CN112424903A - Sem图像增强方法和系统 - Google Patents

Sem图像增强方法和系统 Download PDF

Info

Publication number
CN112424903A
CN112424903A CN201980046684.XA CN201980046684A CN112424903A CN 112424903 A CN112424903 A CN 112424903A CN 201980046684 A CN201980046684 A CN 201980046684A CN 112424903 A CN112424903 A CN 112424903A
Authority
CN
China
Prior art keywords
image
sem image
sem
features
inspection
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
CN201980046684.XA
Other languages
English (en)
Inventor
方伟
浦凌凌
T·J·胡伊斯曼
E·P·斯马克曼
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.)
ASML Netherlands BV
Original Assignee
ASML Netherlands BV
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 ASML Netherlands BV filed Critical ASML Netherlands BV
Publication of CN112424903A publication Critical patent/CN112424903A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/0004—Microscopes specially adapted for specific applications
    • G02B21/002—Scanning microscopes
    • G02B21/0024—Confocal scanning microscopes (CSOMs) or confocal "macroscopes"; Accessories which are not restricted to use with CSOMs, e.g. sample holders
    • G02B21/008—Details of detection or image processing, including general computer control
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B21/00—Microscopes
    • G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
    • G02B21/365—Control or image processing arrangements for digital or video microscopes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • G—PHYSICS
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H01J2237/223—Fourier techniques
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

公开了用于使用多光束设备进行图像增强的系统和方法。一种用于增强图像的方法包括通过使用多光束设备的同轴光束获取第一扫描电子显微镜(SEM)图像。该方法还包括通过使用多光束设备的离轴光束获取第二SEM图像。该方法还包括通过使用第一SEM图像作为参考来增强第二SEM图像而提供经增强图像。经增强图像可以通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供或使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。

