CN112424826A - 基于机器学习的图案分组方法 - Google Patents
基于机器学习的图案分组方法 Download PDFInfo
- Publication number
- CN112424826A CN112424826A CN201980046779.1A CN201980046779A CN112424826A CN 112424826 A CN112424826 A CN 112424826A CN 201980046779 A CN201980046779 A CN 201980046779A CN 112424826 A CN112424826 A CN 112424826A
- Authority
- CN
- China
- Prior art keywords
- pattern
- defect
- feature vector
- image
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000010801 machine learning Methods 0.000 title description 11
- 230000007547 defect Effects 0.000 claims abstract description 216
- 239000013598 vector Substances 0.000 claims abstract description 97
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 25
- 238000013461 design Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 235000012431 wafers Nutrition 0.000 description 80
- 238000007689 inspection Methods 0.000 description 33
- 238000003384 imaging method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000012552 review Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000010894 electron beam technology Methods 0.000 description 7
- 238000000691 measurement method Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种图案分组方法可以包括:接收第一图案的图像;使用应用于所接收到的图像的训练后的模型参数来生成第一固定维特征向量;以及为第一固定维特征向量分配第一桶ID。该方法还可以包括:响应于确定第一图案不属于与缺陷图案对应的多个桶中的一个来为所述第一固定维特征向量创建新的桶ID;或响应于确定所述第一图案属于与缺陷图案对应的多个桶中的一个,来将所述第一固定维特征向量映射到所述第一桶ID。
Description
相关申请的交叉引用
本申请要求美国申请62/697,898的优先权,该案在2018年7月13日提交且以整体内容通过引用并入本文。
技术领域
本文中所提供的实施例涉及一种图案分组方法,并且更具体地,涉及一种基于机器学习的图案分组方法,该图案分组方法尤其可用于半导体制造操作过程中的缺陷复查。
背景技术
在集成电路(IC)的制造工艺中,未完成或已完成的电路部件被检查以确保它们是根据设计被制造的并且没有缺陷。可以采用利用光学显微镜或带电粒子(例如电子)束显微镜(诸如扫描电子显微镜(SEM))的检查系统。随着IC部件的物理尺寸不断缩减,缺陷检测的准确性和良率变得越来越重要。然而,检查工具的成像分辨率和产出难以跟上IC部件的不断减小的特征尺寸的步伐。
当技术节点减小到例如10nm时,一些检查工具可能会生成大量的有害缺陷(即误报)。例如,在一些检查系统中,90%的被识别出的缺陷可能被证明是有害的缺陷。因此,缺陷复查变得越来越关键。可以利用涉及重新确认晶片上的先前标识出的缺陷或可疑位置的缺陷复查。
为了满足高产量和高良率制造工艺的需求,操作者需要通过图形用户界面(GUI)来复查晶片、芯片或掩模并尽早标识图案缺陷,该图形用户界面在铸造装备的显示部分中显示被观察物体的各种图案。不幸地,标识图案缺陷可能会花费操作者大量时间,从而损害产量。
发明内容
在本公开的一些实施例中,提供了一种分组方法。方法可以包括:接收第一图案的图像;使用训练后的模型参数来生成第一固定维特征向量;以及为第一固定维特征向量分配第一桶标识(ID)。模型参数可以基于接收到的图像。例如,模型参数可以包括特征图案的数据,诸如检测到的缺陷的SEM图像数据或来自晶片设计计划的在对应于检测到缺陷的位置的位置处的图案数据。方法可以被用于半导体制造工艺的缺陷图案分组。
缺陷图案可以包括晶片的图像,该图像包括与一个或多个缺陷相关联的特征。缺陷图案可以包括各种类型的信息,包括扫描到的原始图像数据、处理后的图像、在缺陷检查中被标识出的成像特征、对应于成像特征的设计图案等。
可以通过例如获得具有分配后的桶ID的多个图案的多个图像和训练针对深度学习网络的模型参数来训练模型参数。训练还可以包括应用被定位于多个图像中的一个图像的中心中的单个多边形的参数。
附图说明
图1是图示根据本公开的实施例的示例性电子束检查(EBI)系统的示意图。
图2是图示与本公开的实施例一致的可以是图1的示例性电子束检查系统的一部分的示例性电子束工具的示意图。
图3是图示与本公开的实施例一致的示例性缺陷复查系统的框图。
图4是图示用于图案分组的示例性图案相似性测量方法的示意图。
图5是图示与本公开的实施例一致的用于基于机器学习的图案分组的示例性特征提取架构的示意图。
图6是图示与本公开的实施例一致的来自通过基于图5的机器学习的特征提取架构处理的图案图像的示例性固定维特征向量的示意图。
图7是图示与本公开的实施例一致的固定维特征向量、图案分组的3D表示以及缺陷图案图像的GDS信息的示例性相关性的示意图。
图8是表示与本公开的实施例一致的示例性方法的流程图。
具体实施方式
现在将参考示例性实施例,附图中图示了这些示例性实施例的示例。以下描述参照附图,其中除非另外表示,否则不同附图中的相同数字表示相同或相似的元件。在示例性实施例的以下描述中阐述的实施方式不表示与本发明一致的所有实施方式。相反,这些实施方式仅是与如所附权利要求书中所述的与主题相关的方面一致的装置、系统和方法的示例。例如,尽管在利用电子束的上下文中描述了一些实施例,但是本公开不限于此。可以类似地应用其他类型的带电粒子束。此外,可以使用其他成像系统,诸如光学成像、光检测、x射线检测等。
电子设备的增强的计算能力(同时减小了设备的物理大小)可以通过显著增加IC芯片上的电路部件(诸如晶体管、电容器、二极管等)的封装密度来实现。例如,智能电话的拇指大小的IC芯片可以包括超过20亿个晶体管,每个晶体管的大小小于人类毛发的1/1000。因此,半导体IC制造是复杂且耗时的过程,具有数百个单独的步骤,就并不奇怪。即使在一个步骤中的错误也可能极大地影响最终产品的功能。即使一个“致命缺陷”也可能导致设备故障。制造工艺的目标是提高工艺的总体良率。例如,为使50个步骤的工艺达到75%良率,每个单独步骤必须具有大于99.4%的良率,并且如果单独的步骤良率为95%,则整体工艺的产率将降至7%。
虽然在IC芯片制造设施中需要高工艺良率,但是保持高晶片产出也很重要,该晶片产出被定义为每小时加工的晶片数量。高工艺良率和高晶片产出可能受缺陷的存在影响,尤其是当存在操作者干预以复查缺陷时。因此,通过检查工具(诸如SEM)检测和标识微米和纳米大小的缺陷对于保持高良率和低成本至关重要。
在本文中所描述的增强成像系统中,可以以改进的产出和准确性来执行缺陷标识和分类。可以通过减少对操作者干预的依赖来增强处理,例如通过消除对操作者确定提取到的图案的相似性并将其分类为已知缺陷类型的需求。增强成像系统可以将缺陷分解成一个或多个特征,每个特征与缺陷图案对应的一个或多个属性。使用这些特征,增强成像系统可以提供一种用于标识和分类缺陷的改进的方法。仍然可以例如通过以确定性的程度表示特定特征的存在来捕获和说明与识别到的形状略有偏差的图案。这种方法可以在标识和分类缺陷中实现更好的准确性、效率性能和高速度。
