CN111837228A - 用于检验的模式选择 - Google Patents

用于检验的模式选择 Download PDF

Info

Publication number
CN111837228A
CN111837228A CN201980017247.5A CN201980017247A CN111837228A CN 111837228 A CN111837228 A CN 111837228A CN 201980017247 A CN201980017247 A CN 201980017247A CN 111837228 A CN111837228 A CN 111837228A
Authority
CN
China
Prior art keywords
modes
separability
defects
sample
subset
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
CN201980017247.5A
Other languages
English (en)
Other versions
CN111837228B (zh
Inventor
M·普利哈尔
S·帕拉马西万
A·杰因
P·俄珀鲁里
R·科努鲁
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 CN111837228A publication Critical patent/CN111837228A/zh
Application granted granted Critical
Publication of CN111837228B publication Critical patent/CN111837228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8845—Multiple wavelengths of illumination or detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Electrotherapy Devices (AREA)
  • Oscillators With Electromechanical Resonators (AREA)
  • Transition And Organic Metals Composition Catalysts For Addition Polymerization (AREA)

Abstract

本发明提供用于选择用于检验样品的模式的方法及系统。一种方法包含确定在样品上所检测到的所关注缺陷DOI与扰乱在检验子系统的一或多个模式中的可分离性如何。使用所述模式针对所述DOI及所述扰乱的可分离性来选择所述模式的子集以用于检验相同类型的其它样品。所述模式的性能的其它特性可与所述可分离性组合使用来选择所述模式。基于所述可分离性而选择的所述模式子集还可为初始模式子集，针对所述初始模式子集执行额外分析以确定所述模式的最后子集。

