CN112689802B - 最佳量测指导的系统和方法 - Google Patents

最佳量测指导的系统和方法 Download PDF

Info

Publication number
CN112689802B
CN112689802B CN201980056714.5A CN201980056714A CN112689802B CN 112689802 B CN112689802 B CN 112689802B CN 201980056714 A CN201980056714 A CN 201980056714A CN 112689802 B CN112689802 B CN 112689802B
Authority
CN
China
Prior art keywords
image
parameters
metrology
simulated
critical dimension
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.)
Active
Application number
CN201980056714.5A
Other languages
English (en)
Other versions
CN112689802A (zh
Inventor
浦凌凌
方伟
赵楠
周文天
王腾
徐�明
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 Holding NV
Original Assignee
ASML Holding NV
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 Holding NV filed Critical ASML Holding NV
Publication of CN112689802A publication Critical patent/CN112689802A/zh
Application granted granted Critical
Publication of CN112689802B publication Critical patent/CN112689802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G03F1/86—Inspecting by charged particle beam [CPB]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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
    • G06T2207/30168—Image quality inspection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

公开了用于最佳电子束量测指导的系统和方法。根据某些实施例，该方法可以包括：接收样本的获取的图像；基于对获取的图像的分析确定图像参数集；基于图像参数集确定模型参数集；基于模型参数集生成模拟图像集。该方法还可以包括：对模拟图像集执行临界尺寸的测量，并且将临界尺寸测量与模型参数集进行对比，以基于来自模拟图像集和模型参数集的信息的对比来提供指导参数集。该方法还可以包括接收与包括临界尺寸均匀性的目标参数相关联的辅助信息。

