CN111352148A - 利用对束图像的卷积神经网络的评估进行的光学对准校正 - Google Patents

利用对束图像的卷积神经网络的评估进行的光学对准校正 Download PDF

Info

Publication number
CN111352148A
CN111352148A CN201911308970.7A CN201911308970A CN111352148A CN 111352148 A CN111352148 A CN 111352148A CN 201911308970 A CN201911308970 A CN 201911308970A CN 111352148 A CN111352148 A CN 111352148A
Authority
CN
China
Prior art keywords
training
neural network
charged particle
spot
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911308970.7A
Other languages
English (en)
Other versions
CN111352148B (zh
Inventor
G·格莱德希尔
M·玛佐兹
G·米奇森
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.)
FEI Co
Original Assignee
FEI Co
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 FEI Co filed Critical FEI Co
Publication of CN111352148A publication Critical patent/CN111352148A/zh
Application granted granted Critical
Publication of CN111352148B publication Critical patent/CN111352148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/304—Controlling tubes by information coming from the objects or from the beam, e.g. correction signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/29—Measurement performed on radiation beams, e.g. position or section of the beam; Measurement of spatial distribution of radiation
    • G01T1/2914—Measurement of spatial distribution of radiation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2255—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident ion beams, e.g. proton beams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/04—Arrangements of electrodes and associated parts for generating or controlling the discharge, e.g. electron-optical arrangement, ion-optical arrangement
    • H01J37/045—Beam blanking or chopping, i.e. arrangements for momentarily interrupting exposure to the discharge
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/04—Arrangements of electrodes and associated parts for generating or controlling the discharge, e.g. electron-optical arrangement, ion-optical arrangement
    • H01J37/147—Arrangements for directing or deflecting the discharge along a desired path
    • H01J37/1471—Arrangements for directing or deflecting the discharge along a desired path for centering, aligning or positioning of ray or beam
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/305—Electron-beam or ion-beam tubes for localised treatment of objects for casting, melting, evaporating or etching
    • H01J37/3053—Electron-beam or ion-beam tubes for localised treatment of objects for casting, melting, evaporating or etching for evaporating or etching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/31—Electron-beam or ion-beam tubes for localised treatment of objects for cutting or drilling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/303—Accessories, mechanical or electrical features calibrating, standardising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/50—Detectors
    • G01N2223/505—Detectors scintillation
    • G01N2223/5055—Detectors scintillation scintillation crystal coupled to PMT
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/30—Electron or ion beam tubes for processing objects
    • H01J2237/304—Controlling tubes
    • H01J2237/30405—Details
    • H01J2237/30427—Details using neural networks or fuzzy logic
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/30—Electron or ion beam tubes for processing objects
    • H01J2237/304—Controlling tubes
    • H01J2237/30433—System calibration
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/30—Electron or ion beam tubes for processing objects
    • H01J2237/317—Processing objects on a microscale
    • H01J2237/31749—Focused ion beam

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electron Sources, Ion Sources (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明是关于一种聚焦离子束(FIB)，其用于在各种离子束柱设置下将束斑铣削到基底中，以形成用于训练卷积神经网络的一组训练图像。在所述神经网络被训练之后，可以通过获取用所述神经网络处理的光斑图像来调整离子束。所述神经网络可以提供散焦的量级和方向、孔径位置、透镜调整或其它离子束或离子束柱设置。在一些情况下，调整不由所述神经网络完成，而是用于指示所述离子束和相关联的离子柱继续稳定地操作，并且不需要给予额外调整。