Description

用于检验的模式选择
技术领域
本发明一般来说涉及用于选择用于检验样品的模式的方法及系统。
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。
在半导体制造过程期间在各种步骤处使用检验过程来检测晶片上的缺陷以促成在制造过程中的较高合格率且因此促成较高利润。检验始终是制作半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对可接受半导体装置的成功制造变得甚至更加重要，这是因为较小缺陷可导致装置不合格。举例来说，随着半导体装置的尺寸减小，对减小大小的缺陷的检测变得有必要，这是因为甚至相对小的缺陷也可在半导体装置中造成非想要的像差。
许多不同类型的检验系统具有可调整输出获取(例如，数据、信号及/或图像获取)参数，使得可使用不同参数来检测不同缺陷或避免非想要(扰乱)事件的来源。尽管具有可调整输出获取参数的检验系统向半导体装置制造者呈现显著优点，但这些检验系统在将不正确输出获取参数用于检验过程的情况下基本上无用。另外，由于晶片上的缺陷、过程条件及噪声可显著变化(且由于晶片本身的特性可显著变化)，因此用于检测特定晶片上的缺陷的最佳输出获取参数可难以预测(如果并非是不可能的)。因此，尽管使用正确输出获取参数将会对检验的结果具有显著效应，但可设想许多检验过程当前正用不正确或非最优输出获取参数来执行。
光学模式选择前面是缺陷发现，所述缺陷发现为光学选择器(OS)会话提供缺陷与扰乱集。现今，通过以光学模式(通常大约10个)与“热检测阈值”的相对多样集合扫描设置样品而执行缺陷发现以改进发现所有缺陷类型的机会。所述发现本身很大程度上依赖于对个别热扫描执行的多样性取样。
在发现结束时，为OS会话选择最重要所关注缺陷(DOI)与敏感度限制扰乱的集合。通常由人类专家通过选择最小DOI实例(基于扫描电子显微镜(SEM)图像)及基于光学片块及缺陷属性而展示与DOI的类似性的扰乱来执行此选择。
还可使用所学习最佳已知方法(BKM)以很大程度上偶然的方式来选择用于OS的模式集，所述模式的一些理论规则应提供在发现期间识别的缺陷的良好信号以及人执行OS分析的经验及直觉。
然而，用于OS的当前使用的方法及系统存在若干个缺点。举例来说，当前使用的方法是完全手动的且主观的。当前使用的方法及系统既非系统性的也非详尽性的，且其基本上是耗时的。当前使用的系统及方法的另一缺点是其不考虑缺陷与扰乱可分离性。另外，当前使用的系统及方法依赖于人类专家筛选基本上大量数据以找出最相关缺陷集(将对其执行光学模式选择分析)的能力。此外，在当前使用的方法及系统中，人类专家不具有处理所有信息或数据量以做出最佳决策的能力。此外，在当前使用的方法及系统中，仅有限的有用信息对于用户做出决策是可用的。
因此，开发不具有上文所描述的缺点中的一或多者的用于选择用于检验样品的模式的方法及/或系统将是有利的。
发明内容
各种实施例的以下说明不应以任何方式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选择用于检验样品的模式的系统。所述系统包含检验子系统，所述检验子系统经配置以用于通过利用能量扫描样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的输出。所述检验子系统还经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的多个模式来产生所述输出。所述系统还包含一或多个计算机子系统，所述一或多个计算机子系统经配置以用于确定所述多个模式中的一或多者中的每一者的可分离性得分，借此产生一或多个可分离性得分。所述一或多个模式中的每一者的所述可分离性得分是由针对使用利用所述多个模式中的一者产生的所述输出在所述样品上所检测到的具有第一所关注缺陷(DOI)类型的缺陷的分类器的结果与针对使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义。所述计算机子系统还经配置以用于基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品。可如本文中所描述而进一步配置所述系统。
另一实施例涉及一种用于选择用于检验样品的模式的计算机实施的方法。所述方法包含针对上文所描述的一或多个计算机子系统的功能中的每一者的步骤。所述方法的所述步骤由或多个计算机子系统执行。可如本文中进一步描述而执行所述方法。另外，所述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，所述方法可由本文中所描述的系统中的任一者执行。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令在计算机系统上执行以用于执行用于选择用于检验样品的模式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进一步配置所述计算机可读媒体。可如本文中进一步描述而执行所述计算机实施的方法的步骤。另外，可为其执行所述程序指令的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。
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而配置的系统的实施例的侧视图的示意图；及
图3是图解说明非暂时性计算机可读媒体的一个实施例的框图，所述非暂时性计算机可读媒体存储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的程序指令。
虽然本发明易发生各种修改及替代形式，但其特定实施例是在图式中以实例的方式展示且将在本文中详细描述。然而，应理解，图式及对其的详细说明并非打算将本发明限制于所揭示的特定形式，而是相反，本发明将涵盖归属于如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，所述图的元件中的一些元件的比例大大放大以强调所述元件的特性。还应注意，所述图并未按相同比例绘制。已使用相同参考编号指示可类似地配置的在一个以上图中所展示的元件。除非本文中另外提及，否则所描述及所展示的元件中的任一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选择用于检验样品的模式的系统。尽管可在本文中关于光学(即，基于光的)模式描述一些实施例，但应理解，本文中所描述的实施例可用于选择任何其它模式(例如，电子束、离子束、x射线等)来检验例如晶片或光罩的样品。在一个实施例中，所述样品包含晶片。在另一实施例中，所述样品包含光罩。所述晶片及所述光罩可包含所属领域中已知的任何晶片及光罩。另外，尽管在本文中描述用于选择用于检验的模式的一些实施例，但应理解，所述实施例可选择最终用于检验中的一或多个模式。
选择用于检验子系统(例如包含于基于宽带等离子体(BBP)的工具中的那些检验子系统)的将优化最重要所关注缺陷(DOI)的检测且降低检验中的扰乱比率的光学模式是在检验处方设置期间最重要且具挑战性的任务中的一者。在理想情景中，光学选择器(OS)的目标是找出具有缺陷的最高信噪比(S/N)、可靠地检测缺陷而且在检验中看到最少扰乱量的最佳光学模式。在当今执行此过程时，此过程是重度手动的且主观的。其依赖于完备的最佳已知方法(BKM)且依赖于模式选择的阶层式方法(焦点偏移→光谱及光圈→像素大小及速度)。其还需要对光充足性等等的非平凡分析以保证对光学模式的分析是可靠的。OS的输入通常是用于导引用户朝向最佳光学模式的缺陷的列表。同样地，所述输入取决于用户而基本上是主观的。通常，用户查看缺陷的扫描电子显微镜(SEM)图像且选择哪些缺陷将用于OS。
本文中所描述的实施例与用于OS的当前使用的方法及系统具有若干个重要差异。举例来说，本文中所描述的实施例基于自适应发现的结果而提供经改进光学模式选择。本文中所描述的实施例还引入缺陷发现扫描的定量分析从而以若干种方式导引用于OS会话的光学模式选择。举例来说，如本文中所描述，实施例将缺陷与扰乱可分离性且任选地将发现效率添加到每一缺陷类型(或者一或多个缺陷类型)及每一发现光学模式(或者一或多个发现光学模式)。本文中所描述的实施例还可连同现有准则一起使用这些度量来为OS会话选择最佳缺陷集。另外，对于每一DOI类型，本文中所描述的实施例可为发现模式提供缺陷与扰乱可分离性趋势。
如本文中所使用的术语“扰乱”是用户不在意的缺陷及/或经检测到但实际上并非缺陷的事件。可由于样品上的非缺陷噪声源(例如，线边缘粗糙度(LER)、经图案化特征的相对小临界尺寸(CD)变化、厚度变化等)及/或由于检验系统本身中的边缘性或其用于检验的配置而检测到经检测为事件但实际上并非缺陷的扰乱。因此，一般来说，检验目标并非是检测例如晶片的样品上的扰乱。
选择用于检验的最佳模式是使检验(BBP检验)达到其灵敏度授权的最关键步骤中的一者，且改进为每一缺陷类型找出最佳模式的能力具有显著增强检验工具的价值的可能性。现今，光学模式选择是基本上冗长的手动过程，且其远非详尽性的。本文中所描述的实施例将不仅改进OS的得出结果的时间，其还将改进模式选择的质量及全面性。
在图1中展示此系统的一个实施例。所述系统包含检验子系统，所述检验子系统经配置以用于通过利用能量扫描样品且在扫描期间检测来自样品的能量而产生针对样品的输出。如本文中进一步描述，检验子系统经配置以用于利用由用于产生输出的检验子系统的至少一个参数的不同值定义的多个模式来产生所述输出。检验子系统可包含至少一能量源及一或多个检测器。所述能量源经配置以产生在扫描期间经引导到样品的能量。一或多个检测器经配置以在扫描期间检测来自样品的能量且响应于所检测到的能量而产生输出。
在一个实施例中，在样品上扫描的能量包含光，且从样品检测到的能量包含光。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样品14的照射子系统。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依一或多个入射角(其可包含一或多个倾斜角及/或一或多个法向角)将光引导到样品。举例来说，如在图1中所展示，来自光源16的光经引导穿过光学元件18及然后穿过透镜20到达分束器21，分束器21依法向入射角将光引导到样品14。入射角可包含任何适合入射角，其可取决于(例如)样品以及将在样品上检测到的缺陷的特性而变化。
