CN112955732A - 用于确定空白光罩上的缺陷的类型及大小的系统及方法 - Google Patents

用于确定空白光罩上的缺陷的类型及大小的系统及方法 Download PDF

Info

Publication number
CN112955732A
CN112955732A CN201980072399.5A CN201980072399A CN112955732A CN 112955732 A CN112955732 A CN 112955732A CN 201980072399 A CN201980072399 A CN 201980072399A CN 112955732 A CN112955732 A CN 112955732A
Authority
CN
China
Prior art keywords
defect
defects
sample
images
determining
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
CN201980072399.5A
Other languages
English (en)
Inventor
R·库尔卡尼
G·丛
方浩任
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Tencor Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN112955732A publication Critical patent/CN112955732A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95676—Masks, reticles, shadow masks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Abstract

本发明公开一种用于特性化样品的系统。在一个实施例中，所述系统包含控制器，所述控制器经配置以：接收所述样品的一或多个缺陷的训练图像；基于所述训练图像生成机器学习分类器；接收样品的一或多个缺陷的产品图像；运用所述机器学习分类器确定一或多个缺陷的一或多个缺陷类型分类；运用一或多个平滑滤波器过滤所述产品图像；执行二值化过程以生成二值化产品图像；对所述二值化产品图像执行形态图像处理操作；基于所述二值化产品图像确定所述一或多个缺陷的一或多个算法估计的缺陷大小；及基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。