Description

最佳量测指导的系统和方法
相关申请的交叉引用
本申请要求于2018年8月28日提交的美国申请62/723,983的优先权，其全部内容通过引用合并于此。
技术领域
本文中的描述涉及量测指导领域，并且更具体地，涉及推荐用于量测的参数的最佳量测指导系统。
背景技术
在集成电路(IC)的制造过程中，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而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)束显微镜的检查系统，诸如扫描电子显微镜(SEM)。随着IC部件的物理尺寸的不断缩小，缺陷检测的准确性和产率变得越来越重要。同样重要的是用于监测半导体制造过程和晶片上的特征的再现性的临界尺寸控制。由于缺乏检查工具条件的地面真实知识和基础成像样本的统计信息，因此无法根据经验设置量测参数。
因此，相关技术系统在例如通过用于半导体制造过程的量测进行的临界尺寸测量的准确性方面面临局限。需要本领域的进一步改进。
发明内容
本公开的实施例提供了用于量测系统的系统和方法。在一些实施例中，提供了一种量测系统。量测系统可以包括存储指令集的存储器和处理器。量测系统的处理器可以被配置为执行指令集以引起量测系统接收获取的图像，基于对获取的图像的分析确定图像参数集，从图像参数集中确定模型参数集，使用模型参数集生成模拟图像集，并且基于对模拟图像集和模型参数集的分析输出指导参数集。量测系统可以包括被配置为获取样本的图像的带电粒子束装置。模拟图像集可以包括单个模拟图像。该分析可以包括来自模拟图像集和模型参数集的信息的对比。来自模拟图像集的信息可以包括临界尺寸测量结果。图像参数集可以包括噪声水平、感兴趣图案、线条粗糙度或边缘轮廓，并且模型参数集是基于质量度量或多个质量度量从图像参数集中确定的。多个质量度量可以包括局部噪声水平、全局噪声水平、边缘轮廓统计信息或图案结构中的任一项。指导参数集可以包括推荐的成像参数、临界尺寸均匀性参数、测量精度、可重复性或测量准确性中的一项或多项。量测系统的处理器还可以被配置为执行指令集以进一步引起量测系统接收与目标参数相关联的辅助信息，并且基于所接收的辅助信息分析获取的图像。目标参数可以包括目标节距、目标临界尺寸均匀性、目标图案或目标测量精度。指令集可以引起量测系统进一步对模拟图像执行临界尺寸的测量，并且将临界尺寸测量与模型参数集进行对比。
在一些实施例中，提供了一种量测指导系统。量测指导系统可以包括：存储指令集的存储器；以及处理器，该处理器被配置为：执行指令集以引起量测指导系统基于对获取的图像的分析确定图像参数集、基于图像参数集确定模型参数集、基于模型参数集生成模拟图像集、分析模拟图像集以及基于对模拟图像集和模型参数集的分析输出指导参数集。模拟图像集可以包括单个模拟图像。该分析可以包括来自模拟图像集和模型参数集的信息的对比。来自模拟图像集的信息可以包括临界尺寸测量结果。对模拟图像集的分析可以包括对模拟图像集执行临界尺寸的测量，并且将临界尺寸测量与模型参数集进行对比。该指令集可以引起量测系统进一步接收与目标参数相关联的辅助信息，和基于所接收的辅助信息分析获取的图像。目标参数可以包括目标节距、目标临界尺寸均匀性、目标图案或目标测量精度。图像参数集可以包括噪声水平、感兴趣图案、线条粗糙度或边缘轮廓，并且模型参数集是基于质量度量或多个质量度量从图像参数集中确定的。多个质量度量可以包括局部噪声水平、全局噪声水平、边缘轮廓统计信息或图案结构。指导参数集可以包括推荐的成像参数、临界尺寸均匀性参数、测量精度、可重复性或测量准确性中的一项或多项。
在一些实施例中，提供了一种量测指导方法。该方法可以包括：接收样本的获取的图像；基于对获取的图像的分析确定图像参数集；基于图像参数集确定模型参数集；基于模型参数集生成模拟图像集，以及基于对模拟图像集和模型参数集的分析提供指导参数集。该方法还可以包括对模拟图像集执行临界尺寸的测量，以及将临界尺寸测量与模型参数集进行对比。模拟图像集可以包括单个模拟图像。该分析可以包括来自模拟图像集和模型参数集的信息的对比。来自模拟图像集的信息可以包括临界尺寸测量结果。该方法还可以包括：接收与目标参数相关联的辅助信息，以及基于所接收的辅助信息分析获取的图像。目标参数可以包括目标节距、目标临界尺寸均匀性、目标图案或目标测量精度。
在一些实施例中，要求保护一种非暂态计算机可读介质，该非暂态计算机可读介质包括可由装置的一个或多个处理器执行的指令集。该装置可以执行：接收样本的获取的图像，基于对获取的图像的分析确定图像参数集，基于图像参数集确定模型参数集，基于模型参数集生成模拟图像集，以及基于对模拟图像集和模型参数集的分析提供指导参数集。指令集可以引起该装置对模拟图像集执行临界尺寸的测量，并且将临界尺寸测量与模型参数集进行对比。此外，指令集还可以引起该装置接收与目标参数相关联的辅助信息，并且基于所接收的辅助信息分析获取的图像。
附图说明
图1是示出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是示出与本公开的实施例一致的示例性成像系统的示意图。
图3是与本公开的实施例一致的示例性量测系统的框图。
图4是示出与本公开的实施例一致的示例性量测系统的框图。
图5是示出与本公开的实施例一致的示例性量测指导方法的流程图。
图6是示出与本公开的实施例一致的使用模拟器的量测指导方法的流程图。
图7是示出与本公开的实施例一致的示例性量测指导方法的过程流程图。
具体实施方式
现在将详细参考示例性实施例，其示例在附图中示出。以下描述参考附图，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素。在示例性实施例的以下描述中阐述的实现并不代表与本公开一致的所有实现。相反，它们仅仅是与与所附权利要求中记载的主题有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。
电子设备在减小设备的物理尺寸的同时的增强的计算能力可以通过显著增加诸如IC芯片上的晶体管、电容器、二极管等电路部件的封装密度来实现。例如，在智能电话中，IC芯片(其为拇指大小)可以包括超过20亿个晶体管，每个晶体管的尺寸小于人发的1/1000。毫不奇怪，半导体IC制造是一个复杂的过程，需要数百个个体步骤。即使一步出错，也有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。制造过程的目标是提高过程的总产率。例如，为了使50个步骤的过程获取75％的产率，每个个体步骤的产率都必须大于99.4％，如果个体步骤的产率为95％，则整个过程的产率将降至7％。
尽管在IC芯片制造设施中需要高工艺产出，但保持高晶片产量也很重要，晶片产量被定义为每小时加工的晶片数。缺陷的存在会影响高工艺产率和高晶片产量，尤其是在涉及操作员干预的情况下。因此，通过检查工具(诸如SEM)检测和识别微米级和纳米级缺陷对于保持高产率和低成本至关重要。缺陷可以是指可能导致故障的样本或晶片上部件的异常状况。在一些实施例中，缺陷可以是指与标准相比的像差。缺陷可以包括例如颗粒污染、表面缺陷等。除了检测和识别缺陷，SEM检查工具还可以通过提供高分辨率图像并且结合晶片上的微观结构的元素分析来识别缺陷的来源。
然而，为了通过高分辨率SEM成像来识别缺陷，应当认识到，在成像和测量临界尺寸时要考虑很多参数，例如，成像参数、噪声水平、视场、像素尺寸、图像数、窗口尺寸、平均像素数等。例如，如果SEM检查工具的成像参数未优化，则确定晶片上场效应晶体管的沟道区域中的表面缺陷是由于存在不期望的颗粒还是由于缺少期望材料而引起的可能是具有挑战性的。不期望的颗粒(诸如灰尘)的存在可能表明设施中的空气过滤器出现问题或者外部源在过程中引入了灰尘颗粒，而缺少期望材料可能表明过程或材料有关问题。正确确定表面缺陷可能需要特定的电子束能量、加速电压、电子束孔径、光斑尺寸、视角深度等。
在实践中，由于缺乏与工具物理条件、工具维护记录、基础成像样本的统计信息等有关的信息的地面真实知识，一些上述参数是由人类凭经验确定的，这导致检查过程容易出错。依靠操作员的判断来进行SEM成像检查可能会导致缺陷错误识别和误导性的晶片特征分析，从而影响工艺的成本、效率和产量。通过确定用于使用SEM进行检查、成像或测量的最佳参数，本公开中提出的最佳量测指导系统可以显著改善缺陷识别。
如本文中使用的，晶片签名可以是指系统缺陷的空间图案，其指示需要被识别和追踪的过程缺陷。在制造过程中，半导体晶片经历很多化学和机械加工步骤。在封装之前，已完成晶片被切成芯片。每个处理步骤都容易受到过程变化以及工具配方问题的影响，这些问题可能会使受影响的芯片失去作用。在很多情况下，这些过程缺陷本质上是系统性的，并且导致失效管芯的系统性晶片签名。在某些情况下，一个晶片上可能存在多个签名，因此确定哪个签名对晶片产量的影响最大可能是至关重要的，因此可以将资源集中在解决最大的产率下降因素上。
在本公开的一个方面，可以使用SEM检查工具来获取晶片的图案或区域的初始图像(诸如图4的图像310)。使用获取的图像和与图像相关联的目标信息，量测指导系统(诸如图5的量测指导系统320)可以推断一个或多个初始图像参数，例如，噪声水平、感兴趣图案、图案节距、图案产率、线条粗糙度等。度量指导系统可以从一个或多个图像参数确定一组估计模型参数，并且基于估计模型参数生成模拟图像(诸如图6的模拟图像625)。量测指导系统可以基于模拟图像的临界尺寸测量和估计模型参数集的对比来提供指导参数和推荐集。
为了清楚起见，附图中的部件的相对尺寸可以被放大。在下面的附图描述中，相同或相似的附图标记指代相同或相似的部件或实体，并且仅描述关于个体实施例的不同之处。
如本文中使用的，除非另有明确说明，否则术语“或”涵盖所有可能组合，除非不可行。例如，如果声明数据库可以包括A或B，则除非另有明确说明或不可行，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，则除非另有说明或不可行，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。
现在参考图1，图1示出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可以用于成像。如图1所示，EBI系统100包括主腔室101、装载/锁定腔室102、电子束工具104和设备前端模块(EFEM)106。电子束工具104位于主腔室101内。EFEM106包括第一装载端口106a和第二装载端口106b。EFEM 106可以包括附加装载端口。第一装载端口106a和第二装载端口106b接收晶片前开口统一吊舱(FOUP)，该FOUP容纳晶片(例如，半导体晶片或由其他材料制成的晶片)或待检查样本(晶片和样本可以互换使用)。可以装载包含多个晶片的批次以进行批量处理。
EFEM 106中的一个或多个机械臂(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连接到装载/锁定真空泵系统(未示出)，该系统去除装载/锁定腔室102中的气体分子以达到低于大气压的第一压力。在达到第一压力之后，一个或多个机械臂(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连接到主腔室真空泵系统(未示出)，该系统去除主腔室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可以是单束系统或多束系统。
控制器109电连接到电子束工具104。控制器109可以是被配置为执行EBI系统100的各种控制的计算机。尽管控制器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的结构之外，但是应当理解，控制器109可以是该结构的部分。
图2示出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可以被配置用于在EBI系统100中使用。电子束工具104可以是单束装置或多束装置。如图2所示，电子束工具104包括电动样本台201和由电动样本台201支撑以保持待检查晶片203的晶片保持器202。电子束工具104还包括物镜组件204、电子检测器206(其包括电子传感器表面206a和206b)、物镜孔208、聚光镜210、束限制孔212、枪孔214、阳极216和阴极218。在一些实施例中，物镜组件204可以包括改进的摆动物镜延迟浸没透镜(SORIL)，该SORIL包括极靴204a、控制电极204b、偏转器204c和激励线圈204d。电子束工具104可以另外包括能量色散X射线光谱仪(EDS)检测器(未示出)以表征晶片203上的材料。