Description

利用对束图像的卷积神经网络的评估进行的光学对准校正
技术领域
本公开涉及离子束对准方法和装置。
背景技术
离子束在半导体和其它基底的处理中具有许多应用。然而，许多应用需要精确地控制离子束的位置以及离子束的时间和空间特性。在扫描电子显微镜(SEM)和低电流聚焦离子束(FIB)应用中使用的基于成像的束对准方法还没有成功地转移到高电流FIB铣削，例如等离子体FIB(PFIB)铣削。在传统方式中，PFIB束是手动对准的，但是此类手动对准往往是耗时的，并且可能无法提供对离子束柱的适当调整，从而使即使在对准之后，离子束仍然不适合于特定的应用，或表现出降低FIB处理的不期望的特性。需要改进的方式。
发明内容
本方法包含将基底曝光于离子束以获取多个训练光斑图像，每个训练光斑图像与至少一个离子束柱特性相关联。基于单独的训练光斑图像限定卷积神经网络，从而使所述神经网络配置成指示至少一个离子束柱特性。在一些实例中，训练光斑图像是与离子一起铣削到基底中的束斑的图像。在特定实例中，铣削的束斑排布成阵列，并且所述阵列被分割以产生训练光斑图像。在进一步的实例中，利用神经网络获取并处理操作曝光光斑图像。基于所述处理，所述
对所述离子束柱进行调整。在典型实例中，神经网络的初始层是卷积层，并且训练光斑图像被耦合到卷积层。根据一些实例，所述至少一个离子束柱特性是透镜焦点、离子束电流、限束孔径的位置、或消象散器中的至少一种。在一些替换实例中，所述神经网络包括初始卷积层，以及一个或多个额外卷积层和汇集层。根据其它可选方案，训练光斑图像被排布在图像栈中，所述图像栈被呈递用于训练神经网络。在一些实例中，训练光斑图像是宽H1像素、高H2像素，并且神经网络的初始卷积层包括将训练光斑图像映射到J×J×N数据堆栈的N个卷积核，其中H、J和N是正整数，并且J小于H。在更进一步的实例中，处理单独的训练光斑图像以限定多个卷积核。在更进一步的实例中，所述至少一个离子束柱特性包括离子束形状或离子束斑尺寸。根据一些实例，至少一个离子束柱参数的变化，从而使训练光斑图像与至少一个离子束柱参数相关联的至少一个离子束柱特性相关联。
系统包含带电粒子束源和带电粒子束柱。处理器被耦合到带电粒子束柱，并且配置成利用神经网络处理利用带电粒子束源和带电粒子束柱获取的光斑图像，以确定带电粒子束源和带电粒子束柱的至少一个调整。在一些实例中，计算机可读存储设备上存储有限定神经网络的计算机可执行指令。在额外实例中，处理器进一步配置成基于已确定调节来调整带电粒子束源和带电粒子束柱中的至少一个。在进一步的实例中，处理器配置成接收与带电粒子束和带电粒子束柱相关联的多个训练光斑图像，并且基于训练光斑图像限定神经网络。
在典型实例中，多个训练光斑图像是基于将基底曝光于带电粒子束而获取的。在进一步的实例中，处理器被耦合来调整至少带电粒子束柱以产生多个训练光斑图像。在其它实例中，处理器配置成产生多个训练光斑图像作为铣削的束斑阵列的图像，其中铣削的束斑阵列的每个铣削的束斑与相应的带电粒子束柱设置相关联。在其它代表性实施例中，处理器配置成分割阵列铣削的束斑的图像，并将训练光斑图像作为单独的训练光斑图像的堆叠提供给神经网络。
额外方法包含以相应的焦点设置获取在测试基底上产生的束的多个图像。利用所述多个图像来训练卷积神经网络。获取聚焦束的操作图像，并且处理操作图像以确定焦点调整。在一些实例中，基于已确定调节来调整束焦点。在特定实施例中，束是带电粒子束或光束。
根据以下参考附图进行的详细描述，所公开的技术的前述和其它特征以及优点将变得更加明显。
附图说明
图1绘示了代表性聚焦离子束(FIB)系统，其包括基于神经网络的控制器，用于确认或调整离子束或离子束柱的性能。
图2A绘示了可以通过以具有多个选定离子束柱设置的离子束来铣削测试基底而形成的代表性束斑阵列。
图2B绘示了图2A的束斑阵列相应的束斑图像，其可以用于形成神经网络训练集。
图3绘示了适用于离子束系统控制的代表性卷积神经网络。
图4绘示了用于建立基于神经网络的仪器控制和调整的代表性组合FIB/扫描电子显微镜(SEM)系统和训练集数据的获取。
图5绘示了产生用于FIB系统的训练集的代表性方法。
图6绘示了用于实施和训练在本文中公开的基于神经网络的方法和装置的代表性计算环境。
具体实施方式