可以通过卷积、池化和子采样来处理图案,以使得可以分析单独特征属性。特征分析可以允许生成特征向量。特征向量可以被用于图案分组。取向、比例或遮挡的微小偏差可能不会强烈影响图案的处理,以使得相似的图案仍可以被分组在一起。此外,当缺陷图像除了中心图案之外还包括特征时,可以提取缺陷图案的特征。此外,与用于图案分组的对应的模式相似性测量方法相比,运行线性分类器可能需要更少的计算资源。
如本文中所使用,除非另外明确说明,否则术语“或”涵盖所有可能的组合,除非不可行。例如,如果声明数据库可以包括A或B,则除非另外特别说明或不可行,否则数据库可以包括A、或B、或A和B。作为第二示例,如果声明数据库可以包括A、B或C,则除非另外明确说明或不可行,否则数据库可以包括A、或B、或C、或A和B、或A和C、或B和C、或A和B和C。
所公开的实施例的附加目的和优点将在以下描述中部分地阐述,并且将部分地从该描述中变得明显,或可以通过实施例的实践学习。所公开的实施例的目的和优点可以通过本公开中所阐述的要素和组合来实现和获得。然而,不一定需要本公开的示例性实施例来实现这种示例性目的和优点,并且一些实施例可能不会实现任何所述目的和优点。
现在参考图1,其图示了与本公开的实施例一致的示例性电子束检查(EBI)系统100。EBI系统100可以被用于成像。如图1中所示出,EBI系统100包括主腔室101、装载/锁定腔室102、电子束工具104和装备前端模块(EFEM)106。电子束工具104被定位于主腔室101内。EFEM 106包括第一装载端口106a和第二装载端口106b。EFEM 106可以包括(多个)附加的装载端口。第一装载端口106a和第二装载端口106b接收晶片前开式晶片传送盒(FOUP),这下晶片前开式晶片传送盒包含晶片(例如半导体晶片或由(多种)其他材料制成的晶片)或要检查的样本(晶片和样本在本文中可以被统称为“晶片”)。“批次”是可以被装载以批量处理的多个晶片。
EFEM 106中的一个或多个机器人臂(未示出)可以将晶片运送到装载/锁定腔室102。装载/锁定腔室102被连接到装载/锁定真空泵系统(未示出),该装载/锁定真空泵系统将装载/锁定腔室102中的气体分子去除以达到低于大气压的第一压力。在达到第一压力之后,一个或多个机器人臂(未示出)可以将晶片从装载/锁定腔室102运送到主腔室101。主腔室101被连接到主腔室真空泵系统(未示出),该主腔室真空泵系统去除主腔室101中的气体分子以达到低于第一压力的第二压力。在达到第二压力之后,晶片通过电子束工具104经受检查。电子束工具104可以是单束系统或多束系统。控制器109被电连接到电子束工具104。控制器109可以是被配置成执行EBI系统100的各种控制的计算机。虽然控制器109在图1中被示出为在包括主腔室101、装载/锁定腔室102和EFEM 106的结构外部,但是应当了解,控制器109可以是结构的一部分。
图2图示了根据本公开的实施例的成像系统200。图2的电子束工具104可以被配置用于EBI系统100中。尽管图2示出了作为单束检查工具的电子束工具104,该电子束工具可以仅使用一个主电子束来一次扫描晶片230的一个位置,但是本公开的实施例不限于此。例如,电子束工具104也可以是多束检查工具,其采用多个主电子小束来同时扫描晶片230上的多个位置。
系统200可以被用于检查样本台上的晶片230,并且包括电子束工具104,如上文所讨论。系统200还包括图像处理系统199,该图像处理系统包括图像采集器120、存储装置130和控制器109。图像采集器120可以包括一个或多个处理器或电路,诸如一个或多个处理器的电路或其他电路。例如,图像采集器120可以包括计算机、服务器、大型机主机、终端、个人计算机、任何种类的移动计算设备等,或其组合。图像采集器120可以通过介质(诸如电导体、光纤电缆、便携式存储介质、红外(IR)、蓝牙、因特网、无线网络、无线电或其组合)与电子束工具104的检测器244连接。图像采集器120可以从检测器244接收信号并且可以构造图像。因此,图像采集器120可以采集晶片230的图像。图像采集器120还可以执行各种后处理功能,诸如生成轮廓、在所采集的图像上叠加指示符等。图像采集器120可以被配置成执行采集到的图像的亮度和对比度等的调整。存储装置130可以是存储介质,诸如硬盘、云存储装置、随机存取存储器(RAM)、其他类型的计算机可读存储器等。存储装置130可以与图像采集器120耦合,并且可以被用于将扫描到的原始图像数据保存为初始图像和后处理图像。图像采集器120和存储装置130可以被连接到控制器109。在一些实施例中,图像采集器120、存储装置130和控制器109可以一起被整合为一个控制单元。
在一些实施例中,图像采集器120可以基于从检测器244接收到的成像信号来采集样本的一个或多个图像。成像信号可以对应于用于进行带电粒子成像的扫描操作。采集到的图像可以是包括多个成像区域的单个扫描到的原始图像。图像可以被存储在存储装置130中。图像可以是初始图像,其可以被划分成多个区。每个区可以包括包含晶片230的特征的一个成像区域。
在一些实施例中,可以提供一种计算机系统,该计算机系统可以标识晶片图像中的缺陷并且根据缺陷类型将缺陷分类成类别。例如,一旦采集到晶片图像,就可以将该晶片图像传输到计算机系统以供处理。图3是与本公开的实施例一致的缺陷复查系统300的示意图。
参照图3,缺陷复查系统300可以包括晶片检查系统310、自动缺陷分类(ADC)服务器320以及被电耦合到ADC服务器320的知识推荐服务器330。晶片检查系统310可以是相对于图1所描述的EBI系统100。应当了解,ADC服务器320和知识推荐服务器330可以是EBI系统100的一部分或远离该EBI系统。
晶片检查系统310可以是生成晶片的检查图像的任何检查系统。例如,晶片可以是半导体晶片衬底或具有一个或多个外延层或处理膜的半导体晶片衬底。晶片检查系统310可以是任何当前可用或正在开发的晶片检查系统。本公开的实施例不限制晶片检查系统310的特定类型。这种系统可以生成具有分辨率的晶片图像,以便观察晶片上的关键特征(例如,小于20nm)。
ADC服务器320可以包括通信接口322,该通信接口被电耦合到晶片检查系统310以接收晶片图像。ADC服务器320还可以包括处理器324,该处理器被配置成分析晶片图像并且检测和分类出现在晶片图像上的缺陷,并且可以在该分析、检测或分类中使用缺陷知识文件。缺陷知识文件可以由操作者手动提供给ADC服务器320。备选地,根据本公开的一些实施例,可以由知识推荐服务器330将缺陷知识文件自动提供给ADC服务器320。
例如,知识推荐服务器330可以被电耦合到ADC服务器320。知识推荐服务器330可以包括处理器332和存储装置334。处理器332可以被配置成构建多个缺陷知识文件并将多个缺陷知识文件存储在存储装置334中。多个缺陷知识文件可以包含与在晶片制造工艺的各个阶段期间生成的各种类型的缺陷相关的信息。晶片制造工艺的各个阶段可以包括但不限于光刻工艺、蚀刻工艺、化学机械抛光(CMP)工艺或互连形成工艺。
处理器332可以被配置成基于多个缺陷补丁图像来构建多个缺陷知识文件。多个缺陷补丁图像可以由晶片检查工具(诸如图2中所图示的电子束工具104)生成。缺陷补丁图像可以是晶片中的包含缺陷的一部分的小图像(例如34×34像素)。缺陷补丁图像可以以缺陷为中心,并且可以包括缺陷的相邻像素。
可以经由机器学习过程来训练处理器332以基于该类型缺陷的多个缺陷补丁图像来构建与特定类型的缺陷相关的知识文件。例如,处理器332可以被训练以基于断线缺陷的多个缺陷补丁图像来构建与在互连形成过程中生成的断线缺陷相关的知识文件。
处理器332还可以被配置成响应于对来自ADC服务器320的知识推荐的请求而搜索与接收到的请求中所包括的晶片图像匹配的知识文件,并将知识文件提供给ADC服务器320。
存储装置334可以存储ADC数据中心,该ADC数据中心包含与在晶片制造工艺的各个阶段期间生成的各种类型的缺陷相关的多个缺陷知识文件。ADC数据中心中的多个缺陷知识文件可以由知识推荐服务器330的处理器332建立。备选地,存储装置334中的一部分缺陷知识文件可以由用户或外部计算机系统预先设置,并且可以被预装载到存储装置334中。
缺陷知识文件可以包括关于单一类型缺陷的通用信息。通用信息可以包括补丁图像和要被用于稍后对单一类型的缺陷进行分类(例如大小、边缘粗糙度、深度、高度等)的特征参数。备选地,根据本公开的一些实施例,缺陷知识文件可以包括关于存在于晶片的相同处理层中的多种类型的缺陷的通用信息。单个处理层可以是例如衬底层、外延层、薄膜层、光致抗蚀剂层、氧化物层、金属互连层等。
现在参考图4,该图是图示用于图案分组的示例性图案相似性测量方法的方面的示意图。图案相似性测量方法可以将成像的缺陷图案的几何特征与缺陷分类服务器中存储的数据图案进行比较,以将缺陷图案分组成具有最高相似性的组。
可以基于带电粒子成像来确定图案数据。例如,可以控制带电粒子束装置以对晶片成像。成像可以包括扫描晶片以对晶片的至少一部分成像。可以获得成像区域的一个或多个扫描到的原始图像。可以对扫描到的原始图像执行缺陷检查。例如,可以标识出晶片上的一个或多个特征。一个或多个特征可以包括可能的缺陷、关键区域、热点、其他感兴趣的区等。可以执行进一步的处理,包括图像处理、缺陷映射、在晶片上提供对应于标识出的可能缺陷的位置列表等。在一些实施例中,可以执行缺陷复查。缺陷复查可以包括使在缺陷检查步骤中标识出的区域成像,以更详细地例如在更大的分辨率的条件下分析标识出的可能缺陷。在一些实施例中,缺陷复查可以包括例如使用与缺陷检查步骤中所使用的技术不同的技术或具有不同参数集的技术来分析扫描到的原始图像。用于缺陷复查的技术可以包括例如使用图像处理算法。
可以对应于标识出的缺陷来确定图案数据。可以基于在缺陷检查期间收集到的位置信息从晶片设计计划中提取图案数据。可以预先存储晶片的设计计划。例如,晶片设计计划可以是晶片表面上的特征的图形表示。晶片设计计划可以基于用于构造晶片的图案布局。例如,晶片设计计划可以对应于被用于制造晶片的掩模。晶片设计计划可以被存储在数据库中。可以对应于标识出的缺陷来提取单独特征。例如,基于在缺陷检查期间标识出的缺陷位置的x-y坐标,可以收集包括初始特征设计的几何信息的图案数据。每个标识出的缺陷可以具有对应的初始特征设计。
可以通过在晶片的扫描到的原始图像中叠加特征的轮廓来提取图案数据。可以应用图像处理技术来生成对应于成像的特征的多边形。还可以通过在晶片的图形表示中叠加特征的轮廓(诸如晶片设计计划)来提取图案数据。
在采用图案相似性测量方法的图案分组系统中,可以处理成像的图案以提取缺陷图案的几何特征。这种几何特征可以包括侧面的数量、角度的数量、尺寸、形状或其任何特征的组合。图案数据(诸如图形数据系统(GDS)信息)可以从这些几何特征中得出,并由以实线划线的一或多个多边形表示,例如如同覆盖在如图4中所示出的成像图案上。图案分组系统可以具有缺陷分类服务器,该缺陷分类服务器具有存储缺陷图案GDS信息的知识文件。图案分组系统可以继续将缺陷图案的提取到的几何特征的GDS信息与存储在缺陷分类服务器中的表示多个缺陷图案的缺陷图案GDS信息进行比较。
缺陷图案的提取到的几何特征的GDS信息与存储在缺陷分类服务器中的多个缺陷图案中的一个缺陷图案的缺陷图案GDS信息之间的每次比较可以产生相似性参数的值。相似性参数的值可以取决于被比较的缺陷图案之间的几何特征的相似性。在一些实施例中,该值越高,则接收到的缺陷图案与所存储的缺陷图案共享的相似性越高,并且接收到的缺陷图案属于所存储的缺陷图案组的可能性越高。例如,可以将图案图像400中的多边形410与如图4中所示出的12个缺陷图案一一进行比较。每次比较可以返回大于0且小于或等于1的相似性值,其中0表示无相似性,且1意味着相同。在完成12次比较之后,可以确定与返回最高值的比较相关联的缺陷图案是接收到的缺陷图案所属的图案组。
基于图案相似性测量的方法可能具有缺点。由于一些限制,基于相似性参数的技术的性能可能不是最佳的。例如,一个限制可能是严重依赖于相似性的定义,该相似性的值是基于对GDS多边形图案的属性的几何差异的计算。即使图案属性的微小变化或多边形变形也可能导致明显不同的结果。因此,相似性的计算值可能在很大程度上取决于图案属性的设置,该图案属性在一定程度上可能取决于经验决策。附加地,具有不同的取向、比例或遮挡(部分图案外观)的相似图案可以不被分组成相同的图案分组。此外,当缺陷图像具有被其他图案或图案补丁包围的中心图案或包括多个GDS图案的组合时,缺陷图案可能没有被正确地分组。进一步地,用于图案分组的图案相似性测量方法的运行复杂度可能相对较高。例如,运行时间复杂度可以近似为O(N2),其中O是功能阶数,且N是可以以比特为单位测量的输入大小。
现在参考图5,该图是图示与本公开的实施例一致的用于基于机器学习的图案分组的示例性特征提取架构的示意图。特征提取架构可以包括卷积神经网络500。在一些实施例中,可以采用其他形式的分类和图案识别。例如,可以采用群集分析、物体检测和掩蔽。可以类似地应用基于机器学习的其他种类的监督学习系统。用于基于机器学习的图案分组的特征提取架构可以在生成图案特征之前被预训练。
在一些实施例中,深度学习架构的线性分类器网络可以被采用作为训练和构建用于图案分组的特征提取架构的起始点。大量的GDS图案图像可能已经被收集,并且可以构成现有缺陷图案的大型数据集。可以调整这些GDS图案图像以反映居中图案组标签。可以从反映居中图案组的现有缺陷图案的大型数据集学习深度学习架构的线性分类器网络的每层中的模型参数的值。由于存在大量的GDS图案数据,因此在线性分类器网络的每层中,图案图像的数据可以由图案分组系统自动标记,而不是手动标记。每层中的每个标签可以表示缺陷图案的中心多边形的属性。利用GDS信息,深度学习架构的线性分类器网络的训练可以用很少的手动输入自动完成。
可以使用机器学习模型,其可以包括具有多个层的深度神经网络拓扑。例如,这种网络的架构可以包括输入、第一卷积、第一池化、第二卷积、第二池化、一个或多个隐藏层、启动和输出。网络500的输入501可以包括图案图像,该图案图像包括标识出的缺陷。网络500的输出509可以包括特征向量。
取决于缺陷图案的特征的性质,架构的每层可以具有不同数量的生成的子样本。例如,如图5中所示出,在第一卷积操作之后,在第一池510中可以生成少于十个子样本。然而在第二卷积操作之后,第二层可以具有在第二池520中生成的十个以上子样本。在一些实施例中,可以通过缺陷图案的几何特征的复杂性来引入层之间的变化。具有更多几何信息的缺陷图案可以具有更高的概率来生成更多的子样本。例如,复杂的缺陷图案可以表现出各种子形状,这些子形状可以被分解并分析为单独的属性。
在已经通过大量GDS图案图像的训练确定了模型参数之后,深度学习架构的训练后的线性分类器网络可以在特征生成步骤中处理新的图案图像。在该特征生成步骤中,具有GDS数据的图案图像可以通过具有确定的模型参数的训练后的网络的多个层,以在架构的末端处生成固定维特征向量。在卷积计算的每层处,可以针对架构分析图案图像的GDS数据,以确定是否存在图案属性,并且如果存在,则确定其几何位置。具有GDS数据的每个接收到的图案图像可以通过在多个层中逐层计算进行处理。因此,可以由训练后的线性分类器网络生成输入图像的向量表示。
现在参考图6,该图是图示与本公开的实施例一致的来自通过基于图5的机器学习网络的特征提取架构处理的图案图像的示例性固定维特征向量的图形表示的示意图。特征向量可以包括表示多个特征中的每个特征的量值、强度、确定性等的多个值。例如,针对多个特征,可以评估图案图像以确定是否存在缺陷的属性的确定性的程度。在图6中,X轴包括四个特征。一个特征可以对应于例如线-线断开。特征存在于图案中的确定性可以由数值表示。确定性还可以通过各种形式的图形显示(诸如颜色、填充图案或不同程度的阴影)来表示。例如,如图6中所示出,可以评估多个图案以确定以填充图案表示的、特定特征中的每个特定特征存在的确定性。
在通过网络的各个层的操作来处理图案图像之后,可以通过将特征向量的每个维分成几个有限数量的桶(bucket)来执行定量分析。桶可以包括已经基于某些标准进行区分和分类的同类成员(member)。例如,桶可以对应于缺陷的类别。网络的训练可以包括使用训练的数据集将GDS图案数据分类到多个桶中。训练可以继续直到达到一定程度的收敛为止。
每个特征向量可以被映射到桶标识(ID)。卷积计算结果可以被转换成表示图案特征的固定维向量。固定维特征向量(例如一维向量)可以用作桶ID。例如,在图6中,沿着X轴,每个竖直条可以表示一个特征图案。每个竖直条可以是一维向量。每个竖直条可以包括例如沿着Y轴的多个值,其中不同的值由不同的代码表示。例如,代码可以由填充图案表示。特征向量可以针对特定输入图案(Pi)输出,并且可以被转换成桶ID 601。由于不同的值或值的不同组合,每个特征向量可能是唯一的,并且可能表示唯一的缺陷图案组。因为相似的图案图像共享相似的特征分布,所以相似的特征分布可以映射到相同的桶ID中。因此,可以确定具有值的桶的相同组合的特征向量属于相同的图案组。在一些实施例中,可以确定具有不落入任何桶的特征向量的图案是有害缺陷。
虽然已经讨论了一维向量,但是应当了解,可以类似地应用具有多维的向量。例如,除了特征的存在或不存在之外,其他特性(诸如特征的位置和其取向)也可以被包括,并且由多维向量中的值表示。因此,缺陷图案特征的各种属性可以被捕获和向量化。
对图案图像的GDS信息进行分组的方法可以实现各种优点,诸如更好的准确性、效率性能和高速度。缺陷图案可以被分解成具有多个特征的向量,特征中的每个特征与缺陷图案对应的一个或多个属性。因此,不是比较整个图案,而是分类网络可以利用单独特征。因此,仍然可以例如通过以确定的程度表示存在特定特征来捕获和说明与识别到的图案的轻微偏差。
现在参考图7,该图是图示与本公开的实施例一致的固定维特征向量、图案分组的3D表示以及缺陷图案图像的GDS信息的示例性相关性的示意图。
如图7中所示出,可以提供缺陷图案图像700的提取到的GDS信息。图案图像700可以包括图案70001、70002、70003、…、70010。图案图像700可以以黑色和白色表示,其中多个多边形表示各种缺陷。在一些实施例中,图案图像可以以颜色表示。可以生成以图形表示从图案图像700生成的多个特征向量的曲线图710。表示特征向量的线可以以多种颜色显示。特征向量可以被用于图案分组。
例如,可以在缺陷检查操作中标识一个或多个缺陷。在一些实施例中,缺陷检查可以包括标识多个缺陷候选者,并且在缺陷候选者当中将实际缺陷与有害缺陷区分开。可以对应于缺陷或缺陷候选者提取图案数据。图案数据可以包括扫描到的原始图像的与在缺陷检查中标识出的成像特征对应的部分、与之对应的设计图案等。可能存在被分析的预定窗口大小的多个二维图像。在一些实施例中,缺陷图案图像的GDS信息可能已经被处理以表示缺陷图案的中心多边形的属性。在一些其他实施例中,缺陷图案图像的GDS信息可能还没有被如此处理,并且表示缺陷图案图像的中心多边形和外围多边形的属性。可能存在多个缺陷,包括样本上不同类型和不同位置的缺陷。在图7的示例中,示出了十个分离的缺陷。
特征提取架构可以被构建和训练,以提取指示缺陷的多个特征。例如,在图7中,可以基于图像图案的32个特征来执行缺陷图案分组。应当了解,将要从不同图案图像提取的特征的数量可以不同。可以基于训练数据来确定特征。为了映射到特征提取架构中,卷积和池化的层数可以不同。在固定维特征向量720中,沿着水平轴(X轴)存在32个特征,以表示沿着竖直轴(Y轴)示出在缺陷图案图像700中的十个缺陷图案。在X-Y平面中,可以使用不同的代码来表示特征的不同值。例如,在图7的图示中,较密集的填充图案可以表示特征的存在(或高的特征存在的确定性),并且较浅的填充图案可以表示特征的不存在(或高的特征不存在的确定性)。
以缺陷图案70010为例,该图案沿着X轴具有用于32个特征的32个值,其中32个值由相似或不同的填充图案表示。然而,用于不同特征的相似填充图案可以被用于表示不同值或值范围。例如,缺陷图案70010的特征5和特征10两者都具有密集的填充图案,但是它们可以表示对应特征的明显不同的值或值范围,或它们可以表示对应特征的相似值或值范围。
以特征20为例,该特征沿着Y轴具有十个编码块,其中十个编码块中的每个编码块可以表示与该编码块相关联的缺陷图案的值或值范围。然而,不同的缺陷图案可以具有特征的不同或相似的值或值范围。应当了解,单个特征的值或值范围可以不被用于标识缺陷图案,但是所有特征的值或值范围的组合或序列可以在架构中被使用以标识缺陷图案。所有特征的值或值范围的这种组合或序列可以是固定维向量,例如可以被用作桶ID的一维(1D)向量。
图7中的图案分组710的三维(3D)表示可以被用于直观地展示具有表示缺陷图案的特征的值或值范围的组合或序列的1D向量桶ID的思想。每个波浪线可以被用于反映缺陷图案。例如,特征向量可以由具有等于特征数量的次数(degree)的多项式函数表示。每个波浪线存在多个(例如32个)特征。因此,可以使用具有适当次数的多项式来表示波浪线。这32个特征中的每个特征的值或值范围可以如图7中所示出地被正规化,其中所有值被正规化到零到一的范围中。不同的缺陷图案可以具有特征的相似或不同的值或值范围。所有特征的值或值范围的组合或序列可以被用于标识缺陷图案并将其与其他特征图案区分开。
现在参考图8,图8图示了与本公开的实施例一致的示例性的确定方法的流程图。控制器可以被编程以实施图8的流程图的一个或多个框。控制器可以与带电粒子束装置耦合。控制器可以控制带电粒子束装置的操作。控制器可以被配置成接收从带电粒子束装置的检测器收集到的信息,并且可以被配置成执行处理功能。例如,控制器109可以被配置成执行图8的方法的全部或一部分。
在步骤S101中,方法可以开始。带电粒子成像可以被执行以采集晶片的图像。成像可以包括扫描晶片以对晶片成像,这可以包括扫描晶片的一部分或整个晶片。可以获得并存储成像区域的一个或多个扫描到的原始图像。在步骤S102中,可以对采集到的图像执行缺陷检查。在步骤S102中,可以标识晶片上的特征。特征可以包括缺陷或可能的缺陷。缺陷检查可以包括使用图像处理技术对晶片表面的采集到的图像执行图像分析。缺陷的标识可以包括确定晶片上的位置。步骤S102可以包括晶片映射。在一些实施例中,可以在初始缺陷标识之后执行缺陷复查或其他形式的确认。
在步骤S103中,可以对应于标识出的缺陷来确定图案数据。可以基于在步骤S102中收集到的位置信息从晶片设计计划中提取图案数据。晶片设计计划可以提前被存储。晶片设计计划可以基于晶片的GDS表示。因此,提取到的图案数据可以是GDS信息。
在步骤S104中,可以执行训练。在一些实施例中,除其他之外,预训练发生在S102之前或之后、或S103之前或之后。在预训练期间,可以“切出”GDS数据的一个或多个随机区域或选定区域,并且可以将其用于预训练。“切出”意味着选定区内的所有层次水平上的所有GDS数据都被标识并合并到GDS单元中,该GDS单元包含该“切出”区的所有数据,并且没有来自该“切出”区外部的数据。标识出该切出区的位置,诸如中心点,并且该位置或切出区被自动标记或以其他方式被标识有该区的形状类型。形状类型的示例包括接触件、过孔、线、线角等。GDS的这些切出区以及标签被用于预训练线性分类器网络。
训练也可以在S104处发生,并且可以利用上文所讨论的预训练后的线性分类器网络。S104的训练可以包括:获取针对多个缺陷的图案数据,以及将图案分类到多个桶中。桶可以对应于已知缺陷。训练数据集可以提前被存储。在一些实施例中,可以将从步骤S103获得的数据添加到训练数据集中,或可以仅将来自步骤S103的数据用于执行训练。训练可以继续直到达到收敛的一定水平为止。以这种方式,可以构建分类器网络。分类器网络可以是线性分类器。可以基于训练来确定分类器网络的参数。例如,可以确定对应于与已知缺陷相关联的特征的多个向量。
在步骤S105中,可以执行分类。分类可以包括诸如通过利用上文所讨论的预训练后的线性分类器网络或通过利用S104的分类网络,对新数据运行在先前步骤中构建的分类器网络。例如,可以将在步骤S103中获得的新图案输入到分类器网络。输入图案可以是可以通过分类器网络的多个层的缺陷图案图像。这种情况可以包括卷积、子采样、池化等。在运行分类器时,如在步骤S106中,可以获得特征向量的输出。在步骤S106中,可以生成表示输入图案的特征向量。
在步骤S107中,可以执行图案分组。图案分组可以包括将缺陷分类成多个类别。类别可以是缺陷类型,诸如粒子、凹面、划痕、晶体缺陷、雾度、空隙和变薄。在一些实施例中,类别可以特定于某些几何形状。例如,类别可以是四指状终端类型缺陷。此外,在一些实施例中,类别不限于几何形状。特征可以是单阵列或多阵列向量。确定图案所属的组可以基于为每个图案生成的特征向量。例如,可以基于桶ID将图案分配给组,其中桶ID可以基于特征向量。图案的特征向量可以被转换成桶ID。
多个桶ID可以被存储在数据库中。如果新图案的桶ID对应于数据库中存在的桶ID,则该图案可以与缺陷类型相关联并相应地被分组。在一些实施例中,如果在数据库中不存在成像图案的桶ID,则可以形成新的组。因此,可以确定图案不属于任何现有组,并且对应于图案的桶ID创建新的缺陷组。桶ID可以被添加到对应于缺陷的桶ID的数据库。
图案分组可以包括将多个输入图案彼此比较。例如,可以确定两个或更多个图案具有相同的桶ID。作为响应,可以将两个或更多个图案分配给一组。新创建的组可以对应于缺陷。两个或更多个图案的桶ID可以被添加到对应于缺陷的桶ID的数据库。此外,在一些实施例中,当输入多个图案时,如果所有图案都被分组到同一桶中,则可以生成旗标。附加地,如果发现所有图案都具有不同的桶ID,则可以生成旗标(flag)。响应于生成旗标,可以向用户显示指示,或可以执行进一步的处理,诸如对多个图案进行重新采样。
在一些实施例中,图案分组可以包括:如果图案的特征向量不对应于与真实缺陷相关联的任何预定向量,则确定该图案对应于有害缺陷。例如,如果图案的桶ID与任何与缺陷相关联的桶ID不匹配,则该图案可被视为有害缺陷。
图案分组还可以包括将图案分组成主组和子组。在一些实施例中,桶可以对应于缺陷的子特征。图案可以被分组成对应于子特征的多个桶。然后,可以基于子特征执行进一步的分组。例如,可以确定具有子特征的某种组合的图案可以对应于主组的桶。因为相似的图案图像可以共享相似的特征分布,所以基于多个桶来确定特征分布可能是有用的。
在步骤S108中,可以将数据显示给用户。数据显示可以包括基于图案分组的结果以组织的方式显示缺陷。例如,可以显示晶片,其中某种类型的所有缺陷属于同一图案组,同时抑制其他缺陷。基于图案分组的有组织的显示在例如标识系统性缺陷中可能是有益的。
在步骤S109中,过程可以结束。此后,可以执行进一步的处理。此外,过程可以返回到S101,并以相同或不同的成像条件进行重复。
在一些实施例中,检测器可以与控制带电粒子束系统的控制器通信。控制器可以指导带电粒子束系统的部件执行各种功能,诸如控制带电粒子源以生成带电粒子束并控制偏转器以在样本上扫描带电粒子束。控制器还可以执行后处理功能、亮度/对比度调整、图像细分、图像处理、生成轮廓、在采集到的图像上叠加指示符等。控制器可以组合例如图像采集器120和控制器109的功能。附加地,控制器可以包括存储装置,诸如存储装置130。可以提供非暂时性计算机可读介质,该非暂时性计算机可读介质存储用于控制器109的处理器的指令,以执行带电粒子束检查、运行分类器网络、执行图案分组或与本公开一致的其他功能和方法。非暂时性介质的常见形式包括例如软盘、软性磁盘、硬盘、固态驱动器、磁带或任何其他磁性数据存储介质、CD-ROM、任何其他光学数据存储介质、具有孔图案的任何物理介质、RAM、PROM和EPROM、FLASH-EPROM或任何其他闪速存储器、NVRAM、高速缓存、寄存器、任何其他存储器芯片或盒式磁带以及其联网版本。
还可以使用以下条款来描述实施例。
1.一种用于组映射的方法,包括:
接收第一图案的图像;
使用训练后的模型参数生成第一固定维特征向量,所述模型参数基于接收到的所述图像;以及
为所述第一固定维特征向量分配第一桶标识(ID)。
2.根据条款1的方法,其中为所述第一固定维特征向量分配所述第一桶ID还包括:
响应于确定所述第一图案不属于与缺陷图案对应的多个桶中的一个桶为所述第一固定维特征向量创建新的桶ID。
3.根据条款1的方法,其中为所述第一固定维特征向量分配所述第一桶ID还包括:
响应于确定所述第一图案属于与缺陷图案对应的多个桶中的一个桶来将所述第一固定维特征向量映射到所述第一桶ID。
4.根据条款2或条款3的方法,其中所述缺陷图案包括与缺陷相关联的GDS信息。
5.根据条款4的方法,其中所述缺陷图案包括从所述GDS信息中得出的信息,信息包括侧面的数量、角度的数量、尺寸、形状或其组合。
6.根据条款1至3中任一项的方法,其中所述固定维特征向量是一维特征向量。
7.根据条款1至3中任一项的方法,其中所述训练后的模型参数通过以下被获得:
获得具有分配后的桶ID的多个图案的多个图像;以及
训练针对深度学习网络的模型参数。
8.根据条款7的方法,其中所述训练后的模型参数还通过以下被获得:
针对所述深度学习网络应用被定位于多个图像中的一个图像的中心中的单个多边形的参数。
9.一种用于图案分组的方法,包括:
标识样本的采集到的图像中的第一特征;
确定对应于所述第一特征的图案数据;
通过分类器确定对应于所述第一特征的特征向量;以及
基于所述特征向量确定所述第一特征的图案组。
10.根据条款9的方法,其中所述图案数据包括样本设计计划。
11.根据条款9的方法,其中所述分类器是线性分类器,所述方法还包括:
使用具有对应于缺陷特征的多个向量的多个缺陷图案来训练所述线性分类器。
12.根据条款11的方法,还包括:
从存储装置中获取所述多个缺陷图案。
13.根据条款11的方法,还包括:
标识所述图像中的多个第一特征;以及
确定对应于所述多个第一特征的图案数据,
其中所述多个缺陷图案包括所述第一特征中的一个或多个第一特征。
14.根据条款9至13中任一项的方法,还包括:
将所述特征向量转换成桶ID;以及
基于所述桶ID将所述第一特征分类成多个组当中的所述图案组。
15.根据条款9至14中任一项的方法,还包括:
当第一特征的所述特征向量与数据库中所存储的任何特征向量都不匹配时,确定所述第一特征的新的图案组。
16.根据条款9至14中任一项的方法,还包括:
当所述第一特征的所述特征向量与数据库中所存储的特征向量匹配时,将所述第一特征添加到与所述特征向量相关联的组。
17.一种用于图案分组的系统,包括:
带电粒子束装置,包括检测器;
图像采集器,包括电路,该电路用以从检测器接收检测信号并构造包括第一特征的图像;以及
控制器,具有至少一个处理器和非暂时性计算机可读介质,所述非暂时性计算机可读介质包括指令,所述指令在被所述处理器执行时引起所述系统执行以下操作:
确定对应于所述第一特征的图案数据;
通过分类器确定对应于所述第一特征的特征向量;以及
基于所述特征向量确定所述第一特征的图案组。
18.根据条款17的系统,其中所述图案数据包括样本设计计划。
19.根据条款17的系统,其中所述分类器是线性分类器,并且所述指令还引起所述系统执行以下操作:
使用具有对应于缺陷特征的多个向量的多个缺陷图案来训练所述线性分类器。
20.根据条款19的系统,其中所述多个缺陷图案从存储装置中被获取。
21.根据条款19的系统,其中所述指令还引起所述系统执行以下操作:
标识所述图像中的多个第一特征;以及
确定对应于所述多个第一特征的图案数据,
其中所述多个缺陷图案包括所述第一特征中的一个或多个。
22.根据条款17至21的系统,其中所述指令还引起所述系统执行以下操作:
将所述特征向量转换成桶ID;以及
基于所述桶ID将所述第一特征分类到多个组当中的所述图案组。
23.根据条款17至22的系统,其中所述指令还引起所述系统执行以下操作:
当所述第一特征的所述特征向量与数据库中所存储的任何特征向量都不匹配时,为所述第一特征确定新的图案组。
24.根据条款17至22的系统,其中所述指令还使所述系统执行以下操作:
当所述第一特征的所述特征向量与数据库中所存储的特征向量匹配时,将所述第一特征添加到与所存储的特征向量相关联的组。
25.一种存储指令集的非暂时性计算机可读介质,该指令集能够由系统的一个或多个处理器执行以使所述系统执行方法,所述方法包括:
采集样本的图像;
标识图像中的所述第一特征;
确定对应于所述第一特征的图案数据;
通过线性分类器确定对应于所述第一特征的特征向量;以及
基于所述特征向量确定所述第一特征的图案组。
根据条款25的计算机可读介质,其中所述图案数据包括样本设计计划。
26.根据条款25的计算机可读介质,其中所述指令集还引起所述系统执行以下操作:
使用具有对应于缺陷特征的多个向量的多个缺陷图案来训练所述线性分类器。
27.根据条款27的计算机可读介质,其中所述多个缺陷图案从存储装置中被获取。
28.根据条款27的计算机可读介质,其中所述指令集还引起所述系统执行以下操作:
标识所述图像中的多个第一特征;以及
确定对应于所述多个第一特征的图案数据,
其中所述多个缺陷图案包括所述第一特征中的一个或多个。
29.根据条款25至29中任一项的计算机可读介质,其中所述指令集还引起所述系统执行以下操作:
将所述特征向量转换成桶ID;以及
基于所述桶ID将所述第一特征分类成多个组当中的所述图案组。
30.根据条款25至30中任一项的计算机可读介质,其中所述指令集还引起所述系统执行以下操作:
当所述第一特征的所述特征向量与数据库中所存储的任何特征向量都不匹配时,为所述第一特征确定新的图案组。
31.根据条款25至30中任一项的计算机可读介质,其中所述指令集还引起所述系统执行以下操作:
当所述第一特征的所述特征向量与数据库中所存储的特征向量匹配时,将所述第一特征添加到与所存储的特征向量相关联的组。
32.一种用于组映射的方法,包括:
基于样本的图形数据系统(GDS)预训练线性分类器网络,其中所述预训练包括:
标识所述GDS中的与区相关联的部分,
为所述GDS的所述部分生成指示所述区的位置并指示与所述GDS的所述部分相关联的多边形数据的形状类型的标签数据,以及
基于所述GDS的所述部分并且基于所述标签数据预训练所述线性分类器网络;
接收所述第一图案的图像;
使用训练后的模型参数生成第一固定维特征向量,所述模型参数基于接收到的图像;以及
为第一固定维特征向量分配第一桶标识(ID)。
33.根据条款33的方法,其中所述区的所述位置是所述区的中心点。
34.根据条款33的方法,其中所述区是切出区。
35.根据条款33的方法,其中所述样本的所述GDS是要在晶片上制造的集成电路的GDS。
附图中的框图图示了根据本公开的各种示例性实施例的系统、方法和计算机硬件/软件产品的可能实施方式的架构、功能性和操作。就此而言,示意图中的每个框可以表示可以使用硬件(诸如电子电路)来实施的某些算术或逻辑运算处理。框也可以表示模块、代码段或代码的一部分,该代码包括用于实施指定的逻辑功能的一个或多个可执行指令。应该理解,在一些替代实施方式中,框中所指示的功能可以不按附图中所示的顺序发生。例如,取决于所涉及的功能性,连续示出的两个框可以基本上并行地被执行或实施,或两个框有时可以按相反的顺序被执行。也可以省略一些框。例如,在一些实施例中,可以省略步骤S104。这可能是因为,如果已经执行了足够的训练,则分类器网络可以直接使用而无需进一步的训练。
还应当理解,框图中的每个框以及这些框的组合可以由执行指定功能或动作的基于专用硬件的系统或由专用硬件和计算机指令的组合来实施。虽然已经结合各种实施例描述了本发明,但是通过考虑本文中所公开的本发明的说明书和实践,本发明的其他实施例对于本领域的技术人员将是明显的。说明书和示例旨在仅被认为是示例性的,其中本发明的真实范围和精神由以下权利要求书指示。
Claims (15)
1.一种用于组映射的方法,包括:
接收第一图案的图像;
使用训练后的模型参数生成第一固定维特征向量,所述模型参数基于接收到的所述图像;以及
向所述第一固定维特征向量分配第一桶标识(ID)。
2.根据权利要求1所述的方法,其中向所述第一固定维特征向量分配所述第一桶ID还包括:
响应于确定所述第一图案不属于与缺陷图案对应的多个桶中的一个桶,针对所述第一固定维特征向量创建新的桶ID。
3.根据权利要求1所述的方法,其中向所述第一固定维特征向量分配所述第一桶ID还包括:
响应于确定所述第一图案属于与缺陷图案对应的多个桶中的一个桶,将所述第一固定维特征向量映射到所述第一桶ID。
4.根据权利要求2所述的方法,其中所述缺陷图案包括与缺陷相关联的GDS信息。
5.根据权利要求4所述的方法,其中所述缺陷图案包括从所述GDS信息中得出的信息,所述信息包括边的数量、角度的数量、尺寸、形状或其组合。
6.根据权利要求1所述的方法,其中所述固定维特征向量是一维特征向量。
7.根据权利要求1所述的方法,其中所述训练后的模型参数通过以下被获得:
获得具有分配后的桶ID的多个图案的多个图像;以及
训练针对深度学习网络的模型参数。
8.根据权利要求7所述的方法,其中所述训练后的模型参数还通过以下被获得:
针对所述深度学习网络应用被定位于多个图像中的一个图像的中心中的单个多边形的参数。
9.根据权利要求1所述的方法,还包括:
基于样本的图形数据系统(GDS)预训练线性分类器网络。
10.根据权利要求9所述的方法,其中所述线性分类器网络的所述预训练包括:
标识所述GDS中的与区相关联的部分,
针对所述GDS的所述部分生成标签数据,所述标签数据指示所述区的位置并指示与所述GDS的所述部分相关联的多边形数据的形状类型,以及
基于所述GDS的所述部分并且基于所述标签数据预训练所述线性分类器网络。
11.一种用于图案分组的系统,包括:
带电粒子束装置,包括检测器;
图像采集器,包括电路,所述电路用以从所述检测器接收检测信号并构造包括第一特征的图像;以及
控制器,具有至少一个处理器和非暂时性计算机可读介质,所述非暂时性计算机可读介质包括指令,所述指令在被所述处理器执行时引起所述系统执行以下操作:
确定对应于所述第一特征的图案数据;
通过分类器确定对应于所述第一特征的特征向量;以及
基于所述特征向量确定所述第一特征的图案组。
12.根据权利要求11所述的系统,其中所述图案数据包括样本设计计划。
13.根据权利要求11所述的系统,其中所述分类器是线性分类器,并且所述指令还引起所述系统执行以下操作:
使用具有对应于缺陷特征的多个向量的多个缺陷图案来训练所述线性分类器。
14.根据权利要求13所述的系统,其中所述多个缺陷图案从存储装置中被取回。
15.一种存储指令集的非暂时性计算机可读介质,所述指令集能够由系统的一个或多个处理器执行以引起所述系统执行方法,所述方法包括:
采集样本的图像;
标识所述图像中的第一特征;
确定对应于所述第一特征的图案数据;
通过线性分类器确定对应于所述第一特征的特征向量;以及
基于所述特征向量确定所述第一特征的图案组。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862697898P | 2018-07-13 | 2018-07-13 | |
US62/697,898 | 2018-07-13 | ||
PCT/EP2019/068015 WO2020011648A1 (en) | 2018-07-13 | 2019-07-04 | Pattern grouping method based on machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112424826A true CN112424826A (zh) | 2021-02-26 |
Family
ID=67220799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980046779.1A Pending CN112424826A (zh) | 2018-07-13 | 2019-07-04 | 基于机器学习的图案分组方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11756182B2 (zh) |
KR (1) | KR102606140B1 (zh) |
CN (1) | CN112424826A (zh) |
IL (1) | IL279797A (zh) |
TW (2) | TWI755613B (zh) |
WO (1) | WO2020011648A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743447A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018134290A1 (en) * | 2017-01-18 | 2018-07-26 | Asml Netherlands B.V. | Defect displaying method |
TWI660249B (zh) * | 2017-01-18 | 2019-05-21 | 荷蘭商Asml荷蘭公司 | 缺陷圖案分組方法及系統 |
US10762618B1 (en) * | 2019-02-14 | 2020-09-01 | United Microelectronics Corp. | Mask weak pattern recognition apparatus and mask weak pattern recognition method |
US12045969B2 (en) * | 2019-10-01 | 2024-07-23 | Carl Zeiss Smt Gmbh | Automated root cause analysis for defect detection during fabrication processes of semiconductor structures |
US11922613B2 (en) * | 2019-12-30 | 2024-03-05 | Micron Technology, Inc. | Apparatuses and methods for determining wafer defects |
US11816411B2 (en) * | 2020-01-29 | 2023-11-14 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and system for semiconductor wafer defect review |
JP7288870B2 (ja) * | 2020-02-05 | 2023-06-08 | 株式会社日立製作所 | 画像を生成するシステム |
US20230117237A1 (en) * | 2020-02-13 | 2023-04-20 | Asml Netherlands B.V. | Contour extraction method from inspection image in multiple charged-particle beam inspection |
US11301987B2 (en) * | 2020-03-03 | 2022-04-12 | Applied Materials Israel Ltd. | Determining locations of suspected defects |
US11022566B1 (en) | 2020-03-31 | 2021-06-01 | Applied Materials Israel Ltd. | Examination of a semiconductor specimen |
CN111476306B (zh) * | 2020-04-10 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 基于人工智能的物体检测方法、装置、设备及存储介质 |
CN112581463B (zh) * | 2020-12-25 | 2024-02-27 | 北京百度网讯科技有限公司 | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 |
WO2023001463A1 (en) * | 2021-07-20 | 2023-01-26 | Asml Netherlands B.V. | Methods and computer programs for data mapping for low dimensional data analysis |
TWI800975B (zh) * | 2021-11-09 | 2023-05-01 | 瑞昱半導體股份有限公司 | 影像辨識系統及其訓練方法 |
CN116542351A (zh) * | 2022-01-21 | 2023-08-04 | 联华电子股份有限公司 | 半导体制造工艺预测模型的训练方法与预测装置 |
WO2023193888A1 (en) * | 2022-04-05 | 2023-10-12 | Applied Materials, Inc. | Methods and apparatuses for identifying defective electrical connections, and methods for generating a trained computational model |
US20240086495A1 (en) * | 2022-09-12 | 2024-03-14 | Thoughtspot, Inc. | Auto-Triage Failures In A/B Testing |
CN117809140B (zh) * | 2024-03-01 | 2024-05-28 | 榆林拓峰达岸网络科技有限公司 | 基于图像识别的图像预处理系统及其方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2008213586A1 (en) * | 2007-02-08 | 2008-08-14 | Motorola Solutions, Inc. | Behavioral recognition system |
CN106290378A (zh) * | 2016-08-23 | 2017-01-04 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和缺陷检查系统 |
JP2018005639A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
JP4908995B2 (ja) | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及びその装置並びに欠陥検査装置 |
US7877722B2 (en) * | 2006-12-19 | 2011-01-25 | Kla-Tencor Corp. | Systems and methods for creating inspection recipes |
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 |
US9607233B2 (en) * | 2012-04-20 | 2017-03-28 | Applied Materials Israel Ltd. | Classifier readiness and maintenance in automatic defect classification |
US9098891B2 (en) | 2013-04-08 | 2015-08-04 | Kla-Tencor Corp. | Adaptive sampling for semiconductor inspection recipe creation, defect review, and metrology |
KR101924487B1 (ko) | 2013-12-17 | 2018-12-03 | 에이에스엠엘 네델란즈 비.브이. | 수율 추산 및 제어 |
US9286675B1 (en) | 2014-10-23 | 2016-03-15 | Applied Materials Israel Ltd. | Iterative defect filtering process |
US10650508B2 (en) | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
JP6546826B2 (ja) | 2015-10-08 | 2019-07-17 | 株式会社日立パワーソリューションズ | 欠陥検査方法、及びその装置 |
US20170256465A1 (en) | 2016-03-01 | 2017-09-07 | Asml Netherlands B.V. | Method and apparatus to determine a patterning process parameter |
KR102188014B1 (ko) | 2016-05-12 | 2020-12-08 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 의한 결함 또는 핫스폿의 식별 |
US10204290B2 (en) | 2016-10-14 | 2019-02-12 | Kla-Tencor Corporation | Defect review sampling and normalization based on defect and design attributes |
US10365617B2 (en) | 2016-12-12 | 2019-07-30 | Dmo Systems Limited | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow |
EP3336774B1 (en) * | 2016-12-13 | 2020-11-25 | Axis AB | Method, computer program product and device for training a neural network |
US10809635B2 (en) * | 2017-11-20 | 2020-10-20 | Taiwan Semiconductor Manufacturing Company, Ltd. | Defect inspection method and defect inspection system |
-
2019
- 2019-07-04 CN CN201980046779.1A patent/CN112424826A/zh active Pending
- 2019-07-04 WO PCT/EP2019/068015 patent/WO2020011648A1/en active Application Filing
- 2019-07-04 KR KR1020217001043A patent/KR102606140B1/ko active IP Right Grant
- 2019-07-10 US US16/508,167 patent/US11756182B2/en active Active
- 2019-07-12 TW TW108124602A patent/TWI755613B/zh active
- 2019-07-12 TW TW111101394A patent/TW202217664A/zh unknown
-
2020
- 2020-12-27 IL IL279797A patent/IL279797A/en unknown
-
2023
- 2023-08-03 US US18/365,130 patent/US20230386021A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2008213586A1 (en) * | 2007-02-08 | 2008-08-14 | Motorola Solutions, Inc. | Behavioral recognition system |
JP2018005639A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 画像分類装置、画像検査装置、及び、プログラム |
CN106290378A (zh) * | 2016-08-23 | 2017-01-04 | 东方晶源微电子科技(北京)有限公司 | 缺陷分类方法和缺陷检查系统 |
Non-Patent Citations (2)
Title |
---|
KATSUYOSHI MIURA等: "Fast and accurate design based binning based on hierarchical clustering with invariant feature vectors for BEOL", 《HTTPS://IEEEXPLORE.IEEE.ORG/DOCUMENT/6552744》, 1 May 2013 (2013-05-01) * |
刘钊;吴垠;朱玉田;: "基于机器视觉的自动灌装系统", 机电一体化, no. 02, 15 February 2017 (2017-02-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743447A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
CN113743447B (zh) * | 2021-07-15 | 2024-05-17 | 上海朋熙半导体有限公司 | 半导体瑕疵识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230386021A1 (en) | 2023-11-30 |
TW202217664A (zh) | 2022-05-01 |
IL279797A (en) | 2021-03-01 |
KR102606140B1 (ko) | 2023-11-24 |
US20200020092A1 (en) | 2020-01-16 |
WO2020011648A1 (en) | 2020-01-16 |
TWI755613B (zh) | 2022-02-21 |
TW202006603A (zh) | 2020-02-01 |
KR20210020112A (ko) | 2021-02-23 |
US11756182B2 (en) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756182B2 (en) | Pattern grouping method based on machine learning | |
CN108463875B (zh) | 使用具有晶片图像数据的设计数据改进半导体晶片检验器的缺陷敏感度 | |
CN111539908B (zh) | 对样本的缺陷检测的方法及其系统 | |
KR102618355B1 (ko) | 딥 러닝을 기반으로 웨이퍼 결함 이미지를 이용하여 웨이퍼의 결함을 분류하는 방법 및 시스템 | |
TWI741244B (zh) | 用於缺陷檢測及再檢測的方法及系統 | |
US12007335B2 (en) | Automatic optimization of an examination recipe | |
US10074167B2 (en) | Reducing registration and design vicinity induced noise for intra-die inspection | |
KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
TWI791930B (zh) | 用於分類半導體樣本中的缺陷的系統、方法及電腦可讀取媒體 | |
KR20240004240A (ko) | 반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬 | |
CN117751382A (zh) | 基于异常的缺陷检查方法和系统 | |
CN113919276A (zh) | 在半导体样本中的阵列的识别 | |
CN116364569A (zh) | 利用计算高效分割方法的缺陷检测 | |
JP7475901B2 (ja) | 試験片上の欠陥検出の方法およびそのシステム | |
CN113947561B (zh) | 半导体样本的图像分割 | |
CN114841912A (zh) | 基于参考图像来确定样本中的缺陷和/或边缘粗糙度 |
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 |