通过在阳极216与阴极218之间施加电压，从阴极218发射一次电子束220。一次电子束220穿过枪孔214和电子束限制孔212，枪孔214和电子束限制孔212都可以确定进入聚光透镜210的电子束的尺寸，聚光透镜210位于束限制孔212下方。聚光透镜210在电子束进入物镜孔208之前聚焦一次电子束220，以设置电子束在进入物镜组件204之前的尺寸。偏转器204c偏转一次电子束220以促进在晶片上进行束扫描。例如，在扫描过程中，可以控制偏转器204c以在不同时间点将一次电子束220依次偏转到晶片203的顶表面的不同位置上，以提供用于晶片203的不同部分的图像重构的数据。另外，还可以控制偏转器204c以在不同时间点将一次电子束220偏转到在特定位置的晶片203的不同侧面上，以提供用于该位置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可以被配置为生成多个一次电子束220，电子束工具104可以包括多个偏转器204c，以同时将多个一次电子束220投射到晶片的不同部分/侧面，以提供用于晶片203的不同部分的图像重构的数据。
励磁线圈204d和极靴204a生成的磁场从极靴204a的一端开始，并且在极靴204a的另一端终止。晶片203的被一次电子束220扫描的部分可以被浸没在磁场中并且可以被充电，这继而产生电场。电场减小了在与晶片203碰撞之前在晶片203表面附近的入射一次电子束220的能量。与极靴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微拱起并且确保适当的束聚焦。
二次电子束222可以在接收一次电子束220时从晶片203的部分被发射。二次电子束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可以生成表示束斑强度的信号(例如，电压、电流等)，并且将信号提供给图像处理系统250。二次电子束222的强度和所得到的束斑可以根据晶片203的外部或内部结构而变化。此外，如上所述，一次电子束220可以被投射到晶片的顶表面的不同位置或晶片的不同侧面的特定位置，以生成具有不同强度的二次电子束222(和由此产生的束斑)。因此，通过将束斑的强度与晶片203的位置映射，处理系统可以重构反映晶片203的内部或外部结构的图像。
成像系统200可以用于检查样本台201上的晶片203，并且如上所述包括电子束工具104。成像系统200还可以包括图像处理系统250，图像处理系统250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可以通过诸如电导体、光纤电缆、便携式存储介质、IR、Bluetooth、互联网、无线网络、无线广播或其组合等介质与电子束工具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。图像获取器260因此可以获取晶片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，在获取的图像上叠加指示符，等等。图像获取器260可以被配置为执行获取的图像的亮度和对比度等的调节。存储装置270可以是诸如硬盘、随机存取存储器(RAM)、其他类型的计算机可读存储器等存储介质。存储装置270可以与图像获取器260耦合，并且可以用于将所扫描的原始图像数据保存为原始图像和后处理图像。图像获取器260和存储装置270可以连接到控制器109。在一些实施例中，图像获取器260、存储装置270和控制器109可以集成在一起作为一个控制单元。
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。单个图像可以存储在存储装置270中。单个图像可以是可以被划分为多个区域的原始图像。每个区域可以包括包含晶片203的特征的一个成像区域。
现在参考图3，图3是与本公开的实施例一致的示例性量测系统300的示意图。在一些实施例中，量测系统300包括电子束工具104、被配置为获取和生成图像310的图2的图像处理系统250、量测指导系统320和输出设备330。替代地，量测系统300可以是图2的成像系统200或图1的EBI系统100的部分。
图像310可以包括样本上的图案的高分辨率电子束图像。如本文中使用的，高分辨率电子束图像是指但不限于分辨率足够高以分辨图像中节距小于20nm的两个不同特征的图像。图像310可以使用图像处理系统250的图像获取器260或能够获取高分辨率图像的任何这样的系统来获取。图像310可以通过可以生成晶片的检查图像的任何电子束检查系统来获取。例如，晶片可以是半导体晶片衬底、或者具有一个或多个外延层或处理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。
在一些实施例中，图像310可以是查看模式图像，其是在希望为最佳的获取条件下获取的图像。查看模式图像可以具有更高分辨率，例如，优化的放大倍率、优化的对比度和亮度、优化的电子束强度等。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，例如，图像310可以是样本的低分辨率图像，或者是晶片203的特征、晶片203或晶片203上的感兴趣区域的低分辨率图像。图像310可以使用图像处理系统250的图像获取器260或能够获取低分辨率图像的任何这样的系统来获取。图像310可以通过可以生成晶片或晶片上的感兴趣区域的检查图像的任何电子束检查系统来获取。例如，晶片203可以是半导体晶片衬底、或者具有一个或多个外延层或处理膜的半导体晶片衬底。
图像310可以包括例如晶片203上的位置的参考图像、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，图像310可以包括多个图像，包括来自多种产品类型的晶片的位置或特征的参考图像。例如，当在相同的生产线中使用相同的工艺制造多个产品类型时，来自第一产品类型的特征的参考图像可以用作来自与第一产品类型相比具有不同构建的第二产品类型的特征的训练图像。
图像310可以存储在图像处理系统250的存储装置270中。图像310也可以存储在量测系统300(包括量测指导系统320)的部件可访问的远程存储位置(未示出)，例如，远程数据库、网络、服务器、云平台等。
在一些实施例中，辅助信息315可以被转移到量测指导系统320。辅助信息315可以包括与成像条件或临界尺寸均匀性设置相关联的目标信息，例如，目标临界尺寸、图案的目标节距、目标测量精度等。如本文中使用的，“临界尺寸”是指影响器件的电性质的IC或晶体管的特征的尺寸。例如，导线的宽度、两根导线之间的间距、场效应晶体管的沟道或电极的几何形状(例如，与沟道相比尺寸不同并且不跨越沟道的整个宽度的栅极)等。场效应晶体管的每个部件的尺寸都可以是临界尺寸。这些尺寸都会影响器件的电性能，因为它们可能会导致寄生电容和电阻。应当理解，临界尺寸是可以被调节以优化器件性能和制造中的产率的尺寸。
在一些实施例中，辅助信息315可以包括基于产品或过程而预先确定的信息。例如，针对对于沟道长度具有22nm的临界尺寸的场效应晶体管，目标临界尺寸的测量精度可以被设置为0.1nm。替代地，辅助信息315中的目标信息可以基于工具的物理条件、过程参数、产品尺寸等来调节。可以适当地应用其他合适的目标测量精度值。
在一些实施例中，辅助信息315可以存储在图像处理系统250的存储装置270中。辅助信息315也可以存储在量测系统300(包括量测指导系统320)的部件可访问的远程存储位置(未示出)，例如，远程数据库、网络、服务器、云平台等。
如图3所示，量测指导系统320可以与图像处理系统250耦合为单独的单元。替代地，量测指导系统320可以是图像处理系统250、成像系统200或EBI系统100的部分。量测指导系统320可以被配置为分析包括但不限于图像310和辅助信息315等信息，并且输出指导参数，包括成像条件和临界尺寸均匀性设置的推荐。在一些实施例中，量测指导系统320还可以被配置为接收获取的图像310和辅助信息315，并且分析所接收的图像和信息以提供指导参数，例如，成像条件和临界尺寸均匀性设置推荐。
在一些实施例中，量测指导系统320被配置为从图像处理系统250接收图像310和辅助信息315。在其他实施例中，量测指导系统320被配置为从存储装置270或其他存储媒体接收图像310和辅助信息315。
在一些实施例中，量测指导系统320可以直接与电子束工具104耦合。由量测指导系统320提供的指导参数可以由电子束工具104直接接收并且被应用以用于连续检查运行，而无需用户验证。在一些实施例中，由量测指导系统320提供的指导参数可以显示在输出设备330上以供用户验证指导参数。
输出设备330可以被配置为显示由量测指导系统320提供的指导参数。指导参数可以包括文本文件、参数推荐图像、视听文件或其组合。在一些实施例中，输出设备330可以与电子束工具104耦合，并且指导参数可以由电子束工具104接收。
在一些实施例中，输出设备330可以是被配置为显示图像310或辅助信息315的图像处理系统250的部分。输出设备330可以连接到图像处理系统250的其他部件，包括但不限于存储装置270、控制器109等。应当理解，输出设备330可以是图2的图像获取器260的部分。在一些实施例中，输出设备330可以包括手持显示设备、可穿戴显示设备、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。
图4示出了与本公开的实施例一致的示例性量测系统400。在一些实施例中，量测系统400包括图2的图像处理系统250，其具有图像获取器260、存储装置270、控制器109等。替代地，图像处理系统250可以包括量测系统400，其具有量测指导系统320。
如图4所示，图像310是例如由图像处理系统250的图像获取器260获取的高分辨率电子束图像。图像310示出了包括由间隔隔开的垂直特征的均匀阵列的图案。垂直特征可以包括例如光致抗蚀剂的线、或电介质材料、或互连金属线等。间隔可以包括晶片203的表面、或下面的衬底材料、或保护层等。图像310中示出的垂直特征具有不规则的线条形状和边缘轮廓。尽管图像310是高分辨率图像，但是可以存在少量但有限的噪声水平。在获取之后，图像310可以被直接转移到量测指导系统320。在一些实施例中，图像310可以在被转移到量测指导系统320之前临时存储在存储装置(例如，图2的存储装置270)中。
数据库410可以被配置为存储辅助信息315。数据库410还可以存储图像310或其他相关信息，例如，指导参数、质量度量等。在一些实施例中，数据库410可以直接与量测指导系统320耦合。数据库410可以包括例如OracleTM数据库、SybaseTM数据库、相关数据库或非相关数据库，诸如HadoopTM序列文件、HBaseTM或CassandraTM。数据库410可以包括计算部件(例如，数据库管理系统、数据库服务器等)，该计算部件被配置为接收和处理对存储在数据库410的存储器设备中的数据的请求并且提供来自数据库410的数据。在一些实施例中，数据库410可以采用服务器、计算机、大型计算机或这些部件的任何组合的形式。与所公开的实施例一致的其他实现也是可能的。
量测指导系统320可以包括图像分析模块420、处理器430和存储器440。量测指导系统320还可以包括本文中未示出的其他部件，例如，模拟器、图形用户界面、数据库等。在一些实施例中，输出设备330可以是量测指导系统320的部分。
在一些实施例中，图像分析模块420被配置为接收获取的图像310。图像分析模块420可以以合适的格式接收获取的图像310，例如，JPEG文件、PNG文件、PDF文件、TIFF文件文件、BMP文件等。也可以使用其他合适的图像格式。图像分析模块420可以从一个或多个源接收图像310，包括但不限于存储装置270、数据库410等。
图像分析模块420还可以被配置为执行对所接收的图像310的分析和评估。基于对图像310的分析和评估，图像分析模块420可以推断出图像参数集。图像参数集可以包括噪声水平、图案节距、图案产率、线条粗糙度等。所推断的图像参数集可以存储在数据库410、存储装置270等中。图像分析模块420可以包括计算机、软件实现的算法、图像处理算法或特征提取算法等。