照射子系统可经配置以在不同时间依不同入射角将光引导到样品。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，使得可依与图1中展示的入射角不同的入射角将光引导到样品。在一个此类实例中，检验子系统可经配置以使光源16、光学元件18及透镜20移动使得依不同入射角将光引导到样品。
在一些实例中，检验子系统可经配置以同时依一个以上入射角将光引导到样品。举例来说，照射子系统可包含一个以上照射通道，所述照射通道中的一者可包含如图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)可包含可不同地或相同地经配置的类似元件，或可包含至少一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那些组件)。如果此光与其它光同时经引导到样品，那么依不同入射角经引导到样品的光的一或多个特性(例如，波长、偏光等)可为不同的，使得由依不同入射角的对样品的照射引起的光可在检测器处彼此区别开。
在另一实例中，照射子系统可包含仅一个光源(例如，图1中展示的源16)，且来自光源的光可通过照射子系统的一或多个光学元件(未展示)分离到不同光学路径中(例如，基于波长、偏光等)。不同光学路径中的每一者中的光然后可经引导到样品。多个照射通道可经配置以同时或在不同时间(例如，当不同照射通道用以依序照射样品时)将光引导到样品。在另一实例中，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样品。举例来说，在一些实例中，光学元件18可经配置为光谱滤光器，且所述光谱滤光器的性质可以各种不同方式改变(例如，通过置换光谱滤光器)，使得可在不同时间将不同波长的光引导到样品。照射子系统可具有所属领域中已知的用于依不同或相同入射角依序或同时将具有不同或相同特性的光引导到样品的任何其它适合配置。
在一个实施例中，光源16可包含BBP光源。以此方式，由光源产生且被引导到样品的光可包含宽带光。然而，光源可包含任何其它适合光源，例如激光器，其可包含所属领域中已知的任何适合激光器且可经配置以产生在所属领域中已知的任何适合波长下的光。另外，所述激光器可经配置以产生是单色或几乎单色的光。以此方式，所述激光器可为窄带激光器。光源还可包含产生在多个离散波长或波段下的光的多色光源。
来自光学元件18的光可通过透镜20聚焦到分束器21。尽管透镜20在图1中展示为单个折射光学元件，但应理解，实际上，透镜20可包含组合地将来自光学元件的光聚焦到样品的若干个折射及/或反射光学元件。在图1中所展示且在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光组件、光谱滤光器、空间滤波器、反射光学元件、切趾器、分束器、光圈等等，这些可包含所属领域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的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经配置以致使光在样品上扫描的扫描子系统。举例来说，检验子系统可包含载台22，在检验期间将样品14安置于载台22上。扫描子系统可包含可经配置以使样品移动使得光可在样品上扫描的任何适合机械及/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光对样品的某一扫描。光可以任何适合方式在样品上扫描。
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归因于通过检验子系统对样品的照射而来自样品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，其中一者是由集光器24、元件26及检测器28形成且另一者是由集光器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以依不同收集角度收集且检测光。在一些实例中，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样品镜面反射(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检测来自样品的同一类型的光(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)。尽管集光器中的每一者在图1中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所属领域中已知的任何适合检测器，例如光电倍增管(PMT)、电荷耦合装置(CCD)及时间延迟积分(TDI)相机。所述检测器还可包含非成像检测器或成像检测器。如果所述检测器是非成像检测器，那么所述检测器中的每一者可经配置以检测光的某些特性(例如强度)但不可经配置以检测随在成像平面内的位置而变的此类特性。如此，通过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，而非图像信号或图像数据。在此类实例中，计算机子系统(例如所述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样品的图像。然而，在其它实例中，检测器可经配置为成像检测器，所述成像检测器经配置以产生图像信号或图像数据。因而，所述系统可经配置以依若干种方式产生本文中所描述的输出。
应注意，图1在本文中经提供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。显然地，可更改本文中所描述的检验子系统配置以优化系统的性能，如在设计商业检验系统时通常所执行。另外，可使用例如可从KLA(加利福尼亚州苗必达市)购得的28xx及29xx系列的工具的现有检验系统(例如，通过将本文中所描述的功能性添加到现有检验系统)来实施本文中所描述的系统。针对一些此类系统，本文中所描述的方法可作为所述系统的任选功能性(例如，除系统的其它功能性之外)而提供。或者，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样品的扫描期间由检测器产生的输出。计算机子系统36可经配置以执行如在本文中所描述的使用检测器的输出的若干个功能以及本文中进一步描述的任何其它功能。可如本文中所描述而进一步配置此计算机子系统。
此计算机子系统(以及本文中所描述的其它计算机子系统)还可在本文中称为计算机系统。本文中所描述的计算机子系统或系统中的每一者可采用各种形式，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。一般来说，术语“计算机系统”可广义地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所属领域中已知的任何适合处理器，例如平行处理器。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经联网工具。
如果所述系统包含一个以上计算机子系统，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可通过可包含所属领域中已知的任何适合有线及/或无线传输媒体的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)。此类计算机子系统中的两者或多于两者还可通过共享式计算机可读存储媒体(未展示)而有效地耦合。
尽管检验子系统在上文描述为光学或基于光的检验子系统，但所述检验子系统可为基于电子束的检验子系统。举例来说，在一个实施例中，在样品上扫描的能量包含电子，且从样品所检测到的能量包含电子。以此方式，能量源可为电子束源。在于图2中所展示的一个此类实施例中，检验子系统包含电子柱122，其耦合到计算机子系统124。
还如图2中所展示，电子柱包含电子束源126，电子束源126经配置以产生通过一或多个元件130聚焦到样品128的电子。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、限束孔径、门阀、束电流选择孔径、物镜以及扫描子系统，所有所述元件均可包含所属领域中已知的任何此类适合元件。
从样品返回的电子(例如，次级电子)可通过一或多个元件132而聚焦到检测器134。一或多个元件132可包含(举例来说)扫描子系统，所述扫描子系统可为包含于元件130中的同一扫描子系统。
电子柱可包含所属领域中已知的任何其它适合元件。另外，电子柱可如姜(Jiang)等人2014年4月4日发布的第8,664,594号美国专利、小岛(Kojima)等人2014年4月8日发布的第8,692,204号美国专利、古本斯(Gubbens)等人2014年4月15日发布的第8,698,093号美国专利及麦克唐纳(MacDonald)等人2014年5月6日发布的第8,716,662号美国专利中所描述而进一步经配置，所述美国专利好似完全陈述于本文中似得以引用方式并入。
尽管电子柱在图2中展示为经配置使得电子以倾斜入射角经引导到样品且以另一倾斜角从所述样品检测到，但电子束可以任何适合角度经引导到样品及从所述样品检测到。另外，基于电子束的子系统可经配置以使用多个模式来产生样品的图像(例如，依不同照射角度、收集角度等)。电子束子系统的多个模式在子系统的任何图像产生参数方面可为不同的。
计算机子系统124可如上文所描述而耦合到检测器134。检测器可检测从样品的表面返回的电子，借此形成样品的电子束图像。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一(任何)额外步骤。可如本文中所描述而进一步配置包含图2中所展示的检验子系统的系统。
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配置以优化检验子系统的性能，如在设计商业检验系统时通常所执行。另外，本文中所描述的系统可使用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)。针对一些此类系统，可将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)而提供。或者，可“从零开始”设计本文中所描述的系统以提供全新系统。