Description

用于确定空白光罩上的缺陷的类型及大小的系统及方法
相关申请案的交叉引用
本申请案要求2018年11月2日申请的将拉马普拉萨德·库尔卡尼(RamaprasadKulkarni)、葛聪(Ge Cong)及方浩任(Hawren Fang)命名为发明人的标题为“用于确定空白光罩的缺陷的大小及类型的方法(METHOD FOR DETERMINING SIZE AND TYPE OF DEFECTSOF BLANK RETICLES)”的第62/754,880号美国临时专利申请案的优先权，所述申请案的全部内容以引用的方式并入本文中。
技术领域
本发明大体上涉及样品特性化及计量的领域，且更特定来说涉及一种利用机器学习技术确定缺陷的类型及大小的系统及方法。
背景技术
对具有越来越小的占据面积及特征的电子逻辑及存储器装置的需求呈现超出按所要比例制作的广范围的制造挑战。在半导体制作的内容背景中，在改进生产量及良率时，准确地识别缺陷的类型及大小是重要步骤。特定来说，制作及检验过程要求在实际缺陷大小的15％到20％内准确地确定缺陷大小。
使用常规技术，通过计算属于图像中的缺陷的像素的面积且将其乘以像素大小而估计缺陷大小。虽然这些常规技术可用于确定介于大约80nm到200nm之间的缺陷大小，但这些常规技术无法确定在此窄范围外的缺陷大小(例如，小于80nm的缺陷、大于200nm的缺陷)。此外，常规技术通常无法确定所检验的缺陷的类型。无法确定缺陷类型进一步限制常规技术在实际缺陷大小的15％到20％内准确地确定缺陷大小的能力。
因此，将期望提供一种解决上文识别的先前方法的一或多个缺点的系统及方法。
发明内容
本发明公开一种用于特性化样品的系统。在一个实施例中，所述系统包含具有经配置以执行存储在存储器中的程序指令集的一或多个处理器的控制器，所述程序指令集经配置以引起所述一或多个处理器：接收所述样品的一或多个缺陷的一或多个训练图像；基于所述一或多个训练图像生成机器学习分类器；接收样品的一或多个缺陷的一或多个产品图像；运用所述机器学习分类器确定所述一或多个缺陷的一或多个缺陷类型分类；运用一或多个平滑滤波器过滤所述一或多个产品图像；执行一或多个二值化(binarization)过程以生成一或多个二值化产品图像；对所述一或多个二值化产品图像执行一或多个形态图像处理操作；基于所述一或多个二值化产品图像确定所述一或多个缺陷的一或多个算法估计的缺陷大小；及基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的一或多个改进估计值(refined estimate)。
本发明公开一种用于特性化样品的系统。在一个实施例中，所述系统包含经配置以获取样品的一或多个图像的检验子系统。在另一实施例中，所述系统包含通信地耦合到所述检验子系统的控制器，所述控制器经配置以：从所述检验子系统接收所述样品的一或多个缺陷的一或多个训练图像；基于所述一或多个训练图像生成机器学习分类器；从所述检验子系统接收样品的一或多个缺陷的一或多个产品图像；运用所述机器学习分类器确定所述产品图像的所述一或多个缺陷的一或多个缺陷类型分类；对所述一或多个产品图像执行一或多个形态图像处理操作；基于所述一或多个产品图像确定所述一或多个缺陷的一或多个算法估计的缺陷大小；及基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。
本发明公开一种用于特性化样品的方法。在一个实施例中，所述方法包含：获取样品的一或多个缺陷的一或多个训练图像；基于所述一或多个训练图像生成机器学习分类器；获取样品的一或多个缺陷的一或多个产品图像；运用所述机器学习分类器确定所述一或多个缺陷的一或多个缺陷类型分类；运用一或多个平滑滤波器过滤所述一或多个产品图像；执行一或多个二值化过程以生成一或多个二值化产品图像；对所述一或多个二值化产品图像执行一或多个形态图像处理操作；基于所述一或多个二值化产品图像确定所述一或多个缺陷的一或多个算法估计的缺陷大小；及基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。
应了解，前文一般描述及下文详细描述两者仅为示范性的及说明性的，且不一定限制如所要求的本发明。并入到本说明书中且构成本说明书的一部分的附图说明本发明的实施例且与一般描述一起用于说明本发明的原理。
附图说明
所属领域的技术人员通过参考附图可更好地理解本发明的许多优点，在附图中：
图1A说明根据本发明的一或多个实施例的用于特性化样品的系统。
图1B说明根据本发明的一或多个实施例的用于特性化样品的系统。
图1C说明根据本发明的一或多个实施例的用于特性化样品的系统。
图2说明根据本发明的一或多个实施例的用于特性化样品的流程图。
图3说明根据本发明的一或多个实施例的各种类型的缺陷的产品图像。
图4说明根据本发明的一或多个实施例的缺陷的重检图像。
图5是根据本发明的一或多个实施例的说明针孔(PH)缺陷及抗蚀剂点(resistdot)(RD)缺陷的算法估计的缺陷大小与缺陷大小的改进估计值之间的关系的图表。
图6展示根据本发明的一或多个实施例的说明用随机森林分类器对缺陷进行的分类的图表。
图7展示根据本发明的一或多个实施例的说明用深度神经网络对缺陷进行的分类的图表。
图8A说明根据本发明的一或多个实施例的用于特性化样品的方法的一部分的流程图。
图8B说明根据本发明的一或多个实施例的用于特性化样品的方法的一部分的流程图。
具体实施方式
已关于特定实施例及其特定特征特别展示及描述本发明。本文中阐述的实施例被视为阐释性的而非限制性的。所属领域的一般技术人员应容易明白，可在不脱离本发明的精神及范围的情况下进行形式及细节方面的各种改变及修改。
现将详细参考在附图中说明的所公开目标物。
本发明的实施例涉及一种使用图像处理及机器学习技术来确定缺陷的类型及大小的系统及方法。特定来说，本发明的实施例涉及一种能够在实际缺陷大小的15％到20％内准确地确定缺陷大小的系统及方法。此外，本发明的实施例涉及一种能够针对广范围的实际缺陷大小准确地确定缺陷的类型及大小的系统及方法。本发明的额外实施例涉及利用机器学习技术来确定可用于更准确地确定缺陷的大小的缺陷类型分类。
图1A说明根据本发明的一或多个实施例的用于特性化样品的系统100。特定来说，图1A说明使用机器学习技术来确定空白光罩上的缺陷的类型及大小的系统100。系统100可包含但不限于一或多个检验子系统102。系统100可额外地包含但不限于控制器104(其包含一或多个处理器106、存储器108)及用户接口110。
检验子系统102可包含此项技术中已知的任何检验子系统102，包含但不限于基于光学的检验系统、基于带电粒子的检验系统及类似者。例如，检验子系统102可包含基于光学的暗场检验系统。通过另一实例，检验子系统102可包含扫描电子显微镜(SEM)检验系统。在一个实施例中，控制器104通信地耦合到一或多个检验子系统102。就此来说，控制器104的一或多个处理器106可经配置以生成经配置以调整检验子系统102的一或多个特性的一或多个控制信号。
图1B说明根据本发明的一或多个实施例的用于特性化样品的系统100。特定来说，图1B说明包含光学检验子系统102a的系统100。
光学检验子系统102a可包含此项技术中已知的任何基于光学的检验/特性化系统，包含但不限于基于图像的计量工具、重检工具及类似者。例如，检验子系统102a可包含光学暗场检验工具。光学检验子系统102a可包含但不限于照明源112、照明臂111、收集臂113及检测器组合件126。
在一个实施例中，光学检验子系统102a经配置以检验及/或测量安置在载物台组合件122上的样品120。照明源112可包含此项技术中已知的用于生成照明101的任何照明源，包含但不限于宽带辐射源。在另一实施例中，光学检验子系统102a可包含经配置以将照明101引导到样品120的照明臂111。应注意，光学检验子系统102a的照明源112可以此项技术中已知的任何定向配置，包含但不限于暗场定向、明场定向及类似者。例如，可选择性地调整一或多个光学元件114、124以便以暗场定向、明场定向及类似者配置检验子系统102a。
样品120可包含此项技术中已知的任何样品，包含但不限于晶片、光罩、光掩模(photomask)及类似者。例如，样品120可包含空白光罩。在一个实施例中，将样品120安置在载物台组合件122上以促进样品120的移动。在另一实施例中，载物台组合件122为可致动载物台。例如，载物台组合件122可包含但不限于适于选择性地使样品120沿一或多个线性方向(例如，x方向、y方向及/或z方向)平移的一或多个平移载物台。通过另一实例，载物台组合件122可包含但不限于适于选择性地使样品120沿旋转方向旋转的一或多个旋转载物台。通过另一实例，载物台组合件122可包含但不限于适于选择性地使样品120沿线性方向平移及/或使样品120沿旋转方向旋转的旋转载物台及平移载物台。在本文中应注意，系统100可在此项技术中已知的任何扫描模式中操作。
照明臂111可包含此项技术中已知的任何数量及类型的光学组件。在一个实施例中，照明臂111包含一或多个光学元件114、一组一或多个光学元件115、光束分离器116及物镜118。就此来说，照明臂111可经配置以将来自照明源112的照明101聚焦到样品120的表面上。一或多个光学元件114可包含此项技术中已知的任何光学元件，包含但不限于一或多个镜、一或多个透镜、一或多个偏光器、一或多个光束分离器、波板及类似者。
在另一实施例中，光学检验子系统102a包含经配置以收集从样品120反射或散射的照明的收集臂113。在另一实施例中，收集臂113可经由一或多个光学元件124将反射光及散射光引导及/或聚焦到检测器组合件126的一或多个传感器。一或多个光学元件124可包含此项技术中已知的任何光学元件，包含但不限于一或多个镜、一或多个透镜、一或多个偏光器、一或多个光束分离器、波板及类似者。应注意，检测器组合件126可包含此项技术中已知的用于检测从样品120反射或散射的照明的任何传感器及检测器组合件。
在另一实施例中，光学检验子系统102的检测器组合件126经配置以基于从样品120反射或散射的照明收集样品120的计量资料。在另一实施例中，检测器组合件126经配置以将经收集/经获取图像及/或计量数据传输到控制器104。
如先前在本文中提及，系统100的控制器104可包含一或多个处理器106及存储器108。存储器108可包含经配置以引起一或多个处理器106实行本发明的各种步骤的程序指令。在一个实施例中，程序指令经配置以引起一或多个处理器106调整光学检验子系统102的一或多个特性，以执行对样品120的一或多个测量。
在额外及/或替代实施例中，检验子系统102可包含基于带电粒子的检验子系统102。例如，检验子系统102可包含SEM特性化子系统，如图1C中说明。
图1C说明根据本发明的一或多个实施例的用于特性化样品120的系统100。特定来说，图1C说明包含SEM检验子系统102b的系统100。
在一个实施例中，SEM检验子系统102b经配置以对样品120执行一或多个测量。就此来说，SEM检验子系统102b可经配置以获取样品120的一或多个图像。SEM检验子系统102b可包含但不限于电子束源128、一或多个电子光学元件130、一或多个电子光学元件132及包含一或多个电子传感器136的电子检测器组合件134。
在一个实施例中，电子束源128经配置以将一或多个电子束129引导到样品120。电子束源128可形成电子光学柱。在另一实施例中，电子束源128包含经配置以将一或多个电子束129聚焦及/或引导到样品120的表面的一或多个额外及/或替代电子光学元件130。在另一实施例中，SEM检验子系统102b包含经配置以收集响应于一或多个电子束129而从样品120的表面发出的二次及/或反向散射电子131的一或多个电子光学元件132。本文中应注意，一或多个电子光学元件130及一或多个电子光学元件132可包含经配置以引导、聚焦及/或收集电子的任何电子光学元件，包含但不限于一或多个偏转器、一或多个电子光学透镜、一或多个聚光透镜(例如，磁性聚光透镜)、一或多个物镜(例如，磁性聚光透镜)及类似者。
应注意，SEM检验子系统102b的电子光学组合件不限于图1C中描绘的仅出于阐释性目的提供的电子光学元件。进一步应注意，系统100可包含将一或多个电子束129引导/聚焦到样品120上且作为响应将所发出的二次及/或反向散射电子131收集及成像到电子检测器组合件134上所必需的任何数量及类型的电子光学元件。
例如，系统100可包含一或多个电子束扫描元件(未展示)。例如，一或多个电子束扫描元件可包含但不限于适于控制一或多个电子束129相对于样品120的表面的位置的一或多个电磁扫描线圈或静电偏转器。此外，一或多个扫描元件可用于用一或多个电子束129以选定图案跨样品120扫描。
在另一实施例中，将二次及/或反向散射电子131引导到电子检测器组合件134的一或多个传感器136。SEM检验子系统102的电子检测器组合件134可包含此项技术中已知的适于检测从样品120的表面发出的反向散射及/或二次电子131的任何电子检测器组合件。在一个实施例中，电子检测器组合件134包含电子检测器阵列。就此来说，电子检测器组合件134可包含电子检测部分的阵列。此外，电子检测器组合件134的检测器阵列的每一电子检测部分可经定位以检测与一或多个入射电子束129中的一者相关联的来自样品120的电子信号。电子检测器组合件134可包含此项技术中已知的任何类型的电子检测器。例如，电子检测器组合件134可包含微通道板(MCP)、PIN或p-n结检测器阵列，例如但不限于二极管阵列或雪崩光二极管(APD)。通过另一实例，电子检测器组合件134可包含高速闪烁器或光电倍增管(PMT)检测器。
虽然图1C将SEM检验子系统102b说明为包含仅包括二次电子检测器组合件的电子检测器组合件134，但此不被视为对本发明的限制。就此来说，应注意，电子检测器组合件134可包含但不限于二次电子检测器、反向散射电子检测器及/或初级电子检测器(例如，柱内电子检测器)。在另一实施例中，SEM检验子系统102可包含多个电子检测器组合件134。例如，系统100可包含二次电子检测器组合件134a、反向散射电子检测器组合件134b及柱内电子检测器组合件134c。
在一个实施例中，控制器104的一或多个处理器106经配置以分析检测器组合件126/电子检测器组合件134的输出。在一个实施例中，程序指令集经配置以引起一或多个处理器106基于从检测器组合件126/电子检测器组合件134接收的图像分析样品120的一或多个特性。在另一实施例中，程序指令集经配置以引起一或多个处理器106修改系统100的一或多个特性，以维持样品120及/或检测器组合件126/电子检测器组合件134上的焦点。例如，一或多个处理器106可经配置以调整系统100的照明源112/电子束源128及/或其它元件的一或多个特性，以将照明101及/或一或多个电子束129聚焦到样品120的表面上。通过另一实例，一或多个处理器106可经配置以调整系统100的一或多个元件，以收集来自样品120的表面的照明及/或二次电子131且将经收集的照明聚焦到检测器组合件126/电子检测器组合件134上。通过另一实例，一或多个处理器106可经配置以调整施加到电子束源128的一或多个静电偏转器的一或多个聚焦电压，以独立地调整一或多个电子束129的位置或对准且用电子束129跨样品120扫描。
在另一实施例中，如图1A到1C中展示，系统100包含通信地耦合到控制器104的用户接口110。在另一实施例中，用户接口110包含用户输入装置及显示器。用户接口110的用户输入装置可经配置以接收来自用户的一或多个输入命令，所述一或多个输入命令经配置以将数据输入到系统100中及/或调整系统100的一或多个特性。在另一实施例中，用户接口110的显示器可经配置以将系统100的数据显示给用户。
在一个实施例中，一或多个处理器106可通信地耦合到存储器108，其中一或多个处理器106经配置以执行存储在存储器108上的程序指令集，所述程序指令集经配置以引起一或多个处理器106实行本发明的各种功能及步骤。就此来说，控制器104可经配置以：从检验子系统102接收样品120的一或多个缺陷的一或多个训练图像125；基于一或多个训练图像125生成机器学习分类器；从检验子系统102接收样品120的一或多个缺陷的一或多个产品图像135；运用机器学习分类器确定一或多个缺陷的一或多个缺陷类型分类；运用一或多个平滑滤波器过滤一或多个产品图像135；执行一或多个二值化过程以生成一或多个二值化产品图像；对一或多个二值化产品图像执行一或多个形态图像处理操作；基于一或多个二值化产品图像确定一或多个缺陷的一或多个算法估计的缺陷大小；及基于一或多个算法估计的缺陷大小及一或多个缺陷类型分类确定一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。控制器104的这些步骤/功能中的每一者将各自在本文中进一步详细描述。
图2说明根据本发明的一或多个实施例的用于特性化样品120的流程图200。特定来说，图2说明使用图像处理及机器学习技术来确定缺陷的类型及大小的流程图200。就此来说，流程图200可被视为说明通过控制器104的一或多个处理器106执行或在所述一或多个处理器106内执行的步骤的概念流程图。
在步骤202中，生成机器学习分类器。在一个实施例中，控制器104可生成机器学习分类器，所述机器学习分类器可用于识别样品120的图像内的缺陷的类型。在生成机器学习分类器时，控制器104可经配置以获取样品120的一或多个训练图像125。例如，在一个实施例中，控制器104可经配置以从检验子系统102接收样品120的一或多个缺陷的一或多个训练图像125。出于本发明的目的，术语“训练图像”可被视为其类型及大小已知/经设计/经测量且将用作训练机器学习分类器的输入的缺陷的图像。
例如，如图1B中展示，控制器104可经配置以从光学检验子系统102a接收样品120的一或多个缺陷的一或多个光学训练图像125。通过另一实例，如图1C中展示，控制器104可经配置以从SEM检验子系统102b接收样品120的一或多个缺陷的一或多个SEM训练图像125。就此来说，训练图像135可包含光学训练图像125、SEM训练图像125及类似者。在额外及/或替代实施例中，控制器104可经配置以从除了一或多个检验子系统102外的源接收一或多个训练图像125。例如，控制器104可经配置以从外部存储装置及/或存储器108接收样品120的特征的一或多个训练图像125。在另一实施例中，控制器104可进一步经配置以将经接收训练图像125存储在存储器108中。
在另一实施例中，控制器104可经配置以基于一或多个经接收训练图像125生成机器学习分类器。控制器104可经配置以经由此项技术中已知的任何技术生成机器学习分类器，所述技术包含但不限于监督式学习、无监督式学习及类似者。
例如，在监督式学习的内容背景中，训练图像125可包含具有已知大小及/或已知缺陷类型的缺陷的图像。就此来说，控制器104可接收与训练图像125中描绘的缺陷相关联的一或多个已知缺陷类型分类及/或一或多个已知缺陷大小。因此，训练图像125、已知缺陷类型分类及已知缺陷大小可用作训练机器学习分类器的输入。已知缺陷类型分类可包含此项技术中已知的任何类型的缺陷的分类，包含但不限于针孔缺陷分类、抗蚀剂点缺陷分类、刮痕缺陷分类、快速定位缺陷分类及类似者。控制器104可进一步经配置以将已知缺陷类型分类、已知缺陷大小及所生成的机器学些分类器存储在存储器108中。
本文中进一步应注意，在步骤202中生成的机器学习分类器可包含此项技术中已知的任何类型的机器学习算法/分类器及/或深度学习技术或分类器，包含但不限于随机森林分类器、支持向量机(SVM)分类器、整体学习(ensemble learning)分类器、人工神经网络(ANN)及类似者。通过另一实例，机器学习分类器可包含深度卷积神经网络。例如，在一些实施例中，机器学习分类器可包含ALEXNET及/或GOOGLENET。就此来说，机器学习分类器可包含经配置以确定样品120的图像内的缺陷的类型的任何算法、分类器或预测模型。这将在本文中进一步详细论述。
在步骤204中，获取一或多个产品图像。在一个实施例中，控制器104可经配置以从检验子系统102接收一或多个产品图像135。如本文中所使用，术语“产品图像”可用于指代将确定其缺陷类型及缺陷大小的缺陷的图像。因此，“产品图像”可与“训练图像”区别开，“训练图像”可被视为将用作训练机器学习分类器的输入的缺陷的图像。
本文中应注意，关于获取训练图像125的任何论述可被视为适用于获取产品图像135，除非本文中另有提及。因此，可从光学检验子系统102a及/或SEM检验子系统102b接收产品图像135。就此来说，产品图像135可包含光学产品图像135、SEM产品图像135及类似者。在额外及/或替代实施例中，控制器104可经配置以从除了一或多个检验子系统102外的源接收一或多个产品图像135。例如，控制器104可经配置以从外部存储装置及/或存储器108接收样品120的一或多个产品图像135。
图3说明根据本发明的一或多个实施例的各种类型的缺陷的产品图像135。特定来说，图3说明通过暗场检验工具(例如，检验子系统102)捕获的各种类型的缺陷的产品图像135a到135c。
在实施例中，产品图像135a说明针孔(PH)缺陷或抗蚀剂点(RD)缺陷，产品图像135b说明快速定位缺陷(FLD)，且产品图像135c说明刮痕缺陷。如在图3中可见，通过暗场检验工具(例如，检验子系统102)捕获的图像的大小可为32x32个像素。图3进一步说明将较亮像素与相应缺陷相关联的标度302。
在实施例中，可在检验及/或后检验期间获取用于确定样品120的缺陷的大小及/或类型的一或多个产品图像135。在另一实施例中，控制器104可进一步经配置以将经接收产品图像135存储在存储器108中。
在步骤206中，确定样品120的一或多个缺陷的一或多个缺陷类型。样品120的一或多个缺陷可包含可在整个的样品120制作/特性化过程内受关注的任何类型的缺陷，包含但不限于针孔缺陷、抗蚀剂点缺陷、刮痕、快速定位缺陷及类似者。在一些实施例中，控制器104经配置以用所生成的机器学习分类器确定产品图像135内的一或多个缺陷的一或多个缺陷类型分类。例如，控制器104可接收描绘样品120的针孔缺陷的产品图像135a。在此实例中，控制器104可经配置以确定产品图像135a包含针孔缺陷，且将所述缺陷与针孔缺陷类型分类相关联。通过另一实例，控制器104可接收描绘样品120的刮痕缺陷的产品图像135c，确定产品图像135c包含刮痕缺陷，且将所述缺陷与刮痕缺陷类型分类相关联。
在步骤208中，对一或多个产品图像135执行一或多个图像处理操作。在一个实施例中，控制器104经配置以对一或多个产品图像135执行一或多个图像处理操作。
例如，在暗场检验工具(例如，检验子系统102)的内容背景中，一或多个产品图像135可包含为灰度且大小为32x32个像素(如图2中展示)的样本120上的缺陷的图像。此相对较小图像大小可导致估计缺陷大小的较大变动。因此，在一些实施例中，一或多个图像处理操作可包含经配置以调整产品图像135的大小的图像按比例调整(scaling)操作。在图像按比例调整操作(例如，图像处理操作)期间，控制器104可经配置以用图像按比例调整操作调整一或多个产品图像135的大小，以生成一或多个按比例调整的产品图像。例如，运用32x32像素图像，控制器104可经配置以执行图像按比例放大操作(例如，图像处理操作)以将产品图像135按比例放大八倍以生成具有256x256个像素的大小的按比例调整的产品图像。本文中应注意，图像按比例调整操作可包含经配置以将产品图像按比例放大及/或按比例缩小任何选定倍数的按比例放大及/或按比例缩小操作。
图像按比例放大可导致在缺陷周围具有模糊边界的按比例调整的产品图像。为了减少及/或消除这些变动及模糊边界，一或多个图像处理操作可进一步包含一或多个图像锐化操作。例如，在执行图像按比例放大操作以生成具有256x256个像素的大小的按比例调整的产品图像之后，控制器可经配置以用一或多个图像锐化操作更改一或多个按比例调整的产品图像。可经由图像锐化操作使用此项技术中已知的任何技术更改产品图像135及/或按比例调整的产品图像。例如，控制器104可经配置以利用使用拉普拉斯滤波器(Laplacianfilter)执行的图像过滤操作来锐化按比例调整的产品图像。就此来说，图像锐化操作可包含一或多个图像过滤操作。
通过另一实例，在通过重检工具(例如，检验子系统102)捕获的重检图像的内容背景中，一或多个产品图像135可包含为彩色且大小为512x512个像素的样品120上的缺陷的图像。例如，图4说明根据本发明的一或多个实施例的缺陷的重检图像135d。特定来说，图4说明通过光学重检工具(例如，检验子系统102)捕获的缺陷的产品图像135d，其中较亮像素表示缺陷。如先前提及，产品图像135d可为彩色的且大小为512x512个像素。
在通过重检工具捕获的重检图像(例如，产品图像135d)的内容背景中，通过控制器104执行的一或多个图像处理操作可包含将一或多个产品图像135从第一色彩空间系统转换到第二色彩空间系统。色彩空间系统可包含此项技术中已知的任何色彩空间系统，包含但不限于红绿蓝(RGB)色彩空间系统及色度-饱和度-值(hue-saturation-value)(HSV)色彩空间系统。例如，可在RGB色彩空间系统中捕获产品图像135d，且控制器104可经配置以将产品图像135d转换到HSV色彩空间系统中。本文中应注意，与RGB色彩空间系统相比，HSV色彩空间系统的值通道可提供改进的强度轮廓及更一致的缺陷像素区别。
本文中进一步应注意，一或多个图像处理操作可包含此项技术中已知的任何图像处理操作。就此来说，示范性图像处理操作仅出于阐释性目的提供且不被视为对本发明的限制，除非本文中另有提及。
在步骤210中，运用一或多个平滑滤波器过滤一或多个产品图像135。为了降低一或多个产品图像135内的缺陷周围的区中的噪声，控制器104可经配置以用一或多个平滑滤波器过滤一或多个产品图像135。一或多个平滑滤波器可包含此项技术中的任何平滑滤波器，包含但不限于均值滤波器、拉普拉斯滤波器、维纳(Weiner)滤波器、高斯(Gaussian)滤波器、最小值/最大值滤波器、中值滤波器、中点滤波器及类似者。例如，控制器104可经配置以通过使用高斯核进行卷积而平滑化一或多个产品图像135。
在步骤212中，执行一或多个二值化过程以生成一或多个二值化产品图像。在一个实施例中，控制器104经配置以对产品图像135执行一或多个二值化过程，以生成一或多个二值化产品图像。通过二值化，可使用一或多个二值化公式从产品图像135的背景像素识别产品图像135中的与缺陷相关联的像素(例如，缺陷像素)。例如，可使用通过等式1给出的二值化公式从背景像素识别缺陷像素：
Figure BDA0003048558060000111
其中μ界定背景像素的灰度的均值，σ界定背景像素灰度的标准偏差的值，W界定用户提供的权重(例如，3)，δ界定用户提供的偏移(例如，0.1)，I界定像素位置(x，y)处的相应产品图像135(例如，在步骤210中使用一或多个平滑滤波器过滤的产品图像135)的灰度，且b(x，y)界定像素位置(x，y)处的二值化图像。使用等式1将经处理灰度图像转换为仅具有两个值的图像(具有灰度1的缺陷像素及具有灰度0的其余像素)的步骤可被称为二值化。在另一实施例中，控制器104可经配置以将一或多个二值化产品图像存储在存储器108中。
在二值化之后，产品图像135内的缺陷可呈现为在缺陷中间更亮而在缺陷中间周围具有暗轮廓。此可归因于缺陷及/或样品120的光学性质。在这些情况中，在步骤212的二值化之后，此两个区(例如，较亮中心区、较暗轮廓)可呈现为分离。随后，在表示缺陷时选择所述区中的仅一者可低估缺陷大小。例如，通过仅选择较亮中心区，可低估缺陷大小。为了弥合(bridge)此类分离区之间的间隙，可执行形态图像处理操作。
在步骤214中，执行一或多个形态图像处理操作。例如，在实施例中，控制器104可经配置以对一或多个产品图像135及/或一或多个二值化产品图像执行一或多个形态图像处理操作。一或多个形态图像处理操作可包含此项技术中已知的任何形态图像处理操作，包含但不限于形态闭合(morphological closing)操作(例如，形态二进制图像闭合操作)、形态侵蚀(morphological erosion)操作、形态扩张(morphological dilation)操作、形态敞开(morphological opening)操作或形态闭合操作及类似者。如先前在本文中提及，可执行形态图像处理操作以弥合二值化引起的缺陷的分离区之间的间隙。
在步骤216中，执行连通组件标记(connected component labeling)。在执行二值化操作及形态图像处理操作之后，噪声及其它因素可引起还将除对应于缺陷的像素集群外的小像素集群错误地标记为有缺陷(例如，缺陷的部分)。就此来说，可执行连通组件标记以仅标记及选择对应于缺陷的像素集群。因此，控制器104可经配置以通过用唯一卷标识别及标记二值化产品图像内的每一隔离像素集群而执行连通组件标记。由于归因于噪声的像素集群一般小于对应于缺陷的像素集群的事实，控制器104可经配置以将一或多个像素集群识别及标记为对应于单个缺陷或与所述缺陷相关联。
例如，控制器104可经配置以识别一或多个二值化产品图像内的多个像素集群，且将多个像素集群的最大像素集群确定为与一或多个缺陷相关联。接着，控制器104可进一步经配置以忽视(例如，忽略)其它像素集群作为归因于噪声。
在步骤218中，确定一或多个缺陷的算法估计的缺陷大小。在一个实施例中，控制器104可经配置以基于一或多个二值化产品图像确定一或多个缺陷的一或多个算法估计的缺陷大小。用于确定算法估计的缺陷大小的二值化产品图像的特性可包含但不限于经识别/经标记的像素集群、最大缺陷像素灰度值、最小缺陷像素灰度值及类似者。
例如，在将二值化产品图像内的像素集群识别为与缺陷相关联之后，控制器104可经配置以基于经识别像素集群确定缺陷的算法估计的缺陷大小。如本文中所使用，术语“算法估计的缺陷大小”可指代基于确定为与产品图像135(例如，二值化产品图像135)内的缺陷相关联的像素数量及/或产品图像135的其它特性的缺陷的估计大小。就此来说，“算法估计的缺陷大小”可与“缺陷大小的改进估计值”区别开，如将在本文中进一步详细论述。
本文中预期，仅基于图像的像素估计缺陷的大小(例如，算法估计的缺陷大小)可将定量的误差引入到缺陷大小确定中。例如，归因于相应缺陷类型的光学性质的差异，可确定针孔缺陷及抗蚀剂点缺陷具有相同算法估计的缺陷大小，即使所述两个缺陷的大小在现实中实际上大不相同。这可参考图5进一步理解。
图5是根据本发明的一或多个实施例的说明针孔(PH)缺陷及抗蚀剂点(RD)缺陷的算法估计的缺陷大小与实际/经设计缺陷大小之间的关系的图表500。图表500说明实际及/或经设计缺陷大小与算法估计的缺陷大小之间的关系。曲线502说明抗蚀剂点(RD)缺陷的实际/经设计缺陷大小与算法估计的缺陷大小之间的关系，且曲线504说明针孔(PH)缺陷的实际/经设计缺陷大小与算法估计的缺陷大小之间的关系。
如在图表500中可见，当将算法估计的缺陷大小标绘为实际/经设计缺陷大小的函数时，显露对应于各种缺陷类型的不同的且独立的趋势(例如，RD缺陷的曲线502、PH缺陷的曲线504)。在一些实施例中，可在机器学习分类器的监督式训练(步骤202)期间经由训练图像125建构标绘算法估计的缺陷大小对实际/经设计缺陷大小的图表(例如，图表500)。在建构图表500之后，可生成不同数学模型/函数(例如，多项式函数)以拟合曲线502、504中的每一者。例如，在使用描绘具有已知缺陷大小及/或已知缺陷类型的缺陷的训练图像125进行监督式学习期间，控制器104可经配置以生成数学模型/函数(例如，多项式函数)，其针对各种类型的缺陷将算法估计的缺陷大小与实际/经设计缺陷大小相关。例如，控制器104可经配置以生成将RD缺陷的算法估计的缺陷大小与实际/经设计缺陷大小相关的第一数学模型(例如，数学函数、多项式函数)，及将PH缺陷的算法估计的缺陷大小与实际/经设计缺陷大小相关的第二数学模型(例如，数学函数、多项式函数)。所生成的数学模型可存储在存储器108中。就此来说，控制器104可经配置以在监督式学习期间生成数学模型/函数建模曲线502及504。
如图5中展示，取决于所讨论的缺陷的类型，单个算法估计的缺陷大小可指示变化实际/经设计缺陷大小。就此来说，可了解，算法估计的缺陷大小独自不足以准确地确定缺陷大小。
因此，尝试仅基于图像内的像素集群确定缺陷大小的先前方法可能无法在实际缺陷大小的15％到20％内准确地确定缺陷的大小。相比之下，本发明的实施例经配置以利用算法估计的缺陷大小及经确定缺陷类型分类两者，以更准确地确定缺陷大小的改进估计值。更特定来说，本发明的实施例经配置以利用算法估计的缺陷大小、将算法估计的缺陷大小与实际/经设计缺陷大小相关的数学模型/函数以及确定缺陷类型分类的模型(例如，随机森林分类器模型、深度卷积神经网络模型等)两者，以更准确地确定缺陷大小的改进估计值。
在步骤220中，确定缺陷大小的改进估计值。在一个实施例中，控制器104可经配置以基于一或多个算法估计的缺陷大小(步骤218)及一或多个缺陷类型分类(步骤206)确定一或多个缺陷的一或多个缺陷大小的一或多个改进估计值(例如，真实/实际缺陷大小的估计值)。例如，控制器104可经配置以基于一或多个算法估计的缺陷大小(步骤218)、一或多个缺陷类型分类(步骤206)及针对各种类型的缺陷将算法估计的缺陷大小与实际/经设计缺陷大小相关的一或多个数学模型来确定一或多个缺陷的一或多个缺陷大小的一或多个改进估计值(例如，真实/实际缺陷大小的估计值)。
实例可证明为阐释性的。可使用监督式学习技术来训练/校准机器学习分类器。在利用训练图像125、已知缺陷大小及已知缺陷类型进行监督式学习期间，控制器104可经配置以生成针对各种类型的缺陷将算法估计的缺陷大小与实际/经设计缺陷大小相关的数学模型/函数(例如，多项式函数)(例如，数学函数建模曲线502、504)。例如，在校准/训练期间，控制器104可生成与曲线502相关联的第一多项式函数(例如，第一数学模型)，及与曲线504相关联的第二多项式函数(例如，第二数学模型)。多项式函数(例如，第一数学模型、第二数学模型)可存储在存储器108中。
继续相同实例，控制器104可经配置以获取缺陷的产品图像135a。使用经训练机器学习分类器，控制器104可确定产品图像135a中描画(picture)的缺陷为针孔缺陷，且因此可将针孔缺陷分类与所述缺陷相关联。随后，在执行流程图200的各种步骤之后，控制器104可随后使用第二多项式函数(例如，建模到针孔缺陷的曲线504的第二数学模型)来确定缺陷的算法估计的缺陷大小。使用经确定针孔缺陷分类、第二多项式函数及算法估计的缺陷大小，控制器104接着可经配置以确定估计缺陷的真实/实际大小的缺陷大小的改进估计值。
本文中预期，使用算法估计的缺陷大小(及在训练期间生成的将算法估计的缺陷大小与实际/经设计缺陷大小相关的经生成数学模型)及经确定缺陷类型分类两者可使本发明的系统及方法能够针对广范围的缺陷类型及大小在实际缺陷大小的15％到20％内准确地估计缺陷大小(例如，在实际缺陷大小的15％到20％内的缺陷大小的改进估计值)。
可参考图6及7进一步理解使用各种类型的机器学习分类器确定缺陷类型分类的有效性。
图6展示根据本发明的一或多个实施例的说明用随机森林分类器对缺陷进行的分类的图表600。图7展示根据本发明的一或多个实施例的说明用深度神经网络对缺陷进行的分类的图表700、702。
在随机森林分类器(例如，机器学习分类器)的情况中，控制器104可经配置以基于包含二值化产品图像内的算法估计的缺陷大小、最小缺陷像素灰度值及最大缺陷像素灰度值的特征生成三维(3D)特征向量。选取表示不同缺陷类型的特征且所述特征并非详尽的。在特定实施例中，可针对每一缺陷使用三个不同产品图像135(例如，二值化产品图像)而导致总共九个特征。因此，使用九个特征的随机森林分类器可对测试数据(例如，测试缺陷)提供具有大约100％的准确度的缺陷类型分类，如图表600中可见。
相比之下，图表700及702说明使用运用原始产品图像135训练的深度神经网络对缺陷进行的分类。特定来说，图表700说明用ALEXNET对缺陷进行的分类，且图表702说明用GOOGLENET对缺陷进行的分类。
在一些实施例中，控制器104可进一步经配置以基于缺陷大小的改进估计值或经确定缺陷类型分类中的至少一者生成控制信号，其中一或多个控制信号经配置以选择性地调整一或多个工艺工具的一或多个特性。例如，参考图1A到1C，系统100可进一步包含通信地耦合到控制器104的一或多个制作工具。一或多个制作工具可包含此项技术中已知的经配置以制作样品120的任何制作工具，包含但不限于光刻工具、蚀刻工具、沉积工具、抛光工具及类似者。继续相同实例，控制器104可经配置以生成一或多个控制信号，所述一或多个控制信号经配置以在前馈或反馈循环中调整一或多个制作工具的一或多个特性，以校正缺陷大小的改进估计值或经确定缺陷类型分类中的至少一者。
本文中预期，本发明的系统及方法可实现针对广范围的缺陷大小(例如，小于80nm，大于200nm)进行更准确缺陷类型及大小确定。特定来说，本发明的系统及方法可实现在实际缺陷大小的15％到20％内的缺陷大小的估计(例如，在实际缺陷大小的15％到20％内的缺陷大小的改进估计值)。
本文中应注意，系统100的一或多个组件可以此项技术中已知的任何方式通信地耦合到系统100的各种其它组件。例如，一或多个处理器106可经由缆线(例如，铜线、光缆及类似者)或无线连接(例如，RF耦合、IR耦合、WiMax、蓝牙、3G、4G、4G LTE、5G及类似者)彼此通信地耦合到且通信地耦合到其它组件。通过另一实例，控制器104可经由此项技术中已知的任何有线或无线连接通信地耦合到检验子系统102的一或多个组件。
在一个实施例中，一或多个处理器106可包含此项技术中已知的任一或多个处理元件。在此意义上，一或多个处理器106可包含经配置以执行软件算法及/或指令的任何微处理器型装置。在一个实施例中，一或多个处理器106可由桌面计算机、主计算机系统、工作站、图像计算机、并行处理器或经配置以执行经配置以操作系统100(如在本发明各处描述)的程序的其它计算机系统(例如，网络计算机)组成。应认知，可通过单个计算机系统或(替代地)多个计算机系统实行在本发明各处描述的步骤。此外，应认知，在本发明各处描述的步骤可在一或多个处理器106上的任一或多者上执行。一般来说，术语“处理器”可广泛界定为涵盖具有执行来自存储器108的程序指令的一或多个处理元件的任何装置。此外，系统100的不同子系统(例如，照明源112、电子束源128、检测器组合件126、电子检测器组合件134、控制器104、用户接口110及类似者)可包含适于实行在本发明各处描述的步骤的至少一部分的处理器或逻辑元件。因此，上文描述不应解释为对本发明的限制而是仅为说明。
存储器108可包含此项技术中已知的适于存储可通过相关联的一或多个处理器106执行的程序指令及从检验子系统102接收的数据的任何存储媒体。例如，存储器108可包含非暂时性存储器媒体。例如，存储器108可包含但不限于只读存储器(ROM)、随机存取存储器(RAM)、磁性或光学存储器装置(例如，光盘)、磁带、固态驱动器及类似者。进一步硬注意，存储器108可与一或多个处理器106容置在共同控制器外壳中。在替代实施例中，存储器108可相对于处理器106、控制器104及类似者的物理位置远程地定位。在另一实施例中，存储器108维持引起一或多个处理器106实行通过本发明描述的各种步骤的程序指令。
在一个实施例中，用户接口110通信地耦合到控制器104。在一个实施例中，用户接口110可包含但不限于一或多个桌面计算机、平板计算机、智能电话、智能手表或类似者。在另一实施例中，用户接口110包含用于将系统100的数据显示给用户的显示器。用户接口110的显示器可包含技术中已知的任何显示器。例如，显示器可包含但不限于液晶显示器(LCD)、基于有机发光二极管(OLED)的显示器或CRT显示器。所属领域的技术人员应认知，能够与用户接口110集成的任何显示器装置适于在本发明中实施。在另一实施例中，用户可经由用户接口110的用户输入装置响应于显示给用户的数据输入选择及/或指令。
图8A到8B说明根据本发明的一或多个实施例的用于特性化样品120的方法800的流程图。特定来说，图8A到8B说明使用机器学习技术来确定样品120的缺陷的类型及大小的方法800。在本文中应注意，方法800的步骤可完全或部分通过系统100实施。然而，进一步应认知，方法800不限于系统100，其中额外或替代系统级实施例可实行方法800的全部或部分步骤。
在步骤802中，获取样品的一或多个缺陷的一或多个训练图像。例如，如图1B中展示，控制器104可经配置以从光学检验子系统102a接收样品120的一或多个特征的一或多个光学训练图像125。通过另一实例，如图1C中展示，控制器104可经配置以从SEM检验子系统102b接收样品120的一或多个特征的一或多个SEM训练图像125。
在步骤804中，基于一或多个训练图像生成机器学习分类器。例如，使用监督式学习，可将一或多个训练图像125及已知缺陷大小及/或已知缺陷类型用作训练机器学习分类器的输入。机器学习分类器可包含此项技术中已知的任何类型的机器学习算法/分类器及/或深度学习技术或分类器，包含但不限于随机森林分类器、支持向量机(SVM)分类器、整体学习分类器、人工神经网络(ANN)、深度神经网络或卷积神经网络(例如，ALEXNET、GOOGLENET)及类似者。
在步骤806中，获取样品的一或多个缺陷的一或多个产品图像。例如，如图1B中展示，控制器104可经配置以从光学检验子系统102a接收样品120的一或多个特征的一或多个光学产品图像135。通过另一实例，如图1C中展示，控制器104可经配置以从SEM检验子系统102b接收样品120的一或多个特征的一或多个SEM产品图像135。
在步骤808中，运用机器学习分类器确定一或多个缺陷的一或多个缺陷类型分类。例如，控制器104可接收描绘样品120的针孔缺陷的产品图像135a。在此实例中，控制器104可经配置以确定产品图像135a包含针孔缺陷，且将所述缺陷与针孔缺陷分类相关联。通过另一实例，控制器104可接收描绘样品120的刮痕缺陷的产品图像135c，确定产品图像135c包含刮痕缺陷，且将所述缺陷与刮痕缺陷分类相关联。
在步骤810中，用一或多个平滑滤波器过滤一或多个产品图像。一或多个平滑滤波器可包含此项技术中的任何平滑滤波器，包含但不限于均值滤波器、拉普拉斯滤波器、维纳滤波器、高斯滤波器、最小值/最大值滤波器、中值滤波器、中点滤波器及类似者。例如，控制器104可经配置以通过使用高斯核进行卷积而平滑化一或多个产品图像135。
在步骤812中，执行一或多个二值化过程以生成一或多个二值化产品图像。例如，控制器104可经配置以对产品图像135执行一或多个二值化过程，以生成一或多个二值化产品图像。通过二值化，可使用一或多个二值化公式从产品图像135的背景像素识别产品图像135中的与缺陷相关联的像素(例如，缺陷像素)。
在步骤814中，对一或多个二值化产品图像执行一或多个形态图像处理操作。例如，在实施例中，控制器104可经配置以对一或多个产品图像135及/或一或多个二值化产品图像执行一或多个形态图像处理操作。一或多个形态图像处理操作可包含此项技术中已知的任何形态图像处理操作，包含但不限于形态闭合操作(例如，形态二进制图像闭合操作)、形态侵蚀操作、形态扩张操作、形态敞开操作或形态闭合操作及类似者。如先前在本文中提及，可执行形态图像处理操作以弥合二值化引起的缺陷的分离区之间的间隙。
在步骤816中，基于一或多个二值化产品图像确定一或多个缺陷的一或多个算法估计的缺陷大小。例如，控制器104可经配置以基于一或多个二值化产品图像确定一或多个缺陷的一或多个算法估计的缺陷大小。用于确定算法估计的缺陷大小的二值化产品图像的特性可包含但不限于经识别/经标记的像素集群、最大缺陷像素灰度值、最小缺陷像素灰度值及类似者。
在步骤818中，基于一或多个算法估计的缺陷大小及一或多个缺陷类型分类确定一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。例如，控制器104可经配置以生成针对具有已知特性的各种类型的缺陷将算法估计的缺陷大小与实际/经设计缺陷大小相关(例如，经由具有已知/经设计大小的缺陷的训练图像125)的数学模型(例如，多项式函数)。随后，在获取产品图像之后，控制器104可经配置以确定与缺陷相关联的针孔缺陷分类，且确定算法估计的缺陷大小。接着，控制器104可经配置以基于经确定缺陷类型分类、经生成数学模型及经确定算法估计的缺陷大小确定缺陷的缺陷大小的改进估计值。
所属领域的技术人员将认知，本文中描述的组件(例如，操作)、装置、对象及所附于其的论述为概念清晰起见而被用作实例，且预期各种配置修改。因此，如本文中所使用，所阐述的特定范例及所附论述希望表示其更一般类别。一般来说，任何特定范例的使用希望表示其类别，且特定组件(例如，操作)、装置及对象的非包含性不应被视为限制性。
所属领域的技术人员将了解，存在可通过其实现本文中描述的过程及/或系统及/或其它技术的各种载具(例如，硬件、软件及/或固件)，且更好的载具将随着其中部署过程及/或系统及/或其它技术的内容背景而变化。例如，如果实施者确定速度及准确度最重要，那么实施者可选择主要硬件及/或固件载具；替代地，如果灵活性最重要，那么实施者可选择一主要软件实施方案；或再一次替代地，实施人可选择硬件、软件及/或固件的某一组合。因此，存在可通过其实现本文中描述的过程及/或装置及/或其它技术的数种可能载具，其本质上皆不优于其它者，因为待利用的任何载具取决于其中将部署载具的内容背景及实施者的特定关注(例如，速度、灵活性或可预测性)(其中的任一者可变化)的选择。
呈现先前描述以使所属领域的一般技术人员能够进行且使用如在特定应用及其要求的内容背景中提供的本发明。如本文中所使用，方向术语，例如“顶部”、“底部”、“上方”、“下方”、“上”、“朝上”、“下”、“向下”及“朝下”希望为描述的目的提供相对位置，且并不希望指定绝对参考架构。所属领域的技术人员将了解对所描述的实施例的各种修改，且本文中界定的一般原理可应用于其它实施例。因此，本发明并不希望限于所展示及描述的特定实施例，而是将符合与本文中公开的原理及新颖特征一致的最广范围。
关于本文中对大体上任何复数及/或单数术语的使用，所属领域的技术人员可在适合于内容背景及/或应用时从复数转变为单数及/或从单数转变为复数。为清楚起见，未在本文中明确阐述各种单数/复数置换。
本文中描述的全部方法可包含将方法实施例的一或多个步骤的结果存储在存储器中。结果可包含本文中描述的结果中的任一者且可以此项技术中已知的任何方式存储。存储器可包含本文中描述的任何存储器或此项技术中已知的任何其它适合存储媒体。在已存储结果之后，结果可在存储器中存取且通过本文中描述的方法或系统实施例中的任一者使用、经格式化以显示给用户、通过另一软件模块、方法或系统使用，等等。此外，可“永久地”、“半永久地”、“暂时地”或在某一时段内存储结果。例如，存储器可为随机存取存储器(RAM)，且结果可不一定无限存留在存储器中。
进一步应预期，上文描述的方法的实施例中的每一者可包含本文中描述的任何(若干)其它方法的任何(若干)其它步骤。另外，上文描述的方法的实施例中的每一者可通过本文中描述的系统中的任一者执行。
本文中描述的目标物有时说明含于其它组件内或与其它组件连接的不同组件。应了解，这些所描绘的架构仅为示范性的，且事实上可实施实现相同功能性的许多其它架构。在概念意义上，实现相同功能性的组件的任何布置经有效“相关联”使得实现所要功能性。因此，在本文中经组合以实现特定功能性的任两个组件可被视为彼此“相关联”使得实现所要功能性，而与架构或中间组件无关。同样地，如此相关联的任两个组件还可被视为彼此“连接”或“耦合”以实现所要功能性，且能够如此相关联的任两个组件还可被视为彼此“可耦合”以实现所要功能性。可耦合的特定实例包含但不限于可物理配接及/或物理交互的组件及/或可无线交互及/或无线交互的组件及/或逻辑交互及/或可逻辑交互的组件。
此外，应了解，本发明由所附发明权利要求书界定。所属领域的技术人员将了解，一般来说，在本文中及尤其是在所附发明权利要求书(例如，所附发明权利要求书的主体)中使用的术语一般希望为“开放性”术语(例如，术语“包含(including)”应被解释为“包含但不限于”，术语“具有”应被解释为“至少具有”，术语“包含(includes)”应被解释为“包含但不限于”，等)。所属领域的技术人员进一步将了解，如果预期引入权利要求叙述的特定数量，那么此意图将明确叙述在权利要求中，且在不存在此叙述的情况下不存在此意图。例如，为帮助理解，下文所附发明权利要求书可含有引入性词组“至少一个”及“一或多个”的使用以引入权利要求叙述。然而，不应认为这些词组的使用暗示通过不定冠词“一”或“一个”引入权利要求叙述将含有此引入权利要求叙述的任何特定权利要求限制于仅含有一个此叙述的发明，甚至在相同权利要求包含引入性词组“一或多个”或“至少一个”及例如“一”或“一个”的不定冠词时也如此(例如，“一”或“一个”通常应被解释为意指“至少一个”或“一或多个”)；用于引入权利要求叙述的定冠词的使用同样如此。另外，即使明确叙述引入权利要求叙述的特定数量，所属领域的技术人员仍将认知，此叙述通常应被解释为意指至少所叙述数量(例如，不具有其它修饰语的裸叙述“两个叙述”通常意指至少两个叙述或两个或更多个叙述)。此外，在其中使用类似于“A、B及C等中的至少一者”的惯例的例项中，一般来说在所属领域的技术人员将理解所述惯例的意义上预期此构造(例如，“具有A、B及C中的至少一者的系统”将包含但不限于仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C、等的系统)。在其中使用类似于“A、B或C等中的至少一者”的惯例的例项中，一般来说在所属领域的技术人员将理解所述惯例的意义上预期此构造(例如，“具有A、B或C中的至少一者的系统”将包含但不限于仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C、等的系统)。相关技术人员进一步将了解，呈现两个或更多个替代术语的实际上任何转折词及/或词组(无论是在描述、发明权利要求书还是附图中)应被理解为预期包含所述术语中的一者、所述术语的任一者或两个术语的可能性。例如，词组“A或B”将被理解为包含“A”或“B”或“A及B”的可能性。
据信，通过前文描述，将理解本发明及其许多伴随优点，且将明白，可在不脱离所公开的目标物或不牺牲全部其材料优点的情况下对组件的形式、构造及布置作出各种改变。所描述的形式仅为说明性的，且下文发明权利要求书希望涵盖且包含这些改变。此外，应了解，本发明由所附发明权利要求书界定。

Claims (23)

1.一种用于特性化样品的系统，其包括：
控制器，其包含经配置以执行存储在存储器中的程序指令集的一或多个处理器，所述程序指令集经配置以引起所述一或多个处理器：
接收所述样品的一或多个缺陷的一或多个训练图像；
基于所述一或多个训练图像生成机器学习分类器；
接收样品的一或多个缺陷的一或多个产品图像；
运用所述机器学习分类器确定所述一或多个缺陷的一或多个缺陷类型分类；
运用一或多个平滑滤波器过滤所述一或多个产品图像；
执行一或多个二值化过程以生成一或多个二值化产品图像；
对所述一或多个二值化产品图像执行一或多个形态图像处理操作；
基于所述一或多个二值化产品图像确定所述一或多个缺陷的一或多个算法估计的缺陷大小；及
基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。
2.根据权利要求1所述的系统，其中所述一或多个缺陷类型分类包括针孔缺陷分类、抗蚀剂点缺陷分类、刮痕缺陷分类或快速定位缺陷分类中的至少一者。
3.根据权利要求1所述的系统，其中接收所述样品的一或多个缺陷的所述一或多个训练图像包括：
接收所述样品的一或多个缺陷的一或多个训练图像；及
接收与所述一或多个缺陷相关联的已知缺陷类型分类或已知缺陷大小中的至少一者。
4.根据权利要求1所述的系统，其中所述机器学习分类器包括随机森林分类器、支持向量机SVM分类器、整体学习分类器或深度神经网络中的至少一者。
5.根据权利要求1所述的系统，其进一步包括检验子系统，其中从所述检验子系统接收所述一或多个训练图像或所述一或多个产品图像中的至少一者。
6.根据权利要求1所述的系统，其中所述控制器进一步经配置以：
对所述一或多个产品图像执行一或多个图像处理操作。
7.根据权利要求6所述的系统，其中执行所述一或多个图像处理操作包括：
运用图像按比例调整操作调整所述一或多个产品图像的大小以生成一或多个按比例调整的产品图像；及
运用一或多个图像锐化操作更改所述一或多个按比例调整的产品图像。
8.根据权利要求7所述的系统，其中所述一或多个图像按比例调整操作包括图像按比例放大操作。
9.根据权利要求7所述的系统，其中所述一或多个图像锐化操作包括：
运用拉普拉斯滤波器执行的图像过滤操作。
10.根据权利要求6所述的系统，其中对所述一或多个产品图像执行所述一或多个图像处理操作包括：
将所述一或多个产品图像从第一色彩空间系统转换为第二色彩空间系统。
11.根据权利要求10所述的系统，其中所述第一色彩空间系统包括红绿蓝RGB色彩空间系统，且所述第二色彩空间系统包括色度彩度亮度HSV色彩空间系统。
12.根据权利要求1所述的系统，其中所述控制器进一步经配置以：
识别所述一或多个二值化产品图像内的多个像素集群；及
确定所述多个像素集群的一或多个像素集群与所述一或多个缺陷相关联。
13.根据权利要求1所述的系统，其中所述一或多个形态图像处理操作包括形态侵蚀操作、形态扩张操作、形态敞开操作或形态闭合操作中的至少一者。
14.根据权利要求1所述的系统，其中所述样品包括光罩。
15.根据权利要求1所述的系统，其中所述控制器经配置以基于所述一或多个改进估计值或所述一或多个缺陷类型分类中的至少一者生成一或多个控制信号，所述一或多个控制信号经配置以选择性地调整一或多个工艺工具。
16.根据权利要求1所述的系统，其中所述控制器进一步经配置以：
生成经配置以将所述一或多个算法估计的缺陷大小与所述一或多个训练图像内的所述一或多个缺陷的一或多个已知缺陷大小相关的一或多个数学模型。
17.根据权利要求16所述的系统，其中基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的所述一或多个改进估计值包括：
至少部分基于所述一或多个经生成数学模型确定所述一或多个缺陷的所述一或多个缺陷大小的所述一或多个改进估计值。
18.一种用于特性化样品的系统，其包括：
检验子系统，其经配置以获取样品的一或多个图像；及
控制器，其通信地耦合到所述检验子系统，所述控制器包含经配置以执行存储在存储器中的程序指令集的一或多个处理器，所述程序指令集经配置以引起所述一或多个处理器：
从所述检验子系统接收所述样品的一或多个缺陷的一或多个训练图像；
基于所述一或多个训练图像生成机器学习分类器；
从所述检验子系统接收样品的一或多个缺陷的一或多个产品图像；
运用所述机器学习分类器确定所述产品图像的所述一或多个缺陷的一或多个缺陷类型分类；
对所述一或多个产品图像执行一或多个形态图像处理操作；
基于所述一或多个产品图像确定所述一或多个缺陷的一或多个算法估计的缺陷大小；及
基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。
19.根据权利要求18所述的系统，其中所述控制器进一步经配置以：
生成经配置以将所述一或多个算法估计的缺陷大小与所述一或多个训练图像内的所述一或多个缺陷的一或多个已知缺陷大小相关的一或多个数学模型。
20.根据权利要求19所述的系统，其中基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的所述一或多个改进估计值包括：
至少部分基于所述一或多个经生成数学模型确定所述一或多个缺陷的所述一或多个缺陷大小的所述一或多个改进估计值。
21.一种用于特性化样品的方法，其包括：
获取样品的一或多个缺陷的一或多个训练图像；
基于所述一或多个训练图像生成机器学习分类器；
获取样品的一或多个缺陷的一或多个产品图像；
运用所述机器学习分类器确定所述一或多个缺陷的一或多个缺陷类型分类；
运用一或多个平滑滤波器过滤所述一或多个产品图像；
执行一或多个二值化过程以生成一或多个二值化产品图像；
对所述一或多个二值化产品图像执行一或多个形态图像处理操作；
基于所述一或多个二值化产品图像确定所述一或多个缺陷的一或多个算法估计的缺陷大小；及
基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的一或多个改进估计值。
22.根据权利要求21所述的系统，其中所述控制器进一步经配置以：
生成经配置以将所述一或多个算法估计的缺陷大小与所述一或多个训练图像内的所述一或多个缺陷的一或多个已知缺陷大小相关的一或多个数学模型。
23.根据权利要求22所述的系统，其中基于所述一或多个算法估计的缺陷大小及所述一或多个缺陷类型分类确定所述一或多个缺陷的一或多个缺陷大小的所述一或多个改进估计值包括：
至少部分基于所述一或多个经生成数学模型确定所述一或多个缺陷的所述一或多个缺陷大小的所述一或多个改进估计值。
CN201980072399.5A 2018-11-02 2019-11-01 用于确定空白光罩上的缺陷的类型及大小的系统及方法 Pending CN112955732A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862754880P 2018-11-02 2018-11-02
US62/754,880 2018-11-02
US16/572,971 2019-09-17
US16/572,971 US11468553B2 (en) 2018-11-02 2019-09-17 System and method for determining type and size of defects on blank reticles
PCT/US2019/059291 WO2020092856A1 (en) 2018-11-02 2019-11-01 System and method for determining type and size of defects on blank reticles

Publications (1)

Publication Number Publication Date
CN112955732A true CN112955732A (zh) 2021-06-11

Family

ID=70458860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980072399.5A Pending CN112955732A (zh) 2018-11-02 2019-11-01 用于确定空白光罩上的缺陷的类型及大小的系统及方法

Country Status (7)

Country Link
US (1) US11468553B2 (zh)
JP (1) JP7355817B2 (zh)
KR (2) KR20230147764A (zh)
CN (1) CN112955732A (zh)
IL (1) IL282249A (zh)
TW (1) TWI805857B (zh)
WO (1) WO2020092856A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109369A (zh) * 2021-05-22 2021-07-13 盐城市盐都区荣海实验器材厂 一种载玻片的生产制备工艺

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113168085A (zh) * 2018-11-30 2021-07-23 Asml荷兰有限公司 用于基于可制造性确定图案形成装置图案的方法
US11769242B2 (en) 2020-05-21 2023-09-26 Kla Corporation Mode selection and defect detection training
US11774371B2 (en) * 2020-05-22 2023-10-03 Kla Corporation Defect size measurement using deep learning methods
US11328410B2 (en) 2020-08-03 2022-05-10 KLA Corp. Deep generative models for optical or other mode selection
CN112085722B (zh) * 2020-09-07 2024-04-09 凌云光技术股份有限公司 一种训练样本图像获取方法及装置
US20220122038A1 (en) * 2020-10-20 2022-04-21 Kyndryl, Inc. Process Version Control for Business Process Management
US20230068328A1 (en) * 2021-09-01 2023-03-02 Caterpillar Inc. Systems and methods for minimizing customer and jobsite downtime due to unexpected machine repairs
US20230153843A1 (en) * 2021-11-12 2023-05-18 Oracle International Corporation System to combine intelligence from multiple sources that use disparate data sets
TWI799083B (zh) * 2022-01-14 2023-04-11 合晶科技股份有限公司 自動光學缺陷檢測裝置及方法
US20230402328A1 (en) * 2022-06-09 2023-12-14 Onto Innovation Inc. Optical metrology with nuisance feature mitigation
CN115713487A (zh) * 2022-10-26 2023-02-24 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) 用于x射线焊缝图像的缺陷识别方法、设备和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6798515B1 (en) * 2001-11-29 2004-09-28 Cognex Technology And Investment Corporation Method for calculating a scale relationship for an imaging system
US20050004774A1 (en) * 2003-07-03 2005-01-06 William Volk Methods and systems for inspection of wafers and reticles using designer intent data
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
JP2007310231A (ja) * 2006-05-19 2007-11-29 Hamamatsu Photonics Kk 画像取得装置、画像取得方法、及び画像取得プログラム
US20100272334A1 (en) * 1993-10-22 2010-10-28 Tatsuki Yamada Microscope System, Specimen Observation Method, and Computer Program Product
US20130077092A1 (en) * 2011-09-28 2013-03-28 Hitachi High-Technologies Corporation Substrate surface defect inspection method and inspection device
US20160371816A1 (en) * 2015-06-18 2016-12-22 Sharp Laboratories Of America, Inc. System for enhanced images
WO2018061337A1 (ja) * 2016-09-29 2018-04-05 株式会社Sumco シリコンウェーハの評価方法、シリコンウェーハ製造工程の評価方法、シリコンウェーハの製造方法およびシリコンウェーハ
US20180173839A1 (en) * 2016-12-19 2018-06-21 Kla-Tencor Corporation Metrology Recipe Generation Using Predicted Metrology Images
US20180218493A1 (en) * 2017-01-30 2018-08-02 Dongfang Jingyuan Electron Limited Dynamic Updates for the Inspection of Integrated Circuits

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040081350A1 (en) * 1999-08-26 2004-04-29 Tadashi Kitamura Pattern inspection apparatus and method
US6999614B1 (en) * 1999-11-29 2006-02-14 Kla-Tencor Corporation Power assisted automatic supervised classifier creation tool for semiconductor defects
JP2007024737A (ja) * 2005-07-20 2007-02-01 Hitachi High-Technologies Corp 半導体の欠陥検査装置及びその方法
US7747062B2 (en) * 2005-11-09 2010-06-29 Kla-Tencor Technologies Corp. Methods, defect review tools, and systems for locating a defect in a defect review process
US20070280526A1 (en) * 2006-05-30 2007-12-06 Irfan Malik Determining Information about Defects or Binning Defects Detected on a Wafer after an Immersion Lithography Process is Performed on the Wafer
US7831083B1 (en) * 2006-07-13 2010-11-09 Kla-Tencor Technologies Corporation Image quality monitoring for substrate inspection
US8045145B1 (en) * 2007-06-06 2011-10-25 Kla-Tencor Technologies Corp. Systems and methods for acquiring information about a defect on a specimen
WO2014074178A1 (en) * 2012-11-08 2014-05-15 The Johns Hopkins University System and method for detecting and classifying severity of retinal disease
JP5948262B2 (ja) * 2013-01-30 2016-07-06 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
JP5760066B2 (ja) * 2013-11-06 2015-08-05 株式会社日立ハイテクノロジーズ 欠陥検査装置及び欠陥検査方法
US9401016B2 (en) 2014-05-12 2016-07-26 Kla-Tencor Corp. Using high resolution full die image data for inspection
US10074036B2 (en) * 2014-10-21 2018-09-11 Kla-Tencor Corporation Critical dimension uniformity enhancement techniques and apparatus
CN104715481B (zh) * 2015-03-17 2017-07-25 西安交通大学 基于随机森林的多尺度印刷品缺陷检测方法
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
JP6833027B2 (ja) * 2016-10-17 2021-02-24 ケーエルエー コーポレイション 検査関連アルゴリズムのセットアップに用いられる訓練集合の最適化
US11047806B2 (en) * 2016-11-30 2021-06-29 Kla-Tencor Corporation Defect discovery and recipe optimization for inspection of three-dimensional semiconductor structures
US10964013B2 (en) * 2017-01-10 2021-03-30 Kla-Tencor Corporation System, method for training and applying defect classifiers in wafers having deeply stacked layers
JP6705777B2 (ja) * 2017-07-10 2020-06-03 ファナック株式会社 機械学習装置、検査装置及び機械学習方法
US10692203B2 (en) * 2018-02-19 2020-06-23 International Business Machines Corporation Measuring defectivity by equipping model-less scatterometry with cognitive machine learning
US10733723B2 (en) * 2018-05-22 2020-08-04 Midea Group Co., Ltd. Methods and system for improved quality inspection
US10706525B2 (en) * 2018-05-22 2020-07-07 Midea Group Co. Ltd. Methods and systems for improved quality inspection

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272334A1 (en) * 1993-10-22 2010-10-28 Tatsuki Yamada Microscope System, Specimen Observation Method, and Computer Program Product
US6798515B1 (en) * 2001-11-29 2004-09-28 Cognex Technology And Investment Corporation Method for calculating a scale relationship for an imaging system
US7162073B1 (en) * 2001-11-30 2007-01-09 Cognex Technology And Investment Corporation Methods and apparatuses for detecting classifying and measuring spot defects in an image of an object
US20050004774A1 (en) * 2003-07-03 2005-01-06 William Volk Methods and systems for inspection of wafers and reticles using designer intent data
JP2007310231A (ja) * 2006-05-19 2007-11-29 Hamamatsu Photonics Kk 画像取得装置、画像取得方法、及び画像取得プログラム
US20130077092A1 (en) * 2011-09-28 2013-03-28 Hitachi High-Technologies Corporation Substrate surface defect inspection method and inspection device
US20160371816A1 (en) * 2015-06-18 2016-12-22 Sharp Laboratories Of America, Inc. System for enhanced images
WO2018061337A1 (ja) * 2016-09-29 2018-04-05 株式会社Sumco シリコンウェーハの評価方法、シリコンウェーハ製造工程の評価方法、シリコンウェーハの製造方法およびシリコンウェーハ
US20180173839A1 (en) * 2016-12-19 2018-06-21 Kla-Tencor Corporation Metrology Recipe Generation Using Predicted Metrology Images
US20180218493A1 (en) * 2017-01-30 2018-08-02 Dongfang Jingyuan Electron Limited Dynamic Updates for the Inspection of Integrated Circuits

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109369A (zh) * 2021-05-22 2021-07-13 盐城市盐都区荣海实验器材厂 一种载玻片的生产制备工艺

Also Published As

Publication number Publication date
JP2022506485A (ja) 2022-01-17
KR20210069736A (ko) 2021-06-11
TWI805857B (zh) 2023-06-21
KR20230147764A (ko) 2023-10-23
IL282249A (en) 2021-05-31
US20200143528A1 (en) 2020-05-07
US11468553B2 (en) 2022-10-11
TW202029071A (zh) 2020-08-01
JP7355817B2 (ja) 2023-10-03
WO2020092856A1 (en) 2020-05-07

Similar Documents

Publication Publication Date Title
TWI805857B (zh) 用於特性化一樣品之系統及方法
US9778206B2 (en) Defect inspection device and defect inspection method
KR102203112B1 (ko) 표준 기준 이미지로부터 결정된 속성에 기초한 결함 검출 및 분류
JP5920994B2 (ja) マイクロプレートのウェル壁境界を識別するための方法及びシステム
JP5624326B2 (ja) ウェーハ上に形成されたアレイ領域のための検査領域のエッジを正確に識別する方法、及び、ウェーハ上に形成されたアレイ領域に検知された欠陥をビニングする方法
US20130202188A1 (en) Defect inspection method, defect inspection apparatus, program product and output unit
US9171364B2 (en) Wafer inspection using free-form care areas
JP5225297B2 (ja) ウエハー上に形成されたダイに於けるアレイ領域の認識方法、ならびに係る方法の設定方法
AU2014236057B2 (en) Image quality assessment of microscopy images
TWI547802B (zh) 檢驗方策產生技術及基於檢驗方策之檢驗技術
TWI631638B (zh) 由參考影像改變之檢測方式設定
US11798153B2 (en) Frequency domain enhancement of low-SNR flat residue/stain defects for effective detection
US11880193B2 (en) System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
CN109716495B (zh) 用于晶片中开口尺寸的光学测量的方法和系统
TWI819229B (zh) 用於判定缺陷之系統和方法
KR102665588B1 (ko) 검사 중 샘플 상의 가요성 영역을 정의하기 위한 시스템 및 방법
TW202041850A (zh) 使用疊層去除雜訊自動編碼器之影像雜訊降低
CN113039631A (zh) 通过将光学信号拟合到点扩散函数的缺陷分类
TWI840620B (zh) 檢驗系統及檢驗方法
Stellari et al. Automated contactless defect analysis technique using computer vision
US20230206417A1 (en) Detection of defects using a computationally efficient segmentation approach
Zhao et al. Wafer Contour Curve Linearization Algorithm Research Based on Image for Detecting Minute Edge Defects
CN116802676A (zh) 用于使用芯片设计数据以改进光学检验及计量图像质量的方法
CN113947561A (zh) 半导体样本的图像分割

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