量测指导系统320可以包括处理器430。处理器430可以被配置为执行指令集以引起量测指导系统320执行相关功能。处理器430可以包括计算单元、计算机、可编程IC电路、大型计算机、服务器等。处理器430可以通过有线连接或无线地与图像分析模块420耦合。在一些实施例中，图像分析模块420可以是处理器430的部分。
在一些实施例中，量测指导系统320的处理器430可以包括存储器440。存储器440可以被配置为存储用于处理器430的指令。存储器440可以包括非易失性存储器、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、只读存储器(ROM)、闪存等。量测指导系统320可以基于例如需要处理的数据和信息的量或根据需要来包括一个或多个存储器(例如，存储器440)。
在一些实施例中，处理器430可以被配置为接收图像310，执行图像310的分析，并且基于对图像310的分析来推断图像参数集。图像参数集可以包括噪声水平、图案节距、图案产率、线条粗糙度等。所推断的图像参数集可以存储在数据库410、存储装置270等中。处理器430还可以被配置为基于质量度量从图像参数集中确定模型参数集，质量度量包括但不限于局部噪声水平、全局噪声水平、边缘轮廓统计信息、临界尺寸以及图案结构。处理器430还可以被配置为基于模型参数集来生成一个或多个模拟图像，对模拟图像执行临界尺寸的测量，以及将所测量的临界尺寸与模型参数集进行对比。基于对比结果，量测指导系统320可以输出指导参数，包括成像条件和临界尺寸均匀性设置的推荐。
量测系统400可以包括被配置为基于所测量的临界尺寸与模型参数集的对比来显示针对成像条件和临界尺寸均匀性设置的指导参数和推荐的输出设备330。
在一些实施例中，输出设备330可以是图像处理系统(例如，图2的图像处理系统250)的部分。在一些实施例中，输出设备330可以包括手持显示设备、可穿戴显示设备、多屏显示器、交互式显示设备等。也可以使用其他合适的显示设备。
图5是示出根据本公开的实施例的示例性量测指导方法500的流程图。量测指导方法可以由可以与带电粒子束装置耦合的量测指导系统320(包括EBI系统100)执行。可以理解，可以控制带电粒子束装置以对晶片203或晶片上的感兴趣区域成像。成像可以包括扫描晶片203以对晶片的至少部分、晶片上的图案或晶片203本身成像。
在步骤510中，可以获取图案的一个或多个扫描的原始图像。一个或多个扫描的原始图像可以包括晶片的整个表面。步骤510中的图像获取可以包括：从诸如电子束工具104的电子检测器206等带电粒子束装置的检测器接收信号，或者从存储装置270加载图像310。图像处理系统250的图像获取器260可以用于获取图像310。
在步骤520中，可以由图像分析模块420分析图像310。图像分析模块420可以从图像获取器260、存储装置270、数据库410等接收获取的图像。步骤520中的图像分析可以包括确定获取的图像310的一个或多个图像参数。图像参数可以包括噪声水平、图案、图案的节距、线条粗糙度、边缘轮廓等(例如，图4的图像310中的噪声水平、图案、节距、边缘轮廓)。图像分析模块420可以使用特征提取算法、图像识别算法、深度学习神经网络处理器、机器学习算法或其组合来确定图像参数。在一些实施例中，图像分析模块420可以集成在量测指导系统320的处理器430内。在一些实施例中，处理器430可以被配置为执行图像分析模块420的一个或多个功能。
在步骤530中，量测指导系统320的处理器430可以被配置为基于质量度量从图像参数中确定一个或多个模型参数。模型参数可以基于质量度量来估计。质量度量可以包括基于内部质量控制和标准、历史结果、性能度量等的参数值。质量度量可以被特定针对产品、过程或其组合。质量度量可以被预先定义并且存储在数据库410中，并且可以由用户通过用户输入(例如，通过执行查询、命令等)来访问。在一些实施例中，质量度量可以包括一个或多个参数的优选的值范围。例如，质量度量可以包括可接受的局部和全局噪声水平的范围、或边缘轮廓的百分比偏差的可接受范围的范围、或图案的临界尺寸等。
可以将在步骤520中确定的图像参数与质量度量进行对比以确定图像参数是在范围之内还是范围之外。例如，所确定的图案的临界尺寸(例如，使用图4的图像分析模块420、图4的处理器430等)可以落在该过程的可接受范围之外，可接受范围在本文中被认为为质量度量。如果图像310中的图案的临界尺寸被确定不在范围内，则可以在步骤520中重新分析图像310。替代地，量测指导系统320可以建议代表性图像的重新获取、或样本的重新操作。量测指导系统320还可以建议标记电子束工具104、图像获取器260或EBI系统100以进行进一步的检查和性能验证。
在步骤540中，量测指导系统320可以使用模型参数来生成一个或多个模拟图像(例如，图6的模拟图像655，稍后讨论)。图像可以使用量测指导系统320的处理器430来模拟。在一些实施例中，模拟器(未示出)可以被配置为模拟图像。模拟器可以是量测指导系统320的部分、处理器430的部分等。在生成模拟图像之后，量测指导系统320可以被配置为测量模拟图像的临界尺寸。所测量的临界尺寸与模型参数可以对比以确定指导参数推荐。指导参数可以包括关于成像条件、临界尺寸均匀性设置等的推荐。在一些实施例中，步骤540可以包括以下步骤：基于模型参数构建模型地面真实、生成模拟图像、执行临界尺寸测量以及对比临界尺寸测量与模型地面真实以确定指导参数推荐。这些个体步骤将在后面的图6的讨论中进行讨论。
在步骤550中，可以输出指导参数推荐，诸如通过显示在显示器(例如，图3的输出设备330)上、通过输出到文本文件或数据库、通过输出到带电粒子束装置(例如，通过通信介质发送到带电粒子束装置)等等。在一些实施例中，指导参数可以包括但不限于调节视场、增加平均像素的数目、增加达到目标精度所需要的图像的数目、临界尺寸均匀性的阈值等。指导参数可以同时被显示在多个显示器上。指导参数可以由用户或一组用户检查，并且基于批准被实施。在一些实施例中，在步骤550中由度量指导系统320提供的推荐可以在没有用户批准的情况下直接实施。
图6是示出与本公开的实施例一致的示例性量测指导方法600的流程图。量测指导方法可以由可以与带电粒子束装置耦合的量测指导系统320(包括EBI系统100)执行。可以理解，可以控制带电粒子束装置以对晶片203或晶片上的感兴趣区域成像。成像可以包括扫描晶片203以对晶片的至少部分、晶片上的图案或晶片203本身成像。
在步骤610中，可以获取图案的一个或多个扫描的原始图像。一个或多个扫描的原始图像可以包括晶片的整个表面。步骤610中的图像获取可以包括：从诸如电子束工具104的电子检测器206等带电粒子束装置的检测器接收信号，或者从存储装置270加载图像605。图像处理系统250的图像获取器260可以用于获取图像605。
在一些实施例中，图像605是高分辨率电子束图像的俯视图，该高分辨率电子束图像是以优化的获取条件(例如，电子束设置、放大倍率、亮度、对比度、检测器设置等)获取的。如图6所示，图像605示出了规则图案，该规则图案包括由均匀间隔隔开的垂直特征的均匀阵列。垂直特征可以包括例如光致抗蚀剂的线、或电介质材料、或互连金属线等。间隔可以包括晶片203的表面、或下面的衬底材料、或保护层等。
图像605中示出的垂直特征具有不规则的线条形状和不规则的边缘轮廓。线条形状的不规则是指沿着纵轴“y”的垂直特征的凹凸。例如，不规则可能是由于未优化的光致抗蚀剂曝光条件、未优化的光致抗蚀剂剥离条件引起的，或者可能是未优化的成像条件的伪影。边缘轮廓是指包括垂直特征的边缘的材料的z维度(即，垂直于晶片203的表面的尺寸)中的轮廓。垂直特征的边缘可以比对应的垂直特征的中央部分厚。边缘轮廓可以由图像605的横截面图更好地表示(未示出)。
尽管图像605是高分辨率图像，但是可能存在少量但有限的噪声水平。噪声水平可能受局部和全局因素的影响，包括但不限于地面振动、声干扰、电子束过滤器、检测器中的杂质等。也可能存在局部和全局噪声的其他来源。
在步骤620中，图像分析模块420或处理器430或量测指导系统320或其组合对图像605进行分析。作为示例，图像分析模块420可以从图像获取器260、存储装置270、数据库410等接收获取的图像。步骤520中的图像分析可以包括确定图像310的一个或多个图像参数。图像参数可以包括噪声水平、图案、图案的节距、线条粗糙度、边缘轮廓等(例如，图4的图像310中的噪声水平、图案、节距、边缘轮廓)。图像分析模块420可以使用特征提取算法、图像识别算法、深度学习神经网络处理器、机器学习算法或其组合来确定图像参数。在一些实施例中，图像分析模块420可以集成在量测指导系统320的处理器430内。在一些实施例中，处理器430可以被配置为执行图像分析模块420的一个或多个功能。
在步骤630中，量测指导系统320可以被配置为基于质量度量从图像参数中估计模型参数。质量度量可以包括基于内部质量控制和标准、历史结果、性能度量等的参数值。质量度量可以被特定针对产品、过程或其组合。质量度量可以被预先定义并且存储在数据库410中并且可以由用户通过用户输入(例如，通过执行查询、命令等)来访问。在一些实施例中，质量度量可以包括一个或多个参数的优选值范围。例如，质量度量可以包括可接受的局部和全局噪声水平的范围、或边缘轮廓的百分比偏差的可接受范围的范围、或图案的临界尺寸等。
在一些实施例中，质量度量可以基于来自模拟图像的指导参数的迭代校正来更新。例如，量测指导系统320可以提供可以被存储(例如，在图4的数据库410中)并且用于下一输入图像的获取或模拟图像的临界尺寸测量的第一指导参数集推荐。
在EBI系统100或电子束工具104的量测设置期间，要求用户选择多个参数和每个参数的多个选择以控制图像获取和临界尺寸测量。参数可以包括视场的尺寸、像素尺寸、图像数、H条数、H条的尺寸等。如本文中使用的，H条可以包括尺寸测量软件中的尺寸测量工具或被配置为测量获取的图像(例如，图像310)中的平面或非平面尺寸的应用。
在步骤640中，量测指导系统320可以根据在步骤620中确定的图像参数或在步骤630中估计的模型参数来构建模型地面真实参数。在一些实施例中，模型地面真实参数也可以包括图像获取参数。模型地面真实参数表示图像参数或获取参数的“实际”值，而不是由用户或一组用户根据经验而选择的值，例如，平均像素数或H条数或视场尺寸等。模型地面真实参数可以包括工具物理条件(例如，图3的电子束工具104)的地面真实知识和与基础样本相关联的统计信息数据。
在步骤650中，可以由量测指导系统320利用模型地面真实参数来生成模拟或模拟的图像655。在一些实施例中，模拟器可以被配置为模拟图像。模拟器可以是量测指导系统320的部分、或处理器430的部分、或处理器430本身。可以理解，模拟器可以根据需要仅生成一个模拟图像655或多个模拟图像655。模拟图像655可以包括彼此的重复、或彼此的细微变化、或其组合。重复的模拟图像655可以用于测量模拟模型参数集的多个维度或参数，例如，第一图像上的H条、第二图像上的边缘轮廓、第三图像上的线条粗糙度等。
如图6所示，模拟图像655可以与图像310基本相似，以复制图像310的获取条件和临界尺寸均匀性设置。
在步骤660中，量测指导系统320可以对模拟图像655执行临界尺寸的测量。可以执行多次测量以获取临界尺寸的统计信息数据。可以将测量结果临时存储在存储装置(例如，图4的数据库410)中，并且稍后使用用户输入来访问。
步骤660还可以包括将在模拟图像655上测量的临界尺寸与来自步骤640的模型地面真实参数进行对比。量测指导系统320可以被配置为确定所测量的临界尺寸与用于生成模拟图像655的模型地面真实参数之间的差异。
在步骤670中，量测指导系统320可以被配置为基于步骤660的对比结果为检查工具(例如，EBI系统100、电子束工具104、图像处理系统250、控制器109等)提供指导参数推荐。指导参数推荐可以包括但不限于调节视场、增加平均像素数、增加达到目标精度所需要的图像数、临界尺寸均匀性阈值等，但不限于此。
指导参数推荐可以显示在显示器(例如，图3的输出设备330)上。指导参数可以同时显示在多个显示器上。指导参数可以由用户或一组用户检查，并且基于批准来执行。在一些实施例中，由度量指导系统320在步骤670中提供的推荐可以在没有用户批准的情况下直接实施。
图7是示出与本公开的实施例一致的示例性量测指导方法700的过程流程图。量测指导方法可以由可以与带电粒子束装置耦合的量测指导系统320(诸如EBI系统100或电子束工具104)来执行。应当理解，可以控制该带电粒子束装置以对晶片203或晶片上的感兴趣区域进行成像。成像可以包括扫描晶片203以对晶片的至少部分、晶片上的图案或晶片203本身成像。