Description

SEM图像增强方法和系统
相关申请的交叉引用
本申请要求在2018年7月13日提交的美国申请62/697,927和在2018年12月31日提交的美国申请62/786,942的优先权，两案整体通过引用并入本文。
技术领域
本文中的描述涉及图像增强领域，并且更具体地涉及扫描电子显微镜(SEM)图像增强。
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。SEM将低能电子(例如＜1keV)递送至表面，并使用检测器记录离开表面的次级和/或反向散射电子。通过针对表面上的不同激发位置记录这种电子，可以产生具有纳米级的空间分辨率的图像。
随着IC部件的物理大小不断缩小，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量难以跟上IC部件的不断减小的特征尺寸的步伐。有几种可以被用于增加产量的技术，包括例如1)减少数据平均量、2)增加检查像素大小、3)增加束电流和4)使用多个光束实行检查。然而，应注意，当使用这些技术时，图像质量不可避免地劣化。具体地，应注意，使用技术(诸如减少数据平均量或增加检查像素大小)将减少采样量，这转而降低图像质量。使用技术(诸如增加束电流或使用多个光束)将增加光斑大小，这也会降低图像质量。此外，当使用多个光束实行检查时，离轴光束可能由于像差而遭受分辨率损失，从而进一步降低图像质量。期望本领域中的进一步改进。
发明内容
本公开的实施例提供了用于图像增强的系统和方法。在一些实施例中，用于增强图像的方法可以包括以第一分辨率获取第一扫描电子显微镜(SEM)图像。方法还可以包括以第二分辨率获取第二SEM图像。方法还可以包括通过使用第一SEM图像作为参考来增强第二SEM图像而提供经增强图像。在一些实施例中，经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
在一些实施例中，公开了一种检查系统。检查系统可以包括存储指令集的存储器和被配置成执行指令集的处理器。处理器可以执行指令集以使检查系统以第一分辨率获取第一扫描电子显微镜(SEM)图像、并以第二分辨率获取第二SEM图像。处理器还可以执行指令集以使检查系统通过使用第一SEM图像作为参考来增强第二SEM图像而提供经增强图像。在一些实施例中，经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
在一些实施例中，公开了一种非暂时性计算机可读介质。非暂时性计算机可读介质可以存储可由装置的至少一个处理器执行以使装置执行一种方法的指令集。方法可以包括以第一分辨率获取第一扫描电子显微镜(SEM)图像、和以第二分辨率获取第二SEM图像。方法还可以包括通过使用第一SEM图像作为参考来增强第二SEM图像而提供经增强图像。在一些实施例中，经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
附图说明
图1是图示与本公开的实施例一致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是与本公开的实施例一致的示例性图像增强系统的框图。
图4是图示与本公开的实施例一致的示例性图像增强系统的框图。
图5是图示与本公开的实施例一致的示例性图像增强方法的流程图。
图6是图示与本公开的实施例一致的使用机器学习网络的示例性图像增强方法的流程图。
图7是图示与本公开的实施例一致的示例性图像增强方法的流程图。
图8是描绘与本公开的实施例一致的示例性去卷积过程的图示。
图9是图示与本公开的实施例一致的示例性图像增强方法的流程图。
图10是描绘与本公开的实施例一致的示例性特征标识过程的图示。
具体实施方式
现在将详细参考示例性实施例，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公开一致的所有实施方式。相反，这些实施方式仅是与同所附权利要求书中所述的主题相关的方面一致的装置和方法的示例。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，在智能电话中，IC芯片(是拇指的大小)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。毫不奇怪，半导体IC制造是一个复杂的过程，具有数百个单独的步骤。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，对于得到75％良率的50步骤工艺，每个单独步骤必须具有大于99.4％的良率，并且如果单独步骤良率为95％，则整体工艺的良率将降至7％。
虽然在IC芯片制造设施中需要高工艺良率，但是维持高晶片产量也很重要，该晶片产量被定义为每小时处理的晶片数量。高工艺良率和高晶片产量可能受缺陷的存在影响，尤其是当涉及操作者干预时。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维持高良率和低成本至关重要。
为了维持高产量，SEM检查工具通常可以以高产量模式运行。然而，与在正常模式下获得的图像相比，以高产量模式操作的SEM检查工具可能会减少数据平均量或增加检查像素大小，或两者结合，从而可以导致图像质量劣化。在高产量模式下，图像增强和恢复变得具有挑战性，特别是因为小规模特征可能会严重失真、丢失或错误表示。另一方面，传统的基于单图像的图像处理方法可能是不适当的，因为它很费时。因此，在缺陷检测和标识领域中的进一步改进同时，需要维持高产量和高良率。
在本公开的一些实施例的一个方面中，当处于高产量模式时，SEM检查工具可以被用于获取低分辨率检查图像(诸如图4中所示出的低分辨率图像330)。使用低分辨率检查图像的特征，检查工具可以标识具有相似特征的一个或多个存储的高分辨率检查图像(诸如图4的高分辨率图像310)，以增强获取到的低分辨率图像。使用来自高分辨率检查图像的图案信息，SEM检查工具可以改善低分辨率检查图像(诸如图4的经增强图像420)。因此，在维持SEM检查工具的高产量的同时，可以增强低分辨率检查图像。
进一步地，SEM检查工具的一些实施例可以被配置成：分析表示第一SEM图像的数据(诸如图8的表示高分辨率图像的一部分的数据810)，以获得一个或多个空间-光谱特性(例如相位和幅度特性)，该数据可以被应用于表示第二SEM图像的数据(诸如图8的表示低分辨率图像的一部分的数据820)以对第二SEM图像进行数值增强(以获得例如图8的表示经增强图像的一部分的数据830)。
SEM检查工具还可以被配置成：分析表示第一SEM图像的数据(诸如图10的表示高分辨率图像的一部分的数据1010)，以识别第一SEM图像中的特征(例如边缘)。检查工具可以使表示第一SEM图像的数据数值模糊，以产生表示以第二分辨率获取到的模糊SEM图像的经模拟数据(诸如图10的经模拟数据1020)。检查工具还可以确定表示模糊SEM图像的经模拟数据的一部分(例如图10的经模拟数据1020)是否拟合表示第二SEM图像的数据(诸如图10的表示低分辨率图像的一部分的数据1030)的一部分。如果检查工具确定存在拟合，则检查工具可以将表示第二SEM图像的数据的一部分识别为包含在第一SEM图像中识别出的特征(例如边缘)的位置。
在一些实施例中，检查工具可以被配置成将检查集中在一些特征(诸如边缘位置等)上。在这种实施例中，不是试图增强整个第二SEM图像的图像质量，而是检查工具可以被配置成仅增强某些关注区域的图像质量，这还可以提高其准确性和产量。
可以预期，本公开的实施例可以提供可以用于带电粒子成像的带电粒子系统。带电粒子系统可以用作用于对样本进行成像和检查以供检测缺陷的SEM检查工具。缺陷可能是指样本或晶片上的部件的可能导致故障的异常条件。在一些实施例中，与标准相比，缺陷可以指像差，例如光致抗蚀剂轮廓、粒子污染、表面缺陷等。
为了清楚起见，附图中的部件的相对尺寸可能被放大。在以下附图描述内，相同或类似的附图标记是指相同或类似的部件或实体，并且仅描述相对于单独实施例的差异。
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，则除非另外明确说明或不可行，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。
本公开的实施例包括用于增强SEM图像的方法和系统。例如，SEM检查工具可以以第一分辨率获取第一SEM图像并且以第二分辨率获取第二SEM图像。假设第二分辨率低于第一分辨率，则SEM检查工具可以利用第一SEM图像作为参考来增强第二SEM图像。在一些实施例中，经增强图像可以通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供。特征可以使用图像处理和/或机器学习而被提取。备选地或附加地，经增强图像可以通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强和恢复而被提供。
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、加载/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包括第一加载端口106a和第二加载端口106b。EFEM 106可以包括(多个)附加的加载端口。第一加载端口106a和第二加载端口106b接收晶片前开式晶片传送盒(FOUP)，这些晶片前开式晶片传送盒包含要检查的晶片(例如半导体晶片或由(多种)其他材料制成的晶片)或样本(晶片和样本可以被互换使用)。“批次”是可以被加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)可以将晶片运输到加载/锁定腔室102。加载/锁定腔室102被连接到加载/锁定真空泵系统(未示出)，该加载/锁定真空泵系统将加载/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)可以将晶片从加载/锁定腔室102运输到主腔室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，通过电子束工具104对晶片进行检查。电子束工具104可以是单光束系统或多光束系统。
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、加载/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示例性成像系统200。图2的电子束工具104可以被配置用于EBI系统100中。电子束工具104可以是单光束装置或多光束装置。如图2中所示出，电子束工具104包括电动样本台201、和由电动样本台201支撑以固持要检查的晶片203的晶片固持器202。电子束工具104还包括接物镜组件204、电子检测器206(其包括电子传感器表面206a和206b)、物镜孔径208、聚光透镜210、光束限制孔径212、电子枪孔径214、阳极216和阴极218。在一些实施例中，接物镜部件204可以包括改进的摆动物镜延迟浸没透镜(SORIL)，其包括极片204a、控制电极204b、偏转器204c和激励线圈204d。电子束工具104可以附加地包括能量分散X射线光谱仪(EDS)检测器(未示出)，以表征晶片203上的材料。
初级电子束220通过在阳极216与阴极218之间施加电压而从阴极218被发出。初级电子束220穿过电子枪孔径214和光束限制孔径212，这两者可以确定进入聚光透镜210的电子束的大小，该聚光透镜驻存于光束限制孔径212下方。聚光透镜210在束进入物镜孔径208之前聚焦初级电子束220，以设定电子束在进入接物镜组件204之前的大小。偏转器204c使初级电子束220偏转，以促进在晶片上的束扫描。例如，在扫描过程中，偏转器204c可以被控制以在不同时间点将初级电子束220依次偏转到晶片203的顶表面的不同地点上，以提供用于晶片203的不同部分的图像重构的数据。此外，偏转器204c还可以被控制以使初级电子束220在特定地点处在不同时间点偏转到晶片203的不同侧面上，以提供用于该地点处的晶片结构的立体图像重构的数据。此外，在一些实施例中，阳极216和阴极218可以被配置成生成多个初级电子束220，并且电子束工具104可以包括多个偏转器204c，以将多个初级电子束220同时投射到晶片的不同的部分/侧面，以为晶片203的不同部分提供用于图像重构的数据。
激励线圈204d和极片204a生成始于极片204a的一端并终止于极片204a的另一端的磁场。晶片203的被初级电子束220扫描的一部分可以被浸没在磁场中并且可以被充电，这继而创建电场。电场减小了初级电子束220在与晶片203碰撞之前撞击在晶片203的表面附近的能量。与极片204a电隔离的控制电极204b控制晶片203上的电场，以防止晶片203微拱起并确保适当的束聚焦。
在接收到初级电子束220后，次级电子束222可以从晶片203的一部分被发出。次级电子束222可以在电子检测器206的传感器表面206a和206b上形成束斑。电子检测器206可以生成表示束斑的强度的信号(例如电压、电流等)，并将信号提供给图像处理系统250。次级电子束222的强度以及所得束斑可以根据晶片203的外部或内部结构而变化。此外，如上文所讨论，初级电子束220可以被投影到晶片的顶表面的不同地点上、或在特定地点处被投影到晶片的不同侧面上，以生成不同强度的次级电子束222(和所得束斑)。因此，通过利用晶片203的地点来映射束斑的强度，处理系统可以重构反映晶片203的内部或表面结构的图像。
成像系统200可以被用于检查样本台201上的晶片203，并且包括电子束工具104，如上文所讨论。成像系统200还可以包括图像处理系统250，该图像处理系统包括图像获取器260、存储装置270和控制器109。图像获取器260可以包括一个或多个处理器。例如，图像获取器260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。图像获取器260可以通过介质(诸如电导体、光纤电缆、便携式存储介质、IR、蓝牙、英特网、无线网络、无线无线电或其组合)与电子束工具104的检测器206连接。图像获取器260可以从检测器206接收信号并且可以构造图像。因此，图像获取器260可以获取晶片203的图像。图像获取器260还可以执行各种后处理功能，诸如生成轮廓、在获取到的图像上叠加指示符等。图像获取器260可以被配置成执行对获取到的图像的亮度和对比度等的调整。存储装置270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270可以与图像获取器260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。图像获取器260和存储装置270可以被连接到控制器109。在一些实施例中，图像获取器260、存储装置270和控制器109可以一起被整合成一个控制单元。
在一些实施例中，图像获取器260可以基于从检测器206接收到的成像信号来获取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。获取到的图像可以是包括多个成像区域的单个图像。单个图像可以被存储在存储装置270中。单个图像可以是初始图像，初始图像可以被划分成多个区。每个区可以包括包含晶片203的特征的一个成像区域。
现在参考图3，该图是与本公开的实施例一致的示例性图像增强系统300的示意图。在一些实施例中，图像增强系统300可以是图2的图像处理系统250的一部分。进一步地，图像增强系统300可以包括图像处理系统250，该图像处理系统包括控制器109、图像获取器260、存储装置270等。
图像增强系统300可以包括高分辨率图像310、信息文件315、机器学习网络320、检查图像330、图案提取器340、存储模块350、图像增强模块360、比较器370、图像增强器380、显示设备390。
高分辨率图像310可以是样本或晶片的一部分的高分辨率图像。如本文中所使用，高分辨率图像是指但不限于具有足够高的分辨率以对具有小于20nm的间距的图像中的两个不同特征的图像进行分辨。应当理解，图像分辨率可以取决于各因素，这些因素包括但不限于用于图像获取的信号平均量、SEM图像帧的噪声比、像素大小、多光束系统的同轴光束的SEM束宽度、单光束系统的SEM束宽度或被供应给(多个)SEM束的电流等。可以预期，可以调整上文所列因素中的一个或多个因素，以提供用于获取高分辨率图像310的期望分辨率。例如，小光斑宽度、小像素大小、低电流、最小束轮廓像差、高信号平均等都是可以有助于提高高分辨率图像310的分辨率的因素。
高分辨率图像310可以使用EBI系统100的图像获取器260或能够获取高分辨率图像的任何这种系统被获取。高分辨率图像310可以由可以生成晶片的检查图像的任何检查系统被获取。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程序膜的半导体晶片衬底。本公开的实施例不限制检查系统的特定类型，只要该系统可以生成具有足够分辨率的晶片图像即可。
在一些实施例中，高分辨率图像310可以在离线模式下被获取，并被用作训练图像。如本文中所使用，离线模式是指图像获取器260或EBI系统100在系统在生产运行中未被用于晶片处理时的操作模式。例如，离线模式可以包括在实际检查开始之或在实际处理运行之前图像获取器260或EBI系统100的操作。在一些实施例中，高分辨率图像310由与处理装备隔开定位的图像获取器获取，该处理装备例如包括独立的EBI系统或图像获取器。由于图像增强可以通过将获取到的高产量检查图像330与已经存在的高分辨率图像310进行比较被执行，因此以离线模式获取高分辨率图像310可以帮助显著增加SEM检查工具的产量。
备选地，在一些实施例中，高分辨率图像310可以在检查过程期间与获取(多个)高产量检查图像330一起被获取。例如，如果图像获取器260或EBI系统100实施多光束系统，则图像获取器260或EBI系统100可以被配置成：利用多光束系统的同轴光束，获取高分辨率图像310；并利用(多个)离轴光束，获取(多个)高产量检查图像330。图像获取器260或EBI系统100也可以被配置成向单光束系统供应不同水平的电流，以尝试获取高分辨率图像310(使用低电流束、或在较低电流被供应给束系统时被获取)和(多个)高产量检查图像330(使用高电流束、或在较高电流被供应给束系统时被获取)。因此，应当理解，高分辨率图像310可以在获取(多个)高产量检查图像330之前、之后被获取或同时被执行。
还应当理解，图像获取器260或EBI系统100可以被配置成获取一个以上高分辨率图像310。这种高分辨率图像310可以包括例如晶片203上的地点的参考图像、或晶片203上的特征的参考图像或后处理参考图像等。在一些实施例中，(多个)高分辨率图像310可以是来自多种产品类型的晶片的地点或特征的一个或多个参考图像。例如，当在相同的生产线(fab line)中使用相同的工艺制造多种产品类型时，来自第一产品类型的特定特征的参考图像可以被用作针对来自第二产品类型的特定特征的高分辨率图像，该第二产品类型与第一产品类型相比具有不同构建。
在一些实施例中，高分辨率图像310可以是复查模式图像(review-mode image)，其是在最佳获取条件下获取到的图像。复查模式图像可以具有更高的分辨率，例如最佳放大率、最佳对比度和亮度、最佳电子束强度等。检测器206的设置也可以被优化以获取高分辨率图像。
在一些实施例中，图像增强系统300可以包括包含参考特征信息的信息文件315。信息文件315可以包括图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式(包括晶片表面上的特征的图形表示)或开放原图系统交换标准(OASIS)格式或Caltech中间格式(CIF)等的晶片设计布局。晶片设计布局可以基于用于构造晶片的图案布局。例如，晶片设计布局可以对应于被用于将特征从光刻掩模或掩模版转移到晶片203的一个或多个光刻掩模或掩模版。除其他之外，GDS信息文件或OASIS信息文件等可以包括以二进制文件格式存储的表示平面几何形状、文本和与晶片设计布局相关的其他信息的特征信息。OASIS格式可以帮助显著减少数据量，从而导致更有效的数据转移过程。大量的GDS或OASIS格式图像可能已经被收集，并且可以构成大量比较特征的数据集。
在一些实施例中，图像增强系统300还可以包括机器学习网络320。机器学习网络320可以被配置成从高分辨率图像310提取特征信息。机器学习网络320还可以从包括GDS格式文件或OASIS格式文件的信息文件315提取相关特征。机器学习网络320可以包括例如人工智能系统、神经网络或深度学习技术、软件实施的算法等。机器学习网络320的特征提取架构可以包括例如卷积神经网络。在一些实施例中，深度学习架构的线性分类器网络可以被用作起始点来训练和构建机器学习网络320的特征提取架构。
在一些实施例中，机器学习模型可以包括多个层。例如，卷积神经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、激活层和输出层。基于特征的性质和复杂性，架构的每层可以产生不同数量的子样本。在第一卷积操作之后，在第一池中可能生成少于10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中生成的10个以上子样本。在一些实施例中，可以通过布局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特征可以具有更高的概率来生成更多的子样本。例如，复杂的特征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。
在一些实施例中，机器学习网络320可以接收高分辨率图像310或信息文件315以提取相关特征和知识。机器学习网络320可以包括临时存储介质(图中未示出)，以存储接收到的信息文件或高分辨率图像。临时存储介质还可以被配置成存储后处理数据(例如诸如所提取的相关特征)。在一些实施例中，特征提取算法或深度学习算法或神经网络可以被配置成包括以下步骤：从临时存储介质或存储模块350检索高分辨率图像或信息文件(稍后讨论)。
机器学习网络320还可以接收附加的训练图像作为输入。这种训练图像可以包括：例如基于GDS或OASIS设计的晶片设计计划或具有高分辨率的复查模式图像、以高分辨率获取到的附加SEM图像等。这种训练图像与高分辨率图像310一起可以被共同称为训练数据，并且可以被存储在可由用户访问的用户定义的存储装置、数据库或存储模块350中。训练数据可以被馈送到被设计成从训练数据提取经训练特征和知识的机器学习网络320中。所提取的特征信息和知识可以被存储在存储模块350中，该存储模块可以被配置成可访问图像增强系统300的其他部件。在一些实施例中，可以离线执行使用机器学习网络320的经训练特征的提取，以使得这些步骤不会不利地影响总体检查产量。
在一些实施例中，机器学习网络320是被配置成从训练数据提取一个或多个经训练特征的自我监督网络。机器学习网络320可以被配置成训练自身以基于先前所标识的经训练特征从高分辨率图像310、附加训练图像以及从信息文件315提取一个或多个经训练特征。在一些实施例中，机器学习网络320可以在离线模式下从高分辨率图像310、附加训练图像以及从信息文件315提取经训练特征。
在一些实施例中，图像增强系统300可以获取检查图像330作为样本、晶片203的特征、晶片203上的关注区或整个晶片203的低分辨率图像。检查图像330可以使用EBI系统100的图像获取器260或能够获取低分辨率图像的任何这种检查系统被获取。检查图像330可以由可以生成晶片或晶片上的关注区的检查图像的任何检查系统被获取。例如，晶片203可以是半导体晶片衬底或具有一个或多个外延层或程序膜的半导体晶片衬底。本公开的实施例不限制检查系统的特定类型，只要该系统可以生成晶片图像即可。在一些实施例中，检查图像330可以是例如使用光学显微镜获取到的光学图像。
在一些实施例中，检查图像330是在晶片处理期间在线获取到的高产量模式图像。如此获取到的检查图像330可能是晶片的特征的劣化、失真、劣质或给人以假象的图像。
在一些实施例中，图像增强系统300可以包括图案提取器340。图案提取器340可以被配置成在晶片处理期间实时地诸如在线地从检查图像330提取全局结构信息或图案。在一些实施例中，图案提取器340可以是数学算法、软件实施的算法、图像处理算法等。图案提取器340可以被整合到图像获取器260中，或可以被配置成作为分开的独立单元来操作，该独立单元被配置成处理检查图像330。在一些实施例中，图案提取器340可以包括图像处理单元(未示出)，该图像处理单元被配置成在存储之前调整检查图像330的亮度、对比度、饱和度、平坦度、噪声过滤等。在一些实施例中，图案提取器340可以从已经存储的检查图像330提取图案信息。
在一些实施例中，图案提取器340可以包括特征提取算法以从检查图像330提取相关的图案信息。所提取的相关图案信息可以包括全局信息，例如全局结构特征、全局图案、参考基准等。所提取的相关图案信息可以被存储在存储模块中，该存储模块被配置成由图像增强系统300的其他部件访问。
图案提取器340还可以被配置成从检查图像330提取全局结构信息、特征信息等。
在一些实施例中，图像增强系统300可以包括存储模块350。存储模块350可以被配置成存储一个或多个高分辨率图像310、训练图像、信息文件315、检查图像330、从机器学习网络320所提取的相关特征、从图案提取器340所提取的图案信息等。存储模块350还可以被配置成：与图像增强系统300的部件(包括例如机器学习网络320和图案提取器340)共享存储的信息。应当了解，存储模块350可以是图2的存储装置270的一部分。
在一些实施例中，存储模块350可以是图像增强系统300的集成存储介质，被配置成与图像增强系统300的每个部件连接。例如，存储模块350可以是可通过互联网、云平台或合适的Wi-Fi通信路径通过无线通信访问的远程存储模块。
存储模块350可以包括图案和特征/知识库。公开的方法可以基于对应度在图案库中搜索匹配图案。例如，如果特征设计轮廓与图案库中的另一图案具有90％或更高的相似度，则可以确定图案匹配。图案库中的图案可以包括先前提取的图案、标准图案(诸如标准IC特征的图案)等。
图像增强系统300可以包括图像增强模块360，该图像增强模块包括一个或多个处理器和存储装置(例如诸如存储模块350)。图像增强模块360可以包括比较器370、图像增强器380和显示设备390。应当了解，图像增强模块360还可以包括图案提取器340、比较器370、图像增强器380和显示设备390中的一个或多个或其组合。
显示设备390可以被配置成显示来自图像增强器380的经增强图像、或检查图像330、或高分辨率图像310等。在一些实施例中，显示设备390可以显示晶片、关注区、晶片上的特征等的预处理图像和后处理图像，包括例如增强的检查图像。图像增强模块360作为单个集成单元可以被连接到存储模块350，该连接被配置成允许在图像增强模块360与存储模块350之间共享数据。在一些实施例中，比较器370、图像增强器380和显示设备390可以被单独地连接到存储模块350。其他连接组合也是可能的。
在一些实施例中，比较器370被配置成：将从机器学习网络320所提取的相关信息与从图案提取器340所提取的图案信息进行比较。在一些实施例中，比较器370被配置成：基于来自图案提取器340的检查图像330的图案信息，从高分辨率图像310的所提取的经训练特征标识经训练特征，并将所标识的所提取的经训练特征与所提取的图案信息进行比较。
比较器370可以包括图像处理算法、软件实施的算法等。在一些实施例中，比较器370可以被配置成与存储模块350通信。比较器370可以生成输出文件，该输出文件包括所标识的所提取的经训练特征与所提取的图案信息之间的匹配结果。生成的输出文件可以被存储在存储模块350中。比较器370还可以被配置成出于匹配目的而从存储模块350访问高分辨率图像310、训练图像、信息文件315、所提取的经训练特征等。
在一些实施例中，比较器370可以包括处理单元、存储器、显示器和通信路径以与图像增强系统300的其他部件(例如机器学习网络320和图案提取器340)交互。
在一些实施例中，图像增强器380可以被配置成：基于来自比较器370的一个或多个匹配结果，生成检查图像330的经增强图像。在一些实施例中，图像增强器380接收由比较器370和检查图像330生成的输出文件。备选地，比较器370可以与图像增强器380整合为单个单元，该单个单元被配置成基于由比较器370生成的匹配结果来比较、标识和生成经增强图像。
在一些实施例中，图像增强器380可以被配置成分析表示高分辨率图像310的数据以获得一个或多个空间-光谱特性(例如包括相位和幅度特性)。图像增强器380可以将空间-光谱特性应用于表示高产量(或低分辨率)检查图像330的数据以对这些检查图像330进行数值增强。
在一些实施例中，图像增强器380可以被配置成分析表示高分辨率图像310的数据，以识别高分辨率图像310中的特征(例如边缘)。图像增强器380可以使表示高分辨率图像310的数据数值模糊，以模拟表示以较低分辨率获取到的模糊图像的数据。图像增强器380可以确定表示模糊图像的数据的一部分是否拟合表示低分辨率检查图像330的数据的一部分。如果图像增强器380确定存在拟合，则图像增强器380可以将数据的表示低分辨率检查图像330的部分识别为包含识别特征(例如边缘)的位置。
在一些实施例中，图像增强器380可以被配置成将增强集中在一些特征(诸如边缘等)上。在这种实施例中，不是试图增强整个低分辨率检查图像330的图像质量，而是图像增强器380可以被配置成仅增强某些关注区域的图像质量，这还可以提高其准确性和产量。
在一些实施例中，图像增强器380是可执行应用或软件。图像增强器380可以包括软件实施的算法、图像处理算法或数学算法等。
图像增强模块360可以包括被配置成显示所生成的增强检查图像的输出设备或显示设备390。显示设备390可以与EBI系统100整体连接。在一些实施例中，显示设备390可以是手持式显示设备、可穿戴式显示设备、多屏幕显示器、交互式显示设备等。也可以使用其他合适的显示设备。
增强检查图像可以被显示在图像增强系统300的显示设备390上。显示设备390可以被整合在电子束工具104内，或可以是被定位于远程地点中的单独的输出设备。
在一些实施例中，显示设备390可以通过无线通信网络(例如Wi-Fi、因特网或云网络)被远程定位和操作。也可以使用其他合适的无线通信网络和平台。显示设备390也可以与存储模块350连接，以在晶片上存储样本或关注区的显示图像。显示设备390也可以被用于显示实时预处理检查图像330。
图4图示了与本公开的实施例一致的示例性图像增强系统300。在一些实施例中，图像增强系统300可以是图2的图像处理系统250的一部分。进一步地，图像增强系统300可以包括图像处理系统250，该图像处理系统包括控制器109、图像获取器260、存储装置270等。
图像增强系统300可以存储高分辨率图像310。如所图示，高分辨率图像310是可以提取相关经训练特征的高分辨率图像。图像增强系统300可以在执行高产量检查之前使用高分辨率图像310来训练机器学习网络320。高分辨率图像310可以包括高分辨率光学显微镜图像、高分辨率次级电子显微镜图像、反向散射电子束图像、原子力显微镜图像等。
如所图示，图4的高分辨率图像310可以包括经训练特征430。经训练特征430可以包括例如以带状布置被布置的一个或多个圆形结构、衬底材料的一个或多个带、金属互连线、金属互连线之间的间隔、接触焊盘、边缘等，它们由掩模上的特征限定并通过光刻工艺而被转移到晶片或衬底上。经训练特征430可以包括结构的一种或多种形状、尺寸、布置、材料、取向等。
信息文件315可以包括要转移到晶片203上的预期晶片设计或芯片设计的布局。信息文件315可以包括以合适的格式(例如GDS、GDSII、OASIS或CIF)存储的信息。
信息文件315可以包括知识，该知识可以包括与经训练特征430相关联的信息，例如特征中的结构的相对取向、晶片上的特征的物理地点信息、晶片上的特征的x-y地点坐标、关键尺寸和临界尺寸公差等。在一些实施例中，知识可以包括目标GDS信息、目标GDSII信息、目标OASIS信息等。
在一些实施例中，信息文件315可以包含关键尺寸信息。光学光刻的临界尺寸公差可能非常难以实现，并且可能需要迭代的校正过程，包括对掩模上的特征的调整。一些可能的解决方案包括但不限于分辨率增强技术，诸如光学接近校正、相移掩模和离轴照明。
光学接近校正涉及将掩模上的实际铬宽度改变成与晶片上的期望的光致抗蚀剂宽度不同。例如，隔离线的大小与相等的线和间隔的密集阵列中的线之间的差异是光学光刻中最常观察到的接近效应。该印刷偏压(print bias)的量值受步进器的光学参数和光致抗蚀剂的对比度影响。如果步进器的光学参数和光致抗蚀剂的对比度保持恒定，则可以通过使掩模偏压来表征和校正印刷偏压。该类依赖于几何形状的掩模偏压通常被用于维持实际晶片上的临界尺寸和临界尺寸公差。掩模偏压被定义为实际铬宽度减去标称(无偏压)铬宽度。因此，正偏压意味着铬被制造得更大。相移掩模和离轴照明技术也可以被用来调整掩模偏压，以使得通过光刻工艺转移到晶片203上的特征与期望的特征形状和大小匹配。
信息文件315可以包括目标偏压校正的掩模信息、未校正的掩模信息、用于步进器的掩模版的偏压校正的特征信息、掩模版的未校正的特征信息或其组合。
在一些实施例中，机器学习网络320被配置成从高分辨率图像310提取经训练特征430或从信息文件315提取知识。在一些实施例中，训练机器学习网络320是自动化的。例如，自动化机器学习网络可以无提示地从信息文件315接收高分辨率图像310或信息。在从信息文件315接收高分辨率图像310或信息之后，自动化机器学习网络可以无提示地提取相关的经训练特征。
所提取的经训练特征430可以被存储在存储模块350中或临时存储在存储库(未示出)中。比较器370、机器学习网络320、图像增强器380、显示设备390等可以访问存储库。
在一些实施例中，检查图像330是由EBI系统100在制造工艺中的检查步骤期间实时获取到的低分辨率的高产量模式图像。如图4中所图示，检查图像330包括劣化的离焦图像，该劣化的离焦图像示出了特征和图案，但没有清楚地分辨出例如与高分辨率图像310中所描绘的特征和图案相似的特征和图案。检查图像330还示出了朝向图像的中心的缺陷。缺陷可以包括空隙、粒子、未剥离的光致抗蚀剂、特征的过度蚀刻表面等。
检查图像330可以是来自光学显微镜的光学图像。在一些实施例中，可以在过程中的给定检查步骤处获取检查图像330的一个或多个视图。图案提取器(例如图3的图案提取器340)可以被配置成处理检查图像330的一个或多个视图，以确定“最佳”图像以从中提取相关的图案信息410。
图像增强模块360可以被配置成处理检查图像330以生成经增强图像420。图像增强模块360可以包括图3的比较器370、图像增强器380和显示设备390。在一些实施例中，图像增强模块360还可以包括图案提取器340。比较器370可以被配置成基于由图案提取器340所提取的图案信息410从信息文件315标识所提取的经训练特征430或知识。在标识出经训练特征之后，比较器370可以将所提取的经训练特征430与图案信息410进行比较并生成输出。输出可以包括与比较结果和所提取的经训练特征430相关联的信息，这些所提取的经训练特征然后被用于增强检查图像。例如，如图4的经增强图像420中所示出，圆形结构、带和缺陷的特征已经使用从高分辨率图像310导出的信息被增强。输出可以被暂时存储在存储模块350中。图像增强器380可以被配置成接收来自比较器370或来自存储模块350的输出以及检查图像330，以生成经增强图像420。
在一些实施例中，图像增强器380可以执行所标识的所提取的经训练特征430与所提取的图案信息410的比较。在一些实施例中，比较器370可以与图像增强器380整合，从而作为单个单元而操作。
经增强图像420可以被显示在显示设备390上。在一些实施例中，经增强图像420被显示在显示设备390上并且被存储在存储模块350中。经增强图像420可以包括与检查图像330的特征和图案相比被增强的特征和图案，例如，特征和图案更清晰地被分辨。在一些实施例中，与检查图像330相比，亮度和对比度可以被优化。检查图像330中的缺陷可以被更好地分辨和聚焦，这可以帮助复查者准确地标识缺陷和处理相关问题。
经增强图像420可以被实时用于检查、缺陷标识和分析、过程验证、质量控制、良率提高分析等，同时维持在晶片制造工艺中的检查步骤期间所需的高产量。经增强图像420可以被同时显示在多个显示器上。例如，表示晶片的在光致抗蚀剂剥离步骤之后但在以下金属沉积步骤之前的检查图像的经增强图像420可以由请求信息的多个复查者或用户进行复查。在一些实施例中，经增强图像420可以在稍后的时间由用户提示获取，以供复查和深入分析。经增强图像420可以以合适的格式存储，例如联合图像专家组(JPEG)文件、便携式网络图形(PNG)文件、便携式文档格式(PDF)文件、带标记图像文件格式(TIFF)文件等。
图5是图示与本公开的实施例一致的示例性图像增强方法的流程图。图像增强方法可以由图像增强模块执行，该图像增强模块可以与包括EBI系统100的带电粒子束装置耦合。例如，控制器(例如图2的控制器109)可以包括图像增强模块，并且可以被编程以实施图像增强方法。应当了解，可以控制带电粒子束装置以对晶片或晶片上的关注区进行成像。成像可以包括扫描晶片以使晶片的至少一部分成像。
在步骤510中，可以获得检查区域的一个或多个扫描后的原始图像。一个或多个扫描后的原始图像可以包括晶片的整个表面，或仅包括晶片的表面的一部分。步骤510中的图像获取可以包括：从带电粒子束装置的检测器(诸如电子检测器(例如图2的电子检测器206))接收信号，或从存储装置(例如图2的存储装置270)加载图像。
在步骤520中，通过图案提取器标识并提取晶片上的图案信息(例如图案信息410)。图案信息可以包括全局结构信息，例如晶片上的光刻工艺的参考基准、晶片上的参考特征等。步骤520可以包括相关特征提取。相关特征和图案的标识可以通过特征提取算法来执行。例如，步骤520的特征提取可以包括使用第一参数集合或使用第一图像处理算法对晶片表面的获取到的图像执行图像分析。相关特征的标识可以包括确定晶片表面上的x-y坐标中的地点、地点组或地点范围。地点信息可以被存储在晶片映射数据库中(例如被设置在图3的存储模块350中)。
在步骤530中，可以标识来自训练图像(例如图3的高分辨率图像310)的经训练特征，该经训练特征对应于所提取的图案信息。可以基于信息文件(例如信息文件315)或训练图像(例如图3的高分辨率图像310)，从晶片设计计划中提取经训练特征。训练图像可以是由图像获取系统以离线模式或复查模式获取到的高分辨率图像。晶片设计计划可以提前被登记。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设计晶片的图案布局。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晶片设计数据库中(例如被设置在图3的存储模块350中)。根据来自信息文件或训练图像的信息数据，可以提取对应于所标识的全局结构信息或图案信息的单独特征。例如，基于在步骤520中所标识的图案地点的x-y坐标，可以收集包括初始特征设计的几何信息的相关的经训练特征。
在一些实施例中，机器学习网络(例如图3的机器学习网络320)可以执行基于在步骤520中从检查图像所提取的图案信息来标识相关的经训练特征。机器学习网络可以被自动化以从信息文件获取经训练特征信息、或从训练图像获取经训练特征信息。机器学习网络也可以被自动化以从信息文件或训练图像提取相关的经训练特征。所提取的经训练特征/知识可以被存储在被配置成存储信息的存储装置或存储库中。所提取的经训练特征/知识可以被临时存储或用于长期目的。所提取的经训练特征/知识可以由图像增强模块(例如图3的图像增强模块360)或图像增强器(例如图3的图像增强器380)访问。
公开的方法可以基于对应度在图案库(被存储在例如存储模块350中)中搜索匹配图案。例如，如果特征设计轮廓与图案库中的另一图案具有90％或更高的相似度，则可以确定图案匹配。图案库中的图案可以包括先前提取的图案、标准图案(诸如标准IC特征的图案)等。
在步骤540中，基于从训练图像所标识的经训练相关特征/知识与从检查图像所提取的图案信息之间的比较结果来增强检查图像。在步骤540中，图像增强包括：基于来自所提取的经训练特征/知识与所提取的图案信息的比较的匹配结果以及所提取的经训练特征/知识本身，生成经增强图像(例如图4的经增强图像420)。然后，匹配的结果和经训练特征430被用于增强检查图像。
图6是图示与本公开的实施例一致的示例性图像增强方法的流程图。图像增强方法可以由图像增强模块执行，该图像增强模块可以与带电粒子束装置(例如EBI系统100)耦合。例如，控制器(例如图2的控制器109)可以包括图像增强模块，并且可以被编程以实施图像增强方法。应当了解，可以控制带电粒子束装置以对晶片或晶片上的关注区进行成像。成像可以包括扫描晶片以使晶片的一部分成像，这可以包括扫描晶片以对整个晶片进行成像。在一些实施例中，图像增强方法可以由图像增强器模块(例如图3的图像增强器380)或图像增强系统300执行。
在步骤610中，获取训练图像(例如图4的高分辨率图像310)。训练图像可以是高分辨率图像、复查模式图像、在最佳获取条件下获取到的高质量图像等。可以例如使用不同的带电粒子束装置、光学显微镜、原子力显微镜等离线获取训练图像。训练图像获取可以在不同于晶片制造地点的远程地点处被执行并且被存储在存储模块(例如图3的存储模块350)或可通过通信网络访问的不同存储单元中。可以离线执行训练图像的获取，以最小化图像增强过程对检查产量的影响。
在步骤620中，使用机器学习网络(例如图3的机器学习网络320)从获取到的训练图像提取相关的经训练特征。还可以从包括特征信息的信息文件(例如图3的信息文件315)提取相关特征，例如晶片设计计划或掩模布局、集成电路的一个或多个层的图形布局。信息文件可以包括以GDS格式、GDSII格式、OASIS格式等存储的信息。
机器学习网络可以被配置成自动提取相关的经训练特征。机器学习网络可以被自动化以从信息文件获取经训练特征信息或从训练图像获取经训练特征信息。使用机器学习网络提取相关的经训练特征可以在不同地点处使用不同处理器离线执行。机器学习网络可以被整合到EBI系统100中，或可以作为远程操作的独立单元进行操作。
在步骤630中，在晶片被加载之后，获取晶片的检查图像(例如图3的检查图像330)。例如，可以将晶片放置在样本台上并准备用于成像。检查图像可以是具有低分辨率的扫描原始图像。检查图像330可以是利用非最佳获取条件集合获取到的高产量检查模式图像。检查图像可以是劣化或劣质图像、或低分辨率图像等。在晶片制造工艺期间在线获取检查图像。步骤630和步骤610可以使用一个或多个图像获取器(例如图2的图像获取器260)或EBI(例如图1的EBI系统100)分别执行。检查图像和训练图像可以由同一EBI在不同时间被获取。
在步骤640中，从检查图像提取全局结构信息或图案信息(例如图4的图案信息410)。步骤640可以包括使用第一参数集合或使用第一图像处理算法对晶片表面的获取到的图像执行图像分析。在步骤640中，通过图案提取器(例如图3的图案提取器340)标识并提取晶片的图案信息。图案信息可以包括全局结构信息，例如晶片上的光刻工艺的参考基准、晶片上的参考特征等。步骤640还可以包括使用特征提取算法来提取(多个)相关特征。相关图案信息的标识和提取可以包括确定晶片表面上的x-y坐标中的地点、地点组或地点范围。地点信息可以被存储在存储模块中所存储的晶片映射数据库中。
在步骤650中，可以使用图像增强模块或比较器(例如图3的比较器370)基于所标识的图案信息来标识来自训练图像的经训练特征。还可以基于信息文件或训练图像从晶片设计计划提取经训练特征。训练图像可以是由图像获取系统(例如EBI系统100)以离线模式或复查模式获取到的高分辨率图像。晶片设计计划可以提前被登记。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设计晶片的图案布局。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晶片设计数据库中。
掩模可以包括基本二维形状，包括但不限于矩形，这些形状可以具有尖角。为了描述来自目标或期望的抗蚀剂图像的实际抗蚀剂图像中的误差，定义了目标图像。当在光致抗蚀剂中印刷时，来自初始设计的拐角可能会在一定程度上圆化。一定量的拐角圆化是可以接受的。尽管没有理由使设计出的掩模布局的拐角圆化，但是也没有理由坚持最终的印刷图案与设计的方角匹配。因此，由于可接受量的拐角圆化，实际期望的图案可能会偏离设计出的图案。备选地，掩模偏压可以被用于修改铬特征，以使得晶片上的最终印刷特征是期望的形状和大小。目标GDS信息(例如图3的信息文件315中所包含的信息)可以包括掩模偏压数据。
信息文件中所存储的晶片设计计划可以包括目标GDS或目标GDSII信息。如本文中所提及，目标GDS信息可以包括基于晶片处理条件的更新后或调整后的掩模特征信息。例如，如上文所讨论，将纳米尺寸的特征从掩模转移到晶片可以包括掩模偏压以适应光学接近校正。光学接近校正的掩模偏压可以包括将掩模上的实际铬宽度改变成与晶片上的期望的光致抗蚀剂宽度不同。例如，隔离线的大小与相等的线和间隔的密集阵列中的线之间的差异是光学光刻中最常观察到的接近效应。该印刷偏压的量值可以很大地受步进器的光学参数或光致抗蚀剂的对比度影响。如果步进器的光学参数或光致抗蚀剂的对比度保持恒定，则可以通过使掩模偏压来表征和校正印刷偏压。该类依赖于几何形状的掩模偏压通常被用于维持实际晶片上的临界尺寸和临界尺寸公差。掩模偏压被定义为实际铬宽度减去标称(无偏压)铬宽度。因此，正偏压意味着铬被制造得更大。
在步骤650中，机器学习网络可以执行基于在步骤640中从检查图像所提取的图案信息来标识相关的经训练特征。机器学习网络可以被自动化以从信息文件获取经训练特征信息或从训练图像获取经训练特征信息。机器学习网络也可以被自动化以从信息文件或训练图像提取相关的经训练特征。所提取的经训练特征(例如图4的经训练特征430)可以被存储在存储模块或被配置成存储信息的存储库中。所提取的经训练特征可以被临时存储或用于长期目的。所提取的经训练特征可以由图像增强模块或图像增强器访问。
在步骤660中，基于从训练图像所标识的经训练相关特征与从检查图像所提取的图案信息之间的比较结果来增强检查图像。在步骤660中，图像增强包括：基于来自所提取的经训练特征与所提取的图案信息的比较的匹配结果以及所提取的经训练特征本身，生成经增强图像(例如图4的经增强图像420)或增强检查图像。然后，匹配的结果和经训练特征被用于增强检查图像。匹配的结果和经训练特征可以被存储在存储模块中。
经增强图像可以被实时用于检查、缺陷标识和分析、过程验证、质量控制、良率提高分析等，同时维持在晶片制造工艺中的检查步骤期间所需的高产量。经增强图像可以被同时显示在多个显示器上。例如，表示晶片的在光致抗蚀剂剥离步骤之后但在以下金属沉积步骤之前的检查图像的经增强图像可以由请求信息的多个复查者或多个用户进行复查。在一些实施例中，经增强图像可以在稍后的时间由用户提示检索，以供复查和深入分析。经增强图像可以以合适的格式(例如JPEG文件、PNG文件、PDF文件、TIFF文件等)被存储。
大体上返回参照图3。在一些实施例中，图像增强系统300可以分析高分辨率图像310以开发去卷积或基准化策略(benchmarking strategy)以增强(多个)低分辨率检查图像330的图像质量。在一些实施例中，图像增强系统300可以分析高分辨率图像310以在离线模式下开发去卷积或基准化策略。备选地或附加地，图像增强系统300可以分析高分辨率图像310以在高产量检查期间开发去卷积或基准化策略。可以预期，除了执行上文所描述的基于图像图案的增强过程之外，图像增强系统300还可以利用这种去卷积或基准化策略来增强(多个)低分辨率检查图像330的图像质量。备选地，图像增强系统300可以利用这种去卷积或基准化策略来增强(多个)低分辨率检查图像330的图像质量，而非执行上文所描述的基于图像图案的增强过程。在一些实施例中，图像增强系统300可以允许用户指定(例如经由用户接口)执行哪个或哪些增强过程。
图7是图示可以由图像增强系统(例如图3的图像增强系统300)执行以分析高分辨率图像(例如图4的高分辨率图像310)、开发去卷积或基准化策略并增强(多个)低分辨率检查图像(例如图4的低分辨率图像330)的图像质量的示例性图像增强方法的流程图。
在步骤710中，可以获取检查区域的一个或多个扫描图像。图像中的至少一个图像可以包括高分辨率图像，并且图像中的至少一个图像可以包括低分辨率检查图像。出于说明性目的，高分辨率图像可以被称为第一图像(或第一SEM图像)，并且低分辨率检查图像可以被称为第二图像(或第二SEM图像)。应当理解，术语“第一”和“第二”不建议在第二图像之前需要获取第一图像。可以预期，可以同时(例如可以使用多光束系统的同轴光束获取第一图像，并且可以使用该多光束系统的离轴光束获取第二图像)或依序(例如可以在第二图像之前获取第一图像，或反之亦然)获取第一图像和第二图像。
在步骤720中，可以分析表示高分辨率图像的数据，以获得其中所包含的一个或多个空间-光谱特性。相关的空间-光谱特性可以包括相位和幅度特性。在步骤730中，获得的空间-光谱特性可以被用于在数值上补偿表示低分辨率图像的数据，从而在步骤740中产生经增强图像。应注意，因为通常通过仅以很小的变化扫描重复特征来实行晶片检查，所以执行这种数值补偿可以有效地且高效地增强低分辨率检查图像的图像质量。
图8是描绘这种数值补偿过程的图示。具体地，表示以高分辨率获取到的第一图像(或第一图像的一部分)的SEM信号被描绘为高分辨率数据810。表示以低分辨率获取到的第二图像(或第二图像的一部分)的SEM信号被描绘为低分辨率数据820。应注意，高分辨率数据810和低分辨率数据820两者都包含噪声，这可能使直接去卷积过程(例如维纳(wiener)去卷积过程等)复杂化，并使这些去卷积过程无效。此外，应注意，SEM图像的去卷积比光学图像的去卷积更复杂。例如，虽然许多光学去卷积策略依赖于可以通过阶跃函数很好地近似边缘的假设，但是这种假设不能扩展到去卷积的SEM信号，因为这些去卷积的SEM信号常常不能被阶跃函数很好地近似。SEM信号在很大程度上由目标内部的电子的相互作用量确定，从而使SEM信号高度取决于目标的性质和SEM的设置。因此，当维纳去卷积被应用于使低分辨率数据820去卷积时，所得的去卷积数据(未示出)未能符合高分辨率数据810。所得的去卷积数据也表现出明显的伪像。
根据本公开的实施例配置的去卷积过程通过考虑从高分辨率数据810获得的空间-光谱特性，改善去卷积结果。相关的空间-光谱特性可以包括相位和幅度特性。利用这种特性，图像增强系统300可以通过如下的操作来对低分辨率数据820进行去卷积：检查在哪个空间频率下噪声主导幅度光谱，且用从高分辨率数据810获得的对应幅度和相位替换这些高空间频率的幅度和相位。所得去卷积数据(被描绘为去卷积数据830)表现出与高分辨率数据810中存在的噪声相当的噪声。去卷积数据830还可以消除由维纳去卷积产生的明显伪像，并且更好地符合理想的高分辨率数据。
可以预期，根据本公开的实施例被配置的竖直补偿过程可以在频域中被应用。在一些实施例中，在应用数值补偿之前，图像增强系统300可以利用傅立叶变换来将时域中的SEM信号变换成频域(也可以被称为傅立叶域)。然而，应当理解，图像增强系统300还可以被配置成在时域中应用数值补偿。应当理解，在不脱离本公开的范围和精神的情况下，图像增强系统300的具体实施方式可以变化。
在一些实施例中，图像增强器300还可以被配置成将检查集中在某些特征(诸如边缘位置等)上。在这种实施例中，不是试图增强整个低分辨率检查图像的图像质量，而是图像增强系统300可以将其增强集中在几个关注特征或区域上。可以预期，通过将其增强集中在几个关注特征或区域上，图像增强系统300还可以提高其准确性和产量。
图9是图示可以由图像增强系统(例如图3的图像增强系统300)执行以帮助标识关注特征或区域的存在和位置的示例性图像增强方法的流程图。
在步骤910中，可以获取检查区域的一个或多个扫描图像。图像中的至少一个图像可以包括高分辨率图像(例如图4的高分辨率图像310)，并且图像中的至少一个图像可以包括低分辨率检查图像(例如图4的低分辨率检查图像330)。出于说明性目的，高分辨率图像可以被称为第一图像(或第一SEM图像)，并且低分辨率检查图像可以被称为第二图像(或第二SEM图像)。应当理解，术语“第一”和“第二”不建议在第二图像之前需要获取第一图像。可以预期，可以同时(例如可以使用多光束系统的同轴光束获取第一图像，并且可以使用该多光束系统的离轴光束获取第二图像)或依序(例如可以在第二图像之前获取第一图像，或反之亦然)获取第一图像和第二图像。
在步骤920中，图像增强系统可以分析表示第一图像的数据，以识别其中所包含的一个或多个特征。例如，参考图10，图像增强系统300可以分析表示第一图像(或第一图像的一部分)的高分辨率数据1010，以识别第一图像中所包含的边缘特征。备选地或附加地，图像增强系统300可以将高分辨率数据1010馈送到机器学习网络320，该机器学习网络可以被配置成识别第一图像中所包含的这种特征。
在步骤930中，图像增强系统可以使表示第一图像的数据数值模糊，以模拟表示以较低分辨率获取到的模糊图像的数据。例如，参考图10，图像增强系统300可以使表示第一图像(或第一图像的一部分)的高分辨率数据1010数值模糊，以产生经模拟的低分辨率数据1020。更具体地，为了使高分辨率数据1010数值模糊，图像增强系统300可以使高分辨率数据1010与类似于被用于获取低分辨率数据1030的光束的光束轮廓进行卷积。例如，如果已知被用于获取低分辨率数据1030的光束具有特定大小、具有特定电流水平或具有特定光束位置，则该信息可以被用于创建光束轮廓，然后该光束轮廓可以被用于使高分辨率数据1010数值模糊，以模拟使用具有该特定大小、具有该特定电流水平并被定位于该特定位置处的光束获取到的内容。另一方面，如果未明确知道光束轮廓，则图像增强系统300可以利用机器学习网络320来分析过去获取到的高分辨率数据和低分辨率数据，以帮助确定应如何应用模糊。可以预期，以此方式利用机器学习网络320可能会引起轻微的延迟，但是与增加的产量相比，延迟可以忽略不计。在使用同轴光束提供高分辨率图像的多光束系统的情况下，图像增强系统300可能能够在检查过程期间验证或更新机器学习网络320，而不会引起任何明显的延迟。
返回参照图9，在步骤940中，图像增强系统可以确定表示模糊图像的经模拟低分辨率数据的一部分是否拟合表示第二图像的数据的一部分。例如，参考图10，图像增强系统300可以将经模拟的低分辨率数据1020相对于所获取的低分辨率数据1030进行比较，以确定是否存在拟合。在一些实施例中，基于经模拟低分辨率数据1020的一部分与低分辨率数据1030的一部分之间的互相关性，作出经模拟低分辨率数据1020的该部分拟合低分辨率数据1030的该部分的确定。在一些实施例中，基于经模拟低分辨率数据1020的一部分的均方根和低分辨率数据1030的一部分的均方根，作出经模拟低分辨率数据1020的该部分拟合低分辨率数据1030的该部分的确定。可以预期，在不脱离本公开的范围和精神的情况下，还可以利用其他数据拟合过程来作出确定。
返回参照图9，在步骤950中，响应于表示模糊图像的经模拟低分辨率数据的一部分拟合表示第二图像的数据的一部分的确定，图像增强系统可以识别表示第二图像的数据的一部分作为关注区域，因为它包含识别出的特征(例如上文所呈现的示例中的边缘位置)。基于此识别，图像增强系统可以在步骤960中选择针对已经被识别为关注的区域来增强第二图像的图像质量。以此方式，图像增强系统300可以将其增强集中在几个关注特征或区域上，从而进一步提高其准确性和产量。
经增强图像可以被实时用于检查、缺陷标识和分析、过程验证、质量控制、良率提高分析等，同时维持在晶片制造工艺中的检查步骤期间所需的高产量。经增强图像可以被同时显示在多个显示器上。例如，表示晶片的在光致抗蚀剂剥离步骤之后但在以下金属沉积步骤之前的检查图像的经增强图像可以由请求信息的多个复查者或多个用户进行复查。在一些实施例中，经增强图像可以在稍后的时间由用户提示获取以供复查和深入分析。经增强图像可以以合适的格式(例如JPEG文件、PNG文件、PDF文件、TIFF文件等)被存储。
还可以使用以下第一条款集合描述实施例，其中对其他条款的引用是对该第一条款集合中的条款的引用：
1.一种用于增强图像的方法，方法包括：
获取样本的第一图像；
提取第一图像的图案信息；
使用图案信息来标识经训练特征；以及
使用所标识的经训练特征，从第一图像提供经增强图像。
2.根据条款1的方法，还包括从用户定义的数据库获取训练图像，其中用户定义的数据库包括图形数据库系统。
3.根据条款1和2中任一项的方法，还包括经由机器学习网络从训练图像提取经训练特征。
4.根据条款2和3中任一项的方法，其中在离线模式下执行获取训练图像和提取经训练特征。
5.根据条款1至4中任一项的方法，其中使用图案信息来标识经训练特征包括：将图案信息与经训练特征进行比较。
6.根据条款1至5中任一项的方法，其中第一图像包括低分辨率电子束检查图像。
7.根据条款2的方法，其中训练图像包括高分辨率电子束图像。
8.一种用于增强图像的方法，方法包括：
获取训练图像；
经由机器学习网络从训练图像提取经训练特征；
获取样本的第一图像；
提取第一图像的图案信息；
使用图案信息来标识经训练特征；以及
使用所标识的经训练特征，从第一图像提供经增强图像。
9.根据条款8的方法，还包括从用户定义的数据库获取训练图像，其中用户定义的数据库包括图形数据库系统。
10.根据条款8和9中任一项的方法，其中在离线模式下，执行获取训练图像和提取经训练特征。
11.根据条款8至10中任一项的方法，其中使用图案信息来标识经训练特征包括：将图案信息与经训练特征进行比较。
12.根据条款8至11中任一项的方法，其中第一图像包括低分辨率电子束检查图像。
13.根据条款8至11中任一项的方法，其中训练图像包括高分辨率电子束图像。
14.一种检查图像增强系统，包括：
存储器，存储指令集；以及
处理器，被配置成执行指令集以使检查图像增强系统：
获取样本的检查图像；
从检查图像提取图案信息；
使用图案信息来标识经训练特征；以及
使用所标识的经训练特征，从检查图像提供经增强图像。
15.根据条款14的系统，其中指令集还使检查图像增强系统：
获取训练图像；以及
经由机器学习网络，从训练图像提取经训练特征。
16.根据条款15的系统，其中指令集还使检查图像增强系统来以离线模式获取训练图像并提取经训练特征。
17.根据条款15和16中任一项的系统，其中指令集还使检查图像增强系统从用户定义的数据库获取训练图像。
18.根据条款14至17中任一项的系统，其中指令集还使检查图像增强系统通过将图案信息与经训练特征进行比较来使用图案信息来标识经训练特征。
19.根据条款14至18中任一项的系统，其中检查图像包括低分辨率电子束图像。
20.根据条款15至18中任一项的系统，其中训练图像包括高分辨率电子束图像。
21.根据条款14至20中任一项的系统，还包括存储设备，被配置成存储与经训练特征和图案信息相关的数据。
22.一种非暂时性计算机可读介质，其存储指令集，该指令集可由装置的至少一个处理器执行以使装置执行一种方法，该方法包括：
获取样本的第一图像；
提取第一图像的图案信息；
使用图案信息来标识经训练特征；以及
使用所标识的经训练特征，从第一图像提供经增强图像。
23.根据条款22的计算机可读介质，其中指令集还使装置：
获取训练图像；以及
经由机器学习网络，从训练图像提取经训练特征。
24.根据条款24的计算机可读介质，其中指令集还使装置：
在离线模式下获取训练图像并提取经训练特征。
25.根据条款22的计算机可读介质，其中指令集还使装置：
通过将图案信息与经训练特征进行比较使用图案信息来标识经训练特征。
还可以使用以下第二条款集合描述实施例，其中对其他条款的引用是对该第二条款集合中的条款的引用：
1.一种用于增强图像的方法，方法包括：
以第一分辨率，获取第一扫描电子显微镜(SEM)图像；
以第二分辨率，获取第二SEM图像；以及
提供经增强图像，该经增强图像通过使用第一SEM图像作为参考来增强第二SEM图像而被提供。
2.根据条款1的方法，其中经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
3.根据条款1的方法，还包括：
从第一SEM图像提取经训练特征。
4.根据条款3的方法，其中经训练特征使用机器学习网络从第一SEM图像被提取。
5.根据条款4的方法，还包括：
以第一分辨率，获取至少一个附加的SEM图像；以及
使用机器学习网络，从至少一个附加SEM图像提取至少一个附加的经训练特征。
6.根据条款2至5中任一项的方法，还包括：
提取第二SEM图像的图案信息；
使用图案信息，确定经训练特征在第二SEM图像上被标识；以及
响应于经训练特征在第二SEM图像上被标识的确定，通过使用所标识的经训练特征增强第二SEM图像来提供经增强图像。
7.根据条款2至6中任一项的方法，其中在离线模式下执行获取第一SEM图像和从第一SEM图像提取经训练特征。
8.根据条款2至6中任一项的方法，其中确定经训练特征在第二SEM图像上被标识包括：对图案信息和经训练特征的比较。
9.根据条款1的方法，还包括：
分析表示第一SEM图像的数据，以获得一个或多个空间-光谱特性；以及
基于获得的一个或多个空间-光谱特性，通过将一个或多个数值补偿应用于表示第二SEM图像的数据来提供经增强图像。
10.根据条款9的方法，其中获得的一个或多个空间-光谱特性包括相位和幅度特性。
11.根据条款9的方法，其中一个或多个数值补偿被应用于傅立叶域中。
12.根据条款9的方法，其中一个或多个数值补偿对第二SEM图像进行去卷积。
13.根据条款1的方法，还包括：
分析表示第一SEM图像的数据以识别第一SEM图像中的特征；
使表示第一SEM图像的数据数值模糊，以模拟表示以第二分辨率获取到的经模糊SEM图像的数据；
确定表示该模糊SEM图像的数据的一部分拟合表示第二SEM图像的数据的一部分；以及
响应于表示经模糊SEM图像的数据的一部分拟合表示第二SEM图像的数据的一部分的确定，将表示第二SEM图像的数据的该部分识别为包含在第一SEM图像中识别出的特征的位置。
14.根据条款13的方法，其中特征是边缘位置。
15.根据条款13和14中任一项的方法，其中基于表示经模糊SEM图像的数据的一部分与表示第二SEM图像的数据的一部分之间的互相关性，作出表示经模糊SEM图像的数据的该部分拟合表示第二SEM图像的数据的该部分的确定。
16.根据条款13和14中任一项的方法，其中基于表示经模糊SEM图像的数据的一部分的均方根和表示第二SEM图像的数据的一部分的均方根，作出表示经模糊SEM图像的数据的该部分拟合表示第二SEM图像的数据的该部分的确定。
17.根据条款1至16中任一项的方法，其中第二分辨率低于第一分辨率。
18.根据条款1至17中任一项的方法，其中第一分辨率和第二分辨率对应于以下各者中的至少一个：信号平均量、SEM图像帧的噪声比、像素大小、多光束系统的同轴光束的SEM束宽度、多光束系统的离轴光束的SEM束宽度、单光束系统的SEM束宽度或被供应给SEM束的电流。
19.根据条款1至18中任一项的方法，其中使用多光束系统的同轴光束获得第一SEM图像，并且使用多光束系统的离轴光束获得第二SEM图像。
20.根据条款1至18中任一项的方法，其中使用低电流束获得第一SEM图像，并且使用高电流束获得第二SEM图像。
21.一种检查系统，包括：
存储器，存储指令集；以及
处理器，被配置成执行指令集以使检查系统：
以第一分辨率，获取第一扫描电子显微镜(SEM)图像；
以第二分辨率，获取第二SEM图像；以及
提供经增强图像，该经增强图像通过使用第一SEM图像作为参考来增强第二SEM图像而被提供。
22.根据条款21的系统，其中经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
23.根据条款21的系统，其中处理器还被配置成执行指令集以使检查系统：
从第一SEM图像提取经训练特征。
24.根据条款23的系统，其中经训练特征使用机器学习网络从第一SEM图像被提取。
25.根据条款24的系统，其中处理器还被配置成执行指令集以使检查系统：
以第一分辨率，获取至少一个附加的SEM图像；以及
使用机器学习网络，从至少一个附加SEM图像提取至少一个附加的经训练特征。
26.根据条款22至25中任一项的系统，其中处理器还被配置成执行指令集以使检查系统：
提取第二SEM图像的图案信息；
使用图案信息，确定经训练特征在第二SEM图像上被标识；以及
响应于经训练特征在第二SEM图像上被标识的确定，通过使用所标识的经训练特征增强第二SEM图像来提供经增强图像。
27.根据条款22至26中任一项的系统，其中处理器还被配置成执行指令集以使检查系统以离线模式获取第一SEM图像并从第一SEM图像提取经训练特征。
28.根据条款26的系统，其中经训练特征在第二SEM图像上被标识的确定包括对图案信息和经训练特征的比较。
29.根据条款21的系统，其中处理器还被配置成执行指令集以使检查系统：
分析表示第一SEM图像的数据以获得一个或多个空间-光谱特性；以及
基于获得的一个或多个空间-光谱特性，通过将一个或多个数值补偿应用于表示第二SEM图像的数据来提供经增强图像。
30.根据条款29的系统，其中获得的一个或多个空间-光谱特性包括相位和幅度特性。
31.根据条款29的系统，其中一个或多个数值补偿被应用于傅立叶域中。
32.根据条款29的系统，其中一个或多个数值补偿对第二SEM图像进行去卷积。
33.根据条款21的系统，其中处理器还被配置成执行指令集以使检查系统：
分析表示第一SEM图像的数据以识别第一SEM图像中的特征；
使表示第一SEM图像的数据数值模糊，以模拟表示以第二分辨率获取到的经模糊SEM图像的数据；
确定表示经模糊SEM图像的数据的一部分拟合表示第二SEM图像的数据的一部分；以及
响应于表示经模糊SEM图像的数据的一部分拟合表示第二SEM图像的数据的一部分的确定，将表示第二SEM图像的数据的该部分识别为包含在第一SEM图像中识别出的特征的位置。
34.根据条款33的系统，其中特征是边缘位置。
35.根据条款33至34中任一项的系统，其中基于表示经模糊SEM图像的数据的一部分与表示第二SEM图像的数据的一部分之间的互相关性，作出表示经模糊SEM图像的数据的该部分拟合表示第二SEM图像的数据的该部分的确定。
36.根据条款33至34中任一项的系统，其中基于表示经模糊SEM图像的数据的一部分的均方根和表示第二SEM图像的数据的一部分的均方根，作出表示经模糊SEM图像的数据的该部分拟合表示第二SEM图像的数据的该部分的确定。
37.根据条款21至36中任一项的系统，其中第二分辨率低于第一分辨率。
38.根据条款21至37中任一项的系统，其中第一分辨率和第二分辨率对应于以下各者中的至少一个：信号平均量、SEM图像帧的噪声比、像素大小、多光束系统的同轴光束的SEM束宽度、多光束系统的离轴光束的SEM束宽度、单光束系统的SEM束宽度或被供应给SEM束的电流。
39.根据条款21至38中任一项的系统，其中使用多光束系统的同轴光束获得第一SEM图像，并且使用多光束系统的离轴光束获得第二SEM图像。
40.根据条款21至38中任一项的系统，其中使用低电流束获得第一SEM图像，并且使用高电流束获得第二SEM图像。
41.一种非暂时性计算机可读介质，其存储指令集，所述指令集可由装置的至少一个处理器执行以使装置执行一种方法，该方法包括：
以第一分辨率获取第一扫描电子显微镜(SEM)图像；
以第二分辨率获取第二SEM图像；以及
提供经增强图像，该经增强图像通过使用第一SEM图像作为参考来增强第二SEM图像而被提供。
42.根据条款41的计算机可读介质，其中经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
43.根据条款41的计算机可读介质，其中指令集可由装置的至少一个处理器执行以使装置进一步：
从第一SEM图像提取经训练特征。
44.根据条款43的计算机可读介质，其中经训练特征使用机器学习网络从第一SEM图像被提取。
45.根据条款44的计算机可读介质，其中指令集可由装置的至少一个处理器执行以使装置进一步：
以第一分辨率获取至少一个附加的SEM图像；以及
使用机器学习网络，从至少一个附加SEM图像提取至少一个附加的经训练特征。
46.根据条款42至45中任一项的计算机可读介质，其中指令集可由装置的至少一个处理器执行以使装置进一步：
提取第二SEM图像的图案信息；
使用图案信息，确定经训练特征在第二SEM图像上被标识；以及
响应于经训练特征在第二SEM图像上被标识的确定，通过使用所标识的经训练特征增强第二SEM图像来提供经增强图像。
47.根据条款42至46中任一项的计算机可读介质，其中在离线模式下执行获取第一SEM图像和从第一SEM图像提取经训练特征。
48.根据条款46的计算机可读介质，其中经训练特征在第二SEM图像上被标识的确定包括对图案信息和经训练特征的比较。
49.根据条款41的计算机可读介质，其中指令集可由装置的至少一个处理器执行以使装置进一步：
分析表示第一SEM图像的数据以获得一个或多个空间-光谱特性；以及
基于获得的一个或多个空间-光谱特性，通过将一个或多个数值补偿应用于表示第二SEM图像的数据来提供经增强图像。
50.根据条款49的计算机可读介质，其中获得的一个或多个空间-光谱特性包括相位和幅度特性。
51.根据条款49的计算机可读介质，其中一个或多个数值补偿被应用于傅立叶域中。
52.根据条款49的计算机可读介质，其中一个或多个数值补偿对第二SEM图像进行去卷积。
53.根据条款41的计算机可读介质，其中指令集可由装置的至少一个处理器执行以使装置进一步：
分析表示第一SEM图像的数据以识别第一SEM图像中的特征；
使表示第一SEM图像的数据数值模糊，以模拟表示以第二分辨率获取到的经模糊SEM图像的数据；
确定表示经模糊SEM图像的数据的一部分拟合表示第二SEM图像的数据的一部分；以及
响应于表示经模糊SEM图像的数据的一部分拟合表示第二SEM图像的数据的一部分的确定，将表示第二SEM图像的数据的该部分识别为包含在第一SEM图像中识别出的特征的位置。
54.根据条款53的计算机可读介质，其中特征是边缘位置。
55.根据条款53至54中任一项的计算机可读介质，其中基于表示经模糊SEM图像的数据的一部分与表示第二SEM图像的数据的一部分之间的互相关性，作出表示经模糊SEM图像的数据的该部分拟合表示第二SEM图像的数据的该部分的确定。
56.根据条款53至54中任一项的计算机可读介质，其中基于表示经模糊SEM图像的数据的一部分的均方根和表示第二SEM图像的数据的一部分的均方根，作出表示经模糊SEM图像的数据的该部分拟合表示第二SEM图像的数据的该部分的确定。
57.根据条款41至56中任一项的计算机可读介质，其中第二分辨率低于第一分辨率。
58.根据条款41至57中任一项的计算机可读介质，其中第一分辨率和第二分辨率对应于以下各者中的至少一个：信号平均量、SEM图像帧的噪声比、像素大小、多光束系统的同轴光束的SEM束宽度、多光束系统的离轴光束的SEM束宽度、单光束系统的SEM束宽度或被供应给SEM束的电流。
59.根据条款41至58中任一项的计算机可读介质，其中使用多光束系统的同轴光束获得第一SEM图像，并且使用多光束系统的离轴光束获得第二SEM图像。
60.根据条款41至58中任一项的计算机可读介质，其中使用低电流束获得第一SEM图像，并且使用高电流束获得第二SEM图像。
还可以使用以下第三条款集合描述实施例，其中对其他条款的引用是对该第三条款集合中的条款的引用：
1.一种用于增强图像的方法，方法包括：
通过使用多光束系统的同轴光束，获取第一扫描电子显微镜(SEM)图像；
通过使用多光束系统的离轴光束，获取第二SEM图像；以及
提供经增强图像，该经增强图像通过使用第一SEM图像作为参考来增强第二SEM图像而被提供。
2.根据条款1的方法，其中经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
3.根据条款1的方法，还包括：
从第一SEM图像提取经训练特征。
4.一种检查系统，包括：
存储器，存储指令集；以及
处理器，被配置成执行指令集以使检查系统：
通过使用多光束系统的同轴光束，获取第一扫描电子显微镜(SEM)图像；
通过使用多光束系统的离轴光束，获取第二SEM图像；以及
提供经增强图像，该经增强图像通过使用第一SEM图像作为参考来增强第二SEM图像而被提供。
5.根据条款4的系统，其中经增强图像通过使用从第一图像所提取的一个或多个特征来增强第二SEM图像而被提供，或通过使用第一SEM图像作为参考来对第二SEM图像进行数值增强而被提供。
6.根据条款4的系统，其中处理器还被配置成执行指令集以使检查系统：
从第一SEM图像提取经训练特征。
7.根据条款6的系统，其中经训练特征使用机器学习网络从第一SEM图像被提取。
8.根据条款7的系统，其中处理器还被配置成执行指令集以使检查系统：
通过使用同轴光束，获取至少一个附加SEM图像；以及
使用机器学习网络，从至少一个附加SEM图像提取至少一个附加的经训练特征。
9.根据条款4的系统，其中处理器还被配置成执行指令集以使检查系统：
提取第二SEM图像的图案信息；
使用图案信息，确定经训练特征在第二SEM图像上被标识；以及
响应于经训练特征在第二SEM图像上被标识的确定，通过使用所标识的经训练特征增强第二SEM图像来提供经增强图像。
10.根据条款4的系统，其中处理器还被配置成：执行指令集，以使检查系统以离线模式获取第一SEM图像并从第一SEM图像提取经训练特征。
11.根据条款9的系统，其中经训练特征在第二SEM图像上被标识的确定包括：图案信息和经训练特征的比较。
12.根据条款4的系统，其中处理器还被配置成执行指令集以使检查系统：
分析表示第一SEM图像的数据，以获得一个或多个空间-光谱特性；以及
基于所获得的一个或多个空间-光谱特性，通过将一个或多个数值补偿应用于表示第二SEM图像的数据来提供经增强图像。
13.根据条款12的系统，其中获得的一个或多个空间-光谱特性包括相位和幅度特性。
14.根据条款12的系统，其中一个或多个数值补偿被应用于傅立叶域中。
15.根据条款12的系统，其中一个或多个数值补偿对第二SEM图像进行去卷积。
可以提供一种非暂时性计算机可读介质，其存储指令以供处理器(例如图1的控制器109的处理器)实行图像处理、数据处理、数据库管理、图形显示、带电粒子束装置或其他成像设备的操作等。非暂时性介质的常见形式包括例如软盘、柔性磁盘、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。
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、方法和计算机硬件或软件产品的可能实施方式的架构、功能性和操作。在这点上，流程图或框图中的每个框可以表示代码的模块、段或部分，其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，在一些备选实施方式中，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。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。
将了解，本公开的实施例不限于上文已经描述并且在附图中所图示的确切构造，并且在不脱离本公开的范围的情况下可以作出各种修改和改变。

Claims (15)

1.一种用于增强图像的方法，所述方法包括：
通过使用多光束系统的同轴光束，获取第一扫描电子显微镜(SEM)图像；
通过使用所述多光束系统的离轴光束，获取第二SEM图像；以及
提供经增强图像，所述经增强图像通过使用所述第一SEM图像作为参考来增强所述第二SEM图像而被提供。
2.根据权利要求1所述的方法，其中所述经增强图像通过使用从所述第一图像所提取的一个或多个特征来增强所述第二SEM图像而被提供，或通过使用所述第一SEM图像作为参考来对所述第二SEM图像进行数值增强而被提供。
3.根据权利要求1所述的方法，还包括：
从所述第一SEM图像提取经训练特征。
4.一种检查系统，包括：
存储器，存储指令集；以及
处理器，被配置成执行所述指令集以使所述检查系统：
通过使用多光束系统的同轴光束，获取第一扫描电子显微镜(SEM)图像；
通过使用所述多光束系统的离轴光束，获取第二SEM图像；以及
提供经增强图像，所述经增强图像通过使用所述第一SEM图像作为参考来增强所述第二SEM图像而被提供。
5.根据权利要求4所述的系统，其中所述经增强图像通过使用从所述第一图像所提取的一个或多个特征来增强所述第二SEM图像而被提供，或通过使用所述第一SEM图像作为参考来对所述第二SEM图像进行数值增强而被提供。
6.根据权利要求4所述的系统，其中所述处理器还被配置成执行所述指令集以使所述检查系统：
从所述第一SEM图像提取经训练特征。
7.根据权利要求6所述的系统，其中使用机器学习网络，从所述第一SEM图像提取所述经训练特征。
8.根据权利要求7所述的系统，其中所述处理器还被配置成执行所述指令集以使所述检查系统：
通过使用所述同轴光束，获取至少一个附加SEM图像；以及
使用所述机器学习网络，从所述至少一个附加SEM图像提取至少一个附加的经训练特征。
9.根据权利要求4所述的系统，其中所述处理器还被配置成执行所述指令集以使所述检查系统：
提取所述第二SEM图像的图案信息；
使用所述图案信息，确定所述经训练特征在所述第二SEM图像上被标识；以及
响应于所述经训练特征在所述第二SEM图像上被标识的所述确定，通过使用所标识的经训练特征增强所述第二SEM图像来提供所述经增强图像。
10.根据权利要求4所述的系统，其中所述处理器还被配置成：执行所述指令集，以使所述检查系统以离线模式获取所述第一SEM图像并从所述第一SEM图像提取所述经训练特征。
11.根据权利要求9所述的系统，其中所述经训练特征在所述第二SEM图像上被标识的所述确定包括：所述图案信息和所述经训练特征的比较。
12.根据权利要求4所述的系统，其中所述处理器还被配置成执行所述指令集以使所述检查系统：
分析表示所述第一SEM图像的数据，以获得一个或多个空间-光谱特性；以及
基于所获得的一个或多个空间-光谱特性，通过将一个或多个数值补偿应用于表示所述第二SEM图像的数据，提供所述经增强图像。
13.根据权利要求12所述的系统，其中所获得的一个或多个空间-光谱特性包括相位和幅度特性。
14.根据权利要求12所述的系统，其中所述一个或多个数值补偿被应用于傅立叶域中。
15.根据权利要求12所述的系统，其中所述一个或多个数值补偿对所述第二SEM图像进行去卷积。
CN201980046684.XA 2018-07-13 2019-07-01 Sem图像增强方法和系统 Pending CN112424903A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862697927P 2018-07-13 2018-07-13
US62/697,927 2018-07-13
US201862786942P 2018-12-31 2018-12-31
US62/786,942 2018-12-31
PCT/EP2019/067555 WO2020011580A1 (en) 2018-07-13 2019-07-01 Sem image enhancement methods and systems

Publications (1)

Publication Number Publication Date
CN112424903A true CN112424903A (zh) 2021-02-26

Family

ID=67184995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980046684.XA Pending CN112424903A (zh) 2018-07-13 2019-07-01 Sem图像增强方法和系统

Country Status (6)

Country Link
US (1) US20200018944A1 (zh)
KR (2) KR20210021369A (zh)
CN (1) CN112424903A (zh)
IL (2) IL280067B1 (zh)
TW (2) TW202117787A (zh)
WO (1) WO2020011580A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11264206B2 (en) * 2014-03-10 2022-03-01 D2S, Inc. Methods and systems for forming a pattern on a surface using multi-beam charged particle beam lithography
US10923318B2 (en) * 2018-12-20 2021-02-16 Fei Company Optical alignment correction using convolutional neural network evaluation of a beam image
WO2020236624A1 (en) * 2019-05-17 2020-11-26 Magic Leap, Inc. Methods and apparatuses for corner detection using neural network and corner detector
JP2021026926A (ja) * 2019-08-07 2021-02-22 株式会社日立ハイテク 画像生成方法、非一時的コンピューター可読媒体、及びシステム
JP7336540B2 (ja) * 2020-01-22 2023-08-31 株式会社日立ハイテク 荷電粒子線装置及び検査装置
US11416977B2 (en) * 2020-03-10 2022-08-16 Applied Materials, Inc. Self-measurement of semiconductor image using deep learning
CA3078085A1 (en) * 2020-04-09 2021-10-09 Techinsights Inc. System and method for image segmentation from sparse particle impingement data
EP3901902A1 (en) * 2020-04-20 2021-10-27 FEI Company Method implemented by a data processing apparatus, and charged particle beam device for inspecting a specimen using such a method
JP2023544258A (ja) * 2020-10-13 2023-10-23 エーエスエムエル ネザーランズ ビー．ブイ． ボケ除去モデルを生成して像のボケを除去する装置及び方法
US11282670B1 (en) * 2020-12-29 2022-03-22 Fei Company Slice depth reconstruction of charged particle images using model simulation for improved generation of 3D sample images
TW202238110A (zh) * 2021-02-23 2022-10-01 以色列商奧寶科技有限公司 使用混合成像系統之自動光學檢測

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6812462B1 (en) * 2003-02-21 2004-11-02 Kla-Tencor Technologies Corporation Dual electron beam instrument for multi-perspective
KR20050004786A (ko) * 2002-02-22 2005-01-12 에이저 시스템즈 인크 제조 프로세스의 모니터링 및 제어
US20160290934A1 (en) * 2015-04-03 2016-10-06 Kla-Tencor Corporation Optical Die to Database Inspection
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
KR20180001564A (ko) * 2015-05-26 2018-01-04 케이엘에이-텐코 코포레이션 하전 입자빔 시스템을 이용한 고속 핫스팟 또는 결함 이미징
CN108027499A (zh) * 2015-09-23 2018-05-11 科磊股份有限公司 用于多波束扫描式电子显微系统的聚焦调整的方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7888640B2 (en) * 2007-06-18 2011-02-15 Hitachi High-Technologies Corporation Scanning electron microscope and method of imaging an object by using the scanning electron microscope
JP5164754B2 (ja) * 2008-09-08 2013-03-21 株式会社日立ハイテクノロジーズ 走査型荷電粒子顕微鏡装置及び走査型荷電粒子顕微鏡装置で取得した画像の処理方法
JP5325522B2 (ja) * 2008-10-15 2013-10-23 株式会社堀場製作所 複合型観察装置
JP5303781B2 (ja) * 2008-12-26 2013-10-02 株式会社堀場製作所 電子顕微鏡装置
US20130335817A1 (en) * 2011-01-05 2013-12-19 Shinichiro Isobe Multiple light source microscope
TWI537596B (zh) * 2014-12-31 2016-06-11 Laser projection device
US9691588B2 (en) * 2015-03-10 2017-06-27 Hermes Microvision, Inc. Apparatus of plural charged-particle beams
KR101725506B1 (ko) * 2015-07-20 2017-04-12 한국표준과학연구원 시료의 광학 이미지를 얻을 수 있는 주사전자현미경
US11056314B2 (en) * 2015-10-22 2021-07-06 Northwestern University Method for acquiring intentionally limited data and the machine learning approach to reconstruct it
WO2018108239A1 (en) * 2016-12-12 2018-06-21 Applied Materials, Inc. Ltps layer qualification on display substrates by inline sem using a multi perspective detector and method for inspecting a large area substrate
US10769761B2 (en) * 2017-06-30 2020-09-08 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050004786A (ko) * 2002-02-22 2005-01-12 에이저 시스템즈 인크 제조 프로세스의 모니터링 및 제어
US6812462B1 (en) * 2003-02-21 2004-11-02 Kla-Tencor Technologies Corporation Dual electron beam instrument for multi-perspective
US20160290934A1 (en) * 2015-04-03 2016-10-06 Kla-Tencor Corporation Optical Die to Database Inspection
CN107454980A (zh) * 2015-04-03 2017-12-08 科磊股份有限公司 光学裸片到数据库检验
KR20180001564A (ko) * 2015-05-26 2018-01-04 케이엘에이-텐코 코포레이션 하전 입자빔 시스템을 이용한 고속 핫스팟 또는 결함 이미징
CN108027499A (zh) * 2015-09-23 2018-05-11 科磊股份有限公司 用于多波束扫描式电子显微系统的聚焦调整的方法及系统
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications

Also Published As

Publication number Publication date
IL280067B1 (en) 2024-03-01
IL280067A (en) 2021-03-01
TW202016970A (zh) 2020-05-01
TW202117787A (zh) 2021-05-01
KR20240069832A (ko) 2024-05-20
KR20210021369A (ko) 2021-02-25
US20200018944A1 (en) 2020-01-16
TWI709154B (zh) 2020-11-01
IL310722A (en) 2024-04-01
WO2020011580A1 (en) 2020-01-16

Similar Documents

Publication Publication Date Title
TWI709154B (zh) 掃描式電子顯微鏡影像強化之方法及系統
TWI775856B (zh) 檢查半導體晶圓的方法及系統
US9620330B2 (en) Mathematical image assembly in a scanning-type microscope
JP6411336B2 (ja) 超紫外線レチクルの検査装置および方法
KR102369848B1 (ko) 관심 패턴 이미지 집단에 대한 이상치 검출
US10096100B2 (en) Inspection device, inspection method, and image processing program
US20220375063A1 (en) System and method for generating predictive images for wafer inspection using machine learning
KR20240032832A (ko) 이상 기반 결함 검사 방법 및 시스템
EP4367627A1 (en) Image distortion correction in charged particle inspection
US20230117237A1 (en) Contour extraction method from inspection image in multiple charged-particle beam inspection
TWI836130B (zh) 用於增強影像之方法及檢測系統
TWI807537B (zh) 影像對準方法及系統
US20240212131A1 (en) Improved charged particle image inspection
JP2020052025A (ja) パターン検査装置及び参照画像の作成方法
US20230162944A1 (en) Image enhancement based on charge accumulation reduction in charged-particle beam inspection
EP4181168A1 (en) Aligning a distorted image
EP4163869A1 (en) Sem image alignment
US20220099592A1 (en) Image acquisition by an electron beam examination tool for metrology measurement
CN116152155A (zh) 用于半导体样本制造的掩模检查
WO2023110292A1 (en) Auto parameter tuning for charged particle inspection image alignment
WO2023156125A1 (en) Systems and methods for defect location binning in charged-particle systems
WO2022207181A1 (en) Improved charged particle image inspection
WO2023061678A1 (en) Sem image alignment
WO2021204739A1 (en) Processing reference data 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