尽管检验子系统在上文中描述为基于光或基于电子束的检验子系统，但所述检验子系统可为基于离子束的检验子系统。此检验子系统可如图2中所展示而经配置，除了电子束源可被替换为所属领域中已知的任何适合离子束源以外。另外，检验子系统可为任何其它适合基于离子束的子系统，例如包含于可商业购得的聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统以及次级离子质谱学(SIMS)系统中的基于离子束的子系统。
如上所述，检验子系统经配置以用于使能量(例如，光、电子等)对样品的物理版本进行扫描，借此产生样品的所述物理版本的实际输出或图像。以此方式，检验子系统可配置为“实际”工具，而非“虚拟”工具。存储媒体(未展示)及图1中所展示的计算机子系统102可配置为“虚拟”工具。在共同受让的巴斯卡尔(Bhaskar)等人于2012年2月28日发布的第8,126,255号美国专利及达菲(Duffy)等人于2015年12月29日发布的第9,222,895号美国专利中描述配置为“虚拟”检验工具的系统及方法，所述两个美国专利好似完全陈述于本文中似得以引用方式并入。可如这些专利中所描述而进一步配置本文中所描述的实施例。举例来说，可如这些专利中所描述而进一步配置本文中所描述的一或多个计算机子系统。
如上文进一步所述，检验子系统经配置以利用多个模式产生针对样品的输出。一般来说，“模式”可由用于产生针对样品的输出(例如，图像)的检验子系统的参数值定义。因此，不同模式的值针对检验子系统的成像参数中的至少一者可为不同的。举例来说，在光学检验子系统中，不同模式可使用至少一个不同波长的光来进行照射。所述模式在如本文中针对不同模式而进一步描述的照射波长方面可为不同的(例如，通过使用不同光源、不同光谱滤光器等)。在另一实施例中，不同模式使用检验子系统的不同照射通道。举例来说，如上所述，检验子系统可包含一个以上照射通道。如此，不同照射通道可用于不同模式。而且或替代地，所述模式在检验子系统的一或多个收集/检测参数方面可为不同。检验子系统可经配置以在同一扫描或不同扫描中以不同模式扫描样品，例如，取决于同时使用多个模式来扫描样品的能力。
本文中所描述的实施例提供新光学模式选择设置分析器(OMSSA)。所述新OMSSA经配置以具有现今缺失的一或多个关键能力。举例来说，实施例依据发现扫描提供对光学模式的定量分析。
一或多个计算机子系统经配置以用于确定多个模式中的一或多者中的每一者的可分离性得分，借此产生一或多个可分离性得分。一或多个模式中的每一者的可分离性得分是由针对使用利用所述多个模式中的一者产生的输出在样品上所检测到的具有第一所关注缺陷(DOI)类型的缺陷的分类器的结果与针对使用利用所述多个模式中的所述一者产生的输出在样品上所检测到的扰乱的分类器的结果之间的差定义。因此，本文中所描述的实施例可使用缺陷-扰乱可分离性得分作为OS度量。
可针对DOI类型与光学模式的每一组合(或者一或多个组合)确定可分离性得分。可针对例如桥接件的仅一个DOI类型(而非其它DOI类型，例如残留物、缺失特征等)确定每一可分离性得分，或可针对一个以上DOI类型(例如，具有任何类型的所有DOI)确定每一可分离性得分。因此，所确定可分离性得分可包含针对第一缺陷类型与第一光学模式、第一缺陷类型与第二光学模式、…、第一缺陷类型与第n光学模式的可分离性得分以及可能其它可分离性得分，例如针对第二缺陷类型与第一光学模式、第二缺陷类型与第二光学模式等等的可分离性得分。另外或替代地，可分离性得分可包含针对所有DOI与第一光学模式、所有DOI与第二光学模式等的可分离性得分。
计算机子系统可通过训练分类器(或扰乱筛选器)且然后确定分类器针对DOI-扰乱分离所具有的“裕度”而确定可分离性得分。所述“裕度”可被视为在分类(或扰乱筛选器)空间中DOI距扰乱的“平均距离”。所述裕度还可以另一方式来量化，例如中位数、平均数、稳健平均值等、在分类(或扰乱筛选器)空间中DOI与扰乱之间的距离。在一个实例中，可依据分类置信度来测量此距离(分类器将扰乱分类为扰乱且将DOI分类为DOI的置信度越大，裕度越高)。换句话说，分类置信度测量距分类界限的垂直距离(以一些任意但一致单位)，这将一个事件群组(经确定为DOI的那些事件)与另一所检测事件群组(经确定为扰乱的那些事件)分离。
在特定实例中，分类器可经配置使得如果置信度＝0，那么意味着事件以高置信度经确定为扰乱，且如果置信度＝1，那么意味着事件以高置信度经确定为DOI。在此实例中，计算机子系统可找出所有DOI(特定类型)的平均置信度且从出现扰乱最低值的置信度值减去所述平均置信度值(这通常展现为在特定置信度值下的相对急剧缺陷率开始)。其将是计算机子系统将跨越光学模式跟踪的此差的值。所述值越高，可分离性越高。取决于分类器的配置，计算机子系统可替代置信度而考虑信号属性集(在缺陷分割之后)，但在其它方面，计算机子系统可如本文中所描述而执行此步骤。
在一些实施例中，计算机子系统经配置以用于使用在扫描期间利用多个模式产生的输出来检测样品上的事件且用于将所述事件输入到分类器中以借此将所述事件分离成缺陷及扰乱。举例来说，本文中所描述的实施例可经配置以执行一或多个发现扫描(即，以在“发现”样品上的缺陷及扰乱的对样品的扫描)。发现扫描可包含一或多个扫描(即，具有光学模式1的扫描、…、具有光学模式n的扫描)。可使用本文中所描述的检验子系统的实施例中的任一者来如本文中进一步描述而执行所述扫描。
一或多个计算机子系统可经配置以用于基于由检验子系统的一或多个检测器在扫描期间利用多个模式产生的输出而检测样品上的事件。可以任何适合方式在样品上检测事件(例如，通过将阈值应用于所述输出且将具有高于所述阈值的一或多个值的输出识别为事件且不将具有低于所述阈值的一或多个值的输出识别为事件)。在样品上所检测到的事件所分离成的缺陷及扰乱可包含所属领域中已知的任何缺陷及扰乱。
现今，通过以光学模式(通常大约10个)与“热检测阈值”的相对多样集合扫描设置样品而执行缺陷发现以改进发现所有缺陷类型的机会。发现本身很大程度上依赖于对个别热扫描执行的多样性取样。“热”阈值可一般定义为在由检验子系统针对样品产生的输出的噪声最低值处、在所述噪声最低值内或基本上在所述噪声最低值附近的阈值。以此方式，事件检测可比通常将针对经调谐检验处方所执行的稍微更激进(更热)，使得与在经调谐检验中所期望的相比较而检测到包含缺陷及扰乱事件的更多事件。以此方式，此类扫描由于基本上高扰乱缺陷检测而通常将不可用于生产监测。
在一个实施例中，分类器配置为扰乱筛选器。举例来说，分类器可配置为扰乱筛选器及/或缺陷分类器。分类器的配置可取决于检验及/或针对其执行OS的样品而变化。分类器可将所检测事件标记为实际缺陷、扰乱及非实际缺陷(例如，噪声)。如果分类器是扰乱筛选器，那么分类器可将所检测事件标记为实际缺陷及扰乱(其一般可如本文中进一步描述而定义为用户实际上不在意的噪声及/或实际缺陷)。如果分类器是缺陷分类器，那么分类器可用指示不同类型的缺陷(例如桥接件、颗粒、刮痕、缺失特征、粗糙度等)的缺陷ID(例如，类别码)来标记所检测事件。缺陷分类器还可标记具有特定缺陷类型的缺陷且还将所述缺陷与扰乱分离借此用作缺陷分类器与扰乱筛选器。
分类器及/或扰乱筛选器可包含各种类型的分类器及扰乱筛选器。举例来说，分类器或扰乱筛选器可配置为决策树或随机森林类型分类器。分类器及扰乱筛选器还可为机器学习类型的分类器或扰乱筛选器。以此方式，分类器及扰乱筛选器可为机器学习模型。分类器及扰乱筛选器还可包含所属领域中已知的任何其它类型的自动缺陷分类器(ADC)。在帕利霍尔(Plihal)的2015年9月10日公开的第2015/0254832号美国专利申请公开案、克努鲁(Konuru)的2015年9月17日公开的第2015/0262038号美国专利申请公开案、梁(Liang)等人的2016年9月8日公开的第2016/0258879号美国专利申请公开案及赫(He)等人的2017年3月23日公开的第2017/0082555号美国专利申请公开案中描述可在本文中所描述的实施例中用作分类器及扰乱筛选器的分类器的额外实例，所述美国专利申请公开案好似完全陈述于本文中似得以引用方式并入。可如这些公开案中所描述而进一步配置本文中所描述的分类器。
机器学习模型可包含所属领域中已知的任何深度学习模型，包含(举例来说)神经网络、卷积神经网络、生成模型等。可在本文中所描述的实施例中用作分类器的适合机器学习模型的实例描述于共同拥有的卡森提(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、张(Zhang)等人的2017年5月25日公开的第2017/0148226号美国专利申请公开案、巴斯卡尔(Bhaskar)等人的2017年7月6日公开的第2017/0193400号美国专利申请公开案、张等人的2017年7月6日公开的第2017/0193680号美国专利申请公开案、巴斯卡尔等人的2017年7月6日公开的第2017/0194126号美国专利申请公开案、巴斯卡尔等人的2017年7月13日公开的第2017/0200260号美国专利申请公开案、帕克(Park)等人的2017年7月13日公开的第2017/0200264号美国专利申请公开案、巴斯卡尔等人的2017年7月13日公开的第2017/0200265号美国专利申请公开案、张等人的2017年11月30日公开的第2017/0345140号美国专利申请公开案、张等人的2017年12月7日公开的第2017/0351952号美国专利申请公开案、张等人的2018年4月19日公开的第2018/0107928号美国专利申请公开案、古普塔(Gupta)等人的2018年10月11日公开的第2018/0293721号美国专利申请公开案、哈(Ha)等人的2018年11月15日公开的第2018/0330511号美国专利申请公开案、丹戴安娜(Dandiana)等人的2019年1月3日公开的第2019/0005629号美国专利申请公开案及赫等人的2019年3月7日公开的第2019/0073568号美国专利申请公开案中，所述美国专利申请公开案好似完全陈述于本文中似得以引用方式并入。可如这些公开案中所描述而进一步配置本文中所描述的实施例。另外，本文中所描述的实施例可经配置以执行这些公开案中所描述的任何步骤。