在步骤710中，诸如量测指导系统320等系统、或诸如量测指导系统320的图像分析模块420等模块接收获取的图像(例如，图4的图像310)。图像获取可以包括：从诸如电子束工具104的电子检测器206等带电粒子束装置的检测器接收信号，或者从存储装置270加载图像310。图像处理系统250的图像获取器260可以用于获取图像310。图像分析模块420可以从图像获取器260、存储装置270、数据库410等接收获取的图像。
在步骤720中，所接收的图像可以由系统或模块分析以确定一个或多个图像参数。图像参数可以包括噪声水平、图案、图案的节距、线条粗糙度、边缘轮廓等(例如，图4的图像310中的噪声水平、图案、节距、边缘轮廓)。图像分析模块420可以使用特征提取算法、图像识别算法、深度学习神经网络处理器、机器学习算法或其组合来从所接收的图像中确定图像参数。在一些实施例中，可以训练机器学习网络来从所接收的图像中确定图像参数集。机器学习网络例如可以包括卷积神经网络。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训练和构建机器学习网络的图像特征识别架构的起点。在一些实施例中，图像分析模块420可以集成在量测指导系统320的处理器430内。在一些实施例中，处理器430可以被配置为执行图像分析模块420的一个或多个功能。
在步骤730中，系统或模块可以被配置为诸如基于质量度量从图像参数确定模型参数。质量度量可以包括基于内部质量控制和标准、历史结果、性能度量等的参数值。质量度量可以被特定针对产品、过程或其组合。质量度量可以被预先定义并且存储在存储装置(例如，数据库410)中并且由用户通过用户输入(例如，通过执行查询、命令等)来访问。在一些实施例中，质量度量可以包括一个或多个参数的优选的值范围。例如，质量度量可以包括可接受的局部和全局噪声水平的范围、或边缘轮廓的百分比偏差的可接受范围的范围、或图案的临界尺寸等。
在一些实施例中，机器学习网络可以被训练以从图像参数中确定模型参数。模型参数可以例如通过深度学习神经网络处理器、数学算法、软件实现的算法、机器学习算法或其组合从图像参数被确定。机器学习网络例如可以包括卷积神经网络。在一些实施例中，深度学习架构的线性分类器网络可以被采用用作训练和构建模型参数集的起点。在一些实施例中，图像参数和模型参数可以使用机器学习网络来确定。
在步骤740中，系统或模块可以使用模型参数来生成模拟图像(例如，图6的模拟图像655)。图像可以使用量测指导系统320的处理器430来模拟。在一些实施例中，模拟器(未示出)可以被配置为模拟图像。模拟器可以是量测指导系统320的部分或处理器430的部分。在生成模拟图像之后，量测指导系统可以被配置为测量模拟图像的临界尺寸。可以将所测量的临界尺寸与模型参数进行对比以确定指导参数推荐。指导参数可以包括关于成像条件、临界尺寸均匀性设置等的推荐。在一些实施例中，步骤740可以包括以下步骤：基于模型参数构建模型地面真实、生成模拟图像、执行临界尺寸测量以及对比临界尺寸测量与模型地面真实以确定指导参数推荐。
在步骤750中，系统或模块可以被配置为基于步骤740的对比结果为检查工具(例如，EBI系统100、电子束工具104、图像处理系统250、控制器109等)提供指导参数推荐。指导参数推荐可以包括但不限于调节视场、增加平均像素数、增加达到目标精度所需要的图像数、临界尺寸均匀性阈值等，但不限于此。
指导参数推荐可以诸如通过被显示在显示器(例如，图3的输出设备330)上来输出。指导参数可以同时显示在多个显示器上。指导参数可以由用户或一组用户检查，并且基于批准来执行。在一些实施例中，由度量指导系统320在步骤750中提供的推荐可以在没有用户批准的情况下直接实施。
可以使用以下条款进一步描述实施例：
1.一种量测系统，包括：
存储器，存储指令集；以及
处理器，被配置为执行所述指令集以引起所述量测系统：
接收样本的获取的图像；
基于对所述获取的图像的分析确定图像参数集；
基于所述图像参数集确定模型参数集；
基于所述模型参数集生成模拟图像集；以及
基于对所述模拟图像集和所述模型参数集的分析输出指导参数集。
2.根据条款1所述的系统，还包括被配置为获取所述样本的图像的带电粒子束装置。
3.根据条款1和2中任一项所述的系统，其中所述模拟图像集仅包括单个模拟图像。
4.根据条款1至3中任一项所述的系统，其中所述分析包括：来自所述模拟图像集和所述模型参数集的信息的对比。
5.根据条款4所述的系统，其中来自所述模拟图像集的所述信息包括临界尺寸测量结果。
6.根据条款1至5中任一项所述的系统，其中所述图像参数集、所述模型参数集或所述指导参数集中的至少一项包括单个参数。
7.根据条款1至6中任一项所述的系统，其中所述图像参数集包括：噪声水平、感兴趣图案、线条粗糙度或边缘轮廓中的任一项。
8.根据条款1至7中任一项所述的系统，其中所述模型参数集是基于质量度量自所述图像参数集被确定的。
9.根据条款8所述的系统，其中所述模型参数集自所述图像参数集被确定是基于多个质量度量。
10.根据条款9所述的系统，其中所述多个质量度量包括局部噪声水平、全局噪声水平、边缘轮廓统计信息或图案结构中的任一项。
11.根据条款1至10中任一项所述的系统，其中所述指导参数集包括推荐的成像参数、临界尺寸均匀性参数、测量精度、可重复性或测量准确性中的任一项。
12.根据条款1至11中任一项所述的系统，其中所述处理器被配置为执行所述指令集以进一步引起所述量测系统：
接收与目标参数相关联的辅助信息；以及
基于所接收的辅助信息分析所述获取的图像。
13.根据条款12所述的系统，其中所述目标参数包括目标节距、目标临界尺寸均匀性、目标图案或目标测量精度中的任一项。
14.根据条款1至13中任一项所述的系统，其中所述处理器被配置为执行所述指令集以进一步引起所述量测系统：
对所述模拟图像集执行临界尺寸的测量以获取临界尺寸测量；以及
将所述临界尺寸测量与所述模型参数集进行对比。
15.一种量测指导系统，包括：
存储器，存储指令集；以及
处理器，被配置为执行所述指令集以引起所述量测指导系统：
基于对获取的图像的分析确定图像参数集；
基于所述图像参数集确定模型参数集；
基于所述模型参数集生成模拟图像集；
分析所述模拟图像集；以及
基于对所述模拟图像集和所述模型参数集的分析输出指导参数集。
16.根据条款15所述的系统，其中所述模拟图像集仅包括单个模拟图像。
17.根据条款15和16中任一项所述的系统，其中所述分析：包括来自所述模拟图像集和所述模型参数集的信息的对比。
18.根据条款17所述的系统，其中来自所述模拟图像集的所述信息包括临界尺寸测量结果。
19.根据条款15至18中任一项所述的系统，其中所述图像参数集、所述模型参数集或所述指导参数集中的至少一项包括单个参数。
20.根据条款15至19中任一项所述的系统，其中分析所述模拟图像还包括：
对所述模拟图像集执行临界尺寸的测量；以及
将临界尺寸测量与所述模型参数集进行对比。
21.根据条款15至20中任一项所述的系统，其中所述图像参数集包括噪声水平、感兴趣图案、线条粗糙度或边缘轮廓中的任一项。
22.根据条款15至21中任一项所述的系统，其中所述模型参数集是基于质量度量自所述图像参数集被确定的。
23.根据条款22所述的系统，其中所述模型参数集自所述图像参数集被确定是基于多个质量度量。
24.根据条款23所述的系统，其中所述多个质量度量包括局部噪声水平、全局噪声水平、边缘轮廓统计信息或图案结构中的任一项。
25.根据条款15至24中任一项所述的系统，其中所述指导参数集包括推荐的成像参数、临界尺寸均匀性参数、测量精度、可重复性或测量准确性中的任一项。
26.根据条款15至25中任一项所述的系统，其中所述处理器被配置为执行所述指令集以进一步引起所述量测指导系统：
接收与目标参数相关联的辅助信息；以及
基于所接收的辅助信息分析所述获取的图像。
27.根据条款26所述的系统，其中所述目标参数包括目标节距、目标临界尺寸均匀性、目标图案或目标测量精度中的任一项。
28.一种量测指导方法，包括：
接收样本的获取的图像；
基于对所述获取的图像的分析确定图像参数集；
基于所述图像参数集确定模型参数集；
基于所述模型参数集生成模拟图像集；以及
基于对所述模拟图像集和所述模型参数集的分析提供指导参数集。
29.根据条款28所述的方法，其中所述模拟图像集仅包括单个模拟图像。
30.根据条款29所述的方法，包括：基于对所述模拟图像集和所述模型参数集的所述分析提供所述指导参数集。
31.根据条款28至30中任一项所述的方法，其中所述分析包括来自所述模拟图像集和所述模型参数集的信息的对比。
32.根据条款31所述的方法，其中来自所述模拟图像集的所述信息包括临界尺寸测量结果。
33.根据条款28至32中任一项所述的方法，其中所述图像参数集、所述模型参数集或所述指导参数集中的所述至少一项包括单个参数。
34.根据条款28至33中任一项所述的方法，其中所述模型参数集是基于质量度量自所述图像参数集被确定的。
35.根据条款34所述的方法，其中所述模型参数集自所述图像参数集被确定是基于多个质量度量。
36.根据条款35所述的方法，其中所述多个质量度量包括局部噪声水平、全局噪声水平、边缘轮廓统计信息或图案结构中的任一项。
37.根据条款28至36中任一项所述的方法，其中所述图像参数集包括噪声水平、感兴趣图案、线条粗糙度或边缘轮廓中的任一项。
38.根据条款28至37中任一项所述的方法，其中所述指导参数集包括推荐的成像参数、临界尺寸均匀性参数、测量精度、可重复性或测量准确性中的任一项。
39根据条款28至38中任一项所述的方法，还包括：
接收与目标参数相关联的辅助信息；以及
基于所接收的辅助信息分析所述获取的图像。
40.根据条款39所述的方法，其中所述目标参数包括目标节距、目标临界尺寸均匀性、目标图案或目标测量精度中的任一项。
41.根据条款28至40中任一项所述的方法，还包括：
对所述模拟图像集执行临界尺寸的测量；以及
将临界尺寸测量与所述模型参数集进行对比。
42.一种非暂态计算机可读介质，包括指令集，所述指令集由装置的一个或多个处理器可执行以引起所述装置执行方法，所述方法包括：
接收样本的获取的图像；
基于对所述获取的图像的分析确定图像参数集；
基于所述图像参数集确定模型参数集；
基于所述模型参数集生成模拟图像集；以及
基于对所述模拟图像集和所述模型参数集的分析提供指导参数集。
43.根据条款42所述的计算机可读介质，其中所述指令集还引起所述装置：
对所述模拟图像集执行临界尺寸的测量；以及
将临界尺寸测量与所述模型参数集进行对比。
44.根据条款42和43中任一项所述的计算机可读介质，其中所述指令集还引起所述装置：
接收与目标参数相关联的辅助信息；以及
基于所接收的辅助信息分析所述获取的图像。
可以提供一种非暂态计算机可读介质，该非暂态计算机可读介质存储指令以供处理器(例如，控制器109的处理器、处理器430)执行图像获取、图像分析、使用建模数据的图像模拟、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。非暂态介质的常见形式包括例如软盘、柔性盘、硬盘、固态驱动器、磁带、或任何其他磁性数据存储介质、光盘只读存储器(CD-ROM)、任何其他光学数据存储介质、带孔图案的任何物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、FLASH-EPROM或任何其他闪存、非易失性随机存取存储器(NVRAM)、高速缓存、寄存器、任何其他存储器芯片或盒带、以及上述各项的网络版本。
附图中的框图示出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现的架构、功能和操作。在这点上，流程图或框图中的每个框可以代表包括用于实现所指定的逻辑功能的一个或多个可执行指令的代码的模块、段或部分。应当理解，在一些替代实现中，框中指示的功能可以不按图中指出的顺序发生。例如，取决于所涉及的功能，连续示出的两个框可以基本上同时执行或实现，或者有时两个框可以以相反的顺序执行。一些框也可以省略。还应当理解，框图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来实现，或者可以由专用硬件和计算机指令的组合来实现。
应当理解，本公开的实施例不限于以上已经描述并且在附图中示出的确切构造，并且在不脱离本发明的范围的情况下可以进行各种修改和改变。