在本文中所公开的是允许对例如聚焦离子束，其包括高电流离子束或其它带电粒子束(CPBs)或光束的束进行自动对准和确认的方法和装置。为了方便起见，参考聚焦离子束(FIBs)来描述一些实例。FIBs和其它CPBs通常使用CPB柱指向目标或其它基底。如在本文中使用的，CPB柱可以包括透镜(例如磁透镜或静电透镜)、束偏转器、束孔径、消象散器或其它可控制以成形和引导CPB的部件。在实例中，获取使用CPB柱的将基底曝光于CPB的图像，用于训练神经网络。如在本文中所使用，图像是指目标曝光的可视图像或实际或模拟目标曝光的存储或可存储的数字表示。在一些实例中，CPBs，例如FIBs，其被用于通过例如FIB铣削在基底上压印光斑图案，并且这些光斑图案的图像被用作训练光斑图案以限定神经网络，然后，该神经网络可以被用于识别光斑特性并且允许CPB柱调整以校正或补偿任何错误调整或另外修改CPB柱和CPB源特性。调整可以涉及电流、电压或应用以激励CPB透镜或校正或补偿透镜像差或未对准的其它电信号。在其它实例中，可以调整部件的位置，例如孔径的位置。在更进一步的实例中，在不进行调整的情况下评估束和柱性能以确认束斑内容，例如光斑成形。在其它实例中，可类似地评估光束及相关联的光束聚焦以及控制部件以确定适当的调整。在典型实例中，光斑图像是二维图像，但是优选使用一维、二维或三维图像。
如在本申请案以及权利要求书中所使用的，单数形式“一”、“一个”及“所述”包括复数形式，除非上下文另有明确规定。另外，术语“包括”是指“包含”。进一步地，术语“耦合”不排除在耦合项之间存在中间元件。
在本文中所描述的系统、装置和方法不应解释为以任何方式进行限制。相反，本公开独自地并且以彼此的各种组合和子组合针对各种公开的实施例的所有新颖和非显而易见的特征和方面。所公开的系统、方法和装置不限于任何具体方面或特征或其组合，所公开的系统、方法和装置也不需要存在任何一个或多个具体优点或解决问题。任何操作理论都是为了便于解释，但是所公开的系统、方法和装置不限于这种操作理论。
尽管为了方便呈现，以特定的顺序描述了一些所公开的方法的操作，但是应当理解的是，这种描述方式涵括重新排布，除非以下阐述的特定语言需要特定的顺序。例如，顺序描述的操作在某些情况下可以被重新排布或同时执行。此外，为了简单起见，附图可能没有展示所公开的系统、方法和装置可以与其它系统、方法和装置结合使用的各种方式。另外，本说明书有时使用像“产生”和“提供”这样的术语来描述所公开的方法。这些术语是所执行的实际操作的高水平抽象。对应于这些术语的实际操作将取决于特定实施方案而变化，并且本领域普通技术人员可以容易地辨别。
在一些实例中，值、程序或装置被称为“最低”、“最佳”、“最小”等。应当意识到，此类描述旨在指示可以在许多所使用的功能替代选择中进行选择，并且此类选择不需要比其它选择更好、更小或更可取。参考指示为“以上”、“以下”、“上”、“下”等的方向来描述实例。这些术语用于方便描述，但不暗示任何特定的空间定向。
一些实例涉及计算机可读存储介质和/或存储设备。如在本文中所使用，此类媒体和存储设备分别涉及非暂时性存储媒体和设备。
以下所公开的实例可以允许各种束类型的束调整和对准，包括用于铣削的离子束。对于铣削束，通常需要在基底铣削之前进行束对准和调整，因为此类离子束的处理是不可逆的；并且较差的束质量可能导致必须丢弃的基底。如果束对准和调整可以自动进行以加速处理，并且如果此类对准和调整可以在裸基底或其它基底上执行而不需要显著的优先处理，则可以是有利的。如以上所述，对于高电流离子束，束电流分布的尾部可能是重要的，并且任何对准和调整优选地考虑到此类尾部。所公开的方法和装置还允许对离子束系统进行客观评估，例如，以确认束参数与目标值是稳定的或未改变的。
尽管以下为了方便说明而讨论了使用聚焦离子束的实施方案，但是也可以使用其它CPB系统。例如，训练图像可以用作训练集，并且不需要如聚焦离子束典型的光斑的形成。可以使用各种CPBs来形成此类训练图像。例如，可以使用此类闪烁器和电荷耦合设备或其它阵列检测器的CPB检测器或检测系统获取CPB图案(例如束斑)、基底的电子束图像或其它CPB分布作为图像。
实例1
