CN111837229A - 扫描电子显微镜图像中的半监督异常检测 - Google Patents

扫描电子显微镜图像中的半监督异常检测 Download PDF

Info

Publication number
CN111837229A
CN111837229A CN201980017256.4A CN201980017256A CN111837229A CN 111837229 A CN111837229 A CN 111837229A CN 201980017256 A CN201980017256 A CN 201980017256A CN 111837229 A CN111837229 A CN 111837229A
Authority
CN
China
Prior art keywords
image
model
processor
encoder
wafer
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
CN201980017256.4A
Other languages
English (en)
Inventor
吕劭宇
贺力
S·梵卡泰若曼
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
Priority to CN202211114873.6A priority Critical patent/CN115393341A/zh
Publication of CN111837229A publication Critical patent/CN111837229A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

基于自动编码器的半监督方法用于异常检测。可使用这些方法发现半导体晶片上的缺陷。模型可包含变分自动编码器，例如包含梯形网络的变分自动编码器。无缺陷或干净图像可用于训练所述模型，所述模型随后用于发现缺陷或其它异常。

Description

扫描电子显微镜图像中的半监督异常检测
相关申请案的交叉参考
本申请案主张2018年3月19日申请且指定为第62/644,962号美国申请案的临时专利申请案的优先权，所述申请案的揭示内容以引用的方式并入本文中。
技术领域
本发明涉及图像中的异常检测，且更特定来说，涉及扫描半导体晶片的电子显微镜图像时的异常检测。
背景技术
半导体制造行业的演进对良率管理及特定来说计量及检验系统提出越来越高的要求。临界尺寸不断缩小，而行业需要减少实现高良率、高价值生产的时间。最小化从检测到良率问题到解决它的总时间决定了半导体制造商的投资报酬率。
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印到布置于半导体晶片上的光致抗试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。可在单个半导体晶片上的布置中制造多个半导体装置且接着将其分离为个别半导体装置。
在半导体制造期间的各个步骤使用检验过程来检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终是制造例如集成电路(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，检验对于成功制造可接受半导体装置变得甚至更为重要，这是因为较小缺陷可导致装置故障。例如，随着半导体装置的尺寸减小，缩小大小的缺陷的检测已变得必要，这是由于甚至相对小的缺陷也可导致半导体装置中的非所要像差。
然而，随着设计规则缩小，半导体制造工艺可更接近于工艺的性能能力的限制而操作。另外，随着设计规则缩小，较小缺陷可影响装置的电参数，此驱使更灵敏的检验。随着设计规则缩小，通过检验检测到的潜在良率相关缺陷的群体显著增长，且通过检验检测到的扰乱点(nuisance)缺陷的群体也显著增加。因此，可在晶片上检测到更多缺陷，且校正工艺以消除全部缺陷可能是困难且昂贵的。确定哪些缺陷实际上影响装置的电参数及良率可允许工艺控制方法专注于所述缺陷，同时大体上忽略其它缺陷。此外，在较小设计规则下，工艺引发的故障在一些情况中倾向于是系统性的。即，工艺引发的故障倾向于在通常在设计内重复许多次的预定设计图案下发生故障。空间系统性、电相关缺陷的消除可影响良率。
随着半导体装置的大小缩小，例如使用扫描电子显微镜(SEM)的检验变得更必要。在检验中使用的当前算法倾向于需要定制化特征。在系统中涉及学习，但其倾向于以特用方式且按高阶在通常涉及SEM重检的回路中发生，其中检验结果被视为真正缺陷、假警报、扰乱点等。工艺相关原因与操作者观察效应的能力之间的关系如此复杂，使得常规方法不适合于集中在完全利用用于控制半导体制造工艺的检验设备的原始能力的配方上。
SEM图像中的异常检测(例如，缺陷检测)使用人工方法来执行。在使用电子束检验之前，操作者使用来自另一工具(例如光学检验工具)的关于缺陷群体的信息。接着，操作者依靠统计数据来找到异常图案的位置或仅通过重检SEM图像而视觉地搜索缺陷。这是人工技术，其是繁琐且易出错的。操作者的视觉重检可为耗时的。
SEM图像中的异常检测(例如，缺陷检测)还使用监督机器学习来执行。操作者标注SEM图像上的缺陷以产生训练集来训练机器学习模型。接着，此模型可用于检验。如同其它先前技术，这是一部分人工技术，其是繁琐且易出错的。由于缺陷的微小特性，标注过程倾向于是困难的。举例来说，不同操作者可对“异常”图案看起来是什么样子具有不同定义。此在异常检测期间产生意外错误行为。此外，与标称群体相比，异常群体通常是小的。操作者需要在标称图案的庞大群体中找到异常图案，此可为挑战性的。
因此，需要改进异常检测技术。
发明内容
在第一实施例中提供一种系统。所述系统包括晶片检验工具及与所述晶片检验工具电子通信的处理器。所述晶片检验工具经配置以产生晶片的图像，且包含电子束源及检测器。所述处理器操作经配置以找到所述图像中的一或多个异常的模型。仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。
所述晶片检验工具可为SEM。
所述模型可包含变分自动编码器(variational autoencoder)。所述变分自动编码器可包含梯形网络。
在第二实施例中提供一种方法。在处理器处接收晶片的图像。所述处理器操作经配置以找到所述图像中的一或多个异常的模型。仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。使用所述模型确定所述图像中一或多个异常的存在。
所述图像可为SEM图像。
所述训练可使用标称图案。
所述模型可包含变分自动编码器。所述变分自动编码器可包含梯形网络。
所述方法可进一步包含使用晶片检验工具获得所述图像。在例子中，所述晶片检验工具是SEM。
所述一或多个异常可各自为异常图块或异常区域中的一者。
所述方法可进一步包含使用所述处理器在特征空间中确定所述图像与所述无缺陷训练图像之间的距离且使用所述处理器基于所述距离而确定所述图像是否是离群值。
所述方法可进一步包含使用所述处理器使用以自动编码器作为产生器且以卷积神经网络作为鉴别器的产生性对抗式网络确定所述图像是否是离群值。
在第三实施例中提供一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体包括用于在一或多个运算装置上执行模型的一或多个程序。仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。所述模型经配置以接收晶片的图像且确定所述图像中一或多个异常的存在。