Claims (15)

1.一种量测系统，包括：
存储器，存储指令集；以及
处理器，被配置为执行所述指令集以引起所述量测系统：
接收样本的获取的图像；
基于对所述获取的图像的分析确定图像参数集；
基于所述图像参数集确定模型参数集；
基于所述模型参数集生成模拟图像集；以及
基于对所述模拟图像集和所述模型参数集的分析输出指导参数集。
2.根据权利要求1所述的系统，还包括：被配置为获取所述样本的图像的带电粒子束装置。
3.根据权利要求1所述的系统，其中所述模拟图像集仅包括单个模拟图像。
4.根据权利要求1所述的系统，其中所述分析包括：来自所述模拟图像集和所述模型参数集的信息的对比。
5.根据权利要求4所述的系统，其中来自所述模拟图像集的所述信息包括临界尺寸测量结果。
6.根据权利要求1所述的系统，其中所述图像参数集、所述模型参数集或所述指导参数集中的至少一项包括单个参数。
7.根据权利要求1所述的系统，其中所述图像参数集包括噪声水平、感兴趣图案、线条粗糙度或边缘轮廓中的任一项。
8.根据权利要求1所述的系统，其中所述模型参数集是基于质量度量自所述图像参数集被确定的。
9.根据权利要求8所述的系统，其中所述模型参数集自所述图像参数集被确定是基于多个质量度量。
10.根据权利要求9所述的系统，其中所述多个质量度量包括局部噪声水平、全局噪声水平、边缘轮廓统计信息或图案结构中的任一项。
11.根据权利要求1所述的系统，其中所述指导参数集包括推荐的成像参数、临界尺寸均匀性参数、测量精度、可重复性或测量准确性中的任一项。
12.根据权利要求1所述的系统，其中所述处理器被配置为执行所述指令集以进一步引起所述量测系统：
接收与目标参数相关联的辅助信息；以及
基于所接收的辅助信息分析所述获取的图像。
13.根据权利要求12所述的系统，其中所述目标参数包括目标节距、目标临界尺寸均匀性、目标图案或目标测量精度中的任一项。
14.根据权利要求1所述的系统，其中所述处理器被配置为执行所述指令集以进一步引起所述量测系统：
对所述模拟图像集执行临界尺寸的测量以获取临界尺寸测量；以及
将所述临界尺寸测量与所述模型参数集进行对比。
15.一种非暂态计算机可读介质，包括指令集，所述指令集由装置的一个或多个处理器可执行以引起所述装置执行方法，所述方法包括：
接收样本的获取的图像；
基于对所述获取的图像的分析确定图像参数集；
基于所述图像参数集确定模型参数集；
基于所述模型参数集生成模拟图像集；以及
基于对所述模拟图像集和所述模型参数集的分析提供指导参数集。
CN201980056714.5A 2018-08-28 2019-08-19 最佳量测指导的系统和方法 Active CN112689802B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862723983P 2018-08-28 2018-08-28
US62/723,983 2018-08-28
PCT/EP2019/072105 WO2020043525A1 (en) 2018-08-28 2019-08-19 Systems and methods of optimal metrology guidance