参考图1，代表性CPB装置100包括例如FIB源的离子束源102，其耦合到离子束光学柱104以将FIB 105引导到由基底台108保持的基底106。基底台108耦合到台控制器110，其选择性地将基底106移动到用于处理或离子束或离子束柱评估的优选位置。例如，基底106可以移动，从而使可以在基底106中形成多个束斑，例如束斑阵列，以用于评估、校正或验证离子束源102或离子束柱104的性能，或产生用于训练神经网络114的束斑。
CPB系统控制器112通常包括处理器、ASIC或其它处理硬件以及存储在计算机可读介质或设备中的合适的计算机可执行指令。在其它实例中，可以经由例如局域网或广域网的网络来提供计算机可执行指令和/或此类指令的存储。CPB系统控制器112通常包括计算机可读存储器，例如RAM、ROM、硬盘或包括计算机可执行指令的其它存储设备，所述计算机可执行指令实施向离子束源102、离子束光学柱、基底台或CPB装置100的其它部分提供一个或多个部件的表征的神经网络。如以下详细讨论的，神经网络114可以接收作为训练集的响应于离子束照射而产生的多个光斑图像，以建立神经网络105。一旦被建立，一个或多个束斑图像就可以由神经网络处理以允许CPB装置100的调整。
如以上所述，离子束光学柱104可以包括一个或多个离子束透镜、束偏转器、束孔径、消象散器或其它部件。可以使用例如外加电压或电流的电信号或例如平移和旋转的机械移动来进行这些部件的调整。
实例2
图2A-2B绘示了使用在图1中所绘示的离子束形成的束斑，但是在其它实例中，束斑可以适当地用其它CPBs或光束形成。参考图2A，束斑区域205-207、215-217、225-227被限定在基底200上。每个束斑区域205-207、215-217、225-227包括响应于离子束对基底200的照射而形成的相应束斑201-203、211-213、221-223。在图2A的实例中，每个束斑区域具有H1×H2大小。在一些情况下，利用H1＝H2限定束斑区域是方便的，但是可以使用任意尺寸和形状的束斑区域。另外，虽然在图2A中绘示了九个束斑区域，但是可以使用很少或更多的束斑区域，并且通常使用更多的束斑区域来为神经网络限定训练集。
束斑区域205-207、215-217、225-227可以具有基于在生成束斑中应用的束位移的预定大小和位置。因为在一些应用中，远离中心部分的FIBs的部分可能影响处理，所以选择大小以包括所应用的束的“尾部”。在其它实例中，可根据所测量的束斑间距来确定束斑区域大小。
使用与提供用于产生束斑的FIB的FIB系统相关联的电子显微镜来获取每个束斑区域的代表性图像。图像可以以其它方式获取，例如用不相关的电子显微镜系统或其它成像系统。这些图像可以以各种格式存储，并且128像素×128像素的图像大小是典型的，但是可以使用更小或更大的图像。束斑205-207、215-217、225-227的图像255-257、265-267、275-277可以分别存储在计算机可读介质中，如在图2B中所展示的排布在堆栈250中。例如，每个图像255-257、265-267、275-277可以包括具有大小h1和h2的图像强度I的像素阵列，其中h1和h2是正整数，即，强度I(i、j)的值，其中i、j分别是1和h1以及1和h2之间的整数。利用此类代表，图像堆栈250可以代表为I(i、j、k)，其中k是表示特定图像的整数。在其它实例中，图像还可以包括多个值，例如颜色值或伪颜色值或与束斑的内容相关联的其它值。如下所述，每个图像和相关联图像值I(i，j，k)通常与一个或多个束或测试基底设置相关联。
实例3
参考图3，适于处理束斑图像的代表性神经网络300包括例如卷积层302、304的一个或多个卷积层以及例如层306、308的一个或多个额外层，层306、308可以是池化层、归一化层、全连接层或其它类型的层。根据需要，层可以使用各种激活函数，例如S形函数、反正切函数、双曲线正切函数和各种偏置值。神经网络300提供输入束斑图像的表征，作为在图3中所绘示的具有元件1到N的列向量的一组值310，但是可以使用其它排布。
可以使用一组束斑图像来训练神经网络300。例如，通过铣削或以其它方式曝光例如硅基底的测试基底来生成束斑栅格。然后，处理束斑栅格以形成可排布在堆栈中的束斑图像，每个束斑图像与相应的散焦相关联。例如，可以通过在±10、20、50、100、150、200μm的范围上或在更小或更大的范围上调整标称焦点来形成束斑。可通过改变束焦点参数(例如CPB透镜或偏转器驱动电压)或通过相对于标称束焦点调整测试基底位置来调整焦点。因此，每个束斑图像与特定的束散焦相关联。
卷积层302包括应用到束斑图像的M个卷积核，从而使h×h像素图像的堆栈350被转换成I×I×M数据堆栈352，然后I×I×M数据堆栈352被供应给卷积层304，然后进一步处理额外层306、308。在代表性实例中，在列向量中的值对应于相对于沿着离子束柱轴线的焦点和束对准的样本高度。例如，元件3101可以对应于来自焦点位置的束斑位移的量级和方向，元件3102可以对应于来自离子束柱轴线的束斑位移的量级和方向，元件3103可以对应于束斑形状，例如束横截面与圆度的偏差。
可以使用反向传播或其它方式来限定神经网络302，以调整层参数来产生期望的神经网络输出，从而减小神经网络输出值和与训练集相关联的值之间的差异。例如，可以鉴于这些差异来确定卷积核函数。可以选择层的数量、类型和排布，以在神经网络输出值和与训练集相关的值之间产生可接受的差异。
尽管可以在变化的焦点条件下获取用于训练集的束斑图像，但是每个束斑区域可以与在所选择的一组控制参数下的束曝光相关联，以产生训练集。例如，可以改变限束孔径(BDA)的位置，一个或多个透镜的功率、束偏转量级、消象散器设置、基底台位移、束电流或其它参数中的一个或多个。对于FIB系统，束斑是作为FIB铣削区域产生的，但是可以以其它方式获取光斑图像。在一些实例中，在离子束柱的基于计算机的模型中改变离子束柱参数，以产生光斑图像的训练集而不产生铣削的光斑。在训练集的图像中可以改变多个参数，从而使神经网络可以提供FIB和相关离子束柱和样本台的多种设置的指示。
一旦被训练，神经网络300就被提供有束斑图像360，从而可以进行任何优选的调整或确认仪器性能保持可接受。如在图3中所展示，操作束斑图像360由卷积层302处理，以将束斑图像360的h×h像素减少到I×I阵列362，然后，I×I阵列362利用剩余的神经网络层被进一步处理。处理操作束斑图像360产生操作列向量，其指示与训练集350中提供的离子束或离子束柱特性和设置相关联的性能值。
实例4
参考图4，组合的FIB/SEM系统400包括FIB系统402和SEM404，FIB系统402和SEM404被定位成与基底406相互作用。FIB系统402包括离子束源404、称为准直透镜的第一透镜410(L1)、限束孔径板412以及第二透镜414(L2)，第二透镜414(L2)产生用于传送到基底406的聚焦离子束416。控制器420耦合到离子束源408、第一透镜410、孔径板412和第二透镜414以及基底台418，以调整应用到透镜410、414的电信号以及孔径板412和基底406的位置。
处理器430耦合到控制器420，并且可以提供用于获取可以存储在存储器432中的训练集的参数范围。卷积核、权重、偏差和其它神经网络限定参数与处理器可执行指令一起被存储在存储器436中，所述处理器可执行指令用于执行神经网络和相关联的反向传播方法，以响应于训练集的接收而建立神经网络参数。如在图4中所展示，存储器432包括与离子束电流(I1)、第一透镜的焦点(L1)和第二透镜的焦点(L2)相关联的值的阵列，其可用于产生铣削的束斑以获取光斑图像的训练集。
实例5
参考图5，代表性方法500包括在502处获取例如离子束柱的CPB柱的规格。在504，选择代表性未对准或其它感兴趣的参数的值，并且在506，获取相应的束斑图像。如以上所述，对于FIB系统，可以使用铣削的束斑，但是用CPB检测器获取的光斑图像也可以不经铣削而使用。在508，存储相关联的束斑图像。如果要使用相关联的额外参数，则处理返回到504。否则，在512，提供存储的束斑和相关联参数以用作训练集。通常，获取大量束斑图像以提供满意的训练集。
实例6
图6和以下讨论旨在提供对其中可实施所公开的基于神经网络的方法的实例性计算环境的简要概括描述。尽管不需要，但是在例如程序模块等由个人计算机(PC)执行的计算机可执行指令的一般上下文中描述了所公开的技术。通常，程序模块包括执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。此外，所公开的技术可以利用其它计算机系统配置来实施，包括手持式设备、多处理器系统、基于微处理器的或可编程的消费电子产品、网络PCs、小型计算机、大型计算机等。所公开的技术还可以在其中任务由通过通信网络链接的远程处理设备执行的分布式计算环境中实践。在分布式计算环境中，程序模块可以位于本地和远程存储器存储设备中。在其它实例中，也可以使用专用处理器、专用集成电路(ASICS)或FPGAs。
参考图6，用于实施所公开的技术的实例性系统包括形式为实例性常规PC 600的通用计算设备，其包括一个或多个处理单元602、系统存储器604以及将包括系统存储器604的各种系统组件耦合到一个或多个处理单元602的系统总线606。系统总线606可以是若干类型的总线结构中的任一种，其包括存储器总线或存储器控制器、外围总线和使用各种总线架构中的任一种的局部总线。实例性系统存储器604包括随机存取存储器(RAM)存储器610和只读存储器(ROM)608。用于训练神经网络和神经网络参数，例如权重、激活函数和卷积核的处理器可执行指令连同用于响应于操作束斑图像的接收而执行神经网络的指令可以存储在RAM 610中，或存储在一些其它本地或远程位置。基本输入/输出系统(BIOS)612存储在ROM 608中，其含有帮助在PC 600内的元件之间传输信息的基本例程。
实例性PC 600进一步包括一个或多个存储设备630，例如用于对硬盘进行读写的硬盘驱动器、用于对可移动磁盘进行读写的磁盘驱动器以及用于对可移动光盘(例如CD-ROM或其它光介质)进行读写的光盘驱动器。此类存储设备可以分别通过硬盘驱动器接口、磁盘驱动器接口和光盘驱动器接口连接到系统总线606。驱动器及其相关联的计算机可读介质为PC600提供计算机可读指令、数据结构、程序模块和其它数据的非易失性存储。也可以在实例性操作环境中使用能够存储可由PC访问的数据的其它类型的计算机可读介质，例如磁带盒、闪速存储器、数字视频盘、CDs、DVDs、RAMs、ROMs等。
多个程序模块可以存储在存储设备630中，其包括操作系统，例如用于限定、训练或执行神经网络的一个或多个应用程序、其它程序模块和程序数据(如果需要的话，其包括训练集数据)。用户可以通过例如键盘的一个或多个输入设备640和例如鼠标的指点设备向PC 600输入命令和信息。其它输入设备可以包括数码相机、麦克风、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪等。这些和其它输入设备通常通过耦合到系统总线606的串行端口接口连接到一个或多个处理单元602，但是也可以通过例如并行端口、游戏端口或通用串行总线(USB)的其它接口连接。监视器646或其它类型的显示设备也通过例如视频适配器的接口连接到系统总线606。可以包括其它外围输出设备，例如扬声器和打印机(未展示出)。如在本文中所使用，存储设备及存储器是指非暂时性存储设备及存储器。监视器646或其它显示设备可以用于呈现神经网络处理的结果，指示任何必要的调整或确认FIB或其它系统的稳定操作。
PC 600可以使用到例如远程计算机660等一个或多个远程计算机的逻辑连接在网络化环境中操作。在一些实例中，包括一个或多个网络或通信连接650。远程计算机660可以是另一PC、服务器、路由器、网络PC或对等设备或其它常见网络节点，并且通常包括以上相对于PC 600描述的许多或所有元件，尽管在图6中仅仅绘示了存储器/存储设备662。个人计算机600和/或远程计算机660可以连接到逻辑局域网(LAN)和广域网(WAN)。此类联网环境在办公室、大企业计算机网络、内联网和因特网中是常见的。
当在LAN网络环境中使用时，PC 600通过网络界面连接到LAN。当在WAN网络环境中使用时，PC 600通常包括调制解调器或用于通过例如因特网等WAN建立通信的其它手段。在网络化环境中，相对于个人计算机600描述的程序模块或其部分可以存储在远程存储器存储设备或LAN或WAN上的其它位置。所展示的网络连接是实例性的，并且可以使用在计算机之间建立通信链路的其它手段。
已经参考绘示的实施例描述和绘示了本公开的原理，将认识到绘示的实施例可以在排布和细节上进行修改而不脱离此类原理。例如，以软件展示的所绘示的实施例的元件可以以硬件实施，反之亦然。而且，来自任何实例的技术可以与任何一个或多个其它实例中描述的技术组合。应认识到，所绘示的实施例是实例且不应被视为对本发明的范围的限制。因此，我们要求保护属于所附权利要求书的范围和精神内的所有主题。在以上实例中具体提出的替代方案仅仅是说明性的，并且不构成在本文中描述的实施例的所有可能的替代方案。

Claims (28)

1.一种方法，其包含：
将基底曝光于带电粒子束(CPB)以获取多个训练图像，所述训练图像中的每一个与至少一个CPB柱特性相关联；
基于所述训练图像限定神经网络，从而使所述神经网络配置成指示所述至少一个CPB柱特性。
2.根据权利要求1所述的方法，其中所述训练图像通过利用闪烁体和光电检测器阵列检测CPB图像来获取。
3.根据权利要求1所述的方法，其中所述CPB是离子束，所述训练图像是通过将所述基底曝光于所述离子束而产生的训练光斑图像，并且所述方法进一步包含：
对多个训练光斑图像进行分割以形成单独的训练光斑图像，其中所述神经网络是基于所述单独的训练光斑图像，从而使所述神经网络指示至少一个离子束柱特性。
4.根据权利要求3所述的方法，其进一步包含：
获取与所述离子束的至少一个特性相关联的曝光光斑图像；以及
利用所限定的神经网络处理所述曝光光斑图像；以及
基于所述处理调整离子束柱。
5.根据权利要求3所述的方法，其中所述神经网络包括卷积层，并且所述训练光斑图像被耦合到所述卷积层。
6.根据权利要求3所述的方法，其中所述至少一个离子束柱特性是透镜焦点、离子束电流、限束孔径的位置、或消象散器中的至少一种。
7.根据权利要求3所述的方法，其中所述至少一个离子束柱特性与至少一个束成形或束偏转元件的设置相关联。
8.根据权利要求3所述的方法，其中所述神经网络包括初始卷积层以及一个或多个额外层。
9.根据权利要求3所述的方法，其中所述训练光斑以阵列排布。
10.根据权利要求9所述的方法，其中所述训练光斑图像是H1像素宽×H2像素宽，并且所述神经网络的卷积层包括N个卷积核，所述N个卷积核将所述训练光斑图像映射到J1×J2×N堆栈，其中H1、H2、J1、J2和N是正整数，并且J1和J2分别小于H1和H2。
11.根据权利要求10所述的方法，其中J＝J1＝J2并且H＝H1＝H2，使得所述卷积核将所述J×J训练光斑图像映射到H×H×N堆栈。
12.根据权利要求3所述的方法，其中基于所述单独的训练光斑图像限定所述神经网络包含限定多个卷积核。
13.根据权利要求7所述的方法，其中所述至少一个离子束柱特性是离子束形状或离子束斑尺寸。
14.根据权利要求3所述的方法，其进一步包含利用所述离子束形成多个铣削的束斑，其中所述训练光斑图像是所述铣削的束斑的图像。
15.根据权利要求3所述的方法，其进一步通过对聚焦离子束成像来获取所述训练光斑图像。
16.一种系统，其包含：
带电粒子束源；
带电粒子束柱；以及
耦合到所述带电粒子束柱的处理器，所述处理器经耦合以通过神经网络处理利用所述带电粒子束源和所述带电粒子束柱获取的光斑图像，以确定所述带电粒子束源和所述带电粒子束柱的至少一种调整。
17.根据权利要求16所述的系统，其进一步包含计算机可读存储设备，所述计算机可读存储设备具有存储在其上的限定所述神经网络的计算机可执行指令。
18.根据权利要求17所述的系统，其中所述处理器进一步配置成基于所确定的调整来调整所述带电粒子束源和所述带电粒子束柱中的至少一个。
19.根据权利要求18所述的系统，其中所述处理器进一步配置成基于所确定的调整来调整所述带电粒子束柱。
20.根据权利要求16所述的系统，其中所述处理器配置成接收与所述带电粒子束和所述带电粒子束柱相关联的多个训练光斑图像，并且基于所述训练光斑图像限定所述神经网络。
21.根据权利要求20所述的系统，其中所述多个训练光斑图像是基于将基底曝光于所述带电粒子束。
22.根据权利要求16所述的系统，其中所述处理器经耦合以至少调整所述带电粒子束柱，从而基于处理基底上的铣削束斑来产生所述多个训练光斑图像。
23.根据权利要求22所述的系统，其中所述处理器配置成产生所述多个训练光斑图像的阵列，其中所述阵列的所述训练光斑图像与相应的带电粒子束柱设置相关联。
24.根据权利要求23所述的系统，其中所述处理器配置成分割训练光斑图像的阵列，并且将所述训练光斑图像作为单独的训练光斑图像的堆栈提供给所述神经网络。
25.一种方法，其包含：
获取聚焦束的多个图像，所述多个图像是在相应的聚焦设置下在测试基底上产生的；
利用所述多个图像训练卷积神经网络；以及
获取所述聚焦束的操作图像；以及
处理所述聚焦束的操作图像以确定焦点调整。
26.根据权利要求25所述的方法，其进一步包含基于所确定的调整来调整束焦点。
27.根据权利要求25所述的方法，其中所述束是带电粒子束。
28.根据权利要求25所述的方法，其中所述束是光束。
CN201911308970.7A 2018-12-20 2019-12-18 利用对束图像的卷积神经网络的评估进行的光学对准校正 Active CN111352148B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/228,201 US10923318B2 (en) 2018-12-20 2018-12-20 Optical alignment correction using convolutional neural network evaluation of a beam image
US16/228,201 2018-12-20

Publications (2)

Publication Number Publication Date
CN111352148A true CN111352148A (zh) 2020-06-30
CN111352148B CN111352148B (zh) 2022-12-20

Family

ID=71096894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911308970.7A Active CN111352148B (zh) 2018-12-20 2019-12-18 利用对束图像的卷积神经网络的评估进行的光学对准校正

Country Status (3)

Country Link
US (1) US10923318B2 (zh)
KR (1) KR102498820B1 (zh)
CN (1) CN111352148B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11264206B2 (en) * 2014-03-10 2022-03-01 D2S, Inc. Methods and systems for forming a pattern on a surface using multi-beam charged particle beam lithography
US20220128899A1 (en) * 2020-10-22 2022-04-28 D2S, Inc. Methods and systems to determine shapes for semiconductor or flat panel display fabrication
JP7407846B2 (ja) 2022-01-20 2024-01-04 日本電子株式会社 集束イオンビーム装置及びイオンビームの視野ズレ補正方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003032351A2 (en) * 2001-10-10 2003-04-17 Applied Materials Isreal Limited Method and device for aligning a charged particle beam column
US20090135240A1 (en) * 2004-11-15 2009-05-28 Michael William Phaneuf System and Method for Focused Ion Beam Data Analysis
CN103688333A (zh) * 2011-02-18 2014-03-26 应用材料以色列公司 聚焦带电粒子成像系统
US20170351952A1 (en) * 2016-06-01 2017-12-07 Kla-Tencor Corporation Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
CN108351600A (zh) * 2015-11-19 2018-07-31 科磊股份有限公司 从设计信息产生模拟图像
CN108463876A (zh) * 2016-01-11 2018-08-28 科磊股份有限公司 为样品产生模拟输出

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6272392B1 (en) * 1998-12-04 2001-08-07 Advanced Micro Devices, Inc. Methodology for extracting effective lens aberrations using a neural network
JP4538472B2 (ja) * 2007-03-15 2010-09-08 株式会社日立ハイテクノロジーズ 画像形成方法、及び電子顕微鏡
JP5758728B2 (ja) * 2011-07-26 2015-08-05 株式会社日立ハイテクノロジーズ 荷電粒子線装置
WO2017027748A1 (en) * 2015-08-12 2017-02-16 Kla-Tencor Corporation Determining a position of a defect in an electron beam image
KR20210021369A (ko) * 2018-07-13 2021-02-25 에이에스엠엘 네델란즈 비.브이. Sem 이미지 향상 방법들 및 시스템들
US20200312611A1 (en) * 2019-03-29 2020-10-01 Fei Company Artificial intelligence enabled volume reconstruction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003032351A2 (en) * 2001-10-10 2003-04-17 Applied Materials Isreal Limited Method and device for aligning a charged particle beam column
US20090135240A1 (en) * 2004-11-15 2009-05-28 Michael William Phaneuf System and Method for Focused Ion Beam Data Analysis
CN103688333A (zh) * 2011-02-18 2014-03-26 应用材料以色列公司 聚焦带电粒子成像系统
CN108351600A (zh) * 2015-11-19 2018-07-31 科磊股份有限公司 从设计信息产生模拟图像
CN108463876A (zh) * 2016-01-11 2018-08-28 科磊股份有限公司 为样品产生模拟输出
US20170351952A1 (en) * 2016-06-01 2017-12-07 Kla-Tencor Corporation Systems and methods incorporating a neural network and a forward physical model for semiconductor applications

Also Published As

Publication number Publication date
US10923318B2 (en) 2021-02-16
CN111352148B (zh) 2022-12-20
US20200203122A1 (en) 2020-06-25
KR20200077429A (ko) 2020-06-30
KR102498820B1 (ko) 2023-02-10

Similar Documents

Publication Publication Date Title
KR102480232B1 (ko) 복수의 하전 입자 빔들의 장치
TWI735458B (zh) 用於晶圓邊緣檢測及查核之方法及系統
CN111352148B (zh) 利用对束图像的卷积神经网络的评估进行的光学对准校正
TWI732305B (zh) 帶電粒子射束設備、場曲校正器、及操作帶電粒子射束設備的方法
CN107533943B (zh) 用于电子束系统中像差校正的方法及系统
US20090014649A1 (en) Electron beam apparatus
WO2017168482A1 (ja) 荷電粒子線装置、及び荷電粒子線装置の調整方法
JP2009218079A (ja) 走査型透過電子顕微鏡の収差補正装置及び収差補正方法
JP7194849B2 (ja) 電子光学システム
JP7400106B2 (ja) 低クロストークを有する多重荷電粒子ビーム装置
JP2021163753A (ja) ３ｄ回折データを取得するための方法およびシステム
WO2022186326A1 (ja) 学習器の学習方法、及び画像生成システム
US20240153737A1 (en) Tilt-column multi-beam electron microscopy system and method
JP7285871B2 (ja) 走査透過電子顕微鏡および光学系の調整方法
US20240112884A1 (en) Distortion reduction in a multi-beam imaging system
TWI761656B (zh) 電子束裝置及減少電子束中之熱誘導束漂移之方法
TWI773020B (zh) 用於色像差減輕之系統及方法
TWI773030B (zh) 用於多射束檢測系統之多模操作
CN115335949A (zh) 泛射柱、带电粒子工具以及用于对样品的带电粒子泛射的方法
KR20230165850A (ko) 하전 입자선 장치 및 그 제어 방법

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