所述图像可为SEM图像。
可使用标称图案训练所述模型。
所述模型可包含变分自动编码器。所述变分自动编码器可包含梯形网络。
所述模型可经配置以执行离群值检测，借此检测异常。
附图说明
出于更完全理解本发明的性质及目的，应参考结合所附图式进行的以下详细描述，其中：
图1是根据本发明的方法的实施例的流程图；
图2说明使用自动编码器进行工作流程操作，包含在干净位点上训练自动编码器且对可含有缺陷的测试位点运行推理；
图3说明包含编码器及解码器的变分自动编码器的架构；
图4说明示范性深度卷积神经网络及梯形变分自动编码器架构；
图5说明使用自动编码器输入及重建异常SEM图块；
图6是重建误差直方图，其中可基于阴影看见实况；
图7A到7C是100个步骤、200个步骤及2000个步骤之后的重建误差直方图；
图8说明在200个步骤之后使用自动编码器输入及重建SEM图块；
图9说明在2000个步骤之后使用自动编码器输入及重建SEM图块；及
图10是根据本发明的系统的实施例的框图。
具体实施方式
尽管将依据某些实施例描述所主张的标的物，但其它实施例(包含未提供本文中阐述的全部益处及特征的实施例)还在本发明的范围内。可在不脱离本发明的范围的情况下做出各种结构、逻辑、过程步骤及电子改变。因此，仅参考所附权利要求书界定本发明的范围。
基于自动编码器的半监督方法用于异常(例如，缺陷)检测。虽然监督或非监督方法是可能的，但监督机器学习需要繁琐且昂贵的人工标记过程且非监督机器学习方法难以适应不同数据。因此，代替监督或非监督方法，可使用半监督异常检测方法。半监督方法可需要较少人工步骤，例如选择干净SEM图像。
本文中揭示的实施例使用半监督机器学习进行异常检测。通过半监督，操作者提供训练数据集。然而，操作者仅需为训练数据集选择干净SEM图像，这可比标注缺陷图像更容易。
图1是方法100的实施例的流程图。在101收集标称图案以形成训练集。这些标称图案可不包含像素标记。在实例中，SEM图像可用作训练集。
在例子中，训练集包含半导体结构、裸片或半导体晶片表面的部分的图像。训练集中仅可存在干净(例如，无缺陷)图像。训练集中的干净图像可标记为干净、无缺陷或另一类似标记。训练集的像素级标注可为不必要的，因为训练集仅包含干净图像。
具有缺陷的图像可用于验证模型。举例来说，具有缺陷的图像可用于验证或可用作测试图像。具有缺陷的经标记图像或图像中的经标记缺陷可用于验证模型。具有缺陷的未标记图像可用于测试模型。
返回到图1，在102使用半监督机器学习训练模型。此可使用标称图案，在此例子中，所述标称图案包含无缺陷训练图像。模型经训练以表示标称图案的分布。
在103使用处理器应用模型以找到图像图块中的一或多个异常。模型可产生重建误差及/或概率。模型可通过检查图块级重建误差及/或概率而预测图块是否异常。可通过对像素级重建误差及/或概率阈值化而识别异常区域。
举例来说，在103可通过应用模型而从输入SEM图像产生重建图像。
自动编码器可最佳地在重复图案(如阵列或点)上执行。如产生性对抗式网络(GAN)的其它方法可用于重建更复杂图案。
在104，使用模型确定图像中一或多个异常的存在。阈值重建误差或概率可用于找到图像中的异常图块或区域。举例来说，在104可计算重建SEM图像与原始SEM图像之间的差异以定位异常图案(例如，缺陷)。
可在103之前或在104之前于处理器处接收晶片的图像。图像可为SEM图像。可使用晶片检验工具(例如SEM)获得晶片的图像。
在例子中，模型包含变分自动编码器。变分自动编码器可包含梯形网络。自动编码器还可为卷积神经网络(CNN)自动编码器或其它类型的自动编码器。
变分自动编码器可提供用于描述潜在空间中的观察的概率方式。因此，变分自动编码器可描述各潜在属性的概率分布。可依据潜在属性描述每一输入图像，例如使用每一属性的概率分布。变分自动编码器可在工作流程操作期间使用编码器及解码器，如图2中所见。可在干净位点上训练自动编码器且可对可含有缺陷的测试位点运行推理。图3中可见包含编码器及解码器的变分自动编码器的架构。
如图3中所见，x代表输入变量且z是处于较低维隐藏空间中的潜在变量。针对编码，f(x)代表从x到z的编码器映射，其由n组仿射映射(经由W及b)接着非线性σ(参见等式1)形成，其中n是隐藏层的数目，且
Figure BDA0002666574970000051
指示卷积。针对解码，g(z)表示导致重建资料
Figure BDA0002666574970000052
的复杂解码过程，其在类似于编码器的神经网络的结构中模型化。
具有单个隐藏层的神经网络具有分别如等式1及等式2中的编码器及解码器。
Figure BDA0002666574970000053
Figure BDA0002666574970000054
等式1及等式2描述确定性编码及解码映射。变分自动编码器(VAE)致力于模型化分布而非潜在变数的实值。如图3中，qφ(z|x)是近似后验且pθ(z)是潜在变数z的先验分布。损失函数(等式3)致力于最小化后验与先验分布之间的KL散度(DKL)且使用权重λ最小化重建误差(等式4)。n是层数。
Figure BDA0002666574970000055
变分自动编码器的优点是其潜在变量是随机变量。有时，标称及缺陷数据可共享相同平均值，但其偏差可为不同的。变分自动编码器考虑原始输入与重建数据之间的分布差异，此改进精确性及稳健性。
变分自动编码器原理可包含下列两个特征。可通过神经网络(例如CNN)模型化近似后验。在例子中，f(x)输出一个实现的近似后验q及样本z的参数。针对潜在变数的先验分布，假定各向同性分布(例如，伯努利(Bernoulli)针对二进制值且多变元高斯(Multivariate Gaussian)针对连续值)，且可针对一个实现对z取样。
与不具有梯形网络的变分自动编码器或传统自动编码器相比，用于变分自动编码器的梯形网络可提供改进结果。在例子中，用于变分自动编码器的梯形网络可为连续值图像提供改进结果。
代替深度CNN架构，可选择梯形架构。图4说明深度CNN变分自动编码器(左)及梯形变分自动编码器(右)的推理及产生模型。圆形指示随机节点且菱形指示确定性节点。双线指示条件概率，实线指示确定性映射，虚线指示通过KL散度(等式3)匹配先验pθ(z)与后验qφ(z|x)的正则化。梯形变分自动编码器通过经由额外正则化连接浅层而克服过度拟合。
然而，在另一实例中，CNN包含于变分自动编码器的编码器及解码器部分中。
本文中揭示的方法的实施例可用作重复图案(如阵列图案)的缺陷检测。如果标称图案是简单且可重复的图案(例如阵列图案)，那么可使用所揭示的变分自动编码器检测任何类型的半导体缺陷。还可检测更复杂图案，且简单且可重复的图案仅作为实例列出。此外，其它半监督或非监督技术可用于改进具有更复杂图案的性能。可识别这些图案的离群值。可识别缺陷(例如举例来说粒子、缺失空隙、灰度改变或较薄鳍片)。还可识别其它类型的缺陷。
本文中描述的方法的实施例可经配置以执行离群值检测。此可用于检测异常。
在第一实施例中，可使用特征空间中的距离确定离群值。从无缺陷训练图像提取一些机器学习特征向量。当在测试工作运行期间传入新图像时，可从这些新图像提取相同类型的特征向量。可确定一个新图像的特征向量与全部无缺陷训练图像的特征向量的距离。如果距离超过阈值，那么新图像被视为离群值。举例来说，可确定无缺陷训练数据中的图像数据集的质心。可确定新图像与此质心之间的距离，其可用于找到离群值。
在第二实施例中，可使用以一个CNN作为其鉴别网络的GAN确定离群值。GAN由两个网络组成：产生器网络，其后接着鉴别器网络。自动编码器可用作产生器且CNN可用作鉴别器。自动编码器的全部训练图像可为标称的(即，无缺陷)。可通过此自动编码器使用这些训练图像作为实例产生重建图像。一些看起来更真(如标称图像)且一些看起来更假(如异常图像)。鉴别器的工作是从这些所产生图像确定哪些是真的且哪些是假的。在训练结束之后，鉴别器网络将有能力确定哪个图像是标称(真)而哪个图像是异常(假)。因此，可将新图像(测试图像)传递到CNN鉴别器网络以找出图像是否异常。以此方式，GAN可用于找到新数据中的离群值。
本文中揭示的方法的实施例可用作扰乱点过滤器而非受监督的分类。如果存在现有检测模型，那么输出将为具有高缺陷可能的SEM图块图像。可使用来自相同SEM层的干净位点的相同图块大小图像训练半监督模型，接着可将检测输出图块传递到此模型。将过滤具有较高重建误差的缺陷图块。扰乱点图块在此过滤器之后将标记为干净。
半监督流程最小化异常检测的操作者交互。此避免操作者对缺陷的繁琐且易出错的人工标记。此可免除对搜索或涂绘缺陷的需要，此减少提供数据以训练模型所需的时间。
仅标称图案可用于训练模型以检测异常，此可减小操作者训练机器模型的负担。因此，可仅需干净SEM图像。因此，由于标称图案倾向于主导大多数群体，所以存在可使用的大量可能训练数据。此避免或减少经标记缺陷图像的数目。因此，可潜在地避免复杂人工智能模型的过度拟合。
半监督流程还可提供改进性能。凭借监督机器学习，有限数据可用于训练。然而，凭借本文中揭示的实施例，由于仅需干净SEM图像，所以可使用大量数据。此可在缺陷检测中产生较好捕获率及扰乱点率。
通过学习干净图像看起来的样子，在新图像的重建期间的重建误差将指示新图像中是否存在缺陷。使用干净图像及缺陷图像训练可能损坏模型。
本文中揭示的实施例可通过减少设置时间而提供处理量改进。模型训练的数据准备可更快。举例来说，针对整个图像标记干净图像比缺陷位置的像素级标注快得多。
在另一实施例中，非监督机器学习算法可用于此方法而无需人工标注图像。代替半监督机器学习，执行非监督机器学习。使用非监督学习可增加复杂性。由于异常数据点少于标称数据点，所以可能难以模型化其分布且分离异常数据点与标称数据点。虽然可能，但可能难以训练拟合来自不同层及装置的SEM图像的模型。可代替地使用半监督机器学习，其利用大量容易获得的标称数据点以及找到干净图像所需的最小量操作者时间。
图5说明使用自动编码器输入及重建SEM图块。由于训练集仅含有背景图块，所以未重建缺陷区域。因此，异常图块将具有较高重建误差。
图6是重建误差的图表。阈值用于区分异常与标称。在一个测试中，捕获率是100％且扰乱点率是27.8％。使用不同宽度及阴影说明图6中的扰乱点及缺陷结果。
重建误差可定义为原始输入向量x与重建
Figure BDA0002666574970000081
之间的差异，如等式(4)中。
Figure BDA0002666574970000082
由于变分自动编码器模型化标称数据的分布，所以异常预期具有较高重建误差(等式4)。图6展示重建误差可展现两种模态分布，这使自动阈值化能够分离异常与标称。举例来说，大津(Otsu)算法可应用于对数尺度重建误差以更好地利用动态范围，但将其映射回到原始尺度以进行绘图。此行得通，因为重建概率与重建误差的对数尺度成比例且AVE将重建概率模型化为高斯分布。
图7A到7C是100个步骤、200个步骤及2000个步骤之后的重建误差的图表。这使用与图5相同的训练输入数据，其包含阵列状标称SEM图像。可在图2中描述工作流程。干净图像仅用于训练自动编码器。在100个步骤、200个步骤及2000个步骤内使用相同训练数据训练不同自动编码器模型。接着传入含有具有缺陷的一些图像的验证数据。图8展示具有缺陷的输入图像及使用这三个经训练自动编码器模型重建的图像。训练步骤越多，重建图像越好。然而，依据误差直方图分离，200步模型可足以分离异常与标称验证图像，但可执行更长训练以获得更好重建图像。使用不同宽度及阴影说明图7A到7C中的扰乱点及缺陷结果。
图8说明在200个步骤之后使用自动编码器输入及重建SEM图块。图9说明在2000个步骤之后使用自动编码器输入及重建SEM图块。
图10是系统200的实施例的框图。系统200包含经配置以产生晶片204的图像的晶片检验工具(其包含电子柱201)。
晶片检验工具包含输出获取子系统，所述输出获取子系统包含至少能量源及检测器。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，引导到晶片204的能量包含电子，且从晶片204检测的能量包含电子。以此方式，能量源可为电子束源。在图10中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202的电子柱201。卡盘(未说明)可固持晶片204。
还如图10中展示，电子柱201包含电子束源203，电子束源203经配置以产生由一或多个元件205聚焦到晶片204的电子。电子束源203可包含例如阴极源或发射器尖端。一或多个元件205可包含例如枪透镜、阳极、光束限制孔隙、闸阀、光束电流选择孔隙、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类合适元件。
可通过一或多个元件206将从晶片204返回的电子(例如，二次电子)聚焦到检测器207。一或多个元件206可包含例如扫描子系统，所述扫描子系统可为包含于元件205中的相同扫描子系统。
电子柱还可包含所属领域中已知的任何其它合适元件。
尽管电子柱201在图10中展示为经配置使得电子按倾斜入射角引导到晶片204且按另一倾斜角从晶片204散射，但应理解，电子束可按任何合适角引导到晶片204且从晶片204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晶片204的图像(例如，用不同照明角、收集角等)。基于电子束的输出获取子系统的多个模式可在输出获取子系统的任何图像产生参数方面不同。
计算机子系统202可如上文描述那样耦合到检测器207。检测器207可检测从晶片204的表面返回的电子，借此形成晶片204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202可经配置以使用检测器207的输出及/或电子束图像来执行本文中描述的功能中的任一者。计算机子系统202可经配置以执行本文中描述的任何额外步骤。包含图10中展示的输出获取子系统的系统200可如本文中描述那样进一步配置。
应注意，本文中提供图10以大体上说明可用于本文中描述的实施例中的基于电子束的输出获取子系统的配置。如通常在设计商业输出获取系统时执行，本文中描述的基于电子束的输出获取子系统布置可经更改以优化输出获取子系统的性能。另外，本文中描述的系统可使用现有系统实施(例如，通过将本文中描述的功能性添加到现有系统)。对于一些此类系统，本文中描述的方法可被提供为系统的选用功能性(例如，除系统的其它功能性之外)。替代地，本文中描述的系统可被设计为全新系统。
尽管输出获取子系统在上文被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。可如图10中展示那样配置此输出获取子系统，惟可用所属领域中已知的任何合适离子束源替换电子束源除外。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、氦离子显微镜(HIM)系统及二次离子质谱仪(SIMS)系统中的彼等。
计算机子系统202包含处理器208、电子数据存储媒体209及机器学习模块210。处理器208可包含微处理器、微控制器或其它装置。机器学习模块210被说明为与处理器208分离，但可在处理器208及/或电子数据存储媒体209上运行、存储于处理器208及/或电子数据存储媒体209上或以其它方式作为处理器208及/或电子数据存储媒体209的部分。计算机子系统202任选地可与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。
计算机子系统202可以任何合适方式(例如，经由一或多个传输媒体，其或其可包含有线及/或无线传输媒体)耦合到系统200的组件，使得处理器208可接收输出。处理器208可经配置以使用输出执行数个功能。晶片检验工具可从处理器208接收指令或其它信息。处理器208及/或电子数据存储单元209任选地可与另一晶片检验工具、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。
处理器208与晶片检验工具(例如与检测器207)电子通信。处理器208可经配置以处理使用来自检测器207的量测产生的图像。处理器208可经配置以使用模型找到所述图像或所述图像中的一或多个异常。可使用半监督机器学习训练模型。
在例子中，模型包含变分自动编码器。变分自动编码器可包含梯形网络。机器学习模块210可用于产生在处理器208上运行的模型。机器学习模块210可与训练集的图像源(例如数据库)电子通信或在电子数据存储媒体上驱动。
本文中描述的计算机子系统202、其它系统或其它子系统可为各种系统的部分，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。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，例如平行处理器。另外，子系统或系统可包含作为单独或网络化工具的具有高速处理及软件的平台。
处理器208及电子数据存储单元209可安置于系统200或另一装置中或以其它方式作为系统200或另一装置的部分。在实例中，处理器208及电子数据存储单元209可为单独控制单元的部分或在集中式质量控制单元中。可使用多个处理器208或电子数据存储单元209。
在实践中，处理器208可通过硬件、软件及固件的任何组合实施。同样地，如本文中描述的其功能可通过一个单元执行，或在不同组件间划分，所述组件中的每一者可又通过硬件、软件及固件的任何组合实施。供处理器208实施各种方法及功能的程序代码或指令可存储于可读存储媒体(例如电子数据存储单元209中的存储器或其它存储器)中。
如果系统200包含一个以上计算机子系统202，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等。举例来说，一个子系统可通过任何适当传输媒体耦合到额外子系统，所述传输媒体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。此类子系统中的两者或两者以上还可通过共享计算机可读存储媒体(未展示)有效耦合。
处理器208可经配置以使用系统200的输出或其它输出执行数个功能。例如，处理器208可经配置以将输出发送到电子数据存储单元209或另一存储媒体。处理器208可如本文中描述那样进一步配置。
处理器208或计算机子系统202可为缺陷重检系统、检验系统、计量系统或某其它类型的系统的部分。因此，本文中揭示的实施例描述可针对具有或多或少适合于不同应用的不同能力的系统以数个方式定制的一些配置。
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，使得可在子系统之间发送图像、数据、信息、指令等。举例来说，一个子系统可通过任何适当传输媒体耦合到额外子系统，所述传输媒体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。此类子系统中的两者或两者以上还可通过共享计算机可读存储媒体(未展示)有效耦合。
处理器208可根据本文中描述的实施例中的任一者配置。处理器208还可经配置以使用系统200的输出或使用来自其它源的图像或数据执行其它功能或额外步骤。
在另一实施例中，处理器208可以所属领域中已知的任何方式通信地耦合到系统200的各种组件或子系统中的任一者。举例来说，处理器208可经配置以通过可包含有线及/或无线部分的传输媒体接收及/或获取来自其它系统的数据或信息(例如，来自例如重检工具的检验系统的检验结果、包含设计数据的远程数据库及类似物)。以此方式，传输媒体可充当处理器208与系统200的其它子系统或系统200外部的系统之间的数据链路。
在一些实施例中，系统200的各种步骤、功能及/或操作及本文中揭示的方法由以下中的一或多者实行：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、微控制器或运算系统。实施方法(例如本文中描述的方法)的程序指令可透过载体媒体传输或存储于载体媒体上。载体媒体可包含存储媒体，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、磁带及类似物。载体媒体可包含传输媒体，例如电线、电缆或无线传输链路。例如，贯穿本发明描述的各种步骤可由单处理器208(或计算机子系统202)或替代地多个处理器208(或多个计算机子系统202)实行。举例来说，系统200的不同子系统可包含一或多个运算或逻辑系统。因此，上文描述不应被解释为对本发明的限制而仅为图解。
额外实施例涉及存储可在处理器上执行的程序指令的非暂时性计算机可读媒体。特定来说，处理器(例如处理器208)可耦合到具有包含可执行程序指令的非暂时性计算机可读媒体(例如电子数据存储媒体209)的电子数据存储媒体中的存储器。计算机实施方法可包含本文中描述的任何方法的任何步骤。举例来说，处理器208可经编程以执行方法100的实施例的一些或全部步骤。电子数据存储媒体209中的存储器可为存储媒体，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。
程序指令可以各种方式中的任一者实施，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。举例来说，可根据需要使用ActiveX控件、C++对象、JavaBeans、微软基础类别(MFC)、流式SIMD扩展(SSE)或其它技术或方法实施程序指令。
在实施例中，一或多个程序包含于非暂时性计算机可读存储媒体(例如电子数据存储媒体209)上。一或多个程序用于在一或多个运算装置上执行步骤。举例来说，缺陷检测模型可包含于电子数据存储媒体209上。可使用半监督机器学习训练模型。可使用处理器操作的模型可经配置以接收晶片的图像且确定图像中一或多个异常的存在。图像可为SEM图像。可使用标称图案或仅使用无缺陷训练图像训练模型。模型可包含变分自动编码器，例如包含梯形网络的变分自动编码器。
可如本文中描述那样执行所述方法的步骤中的每一者。所述方法还可包含可通过本文中描述的处理器及/或计算机子系统或系统执行的任何其它步骤。通过一或多个计算机系统执行步骤，所述一或多个计算机系统可根据本文中描述的实施例中的任一者配置。另外，可通过本文中描述的系统实施例中的任一者执行上文描述的方法。
尽管已参考一或多个特定实施例描述本发明，但将理解，可在不脱离本发明的范围的情况下制作本发明的其它实施例。因此，本发明被视为仅受所附权利要求书及其合理解释限制。

Claims (20)

1.一种系统，其包括：
晶片检验工具，其经配置以产生晶片的图像，其中所述晶片检验工具包含电子束源及检测器；及
处理器，其与所述晶片检验工具电子通信，其中所述处理器操作经配置以找到所述图像中的一或多个异常的模型，其中仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。
2.根据权利要求1所述的系统，其中所述晶片检验工具是扫描电子显微镜。
3.根据权利要求1所述的系统，其中所述模型包含变分自动编码器。
4.根据权利要求4所述的系统，其中所述变分自动编码器包含梯形网络。
5.一种方法，其包括：
在处理器处接收晶片的图像，其中所述处理器操作经配置以找到所述图像中的一或多个异常的模型，其中仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型；及
使用所述模型确定所述图像中一或多个异常的存在。
6.根据权利要求5所述的方法，其中所述图像是扫描电子显微镜图像。
7.根据权利要求5所述的方法，其中所述训练使用标称图案。
8.根据权利要求5所述的方法，其中所述模型包含变分自动编码器。
9.根据权利要求8所述的方法，其中所述变分自动编码器包含梯形网络。
10.根据权利要求5所述的方法，其进一步包括使用晶片检验工具获得所述图像。
11.根据权利要求10所述的方法，其中所述晶片检验工具是扫描电子显微镜。
12.根据权利要求5所述的方法，其中所述一或多个异常各自为异常图块或异常区域中的一者。
13.根据权利要求5所述的方法，其进一步包括：
使用所述处理器在特征空间中确定所述图像与所述无缺陷训练图像之间的距离；及
使用所述处理器基于所述距离而确定所述图像是否是离群值。
14.根据权利要求5所述的方法，其进一步包括使用所述处理器使用以自动编码器作为产生器且以卷积神经网络作为鉴别器的产生性对抗式网络确定所述图像是否是离群值。
15.一种非暂时性计算机可读存储媒体，其包括用于在一或多个运算装置上执行模型的一或多个程序，其中仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型，且其中所述模型经配置以：
接收晶片的图像；及
确定所述图像中一或多个异常的存在。
16.根据权利要求15所述的缺陷检测模型，其中所述图像是扫描电子显微镜图像。
17.根据权利要求15所述的缺陷检测模型，其中使用标称图案训练所述模型。
18.根据权利要求15所述的缺陷检测模型，其中所述模型包含变分自动编码器。
19.根据权利要求18所述的缺陷检测模型，其中所述变分自动编码器包含梯形网络。
20.根据权利要求15所述的缺陷检测模型，其中所述模型经配置以执行离群值检测，借此检测异常。
CN201980017256.4A 2018-03-19 2019-03-18 扫描电子显微镜图像中的半监督异常检测 Pending CN111837229A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211114873.6A CN115393341A (zh) 2018-03-19 2019-03-18 扫描电子显微镜图像中的半监督异常检测

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862644962P 2018-03-19 2018-03-19
US62/644,962 2018-03-19
US16/106,341 2018-08-21
US16/106,341 US10789703B2 (en) 2018-03-19 2018-08-21 Semi-supervised anomaly detection in scanning electron microscope images
PCT/US2019/022655 WO2019182922A1 (en) 2018-03-19 2019-03-18 Semi-supervised anomaly detection in scanning electron microscope images

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211114873.6A Division CN115393341A (zh) 2018-03-19 2019-03-18 扫描电子显微镜图像中的半监督异常检测

Publications (1)

Publication Number Publication Date
CN111837229A true CN111837229A (zh) 2020-10-27

Family

ID=67904134

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201980017256.4A Pending CN111837229A (zh) 2018-03-19 2019-03-18 扫描电子显微镜图像中的半监督异常检测
CN202211114873.6A Pending CN115393341A (zh) 2018-03-19 2019-03-18 扫描电子显微镜图像中的半监督异常检测

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211114873.6A Pending CN115393341A (zh) 2018-03-19 2019-03-18 扫描电子显微镜图像中的半监督异常检测

Country Status (5)

Country Link
US (1) US10789703B2 (zh)
KR (1) KR102445995B1 (zh)
CN (2) CN111837229A (zh)
TW (1) TWI803595B (zh)
WO (1) WO2019182922A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296369A (zh) * 2021-05-14 2021-08-24 长鑫存储技术有限公司 用于光学临近修正的图形量测方法及装置
CN115049472A (zh) * 2022-05-12 2022-09-13 之江实验室 一种基于多维特征张量的无监督信用卡异常检测方法

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3499459A1 (en) * 2017-12-18 2019-06-19 FEI Company Method, device and system for remote deep learning for microscopic image reconstruction and segmentation
EP3620983B1 (en) * 2018-09-05 2023-10-25 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for data analysis
US12001949B2 (en) 2018-09-05 2024-06-04 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for data analysis
US11042710B2 (en) * 2018-10-17 2021-06-22 Fujitsu Limited User-friendly explanation production using generative adversarial networks
US11017307B2 (en) * 2018-10-17 2021-05-25 Fujitsu Limited Explanations generation with different cognitive values using generative adversarial networks
US10990470B2 (en) 2018-12-11 2021-04-27 Rovi Guides, Inc. Entity resolution framework for data matching
US11995854B2 (en) * 2018-12-19 2024-05-28 Nvidia Corporation Mesh reconstruction using data-driven priors
US11182929B2 (en) * 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US11263496B2 (en) 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
CN110231360B (zh) * 2019-05-31 2020-06-26 华南农业大学 电镜像差的确定方法、消除方法及装置
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机系统工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
US20210097673A1 (en) * 2019-10-01 2021-04-01 Carl Zeiss Smt Gmbh Root cause analysis for fabrication processes of semiconductor structures
KR20210065285A (ko) * 2019-11-26 2021-06-04 삼성전자주식회사 생성적 적대망들에 기반하여 웨이퍼 맵을 생성하는 프로그램 코드를 저장하는 비일시적 컴퓨터 판독가능 매체 및 컴퓨팅 장치
SE1930421A1 (en) * 2019-12-30 2021-07-01 Unibap Ab Method and means for detection of imperfections in products
JP7398480B2 (ja) * 2020-01-09 2023-12-14 株式会社日立ハイテク 画像を生成するシステム、及び非一時的コンピュータ可読媒体
JP7262409B2 (ja) * 2020-03-06 2023-04-21 株式会社日立ハイテク 試料観察システム及び画像処理方法
JP7426261B2 (ja) * 2020-03-10 2024-02-01 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法
JP2021144000A (ja) * 2020-03-13 2021-09-24 オムロン株式会社 検査システム、検査装置、及び検査プログラム
EP3885991A1 (en) * 2020-03-26 2021-09-29 Another Brain Autoencoder-based segmentation mask generation in an alpha channel
EP3889684A1 (en) * 2020-04-01 2021-10-06 ASML Netherlands B.V. Removing an artefact from an image
JP7270842B2 (ja) * 2020-04-28 2023-05-10 三菱電機株式会社 外観検査装置および外観検査方法
TWI777173B (zh) * 2020-06-01 2022-09-11 汎銓科技股份有限公司 人工智慧辨識之半導體影像量測方法
US20210383253A1 (en) 2020-06-08 2021-12-09 SK Hynix Inc. Novelty detector
CN113807527A (zh) * 2020-06-11 2021-12-17 华硕电脑股份有限公司 信号检测方法及使用其的电子装置
JP7499337B2 (ja) * 2020-07-29 2024-06-13 株式会社エビデント 検査システム、学習方法、検査方法、及び記憶媒体
CN116194954A (zh) * 2020-09-25 2023-05-30 发那科株式会社 用于外观检查的模型生成装置以及外观检查装置
WO2022070146A1 (en) * 2020-10-02 2022-04-07 Servicenow Canada Inc. Continuous training methods for systems identifying anomalies in an image of an object
US11676266B2 (en) 2020-11-04 2023-06-13 Tokyo Electron Limited Method and apparatus for inspecting pattern collapse defects
CN114663334A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 瑕疵检测方法、装置、电子设备及存储介质
CN114764774A (zh) * 2021-01-12 2022-07-19 富泰华工业（深圳）有限公司 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114862740A (zh) * 2021-01-18 2022-08-05 富泰华工业（深圳）有限公司 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114881913A (zh) * 2021-02-05 2022-08-09 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及存储介质
EP4083858A1 (en) * 2021-04-29 2022-11-02 Siemens Aktiengesellschaft Training data set reduction and image classification
KR102653349B1 (ko) 2021-05-26 2024-03-29 서울대학교산학협력단 오토 인코더 기반 이상 데이터 감지 시스템 및 방법
CN113541834B (zh) * 2021-06-24 2023-03-03 西安电子科技大学 一种异常信号半监督分类方法、系统、数据处理终端
CN117730350A (zh) * 2021-07-30 2024-03-19 罗伯特·博世有限公司 用于自动光学检查的方法和装置
KR20240064045A (ko) * 2021-10-01 2024-05-10 에프이아이 컴파니 현미경 검사 시스템에서 데이터 분류
DE102021213084A1 (de) 2021-11-22 2022-12-15 Carl Zeiss Smt Gmbh Verfahren zum Betreiben eines EUV-Reflektometers
DE102021213091A1 (de) 2021-11-22 2022-12-22 Carl Zeiss Smt Gmbh Verfahren zur Kalibrierung eines EUV-Reflektometers
WO2023177635A1 (en) * 2022-03-14 2023-09-21 Ats Ip, Llc Deep learning of bismuth telluride crystal size and grain boundaries for predictive performance
JP2024046905A (ja) * 2022-09-26 2024-04-05 株式会社Ｓｃｒｅｅｎホールディングス マーク検出方法およびコンピュータプログラム
WO2024068203A1 (en) * 2022-09-28 2024-04-04 Carl Zeiss Smt Gmbh Computer implemented method for defect detection in an imaging dataset of a wafer, corresponding computer-readable medium, computer program product and systems making use of such methods
CN116596875B (zh) * 2023-05-11 2023-12-22 哈尔滨工业大学重庆研究院 晶圆缺陷检测方法、装置、电子设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101208790B (zh) * 2005-06-27 2012-04-11 先进微装置公司 无铅半导体封装件
US20120163698A1 (en) * 2010-12-22 2012-06-28 Kla-Tencor Mie Gmbh Method for Inspection and Detection of Defects on Surfaces of Disc-Shaped Objects and Computer System with a Software Product for Carrying out the Method
CN104252626A (zh) * 2013-06-28 2014-12-31 康耐视公司 一种训练多图案识别和配准工具模型的半监督方法
CN104870984A (zh) * 2012-11-12 2015-08-26 科磊股份有限公司 用于混合模式的晶片检验的方法及系统
US20160140408A1 (en) * 2014-11-19 2016-05-19 Adobe Systems Incorporated Neural Network Patch Aggregation and Statistics
CN105960702A (zh) * 2014-02-06 2016-09-21 科磊股份有限公司 基于从标准参考图像确定的属性的缺陷检测及分类
US20170140524A1 (en) * 2015-11-17 2017-05-18 Kla-Tencor Corporation Single image detection
US20170193400A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Accelerated training of a machine learning based model for semiconductor applications
CN107358599A (zh) * 2012-10-15 2017-11-17 科磊股份有限公司 使用缺陷特定的信息检测晶片上的缺陷
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类
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
CN107506792A (zh) * 2017-08-16 2017-12-22 上海荷福人工智能科技（集团）有限公司 一种半监督的显著对象检测方法
KR101836096B1 (ko) * 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3398123A4 (en) * 2015-12-31 2019-08-28 KLA - Tencor Corporation ACCELERATED TRAINING OF A MODEL BASED ON AUTOMATIC LEARNING FOR SEMICONDUCTOR APPLICATIONS

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101208790B (zh) * 2005-06-27 2012-04-11 先进微装置公司 无铅半导体封装件
US20120163698A1 (en) * 2010-12-22 2012-06-28 Kla-Tencor Mie Gmbh Method for Inspection and Detection of Defects on Surfaces of Disc-Shaped Objects and Computer System with a Software Product for Carrying out the Method
CN107358599A (zh) * 2012-10-15 2017-11-17 科磊股份有限公司 使用缺陷特定的信息检测晶片上的缺陷
CN104870984A (zh) * 2012-11-12 2015-08-26 科磊股份有限公司 用于混合模式的晶片检验的方法及系统
CN104252626A (zh) * 2013-06-28 2014-12-31 康耐视公司 一种训练多图案识别和配准工具模型的半监督方法
CN105960702A (zh) * 2014-02-06 2016-09-21 科磊股份有限公司 基于从标准参考图像确定的属性的缺陷检测及分类
US20160140408A1 (en) * 2014-11-19 2016-05-19 Adobe Systems Incorporated Neural Network Patch Aggregation and Statistics
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类
US20170140524A1 (en) * 2015-11-17 2017-05-18 Kla-Tencor Corporation Single image detection
US20170193400A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Accelerated training of a machine learning based model for semiconductor applications
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
KR101836096B1 (ko) * 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램
CN107506792A (zh) * 2017-08-16 2017-12-22 上海荷福人工智能科技（集团）有限公司 一种半监督的显著对象检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296369A (zh) * 2021-05-14 2021-08-24 长鑫存储技术有限公司 用于光学临近修正的图形量测方法及装置
CN115049472A (zh) * 2022-05-12 2022-09-13 之江实验室 一种基于多维特征张量的无监督信用卡异常检测方法
CN115049472B (zh) * 2022-05-12 2024-01-26 之江实验室 一种基于多维特征张量的无监督信用卡异常检测方法

Also Published As

Publication number Publication date
CN115393341A (zh) 2022-11-25
TW201946089A (zh) 2019-12-01
US20190287230A1 (en) 2019-09-19
TWI803595B (zh) 2023-06-01
US10789703B2 (en) 2020-09-29
KR102445995B1 (ko) 2022-09-21
WO2019182922A1 (en) 2019-09-26
KR20200123853A (ko) 2020-10-30

Similar Documents

Publication Publication Date Title
TWI803595B (zh) 晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體
KR102466582B1 (ko) 결함 분류기 트레이닝을 위한 능동적 학습
JP7216822B2 (ja) 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用
US10679333B2 (en) Defect detection, classification, and process window control using scanning electron microscope metrology
US20190004504A1 (en) Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
US11237119B2 (en) Diagnostic methods for the classifiers and the defects captured by optical tools
TWI782229B (zh) 在半導體製造中使用隨機失效指標
US10970834B2 (en) Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance
KR20220022091A (ko) 검사 레시피의 자동 최적화
US10692690B2 (en) Care areas for improved electron beam defect detection
TW202038110A (zh) 分類半導體樣本中的缺陷
US11569056B2 (en) Parameter estimation for metrology of features in an image
CN110582842B (zh) 依据光学检验结果进行计量导引检验样品成形
KR20190098271A (ko) 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법
US20220059316A1 (en) Scanning Electron Microscope Image Anchoring to Design for Array
WO2019006222A1 (en) SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS
TW202217634A (zh) 基於可解釋深度學習之缺陷偵測及分類
WO2022135938A1 (en) Machine learning-based systems and methods for generating synthetic defect images for wafer inspection

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201027