Publications (2)

Publication Number Publication Date
CN112689802A CN112689802A (zh) 2021-04-20
CN112689802B true CN112689802B (zh) 2024-03-29

Family

ID=67704517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980056714.5A Active CN112689802B (zh) 2018-08-28 2019-08-19 最佳量测指导的系统和方法

Country Status (6)

Country Link
US (2) US11216938B2 (zh)
KR (2) KR20210036962A (zh)
CN (1) CN112689802B (zh)
IL (1) IL281060B2 (zh)
TW (2) TWI751435B (zh)
WO (1) WO2020043525A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
KR20210036962A (ko) 2018-08-28 2021-04-05 에이에스엠엘 네델란즈 비.브이. 최적의 계측 안내 시스템들 및 방법들
WO2020236624A1 (en) * 2019-05-17 2020-11-26 Magic Leap, Inc. Methods and apparatuses for corner detection using neural network and corner detector
US11836429B2 (en) * 2019-10-23 2023-12-05 Lam Research Corporation Determination of recipes for manufacturing semiconductor devices
US11416977B2 (en) * 2020-03-10 2022-08-16 Applied Materials, Inc. Self-measurement of semiconductor image using deep learning
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
US11379972B2 (en) 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
WO2023110291A1 (en) * 2021-12-15 2023-06-22 Asml Netherlands B.V. A framework for condition tuning and image processing for metrology applications

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105144241A (zh) * 2013-04-10 2015-12-09 皇家飞利浦有限公司 图像质量指数和/或基于其的成像参数推荐
CN106062939A (zh) * 2014-02-20 2016-10-26 科磊股份有限公司 用于基于图像的叠对测量的信号响应计量
CN106796724A (zh) * 2014-10-22 2017-05-31 科磊股份有限公司 自动化图案保真度测量计划产生

