司 对微阵列图像进行自动解码的方法
CN107004038A (zh) * 2014-12-31 2017-08-01 科磊股份有限公司 使用内建目标将检验对准到设计
CN107240126A (zh) * 2016-03-28 2017-10-10 华天科技（昆山）电子有限公司 阵列图像的校准方法
CN106327491A (zh) * 2016-08-23 2017-01-11 西安电子科技大学 基于fpga的无掩膜光刻pcb板校正系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115777060A (zh) * 2020-08-12 2023-03-10 科磊股份有限公司 用于光学目标搜索的光学图像对比度量

Also Published As

Publication number Publication date
US10522376B2 (en) 2019-12-31
JP7170037B2 (ja) 2022-11-11
KR102412022B1 (ko) 2022-06-22
US20190122913A1 (en) 2019-04-25
KR20200060519A (ko) 2020-05-29
TWI774863B (zh) 2022-08-21
WO2019079658A1 (en) 2019-04-25
TW201928541A (zh) 2019-07-16
EP3698322A4 (en) 2021-06-02
JP2021500740A (ja) 2021-01-07
EP3698322A1 (en) 2020-08-26

Similar Documents

Publication Publication Date Title
US10522376B2 (en) Multi-step image alignment method for large offset die-die inspection
CN110494894B (zh) 基于轮廓的缺陷检测
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
JP6893514B2 (ja) ハイブリッドインスペクタ
CN108475350B (zh) 使用基于学习的模型加速半导体缺陷检测的方法和系统
KR102321953B1 (ko) 다양한 모댈리티들로 획득된 이미지들의 정렬을 위한 학습 기반 접근 방식
CN109313724B (zh) 针对半导体应用并入神经网络及前向物理模型的系统及方法
KR102235581B1 (ko) 이미지 합성을 위한 컨볼루션 신경망 기반의 모드 선택 및 결함 분류
CN108291878B (zh) 单一图像检测
KR20200039808A (ko) 결함 검출 및 분류를 위한 통합된 뉴럴 네트워크
CN108475417A (zh) 针对半导体应用由低分辨率图像产生高分辨率图像
US11151711B2 (en) Cross layer common-unique analysis for nuisance filtering
US11774371B2 (en) Defect size measurement using deep learning methods
US11644756B2 (en) 3D structure inspection or metrology using deep learning
TW202041850A (zh) 使用疊層去除雜訊自動編碼器之影像雜訊降低
CN115552431A (zh) 训练机器学习模型以从检验图像产生较高分辨率图像
US11894214B2 (en) Detection and correction of system responses in real-time
CN117015850B (zh) 以经呈现设计图像进行的设计注意区域的分段
CN116802676A (zh) 用于使用芯片设计数据以改进光学检验及计量图像质量的方法

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