在一个实施例中，计算机子系统经配置以用于：使用在扫描期间利用多个模式产生的输出作为到缺陷检测方法的输入来检测样品上的事件；将所述事件输入到分类器中以借此将所述事件分离成缺陷及扰乱；更改所述缺陷检测方法的一或多个参数；以所述缺陷检测方法的所述一或多个经更改参数重复所述检测事件的步骤；及将通过所述检测步骤及所述重复所述检测的步骤而检测到的事件输入到分类器中以借此将所述事件分离成缺陷及扰乱。以此方式，可在事件检测期间在一种原位或反馈环路中更改事件检测(及借此缺陷检测)，例如，以检测更多事件、缺陷及扰乱及/或尝试检测不同种类的事件、缺陷及扰乱。
本文中所描述的实施例因此可经配置以用于自适应发现。计算机子系统可对每一模式独立地执行自适应发现，同时将所发现缺陷交叉自动标记到所有模式。交叉自动标记可包含标记由所述模式中的任何两个或多于两个模式在缺陷被检测为缺陷图像的同一位置处产生的所有图像。举例来说，如果第一模式检测位置x处的缺陷，那么计算机子系统可将在位置x处以任何其它模式产生的任何其它图像标记为缺陷图像而不管那些其它模式是否检测位置x处的缺陷。自适应发现使用主动学习及分类器。在发现结束时，自适应发现可产生可作为扰乱筛选器以对应光学模式应用于检验的收敛分类器。
可执行自适应发现及/或找出样品上的缺陷及扰乱以供在本文中所描述的实施例中使用，如赫等人的上文所引用公开案中所描述。另外，本文中所描述的实施例可经配置以用于发现及/或找出可作为训练集用于本文中所描述的额外步骤的缺陷与扰乱，如帕利霍尔等人的2014年5月15日公开的第2014/0133737号美国专利申请公开案、帕利霍尔等人的2015年10月1日公开的第2015/0276618号美国专利申请公开案、帕利霍尔等人的2016年4月21日公开的第2016/0110857号美国专利申请公开案、陈(Chen)等人的2016年5月5日公开的第2016/0123898号美国专利申请公开案及帕利霍尔等人的2018年4月19日公开的第2018/0106732号美国专利申请公开案中所描述，所述美国专利申请公开案好似完全陈述于本文中似得以引用方式并入。可如这些公开案中所描述而进一步配置本文中所描述的实施例。
在一个此类实施例中，更改缺陷检测方法的一或多个参数包含：识别所述多个模式的一部分，所述多个模式的所述部分预期(或已知)能够检测数目比所述多个模式的另一部分多的缺陷；及仅选择在利用所述多个模式的所述经识别部分执行的扫描期间所产生的输出作为到所述缺陷检测方法的输入。所述多个模式的所述“部分”可包含所述多个模式中的一或多者且在此情形中少于所述多个模式的全部。计算机子系统可执行此识别及选择以在具有检测缺陷的能力的模式中将缺陷发现过程驱动到收敛及数据充足性。举例来说，一或多个计算机子系统可分析关于每一模式的分类器收敛。另外，一或多个计算机子系统可分析重要缺陷类型中的每一者的数据充足性。举例来说，分类器(例如本文中进一步描述的机器学习分类器)的性能随着训练集的大小高达特定点(超过所述特定点，分类器达到关于数据的其最佳性能)而改进。因此，提供“充足”训练数据以达到分类器的此最优性能是有利的。所述点通常可称为“数据充足性”。计算机子系统可通过在计算机子系统使训练集增加时监测分类器的“收敛”而测量数据充足性。可以所属领域中已知的任何适合方式确定且监测分类器的“收敛”。计算机子系统可监测且更改发现过程以满足数据充足性阈值，这是因为当将不同模式的DOI与扰乱可分离性进行比较时，优选地通过已经收敛以获得基本上准确数据以用于使用所述数据执行的其它步骤(OS)的分类器来将DOI及扰乱分类。
如上文进一步描述，在一些实施例中，计算机子系统经配置以用于使用在扫描期间利用多个模式产生的输出来检测样品上的事件且用于将所述事件输入到分类器中以借此将所述事件分离成缺陷及扰乱。在一个此类实施例中，计算机子系统经配置以用于向用户显示缺陷及扰乱且从用户接收对缺陷中的一或多者及扰乱中的一或多者的选择。举例来说，在发现分析器(OMSSA)阶段期间，计算机子系统可经配置以用于发现结果的诊断及可视化。在发现结果的诊断及可视化阶段期间，用户可识别重要DOI类型。
计算机子系统可使用任何适合显示器装置(未展示)上的任何适合图形用户接口(GUI)来向用户显示缺陷及扰乱。计算机子系统还可以各种不同方式显示缺陷及扰乱，例如，基于哪一模式检测到缺陷及扰乱而以群组方式显示缺陷及扰乱、显示具有或多个类似特性(例如大小、样品的设计中的位置、形状、纹理、灰度级强度等)的缺陷及扰乱的子群组。一般来说，计算机子系统可显示针对缺陷及扰乱而产生的任何结果(包含片块图像(即，在缺陷及扰乱的位置处抓取的相对小图像)及由计算机子系统或分类器确定的缺陷及扰乱的任何特性)。计算机子系统可借助例如键盘、鼠标、触摸屏、电子笔等的任何适合输入装置(未展示)从用户接收对缺陷及扰乱的选择。计算机子系统还可为用户显示一或多个选项，例如可指派给缺陷或扰乱以指示哪些缺陷或扰乱是重要的及哪些是不重要的一或多个标签或标记。
在一些此类实施例中，计算机子系统经配置以用于从用户接收指示缺陷中的一或多者中的哪些具有同一类型的输入。此输入可由计算机子系统以与上文所描述相同的方式接收(例如，使用由用户可能借助显示于显示器装置中的一或多个选项操纵的输入装置)。在发现结果的诊断及可视化阶段中，用户可识别重要DOI类型且基于类似性而将其分组。一般来说，DOI“群组”可为DOI“类型”相同的。然而，用户未必必须在此步骤中按类型组织DOI。举例来说，用户可基于类似性而将DOI分组(例如，对于用户来说其看起来有多类似及/或在用户认为其可具有同一DOI类型的情况下)，但用户还可选择(有意地或无意地)将在一些方面类似(即使其具有不同DOI类型)的DOI分组。以此方式，术语“DOI群组”可与术语DOI类型互换使用，其一些实例包含垂直尖端到尖端桥接件、水平开口、残留物等。然而，当涉及到手动分组时，指派给缺陷的(手动)分类不始终与OS的类型对准。在任一情形中，本文中所描述的实施例可经配置以允许用户以其愿意的任何方式将缺陷分组且可分析如本文中所描述的任何此类缺陷分组。当用户指派的群组中的缺陷输入到分类器时，由用户输入的缺陷分组还可由分类器修改。用户还可或可不指示扰乱中的哪些扰乱具有同一类型及/或可将扰乱中的一或多者分组。扰乱类型或群组可包含(举例来说)用户不在意的用户标记为实际缺陷的扰乱群组、用户标记为噪声的扰乱群组等。在本文中所描述的实施例中的任一者中，用户还可为OS会话图像抓取配置所要数目个缺陷(及可能扰乱)。以此方式，用户可执行“类型类似性”分组且然后决定哪一(哪些)缺陷类型应在OS中用于选择模式。
在另一此类实施例中，计算机子系统经配置以用于确定由用户选择的缺陷类型中的一或多者中的每一者的另一可分离性得分借此产生一或多个其它可分离性得分，且所述缺陷中的所述一或多者中的每一者的所述其它可分离性得分由针对由用户选择且使用利用多个模式中的一者产生的输出在样品上所检测到的缺陷中的一者的分类器的结果与针对使用利用所述模式中的所述一者产生的所述输出在样品上所检测到的扰乱的分类器的结果之间的比较之差定义。举例来说，一或多个计算机子系统可确定由用户关于每一模式所选择的每一重要DOI类型的可分离性得分。换句话说，可在DOI到DOI基础上(或每DOI)且针对不同模式中的每一者确定本文中所描述的可分离性得分。如此，针对如本文中所描述而感兴趣及/或经选择的DOI与光学模式的许多组合，可针对在第一光学模式中所检测到的第一DOI、在第二光学模式中所检测到的第一DOI等等确定可分离性得分，且可针对在第一光学模式中所检测到的第二DOI、在第二光学模式中所检测到的第二DOI等等确定可分离性得分。
还可针对一或多个DOI与利用其中检测所述一或多个DOI的模式所检测到的所有扰乱相比较来确定本文中所描述的这些及其它可分离性得分。举例来说，为了使光学模式能够检测其可检测到的所有(或一样多)DOI实例，在所述模式中，DOI实例中的每一者(或至少许多)必须可与所有扰乱分离(否则当检验是针对所述模式而设置时，将不可能在未检测到扰乱的情况下检测出DOI且不会在不遗漏DOI的情况下检测出任何扰乱)。因此，可针对一或多个DOI与在和所述DOI(针对其而确定可分离性得分)相同的模式中所检测到的所有扰乱相比较来确定本文中所描述的可分离性得分。
在一个此类实施例中，计算机子系统经配置以用于基于一或多个其它可分离性得分而选择由用户选择的缺陷中的一或多者的子集以借此选择所述缺陷中的所述一或多者中具有所述一或多个其它可分离性得分的最低值的至少一者，且基于所述一或多个可分离性得分与所述一或多个其它可分离性得分的组合而执行选择所述多个模式的所述子集。缺陷中的一或多者的子集可包含单个缺陷、所述缺陷中的一或多者、所述缺陷的一部分或甚至所述缺陷的实质性部分。举例来说，基于所述其它可分离性得分，计算机子系统可产生每一重要DOI群组的最佳缺陷候选者的经排名列表。特定来说，用于OS的最佳DOI通常将是具有是DOI的相对低置信度(即，低可分离性(置信度)值)的缺陷。可选择这些缺陷以供在OS中使用，这是因为那些缺陷是相对难以与扰乱分离的缺陷。这些缺陷趋向于是难以检测到(例如，由于相对弱信号)的相对较小缺陷。因此将那些缺陷包含于在OS期间考虑的缺陷中将是有利的，使得最大化关于此类缺陷的信号(及/或此类缺陷与扰乱的可分离性)的光学模式可存在于OS中。另外，基于其它可分离性得分，计算机子系统可按光学模式产生DOI实例与敏感度限制扰乱实例的更详细分解情形(即，不同扰乱源在不同模式中限制对DOI的敏感度)。以此方式，计算机子系统可经配置以执行对用户选定DOI类型的全面分析以从发现扫描识别针对所有候选模式的最佳DOI与扰乱事件集。
以此方式，本文中所描述的实施例可为OS会话选择最佳缺陷集(或子集)。如本文中进一步描述，OMSSA还可将用于将OS分析的光学模式中的一或多者排名。选定缺陷(及可能扰乱)集连同选定光学模式集(或子集)可用于OS，如本文中进一步描述。在本文中所描述的实施例中，计算机子系统可执行完全自动化缺陷选择及模式排名。然而，还可以更交互方法实施本文中所描述的实施例以用于调整搜索准则及输出(搜索准则是指为OS选择缺陷的自动化方式)。另外，OMSSA与OS的集成可不同于本文中所描述(例如，使得其完全经集成以无缝地一起用作单个单元(如在单个软件封装或模块中)，其经紧密地集成使得其似乎用作单个单元(即使其是不同单元)，或其可较松弛地集成使得其似乎用作不同单元及/或配置为不同单元)。举例来说，OMSSA与OS图像收集流程之间可存在或多或少交互及自适应连结。
在一个实施例中，计算机子系统经配置以用于确定多个模式中的一或多者中的每一者的发现效率借此产生一或多个发现效率，且一或多个模式中的每一者的发现效率是由使用利用所述模式中的一者产生的输出所捕获的DOI的数目定义。如本文中所使用的术语“发现效率”因此还可定义为在发现过程结束时在所述模式中实际上捕获多少DOI。因此，以一方式，发现效率及可分离性可为并进的(例如，实现比其它模式好的DOI-扰乱分离的模式一般也将具有比其它模式高的发现效率)。另外，计算机子系统可基于在自适应发现期间产生的数据而使用发现效率得分来进行OS的缺陷选择且将光学模式排名，这可如本文中进一步描述而执行。
在一些实施例中，计算机子系统经配置以用于针对多个模式的至少一部分确定一或多个可分离性得分的特性。举例来说，所述特性可为本文中所描述的定量测量中的一或多者的趋势。举例来说，所述特性可为经由重要DOI类型中的每一者的可分离性强度(DOI-扰乱可分离性)及任选地发现效率来量化的光学模式趋势。在另一实例中，计算机子系统可为一或多个DOI类型提供模式可分离性趋势及/或可分离性趋势。这些趋势可用于辅助OS会话的模式选择。另外，计算机子系统可依据信号、DOI-扰乱可分离性及发现效率为每一DOI群组提供光学模式趋势。可基于本文中所描述的得分或定量测量中的一或多者随模式的改变而表达或甚至量化所述趋势。因此，所述趋势可展示得分或测量在模式之间改变多少。所述趋势还可展示得分或测量在模式之间在特定方向上(从最高到最低或反之亦然)改变多少。取决于得分或测量是什么，可在不同方向上表达或量化不同得分或测量。举例来说，趋势可用于通过展示从最高到最低DOI-扰乱可分离性及/或最高到最低发现效率的趋势而表征从最好到最糟糕的光学模式，但情形并非始终如此。在一个此类实例中，可基于从最低到最高的得分或定量测量而确定表征从最好到最糟糕的光学模式的趋势(例如，在针对在光学模式中所检测到的扰乱量的趋势而检查光学模式的情况下)。可以任何适合方式(例如，以图形方式、以列表形式在数据结构中分类等)产生、描述、演示、量化等所述趋势。
一或多个计算机子系统进一步经配置以用于基于一或多个可分离性得分而选择检验子系统的多个模式的子集以用于检验与样品为相同类型的其它样品。可如本文中进一步描述而执行选择将实际上用于检验其它样品的多个模式的子集。举例来说，OMSSA产生可用于OS的输出，且OS的输出可为用于检验的检验子系统的多个模式的子集。来自发现分析的输出可包含用于OS分析的缺陷(DOI)与对应敏感度限制扰乱实例的列表。另外，所述输出可包含在发现模式之间的信号、可分离性及发现效率趋势以辅助OS分析的模式选择。可然后以任何适合方式且如本文中进一步描述而执行OS。
计算机子系统还可基于可分离性及发现效率得分而选择模式(及/或将模式排名)。举例来说，在一个实施例中，基于一或多个可分离性得分与一或多个发现效率的组合而执行选择多个模式的子集。特定来说，如本文中进一步描述，由计算机子系统确定的得分或其它定量测量中的任一者可用于确定光学模式的趋势或另一特性。取决于得分或测量，所述趋势还可经确定为模式之间的改变，例如，从最好到最糟糕或从最糟糕到最好。因此，所述趋势可基于从最好到最糟糕或反之亦然的那些趋势而有效地将光学模式排名。在一个此类实例中，光学模式基于个得分或测量的趋势及/或排名可与另一得分或测量组合使用以然后基于一个以上得分或排名而将光学模式重新排名。然后计算机子系统可基于光学模式的经修改排名而为OS会话选择光学模式。
在另一实施例中，计算机子系统经配置以用于确定多个模式中的一或多者中的每一者的总体度量借此产生一或多个总体度量，且所述一或多个模式中的每一者的总体度量定义为所述模式中的一者的可分离性得分及发现效率的函数。举例来说，发现效率及可分离性度量可合并成一个经组合度量。在一个此类实例中，总体度量可经确定为不同测量或得分的和(例如，总体度量＝发现效率+可分离性得分)。然而，可基于可分离性得分、发现效率、本文中所描述的任何其它得分或定量测量、趋势、排名等的任何其它适合函数而确定总体度量。举例来说，此类函数可包含经加权和、差、乘积、多项式、平均值等等。
在一个此类实施例中，基于一或多个总体度量而执行选择多个模式的子集借此还基于一或多个可分离性得分而选择多个模式的子集。可如本文中进一步描述而执行基于一或多个总体度量而选择多个模式的子集。所述子集可为所述模式中的仅一者或所述模式中的一者以上。
在一个实施例中，选择多个模式的子集包含：基于一或多个可分离性得分而选择多个模式的初始子集；利用所述多个模式的所述初始子集执行扫描；针对所述多个模式的所述初始子集重复确定可分离性得分的步骤；及基于针对所述多个模式的所述初始子集所确定的一或多个可分离性得分而选择所述多个模式的最后子集以用于检验与所述样品为相同类型的其它样品。举例来说，在OMSSA或OS会话之后，OMSSA或OS可输出几个(例如，3个到5个)最佳模式。如果这些最佳模式由OMSSA输出，那么计算机子系统可使用检验子系统来以自适应发现执行另一个或另一些样品扫描，这可如本文中进一步描述而执行。此自适应发现可包含已经存在于实施例的OMSSA阶段中的缺陷。计算机子系统然后可重复OMSSA中的可分离性分析以达到最佳模式。所述一或若干最佳模式然后可指定为多个模式的最后子集且用于检验其它样品。举例来说，每一缺陷类型可具有其自身的最佳模式，这又可导致多遍次(多光学模式)检验。
本文中所描述的实施例具有优于用于模式选择的其它当前使用的方法及系统的若干个优点。举例来说，本文中所描述的实施例基于在自适应发现期间产生的信息而针对每一缺陷类型及光学模式定义新缺陷-扰乱可分离性及发现效率度量。此类型的定量评分方法现今在OS设置会话期间是不可用的。另外，还可挖掘在自适应发现期间产生的数据以做出关于哪些缺陷应在OS会话中使用及哪些模式不应进一步探查或根本不应探查的更全面且更准确确定。此外，本文中所描述的实施例为OS提供远比当前可用的更加精细的信息。OMSSA的分析能力将使得可能识别最佳扰乱事件以跨越所有模式针对每一缺陷类型进行分析。每一光学模式可具有限制对DOI的敏感性的不同扰乱类型。OMSSA可找出所有光学模式所需要的所有扰乱事件的联合。另外，本文中所描述的实施例减少得出结果的时间且增加使用OS的容易性(与用于OS的当前使用的及其它可能方法及系统相比较)。举例来说，本文中所描述的实施例的一个替代方案是完全消除OS图像抓取及分析且替代地以更多模式执行发现。然而，OS图像抓取是基本上昂贵的，例如，花费大约5个小时到8个小时的工具时间，然后进行手动分析。替代地，在本文中所描述的实施例中，此时间可用于更详尽发现。
本文中所描述的系统的实施例中的每一者可与本文中所描述的系统的任何其它实施例组合。
另一实施例涉及一种用于选择用于检验样品的模式的计算机实施的方法。所述方法包含确定检验子系统的多个模式中的一或多者中的每一者的可分离性得分借此产生所述可分离性得分中的一或多者。如本文中所描述而定义所述一或多个模式中的每一者的所述可分离性得分。如本文中所描述而配置所述检验子系统。所述方法还包含基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品。所述确定所述可分离性得分的步骤及所述选择所述子集的步骤由计算机系统执行。
可如本文中进一步描述而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及/或计算机子系统或系统执行的任何其它步骤。由一或多个计算机子系统执行所述方法的所述步骤，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而配置。另外，可通过本文中所描述的系统实施例中的任一者来执行上文所描述的方法。
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令在计算机系统上执行以用于执行用于选择用于检验样品的模式的计算机实施的方法。在图3中展示一个此类实施例。特定来说，如图3中所展示，非暂时性计算机可读媒体300包含可在计算机系统304上执行的程序指令302。所述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那些的方法的程序指令302可存储于计算机可读媒体300上。所述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适合非暂时性计算机可读媒体的存储媒体。
可以包含基于程序的技术、基于组件的技术及/或面向对象的技术以及其它技术的各种方式中的任一者来实施程序指令。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(流式传输SIMD扩展)或者其它技术或方法来实施所述程序指令。
计算机系统304可根据本文中所描述的实施例中的任一者而配置。
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。所述结果可包含本文中所描述的结果中的任一者且可以所属领域中已知的任一方式来存储。所述存储媒体可包含本文中所描述的任何存储媒体或所属领域中已知的任何其它适合存储媒体。在已存储所述结果之后，所述结果可在存储媒体中存取且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、方法或系统等使用。举例来说，用于选定模式的信息可存储于检验处方中，使得当利用检验处方针对其它样品执行检验时，选定模式将用于产生针对其它样品的输出。
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进一步修改及替代实施例。举例来说，提供用于选择用于检验样品的模式的方法及系统。因此，此说明应视为仅为说明性的，且是出于教示所属领域的技术人员实施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视为目前优选的实施例。如所属领域的技术人员在受益于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，可颠倒部件及过程，且可独立地利用本发明的特定特征。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 (20)

1.一种经配置以选择用于检验样品的模式的系统，其包括：
检验子系统，其经配置以用于通过利用能量扫描样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的输出，其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的多个模式来产生所述输出；及
一或多个计算机子系统，其经配置以用于：
确定所述多个模式中的一或多者中的每一者的可分离性得分，借此产生一或多个可分离性得分，其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用利用所述多个模式中的一者产生的所述输出在所述样品上所检测到的具有第一所关注缺陷类型的缺陷的分类器的结果与针对使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义；及
基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品。
2.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用于确定所述多个模式中的所述一或多者中的每一者的发现效率，借此产生一或多个发现效率，且其中所述一或多个模式中的每一者的所述发现效率是由使用利用所述模式中的一者产生的所述输出所捕获的所关注缺陷的数目定义。
3.根据权利要求2所述的系统，其中基于所述一或多个可分离性得分与所述一或多个发现效率的组合而进一步执行选择所述多个模式的所述子集。
4.根据权利要求2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用于确定所述多个模式中的所述一或多者中的每一者的总体度量，借此产生一或多个总体度量，且其中所述一或多个模式中的每一者的所述总体度量被定义为所述模式中的一者的所述可分离性得分及所述发现效率的函数。
5.根据权利要求4所述的系统，其中基于所述一或多个总体度量而执行选择所述多个模式的所述子集，借此也基于所述一或多个可分离性得分而选择所述多个模式的所述子集。
6.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用于使用在所述扫描期间利用所述多个模式产生的所述输出检测所述样品上的事件且用于将所述事件输入到所述分类器中以借此将所述事件分离成所述缺陷及所述扰乱。
7.根据权利要求6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用于向用户显示所述缺陷及所述扰乱且从所述用户接收对所述缺陷中的一或多者及所述扰乱中的一或多者的选择。
8.根据权利要求7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用于从所述用户接收指示所述缺陷中的所述一或多者中的哪些具有相同类型的输入。
9.根据权利要求7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用于确定由所述用户选择的所述缺陷中的所述一或多者中的每一者的另一可分离性得分，借此产生一或多个其它可分离性得分，且其中所述缺陷中的所述一或多者中的每一者的所述其它可分离性得分是由针对由所述用户选择且使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的所述缺陷中的一者的所述分类器的所述结果与针对使用利用所述模式中的所述一者产生的所述输出在所述样品上所检测到的所述扰乱的所述分类器的所述结果之间的比较之差定义。
10.根据权利要求9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用于基于所述一或多个其它可分离性得分而选择由所述用户选择的所述缺陷中的所述一或多者的子集以借此选择所述缺陷中的所述一或多者中具有所述一或多个其它可分离性得分的最低值的至少一者，且其中基于所述一或多个可分离性得分与所述一或多个其它可分离性得分的组合而执行选择所述多个模式的所述子集。
11.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用于针对所述多个模式的至少一部分确定所述一或多个可分离性得分的特性。
12.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用于：使用在所述扫描期间利用所述多个模式产生的所述输出作为到缺陷检测方法的输入来检测所述样品上的事件；将所述事件输入到所述分类器中以借此将所述事件分离成所述缺陷及所述扰乱；更改所述缺陷检测方法的一或多个参数；以所述缺陷检测方法的所述一或多个经更改参数重复所述检测所述事件的步骤；及将通过所述检测步骤及所述重复所述检测的步骤而检测到的所述事件输入到所述分类器中以借此将所述事件分离成所述缺陷及所述扰乱。
13.根据权利要求12所述的系统，其中更改所述缺陷检测方法的所述一或多个参数包括：识别所述多个模式的一部分，所述多个模式的所述部分被预期能够检测数目比所述多个模式的另一部分多的所述缺陷；及仅选择在利用所述多个模式的所述经识别部分执行的所述扫描期间所产生的所述输出作为到所述缺陷检测方法的所述输入。
14.根据权利要求1所述的系统，其中选择所述多个模式的所述子集包括：基于所述一或多个可分离性得分而选择所述多个模式的初始子集；利用所述多个模式的所述初始子集执行所述扫描；针对所述多个模式的所述初始子集重复所述确定所述可分离性得分的步骤；及基于针对所述多个模式的所述初始子集所确定的所述一或多个可分离性得分而选择所述多个模式的最后子集以用于检验与所述样品为所述相同类型的所述其它样品。
15.根据权利要求1所述的系统，其中所述分类器被配置为扰乱筛选器。
16.根据权利要求1所述的系统，其中所述样品包括晶片。
17.根据权利要求1所述的系统，其中在所述样品上扫描的所述能量包括光，且其中从所述样品检测到的所述能量包括光。
18.根据权利要求1所述的系统，其中在所述样品上扫描的所述能量包括电子，且其中从所述样品检测到的所述能量包括电子。
19.一种存储程序指令的非暂时性计算机可读媒体，所述程序指令在计算机系统上执行以用于执行用于选择用于检验样品的模式的计算机实施的方法，其中所述计算机实施的方法包括：
确定检验子系统的多个模式中的一或多者中的每一者的可分离性得分，借此产生一或多个可分离性得分，其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用通过所述多个模式中的一者产生的输出在样品上所检测到的具有第一所关注缺陷类型的缺陷的分类器的结果与针对使用通过所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义，其中所述检验子系统经配置以用于通过利用能量扫描所述样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的所述输出，且其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的所述多个模式来产生所述输出；及
基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品，其中由所述计算机系统执行确定所述可分离性得分的步骤及选择所述子集的步骤。
20.一种用于选择用于检验样品的模式的计算机实施的方法，其包括：
确定检验子系统的多个模式中的一或多者中的每一者的可分离性得分，借此产生一或多个可分离性得分，其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用通过所述多个模式中的一者产生的输出在样品上所检测到的具有第一所关注缺陷类型的缺陷的分类器的结果与针对使用通过所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义，其中所述检验子系统经配置以用于通过利用能量扫描所述样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的所述输出，且其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的所述多个模式来产生所述输出；及
基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品，其中由一或多个计算机子系统执行确定所述可分离性得分的步骤及选择所述子集的步骤。
CN201980017247.5A 2018-03-28 2019-03-28 用于检验的模式选择的方法和系统 Active CN111837228B (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN201841011800 2018-03-28
IN201841011800 2018-03-28
US201862728705P 2018-09-07 2018-09-07
US62/728,705 2018-09-07
US16/364,098 US10670536B2 (en) 2018-03-28 2019-03-25 Mode selection for inspection
US16/364,098 2019-03-25
PCT/US2019/024445 WO2019191342A1 (en) 2018-03-28 2019-03-28 Mode selection for inspection

Publications (2)

Publication Number Publication Date
CN111837228A true CN111837228A (zh) 2020-10-27
CN111837228B CN111837228B (zh) 2021-11-30

Family

ID=68057078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980017247.5A Active CN111837228B (zh) 2018-03-28 2019-03-28 用于检验的模式选择的方法和系统

Country Status (5)

Country Link
US (1) US10670536B2 (zh)
KR (1) KR102472309B1 (zh)
CN (1) CN111837228B (zh)
TW (1) TWI791806B (zh)
WO (1) WO2019191342A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10867108B2 (en) * 2018-09-18 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Optical mode optimization for wafer inspection
US10801968B2 (en) 2018-10-26 2020-10-13 Kla-Tencor Corporation Algorithm selector based on image frames
US11379969B2 (en) * 2019-08-01 2022-07-05 Kla Corporation Method for process monitoring with optical inspections
US11415531B2 (en) * 2019-10-11 2022-08-16 KLA Corp. Statistical learning-based mode selection for multi-mode inspection
KR20210134129A (ko) * 2020-04-29 2021-11-09 삼성전자주식회사 웨이퍼 검사 장치 및 방법
CN116324879A (zh) * 2020-09-21 2023-06-23 分子装置有限公司 用于开发成像配置以优化显微镜系统的性能的方法和系统
DE102021207130A1 (de) * 2021-07-07 2023-01-12 Zf Friedrichshafen Ag System, Verfahren und Computerprogramm zur automatisierten Befundung wenigstens eines Bauteils

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030025904A1 (en) * 2001-04-03 2003-02-06 Hitachi, Ltd. Method and apparatus for inspecting defects
US20110050703A1 (en) * 2009-08-25 2011-03-03 Siemens Corporation Method and system for interactive segmentation using texture and intensity cues
CN106537125A (zh) * 2014-07-22 2017-03-22 科磊股份有限公司 具有多种模式的虚拟检验系统
CN107003249A (zh) * 2014-11-04 2017-08-01 科磊股份有限公司 晶片缺陷发现

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5006040B2 (ja) * 2003-09-04 2012-08-22 ケーエルエー−テンカー コーポレイション 異なる検査パラメータを使用する試験片の検査のための方法とシステム
EP1766363A2 (en) 2004-07-12 2007-03-28 Negevtech Ltd. Multi mode inspection method and apparatus
US7570797B1 (en) * 2005-05-10 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for generating an inspection process for an inspection system
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
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
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
US8948494B2 (en) 2012-11-12 2015-02-03 Kla-Tencor Corp. Unbiased wafer defect samples
US9222895B2 (en) 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
US9310320B2 (en) * 2013-04-15 2016-04-12 Kla-Tencor Corp. Based sampling and binning for yield critical defects
US9638644B2 (en) 2013-08-08 2017-05-02 Camtek Ltd. Multiple mode inspection system and method for evaluating a substrate by a multiple mode inspection system
US9430743B2 (en) 2014-03-06 2016-08-30 Kla-Tencor Corp. Composite defect classifier
US9613411B2 (en) 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US10338004B2 (en) 2014-03-27 2019-07-02 KLA—Tencor Corp. Production sample shaping that preserves re-normalizability
US9582869B2 (en) 2014-10-19 2017-02-28 Kla-Tencor Corp. Dynamic binning for diversification and defect discovery
US9835566B2 (en) * 2015-03-03 2017-12-05 Kla-Tencor Corp. Adaptive nuisance filter
US20170069075A1 (en) * 2015-09-04 2017-03-09 Canon Kabushiki Kaisha Classifier generation apparatus, defective/non-defective determination method, and program
US10436720B2 (en) 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
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
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
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
US10395356B2 (en) 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
US11580398B2 (en) 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10267748B2 (en) 2016-10-17 2019-04-23 Kla-Tencor Corp. Optimizing training sets used for setting up inspection-related algorithms
US10395362B2 (en) 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10733744B2 (en) 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US10769761B2 (en) 2017-06-30 2020-09-08 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10607119B2 (en) 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
US10748271B2 (en) * 2018-04-25 2020-08-18 Applied Materials Israel Ltd. Method of defect classification and system thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030025904A1 (en) * 2001-04-03 2003-02-06 Hitachi, Ltd. Method and apparatus for inspecting defects
US20110050703A1 (en) * 2009-08-25 2011-03-03 Siemens Corporation Method and system for interactive segmentation using texture and intensity cues
CN106537125A (zh) * 2014-07-22 2017-03-22 科磊股份有限公司 具有多种模式的虚拟检验系统
CN107003249A (zh) * 2014-11-04 2017-08-01 科磊股份有限公司 晶片缺陷发现

Also Published As

Publication number Publication date
CN111837228B (zh) 2021-11-30
TW202004936A (zh) 2020-01-16
US10670536B2 (en) 2020-06-02
KR20200127259A (ko) 2020-11-10
KR102472309B1 (ko) 2022-11-29
WO2019191342A1 (en) 2019-10-03
US20190302031A1 (en) 2019-10-03
TWI791806B (zh) 2023-02-11

Similar Documents

Publication Publication Date Title
CN111837228B (zh) 用于检验的模式选择的方法和系统
CN106537125B (zh) 具有多种模式的虚拟检验系统
JP5619776B2 (ja) ウエハの検査のための１つまたは複数のパラメータの選択方法
JP7200113B2 (ja) 深くスタック化された層を有するウェハにおいて欠陥分類器を訓練して適用するためのシステムと方法
US10436720B2 (en) Adaptive automatic defect classification
US10267748B2 (en) Optimizing training sets used for setting up inspection-related algorithms
JP5865585B2 (ja) ウエハーの層の検査に用いる候補として検査装置の一つ以上の光学モードを同定するためにコンピューターにより実施する方法、コンピューター可読の媒体、および装置
TWI683103B (zh) 於樣品上判定所關注圖案之一或多個特性
JP4230838B2 (ja) 欠陥検査装置における検査レシピ設定方法および欠陥検査方法
CN109844919B (zh) 优化用于设置检验相关算法的训练组
US10832396B2 (en) And noise based care areas
JP2017516107A (ja) 光学式検査及び光学式レビューからの欠陥属性に基づく電子ビームレビューのための欠陥サンプリング
TWI843901B (zh) 用於選擇用於檢測樣品之一或多個模式之系統及方法以及非暫時性電腦可讀媒體

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