Family Cites Families (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7479633B2 (en) 2001-07-10 2009-01-20 International Business Machines Corporation Methodology for critical dimension metrology using stepper focus monitor information
US7003758B2 (en) * 2003-10-07 2006-02-21 Brion Technologies, Inc. System and method for lithography simulation
JP4262592B2 (ja) 2003-12-26 2009-05-13 株式会社日立ハイテクノロジーズ パターン計測方法
JP4533689B2 (ja) * 2004-07-15 2010-09-01 株式会社東芝 パターン検査方法
US7171284B2 (en) 2004-09-21 2007-01-30 Timbre Technologies, Inc. Optical metrology model optimization based on goals
JP2008177064A (ja) * 2007-01-19 2008-07-31 Hitachi High-Technologies Corp 走査型荷電粒子顕微鏡装置およ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
JP2008203109A (ja) * 2007-02-21 2008-09-04 Hitachi High-Technologies Corp パターン寸法計測方法及びその装置
JP5604067B2 (ja) * 2009-07-31 2014-10-08 株式会社日立ハイテクノロジーズ マッチング用テンプレートの作成方法、及びテンプレート作成装置
US8671366B2 (en) * 2009-08-21 2014-03-11 Hitachi High-Technologies Corporation Estimating shape based on comparison between actual waveform and library in lithography process
JP5254270B2 (ja) * 2010-04-09 2013-08-07 株式会社ニューフレアテクノロジー 検査方法および検査装置
NL2006700A (en) * 2010-06-04 2011-12-06 Asml Netherlands Bv Method and apparatus for measuring a structure on a substrate, computer program products for implementing such methods & apparatus.
US8953869B2 (en) * 2012-06-14 2015-02-10 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
US9311700B2 (en) * 2012-09-24 2016-04-12 Kla-Tencor Corporation Model-based registration and critical dimension metrology
JP5813610B2 (ja) * 2012-09-28 2015-11-17 富士フイルム株式会社 画像評価装置、画像評価方法、及びプログラム
US9255877B2 (en) * 2013-05-21 2016-02-09 Kla-Tencor Corporation Metrology system optimization for parameter tracking
US9518932B2 (en) 2013-11-06 2016-12-13 Kla-Tencor Corp. Metrology optimized inspection
NL2013745A (en) * 2013-12-05 2015-06-08 Asml Netherlands Bv Method and apparatus for measuring a structure on a substrate, models for error correction, computer program products for implementing such methods & apparatus.
KR101860038B1 (ko) * 2013-12-30 2018-05-21 에이에스엠엘 네델란즈 비.브이. 메트롤로지 타겟의 디자인을 위한 방법 및 장치
US9547892B2 (en) * 2014-05-06 2017-01-17 Kla-Tencor Corporation Apparatus and methods for predicting wafer-level defect printability
US10133191B2 (en) * 2014-07-21 2018-11-20 Asml Netherlands B.V. Method for determining a process window for a lithographic process, associated apparatuses and a computer program
CN111340762B (zh) * 2015-08-10 2021-06-25 科磊股份有限公司 用于预测晶片级缺陷可印性的设备及方法
US10395361B2 (en) * 2015-08-10 2019-08-27 Kla-Tencor Corporation Apparatus and methods for inspecting reticles
WO2017025373A1 (en) * 2015-08-12 2017-02-16 Asml Netherlands B.V. Inspection apparatus, inspection method and manufacturing method
US10754256B2 (en) * 2015-10-08 2020-08-25 Asml Netherlands B.V. Method and apparatus for pattern correction and verification
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
NL2017904A (en) * 2015-12-18 2017-06-26 Asml Netherlands Bv Optical System and Method
US11580375B2 (en) 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US10811323B2 (en) * 2016-03-01 2020-10-20 Asml Netherlands B.V. Method and apparatus to determine a patterning process parameter
US10395356B2 (en) 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
WO2018004511A1 (en) * 2016-06-27 2018-01-04 Kla-Tencor Corporation Apparatus and method for the measurement of pattern placement and size of pattern and computer program therefor
US10496781B2 (en) * 2016-12-19 2019-12-03 Kla Tencor Corporation Metrology recipe generation using predicted metrology images
US10628935B2 (en) * 2017-01-30 2020-04-21 Zhongke Jingyuan Electron Limited Method and system for identifying defects of integrated circuits
EP3367166A1 (en) * 2017-02-24 2018-08-29 ASML Netherlands B.V. Method of measuring variation, inspection system, computer program, and computer system
US10656532B2 (en) * 2017-04-13 2020-05-19 Fractilia, Llc Edge detection system and its use for optical proximity correction
US10176966B1 (en) * 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
US10664955B2 (en) * 2017-04-13 2020-05-26 Fractilia, Llc Edge detection system and its use for machine learning
US10522322B2 (en) * 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US10648801B2 (en) * 2017-04-13 2020-05-12 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10488188B2 (en) * 2017-04-13 2019-11-26 Fractilia, Llc System and method for removing noise from roughness measurements
TWI755453B (zh) * 2017-05-18 2022-02-21 美商克萊譚克公司 鑑定一光微影光罩合格性之方法及系統
WO2018224349A1 (en) * 2017-06-06 2018-12-13 Asml Netherlands B.V. Measurement method and apparatus
US10699926B2 (en) * 2017-08-30 2020-06-30 Kla-Tencor Corp. Identifying nuisances and defects of interest in defects detected on a wafer
EP3553602A1 (en) * 2018-04-09 2019-10-16 ASML Netherlands B.V. Model based reconstruction of semiconductor structures
US10714366B2 (en) * 2018-04-12 2020-07-14 Kla-Tencor Corp. Shape metric based scoring of wafer locations
KR20210036962A (ko) * 2018-08-28 2021-04-05 에이에스엠엘 네델란즈 비.브이. 최적의 계측 안내 시스템들 및 방법들
US10922808B2 (en) * 2019-02-14 2021-02-16 KLA—Tencor Corp. File selection for test image to design alignment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105144241A (zh) * 2013-04-10 2015-12-09 皇家飞利浦有限公司 图像质量指数和/或基于其的成像参数推荐
CN106062939A (zh) * 2014-02-20 2016-10-26 科磊股份有限公司 用于基于图像的叠对测量的信号响应计量
CN106796724A (zh) * 2014-10-22 2017-05-31 科磊股份有限公司 自动化图案保真度测量计划产生

Also Published As

Publication number Publication date
TW202217750A (zh) 2022-05-01
US20220237759A1 (en) 2022-07-28
TWI751435B (zh) 2022-01-01
KR20210036962A (ko) 2021-04-05
US11756187B2 (en) 2023-09-12
IL281060B2 (en) 2023-11-01
WO2020043525A1 (en) 2020-03-05
IL281060A (en) 2021-04-29
US20200074610A1 (en) 2020-03-05
TW202036474A (zh) 2020-10-01
TWI830111B (zh) 2024-01-21
US11216938B2 (en) 2022-01-04
IL281060B1 (en) 2023-07-01
KR20230155604A (ko) 2023-11-10
CN112689802A (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112689802B (zh) 最佳量测指导的系统和方法
TWI805868B (zh) 使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化
TWI709154B (zh) 掃描式電子顯微鏡影像強化之方法及系統
US9739720B2 (en) Method, computer system and apparatus for recipe generation for automated inspection of semiconductor devices
US20220375063A1 (en) System and method for generating predictive images for wafer inspection using machine learning
TWI781272B (zh) 用於補償掃描失真引起之計量誤差之方法及系統，以及相關之非暫時性電腦可讀儲存媒體
JP2907146B2 (ja) メモリｌｓｉの特定箇所探索方法および探索装置
KR102596144B1 (ko) 프로세스 제어를 위한 인-다이 계측 방법 및 시스템
KR101800493B1 (ko) 데이터베이스 기반 셀-대-셀 레티클 검사
US8526708B2 (en) Measurement of critical dimensions of semiconductor wafers
US20150241369A1 (en) Charged particle beam apparatus, image acquiring method and non-transitory computer-readable recording medium
US20230139085A1 (en) Processing reference data for wafer inspection
US20240062356A1 (en) Data-driven prediction and identification of failure modes based on wafer-level analysis and root cause analysis for semiconductor processing
US20230162944A1 (en) Image enhancement based on charge accumulation reduction in charged-particle beam inspection
TW202411790A (zh) 訓練模型以產生預測資料
WO2024022843A1 (en) Training a model to generate predictive data
CN116648722A (zh) 基于半导体处理的晶片级分析和根本原因分析的数据驱动失败模式预测和标识

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant